陳聲利，趙學(xué)軍，張自力

1 北京大學(xué) 光華管理學(xué)院，北京 100871

2 嘉實(shí)基金管理有限公司，北京 100005

引言

隨著金融國際化程度不斷加深，國家或地區(qū)之間的金融活動相互滲透，金融風(fēng)險跨市場、跨區(qū)域、跨品種的傳染不斷加劇。金融市場間不僅存在資產(chǎn)價格方面的相互影響，還普遍存在資產(chǎn)波動率方面的相互影響。一個金融市場的波動可能引起另一個金融市場的波動，這種現(xiàn)象稱之為波動溢出效應(yīng)。由于波動率測量了市場風(fēng)險，波動溢出又被稱為風(fēng)險溢出。近年來，全球金融市場經(jīng)歷了多次嚴(yán)重的金融危機(jī)，如亞洲金融危機(jī)、美國次貸危機(jī)等。金融風(fēng)險往往從一個市場產(chǎn)生，然后傳導(dǎo)到另一個市場，在風(fēng)險傳播過程中經(jīng)常出現(xiàn)波動加劇、多市場共振的現(xiàn)象。準(zhǔn)確測量金融市場的風(fēng)險溢出效應(yīng)，不僅有助于深入理解金融風(fēng)險傳播機(jī)制，還有助于監(jiān)管部門制定政策、投資者管理風(fēng)險和投資決策。

當(dāng)前，全球經(jīng)濟(jì)形勢很嚴(yán)峻，各國利率政策、中美貿(mào)易摩擦、英國脫歐以及地緣沖突等不確定性，將對全球金融市場產(chǎn)生持續(xù)性沖擊。作為流動性最強(qiáng)的外匯市場往往與股票市場和大宗商品市場有千絲萬縷的聯(lián)系，從全球視野研究匯率、股市、大宗商品波動的相互溢出，有助于追溯風(fēng)險源，對大類資產(chǎn)配置具有重要意義。本研究基于修正的已實(shí)現(xiàn)波動率建立向量自回歸模型，利用廣義誤差方差分解方法構(gòu)建方向性風(fēng)險溢出指數(shù)和風(fēng)險溢出網(wǎng)絡(luò)，通過靜態(tài)分析和滾動分析研究全球27種資產(chǎn)的風(fēng)險溢出行為。

1相關(guān)研究評述

1.1研究方法

風(fēng)險溢出一直是研究熱點(diǎn)，針對風(fēng)險溢出的研究方法也不斷創(chuàng)新。學(xué)者們早期使用GARCH模型建模研究風(fēng)險溢出。HAMAO et al.[1]利用GARCH建立兩步法，先用GARCH對資產(chǎn)建模并提取殘差，然后將殘差平方作為資產(chǎn)波動率放入其他資產(chǎn)的GARCH模型中，通過估計系數(shù)的顯著性判斷是否存在風(fēng)險溢出效應(yīng)；CHEUNG et al.[2]提出基于GARCH模型標(biāo)準(zhǔn)化殘差的交叉相關(guān)函數(shù)的風(fēng)險溢出檢驗(yàn)方法；李成等[3]和BILLIO et al.[4]使用多元GARCH和多元SV等多元波動率模型，從方差因果性檢驗(yàn)視角研究風(fēng)險溢出問題。此外，也有學(xué)者通過分析因子模型的結(jié)構(gòu)變化考察是否存在金融傳染[5-7]。當(dāng)研究的資產(chǎn)較多時，上述研究方法估計參數(shù)比較難。

從脈沖分析視角研究風(fēng)險溢出是比較常用的方法。考慮多變量的非線性建模，KOOP et al.[8]建立非線性模型的脈沖分析方法。考慮多變量的線性建模，許多學(xué)者建立VAR模型的脈沖分析方法。PESARAN et al.[9]針對非嚴(yán)格VAR模型或協(xié)整VAR模型建立廣義脈沖分析方法；SOYDEMIR[10]基于平方收益率、已實(shí)現(xiàn)波動率、極差波動率等波動率代理變量構(gòu)建VAR模型，通過VAR模型及其脈沖響應(yīng)分析研究風(fēng)險溢出關(guān)系；DIEBOLD et al.[11]基于VAR模型的方差分解進(jìn)一步構(gòu)建風(fēng)險溢出指數(shù)，并計算不同市場的凈溢入指數(shù)和凈溢出指數(shù)。以上研究方法一般從全樣本視角研究資產(chǎn)之間的溢出效應(yīng)，但無法研究風(fēng)險溢出效應(yīng)的時變特征，也無法得到所有資產(chǎn)的凈風(fēng)險溢入、凈風(fēng)險溢出和整體溢出效應(yīng)。

隨著經(jīng)濟(jì)形勢和市場結(jié)構(gòu)的變化，金融資產(chǎn)之間的風(fēng)險溢出效應(yīng)也會動態(tài)變化，針對時變的風(fēng)險溢出行為研究一般采用滾動時間窗VAR方法。DIEBOLD et al.[11-13]利用滾動時間窗VAR建模和方差分解，實(shí)現(xiàn)對風(fēng)險溢出效應(yīng)的時變估計，構(gòu)建總溢出指數(shù)和方向性溢出指數(shù)，探討不同資產(chǎn)之間的時變凈溢入和凈溢出效應(yīng)(簡稱為DY模型)；DEMIRER et al.[14]通過結(jié)合LASSO估計將DY模型擴(kuò)展到越來越相關(guān)的高維環(huán)境。由于Diebold-Yilmaz框架可以用資產(chǎn)的已實(shí)現(xiàn)波動率作為變量進(jìn)行VAR建模[15]，隨著已實(shí)現(xiàn)半方差的提出[16]，BARUNK et al.[17-18]和APERGIS et al.[19]基于好壞波動率建立了不對稱波動率的溢出研究方法。

隨著資產(chǎn)數(shù)量增多，僅用計量方法很難直觀分析風(fēng)險溢出效應(yīng)，近年來復(fù)雜網(wǎng)絡(luò)或知識圖譜為金融資產(chǎn)風(fēng)險溢出研究提供了新工具。如果將金融資產(chǎn)視為復(fù)雜網(wǎng)絡(luò)的節(jié)點(diǎn)，將資產(chǎn)之間的風(fēng)險傳導(dǎo)關(guān)系視為復(fù)雜網(wǎng)絡(luò)的邊，那么可將金融資產(chǎn)構(gòu)建為風(fēng)險溢出網(wǎng)絡(luò)。代表性成果是DIEBOLD et al.[13]在DY模型基礎(chǔ)上建立有向網(wǎng)絡(luò)，并用網(wǎng)絡(luò)拓?fù)浞椒ㄑ芯拷鹑谖C(jī)期間的風(fēng)險溢出。進(jìn)而，DIEBOLD et al.[20-21]利用有向溢出指數(shù)和風(fēng)險溢出網(wǎng)絡(luò)研究金融機(jī)構(gòu)、金融市場和宏觀經(jīng)濟(jì)的風(fēng)險溢出效應(yīng)。

1.2實(shí)證研究

實(shí)證研究風(fēng)險溢出一直很活躍，學(xué)者們研究不同股市之間的風(fēng)險溢出效應(yīng)。HAMAO et al.[1]建立GARCH模型研究風(fēng)險溢出，發(fā)現(xiàn)美國、英國和日本股市之間存在風(fēng)險溢出關(guān)系；BARUNK et al.[17]利用好壞波動率建立VAR模型，研究發(fā)現(xiàn)美國股市存在不對稱溢出效應(yīng)。關(guān)于A股的風(fēng)險溢出的研究，裴茜等[7]研究發(fā)現(xiàn)中國股票行業(yè)指數(shù)之間存在風(fēng)險傳染，而鄭挺國等[22]研究發(fā)現(xiàn)股市風(fēng)險溢出效應(yīng)與政策不確定性有一定關(guān)聯(lián)。為探討A股與海外市場的聯(lián)動性，張兵等[23]、李紅權(quán)等[24]和周璞等[25]研究發(fā)現(xiàn)A股與美股、港股之間存在較強(qiáng)的風(fēng)險溢出效應(yīng)。這些研究對風(fēng)險溢出效應(yīng)都展開了靜態(tài)分析和滾動分析。

外匯市場受國際形勢影響很大，使關(guān)于匯率風(fēng)險的研究備受重視[26]。關(guān)于人民幣匯率的溢出行為，趙華[27]研究發(fā)現(xiàn)人民幣匯率與利率之間存在風(fēng)險溢出效應(yīng)，陳云等[28]研究發(fā)現(xiàn)人民幣匯率對股票市場具有風(fēng)險溢出效應(yīng)，郝毅等[29]利用MVMQ-CAViaR模型研究發(fā)現(xiàn)境內(nèi)外人民幣外匯市場存在風(fēng)險溢出效應(yīng)。不同匯率市場的風(fēng)險溢出也是研究重點(diǎn)。GREENWOOD-NIMMO et al.[30]利用DY模型研究發(fā)現(xiàn)10種匯率存在風(fēng)險溢出效應(yīng)；BARUNK et al.[18]基于好壞波動建立VAR模型，研究發(fā)現(xiàn)外匯市場出現(xiàn)不對稱溢出效應(yīng)。這些成果為匯率風(fēng)險的傳染機(jī)制提供了經(jīng)驗(yàn)證據(jù)。

隨著跨市場風(fēng)險的不斷增加，跨市場風(fēng)險溢出也是實(shí)證研究的焦點(diǎn)。一些學(xué)者研究商品期貨與股市的聯(lián)動性，王鵬等[31]研究發(fā)現(xiàn)石油期貨與股票市場存在風(fēng)險溢出效應(yīng)。也有學(xué)者研究地域性風(fēng)險傳染，華仁海等[32]研究發(fā)現(xiàn)國內(nèi)外期貨市場之間存在風(fēng)險溢出效應(yīng)。部分學(xué)者研究匯市、股市和債市的聯(lián)動性，陳創(chuàng)練等[33]改進(jìn)VAR模型和脈沖分析，研究發(fā)現(xiàn)外匯市場、債券市場和股票市場存在交叉溢出關(guān)系；周愛民等[34]利用GARCH建模研究發(fā)現(xiàn)股票市場與外匯市場之間存在風(fēng)險溢出效應(yīng)。此外，還有學(xué)者聚焦于中美利率政策的溢出效應(yīng)，郭棟[35]基于GVAR和TVP-VAR模型研究發(fā)現(xiàn)美國國債利率對中國債市存在沖擊行為。這些研究充分表明，外匯市場、股票市場和大宗商品市場存在較強(qiáng)的風(fēng)險傳染。

隨著資產(chǎn)數(shù)量增多，學(xué)者們采用DY模型的滾窗方法研究風(fēng)險溢出行為。部分學(xué)者聚焦在貴金屬市場的風(fēng)險溢出研究，LUCEY et al.[36]建立DY模型研究發(fā)現(xiàn)倫敦、紐約、東京和上海4個黃金市場之間的風(fēng)險溢出，BATTEN et al.[37]研究發(fā)現(xiàn)黃金、白銀、鉑金和鈀金4種貴金屬之間的風(fēng)險溢出效應(yīng)。諸多學(xué)者把焦點(diǎn)放在全球股市之間的風(fēng)險傳染，梁琪等[38]基于有向溢出指數(shù)研究發(fā)現(xiàn)中國股市與海外股市存在風(fēng)險傳染行為，YAROVAYA et al.[39]研究發(fā)現(xiàn)歐洲、亞洲等4個區(qū)域21個股市之間存在風(fēng)險溢出效應(yīng)。有些學(xué)者從恐慌指數(shù)視角研究風(fēng)險傳染，YANG et al.[40]根據(jù)11個金融市場的恐慌指數(shù)(VIX)研究發(fā)現(xiàn)，美國量化寬松政策對國際主要市場具有風(fēng)險溢出效應(yīng)。此外，還有學(xué)者同時研究股市、債市和期市的交叉溢出效應(yīng)，劉超等[41]研究發(fā)現(xiàn)中國股市、債市、商品等市場之間存在風(fēng)險溢出效應(yīng)。由此可知，已有研究采用不同數(shù)據(jù)驗(yàn)證了DY風(fēng)險溢出研究方法的有效性。

1.3研究不足和對策

根據(jù)上述分析可知，在資產(chǎn)數(shù)量較多的情況下，DY框架已成為研究大類資產(chǎn)風(fēng)險溢出的主流方法。DY框架衍生出的方向性溢出指數(shù)和風(fēng)險溢出網(wǎng)絡(luò)為研究風(fēng)險溢出提供了有效工具，人們既可以使用時變溢出指數(shù)研究風(fēng)險溢出的動態(tài)演變，又能進(jìn)一步轉(zhuǎn)化為風(fēng)險溢出網(wǎng)絡(luò)直觀揭示金融資產(chǎn)之間的風(fēng)險傳染機(jī)制。然而，已有實(shí)證研究依然存在不足：①學(xué)者們局限于研究兩個市場內(nèi)的風(fēng)險溢出關(guān)系，鮮有學(xué)者將全球金融市場視為一個整體研究風(fēng)險溢出效應(yīng)；②外匯市場、股票市場和期貨市場之間的相互溢出研究成果很少；③較少學(xué)者從大類資產(chǎn)視角研究每個資產(chǎn)的風(fēng)險溢出表現(xiàn)；④復(fù)雜網(wǎng)絡(luò)是研究風(fēng)險溢出效應(yīng)的新方法，然而除DIEBOLD et al.[13,20-21]發(fā)表的成果外，其他學(xué)者的研究貢獻(xiàn)十分有限。

為了彌補(bǔ)以上不足，本研究沿用DY框架構(gòu)建時變風(fēng)險溢出指數(shù)和風(fēng)險溢出網(wǎng)絡(luò)，從全球視角對外匯市場、股票市場和期貨市場的27種資產(chǎn)展開詳實(shí)的風(fēng)險溢出行為研究。既考察同類資產(chǎn)的風(fēng)險傳染機(jī)制，又探討交叉市場的風(fēng)險聯(lián)動，可為大類資產(chǎn)的風(fēng)險溢出提供較為全面的經(jīng)驗(yàn)證據(jù)。

2理論方法

2.1波動率的測量方法

首先闡述風(fēng)險溢出測量方法中所采用的已實(shí)現(xiàn)波動率。令prit為t時刻的資產(chǎn)價格，則對數(shù)化的價格為ρt，ρt=log(prit)，可以表示為連續(xù)時間過程，即

(1)

其中，μη為局部有界的均值變量，σs為數(shù)值為正的隨機(jī)波動變量，η和s為時間變量，Jt為跳躍成分。對數(shù)價格ρt的二次變差過程為

(2)

為了估計二次變差，ANDERSEN et al.[15]首次提出已實(shí)現(xiàn)波動率，并證明在無市場微觀結(jié)構(gòu)噪聲條件下，它是二次變差的一致估計量。假設(shè)rk為高頻對數(shù)收益率，則定義已實(shí)現(xiàn)波動率為

(3)

其中，RV為已實(shí)現(xiàn)波動率，n為抽樣頻數(shù)，k為循環(huán)變量。當(dāng)n趨于無窮時，RV的概率收斂于二次變差[ρt,ρt]。

考慮到市場微觀結(jié)構(gòu)噪聲的影響，本研究采用HANSEN et al.[42]提出的已實(shí)現(xiàn)核估計對已實(shí)現(xiàn)波動率進(jìn)行噪聲糾偏。根據(jù)陳聲利等[43-44]的推導(dǎo)，將(3)式修正為

(4)

2.2風(fēng)險溢出的建模理論

溢出指數(shù)計量方法最早由DIEBOLD et al.[11]提出，該方法基于向量自回歸模型刻畫多變量之間的線性關(guān)系，通過預(yù)測誤差方差分解得到廣義誤差方差分解矩陣，用來描述變量之間的相互關(guān)系。在此基礎(chǔ)上，DIEBOLD et al.[11-12]提出總溢出指數(shù)、有向溢出指數(shù)和凈溢出指數(shù)。下面將系統(tǒng)闡述風(fēng)險溢出的相關(guān)理論。

2.2.1 VAR模型和方差分解

若研究金融市場的N個資產(chǎn)之間的風(fēng)險溢出行為，可以將N個資產(chǎn)的已實(shí)現(xiàn)波動率向量作為回歸變量，建立p階的向量自回歸模型(VAR(p))，表示為

(5)

其中，RVt為已實(shí)現(xiàn)波動率向量，RVt=(RV1t,RV2t,…,RVNt)′；Φτ為N×N維的系數(shù)矩陣；τ為階數(shù)的循環(huán)變量；εt為N×1維的隨機(jī)擾動項(xiàng)，且εt～iid(0,Σε)，Σε為N×N維的εt的協(xié)方差矩陣。VAR(p)的移動平均形式為

(6)

其中，h為循環(huán)變量；Ah為系數(shù)矩陣。當(dāng)h<0時，Ah=0；當(dāng)h>0時，Ah滿足遞歸過程，即

Ah=Φ1Ah-1+Φ2Ah-2+…+ΦpAh-p

(7)

特別的，A0為N×N維的單位矩陣。據(jù)此，考慮向前H步預(yù)測，可計算出H個系數(shù)矩陣，即A0,A1,…,AH-1。

令i和j代表兩個不同的資產(chǎn)，則預(yù)測誤差方差分解的核心任務(wù)是，估計i資產(chǎn)向前H步預(yù)測的誤差方差中有多少成分來自于j資產(chǎn)的新息沖擊。在VAR(p)模型一般框架下，根據(jù)PESARAN et al.[9]的廣義脈沖函數(shù)可計算出N×N維廣義誤差方差分解矩陣Θ，矩陣中的每個元素為

(8)

(9)

2.2.2 風(fēng)險溢出的測量方法

(1)總風(fēng)險溢出指數(shù)，測量N個資產(chǎn)波動率之間的相互溢出效果對總預(yù)測誤差方差的貢獻(xiàn)，計算方法為廣義誤差方差分解矩陣的所有非對角元素求和取平均，即

(10)

(11)

(12)

(11)式和(12)式計算得到的皆為方向性的溢出指數(shù)，后文分別將二者簡稱為溢入指數(shù)和溢出指數(shù)。

(13)

2.3風(fēng)險溢出網(wǎng)絡(luò)

多種金融資產(chǎn)之間的風(fēng)險傳染是通過波動率的相互溢出實(shí)現(xiàn)的，因此可以使用復(fù)雜網(wǎng)絡(luò)方法建立金融風(fēng)險溢出網(wǎng)絡(luò)。基于復(fù)雜網(wǎng)絡(luò)構(gòu)建風(fēng)險溢出網(wǎng)絡(luò)的核心思想是，將金融市場中各類金融資產(chǎn)作為節(jié)點(diǎn)，節(jié)點(diǎn)之間的連邊代表資產(chǎn)之間的風(fēng)險溢出關(guān)系。借鑒DIEBOLD et al.[13,20]的研究，本研究將廣義誤差方差分解矩陣作為金融風(fēng)險溢出網(wǎng)絡(luò)的連接矩陣，構(gòu)建面向大類資產(chǎn)的風(fēng)險溢出網(wǎng)絡(luò)，并通過節(jié)點(diǎn)的網(wǎng)絡(luò)中心度分析大類資產(chǎn)之間的風(fēng)險傳染機(jī)制。

根據(jù)復(fù)雜網(wǎng)絡(luò)的定義，節(jié)點(diǎn)的網(wǎng)絡(luò)中心度為該節(jié)點(diǎn)相連的邊的權(quán)重之和，用以衡量節(jié)點(diǎn)的重要性。節(jié)點(diǎn)的網(wǎng)絡(luò)中心度越大，該節(jié)點(diǎn)在金融風(fēng)險溢出網(wǎng)絡(luò)中所處的地位越重要。對于有向網(wǎng)絡(luò)而言，網(wǎng)絡(luò)中心度又分為出度和入度。由于廣義誤差方差分解矩陣是有方向的，本研究構(gòu)建的金融風(fēng)險溢出網(wǎng)絡(luò)本質(zhì)上是有向網(wǎng)絡(luò)。前文建立的有向溢出指數(shù)，即溢出指數(shù)和溢入指數(shù)，可以直接體現(xiàn)為節(jié)點(diǎn)的加權(quán)出度和加權(quán)入度。在具體的實(shí)證研究中，本研究在構(gòu)建風(fēng)險溢出網(wǎng)絡(luò)時將每個資產(chǎn)視為同質(zhì)化的，無需特別區(qū)分匯率、股票指數(shù)和商品期貨，并且主要以溢出指數(shù)對應(yīng)的網(wǎng)絡(luò)中心度探討風(fēng)險溢出行為。

3實(shí)證研究

針對2000年以來外匯市場、股票市場和期貨市場的27種資產(chǎn)，通過靜態(tài)分析和滾動分析對大類資產(chǎn)的風(fēng)險溢出展開分析。靜態(tài)分析和滾動分析都包含4組實(shí)驗(yàn)，分別為8種匯率的外匯市場風(fēng)險溢出研究、11種股票指數(shù)的股票市場風(fēng)險溢出研究、6種大宗商品的商品期貨市場風(fēng)險溢出研究，以及27種資產(chǎn)的交叉風(fēng)險溢出研究。在交叉風(fēng)險溢出研究中，除8種貨幣匯率指數(shù)、11種股票指數(shù)和6種大宗商品外，還使用了美國10年期國債期貨和美國VIX期貨兩種獨(dú)特的期貨。在實(shí)證研究中，首先對研究數(shù)據(jù)進(jìn)行闡述，然后計算月度已實(shí)現(xiàn)波動率并進(jìn)一步檢驗(yàn)月度已實(shí)現(xiàn)波動率的平穩(wěn)性，最后利用月度已實(shí)現(xiàn)波動率建立VAR模型研究風(fēng)險溢出行為。

3.1研究數(shù)據(jù)

本研究從彭博系統(tǒng)獲取全球主要經(jīng)濟(jì)體的外匯匯率、股票指數(shù)和大宗商品的歷史數(shù)據(jù)，時間區(qū)間為2000年1月1日至2019年5月20日，共233個月，累計5 058天的日度數(shù)據(jù)。鑒于美元是世界主要存儲和流通的貨幣，本研究重點(diǎn)研究8個國家或地區(qū)的貨幣兌美元的匯率，這些貨幣包括歐元EUR、英鎊GBP、日元JPY、瑞士法郎CHF、澳元AUD、加元CAD、港幣HKD和人民幣CNY。后文將歐美匯率EUR/USD簡寫為EUR，其他匯率類似。所有匯率數(shù)據(jù)均為紐約時間每天下午5點(diǎn)的收盤價。

根據(jù)上述匯率覆蓋的國家或地區(qū)，本研究獲取11種有代表性的股票指數(shù)，具體為美國標(biāo)普500指數(shù)(SPX)、歐元區(qū)斯托克價格指數(shù)(SX5E)、法國CAC400指數(shù)(CAC)、德國DAX30指數(shù)(DAX)、日本日經(jīng)225指數(shù)(NKY)、香港恒生指數(shù)(HSI)、中國上證指數(shù)(SSEC)、加拿大標(biāo)普TSX綜合指數(shù)(SPTSX)、英國富時100指數(shù)(UKX)、澳大利亞綜合指數(shù)(AS30)、瑞士股票指數(shù)(SMI)。

本研究考察的大宗商品包括倫敦金屬交易所(LME)的金屬期貨(如黃金GOLD、白銀SLVR、銅CU和鋁AL)、倫敦洲際交易所(ICE)的布倫特原油期貨(OIL)和芝加哥商品交易所(CME)的大豆期貨(Y)。本研究選取的商品期貨具有代表性，黃金和白銀是具有避險功能的貴金屬，銅和鋁是重要的工業(yè)原料，原油是核心能源，大豆是全球性的農(nóng)產(chǎn)品。本研究選用布倫特原油期貨作為研究對象，是因?yàn)椴紓愄卦腕w系比美國WTI原油覆蓋更大的交易量。此外，本研究增加了兩種特殊期貨品種，一種是美國10年期國債期貨(T10Y)，它與美國10年期國債收益率關(guān)系密切；另一種是VIX期貨，其標(biāo)的是芝加哥期權(quán)交易所的恐慌指數(shù)VIX。

由于不同交易所的收盤時間不同，從彭博提取的股票指數(shù)和期貨指數(shù)的收盤時間存在時差。但是由于本研究采用月度已實(shí)現(xiàn)波動率研究風(fēng)險溢出效應(yīng)，其結(jié)果受收盤價時間差異或日內(nèi)波動行為差異影響很小。借鑒黃卓等[45]的研究，本研究利用日頻數(shù)據(jù)估計上述8種匯率、11種股票指數(shù)、6種大宗商品和2種特殊期貨的月度已實(shí)現(xiàn)波動率。為確保波動率的準(zhǔn)確性，計算已實(shí)現(xiàn)波動的日頻收益率rt，rt=100[log(ρt)-log(ρt-1)]。由于篇幅限制，本研究省略了上述資產(chǎn)價格走勢和已實(shí)現(xiàn)波動率的描述性統(tǒng)計，如讀者需要，可聯(lián)系作者索取。月度已實(shí)現(xiàn)波動率的LB(20)檢驗(yàn)結(jié)果表明，除大豆期貨波動率外，其他所有資產(chǎn)均顯著為0，說明已實(shí)現(xiàn)波動率不是白噪聲序列，具有長記憶性和預(yù)測性。此外，ADF檢驗(yàn)結(jié)果表明，除CNY外，其他所有資產(chǎn)在0.050水平上都顯著，證明已實(shí)現(xiàn)波動率是平穩(wěn)序列，滿足VAR(p)建模條件。

3.2風(fēng)險溢出行為的靜態(tài)分析

根據(jù)不同資產(chǎn)的月度已實(shí)現(xiàn)波動率構(gòu)建VAR(p)模型。VAR模型的廣義預(yù)測誤差方差分解需確定兩個關(guān)鍵參數(shù)，即VAR模型階數(shù)p和方差分解的步數(shù)H。借鑒梁琪等[38]的研究，VAR(p)模型的階數(shù)p可根據(jù)赤池信息準(zhǔn)則(AIC)確定。具體方法是取p為1～10依次計算AIC值，選擇最小AIC值對應(yīng)的p作為模型階數(shù)。本研究根據(jù)全樣本的統(tǒng)計實(shí)驗(yàn)發(fā)現(xiàn)AIC值最小時對應(yīng)的階數(shù)為3，即使用過去3個月的波動率預(yù)測下月波動率的表現(xiàn)較好。在計算廣義脈沖響應(yīng)函數(shù)時，隨著向前預(yù)測步數(shù)H的變大，方差分解結(jié)果逐漸趨于穩(wěn)定。本研究取H為1～10依次計算總風(fēng)險溢出指數(shù)，發(fā)現(xiàn)當(dāng)H取3時總風(fēng)險溢出指數(shù)接近穩(wěn)定值。綜上分析，本研究選取p為3、H為3進(jìn)行廣義誤差方差分解并計算溢出指數(shù)。

利用全樣本數(shù)據(jù)，即233個月度已實(shí)現(xiàn)波動率序列作為靜態(tài)數(shù)據(jù)，對當(dāng)前時刻的VAR(3)模型進(jìn)行參數(shù)估計，采用所估計VAR模型滾動向前預(yù)測3步，根據(jù)廣義誤差方差分解矩陣計算溢出指數(shù)。下面根據(jù)風(fēng)險溢出表對風(fēng)險溢出行為進(jìn)行靜態(tài)分析。

3.2.1 外匯市場的風(fēng)險溢出

為了研究匯率之間的風(fēng)險傳染行為，對8種匯率波動構(gòu)建VAR(p)模型進(jìn)行預(yù)測誤差方差分解，得到溢出指數(shù)，見表1。前8行8列為預(yù)測誤差方差矩陣的元素，每行之和為100。矩陣每行數(shù)據(jù)表示某個資產(chǎn)的預(yù)測誤差方差來源于不同資產(chǎn)的風(fēng)險溢出比例，對角線上的數(shù)據(jù)表示某個資產(chǎn)來源于自身的風(fēng)險溢出。

表1 外匯市場的風(fēng)險溢出Table 1 Risk Spillover of Foreign Exchange Markets

注：括號中的數(shù)據(jù)為總風(fēng)險溢出指數(shù)，下同。

由表1可知，①CNY、CHF、HKD和EUR這4種匯率受其他匯率的波動沖擊很小，其預(yù)測誤差方差更多來源于自身的風(fēng)險溢出，普遍超過了85%。②CAD和AUD這2種匯率受其他匯率的波動沖擊很大，分別高達(dá)85.587%和68.329%，它們主要受歐元和日元匯率波動沖擊。③EUR和JPY的風(fēng)險溢出最大，分別高達(dá)153.889%和61.513%，其他匯率的風(fēng)險溢出較小。④EUR和JPY為正向的凈風(fēng)險溢出，表明歐美匯率對各國家或地區(qū)的波動沖擊極為顯著，佐證了USD和EUR仍然占據(jù)目前最重要的貨幣地位。⑤CNY和HKD匯率風(fēng)險溢出較小，風(fēng)險溢入也較小，說明人民幣和港幣的國際化有限。⑥歐元兌英鎊的波動沖擊為31.704%，反過來英鎊對歐元的匯率風(fēng)險溢出僅為0.210%，該現(xiàn)象佐證了廣義誤差方差分解矩陣的非對稱性。

3.2.2 全球股市的風(fēng)險溢出

為了研究全球股市之間的風(fēng)險傳染行為，對11個國家或地區(qū)的股票指數(shù)構(gòu)建VAR(p)模型進(jìn)行預(yù)測誤差方差分解，得到風(fēng)險溢出指數(shù)，見表2。由溢入指數(shù)可知，大多數(shù)全球股市受其他股市的風(fēng)險傳染較大，CAC、DAX、SPTSX、UKX和SMI等都超過90%，HSI和AS30超過80%，表明全球的股票市場聯(lián)動性很強(qiáng)。然而，SPX的風(fēng)險溢入僅為19.900%。觀察方差分解矩陣元素可知，SPX主要承擔(dān)了大部分風(fēng)險溢出的角色，而受其他股市波動沖擊較小。此外，SSEC受其他股市的風(fēng)險溢入最小，僅為15.904%，反映其抵御風(fēng)險的能力較高。

分析溢出指數(shù)發(fā)現(xiàn)，SPX、NKY、SX5E、DAX和SSEC的溢出指數(shù)較大，說明美國、日本、歐元區(qū)、德國和中國股市對全球股市具有較強(qiáng)的風(fēng)險傳染能力。值得強(qiáng)調(diào)的是，德國股市比法國股市具有更強(qiáng)的風(fēng)險溢出效應(yīng)。SPX的風(fēng)險溢出異常顯著，高達(dá)542.501%，反映美國股市是全球股市波動的最大源頭。由凈溢出指數(shù)可知，美國和中國股市為正向的凈風(fēng)險溢出，其他股市均為負(fù)，其原因與美國和中國為全球最大的兩個經(jīng)濟(jì)體有關(guān)系。

通過表2可以探討中國股市的風(fēng)險傳染關(guān)系。SPX對SSEC的風(fēng)險溢出為3.507%，而SSEC對SPX的風(fēng)險溢出為4.007%，說明在全樣本的靜態(tài)分析中中美股市的聯(lián)動性較弱。與SSEC相比，SPX對HSI的風(fēng)險溢出高達(dá)53.063%，而HSI對美國股市的風(fēng)險溢出為0.234%，說明美國股市對香港股市的沖擊較大，但是香港股市對美國股市的影響依然很弱。

3.2.3 大宗商品的風(fēng)險溢出

為了研究大宗商品之間的風(fēng)險傳染行為，對6種大宗商品期貨構(gòu)建VAR(p)模型進(jìn)行預(yù)測誤差方差分解，得到溢出指數(shù)，見表3。關(guān)于大宗商品的溢入指數(shù)，銅受外部市場的沖擊最大，主要源于黃金、白銀和原油的風(fēng)險溢入。鋁的風(fēng)險溢入為31.353%，主要受到銅、黃金和白銀的波動沖擊。白銀主要受黃金的波動沖擊。作為唯一的農(nóng)產(chǎn)品期貨，大豆期貨的風(fēng)險溢入最小。由此可見，倫敦金屬期貨存在很強(qiáng)的波動聯(lián)動性。

表2 全球股市的風(fēng)險溢出Table 2 Risk Spillover of Global Stock Markets

表3 大宗商品的風(fēng)險溢出Table 3 Risk Spillover of Commodities

表4 多種資產(chǎn)的風(fēng)險溢出Table 4 Risk Spillover for Various Assets

分析溢出指數(shù)可知，黃金對其他商品的風(fēng)險溢出極為明顯，達(dá)73.679%，白銀的風(fēng)險溢出也較大，為25.963%，可能與貴金屬的避險保值功能有關(guān)系。分析凈溢出指數(shù)可知，黃金和原油的凈風(fēng)險溢出為正。該數(shù)據(jù)證實(shí)原油波動具有較強(qiáng)的風(fēng)險傳染，這與原油是最重要的能源有關(guān)系。比較表1～表3的總風(fēng)險溢出指數(shù)發(fā)現(xiàn)，全球股市之間的總風(fēng)險溢出最大，為75.807%；全球匯市其次，為35.544%；而代表性商品期貨相對較小，僅為26.538%。

3.2.4 多種資產(chǎn)的交叉溢出

為了探究不同資產(chǎn)之間的風(fēng)險溢出行為，對27種資產(chǎn)構(gòu)建VAR(p)模型進(jìn)行預(yù)測誤差方差分解，得到每個資產(chǎn)的溢入指數(shù)、溢出指數(shù)和凈溢出指數(shù)，見表4， 27種資產(chǎn)包括8種外匯匯率、11種股票指數(shù)、8種商品期貨。

由表4的溢入指數(shù)可知，匯率品種中溢入最小的是CNY和HKD，僅為16.657%和21.378%。而受到外部市場波動沖擊較大的匯率為AUD和CAD，分別為79.788%和86.653%。該現(xiàn)象與表1較為相近。股票指數(shù)中溢入指數(shù)較小者為SSEC(35.295%)和SPX(69.997%)，其他9個股票指數(shù)均超過80%。該現(xiàn)象與表2比較接近。期貨品種的溢入指數(shù)中，銅的風(fēng)險溢入最大，為84.107%，大豆期貨和VIX期貨的風(fēng)險溢入最小，約為28%。

分析表4的溢出指數(shù)可知，EUR和SPX的風(fēng)險溢出最大，遠(yuǎn)超其他資產(chǎn)的風(fēng)險溢出。匯率中溢出指數(shù)超過100%的還有JPY和AUD。期貨品種中GOLD、SLVR和T10Y的風(fēng)險溢出較大，其余資產(chǎn)的風(fēng)險溢出較小。EUR的凈溢出指數(shù)高達(dá)224.431%，SPX高達(dá)219.614%，充分體現(xiàn)了歐美匯率和美國股市為主要風(fēng)險傳染源。大部分匯率的凈風(fēng)險溢出都為正，說明外匯市場對全球金融市場具有強(qiáng)烈的風(fēng)險溢出效應(yīng)。除SPX以外，SSEC也是正向的凈風(fēng)險溢出，表明中美股市對全球金融市場具有較強(qiáng)的風(fēng)險傳染。

圖1以廣義預(yù)測誤差方差矩陣作為連接矩陣構(gòu)建了風(fēng)險溢出網(wǎng)絡(luò)，它可以直觀揭示不同資產(chǎn)之間的風(fēng)險溢出關(guān)系。該風(fēng)險溢出網(wǎng)絡(luò)具有27個節(jié)點(diǎn)、729條邊，節(jié)點(diǎn)之間的連邊代表資產(chǎn)之間的風(fēng)險溢出，揭示了每個資產(chǎn)的風(fēng)險溢出效應(yīng)；節(jié)點(diǎn)的網(wǎng)絡(luò)中心度越大(圓圈越大)，表示溢出指數(shù)越大；資產(chǎn)與資產(chǎn)之間的連邊越粗，表示風(fēng)險溢出越大；箭頭表示風(fēng)險溢出方向。

圖1中，1為EUR，2為GBP，3為JPY，4為CHF，5為AUD，6為CAD，7為HKD，8為CNY，9為SPX，10為SX5E，11為CAC，12為DAX，13為NKY，14為HSI，15為SSEC，16為SPTSX，17為UKX，18為AS30，19為SMI，20為OIL，21為GOLD，22為SLVR，23為CU，24為AL，25為Y，26為T10Y，27為VIX。由圖1可知，①SPX和歐美匯率的溢出指數(shù)最大。SPX幾乎對大部分股票指數(shù)都產(chǎn)生較大波動沖擊，而歐美匯率幾乎對大部分匯率和股票指數(shù)具有波動沖擊。②美國股市和歐美匯率對香港股市的波動沖擊比上證指數(shù)更強(qiáng)。

綜上所述，全球外匯市場、股票市場和期貨市場之間具有很強(qiáng)的風(fēng)險傳染，其中歐美匯率和美國股市是最主要的風(fēng)險傳染源。

3.3風(fēng)險溢出行為的滾動分析

前文根據(jù)風(fēng)險溢出表對風(fēng)險溢出行為進(jìn)行了靜態(tài)分析。然而，由于風(fēng)險溢出指數(shù)具有時變特征，靜態(tài)分析無法揭示波動傳染的動態(tài)關(guān)系。本研究利用滾動時間窗的樣本數(shù)據(jù)估計VAR(p)模型，進(jìn)行廣義誤差方差分解，計算每個資產(chǎn)的時變風(fēng)險溢出指數(shù)，并以此動態(tài)跟蹤大類資產(chǎn)的風(fēng)險溢出效應(yīng)。

先對同類資產(chǎn)建立VAR(p)模型，然后再對所有資產(chǎn)建立VAR(p)模型。在同類資產(chǎn)構(gòu)建VAR模型中，采用過去4年滾動時間窗數(shù)據(jù)(即48個月的已實(shí)現(xiàn)波動率序列)擬合VAR(3)模型參數(shù)，然后向前預(yù)測3個月的波動率構(gòu)建廣義誤差方差分解矩陣，最終得到時變風(fēng)險溢出指數(shù)。針對所有資產(chǎn)建立的VAR(3)模型，由于要預(yù)測的波動率變量高達(dá)27種，為了能夠準(zhǔn)確估計VAR(3)模型的參數(shù)，本研究將滾動時間窗定義為過去10年的已實(shí)現(xiàn)波動率序列，即120個月。

3.3.1 外匯市場的滾動溢出

風(fēng)險溢出的滾動分析主要是跟蹤溢入指數(shù)、溢出指數(shù)、凈溢出指數(shù)和總溢出指數(shù)隨時間的動態(tài)變化。以8種匯率已實(shí)現(xiàn)波動率作為變量建立VAR(p)模型，計算時變風(fēng)險溢出指數(shù)和總風(fēng)險溢出指數(shù)，具體結(jié)果見圖2和圖3。圖2各子圖分別包含溢出指數(shù)、溢入指數(shù)和凈溢出指數(shù)。滾動時間起點(diǎn)為2004年1月，終點(diǎn)為2019年5月，累計185個月。

圖2和圖3表明4類指數(shù)都表現(xiàn)出明顯的時變特征。圖3總風(fēng)險溢出指數(shù)為圖2中所有溢出指數(shù)的平均值，它的變動范圍為[50,90]，說明匯率之間的風(fēng)險溢出指數(shù)之和是隨時間變化的。觀察8種匯率的溢入指數(shù)發(fā)現(xiàn)，CAD、AUD和CHF等資產(chǎn)頻繁超過90%，說明這些品種承擔(dān)了外部市場的大量風(fēng)險沖擊。歐美匯率的溢入指數(shù)長期較小，說明它受其他匯率品種波動沖擊比較有限。

比較分析圖2中不同匯率表現(xiàn)可知，EUR的風(fēng)險溢出指數(shù)和凈溢出指數(shù)一直很大，溢入指數(shù)非常小，說明歐美匯率在外匯市場中一直是最主要的風(fēng)險溢出角色。GBP、JPY、CHF、AUD的凈風(fēng)險溢出指數(shù)存在階段性的正負(fù)交替，說明這些匯率在外匯市場中階段性地傳染風(fēng)險。CAD、HKD和CNY的凈溢出指數(shù)長期為負(fù)，反映了這些匯率長期承受外部市場的風(fēng)險傳染，對外傳播風(fēng)險屬于偶發(fā)性的。特別的，2016年上半年GBP暴跌，其凈風(fēng)險溢出超過300%；2015年CHF暴跌，其凈風(fēng)險溢出超過300%；2016年HKD暴漲，其凈溢出指數(shù)突然超過100%。此外，CNY的凈溢出指數(shù)從2014年開始呈現(xiàn)上升的態(tài)勢，反映了CNY的國際化正在增強(qiáng)。

綜上分析，歐美匯率是外匯市場中最主要的風(fēng)險傳染源，匯率的大幅漲跌容易對外傳遞風(fēng)險，較多匯率長期承受風(fēng)險沖擊。

3.3.2 全球股市的滾動溢出

以11種股票指數(shù)的已實(shí)現(xiàn)波動率作為變量建立VAR(p)模型，以48個月作為滾動時間窗計算的時變風(fēng)險溢出指數(shù)和總風(fēng)險溢出指數(shù)見圖4和圖5。滾動時間的長度與3.3.1相同，累計185個月。

圖4和圖5表明全球股市的各類溢出指數(shù)也具有時變特征。圖5表明股票市場的總溢出指數(shù)的變動范圍為[80,90]，其變化范圍比外匯市場小。由圖4可知，SPX、SX5E、SSEC等市場的溢入指數(shù)相對較小，但是UKX、AS30、SMI、SPTSX、DAX、CAC等市場的溢入指數(shù)卻相當(dāng)高，長期靠近100%，說明這些股市主要承受外部市場風(fēng)險沖擊，扮演著趨勢跟蹤的角色。

(a)EUR(b)GBP(c)JPY(d)CHF(e)AUD(f)CAD(g)HKD(h)CNY

圖2外匯市場的時變風(fēng)險溢出指數(shù)
Figure 2Time-varying Risk Spillover Index of Foreign Exchange Markets

圖3 外匯市場的時變總風(fēng)險溢出指數(shù)Figure 3 Time-varying Total Risk Spillover Index of Foreign Exchange Markets

SPX的溢出指數(shù)和凈溢出指數(shù)很大，長期在[100,600]之間，充分表明SPX在全球股市中一直是最主要的風(fēng)險源。SX5E除2011年至2015年的凈溢出指數(shù)為負(fù)外，其他時間主要表現(xiàn)為正向的風(fēng)險溢出。尤其是2015年以后，SX5E在歐洲股市緩慢上漲過程中扮演著重要的引導(dǎo)角色。DAX在2009年至2012年的凈風(fēng)險溢出表現(xiàn)為正，表明2008年全球性股災(zāi)之后德國股市上漲最快。NKY、CAC、HSI和UKX階段性發(fā)揮風(fēng)險溢出效應(yīng)。SSEC在2008年、2015年的兩輪極端牛熊市(特別是熊市)對全球股市都產(chǎn)生了異常的風(fēng)險沖擊，其他時間區(qū)間主要接受全球股市的風(fēng)險傳染。此外，SMI和AS30受全球股市的風(fēng)險溢入接近100%，很少對其他股市產(chǎn)生風(fēng)險沖擊。

綜上分析，全球股市風(fēng)險的聯(lián)動性很強(qiáng)，而美國股市一直是全球股市的重要風(fēng)險源。

3.3.3 大宗商品的滾動溢出

以6種商品期貨指數(shù)的已實(shí)現(xiàn)波動率作為變量建立VAR(p)模型，以48個月作為滾動時間窗長度計算的時變風(fēng)險溢出指數(shù)和總風(fēng)險溢出指數(shù)見圖6和圖7。滾動時間的長度與3.3.1相同，累計185個月。

本研究選擇的6種商品期貨的各類溢出指數(shù)也是時變的，這些品種的總風(fēng)險溢出指數(shù)在2012年以后呈現(xiàn)出逐漸下降的趨勢。觀察圖6可以發(fā)現(xiàn)，6種商品的溢入指數(shù)均在50%上下徘徊，說明這些商品期貨受自身的波動沖擊較大。原油的溢出指數(shù)和凈溢出指數(shù)長期在溢入指數(shù)的上方，體現(xiàn)了原油對其他5種商品具有持續(xù)性的風(fēng)險溢出。原油在2010年至2012年、2016年至2019年的凈溢出指數(shù)都出現(xiàn)大幅度攀升(超過100%)，這兩段時間原油正處于強(qiáng)勢的牛市周期，說明原油上漲對大宗商品沖擊很大。黃金的凈溢出指數(shù)在2013年至2017年呈現(xiàn)持續(xù)性上升，最高點(diǎn)達(dá)100%，這是因?yàn)辄S金在2013年遇到大級別的行情背離，然后陷入了長達(dá)4年的大熊市。該現(xiàn)象反映黃金在熊市中對其他大宗商品產(chǎn)生了持續(xù)性的風(fēng)險沖擊。白銀在2006年至2012年溢出指數(shù)持續(xù)性較大，在此期間白銀開啟了一輪長達(dá)6年的大牛市。銅、鋁和大豆的凈溢出指數(shù)長期為負(fù)值，體現(xiàn)了這3個品種長期接受外部市場的波動沖擊，對外釋放風(fēng)險的機(jī)會不大。

(a)SPX(b)SX5E(c)CAC(d)DAX (e)NKY(f)HSI(g)SSEC(h)SPTSX(i)UKX(j)AS30(k)SMI

圖4全球股市的時變風(fēng)險溢出指數(shù)
Figure 4Time-varying Risk Spillover Index of Global Stock Markets

圖5 全球股市的總風(fēng)險溢出指數(shù)Figure 5 Total Risk Spillover Index of Global Stock Markets

綜上分析，貴金屬和原油期貨在牛熊市中形成了持續(xù)性的風(fēng)險溢出。

3.3.4 多種資產(chǎn)的交叉滾動溢出

以27種資產(chǎn)的已實(shí)現(xiàn)波動率作為變量建立VAR(p)模型，以120個月作為滾動時間窗計算各類溢出指數(shù)。滾動時間的起點(diǎn)為2010年1月，終點(diǎn)為2019年5月，累計113個月。由于篇幅限制，僅給出總溢出指數(shù)，見圖8，其他時變風(fēng)險溢出指數(shù)不予展示，如有需要可向作者索取。

(a)OIL(b)GOLD(c)SLVR (d)CU(e)AL(f)Y

圖6大宗商品的時變風(fēng)險溢出指數(shù)
Figure 6Time-varying Risk Spillover Index of Commodities

圖7 大宗商品的總風(fēng)險溢出指數(shù)Figure 7 Total Risk Spillover Index of Commodities

圖8表明，2012年至2015年27個資產(chǎn)的總溢出指數(shù)呈現(xiàn)上升趨勢，但2015年至今下降。總溢出指數(shù)于2015年出現(xiàn)峰值，分析時變風(fēng)險溢出指數(shù)序列發(fā)現(xiàn)EUR和CHF兩種匯率是風(fēng)險溢出的主要角色，用金融風(fēng)險溢出網(wǎng)絡(luò)對其進(jìn)行更加深入的探討。①總溢出指數(shù)的峰值發(fā)生時點(diǎn)為2015年1月31日。②以27個資產(chǎn)作為網(wǎng)絡(luò)節(jié)點(diǎn)，以廣義預(yù)測誤差方差矩陣作為連接矩陣，構(gòu)建金融風(fēng)險溢出網(wǎng)絡(luò)，見圖9，圖中數(shù)字含義同圖1。③風(fēng)險溢出網(wǎng)絡(luò)具有27個節(jié)點(diǎn)、729條邊。網(wǎng)絡(luò)中心度越大，表示該資產(chǎn)的風(fēng)險溢出效應(yīng)越大。風(fēng)險溢出網(wǎng)絡(luò)中圓圈較大的兩個節(jié)點(diǎn)為CHF和EUR，二者的網(wǎng)絡(luò)中心度(即溢出指數(shù))最大，分別為852.315%和432.699%。

圖8 大類資產(chǎn)的總風(fēng)險溢出指數(shù)Figure 8 Total Risk Spillover Index of Large Class Assets

圖9 總風(fēng)險溢出指數(shù)峰值對應(yīng)的風(fēng)險溢出網(wǎng)絡(luò)Figure 9 Risk Spillover Network Corresponding to the Peak of the Total Risk Spillover Index

根據(jù)不同資產(chǎn)的溢入指數(shù)分析可知，除匯率EUR、HKD、CNY和股票指數(shù)SSEC外，其他所有資產(chǎn)的溢入指數(shù)都很接近100%，說明股票市場、外匯市場和期貨市場都長期受到外部市場的風(fēng)險傳染，體現(xiàn)了全球金融市場的風(fēng)險聯(lián)動性。關(guān)于外匯市場，大部分匯率都呈現(xiàn)階段性的正向凈風(fēng)險溢出，表明匯率在全球金融市場扮演重要的風(fēng)險傳染角色。最顯著的依然是歐美匯率EUR，其溢入指數(shù)最低，溢出指數(shù)和凈溢出指數(shù)長期高達(dá)300%以上。JPY和AUD的溢出指數(shù)長期在100%以上，說明也發(fā)揮了風(fēng)險溢出功能。HKD和CNY的溢入指數(shù)在50%左右，說明港幣和人民幣的匯率受外部市場沖擊有限。與前文結(jié)果相似，CNY的凈溢出指數(shù)在2016年后處于攀升階段，說明人民幣國際化趨勢逐漸增強(qiáng)。

概括股市和商品的風(fēng)險溢出行為，根據(jù)凈溢出指數(shù)分析可知，凈溢出指數(shù)階段性為正的股市主要是SPX、HIS和SSEC。溢出指數(shù)長期超過100%的是SPX，說明美國股市持續(xù)性地對全球金融市場釋放波動沖擊。特別的，中國股市和香港股市在2015年的極端波動對外部市場造成了較為強(qiáng)烈的風(fēng)險沖擊。2010年以來，原油、貴金屬等商品期貨的風(fēng)險溢出出現(xiàn)了脈沖式上漲，但長期來看大宗商品的凈風(fēng)險溢出皆表現(xiàn)為負(fù)，說明大宗商品對外部市場的風(fēng)險傳染十分有限。美國國債期貨和VIX期貨對其他資產(chǎn)的風(fēng)險溢出很弱。

綜上分析，全球金融市場的風(fēng)險聯(lián)動性很強(qiáng)，匯率對全球金融市場的風(fēng)險溢出效應(yīng)最強(qiáng)，歐美匯率和美國股市是重要風(fēng)險源，期貨市場的風(fēng)險傳染較弱。

4結(jié)論

本研究基于DY建?？蚣軓娜蛞曇把芯看箢愘Y產(chǎn)的風(fēng)險溢出行為，以資產(chǎn)的月度已實(shí)現(xiàn)波動率建立VAR模型，以廣義誤差方差分解矩陣構(gòu)建有向溢出指數(shù)和風(fēng)險溢出網(wǎng)絡(luò)，并以此作為研究工具對大類資產(chǎn)進(jìn)行風(fēng)險溢出研究，考察外匯市場、股票市場和期貨市場的27種重要資產(chǎn)，通過靜態(tài)分析和滾動分析對大類資產(chǎn)的風(fēng)險溢出效應(yīng)進(jìn)行實(shí)證研究。

研究結(jié)果表明，①各類資產(chǎn)的月度已實(shí)現(xiàn)波動率滿足VAR建模的平穩(wěn)性要求，為DY模型應(yīng)用奠定了堅實(shí)基礎(chǔ)。②通過研究8種兌換美元的匯率發(fā)現(xiàn)，外匯市場存在很強(qiáng)的風(fēng)險溢出效應(yīng)。歐美匯率是外匯市場最主要的風(fēng)險傳染源，其余匯率長期承受外部市場的風(fēng)險傳染，而對外傳播風(fēng)險屬于偶發(fā)性；人民幣匯率波動受外部沖擊較小，它的溢出指數(shù)自2014年以來呈現(xiàn)上升態(tài)勢，表明人民幣的影響力正在增強(qiáng)。③通過研究11個全球股市發(fā)現(xiàn)，全球股市之間的聯(lián)動性極強(qiáng)。美國股市一直是全球股市最重要的風(fēng)險傳染源，歐元區(qū)股票指數(shù)的風(fēng)險溢出也很明顯，其余股市長期承受外部股市的風(fēng)險沖擊。中國股市在2008年和2016年暴跌過程中對其他股市造成了較大的風(fēng)險沖擊。④通過研究6種商品期貨發(fā)現(xiàn)，倫敦金屬期貨之間存在較強(qiáng)的風(fēng)險溢出效應(yīng)。作為最重要的能源，原油期貨具有較強(qiáng)的風(fēng)險溢出能力。作為具有保值避險功能的貴金屬，黃金和白銀期貨在大型牛熊市中產(chǎn)生了持續(xù)性的風(fēng)險傳染。⑤通過研究27種資產(chǎn)的交叉溢出發(fā)現(xiàn)，全球外匯市場、股票市場和期貨市場之間具有很強(qiáng)的風(fēng)險溢出關(guān)系。匯率對全球金融市場的風(fēng)險溢出效應(yīng)最強(qiáng)，美國股市對全球市場具有持續(xù)性的風(fēng)險沖擊，包括美國國債期貨和VIX期貨在內(nèi)的期貨品種對外部市場的風(fēng)險傳染能力較弱。

本研究在理論、實(shí)務(wù)和政策上都有重要啟示。理論方面，①本研究采用不受變量順序影響的DY框架計算有向溢出指數(shù)，得到的風(fēng)險溢入指數(shù)、風(fēng)險溢出指數(shù)和凈溢出指數(shù)存在時變性，它們?yōu)轱L(fēng)險溢出行為提供了滾動分析工具。②廣義誤差方差分解矩陣存在非對稱性，可直接用于構(gòu)建金融風(fēng)險溢出網(wǎng)絡(luò)，它為大類資產(chǎn)的風(fēng)險傳染行為提供了直觀分析工具。實(shí)務(wù)方面，①本研究證實(shí)全球股票市場的風(fēng)險聯(lián)動性很強(qiáng)，而且各國股市一定程度上都受到美國股市的波動沖擊。因此，在股票投資決策中應(yīng)該特別重視美國股市的風(fēng)險傳染。②本研究結(jié)果也表明外匯市場對股票市場具有重要的風(fēng)險沖擊。當(dāng)歐美匯率或者人民幣兌換美元匯率產(chǎn)生異常波動時，股票投資決策應(yīng)該充分重視匯率波動風(fēng)險。政策方面，①隨著人民幣國際化，人民幣匯率的波動備受關(guān)注。本研究深入研究了人民幣匯率在外匯市場中的風(fēng)險溢入和風(fēng)險溢出的歷史表現(xiàn)，相關(guān)結(jié)論可為中國制定匯率政策提供經(jīng)驗(yàn)證據(jù)。②隨著中國股市的不斷開放，尤其是外資額度的放寬，中外股市的聯(lián)動性會持續(xù)增強(qiáng)。在此背景下，利用本研究方法持續(xù)跟蹤中外股市風(fēng)險傳染，對制定防范股市風(fēng)險的相應(yīng)政策具有重要意義。

本研究也存在局限性。①本研究基于月度已實(shí)現(xiàn)波動率研究大類資產(chǎn)的長期風(fēng)險溢出效應(yīng)，尚未研究短期風(fēng)險溢出效應(yīng)。②由于DY研究框架已被證實(shí)具有很高穩(wěn)健性[12-13,20-21]，本研究弱化了對DY研究框架的穩(wěn)健性討論。③風(fēng)險溢出網(wǎng)絡(luò)的應(yīng)用價值很大，本研究僅將其用來追溯風(fēng)險源，尚未考慮它在投資策略方面的價值。有鑒于此，未來研究可探討金融市場的短期風(fēng)險溢出效應(yīng)，從而更加及時地捕捉到重大的事件性風(fēng)險沖擊，還可以基于風(fēng)險溢出網(wǎng)絡(luò)的網(wǎng)絡(luò)中心度研究資產(chǎn)定價和大類資產(chǎn)配置方法。