股市泡沫与债市泡沫之关系：此消彼长抑或相互促进？——兼论货币政策及资本市场改革措施的影响

郭文伟

一、引言

从全球范围来看,股票市场与债券市场一直是各国资本市场的重要组成部分,两者在满足企业直接融资、资源优化配置和投资者资产配置需求等方面发挥着越来越重要的作用。然而,近20年来国内外金融市场实践表明,股市暴涨暴跌现象频发往往会加剧债券市场的波动；与此同时,股市泡沫的周期性出现也会对债券市场产生不利影响,甚至会催生债市周期性泡沫的出现。事实上,中国股市在2006—2007年期间出现了历史罕见的大牛市,股市泡沫也达到顶峰。随后由于2008年美国金融危机的爆发,加速了中国股市泡沫破灭并进入了漫长的大熊市 (2008—2014年),在此期间,债券市场在大量回流资金推动下进入了快速发展阶段,股市与债市之间呈现出 “此消彼长”的格局。直到2014年12月至2015年5月期间,中国沪深股市在各种因素作用下又出现一波快速上涨的短期牛市,在这短期内股市泡沫迅速膨胀,而债市依然保持快速增长态势,形成了 “股债双牛”格局。然而,随着我国证监会从2015年6月开始整顿两融业务和清理场外非法配资行为,众多资金短期内逃离股市,在这种抽逃资金的冲击下,沪深股指连续三个月出现了 “股灾”式的下跌,股市泡沫随之崩塌；与此同时,面对国内楼市的不景气和股市暴跌,大量理财资金继续涌入火热已久的债市,这不但推高了债券价格,更是加剧了债市的过热程度,甚至促使债市泡沫膨胀。自2016年年底以来,随着我国货币政策由之前的宽松转向中性及中央政府加速推进金融 “去杠杆”进程,整个资本市场的流动性开始逐渐收缩,这导致持续火爆多年的债券市场开始出现回调。尤其是进入2017年下半年以来,美联储开始实施缩量计划并逐步加息,在此带动下,全球央行相继实施紧缩性货币政策,这也意味着全球经济开始进入紧缩性货币政策周期。在此背景下,我国债券发行利率也开始逐步上升,同时债券违约数量及金额屡创新高,至今债券市场价格已出现持续长达半年以上的下跌趋势,社会各界开始忧虑债券市场泡沫是否会最终破灭,从而形成 “股债双杀”的格局。因此,在这些背景下,深入研究股市泡沫与债市泡沫之间复杂的相依结构及其泡沫风险传导机制就具有重要的理论价值和实践意义。这一方面能增强投资者认识股市与债市走势及相互之间影响机制,进而合理配置资产,降低投资组合风险；另一方面,也有助于政府监管层深刻理解股市泡沫与债市泡沫之间存在复杂相依性,为识别资产泡沫风险传染源及防范其跨市场传染提供了有益的借鉴。

二、文献综述

从国内外学者研究资产泡沫类型的脉络来看,先后经历了 “理性泡沫学派”到 “非理性泡沫学派”,再到 “两者齐头并进”的演进历程。非理性泡沫学派代表了最近10年来的研究趋势,为揭示资产泡沫的形成机制提供了更多非理性因素 (如,投资者情绪、羊群行为、恐惧、贪婪等),但却缺乏具备理性泡沫模型所具有的坚实数理基础和可重复检验的优势。在研究的成熟度和应用的广泛性方面,目前学界对理性泡沫的研究明显强于对非理性泡沫的研究。对此,本文基于理性泡沫学派视角揭示资产泡沫的定义。所谓理性泡沫,一般是指资产价格与其理论价值(内在价值)发生了明显的偏离,而资产理论价值一般是指其未来各期预期收益折现值的总和。因此,股票泡沫和债券泡沫均是指其市场交易价格明显超过其基于未来各期预期收益的现值之和那部分。

至今国内外有关股票市场与债券市场之间相依性方面的研究较多,但研究股市泡沫与债市泡沫之间相依性的文献较少,因此,本文结合研究对象,以研究方法和研究结论为主线,围绕研究主题对国内外文献进行综述。

国外学者主要采用三类方法来研究股市与债市之间的相依性:第一,基于条件动态相关系数 (DCC模型)分析法。Campbell和 Ammer(1993)[1]、Fleming等 (2001)[2]采用DCC模型分析欧美国家中股市与债市之间的相关性,其研究结论均发现股票和债券市场之间存在交互波动溢出效应；而Scruggs和Glabadanidis(2003)[3]通过实证也发现了股市与债市之间的动态相关性。Baura和Lucey(2009)[4]认为股市与债市之间的波动溢出效应存在两种特征:逃离效应和传染效应；Yang等[5](2010)采用非对称DCC模型研究了美国股市、债市与房地产信托基金市场在1999—2008年期间的动态相关性,其研究结果表明:股市在这些不同市场间起到枢纽中心的作用,而债市对跨市场投资组合多元化起到重要作用。第二,基于静态/动态Copula模型分析法。由于DCC模型只能刻画随机变量之间的对称、线性的正态相关性,而无法充分捕捉到股市与债市之间的非对称尾部相依性,随后有不少学者采用静态/动态Copula模型替代DCC模型来展开相关实证工作。Hu(2006)[6]较早提出了线性混合Copula模型来分析国际上股市与债市之间的相依结构,同样证实了国际上不同股市与债市之间存在非对称的上下尾相依结构。由于随着外部环境的变迁及影响,不同金融市场间的相依性会出现时变性,由此催生了动态 Copula模型的出现。Patton(2006)[7]最早提出了动态Copula模型来研究国际外汇市场动态相关性及相关性变结构问题。自此,此类动态Copula模型开始被国内外学者广泛应用于刻画不同地区、国家的金融市场之间的时变相依性。第三,基于状态转换的混合Copula模型分析法。针对动态Copula模型存在单一状态的局限问题,开始有学者将马尔科夫状态转换思想引入Copula模型中,从而提出了基于状态转换的Copula模型 (MRS-Copula)来研究不同股市之间的相依结构特征。René和Georges(2011)[8]采用MRS-Copula模型研究了国际股市与债市之间的相依结构后认为,国际股市内部或债市内部均存在显著的相依性,而股市与债市之间的相依性较弱,即使同一国家内的股市与债市之间的相依性也较低。

国内学者主要采用四类方法来分析中国股市与债市之间的相依性 (溢出效应):第一,二元BEKK模型。王璐和庞皓 (2009)[9]基于BEKK模型研究了我国股市与债市之间的波动溢出效应,认为两市之间显著存在波动溢出效应,且该效应具有时变和非对称特征。王斌会等 (2010)[10]采用BEKK模型来分析中国股市、债市与汇市之间的溢出效应,其结果表明:股市对债市具有单向的波动溢出效应。胡秋灵和马丽(2011)[11]采用BEKK模型对中国股市与债市之间的波动溢出效应进行实证分析,其结果表明:随着股市处于不同景气阶段,两市之间的波动溢出效应具有明显不同的特征。但在牛市或熊市时,股市对债市具有单向的波动溢出效应；而当股市反弹时,两市之间不存在波动溢出效应；但股市处于震荡阶段时,两市之间出现双向的波动溢出效应。汪冬华等 (2012)[12]也取得类似的研究结论。第二,多元动态条件相关系数模型 (DCC)。何宜庆和陈平 (2012)[13]采用DCC模型对中国股票市场、企债市场和国债市场之间的波动溢出效应与动态相关性进行了实证分析,其研究结果表明:股市对企债市场存在单向的波动溢出效应；股市与债市之间存在较弱的时变相关性,说明股市与债市之间的市场分割格局依然存在。袁超等 (2008)[14]采用非对称动态条件相关系数 (ADCC)模型来对中国股市和债市之间的动态相关性进行建模分析,其研究结果表明:股市与债市之间的相关性存在结构突变,两个市场对外部冲击响应程度存在差异；股市与债市之间的联动性面临负面消息冲击的响应程度大于正面消息的冲击。第三,Copula模型。王璐等(2011)[15]采用门限混合Copula对我国股市与债市之间的相依结构进行实证研究,其研究结果表明:股市与债市之间存在相依性和门限效应,且具有非线性、非对称的特征,两者的相依性存在结构突变特征说明目前我国金融资产配置效率依然偏低。史永东等(2013)[16]采用Copula模型及分位数函数对中国股市与债市在2002—2009年期间的风险溢出及其状态转换特征进行实证分析后发现中国股市与债市之间缺乏明显的联动性,两市尚处于相对分割的状态,在一定程度避免了极端条件系统性风险的相互传染。第四,马尔科夫机制转换模型 (MRS)。王璐 (2013)[17]采用MS-ARMA(1,1)模型来刻画股市与债市之间动态相依性可能存在的马尔科夫机制转换特征,其研究结果表明股市与债市之间的动态相依性存在正负两种状态,分别对应着逃离效应和传染效应。

从上述文献的研究结论来看,无论是国外还是国内,股市与债市之间存在动态、非对称和非线性的相依性,而且这种相依性随着股市的牛熊周期转换而出现结构突变或机制转换；总体上,股市与债市之间的相依性表现为此消彼长 (负相关)和相互促进 (正相关)两种特征。从刻画股市与债市之间相依性的方法来看,DCC模型优于BEKK模型,而动态Copula模型的建模效果优于DCC模型,但大部分动态Copula模型都没有考虑到股市与债市之间的动态相依性可能存在的状态转换及其结构突变特征。尽管随后的混合Copula模型和MRS-Copula模型考虑了股市与债市之间相依性存在的状态转换或结构性变化,但这两类模型往往只能刻画两市之间的静态相依性。与此同时,越来越多的实证研究表明,中国股市与债市之间相依性具有时变、非对称的特征,而且会随着国内股市的牛熊转换而出现不同状态轮换特征,尤其是在国外金融危机冲击下,国内股市与债市自身的波动水平也会发生状态转换,由此导致两市之间的相依性也会随之发生状态转换。显然,需要一种既能刻画我国股市与债市之间的动态相依性,同时又能显示不同相依性状态转换过程的模型才能充分捕捉到两市间相依性真实存在的各种特征。对此,本文将马尔科夫状态转换的思想引入到二元动态Copula模型的相依性参数演化方程中,通过允许演化方程中的截距项具有双重马尔科夫状态特征,从而构建含两种状态转换的动态MRS-Copula模型来分析我国股市泡沫与债市泡沫之间的复杂相依结构。总的来看,中国股市泡沫与债市泡沫之间存在此消彼长的关系。与现有文献相比,本文创新之处在于:第一,首次对股市泡沫与债市泡沫之间的动态相依性进行实证研究。有别于现有研究均侧重分析股市指数和债市指数之间的相依性,本文首先动态刻画了股市泡沫和债市泡沫的走势,为分析两市泡沫间的动态相依性结构奠定了基础。第二,相比其他不含状态转换的Copula模型,本文所构建含状态转换的动态MRS-Copula模型更能全面地刻画我国股市泡沫与债市泡沫之间存在的非对称、动态相依性及其不同状态转换特征。第三,基于各类Copula模型建模效果的综合比较来突出所选模型的优越性。

三、实证研究

（一）样本数据说明及描述性分析

本文选取了A股指数和中债新综合全价指数①本文之所以采用中债综合全价指数,是因为该指数由全国银行间债券市场与上海证券交易所债券市场中所有符合指数设计原则的各类债券编制而成,能更全面地反映债券市场的整体波动情况。来分别代表中国的股票市场和债券市场。由于各个市场指数推出时间不一,本文统一选取研究时期为2002年1月至2017年10月,每种指数各有190个样本数据 (均为经前复权后的月度收盘价②相比国外,国内上市公司分红比例普遍较低,而且缺乏广泛认同的代表性股利指数 (红利指数),推出时间又较晚,直到2005年后才陆续出现；现有的少数股利指数 (上证红利、中证红利和巨潮红利指数)无论是在样本选取、编制方法、指数长度上均存在显著差异；对此,本文并没有采取类似国外学者的做法:将股票市场指数除以相应的股利指数,而是直接利用股指进行建模分析,这种处理方式与邓伟和唐齐鸣(2013)[18]的做法类似。)。本文数据均取自Wind资讯数据库,各指数月度收益率采用自然对数形式来计算。

图1为中国股市与债市在研究时期内的走势及其收益率波动图,从该图中可知:股市与债市在2006—2009年期间出现相反走势,体现出此消彼长的格局,而在2014—2015年上半年期间又出现了相互促进股债双牛格局,但进入2017年以来,股市震荡上涨,而债市持续下跌,形成了股牛债熊的格局。从各指数在整个研究时期内的收益率走势来看,股市收益率在2006—2007年、2015年上半年期间出现了明显的波动聚集特征,而债市除了在2004、2008年出现剧烈波动外,其他时期内波动均较为平稳。

图1 股市与债市走势及其收益率波动趋势 （2002年1月—2017年10月）

根据表1的描述性统计结果可知,股市的标准差远大于债市指数的标准差,由此说明股市波动显著大于债市。从偏度来看,股市与债市的收益率分布均存在一定程度的 “左偏”和 “尖峰”特征。从这两种收益率系列的正态分布检验结果来看,股指收益率序列不服从正态分布,而债指收益率系列服从正态分布。

表1 股市与债市收益率的描述性统计

（二）实证模型

1.股市泡沫测度模型:BSADF检验。

目前国内外在股市泡沫测度上主要出现了三类方法。第一类是基于马尔可夫区制转换模型的泡沫检测方法 (Evans,1991[19]； Van Norden,1996[20]；Hall等,1999[21]； Shi,2013[22]； Ogonna 等,2013[23])。第二类是基于结构突变视角的资产泡沫检测方法(Homm和Breitung,2012[24])。第三类是基于单位根检验的资产泡沫检测方法 (Hamilton和Whiteman,1985[25]； Phillips等,2011[26],2015a[27],2015b[28])。在现有资产泡沫检测方法中,Phillips等 (2015a,2015b)[27-28]提出BSADF方法具有明显优势:第一,能揭示出可能同时存在的多个泡沫及持续时点；第二,能给出每个时点上泡沫值 (正泡沫和负泡沫)；第三,能进一步分析泡沫的演变趋势及其区制特征。从国内现有文献来看,目前国内基于BSADF方法来分析股市泡沫的实证研究相对较少,仅有简志宏和向修海 (2012)[29]、邓伟和唐齐鸣 (2013)[18]、郭文伟(2016a,2016b)[30-31]对基于该方法对沪深股市周期性泡沫进行测度,而尚未有文献专门对股市泡沫和债市泡沫之间的动态相依结构方面进行研究。因此,本文将运用BSADF方法来对国内股市与债市的泡沫进行实证分析,下面将简要介绍BSADF方法。

Phillips等 (2011)[26]结合资产价格泡沫具有爆炸性过程的特征,将传统直接检验资产价格pt是否存在泡沫转换到检验pt是否存在弱爆炸性过程 (即检验ADF模型中的自回归系数是否显著大于1)。

此外,为了完备地勾勒资产价格走势在正常时期(ρ=1)以及泡沫时期 (ρ＞1)的特征,Phillips等(2011)[26]提出了右侧单位根ADF检验法,即SADF。具体而言,首先在给定样本pt(t=1,2,Λ,T)中选取前部分样本数据pt(t=1,2,Λ,[Tr]；0＜r＜1； [·]表示取整),对选取出来的数据采用公式(1)的方法进行回归以得到估计参数的统计量t。随后,以选择的步长为跨度增加样本数量。每次增加样本量后都用公式 (1)进行回归,以得到新的统计量。持续该方式直至样本末期。经过以上操作,会得出一个统计量ADF的序列。最后,针对公式 (1)统计量的最大值,开始右侧ADF单位根检验,以确定弱爆炸过程的存在性。

Phillips等 (2015a)[27]的实证检验表明SADF能检测周期破灭的价格泡沫。然而,SADF也存在一些局限:第一,若资产存在多个周期性泡沫,该方法会对各个泡沫的存续周期时点的估计不一。第二,该方法有可能在递归过程中忽视了样本两端的泡沫 (由于窗口固定)。对此,Phillips等 (2015b)[28]在原方法的基础上进行了改进,通过前向递归过程中增加样本量,辅之以起点灵活变动的窗口,形成新的SADF方法,即BSADF检验法。这种新的方法包含了SADF检验法优势的同时也克服了其局限。BSADF方法通过如下步骤进行估计:

第一,固定样本终点r2,与此同时在区间 [0,r2-r0]内改变样本窗口的起点r1,使得每完成一次估计就获得一个统计指标值这样不断移动窗口进行估计直至样本终点,从而最终获得一系列统计指标值将该系列统计指标中的最大值定义为:

第二,改变样本终点r2,当时视为初次出现泡沫,用来标示泡沫起点；而当时则视为之前的泡沫消失了,用来标示泡沫终点。其中,为在100βT%置信水平上、样本容量为情况下的SADF临界值。

第三,为了揭示可能存在的多个泡沫,BSADF检验法一般就需要用相应的数据来替换当前时点之前的泡沫数据,然后结合递归技术来估计每个泡沫的存续周期时点。

2.动态Normal Copula模型和动态 MRS-Normal Copula模型。

其一,动态Norma Copula模型。

Normal Copula模型一般用于刻画两个随机变量之间的对称性相依结构,其分布函数为:

其中,Φ-1(·)是标准正态分布函数的逆函数,ρ∈ (-1,1)为该模型的相依性系数。当ρ是常数时,上述模型为静态Normal Copula模型；当ρ是时变参数时,上述模型为动态Normal Copula模型。为了确定ρ的演化模式,这里借鉴Patton(2006)[7]的做法,将ρ的演化方程类似于一个ARMA(1,q)模型,如下所示:

公式 (5)中函数Λ(·)为logistic转换函数,其计算公式为:通过这种函数转换就能保证时变相关系数ρ一直处于 (0,1)内。公式 (5)包含一个自回归项ρt-1和一个外生变量(由滞后的q期的ut与vt的差的绝对值的均值来代替),滞后期数q=10,其中 {ut｝与 {vt｝是采用概率积分转换方法将原系列进行转换而成的新系列。

其二,动态MRS-Normal Copula模型。

上述Copula模型均是通过假设相依性参数随时间的演化过程类似于ARMA(1,10)来实现动态演化,但这种演化模式具有单一状态特征的局限,忽视了在实际金融市场中可能存在多状态的演化模式以及各状态之间存在结构转换等情况。对此,本文将马尔科夫状态转换的思想引入到动态Copula模型的参数演化方程中,通过允许ARMA(1,10)方程中的截距项ω具有多重马尔科夫状态特征,从而构建具有马尔科夫状态特征的动态MRS-Copula模型。以动态Normal Copula模型为例,假设公式 (5)中的ωρ具有两种状态,而且这两种状态转换服从一阶马尔科夫链,则动态MRS-Normal Copula模型的相依性参数演化方程为:

公式 (6)中的St为无法直接观测到的状态变量,pi,j为从状态i转换到状态j的概率,即:

公式 (7)中的m代表状态数量。假如存在两种不同状态,则St={1,2｝,两种状态之间的转换概率矩阵为:

显然,对于矩阵中每一行有:

3.动态MRS-Normal Copula模型的参数估计。

这里令边缘分布函数的参数集合为θi,假设存在两种状态,i=1,2,动态MRS-Normal Copula模型的参数集合为θc,则动态MRS-Normal Copula模型的极大似然函数为:

本文采用两阶段极大似然法来估计Copula模型的参数,首先对各收益系列的边缘分布函数进行极大似然估计,在获得各边缘分布函数的参数θi后,利用数值方法对公式 (10)进行估计,可得到相关参数集θc；本文所有模型参数估计均通过Matlab2011b软件编程进行实现。

（三）实证结果

1.泡沫存在性检验。

这里采用BSADF检验法对国内股市和债市的泡沫存在性进行分析,分析结果如表2所示。在递归估计分析中,样本初始窗口长为6个月,每次移动步长为一个月,也即每次递归估计后新增一个月的数据纳入样本窗口中进行循环估计。为了获得泡沫临界值,本文通过2 000次模拟来获得在1%、5%和10%置信水平上的泡沫临界值。由表2可知,国内股市和债市的BSADF统计值均远大于其在1%置信水平上的临界值,由此表明在整个研究时期内,我国股市与债市均显著存在泡沫。

现场取回的黑粉在进一步测试前密封保存。黑粉微观观察采用Quanta 200F场发射电子扫描显微镜，并借助EDAX Genesis 2000 X-射线能谱仪 (EDS)测定元素组成。采用XRD-6000型X射线衍射仪对黑粉的物相组成进行测试，利用 Malvern Mastersizer 3000对黑粉粒径进行测试，测试前用研磨钵将黑粉研磨成细粉。

表2 股市和债市的泡沫存在性检验结果

2.股市泡沫与债市泡沫的比较。

图2中虚线代表泡沫临界值 (CV-BSADF值)走势,实线 (BSADF值)为股市和债市的泡沫走势。根据BSADF方法的判断原则,当BSADF值大于CVBSADF值时意味着开始出现泡沫,而当BSADF值小于CV-BSADF值时意味着泡沫消失了。由图2可知,在整个研究期内我国股市和债市均存在多个泡沫,但两者在泡沫严重程度及持续时间上存在明显差异。

图2 股市与债市泡沫走势图

表3对我国股市和债市发生泡沫的次数、泡沫持续时间、泡沫峰值等方面进行统计。从表3可看出,在整个研究时期内,股市和债市分别出现了7次和4次泡沫；A股市场在2006年11月至2007年10月期间出现了最严重的泡沫,历时12个月；其中,最大泡沫峰值 (7.91)出现在2006年12月；债券市场股市在2007年6月出现了最严重的泡沫,泡沫峰值高达7.35,这次泡沫历时5个月 (2005年3月至2005年7月)。在整个时期内,股市泡沫与债市泡沫之间的相关性为0.069,且在1%的置信水平上显著,说明两者在长期内存在正相关性。

表3 股市泡沫和债市的比较

3.股市泡沫与债市泡沫之间的动态相依性。

本文重点通过构建MRS-Copula模型来充分刻画国内股市泡沫与债市泡沫之间的动态相依性特征①本文在获得股市与债市泡沫数据 (BSADF系列)后,将两市泡沫系列进行概率积分转换成服从 [0,1]均匀分布的新序列,同时对变换后的各序列做自相关检验和基于BDS的独立性检验表明,经过转换后的新系列是独立的,并不存在自相关现象。这些都说明经过标准化处理后的泡沫系列适用于动态MRS-Copula的建模分析。,同时为了全面比较该类模型与其他代表性Copula模型的拟合效果差异,本文共用15种模型来进行建模分析,在此基础上,基于对数似然值 (LL)最小、AIC值最小和BIC值最小的原则来优选出最佳的Copula模型进行后续实证研究。最终各类模型的对数似然值、AIC和BIC值如表4所示。通过对表4中各模型似然对数LL值、AIC值和BIC值的比较可知,动态MRS-Normal Copula模型对股市泡沫与债市泡沫之间的动态相依性的拟合度最高,说明中国股市泡沫与债市泡沫之间存在对称、线性的动态相依性,因此本文采用动态MRS-Normal Copula模型对沪深股市泡沫与债市泡沫之间的相依性进行建模分析,估计结果如表5所示。

表4 各Copula函数参数的静态估计结果

续前表

从表5可知,沪市泡沫与债市泡沫之间相依性的截距项均存在低、高两种状态,截距项系数分别为-1.67和1.05,均在5%的置信水平上显著,由此可知第一种状态为低相依性状态,第二种状态为高相依性状态。在第一种状态内,其相依性均值为-0.51,标准差为0.16；在第二种状态内,其相依性均值为0.38,标准差为0.11,由此说明第一种状态具有相依性水平低但波动性大的特征,而第二状态具有相依性水平高、波动小的特征。沪市泡沫与债市泡沫之间的相依性在这两种状态下的变化特征也可从图3初步得到印证。与此同时,p=p11=0.81,q=q22=0.83,说明两种相依性状态各自均保持较明显的惯性。

表5 动态MRS-Normal模型的参数估计结果

股市泡沫与债市泡沫之间的相依性持续性参数βρ在5%的置信水平上显著为负,这说明相依性缺乏持续性,其上一期的相依性对随后一期的相依性具有显著的负向影响。与此同时,外生变量参数αρ在5%的置信水平上显著为正,这说明股市泡沫与债市泡沫过去变化率绝对值越大,两者之间的相依性水平越大,反之亦然。

图3 股市泡沫与债市泡沫之间的不同状态相依性走势

图4 股市泡沫与债市泡沫之间相依性不同状态转换概率

从图4可看出,股市泡沫与债市泡沫之间的低相依性状态主要集中在2002年9月—2003年5月、2004年1月—2005年3月、2006年8月—2007年3月、2007年8月—2008年8月、2010年2月—2010年11月、2012年5月—2012年11月、2013年 4月—2014年1月、2015年10月—2017年6月；股市泡沫与债市泡沫之间的高相依性状态主要集中在2002年6月—2002年9月、2003年6月—2003年12月、2005年4月—2006年7月、2008年9月—2010年1月、2010年12月—2011年8月、2014年10月—2015年9月。通过对比股票市场在上述各个时期内的累积收益率可知,股市泡沫与债市泡沫之间的低相依性状态的发生时期基本上对应了股票市场的牛市时期,而两者之间的高相依性状态则对应了股市的熊市时期。由此说明,从短期来看,股市泡沫与债市泡沫之间更多体现出此消彼长关系,尤其是在牛市时期。而由表3可知,在整个时期内,股市泡沫与债市泡沫之间的相关性为0.069,说明在中长期股市泡沫与债市泡沫之间更多呈现为相互促进关系。这里从短期资本流动和货币政策取向两个视角来解释股市泡沫与债市泡沫之间存在这种高低相依性轮换的形成机理。从短期来看,相比债券短期内的微弱收益,如果股市在短期内持续上涨,这种短期显著的收益往往会吸引社会投资者撤出债市,将资金转移入股市,由此推高股市景气程度。随着股市进一步走强,会进一步加大社会资金在股市和债市的大挪移,这最终会使得债市步入短期熊市,而股市步入短期牛市。从而使得债市泡沫和股市泡沫在短期内出现负相关性 (此消彼长)。反过来,股市一旦在短期持续下跌,同样会导致投资者避险情绪不断增强,进而出现资产流出股市,流入债市的格局,最终同样导致股市泡沫与债市泡沫之间在短期内出现负相关性。从中长期来看,货币政策取向则决定了股市泡沫与债市泡沫之间存在正相关性 (股债双牛),这主要归因于我国长期以来实施宽松的货币政策,导致社会利率较低,且流动性较为充足,在当前中国投资渠道依然有限,且外汇严监管的大背景下,过高的流动性将会大幅提升社会投资者对债券和股票的配置需求,从而导致资本持续流入这两个市场,进而在中长期内推动两市的陆续走牛。进入2017年下半年来,我国货币政策开始由宽松周期转向稳健中性周期,导致社会融资利率温和上涨,社会流动性逐步收紧,在这双重挤压下,我国股市和债市相续步入熊市,两市泡沫在受到挤压的同时也呈现出一定的正相关性。

4.外部监管政策变迁对股市泡沫与债市泡沫之间相依性状态的影响。

由于中国股市依然处于 “新兴+转轨”阶段,依然具有明显的 “政策市”特征；与此同时,近20年来,监管层对资本市场的一系列改革措施也深刻影响了股市和债市的走势,同时也影响了两者之间的相依性状态。对此,为了进一步分析外部监管政策的变迁对股市泡沫与债市泡沫之间相依性状态的影响,这里以股市泡沫与债市泡沫之间两种不同相依状态的转换概率作为因变量 (低相依性状态概率Pro1、高相依性状态Pro2),采用5个虚拟变量来代表近20年来我国政府推出的一系列改革措施:2002年11月开始实施QFII制度 (D1)、2005年4月开始实施股权分置改革 (D2)、2010年4月开始推出融资融券业务和股指期货业务 (D3)①我国股指期货是2010年4月16日推出的,融资融券是2010年3月31日正式交易的,两者在时间上仅仅相差半个月。由于本文是采用月度数据,为避免出现共线性,这里将融资融券和股指期货的推出合并为一个虚拟变量。、2014年12月实施沪港通(D4)、2016年12月实施深港通 (D5)、2015年3月重启国债期货市场 (D6)。显然,这些改革措施在提升资本市场流动性、改善投资者结构、平衡股市多空力量等方面起到积极作用,也会对股市泡沫与债市泡沫走势产生一定影响。这些改革措施的虚拟变量在对应措施实施前取值为0,措施实施后取1。与此同时,考虑到我国货币政策及汇率也会对股市和债市产生重要影响,这里采用法定存款准备金率 (ZBJL)、广义货币同比增速 (M2)、银行间同业拆借加权平均利率(LL)来代表货币政策,采用美元对人民币的汇率中间价 (人民币/美元,HL)来反映我国汇率走势。通过增加这四个变量来分析我国货币政策及汇率变化对股市泡沫、债市泡沫、股市泡沫与债市泡沫之间相依性的影响。最终分析结果如表6所示。

表6 外部监管政策对股市泡沫与债市泡沫之间相依状态的影响结果

续前表

从表6可看出,在货币政策方面,法定存款准备金率对股市泡沫具有显著的负面影响,而对债市泡沫具有显著的正面影响。这说明提升法定存款准备金率能在一定程度上有效抑制股市泡沫程度,但同时也促进了债市泡沫程度。与此同时,法定存款准备金率对股市泡沫与债市泡沫之间的相依性状态没有影响。广义货币同比增速对股市泡沫、股市泡沫与债市泡沫之间的相依性均有一定正面影响,但缺乏统计显著性,而对债市泡沫有明显负面影响。这说明增加货币供给量将会增加股市泡沫与债市泡沫之间的相依性水平,但同时也会抑制债市泡沫。银行间同业拆借利率是我国目前市场化程度最高的利率基准,它能及时、灵敏、准确地反映货币市场乃至整个金融市场短期资金供求关系,是社会融资利率走向的风向标。从实证结果可知,银行间同业拆借利率对股市泡沫具有显著的正面影响,对债市泡沫具有显著的负面影响,这说明金融市场短期融资利率上升会促进股市泡沫,抑制债市泡沫,还会促进股市泡沫与债市泡沫之间的相依性向低相依性状态转变。人民币对美元的汇率波动对股市泡沫、债市泡沫以及两者之间的相依性均没有明显影响。从资本市场改革措施的影响效果来看,实施QFII制度、实施股权分置改革均显著增强了股市和债市的泡沫程度,同时也降低了股市泡沫与债市泡沫之间的相依性水平,促使这两个市场向高相依性状态转变。推出融资融券业务和股指期货这个措施不仅对债市泡沫具有显著的抑制作用,而且提升了股市泡沫与债市泡沫之间的相依性水平,促使两者向高相依性状态转换。 “沪港通”制度的实施对股市泡沫具有显著的促进作用,但对债市泡沫及债市泡沫与股市泡沫之间的相依性没有明显影响。同样,“深港通”的实施仅对债市泡沫具有明显的抑制作用,而对股市泡沫、债市泡沫与股市泡沫之间的相依性均没有明显影响。重启国债期货市场这个重大改革措施对股市泡沫具有显著的抑制作用,而对债市泡沫没有明显影响,与此同时,其显著促进了股市泡沫与债市泡沫之间向低相依性转换的概率。

四、结论与建议

本文首先基于单位根右侧ADF泡沫检验方法(BSADF)来对中国股市和债市在2002年1月至2017年10月期间的泡沫走势进行动态监测,进而构建含有状态转换特征的动态MRS Copula模型来全面刻画股市泡沫与债市泡沫之间的动态相依性及其状态转换特征,最后评价我国近20年来货币政策变迁以及在资本市场上实施的一些重要改革措施对股市泡沫、债市泡沫以及两者之间相依性的影响。最终研究结论如下:

第一,股市和债市在整个时期内均出现多次周期性泡沫,但两者存在结构性差异；股票市场在2006年11月至2007年10月期间出现了历时最长、程度最严重的泡沫,其泡沫峰值达到7.91；而债券市场在2005年3月至2005年7月期间出现了历时最长、程度最严重的泡沫,其泡沫峰值达到7.35；从股市泡沫与债市泡沫的存续周期来看,两者泡沫存在交替出现特征,也即存在泡沫跨市场迁移现象,这说明股市泡沫的破灭会催生债市泡沫,而债市泡沫的破灭会催生股市泡沫；总体上,股市泡沫程度要比债市泡沫严重。

第二,股市泡沫与债市泡沫之间均存在高、低不同的两种相依性状态,且这些动态相依性具有对称、线性特征。在每种状态下的相依性均缺乏显著的持续性。股市泡沫与债市泡沫在短期上存在此消彼长的关系,在长期内存在相互促进的关系。股市上涨 (下跌)会显著降低 (提升)股市泡沫与债市泡沫之间的动态相依性程度；与此同时,债市泡沫的出现促使这两种泡沫之间由低相依性状态向高相依性状态转换。

第三,货币政策对股市泡沫和债市泡沫产生重要影响,但存在显著差异。实施收缩性数量型货币政策(比如,提高法定存款准备金率、降低广义货币增速)能有效抑制股市泡沫,并在一定程度上促进债市泡沫。而实施收缩性价格型货币政策 (提高基准利率水平)会显著抑制债市泡沫,但也会刺激股市泡沫膨胀,促使股市泡沫与债市泡沫之间向低相依性状态转换。人民币汇率升值与否对股市泡沫和债市泡沫均没有明显影响。

第四,资本市场上的重要改革措施会影响股市泡沫与债市泡沫及两者之间的相依性状态。实施QFII制度和股权分置改革措施一方面为资本市场引入新的机构投资者和入市资金来源,增强了资本市场流动性,另一方面也显著增强了股市和债市的泡沫,促使两者之间向高相依性状态转变。而实施融资融券业务对股市泡沫没有明显影响,但却能有效抑制债市泡沫,且促进两者之间向高相依性状态转变。 “沪港通”的实施能显著增强股市泡沫,而“深港通”的实施能有效抑制债市泡沫。重启国债期货市场对股市泡沫具有显著的抑制作用,而对债市泡沫没有明显影响,但显著促进了两者之间向低相依性状态转换。

根据上述研究结论,从投资者和监管层视角出发,提出如下建议:

第一,对投资者来说,股市泡沫和债市泡沫既是风险又是机会,如何在股市和债市之间合理配置资金并适时调整是保证投资组合获得显著受益的关键前提。因此,投资者要及时识别股市泡沫和债市泡沫的演化过程及其所处区制状态 (泡沫状态、非泡沫状态),根据股市泡沫与债市泡沫之间的相依性状态轮换特征来及时调整投资仓位,从而在避免遭受泡沫破灭风险的同时,还能获得股市泡沫或债市泡沫形成前期的行情收益。

第二,对监管层来说,防范资本市场金融系统性风险的发生及其跨市场传染一直是核心工作。对此,需要密切跟踪股市泡沫和债市泡沫的形成过程及其传染路径。有必要采取跨区域跨市场的统一监管框架,在短期上要重点防止股市泡沫和债市泡沫相继破灭风险的叠加和相互冲击效应；在中长期内,要重点防止两者在各自膨胀过程中的相互促进效应。在识别出资产泡沫破灭风险传染源的基础上,采取有力措施降低两者之间的联动性,从而有效切断资产泡沫风险的跨市场传递路径,最终起到降低整个金融领域系统性风险作用。

[1]Campbell J Y,Ammer J.What Moves the Stock and Bond Markets?A Variance Decomposition for Long Term Asset Returns[J].Journal of Finance,1993(48):3-37.

[2]Fleming J,Kirby C,Ostdiek B.The Economic Value of Volatility Timing[J].Journal of Finance,2001(56):329-352.

[3]Scruggs J T,Glabadanidis P.Risk Premia and the Dynamic Covariance Between Stock and Bond Returns[J].Journal of Financial and Quantitative Analysis,2003(38):295-316.

[4]Baura D G,Lucey B M.Flights and Contagion—An Empirical Analysis of Stock-bond Correlation[J].Journal of Financial Stability,2009,5(4):339-352.

[5]Yang J,Zhou Y,Leung W K.Asymmetric Correlation and Volatility Dynamics among Stock,Bond,and Securitized Real Estate Markets[J].The Journal of Real Estate Finance and Economics,2010,45(2):491-521.

[6]Hu L.Dependence Patterns Across Financial Markets:A Mixed Copula Approach[J].Applied Financial Economics,2006,16(10):717-729.

[7]Patton A J.Modeling Asymmetric Exchange Rate Dependence[J].International Economic Review,2006,47(2):527-556.

[8]René G,Georges T.Dependence Structure and Extreme Comovements in International Equity and Bond Markets[J].Journal of Banking ＆ Finance,2011,35(8):1954-1970.

[9]王璐,庞皓.中国股市和债市波动溢出效应的MV-GARCH分析 [J].数理统计与管理,2009,28(1):152-158.

[10]王斌会,郑辉,陈金飞.中国股市、汇市和债市间溢出效应的实证研究 [J].暨南学报(哲学社会科学版),2010(4):37-46.

[11]胡秋灵,马丽.我国股票市场和债券市场波动溢出效应分析 [J].金融研究,2011(10):198-206.

[12]汪冬华,雷曼,阮永平,汪辰.中国股市和债市溢出效应在牛熊市中的异化现象——基于上证综合指数和中债总指数的实证研究[J].预测,2012,31(4):46-52.

[13]何宜庆,陈平.股市与债市之间波动溢出效应及动态相关性实证分析 [J].南昌大学学报 (工科版),2012,34(1):87-92.

[14]袁超,张兵,汪慧建.债券市场与股票市场的动态相关性研究 [J].金融研究,2008(1):63-75.

[15]王璐,王沁,何平.基于门限混合Copula的股市和债市波动变相关结构 [J].经济数学,2011,28(3):66-70.

[16]史永东,丁伟,袁绍锋.市场互联、风险溢出与金融稳定——基于股票市场与债券市场溢出效应分析的视角 [J].金融研究,2013(3):170-180.

[17]王璐.股市和债市波动溢出马尔科夫体制转换特征的数量研究 [J].经济数学,2013,30(2):78-84.

[18]邓伟,唐齐鸣.基于指数平滑转移模型的价格泡沫检验方法 [J].数量经济技术经济研究,2013(4):124-137.

[19]Evans G.Pitfalls in Testing for Explosive Bubbles in Asset Prices[J].The American Economic Review,1991,81(4):922-930.

[20]Van Norden S.Regime Switching as a Test for Exchange Rate Bubbles[J].Journal of Applied Econometrics,1996,11(3):219-251.

[21]Hall S G,Psaradakis Z,Sola M.Detecting Periodically Collapsing Bubbles:A Markov-Switching Unit Root Test[J].Journal of Applied Econometrics,1999,14(2):143-154.

[22]Shi S P.Specification Sensitivities in the Markov-Switching Unit Root Test for Bubbles[J].Empirical Economics,2013,45(2):397-713.

[23]Ogonna N,Chris B,Charles W R.House Price Dynamics and Their Reaction to Macroeconomic Changes[J].Economic Modelling,2013,32(3):172-178.

[24]Homm U,Breitung J.Testing for Speculative Bubbles in Stock Markets:A Comparison of Alternative Methods[J].Journal of Financial Econometrics,2012,10(1):198-231.

[25]Hamilton J D,Whiteman C H.The Observable Implications of Self-fulfilling Expectations[J].Journal of Monetary Economics,1985,16(3):353-373.

[26]Phillips P C B,Wu Y,Yu J.Explosive Behavior in the 1990s NASDAQ:When Did Exuberance Escalate Asset Values?[J].International Economic Review,2011,52(1):201-226.

[27]Phillips P C B,Shi S P,Yu J.Testing for Multiple Bubbles I:Historical Episodes of Exuberance and Collapse in the SP 500[J].International E-conomic Review,2015,56(4):1043-1078.

[28]Phillips P C B,Shi S P,Yu J.Testing for Multiple Bubbles II:Limit Theory of Real Time Detectors[J].International Economic Review,2015,56(4):1079-1134.

[29]简志宏,向修海.修正的倒向上确界ADF泡沫检验方法:来自上证综指的证据 [J].数量经济技术经济研究,2012(4):110-122.

[30]郭文伟,陈凤玲.中国多层次股市泡沫测度——兼评资本市场改革措施的影响 [J].财经科学,2016(8):25-36.

[31]郭文伟.全球股市泡沫测度及其相依结构分析 [J].广东财经大学学报,2016(4):61-71.