基于單因子MSV-CoVaR模型的金融市場風險溢出度量研究

陳九生，周孝華

(重慶大學經濟與工商管理學院，重慶 400044)

基于單因子MSV-CoVaR模型的金融市場風險溢出度量研究

陳九生，周孝華

(重慶大學經濟與工商管理學院，重慶 400044)

在全球經濟一體化進程加速的背景下，信息、資本的自由流動變得更加暢通，金融市場風險從一個市場傳向了另一個市場，金融市場風險溢出效應研究也成了金融監(jiān)管部門以及國內外學者關注的焦點。本文以條件在險價值(CoVaR)法為基礎，結合單因子MSV模型分析了我國股票市場與ETF市場之間的風險溢出效應。結果表明，股票市場與ETF市場之間存在雙向風險溢出效應，且股票市場對ETF市場的風險溢出效應強于ETF市場對股票市場的風險溢出效應。此外，文章還發(fā)現波動沖擊對股票市場與ETF市場的影響都較為持久。本文的實證結果能夠為投資者在進行股票和ETF投資時提供決策依據，對金融市場監(jiān)管也有一定的參考價值。

單因子MSV； CoVaR；金融市場；ETF；風險溢出

1 引言

交易型開放式指數證券投資基金(Exchange Traded Funds：ETF)是以擬合某個指數為主的被動式投資基金，被認為是全球金融市場近二十年來最重要的一項金融創(chuàng)新產品。ETF的推出為中小投資者提供了一個方便快捷、靈活及費用低廉的投資渠道，投資者可以用小額資金獲得一個多元投資組合的份額，在分散風險的同時也能夠獲得市場平均收益。ETF還提供了對標的指數的套利功能，一旦出現機會，投資者就能進行大量的套利交易直至ETF價格與指數價值完全一致，這種高頻率大量的套利有利于提高標的股票的活躍性，引導資金向藍籌股集中，并且還能減輕股票指數的波動，保持市場的穩(wěn)定性。而且，ETF的交易是通過一籃子標的指數的成分股換取一定的基金份額，這種獨特的申購和贖回機制決定了即便在一二級市場間進行自身套利也要通過股票市場才能實現。ETF與股票市場的關系如此密切，必然會導致風險從一個市場傳遞到另一個市場。因此，面對這些收益風險并存的投資工具時，分析股票市場與ETF市場的風險溢出關系不僅能夠為投資者在進行股票和ETF投資時提供決策依據，而且還有助于國家對金融行業(yè)進行宏觀指導，增強決策的有效性。

金融市場間的風險溢出效應一直是國內外學者研究的熱門課題也是金融監(jiān)管部門關注的焦點?，F有文獻主要是研究國內外股票市場間的風險溢出、股票市場與外匯市場之間的風險溢出、股票市場與整個基金市場以及股票市場與債券市場之間的風險溢出，對于股票市場與ETF基金市場的風險溢出研究較少。Hamao等[1]分析了紐約、東京和倫敦股市之間的價格波動溢出效應，驗證了風險溢出效應的存在。洪永淼等[2]研究了A股、B股和H股之間，中國股市與世界其他股票市場之間的極端風險的溢出效應。結果表明，A股、B股與H股之間都存在較強的風險溢出效應，但是，A股與美國、德國和日本等成熟市場國家的股市之間不存在風險溢出效應。劉曉星等[3]也對國際間股票市場之間的風險溢出效應進行了研究，他們認為，美國股票市場對其他國家的股票市場均存在很強的風險溢出效應，并且風險溢出強度還與美國股市自身風險大小成正比。熊正德和韓麗君[4]通過研究我國匯改后匯市與股市間的波動溢出效應，發(fā)現股市與匯市之間存在不對稱的雙向波動溢出效應。史永東、丁偉和袁紹鋒[5]研究了股票市場與債券市場的風險溢出效應，結果表明，股票市場與整個債券市場的風險溢出效應不顯著，但是股票市場與銀行間債券市場存在“蹺蹺板”效應，并且，股票市場的異常上漲將使“翹翹板”效應變成聯(lián)動效應；股票市場的異常下跌，“翹翹板”效應會減弱。柏滿迎、吳琪和吳天都[6]認為，股票市場和基金市場之間存在風險溢出效應，且股票市場對基金市場的溢出效應要強于基金市場對股票市場的溢出效應。

在研究方法上，目前常用的有風險-Granger因果檢驗法[7-9]、GARCH類模型法[10-11]、復雜網絡模型法[12-13]、CoVaR法[3, 14-15]以及MSV模型法[4, 16-17]。風險-Granger因果檢驗法和GARCH類模型法能夠測度風險的傳導方向，但對于風險溢出強度的測量稍顯不足。復雜網絡模型法能夠識別系統(tǒng)重要性金融機構，也能夠研究金融體系及風險傳導機制，但同樣無法測度風險溢出強度。CoVaR法在度量風險溢出強度上應用廣泛，但通常需要使用Copula函數作為連接函數，在數據處理過程中容易造成信息損失，而且目前很少有連接函數能夠完全擬合兩邊緣分布。MSV模型中使用較多的是GC-MSV模型和DC-MSV模型，這兩種模型也只能測度風險傳導的方向，無法度量風險溢出強度?；诖?，本文擬結合MSV模型法與CoVaR法的優(yōu)點，構建單因子MSV-CoVaR模型用于度量金融市場風險溢出。單因子MSV-CoVaR模型不需要使用連接函數也能測度市場間以及機構間的風險溢出強度，對現實的擬合度更高。

2 單因子MSV-CoVaR模型的構建及參數估計

2.1 單因子MSV模型的構建及參數估計

因子MSV模型是借鑒多元分析中的因子分解思想以及因子多元ARCH模型演變而來，它由Harvey等[18]首次提出并經過Jacquier等[19, 20]的擴展和完善。因子MSV模型可以將收益率分解成兩個部分：一部分捕捉所有資產定價方面的信息；還有一部分是噪聲項(詳見Diebold等[21])。

假定ft為K×1維向量，D為m×K維因子載荷矩陣(K

(1)

其中，yt=(y1t,y2t)′為t時刻樣本數據的收益率序列；D=(1,d)′；εt=(ε1t,ε2t)′為擾動項；ht是標量，h0=0；φ為波動持續(xù)項，φ越大，波動的沖擊持續(xù)性越久；資產收益率序列y1t，y2t之間的條件相關系數為：

(2)

單因子MSV模型的參數估計采用基于Gibbs抽樣的MCMC方法，參數的先驗分布假設根據YuJun和Meyer[22]的經驗設為：

(3)

(4)

(5)

其中：

(6)

(7)

pdf(x,y)為二元分布的聯(lián)合概率密度函數，則ETF基金市場對股票市場的風險溢出為：

(8)

表1 ETF基金價格指數及滬深300指數的描述性統(tǒng)計量

注：括號內為P值。

表2 單因子MSV模型的MCMC估計結果

3 實證分析

3.1 數據選取

選取滬深300指數代表股票市場，ETF基金價格指數代表ETF市場，樣本區(qū)間為2010年1月4日至2015年4月30日(數據來源于Wind數據庫)，以每日收盤價為樣本，除去節(jié)假日共1289個數據。

首先，對滬深300指數和ETF基金價格指數收盤價進行對數處理，結果用百分比的形式表示。令Rt為第t日的指數收益率，pt和pt-1分別為第t日和第t-1日指數收盤價格，則可用公式表示為：

Rt=100×(lnPt-lnPt-1)

(9)

其次，將處理好的滬深300指數和ETF基金價格指數收益率進行描述性統(tǒng)計，結果如表1所示。

由表1可知，滬深300指數和ETF基金價格指數收益率的偏度都小于0，峰度都大于3，且J-B檢驗的P值都為0，所以滬深300指數和ETF基金價格指數收益率序列都不服從正態(tài)分布，存在“尖峰、厚尾、左偏”等現象。ADF檢驗表明，滬深300指數和ETF基金價格指數收益率序列是平穩(wěn)的，因此，可選用單因子MSV模型進行建模。

圖1 單因子MSV模型參數收斂性診斷

圖2 單因子MSV模型參數的后驗密度曲線圖

3.2 單因子MSV模型估計

數據選取后，接下來要對經過對數處理后的滬深300指數和ETF基金價格指數收益率進行單因子MSV模型參數估計，本文采用基于Gibbs抽樣的MCMC方法做100000次循環(huán)迭代，舍去前80000個抽樣值，使用后面的抽樣結果作為各參數的穩(wěn)定分布抽樣，參數估計結果如表2所示。

由表2可知，各參數估計結果的蒙特卡洛誤差都很小，且遠小于標準差，而且從圖1也可以看出Gelman-Rubin統(tǒng)計量隨著迭代次數的增加而趨近于1，因此，可認為MCMC的估計結果是收斂的，參數估計值是有效的。由單因子MSV模型參數(μ，φ，σ，d，σε1，σε2)后驗分布的核密度估計曲線(圖2)可知，除d和σ外各個參數的核密度估計曲線的形狀都比較平滑，各曲線也都隨著參數的不同而發(fā)生變化，而且基本上都是單峰的，這也說明基于Gibbs抽樣的MCMC方法很好地模擬了模型中各參數的邊緣后驗分布。波動持續(xù)性系數φ為0.9826，說明波動的沖擊對股市與ETF基金市場的影響持續(xù)較長時間。圖3的動態(tài)條件相關圖表明，ETF與滬深300指數之間的相關系數在0.92與0.99之間波動，因此，股市與ETF基金市場之間是時變相關的，在不同經濟周期、不同政策背景下會呈現出差異，但是都超過0.9，說明兩市場的相關性較強，兩市場的趨同性、一體化程度較高，這與ETF基金的獨特的申購贖回交易機制有關。ETF的申購與贖回都是使用標的指數的成分股與份額互換，即使是ETF自身套利也是使用成分股進行，因而股票市場與ETF基金市場必然會產生很強的聯(lián)動性。

采用公式：VaR=-μ+U1-ασ計算VaR值，其中U1-α為標準正態(tài)分布1-α水平分位數，本文中α=0.05，σ為標準差。然后將VaR值代入公式(4)-(8)計算CoVaR值和%CoVaR值，結果如表3所示。

由表3可知，ETF基金價格指數的VaR值為0.0126，小于滬深300股票指數的VaR值0.4544，說明股票市場的風險大于ETF基金市場。這是由于股票市場的股票種類和數量都大于ETF基金市場的股票種類和數量，當非ETF成分股的上市公司遭受風險時，EFT基金并未受影響而股票市場卻或多或少會受到影響。因此，股票市場的風險來源更廣，也更容易遭受風險。ETF基金市場向股票市場的風險溢出效應為82.3%，股票市場向ETF基金市場的風險溢出效應為225.7%，說明兩市場間存在雙向風險溢出效應，且股票市場向ETF基金市場的風險溢出效應更強。這可能是由于ETF基金的組成都是股票，因此，股票市場的風險必然會傳染到ETF基金市場。而ETF基金選用的股票只是股票市場的一部分股票，因此，當ETF基金市場發(fā)生風險時，也會傳染到股票市場，但是風險溢出的強度卻不如股票市場向ETF基金市場溢出那么大。

表3 ETF基金價格指數與滬深300指數間風險溢出%CoVaR統(tǒng)計量

表3 ETF基金價格指數與滬深300指數間風險溢出%CoVaR統(tǒng)計量

風險溢出方向VaRiq,tCoVaRi|jq,t%ΔCoVaRi|jq,tETF?HS3000.01260.06582.3%HS300?ETF0.45440.3982225.7%

4 結語

本文利用單因子MSV-CoVaR模型研究了我國股票市場與ETF基金市場之間的風險溢出效應，分析了股票市場與ETF基金市場間信息傳遞與風險傳導方向，度量了兩市場間的風險溢出強度，研究結果對進行兩市場間的風險監(jiān)管有一定的幫助，對投資者進行股票和ETF基金投資也有參考價值。基于上述研究，本文得出以下結論：

(1)ETF基金市場與股票市場之間存在很強的相關性。ETF基金價格指數與滬深300指數之間的動態(tài)條件相關系數在0.92與0.99之間波動，表明股市與ETF基金市場之間是時變相關的。不同的經濟周期和政策背景會對兩市場的相關性產生不同的影響，但是兩者的動態(tài)條件相關系數都超過了0.92，因此，兩市場的相關性較強，兩市場的趨同性、一體化程度較高。

(2)股票市場比ETF基金市場遭受更容易遭受風險。滬深300股票指數的VaR值為0.4544，大于ETF基金價格指數的VaR值0.0126，因此，股票市場的風險大于ETF基金市場，股票市場比ETF基金市場更容易遭受風險。ETF基金市場的成分股數量和種類只是股票市場的一小部分，因此，從風險來源來看， 股票市場也更容易遭受風險。

(3)股票市場與ETF基金市場之間存在不對稱雙向風險溢出效應，且股票市場對ETF基金市場的風險溢出效應要強于ETF基金市場向股票市場的風險溢出效應。股票市場向ETF基金市場的風險溢出效應為225.7%，ETF基金市場向股票市場的風險溢出效應為82.3%，因此，股票市場向ETF基金市場的風險溢出效應更強，這也是由于ETF基金成分股來源于與股票市場且數量和種類又少于股票市場的股票種類和數量所致。

[1] Hamao Y, Masulis R W, Ng V. Correlations in price changes and volatility across international stock markets[J]. Review of Financial Studies, 1990. 2(3): 281-307.

[2] 洪永淼,成思危,劉艷輝,等. 中國股市與世界其他股市之間的大風險溢出效應[J]. 經濟學(季刊), 2004. 3(3): 703-726.

[3] 劉曉星,段斌,謝福座. 股票市場風險溢出效應研究:基于EVT-Copula-CoVaR模型的分析[J]. 世界經濟, 2011，(11): 145-159.

[4] 熊正德,韓麗君. 金融市場間波動溢出效應研究——GC-MSV模型及其應用[J]. 中國管理科學, 2013，21(2): 32-41.

[5] 史永東,丁偉,袁紹鋒. 市場互聯(lián)、風險溢出與金融穩(wěn)定——基于股票市場與債券市場溢出效應分析的視角[J]. 金融研究, 2013，(3): 170-180.

[6] 柏滿迎,吳琪,吳天都. 我國股票市場與基金市場間的風險溢出研究[J]. 統(tǒng)計研究, 2014，(4): 108-109.

[7] Hong Yongmiao, Liu Yanhui, Wang Shouyang. Detecting extreme risk spillover between financial markets[R]. Working Paper,Cornell University, 2003.

[8] Hong Yongmiao. Granger causility in risk and detection of risk between two time series[R]. Working Paper,Corneu University, 2001.

[9] 潘慧峰,張金水. 國內外石油市場的極端風險溢出檢驗[J]. 中國管理科學, 2007,15(3): 25-30.

[10] 李成, 馬文濤,王彬. 我國金融市場間溢出效應研究——基于四元VAR-GARCH(1,1)-BEKK模型的分析[J]. 數量經濟技術經濟研究, 2010,(6): 3-19.

[11] 熊正德, 文慧,熊一鵬. 我國外匯市場與股票市場間波動溢出效應實證研究——基于小波多分辨的多元BEKK-GARCH(1,1)模型分析[J]. 中國管理科學, 2015,23(4): 30-38.

[12] 鄧超, 陳學軍. 基于復雜網絡的金融傳染風險模型研究[J]. 中國管理科學, 2014,22(11): 11-18.

[13] 歐陽紅兵,劉曉東. 中國金融機構的系統(tǒng)重要性及系統(tǒng)性風險傳染機制分析——基于復雜網絡的視角[J]. 中國管理科學, 2015,23(10): 30-37.

[14] Adrian T, Brunnermeier M K. CoVaR[J]. American Economic Review,2016,106(7):1705-1741.

[15] Girardi G, Ergün A T, Systemic risk measurement: Multivariate GARCH estimation of CoVaR[J]. Journal of Banking & Finance, 2013,37(8): 3169-3180.

[16] 熊正德,韓麗君. 基于MSV類模型的中國匯市與股市間溢出效應[J]. 系統(tǒng)工程, 2010, 28(10): 47-53.

[17] 張瑞鋒,張世英. 基于VS-MSV模型的金融市場波動溢出分析及實證研究[J]. 系統(tǒng)工程, 2007, 25(8): 1-6.

[18] Harvey A, Ruiz E, Shephard N. Multivariate stochastic variance models[J]. Review of Economic Studies, 1994,61(2): 247-264.

[19] Jacquier é, Polson N G, Rossi P E. Models and priors for multivariate stochastic volatility[R]. CIRANO Working Paper,1995.

[20] Jacquier é, Polson N G, Rossi P E. Stochastic volatility: Univariate and multivariate extensions[R]. CIRANO Working Paper, 1999.

[21] Diebold F X, Nerlove M. The dynamics of exchange rate volatility: A multivariate latent factor ARCH model[J]. Journal of Applied Econometrics, 1989, 4(1): 1-21.

[22] Yu Jun, Meyer R. Multivariate stochastic volatility models: Bayesian estimation and model comparison[J]. Econometric Reviews, 2006, 25(2-3): 361-384.

Study on TheRisk Spillover Effect of China’s Financial Market Based on AFactor-MSV-CoVaR Model

CHEN Jiu-sheng，ZHOU Xiao-hua

(School of Economics and Business Administration，Chongqing University，Chongqing 400044，China)

Under the background of economic globalization, with the process of the world economic integration, the free flow of information and capital becomes more clear, and the financial market risk transfer from one market to another market. Therefore, study of the risk spillover effect of financial markets has become the focus of financial supervision departments and scholars. In paper, the risk spillover effect between stock market and ETF market in china is analyzed based on CoVaR method combined with Afactor-MSV model. This combined model can measure the risk spillover effect between two different markets without copula functions, and it has higher fitting degree in reality than other models. In the first step, joint distribution model of stock market and ETF market is established by using the Afactor-MSV model, and MCMC method based on Gibbs sampling is put forward to estimate parameters of the combined model. Then, the risk spillover intensity between two markets is measured by using CoVaR function. Based on the daily prices of Chinese stock market index and ETF market index over January 4, 2010-April 30, 2015, our results demonstrate that there is two-way spillover effect between stock market and ETF market in china, the degree of risk spillover effect from stock market to ETF market is stronger than that of from ETF market to stock market. Meanwhile, it is also found that there is long-lasting effect of volatility shock on stock market and ETF Market. The empirical results can provide the reference for investors making investment decisions, and it is also valuable for regulation of financial markets.

afactor-MSV; CoVaR; financial market; ETF market; risk spillover

1003-207(2017)01-0021-06

10.16381/j.cnki.issn1003-207x.2017.01.003

2015-05-29；

2015-12-29

國家自然科學基金面上項目(71373296)；國家社科基金重大項目(14DB148)

陳九生(1985-)，男(漢族)，江西瑞金人，重慶大學經濟與工商管理學院，博士研究生，研究方向：金融工程和風險管理等,E-mail:jiusheng_chen@163.com.

F830

A