林妙

摘? ?要：近年來，由于經濟貿易聯系不斷加強，不同經濟體金融市場的聯系也在不斷加強。本文選取了1996—2019年美國、英國、德國、日本、中國香港地區(qū)、澳大利亞、中國七個經濟體的金融市場數據，利用GARCH-MIDAS模型分離長期和短期風險，并采用TVP-VAR模型的脈沖響應函數進行廣義方差分解，構造波動溢出矩陣，衡量風險傳遞方向和程度以及經濟體各自的溢出作用和吸收作用，分析風險相互傳遞的情況;通過計算出風險凈溢出指數，分析經濟體之間凈溢出指數趨勢的變化。本文選取市場行為和宏觀經濟基礎兩類指標，采用面板回歸研究分析出長短期凈溢出指數的影響因素，實證發(fā)現波動占比較大的短期風險的溢出比長期風險嚴重，而突發(fā)性金融事件會使得凈溢出指數不斷上升;在面板回歸中，短期凈溢出指數金融壓力指數和匯率指數與短期凈溢出指數之間呈現負相關關系，其余指標呈現正相關關系;市場行為對長期凈溢出指數的影響不顯著。

關鍵詞：短期金融風險;長期金融風險;溢出吸收效應;影響因素

DOI：10.3969/j.issn.1003-9031.2021.01.005

中圖分類號：F830.9? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ?文章編號：1003-9031（2021）01-0040-13

金融風險在國際金融市場中無處不在，當一國在出現金融事件或政策影響到金融市場時，會對其他經濟體及地區(qū)產生一定的影響，進而快速地對他國金融市場產生影響的風險，故對風險分類、外溢方向、傳遞影響因素相關研究顯得尤為重要。

一、文獻綜述

（一）金融風險溢出效應

Diebold & Yilmaz（2014）提出通過VAR模型計算出各個市場的收益率和波動率作為金融風險的測度。Singh（2016）利用Diebold & Yilmaz（2014）廣義方差分解框架研究美國與金磚四國之間的成對波動溢出效應，發(fā)現了印度市場和美國市場沒有強烈的凈溢出效應，巴西和俄羅斯與美國市場之間存在強大共同作用，中國與美國之間的溢出效應介于印度與俄羅斯和巴西之間。何德旭和苗文龍（2015）利用DCC-GARCH、DCC-EGARCH、DCC-TGARCH模型研究中美英德日5國的金融風險溢出效應和傳導效應，發(fā)現金融市場周期的相關性會通過共振效應加大世界性系統風險。

（二）金融風險傳遞影響因素研究

Huang（2018）構造了宏觀經濟不確定性，通過研究經濟不確定性的溢出性，發(fā)現美國對中國單向溢出，兩國的不確定性都會對中國實體經濟產生負面影響，但美國的不確定性影響更大。Shikimi & Yamada（2019）研究認為貿易會作為一種渠道影響金融危機的傳播。Hoque & Zaidi（2019）利用馬爾科夫區(qū)間轉移模型，研究了2003年9月—2017年3月間全球經濟政策不確定性（EPU）對不同股票市場的沖擊，發(fā)現在高波動區(qū)間下，經濟政策不確定性對股票市場產生了顯著的影響。趙華和王杰（2018）研究了不同市場之間的溢出效應，認為經濟景氣一致指數、期限利差會對溢出指數均具有正向影響，而投資者情緒指數會對溢出指數有負向影響，這說明了宏觀指標會對溢出指數造成影響。張喜艷和陳樂一（2018）研究政策不確定性的波動溢出效應時，發(fā)現匯率會對不同經濟體經濟不確定性產生正向影響，而物價指數會對經濟不確定性產生負向影響，從側面說明價格傳染渠道會影響金融風險的傳遞。鄭挺國和劉堂勇（2018）研究金融風險傳遞效應的影響因素，發(fā)現政策不確定性、貨幣政策、經濟增長等宏觀指標也會影響金融風險的傳遞，說明宏觀變量會影響金融風險的傳遞;同時也研究了CPI、股市價格平均波動率對于凈溢出指數的影響，從而探究市場因素對于金融風險傳遞的影響因素大小。楊子暉等（2019）利用了混頻向量自回歸的方法發(fā)現經濟政策不確定性會加重金融風險的聯動，同時風險也會導致財政、貨幣、匯率和資本賬戶政策不確定變化。

上述文獻研究金融風險在國際金融市場之間的傳遞關系和傳遞方向，有助于政策制定者關注重要性經濟體風險溢出和風險吸收。但現有研究仍有以下未及之處：沒有針對短期風險和長期風險進行區(qū)分，未充分研究溢出指數，少有結合多個方面研究金融風險的傳遞的影響因素。故本文先利用Engle et al.（2013）提出的GARCH-MIDAS建模提取長期波動和短期波動。然后通過Diebold & Yilmaz（2014）提出的廣義方差分解方法和溢出指數計算出7個經濟體之間風險傳遞的程度與方向，利用TVP-VAR脈沖響應函數的提前10期脈沖值構造不同經濟體受到的沖擊，加權平均后得到時變的沖擊值，再利用Diebold & Yilmaz（2012）計算出每一個經濟體的吸收指數和溢出指數。最后利用Kao& Chiang（2000）提出的FMOLS估計方法分析短期、長期凈溢出指數的影響因素。

二、模型設定

（一）GARCH-MIDAS方法

本文利用GARCH-MIDAS方法計算金融市場的長期波動和短期波動測度結果，從而用于后續(xù)的建模。假設向量r是股指期貨第t個周期（周期有可能是月度、季度和年度等）里面的第i天的對數收益率。收益率的波動率至少可以分為兩個成分，其中gi，t代表的是日度波動，與短期的因素有關;？子t是長期波動的，與未來預期現金流和未來折現率有關，提供了股市長期波動性的信息。本文構建出收益率的方程：

三、市場長期波動和短期波動的風險測定

考慮全球金融市場中重大金融事件的發(fā)生時間和影響范圍，本文選取1996年1月—2019年6月中國上證綜合指數、美國紐約證交所綜合指數、英國倫敦金融時報100指數、日本東京日經225指數、中國香港恒生指數、德國法蘭克福DAX指數和澳大利亞普通股指數的日度收盤價，利用收盤價數據計算出該月的日度對數收益率來構建代表該國金融市場長期波動和短期波動的風險測度。

（一）市場短期波動和長期波動率測度估計結果

本文利用RMSE（預測方根誤差） 來比較利用GARCH-MIDAS模型估計的日度己實現波動率與原始數據計算的己實現波動率之間的誤差，以此比較模型的優(yōu)劣，尤其是兩者的波動趨勢是否一致。在參數設置方面，長期部分的滯后階數表示的是MIDAS濾波滯后的階數，在這里設置為6;每一次計算長期相關性的周期設置為22，即每22個共同交易日計算一次波動率的長期成分。

由上述GARCH-MIDAS建模中，得到了用于構造長期波動和短期波動的參數。短期波動是總波動的短期成分，在長期因素的影響下，短期事件發(fā)生時股市偏離均值的程度，其計算出來是衡量短期變化，受到長期成分的影響。長期成分是波動的均衡成分，在一段時間內保持穩(wěn)定，在多個短期事件沖擊之后，在波動中留存的影響總波動趨勢的成分。七個經濟體長期波動趨勢見圖1。

從圖1可以看出，七個經濟體之間的長期波動走勢相近，在1997—1999年，2007—2010年各國長期波動趨勢都有上漲，對應著1997年亞洲金融風暴和2008年次貸危機。

（二）不同經濟體間短期市場波動風險對比

本文利用GARCH-MIDAS建模得到的結果，還有長期波動的建模結果，計算出短期波動的值（見圖2）。

從圖2可以看出，短期波動總體比較平穩(wěn)，走勢與長期波動不一致，在受到沖擊之后，會有一個明顯的上漲，但很快又平穩(wěn)下來。在1997年、2001年、2008年、2011年和2015年都有一個較大的突起，特別是2008年突起的程度最高。2011年的歐債危機令美國、德國、英國、澳大利亞有一個較大程度的突起。其余時間都有一定程度上的波動，但總體還是比較平穩(wěn)，短期波動一般在50以下。

四、國際間金融風險傳遞程度與方向實證檢驗

本文將利用TVP-VAR的方法，結合廣義方差分解來研究七個經濟體系統間長期風險和短期風險的傳遞關系。

（一）不同經濟體間金融風險傳遞程度與方向估計結果及分析

由于TVP-VAR模型計算下的脈沖響應函數具有時變的特性，在不同時間點脈沖響應函數得到的系數矩陣是不同的，也就是說在不同時間節(jié)點處溢出和吸收傳遞的程度是不一樣的。本文在這里做了平均值處理，得到時間段內的平均波動溢出矩陣，說明時間段內平均的風險傳遞程度和方向。風險傳遞的方向可以定義為：

風險傳遞程度和方向的結果參照表2、表3。表2顯示的是短期風險傳遞的程度和方向，從總體上看，全時段總溢出指數為78.11%，說明風險溢出的程度比較高，短期風險在七個地區(qū)系統里面有78.11%風險相互溢出、吸收。

表3顯示了長期風險傳遞的情況，總體而言，長期風險顯示出了一些獨特的規(guī)律。七個經濟體系統中，長期風險的溢出指數為35.35%，遠低于短期風險的溢出指數，說明在國際金融市場上，短期風險的溢出作用比長期風險的溢出作用強得多。短期金融風險具有高溢出性特征，很容易傳遞到別的經濟體去，這就讓短期風險更具有破壞性，當一國遭受到其他經濟體，特別時大型經濟體的短期金融風險時，會導致自身金融的不穩(wěn)定，甚至引起局部的金融危機。

（二）吸收指數與風險溢出指數構建

圖3顯示了七個經濟體的短期波動溢出指數、吸收指數和凈溢出指數，從總體上看，美國、英國、德國都會向外溢出風險，中國香港地區(qū)也曾經向外溢出短期金融風險，而日本、澳大利亞、和中國則穩(wěn)定的吸收從外部經濟體傳遞來的短期金融風險。美國是穩(wěn)定溢出短期金融風險的經濟體，其溢出指數要高于吸收指數，凈溢出指數大于0。在溢出指數的數值上，美國在40～80之間波動，而吸收指數數值很小，數值為0～10之間波動，說明美國吸收別的經濟體的短期風險很小，其他經濟體的經濟實力、金融體量對美國的吸收效應未能產生重要影響。1997年、1999年、2010年、2012年和2018年美國凈溢出指數都有一段上升的趨勢，這分別對應著亞洲金融風暴、互聯網經濟泡沫破滅、歐債危機、大規(guī)模的量化寬松政策和中美貿易摩擦。這些金融事件的發(fā)生都增加了美國短期金融風險向外的溢出，向外部經濟體溢出了大量的短期金融風險。

圖4顯示了七個經濟體長期波動的溢出指數、吸收指數和凈溢出指數，與短期波動溢出相比，構造出的長期風險吸收指數和溢出指數比較平穩(wěn)，各個經濟體都要利用各自的貨幣政策和財政政策，使用宏觀審慎政策進行防控，這是一個長期而持久的階段，從而保證長期金融風險處于低水平且平穩(wěn)。相對于短期風險，長期風險的溢出更加平穩(wěn)。

五、國際間金融風險傳遞影響因素實證檢驗

在進行了金融風險的凈溢出指數的測度之后，本文將通過面板回歸的方法，從市場行為和經濟基礎兩個維度分別對進行分析。

（一）面板模型設定

本文選取了1996年1月—2019年12月的月度數據，構建的長期凈溢出指數和短期凈溢出指數進行回歸，得到凈溢出指數的影響因素。其中，KOF全球指數代表各個經濟體金融開放程度，經濟政策不確定性（EPU）代表各個經濟體實施政策的程度，金融壓力指數FSI代表各國金融的穩(wěn)定性，Trade貿易開放程度代表一個經濟體貿易的水平，GDP增速代表經濟體發(fā)展速度和經濟情況，M2增速代表經濟體貨幣政策實施情況，Exchange匯率指數代表預期匯率波動套利情況，CPI代表一國物價水平波動套利情況，current經常賬戶差額代表經常賬戶傳染渠道，capital資本賬戶差額代表資本賬戶傳染渠道，spread收益率差額代表資產價格波動套利渠道。

（二）國際風險凈溢出指數影響因素的實證結果分析

表4顯示了凈溢出指數根據兩種方法得到面板回歸結果，金融開放程度和政策不確定性在普通面板回歸中并不顯著，但在FMOLS方法中是顯著的，這證明了動態(tài)面板在處理時可以得到更多的信息。

EPU、FSI和匯率指數對短期金融風險凈溢出指數有負向作用，而金融開放程度、GDP增速、M2增速、貿易開放程度、CPI同比增速、經常賬戶差額、資本賬戶差額和股市收益率之差對短期金融風險凈溢出指數。為了防范短期金融風險，經濟體應該逐步開放國內金融環(huán)境，做好政策配套，穩(wěn)定經濟政策;同時在發(fā)展的過程中，注意資本流動和貿易渠道所傳遞的風險，防止大規(guī)模的金融風險外溢到本國。

表5研究長期凈溢出指數的影響因素。與短期風險不同的是，長期風險的影響因素較少，在FMOLS方法下，金融開場程度、EPU、FSI、GDP同比增速，匯率指數和CPI同比增速對于長期凈溢出指數是顯著的，而經常賬戶差額、資本賬戶差額、股市收益率之差不顯著。這說明長期金融風險的傳遞與價格因素和市場行為的關系并不大，長期風險更多受到經濟體內宏觀基礎的影響，由于長期金融風險是在短期金融風險爆發(fā)之后經過一系列行為后得到的風險，具有持久性，自然更受到宏觀經濟的影響。

在宏觀因素中，金融開放程度、GDP同比增速、M2增速和CPI同比增速對長期金融風險凈溢出具有正向影響，其數值與短期金融風險相比，有明顯的減少，證明宏觀政策對于長期金融風險的影響要低于短期金融風險。而EPU、FSI和匯率指數對于長期金融風險具有負向作用，同時影響因素的數值比短期金融風險的影響因素來說相對較小，綜上可以說明相比長期風險，短期風險受宏觀因素的影響更大，要注意短期金融風險對于金融穩(wěn)定的影響。但由于宏觀指標對短期金融風險的影響更大，可能造成政策用力過猛加劇長期金融風險的積累，在防控短期金融風險的同時也要注意對長期金融風險的影響，以防止長期風險溢出。

六、結語

本文利用GARCH-MIDAS構造出長期波動和短期波動，用以作為長期風險和短期風險的測度。在風險的組成問題上，GARCH-MIDAS建模表明長期成分占總波動的0.02到0.03，說明長期風險不是風險組成中的主要部分。在風險的持續(xù)型問題上，短期風險序列在突發(fā)性金融事件（如次貸危機等事件的發(fā)生）時有一個較大的上漲，在危機結束時短期風險會迅速降低。長期風險在一段事件內都能保持穩(wěn)定，突發(fā)性金融事件發(fā)生后略有加劇，在一段時間之后也能保持穩(wěn)定，考慮其影響持久，盡管占比不大，我們仍須提防長期風險。

本文利用TVP-VAR和廣義方差分解得到風險溢出指數和波動溢出矩陣，用以觀察短期風險和長期風險之間的傳遞方向和傳遞程度。從風險溢出傳遞程度來看，觀察發(fā)現長期風險溢出指數在1996—2019年之間要低于短期風險，說明短期風險的外溢更加嚴重;從風險溢出結果來看，突發(fā)性金融事件會使得短期凈溢出指數迅速上漲，而長期金融風險受到的影響比較小;從風險溢出傳遞方向來看，無論是長期風險還是短期風險，美國和英國都是風險溢出經濟體，德國、日本、中國香港地區(qū)、澳大利亞和中國都是風險吸收經濟體，要注意美國和英國溢出的風險，減少風險帶來的損失。

本文利用FMOLS面板回歸，使用了金融開放程度、經濟政策不確定性、金融壓力指數、GDP同比增速、貿易開放程度、M2增速、匯率指數、CPI同比增速、經常賬戶差額、資本賬戶差額、股市收益率之差11個指標，發(fā)現經濟政策不確定性、金融壓力指數和匯率指數與短期凈溢出指數之間呈現負相關關系，其余指標呈現正相關關系。就與短期風險凈溢出指數相比，經常賬戶差額、資本賬戶差額、股市收益率之差與長期凈溢出指數不顯著，說明長期風險受到價格因素的影響相對較少，受到宏觀經濟基礎的影響相對較大，可采取貨幣政策和財政政策的結合穩(wěn)定國內宏觀經濟指標，減少長期風險的外溢，而市場行為對于短期風險的影響較大，價格因素更容易導致金融市場短期風險凈溢出增加。

（責任編輯：夏凡）

參考文獻：

[1]Diebold F X，Yilmaz K.Better to give than to receive： Predictive directional measurement of volatility spillovers[J].International Journal of Forecasting，2012，28（1）：57-66.

[2]Diebold F X，Yilmaz K.On the network topology of variance decompositions： Measuring the connectedness of financial firms[J].Journal of Econometrics，2014，182（1）：119-134.

[3]Engle R F，Ghysels E，Sohn B.Stock Market Volatility and Macroeconomic Fundamentals[J]. Review of Economics and Statistics，2013，95（3）：776-797.

[4]Hoque M E，Zaidi M A S.The impacts of global economic policy uncertainty on stock market returns in regime switching environment： Evidence from sectoral perspectives[J].International Journal of Finance & Economics，2018.

[5]Huang Z，Tong C，Qiu H，Shen Y.The spillover of macroeconomic uncertainty between the US and China[J].Economics Letters，2018，171：123-127.

[6]Kao C，Chiang M H.On the Estimation and Inference of a Cointegrated Regression in Panel Data[J].Social Science Electronic Publishing.

[7]Singh A，Singh M.US financial conditions index and its empirical impact on information transmissions across US-BRIC equity markets[J].The Journal of Finance and Data Science，2016.

[8]Shikimi M，Yamada K.Trade and Financial Channels as the Transmission Mechanism of the Financial Crisis[J].Social Science Electronic Publishing，2016.

[9]何德旭，苗文龍.國際金融市場波動溢出效應與動態(tài)相關性[J].數量經濟技術經濟研究，2015，32（11）：23-40.

[10]楊子暉，李東承.我國銀行系統性金融風險研究——基于“去一法”的應用分析[J].經濟研究，2018，53（8）：36-51.

[11]張喜艷，陳樂一.經濟政策不確定性的溢出效應及形成機理研究[J].統計研究，2019，36（1）：115-128.

[12]趙華，王杰.基于混頻數據的實體經濟與金融市場時變溢出效應研究[J].統計研究，2018，35（7）：49-61.

[13]鄭挺國，劉堂勇.股市波動溢出效應及其影響因素分析[J].經濟學（季刊），2018，17（2）：669-692.