胡成春，陳 迅，花擁軍

(重慶大學(xué) 經(jīng)濟(jì)與工商管理學(xué)院，重慶 400044)

過(guò)去20年里，中國(guó)房地產(chǎn)市場(chǎng)經(jīng)歷了高速的發(fā)展。在2003—2014年間，平均每年新建550萬(wàn)套公寓[1]，一線(xiàn)城市在2006—2016年間名義房?jī)r(jià)平均年增長(zhǎng)率約為35%[注]經(jīng)中經(jīng)網(wǎng)數(shù)據(jù)測(cè)算。。由于中國(guó)房地產(chǎn)市場(chǎng)開(kāi)發(fā)與個(gè)人住房消費(fèi)都高度依賴(lài)銀行貸款，房地產(chǎn)市場(chǎng)的風(fēng)險(xiǎn)很容易導(dǎo)致銀行的信貸違約，威脅金融市場(chǎng)的穩(wěn)定性。事實(shí)上，隨著中國(guó)經(jīng)濟(jì)進(jìn)入新常態(tài)，房地產(chǎn)行業(yè)開(kāi)始進(jìn)入調(diào)整期，商業(yè)銀行不良貸款余額與不良貸款率自2014年以來(lái)持續(xù)攀升，截至2016年年末，不良貸款率達(dá)到1.74%[注]數(shù)據(jù)來(lái)源于中經(jīng)網(wǎng)。。在世界范圍內(nèi)，因房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)引發(fā)的危機(jī)并不罕見(jiàn)，例如日本房地產(chǎn)泡沫、亞洲金融危機(jī)及美國(guó)次貸危機(jī)等，都是源于房地產(chǎn)市場(chǎng)過(guò)度的繁榮和擴(kuò)張，泡沫的破滅導(dǎo)致銀行陷入危機(jī)甚至誘發(fā)全球經(jīng)濟(jì)危機(jī)[2]。雖然此類(lèi)極端事件發(fā)生的概率較小，但其破壞性極強(qiáng)、影響深遠(yuǎn)，造成的損失也是災(zāi)難性的。而中國(guó)局部地區(qū)房?jī)r(jià)持續(xù)快速的上漲以及區(qū)域之間分化明顯、冷熱不均的現(xiàn)象，引發(fā)國(guó)內(nèi)外廣泛關(guān)注中國(guó)房地產(chǎn)市場(chǎng)的風(fēng)險(xiǎn)問(wèn)題[3-4]。因此，在現(xiàn)階段考察中國(guó)房地產(chǎn)與銀行業(yè)的動(dòng)態(tài)相關(guān)性與風(fēng)險(xiǎn)溢出性，對(duì)于投資者及政策制定者及時(shí)防范兩個(gè)市場(chǎng)的潛在風(fēng)險(xiǎn)及風(fēng)險(xiǎn)的溢出具有較強(qiáng)的現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

房地產(chǎn)與銀行間的風(fēng)險(xiǎn)關(guān)聯(lián)主要源于房地產(chǎn)市場(chǎng)融資過(guò)度依賴(lài)于銀行，而房地產(chǎn)市場(chǎng)的繁榮及監(jiān)管的缺失容易刺激銀行更多地信貸，大量研究認(rèn)為房地產(chǎn)泡沫是金融危機(jī)發(fā)生的直接原因，且資產(chǎn)價(jià)格過(guò)度膨脹是爆發(fā)危機(jī)的一個(gè)標(biāo)志。Bertrand的研究表明，金融自由化和金融管制的放松，刺激了信貸的過(guò)度增長(zhǎng)，是縮短房地產(chǎn)周期、加速房地產(chǎn)泡沫形成和破滅的重要原因之一[5]。Gerlach和 Peng的研究也得到了相似的結(jié)論，他們認(rèn)為銀行審慎的監(jiān)管和嚴(yán)格的風(fēng)控，能夠有效地防范房地產(chǎn)價(jià)格波動(dòng)對(duì)銀行的沖擊[6]。Herrring和Wachter通過(guò)構(gòu)造信貸市場(chǎng)模型，研究了房地產(chǎn)市場(chǎng)繁榮與銀行危機(jī)的關(guān)系，他們認(rèn)為正是銀行低估了房地產(chǎn)市場(chǎng)的風(fēng)險(xiǎn)，將信貸過(guò)度集中于房市，從而醞釀危機(jī)[7]。方意基于中國(guó)貨幣政策與房地產(chǎn)價(jià)格沖擊對(duì)銀行風(fēng)險(xiǎn)承擔(dān)的影響，也得出寬松的貨幣政策會(huì)刺激銀行過(guò)度風(fēng)險(xiǎn)承擔(dān)的結(jié)果[8]。但另有部分研究認(rèn)為，高房?jī)r(jià)并不是導(dǎo)致風(fēng)險(xiǎn)的原因。例如，Koetter和Poghosyan用人均GDP和人口增長(zhǎng)率等指標(biāo)來(lái)衡量房?jī)r(jià)是否偏離了其基本價(jià)值，他們的研究表明，房?jī)r(jià)自身水平及變動(dòng)并不是導(dǎo)致銀行危機(jī)的原因，而房?jī)r(jià)脫離基本價(jià)值才是導(dǎo)致銀行不穩(wěn)定性的原因[9]。Von Peter認(rèn)為資產(chǎn)價(jià)格下跌能否導(dǎo)致金融不穩(wěn)定取決于銀行的資產(chǎn)負(fù)債率[10]。Glaeser等的研究認(rèn)為中國(guó)房地產(chǎn)存在泡沫，但是泡沫破滅與否關(guān)鍵取決于中國(guó)政府政策，并且目前最重要的是確保中國(guó)金融體系的穩(wěn)定，而不是僅僅關(guān)注城市住房成本過(guò)高的問(wèn)題[11]。歐陽(yáng)遠(yuǎn)芬等利用Probit銀行危機(jī)預(yù)警系統(tǒng)實(shí)證研究發(fā)現(xiàn)，政府通過(guò)提高市場(chǎng)利率與銀行系統(tǒng)流動(dòng)性能夠在一定程度上擠出房地產(chǎn)泡沫[12]。文鳳華等通過(guò)構(gòu)建指標(biāo)衡量了中國(guó)房地產(chǎn)價(jià)格波動(dòng)與金融脆弱性，其研究表明房地產(chǎn)價(jià)格本身并不是問(wèn)題的關(guān)鍵，而房地產(chǎn)與銀行相互影響的反饋機(jī)制才是引發(fā)危機(jī)的本質(zhì)[13]。

在風(fēng)險(xiǎn)測(cè)度方面，肖斌卿等通過(guò)VaR和CD模型測(cè)度了銀行業(yè)和房地產(chǎn)業(yè)的風(fēng)險(xiǎn)傳染情況，結(jié)果表明金融危機(jī)后兩個(gè)行業(yè)的傳染性顯著提高，并認(rèn)為債務(wù)關(guān)聯(lián)是風(fēng)險(xiǎn)傳染的主要誘因[14]。王輝等通過(guò)公開(kāi)的財(cái)務(wù)數(shù)據(jù)，利用擴(kuò)展的矩陣模型，測(cè)度了房地產(chǎn)行業(yè)和銀行業(yè)的風(fēng)險(xiǎn)傳染性，其研究發(fā)現(xiàn)房地產(chǎn)行業(yè)與銀行業(yè)組成的金融系統(tǒng)比單獨(dú)的銀行系統(tǒng)更加脆弱，風(fēng)險(xiǎn)傳染速度明顯加快[15]。此外，由于Copula函數(shù)可以通過(guò)單個(gè)變量的邊緣分布靈活地構(gòu)造多個(gè)變量的聯(lián)合分布，能夠較為準(zhǔn)確地捕捉變量間非線(xiàn)性、非對(duì)稱(chēng)的相關(guān)性，因此，許多學(xué)者使用Copula函數(shù)研究風(fēng)險(xiǎn)關(guān)聯(lián)性。例如，Aloui等利用Copula函數(shù)測(cè)度了美國(guó)次貸危機(jī)對(duì)金磚四國(guó)的傳染程度[16]，劉瓊芳和張宗益用BB3 Copula函數(shù)研究房地產(chǎn)與金融行業(yè)股票收益率的相關(guān)性[17]，江紅莉和何建敏等基于時(shí)變Copula研究了房地產(chǎn)業(yè)與銀行業(yè)尾部的動(dòng)態(tài)相關(guān)性，揭示兩個(gè)行業(yè)之間具有較高的尾部相關(guān)性[18]。

綜上所述，以上文獻(xiàn)多從房地產(chǎn)與銀行市場(chǎng)的相互影響機(jī)制探討了兩者的關(guān)聯(lián)，但多是基于靜態(tài)研究，對(duì)于兩個(gè)市場(chǎng)相關(guān)性的動(dòng)態(tài)變化及風(fēng)險(xiǎn)溢出性關(guān)注不夠。本文在以上研究的基礎(chǔ)上，進(jìn)一步通過(guò)Copula函數(shù)結(jié)合Adrian 和 Brunnermeier[19]提出的衡量金融機(jī)構(gòu)間風(fēng)險(xiǎn)外溢的CoVaR方法，測(cè)度房地產(chǎn)與銀行之間動(dòng)態(tài)相關(guān)性以及發(fā)生危機(jī)時(shí)風(fēng)險(xiǎn)的溢出方向與強(qiáng)度，并通過(guò)LR失敗率法檢驗(yàn)了模型的樣本外預(yù)測(cè)能力，以豐富相關(guān)研究文獻(xiàn)，并為投資者和風(fēng)險(xiǎn)管理機(jī)構(gòu)提供參考意見(jiàn)，具有較強(qiáng)的應(yīng)用價(jià)值與現(xiàn)實(shí)意義。

二、模型設(shè)定

在模型設(shè)定時(shí)，首先根據(jù)數(shù)據(jù)的特征應(yīng)用廣義帕累托分布(GPD)對(duì)房地產(chǎn)業(yè)與銀行業(yè)的邊緣分布進(jìn)行刻畫(huà)；然后通過(guò)Copula函數(shù)將兩個(gè)行業(yè)的邊緣分布聯(lián)合起來(lái)構(gòu)造聯(lián)合分布函數(shù)，以此測(cè)度兩個(gè)行業(yè)的相關(guān)性；最后，通過(guò)條件風(fēng)險(xiǎn)值CoVaR測(cè)度兩個(gè)行業(yè)的風(fēng)險(xiǎn)溢出方向與強(qiáng)度。

(一)房地產(chǎn)業(yè)與銀行業(yè)的邊緣分布刻畫(huà)

由于本文利用股市數(shù)據(jù)代表房地產(chǎn)與銀行行業(yè)，考慮到金融數(shù)據(jù)的厚尾性，而傳統(tǒng)的經(jīng)驗(yàn)分布對(duì)尾部極值的擬合較差，因此，本文利用在金融數(shù)據(jù)中廣泛應(yīng)用的超閾值模型(POT)對(duì)超越某一充分大閾值的所有觀測(cè)值進(jìn)行建模。根據(jù)Pinkands定理[20]，給定一個(gè)充分大的閾值u，超過(guò)u值部分的分布函數(shù)漸進(jìn)地服從廣義帕累托分布(GPD)。于是，應(yīng)用廣義帕累托分布刻畫(huà)邊緣分布中超過(guò)閾值的部分，中間部分則用經(jīng)驗(yàn)分布擬合，可以將整個(gè)序列轉(zhuǎn)化為[0,1]之間的均勻分布。具體公式如下，

(1)

其中，σU(σL)代表上尾(下尾)尺度參數(shù)，ξU(ξL)代表上尾(下尾)形狀參數(shù)，ξ越大則尾部越厚，尾部分布收斂速度越緩慢。

(二)房地產(chǎn)業(yè)與銀行業(yè)風(fēng)險(xiǎn)的相關(guān)性測(cè)度

相關(guān)性測(cè)度能夠反映變量間同向或反向的運(yùn)動(dòng)方向，若運(yùn)動(dòng)方向一致，則不具備風(fēng)險(xiǎn)分散性。傳統(tǒng)的相關(guān)系數(shù)無(wú)法測(cè)度非線(xiàn)性的相關(guān)關(guān)系，而Kendall秩相關(guān)系數(shù)τ能夠度量非線(xiàn)性的情況，并且τ的值對(duì)于嚴(yán)格單調(diào)變換具有不變性，從而更具優(yōu)勢(shì)，因此本文用Kendall秩相關(guān)系數(shù)來(lái)測(cè)度房地產(chǎn)與銀行的相關(guān)性。而Schweizer 和Wolff[21]證明了τ可由相應(yīng)的Copula函數(shù)給出：

(2)

C(u,v)即連接函數(shù)Copula，它可以將單個(gè)邊緣分布聯(lián)合起來(lái)構(gòu)造多元變量的聯(lián)合分布。根據(jù)Sklar’s定理[22]，若F(x1,x2)是具有邊緣分布F1(x1)、F2(x2)的二維聯(lián)合分布函數(shù)，那么一定存在一個(gè)二元Copula函數(shù)C，使得二維空間中的x滿(mǎn)足：

F(x1,x2)=C(F1(x1),F2(x2))

(3)

若F1(x1)、F2(x2)連續(xù)，則C唯一確定。假設(shè)F(xi)是可微的，C和F是2階可微的，設(shè)u=F1(x1)、v=F2(x2)，則由式(3)的兩邊可以派生得到二元分布函數(shù)F(x1,x2)的密度函數(shù):

f(x1,x2)=c(u,v)f(x1)f(x2)

(4)

(三)房地產(chǎn)業(yè)與銀行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)

Adrian和 Brunnermeier提出的條件風(fēng)險(xiǎn)值CoVaR，可以測(cè)度若某一個(gè)行業(yè)或機(jī)構(gòu)在遭遇困境時(shí)，其他行業(yè)或機(jī)構(gòu)將遭受的最大損失，其定義為：

(5)

(6)

(7)

根據(jù)定義可知，CoVaR是風(fēng)險(xiǎn)值VaR的條件概率分布，而分位數(shù)本質(zhì)上是對(duì)變量的密度函數(shù)求變上限積分，因此若知道密度函數(shù)，便可求解CoVaR。假設(shè)存在收益率序列Xi和Xj，其聯(lián)合分布密度函數(shù)和邊緣分布函數(shù)分別為f(xi,xj)，fi(xi)，fj(xj)，則序列Xi的條件分布密度函數(shù)為：

(8)

結(jié)合Copula函數(shù)的定義，根據(jù)式(4)，可以推導(dǎo)如下公式

fi|j(xi|xj)=c(Fi(xi),Fj(xj))fi(xi)

(9)

對(duì)上式求積分有：

(10)

(11)

(12)

三、實(shí)證分析

(一)數(shù)據(jù)的描述性統(tǒng)計(jì)與檢驗(yàn)

本文選取Wind行業(yè)板塊指數(shù)中銀行指數(shù)與房地產(chǎn)指數(shù)的每日收益率數(shù)據(jù)，分別代表房地產(chǎn)與銀行兩個(gè)行業(yè)，樣本考察期為2000年1月至2017年6月，共4 223組數(shù)據(jù)。為了檢驗(yàn)?zāi)Ｐ偷挠行?，將樣本?shù)據(jù)分為估計(jì)與預(yù)測(cè)兩部分，用樣本序列的最后300天數(shù)據(jù)進(jìn)行預(yù)測(cè)，測(cè)度其對(duì)實(shí)際損失的覆蓋率。收益率序列的統(tǒng)計(jì)特征如表1所示。由表1可知，樣本期內(nèi)銀行與房地產(chǎn)收益率序列的均值分別為0.049 8、0.055 6，其中房地產(chǎn)收益率大于銀行，說(shuō)明房地產(chǎn)收益率更大；而兩個(gè)行業(yè)標(biāo)準(zhǔn)差都較大，分別為1.926 1、2.149 2，房地產(chǎn)收益率標(biāo)準(zhǔn)差大于銀行，說(shuō)明房地產(chǎn)收益率波動(dòng)也更大；兩個(gè)行業(yè)的峰度都大于3，分別為7.145 4、5.747 8，說(shuō)明兩個(gè)行業(yè)的分布都呈現(xiàn)高峰厚尾的特征。JB檢驗(yàn)拒絕了收益率序列服從正態(tài)分布的原假設(shè)，說(shuō)明兩個(gè)收益率序列均不服從正態(tài)分布；ADF檢驗(yàn)拒絕了序列存在單位根的原假設(shè)，表明兩個(gè)收益率序列是平穩(wěn)的；Ljung-Box檢驗(yàn)拒絕了序列不存在自相關(guān)的原假設(shè)，說(shuō)明房地產(chǎn)與銀行收益率序列均存在自相關(guān)性現(xiàn)象；ARCH檢驗(yàn)顯示，兩市收益率序列存在顯著的ARCH效應(yīng)，即兩個(gè)市場(chǎng)的收益率序列均存在波動(dòng)集聚的現(xiàn)象。為避免估計(jì)偏誤，本文先用能較好刻畫(huà)金融數(shù)據(jù)波動(dòng)集聚現(xiàn)象的GARCH模型對(duì)收益率序列進(jìn)行過(guò)濾[注]感興趣的讀者可以向作者索要GARCH模型的估計(jì)結(jié)果。，提取標(biāo)準(zhǔn)化殘差序列再次進(jìn)行自相關(guān)與ARCH檢驗(yàn)，結(jié)果如表2所示。由表2可知，Liung-Box與ARCH檢驗(yàn)都通過(guò)了原假設(shè)，說(shuō)明經(jīng)過(guò)GARCH模型過(guò)濾后的數(shù)據(jù)已不存在自相關(guān)和ARCH效應(yīng)，適用于模型研究。

表1 房地產(chǎn)與銀行收益率序列的統(tǒng)計(jì)特征

注：括號(hào)內(nèi)的數(shù)值表示相伴概率P值,其中ADF統(tǒng)計(jì)量、Ljung-Box和ARCH效應(yīng)是滯后15階的檢驗(yàn)結(jié)果

表2 殘差檢驗(yàn)

(二)邊緣分布估計(jì)

在得到獨(dú)立同分布的標(biāo)準(zhǔn)化殘差后，需通過(guò)求解式(1)中的參數(shù)來(lái)擬合邊緣分布。對(duì)于閾值的選取，本文根據(jù)DuMouche 提出的10%原則[24]，定義10%分位數(shù)為下尾閾值，90%分位數(shù)為上尾閾值，并運(yùn)用極大似然MLE方法估計(jì)GPD分布函數(shù)的參數(shù)，估計(jì)結(jié)果如表3所示。為檢查GDP對(duì)殘差序列的擬合情況，本文以下尾為例，分別作房地產(chǎn)與銀行的超出量估計(jì)圖和尾部估計(jì)圖(圖1—圖2)。從圖1、圖2可以看出，其超出量分布圖和尾部分布圖的點(diǎn)基本在一條線(xiàn)上，說(shuō)明擬合較好。于是，將估計(jì)出的參數(shù)ξ和σ，帶入公式(1)中，得到相應(yīng)的邊緣分布。

圖1 銀行殘差序列下尾的超限分布GPD擬合圖與尾部估計(jì)圖

(三)Copula函數(shù)參數(shù)估計(jì)

在得到邊緣分布后，通過(guò)選取最優(yōu)的Copula函數(shù)來(lái)測(cè)度房地產(chǎn)與銀行業(yè)的相關(guān)性。為此，本文估計(jì)了包含Elliptic Copula、Archimedean Copula函數(shù)及雙參數(shù)Copula函數(shù)在內(nèi)的共10個(gè)Copula函數(shù)，通過(guò)比較Carmer von Mises 統(tǒng)計(jì)量(CvM)和AIC信息準(zhǔn)則等擬合優(yōu)度進(jìn)行判定。Copula函數(shù)的參數(shù)估計(jì)及相關(guān)檢驗(yàn)如表4所示，由表4可知，BB1 Copula函數(shù)的AIC值最小，T-Copula的AIC值與之相差甚微，且兩個(gè)函數(shù)的參數(shù)都通過(guò)了相關(guān)檢驗(yàn)。而Gauss Copula函數(shù)雖然了CvM通過(guò)檢驗(yàn)，但AIC值比T Copula和BB1 Copula函數(shù)大，其他Copula函數(shù)則沒(méi)有通過(guò)檢驗(yàn)，說(shuō)明T Copula與BB1 Copula模型都能較好地?cái)M合房地產(chǎn)與銀行的相關(guān)性。將Copula函數(shù)的估計(jì)參數(shù)轉(zhuǎn)換為一致性Kendall秩相關(guān)進(jìn)行比較，發(fā)現(xiàn)房地產(chǎn)與銀行的秩相關(guān)在0.46左右,說(shuō)明房地產(chǎn)與銀行相關(guān)性較高。BB1 Copula測(cè)度的上尾相關(guān)系數(shù)為0.37，下尾相關(guān)系數(shù)為0.44，說(shuō)明房地產(chǎn)與銀行的尾部相關(guān)性具有非對(duì)稱(chēng)性，下尾相關(guān)系數(shù)大于上尾相關(guān)系數(shù)，即一個(gè)市場(chǎng)在發(fā)生危機(jī)時(shí)傳染到另一個(gè)市場(chǎng)的概率較高[注]T Copula無(wú)法擬合分布不對(duì)稱(chēng)的情況，而B(niǎo)B1更適合擬合尾部的相關(guān)性。。

注：由于T-Copula自由度非整數(shù)，對(duì)其參數(shù)采用White信息矩陣進(jìn)行GOF檢驗(yàn)

(四)房地產(chǎn)與銀行動(dòng)態(tài)相關(guān)性與風(fēng)險(xiǎn)溢出性

由于本文研究使用的數(shù)據(jù)歷時(shí)長(zhǎng)達(dá)17年有余，相關(guān)參數(shù)可能是隨市場(chǎng)環(huán)境而動(dòng)態(tài)變化的，因此我們進(jìn)一步估計(jì)了T-Copula的時(shí)變相關(guān)系數(shù)，結(jié)果如圖3所示。由圖3可知，房地產(chǎn)與銀行相關(guān)系數(shù)在2002年、2008年和2015年分別出現(xiàn)高點(diǎn)，而在2006年、2012年和2016年相關(guān)性降低到歷史低點(diǎn)?？v觀房地產(chǎn)市場(chǎng)的發(fā)展可以發(fā)現(xiàn)，房地產(chǎn)與銀行相關(guān)性高企主要和房地產(chǎn)市場(chǎng)繁榮有關(guān)，而房地產(chǎn)與銀行相關(guān)性降低則與逆房地產(chǎn)周期相機(jī)決策的調(diào)控政策有關(guān)。例如，為抑制房?jī)r(jià)的快速上漲，在2005年與2006年相繼出臺(tái)“國(guó)八條”“國(guó)六條”，央行2次提高基準(zhǔn)利率，房地產(chǎn)與銀行相關(guān)性迅速降低到0.2左右；而2008年為應(yīng)對(duì)金融危機(jī)，房地產(chǎn)調(diào)控政策從嚴(yán)格調(diào)控轉(zhuǎn)變?yōu)楣膭?lì)消費(fèi)，全年共4次降準(zhǔn)、5次降息，房?jī)r(jià)走高，兩個(gè)行業(yè)的相關(guān)性也隨之創(chuàng)下新高，達(dá)到0.8左右；寬松的政策環(huán)境刺激了房地產(chǎn)市場(chǎng)的繁榮，為應(yīng)對(duì)房?jī)r(jià)上漲過(guò)快問(wèn)題，在2011年出臺(tái)“國(guó)八條”后，47個(gè)城市執(zhí)行限購(gòu)政策并收緊信貸，在嚴(yán)厲的政策打擊下房地產(chǎn)市場(chǎng)出現(xiàn)量?jī)r(jià)齊跌，兩個(gè)行業(yè)的相關(guān)性也隨之下降并在2012年跌至谷底；2014—2015年間為應(yīng)對(duì)高庫(kù)存壓力央行共進(jìn)行了3次降準(zhǔn)、5次降息，多數(shù)城市取消限購(gòu)政策，房地產(chǎn)市場(chǎng)回暖，兩個(gè)行業(yè)相關(guān)性再度高企；直到2016年“9.30”政策后，16個(gè)城市密集出臺(tái)限購(gòu)政策，房地產(chǎn)政策開(kāi)始收緊；2017年“3.17”政策后，3月至5月間全國(guó)共有46個(gè)城市出臺(tái)限購(gòu)政策及相應(yīng)的配套政策，兩個(gè)行業(yè)的相關(guān)性迅速降低。鐘明等人的研究也表明，房地產(chǎn)與銀行相關(guān)性的變化往往伴隨兩個(gè)行業(yè)重大政策的出臺(tái)，具有強(qiáng)烈的政策效應(yīng)[25]。但同時(shí)本文發(fā)現(xiàn)，針對(duì)房地產(chǎn)市場(chǎng)逆周期的相機(jī)決策的調(diào)控政策導(dǎo)致兩個(gè)行業(yè)相關(guān)性降低的持續(xù)時(shí)間很短，一般在1～2個(gè)月左右市場(chǎng)就得以恢復(fù)；而一旦政策放松則房地產(chǎn)與銀行相關(guān)性將再度攀升到較高的水平。因此本文的研究結(jié)論與江紅莉等[18]提出的通過(guò)嚴(yán)厲的調(diào)控政策來(lái)降低兩個(gè)市場(chǎng)的風(fēng)險(xiǎn)關(guān)聯(lián)不同，本文認(rèn)為嚴(yán)厲的政策調(diào)控并不是長(zhǎng)效的調(diào)控機(jī)制。

為了比較GPD-T Copula與GPD-BB1 Copula模型的樣本外預(yù)測(cè)能力，本文使用Kupiec提出的失敗率LR檢驗(yàn)法對(duì)模型進(jìn)行檢驗(yàn)[26]。具體做法是：利用模型所估計(jì)的參數(shù)，采用Monte Carlo模擬房地產(chǎn)與銀行等權(quán)重的VaR值，并利用滾動(dòng)時(shí)間窗口法，滾動(dòng)預(yù)測(cè)樣本外300天的VaR損失值，比較其對(duì)房地產(chǎn)與銀行等權(quán)重實(shí)際損失的覆蓋率，結(jié)果如表5所示。由表5可知，GPD-BB1 Copula模型預(yù)測(cè)的VaR損失值失敗率更低，檢驗(yàn)統(tǒng)計(jì)量LR值更小。因此，較GPD-T Copula而言，GPD-BB1 Copula擬合風(fēng)險(xiǎn)損失更好。

表5 模型預(yù)測(cè)效果檢驗(yàn)(α=0.05)

注：LR值越大表明模型預(yù)測(cè)效果越差，加*號(hào)LR值表示在顯著性水平0.05下拒絕原假設(shè)

Copula函數(shù)測(cè)度了房地產(chǎn)與銀行間的相關(guān)性，并且顯示兩個(gè)市場(chǎng)間具有較高的下尾相關(guān)性，即一個(gè)市場(chǎng)的下跌引起另一個(gè)市場(chǎng)下跌的概率較高，說(shuō)明兩個(gè)市場(chǎng)存在風(fēng)險(xiǎn)溢出效應(yīng)。為進(jìn)一步考察兩個(gè)市場(chǎng)在發(fā)生風(fēng)險(xiǎn)(極端下跌)時(shí)的溢出方向與強(qiáng)度，通過(guò)求解式(6)、(7)、(12)，得到了相應(yīng)的條件風(fēng)險(xiǎn)值CoVaR、ΔCoVaR及%CoVaR值，結(jié)果如表6所示。由表6可知，兩個(gè)行業(yè)的條件風(fēng)險(xiǎn)值CoVaR均大于無(wú)條件風(fēng)險(xiǎn)值VaR，說(shuō)明兩個(gè)行業(yè)聯(lián)動(dòng)的風(fēng)險(xiǎn)大于單一行業(yè)風(fēng)險(xiǎn)，即兩個(gè)行業(yè)具有風(fēng)險(xiǎn)溢出性，即當(dāng)一個(gè)行業(yè)發(fā)生風(fēng)險(xiǎn)事件時(shí)容易引發(fā)另一個(gè)行業(yè)風(fēng)險(xiǎn)的爆發(fā)。從風(fēng)險(xiǎn)溢出的方向看，兩個(gè)行業(yè)存在雙向的溢出性，其中房地產(chǎn)對(duì)銀行的風(fēng)險(xiǎn)溢出強(qiáng)度為39.94%，銀行對(duì)房地產(chǎn)的風(fēng)險(xiǎn)溢出強(qiáng)度較低，只有21.89%，說(shuō)明房地產(chǎn)行業(yè)的風(fēng)險(xiǎn)溢出性更強(qiáng)，因而更應(yīng)該防范房地產(chǎn)市場(chǎng)對(duì)銀行的風(fēng)險(xiǎn)傳染。

表6 房地產(chǎn)與銀行業(yè)風(fēng)險(xiǎn)溢出效應(yīng)(q=5%)

四、結(jié)束語(yǔ)

本文通過(guò)構(gòu)建GPD-Copula-CoVaR模型測(cè)度了中國(guó)2000年1月至2017年6月間房地產(chǎn)業(yè)與銀行業(yè)的動(dòng)態(tài)相關(guān)性及風(fēng)險(xiǎn)溢出性。首先，用GARCH模型對(duì)數(shù)據(jù)進(jìn)行過(guò)濾，并使用廣義帕累托分布刻畫(huà)邊緣分布中超閾值的部分；然后，選取最優(yōu)的Copula函數(shù)測(cè)度房地產(chǎn)與銀行的動(dòng)態(tài)相關(guān)性與尾部相關(guān)性，并通過(guò)LR失敗率法檢驗(yàn)了模型的樣本外預(yù)測(cè)能力；最后，通過(guò)條件在險(xiǎn)價(jià)值CoVaR衡量了房地產(chǎn)與銀行間的風(fēng)險(xiǎn)的溢出效應(yīng)。通過(guò)以上研究，本文得到以下主要結(jié)論：(1)房地產(chǎn)與銀行業(yè)存在較高的相關(guān)性，Kandall秩相關(guān)系數(shù)在0.45左右，且上下尾具有不對(duì)稱(chēng)性，下尾相關(guān)系數(shù)大于上尾，即一個(gè)市場(chǎng)大幅下跌導(dǎo)致另一個(gè)市場(chǎng)大幅下跌的概率更高。通過(guò)Monte Carlo模擬損失值VaR與實(shí)際損失對(duì)比發(fā)現(xiàn)，GPD-BB1 Copula模型對(duì)尾部風(fēng)險(xiǎn)損失的擬合更佳，即GPD-BB1 Copula模型更適用于極端風(fēng)險(xiǎn)預(yù)測(cè)。(2)房地產(chǎn)業(yè)與銀行業(yè)的相關(guān)性是時(shí)變的，相關(guān)性較高時(shí)期往往對(duì)應(yīng)于房地產(chǎn)市場(chǎng)繁榮時(shí)期，且銀行信貸政策的寬松也會(huì)刺激兩個(gè)行業(yè)相關(guān)性的高企；而相關(guān)性的降低往往源于為防止房地產(chǎn)市場(chǎng)過(guò)熱而出臺(tái)的政策調(diào)控，但是政策效應(yīng)持續(xù)的時(shí)間較短。(3)房地產(chǎn)與銀行存在雙向的風(fēng)險(xiǎn)溢出效應(yīng)，即兩個(gè)行業(yè)聯(lián)動(dòng)的風(fēng)險(xiǎn)要大于單一行業(yè)的風(fēng)險(xiǎn)，其中房地產(chǎn)行業(yè)對(duì)銀行的風(fēng)險(xiǎn)溢出強(qiáng)度更強(qiáng)(40%左右)，銀行對(duì)房地產(chǎn)的風(fēng)險(xiǎn)溢出則相對(duì)較小(21%左右)。