中国汇率市场与国际原油市场间的溢出效应:基于BEKK-GARCH-TVPCopula模型

吴菲 刘蒙蒙 王群伟

摘要：随着全球化进程的加速，中国汇率市场与国际原油市场间的联系不断加强，市场间波动传递与风险传染的可能性也逐渐加大。鉴于中国在岸汇率市场与离岸汇率市场在交易主体、监管条件等方面具有明显的异质性，将BEKK-GARCH-TVP Copula模型与CoVaR方法结合，来考察两汇率市场与国际原油市场间的动态非线性相依结构，并准确度量中国汇率市场与国际原油市场间的波动与风险溢出效应。研究结果表明：离岸汇率市场与国际原油市场间存在双向波动与风险溢出效应;国际原油市场对在岸汇率市场存在单向波动以及下行风险溢出效应;此外，风险发生时中国汇率市场和国际原油市场分别处于风险接受和风险输出地位。实证结果可以为跨境企业、国际投资者以及政府监管部门的决策行为提供经验支持。

关键詞：风险溢出;波动溢出;中国汇率市场;BEKK-GARCH-TVP Copula模型;CoVaR

中图分类号：F832.5

文献标识码：A

文章编号：1673-5595（2021）05-0001-08

一、引言

近年来，中国原油对外依存度不断增加，2018年甚至超过70%①。由于国际原油市场存在剧烈波动，中国汇率市场也极易受到波及，严重者甚至诱发系统性危机。[1-2]经验表明，忽视金融市场间的波动与风险溢出效应，不仅会造成所在市场的金融投资损失，还会严重破坏经济社会的平稳运行。[3]因此，深入研究中国汇率市场与国际原油市场间的相依结构，并准确度量市场间的波动与风险溢出效应，对于跨境企业与投资者的投资决策、政府监管部门的政策制定都具有重要的理论价值与现实意义。[4]

现有文献中关于波动溢出效应的研究，主要借助于BEKK-GARCH模型。BEKK-GARCH模型最早由Engle等[5]提出，其优点是待估参数少、参数经济意义明显，且能充分利用市场间条件方差或协方差的相互作用。该模型目前已被广泛应用于研究金融市场间的波动溢出效应。例如，李成等[6]运用此模型研究了中国汇率市场与股票市场间的波动溢出效应，结果表明汇率市场与股票市场间存在非对称的波动溢出效应。在此基础上，熊正德等[7]将小波变换与BEKK-GARCH模型结合，进一步发现两市场间的波动溢出效应在短期、中期和长期呈现出不同特征。李建峰等[8]则考察了人民币汇率市场与国际原油市场间的溢出效应，发现人民币兑英镑汇率与国际原油价格间存在双向波动溢出效应。

除了金融市场间的波动溢出效应，学者们还对极端风险的溢出效应给予了大量关注。[9]Adrian等[10]提出的条件在险价值（CoVaR）方法为度量金融市场间的风险溢出效应提供了有效工具。现有文献中关于CoVaR的计算方法包含三类：分位数回归算法、DCC-GARCH模型算法以及Copula函数算法。其中，基于分位数回归的CoVaR计算方法最早由Adrian等[11]提出，主要用于描述金融市场间的线性风险关系。曾裕峰等[12]利用此方法研究了境外证券市场对我国A股市场的风险溢出效应，发现香港和美国对我国A股市场的系统重要性最高，而英国和德国最低。鉴于分位数回归方法没有考虑金融序列普遍存在的异方差与波动聚集等特征，也无法捕捉金融市场间的动态相依关系，Girardi等[13]提出了基于DCC-GARCH模型的CoVaR计算方法。基于该方法，严伟祥等[14]研究了银行业、证券业、保险业、信托业以及金融期货间的动态相依性与风险溢出效应，发现金融行业间存在很强的风险溢出效应，但不同行业对其他行业的风险溢出程度存在动态变化。鉴于金融市场间可能存在非线性相依结构，Mainik等[15]提出了使用Copula函数测度CoVaR的思想。基于此，Wang等[16]研究了WTI和Brent原油价格对金砖国家和G7国家主权CDS（Credit Default Swap）利差的影响。马亚明等[17]则测度了各类影子银行机构对传统商业银行的系统性风险溢出效应。

尽管现有文献对金融市场间的波动与风险溢出效应开展了大量研究，但仍存在两点不足：其一，文献关于溢出效应的研究主要集中于单一溢出层次，忽视了溢出效应研究的连贯性;其二，文献测度CoVaR主要基于分位数回归、DCC-GARCH模型以及静态Copula函数，忽视了金融市场间的动态非线性相依关系，从而可能低估金融市场的条件风险。因此，如何准确测度新形势下金融市场间的波动与风险溢出效应，已然成为跨境企业、国际投资者以及政府监管部门等金融市场参与者面临的首要任务。

2008年全球金融危机后，中国汇率市场与国际原油市场震荡频繁，市场间的波动与风险溢出特征愈来愈明显。一方面，作为全球金融系统的重要组成部分，国际原油市场是投资者从事国际金融投资活动的重要场所，深刻地影响着所有国家的经济活动;另一方面，中国汇率市场是中国经济的主要金融子市场之一，可以体现一段时间内中国经济的发展状况。[18-21]此外，中国汇率市场包括了在岸和离岸两种形式，由于在管制程度、市场参与主体等方面存在差异，二者出现了较为明显的汇差，进一步增加了中国汇率市场与国际原油市场间相依结构的复杂性。[22]因此，本文选取离岸汇率市场、在岸汇率市场以及国际原油市场作为研究对象，分析中国汇率市场与国际原油市场间的波动与风险溢出效应，以期为跨境企业、国际投资者以及政府监管部门的决策行为提供经验支持。本文创新点包含两方面：一方面，运用TVP Copula模型捕捉中国汇率市场与国际原油市场间的动态非线性相依关系，并在此基础上推导出CoVaR的计算方法;另一方面，将离岸汇率市场纳入研究范围，实证分析在岸汇率市场、离岸汇率市场与国际原油市场间波动与风险溢出效应的差异。

二、理论模型

为了实现中国汇率市场与国际原油市场间溢出效应的有效测度，本文首先利用AR-GARCH-t模型来消除金融序列的自相关性与异方差性;然后，运用BEKK-GARCH模型度量市场间的波动溢出效应;最后，将TVP Copula模型与CoVaR方法结合，既克服了传统Copula函数无法刻画金融市场间动态相依结构的缺陷，又准确测度了中国汇率市场与国际原油市场间的风险溢出效应。

（一）边缘分布构建

（四）稳健性检验

为了探究不同的国际原油价格是否会影响本文的核心结论，本文选择英国北海布伦特（Brent）原油价格代替WTI原油价格，选择英镑兑人民币汇率代替美元兑人民币汇率，风险溢出效应检验与非对称性检验的结果如表6所示。可以发现，Brent原油市场与离岸汇率市场间存在显著的双向风险溢出效应，与在岸汇率市场间仅存在显著的单向风险溢出效应。非对称性检验的结果表明，Brent原油市场对离岸汇率市场、在岸汇率市场的风险溢出效应不存在显著差异，离岸汇率市场对Brent原油市场的风险溢出效应显著大于在岸汇率市场。表6与表5的检验结果间不存在显著差异，因而本文的核心结论是稳健的。

四、结论与建议

考虑到中国在岸汇率市场与离岸汇率市场在交易主体、监管条件等方面存在异质性，本文采用BEKK-GARCH-TVP Copula模型与CoVaR方法，探究了离岸汇率市场、在岸汇率市场与国际原油市场间的波动与风险溢出效应，并对结论进行了稳健性检验。研究结果表明：

第一，国际原油市场对在岸汇率市场存在显著的反向波动溢出，与离岸汇率市场存在双向的正向波动溢出。相对而言，离岸汇率市场与国际原油市场的联动性更强。究其原因，可能是“8.11”汇改后中国汇率市场的波动幅度扩大，与国际原油市场的联动性逐渐增强，从而在一定程度上抑制了中国汇率市场的投机行为和套利空间，促进了人民币汇率形成机制市场化的发展，但同时也加大了市场间波动传递和风险传染的可能性。

第二，离岸汇率市场与国际原油市场间存在显著的双向风险溢出，国际原油市场对在岸汇率市场存在下行风险溢出。风险发生时，国际原油市场和中国汇率市场分别处于风险输出和风险接受地位。相对而言，离岸汇率市场在风险发生时具有较强的市场弹性和风险输出能力，对国际原油市场的平均风险溢出强度也较高。

基于以上结论，本文提出如下建议。

第一，完善在岸人民币价格发现功能，推进人民币汇率市场化。在岸汇率市场抵御国际原油市场波动和风险的能力显著弱于离岸汇率市场，借鉴离岸汇率市场在价格发现、程序设计等方面的优点，有助于增强在岸人民币的定价权，强化在岸汇率市场与国际原油市场间的联动性，促进在岸汇率市场与国际原油市场间的溢出关系由单向溢出向双向溢出过渡。政府监管机构逐步推进人民币汇率市场化改革，可以提高中国汇率市场弹性，减轻国际原油市场变化的冲击，释放中国汇率市场的投机压力，从而保障普通投资者和跨境企业的正当权益。

第二，把握中国汇率市场与国际原油市场风险溢出关系，保障各市场主体正当权益，维护汇率市场安全。短期内，中国汇率市场仍处于风险接受地位，国际原油市场对中国汇率市场存在显著的反向风险溢出效应，具有风险预警的作用。各市场主体应积极把握汇率与原油风险关系，寻求极端风险下的避险措施和理性决策。“8.11”汇改后，跨境企业贸易结算的套利空间不断减小、风险不断加大，企业在考量中国汇率市场风险的同时应关注国际原油市场风险变化，选择稳健的贸易结算货币;市场投资者应警惕国际原油市场与中国汇率市场间的风险溢出，多关注国际原油的净多头持仓量等指标，进而制定和调整投资组合;政府部门应密切关注国际原油市场的风险和波动，确保原油进口时的用汇安全，防范市场风险引起的投机性资本流入、流出对人民币信用的损害。中长期，政府部门应丰富中国汇率市场和中国原油期货市场的交易产品，增加金融衍生品和信用衍生品的种类和规模，为市场参与者提供避险工具和投资选择。

注释：

① 数据摘自《中国能源发展报告2018》。

参考文献：

[1]周东海，陈滨霞，蒋远营.“两率”市场化改革、国际原油与中国股市关系研究[J].统计与信息论坛，2020，35（2）：47-58.

[2]刘炳越，姬强，范英.黄金是否为原油的“避险天堂”？——基于组合收益及其波动视角[J].中国管理科学，2018，26（11）：1-10.

[3]许启发，王侠英，蒋翠侠，等.基于藤Copula-CAViaR方法的股市风险溢出效应研究[J].系统工程理论与实践，2018，38（11）：2738-2749.

[4]林宇，李福兴，陈粘，等.基于R-vine-copula-CoVaR模型的金融市场风险溢出效应研究[J].运筹与管理，2017，26（9）：148-156.

[5]Engle R F， Kroner K F. Multivariate Simultaneous Generalized ARCH[J]. Econometric Theory，1995（1）：122-150.

[6]李成，郭哲宇，王瑞君.中国货币政策与股票市场溢出效应研究——基于VAR-GARCH-BEKK模型[J].北京理工大学学报（社会科学版），2014，16（4）：83-91.

[7]熊正德，文慧，熊一鹏.我国外汇市场与股票市场间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）：30-38.

[8]李建峰，卢新生，蒋伟.货币政策、人民币汇率与国际原油市场关系的实证分析[J].統计与决策，2018，34（18）：154-157.

[9]何敏园，李红权.全球股市间的相依结构与极值风险溢出：基于藤Copula的金融复杂性分析[J].管理评论，2020，32（7）：102-110.

[10]Adrian T，Brunnermeier K.CoVaR[R].New York：Federal Reserve Bank of New York，2008.

[11]Adrian T，Brunnermeier K. CoVaR[R].New York：National Bureau of Economic Research，2011.

[12]曾裕峰，温湖炜，陈学彬.股市互联、尾部风险传染与系统重要性市场——基于多元分位数回归模型的分析[J].国际金融研究，2017（9）：86-96.

[13]Girardi G，Ergun T. Systemic Risk Measurement： Multivariate GARCH Estimation of CoVaR[J].Journal of Banking & Finance，2013（8）：169-3180.

[14]严伟祥，张维，牛华伟.金融风险动态相关与风险溢出异质性研究[J].财贸经济，2017，37（10）：67-81.

[15]Mainik G，Schaanning E. On Dependence Consistency of CoVaR and Some Other Systemic Risk Measures[J].Statistics & Risk Modeling，2014（1）：49-77.

[16]Wang Jun，Sun Xiaolei，Li Jianping. How Do Sovereign Credit Default Swap Spreads Behave under Extreme Oil Price Movements？ Evidence from G7 and BRICS Countries[J].Finance Research Letters，2020，34：101350.

[17]马亚明，宋羚娜.金融网络关联与我国影子银行的风險溢出效应——基于GARCH-Copula-CoVaR模型的分析[J].财贸研究，2017，28（7）：69-76.

[18]李志辉，田伟杰.股票市场开放、系统性风险与溢出效应[J].现代经济探讨，2020（8）：45-56.

[19]龚玉婷.次贷危机在黄金、原油和外汇市场的风险传染和波动溢出[J].经济经纬，2013（2）：150-154.

[20]Bedoui R，Braiek S，Guesmi K， et al. On the Conditional Dependence Structure between Oil， Gold and USD Exchange Rates： Nested Copula Based GJR-GARCH Model[J].Energy Economics，2019，80：876-889.

[21]何德旭，苗文龙.国际金融市场波动溢出效应与动态相关性[J].数量经济技术经济研究，2015，32（11）：23-40.

[22]谭小芬，张辉，杨楠，等.离岸与在岸人民币汇率：联动机制和溢出效应——基于VAR-GARCH-BEKK模型的分析[J].管理科学学报，2019，22（7）：52-65.

[23]Patton A J. Copula Methods for Forecasting Multivariate Time Series[J].Handbook of Economic Forecasting，2013（2）：899-960.

责任编辑：曲 红

Abstract： With the acceleration of globalization， the relations between the Chinese exchange rate market and the international oil market have been continuously strengthened， which increases the possibility of volatility transmission and risk contagion between markets. In view of the obvious heterogeneity of Chinas onshore exchange rate market and offshore exchange rate market in terms of transaction subjects and regulatory conditions， the BEKK-GARCH-TVP Copula model is combined with the CoVaR method in this paper to describe the dynamic non-linear dependence structure between the Chinese exchange rate market and the international crude oil market and accurately measure the volatility and risk spillover effects between the markets. The empirical results suggest that there are the bidirectional volatility and risk spillover effects between offshore market and oil market， and oil market has negative volatility and downside risk spillover effects on onshore market. Besides， the oil market is in risk-output status when the risk occurs， while the exchange rate markets are in risk-acceptance status. The risk spillover effects of offshore market on oil market are significantly stronger than that of onshore market. The results of this paper can provide empirical supports for the decisions of cross-border enterprises， international investors and government regulators.

Key words： risk spillovers; volatility spillovers; Chinese exchange rate market; BEKK-GARCH-TVP Copula model; CoVaR