● 王子儀，李 磊

（新疆財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)與數(shù)據(jù)科學(xué)學(xué)院，新疆 烏魯木齊 830012）

一、引言

近年來(lái)，隨著金融制度、工具、技術(shù)、業(yè)務(wù)以及新市場(chǎng)的開(kāi)拓，金融市場(chǎng)飛速發(fā)展，但同時(shí)也對(duì)監(jiān)管提出了更高的要求。歷次系統(tǒng)性風(fēng)險(xiǎn)的爆發(fā)間隔不斷縮短，涉及范圍不斷擴(kuò)大。拉美債務(wù)危機(jī)、亞洲金融危機(jī)、美國(guó)次貸危機(jī)及其引發(fā)的國(guó)際金融危機(jī)等一系列波及范圍極廣、危害程度極大的系統(tǒng)性風(fēng)險(xiǎn)的爆發(fā)極大的阻礙了區(qū)域、甚至是世界經(jīng)濟(jì)的發(fā)展。如今各個(gè)行業(yè)間不僅存在產(chǎn)業(yè)鏈這種方式的實(shí)體聯(lián)系，還通過(guò)金融市場(chǎng)這種金融聯(lián)系緊密相連，使得系統(tǒng)性風(fēng)險(xiǎn)的傳播范圍也更廣[1]。

系統(tǒng)性風(fēng)險(xiǎn)的傳導(dǎo)可以劃分為國(guó)內(nèi)傳導(dǎo)和國(guó)際傳導(dǎo)。國(guó)內(nèi)傳導(dǎo)包括個(gè)體機(jī)構(gòu)的部門間傳導(dǎo)、機(jī)構(gòu)間傳導(dǎo)以及市場(chǎng)間傳導(dǎo)。部門間傳導(dǎo)因機(jī)構(gòu)業(yè)務(wù)聯(lián)系而產(chǎn)生；機(jī)構(gòu)間傳導(dǎo)則是源于不同機(jī)構(gòu)間的經(jīng)濟(jì)活動(dòng)關(guān)系；金融市場(chǎng)化加深了市場(chǎng)間的聯(lián)系，但也為市場(chǎng)間傳導(dǎo)提供了便利。國(guó)際傳導(dǎo)主要通過(guò)貿(mào)易往來(lái)和金融途徑，經(jīng)濟(jì)全球化促進(jìn)了不同國(guó)家之間聯(lián)系，但也為系統(tǒng)性風(fēng)險(xiǎn)的國(guó)際傳導(dǎo)奠定了基礎(chǔ)。以2008 年的金融危機(jī)和2020年新冠肺炎疫情為例進(jìn)行簡(jiǎn)要分析，二者的風(fēng)險(xiǎn)傳染路徑是完全不同的。2008 年的金融危機(jī)源于2007 年美國(guó)的次貸危機(jī)，在低利率環(huán)境下信貸快速擴(kuò)張，當(dāng)房?jī)r(jià)下跌和加息出現(xiàn)后爆發(fā)償付危機(jī)，大量持有與其相關(guān)金融衍生品的金融機(jī)構(gòu)破產(chǎn)，進(jìn)而沖擊了美國(guó)資本市場(chǎng)，隨后席卷各國(guó)市場(chǎng)，我國(guó)股票市場(chǎng)也受其沖擊，由于我國(guó)的資本管制較嚴(yán)格削弱了直接沖擊[2]，但間接沖擊仍不可估量。2020 年新冠疫情對(duì)各個(gè)國(guó)家、經(jīng)濟(jì)體產(chǎn)生巨大沖擊，全球范圍內(nèi)的各個(gè)行業(yè)均受其波及，實(shí)體經(jīng)濟(jì)遭受了二戰(zhàn)以來(lái)最嚴(yán)重的經(jīng)濟(jì)衰退。國(guó)外實(shí)體行業(yè)業(yè)績(jī)下滑，物價(jià)水平上漲，全球供應(yīng)鏈緊張甚至中斷，對(duì)全球?qū)嶓w經(jīng)濟(jì)造成嚴(yán)重的沖擊，并通過(guò)資金鏈、產(chǎn)業(yè)鏈等傳導(dǎo)至金融市場(chǎng)，同時(shí)通過(guò)影響投資者情緒的途徑加劇金融市場(chǎng)動(dòng)蕩[3]，可能促使原本積累的金融風(fēng)險(xiǎn)提前爆發(fā)；甚至通過(guò)海外市場(chǎng)影響到我國(guó)金融業(yè)，導(dǎo)致我國(guó)金融業(yè)系統(tǒng)性風(fēng)險(xiǎn)上升[1]；金融業(yè)的內(nèi)部風(fēng)險(xiǎn)也會(huì)通過(guò)信貸、債券、證券等金融聯(lián)系溢出至其他實(shí)體行業(yè)[4]。因此，對(duì)于系統(tǒng)性風(fēng)險(xiǎn)的準(zhǔn)確識(shí)別以及基于更廣的視角研究系統(tǒng)性風(fēng)險(xiǎn)的溢出效應(yīng)就更具必要性和重要性。

二、相關(guān)研究文獻(xiàn)評(píng)述

（一）系統(tǒng)性金融風(fēng)險(xiǎn)的測(cè)度方法

對(duì)于系統(tǒng)性風(fēng)險(xiǎn)的度量方法，根據(jù)國(guó)內(nèi)外學(xué)者的文獻(xiàn)，大致可以分為四類：

第一類：系統(tǒng)未定權(quán)益分析方法（SCCA）

該方法是一種前瞻性的框架，可以度量市場(chǎng)中潛在的金融機(jī)構(gòu)預(yù)期損失的系統(tǒng)償付能力風(fēng)險(xiǎn)。國(guó)內(nèi)學(xué)者張煒[5]選取上市銀行的市場(chǎng)數(shù)據(jù)，通過(guò)或有期權(quán)定價(jià)模型（SCCA 方法的基本原理）和時(shí)變Copula 函數(shù)構(gòu)建商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，并將其引入到包含房地產(chǎn)市場(chǎng)及宏觀數(shù)據(jù)的SVAR 模型中研究房?jī)r(jià)與系統(tǒng)性風(fēng)險(xiǎn)間的聯(lián)系，研究發(fā)現(xiàn)：房?jī)r(jià)上漲伊始會(huì)降低系統(tǒng)性風(fēng)險(xiǎn)，但最終會(huì)形成系統(tǒng)性風(fēng)險(xiǎn)。劉超等學(xué)者[6]拓展SCCA 方法的相應(yīng)指標(biāo)，結(jié)合Gumbel Copula連接函數(shù)刻畫證券公司間的風(fēng)險(xiǎn)相依結(jié)構(gòu)，并發(fā)現(xiàn)系統(tǒng)性風(fēng)險(xiǎn)爆發(fā)前往往會(huì)存在部分公司同時(shí)表現(xiàn)出的小型波動(dòng)的前兆；證券公司的系統(tǒng)性風(fēng)險(xiǎn)具有“急增緩降”的特點(diǎn)且在風(fēng)險(xiǎn)傳播階段形成的數(shù)次沖擊對(duì)整個(gè)系統(tǒng)具有較大的破壞力。

第二類：構(gòu)建指標(biāo)體系方法

該方法采用因子分析或CRITIC 賦權(quán)法等方法構(gòu)造金融壓力指數(shù)，該指標(biāo)可以捕捉到當(dāng)期系統(tǒng)內(nèi)的壓力水平。ling 等[7]率先編制的金融壓力指數(shù)被各國(guó)監(jiān)管當(dāng)局所采用，對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的關(guān)注著重于流動(dòng)性風(fēng)險(xiǎn)和清償能力風(fēng)險(xiǎn)方面。馬駿等人[8]從系統(tǒng)性金融風(fēng)險(xiǎn)爆發(fā)時(shí)期各市場(chǎng)間聯(lián)動(dòng)性顯著增強(qiáng)這一特點(diǎn)的角度出發(fā)，構(gòu)建用以識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)的金融壓力指數(shù)，結(jié)果表明：該指標(biāo)具有很好的穩(wěn)健性，可以起到監(jiān)控金融市場(chǎng)壓力的作用。李敏波和梁爽[9]從金融壓力指數(shù)頻度的角度出發(fā)，使用交易數(shù)據(jù)構(gòu)建日度金融壓力指數(shù)，彌補(bǔ)以往金融壓力指數(shù)的滯后性問(wèn)題，用以識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)。許滌龍和陳雙蓮[10]基于CRITIC 賦權(quán)法構(gòu)建金融壓力指數(shù)，并從銀行、房地產(chǎn)、股市和外部金融市場(chǎng)四個(gè)方面綜合測(cè)度我國(guó)面臨的金融壓力。田軍等人[11]通過(guò)選取五個(gè)維度（金融機(jī)構(gòu)、資本市場(chǎng)、貨幣市場(chǎng)、房地產(chǎn)市場(chǎng)和金融科技發(fā)展）的若干基礎(chǔ)指標(biāo)構(gòu)造了我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)綜合指數(shù)，反映了我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)走勢(shì)和主要影響因素。

第三類：動(dòng)態(tài)隨機(jī)一般均衡模型（DSGE）

Zhiguo 等[12]認(rèn)為當(dāng)沖擊導(dǎo)致金融機(jī)構(gòu)中介作用中斷，對(duì)經(jīng)濟(jì)產(chǎn)生不利影響，并進(jìn)一步反饋到金融機(jī)構(gòu)自身時(shí)，系統(tǒng)性風(fēng)險(xiǎn)就會(huì)產(chǎn)生。并在其模型中假定經(jīng)濟(jì)狀態(tài)只存在正常狀態(tài)和系統(tǒng)性風(fēng)險(xiǎn)狀態(tài)，通過(guò)估計(jì)經(jīng)濟(jì)向系統(tǒng)性風(fēng)險(xiǎn)狀態(tài)轉(zhuǎn)變的概率來(lái)測(cè)度系統(tǒng)性風(fēng)險(xiǎn)。李力等人[13]將企業(yè)細(xì)化為政府融資平臺(tái)企業(yè)和其他企業(yè)，使用DSGE 模型探究貨幣政策對(duì)經(jīng)濟(jì)波動(dòng)的影響途徑，研究發(fā)現(xiàn)：寬松的貨幣政策會(huì)提高兩類企業(yè)的違約率，但由于兩類企業(yè)背景不同，融資平臺(tái)企業(yè)凈值反而逆勢(shì)上漲，最終導(dǎo)致政府違約風(fēng)險(xiǎn)上升。吳東霖和趙瑋[14]將金融加速器效性引入到包含居民、企業(yè)、銀行和央行的DSGE 模型中，研究商業(yè)銀行受到不同程度的資本監(jiān)管時(shí)對(duì)經(jīng)濟(jì)產(chǎn)生的影響，研究表明：監(jiān)管力度的小程度提升有助于遏制系統(tǒng)性金融風(fēng)險(xiǎn)；而嚴(yán)格的資本監(jiān)管會(huì)使經(jīng)濟(jì)波動(dòng)加大。

第四類：增量條件在險(xiǎn)價(jià)值模型（ΔCoVaR）

Adrian 等[15]提出了CoVaR，其內(nèi)核為金融系統(tǒng)的在險(xiǎn)價(jià)值（VaR）。梁斯[16]先使用CRITIC 法對(duì)各金融子市場(chǎng)的交易指標(biāo)數(shù)據(jù)進(jìn)行整合，再使用EGARCH-CoVaR 模型測(cè)度不同市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)及其對(duì)整個(gè)金融市場(chǎng)的風(fēng)險(xiǎn)溢出程度，研究發(fā)現(xiàn)：股市對(duì)整體金融市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)最大。佟孟華等[17]基于分位數(shù)回歸和CoVaR 方法研究非系統(tǒng)重要性銀行（非四大國(guó)有銀行）對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的影響，結(jié)果表明：四大行以外的銀行在風(fēng)險(xiǎn)傳導(dǎo)過(guò)程中起到了中介作用，通過(guò)對(duì)四大行產(chǎn)生沖擊，從而誘發(fā)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)。劉海云和呂龍[18]在增量條件在險(xiǎn)價(jià)值分析方法的基礎(chǔ)上結(jié)合網(wǎng)絡(luò)關(guān)聯(lián)分析，探究全球股市風(fēng)險(xiǎn)擴(kuò)散的整體情況，研究表明：風(fēng)險(xiǎn)主要在金融市場(chǎng)開(kāi)放度高的國(guó)家間擴(kuò)散，發(fā)達(dá)國(guó)家對(duì)外的溢出程度最高，而發(fā)展中國(guó)家在國(guó)際市場(chǎng)中主要作為外溢風(fēng)險(xiǎn)的接收者。

第五類：網(wǎng)絡(luò)關(guān)聯(lián)分析方法

網(wǎng)絡(luò)關(guān)聯(lián)分析的思路是構(gòu)建一個(gè)機(jī)構(gòu)間的風(fēng)險(xiǎn)敞口矩陣，用以分析各個(gè)機(jī)構(gòu)的違約后果及其后續(xù)影響。苗文龍等人[19]根據(jù)國(guó)際銀行部門的債權(quán)債務(wù)數(shù)據(jù)構(gòu)建國(guó)際信貸網(wǎng)絡(luò)，研究國(guó)際信貸網(wǎng)絡(luò)結(jié)構(gòu)變動(dòng)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響，結(jié)果表明：國(guó)際金融體系的風(fēng)險(xiǎn)狀況主要取決于發(fā)達(dá)國(guó)家金融體系的穩(wěn)定性及其交易規(guī)模的波動(dòng)性。徐國(guó)祥等人[20]基于上市銀行年報(bào)、股票收益率及評(píng)級(jí)數(shù)據(jù)構(gòu)建銀行間拆借矩陣和風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)，用以研究不同銀行所引發(fā)的系統(tǒng)性風(fēng)險(xiǎn)損失和政府監(jiān)管的介入效果，研究表明：上市銀行規(guī)模與其他銀行的相關(guān)性是其所引發(fā)的系統(tǒng)性風(fēng)險(xiǎn)的決定因素；政府監(jiān)管的介入可以有效緩解系統(tǒng)性風(fēng)險(xiǎn)的積累。李湛等人[21]基于VAR 模型構(gòu)建風(fēng)險(xiǎn)溢出指數(shù)，并根據(jù)風(fēng)險(xiǎn)溢出指數(shù)構(gòu)建金融風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)，用以分析我國(guó)金融子市場(chǎng)間的風(fēng)險(xiǎn)溢出水平及變動(dòng)趨勢(shì)，結(jié)果表明：我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)溢出效應(yīng)整體水平較高，各市場(chǎng)間聯(lián)動(dòng)性較強(qiáng)，且貨幣市場(chǎng)始終是風(fēng)險(xiǎn)的溢出方。

（二）金融與實(shí)體的相互影響

對(duì)于金融與實(shí)體間相互影響的研究則較少，目前國(guó)內(nèi)外的研究主要集中在金融市場(chǎng)內(nèi)部、金融子版塊與子版塊之間、金融市場(chǎng)與能源市場(chǎng)之間、金融市場(chǎng)與房地產(chǎn)市場(chǎng)之間，鮮有涉及金融市場(chǎng)與實(shí)體經(jīng)濟(jì)間的風(fēng)險(xiǎn)度量及傳播。彭俊華和許桂華[22]從七個(gè)維度構(gòu)造系統(tǒng)性金融風(fēng)險(xiǎn)綜合指數(shù)，運(yùn)用VAR 模型證實(shí)了房?jī)r(jià)異常波動(dòng)會(huì)導(dǎo)致市場(chǎng)（信貸市場(chǎng)、資本市場(chǎng)）及政府資源錯(cuò)配，進(jìn)而演變?yōu)橄到y(tǒng)性風(fēng)險(xiǎn)。翟永會(huì)[23]使用時(shí)變Copula函數(shù)刻畫我國(guó)實(shí)體子行業(yè)與銀行業(yè)間的兩兩相依關(guān)系，在此基礎(chǔ)上度量二者間的系統(tǒng)性風(fēng)險(xiǎn)溢出強(qiáng)度，結(jié)果表明：實(shí)體子行業(yè)與銀行業(yè)間存在雙向的風(fēng)險(xiǎn)溢出關(guān)系，且呈時(shí)變特征。何青等人[24]基于主成分分析分位數(shù)回歸法構(gòu)造系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)，并基于此探究金融與實(shí)體經(jīng)濟(jì)間的風(fēng)險(xiǎn)傳導(dǎo)途徑，結(jié)果表明：信貸途徑是系統(tǒng)性金融風(fēng)險(xiǎn)擴(kuò)散到實(shí)體經(jīng)濟(jì)的首要傳導(dǎo)途徑。周開(kāi)國(guó)等人[25]運(yùn)用GARCH-in-Mean 模型研究中國(guó)股市風(fēng)險(xiǎn)與宏觀經(jīng)濟(jì)的相互影響，結(jié)果表明：兩經(jīng)濟(jì)領(lǐng)域變量的均值和波動(dòng)率都存在雙向影響；且風(fēng)險(xiǎn)傳導(dǎo)效應(yīng)在不同時(shí)期存在顯著差異。陳守東等人[26]基于極值理論研究了不同金融機(jī)構(gòu)的尾部風(fēng)險(xiǎn)異質(zhì)性及行業(yè)間的相關(guān)性，研究發(fā)現(xiàn)：行業(yè)間尾部風(fēng)險(xiǎn)相關(guān)性隨極端金融事件的發(fā)生而上升；房地產(chǎn)行業(yè)在股市動(dòng)蕩時(shí)期是金融風(fēng)險(xiǎn)的主要輸出者。張超和張文蕾[27]使用DCC-GARCH-CoVaR 模型測(cè)度我國(guó)房地產(chǎn)業(yè)對(duì)銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)，并從行業(yè)和企業(yè)兩個(gè)層面分析溢出過(guò)程，結(jié)果表明：房地產(chǎn)業(yè)對(duì)銀行業(yè)在兩個(gè)層面都存在顯著的溢出效應(yīng)，原因在于銀行持有的房地產(chǎn)信貸敞口比例過(guò)高。賈妍妍等人[28]運(yùn)用LASSO-VAR 模型從部門的角度考察金融體系在中國(guó)經(jīng)濟(jì)系統(tǒng)中的作用，研究發(fā)現(xiàn)：中國(guó)經(jīng)濟(jì)系統(tǒng)的風(fēng)險(xiǎn)源是實(shí)體經(jīng)濟(jì)；而金融體系在其中起到了吸收風(fēng)險(xiǎn)的作用。何紅霞和武志勝[29]從平均波動(dòng)和左尾損失的視角出發(fā)，研究金融對(duì)實(shí)體經(jīng)濟(jì)的風(fēng)險(xiǎn)溢出效應(yīng)，研究發(fā)現(xiàn)：金融對(duì)實(shí)體經(jīng)濟(jì)同時(shí)存在波動(dòng)溢出和左尾風(fēng)險(xiǎn)溢出兩種效應(yīng)；且行業(yè)特征對(duì)左尾風(fēng)險(xiǎn)溢出效應(yīng)存在顯著影響。楊佩娟和陳少凌[30]運(yùn)用GARCH-in-Mean 模型研究實(shí)體與金融間的風(fēng)險(xiǎn)傳導(dǎo)機(jī)制，研究發(fā)現(xiàn)：適度控制企業(yè)的杠桿率可以有效降低企業(yè)對(duì)金融系統(tǒng)的依賴，控制實(shí)體部門對(duì)外溢風(fēng)險(xiǎn)的接收。

結(jié)合研究問(wèn)題的特點(diǎn)及上述方法在兩市場(chǎng)間的適用性，本文選取增量條件在險(xiǎn)價(jià)值模型并結(jié)合極值理論、神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸（QRNN）及GARCH 族模型刻畫金融市場(chǎng)和實(shí)體經(jīng)濟(jì)間的風(fēng)險(xiǎn)溢出效應(yīng)；未采用常用的Copula 函數(shù)鏈接方法原因在于EVT 更注重序列的尾部分布情況，可以對(duì)VaR 進(jìn)行更準(zhǔn)確的度量，且具有泛化能力[31]，并考慮到陳堅(jiān)[32]已在VaR 框架下對(duì)Copula 函數(shù)和極值理論兩種方法進(jìn)行了性能比較，結(jié)果表明：基于極值理論的風(fēng)險(xiǎn)度量準(zhǔn)確度更高，更符合現(xiàn)實(shí)情況；而神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸在擬合金融數(shù)據(jù)非線性與非對(duì)稱性結(jié)構(gòu)方面具有極好的表現(xiàn)；GARCH 族模型則可以很好的擬合序列的波動(dòng)積聚效應(yīng)。

本文的貢獻(xiàn)在于，將GARCH 族模型與神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸相結(jié)合，并借助極值理論實(shí)現(xiàn)極端情況（顯著性水平為1% 及以下）與正常情況（顯著性水平為5%）間的轉(zhuǎn)化，運(yùn)用于實(shí)體經(jīng)濟(jì)與金融行業(yè)間系統(tǒng)性風(fēng)險(xiǎn)的溢出效應(yīng)研究領(lǐng)域，擴(kuò)充了該領(lǐng)域的研究方法。在當(dāng)今這個(gè)行業(yè)融合發(fā)展的時(shí)代，本文研究為實(shí)體經(jīng)濟(jì)與金融行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)度量和風(fēng)險(xiǎn)溢出提供了有益參考。

三、GARCH-QRNN-POT 模型

本文首先介紹風(fēng)險(xiǎn)度量的強(qiáng)度指標(biāo)（VaR 和CoVaR）及模型效果的檢驗(yàn)指標(biāo)（Kupiec 失敗率檢驗(yàn)法），其次介紹理論模型，再次闡明研究步驟及模型優(yōu)勢(shì)。

（一）風(fēng)險(xiǎn)強(qiáng)度指標(biāo)及檢驗(yàn)指標(biāo)

在險(xiǎn)價(jià)值VaR 表示在正常情況下，某一資產(chǎn)在給定的置信水平下在其持有期內(nèi)可能發(fā)生的最大損失，是當(dāng)前系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度中應(yīng)用最廣的方法。VaR 的數(shù)學(xué)表達(dá)式如下：

其中，rt為資產(chǎn)在正常市場(chǎng)條件下持有期內(nèi)的收益率；VaR 為置信水平c 下的在險(xiǎn)價(jià)值。

條件在險(xiǎn)價(jià)值CoVaR 的含義是當(dāng)某一市場(chǎng)i的風(fēng)險(xiǎn)損失值為VaR 時(shí)，其他市場(chǎng)j 受其波及所遭受的最大損失，它是對(duì)VaR 的拓展，實(shí)際上也是個(gè)分位數(shù)，也要求必須在一定的置信水平下。CoVaR 的數(shù)學(xué)表達(dá)式如下：

在險(xiǎn)價(jià)值僅關(guān)注孤立的個(gè)體風(fēng)險(xiǎn)，而條件在險(xiǎn)價(jià)值的出發(fā)點(diǎn)是行業(yè)間的相互聯(lián)系，因而在測(cè)度風(fēng)險(xiǎn)溢出效應(yīng)方面應(yīng)用極廣。本文采用更加適合度量極端風(fēng)險(xiǎn)的分位數(shù)回歸方法計(jì)算CoVaR，根據(jù)模型（3）建立分位數(shù)回歸模型：

將Xi取為時(shí)，即可得到：

而增量條件在險(xiǎn)價(jià)值ΔCoVaR 可以表示為：

為便于比較，對(duì)ΔCoVaR 處理得到%CoVaR：

運(yùn)用Kupiec 失敗率檢驗(yàn)法檢驗(yàn)?zāi)Ｐ托Ч菏紫龋瑢aR 與實(shí)際損失比較。VaR 小于實(shí)際損失表明此次風(fēng)險(xiǎn)度量效果較差，未能有效估計(jì)出潛在風(fēng)險(xiǎn)；VaR 大于實(shí)際損失表明此次風(fēng)險(xiǎn)度量成功，可以有效估計(jì)出潛在風(fēng)險(xiǎn)。其次，失敗次數(shù)N除以總觀測(cè)次數(shù)T 記為實(shí)際失敗率p。最后，構(gòu)建LR 統(tǒng)計(jì)量檢驗(yàn)實(shí)際失敗率是否與預(yù)期失敗率（顯著性水平）相一致，LR 統(tǒng)計(jì)量服從卡方分布。

該方法將模型估計(jì)的在險(xiǎn)價(jià)值和實(shí)際損失進(jìn)行比較，原假設(shè)為p=α，在一定的接受范圍內(nèi)通過(guò)檢驗(yàn)，則表示模型估計(jì)的VaR 值為有效值。

（二）理論模型

采用標(biāo)準(zhǔn)的GARCH(1，1)模型形式如下：

其中，xt=(x1t,x2t,…,xkt)'是解釋變量向量，γ=(γ1,γ2,…,γk)'是系數(shù)向量，模型（9）被稱作均值方程，模型（10）被稱作條件方差方程。

若利用GARCH 族模型估算VaR，需要先對(duì)擾動(dòng)項(xiàng)進(jìn)行假設(shè)。本文的對(duì)比模型選為多種分布中擬合效果最優(yōu)的模型①分布形式包括正態(tài)分布、偏正態(tài)分布、學(xué)生t分布、偏學(xué)生t分布、廣義誤差分布和偏廣義誤差分布。對(duì)收益率序列進(jìn)行擬合，得到均值μt及波動(dòng)率σt后，VaR 計(jì)算公式如下：

其中，F(xiàn)-1(α) 為不同分布假設(shè)下擾動(dòng)項(xiàng)在置信水平為α的分位數(shù)。

神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸（QRNN）模型是非線性分位數(shù)回歸的一類擴(kuò)展，由Taylor[33]率先提出，并應(yīng)用于多期價(jià)格風(fēng)險(xiǎn)的測(cè)度。將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)引入到分位數(shù)回歸中，可以模擬金融數(shù)據(jù)中的非線性結(jié)構(gòu)，同時(shí)規(guī)避了傳統(tǒng)非線性分位數(shù)回歸可能存在的模型錯(cuò)誤設(shè)定的問(wèn)題。Taylor[33]同時(shí)證明了多期價(jià)格風(fēng)險(xiǎn)的測(cè)度主要取決于持有期和波動(dòng)率，并給出了持有期和波動(dòng)率的最佳組合形式。由于本文的持有期為1，并考慮到金融市場(chǎng)羊群效應(yīng)的滯后影響，將波動(dòng)率序列的自回歸形式σt-i作為輸入變量(i= 1,2,…,I)，輸入到三層的神經(jīng)網(wǎng)絡(luò)中，輸出層為波動(dòng)率序列的分位數(shù)。隱藏層有J個(gè)節(jié)點(diǎn)，第j個(gè)隱藏層節(jié)點(diǎn)gj(τ) 的輸出是通過(guò)對(duì)輸入變量和隱藏層權(quán)重之間的內(nèi)積加上隱藏層偏置代入到隱藏層轉(zhuǎn)換函數(shù)給出的：

波動(dòng)率序列的分位數(shù)Qt(τ) 是通過(guò)對(duì)隱藏層輸出和輸出層權(quán)重之間的內(nèi)積加上輸出層偏置b(o)(τ) 代入到輸出層轉(zhuǎn)換函數(shù)給出的：

可以通過(guò)最小化誤差函數(shù)來(lái)擬合數(shù)據(jù)、估計(jì)QRNN 模型的權(quán)重和偏置參數(shù)：

其中，T為觀測(cè)數(shù)據(jù)個(gè)數(shù)；為防止過(guò)度擬合，采用權(quán)重衰減正則化和bootstrap 方法，λ是一個(gè)正常數(shù)，用以控制權(quán)值衰減項(xiàng)的相對(duì)貢獻(xiàn)；由于傾斜絕對(duì)值函數(shù)ρτ(u) 非處處可微，可采用Huber范數(shù)h(u) 逼近：

故此，通過(guò)QRNN 模型實(shí)現(xiàn)了VaR 值的計(jì)算。

極值理論是對(duì)極端事件的風(fēng)險(xiǎn)損失進(jìn)行測(cè)度的統(tǒng)計(jì)理論方法，它并不關(guān)注序列的整體分布情況，而是只注重序列的尾部分布特征，可以在極端條件下對(duì)風(fēng)險(xiǎn)進(jìn)行更準(zhǔn)確的度量。本文采用極值理論中的POT 模型與GARCH 族、QRNN 模型相結(jié)合，測(cè)度金融業(yè)與實(shí)體行業(yè)間的風(fēng)險(xiǎn)溢出情況。POT 模型對(duì)超過(guò)閾值的樣本數(shù)據(jù)進(jìn)行建模，著重刻畫數(shù)據(jù)尾部分布特征，但也因此使得可用數(shù)據(jù)量減小，一定程度上降低了模型的擬合效果。設(shè)損失x 為隨機(jī)變量，其分布函數(shù)為F(x)，u為x 的閾值，X 為隨機(jī)樣本中超過(guò)閾值u 的樣本觀測(cè)值，則有

其中，F(xiàn)u(x) 稱總體X 對(duì)閾值u 的超額分布函數(shù)，表示損失超過(guò)閾值的條件下，超過(guò)部分不足x 的概率。由條件概率公式得：

隨著u 的增大，F(xiàn)u(x) 收斂于廣義帕累托分布（GPD）：

當(dāng)ζ＞0 時(shí)，Gu,ζ,β(x) 具有厚尾特征；當(dāng)ζ= 0時(shí)，Gu,ζ,β(x) 具有正常的尾部；當(dāng)ζ＜0 時(shí)，Gu,ζ,β(x)具有截尾特征，但在金融風(fēng)險(xiǎn)管理中通常只考察ζ≥0 時(shí)的情況。基于極值理論的VaR 計(jì)算問(wèn)題，可以轉(zhuǎn)換為極值分布的分位數(shù)計(jì)算問(wèn)題。由可推得：

又F(u) =P(X＜u)，即不超過(guò)閾值u 的觀察值在所有觀察值中的比例。設(shè)觀察值總數(shù)為n，Nu表示超過(guò)閾值的觀察值的個(gè)數(shù)，則有，帶入模型（14）中，可得：

反解式（15），得到置信水平α下的VaR 為

（三）研究步驟及模型優(yōu)勢(shì)

由于極端情況的可用數(shù)據(jù)較少，擬合效果不甚理想，本文引入GARCH 族、QRNN 模型提升擬合效果，使其更好地反映現(xiàn)實(shí)情況。首先，使用GARCH 模型剔除收益率序列的波動(dòng)積聚效應(yīng)，使其滿足極值理論的使用條件（獨(dú)立同分布）；其次，使用QRNN 模型擬合金融數(shù)據(jù)的非線性結(jié)構(gòu)，并度量正常狀況的風(fēng)險(xiǎn)強(qiáng)度，為后續(xù)衡量極端情況提供更多的可用數(shù)據(jù)；最后，使用POT 模型度量極端情況的風(fēng)險(xiǎn)強(qiáng)度，改善了模型對(duì)極端數(shù)據(jù)的處理能力，提升了準(zhǔn)確率。受許啟發(fā)等[34]的啟發(fā)，對(duì)該模型進(jìn)行了一定的改進(jìn)，主要研究步驟如下：

1.使用GARCH 族模型剔除收益率序列的波動(dòng)積聚效應(yīng)；

2.使用QRNN 模型計(jì)算正常情況下處于τ2分位點(diǎn)的分位數(shù)Qt(τ2)；

3.計(jì)算標(biāo)準(zhǔn)化分位數(shù)殘差序列：

4.根據(jù)分位數(shù)定義，使用POT 模型計(jì)算極端情況下處于τ1分位點(diǎn)的分位數(shù)Qt(τ1)：

對(duì)上式進(jìn)行等價(jià)轉(zhuǎn)換：

其中，τ1＜τ2,Qt(τ2) ＜0，Qzt(1 -τ1) 可由POT 模型（22）得到。至此，通過(guò)極端分位數(shù)與正常分位數(shù)間的轉(zhuǎn)化，使度量極端情況的可用數(shù)據(jù)量增加，從而提升擬合效果，得到極端情況下的VaR 值。

四、金融與實(shí)體間系統(tǒng)性風(fēng)險(xiǎn)溢出的實(shí)證研究

（一）數(shù)據(jù)選取

本文所用數(shù)據(jù)為2007 年9 月14 日—2021年9 月15 日的wind 數(shù)據(jù)庫(kù)一級(jí)、二級(jí)行業(yè)分類指數(shù)，共計(jì)3408 條數(shù)據(jù)，根據(jù)二八原則將2018 年3 月21 日之前的數(shù)據(jù)作為訓(xùn)練集，2018 年3 月21 日之后的數(shù)據(jù)作為測(cè)試集。其中選取金融一級(jí)行業(yè)指數(shù)代表金融市場(chǎng)；由于缺少代表實(shí)體經(jīng)濟(jì)的一級(jí)行業(yè)總指數(shù)，仿照wind 行業(yè)分類指數(shù)構(gòu)造方法，通過(guò)對(duì)10 個(gè)一級(jí)實(shí)體子行業(yè)指數(shù)成交額加權(quán)構(gòu)建代表實(shí)體行業(yè)的總指數(shù)，其中，pt代表實(shí)體行業(yè)總指數(shù)，代表一級(jí)實(shí)體子行業(yè)指數(shù)成交額，Wt代表一級(jí)實(shí)體子行業(yè)指數(shù)總成交額，代表一級(jí)實(shí)體子行業(yè)指數(shù)①一級(jí)實(shí)體子行業(yè)指數(shù)包括材料指數(shù)、電信服務(wù)、房地產(chǎn)、工業(yè)、公共事業(yè)、可選消費(fèi)、能源指數(shù)、日常消費(fèi)、信息技術(shù)及醫(yī)療保健。。行業(yè)指數(shù)收益率（%）通過(guò)對(duì)收盤價(jià)一階差分得到rt=(lnpt-lnpt-1) × 100%，數(shù)據(jù)來(lái)源于wind 數(shù)據(jù)庫(kù)。

（二）檢驗(yàn)及建模

1.描述性統(tǒng)計(jì)分析

實(shí)體指數(shù)和金融指數(shù)收益率序列的統(tǒng)計(jì)特征如表1 所示，兩收益率的均值均較小，分別為0.0078 和0.0039，實(shí)體指數(shù)的收益率均值略高于金融指數(shù)；但二者的標(biāo)準(zhǔn)差均較大，分別為2.2808和1.9239，實(shí)體指數(shù)收益率的標(biāo)準(zhǔn)差大于金融指數(shù)，說(shuō)明實(shí)體指數(shù)的收益率波動(dòng)更大；二者均表現(xiàn)出一定的左偏，但金融指數(shù)表現(xiàn)出尖峰特征，而實(shí)體指數(shù)峰度較低，為2.1164；由于Jarque-Bera 檢驗(yàn)易受異常值的干擾，導(dǎo)致檢驗(yàn)結(jié)果產(chǎn)生偏差，本文采用Shapiro-Wilk 檢驗(yàn)和Kolmogorov-Smirnov檢驗(yàn)檢驗(yàn)兩序列是否符合正態(tài)分布，兩檢驗(yàn)均顯示實(shí)體指數(shù)收益率與金融指數(shù)收益率不服從正態(tài)分布；ADF 檢驗(yàn)顯示金融指數(shù)與實(shí)體指數(shù)收益率序列均為平穩(wěn)序列；Ljung-Box 檢驗(yàn)顯示兩序列均存在自相關(guān)現(xiàn)象；ARCH 檢驗(yàn)顯示兩序列存在顯著的ARCH 效應(yīng)，即兩行業(yè)的收益率均存在波動(dòng)積聚現(xiàn)象，可以建立GARCH 模型。

表1 收益率的統(tǒng)計(jì)特征

表2 為金融指數(shù)和實(shí)體指數(shù)收益率序列的Granger 因果檢驗(yàn)，結(jié)果顯示不能拒絕金融波動(dòng)不能引起實(shí)體波動(dòng)的原假設(shè)，也不能拒絕實(shí)體波動(dòng)不能引起金融波動(dòng)的原假設(shè)，即兩者相互影響，金融行業(yè)與實(shí)體經(jīng)濟(jì)間存在相互的波動(dòng)溢出效應(yīng)。

表2 Granger因果檢驗(yàn)

2.基于ARMA-GARCH 模型的VaR

對(duì)于既具有尖峰厚尾特性又存在波動(dòng)積聚現(xiàn)象的金融數(shù)據(jù)，ARCH 族模型或GARCH 族模型可以刻畫其波動(dòng)性，消除數(shù)據(jù)的ARCH 效應(yīng)。因此，選取不同階數(shù)、不同殘差分布的ARMAGARCH 模型、ARMA-EGARCH 模型，根據(jù)自相關(guān)圖、偏自相關(guān)圖、殘差是否剔除ARCH 效應(yīng)、自相關(guān)性、AIC 準(zhǔn)則和BIC 準(zhǔn)則選取最優(yōu)模型。實(shí)體經(jīng)濟(jì)選擇ARMA(4,2)-GARCH(1,1)-sged 模型；金融行業(yè)選擇ARMA(4,4)-EGARCH(1,1)-sstd 模型。

實(shí)體經(jīng)濟(jì)擬合結(jié)果由模型（27）給出，ARMA(4,2)-GARCH(1,1)-sged 模型擬合結(jié)果如表3 所示，ω 未通過(guò)顯著性檢驗(yàn)（5%），其余參數(shù)均通過(guò)顯著性檢驗(yàn)。金融行業(yè)擬合結(jié)果由模型（28）給出，金融行業(yè)ARMA(4,4)-EGARCH(1,1)-sstd 模型的擬合結(jié)果（表4）所示，除了參數(shù)μ 和α1 未通過(guò)顯著性檢驗(yàn)之外，其余參數(shù)均通過(guò)了顯著性檢驗(yàn)。根據(jù)模型（11）計(jì)算出正常情況和極端情況下ARMA-GARCH 模型測(cè)度的實(shí)體經(jīng)濟(jì)與金融行業(yè)的VaR 值，并在測(cè)試集上根據(jù)模型（8）進(jìn)行回測(cè)檢驗(yàn)，結(jié)果如表5 所示。

表3 實(shí)體經(jīng)濟(jì)ARMA(4,2)-GARCH(1,1)-sged模型估計(jì)結(jié)果

表4 金融行業(yè)ARMA(4,4)-EGARCH(1,1)-sstd模型估計(jì)結(jié)果

表5 ARMA-GARCH 模型度量及回測(cè)結(jié)果

3.基于GARCH-QRNN-POT 模型的VaR

用GARCH-QRNN 模型計(jì)算正常情況下兩行業(yè)的VaR 值。將經(jīng)過(guò)ARMA-GARCH 模型過(guò)濾的波動(dòng)率序列輸入初始神經(jīng)網(wǎng)絡(luò)。通常交易所連續(xù)交易5 天，設(shè)置輸入變量的滯后階數(shù)I= 5，隱藏層轉(zhuǎn)換函數(shù)設(shè)為Sigmoid 函數(shù)，輸出層轉(zhuǎn)換函數(shù)設(shè)為線性函數(shù)，根據(jù)代價(jià)函數(shù)最小原則確定隱藏層節(jié)點(diǎn)數(shù)及權(quán)值衰減項(xiàng)系數(shù)，結(jié)果見(jiàn)表6。

表6 QRNN模型節(jié)點(diǎn)數(shù)及權(quán)值衰減項(xiàng)系數(shù)確定

將確定的節(jié)點(diǎn)數(shù)及權(quán)值衰減項(xiàng)系數(shù)代入QRNN 模型，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，確定隱藏層和輸出層的權(quán)重及偏置。

代入測(cè)試集數(shù)據(jù)，計(jì)算5%分位數(shù)，從而得到正常情況下的VaR 值并進(jìn)行回測(cè)檢驗(yàn)，結(jié)果如表7 所示。

表7 GARCH-QRNN 模型度量及回測(cè)結(jié)果

將標(biāo)準(zhǔn)化后的分位數(shù)殘差代入POT 模型，根據(jù)式（22）得到極端情況下的VaR 值，提高了模型對(duì)于極端情況的預(yù)測(cè)能力。原因在于，POT 模型是對(duì)極端值數(shù)據(jù)進(jìn)行建模；但隨著極端程度的加深（如：顯著性水平由1% 至0.1%），POT 模型的可用數(shù)據(jù)會(huì)越來(lái)越少，在一定程度上影響模型的擬合效果，模型（26）的重要性體現(xiàn)在：實(shí)現(xiàn)了從正常情況到極端情況的轉(zhuǎn)換，同時(shí)使得POT 模型的可用數(shù)據(jù)大幅擴(kuò)展，兩模型相結(jié)合更加貼近現(xiàn)實(shí)情況。建立基于廣義帕累托分布的POT 模型最關(guān)鍵的是閾值u 的選擇，選擇最經(jīng)典的Hill 統(tǒng)計(jì)量估計(jì)法并結(jié)合超額均值函數(shù)圖確定閾值。

圖1 實(shí)體經(jīng)濟(jì)POT模型Hill圖

圖2 實(shí)體經(jīng)濟(jì)POT模型超額均值函數(shù)圖

Hill 統(tǒng)計(jì)量估計(jì)法選取閾值的要點(diǎn)在于選取Hill 統(tǒng)計(jì)量變得平穩(wěn)時(shí)的閾值；超額均值函數(shù)圖選取閾值的要點(diǎn)在于選取超額均值函數(shù)開(kāi)始呈現(xiàn)近似線性時(shí)的點(diǎn)，因此，實(shí)體經(jīng)濟(jì)選取閾值0.13、金融行業(yè)選取閾值0.15 較為合理。擬合POT 模型得到尺度參數(shù)β和形狀參數(shù)ζ的估計(jì)結(jié)果。

實(shí)體經(jīng)濟(jì)指數(shù)尾部的擬合診斷圖見(jiàn)圖5，金融行業(yè)指數(shù)尾部的擬合診斷圖見(jiàn)圖6，兩指數(shù)的超額分布圖和尾部分布圖的點(diǎn)基本在一條線上，殘差QQ 圖近似線性，說(shuō)明廣義帕累托分布的POT 模型進(jìn)行尾部風(fēng)險(xiǎn)的度量擬合效果較好。

圖3 金融行業(yè)POT模型Hill圖

圖4 金融行業(yè)POT模型超額均值函數(shù)圖

圖5 實(shí)體經(jīng)濟(jì)指數(shù)尾部擬合診斷圖

圖6 金融行業(yè)指數(shù)尾部擬合診斷圖

根據(jù)模型（22）計(jì)算分位數(shù)Qzt(1 -τ1)，根據(jù)模型（26）計(jì)算極端情況下的VaR 值，并在測(cè)試集上進(jìn)行回測(cè)檢驗(yàn)，結(jié)果如表9 所示。

表8 POT模型參數(shù)估計(jì)結(jié)果

表9 GARCH-QRNN-POT 模型度量及回測(cè)結(jié)果

通過(guò)對(duì)比ARMA-GARCH 模型和GARCHQRNN-POT 模型結(jié)果（表5、表7 和表9）可以看出，對(duì)于實(shí)體經(jīng)濟(jì)的風(fēng)險(xiǎn)測(cè)度，ARMA-EGARCH模型在5%和1%的顯著性水平上估計(jì)的VaR 值均未能通過(guò)回測(cè)檢驗(yàn)，且低估了實(shí)體經(jīng)濟(jì)的風(fēng)險(xiǎn)；而引入神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸和極值理論的GARCH-QRNN-POT 模型在5%和1%的顯著性水平下估計(jì)的VaR 值均通過(guò)了回測(cè)檢驗(yàn)，有效提高了模型的風(fēng)險(xiǎn)度量能力。對(duì)于金融行業(yè)的風(fēng)險(xiǎn)測(cè)度，兩模型在5% 的顯著性水平上估計(jì)的VaR值均通過(guò)了回測(cè)檢驗(yàn)，表現(xiàn)較好；但ARMAGARCH 模型對(duì)于極端風(fēng)險(xiǎn)的度量能力較差，在拒絕域的邊緣，并低估了金融行業(yè)的風(fēng)險(xiǎn)，而GARCH-QRNN-POT 模型對(duì)于尾部風(fēng)險(xiǎn)的測(cè)度更加準(zhǔn)確，對(duì)極端風(fēng)險(xiǎn)的度量能力明顯優(yōu)于ARMA-GARCH 模型，后續(xù)估計(jì)兩行業(yè)間風(fēng)險(xiǎn)溢出效應(yīng)時(shí)使用GARCH-QRNN-POT 模型。在95%置信水平下，實(shí)體經(jīng)濟(jì)的VaR 值為4.1853，遠(yuǎn)大于金融行業(yè)的2.2671；在99% 置信水平下，實(shí)體經(jīng)濟(jì)的VaR 值為6.6838，同樣遠(yuǎn)大于金融行業(yè)的3.5172，這說(shuō)明實(shí)體經(jīng)濟(jì)的風(fēng)險(xiǎn)遠(yuǎn)大于金融行業(yè)；隨著置信水平的上升，實(shí)體經(jīng)濟(jì)的風(fēng)險(xiǎn)急劇增加。

（三）系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)

根據(jù)模型（5）、模型（6）和模型（7）計(jì)算Co-VaR、ΔCoVaR 和%CoVaR，衡量?jī)尚袠I(yè)的極端風(fēng)險(xiǎn)溢出方向和效應(yīng)大小，結(jié)果如表10—11 所示。兩行業(yè)的增量條件在險(xiǎn)價(jià)值ΔCoVaR 同號(hào)，說(shuō)明兩行業(yè)間存在雙向的風(fēng)險(xiǎn)溢出，從側(cè)面佐證了格蘭杰因果檢驗(yàn)的結(jié)論。其中，在95%的置信水平下，實(shí)體經(jīng)濟(jì)對(duì)金融行業(yè)的溢出強(qiáng)度為44.12%，而金融對(duì)實(shí)體行業(yè)的溢出強(qiáng)度為72.99%，這說(shuō)明在正常情況下一旦金融行業(yè)發(fā)生風(fēng)險(xiǎn)事件，會(huì)迅速波及實(shí)體經(jīng)濟(jì)，實(shí)體經(jīng)濟(jì)的風(fēng)險(xiǎn)將急劇增加，且強(qiáng)度大于實(shí)體經(jīng)濟(jì)對(duì)金融業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度；在99%的置信水平下，實(shí)體經(jīng)濟(jì)對(duì)金融行業(yè)的溢出強(qiáng)度大幅上漲增至69.66%，而金融對(duì)實(shí)體行業(yè)的溢出強(qiáng)度相對(duì)較小增加至82.49%。當(dāng)更嚴(yán)重的極端情況發(fā)生時(shí)，實(shí)體經(jīng)濟(jì)對(duì)金融的波及程度將急劇上升，風(fēng)險(xiǎn)擴(kuò)散的增長(zhǎng)速度將遠(yuǎn)大于金融行業(yè)對(duì)實(shí)體經(jīng)濟(jì)風(fēng)險(xiǎn)擴(kuò)散的增長(zhǎng)速度。

表10 實(shí)體經(jīng)濟(jì)與金融行業(yè)間極端風(fēng)險(xiǎn)溢出(τ = 0.05)

表11 實(shí)體經(jīng)濟(jì)與金融行業(yè)間極端風(fēng)險(xiǎn)溢出(τ = 0.01)

五、結(jié)論與建議

本文將GARCH 族模型與QRNN 模型、極值理論中的POT 模型結(jié)合起來(lái)，構(gòu)建GARCHQRNN-POT 模型，用以度量不同情況下實(shí)體經(jīng)濟(jì)與金融產(chǎn)業(yè)的系統(tǒng)性風(fēng)險(xiǎn)及二者間的風(fēng)險(xiǎn)溢出效應(yīng)。

首先，對(duì)實(shí)體經(jīng)濟(jì)與金融行業(yè)的收益率序列構(gòu)建ARMA-GARCH 模型；其次，對(duì)波動(dòng)率序列構(gòu)建QRNN 模型；再次，對(duì)標(biāo)準(zhǔn)化的殘差序列構(gòu)建POT 模型，進(jìn)行極值理論的分析并估計(jì)廣義帕累托分布參數(shù)；繼次，計(jì)算不同情況下的VaR 值，并與常用的ARMA-GARCH 模型計(jì)算的VaR 值進(jìn)行對(duì)比，性能比較方法采用Kupiec 失敗率檢驗(yàn)法；最后，通過(guò)條件在險(xiǎn)價(jià)值CoVaR 度量實(shí)體經(jīng)濟(jì)與金融行業(yè)之間的風(fēng)險(xiǎn)溢出方向與強(qiáng)度。

GARCH 模型檢驗(yàn)結(jié)果顯示：對(duì)稱的GARCH模型足以刻畫Wind 金融一級(jí)行業(yè)指數(shù)的ARCH效應(yīng)。在險(xiǎn)價(jià)值VaR 顯示：實(shí)體經(jīng)濟(jì)具有較高的風(fēng)險(xiǎn)，遠(yuǎn)高于金融行業(yè)。回測(cè)檢驗(yàn)的結(jié)果表明：兩情形下ARMA-GARCH 族模型均會(huì)低估風(fēng)險(xiǎn)水平，不能或剛剛通過(guò)回測(cè)檢驗(yàn)；而GARCHQRNN-POT 模型的表現(xiàn)明顯優(yōu)于ARMAGARCH 族模型。原因在于：金融業(yè)與實(shí)體經(jīng)濟(jì)間風(fēng)險(xiǎn)的復(fù)雜關(guān)系是非線性的，且ARMAGARCH 族模型對(duì)極端數(shù)據(jù)的處理能力不足。而QRNN 模型在刻畫復(fù)雜關(guān)系時(shí)更具優(yōu)勢(shì)；POT 模型善于處理極端數(shù)據(jù)，但直接使用POT 模型的表現(xiàn)仍不佳，主要是總數(shù)據(jù)量和有效數(shù)據(jù)量較小導(dǎo)致，進(jìn)行擴(kuò)充或轉(zhuǎn)化會(huì)使POT 模型在經(jīng)濟(jì)領(lǐng)域的表現(xiàn)更佳。

格蘭杰因果檢驗(yàn)結(jié)果和增量條件在險(xiǎn)價(jià)值ΔCoVaR 均表明：實(shí)體經(jīng)濟(jì)與金融行業(yè)間存在雙向的風(fēng)險(xiǎn)溢出。金融行業(yè)對(duì)實(shí)體經(jīng)濟(jì)的溢出強(qiáng)度在正常情況和極端情況下均大于實(shí)體經(jīng)濟(jì)對(duì)金融業(yè)的溢出強(qiáng)度但隨著極端情況的加劇，實(shí)體經(jīng)濟(jì)對(duì)金融的波及程度將急劇上升，風(fēng)險(xiǎn)擴(kuò)散的增長(zhǎng)速度遠(yuǎn)大于金融行業(yè)對(duì)實(shí)體經(jīng)濟(jì)風(fēng)險(xiǎn)擴(kuò)散的增長(zhǎng)速度。

基于以上結(jié)論，本文提出如下建議：

第一，金融業(yè)與實(shí)體經(jīng)濟(jì)的系統(tǒng)性風(fēng)險(xiǎn)水平是非線性變化的。隨著情況的加劇，應(yīng)適時(shí)引入相關(guān)模型，而非一成不變的，僅使用單一模型測(cè)度不同情況下系統(tǒng)性風(fēng)險(xiǎn)會(huì)使得測(cè)度結(jié)果不準(zhǔn)確，甚至是無(wú)效的。

第二，實(shí)體經(jīng)濟(jì)與金融行業(yè)緊密相連，在當(dāng)今這個(gè)行業(yè)交叉發(fā)展的時(shí)代背景下，應(yīng)對(duì)整個(gè)實(shí)體經(jīng)濟(jì)與金融行業(yè)間的風(fēng)險(xiǎn)溢出給予更多的關(guān)注和研究，不僅是房地產(chǎn)行業(yè)與銀行業(yè)。局部的風(fēng)險(xiǎn)溢出關(guān)系不足以滿足如今的需要，需要從整體關(guān)聯(lián)性的角度對(duì)系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行拓展。

第三，實(shí)體行業(yè)的風(fēng)險(xiǎn)擴(kuò)散程度是動(dòng)態(tài)變化的，對(duì)于實(shí)體行業(yè)要有針對(duì)性的給予關(guān)注，如日常消費(fèi)、房地產(chǎn)等與我們息息相關(guān)的且必需的行業(yè)，控制其風(fēng)險(xiǎn)擴(kuò)散；而對(duì)于金融行業(yè)要經(jīng)常性的關(guān)注，加強(qiáng)對(duì)金融業(yè)的監(jiān)管和政策引導(dǎo)，并及時(shí)向社會(huì)傳遞監(jiān)管信息，包括對(duì)實(shí)體行業(yè)的信貸結(jié)構(gòu)信息、各機(jī)構(gòu)系統(tǒng)重要性動(dòng)態(tài)排名信息、系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估結(jié)果等。

第四，將實(shí)體行業(yè)的風(fēng)險(xiǎn)防控納入到我國(guó)系統(tǒng)性風(fēng)險(xiǎn)監(jiān)管體系中。密切關(guān)注實(shí)體行業(yè)經(jīng)營(yíng)狀況，把控其風(fēng)險(xiǎn)水平，使其風(fēng)險(xiǎn)防控更加合理有效；同時(shí)，積極引導(dǎo)實(shí)體行業(yè)正確合理地使用財(cái)務(wù)杠桿，切實(shí)加強(qiáng)其抵抗風(fēng)險(xiǎn)的能力。

第五，健全我國(guó)金融監(jiān)管體系，提升監(jiān)管效率與力度。明確各監(jiān)管機(jī)構(gòu)職責(zé)，尤其需要注重監(jiān)管機(jī)構(gòu)間的協(xié)調(diào)機(jī)制，避免監(jiān)管空置和監(jiān)管重疊的情況出現(xiàn)。