基于GARCH-Copula-CoVaR模型的金融科技行業對傳統金融業風險溢出效應探究

王沛瑤

（東北農業大學，黑龍江 哈爾濱 150086）

金融安全與金融穩定一直是我國金融領域的熱門議題。現階段，金融科技席卷全球，其迅猛的發展勢頭使整個金融領域都出現了一定的波動，整體呈現不穩定、不確定狀態。出現這一情況的根本原因在于金融科技技術創新過程中存在較多不確定因素，使傳統金融業受到波及，風險溢出呈現新特征。基于此，開展金融科技行業對傳統金融業風險溢出效應分析十分必要。

一、數據選取及描述性分析

（一）數據選取與處理

1.數據選取

本研究結合金融科技主題指數，從眾多金融科技行業中選取了100家致力于提供技術的金融科技公司，并選取50家金融機構代表傳統金融業，其中涉及商業、農商、證券、保險等銀行機構共30家。在數據區間選取方面，我國金融科技行業發展的分水嶺階段是在2013年，因此本文將數據選取區間確定在2013年1月至2022年6月，其中有效數據共9220個，將其全部存儲在數據庫中，以供后續研究使用。

2.數據處理

根據對相關學者經驗的總結，研究風險溢出效應時多數選擇股票收益率數據，因此本文繼續沿用此方法。為確保實際獲取股票收益率的有效性，還需利用公式計算得出行業股票價格指數，進而求出最終收益率。計算公式如下：

（二）描述性統計分析

描述性統計分析主要針對行業收益率數據，從多個方面對數據展開分析，包括分布狀態、波動特點分析，為后續模型擬合提供重要支撐。總體來看，雖然時序圖能清晰看到行股票收益率波動情況，但很難對其分布特點展開整體性描述，對此，還需要計算各收益率J-B統計量。此外，從行業角度出發，為提高本次研究對象樣本的代表性，以銀行業、保險業、證券業為主要對象，對其風險溢出效應進行研究。有關行業收益率序列描述性統計情況如表1所示。

如表1所示：從均值可以看出，各行業均為正值，最小的為保險業0.0043、最大為銀行業0.0312；從最小、最大及標準差來看，金融科技行業標準差雖最大，但如果計算各行業極差，那么極差最大的是保險業。總結而言，保險業存在個別劇烈波動現象，而金融科技行業則表現出持續且頻繁的波動趨勢。此外，通過J-B統計量可以明確看出各行業的正態分布特征，數據越大則表明該行業正逐漸偏離正態分布。由此可知，各行業J-B統計量數據比較龐大，因此均不滿足正態分布，并且呈現出“尖峰厚尾”特征。

二、GARCH-Copula-CoVaR模型擬合

由上文可知，通過J-B統計量得出各行業均不符合正態分布。對此，基于GARCH-Copula-CoVaR模型，展開對行業收益率序列波動特征擬合，具體如下：

（一）GARCH模型擬合

在開展GARCH模型擬合前，需要進行ARCH效應檢驗，即異方差性檢測，目的是為下文開展行業收益率擬合提供依據，通過ARCH效應發現金融科技與傳統金融業的LM統計量均在1%下顯著，證明收益率存在ARCH效應，同時說明行業收益率序列整體平穩，可利用GARCH模型擬合各行業收益率序列波動特征。有關GARCH模型擬合的行業收益率參數結果如表2所示。

表2 GARCH模型參數

如表2所示：可以看出，各行業（α+β）接近于1，滿足模型約束不小于0的條件，其中α、β分別表示標準化殘差平方滯后項和條件方差滯后項的系數。就α值而言，除了反映市場波動情況，還對各行業收益率序列帶來的影響程度具有記憶性特點。此外，通過深入分析模型參數可以看出，相較于其他行業，銀行業和保險業的α值較高，這說明兩者比金融科技和證券行業更容易受到外界因素影響；就β值而言，主要反映各行業收益率序列波動的持續性，可以看出，各行業差距不明顯，均在0.9左右。為驗證擬合效果，開展GARCH模型檢驗環節，結果如表3所示。

表3 GARCH模型檢驗

如表3所示：從自相關性檢驗可以看出，各行業收益率序列P值均＞0.05，由此得出，收益率序列無明顯的ARCH效應，說明已成功提取各行業的相關數據。綜上，有關GARCH模型擬合已完成。

（二）Copula模型擬合

結合上文有關內容，通過對行業收益率序列進行概率積分轉換，最終數值滿足（0.1）區間，以數據作為主要支撐進行建模，具體內容如下：實際所選取的函數共6個，從中選取最優的Copula函數進行建模，綜合多方面因素考慮后，將函數模型確定為“Student t”。該函數模型能很好地滿足“logLik值最大、AIC與BIC值最小”的基本原則，而且可以保證良好的擬合效果，有助于分析金融科技行業與傳統金融業收益率序列間的關聯性。在此基礎上，需要構建基于Student t-Copula函數的相依結構，其中，對象設計分別為：金融科技行業與銀行業；金融科技行業與保險業；金融科技行業與證券業。通過相關計算得出對應的ρ值分別為0.26、0.31、0.53，k（自由度）值分別為7.7、5.93、4.86，Kendall秩相關系數分別為0.17、0.20、0.35。通過數據可以看出，金融科技行業與證券業秩相關系數最大；從關聯性角度看，相較于銀行業和保險業，金融科技行業與證券業之間的關聯性比較密切，這表明證券行業無論在市場交易環節還是獲取證券數據方面，都需要金融科技行業提供技術支撐，因此，金融科技行業若技術出現敗露，勢必會對證券業帶來一定影響或波動。

此外，結合金融科技行業與銀行業、保險業、證券業的Kendll秩相關系數，計算上、下尾相關性結果發現，兩者數值均相同，分別為0.05、0.1、0.23，并且數據均為正向。這可以總結為2個方面：第一，金融科技行業對傳統金融業存在正向的風險溢出效應，市場環境變化或某種因素影響而導致金融科技行業存在風險事件時，勢必會給傳統金融業帶來一定損失，而且隨著極端風險影響程度的增加，各傳統金融業潛在的損失率也會逐漸提高；第二，從風險溢出強度來看，在銀行業、保險業、證券業中，保險業受風險溢出影響最弱，證券業則受影響最強。為檢驗Student t-Copula函數擬合優度，還需要計算各優度統計量，具體如表4所示。

表4 Student t-Copula函數擬合優度檢驗

如表4所示：金融科技行業與傳統金融業擬合優度統計量對應的P值均＞0.05，證明基于GARCH-Copula-CoVaR模型的擬合效果較好，具有重要應用價值。

（三）CoVaR值計算

CoVaR計算是風險溢出效應的一個關鍵環節。結合上文開展有關金融科技行業對傳統金融業風險溢出效應計算，由于計算步驟相同，主要以金融科技行業與銀行業的風險溢出效應為例， 公式為其中為已知項，因此在該公式中只存在一個未知項為，可以利用R-4.0.3軟件求值，即得出并將其帶入公式，可得出分位數為-2.79696，即可求出金融科技行業與銀行業的風險溢出效應值，公式如式（3）所示：

金融科技行業與銀行業、保險業、證券業的風險溢出效應計算公式如式（4）所示，以下主要對其風險溢出情況進行具體分析。

三、風險溢出效應分析

（一）風險價值分析

為保證金融科技行業對傳統金融業風險溢出效應分析的客觀性，首先需要綜合考慮在風險未溢出前各行業的風險水平情況。通過計算金融科技行業、銀行業、保險業、證券業在2013—2022年間的時變風險價值，取年度平均值，分別為-3.3553、-2.0376、-2.3377、-2.5029。從這些數據中可以看出，相較于傳統的金融業，金融科技行業風險價值較大，而在傳統金融行業中，風險價值最小的則是銀行業，這說明銀行業更重視自身風險管理，其管理水平也遠遠高出其他金融傳統行業。此外，從時間維度來看，金融科技行業、銀行業、保險業、證券業在2015年時整體風險水平較高，其中金融科技行業達到-6.2371，遠遠高出其平均值。基于此，各行業還需要結合實際情況，有針對性地做好風險管理工作。

（二）風險溢出效應分析

根據上文結論，需要開展金融科技行業對傳統金融業風險溢出效應測度，這一目的在于檢驗模型計算結果的有效性和準確性。為主要指標，具體如表5所示。

表5 金融科技行業與傳統金融業風險溢出效應值

如表5所示：CoVaR表示總風險水平；△CoVaR表示傳統金融業自身風險水平；%CoVaR表示總風險溢出效應。從均值可以看出，相較于銀行、保險行業，證券行業的均值相對較大，且CoVaR、△CoVaR均為負值，這再次驗證一旦金融科技行業出現風險事件，證券行業受到的波動和沖擊往往是最大的。與此同時，有關數據也表明金融科技行業對銀行業和保險業存在正向風險溢出。

四、結語

本文基于GARCH-Copula-CoVaR模型，通過研究金融科技行業對傳統金融業風險溢出效應，得出如下結論：1.通過GARCH-Copula-CoVaR模型擬合，證明金融科技行業與證券業存在密切關聯性；2.通過開展風險價值分析，證明證券業在傳統金融業中自身風險較大；3.通過風險溢出效應分析，證明金融科技行業對銀行業和保險業存在正向風險溢出。