中国金融市场风险溢出效应及其时空特征——基于溢出指数方法与DCC-GARCH模型

李博阳, 张嘉望, 沈 悦

(1.长安大学 经济与管理学院,陕西 西安 710064; 2.陕西师范大学 国际商学院,陕西 西安 710119; 3.西安交通大学 经济与金融学院,陕西 西安 710061)

0 引言

金融市场的脆弱性源自于金融市场的波动性和跨市场的风险溢出效应(宫晓莉和熊熊[1])。现有关于跨市场风险溢出效应的文献可分为两个主要的研究方向,其一以单一金融市场作为研究对象,重点考察其跨国风险溢出效应。VANSTEENKISTE和 HIEBERT[2]运用VAR模型对欧洲的跨国数据研究发现,欧洲不同国家房价波动具有明显的溢出效应。刘海云和吕龙[3]利用多元波动率模型考察了全球40个股票市场间的风险溢出网络特征,研究发现发达国家对外风险溢出效应高于发展中国家。方意和贾妍妍[4]在重大突发公共事件的背景下研究了全球外汇市场风险的网络变化及其对中国的影响。郭文伟等[5]分析了全球29个国家股票市场间的动态相依结构和风险溢出效应,发现全球股市具有显著的洲际聚集特征。

还有研究着重探究一国金融子市场之间的风险溢出效应,并多是分析某两个金融市场间的风险溢出。例如股票市场和债券市场(史永东等[6]),股票市场和外汇市场(ANDREOU等[7]),股票市场和货币市场(谭德凯等[8]),股票市场和房地产市场(戚逸康等[9])以及外汇市场和房地产市场(孙天琦和王笑笑[10])等。还有部分文献探讨了多个金融市场之间的风险溢出效应,例如BAROT和YANG[11]使用协整检验证明瑞典房价、股价以及国债价格之间存在着一种长期的均衡关系,三个变量的运动轨迹比较类似,因此股票价格的波动对于房地产投资者确定投资时机等事件具有比较有价值的指导性作用。GILDERBLOOM等[12]在对股票市场、债券市场和房地产市场的协同作用进行短期收益和价格变化分析时发现,美国、德国及英国的金融市场波动状况存在着相似性。早期的研究主要关注金融市场间的收益率溢出关系和动态相关性。方意等[13]基于动态事件分析法研究了重大公共卫生事件对股票、债券、货币和外汇市场的冲击作用,发现新冠疫情会对金融市场自身风险及风险溢出效应带来显著影响。可以看出这一支文献侧重于分析股票市场与其他金融市场间的溢出效应,缺乏对一国整体金融子市场之间风险溢出效应的全盘考察。

在2007年次贷危机爆发后,有关风险溢出效应方向的研究如雨后春笋,主要可以分为尾部关联模型、关联网络模型和多元广义条件异方差模型(MVGARCH)等。MES,SES,SRISK,CCA,CoVaR等尾部关联模型考虑了风险溢出方向,并且可以基于金融市场高频数据对系统性风险及其溢出效应进行灵活度量,在国内外均得到广泛应用。然而,此类风险溢出度量方法只关注了局部的尾部关联,从而可能低估了高度关联系统的风险溢出效应(HAUTSCH等[14]),并且忽视了风险溢出渠道,无法观测风险溢出生成和传导的全过程(曹洁和雷良海[15])。网络关联作为现代风险度量和风险管理的核心得到了监管部门和学者们的广泛重视(IMF[16])。溢出指数模型由DIEBOLD和YILMAZ[17]创立,并在DIEBOLD和YILMAZ[18]及DEMIRER等[19]学者的发展下更为完善。该模型糅合了风险溢出测度、网络关联和动态演变的思想,能够将多维变量放置于统一的研究框架下,同时测度风险溢出的大小和方向,在金融市场风险溢出测度方面得到了广泛应用(李红权等[20])。广义条件异方差模型自创立就常用于测度金融风险,并从一元GARCH模型逐渐演化出BEKK-GARCK、DCC-GARCH等多元GARCH族模型(BOLLERSLEV[21])。其中DCC-GARCH模型不仅能够测度变量间的风险溢出程度,而且突破了传统GARCH模型相关系数恒定的假设,可以观测资产价格波动间的动态相关性,是风险溢出研究领域强有力的分析工具(严伟祥等[22])。

本文运用DCC-GARCH模型和风险溢出指数方法对我国七大金融市场风险溢出效应进行系统研究。可能存在以下创新:(1)将股票、外汇、货币、债券、商品、黄金、房地产市场等七大金融市场纳入统一的DCC-GARCH模型和溢出指数模型框架对其风险溢出效应展开全面分析,使研究更具系统性;(2)从时间和空间两个维度分析金融市场间的风险溢出效应及其非对称性特征,其中时间维度上风险溢出效应的非对称性指金融市场整体风险溢出程度随时间的累积和消减具有非对称性特征,快升而慢落,空间维度风险溢出效应的非对称性指金融市场间风险溢出方向具有非对称性,有些则承受外界风险溢出水平更大,具有系统脆弱性,有些市场的风险外溢程度更高,是系统性风险的主要来源。

1 模型与数据

1.1 风险溢出指数模型设定

建立在传统VAR模型的基础上,但不同于传统的Cholesky预测误差分解,风险溢出指数模型采用广义预测误差方差分解矩阵,该分解不再依赖于变量进入模型的次序,能够有效捕捉多个变量彼此之间的风险溢出效应。首先,n元p阶的VAR模型可表示为:

(1)

式(1)中Φi为VAR模型的系数矩阵;Xt为金融市场的波动率;εt为随机干扰向量。模型(2)的MA表达式为:

(2)

式(2)中ψi为系数矩阵,ψ0是单位矩阵,对所有的i<0,ψi=0,当i>0时,ψi满足递归过程ψi=Φ1ψi-1+Φ2ψi-2+…+Φnψi-n。根据溢出指数模型,Xi的前向H步预测误差方差中Xj贡献的占比为变量j对i的溢出向量估计值,即:

(3)

(4)

总风险溢出指数TSI(H)即为预测误差方差的交叉方差取平均数:

(5)

将金融市场i对其他所有金融子市场的溢出效应加总取算术平均数可以得到定向风险溢出指数DSIout(H):

(6)

将某一金融市场对外风险溢出效应减去该金融市场接受外界风险溢入效应,得到净风险溢出指数NSI(H):

NSI(H)=DSIout(H)-DSIin(H)

(7)

1.2 DCC-GARCH模型构建

DCC-GARCH模型又称动态条件相关的广义条件异方差模型(ENGEL[23]),该模型具有三个特点:一是DCC-GARCH模型设定是多元的,从单变量GARCH模型拓展至多元GARCH模型,使得多个序列间的波动溢出效应的研究成为可能;二是DCC-GARCH模型弥补了CCC-GARCH模型忽略变量间相关系数时变性的不足,能够估计时变的条件相关系数,从而刻画变量间的动态关联;三是DCC-GARCH模型允许变量的自相关和异方差,较于静态相关系数估计更为稳健。DCC-GARCH模型由均值方程和条件方差方程组成,均值方程设定如下:

rt=μt+εt

(8)

(9)

式(8)中rt为金融市场收益率,μt为已知过去信息Ft-1下的条件期望,εt为随机误差项,Ht为条件方差矩阵,μ为常数向量。条件方差方程设定如下:

(10)

式(10)中,ω为常数项,a1为滞后一期扰动项平方的影响系数,b1为滞后一期条件方差的影响系数。动态条件相关的方差矩阵可写作:

Ht=DtRtDt

(11)

Rt=diag(Qt)-1/2Qtdiag(Qt)1/2

(12)

式(12)中Qt是一个加权平均后的正定矩阵,Qt可表示为:

(13)

(14)

1.3 数据的选择与说明

本文将七大金融子市场,分别是股票市场Stock(采用沪深300指数)、债券市场Bond(采用中证综合净价指数)、货币市场Money(采用银行间7天同业拆借利率)、外汇市场Exchange(采用美元兑人民币汇率中间价)、大宗商品市场Commodity(采用Wind商品综合指数)、黄金市场Gold(采用AU9995品种黄金现货价格)和房地产市场House(采用申万房地产行业指数)。

在VAR-DCC-GARCH模型中,本文对各金融子市场的每日收盘价进行对数差分处理以得到每日收益率。而在溢出指数模型中需要获取各金融子市场的波动率,本文参照ANDERSEN等[24]提出的已实现方差方法对各金融子市场波动率进行预先估计,即将每周交易日收益率取平方和从而合成周已实现半方差。本文的样本区间从2005年7月22日到2021年8月27日,全部数据源自万德数据库。

2 实证结果与分析

2.1 溢出指数模型的结果与分析

(1)静态风险溢出效应

参照AIC和BIC准则,本文选取一阶滞后VAR模型,其中预测步长为8周(H=8),得到中国金融市场风险溢出指数表,见表3。

表1右下角数值(25.1)为平均风险溢出水平,最后一行(NET)为金融市场风险净溢出指数,倒数第二行(OUT)为对外风险溢出指数,最后一列(IN)为接受风险溢出指数,对角线元素为各市场历史波动率的持续影响,其余数值是市场间方向性风险溢出指数。

表1 金融市场风险溢出指数表

从表1可以看出,整体上我国金融市场在样本期间内有超过1/4的风险反映为市场间的风险溢出,说明中国金融市场间整体风险溢出效应较强[17],且容易借助资产价格波动关联渠道传染。

具体到单一金融市场,风险溢出方向存在非对称性。接受风险溢出指数排前三的市场为股票市场(49.60%)、房地产市场(47.90%)和黄金市场(29.70%),说明这三个市场极易收到风险传染,具有系统脆弱性。

就对外风险溢出指数而言,股票市场、房地产市场和商品市场的对外风险溢出指数较高,分别为51.90%,51.90%和28.20%,说明这三个金融市场在中国金融体系中位于信息先导地位,其信息传递效率较高,一旦发生突发事件会将风险迅速传导至整个金融体系,是中国的系统重要性金融市场。股票和房地产市场的接受和对外风险溢出指数均较高,在金融体系整体风险溢出网络中起到了中介和桥梁的作用。股票、商品和房地产市场的净风险溢出指数大于零,说明这三个市场为风险净溢出者,债券、货币、外汇和黄金市场的风险净溢出指数小于零,说明这四个市场为风险净接受者。

(2)动态风险溢出效应

为了考察风险溢出指数随时间变化特征,本文运用滚动窗口技术测度中国金融市场的动态风险溢出效应,结果如图1所示。

图1 中国金融市场风险溢出指数时序图

图1显示,在样本期间内中国金融市场风险溢出指数在18%-52%之间波动。其中,第一个阶段(2007—2011年)风险溢出指数波动剧烈。次贷危机后极端风险通过情绪传染和资产价格波动关联途径传导至中国,风险溢出指数大幅上挑。2008年末推出的“四万亿计划”释放了大量流动性,我国金融市场风险溢出指数再度陡然上跳。2010年在欧债危机和美国Q2政策叠加下,溢出指数上涨至这一阶段的最高点(47%)。第二阶段(2012—2017年)金融市场运行态势较平稳,除了在2015年中重大“股灾”影响下金融市场风险溢出指数飙升至整个样本区间的最高值(53%),然而该事件引起的金融市场共振持续时间不长。第三阶段从2018年至今,先是在2018年初的中国债券市场大面积违约和中美贸易争端影响下,中国金融市场波动关联性加强。此后在新冠疫情冲击下溢出指数大幅升高,并持续至今。总体而言,当重要政策和事件冲击时金融市场风险溢出程度明显增强,这同时也说明了本文构建的金融市场风险溢出指数能够反映我国金融市场的真实风险水平,有助于监管机构进行实时动态监控。

2.2 DCC-GARCH模型的结果与分析

借助DCC-GARCH模型估计金融市时变相关系数,结果如表2所示。

表2 中国金融市场DCC-GARCH模型估计结果

表2的上半部分报告了中国7个金融子市场单变量的GARCH模型估计结果,ω为常数项,a1为滞后一期扰动项平方的影响系数,即ARCH项系数,b1为滞后一期条件方差的影响系数,即GARCH项系数。可以看出所有金融市场单变量GARCH模型的常数项系数、ARCH项系数和GARCH项系数均在在1%的水平上显著。具体而言,外汇市场的ARCH项系数最大,为0.088,说明外汇市场对金融系统信息的反映速度最快,其次是股票市场和房地产市场,而黄金市场对于市场信息的反映最为迟缓。就GARCH项系数而言,商品市场的GARCH项系数最大,为0.958,说明商品市场对于市场波动感具有最强的记忆性,其次是黄金市场和货币市场,而股票市场的记忆性较弱。此外,每个金融市场ARCH项系数和GARCH项系数之和都非常接近于1,说明7个金融市场的收益率波动具有较强的持久性。

表2的下半部分给出了中国7个金融市场DCC-GARCH模型的估计结果,DCC-GARCH模型的ARCH项系数α和GARCH项系数β同样均在1%的水平上显著,并且α和β都大于零,α+β=0.962,符合模型条件,说明了DCC-GARCH模型很好地拟和了我国金融市场收益率的动态变化规律。表3汇报了中国7个金融市场间两两动态条件相关系数估计均值。

表3 中国金融市场动态条件相关系数估计结果

从上述ρ值可以看出,货币和外汇市场、债券和货币市场、外汇和商品市场以及外汇和房地产市场之间的动态相关系数均值为负,说明这四组金融市场收益率之间存在反向相关关系。动态相关系数均值为负值反映了市场间的风险关联性较小,从资产组合理论而言,同时持有两种相关系数为负的资产具有分散风险的效果。而其余两两金融市场间的动态相关系数均值均为正值,股票和房地产市场的动态相关系数均值最大,为0.900,商品和黄金市场间以及债券与黄金市场间的动态相关系数也较大,分别为0.482和0.365,正向相关系数的值越大反映了金融市场间风险关联性越大。这一结果与表1中静态溢出指数模型风险溢出效应分解的结果具有一致性。

表3的动态条件相关系数均值体现了两两市场间在样本期间内整体动态相关系数的大小,但并未体现出金融市场动态相关系数的时变特点,本文将中国7个金融市场每个时点的动态相关系数取算术平均,得到中国总体条件动态相关系数,如图2所示。

图2 中国金融市场动态相关系数图

从图2可以看出中国金融市场总体条件动态相关系数在0.09至0.31间波动,动态相关系数在时间维度上的上跳和消减具有非对称性,在面对国内外重要政策颁布和风险事件冲击时,中国金融市场动态相关系数在短期内出现跳跃式的大幅增长,在达到峰值后,金融市场间的动态相关系数并不会立刻减弱,而是需要一段时间回调至冲击前的大小,体现出金融市场间动态相关系数在时间维度上存在着非对称性。此外,对比图1和图2可以看出,二者具有共通之处,例如在2008年9月国际金融危机爆发、2008年底“四万亿计划”、2013年6月“钱荒”、2015年6月“股灾”以及2020年初新冠疫情爆发等关键时间节点,中国金融市场的条件动态相关系数都有明显升高,印证了市场间动态相关系数越大,风险传染水平越强(方意等[13];蒋海等[25])。

3 研究结论与启示

本文运用风险溢出指数模型和DCC-GARCH模型对我国七大金融市场风险溢出效应展开系统性研究,得出以下结论:(1)金融市场整体风险溢出水平较高,平均溢出指数为25.10%。金融市场风险溢出方向存在非对称效应,债券、货币、外汇和黄金市是风险净接受者,股票、商品和房地产市场是风险净溢出者。(2)我国金融市场风险溢出指数在18%～52%间随时间变化,在次贷危机爆发、“四万亿计划”颁布、欧债危机爆发、重大“股灾”爆发、中美贸易摩擦、新冠疫情事件等重要政策和事件冲击时金融市场风险溢出程度明显增强。(3)金融市场风险溢出存在非对称效应,货币与外汇市场、外汇与房地产市场、债券与货币市场、外汇与商品市场间动态相关系数均值为负,反映了这四组金融市场间风险关联性较小。债券与黄金市场、商品与黄金市场、股票与房地产市场的动态相关系数均值较大,反映了这三组金融市场间风险关联性较大。(4)中国金融市场整体条件动态相关系数在0.09至0.31间波动,动态相关系数在时间维度上的上跳和消减具有非对称性。

金融市场波动的关联性以及金融风险在时空维度的非对称性给政策当局带来了更大的挑战,为了防范跨市场风险溢出引发系统性风险,根据本文研究结论,监管部门可从以下几个方面着手。首先,考虑到金融市场间的风险溢出方向具有非对称性,因此应密切监控股票市场、房地产市场和商品市场等系统重要性金融市场,重点关注股票市场、房地产市场和黄金市场等系统脆弱性金融市场。其次,鉴于部分金融市场间的动态相关系数较高,容易发生风险跨市场传染,因此应着重警惕股票市场与房地产市场、债券市场与黄金市场、大宗商品市场与黄金市场之间的风险互动。而且对于投资者而言,也应根据金融市场间动态相关系数的大小,合理配置资产持有,以达到分散风险的目的。最后,考虑到中国金融市场风险溢出指数对于市场信息响应十分敏感,且金融市场的动态相关系数具有上跳快而消减慢的时间维度非对称性,因此在重要政策和事件发生早期政府需注意提高反应速度,加强监管力度,防范风险跨市场的溢出和传染。