摘要：本文使用波動率加權(quán)的歷史模擬法計算得到預(yù)期損失，以此度量金融市場風(fēng)險，并通過分位數(shù)回歸模型對市場間的非對稱傳染關(guān)系進(jìn)行了定量分析，探究了我國金融市場中債券、股票、貨幣三個市場之間的風(fēng)險傳染效應(yīng)及傳染機制。繼而，結(jié)合經(jīng)濟學(xué)原理及實際情況對實證研究結(jié)果進(jìn)行了分析，以期為金融監(jiān)管機構(gòu)的風(fēng)險調(diào)控提供參考。關(guān)鍵詞：風(fēng)險測度 預(yù)期損失 風(fēng)險傳染 分位數(shù)回歸模型

引言

對金融監(jiān)管機構(gòu)而言，控制金融市場的系統(tǒng)性風(fēng)險、防范化解重大風(fēng)險是其重要任務(wù)。2021年12月31日，中國人民銀行發(fā)布《宏觀審慎政策指引（試行）》，將“風(fēng)險評估”“傳導(dǎo)機制”“積聚和傳染系統(tǒng)性金融風(fēng)險”等寫入總則，體現(xiàn)了對風(fēng)險測度和風(fēng)險傳染的高度關(guān)注。

本文使用波動率加權(quán)的歷史模擬法計算我國債券、股票、貨幣市場的預(yù)期損失，對我國金融市場極端風(fēng)險進(jìn)行度量。在計算不同市場預(yù)期損失的基礎(chǔ)上，通過分位數(shù)回歸模型對2007—2022年市場間時變非對稱的傳染關(guān)系進(jìn)行定量分析，并得出相應(yīng)結(jié)論。在此基礎(chǔ)上，結(jié)合經(jīng)濟學(xué)原理及實際情況分析各市場之間極端風(fēng)險的傳染機制。

本文的創(chuàng)新體現(xiàn)在兩方面：一是使用波動率加權(quán)的歷史模擬法計算預(yù)期損失來測度金融市場風(fēng)險，其包含的極端風(fēng)險信息更加充分；二是使用分位數(shù)回歸模型對市場間極端風(fēng)險傳染關(guān)系進(jìn)行定量分析，能夠有效識別不同市場間的非對稱傳染關(guān)系。

文獻(xiàn)綜述

（一）金融市場風(fēng)險測度文獻(xiàn)綜述

金融風(fēng)險是金融市場交易者在金融活動中對未來結(jié)果不確定性的暴露，金融風(fēng)險度量的目標(biāo)是將金融市場未來的不確定性轉(zhuǎn)化為具體數(shù)值，以進(jìn)行風(fēng)險管理。

Markowitz（1952）首次將均值-方差模型引入金融風(fēng)險研究中，使用標(biāo)的資產(chǎn)的標(biāo)準(zhǔn)差或方差直接衡量資產(chǎn)風(fēng)險。Engle（1982）提出ARCH模型，對金融過程的波動率進(jìn)行動態(tài)建模，改進(jìn)了傳統(tǒng)的靜態(tài)波動率模型。使用方差或波動率對金融風(fēng)險度量，其優(yōu)點是計算簡便、邏輯清晰，缺點是難以及時捕捉到極端風(fēng)險的變動。摩根大通在1992年提出在險價值（VaR）概念。VaR指特定時間內(nèi)，在給定置信區(qū)間資產(chǎn)或投資組合的最大可能損失：

VaRα=inf {l∈R：P（Loss<-l）≤1-α}， α∈（0，1）

作為度量極端風(fēng)險的指標(biāo)，VaR在文獻(xiàn)中被廣泛使用。但VaR的缺陷同樣較為明顯：第一，VaR是一個分位點，無法度量分位數(shù)點以外的尾部極端風(fēng)險；第二，由于計算方法的缺陷，VaR不滿足次可加性，當(dāng)使用者通過最優(yōu)化VaR來確定資產(chǎn)組合的極端風(fēng)險時，可能會得到多個局部最優(yōu)解，這會對實際使用造成困擾。

Acerbi等（2001）提出了一種改進(jìn)的風(fēng)險測度指標(biāo)：預(yù)期損失（Expected Shortfall，以下簡稱ES）。ES表示在設(shè)定的分位數(shù)區(qū)間內(nèi)的收益率均值：

ESα（X）=E[-X |X≤-VaRα（X）]， α∈（0，1）

從定義上看，相對于VaR，ES不是單一的分位點，而是尾部損失的均值，所有超過VaR的損失均被考慮計算，因此ES對尾部損失的計量是充分的。此外，ES滿足單調(diào)、平移不變、正齊次、次可加等性質(zhì)，具有更高的敏感度，相較VaR具有優(yōu)勢。

中國金融市場發(fā)展尚不成熟，金融市場有效性還有較大的提升空間，因此單一的概率分布假設(shè)從長期來看可能不符合中國金融市場的實際情況，使用純參數(shù)法估計中國金融市場風(fēng)險可能存在模型誤設(shè)的風(fēng)險。而VaR存在尾部風(fēng)險度量不充分、不滿足次可加性等缺陷。在對比各風(fēng)險測度指標(biāo)的優(yōu)缺點后，本文采用ES來度量金融市場的風(fēng)險水平。

（二）金融市場風(fēng)險傳染效應(yīng)文獻(xiàn)綜述

鑒于歷史上數(shù)次金融危機的傳染效應(yīng)對社會經(jīng)濟造成了嚴(yán)重影響，學(xué)術(shù)界對金融市場風(fēng)險傳染和溢出效應(yīng)機制展開了持續(xù)研究。聚焦我國，伴隨著金融市場有效性的提升及市場參與者的日益多元，相關(guān)學(xué)者對金融市場風(fēng)險傳染的研究結(jié)論呈現(xiàn)出多元化特征。

劉玚等（2020）通過MVMQ-CAViaR方法，分析了股票、債券、銀行間市場的極端風(fēng)險傳染過程，結(jié)果顯示股票和債券市場對銀行間市場產(chǎn)生顯著的單向極端風(fēng)險溢出效應(yīng)。而銀行間市場對另外兩個市場無極端風(fēng)險傳遞效應(yīng)，表明股票和債券市場的極端風(fēng)險向銀行間市場的傳導(dǎo)過程具有不可逆性。謝福座（2010）使用分位數(shù)回歸模型，結(jié)合條件風(fēng)險價值法，對我國股票市場和債券市場的溢出效應(yīng)進(jìn)行考察，發(fā)現(xiàn)當(dāng)分位數(shù)小于1.5%時，股票市場和債券市場存在雙向風(fēng)險溢出效應(yīng)；而在1.5%～5%的分位數(shù)條件下，只有債券市場對股票市場存在溢出效應(yīng)。田業(yè)鈞（2016）討論了信用風(fēng)險的影響因素，并對信用風(fēng)險的傳染機理及路徑進(jìn)行了分析。

隨著我國金融市場的發(fā)展，市場間壁壘的逐步消退，此前對金融市場風(fēng)險傳染的研究結(jié)果目前或已不適用。本文在計算金融市場風(fēng)險ES的基礎(chǔ)上，使用分位數(shù)回歸模型，探究金融市場的風(fēng)險傳染效應(yīng)及其背后的機制。

金融市場風(fēng)險傳染效應(yīng)理論分析

關(guān)于金融風(fēng)險傳染效應(yīng)的理論機制可以從宏觀和微觀兩個角度進(jìn)行分析。從宏觀角度看，不同市場之間存在著共同的定價因素，如利率因子，導(dǎo)致各市場之間存在聯(lián)動性。但僅靠單一因素難以解釋市場間的復(fù)雜傳染機制，因此需要結(jié)合微觀理論展開討論。微觀理論強調(diào)金融市場風(fēng)險的出現(xiàn)對投資者心理預(yù)期和資產(chǎn)配置行為的影響，主流的理論有3種：投資者羊群效應(yīng)、財富效應(yīng)和注意力配置效應(yīng)，相關(guān)表述如表1所示。

金融市場風(fēng)險傳染效應(yīng)實證研究

下文將計算我國債券市場、股票市場、貨幣市場的ES，通過分位數(shù)回歸模型來研究我國金融市場的風(fēng)險傳染效應(yīng)。

（一）數(shù)據(jù)說明

債券可以分為利率債和信用債兩大類。利率債包括國債及政策性銀行債等，利率風(fēng)險直接影響其收益率。信用債一般為政府之外的主體發(fā)行的債券，如公司債、資產(chǎn)支持證券等，其收益同時包含了利率風(fēng)險和信用風(fēng)險。對債券市場而言，本文僅考慮利率風(fēng)險，使用1年期國債到期收益率作為債券市場的風(fēng)險測度數(shù)據(jù)。

本文選擇上證綜指代表股票市場的變動。相對于滬深300、中證1000等指數(shù)，上證綜指包含的股票樣本更為全面。本文基于上證綜指點位值計算得到收益率序列，以此作為股票市場的風(fēng)險測度數(shù)據(jù)。

貨幣市場的可選指標(biāo)主要包括3個月期上海銀行間同業(yè)拆放利率（Shibor）、銀行間市場7天回購利率（R007）、銀行間存款類金融機構(gòu)以利率債為質(zhì)押的7天期回購利率（DR007）等。其中，3個月期Shibor基于報價計算得到，并非真實成交；R007的參與主體較為復(fù)雜；DR007限定交易機構(gòu)為存款類金融機構(gòu)，且對質(zhì)押品的要求較高，成交數(shù)據(jù)更加可靠。經(jīng)綜合考量，本文選擇DR007作為貨幣市場的風(fēng)險測度數(shù)據(jù)。

本文將數(shù)據(jù)時間跨度設(shè)定在2007年1月至2022年7月，在該區(qū)間內(nèi)債券市場、股票市場和貨幣市場均經(jīng)歷多個周期，使用該時間跨度內(nèi)數(shù)據(jù)得到的結(jié)論更加可靠。需要說明的是，由于DR007數(shù)據(jù)在2014年12月15日正式發(fā)布，之前缺失的數(shù)據(jù)，使用R007補足。

（二）ES的計算及描述性統(tǒng)計

本文使用波動率加權(quán)歷史模擬法，選擇60期（3個月）的時間窗口作滾動估計，計算1年期國債到期收益率、上證綜指收益率、DR007序列的95%動態(tài)ES值，分別衡量債券、股票、貨幣市場的極端風(fēng)險水平。從表2中可以看出，3個市場的ES值具有顯著的正偏度，說明收益分布存在不對稱性；數(shù)據(jù)具有顯著的正峰度，即存在較大極端風(fēng)險的厚尾分布。這些均符合中國金融市場的數(shù)據(jù)特點。

圖1展示了3個市場的ES走勢圖。ES值能夠較好地刻畫市場極端風(fēng)險。在2008年1—3月、2015年5—9月以及2018年1—10月，股票市場ES值均有明顯的上升，同期上證綜指走出單邊下跌行情。債券市場ES和貨幣市場ES的走勢呈現(xiàn)周期波動，基本在季末和春節(jié)走高，其原因可能為季末銀行會受到考核壓力，而春節(jié)期間資金面相對偏緊，導(dǎo)致市場走熊。此外，R007的波動性顯著高于DR007，因此使用R007補足的數(shù)據(jù)，其ES值要顯著高于使用DR007計算的ES值。

圖2展示了股票市場VaR和ES的走勢對比，可以看到ES值整體高于VaR，與ES的定義相一致，即ES考慮了分位數(shù)區(qū)間內(nèi)全部極端值，相較VaR使用單一分位數(shù)刻畫風(fēng)險，ES的信息含量更高。從圖2也可以看到，在部分時間點，ES值要顯著高于VaR值，說明極端風(fēng)險分布存在不對稱性，此時使用ES刻畫極端風(fēng)險信息量更加充分。

（三）基于分位數(shù)回歸的極端風(fēng)險傳染實證

分析

一般的回歸模型主要檢驗解釋變量對被解釋變量條件均值的影響。但對極端風(fēng)險水平而言，風(fēng)險是非對稱分布的，不滿足均值回歸的相關(guān)假設(shè)。因此，本文使用分位數(shù)回歸模型，對上述3個市場的極端風(fēng)險傳染效應(yīng)進(jìn)行檢驗，其基本模型為：

Qτ（ESat）=β1（τ）+β2（τ）ESat-1+β3（τ）ESbt-1+εt（τ）

其中τ∈（0，1）為分位數(shù)值，Qτ（·）為被解釋變量的整體分位數(shù)，a和b分別代表不同市場。具體而言，先使用3個市場的ES作為被解釋變量，以本市場與其他市場滯后一期的ES作為解釋變量進(jìn)行分位數(shù)回歸。繼而，將估計系數(shù)繪制分位數(shù)-系數(shù)折線圖（見圖3），以更好地展示系數(shù)走勢。對不同分位數(shù)水平下的系數(shù)值進(jìn)行Wald檢驗，均拒絕原假設(shè)，即3個市場對極端風(fēng)險和非極端風(fēng)險的貢獻(xiàn)存在顯著不同。

綜合圖3的展示結(jié)果，對實證結(jié)果分析如下：

1.債券市場與貨幣市場

貨幣市場對債券市場存在顯著的風(fēng)險正向傳染效應(yīng)，當(dāng)債券市場自身風(fēng)險較高（分位數(shù)超過70%）時，貨幣市場風(fēng)險的擴大會加劇債券市場的風(fēng)險，且債券市場風(fēng)險越高，傳染效應(yīng)越強。

債券市場僅在貨幣市場風(fēng)險較低（小于50%分位數(shù)）時，才會對貨幣市場產(chǎn)生正向風(fēng)險傳染效應(yīng)。

2.債券市場與股票市場

債券市場對股票市場存在顯著的風(fēng)險正向傳染效應(yīng)。隨著股票市場風(fēng)險由小到大，傳染效應(yīng)呈現(xiàn)U形，即當(dāng)股票市場處于熊市或牛市時，風(fēng)險傳染效應(yīng)更強。

股票市場對債券市場的風(fēng)險傳染效應(yīng)整體不顯著，僅在債券市場風(fēng)險處于30%分位數(shù)水平時存在負(fù)向風(fēng)險傳染效應(yīng)。

3.貨幣市場與股票市場

貨幣市場對股票市場存在顯著的風(fēng)險正向傳染效應(yīng)。隨著股票市場風(fēng)險由小到大，傳染效應(yīng)呈現(xiàn)U形，即當(dāng)股票市場處于熊市或牛市時，風(fēng)險傳染效應(yīng)較強；當(dāng)股票市場風(fēng)險較高時，傳染效應(yīng)顯著強于其他風(fēng)險環(huán)境。

股票市場對貨幣市場的風(fēng)險傳染效應(yīng)不顯著，兩市場間風(fēng)險為單向傳染關(guān)系。

（四）極端風(fēng)險傳染機制分析

將以上實證結(jié)果進(jìn)行歸納，得到金融市場間風(fēng)險傳染路徑圖，如圖4所示，按照灰色虛線箭頭、黑色虛線箭頭、雙線箭頭的順序，風(fēng)險傳染效應(yīng)的程度逐步增強。

1.貨幣市場對股票、債券市場的影響機制

貨幣市場是中央銀行實施貨幣政策的重要載體，能夠反映金融市場整體的資金面情況。股票市場和債券市場均受利率定價的直接影響，因此貨幣市場對債券市場和股票市場均有顯著的風(fēng)險傳染效應(yīng)。貨幣市場風(fēng)險上升會導(dǎo)致利率上升或有上升預(yù)期，從資產(chǎn)組合配置效應(yīng)的角度看，會降低股票和債券的配置價值，進(jìn)而推升其風(fēng)險水平。

2.股票、債券市場間的影響機制

債券市場的參與主體是機構(gòu)投資者，而股票市場的參與者除機構(gòu)投資者之外，還存在大量個人投資者。機構(gòu)投資者在信息獲取及分析方面相對個人投資者具有明顯優(yōu)勢，因此當(dāng)債券市場遭遇沖擊并因此導(dǎo)致機構(gòu)投資者投資行為發(fā)生變化時，股票市場受個人投資者的推動，容易對信息沖擊超調(diào)，使得債券市場對股票市場造成顯著沖擊，表現(xiàn)為投資者羊群效應(yīng)。

3.股票、債券市場對貨幣市場的影響機制

商業(yè)銀行可以直接參與貨幣市場和債券市場的投資，而無法直接參與股票投資，因此受到參與者行為的影響，債券市場對貨幣市場的沖擊會強于股票市場對貨幣市場的沖擊。

穩(wěn)健性檢驗

為保證模型的穩(wěn)健性和結(jié)論的可靠性，本文進(jìn)一步利用變量替換法和調(diào)整樣本期兩種方式，對上文的實證結(jié)果進(jìn)行穩(wěn)健性檢驗。進(jìn)行變量替換時，本文使用相同參數(shù)（95%）估計得到的VaR，替代ES進(jìn)行分位數(shù)回歸。對于調(diào)整樣本期，原樣本期為2007—2022年，在穩(wěn)健性檢驗時，本文將樣本期調(diào)整為2013—2022年，進(jìn)行分位數(shù)回歸。兩種穩(wěn)健性檢驗方法的結(jié)果與圖3所展示的結(jié)果基本一致。因此，本文使用的風(fēng)險測度方法和分位數(shù)回歸模型的分析結(jié)論具有穩(wěn)健性，結(jié)論可靠。

結(jié)論

本文探究了金融市場的風(fēng)險測度方法以及債券、股票、貨幣三個市場之間的風(fēng)險傳染機制，并結(jié)合實證研究結(jié)果，對我國金融市場風(fēng)險傳染機制進(jìn)行了分析。研究發(fā)現(xiàn)，貨幣市場與債券市場存在雙向風(fēng)險傳染效應(yīng)，但貨幣市場的溢出效應(yīng)更顯著；債券市場與股票市場間雖存在雙向傳導(dǎo)效應(yīng)，但債券市場的正向溢出效應(yīng)更顯著；貨幣市場對股票市場有單向風(fēng)險傳染效應(yīng)。

防范金融子市場間的風(fēng)險傳染是控制金融市場系統(tǒng)性風(fēng)險的重要任務(wù)之一，本文的結(jié)果可以為監(jiān)管機構(gòu)提供一定的參考?；谏鲜鲅芯浚ㄗh金融監(jiān)管部門重視流動性變化對市場風(fēng)險的全局性影響，提高信息透明度，降低投資者羊群效應(yīng)，以降低極端風(fēng)險的傳染效應(yīng)。

參考文獻(xiàn)

[1]劉玚，李政，劉浩杰. 中國金融市場間極端風(fēng)險溢出的監(jiān)測預(yù)警研究——基于MVMQ-CAViaR方法的實現(xiàn)[J]. 經(jīng)濟與管理研究，2020（2）：19-29.

[2]田業(yè)鈞. 信用風(fēng)險傳染的影響因素、路徑與機理[J]. 債券，2016（6）：48-50.

[3]謝福座. 基于CoVaR方法的金融風(fēng)險溢出效應(yīng)研究[J]. 金融發(fā)展研究，2010（6）：59-63.

[4] Acerbi C， Nordio C， Sirtori C. Expected Shortfall as a Tool for Financial Risk Management[J]. Quantitative Finance， 2001， 31（2）： 379-388.

[5] Calvo G A， Mendoza E G. Rational Contagion and the Globalization of Securities Markets[J]. Journal of International Economics， 2000， 51（1）： 79-113.

[6] Engle R F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation[J]. Econometrica， 1982， 50（4）： 987-1007.

[7] Markowitz H M. Portfolio Selection[J]. The Journal of Finance， 1952， 7（1）： 77-91.

[8] Mondria J. Financial Contagion Through Attention Reallocation： An Empirical Analysis[J]. SSRN Electronic Journal， 2006， 12.

[9] Xiong W. Convergence Trading with Wealth Effects： an Amplification Mechanism in Financial Markets[J]. Journal of Financial Economics， 2001， 62（2）： 247-292.