风险溢出效应金融市场论文

风险溢出效应金融市场论文 篇1：

我国金融市场的风险溢出效应分析

摘 要：评估金融市场间的风险溢出效应对金融市场监管和深化我国金融市场改革具有重要意义。本文基于MVGARCH模型研究了股票市场、债券市场和期货市场间的风险溢出效应。结果表明，三个金融市场之间存在风险溢出效应，市场之间存在风险传递。由于风险溢出效应的存在，相关部门应加强金融市场监管和相关政策的协调性，以金融市场的全局视角进行政策设计，恰当选择政策实施时机，保证政策实施效果。

关键词：金融市场；股票市场；债券市场；期货市场；风险溢出效应

一、引 言

金融市场间的风险溢出效应（或称波动溢出效应）不仅是重要的金融理论研究问题，也具有较强的现实意义。1995年墨西哥金融危机、1997年东南亚金融危机、1998年俄罗斯债务危机、1999年巴西货币危机、2007年美国次贷危机和欧债危机频发等金融危机表明， 金融风险在金融市场间交叉传染， 进而对实体经济造成了巨大冲击，充分显现了风险溢出对金融体系的巨大破坏，也给实体经济造成了巨大损失。

我国对金融行业的股票、债券和期货实行“分业经营、分业监管”，在制度层面为金融市场间建立了防火墙，将风险隔离在各个市场内部，市场间的信息和风险溢出能力较弱。近年来，金融创新加快了市场之间的融合，金融产品的投资标的同时覆盖多个金融市场，证券、银行和期货等金融机构之间业务出现交叉，信息和风险溢出渠道拓宽。研究我国的金融市场风险信息传递是否出现本质变化具有重要的政策含义，当信息传递导致的市场联动性较高时，不同金融监管部门的政策制定和执行应加强协调性，避免一个市场的不利信息触发其他市场的风险，预防系统性风险。

二、文献综述

金融市场的波动溢出效应研究主要分为以下两类：一是研究不同国家某类市场之间的波动溢出效应，其中最为常见的是美国、英国和日本之间股票市场的溢出效应，多数研究结果表明国家间股票市场之间存在波动溢出效应；二是跨市场的波动溢出效应，如股票、债券、外汇市场和商品市场，多数研究表明市场间存在波动溢出效应。

Hamao等[1]采用GARCH模型对东京、伦敦、纽约三大股票市场之间的波动溢出效应和市场相关性进行研究，实证结果表明，纽约和伦敦市场的股价波动都对东京股市有显著的影响和溢出现象，却没有发现东京股市对上述两市场的波动溢出。Koutmos和Booth[2]使用 EGARCH模型研究了纽约、伦敦和东京三大股票市场之间的波动溢出效应，结果表明三个市场间存在波动溢出效应，坏消息的溢出效应大于好消息。Miyakoshi[3]研究表明，日本和亚洲其他国家的股市之间存在双向波动溢出效应，但美国股市对亚洲股市的影响和波动溢出较小。Diebold和Yilmaz[4]使用VAR模型和方差分解技术研究并发现了美国、英国等全球19个主要国家或地区的股票市场之间收益率溢出和波动率溢出效应。

Abdalla和Murinde[5]研究了印度、韩国、巴基斯坦和菲律宾等新兴国家汇率和股票市场之间的溢出效应，结果发现两个市场之间存在溢出效应，多数市场参与者仅考虑商品市场和股票市场的波动率溢出效应。Maghyereh和AL-Kandari[6]使用非参数秩检验进行了非线性协整分析，研究表明石油价格以非线性方式影响股票价格。Malik和Hammoudeh[7]使用多变量GARCH模型检验了美国股票、世界原油市场间的波动和冲击传导机制，结果发现美国股票市场和全球石油市场之间存在明显溢出效应。Park和Ratti[8]使用VAR模型研究了美国和其他欧洲13个国家的石油价格冲击对股票回报的影响，结果发现石油价格冲击对美国的股票回报有很强的影响。Malik和Elwing[9]使用双变量GARCH模型检验了美国5个行业指数和石油市场间的波动传导机制，研究表明石油价格与某些行业存在明显的波动传导。Ehrmanna等[10]使用VAR方法研究了美国和欧洲地区之间股票、债券、货币和汇率市场的波动传导，结果表明美国是驱动欧盟金融市场波动的重要因素。

国内学者也对金融市场的波动溢出效应进行了广泛研究。赵华[11]使用向量自回归多元GARCH模型研究了人民币汇率与利率之间的波动溢出效应，研究表明人民币对美元汇率与利率之间不存在波动溢出效应，人民币对欧元、日元等非美元汇率与利率之间存在双向的波动溢出效应。陈云等[12]采用BVGARCH—BEKK模型研究了人民币汇率与股票市场之间的波动溢出效应，结果表明人民币汇率与股票市场之间存在波动溢出效应，且在汇改前后的溢出方向相反，汇改后主要表现为显著的从股市收益率到汇率变动率的波动溢出。李成等[13]采用四元VAR-GARCH-BEKK 模型分析了我国股票市场、债券市场、外汇市场以及货币市场的溢出关系，研究发现，上述市场有很强的波动集聚性和持续性，大多数金融市场间存在显著的双向均值溢出，所有市场间均存在显著的双向波动溢出，还发现市场间溢出可能主要来自于市场传染效应。史永东等[14]基于Copula理论研究了股票市场与债券市场的风险溢出效应，研究表明，股票市场与债券市场联动效应总体不显著，股票市场与债券市场尾部相关性独立。

三、模 型

多变量GARCH 模型由Engle和Kroner[15]提出并给出了估计和检验方法，是目前金融市场间波动率溢出效应研究的主要方法之一。本文使用三变量GARCH模型，该模型比二变量GARCH模型能够更好地在一个完整的框架内同时捕捉股票市场、债券市场和期货市场等主要金融市场的二阶矩关系，将更多信息从波动方程中分解出来。

股票收益率Rs，t、债券收益率Rb，t、期货收益率Rf，t之间的收益率溢出效应方程为：

四、实证结果与分析

1数据选取和来源

本文使用2005年1月4日至2013年12月31日股票市场、债券市场和期货市场的每日价格数据，股票市场价格选取沪深300指数，债券市场价格选取中证国债指数，期货市场价格使用商品期货价格，选取中证商品指数。日收益率采用对数收益率计算，方法为Rt= In（Pt/Pt-1 ），Pt为第t日指数，Rt为第t日指数收益率。指数数据均来自Wind资讯金融终端，收益率来自作者的计算。

2数据描述性统计

表1 描述了样本统计特征：一是股票收益率的均值和方差最高，期货次之，债券最低，这表明股票市场的收益率和风险相对较高， 期货次之，债券最低，体现了金融市场的高风险高收益特征。二是股票和期货收益率具有左偏特征，收益率分布会较频繁地出现小收益和一些极大的损失，债券收益率具有右偏特征，收益率分布会较频繁地出现小损失和一些极大的收益。三是债券市场和股票、期货市场均具有尖峰特征，债券市场的尖峰特征更强，出现收益率较大偏离均值的极端偏差的可能性更大。

五、结论与建议

本文使用多变量GRACH方法研究了2005—2013年间股票、债券和期货市场间的风险溢出效应。结果表明，股票市场、债券市场和期货市场之间存在风险溢出效应，金融市场间存在风险传递。金融市场联系紧密，稳定股票市场（债券市场、期货市场）发展的政策的实施效果，会受到来自另外两个市场的不利影响的抵销。需加强市场监管和相关政策的协调性，以整个金融市场的全局视角进行股票市场（债券市场、期货市场）等单个市场的政策设计，恰当选择政策实施时机，保证政策实施效果。

参考文献：

[1] Hamao，Y，Masulis，RW，Ng，VCorrelations in Price Changes and Volatility across International Stock Markets[J]Review of Financial Studies， 1990，3（2）：281-307

[2] Koutmos，G，Booth，GGAsymmetric Volatility Transmission in International Stock Markets[J]Journal of International Money and Finance，1995，14（6）：747-762

[3] Miyakoshi，TSpillovers of Stock Return Volatility to Asian Equity Markets from Japan and the US[J]Journal of International Financial Markets， Institutions and Money，2003，（13）： 383-399

[4] Diebold，FX，Yilmaz，KMeasuring Financial Asset Return and Volatility Spillovers， with Application to Global Equity Markets[J]The Economic Journal，2009，119（534）： 158-171

[5] Abdalla，ISA，Murinde，VExchange Rate and Stock Price Interactions in Emerging Financial Markets： Evidence on India， Korea， Pakistan and the Philippines[J]Applied Financial Economics ，1997，7（1）：25-35

[6] Maghyereh，A，Al-Kandari，AOil Prices and Stock Markets in GCC Countries： New Evidence from Nonlinear Cointegration Analysis[J]Managerial Finance， 2007， 33（7）：449-460

[7] Malik，KF，Hammoudeh，SShock and Volatility Transmission in the Oil， US and Gulf Equity Markets[J]International Review of Economics & Finance， 2007，16（3）： 357-368

[8] Park，J，Ratti，RAOil Price Shocks and Stock Markets in the USand 13 European Countries [J]Energy Economics，2008，30（5）： 2587-2608

[9] Malik，F，Elwing，BTVolatility Transmission between Oil Prices and Equity Sector Returns[J]International Review of Financial Analysis，2009，18（3）： 95-100

[10] Ehrmanna， M，Fratzscherb，M，Rigobon，RStocks， Bonds， Money Markets and Exchange Rates： Measuring International Financial Transmission [J]Journal of Applied Econometrics，2011，26（6）： 948-974

[11] 赵华人民币汇率与利率之间的价格和波动溢出效应研究[J]金融研究，2007，（3）：41-49

[12] 陈云，陈浪南，林鲁东人民币汇率与股票市场波动溢出效应研究[J]管理科学，2009，（3）：104-112

[13] 李成，马文涛，王彬我国金融市场间溢出效应研究[J]数量经济技术经济研究，2010，（6）：3-19

[14] 史永东，丁伟，袁绍锋市场互联、风险溢出与金融稳定 [J]金融研究，2013，（3）：170-180

[15] Engle， RF，Kroner，KFMultivariate Simultaneous Generalized ARCH [J]Econometric Theory ，1995，11（1）：122-150

作者：米咏梅　王宪勇

风险溢出效应金融市场论文 篇2：

基于 GARCH-Copula-CoVaR模型的风险溢出测度研究

摘要：本文根据GARCH-Copula-CoVaR模型，对亚洲三大股票市场指数间的风险溢出效应进行实证研究，结果表明：HSI和N225存在显著的双向即时风险溢出效应，而在滞后1期，只存在显著的从HSI到N225的单向风险溢出效应；HSI和SHZ亦存在显著的双向即时风险溢出效应，但在滞后1期以上不存在风险溢出效应；N225和SHZ在所有滞后期均不存在风险溢出效应；以 代表的平均风险溢出强度为4.4%，SHZ 和HSI间的风险溢出效应强于N225与HSI间的风险溢出效应。

关键词：条件风险价值；风险溢出强度；自回归条件异方差模型；Copula函数

一、引言

2007年次贷危机引发的美国金融市场风险迅速扩散到其他国家和地区，最终导致席卷全球的经济危机。这一事实充分表明，缺乏对市场极端条件下风险溢出效应的考量，可能会导致各金融市场风险水平被严重低估。面对经济金融的日益全球化，单一金融机构（或金融市场）的风险损失事件往往会迅速扩散到整个金融体系，引发系统性风险；这种市场之间的波动传导机制被称为风险溢出效应（或波动溢出效应）。风险溢出效应将整个金融系统看作是一个相互影响的整体，随着全球一体化进程的深入，风险溢出效应不再局限于本国金融市场，一国市场的波动不仅受其自身因素的制约，而且还要受到他国市场的影响。面对这次全球性的金融危机，作为国际主流风险管理技术的VaR①方法没有充分考虑这种风险溢出效应，缺乏对市场间相关风险的估计和度量，具有一定的局限性。

纵观国内外研究的现状，大多只限于风险溢出效应存在与否方面的研究，而对一个金融市场对另一个金融市场风险溢出强度有多大，未曾深入研究。如果能够设计一个具体的指标来度量金融市场间风险溢出强度大小，则可以用定量的方法深入研究风险溢出效应，具有重大理论和实际意义。基于这一背景，我们引入Adian和Brunnermeier（2008）提出的CoVaR方法，即条件风险价值法，这种方法试图计算在其他金融市场（或金融机构）陷入困境时投资组合损失的风险。和VaR方法相比，CoVaR方法将风险溢出效应纳入VaR框架内，并能以一具体数值表示风险溢出强度大小，是一种更为全面和有效的风险管理技术，具有很强的操作性。对金融机构而言，加入风险溢出效应后的VaR（即CoVaR）能更准确衡量实际风险，避免风险被低估（或高估），从而提高风险管理决策的准确性。而对关注整个金融系统风险的监管当局而言，因为CoVaR方法能够准确有效地反映单个金融机构（或金融市场）对系统风险的影响，监管当局便能够知道各金融机构（或金融市场）对系统风险的贡献程度，对那些对系统风险贡献程度较高的金融机构（或金融市场）实施更为严厉的监管，确保整个金融体系的稳定。可以说，CoVaR为监管当局管理系统风险提供了新的视角。

从已有的关于风险溢出效应的实证研究文献来看，大部分采用方差代表风险，直接对收益率序列的方差进行建模，检验一个市场的方差是否显著对另一个市场方差产生影响。如果有显著影响，则认为存在风险溢出效应，反之，不存在风险溢出效应，由于方差一般代表波动，这时的风险溢出效应也常被称为波动溢出效应。到目前为止，几乎所有关于波动溢出效应的研究都是通过建立模型，考察市场间方差的相互影响关系，以方差间接测度风险（或波动）。王春峰（2001）指出，方差只描述了收益的偏离程度，却没有描述偏离的方向，不能反映损失程度，不是刻画风险的优良指标。张瑞锋、张世英等（2006）也认为现实中方差增大并不一定意味着风险增大，他们引入分位数表示金融市场风险，利用金融市场间的影响概率来定量考察波动溢出效应并进行了实证研究。他们的研究将波动溢出效应引入到VaR（分位数本质上就是VaR）框架内，具有开创性。纵观国内外关于波动溢出效应的研究，均未深入涉及风险溢出强度，可否设计一个具体的指标表示风险溢出强度大小？在这样的背景下，Adian和Brunnermeier（2008）首次提出了风险溢出强度测度方法CoVaR方法，用于刻画在其他金融市场（或金融机构）陷入困境时，投资组合面临的风险，CoVaR相对于无条件风险价值VaR的变化率即为风险溢出强度。其后，两位学者2009年又连续发表了多篇工作文件对CoVaR方法进行详细阐述。CoVaR方法克服了以方差间接测度风险的缺陷，使用VaR来表示风险，将风险溢出效应纳入VaR框架，并以一具体数值表示风险溢出的强度大小，具有很强的操作性，为风险管理实践提供了新的思路和方法。目前国内尚无关于CoVaR的研究，本文将对这一方法做简单的介绍，并利用它来实证考察亚洲主要股票市场的风险溢出效应。

二、相关模型介绍

（一）条件风险价值（Conditional Value at Risk，简称CoVaR）

根据两位学者的的定义， 表示为当金融市场的资产（一般用收益率表示，下同）处于风险水平时，金融市场的资产所面临的风险水平，因此， 是关于的条件风险价值，反映了当

处于极端风险条件时， 所面临的风险水平。具体数学表达式如下：

其中， 为置信水平（如不特别说明，本文所有风险价值对应的置信水平为95%）， 代表

滞后p期（p=0对应的风险溢出效应称为即时风险溢出效应，p>0对应的风险溢出效应称为滞后风险溢出效应）对应的风险价值。由定义不难看出：

本质上也是VaR，反映当在t-p时期发生极端风险时，在当前（即t期）所面临的风险水平；

是 在t时期的总风险价值，可以看作是无条件风险价值和溢出风险价值之和，或者说溢出风险价值等于 减去无条件风险价值，即：

代表 在t时期不考虑溢出风险时的风险价值，即无条件风险价值， 反映了对的溢出风险价值，由于不同金融市场的无条件风险价值相差甚远， 不能充分反映风险溢出强度，为此，我们对进行标准化：

发生极端风险时对的风险溢出强度。如果代表的是整个金融系统， 能够捕捉单个金融市场

发生极端风险时，系统风险的变化。CoVaR技术将风险溢出效应与流行的VaR相结合，能更准确地反映真实的风险水平，这对关注整个金融系统风险的监管当局来说意义重大。

（二）CoVaR的计算

由于VaR本质上就是一个分位数，而CoVaR本身又是VaR，所以CoVaR也是一个分位数，可以通过建立分位数回归（Quantile Regression）来对CoVaR进行分析。Adian和Brunnermeier在提出CoVaR概念时曾采用这种方法，但采用分位数回归（Quantile Regression）计算CoVaR存在以下不足之处：（1）对分位数回归残差简单假设，未考虑金融时间序列普遍存在的GARCH效应；（2）分位数回归实质是一种线性回归，不能刻画序列之间非线性结构，可能会低估序列间的相关关系。基于这两点不足，本文将进行改进，建立GARCH-Copula模型以充分反映序列的方差自相关及序列间的相关结构，并在此基础上推导出CoVaR的计算方法。

1. 选择合适的GARCH对边缘分布建模。针对ARCH模型经常存在滞后阶数q过大的缺陷，Bollerslev（1986）在ARCH基础上提出了GARCH模型，GARCH是对ARCH模型的拓展，有效降低了滞后阶数，使估计更为有效。GARCH模型表达式如下：

其中，，

满足上面条件的模型称为 模型。GARCH模型一般假设 服从正态分布，而金融时间序列普遍存在尖峰厚尾特性，实证研究中经常用t分布、GED分布来代替正态分布假设，本文拟采用t分布。

2. 选择合适的Copula相依结构函数。Copula函数作为相关性分析和多元统计分析的工具，实际上是一类将联合分布函数与它们各自的边缘分布函数连接在一起的函数。这一方法最早由Sklar（1959）提出，但是直到二十世纪90年代末，随着计算机技术、统计推断方法的完善和多元建模技术的发展，Copula方法才开始应用到金融领域。

N维Copula函数是指满足如下性质的一类函数集 ：

（1）；（表示函数集 的定义域）

（2）具有基面（grounded）且是N维递增函数；

（3） 的边缘分布函数满足：

很显然，如果是一元分布函数，则

多元分布函数。根据定义我们可以看到实际上Copula函数是在N维[0，1]空间上具有[0，1]均匀边缘分布的多元分布函数，它实际上就是将多维联合分布与一维边缘分布联系在一起的一个连接函数。Sklar定理认为当 是边缘分布为的N维联合分布函数时，一定存在一个Copula函数，使得：

若连续，则唯一确定；若为一元分布函数，则函数 是边缘分布的联合分布函数。根据Sklar定理，可以进一步推导出联合分布函数的密度函数：

其中， 为Copula函数的密度函数，是边缘分布 的密度函数。由（4）式我们可以将一个联合分布函数拆成一元的边缘分布和由Copula函数表示的相依结构两部分，这不仅为我们提供了一个在不考虑边缘分布的情况下分析多元分布相依结构的方法，还为我们求多个单个变量联合分布函数提供了更便捷的途径。

3. 结合GARCH模型和Copula函数计算CoVaR。为了表述简洁，下面以即时风险溢出效应为例，介绍CoVaR的计算过程，滞后风险溢出效应按同样方法容易得到。例如，如果要计算 对 的风险溢出效应强度，首先，利用GARCH-t模型分别对 和 进行拟合，得到独立同分布残差序列 ，均服从均值为0、方差为1、自由度分别为和的标准化学生-t分布。选取最优的Copula函数C对 进行拟合，得到下式：

其中， 和表示均值为0、方差为1、自由度为和 的标准化学生-t分布函数，F为 的联合分布函数。在已知信息集 前提下，和分别是的单调增函数，根据Copula相关性质，对变量作严格单调增变换，相应的Copula函数不变，容易发现，研究收益率序列间的相关关系可以简化为研究残差序列的相关关系，大大简化对问题的分析。

和在不考虑溢出效应时的VaR（无条件风险价值）可通过各自的GARCH-t模型拟合结果直接求出：

其中， 代表置信水平，表示自由度为v的标准化学生-t分布的分位数函数， 代表自由度为v的学生-t分布的分位数函数， 为GARCH-t模型的条件标准差。当考虑溢出风险时， 的总风险价值（包括无条件风险价值和 对 的溢出风险价值）为，求解过程如下：首先，根据条件分布的定义，容易推出，对固定的，关于 的条件分布函数为：

三、数据选取与实证分析

（一） 数据选取与处理

本文选取亚洲三大股票市场指数包括日经指数（N225）、香港恒生指数（HSI）、上证指数（SHZ）的日收盘价作为原始数据，样本考察期为2002年1月2日至2010年4月1日，数据来源于雅虎财经和巨灵服务平台。通过取指数收盘价对数一阶差分计算出每日的收益率，为了减少计算误差，我们将所有计算结果乘以100，即：

其中， 为t日百分比收益率，表示指数t日对应的市场价格指数。这样，我们就得到了所有指数的百分比收益率数据。分析软件使用Eviews 6.0及S-Plus8.0。

（二）风险溢出效应检验

大量实证研究表明，GARCH（1，1）模型能较好地拟合金融时间序列，因此本文首先利用GARCH（1，1）-t对各股票指数收益率序列进行建模，得到条件方差值序列 ，根据公式（7）进一步可以计算得到各股指在不考虑溢出效应时的风险价值序列②，

分别为 、 及

，为了检验两市场之间的风险溢出关系，首先定义风险指标函数：

为风险指标函数，当实际损失超过时，

风险指标函数取1，否则为0。如果要检验市场2是否对市场1产生风险溢出效应，将作为被解释变量，作为解释变量进行Logit回归分析，如果

对应的系数显著不为0，则认为市场2对市场1产生显著的风险溢出效应，最后结果如下：

表1所示，容易看出：HSI和N225存在显著的双向即时风险溢出效应（0阶对应的风险溢出效应为即时风险溢出效应），而在滞后1期，只存在显著的从HSI到N225的单向风险溢出效应；HSI和SHZ亦存在显著的双向即时风险溢出效应，但在滞后1期以上不存在风险溢出效应；N225和SHZ在所有滞后期均不存在风险溢出效应。结合参数估计值，我们可以初步推导出以下结论：（1）HSI与N225间的风险溢出效应最为强烈；（2）SHZ 和HSI迅速吸收来自对方的风险冲击，但强度弱于HSI与N225间的风险溢出效应；（3）N225和SHZ不存在任何风险溢出效应。

结合国内股票市场的实际情况，我们认为，上述结果和国内股票市场的特点是密切相关的：中国内地股票市场被分割成A股、B股和H股，B股和H股吸收了大部分来自国际市场的冲击，对A股起到了天然的“防火墙”作用。因此，SHZ主要受国内经济状况和政策的影响，对来自国际市场的风险相对不敏感。SHZ 和HSI之所以存在风险溢出效应与中国内地和香港地区特殊的地缘关系（同属一个国家）和紧密的经济联系是分不开的。对各市场间风险溢出效应存在与否进行检验后，我们利用第三部分介绍的方法计算CoVaR，从定量的角度考察市场间风险溢出强度具体大小。

（三）计算风险溢出强度

下文根据第三部分介绍的方法，计算CoVaR，进而分析各市场风险溢出强度大小。以HSI滞后一阶对N225的风险溢出效应为例，首先利用GARCH（1，1）-t分别拟合HSI和N225的收益率序列，从结果中提取自由度 及独立同分布标准残差序列

，将 代入标准学生-t分布累积分布函数表达式③，得到序列，利用作为观测值，运用不同的Copula函数进行估计，得到表2：

如表2所示，根据极大似然函数值Loglike最大及AIC、BIC、HB最小的原则，确定选取BB4 Copula作为最优的Copula函数，相应地容易得到BB4 Copula的密度函数c，的 分位数可以通过以下表达式求出： ，结

果为= -0.7029909，然后将求出的参数代入方程式（11），方程式的解即为的 条件分位数值（相对于 = 条件下），结合公式（12），最终求出

= ，进而求出 、。按同样道理，可以计算出表1中所有风险溢出效应对应的风险溢出强度大小，最终结果如表3所示，容易看出， 与都是随时间变化的量，大小和当期的条件方差有关，而 消除了量纲的影响，以百分比的形式更有效地反映了风险溢出强度大小。平均来看，以 代表的风险溢出强度为4.4%，但是和前面定性分析得出的初步结论有所不同的是，SHZ 和HSI间的风险溢出效应要强于而不是弱于N225与HSI间的风险溢出效应。

四、研究结论

VaR技术缺乏对风险溢出效应的考虑，可能会导致各金融市场风险水平被严重低估。CoVaR方法通过将风险溢出效应纳入VaR框架弥补了这一不足，通过CoVaR方法，风险管理人员能够定量分析风险溢出效应的方向和大小，具有很强的操作性，能够提高风险管理决策的准确性。

本文根据GARCH-Copula-CoVaR模型，对亚洲三大股票市场指数间的风险溢出效应进行实证研究，得出以下主要结论：第一，HSI和N225存在显著的双向即时风险溢出效应，而在滞后1期，只存在显著的从HSI到N225的单向风险溢出效应；第二，HSI和SHZ亦存在显著的双向即时风险溢出效应，但在滞后1期以上不存在风险溢出效应；第三，N225和SHZ在所有滞后期均不存在风险溢出效应；第四，以 代表的风险溢出强度为4.4%，SHZ 和HSI间的风险溢出效应强于N225与HSI间的风险溢出效应。

随着金融自由化、全球化的深入发展，信息传导将更为迅速有效，金融市场间的风险溢出效应也会变得更加明显，必须给予足够的重视。

注：

①本文计算VaR时使用相对VaR的概念，即相对于期望回报的VaR。

②根据公式（7）计算的VaR一般带负号，实证部分取绝对值进行处理。

③设学生-t分布函数为，标准化学生-t分布函数为，根据学生-t分布与标准化学生-t分布的关系容易推导出：。

参考文献：

[1]Adrian，T.，Brunnermeier，M.K.，（September 2008），“CoVaR”，Federal Reserve Bank of New York Staff Reports no.348.

[2]Adrian，T.，Brunnermeier，M.K.，（April 2009），“CoVaR”working paper，Federal Reserve Bank of New York and Princeton University.

[3]Adrian，T.，Brunnermeier，M.K.，（August 2009），“CoVaR”working paper，Federal Reserve Bank of New York and Princeton University.

[4]刘金全， 崔畅. 中国沪深股市收益率和波动性的实证分析[J]. 经济学季刊，2002，1（4）.

[5]陈守东，陈雷，刘艳武. 中国沪深股市收益率及波动性相关分析[J]. 金融研究，2007，（7）.

[6]张瑞锋. 金融市场协同波动溢出分析及实证研究[J]. 数量经济技术经济研究，2006，（10）.

[7]韦艳华， 张世英.Copula理论及其在金融分析上的应用[M].北京：清华大学出版社，2008年.

（特约编辑 齐稚平）

作者：谢福座

风险溢出效应金融市场论文 篇3：

风险传染效应在牛市、熊市中的异化现象

摘要：本文基于向量GARCH模型，对双重上市公司A股与H股在不同市场环境下的风险传染效应进行了实证研究。研究表明，风险传染效应在牛市、熊市中存在着异化现象。在牛市阶段，A股对H股存在单向的风险传染效应；而在熊市阶段，A股与H股之间存在双向的风险传染效应，其中H股对A股的风险传染效应更加强烈。对风险传染效应的异化现象试着给出了解释原因并提出政策建议。

关键词：风险传染效应；异化现象；A+H；向量GARCH

一、引言

股权分置改革基本完成之后，证券监管部门为了增强A股市场的国际竞争力，做大内地资本市场，鼓励优质的上市

公司同时在A股市场与H股市场发行股票进行融资。许多质优的大盘蓝筹股开始选择同时在内地和香港市场上市融资，成为中国资本市场发展过程中引人注目的事件。

然而，股改基本完成后的内地资本市场，高投机的氛围依然浓厚。上证综指既有从2006年的1161点飙升至2007年6124点的大牛市，也有在2008年急速跌破2000点大关的熊市。在这一过程中，紧密联系两地市场的A+H股的表现格外引人注目。双重上市公司的A股与H股所面对的监管制度、开放程度和投资者结构均不相同，风险特征也各有不同。根据Ross (1989)的研究，不同市场间的风险传染效应实际上刻画了信息的流动。因此，A+H股之间的风险传染效应成为众多学者和投资者关心的问题。但是，在不同的市场环境下，投资者面对同样大小的利得与损失时，投资心态是存在差异的，因此，市场间的联动特征也有所不同。特别是在目前全球资本市场低迷的大背景下，区分考察风险传染效应在牛市和熊市中的异化现象，更加具有现实意义。

目前，国内针对AH股双重上市公司股价关系的研究还不多见。刘昕（2004）的研究表明，双重上市公司的H股收益率对A股收益率具有引导效应，但是A股收益率对H股却没有引导作用。王烜（2007）基于SUR模型的研究表明，从2006年1月1日到2007年5月1日，香港投资者更多地参考了内地的股票价格，A股的日收益率显著影响了同一天香港的日内收益，而A股的日内收益对香港隔夜收益的影响相对较弱。这些研究偏重于双重上市公司A股与H股之间收益率引导关系的研究，但是方毅等（2007）指出，收益率信息引a导关系反映的是双重上市公司A股与H股之间对确定性信息的可预期反应，而对于不确定性信息的反应则需要风险传染效应来刻画。

国内学者对A股与H股市场之间的风险传染效应一直保持着密切的关注，基于不同的模型从不同的角度进行了考察。其中基于单变量GARCH模型的有：洪永淼等（2003）运用风险—Granger因果检验考察了A股市场同H股市场之间的风险溢出效应，认为A股市场同H股市场之间存在强烈的风险溢出效应；刘培堂（2007）基于CCF检验的研究表明香港市场对国内A股市场有明显的波动溢出效应，反之则不明显。基于向量GARCH模型的有：谷耀（2006）研究认为，香港股市对国内股市有显著的波动溢出效应；董秀良（2007）基于向量GARCH模型考察了沪市与香港股市之间的风险溢出效应，认为香港股市对沪市具有波动溢出效应，反之，沪市对香港股市没有波动溢出效应。本文基于向量GARCH模型，选择双重上市公司A股与H股为对象进行风险传染效应的研究。

二、向量GARCH模型

假设对于A、B两种指数，条件均值方程设定为：

其中是 时刻的2维收益率向量，为条件期望向量，为时刻的2维残差向量。为 时刻以前的信息集， 为条件协方差矩阵。

不同的向量GARCH模型的区别在于条件协方差矩阵 设定形式的不同。本文选取的设定形式为由Engle和Kroner（1995）提出的BEKK形式的向量GARCH模型，研究表明，BEKK型的向量GARCH模型可以降低参数个数，提高建模效率。Kavajecz(2001)的研究表明，GARCH（1，1）模型可以对金融数据进行很好地刻画，因此对于二元的向量GARCH模型，本文对条件方差方程的设定形式为：

将上式拆分为三个单变量GARCH（1，1）模型：

假设、分别代表指数A与指数B的条件方差，为常数项。根据Kroner(1998) 和赵华（2007）的研究，如果要考察指数B对指数A是否存在风险传染效应时，只要考察，是否显著即可；反之，如果要考察指数A对指数B的风险传染效应，则要考察， 是否显著。

本文采用最大似然法估计模型参数。在条件残差向量服从二元正态分布的假定下，对数似然函数为：

其中T为样本总量， 为待估参数向量。由于对数似然函数是非线性形式，本文应用拟牛顿法进行优化计算，Hessian矩阵采用DBFGS算法进行迭代校正，收敛标准对函数和参数均设置为10-5。

三、实证结果与分析

（一）数据选取

2007年7月9日，恒指服务公司为了度量双重上市公司在两个市场上的不同表现，选取已经完成股改的两地双重上市公司为成份股，正式公布了恒生AH指数系列。本文选取香港恒生AH指数中的A指数和H指数进行建模，既可以避免使用大盘指数包含过多非必要信息的缺点，又可以克服使用个股数据噪音过多的不足。

本文的数据来自WIND数据库，样本期为2006年1月3日到2008年10月10日，共702个观测值。在样本区间内，内地股市于2007年11月达到牛市的顶端，之后一路反转下行，在全球资本市场低迷的大环境下，走入低谷。本文以2007年11月6日为分界线，将样本分为牛市（2006年1月3日——2007年11月6日）和熊市（2007年11月7日——2008年10月10日）两个阶段，重点从牛市和熊市两个不同的市场环境出发，比较双重上市公司A股与H股风险传染效应的异化现象。其中，2007年7月9日以前的数据为恒指服务公司公布的历史数据。日收益率的计算采用对数差分形式：

其中 代表第 日的收益率， 代表第日的股票指数，下标分别代表A股或H股，文中所有的计算均基于sas9.1编程完成。

（二）双重上市公司描述性统计与分析

表1列出了AH股A指数和AH股H指数的股指收益率在牛市和熊市两个阶段的描述性统计量。通过对比可以发现，在牛市阶段AH股A指数的均值和标准差均大于H指数，说明A股市场具有较高的收益和较高的波动率；而在熊市阶段，A指数的收益率较H指数低，说明A股收益急速下挫，但是A指数的标准差较H指数小。A指数同H指数的峰度均大于3，有显著的尖峰厚尾现象。从偏度来看牛市阶段为左偏而熊市阶段为右偏。Shapiro-Wilk正态统计检验均拒绝了两个收益率序列正态分布的假设。滞后12阶的Q统计量表明，牛市阶段，A指数和H指数收益率序列具有明显的自相关性，而熊市阶段，A、H指数均没有。收益率平方序列滞后12阶的Q统计量表明A股和H股的收益率序列具有明显的ARCH效应，可以用GARCH类模型进行建模。ADF检验说明序列是平稳的，符合建模的条件。

（三）基于VAR模型的条件均值方程建模

VAR模型主要应用于刻画变量间一阶矩的动态关系。本文利用VAR模型作为条件均值方程来度量双重上市公司A股与H股之间收益率信息的引导关系：

是时刻的收益率向量，其中 、 分别为双重上市公司A股和H股收益率，

(i=1…p)为系数矩阵，为常数向量。

通过实验，我们依据最优信息标准（Minimum Information Criterion），通过选择不同的滞后期进行比较后发现，条件均值方程采用VAR（1）形式的BIC（Bayesian Information Criterion）值最小，因此我们选择VAR（1）形式的条件均值方程。

表2给出了均值方程的参数估计结果，不论是在牛市阶段还是熊市阶段，A股收益率受到H股滞后一阶的影响，从系数上看，H股同A股的收益率表现出正相关关系；H股没有明显的一阶自相关现象，同时也没有受到A股收益率的影响，所以从A股H股之间收益率关系来看，A股和H股之间是不对称的。这同刘昕（2004）的研究结论基本相同，但是同王烜（2007）的研究有所不同。本文认为由于香港H股市场比内地A股市场晚收盘30分钟，因此，H股的收盘价包含了更多的信息，这些确定性的信息对A股第二天的收益率起到了引导作用。

（四）条件方差方程的建模

二元的条件方差方程MGARCH（1，1）通过刻画变量间二阶矩的动态关系反映了双重上市公司A股与H股之间的风险传染效应。方毅等（2007）指出正是风险传染效应加大了股票波动的不确定性。因此，对风险传染效应的度量是本文的重点。

根据模型设定，本文假设， 分别代表双重上市公司A股和H股的条件方差。表3的结果表明：在牛市阶段和熊市阶段，反映ARCH效应的系数

不显著，但是 显著，这说明H股的波动明显受自身的影响，具有时变方差的特征，而A股没有；而反映GARCH效应的系数 不显著，但是 均达到了1%的显著性水平，说明H股的波动均具有持久性的特征。

从风险的跨市传染来看，在牛市阶段，系数显著，但是和、均不显著，说明双重上市公司的H股受到A股的风险传染效应；然而，在熊市阶段，虽然和 均不显著，但是 和 均达到1%的显著性水平，说明A股和H股之间存在双向的风险传染效应。所以对于风险传染效应，A股和H股之间在牛市和熊市两个不同阶段存在异化现象。在牛市阶段，双重上市公司A股与H股之间存在单向的风险传染效应，方向是A股对H股具有风险传染效应；而在熊市阶段，A股与H股之间具有双向的风险传染效应，其中H股对A股的风险传染效应更加强烈。

综上所述，不论是在牛市阶段还是在熊市阶段，A股均对H股产生了风险传染效应，这表明内地资本市场的开放度有加强的趋势，这与以往的研究者的结论有所不同，而只有在熊市阶段，H股才表现出对A股的风险传染效应，本文认为这种造成这种异化现象的原因有：

第一、A股市场的巨幅波动成为H股的风险传染源。当内地股市处于牛市阶段时，大批散户进入股市直接投资或者购买基金，开户数和成交量连续创造记录，特别是双重上市公司多为质优的蓝筹股，内地股民对这些质优股表现出了极大的热情。而当股市进入反转下行阶段时，不断下滑的股市使得投资者的投资信心受到打击，特别是随着次贷危机的爆发，市场上充满了利空消息，投资者出现了恐慌性的抛售。 而且，内地股市的机构投资者类型单一，其投资理念与操作手法趋同，更容易造成市场内部的“羊群效应”。特别是许多内地上市公司开始实行“先A股后H股” 的发行模式，A股的话语权不断增强。因此，A股的巨幅波动刺激了H股波动幅度的加大，A股不论在牛市阶段还是在熊市阶段都成为影响H股的风险源，为H股的起落传递着市场信息。

第二、投机氛围浓厚的内地A股市场的牛市格局毕竟不能永久持续下去，在全球经济不景气的预期下，内地A股市场开始持续走低。作为新兴的资本市场，内地股市的对外开放程度、投资者结构及监管制度都与香港股市存在较大的差距，香港股市作为国际金融中心，其交易制度成熟、规范，会计信息披露较为透明。在A股市场泡沫破裂后的熊市阶段，许多投资者将定价较为合理的H股作为投资标尺。特别是在次贷危机愈演愈烈的情况下，全球股市普遍下跌，直接面对全球资本风险的香港股市，对各种信息的吸收更加充分，在这样的市场环境下，H股起到了发送市场信号的作用。这也是在熊市阶段，H股对A股具有更强的风险传染效应的原因。

四、结论与启示

本文通过构建VAR（1）—向量GARCH（1，1）模型对双重上市公司A股与H股之间的风险传染效应在牛市与熊市不同阶段的异化现象进行了实证研究。由此得出以下结论：

第一，从收益率信息引导关系来看，不论是在牛市阶段还是熊市阶段，双重上市公司的收益率引导关系都具有不对称性，H股收益率为A股收益率提供了参考，而A股收益率并没有为H股收益率提供参考。

第二，从风险传染效应来看，风险传染效应在牛市和熊市两个阶段的异化现象明显。在牛市阶段，双重上市公司A股与H股之间存在单向的风险传染效应，方向是A股对H股具有风险传染效应；但是当股市处在熊市阶段时，双重上市公司A股与H股之间存在双向的风险传染效应，其中H股对A股的风险传染效应更加强烈。

政策制定者应该从全球竞争的角度考虑内地投资者与境外投机家博弈关系的复杂性，在逐步进行资本开放的过程中应该采取“不断开放与强有力的自我保存”的管理机制。在全球资本市场持续动荡的今天，应该加速内地股市从行政政策市向经济政策市的逐步转型，通过合理的政策调整与稳健地推进金融产品的创新来逐步恢复市场的投资信心，从而为内地和香港资本市场的平稳健康发展奠定基石。

参考文献：

[1]Ross S A. Information and volatility: “The No-Arbitrage Martingale approach to timing and resolution irrelevancy”[J].Journal of Finance， 1989(44):1-17.

[2]刘昕：《信息不对称与H股折价关系的定量研究》，《财经研究》2004年第4期。

[3]王烜：《双重上市股票的实证分析》，《证券市场导报》2007年第10期。

[4]方毅、张屹山：《国内外金融期货市场“风险传染”的实证研究》，《金融研究》2007年第5期。

[5]洪永淼、成思危、刘艳辉、汪寿阳：《中国股市与世界其他股市之间的大风险溢出效应》，《经济学》(季刊)2004年第3期。

[6]刘培堂、吴文锋、吴冲锋：《证券市场信息流动及其市场分割检验》，《管理评论》2007年第4期。

[7]谷耀、董丽娜：《沪、深、港股市信息溢出效应与动态相关性——基于DCC-(BV)EGARCH-VAR的检验》，《数量经济技术经济研究》2006年第8期。

[8]董秀良、吴仁水：《金融市场风险传染实证研究：综述与展望》，《经济学动态》2007年第9期。

（编辑 耿 欣）

注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文”。

作者：李　勇　李传乐