全球股市相依結(jié)構(gòu)突變性及其尾部風(fēng)險(xiǎn)溢出效應(yīng)研究
——兼評(píng)我國(guó)內(nèi)地股市的國(guó)際影響力

郭文偉 張翼凌 楊姣姣

一、引言

過去若干年不斷推進(jìn)的全球化使得各個(gè)經(jīng)濟(jì)體之間的聯(lián)系性日益緊密。尤其是在2007年，由美國(guó)次貸危機(jī)引發(fā)的2008年全球性金融危機(jī)對(duì)各國(guó)實(shí)體經(jīng)濟(jì)造成的嚴(yán)重沖擊至今尚未完全消失。與此同時(shí)，隨著全球金融深化程度的提升，各國(guó)金融市場(chǎng)之間的聯(lián)動(dòng)性和趨同性不斷增強(qiáng)。即時(shí)的信息傳遞使得局部地區(qū)或市場(chǎng)的金融風(fēng)險(xiǎn)能夠快速通過網(wǎng)絡(luò)渠道向相鄰金融市場(chǎng)溢出，并像漣漪一樣不斷地向更多的金融市場(chǎng)傳遞，最終造成全球范圍內(nèi)的風(fēng)險(xiǎn)溢出效應(yīng)，這就要求各國(guó)的金融風(fēng)險(xiǎn)防范工作必須考慮國(guó)際沖擊因素。從之前的三次金融危機(jī)(1997年亞洲金融危機(jī)、2008年全球金融危機(jī)、2010年歐債危機(jī))爆發(fā)后的風(fēng)險(xiǎn)傳染效應(yīng)來(lái)看，金融市場(chǎng)的尾部風(fēng)險(xiǎn)在危機(jī)期間均能通過各市場(chǎng)之間的連接網(wǎng)絡(luò)進(jìn)行充分的傳遞和擴(kuò)散，最終形成具有一定廣度和深度的負(fù)面沖擊。因此，研究各國(guó)(地區(qū))金融市場(chǎng)之間形成的復(fù)雜網(wǎng)絡(luò)及其尾部風(fēng)險(xiǎn)溢出的傳遞路徑和影響效應(yīng)是當(dāng)前防范全球金融風(fēng)險(xiǎn)沖擊的關(guān)鍵環(huán)節(jié)。這不但有助于進(jìn)一步加強(qiáng)全球金融風(fēng)險(xiǎn)防范的協(xié)同合作，也有助于各國(guó)監(jiān)管層識(shí)別出自身金融市場(chǎng)在全球金融風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)中的地位及其面臨的風(fēng)險(xiǎn)源，從而制定更具針對(duì)性的國(guó)內(nèi)外金融風(fēng)險(xiǎn)防范政策。

從現(xiàn)有金融市場(chǎng)尾部風(fēng)險(xiǎn)溢出效應(yīng)的測(cè)度方法來(lái)看，很多學(xué)者已經(jīng)從在險(xiǎn)價(jià)值法(VaR)、條件在險(xiǎn)價(jià)值法(CVaR)拓展到基于R-Vine Copula模型的CoVaR和ΔCoVaR等方法?？傮w上，依據(jù)各類Copula模型來(lái)分析各國(guó)金融市場(chǎng)的相依結(jié)構(gòu)特征和尾部風(fēng)險(xiǎn)溢出是國(guó)際學(xué)術(shù)前沿的主流方向，但學(xué)者們往往基于全時(shí)段數(shù)據(jù)來(lái)構(gòu)建R-Vine Copula模型進(jìn)而得到靜態(tài)相依結(jié)構(gòu)，而較少有文獻(xiàn)專門研究高維動(dòng)態(tài)相依性結(jié)構(gòu)，這導(dǎo)致之前的方法無(wú)法及時(shí)捕捉到國(guó)際金融市場(chǎng)之間的動(dòng)態(tài)相依結(jié)構(gòu)演化過程及其可能存在的突變性特征。對(duì)此，本文首先引入滾動(dòng)窗口技術(shù)來(lái)構(gòu)建高維動(dòng)態(tài)R-Vine Copula模型，以此來(lái)分析全球24個(gè)國(guó)家(地區(qū))股市之間的動(dòng)態(tài)相依結(jié)構(gòu)及其面臨的結(jié)構(gòu)性突變特征，在此基礎(chǔ)上揭示出各突變區(qū)間內(nèi)股市之間相依結(jié)構(gòu)的差異；接著測(cè)度出各股市在相依結(jié)構(gòu)中的地位及相連股市間的尾部風(fēng)險(xiǎn)溢出效應(yīng)；最后采用社會(huì)網(wǎng)絡(luò)方法來(lái)重點(diǎn)評(píng)價(jià)我國(guó)內(nèi)地資本市場(chǎng)國(guó)際影響力的變遷。

二、文獻(xiàn)綜述

(一)金融市場(chǎng)相依結(jié)構(gòu)研究

國(guó)內(nèi)外學(xué)者最早用Pearson相關(guān)性來(lái)測(cè)度金融市場(chǎng)間的靜態(tài)相關(guān)性，盡管隨后有學(xué)者基于滾動(dòng)窗口技術(shù)實(shí)現(xiàn)對(duì)金融市場(chǎng)動(dòng)態(tài)相關(guān)性的測(cè)度，但此類方法只能刻畫金融市場(chǎng)之間的線性相關(guān)性，而無(wú)法充分刻畫金融市場(chǎng)之間存在的非線性、非對(duì)稱的相依結(jié)構(gòu)特征。對(duì)此，從20世紀(jì)90年代開始，國(guó)外學(xué)者開始引入Copula模型來(lái)分析金融市場(chǎng)之間的非線性相依性和相依結(jié)構(gòu)特征。由于Copula模型能較好克服傳統(tǒng)線性相關(guān)性測(cè)度方法的局限，使得這類模型逐漸成為主流分析方法并不斷得到拓展，主要的拓展方向有：第一，由二元Copula模型向混合高維Copula模型拓展，比如由阿基米德Copula模型族向藤結(jié)構(gòu)Copula模型(C-Vine Copula、D-Vine Copula、R-Vine Copula)(Czado等,2012[1];Karmann和Herrera,2014[2];Di?manna等,2013[3])拓展；第二，由靜態(tài)Copula模型向動(dòng)態(tài)Copula模型拓展，比如Joe(1996)[4]、Patton(2006)[5]分別提出了變結(jié)構(gòu)Copula模型和二元?jiǎng)討B(tài)Copula模型。

在實(shí)證方面，國(guó)外不少學(xué)者采用R-Vine Copula模型對(duì)歐美股市進(jìn)行建模分析進(jìn)而揭示出股市之間存在的復(fù)雜相依結(jié)構(gòu)及在金融危機(jī)期間凸顯出的危機(jī)傳染效應(yīng)(Di?manna等,2013[3];Brechmann和Czado,2013[6];Brechman等,2014[7])。與此同時(shí)，這些學(xué)者的研究也表明R-Vine Copula模型比C-Vine Copula和D-Vine Copula模型具有更大的優(yōu)勢(shì)和合理性。Di?manna等(2013)[3]采用R-Vine Copula模型對(duì)歐洲16個(gè)國(guó)家股市間的相依結(jié)構(gòu)進(jìn)行實(shí)證分析；Brechman等(2014)[7]做了類似研究，并發(fā)現(xiàn)R-Vine Copula在構(gòu)建高維Copula函數(shù)方面優(yōu)于C-Vine Copula和D-Vine Copula。

國(guó)內(nèi)學(xué)者近幾年來(lái)也不斷引入各類Copula模型對(duì)我國(guó)金融市場(chǎng)之間的相依結(jié)構(gòu)展開實(shí)證分析工作。吳吉林和張二華(2012)[8]采用帶機(jī)制轉(zhuǎn)換混合Copula模型分析了滬深港臺(tái)股市之間的尾部相依特征后發(fā)現(xiàn)：滬深市與港市之間的相依性強(qiáng)于與臺(tái)市的相依性，在金融危機(jī)之后，這種相互之間的依賴性大大增強(qiáng)了。郭文偉(2016)[9]通過使用R-Vine Copula模型分析了三次危機(jī)期間全球主要股票市場(chǎng)之間的風(fēng)險(xiǎn)傳染效應(yīng)。曾裕峰等(2017)[10]通過使用多元分位數(shù)回歸模型分析了全球9個(gè)具有代表性的境內(nèi)外股票市場(chǎng)之間的聯(lián)動(dòng)性并進(jìn)行傳染力大小的重要性排名，發(fā)現(xiàn)我國(guó)對(duì)外開放政策并沒有實(shí)質(zhì)性地提高國(guó)內(nèi)金融市場(chǎng)的國(guó)際化水平。朱鵬飛等(2018)[11]通過使用Vine Copula-HAR-RV模型研究了國(guó)際主要股票市場(chǎng)的聯(lián)動(dòng)性，發(fā)現(xiàn)國(guó)際主要股市之間存在非對(duì)稱的尾部相依性，且下尾相關(guān)性普遍大于上尾相關(guān)性。曾勝(2019)[12]通過研究中英、中歐、中日和中美之間的市場(chǎng)聯(lián)動(dòng)性發(fā)現(xiàn)，中美之間的聯(lián)動(dòng)性增強(qiáng)最多。

(二)尾部風(fēng)險(xiǎn)溢出效應(yīng)測(cè)度

本文的尾部風(fēng)險(xiǎn)是指股票、匯率、利率等資產(chǎn)市場(chǎng)價(jià)格出現(xiàn)極端下跌情況下所導(dǎo)致的市場(chǎng)風(fēng)險(xiǎn)。從統(tǒng)計(jì)學(xué)角度看，金融危機(jī)所造成的極端損失處在分布的尾部，因此這種風(fēng)險(xiǎn)被稱之為“尾部風(fēng)險(xiǎn)”。2008年金融危機(jī)暴露了早期尾部風(fēng)險(xiǎn)測(cè)度方法的不足，以往的測(cè)度方法沒有考慮到外來(lái)風(fēng)險(xiǎn)對(duì)整個(gè)金融市場(chǎng)的沖擊和傳染。針對(duì)這一缺陷，新型尾部風(fēng)險(xiǎn)測(cè)度方法(條件在險(xiǎn)價(jià)值法CoVaR)應(yīng)運(yùn)而生。CoVaR在VaR的基礎(chǔ)上，利用金融市場(chǎng)收益率序列條件標(biāo)準(zhǔn)差與不同序列的相關(guān)性來(lái)測(cè)算各金融市場(chǎng)間的風(fēng)險(xiǎn)溢出效應(yīng)。當(dāng)前研究中CoVaR的估計(jì)方法主要有三種：第一種方法是Adrian和Brunnermeier(2016)[13]首先提出的通過分位數(shù)回歸度量CoVaR。該方法通過構(gòu)建金融市場(chǎng)在分位數(shù)為ɑ時(shí)的尾部風(fēng)險(xiǎn)溢出回歸模型對(duì)VaR和CoVaR進(jìn)行估計(jì)，其不足之處在于測(cè)算結(jié)果比較粗糙，也無(wú)法刻畫變量間的非線性關(guān)系。第二種方法是由Girardi和Ergün(2013)[14]提出的通過DCC-GARCH模型計(jì)算CoVaR。Trabelsi等(2017)[15]采用該方法來(lái)測(cè)度發(fā)達(dá)國(guó)家股市和新興市場(chǎng)股市的CoVaR值及ΔCoVaR值，發(fā)現(xiàn)發(fā)達(dá)國(guó)家股市對(duì)伊斯蘭國(guó)股市的風(fēng)險(xiǎn)溢出為負(fù)并且亞洲股市可以作為積極的對(duì)沖資產(chǎn)組合。Fang等(2017)[16]利用邊緣分布為Skewed-t函數(shù)的ADCC模型對(duì)G7國(guó)家和金磚國(guó)家股市進(jìn)行系統(tǒng)性風(fēng)險(xiǎn)度量，發(fā)現(xiàn)發(fā)達(dá)國(guó)家資本市場(chǎng)相對(duì)新興市場(chǎng)更易積累系統(tǒng)性風(fēng)險(xiǎn)。第三種方法是利用Copula模型進(jìn)行CoVaR估計(jì)。相比前面兩類方法，這種方法顯著提升了測(cè)算精確性。Bernardi等(2017)[17]、Boako等(2017)[18]利用Copula-CoVaR模型測(cè)度了金融市場(chǎng)的尾部風(fēng)險(xiǎn)傳染效應(yīng)，發(fā)現(xiàn)發(fā)達(dá)國(guó)家資本市場(chǎng)與發(fā)展中國(guó)家資本市場(chǎng)之間的尾部風(fēng)險(xiǎn)在金融危機(jī)發(fā)生時(shí)呈現(xiàn)交替?zhèn)魅?，在危機(jī)發(fā)生后有放大效應(yīng)。劉曉星等(2011)[19]構(gòu)建了EVT-Copula-CoVaR模型以研究美國(guó)股票市場(chǎng)尾部風(fēng)險(xiǎn)溢出程度，研究發(fā)現(xiàn)其尾部風(fēng)險(xiǎn)溢出效應(yīng)明顯，對(duì)法國(guó)、英國(guó)、日本和中國(guó)的金融市場(chǎng)均存在明顯傳導(dǎo)作用；沈悅等(2014)[20]利用GARCH-Copula-CoVaR模型不僅測(cè)算了銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)和信托業(yè)四個(gè)市場(chǎng)對(duì)金融市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)，還分別測(cè)算了各市場(chǎng)間的系統(tǒng)性風(fēng)險(xiǎn)溢出情況。楊子暉等(2019)[21]使用預(yù)期損失指標(biāo)衡量中國(guó)金融市場(chǎng)與各金融部門之間的極端尾部風(fēng)險(xiǎn)，并通過非線性研究視角發(fā)現(xiàn)，房地產(chǎn)部門是我國(guó)金融風(fēng)險(xiǎn)的重要來(lái)源。彭選華(2019)[22]提出了多元DCC-Copula-SV-M-t模型和 MCMC方法來(lái)度量金融市場(chǎng)尾部風(fēng)險(xiǎn)溢出效應(yīng)，其研究結(jié)論證實(shí)了中美之間具有非對(duì)稱性風(fēng)險(xiǎn)溢出的特征。

總體而言，從金融市場(chǎng)尾部風(fēng)險(xiǎn)溢出效應(yīng)測(cè)度方法的發(fā)展趨勢(shì)來(lái)看，相關(guān)研究對(duì)CoVaR的測(cè)算主要通過分位數(shù)回歸法和DCC-GARCH模型來(lái)實(shí)現(xiàn)。其中，分位數(shù)回歸法由靜態(tài)框架分析逐步發(fā)展為動(dòng)態(tài)框架分析，但DCC-GARCH模型在捕捉金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)和風(fēng)險(xiǎn)溢出效應(yīng)的時(shí)變性方面更具優(yōu)勢(shì)。相對(duì)于前兩種方法，基于Copula模型測(cè)算的CoVaR可以充分刻畫隨機(jī)變量之間的上下尾相依結(jié)構(gòu)和相依性，進(jìn)而測(cè)度出非對(duì)稱性的系統(tǒng)性風(fēng)險(xiǎn)溢出特征，但至今高維動(dòng)態(tài)R-Vine Copula CoVaR方法的建模技術(shù)仍有待進(jìn)一步發(fā)展和推廣。

相比之前研究，本文的研究特色在于：第一，立足全球視野，研究對(duì)象全面。與大多數(shù)文獻(xiàn)的分析對(duì)象僅僅局限以某個(gè)區(qū)域或某一國(guó)內(nèi)的市場(chǎng)為研究對(duì)象不同，本文的研究對(duì)象覆蓋了全球最具代表性的24個(gè)股票市場(chǎng)，從區(qū)域分布上已經(jīng)覆蓋了亞太區(qū)域和歐美區(qū)域。研究時(shí)期覆蓋了近20年來(lái)的歷次金融危機(jī)。第二，構(gòu)建了動(dòng)態(tài)高維R-Vine Copula模型來(lái)揭示全球股市之間的動(dòng)態(tài)相依結(jié)構(gòu)特征。第三，基于數(shù)據(jù)驅(qū)動(dòng)方法來(lái)揭示全球股市相依結(jié)構(gòu)演化過程中出現(xiàn)的結(jié)構(gòu)性突變特征及其發(fā)生時(shí)點(diǎn)，避免了人為主觀判斷突變時(shí)點(diǎn)的局限。第四，結(jié)合社會(huì)網(wǎng)絡(luò)分析法進(jìn)一步刻畫各股市在相依結(jié)構(gòu)中的地位及其尾部風(fēng)險(xiǎn)傳染路徑，并評(píng)價(jià)了我國(guó)A股市場(chǎng)的國(guó)際影響力變化趨勢(shì)。

三、實(shí)證研究

(一)研究樣本說明

本文選取2003年1月1日至2019年12月31日期間的全球24個(gè)主要的國(guó)家(地區(qū))具有代表性的股指來(lái)代表各股票市場(chǎng)。這里選取股指日收盤價(jià)的時(shí)間序列數(shù)據(jù)作為本文研究樣本，取其自然對(duì)數(shù)化的收益率作為研究所使用的數(shù)據(jù)，具體收益率公式為：

(1)

通過使用R軟件進(jìn)行數(shù)據(jù)清理并剔除數(shù)據(jù)中的無(wú)效值，最后共得到2 384個(gè)交易日的數(shù)據(jù)。為了方便文章之后對(duì)上述數(shù)據(jù)的分析，這里采用數(shù)字編號(hào)和英文簡(jiǎn)稱的方式對(duì)24個(gè)國(guó)家(地區(qū))股票市場(chǎng)指數(shù)進(jìn)行標(biāo)記，具體標(biāo)記如下：中國(guó)上證綜指SH(1)、荷蘭AEX指數(shù)(2)、澳大利亞標(biāo)普200指數(shù)AS51(3)、奧地利ATX指數(shù)(4)、比利時(shí)BFX指數(shù)(5)、美國(guó)道瓊斯工業(yè)平均指數(shù)DJIA(6)、法國(guó)CAC40指數(shù)(7)、英國(guó)富時(shí)100指數(shù)(8)、德國(guó)DAX指數(shù)(9)、中國(guó)香港恒生指數(shù)HSI(10)、印度尼西亞雅加達(dá)綜指JKSE(11)、馬來(lái)西亞KLCI指數(shù)(12)、韓國(guó)綜合指數(shù)KS11(13)、意大利MIB指數(shù)(14)、墨西哥MXX指數(shù)(15)、日本日經(jīng)225指數(shù)(16)、新西蘭NZ50指數(shù)(17)、挪威OSEAX指數(shù)(18)、菲律賓馬尼拉綜指PSI(19)、俄羅斯RTS指數(shù)(20)、印度孟買SENSEX50指數(shù)(21)、瑞士SMI指數(shù)(22)、新加坡海峽時(shí)報(bào)指數(shù)STI(23)和中國(guó)臺(tái)灣加權(quán)指數(shù)TWII(24)，其中括號(hào)內(nèi)的數(shù)字代表著他們?cè)赗藤結(jié)構(gòu)中的代號(hào)。上述國(guó)家和地區(qū)的GDP占全球GDP的75%以上，其股票市場(chǎng)資金占世界總資金更是高達(dá)80%，可以很好地代表和刻畫世界范圍內(nèi)的股票市場(chǎng)間互聯(lián)和尾部風(fēng)險(xiǎn)溢出效應(yīng)。

(二)實(shí)證模型構(gòu)建與說明

1.時(shí)變聯(lián)動(dòng)性測(cè)度模型：DCC模型。

由于傳統(tǒng)GARCH模型只能刻畫正態(tài)分布的金融收益率系列，而實(shí)際上越來(lái)越多的實(shí)證分析表明金融資產(chǎn)收益率分布均為“尖峰厚尾”的非正態(tài)分布特征，因此，為了充分刻畫這些特征，本文采用邊緣分布AR(1)-GJR(1,1)-Guass模型進(jìn)行擬合，以期更加貼近實(shí)際。然后通過DCC模型測(cè)算各股市之間的時(shí)變聯(lián)動(dòng)性。邊緣分布模型形式如下：

Ri,t=c0+c1Ri,t-1+ei,t,i=1,2,…n

(2)

ei,t=hi,tεi,t,εi,t～Gauss

(3)

(4)

上述邊緣分布模型有6個(gè)參數(shù)，其中公式(2)為均值方程 ，包含了參數(shù)c0和c1，ei,t為收益率系列的殘差；隨機(jī)變量ε具有d(εi,t,ν,λ)一樣的密度函數(shù)。公式(4)為方差方程，包括了4個(gè)參數(shù)(w,α,β,γ)。I(ei,t-1<0)為指示性指標(biāo)，當(dāng)ei,t<0時(shí)取1，否則取0，表明面對(duì)一個(gè)負(fù)面沖擊時(shí)，收益率系列波動(dòng)要大于面對(duì)一個(gè)正面沖擊時(shí)的波動(dòng)。對(duì)于GJR(1,1)模型來(lái)說，公式(4)還面臨著如下的約束條件：

α+2β+γ<2, α>-γ, β∈(0,1)

(5)

DCC-GARCH模型形式如下：

(6)

2.尾部風(fēng)險(xiǎn)測(cè)算：CoVaR模型。

在險(xiǎn)價(jià)值(VaR)是指在一定置信水平上，金融市場(chǎng)在未來(lái)一定時(shí)間內(nèi)可能發(fā)生的最大損失值，其表達(dá)式為：

(7)

(8)

(9)

(10)

因?yàn)棣?1(50%)=0，所以市場(chǎng)i對(duì)市場(chǎng)j的邊際風(fēng)險(xiǎn)溢出公式(10)可以簡(jiǎn)化為：

(11)

3.動(dòng)態(tài)相依結(jié)構(gòu)估計(jì)：基于滾動(dòng)窗口技術(shù)。

受文章篇幅的影響，有關(guān)R-Vine Copula模型的介紹這里不再重復(fù)，可詳見相關(guān)文獻(xiàn)(Di?manna等,2013[3];Brechmann和Czado,2013[6];Brechman等,2014[7])。這里重點(diǎn)介紹高維動(dòng)態(tài)R-Vine Copula模型的估計(jì)方法。現(xiàn)有基于R-Vine Copula模型進(jìn)行實(shí)證的研究普遍是基于全時(shí)段數(shù)據(jù)的靜態(tài)估計(jì)，雖然能得出整個(gè)研究時(shí)期內(nèi)的靜態(tài)相依結(jié)構(gòu)，但卻無(wú)法及時(shí)捕捉到研究時(shí)期內(nèi)的結(jié)構(gòu)突變特征。比如，由于在研究時(shí)期內(nèi)出現(xiàn)的重大事件或金融危機(jī)等沖擊會(huì)對(duì)整個(gè)相依結(jié)構(gòu)產(chǎn)生重大影響，進(jìn)而改變了各國(guó)(地區(qū))股市之間的結(jié)構(gòu)分布(相依結(jié)構(gòu)特征和相依性都會(huì)發(fā)生明顯變化)，然后隨著事件沖擊影響的消失，相依結(jié)構(gòu)又恢復(fù)常態(tài)。為了能及時(shí)捕捉這種結(jié)構(gòu)性突變特征，本文選用學(xué)術(shù)上廣泛使用的滾動(dòng)窗口技術(shù)(Sliding Window)來(lái)研究各國(guó)(地區(qū))股市在整個(gè)研究時(shí)期內(nèi)相依結(jié)構(gòu)的動(dòng)態(tài)變化，從所選取的整體時(shí)段T中選取一段固定長(zhǎng)度的時(shí)間段t(200個(gè)交易日)，從T=0開始選取出時(shí)間段t1，并向后滾動(dòng)固定的步長(zhǎng)step(5個(gè)交易日)，再選取出時(shí)間段t2。以此類推直至滾動(dòng)窗口移動(dòng)到時(shí)間段T的最后。具體的實(shí)現(xiàn)方法如圖1所示。

在分析相依結(jié)構(gòu)的突變方面，本文首先使用R-Vine Copula模型來(lái)刻畫全球24個(gè)國(guó)家(地區(qū))股

圖1 滾動(dòng)窗口示意圖

票市場(chǎng)的相依結(jié)構(gòu)，在此基礎(chǔ)上通過使用滾動(dòng)窗口技術(shù)實(shí)現(xiàn)動(dòng)態(tài)估計(jì)。然后通過提取各個(gè)滾動(dòng)區(qū)間的赤池信息量準(zhǔn)則AIC和貝葉斯信息準(zhǔn)則BIC，并使用結(jié)構(gòu)突變點(diǎn)檢驗(yàn)法來(lái)分析AIC、BIC序列，以尋找出最佳突變點(diǎn)數(shù)，再根據(jù)突變點(diǎn)數(shù)n將整個(gè)研究時(shí)期分成n+1 段時(shí)間區(qū)間。最后對(duì)所分出的n+1段時(shí)間區(qū)間分別基于R-Vine Copula模型的相依結(jié)構(gòu)建模分析，并分析各個(gè)時(shí)間段下全球股市之間相依結(jié)構(gòu)的差異。為了客觀地提取出動(dòng)態(tài)相依結(jié)構(gòu)的突變時(shí)點(diǎn)位置，本文采用了Bai和Perron(2003)[23]提出的多結(jié)構(gòu)突變點(diǎn)檢測(cè)方法來(lái)分析AIC與BIC序列是否存在突變點(diǎn)。

(二)樣本描述性統(tǒng)計(jì)與說明

本文對(duì)全時(shí)段的樣本數(shù)據(jù)進(jìn)行了平穩(wěn)性、自回歸、ARCH效應(yīng)等檢驗(yàn)，具體分析結(jié)果如表1所示。由表1可知，所有收益序列均存在“尖峰”特征，且在1%的置信水平上均為“平穩(wěn)”序列。中國(guó)香港恒生指數(shù)HSI、菲律賓馬尼拉綜指PSI、俄羅斯RTS指數(shù)和印度孟買SENSEX50指數(shù)序列存在“右偏”特征，其余收益序列顯現(xiàn)出“左偏”的特征。正態(tài)性的K-S檢驗(yàn)結(jié)果表明：所有序列均在1%的置信水平上拒絕原假設(shè)，即認(rèn)為序列均不服從正態(tài)分布。通過LM檢驗(yàn)發(fā)現(xiàn)，在10%的置信水平上，所有序列均拒絕原假設(shè)，即認(rèn)為所有序列存在明顯的ARCH效應(yīng)。

表1 樣本數(shù)據(jù)描述性分析及檢驗(yàn)結(jié)果

(三)邊緣分布估計(jì)結(jié)果

在對(duì)各股市相依結(jié)構(gòu)進(jìn)行分析前，需要先刻畫各股指收益序列分布特征的模型。本文采用AR(1)-GJR(1,1)-GARCH(1,1)模型對(duì)全球24個(gè)股市收益率序列分布進(jìn)行參數(shù)估計(jì)。在獲得各邊緣分布模型標(biāo)準(zhǔn)化殘差后，采用積分概率函數(shù)將這些標(biāo)準(zhǔn)化殘差轉(zhuǎn)變?yōu)榉?0,1)分布的序列。最后采用KS檢驗(yàn)方法進(jìn)行檢驗(yàn)。最終基于全時(shí)段的分析結(jié)果如表2所示。

表2 全時(shí)段全球股票市場(chǎng)收益率邊緣分布參數(shù)估計(jì)結(jié)果

從各股市邊緣分布模型的估計(jì)結(jié)果可以看到，α參數(shù)和β參數(shù)均在5%的置信水平上顯著，且其值相加均接近于1，說明各股市波動(dòng)具有明顯的持續(xù)性。ω參數(shù)和γ參數(shù)基本都顯著，表明利好和利空消息沖擊對(duì)各股市收益波動(dòng)的影響均存在顯著的非對(duì)稱性特征，即存在一定的“杠杠效應(yīng)”。K-S檢驗(yàn)結(jié)果表明通過變換后的序列均服從(0,1)均勻分布，適合用于R-Vine Copula模型的參數(shù)估計(jì)。

(四)各股市之間的靜態(tài)相依結(jié)構(gòu)特征

通過使用R語(yǔ)言和相關(guān)的程序包對(duì)全時(shí)段(2003年1月—2019年12月)內(nèi)24個(gè)股市進(jìn)行建模分析，其相依結(jié)構(gòu)見圖2。圖2是基于最大生成樹方法確定的最佳RVM矩陣所表示的第一層樹狀結(jié)構(gòu)圖(tree1)，采用最小赤池信息準(zhǔn)則選定各個(gè)節(jié)點(diǎn)之間的最適合的Copula類型，由兩節(jié)點(diǎn)之間的連線上的字母表示，其字母后的括號(hào)表示的是節(jié)點(diǎn)之間的相依性tau(該相依性系數(shù)不受Copula類型的影響，具有統(tǒng)一可比性)。

從圖2可知，全球各股市之間的相依性結(jié)構(gòu)具有十分明顯的地理聚集特征。從洲際層面可劃分為歐洲、

圖2 全球股市在整個(gè)時(shí)期內(nèi)的相依結(jié)構(gòu)(Tree1)

美洲、亞洲和大洋洲。其中，歐洲區(qū)域又可以進(jìn)一步分為歐元區(qū)和非歐元區(qū)，因此，本文將24個(gè)股市劃歸為歐元區(qū)域(荷蘭NL、比利時(shí)BE、法國(guó)FR、德國(guó)DE、意大利IT)、非歐元區(qū)域(奧地利AT、英國(guó)UK、挪威NO、瑞士CH、俄羅斯RU)、美洲區(qū)域(美國(guó)US、墨西哥MX)、亞洲區(qū)域(中國(guó)上海SH、中國(guó)香港HK、印尼ID、馬來(lái)西亞MY、韓國(guó)KR、日本JP、菲律賓PH、印度IN、新加坡SG、中國(guó)臺(tái)灣TW)和太平洋區(qū)域(澳大利亞AU、新西蘭NZ)。歐洲股市(包括歐元區(qū)和非歐元區(qū))與美洲股市緊密相連，而亞洲股市與大洋洲股市關(guān)系密切。在歐洲內(nèi)部，歐元區(qū)股市與非歐元區(qū)股市之間是通過法國(guó)股市相連，如非歐元區(qū)的瑞士、奧地利和歐元區(qū)的比利時(shí)、意大利，其唯一直接連接點(diǎn)都是法國(guó)，且它們的相依性系數(shù)均達(dá)到0.5以上。在美洲區(qū)域內(nèi)墨西哥只與美國(guó)相連。而美國(guó)股市與世界其他股市之間也是通過法國(guó)股市進(jìn)行連接的。中國(guó)香港股市是亞洲各國(guó)股市的中心樞紐，與之直接或間接相連的股市包括：中國(guó)內(nèi)地、新加坡、印度尼西亞、印度、韓國(guó)。菲律賓股市和馬來(lái)西亞股市則受到新加坡股市的直接或者間接風(fēng)險(xiǎn)影響。環(huán)太平洋上的股市之間也連接較為緊密，包括日本、澳大利亞、新西蘭和中國(guó)臺(tái)灣。

在相依性結(jié)構(gòu)特征方面，歐美區(qū)域中各個(gè)股票市場(chǎng)之間均存在對(duì)稱的上下尾相依結(jié)構(gòu)特征(t Copula)；亞太區(qū)域中，除了印度與中國(guó)香港股市之間存在對(duì)稱的上下尾相依結(jié)構(gòu)特征(t Copula)之外，其他亞太股市之間主要呈現(xiàn)上尾相依結(jié)構(gòu)特征(SG Copula)。

各國(guó)(地區(qū))股市之間的相依性水平與其開放程度存在相關(guān)性。例如，歐元區(qū)共用同一種貨幣并接受統(tǒng)一的中央銀行進(jìn)行管理，其開放程度較高，因此其相依性均在0.65左右。而反觀亞洲，僅僅新加坡、中國(guó)香港、中國(guó)臺(tái)灣、日本和韓國(guó)這5個(gè)股市之間的相依性能勉強(qiáng)達(dá)到0.4。中國(guó)上海股市與香港股市之間的相依性也僅為0.29。除此以外，亞洲區(qū)域內(nèi)其他股市之間的相依性大都在0.3附近。這或許與這些國(guó)家金融市場(chǎng)開放度不高、資本市場(chǎng)尚未成熟有關(guān)，從而導(dǎo)致其與國(guó)際股市之間的聯(lián)動(dòng)性較弱。

(五)各股市之間的動(dòng)態(tài)相依結(jié)構(gòu)特征

這里使用前述的滾動(dòng)窗口技術(shù)對(duì)整個(gè)研究時(shí)期進(jìn)行動(dòng)態(tài)相依結(jié)構(gòu)分析。經(jīng)整理數(shù)據(jù)之后發(fā)現(xiàn)，每1自然年中約有200個(gè)交易日是上述24個(gè)股市同時(shí)開盤交易的天數(shù)，因此選定200天作為固定時(shí)段t的觀察區(qū)間。在將step設(shè)定為分別表示日(1天)、周(5天)、月(25天)后，并對(duì)所獲取的AIC、BIC進(jìn)行提取后發(fā)現(xiàn)，觀察到日度數(shù)據(jù)間的變化往往相差不大，且數(shù)據(jù)量太大難以處理，月度數(shù)據(jù)變化又容易出現(xiàn)信息缺失，因此選取周度數(shù)據(jù)來(lái)觀察股票市場(chǎng)間的結(jié)構(gòu)變化是最為理想的，即選取step=5。依據(jù)公式period=(n-t)/step(其中n為數(shù)據(jù)的長(zhǎng)度，即n=2 384),由于選取的時(shí)間段的數(shù)量必須為非負(fù)整數(shù)，將該式向上取整之后，得到本文中滾動(dòng)計(jì)算次數(shù)為437，即period=437。在這里使用AIC、BIC來(lái)直觀各時(shí)段內(nèi)相依結(jié)構(gòu)的變化趨勢(shì)，如圖3所示。

圖3 全周期內(nèi)AIC、BIC走勢(shì)

1.相依結(jié)構(gòu)突變點(diǎn)檢測(cè)。

本文使用常用的信息準(zhǔn)則AIC與BIC作為衡量確定最佳模型的工具。選擇存在最小AIC、BIC的模型結(jié)果作為我們選定的最優(yōu)的模型結(jié)構(gòu)。從圖3可以看到，AIC、BIC走勢(shì)較為同步，均包含了一段非常明顯的“斷崖式”的下降與上升，說明在2008—2009年內(nèi)各股市之間的相依結(jié)構(gòu)發(fā)生了明顯的結(jié)構(gòu)突變，隨后又逐漸恢復(fù)常態(tài)。整個(gè)研究時(shí)期內(nèi)相依結(jié)構(gòu)模型既發(fā)生了緩慢變化，也發(fā)生了突發(fā)性重大變化。對(duì)此，本文采用Bai和Perron (2003)[23]提出的多結(jié)構(gòu)突變點(diǎn)檢測(cè)方法分析結(jié)構(gòu)突變點(diǎn)位置。該方法的原假設(shè)為：系列不存在結(jié)構(gòu)突變；備擇假設(shè)為：系列存在結(jié)構(gòu)突變。本文采用MOSUM值檢測(cè)法和移動(dòng)估計(jì)(ME)值對(duì)BIC和AIC序列進(jìn)行檢測(cè)，這兩種方法均是通過計(jì)算出MOSUM值和ME值并與在1%置信水平上的臨界值進(jìn)行比較；如果p值大于1%則不拒絕原假設(shè)，否則就拒絕原假設(shè)，不拒絕備擇假設(shè)。由于基于AIC和BIC的分析結(jié)果是一致的，這里僅給出基于BIC的檢驗(yàn)結(jié)果，如圖4和表3所示。

圖4 基于BIC走勢(shì)的多結(jié)構(gòu)突變點(diǎn)檢測(cè)圖

表3 突變區(qū)間時(shí)點(diǎn)與其發(fā)生的重大事件

通過檢測(cè)發(fā)現(xiàn)整個(gè)時(shí)期內(nèi)存在3個(gè)結(jié)構(gòu)突變點(diǎn)，對(duì)應(yīng)的發(fā)生時(shí)間分別是2007年11月20日、2010年02月05日和2013年1月25日，由此形成4個(gè)突變區(qū)間。從結(jié)構(gòu)突變點(diǎn)的發(fā)生時(shí)點(diǎn)來(lái)看，均較好地對(duì)應(yīng)了各個(gè)重大事件的發(fā)生時(shí)點(diǎn)(見表3)。

2.各突變區(qū)間內(nèi)的相依結(jié)構(gòu)特征。

通過對(duì)上述四個(gè)突變區(qū)間內(nèi)的各股市相依結(jié)構(gòu)進(jìn)行建模分析，最終結(jié)果如下圖5所示。

第一突變區(qū)間是處于2007年次貸危機(jī)之前的較長(zhǎng)一段時(shí)間內(nèi)，各股市相依結(jié)構(gòu)呈現(xiàn)出較為明顯的東西半球分離特征：在西半球，法國(guó)股市是歐美股市的中心樞紐，其一方面連接歐元區(qū)成員國(guó)股市，另一方面也連接著其他非歐元區(qū)股市和美洲股市。顯然，法國(guó)股市如同一個(gè)交通樞紐中心，承擔(dān)著歐美股市的信息交流、風(fēng)險(xiǎn)傳遞等橋梁作用；與此同時(shí)，法國(guó)與歐美股市之間存在較高相依性。歐洲區(qū)域內(nèi)各股票市場(chǎng)之間均存在對(duì)稱的上下尾相依結(jié)構(gòu)特征(t Copula)，這說明歐洲內(nèi)各股市存在同漲同跌的趨同性。而美洲區(qū)域內(nèi)各股市之間存在上尾相依結(jié)構(gòu)特征(SG Copula)，也即美洲股市之間呈現(xiàn)出同漲不同跌的趨勢(shì)。而反觀東半球的亞太區(qū)域，處于相依結(jié)構(gòu)中心地位的是中國(guó)香港、韓國(guó)、日本的股市，且相互之間的相依性在亞太區(qū)域內(nèi)也是處于比較高的水平，均達(dá)到了0.3以上。此外，亞太股市間相依性也與經(jīng)濟(jì)體的發(fā)展水平和金融開放程度有關(guān)，例如中國(guó)臺(tái)灣地區(qū)、新加坡、澳大利亞都與上述3個(gè)中心節(jié)點(diǎn)之間存在較高的相依性，達(dá)到0.3以上；其余股市則由于所處國(guó)家或地區(qū)的經(jīng)濟(jì)實(shí)力較弱或金融開放程度不高的原因而居于相依結(jié)構(gòu)的邊緣位置。新加坡則起到了連接?xùn)|西半球股票市場(chǎng)的橋梁作用。新加坡作為全球四大金融中心之一，其所處地理位置具有時(shí)區(qū)上的優(yōu)勢(shì)；新加坡股票市場(chǎng)在開市期間能與多個(gè)地區(qū)的市場(chǎng)同時(shí)進(jìn)行交易，因此作為東西半球股市之間的連接橋梁較為合理。總體上，亞太股市之間主要呈現(xiàn)出上尾相依結(jié)構(gòu)特征(SG Copula)，表現(xiàn)出同漲不同跌的趨勢(shì)；中國(guó)香港-新加坡，澳大利亞-日本，中國(guó)香港-印度之間呈現(xiàn)出對(duì)稱的上下尾相依結(jié)構(gòu)特征(t Copula)，中國(guó)香港-韓國(guó)之間則是存在對(duì)稱的上下尾相依結(jié)構(gòu)特征(N Copula)，均顯示出同漲同跌的趨勢(shì)。

對(duì)中國(guó)內(nèi)地股市來(lái)說，盡管在2003年1月—2007年11月期間，我國(guó)的經(jīng)濟(jì)實(shí)力有很大的提升，但是由于我國(guó)股票市場(chǎng)的相對(duì)封閉性，形成了“獨(dú)立”的市場(chǎng)行情，因此在這個(gè)時(shí)期內(nèi)我國(guó)滬深股市與世界各主要經(jīng)濟(jì)體股市的聯(lián)動(dòng)性較低，國(guó)際化程度也較低；滬市僅僅與中國(guó)香港股市相連，并呈現(xiàn)典型的下尾相依結(jié)構(gòu)特征(Clayton)且相依性僅為0.1，在相依結(jié)構(gòu)中處于邊緣位置。這表明該時(shí)期內(nèi)上海股市與中國(guó)香港股市在下跌過程中較為趨同，而在上漲過程中出現(xiàn)明顯分化，凸顯出明顯的尾部風(fēng)險(xiǎn)溢出效應(yīng)。

第二個(gè)突變區(qū)間正好覆蓋了從2007年次貸危機(jī)到2008年全球金融危機(jī)的整個(gè)過程。由于受到金融危機(jī)的沖擊，各股市之間的相依結(jié)構(gòu)與危機(jī)之前相比已經(jīng)發(fā)生了一些變化：一是法國(guó)股市依然是歐洲股市的中心，但英國(guó)和瑞士股市也起到一定的橋梁作用。亞歐股市之間存在上尾相依結(jié)構(gòu)特征(SG Copula型)，表現(xiàn)出了非常強(qiáng)的上漲趨同性。與此同時(shí)，亞太股市的集群現(xiàn)象并不十分明顯。二是危機(jī)傳染效應(yīng)凸顯。由于發(fā)生了極端下行風(fēng)險(xiǎn)的緣故，導(dǎo)致各個(gè)股市之間的相依性普遍增強(qiáng)了。在亞太區(qū)域，新加坡、中國(guó)香港、日本、韓國(guó)和中國(guó)臺(tái)灣之間的相依性都上升到0.5左右。相比之前亞太新興地區(qū)和金融開放程度較低的地區(qū)股市之間存在極低的相關(guān)性，在這次金融危機(jī)期間，其相關(guān)性發(fā)生了顯著的上升，普遍達(dá)到了0.3左右。三是相依結(jié)構(gòu)特征由上下尾對(duì)稱轉(zhuǎn)向上下尾非對(duì)稱。在第二突變區(qū)間內(nèi)各股市之間普遍以上尾相依結(jié)構(gòu)特征(SG Copula類型)為主，而非第一突變區(qū)間內(nèi)以t Copula類型為主。在金融危機(jī)中滬市也與中國(guó)香港股市形成了SG Copula類型的相依結(jié)構(gòu)，且相依性進(jìn)一步增強(qiáng)。

第三個(gè)突變區(qū)間主要處于在金融危機(jī)之后到歐債危機(jī)蔓延這一段時(shí)間內(nèi)。相比第二個(gè)突變區(qū)間，在該區(qū)間內(nèi)相依結(jié)構(gòu)的主要變化是：一是法國(guó)股市作為歐美股市的中心地位受到削弱，荷蘭股市的橋梁作用在增強(qiáng)。法國(guó)仍然是亞太股市與歐美股市風(fēng)險(xiǎn)交換的關(guān)鍵點(diǎn)；但是在歐美區(qū)域，非歐元區(qū)股市和美洲國(guó)家股市首先通過與荷蘭股市直接相連，之后再由荷蘭連接法國(guó)進(jìn)一步與歐元區(qū)的其他國(guó)家和亞太地區(qū)股市相連。二是歐美股市之間的危機(jī)傳染效應(yīng)在增強(qiáng)。歐美股市之間均存在對(duì)稱的上下尾相依結(jié)構(gòu)特征(t Copula)，歐元區(qū)股市之間的相依性達(dá)到了0.7左右；其他歐美地區(qū)股市間的相依性較低，大約在0.5左右。三是新加坡取代中國(guó)香港成為亞太股市的中心樞紐，新加坡由之前僅有兩個(gè)股票市場(chǎng)直接相連變成了有四個(gè)股票市場(chǎng)直接相連，在亞太地區(qū)的中心地位明顯提高。亞太股市之間主要存在上尾相依結(jié)構(gòu)特征(SG Copula)，此外也包括少數(shù)存在對(duì)稱的上下尾相依結(jié)構(gòu)特征，例如上海股市-香港股市(t Copula)，澳大利亞股市-新西蘭股市(N Copula)?？傮w上看，在第三突變區(qū)間，亞太地區(qū)與歐美地區(qū)的相依結(jié)構(gòu)普遍呈現(xiàn)對(duì)稱的上下尾相依結(jié)構(gòu)特征(N Copula)，股市同漲同跌的趨勢(shì)較為明顯。

第四個(gè)突變區(qū)間涵蓋了歐債危機(jī)后至今的時(shí)間段。在歐債危機(jī)之后，雖然個(gè)別股市出現(xiàn)了局部的股災(zāi)(如2015年下半年中國(guó)內(nèi)地股票市場(chǎng)的大幅下跌)，但是并沒有造成區(qū)域性或全球性的金融危機(jī)，因此在這一階段內(nèi)全球股市相依結(jié)構(gòu)沒有發(fā)生特別明顯變化。歐元區(qū)域中仍然以法國(guó)股市作為風(fēng)險(xiǎn)交換的核心，但是歐元區(qū)股市在整個(gè)相依結(jié)構(gòu)中的整體地位有所弱化，所處位置變得更加邊緣化。美國(guó)、英國(guó)等非歐元區(qū)的股市則在這一時(shí)期通過與荷蘭股市直接相連進(jìn)而與歐元區(qū)內(nèi)股市進(jìn)行連接。從相依結(jié)構(gòu)類型來(lái)看，歐美股市普遍存在對(duì)稱的上下尾相依結(jié)構(gòu)特征(t Copula)，歐元區(qū)股市間相依性較上期有所減弱，達(dá)到了0.6左右，其他歐美股市之間的相依性在0.5左右?？傮w上說明，在歐債危機(jī)后期，危機(jī)傳染效應(yīng)已經(jīng)明顯降低了。亞太地區(qū)方面，中國(guó)香港股市的中心地位有所增加，其直接相連的股票市場(chǎng)達(dá)到了5個(gè)，且作為亞太地區(qū)的重要節(jié)點(diǎn)與歐美股票市場(chǎng)相連；各股市(澳大利亞-新西蘭、日本-澳大利亞、日本-韓國(guó))之間存在上尾相依結(jié)構(gòu)特征(SG Copula)。相比歐美股市，亞太股市之間的相依性普遍不高，處于0.2至0.4之間。中國(guó)上海股市與中國(guó)香港股市之間的相依性和相依結(jié)構(gòu)與上一個(gè)突變區(qū)間基本相同。

(六)各股市之間的尾部風(fēng)險(xiǎn)溢出效應(yīng)

在估計(jì)出R-Vine Copula模型參數(shù)后，再利用前文公式計(jì)算各股票市場(chǎng)在5%置信水平上極端下行的尾部風(fēng)險(xiǎn)溢出效應(yīng)ΔCoVaR。這里以在全時(shí)段的相依結(jié)構(gòu)中(圖1)兩兩相接的股市作為研究對(duì)象。由于全球股票市場(chǎng)相依結(jié)構(gòu)主要是由歐美地區(qū)和亞太地區(qū)組成，因此這里將尾部風(fēng)險(xiǎn)測(cè)度結(jié)果依此來(lái)分開討論。

在歐元區(qū)內(nèi)各成員國(guó)股市之間的尾部風(fēng)險(xiǎn)溢出如圖6所示(1)本文圖6中IT_to_FR表示意大利股市對(duì)法國(guó)股市的尾部風(fēng)險(xiǎn)溢出，F(xiàn)R_to_IT表示法國(guó)股市對(duì)意大利股市的尾部風(fēng)險(xiǎn)溢出。圖7～圖9中縱坐標(biāo)的含義均與此類似。。所有股市尾部風(fēng)險(xiǎn)溢出都是通過以法國(guó)股票為中心點(diǎn)進(jìn)行傳遞的。由于歐元區(qū)內(nèi)使用的是同一種貨幣且成員國(guó)之間基本實(shí)現(xiàn)了資本完全自由流動(dòng)，因此各成員國(guó)股市之間尾部風(fēng)險(xiǎn)溢出效應(yīng)走勢(shì)較為雷同；總體上法國(guó)股市對(duì)相連股市的風(fēng)險(xiǎn)溢出都略大于其面臨的風(fēng)險(xiǎn)溢入。在正常情況下整個(gè)歐元區(qū)內(nèi)ΔCoVaR處于-2到-5之間，在出現(xiàn)極端下行風(fēng)險(xiǎn)時(shí)ΔCoVaR往往能夠超過-5，甚至能達(dá)到-12左右。歐元區(qū)內(nèi)各國(guó)股市的尾部風(fēng)險(xiǎn)溢出均呈現(xiàn)出對(duì)稱性，僅有個(gè)別時(shí)點(diǎn)少數(shù)股票市場(chǎng)之間出現(xiàn)不對(duì)稱的風(fēng)險(xiǎn)溢出情形，這與各股市之間存在高相依性有關(guān)。在歐元區(qū)內(nèi)部股市尾部風(fēng)險(xiǎn)溢出帶來(lái)的協(xié)同效應(yīng)非常明顯，這對(duì)其成員國(guó)之間的風(fēng)險(xiǎn)協(xié)同能力提出更高要求。如在2010—2011年之間，受到歐債危機(jī)的沖擊影響，歐元區(qū)內(nèi)各股市均出現(xiàn)了一個(gè)較強(qiáng)的尾部風(fēng)險(xiǎn)溢出趨勢(shì)，而同期的亞太地區(qū)卻未出現(xiàn)類似的情形。由此可見，在充分開放的金融市場(chǎng)中，各國(guó)股市存在高度聯(lián)動(dòng)性，這需要有較好的協(xié)同應(yīng)對(duì)風(fēng)險(xiǎn)的能力，以防止區(qū)域風(fēng)險(xiǎn)通過網(wǎng)絡(luò)快速傳遞到世界其他股市。

圖6 歐元區(qū)內(nèi)成員國(guó)股市尾部風(fēng)險(xiǎn)溢出

對(duì)與法國(guó)直接相連的歐美其他非歐元區(qū)國(guó)家股市之間的尾部風(fēng)險(xiǎn)溢出情況見圖7。由于歐美國(guó)家金融市場(chǎng)較為發(fā)達(dá)，美國(guó)股市和英國(guó)股市對(duì)法國(guó)股市幾乎總是處于風(fēng)險(xiǎn)凈溢出的強(qiáng)勢(shì)地位，這一特性與英美兩國(guó)股票市場(chǎng)在全球股票市場(chǎng)上的主導(dǎo)地位相符；各國(guó)股市之間的尾部風(fēng)險(xiǎn)溢出水平處于-1.5到-4之間，但在2008年金融危機(jī)、2010年歐債危機(jī)和2016年英國(guó)“脫歐”這幾個(gè)重大事件發(fā)生期間平均上升到-6 以上，而尾部風(fēng)險(xiǎn)溢出走勢(shì)較為趨同。

從歐美其他國(guó)家股市間的尾部風(fēng)險(xiǎn)溢出來(lái)看(見圖8)，美國(guó)對(duì)其鄰國(guó)墨西哥、英國(guó)對(duì)挪威總是呈現(xiàn)出尾部風(fēng)險(xiǎn)凈溢出狀態(tài)，其尾部風(fēng)險(xiǎn)溢出效應(yīng)值在正常情況下處于-1.6到-6之間，其趨勢(shì)也出現(xiàn)了較多不一的情況。俄羅斯股市對(duì)挪威股市具有顯著的尾部風(fēng)險(xiǎn)凈溢出。

圖7 與法國(guó)股市直接相連的歐美其他股市之間的尾部風(fēng)險(xiǎn)溢出

圖8 歐美其他地區(qū)股市的尾部風(fēng)險(xiǎn)溢出

在亞太股市方面，中國(guó)香港股市是亞太地區(qū)股市尾部風(fēng)險(xiǎn)溢出的重要交換節(jié)點(diǎn)(見圖9)。中國(guó)香港股市對(duì)與其相連的股市大都呈現(xiàn)尾部風(fēng)險(xiǎn)凈溢出狀態(tài)。不過，新加坡股市在多數(shù)時(shí)間上對(duì)中國(guó)香港股市都是風(fēng)險(xiǎn)凈溢出狀態(tài)。由于歐美市場(chǎng)在世界股票市場(chǎng)上占據(jù)著絕對(duì)的優(yōu)勢(shì)，所以亞太地區(qū)主要的風(fēng)險(xiǎn)溢入大都源于歐美股市，而新加坡股市作為連接歐美股市與亞太股市的重要橋梁，承擔(dān)著在兩者之間傳遞風(fēng)險(xiǎn)的功能。歐美市場(chǎng)股市極端尾部風(fēng)險(xiǎn)往往會(huì)通過新加坡股市傳遞至中國(guó)香港股市，再由中國(guó)香港股市向其他亞太股市擴(kuò)散。

在滬港股市方面，由圖9可知，上海股市和香港股市之間的尾部風(fēng)險(xiǎn)溢出效應(yīng)在2006年之前走勢(shì)差異較大：滬市對(duì)港市的尾部風(fēng)險(xiǎn)溢出在逐漸增加，而港市對(duì)滬市的尾部風(fēng)險(xiǎn)溢出趨于減少；與此同時(shí)，在這個(gè)時(shí)期內(nèi)雙方的相依性較低，基本處于0.1附近。這說明在2006年之前，我國(guó)內(nèi)地股市相對(duì)較為封閉，自身國(guó)際化程度較低，即使與唯一相連的中國(guó)香港股市之間的聯(lián)動(dòng)性也較為微弱。這情況一直持續(xù)到2008年因金融危機(jī)發(fā)生而改變。在2008年全球金融危機(jī)期間，中國(guó)香港股市對(duì)上海股市的尾部風(fēng)險(xiǎn)凈溢出效應(yīng)十分明顯，這主要是因?yàn)?008年金融危機(jī)發(fā)源地是美國(guó)，而中國(guó)香港股市作為內(nèi)地股市唯一相連的風(fēng)險(xiǎn)交換點(diǎn)，內(nèi)地股市所受到的金融風(fēng)險(xiǎn)沖擊都是通過中國(guó)香港股市這單一路徑傳遞而來(lái)。與此同時(shí)，隨著中國(guó)在金融領(lǐng)域不斷的改革開放，滬港通、深港通、QFII、QDII、滬倫通等改革措施的不斷實(shí)施，內(nèi)地股市與中國(guó)香港股市之間的相依性不斷增強(qiáng)。這一方面極大提升了我國(guó)股票市場(chǎng)的國(guó)際化程度和影響力，另一方面也加大了內(nèi)地股市受到國(guó)際股市沖擊的程度。通過測(cè)度上海股市與香港股市在整個(gè)研究時(shí)期的動(dòng)態(tài)相依性后發(fā)現(xiàn)，在2008年金融危機(jī)之后，兩地股市的相依性由之前的0.1逐漸上升到0.36左右；2015年下半年隨著內(nèi)地股市出現(xiàn)了短期股災(zāi)，上海股市對(duì)香港股市就呈現(xiàn)凈風(fēng)險(xiǎn)溢出狀態(tài)了，該狀態(tài)一直持續(xù)到2017年。此時(shí)，兩地股市的相依性也進(jìn)一步上升到2019年4月的最高峰(0.41)，隨后開始出現(xiàn)小幅回落至2019年年底的0.26水平。長(zhǎng)期來(lái)看，內(nèi)地股市與香港股市之間的相依性依然會(huì)隨著國(guó)內(nèi)金融改革的深入而不斷上升。

圖9 與中國(guó)香港股市直接相連的股市尾部風(fēng)險(xiǎn)溢出

(七)中國(guó)內(nèi)地股市在全球股市相依結(jié)構(gòu)中的地位分析

這里根據(jù)四個(gè)突變區(qū)間內(nèi)全球各股市之間的相依結(jié)構(gòu)得到相應(yīng)的股市鄰接矩陣，然后采用社會(huì)網(wǎng)絡(luò)分析法來(lái)分析這四個(gè)時(shí)期中內(nèi)地股市在整個(gè)相依網(wǎng)絡(luò)中的地位變化。這里主要采用度中心性(DC)、頂點(diǎn)中心度(PDC)、鄰接節(jié)點(diǎn)數(shù)(D)三個(gè)指標(biāo)及其在整個(gè)網(wǎng)絡(luò)中的排名變化來(lái)評(píng)價(jià)我國(guó)內(nèi)地股市的國(guó)際影響力。同時(shí)采用網(wǎng)絡(luò)直徑和網(wǎng)絡(luò)平均最短距離來(lái)評(píng)價(jià)整體網(wǎng)絡(luò)在各個(gè)時(shí)期的信息傳遞效率變化趨勢(shì)。DC和PDC數(shù)值越小表示節(jié)點(diǎn)的中心程度越高，其在風(fēng)險(xiǎn)網(wǎng)絡(luò)傳遞中的中心樞紐作用越顯著。鄰接節(jié)點(diǎn)數(shù)越多表示節(jié)點(diǎn)的影響力越大，其中心地位越高。網(wǎng)絡(luò)直徑越小表明網(wǎng)絡(luò)節(jié)點(diǎn)之間相互響應(yīng)越快，則風(fēng)險(xiǎn)傳播的速度就越快。平均最短距離越小表明網(wǎng)絡(luò)傳導(dǎo)效率越高，風(fēng)險(xiǎn)傳導(dǎo)效率就越高。最終分析結(jié)果如表4所示。由表4可知，在整個(gè)研究時(shí)期內(nèi)，全球股市網(wǎng)絡(luò)的風(fēng)險(xiǎn)傳導(dǎo)效率呈現(xiàn)緩慢提升的趨勢(shì)。在不同時(shí)期內(nèi)，盡管上海股市始終僅與香港股市存在唯一的連接，跟不上整體平均連接節(jié)點(diǎn)數(shù)，但從DC和PC數(shù)值及其在各股市中的排名來(lái)看，近20年來(lái)，我國(guó)內(nèi)地股市在全球股市中的中心地位排名已經(jīng)明顯上升，影響力也在不斷提升中。從目前相依結(jié)構(gòu)來(lái)看，要擴(kuò)大內(nèi)地股市國(guó)際化程度，除了加大與香港股市的合作之外，還需擴(kuò)大與國(guó)際其他代表性股市之間的互聯(lián)互通(比如滬倫通等)，通過業(yè)務(wù)和資金層面的合作和更全面的金融開放來(lái)拓展內(nèi)地股市與國(guó)際股市的連接途徑，這樣才能明顯改變內(nèi)地股市在整體網(wǎng)絡(luò)中的邊緣地位，進(jìn)而促進(jìn)內(nèi)地股市國(guó)際化和影響力。

表4 中國(guó)內(nèi)地股市在整體股市網(wǎng)絡(luò)中的地位評(píng)價(jià)

四、結(jié)論與建議

本文通過結(jié)合滾動(dòng)窗口技術(shù)構(gòu)建高維動(dòng)態(tài)R-Vine Copula模型來(lái)分析全球24個(gè)股市在2003—2019年的動(dòng)態(tài)相依結(jié)構(gòu)特征及其尾部風(fēng)險(xiǎn)溢出效應(yīng)。在此基礎(chǔ)上揭示出全球股市相依網(wǎng)絡(luò)結(jié)構(gòu)性突變特征并評(píng)價(jià)我國(guó)內(nèi)地股市的國(guó)際影響力。最終研究結(jié)論與建議如下：

第一，全球股市相依結(jié)構(gòu)分布呈現(xiàn)明顯的地理聚集特征。全球股市相依結(jié)構(gòu)呈現(xiàn)東西半球分離特征。法國(guó)股市成為歐美股市的中心樞紐，中國(guó)香港股市成為亞太股市的中心樞紐，并和新加坡股市一并成為亞太股市與歐洲股市的連接橋梁。歐元區(qū)和美洲區(qū)股市相依性較高。亞太股市之間相依性較低。

第二，全球股市之間在金融危機(jī)期間主要呈現(xiàn)出上下尾非對(duì)稱相依結(jié)構(gòu)特征且相依性較高，凸顯出顯著的危機(jī)傳染效應(yīng)。在非金融危機(jī)時(shí)期主要呈現(xiàn)出對(duì)稱的上下尾相依結(jié)構(gòu)，相依性有所下降。金融危機(jī)(2008年全球金融危機(jī)和2010年歐債危機(jī))的爆發(fā)會(huì)導(dǎo)致全球股市的相依結(jié)構(gòu)出現(xiàn)結(jié)構(gòu)性突變，但在危機(jī)消失后，全球股市相依結(jié)構(gòu)會(huì)逐步恢復(fù)常態(tài)。

第三，股市之間的尾部風(fēng)險(xiǎn)溢出效應(yīng)存在區(qū)域分化。處于網(wǎng)絡(luò)中心地位的股市(中國(guó)香港股市、法國(guó)股市)對(duì)其相鄰股市呈現(xiàn)出尾部風(fēng)險(xiǎn)凈溢出狀態(tài)。與此同時(shí)，區(qū)域一體化程度越高的股市之間尾部風(fēng)險(xiǎn)溢出走勢(shì)趨同性越強(qiáng)，且易受到重大金融事件的沖擊。各國(guó)監(jiān)管層需要通過識(shí)別自身股市在整個(gè)網(wǎng)絡(luò)中的位置進(jìn)而評(píng)估其相連股市可能帶來(lái)的尾部風(fēng)險(xiǎn)沖擊程度，從而提前制定更具針對(duì)性的防范措施來(lái)切斷風(fēng)險(xiǎn)傳染路徑，防止金融風(fēng)險(xiǎn)進(jìn)一步擴(kuò)散。

第四，中國(guó)內(nèi)地股市在國(guó)際股市網(wǎng)絡(luò)中的影響力已經(jīng)有明顯提升，但依然處于邊緣位置。目前除了加大與中國(guó)香港股市的合作力度之外，還需改變近20年來(lái)在國(guó)際股市網(wǎng)絡(luò)中僅與香港股市單一連接的格局。這就需擴(kuò)大與國(guó)際其他代表性股市之間的互聯(lián)互通(比如滬倫通等)，通過業(yè)務(wù)、資金層面的合作和更全面的金融開放來(lái)豐富內(nèi)地股市與國(guó)際股市的連接途徑，最終提升內(nèi)地股市的國(guó)際化程度和影響力。