徐楠芝，戴 芳，于海躍

(1.上海交通大學(xué)凱原法學(xué)院，上海 200030；2.西北政法大學(xué)經(jīng)濟(jì)法學(xué)院，陜西 西安 710063；3.上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院，上海 200030)

一、問題的提出

股票市場和公司債市場作為上市公司重要的投融資渠道，兩者之間存在緊密的關(guān)聯(lián)，不僅體現(xiàn)在資產(chǎn)配置策略的變動方面，還體現(xiàn)在風(fēng)險的關(guān)聯(lián)性和聯(lián)動性方面，具體表現(xiàn)為相依結(jié)構(gòu)和溢出效應(yīng)。近年來，受中美貿(mào)易摩擦、新冠肺炎疫情和俄烏沖突等重大突發(fā)公共事件的影響，經(jīng)濟(jì)下行壓力加大，不確定性因素增多，導(dǎo)致股票市場急劇震蕩，股票價格波動較為劇烈，系統(tǒng)性金融風(fēng)險不斷積聚和擴(kuò)散，股票市場已成為金融風(fēng)險的重要來源，其風(fēng)險外溢問題較為突出。另外，中國公司債市場的法律體系和監(jiān)管體系尚未成熟，其金融風(fēng)險問題日益凸顯。2015年，中國證券監(jiān)督管理委員會發(fā)布的《公司債券發(fā)行與交易管理辦法》為規(guī)范公司債市場提供了標(biāo)準(zhǔn)和依據(jù)，促進(jìn)了公司債的快速發(fā)展，同時其違約風(fēng)險也急速攀升。2021年，違約債券以公司債和私募債為主，占比高達(dá)62%，公司債市場潛藏了較大的金融風(fēng)險，這不僅損害了投資者的利益和公司的信譽(yù)，還給整個金融市場帶來風(fēng)險隱患。

為了應(yīng)對股票市場和公司債市場的風(fēng)險問題，根據(jù)《中華人民共和國國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》的要求，要強(qiáng)化國民經(jīng)濟(jì)安全保障，實(shí)施金融安全戰(zhàn)略，健全債券市場違約處置機(jī)制，這在宏觀層面為金融市場的風(fēng)險防控提供了基本框架。其中，股票市場和公司債市場的風(fēng)險問題主要包括自身風(fēng)險、相依結(jié)構(gòu)和溢出效應(yīng)，由于股票市場和公司債市場的自身風(fēng)險研究已較為成熟，同時極端事件的發(fā)生對股票市場和公司債市場均造成了巨大的金融風(fēng)險，故本文基于重大突發(fā)公共事件的視角，主要探討股票市場與公司債市場之間的極端風(fēng)險問題。因此，研究股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)和極端風(fēng)險溢出效應(yīng)，有利于深入挖掘股票市場與公司債市場之間的風(fēng)險傳導(dǎo)路徑和效應(yīng)，為它們之間的極端風(fēng)險的精準(zhǔn)測度提供模型方面的基本思路和借鑒，也為投資者的投融資決策以及監(jiān)管部門的風(fēng)險防控提供基本的參考和依據(jù)。

金融主體的風(fēng)險理論主要包括風(fēng)險形成和風(fēng)險傳導(dǎo)兩個部分，其中，風(fēng)險形成理論主要有生命周期理論、信息不對稱理論和行為金融理論。Chou 和Chou[1]認(rèn)為，生命周期理論主要是描述宏觀經(jīng)濟(jì)和微觀企業(yè)處于產(chǎn)生、發(fā)展、繁榮和衰退等階段性和周期性環(huán)節(jié)，在各個發(fā)展過程中也會伴隨風(fēng)險的相應(yīng)變化過程，對應(yīng)于金融主體風(fēng)險的產(chǎn)生、積累、擴(kuò)散和消亡等基本過程，當(dāng)經(jīng)濟(jì)處于衰退階段時，金融主體的風(fēng)險處于較高的水平。Barakat等[2]指出，信息不對稱理論主要是說明相比于金融機(jī)構(gòu)的信息優(yōu)勢，投資者處于信息相對弱勢的地位，兩者信息失衡和混亂致使金融體系失靈，導(dǎo)致投資者對金融信息的反應(yīng)和判斷并非及時和最優(yōu)，最終引致金融主體風(fēng)險。翟永會[3]認(rèn)為，行為金融理論中的投資者是非理性的，在利空消息和極端事件下容易產(chǎn)生市場恐慌情緒，表現(xiàn)為正反饋機(jī)制和羊群效應(yīng)等風(fēng)險形式。另外，風(fēng)險傳導(dǎo)的相關(guān)研究主要集中于復(fù)雜網(wǎng)絡(luò)理論，Peng等[4]指出，由于金融主體之間存在業(yè)務(wù)發(fā)展的關(guān)聯(lián)性和復(fù)雜性，當(dāng)某個金融主體發(fā)生風(fēng)險和損失時，不僅對金融主體自身產(chǎn)生不利影響，其風(fēng)險還會進(jìn)一步地傳染和擴(kuò)散至其他金融主體。

目前，研究風(fēng)險相依結(jié)構(gòu)的方法主要包括Pearson相關(guān)系數(shù)[5]、DCC系數(shù)[6]、Granger因果檢驗(yàn)[7]、復(fù)雜網(wǎng)絡(luò)[8]和Copula模型[9]等。其中，Pearson相關(guān)系數(shù)用于描述金融主體之間的線性相依，不能刻畫非線性特征；DCC系數(shù)適用于捕捉金融主體之間的動態(tài)條件相依，而在厚尾性方面有所欠缺；Granger因果檢驗(yàn)主要反映金融主體之間的因果關(guān)聯(lián)關(guān)系，對滯后階數(shù)條件有嚴(yán)格的限制；復(fù)雜網(wǎng)絡(luò)能夠刻畫金融主體之間風(fēng)險相依的厚尾性特征，但要求金融主體的數(shù)量較多。相比較而言，Copula模型能夠描述金融主體之間非線性和厚尾性等相依結(jié)構(gòu)特征，同時對邊際分布的限制條件較少。Reboredo 和 Ugolini[10]基于極端事件，使用Copula模型研究了全球石油價格與股票價格之間的相依結(jié)構(gòu)，結(jié)果表明極端事件的發(fā)生對風(fēng)險相依結(jié)構(gòu)具有顯著的影響。Copula模型適用于研究兩個金融主體之間的靜態(tài)相依結(jié)構(gòu)，一般是在確定最優(yōu)Copula模型的基礎(chǔ)上來計算金融主體之間的Kendall相依系數(shù)、Spearman相依系數(shù)和尾部相依系數(shù)。近年來Copula模型的研究熱點(diǎn)主要包括Vine Copula模型和時變Copula模型，分別從高維和動態(tài)的視角來研究金融主體之間更為復(fù)雜的風(fēng)險特征。郭文偉等[11]將多個股票市場置于同一分析框架，構(gòu)建了R-Vine Copula模型來分析全球主要股票市場風(fēng)險相依結(jié)構(gòu)的突變特征，這突破了兩兩股票市場之間的限制條件，同時研究在多個股票市場之間的風(fēng)險相依結(jié)構(gòu)。侯縣平等[12]通過時變Copula模型刻畫了股票市場與債券市場之間的動態(tài)相關(guān)性，能夠全面地反映兩個市場之間風(fēng)險相依的變化趨勢。

在風(fēng)險相依結(jié)構(gòu)的基礎(chǔ)上，金融主體的風(fēng)險溢出效應(yīng)具有方向性，其測度方法主要包括MES模型[13]、SRISK模型[14]、CCA模型[15]和CoVaR模型[16]等。其中，CoVaR模型應(yīng)用范圍最廣，更加側(cè)重研究單個金融機(jī)構(gòu)對整個金融體系的風(fēng)險溢出，主要研究局部對整體的風(fēng)險貢獻(xiàn)程度。曾志堅等[17]使用CoVaR模型研究了股票市場與公司債市場之間風(fēng)險溢出的方向和強(qiáng)度，結(jié)果表明兩者之間存在非對稱的雙向風(fēng)險溢出效應(yīng)。近年來，部分學(xué)者對CoVaR模型進(jìn)行了改進(jìn)和拓展，例如，Girardi 和 Ergün[18]將金融危機(jī)的條件由“收益率等于風(fēng)險價值”推進(jìn)到了“收益率不超過風(fēng)險價值”的限制，考慮了重大突發(fā)公共事件的極端風(fēng)險影響。王周偉等[19]指出，目前CoVaR模型可以通過分位數(shù)回歸、GARCH模型和Copula模型等方法進(jìn)行估計。具體而言，分位數(shù)回歸-CoVaR模型適用于描述金融風(fēng)險的線性特征，后來又發(fā)展成為LASSO-分位數(shù)回歸模型[20]。GARCH-CoVaR模型適用于描述金融風(fēng)險的波動聚集特征，后來又發(fā)展成為ADCC-GARCH模型[21]。Copula-CoVaR模型適用于描述金融風(fēng)險的非線性和厚尾性特征[22]，后來又發(fā)展成為Vine Copula模型[23]、時變Copula模型[24]和MRS Copula模型[25]。整體來看，學(xué)者們一般使用分位數(shù)回歸和GARCH的方法來拓展CoVaR模型，進(jìn)而研究金融主體之間的風(fēng)險溢出效應(yīng)，卻忽略了金融主體之間的相依性和厚尾性等風(fēng)險特征，較少地在風(fēng)險相依的基礎(chǔ)上考察極端風(fēng)險溢出問題。

綜上所述，部分學(xué)者在研究金融主體的風(fēng)險相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)時考慮了重大突發(fā)公共事件引致的極端風(fēng)險，但其研究對象主要集中于泛金融市場和金融機(jī)構(gòu)，對公司債市場的研究較少。同時，大部分學(xué)者關(guān)注于市場行情下跌的下行風(fēng)險溢出，而忽略了上行風(fēng)險溢出的影響。因此，本文將在上述兩個方面進(jìn)行一些必要的嘗試，希望以此能夠填補(bǔ)相關(guān)的理論缺口，進(jìn)而研究股票市場與公司債市場之間的動態(tài)極端風(fēng)險相依結(jié)構(gòu)和極端風(fēng)險溢出效應(yīng)。具體工作是：一方面，將公司債市場作為重要的金融市場，基于重大突發(fā)公共事件的視角，考慮時變性、非線性和厚尾性等風(fēng)險特征，分別使用時變Copula模型和CoVaR模型研究股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)和極端風(fēng)險溢出效應(yīng)；另一方面，關(guān)注不同的尾部信息，引入利空消息和利好消息，同時考慮上尾與下尾之間相依結(jié)構(gòu)和風(fēng)險溢出，并據(jù)此探討不同尾部信息下股票市場與公司債市場之間相關(guān)風(fēng)險問題的非對稱性。

二、模型構(gòu)建

(一)邊際分布擬合模型

邊際分布擬合模型是構(gòu)建相依結(jié)構(gòu)和風(fēng)險溢出模型的基礎(chǔ)。一般而言，金融時間序列具有尖峰厚尾特征，不服從正態(tài)分布的假設(shè)條件。由于TGARCH模型能夠較好地解決非對稱性、波動聚集性和有偏性等問題，故本文使用該模型來刻畫股票市場和公司債市場的收益率序列。筆者以股票市場收益率序列為例進(jìn)行相關(guān)說明，參考Reboredo和Ugolini[10]，對TGARCH模型的均值方程作如下定義：

Xt=(1-φ1)μt+φ1Xt-1+φ0+εt

(1)

其中，Xt為股票市場收益率序列；μt為時變均值；φ1為AR項(xiàng)的參數(shù)，φ0為常數(shù)項(xiàng)；εt為隨機(jī)變量，存在εt=σtzt，σt為條件標(biāo)準(zhǔn)差，zt為標(biāo)準(zhǔn)殘差序列。

(2)

式(2)為方差方程模型。其中，β和α分別為GARCH項(xiàng)和ARCH項(xiàng)的參數(shù)；I為示性函數(shù)；λ為非對稱效應(yīng)項(xiàng)的參數(shù)，當(dāng)λ>0時，表明股票市場收益率序列的波動更容易受到來自利空消息的沖擊和影響，反之亦然。相比于普通的GARCH模型，TGARCH模型主要考慮了非對稱性的影響。

對于殘差分布模型，考慮非對稱性和有偏性特征，本文使用有偏t分布來擬合該模型的標(biāo)準(zhǔn)殘差序列，其密度分布函數(shù)f(zt)的定義如下：

(3)

其中，ν為自由度參數(shù)；η為對稱性參數(shù)；a、b和c均為常數(shù)。

(二)風(fēng)險相依結(jié)構(gòu)模型

時變Copula模型能夠準(zhǔn)確描述金融主體之間的時變性、非線性和厚尾性等風(fēng)險特征，故本文使用該模型來刻畫兩個市場之間的極端風(fēng)險相依結(jié)構(gòu)，其相應(yīng)的基本步驟如下：第一，構(gòu)建Gaussian Copula、Student-t Copula、Gumbel Copula、Clayton Copula和SJC Copula等常用的時變Copula模型，主要考慮了是否對稱和厚尾特征。第二，使用IFM方法估計參數(shù)，根據(jù)AIC原則確定最優(yōu)時變Copula模型。第三，基于最優(yōu)時變Copula模型的參數(shù)估計結(jié)果，計算尾部相依系數(shù)。受限于論文篇幅，本文不再對各個時變Copula模型的定義及其尾部相依系數(shù)的計算進(jìn)行相關(guān)闡述。

(三)風(fēng)險溢出效應(yīng)模型

CoVaR模型是目前研究金融主體之間風(fēng)險溢出效應(yīng)的主流模型。相比于分位數(shù)回歸和GARCH模型等估計方法，時變Copula模型能夠描述時變性、非線性、非對稱性和厚尾性等復(fù)雜風(fēng)險特征，故本文使用時變SJC Copula-CoVaR模型來測度兩個市場之間的極端風(fēng)險溢出效應(yīng)。

風(fēng)險溢出具有方向性，本文以股票市場對公司債市場的極端風(fēng)險溢出效應(yīng)為例，參考Girardi 和Ergün[18]，CoVaR模型的表述如下：

(4)

(5)

C(u,v)=pq

(6)

(7)

三、結(jié)果與分析

(一)指標(biāo)選取

本文主要關(guān)注于股票市場與公司債市場之間的風(fēng)險問題。對于股票市場而言，筆者使用滬深300指數(shù)加以衡量，其原因在于該指數(shù)綜合反映了上海和深圳兩個證券交易所的整體發(fā)展態(tài)勢，能夠較為準(zhǔn)確地刻畫中國股票市場價格的波動趨勢。對于公司債市場而言，本文參考曾志堅等[26]的研究，使用中證公司債指數(shù)作為公司債市場的代理變量，其原因在于該指數(shù)同時包含了上海和深圳證券交易所上市的公司債券，能夠綜合反映中國公司債市場價格的變化趨勢?；跍?00指數(shù)和中證公司債指數(shù)的日收盤價數(shù)據(jù)，得到對應(yīng)的日對數(shù)收益率序列，具體的計算公式如下：

Rt=(lnPt-lnPt-1)×100

(8)

其中，Pt和Pt-1分別為第t天和第t-1天的收盤價；Rt為對數(shù)收益率。

本文選取的時間范圍為2007年1月4日至2022年4月29日，樣本量共計3 726個，相關(guān)數(shù)據(jù)均來源于Wind數(shù)據(jù)庫，主要使用R軟件和Matlab軟件進(jìn)行模型運(yùn)算。

近年來，重大突發(fā)公共事件頻發(fā)，本文對重大突發(fā)公共事件的開始時間設(shè)置如下：第一，次貸危機(jī)爆發(fā)時間為2008年9月15日，該天雷曼兄弟宣布破產(chǎn)。第二，股票市場沖擊開始時間為2015年6月15日，該天股票價格劇烈震蕩。第三，中美貿(mào)易摩擦開始時間為2018年3月23日，該天美國對中國實(shí)施重大貿(mào)易制裁。第四，新冠肺炎疫情開始時間為2020年1月23日，該天武漢宣布“封城”。第五，俄烏沖突爆發(fā)時間為2022年2月24日，該天俄羅斯對烏克蘭正式發(fā)動戰(zhàn)爭。

(二)邊際分布擬合分析

根據(jù)TGARCH模型的AIC準(zhǔn)則，股票市場和公司債市場收益率序列的最優(yōu)擬合模型均可選擇AR(1)-TGARCH(1,1)模型，同時其標(biāo)準(zhǔn)殘差序列均服從有偏分布。TGARCH模型相關(guān)參數(shù)估計結(jié)果如表1所示。

表1 TGARCH模型的參數(shù)估計結(jié)果

從參數(shù)估計結(jié)果來看，ARCH項(xiàng)參數(shù)α均顯著，且股票市場的波動性更為顯著，對市場波動的反應(yīng)較為敏感。對于GARCH項(xiàng)參數(shù)β來說，股票市場的波動具有更強(qiáng)的聚集性特征，而公司債市場的聚集性相對較弱。對于非對稱效應(yīng)項(xiàng)參數(shù)λ來說，股票市場和公司債市場對不同的市場消息反應(yīng)具有非對稱性，股票市場的波動受到來自利空消息的沖擊和影響較大，而公司債市場的波動對于利好消息更為敏感。偏度參數(shù)γ反映股票市場和公司債市場的標(biāo)準(zhǔn)殘差序列均具有顯著的非對稱性，而形狀參數(shù)ξ刻畫其標(biāo)準(zhǔn)殘差序列的厚尾性特征。對于擬合效果而言，LB統(tǒng)計量的值表明股票市場與公司債市場的標(biāo)準(zhǔn)殘差序列不存在自相關(guān)現(xiàn)象。根據(jù)ARCH項(xiàng)可知，股票市場和公司債市場的標(biāo)準(zhǔn)殘差序列不存在ARCH效應(yīng)。因此，TGARCH模型對于股票市場和公司債市場的擬合效果較好，能夠較為系統(tǒng)和準(zhǔn)確地刻畫股票市場和公司債市場的實(shí)際狀況。

(三)極端風(fēng)險相依結(jié)構(gòu)分析

基于TGARCH模型的標(biāo)準(zhǔn)殘差序列數(shù)據(jù)，本文使用時變Copula模型的尾部相依系數(shù)來研究兩個市場之間的極端風(fēng)險相依結(jié)構(gòu)，時變Copula模型的相關(guān)參數(shù)估計結(jié)果如表2所示。

表2 時變Copula模型的參數(shù)估計結(jié)果

由表2可知，時變SJC Copula模型的AIC值為-3 295.4568，在五個時變Copula模型的AIC值中是最小的，其次為時變Student-t Copula模型，表明時變SJC Copula模型為最優(yōu)時變Copula模型，該模型的擬合效果最好，能夠準(zhǔn)確地刻畫出股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)。時變SJC Copula模型同時具有上尾相依系數(shù)和下尾相依系數(shù)，其下尾參數(shù)(ωL,αL,βL)為(0.3562,-4.8523, 1.1856)，上尾參數(shù)(ωU,αU,βU)為(2.3856, -7.8521, -1.0658)。本文基于時變SJC Copula模型的參數(shù)估計結(jié)果，進(jìn)一步計算該模型對應(yīng)的尾部相依系數(shù)，具體結(jié)果如圖1所示。

圖1 股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)

從圖1可以看出，兩個市場之間的極端風(fēng)險相依結(jié)構(gòu)具有如下特征：第一，股票市場與公司債市場之間的尾部相依系數(shù)均為正數(shù)，表明股票市場與公司債市場之間存在正相關(guān)關(guān)系，容易出現(xiàn)“同漲同跌”現(xiàn)象。第二，兩個市場之間的極端風(fēng)險相依結(jié)構(gòu)存在顯著的厚尾性和非對稱性，且下尾相依系數(shù)大于上尾相依系數(shù)。具體而言，股票市場與公司債市場之間的下尾相依系數(shù)均值為0.5358，大于其上尾相依系數(shù)均值0.4612。因此，股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)更容易受到行情下跌和金融危機(jī)等利空消息的沖擊和影響，其原因在于利空消息的出現(xiàn)，股票市場與公司債市場等金融市場之間的風(fēng)險加劇，進(jìn)而產(chǎn)生跨市場風(fēng)險傳染，其關(guān)聯(lián)度也會相應(yīng)提高。另外，從波動幅度來看，股票市場與公司債市場之間的下尾相依系數(shù)標(biāo)準(zhǔn)差為0.0852，略小于上尾相依系數(shù)標(biāo)準(zhǔn)差0.1207，表明股票市場與公司債市場的上尾相依結(jié)構(gòu)的波動性相對較大。第三，股票市場與公司債市場之間的下尾和上尾相依結(jié)構(gòu)的變化趨勢基本一致。2008年的次貸危機(jī)、2015年的股票市場沖擊、2018年的中美貿(mào)易摩擦和2020年的新冠肺炎疫情等重大突發(fā)公共事件對極端風(fēng)險相依結(jié)構(gòu)具有一定的影響，而2022年的俄烏沖突的相關(guān)影響較小。從單個金融市場來看，股票市場和公司債市場的價格波動均容易受到重大突發(fā)公共事件的沖擊，波動的幅度較大，同時從金融市場之間的聯(lián)動角度出發(fā)，重大突發(fā)公共事件促使股票市場與公司債市場等金融市場之間的風(fēng)險傳導(dǎo)進(jìn)一步增強(qiáng)，最終導(dǎo)致股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)增強(qiáng)。

(四)極端風(fēng)險溢出效應(yīng)分析

在分析股票市場與公司債市場之間極端風(fēng)險相依結(jié)構(gòu)的基礎(chǔ)上，本文繼續(xù)研究股票市場與公司債市場之間極端風(fēng)險溢出效應(yīng)。相比于相依結(jié)構(gòu)而言，風(fēng)險溢出不僅能描述風(fēng)險的強(qiáng)度，還能描述風(fēng)險發(fā)展的方向。本文基于時變SJC Copula模型的上下尾相依系數(shù)數(shù)據(jù)，使用時變Copula-CoVaR模型來測度股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)，包括股票市場對公司債市場的極端風(fēng)險溢出效應(yīng)和公司債市場對股票市場的極端風(fēng)險溢出效應(yīng)兩個部分，分析結(jié)果如圖2所示。

圖2 股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)

從圖2可以看出，兩個市場之間的極端風(fēng)險溢出效應(yīng)具有如下特征：第一，從尾部信息來看，類似于極端風(fēng)險相依結(jié)構(gòu)，股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)具有非對稱性和厚尾性特征。具體來說，股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)具有上尾風(fēng)險溢出效應(yīng)和下尾風(fēng)險溢出效應(yīng)，且下尾風(fēng)險溢出效應(yīng)大于上尾風(fēng)險溢出效應(yīng)。如股票市場對公司債市場的下尾風(fēng)險溢出效應(yīng)均值為6.8925，大于其上尾風(fēng)險溢出效應(yīng)均值6.2384，表明相對于利好消息而言，股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)受到來自利空消息的沖擊和影響更大。第二，從溢出方向來看，股票市場對公司債市場的極端風(fēng)險溢出效應(yīng)，大于公司債市場對股票市場的極端風(fēng)險溢出效應(yīng)。如股票市場對公司債市場的上尾風(fēng)險溢出效應(yīng)均值為6.2384，大于公司債市場對股票市場的上尾風(fēng)險溢出效應(yīng)均值4.1254，這表明股票市場與公司債市場之間的風(fēng)險溢出具有非對稱性，股票市場的極端風(fēng)險溢出效應(yīng)更強(qiáng)，其原因在于股票市場的價格波動對于重大突發(fā)公共事件和市場信息的反應(yīng)更為敏感。第三，從極端事件來看，重大突發(fā)公共事件對兩個市場之間的極端風(fēng)險溢出效應(yīng)的影響較大，包括2008年的次貸危機(jī)、2015年的股票市場沖擊、2018年的中美貿(mào)易摩擦、2020年的新冠肺炎疫情和2022年的俄烏沖突等，并以2008年的次貸危機(jī)和2015年的股票市場沖擊為代表的金融內(nèi)部重大突發(fā)公共事件的風(fēng)險影響程度顯著大于以中美貿(mào)易摩擦、新冠肺炎疫情和俄烏沖突為代表的金融外部重大突發(fā)公共事件的風(fēng)險影響程度，表明與金融相關(guān)的重大突發(fā)公共事件的風(fēng)險影響強(qiáng)于其他類型的重大突發(fā)公共事件。在重大突發(fā)公共事件發(fā)生后，股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)急劇增強(qiáng)，其原因在于重大突發(fā)公共事件的發(fā)生，使得股票市場和公司債市場的價格迅速下跌，發(fā)生極端風(fēng)險和重大損失的可能性攀升，在金融脆弱性理論和復(fù)雜網(wǎng)絡(luò)理論的作用下，當(dāng)股票市場和公司債市場風(fēng)險集聚到一定程度之后，就會產(chǎn)生風(fēng)險溢出和傳導(dǎo)。

四、結(jié)論與政策建議

本文考慮了不同維度的市場信息影響，基于股票市場沖擊、中美貿(mào)易摩擦和新冠肺炎疫情等重大突發(fā)公共事件的視角，對股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)和極端風(fēng)險溢出效應(yīng)進(jìn)行了系統(tǒng)研究和深入分析。具體而言，基于滬深300指數(shù)和中證公司債指數(shù)的日收益率數(shù)據(jù)，根據(jù)有偏t分布的AR(1)-TGARCH(1,1)模型來擬合股票市場與公司債市場的邊際分布，通過時變SJC Copula模型的尾部相依系數(shù)來刻畫股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)，使用時變SJC Copula-CoVaR模型來度量股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)。結(jié)果表明：首先，股票市場與公司債市場之間存在正向的相依性，兩者之間的相依結(jié)構(gòu)存在時變性、非對稱性和厚尾性等特征，更容易受到行情下跌和金融危機(jī)等利空消息的沖擊和影響。同時，重大突發(fā)公共事件對股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)具有一定的影響，此時的股票市場與公司債市場之間的極端風(fēng)險相依結(jié)構(gòu)呈現(xiàn)一定的增強(qiáng)趨勢。其次，相比于公司債市場對股票市場的極端風(fēng)險溢出效應(yīng)而言，股票市場對公司債市場的極端風(fēng)險溢出效應(yīng)程度更強(qiáng)，反映股票市場的風(fēng)險溢出影響力更強(qiáng)，兩者之間的極端風(fēng)險溢出是非對稱的。同時，股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)同樣受到利空消息的影響較大，其下尾風(fēng)險溢出效應(yīng)大于上尾風(fēng)險溢出效應(yīng)。最后，股票市場與公司債市場之間的極端風(fēng)險溢出效應(yīng)受到次貸危機(jī)、股票市場沖擊、中美貿(mào)易摩擦、新冠肺炎疫情和俄烏沖突等重大突發(fā)公共事件的影響較大。在重大突發(fā)公共事件發(fā)生后，兩者之間的極端風(fēng)險溢出效應(yīng)急劇增強(qiáng)，波動幅度更大。

為了更為有效地防控股票市場與公司債市場之間相關(guān)風(fēng)險的傳導(dǎo)和擴(kuò)散，筆者提出如下政策建議：首先，從風(fēng)險溢出來看，完善宏觀審慎政策與宏觀經(jīng)濟(jì)政策的協(xié)調(diào)機(jī)制，防止跨市場的風(fēng)險溢出和傳導(dǎo)。股票市場與公司債市場之間存在較強(qiáng)的風(fēng)險相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)，甚至能夠誘發(fā)系統(tǒng)性金融風(fēng)險，不能單獨(dú)地對其中一個市場進(jìn)行微觀審慎監(jiān)管，而是通過宏觀審慎政策和宏觀經(jīng)濟(jì)政策進(jìn)行綜合風(fēng)險防控。其次，從極端風(fēng)險來看，健全重大突發(fā)公共事件的應(yīng)急機(jī)制，防止金融極端風(fēng)險的急劇增強(qiáng)和劇烈震蕩。以次貸危機(jī)為代表的金融內(nèi)部重大突發(fā)公共事件和以新冠肺炎疫情為代表的金融外部重大突發(fā)公共事件，對股票市場和公司債市場產(chǎn)生極端風(fēng)險溢出效應(yīng)的影響較大，要想減少這些極端事件對市場穩(wěn)定性產(chǎn)生的沖擊，就必須要進(jìn)一步健全重大突發(fā)公共事件的應(yīng)急機(jī)制。最后，從投資主體的投資來看，要樹立理性投資的風(fēng)險管理理念，防止非理性行為造成的風(fēng)險和損失。股票市場和公司債市場作為重要的投融資渠道，投資者在確定投資行為時，需要樹立科學(xué)的投資理念。對于機(jī)構(gòu)投資者而言，不僅要綜合考慮重大突發(fā)公共事件的短期和長期影響，還要關(guān)注市場前景、行業(yè)發(fā)展趨勢和國家政策動向等，積極探尋和布局新的發(fā)展賽道，發(fā)揮專業(yè)、資金和信息方面的優(yōu)勢，運(yùn)用科學(xué)的風(fēng)險模型作出合理的預(yù)測和判斷，為相關(guān)機(jī)構(gòu)和企業(yè)提供專業(yè)的投資咨詢服務(wù)，使其資產(chǎn)得到保值增值，風(fēng)險得到有效控制。對于個人投資者而言，要結(jié)合自身的實(shí)際需求，投資資金要量力而行，投資渠道要多元化，做到不盲目跟從其他人的投資行為，不聽信市場謠言和小道消息，不要過度貪圖高回報的“虛假”產(chǎn)品，遇到極端風(fēng)險和損失時不要恐慌，理性看待市場行情下跌和金融危機(jī)等利空消息，注重投資的長遠(yuǎn)利益。從投資的資產(chǎn)組合策略來看，機(jī)構(gòu)投資者和個人投資者均要及時根據(jù)市場行情以及自身實(shí)際情況，對于不同的經(jīng)濟(jì)周期和市場尾部信息，要適時調(diào)整資產(chǎn)組合的重心和策略，不斷優(yōu)化股票和公司債券的投資組合結(jié)構(gòu)，正確認(rèn)識股票市場與公司債市場之間的風(fēng)險關(guān)聯(lián)，將其風(fēng)險和損失最小化。