曾志堅 張欣怡 左楠
摘?要:依據(jù)2015—2017年中證公司債指數(shù)與滬深300指數(shù)的日收益數(shù)據(jù),運(yùn)用GC-t-MSV模型,檢驗中國公司債市場與股票市場間的風(fēng)險溢出效應(yīng),并通過條件在險價值(CoVaR)模型度量兩市場間風(fēng)險溢出效應(yīng)。結(jié)果表明:公司債市場與股票市場間存在不對稱的雙向風(fēng)險溢出效應(yīng),且公司債市場對股票市場的風(fēng)險溢出效應(yīng)強(qiáng)于股票市場對公司債市場的風(fēng)險溢出效應(yīng);公司債市場與股票市場的波動受其自身波動的影響較大,鑒此,監(jiān)管部門和投資者應(yīng)增強(qiáng)對公司債市場的關(guān)注,根據(jù)公司債市場的風(fēng)險變化及時采取應(yīng)對措施,充分發(fā)揮其風(fēng)險信號作用。
關(guān)鍵詞:風(fēng)險溢出;公司債市場;股票市場;GC-t-MSV模型;CoVaR模型
中圖分類號:F830文獻(xiàn)標(biāo)識碼:A文章編號:1003-7217(2019)02-0041-07
一、引?言
隨著2007年9月我國第一支公司債券長江電力的發(fā)行,公司債券作為一個獨(dú)立的品種登上了我國債券市場的舞臺。在經(jīng)歷了2007年的起航階段、2008年的停發(fā)階段以及2009年的重發(fā)階段后,公司債券于2014年開始進(jìn)入快速增長階段。尤其在2015年1月證監(jiān)會發(fā)布實施《公司債券發(fā)行與交易管理辦法》以后,公司債擴(kuò)容取代中小企業(yè)私募債,發(fā)行呈“井噴”態(tài)勢。公司債券和股票作為公司直接融資的兩種重要方式,其價格波動都會受公司價值的影響,因此公司債市場與股票市場間應(yīng)該存在風(fēng)險溢出。
證券市場間的風(fēng)險溢出效應(yīng)一直受到學(xué)術(shù)界和監(jiān)管部門的廣泛關(guān)注。Roni等(2018)運(yùn)用GARCH模型和Granger因果檢驗法研究了亞洲六個新興國家股票市場間風(fēng)險傳染的程度以及相互依賴程度,發(fā)現(xiàn)在全球金融危機(jī)之前,亞洲新興國家股市間的互動較少,危機(jī)期間波動溢出指數(shù)均達(dá)到各自的歷史峰值[1]。Wang(2014)基于CGARCH模型和Granger因果檢驗法研究發(fā)現(xiàn)中國A股市場長期波動的極端風(fēng)險對國外股票市場風(fēng)險溢出的影響更大,而短期波動則易受海外風(fēng)險的影響[2]。Wang等(2018)利用HVS-GARCH模型研究發(fā)現(xiàn)美國股票市場對英國、法國等五大主要股票市場具有較強(qiáng)烈的波動溢出,而且在美國經(jīng)濟(jì)衰退時該溢出更加明顯[3]。Chi和Brooks(2018)分行業(yè)研究了美國、中國與澳大利亞三國股票市場間的風(fēng)險溢出程度,認(rèn)為不同的行業(yè)各國股票市場間的風(fēng)險溢出程度不同[4]。謝家泉(2017)通過分位回歸方法計算上證綜指、恒生指數(shù)以及標(biāo)準(zhǔn)普爾指數(shù)的CoVaR(條件在險價值),結(jié)果表明牛熊市下香港股市都對上海股市具有明顯的風(fēng)險溢出,且風(fēng)險溢出的強(qiáng)度不同,而香港股市與美國股市在牛市下風(fēng)險溢出均衡[5]。董艷和梁滿發(fā)(2013)采用GC-MSV模型檢驗了上海、香港和美國股市間的波動溢出效應(yīng),研究發(fā)現(xiàn)香港和美國股市都對上海股市有明顯的波動溢出效應(yīng)[6]。一些學(xué)者對股票市場和債券市場之間的風(fēng)險溢出效應(yīng)也進(jìn)行了研究。陳學(xué)彬和曾裕峰(2016)基于多元分位數(shù)模型研究發(fā)現(xiàn)早期滬深300指數(shù)與總債券指數(shù)、國債指數(shù)以及企業(yè)債券指數(shù)間的尾部風(fēng)險溢出效應(yīng)不明顯,但由于我國金融改革進(jìn)程的推進(jìn),使得股票市場與債券市場間的風(fēng)險傳染效應(yīng)不斷增強(qiáng)[7]。胡秋玲和馬麗(2011)基于BEKK-MGARCH模型對滬深300指數(shù)和中債綜合指數(shù)進(jìn)行實證研究,認(rèn)為股票市場與債券市場間的波動溢出效應(yīng)在牛熊市下的表征不同[8]。史永東、丁偉和袁紹鋒(2013)基于Copula理論利用上證綜合指數(shù)和中債綜合指數(shù)研究發(fā)現(xiàn)我國上海股票市場與債券市場沒有明顯的聯(lián)動關(guān)系,但利用上證綜合指數(shù)與銀行間中債指數(shù)研究發(fā)現(xiàn)二者間存在顯著的“蹺蹺板”效應(yīng)[9]。左正強(qiáng)(2014)通過Bootstrap-CoVaR方法對上證指數(shù)與國債指數(shù)間的風(fēng)險溢出進(jìn)行實證研究,發(fā)現(xiàn)股票市場與國債市場間具有顯著的雙向風(fēng)險溢出效應(yīng)[10]。
通過文獻(xiàn)梳理發(fā)現(xiàn),關(guān)于證券市場風(fēng)險溢出效應(yīng)的研究對象,主要集中在國內(nèi)外股票市場間以及股票市場與整體債券市場間,但是目前對于債券市場的一個主要細(xì)分市場——公司債市場與股票市場間溢出效應(yīng)的研究較少。公司債券是與上市公司聯(lián)系更為密切的債券,受宏觀環(huán)境及公司價值的影響,公司債券與股票的價格波動會相互影響,因而公司債市場與股票市場間應(yīng)該存在風(fēng)險溢出。因此本文將對我國公司債市場與股票市場間的風(fēng)險溢出效應(yīng)進(jìn)行研究。
關(guān)于風(fēng)險溢出效應(yīng)的研究方法,常用的有Granger因果檢驗[1, 2]、GARCH族模型[3, 8, 11]和CoVaR模型[5, 10, 12]等。Granger因果檢驗只能對金融市場間風(fēng)險溢出的方向進(jìn)行定性分析,而不能定量測度市場間風(fēng)險溢出的大小。GARCH族模型的重要假設(shè)條件是方差方程為一個確定函數(shù),且收益方程的殘差序列必須服從正態(tài)分布,但事實上金融市場收益率序列一般都具有顯著的尖峰厚尾特征。而SV(隨機(jī)波動)模型與GARCH族模型相比,其在條件方差方程中引入了隨機(jī)過程,通過難以觀測的隨機(jī)過程來刻畫方差的時變波動,使得條件方差演變方程更具有靈活性,在刻畫樣本波動率時具有顯著的優(yōu)越性。根據(jù)學(xué)者們的實際應(yīng)用,SV模型隨后又?jǐn)U展出了一些不同的形式。MSV(多元隨機(jī)波動)模型可以對多個變量間的領(lǐng)先滯后關(guān)系進(jìn)行度量,刻畫金融市場收益率序列自身波動的長記憶性,解釋不同金融市場間的風(fēng)險溢出效應(yīng)。GC-t-MSV模型引入了Granger因果檢驗和t分布,能夠更好地描述資產(chǎn)收益波動之間的因果關(guān)系以及刻畫金融收益率序列的尖峰厚尾特征。不少學(xué)者基于不同形式的MSV模型研究了不同金融市場間的風(fēng)險溢出效應(yīng),但是用于研究股票與債券市場間風(fēng)險溢出效應(yīng)的較少[6,13]。CoVaR近年來廣泛應(yīng)用于風(fēng)險溢出強(qiáng)度的度量,其對金融市場(或金融機(jī)構(gòu))風(fēng)險損失的度量不僅包括其自身面臨的風(fēng)險,還包括了其他金融市場(或金融機(jī)構(gòu))面臨風(fēng)險時對其的風(fēng)險溢出值,能通過具體數(shù)值來描述市場間風(fēng)險溢出的強(qiáng)度,因此可以更全面地測度金融市場(或金融機(jī)構(gòu))遭受的風(fēng)險損失。基于以上分析,本文首先利用對金融市場收益率序列有著更強(qiáng)刻畫能力的GC-t-MSV模型檢驗我國公司債市場與股票市場間是否存在風(fēng)險溢出效應(yīng),再通過CoVaR模型度量公司債市場與股票市場間風(fēng)險溢出的強(qiáng)度。
二、基于GC-t-MSV模型的風(fēng)險溢出效應(yīng)檢驗
(一) 樣本來源
1.數(shù)據(jù)選取。
自2007年證監(jiān)會發(fā)布實施《公司債券發(fā)行試點辦法》,我國公司債市場開始發(fā)展。公司債推行初期,市場參與度較低,公司債發(fā)展緩慢而且規(guī)模較小。圖1列出了近十年我國公司債的發(fā)行狀況(數(shù)據(jù)均源于Wind數(shù)據(jù)庫)。
受益于2015年1月《公司債券發(fā)行與交易管理辦法》的實施以及相關(guān)政策調(diào)整提高發(fā)行審核效率,公司債券發(fā)行規(guī)模呈井噴式增長。雖然2017年發(fā)行規(guī)模有所回落,但其發(fā)行額仍達(dá)到了11024.74億元。因此,為了排除早期公司債市場的不穩(wěn)定因素,本文選取2015年以來的中證公司債指數(shù)與滬深300指數(shù)的相關(guān)數(shù)據(jù)進(jìn)行公司債市場與股票市場間風(fēng)險溢出效應(yīng)的研究。
滬深300指數(shù)的樣本選自滬深兩個證券市場,反映了滬深兩個股票市場的整體走勢,能夠代表我國股票市場的價格變動特征,故選取滬深300指數(shù)代表股票市場。中證公司債指數(shù)的樣本由滬深交易所上市交易的公司債券組成,能夠綜合反映我國公司債券整體價格變動的趨勢,因而選擇中證公司債指數(shù)代表公司債市場。為了排除我國公司債市場早期的不穩(wěn)定因素,樣本區(qū)間選取2015年1月1日至2017年12月31日(數(shù)據(jù)均源于Wind數(shù)據(jù)庫)的日收盤價數(shù)據(jù),除去節(jié)假日分別都有732個數(shù)據(jù)。
2.數(shù)據(jù)基本統(tǒng)計量描述。
首先,對樣本數(shù)據(jù)進(jìn)行對數(shù)處理。Rt代表滬深300指數(shù)或中證公司債指數(shù)在第t日的指數(shù)收益率,Pt和Pt-1分別表示第t日和第t-1日的指數(shù)收盤價,公式表示如下:
其次對處理好的收益率序列進(jìn)行描述性統(tǒng)計。RHS代表滬深300指數(shù)收益率序列,RZZ代表中證公司債收益率序列。
表1為股票市場與公司債市場收益率序列的描述性統(tǒng)計結(jié)果,從滬深300指數(shù)收益率序列和中證公司債指數(shù)收益率序列的偏度、峰度以及J-B檢驗的P值可以看出兩收益率序列均不服從正態(tài)分布。再分別對滬深300指數(shù)收益率序列和中證公司債指數(shù)收益率序列進(jìn)行ADF單位根檢驗。
由表2股票市場與公司債市場收益率序列的單位根檢驗結(jié)果可以看出,在1%、5%、10%的顯著水平下,對數(shù)處理后的滬深300指數(shù)收益率序列和中證公司債指數(shù)收益率序列均為平穩(wěn)序列,因此,可以對滬深300收益率序列和中證公司債收益率序列進(jìn)行參數(shù)估計。
(二) GC-t-MSV模型的構(gòu)建
本文采用GC-t-MSV模型,形式如下:
(三) GC-t-MSV模型參數(shù)求解及分析
利用中證公司債指數(shù)收益率和滬深300指數(shù)收益率進(jìn)行GC-t-MSV模型參數(shù)估計。為了確保得到的參數(shù)估計結(jié)果具有收斂性,本文通過MCMC方法對樣本數(shù)據(jù)進(jìn)行200000次迭代,舍棄前150000次迭代,只存儲150001次到200000次迭代的樣本進(jìn)行參數(shù)估計。
圖2列出了GC-t-MSV模型中各參數(shù)(α1, α2, φ11, φ12, φ21, φ22, ρε, θ1, θ2, ν)的軌跡圖,從圖2可以看出,隨著模擬次數(shù)的不斷加大各參數(shù)的軌跡都趨于穩(wěn)定,全都均勻地分布在一條水平線附近,說明模型參數(shù)的樣本分布穩(wěn)定而且抽樣收斂,保證得到的參數(shù)估計結(jié)果具有穩(wěn)定性。
確保模型參數(shù)已經(jīng)收斂之后,可以得到GC-t-MSV模型各參數(shù)的相關(guān)估計結(jié)果,表3列出了模型各參數(shù)的估計結(jié)果。
通過表3可以發(fā)現(xiàn),GC-t-MSV模型中各參數(shù)的標(biāo)準(zhǔn)差與MC誤差估計結(jié)果均很小,而且MC誤差的值遠(yuǎn)小于標(biāo)準(zhǔn)差的值,再次證明了抽樣結(jié)果具有收斂性。參數(shù)ν表示t分布的自由度,估計值為9.5620,表明這兩個收益率序列的分布不是正態(tài)分布,存在尖峰厚尾特征,該估計結(jié)果與之前對數(shù)據(jù)進(jìn)行初步分析時得到的結(jié)果一致,說明在MSV模型中引入t分布是合適的。參數(shù)ρε代表滬深300指數(shù)收益率與中證公司債指數(shù)收益率間的相關(guān)系數(shù),估計值為0.1262,表明公司債市場與股票市場間具有正相關(guān)關(guān)系。這主要是因為同一公司發(fā)行的債券與股票的價格不但受共同的宏觀經(jīng)濟(jì)因素影響,還會受公司價值的影響,表現(xiàn)出協(xié)同變化的趨勢。
參數(shù)φ11和φ22描述的分別是股票市場與公司債市場自身波動的持續(xù)性,其估計結(jié)果分別為0.9843和0.9386,表明自身波動的沖擊對股票市場和公司債市場產(chǎn)生的影響會持續(xù)較長時間,反映了股票市場和公司債市場的波動主要是受其自身波動的影響。參數(shù)φ12和φ21分別代表了股票市場對公司債市場和公司債市場對股票市場的風(fēng)險溢出效應(yīng),其估計結(jié)果分別為0.0210、0.0351,參數(shù)值通過收斂性檢驗,顯著異于零,說明公司債市場與股票市場間存在雙向風(fēng)險溢出效應(yīng)。雖然公司債市場與股票市場都有其各自的運(yùn)行規(guī)律,但它們也都受宏觀環(huán)境的影響,且上市公司發(fā)行的公司債券與股票價格均受公司價值的影響,因此公司債市場與股票市場間必然存在風(fēng)險溢出效應(yīng)。參數(shù)φ21的估計值大于φ12的估計值,表明公司債市場與股票市場間存在不對稱的風(fēng)險溢出效應(yīng),也就是說公司債市場對股票市場的風(fēng)險溢出效應(yīng)大于股票市場對公司債市場的風(fēng)險溢出效應(yīng)。
圖3分別列出了各參數(shù)(α1, α2, φ11, φ22, φ12, φ21, ρε, θ1, θ2, ν)后驗分布的核密度估計曲線圖。由于各參數(shù)的核密度估計曲線都呈現(xiàn)出平滑且單峰的特征,說明通過MCMC方法對模型進(jìn)行參數(shù)估計的誤差都很小,而且對模型各參數(shù)的邊緣后驗分布的模擬效果很好。
三、基于CoVaR模型的風(fēng)險溢出強(qiáng)度分析
通過以上GC-t-MSV模型檢驗得知,我國公司債市場與股票市場間存在風(fēng)險溢出效應(yīng),而且公司債市場對股票市場的風(fēng)險溢出效應(yīng)大于股票市場對公司債市場的風(fēng)險溢出效應(yīng)。但是對于兩市場間風(fēng)險溢出的強(qiáng)度還無法得出確切的結(jié)果,因此本文將構(gòu)建CoVaR模型,進(jìn)一步求解公司債市場與股票市場間風(fēng)險溢出的強(qiáng)度。
(一) CoVaR模型的構(gòu)建
Adrian和Brunnermeier(2009)[15]提出風(fēng)險溢出的概念,并將其納入傳統(tǒng)VaR模型中構(gòu)建了CoVaR模型。該模型不僅測度了金融市場自身的風(fēng)險水平,同時還可以測度出其他金融市場發(fā)生風(fēng)險時對該金融市場的風(fēng)險溢出大小。CoVaR本質(zhì)上是一個條件概率分布的τ分位數(shù),公式表示如下:
其中,i和j分別代表不同的金融市場,X表示金融市場風(fēng)險損失值,τ代表分位數(shù),CoVaRi|jτ表示當(dāng)j處于風(fēng)險狀況時,i所遭受的風(fēng)險狀況,VaRjτ表示j在τ分位數(shù)下的無條件風(fēng)險值,即CoVaRi|j不僅包含i自身的風(fēng)險價值,而且包含j遭受風(fēng)險時,對i的風(fēng)險溢出值。
為了更準(zhǔn)確地表示j面臨風(fēng)險時對i的溢出大小,定義風(fēng)險溢出強(qiáng)度為:
ΔCoVaR表示當(dāng)一個金融市場遭遇風(fēng)險與其在正常情況下相比,另一個金融市場風(fēng)險值的相對變化。為了便于比較不同市場間風(fēng)險溢出的大小,進(jìn)一步標(biāo)準(zhǔn)化處理得:
公式(6)消除了ΔCoVaR中的量綱,表示風(fēng)險溢出的相對幅度,相對于絕對幅度能夠更加準(zhǔn)確地比較出不同市場間風(fēng)險溢出的程度。
在求解CoVaR之前,需要先進(jìn)行VaR的求解。VaR本身是一個分位數(shù),因此可以通過構(gòu)建分位回歸模型進(jìn)行相應(yīng)的求解。
構(gòu)建τ分位數(shù)回歸模型來度量金融市場i發(fā)生風(fēng)險時對j的風(fēng)險溢出效應(yīng)。建模如下:
(二) CoVaR與ΔCoVaR的計算及分析
基于前述CoVaR模型的構(gòu)建方法,計算股票市場遭受極端風(fēng)險損失時,對公司債市場的風(fēng)險溢出強(qiáng)度,本文選取通常采用的0.05分位數(shù)建立回歸方程求解,RHS0.05和RZZ0.05分別表示滬深300指數(shù)和中證公司債指數(shù)在0.05分位數(shù)下的收益率序列。
同理可計算公司債市場遭受風(fēng)險損失,對股票市場的風(fēng)險溢出強(qiáng)度。
再結(jié)合公式(5)(6)計算得到公司債市場和股票市場的ΔCoVaR和%ΔCoVaR,表4列出了股票市場與公司債市場間的風(fēng)險溢出統(tǒng)計量。
這里計算得到的VaR值和CoVaR值的負(fù)號代表了股票市場和公司債市場的風(fēng)險損失,因此本文只關(guān)注其絕對值的大小。分別比較滬深300指數(shù)和中證公司債指數(shù)的VaR和CoVaR的大小可以發(fā)現(xiàn),利用CoVaR模型計算得到的風(fēng)險價值大于傳統(tǒng)的VaR值,表明CoVaR不但包含股票市場(或公司債市場)自身的風(fēng)險價值,還包含了公司債市場(或股票市場)遭受風(fēng)險時對其的風(fēng)險溢出值。CoVaR模型克服了傳統(tǒng)VaR模型可能造成的風(fēng)險低估問題,能夠更全面的度量股票市場和公司債市場所承受的風(fēng)險損失。
由表4可以看出,滬深300指數(shù)的VaR值為2.8400,而中證公司債指數(shù)的VaR值為0.0326,表明股票市場的風(fēng)險明顯大于公司債市場的風(fēng)險。這可能是因為我國股票市場中的投資者具有較強(qiáng)的投機(jī)心理和明顯的羊群行為,大量的非理性行為造成股票市場風(fēng)險較大。且2015年以來我國股票市場一直處于熊市行情,投資者情緒比較悲觀,造成股票市場的風(fēng)險更大。但公司債券作為一種固定收益證券,其市場投機(jī)行為較少,風(fēng)險也相對較小。
從表5可以看出,公司債市場對股票市場風(fēng)險溢出的強(qiáng)度為1.62%,大于股票市場對公司債市場風(fēng)險溢出的強(qiáng)度1.50%,進(jìn)一步表明兩市場間存在不對稱的雙向風(fēng)險溢出效應(yīng)。這主要是因為公司債券的收益固定,其價格波動主要受利率的影響,相比股票市場,公司債市場中的投資更為理性,其波動更能反映出市場的真實風(fēng)險水平。當(dāng)公司債市場發(fā)生較大波動時,說明市場中的風(fēng)險較大,這會被投資者視為一個風(fēng)險信號,進(jìn)而引起股票市場的恐慌和動蕩,造成股票市場的風(fēng)險。尤其在熊市行情下股票市場對于外界的沖擊更加敏感,公司債市場的風(fēng)險信號作用更加強(qiáng)烈,進(jìn)一步加大了公司債市場對股票市場風(fēng)險溢出的強(qiáng)度。
四、結(jié)?論
本文通過GC-t-MSV模型檢驗我國公司債市場與股票市場間存在風(fēng)險溢出效應(yīng),進(jìn)而利用CoVaR模型測度了兩市場間風(fēng)險溢出的強(qiáng)度。通過研究發(fā)現(xiàn):股票市場的風(fēng)險大于公司債市場的風(fēng)險,且公司債市場與股票市場的波動更多是由其自身市場的波動引起的;公司債市場與股票市場之間存在不對稱的雙向風(fēng)險溢出效應(yīng),且公司債市場對股票市場的風(fēng)險溢出效應(yīng)強(qiáng)于股票市場對公司債市場的風(fēng)險溢出效應(yīng),公司債市場具有更強(qiáng)的風(fēng)險信號釋放作用。換言之,公司債市場所反映出的風(fēng)險水平比股票市場更具有代表性,當(dāng)公司債市場的風(fēng)險值增大時,預(yù)示著股票市場的風(fēng)險也會進(jìn)一步加大,因而監(jiān)管部門及投資者可以增強(qiáng)對公司債市場的關(guān)注,根據(jù)公司債市場的風(fēng)險變化及時采取應(yīng)對措施。
股票市場和債券市場是證券市場的重要組成部分,因此監(jiān)管部門應(yīng)該以強(qiáng)化其風(fēng)險監(jiān)管為重點,促進(jìn)股票與債券市場的協(xié)調(diào)發(fā)展。尤其要進(jìn)一步加快公司債市場的發(fā)展,充分發(fā)揮其風(fēng)險信號的作用。對于投資者來說,應(yīng)樹立理性投資理念,正確認(rèn)識公司債市場與股票市場間的風(fēng)險溢出關(guān)系,及時調(diào)整投資策略,提高投資效率。
參考文獻(xiàn):
[1]Roni B, Abbas G, Wang S. Return and volatility spillovers effects:study of asian emerging stock markets[J]. Journal of Systems Science and Information, 2018, 6(2):97-119.
[2]Wang L. Study on the extreme risk spillover between China and world stock market after Chinas share structure reform[J]. Journal of Financial Risk Management, 2014, 3(2):50-56.
[3]Wang Y, Pan Z, Wu C. Volatility spillover from the US to international stock markets:a heterogeneous volatility spillover GARCH model[J]. Journal of Forecasting, 2018, 37(3):385-400.
[4]Chi W, Brooks R D, Bissoondoyal-Bheenick E. Volatility spillover between the US, Chinese and australian stock market[J]. Social Science Electronic Publishing, 2018, 43(2):263-285.
[5]謝家泉. 股災(zāi)背景下中美股市風(fēng)險溢價的結(jié)構(gòu)轉(zhuǎn)換研究[J]. 運(yùn)籌與管理, 2017, 26(2):127-134.
[6]董艷, 梁滿發(fā). 基于GC-MSV模型的國內(nèi)外股市波動溢出效應(yīng)分析[J]. 財會月刊, 2013(10):17-20.
[7]陳學(xué)彬, 曾裕峰. 中美股票市場和債券市場聯(lián)動效應(yīng)的比較研究——基于尾部風(fēng)險溢出的視角[J]. 經(jīng)濟(jì)管理, 2016, 38(7):1-13.
[8]胡秋靈, 馬麗. 我國股票市場和債券市場波動溢出效應(yīng)分析[J]. 金融研究, 2011(10):198-206.
[9]史永東, 丁偉, 袁紹鋒. 市場互聯(lián)、風(fēng)險溢出與金融穩(wěn)定——基于股票市場與債券市場溢出效應(yīng)分析的視角[J]. 金融研究, 2013(3):170-180.
[10]左正強(qiáng). 股票市場與債券市場之間風(fēng)險外溢效應(yīng)研究[J]. 統(tǒng)計與決策, 2014(10):155-157.
[11]王琳, 沈沛龍. 基于DCC-GARCH模型的中國上市銀行系統(tǒng)性風(fēng)險研究[J]. 財經(jīng)理論與實踐, 2017,38(1):24-29.
[12]潘凌遙, 蔣曉泉, 費(fèi)紫微. 中國系統(tǒng)重要性銀行附加資本計提機(jī)制研究——基于Copula-CoVaR模型[J]. 財經(jīng)理論與實踐, 2015, 36(3):23-28.
[13]熊正德, 韓麗君. 金融市場間波動溢出效應(yīng)研究——GC-MSV模型及其應(yīng)用[J]. 中國管理科學(xué), 2013, 21(2):32-41.
[14]Yu J, Meyer R. Multivariate stochastic volatility models:bayesian estimation and model comparison[J]. Econometric Reviews, 2006, 25(2):361-384.
[15]Adrian T, Brunnermeier M K. CoVaR[J].American Economic Review, 2016,106(7):1705-1741.
(責(zé)任編輯:鐘?瑤)