重大突發(fā)事件背景下金融行業(yè)間極端風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出研究

謝赤 莫廷程 李可隆

摘 要：金融行業(yè)的風(fēng)險(xiǎn)問(wèn)題關(guān)系到金融穩(wěn)定和經(jīng)濟(jì)安全。構(gòu)建包含利空消息和利好消息的時(shí)變Copula-CoVaR模型，結(jié)合金融危機(jī)、股市震蕩、貿(mào)易摩擦、疾病疫情等重大突發(fā)事件，考量金融行業(yè)之間的極端風(fēng)險(xiǎn)相依結(jié)構(gòu)和風(fēng)險(xiǎn)溢出效應(yīng)及其動(dòng)態(tài)演化過(guò)程。結(jié)果表明，金融行業(yè)間風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出均具有顯著的厚尾性、非對(duì)稱性和時(shí)變性特征，同時(shí)存在顯著的動(dòng)態(tài)極端風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出，且下尾風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出的程度更大，對(duì)市場(chǎng)行情下跌的反應(yīng)更為敏感;銀行業(yè)在整個(gè)金融系統(tǒng)中發(fā)揮著至關(guān)重要的作用，其對(duì)證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)的極端風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出均處于較高水平;不同時(shí)期的重大突發(fā)事件對(duì)金融行業(yè)間極端風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出的影響存在明顯差異，事發(fā)后風(fēng)險(xiǎn)相依變化較為平緩，而風(fēng)險(xiǎn)溢出急劇加強(qiáng)并表現(xiàn)出持續(xù)性。

關(guān)鍵詞： 金融行業(yè);極端風(fēng)險(xiǎn);風(fēng)險(xiǎn)相依;風(fēng)險(xiǎn)溢出;重大突發(fā)事件;時(shí)變Copula-CoVaR

中圖分類號(hào)：F830.9 ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ?文章編號(hào)：1003-7217（2021）03-0002-09

一、引 言

2020年伊始，新冠肺炎疫情突如其來(lái)，各國(guó)經(jīng)濟(jì)社會(huì)系統(tǒng)猝不及防、損失慘重。其實(shí)在更早的時(shí)候，實(shí)體經(jīng)濟(jì)的發(fā)展困難已經(jīng)顯現(xiàn)，貿(mào)易摩擦的推波助瀾使得經(jīng)濟(jì)下行壓力進(jìn)一步增大。經(jīng)濟(jì)基礎(chǔ)的動(dòng)蕩和突發(fā)事件的爆發(fā)，導(dǎo)致不確定性持續(xù)上升，金融行業(yè)的潛在風(fēng)險(xiǎn)不斷積累和膨脹。當(dāng)前，保障金融安全被提到國(guó)家戰(zhàn)略的高度，“穩(wěn)金融”成為做好“六穩(wěn)”工作和落實(shí)“六?！比蝿?wù)的重要內(nèi)容。金融行業(yè)的職能是為實(shí)體經(jīng)濟(jì)提供資金融通服務(wù)，其承擔(dān)或蘊(yùn)含的風(fēng)險(xiǎn)受到市場(chǎng)信息的作用，始終處于“利空”和“利好”消息的交替和綜合影響之中。在此背景下，系統(tǒng)考察金融行業(yè)之間的風(fēng)險(xiǎn)關(guān)系對(duì)于全面深化改革開(kāi)放下的金融穩(wěn)定和處于新常態(tài)下的經(jīng)濟(jì)增長(zhǎng)均具有十分重要的意義。

本文關(guān)注的金融行業(yè)間風(fēng)險(xiǎn)關(guān)系的內(nèi)涵主要包括風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出兩個(gè)部分。一方面，金融行業(yè)之間風(fēng)險(xiǎn)關(guān)聯(lián)密切，結(jié)構(gòu)復(fù)雜，準(zhǔn)確描述其風(fēng)險(xiǎn)相依結(jié)構(gòu)和狀態(tài)特征，成為一段時(shí)間以來(lái)學(xué)術(shù)界關(guān)注的重要課題;另一方面，金融行業(yè)除了面臨自身風(fēng)險(xiǎn)之外，還受到外來(lái)風(fēng)險(xiǎn)的影響，明晰它們之間風(fēng)險(xiǎn)溢出的作用路徑和效應(yīng)強(qiáng)度，有利于對(duì)其加以精準(zhǔn)防范。厘清風(fēng)險(xiǎn)相依結(jié)構(gòu)可以為深入刻畫(huà)風(fēng)險(xiǎn)溢出效應(yīng)提供參考和依據(jù)，在金融行業(yè)間存在顯著風(fēng)險(xiǎn)相依性條件得到滿足的前提下，進(jìn)一步探討它們間的風(fēng)險(xiǎn)溢出效應(yīng)更加具有現(xiàn)實(shí)價(jià)值。

已有研究證實(shí)金融主體之間存在復(fù)雜的風(fēng)險(xiǎn)相依結(jié)構(gòu)，學(xué)者們重點(diǎn)聚焦于風(fēng)險(xiǎn)相依模型的選取及其風(fēng)險(xiǎn)特征的描述。目前，針對(duì)風(fēng)險(xiǎn)相依的度量方法主要包括Pearson相關(guān)系數(shù)、Granger因果檢驗(yàn)、DCC-GARCH模型和Copula模型等[1-5]。其中，Copula模型能夠更加準(zhǔn)確地捕捉金融主體之間的非線性、時(shí)變性和厚尾性等復(fù)雜特征，特別是重大突發(fā)事件下的尾部相依性。近年來(lái)，學(xué)者們將時(shí)變Copula、MRS Copula和Vine Copula等模型廣泛用來(lái)描述金融主體間復(fù)雜的相依特征。苑瑩等使用EVT-時(shí)變Clayton Copula模型，分析相關(guān)國(guó)家股票市場(chǎng)之間在股災(zāi)發(fā)生前后的下尾極值動(dòng)態(tài)關(guān)系，其結(jié)果表明存在非線性、尾部極值相依性和時(shí)變性的相依特征[6];Gong等基于有偏t分布的GJR-GARCH-GAS的邊際分布，使用時(shí)變旋轉(zhuǎn)Gumbel Copula模型考察原油期貨市場(chǎng)之間的動(dòng)態(tài)尾部相依度，側(cè)重關(guān)注其厚尾性和時(shí)變性[7]。吳筱菲等基于包含Markov狀態(tài)轉(zhuǎn)換的時(shí)變SJC Copula模型展開(kāi)相關(guān)探討，發(fā)現(xiàn)中國(guó)內(nèi)地股票市場(chǎng)與香港股票市場(chǎng)之間有著非線性和非對(duì)稱的時(shí)變相依結(jié)構(gòu)，并持續(xù)存在高低兩種不同狀態(tài)的概率轉(zhuǎn)換現(xiàn)象[8]。余樂(lè)安等借助R-Vine Copula模型刻畫(huà)國(guó)際油價(jià)與中美多個(gè)行業(yè)股價(jià)之間的相依關(guān)系，將不同序列納入同一框架下，進(jìn)而描述它們之間的相依結(jié)構(gòu)[9]。

同時(shí)現(xiàn)有文獻(xiàn)還認(rèn)為，某個(gè)金融主體會(huì)通過(guò)一定的風(fēng)險(xiǎn)傳染渠道和機(jī)制，對(duì)其他金融主體產(chǎn)生相應(yīng)的風(fēng)險(xiǎn)溢出效應(yīng)，學(xué)者們主要采用CoVaR模型來(lái)探討金融主體的風(fēng)險(xiǎn)溢出效應(yīng)。當(dāng)前，使用得較多的風(fēng)險(xiǎn)溢出測(cè)度方法有CoVaR模型、MES模型、SRISK模型、CCA模型以及復(fù)雜網(wǎng)絡(luò)技術(shù)等[10-15]。其中，CoVaR模型占據(jù)主導(dǎo)，它重點(diǎn)關(guān)注某個(gè)金融主體在處于金融危機(jī)的狀態(tài)下，對(duì)整個(gè)金融體系產(chǎn)生風(fēng)險(xiǎn)溢出的程度。近些年，許多學(xué)者對(duì)CoVaR模型進(jìn)行改進(jìn)和優(yōu)化。Girardi和Ergün將CoVaR模型的條件進(jìn)行擴(kuò)展，由分位點(diǎn)下的收益率等于風(fēng)險(xiǎn)值推廣至最多等于風(fēng)險(xiǎn)值，以反映更多的尾部極值信息[16];趙樹(shù)然等使用多條件CoVaR模型，由單個(gè)金融機(jī)構(gòu)處于風(fēng)險(xiǎn)推廣至多個(gè)金融機(jī)構(gòu)同時(shí)面臨風(fēng)險(xiǎn)，以更為準(zhǔn)確地反映實(shí)際風(fēng)險(xiǎn)溢出狀況[17]。王周偉等認(rèn)為，現(xiàn)今的CoVaR模型的估計(jì)方法通常有分位數(shù)回歸、DCC-GARCH和Copula等，其中的分位數(shù)回歸側(cè)重描述序列之間的不同分位水平下的線性風(fēng)險(xiǎn)關(guān)系，DCC-GARCH主要考慮風(fēng)險(xiǎn)波動(dòng)的聚集性和風(fēng)險(xiǎn)相依的時(shí)變性，Copula突出刻畫(huà)非線性和厚尾性的風(fēng)險(xiǎn)特征[18]。李政等使用LASSO分位數(shù)回歸-CoVaR模型探究中國(guó)金融機(jī)構(gòu)的脆弱性和傳染性，重點(diǎn)刻畫(huà)金融系統(tǒng)的極端風(fēng)險(xiǎn)[19]。Xu等考慮金融收益率序列的厚尾特征，使用DCC-MIDAS-t方法估計(jì)CoVaR模型，剖析中國(guó)銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)[20]。翟永會(huì)使用時(shí)變Student-t-Copula-CoVaR模型，考察各個(gè)行業(yè)之間非線性和時(shí)變性的風(fēng)險(xiǎn)特征，探討實(shí)體行業(yè)與銀行行業(yè)之間的動(dòng)態(tài)風(fēng)險(xiǎn)溢出效應(yīng)[21]。

綜上所述，學(xué)術(shù)界在金融市場(chǎng)之間風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出的測(cè)度方面已經(jīng)取得一定的研究成果，不過(guò)仍存在以下問(wèn)題需要進(jìn)一步解決：對(duì)分析對(duì)象而言，大部分文獻(xiàn)主要從金融機(jī)構(gòu)和金融市場(chǎng)的視角來(lái)考察風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出，而少有基于金融行業(yè)的視角同時(shí)關(guān)注這兩個(gè)問(wèn)題，事實(shí)上金融行業(yè)間的風(fēng)險(xiǎn)隱患亦不可忽視;就研究細(xì)節(jié)來(lái)看，學(xué)者們重點(diǎn)考慮的是市場(chǎng)行情下跌時(shí)的風(fēng)險(xiǎn)溢出效應(yīng)，而對(duì)行情上漲時(shí)的風(fēng)險(xiǎn)溢出現(xiàn)象有所忽略。鑒此，本文試圖在現(xiàn)有研究的基礎(chǔ)上完成如下改進(jìn)：一是從銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)等四個(gè)金融行業(yè)的視角出發(fā)，分別描述它們之間的極端風(fēng)險(xiǎn)相依結(jié)構(gòu)和風(fēng)險(xiǎn)溢出效應(yīng);二是將反映市場(chǎng)行情上漲和下跌的上尾和下尾風(fēng)險(xiǎn)置于同一框架之中，以此刻畫(huà)風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出的非對(duì)稱特征。本文的研究思路如下：首先，構(gòu)建模型，包括邊際分布的TGARCH模型、風(fēng)險(xiǎn)相依的時(shí)變Copula模型和風(fēng)險(xiǎn)溢出的時(shí)變Copula-CoVaR模型;其次，實(shí)證分析，考慮利空和利好消息的影響，通過(guò)時(shí)變SJC Copula模型刻畫(huà)金融行業(yè)間的尾部相依結(jié)構(gòu)，使用時(shí)變SJC Copula-CoVaR模型測(cè)度它們間的上尾和下尾風(fēng)險(xiǎn)溢出效應(yīng);最后，總結(jié)全文，并提出相應(yīng)的風(fēng)險(xiǎn)防控建議。

二、研究方法

（一）TGARCH模型

不言而喻，本研究主要依賴的風(fēng)險(xiǎn)相依模型和風(fēng)險(xiǎn)溢出模型必須能準(zhǔn)確擬合相關(guān)金融行業(yè)收益率序列的邊際分布?？紤]到TGARCH模型可以較好解決金融時(shí)間序列中存在的自回歸、條件異方差、非對(duì)稱性和厚尾性等問(wèn)題，故決定采用其來(lái)刻畫(huà)銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)的收益率序列邊際分布。TGARCH模型一般包括均值方程、方差方程和殘差分布三個(gè)部分[22]。

1. 均值方程。

（二）時(shí)變Copula-CoVaR模型

本文選用時(shí)變Copula模型的尾部相依系數(shù)和CoVaR模型來(lái)描述金融行業(yè)間的風(fēng)險(xiǎn)相依結(jié)構(gòu)和風(fēng)險(xiǎn)溢出效應(yīng)，其原因主要是考慮到時(shí)變Copula模型具有如下優(yōu)勢(shì)：第一，相比于Pearson相關(guān)系數(shù)和Granger因果檢驗(yàn)等，時(shí)變Copula模型能夠更為準(zhǔn)確地刻畫(huà)收益率序列之間的非線性和厚尾性等風(fēng)險(xiǎn)相依特征，特別是重大突發(fā)事件下的尾部相依性;第二，時(shí)變Copula模型的限制條件較少，無(wú)需考慮聯(lián)合分布的具體形式，可以將聯(lián)合分布問(wèn)題簡(jiǎn)化為邊際分布的確定和最優(yōu)Copula模型的選取;第三，相比于分位數(shù)回歸和DCC-GARCH等，時(shí)變Copula模型在估計(jì)CoVaR時(shí)能夠更為準(zhǔn)確地反映非線性、時(shí)變性和非對(duì)稱性等特征，綜合反映金融行業(yè)間的動(dòng)態(tài)上尾和下尾風(fēng)險(xiǎn)溢出效應(yīng)，全面分析利好消息和利空消息等不同市場(chǎng)行情下的風(fēng)險(xiǎn)差異。

同時(shí)，由于CoVaR模型能夠刻畫(huà)某個(gè)金融行業(yè)處于危機(jī)條件下其他金融行業(yè)的風(fēng)險(xiǎn)水平，綜合考慮金融行業(yè)之間的風(fēng)險(xiǎn)溢出作用，有效測(cè)度其對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的貢獻(xiàn)程度，故決定采用該模型來(lái)展開(kāi)相關(guān)研究，具體是通過(guò)時(shí)變Copula模型對(duì)CoVaR進(jìn)行估計(jì)。

其中，C為Copula函數(shù)。根據(jù)分布函數(shù)的定義，有FXi（VaRiq）=Pr（Xi≤VaRiq）。于是，可以得到v=q。另外，參考Reboredo和Ugolini的思路[22]，設(shè)定q和p的分位數(shù)均為0.05，則可以計(jì)算下尾的VaR、CoVaR和ΔCoVaR，而上尾相關(guān)指標(biāo)對(duì)應(yīng)的q和p均為0.95，以此即可反映金融行業(yè)間極端風(fēng)險(xiǎn)溢出效應(yīng)。

綜上所述，可以將時(shí)變Copula-CoVaR模型估計(jì)的基本步驟總結(jié)如下：首先，在既定的C、v、p和q條件下，通過(guò)式（11）得到u值;然后，根據(jù)u=FXj（CoVaRj|ip）求解出CoVaRj|ip;最后，依據(jù)CoVaRj|ip和VaRjq計(jì)算出ΔCoVaRj|ip，此即銀行業(yè)i對(duì)證券業(yè)j的風(fēng)險(xiǎn)溢出：

（三）數(shù)據(jù)來(lái)源與描述性統(tǒng)計(jì)

考慮到“申萬(wàn)”二級(jí)行業(yè)指數(shù)遵循證監(jiān)會(huì)的行業(yè)分類標(biāo)準(zhǔn)，較為充分地反映了各個(gè)行業(yè)的基本特點(diǎn)、實(shí)際情況和市場(chǎng)狀態(tài)，具有一定的專業(yè)性、準(zhǔn)確性和權(quán)威性，故使用該指數(shù)來(lái)代表銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)等四個(gè)金融行業(yè)的發(fā)展?fàn)顩r。其中，前三者是整個(gè)金融行業(yè)的傳統(tǒng)主要組成部分，后一個(gè)是指除此以外的其他所有金融業(yè)態(tài)，包括信托、互聯(lián)網(wǎng)金融和消費(fèi)金融等。

本文的實(shí)證研究主要基于“申萬(wàn)”二級(jí)行業(yè)指數(shù)的日收益率展開(kāi)，以較晚面世的保險(xiǎn)業(yè)交易數(shù)據(jù)的可得日期2007年1月17日為起始時(shí)間，終止時(shí)間確定為2021年1月31日，一共包含3416個(gè)數(shù)據(jù)，它們均來(lái)源于Wind數(shù)據(jù)庫(kù)。數(shù)據(jù)處理和模型運(yùn)算所采用的軟件為R和Matlab。

類似于經(jīng)濟(jì)發(fā)展的周期性，金融行業(yè)之間的風(fēng)險(xiǎn)也表現(xiàn)出一定的周期性、階段性和結(jié)構(gòu)性的變化規(guī)律。為了考察不同時(shí)期金融行業(yè)間風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出的動(dòng)態(tài)演化規(guī)律，依據(jù)實(shí)際的重大突發(fā)事件的發(fā)展態(tài)勢(shì)和宏觀經(jīng)濟(jì)的變化狀況，設(shè)定和劃分樣本時(shí)間區(qū)間如下：2007年1月17日至2009年12月31日為次貸危機(jī)期，樣本量722個(gè)，期間發(fā)生美國(guó)次貸危機(jī)和中國(guó)經(jīng)濟(jì)增速放緩，內(nèi)部和外部需求大幅萎縮，實(shí)體經(jīng)濟(jì)面臨較大困難;2010年1月1日至2014年12月31日為歐債違約期，樣本量1212個(gè)，期間發(fā)生歐洲債務(wù)危機(jī)和后危機(jī)時(shí)代經(jīng)濟(jì)復(fù)蘇緩慢，產(chǎn)能過(guò)剩問(wèn)題日益突出，經(jīng)濟(jì)下行壓力持續(xù)加大;2015年1月1日至2017年12月31日為股市震蕩期，樣本量732個(gè)，期間發(fā)生中國(guó)股災(zāi)、美聯(lián)儲(chǔ)加息和英國(guó)脫歐等，股價(jià)劇烈波動(dòng)，金融市場(chǎng)持續(xù)動(dòng)蕩;2018年1月1日至2021年1月31日為貿(mào)易摩擦期，樣本量750個(gè)，期間發(fā)生中美貿(mào)易摩擦和新冠肺炎疫情等，經(jīng)濟(jì)增長(zhǎng)復(fù)雜性和不確定性加大，經(jīng)濟(jì)結(jié)構(gòu)調(diào)整和轉(zhuǎn)型升級(jí)不斷深化。

首先通過(guò)描述金融行業(yè)收益率序列的基本統(tǒng)計(jì)特征，為邊際分布模型的選取提供參考和依據(jù)。如表1所示，由平均值和標(biāo)準(zhǔn)差可知，各個(gè)金融行業(yè)的收益率均值均為正數(shù)，表明它們的收益情況較好，其中銀行業(yè)收益水平最高，而證券業(yè)的收益波動(dòng)最大;觀察偏度、峰度和JB檢驗(yàn)可以發(fā)現(xiàn)，各行業(yè)收益率序列均存在右偏、尖峰和非正態(tài)的分布特征;從ARCH效應(yīng)檢驗(yàn)來(lái)看，各收益率序列均存在ARCH效應(yīng)，具有顯著的異方差性;根據(jù)LB檢驗(yàn)不難判斷，各行業(yè)收益率均不存在序列相關(guān)性;ADF檢驗(yàn)結(jié)果表明，各收益率不存在單位根，均為平穩(wěn)序列。綜上所述，四個(gè)金融行業(yè)收益率序列的分布特征不適合于傳統(tǒng)的線性回歸模型，因此需要采用GARCH類模型對(duì)其進(jìn)行擬合。

三、金融行業(yè)間風(fēng)險(xiǎn)相依結(jié)構(gòu)分析

通過(guò)TGARCH模型來(lái)擬合各個(gè)金融行業(yè)的日收益率序列，在此基礎(chǔ)上使用時(shí)變Copula模型的尾部相依系數(shù)刻畫(huà)各個(gè)金融行業(yè)之間的風(fēng)險(xiǎn)相依結(jié)構(gòu)。

（一）邊際分布擬合

為了準(zhǔn)確地?cái)M合銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)的收益率序列的邊際分布，根據(jù)AIC準(zhǔn)則確定GARCH模型的最優(yōu)形式為AR（1）-TGARCH（1，1），殘差序列服從有偏t分布①。TGARCH模型的參數(shù)估計(jì)和擬合效果檢驗(yàn)結(jié)果如表2所示。

一般而言，TGARCH模型的ARCH項(xiàng)、GARCH項(xiàng)和非對(duì)稱效應(yīng)項(xiàng)系數(shù)分別反映時(shí)間序列的波動(dòng)性、聚集性和非對(duì)稱性特征。從參數(shù)估計(jì)結(jié)果來(lái)看，由ARCH項(xiàng)參數(shù)α1可知，其他金融業(yè)對(duì)市場(chǎng)波動(dòng)的反應(yīng)最為敏感，波動(dòng)性特征最為顯著，其次為銀行業(yè)，保險(xiǎn)業(yè)最為遲鈍;由GARCH項(xiàng)參數(shù)β1和α1+β1的結(jié)果可以看出，證券業(yè)和保險(xiǎn)業(yè)的波動(dòng)均具有較強(qiáng)的聚集性，即存在較強(qiáng)的持續(xù)性和長(zhǎng)記憶性，而銀行業(yè)和其他金融業(yè)的聚集性特征相對(duì)較弱;由非對(duì)稱效應(yīng)項(xiàng)參數(shù)λ1不難發(fā)現(xiàn)，四個(gè)金融行業(yè)在面對(duì)外部信息沖擊時(shí)均存在非對(duì)稱的波動(dòng)特征，具有杠桿效應(yīng)，證券業(yè)和其他金融業(yè)受利空消息的沖擊更大，而銀行業(yè)和保險(xiǎn)業(yè)更容易受利好消息的影響。另外，偏度參數(shù)ξ和形狀參數(shù)γ的估計(jì)結(jié)果說(shuō)明，各金融行業(yè)的標(biāo)準(zhǔn)殘差序列分布均存在顯著的非對(duì)稱性和厚尾性。

至于模型的擬合效果，由LB和LB2檢驗(yàn)對(duì)應(yīng)的p值可知，四個(gè)金融行業(yè)的標(biāo)準(zhǔn)殘差序列均不存在自相關(guān);ARCH檢驗(yàn)對(duì)應(yīng)的p值表明，它們的標(biāo)準(zhǔn)殘差序列都不存在ARCH效應(yīng)，排除了條件異方差問(wèn)題。因此可以說(shuō)，有偏t分布的AR（1）-TGARCH（1，1）模型的擬合效果好，能夠準(zhǔn)確地刻畫(huà)銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)的收益率序列分布狀況。

（二）時(shí)變Copula模型選擇

在確定了邊際分布之后，使用時(shí)變Copula模型的尾部相依系數(shù)來(lái)描述和分析各個(gè)金融行業(yè)之間的動(dòng)態(tài)風(fēng)險(xiǎn)相依結(jié)構(gòu)。

這里，首先需要完成的工作就是挑選出最優(yōu)Copula模型，其基本步驟為：一是提取AR（1）- TGARCH（1，1）模型的標(biāo)準(zhǔn)殘差序列，將其通過(guò)概率積分變換為均勻分布形式的數(shù)據(jù);二是構(gòu)建時(shí)變Copula模型，使用IFM方法估計(jì)它的參數(shù);三是根據(jù)AIC準(zhǔn)則選擇和確定最優(yōu)時(shí)變Copula模型。目前，實(shí)際應(yīng)用中的時(shí)變Copula模型種類繁多，本文考慮較為常用的Gaussian Copula、Student-t Copula、Gumbel Copula、Clayton Copula和SJC Copula等五種，它們反映不同的對(duì)稱性程度和尾部相依特征，其參數(shù)估計(jì)結(jié)果如表3所示。

不難看出，各個(gè)金融行業(yè)之間時(shí)變SJC Copula模型對(duì)應(yīng)的AIC值在五種函數(shù)中均最小，表明其擬合效果最好，它就是最優(yōu)Copula模型。其次是時(shí)變Student-t Copula模型，最差的是時(shí)變Clayton Copula模型。因此，選擇時(shí)變SJC Copula模型來(lái)刻畫(huà)金融行業(yè)之間的尾部相依結(jié)構(gòu)。

（三）尾部相依系數(shù)計(jì)算

根據(jù)時(shí)變SJC Copula模型的參數(shù)估計(jì)結(jié)果，可以得到四個(gè)金融行業(yè)間的動(dòng)態(tài)上尾和下尾相依系數(shù)，具體結(jié)果如圖1所示。各個(gè)金融行業(yè)的尾部風(fēng)險(xiǎn)相依結(jié)構(gòu)具有如下特征：

（1） 它們之間的上尾和下尾相依系數(shù)均為正值，表明金融行業(yè)間具有正向相依關(guān)系，其收益率是同漲同跌的。具體而言，銀行業(yè)與保險(xiǎn)業(yè)間的上尾和下尾相依程度最高，其均值分別為0.5213和0.6354，其次為證券業(yè)與其他金融業(yè)間，分別為0.5215和0.6061;而銀行業(yè)與其他金融業(yè)間上尾相依性最弱，其均值為0.3367，保險(xiǎn)業(yè)與其他金融業(yè)的下尾相依性最弱，其均值為0.4032。在實(shí)際經(jīng)濟(jì)運(yùn)行中，銀行業(yè)與保險(xiǎn)業(yè)之間資金和業(yè)務(wù)往來(lái)的確最為密切，2018年銀監(jiān)會(huì)和保監(jiān)會(huì)合并成立銀保監(jiān)會(huì)，其重要目標(biāo)就是綜合防范銀行業(yè)和保險(xiǎn)業(yè)的風(fēng)險(xiǎn)。

（2） 它們之間的風(fēng)險(xiǎn)相依具有厚尾性和非對(duì)稱性的特征，均同時(shí)存在上尾和下尾相依關(guān)系，且下尾相依系數(shù)大于上尾相依系數(shù)。例如，銀行業(yè)和證券業(yè)間的上尾相依系數(shù)為0.4509，小于其下尾相依系數(shù)0.4898。不僅如此，銀行業(yè)與保險(xiǎn)業(yè)間上尾與下尾相依系數(shù)之間的差距最為明顯，其次為證券業(yè)與其他金融業(yè)間的，最小為銀行業(yè)與證券業(yè)間的，表明銀行業(yè)與保險(xiǎn)業(yè)之間受到市場(chǎng)行情下跌和外部危機(jī)等利空消息的影響較大。

（3） 各個(gè)時(shí)期它們之間尾部相依性的變化趨勢(shì)基本一致。仔細(xì)來(lái)看，股市震蕩期的各個(gè)尾部相依性都具有顯著的下降態(tài)勢(shì)，而其他時(shí)期的尾部相依性的變化均較為平緩，表明金融行業(yè)間的尾部相依對(duì)股市波動(dòng)的反應(yīng)較為敏感。同時(shí)，歐債違約期的尾部相依性最大，其次為貿(mào)易摩擦期和次貸危機(jī)期，最小的為股市震蕩期，但各個(gè)時(shí)期之間的差異并不明顯，出現(xiàn)結(jié)構(gòu)突變的現(xiàn)象較少，表明各個(gè)時(shí)期金融行業(yè)間的尾部風(fēng)險(xiǎn)相依具有一定的穩(wěn)定性和持續(xù)性。

四、金融行業(yè)間風(fēng)險(xiǎn)溢出效應(yīng)分析

下面使用時(shí)變SJC Copula-CoVaR模型，分別從上尾和下尾兩個(gè)角度比較各個(gè)金融行業(yè)之間的極端風(fēng)險(xiǎn)溢出效應(yīng)。

圖2主要反映了金融行業(yè)間極端風(fēng)險(xiǎn)溢出效應(yīng)的動(dòng)態(tài)演化過(guò)程。具體而言，金融行業(yè)間的動(dòng)態(tài)極端風(fēng)險(xiǎn)溢出效應(yīng)具有如下特征：

（1） 金融行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)具有厚尾性和非對(duì)稱性，存在顯著的極端風(fēng)險(xiǎn)溢出效應(yīng)，且下尾風(fēng)險(xiǎn)溢出效應(yīng)大于上尾風(fēng)險(xiǎn)溢出效應(yīng)。上下尾部風(fēng)險(xiǎn)溢出差距最大的是其他金融業(yè)對(duì)證券業(yè)的溢出，下尾為7.0909，上尾為6.4434，表明其他金融業(yè)對(duì)證券業(yè)在市場(chǎng)行情下跌時(shí)風(fēng)險(xiǎn)溢出效應(yīng)更強(qiáng)，即對(duì)利空消息的反應(yīng)更為敏感，這與前文關(guān)于風(fēng)險(xiǎn)相依的研究結(jié)果是一致的。

（2） 整體而言，銀行業(yè)對(duì)別的金融行業(yè)，包括證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)的尾部風(fēng)險(xiǎn)溢出效應(yīng)最大，其次分別為保險(xiǎn)業(yè)和其他金融業(yè)，最小的為證券業(yè)，表明銀行業(yè)在金融行業(yè)間風(fēng)險(xiǎn)溢出中處于最為重要的地位。具體來(lái)看，銀行業(yè)對(duì)證券業(yè)的上尾和下尾溢出分別為6.3324和6.8790，對(duì)保險(xiǎn)業(yè)的分別為4.7292和4.9698，對(duì)其他金融業(yè)的分別為3.9464和4.1756，表明在銀行業(yè)發(fā)生危機(jī)時(shí)，證券業(yè)受到的影響最大，反應(yīng)出的波動(dòng)最為明顯。

（3） 各個(gè)時(shí)期的尾部風(fēng)險(xiǎn)溢出效應(yīng)按從大到小的次序排列為：次貸危機(jī)期>股市震蕩期>歐債違約期>貿(mào)易摩擦期，即次貸危機(jī)期和股市震蕩期的尾部風(fēng)險(xiǎn)溢出相對(duì)較大。在2008年次貸危機(jī)和2015年股災(zāi)爆發(fā)后，金融行業(yè)受到經(jīng)濟(jì)下行和行情下跌的巨大沖擊，金融體系原有的市場(chǎng)均衡機(jī)制以及風(fēng)險(xiǎn)調(diào)節(jié)機(jī)制遭到嚴(yán)重破壞。通過(guò)一定的風(fēng)險(xiǎn)傳導(dǎo)機(jī)制，金融行業(yè)之間的負(fù)外部性被放大，其風(fēng)險(xiǎn)調(diào)整和平穩(wěn)發(fā)展體系受到?jīng)_擊，從而極端風(fēng)險(xiǎn)溢出效應(yīng)得以產(chǎn)生。

五、結(jié)論與政策建議

從金融行業(yè)視角出發(fā)，在重大突發(fā)事件持續(xù)爆發(fā)的時(shí)代背景下，綜合考慮利空消息和利好消息的影響，使用時(shí)變SJC Copula-CoVaR模型，系統(tǒng)探討了金融行業(yè)之間尾部風(fēng)險(xiǎn)相依結(jié)構(gòu)和風(fēng)險(xiǎn)溢出效應(yīng)，得到如下研究結(jié)論：（1） 金融行業(yè)之間的尾部風(fēng)險(xiǎn)相依和風(fēng)險(xiǎn)溢出均存在顯著的非對(duì)稱性，其下尾風(fēng)險(xiǎn)相依和溢出的程度大于上尾，表明市場(chǎng)信息對(duì)金融行業(yè)間的風(fēng)險(xiǎn)反饋機(jī)制具有差異性，它們更容易受到利空消息的影響，面對(duì)行情下跌表現(xiàn)得更為敏感。（2） 銀行業(yè)是整個(gè)金融的核心組成部分，相比于證券業(yè)、保險(xiǎn)業(yè)和其他金融業(yè)，它不僅與別的金融行業(yè)的尾部風(fēng)險(xiǎn)相依關(guān)系更為緊密，對(duì)它們的極端風(fēng)險(xiǎn)溢出效應(yīng)也更強(qiáng)。（3） 金融行業(yè)風(fēng)險(xiǎn)受2008年次貸危機(jī)和2015年股市災(zāi)難的沖擊較大，貿(mào)易摩擦和新冠肺炎也有一定的影響。在重大突發(fā)事件出現(xiàn)時(shí)，金融行業(yè)間風(fēng)險(xiǎn)溢出具有顯著的加劇趨勢(shì)，并表現(xiàn)出一定的持續(xù)性。值得注意的是，由于金融市場(chǎng)、宏觀經(jīng)濟(jì)和國(guó)際沖擊等因素的綜合影響，風(fēng)險(xiǎn)相依的波動(dòng)受重大突發(fā)事件的沖擊較小，表現(xiàn)出一定的穩(wěn)定性。

據(jù)此，提出相應(yīng)的政策建議：（1） 相關(guān)監(jiān)管部門(mén)在市場(chǎng)不景氣時(shí)更需要加強(qiáng)對(duì)金融行業(yè)的審慎監(jiān)管，完善信息披露制度，通過(guò)出臺(tái)刺激政策和發(fā)布有利消息等方式提升市場(chǎng)的信心和預(yù)期，以控制金融行業(yè)之間的風(fēng)險(xiǎn)傳染。（2） 相關(guān)監(jiān)管部門(mén)需要重點(diǎn)加強(qiáng)對(duì)銀行業(yè)的監(jiān)管，實(shí)時(shí)關(guān)注其風(fēng)險(xiǎn)外溢動(dòng)態(tài)，完善內(nèi)部控制和風(fēng)險(xiǎn)管理機(jī)制，加大不良資產(chǎn)的處置力度，優(yōu)化銀行之間的資源配置，提高對(duì)系統(tǒng)重要性銀行的監(jiān)管要求，同時(shí)規(guī)范影子銀行和中小銀行等金融機(jī)構(gòu)的合規(guī)管理。（3） 相關(guān)監(jiān)管部門(mén)需要完善重大風(fēng)險(xiǎn)應(yīng)急機(jī)制，支持金融行業(yè)在綠色金融、普惠金融和金融科技等領(lǐng)域的創(chuàng)新，鼓勵(lì)大數(shù)據(jù)、區(qū)塊鏈、云計(jì)算和人工智能等新興技術(shù)在產(chǎn)品研發(fā)和服務(wù)優(yōu)化中的運(yùn)用，提升金融行業(yè)的風(fēng)險(xiǎn)技防能力。

注釋：

① 限于篇幅，AIC準(zhǔn)則的相關(guān)結(jié)果在此沒(méi)有給出，如有需要可以向作者索取。

參考文獻(xiàn)：

[1] Baak M， Koopman R， Snoek H， et al. A new correlation coefficient between categorical， ordinal and interval variables with Pearson characteristics [J]. Computational Statistics & Data Analysis， 2020， 152： 107043.

[2] He Z. Dynamic impacts of crude oil price on Chinese investor sentiment： Nonlinear causality and time-varying effect [J]. International Review of Economics & Finance， 2020， 66： 131-153.

[3] Do A， Powell R， Yong J， et al. Time-varying asymmetric volatility spillover between global markets and Chinas A， B and H-shares using EGARCH and DCC-EGARCH models [J]. The North American Journal of Economics and Finance， 2020， 54： 101096.

[4] Constantin A， Peltonen T A， Sarlin P. Network linkages to predict bank distress [J]. Journal of Financial Stability， 2018， 35： 226-241.

[5] Ji Q， Liu B Y， Nehler H， et al. Uncertainties and extreme risk spillover in the energy markets： A time-varying copula-based CoVaR approach [J]. Energy Economics， 2018， 76： 115-126.

[6] 苑瑩， 王海英， 莊新田. 基于非線性相依的市場(chǎng)間金融傳染度量——測(cè)度2015年中國(guó)股災(zāi)對(duì)重要經(jīng)濟(jì)體的傳染效應(yīng)[J]. 系統(tǒng)工程理論與實(shí)踐， 2020， 40（3）： 545-558.

[7] Gong X L， Liu X H， Xiong X. Measuring tail risk with GAS time varying copula， fat tailed GARCH model and hedging for crude oil futures [J]. Pacific-Basin Finance Journal， 2019， 55： 95-109.

[8] 吳筱菲， 朱淑珍， 白正午. 基于MRS-SJC-Copula模型對(duì)A股與港股的動(dòng)態(tài)聯(lián)動(dòng)性研究[J]. 運(yùn)籌與管理， 2020， 29（1）： 176-184.

[9] 余樂(lè)安， 查銳， 賀凱健，等. 國(guó)際油價(jià)與中美股價(jià)的相依關(guān)系研究——基于不同行業(yè)數(shù)據(jù)的分析[J]. 中國(guó)管理科學(xué)， 2018， 26（11）： 74-82.

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

[11]宮曉莉， 熊熊， 張維. 我國(guó)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)度量與外溢效應(yīng)研究[J]. 管理世界， 2020， 36（8）： 65-83.

[12]陳湘鵬， 周皓， 金濤， 等. 微觀層面系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的比較與適用性分析——基于中國(guó)金融系統(tǒng)的研究[J]. 金融研究， 2019（5）： 17-36.

[13]茍文均， 袁鷹， 漆鑫. 債務(wù)杠桿與系統(tǒng)性風(fēng)險(xiǎn)傳染機(jī)制——基于CCA模型的分析[J]. 金融研究， 2016（3）： 74-91.

[14]Hrdle W K， Wang W， Yu L. Tenet： Tail-event driven network risk [J]. Journal of Econometrics， 2016， 192（2）： 499-513.

[15]楊子暉， 陳里璇， 陳雨恬. 經(jīng)濟(jì)政策不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)的跨市場(chǎng)傳染——基于非線性網(wǎng)絡(luò)關(guān)聯(lián)的研究[J]. 經(jīng)濟(jì)研究， 2020， 55（1）： 65-81.

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

[17]趙樹(shù)然， 米月， 任培民. 群體分析視角下商業(yè)銀行對(duì)金融體系的風(fēng)險(xiǎn)溢出效應(yīng)研究[J]. 統(tǒng)計(jì)研究， 2018， 35（3）： 52-65.

[18]王周偉， 呂思聰， 茆訓(xùn)誠(chéng). 基于風(fēng)險(xiǎn)溢出關(guān)聯(lián)特征的CoVaR計(jì)算方法有效性比較及應(yīng)用[J]. 經(jīng)濟(jì)評(píng)論， 2014（4）： 148-160.

[19]李政， 朱明皓， 范穎嵐. 我國(guó)金融機(jī)構(gòu)的傳染性風(fēng)險(xiǎn)與系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)——基于極端風(fēng)險(xiǎn)網(wǎng)絡(luò)視角的研究[J]. 南開(kāi)經(jīng)濟(jì)研究， 2019（6）：132-157.

[20]Xu Q， Chen L， Jiang C， et al. Measuring systemic risk of the banking industry in China： A DCC-MIDAS-t approach [J]. Pacific-Basin Finance Journal， 2018， 51： 13-31.

[21]翟永會(huì). 系統(tǒng)性風(fēng)險(xiǎn)管理視角下實(shí)體行業(yè)與銀行業(yè)間風(fēng)險(xiǎn)溢出效應(yīng)研究[J]. 國(guó)際金融研究， 2019（12）：74-84.

[22]Reboredo J C， Ugolini A. Quantile dependence of oil price movements and stock returns [J]. Energy Economics， 2016， 54： 33-49.

（責(zé)任編輯：鐘 瑤）

Abstract：The risk of financial industry is related to financial stability and economic security. Based on major emergencies such as financial crisis， stock market turbulence， trade friction and disease epidemic， this paper constructs a time-varying Copula CoVaR model including bad news and good news to study the extreme risk dependence structure and risk spillover effect between financial industries and its dynamic evolution process. The empirical results show that the risk dependence structure and risk spillover effect between financial industries have significant fat-tailed， asymmetric and time-varying characteristics， and there are significant dynamic extreme risk dependence and risk spillover. In addition， the greater the degrees of tail risk dependence and risk spillover are， the more sensitive the reaction to the market decline is. The bank industry plays a vital role in the whole financial system， and its extreme risk dependence and risk spillover to the securities industry， insurance industry and other financial industry are at a high level. Major emergencies in four periods have significantly different influences on extreme risk dependence and risk spillover between financial industries. After the occurrence of the major emergencies， the change of risk dependence is relatively gentle， while the risk spillover increases sharply and shows continuity.

Key words：financial industry; extreme risk; risk dependence; risk spillover; major emergency; time-varying Copula CoVaR