基于Copula函數(shù)方法的風(fēng)險相關(guān)性實證研究

李伯華，趙寶福，賈凱威，吳津津

（遼寧工程技術(shù)大學(xué) 工商管理學(xué)院，遼寧 葫蘆島 125105）

0 引言

中國股市已進入高速發(fā)展時期，股票價格對于外部的信息沖擊更為敏感，經(jīng)常會出現(xiàn)這樣的現(xiàn)象，一個板塊的漲跌會影響到其他板塊，或者說有些板塊的漲跌會跟隨敏感板塊的變化而變動.中國證券公司較多，券商板塊與整體股市的市場表現(xiàn)呈現(xiàn)出聯(lián)動性.券商板塊在某種程度上反映了市場的活躍程度，紀(jì)漢霖等[1]研究發(fā)現(xiàn)券商指數(shù)對上證指數(shù)走勢的貢獻最大.證券公司的專業(yè)優(yōu)勢和特殊社會職能使得投資者對券商板塊的關(guān)注度更高，因此券商的投資動向和市場表現(xiàn)也被賦予更高的參考權(quán)重，并對于個人投資者投資決策產(chǎn)生影響.投資者采用跨板塊投資的方式存在非理性行為和投機行為，板塊間的聯(lián)動效應(yīng)引導(dǎo)市場的走向，也導(dǎo)致市場風(fēng)險跨板塊的流動.券商板塊的波動對股票市場的波動存在很強的溢出效應(yīng)與風(fēng)險溢出性，導(dǎo)致風(fēng)險跨板塊流動以及市場中出現(xiàn)的一些跟風(fēng)投資現(xiàn)象.券商板塊的實際表現(xiàn)會有很強的投資暗示，那么券商板塊能否引領(lǐng)整體股市的波動趨勢呢？這個問題值得深入研究.

對金融市場內(nèi)部的聯(lián)動效應(yīng)和波動溢出效應(yīng)的研究是現(xiàn)代金融學(xué)研究的熱點.對于金融波動與外溢問題的研究，BOLLERSLEV T等[2]首先應(yīng)用了GARCH模型來研究金融資產(chǎn)價格波動的集聚性，之后很多學(xué)者也采用此方法來實證市場間的溢出效應(yīng).孫德山等[3]通過GARCH模型對深證綜合指數(shù)收益率的波動進行了實證分析，發(fā)現(xiàn)深證綜合指數(shù)收益率存在波動的集聚性和波動的非對稱效應(yīng)，進而驗證了風(fēng)險溢出理論.目前關(guān)于股票市場與板塊之間互動關(guān)系研究的文獻較少，大部分學(xué)者均以板塊間或滬深市場間的關(guān)系研究為主.張良貴等[4]通過構(gòu)建溢出指數(shù)來衡量中國股市行業(yè)間的波動溢出效應(yīng)，研究結(jié)果表明中國股市板塊間的收益與波動溢出存在影響關(guān)系.CHEUNG W等[5]利用線性回歸模型研究了國內(nèi)主板市場對創(chuàng)業(yè)板市場的溢出效應(yīng).金春雨等[6]通過研究發(fā)現(xiàn)不同行業(yè)板塊之間的流動性溢出效應(yīng)存在較大差異，但金融板塊流動性變化對其他板塊流動性具有顯著正向溢出效應(yīng).戚逸康等[7]認(rèn)為房地產(chǎn)板塊與股票市場間存在顯著的溢出效應(yīng)與風(fēng)險相關(guān)性.何紅霞等[8]通過構(gòu)建VECH-GARCH模型驗證了雄安新區(qū)板塊與主板市場間也存在顯著的波動溢出效應(yīng)和風(fēng)險相關(guān)性.周亮[9]研究發(fā)現(xiàn)各行業(yè)間存在系統(tǒng)性風(fēng)險關(guān)聯(lián).另外，李建勇等[10]、LI Y N等[11]、BONG H K等[12]、廖士光等[13]、周云龍等[14]均從各個角度對股票市場的內(nèi)部板塊的關(guān)系與風(fēng)險相關(guān)性進行了探討.其中，李成等[15]采用VAR-BEKK-GARCH模型對貨幣政策與股票市場間的溢出效應(yīng)進行了實證分析.MACDONALD R等[16]也采用了類似方法對歐元區(qū)風(fēng)險的溢出性進行了研究.

常用的風(fēng)險相關(guān)性分析方法是VaR（Value at Risk），但存在一定的局限性，黃金波等[17]用非參數(shù)估計的方法對其做出了改進.繼 ROCKAFELLER R T[18]等提出ES模型（預(yù)期虧損模型）和ARTZNER P等[19]構(gòu)建了條件風(fēng)險價值模型后，風(fēng)險相關(guān)性的分析又有了新發(fā)展.宮曉莉等[20]以條件風(fēng)險價值的方法測度金融機構(gòu)間的風(fēng)險溢出效應(yīng).李紅權(quán)等[21]則采用Copula函數(shù)對金融系統(tǒng)做出風(fēng)險相關(guān)性的評估.候葉子等[22]利用Copula-GARCH模型發(fā)現(xiàn)在股價上漲或下跌中，上海股市與深圳股市的收益與風(fēng)險相關(guān)性有增強趨勢.馬梅等[23]也利用Copula函數(shù)得出了類似的結(jié)論.

經(jīng)濟發(fā)展離不開股票市場的支持，股票也是企業(yè)融資的重要方式.股票市場的非正常波動必然會引起實體企業(yè)的市值變化，進而影響到企業(yè)的發(fā)展，甚至?xí)绊懡?jīng)濟的走向.股市內(nèi)部之間特別是板塊間的影響更值得探究，特別是在全球經(jīng)濟受到疫情沖擊時，券商的特殊作用也凸顯出來，券商板塊的非理性波動勢必會給股市帶來負(fù)面的影響和沖擊.因此，探討兩者之間的波動性和風(fēng)險性關(guān)聯(lián)也具有很重要的現(xiàn)實意義.GARCH-Copula-CoVaR模型正逐漸應(yīng)用在股票市場與板塊間互動關(guān)系的研究中.因此，筆者通過構(gòu)建GARCH模型刻畫出2個時間序列的邊緣分布，計算CoVaR值，再利用Copula連續(xù)函數(shù)進行相關(guān)性的實證分析，并進行回測檢驗，以揭示券商板塊作用于整體股市的機理.

1 研究設(shè)計

1.1 VAR-BEKK-GARCH模型

研究券商板塊對A股市場的影響情況，主要考察券商板塊對整體股市間的溢出效應(yīng).溢出效應(yīng)主要從兩方面進行考察，一階矩溢出（均值溢出）和波動溢出.

選取VAR-BEKK-GARCH模型來研究溢出效應(yīng).BEKK模型通過改進GARCH(1,1)模型，拓展了該模型的應(yīng)用范圍，可以用于多個市場之間的研究，同時模型的設(shè)定也解決了協(xié)方差矩陣非正定的問題，以及正負(fù)沖擊的非對稱性問題.采用的VAR-BEKK-GARCH模型表達式為

式中，yt為時間序列；a為常數(shù)向量；εt為假設(shè)服從條件正態(tài)分布的向量.yt、a、εt均為2×1維向量.vi(i=1,2,…,p)為估計系數(shù)，ξt-1為t-1期的信息集，Ht為條件方差-協(xié)方差矩陣.

式（1）可選用VAR模型來計算系數(shù)矩陣中元素的顯著性，從而可以判斷出券商板塊與整體股市之間是否存在一階矩溢出，券商板塊的前期收益率是否能對整體股市起到一定的預(yù)測作用.

BEKK-GARCH模型通過矩陣相乘的方式解決了協(xié)方差矩陣非正定性的問題.BEKK-GARCH模型中的多元方差模型為

式（2）的展開式為

式（3）～式（5）中，h11,t、h11,t-1為主板市場的條件方差；h22,t、h22,t-1為券商板塊的條件方差；h12,t、h12,t-1和h21,t、h21,t-1為券商板塊和主板市場的條件協(xié)方差，可知h12,t與h21,t相等，h12,t-1與h21,t-1相等；ε1,t-1、ε2,t-2為券商板塊和主板市場的均值方程的殘差.

通過Wald檢驗來檢驗參數(shù)矩陣中各元素的顯著性，用以驗證波動溢出效應(yīng)的存在性.Wald檢驗的原假設(shè)可假定為：b12=0，a12=0.當(dāng)券商板塊對主板市場的波動溢出效應(yīng)不存在時，此原假設(shè)成立.反之，當(dāng)主板市場對券商板塊的波動溢出效應(yīng)不存在時，原假設(shè)：b21=0，a21=0也成立.

1.2 基于Copula方法的條件風(fēng)險價值

傳統(tǒng)的風(fēng)險溢出方法VaR，即風(fēng)險價值，是基于自身風(fēng)險的度量，而條件風(fēng)險價值（CoVaR）由ADRIAN T[24]提出，實質(zhì)上是基于某一金融市場的極端風(fēng)險水平下對另一個市場的風(fēng)險度量，風(fēng)險溢出效應(yīng)也是基于CoVaR方法而進行的研究，可以更準(zhǔn)確地度量實際風(fēng)險.Sklar提出的Copula 函數(shù)可作為聯(lián)合兩個邊緣分布的連接函數(shù)，能夠更方便地得出2個變量的聯(lián)合分布函數(shù).利用TGARCH模型可提取金融時間序列標(biāo)準(zhǔn)殘差分布，再利用Copula函數(shù)考察2個變量的相關(guān)性和非對稱性，并在此基礎(chǔ)上進行后續(xù)的研究.

風(fēng)險價值V1定義為

式中，α為置信水平.

條件風(fēng)險價值V2可定義為

式中，ri，rj均為金融時間序列.

式（7）等價于

可得

可通過TGARCH模型擬合出標(biāo)準(zhǔn)殘差分布.將標(biāo)準(zhǔn)殘差經(jīng)概率密度函數(shù)轉(zhuǎn)化可得出

式中，Hj、Hi為時間序列rj、ri的標(biāo)準(zhǔn)殘差的概率密度函數(shù).

由Sklar定理，式（11）可推出

式中，C為Copula函數(shù)；

Copula函數(shù)由TGARCH模型擬合后提取標(biāo)準(zhǔn)殘差，利用Copula函數(shù)進行聯(lián)合分布檢驗進而求得.根據(jù)前人的研究，Copula函數(shù)可表達為

同時假設(shè)F(y1)和F(y2)可微且連續(xù)，C可確定唯一，同時令α1=F(y1)，α2=F(y2)，則可得到

一般根據(jù)時間序列特征選擇Copula函數(shù)，由于金融時間序列的特殊性，金融風(fēng)險的上下尾相關(guān)性等，選用阿基米德Copula函數(shù)中的Gumbel-Copula、BB7-Copula，以及t-Copula的擬合結(jié)果進行評價與比較，選取適合的Copula連接函數(shù).

1.3 研究對象和數(shù)據(jù)選取

以2000年1月1日至2020年1月1日的上證綜合指數(shù)以及券商指數(shù)為研究對象，見圖1.

圖1 上證綜合指數(shù)與券商指數(shù)Fig.1 Shanghai composite index and brokerage index

采用Stata、Eviews和Winrats統(tǒng)計軟件，數(shù)據(jù)來源于Wind數(shù)據(jù)庫.選取上證綜合指數(shù)為整體股市的代理指標(biāo).因其構(gòu)成的公司已完成股改，能準(zhǔn)確反映市場情況，券商指數(shù)的成分構(gòu)成是由經(jīng)營證券、基金、期貨等業(yè)務(wù)的43家上市公司組成，能夠精準(zhǔn)反映券商板塊的波動情況.

由圖1可見，上證綜指和券商指數(shù)的變動趨勢基本一致，但是券商板塊的波動更為劇烈一些.從時間節(jié)點上看，在上漲趨勢中，券商指數(shù)先于上證指數(shù)開始上揚，而在下跌趨勢中，券商指數(shù)的下降趨勢晚于上證指數(shù).在上漲與下跌階段都存在變化時點不對應(yīng)的關(guān)系，券商板塊與整體股市間趨勢間存在著不對稱的引領(lǐng)關(guān)系.

因金融數(shù)據(jù)的特殊性，本文將這2個指數(shù)的原始數(shù)據(jù)進行取對數(shù)收益率的預(yù)處理，采用的公式為

式中，Pi,t、Pi,t-1分別為t時刻和t-1時刻的價格指數(shù).

計算后，對數(shù)據(jù)進行統(tǒng)計分析，其基本特征見表1.

表1 指數(shù)對數(shù)收益率統(tǒng)計特征Tab.1 statistical characteristic of exponential logarithmic rate of return

因正態(tài)分布的數(shù)據(jù)偏度為0，峰度為3，本文將對比各樣本區(qū)間中的數(shù)據(jù)與正態(tài)分布的偏差，所以進行J-B檢驗，結(jié)果見表1.可見，上證綜合指數(shù)和與券商指數(shù)都呈現(xiàn)出尖峰厚尾的特征，并且拒絕了服從正態(tài)分布的原假設(shè).以極值理論對此特征進行研究，并對二者進行ADF檢驗，顯示2個數(shù)列均在1%的顯著性水平上為平穩(wěn)序列，結(jié)果見表2.

表2 指數(shù)對數(shù)收益率的平穩(wěn)性檢驗結(jié)果Tab.2 result of stationary test of exponential logarithmic rate of return

2 實證分析

2.1 券商板塊與整體股市之間均值溢出效應(yīng)分析

通過建立以上證綜合指數(shù)收益率和券商板塊收益率2個序列的向量自回歸模型來分析整體股市和券商板塊之間的一階矩溢出效應(yīng).依據(jù)AIC信息準(zhǔn)則、SBIC信息準(zhǔn)則、HQIC信息準(zhǔn)則、LR檢驗統(tǒng)計量和最終預(yù)測誤差（FPR）等標(biāo)準(zhǔn)，通過4階滯后的VAR模型得出結(jié)果，見表3、表4.

表3 VAR模型階數(shù)判斷結(jié)果Tab.3 lags of VAR model

表4 格蘭杰因果檢驗結(jié)果Tab.4 result of Granger test

由表4可見，券商板塊與整體股市在95%顯著水平上互為格蘭杰因果關(guān)系，也就是說兩個市場相互影響，券商板塊的變動會引起主板市場的波動，而整體股市的波動也會帶動券商板塊的變動.在脈沖響應(yīng)和方差分解上也得到相應(yīng)的結(jié)果，所以二者間存在均值溢出效應(yīng).

2.2 券商板塊與整體股市間波動溢出效應(yīng)實證分析

建立BEKK-GARCH模型來驗證波動溢出效應(yīng).y1和y2分別為上證綜合指數(shù)和券商指數(shù)，對數(shù)據(jù)進行取對數(shù)的收益率處理后，進行LM檢驗，結(jié)果表明，2個序列在1%顯著性水平上具有ARCH效應(yīng)，可建立GARCH模型，估計結(jié)果見表5～表7.

表5 BEKK模型估計的均值方程結(jié)果Tab.5 mean equation results estimated by BEKK model

表6 BEKK模型估計的方差方程結(jié)果Tab.6 variance equation results estimated by BEKK model

表7 Wald聯(lián)合檢驗結(jié)果Tab.7 result of Wald test

原假設(shè)1為H01：b21=0，α21=0，即上證綜指與券商指數(shù)間不存在波動溢出效應(yīng).估計結(jié)果表明：上證綜指與券商指數(shù)間存在顯著的溢出效應(yīng).

原假設(shè)2為H02：b21=0，α12=0，即券商指數(shù)與上證綜指不存在波動溢出效應(yīng).估計結(jié)果表明：券商指數(shù)和上證綜指間存在波動溢出效應(yīng).

原假設(shè)3為H03：b12=0，α12=0，b21=0，α21=0，即券商板塊與上證綜指二者之間不存在波動溢出效應(yīng). 估計結(jié)果表明：上證綜指與券商指數(shù)間均存在顯著的波動溢出效應(yīng)，且通過了Wald檢驗，在99%的置信區(qū)間內(nèi)顯著.

以上估計結(jié)果可以看出：①BEKK-GARCH模型的系數(shù)α11、b11、α22、b22在99%的置信區(qū)間水平上顯著，說明上證綜指與券商指數(shù)均具有明顯的波動聚集性特征.②BEKK-GARCH模型中，系數(shù)b12在5%的顯著性水平上顯著，是由于大盤指數(shù)的走向仍然是投資者觀測的風(fēng)向標(biāo)，上證綜指對于券商指數(shù)波動溢出效應(yīng)顯著.③α21、b21在1%顯著性水平上顯著，券商指數(shù)對上證綜合指數(shù)存在顯著的波動溢出效應(yīng)，因此α12顯著表明券商板塊的前一期的價格沖擊會影響到整個股票市場，進而造成整體股市的波動；b12顯著說明券商板塊的當(dāng)期產(chǎn)生波動對下一期的波動產(chǎn)生影響；從正負(fù)效應(yīng)來看，券商板塊的信息沖擊削弱整體股市的波動性，券商板塊的前期波動率能夠增強整體股市的波動，但是新的沖擊對整體股市的影響則更大，整體股市對于券商板塊的沖擊沒有券商板塊對整體股市的影響程度大.

券商板塊的波動和變化能夠顯著地影響主板市場，券商板塊一旦啟動會帶動整體股市的上漲，券商板塊的劇烈波動也會顯著影響到整體股市.因此券商板塊對于整體股市來說具有非常顯著的波動溢出效應(yīng)，也具有引致股票市場波動的能力.這也說明國內(nèi)股市在每一波行情中，均可以券商板塊的發(fā)動程度作為參考指標(biāo)，且事實上眾多投資者都是以券商板塊的投資動向作為投資決策的重要參考.

在2008年及2015年的股市動蕩之后，股市的異常波動成為關(guān)注的焦點.關(guān)于股市的穩(wěn)定以及對股市系統(tǒng)性風(fēng)險的防范成為研究熱點，而股市內(nèi)部之間的風(fēng)險聯(lián)動也成為不可忽略的部分.

2.3 券商板塊與整體股市的風(fēng)險相關(guān)性實證檢驗

米先華等[25]研究發(fā)現(xiàn)風(fēng)險補償在不同行業(yè)間存在差異性，券商板塊市值占到A股總市值的10%以上，由于券商的特殊地位和與上市公司的關(guān)聯(lián)性，特別是2015年7月“股災(zāi)”后以匯金公司和中金公司為代表的“國家隊”進入股票市場，并成為部分上市證券公司的股東，因此券商板塊的投資方向和股價波動趨勢受到更多投資者的關(guān)注.券商板塊也成為了股市的風(fēng)向標(biāo)，券商板塊的活躍程度與整體股市密切相關(guān)，在基本面信息一致的情況下，券商板塊與整體股市間存在共同變動和相互作用，因而應(yīng)當(dāng)將券商板塊與整體股市的風(fēng)險相關(guān)性進行研究和分析，以深入揭示兩者之間的內(nèi)在關(guān)聯(lián).

2個時間序列通過了平穩(wěn)性檢驗，通過GARCH模型擬合后，經(jīng)Ljung-Box檢驗p值均大于0.10，存在ARCH效應(yīng)，符合金融數(shù)據(jù)的波動集聚性特點. 整體股市和券商序列殘差密度函數(shù)見圖2.

圖2 整體股市和券商序列殘差密度函數(shù)Fig.2 residual density function of the whole stock Marketand rokerage block

由圖2可看出標(biāo)準(zhǔn)殘差屬于t分布，存在尾部不對稱現(xiàn)象，殘差分布具有尖峰厚尾的特征.券商板塊與整體股市間的信息杠桿現(xiàn)象見圖3.

圖3 兩變量信息沖擊Fig.3 informatin impact

圖3 中，橫軸正值代表好消息沖擊，負(fù)值代表壞消息沖擊，在市場消息利好時上漲的速度要小于股市處于利空時下跌的速度，這與中國現(xiàn)實情況相符.根據(jù)2個時間序列標(biāo)準(zhǔn)殘差的邊緣分布，對其進行概率積分轉(zhuǎn)換，再用K-S檢驗變換后的序列是否服從(0,1)分布.經(jīng)檢驗，K-S值均大于0.05，表明符合假設(shè)，(0,1)分布可以較好地擬合2個序列的條件邊緣分布.利用R軟件對3類Copula函數(shù)進行估計，t-Copula函數(shù)具有尾部相關(guān)性，Gumbel-Copula函數(shù)也能描述金融市場間的尾部相關(guān)，BB7-Copula函數(shù)也可以刻畫變量間的上下尾相關(guān)性，因此經(jīng)過模型計算后可得到結(jié)果，在實際結(jié)果中整體股市與券商板塊的時間序列變量更傾向于t-Copula函數(shù)，表8為不同模型評價結(jié)果.

表8 3類阿基米德Copula函數(shù)估計結(jié)果Tab.8 estimate result of the three Copula functions

根據(jù)信息準(zhǔn)則AIC、信息準(zhǔn)則BIC可見，采用t-Copula函數(shù)的估計結(jié)果更貼合實際.計算條件風(fēng)險價值見圖4.

圖4 t-Copula-V2波動Fig.4 volatile of t-Copula-V2

由圖4可見，券商板塊對整體股市存在很強的風(fēng)險相關(guān)性.上行風(fēng)險相關(guān)性高于下行風(fēng)險相關(guān)性，券商板塊與整體股市間的風(fēng)險依存性很高，且存在非對稱性.也正如市場表現(xiàn)，券商板塊整體上漲時能帶動整體股市趨勢上揚，而在下跌中并不如上漲時期的引領(lǐng)作用顯著.券商板塊在整體股市的走勢中存在不對稱的引領(lǐng)作用，與平時觀察到的現(xiàn)象一致，券商板塊整體上漲會認(rèn)為是“牛市”起點，而券商板塊整體下跌則不認(rèn)為整體股市下跌的開始.

對t-Copula分布下的條件風(fēng)險價值CoVaR進行了回測，通過Kupiec檢驗來驗證其準(zhǔn)確性，結(jié)果見圖5、圖6.

圖5 整體股市對券商板塊的CoVaR回測Fig.5 CoVaR back to test for the whole stock maket to securities dealerssector

圖6 券商板塊對整體股市的CoVaR回測Fig.6 CoVaR back to test for securities dealerssector to the whole stock maket

由圖5、圖6可見，整體股市與券商板塊間存在著風(fēng)險性關(guān)聯(lián)性，券商板塊的波動與股市的穩(wěn)定有很大相關(guān)性.

CoVaR回測檢驗分析結(jié)果見表9.

表9 CoVaR回測檢驗分析結(jié)果Tab.9 result of back to test

由表9可見，t分布在5%的顯著水平上，統(tǒng)計量均小于3.481，說明樣本的風(fēng)險價值與條件風(fēng)險值的測度效果很好，能夠反映出兩者的風(fēng)險特征.在受到信息沖擊時，券商板塊與股市存在著風(fēng)險關(guān)聯(lián)性，同時也表明中國股市存在信息反應(yīng)的不對稱性，也就是信息杠桿，利好消息與利空消息對股價波動的影響程度不同，利好消息對股價波動的影響程度不如利空消息的影響程度大，呈現(xiàn)出不同的斜率變化.另外由圖5、圖6可見，券商板塊對于整體股市的風(fēng)險溢出波動更為劇烈，整體股市的波動對于券商板塊的風(fēng)險溢出性明顯小于券商板塊對整體股市的影響程度，因此也證實了在近幾年的股市交易中投資者對券商板塊的關(guān)注度較高.券商板塊的風(fēng)險波動能夠影響到整體股市的波動，一方面是因為券商在股市系統(tǒng)中所處的特殊地位和信息優(yōu)勢，能優(yōu)先獲取到一些信息和動向，另一方面也是由于券商的股東結(jié)構(gòu)，一些券商具備國有的背景，匯金公司與中金公司的持有背景往往也起到了一定的示范效應(yīng).

3 結(jié)論

（1）本文從理論和實證的角度分析了券商板塊對于A股市場的溢出效應(yīng)，通過建立VAR-BEKK-GARCH模型實證了券商板塊對A股市場的溢出影響，揭示了兩者之間的傳導(dǎo)機制.券商板塊對整體股市存在波動溢出效應(yīng)，解釋了中國股市在上漲行情和下跌行情中，常常出現(xiàn)由券商板塊引領(lǐng)趨勢的現(xiàn)象.證實了投資者將券商板塊視為股市風(fēng)向標(biāo)的原因，整體股市的波動也對券商板塊存在顯著的溢出影響.

（2）金融市場間存在風(fēng)險傳遞的現(xiàn)象，股市內(nèi)部更是如此，風(fēng)險跨板塊流動.在考察券商板塊與整體股市間的風(fēng)險相關(guān)性時，通過對券商板塊與整體股市日收益率標(biāo)準(zhǔn)殘差的邊緣分布構(gòu)建聯(lián)接函數(shù)Copula，搭建了Copula-GARCH-CoVaR風(fēng)險溢出模型，分析了券商板塊與整體股市的風(fēng)險相關(guān)性.券商板塊與整體股市間存在著風(fēng)險流動性，且券商板塊的風(fēng)險溢出要大于整體股市對券商板塊的風(fēng)險溢出，也說明國內(nèi)投資者對券商板塊的關(guān)注度較高，賦予券商板塊的參考權(quán)重較大.股市系統(tǒng)內(nèi)部風(fēng)險相關(guān)性顯著.引領(lǐng)作用存在非對稱性，說明券商板塊在股市的上漲中起到引領(lǐng)作用，但在下跌過程中的引領(lǐng)作用沒有上漲過程中顯著.投資者特別是個人投資者如果以券商板塊的動向來研判股市的大勢，從而作為投資決策的重要參考時，會存在一定的判斷誤差.

綜上所述，應(yīng)當(dāng)關(guān)注券商板塊的波動情況，券商占有市場份額較大，而目前證監(jiān)會的監(jiān)管重點在上市公司上，應(yīng)加強對券商的監(jiān)管，規(guī)范券商的投資行為，重視券商板塊的正向引領(lǐng)作用，注重風(fēng)險的管理以減少系統(tǒng)性風(fēng)險的發(fā)生.