曾裕峰，簡志宏，彭 偉

(1. 復旦大學經(jīng)濟學學院，上海 200433；2. 華中科技大學經(jīng)濟學院，湖北 武漢 430074；3.中南財經(jīng)政法大學，湖北 武漢 430073)

中國金融業(yè)不同板塊間風險傳導的非對稱性研究
——基于非對稱MVMQ-CAViaR模型的實證分析

曾裕峰1，簡志宏2，彭 偉3

(1. 復旦大學經(jīng)濟學學院，上海 200433；2. 華中科技大學經(jīng)濟學院，湖北 武漢 430074；3.中南財經(jīng)政法大學，湖北 武漢 430073)

針對原始MVMQ-CAViaR模型未考慮正負沖擊具有非對稱性的不足，本文將其擴展為非對稱MVMQ-CAViaR模型和聯(lián)合非對稱MVMQ-CAViaR模型，繼而運用該模型分析了我國金融業(yè)不同板塊間的風險傳導效應，并采用嚴謹?shù)暮鬁y檢驗對比了各個模型的預測效果。結(jié)果表明，銀行對證券和保險板塊均具有顯著的風險傳染效應，而證券只能單方向地吸收其他板塊的風險溢出；正負信息沖擊對自身以及其他板塊存在不同程度的非對稱特征，且指數(shù)下跌對VaR的影響效果要強于指數(shù)上漲，聯(lián)合負向沖擊會放大原有的風險水平；新構(gòu)建的兩個非對稱模型能顯著提升原有模型風險預測精度，其中聯(lián)合非對稱MVMQ-CAViaR模型的預測效果更佳。

風險傳導；MVMQ-CAViaR模型；非對稱性；系統(tǒng)性風險

1 引言

2012年以來，我國金融體制改革進一步深化，監(jiān)管層逐步放松對金融的管制，特別是利率市場化改革對我國金融機構(gòu)帶來兩方面最直接的影響:一是促進傳統(tǒng)金融機構(gòu)從單一存貸、保費等業(yè)務(wù)向多種創(chuàng)新業(yè)務(wù)盈利模式轉(zhuǎn)變，并通過金融機構(gòu)的并購、重組等手段促進目前以分業(yè)經(jīng)營為主的金融體制逐漸轉(zhuǎn)向混業(yè)經(jīng)營改變；二是推動各類金融創(chuàng)新和金融衍生產(chǎn)品的快速發(fā)展，將銀行、證券公司和保險公司等不同類型的市場參與主體聯(lián)結(jié)得更加緊密。金融領(lǐng)域這種重大改變所帶來金融服務(wù)業(yè)務(wù)廣泛的關(guān)聯(lián)性和交叉性使得系統(tǒng)性金融風險大大增強。我國現(xiàn)階段系統(tǒng)性金融風險日益凸顯，而相關(guān)市場主體的風險防范意識相對淡薄且風險管理水平較弱。我國金融市場哪個板塊對其他市場的傳染效應最強？哪個板塊對整體金融風險的貢獻最為巨大？以及金融系統(tǒng)內(nèi)部風險傳導規(guī)律及內(nèi)在機制如何？回答這些問題不僅有利于投資者根據(jù)板塊的關(guān)聯(lián)性做出最優(yōu)的投資組合決策，而且為政策制定者和市場監(jiān)管者如何更有效防范系統(tǒng)性風險提供了理論依據(jù)和實踐指導。

不同行業(yè)(或者不同市場)之間風險傳染都有著內(nèi)在的傳遞機制和經(jīng)濟基礎(chǔ)，關(guān)于金融業(yè)不同板塊間的風險傳導關(guān)系主要依據(jù)以下兩個渠道：(1)金融機構(gòu)間復雜的業(yè)務(wù)往來和信貸關(guān)聯(lián)：金融機構(gòu)之間在存款、信貸和支付體系上相互聯(lián)結(jié), 一家金融機構(gòu)的倒閉勢必會引起與之有業(yè)務(wù)關(guān)聯(lián)的金融機構(gòu)發(fā)生支付困難,如果其自有資本不能補償損失, 則同樣將面臨倒閉風險,通過這種鏈式反應(Chain Reaction)不斷傳遞，從而引發(fā)整個金融體系發(fā)生大范圍的違約和倒閉事件[1]；(2)心理預期的變動引發(fā)投資者恐慌和信心的崩潰：當單個金融板塊發(fā)生金融困境時，由于信息的不對稱，投資者會依據(jù)一個板塊的價格變化去預測其它板塊指數(shù)的價格走勢，為了盡量避免損失，投資者將會提前進行撤資來滿足自我的流動性偏好，最終對其具有關(guān)聯(lián)度的板塊也造成了嚴重沖擊[2-3]。特別地，在我國中小投資者占絕對比例，投資者顯著的“投機心理”和“羊群效應”會強化第二個渠道的影響效果。

國內(nèi)外關(guān)于市場風險傳導的文獻相對詳盡，其中主要集中在收益率的一階矩[4]和二階矩[5]層面上，且大部分文獻探討的對象主要是股票市場和匯率市場[6]、股票市場和債券市場[7]、股票市場和石油市場[8]等不同市場之間的風險傳導。近年來，部分學者開始關(guān)注金融機構(gòu)和金融板塊的系統(tǒng)性風險傳導話題，其中賈彥東[9]基于我國銀行2007-2010年明細的支付結(jié)算數(shù)據(jù)，將金融網(wǎng)絡(luò)結(jié)構(gòu)因素納入到對系統(tǒng)性風險的測度中，以此估算出我國金融機構(gòu)對整個市場的“直接貢獻”和“間接參與貢獻”以及系統(tǒng)重要性排序。歐陽紅兵和劉曉東[10]采用最小生成樹(MST)和平面極大過濾圖(PMFG)方法有效地識別出金融網(wǎng)絡(luò)中節(jié)點的重要性，且MST的唯一性可以確保全面和直觀地顯示系統(tǒng)性風險的潛在傳導路徑。陳建青等[3]基于靜態(tài)CoVaR模型和“滾動窗口”的動態(tài)CoVaR模型分別探討了我國銀行、證券和保險板塊之間的系統(tǒng)性金融風險的溢出效應，研究發(fā)現(xiàn)金融不同板塊間的溢出效應具有正向性和非對稱性。Billo等[11]采用主成分分析和格蘭杰因果網(wǎng)絡(luò)方法分析了美國四個金融部門的復雜網(wǎng)絡(luò)關(guān)系，發(fā)現(xiàn)它們近年來彼此高度相互關(guān)聯(lián)，并且銀行市場的沖擊對整體金融系統(tǒng)的影響最強。White 等[12]首次提出多元多變量條件自回歸風險價值即(MVMQ-CAViaR)模型，并分析了單個金融機構(gòu)與整個金融系統(tǒng)的風險溢出效應。然而該模型忽略了市場沖擊項對VaR的非對稱影響。

非對稱性被視為金融市場中最重要的典型事實之一，是指金融市場在遭遇信息沖擊時，好消息和壞消息對股價波動的影響效果不一致[13]。該性質(zhì)在金融建模過程中得到了廣泛應用。Li 和Zou[5]運用非對稱的DCC-MGARCH研究了中國政策的轉(zhuǎn)變對股債關(guān)系的影響，研究發(fā)現(xiàn)股債相關(guān)關(guān)系在受到聯(lián)合負向信息沖擊時顯著增強，而上證和深圳股票相關(guān)系數(shù)在受到聯(lián)合正向沖擊時趨于變大。Beber和Brandt[14]研究也發(fā)現(xiàn)，在不同類型的信息沖擊和不同的商業(yè)周期階段中，金融機構(gòu)的資產(chǎn)回報呈現(xiàn)顯著的不對稱性，其中在經(jīng)濟擴張階段遭受的負向沖擊影響最大。陸蓉和徐龍炳[15]采用EGARCH實證研究我國股票市場在牛市和熊市階段對“利好”與“利空”的不平衡性反應特征，并從投資者預期、投資者結(jié)構(gòu)和交易機制等方面解釋這種非對稱性產(chǎn)生的原因。劉慶富和周程遠[13]構(gòu)造了非對稱門限隨機波動模型去檢測重大風險事件對我國股票市場影響的杠桿效應。文鳳華等[16]同時考慮市場波動的杠桿效應和價量關(guān)系，發(fā)現(xiàn)新構(gòu)造的LHAR-RV-V模型能改善對已實現(xiàn)波動率的預測精度。非對稱性在VaR的建模上同樣非常重要，Engle和Manganelli[17]在提出最原始CAViaR模型時就考慮到市場沖擊項對VaR潛在的非對稱效應，因此在提出SAV模型的同時也給出了具有非對稱性質(zhì)的AS模型。López-Espinosa等[18]為研究個體金融機構(gòu)和金融系統(tǒng)之間非線性的尾部聯(lián)動時提出了非對稱的CoVaR模型，發(fā)現(xiàn)國際銀行的正負收益沖擊對金融系統(tǒng)的影響并不相同。簡志宏和彭偉[19]在SAV模型和AS模型的基礎(chǔ)上構(gòu)造了隔夜-SAV模型和隔夜-AS模型，研究表明美元走弱對這三個市場隔夜風險影響大于美元走強所帶來的影響。

總體而言，現(xiàn)有文獻主要集中探討了收益率均值和波動率的杠桿效應，但自Engle和Manganelli[17]提出CAViaR模型以來，非對稱性在VaR度量上也得到了重要的運用。為了將非對稱的性質(zhì)引入到多元分位數(shù)回歸模型中，我們首先將對稱的MVMQ-CAViaR模型擴展為非對稱的MVMQ-CAViaR模型，探討了正向沖擊和負向沖擊對VaR影響效果的差異，這是本文的第一個貢獻。同時考慮到聯(lián)合負向沖擊可能是市場中的共同沖擊(Common Shock)，這種沖擊會被市場過度反應，最終可能具有一定的放大效果，所以本文進一步將其擴展為聯(lián)合非對稱MVMQ-CAViaR模型，這是本文方法論上第二個貢獻。另外，本文通過分位數(shù)脈沖響應函數(shù)探討了不同板塊單獨或同時出現(xiàn)正負信息沖擊時，對不同市場風險影響的動態(tài)變動過程，有益于我們更清晰地辨別不同金融板塊在整個系統(tǒng)中風險傳導重要性。這是本文第三點貢獻。

2 研究方法簡介

2.1 實證模型

Engle和Manganelli[17]認為市場的波動率與風險價值成正相關(guān)關(guān)系，而金融市場中股價存在顯著的波動聚集效應，那么與波動率密切相關(guān)的風險價值也應具有類似的性質(zhì)。為此，作者在分位數(shù)回歸思想的基礎(chǔ)上，提出具有自相關(guān)特征的CAViaR(Conditional Autoregressive Value at Risk)模型直接對金融市場的風險價值進行度量。然而，CAViaR模型主要適用于分析單個板塊(或單個市場)的動態(tài)風險特征，卻無法捕捉不同板塊(或不同市場)之間風險相互傳染的復雜關(guān)系。為克服上述模型的不足，White 等[12]將傳統(tǒng)的CAViaR模型擴展成為MVMQ-CAViaR模型，該模型將單方程的分位數(shù)回歸思想擴展到向量自回歸的結(jié)構(gòu)化方程，并揭示了單個板塊(或單個市場)的風險價值不僅受到本身市場的影響，還受到其他市場的風險溢出，市場之間是相互影響、相互傳染的。具體表達式如下：

(1)

其中，qit(θ)表示市場收益率Yit-1在θ概率下的條件分位數(shù)，也可看作為市場收益率對應θ概率的風險價值VaR。|Yit-1|表示市場指數(shù)i的收益率絕對值，該項代表市場沖擊項，且暗含滯后一期的正向沖擊和負向沖擊對當期VaR具有相同的影響效果。qit-1代表滯后的條件分位數(shù)，它能很好地描述金融市場尾部分布的自相關(guān)性。以銀行板塊和證券板塊為例，假設(shè)q1t代表銀行的VaR，而q2t代表證券的VaR，式(1)表明了銀行的風險價值q1t不僅受到了自身市場的影響，還受到證券板塊的極端風險q2t-1和市場沖擊項|Y2t-1|的影響。

模型(1)假設(shè)市場沖擊項不具有“杠桿效應”，換言之，本市場和其他市場的正向沖擊和負向沖擊對風險價值的影響效果是等價的，現(xiàn)實生活中投資人效用函數(shù)中常對損失帶來的負效用施以更大的權(quán)重，對收益帶來的正效用給予較小權(quán)重，所以本文將(1)式擴展為非對稱MVMQ-CAViaR模型，模型表達如下：

(2)

其中，(Y1t-1)+和(Y1t-1)-分別表示滯后一期收益率的正部和負部。當兩個板塊同時出現(xiàn)負向沖擊時，此時的沖擊很可能是共同沖擊，這種沖擊將會破壞公眾投資信心，投資者的恐慌心理將會進一步放大原有的市場風險，為了更深入地研究不同金融板塊同時受到負向沖擊時對VaR的非對稱效應，同時通過借鑒Li和Zou[5]對聯(lián)合負向沖擊的多元GARCH模型的建模思路，我們將模型(2)進一步擴展成為聯(lián)合非對稱MVMQ-CAViaR模型，具體模型表示如下：

(3)

2.2 分位數(shù)脈沖響應分析

由方程(1)-(3)可知，金融行業(yè)不同板塊間的風險會相互傳導，單個市場的市場沖擊項(即Yit)會直接影響到自身和其他市場的風險價值。一般而言，當期的市場沖擊會改變投資者對未來一期金融資產(chǎn)風險價值的預期，進而直接導致VaRt大小的變化。另外，由于市場中的資金可以在不同行業(yè)中自由地流動，投資者會根據(jù)風險狀況的變動改變其在不同板塊間的投資組合，這種板塊的聯(lián)動效應將間接引起其他市場VaRt的變化。為了考察變量之間互動的更為清晰的方法是脈沖響應分析，傳統(tǒng)的脈沖響應分析主要探討市場信息沖擊對收益率的均值影響，而本文需要考察的是市場沖擊對收益率尾部的動態(tài)影響過程，因此采用的是White等[12]最新提出的分位數(shù)脈沖響應分析(Quantile Impulse Response Function，即QIRF)。該方法的具體計算步驟如下：

最后，根據(jù)不同板塊的沖擊得出ΔYit值，并由模型(1)-(3)估計出的系數(shù)值進一步分析其對不同板塊的風險價值VaR的動態(tài)影響過程。

2.3 模型的估計方法

MVMQ-CAViaR模型屬于多元分位數(shù)回歸范疇，可采用最小絕對離差法(Least Absolute Deviation，LAD)估計，它需要優(yōu)化的目標函數(shù)為：

(4)

其中，ρ(θi)=θi-I(Yit

本文以金融業(yè)不同板塊指數(shù)在θ=5%的條件分位數(shù)為例,取前100個觀測值對應的分位點來初始化qi1，并運用單純形算法(Simplex Algorithm)和擬牛頓算法(Quasi-Newton Method)對模型進行優(yōu)化。為提高結(jié)構(gòu)化模型的估計效率，本文采用了兩步估計法：第一步，首先估計Engle和Manganelli[17]提出的單變量分位數(shù)SAV(Symmetric Absolute Value)模型，并將其估計的結(jié)果作為第二步優(yōu)化的初試估計系數(shù)；第二步，對多元分位數(shù)模型(1)-(3)進行整體優(yōu)化，使目標函數(shù)(4)達到最小化。具體估計步驟可參考White等[12]的文獻。

2.4 模型穩(wěn)健性檢驗方法

模型的樣本內(nèi)表現(xiàn)并不能簡單地擴展到樣本外，為了進一步論證該模型預測VaR的效果，還必須進行樣本外的穩(wěn)健性檢驗。Kupiec[20]假設(shè)該模型能有效地預測風險，進一步證明了“擊中事件”序列服從貝努利分布，并構(gòu)造似然比的非條件檢驗統(tǒng)計量：

(5)

其中，p為顯著性水平，N為預測的樣本總數(shù)，n為預測樣本中的擊中次數(shù)。當LR統(tǒng)計量大于給定置信水平下卡方分布的臨界值，則拒絕原模型。相反，當統(tǒng)計量小于臨界值，則接受該模型。

通過(5)式可知到Kupiec 似然比檢驗量是刻畫實際擊中次數(shù)接近理論擊中次數(shù)程度的指標。進一步的研究表明，除了檢驗失敗比率以外，還應檢驗擊中事件是否存在相關(guān)性，如果發(fā)生VaR預測失敗的觀測值之間具有明顯的相關(guān)性，那么有可能發(fā)生連續(xù)超過VaR的損失，這將給投資者帶來巨大的損失，也就是說，精確可靠的風險測度模型的擊中序列應該是無偏并且無自相關(guān)的。由此，Engle和Manganelli[17]提出了動態(tài)分位數(shù)檢驗(Dynamic Quantile test，DQ test)，以多頭風險為例，該檢驗首先定義一個新的擊中序列：

HITθ,t=I(yt<-VaRt)-θ

(6)

其中，θ為給定的分位數(shù)，當yt<-VaRt時，HITθ,t=1-θ；當yt>-VaRt時，HITθ,t=-θ。顯然，如果模型參數(shù)估計正確，那么E(HITθ,t|Ωt-1)=0。這說明HITθ,t對于任何滯后的HITθ,t-k以及預測的VaRt-k都應不具備相關(guān)性，構(gòu)造如下回歸方程：

HITθ,t=β0+β1HITθ,t-1+β2HITθ,t-2+……+βpHITθ,t-p+βp+1VaRt+ut

(7)

把上述模型表述成矩陣形式：HITθ,t=Xβ+ut，其中X是T×K矩陣向量，取p=5,k=7。在原假設(shè)：β=0的情況下，構(gòu)造的DQ檢驗統(tǒng)計量為：

(8)

3 實證結(jié)果與分析

3.1 數(shù)據(jù)來源及描述性統(tǒng)計

本文選取了申銀萬國二級行業(yè)指數(shù)中的銀行業(yè)、證券業(yè)以及保險業(yè)三個板塊的指數(shù)作為原始數(shù)據(jù)，由于保險業(yè)指數(shù)于2007年1月17日才正式公布，所以本文以2007年1月17日為起始日，以2015年12月29日為結(jié)束日，共獲得2176個有效的日頻率收益率數(shù)據(jù)，所有數(shù)據(jù)均來源于Wind數(shù)據(jù)庫。為了檢驗本文所使用模型的穩(wěn)健性，整個數(shù)據(jù)樣本劃分為樣本內(nèi)和樣本外，其中前1676個數(shù)據(jù)樣本用于擬合實證模型，最后500個數(shù)據(jù)用于樣本外的回測檢驗。

由表1的結(jié)果可知，在本文所選的樣本區(qū)間內(nèi)，銀行和證券的平均收益率均為正值，其中證券平均收益率達到0.033，而保險業(yè)卻為負值，如果股價指數(shù)的變動反映了該行業(yè)經(jīng)營業(yè)績的整體預期，從這個角度而言證券業(yè)要比保險業(yè)發(fā)展的更為景氣，同時證券板塊的標準差相對最大，即它的波動最為劇烈，高風險同時帶來了更高的風險溢價，符合金融學中的“小盤股效應”；三個板塊指數(shù)均具有“負偏”和“尖峰厚尾”的典型特征；最后根據(jù)J-B統(tǒng)計量和ADF統(tǒng)計量的P值，進一步發(fā)現(xiàn)所以指數(shù)收益率均是非正態(tài)的平穩(wěn)時間序列。

圖1給出了三個板塊指數(shù)的價格走勢圖，整體而言，銀行、證券和保險的走勢基本保持一致。具體而言，2007年1月到2007年10月，我國A股市場經(jīng)歷了有史以來最大的牛市行情，金融行業(yè)三大板塊在大盤的驅(qū)動下快速地拉升達到頂峰；2008年受美國金融危機的波及，我國股市開始斷崖式下跌，截至2008年9月，三個板塊平均跌幅達到65%以上，其中保險板塊跌幅最大；隨后一直處于震蕩箱型軌道，直到2014年6月，受益于政策的改革紅利、充足的貨幣流動性以及輿論媒體的鼓吹，推動著我國股票市場進入了瘋牛狀態(tài)，但牛市背后所潛藏的杠桿交易過度濫用、場外證券活動缺乏監(jiān)管的風險，再次讓預期的慢牛市成為泡影。

3.2 MVMQ-CAViaR模型估計結(jié)果

表2分別給出了銀行和證券、證券和保險以及銀行和保險在5%分位數(shù)水平下相互之間的風險傳導結(jié)果，總體而言，所有的系數(shù)b11和b22均在1%顯著性水平下拒絕原假設(shè)，且系數(shù)值均大于0.8，說明金融不同板塊風險水平都具有高度的序列相關(guān)性，其他具體結(jié)果如下：

第一，在銀行和證券的多元回歸模型中，系數(shù)a11達到了10%的顯著性水平，說明銀行前期收益率對VaR具有顯著的負向影響，系數(shù)a22也顯著異于零，說明證券板塊的市場沖擊同樣會加大市場的風險值。另外，我們還發(fā)現(xiàn)系數(shù)a21和b21也達到了10%的顯著性水平，表明銀行板塊的極端風險和市場沖擊會傳導到證券板塊，且影響方向為負。但是證券板塊對銀行板塊卻不具有顯著的風險傳導效應。

第二，針對銀行和保險的回歸結(jié)果，可發(fā)現(xiàn)系數(shù)a22在統(tǒng)計意義上并不顯著，說明保險板塊風險并不受到前期市場沖擊項的影響，系數(shù)a21顯著，表明銀行的極端風險會傳遞到保險板塊，而保險行業(yè)的風險未能傳染到銀行。

第三，至于證券和保險之間的實證結(jié)果，可以看出保險的極端風險對證券具有顯著的單向溢出效應，而證券不具備主動傳導風險的功能。

總之，銀行對證券和保險均具有顯著的風險傳導效應，而其他板塊對銀行卻不具有風險溢出?？赡苁怯捎谖覈鹑隗w系中銀行具有絕對主導地位，與其他金融機構(gòu)之間業(yè)務(wù)合作相對更復雜和密切，而且銀行體系本身的預防機制和風險防范制度相對更完善，因此它與其他板塊的風險傳導具有明顯的非對稱性。而證券處于從屬地位，這可能與國內(nèi)很多券商資產(chǎn)規(guī)模相對較小，且部分券商為銀行或企業(yè)集團的全資子公司有密切關(guān)系。

表1 樣本的描述性統(tǒng)計結(jié)果

注：正態(tài)分布的JB檢驗和平穩(wěn)性的ADF檢驗均給出的是該統(tǒng)計量的P值，P值越小，以更大的可能性拒絕原假設(shè)。

圖1 金融行業(yè)不同板塊的價格走勢圖

銀行-證券c1a11a12b11b12-0.013-0.106*-0.0280.952***0.011(0.162)(0.080)(0.040)(0.161)(0.142)c2a21a22b21b22-0.042-0.042*-0.089**0.041**0.960***(0.131)(0.033)(0.048)(0.022)(0.114)銀行-保險c1a11a12b11b120.005-0.091**-0.0070.961***0.003(0.035)(0.050)(0.033)(0.028)(0.027)c2a21a22b21b22-0.013-0.039-0.0470.022**0.973***(0.033)(0.041)(0.045)(0.012)(0.029)證券-保險c1a11a12b11b12-0.006-0.068**-0.0530.949***0.031**(0.031)(0.038)(0.068)(0.082)(0.023)c2a21a22b21b22-0.0220.010-0.0870.0220.934***(0.037)(0.043)(0.083)(0.133)(0.179)

注：括號內(nèi)數(shù)據(jù)是對應系數(shù)的標準誤，*、**、***分別表示在10%、5%和1%的顯著性水平下拒絕原假設(shè)。以下表述方式類似。

3.3 非對稱的MVMQ-CAViaR模型估計結(jié)果

表2并未區(qū)分板塊指數(shù)上漲和下跌對VaR的不同效果。為進一步探討金融行業(yè)VaR的杠桿效應，表3給出了非對稱MVMQ-CAViaR模型的實證結(jié)果，可以看出三個多元分位數(shù)回歸模型的估計結(jié)果與表2基本是保持一致，主要的差異體現(xiàn)在非對稱系數(shù)上。由系數(shù)a11、a12和d21、d22的顯著性易知，銀行板塊的風險受到自身負向市場沖擊的顯著影響，而正向市場沖擊影響的并不完全顯著；證券板塊則同時受到正向、負向市場沖擊的顯著影響；另外保險板塊主要也偶爾會受到負向市場沖擊的作用。并且所有參數(shù)的絕對值并不對應相等，這意味著我國金融行業(yè)的市場沖擊對不同板塊的VaR具有明顯的非對稱效應，且板塊指數(shù)下跌所帶來的沖擊要大于板塊指數(shù)上漲。再由系數(shù)a21、a22和d11、d12估計結(jié)果可以看出，銀行的負向市場沖擊會傳染到證券板塊和保險板塊，并顯著地加大這兩個板塊的風險價值，而正向市場沖擊系數(shù)均不顯著；保險的負面信息也會傳染到證券板塊，證券則處于一個相對被動的地位，不存在對其他市場的風險溢出效應。

聯(lián)合非對稱MVMQ-CAViaR模型在非對稱MVMQ-CAViaR模型基礎(chǔ)上引入了聯(lián)合負向信息沖擊項，由系數(shù)e1的顯著性可知，當前期銀行和證券同時出現(xiàn)負向市場沖擊時，類似與“共振”的作用效果，這種沖擊會顯著地增加下一期兩個市場的風險；同樣地，銀行和保險同時出現(xiàn)負向沖擊時，也會進一步放大原有市場的VaR；然而，證券和保險的聯(lián)合負向沖擊卻不具有統(tǒng)計意義上的顯著效果。

圖2和圖3分別給出了銀行和證券板塊的分位數(shù)脈沖響應結(jié)果，限于篇幅，其他板塊的QIRF結(jié)果備索。無論是源于銀行板塊還是證券板塊的一個標準差信息沖擊，發(fā)現(xiàn)負的信息沖擊對原有市場的影響強度要大于正的信息沖擊，且這些沖擊大概持續(xù)到40期左右慢慢衰減為0。值得一提的是，銀行板塊的正向沖擊對證券的初期影響效果為正，然后快速衰減為負。對比圖2和圖3可以清晰發(fā)現(xiàn)，當出現(xiàn)聯(lián)合負向信息沖擊時，這種沖擊的強度要顯著大于單個市場的負向沖擊,而且波動性較大的證券板塊風險擴大值要明顯大于銀行。

表3 非對稱MVMQ-CAViaR模型的估計結(jié)果

圖2 銀行和證券板塊市場沖擊的脈沖響應過程 注：圖2上半部分給出了銀行板塊受到1個單位標準差新信息沖擊時，對銀行和證券未來100期的反應；同理，下半部分是證券板塊受到1個單位新信息沖擊時，對銀行和證券未來100期的反應。

銀行-證券c1a11a12d11d12e1b11b120.001-0.040-0.173*-0.032-0.053-0.081*0.847***-0.013(0.045)(0.053)(0.120)(0.033)(0.056)(0.066)(0.023)(0.015)c2a21a22d21d22e2b21b22-0.0130.004-0.178***-0.012-0.062*-0.123**-0.028**0.851***(0.034)(0.045)(0.047)(0.025)(0.048)(0.074)(0.016)(0.017)銀行-保險c1a11a12d11d12e1b11b12-0.001-0.035**-0.134***0.015-0.072-0.078**0.839***-0.024*(0.034)(0.020)(0.044)(0.020)(0.033)(0.050)(0.009)(0.016)c2a21a22d21d22e2b21b22-0.0320.013-0.093*-0.022*-0.046-0.095*-0.023**0.820***(0.033)(0.029)(0.062)(0.017)(0.058)(0.071)(0.011)(0.013)證券-保險c1a11a12d11d12e1b11b12-0.0210.023*-0.075**-0.030-0.084**0.0030.869***-0.016*(0.040)(0.015)(0.041)(0.048)(0.045)(0.013)(0.060)(0.011)c2a21a22d21d22e2b21b22-0.004-0.080-0.0400.106-0.140*-0.0110.0930.862***(0.109)(0.062)(0.090)(0.095)(0.084)(0.033)(0.090)(0.092)

總之，這部分從回歸結(jié)果的系數(shù)值以及分位數(shù)脈沖響應兩種方法很好地闡述了我國金融業(yè)不同板塊之間風險傳導的顯著非對稱性，進一步還發(fā)現(xiàn)我國銀行對其他板塊具有顯著風險傳染效應，而證券則處于被動接收其他板塊風險的不利地位。

圖3 銀行和證券聯(lián)合負向沖擊的脈沖響應過程 注：圖3給出了銀行板塊和證券板塊同時受到1個單位標準差新信息沖擊時，對銀行和證券未來100期的反應。

MVMQ-CAViaR模型非對稱MVMQ-CAViaR模型聯(lián)合非對稱MVMQ-CAViaR模型LR檢驗DQ檢驗LR檢驗DQ檢驗LR檢驗DQ檢驗銀行-證券銀行0.6410.0160.6410.1120.8380.258證券0.2890.1460.8380.2490.8360.898銀行-保險銀行0.8380.4280.8380.5620.8380.862保險0.2890.0030.2890.0130.6410.222證券-保險證券0.6780.1600.6780.3510.6780.331保險0.1990.0010.2890.1950.2890.076

注：黑色字體表示在95%的置信水平下拒絕原模型。表中數(shù)據(jù)為VaR似然比檢驗和DQ檢驗的P值，P值越大，表明該模型計算的VaR精確度越高。

3.4 模型的穩(wěn)健性檢驗

表5給出了在5%分位數(shù)下不同板塊的回測檢驗結(jié)果，可以發(fā)現(xiàn)：在5%的顯著性水平下，三個模型的Kupiec似然比結(jié)果均通過了穩(wěn)健性檢驗，但從預測的準確度來看，非對稱MVMQ-CAViaR模型要明顯優(yōu)于原始的MVMQ-CAViaR模型，進一步，聯(lián)合非對稱MVMQ-CAViaR模型又要略優(yōu)于非對稱MVMQ-CAViaR模型；另外，從DQ檢驗來看，傳統(tǒng)模型出現(xiàn)了3次拒絕原假設(shè)的結(jié)果，而非對稱MVMQ-CAViaR模型拒絕原假設(shè)僅1次，聯(lián)合非對稱MVMQ-CAViaR模型則完全通過了統(tǒng)計意義上的DQ檢驗?？傊?，本文新提出的兩個模型能顯著地提高金融不同板塊風險的預測準確性，且聯(lián)合非對稱MVMQ-CAViaR模型相對更有競爭優(yōu)勢，說明對市場沖擊項進行杠桿分解具有理論依據(jù)和實踐意義。

4 結(jié)語

為檢驗收益率市場沖擊項對我國金融業(yè)不同板塊VaR的非對稱效應，本文將White等[12]最新提出的多元分位數(shù)模型(即MVMQ-CAViaR模型)進行兩步擴展，使其成為能刻畫市場沖擊具有杠桿效應的非對稱MVMQ-CAViaR模型和聯(lián)合非對稱MVMQ-CAViaR模型，并運用Kupiec似然比檢驗和動態(tài)分位數(shù)檢驗對模型的預測效果進行評估，主要得出的結(jié)論有：銀行、證券和保險板塊的VaR均具有高度顯著的自相關(guān)特征，且三個板塊指數(shù)的整體走勢具有較強的一致性；從極端風險溢出的角度而言，銀行板塊的極端風險會顯著地向證券和保險板塊進行傳染，保險板塊的極端價格變動也會引發(fā)證券和銀行風險水平的變動；從市場沖擊項的角度來看，三個板塊自身的市場沖擊均具有一定程度的杠桿效應，同時銀行板塊的市場沖擊會傳遞到證券板和保險板塊，從而加大其他市場的VaR值，保險板塊時常也會對證券板塊產(chǎn)生市場沖擊，證券板塊則只能單方向地被動接收源于其他板塊的市場沖擊；當不同市場同時發(fā)生負向信息沖擊時，此時對市場具有“共振”的效果，會進一步加大原來的市場風險水平。

本文的相關(guān)研究結(jié)論對如何防范我國系統(tǒng)性金融風險具有重要的政策含義，首先，對不同系統(tǒng)重要性的金融機構(gòu)進行差異化監(jiān)控和防范。銀行在我國整個金融體系具有舉足輕重的地位，監(jiān)管層要重點強化銀行相關(guān)風險狀況的披露制度，加強銀行財務(wù)信息的透明度。其次，以全局觀念來看待我國整個金融系統(tǒng)的風險，強化宏觀審慎的監(jiān)管要求，建立好不同行業(yè)間共同應對風險的預警體系。從分業(yè)經(jīng)營慢慢轉(zhuǎn)變?yōu)榛鞓I(yè)經(jīng)營已成為當前金融業(yè)發(fā)展的趨勢，監(jiān)管部門和金融機構(gòu)應積極做好相關(guān)的制度安排以減少板塊風險聯(lián)動所帶來的負面沖擊。最后，要重點監(jiān)測金融業(yè)不同板塊同時發(fā)生負面消息時對整個金融系統(tǒng)的影響，局部風險的影響相對較小，但不同金融板塊同時出現(xiàn)風險事件會嚴重破壞公眾的投資信心，容易造成市場的恐慌心理，從而會劇烈地擴大市場的風險水平。

[1] Kaufman G G, Scott K E. What is systemic risk, and do bank regulators retard or contribute to it?[J]. Independent Review, 2003, 7(3): 371-391.

[2] Kupiec P, Nickerson D. Assessing systemic risk exposure from banks and GSEs under alternative approaches to capital regulation[J]. The Journal of Real Estate Finance and Economics, 2004, 28(2-3): 123-145.

[3] 陳建青,王擎,許韶輝. 金融行業(yè)間的系統(tǒng)性金融風險溢出效應研究[J]. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2015, (9): 89-100.

[4] Forbes K J, Rigobon R. No contagion, only interdependence: measuring stock market comovements[J]. The Journal of Finance, 2002, 57(5): 2223-2261.

[5] Li Xiaoming, Zou Liping. How do policy and information shocks impact co-movements of China’s T-bond and stock markets?[J]. Journal of Banking & Finance, 2008, 32(3): 347-359.

[6] Lee C H, Doong S C, Chou P I. Dynamic correlation between stock prices and exchange rates[J]. Applied financial economics, 2011, 21(11): 789-800.

[7] 胡秋靈,馬麗.我國股票市場和債券市場波動溢出效應分析[J]. 金融研究,2011,(10): 198-206.

[8] 李素芳,朱慧明,李榮. 基于貝葉斯機制轉(zhuǎn)換協(xié)整模型的石油——股市非對稱效應研究[J]. 中國管理科學,2015,23(9): 46-54.

[9] 賈彥東. 金融機構(gòu)的系統(tǒng)重要性分析——金融網(wǎng)絡(luò)中的系統(tǒng)風險衡量與成本分擔[J]. 金融研究,2011,(10): 17-33.

[10] 歐陽紅兵,劉曉東. 中國金融機構(gòu)的系統(tǒng)重要性及系統(tǒng)性風險傳染機制分析——基于復雜網(wǎng)絡(luò)的視角[J]. 中國管理科學,2015,23(10): 30-37.

[11] Billio M, Getmansky M, Lo A W, et al. Econometric measures of connectedness and systemic risk in the finance and insurance sectors[J]. Journal of Financial Economics, 2012, 104(3): 535-559.

[12] White H, Kim T H, Manganelli S. VAR for VaR: Measuring tail dependence using multivariate regression quantiles[J]. Journal of Econometrics, 2015, 187(1): 169-188.

[13] 劉慶富,周程遠.中國股票市場的非對稱效應研究[J].系統(tǒng)工程學報,2012,27(5): 648-655.

[14] Beber A, Brandt M W. When it cannot get better or worse: The asymmetric impact of good and bad news on bond returns in expansions and recessions[J]. Review of Finance, 2010, 14(1): 119-155.

[15] 陸蓉,徐龍炳.“牛市”和“熊市”對信息的不平衡性反應研究[J]. 經(jīng)濟研究,2004,(3): 65-72.

[16] 文鳳華,劉曉群,唐海如,等. 基于LHAR-RV-V模型的中國股市波動性研究[J]. 管理科學學報,2012,15(6): 59-67.

[17] Engle R F，Manganelli S. CAViaR: Conditional autoregressive value at risk by regression quantile[J]. Journal of Business and Economic Statistics, 2004, 22(4):367-381.

[18] López-Espinosa G, Moreno A, Rubia A, et al. Short-term wholesale funding and systemic risk: A global CoVaR approach[J]. Journal of Banking & Finance, 2012, 36(12): 3150-3162.

[19] 簡志宏,彭偉. 基于CAViaR模型的匯率隔夜風險研究[J].中國管理科學,2015,23(6): 17-24.

[20] Kupiec P H. Techniques for verifying the accuracy of risk measurement models[J]. Journal of Derivatives, 1995, 3(2):73-84.

Study on Asymmetric Effect of Risk Transmission between Different Financial Sectors in China

ZENG Yu-feng1, JIAN Zhi-hong2, PENG Wei2

(1. School of Economics, Fudan University, Shanghai 200433, China；2. School of Economics HUST, Wuhan 430074, China；3. School of Finance, Zhongnan University of Economics and Law, Wuhan 430073, China)

Ever since the 2008 global financial crisis, the supervision of systemic financial risk has been a hot topic in the field of academic and policy-making departments, both at home and abroad. Especially since 2012, financial system reform began to accelerate, and investment constrain have been gradually deregulated. The extensive relevance and intersectionality of the financial services business brought about significant changes in the financial sector, which led to a substantial increase in systemic financial risk.

The multivariate quantile regression model provides a good tool for analyzing systemic risk. Considering the deficiency of original MVMQ-CAViaR model ignores the asymmetric impacts of positive and negative shock. In this paper, it is extended to asymmetric MVMQ-CAViaR model and joint asymmetric MVMQ-CAViaR model. Subsequently, these models are used to study China's financial industry risk transmission effect between different sectors. Then both Kupiec LR(likelihood ratio) test and dynamic quantile test are used to backtest the prediction performance of these models.

The results show that：Banks have significant spillover effects on securities and insurance sectors, while securities can just unidirectional absorb other sectors' risk；The impacts of good and bad news exhibit leverage effect to some extent to their own as well as other sectors. In general, negative shock has greater effect than positive effect. Furthermore, joint negative impact will amplify the current risk level；Two newly constructed models can significantly improve the risk prediction accuracy, and joint asymmetric MVMQ-CAViaR model is relatively more competitive.

Important practical and social implication are suggested．First of all. Regulators should pay special attention on strengthening the disclosure system of bank risk and the transparency of bank financial information. Then policy makers should strengthen the macro-prudential regulatory requirements and build good co-operation relationship between different industries in order to deal with emergency warning system.

risk transmission；MVMQ-CAViaR model；asymmetric characteristics；systemic risk

1003-207(2017)08-0058-10

10.16381/j.cnki.issn1003-207x.2017.08.007

2016-02-27；

2017-03-07

中央高校基本科研業(yè)務(wù)費資助項目(2016AD007)；國家自然科學基金資助項目(71402191)

簡志宏(1968-)，男(漢族)，四川瀘州人，華中科技大學經(jīng)濟學院教授，博士生導師, 研究方向：金融數(shù)學、宏觀金融,E-ml：jian8822@sina.com.

F830.91

A