哪些行業(yè)承載來(lái)自上海原油期貨市場(chǎng)更多的風(fēng)險(xiǎn)溢出

宋加山　魏思峣　蔣坤良

摘要：自2018年建立以來(lái)，上海原油期貨市場(chǎng)與我國(guó)股市風(fēng)險(xiǎn)波動(dòng)的聯(lián)動(dòng)愈發(fā)明顯。不同于以往更關(guān)注整體股市的研究，本文從行業(yè)維度出發(fā)，探究上海原油期貨市場(chǎng)對(duì)我國(guó)各行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)。選取2019年9月1日到2022年9月1日期間上海證券市場(chǎng)十個(gè)一級(jí)行業(yè)指數(shù)的5分鐘收益率數(shù)據(jù)，引入GAS模型彌補(bǔ)GARCH類模型的不足，并建立MIDAS-Copula-CoVaR模型對(duì)各行業(yè)的條件風(fēng)險(xiǎn)以及承載的風(fēng)險(xiǎn)溢出強(qiáng)度進(jìn)行度量。結(jié)果表明：第一，含有MIDAS結(jié)構(gòu)的Copula模型擬合效果更好，充分說(shuō)明納入高頻數(shù)據(jù)的重要性。第二，上海原油期貨市場(chǎng)風(fēng)險(xiǎn)條件下各行業(yè)的上行風(fēng)險(xiǎn)明顯大于下行風(fēng)險(xiǎn)，呈現(xiàn)出較為明顯的非對(duì)稱性，說(shuō)明各行業(yè)風(fēng)險(xiǎn)對(duì)油價(jià)上漲更敏感。第三，分行業(yè)看，上海原油期貨價(jià)格下跌對(duì)能源行業(yè)影響最大、公用行業(yè)影響最小，價(jià)格上漲對(duì)醫(yī)藥行業(yè)影響最大、金融行業(yè)影響最小。第四，相較于正常情況，極端上行風(fēng)險(xiǎn)對(duì)醫(yī)藥行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最大、對(duì)消費(fèi)行業(yè)最小，極端下行風(fēng)險(xiǎn)對(duì)可選行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最大、對(duì)金融行業(yè)最小。

關(guān)鍵詞：上海原油期貨市場(chǎng)；GAS模型；混頻數(shù)據(jù)抽樣；風(fēng)險(xiǎn)溢出效應(yīng)

文章編號(hào)：2095-5960（2023）06-0011-11；中圖分類號(hào)：F830；文獻(xiàn)標(biāo)識(shí)碼：A

一、引言與文獻(xiàn)回顧

原油是現(xiàn)代工業(yè)社會(huì)最重要的原料，是關(guān)系國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展全局的重要戰(zhàn)略資源，兼有商品、金融和政治的三重屬性。中國(guó)是全球最大的原油進(jìn)口國(guó)和消費(fèi)國(guó)，各行業(yè)對(duì)原油的需求量巨大、經(jīng)濟(jì)發(fā)展對(duì)原油的依存度很高。為規(guī)避國(guó)際原油市場(chǎng)風(fēng)險(xiǎn)、爭(zhēng)奪亞洲能源定價(jià)權(quán)，我國(guó)在2018年推出了上海原油期貨（Shanghai Crude-oil Future，SCF），截至目前已成為規(guī)模僅次于WTI原油與布倫特原油的國(guó)際第三大原油期貨。[1]與此同時(shí)，上海原油期貨市場(chǎng)也承載了大量來(lái)自國(guó)際市場(chǎng)的風(fēng)險(xiǎn)傳導(dǎo)，對(duì)國(guó)內(nèi)股市的風(fēng)險(xiǎn)溢出效應(yīng)也逐漸凸顯。尤其在2020年新冠肺炎疫情暴發(fā)后，油價(jià)頻繁波動(dòng)對(duì)我國(guó)股市發(fā)展與金融穩(wěn)定都產(chǎn)生了強(qiáng)烈沖擊。而美國(guó)股市罕見的四次熔斷與俄烏戰(zhàn)爭(zhēng)爆發(fā)等不可控因素疊加，使上海原油期貨市場(chǎng)對(duì)我國(guó)股市的風(fēng)險(xiǎn)溢出效應(yīng)變得更加復(fù)雜。因此，有必要就上海原油期貨市場(chǎng)對(duì)我國(guó)股市的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行研究。

由于我國(guó)推出上海原油期貨時(shí)間較晚，現(xiàn)有研究主要聚焦于國(guó)際原油市場(chǎng)與我國(guó)股市的關(guān)系上。部分學(xué)者側(cè)重于研究國(guó)際油價(jià)沖擊與我國(guó)股市間的因果關(guān)系[2][3]，但更多學(xué)者將研究重點(diǎn)放在國(guó)際原油市場(chǎng)變化對(duì)我國(guó)股市的風(fēng)險(xiǎn)溢出效應(yīng)上：Nguyen & Bhatti認(rèn)為國(guó)際油價(jià)變動(dòng)與中國(guó)股市間不存在尾部相依性[4]，但Chen & Lv認(rèn)為國(guó)際油價(jià)變動(dòng)與我國(guó)股市存在上尾相依性[5]，而Jiang & Ye在研究原油市場(chǎng)對(duì)金磚國(guó)家股市風(fēng)險(xiǎn)溢出時(shí)發(fā)現(xiàn)，中國(guó)股市的下行風(fēng)險(xiǎn)對(duì)油價(jià)變化更敏感。[6]盡管上述觀點(diǎn)不盡相同，但都為相關(guān)研究提供了諸多參考。然而，我國(guó)行業(yè)間存在明顯的異質(zhì)性[7]，因此相關(guān)研究?jī)H考慮我國(guó)整體股市是不夠的。Cong et al.發(fā)現(xiàn)國(guó)際原油市場(chǎng)對(duì)我國(guó)制造業(yè)、采礦業(yè)和石化業(yè)有正向溢出效應(yīng)，對(duì)其他行業(yè)的溢出效應(yīng)并不顯著。[8]在此基礎(chǔ)上，Caporale et al.發(fā)現(xiàn)國(guó)際原油市場(chǎng)對(duì)我國(guó)消費(fèi)、金融和能源行業(yè)具有負(fù)向溢出效應(yīng)[9]，Mensi et al.發(fā)現(xiàn)國(guó)際油價(jià)波動(dòng)對(duì)我國(guó)工業(yè)和消費(fèi)行業(yè)風(fēng)險(xiǎn)溢出效應(yīng)最顯著，且風(fēng)險(xiǎn)溢出呈現(xiàn)明顯的非對(duì)稱性。[10]這些發(fā)現(xiàn)不僅為相關(guān)研究提供了新的視角，也充分說(shuō)明了從行業(yè)維度進(jìn)行異質(zhì)性分析的必要性。

除考慮行業(yè)差異外，模型選擇是實(shí)證研究的關(guān)鍵一步。在傳統(tǒng)相依性或風(fēng)險(xiǎn)溢出研究中，VAR等線性模型經(jīng)常被用以研究金融市場(chǎng)間的關(guān)聯(lián)[11]，但這往往難以捕捉變量間的非線性相依特征。因此，學(xué)者們開始采用Copula函數(shù)刻畫資產(chǎn)間的相依結(jié)構(gòu)，并基于此度量風(fēng)險(xiǎn)。[12][13]其中，GARCH-Copula-CoVaR模型常被用于測(cè)度原油市場(chǎng)對(duì)股市的風(fēng)險(xiǎn)溢出效應(yīng)。[14][15][16]但一方面，在描述金融數(shù)據(jù)的厚尾特征或長(zhǎng)記憶性時(shí)，GARCH類模型還存在些許不足，而與依賴過(guò)去條件矩的GARCH類模型相比，Creal et al.提出的廣義自回歸得分（Generalized Autoregressive Score，GAS）模型擬合效果更優(yōu)。[17][18]另一方面，相關(guān)研究通常僅選取日度數(shù)據(jù)作為樣本，忽視了高頻數(shù)據(jù)缺失可能造成的影響。因此，部分學(xué)者基于GAS模型，試圖探索更高頻數(shù)據(jù)的建模方式，如：Salvatierra & Patton[19]、龔玉婷等[20]、蔡光輝等[21]、Gong et al.[22]，但仍有拓展空間。

可見，大量文獻(xiàn)就國(guó)際原油市場(chǎng)對(duì)我國(guó)股市的風(fēng)險(xiǎn)溢出效應(yīng)提出了深刻見解，也推動(dòng)了該領(lǐng)域研究的進(jìn)一步完善和成熟，但由于上海原油期貨上市時(shí)間較短，盡管已有學(xué)者意識(shí)到該市場(chǎng)會(huì)對(duì)我國(guó)股市產(chǎn)生不可忽視的影響[23][24]，但相關(guān)研究依舊較少。而且，現(xiàn)有研究主要以日度數(shù)據(jù)和線性模型為基礎(chǔ)，不僅忽視了金融序列間的動(dòng)態(tài)、非線性相依結(jié)構(gòu)，還忽視了高頻數(shù)據(jù)缺失會(huì)對(duì)風(fēng)險(xiǎn)估計(jì)產(chǎn)生偏差。另外，現(xiàn)有研究主要聚焦于我國(guó)整體股市，并未考察上海原油期貨市場(chǎng)對(duì)我國(guó)不同行業(yè)的溢出效應(yīng)存在異質(zhì)性。因此，本文選取上海原油期貨指數(shù)（SCFI）和上海證券交易所一級(jí)行業(yè)指數(shù)的5分鐘收益率數(shù)據(jù)，引入GAS模型來(lái)彌補(bǔ)GARCH類模型的不足，并基于此建立MIDAS-Copula模型以得到擬合效果更優(yōu)的相依結(jié)構(gòu)。進(jìn)一步，選取CoVaR和ΔCoVaR就上海原油期貨市場(chǎng)對(duì)我國(guó)各行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行度量，從而分析我國(guó)哪些行業(yè)會(huì)承載來(lái)自上海原油期貨價(jià)格波動(dòng)更多的風(fēng)險(xiǎn)溢出。

本文可能的貢獻(xiàn)是：第一，目前有關(guān)原油市場(chǎng)波動(dòng)的研究主要集中于國(guó)際市場(chǎng)上的WTI原油和布倫特原油，有關(guān)上海原油期貨的研究較少。本文有助于豐富上海原油期貨市場(chǎng)風(fēng)險(xiǎn)溢出的相關(guān)研究，為我國(guó)風(fēng)險(xiǎn)管理提供新證據(jù)。第二，目前有關(guān)風(fēng)險(xiǎn)溢出的研究主要采用線性模型或GARCH-Copula-CoVaR模型，前者可能忽略序列間的非線性相依結(jié)構(gòu)，后者可能忽略序列的厚尾、長(zhǎng)記憶性等特征。本文引入GAS模型來(lái)彌補(bǔ)GARCH類模型的不足，并針對(duì)各行業(yè)建立了MIDAS-Copula-CoVaR模型，不僅證明該模型有更好的擬合效果，還充分考慮了高頻信息對(duì)風(fēng)險(xiǎn)度量的影響。第三，目前有關(guān)原油市場(chǎng)對(duì)我國(guó)股市的風(fēng)險(xiǎn)溢出效應(yīng)研究主要針對(duì)整體市場(chǎng)，本文從行業(yè)視角切入，不僅考慮了不同行業(yè)存在異質(zhì)性，還有助于進(jìn)一步拓展研究視角、厘清溢出對(duì)象。因此本文認(rèn)為，以GAS模型為補(bǔ)充，建立基于GARCH模型和GAS模型的MIDAS-Copula-CoVaR模型，以此分析上海原油期貨價(jià)格波動(dòng)對(duì)我國(guó)各行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)，從而厘清哪些行業(yè)承載來(lái)自原油市場(chǎng)更多的風(fēng)險(xiǎn)溢出，對(duì)我國(guó)各行業(yè)規(guī)避原油市場(chǎng)風(fēng)險(xiǎn)，促進(jìn)金融市場(chǎng)穩(wěn)定，具有一定理論意義和現(xiàn)實(shí)價(jià)值。

二、理論與模型構(gòu)建

（一）邊緣分布擬合：GARCH模型與GAS模型

（二）相依結(jié)構(gòu)刻畫：MIDAS-Copula模型

（三）風(fēng)險(xiǎn)溢出度量：CoVaR方法

三、實(shí)證結(jié)果與分析

（一）樣本數(shù)據(jù)選擇及邊緣分布擬合

本文選取上海期貨交易所公布的上海原油期貨市場(chǎng)指數(shù)（SCFI）和上海證券交易所公布的上證一級(jí)行業(yè)指數(shù)作為研究樣本。上證一級(jí)行業(yè)指數(shù)是上交所以2003年12月31日為基期編制的，將滬市全部樣本按照行業(yè)分類標(biāo)準(zhǔn)劃分為10個(gè)一級(jí)行業(yè)的股票指數(shù)。其包括：上證能源行業(yè)指數(shù)、上證材料行業(yè)指數(shù)、上證工業(yè)行業(yè)指數(shù)、上證可選行業(yè)指數(shù)、上證消費(fèi)行業(yè)指數(shù)、上證醫(yī)藥行業(yè)指數(shù)、上證金融行業(yè)指數(shù)、上證信息行業(yè)指數(shù)、上證通信行業(yè)指數(shù)、上證公用行業(yè)指數(shù)。樣本數(shù)據(jù)選取2019年9月1日到2022年9月1日的5分鐘交易數(shù)據(jù)，在數(shù)據(jù)清洗后，最終取得729個(gè)交易日，每個(gè)行業(yè)有34992個(gè)高頻交易數(shù)據(jù)。本文收益率采用5分鐘交易數(shù)據(jù)的對(duì)數(shù)收益率，定義為rt，s=100×ln（Pt，s/Pt，s－1），其中：rt，s和Pt，s定義為第t日第s時(shí)刻的對(duì)數(shù)收益率和價(jià)格。本文數(shù)據(jù)來(lái)源于Wind數(shù)據(jù)庫(kù)，各行業(yè)指數(shù)波動(dòng)情況如圖1所示。

從波動(dòng)情況看，所有行業(yè)指數(shù)均在2020年2月出現(xiàn)大幅下跌，但醫(yī)藥、信息和通信行業(yè)指數(shù)卻及時(shí)止住下跌趨勢(shì)并開始上漲。這主要源于2020年新冠肺炎疫情暴發(fā)，許多企業(yè)長(zhǎng)時(shí)間停工停產(chǎn)，大多數(shù)行業(yè)發(fā)展受到阻礙。但與此同時(shí)，疫情迫使民眾居家辦公、學(xué)習(xí)，反而驅(qū)動(dòng)了信息、通信等行業(yè)發(fā)展，而疫苗、口罩等醫(yī)療資源需求上升也促使醫(yī)藥行業(yè)大幅反彈。除此之外，其他行業(yè)指數(shù)波動(dòng)也呈現(xiàn)不同差異，這也充分說(shuō)明考慮行業(yè)異質(zhì)性的必要性。

表1是各序列的描述性統(tǒng)計(jì)結(jié)果?？梢钥吹?，除金融行業(yè)外，各序列均呈現(xiàn)左偏、有峰特征，且J-B檢驗(yàn)結(jié)果表明序列拒絕服從正態(tài)分布的假設(shè)，這與大多金融數(shù)據(jù)的特性相符。同時(shí)，ADF檢驗(yàn)和ARCH-LM檢驗(yàn)表明各序列平穩(wěn)且具有波動(dòng)聚集效應(yīng)，這為后續(xù)波動(dòng)率建模奠定了基礎(chǔ)。

本文首先采用GARCH模型對(duì)各序列的邊緣分布進(jìn)行擬合。在充分比對(duì)各序列的條件分布為：正態(tài)分布、t分布、偏t（Skew-t）分布、廣義誤差分布（GED）以及偏廣義誤差分布（Skew-GED）時(shí)的模型擬合結(jié)果后，我們發(fā)現(xiàn)原油、能源、醫(yī)藥和金融行業(yè)指數(shù)更服從Skew-GED，而其余序列更服從Skew-t分布，參數(shù)估計(jì)結(jié)果如表2所示。可以看出，核心參數(shù)在1%置信水平下均顯著，參數(shù)α+β<1且均接近1，說(shuō)明采用GARCH模型擬合是穩(wěn)定合理的。另外，ARCH-LM檢驗(yàn)結(jié)果顯示殘差序列已不存在波動(dòng)聚集效應(yīng)，K-S檢驗(yàn)結(jié)果顯示概率積分變換后的序列服從（0，1）上的均勻分布。

為了彌補(bǔ)GARCH類模型的不足，本文引入GAS模型進(jìn)行擬合。除了選取上述五種條件分布外，本文還逐一比對(duì)了位置參數(shù)、尺度參數(shù)、偏態(tài)參數(shù)、形狀參數(shù)為動(dòng)態(tài)參數(shù)時(shí)的模型估計(jì)結(jié)果，最終發(fā)現(xiàn)所有序列更服從Skew-t分布，且更偏好尺度參數(shù)為動(dòng)態(tài)時(shí)的GAS模型，參數(shù)估計(jì)結(jié)果如表3所示。可以看出，核心參數(shù)均顯著，說(shuō)明采用基于動(dòng)態(tài)尺度參數(shù)的GAS模型擬合也是穩(wěn)定合理的。另外，ARCH-LM檢驗(yàn)結(jié)果顯示殘差序列已不存在波動(dòng)聚集效應(yīng)，K-S檢驗(yàn)結(jié)果顯示概率積分變換后的序列服從（0，1）上的均勻分布。

根據(jù)GARCH模型和GAS模型的擬合結(jié)果，本文發(fā)現(xiàn)兩種模型的對(duì)數(shù)似然值非常接近，無(wú)法確定其是否存在統(tǒng)計(jì)意義上的差異。為更直觀刻畫兩種模型所估計(jì)的時(shí)變標(biāo)準(zhǔn)差（尺度參數(shù)）變化趨勢(shì)，本文描繪了各序列在兩種模型估計(jì)下的標(biāo)準(zhǔn)差走勢(shì)，如圖2所示，可以看出在市場(chǎng)震蕩時(shí)，兩種標(biāo)準(zhǔn)差的差異較大。2020年新冠肺炎疫情暴發(fā)后，整個(gè)市場(chǎng)呈現(xiàn)大幅下跌態(tài)勢(shì)，基于GARCH模型估計(jì)的標(biāo)準(zhǔn)差明顯高于GAS模型，說(shuō)明GARCH模型擬合效果可能受到下尾極端值影響。反過(guò)來(lái)，材料和能源行業(yè)分別在2021年3月和9月整體走強(qiáng)，基于GAS模型估計(jì)的標(biāo)準(zhǔn)差也明顯高于GARCH模型，說(shuō)明GAS模型擬合效果可能受到上尾極端值影響。

至此，表2和表3佐證了GARCH模型和GAS模型都能較好擬合所選序列數(shù)據(jù)，這為后續(xù)進(jìn)行相依性建模奠定了基礎(chǔ)。但是，圖2表明了GARCH模型擬合效果可能受到下尾極端值影響，而GAS模型擬合效果可能受到上尾極端值影響，在市場(chǎng)不同狀態(tài)下，兩者會(huì)出現(xiàn)一定程度的風(fēng)險(xiǎn)測(cè)度偏差。究竟哪個(gè)模型更適用于本文的風(fēng)險(xiǎn)溢出效應(yīng)研究，需要在相依性建模中進(jìn)一步探索。

（二）Copula模型參數(shù)估計(jì)及最優(yōu)模型選擇

首先，本文繪制了各行業(yè)指數(shù)與原油指數(shù)的Kendall相關(guān)系數(shù)與已實(shí)現(xiàn)相關(guān)系數(shù)，如圖3所示。從Kendall相關(guān)系數(shù)可以看出，能源行業(yè)與原油市場(chǎng)正相關(guān)度最高，信息行業(yè)與原油市場(chǎng)負(fù)相關(guān)度最高，而消費(fèi)行業(yè)與原油市場(chǎng)的相關(guān)度最低。然而，Kendall相關(guān)系數(shù)并不能充分反映序列間的動(dòng)態(tài)相依性，因此需要重點(diǎn)考察已實(shí)現(xiàn)相關(guān)系數(shù)的波動(dòng)情況。[29]可以看出，2020年1月，所有行業(yè)指數(shù)與原油指數(shù)間的已實(shí)現(xiàn)相關(guān)系數(shù)急劇上漲，而在2022年2月，所有行業(yè)指數(shù)與原油指數(shù)間的已實(shí)現(xiàn)相關(guān)系數(shù)呈現(xiàn)先急劇上漲、后整體下降的倒“V”型波動(dòng)。結(jié)合圖1本文認(rèn)為，一方面，新冠疫情蔓延導(dǎo)致全球進(jìn)入隔離模式，原油需求量驟降，但由于原油供給不減，“油滿為患”情形出現(xiàn)，油價(jià)與其他行業(yè)行情一同走低，相關(guān)度隨之提高。另一方面，俄烏戰(zhàn)爭(zhēng)爆發(fā)直接導(dǎo)致能源使用成本上升，在全球疫情逐漸穩(wěn)定、經(jīng)濟(jì)穩(wěn)步復(fù)蘇的大背景下，油價(jià)與其他行業(yè)行情一同走高，相關(guān)度再次提高。但油價(jià)暴漲后，國(guó)內(nèi)再次受到疫情沖擊，油價(jià)與各行業(yè)行情走勢(shì)偏離，二者相關(guān)度明顯下降。

為更準(zhǔn)確地刻畫各行業(yè)指數(shù)與原油指數(shù)間的相依結(jié)構(gòu)，本文分別選取基于GARCH模型和GAS模型擬合的殘差序列與八種Copula模型進(jìn)行相依性建模，包括：GARCH-Gaussian Copula模型、GARCH-MIDAS-Gaussian Copula模型、GAS-Gaussian Copula模型、GAS-MIDAS-Gaussian Copula模型、GARCH-t Copula模型、GARCH-MIDAS-t Copula模型、GAS-t Copula模型和GAS-MIDAS-t Copula模型。限于篇幅，表4只展示最優(yōu)Copula模型的參數(shù)估計(jì)結(jié)果，其余結(jié)果備索。

由表4可知，GARCH-MIDAS-t Copula模型能更好刻畫工業(yè)、可選、消費(fèi)、醫(yī)藥、信息、通信、公用行業(yè)指數(shù)與原油指數(shù)間的相依結(jié)構(gòu)，GAS-MIDAS-t Copula模型能更好刻畫材料、金融行業(yè)指數(shù)與原油指數(shù)間的相依結(jié)構(gòu)，GARCH-t Copula模型能更好刻畫能源行業(yè)指數(shù)與原油指數(shù)間的相依結(jié)構(gòu)?？傮w而言，t Copula模型的擬合效果比Gaussian Copula模型更優(yōu)，可能是因?yàn)閠 Copula模型更能捕捉金融序列的厚尾特征。在具體比較后發(fā)現(xiàn)，除能源行業(yè)外，考慮MIDAS結(jié)構(gòu)的Copula模型擬合效果更好；特別地，模型中的放松參數(shù)顯著，說(shuō)明對(duì)MIDAS結(jié)構(gòu)賦權(quán)是有意義的。對(duì)能源行業(yè)來(lái)說(shuō)，可能由于與原油市場(chǎng)相關(guān)度最高，t Copula模型足以刻畫二者相依性，無(wú)需加入MIDAS結(jié)構(gòu)。值得一提的是，除了材料、可選、金融、通信和公用行業(yè)外，其余行業(yè)最優(yōu)模型中的βc均小于0，結(jié)合圖3分析認(rèn)為，這可能是由于其余行業(yè)指數(shù)與原油指數(shù)的相關(guān)度不高，甚至多次出現(xiàn)負(fù)相關(guān)，導(dǎo)致模型中的滯后一階自相關(guān)系數(shù)βc為負(fù)。

（三）上海原油期貨市場(chǎng)對(duì)我國(guó)行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)分析

在得到最優(yōu)Copula模型后，本文計(jì)算了上海原油期貨市場(chǎng)風(fēng)險(xiǎn)條件下各行業(yè)指數(shù)的動(dòng)態(tài)VaR和CoVaR值，包括：上行VaR、下行VaR、原油市場(chǎng)上行風(fēng)險(xiǎn)條件下的上行CoVaR（簡(jiǎn)稱上行CoVaR）和原油市場(chǎng)下行風(fēng)險(xiǎn)條件下的下行CoVaR（簡(jiǎn)稱下行CoVaR）。圖4展示了各行業(yè)的動(dòng)態(tài)VaR與CoVaR走勢(shì)，限于篇幅，描述性統(tǒng)計(jì)結(jié)果備索。總的來(lái)說(shuō)，一方面，各行業(yè)指數(shù)的上行風(fēng)險(xiǎn)顯著大于下行風(fēng)險(xiǎn)，呈現(xiàn)較為明顯的非對(duì)稱性特征；另一方面，下行CoVaR顯著小于下行VaR，上行CoVaR顯著大于上行VaR，說(shuō)明不論上行還是下行，上海原油期貨市場(chǎng)風(fēng)險(xiǎn)都會(huì)進(jìn)一步放大我國(guó)各行業(yè)的風(fēng)險(xiǎn)。

從下行風(fēng)險(xiǎn)看，上海原油期貨市場(chǎng)對(duì)能源行業(yè)影響更大，對(duì)公用行業(yè)影響較小：能源行業(yè)作為與原油市場(chǎng)正相關(guān)度最高的行業(yè)，油價(jià)下跌會(huì)進(jìn)一步放大能源行業(yè)的下行風(fēng)險(xiǎn)。同時(shí)，受政治、經(jīng)濟(jì)等宏觀因素影響，油價(jià)頻繁波動(dòng)也會(huì)使能源行業(yè)蘊(yùn)藏較大的下行風(fēng)險(xiǎn)。而公用行業(yè)作為服務(wù)于城市生產(chǎn)、流通和居民生活各項(xiàng)事業(yè)的行業(yè)，其經(jīng)營(yíng)不僅具有壟斷性和典型地域特征，服務(wù)或產(chǎn)品的價(jià)格波動(dòng)也會(huì)受到政府的管理調(diào)控，受油價(jià)下跌沖擊也較小。

從上行風(fēng)險(xiǎn)看，上海原油期貨市場(chǎng)對(duì)醫(yī)藥行業(yè)影響更大，對(duì)金融行業(yè)影響較小：油價(jià)上漲會(huì)迫使溶劑供應(yīng)商提高用于大宗原料藥（指醫(yī)藥行業(yè)中應(yīng)用普遍、規(guī)模較大的原料藥）的碳?xì)浠衔锖秃跞軇┑膬r(jià)格，再加上疫情期間國(guó)內(nèi)藥品供應(yīng)短缺，大宗原料藥的價(jià)格不斷上漲，醫(yī)藥行業(yè)持續(xù)上行。而金融行業(yè)作為我國(guó)穩(wěn)定行情的堅(jiān)實(shí)力量，對(duì)風(fēng)險(xiǎn)控制的能力較為突出，且我國(guó)金融行業(yè)以銀行板塊為主，長(zhǎng)期以來(lái)處于估值低位、成長(zhǎng)空間較小，受到油價(jià)上漲沖擊也較小。

另外，大多行業(yè)的VaR和CoVaR在2020年2月和7月、2022年3月和5月達(dá)到峰值。在2020年，2月的疫情暴發(fā)使得原油需求大幅下降，股市整體走弱與油價(jià)下行因素疊加，我國(guó)股市下行風(fēng)險(xiǎn)增大；隨后7月，在我國(guó)出色的疫情防控能力與取得的成績(jī)背景下，我國(guó)經(jīng)濟(jì)逐步復(fù)蘇，股市呈現(xiàn)大漲態(tài)勢(shì)。在2022年，3月的俄烏戰(zhàn)爭(zhēng)爆發(fā)使得國(guó)際原油成本大漲，價(jià)格的頻繁波動(dòng)以及未來(lái)前景的不確定性導(dǎo)致原油市場(chǎng)風(fēng)險(xiǎn)增加，我國(guó)股市出現(xiàn)劇烈波動(dòng)；隨后5月，美聯(lián)儲(chǔ)高達(dá)50個(gè)基點(diǎn)的加息政策，使得原油市場(chǎng)風(fēng)險(xiǎn)條件下的股市風(fēng)險(xiǎn)被進(jìn)一步放大，市場(chǎng)不穩(wěn)定因素增多。值得一提的是，醫(yī)藥行業(yè)的下行VaR均大于0，說(shuō)明若不考慮原油市場(chǎng)風(fēng)險(xiǎn)條件，醫(yī)藥行業(yè)將呈現(xiàn)凈收益狀態(tài)，這是疫情時(shí)期出現(xiàn)的特有情形。

圖5是相對(duì)于正常狀況，各行業(yè)在原油市場(chǎng)極端風(fēng)險(xiǎn)條件下的ΔCoVaR。特別說(shuō)明一點(diǎn)，ΔCoVaR小于0意味著行業(yè)在極端條件下受到的風(fēng)險(xiǎn)溢出強(qiáng)度比正常情況下更弱。限于篇幅，描述性統(tǒng)計(jì)結(jié)果備索?？偟膩?lái)說(shuō)，上行ΔCoVaR大于下行ΔCoVaR，說(shuō)明相較于極端下行風(fēng)險(xiǎn)條件，極端上行風(fēng)險(xiǎn)條件下原油市場(chǎng)對(duì)我國(guó)各行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度更大，進(jìn)一步支持了上述對(duì)上海原油期貨市場(chǎng)上行風(fēng)險(xiǎn)更敏感的判斷。

分開來(lái)看，在極端上行風(fēng)險(xiǎn)條件下，上海原油期貨市場(chǎng)對(duì)醫(yī)藥行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最大，對(duì)消費(fèi)行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最??；在極端下行風(fēng)險(xiǎn)條件下，上海原油期貨市場(chǎng)對(duì)可選行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最大，對(duì)金融行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最小。究其原因，我國(guó)的消費(fèi)行業(yè)主要由食品飲料、家居、農(nóng)業(yè)等板塊構(gòu)成，盡管油價(jià)波動(dòng)會(huì)對(duì)整體價(jià)格產(chǎn)生影響，但我國(guó)人口基數(shù)較大，日常消費(fèi)的規(guī)模和能級(jí)通常不會(huì)受到太大沖擊。相對(duì)于消費(fèi)行業(yè)，可選行業(yè)的需求性本身比較弱，而且具有一定周期性。當(dāng)經(jīng)濟(jì)狀況下行時(shí)，可選行業(yè)會(huì)受到較大的沖擊，消費(fèi)者往往會(huì)選擇延期消費(fèi)或者購(gòu)買更便宜的替代品，這與本文的發(fā)現(xiàn)相符。能源、醫(yī)藥和金融行業(yè)的原因上文已經(jīng)分析過(guò)，這里不再贅述。

四、結(jié)論及進(jìn)一步討論

原油市場(chǎng)對(duì)我國(guó)股市的溢出效應(yīng)研究一直是學(xué)術(shù)界重點(diǎn)關(guān)注的課題，但大多目光主要集中于國(guó)際原油市場(chǎng)。2018年我國(guó)推出的上海原油期貨，截至目前已成為全球第三大原油期貨。隨著上海原油期貨市場(chǎng)建立與不斷完善，該市場(chǎng)對(duì)我國(guó)股市的風(fēng)險(xiǎn)溢出效應(yīng)也不可忽視。為此，本文從行業(yè)維度出發(fā)，選取2019年9月1日到2022年9月1日上海原油期貨指數(shù)和上海證券市場(chǎng)一級(jí)行業(yè)指數(shù)的5分鐘收益率數(shù)據(jù)作為樣本，以探究哪些行業(yè)承載來(lái)自上海原油期貨市場(chǎng)更多的風(fēng)險(xiǎn)溢出。

首先，本文引入GAS模型作為GARCH類模型的補(bǔ)充，通過(guò)擬合數(shù)據(jù)邊緣分布，得到不含波動(dòng)聚集效應(yīng)且服從均勻分布的殘差序列。其次，本文選取了8個(gè)不同的Copula模型，刻畫原油指數(shù)與各行業(yè)指數(shù)間的非線性相依結(jié)構(gòu)，并選取擬合效果更好的模型進(jìn)行相依性建模。隨后，本文選取VaR和CoVaR分別對(duì)各行業(yè)的絕對(duì)風(fēng)險(xiǎn)，以及上海原油期貨市場(chǎng)風(fēng)險(xiǎn)條件下各行業(yè)的條件風(fēng)險(xiǎn)進(jìn)行測(cè)度。最后，本文選取ΔCoVaR就極端情況下，上海原油期貨市場(chǎng)對(duì)我國(guó)10個(gè)行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度進(jìn)行度量。實(shí)證結(jié)果表明：第一，GARCH模型擬合效果可能會(huì)受下尾極端值影響，GAS模型擬合效果可能會(huì)受上尾極端值影響，在市場(chǎng)不同狀態(tài)下，基于兩者的風(fēng)險(xiǎn)測(cè)度會(huì)出現(xiàn)一定偏差。第二，t Copula模型能更好刻畫SCFI與能源行業(yè)指數(shù)間的相依結(jié)構(gòu)，而MIDAS-t Copula模型能更好刻畫SCFI與其他行業(yè)指數(shù)間的相依結(jié)構(gòu)，表明含有MIDAS結(jié)構(gòu)的Copula模型擬合效果更好，也充分說(shuō)明納入高頻數(shù)據(jù)的重要性。第三，不論上行還是下行，上海原油期貨價(jià)格波動(dòng)都會(huì)放大我國(guó)各行業(yè)的風(fēng)險(xiǎn)，其中價(jià)格下跌對(duì)能源行業(yè)影響最大、公用行業(yè)影響最小，價(jià)格上漲對(duì)醫(yī)藥行業(yè)影響最大、金融行業(yè)影響最小。第四，我國(guó)各行業(yè)對(duì)上海原油期貨市場(chǎng)的上行風(fēng)險(xiǎn)更加敏感，即油價(jià)上漲對(duì)各行業(yè)的沖擊影響更大。具體而言，極端上行風(fēng)險(xiǎn)對(duì)醫(yī)藥行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最大、對(duì)消費(fèi)行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最小，極端下行風(fēng)險(xiǎn)對(duì)可選行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最大、對(duì)金融行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最小。

基于上述研究結(jié)果，本文認(rèn)為：一方面，我國(guó)作為原油消費(fèi)大國(guó)，不僅要關(guān)注國(guó)際原油市場(chǎng)的變動(dòng)，還要關(guān)注上海原油期貨市場(chǎng)對(duì)各行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)。尤其當(dāng)油價(jià)上漲時(shí)，需重點(diǎn)關(guān)注能源、醫(yī)藥等行業(yè)的上行風(fēng)險(xiǎn)；當(dāng)油價(jià)下跌時(shí)，需重點(diǎn)關(guān)注能源、可選、醫(yī)藥等行業(yè)的下行風(fēng)險(xiǎn)。另一方面，我國(guó)需繼續(xù)加快建設(shè)上海原油期貨交易所，盡早掌握亞太地區(qū)能源定價(jià)權(quán)，完善價(jià)格發(fā)現(xiàn)機(jī)制，降低市場(chǎng)不確定性，為實(shí)體經(jīng)濟(jì)高質(zhì)量發(fā)展提供金融支持。另外，金融部門需制定積極政策以應(yīng)對(duì)新冠疫情、俄烏戰(zhàn)爭(zhēng)等重大事件造成原油市場(chǎng)對(duì)我國(guó)各行業(yè)的沖擊，進(jìn)一步規(guī)避極端風(fēng)險(xiǎn)帶來(lái)的不良影響。

參考文獻(xiàn)：

[1]Ji Q， Zhang D. China’s Crude Oil Futures： introduction and Some Stylized Facts[J]. Finance Research Letters， 2019， 28： 376～380.

[2]Ding H， Kim H G， Park S Y. Crude Oil and Stock Markets： Causal Relationships in Tails？[J]. Energy Economics， 2016， 59： 58～69.

[3]Peng C， Zhu H， Guo Y， et al. Risk Spillover of international Crude Oil to China’s Firms： Evidence from Granger Causality across Quantile[J]. Energy Economics， 2018， 72： 188～199.

[4]Nguyen C C， Bhatti M I. Copula Model Dependency between Oil Prices and Stock Markets： Evidence from China and Vietnam[J]. Journal of International Financial Markets， Institutions and Money， 2012， 22（4）： 758～773.

[5]Chen Q， Lv X. The Extreme～Value Dependence between the Crude Oil Price and Chinese Stock Markets[J]. International Review of Economics & Finance， 2015， 39： 121～132.

[6]Jiang K， Ye W. Does the Asymmetric Dependence Volatility Affect Risk Spillovers between the Crude Oil Market and BRICS Stock Markets？[J]. Economic Modelling， 2022， 117： 106046.

[7]Wang X， Wang Y. Volatility Spillovers Between Crude Oil and Chinese Sectoral Equity Markets： Evidence from A Frequency Dynamics Perspective[J]. Energy Economics， 2019， 80： 995～1009.

[8]Cong R G， Wei Y M， Jiao J L， et al. Relationships between Oil Price Shocks and Stock Market： An Empirical Analysis from China[J]. Energy Policy， 2008， 36（9）： 3544～3553.

[9]Caporale G M， Ali F M， Spagnolo N. Oil Price Uncertainty and Sectoral Stock Returns in China： A Time-Varying Approach[J]. China Economic Review， 2015， 34： 311～321.

[10]Mensi W， Al Rababa’a A R， Vo X V， et al. Asymmetric Spillover and Network Connectedness between Crude Oil， Gold， and Chinese Sector Stock Markets[J]. Energy Economics， 2021， 98： 105262.

[11]Zhou Y， Wu S， Zhang Z. Multidimensional Risk Spillovers among Carbon， Energy and Nonferrous Metals Markets： Evidence from the Quantile VAR Network[J]. Energy Economics， 2022， 114： 106319.

[12]Zhu B， Zhou X， Liu X， et al. Exploring the Risk Spillover Effects among China’s Pilot Carbon Markets： A Regular Vine Copula-Coes Approach[J]. Journal of Cleaner Production， 2020， 242： 118455.

[13]顧云，張棟浩，杜在超，黃在鑫.系統(tǒng)性風(fēng)險(xiǎn)度量CoES的建模和檢驗(yàn)[J].統(tǒng)計(jì)研究，2022，39（1）：132～145.

[14]Sun X， Liu C， Wang J， et al. Assessing the Extreme Risk Spillovers of International Commodities on Maritime Markets： A GARCH-Copula-CoVaR Approach[J]. International Review of Financial Analysis， 2020， 68： 101453.

[15]Kumar S， Tiwari A K， Raheem I D， et al. Time-Varying Dependence Structure between Oil and Agricultural Commodity Markets： A Dependence-Switching CoVaR Copula Approach[J]. Resources Policy， 2021， 72： 102049.

[16]Tian M， Alshater M M， Yoon S M. Dynamic Risk Spillovers from Oil to Stock Markets： Fresh Evidence from GARCH Copula Quantile Regression-Based CoVaR Model[J]. Energy Economics， 2022， 115： 106341.

[17]Creal D， Koopman S J， Lucas A. Generalized Autoregressive Score Models with Applications[J]. Journal of Applied Econometrics， 2013， 28（5）： 777～795.

[18]劉賽可，何曉群，夏利宇.基于GAS模型的動(dòng)態(tài)VaR預(yù)測(cè)效果分析[J].數(shù)理統(tǒng)計(jì)與管理，2022，41（1）：179～189.

[19]Salvatierra I D L， Patton A J. Dynamic Copula Models and High Frequency Data[J]. Journal of Empirical Finance， 2015， 30： 120～135.

[20]龔玉婷，陳強(qiáng)，鄭旭.誰(shuí)真正影響了股票和債券市場(chǎng)的相關(guān)性——基于混頻Copula模型的視角[J].經(jīng)濟(jì)學(xué)（季刊），2016，15（3）：1205～1224.

[21]蔡光輝，徐君，應(yīng)雪海.基于GAS的混頻Copula模型的投資組合風(fēng)險(xiǎn)預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐，2021，41（8）：2030～2044.

[22]Gong Y， Ma C， Chen Q. Exchange Rate Dependence and Economic Fundamentals： A Copula-MIDAS Approach[J]. Journal of International Money and Finance， 2022， 123： 102597.

[23]Zhu P， Tang Y， Wei Y， et al. Multidimensional Risk Spillovers among Crude Oil， the US and Chinese Stock Markets： Evidence during the COVID-19 Epidemic[J]. Energy， 2021， 231： 120949.

[24]寇紅紅，柴建，鄭嘉俐，孫少龍.上海原油期貨市場(chǎng)是否具有穩(wěn)定中國(guó)股票市場(chǎng)的作用？[J].中國(guó)管理科學(xué)，2022，30（11）：20～30.

[25]Gong Y， Chen Q， Liang J. A Mixed Data Sampling Copula Model for the Return-Liquidity Dependence in Stock Index Futures Markets[J]. Economic Modelling， 2018， 68： 586～598.

[26]Andersen T G， Bollerslev T. Answering the Skeptics： Yes， Standard Volatility Models do Provide Accurate Forecasts[J]. International Economic Review， 1998： 885～905.

[27]Tobias A， Brunnermeier M K. CoVaR[J]. The American Economic Review， 2016， 106（7）： 1705.

[28]Reboredo J C， Ugolini A. Quantile Dependence of Oil Price Movements and Stock Returns[J]. Energy Economics， 2016， 54： 33～49.

[29]Liu Z， Zhang H， Ding Z， et al. When are the Effects of Economic Policy Uncertainty on Oil–Stock Correlations Larger Evidence from A Regime-Switching Analysis[J]. Economic Modelling， 2022， 114： 105941.

Which industries are affected by risk spillovers from the Shanghai crude oil futures market more

SONG Jiashan，WEI Siyao，JIANG Kunliang

（School of Economics and Management， Southwest University of Science and Technology， Mianyang， Sichuan 621010， China）

Abstract：Since its establishment in 2018， the association between the Shanghai crude oil futures market and the risk volatility of China’s stock market has become more and more obvious. Different from previous studies that focus more on the overall stock market， we investigate the risk spillover effects from the Shanghai crude oil futures market to the industries in China from the industry dimension in this paper. The 5-minute returns of ten first-level industry indices of the Shanghai Stock Exchange for the period from September 1， 2019， to September 1， 2022， are selected， we introduce the GAS model to make up for the shortcomings of the GARCHs model， and we establish the MIDAS-Copula-CoVaR model to measure the conditional risk of each industry as well as the risk spillover effects it carries. The results show that， first， the Copula model containing the MIDAS structure fits better， which fully demonstrates the importance of incorporating high-frequency data. Second， the upside risk of each industry conditional on the Shanghai crude oil futures market is significantly larger than the downside risk， showing a more obvious asymmetry， which indicates that the oil price increases have a greater impact on each industry. Third， in terms of industries， the falling Shanghai crude oil futures prices have the greatest impact on the energy industry and the smallest impact on the utility industry， while rising prices have the greatest impact on the medical industry and the smallest impact on the financial industry. Fourth， compared to normal cases， extreme upside risk has the largest risk spillovers for the medical industry and the smallest for the consumer industry， and extreme downside risk has the largest risk spillovers for the optional industry and the smallest for the financial industry.

Key words：hanghai crude oil futures market;GAS model;mixed Data sampling;risk spillovers

責(zé)任編輯：吳錦丹