貿易摩擦狀態下股市與債市風險溢出的結構性變化研究

陳守東， 李云浩

(吉林大學 商學院， 吉林 長春 130012)

金融市場是一個多變的復雜系統，在這個系統中也存在著傳導效應。我們經常可以看到一些原本相關性不高的金融市場或金融資產在其中一方發生風險事件出現較大回撤時，其他原本不相關的市場也會出現較大波動和回撤，對于這種風險傳導效應，我們稱之為風險溢出。在資本市場中，金融風險沖擊很可能對市場產生較大影響，準確地度量和預測金融風險溢出是金融風險管理和防范工作的前提和基礎。股票市場和債券市場是金融市場的重要組成部分，是進行風險管理和資產配置的主要品種，預測股票市場與債券市場之間的傳導機制和極端風險溢出關系，對于金融風險管理和金融風險防范工作有著重要意義。如今中美貿易摩擦進入正面對抗新時期(1)楊枝煌、楊南龍：《1949—2019年中美經貿關系基本圖景及未來展望》，《河北經貿大學學報》2020年第2期。，外部不確定性風險因素增加，內部潛在經濟增速下降，經濟發展由高速增長期進入增速換擋期(2)孫懷宇、張捷：《潛在經濟增速下降中的債務收縮——基于金融加速器的視角》，《湖北大學學報》(哲學社會科學版)2015年第1期。，且我國經濟正處于供給側改革的新時期，在當前背景下研究中美國際貿易戰摩擦下的風險溢出和政策協調問題十分必要(3)王宏濤、曾晶晶等：《中美貿易摩擦背景下貨幣政策對資產價格的溢出效應研究》，《財經縱橫》2020年第19期。。本文將從極端風險角度出發，考察中美貿易摩擦是否顯著改變了原本中美各自股票市場和債券市場之間風險溢出關系，并從投資組合平衡理論機制和行為經濟學理論機制解釋導致股市與債市風險溢出結構變化的原因，為防范和化解我國資本市場系統性金融風險提出建議。本文的貢獻在于通過MVMQ-CAViaR方法提供了對于資本市場的極端風險溢出問題研究的風險測度，解決了現有大多數文獻在分析極端風險溢出問題時對資產收益率呈現尖峰肥尾和存在時變特征時測度有效性不佳的問題，并基于此方法分析中美貿易摩擦新形勢下股票市場與債券市場極端風險溢出的結構性變化。

一、研究綜述

金融風險溢出的現象有其內在的理論依據和經濟基礎，關于金融風險存在傳導現象的解釋有很多種，一種從經濟活動角度研究的理論認為金融市場和金融機構之間存在著復雜業務往來，如果情況嚴重導致某一方不能兌付或發生違約則會對對手方造成經濟損失，嚴重的會導致另一方面臨倒閉的風險，這種鏈式反應不斷傳遞，進而會引發整個金融體系發生大范圍的風險事件(4)P.Alagidede，T.Panagiotidis，et al.，“Causal Relationship between Stock Prices and Exchange Rates”，The Journal of International Trade & Economic Development，Vol.20，No.1，2011.。另一種是從金融市場的資金流動性角度，認為當市場出現較大風險事件，市場流動性出現不足時，原本不受該風險事件影響的金融資產也會受到影響。隨著金融市場的發展，公募基金發展迅速，特別是ETF開放式基金，當市場出現重大金融風險事件時，投資者出現大規模贖回的情況，基金公司為了兌付資金不得不變賣現有資產，當與風險事件相關資產的價格已經很低的時候便會考慮變賣其他不相關資產，這就導致原本不相關的金融標的或金融資產同樣受到風險事件的沖擊，金融衍生品的保證金制度在發生極端風險事件時同樣會導致這種情況發生。

股票市場和債券市場作為兩個重要的資產配置市場，股市與債市之間的風險溢出關系對于資產配置和市場風險管理具有重要影響。如果股市與債市之間不存在風險溢出關系甚至他們之間存在負相關的關系，對股市與債市多元配置可以優化資產組合；當兩者之間的關系是正相關，存在風險溢出關系時，分散投資就無法起到分散風險特別是系統性風險的作用，因此，無論市場投資者還是學術界都十分關注兩者之間的關系(5)許祥云、廖佳等：《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》，《經濟評論》2014年第1期。。目前有很多種對于股市與債市風險傳導關系的研究理論，從資產組合配置的角度，假設當市場中投資于股票市場和債券市場的資金總量不發生較大變化時，股票和債券作為資本市場中兩個相互替代的金融資產，其市場價格理論上會呈現負相關，如果對股票市場的利好消息被披露，則會導致投資者將組合中的債券持倉換成股票持倉；如果披露的信息有利于債券，則投資者會趨于變賣股票頭寸持有債券(6)W.G.Dean，R.W.Faff，et al.，“Asymmetry in Return and Volatility Spillover between Equity and Bond Markets in Australia”， Pacific-Basin Finance Journal，Vol.18，No.3，2010.。但是資本市場是受到很多因素影響的，市場的資金總量也是不斷變化的，Goyenko等發現如果股票市場和債券市場的流動性發生同時收縮(7)R.Y.Goyenko，A.D.Ukhov，“Stock and Bond Market Liquidity：A Long-Run Empirical Analysis”， Journal of Financial and Quantitative Analysis，Vol.44，No.1，2009.，例如市場發生極端風險事件，投資者更傾向于持有現金時，股市與債市就會表現出正相關關系，出現因“Flight-to-Liquidity”效應導致的風險溢出現象，且貨幣政策可以顯著影響市場流動性，傳導的方式是通過債券市場傳導至股票市場。史永東等基于Joe-Clayton-Copula 模型通過2002—2009年間股票市場與債券市場的數據分析風險溢出效應，發現股票市場與債券市場聯動效應總體不顯著，認為隨著中國金融市場的發展，有更多的專業投資者進行優化資產配置的操作，使得股票市場與債券市場之間表現為“蹺蹺板”效應，客觀上避免了極端條件下系統性風險的相互傳染，有助于維護金融穩定(8)史永東、丁偉等：《市場互聯、風險溢出與金融穩定——基于股票市場與債券市場溢出效應分析的視角》，《金融研究》2013年第3期。。從行為經濟學理論的投資者情緒的角度分析，Andersen等從心理預期的角度解釋了風險傳導現象，認為當單個金融板塊或金融市場發生金融風險事件時，由于信息不對稱等因素，投資者會產生恐慌和失去信心并提前贖回或賣出其他資產以避免損失，保持自身的流動性，最終會對其他市場或投資標的造成嚴重沖擊，特別對于非專業投資者占比較高的我國資本市場，心理作用導致的“羊群效應”會表現得更突出(9)T.G.Andersen，T.Bollerslev，et al.，“Real-time Price Discovery in Global Stock，Bond and Foreign Exchange Markets”， Journal of International Economics，Vol.73，No.2，2007.。Connolly等通過對1986—2000年美國股票市場和債券市場的價格進行分析，研究了市場的不確定性對股市和債市之間的價格聯動關系，得到的結論是當市場不確定性較低時，股債之間的價格呈現正相關關系，在市場不確定性較高時，股債之間的價格呈現負相關(10)R.Connolly,C.Stivers,et al.，“Stock Market Uncertainty and the Stock-Bond Return Relation”，Journal of Financial & Quantitative Analysis，Vol.40，No.1，2005.。

在對股市與債市之間風險溢出關系的研究中，學者們使用的方法不盡相同，Christiansen等通過使用高頻數據研究發現，在西方國家，股票市場和債券市場的收益率之間的關系受預期通貨膨脹率的影響較為顯著，但非預期通貨膨脹率和真實利率對其相關性的影響并不顯著(11)C.Christiansen，A.Ranaldo，“Realized Bond-Stock Correlation：Macroeconomic Announcement Effects”， Finance Research Group Working Papers，Vol.27，No.5，2005.。Dean等通過雙變量GRACH模型的方法研究了澳大利亞股票市場與債券市場的風險溢出效應，研究結果發現，來自于股票市場的風險事件會對債券市場產生風險溢出效應，但如果一個風險事件來自于債券市場，債券市場對于股票市場的風險溢出則不那么顯著(12)W.G.Dean，R.W.Faff，et al.，“Asymmetry in Return and Volatility Spillover between Equity and Bond Markets in Australia”.。王茵田等對中國A股市場通過Fama-MacBeth兩步回歸法，發現回購利率和期限利差等債市指標對股市風險溢價的截面數據有顯著解釋能力(13)王茵田、朱英姿：《中國股票市場風險溢價研究》，《金融研究》2011年第7期。。陳學彬等基于多元多分位數MVMQ-CAViaR模型分析了中美股票市場和債券市場在不同市場狀態下的風險溢出關系，發現中國股票市場和債券市場在早期牛市和熊市中不存在顯著的風險溢出效應，但隨著金融改革的不斷深化，股票市場與債券市場的極端風險溢出效應有所增加；而美國的股票市場和債券市場相互關聯性較高，風險溢出效應明顯，而且對于不同信用等級的債券，股票市場的風險溢出程度也有所不同，其中企業債對于股票始終保持著風險溢出效應，國債與股票因“Flight-to-Quality”效應只在熊市階段才會發生風險溢出情況(14)陳學彬、曾裕峰：《中美股票市場和債券市場聯動效應的比較研究——基于尾部風險溢出的視角》，《經濟管理》2016年第7期。。

在上述研究中可以發現不同學者在對于股市與債市之間的風險溢出關系做研究時，由于研究目標所在的金融市場環境不同和樣本數據所選取的時間窗口不同等因素，股市與債市之間的風險溢出關系結構互有差異，即使對于同一金融市場環境，在不同的時間窗口中，由于所處的經濟周期和市場環境不同，股市與債市之間的風險溢出關系仍存在著結構性差異。風險溢出關系的結構性變化一直以來是資本市場系統性風險研究者和工作者關注的問題，陳守東等通過RTV-VAR模型分析了全球主要股票市場之間的多元聯動性，并用ICA-GARCH-GED模型分析不同地區股票市場之間的波動溢出效應，實證表明中國進入“新常態”以來，資本市場與世界股票市場的聯動性大大增加(15)陳守東、陳開璞：《全球主要股票市場與中國股票市場的波動溢出效應研究》，《數量經濟研究》2018年第1期。。Chiang等對發達國家的股票市場和債券市場的動態關聯進行了研究，發現股票市場和債券市場之間的相關關系會受到市場違約事件和倫敦銀行同業拆借利率與國庫券利率的風險溢價所影響，股票市場與債券市場的相關關系，會以一種平滑過渡的方式隨時間而變化(16)T.Chiang，J.Li，et al.，“Dynamic Stock-bond Return Correlations and Financial Market Uncertainty”，Review of Quantitative Finance & Accounting，Vol.45，No.1，2015.。Jammazi等通過動態DCC-GARCH-copula模型對發達國家在過去20年來股票市場收益與長期政府債收益之間的相互關系進行分析，實證結果表明，對于大多數國家來說，股票與十年期政府債券收益之間的依存關系隨時間變化很大，特別是在20世紀90年代觀察到股票與債券之間存在正相關關系，而從21世紀初開始這種關系變為負相關，這支持了“Flight-to-Quality”效應理論(17)R.Jammazi，A.K.Tiwari，et al.，“Time-varying Dependence between Stock and Government Bond Returns：International Evidence with Dynamic Copulas”，North American Journal of Economics and Finance，Vol.33，No.6，2015.。Steeley通過對1984—2006年股票市場和債券市場價格之間的關系分析，得到的研究結果表明在亞洲金融危機前美國的股票與債券存在正向波動溢出效應，在金融危機后則變成了負向波動溢出狀態(18)J.M.Steeley，“Volatility Transmission between Stock and Bond Markets”，Journal of International Financial Markets，Institutions and Money，Vol.16，No.1，2006.。

上述國內外研究成果不僅表明股票市場與債券市場存在著相關聯系和風險溢出效應，而且股債之間的風險溢出關系會隨著時間或事件而發生變化。目前中美貿易摩擦進入了更深程度的階段，從美國對于華為和字節跳動等科技企業的調查和限制等手段中，可以預料到貿易對抗的態勢可能是長期的和持續的，股票與債券之間的風險溢出效應有可能也會因此發生變化。受本輪貿易摩擦影響相對嚴重的是中小型、科技型企業，這些企業發行的公司債較少，對于這些企業的影響大多會表現在股票市場，而對于債券市場的影響較小，所以對于此次貿易摩擦引起的股票市場與債券市場風險溢出的關系可能與以往不同，故需要通過實證分析去證實其是否發生了結構性變化。有效分析股市與債市風險溢出的結構性變化，不僅可以有針對性地制定貨幣政策進而更有效地防范化解金融系統性風險，而且對于當前在控制金融市場風險的前提下有效制定貿易摩擦的應對策略起著重要作用。本文則以此為出發點，對中美貿易摩擦進入新階段前后兩個時期股市與債市之間的尾部風險傳導進行對比，分析股市與債市之間的尾部風險溢出發生的結構性變化。在選擇模型時考慮到風險價值(VaR)是金融機構常用的市場風險的重要指標，Engle等提出了條件自回歸風險價值(CAViaR)模型，該模型使用自回歸過程去預測VaR隨時間的演變過程，但CAViaR模型只能度量單個市場或標的中單個分位點即特定水平下的金融風險，無法用于研究不同市場間的風險溢出效應(19)R.Engle,S.Manganelli，“CAViaR：Conditional Autoregressive Value at Risk by Regression Quantiles”，Journal of Business & Economic Statistics，Vol.22，No.4，2004.。Manganelli等對模型做了拓展，引入了可以對不同分位點進行分析的MQ-CAViaR模型，并且運用MQ-CAViaR 模型估計了自回歸條件峰度和偏度(20)S.Manganelli,H.White,et al.，“Modeling Autoregressive Conditional Skewness and Kurtosis with Multi-Quantile CAViaR ”，ECB Working Paper No.957，2008. Available at SSRN：https：ssrn.comabstract=1291165，2008.。2015年，為了分析多個金融機構受市場系統性風險沖擊的影響，White等將MQ-CAViaR模型進一步擴展成為多元多分位數的MVMQ-CAViaR模型，該模型將單方程的分位數回歸思想擴展到向量自回歸的結構化方程，能更直接和清晰地分析不同市場之間的尾部風險溢出效應(21)H.White，T.Kim,et al.，“VAR for VaR：Measuring Tail Dependence Using multivariate Regression Quantiles”，Journal of Econometrics，Vol.187，No.1，2015.。相比其他關于風險溢出的研究方法，MVMQ-CAViaR 模型的主要優勢是模型的半參數估計方法不需要假定收益率的分布，避免了關于分布的設定誤差；第二，引入自回歸項刻畫了尾部風險集聚性；第三，對極端風險采用分位數回歸方法，降低了異常值對模型造成的不穩定性，使得估計結果更加穩健(22)左月華、章茜等：《中國股指期、現貨市場極端風險溢出效應分析——基于高頻MVMQ-CAViaR模型的實證研究》，《武漢金融》2019年第7期。。因此，本文用MVMQ-CAViaR模型分析中美之間不同時期股票市場與債券市場的尾部風險溢出效應，并預測風險溢出路徑和程度，為管理和緩釋資本市場系統性風險提供建議。

二、計量模型與方法

(一)MVMQ-CAViaR模型與估計

MVMQ-CAViaR主要分析不同資產之間的尾部風險溢出關系，該模型可以理解為向量自回歸(VAR)模型在分位數指標上的擴展模型，將分位數回歸思想擴展到向量自回歸的結構化方程，可以更直觀清晰地分析互聯市場的尾部風險溢出效應，模型的構建過程、參數估計和檢驗方法在下文中會逐步展開。

1.模型形式

(2.1)

記Yi，t在條件Ft-1上的θi，j分位數為qi，j，t，即

qi，j，t=inf{y：Fi，t(y)…θi，j|Ft-1}

(2.2)

可以發現qi，j，t表示第i個變量在t時刻1-θi，j置信水平的風險價值VaR，故qi，j，t表示第i個變量在t時刻的風險。

(2.3)

2.模型的QMLE估計

關于MVMQ-CAViaR的模型式(2.3)的估計，可通過Koenker等提出的一般線性分位點回歸模型的估計方法(25)R.Koenker,J.Machado,“Goodness of Fit and Related Inference Processes for Quantile Regression”，Journal of the American Statistical Association，Vol.94，No.448，1999.來估計，White 等(26)H.White，T.Kim，et al.，“VAR for VaR：Measuring Tail Dependence Using Multivariate Regression Quantiles”.進一步地應用到多元情況，采用偽極大似然估計的方法去得到參數估計，首先令α*′ij=(β*′ij，γ*′ij)，接著構造如下方程：

(2.4)

其中

(2.5)

(二)本文實證模型形式MVMQ-CAViaR(1，1)

1.模型選擇

考慮到模型的解釋性和模型參數估計的準確性和復雜性以及過度擬合等因素，國內外學者在使用MVMQ-CAViaR進行建模時大多采用含有滯后一期信息的單分位數MVMQ-CAViaR(1，1)模型進行分析。本文中我們考慮兩個變量之間的風險溢出，觀察兩個隨機變量Y1和Y2。其中Y1，t表示一個國家的股票市場收益率，Y2表示一個國家的債券市場收益率。關于Yt的一個可能的數據生成過程，表示如下：

(2.6)

其中αt、βt和γt是Ft可測量的，εt的每個元素(ε1t，ε2t)′都是服從標準正態分布N(0，1)，且相互獨立同分布i.i.d..公式(2.6)中的三角形結構合理的限制了較大的風險沖擊事件造成的影響，即某個資產的收益沖擊可以直接影響另一個特定資產收益，但另一個特定資產的沖擊沒有直接影響該資產的收益。

關于分位數θ的MVMQ-CAViaR(1，1)表現形式如下：

(2.7)

(2.8)

在方程(2.8)中可以明顯發現qt，Yt-1，c是二維向量，A和B是2×2矩陣。

2.模型的脈沖分析

其中

和

接著我們可以證明偽脈沖響應函數的緊湊表示形式如下：

對于s>1，矩陣Gs解析計算結果為

Gs=?(B(s-1)ADt)?α′

三、股債風險傳導效應的實證分析

(一)樣本數據的選取

在對中國資本市場進行分析時，本文選取相對能代表中國A股走勢的滬深300指數作為中國股票市場的基準指數；選取中國全債(凈價)指數代表中國總債指數，該指數的樣本由銀行間市場和滬深交易所的國債、金融債及企業債組成，可以全面地反映我國債券市場的整體波動；選取上證國債指數和上證企業債指數來代表國債指數和企業債指數，以上數據均來自于wind數據庫。在對美國資本市場進行分析時，本文選取標普500指數作為美國市場的基準指數，選取由巴克萊銀行編制的債券指數系列中的美國總債券指數、國債指數和企業債指數作為美國債券市場的基準指數，數據來源于Bloomberg數據庫。對于以上中國市場和美國市場的數據，樣本選取時間段為2005 年1月1日至2020年 2月23日，并將全樣本數據分為樣本內和樣本外兩個數據樣本，最后500個數據作為樣本外數據進行回測檢驗。

楊枝煌等(28)楊枝煌、楊南龍：《1949—2019年中美經貿關系基本圖景及未來展望》。將中美貿易關系分為六個階段，其中本輪中美貿易摩擦開始至今為中美經濟關系的第六個階段——中美經貿關系的正面對抗階段。與前五個階段相比，本輪中美貿易摩擦程度之深，范圍之廣，都達到了自1979年中美貿易關系正常化之后從未有過的程度。本次中美貿易摩擦的起始標志性事件是2018年3月23日特朗普簽署備忘錄，擬對中國的500億美元對美出口商品加征25%關稅，并限制中國企業對美投資并購，并在隨后一段時間不斷出臺新的貿易對抗升級政策。為了更清晰地分析中美貿易摩擦對于中美市場股票和債券在不同市態下的風險聯動特征，將樣本數據按貿易摩擦前后兩個時間段進行劃分，以2005 年1月1日至2018年3月24日作為中美貿易摩擦前階段；以2018年3月24日至2020年 2月23日作為中美貿易摩擦階段。

本文取各市場指數的收盤價對數一階差分來計算每日的指數收益，計算公式如下：

上式中pt為市場中對應指數每日收盤價格。

(二)模型的估計結果

在中美貿易摩擦前階段，剔除最后500個交易日后的這段時間作為模型的樣本內數據，通過建立股票市場與債券市場的模型，根據模型計算得到各資產的1%分位的風險價值VaR，具體數據如下：

1.樣本內模型估計結果

首先觀察中美股票市場與債券市場的尾部風險VaR。根據歷史數據計算得到的VaR結果可以初步發現在測試的樣本期間內中國市場和美國市場存在幾個共同點。首先是股票市場和債券市場波動率和VaR指標都表現出一定的聚集效應，特別是股票市場收益率的波動情況與VaR指標很少發生跳躍，這與學術界普遍對于市場波動率和市場風險存在聚集效應的論證相一致。其次，當股票市場出現劇烈波動，風險價值VaR較高時，債券市場無論是國債總債還是企業債同樣會出現較大波動，對應的風險價值VaR值也會增加，特別是在2008年全球金融危機和2015年5月中國資本市場劇烈波動期間，股票市場和債券市場表現出一定的同步性。為了更好地分析股票市場與債券市場的風險同步性程度，接下來本文將通過MVMQ-CAViaR模型計算得到的參數值以及參數顯著性進一步分析中美股債市場之間的風險溢出關系。

表1表現的是在貿易摩擦開始前，中國資本市場中滬深300分別與中國總債券在1%分位數水平下模型參數結果，從表中可以發現在中國資本市場中，滬深300和中國總債券指數表現風險價值與自身前期的市場沖擊相關性顯著，且與前期風險價值的自相關程度指標的顯著度也很高；股債相互之間的風險溢出指標的顯著度也很高，幾乎所有參數都在1%水平下顯著。另有滬深300與中國國債和中國企業債之間同樣也表現出了較強的風險價值對于市場沖擊和自身風險價值的自相關性。股票市場對于債券市場的風險溢出指標也都很顯著，且相較于債券市場對股票市場的風險溢出顯著性更強。通過以上結果我們可以發現中國資本市場在貿易摩擦開始前，股票市場和債券市場各自在尾部風險表現出較強的自相關性且受自身的市場沖擊影響較大，股債之間有一定的尾部風險溢出關系，尤其對于中國總債券指標表現得更明顯。從各參數的正負號中可以發現，在市場波動對于尾部風險的關系參數中，無論是對于自身的風險溢出還是對于另外一個市場的風險溢出，得到的結果都是負號，這表示當市場波動較大時，相應的尾部風險損失也會更大，這符合基本的理論預期；在滯后一期的尾部風險對于當期尾部風險的參數中，市場尾部風險對于自身的影響參數符號為正，說明市場尾部風險對于自身呈現正向風險溢出，這個結果一方面符合市場風險存在集聚效應的理論預期，另一方面由于在計算風險價值VaR時采用的是歷史數據法，這種算法得到的VaR指標受“鬼影”效應影響，一個極端值會影響之后較長一段時間的VaR值，導致VaR指標出現一定的自相關性。結果中一個市場的尾部風險情況對于另一市場的尾部風險溢出符號為負號，說明該市場前一期的尾部風險溢出情況對于當期其他市場呈現負向風險溢出，反映了一定的“Flight-to-Quality”效應，這一點與波動率的交叉影響不同，說明在這種情況下，一個資產的尾部風險溢出受另外一個資產波動率的影響較大，在監控和控制尾部風險時，相對于其他資產的尾部風險情況，應當更加關注其他資產的波動水平。

(表1) 滬深300與中國總債券

表2顯示的是在貿易摩擦開始前，美國資本市場中標普500與美國總債券在1%分位數水平下模型參數結果。從標普500與美國總債券、美國國債和美國企業債之間的計算結果中可以發現在美國的資本市場中，美國的股票市場與債券市場也存在著個別風險溢出關系，其中標普500對于美國國債指數的風險溢出效應相對更顯著。在觀察各參數的正負號時，可以發現與中國市場有很多相似之處。比如波動率對于自身和其他市場尾部風險的符號為負數，說明波動越大對其自身和其他市場造成的尾部風險也越大。結果中的自身的尾部風險VaR值同樣呈現自相關性，但值得注意的是與中國市場不同，美國市場中的尾部風險對于其他市場尾部風險的指標值多數為正數，說明在美國市場中極端尾部風險交叉風險為正向溢出，并未出現中國市場中的“Flight-to-Quality”現象，主要原因是自從2008年美國次貸危機以來，美國政府連續使用量化寬松的貨幣政策，對資本市場流動性進行干預，導致股票市場與債券市場更多時候表現的是“Flight-to-Liquidity”現象，尾部風險會與波動率疊加對另一市場的尾部風險產生影響，但從指標的顯著度看，尾部風險正向風險溢出的顯著度不高，影響有限。總體上在樣本內期間，從模型計算得到的參數指標的顯著程度發現，美國的資本市場股票與債券的風險溢出關系沒有中國市場的顯著。

(表2) 標普500與美國總債券

2.樣本外模型估計結果

為了對模型進行穩健性檢驗測試，我們根據模型參數對樣本外2015年12月至2018年3月這段時間的數據進行計算，得到各配對模型對于相應指數的樣本外預測風險價值VaR指標，從中發現，對于中國資本市場和美國資本市場的樣本外數據，數據中日收益率波動超過預測風險價值的次數較少，基本符合模型預期。為了進一步驗證模型對于樣本外數據的適用性，本文對于模型的樣本外結果分別進行了Kupiec似然比檢驗和動態分位數(DQ)檢驗，具體檢驗結果如下表(3)所示：

(表3) 樣本外風險溢出模型檢驗結果

在表3的樣本外數據檢驗結果中，中國和美國在Kupiec檢驗的結果顯示幾乎所有關于股票市場與債券市場的風險溢出模型都通過了檢驗，說明模型對于各指數的尾部風險有較好的預測能力，對風險管理和控制可以起到較好的指導作用。另一方面，動態分位數DQ檢驗的結果部分指標都不顯著，說明模型對于這些指數不僅有較準確的尾部風險預測能力，而且尾部風險的超出事件不存在自相關性。對于其他幾組結果，雖然模型都通過了Kupiec檢驗，但DQ統計量顯示拒絕了原假設，說明這些指數超出模型風險價值的情況在時間上存在自相關性，即有可能在一段時間連續出現超出模型給出的風險價值的尾部風險事件。總體來看，模型對于樣本外數據的尾部風險有較好的預測能力，為了進一步更直觀對比樣本內外風險溢出模型對于風險價值預測有效性，我們統計了各資產收益波動超過1%的風險價值次數的頻率，對于樣本內數據，資產波動超過1%風險價值VaR的平均頻率為1.007%，非常接近于1%與預期相符，而且標準差較低，預測比較準確；對于樣本外數據，資產波動超過1%風險價值的平均頻率為1.25%，同樣比較接近于1%，說明模型對于樣本外有一定的預測能力，可見模型對于多數樣本外數據仍然有較好的解釋力度，對風險預警和管理起到積極作用。

3.脈沖響應分析

本小節我們通過脈沖響應分析的方法，來分析當股票市場或債券市場受到某個風險事件影響，市場行情受到較大擾動時，該事件對于其他市場的沖擊過程和沖擊響應時間等。在計算中，我們對模型中的一個市場的初始狀態給與兩倍標準差的沖擊，并根據模型中的參數，計算在未來的一段時間里，該沖擊是如何對這個市場本身產生影響的，以及對于其他市場的影響大小和影響過程。

從圖1和圖2中可以發現，從脈沖響應的方向看，當一個市場受到擾動時，擾動會給自身和其他市場帶來負面的尾部沖擊，且無論是在中國還是在美國，股票市場受擾動的影響要大于債券市場，這個結果符合股票與債券的兩種資產類別的風險性質。對于股票市場，雖然中國的股票市場受自身風險事件沖擊的影響與美國的股票市場受自身風險事件沖擊的影響相差不大甚至更小，但是脈沖對于中國股票市場的影響時間要長于美國市場，從圖中的結果看中國股票市場平均需要30—40天，甚至40天以上的時間去消化脈沖所帶來的影響，而美國股票市場一般只需要10—20天去消化沖擊所帶來的影響，這個結論與彭選華運用SV-M-t模型對中美股票市場波動率的記憶特征進行分析時得到的結論一致，即國內市場在受到國際重大政治經濟事件沖擊時，自我修復能力不如國外的股票市場成熟(29)彭選華：《基于DCC-Copula-SV-M-t模型的股市系統性風險溢出分析》，《數理統計與管理》2019年第5期。。這一定程度上與美國的股票市場發展更成熟更完備以及美國資本市場的投資者專業化程度更高有關。在美國的股票市場，投資者不僅可以進行當天買入當天賣出的T+0交易，還可以對于個股進行融券賣空以及通過個股期權對股票進行做空交易，而這些在中國的股票市場目前都是做不到的，這些交易機制上的差異也導致了中國股票市場對于合理價格的調整需要更長的時間周期。程崇禎等(30)程崇禎、章婷：《CAPM在我國的適用性探討》，《湖北大學學報》(哲學社會科學版)2005年第1期。提到中國股票市場以個人投資者為主體，缺少專業方面的知識，投資理念以投機聽消息為主，這些也導致了中國股票市場面對市場沖擊時與發達國家相比恢復能力較弱。對于債券市場，可以發現中國和美國的債券市場對于自身或股票市場的風險事件帶來的沖擊所需要的消化時間基本相同，都在10—20天左右，中國債券市場對于資產波動引起的風險溢出所需消化的時間明顯少于股票市場，主要因為中國的債券市場主要由機構專業投資者參與，非專業投資者參與較少，所以對于資產定價相對更準確更迅速。綜上，相比美國股票市場，中國股票市場發展成熟度和完備性不足，市場參與者中非專業投資者占比較大，導致對于股票市場的脈沖引起的風險溢出影響的消化時間要長于美國。但是在債券市場，中國債券市場主要由機構投資者參與，對于脈沖的消化時間基本上與美國債券市場相差不大。

(圖1) 中國市場模型脈沖響應分析

(圖2) 美國市場模型脈沖響應分析

(三)在貿易摩擦期間數據分析

1.模型估計結果

從2018年3月開始中美貿易摩擦進入新階段，在貿易對抗事件不斷升級，雙邊貿易受到嚴重影響的背景下，金融風險事件發生的頻率和幅度大幅上升，特別是股票市場，滬深300指數受到了嚴重沖擊，在2018年全年跌幅接近30%。為了分析模型在貿易摩擦期間的表現情況，根據這段時間數據建立資產之間的風險溢出模型計算得到各資產的1%VaR，從中可以發現，中國股票市場在2018年5月和2018年10月以及2019年5月由于中美貿易沖突升級出現了較大波動，2020年2月中國股票市場出現劇烈波動主要是受COVID-19病毒疫情影響，在這段時間模型計算的關于中國股票市場的尾部風險指標VaR的絕對值也相應地增加，但中國總債券指數和中國國債指數的市場價格并未出現較大波動，風險價值也未出現擴大的情況，只有企業債指數與股票市場存在一定同步性。對于美國股票市場，標普500指數的預測風險價值似乎與美國總債券指數的預測風險價值呈現反向趨勢，標普500指數與美國國債指數之間沒有發現明顯的關系，標普500指數與美國企業債指數表現出一定同步性。為了明確股票市場與債券市場是否存在顯著的關聯，需要對模型中具體參數作進一步分析。

(表4) 滬深300與中國總債券

(表5) 標普500與美國總債券

根據貿易摩擦期間數據得到的參數顯著性結果發現，貿易摩擦期間在中國股票市場對債券市場無論是中國總債券指數、國債指數還是企業債指數都未產生顯著的風險溢出影響，中國國債指數和中國企業債指數的波動雖然仍然對中國股票市場有顯著的風險溢出效應，但不如貿易摩擦前影響顯著。總體來看，股票市場與債券市場之間的風險傳導關系呈現單方向的風險溢出傳導狀態。對于美國市場，同樣表現出股票市場與債券市場之間的相互關聯弱化的情況，在債券市場中，僅美國總債券指數對于標普500指數存在風險溢出影響，其他債券指數并未表現出對于股票市場明顯的風險溢出影響，此外，與中國資本市場相同，美國的股票市場并未表現出顯著的對于債券市場存在風險溢出的現象。以上結果說明中美之間的貿易摩擦期間，雖然股票市場由于受到貿易摩擦事件的影響產生劇烈波動，但股票市場的尾部風險增加并未導致債券市場的尾部風險提高。造成這種情況的原因有幾個方面：從貿易摩擦的影響機制角度出發，受本輪貿易摩擦影響相對更嚴重的是中小型企業，對中小型上市公司的沖擊也相對較大，導致股票市場下跌，這些中小企業發行企業債的數量較少，所以對于企業債券以及整個債券市場的沖擊不大。從資本流動的角度出發，在中美貿易摩擦發生之后，國際游資對于股票市場和債券市場的觀點發生了變化，原本作為金融工具的股票與債券，投資者對其考慮更多的是市場風險因素，但貿易摩擦開始后，不但要考慮市場風險因素，還要考慮政治風險等新的風險因素。由于各方面的不確定性，國際游資在股票市場和債券市場的活躍度下降，國際游資的減少使得資本流動性降低進而導致風險溢出發生的可能性和發生的幅度降低。從投資組合平衡理論角度出發，自從2018年三季度開始，由于受到貿易摩擦影響，大多數上市公司基本面臨財務狀況受到嚴重影響，在股票市場上市公司表現前景不佳的情況下，投資者更傾向于將原本投資于股票市場的資金轉而投向風險較低的債券市場，股票市場與債券市場呈現“Flight-to-Quality”效應，這使得股債之間的風險溢出效應有所減輕。從上述分析中可以發現，股票市場與債券市場的風險溢出結構由于受到市場環境的影響存在著結構不穩定性，因此在分析構建風險傳導模型時，需要對特殊事件進行考慮，增強模型的適用性和有效性。

2.脈沖響應分析

從貿易摩擦期間用模型建模得到的脈沖響應函數圖片(見圖3、圖4)來看，其與貿易摩擦前的脈沖響應函數圖片有很大的區別，貿易摩擦期間脈沖響應的預測區間更多是呈現擴散風險擴散的態勢，模型對于脈沖響應的預測能力減弱，說明當一個市場發生風險沖擊事件引起較大的價格波動時，使用模型預測其對于另一個市場造成的沖擊影響所得到的結果的準確性和穩定性不高，說明股市與債市之間的沖擊影響減弱，或許受到來自其他方面的政策影響較多，特別是對于美國市場，在幾組模型對于沖擊所造成的響應都呈現發散的形態。在中國市場的模型脈沖響應分析圖中，有幾組脈沖響應圖未出現發散的趨勢，在這幾組模型中可以發現一個市場所受到的脈沖對于另一個市場所造成的沖擊有限，且市場對于脈沖的消化速度較快，恢復所需時間較短。

四、結論與啟示

為了分析中美貿易摩擦對于中國和美國各自股票市場與債券市場之間的風險溢出情況是否發生結構性變化，本文將歷史數據根據中美貿易摩擦新時期的時間點分為兩段，首次通過多元分位數模型MVMQ-CAViaR模型作對比分析，并通過Kupiec似然比檢驗方法和動態分位數(DQ)檢驗方法對模型的預測能力進行了評估，得到的主要結論有：

(圖3) 中國市場模型脈沖響應分析

(圖4) 美國市場模型脈沖響應分析

(1)中國股票市場與債券市場相互之間的風險溢出指標顯著性較高，資產的波動率對于自身和另一資產都呈現正向風險溢出表現，尾部風險對于自身表現出正向風險溢出，但對于另一資產表現出負向溢出“Flight-to-Quality”效應，資產自身的波動對其自身的風險價值影響較大，存在一定的自相關性，相比之下美國的股票市場與債券市場雖然也存在著風險溢出的關系，且都表現為正向風險溢出，極端尾部風險表現的是“Flight-to-Liquidity”效應，但風險溢出關系沒有特別顯著。

(2)中國資本市場和美國資本市場在受到風險沖擊事件時，股票市場所產生的影響要大于債券市場，這與股票和債券兩類資產的性質有關，特別是對于中國股票市場，非專業投資者參與占比較高，受信息不對稱和非理性預期影響而產生“羊群”行為，進而會造成股票市場產生較大波動，故在發生突發的風險事件時，其對于股票市場可能會造成程度更深、時間更久的沖擊影響。

(3)在中美貿易摩擦期間，中國股票市場未對債券市場產生風險溢出影響，中國債券市場的波動雖然仍然對股票市場有比較顯著的風險溢出效應，但不如貿易摩擦前影響顯著，股票市場與債券市場呈現單方向的風險溢出傳導狀態，造成這種轉變的原因一方面是由于在貿易摩擦開始后，中國資本市場國際游資活躍度相對降低，市場流動性減弱，降低了風險溢出發生的程度。另一方面是投資者對于上市公司經營狀況缺乏信心，更傾向于將股票資產轉移到風險較低的債券資產，抵消了一部分對于債券資產的風險溢出。對于美國市場，同樣表現出債券市場對于股票市場單向風險溢出的狀態，而且影響程度相對貿易摩擦前有所下降。

(4)在中美貿易摩擦前，多元分位數模型MVMQ-CAViaR模型的各項參數指標的顯著性較高，可以有效地揭示各自股票市場與債券市場的聯動關系及風險溢出情況，模型的預測效果較好，但是在中美貿易摩擦期間，風險溢出模型參數的顯著性不高，說明貿易摩擦期間，中美雙方在股票市場與債券市場的聯動關系被破壞，風險溢出效應不明顯。股票市場與債券市場更多是受到自身的波動影響較大，傳統的股票市場與債券市場的關系受多因素影響不再顯著，這對于通過利用股票市場與債券市場的關系進行資產配置，提出了更大的挑戰。

從以上結論中可以發現，一方面，在當前處于貿易摩擦狀態的中美股票與債券市場之間的傳導關系受政策和市場預期等多重因素影響呈現不確定、不顯著的特征，需要尋找新方法和新途徑去發現股債之間其他的風險傳導規律，以便更好地進行資產配置降低風險。另一方面，由于在貿易摩擦期間股債風險傳導關系不顯著的狀態下，在面對系統性風險的防范工作時，建議更多著眼于股市或債市各自市場本身，在面對某個市場發生風險事件需要對其進行政策干預時，因為政策干預行動對另一市場產生的尾部風險溢出有限，故可以適當加大政策執行力度，做好系統性風險防范工作，維持金融系統穩健運行。