貿(mào)易摩擦背景下中美兩國股票市場風(fēng)險溢出效應(yīng)研究

（遼寧對外經(jīng)貿(mào)學(xué)院區(qū)域經(jīng)濟合作與發(fā)展研究院，遼寧大連116052）

一、引言

2018年3月22日，美國單方面通過提高關(guān)稅與實施投資限制等形式挑起對華貿(mào)易摩擦，23日，中國表示將堅決捍衛(wèi)自身的合法權(quán)益。這一突如其來的“黑天鵝”事件讓資本市場嘩然，中美兩國股市直接跳空低開，A股上證綜指23日收跌3.39%，美國道瓊斯指數(shù)22日收跌2.93%，23日繼續(xù)收跌1.77%。全球主要經(jīng)濟體的股市也相繼下跌，日本、韓國的主要股指23日收跌2%以上，歐洲國家的股市也普遍收跌1%以上。隨著后續(xù)中美兩國反制措施的繼續(xù)以及一輪又一輪磋商無果，貿(mào)易摩擦逐漸升級，為全球經(jīng)濟的發(fā)展蒙上了陰影，也讓資本市場的脆弱性凸顯，威脅著相關(guān)國家的金融穩(wěn)定（雷達(dá)，2018）。

2018年，上證綜指全年跌幅高達(dá)24.59%，A股市場上很多企業(yè)一度面臨觸及質(zhì)押平倉線的風(fēng)險，金融市場安全受到威脅。雖然這一輪A股走熊的誘因是多方面的，但摩擦升級的負(fù)面消息無疑起到了“推波助瀾”的作用。相比深度熊市的A股，美股形勢“樂觀”一些，道瓊斯指數(shù)2018年僅收跌6.03%，在負(fù)面消息密集的3～7月，收出了2.97%的正增長。從股指走勢的直觀結(jié)果看，美股在面臨貿(mào)易戰(zhàn)負(fù)面消息威壓時似乎更具韌性。對于這一狀況，部分人士認(rèn)為由于中美兩國貿(mào)易額的不對稱性，中國的反制措施并未得到資本市場的認(rèn)證；也有人認(rèn)為在市場風(fēng)險傳染方面，美股主要向A股溢出風(fēng)險，A股對美股的風(fēng)險溢出則相對微不足道，而貿(mào)易摩擦則進(jìn)一步加劇了這種負(fù)面風(fēng)險溢出的不對稱性。

鑒于資本市場的復(fù)雜性，股指波動本身受到多重冗余信息的影響，單純通過股指走勢與個人感知對其做出判斷是片面的。過濾掉市場自身波動的特點，尋找更為科學(xué)的手段研究中美兩國股市在貿(mào)易摩擦背景下的風(fēng)險溢出情況顯得尤為重要，也有助于進(jìn)一步認(rèn)知風(fēng)險傳染，并從宏觀審慎監(jiān)管的角度化解系統(tǒng)性金融風(fēng)險。

二、文獻(xiàn)綜述

風(fēng)險溢出即風(fēng)險在市場（或機構(gòu)）之間的波動傳導(dǎo)。作為金融風(fēng)險管理的重要組成部分，有關(guān)風(fēng)險溢出的研究長期以來受到廣泛關(guān)注，學(xué)者們運用各種分析方法進(jìn)行了大量探索。早期風(fēng)險溢出的研究主要圍繞溢出存在與否展開，測定方法主要包括相關(guān)系數(shù)法（Lando和Nielsen，2010）、Granger 因果檢驗法（林宇和陳王，2012）、向量自回歸模型 （VAR）（Hong 等，2009）、誤差修正模型 （VECM）（李志輝和王穎，2012）、因子分析法（Cipollini和Kapetanios，2009）等。為體現(xiàn)波動傳染的時變特征，部分學(xué)者對原有的靜態(tài)模型進(jìn)行了優(yōu)化研究，應(yīng)用最廣的是Engle（2002）提出的DCCMGRACH模型；為貼近金融市場波動的非線性特征，一些新的研究方法被提出以彌補傳統(tǒng)線性研究的不足，如馬爾科夫轉(zhuǎn)換GARCH模型以及近些年來主流的Copula函數(shù)。這些研究雖然在一定程度上優(yōu)化了傳統(tǒng)實證研究方法，但缺乏對風(fēng)險溢出程度、特別是極值風(fēng)險溢出程度的關(guān)注。事實上，正是價格的急劇上漲或下跌增加了風(fēng)險管理的不可控性，也更易引起市場間恐慌的蔓延，所以對極端風(fēng)險傳染的研究顯得尤為重要。Adrian和Brunnermeier（2008）將條件風(fēng)險價值CoVaR 引入風(fēng)險溢出測度，克服了傳統(tǒng)的VaR（Value－at－Risk）研究僅能測度單一市場極端風(fēng)險的不足，將不同市場看作是聯(lián)動的系統(tǒng)，用ΔCoVaR 成功量化了當(dāng)一個市場發(fā)生極端損失時對其他市場造成的極端風(fēng)險溢出，更新了市場風(fēng)險傳染的理論方法，學(xué)者們紛紛跟進(jìn)研究（謝福座，2010a；謝福座，2010b;喬海曙和楊蕾，2016；翁志超和顏美玲，2019）。隨后，Girardi和Ergun（2013）在原有理論的基礎(chǔ)上提出了廣義ΔCoVaR 方法，這一改進(jìn)包含了更多的尾部信息，提高了測定的穩(wěn)定性。本文將借用此種研究方法測度在中美貿(mào)易摩擦期間兩國股市的風(fēng)險溢出效應(yīng)。

值得注意的是，雖然中美兩國的貿(mào)易摩擦長期存在，但矛盾的真正激化是在特朗普上任后。部分學(xué)者認(rèn)為爭端起源于2017年8月美國對華發(fā)起的“301 調(diào)查”（姚博，2018），也有學(xué)者將2018年3月加征關(guān)稅定義為第一回合（沈建光，2018），但不管如何定義，摩擦從貿(mào)易領(lǐng)域發(fā)起，并迅速影響到金融市場。本輪摩擦距今發(fā)酵時間并不長，現(xiàn)有關(guān)于貿(mào)易摩擦的研究多圍繞成因、影響、對策等理論分析展開，針對其所衍生出的對金融市場風(fēng)險溢出的研究相對較少。方意等（2019）利用DCC-GARCH模型測算股票、債券、外匯市場的動態(tài)相關(guān)系數(shù)以度量跨市場風(fēng)險傳染，并采用事件分析法將波動與貿(mào)易摩擦建立聯(lián)系，認(rèn)為摩擦首先沖擊股票市場，未對債券市場風(fēng)險造成顯著溢出效應(yīng)。于恩鋒（2019）從事件分析法出發(fā)論證了貿(mào)易戰(zhàn)在中美雙方股市中都存在 “事件資訊效應(yīng)”，貿(mào)易戰(zhàn)的負(fù)面消息對兩國金融市場都造成了顯著傷害。王儒奇（2019）利用GARCH-VaR模型研究貿(mào)易摩擦期間上證綜指及其細(xì)分板塊的在險價值，論證了利空消息對股市沖擊強度更大，具有顯著非對稱杠桿效應(yīng)。李強等（2019）運用分位數(shù)回歸模型和CoVaR 方法發(fā)現(xiàn)貿(mào)易摩擦期間無論是債市還是股市，美國對我國均有顯著、單向的溢出效應(yīng)。

從已有文獻(xiàn)不難看出，學(xué)者們普遍認(rèn)同貿(mào)易摩擦確實產(chǎn)生了金融效應(yīng)。然而，摩擦期間兩國股市風(fēng)險溢出方向與強度如何？ 這方面的研究仍留有較大空白，本文將著眼于此進(jìn)一步展開研究，并力求實現(xiàn)以下貢獻(xiàn)：一是鑒于已有相關(guān)文獻(xiàn)較多采用線性分析法，為避免線性分析對市場之間復(fù)雜結(jié)構(gòu)關(guān)系的描述失真，本文將選用時變Copula函數(shù)與廣義ΔCoVaR 等研究方法，以便在摩擦背景下剝離影響市場波動的冗余因素，提高測度的準(zhǔn)確性；二是在摩擦背景下分析中美兩國股市波動特點，并對比摩擦前后兩國風(fēng)險溢出情況，力求對反擊措施的實施效果進(jìn)行論證，從而更全面地審視我國股票市場的風(fēng)險現(xiàn)狀，為宏觀審慎監(jiān)管提供新的思考角度。

三、研究方法

（一）廣義ΔCoVaR的風(fēng)險溢出測度

條件風(fēng)險價值（CoVaR）是Adrian和Brunnermeier（2008）在傳統(tǒng)在險價值（VaR）基礎(chǔ)上提出的改良模型，其克服了在險價值模型只能測量單一市場極值風(fēng)險的缺陷，將市場之間的聯(lián)動與風(fēng)險溢出考量在內(nèi)，測度了在t時刻A市場發(fā)生極端損失VaRαA，t時，B市場可能同時發(fā)生的極端損失臨界值CoVaRβB，|tA，見公式（1）與（2）：

為了提升結(jié)果的精準(zhǔn)度，Girardi和Ergun（2013）在CoVaR模型的基礎(chǔ)上進(jìn)行了修正，修正后的廣義CoVaR 包含了更多尾部信息，見公式（3）:

市場A 對市場B的風(fēng)險溢出可用廣義度量，見公式（4）:

其中，CoVaRβB，|tA表示在t時刻聯(lián)合分布條件下A市場異常波動時B市場的極端風(fēng)險臨界值，NCoVaRβB，|tA表示同一時間A市場未出現(xiàn)極值風(fēng)險時B市場的在險價值，即：

兩者之差可以用來度量A市場對B市場的風(fēng)險溢出。考慮到量綱問題，可用%CoVaR 代替ΔCoVaRβB，|tA，見公式（6）:

（二） GARCH－Copula函數(shù)的聯(lián)合分布估計

為了求得上文中的%CoVaRβB，|tA，需刻畫市場A與市場B的非線性相關(guān)結(jié)構(gòu)，本文選用Copula 系列函數(shù)連接邊緣分布構(gòu)建聯(lián)合分布，其構(gòu)建步驟如下。

1.確定邊緣分布函數(shù)

運用Copula函數(shù)時要求邊緣分布具有獨立同分布特征，而金融市場收益序列的分布往往具有非正態(tài)性、尖峰、肥尾、條件異方差等典型特征，難以滿足獨立同分布的條件，故本文選取結(jié)構(gòu)較為簡單的GARCH 族模型過濾收益波動的冗余信息，并用過濾后序列的經(jīng)驗分布函數(shù)作為Copula函數(shù)的邊緣分布。鑒于兩個市場的波動率分布具有明顯杠桿性（王儒奇，2019），為更貼合正負(fù)信息對市場波動影響程度不同的現(xiàn)實情況，本文選取GARCH 族模型中的EGARCH（1，1）來提升擬合效果，模型結(jié)構(gòu)見公式（7）：

其中，εt為條件均值方程的殘差，考慮到金融時間序列的分布特性，假設(shè)其服從t分布；σt2為εt的條件方差，在條件方差模型中，如果系數(shù)β 顯著不為零則代表波動具有杠桿效應(yīng)，滯后系數(shù)α代表波動的持久性，數(shù)值越大越持久；回報系數(shù)β與γ代表波動對市場消息的反應(yīng)速度，數(shù)值越大反應(yīng)越迅速。

2.確定Copula函數(shù)

Copula函數(shù)又稱連接函數(shù)，它可以將聯(lián)合分布函數(shù)F（x1，x2，…，xn）與其邊緣分布函數(shù)F1（x1），F(xiàn)2（x2），…，F(xiàn)n（xm）連接在一起。鑒于應(yīng)用時無需限制每個變量邊緣分布的選擇，Copula 方法廣泛應(yīng)用于金融領(lǐng)域的多元分析與相關(guān)性分析中，見公式（8）：

多元Copula函數(shù)即式（8）中的方程C，由Sklar 定理可知，對一個聯(lián)合分布函數(shù)F，如果其邊緣分布函數(shù)連續(xù)，那么必然存在且唯一存在一個Copula函數(shù)滿足以上公式。

實際應(yīng)用中，按照密度函數(shù)是否具有對稱性，Copula函數(shù)主要分為刻畫對稱相依關(guān)系的橢圓族Copula函數(shù)（包括正態(tài)Copula函數(shù)與t-Copula函數(shù)）與刻畫非對稱相依關(guān)系的阿基米德族Copula函數(shù) （包括Gumbel函數(shù)、Clayton函數(shù)和Frank-Copula函數(shù)等）兩類。考慮到金融市場是一個動態(tài)變化的復(fù)雜非線性系統(tǒng)，實時產(chǎn)生的信息很可能改變市場間的相關(guān)結(jié)構(gòu)，傳統(tǒng)靜態(tài)的Copula函數(shù)逐漸衍生出一系列不同分布類型的時變Copula函數(shù)。本文將選用具有代表性且反應(yīng)不同尾部特征的Copula函數(shù)進(jìn)行建模，并拓展到各自的時變模型，最終參考AIC、BIC與Loglike值選定最優(yōu)擬合。

（三）Copula函數(shù)的廣義ΔCoVaR 測度

考慮市場A 對市場B的極端風(fēng)險傳染，根據(jù)條件概率公式與公式（1），可將公式（3）變形為：

為了得到市場A與市場B的聯(lián)合分布，引入Copula函數(shù)將公式（9）變形如下：

其中，C函數(shù)為連接函數(shù)，F(xiàn)B與FA函數(shù)分別為與的邊緣分布函數(shù)。至此，給定置信度β 與α、確定邊緣分布與最優(yōu)Copula 表達(dá)式后即可求得根據(jù)公式（4）與公式（5）可進(jìn)一步求得與由此可確定市場A 對市場B的極端下行風(fēng)險溢出值。

四、實證分析

（一）數(shù)據(jù)選取與描述性統(tǒng)計

雖然部分學(xué)者以2017年8月特朗普政府對我國展開“301 調(diào)查”作為貿(mào)易摩擦的伊始，但從股市波動情況來看，2018年3月22日美國單方面宣布加征關(guān)稅才真正意義上引發(fā)了股市動蕩，因此本文將此日期作為貿(mào)易摩擦的分界點?？紤]到資本市場波動的復(fù)雜性，為避免其他影響因素對分析的干擾，本文將研究區(qū)間集中于貿(mào)易摩擦前期，在此期間中美雙方你來我往資訊密集，且基本是負(fù)面消息，與本文著重研究的下行風(fēng)險溢出相一致。鑒于股市對消息面的敏感度較高，在選取研究區(qū)間時本文參考百度搜索指數(shù)作為印證，“中美貿(mào)易”的搜索熱度在2018年3月22日開始激增，在2018年4月初迎來最高峰，并在同年7月初迎來第二波高峰，隨后熱度在7月末退減至低位并趨于穩(wěn)定①趨勢數(shù)據(jù)參考百度指數(shù)：http://index.baidu.com/v2/index.html#/。。由于2018年第四季度美股自身出現(xiàn)劇烈波動且主要源于自身經(jīng)濟數(shù)據(jù)不及預(yù)期，因此，綜合考慮樣本數(shù)據(jù)量要求以及事件視角下研究區(qū)間的針對性，本文截取階段性磋商前期上證綜指（SCI）與標(biāo)準(zhǔn)普爾500指數(shù)（S&P500）①上證綜指Shanghai （Securities） Composite Index，簡稱為SCI;標(biāo)準(zhǔn)普爾500指數(shù)S&P 500 Index，簡稱為S&P500。的波動數(shù)據(jù)作為研究對象，樣本數(shù)據(jù)區(qū)間為2017年1月4日至2018年7月31日，剔除由于休市日不同導(dǎo)致的不一致數(shù)據(jù)，共得到373 組指數(shù)數(shù)據(jù)，用Pt表示第t日指數(shù)收盤報價，采用對數(shù)收益率法平穩(wěn)性處理如下：

從兩市日收盤走勢圖中可以看出（見圖1），在2018年2月之前，中美兩國股市主要趨勢均為上行，但美股振幅較小，A股振幅較大且行情具有一定獨立性；2018年2月，美股調(diào)整引發(fā)全球股市下跌，而后隨著貿(mào)易摩擦消息的沖擊與發(fā)酵，兩市走勢的波動性顯著增強。這一輪調(diào)整中，美股仍保持原有的主升趨勢，但A股走勢開始反轉(zhuǎn)。從圖形趨勢來看，兩國股市走勢存在某種聯(lián)動性。

圖1 SCI與S&P500樣本區(qū)間日收盤走勢

由SCI與S&P500指數(shù)日收益率序列的描述性統(tǒng)計結(jié)果可知（見表1），樣本觀測期間S&P500指數(shù)的平均收益大于上證指數(shù)，波動幅度小于上證指數(shù)，兩者收益率分布均呈現(xiàn)明顯的尖峰厚尾狀態(tài)，J-B檢驗結(jié)果均不服從正態(tài)分布。從單位根檢驗與ARCH 效應(yīng)檢驗結(jié)果看，兩個市場的收益率序列平穩(wěn)且存在顯著的異方差性。

表1 描述性統(tǒng)計與檢驗結(jié)果分析

（二）邊緣分布的參數(shù)估計與溢出效應(yīng)檢驗

為提升擬合效果，本文選用能夠描述分布杠桿性特征的EGARCH（1，1）模型過濾金融收益率序列分布的冗余信息，在收益率服從學(xué)生－t 分布的假定下，對樣本區(qū)間內(nèi)的上證指數(shù)與標(biāo)準(zhǔn)普爾500指數(shù)分別建模處理，模型估計結(jié)果與檢驗結(jié)果見表2。

表2 邊緣分布的參數(shù)估計值

由表2可知，條件方差模型中參數(shù)估計值顯著性良好，回歸結(jié)果佐證了兩個市場的收益波動具有明顯的聚集效應(yīng)和杠桿性。當(dāng)殘差為負(fù)時，收益率的振幅更大，即負(fù)面消息對市場波動的影響更為迅速，這一特點在兩個市場均適用。相比上證綜指，標(biāo)普500指數(shù)對負(fù)面消息更為敏感。

為驗證兩個市場間是否存在風(fēng)險傳染，構(gòu)建示性函數(shù)Z，見公式（12）：

其中，m代表兩個市場，VaRαm，t為置信度α?xí)r市場m的在險價值 （見公式1），在假定收益率服從學(xué)生－t 分布的條件下為自由度為v的標(biāo)準(zhǔn)學(xué)生－t 分布的臨界值，σm，t為市場m 在EGARCH模型中的條件標(biāo)準(zhǔn)差，取0.05。將兩個市場互為解釋變量與被解釋變量構(gòu)建Logit 回歸函數(shù)，如果解釋變量顯著，則證明一個市場對另一個市場產(chǎn)生了風(fēng)險傳染。風(fēng)險溢出效應(yīng)回歸結(jié)果見表3。

表3 風(fēng)險溢出效應(yīng)回歸結(jié)果

由風(fēng)險溢出回歸結(jié)果可知，中美兩國股市在樣本區(qū)間內(nèi)均發(fā)生了顯著且即時的風(fēng)險溢出，一方市場出現(xiàn)負(fù)向極值風(fēng)險時會迅速將波動傳導(dǎo)至另一方市場，從參數(shù)估計值來看，標(biāo)普500指數(shù)對上證指數(shù)的即時溢出強度更大，而上證指數(shù)對標(biāo)普500指數(shù)的溢出持續(xù)性更強。

（三）最優(yōu)Copula模型的確定與參數(shù)估計

在確定兩個市場相依結(jié)構(gòu)關(guān)系時，本文綜合考慮AIC、BIC與Loglike值等擬合優(yōu)度評測指標(biāo)，在具有代表性的正態(tài)Copula函數(shù)、t-Copula函數(shù)、Clayton函數(shù)與SJC Copula函數(shù)四種靜態(tài)模型以及它們各自對應(yīng)的時變模型中選擇了擬合效果最優(yōu)的時變正態(tài)Copula函數(shù)，其分布函數(shù)如下：

其中，μ、υ為收益率序列的邊緣分布函數(shù)，服從（0，1）之間的均勻分布；Φ-1（·）為標(biāo)準(zhǔn)一元正態(tài)分布函數(shù)的逆函數(shù)；ρt為正態(tài)Copula函數(shù)的時變相關(guān)系數(shù)，為了保證ρt的取值范圍在[-1，1]，函數(shù)一般q 取10，表示10個交易日的累計信息對時變相關(guān)系數(shù)的影響。

本文運用半?yún)?shù)估計法（CML）展開實證，先求樣本經(jīng)驗分布函數(shù)，再估計時變正態(tài)Copula函數(shù)的未知參數(shù)，估計結(jié)果見表4，其中a為常數(shù)項，b的估計值顯示時變相關(guān)系數(shù)存在一階滯后效應(yīng)，c的估計值顯示過去兩周的交易信息對時變相關(guān)系數(shù)產(chǎn)生了正向影響，這一回歸結(jié)果與邏輯相符，兩市同向波動印證了時變相關(guān)性的增強。

表4 時變正態(tài)Copula函數(shù)參數(shù)估計結(jié)果

（四）中美兩國股市的風(fēng)險溢出強度

給定置信度水平α與β 均為0.05，即將極端下行風(fēng)險出現(xiàn)的概率定義為5%時，樣本期間中美兩國股市各自動態(tài)在險價值及相互風(fēng)險溢出情況如圖2和圖3所示。

由圖2和圖3可知，大部分時間里上證指數(shù)與標(biāo)普500指數(shù)的廣義CoVaR 均大于NCoVaR，證明兩個市場間存在著正向的下行風(fēng)險溢出，即當(dāng)一個市場發(fā)生極端下跌時，會引發(fā)另一個市場的超額下跌，傳統(tǒng)在險價值模型因未考慮風(fēng)險溢出很可能低估風(fēng)險的預(yù)期值。從研究結(jié)果來看，這種溢出效應(yīng)隨時間呈動態(tài)變化，雖然摩擦自2017年8月美國對華發(fā)起“301調(diào)查后”即顯露端倪，但市場間的風(fēng)險傳染自2018年2月 才 出 現(xiàn)顯著異動，甚至個別時間出現(xiàn)了反向溢出的情況。兩市廣義CoVaR的波動峰值均出現(xiàn)在2018年2月5日至2月12日區(qū)間。此番異常波動源于美股高位暴跌引發(fā)全球股市下跌，此間上證指數(shù)持續(xù)下跌，而美股則下跌、反彈交錯，在美股下跌時出現(xiàn)了明顯下行風(fēng)險傳染，而在美股反彈時上行風(fēng)險傳染效應(yīng)不明顯，故體現(xiàn)風(fēng)險傳染的廣義CoVaR值表現(xiàn)異常。為了進(jìn)一步分析貿(mào)易摩擦前后兩市的風(fēng)險傳染程度，將此異常事件剔除并以其作為貿(mào)易摩擦前后的分割線，計算事件前后兩市各自正常情況的極值風(fēng)險（NCoVaR）、風(fēng)險溢出情況的極值風(fēng)險（CoVaR）與風(fēng)險溢出程度（%CoVaR）的均值與方差，結(jié)果見表5。

圖2 S&P500 動態(tài)在險價值NCoVaR與廣義CoVaR

圖3 SCI 動態(tài)在險價值NCoVaR與廣義CoVaR

表5 SCI與S&P500 摩擦前后的極值風(fēng)險與風(fēng)險溢出情況

由計算結(jié)果可知，無論是摩擦前還是摩擦后，美股對A股的風(fēng)險溢出程度均高于A股對美股的風(fēng)險溢出程度，這與現(xiàn)實中美國證券市場的成熟度與影響力相匹配。從NCoVaR 來看，摩擦發(fā)生后美股與A股下行風(fēng)險顯著增加，相比之下，美股在險價值增加的幅度高于A股，即摩擦的負(fù)面消息放大了兩市的下行風(fēng)險，但對美股的沖擊更大，這與前文對兩市波動分析的EGARCH模型所論證的結(jié)果相一致。與此同時，A股在險價值的動態(tài)波動（方差）隨風(fēng)險增高而增加，而美股的在險價值波動反而減小，相比之下，美股下行風(fēng)險增加地更為“堅定”。從CoVaR與%CoVaR 來看，摩擦發(fā)生后兩市相互風(fēng)險溢出程度小于摩擦發(fā)生前，這說明摩擦后雖然市場間仍保持常規(guī)的波動傳染，但中美兩國的“對抗”也體現(xiàn)在股市走勢上，這種“對抗性”增加了兩市反向波動出現(xiàn)的頻率，風(fēng)險溢出程度相應(yīng)減弱。從方差的變化看，受到密集的消息面影響，溢出程度的波動在摩擦發(fā)生后也相應(yīng)增大，且美股對A股的溢出情況在摩擦發(fā)生后更加不穩(wěn)定。

五、結(jié)論與建議

金融市場的健康發(fā)展與經(jīng)濟穩(wěn)健增長相輔相成，在經(jīng)濟下行壓力增大，突發(fā)事件頻出，全球市場聯(lián)動性增強的背景下，及時了解、監(jiān)測與防范金融風(fēng)險顯得尤為重要。本文研究得出以下結(jié)論與建議：

第一，中美貿(mào)易摩擦的起源可追溯至2017年8月的“301 調(diào)查”，但從金融市場的表現(xiàn)來看，2018年3月后兩市的波動與風(fēng)險溢出情況才出現(xiàn)顯著變化，雙方你來我往的摩擦升級消息使兩市的波動風(fēng)險顯著增大。單純從收益率序列的統(tǒng)計結(jié)果來看，摩擦發(fā)生后A股的振幅更大，走勢趨勢也發(fā)生了反轉(zhuǎn)；但如果從EGARCH模型與動態(tài)在險價值指標(biāo)來看，相比于A股，美股對負(fù)面消息更加敏感，受到的沖擊也更大，不僅在險價值高于A股，摩擦發(fā)生后下行風(fēng)險增加的幅度也高于A股。這表明，無論是從貿(mào)易往來還是從金融市場的佐證來看，貿(mào)易摩擦甚至貿(mào)易戰(zhàn)均是一場雙輸?shù)牟┺?，會給雙方股市帶來顯著的負(fù)面沖擊，甚至對美股的沖擊更大。雖然在反制措施上中方因貿(mào)易額的不對稱性而相對溫和，但反擊的效果在更為敏感的股市得到了有力證明。這證明中方過往“不愿打但不怕打”的回應(yīng)是有效的，當(dāng)然，互利共贏才是有利于兩國乃至全球經(jīng)濟的最佳選擇。

第二，鑒于美國證券市場的成熟度與開放性，美股對A股更具影響力，且存在長期風(fēng)險溢出效應(yīng)，這種下行風(fēng)險傳染往往能夠及時迅速地反映至我國股市。隨著國內(nèi)市場的日益開放，僅僅評估國內(nèi)系統(tǒng)性風(fēng)險存在低估實際風(fēng)險的可能性，針對市場風(fēng)險溢出的考量與如何第一時間進(jìn)行預(yù)警防范將日益重要。

第三，市場間的風(fēng)險溢出是動態(tài)的，外部事件的發(fā)生將改變風(fēng)險溢出狀態(tài)，增加了風(fēng)險管理的復(fù)雜性。對比摩擦前后樣本期間的數(shù)據(jù)可知，雖然負(fù)面消息使兩市的極值風(fēng)險顯著增加，但相互的風(fēng)險傳染程度卻相應(yīng)下降，這與事件本身所反應(yīng)的對抗性相符，兩市走勢顯現(xiàn)零和博弈的頻率增多，故而降低了走勢的聯(lián)動性。因此，在貿(mào)易摩擦消息發(fā)酵的情境下，相比于關(guān)注美股走勢，我國應(yīng)更加注重自身的系統(tǒng)性風(fēng)險管理，輔以適度干預(yù)樹立信心，著重防范因情緒傳染造成的“踩踏”與“誤傷”。