由我院方意副教授和中央财经大学管理科学与工程学院荆中博副教授、纽约大学吴姬（我院2019届卓越项目本科生）、天津财经大学金融学院李政副教授合作撰写的论文《非核心负债、尾部依赖与中国银行业系统性风险》发表于《世界经济》2020年第4期。

本文从银行机构业务特征出发，将非核心负债与刻画关联性的尾部依赖模型（例如△CoVaR方法）相结合，探讨银行业系统性风险的累积过程，明确银行业系统性风险的关键来源。在此基础上，通过描述性分析和严谨的计量分析验证该指标的有效性。具体而言，本文的贡献主要包括：

第一，基于理论梳理，将非核心负债与尾部依赖模型相结合构建能够有效测度中国银行业系统性风险指标（核心指标），为系统性风险防范提供理论支撑。

本文通过理论分析认为，利用银行业的非核心负债数据比利用股票数据的传统测度方法能更加准确地刻画时间维度系统性风险的累积。原因在于：①从微观基础和宏观表现来看，非核心负债与核心负债存在巨大差异，这种差异使得银行机构在承担较高的非核心负债水平时将增加自身脆弱性，为风险爆发埋下隐患。银行股票收益数据主要测度风险的实现，且股票数据可能涵盖银行风险之外的信息，存在一定的噪音。②不同于股票收益下跌带来风险实现值的攀升，非核心负债水平的快速上升则会带来银行机构累积风险的上升。风险实现与风险累积是风险的两种状态，且风险累积更重要（方意和陈敏，2019）。因此，本文是从风险的本源来研究系统性风险。

此外，∆CoVaR指标被提出之后，诸多学者通过计量技术改进△CoVaR指标的估计方法。实质上，∆CoVaR指标的改进思路有2点：①围绕底层数据和风险理念改进；②围绕关联性建模技术改进。现有研究仍然使用股票市场数据，并以风险实现作为建模理念，因此这些研究主要是从第②点改进指标。本文则是从第①点改进∆CoVaR指标。除此之外，本文在构建核心指标时将传统的下行分位数依赖改进为上行分位数依赖，更加符合风险累积的理念。

实证研究的验证方面：①通过对比利用基本尾部依赖模型（△CoVaR方法）以及更加考虑网络关联性的（Lasso-△CoVaR方法）尾部依赖模型得到的核心指标可以发现，核心指标在时间维度上的表现主要依赖于底层数据的选择而非关联技术方法的选择。②本文构建的系统性风险指标（核心指标）能很好地捕捉样本期间的4次冲击，分别为2008年国际金融危机（第1次冲击）、2013年中国银行业“钱荒”（第2次冲击）、2015年中国股市异常波动（第3次冲击）和2018年中美贸易摩擦（第4次冲击）等典型冲击事件下银行业系统性风险波动。

第二，采用多种方法验证指标的有效性。本文提出了系统性指标3个方面的有效性，分别为：捕捉冲击事件的有效性；排除噪音信息的有效性；捕捉规模特征的有效性。捕捉冲击事件的有效性，指的是本文核心指标能够较好地捕捉到样本期间发生的系统性风险事件冲击；排除噪音信息的有效性，指的是本文核心指标能够排除股票市场等非银行业自身业务等方面的信息。捕捉规模特征的有效性，指的是本文核心指标不需要额外增加规模因子便能够准确捕捉规模特征，避免“小机构、大贡献”问题。由此可见，前2个方面都是针对整个银行业系统性风险，验证时间维度系统性风险的有效性。第3个方面则是针对银行机构层面，验证空间维度风险指标的有效性。

具体的实施过程中，本文通过核心指标走势图分析、事件分析法来探讨捕捉冲击事件的有效性，通过安慰剂检验来探讨排除噪音信息的有效性，通过各指标得到的系统重要性银行排序与银行规模相关性探讨捕捉规模特征的有效性。

第三，探究中国银行业系统性风险的驱动因子，为系统性风险化解提供理论支撑。本文从非核心负债增速与银行机构关联性两个角度剖析4次冲击事件中的银行业系统性风险波动的驱动因子，并以此论述这4次冲击期间银行业系统性风险的形成机理差异。

最后，本文将季度数据增加至月频数据，采用滚动窗口构建核心指标，论述了本文核心指标在进行系统性风险监测时受“前瞻性偏差”问题影响较小。