高 扬, 李杨洋, 王耀君
(1.北京工业大学 经济与管理学院, 北京 100124; 2.中国农业大学 信息与电气工程学院, 北京 100083)
绿色金融是通过资产定价、价值流通引导社会经济资源促进可持续发展的政策工具[1]。
目前, 我国正处于经济结构调整和发展方式转变的关键时期,以环境破坏为代价的传统经济发展模式亟须改革。
绿色金融不仅能通过优化资源配置提升资本收益,更能有效支持国内绿色环保产业发展,是我国提升经济发展质量的重要手段。
在2020 年召开的十九届五中全会上,习近平总书记再次强调了“绿水青山就是金山银山”的概念,并设立了“2030 年实现碳达峰,2060 年实现碳中和”宏伟目标,进一步肯定了绿色金融的发展地位。当前,我国绿色金融体系快速发展,以“绿色债券”和“绿色股票”为代表的绿色证券市场表现卓越。
仅在2019 年,我国便发行了229 亿美元的绿色债券,居全球首位;同样地,截至2020 年,我国绿色股票指数成分股的总市值超过了21 万亿人民币,成为股票市场上的重要分支。
在国家贯彻发展绿色金融的过程中,随着国内投资者的绿色环保意识不断增强,绿色证券市场越发受到投资者的关注与青睐。
此外,绿色证券自身所具有的交易便捷、流通性强、风险相对较低等优势,也吸引了众多投资者进行多元化的资产配置,进一步推动了绿色证券市场规模的扩张。
因此,针对我国绿色债券和绿色股票这两个新兴市场的深入研究,可以进一步完善我国绿色金融发展的理论框架,为相关政策决策者提供理论依据,并为有意投资绿色证券的投资者提供实证参考。
然而,随着我国绿色证券市场规模的不断扩张,以及开放政策的进一步实施,资本在不同市场流动性增强的同时,也加剧了金融市场风险的传导。
而国内市场上金融政策的不断调整,以及国际市场上突发金融事件不断发生,则进一步提升了风险在市场间传导的不确定性。
另一方面,国际政治经济环境的不稳定和贸易摩擦的升级改变了投资者的偏好,投资者可能倾向于选择灵活性强、安全性高的金融资产,从而导致资产大规模集中,进一步放大风险。
此外,受到近期新冠疫情的影响,世界经济发展速度显著减缓,投资者恐慌情绪加剧。
从长远来看,这些原因可能使风险在多个市场之间转化为“蝴蝶效应”,造成金融风险的大规模传染, 并通过财富效应负向影响到消费和投资,对实体经济造成冲击。
因此,本文对我国绿债市场、绿股市场与传统金融市场间风险传染机制进行研究,不仅可以用来识别它们之间的信息传递规律与风险传染效应,更对我国新兴绿色金融市场和传统金融市场间的资源配置乃至国内整体金融市场的风险防范具有重大意义。
本文通过深入探究绿色证券市场与传统金融市场间的风险传染特征,有助于市场决策者规避由风险传染对绿色证券市场的建设所产生的负面影响,为构建稳定健康的绿色证券市场提供理论参考。
本文的研究框架如下：第一章对现有文献及研究成果进行总结回顾,第二章对模型方法进行介绍,第三章进行实证分析,第四章得出结论并总结全文。
1.1 绿色债券和绿色股票市场相关研究现状
作为两种促进可持续发展的金融工具,“绿色债券”指用于资助环保项目的债券,如可再生能源、生物能源和低碳交通等,而“绿色股票”则指以可持续发展为己任,将环境效益和对环境的保护纳入经营管理且具有较高环保绩效的企业所发行的股票[2]。
与传统金融市场相比,绿色证券市场出现较晚,因此多数研究只关注产品的风险特征和投资价值。
其中,国外学者Croce 等[3]首先提出市场缺乏对绿色项目相关风险特征的识别、跟踪和记录,Mathews[4]则对比分析了绿色债券在发达国家和发展中国家的发展过程,肯定了其在绿色金融中的重要地位。
Horsch[5]对绿色债券的收益率水平进行了研究,发现债券的低收益率并不是促使投资者投资绿色债券的主要因素。
近年来,更多学者开始关注绿色证券市场自身存在的金融风险,Febi 等[6]基于绿色债券的流动性风险和收益率,指出目前绿色债券的流动性风险很小,而导致绿色债券市场的流动性风险的主要原因在于供应不足和需求过剩。
相比之下,国内学者王遥和李哲媛[7]考察了上市公司环境事件与国内股票市场的关系,并根据研究结果对增强股市的绿色有效性提出一定的建议。
金佳宇和韩立岩[8]则总结和归纳了国际上绿色债券的特点和发展趋势,认为绿色债券具备项目透明性较高、信用评级较高、流动性较好的风险特征。
余婷等[9]在系统梳理了国内绿色股票指数的相关研究的基础上,进一步肯定了绿色证券的良好金融特性,提出了优化国内绿色股票市场运行制度的建议。
随着金融事件的频繁发生和信息的快速传递,部分学者开始定量分析绿色证券市场的风险大小和各市场之间的风险分布,以补充现有研究中对绿色证券市场风险承受能力和传递能力研究的不足。
针对绿色股票市场,国外学者Henriques 和Sadorsky[10]研究发现美国市场上原油价格与科技公司运行状况都对新能源股价具有影响。
Sadorsky[11]和Kumar 等[12]进一步研究发现原油价格与新能源企业股价正向相关,但相关性只存在于经济衰退时期。
Reboredo[13]通过测度量石油价格和可再生能源公司股票价格的系统性风险发现石油价格对其上、下行的风险贡献度达到30%。Reboredo 等[14-15]等则进一步研究原油价格与清洁能源公司股票价格的因果关系,并发现前者是后者的格兰杰原因。
针对绿色债券市场,Pham[16]研究发现传统债券市场的整体影响倾向于向绿色债券市场扩散,且溢出效应为时变。Reboredo[17]将研究框架进一步细化,发现绿色债券市场与公司债券市场、国债市场与股票市场、能源商品市场之间存在较弱的相互作用。
Reboredo 和Ugolini[18]则将研究对象拓展至完整的传统金融市场,发现绿色债券市场、固定收益和外汇市场存在密切的价格溢出效应。
相比之下,针对国内绿色证券市场风险的研究则很少,例如温晓倩[19]研究发现,WTI期货价格对我国传统行业及新能源行业均有显著的溢出效应,并发现原油价格对我国新能源股票市场的溢出效应具有非对称性。
综上所述,绿色证券具有风险水平较低、收益稳定、流通相对性强的优良特性,是国家发展绿色环保事业,促进经济高质量发展的重要一环,也是投资者进行风险对冲的理想投资对象,因此对绿色证券的风险传染特征进行深入探究具有一定的理论和实践价值。
同时,部分学者的研究成果表明绿色债券市场与传统债券、货币市场存在风险关联性,绿色股票市场则与部分能源大宗商品市场存在风险关联性。
然而,上述针对绿色证券市场与传统金融市场间的风险传染效应的研究成果一方面数量较少,针对中国国内的绿债、绿股市场的相关研究更是屈指可数,亟需相关研究对该领域的理论框架进行补充。
另一方面,相关研究大多将研究对象限定在某两个或某几个固定的市场范围内,以至于研究成果的前提条件较多,影响了现有理论实际应用价值,还需要进一步拓展研究范围,即对绿色证券市场与传统金融市场进行全面系统的深入研究。
因此,本文以中国绿色债券、绿色股票市场为主要研究对象,探究其与包括债券、股票、外汇、货币、大宗商品市场等在内的传统金融市场间的风险传染机制,不仅可以充分识别信息传递规律与风险溢出状况,对国内绿色证券市场的理论框架进行完善和补充,同时对于国家发展绿色经济,防控金融市场风险具有重要的意义。
1.2 金融市场风险传染研究现状
对金融市场风险传染的相关研究大致可分为金融市场的联动性、风险溢出和传染效应等方面。
对于金融市场联动性,早期国内外学者主要运用了ADF 检验法、协整检验法、Granger 因果检验法、VAR 模型和MSV 模型等,但是这些方法较难得到各个金融市场联动性水平的具体量化结果。
随后,为了进一步精确地描述多个市场间的相互作用关系,GARCH 族模型和Copula 函数逐渐被广泛应用,并成为金融市场联动性相关研究的两个主要分支。
与金融市场联动性的发展路径相似,针对金融市场风险溢出效应的实证研究亦经历了从Granger 因果检验等定性方法到GARCH 族模型、Copula 函数、CoVaR 模型等定量模型的发展轨迹。
然而,GARCH 族模型和Copula 函数虽然可以较好地通过市场间的动态相关系数和尾部相依性评估金融市场间风险的关联性水平,却无法同时刻画不同时点下多个市场间风险传递的方向以及强度大小;CoVaR 模型能够综合考虑机构之间的风险溢出作用,但是其计算较为复杂,且更加适合于银行等金融机构的系统性风险的度量,对于多市场间风险溢出的度量效果较差。
相比之下,Diebold 和Yilmaz[20]以及Baruník 和Krehlík[21]等学者提出的Diebold-Yilmaz(DY) 及Baruník-Krehlík(BK)风险溢出指数模型既可以度量多个市场间在某一时间段内的风险溢出强度与方向,又可以通过滚动时间窗的方法捕捉风险传染的时变特征,逐渐成为国内外学者研究金融市场间风险传染效应的重要选择。
随着复杂网络模型在经济与金融学研究的广泛应用,众多学者开始构建金融网络对金融市场间的风险传染机制进行研究,从而精确探究金融市场之间的网络连通性和风险溢出效应。
其中,Naylor 等[22]首次应用复杂网络模型重点研究了网络整体拓扑结构之于外汇市场的传导作用与影响,将最小生成树理论与层次树理论相结合,对1995—2001 年间由全球外汇市场中主要货币构成的网络进行分析。
Gilmore等[23]则以最小生成树及层次树研究方法为理论基础,对21个欧洲国家股票指数的互相关关系进行研究,发现波兰、匈牙利和捷克等金融主体之间的股票市场波动呈相关关系。随着风险溢出测度理论的不断发展,学者们开始将更为复杂的测度方法运用到网络的构建中[24]。
例如,Eom 等[25]和Ulusoy 等[26]以随机矩阵理论为出发点并综合最小生成树的金融时间序列股票网络拓扑性质,研究发现股票间的信息流也会显著影响市场效率。
黄飞雪等[27]则运用最小生成树与亚超度量空间相关理论与方法,分析并比较了全球主要股指在金融危机发生前后的动态稳定性和互动关系,考察分析了中国股票市场中的个股在上证50 指数的分层结构。
然而,上述无向加权网络虽然可以描述多市场间的风险传播结构,但并不能够准确度量各市场间的风险传染方向。
为了解决这一问题,Diebold 和Yilmaz[20]运用溢出指数构建出有向加权金融网络,进一步探究了金融市场之间的网络连通性和风险溢出效应,为有向加权网络在金融风险传染的相关研究中的应用奠定了基础。
以此思路,Al-Yahyaee 等[28]使用DY 溢出指数作为边,构建有向加权金融网络探究了GCC 股票市场与期货市场之间的风险溢出关系。
国内学者李政等[29]则更进一步基于BK 溢出指数分别构建了高频与低频下,国内主权债务风险的溢出网络。
此外,使用藤-Copula 函数构建多个金融序列的联合分布模型,并通过藤状相依结构分析风险在不同市场之间的传染机制,也成为了研究金融市场风险传染的重要方法。
具体来说,藤Copula 从传统多元Copula 函数的基础上发展而来,将传统Copula 函数以藤状结构的形式分解成一系列的二维或者条件二维Copula,在精确拟合各序列联合分布的前提下,摆脱了多元相依之间只能用同一种Copula 函数描述的限制。
因此,藤-Copula 模型既保留了Copula 函数可以从非线性视角更加精确拟合市场关联性的优势,同时还能将多个主体相关联,从系统层面进一步深入分析各主体的关联结构。进一步,通过最大生成树法(MST-PRIM)的逐层筛选,R-藤Copula 模型得以将风险相关水平最高的市场联结在一起,从而构建市场相依结构图,并结合尾部相关系数全面展示风险在市场间的传染效应。
经过学者们不断的发展与完善,藤-Copula 函数衍生出C 藤[30]、D 藤[31]和R 藤[32]三种不同的藤结构。
其中,C 藤、D 藤均为固定结构,而R-藤Copula 函数为自由藤状结构,且各序列主体可以分别服从不同分布,因而逐渐被学者们广泛应用[33]。
例如张国富和杜子平[34]基于R-藤Copula 研究了各股票对行业和市场及各股票间的相依结构,结果显示各股票行业风险差异很大,相对于行业风险,所有股票的市场风险较小。
郭文伟和王礼昱[35]构建动态条件相关模型并采用R-藤Copula 方法,通过研究发现内地股市和沿线国家股市之间存在较低的时变联动性。
刘超等[36]则运用混合R-藤Copula 模型分析了金融危机期间国际股票市场的风险传染效应,并发现中国香港是国际金融风险向中国传染的主要节点。
综上,金融市场作为一个复杂金融系统的组成,其内部往往相互联系、相互依赖,呈现出多属性、多类型连接的多层特征。
近年构建复杂网络对金融市场间的风险传染进行研究的数量日益增多,但多数学者使用基于相关性的无向加权网络分析金融市场的风险传染路径,然而此类方法只能衡量节点在传染系统中的重要程度,无法得到含有传染方向信息的金融网络。
因此,引入有向加权网络也可以有效弥补现有研究中对于风险传染方向信息的缺失。
同时,基于各市场联合分布的R-藤Copula 模型所体现的金融市场藤状相依结构以及尾部相关系数则是对金融网络的有效补充。
由此,本文分别构建R-藤Copula 模型与混频有向加权金融网络,并将两者相结合对比分析,从多角度全面地探究中国绿色证券市场与传统金融市场之间的风险传染效应与路径。
相比于现有文献,本文主要对中国金融市场风险传染特征的研究方法与理论框架进行了完善与发展。
首先,本文将研究对象拓展至中国绿色债券、绿色股票与完整细分的国内传统金融市场,并基于海外金融事件、中国金融事件、国际金融事件这三阶段重大金融事件,按由弱到强的顺序依次对比分析了原油价格暴涨、中美贸易战/定向降准以及新冠疫情下国内金融市场的风险传染机制。
进一步补充了风险传染的路径机制理论框架,充分考虑到不同市场之间的动态相关性和非线性相关特征,以动态视角展现各市场在不同条件下的演化过程。
其次,本文采用BK 溢出指数模型从高频、中频、低频三个频率段对市场间风险溢出水平进行了频域分解,使得本文在理论推导分析的基础上,进一步更为准确地构建网络以量化分析市场间的动态风险溢出特征。
最后,本文将R-藤Copula 模型与混频复杂网络相结合,不再局限于具体风险传播链,而是从系统层面探究金融市场间风险传染机制,整体分析国内风险传染的核心节点与传播路径,进一步深入挖掘金融风险在各市场间的传染机制。
研究结果表明,从市场间风险传染强度来看,绿色债券市场与国债和金融债市场之间具有最强的风险关联水平,与企业债和公司债市场具有较强的风险关联水平,与传统股票市场和期货市场间具有中等水平的风险关联性,与其余市场的风险传染性较弱;绿色股票与传统股票市场之间具有最强的风险关联性,与期货市场之间具有较强的风险关联水平,与其余市场风险关联较弱。
从系统层面的风险传染路径来看,我国金融体系在常规状态下以股票市场、债券市场、期货市场为主体与其余金融市场相连形成线性的风险联动结构。同类型市场内部风险联动水平较强且大多市场间具有非对称的上尾相关结构,易受极端风险的影响产生风险传递。
从金融事件期间金融市场间风险传染机制来看,金融突发事件是驱动风险溢出的主要因素,当市场面临巨大的下行压力或意外事件时,波动性将增加,风险传染随之加剧。
具体来说,金融事件可以通过将相同类型的内部溢出转化为跨市场溢出来强化金融系统的连通性,且影响力越大的金融事件越容易产生上述风险外散效应。
同时,金融事件的出现会引起使得高频溢出水平显著上升,中频溢出和低频溢出会向高频溢出转化,也即金融事件的发生会促使市场间产生周期较短的即时风险传染。
2.1 绿色证券与传统金融市场风险溢出模型构建
本节分别介绍了探究绿色证券与金融市场间风险溢出水平时,所应用的DY 溢出指数模型和BK 溢出指数模型的理论设定与构建方法。
2.1.1 DY 风险溢出指数模型构建方法
Diebold 和Yilmaz[37]最早提出溢出指数的计量方法,该方法以VAR 为基础,通过广义预测误差方差分解提取溢出指数,并将溢出指数定义为：总溢出指数、有向溢出指数和净溢出指数,用来衡量多变量间的波动溢出关系。
本文考察多个市场间的波动溢出行为,分别对N个市场已实现的波动率建立p阶VAR 模型如下：
其中,Xt为市场波动率的N维列向量;Ψi为N × N维系数矩阵,εt为N维的随机扰动列向量,满足不存在序列相关性、零均值且独立同分布的基本假定。
进一步,得到VAR(p)的移动平均形式如下：
式(2)为VAR(p)的移动平均形式,当i ＜0 时,Zi =0;当i =0 时,Zi为N阶单位阵;当i ＞0 时,Zi服从式(3)的递归形式。
基于此,考虑向前H步预测误差方差分解,可得到预测误差方差分解矩阵：
(1)总溢出指数,将预测误差方差分解矩阵的非对角线元素求和取平均,用来解释N个市场间相互溢出效果对总预测误差方差的贡献度。
(3)净溢出指数,衡量市场i对其他所有市场的净溢出大小,表现为溢出指数和溢入指数之差。
2.1.2 BK 风险溢出指数模型构建方法
Baruník 和Krehlík[21]基于频率响应函数Ψ(e-iω)=给出Xt在频率ω上的谱密度SX(ω) 如公式(10) 所示,可以刻画Xt的方差在频率ω上的分布。
其中,Ψ(e-iω) 由Ψh的傅里叶变换得到
广义因果谱(generalized causation spectrum)则可以定义为
其中(f(ω))j,k表示在给定频率ω上,变量j的谱由变量k的冲击导致的部分,由于式(11) 的分母在给定频率ω上变量j的谱,可以将(f(ω))j,k解释为频率内的因果关系,并且进一步引入变量j方差的频率份额作为权重函数：
Γj(ω) 表示在给定频率上变量j的功率。
因此,在频率带d上的广义方差分解为
其中d =(a,b),a,b∈(-π,π),a ＜b。
而且(θd)j,k,等于时域下H→∞时的(θH)j,k。(θd)j,k可进一步标准化为
此外,还可以计算在给定频率带d上的频率带内溢出指数(within spillover index)：
Sd忽略了其他频率带,仅关注单个频率带内溢出的相对占比。
2.2 绿色证券与传统金融市场风险传染模型构建
本节主要介绍在探究绿色证券与金融市场间风险传染机制时,所采用的R-藤Copula 模型与复杂网络的模型设定及构建方法。
2.2.1 混合R-藤Copula 模型构建方法
由于金融变量间非线性相依性的存在,根据Sklar 定理,Copula 函数是一类将联合分布函数与其各自边缘分布函数连接在一起的函数,多维变量的联合分布可以分解为一系列边缘分布函数的乘积。
首先,由DCC-GARCH 模型可以得到标准化残差向量(e1,t,e2,t,…,ek,t)。
设(e1,t,e2,t,…,ek,t) 的联合分布函数为F,联合密度函数为f,边缘分布函数分别为F1,F2,…,Fk,边缘密度函数分别为f1,f2,…,fk, 根据Sklar定理,存在一个K维的Copula 函数C,使得
令ui,t = Fi(ei,t),则
设Copula 函数C的密度函数为c,对(18)式两边同时求导得
根据式(17)至式(19)构建Copula 函数,并通过最大似然函数法估计Copula 的参数。
上式中,ξ =(φ1,φ2,…,φn;θ) 包含了边缘分布的参数φi和Copula 的参数θ。
变量维数增加时,Copula 模型难以分析高维变量,根据PCC 理论,可以将多维Copula 函数分解成一系列二维Copula函数的乘积,以便描述随机变量之间的相依性结构。
将Vine结构的图论思想引入进行PCC 的构建,通过多棵有序排列的树,表示了多维变量之间的关系,每棵树的每条边都对应着一个Pair-Copula 函数。
根据最大生成树的算法(MSTPRIM 算法)构建R-Vine 模型,如式(21)所示令树中任意两个节点之间Kendall′τ 绝对值之和最大,其中δi,j代表每两个节点之间Kendall′τ 的绝对值。
本文选取样本数据的维度是15,根据Pair Copula 函数构建多维Copula 函数的原理,将有15×(15-1)/2=105 个函数类型待确定。
多元Copula 函数可以分解为多个Pair Copula 函数乘积的形式,混合R-Vine Copula 的密度函数为
2.2.2 有向加权金融网络构建
在金融系统中,各市场风险通过某种关系相互溢出,从而使得金融风险溢出网络得以形成。
基于网络分析的思想,金融系统中的各子市场作为金融风险网络中的节点,节点之间的连边则代表市场之间的风险传导关系。
本文采用2.1节中计算得到的DY 溢出指数和BK 溢出指数作为金融风险传染网络的邻接矩阵构建我国绿色证券市场与传统金融市场之间的风险传染网络,并通过节点的中心度来分析金融风险溢出网络的特点和演化规律。
在加权网络中,节点的中心度定义为与该节点相连的边的权重之和,用以衡量节点的重要即一个节点的度越大,则该节点在金融风险网络中所处的地位就越重要。
对于有向网络来说,通常分为出度和入度。在本文构建的金融风险溢出网络中,由于是以溢出指数作为网络的权重,因此2.1 节构建的DY 和BK 方向性溢出指数可以直接体现为节点的出度和入度,这也是本文所构建的金融风险溢出网络的另一优势所在。
3.1 数据选取及变量说明
为了全面探究中国绿色证券市场与传统金融市场之间的风险传染特征,对现有文献研究对象较为片面的不足加以补充,本文将以行业细分的完整金融体系作为研究对象进行探究。
其中,由于部分特定行业的二级金融子市场与绿色证券市场明显不存在显著相关性,本文并未将信息行业、医疗行业在内的少数金融子市场纳入研究体系。
经过调整,本文的研究对象分为绿色证券市场与传统金融市场两个大类共计15 个金融子市场。
具体来说,绿色证券包括绿色债券和绿色股票2 个子市场,而传统金融市场包含将股票市场、债券市场、外汇市场、大宗商品交易市场和货币市场5 个一级子市场依行业细分后的13 个二级子市场。
为了更好的衡量各个金融子市场的行情表现,本文分别选择了有代表性的金融指数作为代理变量,各市场序号及具体的代理指数如表1 所示。
表1 我国绿色证券市场与非绿色金融市场研究框架表Table 1 Research framework of China"s green securities market and non-green financial markets
本文所获取的全部金融数据均来自于Wind 金融数据库,数据口径为日度收盘价数据。
样本区间为2015 年6 月30 日至2020 年9 月2 日,对于不同类型金融市场开盘差异导致的样本量不同的问题,通过保留公共样本,删除特殊样本的方式将各指标序列的样本量统一为1264。
为了进一步探究不同金融事件对于绿色证券市场与传统金融市场风险传染机制的影响,本文分别设定了3 个阶段的金融事件子样本,包括国际原油期货暴涨时期(2016 年10 月20 日至2017年2 月10 日)、中美贸易战与央行定向降准时期(2017 年10月11 日至2018 年10 月15 日)以及新冠疫情暴发时期(2020 年2 月3 日至2020 年9 月2 日)。
各指标收益率数据基于如下公式计算：Rt =log(Pt)-log(Pt-1)。
进一步地,各金融市场收益率序列的描述统计总结于表2。
表2 各金融市场收益率序列描述统计表Table 2 The descriptive statistics of return series for each financial market
由表2 可知,样本期内,除传统股票市场和外汇市场平均收益率为负值,其余市场收益率均大于且接近于0。
其中绿色债券的平均收益小于传统债券,暴露出其收益水平较低的缺点,而绿色股票市场收益水平高于传统股票市场则体现出绿色股票收益稳定的特点。
从各收益序列的标准误差来看,股票市场与期货市场相对较高,其他金融市场相对较低,与前文的初步判断结论一致。
从各序列的分布特征来看,全部金融市场的JB 统计量均显著且峰度大于3,绝大多数序列的偏度小于0,因而各个金融市场都呈现出轻微左偏,并具有金融时间序列特有的尖峰厚尾分布特征。
也因此,本文对各个收益序列拟合GARCH 模型计算波动率时对残差项均采用了偏t分布。
此外,各个金融市场均通过了单位根检验,说明其为平稳序列,可以进行时间序列分析。
绝大多数序列的Q 统计量,全部序列的Q2统计量显著表明序列具有自相关效应,ARCH-LM 统计量显著则表明全部金融序列均具有异方差效应,适合运用GARCH 模型进行拟合以提取波动率数据。
3.2 混合R-藤Copula 模型构建与分析
本节对国内绿色证券与传统金融市场首先构建了R-藤Copula 模型,并根据AIC 准则选择两两市场间最优的Copula类型。
需要注意的是,R-藤Copula 依据最强相依性准则构建,也即相连的市场在系统中具有最强的风险关联性,从而可以从系统层面探究风险联动网络,但并不意味着未相连的市场间风险联动性一定比较弱。
全样本期内R-藤Copula 模型的第一棵树结构总结于表3 中Panel A。
此外,为了进一步探究金融事件对于金融市场风险传染的影响机制,本章进一步对三阶段金融事件发生时间分别构建了R-藤Copula 模型,并将结果总结于表3 的Panel B 至Panel D。
具体来说,表格中树中的边为两两市场间的连结情况,第一棵树结构即为联系最为紧密的金融市场两两组合而成的网状结构,Copula类别代表两两市场的联合分布情况,第四列的相关系数特指Kendall 相关系数。
以金融市场为节点,R-藤Copula 的数形结构为边,本章分别对常规状态与三阶段金融事件发生时期绘制了多层联动网络图,各市场联动状况如图1 所示。
为了更直观地展示不同时期下绿色证券市场在金融系统中的结构变化,图1 中的虚线将绿色股票市场和绿色债券市场各自串联。同时,本文将藤状结构的“主干道”标记为加粗实线,用以突出风险传递路径,而各“枝杈”则以点线加以区分。
图1 绿色证券与金融市场多层动态风险联动网络图Figure 1 Multi-layer dynamic risk linkage network diagram of green securities and financial markets
表3 第一棵树R-藤Copula 模型参数表Table 3 Parameter estimation table of the first level R-Vine-Copula model
此外,在构建R-藤Copula 模型时,Copula 函数主要分为阿基米德Copula 函数族以及椭圆Copula 函数族。
其中椭圆Copula 函数族主要包括t-Copula 函数以及Gaussian-Copula函数等,该类函数的尾部相关性呈对称分布。
而阿基米德Copula 函数族主要包括 Gumbel-Copula 函数、 Clayton-Copula 函数、Frank-Copula 函数以及各基础函数的旋转函数,该类函数的特征在于其仅对上尾或下尾的其中一类较为敏感,上下尾相关性不对称。
相比于普通的相关系数,尾部相关系数一般用来衡量极端风险下的市场联动性,其中各金融市场波动率的上尾相关性指两个金融市场联合分布的左侧尾部的相关性水平,也即波动率暴涨时期的相关水平。
与之相对应的,下尾相关指联合分布的右侧尾部的相关性水平,也即波动率暴跌时的相关水平。
3.2.1 基于全样本期内R-藤结构的风险传染机制分析
根据表3 中R-藤Copula 模型第一棵树结果结合图1 中第一层常规联动网络可以看出,除货币市场外,同类市场具有更强的相关水平,整个金融市场以股票市场、债券市场和期货市场为主体串联而成。
而从市场间的联动水平来看,同类型不同行业的金融市场内部风险相关性均在0.5 以上,市场内部更易传递风险。
此外,各市场间大多具有非对称性的上尾相关系数,也即某一市场的波动率水平出现极端上升时更容易通过风险传递使其他市场产生风险的极端上升。
具体来说,在常规时期内的金融系统内,绿色债券市场主要与公司债市场、金融债市场以及能源期货市场相连,作为中介市场贯通债券市场和期货市场。
其中,绿色债券与公司债券市场之间以正态分布(N分布)相连,相关系数为0.34,两者联动水平较低;绿色债券与金融债市场间以非对称的Gumbel 分布(G分布)相连,相关系数为0.65,而上尾相关系数高达0.72,说明两市场风险联动水平较强且在风险上升具有更强的传染性;绿色债券与工业期货市场之间以Student-t(t分布)分布相连,相关系数为0.54,上下尾相关系数为对称的0.13,两市场间具有中等强度的风险关联性,且极端金融事件对于风险传染强度的影响较小。
相比之下,绿色股票市场在常规状态下处于股票市场的边缘位置,分别与外汇市场以及工业股票市场相连。
其中,绿色股票市场与外汇市场间以旋转180 度的Clayton 分布(SC分布)相连,两者相关系数为0.24,上尾相关系数为0.34,说明在极端事件下两者的风险联动性会上升,但整体上依然处于较低水平;绿色股票与工业股票市场之间同样以SC分布相连,相关系数为0.69,上尾相关系数为0.85,较高的上尾溢出表明两者更易受极端风险的影响产生风险传递。
此外,工业股票市场以及工业期货市场是整个金融体系中的重要风险传输枢纽,两者分别将股票市场、货币市场、债券市场以及期货市场、债券市场相联结,说明工业行业依然是我国金融体系中的风险核心,需要市场监管者加以关注。
结合表3 常规状态相关系数参数与图1 藤状相依结构可以进一步看出,在常规状态下,我国金融市场的风险传递结构相对稳定,同类市场具有更强的风险关联水平。
即某一市场产生意外的金融波动时,金融风险更加倾向于向同类市场进行内部传播,不易产生跨市场风险传染。
当风险传递至工业股票市场与工业期货市场这样的枢纽型市场时,才会有限地向外界传播,而风险水平也可能在传递过程中进一步减弱。
因此,常规状态下较为稳定的市场结构会导致金融风险集中于同类市场内部,难以形成跨市场的系统性交叉传染。
同时,可以发现常规状态下的传播链较短,且各藤状结构的“枝杈”均为同类市场,这也意味着各个不同“枝杈”的金融市场难以互相逾越传递风险。
综上所述,在常规状态下,我国金融体系以股票市场、债券市场、期货市场为主体与其余金融市场相连形成线性的风险联动结构。
同类型市场内部风险联动水平较强且大多市场间具有非对称的上尾相关结构,易受极端风险的影响产生风险传递。
工业行业股票、期货市场是金融体系中的风险传输枢纽,而绿色债券与绿色股票分别联结了债券、期货以及外汇、股票市场。
在未发生重大金融事件的情况下,风险倾向于在同类市场内部传递,难以进行大规模的跨市场风险传染。
3.2.2 基于金融事件发生期间R-藤结构的风险传染机制分析
相比于常规状态,金融事件发生期间,我国金融体系中各市场的风险联动水平以及联动结构均发生了较大变化,而绿色证券市场与其他金融市场间的联动状态也发生了显著变动。
由此,为了进一步探究金融事件对于中国绿色证券市场与传统金融市场间风险传染特征的影响,本文分别针对包括原油价格暴涨、中美贸易战/定向降准以及新冠疫情在内的2015 年至2020 年最重要的三阶段金融事件依次构建了R-藤Copula 模型。
具体来说,原油暴涨事件产生的原因在于OPEC 国家为了控制国际原油价格而进行产量限制,以至于国际油价快速飙升,从而通过能源相关市场间接影响国内金融市场。
而在中美贸易战/定向降准阶段,中国作为事件中重要的主体之一,金融市场受到了严重的负面冲击。
但是在该阶段,金融影响主要在中美双方,对国际金融市场主要存在间接影响,影响范围相对有限。
在近期发生且依然持续的国际新冠疫情阶段,中国作为最早受到疫情影响的国家之一,实体经济受到严重影响,进而拖累金融市场,造成股价暴跌等负面情况。
同时,新冠疫情的出现不仅局限于中国,对于全世界各国的实体经济与跨国贸易均产生了严重下行影响,进而产生国际市场波动,进一步反向恶化国内金融市场。本文通过深入对比分析影响力由弱到强的海外金融事件、中国金融事件、国际金融事件,得以进一步解析中国绿色证券市场与传统金融市场间的风险传染机制,为应对金融事件,控制市场风险提供理论参考。
在原油价格暴涨阶段,虽然金融体系依然遵从着以债券、股票、期货市场为主体的线性相依结构,但是绿色股票市场不再继续与传统股票市场相连,转而与金融债券市场联结。
具体来看,绿色债券市场作为股票市场以及债券市场间的连接点分别与能源股票市场和金融债市场相连。
其中,绿债市场与金融债市场以G分布相连,相关系数为0.76,上尾相关系数为0.82;绿债市场与能源股票市场以Frank 分布(F分布)相连,相关系数为负0.32,也即两者在原油价格保障期间两者金融风险呈较低相关性的反方向变动。
作为能源市场上的重要标的物之一,原油价格的暴涨直接影响了能源企业的营运与市场表现,从而推动能源行业股票价格大幅波动。
相比之下,传统能源的价格上涨对于以新能源科技创新为主要产业的绿色环保企业来说是利好消息,从而绿色债券的发行主体也会因自身经营业绩的上升减弱违约风险,维持债券价格的稳定。
原油价格暴涨对于绿债市场和能源股票市场的反向作用机制造成了两者的负相关系数。
与之类似,绿色股票市场在此阶段也异常地与金融债券市场以F分布相连,并且产生了-0.5 的反向风险联动。
而在整个系统层面,原本作为重要风险联动枢纽的工业行业股票、期货市场也在此阶段被与油价更为紧密的能源行业和农业行业代替。从原油价格暴涨时期的系统藤状结构结合相关系数来看,同类市场内部的风险关联性依然处于较高水平,特别是债券市场的内部相关系数进一步上升,使得风险进一步在同类市场内部传递。
具体来说,原油价格水平的上升会通过影响能源相关市场对金融系统风险水平产生影响。
同时,中国作为世界上最大的石油进口国,原油价格上涨还会对国内实体经济,特别是产业链上游的企业造成严重负面影响,进一步间接影响金融市场稳定性[38]。
这一过程具体表现为债券、股票、大宗商品市场的风险关联性进一步上升。
然而整体来看,原油价格的上涨并未对我国金融市场的风险传递产生结构性影响,也即同类市场的内部传染依然是金融风险的主要传递路径,跨市场的风险传递有所增加,但依然为间接传染。这一现象表明,国际原油价格暴涨作为一种海外产生,并且影响范围集中于能源产业上游市场的金融事件,尽管会对提升中国金融市场的风险关联水平,但并不会对系统结构产生显著影响。
在中美贸易战/定向降准阶段,期货市场与债券市场都产生了显著的割裂现象,同类市场内部会被其他市场截断,而股票市场在此阶段作为系统核心,与其他类别的金融市场均有联结。
无论是在风险传播链的“主干道”还是外延的“枝杈”,都存在众多跨市场类型的连接点位。
具体来看,与常规状态一致,绿色债券市场作为中介将债券市场和期货市场联结,分别与金融债市场和工业期货市场相连。
其中,绿色债券与金融债市场间以t分布相连,相关系数为0.75,上下尾相关系数为对称的0.76,三者数值相似表明两个市场在任何情况下均具有较强的风险关联水平;绿色债券与工业期货市场以Clayton 分布(C分布)相连,相关系数为0.42,下尾相关系数为0.62,也即两市场在波动率处在较低水平时具有更强的联动性。
绿色股票市场则分别与工业股票市场以及回购市场相连。
绿色股票与回购市场以旋转了90 度的Clayton 分布(C90 分布)相连,相关系数为0.4;绿色股票与工业股票市场以F分布相连,相关系数为0.73。
在中美贸易战与定向降准的影响下,原本指向同类市场的风险联动开始向外部市场转化,从而形成了图1 中此阶段各类市场断裂的风险联动。
此外,由于中美贸易战主要通过影响国际性的外贸交易,对于企业的市场表现产生的巨大的负面影响,因而股票市场成为了此时间段下的主要风险输出者,这也是整个系统下股票市场成为核心的主要原因。
同时,在中美贸易战产生的负面影响下,我国金融系统的风险传染结构开始产生显著变化。
在此阶段,金融风险的传递不再局限于同类市场内部,具体表现为在最大生成树的筛选下,不同类型市场间的风险关联性开始出现显著上升。
当某一金融市场受到经济下行影响产生波动时,金融风险除内部扩散外,还有更大几率向其他市场交叉传染,从而向整个金融系统扩散蔓延。由此可见,不同于原油价格上升,中美贸易战这类对中国全行业均存在负面影响的金融事件,不仅会提升市场间的风险溢出水平,还会显著改变风险传染结构,将常规状态下的同类市场内部传染转化为跨类属性的交叉传染。
在新冠疫情阶段,债券市场与货币市场同样出现了割裂现象,公司债市场转而与期货市场相连。
并且在此阶段,绿色债券与绿色股票市场分别处于债券和股票市场内部,而非作为中介处在多类市场中间。
具体来说,在新冠疫情阶段,绿色债券市场在债券市场内部仅与国债和企业债市场相连。其中,绿色债券与国债市场以正态分布相连,相关系数为0.5;同样的,绿色债券与企业债券之间以正态分布相连,相关系数为0.51。
在新冠疫情期间,绿色股票市场则处于传统股票市场内部与能源股票以及材料股票市场相连。
其中,绿色股票与能源股票市场间以t分布相连,相关系数为0.76,上下尾相关系数为对称的0.29。
值得注意的是,绿色股票与能源股票间是极少数的上下尾相关性远小于Kendall 相关系数的情况,说明在正常状态下两市场间便具有较强的风险关联性,而极端事件的出现并不会显著提升两者间的风险传染能力。
绿色股票与材料股票市场之间以Joe 分布(J分布)相连,相关系数为0.79,上尾相关系数为0.9。
与中美贸易战/定向降准阶段相似,在新冠疫情阶段我国金融系统同样具有跨市场联结的特征,且同类型金融市场内部的风险联动性有所降低,转化为跨市场的风险联动。
从中国金融市场的风险传递结构来看,新冠疫情的出现使常规状态下的稳定结构进一步遭到破坏,风险传染的“主干道”变长,而“枝杈”数量有所减少。
这一现象意味着跨市场的交叉传染水平进一步强化,各“枝杈”对于风险传染的抑制效果减弱,多数市场均在主要路径上因而更易受到金融风险的交叉传染。
相比于原油价格暴涨和中美贸易战,新冠疫情在中国首先得到确认并在世界范围内都产生了严重的负面影响,其对国际经济造成的下行效应要强于前两者。
新冠疫情对于我国金融市场藤状结构的影响进一步证明,金融事件的产生会使常规状态下的同类市场内部传染转化为跨市场传染,并基于风险的循环往复式发展,产生横跨全部金融市场的系统性金融风险。
总结来说,相比于常规状态下的金融市场风险联动结构,在金融事件发生期间,各同类型的金融市场会具有更显著的割裂效果,也即同类型市场的内部风险传染会转化为与其他类型市场的跨市场交叉传染。
而从原油价格暴涨到中美贸易战再到新冠疫情期间割裂效果逐渐增强的现状可以看出,影响范围更广、负面效果更强的金融事件更易造成风险在各个市场间的交叉传染,并进一步演化为贯穿整个金融市场的系统性金融风险。
从风险联动水平上看,同类型金融市场内部的联动水平会有所降低,转化为跨市场的风险联动,但在金融事件的作用下,同类市场内部更易出现极端风险联动。
3.3 有向加权金融网络构建与分析
为了进一步从系统层面探究绿色证券市场与传统金融市场间的风险传染机制,本节基于DY 和BK 溢出指数构建了有向加权金融网络进行分析。
首先,分别使用基于GARCH 族模型计算得到的波动率数据,构建了绿色证券市场与传统金融市场间的DY 风险溢出指数和BK 风险溢出指数。
其中,DY 溢出指数在计算过程中根据AIC 准则选取2阶滞后项,向前预测步长为100,用以探究时频条件下绿色证券市场与传统金融市场间的风险溢出关系。
为了进一步探究不同频率段下各市场间差异化的风险溢出情况,本文参考Liang 等[39]的研究方法,将频域分解为0 ～22 天的高频率段(一个月)、23～250 天的中频率段(一个月至一年)以及251天以上(一年以上)的低频率段。
在计算BK 溢出指数的过程中,根据AIC 准则选取滞后阶数为2,并且为设定一个较大的向前预测步长以降低模型误差,本文将BK 溢出指数中的H 设定为250。
为了进一步探究绿色证券市场与传统金融市场间的动态风险溢出水平,本文使用滚动时间窗的方法,将时间窗设定为200,分别构建了时域以及频域下的动态风险溢出指数。
3.3.1 基于全样本期内有向加权网络的风险传染机制分析
将基于上述方法计算得到的溢出指数作为边,各个金融市场作为节点,对常规状态以及原油价格暴涨、中美贸易战/定向降准、新冠疫情三阶段金融事件分别构建了图2 至5 所示的金融市场风险传染有向溢出网络。
其中,节点的颜色深浅代表该市场的风险溢出类型,深色节点表示该金融市场为风险净溢入市场,浅色节点代表风险净溢出市场。
各节点直径的大小代表该金融市场的风险溢出水平的大小,节点直径越大表示该市场的风险总溢出水平越强,节点间的箭头越粗代表该溢出水平越强。
图2 常规状态下绿色证券与金融市场间风险传染网络① 风险溢出网络中高、中、低强度的划分分别以常规状态下风险溢出水平的10%、30%作为阈值。Figure 2 Risk contagion network between green securities and financial markets under normal conditions
图2展示了常规状态(全样本期内)下绿色证券市场与传统金融市场间的风险传染网络图。
从图中可以看出,无论在时域还是频域下,最强风险溢出水平几乎只存在于同类型市场内部,也即我国金融系统内的高水平风险溢出都集中于内部传染,且债券、股票与期货市场的内部风险传染最为强烈。
具体来说,在常规状态下,中频溢出强度最高,流动性较强的股票市场和期货市场是金融系统中主要的风险净溢出者。
相比之下,高频溢出和低频溢出强度较低。
但是值得注意的是,在高频率段下,债券市场具有最强的溢出水平,而在低频率下,股票市场和期货市场则具有较强的风险溢出水平,两频率段下的风险溢出水平存在“跷跷板”效应。
产生这一现象的原因可能在于：债券作为一种长周期的债权证明,其价格波动主要存在于结算期前的二级市场供求关系的变动,因而其市场内部的风险传染也主要存在于结算期前的较短周期内。
与之相比,股票市场在常规状态下由于没有极端事件的影响,投资者主要依据上市企业的基本面信息进行中长期的价值投资,因而股票市场的风险传染也主要产生于中长赎回期,也即在常规状态下相较于高频股票市场更易出现低频溢出。
综上,在常规状态下,较高水平的风险溢出主要集中于同类市场内部,跨市场风险传染水平相对较低,而股票市场是整个金融系统的风险净输出核心。
从不同频率的溢出差异来看,常规状态下中频溢出的水平最强,高频溢出与低频溢出的强度最低,且两频率段下的风险溢出水平强度存在“跷跷板”效应,也即同一市场大多仅在高、低其中一个频率段下具有较强的风险溢出。
3.3.2 基于三阶段金融事件发生期间金融网络的风险传染机制分析
与R-藤Copula 相对应地,本文同样针对原油价格暴涨时期、中美贸易战/定向降准以及新冠疫情期间分别构建了混频风险传染网络,网络结构如图3 至图5 所示。
图3 国际原油价格暴涨期(2016 年10 月20 日—2017 年2 月10 日 )绿色证券与金融市场间风险传染网络Figure 3 Risk contagion network between green securities and financial markets during sharp rise in international crude oil prices period (October 20, 2016—February 10, 2017)
在原油价格暴涨时期,由于股票市场和大宗商品交易市场的流通性较强,其对原油价格快速且剧烈的上升反应最为强烈。
在(a)子图的时频条件下,高强度的风险溢出主要集中于股票市场和期货市场,其中股票除了向内部输出风险,其对债券市场的交叉风险溢出水平同样显著上升,系统整体的联通性有所上升,这一现象与现有文献结果一致[40]。
值得注意的是,由于传统能源的价格上涨利好新能源等绿色资源市场,从而促使投资者集中配置绿色股票,强化了绿色股票市场的风险溢出水平,使得绿色股票市场在此阶段成为金融系统的风险核心,对多个市场均产生了较高强度的风险溢出。
在时域状态下,高频溢出整体上升最为明显,各市场间均产生了强度相似的高水平风险溢出,在金融系统内均匀扩散;相比之下,中频溢出与时域溢出表现最为接近,金融系统中以股票市场和期货市场作为风险输出主体,整体呈现出跨市场的交叉风险外溢;最后,低频溢出表现与高频溢出相反,在此时期市场内外部溢出水不升反降,金融系统整体上呈现出均匀的低风险溢出。
在此阶段,国际原油价格的上升是由OPEC 控制石油出口量导致的供不应求,事件持续较短且对于金融市场的影响有限,因而市场上的金融风险倾向于短期快速传播,具体表现为低频溢出向高频溢出转化,并通过交叉传染的方式使市场整体风险联通性显著上升。
从图4 可以看出,在中美贸易战/定向降准时期,债券市场成为了主要的风险溢出者。
在此阶段,中美贸易战的主体双方中美两国均对对方施加了高额的反倾销关税,严重影响了中国乃至国际贸易市场。
国际经济环境的显著恶化,促使投资者降低高风险高流动性资产的配置份额,转而将资金投入于风险水平较低的债券市场,定向降准政策的颁发使企业得以以较低的实际贴现率大幅发债融资,进一步强化了这一现象。
从不同频率段的水平差异来看,时域下的高水平风险溢出主要出现在债券市场,而跨市场的风险溢出也大多上升至中等强度。
在频域下,金融系统的高频溢出相比于常规状态整体上升明显,且债券、股票、期货三个主要市场间的具有高强度的跨市场溢出;中频条件下,系统内风险溢出结构与时域相似,溢出水平整体上升,而同类市场内部溢出下降;低频条件下,除公司债市场对外输出较强的长周期溢出外,其余市场间风险溢出水平均显著下降。
从系统整体的视角来看,相比于常规状态,同类市场内部的风险溢出水平进一步降低,其中股票市场的表现尤为明显,取而代之的是各个市场间产生了中高水平的跨市场交叉风险传染,该表现与原油价格上升阶段具有一致性。
此外,在频域下,跨市场溢出水平的显著上升主要集中于中频和低频,而高频溢出依然具有较为强烈的内部溢出。
这一现象进一步表明,短期内,受到金融事件引起的金融风险会在同类市场内部进行扩散,并逐步传染至其他市场,经过循环往复的交叉传染后最终导致金融系统联通性的整体上升。
图4 中美贸易战/定向降准时期(2017 年10 月11 日—2018 年10 月15 日)绿色证券与金融市场间风险传染网络Figure 4 Risk contagion network between green securities and financial markets during Sino-U.S. trade war/targeted RRR cuts period (October 11, 2017—October 15, 2018)
在新冠疫情爆发时期,世界性严重疫情的出现使得跨国贸易市场停摆,国内实体经济增长停滞,对金融市场产生了无差别的严重负面影响。
由图5 可知,在此时期,由于实体产业收益水平下降,大量资金被投入资本市场,这其中可操作性较强、收益水平较高的股票、期货市场成为投资者首选,导致股票市场和期货市场在此阶段成为了系统中主要的风险溢出者。
从不同频率段的水平差异来看,时域条件下,新冠疫情的出现使得我国金融市场的系统联通性进一步上升。除股票市场和期货市场内部存在部分高水平溢出,其余市场内外部风险溢出均转化为强度相近的中等溢出,跨市场的风险交叉传染导致系统整体风险联通性显著上升。
而在时域下,高频溢出水平相较于常规状态有所上升,部分跨市场溢出水平由中等强度上升至高强度;中频条件下,在内部溢出不减的情况下,跨市场溢出有所上升,系统内部溢出水平整体上升;低频条件下,各市场内部溢出向跨市场溢出转化,但系统总溢出水平有所下降。
这一现象与前两阶段金融事件相似,均表现为低频溢出向高频溢出转化,同时风险传染路径是由市场内部传染逐步向跨市场交叉传染转化,最后引起市场整体连通性的上升。
图5 新冠疫情时期(2020 年2 月3 日—2020 年9 月2 日)绿色证券与金融市场间风险传染网络Figure 5 Risk contagion network between green securities and financial markets during COVID-19 period (February 3, 2020—September 2, 2020)
总结来说,相比于常规状态下的风险溢出水平,金融事件的出现主要存在以下影响：首先,金融事件发生期间,无论是在时域还是频域,同类型市场内部的风险溢出会向跨市场的溢出进行转化,同类市场的内部风险溢出有所下降,跨市场溢出有所上升。
也即金融事件对于金融系统风险传染的作用机制是通过提升跨市场风险传染使金融系统风险联通性整体上升,而非简单提升某个具体市场的风险传染能力。同时,上述影响机制的产生存在一定发展过程,而非即时完成,具体表现为：在短期内,受到金融事件引起的金融风险会在同类市场内部进行扩散,并逐步传染至其他市场,经过循环往复的交叉传染后最终导致金融系统联通性的整体上升。其次,从不同频率的风险溢出来看,金融事件的出现会引起使得高频溢出水平显著上升,中频溢出和低频溢出会向高频溢出转化,也即重大金融事件期间会产生更为剧烈的即时影响。
并且,上述机制在运行过程的剧烈程度与金融事件自身的影响水平有关,事件影响范围越广、影响力度越强的金融事件所产生剧烈程度也会越强。
3.4 R-藤Copula 模型与混频金融网络结果的比较分析
比较3.2 节中R-藤Copula 模型的结果以及3.3 节中混频复杂网络的结果可以发现,两者分析得到的结论基本一致,可以简单概括为金融事件会通过提升跨市场交叉传染水平整体提升金融系统的风险联通性。
而复杂网络所体现出的频域信息则进一步表明,金融事件发生期间,金融风险低频溢出会向高频溢出转化,并由内部传染逐步向跨市场交叉传染转化。
具体来说,金融系统中的任何市场都可能在突发事件的影响下产生金融风险,其中资产流动性高,个人投资者较多的核心市场(如股市、债市等)更易发生风险。
随后,风险会首先在同类型市场的内部进行传播,当风险传递至核心的中介市场时,受到金融资产“探戈效应”的影响,其市场波动水平很可能会随之放大。
另一方面,由于国内金融市场上依然以个人投资者为主,投资者获得的有限信息很可能受到自身“羊群效应”与“唤醒效应”的影响,通过投资标的的二次转换进一步产生跨市场交叉传染。
在此过程中,R-藤Copula 的结果表明我国金融市场间具有更高的上尾相关系数,也即突发性的极端风险上升时更易产生风险传递。
在上述过程的循环往复下,多次的交叉再传染使得原本同类市场内部传染的稳定结构发生改变,各市场间的风险溢出水平不断接近,从而最终发生整个金融系统的系统性风险,也即混频复杂网络中所显示的市场整体风险互通。
本文首先构建了常规状态与原油价格暴涨、中美贸易战/定向降准以及新冠疫情三阶段金融事件下的R-藤Copula 模型,并分别绘制了绿色证券与传统金融市场间第一棵树结构的联动网络。
随后,基于时域与频域下的溢出指数,构建了常规状态与三阶段金融事件下各市场间的有向加权溢出网络。
通过联动网络与溢出网络的实证分析,在系统层面下探究了我国绿色证券与传统金融市场间的风险传染机制,得到如下研究结论：
一方面,从系统层面的风险联动角度来看,在常规状态下,我国金融体系以股票市场、债券市场、期货市场为主体与其余金融市场相连形成线性的风险联动结构。
同类型市场内部风险联动水平较强且大多市场间具有非对称的上尾相关结构,易受极端风险的影响产生风险传递。
相比之下,在金融事件发生期间,各同类型的金融市场会具有更显著的割裂效果,即同类型的金融市场会转而与其他类型的市场连结。
从风险联动水平上看,同类型金融市场内部的联动水平会有所降低,转化为跨市场的风险联动,但在金融事件的作用下,同类市场内部更易出现极端风险联动。
另一方面,从系统层面的风险溢出角度来看,常规状态下,高水平风险溢出主要集中于同类市场内部,股票市场是整个金融系统的风险输出核心。
从不同频率的溢出差异来看,常规状态下中频溢出的水平最强,高频溢出与低频溢出的强度最低,且两频率段下的风险溢出水平强度存在“跷跷板”效应,同一市场大多仅在高、低其中一个频率段下具有较强的风险溢出。
相比之下,金融事件的发生主要在两方面影响金融系统的风险溢出。
首先,金融事件会通过提升跨市场风险传染使金融系统风险联通性整体上升,经过“产生→交叉传染→再交叉传染”的过程最终使整个金融系统内部的市场间风险溢出水平趋于一致,系统风险联通性显著上升。
其次,从不同频率的风险溢出来看,金融事件的出现会引起使得高频溢出水平显著上升,中频溢出和低频溢出会向高频溢出转化。
基于上述研究结论,本文提出了如下建议：
首先,对于绿色证券市场的市场监管者来说,可以从优化风险管理指标体系,以及动态监控国际金融环境两个角度提升绿色证券市场的风险防控水平,优化新兴证券市场的管理体系。
市场监管者需要与政府政策制定者合作,通过分析政策的施行方式以及国际经济环境形式,提前对潜在金融事件进行早期预警,尽量降低金融事件对于绿色证券水平的负面影响,防止因投资者集中买卖放大市场风险。
其次,对于绿色证券市场的投资者来说,由于自身获取信息的能力相对有限,在负面金融事件发生产生金融风险时难以通过及时调整投资标的方式降低投资损失。
因此,投资者一方面应该提升自身的信息获取能力,并将其运用到资金仓位的管理当中。
另一方面,投资者还可以根据本文得到的绿色证券市场与传统金融市场间风险传染水平的相关结论,选择绿色证券以及与之风险联动较低的市场构建多个投资组合,通过分散资金、降低内部风险传染的方式减少潜在的投资损失。
猜你喜欢 股票市场传染金融市场 金融市场：寒意蔓延【精读】英语文摘(2022年12期)2022-12-30假如金融市场崩溃，会发生什么？ 精读英语文摘(2022年6期)2022-07-23Our Mood Can Affect Others初中生学习指导·中考版(2021年2期)2021-09-10听说，笑容是会“传染”的意林绘阅读(2019年12期)2019-12-30中国股票市场对外开放进入下半场中国外汇(2019年20期)2019-11-25货币政策与股票市场流动性的互相关关系研究智富时代(2019年6期)2019-07-24货币政策与股票市场流动性的互相关关系研究智富时代(2019年6期)2019-07-24我国股票市场的有效性研究智富时代(2018年11期)2018-01-15我国股票市场的有效性研究智富时代(2018年11期)2018-01-15传染故事作文·低年级(2017年7期)2017-07-20