李博陽(yáng), 張嘉望, 沈 悅

(1.長(zhǎng)安大學(xué) 經(jīng)濟(jì)與管理學(xué)院,陜西 西安 710064; 2.陜西師范大學(xué) 國(guó)際商學(xué)院,陜西 西安 710119; 3.西安交通大學(xué) 經(jīng)濟(jì)與金融學(xué)院,陜西 西安 710061)

0 引言

金融市場(chǎng)的脆弱性源自于金融市場(chǎng)的波動(dòng)性和跨市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)(宮曉莉和熊熊[1])?，F(xiàn)有關(guān)于跨市場(chǎng)風(fēng)險(xiǎn)溢出效應(yīng)的文獻(xiàn)可分為兩個(gè)主要的研究方向,其一以單一金融市場(chǎng)作為研究對(duì)象,重點(diǎn)考察其跨國(guó)風(fēng)險(xiǎn)溢出效應(yīng)。VANSTEENKISTE和 HIEBERT[2]運(yùn)用VAR模型對(duì)歐洲的跨國(guó)數(shù)據(jù)研究發(fā)現(xiàn),歐洲不同國(guó)家房?jī)r(jià)波動(dòng)具有明顯的溢出效應(yīng)。劉海云和呂龍[3]利用多元波動(dòng)率模型考察了全球40個(gè)股票市場(chǎng)間的風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)特征,研究發(fā)現(xiàn)發(fā)達(dá)國(guó)家對(duì)外風(fēng)險(xiǎn)溢出效應(yīng)高于發(fā)展中國(guó)家。方意和賈妍妍[4]在重大突發(fā)公共事件的背景下研究了全球外匯市場(chǎng)風(fēng)險(xiǎn)的網(wǎng)絡(luò)變化及其對(duì)中國(guó)的影響。郭文偉等[5]分析了全球29個(gè)國(guó)家股票市場(chǎng)間的動(dòng)態(tài)相依結(jié)構(gòu)和風(fēng)險(xiǎn)溢出效應(yīng),發(fā)現(xiàn)全球股市具有顯著的洲際聚集特征。

還有研究著重探究一國(guó)金融子市場(chǎng)之間的風(fēng)險(xiǎn)溢出效應(yīng),并多是分析某兩個(gè)金融市場(chǎng)間的風(fēng)險(xiǎn)溢出。例如股票市場(chǎng)和債券市場(chǎng)(史永東等[6]),股票市場(chǎng)和外匯市場(chǎng)(ANDREOU等[7]),股票市場(chǎng)和貨幣市場(chǎng)(譚德凱等[8]),股票市場(chǎng)和房地產(chǎn)市場(chǎng)(戚逸康等[9])以及外匯市場(chǎng)和房地產(chǎn)市場(chǎng)(孫天琦和王笑笑[10])等。還有部分文獻(xiàn)探討了多個(gè)金融市場(chǎng)之間的風(fēng)險(xiǎn)溢出效應(yīng),例如BAROT和YANG[11]使用協(xié)整檢驗(yàn)證明瑞典房?jī)r(jià)、股價(jià)以及國(guó)債價(jià)格之間存在著一種長(zhǎng)期的均衡關(guān)系,三個(gè)變量的運(yùn)動(dòng)軌跡比較類似,因此股票價(jià)格的波動(dòng)對(duì)于房地產(chǎn)投資者確定投資時(shí)機(jī)等事件具有比較有價(jià)值的指導(dǎo)性作用。GILDERBLOOM等[12]在對(duì)股票市場(chǎng)、債券市場(chǎng)和房地產(chǎn)市場(chǎng)的協(xié)同作用進(jìn)行短期收益和價(jià)格變化分析時(shí)發(fā)現(xiàn),美國(guó)、德國(guó)及英國(guó)的金融市場(chǎng)波動(dòng)狀況存在著相似性。早期的研究主要關(guān)注金融市場(chǎng)間的收益率溢出關(guān)系和動(dòng)態(tài)相關(guān)性。方意等[13]基于動(dòng)態(tài)事件分析法研究了重大公共衛(wèi)生事件對(duì)股票、債券、貨幣和外匯市場(chǎng)的沖擊作用,發(fā)現(xiàn)新冠疫情會(huì)對(duì)金融市場(chǎng)自身風(fēng)險(xiǎn)及風(fēng)險(xiǎn)溢出效應(yīng)帶來(lái)顯著影響。可以看出這一支文獻(xiàn)側(cè)重于分析股票市場(chǎng)與其他金融市場(chǎng)間的溢出效應(yīng),缺乏對(duì)一國(guó)整體金融子市場(chǎng)之間風(fēng)險(xiǎn)溢出效應(yīng)的全盤考察。

在2007年次貸危機(jī)爆發(fā)后,有關(guān)風(fēng)險(xiǎn)溢出效應(yīng)方向的研究如雨后春筍,主要可以分為尾部關(guān)聯(lián)模型、關(guān)聯(lián)網(wǎng)絡(luò)模型和多元廣義條件異方差模型(MVGARCH)等。MES,SES,SRISK,CCA,CoVaR等尾部關(guān)聯(lián)模型考慮了風(fēng)險(xiǎn)溢出方向,并且可以基于金融市場(chǎng)高頻數(shù)據(jù)對(duì)系統(tǒng)性風(fēng)險(xiǎn)及其溢出效應(yīng)進(jìn)行靈活度量,在國(guó)內(nèi)外均得到廣泛應(yīng)用。然而,此類風(fēng)險(xiǎn)溢出度量方法只關(guān)注了局部的尾部關(guān)聯(lián),從而可能低估了高度關(guān)聯(lián)系統(tǒng)的風(fēng)險(xiǎn)溢出效應(yīng)(HAUTSCH等[14]),并且忽視了風(fēng)險(xiǎn)溢出渠道,無(wú)法觀測(cè)風(fēng)險(xiǎn)溢出生成和傳導(dǎo)的全過(guò)程(曹潔和雷良海[15])。網(wǎng)絡(luò)關(guān)聯(lián)作為現(xiàn)代風(fēng)險(xiǎn)度量和風(fēng)險(xiǎn)管理的核心得到了監(jiān)管部門和學(xué)者們的廣泛重視(IMF[16])。溢出指數(shù)模型由DIEBOLD和YILMAZ[17]創(chuàng)立,并在DIEBOLD和YILMAZ[18]及DEMIRER等[19]學(xué)者的發(fā)展下更為完善。該模型糅合了風(fēng)險(xiǎn)溢出測(cè)度、網(wǎng)絡(luò)關(guān)聯(lián)和動(dòng)態(tài)演變的思想,能夠?qū)⒍嗑S變量放置于統(tǒng)一的研究框架下,同時(shí)測(cè)度風(fēng)險(xiǎn)溢出的大小和方向,在金融市場(chǎng)風(fēng)險(xiǎn)溢出測(cè)度方面得到了廣泛應(yīng)用(李紅權(quán)等[20])。廣義條件異方差模型自創(chuàng)立就常用于測(cè)度金融風(fēng)險(xiǎn),并從一元GARCH模型逐漸演化出BEKK-GARCK、DCC-GARCH等多元GARCH族模型(BOLLERSLEV[21])。其中DCC-GARCH模型不僅能夠測(cè)度變量間的風(fēng)險(xiǎn)溢出程度,而且突破了傳統(tǒng)GARCH模型相關(guān)系數(shù)恒定的假設(shè),可以觀測(cè)資產(chǎn)價(jià)格波動(dòng)間的動(dòng)態(tài)相關(guān)性,是風(fēng)險(xiǎn)溢出研究領(lǐng)域強(qiáng)有力的分析工具(嚴(yán)偉祥等[22])。

本文運(yùn)用DCC-GARCH模型和風(fēng)險(xiǎn)溢出指數(shù)方法對(duì)我國(guó)七大金融市場(chǎng)風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行系統(tǒng)研究?？赡艽嬖谝韵聞?chuàng)新:(1)將股票、外匯、貨幣、債券、商品、黃金、房地產(chǎn)市場(chǎng)等七大金融市場(chǎng)納入統(tǒng)一的DCC-GARCH模型和溢出指數(shù)模型框架對(duì)其風(fēng)險(xiǎn)溢出效應(yīng)展開全面分析,使研究更具系統(tǒng)性;(2)從時(shí)間和空間兩個(gè)維度分析金融市場(chǎng)間的風(fēng)險(xiǎn)溢出效應(yīng)及其非對(duì)稱性特征,其中時(shí)間維度上風(fēng)險(xiǎn)溢出效應(yīng)的非對(duì)稱性指金融市場(chǎng)整體風(fēng)險(xiǎn)溢出程度隨時(shí)間的累積和消減具有非對(duì)稱性特征,快升而慢落,空間維度風(fēng)險(xiǎn)溢出效應(yīng)的非對(duì)稱性指金融市場(chǎng)間風(fēng)險(xiǎn)溢出方向具有非對(duì)稱性,有些則承受外界風(fēng)險(xiǎn)溢出水平更大,具有系統(tǒng)脆弱性,有些市場(chǎng)的風(fēng)險(xiǎn)外溢程度更高,是系統(tǒng)性風(fēng)險(xiǎn)的主要來(lái)源。

1 模型與數(shù)據(jù)

1.1 風(fēng)險(xiǎn)溢出指數(shù)模型設(shè)定

建立在傳統(tǒng)VAR模型的基礎(chǔ)上,但不同于傳統(tǒng)的Cholesky預(yù)測(cè)誤差分解,風(fēng)險(xiǎn)溢出指數(shù)模型采用廣義預(yù)測(cè)誤差方差分解矩陣,該分解不再依賴于變量進(jìn)入模型的次序,能夠有效捕捉多個(gè)變量彼此之間的風(fēng)險(xiǎn)溢出效應(yīng)。首先,n元p階的VAR模型可表示為:

(1)

式(1)中Φi為VAR模型的系數(shù)矩陣;Xt為金融市場(chǎng)的波動(dòng)率;εt為隨機(jī)干擾向量。模型(2)的MA表達(dá)式為:

(2)

式(2)中ψi為系數(shù)矩陣,ψ0是單位矩陣,對(duì)所有的i<0,ψi=0,當(dāng)i>0時(shí),ψi滿足遞歸過(guò)程ψi=Φ1ψi-1+Φ2ψi-2+…+Φnψi-n。根據(jù)溢出指數(shù)模型,Xi的前向H步預(yù)測(cè)誤差方差中Xj貢獻(xiàn)的占比為變量j對(duì)i的溢出向量估計(jì)值,即:

(3)

(4)

總風(fēng)險(xiǎn)溢出指數(shù)TSI(H)即為預(yù)測(cè)誤差方差的交叉方差取平均數(shù):

(5)

將金融市場(chǎng)i對(duì)其他所有金融子市場(chǎng)的溢出效應(yīng)加總?cè)∷阈g(shù)平均數(shù)可以得到定向風(fēng)險(xiǎn)溢出指數(shù)DSIout(H):

(6)

將某一金融市場(chǎng)對(duì)外風(fēng)險(xiǎn)溢出效應(yīng)減去該金融市場(chǎng)接受外界風(fēng)險(xiǎn)溢入效應(yīng),得到凈風(fēng)險(xiǎn)溢出指數(shù)NSI(H):

NSI(H)=DSIout(H)-DSIin(H)

(7)

1.2 DCC-GARCH模型構(gòu)建

DCC-GARCH模型又稱動(dòng)態(tài)條件相關(guān)的廣義條件異方差模型(ENGEL[23]),該模型具有三個(gè)特點(diǎn):一是DCC-GARCH模型設(shè)定是多元的,從單變量GARCH模型拓展至多元GARCH模型,使得多個(gè)序列間的波動(dòng)溢出效應(yīng)的研究成為可能;二是DCC-GARCH模型彌補(bǔ)了CCC-GARCH模型忽略變量間相關(guān)系數(shù)時(shí)變性的不足,能夠估計(jì)時(shí)變的條件相關(guān)系數(shù),從而刻畫變量間的動(dòng)態(tài)關(guān)聯(lián);三是DCC-GARCH模型允許變量的自相關(guān)和異方差,較于靜態(tài)相關(guān)系數(shù)估計(jì)更為穩(wěn)健。DCC-GARCH模型由均值方程和條件方差方程組成,均值方程設(shè)定如下:

rt=μt+εt

(8)

(9)

式(8)中rt為金融市場(chǎng)收益率,μt為已知過(guò)去信息Ft-1下的條件期望,εt為隨機(jī)誤差項(xiàng),Ht為條件方差矩陣,μ為常數(shù)向量。條件方差方程設(shè)定如下:

(10)

式(10)中,ω為常數(shù)項(xiàng),a1為滯后一期擾動(dòng)項(xiàng)平方的影響系數(shù),b1為滯后一期條件方差的影響系數(shù)。動(dòng)態(tài)條件相關(guān)的方差矩陣可寫作:

Ht=DtRtDt

(11)

Rt=diag(Qt)-1/2Qtdiag(Qt)1/2

(12)

式(12)中Qt是一個(gè)加權(quán)平均后的正定矩陣,Qt可表示為:

(13)

(14)

1.3 數(shù)據(jù)的選擇與說(shuō)明

本文將七大金融子市場(chǎng),分別是股票市場(chǎng)Stock(采用滬深300指數(shù))、債券市場(chǎng)Bond(采用中證綜合凈價(jià)指數(shù))、貨幣市場(chǎng)Money(采用銀行間7天同業(yè)拆借利率)、外匯市場(chǎng)Exchange(采用美元兌人民幣匯率中間價(jià))、大宗商品市場(chǎng)Commodity(采用Wind商品綜合指數(shù))、黃金市場(chǎng)Gold(采用AU9995品種黃金現(xiàn)貨價(jià)格)和房地產(chǎn)市場(chǎng)House(采用申萬(wàn)房地產(chǎn)行業(yè)指數(shù))。

在VAR-DCC-GARCH模型中,本文對(duì)各金融子市場(chǎng)的每日收盤價(jià)進(jìn)行對(duì)數(shù)差分處理以得到每日收益率。而在溢出指數(shù)模型中需要獲取各金融子市場(chǎng)的波動(dòng)率,本文參照ANDERSEN等[24]提出的已實(shí)現(xiàn)方差方法對(duì)各金融子市場(chǎng)波動(dòng)率進(jìn)行預(yù)先估計(jì),即將每周交易日收益率取平方和從而合成周已實(shí)現(xiàn)半方差。本文的樣本區(qū)間從2005年7月22日到2021年8月27日,全部數(shù)據(jù)源自萬(wàn)德數(shù)據(jù)庫(kù)。

2 實(shí)證結(jié)果與分析

2.1 溢出指數(shù)模型的結(jié)果與分析

(1)靜態(tài)風(fēng)險(xiǎn)溢出效應(yīng)

參照AIC和BIC準(zhǔn)則,本文選取一階滯后VAR模型,其中預(yù)測(cè)步長(zhǎng)為8周(H=8),得到中國(guó)金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)表,見(jiàn)表3。

表1右下角數(shù)值(25.1)為平均風(fēng)險(xiǎn)溢出水平,最后一行(NET)為金融市場(chǎng)風(fēng)險(xiǎn)凈溢出指數(shù),倒數(shù)第二行(OUT)為對(duì)外風(fēng)險(xiǎn)溢出指數(shù),最后一列(IN)為接受風(fēng)險(xiǎn)溢出指數(shù),對(duì)角線元素為各市場(chǎng)歷史波動(dòng)率的持續(xù)影響,其余數(shù)值是市場(chǎng)間方向性風(fēng)險(xiǎn)溢出指數(shù)。

表1 金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)表

從表1可以看出,整體上我國(guó)金融市場(chǎng)在樣本期間內(nèi)有超過(guò)1/4的風(fēng)險(xiǎn)反映為市場(chǎng)間的風(fēng)險(xiǎn)溢出,說(shuō)明中國(guó)金融市場(chǎng)間整體風(fēng)險(xiǎn)溢出效應(yīng)較強(qiáng)[17],且容易借助資產(chǎn)價(jià)格波動(dòng)關(guān)聯(lián)渠道傳染。

具體到單一金融市場(chǎng),風(fēng)險(xiǎn)溢出方向存在非對(duì)稱性。接受風(fēng)險(xiǎn)溢出指數(shù)排前三的市場(chǎng)為股票市場(chǎng)(49.60%)、房地產(chǎn)市場(chǎng)(47.90%)和黃金市場(chǎng)(29.70%),說(shuō)明這三個(gè)市場(chǎng)極易收到風(fēng)險(xiǎn)傳染,具有系統(tǒng)脆弱性。

就對(duì)外風(fēng)險(xiǎn)溢出指數(shù)而言,股票市場(chǎng)、房地產(chǎn)市場(chǎng)和商品市場(chǎng)的對(duì)外風(fēng)險(xiǎn)溢出指數(shù)較高,分別為51.90%,51.90%和28.20%,說(shuō)明這三個(gè)金融市場(chǎng)在中國(guó)金融體系中位于信息先導(dǎo)地位,其信息傳遞效率較高,一旦發(fā)生突發(fā)事件會(huì)將風(fēng)險(xiǎn)迅速傳導(dǎo)至整個(gè)金融體系,是中國(guó)的系統(tǒng)重要性金融市場(chǎng)。股票和房地產(chǎn)市場(chǎng)的接受和對(duì)外風(fēng)險(xiǎn)溢出指數(shù)均較高,在金融體系整體風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)中起到了中介和橋梁的作用。股票、商品和房地產(chǎn)市場(chǎng)的凈風(fēng)險(xiǎn)溢出指數(shù)大于零,說(shuō)明這三個(gè)市場(chǎng)為風(fēng)險(xiǎn)凈溢出者,債券、貨幣、外匯和黃金市場(chǎng)的風(fēng)險(xiǎn)凈溢出指數(shù)小于零,說(shuō)明這四個(gè)市場(chǎng)為風(fēng)險(xiǎn)凈接受者。

(2)動(dòng)態(tài)風(fēng)險(xiǎn)溢出效應(yīng)

為了考察風(fēng)險(xiǎn)溢出指數(shù)隨時(shí)間變化特征,本文運(yùn)用滾動(dòng)窗口技術(shù)測(cè)度中國(guó)金融市場(chǎng)的動(dòng)態(tài)風(fēng)險(xiǎn)溢出效應(yīng),結(jié)果如圖1所示。

圖1 中國(guó)金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)時(shí)序圖

圖1顯示,在樣本期間內(nèi)中國(guó)金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)在18%-52%之間波動(dòng)。其中,第一個(gè)階段(2007—2011年)風(fēng)險(xiǎn)溢出指數(shù)波動(dòng)劇烈。次貸危機(jī)后極端風(fēng)險(xiǎn)通過(guò)情緒傳染和資產(chǎn)價(jià)格波動(dòng)關(guān)聯(lián)途徑傳導(dǎo)至中國(guó),風(fēng)險(xiǎn)溢出指數(shù)大幅上挑。2008年末推出的“四萬(wàn)億計(jì)劃”釋放了大量流動(dòng)性,我國(guó)金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)再度陡然上跳。2010年在歐債危機(jī)和美國(guó)Q2政策疊加下,溢出指數(shù)上漲至這一階段的最高點(diǎn)(47%)。第二階段(2012—2017年)金融市場(chǎng)運(yùn)行態(tài)勢(shì)較平穩(wěn),除了在2015年中重大“股災(zāi)”影響下金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)飆升至整個(gè)樣本區(qū)間的最高值(53%),然而該事件引起的金融市場(chǎng)共振持續(xù)時(shí)間不長(zhǎng)。第三階段從2018年至今,先是在2018年初的中國(guó)債券市場(chǎng)大面積違約和中美貿(mào)易爭(zhēng)端影響下,中國(guó)金融市場(chǎng)波動(dòng)關(guān)聯(lián)性加強(qiáng)。此后在新冠疫情沖擊下溢出指數(shù)大幅升高,并持續(xù)至今?？傮w而言,當(dāng)重要政策和事件沖擊時(shí)金融市場(chǎng)風(fēng)險(xiǎn)溢出程度明顯增強(qiáng),這同時(shí)也說(shuō)明了本文構(gòu)建的金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)能夠反映我國(guó)金融市場(chǎng)的真實(shí)風(fēng)險(xiǎn)水平,有助于監(jiān)管機(jī)構(gòu)進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)控。

2.2 DCC-GARCH模型的結(jié)果與分析

借助DCC-GARCH模型估計(jì)金融市時(shí)變相關(guān)系數(shù),結(jié)果如表2所示。

表2 中國(guó)金融市場(chǎng)DCC-GARCH模型估計(jì)結(jié)果

表2的上半部分報(bào)告了中國(guó)7個(gè)金融子市場(chǎng)單變量的GARCH模型估計(jì)結(jié)果,ω為常數(shù)項(xiàng),a1為滯后一期擾動(dòng)項(xiàng)平方的影響系數(shù),即ARCH項(xiàng)系數(shù),b1為滯后一期條件方差的影響系數(shù),即GARCH項(xiàng)系數(shù)?？梢钥闯鏊薪鹑谑袌?chǎng)單變量GARCH模型的常數(shù)項(xiàng)系數(shù)、ARCH項(xiàng)系數(shù)和GARCH項(xiàng)系數(shù)均在在1%的水平上顯著。具體而言,外匯市場(chǎng)的ARCH項(xiàng)系數(shù)最大,為0.088,說(shuō)明外匯市場(chǎng)對(duì)金融系統(tǒng)信息的反映速度最快,其次是股票市場(chǎng)和房地產(chǎn)市場(chǎng),而黃金市場(chǎng)對(duì)于市場(chǎng)信息的反映最為遲緩。就GARCH項(xiàng)系數(shù)而言,商品市場(chǎng)的GARCH項(xiàng)系數(shù)最大,為0.958,說(shuō)明商品市場(chǎng)對(duì)于市場(chǎng)波動(dòng)感具有最強(qiáng)的記憶性,其次是黃金市場(chǎng)和貨幣市場(chǎng),而股票市場(chǎng)的記憶性較弱。此外,每個(gè)金融市場(chǎng)ARCH項(xiàng)系數(shù)和GARCH項(xiàng)系數(shù)之和都非常接近于1,說(shuō)明7個(gè)金融市場(chǎng)的收益率波動(dòng)具有較強(qiáng)的持久性。

表2的下半部分給出了中國(guó)7個(gè)金融市場(chǎng)DCC-GARCH模型的估計(jì)結(jié)果,DCC-GARCH模型的ARCH項(xiàng)系數(shù)α和GARCH項(xiàng)系數(shù)β同樣均在1%的水平上顯著,并且α和β都大于零,α+β=0.962,符合模型條件,說(shuō)明了DCC-GARCH模型很好地?cái)M和了我國(guó)金融市場(chǎng)收益率的動(dòng)態(tài)變化規(guī)律。表3匯報(bào)了中國(guó)7個(gè)金融市場(chǎng)間兩兩動(dòng)態(tài)條件相關(guān)系數(shù)估計(jì)均值。

表3 中國(guó)金融市場(chǎng)動(dòng)態(tài)條件相關(guān)系數(shù)估計(jì)結(jié)果

從上述ρ值可以看出,貨幣和外匯市場(chǎng)、債券和貨幣市場(chǎng)、外匯和商品市場(chǎng)以及外匯和房地產(chǎn)市場(chǎng)之間的動(dòng)態(tài)相關(guān)系數(shù)均值為負(fù),說(shuō)明這四組金融市場(chǎng)收益率之間存在反向相關(guān)關(guān)系。動(dòng)態(tài)相關(guān)系數(shù)均值為負(fù)值反映了市場(chǎng)間的風(fēng)險(xiǎn)關(guān)聯(lián)性較小,從資產(chǎn)組合理論而言,同時(shí)持有兩種相關(guān)系數(shù)為負(fù)的資產(chǎn)具有分散風(fēng)險(xiǎn)的效果。而其余兩兩金融市場(chǎng)間的動(dòng)態(tài)相關(guān)系數(shù)均值均為正值,股票和房地產(chǎn)市場(chǎng)的動(dòng)態(tài)相關(guān)系數(shù)均值最大,為0.900,商品和黃金市場(chǎng)間以及債券與黃金市場(chǎng)間的動(dòng)態(tài)相關(guān)系數(shù)也較大,分別為0.482和0.365,正向相關(guān)系數(shù)的值越大反映了金融市場(chǎng)間風(fēng)險(xiǎn)關(guān)聯(lián)性越大。這一結(jié)果與表1中靜態(tài)溢出指數(shù)模型風(fēng)險(xiǎn)溢出效應(yīng)分解的結(jié)果具有一致性。

表3的動(dòng)態(tài)條件相關(guān)系數(shù)均值體現(xiàn)了兩兩市場(chǎng)間在樣本期間內(nèi)整體動(dòng)態(tài)相關(guān)系數(shù)的大小,但并未體現(xiàn)出金融市場(chǎng)動(dòng)態(tài)相關(guān)系數(shù)的時(shí)變特點(diǎn),本文將中國(guó)7個(gè)金融市場(chǎng)每個(gè)時(shí)點(diǎn)的動(dòng)態(tài)相關(guān)系數(shù)取算術(shù)平均,得到中國(guó)總體條件動(dòng)態(tài)相關(guān)系數(shù),如圖2所示。

圖2 中國(guó)金融市場(chǎng)動(dòng)態(tài)相關(guān)系數(shù)圖

從圖2可以看出中國(guó)金融市場(chǎng)總體條件動(dòng)態(tài)相關(guān)系數(shù)在0.09至0.31間波動(dòng),動(dòng)態(tài)相關(guān)系數(shù)在時(shí)間維度上的上跳和消減具有非對(duì)稱性,在面對(duì)國(guó)內(nèi)外重要政策頒布和風(fēng)險(xiǎn)事件沖擊時(shí),中國(guó)金融市場(chǎng)動(dòng)態(tài)相關(guān)系數(shù)在短期內(nèi)出現(xiàn)跳躍式的大幅增長(zhǎng),在達(dá)到峰值后,金融市場(chǎng)間的動(dòng)態(tài)相關(guān)系數(shù)并不會(huì)立刻減弱,而是需要一段時(shí)間回調(diào)至沖擊前的大小,體現(xiàn)出金融市場(chǎng)間動(dòng)態(tài)相關(guān)系數(shù)在時(shí)間維度上存在著非對(duì)稱性。此外,對(duì)比圖1和圖2可以看出,二者具有共通之處,例如在2008年9月國(guó)際金融危機(jī)爆發(fā)、2008年底“四萬(wàn)億計(jì)劃”、2013年6月“錢荒”、2015年6月“股災(zāi)”以及2020年初新冠疫情爆發(fā)等關(guān)鍵時(shí)間節(jié)點(diǎn),中國(guó)金融市場(chǎng)的條件動(dòng)態(tài)相關(guān)系數(shù)都有明顯升高,印證了市場(chǎng)間動(dòng)態(tài)相關(guān)系數(shù)越大,風(fēng)險(xiǎn)傳染水平越強(qiáng)(方意等[13];蔣海等[25])。

3 研究結(jié)論與啟示

本文運(yùn)用風(fēng)險(xiǎn)溢出指數(shù)模型和DCC-GARCH模型對(duì)我國(guó)七大金融市場(chǎng)風(fēng)險(xiǎn)溢出效應(yīng)展開系統(tǒng)性研究,得出以下結(jié)論:(1)金融市場(chǎng)整體風(fēng)險(xiǎn)溢出水平較高,平均溢出指數(shù)為25.10%。金融市場(chǎng)風(fēng)險(xiǎn)溢出方向存在非對(duì)稱效應(yīng),債券、貨幣、外匯和黃金市是風(fēng)險(xiǎn)凈接受者,股票、商品和房地產(chǎn)市場(chǎng)是風(fēng)險(xiǎn)凈溢出者。(2)我國(guó)金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)在18%～52%間隨時(shí)間變化,在次貸危機(jī)爆發(fā)、“四萬(wàn)億計(jì)劃”頒布、歐債危機(jī)爆發(fā)、重大“股災(zāi)”爆發(fā)、中美貿(mào)易摩擦、新冠疫情事件等重要政策和事件沖擊時(shí)金融市場(chǎng)風(fēng)險(xiǎn)溢出程度明顯增強(qiáng)。(3)金融市場(chǎng)風(fēng)險(xiǎn)溢出存在非對(duì)稱效應(yīng),貨幣與外匯市場(chǎng)、外匯與房地產(chǎn)市場(chǎng)、債券與貨幣市場(chǎng)、外匯與商品市場(chǎng)間動(dòng)態(tài)相關(guān)系數(shù)均值為負(fù),反映了這四組金融市場(chǎng)間風(fēng)險(xiǎn)關(guān)聯(lián)性較小。債券與黃金市場(chǎng)、商品與黃金市場(chǎng)、股票與房地產(chǎn)市場(chǎng)的動(dòng)態(tài)相關(guān)系數(shù)均值較大,反映了這三組金融市場(chǎng)間風(fēng)險(xiǎn)關(guān)聯(lián)性較大。(4)中國(guó)金融市場(chǎng)整體條件動(dòng)態(tài)相關(guān)系數(shù)在0.09至0.31間波動(dòng),動(dòng)態(tài)相關(guān)系數(shù)在時(shí)間維度上的上跳和消減具有非對(duì)稱性。

金融市場(chǎng)波動(dòng)的關(guān)聯(lián)性以及金融風(fēng)險(xiǎn)在時(shí)空維度的非對(duì)稱性給政策當(dāng)局帶來(lái)了更大的挑戰(zhàn),為了防范跨市場(chǎng)風(fēng)險(xiǎn)溢出引發(fā)系統(tǒng)性風(fēng)險(xiǎn),根據(jù)本文研究結(jié)論,監(jiān)管部門可從以下幾個(gè)方面著手。首先,考慮到金融市場(chǎng)間的風(fēng)險(xiǎn)溢出方向具有非對(duì)稱性,因此應(yīng)密切監(jiān)控股票市場(chǎng)、房地產(chǎn)市場(chǎng)和商品市場(chǎng)等系統(tǒng)重要性金融市場(chǎng),重點(diǎn)關(guān)注股票市場(chǎng)、房地產(chǎn)市場(chǎng)和黃金市場(chǎng)等系統(tǒng)脆弱性金融市場(chǎng)。其次,鑒于部分金融市場(chǎng)間的動(dòng)態(tài)相關(guān)系數(shù)較高,容易發(fā)生風(fēng)險(xiǎn)跨市場(chǎng)傳染,因此應(yīng)著重警惕股票市場(chǎng)與房地產(chǎn)市場(chǎng)、債券市場(chǎng)與黃金市場(chǎng)、大宗商品市場(chǎng)與黃金市場(chǎng)之間的風(fēng)險(xiǎn)互動(dòng)。而且對(duì)于投資者而言,也應(yīng)根據(jù)金融市場(chǎng)間動(dòng)態(tài)相關(guān)系數(shù)的大小,合理配置資產(chǎn)持有,以達(dá)到分散風(fēng)險(xiǎn)的目的。最后,考慮到中國(guó)金融市場(chǎng)風(fēng)險(xiǎn)溢出指數(shù)對(duì)于市場(chǎng)信息響應(yīng)十分敏感,且金融市場(chǎng)的動(dòng)態(tài)相關(guān)系數(shù)具有上跳快而消減慢的時(shí)間維度非對(duì)稱性,因此在重要政策和事件發(fā)生早期政府需注意提高反應(yīng)速度,加強(qiáng)監(jiān)管力度,防范風(fēng)險(xiǎn)跨市場(chǎng)的溢出和傳染。