中國綠色債券市場與股債市場的風險溢出效應研究

周游

(1.澳門城市大學金融學院 中國澳門 999078；2.韓山師范學院經濟與管理學院 廣東潮州 515633)

近年來，高速發展的綠色債券市場為我國符合“3060”雙碳目標項目提供了大量金融資源，有力地引導了社會資本流向環境偏好型項目，促進了全社會的綠色轉型發展。據Wind數據庫統計，中國綠色債券的發行規模自2016年高速增長，2021年總共發行綠色債券626支，累計發行金額6023.22億元，約占全球總發行量的18.91%，僅次于美國，位列全球第二，存量規模也已達1.75萬億元。但我國綠色債券市場較歐美國家起步較晚，投資者對綠色債券的熟悉度和認可度不高等問題，在一定程度上限制了社會資本對綠色債券的投資，也成為我國綠色債券市場發展的障礙。綠色債券市場作為金融市場的一部分，其發展需要大量投資者的參與，而投資者的參與熱情與綠色債券的風險回報密切相關。隨著我國綠色債券市場規模的逐步擴大，其與相關金融市場之間的聯系日益緊密。因此，本文以中國綠色債券指數為研究對象，基于DCCGARCH模型分析綠色債券市場與中國股票市場、債券市場之間的風險溢出效應，能在一定程度上豐富資產定價理論及風險管理理論，也能在金融實踐中為促進投資者轉型綠色投資和進行投資組合風險管理提供參考，對發展壯大我國綠色債券市場、促進社會資本有效地投資于與中國綠色發展目標相一致的經濟活動中、實現社會綠色轉型發展和“3060”雙碳目標均具有重大的實踐意義。

1 文獻綜述

1.1 關于風險溢出效應

Engle(2002)提出了DCC-GARCH(Dynamic Conditional Correlation GARCH)模型，并實證研究了美國股票市場和債券市場之間的相關性，結果顯示道瓊斯指數和債券價格的關聯度高于納斯達克指數，該模型被廣泛運用于研究金融市場之間的聯動性問題。鄭振龍和楊偉(2012)基于DCC模型研究發現，我國股票和債券收益之間的相關性呈現出動態時變的特征，并且相關性的波動性很大。胡東濱和張展英(2012)同樣采用DCC-GARCH模型對金屬期貨市場與外匯市場和貨幣市場之間的動態相關性進行研究，實證結果表明金屬期貨市場與外匯市場之間存在一定的動態相關性。游士兵和吳雨濛(2020)通過構建VAR模型與DCC-GARCH模型，對滬倫通開通前后中國股市與英國股市的聯動性變化進行實證研究并得出結論，中國與英國股市之間存在長期穩定的聯動關系，且隨著滬倫通的開通，兩地股市之間的聯動性有所增強。

1.2 關于綠色債券市場風險的研究

Pham(2016)最早關注綠色債券市場與其他金融市場之間的風險溢出效應，通過多變量的GARCH模型研究發現，標準普爾綠色債券指數從常規債券指數中獲得了波動溢出效應。Reboredo(2018)使用靜態和動態Copula函數研究綠色債券市場與金融市場之間的依賴結構發現，綠色債券和政府債券之間存在顯著聯系，而與股票和能源市場的聯動性較弱。Hammoudeh(2020)基于格蘭杰因果檢驗實證發現，自2016年底開始，從10年期美國國債指數到綠色債券有很大的因果關系。Reboredo和Ugolini(2020)使用結構VAR模型研究得出結論，綠色債券市場從固定收益和貨幣市場中獲得了相當大的價格溢出效應，而與股票市場、能源市場和高收益公司債券市場的聯系較弱。Ferrer等(2021)基于方差分解的譜分析框架研究發現，在美國市場上，綠色債券與國債和投資級公司債券在回報率和波動性方面存在較強的聯系。

由于中國首批綠色債券指數發布于2016年，目前國內對綠色債券風險特征的相關研究比較缺乏。杜子平等(2019)選取國際市場上三支綠色債券指數和傳統債券指數，應用DCC-GARCH模型分析其收益率之間的聯動性，結果表明，綠色債券與傳統債券指數收益率序列動態相關系數呈現一定程度的不穩定性，波動劇烈但幅度不大。秦菽檬等(2019)基于綠色債券出現前后的數據，采用多變量多分位數方法研究發現，在貼標綠色債券出現后，低碳產業股票市場與綠色債券市場的尾部風險溢出呈現出不對稱的特征。高揚和李春雨(2021)采用Diebold和Yilmaz(2012)的溢出指數法實證發現，中國綠色債券市場與傳統固定收益市場之間存在顯著的風險溢出效應，而與股市和外匯市場間的風險溢出效應比較微弱。

現有文獻對金融市場之間的聯動性研究成果十分豐富。關于綠色債券市場與其他金融市場之間的風險溢出效應主要集中于歐美國家，但對中國綠色債券市場缺少關注。綠色債券市場的發展能夠引導社會資本投資綠色項目，對中國“3060”雙碳目標的實現具有重大意義，了解中國綠色債券市場的風險收益狀況非常有必要。本文基于DCC-GARCH模型研究中國綠色債券市場與傳統債券市場和股票市場之間的風險溢出效應，有望為綠色金融政策的實施，投資者進行風險分析、資產定價及投資組合分析提供有價值的參考。

2 模型構建

2.1 DCC-GARCH模型

Engle(2002)提出的DCC-GARCH(Dynamic Conditional Correlation GARCH)模型能對時間序列之間的動態相關性進行刻畫，其基本思想是將協方差矩陣H分解為時變的條件標準差D和相關矩陣 R兩部分。假設中有n個資產，各自的條件收益率服從均值為0，協方差矩陣為H的多元正態分布，該模型為：

其中，為條件均值，μ=(r|Ω)，，；Ω為到時刻－ 1為止的信息集；為殘差項，且ε|Ω～(0,H)。

DCC模型的條件協方差矩陣分解為：

R為動態相關系數矩陣，Engle(2002)定義的動態條件相關系數由以下兩個方程共同決定：

2.2 參數的估計方法

DCC-GARCH模型參數可通過二階段極大似然估計法估計得出，先估計單變量GARCH模型的參數，再根據GARCH模型的標準化殘差估計動態條件相關性的系數。模型參數可以分為兩個部分，=(,)，其中φ=(,,···,,β,···,β)上第個變量的單變量GARCH模型的參數；為第二階段估計出來的DCC-GARCH模型的參數。

3 中國綠色債券市場的溢出效應檢驗

3.1 數據樣本與描述性統計

本文選取中債-中國綠色債券凈價指數(GB)、中債-國債總凈價指數(CB)和滬深300指數(HS)分別作為綠色債券市場、傳統債券市場和股票市場的代理變數，剔除由于股債市場交易日期不一致導致的空白數據后，每個指數各有2849個數據。數據全部來源于Wind數據庫，所有數據經公式r,=100 ×ln(P,/P,)進行對數差分處理得出日對數收益率。圖1為三個收益率序列的時序圖，由此可以看出，三個指數的收益率均存在明顯的波動聚集現象，綠色債券市場和國債市場收益率的波動幅度較為接近，且極端值的出現幾乎同步；滬深300指數的波動率要明顯高于兩個債券指數。

圖1 市場收益率時序

從表1的描述性統計來看，所有變量的均值都接近0；股票市場標準差最高，而綠色債券市場的標準差最??；整體上三個指數的收益率都呈現出尖峰厚尾的特征，偏度系數顯示了綠色債券指數及國債指數收益率均具有右偏的特征，而滬深300指數為左偏；從峰度系數來看，綠色債券指數的峰度最大，為16.80；Jarque-Bera統計量均在1%的顯著性水平下拒絕了收益率序列服從正態分布的原假設；ARCH效應檢驗強烈拒絕了各序列無條件異方差的原假設；ADF單位根統計量都小于1%顯著性水平上的臨界值，說明所有變量均為平穩時間序列，可以進行下一步的建模分析。

表1 描述性統計

3.2 基于DCC-GARCH模型的實證分析

在金融實際研究中，GARCH(1，1)被認為能夠很好地刻畫金融時間序列的特征。因此，本文以(,)－(1,1)模型進行第一步的擬合，提取標準化殘差構建DCC(1，1)模型，并使用極大似然估計法估計動態相關系數和。此外，由于三個收益率序列均在1%的顯著性水平上拒絕了正態分布的原假設，因此本文在上述模型估計過程中均采用學生分布對殘差進行擬合。

表2匯總了三個收益率序列－模型的參數擬合和模型診斷結果。在模型的擬合中，本文以BIC準則確定模型的階數，綠色債券指數、傳統債券指數和股票指數的最優模型分別為(1,2)、(1,0)和(0,0)，所有參數均具有較高的顯著性。表2第二部分為基于GARCH(1，1)模型的參數擬合結果，所有模型的參數估計都在1%的水平上顯著，ARCH項和GARCH項的系數之和均接近1，且同時滿足系數之和小于1的約束條件，說明三個市場收益率序列的波動存在聚集性和持久性。從模型的診斷結果來看，雖然滬深300指數收益率序列經－模型過濾后的殘差序列滯后5階無法拒絕存在自相關性的原假設，但三個收益率殘差平方序列的滯后5階均拒絕存在自相關的原假設，且ARCH-LM檢驗結果殘差平方序列不存在ARCH效應。

表2 ARMA －GARCH 模型的擬合

依據ARMA-GARCH模型提取得到三個收益率的殘差序列，本文進一步構建DCC-GARCH(1，1)模型，分析三個市場兩兩組成的組合的動態風險溢出效應。表3列出了基于最大似然估計法下的模型估計結果，3個市場組合的項和項的系數幾乎都在較高的水平上顯著，且兩者之和均小于1，說明DCC-GARCH(1，1)模型具有穩定性。其中，三組組合項的參數均較小，說明在這三個市場組合中，滯后一期的標準化殘差乘積對動態相關系數的影響較弱。綠色債券指數與國債指數、國債指數與滬深300指數的系數分別為0.915和0.913，說明這兩組組合的動態相關系數受前期的影響較大，持續性強。相比之下，綠色債券市場與滬深300指數的系數為0.899，這兩個市場動態相關系數的持續性相對較弱。此外，+的系數也反映了綠色債券指數與國債指數、國債指數與滬深300指數的整體持續性高于綠色債券指數與滬深300指數的組合。

表3 DCC-GARCH(1，1)模型估計結果

從表4的描述性統計來看，綠色債券市場與傳統債券市場的動態相關系數介于0.425～0.949，均值為0.640。圖2為依據DCC-GARCH模型擬合結果繪制的綠色債券市場與傳統債券市場組合的動態條件相關系數。由圖2可以看出，動態相關系數的幾處高位主要出現在2010年10月、2013年下半年、2014年11—12月，2016—2017年初、2018年4月、2020年初及2021年7月，對應的背景分別是2010年1月央行時隔三年首次加息導致債券市場極速走低；2013年下半年債券發行利率不斷走高，投資需求減弱，導致各類債券各期限的招標利率在當年11月達到歷史高點；2014年11月央行宣布降息及投資機構在強制去杠桿的壓力下拋售債券，導致債券價格走低，2018年的中美貿易摩擦及2020年新冠疫情爆發期間。說明當前中國綠色債券市場雖然體量不大，但綠色債券市場與傳統債券市場之間已經具有較高的、時變的正向相依性，兩者之間的相依性容易受到外部事件的影響而出現協同上漲，即當綠色債券市場或傳統債券市場在受到市場沖擊時，不僅自身的波動性會增強，還會導致另一個市場的波動性同樣增強，兩個市場之間存在非常強的波動溢出效應，主要原因在于兩者同屬固定收益市場，兩者所受的風險因素較為接近。

表4 動態相關系數的描述性統計

圖2 綠色債券市場與傳統債券市場的動態相關系數

從圖3綠色債券市場、傳統債券市場分別與股票市場構成的組合動態相關系數來看，兩個債券市場與股票市場的走勢相當接近，且均值都為負值，說明兩個債券市場與股票市場之間僅存在較弱的風險溢出效應，只有當股票市場發生極端事件時，風險才容易從股票市場溢出到傳統債券市場中。綠色債券市場與股票市場動態相關系數的最大值和最小值均大于傳統債券市場與股票市場的組合，說明綠色債券市場與股票市場之間的風險溢出效應更高。但是從標準差來看，傳統債券市場與股票市場之間動態相關系數的變化范圍更大。

圖3 債券指數與滬深300指數的動態相關系數

2013年6月21日，兩個債券市場與股票市場之間的風險溢出效應達到最大值，分別為0.4077和0.3779，當時伴隨著市場央行貨幣政策的擔憂及螞蟻金服的余額寶上線，債券收益率出現超預期下跌。在股票市場上，由于流動性短缺使得金融機構紛紛拋售資產，6月24日滬指遭受“黑色星期一”，跌幅超過5%。2014年11月下旬，中國人民銀行宣布降息，上證迎來500多點的上漲，股票市場與債券市場之間的相關性也出現了快速提高。2016年初股票市場多次出現熔斷，上證下跌近1000點，股票市場與債券市場出現較大的風險傳遞。2018年以后，兩個債券市場與股票市場的動態相關系數以負數為主，較大的風險溢出效應出現在2021年1—2月，央行逐步收緊流動性，市場資金面超預期收緊，導致貨幣市場利率快速攀升，進而推高債券市場利率。值得一提的是，從2019年12月開始，股票市場與債券市場之間的動態相關性持續下降，至2020年初受新冠疫情影響，下降至樣本期間內的最低值，隨后快速上漲，動態相關系數由負轉正，這與金融危機期間各金融資產之間的相關性趨于正向變化的現實相符。

4 結語

本文以2005年1月5日—2021年12月31日中債-中國綠色債券凈價指數、中債-國債凈價指數及滬深300指數日數據為樣本，構建DCC-GARCH模型研究綠色債券市場與傳統債券市場、股票市場之間的風險溢出效應。結果表明，綠色債券市場與傳統債券市場之間已經具有時變的、較高的正向相依性，兩個市場之間存在非常強的波動溢出效應，當綠色債券市場或傳統債券市場自身的風險受到外部事件沖擊而增大時，風險非常容易在兩個市場之間傳導。而綠色債券市場、傳統債券市場與股票市場之間在大多數情況下動態相關系數為負值，只有市場出現極端風險時，風險才容易在股票市場和債券市場之間出現傳導，說明這些市場之間僅存在較弱的風險溢出效應，且綠色債券市場與股票市場之間的風險溢出效應和傳統債券市場與股票市場的風險溢出效應在樣本期間內較為接近。

針對以上結論，本文認為綠色債券市場雖然當前體量不大，但是其與傳統債券市場之間高度的相依性可為投資者在構建投資組合過程中，將綠色債券作為傳統債券的替代者納入投資組合中，在與股票市場構建的組合中，綠色債券可以在多元化投資中對沖市場風險。從市場監督者的角度來看，需要建立風險監測與預警機制，防范金融事件沖擊對綠色債券市場造成的不確定性影響，為綠色債券市場的發展保駕護航。從政策制定者的角度而言，應加大對綠色債券發行的支持和宣傳，同時降低債券投資門檻，以吸納更多投資者尤其是大型機構投資者，促進社會資本轉型綠色投資，更好地助力中國“3060”雙碳目標的實現。