国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

全球視野的大類資產(chǎn)風(fēng)險(xiǎn)溢出研究

2019-05-26 00:34陳聲利趙學(xué)軍張自力
管理科學(xué) 2019年6期
關(guān)鍵詞:方差傳染波動(dòng)

陳聲利,趙學(xué)軍,張自力

1 北京大學(xué) 光華管理學(xué)院,北京 100871

2 嘉實(shí)基金管理有限公司,北京 100005

引言

隨著金融國(guó)際化程度不斷加深,國(guó)家或地區(qū)之間的金融活動(dòng)相互滲透,金融風(fēng)險(xiǎn)跨市場(chǎng)、跨區(qū)域、跨品種的傳染不斷加劇。金融市場(chǎng)間不僅存在資產(chǎn)價(jià)格方面的相互影響,還普遍存在資產(chǎn)波動(dòng)率方面的相互影響。一個(gè)金融市場(chǎng)的波動(dòng)可能引起另一個(gè)金融市場(chǎng)的波動(dòng),這種現(xiàn)象稱之為波動(dòng)溢出效應(yīng)。由于波動(dòng)率測(cè)量了市場(chǎng)風(fēng)險(xiǎn),波動(dòng)溢出又被稱為風(fēng)險(xiǎn)溢出。近年來,全球金融市場(chǎng)經(jīng)歷了多次嚴(yán)重的金融危機(jī),如亞洲金融危機(jī)、美國(guó)次貸危機(jī)等。金融風(fēng)險(xiǎn)往往從一個(gè)市場(chǎng)產(chǎn)生,然后傳導(dǎo)到另一個(gè)市場(chǎng),在風(fēng)險(xiǎn)傳播過程中經(jīng)常出現(xiàn)波動(dòng)加劇、多市場(chǎng)共振的現(xiàn)象。準(zhǔn)確測(cè)量金融市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng),不僅有助于深入理解金融風(fēng)險(xiǎn)傳播機(jī)制,還有助于監(jiān)管部門制定政策、投資者管理風(fēng)險(xiǎn)和投資決策。

當(dāng)前,全球經(jīng)濟(jì)形勢(shì)很嚴(yán)峻,各國(guó)利率政策、中美貿(mào)易摩擦、英國(guó)脫歐以及地緣沖突等不確定性,將對(duì)全球金融市場(chǎng)產(chǎn)生持續(xù)性沖擊。作為流動(dòng)性最強(qiáng)的外匯市場(chǎng)往往與股票市場(chǎng)和大宗商品市場(chǎng)有千絲萬縷的聯(lián)系,從全球視野研究匯率、股市、大宗商品波動(dòng)的相互溢出,有助于追溯風(fēng)險(xiǎn)源,對(duì)大類資產(chǎn)配置具有重要意義。本研究基于修正的已實(shí)現(xiàn)波動(dòng)率建立向量自回歸模型,利用廣義誤差方差分解方法構(gòu)建方向性風(fēng)險(xiǎn)溢出指數(shù)和風(fēng)險(xiǎn)溢出網(wǎng)絡(luò),通過靜態(tài)分析和滾動(dòng)分析研究全球27種資產(chǎn)的風(fēng)險(xiǎn)溢出行為。

1相關(guān)研究評(píng)述

1.1研究方法

風(fēng)險(xiǎn)溢出一直是研究熱點(diǎn),針對(duì)風(fēng)險(xiǎn)溢出的研究方法也不斷創(chuàng)新。學(xué)者們?cè)缙谑褂肎ARCH模型建模研究風(fēng)險(xiǎn)溢出。HAMAO et al.[1]利用GARCH建立兩步法,先用GARCH對(duì)資產(chǎn)建模并提取殘差,然后將殘差平方作為資產(chǎn)波動(dòng)率放入其他資產(chǎn)的GARCH模型中,通過估計(jì)系數(shù)的顯著性判斷是否存在風(fēng)險(xiǎn)溢出效應(yīng);CHEUNG et al.[2]提出基于GARCH模型標(biāo)準(zhǔn)化殘差的交叉相關(guān)函數(shù)的風(fēng)險(xiǎn)溢出檢驗(yàn)方法;李成等[3]和BILLIO et al.[4]使用多元GARCH和多元SV等多元波動(dòng)率模型,從方差因果性檢驗(yàn)視角研究風(fēng)險(xiǎn)溢出問題。此外,也有學(xué)者通過分析因子模型的結(jié)構(gòu)變化考察是否存在金融傳染[5-7]。當(dāng)研究的資產(chǎn)較多時(shí),上述研究方法估計(jì)參數(shù)比較難。

從脈沖分析視角研究風(fēng)險(xiǎn)溢出是比較常用的方法。考慮多變量的非線性建模,KOOP et al.[8]建立非線性模型的脈沖分析方法。考慮多變量的線性建模,許多學(xué)者建立VAR模型的脈沖分析方法。PESARAN et al.[9]針對(duì)非嚴(yán)格VAR模型或協(xié)整VAR模型建立廣義脈沖分析方法;SOYDEMIR[10]基于平方收益率、已實(shí)現(xiàn)波動(dòng)率、極差波動(dòng)率等波動(dòng)率代理變量構(gòu)建VAR模型,通過VAR模型及其脈沖響應(yīng)分析研究風(fēng)險(xiǎn)溢出關(guān)系;DIEBOLD et al.[11]基于VAR模型的方差分解進(jìn)一步構(gòu)建風(fēng)險(xiǎn)溢出指數(shù),并計(jì)算不同市場(chǎng)的凈溢入指數(shù)和凈溢出指數(shù)。以上研究方法一般從全樣本視角研究資產(chǎn)之間的溢出效應(yīng),但無法研究風(fēng)險(xiǎn)溢出效應(yīng)的時(shí)變特征,也無法得到所有資產(chǎn)的凈風(fēng)險(xiǎn)溢入、凈風(fēng)險(xiǎn)溢出和整體溢出效應(yīng)。

隨著經(jīng)濟(jì)形勢(shì)和市場(chǎng)結(jié)構(gòu)的變化,金融資產(chǎn)之間的風(fēng)險(xiǎn)溢出效應(yīng)也會(huì)動(dòng)態(tài)變化,針對(duì)時(shí)變的風(fēng)險(xiǎn)溢出行為研究一般采用滾動(dòng)時(shí)間窗VAR方法。DIEBOLD et al.[11-13]利用滾動(dòng)時(shí)間窗VAR建模和方差分解,實(shí)現(xiàn)對(duì)風(fēng)險(xiǎn)溢出效應(yīng)的時(shí)變估計(jì),構(gòu)建總溢出指數(shù)和方向性溢出指數(shù),探討不同資產(chǎn)之間的時(shí)變凈溢入和凈溢出效應(yīng)(簡(jiǎn)稱為DY模型);DEMIRER et al.[14]通過結(jié)合LASSO估計(jì)將DY模型擴(kuò)展到越來越相關(guān)的高維環(huán)境。由于Diebold-Yilmaz框架可以用資產(chǎn)的已實(shí)現(xiàn)波動(dòng)率作為變量進(jìn)行VAR建模[15],隨著已實(shí)現(xiàn)半方差的提出[16],BARUNK et al.[17-18]和APERGIS et al.[19]基于好壞波動(dòng)率建立了不對(duì)稱波動(dòng)率的溢出研究方法。

隨著資產(chǎn)數(shù)量增多,僅用計(jì)量方法很難直觀分析風(fēng)險(xiǎn)溢出效應(yīng),近年來復(fù)雜網(wǎng)絡(luò)或知識(shí)圖譜為金融資產(chǎn)風(fēng)險(xiǎn)溢出研究提供了新工具。如果將金融資產(chǎn)視為復(fù)雜網(wǎng)絡(luò)的節(jié)點(diǎn),將資產(chǎn)之間的風(fēng)險(xiǎn)傳導(dǎo)關(guān)系視為復(fù)雜網(wǎng)絡(luò)的邊,那么可將金融資產(chǎn)構(gòu)建為風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)。代表性成果是DIEBOLD et al.[13]在DY模型基礎(chǔ)上建立有向網(wǎng)絡(luò),并用網(wǎng)絡(luò)拓?fù)浞椒ㄑ芯拷鹑谖C(jī)期間的風(fēng)險(xiǎn)溢出。進(jìn)而,DIEBOLD et al.[20-21]利用有向溢出指數(shù)和風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)研究金融機(jī)構(gòu)、金融市場(chǎng)和宏觀經(jīng)濟(jì)的風(fēng)險(xiǎn)溢出效應(yīng)。

1.2實(shí)證研究

實(shí)證研究風(fēng)險(xiǎn)溢出一直很活躍,學(xué)者們研究不同股市之間的風(fēng)險(xiǎn)溢出效應(yīng)。HAMAO et al.[1]建立GARCH模型研究風(fēng)險(xiǎn)溢出,發(fā)現(xiàn)美國(guó)、英國(guó)和日本股市之間存在風(fēng)險(xiǎn)溢出關(guān)系;BARUNK et al.[17]利用好壞波動(dòng)率建立VAR模型,研究發(fā)現(xiàn)美國(guó)股市存在不對(duì)稱溢出效應(yīng)。關(guān)于A股的風(fēng)險(xiǎn)溢出的研究,裴茜等[7]研究發(fā)現(xiàn)中國(guó)股票行業(yè)指數(shù)之間存在風(fēng)險(xiǎn)傳染,而鄭挺國(guó)等[22]研究發(fā)現(xiàn)股市風(fēng)險(xiǎn)溢出效應(yīng)與政策不確定性有一定關(guān)聯(lián)。為探討A股與海外市場(chǎng)的聯(lián)動(dòng)性,張兵等[23]、李紅權(quán)等[24]和周璞等[25]研究發(fā)現(xiàn)A股與美股、港股之間存在較強(qiáng)的風(fēng)險(xiǎn)溢出效應(yīng)。這些研究對(duì)風(fēng)險(xiǎn)溢出效應(yīng)都展開了靜態(tài)分析和滾動(dòng)分析。

外匯市場(chǎng)受國(guó)際形勢(shì)影響很大,使關(guān)于匯率風(fēng)險(xiǎn)的研究備受重視[26]。關(guān)于人民幣匯率的溢出行為,趙華[27]研究發(fā)現(xiàn)人民幣匯率與利率之間存在風(fēng)險(xiǎn)溢出效應(yīng),陳云等[28]研究發(fā)現(xiàn)人民幣匯率對(duì)股票市場(chǎng)具有風(fēng)險(xiǎn)溢出效應(yīng),郝毅等[29]利用MVMQ-CAViaR模型研究發(fā)現(xiàn)境內(nèi)外人民幣外匯市場(chǎng)存在風(fēng)險(xiǎn)溢出效應(yīng)。不同匯率市場(chǎng)的風(fēng)險(xiǎn)溢出也是研究重點(diǎn)。GREENWOOD-NIMMO et al.[30]利用DY模型研究發(fā)現(xiàn)10種匯率存在風(fēng)險(xiǎn)溢出效應(yīng);BARUNK et al.[18]基于好壞波動(dòng)建立VAR模型,研究發(fā)現(xiàn)外匯市場(chǎng)出現(xiàn)不對(duì)稱溢出效應(yīng)。這些成果為匯率風(fēng)險(xiǎn)的傳染機(jī)制提供了經(jīng)驗(yàn)證據(jù)。

隨著跨市場(chǎng)風(fēng)險(xiǎn)的不斷增加,跨市場(chǎng)風(fēng)險(xiǎn)溢出也是實(shí)證研究的焦點(diǎn)。一些學(xué)者研究商品期貨與股市的聯(lián)動(dòng)性,王鵬等[31]研究發(fā)現(xiàn)石油期貨與股票市場(chǎng)存在風(fēng)險(xiǎn)溢出效應(yīng)。也有學(xué)者研究地域性風(fēng)險(xiǎn)傳染,華仁海等[32]研究發(fā)現(xiàn)國(guó)內(nèi)外期貨市場(chǎng)之間存在風(fēng)險(xiǎn)溢出效應(yīng)。部分學(xué)者研究匯市、股市和債市的聯(lián)動(dòng)性,陳創(chuàng)練等[33]改進(jìn)VAR模型和脈沖分析,研究發(fā)現(xiàn)外匯市場(chǎng)、債券市場(chǎng)和股票市場(chǎng)存在交叉溢出關(guān)系;周愛民等[34]利用GARCH建模研究發(fā)現(xiàn)股票市場(chǎng)與外匯市場(chǎng)之間存在風(fēng)險(xiǎn)溢出效應(yīng)。此外,還有學(xué)者聚焦于中美利率政策的溢出效應(yīng),郭棟[35]基于GVAR和TVP-VAR模型研究發(fā)現(xiàn)美國(guó)國(guó)債利率對(duì)中國(guó)債市存在沖擊行為。這些研究充分表明,外匯市場(chǎng)、股票市場(chǎng)和大宗商品市場(chǎng)存在較強(qiáng)的風(fēng)險(xiǎn)傳染。

隨著資產(chǎn)數(shù)量增多,學(xué)者們采用DY模型的滾窗方法研究風(fēng)險(xiǎn)溢出行為。部分學(xué)者聚焦在貴金屬市場(chǎng)的風(fēng)險(xiǎn)溢出研究,LUCEY et al.[36]建立DY模型研究發(fā)現(xiàn)倫敦、紐約、東京和上海4個(gè)黃金市場(chǎng)之間的風(fēng)險(xiǎn)溢出,BATTEN et al.[37]研究發(fā)現(xiàn)黃金、白銀、鉑金和鈀金4種貴金屬之間的風(fēng)險(xiǎn)溢出效應(yīng)。諸多學(xué)者把焦點(diǎn)放在全球股市之間的風(fēng)險(xiǎn)傳染,梁琪等[38]基于有向溢出指數(shù)研究發(fā)現(xiàn)中國(guó)股市與海外股市存在風(fēng)險(xiǎn)傳染行為,YAROVAYA et al.[39]研究發(fā)現(xiàn)歐洲、亞洲等4個(gè)區(qū)域21個(gè)股市之間存在風(fēng)險(xiǎn)溢出效應(yīng)。有些學(xué)者從恐慌指數(shù)視角研究風(fēng)險(xiǎn)傳染,YANG et al.[40]根據(jù)11個(gè)金融市場(chǎng)的恐慌指數(shù)(VIX)研究發(fā)現(xiàn),美國(guó)量化寬松政策對(duì)國(guó)際主要市場(chǎng)具有風(fēng)險(xiǎn)溢出效應(yīng)。此外,還有學(xué)者同時(shí)研究股市、債市和期市的交叉溢出效應(yīng),劉超等[41]研究發(fā)現(xiàn)中國(guó)股市、債市、商品等市場(chǎng)之間存在風(fēng)險(xiǎn)溢出效應(yīng)。由此可知,已有研究采用不同數(shù)據(jù)驗(yàn)證了DY風(fēng)險(xiǎn)溢出研究方法的有效性。

1.3研究不足和對(duì)策

根據(jù)上述分析可知,在資產(chǎn)數(shù)量較多的情況下,DY框架已成為研究大類資產(chǎn)風(fēng)險(xiǎn)溢出的主流方法。DY框架衍生出的方向性溢出指數(shù)和風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)為研究風(fēng)險(xiǎn)溢出提供了有效工具,人們既可以使用時(shí)變溢出指數(shù)研究風(fēng)險(xiǎn)溢出的動(dòng)態(tài)演變,又能進(jìn)一步轉(zhuǎn)化為風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)直觀揭示金融資產(chǎn)之間的風(fēng)險(xiǎn)傳染機(jī)制。然而,已有實(shí)證研究依然存在不足:①學(xué)者們局限于研究?jī)蓚€(gè)市場(chǎng)內(nèi)的風(fēng)險(xiǎn)溢出關(guān)系,鮮有學(xué)者將全球金融市場(chǎng)視為一個(gè)整體研究風(fēng)險(xiǎn)溢出效應(yīng);②外匯市場(chǎng)、股票市場(chǎng)和期貨市場(chǎng)之間的相互溢出研究成果很少;③較少學(xué)者從大類資產(chǎn)視角研究每個(gè)資產(chǎn)的風(fēng)險(xiǎn)溢出表現(xiàn);④復(fù)雜網(wǎng)絡(luò)是研究風(fēng)險(xiǎn)溢出效應(yīng)的新方法,然而除DIEBOLD et al.[13,20-21]發(fā)表的成果外,其他學(xué)者的研究貢獻(xiàn)十分有限。

為了彌補(bǔ)以上不足,本研究沿用DY框架構(gòu)建時(shí)變風(fēng)險(xiǎn)溢出指數(shù)和風(fēng)險(xiǎn)溢出網(wǎng)絡(luò),從全球視角對(duì)外匯市場(chǎng)、股票市場(chǎng)和期貨市場(chǎng)的27種資產(chǎn)展開詳實(shí)的風(fēng)險(xiǎn)溢出行為研究。既考察同類資產(chǎn)的風(fēng)險(xiǎn)傳染機(jī)制,又探討交叉市場(chǎng)的風(fēng)險(xiǎn)聯(lián)動(dòng),可為大類資產(chǎn)的風(fēng)險(xiǎn)溢出提供較為全面的經(jīng)驗(yàn)證據(jù)。

2理論方法

2.1波動(dòng)率的測(cè)量方法

首先闡述風(fēng)險(xiǎn)溢出測(cè)量方法中所采用的已實(shí)現(xiàn)波動(dòng)率。令prit為t時(shí)刻的資產(chǎn)價(jià)格,則對(duì)數(shù)化的價(jià)格為ρt,ρt=log(prit),可以表示為連續(xù)時(shí)間過程,即

(1)

其中,μη為局部有界的均值變量,σs為數(shù)值為正的隨機(jī)波動(dòng)變量,η和s為時(shí)間變量,Jt為跳躍成分。對(duì)數(shù)價(jià)格ρt的二次變差過程為

(2)

為了估計(jì)二次變差,ANDERSEN et al.[15]首次提出已實(shí)現(xiàn)波動(dòng)率,并證明在無市場(chǎng)微觀結(jié)構(gòu)噪聲條件下,它是二次變差的一致估計(jì)量。假設(shè)rk為高頻對(duì)數(shù)收益率,則定義已實(shí)現(xiàn)波動(dòng)率為

(3)

其中,RV為已實(shí)現(xiàn)波動(dòng)率,n為抽樣頻數(shù),k為循環(huán)變量。當(dāng)n趨于無窮時(shí),RV的概率收斂于二次變差[ρt,ρt]。

考慮到市場(chǎng)微觀結(jié)構(gòu)噪聲的影響,本研究采用HANSEN et al.[42]提出的已實(shí)現(xiàn)核估計(jì)對(duì)已實(shí)現(xiàn)波動(dòng)率進(jìn)行噪聲糾偏。根據(jù)陳聲利等[43-44]的推導(dǎo),將(3)式修正為

(4)

2.2風(fēng)險(xiǎn)溢出的建模理論

溢出指數(shù)計(jì)量方法最早由DIEBOLD et al.[11]提出,該方法基于向量自回歸模型刻畫多變量之間的線性關(guān)系,通過預(yù)測(cè)誤差方差分解得到廣義誤差方差分解矩陣,用來描述變量之間的相互關(guān)系。在此基礎(chǔ)上,DIEBOLD et al.[11-12]提出總溢出指數(shù)、有向溢出指數(shù)和凈溢出指數(shù)。下面將系統(tǒng)闡述風(fēng)險(xiǎn)溢出的相關(guān)理論。

2.2.1 VAR模型和方差分解

若研究金融市場(chǎng)的N個(gè)資產(chǎn)之間的風(fēng)險(xiǎn)溢出行為,可以將N個(gè)資產(chǎn)的已實(shí)現(xiàn)波動(dòng)率向量作為回歸變量,建立p階的向量自回歸模型(VAR(p)),表示為

(5)

其中,RVt為已實(shí)現(xiàn)波動(dòng)率向量,RVt=(RV1t,RV2t,…,RVNt)′;Φτ為N×N維的系數(shù)矩陣;τ為階數(shù)的循環(huán)變量;εt為N×1維的隨機(jī)擾動(dòng)項(xiàng),且εt~iid(0,Σε),Σε為N×N維的εt的協(xié)方差矩陣。VAR(p)的移動(dòng)平均形式為

(6)

其中,h為循環(huán)變量;Ah為系數(shù)矩陣。當(dāng)h<0時(shí),Ah=0;當(dāng)h>0時(shí),Ah滿足遞歸過程,即

Ah=Φ1Ah-1+Φ2Ah-2+…+ΦpAh-p

(7)

特別的,A0為N×N維的單位矩陣。據(jù)此,考慮向前H步預(yù)測(cè),可計(jì)算出H個(gè)系數(shù)矩陣,即A0,A1,…,AH-1。

令i和j代表兩個(gè)不同的資產(chǎn),則預(yù)測(cè)誤差方差分解的核心任務(wù)是,估計(jì)i資產(chǎn)向前H步預(yù)測(cè)的誤差方差中有多少成分來自于j資產(chǎn)的新息沖擊。在VAR(p)模型一般框架下,根據(jù)PESARAN et al.[9]的廣義脈沖函數(shù)可計(jì)算出N×N維廣義誤差方差分解矩陣Θ,矩陣中的每個(gè)元素為

(8)

(9)

2.2.2 風(fēng)險(xiǎn)溢出的測(cè)量方法

(1)總風(fēng)險(xiǎn)溢出指數(shù),測(cè)量N個(gè)資產(chǎn)波動(dòng)率之間的相互溢出效果對(duì)總預(yù)測(cè)誤差方差的貢獻(xiàn),計(jì)算方法為廣義誤差方差分解矩陣的所有非對(duì)角元素求和取平均,即

(10)

(11)

(12)

(11)式和(12)式計(jì)算得到的皆為方向性的溢出指數(shù),后文分別將二者簡(jiǎn)稱為溢入指數(shù)和溢出指數(shù)。

(13)

2.3風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)

多種金融資產(chǎn)之間的風(fēng)險(xiǎn)傳染是通過波動(dòng)率的相互溢出實(shí)現(xiàn)的,因此可以使用復(fù)雜網(wǎng)絡(luò)方法建立金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)?;趶?fù)雜網(wǎng)絡(luò)構(gòu)建風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)的核心思想是,將金融市場(chǎng)中各類金融資產(chǎn)作為節(jié)點(diǎn),節(jié)點(diǎn)之間的連邊代表資產(chǎn)之間的風(fēng)險(xiǎn)溢出關(guān)系。借鑒DIEBOLD et al.[13,20]的研究,本研究將廣義誤差方差分解矩陣作為金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)的連接矩陣,構(gòu)建面向大類資產(chǎn)的風(fēng)險(xiǎn)溢出網(wǎng)絡(luò),并通過節(jié)點(diǎn)的網(wǎng)絡(luò)中心度分析大類資產(chǎn)之間的風(fēng)險(xiǎn)傳染機(jī)制。

根據(jù)復(fù)雜網(wǎng)絡(luò)的定義,節(jié)點(diǎn)的網(wǎng)絡(luò)中心度為該節(jié)點(diǎn)相連的邊的權(quán)重之和,用以衡量節(jié)點(diǎn)的重要性。節(jié)點(diǎn)的網(wǎng)絡(luò)中心度越大,該節(jié)點(diǎn)在金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)中所處的地位越重要。對(duì)于有向網(wǎng)絡(luò)而言,網(wǎng)絡(luò)中心度又分為出度和入度。由于廣義誤差方差分解矩陣是有方向的,本研究構(gòu)建的金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)本質(zhì)上是有向網(wǎng)絡(luò)。前文建立的有向溢出指數(shù),即溢出指數(shù)和溢入指數(shù),可以直接體現(xiàn)為節(jié)點(diǎn)的加權(quán)出度和加權(quán)入度。在具體的實(shí)證研究中,本研究在構(gòu)建風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)時(shí)將每個(gè)資產(chǎn)視為同質(zhì)化的,無需特別區(qū)分匯率、股票指數(shù)和商品期貨,并且主要以溢出指數(shù)對(duì)應(yīng)的網(wǎng)絡(luò)中心度探討風(fēng)險(xiǎn)溢出行為。

3實(shí)證研究

針對(duì)2000年以來外匯市場(chǎng)、股票市場(chǎng)和期貨市場(chǎng)的27種資產(chǎn),通過靜態(tài)分析和滾動(dòng)分析對(duì)大類資產(chǎn)的風(fēng)險(xiǎn)溢出展開分析。靜態(tài)分析和滾動(dòng)分析都包含4組實(shí)驗(yàn),分別為8種匯率的外匯市場(chǎng)風(fēng)險(xiǎn)溢出研究、11種股票指數(shù)的股票市場(chǎng)風(fēng)險(xiǎn)溢出研究、6種大宗商品的商品期貨市場(chǎng)風(fēng)險(xiǎn)溢出研究,以及27種資產(chǎn)的交叉風(fēng)險(xiǎn)溢出研究。在交叉風(fēng)險(xiǎn)溢出研究中,除8種貨幣匯率指數(shù)、11種股票指數(shù)和6種大宗商品外,還使用了美國(guó)10年期國(guó)債期貨和美國(guó)VIX期貨兩種獨(dú)特的期貨。在實(shí)證研究中,首先對(duì)研究數(shù)據(jù)進(jìn)行闡述,然后計(jì)算月度已實(shí)現(xiàn)波動(dòng)率并進(jìn)一步檢驗(yàn)月度已實(shí)現(xiàn)波動(dòng)率的平穩(wěn)性,最后利用月度已實(shí)現(xiàn)波動(dòng)率建立VAR模型研究風(fēng)險(xiǎn)溢出行為。

3.1研究數(shù)據(jù)

本研究從彭博系統(tǒng)獲取全球主要經(jīng)濟(jì)體的外匯匯率、股票指數(shù)和大宗商品的歷史數(shù)據(jù),時(shí)間區(qū)間為2000年1月1日至2019年5月20日,共233個(gè)月,累計(jì)5 058天的日度數(shù)據(jù)。鑒于美元是世界主要存儲(chǔ)和流通的貨幣,本研究重點(diǎn)研究8個(gè)國(guó)家或地區(qū)的貨幣兌美元的匯率,這些貨幣包括歐元EUR、英鎊GBP、日元JPY、瑞士法郎CHF、澳元AUD、加元CAD、港幣HKD和人民幣CNY。后文將歐美匯率EUR/USD簡(jiǎn)寫為EUR,其他匯率類似。所有匯率數(shù)據(jù)均為紐約時(shí)間每天下午5點(diǎn)的收盤價(jià)。

根據(jù)上述匯率覆蓋的國(guó)家或地區(qū),本研究獲取11種有代表性的股票指數(shù),具體為美國(guó)標(biāo)普500指數(shù)(SPX)、歐元區(qū)斯托克價(jià)格指數(shù)(SX5E)、法國(guó)CAC400指數(shù)(CAC)、德國(guó)DAX30指數(shù)(DAX)、日本日經(jīng)225指數(shù)(NKY)、香港恒生指數(shù)(HSI)、中國(guó)上證指數(shù)(SSEC)、加拿大標(biāo)普TSX綜合指數(shù)(SPTSX)、英國(guó)富時(shí)100指數(shù)(UKX)、澳大利亞綜合指數(shù)(AS30)、瑞士股票指數(shù)(SMI)。

本研究考察的大宗商品包括倫敦金屬交易所(LME)的金屬期貨(如黃金GOLD、白銀SLVR、銅CU和鋁AL)、倫敦洲際交易所(ICE)的布倫特原油期貨(OIL)和芝加哥商品交易所(CME)的大豆期貨(Y)。本研究選取的商品期貨具有代表性,黃金和白銀是具有避險(xiǎn)功能的貴金屬,銅和鋁是重要的工業(yè)原料,原油是核心能源,大豆是全球性的農(nóng)產(chǎn)品。本研究選用布倫特原油期貨作為研究對(duì)象,是因?yàn)椴紓愄卦腕w系比美國(guó)WTI原油覆蓋更大的交易量。此外,本研究增加了兩種特殊期貨品種,一種是美國(guó)10年期國(guó)債期貨(T10Y),它與美國(guó)10年期國(guó)債收益率關(guān)系密切;另一種是VIX期貨,其標(biāo)的是芝加哥期權(quán)交易所的恐慌指數(shù)VIX。

由于不同交易所的收盤時(shí)間不同,從彭博提取的股票指數(shù)和期貨指數(shù)的收盤時(shí)間存在時(shí)差。但是由于本研究采用月度已實(shí)現(xiàn)波動(dòng)率研究風(fēng)險(xiǎn)溢出效應(yīng),其結(jié)果受收盤價(jià)時(shí)間差異或日內(nèi)波動(dòng)行為差異影響很小。借鑒黃卓等[45]的研究,本研究利用日頻數(shù)據(jù)估計(jì)上述8種匯率、11種股票指數(shù)、6種大宗商品和2種特殊期貨的月度已實(shí)現(xiàn)波動(dòng)率。為確保波動(dòng)率的準(zhǔn)確性,計(jì)算已實(shí)現(xiàn)波動(dòng)的日頻收益率rt,rt=100[log(ρt)-log(ρt-1)]。由于篇幅限制,本研究省略了上述資產(chǎn)價(jià)格走勢(shì)和已實(shí)現(xiàn)波動(dòng)率的描述性統(tǒng)計(jì),如讀者需要,可聯(lián)系作者索取。月度已實(shí)現(xiàn)波動(dòng)率的LB(20)檢驗(yàn)結(jié)果表明,除大豆期貨波動(dòng)率外,其他所有資產(chǎn)均顯著為0,說明已實(shí)現(xiàn)波動(dòng)率不是白噪聲序列,具有長(zhǎng)記憶性和預(yù)測(cè)性。此外,ADF檢驗(yàn)結(jié)果表明,除CNY外,其他所有資產(chǎn)在0.050水平上都顯著,證明已實(shí)現(xiàn)波動(dòng)率是平穩(wěn)序列,滿足VAR(p)建模條件。

3.2風(fēng)險(xiǎn)溢出行為的靜態(tài)分析

根據(jù)不同資產(chǎn)的月度已實(shí)現(xiàn)波動(dòng)率構(gòu)建VAR(p)模型。VAR模型的廣義預(yù)測(cè)誤差方差分解需確定兩個(gè)關(guān)鍵參數(shù),即VAR模型階數(shù)p和方差分解的步數(shù)H。借鑒梁琪等[38]的研究,VAR(p)模型的階數(shù)p可根據(jù)赤池信息準(zhǔn)則(AIC)確定。具體方法是取p為1~10依次計(jì)算AIC值,選擇最小AIC值對(duì)應(yīng)的p作為模型階數(shù)。本研究根據(jù)全樣本的統(tǒng)計(jì)實(shí)驗(yàn)發(fā)現(xiàn)AIC值最小時(shí)對(duì)應(yīng)的階數(shù)為3,即使用過去3個(gè)月的波動(dòng)率預(yù)測(cè)下月波動(dòng)率的表現(xiàn)較好。在計(jì)算廣義脈沖響應(yīng)函數(shù)時(shí),隨著向前預(yù)測(cè)步數(shù)H的變大,方差分解結(jié)果逐漸趨于穩(wěn)定。本研究取H為1~10依次計(jì)算總風(fēng)險(xiǎn)溢出指數(shù),發(fā)現(xiàn)當(dāng)H取3時(shí)總風(fēng)險(xiǎn)溢出指數(shù)接近穩(wěn)定值。綜上分析,本研究選取p為3、H為3進(jìn)行廣義誤差方差分解并計(jì)算溢出指數(shù)。

利用全樣本數(shù)據(jù),即233個(gè)月度已實(shí)現(xiàn)波動(dòng)率序列作為靜態(tài)數(shù)據(jù),對(duì)當(dāng)前時(shí)刻的VAR(3)模型進(jìn)行參數(shù)估計(jì),采用所估計(jì)VAR模型滾動(dòng)向前預(yù)測(cè)3步,根據(jù)廣義誤差方差分解矩陣計(jì)算溢出指數(shù)。下面根據(jù)風(fēng)險(xiǎn)溢出表對(duì)風(fēng)險(xiǎn)溢出行為進(jìn)行靜態(tài)分析。

3.2.1 外匯市場(chǎng)的風(fēng)險(xiǎn)溢出

為了研究匯率之間的風(fēng)險(xiǎn)傳染行為,對(duì)8種匯率波動(dòng)構(gòu)建VAR(p)模型進(jìn)行預(yù)測(cè)誤差方差分解,得到溢出指數(shù),見表1。前8行8列為預(yù)測(cè)誤差方差矩陣的元素,每行之和為100。矩陣每行數(shù)據(jù)表示某個(gè)資產(chǎn)的預(yù)測(cè)誤差方差來源于不同資產(chǎn)的風(fēng)險(xiǎn)溢出比例,對(duì)角線上的數(shù)據(jù)表示某個(gè)資產(chǎn)來源于自身的風(fēng)險(xiǎn)溢出。

表1 外匯市場(chǎng)的風(fēng)險(xiǎn)溢出Table 1 Risk Spillover of Foreign Exchange Markets

注:括號(hào)中的數(shù)據(jù)為總風(fēng)險(xiǎn)溢出指數(shù),下同。

由表1可知,①CNY、CHF、HKD和EUR這4種匯率受其他匯率的波動(dòng)沖擊很小,其預(yù)測(cè)誤差方差更多來源于自身的風(fēng)險(xiǎn)溢出,普遍超過了85%。②CAD和AUD這2種匯率受其他匯率的波動(dòng)沖擊很大,分別高達(dá)85.587%和68.329%,它們主要受歐元和日元匯率波動(dòng)沖擊。③EUR和JPY的風(fēng)險(xiǎn)溢出最大,分別高達(dá)153.889%和61.513%,其他匯率的風(fēng)險(xiǎn)溢出較小。④EUR和JPY為正向的凈風(fēng)險(xiǎn)溢出,表明歐美匯率對(duì)各國(guó)家或地區(qū)的波動(dòng)沖擊極為顯著,佐證了USD和EUR仍然占據(jù)目前最重要的貨幣地位。⑤CNY和HKD匯率風(fēng)險(xiǎn)溢出較小,風(fēng)險(xiǎn)溢入也較小,說明人民幣和港幣的國(guó)際化有限。⑥歐元兌英鎊的波動(dòng)沖擊為31.704%,反過來英鎊對(duì)歐元的匯率風(fēng)險(xiǎn)溢出僅為0.210%,該現(xiàn)象佐證了廣義誤差方差分解矩陣的非對(duì)稱性。

3.2.2 全球股市的風(fēng)險(xiǎn)溢出

為了研究全球股市之間的風(fēng)險(xiǎn)傳染行為,對(duì)11個(gè)國(guó)家或地區(qū)的股票指數(shù)構(gòu)建VAR(p)模型進(jìn)行預(yù)測(cè)誤差方差分解,得到風(fēng)險(xiǎn)溢出指數(shù),見表2。由溢入指數(shù)可知,大多數(shù)全球股市受其他股市的風(fēng)險(xiǎn)傳染較大,CAC、DAX、SPTSX、UKX和SMI等都超過90%,HSI和AS30超過80%,表明全球的股票市場(chǎng)聯(lián)動(dòng)性很強(qiáng)。然而,SPX的風(fēng)險(xiǎn)溢入僅為19.900%。觀察方差分解矩陣元素可知,SPX主要承擔(dān)了大部分風(fēng)險(xiǎn)溢出的角色,而受其他股市波動(dòng)沖擊較小。此外,SSEC受其他股市的風(fēng)險(xiǎn)溢入最小,僅為15.904%,反映其抵御風(fēng)險(xiǎn)的能力較高。

分析溢出指數(shù)發(fā)現(xiàn),SPX、NKY、SX5E、DAX和SSEC的溢出指數(shù)較大,說明美國(guó)、日本、歐元區(qū)、德國(guó)和中國(guó)股市對(duì)全球股市具有較強(qiáng)的風(fēng)險(xiǎn)傳染能力。值得強(qiáng)調(diào)的是,德國(guó)股市比法國(guó)股市具有更強(qiáng)的風(fēng)險(xiǎn)溢出效應(yīng)。SPX的風(fēng)險(xiǎn)溢出異常顯著,高達(dá)542.501%,反映美國(guó)股市是全球股市波動(dòng)的最大源頭。由凈溢出指數(shù)可知,美國(guó)和中國(guó)股市為正向的凈風(fēng)險(xiǎn)溢出,其他股市均為負(fù),其原因與美國(guó)和中國(guó)為全球最大的兩個(gè)經(jīng)濟(jì)體有關(guān)系。

通過表2可以探討中國(guó)股市的風(fēng)險(xiǎn)傳染關(guān)系。SPX對(duì)SSEC的風(fēng)險(xiǎn)溢出為3.507%,而SSEC對(duì)SPX的風(fēng)險(xiǎn)溢出為4.007%,說明在全樣本的靜態(tài)分析中中美股市的聯(lián)動(dòng)性較弱。與SSEC相比,SPX對(duì)HSI的風(fēng)險(xiǎn)溢出高達(dá)53.063%,而HSI對(duì)美國(guó)股市的風(fēng)險(xiǎn)溢出為0.234%,說明美國(guó)股市對(duì)香港股市的沖擊較大,但是香港股市對(duì)美國(guó)股市的影響依然很弱。

3.2.3 大宗商品的風(fēng)險(xiǎn)溢出

為了研究大宗商品之間的風(fēng)險(xiǎn)傳染行為,對(duì)6種大宗商品期貨構(gòu)建VAR(p)模型進(jìn)行預(yù)測(cè)誤差方差分解,得到溢出指數(shù),見表3。關(guān)于大宗商品的溢入指數(shù),銅受外部市場(chǎng)的沖擊最大,主要源于黃金、白銀和原油的風(fēng)險(xiǎn)溢入。鋁的風(fēng)險(xiǎn)溢入為31.353%,主要受到銅、黃金和白銀的波動(dòng)沖擊。白銀主要受黃金的波動(dòng)沖擊。作為唯一的農(nóng)產(chǎn)品期貨,大豆期貨的風(fēng)險(xiǎn)溢入最小。由此可見,倫敦金屬期貨存在很強(qiáng)的波動(dòng)聯(lián)動(dòng)性。

表2 全球股市的風(fēng)險(xiǎn)溢出Table 2 Risk Spillover of Global Stock Markets

表3 大宗商品的風(fēng)險(xiǎn)溢出Table 3 Risk Spillover of Commodities

表4 多種資產(chǎn)的風(fēng)險(xiǎn)溢出Table 4 Risk Spillover for Various Assets

分析溢出指數(shù)可知,黃金對(duì)其他商品的風(fēng)險(xiǎn)溢出極為明顯,達(dá)73.679%,白銀的風(fēng)險(xiǎn)溢出也較大,為25.963%,可能與貴金屬的避險(xiǎn)保值功能有關(guān)系。分析凈溢出指數(shù)可知,黃金和原油的凈風(fēng)險(xiǎn)溢出為正。該數(shù)據(jù)證實(shí)原油波動(dòng)具有較強(qiáng)的風(fēng)險(xiǎn)傳染,這與原油是最重要的能源有關(guān)系。比較表1~表3的總風(fēng)險(xiǎn)溢出指數(shù)發(fā)現(xiàn),全球股市之間的總風(fēng)險(xiǎn)溢出最大,為75.807%;全球匯市其次,為35.544%;而代表性商品期貨相對(duì)較小,僅為26.538%。

3.2.4 多種資產(chǎn)的交叉溢出

為了探究不同資產(chǎn)之間的風(fēng)險(xiǎn)溢出行為,對(duì)27種資產(chǎn)構(gòu)建VAR(p)模型進(jìn)行預(yù)測(cè)誤差方差分解,得到每個(gè)資產(chǎn)的溢入指數(shù)、溢出指數(shù)和凈溢出指數(shù),見表4, 27種資產(chǎn)包括8種外匯匯率、11種股票指數(shù)、8種商品期貨。

由表4的溢入指數(shù)可知,匯率品種中溢入最小的是CNY和HKD,僅為16.657%和21.378%。而受到外部市場(chǎng)波動(dòng)沖擊較大的匯率為AUD和CAD,分別為79.788%和86.653%。該現(xiàn)象與表1較為相近。股票指數(shù)中溢入指數(shù)較小者為SSEC(35.295%)和SPX(69.997%),其他9個(gè)股票指數(shù)均超過80%。該現(xiàn)象與表2比較接近。期貨品種的溢入指數(shù)中,銅的風(fēng)險(xiǎn)溢入最大,為84.107%,大豆期貨和VIX期貨的風(fēng)險(xiǎn)溢入最小,約為28%。

分析表4的溢出指數(shù)可知,EUR和SPX的風(fēng)險(xiǎn)溢出最大,遠(yuǎn)超其他資產(chǎn)的風(fēng)險(xiǎn)溢出。匯率中溢出指數(shù)超過100%的還有JPY和AUD。期貨品種中GOLD、SLVR和T10Y的風(fēng)險(xiǎn)溢出較大,其余資產(chǎn)的風(fēng)險(xiǎn)溢出較小。EUR的凈溢出指數(shù)高達(dá)224.431%,SPX高達(dá)219.614%,充分體現(xiàn)了歐美匯率和美國(guó)股市為主要風(fēng)險(xiǎn)傳染源。大部分匯率的凈風(fēng)險(xiǎn)溢出都為正,說明外匯市場(chǎng)對(duì)全球金融市場(chǎng)具有強(qiáng)烈的風(fēng)險(xiǎn)溢出效應(yīng)。除SPX以外,SSEC也是正向的凈風(fēng)險(xiǎn)溢出,表明中美股市對(duì)全球金融市場(chǎng)具有較強(qiáng)的風(fēng)險(xiǎn)傳染。

圖1以廣義預(yù)測(cè)誤差方差矩陣作為連接矩陣構(gòu)建了風(fēng)險(xiǎn)溢出網(wǎng)絡(luò),它可以直觀揭示不同資產(chǎn)之間的風(fēng)險(xiǎn)溢出關(guān)系。該風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)具有27個(gè)節(jié)點(diǎn)、729條邊,節(jié)點(diǎn)之間的連邊代表資產(chǎn)之間的風(fēng)險(xiǎn)溢出,揭示了每個(gè)資產(chǎn)的風(fēng)險(xiǎn)溢出效應(yīng);節(jié)點(diǎn)的網(wǎng)絡(luò)中心度越大(圓圈越大),表示溢出指數(shù)越大;資產(chǎn)與資產(chǎn)之間的連邊越粗,表示風(fēng)險(xiǎn)溢出越大;箭頭表示風(fēng)險(xiǎn)溢出方向。

圖1中,1為EUR,2為GBP,3為JPY,4為CHF,5為AUD,6為CAD,7為HKD,8為CNY,9為SPX,10為SX5E,11為CAC,12為DAX,13為NKY,14為HSI,15為SSEC,16為SPTSX,17為UKX,18為AS30,19為SMI,20為OIL,21為GOLD,22為SLVR,23為CU,24為AL,25為Y,26為T10Y,27為VIX。由圖1可知,①SPX和歐美匯率的溢出指數(shù)最大。SPX幾乎對(duì)大部分股票指數(shù)都產(chǎn)生較大波動(dòng)沖擊,而歐美匯率幾乎對(duì)大部分匯率和股票指數(shù)具有波動(dòng)沖擊。②美國(guó)股市和歐美匯率對(duì)香港股市的波動(dòng)沖擊比上證指數(shù)更強(qiáng)。

綜上所述,全球外匯市場(chǎng)、股票市場(chǎng)和期貨市場(chǎng)之間具有很強(qiáng)的風(fēng)險(xiǎn)傳染,其中歐美匯率和美國(guó)股市是最主要的風(fēng)險(xiǎn)傳染源。

3.3風(fēng)險(xiǎn)溢出行為的滾動(dòng)分析

前文根據(jù)風(fēng)險(xiǎn)溢出表對(duì)風(fēng)險(xiǎn)溢出行為進(jìn)行了靜態(tài)分析。然而,由于風(fēng)險(xiǎn)溢出指數(shù)具有時(shí)變特征,靜態(tài)分析無法揭示波動(dòng)傳染的動(dòng)態(tài)關(guān)系。本研究利用滾動(dòng)時(shí)間窗的樣本數(shù)據(jù)估計(jì)VAR(p)模型,進(jìn)行廣義誤差方差分解,計(jì)算每個(gè)資產(chǎn)的時(shí)變風(fēng)險(xiǎn)溢出指數(shù),并以此動(dòng)態(tài)跟蹤大類資產(chǎn)的風(fēng)險(xiǎn)溢出效應(yīng)。

先對(duì)同類資產(chǎn)建立VAR(p)模型,然后再對(duì)所有資產(chǎn)建立VAR(p)模型。在同類資產(chǎn)構(gòu)建VAR模型中,采用過去4年滾動(dòng)時(shí)間窗數(shù)據(jù)(即48個(gè)月的已實(shí)現(xiàn)波動(dòng)率序列)擬合VAR(3)模型參數(shù),然后向前預(yù)測(cè)3個(gè)月的波動(dòng)率構(gòu)建廣義誤差方差分解矩陣,最終得到時(shí)變風(fēng)險(xiǎn)溢出指數(shù)。針對(duì)所有資產(chǎn)建立的VAR(3)模型,由于要預(yù)測(cè)的波動(dòng)率變量高達(dá)27種,為了能夠準(zhǔn)確估計(jì)VAR(3)模型的參數(shù),本研究將滾動(dòng)時(shí)間窗定義為過去10年的已實(shí)現(xiàn)波動(dòng)率序列,即120個(gè)月。

3.3.1 外匯市場(chǎng)的滾動(dòng)溢出

風(fēng)險(xiǎn)溢出的滾動(dòng)分析主要是跟蹤溢入指數(shù)、溢出指數(shù)、凈溢出指數(shù)和總溢出指數(shù)隨時(shí)間的動(dòng)態(tài)變化。以8種匯率已實(shí)現(xiàn)波動(dòng)率作為變量建立VAR(p)模型,計(jì)算時(shí)變風(fēng)險(xiǎn)溢出指數(shù)和總風(fēng)險(xiǎn)溢出指數(shù),具體結(jié)果見圖2和圖3。圖2各子圖分別包含溢出指數(shù)、溢入指數(shù)和凈溢出指數(shù)。滾動(dòng)時(shí)間起點(diǎn)為2004年1月,終點(diǎn)為2019年5月,累計(jì)185個(gè)月。

圖2和圖3表明4類指數(shù)都表現(xiàn)出明顯的時(shí)變特征。圖3總風(fēng)險(xiǎn)溢出指數(shù)為圖2中所有溢出指數(shù)的平均值,它的變動(dòng)范圍為[50,90],說明匯率之間的風(fēng)險(xiǎn)溢出指數(shù)之和是隨時(shí)間變化的。觀察8種匯率的溢入指數(shù)發(fā)現(xiàn),CAD、AUD和CHF等資產(chǎn)頻繁超過90%,說明這些品種承擔(dān)了外部市場(chǎng)的大量風(fēng)險(xiǎn)沖擊。歐美匯率的溢入指數(shù)長(zhǎng)期較小,說明它受其他匯率品種波動(dòng)沖擊比較有限。

比較分析圖2中不同匯率表現(xiàn)可知,EUR的風(fēng)險(xiǎn)溢出指數(shù)和凈溢出指數(shù)一直很大,溢入指數(shù)非常小,說明歐美匯率在外匯市場(chǎng)中一直是最主要的風(fēng)險(xiǎn)溢出角色。GBP、JPY、CHF、AUD的凈風(fēng)險(xiǎn)溢出指數(shù)存在階段性的正負(fù)交替,說明這些匯率在外匯市場(chǎng)中階段性地傳染風(fēng)險(xiǎn)。CAD、HKD和CNY的凈溢出指數(shù)長(zhǎng)期為負(fù),反映了這些匯率長(zhǎng)期承受外部市場(chǎng)的風(fēng)險(xiǎn)傳染,對(duì)外傳播風(fēng)險(xiǎn)屬于偶發(fā)性的。特別的,2016年上半年GBP暴跌,其凈風(fēng)險(xiǎn)溢出超過300%;2015年CHF暴跌,其凈風(fēng)險(xiǎn)溢出超過300%;2016年HKD暴漲,其凈溢出指數(shù)突然超過100%。此外,CNY的凈溢出指數(shù)從2014年開始呈現(xiàn)上升的態(tài)勢(shì),反映了CNY的國(guó)際化正在增強(qiáng)。

綜上分析,歐美匯率是外匯市場(chǎng)中最主要的風(fēng)險(xiǎn)傳染源,匯率的大幅漲跌容易對(duì)外傳遞風(fēng)險(xiǎn),較多匯率長(zhǎng)期承受風(fēng)險(xiǎn)沖擊。

3.3.2 全球股市的滾動(dòng)溢出

以11種股票指數(shù)的已實(shí)現(xiàn)波動(dòng)率作為變量建立VAR(p)模型,以48個(gè)月作為滾動(dòng)時(shí)間窗計(jì)算的時(shí)變風(fēng)險(xiǎn)溢出指數(shù)和總風(fēng)險(xiǎn)溢出指數(shù)見圖4和圖5。滾動(dòng)時(shí)間的長(zhǎng)度與3.3.1相同,累計(jì)185個(gè)月。

圖4和圖5表明全球股市的各類溢出指數(shù)也具有時(shí)變特征。圖5表明股票市場(chǎng)的總溢出指數(shù)的變動(dòng)范圍為[80,90],其變化范圍比外匯市場(chǎng)小。由圖4可知,SPX、SX5E、SSEC等市場(chǎng)的溢入指數(shù)相對(duì)較小,但是UKX、AS30、SMI、SPTSX、DAX、CAC等市場(chǎng)的溢入指數(shù)卻相當(dāng)高,長(zhǎng)期靠近100%,說明這些股市主要承受外部市場(chǎng)風(fēng)險(xiǎn)沖擊,扮演著趨勢(shì)跟蹤的角色。

(a)EUR(b)GBP(c)JPY(d)CHF(e)AUD(f)CAD(g)HKD(h)CNY

圖2外匯市場(chǎng)的時(shí)變風(fēng)險(xiǎn)溢出指數(shù)
Figure 2Time-varying Risk Spillover Index of Foreign Exchange Markets

圖3 外匯市場(chǎng)的時(shí)變總風(fēng)險(xiǎn)溢出指數(shù)Figure 3 Time-varying Total Risk Spillover Index of Foreign Exchange Markets

SPX的溢出指數(shù)和凈溢出指數(shù)很大,長(zhǎng)期在[100,600]之間,充分表明SPX在全球股市中一直是最主要的風(fēng)險(xiǎn)源。SX5E除2011年至2015年的凈溢出指數(shù)為負(fù)外,其他時(shí)間主要表現(xiàn)為正向的風(fēng)險(xiǎn)溢出。尤其是2015年以后,SX5E在歐洲股市緩慢上漲過程中扮演著重要的引導(dǎo)角色。DAX在2009年至2012年的凈風(fēng)險(xiǎn)溢出表現(xiàn)為正,表明2008年全球性股災(zāi)之后德國(guó)股市上漲最快。NKY、CAC、HSI和UKX階段性發(fā)揮風(fēng)險(xiǎn)溢出效應(yīng)。SSEC在2008年、2015年的兩輪極端牛熊市(特別是熊市)對(duì)全球股市都產(chǎn)生了異常的風(fēng)險(xiǎn)沖擊,其他時(shí)間區(qū)間主要接受全球股市的風(fēng)險(xiǎn)傳染。此外,SMI和AS30受全球股市的風(fēng)險(xiǎn)溢入接近100%,很少對(duì)其他股市產(chǎn)生風(fēng)險(xiǎn)沖擊。

綜上分析,全球股市風(fēng)險(xiǎn)的聯(lián)動(dòng)性很強(qiáng),而美國(guó)股市一直是全球股市的重要風(fēng)險(xiǎn)源。

3.3.3 大宗商品的滾動(dòng)溢出

以6種商品期貨指數(shù)的已實(shí)現(xiàn)波動(dòng)率作為變量建立VAR(p)模型,以48個(gè)月作為滾動(dòng)時(shí)間窗長(zhǎng)度計(jì)算的時(shí)變風(fēng)險(xiǎn)溢出指數(shù)和總風(fēng)險(xiǎn)溢出指數(shù)見圖6和圖7。滾動(dòng)時(shí)間的長(zhǎng)度與3.3.1相同,累計(jì)185個(gè)月。

本研究選擇的6種商品期貨的各類溢出指數(shù)也是時(shí)變的,這些品種的總風(fēng)險(xiǎn)溢出指數(shù)在2012年以后呈現(xiàn)出逐漸下降的趨勢(shì)。觀察圖6可以發(fā)現(xiàn),6種商品的溢入指數(shù)均在50%上下徘徊,說明這些商品期貨受自身的波動(dòng)沖擊較大。原油的溢出指數(shù)和凈溢出指數(shù)長(zhǎng)期在溢入指數(shù)的上方,體現(xiàn)了原油對(duì)其他5種商品具有持續(xù)性的風(fēng)險(xiǎn)溢出。原油在2010年至2012年、2016年至2019年的凈溢出指數(shù)都出現(xiàn)大幅度攀升(超過100%),這兩段時(shí)間原油正處于強(qiáng)勢(shì)的牛市周期,說明原油上漲對(duì)大宗商品沖擊很大。黃金的凈溢出指數(shù)在2013年至2017年呈現(xiàn)持續(xù)性上升,最高點(diǎn)達(dá)100%,這是因?yàn)辄S金在2013年遇到大級(jí)別的行情背離,然后陷入了長(zhǎng)達(dá)4年的大熊市。該現(xiàn)象反映黃金在熊市中對(duì)其他大宗商品產(chǎn)生了持續(xù)性的風(fēng)險(xiǎn)沖擊。白銀在2006年至2012年溢出指數(shù)持續(xù)性較大,在此期間白銀開啟了一輪長(zhǎng)達(dá)6年的大牛市。銅、鋁和大豆的凈溢出指數(shù)長(zhǎng)期為負(fù)值,體現(xiàn)了這3個(gè)品種長(zhǎng)期接受外部市場(chǎng)的波動(dòng)沖擊,對(duì)外釋放風(fēng)險(xiǎn)的機(jī)會(huì)不大。

(a)SPX(b)SX5E(c)CAC(d)DAX (e)NKY(f)HSI(g)SSEC(h)SPTSX(i)UKX(j)AS30(k)SMI

圖4全球股市的時(shí)變風(fēng)險(xiǎn)溢出指數(shù)
Figure 4Time-varying Risk Spillover Index of Global Stock Markets

圖5 全球股市的總風(fēng)險(xiǎn)溢出指數(shù)Figure 5 Total Risk Spillover Index of Global Stock Markets

綜上分析,貴金屬和原油期貨在牛熊市中形成了持續(xù)性的風(fēng)險(xiǎn)溢出。

3.3.4 多種資產(chǎn)的交叉滾動(dòng)溢出

以27種資產(chǎn)的已實(shí)現(xiàn)波動(dòng)率作為變量建立VAR(p)模型,以120個(gè)月作為滾動(dòng)時(shí)間窗計(jì)算各類溢出指數(shù)。滾動(dòng)時(shí)間的起點(diǎn)為2010年1月,終點(diǎn)為2019年5月,累計(jì)113個(gè)月。由于篇幅限制,僅給出總溢出指數(shù),見圖8,其他時(shí)變風(fēng)險(xiǎn)溢出指數(shù)不予展示,如有需要可向作者索取。

(a)OIL(b)GOLD(c)SLVR (d)CU(e)AL(f)Y

圖6大宗商品的時(shí)變風(fēng)險(xiǎn)溢出指數(shù)
Figure 6Time-varying Risk Spillover Index of Commodities

圖7 大宗商品的總風(fēng)險(xiǎn)溢出指數(shù)Figure 7 Total Risk Spillover Index of Commodities

圖8表明,2012年至2015年27個(gè)資產(chǎn)的總溢出指數(shù)呈現(xiàn)上升趨勢(shì),但2015年至今下降??傄绯鲋笖?shù)于2015年出現(xiàn)峰值,分析時(shí)變風(fēng)險(xiǎn)溢出指數(shù)序列發(fā)現(xiàn)EUR和CHF兩種匯率是風(fēng)險(xiǎn)溢出的主要角色,用金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)對(duì)其進(jìn)行更加深入的探討。①總溢出指數(shù)的峰值發(fā)生時(shí)點(diǎn)為2015年1月31日。②以27個(gè)資產(chǎn)作為網(wǎng)絡(luò)節(jié)點(diǎn),以廣義預(yù)測(cè)誤差方差矩陣作為連接矩陣,構(gòu)建金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò),見圖9,圖中數(shù)字含義同圖1。③風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)具有27個(gè)節(jié)點(diǎn)、729條邊。網(wǎng)絡(luò)中心度越大,表示該資產(chǎn)的風(fēng)險(xiǎn)溢出效應(yīng)越大。風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)中圓圈較大的兩個(gè)節(jié)點(diǎn)為CHF和EUR,二者的網(wǎng)絡(luò)中心度(即溢出指數(shù))最大,分別為852.315%和432.699%。

圖8 大類資產(chǎn)的總風(fēng)險(xiǎn)溢出指數(shù)Figure 8 Total Risk Spillover Index of Large Class Assets

圖9 總風(fēng)險(xiǎn)溢出指數(shù)峰值對(duì)應(yīng)的風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)Figure 9 Risk Spillover Network Corresponding to the Peak of the Total Risk Spillover Index

根據(jù)不同資產(chǎn)的溢入指數(shù)分析可知,除匯率EUR、HKD、CNY和股票指數(shù)SSEC外,其他所有資產(chǎn)的溢入指數(shù)都很接近100%,說明股票市場(chǎng)、外匯市場(chǎng)和期貨市場(chǎng)都長(zhǎng)期受到外部市場(chǎng)的風(fēng)險(xiǎn)傳染,體現(xiàn)了全球金融市場(chǎng)的風(fēng)險(xiǎn)聯(lián)動(dòng)性。關(guān)于外匯市場(chǎng),大部分匯率都呈現(xiàn)階段性的正向凈風(fēng)險(xiǎn)溢出,表明匯率在全球金融市場(chǎng)扮演重要的風(fēng)險(xiǎn)傳染角色。最顯著的依然是歐美匯率EUR,其溢入指數(shù)最低,溢出指數(shù)和凈溢出指數(shù)長(zhǎng)期高達(dá)300%以上。JPY和AUD的溢出指數(shù)長(zhǎng)期在100%以上,說明也發(fā)揮了風(fēng)險(xiǎn)溢出功能。HKD和CNY的溢入指數(shù)在50%左右,說明港幣和人民幣的匯率受外部市場(chǎng)沖擊有限。與前文結(jié)果相似,CNY的凈溢出指數(shù)在2016年后處于攀升階段,說明人民幣國(guó)際化趨勢(shì)逐漸增強(qiáng)。

概括股市和商品的風(fēng)險(xiǎn)溢出行為,根據(jù)凈溢出指數(shù)分析可知,凈溢出指數(shù)階段性為正的股市主要是SPX、HIS和SSEC。溢出指數(shù)長(zhǎng)期超過100%的是SPX,說明美國(guó)股市持續(xù)性地對(duì)全球金融市場(chǎng)釋放波動(dòng)沖擊。特別的,中國(guó)股市和香港股市在2015年的極端波動(dòng)對(duì)外部市場(chǎng)造成了較為強(qiáng)烈的風(fēng)險(xiǎn)沖擊。2010年以來,原油、貴金屬等商品期貨的風(fēng)險(xiǎn)溢出出現(xiàn)了脈沖式上漲,但長(zhǎng)期來看大宗商品的凈風(fēng)險(xiǎn)溢出皆表現(xiàn)為負(fù),說明大宗商品對(duì)外部市場(chǎng)的風(fēng)險(xiǎn)傳染十分有限。美國(guó)國(guó)債期貨和VIX期貨對(duì)其他資產(chǎn)的風(fēng)險(xiǎn)溢出很弱。

綜上分析,全球金融市場(chǎng)的風(fēng)險(xiǎn)聯(lián)動(dòng)性很強(qiáng),匯率對(duì)全球金融市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)最強(qiáng),歐美匯率和美國(guó)股市是重要風(fēng)險(xiǎn)源,期貨市場(chǎng)的風(fēng)險(xiǎn)傳染較弱。

4結(jié)論

本研究基于DY建??蚣軓娜蛞曇把芯看箢愘Y產(chǎn)的風(fēng)險(xiǎn)溢出行為,以資產(chǎn)的月度已實(shí)現(xiàn)波動(dòng)率建立VAR模型,以廣義誤差方差分解矩陣構(gòu)建有向溢出指數(shù)和風(fēng)險(xiǎn)溢出網(wǎng)絡(luò),并以此作為研究工具對(duì)大類資產(chǎn)進(jìn)行風(fēng)險(xiǎn)溢出研究,考察外匯市場(chǎng)、股票市場(chǎng)和期貨市場(chǎng)的27種重要資產(chǎn),通過靜態(tài)分析和滾動(dòng)分析對(duì)大類資產(chǎn)的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行實(shí)證研究。

研究結(jié)果表明,①各類資產(chǎn)的月度已實(shí)現(xiàn)波動(dòng)率滿足VAR建模的平穩(wěn)性要求,為DY模型應(yīng)用奠定了堅(jiān)實(shí)基礎(chǔ)。②通過研究8種兌換美元的匯率發(fā)現(xiàn),外匯市場(chǎng)存在很強(qiáng)的風(fēng)險(xiǎn)溢出效應(yīng)。歐美匯率是外匯市場(chǎng)最主要的風(fēng)險(xiǎn)傳染源,其余匯率長(zhǎng)期承受外部市場(chǎng)的風(fēng)險(xiǎn)傳染,而對(duì)外傳播風(fēng)險(xiǎn)屬于偶發(fā)性;人民幣匯率波動(dòng)受外部沖擊較小,它的溢出指數(shù)自2014年以來呈現(xiàn)上升態(tài)勢(shì),表明人民幣的影響力正在增強(qiáng)。③通過研究11個(gè)全球股市發(fā)現(xiàn),全球股市之間的聯(lián)動(dòng)性極強(qiáng)。美國(guó)股市一直是全球股市最重要的風(fēng)險(xiǎn)傳染源,歐元區(qū)股票指數(shù)的風(fēng)險(xiǎn)溢出也很明顯,其余股市長(zhǎng)期承受外部股市的風(fēng)險(xiǎn)沖擊。中國(guó)股市在2008年和2016年暴跌過程中對(duì)其他股市造成了較大的風(fēng)險(xiǎn)沖擊。④通過研究6種商品期貨發(fā)現(xiàn),倫敦金屬期貨之間存在較強(qiáng)的風(fēng)險(xiǎn)溢出效應(yīng)。作為最重要的能源,原油期貨具有較強(qiáng)的風(fēng)險(xiǎn)溢出能力。作為具有保值避險(xiǎn)功能的貴金屬,黃金和白銀期貨在大型牛熊市中產(chǎn)生了持續(xù)性的風(fēng)險(xiǎn)傳染。⑤通過研究27種資產(chǎn)的交叉溢出發(fā)現(xiàn),全球外匯市場(chǎng)、股票市場(chǎng)和期貨市場(chǎng)之間具有很強(qiáng)的風(fēng)險(xiǎn)溢出關(guān)系。匯率對(duì)全球金融市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)最強(qiáng),美國(guó)股市對(duì)全球市場(chǎng)具有持續(xù)性的風(fēng)險(xiǎn)沖擊,包括美國(guó)國(guó)債期貨和VIX期貨在內(nèi)的期貨品種對(duì)外部市場(chǎng)的風(fēng)險(xiǎn)傳染能力較弱。

本研究在理論、實(shí)務(wù)和政策上都有重要啟示。理論方面,①本研究采用不受變量順序影響的DY框架計(jì)算有向溢出指數(shù),得到的風(fēng)險(xiǎn)溢入指數(shù)、風(fēng)險(xiǎn)溢出指數(shù)和凈溢出指數(shù)存在時(shí)變性,它們?yōu)轱L(fēng)險(xiǎn)溢出行為提供了滾動(dòng)分析工具。②廣義誤差方差分解矩陣存在非對(duì)稱性,可直接用于構(gòu)建金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò),它為大類資產(chǎn)的風(fēng)險(xiǎn)傳染行為提供了直觀分析工具。實(shí)務(wù)方面,①本研究證實(shí)全球股票市場(chǎng)的風(fēng)險(xiǎn)聯(lián)動(dòng)性很強(qiáng),而且各國(guó)股市一定程度上都受到美國(guó)股市的波動(dòng)沖擊。因此,在股票投資決策中應(yīng)該特別重視美國(guó)股市的風(fēng)險(xiǎn)傳染。②本研究結(jié)果也表明外匯市場(chǎng)對(duì)股票市場(chǎng)具有重要的風(fēng)險(xiǎn)沖擊。當(dāng)歐美匯率或者人民幣兌換美元匯率產(chǎn)生異常波動(dòng)時(shí),股票投資決策應(yīng)該充分重視匯率波動(dòng)風(fēng)險(xiǎn)。政策方面,①隨著人民幣國(guó)際化,人民幣匯率的波動(dòng)備受關(guān)注。本研究深入研究了人民幣匯率在外匯市場(chǎng)中的風(fēng)險(xiǎn)溢入和風(fēng)險(xiǎn)溢出的歷史表現(xiàn),相關(guān)結(jié)論可為中國(guó)制定匯率政策提供經(jīng)驗(yàn)證據(jù)。②隨著中國(guó)股市的不斷開放,尤其是外資額度的放寬,中外股市的聯(lián)動(dòng)性會(huì)持續(xù)增強(qiáng)。在此背景下,利用本研究方法持續(xù)跟蹤中外股市風(fēng)險(xiǎn)傳染,對(duì)制定防范股市風(fēng)險(xiǎn)的相應(yīng)政策具有重要意義。

本研究也存在局限性。①本研究基于月度已實(shí)現(xiàn)波動(dòng)率研究大類資產(chǎn)的長(zhǎng)期風(fēng)險(xiǎn)溢出效應(yīng),尚未研究短期風(fēng)險(xiǎn)溢出效應(yīng)。②由于DY研究框架已被證實(shí)具有很高穩(wěn)健性[12-13,20-21],本研究弱化了對(duì)DY研究框架的穩(wěn)健性討論。③風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)的應(yīng)用價(jià)值很大,本研究?jī)H將其用來追溯風(fēng)險(xiǎn)源,尚未考慮它在投資策略方面的價(jià)值。有鑒于此,未來研究可探討金融市場(chǎng)的短期風(fēng)險(xiǎn)溢出效應(yīng),從而更加及時(shí)地捕捉到重大的事件性風(fēng)險(xiǎn)沖擊,還可以基于風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)的網(wǎng)絡(luò)中心度研究資產(chǎn)定價(jià)和大類資產(chǎn)配置方法。

猜你喜歡
方差傳染波動(dòng)
Our Mood Can Affect Others
聽說,笑容是會(huì)“傳染”的
休閑假期
方差生活秀
傳染
揭秘平均數(shù)和方差的變化規(guī)律
方差越小越好?
方差在“三數(shù)兩差”問題中的妙用
胶州市| 双江| 锡林浩特市| 安乡县| 龙口市| 宣威市| 葫芦岛市| 新竹市| 五莲县| 巴马| 玉环县| 孝感市| 洛南县| 台中县| 固安县| 孟津县| 唐河县| 三亚市| 永顺县| 阳朔县| 嘉禾县| 莱州市| 阿城市| 连云港市| 嘉定区| 体育| 丰顺县| 汤原县| 科尔| 若尔盖县| 耒阳市| 盱眙县| 禄丰县| 宁德市| 红河县| 鄂尔多斯市| 丹凤县| 定西市| 兰坪| 商洛市| 花莲市|