劉祥東，潘 飛，楊玉潔

［1.北京科技大學，經(jīng)濟管理學院，北京 100083；2.香港中文大學（深圳），深圳高等金融研究院，廣東 深圳518063］

一、引言

農(nóng)產(chǎn)品期貨是世界上最早上市的期貨品種，期貨市場最早產(chǎn)生于農(nóng)產(chǎn)品市場，而在此后的期貨發(fā)展中，農(nóng)產(chǎn)品期貨成為期貨市場的重要組成部分。據(jù)中國期貨業(yè)協(xié)會統(tǒng)計，2019 年，中國農(nóng)產(chǎn)品期貨共成交11.60億手，成交金額達52.69萬億元，分別占全國期貨市場總成交量和總成交金額的29.57%和18.13%，分別占商品期貨市場總成交量和總成交金額的30.08%和23.85%。此外，中國農(nóng)產(chǎn)品期貨在國際上也占據(jù)重要地位。據(jù)美國期貨業(yè)協(xié)會(FIA)統(tǒng)計，2020 年中國農(nóng)產(chǎn)品期貨包攬了農(nóng)產(chǎn)品期貨交易量的前10名，有14種農(nóng)產(chǎn)品躍居農(nóng)產(chǎn)品期貨交易量的前20 名，包括豆粕、棕櫚油、玉米、豆油、菜籽粕、雞蛋、白糖、棉花、菜籽油、橡膠、蘋果、黃大豆1 號、紙漿期貨和豆粕期權(quán)。

隨著中國農(nóng)產(chǎn)品期貨市場的快速發(fā)展，它與國內(nèi)外金融市場之間的聯(lián)系也越來越密切。2004 年以來，金融資本大量投資于商品期貨成為商品市場運作的新特點。隨著機構(gòu)投資者源源不斷地介入大宗商品市場，其價格動態(tài)演化所呈現(xiàn)的特點已經(jīng)遠遠超出了傳統(tǒng)微觀經(jīng)濟學均衡價格理論所能解釋的范疇，有形商品交易越來越緊密地與金融運作交織在一起，而后者反過來在相當程度上決定了前者的價格演化，實現(xiàn)了大宗商品市場的金融化[1]。大宗商品價格長期由實需因素主導，短期由金融投機因素主導[2]，這種投機因素導致大宗商品期貨的金融化[3]。針對大宗商品市場金融化現(xiàn)象，大量關(guān)于股票市場和大宗商品市場的實證研究結(jié)果表明，股票市場對大宗商品市場的確存在溢出效應(yīng)[4-6]。尤其是在2008 年金融危機之后，股票市場對大宗商品市場的波動溢出效應(yīng)顯著增加[1,7-8]，而在這些研究中，也有學者選擇農(nóng)產(chǎn)品作為大宗商品市場的代表[7-8]。上述研究結(jié)果都證明了Adams 和Glck[9]的觀點：大宗商品投資的大量流入，即金融化現(xiàn)象，改變了商品與普通股票市場之間的行為和依賴結(jié)構(gòu)。

中國股票市場成立時間較晚，股市投資者結(jié)構(gòu)與國外成熟市場有較大不同。與國外成熟市場相比，中國股市投資者結(jié)構(gòu)中的個人投資者占比較高，市場更加容易被情緒感染，股市投資者情緒在股票市場定價中扮演著重要角色。在過去的20 多年里，大量基于投資者情緒的實證研究表明，股市的投資者情緒對資產(chǎn)價格的形成產(chǎn)生影響[10-15]。尤其是近來Huang 等[16]對投資者情緒指數(shù)構(gòu)建方法的改進，也取得了一定的突破，他們利用美國股票市場數(shù)據(jù)構(gòu)建了基于偏最小二乘法的投資者情緒指數(shù)（PLS情緒指數(shù)），并通過與以往經(jīng)常采用的基于主成分分析方法的投資者情緒指數(shù)（PC 情緒指數(shù)）進行比較分析，證實PLS 情緒指數(shù)在美國股票市場中可以獲得更好的預測效果。投資者情緒指數(shù)構(gòu)建是一個關(guān)鍵的基礎(chǔ)性研究，上述結(jié)果為基于投資者情緒的相關(guān)理論和實證研究提供了有力工具。

在此背景下，考慮到資本市場之間的聯(lián)動性，一些學者嘗試研究金融危機背景下中美投資者情緒的傳染[17]，以及國際原油價格波動對中國投資者情緒的傳染[18]。盡管如此，關(guān)于中國股市投資者情緒與農(nóng)產(chǎn)品期貨市場之間的風險傳染和溢出效應(yīng)，鮮有文獻開展相關(guān)的實證及理論分析。此外，在方法論上，通常采用的是單一copula方法，以及單一狀態(tài)變量下的實證分析，不能很好地反映數(shù)據(jù)之間的相關(guān)結(jié)構(gòu)。已有文獻改進這些靜態(tài)copula模型主要采用兩種方法：第一種是在copula 函數(shù)中加入馬爾科夫狀態(tài)轉(zhuǎn)換機制，允許copula函數(shù)隨著時間變化，在不同狀態(tài)之間進行轉(zhuǎn)換[19-22]；第二種是對copula 的相依參數(shù)構(gòu)建時變方程，允許copula 函數(shù)中的參數(shù)隨著時間變化[23-26]。在實踐中，Wang 等[27]認為copula函數(shù)中的時變參數(shù)不一定意味著在正相關(guān)和負相關(guān)機制之間進行相依轉(zhuǎn)換，而運用具有馬爾科夫狀態(tài)轉(zhuǎn)換機制的copula模型能夠更好地刻畫經(jīng)濟變量之間的相關(guān)結(jié)構(gòu)。因此，為了更好地刻畫投資者情緒與農(nóng)產(chǎn)品期貨市場的風險傳染和溢出效應(yīng)，本文采用一個基于Markov 轉(zhuǎn)換的混合Clayton copula 相關(guān)性和風險測度模型，分析中國股市投資者情緒對農(nóng)期指數(shù)的正向和反向動態(tài)相關(guān)結(jié)構(gòu)，同時也將該模型的實證結(jié)果與其他幾類copula模型的結(jié)果進行比較，在分析完中國股市投資者情緒和農(nóng)期指數(shù)的相關(guān)結(jié)構(gòu)后，通過計算農(nóng)產(chǎn)品期貨指數(shù)收益的VaRs和CoVaRs來度量兩者之間的風險溢出。

與已有文獻相比，本文的貢獻主要體現(xiàn)在以下兩個方面。（1）采用基于Markov 轉(zhuǎn)換的混合Clayton copula 相關(guān)性測度模型檢驗了中國股市投資者情緒與農(nóng)期指數(shù)之間的風險傳染效應(yīng)，發(fā)現(xiàn)兩者之間存在Markov 轉(zhuǎn)換下的兩種相關(guān)結(jié)構(gòu)狀態(tài)，在主要狀態(tài)下呈現(xiàn)弱時變正相關(guān)關(guān)系。（2）采用基于Markov 轉(zhuǎn)換的混合Clayton copula 風險溢出測度模型，檢驗了中國股市投資者情緒與農(nóng)期指數(shù)之間的風險溢出效應(yīng)，發(fā)現(xiàn)這些風險溢出效應(yīng)具有顯著的非對稱性，即中國股市投資者情緒的上升或下降對于農(nóng)產(chǎn)品期貨的影響并不一致。這些結(jié)果對于兩個市場的金融監(jiān)管和金融投資均有一定的參考價值。

余文安排如下：第二部分介紹基于Markov 轉(zhuǎn)換的混合Clayton copula 的風險傳染和風險溢出測度模型的構(gòu)建；第三部分利用該模型實證研究中國股市投資者情緒與農(nóng)期指數(shù)的風險傳染與溢出效應(yīng)；第四部分分析中國股市投資者情緒與農(nóng)期指數(shù)之間的風險傳染機制；第五部分為本文的結(jié)論和政策建議。

二、相關(guān)結(jié)構(gòu)和風險溢出測度模型的構(gòu)建

（一）邊緣分布模型構(gòu)建

根據(jù)樣本數(shù)據(jù)的自身特點，分別在正態(tài)分布、T分布和GED 分布下選取ARMA(p,q)-GARCH(m,n)模型對中國股市的投資者情緒和農(nóng)產(chǎn)品期貨收益率序列進行邊緣分布建模，ARMA(p,q)-GARCH(m,n)模型的表達式為：

其中xt是相應(yīng)金融時間序列的對數(shù)收益率序列，φi是自回歸項系數(shù)，p 是自回歸項的滯后階數(shù)，θj是移動平均項系數(shù)，q 是移動平均項的滯后階數(shù)，εt是殘差，ht是殘差的方差，而et是標準化殘差，服從標準正態(tài)分布、T 分布或者GED 分布。αi是ARCH項系數(shù)，βj是GARCH 項系數(shù)，βj負責測量波動聚集性的大小，m和n分別是、ht的滯后階數(shù)。

（二）Markov 轉(zhuǎn)換的混合Clayton copula 函數(shù)的相關(guān)性測度

copula 函數(shù)是定義在[0,1]n、邊緣分布服從[0,1]均勻分布的多元分布函數(shù)。為了捕捉非對稱的尾部相關(guān)性，本文選擇Clayton copula（CC0）、90 度旋轉(zhuǎn)Clayton copula（CC90）、180 度旋轉(zhuǎn)Clayton copula（CC180）和270 度旋轉(zhuǎn)Clayton copula（CC270）來構(gòu)建混合的Clayton copula。其中，Clayton copula 和180 度旋轉(zhuǎn)Clayton copula 分別用于測量反映正相關(guān)關(guān)系的下—下尾相關(guān)性和上—上尾相關(guān)性，90 度旋轉(zhuǎn)Clayton copula 和270 度旋轉(zhuǎn)Clayton copula 分別用于測量反映負相關(guān)關(guān)系的下—上尾相關(guān)性和上—下尾相關(guān)性。根據(jù)Liu等[28]和Ji等[29]的工作，Clayton copula 和180 度旋轉(zhuǎn)Clayton copula 構(gòu)建的C1函數(shù)可以用來捕捉正相關(guān)性，90 度旋轉(zhuǎn)Clayton copula 和270度旋轉(zhuǎn)Clayton copula 構(gòu)建的C2函數(shù)可以用來捕捉負相關(guān)性。這兩個copula函數(shù)的表達式分別為：

混合Clayton copula 為C1和C2函數(shù)之和，其表達式如下：

其中θ=(α1,α2,α3,α4)，ω 為權(quán)重參數(shù)。在混合Clayton copula 函數(shù)中，C1函數(shù)負責測量正相關(guān)性，α1和α3越大，正相關(guān)性越強；C2函數(shù)負責測量負相關(guān)性，α2和α4越大，負相關(guān)性越強。

考慮到金融市場相關(guān)性的動態(tài)特征以及可能的結(jié)構(gòu)變化，本文在混合Clayton copula 函數(shù)的基礎(chǔ)上引入一個狀態(tài)轉(zhuǎn)換機制，并假設(shè)其服從馬爾科夫狀態(tài)轉(zhuǎn)換過程，從而構(gòu)建Markov 轉(zhuǎn)換的混合Clayton copula函數(shù)，其定義如下：

其中St是狀態(tài)變量，Ωt-1是信息集，P(St；Ωt-1)是St在信息集Ωt-1中的預測概率，這里令P(St=1；Ωt-1)和P(St=2；Ωt-1)分別表示在t 時刻處于狀態(tài)1 和狀態(tài)2的概率，其表達式分別為：

Markov 轉(zhuǎn)換的混合Clayton copula 函數(shù)所含的參數(shù)較多，在極大似然估計法的基礎(chǔ)上，采用內(nèi)點法求最優(yōu)解以完成參數(shù)估計。具體而言，可以采用兩步法來進行參數(shù)估計：第一步是估計邊緣分布模型中的參數(shù)，第二步是在給定邊緣參數(shù)下估計copula參數(shù)[28,30]。

因此，參考Joe[31]的工作，可以給出基于Markov轉(zhuǎn)換的混合Clayton copula 函數(shù)的四個尾部相關(guān)系數(shù)：

在下文的實證中，將采用這四個尾部相關(guān)性度量指標來測度中國股市投資者情緒向農(nóng)期指數(shù)的風險傳染。

（三）風險溢出的測度

這里將采用上（下）行VaR 和CoVaR 來度量股市投資者情緒對中國農(nóng)期指數(shù)的風險溢出效應(yīng)。設(shè)r1,t為時間t下農(nóng)產(chǎn)品期貨的對數(shù)收益率，參考Ji等[32]的工作，在給定尾部概率α 下，可以采用Pr(r1,t≤ 分別計算農(nóng)產(chǎn)品期貨收益的下行VaR 和上行VaR。本文通過ARMA-GARCH模型對金融時間序列進行邊緣分布建模。

第一，若標準化殘差服從標準正態(tài)分布，則可以得到r1,t的條件分布如下：

第二，若農(nóng)產(chǎn)品期貨收益在標準化殘差服從標準T 分布或者GED 分布，則下行風險和上行風險的表達式分別為：

CoVaRs 為以股市投資者情緒指數(shù)的極端變化為條件的農(nóng)產(chǎn)品期貨收益的VaRs。設(shè)r2,t為時間t下的股市投資者情緒指數(shù)，參考Liu 等[28]、Ji 等[32]的工作，估計CoVaRs的方程如下：

三、實證研究

（一）中國股市投資者情緒綜合指數(shù)的構(gòu)建

參考Yang和Zhou[33]的工作，本文選取上證綜指和深證綜指流通市值加權(quán)的相對強弱指數(shù)（RSI）、心理線指數(shù)（PSY）、交易量（VOL）和換手率（TR）作為中國股市投資者情緒的代理變量。為剔除宏觀經(jīng)濟因素對投資者情緒指數(shù)的影響，分別利用中國股市的四個投資者情緒代理變量與居民消費價格指數(shù)（CPI)、工業(yè)品出廠價格指數(shù)（PPI）、工業(yè)增加值（IAV）和宏觀經(jīng)濟景氣指數(shù)（MBCI）進行回歸分析，取其殘差作為剔除宏觀經(jīng)濟因素的投資者情緒代理變量。實證樣本選自1996年10月至2019年6月的月度數(shù)據(jù)，所有數(shù)據(jù)均來自Wind 數(shù)據(jù)庫。需要說明的是，這里選取投資者情緒的數(shù)據(jù)比最早的農(nóng)產(chǎn)品期貨的數(shù)據(jù)提前了28 個月，顯著降低了構(gòu)建的投資者情緒指數(shù)受初始數(shù)據(jù)的影響，以確保最終的兩者相關(guān)性分析中采用的投資者情緒指數(shù)更為穩(wěn)定。采用Huang 等[16]提出的基于偏最小二乘法的投資者情緒構(gòu)建方法，通過兩步回歸得到投資者情緒綜合指數(shù)SPLS：

表1 投資者情緒指數(shù)與上證綜指、深證綜指的Pearson相關(guān)性檢驗

表1 投資者情緒指數(shù)與上證綜指、深證綜指的Pearson相關(guān)性檢驗

注：***表示在1%的顯著水平下拒絕無自相關(guān)的原假設(shè)

表1 的結(jié)果顯示，SPtLS與滬深兩市收益率均呈顯著正相關(guān)關(guān)系，表明構(gòu)建的投資者情緒指數(shù)能夠有效表征中國股票市場的情緒變化。

（二）中國股市投資者情緒與農(nóng)期指數(shù)的相關(guān)結(jié)構(gòu)分析

本部分將實證研究股市投資者情緒與農(nóng)期指數(shù)的相關(guān)結(jié)構(gòu)。這里選擇上市時間較長的8 種農(nóng)產(chǎn)品期貨價格指數(shù)：連豆指數(shù)（AFI）、豆粕指數(shù)（MFI）、鄭棉指數(shù)（CFFI）、玉米指數(shù)（CFI）、豆油指數(shù)（YFI）、鄭糖指數(shù)（SRFI）、菜油指數(shù)（OIFI）、棕櫚指數(shù)（PFI），從而一共構(gòu)成8 組實證研究，每組實證的時間長度為一種農(nóng)產(chǎn)品期貨價格指數(shù)和投資者情緒指數(shù)的時間交集。實證中對8 種農(nóng)產(chǎn)品期貨價格指數(shù)Pt進行對數(shù)化處理，從而得到其相對應(yīng)的對數(shù)收益率序列，這些序列與投資者情緒指數(shù)的描述性統(tǒng)計結(jié)果如表2所示。

表2 投資者情緒指數(shù)與農(nóng)產(chǎn)品期貨價格指數(shù)對數(shù)收益率序列的描述性統(tǒng)計

表2 的結(jié)果顯示，在8 種農(nóng)產(chǎn)品期貨中，連豆指數(shù)、豆粕指數(shù)、鄭棉指數(shù)、玉米指數(shù)和豆油指數(shù)在樣本區(qū)間內(nèi)的平均對數(shù)收益率為正，其余3 種農(nóng)產(chǎn)品期貨指數(shù)的平均對數(shù)收益率為負。棕櫚指數(shù)的標準差最大，可見該品種的市場波動性更強。9 個樣本數(shù)據(jù)中，只有豆粕指數(shù)服從正態(tài)分布，其余均拒絕正態(tài)分布的假設(shè)，具有尖峰厚尾特征，且大多數(shù)表現(xiàn)為左偏。

接下來，對投資者情緒指數(shù)與農(nóng)產(chǎn)品期貨價格指數(shù)對數(shù)收益率序列進行三類檢驗：采用ADF 檢驗、PP 檢驗和KPSS 檢驗來綜合考察變量的平穩(wěn)性，采用收益率序列和收益率平方序列Ljung-Box 統(tǒng)計量來檢驗變量的自相關(guān)性，采用ARCH-LM 統(tǒng)計量來檢驗變量的條件異方差性。實證結(jié)果顯示，每個變量都是平穩(wěn)的，均存在自相關(guān)性或條件異方差性。限于篇幅，未在文中匯報實證結(jié)果。因此，利用ARMA(p,q)-GARCH(m,n)模型來建立邊緣分布模型是合理的。

在運用Markov 轉(zhuǎn)換的混合Clayton copula 模型來估計股市投資者情緒指數(shù)與農(nóng)期指數(shù)之間的相關(guān)結(jié)構(gòu)之前，首先利用6 種不同類型的單機制單一copula模型（包括正態(tài)copula、T copula、Clayton copula、90 度旋轉(zhuǎn)Clayton copula、180 度旋轉(zhuǎn)Clayton copula、270度旋轉(zhuǎn)Clayton copula）和Markov轉(zhuǎn)換的混合Clayton copula 模型，以及時變正態(tài)copula 和時變T copula 來估計股市投資者情緒指數(shù)與農(nóng)期指數(shù)之間的相關(guān)結(jié)構(gòu)。限于篇幅，這里僅匯報了時變正態(tài)copula、時變T copula 和混合Clayton copula 模型的估計結(jié)果。如表3所示，大部分參數(shù)估計值在1%的顯著水平下是顯著的，將時變正態(tài)copula、時變T copula的對數(shù)似然函數(shù)值，AIC值和BIC值與正態(tài)copula 和T copula 進行對比，可以發(fā)現(xiàn)除棕櫚指數(shù)外，其他7個農(nóng)產(chǎn)品期貨的參數(shù)估計均在Markov轉(zhuǎn)換的混合Clayton copula 模型下達到了最佳效果。綜合來看，Markov 轉(zhuǎn)換的混合Clayton copula 模型實現(xiàn)了更好的參數(shù)估計結(jié)果，這與Wang 等[34]、Charfeddine 和Benlagha[35]的研究結(jié)果一致，因為copula 函數(shù)中的時變參數(shù)不一定意味著在正相關(guān)和負相關(guān)機制之間進行依賴轉(zhuǎn)換。

表3 幾類copula模型的參數(shù)估計結(jié)果

完成Markov 轉(zhuǎn)換的混合Clayton copula 模型的參數(shù)估計結(jié)果之后，計算Markov 轉(zhuǎn)換的混合Clayton copula 模型的四個尾部相關(guān)系數(shù)，具體結(jié)果匯報在表5中。

表4 Kendall秩相關(guān)系數(shù)和Pearson相關(guān)系數(shù)估計結(jié)果

表3 至表5 的結(jié)果顯示，四種不同類型的Clayton copula 函數(shù)在相關(guān)結(jié)構(gòu)分析中都發(fā)揮了作用；其中，表3 的參數(shù)估計結(jié)果顯示，大多數(shù)參數(shù)估計值在1%的顯著水平下顯著。此外，圖1 的狀態(tài)轉(zhuǎn)換概率圖也顯示，中國股市投資者情緒與農(nóng)期指數(shù)之間不只是存在一種不變的狀態(tài)。這些結(jié)果共同證明基于Markov 轉(zhuǎn)換的混合Clayton copula 模型的有效性。值得強調(diào)的是，Markov 轉(zhuǎn)換的混合Clayton copula 模型能夠靈活地測量四種非對稱的尾部相關(guān)性，因為在其構(gòu)建過程中同時運用了Clayton copula、90 度旋轉(zhuǎn)Clayton copula、180 度旋轉(zhuǎn)Clayton copula 和270 度旋轉(zhuǎn)Clayton copula；而時變正態(tài)copula、時變T copula 雖然能測量動態(tài)的相關(guān)結(jié)構(gòu)，但不能測量非對稱的尾部相關(guān)關(guān)系。

圖1 投資者情緒指數(shù)與8種農(nóng)產(chǎn)品期貨價格指數(shù)的狀態(tài)轉(zhuǎn)換概率圖

表5 投資者情緒指數(shù)與8種農(nóng)產(chǎn)品期貨價格指數(shù)的尾部相關(guān)系數(shù)

接下來，以中國股市投資者情緒指數(shù)與連豆指數(shù)的相關(guān)性為例，對實證結(jié)果進行詳細分析。如表3 所示，每個狀態(tài)下它們的相關(guān)結(jié)構(gòu)都不相同，比如在狀態(tài)1 下的參數(shù)估計值是-2.642，在狀態(tài)2 下的參數(shù)估計值是-2.621；在狀態(tài)1 下的參數(shù)估計值是3.428，在狀態(tài)2下的參數(shù)估計值是-14.816。P11和P22分別表示P(St=1|St-1=1)和P(St=2|St-1=2)的值，可用來描述兩種狀態(tài)持久性的高低，結(jié)果顯示，狀態(tài)1和狀態(tài)2的持久性相當。

如圖1 所展示，中國股市投資者情緒指數(shù)和連豆指數(shù)相關(guān)結(jié)構(gòu)的兩種狀態(tài)轉(zhuǎn)換概率一直此消彼長；在大多數(shù)時間區(qū)間內(nèi)，狀態(tài)1 的概率基本大于狀態(tài)2 的概率；但在2001 年加入世貿(mào)組織、2003 年“非典型肺炎”暴發(fā)、2008 年金融危機、2018 年中美貿(mào)易摩擦的幾個關(guān)鍵時點，情況發(fā)生反轉(zhuǎn)，狀態(tài)2 的概率在短期內(nèi)大于狀態(tài)1 的概率，出現(xiàn)結(jié)構(gòu)突變點。在狀態(tài)1下，權(quán)重參數(shù)ωSt的值為0.934，Markov轉(zhuǎn)換的混合Clayton copula函數(shù)的Kendall秩相關(guān)系數(shù)為-0.001，Pearson 相關(guān)系數(shù)為-0.0.002。在極端市場條件下，描述同向協(xié)同運動強度的上—上尾相關(guān)系數(shù)和下—下尾相關(guān)系數(shù)分別為0 和0.004，而描述反向協(xié)同運動強度的下—上尾相關(guān)系數(shù)和上—下尾相關(guān)系數(shù)分別為0.033 和0。而在狀態(tài)2 下，權(quán)重參數(shù)ωSt的值為0.308，Markov 轉(zhuǎn)換的混合Clayton copula 函數(shù)的Kendall 秩相關(guān)系數(shù)為0.211，Pearson 相關(guān)系數(shù)為0.232。在極端市場條件下，描述同向協(xié)同運動強度的下—下尾相關(guān)系數(shù)和上—上尾相關(guān)系數(shù)分別為0.003 和0.289，而描述反向協(xié)同運動強度的下—上尾相關(guān)系數(shù)和上—下尾相關(guān)系數(shù)均為0。這些結(jié)果表明，狀態(tài)2 的正相關(guān)性比狀態(tài)1 強，說明幾次重大歷史事件的節(jié)點后，股市投資者情緒指數(shù)對連豆指數(shù)的影響增強。圖2 中中國股市投資者情緒指數(shù)與連豆指數(shù)的相關(guān)系數(shù)圖的結(jié)果也顯示，兩者平滑相關(guān)系數(shù)基本上都處于0.02 的上方，意味著中國股市投資者情緒指數(shù)和連豆指數(shù)呈正相關(guān)關(guān)系，且相關(guān)系數(shù)在幾個突變點處突然增強，表明突發(fā)事件提升了投資者情緒指數(shù)與連豆指數(shù)之間的相關(guān)性。

圖2 投資者情緒指數(shù)與8種農(nóng)產(chǎn)品期貨價格指數(shù)的相關(guān)系數(shù)圖

按照相同的步驟和分析方法，其余7 種農(nóng)產(chǎn)品期貨價格指數(shù)與中國股市投資者情緒指數(shù)均呈正相關(guān)關(guān)系，只是這種相關(guān)性并不強?？傮w來看，股市投資者情緒指數(shù)和農(nóng)期指數(shù)之間呈正相關(guān)關(guān)系，且這種正相關(guān)關(guān)系隨時間的改變不斷變化，呈現(xiàn)出時變正相關(guān)性，但整體上來看這種正相關(guān)關(guān)系并不強。

（三）中國股市投資者情緒對農(nóng)期指數(shù)的風險溢出

本部分通過計算農(nóng)產(chǎn)品期貨收益的VaRs 和CoVaRs 來度量兩者之間的風險溢出。這里選取α=β=0.05。圖3 描述了不同中國農(nóng)產(chǎn)品期貨收益在股市投資者情緒指數(shù)極端變化條件下的VaRs 和Co-VaRs 的軌跡。在這8 組數(shù)據(jù)中，都小于，而都大于，意味著在股市投資者情緒指數(shù)極端變化條件下，中國農(nóng)產(chǎn)品期貨收益的風險更大，體現(xiàn)的是正向的風險溢出效應(yīng)，與正相關(guān)結(jié)構(gòu)相對應(yīng)。從圖3 中可以看出，鄭糖指數(shù)、菜油指數(shù)和棕櫚指數(shù)的VaRs和CoVaRs的數(shù)值呈收斂的趨勢，表明風險隨時間在逐漸減小，而連豆指數(shù)、豆粕指數(shù)、鄭棉指數(shù)、玉米指數(shù)、豆油指數(shù)的VaRs和CoVaRs的數(shù)值則呈震蕩的趨勢，在某些時刻風險會被放大，比如連豆指數(shù)、豆粕指數(shù)和豆油指數(shù)在2008 年金融危機期間風險便被放大，可見豆類農(nóng)產(chǎn)品受金融危機影響較大。一般情況下上行VaR和上行CoVaRs 的數(shù)值為正。最后，觀察圖3 中上行Co-VaRs 和下行CoVaRs 的軌跡，整體上可以發(fā)現(xiàn)中國股市投資者情緒帶給農(nóng)期指數(shù)的風險溢出效應(yīng)具有非對稱性，比如連豆指數(shù)和鄭棉指數(shù)上行風險溢出效應(yīng)更大，豆粕指數(shù)下行風險溢出效應(yīng)更大，但也有個別從圖形中不太好判斷的，比如豆油指數(shù)。

圖3 中國農(nóng)產(chǎn)品期貨收益的VaRs和CoVaRs

表6 CoVaR/VaR 和CoVaR/VaR 的匯總統(tǒng)計

表6 CoVaR/VaR 和CoVaR/VaR 的匯總統(tǒng)計

為了檢驗風險溢出效應(yīng)的顯著性和非對稱性，采用Kolmogorov-Smirnov(K-S)檢驗，檢驗結(jié)果如表7所示。

表7 中國股市投資者情緒對中國農(nóng)產(chǎn)品期貨收益的風險溢出和非對稱性檢驗

在表7 中，第二列和第三列用來檢驗股市投資者情緒是否對農(nóng)期指數(shù)收益存在正向的風險溢出效應(yīng)，第四列和第五列則用來檢驗風險溢出效應(yīng)的非對稱性。表7 的第二列和第三列的結(jié)果表明，中國股市投資者情緒對8 種農(nóng)產(chǎn)品期貨指數(shù)收益均存在顯著的正向風險溢出效應(yīng)。而根據(jù)第四列和第五列的結(jié)果，可以看出中國股市投資者情緒對這8 種農(nóng)產(chǎn)品期貨指數(shù)收益的風險溢出效應(yīng)具有非對稱性，其中中國股市投資者情緒對豆粕指數(shù)、玉米指數(shù)、菜油指數(shù)、棕櫚指數(shù)的下行風險溢出效應(yīng)更大，對連豆指數(shù)、鄭棉指數(shù)、豆油指數(shù)、鄭糖指數(shù)的上行風險溢出效應(yīng)更大。這些結(jié)果說明在實踐中，中國股市投資者情緒對不同農(nóng)產(chǎn)品期貨指數(shù)收益的影響不盡相同?？傮w來看，中國股市投資者情緒對農(nóng)期指數(shù)收益具有顯著的正向風險溢出效應(yīng)，且這種風險溢出效應(yīng)具有非對稱性。

四、中國股市情緒與農(nóng)期指數(shù)風險傳染機制分析

從金融市場一體化角度來看，隨著經(jīng)濟一體化的發(fā)展，資本的流動加速、信息技術(shù)的日新月異，資本市場之間的關(guān)聯(lián)更加緊密，股票市場投資者情緒反映了投資者對市場的預期情況，大量實證研究表明投資者情緒變化能夠在一定程度上影響股票價格的變動，因此，股市投資者情緒的變化可能會迅速傳導并影響整個金融市場。從本質(zhì)上來看，股市投資者情緒向農(nóng)期指數(shù)的傳染具有深層次的經(jīng)濟邏輯和具體的傳播途徑。

一是股市和農(nóng)產(chǎn)品期貨市場定價具有共同的定價因子，也有不同的定價因子，當共同定價因子波動時，兩個市場很可能發(fā)生聯(lián)動，而股市投資者情緒能夠在市場聯(lián)動中推波助瀾。從大類資產(chǎn)定價的角度而言，根據(jù)永續(xù)迭代的股利貼現(xiàn)模型，股票市場定價主要受分子端的凈資產(chǎn)、凈資產(chǎn)收益率、股利分紅率，以及分母端的利率水平、風險偏好（受投資者情緒影響）、盈利增速、產(chǎn)業(yè)周期等因素的影響。而農(nóng)產(chǎn)品期貨的定價主要受基本面中的供給、需求、庫存、通脹水平、利率水平、投資者情緒等因素的影響。其中，宏觀經(jīng)濟基本面的強弱影響上市公司盈利水平，也影響農(nóng)產(chǎn)品市場的需求，是影響股市定價和農(nóng)產(chǎn)品期貨市場定價的共同因子。宏觀經(jīng)濟基本面情況越好，股市的表現(xiàn)越好，農(nóng)產(chǎn)品期貨市場的表現(xiàn)也越好。但也有一些因子，如通脹水平對股市和農(nóng)產(chǎn)品期貨市場可能產(chǎn)生相反的影響。盡管如此，在這些宏觀變量影響股市的過程中，股市的投資者情緒將起到股市震蕩放大器的作用，加大股市的上揚或下跌表現(xiàn)，并通過股市和農(nóng)產(chǎn)品期貨市場的聯(lián)動效應(yīng)，傳染至農(nóng)產(chǎn)品期貨市場，影響農(nóng)產(chǎn)品期貨價格指數(shù)走勢。

二是農(nóng)業(yè)相關(guān)的上市公司股價和農(nóng)產(chǎn)品期貨之間具有產(chǎn)業(yè)鏈條的聯(lián)動效應(yīng)，股市投資者情緒可以通過這種產(chǎn)業(yè)鏈的聯(lián)動效應(yīng)將股市的風險傳染至農(nóng)產(chǎn)品期貨市場。研究發(fā)現(xiàn)，隨著農(nóng)業(yè)現(xiàn)代化的發(fā)展，農(nóng)業(yè)產(chǎn)業(yè)鏈日臻完善，主要包含農(nóng)產(chǎn)品的原料、加工、生產(chǎn)、運輸、銷售等各個環(huán)節(jié)。從產(chǎn)業(yè)鏈聯(lián)動的角度看，農(nóng)業(yè)部門及其上下游的產(chǎn)業(yè)資產(chǎn)價格的變動，都可能會影響到農(nóng)產(chǎn)品期貨價格的走勢，并且農(nóng)業(yè)相關(guān)上市公司股價的變化，對農(nóng)產(chǎn)品期貨市場的影響更為直接，其傳導機制不是依賴股市和農(nóng)產(chǎn)品期貨市場的市場聯(lián)動，而是通過農(nóng)業(yè)產(chǎn)業(yè)鏈相關(guān)鏈條間的相互影響和傳導。當然，與農(nóng)業(yè)產(chǎn)品核心板塊相關(guān)的上市公司股價的變化對農(nóng)產(chǎn)品期貨價格的影響會更大一些，其中，股市投資者情緒將通過放大農(nóng)業(yè)相關(guān)產(chǎn)業(yè)鏈上市公司股價的變化，進一步將風險傳染到農(nóng)產(chǎn)品期貨市場。

三是股市投資者情緒在投資者人群之中通過多種媒介傳播，進而傳染到農(nóng)產(chǎn)品期貨市場。一方面，股市和農(nóng)產(chǎn)品期貨市場中具有一部分共同的機構(gòu)和個人投資者，股市投資者情緒可以通過共同投資者快速傳染至農(nóng)產(chǎn)品期貨市場，影響農(nóng)產(chǎn)品期貨價格走勢。在資本市場中，一部分機構(gòu)投資者和個人投資者同時擁有股票和農(nóng)產(chǎn)品期貨交易賬戶，他們可能會在兩個市場中同時進行交易操作，或者是同時關(guān)注這兩個市場，如此一來，股市投資者情緒不僅影響其在股票市場的交易，也會影響其在農(nóng)產(chǎn)品期貨市場的交易決策，從而影響農(nóng)產(chǎn)品期貨價格指數(shù)的走勢。另一方面，股市投資者情緒也可能通過股吧、短視頻、微信公眾號、微博等多種媒介進行信息傳播，進而影響到農(nóng)產(chǎn)品期貨市場交易者的投資決策，最終影響到農(nóng)產(chǎn)品期貨價格的走勢。

值得注意的是，股市投資者情緒在農(nóng)產(chǎn)品期貨市場中的傳染，勢必會導致農(nóng)產(chǎn)品期貨市場的風險溢出效應(yīng)，而投資者對于悲觀和樂觀情緒的反應(yīng)程度不同，也導致了風險溢出效應(yīng)呈現(xiàn)出非對稱性。

五、結(jié)論及政策建議

本文應(yīng)用一個基于Markov 轉(zhuǎn)換的混合Clayton copula 相關(guān)性和風險測度模型度量中國股市投資者情緒與農(nóng)期指數(shù)的風險傳染與溢出效應(yīng)。其中，混合 的Clayton copula 由Clayton copula、90 度旋轉(zhuǎn)Clayton copula、180 度旋轉(zhuǎn)Clayton copula 和270 度旋轉(zhuǎn)Clayton copula 構(gòu)成，它們能夠同時測量四個尾部相關(guān)性，從而有效連接對稱和非對稱的尾部相關(guān)關(guān)系。與此同時，加入具有狀態(tài)轉(zhuǎn)移概率的馬爾科夫鏈過程，使得相關(guān)性和風險測度模型可以捕捉變量之間的正相關(guān)和負相關(guān)關(guān)系，并且基于相關(guān)結(jié)構(gòu)分析運用VaRs 和CoVaRs 指標進行風險度量，通過與其他幾類copula模型的實證比較，得到以下結(jié)論。

第一，四種不同類型的Clayton copula 函數(shù)在相關(guān)結(jié)構(gòu)分析中都發(fā)揮了作用，大多數(shù)參數(shù)估計值在1%的顯著水平下是顯著的，狀態(tài)轉(zhuǎn)換概率圖也顯示股市投資者情緒指數(shù)與中國農(nóng)產(chǎn)品期貨市場之間不僅僅只是存在一種不變的狀態(tài)。這些結(jié)果都證明了Markov 轉(zhuǎn)換的混合Clayton copula 模型的有效性。在不同模型的對比分析中，基于Markov 轉(zhuǎn)換的混合Clayton copula 相關(guān)性測度模型比單一copula 模型、混合copula 模型和其他兩種動態(tài)copula 模型的表現(xiàn)更好。

第二，連豆、豆粕、鄭棉、玉米等8 種農(nóng)產(chǎn)品期貨價格指數(shù)與我國股市投資者情緒指數(shù)之間在Markov狀態(tài)轉(zhuǎn)換下呈現(xiàn)兩種相關(guān)結(jié)構(gòu)，在主要狀態(tài)下兩者之間呈正相關(guān)關(guān)系，且這種正相關(guān)關(guān)系隨時間的改變不斷變化，可稱之為時變正相關(guān)性，但整體上來看這種正相關(guān)關(guān)系并不強。

第三，在風險度量方面，股市投資者情緒對8 種農(nóng)產(chǎn)品期貨價格指數(shù)有顯著的正向風險溢出效應(yīng)。同時，這種風險溢出效應(yīng)具有非對稱性，其中股市投資者情緒對豆粕指數(shù)、玉米指數(shù)、菜油指數(shù)、棕櫚指數(shù)的下行風險溢出效應(yīng)更大，對連豆指數(shù)、鄭棉指數(shù)、豆油指數(shù)、鄭糖指數(shù)的上行風險溢出效應(yīng)更大。

股市投資者情緒已經(jīng)成為影響股市資產(chǎn)定價的重要因素之一，由于共同投資者、股市與農(nóng)產(chǎn)品期貨市場之間共同定價因素、資本市場之間的聯(lián)動性等原因，股市投資者情緒會傳染至農(nóng)產(chǎn)品期貨市場，并形成風險溢出效應(yīng)。為了促進我國股市和農(nóng)產(chǎn)品期貨市場的穩(wěn)健發(fā)展，建議未來重視下述方面的工作。

第一，構(gòu)建科學的股市投資者情緒指標體系，加強對中國股市投資者情緒的監(jiān)測和管理。在基于股利貼現(xiàn)模型的股票資產(chǎn)定價框架中，投資者情緒位于定價公式的分母端，股市的投資者情緒越高，股價越容易被高估，反之則相反。投資者情緒的非理性波動將會導致股票市場的異常波動。因此，建議監(jiān)管部門要結(jié)合股市的實際情況，構(gòu)建科學的投資者情緒指標體系；根據(jù)投資者情緒指數(shù)的高低，劃分不同層級的風險等級標志；當投資者情緒運行至警示區(qū)間時，對市場中的機構(gòu)和個人投資者發(fā)出警示信息，提示市場風險；當投資者情緒運行至危險區(qū)間，可能誘導發(fā)生金融系統(tǒng)性風險時，及時報告上級部門出臺相關(guān)措施，化解潛在危機。

第二，加強對股市和農(nóng)產(chǎn)品期貨市場的聯(lián)動監(jiān)察，做好風險傳染的監(jiān)測和管理。股市的投資者情緒可能通過共同投資者、農(nóng)業(yè)相關(guān)行業(yè)聯(lián)動等因素傳染至農(nóng)產(chǎn)品期貨市場。因此，為了促進農(nóng)產(chǎn)品期貨市場的穩(wěn)定發(fā)展，建議在建立健全股市投資者情緒監(jiān)測、預警和應(yīng)急系統(tǒng)的基礎(chǔ)上，在監(jiān)管內(nèi)部要將相關(guān)的股市投資者情緒信息共享給農(nóng)產(chǎn)品期貨市場監(jiān)管部門，做好金融市場監(jiān)管體系內(nèi)的信息共建和共享；當股市投資者情緒監(jiān)測發(fā)出預警信號時，要及時阻止農(nóng)產(chǎn)品期貨市場中的虛假信息通過各種網(wǎng)絡(luò)渠道傳播，及時傳遞市場的正確信息以正視聽，嚴厲打擊各種利用虛假信息操縱市場的交易行為；要積極引導機構(gòu)投資者加入農(nóng)產(chǎn)品期貨市場，發(fā)揮機構(gòu)投資者穩(wěn)定市場的作用。

第三，加強投資者教育，培養(yǎng)理性投資理念。在中國股市個人投資者的比重較高，截至2021 年年末，A 股中個人投資者占比達47.2%，這一數(shù)量遠超發(fā)達經(jīng)濟體資本市場。股市中個體投資者缺乏對金融市場的正確認知、相關(guān)投資知識體系的不完備是導致非理性情緒產(chǎn)生的根源。建議要加強投資者金融基礎(chǔ)知識教育，幫助投資者形成正確的投資理念；完善市場參與準入，對于參與股市、農(nóng)產(chǎn)品期貨市場的個人投資者，設(shè)定準入的基礎(chǔ)金融知識門檻；鼓勵投資者持續(xù)參與金融基礎(chǔ)知識學習和教育，對于滿足特定資質(zhì)認證的個人投資者在交易印花稅等方面給予一定的優(yōu)惠。