陳恬艷 易榮華

摘要：金融全球化背景下，重大風險事件所具有的突發(fā)性與不確定性給世界金融市場的穩(wěn)定帶來了極大的挑戰(zhàn)，各國政府當局和學術界高度關注金融風險的快速傳導和跨國、跨市場的溢出問題。本文基于溢出指數(shù)模型，從靜態(tài)和動態(tài)兩個層面定量研究中美股票市場風險溢出效應的動態(tài)趨勢以及發(fā)生重大風險事件時風險溢出強度和傳導方向的動態(tài)演變過程。研究發(fā)現(xiàn)，中美股票市場之間存在顯著的風險溢出效應，美國市場是風險凈溢出者，中國市場是風險溢出的凈接受者；中美股市之間的風險溢出效應具有明顯的時變特征，政治、經(jīng)濟、金融以及公共衛(wèi)生等重大風險事件對股票市場溢出效應有顯著增強的影響；中美股市風險溢出效應的傳導方向由市場間的單向溢出轉變?yōu)锳股市場、香港市場和美國市場兩兩之間顯著的雙向溢出。因此，建議監(jiān)管當局根據(jù)風險的時變特征和傳導方向增強金融風險防控政策決策的全局性和前瞻性。

關鍵詞：重大風險事件；中美股票市場；風險溢出效應；溢出指數(shù)模型；廣義方差分解法；金融風險防控

中圖分類號：F832.5；F830.9? ? 文獻標識碼：A? ? ? 文章編號：1007-0753（2024）03-0023-13

一、引言

中國A股市場于2009年成為全球第二大股票市場和最大的新興股票市場，這與監(jiān)管層積極探索并實施一系列自由化政策，尋求在外匯管制下擴大雙向開放等制度創(chuàng)新有關：2002年12月1日，正式頒布實施合格境外機構投資者（QFII）和人民幣合格境外機構投資者（RQFII）機制；2008年提出A股市場開設國際板的設想；2014年推出了“滬港通”“深港通”；2019年取消了QFII、RQFII投資的額度限制和RQFII試點國家和地區(qū)限制等等。隨著市場規(guī)模的不斷擴大和自由化程度的不斷提升，國內(nèi)金融機構與國際金融市場的交易日益頻繁，境外資本參與A股市場的業(yè)務范圍和規(guī)模不斷擴大，對A股市場的快速發(fā)展起到了積極的推動作用。然而，縱觀美國次貸危機后的十余年，共振暴跌的重大風險事件頻頻出現(xiàn)，2009年歐債危機、2015年中國“股災”、2018年中美貿(mào)易摩擦以及2020年新冠疫情發(fā)生等重大風險事件，使得中美之間的大國博弈變得難以預測，美國金融市場已經(jīng)成為世界金融市場波動的重要風險源，對中美金融市場風險溢出效應產(chǎn)生深遠影響。黨的十九大和第五次全國金融工作會議指出，金融是國家重要的核心競爭力，金融安全是國家安全的重要組成部分，要堅決打好防范化解重大風險攻堅戰(zhàn)。黨的二十大進一步強調(diào)，加強和完善現(xiàn)代金融監(jiān)管，強化金融穩(wěn)定保障體系，守住不發(fā)生系統(tǒng)性金融風險底線。立足于有效防范金融風險的政策要求，面對我國金融市場發(fā)展的外部金融環(huán)境更趨復雜嚴峻、輸入性風險愈加多元強勁的經(jīng)濟事實，深入研究中美股票市場的風險溢出效應、發(fā)生重大風險事件時的溢出強度以及風險傳導方向的動態(tài)演變過程，對監(jiān)管當局跟蹤金融風險變化、把握金融風險傳導方向具有重要的現(xiàn)實意義。

本文的邊際貢獻在于：第一，從重大風險事件視角出發(fā)，將政治、經(jīng)濟、金融以及公共衛(wèi)生等重大風險事件納入研究框架，研究中美股票市場跨國風險溢出效應。第二，將滾動窗口技術與溢出指數(shù)模型相結合，定量測度A股市場、香港市場和美國市場時變的溢出指數(shù)。

二、文獻綜述

目前學術界對風險溢出效應這一術語尚無統(tǒng)一的界定標準，不同學者對風險溢出效應的定義有各自的理解。從現(xiàn)有文獻來看，部分學者從金融市場外部性的角度描述風險溢出效應。Forbes和Rigobon（2002）、Chiang等（2007）、Kenourgios等（2011）相繼研究發(fā)現(xiàn)，金融市場風險溢出效應的內(nèi)在機制表現(xiàn)為市場間關聯(lián)性的提高，尤其是當一個國家或一組國家遭受大規(guī)模沖擊后，市場間的相關性顯著增加，從而提高風險在不同市場間的溢出程度。部分學者從風險傳導性的角度描述風險溢出效應。蔣翠俠和張世英（2009）認為風險溢出表現(xiàn)為風險從一個市場（國家）迅速傳導至另一個市場（國家）。部分學者以不同市場中資產(chǎn)價格特征（如收益率、波動率）刻畫風險的大小，對風險溢出的描述大多從波動率的角度出發(fā)。Hamao等（1990）將金融市場的風險溢出定義為某一金融市場的波動同時受到其自身歷史波動和其他關聯(lián)市場波動的雙重影響。綜合現(xiàn)有文獻，風險溢出效應的核心特征可以總結為外部性和傳導性。本文對風險溢出效應界定為不同金融市場共同面對同一外部沖擊時，其中單個金融市場的風險迅速傳導至其他金融市場的現(xiàn)象。本文以此為基礎進行后續(xù)的風險溢出效應度量與分析。

關于金融市場之間風險溢出效應的研究主要分為兩個方向。一類研究側重于分析同一國家內(nèi)部各金融子市場之間的溢出效應，從研究兩個金融子市場的相互溢出效應逐漸拓展到多個金融子市場。目前，國內(nèi)學者多集中于從這一方向進行研究。楊子暉等（2018）采用四類風險測度指標，對中國股票市場和房地產(chǎn)市場的系統(tǒng)性金融風險展開研究，綜合考察了中國金融風險的跨部門傳染。方意等（2020）從時間和空間維度量化分析我國股票、債券、外匯、大宗商品以及同業(yè)拆借市場之間的風險溢出特征及其形成機理。李延軍等（2021）以股票市場、債券市場和外匯市場為研究對象，研究了中美貿(mào)易摩擦期間中國金融市場間流動性風險傳染的溢出效應、水平效應和趨勢效應。

另一類研究主要針對金融風險的跨國溢出，一般側重于分析不同國家之間同一類型金融資產(chǎn)的收益率或者波動率的相互溢出關系。關于跨國風險溢出效應的研究，起初大多集中于發(fā)達國家。自2001年中國加入WTO組織，積極推動金融業(yè)對外開放，加速融入全球金融自由化和一體化進程，學術界也開始關注中國市場在全球金融市場中扮演的角色和地位。與此同時，全球經(jīng)濟外部環(huán)境的不穩(wěn)定性加劇了全球金融市場的波動，金融危機、歐債危機、中美貿(mào)易摩擦、新冠疫情等重大風險事件頻發(fā)，越來越多的學者將風險研究關注點放在由重大風險事件所引發(fā)的跨國跨市場的風險溢出效應上。隋建利等（2022）研究了國際原油市場與中美金融市場間的價格聯(lián)動效應和風險傳染效應并追溯中國金融市場的外部風險來源，發(fā)現(xiàn)在極端事件沖擊下，價格聯(lián)動效應迅速增強，風險傳染效應顯著加強。苑瑩等（2020）以2015年中國“股災”為背景，從存在性、傳染強度、傳染方向等方面深入研究中國股市對日本、美國、韓國三個重要經(jīng)濟體股市的金融傳染效應。潘長春和王偉強（2022）基于時域溢出指數(shù)、頻域溢出指數(shù)以及非對稱溢出指數(shù)，對中美兩國三類經(jīng)濟政策不確定性和股票市場波動性之間的跨類及跨國關聯(lián)進行研究，發(fā)現(xiàn)中美貿(mào)易摩擦時期，美國貿(mào)易政策不確定性對中國股市波動造成了較強的溢出效應。袁夢怡和胡迪（2021）通過與2008年國際金融危機的橫向比較以及全樣本縱向分析，測度新冠疫情期間全球股市風險溢出強度，研究各國股市風險的傳導方向及溢出機制，探究不同階段全球股市風險溢出機制的差異。

目前，中國在識別和測度由外部傳導的金融風險領域尚處于發(fā)展階段，需要進一步建設完善風險測度體系和防范措施。構建合適的風險測度指標，深入研究金融市場間的風險溢出效應，有利于維護金融安全與穩(wěn)定（Dimitrios 等，2012）。Adrian 和 Brunnermeier（2016）、Acharya 等（2017）等先后研究出CoVaR、MES等方法，來考察個體金融機構陷入困境時對系統(tǒng)風險的貢獻水平。大量研究表明此類方法僅刻畫了變量與系統(tǒng)之間的單向關聯(lián)，無法考察風險溢出的具體方向。Diebold 和 Yilmaz（2012）提出了基于廣義方差分解法的溢出指數(shù)模型，該方法不僅能夠研究不同股票市場間的風險溢出強度，而且能從靜態(tài)和動態(tài)的角度鮮明刻畫方向性波動溢出。該風險溢出分析框架在學術界得到廣泛應用，不少學者在此基礎上針對不同金融市場和經(jīng)濟變量構建了溢出指數(shù)。例如，Akhtaruzzaman 等（2021）借鑒Diebold 和 Yilmaz（2012）的方法研究新冠疫情前后中國和G7國家之間的金融和非金融企業(yè)的波動溢出效應，發(fā)現(xiàn)在新冠疫情期間波動溢出顯著增加，且中國的金融和非金融公司是其他G7國家風險溢出的凈傳遞者。Xu等（2019）利用溢出指數(shù)模型測度發(fā)現(xiàn)國際原油市場和中美股市之間存在顯著的非對稱溢出效應。鐘婉玲和李海奇（2022）同樣應用溢出指數(shù)方法研究發(fā)現(xiàn)中國股市與國際原油價格、貨幣政策等宏觀經(jīng)濟變量之間存在顯著的尾部風險溢出效應。

綜上，目前大多數(shù)相關研究關注單個重大風險事件發(fā)生時同一國家內(nèi)部金融子市場的風險溢出效應，少數(shù)學者開始將多類重大風險事件納入研究框架，對風險溢出效應的跨國傳導進行研究。美國股市作為重要的國際市場之一，其政策調(diào)整和經(jīng)濟數(shù)據(jù)對中國股市有著重要的影響，而美國投資者同樣密切關注中國的經(jīng)濟政策和市場動態(tài)。考慮到香港作為國際金融中心之一，其股票市場的國際化程度遠遠高于A股市場。2014年“滬港通”開通之后，A股市場與香港市場之間的雙向開放機制逐步完善，內(nèi)地與香港金融經(jīng)濟一體化程度逐漸加深，香港市場中內(nèi)地概念股占比不斷增大。相對成熟的香港市場對A股市場的定價和效率發(fā)揮著傳導者作用（張小婉等，2022），加強了中國股市與國際股市的互動，吸引了眾多國際投資者。A股市場、香港市場和美國市場存在大量雙重上市的跨國企業(yè)。同時，投資者情緒波動可能導致跨市場的資金流動或者投資者行為的協(xié)同效應?？偟膩碚f，A股市場、香港市場和美國市場在政策因素、資本流動、跨國企業(yè)和投資者行為等方面存在聯(lián)系，使得三個市場之間的價格和波動率呈現(xiàn)出一定程度的相關性。王雯等（2018）研究表明A股市場與香港市場聯(lián)動性最強，香港市場始終是A股市場與美國市場互動的紐帶。因此，本文將A股市場、香港市場和美國市場作為研究對象，從靜態(tài)與動態(tài)兩個層面定量考察21世紀以來中美股票市場風險溢出效應的動態(tài)趨勢以及發(fā)生重大風險事件時風險溢出強度和傳導方向的動態(tài)演變過程。為解決上述問題，本文首先采用Diebold 和 Yilmaz（2012）的溢出指數(shù)法測算2000年1月至2022年12月A股市場、香港市場和美國市場的靜態(tài)溢出指數(shù)；其次，結合滾動窗口技術，計算動態(tài)的總溢出指數(shù)、溢入溢出方向指數(shù)和凈溢出指數(shù)，進而分析發(fā)生重大風險事件時單個市場及兩兩市場之間風險溢出效應的強度和傳導方向的變化；最后，提出有效防范金融風險的建議。

三、研究設計

（一）方法與模型

基于Diebold 和 Yilmaz（2012）提出的向量自回歸模型（以下簡稱“VAR模型”）的廣義方差分解法構造出溢出指數(shù)，作為衡量股票市場風險溢出效應的指標。由于該模型為預測誤差的方差分解，其原理是依賴VAR模型的預測功能將模型中各方程對預測誤差的單獨貢獻分離出來，以衡量VAR模型中兩個變量之間的聯(lián)通性。在研究以金融市場風險為變量的VAR模型時，這種聯(lián)通性即可視為風險溢出效應。

溢出指數(shù)最早是由Diebold 和 Yilmaz（2009）基于VAR模型的方差分解得到的，但它只關注到總溢出效應，依賴于Cholesky因子識別，只對擾動項矩陣進行分解，使得方差分解的結果受到變量排序的影響。之后，Diebold 和 Yilmaz（2012）改進了這一方法，提出廣義方差分解法，消除了變量排序變化對結果的干擾，使模型更加穩(wěn)健，并且明確提出了方向性溢出，同時量化溢出效應的大小。具體模型設定如下：

首先，構建一個協(xié)方差平穩(wěn)的N個變量VAR（p）模型：

其中，εt（0， Σ）是獨立同分布的隨機擾動項。對其進行移動平均得到：

其中N×N維的系數(shù)矩陣Ai服從如下遞歸公式：

Ai = Φ1Ai-1 + Φ2 Ai-2 + … + Φp Ai-p? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

其中，A0為N×N維的單位矩陣，當i＜0時，A0=0。

簡單VAR框架下的方差分解將每個變量的預測誤差方差解析為可歸因于各種系統(tǒng)沖擊的部分，依賴方差分解可以評估在x1的向前預測H步誤差方差中由xi（?j≠ i）的沖擊引起的部分。在Cholesky因子正交化的驅動下，方差分解的結果依賴于變量的排序。因此VAR框架的廣義方差分解不對沖擊進行正交化處理，而是允許相關的沖擊，利用觀察到的誤差分布歷史數(shù)據(jù)來適當?shù)亟忉屵@些沖擊。由于每個變量的沖擊沒有被正交化，對預測誤差方差的貢獻的總和不一定等于1。定義變量xi對變量xi向前H步的廣義誤差方差分解矩陣為θgij（H），其表達式為：

其中，Σ是誤差向量ε的方差矩陣，σjj是第j個方程的誤差項的標準差，ei是第i個元素為１其余皆為0的列向量。為了利用方差分解矩陣中包含的信息，需要將矩陣θgij（H）按行進行標準化處理：

基于標準化處理之后的廣義方差分解矩陣可以計算出各種溢出指數(shù)。矩陣展示了N個變量間的溢出風險，其中主對角元素表示變量對自身的溢出風險，而非對角元素表示不同變量間的溢出風險。因此，利用 KPPS方差分解的波動率貢獻，構建出總溢出指數(shù)如下：

由于廣義脈沖響應和方差分解不受變量排序的影響，故使用廣義方差分解矩陣來計算方向性溢出效應。用Si.g（H）表示溢入指數(shù)，來衡量市場i受到的來自其他所有市場j的溢出效應：

同理，用S.ig（H）表示溢出指數(shù)，衡量市場i向其他所有市場j傳遞的溢出效應：

由此可得市場i對其他所有市場j的凈溢出指數(shù)：

Sig（H） = S.ig（H） - Si.g（H）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

同時得到兩個市場之間的凈溢出指數(shù)，即從市場i傳遞到市場j的總溢出與從市場j傳遞到市場i的總溢出之間的差值：

（二）數(shù)據(jù)選取和描述性統(tǒng)計

本文選取上證綜指（Shanghai Composite Index）、恒生指數(shù)（Hang seng Composite Index）和標準普爾500指數(shù)（SP500 Index）作為初始數(shù)據(jù)，樣本區(qū)間為2000年1月4日至2022年12月30日，覆蓋了21世紀以來世界金融市場重大風險事件（見表1），共5 263組交易日指數(shù)數(shù)據(jù)。每組數(shù)據(jù)都包括最高價（H）和最低價（L）。數(shù)據(jù)來源于Wind數(shù)據(jù)庫。

本文首先對數(shù)據(jù)進行篩選，剔除各個市場交易日不一致以及停牌日的數(shù)據(jù)。其次，采用日度極差方差法計算各指數(shù)的收益波動率，具體公式如下：

根據(jù)公式（11），使用日最高價（H）和日最低價（L）計算市場i在t時刻的日收益波動率，再根據(jù)公式（12）轉換為百分比的年化收益波動率。圖1為各指數(shù)年化收益波動率的時間序列圖。最后，遵循研究慣例，將日收益波動率取對數(shù)得到的最終樣本數(shù)據(jù)用于建模和溢出指數(shù)的計算。表2給出了上證綜指、恒生指數(shù)和標準普爾500指數(shù)三個指數(shù)的對數(shù)日收益波動率的描述性統(tǒng)計。

分析圖1發(fā)現(xiàn)，與香港市場和美國市場相比，A股市場整體波動程度更為劇烈。在整個樣本期間，各股票市場絕大多數(shù)時段的年化波動率在25%上下波動，經(jīng)歷了幾個主要的波動期，此時波動率有明顯的聚集性，尤其是在2008年金融危機、2011年歐債危機、2015年中國“股災”和2020年新冠疫情期間。香港和美國市場在金融危機時期均出現(xiàn)波動率急劇增大的現(xiàn)象，而A股市場受國際市場影響較小，雖未出現(xiàn)明顯跳躍，但波動程度仍異常劇烈。在中國“股災”期間，各股市波動率又表現(xiàn)出不同的特征：A股市場的波動率增大趨勢較明顯，且持續(xù)時間長；香港市場受A股市場的影響，波動率也有明顯跳躍，但持續(xù)時間較短；美國市場的波動率只是小幅增大，與金融危機時期相比并不明顯。由此可見，股票市場的波動具有異質性和時變性。

本文對樣本數(shù)據(jù)進行了平穩(wěn)性、正態(tài)分布等檢驗，結果如表2所示。ADF檢驗結果表明，對數(shù)日收益波動率序列在１％的置信水平下是平穩(wěn)的，適用于構建VAR模型進行研究。JB檢驗表明在1%的置信水平下所有序列拒絕原假設，即均不服從正態(tài)分布。結合峰度和偏度發(fā)現(xiàn)恒生指數(shù)和標準普爾500指數(shù)的對數(shù)日收益波動率有一定的“尖峰厚尾”特征。

四、實證結果與分析

（一）靜態(tài)溢出指數(shù)分析

本文根據(jù)赤池信息準則（AIC）和貝葉斯信息準則（BIC）判定VAR模型的最優(yōu)滯后階數(shù)P為4階，同時設定廣義方差分解的預測步長H=12天，基于公式（6）—（10）計算得到A股市場、香港市場和美國市場2000年1月4日至2022年12月30日全樣本靜態(tài)溢出指數(shù)結果（表3）。其中，主對角線元素表示市場i對其自身的風險沖擊，非對角線元素為市場i對市場j的方向溢出；溢出指數(shù)為本市場向其他市場的溢出程度，溢入指數(shù)為本市場接受另外兩個市場的溢出程度；右下角數(shù)值衡量了系統(tǒng)風險的總體溢出水平，它等于溢入指數(shù)或溢出指數(shù)的平均值。

表3顯示，整體而言，樣本期間總溢出指數(shù)為13.91%，方向性溢出指數(shù)都大于0，說明中美股市之間存在顯著的風險溢出效應。就個體而言，A股市場、香港市場和美國市場的溢出指數(shù)分別為15.24%、15.50%和11.05%，可以看出，A股市場與香港市場的溢出指數(shù)相似，且香港市場最高。A股市場和香港市場對美國市場的風險溢出分別為4.42%和4.91%，受到美國市場的風險溢出分別為3.60%和7.46%，可以發(fā)現(xiàn)A股市場對美國市場風險的溢出和接受程度都小于香港市場對美國市場風險的溢出和接受程度。這說明香港市場作為A股市場接受國際風險沖擊的媒介，在一定程度上緩解了內(nèi)地股市受到的風險沖擊。香港市場的溢入指數(shù)最高達18.28%，凈溢出指數(shù)為負數(shù)，說明香港市場最易受到其他市場波動的影響。從風險溢出凈值來看，A股市場的凈溢出指數(shù)為1.11%，香港市場為-2.83%，A股市場和香港市場凈溢出指數(shù)為-1.72%，是風險的凈接受者。美國市場的凈溢出指數(shù)為正數(shù)，是風險的凈溢出者。

（二）動態(tài)溢出效應分析

1.總溢出指數(shù)

靜態(tài)溢出指數(shù)展示了整個樣本期間總體的風險溢出情況，提供了一種平均溢出行為，能夠反映中美股票市場之間的相互影響程度，但無法揭示其長期和周期性波動，容易忽視因風險事件沖擊而誘發(fā)的系統(tǒng)波動，不能有效揭示中美股票市場之間風險溢出的時變性質（Zhang 和 Wang，2014）。為了解決這個問題，本文在上述分析的基礎上，結合滾動窗口技術對中美股市間的風險溢出進行動態(tài)測算與分析。滾動窗口技術就是在固定窗口長度下估計VAR模型并計算相應的溢出指數(shù)，然后逐期移動窗口并分別估計每個窗口下的VAR模型和溢出指數(shù)，從而得到時變溢出指數(shù)。本文分別選取50日、100日、150日和200日窗口下的總溢出指數(shù)做實驗。實驗發(fā)現(xiàn)，從50日逐漸增加到200日時，總體波動溢出趨勢相似，估計結果更加穩(wěn)定，規(guī)避了對窗口長度選擇的主觀性，因此滾動窗口長度設定為W=200天。

圖2為全樣本期間時變的總溢出指數(shù)，反映了中美股票市場的總體風險溢出水平。整體來看，樣本期間溢出指數(shù)在2.70%—31.50%之間波動，波動幅度越來越大，出現(xiàn)數(shù)次尖銳的波峰和波谷。以2007年次貸危機為節(jié)點，此后總溢出指數(shù)增長劇烈，中美股票市場之間的風險溢出效應顯著增強，重大風險事件對總溢出指數(shù)具有顯著影響?？傄绯鲋笖?shù)波動形勢大致可分為四個階段：

第一階段為2000—2007年初。2005年之前總溢出指數(shù)基本位于10%以下，該階段中美風險溢出效應相當有限，2005—2007年總溢出指數(shù)逐漸上升但仍低于20%，這與A股市場在該階段經(jīng)歷的大“牛市”有關。第二階段為2007—2013年。2007年美國次貸危機爆發(fā)進而引發(fā)全球金融危機，中美股市風險溢出效應陡然上升至21.53%，增幅達57.50%。隨后，2009年歐洲爆發(fā)主權債務危機，使得風險溢出效應在年初短暫回落后又迅速攀升至24.97%。第三階段為 2014—2019年。該階段A股市場先后推出了滬港通、深港通等政策，進一步推進金融自由化改革，同時期，全球油價暴跌（2014年）、中國“股災”危機（2015年）、英國脫歐事件（2016年）以及中美貿(mào)易摩擦等，使溢出指數(shù)大幅震蕩，進入風險高發(fā)階段。第四階段為2020—2022年12月。2020年初，新冠疫情發(fā)生，世界經(jīng)濟幾乎陷入停滯狀態(tài)，全球股票市場指數(shù)大幅下跌，總溢出指數(shù)迅速攀升。

綜上，中美股票市場之間的總溢出指數(shù)呈現(xiàn)出顯著的波動性、聚集性、時變性特征以及跳躍式上升的趨勢，政治、經(jīng)濟、金融以及公共衛(wèi)生等突發(fā)事件對股票市場溢出效應有顯著增強的影響。其中，中美貿(mào)易摩擦直接影響兩國經(jīng)濟體，使得跨境貿(mào)易額縮減，兩國股市跟隨貿(mào)易形勢發(fā)生變化，總溢出指數(shù)達到峰值31.49%，風險溢出效應最為顯著。

此外，研究還發(fā)現(xiàn)，總溢出指數(shù)的累積和消減具有非對稱性特征。具體而言，面對突發(fā)事件沖擊時，中美股票市場之間的系統(tǒng)性風險迅速累積，致使總溢出指數(shù)在短期內(nèi)出現(xiàn)跳躍式大幅上升，但達到峰值后，股票市場之間增強的關聯(lián)性不會立即降低，一段時間后總溢出指數(shù)才能回調(diào)至受沖擊前的水平。這表明金融市場受到?jīng)_擊時的相互溢出效應具有持久性。在總溢出指數(shù)波動的大多數(shù)周期中都體現(xiàn)出這種非對稱性特征。例如，在中美貿(mào)易摩擦時期，風險迅速積累致使總溢出指數(shù)在一個月內(nèi)從10.07%迅速增至27.91%，并在四個月內(nèi)達到峰值31.49%，但用了一年的時間總溢出指數(shù)才回落至11.24%，基本恢復到受沖擊之前的溢出水平。一個可能的解釋是，在金融市場中，投資者對負面信息的處理速度往往比對正面信息的處理速度快，重大風險事件的發(fā)生容易引發(fā)“羊群效應”，而事件發(fā)生后金融體系恢復的速度緩慢。

2.溢入溢出方向指數(shù)

盡管總溢出指數(shù)傳遞了樣本期間中美股市總體的風險溢出信息，但是只反映了溢出效應的強度和趨勢，不能反映溢出的方向。為此，本文分別構建每個市場向其他市場的溢出指數(shù)圖以及接受來自其他市場的溢入指數(shù)圖（見圖3、圖4）。

圖3和圖4顯示，從整體來看，A股市場和香港市場的溢出指數(shù)和溢入指數(shù)呈現(xiàn)出相似的波動趨勢。相比較而言，美國市場波動趨勢差異顯著，溢出指數(shù)和溢入指數(shù)整體偏低。在重大風險事件時點附近，每個市場的溢出指數(shù)和溢入指數(shù)都大幅上漲，指數(shù)大于20%，最高超過50%。說明A股市場與香港市場之間的聯(lián)動性較強，與美國市場的聯(lián)動性相對較弱?？赡艿脑蛟谟谑軜O端事件影響而產(chǎn)生的恐慌情緒并形成的“羊群效應”容易增強風險溢出效應，提升市場間風險關聯(lián)程度。非風險事件時期，A股市場和香港市場在10%至20%之間波動，美國市場則低于10%。

具體而言，在相對穩(wěn)定的形勢下，A股市場溢出指數(shù)和溢入指數(shù)呈現(xiàn)明顯的小幅波動，但在重大風險事件下指數(shù)的波動幅度逐漸增大?？梢园l(fā)現(xiàn)，A股市場在2015年至2016年期間溢出指數(shù)大幅上升，達到峰值52.92%。這是由于該時期A股市場在2015年發(fā)生了“股災”事件，而2016年初熔斷機制的實施導致股市再次劇烈波動，對外風險溢出效應最為顯著。在2018年中美貿(mào)易摩擦時期，A股市場溢入指數(shù)波動率最高達33.62%，接受其他市場風險的溢出效應顯著增強。與A股市場相比，香港市場溢入指數(shù)整體波動幅度更為劇烈，接受風險溢出程度明顯大于A股市場，尤其在危機時期，溢入指數(shù)超過35%。在2020年新冠疫情時期其接受風險溢出程度更是達到41.39%，而溢出指數(shù)表現(xiàn)較為平穩(wěn)。美國市場波動溢出最為劇烈的時段主要集中在2020年新冠疫情時期，溢出指數(shù)急劇上漲達到最大值43.50%，該時期其接受來自A股市場和香港市場的風險溢出程度較小。此外，通過考察不同時期各股市的風險溢出特征可以發(fā)現(xiàn)，不同突發(fā)事件沖擊下，美國市場溢出效應的累積與消減更為迅速，而A股市場和香港市場的風險溢出的消減速度更為緩慢。

3.凈溢出指數(shù)

基于上述中美股市溢入溢出方向指數(shù)的分析，進一步考察單一市場和兩市場之間的溢出強度和溢出方向，單個市場時變的凈溢出指數(shù)如圖5所示，兩個市場之間的凈溢出指數(shù)如圖6所示。圖中的數(shù)值表示溢出強度，差值的正負號表示溢出方向。

圖5顯示，隨著時間的變化，每個市場不會一直擔任風險凈接收者或者風險凈溢出者的角色，風險溢出呈明顯的時變性特征。2007年之前，三個市場的凈溢出指數(shù)圍繞0值小幅波動。2000年至2002年美國“互聯(lián)網(wǎng)泡沫”破滅，美國的經(jīng)濟受到了重創(chuàng)，出現(xiàn)了短期衰退，美國市場震蕩，該時期凈溢出指數(shù)均為正值，在5%上下波動，主要表現(xiàn)為風險的凈溢出者，對A股市場和香港市場的風險溢出效應并不顯著。原因可能在于21世紀初中國金融市場和國際金融市場的聯(lián)系并不密切，跨國風險溢出效應相對有限。

2007年至2012年處于次貸危機與歐債危機的“雙危機”時期，結合圖6可以看出，單一市場以及兩市場之間表現(xiàn)為明顯的風險凈溢出。2007年下半年，美國爆發(fā)次貸危機，凈溢出指數(shù)上升達到15%左右，此后危機逐漸蔓延，并演變?yōu)橐粓鋈蛐缘慕鹑陲L暴，整個金融體系逐漸崩盤。美國市場的劇烈震蕩引發(fā)中國投資者恐慌。2009年12月至2012年，歐洲爆發(fā)主權債務危機，極大地沖擊了全球股票市場，美國市場暴跌，市場恐慌情緒持續(xù)蔓延，投資者對全球經(jīng)濟復蘇前景持消極態(tài)度，風險溢出效應又逐漸增強。該時期美國市場凈溢出指數(shù)絕大多數(shù)時段為正值，結合圖6可得，同時期香港市場與美國市場之間的凈溢出指數(shù)為負值，A股市場與香港市場之間的凈溢出指數(shù)為負值。由此可見，該時期美國市場的風險主要傳導至香港市場，小部分經(jīng)由香港市場傳導至A股市場。

2015年6月至2015年8月A股市場出現(xiàn)了歷史上少有的持續(xù)暴跌現(xiàn)象，發(fā)生17次千股跌停，A股市場指數(shù)累計下跌了45%。2016年初A股市場推出并實施熔斷機制，然而在4天內(nèi)4次觸發(fā)熔斷閾值，加劇了市場恐慌。2016年6月英國全民公投脫歐，全球金融市場面臨的風險增大，風險溢出效應持續(xù)上升，風險快速積累致使A股市場的凈溢出指數(shù)最高達到36.16%。A股市場從2015年6月至2016年凈溢出指數(shù)均為正值，表現(xiàn)為風險的凈溢出者，香港市場和美國市場凈溢出指數(shù)均呈負值狀態(tài)，該時期風險主要由A股市場傳導至香港市場和美國市場，且美國市場接受風險溢出的效應更為顯著，達到21.33%。

2018年3月美國發(fā)起“301調(diào)查”，宣布開始正式對中國340億美元的商品加征25%的進口關稅，中美貿(mào)易摩擦持續(xù)升級，中國貿(mào)易條件出現(xiàn)惡化，對中國進出口貿(mào)易、投資者預期等方面都產(chǎn)生了負面沖擊，加劇了中國股票市場的波動。然而該時期A股市場的凈溢出指數(shù)并未呈現(xiàn)劇烈波動趨勢，結合上文溢入溢出方向指數(shù)可以發(fā)現(xiàn)，中美貿(mào)易摩擦時期，A股市場、香港市場和美國市場的溢入指數(shù)和溢出指數(shù)都出現(xiàn)跳躍式上升并呈高位震蕩趨勢，兩者相減得到的單一市場凈溢出指數(shù)和兩市場之間的凈溢出指數(shù)波動趨勢減緩，這表明A股市場、香港市場、美國市場以及兩兩市場之間均存在顯著的雙向風險溢出效應。

2020年初新冠疫情發(fā)生初期，疫情發(fā)展態(tài)勢尚不明朗，恐慌情緒在中國資本市場蔓延，“羊群效應”、悲觀預期等投資者的非理性行為致使A股市場在2月3日（春節(jié)后的首個交易日）有超過

3 000只股票跌停，上證綜指更是達到了7.72%的巨大跌幅。但總體而言，該事件對中國金融市場的沖擊較為短暫，A股市場在第二日已趨于穩(wěn)定。隨著2020年3月美國新冠疫情開始大規(guī)模擴散，美國市場更是史無前例地在3月出現(xiàn)了4次“熔斷”，各市場均出現(xiàn)了巨幅震蕩，該時期美國市場凈溢出指數(shù)迅速大幅上升至41.81%。盡管中國作為全球較早發(fā)生新冠疫情的國家，但A股市場和香港市場的凈溢出指數(shù)和兩個市場之間的凈溢出指數(shù)在疫情期間均為負值，這表明疫情期間美國市場的暴跌并非由中國引發(fā)的，A股市場主要為風險的凈接受者，而非風險凈溢出者，且美國市場風險溢出大部分傳導至香港市場，小部分直接傳導至A股市場。

綜上，2008年金融危機爆發(fā)之后，美國為刺激經(jīng)濟復蘇實施了持續(xù)的量化寬松政策，這一政策不僅降低了長期利率，促進了投資和消費，也影響了全球資本流動的格局。盡管理論上量化寬松政策會增加流向全球其他市場的資本，但實際上，由于美國市場的穩(wěn)定性、高流動性和對外國投資者的吸引力，在美國基礎貨幣余額大幅度增加的同時，美元不斷升值，大量資本回流美國（李建偉和李嘉琪，2019）。與此同時，其他國家對美國股票的購買總量不斷增加，從2008年10月的6 348.51億美元提高到2022年2月的26 862.36億美元，美國股指持續(xù)走高。股市良好的財富效應，促使美國經(jīng)濟向好，進一步推動股市上漲和市值提升。

與美國股市不同，中國股市開放程度相對較低，人民幣尚未實現(xiàn)可自由兌換。中國股市的財富效應較美國股市相比并不顯著，與居民消費和經(jīng)濟增長的關聯(lián)度相對較低。雖然中美股市上市公司的數(shù)量差距不斷縮小，但股指并未出現(xiàn)持續(xù)的大幅度上漲，總市值差距持續(xù)擴大。加之中國股票市場的投資者結構以散戶為主、股市信息不對稱等問題，極易通過“羊群效應”、趨同效應等投資者的心理預期導致其非理性行為。此外，A股長線資金占比較低，機構投資者難以有效發(fā)揮穩(wěn)定器作用。因此，A股市場和美股市場呈現(xiàn)走勢“背離”的現(xiàn)象，表現(xiàn)為“跟跌不跟漲”的趨勢。當發(fā)生重大風險事件時，美國股市對中國股市的領跌作用確實強于其領漲作用，中美股市風險溢出效應的傳導方向由市場間的單向溢出轉變?yōu)锳股市場、香港市場和美國市場兩兩之間顯著的雙向溢出。

（三）穩(wěn)健性檢驗

首先，對模型參數(shù)及滾動窗口長度進行穩(wěn)健性檢驗。本文在測量溢出指數(shù)時選取預測步長H=12天，滾動窗口W=200天。在此基礎上，穩(wěn)健性檢驗比較了不同預測步長（即 H=8/12/16天）和滾動窗口長度（即W=150/200/250天）。圖7顯示了根據(jù)不同窗口長度和預測步長測算出的總溢出指數(shù)?？梢园l(fā)現(xiàn)，預測步長的選擇對總溢出指數(shù)的變化基本沒有影響；選取不同的滾動窗口長度，總溢出指數(shù)具有相同的變化趨勢，其中由于窗口期的縮短，總溢出指數(shù)的波動趨勢性更強。從整體上看，檢驗結果表明使用溢出指數(shù)法結合滾動窗口技術測度總溢出指數(shù)動態(tài)變化對預測步長和滾動窗口長度的選擇具備穩(wěn)健性。

進一步地，替換波動率的構建方法進行穩(wěn)健性檢驗，利用GARCH（1，1）模型構建波動率對總溢出指數(shù)進行穩(wěn)健性檢驗，結果如圖8所示。從整體上看，溢出強度有所差異但波動趨勢相似，表明GARCH（1，1）模型構建波動率的方法是穩(wěn)健的。

五、結論與建議

本文借鑒Diebold 和 Yilmaz（2012）的溢出指數(shù)法結合滾動窗口技術，利用中國內(nèi)地A股市場和香港市場及美國市場2000年1月—2022年12月的上證綜指、恒生指數(shù)和標準普爾500指數(shù)的日數(shù)據(jù)，從靜態(tài)和動態(tài)兩個層面研究了中美股市之間的風險溢出效應以及發(fā)生重大風險事件時的風險溢出強度和溢出方向。研究發(fā)現(xiàn)：第一，靜態(tài)分析結果表明，中美股票市場之間存在顯著的風險溢出效應，中國內(nèi)地A股市場對美國市場風險的溢出和接受程度都小于香港市場。凈溢出指數(shù)表明美國市場是風險凈溢出者，中國市場是風險溢出的凈接受者。第二，中美股市之間的風險溢出效應具有明顯的時變特征，政治、經(jīng)濟、金融以及公共衛(wèi)生等重大風險事件對股票市場溢出效應有顯著增強的影響。中美股市之間金融風險的累積和消減具有非對稱特征，沖擊對金融市場風險溢出影響具有持續(xù)性，溢出指數(shù)在短時間內(nèi)累積，但下降速度較為遲緩。第三，中美股市風險溢出效應的傳導方向由市場間的單向溢出轉變?yōu)锳股市場、香港市場和美國市場兩兩之間顯著的雙向溢出?；谝陨辖Y論，提出如下建議：

目前，中國仍然面臨外部環(huán)境中政治、經(jīng)濟、金融和公共衛(wèi)生等多層面不確定性的挑戰(zhàn)。立足于中國國情和防范化解金融風險的政策要求，監(jiān)管當局應該增強金融風險防控政策決策的全局性、前瞻性。第一，考慮中美股市風險溢出效應的顯著增強和時變特征，金融監(jiān)管部門應建立跟蹤觀測機制，精準分析和把握金融市場之間風險溢出的時變規(guī)律，完善金融風險預警機制，充分發(fā)揮預警指標體系對金融風險的前瞻警示作用，根據(jù)不同特點的波動情況制定相應的管理策略，針對不同類型突發(fā)事件的沖擊制定差異化的應對策略并及時調(diào)整后續(xù)政策。第二，中美股市間存在顯著的雙向風險溢出效應，且中國A股市場與香港市場結構相似，易發(fā)生風險聯(lián)動現(xiàn)象，大大加劇輸入性風險的隱患。因此，面對突發(fā)國際風險事件時，監(jiān)管部門應提高響應速度，加大監(jiān)管力度，穩(wěn)定投資者恐慌情緒，重點防范以美國為首的成熟市場波動溢出的風險沖擊，同時防范由“香港市場→A股市場”的間接輸入性金融風險，重視跨國、跨市場的風險傳導，提高金融市場應對國際風險沖擊的能力，牢牢守住不發(fā)生系統(tǒng)性金融風險的底線。

參考文獻：

[1] Forbes K J， Rigobon R. No contagion， only interdependence： Measuring stock market comovements[J]. The Journal of Finance，2002，57（05）：? 2223-2261.

[2] Chiang T C， Jeon B N， Li H. Dynamic correlation analysis of financial contagion： Evidence from Asian markets[J]. Journal of International Money and Finance，2007，26（07）：1206-1228.

[3] Kenourgios D， Samitas A， Paltalidis N. Financial crises and stock market contagion in a multivariate time-varying asymmetric framework[J]. Journal of International Financial Markets， Institutions and Money，2011，21（01）：92-106.

[4]蔣翠俠，張世英.金融高階矩風險溢出效應研究[J].中國管理科學，2009，17（01）：17-28.

[5] Hamao Y ， MASULIS R， NG V. Correlations in price changes and volatility across international stock markets[J].Review of Financial Studies， 1990， 3（02）：281-308.

[6]楊子暉，陳雨恬，謝銳楷.我國金融機構系統(tǒng)性金融風險度量與跨部門風險溢出效應研究[J].金融研究，2018（10）：19-37.

[7]方意，宋佳馨，譚小芬.中國金融市場之間風險溢出的時空特征及機理分析——兼論中美貿(mào)易摩擦對金融市場的影響[J].金融評論，2020，12（06）：20-43+121-122.

[8]李延軍，白云方，王詩惠.我國金融市場間流動性風險傳染與防控研究——基于中美貿(mào)易摩擦的影響[J].金融發(fā)展研究，2021（06）：10-18.

[9]隋建利，楊慶偉，劉金全.極端事件沖擊下的價格聯(lián)動、風險傳染與風險溯源：來自國際原油市場與中美金融市場的新發(fā)現(xiàn)[J].世界經(jīng)濟研究，2022（04）：47-62+136.

[10]苑瑩，王海英，莊新田.基于非線性相依的市場間金融傳染度量——測度2015年中國股災對重要經(jīng)濟體的傳染效應[J].系統(tǒng)工程理論與實踐，2020，40（03）：545-558.

[11]潘長春，王偉強.經(jīng)濟政策不確定性與股票市場波動性之間的跨類及跨國關聯(lián)：來自中美兩國的經(jīng)驗證據(jù)[J].世界經(jīng)濟研究，2022（11）：89-105+136-137.

[12]袁夢怡，胡迪.疫情沖擊下全球股市的風險溢出效應研究[J].金融論壇，2021，26（09）：36-48.

[13]Dimitrios B，Mark F，Andrew W L，et al. A survey of systemic risk analytics[J]. Annual Review of Financial Economics，2012，4（01）：255-296.

[14]Adrian T， Brunnermeier M K. CoVaR[J]. The American Economic Review，2016，106（07）：1705-1741.

[15]Acharya V V， Pedersen L H， Philippon T， et al. Measuring systemic risk[J]. The Review of Financial Studies，2017，30（01）：2-47.

[16] Diebold F X， Yilmaz K. Better to give than to receive： Predictive directional measurement of volatility?spillovers[J]. International Journal of Forecasting，2012， 28（01）：57-66.

[17] Akhtaruzzaman M， Boubaker S， Sensoy A. Financial contagion during COVID–19 crisis[J]. Finance Research Letters，2021，38：101604.

[18] Xu W， Ma F， Chen W， et al. Asymmetric volatility?spillovers between oil and stock markets： Evidence from China and the United States[J]. Energy Economics，2019， 80：310-320.

[19]鐘婉玲，李海奇.國際油價、宏觀經(jīng)濟變量與中國股市的尾部風險溢出效應研究[J].中國管理科學，2022，30（02）：27-37.

[20]張小婉，易榮華，俞瑩，等.基于滾窗VAR的滬港通波動溢出效應測度[J].中國管理科學，2022，30（11）：42-51.

[21]王雯，張金清，李濱，等.資本市場系統(tǒng)性風險的跨市場傳導及防范研究[J].金融經(jīng)濟學研究，2018，33（01）：60-71.

[22] Diebold F X， Yilmaz K. Measuring financial asset return and volatility spillovers， with application to global equity markets[J].The Economic Journal，2009，119（534）：158-171.

[23] Zhang B， Wang P. Return and volatility spillovers between China and world oil markets[J].Economic Modelling，2014，42：413-420.

[24]李建偉，李嘉琪.中美股票市場比較分析與啟示[J].湖南大學學報（社會科學版），2019，33（01）：37-51.

Research on Risk Spillover Effects in Chinese and American Stock Markets under Major Risk Events

Abstract： Against the backdrop of financial and economic globalization， the suddenness and uncertainty of major risk events pose significant challenges to the stability of global financial markets. Governments and academia around the world are highly concerned about the rapid transmission of financial risks and the issue of cross-border， cross-market spillovers. Based on the spillover index model， this paper quantitatively studies the dynamic trends of risk spillover effects in Chinese and American stock markets at both static and dynamic levels， as well as the dynamic evolution of the intensity and direction of risk spillovers when major risk events occur. The study finds that there is a significant risk spillover effect between Chinese and American stock markets， with the U.S. market being a net spillover sender and the Chinese market being a net recipient of spillovers. The risk spillover effect between the Chinese and American stock markets exhibits obvious time-varying characteristics， and major risk events such as political， economic， financial， and public health crises significantly enhance the spillover?effects in stock markets. The transmission direction of risk spillover effects between Chinese and American stock markets has shifted from unidirectional spillovers to significant bidirectional spillovers between the A-share market， the Hong Kong market， and the U.S. market. Therefore， it is recommended that regulatory authorities?enhance the comprehensiveness and foresight of financial risk prevention and control policy decisions based on the time-varying characteristics and transmission directions of risks.

Keywords： Major risk events; Chinese and American stock markets; Risk spillover effects; Spillover index model; Generalized variance decomposition method; Financial risk prevention and control