尹孝蘭 ，黃永興

(安徽工業(yè)大學(xué) 商學(xué)院, 安徽 馬鞍山 243032)

目前，在全球能源緊缺和價(jià)格劇烈震蕩的背景下，中國(guó)能源發(fā)展和安全保障面臨新的挑戰(zhàn)和風(fēng)險(xiǎn)[1]。2021 年10 月，國(guó)家能源委員會(huì)第五次會(huì)議指出，能源安全事關(guān)發(fā)展安全、國(guó)家安全。2023 年7 月，習(xí)近平總書(shū)記在江蘇考察時(shí)強(qiáng)調(diào)，能源保障和安全事關(guān)國(guó)計(jì)民生，是須臾不可忽視的“國(guó)之大者”。能源市場(chǎng)的供求及價(jià)格穩(wěn)定是保障能源安全的基本要求，煤炭和電力能源作為生產(chǎn)生活的基礎(chǔ)能源，持續(xù)關(guān)注其資本市場(chǎng)的異常波動(dòng)有利于監(jiān)管與防范我國(guó)實(shí)體能源市場(chǎng)重大風(fēng)險(xiǎn)，同時(shí)滬深市場(chǎng)的平穩(wěn)運(yùn)行在一定程度上是國(guó)內(nèi)股票市場(chǎng)健康發(fā)展的重要體現(xiàn)。因此，能源市場(chǎng)指數(shù)的持續(xù)劇烈波動(dòng)是否會(huì)引發(fā)滬深市場(chǎng)的相關(guān)風(fēng)險(xiǎn)甚至危及能源實(shí)體安全，值得深思與研究。

2008 年全球金融危機(jī)爆發(fā)后，股票市場(chǎng)尾部相依結(jié)構(gòu)的研究更加活躍。吳吉林等[2]運(yùn)用機(jī)制轉(zhuǎn)換混合Copula 方法，實(shí)證發(fā)現(xiàn)滬深股市與港臺(tái)股市間的上下尾部相依結(jié)構(gòu)不一致且均非對(duì)稱(chēng)；Abuzayed等[3]通過(guò)構(gòu)建動(dòng)態(tài)多元廣義自回歸異方差(dynamic conditional correlations-generalized autoregressive conditional heteroskedasticity，DCC-GARCH)模型研究全球股票市場(chǎng)之間在疫情影響下的系統(tǒng)性困境風(fēng)險(xiǎn)溢出，實(shí)證表明疫情使全球股票市場(chǎng)間的系統(tǒng)性風(fēng)險(xiǎn)溢出傳染路徑發(fā)生了變化且隨疫情蔓延而加劇。隨著模型理論的逐漸成熟，尾部相依性研究的主體開(kāi)始逐漸拓展到大宗商品期貨、金融機(jī)構(gòu)甚至整個(gè)金融行業(yè)。Martin-Barraga 等[4]發(fā)現(xiàn)金融危機(jī)沖擊下，石油沖擊和股市崩盤(pán)相關(guān)次數(shù)更多，市場(chǎng)相依結(jié)構(gòu)也會(huì)發(fā)生變化；嚴(yán)偉祥等[5]構(gòu)建分層Copula 模型將國(guó)內(nèi)尾部相依性研究拓展到整個(gè)金融行業(yè)，研究發(fā)現(xiàn)金融子行業(yè)間的尾部風(fēng)險(xiǎn)存在相依性較高的顯著分層相依結(jié)構(gòu)；陳守東等[6]采用Tail-β 模型，基于尾部相依性視角研究金融機(jī)構(gòu)尾部系統(tǒng)風(fēng)險(xiǎn)與行業(yè)風(fēng)險(xiǎn)的關(guān)聯(lián)效應(yīng)，發(fā)現(xiàn)各金融機(jī)構(gòu)間尾部風(fēng)險(xiǎn)相依程度會(huì)隨危機(jī)事件的發(fā)生而顯著攀升；葉致昂等[7]、郭娜等[8]將研究對(duì)象進(jìn)一步擴(kuò)展，分別研究我國(guó)有色金屬指數(shù)與滬深300 指數(shù)尾部相依結(jié)構(gòu)以及國(guó)際油價(jià)波動(dòng)對(duì)我國(guó)新能源股價(jià)的溢出效應(yīng)，均發(fā)現(xiàn)尾部相依性在金融體系脆弱性上升時(shí)期顯著攀升。部分學(xué)者也開(kāi)始注重模型的創(chuàng)新，用新模型分析已有問(wèn)題。如鄧維等[9]利用藤Copula 構(gòu)造新的模型，分析多組決策變量之間的相互依賴及不確定性問(wèn)題；徐君等[10]構(gòu)建廣義已實(shí)現(xiàn)門(mén)限自回歸得分Copula模型，探索實(shí)體經(jīng)濟(jì)行業(yè)與金融行業(yè)間時(shí)變相依關(guān)系對(duì)行業(yè)收益的非對(duì)稱(chēng)效應(yīng)。

綜上所述，隨著金融全球化的不斷演進(jìn)和危機(jī)事件的沖擊，不同金融市場(chǎng)間的風(fēng)險(xiǎn)相依性不斷增強(qiáng)。尤其在金融危機(jī)等黑天鵝事件發(fā)生時(shí)，關(guān)聯(lián)市場(chǎng)間的下尾相關(guān)性會(huì)顯著提高[11]，且風(fēng)險(xiǎn)傳染路徑和相依結(jié)構(gòu)會(huì)因?yàn)槲C(jī)事件沖擊而改變[12]。目前已有研究大多關(guān)注不同國(guó)家間的股票市場(chǎng)、期貨、匯率等尾部相依關(guān)系[13-17]，鮮有對(duì)我國(guó)能源市場(chǎng)尤其是尾部相依關(guān)系的研究。風(fēng)險(xiǎn)測(cè)度是風(fēng)險(xiǎn)防范的基礎(chǔ)，選擇R 藤Copula 模型度量能源市場(chǎng)和滬深市場(chǎng)間的尾部相依結(jié)構(gòu)，能充分考慮到尾部相依結(jié)構(gòu)可能存在的非對(duì)稱(chēng)性。鑒于此，采用R 藤Copula 模型分析危機(jī)條件下我國(guó)能源市場(chǎng)股票價(jià)格波動(dòng)溢出的影響，并揭示其風(fēng)險(xiǎn)傳播機(jī)制，以期為相關(guān)政府部門(mén)防范化解金融風(fēng)險(xiǎn)傳染、推動(dòng)我國(guó)能源市場(chǎng)平穩(wěn)健康發(fā)展提供現(xiàn)實(shí)依據(jù)。

1 相關(guān)模型

1.1 常用Copula 函數(shù)

Sklar[18]指出每個(gè)聯(lián)合分布函數(shù)都可分解為若干個(gè)邊緣分布函數(shù)和1 個(gè)Copula 函數(shù)。Copula 函數(shù)常被用來(lái)度量變量間的非線性相依關(guān)系，Copula族函數(shù)中常用的函數(shù)主要有以下5 種。

1) 正態(tài) Copula(Gaussian Copula)函數(shù) 可較好地?cái)M合樣本數(shù)據(jù)，用來(lái)描述變量間的相依性，具有對(duì)稱(chēng)性特征，只能刻畫(huà)金融市場(chǎng)中的對(duì)稱(chēng)相依關(guān)系，其分布函數(shù)如式(1)。

其中：C(·，·)為二元Copula 函數(shù)；u，υ 為一元分布函數(shù)；ρ 為對(duì)角線上元素為1 的對(duì)稱(chēng)正定矩陣；Φ-1(·)為標(biāo)準(zhǔn)正態(tài)分布函數(shù)Φ(·)的逆函數(shù)。

2) 二元T-Copula 函數(shù) 同樣具有對(duì)稱(chēng)的尾部相依特征，但尾部更厚，尾部變化比正態(tài)Copula 更靈敏，其分布函數(shù)和上下尾相關(guān)系數(shù)分別為：

其中：λ上和λ下分別為不為0 的上、下尾相關(guān)系數(shù)；t表示分布函數(shù)。

3) Gumbel Copula 函數(shù) 函數(shù)密度分布呈下尾低上尾高的J 形，故也為非對(duì)稱(chēng)相依結(jié)構(gòu)，可準(zhǔn)確描述上尾的關(guān)系，但難以捕捉到下尾關(guān)系，通常用來(lái)刻畫(huà)具有上尾特征的金融市場(chǎng)的相依結(jié)構(gòu)。如一個(gè)資本市場(chǎng)暴漲，另一個(gè)資本市場(chǎng)暴漲的概率也很大，可用Gumbel Copula 函數(shù)來(lái)連接2 個(gè)市場(chǎng)的邊緣分布，分布函數(shù)為

其中δ 為大于0 小于等于1 的相關(guān)參數(shù)。

4) Clayton Copula 函數(shù) 具有明顯的非對(duì)稱(chēng)結(jié)構(gòu)，密度分布呈L 形，下尾高上尾低，對(duì)下尾部敏感，但很難捕捉到上尾相依關(guān)系，分布函數(shù)為

其中θ 為大于0 的相關(guān)參數(shù)。

5) Frank Copula 函數(shù) 函數(shù)密度分布為對(duì)稱(chēng)結(jié)構(gòu)，無(wú)法捕捉非對(duì)稱(chēng)的市場(chǎng)關(guān)系，且尾部變化不敏感，沒(méi)有尾部相關(guān)性，分布函數(shù)為

1.2 邊緣分布模型

廣義自回歸條件異方差(generalized autoregressive conditional heteroskedasticity，GARCH)模型是自回歸條件異方差模型 (autoregressive conditional heteroskedasticity, ARCH)的擴(kuò)展，要求較小的滯后階數(shù)，通常用來(lái)刻畫(huà)具有條件異方差特性的時(shí)間序列的條件邊緣分布，GARCH 模型的數(shù)學(xué)理論如下：

1.3 R 藤Copula 模型

R 藤結(jié)構(gòu)是1 組樹(shù)(tree)的組合，每棵樹(shù)的邊(edge)表示1 個(gè)(條件)Copula 函數(shù)，w個(gè)變量的R藤結(jié)構(gòu)由w-1 棵樹(shù)構(gòu)成，分別記為Z1,Z2,...,Zw-1，第a棵樹(shù)的節(jié)點(diǎn)(Node)集記為Oa，邊集記為Ea(a=1,2,3,...,w-1)。需滿足3 個(gè)條件：樹(shù)T1的節(jié)點(diǎn)集O1={1,2,...,w}，邊集為E1；第a棵樹(shù)的節(jié)點(diǎn)集記為Oa=Ea-1，即第a棵樹(shù)的節(jié)點(diǎn)集是第a-1 棵樹(shù)的邊集；若用邊連接樹(shù)Za中的2 條邊到樹(shù)Za+1中，則2 條邊在樹(shù)Za中一定要有1 個(gè)共同節(jié)點(diǎn)。

1 個(gè)b元R 藤模型有b-1 棵樹(shù)，記節(jié)點(diǎn)集O={O1,O2,...,Ob-1} ，邊 集E=(E1,E2,...,Eb-1)，Eb-1中的邊g=j(g),k(g)|D(g) ， 其中j(g),k(g)為與邊g相連接的2 個(gè)節(jié)點(diǎn)，D(g)為對(duì)應(yīng)的條件，將邊g對(duì)應(yīng)的Copula 密度函數(shù)表示成c(g),k(g)|D(g)。假定條件集D(g)決定的子向量對(duì)應(yīng)的n個(gè)隨機(jī)變量分別為x1,x2,...,xn，xD(g)，設(shè)第γ 個(gè)隨機(jī)變量邊緣密度函數(shù)為fγ，則x的聯(lián)合密度函數(shù)為：

每個(gè)藤結(jié)構(gòu)均由多棵樹(shù)組成，每棵樹(shù)上有很多節(jié)點(diǎn)，邊是連接2 個(gè)節(jié)點(diǎn)的線。樹(shù)的節(jié)點(diǎn)和邊共同構(gòu)成1 個(gè)集合，不同的藤結(jié)構(gòu)有不同的構(gòu)成方式。常見(jiàn)的藤結(jié)構(gòu)有C 藤(C-vine)、D 藤(D-vine)、R 藤(R-vine)。Morales-Napoles 等[19]研究表明與C 藤、D 藤相比，R 藤在刻畫(huà)高維變量相依結(jié)構(gòu)關(guān)系時(shí)更具多樣性和靈活性。故文中選擇R 藤Copula 模型對(duì)能源市場(chǎng)與滬深市場(chǎng)的尾部相依性進(jìn)行研究。

2 實(shí)證分析

2.1 數(shù)據(jù)選取與處理

為探討煤炭和電力能源市場(chǎng)的劇烈波動(dòng)是否對(duì)滬深市場(chǎng)造成巨大沖擊，進(jìn)而引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)，選取滬深300 指數(shù)、國(guó)證煤炭指數(shù)、國(guó)證電力指數(shù)的日收盤(pán)價(jià)為研究對(duì)象，分析滬深市場(chǎng)、煤炭市場(chǎng)及電力市場(chǎng)間的尾部相依結(jié)構(gòu)。用hs300，gzmt，gzdl 分別表示滬深300、國(guó)證煤炭、國(guó)證電力的股票價(jià)格指數(shù)，用Rhs300，Rgzmt，Rgzdl 分別表示3 個(gè)股票價(jià)格指數(shù)對(duì)數(shù)差分后的收益率時(shí)間序列。運(yùn)用Stata15.0 軟件將2015 年1 月至2021 年12 月的指數(shù)收盤(pán)價(jià)繪制成圖1 所示的時(shí)序圖。

圖1 指數(shù)收盤(pán)價(jià)序列時(shí)序圖Fig.1 Sequence diagram of index closing price sequence

由圖1 可發(fā)現(xiàn)：3 個(gè)指數(shù)的原始時(shí)間序列均不平穩(wěn)，且3 個(gè)市場(chǎng)價(jià)格指數(shù)均從2020 年1 月開(kāi)始上漲，在2021 年末急劇下跌，先大漲后大跌的趨勢(shì)符合本文尾部風(fēng)險(xiǎn)的研究需要。因此選取3 個(gè)指數(shù)從2020 年1 月至2021 年12 月的所有交易日收盤(pán)價(jià)數(shù)據(jù)為樣本，對(duì)原始指數(shù)收盤(pán)價(jià)數(shù)據(jù)對(duì)數(shù)差分處理得到各指數(shù)的收益率序列，計(jì)算公式為

其中：Rd為第d日的股票指數(shù)收益率；Id為第d日的股票價(jià)格總指數(shù)；Id-1為第d-1 日的股票價(jià)格總指數(shù)。

剔除節(jié)假日等休市時(shí)間，得到原始樣本471 個(gè)，對(duì)數(shù)差分后的樣本為470 個(gè)，使用的計(jì)量軟件為Stata15.0 和R4.1.1。根據(jù)3 個(gè)指數(shù)收益率序列的日數(shù)據(jù)繪制成圖2 所示的時(shí)序圖，從上到下依次為滬深300、國(guó)證煤炭和國(guó)證電力的指數(shù)收益率波動(dòng)情況。由圖2 可見(jiàn)：3 個(gè)指數(shù)收益率序列均呈本期波動(dòng)較大時(shí)未來(lái)若干期波動(dòng)也較大的波動(dòng)聚集和厚尾現(xiàn)象。3 個(gè)指數(shù)收益率序列的單位根檢驗(yàn)如表1。由表1 可發(fā)現(xiàn)：3 個(gè)指數(shù)收益率序列的P值均為0.01，顯著拒絕非平穩(wěn)序列的原假設(shè)，即3 個(gè)指數(shù)收益率序列均平穩(wěn)。

表1 3 個(gè)指數(shù)收益率序列的ADF 檢驗(yàn)結(jié)果Tab.1 ADF test results of three index return series

圖2 滬深300、國(guó)證煤炭、國(guó)證電力指數(shù)收益率波動(dòng)曲線Fig.2 Fluctuation curves of returns on CSI 300, China’s coal and China’s power indexes

表2 為變量的描述性統(tǒng)計(jì)及相關(guān)統(tǒng)計(jì)檢驗(yàn)結(jié)果。由表2 可知：滬深300 指數(shù)、國(guó)證煤炭及國(guó)證電力指數(shù)的均值均為負(fù)，表明樣本期內(nèi)3 個(gè)指數(shù)市場(chǎng)投資情緒低迷；煤炭指數(shù)收益率序列的方差波動(dòng)最大(即煤炭市場(chǎng)的價(jià)格波動(dòng)最強(qiáng))，滬深市場(chǎng)的價(jià)格波動(dòng)最小，且3 個(gè)指數(shù)收益率序列均呈波動(dòng)聚集的異方差情形，因此存在ARCH 效應(yīng)；由偏度、峰度數(shù)值可初步判斷3 個(gè)收益率時(shí)間序列均服從尖峰厚尾分布，而不是服從正態(tài)分布。進(jìn)一步地，3 個(gè)變量J-B檢驗(yàn)量對(duì)應(yīng)的P值均為0，表明3 個(gè)收益率序列均不服從正態(tài)分布且存在厚尾特征。厚尾特征代表尾部事件更高的發(fā)生概率，在研究指數(shù)間風(fēng)險(xiǎn)相依關(guān)系時(shí)，應(yīng)注重對(duì)金融市場(chǎng)尾部風(fēng)險(xiǎn)的度量，合理規(guī)避風(fēng)險(xiǎn)；3 個(gè)指數(shù)收益率序列LB 檢驗(yàn)統(tǒng)計(jì)量的伴隨P值均大于0.05，證明3 個(gè)指數(shù)收益率序列都不存在滯后自相關(guān)性(白噪聲過(guò)程)；同時(shí)ARCH-LM 檢驗(yàn)顯著拒絕原假設(shè)，表明存在收益率序列的ARCH 效應(yīng)，故選擇GARCH(1,1)-偏t模型擬合3 個(gè)收益率序列的邊緣分布。

表2 變量的描述性統(tǒng)計(jì)及相關(guān)統(tǒng)計(jì)檢驗(yàn)結(jié)果Tab.2 Descriptive statistics and relevant statistical test results of variables

2.2 邊緣分布模型的建立與參數(shù)估計(jì)

2.2.1 邊緣分布模型的建立

基于描述性統(tǒng)計(jì)的檢驗(yàn)結(jié)果，采用ARMA(m,q)-GARCH(1,1)-偏t模型進(jìn)行建模，其中偏t指偏t分布，模型如式(10)。

2.2.2 模型參數(shù)估計(jì)對(duì)殘差進(jìn)行標(biāo)準(zhǔn)化處理，再進(jìn)行概率積分變換求出Copula 模型需要的殘差序列，最后建立GARCH(1,1)-偏t模型刻畫(huà)邊緣分布模型的參數(shù)估計(jì)值，得到的參數(shù)結(jié)果如表3。由表3 可見(jiàn)：Rgzmt，Rgzdl 對(duì)應(yīng)的系數(shù)ω 均在10%的置信水平上顯著，Rhs300對(duì)應(yīng)的系數(shù)ω 在1%的置信水平上顯著；所有收益率序列的α 均在1%置信水平上顯著，說(shuō)明3 個(gè)時(shí)間序列的殘差會(huì)影響其收益率波動(dòng)；3 個(gè)指數(shù)收益率序列的 β值都接近于1，并都在1%置信水平上顯著，說(shuō)明滯后期波動(dòng)會(huì)對(duì)即期波動(dòng)造成較大影響；α和 β系數(shù)均在1%水平上顯著，說(shuō)明3 個(gè)指數(shù)收益率序列均存在GARCH(1，1)效應(yīng)，模型能夠準(zhǔn)確描述3 個(gè)指數(shù)收益率序列的波動(dòng)性情況，即邊緣分布模型的構(gòu)建是合理的；3 個(gè)指數(shù)收益率序列的偏度值均大于0，說(shuō)明其分布偏右，故誤差項(xiàng)采用偏t分布。3 個(gè)收益率序列LB 檢驗(yàn)的P值分別為0.539 2，0.619 9，0.384 8，均接受收益率序列沒(méi)有自相關(guān)性的原假設(shè)；LB2 檢驗(yàn) 的P值分別為0.358 8，0.725 8，0.925 5，不顯著，說(shuō)明殘差平方收益率序列中不存在序列自相關(guān)；ARCH-LM 檢驗(yàn)的P值分別為0.916 6，0.954 4，0.931 7，顯著接受原假設(shè)，即模型標(biāo)準(zhǔn)化殘差中不存在GARCH 效應(yīng)，模型檢驗(yàn)可通過(guò)。ARCHLM，LB 和LB2 檢驗(yàn)的P值均不顯著，可滿足Copula建模要求的前提。因此，篩選出不存在自相關(guān)和異方差的3 組標(biāo)準(zhǔn)化殘差，構(gòu)建Copula 分布；利用表3 中的每個(gè)邊緣模型標(biāo)準(zhǔn)化殘差進(jìn)行概率積分變換；根據(jù)變量之間的 Kendal’s τ 估計(jì)值選擇最優(yōu)藤結(jié)構(gòu)。

表3 GARCH(1,1)-偏t 參數(shù)估計(jì)結(jié)果Tab.3 GARCH (1,1)-bias t-parameter estimation results

2.3 基于R 藤Copula 的尾部相依風(fēng)險(xiǎn)測(cè)度

金融市場(chǎng)中的尾部風(fēng)險(xiǎn)指不同市場(chǎng)中的資產(chǎn)價(jià)格同時(shí)出現(xiàn)暴漲(上尾事件)或暴跌(下尾事件)的情形。尾部事件發(fā)生的概率較小，但一旦發(fā)生，爆發(fā)性更強(qiáng)、傳播性更廣、沖擊性更大。R 藤Copula 在測(cè)度相依結(jié)構(gòu)時(shí)，最具靈活性，所以文中選擇最大生成樹(shù)來(lái)選擇R 藤Copula 的結(jié)構(gòu)，用式(11)解決每棵樹(shù)的優(yōu)化問(wèn)題。

使用R4.1.1 軟件對(duì)3 個(gè)股票指數(shù)進(jìn)行Copula建模，得到3 個(gè)指數(shù)的R 藤Copula 相依結(jié)構(gòu)模型Kendall’s τ 相關(guān)系數(shù)及上下尾相關(guān)系數(shù)，結(jié)果如表4。表中edge 表示每棵樹(shù)結(jié)構(gòu)圖的節(jié)點(diǎn)連接情況；a，b表示b元模型的第a顆樹(shù)；1 表示滬深300 指數(shù)；2 表示國(guó)證電力指數(shù)；3 表示國(guó)證煤炭指數(shù)；tau 為Kendall’s τ 相關(guān)系數(shù)；utd 為上尾相關(guān)系數(shù)；ltd 為下尾相關(guān)系數(shù)。

表4 R 藤結(jié)構(gòu)的Copula 擬合結(jié)果Tab.4 Copula fitting results of R vine structure

為直觀地觀察3 個(gè)指數(shù)市場(chǎng)的尾部相依結(jié)構(gòu)，用R4.1.1 軟件繪制R 藤Copula 的2 棵樹(shù)結(jié)構(gòu)圖，第一棵樹(shù)、第二棵樹(shù)的R 藤結(jié)構(gòu)分別如圖3，4。同時(shí)為直觀地觀察3 個(gè)指數(shù)市場(chǎng)之間的尾部對(duì)稱(chēng)關(guān)系變化情況，繪制各節(jié)點(diǎn)的密度分布結(jié)構(gòu)，如圖5。圖中λ 為尾部相關(guān)性系數(shù)。

圖3 R 藤Copula 的第一棵樹(shù)結(jié)構(gòu)Fig.3 The first tree structure of R vine Copula

圖4 R 藤Copula 第二棵樹(shù)結(jié)構(gòu)Fig.4 The second tree structure of R vine Copula

圖5 各節(jié)點(diǎn)的密度分布結(jié)構(gòu)Fig.5 Density distribution structure of each node

考慮非條件藤 Copula 結(jié)構(gòu)，由表4 可看出：國(guó)證煤炭和滬深300 指數(shù)市場(chǎng)(3，1)的相依性服從Gumbel Copula 結(jié)構(gòu)，2 個(gè)市場(chǎng)的相依性較強(qiáng)，同時(shí)由圖5 左下角可看出煤炭市場(chǎng)和滬深300 市場(chǎng)的密度分布結(jié)構(gòu)有1 條向右上方延伸的尾巴，兩者具有非對(duì)稱(chēng)的尾部風(fēng)險(xiǎn)；滬深市場(chǎng)與煤炭市場(chǎng)的Kendall秩相關(guān)系數(shù)為0.29，說(shuō)明2 個(gè)收益率序列變動(dòng)的同向相依性為0.29，且擁有很強(qiáng)的上尾相依性，上尾相依系數(shù)為0.36，無(wú)下尾相依性，說(shuō)明煤炭市場(chǎng)暴漲時(shí)滬深市場(chǎng)同向暴漲的概率為0.36，表明滬深市場(chǎng)和煤炭市場(chǎng)兩者之間有著較強(qiáng)的傳染性和依賴性。這是因?yàn)槊禾渴袌?chǎng)是我國(guó)能源市場(chǎng)的主要組成部分，煤炭是影響我國(guó)社會(huì)生產(chǎn)的主體能源，依賴煤炭能源的下游產(chǎn)業(yè)分布各個(gè)行業(yè)，這些行業(yè)又是滬深市場(chǎng)的重要組成部分。

根據(jù)圖5 中的(3，2)結(jié)構(gòu)和表4 可知：國(guó)證煤炭指數(shù)和國(guó)證電力指數(shù)市場(chǎng)之間的尾部風(fēng)險(xiǎn)具有對(duì)稱(chēng)性，2 個(gè)市場(chǎng)的相依關(guān)系符合T-Copula 結(jié)構(gòu)；Kendall秩相關(guān)系數(shù)為0.39，兩者的相依性最強(qiáng)，說(shuō)明國(guó)證煤炭和國(guó)證電力2 個(gè)市場(chǎng)指數(shù)的收益率同向變動(dòng)的概率為0.39。由圖5 中的(2，1；3)結(jié)構(gòu)可發(fā)現(xiàn)，電力市場(chǎng)和煤炭市場(chǎng)存在對(duì)稱(chēng)的上下尾關(guān)系，且擁有較強(qiáng)的尾部相依性，上下尾相依系數(shù)均為0.23，說(shuō)明電力市場(chǎng)和煤炭市場(chǎng)收益率序列的同向相依性為0.23，即煤炭市場(chǎng)大跌(大漲)時(shí)，電力市場(chǎng)因受到負(fù)向(正向)沖擊而發(fā)生尾部風(fēng)險(xiǎn)的概率為0.23。這是因?yàn)槟壳盎鹆Πl(fā)電仍占據(jù)我國(guó)發(fā)電總量的七成市場(chǎng)，對(duì)煤炭的巨大需求使得電力市場(chǎng)對(duì)煤炭市場(chǎng)產(chǎn)生較大的依賴性和相依性。電力市場(chǎng)的供給對(duì)全社會(huì)各行業(yè)生產(chǎn)的影響更迅速，因此應(yīng)特別警惕當(dāng)煤炭市場(chǎng)發(fā)生尾部風(fēng)險(xiǎn)時(shí)，對(duì)電力市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)。

其次看條件藤Copula 結(jié)構(gòu)，這里考慮條件相依系數(shù)，即考慮2 個(gè)市場(chǎng)的間接傳染結(jié)構(gòu)。由條件藤結(jié)構(gòu)識(shí)別出當(dāng)國(guó)證煤炭指數(shù)市場(chǎng)作為中間市場(chǎng)時(shí)，滬深300 指數(shù)和國(guó)證電力指數(shù)(1，2)的Kendall 秩相關(guān)系數(shù)為0.18，不存在上下尾相依性，說(shuō)明滬深市場(chǎng)和電力2 個(gè)市場(chǎng)的間接傳染結(jié)構(gòu)為正向，且相依性較強(qiáng)。進(jìn)一步說(shuō)明當(dāng)電力市場(chǎng)經(jīng)歷暴漲(暴跌)行情時(shí)，滬深市場(chǎng)受到間接影響而隨之同漲同跌的可能性不大。根據(jù)圖3，4 和表4 可發(fā)現(xiàn)，國(guó)證電力和滬深300 指數(shù)市場(chǎng)沒(méi)有直接的相依影響關(guān)系，存在這種間接的傳染結(jié)構(gòu)是因?yàn)槲覈?guó)是全球煤炭消費(fèi)大國(guó)，“碳中和”政策疊加新冠疫情后的國(guó)內(nèi)經(jīng)濟(jì)復(fù)蘇為煤炭?jī)r(jià)格上升提供了巨大推力，供需錯(cuò)配下的煤炭市場(chǎng)上演“煤超瘋”行情。對(duì)此，國(guó)家發(fā)展改革委員會(huì)極力推進(jìn)煤炭產(chǎn)能釋放，促使煤炭?jī)r(jià)格回歸合理區(qū)間。在一系列政策信息影響下，市場(chǎng)情緒迅速降溫，2021 年10 月20 日起，煤炭板塊陷入連續(xù)多日的跌停潮，電力板塊則受利好政策助推，股價(jià)應(yīng)勢(shì)上漲。

通過(guò)分析發(fā)現(xiàn)，在樣本期內(nèi)煤炭市場(chǎng)是主導(dǎo)市場(chǎng)。從外部環(huán)境看由于新冠疫情的爆發(fā)，全球經(jīng)濟(jì)增速放緩甚至停滯，各行業(yè)發(fā)展受到巨大沖擊；同時(shí)疊加全球能源危機(jī)持續(xù)發(fā)生而全球煤炭消費(fèi)量仍居高不下的行業(yè)背景，多國(guó)發(fā)電廠煤炭庫(kù)存出現(xiàn)低位預(yù)警，其中美國(guó)煤炭庫(kù)存降至24 年來(lái)歷史低點(diǎn)，煤炭?jī)r(jià)格也升至12 年來(lái)最高水平，加劇了冬季供電的壓力。從內(nèi)部環(huán)境看，2021 年，國(guó)內(nèi)疫情防控常態(tài)化，國(guó)內(nèi)經(jīng)濟(jì)復(fù)蘇，全社會(huì)用電量增加，煤炭需求激增。在內(nèi)外部環(huán)境的共同影響下，煤炭市場(chǎng)受到市場(chǎng)需求的反饋速度快于其他市場(chǎng)，使得煤炭市場(chǎng)在樣本期內(nèi)成為主導(dǎo)市場(chǎng)，也使得煤炭市場(chǎng)和電力市場(chǎng)表現(xiàn)出強(qiáng)相關(guān)性。國(guó)證煤炭指數(shù)與國(guó)證電力指數(shù)、滬深300 指數(shù)都有著正向的尾部相依關(guān)系，每?jī)蓚€(gè)市場(chǎng)之間存在較強(qiáng)的聯(lián)動(dòng)性，其中煤炭市場(chǎng)和電力指數(shù)市場(chǎng)有著較強(qiáng)的下尾相關(guān)性。當(dāng)煤炭板塊暴跌時(shí)，會(huì)給電力市場(chǎng)帶來(lái)巨大的負(fù)向沖擊，風(fēng)險(xiǎn)監(jiān)管者及投資者應(yīng)注意投資風(fēng)險(xiǎn)配比，警惕風(fēng)險(xiǎn)事件可能帶來(lái)的強(qiáng)破壞性和風(fēng)險(xiǎn)溢出性。滬深指數(shù)市場(chǎng)和電力指數(shù)市場(chǎng)的間接傳染結(jié)構(gòu)呈現(xiàn)正相關(guān)，當(dāng)一個(gè)市場(chǎng)波動(dòng)時(shí)，其風(fēng)險(xiǎn)會(huì)通過(guò)國(guó)證煤炭市場(chǎng)傳導(dǎo)至另一市場(chǎng)，使得另一市場(chǎng)發(fā)生同向波動(dòng)。這種間接風(fēng)險(xiǎn)傳導(dǎo)機(jī)制的存在，是因?yàn)殡S著國(guó)內(nèi)經(jīng)濟(jì)在全球率先復(fù)蘇，各行業(yè)用電量激增，電力市場(chǎng)的穩(wěn)定供給首先需要煤炭市場(chǎng)的穩(wěn)定供給來(lái)提供保障。但與此同時(shí)滬深市場(chǎng)和電力市場(chǎng)的間接尾部相依性消失，說(shuō)明我國(guó)煤炭指數(shù)市場(chǎng)的風(fēng)險(xiǎn)轉(zhuǎn)換和承壓能力較高，我國(guó)能源市場(chǎng)和滬深市場(chǎng)整體風(fēng)險(xiǎn)控制應(yīng)對(duì)能力較強(qiáng)，應(yīng)對(duì)市場(chǎng)劇烈波動(dòng)已具有一定的免疫力。

3 結(jié)論與建議

3.1 結(jié)論

選用R 藤Copula 模型對(duì)2020 年1 月至2021 年12 月的國(guó)證煤炭、國(guó)證電力和滬深300 指數(shù)收益率間的相依關(guān)系進(jìn)行度量，研究我國(guó)煤炭、電力2 個(gè)能源市場(chǎng)和滬深市場(chǎng)的尾部相依風(fēng)險(xiǎn)關(guān)系。實(shí)證結(jié)果表明：滬深市場(chǎng)、電力市場(chǎng)都和煤炭市場(chǎng)有很強(qiáng)的正相依性，煤炭市場(chǎng)和滬深市場(chǎng)僅有上尾相依性，但煤炭市場(chǎng)和電力市場(chǎng)的上下尾相依性均存在；煤炭市場(chǎng)是中間市場(chǎng)，電力市場(chǎng)和煤炭市場(chǎng)的相依性最高且具有強(qiáng)上下尾相依系數(shù)，即煤炭市場(chǎng)價(jià)格的劇烈波動(dòng)時(shí)會(huì)給電力市場(chǎng)帶來(lái)巨大沖擊，因此尤其要注意強(qiáng)下尾相關(guān)性帶來(lái)的小概率風(fēng)險(xiǎn)事件，進(jìn)而引發(fā)的系統(tǒng)性風(fēng)險(xiǎn)。

3.2 建議

煤炭市場(chǎng)和滬深市場(chǎng)的相依性較高但低于電力市場(chǎng)和煤炭市場(chǎng)，且煤炭市場(chǎng)和滬深市場(chǎng)僅有較高的上尾相依性，不存在下尾相依性，即煤炭市場(chǎng)和滬深市場(chǎng)同時(shí)大漲的概率較大，而同時(shí)暴跌的可能性幾乎為零。為警惕滬深市場(chǎng)、電力市場(chǎng)和煤炭市場(chǎng)間下尾部相依性可能帶來(lái)的風(fēng)險(xiǎn)傳染，進(jìn)一步防范系統(tǒng)性風(fēng)險(xiǎn)，在監(jiān)管和防范3 個(gè)市場(chǎng)的風(fēng)險(xiǎn)時(shí)，要著重警惕煤炭市場(chǎng)的價(jià)格劇烈變化帶來(lái)的強(qiáng)連鎖反應(yīng)。

1) 在金融市場(chǎng)方面，風(fēng)險(xiǎn)監(jiān)管者應(yīng)充分考慮不同金融市場(chǎng)之間的尾部風(fēng)險(xiǎn)相依關(guān)系，警惕風(fēng)險(xiǎn)事件帶來(lái)的強(qiáng)破壞性，從而準(zhǔn)確地測(cè)度和規(guī)避風(fēng)險(xiǎn)。著重防范重要能源市場(chǎng)間的下尾相依性可能給能源實(shí)體經(jīng)濟(jì)帶來(lái)的沖擊，同時(shí)投資者在投資布局相關(guān)板塊時(shí)，應(yīng)注意規(guī)避煤炭市場(chǎng)和電力市場(chǎng)間的強(qiáng)下尾部相依性風(fēng)險(xiǎn)，時(shí)刻注意各板塊收益率之間的相依結(jié)構(gòu)變化，合理分配下尾相關(guān)性較強(qiáng)投資組合的投資比例，從而達(dá)到構(gòu)建一個(gè)相對(duì)分散化投資組合的目的。金融市場(chǎng)的政策制定者在進(jìn)一步深化金融市場(chǎng)改革和加快對(duì)外開(kāi)放步伐的同時(shí)，應(yīng)充分重點(diǎn)注意能源市場(chǎng)波動(dòng)對(duì)本國(guó)能源市場(chǎng)安全及其他金融市場(chǎng)的影響，及時(shí)識(shí)別尾部風(fēng)險(xiǎn)并積極采取措施，針對(duì)不同板塊可制定不同措施，分板塊對(duì)市場(chǎng)的尾部風(fēng)險(xiǎn)進(jìn)行有效規(guī)避。

2) 在能源板塊方面，煤炭以及電力板塊作為影響國(guó)計(jì)民生的重要能源板塊，價(jià)格在持續(xù)時(shí)間內(nèi)的大漲大跌會(huì)對(duì)相關(guān)產(chǎn)業(yè)鏈造成巨大沖擊，進(jìn)而引發(fā)金融風(fēng)險(xiǎn)傳染。盡管近年來(lái)我國(guó)在極力發(fā)展新能源事業(yè)，但是火電仍是當(dāng)前的主要供電方式，煤炭?jī)r(jià)格上漲拉動(dòng)電價(jià)上漲或供給不足，最終會(huì)影響供電下游企業(yè)的各項(xiàng)生產(chǎn)經(jīng)營(yíng)活動(dòng)。因而風(fēng)險(xiǎn)監(jiān)管者要重點(diǎn)警惕煤炭市場(chǎng)價(jià)格持續(xù)的大幅波動(dòng)可能帶來(lái)的小概率極端風(fēng)險(xiǎn)，提前防范并做好應(yīng)對(duì)措施，防止風(fēng)險(xiǎn)溢出給金融市場(chǎng)的穩(wěn)定帶來(lái)巨大的不確定性；同時(shí)金融投資者也應(yīng)理性對(duì)待金融市場(chǎng)中偶然出現(xiàn)的價(jià)格大幅波動(dòng)現(xiàn)象，不可盲目沖動(dòng)及因抱僥幸心理而陷入“追漲殺跌”的羊群效應(yīng)陷阱，從而帶來(lái)不必要的投資損失。

3) 在煤炭市場(chǎng)方面，作為3 個(gè)市場(chǎng)的中間市場(chǎng)，煤炭是我國(guó)供電市場(chǎng)的重要能源來(lái)源，如果煤電板塊的股票價(jià)格漲幅脫離實(shí)體經(jīng)濟(jì)供求基本面，非理性惡意上漲，將會(huì)給相關(guān)產(chǎn)業(yè)尤其是電力市場(chǎng)的實(shí)體帶來(lái)巨大供給壓力。國(guó)家發(fā)展改革委員會(huì)應(yīng)持續(xù)重點(diǎn)關(guān)注煤炭市場(chǎng)價(jià)格的合理性，積極對(duì)脫離正常市場(chǎng)價(jià)格的煤炭能源企業(yè)進(jìn)行調(diào)控和干預(yù)，并聯(lián)合金融監(jiān)管部門(mén)嚴(yán)厲打擊內(nèi)幕交易及惡意炒作的惡劣市場(chǎng)行為。立足國(guó)內(nèi)，根據(jù)國(guó)情大力推進(jìn)煤礦智能化開(kāi)采和煤炭清潔高效利用，切實(shí)發(fā)揮煤炭兜底保障作用[20]。同時(shí)應(yīng)制定具體管控措施，促進(jìn)能源市場(chǎng)持續(xù)健康發(fā)展，將可能發(fā)生的重大金融風(fēng)險(xiǎn)事件扼殺在搖籃里。同時(shí)金融風(fēng)險(xiǎn)監(jiān)管者應(yīng)密切關(guān)注股票市場(chǎng)價(jià)格動(dòng)向，堅(jiān)決抵制惡意炒作以及操縱市場(chǎng)價(jià)格的行為，投資者也應(yīng)注意相關(guān)板塊的尾部相依性風(fēng)險(xiǎn)，盡可能降低或規(guī)避風(fēng)險(xiǎn)關(guān)聯(lián)帶來(lái)的資產(chǎn)減值損失。