中國金融市場風險溢出效應及其時空特征
——基于溢出指數方法與DCC-GARCH模型

李博陽, 張嘉望, 沈 悅

(1.長安大學 經濟與管理學院,陜西 西安 710064; 2.陜西師范大學 國際商學院,陜西 西安 710119; 3.西安交通大學 經濟與金融學院,陜西 西安 710061)

0 引言

金融市場的脆弱性源自于金融市場的波動性和跨市場的風險溢出效應(宮曉莉和熊熊[1])。現有關于跨市場風險溢出效應的文獻可分為兩個主要的研究方向,其一以單一金融市場作為研究對象,重點考察其跨國風險溢出效應。VANSTEENKISTE和 HIEBERT[2]運用VAR模型對歐洲的跨國數據研究發現,歐洲不同國家房價波動具有明顯的溢出效應。劉海云和呂龍[3]利用多元波動率模型考察了全球40個股票市場間的風險溢出網絡特征,研究發現發達國家對外風險溢出效應高于發展中國家。方意和賈妍妍[4]在重大突發公共事件的背景下研究了全球外匯市場風險的網絡變化及其對中國的影響。郭文偉等[5]分析了全球29個國家股票市場間的動態相依結構和風險溢出效應,發現全球股市具有顯著的洲際聚集特征。

還有研究著重探究一國金融子市場之間的風險溢出效應,并多是分析某兩個金融市場間的風險溢出。例如股票市場和債券市場(史永東等[6]),股票市場和外匯市場(ANDREOU等[7]),股票市場和貨幣市場(譚德凱等[8]),股票市場和房地產市場(戚逸康等[9])以及外匯市場和房地產市場(孫天琦和王笑笑[10])等。還有部分文獻探討了多個金融市場之間的風險溢出效應,例如BAROT和YANG[11]使用協整檢驗證明瑞典房價、股價以及國債價格之間存在著一種長期的均衡關系,三個變量的運動軌跡比較類似,因此股票價格的波動對于房地產投資者確定投資時機等事件具有比較有價值的指導性作用。GILDERBLOOM等[12]在對股票市場、債券市場和房地產市場的協同作用進行短期收益和價格變化分析時發現,美國、德國及英國的金融市場波動狀況存在著相似性。早期的研究主要關注金融市場間的收益率溢出關系和動態相關性。方意等[13]基于動態事件分析法研究了重大公共衛生事件對股票、債券、貨幣和外匯市場的沖擊作用,發現新冠疫情會對金融市場自身風險及風險溢出效應帶來顯著影響。可以看出這一支文獻側重于分析股票市場與其他金融市場間的溢出效應,缺乏對一國整體金融子市場之間風險溢出效應的全盤考察。

在2007年次貸危機爆發后,有關風險溢出效應方向的研究如雨后春筍,主要可以分為尾部關聯模型、關聯網絡模型和多元廣義條件異方差模型(MVGARCH)等。MES,SES,SRISK,CCA,CoVaR等尾部關聯模型考慮了風險溢出方向,并且可以基于金融市場高頻數據對系統性風險及其溢出效應進行靈活度量,在國內外均得到廣泛應用。然而,此類風險溢出度量方法只關注了局部的尾部關聯,從而可能低估了高度關聯系統的風險溢出效應(HAUTSCH等[14]),并且忽視了風險溢出渠道,無法觀測風險溢出生成和傳導的全過程(曹潔和雷良海[15])。網絡關聯作為現代風險度量和風險管理的核心得到了監管部門和學者們的廣泛重視(IMF[16])。溢出指數模型由DIEBOLD和YILMAZ[17]創立,并在DIEBOLD和YILMAZ[18]及DEMIRER等[19]學者的發展下更為完善。該模型糅合了風險溢出測度、網絡關聯和動態演變的思想,能夠將多維變量放置于統一的研究框架下,同時測度風險溢出的大小和方向,在金融市場風險溢出測度方面得到了廣泛應用(李紅權等[20])。廣義條件異方差模型自創立就常用于測度金融風險,并從一元GARCH模型逐漸演化出BEKK-GARCK、DCC-GARCH等多元GARCH族模型(BOLLERSLEV[21])。其中DCC-GARCH模型不僅能夠測度變量間的風險溢出程度,而且突破了傳統GARCH模型相關系數恒定的假設,可以觀測資產價格波動間的動態相關性,是風險溢出研究領域強有力的分析工具(嚴偉祥等[22])。

本文運用DCC-GARCH模型和風險溢出指數方法對我國七大金融市場風險溢出效應進行系統研究。可能存在以下創新:(1)將股票、外匯、貨幣、債券、商品、黃金、房地產市場等七大金融市場納入統一的DCC-GARCH模型和溢出指數模型框架對其風險溢出效應展開全面分析,使研究更具系統性;(2)從時間和空間兩個維度分析金融市場間的風險溢出效應及其非對稱性特征,其中時間維度上風險溢出效應的非對稱性指金融市場整體風險溢出程度隨時間的累積和消減具有非對稱性特征,快升而慢落,空間維度風險溢出效應的非對稱性指金融市場間風險溢出方向具有非對稱性,有些則承受外界風險溢出水平更大,具有系統脆弱性,有些市場的風險外溢程度更高,是系統性風險的主要來源。

1 模型與數據

1.1 風險溢出指數模型設定

建立在傳統VAR模型的基礎上,但不同于傳統的Cholesky預測誤差分解,風險溢出指數模型采用廣義預測誤差方差分解矩陣,該分解不再依賴于變量進入模型的次序,能夠有效捕捉多個變量彼此之間的風險溢出效應。首先,n元p階的VAR模型可表示為:

(1)

式(1)中Φi為VAR模型的系數矩陣;Xt為金融市場的波動率;εt為隨機干擾向量。模型(2)的MA表達式為:

(2)

式(2)中ψi為系數矩陣,ψ0是單位矩陣,對所有的i<0,ψi=0,當i>0時,ψi滿足遞歸過程ψi=Φ1ψi-1+Φ2ψi-2+…+Φnψi-n。根據溢出指數模型,Xi的前向H步預測誤差方差中Xj貢獻的占比為變量j對i的溢出向量估計值,即:

(3)

(4)

總風險溢出指數TSI(H)即為預測誤差方差的交叉方差取平均數:

(5)

將金融市場i對其他所有金融子市場的溢出效應加總取算術平均數可以得到定向風險溢出指數DSIout(H):

(6)

將某一金融市場對外風險溢出效應減去該金融市場接受外界風險溢入效應,得到凈風險溢出指數NSI(H):

NSI(H)=DSIout(H)-DSIin(H)

(7)

1.2 DCC-GARCH模型構建

DCC-GARCH模型又稱動態條件相關的廣義條件異方差模型(ENGEL[23]),該模型具有三個特點:一是DCC-GARCH模型設定是多元的,從單變量GARCH模型拓展至多元GARCH模型,使得多個序列間的波動溢出效應的研究成為可能;二是DCC-GARCH模型彌補了CCC-GARCH模型忽略變量間相關系數時變性的不足,能夠估計時變的條件相關系數,從而刻畫變量間的動態關聯;三是DCC-GARCH模型允許變量的自相關和異方差,較于靜態相關系數估計更為穩健。DCC-GARCH模型由均值方程和條件方差方程組成,均值方程設定如下:

rt=μt+εt

(8)

(9)

式(8)中rt為金融市場收益率,μt為已知過去信息Ft-1下的條件期望,εt為隨機誤差項,Ht為條件方差矩陣,μ為常數向量。條件方差方程設定如下:

(10)

式(10)中,ω為常數項,a1為滯后一期擾動項平方的影響系數,b1為滯后一期條件方差的影響系數。動態條件相關的方差矩陣可寫作:

Ht=DtRtDt

(11)

Rt=diag(Qt)-1/2Qtdiag(Qt)1/2

(12)

式(12)中Qt是一個加權平均后的正定矩陣,Qt可表示為:

(13)

(14)

1.3 數據的選擇與說明

本文將七大金融子市場,分別是股票市場Stock(采用滬深300指數)、債券市場Bond(采用中證綜合凈價指數)、貨幣市場Money(采用銀行間7天同業拆借利率)、外匯市場Exchange(采用美元兌人民幣匯率中間價)、大宗商品市場Commodity(采用Wind商品綜合指數)、黃金市場Gold(采用AU9995品種黃金現貨價格)和房地產市場House(采用申萬房地產行業指數)。

在VAR-DCC-GARCH模型中,本文對各金融子市場的每日收盤價進行對數差分處理以得到每日收益率。而在溢出指數模型中需要獲取各金融子市場的波動率,本文參照ANDERSEN等[24]提出的已實現方差方法對各金融子市場波動率進行預先估計,即將每周交易日收益率取平方和從而合成周已實現半方差。本文的樣本區間從2005年7月22日到2021年8月27日,全部數據源自萬德數據庫。

2 實證結果與分析

2.1 溢出指數模型的結果與分析

(1)靜態風險溢出效應

參照AIC和BIC準則,本文選取一階滯后VAR模型,其中預測步長為8周(H=8),得到中國金融市場風險溢出指數表,見表3。

表1右下角數值(25.1)為平均風險溢出水平,最后一行(NET)為金融市場風險凈溢出指數,倒數第二行(OUT)為對外風險溢出指數,最后一列(IN)為接受風險溢出指數,對角線元素為各市場歷史波動率的持續影響,其余數值是市場間方向性風險溢出指數。

表1 金融市場風險溢出指數表

從表1可以看出,整體上我國金融市場在樣本期間內有超過1/4的風險反映為市場間的風險溢出,說明中國金融市場間整體風險溢出效應較強[17],且容易借助資產價格波動關聯渠道傳染。

具體到單一金融市場,風險溢出方向存在非對稱性。接受風險溢出指數排前三的市場為股票市場(49.60%)、房地產市場(47.90%)和黃金市場(29.70%),說明這三個市場極易收到風險傳染,具有系統脆弱性。

就對外風險溢出指數而言,股票市場、房地產市場和商品市場的對外風險溢出指數較高,分別為51.90%,51.90%和28.20%,說明這三個金融市場在中國金融體系中位于信息先導地位,其信息傳遞效率較高,一旦發生突發事件會將風險迅速傳導至整個金融體系,是中國的系統重要性金融市場。股票和房地產市場的接受和對外風險溢出指數均較高,在金融體系整體風險溢出網絡中起到了中介和橋梁的作用。股票、商品和房地產市場的凈風險溢出指數大于零,說明這三個市場為風險凈溢出者,債券、貨幣、外匯和黃金市場的風險凈溢出指數小于零,說明這四個市場為風險凈接受者。

(2)動態風險溢出效應

為了考察風險溢出指數隨時間變化特征,本文運用滾動窗口技術測度中國金融市場的動態風險溢出效應,結果如圖1所示。

圖1 中國金融市場風險溢出指數時序圖

圖1顯示,在樣本期間內中國金融市場風險溢出指數在18%-52%之間波動。其中,第一個階段(2007—2011年)風險溢出指數波動劇烈。次貸危機后極端風險通過情緒傳染和資產價格波動關聯途徑傳導至中國,風險溢出指數大幅上挑。2008年末推出的“四萬億計劃”釋放了大量流動性,我國金融市場風險溢出指數再度陡然上跳。2010年在歐債危機和美國Q2政策疊加下,溢出指數上漲至這一階段的最高點(47%)。第二階段(2012—2017年)金融市場運行態勢較平穩,除了在2015年中重大“股災”影響下金融市場風險溢出指數飆升至整個樣本區間的最高值(53%),然而該事件引起的金融市場共振持續時間不長。第三階段從2018年至今,先是在2018年初的中國債券市場大面積違約和中美貿易爭端影響下,中國金融市場波動關聯性加強。此后在新冠疫情沖擊下溢出指數大幅升高,并持續至今。總體而言,當重要政策和事件沖擊時金融市場風險溢出程度明顯增強,這同時也說明了本文構建的金融市場風險溢出指數能夠反映我國金融市場的真實風險水平,有助于監管機構進行實時動態監控。

2.2 DCC-GARCH模型的結果與分析

借助DCC-GARCH模型估計金融市時變相關系數,結果如表2所示。

表2 中國金融市場DCC-GARCH模型估計結果

表2的上半部分報告了中國7個金融子市場單變量的GARCH模型估計結果,ω為常數項,a1為滯后一期擾動項平方的影響系數,即ARCH項系數,b1為滯后一期條件方差的影響系數,即GARCH項系數。可以看出所有金融市場單變量GARCH模型的常數項系數、ARCH項系數和GARCH項系數均在在1%的水平上顯著。具體而言,外匯市場的ARCH項系數最大,為0.088,說明外匯市場對金融系統信息的反映速度最快,其次是股票市場和房地產市場,而黃金市場對于市場信息的反映最為遲緩。就GARCH項系數而言,商品市場的GARCH項系數最大,為0.958,說明商品市場對于市場波動感具有最強的記憶性,其次是黃金市場和貨幣市場,而股票市場的記憶性較弱。此外,每個金融市場ARCH項系數和GARCH項系數之和都非常接近于1,說明7個金融市場的收益率波動具有較強的持久性。

表2的下半部分給出了中國7個金融市場DCC-GARCH模型的估計結果,DCC-GARCH模型的ARCH項系數α和GARCH項系數β同樣均在1%的水平上顯著,并且α和β都大于零,α+β=0.962,符合模型條件,說明了DCC-GARCH模型很好地擬和了我國金融市場收益率的動態變化規律。表3匯報了中國7個金融市場間兩兩動態條件相關系數估計均值。

表3 中國金融市場動態條件相關系數估計結果

從上述ρ值可以看出,貨幣和外匯市場、債券和貨幣市場、外匯和商品市場以及外匯和房地產市場之間的動態相關系數均值為負,說明這四組金融市場收益率之間存在反向相關關系。動態相關系數均值為負值反映了市場間的風險關聯性較小,從資產組合理論而言,同時持有兩種相關系數為負的資產具有分散風險的效果。而其余兩兩金融市場間的動態相關系數均值均為正值,股票和房地產市場的動態相關系數均值最大,為0.900,商品和黃金市場間以及債券與黃金市場間的動態相關系數也較大,分別為0.482和0.365,正向相關系數的值越大反映了金融市場間風險關聯性越大。這一結果與表1中靜態溢出指數模型風險溢出效應分解的結果具有一致性。

表3的動態條件相關系數均值體現了兩兩市場間在樣本期間內整體動態相關系數的大小,但并未體現出金融市場動態相關系數的時變特點,本文將中國7個金融市場每個時點的動態相關系數取算術平均,得到中國總體條件動態相關系數,如圖2所示。

圖2 中國金融市場動態相關系數圖

從圖2可以看出中國金融市場總體條件動態相關系數在0.09至0.31間波動,動態相關系數在時間維度上的上跳和消減具有非對稱性,在面對國內外重要政策頒布和風險事件沖擊時,中國金融市場動態相關系數在短期內出現跳躍式的大幅增長,在達到峰值后,金融市場間的動態相關系數并不會立刻減弱,而是需要一段時間回調至沖擊前的大小,體現出金融市場間動態相關系數在時間維度上存在著非對稱性。此外,對比圖1和圖2可以看出,二者具有共通之處,例如在2008年9月國際金融危機爆發、2008年底“四萬億計劃”、2013年6月“錢荒”、2015年6月“股災”以及2020年初新冠疫情爆發等關鍵時間節點,中國金融市場的條件動態相關系數都有明顯升高,印證了市場間動態相關系數越大,風險傳染水平越強(方意等[13];蔣海等[25])。

3 研究結論與啟示

本文運用風險溢出指數模型和DCC-GARCH模型對我國七大金融市場風險溢出效應展開系統性研究,得出以下結論:(1)金融市場整體風險溢出水平較高,平均溢出指數為25.10%。金融市場風險溢出方向存在非對稱效應,債券、貨幣、外匯和黃金市是風險凈接受者,股票、商品和房地產市場是風險凈溢出者。(2)我國金融市場風險溢出指數在18%～52%間隨時間變化,在次貸危機爆發、“四萬億計劃”頒布、歐債危機爆發、重大“股災”爆發、中美貿易摩擦、新冠疫情事件等重要政策和事件沖擊時金融市場風險溢出程度明顯增強。(3)金融市場風險溢出存在非對稱效應,貨幣與外匯市場、外匯與房地產市場、債券與貨幣市場、外匯與商品市場間動態相關系數均值為負,反映了這四組金融市場間風險關聯性較小。債券與黃金市場、商品與黃金市場、股票與房地產市場的動態相關系數均值較大,反映了這三組金融市場間風險關聯性較大。(4)中國金融市場整體條件動態相關系數在0.09至0.31間波動,動態相關系數在時間維度上的上跳和消減具有非對稱性。

金融市場波動的關聯性以及金融風險在時空維度的非對稱性給政策當局帶來了更大的挑戰,為了防范跨市場風險溢出引發系統性風險,根據本文研究結論,監管部門可從以下幾個方面著手。首先,考慮到金融市場間的風險溢出方向具有非對稱性,因此應密切監控股票市場、房地產市場和商品市場等系統重要性金融市場,重點關注股票市場、房地產市場和黃金市場等系統脆弱性金融市場。其次,鑒于部分金融市場間的動態相關系數較高,容易發生風險跨市場傳染,因此應著重警惕股票市場與房地產市場、債券市場與黃金市場、大宗商品市場與黃金市場之間的風險互動。而且對于投資者而言,也應根據金融市場間動態相關系數的大小,合理配置資產持有,以達到分散風險的目的。最后,考慮到中國金融市場風險溢出指數對于市場信息響應十分敏感,且金融市場的動態相關系數具有上跳快而消減慢的時間維度非對稱性,因此在重要政策和事件發生早期政府需注意提高反應速度,加強監管力度,防范風險跨市場的溢出和傳染。