我國大類資產信息溢出機制研究
——基于方差分解的網絡拓撲分析

周 亮

(1.湖南財政經濟學院 學報編輯部，湖南 長沙 410205; 2.湖南師范大學 商學院，湖南 長沙 410081)

0 引言

隨著經濟一體化程度越來越高、投資者越來越成熟，大類資產市場之間不再是分割的個體，而是聯系越來越緊密，相互之間的影響越來越密切，風險的傳染也越來越迅速。國際上關于金融市場互動關系的研究文獻，多數是以歐美主要股市為研究對象(Koutmos and Booth[1]；Fratzscher[2]；Bodart and Candelon[3])，后來擴展到對于匯市之間、債券市場間聯動關系的研究(Hong[4]；Inagaki[5])，研究結論表明國際主要股市間存在明顯的溢出效應，可以稱之為金融傳染(Forbes and Rigobon[6])。國內學者方面，大部分研究同樣集中在對股市信息溢出的研究(馮旭南和徐宗宇[7])以及滬深股市與香港或美國股市之間的信息溢出機制(李紅權、洪永淼和汪壽陽[8]；劉磊和王宇[9])，還有學者研究了股市內部行業間的信息溢出情況(黃瑋強、莊新田和姚爽)[10]，也有學者對股市與債市之間的信息溢出(徐信喆、楊朝軍和陳強)[11]、國際石油價格對股市的信息溢出(宋科艷)[12]、人民幣匯率市場對股市的信息溢出(陳云)[13]進行了研究。還有一些文獻研究了其他市場間的信息溢出情況，如劉向麗等[14]分析了商品期、現貨兩個市場間的信息溢出效應；陸鳳彬和洪永淼[15]研究了上海期貨交易所(SHFE)和倫敦金屬交易所(LME)銅期貨市場間信息溢出的時變特征；羅榮華和門明[16]建立基于t分布的VECM-MVGARCH-BEKK模型研究了股指期貨和現貨市場的信息溢出效應；鄧宏亮和黃太洋[17]采用線性及非線性Granger因果檢驗方法研究了我國糧食期貨市場價格與匯率之間不同階段的信息傳遞溢出；黃文彬和李海栗[18]分析了全球主要碳金融工具的信息溢出效應；張海亮和饒永恒[19]運用信息溢出檢驗方法(Hong方法)詳細分析了我國稀有金屬現貨市場內各品種間的信息溢出效應及國內外稀有金屬現貨市場間的信息溢出效應。

常見的用于檢驗信息溢出的方法有線性或非線性Granger因果檢驗、多元GARCH模型、CoVaR等。而Diebold和Yilmaz[20]基于向量自回歸模型中傳統正交方差分解方法提出的總體溢出指數，能夠更直觀地描述多個市場間的總體溢出方向和大小。但該方法同樣存在缺陷，其所依賴的Cholesky分解方法的結果會受到變量次序的影響。因此Diebold和Yilmaz[21]對該方法進行改進，在廣義預測誤差方差分解的基礎上構建更具有普遍性的溢出指數，消除了由于變量排序不同造成的結果差異問題。Barunik et al.[22]對Diebold和Yilmaz的模型進行了改進，采用高頻數據區分出正向波動和負向波動，從而考察了美國股市上波動溢出的非對稱性。隨后該方法被引入國內，大量學者采用該方法對不同金融市場之間的信息溢出進行了研究。梁琪、李政和郝項超[23]采用溢出指數方法研究了全球17個國家或地區的股票市場的聯動，測度了中國股市信息溢出的方向、水平和動態趨勢；李政、梁琪和涂曉楓[24]構建了我國上市金融機構之間的關聯網絡，通過網絡分析法解構了金融網絡的總體關聯性以及部門內和部門間的關聯特征；歐陽紅兵和汪清梅[25]基于方差分解的網絡拓撲結構對我國13家主要上市銀行機構的股票波動率的關聯度進行了度量及分析；尹力博和吳優[27]采用廣義溢出指數法研究了離岸人民幣與中國周邊國家(地區)貨幣的溢出效應及其時變特征；徐曉光、廖文欣和鄭尊信[27]運用廣義溢出指數法對比分析了滬港通開通前后中國內地與中國香港股市行業間波動溢出效應的變化及其形成機理。

但是較少有學者將股票市場、期貨市場及債券市場綜合一起考慮，用廣義溢出指數法分析三個市場之間信息溢出的更為少見?？紤]到采用經濟周期或貨幣周期劃分的投資時鐘，可以有效的在大類資產之間進行輪動配置，從而獲得較為穩定的超額投資收益(周亮[28]；郜哲[29])，因此從信息溢出角度研究三個市場之間的內在傳導機制，具有較強的理論和現實意義。并且，目前國內對Diebold和Yilmaz方法進行研究的文獻，還很少有涉及到對正負波動溢出非對稱性的研究。因此，本文將借鑒Diebold和Yilmaz[21]提出的廣義溢出指數研究方法，通過基于方差分解的關聯性表及拓撲網絡來分析我國股票、期貨和債券三個市場間的收益率溢出和波動率溢出情況，并且通過將波動分為正向波動和負向波動，考察了波動溢出的非對稱性；同時考慮到2015年6月我國發生了舉世矚目的股災，不僅導致股市千股一再跌停，同時風險也向其他資產市場擴散，因此討論了股災發生前后6個月時間里三個市場的波動率溢出的變動情況，除了可以更好的利用廣義溢出指數分析三個市場的溢出機制外，也能為投資理論和實踐提供更充分的指導依據。

1 研究設計

1.1 大類資產關聯網絡的構建及特征刻畫

網狀拓撲結構主要指各節點通過傳輸線互相連接起來，并且每一個節點至少與其他兩個節點相連，主要應用在計算機領域，用網絡拓撲結構來描述大類資產之間的關聯網絡，可以很好的描述出大類資產之間的信息溢出機制。采用向量自回歸(VAR)模型來研究大類資產之間的關聯關系，向量自回歸模型是基于數據的統計特征，將系統中每一個內生變量作為系統中每一個內生變量的滯后值的函數來構造的模型，常用來預測相互聯系的時間序列系統及分析隨機擾動對變量系統的動態沖擊。方差分解給出的則是VAR模型中的變量產生影響的每個隨機擾動的相對重要性的信息，可以用方差分解將網絡拓撲分析中復雜的系數矩陣轉化為可反映系統關聯性的矩陣——關聯性表。根據Diebold and Yilmaz[21]的方法，選擇沖擊期為12期的方差分解可以測算出大類資產之間的關聯性表。略有不同的是，本文選取的是2010年1月至2017年12月的所有周數據進行測算，考慮到一年的交易周約為50周，因此形成期采用50期，而不是像Diebold and Yilmaz[21]采用的100期。具體的關聯性表構造如表1所示：

表1 拓撲網絡的關聯性表

1.2 樣本選擇及描述性分析

表2 三類資產收益率及波動率的描述性統計情況

表3報告了三類資產在整體樣本區間的收益率和波動率之間的相關系數?？梢钥吹剑找媛史矫妫善焙推谪浽?%的顯著性水平下存在著正相關關系，期貨與債券在5%的顯著性水平下存在著負相關關系，但是股票和債券之間卻沒有顯著的相關性；波動率方面，股票與債券在1%的顯著性水平下存在著正相關關系，期貨與債券之間也存在著顯著的正相關關系，但是股票和期貨之間的相關性卻不顯著。因此，綜合來看，三類資產之間的收益率或波動率之間存在著一定的相關關系。但是表3只是整體樣本區間的靜態分析，且只能簡單看出資產之間的兩兩相關性，無法判別相互之間的影響機制，因此下文將采用基于方差分解的網絡拓撲分析來研究資產之間的信息溢出機制。

表3 三類資產之間的收益率及波動率間的相關系數表

注：*、**、***分別表示在10%、5%、1%水平下顯著。

2 實證檢驗與結果分析

2.1 全樣本信息溢出分析

采用表1的方法研究樣本區間內三類資產之間的信息溢出機制，表4報告了相關研究結果?？梢钥吹?，無論是收益率還是波動率，三類資產均主要是受到自身的影響(從對角線上的數值大小看出)，綜合來看，股票對自身的影響最大，債券對自身的影響最小。收益率溢出方面，股票對其他資產的溢出值為28.6，而受到其他兩類資產的溢出影響為14.13，因此股票的凈溢出為14.47；期貨對其他兩類資產的溢出影響為23.67，但是受到其他兩類資產的溢出影響為25.96，凈溢出為-2.29；債券對其他兩類資產的溢出影響為16.48，受到其他兩類資產的溢出影響為28.67，凈溢出為-12.19；綜合來看，股票對其他兩類資產有收益率溢出影響，而期貨和債券則處于收益率的被溢出影響狀態。波動率溢出方面，股票的凈溢出為9.82，期貨的凈溢出為8.74，債券的凈溢出為-18.56，因此與收益率溢出有所不同，股票仍然對其他資產有波動率溢出影響，但是期貨也是處于波動率溢出狀態，只有債券處于被溢出狀態。因此，整體來看，股票對期貨和債券均有收益率溢出影響，而股票和期貨對債券均有波動率溢出影響。從整體溢出指數來看，收益率溢出的綜合值為22.92，波動率溢出的綜合值為20.82，相對于100的總體分值，綜合值均偏低，表明我國不同資本市場之間的相互影響相對來說并不是很大。

表4 全樣本信息溢出情況表

通過大類資產兩兩之間的溢出值大小，可以更清晰的看到資產之間的溢出情況，圖1報告了收益率溢出和波動率溢出的拓撲網絡圖?？梢钥吹?，在收益率溢出方面，股票對期貨有9.65的凈溢出，而對債券有4.82的凈溢出，期貨則對債券有7.37的凈溢出；波動率溢出的方向與收益率溢出相同，只是數值上有所差異，股票對期貨的凈溢出為6.06、對債券的凈溢出為3.76，而期貨對債券的凈溢出為14.79。因此可以看到，股票在三類資產中處于凈溢出狀態，而期貨則受到股票的溢出、以及對債券進行溢出，相對來說，股票對期貨市場的溢出比對債券市場的溢出更大，而期貨對債券市場的溢出比股票對債券市場的溢出更大，說明股票與期貨市場之間、期貨與債券市場之間的聯系相對更為緊密。

圖1 資產之間凈溢出拓撲網絡圖

2.2 信息溢出的時變特征分析

2.2.1 整體溢出時變特征

三個市場的整體溢出情況如圖2所示，可以看到，對于收益率整體溢出而言，2015年之前總體處于下降趨勢，但是在2015年之后逐漸上升；溢出值最大的是2012年的33.36，說明各資產之間的影響占到了整體影響的三分之一(33.36/100)左右，總體溢出較高，溢出值最小的是2015年的15.70，各資產之間的相互影響只占到整體影響的七分之一(15.70/100)左右，相對于2012年有了明顯下降，2017年整體收益率溢出又上升到了23.26，各資產之間的收益率溢出有進一步上升的趨勢。對于波動率整體溢出而言，2015年之前總體處于下降趨勢，這與收益率溢出相似，但是2016年波動率溢出雖然上升了，2017年卻下降了；波動率溢出的最大值出現在2011年的28.55，最小值出現在2015年的14.48。相對于收益率溢出而言，波動率溢出整體趨勢大體相似，但是數值略小。

圖2 大類資產整體溢出情況

2.2.2 各資產凈溢出時變特征

圖3報告了三類資產凈溢出的時序變動特征?？梢钥吹?，不同于整體溢出，各資產的收益率凈溢出與波動率凈溢出并不同步。股票的凈溢出方面，除了2011年波動率凈溢出為負之外，其他所有年份的收益率凈溢出和波動率凈溢出都為正，說明股票資產整體處于對其他資產有溢出影響的狀態；收益率凈溢出的最高值出現在2017年的31.01，最小值出現在2016年的0.88；波動率凈溢出的最高值出現在2014年的36.61，最小值出現在2011年的-7.69；總體而言，股票處于凈溢出狀態，且部分年份對其他資產的溢出影響效應很強。期貨的凈溢出方向則并不穩定，無論是收益率溢出還是波動率溢出，均是有正有負，說明期貨資產部分年份對其他兩類資產有凈溢出影響，部分年份則是受其他兩類資產的凈溢出影響。債券資產除了收益率溢出在2016年為正，其他年份的收益率溢出和波動率溢出均為負，且收益率溢出的最小值出現在2017年的-28.63，波動率溢出的最小值出現在2016年的-35.42，說明債券資產處于受其他兩類資產溢出影響的狀態，而且被溢出的程度還較高。

圖3 各類資產的凈溢出情況

2.2.3 資產間信息溢出時變特征

圖4報告了三類資產兩兩之間的信息溢出時變特征情況。可以看到，股票對期貨的信息溢出在大部分年份均為正，除了2014年的收益率溢出及2011年的波動率溢出，且收益率溢出的最大值為2012年的25.59，波動率溢出的最大值為2014年的21.38，說明股票對期貨的信息溢出較大。股票對債券的信息溢出在大部分年份均為正，除了2016年的收益率溢出及2012、2013年的波動率溢出，且收益率溢出的最大值為2017年的17.36，波動率溢出的最大值為2014年的15.24，相對于股票對期貨的信息溢出值而言，股票對債券的信息溢出相對較弱。期貨對債券的信息溢出大部分年份為正，除了2014年的收益率溢出和2017年的波動率溢出，且收益率溢出的最大值為2011年的26.65，波動率溢出的最大值為2012年的34.89，均要大于股票對期貨的信息溢出，說明期貨對債券的信息溢出是所有資產間溢出最大的。

圖4 資產間的信息溢出

2.3 基于GARCH波動率和已實現波動率(RV)的穩健性檢驗

表5 GARCH波動率和RV波動率的信息溢出情況表

圖5 資產之間GARCH波動率和RV波動率溢出拓撲網絡圖

圖6 GARCH波動率和RV波動率溢出時變特征

2.4 波動率溢出的非對稱性檢驗

考慮到波動率溢出可能存在著非對稱性(Barunik et al.[22])，即正向波動溢出跟負向波動溢出可能存在著差異，因此通過采用高頻數據來區分正向波動和負向波動，從而考察大類資產間波動溢出的非對稱性。正向波動的計算公式為

負向波動的計算公式為

分別計算出股票、期貨和債券三個序列的正負向波動序列，并采用Diebold and Yilmaz方法分別計算出正負波動溢出情況，結果如表6和圖7所示。從表6可以看到，整體來看，正向波動溢出要比負向波動溢出高：正向波動總溢出值為21.92，高于負向波動總溢出值的18.78；股票、期貨和債券正向波動凈溢出分別為31.54、19.15和15.08，均要高于負向波動凈溢出的25.45、18.21和12.67；股票、期貨和債券正向波動接受溢出值分別為16.40、24.44和24.93，均要高于負向波動接受溢出值的14.64、19.27和22.43。從圖7正負向波動總溢出值的走勢圖來看，除2012年外，正向波動溢出均高于負向波動溢出，但是經檢驗，兩個序列配對檢驗T值為1.11，在5%水平上并不顯著。因此綜合來看，大類資產間正向波動的溢出要略高于負向波動的溢出。這與Barunik et al.等學者的研究結論有差異，大多數學者研究均指出負向波動的溢出會高于正向波動，這是由于羊群效應更容易導致危機擴散。但是考慮到本文研究的是國內的大類資產市場，受到共同的貨幣環境、經濟政策等影響，在貨幣寬松時期，更容易出現共同上漲現象；但是由于國內金融工具不如發達市場多元，在某個市場發生危機時，為了資產分散化需要，在其他市場的資產配置可能受到的影響更小，從而才導致了負向波動溢出值更小。

表6 正負向波動的信息溢出情況表

圖7 正負向波動溢出時變特征

2.5 進一步討論：股災對資產間信息溢出的影響

2015年6月我國股市發生了舉世矚目的股災，不僅傳染到了國際股市，而且對我國期貨和債券市場也產生了一定影響。通過信息溢出機制可以較好的反映出股災前后我國大類資產之間的風險傳染情況，選取股災前后一共6個月的時間，采用50周的滾動時間窗口計算這6個月內每周的波動溢出狀況，如2015年6月19日當周的波動溢出采用2014年7月4日至2015年6月19日的數據計算，依次類推。圖8報告了三類資產在股災前后的波動率凈溢出情況。可以看到，股票市場一直處于波動凈溢出狀態，但是在股災發生前凈溢出逐漸降低，但是在7月10日當周突然增大。這里需要說明的是，股票市場凈溢出突然增大之所以不是股災發生的6月末，主要原因有兩點：一是廣義方差分解法采用的是50周的滾動時間窗口數據，雖然近期的數據影響更大，但是也會受到遠期數據的影響，因此會導致結果存在一定的時滯；二是股災雖然發生在6月末，但是恐慌情緒往其他市場傳染存在時滯，如期貨市場在6月份并沒有出現下跌，在7月10日當周卻出現了4%以上的下挫。因此可以看出，股票市場的風險在發生股災之后向期貨市場進行了擴散，而從圖8可以看到，債券市場在股災期間的風險溢出并沒有擴大，反而從股災前的被溢出狀態轉變為微弱的凈溢出狀態。圖9對資產間兩兩之間的溢出關系進行了詳細說明，可以更清晰的看到，股災期間股票市場對期貨市場產生了極大的風險溢出，且在股災之后的溢出水平比股災之前均有所提高；但是債券市場的被溢出狀態卻一直處于下降，股災之后甚至對股票市場從被溢出變成了凈溢出。因此，綜合來看，在股災等極端風險發生時，股市的風險更容易向期貨市場傳染，而債券市場卻相對更為穩定，不容易被極端風險感染。這是由于我國資本市場上股市和期貨市場的投機氛圍更重，股市和期貨市場上散戶投資者參與甚眾，當一個市場因極端事件發生暴跌時，另一個市場也容易因羊群效應而出現踩踏；而債券市場主要是銀行間市場，外部監管和內部風控更嚴格，且我國債市由于政府隱性擔保，因此總體波動極小，相對來說也更為穩定。

圖8 三類資產在2015年股災前后的波動率凈溢出時變特征圖

圖9 股災前后資產間的波動率溢出時變特征圖

3 研究結論與政策建議

根據Diebold和Yilmaz[21]提出的廣義溢出指數研究方法，對2011年至2017年我國股票市場、期貨市場及債券市場的周收益率和周波動率數據進行分析，以探討三個市場之間的信息溢出機制，結果發現：收益率溢出方面，股票對其他兩類資產有溢出影響，而期貨和債券則處于被溢出的狀態；波動率溢出方面，股票和期貨均處于溢出狀態，只有債券的處于被溢出狀態；從整體溢出指數來看，收益率溢出的綜合值為22.92，波動率溢出的綜合值為20.82，相對于100的總體分值，綜合值均偏低，表明我國不同資本市場之間的相互影響相對來說較??；從時變特征上也能看出相同的狀況，股票在所有年份里的收益率凈溢出和波動率凈溢出大多為正，期貨則時正時負，債券則大多為負，表明股票大多數情況處于溢出狀態，期貨方向并不明確，而債券則大多數情況處于被溢出狀態；通過對正負向波動溢出情況進行對比分析波動溢出的非對稱性，結果發現正向波動溢出整體來看要高于負向波動的溢出，但是在統計上并不顯著。對2015年6月股災前后三個市場的波動率溢出分析后可以發現，在股災等極端風險發生時，股市的風險更容易向期貨市場傳染，而債券市場相對更為穩定，不容易被極端風險感染。本文的研究很好的將其他學者對資本市場信息溢出的結論和方法擴展到了更大范圍的大類資產，同時對波動溢出的非對稱性進行了探討，這也是本文的創新之處。

本文的研究具有一定的理論和現實意義，對于投資者和監管層也提供了很好的政策依據：第一，我國股票市場和期貨市場的聯動更為緊密，而且更多的是股票市場對期貨市場的傳染，因此對于期貨市場投資者而言，除了加強對期貨市場本身的研究之外，需要對股市也保持足夠的關注，對于監管層而言，則應該在股市發生風險時，即時出臺政策，防止期貨市場也出現過度的反應；第二，債券市場雖然整體而言處于被溢出狀態，相對于股票和期貨市場，更容易受到其他市場的影響，但是通過對股災期間波動率溢出的分析，可以看到，在其他市場極端風險發生時，債券市場反而會從被溢出狀態轉變為溢出狀態，因此應該加大債券市場建設的力度，同時加強投資者教育，吸引更多的投資者進行債券市場的投資，而不是只關注更高風險的股票和期貨市場；第三，本文的研究驗證了各資產市場之間的聯動性，因此通過識別周期拐點進行大類資產配置是合適的，正像很多學者所證明的，投資的絕大部分收益來自于資產配置，而不是擇時或選股，因此對于機構投資者而言，應該大力加強資產輪動配置的研究，在降低投資風險的同時也能夠有效擴大投資收益。