張蕊　盧俊香

摘要：當(dāng)前各金融行業(yè)之間的聯(lián)系日益密切，風(fēng)險(xiǎn)溢出進(jìn)一步增強(qiáng)。在這一背景下，本文構(gòu)建Vine-Copula模型，刻畫銀行業(yè)、保險(xiǎn)業(yè)、基金業(yè)和證券業(yè)之間的風(fēng)險(xiǎn)相依關(guān)系，將上行廣義CoVaR與下行廣義CoVaR置于同一結(jié)構(gòu)中，進(jìn)一步研究當(dāng)某一行業(yè)陷入風(fēng)險(xiǎn)時(shí)對其他金融行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)。實(shí)證結(jié)果顯示，各金融行業(yè)均存在顯著的正向風(fēng)險(xiǎn)溢出效應(yīng)，上行風(fēng)險(xiǎn)溢出與下行風(fēng)險(xiǎn)溢出表現(xiàn)出非對稱性。分行業(yè)而言，證券業(yè)對其他行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)最強(qiáng)，銀行業(yè)和基金業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)較為平穩(wěn)，而保險(xiǎn)業(yè)的風(fēng)險(xiǎn)溢出也處于較高水平，應(yīng)當(dāng)重點(diǎn)關(guān)注證券業(yè)與保險(xiǎn)業(yè)之間的風(fēng)險(xiǎn)溢出效應(yīng)。本文研究明晰了金融行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)，有助于對我國經(jīng)濟(jì)“三期疊加”階段性特征進(jìn)行科學(xué)理解與準(zhǔn)確研判，為防范與化解重大金融風(fēng)險(xiǎn)提供參考依據(jù)。

關(guān)鍵詞：金融行業(yè)；風(fēng)險(xiǎn)溢出；Vine-Copula；廣義CoVaR

中圖分類號：F832.5? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ? 文章編號：1007-0753（2023）08-0078-09

一、引言

隨著我國經(jīng)濟(jì)的快速發(fā)展，各金融行業(yè)間的風(fēng)險(xiǎn)關(guān)聯(lián)逐漸密切，結(jié)構(gòu)模式趨于復(fù)雜，各行業(yè)除了面臨自身風(fēng)險(xiǎn)之外，還易受其他因素的影響。尤其是在重大突發(fā)事件的負(fù)面沖擊下，行業(yè)間風(fēng)險(xiǎn)傳染的范圍與強(qiáng)度難以預(yù)測。如2015年資本市場發(fā)生的“股災(zāi)”，其以較高的風(fēng)險(xiǎn)溢出水平，從金融行業(yè)波及實(shí)體經(jīng)濟(jì)；2018年發(fā)生的中美經(jīng)貿(mào)摩擦與2020年暴發(fā)的新冠肺炎疫情等重大事件，均對金融市場產(chǎn)生了巨大沖擊。因此，明晰我國金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)，有利于對重大金融風(fēng)險(xiǎn)隱患進(jìn)行準(zhǔn)確預(yù)防，進(jìn)一步為維護(hù)我國經(jīng)濟(jì)穩(wěn)定提供參考依據(jù)。

近年來，針對金融市場間風(fēng)險(xiǎn)溢出效應(yīng)的研究方法大致分為兩類：一類探究金融市場間風(fēng)險(xiǎn)溢出的相關(guān)性，主要應(yīng)用線性相關(guān)系數(shù)法、格蘭杰因果檢驗(yàn)法、DCC-GARCH族模型和Copula模型（King，1990；Eun和Shim，1989；Hamao等，1990；Constantin等，2018）；另一類則針對實(shí)際研究中金融市場間的相關(guān)關(guān)系復(fù)雜多樣、數(shù)據(jù)所表現(xiàn)出的尖峰厚尾和聚集效應(yīng)等特點(diǎn)，使用CoVaR模型度量金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)。一些學(xué)者采用分位數(shù)回歸法、GARCH模型計(jì)算CoVaR，來研究我國金融市場各行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)（謝福座，2010；嚴(yán)偉祥和徐玉華，2017；王曦等，2022）。但由于分位數(shù)回歸方法以及GARCH模型不能刻畫非線性結(jié)構(gòu)，學(xué)者們轉(zhuǎn)而通過Copula計(jì)算CoVaR來刻畫變量間的相依關(guān)系及風(fēng)險(xiǎn)溢出效應(yīng)。Mainik和schaanning（2014）用Copula函數(shù)計(jì)算廣義CoVaR，實(shí)證表明廣義CoVaR能更好地刻畫風(fēng)險(xiǎn)溢出的方向和強(qiáng)度；曹潔和雷良海（2019）選用時(shí)變Copula動(dòng)態(tài)廣義CoVaR模型研究我國金融行業(yè)與實(shí)體經(jīng)濟(jì)之間的風(fēng)險(xiǎn)溢出效應(yīng)，研究結(jié)果表明實(shí)體經(jīng)濟(jì)與金融行業(yè)存在雙向風(fēng)險(xiǎn)溢出效應(yīng)；一些學(xué)者還采用Copula-CoVaR模型研究了新型互聯(lián)網(wǎng)金融行業(yè)與傳統(tǒng)金融行業(yè)以及實(shí)體經(jīng)濟(jì)間的風(fēng)險(xiǎn)溢出效應(yīng)（李竹薇等，2021；李欣璐等，2021；方國斌等，2022）。在系統(tǒng)性金融風(fēng)險(xiǎn)的測度方面，王劍和杜紅軍（2023）選取各種Copula函數(shù)精確計(jì)算廣義CoVaR，研究我國傳統(tǒng)金融銀行業(yè)、保險(xiǎn)業(yè)、證券業(yè)以及多元金融的系統(tǒng)性風(fēng)險(xiǎn)，結(jié)果表明金融機(jī)構(gòu)個(gè)體風(fēng)險(xiǎn)與系統(tǒng)性風(fēng)險(xiǎn)的相關(guān)性較弱；吳堅(jiān)和顧緯清（2021）依靠多個(gè)指標(biāo)，構(gòu)建了我國系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并以證券市場數(shù)據(jù)對其進(jìn)行驗(yàn)證研究；程雪軍等（2023）將證券風(fēng)險(xiǎn)劃分為多種風(fēng)險(xiǎn)，研究我國金融資產(chǎn)證券化風(fēng)險(xiǎn)。

我國金融市場正處于關(guān)鍵轉(zhuǎn)型階段，各行業(yè)易受重大突發(fā)事件影響，產(chǎn)生極端風(fēng)險(xiǎn)溢出，但綜合已有文獻(xiàn)，大部分學(xué)者從金融機(jī)構(gòu)整體或系統(tǒng)性金融風(fēng)險(xiǎn)視角刻畫了我國金融市場間的傳染效應(yīng)，對行業(yè)間的風(fēng)險(xiǎn)相依結(jié)構(gòu)與風(fēng)險(xiǎn)溢出強(qiáng)度探究較少。為此，本文主要從以下兩方面對我國金融市場間的風(fēng)險(xiǎn)溢出進(jìn)行研究：首先，從行業(yè)視角出發(fā)，以銀行業(yè)、保險(xiǎn)業(yè)、基金業(yè)和證券業(yè)作為研究對象，分析我國金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)；其次，與以往只采用傳統(tǒng)CoVaR研究單邊下行風(fēng)險(xiǎn)溢出不同，本文采用時(shí)間序列Vine-Copula廣義CoVaR模型，將單邊上行風(fēng)險(xiǎn)溢出考慮在內(nèi)，研究不同金融行業(yè)間的風(fēng)險(xiǎn)溢出，其不單可以描述風(fēng)險(xiǎn)溢出水平隨著時(shí)間變化的上下波動(dòng)趨勢，同時(shí)還擴(kuò)大了研究對象的數(shù)據(jù)集，進(jìn)一步反映更加極端的風(fēng)險(xiǎn)溢出，為準(zhǔn)確描述我國金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)提供依據(jù)。

二、理論基礎(chǔ)與方法

（一）邊緣分布構(gòu)建

（二）Vine-Copula模型理論

（三）基于Copula函數(shù)的廣義CoVaR模型

三、實(shí)證研究

（一）數(shù)據(jù)的選取及描述性統(tǒng)計(jì)

（二）邊緣分布估計(jì)及檢驗(yàn)結(jié)果

本文采用GARCH（1，1）模型對各收益率序列進(jìn)行邊緣分布估計(jì)，其中標(biāo)準(zhǔn)化殘差的分布類型可根據(jù)極大似然估計(jì)值最大、AIC最小原則，從t分布、偏t分布、GED分布和標(biāo)準(zhǔn)正態(tài)分布中選出，結(jié)果如表2所示。

根據(jù)極大似然估計(jì)值最大、AIC最小原則可知，在不同分布檢驗(yàn)驅(qū)動(dòng)下的GARCH（1，1）模型中，偏t-GARCH（1，1）模型對各行業(yè)指數(shù)的收益率序列邊緣分布的擬合效果最好，參數(shù)估計(jì)結(jié)果如表3所示。

由表3可知，GARCH模型中的參數(shù)均顯著且滿足αi + βi＜1，表明GARCH模型收斂；由偏t-GARCH模型邊緣分布擬合結(jié)果可知，skew和shape參數(shù)顯著通過檢驗(yàn)，其對擬研究序列的非對稱與尖峰厚尾特性的刻畫較為準(zhǔn)確；邊緣分布擬合處理后的標(biāo)準(zhǔn)殘差序列ARCH-LM檢驗(yàn)結(jié)果表明偏t-GARCH（1，1）模型對各原收益率序列的ARCH效應(yīng)有較好的消除作用，標(biāo)準(zhǔn)殘差序列均不存在ARCH效應(yīng)，且概率積分轉(zhuǎn)換后的序列均通過KS檢驗(yàn)，服從（0，1）均勻分布的原假設(shè)。綜上所述，對標(biāo)準(zhǔn)化殘差序列進(jìn)行概率積分轉(zhuǎn)換處理后的新序列已滿足構(gòu)建Copula函數(shù)的條件。

（三）Vine-Copula模型的構(gòu)建

本文基于R語言仿真對概率積分轉(zhuǎn)換后的時(shí)間序列構(gòu)建C-Vine Copula模型和D-Vine Copula模型，根據(jù)AIC、BIC準(zhǔn)則與對數(shù)似然比選出最優(yōu)Copula藤結(jié)構(gòu)。由實(shí)驗(yàn)結(jié)果可知C-Vine Copula模型擬合效果最好，能準(zhǔn)確刻畫金融行業(yè)間的風(fēng)險(xiǎn)相關(guān)關(guān)系。在C-Vine Copula模型構(gòu)建中選取銀行業(yè)作為第一層樹結(jié)構(gòu)的第一個(gè)節(jié)點(diǎn)，其余變量根據(jù)秩相關(guān)系數(shù)進(jìn)行排序，參數(shù)估計(jì)結(jié)果見表4，C-Vine模型結(jié)構(gòu)見圖1，圖1中的1、2、3、4依次代表保險(xiǎn)業(yè)、基金業(yè)、銀行業(yè)和證券業(yè)。

通過實(shí)驗(yàn)結(jié)果可知，各金融市場間的最優(yōu)連接函數(shù)均為t-Copula函數(shù)，其可以描述具有對稱的尾部相關(guān)性的金融行業(yè)間風(fēng)險(xiǎn)溢出效應(yīng)。其中，第一層樹結(jié)構(gòu)中，銀行業(yè)與各行業(yè)的相關(guān)系數(shù)由大到小依次是保險(xiǎn)業(yè)、證券業(yè)和基金業(yè)，這表明當(dāng)銀行業(yè)股票出現(xiàn)下跌行情時(shí)，保險(xiǎn)業(yè)出現(xiàn)下跌的可能性最大，基金業(yè)出現(xiàn)下跌的可能性相對較小。第二層樹結(jié)構(gòu)中，各行業(yè)間的相關(guān)性逐漸降低，保險(xiǎn)業(yè)和證券業(yè)間的秩相關(guān)系數(shù)為0.21，基金業(yè)和證券業(yè)間的秩相關(guān)系數(shù)為0.31；最后一層樹結(jié)構(gòu)中，隨著資產(chǎn)數(shù)量的不斷增加，各行業(yè)間的秩相關(guān)系數(shù)逐漸減小，相關(guān)性逐漸減弱。各行業(yè)市場波動(dòng)的敏感性與易擴(kuò)散性使得金融系統(tǒng)受到的沖擊被放大并擴(kuò)散至其他行業(yè)。下一步本文將構(gòu)建Copula廣義CoVaR模型，進(jìn)一步準(zhǔn)確度量各行業(yè)間的風(fēng)險(xiǎn)溢出強(qiáng)度。

（四）CoVaR計(jì)算結(jié)果

本文通過R語言仿真，使用Copula廣義CoVaR模型，計(jì)算出置信水平為0.05與0.95條件下保險(xiǎn)業(yè)、基金業(yè)、銀行業(yè)和證券業(yè)間的風(fēng)險(xiǎn)溢出水平，即上行/下行CoVaR隨時(shí)間波動(dòng)結(jié)果，如圖2—圖5所示。

由實(shí)驗(yàn)結(jié)果可知，我國各金融行業(yè)間的風(fēng)險(xiǎn)溢出水平上行CoVaR與下行CoVaR受突發(fā)事件影響波動(dòng)較為明顯，尤其是2015年資本市場發(fā)生的“股災(zāi)”、2018年發(fā)生的中美經(jīng)貿(mào)摩擦以及2020年暴發(fā)的新冠肺炎疫情等重大事件，均對金融市場產(chǎn)生了一定沖擊，風(fēng)險(xiǎn)溢出水平峰值較高?？v向來看，各行業(yè)間上行/下行風(fēng)險(xiǎn)溢出效應(yīng)波動(dòng)呈現(xiàn)出非對稱性，市場出現(xiàn)高漲或低迷行情時(shí)對其他行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度不同，同一時(shí)間證券業(yè)、銀行業(yè)和保險(xiǎn)業(yè)對其他行業(yè)的上行風(fēng)險(xiǎn)溢出水平均高于下行風(fēng)險(xiǎn)溢出水平；橫向來看，某一行業(yè)對其余各金融行業(yè)的風(fēng)險(xiǎn)溢出水平波動(dòng)趨勢相似。從上行風(fēng)險(xiǎn)來看，各行業(yè)間存在正向上行風(fēng)險(xiǎn)溢出效應(yīng)，上行CoVaR值均大于VaR值，說明當(dāng)其中一行業(yè)處于市場高漲行情時(shí)，會帶動(dòng)另一行業(yè)市場出現(xiàn)上漲行情；從下行風(fēng)險(xiǎn)來看，各行業(yè)間存在正向下行風(fēng)險(xiǎn)溢出效應(yīng)，即下行CoVaR值均小于VaR值，說明當(dāng)其中一行業(yè)處于極端下跌行情時(shí)，會加劇另一行業(yè)所面臨的風(fēng)險(xiǎn)，說明各行業(yè)間的密切聯(lián)系加劇了風(fēng)險(xiǎn)的相互傳染。

進(jìn)一步分析各行業(yè)間風(fēng)險(xiǎn)溢出波動(dòng)趨勢，以保險(xiǎn)業(yè)為例，其對其余各金融行業(yè)的風(fēng)險(xiǎn)溢出均在2015年波動(dòng)最為激烈、持續(xù)時(shí)間較長且呈現(xiàn)較高峰值，在此期間保險(xiǎn)業(yè)對基金業(yè)的上行風(fēng)險(xiǎn)要低于其對銀行業(yè)與證券業(yè)的上行風(fēng)險(xiǎn)，實(shí)際表現(xiàn)為保險(xiǎn)業(yè)市場高漲時(shí)，基金業(yè)受到的風(fēng)險(xiǎn)溢出效果較弱。在2016年后的短期內(nèi)，四個(gè)行業(yè)均呈現(xiàn)出上行/下行風(fēng)險(xiǎn)溢出相對趨于平緩的特點(diǎn)，2020年疫情的暴發(fā)在一定程度上也加劇了我國金融行業(yè)間的風(fēng)險(xiǎn)相依關(guān)系與風(fēng)險(xiǎn)溢出強(qiáng)度。為進(jìn)一步分析我國各行業(yè)間的風(fēng)險(xiǎn)溢出水平，計(jì)算了各行業(yè)間上行/下行CoVaR均值，其結(jié)果如表5所示。

由表5可知，各行業(yè)間的風(fēng)險(xiǎn)溢出水平存在差異性，基金業(yè)與銀行業(yè)對其他行業(yè)的風(fēng)險(xiǎn)溢出水平明顯低于證券業(yè)與保險(xiǎn)業(yè)對其他行業(yè)的風(fēng)險(xiǎn)溢出水平。就證券業(yè)而言，無論是上行風(fēng)險(xiǎn)溢出效應(yīng)或是下行風(fēng)險(xiǎn)溢出效應(yīng)，證券業(yè)對其他各行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度均最大。具體而言，證券市場高漲時(shí)對保險(xiǎn)業(yè)的風(fēng)險(xiǎn)溢出水平為9.376 4，市場低迷時(shí)為-8.365 9，表明當(dāng)證券業(yè)市場出現(xiàn)高漲或低迷行情時(shí)，對保險(xiǎn)業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)最為強(qiáng)烈，高于其對基金業(yè)和銀行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度。隨著近年來證券業(yè)的不斷發(fā)展，其自身風(fēng)險(xiǎn)水平以及對其他行業(yè)的風(fēng)險(xiǎn)溢出也在逐漸增加，需更加重視證券業(yè)對其他行業(yè)的風(fēng)險(xiǎn)外溢影響。銀行業(yè)總體而言對其他各金融行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度最弱，這可能是因?yàn)殂y行業(yè)作為現(xiàn)代金融經(jīng)濟(jì)的核心與實(shí)體經(jīng)濟(jì)的血脈，和其他行業(yè)相比規(guī)模最大，是我國金融市場的基礎(chǔ)行業(yè)，政府對于銀行業(yè)的監(jiān)管較嚴(yán)，風(fēng)險(xiǎn)能夠得到較好的控制。銀行業(yè)上下行風(fēng)險(xiǎn)溢出強(qiáng)度從小到大依次為基金業(yè)<證券業(yè)<保險(xiǎn)業(yè)，說明其無論處于高漲情形抑或低迷情形，對保險(xiǎn)業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度都大于對其他行業(yè)的溢出強(qiáng)度。反觀保險(xiǎn)業(yè)，其也以較強(qiáng)力度向證券業(yè)和銀行業(yè)輸出風(fēng)險(xiǎn)，保險(xiǎn)業(yè)對其他行業(yè)的風(fēng)險(xiǎn)溢出在金融系統(tǒng)中占據(jù)越來越重要的位置，需要予以重點(diǎn)關(guān)注，建立相應(yīng)的預(yù)警機(jī)制。基金業(yè)對其他各行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度相似，與銀行業(yè)一樣表現(xiàn)出較為穩(wěn)定的特征。

四、結(jié)論與建議

在我國金融市場多元化的背景下，金融業(yè)突破分業(yè)經(jīng)營的趨勢日益明顯，行業(yè)間信息交流愈加頻繁，這些跨行業(yè)以及混業(yè)經(jīng)營模式中創(chuàng)新開發(fā)出的金融產(chǎn)品在使得我國金融市場各行業(yè)間關(guān)聯(lián)度增加的同時(shí)，也導(dǎo)致風(fēng)險(xiǎn)溢出效應(yīng)不斷加強(qiáng)。為進(jìn)一步研究我國金融市場的風(fēng)險(xiǎn)溢出效應(yīng)，本文選取銀行業(yè)、保險(xiǎn)業(yè)、證券業(yè)和基金業(yè)作為研究對象，基于GARCH-C-Vine Copula模型刻畫金融市場間的非線性風(fēng)險(xiǎn)相依關(guān)系，并通過Copula計(jì)算廣義CoVaR來研究我國金融市場間上行/下行風(fēng)險(xiǎn)溢出效應(yīng)。研究結(jié)論如下：第一，各金融市場間的上行/下行風(fēng)險(xiǎn)溢出效應(yīng)表現(xiàn)出非對稱性現(xiàn)象，在市場出現(xiàn)高漲或低迷行情時(shí)對其他行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度不同；第二，各金融市場間均存在顯著的正向風(fēng)險(xiǎn)溢出效應(yīng)，但不同金融市場間的風(fēng)險(xiǎn)溢出強(qiáng)度存在差異，銀行業(yè)對其他各行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)最弱，證券業(yè)對其他行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)最強(qiáng)烈。總體而言，金融行業(yè)間的風(fēng)險(xiǎn)關(guān)聯(lián)密切，結(jié)構(gòu)模式復(fù)雜，深入研究金融行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)對于實(shí)現(xiàn)金融市場的穩(wěn)定、促進(jìn)經(jīng)濟(jì)發(fā)展具有重要意義?；谘芯拷Y(jié)論，本文提出以下政策建議：

一是由于證券業(yè)對其他行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)較強(qiáng)，應(yīng)重視證券業(yè)與其他金融行業(yè)間復(fù)雜的風(fēng)險(xiǎn)相依關(guān)系，針對以證券業(yè)為核心的風(fēng)險(xiǎn)傳染體系建立風(fēng)險(xiǎn)隔離屏障，尤其要加強(qiáng)對證券業(yè)與保險(xiǎn)業(yè)間風(fēng)險(xiǎn)相互傳染的防控力度。二是由于各金融行業(yè)間風(fēng)險(xiǎn)溢出效應(yīng)存在差異，針對不同風(fēng)險(xiǎn)等級與風(fēng)險(xiǎn)特征的金融機(jī)構(gòu)，應(yīng)實(shí)行不同監(jiān)管政策，分行業(yè)分層進(jìn)行動(dòng)態(tài)監(jiān)管。三是應(yīng)注重金融教育與金融知識的普及，深化公眾對證券類金融風(fēng)險(xiǎn)的認(rèn)識和理解，加強(qiáng)投資者的風(fēng)險(xiǎn)意識和防范意識?？偠灾?，監(jiān)管部門應(yīng)提高風(fēng)險(xiǎn)管理的主動(dòng)性與前瞻性，避免因外部環(huán)境因素影響而引起金融市場劇烈波動(dòng)，防止金融風(fēng)險(xiǎn)迅速擴(kuò)散到實(shí)體經(jīng)濟(jì)中，最大程度處理和化解系統(tǒng)性金融風(fēng)險(xiǎn)，為實(shí)現(xiàn)更高質(zhì)量、更有效率、更加公平、更可持續(xù)、更為安全的經(jīng)濟(jì)發(fā)展保駕護(hù)航。

參考文獻(xiàn)：

[1] KING M A， WADHWANI S. Transmission of volatility between stock markets[J]. The Review of Financial Studies， 1990， 3（01）： 5-33.

[2] EUN C S， SHIM S. International transmission of stock market movements[J]. Journal of financial and quantitative Analysis， 1989， 24（02）： 241-256.

[3] HAMAO Y，MASULIS R W，NG V．Correlations in price changes and volatility across international stock markets[J].The Review of Financial Studies，1990，3（02）：281-307.

[4] CONSTANTIN A，PELTONEN T A，SARLIN P.Network linkages to predict bank distress[J]. Journal of Financial Stability，2018，35：226-241．

[5]謝福座.基于CoVaR方法的金融風(fēng)險(xiǎn)溢出效應(yīng)研究[J]. 金融發(fā)展研究， 2010， 342（06）： 59-63.

[6]嚴(yán)偉祥， 徐玉華. 基于分層阿基米德Copula的金融行業(yè)尾部風(fēng)險(xiǎn)相依性研究[J]. 金融經(jīng)濟(jì)學(xué)研究， 2017，32（06）：23-33.

[7]王曦，劉源，趙苗.行業(yè)視角下我國金融風(fēng)險(xiǎn)溢出效應(yīng)實(shí)證研究[J].中國物價(jià)，2022，33（01）：85-89.

[8] MAINIK G，SCHAANNING E.On dependence consistency of CoVaRand some other systemic risk measures[J].Statistics & Risk Modeling，2014，31（01）：49-77．

[9]曹潔， 雷良海. 基于動(dòng)態(tài)廣義△CoVaR方法的金融與實(shí)體行業(yè)風(fēng)險(xiǎn)溢出效應(yīng)[J].系統(tǒng)工程，2019，37（03）：122-131.

[10]李竹薇， 劉森楠， 李小鳳， 等. 互聯(lián)網(wǎng)金融與傳統(tǒng)金融之間的廣義動(dòng)態(tài)風(fēng)險(xiǎn)溢出——基于Copula-ARMA-GARCH-CoVaR的實(shí)證研究[J].系統(tǒng)工程，2021， 39（04）：126-138.

[11]李欣璐，李程.互聯(lián)網(wǎng)金融與實(shí)體行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)研究——基于GARCH-時(shí)變Copula-CoVaR模型的實(shí)證分析[J]. 福建金融，2021，436（08）：13-22.

[12]方國斌，陳靜.互聯(lián)網(wǎng)金融與傳統(tǒng)金融市場風(fēng)險(xiǎn)聯(lián)動(dòng)性研究[J]. 統(tǒng)計(jì)與決策，2022，38（24）：134-138.

[13]王劍，杜紅軍.非對稱尾部相依視角下的金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)研究[J].金融經(jīng)濟(jì)，2023，561（03）：54-69.

[14]吳堅(jiān)，顧維清.我國系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建——基于證券市場視角[J].當(dāng)代金融研究， 2021（Z5）：60-69.

[15]程雪軍，趙暢，李正雨.論消費(fèi)金融資產(chǎn)證券化的風(fēng)險(xiǎn)防范：從美國次貸危機(jī)切入[J].西南金融， 2023（06）：56-68.

[16] BOLLERSLEV T. Generalized autoregressive conditional heteroskedasticity[J]. Journal of econometrics， 1986， 31（03）：307-327.

[17] ADRIAN T， BRUNNERMEIER M K. CoVaR[J]. Federal Reserve Bank of New York Working Paper， 2008， No. 348.

[18] GIRARDI G，TOLGA ERG?N A.Systemic risk measurement：Multivariate GARCH estimation of CoVaR[J]. Journal of Banking & Finance，2013，37（08）：3 169-3 180．

[19] SKLAR A. Fonctions de répartition à n dimensions et leursmarges[J]. Publication de L'Insititut de Statistiquede de L'Universite de Paris， 1959， 8（01）：229-231.

[20] BEDFORD T， COOKE R M. Probability Density Decomposition for Conditionally Dependent Random Variables Modeled by Vines[J]. Annals of Mathematics and Artificial Intelligence， 2001， 32（01）：245-268.

[21] REBOREDO J C，RIVERA-CASTRO M A，UGOLINI A．Downside and upside risk spillovers between exchange rates and stock prices[J].Journal of Banking & Finance，2016，62：76-96．

（責(zé)任編輯：唐詩柔）

Research on Risk Spillover between China's Financial Markets Based

on Vine-Copula Generalized CoVaR Model

Zhang Rui，Lu Junxiang

（School of Science， Xi'an Polytechnic University）

Abstract： This paper constructs a Vine-Copula model to characterize the risk dependencies between banking， insurance， fund management and securities industries， and incorporates upside generalized CoVaR and downside generalized CoVaR into one framework to further study the risk spillover effects on other financial industries when one industry is in distress. The empirical results show that there exist significant positive risk spillover effects across financial industries， and upside and downside risk spillovers demonstrate asymmetry. In terms of industries， the risk spillover effect of securities industry on other industries is the strongest， while the risk spillover effects of banking and fund management industries are relatively stable， and the risk spillover of insurance industry is also at a high level. The risk spillover effects between securities and insurance industries should be closely monitored. This study clarifies the risk spillover effects among financial industries， which helps scientifically understand and accurately judge the periodic characteristics of China's economy in the 'three periods overlap' stage， and provides references for preventing and defusing major financial risks.

Keywords： Financial industry; Risk spillover; Vine-Copula; Generalized CoVaR