基于Vine-Copula廣義CoVaR模型的我國金融市場間風險溢出研究

張蕊　盧俊香

摘要：當前各金融行業之間的聯系日益密切，風險溢出進一步增強。在這一背景下，本文構建Vine-Copula模型，刻畫銀行業、保險業、基金業和證券業之間的風險相依關系，將上行廣義CoVaR與下行廣義CoVaR置于同一結構中，進一步研究當某一行業陷入風險時對其他金融行業的風險溢出效應。實證結果顯示，各金融行業均存在顯著的正向風險溢出效應，上行風險溢出與下行風險溢出表現出非對稱性。分行業而言，證券業對其他行業的風險溢出效應最強，銀行業和基金業的風險溢出效應較為平穩，而保險業的風險溢出也處于較高水平，應當重點關注證券業與保險業之間的風險溢出效應。本文研究明晰了金融行業間的風險溢出效應，有助于對我國經濟“三期疊加”階段性特征進行科學理解與準確研判，為防范與化解重大金融風險提供參考依據。

關鍵詞：金融行業；風險溢出；Vine-Copula；廣義CoVaR

中圖分類號：F832.5? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1007-0753（2023）08-0078-09

一、引言

隨著我國經濟的快速發展，各金融行業間的風險關聯逐漸密切，結構模式趨于復雜，各行業除了面臨自身風險之外，還易受其他因素的影響。尤其是在重大突發事件的負面沖擊下，行業間風險傳染的范圍與強度難以預測。如2015年資本市場發生的“股災”，其以較高的風險溢出水平，從金融行業波及實體經濟；2018年發生的中美經貿摩擦與2020年暴發的新冠肺炎疫情等重大事件，均對金融市場產生了巨大沖擊。因此，明晰我國金融市場間的風險溢出效應，有利于對重大金融風險隱患進行準確預防，進一步為維護我國經濟穩定提供參考依據。

近年來，針對金融市場間風險溢出效應的研究方法大致分為兩類：一類探究金融市場間風險溢出的相關性，主要應用線性相關系數法、格蘭杰因果檢驗法、DCC-GARCH族模型和Copula模型（King，1990；Eun和Shim，1989；Hamao等，1990；Constantin等，2018）；另一類則針對實際研究中金融市場間的相關關系復雜多樣、數據所表現出的尖峰厚尾和聚集效應等特點，使用CoVaR模型度量金融市場間的風險溢出效應。一些學者采用分位數回歸法、GARCH模型計算CoVaR，來研究我國金融市場各行業的風險溢出效應（謝福座，2010；嚴偉祥和徐玉華，2017；王曦等，2022）。但由于分位數回歸方法以及GARCH模型不能刻畫非線性結構，學者們轉而通過Copula計算CoVaR來刻畫變量間的相依關系及風險溢出效應。Mainik和schaanning（2014）用Copula函數計算廣義CoVaR，實證表明廣義CoVaR能更好地刻畫風險溢出的方向和強度；曹潔和雷良海（2019）選用時變Copula動態廣義CoVaR模型研究我國金融行業與實體經濟之間的風險溢出效應，研究結果表明實體經濟與金融行業存在雙向風險溢出效應；一些學者還采用Copula-CoVaR模型研究了新型互聯網金融行業與傳統金融行業以及實體經濟間的風險溢出效應（李竹薇等，2021；李欣璐等，2021；方國斌等，2022）。在系統性金融風險的測度方面，王劍和杜紅軍（2023）選取各種Copula函數精確計算廣義CoVaR，研究我國傳統金融銀行業、保險業、證券業以及多元金融的系統性風險，結果表明金融機構個體風險與系統性風險的相關性較弱；吳堅和顧緯清（2021）依靠多個指標，構建了我國系統性金融風險預警指標體系，并以證券市場數據對其進行驗證研究；程雪軍等（2023）將證券風險劃分為多種風險，研究我國金融資產證券化風險。

我國金融市場正處于關鍵轉型階段，各行業易受重大突發事件影響，產生極端風險溢出，但綜合已有文獻，大部分學者從金融機構整體或系統性金融風險視角刻畫了我國金融市場間的傳染效應，對行業間的風險相依結構與風險溢出強度探究較少。為此，本文主要從以下兩方面對我國金融市場間的風險溢出進行研究：首先，從行業視角出發，以銀行業、保險業、基金業和證券業作為研究對象，分析我國金融市場間的風險溢出效應；其次，與以往只采用傳統CoVaR研究單邊下行風險溢出不同，本文采用時間序列Vine-Copula廣義CoVaR模型，將單邊上行風險溢出考慮在內，研究不同金融行業間的風險溢出，其不單可以描述風險溢出水平隨著時間變化的上下波動趨勢，同時還擴大了研究對象的數據集，進一步反映更加極端的風險溢出，為準確描述我國金融市場間的風險溢出效應提供依據。

二、理論基礎與方法

（一）邊緣分布構建

（二）Vine-Copula模型理論

（三）基于Copula函數的廣義CoVaR模型

三、實證研究

（一）數據的選取及描述性統計

（二）邊緣分布估計及檢驗結果

本文采用GARCH（1，1）模型對各收益率序列進行邊緣分布估計，其中標準化殘差的分布類型可根據極大似然估計值最大、AIC最小原則，從t分布、偏t分布、GED分布和標準正態分布中選出，結果如表2所示。

根據極大似然估計值最大、AIC最小原則可知，在不同分布檢驗驅動下的GARCH（1，1）模型中，偏t-GARCH（1，1）模型對各行業指數的收益率序列邊緣分布的擬合效果最好，參數估計結果如表3所示。

由表3可知，GARCH模型中的參數均顯著且滿足αi + βi＜1，表明GARCH模型收斂；由偏t-GARCH模型邊緣分布擬合結果可知，skew和shape參數顯著通過檢驗，其對擬研究序列的非對稱與尖峰厚尾特性的刻畫較為準確；邊緣分布擬合處理后的標準殘差序列ARCH-LM檢驗結果表明偏t-GARCH（1，1）模型對各原收益率序列的ARCH效應有較好的消除作用，標準殘差序列均不存在ARCH效應，且概率積分轉換后的序列均通過KS檢驗，服從（0，1）均勻分布的原假設。綜上所述，對標準化殘差序列進行概率積分轉換處理后的新序列已滿足構建Copula函數的條件。

（三）Vine-Copula模型的構建

本文基于R語言仿真對概率積分轉換后的時間序列構建C-Vine Copula模型和D-Vine Copula模型，根據AIC、BIC準則與對數似然比選出最優Copula藤結構。由實驗結果可知C-Vine Copula模型擬合效果最好，能準確刻畫金融行業間的風險相關關系。在C-Vine Copula模型構建中選取銀行業作為第一層樹結構的第一個節點，其余變量根據秩相關系數進行排序，參數估計結果見表4，C-Vine模型結構見圖1，圖1中的1、2、3、4依次代表保險業、基金業、銀行業和證券業。

通過實驗結果可知，各金融市場間的最優連接函數均為t-Copula函數，其可以描述具有對稱的尾部相關性的金融行業間風險溢出效應。其中，第一層樹結構中，銀行業與各行業的相關系數由大到小依次是保險業、證券業和基金業，這表明當銀行業股票出現下跌行情時，保險業出現下跌的可能性最大，基金業出現下跌的可能性相對較小。第二層樹結構中，各行業間的相關性逐漸降低，保險業和證券業間的秩相關系數為0.21，基金業和證券業間的秩相關系數為0.31；最后一層樹結構中，隨著資產數量的不斷增加，各行業間的秩相關系數逐漸減小，相關性逐漸減弱。各行業市場波動的敏感性與易擴散性使得金融系統受到的沖擊被放大并擴散至其他行業。下一步本文將構建Copula廣義CoVaR模型，進一步準確度量各行業間的風險溢出強度。

（四）CoVaR計算結果

本文通過R語言仿真，使用Copula廣義CoVaR模型，計算出置信水平為0.05與0.95條件下保險業、基金業、銀行業和證券業間的風險溢出水平，即上行/下行CoVaR隨時間波動結果，如圖2—圖5所示。

由實驗結果可知，我國各金融行業間的風險溢出水平上行CoVaR與下行CoVaR受突發事件影響波動較為明顯，尤其是2015年資本市場發生的“股災”、2018年發生的中美經貿摩擦以及2020年暴發的新冠肺炎疫情等重大事件，均對金融市場產生了一定沖擊，風險溢出水平峰值較高。縱向來看，各行業間上行/下行風險溢出效應波動呈現出非對稱性，市場出現高漲或低迷行情時對其他行業的風險溢出強度不同，同一時間證券業、銀行業和保險業對其他行業的上行風險溢出水平均高于下行風險溢出水平；橫向來看，某一行業對其余各金融行業的風險溢出水平波動趨勢相似。從上行風險來看，各行業間存在正向上行風險溢出效應，上行CoVaR值均大于VaR值，說明當其中一行業處于市場高漲行情時，會帶動另一行業市場出現上漲行情；從下行風險來看，各行業間存在正向下行風險溢出效應，即下行CoVaR值均小于VaR值，說明當其中一行業處于極端下跌行情時，會加劇另一行業所面臨的風險，說明各行業間的密切聯系加劇了風險的相互傳染。

進一步分析各行業間風險溢出波動趨勢，以保險業為例，其對其余各金融行業的風險溢出均在2015年波動最為激烈、持續時間較長且呈現較高峰值，在此期間保險業對基金業的上行風險要低于其對銀行業與證券業的上行風險，實際表現為保險業市場高漲時，基金業受到的風險溢出效果較弱。在2016年后的短期內，四個行業均呈現出上行/下行風險溢出相對趨于平緩的特點，2020年疫情的暴發在一定程度上也加劇了我國金融行業間的風險相依關系與風險溢出強度。為進一步分析我國各行業間的風險溢出水平，計算了各行業間上行/下行CoVaR均值，其結果如表5所示。

由表5可知，各行業間的風險溢出水平存在差異性，基金業與銀行業對其他行業的風險溢出水平明顯低于證券業與保險業對其他行業的風險溢出水平。就證券業而言，無論是上行風險溢出效應或是下行風險溢出效應，證券業對其他各行業的風險溢出強度均最大。具體而言，證券市場高漲時對保險業的風險溢出水平為9.376 4，市場低迷時為-8.365 9，表明當證券業市場出現高漲或低迷行情時，對保險業的風險溢出效應最為強烈，高于其對基金業和銀行業的風險溢出強度。隨著近年來證券業的不斷發展，其自身風險水平以及對其他行業的風險溢出也在逐漸增加，需更加重視證券業對其他行業的風險外溢影響。銀行業總體而言對其他各金融行業的風險溢出強度最弱，這可能是因為銀行業作為現代金融經濟的核心與實體經濟的血脈，和其他行業相比規模最大，是我國金融市場的基礎行業，政府對于銀行業的監管較嚴，風險能夠得到較好的控制。銀行業上下行風險溢出強度從小到大依次為基金業<證券業<保險業，說明其無論處于高漲情形抑或低迷情形，對保險業的風險溢出強度都大于對其他行業的溢出強度。反觀保險業，其也以較強力度向證券業和銀行業輸出風險，保險業對其他行業的風險溢出在金融系統中占據越來越重要的位置，需要予以重點關注，建立相應的預警機制。基金業對其他各行業的風險溢出強度相似，與銀行業一樣表現出較為穩定的特征。

四、結論與建議

在我國金融市場多元化的背景下，金融業突破分業經營的趨勢日益明顯，行業間信息交流愈加頻繁，這些跨行業以及混業經營模式中創新開發出的金融產品在使得我國金融市場各行業間關聯度增加的同時，也導致風險溢出效應不斷加強。為進一步研究我國金融市場的風險溢出效應，本文選取銀行業、保險業、證券業和基金業作為研究對象，基于GARCH-C-Vine Copula模型刻畫金融市場間的非線性風險相依關系，并通過Copula計算廣義CoVaR來研究我國金融市場間上行/下行風險溢出效應。研究結論如下：第一，各金融市場間的上行/下行風險溢出效應表現出非對稱性現象，在市場出現高漲或低迷行情時對其他行業的風險溢出強度不同；第二，各金融市場間均存在顯著的正向風險溢出效應，但不同金融市場間的風險溢出強度存在差異，銀行業對其他各行業的風險溢出效應最弱，證券業對其他行業的風險溢出效應最強烈。總體而言，金融行業間的風險關聯密切，結構模式復雜，深入研究金融行業間的風險溢出效應對于實現金融市場的穩定、促進經濟發展具有重要意義。基于研究結論，本文提出以下政策建議：

一是由于證券業對其他行業的風險溢出效應較強，應重視證券業與其他金融行業間復雜的風險相依關系，針對以證券業為核心的風險傳染體系建立風險隔離屏障，尤其要加強對證券業與保險業間風險相互傳染的防控力度。二是由于各金融行業間風險溢出效應存在差異，針對不同風險等級與風險特征的金融機構，應實行不同監管政策，分行業分層進行動態監管。三是應注重金融教育與金融知識的普及，深化公眾對證券類金融風險的認識和理解，加強投資者的風險意識和防范意識。總而言之，監管部門應提高風險管理的主動性與前瞻性，避免因外部環境因素影響而引起金融市場劇烈波動，防止金融風險迅速擴散到實體經濟中，最大程度處理和化解系統性金融風險，為實現更高質量、更有效率、更加公平、更可持續、更為安全的經濟發展保駕護航。

參考文獻：

[1] KING M A， WADHWANI S. Transmission of volatility between stock markets[J]. The Review of Financial Studies， 1990， 3（01）： 5-33.

[2] EUN C S， SHIM S. International transmission of stock market movements[J]. Journal of financial and quantitative Analysis， 1989， 24（02）： 241-256.

[3] HAMAO Y，MASULIS R W，NG V．Correlations in price changes and volatility across international stock markets[J].The Review of Financial Studies，1990，3（02）：281-307.

[4] CONSTANTIN A，PELTONEN T A，SARLIN P.Network linkages to predict bank distress[J]. Journal of Financial Stability，2018，35：226-241．

[5]謝福座.基于CoVaR方法的金融風險溢出效應研究[J]. 金融發展研究， 2010， 342（06）： 59-63.

[6]嚴偉祥， 徐玉華. 基于分層阿基米德Copula的金融行業尾部風險相依性研究[J]. 金融經濟學研究， 2017，32（06）：23-33.

[7]王曦，劉源，趙苗.行業視角下我國金融風險溢出效應實證研究[J].中國物價，2022，33（01）：85-89.

[8] MAINIK G，SCHAANNING E.On dependence consistency of CoVaRand some other systemic risk measures[J].Statistics & Risk Modeling，2014，31（01）：49-77．

[9]曹潔， 雷良海. 基于動態廣義△CoVaR方法的金融與實體行業風險溢出效應[J].系統工程，2019，37（03）：122-131.

[10]李竹薇， 劉森楠， 李小鳳， 等. 互聯網金融與傳統金融之間的廣義動態風險溢出——基于Copula-ARMA-GARCH-CoVaR的實證研究[J].系統工程，2021， 39（04）：126-138.

[11]李欣璐，李程.互聯網金融與實體行業間的風險溢出效應研究——基于GARCH-時變Copula-CoVaR模型的實證分析[J]. 福建金融，2021，436（08）：13-22.

[12]方國斌，陳靜.互聯網金融與傳統金融市場風險聯動性研究[J]. 統計與決策，2022，38（24）：134-138.

[13]王劍，杜紅軍.非對稱尾部相依視角下的金融機構系統性風險研究[J].金融經濟，2023，561（03）：54-69.

[14]吳堅，顧維清.我國系統性金融風險預警指標體系構建——基于證券市場視角[J].當代金融研究， 2021（Z5）：60-69.

[15]程雪軍，趙暢，李正雨.論消費金融資產證券化的風險防范：從美國次貸危機切入[J].西南金融， 2023（06）：56-68.

[16] BOLLERSLEV T. Generalized autoregressive conditional heteroskedasticity[J]. Journal of econometrics， 1986， 31（03）：307-327.

[17] ADRIAN T， BRUNNERMEIER M K. CoVaR[J]. Federal Reserve Bank of New York Working Paper， 2008， No. 348.

[18] GIRARDI G，TOLGA ERG?N A.Systemic risk measurement：Multivariate GARCH estimation of CoVaR[J]. Journal of Banking & Finance，2013，37（08）：3 169-3 180．

[19] SKLAR A. Fonctions de répartition à n dimensions et leursmarges[J]. Publication de L'Insititut de Statistiquede de L'Universite de Paris， 1959， 8（01）：229-231.

[20] BEDFORD T， COOKE R M. Probability Density Decomposition for Conditionally Dependent Random Variables Modeled by Vines[J]. Annals of Mathematics and Artificial Intelligence， 2001， 32（01）：245-268.

[21] REBOREDO J C，RIVERA-CASTRO M A，UGOLINI A．Downside and upside risk spillovers between exchange rates and stock prices[J].Journal of Banking & Finance，2016，62：76-96．

（責任編輯：唐詩柔）

Research on Risk Spillover between China's Financial Markets Based

on Vine-Copula Generalized CoVaR Model

Zhang Rui，Lu Junxiang

（School of Science， Xi'an Polytechnic University）

Abstract： This paper constructs a Vine-Copula model to characterize the risk dependencies between banking， insurance， fund management and securities industries， and incorporates upside generalized CoVaR and downside generalized CoVaR into one framework to further study the risk spillover effects on other financial industries when one industry is in distress. The empirical results show that there exist significant positive risk spillover effects across financial industries， and upside and downside risk spillovers demonstrate asymmetry. In terms of industries， the risk spillover effect of securities industry on other industries is the strongest， while the risk spillover effects of banking and fund management industries are relatively stable， and the risk spillover of insurance industry is also at a high level. The risk spillover effects between securities and insurance industries should be closely monitored. This study clarifies the risk spillover effects among financial industries， which helps scientifically understand and accurately judge the periodic characteristics of China's economy in the 'three periods overlap' stage， and provides references for preventing and defusing major financial risks.

Keywords： Financial industry; Risk spillover; Vine-Copula; Generalized CoVaR