國(guó)際股票市場(chǎng)風(fēng)險(xiǎn)傳染效應(yīng)研究
——來(lái)自2007～2018年15個(gè)股票市場(chǎng)數(shù)據(jù)

劉 超，王淑嬌，劉宸琦，劉思源

(1.北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京 100124；2.北京現(xiàn)代制造業(yè)發(fā)展基地，北京 100124；3.南加利福尼亞大學(xué)計(jì)算機(jī)科學(xué)系，洛杉磯 90001；4.北京工業(yè)大學(xué)都柏林學(xué)院，北京 100124)

0 引言

隨著金融一體化進(jìn)程的推進(jìn)，國(guó)際金融市場(chǎng)得以共同發(fā)展，但是金融開(kāi)放程度的進(jìn)一步深化以及各國(guó)金融管制的放松，使得金融風(fēng)險(xiǎn)更易爆發(fā)和傳染，可能導(dǎo)致局部區(qū)域的風(fēng)險(xiǎn)事件演變?yōu)槿蛐越鹑谖C(jī)。近年來(lái)全球危機(jī)事件頻發(fā)，傳染范圍和影響程度不斷擴(kuò)大?？v觀近十年的危機(jī)事件，2007年至2008年次貸危機(jī)使全球資產(chǎn)價(jià)格下降，進(jìn)而導(dǎo)致全球流動(dòng)性危機(jī)，2009年歐債危機(jī)由政府主權(quán)債務(wù)違約造成，信用危機(jī)引發(fā)市場(chǎng)流動(dòng)性下降，2015年中國(guó)A股市場(chǎng)千股跌停，市場(chǎng)上出現(xiàn)嚴(yán)重的流動(dòng)性危機(jī)，2018年中美貿(mào)易摩擦影響投資者預(yù)期，市場(chǎng)流動(dòng)性縮水[1-3]。這4次危機(jī)引起全球股市出現(xiàn)了“齊漲共跌”的情形，所造成的信用風(fēng)險(xiǎn)、資金流動(dòng)性風(fēng)險(xiǎn)影響金融系統(tǒng)穩(wěn)定性，對(duì)實(shí)體經(jīng)濟(jì)造成沖擊，使得全球經(jīng)濟(jì)體復(fù)蘇的步伐放緩，因此研究這4次危機(jī)背景下的風(fēng)險(xiǎn)傳染效應(yīng)為投資者和監(jiān)管者有效防控風(fēng)險(xiǎn)提供現(xiàn)實(shí)指導(dǎo)。關(guān)于股票市場(chǎng)的風(fēng)險(xiǎn)傳染效應(yīng)研究，通過(guò)市場(chǎng)間相關(guān)系數(shù)的增加來(lái)定義傳染符合現(xiàn)實(shí)情境，風(fēng)險(xiǎn)傳染效應(yīng)的增強(qiáng)意味著不同國(guó)家股票市場(chǎng)之間相關(guān)系數(shù)的增加[4]。

目前，針對(duì)不同市場(chǎng)間的風(fēng)險(xiǎn)傳染效應(yīng)，已有許多學(xué)者做了相關(guān)研究，應(yīng)用廣泛的研究方法包括相關(guān)系數(shù)法[5-6]、以VAR方法為基礎(chǔ)的協(xié)整法、格蘭杰因果檢驗(yàn)等，雖然獲得了一定的研究成果，但傳統(tǒng)方法均從線性視角研究市場(chǎng)之間風(fēng)險(xiǎn)傳染關(guān)系，難以準(zhǔn)確刻畫(huà)金融市場(chǎng)間的非線性關(guān)系。相比上述方法，Copula模型不僅可以描述市場(chǎng)間的非線性關(guān)系，還能描述市場(chǎng)之間的尾部風(fēng)險(xiǎn)傳染效應(yīng)。市場(chǎng)間風(fēng)險(xiǎn)傳染常常呈現(xiàn)出非對(duì)稱特征，金融序列的尾部相關(guān)系數(shù)表示當(dāng)收益率出現(xiàn)較大波動(dòng)時(shí)對(duì)其他金融市場(chǎng)收益率波動(dòng)的影響程度，由于Copula函數(shù)包括對(duì)稱和非對(duì)稱兩種類型，善于捕捉市場(chǎng)間的尾部相依特征，因此可以有效刻畫(huà)金融市場(chǎng)急劇上漲或下跌時(shí)風(fēng)險(xiǎn)傳染效應(yīng)。

國(guó)外學(xué)者基于Copula模型展開(kāi)了積極的研究。K Wang等[7]、Brechmann和Czado[8]、Allen等[9]根據(jù)時(shí)變Copula模型分別證實(shí)了中國(guó)市場(chǎng)與國(guó)際市場(chǎng)之間，歐洲Euro Stoxx50指數(shù)及其成分股之間、美國(guó)道瓊斯指數(shù)之間的風(fēng)險(xiǎn)傳染效應(yīng)。E Brechmann[10]、Lyes Koliai[11]、Aloui R和A?ssa MSB[12]均驗(yàn)證了Vine Copula模型在風(fēng)險(xiǎn)測(cè)度上較傳統(tǒng)方法更準(zhǔn)確。Hussain和Li[13]基于極值理論和Copula方法研究了中國(guó)與6個(gè)主要股票市場(chǎng)的相依結(jié)構(gòu)，認(rèn)為中國(guó)股市對(duì)亞洲和歐洲股市的傳染效應(yīng)高于美國(guó)股市。D Zhang等[14]使用R-Vine Copula研究了11個(gè)歐元區(qū)國(guó)家金融壓力指數(shù)的尾部相關(guān)性，研究發(fā)現(xiàn)歐元區(qū)大規(guī)模經(jīng)濟(jì)體之間具有較高的上尾相關(guān)性，而小規(guī)模經(jīng)濟(jì)體具有較高的下尾相關(guān)性。

國(guó)內(nèi)關(guān)于使用Copula模型進(jìn)行金融風(fēng)險(xiǎn)研究主要分為兩個(gè)方面[15-16]：第一，基于Copula建模方法研究不同市場(chǎng)間的相依性結(jié)構(gòu)及傳染效應(yīng)。吳吉林等[17]構(gòu)建多機(jī)制平滑轉(zhuǎn)換混合Copula模型，考察了中國(guó)A、B、H股市間尾部相依性的長(zhǎng)期變化趨勢(shì)，研究發(fā)現(xiàn)幾次重大事件對(duì)股市間尾部相依性產(chǎn)生的影響程度不同。孫紅梅等[18]選取6個(gè)股市指數(shù)建立GARCH與C-Vine Copula研究歐洲金融危機(jī)傳染效應(yīng)，研究認(rèn)為歐洲金融危機(jī)發(fā)生時(shí)，歐洲市場(chǎng)對(duì)于中國(guó)市場(chǎng)的直接傳染效應(yīng)較強(qiáng)，通過(guò)美國(guó)與中國(guó)香港的間接傳遞性較弱。楊坤等[19]結(jié)合極值理論，構(gòu)建五類R-Vine Copula模型，刻畫(huà)原油市場(chǎng)的極值風(fēng)險(xiǎn)相依關(guān)系，研究結(jié)果顯示混合R-Vine Copula模型能夠更有效地描述原油市場(chǎng)間的尾部極值風(fēng)險(xiǎn)相依關(guān)系。陳九生和周孝華[20]采用Copula函數(shù)分析“滬港通”實(shí)施前后滬港股市聯(lián)動(dòng)性變化情況，結(jié)果表明“滬港通”增強(qiáng)了滬港兩市之間的聯(lián)系，加快了兩市融合與一體化進(jìn)程，并且兩市同步下跌的概率大于同步上漲的概率。第二，基于Copula建模方法優(yōu)化多資產(chǎn)投資組合以及定量測(cè)度市場(chǎng)風(fēng)險(xiǎn)。范國(guó)斌等[21]引入正則Vine Copula函數(shù)研究中國(guó)大陸、中國(guó)香港、臺(tái)灣3個(gè)股票指數(shù)，驗(yàn)證了高維Copula方法可以穩(wěn)健并準(zhǔn)確度量多資產(chǎn)組合風(fēng)險(xiǎn)。張保帥和彭小兵[22]結(jié)合Copula函數(shù)構(gòu)建了既能反映投資組合金融資產(chǎn)收益率分布特征又能反映其相關(guān)結(jié)構(gòu)的模型，測(cè)度投資組合風(fēng)險(xiǎn)并驗(yàn)證模型有效性。張幫正等[23]運(yùn)用Vine copula模型綜合探討中國(guó)不同金融指數(shù)之間的凈相關(guān)關(guān)系，并認(rèn)為通過(guò)非條件相關(guān)性和條件相關(guān)性的具體估計(jì)結(jié)果，能夠?yàn)橹袊?guó)金融市場(chǎng)的投資組合選擇提供借鑒。李強(qiáng)等[24]運(yùn)用3種Copula簇方法研究QFII和HS300指數(shù)之間的相關(guān)關(guān)系，回測(cè)檢驗(yàn)顯示Copula-ASV-EVT模型能有效測(cè)度兩指數(shù)組合的市場(chǎng)風(fēng)險(xiǎn)。

從以上文獻(xiàn)來(lái)看，國(guó)外學(xué)者多專注于金融傳染效應(yīng)方法的研究，而國(guó)內(nèi)學(xué)者主要側(cè)重于對(duì)中國(guó)市場(chǎng)與國(guó)際市場(chǎng)之間或者中國(guó)不同金融市場(chǎng)之間的風(fēng)險(xiǎn)傳染效應(yīng)的研究，并未基于全球視角對(duì)近十年危機(jī)事件的傳染效應(yīng)對(duì)比分析。本文從全球視角，運(yùn)用混合R-Vine Copula模型，通過(guò)刻畫(huà)2007年至2018年4次危機(jī)事件下(次貸危機(jī)、歐債危機(jī)、2015年中國(guó)股市異常波動(dòng)以及2018年中美貿(mào)易摩擦)國(guó)際主要股票市場(chǎng)的相依結(jié)構(gòu)特點(diǎn)，計(jì)算股市間的非線性相關(guān)性以及尾部相關(guān)性，分析不同危機(jī)事件下的風(fēng)險(xiǎn)傳染效應(yīng)?；诠善笔袌?chǎng)的復(fù)雜非線性特征，從尾部相關(guān)性的角度分析國(guó)際股票市場(chǎng)風(fēng)險(xiǎn)傳染效應(yīng)，對(duì)幫助投資者更好應(yīng)對(duì)金融風(fēng)險(xiǎn)沖擊，以及金融監(jiān)管當(dāng)局防控風(fēng)險(xiǎn)傳染，實(shí)施正確的宏觀審慎監(jiān)管政策具有重要的現(xiàn)實(shí)意義。

1 模型構(gòu)建

為研究金融危機(jī)時(shí)期國(guó)際股市的風(fēng)險(xiǎn)傳染效應(yīng)，首先構(gòu)建AR(1)-GJR(1,1)-SKT(ν,ξ)模型對(duì)15個(gè)國(guó)家股指對(duì)數(shù)收益率進(jìn)行擬合，對(duì)AR(1)-GJR(1,1)-SKT(ν,ξ)模型過(guò)濾后的序列做概率積分變換，然后使用變換后新序列構(gòu)建混合R-Vine Copula模型具體分析尾部相依特征及風(fēng)險(xiǎn)傳染效應(yīng)。

1.1 邊緣分布AR(1)-GJR(1,1)-SKT(ν,ξ)模型構(gòu)建

由于股票指數(shù)對(duì)數(shù)收益率呈現(xiàn)出尖峰、厚尾、自相關(guān)、條件異方差、有偏的特征，為消除這些特征對(duì)混合R-Vine Copula模型建模的影響，需要對(duì)每一個(gè)變量進(jìn)行邊緣分布的建模。選擇Hansen提出的偏斜Student-t分布(Skew-T)刻畫(huà)15個(gè)股票指數(shù)的邊緣分布，引入AR(1)-GJR(1,1)-SKT(ν,ξ)模型刻畫(huà)股指收益率特征，具體的模型形式如式(1)～式(3)所示：

Ri,t=c0+c1Ri,t-1+εi,t

(1)

(2)

(3)

1.2 混合R-Vine Copula模型構(gòu)建

由于金融變量間非線性相依性的存在，根據(jù)Sklar定理，Copula函數(shù)是一類將聯(lián)合分布函數(shù)與其各自邊緣分布函數(shù)連接在一起的函數(shù)，多維變量的聯(lián)合分布可以分解為一系列邊緣分布函數(shù)的乘積。假設(shè)一個(gè)n維隨機(jī)變量[24]：

X=(X1,X2,…Xn)

(4)

則這一隨機(jī)變量的聯(lián)合密度函數(shù)依照條件密度函數(shù)理論分解為

f(x1,x2,…,xn)=f(xn)·f(xn-1|xn)·f(xn-2|xn-1,xn)…f(x1|x2,…,xn)

(5)

根據(jù)Copula函數(shù)的構(gòu)建方法，任何一個(gè)n維聯(lián)合分布都可以分解為n個(gè)邊緣分布函數(shù)和一個(gè)Copula函數(shù)，其中，每個(gè)邊緣分布函數(shù)描述了變量的具體情況，而Copula函數(shù)描述了變量之間的相關(guān)性[24]，設(shè)F是具有邊緣分布Fi(i=1,2,…,n)的聯(lián)合分布函數(shù)，則存在一個(gè)Copula函數(shù)C使得：

F(x1,x2,…,xn)=C(F1(x1),F2(x2),…Fn(xn))

(6)

(7)

其中，ui=Fi(i=1,2,…,n)，式(6)和(7)互為逆運(yùn)算。因此只要知道變量聯(lián)合分布函數(shù)、邊緣分布函數(shù)和Copula函數(shù)中的任意兩個(gè)，都可以通過(guò)以上公式求出第3個(gè)函數(shù)。

若F是n階可微的，則這個(gè)多維聯(lián)合分布的密度函數(shù)可以表示為以下形式[25]：

(8)

f(x1，x2…xn)=c(u1,u2,…un)·f1(x1)·f2(x2)…fn(xn)

(9)

式(9)表示了F(x)的密度函數(shù)，c(u1,u2,…un)為C(u1,u2,…un)的密度函數(shù)，而{f1(x1),f2(x2)…fn(xn)}為邊緣分布的密度函數(shù)[21]。

(10)

由此，可以通過(guò)最大似然函數(shù)法估計(jì)Copula的參數(shù)。

(11)

其中，ξ=(φ1，φ2，…φn;θ)包含了邊緣分布的參數(shù)φi和Copula的參數(shù)θ。

然而，變量維數(shù)增加時(shí)，Copula模型難以分析高維變量，Joe提出PCC理論，即把多維Copula函數(shù)分解成一系列二維Copula函數(shù)的乘積[26-27]，以便描述隨機(jī)變量之間的相依性結(jié)構(gòu)。Bedford和Cooke[28]引入了一種Vine結(jié)構(gòu)的圖論思想進(jìn)行PCC的構(gòu)建，通過(guò)多棵有序排列的樹(shù)，表示了多維變量之間的關(guān)系，每棵樹(shù)的每條邊都對(duì)應(yīng)著一個(gè)Pair-Copula函數(shù)。一個(gè)n維的Vine結(jié)構(gòu)由n-1棵樹(shù)來(lái)表示，第i棵樹(shù)的邊將成為第i+1棵樹(shù)的節(jié)點(diǎn)，因此第i棵樹(shù)有n+1-i個(gè)點(diǎn)和n-i條邊，即Vine結(jié)構(gòu)也是一種嵌套樹(shù)的結(jié)構(gòu)，如果兩條邊在第i棵樹(shù)上共享一個(gè)節(jié)點(diǎn)，則在第i+1棵樹(shù)上共享一條邊[29]，所以，一個(gè)n維的Vine結(jié)構(gòu)可以分解為n(n-1)/2條邊，即n(n-1)/2個(gè)邊緣密度函數(shù)。

根據(jù)不同的分解規(guī)則，Vine Copula函數(shù)可以分解為不同的結(jié)構(gòu)，主要包括C-Vine、D-Vine和R-Vine。C-Vine和D-Vine規(guī)定了固定的樹(shù)結(jié)構(gòu)[30]，C-Vine結(jié)構(gòu)要求每棵樹(shù)上只有一個(gè)節(jié)點(diǎn)與n-i條邊相連，其余各點(diǎn)均與一條邊相連，而D-Vine結(jié)構(gòu)要求每棵樹(shù)上每個(gè)節(jié)點(diǎn)最多與兩條邊相連[31]。因此C-Vine結(jié)構(gòu)每層樹(shù)只有一個(gè)中心點(diǎn)，其余各點(diǎn)與中心點(diǎn)相連，而D-Vine結(jié)構(gòu)每層樹(shù)都是線性結(jié)構(gòu)。由于C-Vine和D-Vine相對(duì)固定的結(jié)構(gòu)要求限制了模型對(duì)不同相依結(jié)構(gòu)的擬合，缺乏普適性，而R-Vine對(duì)樹(shù)結(jié)構(gòu)沒(méi)有統(tǒng)一規(guī)定，而是根據(jù)股票指數(shù)之間實(shí)際情況決定樹(shù)結(jié)構(gòu)，可以更加合理地表述金融變量間相依結(jié)構(gòu)[32]。

Kurowicka和Cooke[30]、Di?manna等[33]提出通過(guò)下三角矩陣RVM={mj,i}j,i∈{1,2,3,…,n}記錄R-Vine的構(gòu)建過(guò)程，RVM矩陣記錄每棵樹(shù)中的邊和條件集。Brechmann和Czado[8]提出最大生成樹(shù)的算法(MST-PRIM算法)來(lái)構(gòu)建的R-Vine模型，其核心思想是：由于最強(qiáng)相依性是R-Vine模型構(gòu)建的準(zhǔn)則，因此要求第一棵樹(shù)中任意兩個(gè)節(jié)點(diǎn)之間Kendall’τ絕對(duì)值之和最大，即通過(guò)解決如下最優(yōu)問(wèn)題來(lái)決定樹(shù)結(jié)構(gòu)中的每條邊，其中|δi,j|代表每?jī)蓚€(gè)節(jié)點(diǎn)之間Kendall’τ的絕對(duì)值[34](用絕對(duì)值表示是因?yàn)閮晒?jié)點(diǎn)之間可能存在負(fù)的Kendall’τ，這也說(shuō)明兩個(gè)股票市場(chǎng)存在很強(qiáng)的相依性關(guān)系)。

(12)

結(jié)合本文的研究目標(biāo)，危機(jī)事件發(fā)生時(shí)期15個(gè)股票市場(chǎng)之間的相關(guān)系數(shù)增加意味著金融危機(jī)存在傳染效應(yīng)，通過(guò)構(gòu)建不同時(shí)間階段第一棵樹(shù)結(jié)構(gòu)，捕捉15個(gè)股票市場(chǎng)的Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)的變化，研究危機(jī)事件的傳染效應(yīng)。

構(gòu)建的樹(shù)結(jié)構(gòu)每條邊都連接著兩個(gè)節(jié)點(diǎn)，這兩個(gè)節(jié)點(diǎn)構(gòu)成一組節(jié)點(diǎn)對(duì)，接下來(lái)需要選擇最佳的Copula函數(shù)刻畫(huà)每組節(jié)點(diǎn)的相依關(guān)系，以描述兩股票市場(chǎng)之間的相依結(jié)構(gòu)。節(jié)點(diǎn)與節(jié)點(diǎn)間具有多種Copula函數(shù)形式的R-Vine，稱為混合R-Vine Copula模型。由于混合R-Vine Copula模型中每一條邊對(duì)應(yīng)選取一個(gè)最優(yōu)的Pair Copula函數(shù)來(lái)描繪它們之間的相依關(guān)系，因此更具備靈活性和優(yōu)越性。Copula函數(shù)種類共計(jì)31種，其中包括Gaussian Copula、Student t Copula、Frank Copula、Clayton Copula、Gumbel Copula、Joe Copula、BB1 Copula、BB6 Copula、BB7 Copula、BB8 Copula，以及Clayton Copula、Gumbel Copula、Joe Copula、BB1 Copula、BB6 Copula、BB7 Copula、BB8 Copula對(duì)應(yīng)的旋轉(zhuǎn)形式(90度、180度、270度)。由于AIC準(zhǔn)則從擬合優(yōu)度和復(fù)雜程度兩個(gè)方面評(píng)價(jià)待選Copula函數(shù)的優(yōu)劣，因此本文采用AIC準(zhǔn)則[19]從31種Copula函數(shù)中選擇最優(yōu)的Copula函數(shù)刻畫(huà)股市間相依關(guān)系。常見(jiàn)的Copula模型如表1所示：

本文選取樣本數(shù)據(jù)的維度是15，根據(jù)Pair Copula函數(shù)構(gòu)建多維Copula函數(shù)的原理，將有15×(15-1)/2=105個(gè)函數(shù)類型待確定。多元Copula函數(shù)可以分解為多個(gè)Pair Copula函數(shù)乘積的形式，混合R-Vine Copula的密度函數(shù)為：

(13)

表1 常見(jiàn)的Copula函數(shù)類型匯總

2 實(shí)證分析

2.1 數(shù)據(jù)選取與分析

為了全面刻畫(huà)全球有代表性股票市場(chǎng)間相依性及其在近十年4次危機(jī)事件沖擊下的結(jié)構(gòu)演化特征，本文基于股市規(guī)模和國(guó)際影響力選取了來(lái)自美洲、亞洲、歐洲、非洲及澳洲的15個(gè)股票市場(chǎng)指數(shù)來(lái)反映國(guó)際股市的走勢(shì)，如表2所示。研究時(shí)期為2007年1月4日至2018年12月28日(數(shù)據(jù)來(lái)源于雅虎財(cái)經(jīng)網(wǎng)站)，樣本數(shù)據(jù)為復(fù)權(quán)后的日指數(shù)收盤價(jià)，剔除了各個(gè)股市交易日不同步的數(shù)據(jù)，只保留了股市均在同一天可以正常交易的日期，總共為2 177個(gè)收盤價(jià)數(shù)據(jù)，計(jì)算對(duì)數(shù)收益率后為2 176個(gè)收益率數(shù)據(jù)，計(jì)算公式為

(14)

其中，Ri,t(i=1,2,…,15)表示在第i個(gè)國(guó)家的股票指數(shù)在第t日的對(duì)數(shù)收益率，Pi,t(i=1,2,…,15)表示在第i個(gè)國(guó)家的股票指數(shù)在第t日的收盤價(jià)格。

整個(gè)研究時(shí)期涵蓋了本文所要研究的4次危機(jī)事件(次貸危機(jī)、歐債危機(jī)、2015中國(guó)股市異常波動(dòng)和2018年中美貿(mào)易摩擦)。這里根據(jù)每次危機(jī)發(fā)生時(shí)段進(jìn)行劃分，具體劃分結(jié)果為：次貸危機(jī)(2007年2月13日-2009年3月2日)。歐債危機(jī)(2009年12月8日-2013年12月6日)。2015中國(guó)股市異常波動(dòng)(2015年6月1日-2016年1月29日)。2018年中美貿(mào)易摩擦(2018年1月4日-2018年8月31日)。

表2 15個(gè)股票市場(chǎng)指數(shù)概況

表3給出15個(gè)股指收益率序列的描述性統(tǒng)計(jì)分析。由表3可知，這15個(gè)股票指數(shù)收益率的均值均接近于零，除恒生指數(shù)表現(xiàn)出輕微右偏外，大多出現(xiàn)輕微左偏的現(xiàn)象；15個(gè)股指收益率序列均表現(xiàn)出尖鋒(峰度大于3)的特征，加拿大股指的峰度最大；從正態(tài)分布檢驗(yàn)(JB檢驗(yàn))的結(jié)果來(lái)看，15個(gè)股指收益率序列的JB統(tǒng)計(jì)值均在1%的置信水平上拒絕原假設(shè)，說(shuō)明股指收益率均不服從正態(tài)分布；從ADF統(tǒng)計(jì)量來(lái)看，15個(gè)股指收益率序列均在1%的顯著性水平上拒絕原假設(shè)，不存在單位根現(xiàn)象，是平穩(wěn)序列；在自相關(guān)方面，Q統(tǒng)計(jì)量表明大部分股指收益率序列均存在顯著的自相關(guān)特征；根據(jù)ARCH-LM檢驗(yàn)結(jié)果，15個(gè)股指收益率序列均存在顯著的異方差效應(yīng)。

表3 15個(gè)股票市場(chǎng)指數(shù)對(duì)數(shù)收益率的描述性統(tǒng)計(jì)

注：*、**、***分別表示在10%、5%、1%的水平下顯著，JB值是Jarque-Bera統(tǒng)計(jì)量，ADF值(單位根檢驗(yàn))檢驗(yàn)方程中的截距項(xiàng)，不含有時(shí)間趨勢(shì)項(xiàng)，Q(1)表示序列自相關(guān)中的1階統(tǒng)計(jì)量，ARCH-LM(1)是ARCH效應(yīng)的檢驗(yàn)統(tǒng)計(jì)量。

2.2 邊緣分布擬合

針對(duì)15個(gè)股票指數(shù)收益率序列存在的尖峰，厚尾，有偏，自相關(guān)，條件異方差以及非正態(tài)等特征，這里引入AR(1)-GJR(1,1)-SKT(ν,ξ)模型來(lái)刻畫(huà)各股指收益率，從而構(gòu)建15個(gè)股票指數(shù)收益率的邊緣分布函數(shù)。通過(guò)估計(jì)得到15個(gè)股票指數(shù)收益率序列的邊緣分布參數(shù)，具體結(jié)果如表4所示。

表4 15個(gè)股票市場(chǎng)指數(shù)對(duì)數(shù)收益率序列的邊緣分布參數(shù)估計(jì)

注：*、**、***分別表示在10%、5%、1%的水平下顯著。

圖1 2007年至2018年15個(gè)股票市場(chǎng)相依結(jié)構(gòu)

表4給出了邊緣分布模型各參數(shù)的估計(jì)結(jié)果，根據(jù)邊緣分布對(duì)原序列做概率積分變換，對(duì)概率積分變換后的數(shù)據(jù)進(jìn)行KS檢驗(yàn)，結(jié)果表明各序列在95%的置信水平下均服從(0，1)均勻分布，新序列符合構(gòu)造Vine Copula模型的條件。

2.3 混合R-Vine Copula的建模分析

在邊緣分布估計(jì)的基礎(chǔ)上，根據(jù)節(jié)1.2中混合R-Vine Copula的構(gòu)建方法，對(duì)15個(gè)股票市場(chǎng)構(gòu)建R-Vine結(jié)構(gòu)。為便于記述，對(duì)15個(gè)股票市場(chǎng)進(jìn)行編號(hào)，按照表2中指標(biāo)說(shuō)明的順序?qū)@15個(gè)股票指數(shù)排序?yàn)閺?到15，即1代表SPX指數(shù)，15代表AXJO指數(shù)。依照公式(12)構(gòu)建R-Vine結(jié)構(gòu)，并依照AIC準(zhǔn)則確定每條邊最優(yōu)Copula類型，分析節(jié)點(diǎn)之間的相依性。這里只分析每個(gè)研究階段的第一棵樹(shù)結(jié)構(gòu)及相依性水平。

2.3.1 2007年～2018年國(guó)際股市之間的相依結(jié)構(gòu)特征

根據(jù)圖1和表5可以看出，美洲股市、歐洲股市和亞洲股市各自聚集后再相連，南非股市與歐洲股市相連，澳大利亞股市與亞洲股市相連，美國(guó)和法國(guó)股市，英國(guó)和中國(guó)香港股市分別是連接歐美與歐亞股市的橋梁。15個(gè)股票市場(chǎng)之間的相依特征適合用Student t Copula函數(shù)來(lái)描述，意味著各股市間存在著對(duì)稱的上下尾相依性，并且由于上下尾相關(guān)系數(shù)較高，各國(guó)股票市場(chǎng)對(duì)尾部變化敏感，股市劇烈波動(dòng)會(huì)對(duì)整個(gè)股票市場(chǎng)產(chǎn)生較大影響。

表5 2007年至2018年第一棵樹(shù)結(jié)構(gòu)

在美洲區(qū)域，股市之間的Kendall秩相關(guān)系數(shù)在0.40～0.55之間，尾部相關(guān)系數(shù)在0.35～0.50之間，美國(guó)和加拿大之間的相關(guān)系數(shù)最高，美國(guó)股市不僅是美洲地區(qū)的樞紐中心，更與法國(guó)股市相連，作為連接美洲股市和歐洲股市的橋梁。在歐洲區(qū)域，股市之間的Kendall秩相關(guān)系數(shù)在0.65～0.80之間，尾部相關(guān)系數(shù)在0.59～0.70之間，歐洲各國(guó)市場(chǎng)間尾部相依性水平較高，因此一旦一國(guó)股市劇烈波動(dòng)，其他國(guó)家股市受到嚴(yán)重影響，英國(guó)股市與中國(guó)香港股市相連作為連接歐洲股市和亞洲股市的橋梁，與南非股市相連且尾部相關(guān)系數(shù)高于Kendall秩相關(guān)系數(shù)，說(shuō)明收益率出現(xiàn)大幅波動(dòng)時(shí)兩股市間會(huì)出現(xiàn)明顯的傳染效應(yīng)。在亞洲區(qū)域，股市之間的相關(guān)系數(shù)在0.35～0.50之間，尾部相關(guān)系數(shù)在0.20～0.40之間，中國(guó)香港股市作為亞洲地區(qū)的樞紐，與中國(guó)滬深股市、韓國(guó)股市和印度股市相連，韓國(guó)股市進(jìn)一步連接日本股市，澳大利亞股市與日本股市相連，相關(guān)系數(shù)為0.419 1。

綜上所述，發(fā)達(dá)國(guó)家之間的Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)明顯高于發(fā)展中國(guó)家，長(zhǎng)期來(lái)看Student t Copula是擬合國(guó)際股票市場(chǎng)間最佳的Copula函數(shù)，意味著國(guó)際股票市場(chǎng)對(duì)于上下尾相依性十分敏感，一個(gè)股票市場(chǎng)的劇烈波動(dòng)會(huì)引起其他股票市場(chǎng)的劇烈波動(dòng)。

2.3.2 4次危機(jī)事件下國(guó)際股市之間的相依結(jié)構(gòu)特征

次貸危機(jī)、歐債危機(jī)、2015年中國(guó)股市異常波動(dòng)以及2018年中美貿(mào)易摩擦?xí)r期各國(guó)股票市場(chǎng)的相依結(jié)構(gòu)如圖2至圖5所示，4次危機(jī)事件下股票市場(chǎng)的第一棵樹(shù)結(jié)構(gòu)如表6所示。

圖2 次貸危機(jī)時(shí)期15個(gè)股票市場(chǎng)相依結(jié)構(gòu)

圖3 歐債危機(jī)時(shí)期15個(gè)股票市場(chǎng)相依結(jié)構(gòu)

圖4 2015年中國(guó)股市異常波動(dòng)時(shí)期15個(gè)股票市場(chǎng)相依結(jié)構(gòu)Fig.4 Dependent structure of 15 stock markets during the abnormal fluctuations of China′s stock market in 2015

圖5 2018年中美貿(mào)易摩擦?xí)r期15個(gè)股票市場(chǎng)相依結(jié)構(gòu)Fig.5 Dependent structure of 15 stock markets during the Sino-U.S. trade friction in 2018

表6 4次危機(jī)事件下第一棵樹(shù)結(jié)構(gòu)

續(xù)表6

樹(shù)中的邊Copula類別參數(shù)相關(guān)系數(shù)上尾相關(guān)系數(shù)下尾相關(guān)系數(shù)歐債危機(jī)11-13t par1=0.857 4,par2=5.720.655 90.496 70.496 710-11t par1=0.924 1,par2=3.960.750 40.676 90.676 91-4t par1=0.699 2,par2=5.170.492 90.335 30.335 31-3t par1=0.665 0,par2=5.200. 463 10.305 40.305 41-2t par1=0.781 4,par2=4.960.570 90.425 50.425 51-11t par1=0.744 2,par2=5.090.534 30.380 40.380 411-12t par1=0.882 3,par2=5.750.688 00.537 30.537 36-14t par1=-0.031 9,par2=20.20-0.020 30.000 10.000 15-6t par1=0.565 4,par2=14.210.382 50.057 4 0.057 4 5-8SG par1=1.847 40.458 700.544 75-9t par1=0.574 4,par2=9.310.389 60.125 10.125 15-12SG par1= 1.467 00.318 300.396 05-15SG par1=1.836 40.455 400.541 47-15Frank par1= 4.663 40.434 900中國(guó)股市異常波動(dòng)5-6SG par1=1.565 40.361 20 0.443 05-7SG par1=1.703 30.412 90 0.497 85-8SG par1=1.748 40.428 000.513 58-12SG par1=1.617 30. 381 700.464 93-4SC par1=14.353 50.877 70.952 902-4SC par1=14.353 50.877 70.952 901-2SC par1=14.353 40.877 70.952 90 10-11Frank par1=20.008 20.816 5002-12SCpar1=14.353 40.877 70.952 9011-12Frankpar1=13.605 70.741 50011-13SGpar1=3.828 60.738 800.801 59-13SCpar1= 14.353 50.877 70.952 909-14Frankpar1=-0.960 3-0.105 70 09-15SCpar1= 14.353 50.877 70.952 90中美貿(mào)易摩擦7-15SG par1=1.601 60.375 60 0.458 4 7-8Clayton par1=1.554 20.437 30.0.640 25-6SCpar1=14.353 40.877 70.952 905-9SG par1=1.645 30. 392 200.476 15-8t par1=0.671 9,par2=4.800.469 10.328 20.328 23-4SG par1=1.400 40.285 900.359 51-2t par1=0.605 3,par2=4.330.413 90.300 90.300 91-4SG par1=1.416 00.293 800.368 5 10-11Clayton par1=4.563 00.695 300.859 111-13SG par1=2.243 60.554 300.638 011-12SG par1=2.342 20.573 100.655 64-14SG par1= 1.422 00.296 800.371 95-14SG par1=1.710 10.415 200.500 211-14SG par1= 1.658 50.397 000.481 2

1)次貸危機(jī)

由圖2和表6可知，次貸危機(jī)時(shí)期美國(guó)股市、德國(guó)股市、英國(guó)股市、南非股市、澳大利亞股市與日本股市串聯(lián)起整個(gè)國(guó)際市場(chǎng)，美國(guó)股市、法國(guó)股市和中國(guó)香港股市的樞紐中心的地位明顯削弱，國(guó)際股市呈現(xiàn)鏈?zhǔn)浇Y(jié)構(gòu)。最佳刻畫(huà)股市間的相依結(jié)構(gòu)特征的Copula函數(shù)包含SC Copula、SG Copula和Student t Copula。

在美洲區(qū)域，各股市間的Kendall秩相關(guān)系數(shù)上升至0.55～0.60之間，美國(guó)股市和墨西哥股市存在下尾相依結(jié)構(gòu)，并且下尾相關(guān)系數(shù)高達(dá)0.679 2，巴西股市與加拿大股市、墨西哥股市之間呈現(xiàn)出對(duì)稱的上下尾相依結(jié)構(gòu)，尾部相關(guān)系數(shù)分別為0.529 5和0.566 8。在歐洲區(qū)域，德國(guó)股市與法國(guó)股市、英國(guó)股市、西班牙股市之間的Kendall秩相關(guān)系數(shù)為0.877 7，并且存在不對(duì)稱的上尾相依結(jié)構(gòu)，上尾相關(guān)系數(shù)高達(dá)0.952 9。在亞洲區(qū)域，股市之間的Kendall秩相關(guān)系數(shù)在0.25～0.60之間，中國(guó)滬深股市與中國(guó)香港股市的相關(guān)系數(shù)為0.251 3，韓國(guó)股市與日本股市、中國(guó)香港股市的相關(guān)系數(shù)均超過(guò)0.5，亞洲各股市間存在不對(duì)稱的下尾相依結(jié)構(gòu)，中國(guó)滬深股市與中國(guó)香港股市之間的下尾相關(guān)系數(shù)為0.319 7，韓國(guó)股市與日本股市、中國(guó)香港股市的下尾相關(guān)系數(shù)分別是0.649 6和0.618 8，均明顯高于整個(gè)研究時(shí)期的相關(guān)系數(shù)水平。南非股市與英國(guó)股市之間的下尾相關(guān)系數(shù)為0.578 2，澳大利亞股市和日本股市、南非股市之間存在下尾相依結(jié)構(gòu)，下尾相關(guān)系數(shù)為分別為0.655 9和0.456 8，與整個(gè)研究時(shí)期相比，Kendall秩相關(guān)系數(shù)和下尾相關(guān)系數(shù)均增加。

綜上所述，次貸危機(jī)的爆發(fā)使得國(guó)際股票市場(chǎng)間Kendall秩相關(guān)系數(shù)大幅增加，出現(xiàn)不對(duì)稱的上尾或下尾相依結(jié)構(gòu)，尾部相關(guān)系數(shù)較整個(gè)研究時(shí)期明顯增加，說(shuō)明次貸危機(jī)傳染效應(yīng)強(qiáng)，對(duì)國(guó)際股市造成明顯沖擊。

2)歐債危機(jī)

由圖3和表6可知，歐債危機(jī)時(shí)期美國(guó)股市、德國(guó)股市和中國(guó)香港股市均表現(xiàn)出樞紐中心的地位，并且美國(guó)股市、德國(guó)股市、英國(guó)股市和中國(guó)香港股市成為連接國(guó)際股市的橋梁，最佳刻畫(huà)股市間的相依結(jié)構(gòu)特征的Copula函數(shù)分別是Student t Copula、SG Copula和Frank Copula。

在美洲區(qū)域，美國(guó)股市與加拿大股市、巴西股市、墨西哥股市的Kendall秩相關(guān)系數(shù)在0.45～0.60之間，存在著對(duì)稱的上下尾相依結(jié)構(gòu)，尾部相關(guān)系數(shù)分別為0.425 5、0.305 4、0.335 3。在歐洲區(qū)域，德國(guó)股市與法國(guó)股市、英國(guó)股市、西班牙股市的Kendall秩相關(guān)系數(shù)在0.65～0.75之間，存在對(duì)稱的上下尾相依結(jié)構(gòu)，尾部相關(guān)系數(shù)分別為0.676 9、0.537 3、0.496 7。在亞洲區(qū)域，各股市之間Kendall秩相關(guān)系數(shù)在0.35～0.50之間，中國(guó)香港股市與中國(guó)滬深股市、印度股市之間存在對(duì)稱的上下尾相依結(jié)構(gòu)，與韓國(guó)股市和澳大利亞股市間存在下尾相依結(jié)構(gòu)，下尾相關(guān)系數(shù)分別為0.544 7和0.541 4，澳大利亞股市與日本股市相連，對(duì)上尾和下尾相關(guān)性都不敏感，南非股市連接中國(guó)滬深股市，Kendall秩相關(guān)系數(shù)為-0.020 3，存在對(duì)稱的尾部相關(guān)性，且尾部相關(guān)系數(shù)較低。

綜上所述，歐債危機(jī)期間，中國(guó)香港股市與韓國(guó)股市、英國(guó)股市和澳大利亞股市之間存在不對(duì)稱的下尾相依結(jié)構(gòu)，其他各國(guó)之間主要存在對(duì)稱的上下尾相依結(jié)構(gòu)，并且股市間Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)水平的上升幅度小于次貸危機(jī)時(shí)期。整體來(lái)看歐債危機(jī)較次貸危機(jī)更加溫和，傳染效應(yīng)強(qiáng)度不及次貸危機(jī)。

3)2015年中國(guó)股市異常波動(dòng)

由圖4和表6可知，2015年中國(guó)股市異常波動(dòng)時(shí)期加拿大股市、英國(guó)股市、德國(guó)股市、中國(guó)香港股市和印度股市均表現(xiàn)出樞紐中心的地位，印度股市沒(méi)有連接亞洲區(qū)域股市，而與西班牙股市、南非股市和澳大利亞股市相連，最佳刻畫(huà)股市間的相依結(jié)構(gòu)特征的Copula函數(shù)分別是SC Copula、SG Copula和Frank Copula。

在美洲區(qū)域，各股市之間Kendall秩相關(guān)系數(shù)為0.877 7，存在不對(duì)稱的上尾相依結(jié)構(gòu)，加拿大股市與美國(guó)股市、墨西哥股市的上尾相關(guān)系數(shù)以及墨西哥股市與巴西股市的上尾相關(guān)系數(shù)都為0.952 9。在歐洲區(qū)域，各股市間的Kendall秩相關(guān)系數(shù)在0.70～0.85之間，德國(guó)股市與法國(guó)股市、英國(guó)股市之間的Kendall秩相關(guān)系數(shù)分別為0.816 5和0.741 5，并且對(duì)上下尾相依結(jié)構(gòu)均不敏感，而與西班牙股市存在不對(duì)稱的下尾相依結(jié)構(gòu)，下尾相關(guān)系數(shù)為0.801 5。在亞洲區(qū)域，中國(guó)香港股市與中國(guó)滬深股市、日本股市、韓國(guó)股市的Kendall秩相關(guān)系數(shù)分別為0.361 2、0.412 9和0.428 0，下尾相關(guān)系數(shù)分別為0.443 0、0.497 8和0.513 5，均存在不對(duì)稱的下尾相依結(jié)構(gòu)，印度股市與西班牙股市、澳大利亞股市存在不對(duì)稱的上尾相依結(jié)構(gòu)，與南非股市存在對(duì)稱的相關(guān)結(jié)構(gòu)且對(duì)尾部變化不敏感。

綜上所述，2015年中國(guó)股市異常波動(dòng)造成全球股市間相關(guān)系數(shù)與尾部相依結(jié)構(gòu)發(fā)生明顯變化，Kendall秩相關(guān)系數(shù)大幅上升，多數(shù)國(guó)家股市間表現(xiàn)出不對(duì)稱的尾部相依結(jié)構(gòu)且尾部相關(guān)系數(shù)上升。雖然2015年中國(guó)股市異常波動(dòng)持續(xù)時(shí)間短，但短期內(nèi)相關(guān)系數(shù)的大幅上升和國(guó)際股市相依結(jié)構(gòu)的改變意味著中國(guó)股市異常波動(dòng)對(duì)全球股市存在明顯的傳染效應(yīng)。

4)2018年中美貿(mào)易摩擦

由圖5和表6可知，2018年中美貿(mào)易摩擦?xí)r期墨西哥股市、南非股市、德國(guó)股市和中國(guó)香港股市均表現(xiàn)出樞紐中心的地位，并串聯(lián)起國(guó)際股票市場(chǎng)，最佳刻畫(huà)股市間的相依結(jié)構(gòu)特征的Copula函數(shù)分別是SC Copula、SG Copula、Frank Copula、Student t Copula和Clayton Copula。

在美洲區(qū)域，墨西哥股市與美國(guó)股市、巴西股市之間的Kendall秩相關(guān)系數(shù)分別是0.293 8和0.285 9，存在不對(duì)稱的下尾相依結(jié)構(gòu)，下尾相關(guān)系數(shù)分別為0.368 5和0.359 5，美國(guó)股市與加拿大股市間Kendall秩相關(guān)系數(shù)為0.413 9，表現(xiàn)對(duì)稱的上下尾相依結(jié)構(gòu)，尾部相關(guān)系數(shù)為0.300 9。在歐洲區(qū)域，德國(guó)股市與法國(guó)股市、英國(guó)股市和西班牙股市的Kendall秩相關(guān)系數(shù)在0.55～0.70之間，存在著不對(duì)稱的下尾相依結(jié)構(gòu)，下尾相關(guān)系數(shù)分別為0.859 1、0.655 6和0.638 0。在亞洲區(qū)域，各股市間Kendall秩相關(guān)系數(shù)在均高于0.35，中國(guó)香港股市與中國(guó)滬深股市存在不對(duì)稱的上尾相依結(jié)構(gòu)，上尾相關(guān)系數(shù)為0.952 9，與韓國(guó)股市存在著對(duì)稱的上下尾相依結(jié)構(gòu)，尾部相關(guān)系數(shù)為0.328 2，日本股市與韓國(guó)股市、澳大利亞股市均存在不對(duì)稱的下尾相依結(jié)構(gòu)，下尾相關(guān)系數(shù)分別為0.640 2和0.458 4。南非股市作為樞紐，與墨西哥股市、中國(guó)香港股市、德國(guó)股市間存在不對(duì)稱的下尾相依結(jié)構(gòu)，下尾相關(guān)系數(shù)分別為0.371 9、0.500 2、0.481 2。

綜上所述，中美貿(mào)易摩擦?xí)r期，國(guó)際股市間出現(xiàn)不對(duì)稱的上下尾相依結(jié)構(gòu)，尾部相關(guān)系數(shù)增加，說(shuō)明貿(mào)易戰(zhàn)引發(fā)的中美兩國(guó)股市波動(dòng)影響到全球股票市場(chǎng)，同時(shí)Kendall秩相關(guān)系數(shù)與尾部相關(guān)系數(shù)未表現(xiàn)出明顯上升，意味著中美貿(mào)易摩擦的傳染效應(yīng)較次貸危機(jī)、歐債危機(jī)、2015年中國(guó)股市異常波動(dòng)較弱。

3 結(jié)論

本文選取2007年1月4日至2018年12月28日15個(gè)股票市場(chǎng)每日收盤價(jià)格，采用混合R-Vine Copula的方法構(gòu)建R-Vine結(jié)構(gòu)，分別研究次貸危機(jī)、歐債危機(jī)、2015年中國(guó)股市異常波動(dòng)和2018年中美貿(mào)易摩擦4次危機(jī)事件下15個(gè)股票市場(chǎng)間的相依結(jié)構(gòu)特征以及風(fēng)險(xiǎn)傳染效應(yīng)，得出以下結(jié)論：

第一，全球股票市場(chǎng)按區(qū)域聚集后再連接，主要分為美洲、歐洲、亞洲三大聚集區(qū)域。美國(guó)股市、法國(guó)股市、和中國(guó)香港股市分別是美洲市場(chǎng)、歐洲市場(chǎng)和亞洲市場(chǎng)的樞紐，這些股市發(fā)生震蕩容易波及其他國(guó)家。發(fā)達(dá)國(guó)家之間的Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)明顯高于發(fā)展中國(guó)家，并且長(zhǎng)期來(lái)看Student t Copula是刻畫(huà)國(guó)際股票市場(chǎng)間最合適的Copula函數(shù)，國(guó)際股票市場(chǎng)對(duì)與上下尾相依性敏感。金融風(fēng)險(xiǎn)傳染會(huì)造成股市間的Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)突然上升，并且表現(xiàn)出不對(duì)稱的上下尾相依結(jié)構(gòu)。

第二，對(duì)比近十年的4次危機(jī)事件：次貸危機(jī)發(fā)生期間，各股市間Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)顯著上升，多國(guó)股市間表現(xiàn)出不對(duì)稱的上下尾相依性，金融風(fēng)險(xiǎn)傳染效應(yīng)明顯。與其相比，歐債危機(jī)對(duì)全球股市的傳染效應(yīng)相對(duì)溫和，Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)上升幅度較小，多數(shù)股市間仍保持對(duì)稱的尾部相依結(jié)構(gòu)。2015年中國(guó)股市異常波動(dòng)時(shí)期Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)上升幅度明顯，并且表現(xiàn)出不對(duì)稱的尾部相依結(jié)構(gòu)，由于中國(guó)政府及時(shí)救市使其并未發(fā)展成席卷全球的金融危機(jī)。2018年中美貿(mào)易摩擦?xí)r期國(guó)際股市間表現(xiàn)出不對(duì)稱的尾部相依結(jié)構(gòu)，尾部相關(guān)系數(shù)增加，但Kendall秩相關(guān)系數(shù)未明顯上升，意味著中美貿(mào)易摩擦對(duì)股市之間風(fēng)險(xiǎn)傳染效應(yīng)較弱，美國(guó)建立貿(mào)易壁壘與全球經(jīng)濟(jì)一體化進(jìn)程相悖，長(zhǎng)期持續(xù)不利于經(jīng)濟(jì)發(fā)展。

第三，中國(guó)滬深股市主要連接中國(guó)香港股市，歐美金融市場(chǎng)對(duì)滬深股市的風(fēng)險(xiǎn)傳染主要通過(guò)中國(guó)香港股市，同時(shí)2015年滬深股市的異常波動(dòng)也通過(guò)中國(guó)香港股市波及歐美地區(qū)，一方面，中國(guó)滬深股市與中國(guó)香港股市更加融合，金融危機(jī)事件的發(fā)生使得二者的Kendall秩相關(guān)系數(shù)和尾部相關(guān)系數(shù)大幅增加，另一方面，中國(guó)香港股市在亞洲市場(chǎng)處于樞紐中心的地位，是連接亞洲股市與歐美股市之間的橋梁，風(fēng)險(xiǎn)傳染效應(yīng)的強(qiáng)度更大。

伴隨經(jīng)濟(jì)金融一體化進(jìn)程的推進(jìn)，“一帶一路”的大力發(fā)展，中國(guó)金融業(yè)國(guó)際化進(jìn)程加快是資本市場(chǎng)發(fā)展的必由之路，中國(guó)金融市場(chǎng)不可避免地受到來(lái)自國(guó)際金融市場(chǎng)的影響，本文根據(jù)研究結(jié)果提出以下3點(diǎn)政策建議：1)穩(wěn)步推進(jìn)資本市場(chǎng)國(guó)際化，提升中國(guó)股市在國(guó)際市場(chǎng)的地位，同時(shí)出臺(tái)配套政策，保障金融風(fēng)險(xiǎn)監(jiān)管舉措落實(shí)到位，高度重視防化風(fēng)險(xiǎn)和穩(wěn)杠桿，并根據(jù)全球股市風(fēng)向標(biāo)靈活應(yīng)對(duì)；2)重點(diǎn)關(guān)注危機(jī)源頭，對(duì)風(fēng)險(xiǎn)傳染有效監(jiān)測(cè)，強(qiáng)化金融市場(chǎng)監(jiān)管，2018年以來(lái)，雖然中美貿(mào)易摩擦的打響對(duì)資本市場(chǎng)不構(gòu)成直接沖擊，但貿(mào)易戰(zhàn)的持續(xù)推進(jìn)必會(huì)影響全球金融市場(chǎng)，投資者和監(jiān)管者需做好應(yīng)對(duì)準(zhǔn)備；3)密切關(guān)注中國(guó)香港股市，推進(jìn)滬深市場(chǎng)與香港市場(chǎng)的合作的同時(shí)，防范國(guó)外機(jī)構(gòu)對(duì)中國(guó)香港股市加大資金杠桿，增加風(fēng)險(xiǎn)。