供給側(cè)結(jié)構(gòu)性改革降低了中國系統(tǒng)性金融風(fēng)險嗎？

淳偉德 朱航聰 黎禾森 張鶴立

摘 要：防范系統(tǒng)性金融風(fēng)險歷來是各國政府的重要任務(wù)之一。為了探究供給側(cè)結(jié)構(gòu)性改革是否有效降低了系統(tǒng)性金融風(fēng)險，本文從風(fēng)險傳染視角出發(fā)，以供給側(cè)結(jié)構(gòu)性改革提出時間為節(jié)點(diǎn)，分成三個時間窗口運(yùn)用ARMA EGARCH t模型和EVT POT模型對股票市場、外匯市場、債券市場的邊緣分布進(jìn)行建模，隨后運(yùn)用Vine Copula模型分析了金融子市場間相依性的變化。實(shí)證結(jié)果表明，供給側(cè)結(jié)構(gòu)性改革對于金融市場間的風(fēng)險傳染改善程度有限，對于系統(tǒng)性金融風(fēng)險的降低還不明顯。為了更好地凸顯供給側(cè)結(jié)構(gòu)性改革的成效，適應(yīng)新發(fā)展格局，我國應(yīng)繼續(xù)堅定不移地推進(jìn)供給側(cè)結(jié)構(gòu)性改革的深化。

關(guān)鍵詞：系統(tǒng)性金融風(fēng)險;供給側(cè)結(jié)構(gòu)性改革;相依性;copula

中圖分類號：F830.2文獻(xiàn)標(biāo)識碼：A文章編號：1003 5192（2021）04-0038-07doi：10.11847/fj.40.4.38

Abstract：Preventing systemic financial risks has always been one of the important tasks for governments. To explore whether supply side structural reform has effectively reduced the systemic financial risk， this paper embarks from the perspective of risk contagion， takes the time when the supply side structural reform are proposed as the node， and divides into three time window using ARMA EGARCH t model and EVT POT model on the edge of the stock market， foreign exchange market， bond market distribution model， then using the Vine Copula model analyzes the dependence between financial sub markets. The empirical results show that the supply side structural reform has limited improvement in risk contagion among financial markets， and the reduction of systemic financial risks is not obvious.In order to better highlight the effect of supply side structural reform and adapt to the new development pattern， China should continue to unswervingly promote the deepening of supply side structural reform.

Key words：systemic financial risk; supply side structural reform; dependence; copula

1 引言

改革開放40多年以來，中國經(jīng)濟(jì)不斷高速增長，取得了很多驚人的成就，已經(jīng)成為了名副其實(shí)的經(jīng)濟(jì)大國。然而，中國經(jīng)濟(jì)進(jìn)入新常態(tài)以來，供給端的生產(chǎn)成本優(yōu)勢在逐漸喪失，需求側(cè)出現(xiàn)缺乏高質(zhì)量投資、消費(fèi)需求低迷等問題，這些結(jié)構(gòu)性矛盾引起了經(jīng)濟(jì)的失衡。而傳統(tǒng)對需求側(cè)的管理是針對需求總量進(jìn)行調(diào)控，不易深入至結(jié)構(gòu)，具有相當(dāng)?shù)木窒扌?。?jù)此，中央適時提出了供給側(cè)結(jié)構(gòu)性改革，以“三去一降一補(bǔ)”為著力點(diǎn)，在供給側(cè)對經(jīng)濟(jì)結(jié)構(gòu)進(jìn)行優(yōu)化。其中去杠桿旨在降低我國各個經(jīng)濟(jì)部門的杠桿率。歷史事件及文獻(xiàn)表明，金融部門的高杠桿率會放大金融系統(tǒng)遭受的風(fēng)險沖擊[1]，同時，高杠桿率會使得金融系統(tǒng)間的相依關(guān)聯(lián)結(jié)構(gòu)變得更加錯綜復(fù)雜，這表明若單個潛在的風(fēng)險源爆發(fā)，會通過金融系統(tǒng)間的相依結(jié)構(gòu)進(jìn)行傳染，這種傳染性與金融系統(tǒng)間的相依關(guān)系密切相關(guān)：相依性強(qiáng)，表明風(fēng)險更易由一個市場傳染至另外一個市場，引發(fā)關(guān)聯(lián)動蕩，使金融體系穩(wěn)定性降低，甚至引起金融危機(jī)的萌芽。眾所周知，金融危機(jī)會給一個國家或地區(qū)造成相當(dāng)嚴(yán)重的破壞，不僅會對經(jīng)濟(jì)造成嚴(yán)重的打擊，甚至還會危及社會的穩(wěn)定。近百年以來，縱觀國外，無論是1929年的美股大崩盤、1997年的亞洲金融危機(jī)還是2008年的次貸危機(jī)，都將金融危機(jī)對于經(jīng)濟(jì)和社會的破壞性體現(xiàn)得淋漓盡致。

金融危機(jī)是系統(tǒng)性金融風(fēng)險爆發(fā)的必然結(jié)果。因此，對系統(tǒng)性金融風(fēng)險進(jìn)行研究，對杜絕金融危機(jī)具有重要意義。目前，國內(nèi)外對系統(tǒng)性金融風(fēng)險的定義沒有一個統(tǒng)一的共識。威廉·夏普于上世紀(jì)60年代最早對微觀上的系統(tǒng)性風(fēng)險進(jìn)行了定義，即證券市場中不能通過分散投資予以減小風(fēng)險。宏觀上，國際上具有代表性的定義有以下三種：一是從風(fēng)險傳染的角度，即單個事件通過關(guān)聯(lián)結(jié)構(gòu)以多米諾骨牌效應(yīng)傳導(dǎo)而導(dǎo)致整體系統(tǒng)損失乃至崩盤[2，3];二是從風(fēng)險危害程度及范圍的角度，即對大范圍金融機(jī)構(gòu)造成損害;三是從對實(shí)體經(jīng)濟(jì)影響的角度，即對實(shí)體經(jīng)濟(jì)造成嚴(yán)重危害。國內(nèi)學(xué)者認(rèn)為系統(tǒng)性金融風(fēng)險具有傳染快和波及廣等特征[4]，能夠通過機(jī)構(gòu)間關(guān)聯(lián)網(wǎng)絡(luò)進(jìn)行擴(kuò)散[5]，是金融體系的內(nèi)在脆弱性和外部因素相互作用的結(jié)果[6]。綜上，本文認(rèn)為系統(tǒng)性金融風(fēng)險是由單個事件積累的潛在風(fēng)險爆發(fā)，通過金融系統(tǒng)間的復(fù)雜相依結(jié)構(gòu)進(jìn)行傳染，并引發(fā)金融市場劇烈動蕩、經(jīng)濟(jì)嚴(yán)重受損，最終給國家和社會帶來嚴(yán)重的后果?；谝陨戏治觯疚膶⒕劢褂趯鹑谑袌鲩g的相依結(jié)構(gòu)進(jìn)行研究，以此探討供給側(cè)結(jié)構(gòu)性改革對于降低系統(tǒng)性金融風(fēng)險的成效。

股票市場、外匯市場和債券市場作為金融市場的三個重要組成部分，其間的相依結(jié)構(gòu)和風(fēng)險傳染，關(guān)乎著金融市場乃至整個國家金融系統(tǒng)的安全平穩(wěn)運(yùn)行，在當(dāng)前供給側(cè)結(jié)構(gòu)性改革逐步推進(jìn)所帶來的債務(wù)違約率上升等風(fēng)險沖擊的背景下，提高對金融子市場之間的相依關(guān)系的認(rèn)識，對這三個金融子市場的相依關(guān)系進(jìn)行準(zhǔn)確刻畫將有助于國家提高風(fēng)險管理水平，避免系統(tǒng)性金融風(fēng)險的發(fā)生。

金融市場間的相依關(guān)系和風(fēng)險傳染一直是理論界和實(shí)務(wù)界探討的熱點(diǎn)問題。迄今為止，已有大量文獻(xiàn)取得了很多有價值的研究成果。劉慧悅[7]運(yùn)用了DDC GARCH模型分析了國際金融市場的動態(tài)關(guān)聯(lián)性。劉璐和韓浩[8]運(yùn)用了一元和二元VAR BEEK GARCH模型分析了保險市場和銀行市場間的風(fēng)險溢出效應(yīng)。Baur[9]運(yùn)用了Granger因果檢驗(yàn)法分析了8個發(fā)達(dá)國家股市與債市之間的因果關(guān)系。侯縣平等[10]運(yùn)用了Granger因果檢驗(yàn)法對金融危機(jī)前后債券市場和股票市場的風(fēng)險傳染效應(yīng)進(jìn)行了研究，發(fā)現(xiàn)金融危機(jī)使市場間的風(fēng)險傳染效應(yīng)顯著增強(qiáng)。張秀艷等[11]研究發(fā)現(xiàn)中國可轉(zhuǎn)債市場與股票市場存在長期均衡的協(xié)整關(guān)系。然而，上述研究方法存在著不足：GARCH族模型需假設(shè)研究對象服從同分布，較現(xiàn)實(shí)情況有所偏差;Granger因果檢驗(yàn)未能對金融市場間的非線性關(guān)系進(jìn)行研究;協(xié)整檢驗(yàn)是對金融市場間長期均衡關(guān)系的研究，難以處理短期關(guān)系。自張堯庭[12]在2002年將Copula引入大家的視線后，運(yùn)用非線性的Copula函數(shù)進(jìn)行研究的學(xué)者便多了起來。徐凱等[13]運(yùn)用了時變混合Copula分析了大中華區(qū)股票市場間的風(fēng)險傳染效應(yīng)，得出了風(fēng)險傳染在不同時期不同地區(qū)的關(guān)系不同的結(jié)論。淳偉徳等[14]運(yùn)用了混合Copula分析了亞洲股票市場間的極端風(fēng)險傳染，發(fā)現(xiàn)中國股市對其他股市的極端風(fēng)險傳染顯著。張艾蓮和靳雨佳[15]運(yùn)用了混合Copula模型研究了股票市場與外匯市場的風(fēng)險外溢，研究結(jié)果表明股票市場與債券市場呈現(xiàn)出非對稱尾部相依結(jié)構(gòu)，且上尾相依性更為顯著。張幫正等[16]運(yùn)用Vine Copula刻畫了多市場的相關(guān)性，并著重分析了在一個市場條件下的其他市場尾部相關(guān)性，有利于構(gòu)建合理的投資組合。雖然現(xiàn)有研究已經(jīng)構(gòu)建起了一些研究金融市場相依關(guān)系及金融風(fēng)險傳導(dǎo)的方法，但上述研究成果沒有以供給側(cè)結(jié)構(gòu)性改革為背景，更沒有通過對改革不同時期的對比來體現(xiàn)供給側(cè)結(jié)構(gòu)性改革的成效，從而無法回答供給側(cè)結(jié)構(gòu)性改革是否降低了系統(tǒng)性金融風(fēng)險。

綜上所述，為了更好地分析供給側(cè)結(jié)構(gòu)性改革前后中國系統(tǒng)性金融風(fēng)險的變化，本文以供給側(cè)結(jié)構(gòu)性改革提出的時間為切入點(diǎn)，分成三個時間窗口對中國金融市場三大子市場，即股票市場、外匯市場和債券市場，運(yùn)用ARMA EGARCH t模型與EVT POT模型對其邊緣分布進(jìn)行建模，隨后運(yùn)用Vine Copula理論分析其不同時間窗口相依關(guān)系的變化，以此探究系統(tǒng)性金融風(fēng)險在供給側(cè)結(jié)構(gòu)性改革前后的變化，從而在實(shí)證層面分析供給側(cè)結(jié)構(gòu)性改革的成效，并能更好地說明供給側(cè)結(jié)構(gòu)性改革在防范系統(tǒng)性金融風(fēng)險上的作用。

2 模型設(shè)定

2.1 邊緣分布構(gòu)建

金融市場常常表現(xiàn)出尖峰、有偏、自相關(guān)性、波動聚集等典型事實(shí)，因此在對邊緣分布進(jìn)行建模時要能將這些典型事實(shí)進(jìn)行刻畫。本文首先采用了ARMA EGARCH t模型對各個市場的對數(shù)收益率進(jìn)行建模，該模型能夠很好地對變量的自回歸、異方差性和杠桿效應(yīng)進(jìn)行刻畫

為了更細(xì)致地分析改革進(jìn)程中各金融市場的相依關(guān)系變化，本文將 樣本細(xì)分為三種時間窗口進(jìn)行研究：時間窗口一為[t-1，t+1]、時間窗口二為[t-2，t+2]、時間窗口三為[t-3，t+3]。其中供給側(cè)結(jié)構(gòu)性改革提出時間表示為t，括號中數(shù)字單位為年。

描述性統(tǒng)計結(jié)果表明，在三個市場中，股票市場收益率序列具有最大的標(biāo)準(zhǔn)差，表明其波動性較大，漲跌較為劇烈，而債券市場標(biāo)準(zhǔn)差較小，表明其運(yùn)行較為平穩(wěn)。同時，J B統(tǒng)計量表明，各市場各時期收益率在1%的顯著性水平上不服從正態(tài)分布;同時峰度均顯著大于3，即呈現(xiàn)出尖峰厚尾特征。

3.2 邊緣分布構(gòu)建

本文首先采用了ARMA EGARCH t對邊緣分布進(jìn)行過濾，參數(shù)估計結(jié)果如表1所示，其中條件均值方程依據(jù)AIC準(zhǔn)則選取階數(shù)。

若要運(yùn)用EVT方法，則要求序列近似滿足i.i.d.的條件，需對標(biāo)準(zhǔn)化殘差序列進(jìn)行BDS檢驗(yàn)來判斷其是否獨(dú)立同分布，因此本文對于標(biāo)準(zhǔn)化殘差序列進(jìn)行了BDS檢驗(yàn)，檢驗(yàn)結(jié)果表明，在1%的顯著性水平下，我們上文得到的標(biāo)準(zhǔn)化殘差序列不能拒絕i.i.d.的假設(shè)，因此可以使用EVT POT模型對標(biāo)準(zhǔn)化殘差序列建模。

使用極值理論需要確定一個尾部閾值μ，而如何確定該值還沒有一個統(tǒng)一的定論。若閾值μ過大，則超過該閾值的數(shù)據(jù)樣本就越少，使得估計精度較低，還可能會使得參數(shù)估計的方差變大;若閾值μ過小，雖然因此獲得的數(shù)據(jù)樣本較多，但會增強(qiáng)數(shù)據(jù)樣本的中心分布特征，使參數(shù)估計值偏離。目前對于選取閾值μ的方法有圖解法，即根據(jù)樣本的超限期望函數(shù)圖或Hill圖來確定;除此之外還有計算法，如峰度法、厚尾分布與正態(tài)分布相交法等。DuMouchel[21]選取了10%的樣本量作為極值，從而確定閾值進(jìn)行研究，取得了較好的效果。因此，本文選取各市場數(shù)據(jù)的10%作為極值進(jìn)行擬合，對于上下尾部之間的部分則采用核平滑方法進(jìn)行處理，結(jié)果如表2所示。

在對各市場尾部數(shù)據(jù)進(jìn)行擬合后，需要對擬合后的數(shù)據(jù)進(jìn)行K S（Kolmogorov Smirnov）檢驗(yàn)來判斷數(shù)據(jù)是否符合（0，1）上的均勻分布，以此符合Copula函數(shù)的建立條件。檢驗(yàn)結(jié)果表明，各時期各市場的序列都符合在（0，1）上的均勻分布。

3.3 Vine Copula模型分析

為了便于敘述，選用編號1來代表股票市場，編號2來代表外匯市場，編號3來代表債券市場。根據(jù)前節(jié)相應(yīng)模型過濾得到的各市場的邊緣分布，基于AIC準(zhǔn)則選取最適合的兩元Copula函數(shù)并結(jié)合Vine Copula模型獲得了兩兩市場的非條件相依性和在一個市場條件下兩個市場的條件相依性。結(jié)果如表3所示，相依系數(shù)為kendall秩相依系數(shù)，其中N、T和F分別是對稱的Normal copula、Studentt copula和Frank copula，C代表對下尾敏感的Clayton copula，G和J分別是對上尾敏感的Gumbel copula和Joe copula，SC代表Clayton copula旋轉(zhuǎn)了180度，SJ代表Joe copula旋轉(zhuǎn)了180度，RC 90和RC 270代表Clayton copula分別旋轉(zhuǎn)了90度和270度，RJ 90和RJ 270代表Joe copula分別旋轉(zhuǎn)了90度和270度，RBB7 270代表BB7 copula旋轉(zhuǎn)了270度，RBB8 90代表BB7 copula旋轉(zhuǎn)了90度。

由于系統(tǒng)性金融風(fēng)險具有強(qiáng)傳染性和強(qiáng)關(guān)聯(lián)性等特征，同時結(jié)合本文對其定義，若在供給側(cè)結(jié)構(gòu)性改革前后，各市場間的相依系數(shù)減小，代表一個市場出現(xiàn)風(fēng)險而傳染至另一個市場的可能性下降，表明系統(tǒng)性金融風(fēng)險發(fā)生的可能性也下降，由此可以說明供給側(cè)結(jié)構(gòu)性改革對于降低系統(tǒng)性金融風(fēng)險取得了較好成效。

結(jié)合表3中的相依系數(shù)的變化，可以發(fā)現(xiàn)：股市與匯市之間除開在時間窗口一的后期其相依性為正，其余時期均為負(fù)相依關(guān)系。這表明僅在15～16時期，股市上漲與人民幣貶值是同向變化。股市與債市之間的非條件相依性在時間窗口一由正變?yōu)樨?fù)，結(jié)合條件相依性進(jìn)行分析，發(fā)現(xiàn)在時間窗口一的前期股市與債市的條件相依性不同于非條件相依性，表明在以匯市為條件市場的情況下，股市與債市呈現(xiàn)反向運(yùn)行。在時間窗口二，股市與債市的非條件相依性和條件相依性均處于同一形態(tài)，但相依系數(shù)的數(shù)值在不斷提升，表明股市與債市間的相依性在不斷提升。在時間窗口三股市與債市的相依性則在降低。

通過對相依性的分析，可以探究到在不同時期內(nèi)金融市場運(yùn)行存在的問題，進(jìn)而對供給側(cè)結(jié)構(gòu)性改革的成效進(jìn)行分析。2016年是“十三五”規(guī)劃的開端之年，也是供給側(cè)結(jié)構(gòu)性改革提出后的首年，在新常態(tài)的背景下，經(jīng)濟(jì)增長面臨著種種困難和挑戰(zhàn)。對于在時間窗口一的后期，股市與匯市的相依性出現(xiàn)的特殊情況，即相依性變化為正，表明出現(xiàn)股市上漲而人民幣反而貶值的情況。通過查詢我國貨物出口總額發(fā)現(xiàn)，2016年出口量較去年減少了兩千多億元人民幣，然而2016年人民幣卻處于貶值趨勢，理論上這會使我國出口量增加。究其原因，本文認(rèn)為這是由于“去產(chǎn)能”還處于布局階段，會給企業(yè)帶來較大不確定因素，因此造成了短暫的出口減少，2017年和2018年出口量的攀升則表明貿(mào)易活動得到了較大改善。后續(xù)時窗期間股市與匯市的相依性在不斷降低，兩個子市場間的聯(lián)動性有所下降，表明系統(tǒng)性金融風(fēng)險也在不斷減小。然而，股市與債市相依性的上升且出現(xiàn)正負(fù)相依性反復(fù)波動的情況，這表明此子市場間的風(fēng)險傳染在增強(qiáng)，加劇了系統(tǒng)性金融風(fēng)險在此間傳導(dǎo)的可能性。究其原因，本文認(rèn)為這是因?yàn)殡S著供給側(cè)結(jié)構(gòu)性改革的不斷推進(jìn)，去杠桿的過程不可避免地會帶來債務(wù)違約率上升、“僵尸企業(yè)”涌現(xiàn)等風(fēng)險沖擊，從而給股市與債市的運(yùn)行帶來了很大程度的不確定性。債市與匯市間的相依程度在不同時窗的變化較為輕微，表明在當(dāng)前供給側(cè)結(jié)構(gòu)性改革對于降低債市與匯市間的風(fēng)險傳染還不明顯。

4 結(jié)論與啟示

本文以中國股票市場、外匯市場和債券市場為研究對象，通過構(gòu)建ARMA EGARCH t和EVT POT模型對各市場邊緣分布進(jìn)行建模，將得到的序列經(jīng)概率積分轉(zhuǎn)換后運(yùn)用Vine Copula模型分析了供給側(cè)結(jié)構(gòu)性改革前后不同時間窗口中國金融子市場之間的相依性變化。研究結(jié)果表明，供給側(cè)結(jié)構(gòu)性改革在當(dāng)前對于金融子市場間的風(fēng)險傳染程度改善不一，降低了股市與匯市的風(fēng)險傳染，而對于股市與債市、債市與匯市的風(fēng)險傳染降低較不明顯，表明系統(tǒng)性金融風(fēng)險未能同時在這三個金融子市場間得到顯著改善。

供給側(cè)結(jié)構(gòu)性改革是為了保障我國經(jīng)濟(jì)長期健康運(yùn)行而制定的國策，從長遠(yuǎn)來看將有助于提升我國經(jīng)濟(jì)系統(tǒng)的穩(wěn)健性，也有助于我國經(jīng)濟(jì)高質(zhì)量發(fā)展。但就短期而言，供給側(cè)結(jié)構(gòu)性改革的不斷推行會使得經(jīng)濟(jì)金融中隱含的風(fēng)險顯現(xiàn)，帶來一定的危害和不確定性。本文的研究也發(fā)現(xiàn)在當(dāng)前供給側(cè)結(jié)構(gòu)性改革的進(jìn)程中，我國金融子市場之間的風(fēng)險傳染沒有整體顯著下降，表明金融風(fēng)險通過其間的相依結(jié)構(gòu)進(jìn)行傳染而造成系統(tǒng)性金融風(fēng)險爆發(fā)的不確定性仍值得密切關(guān)注。

守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線，是國之大事，也是供給側(cè)結(jié)構(gòu)性改革的重要一環(huán)。在當(dāng)前供給側(cè)結(jié)構(gòu)性改革對于降低系統(tǒng)性金融風(fēng)險成果有限的局面下，為了更好地凸顯供給側(cè)結(jié)構(gòu)性改革的成效，我國應(yīng)堅定不移地推動改革的進(jìn)一步深化，以“三去一降一補(bǔ)”為著力點(diǎn)，對經(jīng)濟(jì)結(jié)構(gòu)中失衡的地方進(jìn)行有效調(diào)整。與此同時在金融市場中要逐步消除股市中存在的不合理高杠桿行為，逐漸剔除泡沫，避免股市出現(xiàn)暴漲暴跌現(xiàn)象而帶來劇烈風(fēng)險;要對債市中債券的運(yùn)行進(jìn)行監(jiān)控，避免其受到改革的短期影響而出現(xiàn)違約情況，從而確保債市的平穩(wěn)運(yùn)行;也要保持我國人民幣匯率相對穩(wěn)定，避免資本過度流動而帶來的風(fēng)險。將金融風(fēng)險在相依結(jié)構(gòu)中傳染前將其有效防范，會更加有利于供給側(cè)結(jié)構(gòu)性改革對我國系統(tǒng)性金融風(fēng)險的化解。此外，推進(jìn)改革深化也有助于有效疏通國內(nèi)經(jīng)濟(jì)大循環(huán)的堵塞點(diǎn)，為構(gòu)建新發(fā)展格局提供有力支撐，從而逐步提升經(jīng)濟(jì)發(fā)展質(zhì)量并改善金融市場運(yùn)行，讓系統(tǒng)性金融風(fēng)險沒有誕生的土壤。系統(tǒng)性金融風(fēng)險得到有效消除是我國金融市場平穩(wěn)運(yùn)行的保障，只有金融穩(wěn)，才能讓金融更好地服務(wù)于實(shí)體經(jīng)濟(jì)，從而改善我國經(jīng)濟(jì)結(jié)構(gòu)，使經(jīng)濟(jì)得以高質(zhì)量增長。

參 考 文 獻(xiàn)：

[1]Caballero R J， Krishnamurthy A. Global imbalances and financial fragility[J]. American Economic Review， 2009， 99（2）： 584 588.

[2]Kaufman G G. Bank failures， systemic risk， and bank regulation[J]. Cato Journal， 1996， 16（1）： 17 -45.

[3]Hart O， Zingales L， How to avoid a new financial crisis[R]. Working Paper， University of Chicago， 2009.

[4]張曉樸.系統(tǒng)性金融風(fēng)險研究：演進(jìn)、成因與監(jiān)管[J].國際金融研究，2010，（7）：58 -67.

[5]王朝陽，王文匯.中國系統(tǒng)性金融風(fēng)險表現(xiàn)與防范：一個文獻(xiàn)綜述的視角[J].金融評論，2018，10（5）：100 113，125 126.

[6]陶玲，朱迎.系統(tǒng)性金融風(fēng)險的監(jiān)測和度量——基于中國金融體系的研究[J].金融研究，2016，（6）：18 36.

[7]劉慧悅.基于DCC GARCH模型的新興市場金融傳染效應(yīng)檢驗(yàn)[J].統(tǒng)計與決策，2016，（12）：151 155.

[8]劉璐，韓浩.我國保險市場與銀行市場間的風(fēng)險溢出效應(yīng)研究——基于上市銀行和保險公司的實(shí)證分析[J].保險研究，2016，（12）：3 14.

[9]Baur D G. Stock bond co movements and cross country linkages[J]. International Journal of Banking， Accounting and Finance， 2010， 2（2）： 111 129.

[10]侯縣平，黃登仕，徐凱，等.金融危機(jī)對中國證券市場傳染效應(yīng)的影響[J].系統(tǒng)工程學(xué)報，2015，30（3）：331 343.

[11]張秀艷，張敏，閔丹.我國可轉(zhuǎn)換債券市場與股票市場動態(tài)傳導(dǎo)關(guān)系實(shí)證研究[J].當(dāng)代經(jīng)濟(jì)研究，2009，（8）：52 55.

[12]張堯庭.連接函數(shù)（copula）技術(shù)與金融風(fēng)險分析[J].統(tǒng)計研究，2002，（4）：48 51.

[13]徐凱，潘攀，曹雅晴.基于時變混合Copula的金融市場傳染效應(yīng)研究[J].軟科學(xué)，2015，29（8）：135 139.

[14]淳偉德，付君實(shí)，趙如波.基于混合Copula函數(shù)的金融市場非線性極端風(fēng)險傳染研究[J].預(yù)測，2015，34（4）：53 58.

[15]張艾蓮，靳雨佳.股票市場和外匯市場極端風(fēng)險的非對稱外溢[J].西安交通大學(xué)學(xué)報（社會科學(xué)版），2020，40（5）：30 36.

[16]張幫正，魏宇，余江，等.基于EVT Vine copula的多市場相關(guān)性及投資組合選擇研究[J].管理科學(xué)，2014，27（3）：133 144.

[17]Balkema A A， De Haan L. Residual life time at great age[J]. Annals of Probability， 1974， 2（5）： 792 -804.

[18]Pickands III J. Statistical inference using extreme order statistics[J]. The Annals of Statistics， 1975， 3（1）： 119 131.

[19]Sklar M. Fonctions de repartition an dimensions et leurs marges[J]. Publ Inst Statist Univ Paris， 1959， 8： 229 231.

[20]Joe H. Families of m variate distributions with given margins and m（m 1）/2 bivariate dependence parameters[J]. Lecture Notes Monograph Series， 1996， 28： 120 141.

[21]DuMouchel W H. Estimating the stable index α in order to measure tail thickness： a critique[J]. The Annals of Statistics， 1983， 11（4）： 1019 1031.