股票市場與公司債市場風險的相依和溢出研究
——基于重大突發公共事件的視角

徐楠芝，戴 芳，于海躍

(1.上海交通大學凱原法學院，上海 200030；2.西北政法大學經濟法學院，陜西 西安 710063；3.上海交通大學安泰經濟與管理學院，上海 200030)

一、問題的提出

股票市場和公司債市場作為上市公司重要的投融資渠道，兩者之間存在緊密的關聯，不僅體現在資產配置策略的變動方面，還體現在風險的關聯性和聯動性方面，具體表現為相依結構和溢出效應。近年來，受中美貿易摩擦、新冠肺炎疫情和俄烏沖突等重大突發公共事件的影響，經濟下行壓力加大，不確定性因素增多，導致股票市場急劇震蕩，股票價格波動較為劇烈，系統性金融風險不斷積聚和擴散，股票市場已成為金融風險的重要來源，其風險外溢問題較為突出。另外，中國公司債市場的法律體系和監管體系尚未成熟，其金融風險問題日益凸顯。2015年，中國證券監督管理委員會發布的《公司債券發行與交易管理辦法》為規范公司債市場提供了標準和依據，促進了公司債的快速發展，同時其違約風險也急速攀升。2021年，違約債券以公司債和私募債為主，占比高達62%，公司債市場潛藏了較大的金融風險，這不僅損害了投資者的利益和公司的信譽，還給整個金融市場帶來風險隱患。

為了應對股票市場和公司債市場的風險問題，根據《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》的要求，要強化國民經濟安全保障，實施金融安全戰略，健全債券市場違約處置機制，這在宏觀層面為金融市場的風險防控提供了基本框架。其中，股票市場和公司債市場的風險問題主要包括自身風險、相依結構和溢出效應，由于股票市場和公司債市場的自身風險研究已較為成熟，同時極端事件的發生對股票市場和公司債市場均造成了巨大的金融風險，故本文基于重大突發公共事件的視角，主要探討股票市場與公司債市場之間的極端風險問題。因此，研究股票市場與公司債市場之間的極端風險相依結構和極端風險溢出效應，有利于深入挖掘股票市場與公司債市場之間的風險傳導路徑和效應，為它們之間的極端風險的精準測度提供模型方面的基本思路和借鑒，也為投資者的投融資決策以及監管部門的風險防控提供基本的參考和依據。

金融主體的風險理論主要包括風險形成和風險傳導兩個部分，其中，風險形成理論主要有生命周期理論、信息不對稱理論和行為金融理論。Chou 和Chou[1]認為，生命周期理論主要是描述宏觀經濟和微觀企業處于產生、發展、繁榮和衰退等階段性和周期性環節，在各個發展過程中也會伴隨風險的相應變化過程，對應于金融主體風險的產生、積累、擴散和消亡等基本過程，當經濟處于衰退階段時，金融主體的風險處于較高的水平。Barakat等[2]指出，信息不對稱理論主要是說明相比于金融機構的信息優勢，投資者處于信息相對弱勢的地位，兩者信息失衡和混亂致使金融體系失靈，導致投資者對金融信息的反應和判斷并非及時和最優，最終引致金融主體風險。翟永會[3]認為，行為金融理論中的投資者是非理性的，在利空消息和極端事件下容易產生市場恐慌情緒，表現為正反饋機制和羊群效應等風險形式。另外，風險傳導的相關研究主要集中于復雜網絡理論，Peng等[4]指出，由于金融主體之間存在業務發展的關聯性和復雜性，當某個金融主體發生風險和損失時，不僅對金融主體自身產生不利影響，其風險還會進一步地傳染和擴散至其他金融主體。

目前，研究風險相依結構的方法主要包括Pearson相關系數[5]、DCC系數[6]、Granger因果檢驗[7]、復雜網絡[8]和Copula模型[9]等。其中，Pearson相關系數用于描述金融主體之間的線性相依，不能刻畫非線性特征；DCC系數適用于捕捉金融主體之間的動態條件相依，而在厚尾性方面有所欠缺；Granger因果檢驗主要反映金融主體之間的因果關聯關系，對滯后階數條件有嚴格的限制；復雜網絡能夠刻畫金融主體之間風險相依的厚尾性特征，但要求金融主體的數量較多。相比較而言，Copula模型能夠描述金融主體之間非線性和厚尾性等相依結構特征，同時對邊際分布的限制條件較少。Reboredo 和 Ugolini[10]基于極端事件，使用Copula模型研究了全球石油價格與股票價格之間的相依結構，結果表明極端事件的發生對風險相依結構具有顯著的影響。Copula模型適用于研究兩個金融主體之間的靜態相依結構，一般是在確定最優Copula模型的基礎上來計算金融主體之間的Kendall相依系數、Spearman相依系數和尾部相依系數。近年來Copula模型的研究熱點主要包括Vine Copula模型和時變Copula模型，分別從高維和動態的視角來研究金融主體之間更為復雜的風險特征。郭文偉等[11]將多個股票市場置于同一分析框架，構建了R-Vine Copula模型來分析全球主要股票市場風險相依結構的突變特征，這突破了兩兩股票市場之間的限制條件，同時研究在多個股票市場之間的風險相依結構。侯縣平等[12]通過時變Copula模型刻畫了股票市場與債券市場之間的動態相關性，能夠全面地反映兩個市場之間風險相依的變化趨勢。

在風險相依結構的基礎上，金融主體的風險溢出效應具有方向性，其測度方法主要包括MES模型[13]、SRISK模型[14]、CCA模型[15]和CoVaR模型[16]等。其中，CoVaR模型應用范圍最廣，更加側重研究單個金融機構對整個金融體系的風險溢出，主要研究局部對整體的風險貢獻程度。曾志堅等[17]使用CoVaR模型研究了股票市場與公司債市場之間風險溢出的方向和強度，結果表明兩者之間存在非對稱的雙向風險溢出效應。近年來，部分學者對CoVaR模型進行了改進和拓展，例如，Girardi 和 Ergün[18]將金融危機的條件由“收益率等于風險價值”推進到了“收益率不超過風險價值”的限制，考慮了重大突發公共事件的極端風險影響。王周偉等[19]指出，目前CoVaR模型可以通過分位數回歸、GARCH模型和Copula模型等方法進行估計。具體而言，分位數回歸-CoVaR模型適用于描述金融風險的線性特征，后來又發展成為LASSO-分位數回歸模型[20]。GARCH-CoVaR模型適用于描述金融風險的波動聚集特征，后來又發展成為ADCC-GARCH模型[21]。Copula-CoVaR模型適用于描述金融風險的非線性和厚尾性特征[22]，后來又發展成為Vine Copula模型[23]、時變Copula模型[24]和MRS Copula模型[25]。整體來看，學者們一般使用分位數回歸和GARCH的方法來拓展CoVaR模型，進而研究金融主體之間的風險溢出效應，卻忽略了金融主體之間的相依性和厚尾性等風險特征，較少地在風險相依的基礎上考察極端風險溢出問題。

綜上所述，部分學者在研究金融主體的風險相依結構和風險溢出效應時考慮了重大突發公共事件引致的極端風險，但其研究對象主要集中于泛金融市場和金融機構，對公司債市場的研究較少。同時，大部分學者關注于市場行情下跌的下行風險溢出，而忽略了上行風險溢出的影響。因此，本文將在上述兩個方面進行一些必要的嘗試，希望以此能夠填補相關的理論缺口，進而研究股票市場與公司債市場之間的動態極端風險相依結構和極端風險溢出效應。具體工作是：一方面，將公司債市場作為重要的金融市場，基于重大突發公共事件的視角，考慮時變性、非線性和厚尾性等風險特征，分別使用時變Copula模型和CoVaR模型研究股票市場與公司債市場之間的極端風險相依結構和極端風險溢出效應；另一方面，關注不同的尾部信息，引入利空消息和利好消息，同時考慮上尾與下尾之間相依結構和風險溢出，并據此探討不同尾部信息下股票市場與公司債市場之間相關風險問題的非對稱性。

二、模型構建

(一)邊際分布擬合模型

邊際分布擬合模型是構建相依結構和風險溢出模型的基礎。一般而言，金融時間序列具有尖峰厚尾特征，不服從正態分布的假設條件。由于TGARCH模型能夠較好地解決非對稱性、波動聚集性和有偏性等問題，故本文使用該模型來刻畫股票市場和公司債市場的收益率序列。筆者以股票市場收益率序列為例進行相關說明，參考Reboredo和Ugolini[10]，對TGARCH模型的均值方程作如下定義：

Xt=(1-φ1)μt+φ1Xt-1+φ0+εt

(1)

其中，Xt為股票市場收益率序列；μt為時變均值；φ1為AR項的參數，φ0為常數項；εt為隨機變量，存在εt=σtzt，σt為條件標準差，zt為標準殘差序列。

(2)

式(2)為方差方程模型。其中，β和α分別為GARCH項和ARCH項的參數；I為示性函數；λ為非對稱效應項的參數，當λ>0時，表明股票市場收益率序列的波動更容易受到來自利空消息的沖擊和影響，反之亦然。相比于普通的GARCH模型，TGARCH模型主要考慮了非對稱性的影響。

對于殘差分布模型，考慮非對稱性和有偏性特征，本文使用有偏t分布來擬合該模型的標準殘差序列，其密度分布函數f(zt)的定義如下：

(3)

其中，ν為自由度參數；η為對稱性參數；a、b和c均為常數。

(二)風險相依結構模型

時變Copula模型能夠準確描述金融主體之間的時變性、非線性和厚尾性等風險特征，故本文使用該模型來刻畫兩個市場之間的極端風險相依結構，其相應的基本步驟如下：第一，構建Gaussian Copula、Student-t Copula、Gumbel Copula、Clayton Copula和SJC Copula等常用的時變Copula模型，主要考慮了是否對稱和厚尾特征。第二，使用IFM方法估計參數，根據AIC原則確定最優時變Copula模型。第三，基于最優時變Copula模型的參數估計結果，計算尾部相依系數。受限于論文篇幅，本文不再對各個時變Copula模型的定義及其尾部相依系數的計算進行相關闡述。

(三)風險溢出效應模型

CoVaR模型是目前研究金融主體之間風險溢出效應的主流模型。相比于分位數回歸和GARCH模型等估計方法，時變Copula模型能夠描述時變性、非線性、非對稱性和厚尾性等復雜風險特征，故本文使用時變SJC Copula-CoVaR模型來測度兩個市場之間的極端風險溢出效應。

風險溢出具有方向性，本文以股票市場對公司債市場的極端風險溢出效應為例，參考Girardi 和Ergün[18]，CoVaR模型的表述如下：

(4)

(5)

C(u,v)=pq

(6)

(7)

三、結果與分析

(一)指標選取

本文主要關注于股票市場與公司債市場之間的風險問題。對于股票市場而言，筆者使用滬深300指數加以衡量，其原因在于該指數綜合反映了上海和深圳兩個證券交易所的整體發展態勢，能夠較為準確地刻畫中國股票市場價格的波動趨勢。對于公司債市場而言，本文參考曾志堅等[26]的研究，使用中證公司債指數作為公司債市場的代理變量，其原因在于該指數同時包含了上海和深圳證券交易所上市的公司債券，能夠綜合反映中國公司債市場價格的變化趨勢。基于滬深300指數和中證公司債指數的日收盤價數據，得到對應的日對數收益率序列，具體的計算公式如下：

Rt=(lnPt-lnPt-1)×100

(8)

其中，Pt和Pt-1分別為第t天和第t-1天的收盤價；Rt為對數收益率。

本文選取的時間范圍為2007年1月4日至2022年4月29日，樣本量共計3 726個，相關數據均來源于Wind數據庫，主要使用R軟件和Matlab軟件進行模型運算。

近年來，重大突發公共事件頻發，本文對重大突發公共事件的開始時間設置如下：第一，次貸危機爆發時間為2008年9月15日，該天雷曼兄弟宣布破產。第二，股票市場沖擊開始時間為2015年6月15日，該天股票價格劇烈震蕩。第三，中美貿易摩擦開始時間為2018年3月23日，該天美國對中國實施重大貿易制裁。第四，新冠肺炎疫情開始時間為2020年1月23日，該天武漢宣布“封城”。第五，俄烏沖突爆發時間為2022年2月24日，該天俄羅斯對烏克蘭正式發動戰爭。

(二)邊際分布擬合分析

根據TGARCH模型的AIC準則，股票市場和公司債市場收益率序列的最優擬合模型均可選擇AR(1)-TGARCH(1,1)模型，同時其標準殘差序列均服從有偏分布。TGARCH模型相關參數估計結果如表1所示。

表1 TGARCH模型的參數估計結果

從參數估計結果來看，ARCH項參數α均顯著，且股票市場的波動性更為顯著，對市場波動的反應較為敏感。對于GARCH項參數β來說，股票市場的波動具有更強的聚集性特征，而公司債市場的聚集性相對較弱。對于非對稱效應項參數λ來說，股票市場和公司債市場對不同的市場消息反應具有非對稱性，股票市場的波動受到來自利空消息的沖擊和影響較大，而公司債市場的波動對于利好消息更為敏感。偏度參數γ反映股票市場和公司債市場的標準殘差序列均具有顯著的非對稱性，而形狀參數ξ刻畫其標準殘差序列的厚尾性特征。對于擬合效果而言，LB統計量的值表明股票市場與公司債市場的標準殘差序列不存在自相關現象。根據ARCH項可知，股票市場和公司債市場的標準殘差序列不存在ARCH效應。因此，TGARCH模型對于股票市場和公司債市場的擬合效果較好，能夠較為系統和準確地刻畫股票市場和公司債市場的實際狀況。

(三)極端風險相依結構分析

基于TGARCH模型的標準殘差序列數據，本文使用時變Copula模型的尾部相依系數來研究兩個市場之間的極端風險相依結構，時變Copula模型的相關參數估計結果如表2所示。

表2 時變Copula模型的參數估計結果

由表2可知，時變SJC Copula模型的AIC值為-3 295.4568，在五個時變Copula模型的AIC值中是最小的，其次為時變Student-t Copula模型，表明時變SJC Copula模型為最優時變Copula模型，該模型的擬合效果最好，能夠準確地刻畫出股票市場與公司債市場之間的極端風險相依結構。時變SJC Copula模型同時具有上尾相依系數和下尾相依系數，其下尾參數(ωL,αL,βL)為(0.3562,-4.8523, 1.1856)，上尾參數(ωU,αU,βU)為(2.3856, -7.8521, -1.0658)。本文基于時變SJC Copula模型的參數估計結果，進一步計算該模型對應的尾部相依系數，具體結果如圖1所示。

圖1 股票市場與公司債市場之間的極端風險相依結構

從圖1可以看出，兩個市場之間的極端風險相依結構具有如下特征：第一，股票市場與公司債市場之間的尾部相依系數均為正數，表明股票市場與公司債市場之間存在正相關關系，容易出現“同漲同跌”現象。第二，兩個市場之間的極端風險相依結構存在顯著的厚尾性和非對稱性，且下尾相依系數大于上尾相依系數。具體而言，股票市場與公司債市場之間的下尾相依系數均值為0.5358，大于其上尾相依系數均值0.4612。因此，股票市場與公司債市場之間的極端風險相依結構更容易受到行情下跌和金融危機等利空消息的沖擊和影響，其原因在于利空消息的出現，股票市場與公司債市場等金融市場之間的風險加劇，進而產生跨市場風險傳染，其關聯度也會相應提高。另外，從波動幅度來看，股票市場與公司債市場之間的下尾相依系數標準差為0.0852，略小于上尾相依系數標準差0.1207，表明股票市場與公司債市場的上尾相依結構的波動性相對較大。第三，股票市場與公司債市場之間的下尾和上尾相依結構的變化趨勢基本一致。2008年的次貸危機、2015年的股票市場沖擊、2018年的中美貿易摩擦和2020年的新冠肺炎疫情等重大突發公共事件對極端風險相依結構具有一定的影響，而2022年的俄烏沖突的相關影響較小。從單個金融市場來看，股票市場和公司債市場的價格波動均容易受到重大突發公共事件的沖擊，波動的幅度較大，同時從金融市場之間的聯動角度出發，重大突發公共事件促使股票市場與公司債市場等金融市場之間的風險傳導進一步增強，最終導致股票市場與公司債市場之間的極端風險相依結構增強。

(四)極端風險溢出效應分析

在分析股票市場與公司債市場之間極端風險相依結構的基礎上，本文繼續研究股票市場與公司債市場之間極端風險溢出效應。相比于相依結構而言，風險溢出不僅能描述風險的強度，還能描述風險發展的方向。本文基于時變SJC Copula模型的上下尾相依系數數據，使用時變Copula-CoVaR模型來測度股票市場與公司債市場之間的極端風險溢出效應，包括股票市場對公司債市場的極端風險溢出效應和公司債市場對股票市場的極端風險溢出效應兩個部分，分析結果如圖2所示。

圖2 股票市場與公司債市場之間的極端風險溢出效應

從圖2可以看出，兩個市場之間的極端風險溢出效應具有如下特征：第一，從尾部信息來看，類似于極端風險相依結構，股票市場與公司債市場之間的極端風險溢出效應具有非對稱性和厚尾性特征。具體來說，股票市場與公司債市場之間的極端風險溢出效應具有上尾風險溢出效應和下尾風險溢出效應，且下尾風險溢出效應大于上尾風險溢出效應。如股票市場對公司債市場的下尾風險溢出效應均值為6.8925，大于其上尾風險溢出效應均值6.2384，表明相對于利好消息而言，股票市場與公司債市場之間的極端風險溢出效應受到來自利空消息的沖擊和影響更大。第二，從溢出方向來看，股票市場對公司債市場的極端風險溢出效應，大于公司債市場對股票市場的極端風險溢出效應。如股票市場對公司債市場的上尾風險溢出效應均值為6.2384，大于公司債市場對股票市場的上尾風險溢出效應均值4.1254，這表明股票市場與公司債市場之間的風險溢出具有非對稱性，股票市場的極端風險溢出效應更強，其原因在于股票市場的價格波動對于重大突發公共事件和市場信息的反應更為敏感。第三，從極端事件來看，重大突發公共事件對兩個市場之間的極端風險溢出效應的影響較大，包括2008年的次貸危機、2015年的股票市場沖擊、2018年的中美貿易摩擦、2020年的新冠肺炎疫情和2022年的俄烏沖突等，并以2008年的次貸危機和2015年的股票市場沖擊為代表的金融內部重大突發公共事件的風險影響程度顯著大于以中美貿易摩擦、新冠肺炎疫情和俄烏沖突為代表的金融外部重大突發公共事件的風險影響程度，表明與金融相關的重大突發公共事件的風險影響強于其他類型的重大突發公共事件。在重大突發公共事件發生后，股票市場與公司債市場之間的極端風險溢出效應急劇增強，其原因在于重大突發公共事件的發生，使得股票市場和公司債市場的價格迅速下跌，發生極端風險和重大損失的可能性攀升，在金融脆弱性理論和復雜網絡理論的作用下，當股票市場和公司債市場風險集聚到一定程度之后，就會產生風險溢出和傳導。

四、結論與政策建議

本文考慮了不同維度的市場信息影響，基于股票市場沖擊、中美貿易摩擦和新冠肺炎疫情等重大突發公共事件的視角，對股票市場與公司債市場之間的極端風險相依結構和極端風險溢出效應進行了系統研究和深入分析。具體而言，基于滬深300指數和中證公司債指數的日收益率數據，根據有偏t分布的AR(1)-TGARCH(1,1)模型來擬合股票市場與公司債市場的邊際分布，通過時變SJC Copula模型的尾部相依系數來刻畫股票市場與公司債市場之間的極端風險相依結構，使用時變SJC Copula-CoVaR模型來度量股票市場與公司債市場之間的極端風險溢出效應。結果表明：首先，股票市場與公司債市場之間存在正向的相依性，兩者之間的相依結構存在時變性、非對稱性和厚尾性等特征，更容易受到行情下跌和金融危機等利空消息的沖擊和影響。同時，重大突發公共事件對股票市場與公司債市場之間的極端風險相依結構具有一定的影響，此時的股票市場與公司債市場之間的極端風險相依結構呈現一定的增強趨勢。其次，相比于公司債市場對股票市場的極端風險溢出效應而言，股票市場對公司債市場的極端風險溢出效應程度更強，反映股票市場的風險溢出影響力更強，兩者之間的極端風險溢出是非對稱的。同時，股票市場與公司債市場之間的極端風險溢出效應同樣受到利空消息的影響較大，其下尾風險溢出效應大于上尾風險溢出效應。最后，股票市場與公司債市場之間的極端風險溢出效應受到次貸危機、股票市場沖擊、中美貿易摩擦、新冠肺炎疫情和俄烏沖突等重大突發公共事件的影響較大。在重大突發公共事件發生后，兩者之間的極端風險溢出效應急劇增強，波動幅度更大。

為了更為有效地防控股票市場與公司債市場之間相關風險的傳導和擴散，筆者提出如下政策建議：首先，從風險溢出來看，完善宏觀審慎政策與宏觀經濟政策的協調機制，防止跨市場的風險溢出和傳導。股票市場與公司債市場之間存在較強的風險相依結構和風險溢出效應，甚至能夠誘發系統性金融風險，不能單獨地對其中一個市場進行微觀審慎監管，而是通過宏觀審慎政策和宏觀經濟政策進行綜合風險防控。其次，從極端風險來看，健全重大突發公共事件的應急機制，防止金融極端風險的急劇增強和劇烈震蕩。以次貸危機為代表的金融內部重大突發公共事件和以新冠肺炎疫情為代表的金融外部重大突發公共事件，對股票市場和公司債市場產生極端風險溢出效應的影響較大，要想減少這些極端事件對市場穩定性產生的沖擊，就必須要進一步健全重大突發公共事件的應急機制。最后，從投資主體的投資來看，要樹立理性投資的風險管理理念，防止非理性行為造成的風險和損失。股票市場和公司債市場作為重要的投融資渠道，投資者在確定投資行為時，需要樹立科學的投資理念。對于機構投資者而言，不僅要綜合考慮重大突發公共事件的短期和長期影響，還要關注市場前景、行業發展趨勢和國家政策動向等，積極探尋和布局新的發展賽道，發揮專業、資金和信息方面的優勢，運用科學的風險模型作出合理的預測和判斷，為相關機構和企業提供專業的投資咨詢服務，使其資產得到保值增值，風險得到有效控制。對于個人投資者而言，要結合自身的實際需求，投資資金要量力而行，投資渠道要多元化，做到不盲目跟從其他人的投資行為，不聽信市場謠言和小道消息，不要過度貪圖高回報的“虛假”產品，遇到極端風險和損失時不要恐慌，理性看待市場行情下跌和金融危機等利空消息，注重投資的長遠利益。從投資的資產組合策略來看，機構投資者和個人投資者均要及時根據市場行情以及自身實際情況，對于不同的經濟周期和市場尾部信息，要適時調整資產組合的重心和策略，不斷優化股票和公司債券的投資組合結構，正確認識股票市場與公司債市場之間的風險關聯，將其風險和損失最小化。