危机背景下汇率市场与股市之间的风险传染效应研究

2019-02-20 14:26覃小兵
现代商贸工业 2019年4期

覃小兵

摘要:运用ARMA-GJR模型对两市场风险因子进行滤波,并运用基于GPD的全参数极值模型对具有有偏胖尾分布特征的风险因子的尾部进行建模,进而运用时变SJC-Copula模型考察中国汇率市场与股票市场之间的风险传染情况。实证结果表明,中国股票市场与汇率市场之间更倾向于具有对称性的相依性,在尾部风险传染上具有非对称效应,且下尾的传染效应强于上尾的传染效应。

关键词:风险传染效应;时变SJC-Copula;EVT

中图分类号:F23文献标识码:Adoi:10.19311/j.cnki.16723198.2019.04.052

1引言

随着金融全球化的快速发展,以及各金融市场之间的联系日益深入,使得各金融市场之间发生风险传染事件的概率显著提高。因而有必要厘清各金融市场之间的相依关系,以防范金融风险在各金融市场之间的传染,维护金融稳定。因而对于探究股市和汇率市场之间的风险传染就尤为重要。在目前研究金融市场风险传染效应的方法中,不需要对金融资产分布进行假定且能够刻画金融资产之间的非线性相关关系的Copula函数受到学者们的青睐。

当然,不同Copula函数刻画不同的相依结构。对于风险管理者而言通常关注的是危害性较大的极端风险,而极端风险处于收益分布的尾部,因而需要着重对风险资产的尾部进行刻画。从而学者们通常选择能够刻画金融资产尾部相关结构的SJC-Copula函数来研究,且取得了较好的成果,如Zhu等(2014)、钟明和郭文伟(2014)、曹洁(2017)。但他们的研究在于考察股市之间、原油市场与股市之间、期货市场之间以及行业与行业之间的相依结构关系,而没有研究外汇市场与股市之间的相关结构。就目前掌握的文献来看,汪冬华和索园园(2013)从多重分形理论的角度、熊正德等(2015)运用小波多分辨方法以及周爱民等(2017)运用时变Copula-CoVaR模型对汇率市场与股市之间的波动溢出效应进行了较为深入的研究。然而,他们均没有从时变SJC-Copula函数的角度针对外汇市场与股市之间的尾部风险传染效应进行研究。因而本文运用时变SJC-Copula函数针对外汇市場与股市之间的尾部风险传染效应进行研究,这与前人的研究有着较大的不同。不仅如此,本文还将引入极值理论(EVT)对市场风险因子的尾部进行刻画,进而更好的刻画尾部风险的传染效应。

2研究方法

2.1两市场风险因子的边缘分布刻画模型

3实证分析

3.1样本选择

本文选取中国人民银行公布的人民币对美元汇率的中间价作为汇率市场的代表,选取上证综合指数为中国大陆股市的代表。样本区间为2010年1月4日至2018年7月23日,期间涵盖了欧洲主权债务危机以及当前发生的股灾。剔除样本期不一致样本及极端样本后,共得样本个数2193个,数据来源于国家外汇管理局及国泰安CSMAR系列研究数据库。采用的统计分析软件为MATLAB 2013b。

3.2描述性统计

图1为上证综指与人民币对美元汇率的对数收益率r和rm(亦称风险因子)图示,从图中可看出两风险因子r和rm均具有较强的波动聚集性。从人民币对美元汇率收益率图可看到收益率有较长一段区间(图中箭头标示部分)变化较小,甚至基本没有变化,这与我国在次贷危机后又重新采取盯住美元的外汇汇率制度相关。图2为两风险因子的QQ图,该图显示两风险因子并不服从正态分布,还具有较厚的尾部。表1为两风险因子的描述性统计结果,表中显示无论是从J-B统计量结果来看,还是从偏度和峰度值来看,均证明了两风险因子并不服从正态分布的事实。从PP统计量来看,两风险因子均在1%的显著水平下显著拒绝零假设,说明两风险因子均不存在单位根,是平稳序列。统计量(ARCH)的结果表明,两者均存在显著的ARCH效应。然而,在对两风险因子进行自相关性检验时,风险因子rm并不存在自相关性,而风险因子r存在显著的自相关性。因此,风险因子r为平稳的、具有显著自相关性和ARCH效应的偏态分布序列,风险因子rm则为平稳的、具有显著ARCH效应的偏态分布序,因而,可运用ARMA(1,1)-GJR(1,1)和GJR(1,1)分别对风险因子r和rm进行建模,同时针对两风险因子的厚尾运用EVT进行刻画。

3.3两风险因子边缘分布的参数估计结果

从表2两风险因子的波动模型参数估计结果可看出:两风险因子均具有较强的波动持续性,因其持续性参数均非常接近于1。此外,从杠杆系数γ并不为0可知,两风险因子均具有非对称性。为检验本文构建的波动模型是否较好地刻画了两风险因子的自相关性、波动聚集性等特征,基于参数估计结果,提取出两风险因子的标准收益率zr和zrm,并对其进行描述性统计检验,其检验结果如表3所示:偏度和峰度比没有进行滤波前大幅降低,从J-B统计量来看,滤波过后的标准收益率较滤波前更接近服从正态分布。从统计量Q(10)及ARCH来看,滤波过后的标准收益率已经不存在自相关效应及ARCH效应,因此,本文运用ARMA(1,1)-GJR(1,1)和GJR(1,1)分别对风险因子r和rm进行建模,以准确刻画其自相关效应及ARCH效应是合适的。此外,统计量BDS来看,两标准收益率均拒绝零假设,因而两标准收益率均为服从独立同分布的、无自相关性与ARCH效应的平稳序列,进而,可运用EVT对其尾部进行建模分析。

3.4基于时变SJC-Copula函数的外汇市场与股市传染效应刻画

尾部运用极值模型进行刻画的基础上,同时引入Danielsson和Vries(2000)对收益率中间部分处理的方法——运用经验累积分布函数对中间部分进行拟合,于是我们就完成了对两风险因子的边缘分布刻画,进而可进行两市场之间的风险传染效应研究。需指出的是,运用Copula函数来刻画资产间的相依性,要求资产须服从(0,1)区间上的均匀分布,因此,还需对拟合后的标准收益率进行概率积分变换,进而对变换后的序列运用时变SJC-Copula函数进行刻画。为检验时变SJC-Copula函数对两风险因子间相依性的刻画能力,本文同时选用时变Normal-Copula 函数、时变T-Copula函数、时变Clayton-Copula函数、时变Frank-Copula函数以及时变Gumbel-Copula函数对两风险因子的相依性进行刻画。各时变Copula函数参数估计结果如表5所示。

從表5各时变Copula函数的参数估计结果来看,时变SJC-Copula模型这一能够针对两风险因子尾部进行刻画的模型,其似然值最小,进而与其他时变Copula模型相比更适合刻画两风险因子的相关结构,因而,说明运用时变SJC-Copula模型对上证综指及人民币对美元汇率间的相依性进行刻画较其他所选时变Copula模型更为合适,因而,也证实了本文所选时变SJC-Copula模型对上证综指及人民币对美元汇率间的相依性进行刻画是合适的。此外,从表5中仍可看出,能够描述变量间具有对称相依性的时变T-Copula模型,其似然值同样较小,在刻画两风险因子的相依性上,虽然其刻画能力不及时变SJC-Copula模型,然而,却也不失为一个较好的模型。与此同时,同样能够描述变量间具有对称相依性的时变Frank-Copula模型,其值也较小,且与时变T-Copula模型相近,因此,选用能够描述变量间具有对称相依性的时变Copula模型来描述上证综指及人民币对美元汇率间的相依性比选用能够描述变量间具有非对称相依性的时变Copula模型更为合适。

为直观展现上证综指及人民币对美元汇率间的尾部相依性,本文将两者的尾部时变相依性用图示展示,其结果如图4所示。

图4人民币对美元汇率与上证综指间上尾、下尾相关系数图

从图4可看到,人民币对美元汇率与上证综指间在上尾的相关性几乎接近为0,倾向于独立,而下尾相关性则较强,说明两者同时发生暴跌的概率大于两者同时上涨的概率。因此,对汇率市场风险的监管而言,我们着重需要防范汇率市场发生暴跌风险,并针对该类风险采取相应措施,以防范及减少汇率市场风险传向股票市场风险,进而维护股票市场的稳定,促进经济的发展。

4结论

通过上述实证分析得到相关结论如下:

(1)中国股票市场与汇率市场风险因子均存在有偏胖尾的分布特征,但运用基于GPD的全参数极值模型对风险因子的尾部进行建模能很好地拟合两市场风险的这一分布特征。

(2)中国股票市场与汇率市场之间更倾向于具有对称性的相依性。实证中,运用具有对称相依性的时变Copula模型比非对称相依性的时变Copula模型表现更为优越。

(3)中国股票市场与汇率市场之间在尾部风险传染上具有非对称效应。在运用时变SJC-Copula模型来考察两市风险间尾部风险传染情况时,表现出两市场间尾部风险呈非对称性特征,而且是下尾间的相依性强于上尾间的相关性,即,在一市场发生暴跌风险时,另一市场发生暴跌风险的概率较大,因此,对于风险管理者而言,应着重关注两市场的下跌风险,并在风险发生时做好相应的应对措施,以防范或减少两市场间的风险传染效应,维护两市场的稳定,从而促进经济的稳定发展。

参考文献

[1]谢赤, 龙瑞, 曾志坚. 基于时变 Copula 的沪深 300 股指期现货高频价格相依结构测度[J]. 系统工程, 2016, 34(8): 2431.

[2]钟明, 郭文伟. 基于 SJC Copula 模型的银行业与房地产业动态相依性及其结构突变[J]. 系统工程, 2014, 8: 3243.

[3]曹洁. 基于时变 SJC-Copula 对商品期货市场间风险传染的探究[J]. 数学的实践与认识, 2017, 47(7): 3643.

[4]汪冬华, 索园园. 金融危机前后中国股票市场和外汇市场的交叉相关性——基于多重分形理论的视角[J]. 系统管理学报, 2013, 22(3): 394401.

[5]熊正德, 文慧, 熊一鹏. 我国外汇市场与股票市场问波动溢出效应实证研究——基于小波多分辨的多元 BEKK-GARCH (1, 1) 模型分析[J]. 中国管理科学, 2015, 23(4): 3038.

[6]周爱民, 韩菲. 股票市场和外汇市场间风险溢出效应研究——基于 GARCH一时变 Copula-CoVaR 模型的分析[J]. 国际金融研究, 2017, (11): 5464.

[7]Danielsson J, De Vries CG. Valueatrisk and extreme returns[J]. Annales d'Economie et de Statistique, 2000: 239270.

[8]Patton AJ. Modeling timevaring exchange rate dependence using the conditional copula[Z]. San Diego; Department of Economics, University of California, 2001.