伴随经济全球化逐渐深入,作为实体经济的血脉,金融体系在世界经济中的作用和影响越来越重大。金融体系牵一发而动全身,维持其稳定和正常运行具有十分重要的现实意义,系统性风险管理也因此成为金融风险管理最重要的话题之一。党的十九大报告强调“守住不发生系统性金融风险的底线”,防范系统性金融风险成为了我国金融工作最根本的要求。防范系统性风险需要识别系统性重要银行,这对银行系统性风险的度量提出了严格的要求。系统性风险涉及金融体系多层次、多领域,单靠一种信息只能对其某一方面进行刻画,整合多种维度的数据才能进行全面、准确的度量。因此,有效整合多维数据是研究金融体系系统性风险度量的重要方法。目前,学术界和监管层提出了多种度量系统性风险的方法。第一种是指标体系法,如Illing和Liu(2003)提出的金融压力指数等;第二种是网络模型法,如Cerchiello等(2017)提出的银行网络模型等;第三种是基于市场收益率的度量方法,如Acharya等(2010)提出的MES方法和基于Copula函数的度量方法等。这三种方法均能从特定角度对系统性风险进行较好的度量,但都用样本信息直接代表总体情况,未考虑总体可能存在的不确定性,并存在模型包含非理性因素影响、不能代表总体情况、难以兼顾对系统性风险的度量和传导机制的刻画等问题。但关于如何有效地整合多维数据并度量系统性风险这一问题,目前学术界尚无定论。本文基于Hyper Inverse Wishart数据整合方法(简称HIW方法),构建了银行网络模型,度量了银行系统性风险溢出效应,研究了我国系统重要性银行的识别问题。为得到不确定条件下银行系统性风险状况的最优估计,文章使用了HIW方法,并引入银行同业拆借资金数据作为股票日收益率数据的补充,消除股票日收益率数据中包含的非理性因素的影响,使用图表示银行网络模型以兼顾对系统性风险的度量和传导机制的刻画。在研究中,我们使用了上市商业银行同业拆入和拆出资金、股票日收益率以及市值等数据。文章得到的结论包括:(1)对我国商业银行系统性风险溢出效应的度量而言,HIW数据整合方法较为适用。(2)使用同业拆借资金数据作为股票日收益率数据的补充,能够一定程度上消除股票日收益率包含的非理性因素的影响,使网络模型能够更客观地反映银行间关系。(3)国有银行系统性风险溢出效应整体处于中等水平,其溢出效应可能主要来自同业拆借市场。(4)股份制商业银行和城市商业银行的系统性风险溢出效应在高中低三个水平均有分布,差异由各银行在同业拆借市场占比、市值大小、股票收益率波动程度以及经营业绩等方面的不同造成。(5)农村商业银行系统性风险溢出效应整体处于低水平,其溢出效应可能主要来自股票市场。本文的创新之处主要包括:(1)文章将HIW数据整合方法引入商业银行系统性风险度量的研究,对整合多维数据度量系统性风险进行了有益的探索。(2)本文建立网络模型并使用偏相关系数度量银行系统性风险溢出效应,兼顾了对系统性风险的度量和传导机制的刻画,在模型的全面性上有一定进步。(3)论文提出了从同业拆借资金规模及波动、股票价格波动角度对商业银行进行监管的系统性风险管理思路。由于作者水平和时间有限,论文存在一些不足之处,主要体现在:(1)使用最大熵值法虽然能够得到银行同业拆借矩阵的最优结构,但该结构并非银行间实际的拆借情况,和真实情况仍有一定差别。今后的研究可以借助全国银行间同业拆借中心的相关信息,对利率报价等银行同业拆借信息进行深入挖掘,在此基础上求解同业拆借矩阵。(2)由于银行同业拆借期限大多为1天,每个工作日银行同业拆借头寸均存在变化,季报数据因此不能及时反映同业拆借头寸的变化。因此,理想的情况是获取银行每日的同业拆借头寸,及时捕捉银行同业拆借头寸的变化。