基于Vine-Copula广义CoVaR模型的我国金融市场间风险溢出研究

张蕊　卢俊香

摘要：当前各金融行业之间的联系日益密切，风险溢出进一步增强。在这一背景下，本文构建Vine-Copula模型，刻画银行业、保险业、基金业和证券业之间的风险相依关系，将上行广义CoVaR与下行广义CoVaR置于同一结构中，进一步研究当某一行业陷入风险时对其他金融行业的风险溢出效应。实证结果显示，各金融行业均存在显著的正向风险溢出效应，上行风险溢出与下行风险溢出表现出非对称性。分行业而言，证券业对其他行业的风险溢出效应最强，银行业和基金业的风险溢出效应较为平稳，而保险业的风险溢出也处于较高水平，应当重点关注证券业与保险业之间的风险溢出效应。本文研究明晰了金融行业间的风险溢出效应，有助于对我国经济“三期叠加”阶段性特征进行科学理解与准确研判，为防范与化解重大金融风险提供参考依据。

关键词：金融行业；风险溢出；Vine-Copula；广义CoVaR

中图分类号：F832.5        文献标识码：A        文章编号：1007-0753（2023）08-0078-09

一、引言

随着我国经济的快速发展，各金融行业间的风险关联逐渐密切，结构模式趋于复杂，各行业除了面临自身风险之外，还易受其他因素的影响。尤其是在重大突发事件的负面冲击下，行业间风险传染的范围与强度难以预测。如2015年资本市场发生的“股灾”，其以较高的风险溢出水平，从金融行业波及实体经济；2018年发生的中美经贸摩擦与2020年暴发的新冠肺炎疫情等重大事件，均对金融市场产生了巨大冲击。因此，明晰我国金融市场间的风险溢出效应，有利于对重大金融风险隐患进行准确预防，进一步为维护我国经济稳定提供参考依据。

近年来，针对金融市场间风险溢出效应的研究方法大致分为两类：一类探究金融市场间风险溢出的相关性，主要应用线性相关系数法、格兰杰因果检验法、DCC-GARCH族模型和Copula模型（King，1990；Eun和Shim，1989；Hamao等，1990；Constantin等，2018）；另一类则针对实际研究中金融市场间的相关关系复杂多样、数据所表现出的尖峰厚尾和聚集效应等特点，使用CoVaR模型度量金融市场间的风险溢出效应。一些学者采用分位数回归法、GARCH模型计算CoVaR，来研究我国金融市场各行业的风险溢出效应（谢福座，2010；严伟祥和徐玉华，2017；王曦等，2022）。但由于分位数回归方法以及GARCH模型不能刻画非线性结构，学者们转而通过Copula计算CoVaR来刻画变量间的相依关系及风险溢出效应。Mainik和schaanning（2014）用Copula函数计算广义CoVaR，实证表明广义CoVaR能更好地刻画风险溢出的方向和强度；曹洁和雷良海（2019）选用时变Copula动态广义CoVaR模型研究我国金融行业与实体经济之间的风险溢出效应，研究结果表明实体经济与金融行业存在双向风险溢出效应；一些学者还采用Copula-CoVaR模型研究了新型互联网金融行业与传统金融行业以及实体经济间的风险溢出效应（李竹薇等，2021；李欣璐等，2021；方国斌等，2022）。在系统性金融风险的测度方面，王剑和杜红军（2023）选取各种Copula函数精确计算广义CoVaR，研究我国传统金融银行业、保险业、证券业以及多元金融的系统性风险，结果表明金融机构个体风险与系统性风险的相关性较弱；吴坚和顾纬清（2021）依靠多个指标，构建了我国系统性金融风险预警指标体系，并以证券市场数据对其进行验证研究；程雪军等（2023）将证券风险划分为多种風险，研究我国金融资产证券化风险。

我国金融市场正处于关键转型阶段，各行业易受重大突发事件影响，产生极端风险溢出，但综合已有文献，大部分学者从金融机构整体或系统性金融风险视角刻画了我国金融市场间的传染效应，对行业间的风险相依结构与风险溢出强度探究较少。为此，本文主要从以下两方面对我国金融市场间的风险溢出进行研究：首先，从行业视角出发，以银行业、保险业、基金业和证券业作为研究对象，分析我国金融市场间的风险溢出效应；其次，与以往只采用传统CoVaR研究单边下行风险溢出不同，本文采用时间序列Vine-Copula广义CoVaR模型，将单边上行风险溢出考虑在内，研究不同金融行业间的风险溢出，其不单可以描述风险溢出水平随着时间变化的上下波动趋势，同时还扩大了研究对象的数据集，进一步反映更加极端的风险溢出，为准确描述我国金融市场间的风险溢出效应提供依据。

二、理论基础与方法

（一）边缘分布构建

（二）Vine-Copula模型理论

（三）基于Copula函数的广义CoVaR模型

三、实证研究

（一）数据的选取及描述性统计

（二）边缘分布估计及检验结果

本文采用GARCH（1，1）模型对各收益率序列进行边缘分布估计，其中标准化残差的分布类型可根据极大似然估计值最大、AIC最小原则，从t分布、偏t分布、GED分布和标准正态分布中选出，结果如表2所示。

根据极大似然估计值最大、AIC最小原则可知，在不同分布检验驱动下的GARCH（1，1）模型中，偏t-GARCH（1，1）模型对各行业指数的收益率序列边缘分布的拟合效果最好，参数估计结果如表3所示。

由表3可知，GARCH模型中的参数均显著且满足αi + βi＜1，表明GARCH模型收敛；由偏t-GARCH模型边缘分布拟合结果可知，skew和shape参数显著通过检验，其对拟研究序列的非对称与尖峰厚尾特性的刻画较为准确；边缘分布拟合处理后的标准残差序列ARCH-LM检验结果表明偏t-GARCH（1，1）模型对各原收益率序列的ARCH效应有较好的消除作用，标准残差序列均不存在ARCH效应，且概率积分转换后的序列均通过KS检验，服从（0，1）均匀分布的原假设。综上所述，对标准化残差序列进行概率积分转换处理后的新序列已满足构建Copula函数的条件。

（三）Vine-Copula模型的构建

本文基于R语言仿真对概率积分转换后的时间序列构建C-Vine Copula模型和D-Vine Copula模型，根据AIC、BIC准则与对数似然比选出最优Copula藤结构。由实验结果可知C-Vine Copula模型拟合效果最好，能准确刻画金融行业间的风险相关关系。在C-Vine Copula模型构建中选取银行业作为第一层树结构的第一个节点，其余变量根据秩相关系数进行排序，参数估计结果见表4，C-Vine模型结构见图1，图1中的1、2、3、4依次代表保险业、基金业、银行业和证券业。

通过实验结果可知，各金融市场间的最优连接函数均为t-Copula函数，其可以描述具有对称的尾部相关性的金融行业间风险溢出效应。其中，第一层树结构中，银行业与各行业的相关系数由大到小依次是保险业、证券业和基金业，这表明当银行业股票出现下跌行情时，保险业出现下跌的可能性最大，基金业出现下跌的可能性相对较小。第二层树结构中，各行业间的相关性逐渐降低，保险业和证券业间的秩相关系数为0.21，基金业和证券业间的秩相关系数为0.31；最后一层树结构中，随着资产数量的不断增加，各行业间的秩相关系数逐渐减小，相关性逐渐减弱。各行业市场波动的敏感性与易扩散性使得金融系统受到的冲击被放大并扩散至其他行业。下一步本文将构建Copula广义CoVaR模型，进一步准确度量各行业间的风险溢出强度。

（四）CoVaR计算结果

本文通过R语言仿真，使用Copula广义CoVaR模型，计算出置信水平为0.05与0.95条件下保险业、基金业、银行业和证券业间的风险溢出水平，即上行/下行CoVaR随时间波动结果，如图2—图5所示。

由实验结果可知，我国各金融行业间的风险溢出水平上行CoVaR与下行CoVaR受突发事件影响波动较为明显，尤其是2015年资本市场发生的“股灾”、2018年发生的中美经贸摩擦以及2020年暴发的新冠肺炎疫情等重大事件，均对金融市场产生了一定冲击，风险溢出水平峰值较高。纵向来看，各行业间上行/下行风险溢出效应波动呈现出非对称性，市场出现高涨或低迷行情时对其他行业的风险溢出强度不同，同一时间证券业、银行业和保险业对其他行业的上行风险溢出水平均高于下行风险溢出水平；横向来看，某一行业对其余各金融行业的风险溢出水平波动趋势相似。从上行风险来看，各行业间存在正向上行风险溢出效应，上行CoVaR值均大于VaR值，说明当其中一行业处于市场高涨行情时，会带动另一行业市场出现上涨行情；从下行风险来看，各行业间存在正向下行风险溢出效应，即下行CoVaR值均小于VaR值，说明当其中一行业处于极端下跌行情时，会加剧另一行业所面临的风险，说明各行业间的密切联系加剧了风险的相互传染。

进一步分析各行业间风险溢出波动趋势，以保险业为例，其对其余各金融行业的风险溢出均在2015年波动最为激烈、持续时间较长且呈现较高峰值，在此期间保险业对基金业的上行风险要低于其对银行业与证券业的上行风险，实际表现为保险业市场高涨时，基金业受到的风险溢出效果较弱。在2016年后的短期内，四个行业均呈现出上行/下行风险溢出相对趋于平缓的特点，2020年疫情的暴发在一定程度上也加剧了我国金融行业间的风险相依关系与风险溢出强度。为进一步分析我国各行业间的风险溢出水平，计算了各行业间上行/下行CoVaR均值，其结果如表5所示。

由表5可知，各行业间的风险溢出水平存在差异性，基金业与银行业对其他行业的风险溢出水平明显低于證券业与保险业对其他行业的风险溢出水平。就证券业而言，无论是上行风险溢出效应或是下行风险溢出效应，证券业对其他各行业的风险溢出强度均最大。具体而言，证券市场高涨时对保险业的风险溢出水平为9.376 4，市场低迷时为-8.365 9，表明当证券业市场出现高涨或低迷行情时，对保险业的风险溢出效应最为强烈，高于其对基金业和银行业的风险溢出强度。随着近年来证券业的不断发展，其自身风险水平以及对其他行业的风险溢出也在逐渐增加，需更加重视证券业对其他行业的风险外溢影响。银行业总体而言对其他各金融行业的风险溢出强度最弱，这可能是因为银行业作为现代金融经济的核心与实体经济的血脉，和其他行业相比规模最大，是我国金融市场的基础行业，政府对于银行业的监管较严，风险能够得到较好的控制。银行业上下行风险溢出强度从小到大依次为基金业<证券业<保险业，说明其无论处于高涨情形抑或低迷情形，对保险业的风险溢出强度都大于对其他行业的溢出强度。反观保险业，其也以较强力度向证券业和银行业输出风险，保险业对其他行业的风险溢出在金融系统中占据越来越重要的位置，需要予以重点关注，建立相应的预警机制。基金业对其他各行业的风险溢出强度相似，与银行业一样表现出较为稳定的特征。

四、结论与建议

在我国金融市场多元化的背景下，金融业突破分业经营的趋势日益明显，行业间信息交流愈加频繁，这些跨行业以及混业经营模式中创新开发出的金融产品在使得我国金融市场各行业间关联度增加的同时，也导致风险溢出效应不断加强。为进一步研究我国金融市场的风险溢出效应，本文选取银行业、保险业、证券业和基金业作为研究对象，基于GARCH-C-Vine Copula模型刻画金融市场间的非线性风险相依关系，并通过Copula计算广义CoVaR来研究我国金融市场间上行/下行风险溢出效应。研究结论如下：第一，各金融市场间的上行/下行风险溢出效应表现出非对称性现象，在市场出现高涨或低迷行情时对其他行业的风险溢出强度不同；第二，各金融市场间均存在显著的正向风险溢出效应，但不同金融市场间的风险溢出强度存在差异，银行业对其他各行业的风险溢出效应最弱，证券业对其他行业的风险溢出效应最强烈。总体而言，金融行业间的风险关联密切，结构模式复杂，深入研究金融行业间的风险溢出效应对于实现金融市场的稳定、促进经济发展具有重要意义。基于研究结论，本文提出以下政策建议：

一是由于證券业对其他行业的风险溢出效应较强，应重视证券业与其他金融行业间复杂的风险相依关系，针对以证券业为核心的风险传染体系建立风险隔离屏障，尤其要加强对证券业与保险业间风险相互传染的防控力度。二是由于各金融行业间风险溢出效应存在差异，针对不同风险等级与风险特征的金融机构，应实行不同监管政策，分行业分层进行动态监管。三是应注重金融教育与金融知识的普及，深化公众对证券类金融风险的认识和理解，加强投资者的风险意识和防范意识。总而言之，监管部门应提高风险管理的主动性与前瞻性，避免因外部环境因素影响而引起金融市场剧烈波动，防止金融风险迅速扩散到实体经济中，最大程度处理和化解系统性金融风险，为实现更高质量、更有效率、更加公平、更可持续、更为安全的经济发展保驾护航。

参考文献：

[1] KING M A， WADHWANI S. Transmission of volatility between stock markets[J]. The Review of Financial Studies， 1990， 3（01）： 5-33.

[2] EUN C S， SHIM S. International transmission of stock market movements[J]. Journal of financial and quantitative Analysis， 1989， 24（02）： 241-256.

[3] HAMAO Y，MASULIS R W，NG V．Correlations in price changes and volatility across international stock markets[J].The Review of Financial Studies，1990，3（02）：281-307.

[4] CONSTANTIN A，PELTONEN T A，SARLIN P.Network linkages to predict bank distress[J]. Journal of Financial Stability，2018，35：226-241．

[5]谢福座.基于CoVaR方法的金融风险溢出效应研究[J]. 金融发展研究， 2010， 342（06）： 59-63.

[6]严伟祥， 徐玉华. 基于分层阿基米德Copula的金融行业尾部风险相依性研究[J]. 金融经济学研究， 2017，32（06）：23-33.

[7]王曦，刘源，赵苗.行业视角下我国金融风险溢出效应实证研究[J].中国物价，2022，33（01）：85-89.

[8] MAINIK G，SCHAANNING E.On dependence consistency of CoVaRand some other systemic risk measures[J].Statistics & Risk Modeling，2014，31（01）：49-77．

[9]曹洁， 雷良海. 基于动态广义△CoVaR方法的金融与实体行业风险溢出效应[J].系统工程，2019，37（03）：122-131.

[10]李竹薇， 刘森楠， 李小凤， 等. 互联网金融与传统金融之间的广义动态风险溢出——基于Copula-ARMA-GARCH-CoVaR的实证研究[J].系统工程，2021， 39（04）：126-138.

[11]李欣璐，李程.互联网金融与实体行业间的风险溢出效应研究——基于GARCH-时变Copula-CoVaR模型的实证分析[J]. 福建金融，2021，436（08）：13-22.

[12]方国斌，陈静.互联网金融与传统金融市场风险联动性研究[J]. 统计与决策，2022，38（24）：134-138.

[13]王剑，杜红军.非对称尾部相依视角下的金融机构系统性风险研究[J].金融经济，2023，561（03）：54-69.

[14]吴坚，顾维清.我国系统性金融风险预警指标体系构建——基于证券市场视角[J].当代金融研究， 2021（Z5）：60-69.

[15]程雪军，赵畅，李正雨.论消费金融资产证券化的风险防范：从美国次贷危机切入[J].西南金融， 2023（06）：56-68.

[16] BOLLERSLEV T. Generalized autoregressive conditional heteroskedasticity[J]. Journal of econometrics， 1986， 31（03）：307-327.

[17] ADRIAN T， BRUNNERMEIER M K. CoVaR[J]. Federal Reserve Bank of New York Working Paper， 2008， No. 348.

[18] GIRARDI G，TOLGA ERG?N A.Systemic risk measurement：Multivariate GARCH estimation of CoVaR[J]. Journal of Banking & Finance，2013，37（08）：3 169-3 180．

[19] SKLAR A. Fonctions de répartition à n dimensions et leursmarges[J]. Publication de L'Insititut de Statistiquede de L'Universite de Paris， 1959， 8（01）：229-231.

[20] BEDFORD T， COOKE R M. Probability Density Decomposition for Conditionally Dependent Random Variables Modeled by Vines[J]. Annals of Mathematics and Artificial Intelligence， 2001， 32（01）：245-268.

[21] REBOREDO J C，RIVERA-CASTRO M A，UGOLINI A．Downside and upside risk spillovers between exchange rates and stock prices[J].Journal of Banking & Finance，2016，62：76-96．

（責任编辑：唐诗柔）

Research on Risk Spillover between China's Financial Markets Based

on Vine-Copula Generalized CoVaR Model

Zhang Rui，Lu Junxiang

（School of Science， Xi'an Polytechnic University）

Abstract： This paper constructs a Vine-Copula model to characterize the risk dependencies between banking， insurance， fund management and securities industries， and incorporates upside generalized CoVaR and downside generalized CoVaR into one framework to further study the risk spillover effects on other financial industries when one industry is in distress. The empirical results show that there exist significant positive risk spillover effects across financial industries， and upside and downside risk spillovers demonstrate asymmetry. In terms of industries， the risk spillover effect of securities industry on other industries is the strongest， while the risk spillover effects of banking and fund management industries are relatively stable， and the risk spillover of insurance industry is also at a high level. The risk spillover effects between securities and insurance industries should be closely monitored. This study clarifies the risk spillover effects among financial industries， which helps scientifically understand and accurately judge the periodic characteristics of China's economy in the 'three periods overlap' stage， and provides references for preventing and defusing major financial risks.

Keywords： Financial industry; Risk spillover; Vine-Copula; Generalized CoVaR