哪些行業承載來自上海原油期貨市場更多的風險溢出

宋加山　魏思峣　蔣坤良

摘要：自2018年建立以來，上海原油期貨市場與我國股市風險波動的聯動愈發明顯。不同于以往更關注整體股市的研究，本文從行業維度出發，探究上海原油期貨市場對我國各行業的風險溢出效應。選取2019年9月1日到2022年9月1日期間上海證券市場十個一級行業指數的5分鐘收益率數據，引入GAS模型彌補GARCH類模型的不足，并建立MIDAS-Copula-CoVaR模型對各行業的條件風險以及承載的風險溢出強度進行度量。結果表明：第一，含有MIDAS結構的Copula模型擬合效果更好，充分說明納入高頻數據的重要性。第二，上海原油期貨市場風險條件下各行業的上行風險明顯大于下行風險，呈現出較為明顯的非對稱性，說明各行業風險對油價上漲更敏感。第三，分行業看，上海原油期貨價格下跌對能源行業影響最大、公用行業影響最小，價格上漲對醫藥行業影響最大、金融行業影響最小。第四，相較于正常情況，極端上行風險對醫藥行業的風險溢出強度最大、對消費行業最小，極端下行風險對可選行業的風險溢出強度最大、對金融行業最小。

關鍵詞：上海原油期貨市場；GAS模型；混頻數據抽樣；風險溢出效應

文章編號：2095-5960（2023）06-0011-11；中圖分類號：F830；文獻標識碼：A

一、引言與文獻回顧

原油是現代工業社會最重要的原料，是關系國民經濟和社會發展全局的重要戰略資源，兼有商品、金融和政治的三重屬性。中國是全球最大的原油進口國和消費國，各行業對原油的需求量巨大、經濟發展對原油的依存度很高。為規避國際原油市場風險、爭奪亞洲能源定價權，我國在2018年推出了上海原油期貨（Shanghai Crude-oil Future，SCF），截至目前已成為規模僅次于WTI原油與布倫特原油的國際第三大原油期貨。[1]與此同時，上海原油期貨市場也承載了大量來自國際市場的風險傳導，對國內股市的風險溢出效應也逐漸凸顯。尤其在2020年新冠肺炎疫情暴發后，油價頻繁波動對我國股市發展與金融穩定都產生了強烈沖擊。而美國股市罕見的四次熔斷與俄烏戰爭爆發等不可控因素疊加，使上海原油期貨市場對我國股市的風險溢出效應變得更加復雜。因此，有必要就上海原油期貨市場對我國股市的風險溢出效應進行研究。

由于我國推出上海原油期貨時間較晚，現有研究主要聚焦于國際原油市場與我國股市的關系上。部分學者側重于研究國際油價沖擊與我國股市間的因果關系[2][3]，但更多學者將研究重點放在國際原油市場變化對我國股市的風險溢出效應上：Nguyen & Bhatti認為國際油價變動與中國股市間不存在尾部相依性[4]，但Chen & Lv認為國際油價變動與我國股市存在上尾相依性[5]，而Jiang & Ye在研究原油市場對金磚國家股市風險溢出時發現，中國股市的下行風險對油價變化更敏感。[6]盡管上述觀點不盡相同，但都為相關研究提供了諸多參考。然而，我國行業間存在明顯的異質性[7]，因此相關研究僅考慮我國整體股市是不夠的。Cong et al.發現國際原油市場對我國制造業、采礦業和石化業有正向溢出效應，對其他行業的溢出效應并不顯著。[8]在此基礎上，Caporale et al.發現國際原油市場對我國消費、金融和能源行業具有負向溢出效應[9]，Mensi et al.發現國際油價波動對我國工業和消費行業風險溢出效應最顯著，且風險溢出呈現明顯的非對稱性。[10]這些發現不僅為相關研究提供了新的視角，也充分說明了從行業維度進行異質性分析的必要性。

除考慮行業差異外，模型選擇是實證研究的關鍵一步。在傳統相依性或風險溢出研究中，VAR等線性模型經常被用以研究金融市場間的關聯[11]，但這往往難以捕捉變量間的非線性相依特征。因此，學者們開始采用Copula函數刻畫資產間的相依結構，并基于此度量風險。[12][13]其中，GARCH-Copula-CoVaR模型常被用于測度原油市場對股市的風險溢出效應。[14][15][16]但一方面，在描述金融數據的厚尾特征或長記憶性時，GARCH類模型還存在些許不足，而與依賴過去條件矩的GARCH類模型相比，Creal et al.提出的廣義自回歸得分（Generalized Autoregressive Score，GAS）模型擬合效果更優。[17][18]另一方面，相關研究通常僅選取日度數據作為樣本，忽視了高頻數據缺失可能造成的影響。因此，部分學者基于GAS模型，試圖探索更高頻數據的建模方式，如：Salvatierra & Patton[19]、龔玉婷等[20]、蔡光輝等[21]、Gong et al.[22]，但仍有拓展空間。

可見，大量文獻就國際原油市場對我國股市的風險溢出效應提出了深刻見解，也推動了該領域研究的進一步完善和成熟，但由于上海原油期貨上市時間較短，盡管已有學者意識到該市場會對我國股市產生不可忽視的影響[23][24]，但相關研究依舊較少。而且，現有研究主要以日度數據和線性模型為基礎，不僅忽視了金融序列間的動態、非線性相依結構，還忽視了高頻數據缺失會對風險估計產生偏差。另外，現有研究主要聚焦于我國整體股市，并未考察上海原油期貨市場對我國不同行業的溢出效應存在異質性。因此，本文選取上海原油期貨指數（SCFI）和上海證券交易所一級行業指數的5分鐘收益率數據，引入GAS模型來彌補GARCH類模型的不足，并基于此建立MIDAS-Copula模型以得到擬合效果更優的相依結構。進一步，選取CoVaR和ΔCoVaR就上海原油期貨市場對我國各行業的風險溢出效應進行度量，從而分析我國哪些行業會承載來自上海原油期貨價格波動更多的風險溢出。

本文可能的貢獻是：第一，目前有關原油市場波動的研究主要集中于國際市場上的WTI原油和布倫特原油，有關上海原油期貨的研究較少。本文有助于豐富上海原油期貨市場風險溢出的相關研究，為我國風險管理提供新證據。第二，目前有關風險溢出的研究主要采用線性模型或GARCH-Copula-CoVaR模型，前者可能忽略序列間的非線性相依結構，后者可能忽略序列的厚尾、長記憶性等特征。本文引入GAS模型來彌補GARCH類模型的不足，并針對各行業建立了MIDAS-Copula-CoVaR模型，不僅證明該模型有更好的擬合效果，還充分考慮了高頻信息對風險度量的影響。第三，目前有關原油市場對我國股市的風險溢出效應研究主要針對整體市場，本文從行業視角切入，不僅考慮了不同行業存在異質性，還有助于進一步拓展研究視角、厘清溢出對象。因此本文認為，以GAS模型為補充，建立基于GARCH模型和GAS模型的MIDAS-Copula-CoVaR模型，以此分析上海原油期貨價格波動對我國各行業的風險溢出效應，從而厘清哪些行業承載來自原油市場更多的風險溢出，對我國各行業規避原油市場風險，促進金融市場穩定，具有一定理論意義和現實價值。

二、理論與模型構建

（一）邊緣分布擬合：GARCH模型與GAS模型

（二）相依結構刻畫：MIDAS-Copula模型

（三）風險溢出度量：CoVaR方法

三、實證結果與分析

（一）樣本數據選擇及邊緣分布擬合

本文選取上海期貨交易所公布的上海原油期貨市場指數（SCFI）和上海證券交易所公布的上證一級行業指數作為研究樣本。上證一級行業指數是上交所以2003年12月31日為基期編制的，將滬市全部樣本按照行業分類標準劃分為10個一級行業的股票指數。其包括：上證能源行業指數、上證材料行業指數、上證工業行業指數、上證可選行業指數、上證消費行業指數、上證醫藥行業指數、上證金融行業指數、上證信息行業指數、上證通信行業指數、上證公用行業指數。樣本數據選取2019年9月1日到2022年9月1日的5分鐘交易數據，在數據清洗后，最終取得729個交易日，每個行業有34992個高頻交易數據。本文收益率采用5分鐘交易數據的對數收益率，定義為rt，s=100×ln（Pt，s/Pt，s－1），其中：rt，s和Pt，s定義為第t日第s時刻的對數收益率和價格。本文數據來源于Wind數據庫，各行業指數波動情況如圖1所示。

從波動情況看，所有行業指數均在2020年2月出現大幅下跌，但醫藥、信息和通信行業指數卻及時止住下跌趨勢并開始上漲。這主要源于2020年新冠肺炎疫情暴發，許多企業長時間停工停產，大多數行業發展受到阻礙。但與此同時，疫情迫使民眾居家辦公、學習，反而驅動了信息、通信等行業發展，而疫苗、口罩等醫療資源需求上升也促使醫藥行業大幅反彈。除此之外，其他行業指數波動也呈現不同差異，這也充分說明考慮行業異質性的必要性。

表1是各序列的描述性統計結果?？梢钥吹剑鹑谛袠I外，各序列均呈現左偏、有峰特征，且J-B檢驗結果表明序列拒絕服從正態分布的假設，這與大多金融數據的特性相符。同時，ADF檢驗和ARCH-LM檢驗表明各序列平穩且具有波動聚集效應，這為后續波動率建模奠定了基礎。

本文首先采用GARCH模型對各序列的邊緣分布進行擬合。在充分比對各序列的條件分布為：正態分布、t分布、偏t（Skew-t）分布、廣義誤差分布（GED）以及偏廣義誤差分布（Skew-GED）時的模型擬合結果后，我們發現原油、能源、醫藥和金融行業指數更服從Skew-GED，而其余序列更服從Skew-t分布，參數估計結果如表2所示。可以看出，核心參數在1%置信水平下均顯著，參數α+β<1且均接近1，說明采用GARCH模型擬合是穩定合理的。另外，ARCH-LM檢驗結果顯示殘差序列已不存在波動聚集效應，K-S檢驗結果顯示概率積分變換后的序列服從（0，1）上的均勻分布。

為了彌補GARCH類模型的不足，本文引入GAS模型進行擬合。除了選取上述五種條件分布外，本文還逐一比對了位置參數、尺度參數、偏態參數、形狀參數為動態參數時的模型估計結果，最終發現所有序列更服從Skew-t分布，且更偏好尺度參數為動態時的GAS模型，參數估計結果如表3所示。可以看出，核心參數均顯著，說明采用基于動態尺度參數的GAS模型擬合也是穩定合理的。另外，ARCH-LM檢驗結果顯示殘差序列已不存在波動聚集效應，K-S檢驗結果顯示概率積分變換后的序列服從（0，1）上的均勻分布。

根據GARCH模型和GAS模型的擬合結果，本文發現兩種模型的對數似然值非常接近，無法確定其是否存在統計意義上的差異。為更直觀刻畫兩種模型所估計的時變標準差（尺度參數）變化趨勢，本文描繪了各序列在兩種模型估計下的標準差走勢，如圖2所示，可以看出在市場震蕩時，兩種標準差的差異較大。2020年新冠肺炎疫情暴發后，整個市場呈現大幅下跌態勢，基于GARCH模型估計的標準差明顯高于GAS模型，說明GARCH模型擬合效果可能受到下尾極端值影響。反過來，材料和能源行業分別在2021年3月和9月整體走強，基于GAS模型估計的標準差也明顯高于GARCH模型，說明GAS模型擬合效果可能受到上尾極端值影響。

至此，表2和表3佐證了GARCH模型和GAS模型都能較好擬合所選序列數據，這為后續進行相依性建模奠定了基礎。但是，圖2表明了GARCH模型擬合效果可能受到下尾極端值影響，而GAS模型擬合效果可能受到上尾極端值影響，在市場不同狀態下，兩者會出現一定程度的風險測度偏差。究竟哪個模型更適用于本文的風險溢出效應研究，需要在相依性建模中進一步探索。

（二）Copula模型參數估計及最優模型選擇

首先，本文繪制了各行業指數與原油指數的Kendall相關系數與已實現相關系數，如圖3所示。從Kendall相關系數可以看出，能源行業與原油市場正相關度最高，信息行業與原油市場負相關度最高，而消費行業與原油市場的相關度最低。然而，Kendall相關系數并不能充分反映序列間的動態相依性，因此需要重點考察已實現相關系數的波動情況。[29]可以看出，2020年1月，所有行業指數與原油指數間的已實現相關系數急劇上漲，而在2022年2月，所有行業指數與原油指數間的已實現相關系數呈現先急劇上漲、后整體下降的倒“V”型波動。結合圖1本文認為，一方面，新冠疫情蔓延導致全球進入隔離模式，原油需求量驟降，但由于原油供給不減，“油滿為患”情形出現，油價與其他行業行情一同走低，相關度隨之提高。另一方面，俄烏戰爭爆發直接導致能源使用成本上升，在全球疫情逐漸穩定、經濟穩步復蘇的大背景下，油價與其他行業行情一同走高，相關度再次提高。但油價暴漲后，國內再次受到疫情沖擊，油價與各行業行情走勢偏離，二者相關度明顯下降。

為更準確地刻畫各行業指數與原油指數間的相依結構，本文分別選取基于GARCH模型和GAS模型擬合的殘差序列與八種Copula模型進行相依性建模，包括：GARCH-Gaussian Copula模型、GARCH-MIDAS-Gaussian Copula模型、GAS-Gaussian Copula模型、GAS-MIDAS-Gaussian Copula模型、GARCH-t Copula模型、GARCH-MIDAS-t Copula模型、GAS-t Copula模型和GAS-MIDAS-t Copula模型。限于篇幅，表4只展示最優Copula模型的參數估計結果，其余結果備索。

由表4可知，GARCH-MIDAS-t Copula模型能更好刻畫工業、可選、消費、醫藥、信息、通信、公用行業指數與原油指數間的相依結構，GAS-MIDAS-t Copula模型能更好刻畫材料、金融行業指數與原油指數間的相依結構，GARCH-t Copula模型能更好刻畫能源行業指數與原油指數間的相依結構?？傮w而言，t Copula模型的擬合效果比Gaussian Copula模型更優，可能是因為t Copula模型更能捕捉金融序列的厚尾特征。在具體比較后發現，除能源行業外，考慮MIDAS結構的Copula模型擬合效果更好；特別地，模型中的放松參數顯著，說明對MIDAS結構賦權是有意義的。對能源行業來說，可能由于與原油市場相關度最高，t Copula模型足以刻畫二者相依性，無需加入MIDAS結構。值得一提的是，除了材料、可選、金融、通信和公用行業外，其余行業最優模型中的βc均小于0，結合圖3分析認為，這可能是由于其余行業指數與原油指數的相關度不高，甚至多次出現負相關，導致模型中的滯后一階自相關系數βc為負。

（三）上海原油期貨市場對我國行業的風險溢出效應分析

在得到最優Copula模型后，本文計算了上海原油期貨市場風險條件下各行業指數的動態VaR和CoVaR值，包括：上行VaR、下行VaR、原油市場上行風險條件下的上行CoVaR（簡稱上行CoVaR）和原油市場下行風險條件下的下行CoVaR（簡稱下行CoVaR）。圖4展示了各行業的動態VaR與CoVaR走勢，限于篇幅，描述性統計結果備索?？偟膩碚f，一方面，各行業指數的上行風險顯著大于下行風險，呈現較為明顯的非對稱性特征；另一方面，下行CoVaR顯著小于下行VaR，上行CoVaR顯著大于上行VaR，說明不論上行還是下行，上海原油期貨市場風險都會進一步放大我國各行業的風險。

從下行風險看，上海原油期貨市場對能源行業影響更大，對公用行業影響較?。耗茉葱袠I作為與原油市場正相關度最高的行業，油價下跌會進一步放大能源行業的下行風險。同時，受政治、經濟等宏觀因素影響，油價頻繁波動也會使能源行業蘊藏較大的下行風險。而公用行業作為服務于城市生產、流通和居民生活各項事業的行業，其經營不僅具有壟斷性和典型地域特征，服務或產品的價格波動也會受到政府的管理調控，受油價下跌沖擊也較小。

從上行風險看，上海原油期貨市場對醫藥行業影響更大，對金融行業影響較小：油價上漲會迫使溶劑供應商提高用于大宗原料藥（指醫藥行業中應用普遍、規模較大的原料藥）的碳氫化合物和含氧溶劑的價格，再加上疫情期間國內藥品供應短缺，大宗原料藥的價格不斷上漲，醫藥行業持續上行。而金融行業作為我國穩定行情的堅實力量，對風險控制的能力較為突出，且我國金融行業以銀行板塊為主，長期以來處于估值低位、成長空間較小，受到油價上漲沖擊也較小。

另外，大多行業的VaR和CoVaR在2020年2月和7月、2022年3月和5月達到峰值。在2020年，2月的疫情暴發使得原油需求大幅下降，股市整體走弱與油價下行因素疊加，我國股市下行風險增大；隨后7月，在我國出色的疫情防控能力與取得的成績背景下，我國經濟逐步復蘇，股市呈現大漲態勢。在2022年，3月的俄烏戰爭爆發使得國際原油成本大漲，價格的頻繁波動以及未來前景的不確定性導致原油市場風險增加，我國股市出現劇烈波動；隨后5月，美聯儲高達50個基點的加息政策，使得原油市場風險條件下的股市風險被進一步放大，市場不穩定因素增多。值得一提的是，醫藥行業的下行VaR均大于0，說明若不考慮原油市場風險條件，醫藥行業將呈現凈收益狀態，這是疫情時期出現的特有情形。

圖5是相對于正常狀況，各行業在原油市場極端風險條件下的ΔCoVaR。特別說明一點，ΔCoVaR小于0意味著行業在極端條件下受到的風險溢出強度比正常情況下更弱。限于篇幅，描述性統計結果備索?？偟膩碚f，上行ΔCoVaR大于下行ΔCoVaR，說明相較于極端下行風險條件，極端上行風險條件下原油市場對我國各行業的風險溢出強度更大，進一步支持了上述對上海原油期貨市場上行風險更敏感的判斷。

分開來看，在極端上行風險條件下，上海原油期貨市場對醫藥行業的風險溢出強度最大，對消費行業的風險溢出強度最小；在極端下行風險條件下，上海原油期貨市場對可選行業的風險溢出強度最大，對金融行業的風險溢出強度最小。究其原因，我國的消費行業主要由食品飲料、家居、農業等板塊構成，盡管油價波動會對整體價格產生影響，但我國人口基數較大，日常消費的規模和能級通常不會受到太大沖擊。相對于消費行業，可選行業的需求性本身比較弱，而且具有一定周期性。當經濟狀況下行時，可選行業會受到較大的沖擊，消費者往往會選擇延期消費或者購買更便宜的替代品，這與本文的發現相符。能源、醫藥和金融行業的原因上文已經分析過，這里不再贅述。

四、結論及進一步討論

原油市場對我國股市的溢出效應研究一直是學術界重點關注的課題，但大多目光主要集中于國際原油市場。2018年我國推出的上海原油期貨，截至目前已成為全球第三大原油期貨。隨著上海原油期貨市場建立與不斷完善，該市場對我國股市的風險溢出效應也不可忽視。為此，本文從行業維度出發，選取2019年9月1日到2022年9月1日上海原油期貨指數和上海證券市場一級行業指數的5分鐘收益率數據作為樣本，以探究哪些行業承載來自上海原油期貨市場更多的風險溢出。

首先，本文引入GAS模型作為GARCH類模型的補充，通過擬合數據邊緣分布，得到不含波動聚集效應且服從均勻分布的殘差序列。其次，本文選取了8個不同的Copula模型，刻畫原油指數與各行業指數間的非線性相依結構，并選取擬合效果更好的模型進行相依性建模。隨后，本文選取VaR和CoVaR分別對各行業的絕對風險，以及上海原油期貨市場風險條件下各行業的條件風險進行測度。最后，本文選取ΔCoVaR就極端情況下，上海原油期貨市場對我國10個行業的風險溢出強度進行度量。實證結果表明：第一，GARCH模型擬合效果可能會受下尾極端值影響，GAS模型擬合效果可能會受上尾極端值影響，在市場不同狀態下，基于兩者的風險測度會出現一定偏差。第二，t Copula模型能更好刻畫SCFI與能源行業指數間的相依結構，而MIDAS-t Copula模型能更好刻畫SCFI與其他行業指數間的相依結構，表明含有MIDAS結構的Copula模型擬合效果更好，也充分說明納入高頻數據的重要性。第三，不論上行還是下行，上海原油期貨價格波動都會放大我國各行業的風險，其中價格下跌對能源行業影響最大、公用行業影響最小，價格上漲對醫藥行業影響最大、金融行業影響最小。第四，我國各行業對上海原油期貨市場的上行風險更加敏感，即油價上漲對各行業的沖擊影響更大。具體而言，極端上行風險對醫藥行業的風險溢出強度最大、對消費行業的風險溢出強度最小，極端下行風險對可選行業的風險溢出強度最大、對金融行業的風險溢出強度最小。

基于上述研究結果，本文認為：一方面，我國作為原油消費大國，不僅要關注國際原油市場的變動，還要關注上海原油期貨市場對各行業的風險溢出效應。尤其當油價上漲時，需重點關注能源、醫藥等行業的上行風險；當油價下跌時，需重點關注能源、可選、醫藥等行業的下行風險。另一方面，我國需繼續加快建設上海原油期貨交易所，盡早掌握亞太地區能源定價權，完善價格發現機制，降低市場不確定性，為實體經濟高質量發展提供金融支持。另外，金融部門需制定積極政策以應對新冠疫情、俄烏戰爭等重大事件造成原油市場對我國各行業的沖擊，進一步規避極端風險帶來的不良影響。

參考文獻：

[1]Ji Q， Zhang D. China’s Crude Oil Futures： introduction and Some Stylized Facts[J]. Finance Research Letters， 2019， 28： 376～380.

[2]Ding H， Kim H G， Park S Y. Crude Oil and Stock Markets： Causal Relationships in Tails？[J]. Energy Economics， 2016， 59： 58～69.

[3]Peng C， Zhu H， Guo Y， et al. Risk Spillover of international Crude Oil to China’s Firms： Evidence from Granger Causality across Quantile[J]. Energy Economics， 2018， 72： 188～199.

[4]Nguyen C C， Bhatti M I. Copula Model Dependency between Oil Prices and Stock Markets： Evidence from China and Vietnam[J]. Journal of International Financial Markets， Institutions and Money， 2012， 22（4）： 758～773.

[5]Chen Q， Lv X. The Extreme～Value Dependence between the Crude Oil Price and Chinese Stock Markets[J]. International Review of Economics & Finance， 2015， 39： 121～132.

[6]Jiang K， Ye W. Does the Asymmetric Dependence Volatility Affect Risk Spillovers between the Crude Oil Market and BRICS Stock Markets？[J]. Economic Modelling， 2022， 117： 106046.

[7]Wang X， Wang Y. Volatility Spillovers Between Crude Oil and Chinese Sectoral Equity Markets： Evidence from A Frequency Dynamics Perspective[J]. Energy Economics， 2019， 80： 995～1009.

[8]Cong R G， Wei Y M， Jiao J L， et al. Relationships between Oil Price Shocks and Stock Market： An Empirical Analysis from China[J]. Energy Policy， 2008， 36（9）： 3544～3553.

[9]Caporale G M， Ali F M， Spagnolo N. Oil Price Uncertainty and Sectoral Stock Returns in China： A Time-Varying Approach[J]. China Economic Review， 2015， 34： 311～321.

[10]Mensi W， Al Rababa’a A R， Vo X V， et al. Asymmetric Spillover and Network Connectedness between Crude Oil， Gold， and Chinese Sector Stock Markets[J]. Energy Economics， 2021， 98： 105262.

[11]Zhou Y， Wu S， Zhang Z. Multidimensional Risk Spillovers among Carbon， Energy and Nonferrous Metals Markets： Evidence from the Quantile VAR Network[J]. Energy Economics， 2022， 114： 106319.

[12]Zhu B， Zhou X， Liu X， et al. Exploring the Risk Spillover Effects among China’s Pilot Carbon Markets： A Regular Vine Copula-Coes Approach[J]. Journal of Cleaner Production， 2020， 242： 118455.

[13]顧云，張棟浩，杜在超，黃在鑫.系統性風險度量CoES的建模和檢驗[J].統計研究，2022，39（1）：132～145.

[14]Sun X， Liu C， Wang J， et al. Assessing the Extreme Risk Spillovers of International Commodities on Maritime Markets： A GARCH-Copula-CoVaR Approach[J]. International Review of Financial Analysis， 2020， 68： 101453.

[15]Kumar S， Tiwari A K， Raheem I D， et al. Time-Varying Dependence Structure between Oil and Agricultural Commodity Markets： A Dependence-Switching CoVaR Copula Approach[J]. Resources Policy， 2021， 72： 102049.

[16]Tian M， Alshater M M， Yoon S M. Dynamic Risk Spillovers from Oil to Stock Markets： Fresh Evidence from GARCH Copula Quantile Regression-Based CoVaR Model[J]. Energy Economics， 2022， 115： 106341.

[17]Creal D， Koopman S J， Lucas A. Generalized Autoregressive Score Models with Applications[J]. Journal of Applied Econometrics， 2013， 28（5）： 777～795.

[18]劉賽可，何曉群，夏利宇.基于GAS模型的動態VaR預測效果分析[J].數理統計與管理，2022，41（1）：179～189.

[19]Salvatierra I D L， Patton A J. Dynamic Copula Models and High Frequency Data[J]. Journal of Empirical Finance， 2015， 30： 120～135.

[20]龔玉婷，陳強，鄭旭.誰真正影響了股票和債券市場的相關性——基于混頻Copula模型的視角[J].經濟學（季刊），2016，15（3）：1205～1224.

[21]蔡光輝，徐君，應雪海.基于GAS的混頻Copula模型的投資組合風險預測[J].系統工程理論與實踐，2021，41（8）：2030～2044.

[22]Gong Y， Ma C， Chen Q. Exchange Rate Dependence and Economic Fundamentals： A Copula-MIDAS Approach[J]. Journal of International Money and Finance， 2022， 123： 102597.

[23]Zhu P， Tang Y， Wei Y， et al. Multidimensional Risk Spillovers among Crude Oil， the US and Chinese Stock Markets： Evidence during the COVID-19 Epidemic[J]. Energy， 2021， 231： 120949.

[24]寇紅紅，柴建，鄭嘉俐，孫少龍.上海原油期貨市場是否具有穩定中國股票市場的作用？[J].中國管理科學，2022，30（11）：20～30.

[25]Gong Y， Chen Q， Liang J. A Mixed Data Sampling Copula Model for the Return-Liquidity Dependence in Stock Index Futures Markets[J]. Economic Modelling， 2018， 68： 586～598.

[26]Andersen T G， Bollerslev T. Answering the Skeptics： Yes， Standard Volatility Models do Provide Accurate Forecasts[J]. International Economic Review， 1998： 885～905.

[27]Tobias A， Brunnermeier M K. CoVaR[J]. The American Economic Review， 2016， 106（7）： 1705.

[28]Reboredo J C， Ugolini A. Quantile Dependence of Oil Price Movements and Stock Returns[J]. Energy Economics， 2016， 54： 33～49.

[29]Liu Z， Zhang H， Ding Z， et al. When are the Effects of Economic Policy Uncertainty on Oil–Stock Correlations Larger Evidence from A Regime-Switching Analysis[J]. Economic Modelling， 2022， 114： 105941.

Which industries are affected by risk spillovers from the Shanghai crude oil futures market more

SONG Jiashan，WEI Siyao，JIANG Kunliang

（School of Economics and Management， Southwest University of Science and Technology， Mianyang， Sichuan 621010， China）

Abstract：Since its establishment in 2018， the association between the Shanghai crude oil futures market and the risk volatility of China’s stock market has become more and more obvious. Different from previous studies that focus more on the overall stock market， we investigate the risk spillover effects from the Shanghai crude oil futures market to the industries in China from the industry dimension in this paper. The 5-minute returns of ten first-level industry indices of the Shanghai Stock Exchange for the period from September 1， 2019， to September 1， 2022， are selected， we introduce the GAS model to make up for the shortcomings of the GARCHs model， and we establish the MIDAS-Copula-CoVaR model to measure the conditional risk of each industry as well as the risk spillover effects it carries. The results show that， first， the Copula model containing the MIDAS structure fits better， which fully demonstrates the importance of incorporating high-frequency data. Second， the upside risk of each industry conditional on the Shanghai crude oil futures market is significantly larger than the downside risk， showing a more obvious asymmetry， which indicates that the oil price increases have a greater impact on each industry. Third， in terms of industries， the falling Shanghai crude oil futures prices have the greatest impact on the energy industry and the smallest impact on the utility industry， while rising prices have the greatest impact on the medical industry and the smallest impact on the financial industry. Fourth， compared to normal cases， extreme upside risk has the largest risk spillovers for the medical industry and the smallest for the consumer industry， and extreme downside risk has the largest risk spillovers for the optional industry and the smallest for the financial industry.

Key words：hanghai crude oil futures market;GAS model;mixed Data sampling;risk spillovers

責任編輯：吳錦丹