譚英平 杜展斌 謝遠(yuǎn)濤

（對外經(jīng)濟(jì)貿(mào)易大學(xué)保險(xiǎn)學(xué)院，北京 100029）

一、引言

多數(shù)學(xué)者認(rèn)為（如趙桂芹、吳洪等），從目前來看，假若保險(xiǎn)行業(yè)發(fā)生系統(tǒng)性風(fēng)險(xiǎn)，由于風(fēng)險(xiǎn)溢出效應(yīng)而引發(fā)整個金融市場發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的可能性并不大，但是因?yàn)榻鹑诨鞓I(yè)經(jīng)營和金融深化是當(dāng)今的趨勢，上述可能性正變得越來越不可忽視。從2008年次貸危機(jī)發(fā)生時美國政府花費(fèi)超過1850億美元救助該國最大的保險(xiǎn)集團(tuán)AIG可以直觀看到，保險(xiǎn)行業(yè)在金融系統(tǒng)中已經(jīng)占據(jù)日益重要的地位。而一旦金融市場發(fā)生系統(tǒng)性風(fēng)險(xiǎn)，整個經(jīng)濟(jì)系統(tǒng)都會受到牽連，從而釀成經(jīng)濟(jì)危機(jī)，近年來的次貸危機(jī)、歐債危機(jī)等都是典型的例證。因此，為了研究保險(xiǎn)行業(yè)發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的概率，有必要考察各保險(xiǎn)企業(yè)個體所面臨的風(fēng)險(xiǎn)及保險(xiǎn)企業(yè)間的風(fēng)險(xiǎn)相關(guān)性。理論上而言，相關(guān)性越大，就意味著當(dāng)一家保險(xiǎn)企業(yè)因發(fā)生風(fēng)險(xiǎn)而面臨危機(jī)時，其他保險(xiǎn)企業(yè)同時受影響的可能性越大，從而增加了整個保險(xiǎn)行業(yè)發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的概率。

國際精算協(xié)會（IAA）在2003年的一篇研究報(bào)告中指出，保險(xiǎn)公司面臨的風(fēng)險(xiǎn)主要包括市場風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和承保風(fēng)險(xiǎn)。表1給出了壽險(xiǎn)企業(yè)、財(cái)險(xiǎn)企業(yè)和商業(yè)銀行面臨的主要風(fēng)險(xiǎn)及相應(yīng)的資本需求占總資本需求的百分比。

表1：壽險(xiǎn)企業(yè)、財(cái)險(xiǎn)企業(yè)與商業(yè)銀行面臨的風(fēng)險(xiǎn)類型及資本需求比較（單位：%）

從表中可以看到，不同類型的企業(yè)所面臨風(fēng)險(xiǎn)對資本需求有不同的權(quán)重，資本需求百分比越高，在一定程度上說明了該風(fēng)險(xiǎn)在所有類型的風(fēng)險(xiǎn)中影響越大。一方面，壽險(xiǎn)企業(yè)由于經(jīng)營的大多為長期業(yè)務(wù)，容易受市場環(huán)境的影響，因此市場風(fēng)險(xiǎn)占其總風(fēng)險(xiǎn)的比重超過了一半；另一方面，一定時期內(nèi)被保險(xiǎn)人的死亡率較為穩(wěn)定，所以壽險(xiǎn)企業(yè)的承保風(fēng)險(xiǎn)較低。而對于財(cái)險(xiǎn)企業(yè)，其承保的風(fēng)險(xiǎn)種類多、波動性大且損失規(guī)律不易掌握，因此承保風(fēng)險(xiǎn)是財(cái)險(xiǎn)企業(yè)最需要防范的風(fēng)險(xiǎn)。銀行由于主要經(jīng)營借貸業(yè)務(wù)，不難理解信用風(fēng)險(xiǎn)對其影響最大。從目前的市場狀況來看，相比財(cái)險(xiǎn)業(yè)務(wù)，壽險(xiǎn)業(yè)務(wù)仍然占據(jù)主導(dǎo)地位，其資金規(guī)模也更大。2012年，我國壽險(xiǎn)企業(yè)總資產(chǎn)為60991.22億元，是財(cái)險(xiǎn)企業(yè)的6.44倍，而且壽險(xiǎn)企業(yè)的業(yè)務(wù)特點(diǎn)也決定了其在金融市場的參與度高于財(cái)險(xiǎn)企業(yè)。因此本文將實(shí)證研究的對象定位于保險(xiǎn)行業(yè)中更具有代表性的壽險(xiǎn)企業(yè)，并重點(diǎn)考察其面臨的最主要風(fēng)險(xiǎn)—市場風(fēng)險(xiǎn)。

二、文獻(xiàn)綜述

（一）保險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)研究

國內(nèi)外對金融機(jī)構(gòu)市場風(fēng)險(xiǎn)的研究大多以商業(yè)銀行為對象，如胡劍考察了利率、匯率、股票市場等因素對商業(yè)銀行市場風(fēng)險(xiǎn)的影響以及各因素間的關(guān)聯(lián)性；宋濤以浦發(fā)銀行為例，使用GARCH-VaR和Monte Carlo方法度量了商業(yè)銀行的市場風(fēng)險(xiǎn)；薩維德斯等（Savvides等）分析了10個國家共30家商業(yè)銀行對市場風(fēng)險(xiǎn)的披露情況。

專門針對保險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)的研究成果并不豐富，較具代表性的包括：詹姆斯等（James等）使用System-GARCH模型研究了保險(xiǎn)行業(yè)內(nèi)意外與健康險(xiǎn)、壽險(xiǎn)、財(cái)產(chǎn)險(xiǎn)三個板塊間市場風(fēng)險(xiǎn)的相關(guān)性，其研究結(jié)果表明，這三個板塊間股票收益率有顯著的相關(guān)性，而收益率的波動則只在板塊內(nèi)顯著相關(guān)，板塊之間無明顯的相關(guān)性；趙桂芹、吳洪從國際的視角對保險(xiǎn)體系的系統(tǒng)風(fēng)險(xiǎn)相關(guān)性做出了定性評價(jià)，研究結(jié)論表明，相對于銀行業(yè)，保險(xiǎn)行業(yè)目前不太可能引發(fā)整個金融市場的系統(tǒng)風(fēng)險(xiǎn)，但未來隨著金融混業(yè)趨勢重新崛起、金融業(yè)務(wù)不斷深化以及保險(xiǎn)業(yè)的開放和去監(jiān)管化，這種可能性將逐漸增大；托曼（Thomann）則使用DCC-GARCH模型研究了自然災(zāi)害、恐怖襲擊等大型風(fēng)險(xiǎn)事故的發(fā)生對保險(xiǎn)行業(yè)股票價(jià)格的影響，研究發(fā)現(xiàn)，這類大型事故增加了保險(xiǎn)企業(yè)股票收益率的波動性，其中恐怖襲擊事件還會增加保險(xiǎn)企業(yè)股票與整個股票市場的相關(guān)性。

（二）風(fēng)險(xiǎn)量化及其相關(guān)性研究

自馬科維茨（Markowitz）在其投資組合理論中將風(fēng)險(xiǎn)量化為股票價(jià)格收益率的波動率后，對股價(jià)收益波動率的研究已發(fā)展出一套成熟的體系。恩格爾（Engle）首次運(yùn)用自回歸條件異方差模型（ARCH）對股價(jià)收益的波動率進(jìn)行建模，該模型放寬了傳統(tǒng)經(jīng)濟(jì)模型中隨機(jī)擾動項(xiàng)方差不變的限制，使得模型中股票價(jià)格收益率的波動率具有了時變性，更加貼近現(xiàn)實(shí)。但是ARCH模型其中一個局限性在于有時候模型的滯后階數(shù)過大，從而使模型參數(shù)過多，在樣本量小的情況下不容易得到良好的擬合效果。波勒斯勒夫（Bollerslev）對ARCH模型進(jìn)行了改進(jìn)，提出廣義自回歸條件異方差模型（GARCH），解決了滯后階數(shù)過大的問題。GARCH模型提出后，許多研究皆表明GARCH模型能夠良好地描述金融資產(chǎn)價(jià)格所具有的波動性、波動聚類性與持續(xù)性等特征。然而，傳統(tǒng)的GARCH模型假設(shè)隨機(jī)擾動項(xiàng)服從正態(tài)分布，并不能體現(xiàn)金融資產(chǎn)收益率分布呈現(xiàn)的尖峰、厚尾特征。1987年，波勒斯勒夫提出的GARCH-t模型假設(shè)隨機(jī)擾動項(xiàng)服從t分布；王美今、王華（2002）使用GARCH-t模型對上海股票市場進(jìn)行風(fēng)險(xiǎn)價(jià)值分析，認(rèn)為假設(shè)收益率服從t分布很大程度上避免了基于正態(tài)分布假設(shè)下風(fēng)險(xiǎn)價(jià)值被低估的問題。

上述對風(fēng)險(xiǎn)的研究模型只考慮了一只股票的情況，當(dāng)涉及兩支及以上股票時，股票之間的相關(guān)性需要納入研究范圍。傳統(tǒng)的研究方法是采用多元聯(lián)合分布對多個股票的收益率進(jìn)行擬合，如使用多元正態(tài)分布，從而得到各股票收益率的相關(guān)系數(shù)，然而此研究方法有一定缺陷。1959年，斯克拉（Sklar）提出Copula理論，將多元分布與Copula函數(shù)聯(lián)系起來。20世紀(jì)90年代以后，受計(jì)算機(jī)技術(shù)的推動，Copula理論和方法在國外開始迅速發(fā)展，并逐漸在金融、保險(xiǎn)等領(lǐng)域的相關(guān)分析、投資組合分析和風(fēng)險(xiǎn)管理等方面得到廣泛應(yīng)用。恩布雷赫茨（Embrechts）首次分析了Copula函數(shù)作為金融領(lǐng)域相關(guān)性度量工具的優(yōu)點(diǎn)和障礙；雷金格和朱諾（Rockinger和Jondeau）認(rèn)為Copula函數(shù)可以替代向量GARCH模型以描述隨機(jī)變量之間時變的條件相關(guān)關(guān)系；帕頓（Patton）構(gòu)造了二元Copula模型來擬合日元—美元和馬克—美元匯率對數(shù)收益的相關(guān)關(guān)系，結(jié)果表明使用Copula模型比相應(yīng)的BEKK-GARCH模型能得出更好的效果；張堯庭首次在國內(nèi)介紹了將Copula函數(shù)引入金融風(fēng)險(xiǎn)分析的優(yōu)點(diǎn)，指出使用Copula函數(shù)導(dǎo)出的相關(guān)性指標(biāo)比常用的相關(guān)系數(shù)更加合乎金融資產(chǎn)間的相關(guān)情況；史道濟(jì)、關(guān)靜運(yùn)用Copula函數(shù)建立二元極值模型，對滬深股市風(fēng)險(xiǎn)做了相關(guān)性分析；韋艷華、張世英通過大量的實(shí)證研究發(fā)現(xiàn)，事實(shí)上股票收益率并不服從多元正態(tài)分布，尤其當(dāng)小概率事件發(fā)生的時候，并詳細(xì)介紹了多元Copula函數(shù)、時變相關(guān)Copula模型、變結(jié)構(gòu)Copula模型在金融風(fēng)險(xiǎn)相關(guān)性分析上的應(yīng)用，以及Copula-VaR模型在金融風(fēng)險(xiǎn)管理上的應(yīng)用。

從上文的梳理不難發(fā)現(xiàn)，有關(guān)保險(xiǎn)市場風(fēng)險(xiǎn)的已有研究或從監(jiān)管的角度對其進(jìn)行分類，或考察不同保險(xiǎn)業(yè)務(wù)對市場風(fēng)險(xiǎn)的影響，但鮮有對保險(xiǎn)企業(yè)所面臨的市場風(fēng)險(xiǎn)展開直接的定量研究，更缺乏對其相關(guān)性的探討和分析。而研究壽險(xiǎn)企業(yè)之間的市場風(fēng)險(xiǎn)相關(guān)性除了能夠加深人們對保險(xiǎn)行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的認(rèn)識，也有利于投資者進(jìn)行投資決策時在保險(xiǎn)企業(yè)之間、保險(xiǎn)行業(yè)與其他行業(yè)之間分散風(fēng)險(xiǎn)。本文將針對壽險(xiǎn)企業(yè)的市場風(fēng)險(xiǎn)及其相關(guān)性展開量化分析，并考察其市場風(fēng)險(xiǎn)相關(guān)性的時變特征，從而能夠結(jié)合不同時間段的經(jīng)濟(jì)事件對壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)相關(guān)性如何受經(jīng)濟(jì)環(huán)境影響做出一定的推論，這將在一定程度上充實(shí)相關(guān)領(lǐng)域的研究成果，為我國保險(xiǎn)行業(yè)實(shí)現(xiàn)更為有效的風(fēng)險(xiǎn)管理提供理論依據(jù)和方法支撐。

三、模型建立

（一）市場風(fēng)險(xiǎn)的界定

不同的研究角度對市場風(fēng)險(xiǎn)有不同的定義。根據(jù)資本資產(chǎn)定價(jià)模型（CAPM），上市企業(yè)市場風(fēng)險(xiǎn)用貝塔系數(shù)表示，即上市公司股票收益率和市場整體收益率的協(xié)方差與市場整體收益率方差的比值，一般認(rèn)為貝塔系數(shù)反映了上市公司股票波動受市場波動影響的程度；而根據(jù)新巴塞爾協(xié)議，市場風(fēng)險(xiǎn)是指市場價(jià)格的不可預(yù)期性變化導(dǎo)致?lián)p失和收益的風(fēng)險(xiǎn)，并進(jìn)一步根據(jù)風(fēng)險(xiǎn)因素的種類，將市場風(fēng)險(xiǎn)劃分為利率風(fēng)險(xiǎn)、股權(quán)風(fēng)險(xiǎn)、匯率風(fēng)險(xiǎn)和大宗商品價(jià)格風(fēng)險(xiǎn)；國際精算協(xié)會（IAA）指出，市場風(fēng)險(xiǎn)來源于資產(chǎn)市場價(jià)值的波動，與股價(jià)、利率、匯率和商品價(jià)格等金融變量的變化有關(guān)，并進(jìn)一步將市場風(fēng)險(xiǎn)細(xì)分為利率風(fēng)險(xiǎn)、股票和不動產(chǎn)風(fēng)險(xiǎn)等。

資本資產(chǎn)定價(jià)模型對市場風(fēng)險(xiǎn)的界定注重于市場風(fēng)險(xiǎn)對企業(yè)股票收益率的影響，而新巴塞爾協(xié)議和國際精算協(xié)會的報(bào)告則強(qiáng)調(diào)市場風(fēng)險(xiǎn)的來源。本文借鑒上述兩個研究角度，認(rèn)為壽險(xiǎn)企業(yè)面臨的市場風(fēng)險(xiǎn)是指企業(yè)在投資過程中面臨的因資產(chǎn)市場價(jià)格不可預(yù)期性變化而導(dǎo)致不確定性的損失或收益，最終使企業(yè)股票收益率產(chǎn)生不可預(yù)期的波動。

（二）方法選擇

基于上述定義，本文將采用股票價(jià)格收益率的波動率來度量壽險(xiǎn)企業(yè)的市場風(fēng)險(xiǎn)，其原因有二。首先，股價(jià)收益的波動率反映了企業(yè)的市場風(fēng)險(xiǎn)，而對于壽險(xiǎn)企業(yè)，市場風(fēng)險(xiǎn)為其最主要的風(fēng)險(xiǎn)；其次，對于股價(jià)收益的波動率，歷史文獻(xiàn)中已有較為成熟的研究模型以及豐富的研究成果，而且這些模型便于與研究風(fēng)險(xiǎn)相關(guān)性的Copula函數(shù)結(jié)合起來，因此股價(jià)收益波動率適合作為本文的研究工具。

此外，通過借鑒關(guān)于股價(jià)收益波動率及其相關(guān)性的研究文獻(xiàn)，本文采用GARCH-t模型對各壽險(xiǎn)企業(yè)的市場風(fēng)險(xiǎn)進(jìn)行擬合，從而更好地體現(xiàn)出股票收益率服從尖峰厚尾分布、波動聚集、長記憶等特征；同時，采用時變多元正態(tài)Copula函數(shù)描述各壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)間的相關(guān)結(jié)構(gòu)，以此刻畫壽險(xiǎn)企業(yè)間隨時間變化可能呈非線性的相關(guān)關(guān)系。

（三）單個壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)度量模型

大量研究文獻(xiàn)表明，GARCH模型雖然形式簡單，但可以準(zhǔn)確描述資產(chǎn)價(jià)格收益率序列尖峰厚尾、波動集聚以及對歷史信息微弱但持久的記憶等特征。GARCH模型一般由條件均值方程和條件方差方程組成，本文中的條件均值方程遵循易德文的研究方法，采用ARMA模型：

其中，{}Rt為股票價(jià)格的收益率。GARCH（p，q）模型的方差方程為：

其中，σ2t為εt的條件方差。在t-1時刻得到的信息集It-1下，隨機(jī)擾動項(xiàng)εt的條件分布通常假定為正態(tài)分布。然而，眾多文獻(xiàn)認(rèn)為，正態(tài)分布假設(shè)并不能完整地描述金融時間序列中尖峰、厚尾的特性。對于這種情況，波勒斯勒夫證明可以在傳統(tǒng)GARCH模型的基礎(chǔ)上引入自由度為ν的條件t分布，即假定隨機(jī)擾動項(xiàng)εt服從如下分布：

（四）壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)相關(guān)結(jié)構(gòu)模型

如前所述，由于常用于研究多變量問題的多元GARCH模型、多元聯(lián)合分布模型等在參數(shù)估計(jì)、多元分布假設(shè)等方面存在較大局限，因此本文在這里引入Copula理論來研究壽險(xiǎn)企業(yè)之間的市場風(fēng)險(xiǎn)相關(guān)性。

根據(jù)多元分布的Sklar定理，若變量x1,x2,…,xN的邊緣分布分別為F1(x1),F2(x2),…,FN(xN)，那么存在一個Copula函數(shù)C，使：

Sklar定理是Copula理論的核心，使得運(yùn)用Copula理論建立金融相關(guān)性分析模型時，可以將邊緣分布和隨機(jī)變量之間的相關(guān)結(jié)構(gòu)分開來研究。

其中 ρ為對角線上元素為1的對稱正定矩陣；Φρ(?,…,?)表示相關(guān)系數(shù)矩陣為 ρ的標(biāo)準(zhǔn)多元正態(tài)分布函數(shù)， Φ-1(?)表示標(biāo)準(zhǔn)正態(tài)分布函數(shù) Φ(?)的逆函數(shù)；ui,t=Fi,t(Ri,t|It-1),i=1,2,…,N，其中 Fi,t(Ri,t|It-1)表示t時刻Ri,t的條件分布函數(shù)。

金融市場之間的相關(guān)關(guān)系除了具有非線性的特征，還經(jīng)常隨著外部環(huán)境的變遷而有所變化，這就是相關(guān)關(guān)系的時變性。為了刻畫多元變量間相關(guān)關(guān)系隨時間而變化的時變性特征，參照恩格爾的動態(tài)條件相關(guān)（DCC）方法，令多個變量間的相關(guān)系數(shù)矩陣ρt服從以下動態(tài)過程：

式中，Qˉ為無條件相關(guān)系數(shù)矩陣；η1和η2為待估參數(shù)。

（五）模型參數(shù)估計(jì)及檢驗(yàn)

上述模型的參數(shù)估計(jì)包括對邊際分布（即GARCH-t模型）的參數(shù)估計(jì)和時變多元Copula函數(shù)的參數(shù)估計(jì)。本文根據(jù)帕頓所采用的兩步最大似然法來進(jìn)行參數(shù)估計(jì)。

其中，ui=Fi(Ri),i=1,…,N。

若F是N階可導(dǎo)的，則可以由式（10）推導(dǎo)出Copula密度函數(shù)c的表達(dá)式：

通常使用下面的多元Copula模型極大似然方程對模型參數(shù)進(jìn)行估計(jì)：

其 中 ξ=(φ ,θ)是 包 含 了 邊 際 分 布 參 數(shù) 向 量φ=(φ1,…,φN)和Copula函數(shù)參數(shù)向量 θ的集合； fi(?)是Fi(?)的密度函數(shù)。式（12）可以分解成兩部分，邊際似然值：

Copula似然值：

在第一步中，通過分別對邊際分布似然值mlli進(jìn)行最優(yōu)化來估計(jì)邊際分布參數(shù)；在第二步中，基于第一步得到的參數(shù)值，通過對Copula似然值cL(θ ;u,φ)進(jìn)行最優(yōu)化得到Copula函數(shù)的參數(shù)估計(jì)值。

指定的邊緣分布模型能否很好地?cái)M合變量的實(shí)際分布決定了Copula函數(shù)描述變量間相關(guān)結(jié)構(gòu)的準(zhǔn)確程度，因此要建立邊緣分布的檢驗(yàn)和擬合度評價(jià)方法。根據(jù)式（3），如果GARCH-t模型能很好地?cái)M合單個壽險(xiǎn)公司股票收益率序列{Rt}，則隨機(jī)擾動項(xiàng)εt的估計(jì)值，即模型的殘差ε?t應(yīng)符合如下分布：

其中ε?ˉt表示經(jīng)標(biāo)準(zhǔn)化處理的殘差；h?t和ν?分別為條件方差ht和自由度ν的估計(jì)值。將ε?ˉt做概率積分變換：

四、實(shí)證分析

（一）樣本選取與數(shù)據(jù)預(yù)處理

由于國內(nèi)的上市保險(xiǎn)公司只有四家，而且上市時間不長，能夠獲取的有效數(shù)據(jù)不充足，用模型擬合準(zhǔn)確性有限，因此本文的研究樣本從紐約證券交易所上市的保險(xiǎn)公司中選取，挑選出四家以壽險(xiǎn)產(chǎn)品為主業(yè)的國際性保險(xiǎn)企業(yè)，包括荷蘭全球保險(xiǎn)、美國國際集團(tuán)、美國家庭人壽和大都會人壽，這四家保險(xiǎn)企業(yè)在紐約證交所的代碼分別為AEG、AIG、AFL和MET。

本文選擇2000年6月29日至2014年2月28日作為時間窗口，從萬得資訊金融數(shù)據(jù)庫搜集得到四家保險(xiǎn)企業(yè)各3437個向后復(fù)權(quán)的股票收盤價(jià)格作為樣本觀測值，并按下面的公式計(jì)算各企業(yè)在時刻t的股票收益率：

圖1給出了Eviews 8.0軟件繪制的四家保險(xiǎn)企業(yè)股票收益率隨時間的波動情況。

由圖1可以看出，四家壽險(xiǎn)企業(yè)的股票收益率波動直觀上似乎具有較強(qiáng)的相關(guān)性，也就是說這四家壽險(xiǎn)公司所面臨的市場風(fēng)險(xiǎn)相關(guān)性較強(qiáng)，下面使用數(shù)學(xué)模型對其市場風(fēng)險(xiǎn)相關(guān)性及隨時間變化的情況展開進(jìn)一步的量化分析。

（二）邊緣分布參數(shù)估計(jì)及檢驗(yàn)結(jié)果

本文在Eviews 8.0軟件中運(yùn)用時變Copula-GARCH-t模型對數(shù)據(jù)樣本進(jìn)行擬合，各壽險(xiǎn)企業(yè)股票收益率序列條件邊緣分布的參數(shù)估計(jì)結(jié)果如表2所示。

圖1：2000年6月29日至2014年2月28日四家保險(xiǎn)企業(yè)股票收益率波動情況

表2：四家壽險(xiǎn)企業(yè)邊緣分布模型的參數(shù)估計(jì)及檢驗(yàn)結(jié)果

表中K-S統(tǒng)計(jì)量及其相應(yīng)的p值表明，對四家壽險(xiǎn)企業(yè)的各序列均沒有充分的理由拒絕原假設(shè)：經(jīng)概率變換后的標(biāo)準(zhǔn)化殘差服從0-1均勻分布。因此，可以認(rèn)為基于該模型能夠較好地?cái)M合各收益率序列的條件邊緣分布。

（三）時變多元正態(tài)Copula函數(shù)參數(shù)估計(jì)結(jié)果

表3：時變多元正態(tài)Copula函數(shù)參數(shù)估計(jì)結(jié)果

由表3可以看出，參數(shù)η1和η2在0.01水平下顯著不為零，表明四家壽險(xiǎn)企業(yè)股票收益率之間的相關(guān)性隨時間而變化，意味著四家壽險(xiǎn)企業(yè)的市場風(fēng)險(xiǎn)相關(guān)性具有時變性。圖2—圖7分別給出了Eviews 8.0軟件中按照式（6）—式（9）計(jì)算得到的各壽險(xiǎn)企業(yè)之間市場風(fēng)險(xiǎn)相關(guān)性在2000年6月29日至2014年2月28日期間隨時間變化的情況。

由圖2—圖7可以看出，各壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)的相關(guān)性隨著時間的推移皆呈現(xiàn)出明顯的變化。將上圖合成在圖8中，可以更加清晰地看到市場風(fēng)險(xiǎn)相關(guān)性的整體時變情況。

圖2：AEG與AFL市場風(fēng)險(xiǎn)相關(guān)性變化情況

圖3：AEG與AIG市場風(fēng)險(xiǎn)相關(guān)性變化情況

圖4：AEG與MET市場風(fēng)險(xiǎn)相關(guān)性變化情況

圖5：AFL與AIG市場風(fēng)險(xiǎn)相關(guān)性變化情況

結(jié)合圖形及具體數(shù)值分析發(fā)現(xiàn)，在2008年之前，各壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)相關(guān)性的時變曲線基本重合，并且呈現(xiàn)波動向上的趨勢，即相關(guān)性逐漸增大，在2007年底達(dá)到0.7左右；在2008年初至2010年中，不同企業(yè)之間的市場風(fēng)險(xiǎn)相關(guān)性出現(xiàn)了分歧，如AIG與其他三家企業(yè)之間的風(fēng)險(xiǎn)相關(guān)性明顯下降，但其他三家企業(yè)間的相關(guān)性仍維持較高水平，而且其變化趨勢亦十分相似，本文推斷這種情形的出現(xiàn)與AIG在2008年次貸危機(jī)過后接受美國政府救助有關(guān)；2010年中期以后，四家壽險(xiǎn)企業(yè)之間的市場風(fēng)險(xiǎn)相關(guān)性時變曲線再次重合，并且相關(guān)性從2011年底0.8的高峰值震蕩回落到0.5左右的水平，并圍繞0.5波動?？傮w上來看，如果不考慮AIG被政府救助的特殊情形，各壽險(xiǎn)企業(yè)間的市場風(fēng)險(xiǎn)相關(guān)性及其時變情況是非常相似的，并且表現(xiàn)出在金融危機(jī)發(fā)生時相關(guān)度較高（0.6—0.8之間），而在正常情況下相關(guān)度有所回落（0.4—0.6之間）的特點(diǎn)。

五、結(jié)論

本文采用時變Copula-GARCH-t模型對壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)的邊緣分布和時變相關(guān)結(jié)構(gòu)進(jìn)行了建模，并選取了四家在紐約證券交易所上市的主營壽險(xiǎn)產(chǎn)品的國際保險(xiǎn)企業(yè)進(jìn)行了實(shí)證分析。結(jié)果發(fā)現(xiàn)，在不考慮金融危機(jī)中個別保險(xiǎn)企業(yè)受政府救助的特例的情況下，各壽險(xiǎn)企業(yè)的市場風(fēng)險(xiǎn)相關(guān)性及其隨時間的變化情況呈現(xiàn)出較高的一致性，并且在金融危機(jī)時期有較高的相關(guān)度，而在正常時期相關(guān)度則有所回落。由此可以推斷，壽險(xiǎn)企業(yè)間的市場風(fēng)險(xiǎn)相關(guān)程度主要受外界環(huán)境中金融市場狀況、經(jīng)濟(jì)狀況等宏觀因素影響，而受各壽險(xiǎn)企業(yè)自身因素的影響則較小。

圖6：AFL與MET市場風(fēng)險(xiǎn)相關(guān)性變化情況

圖7：AIG與MET市場風(fēng)險(xiǎn)相關(guān)性變化情況

圖8a：AIG與其他三家保險(xiǎn)企業(yè)的市場風(fēng)險(xiǎn)相關(guān)性時變情況

圖8b：AEG、AFL和MET間的市場風(fēng)險(xiǎn)相關(guān)性時變情況

基于以上推斷可以進(jìn)一步分析得到，在正常經(jīng)濟(jì)時期，由于壽險(xiǎn)企業(yè)間風(fēng)險(xiǎn)相關(guān)性不高，將資金投向保險(xiǎn)行業(yè)的投資者可以通過投資于不同的壽險(xiǎn)企業(yè)而使風(fēng)險(xiǎn)有所分散；監(jiān)管部門對各個壽險(xiǎn)企業(yè)的監(jiān)管也可以有所放松，因?yàn)檩^低的市場風(fēng)險(xiǎn)相關(guān)性使得整個保險(xiǎn)行業(yè)因?yàn)橐患覊垭U(xiǎn)企業(yè)倒閉而發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的概率較小。但在金融危機(jī)、經(jīng)濟(jì)衰退等時期，由于壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)相關(guān)性明顯提高，對投資者而言，應(yīng)將資金投向不同的行業(yè)才能實(shí)現(xiàn)風(fēng)險(xiǎn)分散化；而對于監(jiān)管者，則要加強(qiáng)對每一家保險(xiǎn)企業(yè)的監(jiān)管，以防止當(dāng)一家壽險(xiǎn)企業(yè)倒閉時，因?yàn)檩^強(qiáng)的風(fēng)險(xiǎn)溢出效應(yīng)而連累整個保險(xiǎn)行業(yè)。當(dāng)然，由于本文選取的樣本企業(yè)為已經(jīng)上市的國際性保險(xiǎn)集團(tuán)公司，對于我國大量未上市保險(xiǎn)企業(yè)的適用性還有待進(jìn)一步探討，但是隨著金融全球化趨勢的日益加強(qiáng)，壽險(xiǎn)企業(yè)市場風(fēng)險(xiǎn)相關(guān)性的研究無疑會越來越重要，本文的實(shí)證結(jié)果將提供一定的參考。

[1]Savvides，Savvas C，and Savvidou N.2012.Market risk disclosures of banks：a cross-country study[J].International Journal of Organizational Analysis，20（4）.

[2]Carson James M，Elyasiani E and Mansur I.2008.Market Risk，Interest Rate Risk，and Interdependencies in Insurer Stock Returns：A System-GARCH Model[J].The Journal of Risk and Insurance，75（4）.

[3]Thomann C.2013.The Impact of Catastrophes on Insurer Stock Volatility[J].Journal of Risk and Insurance，80（1）.

[4]Bollerslev T.1987.A conditionally heteroskedastic time series model for speculative prices and rates of return[J].The review of economics and statistics，（69）.

[5]Embrechts P，McNeil A，Strauman D.1999.Correlation and Dependency in Risk Management[R].ETHZ RiskLab research paper.

[6]Rockinger M，Jondeau E.2001.Conditional dependency of financial series：an application of copulas[M].Banque de France.

[7]Patton A J.2002.Modeling Time Varying Exchange Rate Dependence Using the Conditional Copula[R].Working Paper，Department of Economics，University of California，San Diego.

[8]Engle R.2002.Dynamic conditional correlation：A simple class of multivariate generalized autoregressive conditional heteroskedasticity models[J].Journal of Business&Economic Statistics，20（3）.

[9]Patton A J.2006.Modelling Asymmetric Exchange Rate Dependence[J].International Economic Review，47（2）.

[10]趙桂芹，吳洪.保險(xiǎn)體系的系統(tǒng)風(fēng)險(xiǎn)相關(guān)性評價(jià)：一個國際視角[J].保險(xiǎn)研究，2012，（9）.

[11]胡劍.基于利率、匯率、股價(jià)聯(lián)動性商業(yè)銀行市場風(fēng)險(xiǎn)綜合度量的階段性研究[D].北京交通大學(xué)博士學(xué)位論文，2010.

[12]宋濤.基于VaR的商業(yè)銀行市場風(fēng)險(xiǎn)度量研究[D].山東大學(xué)碩士學(xué)位論文，2012.

[13]韋艷華，張世英.金融市場的相關(guān)性分析——Copula-GARCH 模型及其應(yīng)用[J].系統(tǒng)工程，2004，22（4）.

[14]韋艷華，張世英.Copula理論及其在金融分析上的應(yīng)用[M].北京：清華大學(xué)出版社，2008.

[15]易文德.基于ARMA-GARCH-COUPULA模型的交易量與股價(jià)波動相依關(guān)系[J].系統(tǒng)管理學(xué)報(bào)，2012，21（5）.