“一帶一路”板塊與滬深主板股票指數(shù)收益的尾部風險聯(lián)動性研究

劉靜一

(鄭州大學 商學院，河南 鄭州 450001)

“一帶一路”板塊與滬深主板股票指數(shù)收益的尾部風險聯(lián)動性研究

劉靜一

(鄭州大學 商學院，河南 鄭州 450001)

為了動態(tài)測度“一帶一路”板塊股票的風險，首次采用MV-CAViaR模型研究了“一帶一路”板塊與滬深主板股票指數(shù)收益的尾部風險聯(lián)動性。研究表明，兩者的尾部風險存在顯著的相依聯(lián)動性，主板指數(shù)的收益率波動是影響尾部風險及其聯(lián)動性的主要因素；從1%分位數(shù)的估計結(jié)果來看，在2015年6月至8月底的股市巨幅波動中，“一帶一路”板塊股票指數(shù)的尾部風險低于滬深主板。

尾部風險；聯(lián)動性；MV-CAViaR

在當前中國經(jīng)濟處于“新常態(tài)”的歷史背景下，2013年9月和10月“一帶一路”重大倡議的提出，為沿線地區(qū)的經(jīng)濟發(fā)展提供了寶貴的機遇。股票市場活動被認為是經(jīng)濟社會活動的“晴雨表”，股票價格的變化反映了投資者對上市公司的價值預(yù)期和經(jīng)濟發(fā)展的信心。在經(jīng)濟活動日益復(fù)雜的今天，股票的投資風險已不僅關(guān)系到微觀個體的收益，也關(guān)系到社會經(jīng)濟的平穩(wěn)運行。筆者通過對“一帶一路”板塊指數(shù)與滬深主板的尾部相依性研究，既實現(xiàn)了對“一帶一路”板塊指數(shù)風險的動態(tài)測度，也考察了“一帶一路”板塊指數(shù)與滬深主板的風險聯(lián)動性。這有助于投資者了解“一帶一路”板塊股票的投資風險，也有助于板塊成份股上市公司股票質(zhì)押的風險控制，避免由于主板的劇烈震蕩引起的資產(chǎn)波動而引致財務(wù)風險，保證上市公司的健康發(fā)展和“一帶一路”戰(zhàn)略的平穩(wěn)實施。

VaR(value at risk)方法已在風險管理領(lǐng)域廣為研究和應(yīng)用。一直以來，大量文獻都致力于VaR的計算和預(yù)測研究，采用的研究方法可以概括為間接法和直接法兩種。間接法需要估計出收益率序列分布，但由于收益率的尖峰后尾和非對稱性，在理論上很難找到準確的統(tǒng)計模型來刻畫收益率序列。而ENGLE等[1]提出的CAViaR(conditional autoregressive value at risk)模型，直接對VaR進行自回歸建模，不僅跳出了對收益率序列分布的依賴，而且可以更靈活地將金融序列的典型特征加入到模型中，開創(chuàng)了VaR研究的新領(lǐng)域。HUANG等[2]、閆昌榮[3]、王新宇等[4]、陳磊等[5]和余白敏等[6]進一步拓展了ENGLE等的模型方法。

上述文獻一般采用CAViaR模型來分析刻畫單一金融收益率序列VaR的動態(tài)演進，并未研究收益率序列的尾部動態(tài)相依性。事實上，金融市場的各因素之間是互相影響、互相作用的，風險相依性和動態(tài)關(guān)聯(lián)性也是金融市場的典型特征之一。例如，在2015年6月至8月的股市巨震中，幾乎沒有哪個上市公司板塊或股票可以獨善其身。鑒于此，為了動態(tài)測度“一帶一路”板塊股票的風險，筆者首次采用WHITE等[7]的MV-CAViaR模型方法，分析研究“一帶一路”板塊指數(shù)與滬深主板的風險動態(tài)相依性。

1 理論方法和模型

(1)

筆者在此理論基礎(chǔ)上，取n=2,p=1,m=1，建立如下的MV-CAViaR(1,1)模型：

q1,t=c1+a11|Y1,t-1|+a12|Y2,t-1|+

b11q1,t-1+b12q2,t-1

q2,t=c2+a21|Y1,t-1|+a22|Y2,t-1|+

b21q1,t-1+b22q2,t-1

式中：q1,t和q2,t分別為“一帶一路”板塊和滬深主板指數(shù)收益率的第θ分位數(shù)；Y1,t和Y2,t分別為兩者的收益率。

2 實證分析

2.1 數(shù)據(jù)及描述性統(tǒng)計量

自“一帶一路”的宏大設(shè)想提出之后，市場上出現(xiàn)了不同的相關(guān)指數(shù)，其中以2015年1月推出的WIND新絲路指數(shù)(399429)的影響最大，但是其樣本容量太小，相比而言，從2013年9月開始編制的通達信絲綢之路指數(shù)(880594)樣本容量相對較大。因此，選擇該指數(shù)作為“一帶一路”板塊指數(shù)，并選擇滬深300指數(shù)來刻畫主板指數(shù)，樣本區(qū)間為2013年9月11日到2015年8月24日，共476個樣本。 “一帶一路”和滬深300指數(shù)的收益率曲線及其描述性統(tǒng)計量分別如圖1和表1所示。

從圖1可以看到，“一帶一路”指數(shù)的收益率明顯高于滬深300指數(shù)，與表1中兩者的均值統(tǒng)計量一致。表1中的偏度和峰度值表明兩個指數(shù)均呈現(xiàn)出左偏和尖峰的特征，JB統(tǒng)計量和P值則

圖1 “一帶一路”指數(shù)與滬深300指數(shù)收益率

表1 描述性統(tǒng)計量

反映了二者均不服從正態(tài)分布。

2.2 模型的估計結(jié)果

模型參數(shù)估計結(jié)果如表2所示，由表2可以看到：①除了c2和b21不顯著異于0外，其余參數(shù)均在10%以上的顯著性水平上異于0；②自回歸項系數(shù)b11和b22分別為0.697 7和0.973 2，且均在1%的顯著性水平上異于0，表明VaR具有顯著的自回歸性；③除b21外，非對角線系數(shù)均顯著異于0，且第一個方程中的非對角線參數(shù)大于第二個方程的參數(shù)，表明滬深主板指數(shù)的風險對“一帶一路”指數(shù)的影響更大，而“一帶一路”成份股占滬深主板的比重非常小，因而其風險對滬深主板的影響相對較?。虎茉趦烧卟淮嬖谖膊肯嘁佬缘脑僭O(shè)下(即所有的非對角線元素均為0)，計算的TS統(tǒng)計量為25.996 7，P值為0.010 7，即在

2%的顯著性水平下拒絕原假設(shè)，進一步證明了兩者之間具有較強的尾部相依性。

圖2所示為兩個指數(shù)1%分位數(shù)的樣本內(nèi)估計結(jié)果，1%分位數(shù)的相反數(shù)即為VaR。由圖2可以看到，兩者的VaR走勢具有高度一致性，進一步表明二者尾部風險的相依性；在2015年1月之前，“一帶一路”指數(shù)的尾部風險明顯高于滬深300指數(shù)的尾部風險；2015年1月至今，“一帶一路”指數(shù)的尾部風險低于滬深300指數(shù)的尾部風險，在6月底以來的股災(zāi)時期表現(xiàn)得尤其明顯，這可能存在兩個方面原因，一是滬深300作為股指期貨的標的，股災(zāi)增加了其風險；二是隨著“一帶一路”概念的逐漸深入和國家相關(guān)政策的不斷傾斜，投資者對“一帶一路”板塊有更強的投資信心。

表2 模型參數(shù)估計結(jié)果

注：*、**和***分別表示系數(shù)在10%、5%和1%的顯著性水平下顯著；括號里面的數(shù)值為估計標準誤

圖3 Y1,t單位標準差沖擊后的兩指數(shù)脈沖

圖4 Y2,t單位標準差沖擊后的兩指數(shù)脈沖

由于MV-CAViaR模型中并沒有關(guān)于收益率序列的動態(tài)演進過程，因而無法得到真正的脈沖響應(yīng)函數(shù)，只能采用偽脈沖響應(yīng)函數(shù)來直觀反映收益率的變化對尾部風險的影響。偽脈沖響應(yīng)函數(shù)假定僅對Yi,t(i=1,2)分別給予單位標準差的沖擊，而之后的Yi,t不受影響，加入沖擊后的分位數(shù)與之前分位數(shù)的差即為脈沖值。圖3和圖4分別為給予“一帶一路”和滬深300指數(shù)收益率單位標準差沖擊后兩指數(shù)的脈沖響應(yīng)。不難發(fā)現(xiàn)，所有的脈沖在140期后都收斂到0，且影響基本都為負值，表明沖擊增加了兩個指數(shù)的尾部風險；單位標準差滬深300指數(shù)收益率沖擊對兩個指數(shù)尾部風險的影響遠大于“一帶一路”指數(shù)，比如前者引起1期滬深300指數(shù)收益率1%分位數(shù)下降0.6%，是后者0.06%的10倍，表明滬深300指數(shù)收益率的變化對兩個指數(shù)收益率尾部風險的測度更為重要。

3 結(jié)論

筆者采用MV-CAViaR模型研究了“一帶一路”與滬深主板的尾部風險相依性問題。通過實證分析得到如下結(jié)論：①自2013年9月以來，“一帶一路”板塊的平均收益率為正值且高于滬深300指數(shù)；②參數(shù)的估計結(jié)果表明，二者具有明顯的尾部風險相依性，且滬深300指數(shù)尾部風險對“一帶一路”指數(shù)尾部風險的影響要高于“一帶一路”指數(shù)對滬深300指數(shù)的影響；③從估計出的第1%分位數(shù)來看，二者的尾部風險具有較高的一致性，2015年6月底以來的股市巨震中，“一帶一路”指數(shù)的尾部風險低于滬深300指數(shù)的尾部風險將近3個百分點；④從偽脈沖響應(yīng)分析來看，滬深300指數(shù)收益率的波動對兩者尾部風險的影響更大。因此，無論是“一帶一路”板塊的上市公司還是普通投資者，都不應(yīng)忽視主板風險所引致的板塊風險，從而做出合理的避險方案或者投資決策。

[1] ENGLE R F，MANGANELLI S. CAViaR: conditional autoregressive value at risk by regression quantile[J]. Journal of Business and Economic Statistics, 2004,22(4):367-381.

[2] HUANG D, YU B, FABOZZI F J, et al. CAViaR-based forecast for oil price risk[J]. Energy Economics, 2009,31(4):511-518.

[3] 閆昌榮.基于流動性調(diào)整CAViaR模型的風險度量方法[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2012(3):151-161.

[4] 王新宇，宋學峰，吳瑞明.基于AAVS-CAViaR模型的股市風險測量研究[J]. 系統(tǒng)工程學報，2010,25(3):326-333.

[5] 陳磊,曾勇,杜華宇.石油期貨收益率的分位數(shù)建模及其影響因素分析[J].中國管理科學，2012,20(3)：35-40.

[6] 余白敏，吳衛(wèi)星.基于“已實現(xiàn)”波動率ARFI和CAViaR模型的VaR預(yù)測比較研究[J]. 中國管理科學，2015,23(2):50-58.

[7] WHITE H, KIM T H, MANGANELLI S.VAR for VaR: measuring systemic risk using multivariate regression quantiles[J]. Journal of Economics, 2015(187):169-188.

LIU Jingyi:Lect.; School of business， Zhengzhou University, Zhengzhou 450001, China.

Research on the Comovement of Tail Risk Between “One Belt One Road” Stock Plate and Shanghai-Shenzhen Main Board Stocks

LIUJingyi

In order to measure the risk of "One Belt One Road" stock plate dynamically, this paper apply MV-CAViaR mode to analyze the co-movement of tail risk between "One Belt One Road" stock plate and Shanghai-Shenzhen main board stocks. Empirical studies show that tail risk co-movement is significant, and the key factor that drives the tail risk and the co-movement characteristic is main board stocks return's volatility. From the 1% quantile estimate, the tail risk of "One Belt One Road" stock plate is lower than the main board stocks during fierce volatile period from June to August in 2015.

tail risk; comovement; MV-CAViaR

2095-3852(2016)06-0696-04

A

2016-07-05.

國家自然科學基金項目(71473092).

F222.3

10.3963/j.issn.2095-3852.2016.06.012

收稿日期：劉靜一(1983-)，女，河南南陽人，鄭州大學商學院講師.