我國金融市場間的風險傳染測度研究

紀偉倫

【摘要】隨著經濟的多元化、資本的大規模流動以及金融衍生品的不斷發展，各個金融市場之間的關聯程度越來越高金融風險傳染度量成為了金融風險管理的一個重要內容。本文利用MSV模型，用收益率的波動來描繪風險，以相關系數的改變作為衡量金融風險傳染發生的指標，選取了我國2014-2017年股票指數和債券指數的對數收益率進行了實證分析，并得到以下結論：我國股票市場和債券市場收益率均表現出尖峰厚尾的特征；股市債市之間存在著風險傳染效應，且該效應在牛市時表現最為明顯。

【關鍵詞】金融風險傳染測度，股票市場，債券市場，MSV模型

1 前言

金融風險的發生一直是金融市場發展過程中無法避免的一大難題。從上世紀末期開始，金融衍生品層出不窮，金融市場間關聯程度越來越高。一旦某個經濟體或金融市場爆發危機，其風險極易造成大范圍經濟動蕩。以我國的股票市場和債券市場為例，如圖1所示，2007-2016年股市與債市收益率波動走勢近乎一致，表現出較強的相關性，這種現象在2008年和2015年表現尤為明顯。

事實上，金融風險傳染的相關研究一直都是金融界學者非常關注的課題。在金融風險測量方面，學者們漸漸擺脫了原有簡單的測度模式。金融創新和信息科技的廣泛應用使金融市場更新迭代速度有了大幅提升，傳統的風險分析方法通常無法有效地度量市場間的溢出水平評估市場風險。因此在當今全球經濟格局下尋找一個準確的金融風險傳染度量方法就顯得尤為重要。

2 文獻綜述

金融危機的頻繁爆發使得金融市場間的風險傳染成為金融風險研究領域的一個熱點問題，諸多學者對風險傳染進行了大量研究并取得諸多研究成果。

基于股市和債市在金融市場資產配置中的重要地位，學者們自金融發展早期開始便對兩市場之間的關系進行了深入的研究。Keim等（1986）較早驗證了股票市場和債券市場間存在的相關關系。Baur（2010）運用基于VAR的格蘭杰因果檢驗方法，研究發達國家的股票和債券市場，發現了股市和債市之間存在雙向格蘭杰因果關系。Papavassilious（2014）運用DCC-GARCH模型針對希臘債務危機分階段分別研究了不同市場走勢下境內主要資本市場間的風險傳染效應，其結果表明債務危機期間兩個市場之間具有顯著的風險傳染效應。

相較于國外市場，中國股票市場和債券市場雖起步較晚尚未完全成熟，但隨著政府相關政策的頒布實施，兩個市場相關性得到大幅提升，受到了越來越多的關注。王璐等（2009）實證發現中國股市對債市的波動溢出效應較債市對股市的溢出效應更為顯著。廖佳等（2014）從行為經濟學角度著重研究了在不同金融環境下投資者對金融市場的情緒變化對跨市場金融傳染效應的影響，實證發現市場情緒在不同市場行情下具有很強的獨特性，其對市場間的相關性影響在不同市場行情下表現不同。

與文獻相比，本文的創新性體現在：（1）模型的突破。本文將傳統的SV模型擴展為多元并應用在股市和債市的風險傳染性分析上。（2）數據的處理。本文將數據分為三個階段進行對比，通過危機期與牛市期兩個期間的前后對比，也為風險傳染效應提供了實證。（3）計算方式的選擇。本文選用了蒙特卡羅（MCMC）模擬進行模型的求解，大大提高了文中采用模型的實用性。

3 金融風險傳染效應

3.1 金融傳染效應的相關概念

首先，是關于風險的定義本文將采用廣義的風險的定義，即不管是帶來收益還是損失，皆可算作風險。Engle等學者（2002）將金融傳染效應認定為受到風險沖擊后不同金融市場間相關性顯著增加的效應，該理論在度量金融傳染效應的大小和傳染方向等方面都得到了廣泛的應用。本文將認定傳染的發生是由相關性的改變來進行衡量的，同時為了簡化分析，本文所討論的金融風險傳染效應排除共同沖擊因素的基礎性傳染分析。只有這樣，在建模時，市場與市場間才能看作兩個獨立變量，才能觀測到一個市場的波動能否影響另一個市場。

3.2 金融傳染效應研究方法

Taylor（1982）將隨機波動原理應用到金融時間序列分析中，提出了隨機波動（Stochastic Volatility， SV）模型。基本的一元SV模型如下

yt=μ+eht2εt

ht+1=α+βht+ηt

其中，εt～NO，1，ηt～N（0，ση2），二者相互獨立。μ為時間序列均值，εt和ηt分別為均值方程和波動率方程的隨機擾動項，β反映波動率序列的持續性。

多元SV模型在波動率方程基礎上引入了一個服從馬爾科夫過程或其他隨機游走過程的新隨機變量。構建模型的均值方程為

Yt=U+i=1kλiYt-i+Et （4.10）

其中，Yt=y1，t，y2，t，…，yk，tT，U=ui，u2，…，ukT，λi=λ1，i，λ2，i，…，λk，i，Et=eh11，t2ε1，t，eh22，t2ε2，t，…，ehkk，t2εk，tT，k代表的市場數，λ1，iyt-i表示的是均值溢出，包含了前期本市場和其它市場價格收益。Et是條件方差和擾動項的向量，hkk，t表示的是第t期市場k的風險或波動。進而可以得到兩市場之間的隨機風險傳染方程

Ht+1=α+i=1kβiHt+ηt （4.11）

其中，Ht=h1，t，h2，t，…，hk，tT，α=α1，α2，…，αkT，βi=β1，i，β2，i，…，βk，i，ηt=η1，t，η2，t，…，ηk，tT，k代表的市場數，hii，t-1是單個市場收益已經實現的波動，hj j，t，hji，t-1分別為當期和前期風險傳染項。通過觀察均值方程中相關系數的改變，可以確定風險是否發生了傳染；通過觀察風險傳染方程，可以量化確定風險傳染的效應大小。

4 數據選取與實證分析

4.1 數據選取

本文選取2014-2017年上證綜指、上證國債指數的對數收益來表示我國股市和債市的變動情況，分別表示為R1、R2，定義收益率表達式為Ri=lnt日指數收盤價t-1日指數收盤價，共1774個數據。所有市場指數數據均來自于國泰安CSMAR數據庫。

為了更好的分析風險傳染效應，參考鄭振龍等、袁晨等學者的行情階段劃分方法，將數據分為以下三個階段：階段一（牛市，2014年3月15日～2015年6月17日，共309個交易日）、階段二（熊市，2015年6月18日～2016年1月28日，共152個交易日）、階段三（震蕩市，2016年1月29日～2017年10月30日，共426個交易日）。各階段數據描述性統計分析如下：

由表1描述性統計分析可知，債市的波動遠小于股市。J-B統計量在1%水平下顯著，表明任意階段兩種指數收益率均不服從正態分布；同時由偏度和峰度值可知，收益率表現出顯著的有偏的尖峰厚尾的特征。

由下圖及圖1來看，在每個階段股市的波動均強于債市的波動性，即從單個市場的角度股市的風險相對來說高于債市；同時根據兩個市場波動性出現的頻率來看，兩個市場之間表現出較高的相關性。

對于相關性，可以看出雖然波動幅度不同，但股債兩市波動趨勢相對一致。此外，收益率時間序列圖還反映了序列的波動集聚性特征，即在一個大波動后面往往跟著另一個大波動，同樣一個小波動后面亦跟隨著另一個小波動。

4.2 單位根檢驗

SV類模型均隱含了一個假設，即要求所選時間序列必須為平穩序列，因此在利用時間序列建模時首先應先對其平穩性進行檢驗，以使模型結果更為精確。利用Eviews軟件對上述8列收益率序列進行單位根檢驗，其結果如下表2所示。

由ADF檢驗值和P一值可知，在三個不同階段，兩種收益率序列均在1%顯著水平下拒絕原假設，即收益率序列均是嚴格平穩的。同時，根據ADF檢驗輸出結果可知，在建模時最佳滯后階數為1。

4.3 格蘭杰因果檢驗

為研究股市和債市的收益率之間是否存在這必然的因果關系，本文將對股票市場和債券市場收益率序列基于VAR模型進行格蘭杰因果檢驗，其中VAR模型基本設定如下所示

R1，t=c1+α1R1，t-1+β1R2，t-1+ε1，t （5.1）

R2，t=c2+α2R1，t-1+β2R2，t-1+ε2，t （5.2）

由參數估計結果可知，在不同市場行情下股票市場歷史行情對股債兩市市場行情均有顯著影響，且除去階段二（熊市）階段對債市的影響外，其余時段均表現為正相關關系。而債市方面，則表現不同。在牛市、熊市及總體階段上，債券市場的歷史行情對股票市場的影響均表現為統計意義上的不顯著。就整個估計區間行情來看，股債兩市間的影響方向與階段一（牛市）行情影響相同。

在VAR模型回歸結果基礎上，運用格蘭杰因果關系檢驗對收益率序列的因果關系進行分析研究。利用軟件進行分析結果如下表4所示。由格蘭杰因果檢驗結果可知，在階段一（牛市），F統計量和P-值結果均表明在1%顯著性水平下均拒絕原假設，即表明股票市場和債券市場間均存在著雙向收益率傳導關系。另外，在階段二（熊市），F統計量和P-值結果均表明在10%顯著性水平下，R2是R1的格蘭杰原因，即債券市場對股票市場存在弱傳導效應。震蕩市階段及總體估計區間內，股票市場和債券市場均不存在傳導效應。

4.4 MSV模型

本文主要將在MSV模型的波動率方程中引入馬爾科夫鏈模擬未來行情波動，采用吉布斯（Gibbs）抽樣方法進行蒙特卡羅（MCMC）方法模擬從而實現模型的動態模擬。根據金融市場的實際情況以及SV模型的約束對模型做出如下假設：

假設1：相同市場的均值方程擾動項與波動方程的擾動項不相關，不同市場間的均值方程擾動項不相關，不同市場間的波動方程擾動項不相關。

假設2：風險傳染方程的擾動項與均值方程的擾動項不相關，風險傳染方程的擾動項與波動方程的擾動項不相關。

鑒于股市和債市的二元結構，建立兩市場滯后一階的MSV模型均值方程如下所示

Y1，t=u1+λ11Y1，t-1+λ1Y2，t-1+eh11，t2ε1，t （5.4）

Y2，t=u2+λ12Y1，t-1+λ22Y2，t-1+eh22，t2ε2，t （5.5）

波動率方程如下所示

h11，t=，011+bllh11，t-l+b21h21，t-1+Q112，q11，t （5.6）

h22，t=，622+b22h22，t-l+b12h12，t-1+Q222rI22，t （5.7）

風險傳染方程如下所示

h12，t=υ12+c12h12，t-1+d11h11，t-1+d22h22，t-1+σ122η12，t

（5 .8）

h21，t=，621+c21h21，t-1+c11h11，t-1+c22h22，t-1+σ2127η21，t

（5.9）

進行MCMC模擬估計，將先驗分布設置為σij2～Inverse Gam-ma（2.5，0.025）分布，bij*、cij*、cii*、dii*～Beta（20，1.5），其中，bij*=（bij+1）2，cij*=（cij+1）2，cii*=（cii+1）2，dii*=（dii+1）2，ui，λij、αij～N（0，0.0001）。所有先驗分布均相互獨立。

由于模型著重對相關系數的分析，本文只列出了風險傳染方程中入LL（前期股票市場收益的影響系數，λ21（前期債券市場收益的影響系數）、b11b22（波動方程中前期本市場收益波動系數）、b12b21（波動方程中其他市場收益波動系數）、c12c21（風險傳染方程中的前期風險傳染項系數）、c11c22d11d22（風險傳染方程本市場已實現收益的波動系數）進行研究分析。

從表5中各個參數的估計結果可以看出，階段三震蕩市期間及總體樣本區間兩市場間收益均值溢出效應不明顯，故省略討論。同一時間段牛市前后股債兩市之間存在顯著的均值溢出，即λ12、λ21估計值不為0。同時根據跨階段系數符號變化，危機的沖擊使債市對股市收益的影響由正變負，股市對債市收益的影響由負變正。而這也符合現實中經濟規律，牛市的到來使股票市場行情變好，理性投資者為追求利益會增大股票持有量，減少債券投資；危機發生時，股票市場行情下挫，投資者相應地會將資金由股市轉移到債市。其次，從波動方程系數看，階段一牛市時股市的收益波動（即風險）與前期債券市場的風險傳染（b21）成正比，而階段二熊市時兩者則成反比關系；這意味著牛市結束后，債券市場的波動會使股市波動減弱。對于債券市場來說，危機的產生使其市場收益波動與本市場前期的收益波動的相關性（b22）由負變正。最后，由風險傳染方程的系數來看，危機的出現改變最明顯的是風險傳染項與已實現收益波動之間的關系。危機發生前，股票市場和債券市場間風險傳染項均與前期股市的收益波動（c11、d11）呈正相關，與債市收益波動（c22、d22）呈負相關；危機發生后，則呈現相反的關系。這也就是說，危機的產生影響了風險傳染項的系數，改變了市場間波動對風險傳染項影響的方向和大小。

同時從上表來看，危機的產生對債券市場和股票市場的相關性影響較為明顯。牛市后兩個市場的均值溢出效應產生了改變，說明風險在兩個市場間發生了傳染。波動方程和風險傳染方程則進一步解釋了造成風險波動和市場間風險傳染的因素，從另一方面驗證了風險傳染的發生。

5 結論與建議

本文選取2014年3月—2017年10月上證綜指和上證國債指數的對數收益對股市和債市間的風險傳染測度進行研究。通過對樣本數據描述性統計分析和模型分析，最終得到結論如下（1）股票市場和債券市場收益率序列均表現出波動聚集性、尖峰厚尾的特征；（2）股債兩市之間的風險傳染效應在牛市行情下表現最為明顯；具體而言，在牛市行情下股票市場對債券市場的傳染效應要強于債券市場對股票市場的傳染效應。

基于本文的研究，對我國的風險管理部門提出的政策建議如下：首先，資本市場是一個整體，建立一個資金多層次自由流動、大容量的金融市場的需求愈發迫切。其次，不管是在制定實施相關市場管理政策，還是在建立完善風險預警管理機制方面，監管部門都應充分考慮不同市場間風險傳染的存在。最后，我國應該加強資本市場改革，建立完善的信息傳導機制，有效降低信息成本，從而降低金融市場的大起大落的可能，維護市場秩序，從而達到保障投資者權益的目的。

參考文獻：

[1]Keim，D. B.，Stambaugh R. F.，Predicting Returns in the Stock andBondMarkets[J].Journal of Financial Economics，1986，17（2）：357-390

[2]Baur D.G.，Stock-Bond Co-Movements and Cross-CountryLinkages[J].International Journal of Banking，Accounting and Finance，2010，2（2）：111-129

[3]Papavassiliou V.G.，Cross-Asset Contagion in Times ofStress[J].Jour-nal of Economics and Business，2014（76）：133-139

[4]王璐，龐瞧.中國股市和債市波動溢出效應的MV-GARCH分析[J].數理統計與管理，2009，28（1）：152-158

[5]許祥云，廖佳，吳松洋.金融危機前后的中國股債關系分析——基于市場情緒變化的解釋視角[J].經濟評論，2014（1）：130-140

[6]鄭振龍，楊偉.金融資產收益動態相關性：基于DCC多元變量GARCH模型的實證研究[J].當代財經，2012，（07）：41-49

[7]袁晨，傅強.我國金融市場間投資轉移和市場傳染的階段時變特征——股票與債券、黃金間關聯性的實證分析[J].系統工程，2010，28（5）：1-7