謝天潤，盧俊香

(西安工程大學(xué)理學(xué)院，西安 710048)

股票市場和國有銀行作為金融市場的重要組成部分，能夠較為準(zhǔn)確地反映金融市場的發(fā)展現(xiàn)狀. 維持股票市場與國有銀行的繁榮與穩(wěn)定，對(duì)于促進(jìn)經(jīng)濟(jì)的平穩(wěn)運(yùn)行、維護(hù)社會(huì)的良性發(fā)展具有重要意義. 數(shù)次危機(jī)的經(jīng)驗(yàn)表明，忽視市場間的風(fēng)險(xiǎn)溢出效應(yīng)，不僅會(huì)造成巨大的財(cái)富損失，甚至還會(huì)破壞經(jīng)濟(jì)社會(huì)的平穩(wěn)運(yùn)行[1]. 因此，探究股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)，對(duì)于監(jiān)管部門的決策制定、金融機(jī)構(gòu)以及投資者的資產(chǎn)分配具有極其重要的理論價(jià)值與實(shí)踐意義.

金融危機(jī)后，金融市場間風(fēng)險(xiǎn)溢出效應(yīng)的識(shí)別與測度逐漸成為學(xué)界關(guān)注的熱點(diǎn)問題. Adrian[2]提出的基于分位數(shù)回歸的條件在險(xiǎn)價(jià)值(CoVaR)方法考慮了某個(gè)金融市場因發(fā)生風(fēng)險(xiǎn)而處于極端風(fēng)險(xiǎn)值時(shí)，另一個(gè)金融市場的極端風(fēng)險(xiǎn)值，具有極強(qiáng)的操作性，因而被廣泛應(yīng)用于風(fēng)險(xiǎn)管理領(lǐng)域. 林娟[3]基于該模型探究了滬深股市與香港股市間的風(fēng)險(xiǎn)溢出效應(yīng)，發(fā)現(xiàn)滬深股市與香港股市間存在著顯著的正向風(fēng)險(xiǎn)溢出效應(yīng). 陳健[4]運(yùn)用分位數(shù)回歸CoVaR模型構(gòu)建了銀行間的風(fēng)險(xiǎn)溢出矩陣，并通過社會(huì)網(wǎng)絡(luò)分析法構(gòu)建風(fēng)險(xiǎn)溢出關(guān)聯(lián)網(wǎng)絡(luò)研究銀行風(fēng)險(xiǎn)溢出的網(wǎng)絡(luò)關(guān)聯(lián)效應(yīng). 在次基礎(chǔ)上，Girardi[5]考慮到金融序列普遍存在的方差時(shí)變與波動(dòng)聚集等特征，提出了基于DCC GARCH模型的CoVaR方法. 王培輝[6]度量了中國保險(xiǎn)公司的系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)，發(fā)現(xiàn)我國保險(xiǎn)公司間、保險(xiǎn)公司和保險(xiǎn)業(yè)間及保險(xiǎn)機(jī)構(gòu)和其他金融機(jī)構(gòu)間存在顯著的雙向風(fēng)險(xiǎn)溢出,且存在非對(duì)稱性. 為了刻畫金融市場間的非線性相關(guān)關(guān)系，提升風(fēng)險(xiǎn)溢出效應(yīng)測度的準(zhǔn)確性，Mainik[7]提出了基于Copula函數(shù)的CoVaR方法. 沈悅[8]采用Copula-CoVaR模型探究了銀行、保險(xiǎn)、證券以及信托等四個(gè)金融子市場對(duì)金融業(yè)的系統(tǒng)性風(fēng)險(xiǎn)溢出程度以及各個(gè)子市場之間的風(fēng)險(xiǎn)溢出程度，發(fā)現(xiàn)不同金融子市場對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)程度存在差異，而銀行業(yè)是系統(tǒng)性風(fēng)險(xiǎn)的最大爆發(fā)源. 周愛民[9]采用時(shí)變Copula-CoVaR模型測度了上證綜指、恒生指數(shù)、在岸和離岸人民幣四個(gè)市場兩兩間的風(fēng)險(xiǎn)溢出效應(yīng)，研究結(jié)果表明同一類型金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)最大. Ji[10]通過TVP Copula-CoVaR模型考察了國際原油市場與外匯市場間的風(fēng)險(xiǎn)關(guān)系，結(jié)果表明原油價(jià)格與人民幣匯率間的依存性呈微弱的正相關(guān)關(guān)系，尾部依存性較低，而原油價(jià)格與美元指數(shù)間的依存性則呈負(fù)相關(guān)關(guān)系，上、下尾部相關(guān)性較高.

然而，現(xiàn)有相關(guān)研究中對(duì)于市場間風(fēng)險(xiǎn)溢出效應(yīng)的研究仍存在兩點(diǎn)不足.首先，Copula函數(shù)可以有限刻畫市場間的非線性相依結(jié)構(gòu)，但涉及到高維市場時(shí)，就會(huì)陷入維度災(zāi)難. 其次，在測度風(fēng)險(xiǎn)溢出效應(yīng)時(shí)僅考慮單個(gè)金融市場，忽略了多個(gè)金融市場的聯(lián)合風(fēng)險(xiǎn)溢出效應(yīng)，可能會(huì)導(dǎo)致金融市場的風(fēng)險(xiǎn)水平被低估. 因此，本文選擇上證綜指、深證成指和五大國有銀行作為研究對(duì)象，采用Vine Copula模型刻畫金融市場間的相依結(jié)構(gòu)，并對(duì)現(xiàn)有分析方法進(jìn)行拓展以分析股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)，為包括監(jiān)管機(jī)構(gòu)、金融機(jī)構(gòu)以及投資者在內(nèi)的金融市場參與者提供經(jīng)驗(yàn)支持.

1 理論基礎(chǔ)

在模型設(shè)計(jì)方面，本文通過ARMA-EGARCH-t模型構(gòu)建各金融市場的邊緣分布，并給出了概率積分變換的過程. 借助Vine Copula模型建立股票市場和國有銀行間的聯(lián)合分布函數(shù). 通過CoVaR方法和壓力測試方法測度股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)，并定義了風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo).

1.1 ARMA-EGARCH-t模型

(1)

其中：εt和ξt分別為殘差項(xiàng)和標(biāo)準(zhǔn)化殘差項(xiàng)；α0為截距項(xiàng)系數(shù)；γ1為ARCH項(xiàng)系數(shù)；β1為GARCH項(xiàng)系數(shù)，反映了金融市場波動(dòng)的持續(xù)性；α1為非對(duì)稱效應(yīng)項(xiàng)系數(shù). 當(dāng)系數(shù)α1=0時(shí)，利空消息和利好消息對(duì)金融市場的影響不存在非對(duì)稱性；當(dāng)α1>0時(shí)，利好消息對(duì)金融市場的影響大于利空消息. 考慮到收益率序列的尖峰厚尾特征，本文設(shè)定標(biāo)準(zhǔn)化殘差ξt服從自由度為υ的學(xué)生t分布.

標(biāo)準(zhǔn)化殘差ξt經(jīng)過概率積分變換可以得到收益率rt的條件分布，即

(2)

其中：Tυ表示學(xué)生t分布的累積分布函數(shù).

1.2 高維Vine Copula模型

根據(jù)Sklar定理(1959)，給定F1(x1),…,Fn(xn)為n個(gè)連續(xù)的一元分布函數(shù)，F(xiàn)(x1,…,xn)表示其聯(lián)合分布函數(shù)，且u1=F1(x1),…,Fn(xn))=C(u1,…,un)，則存在唯一的Copula函數(shù)C，滿足：

F(x1,…,xn)=C(F1(x1),……,Fn(xn))=

C(u1,…,un)

(3)

相應(yīng)地，由式(3)可以得到聯(lián)合概率密度函數(shù)f(x1,…,xn)滿足：

f(x1,…,xn)=c(u1,…,un)·

f1(x1)·…·fn(xn)

(4)

其中：fn(xn)表示分布函數(shù)Fn(xn)的概率密度函數(shù)，它由ARMA(1,1)-EGARCH(1,1)-t模型計(jì)算得到；c(u1,…,un)表示Copula概率密度函數(shù).

根據(jù)Kraus[11]，從條件密度函數(shù)的視角分析，聯(lián)合概率密度函數(shù)f(x1,…,xn)可以分解為如下形式：

f1,…,n(x1,…,xn)=f1(x1)·…·fn(xn)·

c1,2(F1(x1),F2(x2))·…·cn-1,n(Fn-1(xn-1),

Fn(xn))·……·c1,n|2,…,n-1

(F1|2,…,n-1(x1|x2,…,xn-1),

F1|2,…,n-1(xn|x2,…,xn-1))

(5)

其中：Copula函數(shù)均為二元Pair-Copula函數(shù)形式，F(xiàn)1|2,…,n-1表示市場1在市場2，…，市場(n-1)條件下的分布函數(shù)，c1,n|2,…,n-1表示市場1和市場n在市場2，…，市場(n-1)條件下的概率密度函數(shù).

式(5)中以二元Pair-Copula函數(shù)為模塊，分解-構(gòu)建多元聯(lián)合分布函數(shù)的方式稱為Vine Copula結(jié)構(gòu). 常見的Vine Copula結(jié)構(gòu)包括R Vine、D Vine以及C Vine三種. C Vine的結(jié)構(gòu)特點(diǎn)是呈現(xiàn)星狀分布，且存在主導(dǎo)市場；D Vine的結(jié)構(gòu)特點(diǎn)是呈現(xiàn)線型分布，各節(jié)點(diǎn)間不存在明顯的主導(dǎo)市場因素. 相比于傳統(tǒng)的多元Copula函數(shù)，Vine Copula模型在構(gòu)建多市場相關(guān)性方面具有更強(qiáng)的靈活性，因此被廣泛應(yīng)用于金融實(shí)證分析等領(lǐng)域.

考慮到金融市場間可能存在不同的尾部相關(guān)性，本文考慮了六種常見的二元Pair-Copula函數(shù)：Normal Copula(不存在尾部相關(guān)性)、T Copula(刻畫對(duì)稱的上、下尾部相關(guān)性)、Clayton Copula(刻畫下尾部相關(guān)性)、Gumbel Copula(刻畫上尾部相關(guān)性)、Frank Copula(不存在尾部相關(guān)性)以及SJC Copula(刻畫對(duì)稱的上、下尾部相關(guān)性).

1.3 市場間風(fēng)險(xiǎn)溢出效應(yīng)的識(shí)別與測度

風(fēng)險(xiǎn)管理是投資者和監(jiān)管者關(guān)注的重要問題，其前提和基礎(chǔ)是市場風(fēng)險(xiǎn)的識(shí)別與測算. CoVaR方法是目前學(xué)界中度量金融市場風(fēng)險(xiǎn)溢出效應(yīng)的一種常見工具. 定義如下：

(6)

由式(3)、式(6)可以得到：

(7)

對(duì)于高維Vine Copula模型，Reboredo[12]將式(7)拓展為：

C(u1|3,…,n,u2|3,…,n;θ)=α·β

(8)

進(jìn)一步，CoVaR可以采用如下步驟計(jì)算：

步驟1 給定u2|3,…,n，α，β以及二元Pair-Copula函數(shù)的具體表達(dá)式，對(duì)式(8)進(jìn)行方程求解，可以得到u1|3,…,n的具體數(shù)值.

步驟2 在步驟一獲得的u1|3,…,n的基礎(chǔ)上，按照Vine結(jié)構(gòu)逆向求解u1|3,…,n-1，…，u1的數(shù)值.

步驟3 根據(jù)如下公式計(jì)算CoVaR：

(9)

但CoVaR方法僅考慮了金融系統(tǒng)中單一市場的風(fēng)險(xiǎn)溢出效應(yīng)，忽視了高維市場間的多市場風(fēng)險(xiǎn)關(guān)系. 在此基礎(chǔ)上，Brechmann[13]、吳菲[14]采用了一種基于Vine Copula模型的壓力測試方法刻畫多市場間的風(fēng)險(xiǎn)溢出效應(yīng).

基于式(5)，本文考慮了如下情形：

F3|12(r3|x1,x2)=

C3|12(u3|u1,u2)=h3|12(C3|2|C1|2)=

h3|12(h3|2(u3|u2)|h1|2(u1|u2))

(10)

其中：hi|j是對(duì)應(yīng)于二元Pair-Copula函數(shù)的H函數(shù).

假定w3為服從U(0,1)的均勻分布樣本，其表示國有銀行收益率序列累積分布函數(shù)的模擬值，則有：

(11)

(12)

2 實(shí)證分析

2.1 樣本選取及描述性統(tǒng)計(jì)分析

為了探究股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)，本文選取上證綜指、深證成指以及五大國有銀行的股票收益率作為研究對(duì)象，相關(guān)數(shù)據(jù)均來自Wind數(shù)據(jù)庫. 樣本的時(shí)間跨度為2011年1月4日～2022年2月10日，清洗部分異常數(shù)據(jù)后共得到2678組樣本. 假定Pt表示t時(shí)期的股票市場和國有銀行的資產(chǎn)價(jià)格，Rt表示其資產(chǎn)的對(duì)數(shù)收益率，則有：

(13)

對(duì)樣本數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)和基本檢驗(yàn)，結(jié)果如表1所示. 可以發(fā)現(xiàn)，國有銀行中，建設(shè)銀行收益率序列的標(biāo)準(zhǔn)差最大，表明其股價(jià)波動(dòng)較大. 各個(gè)金融市場的偏度系數(shù)均小于零，表明市場出現(xiàn)負(fù)收益率的情形更為頻繁；峰度系數(shù)均大于3，說明各個(gè)金融市場的收益率序列存在明顯的尖峰特征. 平穩(wěn)性檢驗(yàn)的結(jié)果顯示，各個(gè)金融市場的收益率序列是平穩(wěn)序列；從正態(tài)性檢驗(yàn)的結(jié)果看，在1%的顯著性水平下，各個(gè)金融市場的收益率序列均不服從正態(tài)分布，可以選擇學(xué)生t分布作為邊緣分布；自相關(guān)性檢驗(yàn)的伴隨概率均小于0.01，表明各個(gè)金融市場的收益率序列中均存在自相關(guān)特征；異方差檢驗(yàn)的結(jié)果表明，在1%的顯著性水平下，各個(gè)金融市場的收益率序列均存在顯著的波動(dòng)集聚特征. 上述檢驗(yàn)的結(jié)果表明，本文選擇ARMA-EGACRH-t模型做為邊緣分布模型是合理的.

表1 股票市場與國有銀行收益率序列的描述性統(tǒng)計(jì)

2.2 邊緣分布模型的參數(shù)估計(jì)與診斷

為了消除各金融市場收益率序列中廣泛存在的自相關(guān)與異方差特征，本文使用ARMA(1,1)-EGARCH(1,1)-t模型對(duì)股票市場和國有銀行收益率的邊緣分布進(jìn)行擬合，結(jié)果如表2所示.

表2 邊緣分布模型的參數(shù)估計(jì)與模型診斷結(jié)果

可以看到，股票市場和國有銀行的非對(duì)稱效應(yīng)項(xiàng)系數(shù)α1，ARCH項(xiàng)系數(shù)β1以及GARCH項(xiàng)系數(shù)γ1均在1%的水平下顯著，表明模型較好地了刻畫各個(gè)金融市場中存在的波動(dòng)集聚特征. 上證綜指和深證成指的非對(duì)稱效應(yīng)項(xiàng)系數(shù)α1顯著小于零，表明市場利空消息對(duì)我國股票市場波動(dòng)的影響大于利好消息；五大國有銀行的非對(duì)稱效應(yīng)項(xiàng)系數(shù)α1均顯著大于零，表明市場利好消息對(duì)我國銀行業(yè)波動(dòng)的影響大于利空消息.

對(duì)各個(gè)市場的標(biāo)準(zhǔn)化殘差序列再次進(jìn)行檢驗(yàn)，LB-Q檢驗(yàn)、LB-Q2檢驗(yàn)以及ARCH檢驗(yàn)的結(jié)果均沒有拒絕原假設(shè)，說明各個(gè)標(biāo)準(zhǔn)化殘差序列中已不存在顯著的自相關(guān)和異方差特征. 對(duì)標(biāo)準(zhǔn)化殘差序列進(jìn)行概率積分變換，得到各個(gè)市場收益率序列的偽觀測值，相應(yīng)的K-S檢驗(yàn)表明，偽觀測值序列均服從[0,1]均勻分布. 因此，本文通過ARMA-EGARCH-t模型較好地?cái)M合了各個(gè)市場的邊緣分布，為分析股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)奠定了堅(jiān)實(shí)基礎(chǔ).

2.3 基于Vine Copula模型的聯(lián)合分布模型建立

構(gòu)建股票市場與國有銀行間的聯(lián)合分布函數(shù)是風(fēng)險(xiǎn)溢出效應(yīng)度量的基礎(chǔ)，本文基于各個(gè)金融市場的邊緣分布函數(shù)構(gòu)建五組三維Vine Copula模型. 股票市場與國有銀行間的Vine結(jié)構(gòu)如圖1所示，Vine Copula模型的參數(shù)估計(jì)、秩相關(guān)系數(shù)以及尾部相關(guān)系數(shù)的結(jié)果展示在表3中.

圖1 股票市場與國有銀行間的最優(yōu)Vine結(jié)構(gòu)

表3 VineCopula模型的參數(shù)估計(jì)結(jié)果

分析表3可以發(fā)現(xiàn)，上證指數(shù)與深證成指間的秩相關(guān)系數(shù)高達(dá)0.74，上、下尾部相關(guān)系數(shù)高達(dá)0.61，說明兩個(gè)指數(shù)間同時(shí)暴漲(暴跌)的可能性很高，這與預(yù)期一致. 股票市場與國有銀行間的秩相關(guān)系數(shù)均大于零，表明市場間更傾向于出現(xiàn)同漲同跌的趨勢. 具體而言，深證成指與農(nóng)業(yè)銀行、交通銀行以及中國銀行等的非條件尾部相關(guān)系數(shù)分別為0.27、0、33以及0.28，表明深證成指與三大銀行股價(jià)同時(shí)上漲或下跌的可能性較大. 因此，在股票市場低迷時(shí)，投資者和金融機(jī)構(gòu)應(yīng)盡量避免進(jìn)行同向投資. 此外，深證成指與工商銀行、建設(shè)銀行的尾部相關(guān)系數(shù)僅為0.18、0、19，這可能與工商銀行和建設(shè)銀行的規(guī)模性優(yōu)勢有關(guān). 當(dāng)股票市場發(fā)生風(fēng)險(xiǎn)時(shí)，工商銀行和建設(shè)銀行的股票具備一定的保值和避險(xiǎn)功能，因而與兩個(gè)股指的相關(guān)性較低. 對(duì)于上證綜指而言，在加入深證成指作為條件市場后，其與國有銀行間的相關(guān)性明顯降低，分別為0.06、0.05、0.04、0.04以及0.03，這主要是因?yàn)樯献C綜指與深證成指作為我國股票市場中兩個(gè)最重要的股指，傳遞的經(jīng)濟(jì)信號(hào)往往具有同質(zhì)性.

2.4 股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)分析

股票市場與國有銀行間的相關(guān)性系數(shù)在一定程度上反映了市場間的聯(lián)動(dòng)特征，但無法測度市場間的風(fēng)險(xiǎn)溢出效應(yīng). 確立股票市場與國有銀行間的Vine結(jié)構(gòu)后，本文進(jìn)一步考慮采用CoVaR方法和壓力測試方法刻畫股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng). 相比于CoVaR方法，壓力測試方法是通過多市場情景風(fēng)險(xiǎn)的方式測度股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)，并通過分位數(shù)水平描述風(fēng)險(xiǎn)溢出強(qiáng)度. 本文選取的情景事件為股票市場出現(xiàn)極端風(fēng)險(xiǎn)，即上證指數(shù)與深證成指收益率處于0.05或0.95分位數(shù)水平，股票市場風(fēng)險(xiǎn)會(huì)導(dǎo)致國有銀行發(fā)生變化，并體現(xiàn)在收益率的分位數(shù)水平上. 為了增強(qiáng)研究結(jié)論的可信度，本文運(yùn)用式(12)將CoVaR方法和壓力測試方法計(jì)算得到的風(fēng)險(xiǎn)溢出效應(yīng)轉(zhuǎn)換為RS指標(biāo). 各個(gè)情景事件下股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo)RS展示在表4中. 情景①、情景②以及情景③為通過壓力測試方法計(jì)算得到的風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo)，情景④和情景⑤為通過CoVaR方法計(jì)算得到的風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo).

表4 不同風(fēng)險(xiǎn)情景下股票市場對(duì)國有銀行的上、下行風(fēng)險(xiǎn)溢出強(qiáng)度

分析表4可以發(fā)現(xiàn)，股票市場對(duì)國有銀行存在顯著的正向風(fēng)險(xiǎn)溢出效應(yīng). 具體而言，情景①、情景②以及情景③中國有銀行的風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo)顯著大于情景④和情景⑤，表明多市場風(fēng)險(xiǎn)溢出存在累加效應(yīng). 比較情景②與情景④、情景③與情景⑤可以發(fā)現(xiàn)，盡管情景②和情景③均假定一個(gè)股指發(fā)生極端風(fēng)險(xiǎn)時(shí)另一個(gè)股指處于風(fēng)險(xiǎn)中性，但國有銀行的風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo)仍明顯大于情景④和情景⑤. 上述結(jié)果表明在多元市場中，如果僅考慮單個(gè)市場的風(fēng)險(xiǎn)溢出效應(yīng)，可能會(huì)導(dǎo)致受影響市場的風(fēng)險(xiǎn)水平被低估. 此外，情景②和情景④中國有銀行的風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo)分別大于情景③和情景⑤，意味著國有銀行對(duì)上證綜指的風(fēng)險(xiǎn)變化更為敏感. 究其原因，主要是因?yàn)槲鍌€(gè)國有銀行均在上海證券交易所上市. 比較各國有銀行的風(fēng)險(xiǎn)溢出強(qiáng)度指標(biāo)可以發(fā)現(xiàn)，股票市場對(duì)農(nóng)業(yè)銀行、交通銀行以及中國銀行的風(fēng)險(xiǎn)溢出效應(yīng)明顯大于工商銀行和建設(shè)銀行，這與2.3中的結(jié)論是一致的.

考慮到股票市場對(duì)國有銀行的上、下行風(fēng)險(xiǎn)溢出效應(yīng)可能存在非對(duì)稱性特征，本文進(jìn)一步對(duì)各壓力情景中的上行風(fēng)險(xiǎn)溢出與下行風(fēng)險(xiǎn)溢出指標(biāo)序列進(jìn)行K-S檢驗(yàn)，結(jié)果展示在表5中. 可以看到，非對(duì)稱性檢驗(yàn)的結(jié)果在1%的顯著性水平下均拒絕原假設(shè)，表明股票市場對(duì)五個(gè)國有銀行的上行風(fēng)險(xiǎn)溢出強(qiáng)度均顯著大于下行風(fēng)險(xiǎn)溢出強(qiáng)度.

表5 股票市場對(duì)國有銀行風(fēng)險(xiǎn)溢出效應(yīng)的非對(duì)稱性檢驗(yàn)

3 結(jié) 語

本文運(yùn)用ARMA-EGARCH-t模型刻畫上證綜指、深證成指以及五大國有銀行收益率序列的邊緣分布，然后基于Vine Copula模型構(gòu)建股票市場與國有銀行間的聯(lián)合分布函數(shù)，最后采用CoVaR方法和壓力測試方法從單市場和多市場角度分析了股票市場對(duì)五大國有銀行的風(fēng)險(xiǎn)溢出效應(yīng).

研究結(jié)果表明：1)股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)存在累加效果，在多元市場中，僅考慮單個(gè)股指的風(fēng)險(xiǎn)溢出效應(yīng)可能會(huì)導(dǎo)致國有銀行的風(fēng)險(xiǎn)水平被低估，因此壓力測試方法可以更準(zhǔn)確地度量市場間風(fēng)險(xiǎn)溢出效應(yīng). 2)股票市場對(duì)國有銀行存在顯著的正向風(fēng)險(xiǎn)溢出效應(yīng)，但風(fēng)險(xiǎn)溢出強(qiáng)度存在差異，上證綜指對(duì)五個(gè)國有銀行的風(fēng)險(xiǎn)溢出強(qiáng)度模型大于深證成指，股票市場對(duì)工商銀行和建設(shè)銀行的風(fēng)險(xiǎn)溢出強(qiáng)度明顯小于其余國有銀行. 3)股票市場對(duì)國有銀行的上、下行風(fēng)險(xiǎn)溢出效應(yīng)存在非對(duì)稱特征，國有銀行對(duì)股票市場風(fēng)險(xiǎn)的正向變化更為敏感.

總體來說，本文實(shí)證研究了我國股票市場對(duì)國有銀行的風(fēng)險(xiǎn)溢出效應(yīng)及其特征，相關(guān)結(jié)論可以為監(jiān)管部門、金融機(jī)構(gòu)以及投資者的決策行為提供有益的經(jīng)驗(yàn)支持.