本文根據(jù)從網(wǎng)絡借貸市場搜集的718家正常平臺和129家問題平臺數(shù)據(jù)分析典型風險傳染事件發(fā)生前后市場資金變化情況,構建模型從月度、周度兩個維度研究新金融業(yè)態(tài)風險傳染的特征。結果發(fā)現(xiàn):風險更顯著地傳染至大規(guī)模、人均投資金額低的平臺。風險傳染期內,平臺規(guī)模越大,對交易量變化的負向作用越大;平臺人均投資金額越高,平臺與投資人的聯(lián)系越緊密,對交易量變化的正向作用越大。隨著時間的推移,平臺規(guī)模與人均投資金額對平臺交易量變化的影響程度逐漸減弱。風險傳染期間,問題平臺與正常平臺在危機后的交易量存在較為顯著的差異,市場資金流向呈現(xiàn)出一定的替代效應。 

【文章來源】：經濟理論與經濟管理. 2020,(04)北大核心CSSCI

【文章頁數(shù)】：14 頁

【部分圖文】：

2015年10月平臺交易量變化情況

依據(jù)同樣的原理,可以看出反映e租寶事件發(fā)生當月,即2015年12月平臺交易量變化的情況(見圖2)。圖2反映了2015年12月各平臺交易量的變化情況。e租寶事件正發(fā)生在2015年12月,因此這個月各平臺交易量的變化情況對于分析風險傳染的初期影響較為重要。由圖2可知,正常平臺與問題平臺的交易量變化情況開始呈現(xiàn)出一定差異。約有16.5%的正常平臺交易量降幅在10%以內,隨著波動幅度的增加,正常平臺數(shù)量遞減,分布仍然呈現(xiàn)出中間高,兩端低的形態(tài);而問題平臺則與正常平臺相反,恰好呈現(xiàn)出中間低,兩端高的形態(tài),波動幅度在正負10%以內的問題平臺都不超過8%,而降幅在30%～40%之間的問題平臺達到了14.75%,而增幅超過50%的問題平臺也達13.11%。這表明,市場風險對正常平臺與問題平臺的影響不盡相同,各平臺交易量的變化也是有增有減,并非所有平臺交易量都顯著下降。

圖3反映了2016年1月平臺交易量的變化情況。整體上,問題平臺與正常平臺都呈現(xiàn)出一定的左偏分布態(tài)勢,即本月交易量下降平臺的比重超過上升平臺的數(shù)量。尤其是問題平臺中,降幅超過50%的平臺比例達到了17.24%,降幅在10%以內的平臺比重為18.97%。正常平臺也出現(xiàn)了類似情況,降幅在10%以內的平臺為15.17%,雖然也有部分平臺的增幅較大,但整體上2016年1月份的各平臺交易量相比2015年12月,都有一定程度的下降。反映2016年3月平臺交易量變化情況的特征圖見圖4。

【參考文獻】：
期刊論文
[1]基于協(xié)高階矩視角的滬港股市風險傳染分析[J]. 王鵬,吳金宴.  管理科學學報. 2018(06)
[2]基于核心-邊緣網(wǎng)絡的中國銀行風險傳染[J]. 楊海軍,胡敏文.  管理科學學報. 2017(10)
[3]同業(yè)網(wǎng)絡中的風險傳染——基于中國銀行業(yè)的實證研究[J]. 廉永輝.  財經研究. 2016(09)
[4]債務杠桿與系統(tǒng)性風險傳染機制——基于CCA模型的分析[J]. 茍文均,袁鷹,漆鑫.  金融研究. 2016(03)



本文編號：3284122