股票市場(chǎng)和公司債市場(chǎng)風(fēng)險(xiǎn)溢出效應(yīng)

王鵬飛

（中國(guó)社會(huì)科學(xué)院數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究所，北京 101118）

一、引言

在經(jīng)濟(jì)下行壓力加大、杠桿攀升和外部環(huán)境復(fù)雜嚴(yán)峻等背景下，雖然短期內(nèi)不會(huì)出現(xiàn)大的金融危機(jī)，但金融風(fēng)險(xiǎn)具有隱蔽性和復(fù)雜性，系統(tǒng)性金融風(fēng)險(xiǎn)呈現(xiàn)不斷積累的趨勢(shì)。股票市場(chǎng)和公司債市場(chǎng)作為系統(tǒng)性金融風(fēng)險(xiǎn)的重要研究對(duì)象一直備受關(guān)注。近年來(lái)股票市場(chǎng)的價(jià)格波動(dòng)異常劇烈，極端的漲跌停現(xiàn)象增加了投資者的風(fēng)險(xiǎn)。此外，2015 年1 月證監(jiān)會(huì)發(fā)布了《公司債券發(fā)行與交易管理辦法》，為公司債的發(fā)展提供了法律支持。根據(jù)《2018 年公司債市場(chǎng)發(fā)展報(bào)告》，2018 年交易所債券市場(chǎng)共有969 家發(fā)行人共計(jì)發(fā)行各類公司債11829 期，發(fā)行規(guī)模合計(jì)22469.08 億元，但公司債市場(chǎng)違約金額高達(dá)407.45 億元，調(diào)降事件達(dá)到52 次，其中以民營(yíng)企業(yè)占比較高。股票和公司債券作為公司融資的重要渠道，其價(jià)格的變化波動(dòng)依賴于公司的發(fā)展?fàn)顩r，股票市場(chǎng)和公司債市場(chǎng)之間存在一定的風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)傳染效應(yīng)。

金融市場(chǎng)中的風(fēng)險(xiǎn)溢出效應(yīng)測(cè)度方法主要有CoVaR、MES、SRISK、CCA 和Network 等。其中，CoVaR 模型是目前風(fēng)險(xiǎn)溢出效應(yīng)測(cè)度的主流度量方法，Adrian and Brunnermeier(2016)對(duì)CoVaR 模型進(jìn)行了系統(tǒng)的介紹，CoVaR 指標(biāo)描述了單個(gè)主體處于危機(jī)條件下的金融體系的條件風(fēng)險(xiǎn)水平，而ΔCoVaR 指標(biāo)則反映了單個(gè)金融機(jī)構(gòu)的風(fēng)險(xiǎn)外溢至其他金融機(jī)構(gòu)或者整個(gè)金融市場(chǎng)。Girardi and Ergün(2013)對(duì)CoVaR 模型的條件風(fēng)險(xiǎn)進(jìn)行了拓展和改進(jìn)，即由分位點(diǎn)下的收益率等于VaR 推廣至最多等于VaR，以此來(lái)更為全面反映尾部風(fēng)險(xiǎn)的信息。另外，Cao(2013)提出了多條件CoVaR 模型，研究多個(gè)金融機(jī)構(gòu)同時(shí)陷入危機(jī)時(shí)對(duì)金融系統(tǒng)的風(fēng)險(xiǎn)溢出問(wèn)題，考慮了多個(gè)金融機(jī)構(gòu)的危機(jī)條件，而不是單個(gè)金融機(jī)構(gòu)。

目前對(duì)CoVaR 模型的估計(jì)方法主要有分位數(shù)回歸、GARCH和Copula 等。分位數(shù)回歸常用于描述金融機(jī)構(gòu)之間線性的風(fēng)險(xiǎn)相關(guān)關(guān)系，張瑞、劉立新(2018)通過(guò)極端分位數(shù)回歸方法，構(gòu)建非對(duì)稱CoVaR 模型，準(zhǔn)確反映了上市銀行與金融系統(tǒng)尾部風(fēng)險(xiǎn)的聯(lián)動(dòng)性。White(2015)將分位數(shù)回歸擴(kuò)展至多元分位數(shù)回歸，從單個(gè)金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險(xiǎn)推廣至多個(gè)金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險(xiǎn)，可以刻畫多個(gè)金融市場(chǎng)之間風(fēng)險(xiǎn)相互傳染的特征。何青等(2018)結(jié)合系統(tǒng)性風(fēng)險(xiǎn)各類測(cè)度指標(biāo)和宏觀經(jīng)濟(jì)變量等，通過(guò)主成分分析分位數(shù)回歸法，全面反映了在實(shí)體經(jīng)濟(jì)運(yùn)行情況下的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)。

以DCC-GARCH 為代表的GARCH 類模型關(guān)注了風(fēng)險(xiǎn)波動(dòng)的集聚效應(yīng)，王琳、沈沛龍(2017)通過(guò)DCC-GACH 模型，描述了我國(guó)上市銀行之間的動(dòng)態(tài)相關(guān)關(guān)系。嚴(yán)偉祥等(2017)使用DCC-CoVaR 模型，分析了銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)、信托業(yè)的系統(tǒng)性風(fēng)險(xiǎn)。Xu et al.(2018)通過(guò)DCC-MIDAS-t 模型來(lái)估計(jì)CoVaR 模型，以此來(lái)研究中國(guó)銀行機(jī)構(gòu)的系統(tǒng)性風(fēng)險(xiǎn)。

Copula 模型常用于描述金融機(jī)構(gòu)和金融市場(chǎng)之間非線性和時(shí)變性的風(fēng)險(xiǎn)相關(guān)關(guān)系，Juan and Andrea(2015)使用時(shí)變Copula-CoVaR 模型，分別度量了希臘債務(wù)危機(jī)爆發(fā)前后對(duì)歐洲主權(quán)債務(wù)市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)。Li et al.(2018)將VMD 方法引入到時(shí)變Copula-CoVaR 模型之中，以此全面反映石油市場(chǎng)和股票市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)的短期效應(yīng)和長(zhǎng)期效應(yīng)。周孝華和陳九生(2016)結(jié)合極值理論，構(gòu)建了Copula-ASV-EVT-CoVaR 模型，比較了我國(guó)中小板與創(chuàng)業(yè)板市場(chǎng)之間的風(fēng)險(xiǎn)溢出效應(yīng)。Shahzad et al.(2018)通過(guò)藤Copula-CoVaR 模型研究了各個(gè)主要股票市場(chǎng)的上下尾風(fēng)險(xiǎn)溢出效應(yīng)和尾部相依風(fēng)險(xiǎn)。許啟發(fā)等(2018)通過(guò)藤Copula-CAViaR 模型來(lái)估計(jì)多元條件聯(lián)合分布，可以描述多個(gè)金融市場(chǎng)間的風(fēng)險(xiǎn)溢出效應(yīng)。

國(guó)內(nèi)外學(xué)者對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的研究對(duì)象較多地研究股票市場(chǎng)和債券市場(chǎng)，而較少涉及股票市場(chǎng)和公司債市場(chǎng)。公司債市場(chǎng)作為債券市場(chǎng)重要的組成部分，具有一定的研究?jī)r(jià)值，文章在國(guó)內(nèi)外學(xué)者研究方法的基礎(chǔ)上，對(duì)股票市場(chǎng)和公司債市場(chǎng)的相依性和風(fēng)險(xiǎn)傳染效應(yīng)進(jìn)行系統(tǒng)分析，具體的結(jié)構(gòu)安排如下：首先，模型介紹，包括以GPD-Copula 模型為基礎(chǔ)的相依性和以Copula-CoVaR 模型為基礎(chǔ)的風(fēng)險(xiǎn)溢出效應(yīng)；其次，基于股票市場(chǎng)和公司債市場(chǎng)的日收益率序列數(shù)據(jù)，對(duì)股票市場(chǎng)和公司債市場(chǎng)的相依性和風(fēng)險(xiǎn)溢出效應(yīng)結(jié)果進(jìn)行分析和說(shuō)明；最后，總結(jié)全文，并提出相關(guān)的風(fēng)險(xiǎn)防控建議。

二、模型構(gòu)建

1. GPD 模型

在構(gòu)建股票市場(chǎng)和公司債市場(chǎng)的相依性和風(fēng)險(xiǎn)溢出效應(yīng)的度量模型之前，需要選擇和確定一個(gè)擬合效果較好的邊緣分布，分別對(duì)股票市場(chǎng)和公司債市場(chǎng)的收益率序列進(jìn)行擬合。大量金融事實(shí)和歷史數(shù)據(jù)表明，金融時(shí)間序列具有“波動(dòng)集聚、厚尾、非線性相關(guān)”的特性，一般的正態(tài)分布由于忽略了極端金融事件，不能準(zhǔn)確刻畫其收益率序列的損失分布，而GPD 模型彌補(bǔ)了這個(gè)缺陷，對(duì)尾部特征能夠進(jìn)行有效描述。

GPD 模型只針對(duì)超過(guò)閾值u 的金融時(shí)間序列數(shù)據(jù)構(gòu)建模型，其分布的定義表示為：

其中，xF為分布F 的右端點(diǎn)。當(dāng)u 充分大時(shí)，分布函數(shù)Fu(x)會(huì)收斂于 GPD 分布 （Generalized Pareto Distribution） Gξ，σ(x)。

GPD 模型屬于極值分布，常適用于刻畫金融時(shí)間序列的尾部分布。具體定義如下：

其中，μ為位置參數(shù)，σ為尺度參數(shù)，ξ為形狀參數(shù)。

2. Copula 模型

金融時(shí)間序列往往是厚尾和非線性的，一般的計(jì)量模型難以滿足經(jīng)典假設(shè)條件。相比于格蘭杰因果檢驗(yàn)和Pearson 線性相關(guān)系數(shù)，Copula 模型主要用于描述金融時(shí)間序列之間非線性、非對(duì)稱性和時(shí)變性的風(fēng)險(xiǎn)相關(guān)關(guān)系，特別是極端事件下的尾部依賴性，故本文選擇Copula 模型來(lái)研究金融時(shí)間序列之間的風(fēng)險(xiǎn)相依性。根據(jù)Sklar(1959)的定義，Copula 有如下性質(zhì)：

假設(shè)F1(x)和F2(y)是連續(xù)的一元分布函數(shù)，令u=F1(x)，ν=F2(y)，即C(u，ν)為邊緣分布服從[0，1]均勻分布的二元分布函數(shù)。令F(x，y)為邊緣分布函數(shù)F1(x)和F2(y)的聯(lián)合分布函數(shù)，則有且僅有一個(gè)Copula 函數(shù)C 滿足如下關(guān)系：

由以上等式可知，Copula 函數(shù)為連接聯(lián)合分布函數(shù)和其邊際分布的函數(shù)，故Copula 函數(shù)又稱為連接函數(shù)。Copula 模型的關(guān)鍵是如何擬合邊際分布和確定最優(yōu)Copula 函數(shù)，具體而言，文章首先使用GPD 模型來(lái)擬合股票市場(chǎng)和公司債市場(chǎng)收益率序列的邊際分布；然后使用IFM的估計(jì)方法進(jìn)行參數(shù)估計(jì)，根據(jù)AIC 和 BIC 準(zhǔn)則確定最優(yōu) Copula 函數(shù)；最后計(jì)算 Kendall τ 相關(guān)系數(shù)、Spearman ρ 相關(guān)系數(shù)和上下尾相關(guān)系數(shù)。

文章選擇常用的Gaussian Copula、t Copula、Gumbel Copula、Frank Coplua、 Clayton Copula、 BB3 Copula 和 BB7 Copula 等Copula 函數(shù)進(jìn)行擬合效果對(duì)比分析。各類Copula 的基本特點(diǎn)不盡相同，其中，Gaussian Copula 函數(shù)為對(duì)稱且不存在尾部相關(guān)關(guān)系，t Copula 函數(shù)具有對(duì)稱的尾部相關(guān)特征，Gumbel Copula函數(shù)具有較強(qiáng)的上尾相關(guān)和較弱的下尾相關(guān)，F(xiàn)rank Coplua 函數(shù)具有對(duì)稱的弱尾相關(guān)，Clayton Copula 函數(shù)具有較強(qiáng)的下尾相關(guān)和較弱的上尾相關(guān)。值得注意的是，BB3 Copula 和BB7 Copula等類含有雙參數(shù)，能夠同時(shí)估計(jì)上尾和下尾的相關(guān)關(guān)系。

對(duì)于Copula 模型的參數(shù)估計(jì)，由于各類Copula 函數(shù)的未知參數(shù)較多，普通的極大似然估計(jì)方法不能有效解決參數(shù)的滿足條件較為嚴(yán)格和計(jì)算時(shí)間較長(zhǎng)等問(wèn)題，基于此文章采用IFM（推斷函數(shù)法） 的估計(jì)方法。具體參數(shù)估計(jì)步驟主要包括：第一步是估計(jì)股票市場(chǎng)和公司債市場(chǎng)邊緣分布的參數(shù)，第二步是在既定的邊緣分布參數(shù)基礎(chǔ)上，再估計(jì)Copula 函數(shù)的各個(gè)參數(shù)。

對(duì)于Copula 模型的風(fēng)險(xiǎn)相依性測(cè)度，文章主要使用金融風(fēng)險(xiǎn)相依性中較為常用的 Kendall τ 相關(guān)系數(shù)、Spearman ρ 相關(guān)系數(shù)和上下尾相關(guān)系數(shù)。其中，Kendall τ 相關(guān)系數(shù)和Spearman ρ相關(guān)系數(shù)均屬于秩相依性范疇，不需要邊際分布，僅考慮隨機(jī)變量之間的聯(lián)合分布；尾部相關(guān)系數(shù)分為上尾相關(guān)系數(shù)λup和下尾相關(guān)系數(shù)λlow，主要用以度量尾部極端的相依性，包括上尾相關(guān)、下尾相關(guān)和上下尾對(duì)稱三種相依情況。各個(gè)相關(guān)關(guān)系的基本定義如下：

其中，τ 為 Kendall τ 相關(guān)系數(shù)，ρ 為 Spearman ρ 相關(guān)系數(shù)、λup和λlow分別為上尾相關(guān)關(guān)系和下尾相關(guān)系數(shù)。

3. CoVaR 模型

文章以股票市場(chǎng)對(duì)公司債市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)為例進(jìn)行模型說(shuō)明。根據(jù)Adrian and Brunnermeier(2016)，對(duì)CoVaR 模型的定義如下：

其中，i 代表股票市場(chǎng)，j 代表公司債市場(chǎng)，q 代表分位數(shù)點(diǎn)。CoVaR 表示在股票市場(chǎng)發(fā)生危機(jī)的條件下，公司債市場(chǎng)面臨的條件風(fēng)險(xiǎn)值。

相對(duì)于DCC-GARCH 和分位數(shù)回歸等其他估計(jì)方法，Copula 模型能夠較為全面地反映金融風(fēng)險(xiǎn)的非線性、厚尾性和非對(duì)稱性等特征，故文章使用Copula 模型來(lái)估計(jì)CoVaR 模型。具體的估計(jì)過(guò)程如下：

假設(shè)股票市場(chǎng)收益率序列Xi和公司債市場(chǎng)收益率序列Xj的聯(lián)合分布密度函數(shù)及其邊緣分布密度函數(shù)分別為f(xi，xj)，fi(xi)，fj(xj)的條件分布密度函數(shù)為：

其中，F(xiàn)i(xi)和Fj(xj)分別代表股票市場(chǎng)和公司債市場(chǎng)的邊緣分布，即Fi(xi)和 Fj(xj)分別為fi(xi)和 fj(xj)的導(dǎo)數(shù)，c 為最優(yōu)Copula 函數(shù)的密度函數(shù)。對(duì)式(9)進(jìn)行積分變換，具體形式如下：

三、實(shí)證結(jié)果與分析

1. 數(shù)據(jù)來(lái)源與描述分析

文章主要研究股票市場(chǎng)和公司債市場(chǎng)的相依性和風(fēng)險(xiǎn)溢出效應(yīng)。文章選擇滬深300 指數(shù)（指數(shù)代碼：399300.SZ） 代表股票市場(chǎng)，包括了上海和深圳證券市場(chǎng)的代表性股票，能夠從整體上反映股票市場(chǎng)中的價(jià)格變化特征。同時(shí)，文章選擇中證公司債指數(shù)（指數(shù)代碼：399923.SZ） 代表公司債市場(chǎng)，包括了在上海和深圳證券交易所上市的公司債券。具體而言，文章以滬深300 指數(shù)和中證公司債指數(shù)的日收盤價(jià)為基礎(chǔ)數(shù)據(jù)，分別得到股票市場(chǎng)和公司債市場(chǎng)的收益率序列，并以此為基礎(chǔ)進(jìn)行實(shí)證分析。文章以交易時(shí)間較晚的中證公司債指數(shù)為基準(zhǔn)時(shí)間，數(shù)據(jù)來(lái)源于Wind 數(shù)據(jù)庫(kù)，時(shí)間范圍為2008 年1 月2 日至2019年6 月 30 日，統(tǒng)計(jì)量為2794 個(gè)，主要使用S-Plus 軟件和Matlab 軟件進(jìn)行數(shù)據(jù)分析。

表1 為股票市場(chǎng)和公司債市場(chǎng)收益率序列數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果，根據(jù)偏度和峰度可知，股票市場(chǎng)和公司債市場(chǎng)的偏度和峰度均遠(yuǎn)離0 和3；同時(shí)，JB 統(tǒng)計(jì)量的P 值為0，拒絕原假設(shè)。因此，股票市場(chǎng)和公司債市場(chǎng)收益率序列均不服從正態(tài)分布，具有尖峰厚尾特性。為了更進(jìn)一步地反映股票市場(chǎng)和公司債市場(chǎng)收益率序列的非正態(tài)性和尾部特征，文章分別做出股票市場(chǎng)和公司債市場(chǎng)收益率序列的QQ 圖。

表1 描述性統(tǒng)計(jì)量

圖1 股票市場(chǎng)和公司債市場(chǎng)收益率序列的QQ 圖

圖1 從左至右分別為股票市場(chǎng)和公司債市場(chǎng)收益率序列的QQ 圖，股票市場(chǎng)和公司債市場(chǎng)收益率序列的上尾和下尾均偏離正態(tài)分布，表明股票市場(chǎng)和公司債市場(chǎng)均存在極端損失的現(xiàn)象，具有顯著的厚尾特征，正態(tài)分布不能有效地?cái)M合和刻畫股票市場(chǎng)和公司債市場(chǎng)的邊際損失分布，而極值分布能夠側(cè)重反映股票市場(chǎng)和公司債市場(chǎng)的尾部。

2. 邊際分布的確定和擬合

為了更為準(zhǔn)確地刻畫股票市場(chǎng)和公司債市場(chǎng)收益率序列的損失分布，文章使用GPD 分布來(lái)擬合收益率序列的尾部特征。另外，對(duì)于GPD 分布閾值的選取，文章使用Du Mouchel 10%原則來(lái)分別確定股票市場(chǎng)和公司債市場(chǎng)收益率序列的上尾閾值和下尾閾值，該方法簡(jiǎn)單實(shí)用，能夠較為準(zhǔn)確地確定GPD 分布的閾值和擬合分布。

文章使用MLE 的估計(jì)方法對(duì)GPD 分布的三個(gè)參數(shù)進(jìn)行估計(jì)。在表2 中，μ 代表GPD 分布的上尾和下尾閾值，Pμ代表超出閾值的樣本數(shù)據(jù)比例，ξ 代表形狀參數(shù)估計(jì)值，σ 代表尺度參數(shù)估計(jì)值。根據(jù)表2 可知，在超出樣本數(shù)據(jù)占全部收益率序列數(shù)據(jù)的9.99%基礎(chǔ)上，股票市場(chǎng)的上尾閾值為1.9162，大于公司債市場(chǎng)的上尾閾值 0.0909，而股票市場(chǎng)收益率序列的均值小于公司債市場(chǎng)收益率序列。另外，在超出樣本數(shù)據(jù)占全部收益率序列數(shù)據(jù)的9.96%基礎(chǔ)上，股票市場(chǎng)的下尾閾值為-1.8863，小于公司債市場(chǎng)的下尾閾值-0.0398，這與上尾的特征情況正好相反。

表2 股票市場(chǎng)和公司債市場(chǎng)收益率序列的上尾和下尾參數(shù)估計(jì)

在參數(shù)估計(jì)之后，文章對(duì)GPD 分布的擬合效果進(jìn)行檢驗(yàn)，GPD 分布的檢驗(yàn)方法主要包括超出分布、尾部分布、殘差散點(diǎn)圖和殘差QQ 圖等。超出分布是GPD 分布的最主要檢驗(yàn)方法，GPD 分布也是對(duì)超出閾值的部分?jǐn)?shù)據(jù)進(jìn)行擬合，故文章主要使用超出分布進(jìn)行GPD 分布的檢驗(yàn)。限于篇幅，文章不對(duì)其他的檢驗(yàn)方法進(jìn)行擬合效果檢驗(yàn)。

圖2 股票市場(chǎng)和公司債市場(chǎng)收益率序列GPD 分布的上尾和下尾擬合診斷圖

在圖2 中，從左至右、從上至下分別表示股票市場(chǎng)的上尾和下尾、公司債市場(chǎng)的上尾和下尾擬合情況。根據(jù)圖2 可知，股票市場(chǎng)(SM)和公司債市場(chǎng)(CBM)的上尾和下尾絕大部分的點(diǎn)均在超出分布擬合的曲線上，表明股票市場(chǎng)和公司債市場(chǎng)的上下尾閾值選取較好，GPD 分布能夠顯著地?cái)M合股票市場(chǎng)和公司債市場(chǎng)收益率序列的邊際損失分布，在刻畫其尾部分布方面的效果較好。

3. 股票市場(chǎng)和公司債市場(chǎng)的相依結(jié)構(gòu)

在確定股票市場(chǎng)和公司債市場(chǎng)的邊際分布之后，文章使用Copula 模型來(lái)研究股票市場(chǎng)和公司債市場(chǎng)的相依性強(qiáng)度。具體而言，首先，通過(guò)AIC 和BIC 等原則確定最優(yōu)Copula；其次，基于最優(yōu)Copula 函數(shù)及其參數(shù)估計(jì)結(jié)果，分別計(jì)算各個(gè)相關(guān)系數(shù)。

對(duì)于Copula 函數(shù)的選擇，文章主要使用Gaussian Copula、Gumbel Copula、Galambos Copula、Frank Copula、Clayton Copula和BB7 Copula 等6 種常用Copula 函數(shù)，這些Copula 函數(shù)包含了上下尾、對(duì)稱性和非線性等重要金融特征。根據(jù)表3 可知，Galambos Copula的loglike 值最大，且 AIC 和 BIC 最小。其次擬合效果較好的是Gaussian Copula， 擬合效果最差的是Frank Copula。因此，股票市場(chǎng)和公司債市場(chǎng)收益率序列連接的最優(yōu)Copula 函數(shù)為Galambos Copula。

表3 Copula 模型的參數(shù)估計(jì)和檢驗(yàn)結(jié)果

圖3 和圖4 分別為參數(shù) δ 為 0.3210 的 Galambos Copula 的概率密度圖和累積分布圖。根據(jù)圖3 和圖4可知，Galambos Copula函數(shù)具有上尾相關(guān)的非對(duì)稱特性，即股票市場(chǎng)和公司債市場(chǎng)的上尾相依性大于下尾相依性。

圖3 概率密度圖

圖4 累積分布圖

基于Galambos Copula 和其參數(shù)估計(jì)結(jié)果，可以計(jì)算出股票市場(chǎng)和公司債市場(chǎng)之間的風(fēng)險(xiǎn)相依性系數(shù)。根據(jù)表4 可知，股票市場(chǎng)和公司債市場(chǎng)之間存在正向的相依性，但相依程度較小，表明股票市場(chǎng)和公司債市場(chǎng)的關(guān)聯(lián)緊密程度較弱，投資者同時(shí)投資股票和公司債的規(guī)模和比重較小。另外，股票市場(chǎng)和公司債市場(chǎng)存在上尾相關(guān)關(guān)系，尾部相依較為顯著。當(dāng)某個(gè)市場(chǎng)釋放有利消息時(shí)，其價(jià)格處于上漲期，導(dǎo)致另外一個(gè)市場(chǎng)的價(jià)格也隨之顯著上漲。因此，股票市場(chǎng)和公司債市場(chǎng)對(duì)牛市較為敏感，容易受到經(jīng)濟(jì)發(fā)展?fàn)顩r良好、積極寬松的財(cái)政貨幣政策和利好消息等正面環(huán)境的影響，而對(duì)相關(guān)的負(fù)面狀況和展望影響較小。

表4 股票市場(chǎng)和公司債市場(chǎng)的相依結(jié)構(gòu)

4. 股票市場(chǎng)和公司債市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)

文章的分位數(shù)設(shè)置為5%，根據(jù)前文Copula 的估計(jì)結(jié)果以及CoVaR 的計(jì)算步驟，可以得到股票市場(chǎng)和公司債市場(chǎng)的風(fēng)險(xiǎn)價(jià)值、條件風(fēng)險(xiǎn)價(jià)值和風(fēng)險(xiǎn)溢出效應(yīng)，具體結(jié)果如表5 所示。

表5 股票市場(chǎng)和公司債市場(chǎng)間的風(fēng)險(xiǎn)溢出效應(yīng)統(tǒng)計(jì)量

根據(jù)表5 可知，股票市場(chǎng)的 VaR 值為 2.8693，而公司債市場(chǎng)的VaR 值為0.0835，說(shuō)明股票市場(chǎng)的風(fēng)險(xiǎn)大于公司債市場(chǎng)的風(fēng)險(xiǎn)。同時(shí)，根據(jù)ΔCoVaR和%CoVaR可知，股票市場(chǎng)對(duì)公司債市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)分別為0.0636 和2.2166%，大于公司債市場(chǎng)對(duì)股票市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)，股票市場(chǎng)和公司債市場(chǎng)之間存在非對(duì)稱的雙向風(fēng)險(xiǎn)溢出效應(yīng)。當(dāng)股票市場(chǎng)發(fā)生較大的價(jià)格波動(dòng)和危機(jī)時(shí)，由于其規(guī)模大和流動(dòng)性強(qiáng)等特點(diǎn)，金融其他市場(chǎng)更容易形成恐慌，投資者的追漲漲殺跌行為通過(guò)正反饋機(jī)制導(dǎo)致惡性循環(huán)，致使其杠桿率激增，同時(shí)投資者的風(fēng)險(xiǎn)偏好往往受到外在的影響，即所謂的“羊群效應(yīng)”，最終導(dǎo)致股票市場(chǎng)對(duì)公司債市場(chǎng)的聯(lián)動(dòng)風(fēng)險(xiǎn)，系統(tǒng)性金融風(fēng)險(xiǎn)的增加和爆發(fā)。

四、結(jié)論

文章通過(guò)GPD 分布來(lái)分別擬合股票市場(chǎng)和公司債市場(chǎng)的邊際分布，通過(guò)AIC 原則和BIC 原則確定最優(yōu)Copula 為Galambos Copula 函數(shù)，并據(jù)此計(jì)算出股票市場(chǎng)和公司債市場(chǎng)的風(fēng)險(xiǎn)相依性系數(shù)，最后通過(guò)Copula 模型估計(jì)股票市場(chǎng)和公司債市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)。結(jié)果表明，第一，對(duì)于風(fēng)險(xiǎn)相依性而言，股票市場(chǎng)和公司債市場(chǎng)的相依性程度較低，但存在上尾相關(guān)關(guān)系，這需要相關(guān)投資者和金融風(fēng)險(xiǎn)監(jiān)管部門的注意；第二，對(duì)于風(fēng)險(xiǎn)程度而言，相比于公司債市場(chǎng)，股票市場(chǎng)在風(fēng)險(xiǎn)價(jià)值和風(fēng)險(xiǎn)溢出效應(yīng)方面均較大，表明股票市場(chǎng)的風(fēng)險(xiǎn)將是重點(diǎn)的監(jiān)管對(duì)象，同時(shí)也要注意和兼顧“太關(guān)聯(lián)而不能倒”的公司債市場(chǎng)。同時(shí)，文章由于側(cè)重金融時(shí)間序列的厚尾性，重點(diǎn)探討了股票市場(chǎng)和公司債市場(chǎng)風(fēng)險(xiǎn)溢出效應(yīng)的規(guī)模問(wèn)題，僅構(gòu)建靜態(tài)的GPD-Copula-CoVaR 模型，但忽略了金融風(fēng)險(xiǎn)的時(shí)變性特征，今后將構(gòu)建時(shí)變Copula-CoVaR 模型來(lái)研究金融市場(chǎng)的動(dòng)態(tài)風(fēng)險(xiǎn)溢出效應(yīng)。

對(duì)于股票市場(chǎng)和公司債市場(chǎng)中的金融風(fēng)險(xiǎn)和風(fēng)險(xiǎn)傳染影響，需要建立和完善風(fēng)險(xiǎn)研判機(jī)制、決策風(fēng)險(xiǎn)評(píng)估機(jī)制、風(fēng)險(xiǎn)防控協(xié)調(diào)機(jī)制和風(fēng)險(xiǎn)防控責(zé)任機(jī)制等風(fēng)險(xiǎn)防控機(jī)制。第一，從風(fēng)險(xiǎn)機(jī)制層面看，以往的金額風(fēng)險(xiǎn)監(jiān)管忽略了事前防范，風(fēng)險(xiǎn)防范能夠有效地減少風(fēng)險(xiǎn)損失和預(yù)防危機(jī)的發(fā)生。具體而言，需要健全和完善股票市場(chǎng)和公司債市場(chǎng)的風(fēng)險(xiǎn)預(yù)警機(jī)制，構(gòu)建包括金融市場(chǎng)、宏觀經(jīng)濟(jì)和國(guó)際沖擊等層面的股票市場(chǎng)和公司債市場(chǎng)間系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，對(duì)股票市場(chǎng)和公司債市場(chǎng)間的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行科學(xué)的預(yù)測(cè)和評(píng)估，提升系統(tǒng)性金融風(fēng)險(xiǎn)的防范能力和效果。第二，從政府監(jiān)管層面看，加強(qiáng)金融監(jiān)管機(jī)構(gòu)之間的協(xié)調(diào)和配合，以應(yīng)付復(fù)雜和關(guān)聯(lián)的跨行業(yè)和跨市場(chǎng)的風(fēng)險(xiǎn)傳染；完善股票市場(chǎng)和公司債市場(chǎng)的應(yīng)急管理和處置方案，以應(yīng)付極端的系統(tǒng)性金融風(fēng)險(xiǎn)；強(qiáng)化和細(xì)化風(fēng)險(xiǎn)防控責(zé)任機(jī)制，以明確股票市場(chǎng)和公司債市場(chǎng)的風(fēng)險(xiǎn)監(jiān)管責(zé)任人；健全股票市場(chǎng)和公司債市場(chǎng)的風(fēng)險(xiǎn)監(jiān)管細(xì)則，以提供相關(guān)的法律監(jiān)管依據(jù)；關(guān)注世界主要股票市場(chǎng)和以公司債市場(chǎng)為代表的債券市場(chǎng)對(duì)我國(guó)主要金融市場(chǎng)的風(fēng)險(xiǎn)傳染和沖擊，加強(qiáng)國(guó)際監(jiān)管和合作；關(guān)注金融和經(jīng)濟(jì)以外的金融風(fēng)險(xiǎn)傳染因素，如政治、政策和文化等，提高監(jiān)管格局。第三，從政府政策層面看，執(zhí)行“貨幣政策+宏觀審慎管理”雙支柱政策框架，權(quán)衡好貨幣政策和風(fēng)險(xiǎn)監(jiān)管之間的關(guān)系，在確保合理控制股票市場(chǎng)和公司債市場(chǎng)系統(tǒng)性金融風(fēng)險(xiǎn)的前提下，通過(guò)穩(wěn)健的貨幣政策，并配合積極的財(cái)政政策，以適應(yīng)危機(jī)救助和經(jīng)濟(jì)新常態(tài)下的經(jīng)濟(jì)大環(huán)境，刺激金融市場(chǎng)和宏觀經(jīng)濟(jì)的繁榮發(fā)展，解決企業(yè)融資難和投資者最優(yōu)投資的問(wèn)題，使股票市場(chǎng)和公司債市場(chǎng)更好地服務(wù)于實(shí)體經(jīng)濟(jì)。