下载:
-
随着金融全球化和一体化程度日益加深，金融创新步伐不断加快，金融市场之间相互渗透与影响，形成广泛联动，金融风险的跨市场溢出已成为威胁中国宏观经济运行的重要隐患，国际金融危机全球多市场快速蔓延就是前车之鉴。具体到中国情况，从2013年货币市场钱荒到2015年股灾和2016年债灾，随后房地产市场泡沫快速膨胀，人民币汇率超预期贬值，伴随着大宗商品市场和黄金市场的大幅反弹，从本质上说早已超出了市场轮动的范畴[1]，跨市场风险溢出效应事实上已居核心地位。并且无论是2015年股灾还是2016年债灾，其他金融市场也随之剧烈波动，充分暴露了中国金融市场的不稳定性和金融市场的关联性。加之近期重大突发公共卫生事件冲击以及经济政策不确定性等因素，使得金融市场间风险互动呈现出波动加剧、多市场共振的态势[2]。有鉴于此，准确刻画金融市场间风险溢出效应的强度规模和方向路径，科学度量金融市场动态风险溢出指数，系统剖释风险溢出效应的时变性、波动性和非对称性特点，对于监管部门洞察中国金融体系内部风险传染特征，制定和调整金融监管政策，防范金融市场风险溢出和非对称性传染引发系统性风险具有重要意义。
金融市场的脆弱性源自于资产价格的波动性和波动的关联性[3]，国内外众多学者研究了金融市场间的风险溢出效应。朱孟楠等[4]构建了包含外汇市场与房地产市场的理论模型，从中推导出汇率和房价存在风险溢出关系，并进一步基于Markov区制转换模型证实了这一结论。Andreou等[5]基于多元GARCH模型研究发现多个新兴经济体的股票市场和外汇市场存在双向风险溢出关系。史永东[6]基于Copula理论研究股票市场和债券市场间的风险溢出关系，发现二者存在较强的市场分割，总体联动并不显著。方意等[7]运用事件分析法进行研究，研究表明货币市场、股票市场、债券市场和外汇市场的风险溢出效应在新冠疫情冲击下显著提升。此外，还有一支文献以股票市场、外汇市场、房地产市场等单一金融市场为研究对象，探究其跨国风险溢出效应[8-10]。
作为金融市场最重要的典型特征，非对称性一般指时间维度上好消息冲击和坏消息冲击对资产价格的异质性影响。陈浪南和黄杰鲲[11]运用GJR-GARCH-M模型发现中国股票市场存在显著的非对称效应。陈永伟[12]基于非平衡的似无关模型证明了深证成分指数波动也存在非对称效应。Bartram等[13]和Segal等[14]则分别从微观层面和宏观层面解释了股票市场非对称性效应背后的经济内涵。上述研究结论均是针对于股票市场波动本身，既然好消息和坏消息对资产价格波动具有非对称性影响，那么对于波动溢出是否同样存在非对称性呢？Barunik等[15]首次发现美国股票市场行业间的波动溢出具有显著的非对称性。Ben等[16]运用跨国数据发现不同国家股票市场间的波动溢出具有非对称性。刘静一等[17]则运用中国上证行业指数数据验证了中国股市行业间的非对称波动溢出效应。遗憾的是，尚未有学者研究一国金融子市场之间风险溢出效应的非对称性。
本轮国际金融危机爆发后，涌现出大量风险溢出方面卓有成效的研究，其中不乏创新性的风险溢出测度技术和开拓性的风险联动研究方法。广义条件异方差模型（GARCH）作为金融领域的经典波动模型，自Bollerslev[18]提出以来就广泛应用于金融风险建模，并逐渐衍生出BEKK-GARCK、DCC-GARCH等一系列多元GARCH模型，在测度金融市场风险溢出方面得到了广泛应用[19-21]。多元GARCH族模型可以同时度量金融市场的收益率溢出和波动率溢出，并能够挖掘风险溢出效应机制，但由于其存在“维度诅咒”，不适合多变量系统。Diebold和Yilmaz[22]首开先河，创立了溢出指数模型，之后经Diebold和Yilmaz[23]、Demirer等[24]的发展变得更为成熟。溢出指数模型糅合了广义预测误差分解、网络关联和动态演变的思想，其突出特征是能够将多变量置于统一的框架下研究，并能量化波动溢出效应的大小并判断溢出方向，在风险溢出效应研究领域具有独特优势[25]。
以上文献对理解金融市场风险溢出效应富有启迪意义和借鉴价值，然而通过梳理不难看出，就研究对象而言，现有文献多是以某两个市场或者某几个市场的风险溢出效应作为研究对象，缺乏对中国金融市场风险溢出效应结构和动态的全面考察；就研究内容而言，已有文献主要从股票市场波动本身、股票市场内部行业间溢出以及股票市场跨国溢出等视角出发考察非对称性，鲜有研究涉及一国金融子市场之间风险溢出效应的非对称性。
有鉴于此，本文运用GJR-BEKK-GARCH模型和风险溢出指数方法对中国2005年7月22日—2021年4月2日七大金融市场的风险溢出效应及其非对称性做出了全面分析。本文的主要贡献在于：（1）参照宫晓莉和熊熊[3]对中国金融子市场的整体划分，将货币市场、股票市场、债券市场、外汇市场、房地产市场、黄金市场和大宗商品市场等七大金融市场纳入统一的溢出指数模型框架进行分析，使研究更具系统性。（2）聚焦金融市场风险溢出效应的非对称性，从时间维度和空间维度两方面展开研究。其中时间维度的非对称性是指新信息冲击具有非对称性，既“坏消息”带来的波动溢出大于“好消息”，表现为负面信息冲击作用下风险溢出效应更强。空间维度的非对称性指的是金融子市场风险溢出方向具有非对称性，有些市场的风险外溢程度更高，是系统性风险的主要来源，有些则承受外界风险溢出水平更大，具有系统脆弱性，不同金融市场在整个金融体系风险溢出过程中所扮演的角色不同。
-
GJR-BEKK-GARCH模型建立在最基础的GARCH模型上，但变化有三：首先是GARCH模型设定是多元的，一元GARCH族模型主要刻画单变量自身波动性，无法观测多变量间的波动关联，而多元GARCH族模型的提出使得多变量间波动溢出效应研究成为可能。其次是建立条件方差矩阵正定的BEKK-GARCH模型，该模型利用矩阵相乘的形式巧妙地突破了变量间相关系数保持不变的假设限定。最后是在条件方差方程中引入了GJR项，GJR-GARCH模型由Glosten、Jagannathan和Runkle三位学者于1993年首次构建，该模型也因此由三位学者姓氏的首字母得以命名[26]。GJR项创设的初衷是为了考察股价波动的“杠杆效应”，即“坏消息”引起的波动大于“好消息”，通过虚拟变量的设定在传统GARCH模型的方差方程中进一步区分正向干扰和负向干扰，从而实现对非对称效应的捕捉，本文在多元GARCH的方差方程中引入GJR项用以考量金融市场间波动溢出的非对称性。GJR-BEKK-GARCH模型设定具体如下
$${R_t} = \alpha + {\theta _1}{R_{t - 1}} + {\theta _2}{R_{t - 2}} + \cdots + {\theta _i}{R_{t - i}} + {{\boldsymbol{\varepsilon }}_t}$$ (1) $${{\boldsymbol{H}}_t} = {\boldsymbol{CC}}' + {\boldsymbol{A}}'{{\boldsymbol{\varepsilon }}_{t - 1}}{\boldsymbol{\varepsilon }}{'_{t - 1}}{\boldsymbol{A}} + {\boldsymbol{B}}'{{\boldsymbol{H}}_{t - 1}}{\boldsymbol{B}} + {\boldsymbol{D}}'{{\boldsymbol{\gamma }}_{t - 1}}{\boldsymbol{\gamma }}{'_{t - 1}}{\boldsymbol{D}}$$ (2) 式（1）代表均值方程，本文设定为VAR过程，即在金融市场间相互影响的基础上探讨波动溢出情况。其中，
${{{R}}_t}$ 为金融市场收益率；${{\alpha }}$ 为常数项；${{{\theta }}_i}$ 为VAR模型参数；${{\boldsymbol{\varepsilon }}_t}$ 为随机误差项。式（2）为条件方差方程，也是GJR-BEKK-GARCH模型构造的核心，式中${{\boldsymbol{H}}_t}$ 为条件方差矩阵，${\boldsymbol{C}}$ 为下三角常数项矩阵、${\boldsymbol{A}}$ 为残差项系数矩阵、${\boldsymbol{B}}$ 为条件异方差项系数矩阵、${\boldsymbol{D}}$ 为非对称项系数矩阵。将式（2）展开，得到更为详细的表达式$$\begin{aligned} {h_{11,t}} = & {c_{11}}^2 + {\beta _{11}}^2{h_{11,t - 1}} + 2{\beta _{11}}{\beta _{21}}{h_{12,t - 1}} + {\beta _{21}}^2{h_{22,t - 1}} + {\alpha _{11}}^2{\varepsilon _{1,t - 1}}^2 + 2{\alpha _{11}}{\alpha _{21}}{\varepsilon _{1,t - 1}}{\varepsilon _{2,t - 1}} + {\alpha _{21}}^2{\varepsilon _{2,t - 1}}^2 + \\ &{d_{11}}^2{\gamma _{1,t - 1}}^2 + 2{d_{11}}{d_{21}}{\gamma _{1,t - 1}}{\gamma _{2,t - 1}} + {d_{21}}^2{\gamma _{2,t - 1}}^2 \\ \end{aligned} $$ (3) $$\begin{aligned} {h_{12,t}} = & {c_{11}}{c_{21}} + {\beta _{11}}{\beta _{12}}{h_{21,t - 1}} + ({\beta _{12}}{\beta _{21}} + {\beta _{11}}{\beta _{22}}){h_{12,t - 1}} + {\beta _{21}}{\beta _{22}}{h_{22,t - 1}} + {\alpha _{11}}{\alpha _{12}}{\varepsilon _{1,t - 1}}^2 + ({\alpha _{12}}{\alpha _{21}} + \\ &{\alpha _{11}}{\alpha _{22}}){\varepsilon _{1,t - 1}}{\varepsilon _{2,t - 1}} + {\alpha _{21}}{\alpha _{22}}{\varepsilon _{2,t - 1}}^2 + {d_{11}}{d_{12}}{\gamma _{1,t - 1}}^2 + ({d_{12}}{d_{21}} + {d_{11}}{d_{22}}){\gamma _{1,t - 1}}{\gamma _{2,t - 1}} + {d_{21}}{d_{22}}{\gamma _{2,t - 1}}^2 \end{aligned} $$ (4) $$\begin{aligned} {h_{22,t}} = & {c_{21}}^2 + {c_{22}}^2 + {\beta _{12}}^2{h_{11,t - 1}} + 2{\beta _{12}}{\beta _{22}}{h_{12,t - 1}} + {\beta _{22}}^2{h_{22,t - 1}} + {\alpha _{12}}^2{\varepsilon _{1,t - 1}}^2 + 2{\alpha _{12}}{\alpha _{22}}{\varepsilon _{1,t - 1}}{\varepsilon _{2,t - 1}} + \\ & {\alpha _{22}}^2{\varepsilon _{2,t - 1}}^2 + {d_{12}}^2{\gamma _{1,t - 1}}^2 + 2{d_{12}}{d_{22}}{\gamma _{1,t - 1}}{\gamma _{2,t - 1}} + {d_{22}}^2{\gamma _{2,t - 1}}^2 \\ \end{aligned} $$ (5) 在式（3）~式（5）中，非对称项
${\gamma _{i,t - 1}}$ 被定义为：当${\varepsilon _{i,t - 1}} \leqslant 0$ 时，${\gamma _{i,t - 1}} = {\varepsilon _{i,t - 1}}$ ；当${\varepsilon _{i,t - 1}} > 0$ 时，${\gamma _{i,t - 1}} = 0$ 。其中，h11,t和h22,t分别为变量1和变量2的条件方差；h12,t表示两个变量之间的条件协方差。依据式（3）~式（5），影响两个市场间波动的因素有三个方面，一是自身扰动项平方项及扰动项交叉项前期冲击${\varepsilon _{1,t - 1}}^2$ 、${\varepsilon _{2,t - 1}}^2$ 、${\varepsilon _{1,t - 1}}{\varepsilon _{2,t - 1}}$ 的影响；二是条件方差及条件协方差滞后期${h_{11,t - 1}}$ 、${h_{22,t - 1}}$ 、${h_{12,t - 1}}$ 的影响；三是自身非对称平方项及非对称交叉项滞后期${\gamma _{1,t - 1}}^2$ 、${\gamma _{2,t - 1}}^2$ 、${\gamma _{1,t - 1}}{\gamma _{2,t - 1}}$ 的影响。${\boldsymbol{A}}$ 、${\boldsymbol{B}}$ 、${\boldsymbol{D}}$ 系数的显著性是本文GJR-BEKK-GARCH模型考察的重点。扰动项的平方项表示市场上新信息引致的集聚性波动，又称意外冲击或新息冲击，扰动项的交叉项代表潜在双向冲击，因此${\boldsymbol{A}}$ 矩阵系数揭示了新信息冲击的直接作用；条件方差滞后项意为变量前期波动率对当期波动率的影响，条件协方差项表示变量间波动率的双向作用，可见${\boldsymbol{B}}$ 矩阵系数揭示了波动的持续性；非对称项衡量负面信息比正面信息造成更剧烈的波动，其交叉项意指负面信息的双向冲击，由是${\boldsymbol{D}}$ 矩阵系数揭示了变量间波动溢出的非对称性。 -
风险溢出指数模型基于VAR模型方差分解原理得到广义误差方差分解矩阵，能够有效捕捉多变量间的溢出关系，基于该模型框架，本文构建中国金融市场风险溢出指数模型。与以往研究相比，风险溢出指数模型不仅可以给出风险溢出大小，而且能够指出风险溢出方向，从而得以判别金融市场间风险溢出的强度和路径，在结合滚动窗口技术后，还能获得时变风险溢出指数，跟踪金融市场间风险溢出的动态变化。首先，N阶VAR过程可表示为
$${{X}_t} = \sum {_{i = 1}^p{{\boldsymbol{\varPhi }}_i}{X_{t - 1}}} + {{\boldsymbol{\varepsilon }}_t}$$ (6) 其中，
${X_t}$ 为金融市场波动率；${{\boldsymbol{\varPhi }}_i}$ 为该VAR模型的系数矩阵向量；${{\boldsymbol{\varepsilon }}_t}$ 为独立同分布的随机干扰向量。模型（6）的移动平均表达式为$${{X}_t} = \sum {_{i = 1}^\infty {{\boldsymbol{\psi }}_i}{{\boldsymbol{\varepsilon }}_{t{\rm{ - }}1}}} $$ (7) 其中，
${{\boldsymbol{\psi }}_i}$ 为系数矩阵；i为循环变量，当$i < 0$ 时，${{\boldsymbol{\psi }}_i}{\rm{ = }}0$ ；当$i > 0$ 时，${{\boldsymbol{\psi }}_i}$ 满足递归过程${{\boldsymbol{\psi }}_i}{\rm{ = }} {{\boldsymbol{\varPhi }}_1}{{\boldsymbol{\psi }}_{i - 1}} + $ ${{\boldsymbol{\varPhi }}_2}{{\boldsymbol{\psi }}_{i - 2}} + \cdots + $ $ {{\boldsymbol{\varPhi }}_p}{{\boldsymbol{\psi }}_{i - p}}$ 。据此，变量${X_j}$ 对变量${X_i}$ 的溢出向量估计值为${X_i}$ 的H步预测误差的方差中来自${X_j}$ 的冲击$\theta _{ij}^{}(H)$ ，其表达式为$$\theta _{ij}^{}(H) = \frac{{\omega _{jj}^{ - 1}\displaystyle\sum {_{n = 0}^{H - 1}{{({\boldsymbol{e}}_i^{\rm{T}}{\psi _n}\displaystyle\sum {{{\boldsymbol{e}}_j}} )}^2}} }}{{\displaystyle\sum {_{n = 0}^{H - 1}({\boldsymbol{e}}_i^{\rm{T}}{\psi _n}\displaystyle\sum {\psi _n^T} {{\boldsymbol{e}}_i})} }}$$ (8) 其中，
$\theta _{ij}^{}(H)$ 测度了j对i的风险溢出效应；$\omega _{jj}^{ - 1}$ 为第j个变量预测误差标准差；ei和ej是选择向量，其第i和第j个元素为1，其余元素为0。为了更好地分析溢出指数值，需要将式（8）进行正规化，使得广义误差方差分解表中每行和为1，即$$\tilde \theta _{ij}^{}(H) = \frac{{{\theta _{ij}}(H)}}{{\displaystyle\sum {_{j = 1}^N{\theta _{ij}}(H)} }}$$ (9) 据此，将预测误差方差中的交叉方差份额加总，得到中国金融市场总风险溢出指数TSI(H)，反映中国金融市场间的总体风险溢出水平大小，TSI越大表示某一市场的风险越容易传染到系统中的其他市场，TSI(H)构造如下
$${\rm{TSI}}(H) = \frac{{\displaystyle\sum {_{i,j = 1,i \ne j}^N\tilde \theta _{ij}^{}(H)} }}{{\displaystyle\sum {_{i,j = 1}^N\tilde \theta _{ij}^{}(H)} }} \times 100 = \frac{{\displaystyle\sum {_{i,j = 1,i \ne j}^N\tilde \theta _{ij}^{}(H)} }}{N} \times 100$$ (10) 定向风险溢出指数用于衡量金融市场内部的风险溢出水平，包括某个市场对其他所有市场的风险溢出程度以及其他所有市场对该市场的风险溢出程度，分别用定向风险溢出指数DSIout(H)和定向风险溢入指数DSIin(H)表示
$${\rm{DS{I}}_{out}}(H) = \frac{{\displaystyle\sum {_{j = 1,i \ne j}^N\tilde \theta _{ji}^{}(H)} }}{N} \times 100$$ (11) $${\rm{DS{I}}_{in}}(H) = \frac{{\displaystyle\sum {_{j = 1,i \ne j}^N\tilde \theta _{ij}^{}(H)} }}{N} \times 100$$ (12) 定义风险净溢出指数NSI(H)反映某个市场对其余所有市场的风险净溢出水平①
$${\rm{NSI}}(H) = {\rm{DS{I}}_{out}}(H) - {\rm{DS{I}}_{in}}(H)$$ (13) -
科学的金融市场划分和指标选取至关重要，本文将中国金融市场分为货币市场、股票市场、债券市场、外汇市场、房地产市场、黄金市场和大宗商品市场等七个金融子市场，分别选取银行间7天同业拆借利率、沪深300指数、中证综合净价指数、美元兑人民币汇率、申万房地产行业指数、黄金现货价格、Wind商品综合指数代表上述七个金融市场的波动情况。其中，考虑到银行间同业拆借利率更能反映货币市场实际供求情况，且隔夜拆借利率波动性较大，本文参考权威文献做法，选择银行间7天同业拆借利率作为货币市场的代理指标[27-28]；沪深300指数以流动性和规模为选样标准，选取上海和深圳两个证券交易所的300家上市公司作为一个跨市场指数综合反映中国股票市场的整体走势；中证综合净价指数在中证全价指数的基础上增添了央行票据、短融及一年以内的国债、金融债、企业债等，是品种最为全面并且综合反映银行间和沪深交易所债券市场的跨市场债券指数；美元不仅是国际重要的贸易结算货币，也是中国主要的外汇储备形式，因此选用直接标价法下的美元兑人民币汇率中间价作为外汇市场衡量指标；申万房地产行业指数是目前最权威的房地产行业指数之一，反映房地产市场发展的景气状况②；选用上海黄金交易所交易量最大的AU9995品种的现货价格作为黄金市场代理指标；选取Wind商品综合指数反映大宗商品市场的整体走势，该指数覆盖十大类大宗商品，按照大类指数持仓额进行加权平均实时计算，在研究中广泛使用。
本文BEKK-GARCH模型中使用的收益率采用每日收盘价的对数差分处理，即
${R_t} = (\ln {P_t} - \ln {P_{t - 1}}) \times $ $ 100$ 。其中，Rt为收益率；Pt为t日收盘价，收益率采用日度数据。溢出指数模型中需要事先估计波动率，波动率的计算参考Andersen等[29]提出的已实现方差进行构造，即$R{V_t} = \displaystyle\sum {_{i = 1}^5R_{t,i}^2} $ 。其中，$R{V_t}$ 为周已实现方差；$R_{t,i}^2$ 为第t周第i日收益率平方（i=1,2,…,5）。经证明已实现方差依概率收敛于二次变差，是真实波动率的一致估计量。考虑到中国外汇体制改革的因素，中国自2005年7月21日起开始实行以市场供求为基础、参考一篮子货币进行调节的有管理的浮动汇率制度，因此本文样本区间选择2005年7月22日—2021年4月2日，起始日和终止日均截取完整自然周，共计3 818个交易日，合计800周，数据全部源于Wind金融数据库，实证分析使用的统计软件为WinRats10.0。各金融市场的收益率与波动率变量描述性统计情况如表1所示。
表 1描述性统计
金融市场 变量 均值 标准差 最小值 最大值 偏度 峰度 ADF统计量 货币市场 收益率 0.001 0.010 −1.180 0.800 −0.863 17.373 −69.472*** 股票市场 0.047 1.714 −9.732 8.936 −0.578 6.892 −60.148*** 债券市场 0.001 0.075 −0.658 0.981 0.923 21.270 −41.911*** 外汇市场 −0.006 0.171 −1.445 1.816 0.329 16.038 −61.199*** 房地产市场 0.050 2.106 −9.752 9.448 −0.484 5.725 −59.095*** 黄金市场 0.031 1.090 −9.475 9.336 −0.390 10.236 −63.970*** 商品市场 0.014 1.279 −4.923 6.774 −0.192 4.898 −64.218*** 货币市场 波动率 1.228 0.975 0.065 8.714 2.680 14.896 −20.614*** 股票市场 22.824 14.431 2.206 99.187 1.607 6.120 −17.003*** 债券市场 0.915 0.761 0.002 7.685 2.907 16.962 −23.733*** 外汇市场 2.018 1.775 0.023 15.018 2.107 9.666 −21.742*** 房地产市场 28.388 17.199 1.946 96.537 1.315 4.776 −17.081*** 黄金市场 14.266 9.571 0.223 76.784 2.204 10.828 −15.277*** 商品市场 17.340 10.244 1.236 66.591 1.347 4.890 −19.856*** 注：***表示在1%的水平上显著。 就收益率而言，近16年间房地产市场的收益率均值最高，为0.05%，其次为股票市场、黄金市场和商品市场，货币市场和债券市场的收益率均值接近为0，外汇市场由于人民币汇率多处于升值阶段因此收益率均值为负。从偏度和峰度来看，所有市场收益率序列均不服从正态分布，具有典型的尖峰厚尾特征，提示在设定多元GARCH模型时应选用t分布而非正态分布。就波动率而言，首先是房地产市场波动率均值最高（28.388%），其次为股票市场、商品市场和黄金市场（分别为22.824%、17.340%和14.266%），而货币市场、债券市场和外汇市场的波动率均较低。七个市场的波动率分布均为尖峰厚尾的右偏分布，货币市场和债券市场的偏度和峰度较大，说明这两个市场波动率的极端值较多。总体而言，各金融市场的收益率均值越高其波动率均值也越高，体现了金融市场高收益率高风险的特征。对收益率序列和波动率序列进行ADF单位根检验，结果显示各变量均在1%的显著性水平下拒绝存在单位根的原假设，满足后续建模的计量条件。
-
本文基于GJR-BEKK-GARCH模型考察7个金融市场两两之间的风险溢出效应，总共进行21组估计，表2以股票市场和债券市场为例列示完整的估计结果。考虑到数据具有“尖峰厚尾”特征，因此进行模型估计时设定随机误差项服从t分布。
根据表2估计结果可以看出，首先，从股票市场和债券市场收益率自身条件方差来看，
$\alpha _{11}^{}$ 、$\alpha _{22}^{}$ 、$\beta _{11}^{}$ 、$\beta _{22}^{}$ 系数为正且在1%的水平上显著，说明股票市场和债券市场的ARCH效应和GARCH效应十分显著，两个市场波动聚集特征明显。其次，观察跨市场的波动溢出效应，就A矩阵而言，$\alpha _{12}^{}$ 和$\alpha _{21}^{}$ 均至少在5%的水平上显著，表明股票市场和债券市场前一期新信息冲击会传递到对方市场，由于$\alpha _{21}^2 > \alpha _{12}^2$ ，意味着股票市场对债券市场新信息冲击远大于相反方向，同时，$\alpha _{12}^2 < \alpha _{11}^2$ ，表明来自债券市场的波动小于股票市场自身冲击引起的波动，而$\alpha _{21}^2 > \alpha _{22}^2$ ，则表明股票市场对债券市场的波动溢出大于债券市场自身冲击引起的波动。就B矩阵而言，$\beta _{12}^{}$ 和$\beta _{21}^{}$ 同样至少在5%的水平上显著，表明股票市场和债券市场均会受到对方前一期波动的影响，波动溢出效应具有持续性，由于$\beta _{21}^2 > \beta _{12}^2$ ，因此股票市场对债券市场的波动溢出效应大于相反方向的溢出效应，又因为$\beta _{12}^2 > \beta _{11}^2$ 且$\beta _{21}^2 > \beta _{22}^2$ ，说明市场间历史波动溢出效应的影响均小于自身历史波动的影响，自身历史波动的持续作用更强。最后，观察非对称效应矩阵D，非对称性系数d11、d12、d21和d22在1%的水平上显著不为零，说明股票市场和债券市场的负向冲击都比正向冲击带来更为剧烈的波动，由于$d_{21}^2 > d_{12}^2$ ，表明股票市场对债券市场的非对称性溢出效应大于债券市场对股票市场的非对称性溢出效应。总而言之，波动溢出效应显著存在于股票市场和债券市场之间，前者对后者的波动溢出效应更大，并且两个市场间的波动溢出效应具有显著的非对称性。表 2股票市场与债券市场BEKK-GJR-t-GARCH模型估计结果
系数 C矩阵估计值 系数 A矩阵估计值 系数 B矩阵估计值 系数 D矩阵估计值 c11 0.095***(0.020) α11 0.213***(0.011) β11 0.970***(0.003) d11 0.145***(0.021) c21 −0.009(0.006) α12 −0.005***(0.001) β12 0.001**(0.001) d12 0.004***(0.001) c22 0.022***(0.003) α21 0.653**(0.300) β21 −0.400**(0.176) d21 −0.374***(0.408) — — α22 0.600***(0.029) β22 0.742***(0.028) d22 −0.307***(0.056) 注：C为下三角常系数矩阵；c12用“—”表示；***、**、*依次表示在1%、5%和10%的水平上显著；括号内为异方差自相关（HAC）稳健性标准误。 为了综合考量金融市场间波动溢出效应及其非对称效应的存在性，本文运用Wald检验方法施加两个原假设。H1：
$\alpha _{12}^{}{\rm{ = }}\alpha _{21}^{}{\rm{ = }}\beta _{12}^{}{\rm{ = }}\beta _{21}^{}{\rm{ = }}0$ ，即两个金融市场间不存在波动溢出效应。H2：$d_{12}^{}{\rm{ = }}d_{21}^{}{\rm{ = }}0$ ，即两个金融市场间不存在非对称溢出效应。Wald检验结果如表3所示。表 3金融市场间波动溢出效应及其非对称性的Wald检验结果
两两市场 H1的Wald统计量 H2的Wald统计量 两两市场 H1的Wald统计量 H2的Wald统计量 M1与M2 15.644*** 38.560*** M1与M3 12.950** 100.095*** M1与M4 4.045 55.752*** M1与M5 20.310*** 81.052*** M1与M6 11.569** 2.156 M1与M7 15.170*** 54.433*** M2与M3 27.287*** 12.295*** M2与M4 16.202*** 201.844*** M2与M5 20.691*** 92.960*** M2与M6 13.690*** 19.242*** M2与M7 9.401* 201.844*** M3与M4 34.511*** 1.483 M3与M5 17.798*** 16.293*** M3与M6 15.657*** 31.018*** M3与M7 13.565*** 27.839*** M4与M5 18.541*** 184.242*** M4与M6 2.801 18.379*** M4与M7 14.166*** 0.422 M5与M6 16.893*** 23.285*** M5与M7 878.649*** 18.747*** M6与M7 15.033*** 12.349*** 注：M1~M7分别代表货币市场、股票市场、债券市场、外汇市场、房地产市场、黄金市场、商品市场；***、**、*依次表示在1%、5%和10%的水平上显著。 根据表3可以得到三个结论，其一，绝大多数金融市场之间具有显著的波动溢出效应和非对称溢出效应。其二，外汇市场和黄金市场间以及货币市场和外汇市场间仅具有显著的非对称溢出效应（在1%的显著性水平上拒绝
$d_{12}^{}{\rm{ = }}d_{21}^{}{\rm{ = }}0$ 的原假设），不存在显著的波动溢出效应。然而根据GJR-BEKK-GARCH模型内涵可知，非对称溢出也是一种波动溢出形式，即一个市场的负面消息对另一个市场条件波动率具有显著的冲击作用，因此可以认为外汇和黄金市场间以及货币和外汇市场间具有一定程度的波动溢出效应。其三，货币市场和黄金市场间、债券市场和外汇市场间以及外汇市场和商品市场间仅具有显著的波动溢出效应（至少在5%的显著性水平上拒绝$\alpha _{12}^{}{\rm{ = }}\alpha _{21}^{}{\rm{ = }}\beta _{12}^{}{\rm{ = }}\beta _{21}^{}{\rm{ = }}0$ 的原假设），但不存在显著的非对称溢出效应。总的来看，波动溢出效应及其非对称性广泛地存在于中国金融市场之间。 -
采用AIC和BIC准则判断溢出指数模型中VAR模型的最佳滞后阶数，结果分别为滞后四阶和一阶，参照BIC准则选取更为精简的滞后一阶VAR模型，并选取预测步长H=8（约两个月），得到的金融市场风险溢出指数表，如表4所示。风险溢出指数表的最后一列表示根据方向性溢出指数计算出的每个市场接受其他市场风险溢出程度，倒数第二行代表每个市场对其他市场风险溢出程度，最后一行为每个市场风险净溢出程度，对角线元素是表示某市场滞后一期波动率对其自身的影响，其余元素为两个市场间的方向性风险溢出指数，右下角数值为样本期内平均风险溢出水平。
表 4金融市场风险溢出指数表
金融市场 货币 股票 债券 外汇 房地产 黄金 商品 接收溢出 货币 98.14 0.69 0.19 0.05 0.71 0.16 0.07 1.90 股票 0.24 50.32 1.43 0.17 41.45 2.56 3.85 49.70 债券 0.08 2.77 81.53 0.24 1.63 9.87 3.88 18.50 外汇 0.02 0.69 0.31 96.64 0.68 0.48 1.19 3.40 房地产 0.38 40.97 0.77 0.08 52.03 2.12 3.65 48.00 黄金 0.13 2.42 8.13 0.36 2.44 69.61 16.90 30.40 商品 0.01 1.20 3.50 0.52 4.88 13.49 73.41 26.60 对外溢出 0.90 51.70 14.30 1.40 51.80 28.70 29.50 25.50 净溢出 −1.00 2.00 −4.20 −2.00 3.80 −1.70 2.90 据表4可知，整体而言，样本期间内中国金融市场平均风险溢出指数为25.5%，即有超过四分之一的风险可以由金融市场间的风险溢出所解释，高于Diebold和Yilmaz[16]测算的美国金融市场12.6%的平均风险溢出指数，说明中国金融市场风险极易通过资产波动关联渠道进行传染，金融市场间的风险溢出效应较强。
就个体而言，金融市场风险溢出方向具有非对称性。房地产市场、股票市场和商品市场的对外风险溢出效应排前三，分别为51.80%、51.70%和29.5%，说明这三个市场的信息传递效率较高，在金融体系中处于信息先导地位。借鉴系统重要性金融机构的概念，房地产市场、股票市场和商品市场是中国的系统重要性金融市场，一旦发生突发事件会将风险迅速传导至整个金融体系，是金融市场的主要风险源。股票市场、房地产市场和黄金市场接受外界风险溢出程度较高，分别为49.7%、48%和30.4%，具有系统脆弱性，极易受到风险传染，起到了风险承担的作用。由于股票市场和房地产市场对外风险溢出和接受外界风险溢出水平均较高，可以认为在中国金融市场风险溢出网络中起到了中介和桥梁的作用。从风险溢出净值来看，房地产市场、商品市场和股票市场的净溢出效应为正，是风险的净溢出者，货币市场、债券市场、外汇市场和黄金市场的风险净溢出效应为负，是风险的净接受者。
借鉴Demirer等[24]运用复杂网络理论和相关概念表示溢出效应的方法，以七大金融市场为节点，市场间的风险溢出效应为邻边，风险溢出指数模型中广义预测误差方差分解的方差贡献度为邻接矩阵，绘制中国七大金融市场风险溢出网络如图1所示。
图 1金融市场风险溢出网络图
图1中节点的大小反映了金融市场在风险溢出网络中的重要程度，用节点的度中心性予以衡量；连边的粗细反映了金融市场间风险溢出水平高低；箭头则反映风险溢出的方向。通过图1中两两市场的风险互动可以发现，股票市场和房地产市场间形成了密切的双向溢出关系，房地产市场对股票市场风险溢出指数为41.45%，反之为40.97%。这主要是由于股票和房地产是中国居民两大主要投资标的，二者在财富效应、信贷扩张效应、投资组合效应作用下价格密切关联，风险交叉传染。黄金市场对债券市场的风险溢出指数为9.87%，反之为8.13%，债券和黄金具有避险功能可以提高投资组合的安全性，两者间的替代效应构筑了风险溢出通路。大宗商品市场对黄金市场的风险溢出指数为16.9%，反之为13.49%，大宗商品市场包括金属、能源和农产品三大类，黄金作为最主要的贵金属产品其价格波动必将影响大宗商品市场波动，同时随着近年来大宗商品价格波动上涨推升了全球生成要素成本提高，投资者增持黄金以退避通货膨胀风险，进而导致两个市场间的风险双向溢出。货币市场和外汇市场与其他金融市场的风险交互效应较弱，其中货币市场受自身波动影响为98.14%，这说明中国货币政策传导途径尚不够畅通，货币政策传导调控效果未能通过利率和流动性传导至其他市场。风险溢出网络图可以更为直观地揭示金融市场间风险溢出方向和风险溢出强度，为金融市场风险引发系统性风险识别潜在路径。
-
为了跟踪溢出指数的时变性，选择100周（约为两年）的滚动窗口计算金融市场风险溢出指数，结果如图2所示。
图 2中国金融市场风险溢出指数时序图
溢出指数图表明整体而言中国金融市场风险溢出指数具有时变性、波动性和不确定性，样本期间内风险溢出指数在18%~52%之间变动，重要金融事件和金融政策对风险溢出指数具有显著影响。中国金融市场风险溢出指数大致可以分为以下三个阶段：
第一个阶段从2007年持续至2011年，风险溢出指数大幅震荡。2008年9月雷曼兄弟申请破产保护，引发全球金融风暴，极端风险通过国际金融市场互联渠道和投资者情绪传染渠道传导至中国金融市场，导致风险溢出指数陡然上跳至44%。2008年底中国推出“四万亿计划”以刺激国际金融危机重创下的国民经济，宽裕的流动性加大了金融市场间的风险溢出效应，溢出指数再度大幅升高。2010年在欧债危机全面爆发和美国第二轮量化宽松政策叠加下，风险溢出指数继续攀升至47%的高点。第二阶段为2012—2017年，后危机时代中国金融市场总体运行较为平稳，溢出指数在均值33%附近波动。除了2015年6月的重大“股灾”事件引发了跨市场的风险共振，溢出指数飙升至53%的样本期间最高值，但该事件造成的风险溢出持续时间较短，此后风险溢出指数波动下降。第三阶段为2018年至今，先是2018年开始的中美贸易争端以及债券市场大面积违约加剧了金融市场间波动的联动性，风险溢出指数一度攀升。之后2019年12月爆发的新冠疫情，由病毒传染引发恐慌情绪传染，继而带来金融风险跨市场传染，导致风险溢出指数再度大幅上跳，并且持续至今。总的来看，国内外重要政策颁布和风险事件爆发期间，金融市场风险溢出效应明显加强，这一结论从侧面印证了前文基于GJR-BEKK-GARCH模型得出的中国金融市场间新息冲击的非对称溢出效应，负面冲击给金融市场带来更为剧烈的波动，并通过资产波动关联渠道传导至整个金融体系。通过上述分析可以看出，本文构建的风险溢出指数能够反映中国金融市场的总体风险水平，有助于监管部门对金融市场进行实时动态监控。
-
GJR-BEKK-GARCH模型随机误差项的分布会影响到估计结果，王晓辉等[30]研究指出存在GJR项的GARCH模型中，GED分布具有更好的预测效果，因此在稳健性检验中将随机误差项的分布设定为GED分布，股票市场和债券市场波动溢出估计结果见表5的上半部分。此外，基准检验中依据惯例将均值方程设为VAR模型，在稳健性检验中本文将均值方程设为常数项，以检验均值方程设定对估计结果是否有影响，结果见表5下半部分。
表 5改变随机误差项分布和均值方程的GJR-BEKK-GARCH模型估计结果
系数 估计值 系数 估计值 系数 估计值 系数 估计值 c11 0.090***(0.021) α11 0.205***(0.014) β11 0.976***(0.003) d11 0.116***(0.035) c21 −0.010(0.008) α12 −0.002*(0.001) β12 0.001**(0.001) d12 0.003**(0.001) c22 0.022***(0.004) α21 0.304**(0.361) β21 −0.254(0.211) d21 0.313(0.376) — — α22 0.627***(0.053) β22 0.712***(0.045) d22 0.341***(0.081) 系数 估计值 系数 估计值 系数 估计值 系数 估计值 c11 0.092***(0.017) α11 0.212***(0.012) β11 0.973***(0.003) d11 0.095***(0.029) c21 −0.008(0.005) α12 −0.007***(0.001) β12 0.001***(0.001) d12 0.003***(0.001) c22 0.019***(0.002) α21 0.398*(0.367) β21 −0.305*(0.184) d21 0.732(0.516) — — α22 0.499***(0.032) β22 0.792***(0.024) d22 0.300***(0.056) 注：C为下三角常系数矩阵，c12用“—”表示；***、**、*依次表示在1%、5%和10%的水平上显著；括号内为异方差自相关（HAC）标准误。 对比表5与表2可以发现，各矩阵系数估计值和显著性水平差别不大，可见改变了随机误差项分布和均值方程设定后的模型估计结果依然稳健③。
-
溢出指数模型中滞后阶数和预测误差步长的不同会影响风险溢出指数的结果。基准检验中本文参照BIC准则选择滞后一阶VAR模型，在稳健性检验中参照AIC准则选择滞后4阶VAR模型，溢出指数结果如表6上半部分所示。基准检验中VAR模型预测误差的步长为8，在稳健性检验中选用预测步长为4，结果见表6下半部分。
根据表6结果可以发现，滞后阶数选取为4阶后，总体溢出指数略有升高（25.7%），两两金融市场间的风险溢出与基准回归相比没有明显差别。预测步长缩减为4步后，总体溢出指数略有降低（25.3%），事实上当预测步长H>6时，预测误差方差分解的结果已稳定，因此无需列式H>8的溢出指数结果，这说明了金融市场间的风险溢出效应需要6周时间被完全吸收。
计算溢出指数时需要提前选择滚动窗口的长度，然而对于滚动窗口长度的选择具有一定的主观性，若滚动窗口过长，会使得动态溢出指数时序图过于平缓，难以捕捉动态溢出指数的重要变化，若滚动窗口过短，会使得动态溢出指数时序图的变化过于剧烈，难以体现溢出指数的趋势性。在基准检验中本文选择滚动窗口的长度为100，在稳健性检验中分别选择滚动窗口长度为75和125，结果如图3所示。
表 6改变滞后阶数和预测步长的金融市场风险溢出指数表
金融市场 货币 股票 债券 外汇 房地产 黄金 商品 接收溢出 货币 97.77 0.47 0.48 0.04 0.87 0.30 0.07 2.20 股票 0.25 50.15 1.71 1.69 40.58 2.54 3.08 49.90 债券 0.20 4.12 82.25 0.20 2.00 9.51 1.71 17.80 外汇 0.09 1.47 0.24 95.45 1.05 1.00 0.69 4.50 房地产 0.48 40.50 0.82 1.11 52.38 1.75 2.95 47.60 黄金 0.16 2.42 8.91 0.64 2.24 72.91 12.72 27.10 商品 0.16 3.40 7.20 0.67 3.79 15.38 69.40 30.60 对外溢出 1.30 52.40 19.36 4.40 50.50 30.48 21.20 25.70 金融市场 货币 股票 债券 外汇 房地产 黄金 商品 接收溢出 货币 98.18 0.68 0.19 0.05 0.70 0.15 0.06 1.80 股票 0.24 50.47 1.42 0.17 41.51 2.49 3.71 49.50 债券 0.08 2.76 81.62 0.24 1.61 9.87 3.83 18.40 外汇 0.02 0.66 0.30 96.82 0.64 0.46 1.11 3.20 房地产 0.38 41.06 0.76 0.08 52.16 2.05 3.51 47.80 黄金 0.13 2.37 8.15 0.35 2.37 69.88 16.74 30.10 商品 0.01 4.12 3.47 0.50 4.74 13.49 73.68 26.30 对外溢出 0.90 51.60 14.30 1.40 51.60 28.50 29.00 25.30 注：表6上半部分和下半部分分别为改变滞后阶数为四阶和改变预测误差步长H=4得到的溢出指数。 
图 3改变滚动窗口长度的风险溢出指数图
通过对比图2与图3可以发现，在滚动窗口长度发生改变后，金融市场动态风险溢出指数的走势没有发生根本变化。当滚动窗口长度更小时（H=75），分析溢出指数的时序图更为剧烈，当滚动窗口长度更大时（H=125），风险溢出指数的变动更加平缓。
综上所述，稳健性检验结果证实本文研究结论并不依赖于GJR-BEKK-GARCH模型中随机误差项分布的选择和均值方程的设定，也不依赖于溢出指数模型中滞后阶数、预测误差步长和滚动窗口长度的选取，本文研究结论具有稳健性。
-
本文运用GJR-BEKK-GARCH模型和风险溢出指数模型对中国2005年7月—2021年4月七大金融市场间的风险溢出效应及其非对称性做出了系统性分析，得出以下主要结论：（1）金融市场之间的波动溢出效应表现为“双通道溢出”，即新息冲击溢出和历史波动溢出，在这两种溢出机制作用下中国金融市场间存在着广泛而显著的双向风险溢出效应。（2）进一步将新息冲击区分为正向冲击和负向冲击，从而构造出非对称新息冲击作用项用以判断非对称溢出效应，结果表明中国金融市场间存在显著的非对称性，坏消息引起的波动大于好消息，并且新息冲击的非对称性具有广泛而显著的溢出效应。（3）中国金融市场风险溢出整体水平较高，平均溢出指数为25.5%。金融市场的风险溢出方向具有非对称性，房地产市场、商品市场和股票市场是风险的净溢出者，货币市场、债券市场、外汇市场和黄金市场是风险的净接受者。房地产市场、股票市场和商品市场对外风险溢出效应最大，是金融市场的主要风险源，股票市场、房地产市场和黄金市场接受外部风险溢出程度最高，具有系统脆弱性。四、中国金融市场风险溢出指数具有时变性、波动性和不确定性，长期在18%~52%之间波动，在国际金融危机、“四万亿计划”、欧债危机、重大“股灾”、债券违约、中美贸易摩擦、新冠疫情爆发等国内外重要政策颁布和风险事件爆发期间，金融市场间风险溢出效应明显加强。
金融市场的波动性以及波动的关联性给监管部门带来了新的挑战，根据本文研究结论，为了防范跨市场风险溢出引发系统性风险，政策当局应从以下几个方面着手。首先，由于金融市场间存在显著的双向波动溢出效应，任何针对单一市场的调节政策都可能为金融市场间的波动传递提供了新的渠道。因此，应将各级金融市场纳入一个统一的监测和管理框架，从宏观审慎的角度考虑金融市场的稳定性。其次，鉴于金融市场对负面信息冲击的敏感性更强，监管方在进一步促进市场信息透明化的同时，对信息的发布与披露应审慎操作，防范信息型操纵引起的异常波动通过非对称性溢出效应向其他市场传递。再次，考虑到金融市场风险溢出方向具有非对称性，应重点关注系统重要性金融市场，密切监控系统脆弱性金融市场，同时重视股票市场与房地产市场、债券市场与黄金市场、大宗商品市场与黄金市场之间的风险互动。最后，监管部门应注意在重要政策颁布和风险事件爆发期间加大监管力度、提高响应速度，减少因极端事件冲击引发危机的可能性，守牢不发生系统性风险的底线。
Risk Spillover Effect and Asymmetry of China’s Financial Market
——Based on GJR-BEKK-GARCH Model and Spillover Index Method
-
摘要:运用GJR-BEKK-GARCH模型和风险溢出指数方法对中国2005年7月22日—2021年4月2日货币市场、股票市场、债券市场、外汇市场、房地产市场、黄金市场和大宗商品市场间的风险溢出效应及其非对称性做系统性分析。结果表明：金融市场间具有广泛而显著的双向风险溢出效应和非对称溢出效应，负向冲击引起的波动大于正向冲击；样本期间金融市场平均风险溢出指数为25.5%，风险溢出方向具有非对称性，房地产市场、商品市场和股票市场是风险的净溢出者，货币市场、债券市场、外汇市场和黄金市场是风险的净接受者；金融市场风险溢出指数具有时变性、波动性和不确定性，国内外重要政策颁布和风险事件爆发期间金融市场风险溢出效应明显加强。
-
关键词:
- 金融市场/
- 风险溢出/
- 非对称性/
- GJR-BEKK-GARCH模型/
- 溢出指数
Abstract:Using GJR-BEKK-GARCH model and Risk Spillover index method, this paper makes a systematic analysis on the Risk Spillover Effect and its asymmetry among money market, stock market, bond market, foreign exchange market, real estate market, gold market and commodity market from July 22, 2005 to April 2, 2021. The results show that there are extensive and significant two-way Risk Spillover Effects and asymmetric spillover effects among financial markets, and the volatility caused by negative impact is greater than that caused by positive impact; during the sample period, the average risk spillover index of financial market is 25.5%, and the Risk Spillover direction is asymmetric. The real estate market, commodity market and stock market are the net risk spillovers, while the money market, bond market, foreign exchange market and gold market are the net risk recipients; the financial market risk spillover index is time-varying, volatile and uncertain. The financial market risk spillover effect is significantly strengthened during the promulgation of important policies and the outbreak of risk events at home and abroad.-
Key words:
- financial market/
- risk spillover/
- asymmetry/
- GJR-BEKK-GARCH model/
- spillover index
注释:1) 基于相似的逻辑还可构造两两市场间的配对方向性溢出指数和净溢出指数，篇幅所限，构造方法及实证结果留存备索。2) 虽然房地产行业指数在反映房地产市场动态上可能存在着不够精确和及时的问题，但从长期来看，房地产市场和房地产板块的变动走向是趋于一致的，同时考虑到风险溢出效应研究对数据有较高的频率要求，参照方意等、刘超等的研究，选取申万房地产行业指数反映房地产市场发展的整体状况。3) Wald检验结果中除了Wald统计量大小有细微不同，显著性水平与表3几无区别，限于篇幅留存备索。 -
表 1描述性统计
金融市场 变量 均值 标准差 最小值 最大值 偏度 峰度 ADF统计量 货币市场 收益率 0.001 0.010 −1.180 0.800 −0.863 17.373 −69.472*** 股票市场 0.047 1.714 −9.732 8.936 −0.578 6.892 −60.148*** 债券市场 0.001 0.075 −0.658 0.981 0.923 21.270 −41.911*** 外汇市场 −0.006 0.171 −1.445 1.816 0.329 16.038 −61.199*** 房地产市场 0.050 2.106 −9.752 9.448 −0.484 5.725 −59.095*** 黄金市场 0.031 1.090 −9.475 9.336 −0.390 10.236 −63.970*** 商品市场 0.014 1.279 −4.923 6.774 −0.192 4.898 −64.218*** 货币市场 波动率 1.228 0.975 0.065 8.714 2.680 14.896 −20.614*** 股票市场 22.824 14.431 2.206 99.187 1.607 6.120 −17.003*** 债券市场 0.915 0.761 0.002 7.685 2.907 16.962 −23.733*** 外汇市场 2.018 1.775 0.023 15.018 2.107 9.666 −21.742*** 房地产市场 28.388 17.199 1.946 96.537 1.315 4.776 −17.081*** 黄金市场 14.266 9.571 0.223 76.784 2.204 10.828 −15.277*** 商品市场 17.340 10.244 1.236 66.591 1.347 4.890 −19.856*** 注：***表示在1%的水平上显著。 
下载:
导出CSV
表 2股票市场与债券市场BEKK-GJR-t-GARCH模型估计结果
系数 C矩阵估计值 系数 A矩阵估计值 系数 B矩阵估计值 系数 D矩阵估计值 c11 0.095***(0.020) α11 0.213***(0.011) β11 0.970***(0.003) d11 0.145***(0.021) c21 −0.009(0.006) α12 −0.005***(0.001) β12 0.001**(0.001) d12 0.004***(0.001) c22 0.022***(0.003) α21 0.653**(0.300) β21 −0.400**(0.176) d21 −0.374***(0.408) — — α22 0.600***(0.029) β22 0.742***(0.028) d22 −0.307***(0.056) 注：C为下三角常系数矩阵；c12用“—”表示；***、**、*依次表示在1%、5%和10%的水平上显著；括号内为异方差自相关（HAC）稳健性标准误。 下载:
导出CSV
表 3金融市场间波动溢出效应及其非对称性的Wald检验结果
两两市场 H1的Wald统计量 H2的Wald统计量 两两市场 H1的Wald统计量 H2的Wald统计量 M1与M2 15.644*** 38.560*** M1与M3 12.950** 100.095*** M1与M4 4.045 55.752*** M1与M5 20.310*** 81.052*** M1与M6 11.569** 2.156 M1与M7 15.170*** 54.433*** M2与M3 27.287*** 12.295*** M2与M4 16.202*** 201.844*** M2与M5 20.691*** 92.960*** M2与M6 13.690*** 19.242*** M2与M7 9.401* 201.844*** M3与M4 34.511*** 1.483 M3与M5 17.798*** 16.293*** M3与M6 15.657*** 31.018*** M3与M7 13.565*** 27.839*** M4与M5 18.541*** 184.242*** M4与M6 2.801 18.379*** M4与M7 14.166*** 0.422 M5与M6 16.893*** 23.285*** M5与M7 878.649*** 18.747*** M6与M7 15.033*** 12.349*** 注：M1~M7分别代表货币市场、股票市场、债券市场、外汇市场、房地产市场、黄金市场、商品市场；***、**、*依次表示在1%、5%和10%的水平上显著。 下载:
导出CSV
表 4金融市场风险溢出指数表
金融市场 货币 股票 债券 外汇 房地产 黄金 商品 接收溢出 货币 98.14 0.69 0.19 0.05 0.71 0.16 0.07 1.90 股票 0.24 50.32 1.43 0.17 41.45 2.56 3.85 49.70 债券 0.08 2.77 81.53 0.24 1.63 9.87 3.88 18.50 外汇 0.02 0.69 0.31 96.64 0.68 0.48 1.19 3.40 房地产 0.38 40.97 0.77 0.08 52.03 2.12 3.65 48.00 黄金 0.13 2.42 8.13 0.36 2.44 69.61 16.90 30.40 商品 0.01 1.20 3.50 0.52 4.88 13.49 73.41 26.60 对外溢出 0.90 51.70 14.30 1.40 51.80 28.70 29.50 25.50 净溢出 −1.00 2.00 −4.20 −2.00 3.80 −1.70 2.90 下载:
导出CSV
表 5改变随机误差项分布和均值方程的GJR-BEKK-GARCH模型估计结果
系数 估计值 系数 估计值 系数 估计值 系数 估计值 c11 0.090***(0.021) α11 0.205***(0.014) β11 0.976***(0.003) d11 0.116***(0.035) c21 −0.010(0.008) α12 −0.002*(0.001) β12 0.001**(0.001) d12 0.003**(0.001) c22 0.022***(0.004) α21 0.304**(0.361) β21 −0.254(0.211) d21 0.313(0.376) — — α22 0.627***(0.053) β22 0.712***(0.045) d22 0.341***(0.081) 系数 估计值 系数 估计值 系数 估计值 系数 估计值 c11 0.092***(0.017) α11 0.212***(0.012) β11 0.973***(0.003) d11 0.095***(0.029) c21 −0.008(0.005) α12 −0.007***(0.001) β12 0.001***(0.001) d12 0.003***(0.001) c22 0.019***(0.002) α21 0.398*(0.367) β21 −0.305*(0.184) d21 0.732(0.516) — — α22 0.499***(0.032) β22 0.792***(0.024) d22 0.300***(0.056) 注：C为下三角常系数矩阵，c12用“—”表示；***、**、*依次表示在1%、5%和10%的水平上显著；括号内为异方差自相关（HAC）标准误。 下载:
导出CSV
表 6改变滞后阶数和预测步长的金融市场风险溢出指数表
金融市场 货币 股票 债券 外汇 房地产 黄金 商品 接收溢出 货币 97.77 0.47 0.48 0.04 0.87 0.30 0.07 2.20 股票 0.25 50.15 1.71 1.69 40.58 2.54 3.08 49.90 债券 0.20 4.12 82.25 0.20 2.00 9.51 1.71 17.80 外汇 0.09 1.47 0.24 95.45 1.05 1.00 0.69 4.50 房地产 0.48 40.50 0.82 1.11 52.38 1.75 2.95 47.60 黄金 0.16 2.42 8.91 0.64 2.24 72.91 12.72 27.10 商品 0.16 3.40 7.20 0.67 3.79 15.38 69.40 30.60 对外溢出 1.30 52.40 19.36 4.40 50.50 30.48 21.20 25.70 金融市场 货币 股票 债券 外汇 房地产 黄金 商品 接收溢出 货币 98.18 0.68 0.19 0.05 0.70 0.15 0.06 1.80 股票 0.24 50.47 1.42 0.17 41.51 2.49 3.71 49.50 债券 0.08 2.76 81.62 0.24 1.61 9.87 3.83 18.40 外汇 0.02 0.66 0.30 96.82 0.64 0.46 1.11 3.20 房地产 0.38 41.06 0.76 0.08 52.16 2.05 3.51 47.80 黄金 0.13 2.37 8.15 0.35 2.37 69.88 16.74 30.10 商品 0.01 4.12 3.47 0.50 4.74 13.49 73.68 26.30 对外溢出 0.90 51.60 14.30 1.40 51.60 28.50 29.00 25.30 注：表6上半部分和下半部分分别为改变滞后阶数为四阶和改变预测误差步长H=4得到的溢出指数。 下载:
导出CSV
-
[1] 谢峰. 中国大类资产的溢出效应及影响因素研究[J]. 软科学, 2017, 31(12): 140-144. [2] 杨子晖, 陈雨恬, 张平淼. 重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对[J]. 管理世界, 2020, 36(05): 13-35.doi:10.3969/j.issn.1002-5502.2020.05.003 [3] 宫晓莉, 熊熊. 波动溢出网络视角的金融风险传染研究[J]. 金融研究, 2020(05): 39-58. [4] 朱孟楠, 刘林, 倪玉娟. 人民币汇率与中国房地产价格: 基于Markov区制转换VAR模型的实证研究[J]. 金融研究, 2011(05): 58-71. [5] Andreou E, Matsi M, Savvides A. Stock and Foreign Exchange Market Linkages in Emerging Economies[J]. University of Cyprus Working Papers in Economics, 2013, 27(27): 248-268. [6] 史永东, 丁伟, 袁绍锋. 市场互联、风险溢出与金融稳定: 基于股票市场与债券市场溢出效应分析的视角[J]. 金融研究, 2013(03): 170-180. [7] 方意, 于渤, 王炜. 新冠疫情影响下的中国金融市场风险度量与防控研究[J]. 中央财经大学学报, 2020(08): 116-128. [8] Isabel Vansteenkiste, Paul Hiebert. Do house price developments spillover across euro area countries? Evidence from a global VAR[J]. 2011, 20(4): 286-314. [9] 刘程程, 苏治, 宋鹏. 全球股票市场间风险传染的测度、监管及预警[J]. 金融研究, 2020(11): 94-112. [10] 方意, 贾妍妍. 新冠肺炎疫情冲击下全球外汇市场风险传染与中国金融风险防控[J]. 当代经济科学, 2021, 43(02): 1-15. [11] 陈浪南, 黄杰鲲. 中国股票市场波动非对称性的实证研究[J]. 金融研究, 2002(05): 67-73. [12] 陈永伟. 股市波动的杠杆效应检验: 一种新的方法[J]. 中国管理科学, 2012, 20(05): 31-37. [13] Bartram S M, Brown G, Stulz R M. Why Are U.S. Stocks More Volatile?[J]. Journal of Finance, 2012, 67(4): 1329-1370.doi:10.1111/j.1540-6261.2012.01749.x [14] Segal G, Shaliastovich I, Yaron A. Good and bad uncertainty: Macroeconomic and financial market implications[J]. Journal of Financial Economics, 2015, 117(2): 369-397.doi:10.1016/j.jfineco.2015.05.004 [15] Barunik J, Kocenda E, Vacha L. Asymmetric connectedness on the U.S. stock market: Bad and good volatility spillovers[J]. Journal of Financial Markets, 2016, 27: 55-78.doi:10.1016/j.finmar.2015.09.003 [16] Ben S A. Good and bad volatility spillovers: An asymmetric connectedness[J]. Journal of Financial Markets, 2019, 43(3): 78-95. [17] 刘静一, 李彤, 简志宏. 中国股票市场行业间波动溢出非对称效应研究: 基于“好的波动”和“坏的波动”分析[J]. 运筹与管理, 2020, 29(09): 196-203. [18] Bollerslev T. Generalized autoregressive conditional heteroskedasticity[J]. Eeri Research Paper, 1986, 31(3): 307-327. [19] 张金林, 贺根庆, 王伟. 中国金融市场间风险溢出效应的实证研究: 基于四元VEC-GARCH(1,1)-BEKK模型[J]. 中央财经大学学报, 2012(07): 26-31. [20] 沈悦, 戴士伟, 罗希. 中国金融业系统性风险溢出效应测度: 基于GARCH-Copula-CoVaR模型的研究[J]. 当代经济科学, 2014, 36(06): 30-38.doi:10.3969/j.issn.1002-2848.2014.06.004 [21] 严伟祥, 张维, 牛华伟. 金融风险动态相关与风险溢出异质性研究[J]. 财贸经济, 2017, 38(10): 67-81.doi:10.3969/j.issn.1002-8102.2017.10.005 [22] Diebold F X, Yilmaz K. Better to give than to receive: Predictive directional measurement of volatility spillovers[J]. International Journal of Forecasting, 2012, 28(1): 57-66.doi:10.1016/j.ijforecast.2011.02.006 [23] Diebold F X, Yilmaz K. On the network topology of variance decompositions: Measuring the connectedness of financial firms[J]. Journal of Econometrics, 2014, 182(1): 119-134.doi:10.1016/j.jeconom.2014.04.012 [24] Demirer M, Diebold F X, Liu L, et al. Estimating global bank network connectedness[J]. Journal of applied econometrics, 2018, 33(1): 1-15.doi:10.1002/jae.2585 [25] 周亮. 中国大类资产信息溢出机制研究: 基于方差分解的网络拓扑分析[J]. 运筹与管理, 2019, 28(09): 128-136. [26] Glosten R, Jagannathan R, Runkle E. On the relation between the expected value and the volatility of the nominal excess return on stocks[J]. Journal of Econometrics, 1993, 48(5): 1779-1801. [27] 杨子晖. 金融市场与宏观经济的风险传染关系: 基于混合频率的实证研究[J]. 中国社会科学, 2020(12): 160-180. [28] 尚玉皇, 赵芮, 董青马. 混频数据信息下的时变货币政策传导行为研究: 基于混频TVP-FAVAR模型[J]. 金融研究, 2021(01): 13-30. [29] Andersen T G, Bollerslev T, Diebold F X, et al. Modeling and Forecasting Realized Volatility[J]. Social Science Electronic Publishing, 2001, 27(2): 36-54. [30] 王晓辉,张卫国,庄亮亮,等.基于多元分析的人民币汇率波动率预测[J].数理统计与管理,2014,33(3):467-477. -
点击查看大图
图(3)/
表 (6)
计量
- 文章访问数:1089
- HTML全文浏览量:602
- PDF下载量:144
- 被引次数:0
