互联网金融对商业银行的系统性风险溢出效应测度分析

解各股指日收益率特征，将股票收益率序列时间上的变化进行描绘，可以发现波动集聚时间一致，三者存在相互关系。各个市场在2018年间发生较大波动，可能受到融资融券机制的影响，互联网金融收益率的变化幅度显著高于商业银行，和互联网金融初始发展阶段不稳定相符合。先对数据平稳性进行分析，利用ADF进行检验，检验P值不超过0.05，因此拒绝原假设，认为收益率平稳。序列不符合正态分布，存在波动集聚的情况，代表存在ARCH效应。所有序列均表现出ARCH效应，由于数据具备尖峰厚尾的特征，要结合GED分布估计序列边缘。 （三）边缘分布预估和检验 通过对互联网金融和国有银行的观察，得出在GED基础上使用GARCH模型进行模拟可以获得最佳效果。按照5%概率水平，参数t统计量和p值较为显著。在国有银行、商业银行以及互联网金融的方差公式中，GARCH项、ARCH项系数和均小于1，满足对参数的约束条件。互联网金融a值比较小，代表互联网金融对于市场信息反应较慢，传递信息的效率较低，商业银行更能快速反应市场短期信息。互联内网金融b值也大于商业银行，互联网金融的服务对象多为小微型企业和个体投资者，缺少对市场信息的判断能力，造成大部分信息得不到保障，消化信息需要吸收更长的时间[2]。商业银行发展时间较久，具备完善的市场披露制度，投资者可以根据市场信息快速反应。 使用GARCH模型，ARCH效应和自相关没有关联，受到篇幅的限制，未提供对应数据。若边缘分布模型得到准确估计，标准化残差序列可以使用概率积分变换获得，属于独立分布的一种随机变量序列，满足均匀分布。检验分布设定，将标准化残差序列进行概率积分的变换，使用KS和AD软件检验，原假设服从均匀分布。在5%显著性水平下检验各阶矩，不能拒绝原假设。KS检验以及AD检验p值超过0.05，选择GED分布较为合理。 （四）选取Copula函数 使用Copula函数参数拟合边缘分布的标准化残差，获得Copula函数参数值，根据对数似然值选取Copula函数。T-Copula函数具有最大的对数似然值，使用t-Copula函数进行CoVaR值进行计算。 （五）结果分析 在1%显著性水平中，互联网金融具有更高的风险值，和市场初期不成熟的规律相符合。股份制银行比国有银行具有更高的风险，由于国有银行具有国家信誉的担保，进入到成熟发展阶段，风险相对较小。预估t-Copula参数后，计算CoVaR值。可以得出：（1）互联网金融对于其他两种银行风险溢出表现为正，且较为显著。由于我国互联网金融正处于发展阶段，主