金融风险溢出效应综述

【摘 要 】金融市场间的相依关系越来越密切,当风险来临时,准确地刻画高频率变化的金融市场之间的风险溢出效应是金融研究领域重要的课题,这对于金融市场运行机制的建立和金融决策都具有非常重要的理论和现实意义.随着金融的全球一体化,金融市场的风险管理越来越被投资者和管理者所重视.

【关 键 词 】金融风险溢出效应, Granger因果检验,GARCH模型,Coupla函数

引言：随着经济全球化、金融市场一体化的深化和信息技术的发展,资本配置和流通的范围逐渐超越国界向全球范围内扩展.越来越多的事实和经验证明,某一金融市场的波动不仅受到本市场历史波动程度的影响,还可能受到其他相关市场波动一定程度的制约,这就是我们通常所说的金融风险溢出效应.最为典型的例子就是08年美国金融危机爆发后,危机从美国的金融市场迅速扩散到世界其他各地的金融市场,致使全球金融市场一片惨淡.在此之后,金融市场间风险溢出效应的研究也逐渐成为当今金融领域研究的一个热点.理论研究方面,学者们先后提出了大量的研究方法和模型,用以检验和度量

金融风险的传染性.在参阅相关文献的基础上,笔者认为各国学者对该领域的研究理论和方法大致可以分为以下几类：

一、VAR模型及格兰杰因果检验

VaR 方法是目前国际上度量风险的主流技术,它是指给定置信度的一个持有期内的最坏的预期损失,即在一定持有期和一定的置信度内,某金融工具和投资组合所面临的潜在的最大损失.VaR方法由于概念比较简单,容易理解,得到了《巴塞尔协议Ⅱ》的应用推广.Granger 因果检验则主要用于检验经济变量间的因果关系.Eung和Shim（1989）[1]运用VaR方法和Granger 因果检验对美国、英国、德国、法国、瑞士、加拿大、澳大利亚、日本以及中国香港的股票指数进行实证研究,发现不同国家的股票市场之间的风险传递存在着明显的不对称性.即美国股市波动对其他股市的波动起着主要引导作用,然而,美国股市的变动受其他国家股市的影响非常小.Koutmos G.（2010）[2] 综合运用协整性分析、Granger 因果检验、脉冲响应函数和方差分解等多种方法研究了伦铜和沪铜之间的相互关系,发现两者长期存在均衡,2008年金融危机之前伦铜对沪铜有着更强的引导作用,在2008金融危机之后,随着中国大宗商品定价权的不断增强,沪铜对伦铜的引导作用也在逐步变强.国内方面,我国学者潘慧峰（2011）[3]根据全球主要的石油市场组合,把均值、方差、分为数作为写作技巧变量,用Granger因果检验研究了石油市场之间的风险溢出效应,并分析指出Granger因果关系的存在是风险溢出的主要因素.

总之,Granger 因果检验主要用于定性分析两个变量之间是否存在相互之间的风险传递关系,至于在衡量这种风险传染的强度方面就显得比较无能为力.而VaR作为一种乏理论的方法,其主要作用在于通过模型进行预测而不是做政策分析,同时也不能对市场间的相关特性作动态分析.

二、基于GARCH模型簇的动态相关性研究

（一）基于单变量GARCH模型的动态相关性研究.GARCH模型（广义自回归条件异方差模型）通过采用条件异方差建模的方法描述了波动的时变特征,是分析金融市场的波动聚集性和厚尾性的重要工具.GARCH模型首先是由Hamao（1900）[4]提出的,他通过建立单变量GARCH-M模型研究分析了美国股市、英国股市以及日本股市间的风险溢出效应,最后发现在信息传递过程中,美国股市是其他国家股市主要的信息输出源.

（二）基于多变量GARCH模型的动态相关性研究.为了分析多个资产或多个市场间的联合波动性和波动相关性,单变量GARCH模型被推广到了多变量GARCH模型.主要有VECH模型（Bollerslev、Engle和Wooldridge,1988）、BEKK模型（Engle和Kroner,1995）、CCC-多元GARCH模型-------长相关多元GARCH模型（Bllerslev,1990）和DCC---多元GARCH模型---动态相关多元GARCH模型（2002）.

Hammoudeh等（ 2003 ）[5]运用DCC---多元GARCH模型分析了NYMEX的原油期货,汽油期货,燃料油期货与世界其他地区的相应市场的信息流动状况,发现NYMEX的石油期货是其他地区石油的领导者.国内方面,陆丽娜（2006）[6]运用Dcc一（Bv）EGARcH一VAR（具有动态条件相关性和外生性外部冲击的非对称双变量EGARCH模型）模型对上海股市,深圳股市,香港股市的风险溢出效应进行研究,结果证明港股对我国内地股市存在着单向的风险溢出效应,并且随着我国对外程度的不断扩大,这种溢出程度也在不断加强.

（三）基于GARCH模型的波动非对称性动态研究.尽管GARCH模型能够捕捉到金融时间序列数据中表现出来的厚尾性和波动聚集性等特征,但时变条件方差的值仅取决于滞后扰动项的大小,与滞后扰动项的符号无关,因而无法捕捉到金融时间序列中表现出来的波动非对称性.而在实际过程中,当金融资产波动受好消息和坏消息影响时,表现出坏消息冲击产生的波动往往要大于好消息冲击带来的波动.因此,学者们在一般GARCH模型的基础上又相继提出了一些能描述金融资产非对称波动性的模型,如EGARCH模型（指数GARCH模型）（Nelson,1991）、GJR-GARCH模型（Glosten、Jagannathan 和Runkle,1993；Engle和Ng,1993）和TGARCH模型（门限GARCH模型）（Zakoian,1994）等几种修正的GARCH模型.（Nelson,1991）[7]利用非对称性EGARCH模型分析美国金融市场的收益率序列,Figlewski（1997）[8]使用QGARCH、AARCH （加强的ARCH）、STARCH（平滑转移ARCH ）对纽约、伦敦、等几个市场的杠杆效应进行讨论,以上研究均发现,收益率的波动率存在显著的杠杆效应,并且表现为负冲击产生的波动影响更大. 尽管GARCH模型簇在金融市场的各个领域都得到了广泛的应用 ,但是由于它对时间序列的边缘分布要求较严格,检测设收益方程的随机扰动项只能服从正态分布,但事实上,在收益率序列中,处于分布两端的收益率概率普遍比正态分布检测定下计算出来的要高,也就是收益率序列通常都存在着明显的“尖峰厚尾”特征.这也是GARCH模型簇在分析风险溢出效应时存在不足的地方.

三、基于Coupla模型簇的风险溢价研究

在开放条件下,金融市场的风险不仅来自于其内部的市场波动,还与其他市场的风险紧密相关,因此如何准确的衡量相关市场之间的风险传递就显得越来越重要.由于金融市场间的关系不是简单的线性关系,如果用线性相关系数来衡量,就不能很好的计算非线性关系的部分；而且线性相关系数必须要求时间序列的方差存在,而金融时间序列往往表现出“尖峰厚尾”的特征,方差有时并不存在,此时用线性相关系数衡量就会存在很大的偏差.而Granger因果检验虽然并不要求市场间存在线性关系,但它只能定性分析市场间的风险溢出方向,关于风险溢出的程度如何也无法给出答案.GARCH模型尽管在风险溢价上应用非常广泛,但它只适用于边缘分布函数服从正态分布的情况,因此也削弱了它在评价风险溢价方面的准确性.

（一）常相关Copula模型.针对以上方法存在的种种缺陷,Coupla函数的出现有效的弥补了这些方面的缺陷.Sklar （1959）[9] 最早提出了该理论,之后的三四十年间,由于计算机技术水平的限制以及人们对于风险传递这个问题认识不是很深刻,该理论在金融市场风险管理中并没有得到很好的应用.直到上世纪末,Nelson（1999）[10] 对该理论进行了系统的阐述,指出一个多变量的联合分布可由它的多个边缘分布函数和一个copula函数构成,并且这些边缘分布函数可以服从不同的分布,copula 函数就是用来描述这些变量间的相依关系 .在此基础上,Embrechts（1999）[11]第一个把copula函数引入金融市场研究中,他客观分析了线性相关指标在描述变量相关关系上的局限性,并证明了用copula函数来描述变量见的相依结构可以获得更好的效果.随后该理论在金融市场的各个领域都得到了广泛的应用,包括市场间的风险传染、银行的信用风险、操作风险的度量,金融衍生工具的定价等等.

（二）时变相关Copula 模型.以上文献都是检测设变量间的相关关系是不变的,实际上,市场上的相关性会受到不同政治、经济、自然、突发事件等因素的影响而发生变化.Patton（2001）[12]分阶段研究了美元对日元和美元对英镑汇率的相依结构,发现两组汇率的相关性在欧元推出前与欧元推出后有着显著的区别.因此Patton提出引入时间参数,用时变Copula函数来刻画金融资产相依关系.Patton（2002,2006a,2006b）[13-15]提出时变的copula模型, 即copula 函数的基本形式不发生改变,但模型中的相关参数则随着时间的改变发生改变,Patton将常系数copula模型与时变copula模型进行比较,发现后者能更好的描述金融市场上的动态相关结构 .陈友强（2009）[16]在分析上证综合指数和深圳成分股指数的动态相依关系时,将Copula与GARCH结合,通过建立时变的Copula参数演进方程,最后用蒙特卡洛模拟计算相应的VaR 值,发现时T-CoPufa能更准确度量投资组合的市场风险.

（三）变结构Copula 模型.动态copula模型除了时变的copula模型外,还有变结构的copula模型.变节构的copula模型是指copula函数会随着时间的变化发生改变,该类模型主要用于金融资产的相关结构发生改变的情况.Caillault&Guegan（2007）[17]提出可以通过移动窗口来判断copula函数族和内在参数的可能变化的时间点,进而研究变结构的Copula函数,这为以后Copula函数的研究开辟了一个新的路径.

总之,运用copula模型比较突出的一个优势是可以允许边缘分布服从不同的分布形式,并且可以根据研究对象的需要选择不同形式的 copula模型,边缘分布选择的灵活性和Copula函数的多样性使得Copula函数可以刻画多种多元分布.在经历了2008年全球性的金融危机后,人们对于风险传递有了更深刻的认识,运用copula模型来研究风险扩散的课题也越来越多,并且研究证明都取得了不错的效果.

简评与展望：纵观国内外学者对于金融风险溢出领域的研究,发现研究方法越来越先进,经历了从最初的线性相关分析、Granger因果检验、GARCH模型的应用到现在的Copula函数的广泛应用；研究领域也越来越细化,包括股票市场、外汇市场、衍生品市场等等.以下就风险溢出的文章作简要评述.

目前,分析相关性最为常见的方法主要有线性回归分析、Granger因果检验、GARCH模型以及Copula模型.线性相关分析的局限主要有两方面：一是线性相关分析只能捕捉到变量间的线性关系,对于存在非线性相关的变量就显得无能为力；二是要求金融时间序列的方差存在,但是金融时间序列往往表现为尖峰、厚尾,方差并不总是存在,因此用线性相关系数来描述其相关性显然是不合时宜的.另一类常用的Granger因果关系只能定性的表明某一变量是另一变量变动的原因,也无法从定量的角度来描述.GARCH模型则对时间序列的边缘分布有着严格的要求,必须要求服从正态分布或T分布.相比于以上分析方法,Copula模型则有效避免了传统的相关性测量方法在刻画非线性、非正态性上的不足,,此外,Copula模型能够较准确的描述变量间的非对称相关关系和尾部相关性,这一特性在金融风险管理中具有积极意义.

尽管学者们对于风险溢出效应的研究在不断深化,但总体来说,前人对金融市场风险溢出效应的研究主要定性分析,对于定量分析市场间风险溢出的研究比较少见.随着各界对金融风险监管的逐步细化,如何准确的量化分析金融风险溢出效应的大小也必将成为该领域急需攻克的又一个难点. 参考文献：

[l]Eun,C.andS.Shim. International Tranission of StoekMarkets Movements[J] .Journal of Finaneial and Quantitative Analysis.1989.24：241一256.

[2]KoutmosG. ,2010,“Temporal Relationships and Dynamic Interactions between LME and SHFE Futures Market.” The Journal of Futures Markets,16,55-69.

[3]潘慧峰.全球主要石油市场的信息溢出效应分析 [J],科学决策,2011（2）：9-33

[4]Hamao Y MasulisRW.“CorrelationsinPrieChangesandVolatilityAcrossIntemationalStoek Markets” [J].Review of Finaneial Studies,1990（3）：281一307

[5]Hammoudeh, S., L,iH.and Joen, B.Causality andVolatility Spillovers among Petroleum Prices ofWTI, Gasolineand Heating Oil in Different Locations [J].North AmericanJourna l of Economics and Finance, 2003, 14： 89- 1141

[6]谷耀,陆丽娜.沪深港股市信息溢出效应与动态相关性[J].数量经济技术经济研究,2006.

[7]Nelson D B.Conditionalheteroskedasticity in asset returns ：A new approach [J].Econometrica ,1991,59（2）：347-370

[8]Figlewski S. Forecasting volatility [J].Financial Markets Institutions and Instruments,1997,6：2-87

[9]SklarA.Foions de repartition dimensions et leurarges[J].Publication de l’Institut de Statistique de l’Universitede Paris,1959,8：229一231.

[10]NelsenRB.AnIntroduction to coPulas[M].NewYork：SPringer,1998.