中國低碳與高碳行業尾部風險相依結構及其溢出效應

引言

當今世界，促進可持續發展和應對氣候變化已成為能源規劃和政策決策的重要組成部分。這不僅是環境經濟學的課題，也是金融世界的擔憂，這決定著投資者是否可以將他們的資本投向“綠色”或“灰色”能源。更值得注意的是，對全球能源的需求需要以一種更好的方式在投資組合中進行分配，以實現碳中和戰略，從而減少對可持續投資流動的中和。基于當前股票市場不同行業板塊之間資金高速流動的現狀，各行業板塊之間尾部事件造成的風險傳導也更加顯著。因此，對行業板塊風險傳導及其溢出效應的準確測算就尤為重要。

討論金融板塊間的相似度離不開金融序列相似度的衡量，學界對于金融序列相似度的衡量方法有很多。例如，通過核密度估計、Granger因果推斷等手段測算不同板塊對應的波動率、收益率等時間序列數據相關關系（Glick等人，2013）[10]。此類方法可以判斷板塊間是否存在因果關系，但只能從金融時間序列整體的角度判斷，這無疑忽視了許多板塊間的相互作用關系。于是學者又開始深入探究尾部風險溢出對于金融市場的作用機理，金融市場間的風險溢出研究早期便集中于股票市場的風險溢出。例如，通過構造在險價值VaR、條件風險價值CoVaR等衡量尾部風險（楊子暉等人，2018）[2]。對于金融市場兩板塊的相依性判別上，目前學界仍將視角主要集中在序列相關或描述多個隨機變量之間依賴結構上。例如，采用建立序列相關模型或Copula族函數進行研究（陳守東等人，2003；葉五一等人，2009）[6，8]。此類模型通過建立模型殘差的相關性可以很好地描述金融市場間的風險傳染效應及金融資產收益波動的變化規律，但模型假定條件較為苛刻。如模型假定的條件為方差是滯后殘差的線性函數，導致金融資產的收益和收益波動之間的負相關性不能被捕捉到等問題仍然需要解決。

針對已有文獻的不足，本文使用構建復雜網絡的方法衡量股票市場高碳行業與低碳行業板塊間的相依結構及風險溢出效應。隨著金融市場的發展，金融板塊之間的網絡聯動性日益成為金融市場風險傳染不可忽視的重要因素。許多學者已將復雜網絡使用計量經濟學模型進行構建，由此可以實現對尾部風險溢出條件下的金融市場板塊聯動性及拓撲結構對金融市場系統性風險的影響（毛昌梅等人，2020）1]。

受此啟發，本文構建了一種以圖論為基礎的復雜網絡模型與計量經濟學模型相結合的金融網絡模型，對股票行業板塊間相依結構及溢出效應進行衡量。采用相比于VaR、CoVaR等對風險更為敏感的CoES作為衡量尾部風險的變量，根據不同行業板塊的風險分布向量相似度建立金融網絡模型，以此表示各行業板塊的尾部風險相依結構。量化網絡因子，選取尾部事件驅動的分位數回歸模型作為衡量風險溢出效應的方法，以展示在不同分位點上的風險溢出效應。

這樣的建模方式有三個優勢：首先，可以保留風險向量對于尾部風險的敏感度，使衡量風險更加準確。其次，可以衡量金融網絡整體的相互作用情況并找出金融網絡中各節點的重要程度。最后，可以量化網絡因子對于整體收益率在左尾和右尾的作用效果。

模型設定與計算

構建相似矩陣

風險分布向量（RiskProfileVector）是一種在風險管理中用于描述投資組合或資產的風險特征和特點的工具。它通常是一個多維向量，包含了各種風險指標和參數，用于量化和描述特定投資或資產的風險屬性。考慮到傳統的VaR方法無法對于某個股票行業受到沖擊時其他行業的狀況進行測度，因此本文使用條件期望損失（CoES）作為風險分布向量的元素，其具體表達式如下：

CoES_ij，t（α）=E[Y_i，t|Y_j，tj，t（α）]

條件期望損失可以用來表示當股票行業j處于極端情況下，其對股票行業i預期損失的影響。本文取得95% 置信水平下的在險價值與條件期望損失進行后續模型構建。

由上文對條件期望損失的計算，可以構建風險分布向量 X_i，t={CoES_ij，t} 。并借由不同企業間的風險分布向量夾角余弦值作為衡量構建相似矩陣的元素。

構建時變的鄰接矩陣

對我國股票市場的不同行業構建網絡關系，可以使用二元結構反映股票市場各行業之間的連通性。考慮到當今我國股票市場各個行業之間經濟往來緊密的現狀，本文采用正負不對稱的斷點回歸方法，即對正相關系數和負相關系數分別進行斷點，通過分類算法令高于（或低于）某臨界值的系數為1（或-1），其余相關系數為0，分別形成正鄰接矩陣以及負鄰接矩陣。

設 Θ⁺ 為對應于正相強相關性與弱相關性的間隔分數， θ^- 對應于負相關性與弱相關性的間隔分數。可通過最小化函數的方式獲得最優的 Θ⁺ 與 ，其中正相強相關性與弱相關性的間隔分數計算如下所示：

負相關性與弱相關性的間隔分數同理，由此可定義鄰接矩陣A中的任意元素

系統性風險評分與風險分解

本文利用鄰接矩陣A和節點的特征指標來衡量系統性風險，定義節點的特征指標向量為：

C=（C₁，C₂，…，C_N）^T

因此系統性風險分數S的計算方法為：

S（C，A）=C^TAC

每一個節點對系統性風險的貢獻為 S_i ，由于S（C，A） 只是關于C的線性齊次，因此可以進行如下風險分解：

獻程度，用上述方法可以評價股票市場的系統性風險大

小，以及各個行業對我國股票市場系統性風險的貢獻程度。

分位數回歸模型的構建

本文利用尾部事件驅動的網絡分位數回歸模型來研究股票市場各行業之間風險傳導的網絡效應，建立模型如下：

Y_it=α₀+α_i1Y_i，t-1+α_i2^TW_t+v_it

其中， W_t= [HS300，CNY10Y，US10Y]，HS300為滬深300指數收益率，用以衡量中國股票市場的一般水平；CNY10Y為中國十年期國債收益率，用以反映中國宏觀經濟走勢和政策影響；US10Y為美國十年期國債收益率，用以反映世界宏觀經濟走勢影響。他們共同組成 W_t ，為市場層面的協變量，用于捕捉系統性因素的影響。此回歸模型是為了探究除去系統性因素的影響后，網絡效應對于收益率的影響。

本文后續研究應用的是回歸模型的殘差 ??V_it ，對其建立如下回歸模型：

其中， 分別反映了第i個節點鄰居的正網絡因子和負網絡因子的平均影響。網絡因子量化了系統中每個節點其連接鄰居的平均值，這可能有助于下一期的返回預測。 β⁺ ，β為需要測算的網絡效應系數，其大小可以說明其受到網絡因子的影響程度，在不同分位點呈現的不同變化趨勢，可以說明在極端事件發生的情況下，網絡效應如何影響股票市場。

實證分析

數據選取

綜合考慮數據的可獲得性與應用效果，本文選取了我國股票市場6個行業的30個企業的收益率作為研究對象。其中選取的高碳行業為石油業與煤業，低碳行業為風能業與太陽能業，與碳轉型無關的對照行業（下文簡稱無碳行業）為金融業與醫療保健業。選取企業包括石油業的中國石化、中國石油、中國海油、中國航油、中油資本；煤業的中煤能源、晉控煤業、中國神華、充礦能源、淮北礦業；風能業的天順風能、金風科技、中天科技、吉電股份、東方電氣；太陽能業的隆基綠能、拓日新能、寶馨科技、通威股份、協鑫集成；金融業的農業銀行、交通銀行、工商銀行、中國銀行、建設銀行；醫療保健業的國藥股份、中國醫藥、華潤三九、上海醫藥、華東醫藥。樣本窗口期為2014年7月2日至2023年12月29日。在本文進行研究前，首先對樣本進行ADF檢驗和JB檢驗驗證其平穩性與正態性。結果顯示30個企業的收益率均平穩且不具有正態性，呈現一定的厚尾分布。

股票市場行業板塊相依性的實證分析

本文首先將構造的相似矩陣可視化為股票市場各個企業之間的相關熱力圖。在此基礎上，繼續使用正負不對稱的斷點技術將相似矩陣劃分為鄰接矩陣。本文選取了2014年與2016年的典型窗口期時的正鄰接矩陣比較股市大跌前后我國股票市場各個企業之間的相關性變化情況。如表1、表2所示，大部分企業的相似度較高，整體連接度處于較高水平，這說明了股票市場各行業板塊內部存在較強的尾部風險相依性。系統性市場沖擊前，我國股票市場整體之間的關聯性相對較低；系統性市場沖擊后，我國股票市場整體之間的關聯性相對較高。值得注意的是，在中國股市大跌期間，中國航油與其他所有企業均產生負相關，這是其受到新加坡股票市場較高的影響，由此可見各企業對于風險相依結構的靈敏度很高，因而未受到沖擊的企業很快就顯示了與其他企業的風險不一致性。

此外，為了探究我國股票市場各行業的連接性在窗口期內的變化情況，本文使用Jaccard系數來探究鄰接矩陣的相似性。若我國股票市場各行業發生了結構性變動，則其形成的鄰接矩陣與上一期矩陣的相似度會呈現出較低的狀態；反之，若我國股票市場各行業未發生結構性變動，則其形成的鄰接矩陣與上一期矩陣的相似度會呈現出較高的狀態。因此本文計算并繪制了窗口期內每月的第一天與上一期鄰接矩陣的Jaccard相似度，并將其繪制為折線圖，如圖1所示。

在窗口期內，可以明顯觀察到2015年后與2019年后分別有一段相似度較高的時間出現，結合前文的結論，這兩段時間是由于國際市場及國內市場受到強烈金融沖擊導致各行業風險相依性增強，呈現出共同抵抗風險的結構。而在沖擊效應漸漸緩解后則又會發生一定時段的結構性變動，如2017年和2023年前后。總體而言，各行業對風險的敏感性很高，風險溢出效應明顯，為本文的后續研究提供了相應依據。

系統性風險的測算分析

網絡分析法的思路認為，網絡中的某一個節點與其他節點的聯系越多，說明該節點在網絡中的地位更重要，在本文的研究中，即說明該行業的尾部風險溢出效應越明顯。但在評價一個系統的系統性風險大小時，除了關注節點之間的關聯性，還應該關注節點自身的特征。因此本文選取我國股票市場不同行業的市值作為系統性風險評分的各行業特征要素。圖2展示了我國股票市場在窗口期內的系統性評分結果，整體來看，股票市場各行業的系統性風險處于一個均衡趨勢，整體較為平穩，有個別時間呈現出一定的風險分散趨勢。

隨后，本文進一步分解系統性風險，將窗口期內我國股票市場的系統性風險評分進行分解，將系統性風險分解至每一個行業以評價各個行業對于我國股票市場系統性風險的貢獻程度。表3展示了2014年、2016年、2019年以及2021年的系統性風險分解結果。由結果可知，市值較高的行業在我國股票市場中占據了舉足輕重的地位，因此對系統性風險的貢獻程度較高，我國股票市場各行業總體呈現出風險集聚的趨勢。同時，在金融沖擊前后，系統性風險的總和有了顯著提高，說明我國股票市場系統傳導更加強烈，企業之間的相依性大幅提高。

尾部風險溢出效應的實證分析

為了量化網絡因子與極端值之間的關聯關系，本文使用分位數交叉關聯圖法可視化其關系，基于本文分組情況，分別以拓日新能、中國石油代表低碳行業和高碳行業，結果如圖3和圖4所示。由圖可知，在分位數較大或較小的時候，股票市場各行業指數收益率與網絡因子極端值呈現正相關性，表明網絡因子在收益率處于極端情況下具有一定的解釋力度，且左尾和右尾關聯度均呈現較高的相關性。以中國石油為代表的高碳行業左右尾的敏感度都較高。以拓日新能為代表的低碳行業左尾敏感度較高，右尾則溢出效應相對較小。由此可初步判斷，高碳行業應重點關注左右尾的溢出效應，低碳行業重點關注左尾的溢出效應。

在分位數交叉圖的基礎上，本文進一步利用分位數回歸來研究我國股票市場不同行業的風險溢出特征，依據上文分組，為了估計出不同分位數條件下的網絡因子對各行業收益率的貢獻程度。本文首先分別計算了高碳行業、低碳行業與無碳行業收益率數據與自回歸項和市場協變量的回歸結果，如表4所示。

通過對上述模型的估計，我們可以發現我國股票市場的大多數行業受到市場環境與沖擊影響較為顯著。進行該模型系數的估計后，我們可以排除掉市場環境以及政策影響對于我國市場的影響，由此獲得該模型的殘差項將可以更好地反映網絡因子對我國股票市場不同行業的影響。因此繼續使用網絡效應對殘差進行分位數回歸，得到股票市場各個行業尾部風險溢出效應系數 β⁺ 與 ，分別用以衡量正網絡因子與負網絡因子對居民消費價格指數的影響，結果如圖5和圖6所示。

由分位數回歸結果可知，股票市場各企業正網絡因子效應顯著大于負網絡因子，且正網絡因子對收益率影響非常顯著。說明我國股票市場的風險主要以傳導效應為主，而非風險分散。各行業的正網絡因子有將收益率數據拉向平穩的趨勢，溢出效應對收益率起到了一定的正向影響及穩定作用。

從不同行業的角度來看，結論與分位數相關圖結論相吻合，低碳行業左尾受到正網絡因子影響最為顯著，對風險溢出效應也最為敏感。其影響因子對于前0.5分位數的數據呈現正向影響，而對0.5分位數以后的數據呈現負向影響，但對左尾的正向影響顯著大于負向影響。高碳行業與無碳行業類似，對于左尾網絡因子的敏感度顯著不如低碳行業，且正網絡因子對于其的負向影響略高于正向影響。而負網絡因子則顯著性較低，對于高碳與低碳行業影響不顯著，對無碳行業則有穩定負向影響。

結論及政策含義

我國股票市場各行業的風險相依性受到系統性風險沖擊后的變化較大，絕大多數行業呈現較高的相關水平。由此可知，倘若在經濟沖擊下，我國股票市場各行業的經濟往來會更加緊密，同時這也會導致風險的更廣泛傳播。其中，無碳行業與其他行業的尾部風險相依性最高；高碳行業次之；低碳行業最低，受到的風險傳導也最小。

總體來看，我國股票市場的尾部風險主要以傳導效應為主，而非風險分散。市場風險整體較為平穩，全球性金融沖擊前后，系統性風險有了顯著提高，說明系統性風險沖擊很大程度上是通過提高各行業之間的風險相似度來提高整體系統性風險。同時，高市值企業在股票市場中占據了舉足輕重的地位；低市值企業受到發展體量的限制，在系統中的重要程度較低，對系統性風險的貢獻較低，其中也不乏一些市值較高，但與其他行業聯通度較低的行業。

尾部風險傳導效應對各行業收益率呈現出顯著影響并有一定穩定市場的作用。其中，低碳行業左尾對風險溢出效應最為敏感；高碳行業與無碳行業的左尾溢出效應則相對不顯著。風險分散效應對于高碳與低碳行業影響不顯著，對無碳行業則有穩定負向影響。

綜上所述，應對系統性風險時，重點關注無碳行業和高碳行業的風險傳導效應。可以通過優化金融監管政策，增強無碳行業與其他行業的風險隔離，減少其尾部風險的溢出效應。同時，加強低碳行業的風險監控，利用其相對較小的風險傳導特點，推動其在經濟中穩定發展。此外，推動低碳行業的市場化改革和創新，鼓勵高市值行業向低碳轉型，降低整體系統性風險的壓力。

【參考文獻】

[1]毛昌梅，韓景倜，劉舉勝.基于復雜網絡的銀行波動溢出效應研究[J].復雜系統與復雜性科學，2020，17（2）：11-21.

[2]楊子暉，陳雨恬，謝銳楷.我國金融機構系統性風險度量與跨部門風險溢出效應研究[J].金融研究，2018（10）：19-37.

[3]宮曉莉，熊熊.波動溢出網絡視角的金融風險傳染研究[J].金融研究，2020（5）：39-58.

[4]徐映梅，徐璐.中國金融業跨市場風險測度與分析——基于GARCH-Copula-CoVaR模型[J].統計與信息論壇，2015，30（4）：28-32.

[5]葉五一，肖麗華，繆柏其.基于變系數分位點回歸的金磚四國金融穩定分析[J].管理科學學報，2018（5）：44-52.

[6]陳守東，陳雷，劉艷武.中國滬深股市收益率及波動性相關分析[J].金融研究，2003（7）：80-85.

[7]張冰潔，汪壽陽，魏云捷，等.基于CoES模型的我國金融系統性風險度量[J].系統工程理論與實踐，2018，38（3）：565-575.

[8]葉五一，繆柏其.基于Copula變點檢測的美國次級債金融危機傳染分析[J].中國管理科學，2009，17（3：1-7.

[9]CYH Chen，WK H?rdle，Y Okhrin.Tail event driven networks ofSlFls[J].Joural of Econometrics，2019，（208）：282-298.

[10]Glick，Reuven，and Michael Hutchison．China’s financial linages with Asia and the global financial crisis[J].Journal of InternationalMoneyand Finance，2013（39）：186-206.

（作者單位：內蒙古財經大學統計與數學學院）