周 亮， 李紅權(quán)

(1.湖南師范大學 商學院， 湖南 長沙 410081;2.湖南財政經(jīng)濟學院 財政金融學院， 湖南 長沙 410205)

一、問題的提出

金融體系由于其內(nèi)在脆弱性、復雜性和弱公共品性而天然具有的負外部性更易顯性化、擴大化，甚至造成全球范圍內(nèi)的巨大沖擊，2007—2008 年美國次貸危機引發(fā)的全球金融危機即是例證。全球金融危機(作為系統(tǒng)性風險的一種實現(xiàn)形式)及其對實體經(jīng)濟的極大破壞性再次催生了學界、業(yè)界及監(jiān)管層對于系統(tǒng)性風險和宏觀審慎監(jiān)管的關(guān)注。雖然危機之后FSB(金融穩(wěn)定理事會)、IMF(國際貨幣基金組織)、BIS(國際清算銀行)和BCBS(巴塞爾委員會)等國際金融機構(gòu)相繼出臺并不斷深化了新的監(jiān)管規(guī)定，包括《巴塞爾協(xié)議Ⅲ》和對全球系統(tǒng)重要性銀行(GSIB)的評估方法和監(jiān)管意見。然而這些工作僅是個良好的開始，由于系統(tǒng)性風險的全局性、復雜性和挑戰(zhàn)性，更全面、深入的科學研究工作仍亟待開展。具體到我國，不僅面臨著國際政治經(jīng)濟不確定性和國內(nèi)經(jīng)濟結(jié)構(gòu)轉(zhuǎn)型、經(jīng)濟增長速度減緩的雙重宏觀壓力，同時影子銀行體系、金融創(chuàng)新帶來的高杠桿率、金融業(yè)務(wù)復雜化，以及房地產(chǎn)的資產(chǎn)泡沫壓力也都蘊含著巨大的風險隱患和監(jiān)管難題，如何“守住不發(fā)生區(qū)域性系統(tǒng)性金融風險的底線”仍是一個巨大的挑戰(zhàn)。鑒于此，國際國內(nèi)學術(shù)界對于系統(tǒng)性風險問題越來越重視。

目前我國學者對金融系統(tǒng)性風險的整體溢出進行了大量研究，但是鮮有文獻涉及非對稱性的分析。非對稱性指的是正向波動和負向波動溢出的差異性，正向波動溢出會導致資產(chǎn)價格爭相上漲，刺激金融泡沫的擴大從而形成金融風險的隱患；而負向波動溢出則會導致資產(chǎn)價格的普跌，直接導致金融風險的爆發(fā)。如2015年股災期間發(fā)生的多次千股跌停，不僅使投資人蒙受了極大損失，給金融監(jiān)管甚至整個金融系統(tǒng)的穩(wěn)定性都帶來了極大的破壞；而相應(yīng)的，股災前的牛市階段各板塊爭相輪動上漲，使得金融泡沫愈演愈烈，是股災的直接原因，但是彼時的主要工作應(yīng)是加強監(jiān)管和投資者教育、及時建立金融防火墻，相對于股災期間的四處救火，無疑成本更低、效果更好。因此研究金融風險溢出的非對稱性，可以為完善應(yīng)對金融風險的防范機制、科學制定宏觀調(diào)控政策和金融監(jiān)管措施、有效統(tǒng)籌“穩(wěn)增長、防風險”的目標提供有益的經(jīng)驗支持和政策啟示。

二、文獻綜述

系統(tǒng)性風險是由于金融機構(gòu)間的相互關(guān)聯(lián)性導致?lián)p失和風險易于傳播[1]，從而某一重大的系統(tǒng)性事件導致多個金融機構(gòu)破產(chǎn)甚至金融體系崩潰的風險[2]。

(一)系統(tǒng)性金融風險的形成機制

由于系統(tǒng)性風險的復雜性，對于其形成機制的研究也是多視角的，主要包括風險放大機制、金融傳染機制以及內(nèi)生性風險控制機制等。導致系統(tǒng)性風險不斷累積到爆發(fā)的根本原因在于金融體系的順周期性，而國際資本流動的突然減少及預期偏好逆轉(zhuǎn)是系統(tǒng)性風險爆發(fā)的重要外部原因[3]。Brunnermeier[4]指出，負向沖擊引起的資產(chǎn)價格下跌由于負債交易的“損失螺旋效應(yīng)”和“保證金螺旋效應(yīng)”以及兩者之間的相互加強，會導致該機構(gòu)面臨嚴重的融資流動性枯竭壓力，而市場流動性的提供方(資金盈余者)出于預防性因素等原因“惜貸”，更會加重這一壓力導致負債機構(gòu)的破產(chǎn)危機。Glasserman & Young[5]指出，金融市場參與者之間有著復雜的網(wǎng)絡(luò)聯(lián)系或者相互關(guān)聯(lián)性，既有直接的資產(chǎn)負債聯(lián)系、交易對手關(guān)系，也具有眾多間接的聯(lián)系機制(如持有相似資產(chǎn)、共同的客戶群體等)， 這極易造成風險在網(wǎng)絡(luò)間的傳播。Shleifer & Vishny[6]、Diamond & Rajan[7]指出，某一機構(gòu)出于自身原因(如流動性需要或者處理抵押物等)出售資產(chǎn)會對該資產(chǎn)價格造成下行壓力，同時潛在購買者由于自身金融約束或者是市場流動性不足不愿購買，更會加重資產(chǎn)價格的下行壓力，且這種甩賣效應(yīng)會波及持有相同或者類似資產(chǎn)的其他機構(gòu)，使得資產(chǎn)下行壓力擴散并傳染，最終可能演變?yōu)橄到y(tǒng)性風險事件。Danielsson et al.[8]、Brunnermeier & Sannikov[9]指出，系統(tǒng)性風險的產(chǎn)生首先內(nèi)生于金融體系的親周期性，在經(jīng)濟上升期，市場波動較為平穩(wěn)，低風險的錯覺加上良好的市場預期導致融資約束放松、個體和機構(gòu)財務(wù)杠桿擴大、資產(chǎn)價格上漲，刺激了經(jīng)濟體系的過度擴張，導致實體經(jīng)濟和金融部門的失衡都在加劇，直到某一頂點由于投資熱潮的自然降溫抑或資產(chǎn)價格的修正預期等因素觸發(fā)負向的反饋情形甚至釀成危機，也就是說系統(tǒng)性風險是內(nèi)因?qū)е碌谋厝唤Y(jié)果。

(二)系統(tǒng)性金融風險的測度方式

目前對系統(tǒng)性風險的測度除了采用基于收益率損失(包括CoVaR、MES、CES)或流動性不足(如SRISK)的指標度量方法外[10-12]，很多學者采用基于關(guān)聯(lián)性的方法進行衡量，其中最常見的是利用多元GARCH模型測算各市場或機構(gòu)間收益率或波動率的相關(guān)性以對金融系統(tǒng)性風險進行衡量[13-15]。但是多元GARCH模型并不能很好的捕捉系統(tǒng)性風險的動態(tài)變化特征[16]，Diebold & Yilmaz[17-18]在廣義預測誤差方差分解模型基礎(chǔ)上提出的信息溢出指數(shù)法在分析系統(tǒng)性風險溢出的動態(tài)性時更為有效。

Diebold & Yilmaz[17]基于VAR模型的預測誤差方差分解方法構(gòu)造了信息溢出指數(shù)來衡量市場間信息的傳導。Diebold & Yilmaz[18]對原有模型進行了改進，利用廣義預測誤差方差分解模型來衡量市場間的信息溢出，改進后的模型不會因為變量的輸入順序而使得結(jié)果發(fā)生偏差，同時改進模型不僅可以度量總的信息溢出情況，還可以對方向性的信息溢出進行度量。Diebold & Yilmaz[17-18]模型(以下簡稱DY模型)提出以后，大量學者采用該模型研究了股票市場間[16,19]、金融機構(gòu)間[20]甚至匯率間[21]信息溢出的整體和時變特征。如果將單個資產(chǎn)或市場的風險(如收益率的波動率)作為信息溢出模型的輸入項，那么DY模型就能夠?qū)Y產(chǎn)間或市場間風險溢出的整體性和方向性進行較為有效的測度。Diebold & Yilmaz[18]利用該模型對美國市場上金融資產(chǎn)的波動率進行了分析，結(jié)果發(fā)現(xiàn)次貸危機使得市場間的風險溢出大幅提升。但是DY模型在分析風險溢出時，并沒有考慮到風險溢出的非對稱性，即正向波動率和負向波動率溢出的差異性。Segal et al.[22]將負向的信息沖擊稱為“壞的”不確定性，將正向的信息沖擊稱為“好的”不確定性。Barunik et al.[16]在Segal et al.[22]定義的基礎(chǔ)上對美國股市進行了研究，結(jié)果發(fā)現(xiàn)無論是市場整體還是單個行業(yè)的風險溢出均具有明顯的非對稱性。目前我國學者對金融系統(tǒng)性風險溢出的研究多集中在整體性的風險溢出，鮮有文獻涉及非對稱性的分析。

(三)文獻述評

系統(tǒng)性金融風險是由于金融機構(gòu)之間網(wǎng)絡(luò)關(guān)聯(lián)性很強，風險很容易在機構(gòu)之間溢出，從而導致資產(chǎn)價格螺旋式下跌而產(chǎn)生的。對系統(tǒng)性金融風險的測度主要有指標度量法以及關(guān)聯(lián)性測量法兩種。DY模型由于在測度風險溢出的整體性和方向性上的突出表現(xiàn)得到了廣泛的應(yīng)用，但是已有研究多集中在整體性的風險溢出，鮮有文獻涉及非對稱性的分析，而實際上正向風險溢出和負向風險溢出對整個金融體系穩(wěn)定性的影響具有很大的差異，相應(yīng)的金融監(jiān)管和風險防范措施也會有所不同，因此對風險溢出非對稱的研究具有較為重要的理論和實踐意義。

基于此，本文借鑒Barunik et al.[16]等學者的研究，結(jié)合非對稱風險分析和系統(tǒng)性風險溢出兩方面的理論，在將金融風險分為整體波動、正向波動和負向波動的基礎(chǔ)上，采用DY模型研究我國金融行業(yè)系統(tǒng)性風險整體溢出性、正向溢出性和負向溢出性的靜態(tài)及動態(tài)特征，進而構(gòu)造非對稱性測量指標分析風險溢出非對稱性的時變性，從而為我國金融業(yè)系統(tǒng)性風險的分析和防范提供理論借鑒。相對于已有研究，本文的創(chuàng)新之處主要在于：第一，在對金融業(yè)系統(tǒng)性風險溢出整體性開展研究的基礎(chǔ)上，通過將風險分為正向波動和負向波動，對風險溢出的非對稱性進行了詳細分析，有力地補充了現(xiàn)有風險溢出非對稱性研究的不足，也為系統(tǒng)性金融風險的防范和監(jiān)管提供了經(jīng)驗支持；第二，DY模型在研究風險溢出的動態(tài)特征時具有優(yōu)良的表現(xiàn)，目前已經(jīng)有部分學者采用該方法對金融業(yè)的系統(tǒng)性風險進行分析，但是大多是集中在金融機構(gòu)層面，從金融細分行業(yè)著手的較少，且本文考慮到房地產(chǎn)行業(yè)金融屬性的日益明顯，將房地產(chǎn)業(yè)也納入了分析范疇，使得研究結(jié)論更具有系統(tǒng)性和全面性。

三、研究設(shè)計

(一)DY信息溢出模型

DY模型是采用廣義VAR模型的預測誤差方差分解來對方向性的信息溢出進行分析，傳統(tǒng)VAR模型采用Cholesky方法進行方差分解導致變量的排序會對結(jié)果產(chǎn)生影響，廣義預測誤差方差分解很好地克服了該問題。

假定N維的變量Yt=(y1t,y2t,…,ynt)′，向量自回歸VAR模型可以表示為：

(1)

其中，Φi為系數(shù)矩陣，εt～N(0,Σε)為獨立同方差的誤差項。由于VAR模型為協(xié)方差平穩(wěn)過程，故可以用無限滑動平均過程表示：

(2)

(3)

(4)

在公式(4)的基礎(chǔ)上就可以對總信息溢出值及方向性信息溢出值進行定義，其中總溢出值指變量間的方差分解貢獻度對總方差的貢獻，計算公式為：

(5)

DY模型除了可以通過公式(5)測算變量間信息溢出的總值外，還可以對單個變量的接受溢出、對外溢出以及凈溢出值進行分析。其中接受溢出值指的是其他變量對變量i的方差貢獻度的和，計算公式為：

(6)

對外溢出值指的是變量i對其他變量的方差貢獻度的和，計算公式為：

(7)

凈溢出值則是變量i對外溢出值與接受溢出值的差值，計算公式為：

(8)

(二)非對稱風險溢出的衡量

借鑒Barunik et al.[16]等學者的處理方式，將波動率分為正向波動率和負向波動率。不同的是，本文使用的是金融行業(yè)指數(shù)的月度波動率，因此并未采用高頻數(shù)據(jù)計算已實現(xiàn)波動率，而使用日收益率數(shù)據(jù)計算月波動率。借鑒Pyo & Lee[24]的處理方式，采用日收益率平方的均值作為風險的測度指標，則月總波動率計算公式為：

(9)

其中，n表示月實際交易天數(shù)，ri為日收益率。French et al.[25]的研究表明，采用日收益率計算出的月度波動率能夠?qū)嶋H波動率進行較好的擬合，雖然相對于Andersen & Bollersley[26]采用日內(nèi)高頻數(shù)據(jù)計算已實現(xiàn)波動率的方法，F(xiàn)rench et al.[25]的方法仍然存在一定的噪音，但是對實際結(jié)果的影響并不大。

正向波動率和負向波動率的計算公式分別為：

(10)

(11)

其中，n1和n2分別表示每月日收益率為正或為負的天數(shù)。將(9)～(11)分別代入式(3)～(8)，就可以計算出金融行業(yè)指數(shù)的總風險溢出、正向風險溢出(S+)及負向信息溢出(S-)。同時構(gòu)建信息溢出非對稱性測量指標SAM(Spillover Asymmetry Measure)來衡量風險溢出的非對稱性：

SAM=S+-S-

(12)

當正向風險溢出大于負向風險溢出時，SAM大于0；當負向風險溢出大于正向風險溢出時，SAM小于0。因此SAM可以對風險溢出的非對稱性進行有效的判斷。同時也可以采用同樣的方法研究方向性信息溢出的非對稱性：

(13)

(14)

其中，SAMi←·和SAMi→·分別表示接受溢出和對外溢出的非對稱性測量指標。

(三)樣本選取及描述性統(tǒng)計分析

根據(jù)申萬二級行業(yè)指數(shù)的劃分，金融行業(yè)包括銀行、證券、保險及多元金融四個子行業(yè)，其中多元金融是除了銀行、證券和保險之外，包括互聯(lián)網(wǎng)金融、消費金融等在內(nèi)的其他金融業(yè)態(tài)。除此以外，房地產(chǎn)行業(yè)作為我國宏觀經(jīng)濟的支柱產(chǎn)業(yè)，除了商品房銷售本身對居民消費的直接拉動外，房地產(chǎn)還通過對其他行業(yè)的輻射，直接、間接帶動上下游130多個行業(yè)發(fā)展。同時房地產(chǎn)業(yè)作為一個資金密集型行業(yè)，對金融有很強的依賴性，地產(chǎn)周期和金融周期高度同質(zhì)化，房地產(chǎn)行業(yè)和金融行業(yè)的聯(lián)系越來越緊密，房地產(chǎn)的金融屬性越來越明顯，對金融市場的影響越來越重大。李瑞紅[27]、張寶林和潘煥學[28]、蔡真[29]等多位學者的研究均發(fā)現(xiàn)房地產(chǎn)泡沫是導致系統(tǒng)性金融風險爆發(fā)的關(guān)鍵因素。因此，本文將房地產(chǎn)行業(yè)也納入分析范疇，研究金融四個子行業(yè)及房地產(chǎn)業(yè)的系統(tǒng)性風險溢出情況。由于保險行業(yè)指數(shù)2007年1月才開始公布，因此選取銀行、證券、保險、多元金融及房地產(chǎn)五個行業(yè)指數(shù)2007年1月初至2018年10月底所有的日收盤價數(shù)據(jù)進行分析。表1報告了五個行業(yè)指數(shù)的月收益率及波動率的描述性統(tǒng)計情況。從收益率來看，房地產(chǎn)行業(yè)收益率的均值和中位值均是最高的。從波動率來看，證券行業(yè)的月平均波動率為1.57%，遠高于其他行業(yè)，而銀行行業(yè)的波動率均值、中位值及標準差均要低于其他行業(yè)，說明相對來說，證券行業(yè)的風險最高，銀行業(yè)的風險最低。

表1 行業(yè)指數(shù)月收益率及波動率的描述性統(tǒng)計

四、實證結(jié)果分析

(一)收益率及整體波動率的信息溢出分析

首先采用DY模型研究收益率及波動率溢出的整體情況。在建立VAR模型前，首先需對序列的平穩(wěn)性進行檢驗，結(jié)果發(fā)現(xiàn)所有的行業(yè)收益率均為零階單整序列，因此可以直接建立VAR模型；而所有的波動率序列(包括整體波動率、正向波動率和負向波動率)均為一階單整序列(限于篇幅，詳細表格未列出)，因此在建立VAR模型前需要先進行協(xié)整檢驗。表2報告了協(xié)整檢驗結(jié)果，結(jié)果表明行業(yè)間的波動率序列間(包括整體波動率、正向波動率和負向波動率)存在著顯著的協(xié)整關(guān)系，因此可以建立VAR模型進行信息溢出檢驗。

表2 行業(yè)波動率序列間的協(xié)整關(guān)系檢驗結(jié)果

采用AIC準則確定VAR模型的滯后階數(shù)，結(jié)果發(fā)現(xiàn)收益率應(yīng)該采用1階VAR模型，波動率采用3階VAR模型，采用第10期的廣義方差分解結(jié)果(實際上從第6期開始結(jié)果已經(jīng)變化不大)作為整體溢出的判斷結(jié)果，結(jié)果分別如表3和表4所示?？梢钥吹?，行業(yè)間的整體溢出較大，收益率的整體溢出值為0.689 2，波動率的整體溢出值為0.697 5，說明有接近70%的溢出來自行業(yè)外部，而行業(yè)自身的影響僅30%。各行業(yè)受其他行業(yè)的影響較大，從對角線上的元素(反映各行業(yè)對自身的影響)來看，所有的數(shù)值均低于0.5，說明有一半以上的溢出來自于其他行業(yè)；最小的證券行業(yè)自身波動率溢出只有0.116 1，說明其他行業(yè)對證券行業(yè)的影響要遠大于證券行業(yè)對自身的影響；對自身影響最大的是保險行業(yè)的波動率溢出，達到0.488 9，接近一半；房地產(chǎn)業(yè)無論是收益率溢出還是波動率溢出，對自身的影響均只有1/3左右，說明房地產(chǎn)業(yè)金融屬性明顯；綜合來看，金融行業(yè)間具有緊密相關(guān)性。從單個行業(yè)來看，房地產(chǎn)的收益率對外溢出值最大，達到了1.079 9，遠高于其他行業(yè)；保險行業(yè)的波動率對外溢出值最大，達到了1.378 7。說明房地產(chǎn)和保險這兩個行業(yè)在金融行業(yè)信息傳導時占據(jù)了主導地位，而證券和多元金融總體來看屬于被溢出狀態(tài)，銀行行業(yè)雖然無論收益率還是波動率都處于被溢出狀態(tài)，但是數(shù)值并不大。

為了更好地分析金融行業(yè)信息溢出的時變性，采用24期(2年)的樣本周期向前滾動，即采用t-23至t期的數(shù)值計算第t期行業(yè)間的信息溢出值，所得結(jié)果如圖1所示?？梢钥吹?，無論是收益率還是波動率，整體溢出值均較高，絕大部分時候均在50以上，只有波動率在2012年9月和10月、收益率在2018年4月之后低于50；而波動率溢出的最高點將近80，收益率的最高點也達到了73，說明金融行業(yè)間的聯(lián)動非常緊密，這與表3和表4的整體性分析結(jié)果是相一致的。同時可以看到，收益率溢出與波動率溢出間并不同步，具有一定的負相關(guān)關(guān)系①。隨著波動率溢出值的增加，整體性系統(tǒng)性風險也在增加，如2010年1月和2015年6月，波動率溢出值均達到了接近80的局部最高點，彼時股市均走到了階段性高點，之后便開始下跌；2016年12月，波動率溢出值也達到了接近80，當月股市暴跌，隨即股市開始階段性筑底；近期來看，2018年2月波動率達到75.6的階段高點，隨即股市開始了深度回調(diào)。因此總體來看，波動率溢出值對于系統(tǒng)性風險的判斷具有較重要的指示意義，接下來我們將探討正向波動溢出和負向波動溢出在程度上的差異，以研究系統(tǒng)性風險溢出的非對稱性。

表3 收益率的整體溢出情況

表4 波動率的整體溢出情況

圖1 收益率與波動率的動態(tài)溢出指數(shù)注：實線為波動率的動態(tài)溢出指數(shù)，虛線為收益率的動態(tài)溢出指數(shù)。

(二)風險溢出的非對稱性分析

分別采用公式(10)～(11)計算各金融行業(yè)指數(shù)的正向波動率和負向波動率，并采用DY模型計算金融行業(yè)間的風險溢出情況。根據(jù)AIC準則，正向波動率的VAR模型應(yīng)滯后2階，而負向波動率的VAR模型應(yīng)滯后3階，根據(jù)廣義預測誤差方差分解方法計算出正向波動率和負向波動率的整體溢出情況分別如表5和表6所示。從溢出的整體值來看，正向波動率總溢出僅為0.481 1，低于整體波動率總溢出值的0.697 5，負向波動率總溢出值為0.759 3，高于整體波動率總溢出值，初步說明了金融行業(yè)系統(tǒng)性風險傳染的非對稱性。從對角線上元素看(各行業(yè)對自身的影響)，保險、多元金融和房地產(chǎn)對自身的正向波動率影響很大，均超過了60%，而所有行業(yè)對自身的負向波動率影響均不大。從單個行業(yè)正向波動率的溢出方向來看，各行業(yè)的凈溢出值均不大，只有證券行業(yè)為-0.429 6，受到了其他行業(yè)較多的正向風險溢出，其他行業(yè)凈溢出值的絕對值均不大，說明各行業(yè)間正向風險溢出并不明顯；從各行業(yè)負向波動率的溢出方向來看，保險的對外溢出值高達1.391 6，房地產(chǎn)行業(yè)也有0.920 3，從而導致保險行業(yè)成為負向波動率主要的凈溢出者，其凈溢出值達到0.775 9，而多元金融的凈溢出值為-0.801 3，受其他行業(yè)的溢出最多，房地產(chǎn)則處于第二位的凈溢出位置，雖然數(shù)值并不很大。因此綜合來看，我國金融行業(yè)的系統(tǒng)性風險溢出具有明顯的非對稱性，負向波動率的溢出要遠高于正向波動率的溢出。

表5 正向波動率的整體溢出情況

表6 負向波動率的整體溢出情況

同樣采用24期的滾動窗口計算正負向波動率的總溢出值，結(jié)果如圖2所示。從圖上可以看到，兩者的走勢并不相關(guān)，與圖1進行比較可以看到，負向波動率溢出指數(shù)與整體波動率溢出指數(shù)的高低點更契合。絕大部分時候負向波動率溢出值均要高于正向波動率溢出值，計算發(fā)現(xiàn)兩者的相關(guān)系數(shù)僅為-0.051 3，且在10%的顯著水平下不顯著，金融行業(yè)系統(tǒng)性風險溢出的非對稱性明顯。為了更好地觀察這種非對稱性，采用公式(12)計算SAM值，結(jié)果如圖3所示?？梢钥吹剑瑥?009年1月至2018年10月，絕大部分時間里SAM值小于零，說明負向波動率溢出值要高于正向波動率溢出值。從時間上看，2009年10月—2012年6月、2013年8月—2014年12月、2016年9月至今這三個時期負向波動率溢出占據(jù)了主導，這些時期的上漲和下跌趨勢并不固定，如2016年9月至今股市經(jīng)歷了大漲之后又下跌；在2009年和2015年股市階段性高點，均是正向波動率溢出占據(jù)了主導，但是正向波動率溢出在2012年7月—2013年7月股市盤整階段同樣占據(jù)了主導地位，因此總體來看，系統(tǒng)性風險溢出的非對稱性與股市的漲跌并無必然關(guān)系。

圖2 正負向波動率動態(tài)溢出指數(shù)值注：實線為負向波動率的溢出指數(shù)，虛線為正向波動率的溢出指數(shù)。

圖3 風險溢出非對稱測度SAM值

(三)穩(wěn)健性檢驗

1.不同形成期的檢驗

為了驗證結(jié)果的穩(wěn)健性，首先對DY溢出指數(shù)模型的形成期進行穩(wěn)健性檢驗。相對于10期的廣義預測誤差方差分解結(jié)果，24個月的形成期已經(jīng)有點偏小，因此在進行穩(wěn)健性檢驗時，選擇形成期為30個月以及36個月進行檢驗，收益率溢出指數(shù)及波動率溢出指數(shù)的動態(tài)變化如圖4所示。與圖1的結(jié)果進行比較可以發(fā)現(xiàn)，當形成期變大時，溢出指數(shù)將會更為平滑，極端數(shù)值出現(xiàn)的更少，如形成期為30或36個月時，收益率和波動率的溢出值均大于50，且更低于80。但是總體來看，圖4中收益率和波動率溢出值的大體走勢與圖1相似，且波峰和波谷能夠很好地對應(yīng)起來，雖然在數(shù)值上有差異。同樣采用SAM值來考察系統(tǒng)性風險的非對稱性，結(jié)果如圖5所示。可以看到，無論是30還是36個月形成期，SAM值大多時間均要小于零，且形成期越大，SAM取正值的時間越少，說明負向波動率溢出在系統(tǒng)性風險的傳導過程中占據(jù)了絕對的主導地位。因此綜合來看，不同形成期雖然在具體數(shù)值計算上有偏差，但是得到的結(jié)論是一致的，結(jié)論是穩(wěn)健的。

2.基于極差波動率的穩(wěn)健性檢驗

同樣采用滾動窗口來分析極差波動率總溢出值及系統(tǒng)性風險非對稱性的時變性，仍然采用24個月為滾動窗口，結(jié)果如圖6所示，其中實線為波動率總溢出值，柱狀線為測度系統(tǒng)性風險非對稱性的SAM指標。將圖6與圖1及圖3比較，可以看到，極差波動率總溢出值的變動趨勢與已實現(xiàn)波動率總溢出值的變動趨勢大體相似，雖然兩者在數(shù)值上存在著一定差異，但是波峰和波谷出現(xiàn)的位置基本一致。從SAM值來看，基于極差波動率計算的結(jié)果顯示，絕大部分時間均是負向波動率溢出占主導，僅有2012年下半年到2013年上

圖4 不同形成期的穩(wěn)健性檢驗注：(a)圖形成期為30個月，(b)圖形成期為36個月；圖中實線為波動率溢出指數(shù)，虛線為收益率溢出指數(shù)。

圖5 波動溢出非對稱測度SAM的形成期穩(wěn)健性檢驗注：(a)圖形成期為30個月，(b)圖形成期為36個月。

銀行證券保險多元金融房地產(chǎn)接受溢出銀行0.42550.30150.08670.08420.10210.5745證券0.23260.57190.06670.01650.11230.4281保險0.06170.05720.70510.04460.13140.2949多元金融0.08600.05730.03210.75470.06990.2453房地產(chǎn)0.05180.06610.16450.03570.68200.3180對外溢出0.43210.48200.35000.18100.41580.3722凈溢出-0.14240.05390.0551-0.06440.0978

表8 基于極差波動的負向溢出整體情況

圖6 基于極差的波動率總溢出值及SAM值的時變特性注：實線表示波動率總溢出值，柱狀線為SAM值。

半年正向波動率溢出占據(jù)主導地位，且在2012年12月SAM值達到最大，這與基于已實現(xiàn)波動率計算的SAM值的結(jié)果是一致的，且兩種計算方法均顯示2016年下半年之后負向波動率溢出占主導地位的趨勢更加明顯了。因此，兩種測度方法都驗證了系統(tǒng)性風險溢出的非對稱性，結(jié)論具有穩(wěn)健性。

(四)各行業(yè)方向性波動率溢出的非對稱性

行業(yè)整體系統(tǒng)性風險溢出具有非對稱性，那么對于單個行業(yè)來說，其方向性波動率溢出的非對稱性又是怎樣的？圖7報告了以24個月為形成期的五個行業(yè)指數(shù)接受溢出值及對外溢出值的SAM統(tǒng)計結(jié)果②。銀行業(yè)無論是接受溢出值還是對外溢出值均沒有表現(xiàn)出特別明顯的正向或負向波動率溢出主導的情況，其SAM值大于零及小于零的時間大體相一致，說明銀行業(yè)波動率溢出的非對稱性不明顯。證券行業(yè)接受溢出值表現(xiàn)出明顯的負向波動率溢出主導，而對外溢出值表現(xiàn)出明顯的正向波動率溢出主導，說明證券行業(yè)更容易將上漲風險傳導到其他行業(yè)，同時更容易受到其他行業(yè)下跌風險的影響，證券行業(yè)具有較明顯的非對稱性。保險行業(yè)的接受溢出值表現(xiàn)出一定程度的負向波動率主導，主要表現(xiàn)在2016年下半年以后，而對外溢出值交替表現(xiàn)出正向波動率和負向波動率主導，總體而言，保險行業(yè)的方向性溢出表現(xiàn)出一定程度的非對稱性，但是不如證券行業(yè)明顯。多元金融風險溢出的非對稱性則表現(xiàn)得較為明顯，且與證券行業(yè)較為相似，即接受溢出值表現(xiàn)出明顯的負向波動率溢出主導，而對外溢出值表現(xiàn)出明顯的正向波動率溢出主導，說明多元金融行業(yè)和證券行業(yè)相似，更容易將上漲風險傳導到其他行業(yè)，同時更容易受到其他行業(yè)下跌風險的影響。房地產(chǎn)行業(yè)風險溢出的非對稱性也較為明顯，其無論是接受溢出值還是對外溢出值均表現(xiàn)出負向波動率主導的特征，說明其不僅容易受其他行業(yè)下跌風險的影響，也容易將自身的下跌風險傳染到其他行業(yè)。

圖7 金融各行業(yè)方向性溢出的非對稱測度SAM值

因此綜合來看，除了銀行業(yè)風險溢出的非對稱性不明顯外，其他行業(yè)都表現(xiàn)出了一定的方向性風險溢出非對稱性。從風險溢出視角來看，證券行業(yè)和多元金融行業(yè)更容易將上漲風險傳導到其他行業(yè)，房地產(chǎn)業(yè)則是最容易成為下跌風險溢出的出發(fā)點，說明房地產(chǎn)業(yè)更容易成為系統(tǒng)性風險爆發(fā)的源點；而除了銀行業(yè)外，其他四個行業(yè)的接受溢出均是負向波動占主導，也進一步說明負向風險更容易在金融行業(yè)間溢出，這與對金融行業(yè)整體風險溢出非對稱性研究的結(jié)論是相一致的。分析背后的原因在于，銀行業(yè)整體市值最大，已經(jīng)超過了1萬億元，其整體估值水平最低，PE僅為6.6倍，平均換手率不到證券行業(yè)的一半；保險行業(yè)的市值水平也很大，估值水平僅高于銀行業(yè)，平均換手率也較低；而多元金融、證券行業(yè)和房地產(chǎn)業(yè)，由于估值水平較高、總市值較小以及換手率較高，資產(chǎn)價格波動大，也更容易將風險往其他行業(yè)擴散。如證券行業(yè)往往成為牛熊市的風向標，尤其是在牛市初期，往往領(lǐng)先于其他行業(yè)上漲，而在熊市時期往往成為股市的穩(wěn)定器，下跌也會更晚一些，從而使得證券行業(yè)表現(xiàn)出較明顯的風險溢出非對稱性；而銀行和保險業(yè)則無論牛熊市漲跌幅度都相對較小，且會相對滯后于其他行業(yè)，其風險溢出整體性和非對稱性則會相對較小。

五、結(jié)論與討論

采用基于廣義預測誤差方差分解的DY信息溢出模型，對2007年1月—2018年10月我國銀行、證券、保險、多元金融及房地產(chǎn)五個行業(yè)指數(shù)月收益率和波動率的信息溢出情況進行了分析，結(jié)果發(fā)現(xiàn)：我國金融行業(yè)間的風險聯(lián)動性較強，波動率的整體溢出值接近70%，股市上漲幅度越大，積累的風險也就越大，這從系統(tǒng)性風險總溢出值的局部最高點與股市的階段性高點存在著的對應(yīng)關(guān)系可以看出。通過將波動率分為正向波動和負向波動，并構(gòu)造非對稱性測量指標SAM來研究系統(tǒng)性風險溢出的非對稱性，結(jié)果發(fā)現(xiàn)金融行業(yè)間的系統(tǒng)性風險溢出具有明顯的非對稱性，正向風險溢出總值僅為0.48，而負向風險溢出總值高達0.76，動態(tài)分析表明樣本期內(nèi)負向風險溢出絕大部分時間均占據(jù)了主導，且這種非對稱性并不必然表現(xiàn)為與股市上漲或下跌有關(guān)。各行業(yè)非對稱性分析結(jié)果顯示，除了銀行業(yè)風險溢出的非對稱性不明顯外，其他行業(yè)都表現(xiàn)出了一定程度的方向性風險溢出非對稱性，房地產(chǎn)業(yè)更容易成為系統(tǒng)性風險爆發(fā)的源點。

本文的研究結(jié)論對系統(tǒng)性風險的理論研究具有借鑒價值，對于金融監(jiān)管部門系統(tǒng)性金融風險的監(jiān)管和防范也具有一定的指導意義：首先，應(yīng)加強對金融風險的監(jiān)控和預防，尤其是對下行風險的監(jiān)控和預防。在我國目前經(jīng)濟結(jié)構(gòu)轉(zhuǎn)型的關(guān)鍵時期，房地產(chǎn)泡沫和地方債風險高企的情況下，加強對系統(tǒng)性風險的及時監(jiān)控，并針對性的采取相關(guān)手段予以化解是成本最低的方法。同時本文研究發(fā)現(xiàn)，負向風險的溢出要遠大于正向風險的溢出，因此要盡可能地實現(xiàn)資產(chǎn)泡沫的軟著陸，防止因泡沫破裂導致負向風險顯著溢出進而造成系統(tǒng)性金融危機的狀況。其次，考慮到金融行業(yè)各部門之間的風險聯(lián)動過于緊密，單個部門的風險極易向其他部門擴散從而造成系統(tǒng)性風險，因此應(yīng)建立金融防火墻，防止金融風險在不同行業(yè)間的迅速擴散。最后，考慮到不同行業(yè)在系統(tǒng)性風險溢出中所處的地位不同，如銀行業(yè)雖然規(guī)模龐大，但是其接受溢出和對外溢出值均不高，而保險行業(yè)和房地產(chǎn)行業(yè)規(guī)模雖小，卻容易成為系統(tǒng)性風險的爆發(fā)點，因此應(yīng)針對不同行業(yè)采取不同的監(jiān)管措施，如加大對銀行流動性風險的監(jiān)管、降低保險和房地產(chǎn)行業(yè)的杠桿率等，通過分類監(jiān)管、有的放矢，將系統(tǒng)性金融風險防范在源頭上。

注 釋：

①限于篇幅，本文未報告相關(guān)系數(shù)，結(jié)果留存?zhèn)渌?。Email: 66473405@qq.com。

②限于篇幅，多元金融和房地產(chǎn)行業(yè)未列出。