[摘 要] 公司債券與股票是公司融資的重要手段，兩者間的極端風(fēng)險溢出備受關(guān)注。從微觀層面出發(fā)，利用2010-2019年126家發(fā)行公司債券的上市公司面板數(shù)據(jù)，本研究采用分位GARCH模型度量公司債券與股票極端風(fēng)險，在此基礎(chǔ)上運用分位Granger因果關(guān)系模型考察兩者間極端風(fēng)險溢出。研究結(jié)果表明：公司債券的極端風(fēng)險整體上低于股票的極端風(fēng)險;公司債券與股票共同受公司價值影響，兩者間存在顯著的極端風(fēng)險溢出;公司債券與股票間的極端風(fēng)險溢出具有非對稱性，即公司債券對股票的極端風(fēng)險溢出強度高于股票對公司債券的極端風(fēng)險溢出強度;股災(zāi)的爆發(fā)對上市公司經(jīng)營環(huán)境產(chǎn)生了沖擊，使公司債券與股票的極端風(fēng)險增大，兩者間的極端風(fēng)險溢出強度隨之增大。

[關(guān)鍵詞] 公司債券;股票;極端風(fēng)險溢出;分位GARCH模型;分位Granger因果關(guān)系模型

[中圖分類號]F830[文獻標(biāo)識碼] A [文章編號] 1008—1763（2021）02—0086—10

Risk Spillover Effectsbetween Corporate Bond and Stock：

Based on Extreme Quantile Granger Causality Model

ZENG Zhijian， XIE Tianci， LIU Guangyu

（Business School， Hunan University， Changsha 410082， China）

Abstract： Corporate bond and stock are both important means of corporate financing， and the risk spillover betweenthem has attracted much attention. In this paper， 126 listed companies issuing corporate bonds from 2010 to 2019 are taken as samples. The quantile linear GARCH model is used to measure the extreme risk. The panel quantile Granger causality model is used to test the risk spillover between corporate bond and stock. The results show that： The extreme risk of corporate bonds is generally lower than that of stocks. Because corporate bond and stock are affected by corporate value， there is significant extremerisk spillover between them. The extreme risk spillover between corporate bonds and stocks is asymmetric， indicating that the intensity of extreme risk spillover from corporate bonds to stocks is higher than that from stocks to corporate bonds. The outbreak of stock crash has an impact on the operating environment of listed companies， increasing the extreme risk of corporate bonds and stocks， and increasingthe intensity of extreme risk spillover between them.

Key words： corporate bond; stock; extreme risk spillover; quantile GARCH model; quantile Granger causality model

一引 言

金融自由化的加深與金融創(chuàng)新的快速發(fā)展使金融資產(chǎn)間的信息傳遞越發(fā)高效，傳遞方式也越加多元化[1]。伴隨著極端風(fēng)險事件的頻繁爆發(fā)，金融資產(chǎn)極端風(fēng)險不斷相互傳遞產(chǎn)生資產(chǎn)間的極端風(fēng)險溢出。公司債券與股票是資產(chǎn)配置的兩大主要品種，也是上市公司獲取外部資金的重要工具，具有較高的同質(zhì)性，兩者的風(fēng)險信息會相互傳遞，使兩者的極端風(fēng)險相互交織產(chǎn)生極端風(fēng)險溢出。

目前，經(jīng)濟發(fā)展的下行壓力加大，公司經(jīng)營環(huán)境惡化導(dǎo)致公司面臨著財務(wù)、經(jīng)營與信用風(fēng)險增大的處境，使公司風(fēng)險逐漸累積。頻繁爆發(fā)的公司債券違約事件導(dǎo)致公司債券的潛在風(fēng)險不斷增大，公司債券極端風(fēng)險傳導(dǎo)至股票會誘發(fā)股票崩盤，造成公司債券風(fēng)險向股票傳遞。而股票爆發(fā)的極端風(fēng)險可能會傳導(dǎo)給上市公司，使上市公司潛在風(fēng)險增大，導(dǎo)致公司債券極端風(fēng)險加劇，造成兩者的極端風(fēng)險不斷相互傳導(dǎo)[2]。公司債券與股票內(nèi)在價值均會受公司內(nèi)在價值的影響，其價格波動之間存在較強的聯(lián)動性，因此，從公司層面考察公司債券與股票的極端風(fēng)險溢出具有重要意義。

二 文獻綜述

風(fēng)險溢出來源于金融資產(chǎn)價格的波動性及相互溢出。有關(guān)債券與股票間風(fēng)險溢出的研究起始于兩者間的波動溢出，大部分學(xué)者利用股票與債券的市場指數(shù)考察兩者間波動溢出。如Erer，Erer和Korkmaz[3]探討了不同市場狀態(tài)下國債市場與股票市場間的波動溢出，發(fā)現(xiàn)波動溢出在熊市中表現(xiàn)為負，在牛市中則表現(xiàn)為正。Alkan和Cicek[4]認為，股票市場與國債市場間的波動溢出顯著存在，且市場上活躍的投資者套利活動加強了兩者間波動溢出的強度。Tiwari，Cunado和Gupta等[5]考察了主權(quán)債券市場與股票市場間波動溢出的狀態(tài)，發(fā)現(xiàn)股票市場占據(jù)了主導(dǎo)者的地位，主權(quán)債券市場是波動溢出接收者。Aftab，Beg和Sun等[6]以5年期平均債券利率代指債券市場，利用GJRGARCH模型考察股票市場與債券市場間的波動溢出，結(jié)果表明股票市場對債券市場的波動溢出強度更高。肖芝露和尹玉良[7]對股票市場與企業(yè)債市場間波動溢出進行實證研究，認為企業(yè)債市場對股票市場的波動溢出較強，還發(fā)現(xiàn)隨著市場改革的深化以及市場開放程度的提高，兩者間波動溢出越加顯著。對上述文獻進行總結(jié)后發(fā)現(xiàn)，股票市場與債券市場間存在顯著的波動溢出，而且波動溢出存在時變性與非對稱性，金融市場改革的深化與市場狀態(tài)的變化均會影響到波動溢出的狀態(tài)。

通過波動溢出來衡量債券市場與股票市場間的風(fēng)險溢出容易忽略極端風(fēng)險問題，債券市場與股票市場爆發(fā)的極端風(fēng)險會產(chǎn)生嚴重的經(jīng)濟后果，利用股票市場與債券市場極端風(fēng)險考察兩者間極端風(fēng)險溢出逐漸得到學(xué)者們的重點關(guān)注。陳學(xué)彬和曾裕峰[8]選取總債券指數(shù)、國債指數(shù)與企業(yè)債指數(shù)代表債券市場，利用MVMQ-CAViaR模型探究了股票市場與債券市場間的極端風(fēng)險溢出，認為極端風(fēng)險溢出會隨著金融改革的深化而增強，且隨著市場狀態(tài)的變化逐漸調(diào)整，還發(fā)現(xiàn)股票與不同債券間的風(fēng)險溢出關(guān)系完全一致。嚴偉祥和張維[9]以債券總凈價指數(shù)代表債券市場，利用股票市場與債券市場的尾部相依性考察了兩者間極端風(fēng)險溢出，認為由于兩者所屬市場有所區(qū)別并存在市場分割現(xiàn)象，兩者間的極端風(fēng)險溢出處于較弱的狀態(tài)，但是會隨著極端風(fēng)險事件的爆發(fā)而加強。Sakemoto[10]深入討論了極端風(fēng)險事件對股票市場與政府債券市場間極端風(fēng)險溢出的作用，發(fā)現(xiàn)在新興市場上兩者間的極端風(fēng)險溢出易受金融危機等極端風(fēng)險事件的影響。Fang，Yu和Li[11]認為，在經(jīng)濟不確定性較高或發(fā)生極端風(fēng)險事件時，投資者出于規(guī)避風(fēng)險的目的，傾向用債券代替股票，使股票市場與政府債券市場間產(chǎn)生極端風(fēng)險溢出。方意、于渤和王煒[12]運用事件分析法考察債券市場與股票市場間極端風(fēng)險溢出，發(fā)現(xiàn)兩者間存在顯著的極端風(fēng)險溢出，且風(fēng)險事件的爆發(fā)增強了兩者間的極端風(fēng)險溢出。上述研究表明債券市場與股票市場極端風(fēng)險間的傳遞形成了兩者間顯著的極端風(fēng)險溢出，而且兩者間的極端風(fēng)險溢出會隨著極端風(fēng)險事件的爆發(fā)逐漸增強。

部分學(xué)者對債券市場與股票市場間風(fēng)險溢出的特征進行深入探討。吳永鋼、趙航和卜林[13]發(fā)現(xiàn)，債券市場在兩者間的風(fēng)險溢出中占據(jù)主導(dǎo)地位，是重要的風(fēng)險外溢方;股票市場處于相對被動的地位，屬于風(fēng)險接收方。McMillan[14]卻得出了不同的結(jié)論，認為國債市場與股票市場間風(fēng)險溢出的方向主要為股票市場到國債市場，而國債市場向股票市場的風(fēng)險溢出強度較弱。侯縣平、傅春燕和林子梟等[15]探討了債券市場與股票市場間極端風(fēng)險溢出的特征，發(fā)現(xiàn)上尾對下尾風(fēng)險溢出強度高于下尾對上尾風(fēng)險溢出強度，且股票市場對債券市場極端風(fēng)險溢出的強度更高。股票市場與債券市場之間存在不同方向的極端風(fēng)險溢出，不同方向的極端風(fēng)險溢出在強度方面存在區(qū)別，呈現(xiàn)出非對稱性。

綜合來看，現(xiàn)有研究主要利用市場指數(shù)數(shù)據(jù)考察債券市場與股票市場間的風(fēng)險溢出狀態(tài)，探討了重大風(fēng)險事件的爆發(fā)，以及市場改革的深化對兩者間極端風(fēng)險溢出的影響，但是從上市公司視角進行的研究尚且不多?，F(xiàn)有研究多是考察國債、政府債券、主權(quán)債券和企業(yè)債券等債券與股票間的風(fēng)險溢出，對公司債券與股票間的風(fēng)險溢出研究較少?？紤]到公司債券與股票均由上市公司發(fā)行，兩者會受上市公司的影響產(chǎn)生風(fēng)險聯(lián)動，而且公司債券經(jīng)過十余年的發(fā)展已經(jīng)逐漸成為債券中的重要一員，明晰公司債券與股票間風(fēng)險溢出的狀態(tài)至關(guān)重要。因此，本文利用上市公司的面板數(shù)據(jù)考察兩者間的極端風(fēng)險溢出。

在研究方法上，GARCH族模型[3-4，6-7] 及分位數(shù)回歸相關(guān)模型[8，13，15-16] 的應(yīng)用較多。GARCH模型雖然能夠?qū)︼L(fēng)險溢出進行測度，但是其假定收益率殘差序列服從正態(tài)分布，然而實際上金融資產(chǎn)收益率序列大多為尖峰厚尾分布，其殘差序列不一定滿足模型假設(shè)。分位數(shù)回歸的相關(guān)模型不僅放松了對變量分布的假設(shè)，還能夠刻畫變量在整個分布區(qū)間上的關(guān)系并直接考察金融資產(chǎn)收益率序列的尾部區(qū)間特征[17]，在考察極端風(fēng)險溢出方面比其他模型具有一定的優(yōu)勢。其中，分位Granger因果關(guān)系模型能夠構(gòu)建風(fēng)險信息向量，將金融資產(chǎn)收益率分布劃分為多個區(qū)間，并使用基于核估計的非參數(shù)檢驗法考察金融資產(chǎn)收益率尾部區(qū)間之間是否存在因果關(guān)系，通過考察金融資產(chǎn)尾部風(fēng)險傳遞狀態(tài)來分析金融資產(chǎn)間的極端風(fēng)險溢出[18]。本文利用分位線性GARCH模型估計公司債券與股票的VaR值，以度量公司債券與股票的極端風(fēng)險，在此基礎(chǔ)上使用極端分位Granger因果關(guān)系模型考察公司債券與股票間的極端風(fēng)險溢出。

三 公司債券與股票間極端風(fēng)險

溢出的現(xiàn)實背景與機理分析

（一）公司債券與股票間極端風(fēng)險溢出的現(xiàn)實背景

自2015年《公司債券發(fā)行與交易管理辦法》頒布后，公司債券市場的規(guī)?？焖贁U張，發(fā)行量較前些年得到了極大提升，在債券市場中占據(jù)了一席之地。圖1展示了2007至2019年公司債券發(fā)行量及違約數(shù)量的變化，可以發(fā)現(xiàn)公司債券發(fā)行量自2015年起開始迅速增加，在2017年經(jīng)歷了調(diào)整后發(fā)行量穩(wěn)步提升。但是在快速發(fā)展過程中，公司債券的風(fēng)險也在不斷地暴露。自2014年“超日債”違約事件發(fā)生后，不斷有公司債券違約，2018年和2019年分別有58只和105只公司債券實質(zhì)性違約，違約數(shù)量存在逐年增大的趨勢，導(dǎo)致上市公司的債務(wù)風(fēng)險逐漸顯露，使投資者承受了較大的損失。公司債券違約代表著債券發(fā)行人產(chǎn)生了較大信用風(fēng)險，意味著公司產(chǎn)生了嚴重虧損，導(dǎo)致償債能力與盈利能力迅速下降，使公司債券價格產(chǎn)生大幅度下跌，形成極端風(fēng)險。

近年來，股票市場處于不斷波動中，尤其是極端風(fēng)險事件頻發(fā)導(dǎo)致市場整體不確定性上升，增大了股票的極端風(fēng)險。圖2展示了2010年1月1日至2019年12月31日的上證綜合指數(shù)與中證公司債指數(shù)的日度對數(shù)收益率，可以發(fā)現(xiàn)股票與公司債券收益率波動性較強，意味著兩者蘊含了較高的極端風(fēng)險。特別是2015年至2016年期間，股票收益率的波動幅度在整個區(qū)間內(nèi)最大，說明股票產(chǎn)生了較大的極端風(fēng)險。公司債券與股票的極端風(fēng)險不斷爆發(fā)，不僅影響投資者獲取投資收益，還使上市公司難以理性地制定融資決策，更破壞了金融市場的平穩(wěn)發(fā)展。

（二）公司債券與股票風(fēng)險溢出的機理分析

公司債券與股票間風(fēng)險溢出的形成機制可以從公司債券與股票的定價機制，以及投資者行為兩方面進行分析。公司債券與股票的傳統(tǒng)定價模型認為，當(dāng)前兩者價格由未來現(xiàn)金流折現(xiàn)得到，因此預(yù)期現(xiàn)金流與預(yù)期折現(xiàn)率的變化會使兩者的內(nèi)在價值交互波動，產(chǎn)生風(fēng)險溢出。投資者能夠通過市場交易行為直接促使公司債券與股票風(fēng)險產(chǎn)生聯(lián)動，推動兩者間形成風(fēng)險溢出。

在資產(chǎn)定價機制方面，股票與公司債券可以被視作未來現(xiàn)金流在一定折現(xiàn)率下的貼現(xiàn)值，預(yù)期現(xiàn)金流與預(yù)期折現(xiàn)率的大小決定了貼現(xiàn)值的大小。公司債券屬于固定收益類證券，其預(yù)期現(xiàn)金流來源于公司利息分配，股票的預(yù)期現(xiàn)金流來源于上市公司的股利分配，由于兩者預(yù)期現(xiàn)金流的來源不同，預(yù)期現(xiàn)金流變動不是兩者產(chǎn)生風(fēng)險溢出的原因。公司債券與股票的預(yù)期折現(xiàn)率會受相同因素的影響而產(chǎn)生變化，其變動是兩者內(nèi)在價值共同變化并產(chǎn)生風(fēng)險溢出的原因。預(yù)期折現(xiàn)率由圖3中的預(yù)期利率、預(yù)期通貨膨脹率和風(fēng)險溢價組成，三者的變化都會使預(yù)期折現(xiàn)率發(fā)生變動，導(dǎo)致公司債券與股票內(nèi)在價值波動，產(chǎn)生風(fēng)險聯(lián)動，形成風(fēng)險溢出。首先，利率的變動會導(dǎo)致融資與投資的成本隨之而變，公司債券與股票的流動性溢價變化，進而改變債券與股票的預(yù)期折現(xiàn)率，使同一公司發(fā)行的股票與公司債券的內(nèi)在價值同時產(chǎn)生波動，形成兩者間的風(fēng)險溢出。其次，在實際利率穩(wěn)定時，預(yù)期通貨膨脹率的變動會使名義利率提高或降低，導(dǎo)致預(yù)期折現(xiàn)率發(fā)生變化，使公司債券與股票的風(fēng)險相互溢出。最后，公司債券與股票均由公司發(fā)行，兩者風(fēng)險溢價與公司經(jīng)營情況息息相關(guān)，公司經(jīng)營狀況產(chǎn)生變化會使公司債券與股票的風(fēng)險溢價隨之變化，進而影響到預(yù)期折現(xiàn)率，促使公司債券與股票間產(chǎn)生風(fēng)險溢出。特別是公司的負面信息導(dǎo)致極端風(fēng)險事件爆發(fā)時，風(fēng)險溢價會產(chǎn)生波動，預(yù)期折現(xiàn)率隨之產(chǎn)生大幅變化，進而形成公司債券與股票之間的極端風(fēng)險溢出。

利率與通貨膨脹率均為宏觀層面的影響因素，風(fēng)險溢價屬于微觀層面的影響因素。宏觀環(huán)境的變化會導(dǎo)致公司債券整體與股票整體均面臨著相似的影響，使公司債券與股票整體的內(nèi)在價值均產(chǎn)生變化，進而形成風(fēng)險溢出;而上市公司個體經(jīng)營情況的變化通過風(fēng)險溢價影響著該公司發(fā)行的公司債券與股票，使公司債券風(fēng)險與股票風(fēng)險相互傳遞，形成兩者間的風(fēng)險溢出。因此，相比于利率與通貨膨脹率，風(fēng)險溢價對預(yù)期折現(xiàn)率的影響更能解釋公司債券與股票間的風(fēng)險溢出機理。

在投資者行為方面，投資者會根據(jù)風(fēng)險信息的變化產(chǎn)生資產(chǎn)配置行為，投資者的資產(chǎn)配置行為構(gòu)成了公司債券與股票間風(fēng)險溢出的渠道，非理性行為推動風(fēng)險溢出形成。

一方面，投資者對資產(chǎn)的多元化配置形成公司債券與股票風(fēng)險溢出的渠道，投資者資產(chǎn)配置的調(diào)整機制會引發(fā)風(fēng)險在兩者間傳遞。在金融自由和金融創(chuàng)新的背景下，投資者會在投資組合中同時配置公司債券與股票。當(dāng)兩者價格產(chǎn)生大幅度波動時，投資者會將其視為風(fēng)險信息，隨后會根據(jù)風(fēng)險信息開展資產(chǎn)配置活動。單個投資者調(diào)整資產(chǎn)配置時的表現(xiàn)相對理性，若市場上眾多投資者都做出相同的判斷及操作，會放大公司債券與股票的極端風(fēng)險，使公司債券與股票的風(fēng)險相互沖擊，形成兩者間的極端風(fēng)險溢出。另一方面，風(fēng)險信息的傳遞具有不充分性和不對稱性，且投資者普遍存在認知偏差，往往會產(chǎn)生非理性行為，進一步推動公司債券與股票間形成風(fēng)險溢出。特別是發(fā)生極端金融風(fēng)險事件后，投資者在恐慌情緒的影響下無法理性地分析金融資產(chǎn)極端風(fēng)險產(chǎn)生的原因及其影響范圍，會產(chǎn)生非理性投資行為，使公司債券與股票的極端風(fēng)險相互傳遞，形成極端風(fēng)險溢出。

四 極端分位數(shù)模型構(gòu)建

分位Granger因果非參數(shù)檢驗?zāi)Ｐ涂梢詷?gòu)建金融資產(chǎn)的風(fēng)險信息向量，利用分位數(shù)的單調(diào)性將變量劃分為多個區(qū)間段，進而衡量兩個金融資產(chǎn)的風(fēng)險信息向量在任意分布區(qū)間段的Granger因果關(guān)系。本文考察公司債券與股票風(fēng)險信息向量在下尾區(qū)間上的Granger因果關(guān)系，以此考察兩者間的極端風(fēng)險溢出。VaR是金融資產(chǎn)在一定時間和置信水平下可能產(chǎn)生的最大預(yù)期損失，通常用來表示金融資產(chǎn)的極端風(fēng)險。本文首先構(gòu)建分位線性GARCH模型擬合公司債券與股票的收益序列，并通過尾部條件分位數(shù)估計兩者的VaR，據(jù)此度量公司債券與股票的極端風(fēng)險，再使用分位Granger因果關(guān)系非參數(shù)檢驗?zāi)Ｐ蜆?gòu)建極端風(fēng)險信息向量，考察公司債券與股票間的極端風(fēng)險溢出。

（一）基于分位GARCH模型的VaR估計

利用分位線性GARCH模型估計VaR無需假設(shè)擾動項的分布，且無需討論擾動項方差過程的對稱性質(zhì)，具有較高的穩(wěn)定性與準(zhǔn)確性，易于使用分位數(shù)的思想進行參數(shù)估計，適合用來估計金融資產(chǎn)的VaR。

使用AR模型擬合金融資產(chǎn)收益率序列：

Ri，t =φ0+∑Ll=1 φlRi，t-l +ui，t （1）

其中，L代表滯后階數(shù)，由BIC準(zhǔn)則確定，隨后假設(shè)殘差項ut 服從線性GARCH過程：

ui，t =σi，t ·εi，t （2）

σi，t =β0+∑pm=1 βmσi，t-m +∑qj=1 γj|ui，t-j |（3）

其中，εt 均值為0，服從未知的Fε （·）分布。結(jié)合分位回歸思想將線性GARCH模型轉(zhuǎn)化為分位線性GARCH模型，其過程是將式（3）中ui， t 與自變量的關(guān)系式改寫為ui， t 的第τ分位與自變量間的關(guān)系式：

Qui，t（τ|Zi，t-1 ）=θ（τ） 'Xi，t （4）

其中，Zi ， t -1 代表第i項金融資產(chǎn)在t-1時刻的信息集合，θ（τ）’= （β0 ， β1 ，…， βp ， γ1 ，…， γq ）代表待估計參數(shù)，Xi，t "= （1， σi， t -1 ，…， σi， t - p ， |u i， t -1 |，…， |u i， t - q |）表示變量，隨后通過兩步法對參數(shù)θ（τ）進行估計，可得到公司債券與股票收益序列Ri，t 對應(yīng)分位點VaRτ 的估計值為：

VaRτ=Ri，t（τ|Zi，t-1 ）=

i，t +ui，t（τ|Zi，t-1 ）=i，t +i（τ）'Xi，t （5）

此外，使用分位線性GARCH模型估計金融資產(chǎn)的VaR后，需要使用Kupiec檢驗以評估VaR估計值的準(zhǔn)確程度，驗證模型的適用性。若通過檢驗，則認為VaR估計準(zhǔn)確，能夠代表金融資產(chǎn)的極端風(fēng)險，可以用于極端風(fēng)險溢出分析。

（二）極端分位Granger因果關(guān)系非參數(shù)檢驗

極端分位Granger因果非參數(shù)檢驗?zāi)Ｐ蜋z驗兩個變量在各區(qū)間段上的Granger因果關(guān)系，能夠考察金融資產(chǎn)極端風(fēng)險間的溢出關(guān)系。首先使用VaR估計值構(gòu)建公司債券與股票的風(fēng)險信息向量：

Hdown it =（hdown it，1 ， …， hdown it，m ） '（6）

hdown it，k =I{Qit （τdown k）≤Rit ≤Qit （τdown k+1 ）}

k=1，…，m（7）

其中，Hdown 包含了公司債券與股票的極端風(fēng)險信息，極端風(fēng)險對應(yīng)的分位點為τdown ={0， 0.01，0.05，0.1}。I{·}為示性函數(shù)，i∈{Bond1 ， …， Bondn ， Stock1 ， …， Stockn }表示公司債券與股票。Qit （τk down ）為公司債券與股票收益率的分位數(shù)，即對應(yīng)分位點的VaR。

根據(jù)Granger因果關(guān)系檢驗思想，股票到公司債券極端風(fēng)險溢出的原假設(shè)與備擇假設(shè)為：

H0：E（Hdown bond，t |Zdown bond，t-1 ， Zdown stock，t-1 ）=

E（Hdown bond，t |Zdown bond，t-1 ） （8）

H1：E（Hdown bond，t |Zdown bond，t-1 ， Zdown stock，t-1 ）≠

E（Hdown bond，t |Zdown bond，t-1 ） （9）

相應(yīng)地，是否存在公司債券到股票極端風(fēng)險溢出的原假設(shè)與備擇假設(shè)為：

H0：E（Hdown stock，t |Zdown stock，t-1 ， Zdown bond，t-1 ）=

E（Hdown stock，t |Zdown stock，t-1 ） （10）

H1：E（Hdown stock，t |Zdown stock，t-1 ， Zdown bond，t-1 ）≠

E（Hdown stock，t |Zdown stock，t-1 ） （11）

式中Z表示公司債券或股票在t時刻前的整體極端風(fēng)險信息，隨后根據(jù)原假設(shè)式（8）構(gòu)造相應(yīng)統(tǒng)計量λ，檢驗股票到公司債券的極端風(fēng)險溢出：

λstock→bond down→down =U∧ down， down （MT）-m2μT（MT）m2σT（MT）dN（0， 1） （12）

其中，統(tǒng)計量λ依分布收斂于標(biāo)準(zhǔn)正態(tài)分布，λ的上標(biāo)stock→bond表示檢驗的極端風(fēng)險溢出方向為股票到公司債券，下標(biāo)down→down表示極端風(fēng)險溢出。若假設(shè)檢驗統(tǒng)計量λ大于給定置信水平下的右尾臨界值，則拒絕原假設(shè)，可以認為存在股票對公司債券的極端風(fēng)險溢出。

五 實證分析

（一）樣本選取與描述性統(tǒng)計分析

本文選擇發(fā)行公司債券的上市公司為研究樣本，由于公司債券在2008年經(jīng)歷過一次停發(fā)階段，于2009年才重新發(fā)行，為剔除公司債券停發(fā)帶來的影響，將樣本整體區(qū)間設(shè)定為2010年1月1日至2019年12月31日。極端風(fēng)險事件的爆發(fā)會對中國經(jīng)濟產(chǎn)生一定的負面沖擊，導(dǎo)致公司經(jīng)營環(huán)境愈發(fā)復(fù)雜多變，使上市公司風(fēng)險不斷暴露。其中，2015年6月15日爆發(fā)的股災(zāi)事件產(chǎn)生了極為嚴重的影響，使股票出現(xiàn)了持續(xù)暴跌現(xiàn)象，且股票極端風(fēng)險不斷擴散并傳導(dǎo)至公司債券。因此，本文在全面考察公司債券與股票間極端風(fēng)險溢出后，以股災(zāi)事件為節(jié)點將整個樣本區(qū)間劃分為兩個階段，借此探討股災(zāi)對公司債券與股票間極端風(fēng)險溢出的影響。第一階段為股災(zāi)爆發(fā)前階段，具體區(qū)間是2010年1月1日至2015年6月14日，第二階段為股災(zāi)爆發(fā)后階段，具體區(qū)間是2015年6月15日至2019年12月31日。本文制定以下數(shù)據(jù)篩選標(biāo)準(zhǔn)[19]：一是剔除股票上市前就已發(fā)行的公司債券;二是剔除發(fā)行額不足10億的公司債券，避免流通量太小導(dǎo)致交易不活躍;三是剔除交易天數(shù)小于200且交易天數(shù)占比低于0.2的公司債券，保證公司債券的收益率能夠充分反映市場中的信息，其中交易天數(shù)占比由式（15）計算：

交易天數(shù)占比=觀察期內(nèi)交易量不為0的交易天數(shù)觀察期內(nèi)總交易天數(shù) （15）

最終得到126家發(fā)行公司債券的上市公司，數(shù)據(jù)來源于國泰安數(shù)據(jù)庫與Wind數(shù)據(jù)庫。

對數(shù)收益率具有良好的統(tǒng)計特征，本文采用對數(shù)收益率進行分析，計算公式如下：

Ri，t =100×ln （Pi，t /Pi，t-1 ） （16）

其中，Ri ， t 代表公司債券和股票t日的對數(shù)收益率，i∈{Bond1 ， ...， Bondn ， Stock1 ， ...， Stockn }，表示公司債券與股票，Pi ， t 表示t日的收盤價。隨后對計算所得的全部公司債券和股票的收益率數(shù)據(jù)進行描述性統(tǒng)計，表1中Rbond 表示公司債券，Rstock 表示股票。

由表1可知，在收益率均值與標(biāo)準(zhǔn)差方面，公司債券均低于股票，說明股票的收益與波動性均高于公司債券。從0.25分位點、中位數(shù)與0.75分位點可以看出，股票中位數(shù)與均值幾乎相等，0.25分位點與0.75分位點的絕對值較為接近，且其偏度接近于0，峰度接近于3，說明股票收益率呈現(xiàn)出一定的正態(tài)性。公司債券三個分位點均大于均值，且偏度為-9.2064，峰度為560.1382，表明公司債券收益率分布為顯著的左偏與尖峰分布。可能原因是公司債券屬于固定收益類證券，價格變化受利率影響，使價格波動幅度較小，導(dǎo)致收益率分布為尖峰分布。當(dāng)部分上市公司經(jīng)營不善導(dǎo)致債務(wù)違約時，相關(guān)公司債券的價格會在短時間內(nèi)大幅度下跌，形成較低的收益率，使公司債券收益率的分布呈現(xiàn)出左偏分布。

由表2可知，股災(zāi)爆發(fā)前階段內(nèi)公司債券與股票的收益率略高于全樣本階段，標(biāo)準(zhǔn)差略低于全樣本階段，說明股災(zāi)事件發(fā)生之前公司債券與股票波動較小。在偏度與峰度方面，公司債券的偏度為-4.4232， 峰度為102.3433，說明公司債券收益率分布的左偏與尖峰程度弱于全樣本階段，其原因可能是在2010至2015年股災(zāi)發(fā)生之前，公司債券整體處于平穩(wěn)運行狀態(tài)，產(chǎn)生極端風(fēng)險事件的公司較少，使公司債券收益率分布的左偏與尖峰程度弱于全樣本時期。

表3結(jié)果表明，股災(zāi)爆發(fā)后公司債券與股票的收益率降低，標(biāo)準(zhǔn)差增大，說明隨著中國經(jīng)濟下行壓力不斷增大，公司經(jīng)營環(huán)境變差導(dǎo)致公司盈利與償債能力產(chǎn)生了較大的波動，使公司債券與股票收益率均值降低且標(biāo)準(zhǔn)差變大。在偏度和峰度方面，公司債券的偏度為-15.9029，峰度為869.5086，顯示公司債券收益率分布的左偏與尖峰程度增大。這是由于在公司債券剛性兌付規(guī)則被打破與整體經(jīng)濟下行壓力增大的背景下，頻繁爆發(fā)的違約事件增大了公司債券的極端風(fēng)險，使收益率分布呈現(xiàn)出更顯著的左偏與尖峰分布。股票的偏度為-0.4628，峰度為4.3729，說明在經(jīng)歷了股災(zāi)之后，股票收益率分布呈現(xiàn)出一定的左偏分布與尖峰分布。其原因在于2015年爆發(fā)的股災(zāi)使大部分股票在短時間內(nèi)產(chǎn)生了較大幅度的下跌，在之后的緩慢恢復(fù)期中收益率集中在偏低的范圍內(nèi)，使股票收益率分布表現(xiàn)出了一定的左偏及尖峰分布。

（二）基于分位線性GARCH模型的極端風(fēng)險分析

使用分位線性GARCH模型對公司債券與股票的VaR值進行估計，隨后對VaR估計值進行Kupeic檢驗。

根據(jù)表4結(jié)果可以發(fā)現(xiàn)，在1%的顯著性水平下，所有公司債券與股票的VaR估計值均通過了Kupeic檢驗，說明VAR估計值較為準(zhǔn)確。分位線性GARCH模型可以較好地擬合公司債券與股票的收益序列并求得VaR估計值，能夠用于識別公司債券與股票的風(fēng)險情況。本文通過設(shè)置三個下尾分位點，能夠較為全面地考量公司債券與股票的極端風(fēng)險。

1. 全樣本階段極端風(fēng)險分析

由VaR的定義可知，其負號的含義為公司債券與股票的損失，因此本文針對公司債券與股票VaR的絕對值進行分析。全樣本階段囊括了2010至2019年整個區(qū)間，時間跨度較長，使其數(shù)據(jù)具有較高的穩(wěn)定性，也令VaR估計值具有代表性。

根據(jù)表5統(tǒng)計結(jié)果可以發(fā)現(xiàn)，VaR均值與標(biāo)準(zhǔn)差隨著分位點的減小表現(xiàn)出逐漸增大的趨勢，說明隨著極端分位點變小，公司債券與股票的風(fēng)險逐漸變大并表現(xiàn)出更大的差異性。將公司債券與股票的VaR均值進行對比可以發(fā)現(xiàn)，公司債券三個下分位點的VaR均低于股票，表明整體上看股票極端風(fēng)險普遍高于公司債券極端風(fēng)險。這主要是因為公司債券是上市公司的債務(wù)，屬于固定收益類證券，收益獲取比股票更穩(wěn)定，因此整體上產(chǎn)生的極端風(fēng)險值小于股票。

2. 股災(zāi)爆發(fā)前后極端風(fēng)險分析

根據(jù)表6統(tǒng)計結(jié)果可以發(fā)現(xiàn)，股災(zāi)爆發(fā)前階段公司債券與股票的VaR均值與標(biāo)準(zhǔn)差同樣隨著分位點的減小逐漸增大，且股票的極端風(fēng)險高于公司債券。將股災(zāi)爆發(fā)前階段與全樣本階段進行對比可以發(fā)現(xiàn)，股災(zāi)爆發(fā)前階段內(nèi)公司債券與股票的VaR值較低，表明兩者的極端風(fēng)險處于較低的水平。這主要是因為在2010至2015年內(nèi)，中國經(jīng)濟發(fā)展相對較快，市場整體表現(xiàn)欣欣向榮的態(tài)勢，公司經(jīng)營狀態(tài)平穩(wěn)，盈利能力與償債能力處于較高水平，較少的風(fēng)險事件并未使公司債券與股票爆發(fā)出較大的極端風(fēng)險。

表7的統(tǒng)計結(jié)果表明，公司債券與股票的極端風(fēng)險均產(chǎn)生了較大的變化。股災(zāi)爆發(fā)后公司債券在0.01 分位點下的VaR值比股災(zāi)爆發(fā)前更高，說明股災(zāi)爆發(fā)后公司債券與股票的極端風(fēng)險增大。這是由于股災(zāi)事件爆發(fā)于中國經(jīng)濟發(fā)展進入新常態(tài)的背景下，中國經(jīng)濟呈現(xiàn)出不同以往的特征，隨著中國經(jīng)濟下行壓力逐漸增大，公司的經(jīng)營環(huán)境愈發(fā)復(fù)雜多變，信用違約事件增多使公司潛在風(fēng)險增大，而且投資者在恐慌情緒的作用下產(chǎn)生了更嚴重的非理性行為，增大公司債券與股票的極端風(fēng)險。

（三）基于分位Granger因果模型的極端風(fēng)險溢出分析

本文在利用分位線性GARCH模型度量出公司債券與股票的極端風(fēng)險后，構(gòu)建極端分位Granger 因果關(guān)系模型，對公司債券與股票極端風(fēng)險間的Granger因果關(guān)系進行考察，進而探究兩者間的極端風(fēng)險溢出。

1. 全樣本階段公司債券與股票間極端風(fēng)險溢出

本文利用全樣本階段數(shù)據(jù)對公司債券與股票間極端風(fēng)險溢出進行整體上的探討，在5%的顯著性水平下，公司債券與股票間極端風(fēng)險溢出檢驗結(jié)果如圖4所示。圖中數(shù)字表示通過檢驗的公司數(shù)量及其在樣本中的占比。圖中圓內(nèi)的stock_bond表示溢出方向為股票到公司債券，bond_stock表示溢出方向為公司債券到股票，兩個圓在中間的交集表示同時存在不同方向的極端風(fēng)險溢出。

根據(jù)圖4全樣本階段統(tǒng)計結(jié)果可知，存在公司債券與股票間極端風(fēng)險溢出的公司占比為75.40% （30.16%+22.22%+ 23.02%），大部分的樣本均通過了檢驗，說明公司債券與股票間存在顯著的極端風(fēng)險溢出，公司債券未能隔離股票產(chǎn)生的極端風(fēng)險，無法起到類似于國債等安全性金融資產(chǎn)所具有的“避風(fēng)港”作用，說明隨著上市公司的風(fēng)險逐步釋放，公司債券的風(fēng)險屬性逐漸顯現(xiàn)，使其蘊含的潛在風(fēng)險提升，易受股票的影響產(chǎn)生極端風(fēng)險。究其原因，公司債券與股票均由上市公司發(fā)行，兩者的內(nèi)在價值會共同受公司價值的影響，表現(xiàn)出較強的同質(zhì)性。一方面，根據(jù)傳統(tǒng)金融理論，公司債券與股票有著相似的定價機制，公司經(jīng)營狀況的變化會影響兩者的內(nèi)在價值，導(dǎo)致兩者的極端風(fēng)險相互傳遞，形成極端風(fēng)險溢出。另一方面，當(dāng)投資者接收到上市公司負面信息后，出于避險目的將會賣出公司債券與股票，使兩者產(chǎn)生極端風(fēng)險，在投資者非理性行為的作用下兩者的極端風(fēng)險會相互傳遞，形成極端風(fēng)險溢出。

根據(jù)分位Granger因果關(guān)系模型的構(gòu)建過程可知，極端風(fēng)險溢出檢驗統(tǒng)計量λ的計算依賴于公司債券極端風(fēng)險與股票極端風(fēng)險間的相關(guān)系數(shù)，其大小反映兩者極端風(fēng)險的相關(guān)程度。統(tǒng)計量λ的值越大，說明兩者極端風(fēng)險間的依賴程度越高，極端風(fēng)險溢出就越強，因此可以通過比較λ的大小來考察溢出強度。

由表8可知，在全樣本階段內(nèi)股票對公司債券極端風(fēng)險溢出統(tǒng)計量λ的值為1446.73，公司債券對股票極端風(fēng)險溢出統(tǒng)計量λ的值為1682.14，說明在全樣本階段內(nèi)公司債券對股票的極端風(fēng)險溢出強度高于股票對公司債券極端風(fēng)險溢出的強度，表現(xiàn)出較強的非對稱性。可能的原因是公司債券屬于固定收益類證券，其收益的獲取比股票更有保障，價格的波動受利率影響較大，導(dǎo)致股票極端風(fēng)險對公司債券的影響相對較小。而且相比于股票投資者，公司債券投資者的資產(chǎn)配置行為更為理性，使公司債券價格波動更能反映上市公司的真實風(fēng)險水平。公司債券產(chǎn)生較大風(fēng)險時，說明上市公司的整體風(fēng)險較大，投資者接收這一風(fēng)險信息后，會產(chǎn)生恐慌心理，出現(xiàn)羊群效應(yīng)等非理性交易行為，導(dǎo)致公司債券極端風(fēng)險迅速傳遞至股票，強化公司債券對股票的極端風(fēng)險溢出。

2. 股災(zāi)前后公司債券與股票間極端風(fēng)險溢出

圖5（a）展示了股災(zāi)爆發(fā)前公司債券與股票間極端風(fēng)險溢出的檢驗結(jié)果。整體上看，股災(zāi)爆發(fā)前存在公司債券與股票間極端風(fēng)險溢出的公司占比為76.25% （18.75% +26.25%+31.25%），大部分樣本均通過了檢驗，占比與全樣本階段幾乎相等，說明公司債券與股票極端風(fēng)險間存在顯著的極端風(fēng)險溢出。從不同方向的極端風(fēng)險溢出方面分析，僅存在股票對公司債券極端風(fēng)險溢出的公司占比為18.75%，僅存在公司債券對股票極端風(fēng)險溢出的公司占比為31.25%，兩者數(shù)值相差較大，說明公司債券與股票間的極端風(fēng)險溢出存在非對稱性，即公司債券對股票的極端風(fēng)險溢出比股票對公司債券的極端風(fēng)險溢出更顯著，公司債券產(chǎn)生的極端風(fēng)險更易傳遞至股票，形成公司債券對股票的極端風(fēng)險溢出。這可能是由于在股災(zāi)爆發(fā)前公司債券的違約事件較少，公司債券產(chǎn)生的極端風(fēng)險會被投資者視為風(fēng)險信號，在投資者資產(chǎn)配置行為的作用下，公司債券的極端風(fēng)險會傳遞至股票，形成公司債券對股票的極端風(fēng)險溢出。

圖5（b）的結(jié)果表明，股災(zāi)爆發(fā)后階段存在公司債券與股票間極端風(fēng)險溢出的公司占比為82.20%（30.14% +24.66%+27.40%），高于股災(zāi)爆發(fā)前的占比，說明股災(zāi)爆發(fā)之后公司債券與股票間的極端風(fēng)險溢出更為顯著，意味著股災(zāi)等極端風(fēng)險事件的爆發(fā)會使公司債券與股票間的極端風(fēng)險溢出逐漸深化。究其原因，一方面，極端風(fēng)險事件的爆發(fā)導(dǎo)致公司風(fēng)險溢價發(fā)生較大變化，使公司債券與股票的預(yù)期折現(xiàn)率產(chǎn)生波動，影響公司債券與股票的內(nèi)在價值，進而形成公司債券與股票間的極端風(fēng)險溢出;另一方面，極端風(fēng)險事件會導(dǎo)致投資者在恐慌情緒的作用下產(chǎn)生更嚴重的非理性行為，使公司債券與股票間的極端風(fēng)險溢出更顯著。

對比圖5（a）和（b）還可以發(fā)現(xiàn)，股災(zāi)爆發(fā)后僅存在股票對公司債券極端風(fēng)險溢出的公司占比為30.14%，高于股災(zāi)爆發(fā)前的比例，而僅存在公司債券對股票極端風(fēng)險溢出的公司占比略有減小，說明股災(zāi)等極端風(fēng)險事件的爆發(fā)對股票向公司債券極端風(fēng)險溢出的影響更大?？赡茉蛟谟趦蓚€方面：第一，股災(zāi)事件的爆發(fā)直接作用于股票，使股票的不確定性增加，導(dǎo)致投資者在恐慌情緒的作用下產(chǎn)生非理性投資行為，通過資產(chǎn)配置渠道將股票的極端風(fēng)險傳遞至公司債券，放大了股票對公司債券的極端風(fēng)險溢出;第二，股災(zāi)事件的爆發(fā)對中國經(jīng)濟產(chǎn)生了極大沖擊，使上市公司經(jīng)營環(huán)境愈發(fā)復(fù)雜多變，公司的盈利能力與償債能力弱化，導(dǎo)致公司債券與股票極端風(fēng)險相互傳遞的速度加快，更易產(chǎn)生兩者間的極端風(fēng)險溢出。

將表9統(tǒng)計結(jié)果進行縱向?qū)Ρ瓤芍?，無論是股災(zāi)爆發(fā)前還是股災(zāi)爆發(fā)后，公司債券對股票的極端風(fēng)險溢出強度均高于股票對公司債券的極端風(fēng)險溢出強度，呈現(xiàn)出非對稱性，說明公司債券仍是兩者間極端風(fēng)險溢出的主導(dǎo)者。將表9結(jié)果進行橫向?qū)Ρ瓤梢园l(fā)現(xiàn)，股災(zāi)爆發(fā)之后公司債券與股票間的極端風(fēng)險溢出強度更高，重大風(fēng)險事件的產(chǎn)生會加深兩者間的極端風(fēng)險溢出。這是由于股災(zāi)的爆發(fā)使投資者恐慌情緒蔓延，進而產(chǎn)生嚴重的非理性行為，使公司債券與股票極端風(fēng)險信息的傳遞愈發(fā)迅速，導(dǎo)致兩者間極端風(fēng)險溢出的強度增大。

六 結(jié)論與建議

本文將發(fā)行公司債券的上市公司作為研究樣本，利用分位線性GARCH模型估計公司債券與股票的VaR值，以此衡量兩者的極端風(fēng)險，在此基礎(chǔ)上使用分位Granger因果關(guān)系模型考察公司債券與股票間的極端風(fēng)險溢出，并以2015年爆發(fā)的股災(zāi)事件為節(jié)點將整體樣本分為兩個階段，借此考察股災(zāi)事件對公司債券與股票間極端風(fēng)險溢出的影響。實證結(jié)果表明：公司債券極端風(fēng)險整體上低于股票極端風(fēng)險;由于公司債券與股票同為上市公司發(fā)行的直接融資工具，兩者價格波動共同受公司價值的影響，表現(xiàn)出較高的同質(zhì)性，使公司債券與股票間存在顯著的極端風(fēng)險溢出;公司債券與股票間的極端風(fēng)險溢出呈現(xiàn)出非對稱性，即公司債券對股票的極端風(fēng)險溢出強度高于股票對公司債券的極端風(fēng)險溢出強度;股災(zāi)這一極端風(fēng)險事件爆發(fā)后，公司債券與股票的極端風(fēng)險增大，兩者間的極端風(fēng)險溢出強度隨之增大。

基于以上結(jié)論，監(jiān)管部門應(yīng)多關(guān)注公司債券與股票極端風(fēng)險的傳遞，尤其是注意公司債券極端風(fēng)險向股票的傳遞，充分發(fā)揮公司債券在極端風(fēng)險溢出中的主導(dǎo)者作用，建立有效的風(fēng)險監(jiān)測和預(yù)警機制，并采取措施化解和處置公司債券與股票的極端風(fēng)險，防止風(fēng)險擴散和蔓延。投資者應(yīng)該培養(yǎng)風(fēng)險管理意識，充分利用公司債券與股票的風(fēng)險信息，識別兩者極端風(fēng)險間的傳遞，并合理調(diào)整投資組合結(jié)構(gòu)以減少損失。上市公司應(yīng)注意識別自身公司債券與股票間極端風(fēng)險溢出狀態(tài)，動態(tài)調(diào)整公司融資結(jié)構(gòu)以提升融資效率，更應(yīng)該完善公司治理機制，從根本上規(guī)避公司潛在風(fēng)險的累積。

[參 考 文 獻]

[1] 米詠梅， 王憲勇. 我國金融市場的風(fēng)險溢出效應(yīng)分析[J]. 財經(jīng)問題研究， 2014 （11）： 63-67.

[2]李詩瑤. 上市公司債務(wù)違約風(fēng)險與股價崩盤風(fēng)險[J]. 江西社會科學(xué)， 2019（7）： 42-53.

[3]Erer E， Erer D， Korkmaz O. Volatility Spillover from Bond Markets in Turkey， UK， USA and Eurozone， Commoditiy Market and Foreign Currency Market to BIST 100 Index under Different Regimes[J]. Journal of BRSA Banking and Financial Markets， 2019（1）： 77-103.

[4]Alkan B， Cicek S. Spillover Effect in Financial Markets in Turkey[J]. Central Bank Review， 2020（2）： 53-64.

[5]Tiwari A， Cunado J， Gupta R， et al. Volatility Spillovers across Global Asset Classes： Evidence from Time and Frequency Domains[J]. The Quarterly Review of Economics and Finance， 2018（70）： 194-202.

[6]Aftab H， Beg R， Sun S. Testing and Predicting Volatility Spillover：A Multivariate GJRGARCH Approach[J]. Theoretical Economics Letters， 2019（1）： 83-99.

[7]肖芝露， 尹玉良. 我國匯市、股市和債市的波動溢出效應(yīng)研究——基于“811匯改”的經(jīng)驗分析[J]. 金融理論與實踐， 2018 （9）： 82-87.

[8]陳學(xué)彬， 曾裕峰. 中美股票市場和債券市場聯(lián)動效應(yīng)的比較研究——基于尾部風(fēng)險溢出的視角[J]. 經(jīng)濟管理， 2016（7）： 1-13.

[9]嚴偉祥， 張維. 我國金融市場尾部風(fēng)險相依與區(qū)制轉(zhuǎn)移下的風(fēng)險沖擊研究[J]. 金融評論， 2017（2）： 25-38+124.

[10]Sakemoto R. Comovement Between Equity and Bond Markets[J]. International Review of Economics amp; Finance， 2018（53）： 25-38.

[11]Fang L， Yu H， Li L. The Effect of Economic Policy Uncertainty on the Longterm Correlation between U.S. Stock and Bond Markets[J]. Economic Modelling， 2017（66）：139-145.

[12]方意， 于渤， 王煒. 新冠疫情影響下的中國金融市場風(fēng)險度量與防控研究[J]. 中央財經(jīng)大學(xué)學(xué)報， 2020（8）： 116-128.

[13]吳永鋼， 趙航， 卜林. 中國金融體系內(nèi)極端風(fēng)險溢出關(guān)系研究[J]. 南開經(jīng)濟研究， 2019（5）： 98-121.

[14]McMillan D. Interrelation and Spillover Effects between Stocks and Bonds： Crossmarket and Crossasset Evidence[J]. Studies in Economics and Finance， 2020（3）： 561-582.

[15]侯縣平， 傅春燕， 林子梟. 極端風(fēng)險溢出效應(yīng)的定量測度及非對稱性——來自中國股市與債市的經(jīng)驗證據(jù)[J]. 管理評論， 2020（9）： 55-67.

[16]王帥， 李治章. 基于動態(tài)Copula-CoVaR模型的影子銀行風(fēng)險溢出效應(yīng)研究[J]. 財經(jīng)理論與實踐， 2019（2）： 36-40.

[17]朱慧明， 汪寧麗， 黃瑞. 基于極端分位數(shù)回歸模型的國際原油與天然氣市場相依關(guān)系研究[J]. 湖南大學(xué)學(xué)報（社會科學(xué)版）， 2018（2）： 30-36.

[18]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.

[19]馮玉梅， 王剛. 公司股票和債券價格中的信用風(fēng)險信息效率研究[J]. 國際金融研究， 2016 （7）： 83-96.