基于DCC-GARCH模型的我國股市風險傳染效應*

李 倩， 張瀟尹(沈陽工業(yè)大學 經(jīng)濟學院， 沈陽 110870)

經(jīng)濟全球化的不斷加深、信息透明度和傳遞速度的持續(xù)提高，導致不同國家或地區(qū)金融市場之間的聯(lián)動性逐漸加強。因此，一個金融市場爆發(fā)的危機不僅僅會導致本地區(qū)的經(jīng)濟下滑和衰退，還會導致危機以本地區(qū)為中心向四處發(fā)散傳染的狀況。2008年美國爆發(fā)次貸危機之后，現(xiàn)代金融體系的相互依賴性與聯(lián)動性進一步加強。也就是說，一個國家或地區(qū)的小小波動，都有可能對其他國家或地區(qū)產(chǎn)生一定程度的“蝴蝶效應”，這種現(xiàn)象在股票市場中的反映尤為顯著。2014年6月到2015年6月，美國S&P 500 Index(標準普爾500指數(shù))上漲10%，國內(nèi)HS300指數(shù)上漲68.49%。2015年6月后，國內(nèi)股市出現(xiàn)“千股跌停”的情況，HS300指數(shù)最大跌幅達26.20%。

一、文獻綜述

隨著計量技術的不斷發(fā)展，對于風險傳染效應的實證研究結(jié)論也逐漸統(tǒng)一。Calvo和Reinhart(1996)[1]對市場之間的聯(lián)動性進行實證研究，選取1994年墨西哥比索危機后亞洲和拉美股票市場和債券市場為樣本，實證顯示危機期間兩地兩市的相關系數(shù)明顯大幅提高，金融傳染效應顯著。

Forbes和Rigobon(2002)[2]采用相關系數(shù)的異質(zhì)性偏差檢驗方法，對1987年美國證券市場崩盤期間證券市場的相關系數(shù)與1994年墨西哥比索金融危機時期證券市場之間相關系數(shù)進行比較，實證表明新型金融市場風險傳染效應顯著，成熟金融市場風險傳染效應不顯著，并對以往具有代表性的“金融危機傳染性”定義進行了總結(jié)。

國內(nèi)學者對風險傳染效應的實證研究也逐步深化。肖峻(2006)[3]在中國資本市場全球化的背景下，對波動性風險溢出、金融危機傳染效應溢出等進行深入研究，證明風險傳染效應的存在。

呂江林和趙征(2010)[4]研究表明，中國股指與美股主要股指之間的聯(lián)動性顯著。李小勇(2011)[5]實證分析表明，風險傳染以美國市場為核心向各國蔓延，而中國市場首當其沖且傳染程度最深、波及范圍最廣。

近年來，統(tǒng)計和計量經(jīng)濟分析方法越來越多地應用于風險傳染的實證檢驗中。Login和Solnik(2001)[6]基于多元極值理論證實金融危機風險傳染效應的存在；Dobromi和Martin(2005)[7]根據(jù)異方差調(diào)整的相關系數(shù)，區(qū)分傳染與相依關系的差別。Rim和Setaputra(2007)[8]通過建立GARCH類模型，對各國的股市數(shù)據(jù)進行了擬合分析。

國內(nèi)學者李成、馬文濤和王彬(2010)運用四元VAR-GRACH-BEKK模型分析中國主要金融市場之間的風險溢出效應。趙勇和楊志波(2012)[9]采用DCC-MVGARCH模型，分析在亞洲金融危機、美國次級債危機和歐洲主權債務危機背景下，各危機發(fā)生國家的股市之間及其與日本股市和香港股市的聯(lián)動關系，實證表明動態(tài)相關系數(shù)在美國次級債危機后有顯著上升的趨勢。

本文將對2015年國內(nèi)股市異動中的風險傳染效應進行定性分析，確定行業(yè)間傳染效應的存在。研究2015年股市異動期間金融風險在行業(yè)間的傳染，有助于我國股票市場的風險監(jiān)控、風險監(jiān)督以及防止災難性金融事件的再次發(fā)生與蔓延，并有助于提高投資者風險識別能力，使其提前做好風險評估并選擇恰當?shù)娘L險規(guī)避手段。

二、模型構建

十大行業(yè)指數(shù)分別為HS300的原材料指數(shù)(CL)、電信指數(shù)(DX)、公用事業(yè)指數(shù)(GY)、工業(yè)指數(shù)(GYE)、金融地產(chǎn)指數(shù)(JR)、可選消費指數(shù)(KX)、能源指數(shù)(NY)、主要消費指數(shù)(XF)、信息技術指數(shù)(XX)、醫(yī)藥指數(shù)(YY)，數(shù)據(jù)來源為同花順。

采用DCC-GARCH模型估計市場間的動態(tài)條件相關系數(shù)，并觀察其波動相關性。將DCC-GARCH模型動態(tài)相關條件的結(jié)構[10]設定為

rt=μt+εt

(1)

式中：rt為收益率列向量；μt為常數(shù)截距項；μt=E(rt|φt-1)=Et-1(rt)。

εt|φt-1～N(0，Ht)

(2)

式中：εt為殘差列向量；φt為t期前的數(shù)據(jù)集合；Ht為時變的條件協(xié)方差矩陣，表示為

(3)

(4)

式中：yt為通過Dt進行標準化的標準化殘差。

(5)

式中：殘差α為現(xiàn)在信息對下一期波動性的影響程度，其值越大說明該市場對沖擊的敏感度越高；條件方差β指收益率波動的持續(xù)性，用來衡量現(xiàn)有波動的持續(xù)性。α+β越接近于1，則表明波動持續(xù)的時間越久。

(6)

對兩個收益率回歸序列進行GARCH(1，1)估計，得到條件相關系數(shù)，從而獲得殘差α及條件方差β，α≥0，β≤0，α+β<1。假設均值方程的殘差服從均值為0、協(xié)方差為Ht的正態(tài)分布，表示為

(7)

式中：ρij，t為每一期的動態(tài)關系數(shù)，該系數(shù)即為變量之間的動態(tài)相關序列。

DCC-GARCH模型使用極大似然估計方法，計算公式為

(8)

式中：θ為Dt的參數(shù)；φ為動態(tài)系數(shù)。

變動項(代表波動性)部分表示為

(9)

相關部分表示為

(10)

綜上，應用GARCH模型提取各收益率序列的條件方差并進行標準化處理，得到標準方差Dt，結(jié)合式(7)、(8)估算出θ值，最后得出φ值。

三、數(shù)據(jù)處理與穩(wěn)定性檢驗

1. 數(shù)據(jù)的描述性統(tǒng)計

我國股市異動發(fā)生于2015年6月—2016年6月。本文選取2013年1月—2016年9月(平穩(wěn)期：2013年1月1日—2015年5月31日；動蕩期：2015年6月1日—2016年9月5日)國內(nèi)十大行業(yè)指數(shù)股票的收益率。

十大行業(yè)市場收益率的描述性統(tǒng)計如表1、2所示，可觀測出平穩(wěn)期和動蕩期樣本市場收益率的顯著差異。股市異動期間，十大行業(yè)以及HS300的平均收益率大幅下降，由正轉(zhuǎn)負。所有行業(yè)的平均市場收益率相較平穩(wěn)期均下降約0.20。僅從下降幅度角度分析，原材料、金融地產(chǎn)、信息技術行業(yè)的平均收益率下降0.36以上，公用事業(yè)行業(yè)也下降0.308。可見，股市異動對這五個行業(yè)市場產(chǎn)生了相對較高程度的顯著性影響。

表1 平穩(wěn)期十大行業(yè)收益率的描述性統(tǒng)計

表2 動蕩期十大行業(yè)收益率的描述性統(tǒng)計

與此相對應的是各行業(yè)收益率的標準差顯著增加，其中信息技術行業(yè)的標準差增加幅度最大，其次是金融地產(chǎn)行業(yè)，兩者分別增加0.793和0.729，說明兩個行業(yè)的波動性增加最為劇烈。其他行業(yè)，無論是平穩(wěn)期還是動蕩期標準差都較為接近，無較大波動。另外股票異動期間，除可選消費行業(yè)的收益率標準差相較平穩(wěn)期僅增加0.104外，其他行業(yè)均增加0.398以上。

異動發(fā)生前，只有四個行業(yè)的收益率偏度小于0；動蕩發(fā)生后，十大行業(yè)的收益率偏度均小于0。峰度方面：異動發(fā)生前，只有工業(yè)行業(yè)的收益率峰度超過3，表明各行業(yè)的收益率較為平穩(wěn)，趨向正態(tài)分布；異動發(fā)生后，十大行業(yè)收益率均超過3，醫(yī)藥行業(yè)的峰度甚至達到6.844，呈現(xiàn)“尖峰厚尾”特征。

表3、4為HS300指數(shù)與十大行業(yè)間市場收益率的線性相關系數(shù)。分析顯示，股市平穩(wěn)期間，除主要消費行業(yè)與公用事業(yè)行業(yè)、主要消費行業(yè)與可選消費行業(yè)、醫(yī)藥行業(yè)與可選消費行業(yè)的線性相關系數(shù)小于0.4以外，其他行業(yè)的線性相關程度都較高。股市異動期間，各行業(yè)間的線性相關系數(shù)顯著增加，且HS300指數(shù)與其他行業(yè)(除原材料行業(yè))相關系數(shù)都高達0.9以上，與原材料行業(yè)相關系數(shù)是0.889。

由表4可知，股市異動發(fā)生后，各行業(yè)之間的相關性增加。其中醫(yī)藥行業(yè)除了與主要消費行業(yè)、信息技術行業(yè)的線性相關系數(shù)增加小于0.25以外，與其他行業(yè)的線性相關系數(shù)均增加了0.25以上，與可選消費行業(yè)、工業(yè)行業(yè)的線性相關系數(shù)甚至增加了0.4以上。主要消費行業(yè)與其他行業(yè)的相關性也存在大幅增加的情況，其中與工業(yè)行業(yè)線性相關系數(shù)增加了0.43，與可選消費行業(yè)相關系數(shù)增加了0.378。因此可以初步推斷兩個傳染路徑：醫(yī)藥行業(yè)—電信行業(yè)—主要消費行業(yè)—信息技術—公用事業(yè)行業(yè)—材料行業(yè)—能源行業(yè)—可選消費行業(yè)；醫(yī)藥行業(yè)—電信行業(yè)—主要消費行業(yè)—信息技術—工業(yè)行業(yè)—金融地產(chǎn)行業(yè)。

表3 平穩(wěn)期各行業(yè)的收益率相關系數(shù)

表4 動蕩期各行業(yè)的收益率相關系數(shù)

由此推測，股票異動期間，醫(yī)藥行業(yè)、公用事業(yè)行業(yè)、主要消費行業(yè)、可選消費行業(yè)四個行業(yè)相關性增長幅度最大，此四個行業(yè)為風險傳染的主要發(fā)出行業(yè)與接受行業(yè)的概率較大。

2. Granger因果關系檢驗

Granger因果檢驗要求被檢驗序列為平穩(wěn)時間序列，因此在進行Granger因果檢驗之前，需要使用ADF檢驗方法檢驗時間序列的平穩(wěn)性。表5、6為ADF檢驗結(jié)果，可見在股市平穩(wěn)期與動蕩期，無論在1%、5%，還是10%的顯著水平下，各行業(yè)股票的移動平均收益率時間序列均為平穩(wěn)時間序列，可直接進行Granger因果檢驗。

表5 平穩(wěn)期ADF檢驗結(jié)果

表6 動蕩期ADF檢驗結(jié)果

根據(jù)AIC準則選擇最優(yōu)滯后階數(shù)，進行Granger因果關系檢驗，結(jié)果如表7、8所示。

股市平穩(wěn)期，信息技術行業(yè)和醫(yī)藥行業(yè)對其他行業(yè)均不構成相互的Granger因果關系，表明兩個行業(yè)市場均為相對獨立市場。其他行業(yè)對主要消費行業(yè)均不構成Granger因果關系，主要消費行業(yè)主要為傳導的接受方。金融地產(chǎn)行業(yè)和可選消費行業(yè)對大部分行業(yè)構成Granger因果關系，且可選消費與公用事業(yè)行業(yè)、能源行業(yè)，金融地產(chǎn)行業(yè)與工業(yè)行業(yè)存在雙向引導作用。其他各行業(yè)之間構成的Granger因果關系均為單向引導作用。

表7 平穩(wěn)期各行業(yè)市場的Granger因果檢驗結(jié)果

表8 動蕩期各行業(yè)市場的Granger因果檢驗結(jié)果

股市發(fā)生異動期間，不再存在相對獨立的行業(yè)市場，且發(fā)生了更多的雙向引導作用。除了金融地產(chǎn)行業(yè)和可選消費行業(yè)之外，原材料行業(yè)與一半的行業(yè)市場構成了Granger因果關系，并且除電信行業(yè)以外的行業(yè)均與其構成Granger因果關系。

與相關系數(shù)檢驗結(jié)果相似，股市異動期間醫(yī)藥行業(yè)與除信息技術行業(yè)和主要消費行業(yè)以外的其他行業(yè)的相關性顯著增強，且與原材料行業(yè)、公用事業(yè)行業(yè)、金融地產(chǎn)行業(yè)和工業(yè)行業(yè)的收益率存在雙向引導作用，與電信行業(yè)、可選消費行業(yè)和能源行業(yè)存在單向引導作用。工業(yè)行業(yè)與除了可選消費行業(yè)、能源行業(yè)和信息技術行業(yè)外的其他行業(yè)市場的相關性也顯著加強，且與電信行業(yè)和原材料行業(yè)存在雙向引導作用。

股市異動期間，公用行業(yè)、原材料行業(yè)、金融地產(chǎn)行業(yè)這三個行業(yè)市場成為大多數(shù)行業(yè)市場的Granger原因，且與構成Granger因果關系的大部分行業(yè)市場存在雙向引導作用，顯示了這三大行業(yè)的重要地位，其有較大可能性對其他行業(yè)市場產(chǎn)生風險傳染效應。醫(yī)藥行業(yè)和能源行業(yè)也與較多的行業(yè)市場存在較小的聯(lián)動性。

四、風險傳染效應分析

基于DCC-GARCH模型分析十大行業(yè)指數(shù)之間的動態(tài)相關性，實證結(jié)果顯示，2015年股市異動期間我國十大行業(yè)之間動態(tài)波動相關系數(shù)大部分呈現(xiàn)跳躍式增長，達到幾年中的最高值。

對互為Granger因果關系行業(yè)的收益率進行動態(tài)相關系數(shù)實證檢驗，結(jié)果如圖1所示。檢驗結(jié)果顯示，兩兩行業(yè)之間的動態(tài)相關系數(shù)都在2014年短期下滑，并在2015年第一季度開始上行，在第三、四季度達到2013—2016年的最高值。其中，電信行業(yè)與公用行業(yè)的動態(tài)系數(shù)大幅度增長，最高值達到1.021。

對存在單向Granger因果關系行業(yè)的收益率進行動態(tài)相關系數(shù)實證檢驗(前者對后者存在單向傳導)，結(jié)果如圖2所示。

圖1 互為Granger因果關系行業(yè)的動態(tài)相關系數(shù)

圖2 單向Granger因果關系行業(yè)的動態(tài)相關系數(shù)

五、傳染效應實證結(jié)果及啟示

線性相關性實證研究結(jié)果表明，股市異動期間各行業(yè)之間收益率的相關性顯著增強。醫(yī)藥行業(yè)、公用事業(yè)行業(yè)、原材料行業(yè)、工業(yè)行業(yè)、主要消費行業(yè)、信息技術行業(yè)與其他行業(yè)的相關系數(shù)顯著增加。除了能源行業(yè)以外，金融地產(chǎn)行業(yè)與其他行業(yè)的相關系數(shù)顯著增強。電信行業(yè)與大部分行業(yè)的相關性也顯著增強。其中，主要消費行業(yè)和公用事業(yè)行業(yè)、醫(yī)藥行業(yè)和公用事業(yè)行業(yè)、醫(yī)藥行業(yè)和可選消費行業(yè)的增幅最大。

Granger因果關系檢驗結(jié)果表明，股市平穩(wěn)期，電信行業(yè)、原材料行業(yè)、信息技術行業(yè)、主要消費行業(yè)和醫(yī)藥行業(yè)并不存在與任何其他行業(yè)的Granger因果關系。沒有任何其他行業(yè)與信息技術行業(yè)和醫(yī)藥行業(yè)存在Granger因果關系。可以構成Granger因果關系的行業(yè)組合也較少，只有14對，而其中構成雙向傳導關系的只有公用事業(yè)和可選消費事業(yè)、金融地產(chǎn)行業(yè)和工業(yè)行業(yè)、可選消費行業(yè)和能源行業(yè)。股市異動期，行業(yè)之間的Granger因果關系顯著增強，其中公用行業(yè)、原材料行業(yè)、金融地產(chǎn)行業(yè)這三個行業(yè)市場成為大多數(shù)行業(yè)市場的Granger原因，且與構成Granger因果關系的大部分行業(yè)市場存在雙向引導作用，顯示了這三大行業(yè)的重要地位，其有較大可能對其他行業(yè)市場產(chǎn)生了風險傳染效應。醫(yī)藥行業(yè)和能源行業(yè)也與較多行業(yè)市場存在較小的聯(lián)動性。

波動相關性分析表明，股市異動期間，我國十大行業(yè)之間確實存在顯著的風險傳染效應。

(1) 工業(yè)行業(yè)與公用事業(yè)和醫(yī)藥行業(yè)相關性顯著增加，且為雙向的風險傳染。金融地產(chǎn)行業(yè)與公用事業(yè)行業(yè)和醫(yī)藥行業(yè)存在雙向風險傳染，并對信息技術行業(yè)存在單向傳染效應。原材料行業(yè)與公用事業(yè)行業(yè)和醫(yī)藥行業(yè)也存在雙向風險傳染效應，并受到信息技術行業(yè)的傳染。電信行業(yè)與公用事業(yè)行業(yè)存在雙向傳染效應。另外，電信行業(yè)為信息技術行業(yè)的風險接受方、醫(yī)藥行業(yè)的風險傳染方。

(2) 公用行業(yè)與電信行業(yè)、原材料行業(yè)、金融地產(chǎn)行業(yè)、工業(yè)行業(yè)、醫(yī)藥行業(yè)和主要消費行業(yè)存在雙向風險傳染效應。

(3) 醫(yī)藥行業(yè)與公用行業(yè)和工業(yè)行業(yè)存在雙向風險傳染效應，為電信行業(yè)、可選消費行業(yè)和能源行業(yè)的風險傳染接受方。

由此可見：公用行業(yè)為所有行業(yè)的風險主要傳染方，醫(yī)藥行業(yè)、工業(yè)行業(yè)、金融地產(chǎn)行業(yè)及材料行業(yè)對較少行業(yè)存在風險傳染效應，醫(yī)藥行業(yè)為風險的主要接受方。

從整體角度來說，我國十大行業(yè)之間確實存在風險傳染效應，且在股市異動期間顯著增強，醫(yī)藥行業(yè)和原材料行業(yè)最容易受到其他行業(yè)的沖擊。因此，這類行業(yè)應完善其風險控制體系，對風險傳染進行深入了解，建立有效的預警機制，減弱風險發(fā)生時在本行業(yè)的傳染深度，使行業(yè)具有較強的風險抵抗能力[11]。

公用行業(yè)和金融地產(chǎn)行業(yè)對其他行業(yè)有較大的影響，主導市場的整體走勢。這兩個行業(yè)屬于特殊行業(yè)，易引起市場動蕩，均屬于國家重點建設行業(yè)。因此，要加強相關行業(yè)的市場監(jiān)管，明確監(jiān)管指標，加大監(jiān)管力度，保證行業(yè)穩(wěn)定發(fā)展。

最后，風險傳染效應的存在對投資者也是一個警鐘，投資者應根據(jù)各市場之間風險的傳染效應完善投資組合，分散風險；同時結(jié)合先行異動行業(yè)與后行異動行業(yè)之間的傳染關系，提前規(guī)避風險。

[1] Calvo S，Reinhart C.Capital flows to Latin America：is there evidence of contagion effects? [J].Peterson Institute for International Economics，1996(4)：151-171.

[2] Forbes K J，Rigobon R.No contagion，only interdependence：measuring stock market co-movements [J].Journal of Finance，2002，57(5)：2223-2261.

[3] 肖峻.我國資本國際化進程中的金融風險研究 [J].海南金融，2006，7(11)：11-16.

[4] 呂江林，趙征.基于收益率視角的中國股市與國際股票市場聯(lián)動性研究 [J].金融與經(jīng)濟，2010(6)：42-45.

[5] 李小勇.美國金融危機在股票市場間傳染效應檢驗與實證分析 [D].上海：華東大學，2011.

[6] Login F，Solnik B.Extreme correlation of international equity markets [J].Journal of Finance，2001，56(2)：649-676.

[7] Dobromi S，Martin T.Financial contagion vulnerability and resistance：a comparison of European stock market [J].Economic Systems，2005(29)：344-362.

[8] Rim P，Setaputra T.Empirical study on the impacts of major events on inter-market relationships in Asia [J].Global Business and Finance Review，2007，12(2)：75-87.

[9] 趙勇，楊志波.基于DCC-MVGARCH模型的中外股市聯(lián)動性分析 [J].商業(yè)研究，2012(9)：125-130.

[10]劉慧悅.基于DCC-GARCH模型的新興市場金融傳染效應檢驗 [J].統(tǒng)計與決策，2016(12)：151-155.

[11]苗文龍.金融危機與金融市場間風險傳染效應：以中、美、德三國為例 [J].中國經(jīng)濟問題，2013(3)：89-99.