Stock Market Interconnection and Tail Risk Spillover Effects

Wanling ZHONG; Haiqi LI

doi:10.12012/CJoE2023-0141

PDF(1848 KB)

China Journal of Econometrics ›› 2024, Vol. 4 ›› Issue (2) : 467-486. DOI: 10.12012/CJoE2023-0141

Stock Market Interconnection and Tail Risk Spillover Effects

Author information +

History +

Abstract

From the perspective of magnitude, direction and dynamics, this paper investigates the tail risk contagion among 10 important stock markets in the world from 1997 to 2022 based on the tail risk interconnectedness network, which is constructed by combining the time-varying peak over threshold (POT) model and the spillover index model. We also focus on the characteristics of tail risk spillover network and the internal mechanism of tail risk contagion. Empirical results show that the average tail risk spillover index of these 10 markets reached 59.79% during the whole sample period, indicating obvious cross-market contagion effect of tail risk. At the same time, the tail risk spillover effect is time varying, which is more significant during the crisis. The United States is the largest net exporter of tail risk in the sample range and one of the important sources of extreme risk in the international market. Due to relatively low degree of openness, the Chinese mainland market has the lowest level of two-way tail risk spillovers and has been a net recipient of tail risk for a long time. Since the outbreak of the China-US trade frictions and the COVID-19, the tail risk linkages among the international stock markets have been strengthened, bringing greater challenges to preventing imported risks and maintaining financial security and stability. The structure of the international tail risk spillover network is also timevarying. The spillover effect mainly exists between developed markets during stable periods, while it is significantly strengthened between emerging markets during crises. Finally, the economic fundamentals and the market contagions are both found to be important factors of tail risk spillover effects.

Key words

stock market / tail risk / spillover effect / interconnectedness network / time-varying peak over threshold (POT) model

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Wanling ZHONG , Haiqi LI. Stock Market Interconnection and Tail Risk Spillover Effects. China Journal of Econometrics, 2024, 4(2): 467-486 https://doi.org/10.12012/CJoE2023-0141

1 引言

全球经济、金融一体化的推进带来了世界共同繁荣与发展, 但随着各地金融管制的放松, 国际资本流动性增强, 风险因素也极易跨境传导, 从而起源于某个地区的风险事件能够迅速产生外溢效应, 波及其他地区甚至全球, 诱发系统性金融风险. 我国2021年金融稳定报告指出: “当前国际形势复杂多变, 外部风险依然严峻, 国内经济金融发展面临诸多不确定因素, 存量风险尚未完全出清, 金融体系脆弱性依然存在, 防范化解金融风险进入常态化阶段”. 2023年政府工作报告再次强调“深化金融体制改革, 完善金融监管, 压实各方责任, 防止形成区域性、系统性金融风险”. 因此, 如何防范国内外不确定性因素的冲击, 牢牢守住不发生系统性风险的底线, 仍将是“十四五”时期金融监管当局面临的重要挑战.

作为诱发系统性金融风险的重要因素之一, 尾部风险具有极强的破坏性, 能够引发市场极端动荡并造成超乎预期的损失. 除了测度尾部风险本身, 市场互联带来的尾部风险溢出效应将显著影响经济主体实际面临的尾部风险水平, 忽视这种关联性将严重低估系统性风险. 因此, 从尾部风险的角度出发, 研究国际重要股票市场之间的风险溢出效应对进一步完善我国金融风险防控体系、抵御外部不确定性冲击具有重要意义.

鉴于尾部风险的特殊性和重要性, 不少学者致力于对其进行实时、有效测度. Bollerslev and Todorov (2011)基于标准普尔500股指期货交易合约的高频数据, 应用新的极值理论构造了一个投资者恐慌指数作为极端风险的代理指标. Kelly and Jiang (2014)采用面板数据方法从个股收益率横截面数据中提取市场总体尾部风险指数. Massacci (2017)则提出了一个基于得分函数的时变超阈值(peak over threshold, POT)模型, 应用时间序列方法估计动态尾部风险. 基于时间序列数据的尾部风险测度方法既能克服衍生品交易数据的限制, 又能用于尾部风险溢出效应研究, 有效弥补面板数据方法的不足. 因此, 本文采用时变超阈值模型测度股票市场的尾部风险水平.

国际股票市场之间的信息溢出或风险传染效应历来是学术界关注的重点. 早期有关国际股票市场极端风险传染的研究主要应用以下几类方法和模型: 一是风险-格兰杰因果检验(Granger causality in risk)方法(洪永淼等, 2004; 李红权等, 2011); 二是Copula方法(许启发等, 2018; 苑莹等, 2020); 三是CoVaR方法(刘晓星等, 2011; 曾裕峰等, 2017; 林娟和赵海龙, 2020). 然而, 上述方法主要考察市场两两交互(Pairwise)的关联, 而忽视了金融风险整体的网络关联性, 也无法判断变量之间的尾部关联性是否来自于第三个变量的共同影响(Hautsch et al., 2015). 因此, 从关联网络的视角研究尾部风险传染效应成为近年来的研究热点. 其中, 溢出指数方法受到广泛关注和应用. 该方法在方差分解的基础上构建溢出指数来研究向量自回归系统中不同变量之间的相互影响程度, 既能探讨方向性溢出效应, 也能对总溢出效应以及净溢入、净溢出效应进行分析(Diebold and Yilmaz, 2012, 2014). 不少学者采用该方法从收益率或波动率层面研究了国际股票市场之间的关联性(梁琪等, 2015; 杨子晖和周颖刚, 2018; 郑挺国和刘堂勇, 2018; 刘程程等, 2020). 值得注意的是, 当市场剧烈波动时, 风险往往表现在尾部, 仅用二阶矩刻画风险显然是不够全面的. 因此, 本文从尾部风险的角度出发, 结合溢出指数模型以及滚动样本估计方法, 对包括中国大陆在内的全球10个重要股票市场的动态尾部风险溢出效应展开研究.

本文的边际贡献主要体现在以下两个方面: 第一, 文献中关于股市关联性的研究主要考察收益率或波动率层面, 本文则基于尾部风险的视角, 结合时变超阈值模型和溢出指数方法构建尾部风险溢出网络研究国际股票市场之间的尾部风险传染效应, 并考察了尾部风险关联结构的时变特征, 丰富了尾部风险与系统性风险领域的研究成果. 第二, 本文对国际股票市场尾部风险传染的内在机制进行了分析, 基于经济基础说和市场传染说两种理论, 考察了国际市场尾部风险溢出效应的影响因素. 因此, 本研究既能够作为已有研究成果的有益补充, 也能够为我国金融风险防控工作提供现实依据.

2 研究方法与数据说明

2.1 时变超阈值模型

由于本文重点关注股票市场的下尾风险, 故对资产损失进行建模, 并令

{R_{t}}_{t = 1}^{T}

表示负对数收益率序列, 即

R_{t} = - (\log P_{t} - \log P_{t - 1})

, 其中,

P_{t}

表示资产价格,

T

为样本量. 记阈值(Threshold)为

γ

, 假设

γ > 0

, 并定义事件

R_{t} > γ

为超出数(Exceedance). 然后, 定义变量

Y_{t} = max (R_{t} - γ, 0)

. 显然, 当

Y_{t} > 0

时, 尾部事件发生; 当

Y_{t} = 0

时, 收益率不在尾部范围内. 根据超阈值理论, Massacci (2017)将尾部事件发生的条件概率近似表示为

p_{t} = P (R_{t} > γ ∣ F_{t - 1}) = (1 / (1 + γ))^{ς_{t}}

, 并得出

Y_{t}

的条件累计分布函数为:

\begin{aligned} P (Y_{t} \leq y_{t} ∣ F_{t - 1}) & = H_{t} (y_{t} ∣ F_{t - 1}) \\ = I (y_{t} = 0) [1 - {(\frac{1}{1 + γ})}^{ς_{t}}] + I (y_{t} > 0) [1 - {(\frac{1}{1 + γ})}^{ς_{t}} {(1 + \frac{y_{t}}{α_{t}})}^{- ς_{t}}], \end{aligned}

(1)

其中,

ς_{t}

和

α_{t}

分别代表广义帕累托分布的形状参数和尺度参数. 尺度参数

α_{t} > 0

依赖于阈值

γ

; 形状参数

ς_{t}

则独立于

γ

, 且对收益条件分布的尾部形状起决定性作用. 考虑到金融资产收益分布往往是厚尾的, 且服从幂律形式, 故假设

ς_{t} > 0

. 当

ς_{t} \to \infty

时, 收益分布的尾部呈现指数衰减, 且

p_{t} = P (R_{t} > γ ∣ F_{t - 1}) = (\frac{1}{1 + γ})^{ς_{t}}

随

ς_{t}

单调递减, 从而较低的

ς_{t}

意味着发生损失的可能性较大, 即较高的尾部风险. 因此, 将

p_{t}

称为尾部概率, 将形状参数

ς_{t}

称为尾部指数(tail index).

为了得到动态尾部风险测度, 形状参数

ς_{t} > 0

被设定为服从指数形式的自回归过程(Harvey, 2013):

\ln ς_{t} = ϕ_{0} + ϕ_{1} \ln ς_{t - 1} + ϕ_{2} u_{t - 1},

(2)

其中,

ϕ_{0}

ϕ_{1}

ϕ_{2}

均为标量参数,

\ln ς_{t - 1}

为自回归项. 同时, 基于识别性目的, 要求更新机制(updating mechanism)

u_{t - 1}

的系数

ϕ_{2} \neq 0

不同于形状参数, 尺度参数

α_{t} > 0

仅在损失超过阈值(

y_{t} > 0

)时才出现在条件累积分布函数中(公式(1)), 而非在整个样本期间内可观测, 这使得对

α_{t}

动态建模更为复杂. 同时, 如果不考虑波动聚集, 尾部变化会因为模型错误设定而与尺度变化相混淆(Harvey, 2013). 因此, Massaci (2017)对Chavez-Demoulin et al. (2005)进行拓展, 将尺度参数

α_{t}

设定为服从如下形式:

\ln α_{t} = φ_{0} + φ_{1} \ln ς_{t - 1} + φ_{2} u_{t - 1},

(3)

其中,

φ_{0}

φ_{1}

φ_{2}

均为标量参数. 此处假设驱动形状参数

ς_{t}

变化的因素同样驱动尺度参数

α_{t}

的变动.

给定信息集

F_{t}

u_{t}

是已知的. 基于得分函数机制(Creal et al., 2013; Havey, 2013), 令

h_{t} (Y_{t} ∣ F_{t - 1})

表示

Y_{t}

的条件概率密度函数, 那么,

\begin{aligned} h_{t} (Y_{t} ∣ F_{t - 1}) = & I (Y_{t} = 0) [1 - {(\frac{1}{1 + γ})}^{ς_{t}}] + I (Y_{t} > 0) [1 - {(\frac{1}{1 + γ})}^{ς_{t}} \frac{ς_{t}}{α_{t}} {(1 + \frac{y_{t}}{α_{t}})}^{- ς_{t} - 1}], \\ γ > 0, ς_{t} > 0, α_{t} > 0. \end{aligned}

(4)

相应地,

u_{t}

被定义为:

u_{t} = - {E {\frac{\partial^{2} \ln [h_{t} (Y_{t} ∣ F_{t - 1})]}{\partial (\ln ς_{t})^{2}} ∣ F_{t - 1}}}^{- 1} \frac{\partial \ln [h_{t} (y_{t} ∣ F_{t - 1})]}{\partial \ln ς_{t}},

(5)

因此, 令

θ = (ϕ_{0}, ϕ_{1}, ϕ_{2}, φ_{0}, φ_{1}, φ_{2})

, 运用最大似然估计, 通过求解下列最大化问题:

\hat{θ} = {\arg max}_{θ}^{} L (θ) = \underset{θ}{\arg max} \prod_{t = 1}^{T} h_{t} (y_{t} ∣ F_{t - 1}),

(6)

可以得到估计值

\hat{θ}

. 基于

\hat{θ}

, 可以进一步得到尾部指数的估计

\ln {\hat{ς}}_{t}

. 总的来说, 构建此模型的目的是为了得到一个

{ς_{t}}_{t = 1}^{T}

序列来测度

R_{t}

在整个样本空间上的尾部风险.

2.2 溢出指数方法和尾部风险传染矩阵

溢出指数方法是通过广义方差分解来刻画VAR系统中不同变量之间的溢出效应(Diebold and Yilmaz, 2012, 2014). 首先, 设定一个协方差平稳的

N

变量VAR(

p

) 过程:

x_{t} = \sum_{i = 1}^{p} Φ_{i} x_{t - i} + ε_{t},

(7)

其中,

N

维扰动项

ε \sim (0, Σ)

是独立同分布的, 对应的移动平均表达式为:

x_{t} = \sum_{i = 0}^{\infty} A_{i} ε_{t - i},

(8)

且

N \times N

维系数矩阵

A_{i}

服从下列递归公式:

A_{i} = Φ_{1} A_{i - 1} + Φ_{2} A_{i - 2} + \dots + Φ_{p} A_{i - p},

(9)

其中,

A_{0}

是

N \times N

单位矩阵, 并且对于

i < 0

有

A_{i} = 0

. 在VAR系统中, 变量

x_{j}

对变量

x_{i}

预测期为

H

的广义预测误差方差

d_{i j}^{H}

可以表示为:

d_{i j}^{H} = \frac{σ_{i i}^{- 1} \sum_{h = 0}^{H - 1} (e_{i} A_{h} Σ e_{j})^{2}}{\sum_{h = 0}^{H - 1} (e_{i} A_{h} Σ A_{h}^{'} e_{i})},

(10)

其中,

i, j = 1, 2, \dots, N

, 残差方差-协方差矩阵

Σ

的第

i j

个元素为

σ_{i j}

;

e_{i}

表示第

i

个元素为1、其余元素为0的

N \times 1

维列向量;

H

表示预测期,

A_{h}

为移动平均项对应的系数. 在广义方差分解的基础上, 由市场

j

到

i

两两交互的尾部风险溢出指数

{T a i l}_{i \leftarrow j}^{H}

可以定义为:

{T a i l}_{i \leftarrow j}^{H} = d_{i j}^{H} .

(11)

市场

j

到

i

的尾部风险净溢出效应为:

{N C}_{i \leftarrow j}^{H} = {T a i l}_{i \leftarrow j}^{H} - {T a i l}_{j \leftarrow i}^{H} .

(12)

根据定义, 可以构建如下尾部风险溢出效应矩阵:

	$x_{1}$	$x_{2}$	$\dots$	$x_{N}$	FROM
$x_{1}$	$d_{11}^{H}$	$d_{12}^{H}$	$\dots$	$d_{1 N}^{H}$	${T a i l}_{1 \leftarrow \cdot}^{H}$
$x_{2}$	$d_{21}^{H}$	$d_{22}^{H}$	$\dots$	$d_{2 N}^{H}$	${T a i l}_{2 \leftarrow \cdot}^{H}$
$\dots$	$\dots$	$\dots$	$\dots$	$\dots$	$\dots$
$x_{N}$	$d_{N 1}^{H}$	$d_{N 2}^{H}$	$\dots$	$d_{N N}^{H}$	${T a i l}_{N \leftarrow \cdot}^{H}$
TO	${T a i l}_{\cdot \leftarrow 1}^{H}$	${T a i l}_{\cdot \leftarrow 2}^{H}$	$\dots$	${T a i l}_{\cdot \leftarrow N}^{H}$	${T a i l}^{H}$

溢出矩阵中, “FROM”列对应的第

i

个元素表示该变量接收自其他变量的溢出效应总和:

{T a i l}_{i \leftarrow \cdot}^{H} = \sum_{j = 1, j \neq i}^{N} d_{i j}^{H} = \sum_{j = 1, j \neq i}^{N} (\frac{σ_{i i}^{- 1} \sum_{h = 0}^{H - 1} (e_{i} A_{h} Σ e_{j})^{2}}{\sum_{h = 0}^{H - 1} (e_{i} A_{h} Σ A_{h}^{'} e_{i})}),

(13)

即, 除元素

i

自身外, 其所在行的其他元素之和. “TO”行对应的第

j

个元素则表示该变量对其它所有变量的溢出效应总和:

{T a i l}_{\cdot \leftarrow j}^{H} = \sum_{j = 1, i \neq j}^{N} d_{i j}^{H} = \sum_{j = 1, i \neq j}^{N} (\frac{σ_{j j}^{- 1} \sum_{h = 0}^{H - 1} (e_{j} A_{h} Σ e_{i})^{2}}{\sum_{h = 0}^{H - 1} (e_{j} A_{h} Σ A_{h}^{'} e_{j})}),

(14)

即, 除元素

j

自身外, 其所在列的其他元素之和. 在此基础上, 市场

i

对其他市场的净溢出指数为:

{N C}_{i}^{H} = {T a i l}_{\cdot \leftarrow i}^{H} - {T a i l}_{i \leftarrow \cdot}^{H} .

(15)

最后, 矩阵右下角的元素代表尾部风险总溢出指数, 其公式表示为:

{T a i l}^{H} = \frac{1}{N} \sum_{i, j = 1, i \neq j}^{N} d_{i j}^{H} .

(16)

{T a i l}^{H}

等同于“FROM”所在列元素或者“TO”所在行元素的平均值. 总溢出指数反映了系统内尾部风险的总溢出水平; 该值越大, 表示尾部风险跨市场传染效应越显著.

2.3 数据说明

本文选取全球10个重要股票市场作为研究对象, 包括中国大陆(CN)、中国香港(HK)、巴西(BR)、印度(IN)、俄罗斯(RU)、日本(JP)、法国(FR)、德国(DE)、英国(UK)、美国(US)的股票市场, 对应市场指数分别为上证综指、香港恒生指数、巴西圣保罗指数、印度孟买SENSEX30指数、俄罗斯RTS指数、日经225指数、法国CAC40指数、德国法兰克福DAX30指数、英国富时100指数和美国S & P500指数. 其中, 中国、巴西、印度和俄罗斯是具有代表性的新兴市场, 日本、法国、德国、英国和美国则是典型的发达工业国家, 故本文选取的样本具有一定的代表性. 考虑到各个市场之间非同步交易等因素, 本文采用更为平滑的股票指数周数据进行研究. 同时, 由于我国证券市场现行的涨跌停板制度于1996年12月13日发布, 12月26日开始实施, 考虑到该制度下市场机制的重要变化, 从1997年开始考察股票市场的情况更为合理. 因此, 本文的样本区间为1997年1月10日– 2022年12月31日, 共1301周观察值, 研究数据来自Wind数据库¹.

¹本文所使用的数据和代码请参见科学数据银行(ScienceDB)期刊社区, DOI: 10.57760/sciencedb.j00214.00056和CSTR: 31253.11.sciencedb.j00214.00056. 若使用文中数据信息, 请注明引文和数据出处.

3 实证结果与分析

3.1 动态尾部风险测度

基于时变超阈值模型, 本文首先估计出各个股票市场对应的尾部风险指数

\ln \hat{ς}

. 根据Chavez-Demoulin et al. (2014)以及Massacci (2017), 本文将超出尾部10%的收益率归为超出数来估计动态尾部风险. 模型的初始值

ς_{1}

和

α_{1}

分别设定为静态模型设定下的估计值, 即将公式(2)和(3)中的参数设定为

ϕ_{1} = ϕ_{2} = 0

以及

φ_{1} = φ_{2} = 0

时的估计结果.

图 1展示了10个股票市场尾部指数估计

\ln {\hat{ς}}_{t}

的时间趋势图. 结果显示: 各市场尾部指数序列均存在明显的时变特征, 并且主要在2007–2008年全球金融危机和2020年新冠疫情期间取得较低值.相较于其他市场, 中国内地市场的尾部指数序列呈现出较低的波动性, 主要在2007–2008年全球金融危机、2015年中国股灾以及2018年中美贸易摩擦期间取得较低值. 由于尾部指数与尾部风险水平呈反向关系, 即尾部指数越低, 尾部概率越高, 表示发生尾部事件的可能性越大, 尾部风险越大, 因此, 这些市场在特定风险事件下均表现出较高的尾部风险水平.

图1 股票市场动态尾部风险时间趋势图

Full size|PPT slide

表 1给出了各尾部指数估计序列的描述性统计分析和单位根检验结果. 首先, 从均值来看, 俄罗斯对应的平均尾部指数最小, 仅为3.23. 由于尾部指数与尾部风险水平呈反向关系, 说明俄罗斯股票市场对应的平均尾部风险水平最高. 相反, 德国市场对应的平均尾部指数最大(4.27), 平均尾部风险水平最低. 其次, 印度的尾部风险波动性最强, 标准差为0.59; 中国内地市场尾部风险的波动性最小, 标准差仅为0.20. 此外, 10个序列的偏度值均为负, 说明所有尾部指数序列均为左偏, 并呈现一定的“尖峰厚尾”特征. JB检验结果显示, 除了法国仅在10%的显著性水平下拒绝原假设以外, 其余9个序列均至少在1%的显著性水平下拒绝原假设, 故总体上认为这10个尾部指数序列均不服从正态分布. 最后, 为了检验尾部指数序列的平稳性, 本文对10个序列进行了ADF检验. 结果显示, 10个股票市场对应的尾部指数序列均在1%的显著性水平下拒绝单位根假设. 因此, 10个市场的尾部指数序列都是平稳的, 适用于构建VAR模型及后续研究.

表1 尾部指数的描述性统计分析

	均值	标准差	偏度	峰度	JB统计量	ADF
CN	4.06	0.20	$-$ 0.99	3.69	237.75 $^{* * *}$	$-$ 7.18 $^{* * *}$
HK	3.88	0.36	$-$ 0.27	2.41	35.12 $^{* * *}$	$-$ 3.93 $^{* *}$
BR	3.80	0.32	$-$ 0.47	3.01	48.15 $^{* * *}$	$-$ 5.90 $^{* * *}$
IN	3.68	0.59	$-$ 0.64	2.91	90.66 $^{* * *}$	$-$ 5.56 $^{* * *}$
RU	3.23	0.56	$-$ 0.80	3.19	141.17 $^{* * *}$	$-$ 4.80 $^{* * *}$
JP	3.56	0.43	$-$ 0.58	3.98	126.07 $^{* * *}$	$-$ 5.92 $^{* * *}$
FR	4.11	0.33	$-$ 0.13	3.18	5.17 $^{*}$	$-$ 5.10 $^{* * *}$
DE	4.27	0.27	$-$ 1.25	5.40	658.73 $^{* * *}$	$-$ 9.19 $^{* * *}$
UK	3.99	0.57	$-$ 0.75	4.24	205.67 $^{* * *}$	$-$ 5.63 $^{* * *}$
US	4.02	0.45	$-$ 0.21	2.68	14.61 $^{* * *}$	$-$ 4.36 $^{* * *}$

注: 1) JB代表Jaque and Bera (1982)提出的正态性检验统计量; 2) ADF检验是由Dickey and Fuller (1979, 1981)提出的单位根检验方法, 原假设为存在单位根; 3)

^{*}

、

^{* *}

、

^{* * *}

分别表示10%、5%和1%的显著性水平.

3.2 尾部风险总溢出效应分析

考虑到本研究的时间跨度较长, 仅基于全样本考察静态情形下的尾部风险溢出效应可能存在偏误. 因此, 结合溢出指数和滚动样本估计方法, 本文对国际股票市场间的尾部风险溢出效应进行动态分析. 依据AIC (Akaike information criterion)和FPE (final prediction error criterion)准则确定的VAR模型阶数为2, 设定方差分解预测步长为4; 参照杨科等(2023), 刘程程等(2020)和梁琪等(2015), 采用144周(约为3年)作为滚动样本窗口进行分析².

²本文同时采用144, 240和336周作为滚动样本窗口, 并分别将预测期设为2, 4, 8, 12进行研究, 结果显示无论滚动窗口的大小或者预测步长如何选择, 动态溢出图均表现出相似的模式. 囿于篇幅, 仅展示滚动样本窗口为144周, 预测期为4的实证结果.

参考梁琪等(2015)的处理方式, 本文对估计得到的各期尾部风险溢出指数取平均值得到滚动样本平均下的尾部风险溢出效应矩阵(表 2). 其中, 主对角线元素表示来自市场自身的尾部风险冲击, 非对角线上的元素代表两两交互的、具有方向性的尾部风险溢出指数. FROM列(TO行)表示对应市场接收自(输出到)其他市场的方向性尾部风险溢出指数; 溢出矩阵右下角元素则衡量了样本系统中的总溢出水平, 即, 国际尾部风险总溢出指数, 它等于FROM列或TO行的平均值.

表2 滚动样本平均尾部风险溢出效应矩阵

	CN	HK	BR	IN	RU	JP	FR	DE	UK	US	FROM
CN	61.22	4.78	3.10	3.21	3.72	4.61	4.01	3.95	3.95	7.45	38.78
HK	4.30	32.82	5.23	6.75	7.83	7.05	9.27	8.93	7.50	10.31	67.18
BR	1.77	4.12	46.94	4.62	5.95	5.26	8.01	7.90	7.36	8.07	53.06
IN	2.23	6.27	6.78	43.40	5.15	4.58	8.96	7.94	7.68	7.00	56.60
RU	2.46	4.82	6.90	5.69	44.84	4.17	6.97	8.99	5.46	9.72	55.16
JP	2.92	7.70	8.31	3.76	4.79	34.57	8.31	9.78	6.06	13.78	65.43
FR	2.48	5.28	5.10	5.51	4.66	4.26	31.13	14.44	14.22	12.92	68.87
DE	1.39	4.21	5.76	4.04	4.85	4.65	13.97	36.02	12.23	12.88	63.98
UK	1.50	5.31	5.95	4.67	5.12	3.88	13.96	12.91	36.03	10.68	63.97
US	1.85	5.12	6.83	3.59	4.96	6.49	12.11	13.92	10.02	35.10	64.90
TO	20.91	47.61	53.96	41.85	47.03	44.94	85.57	88.77	74.47	92.81	59.79

首先, 在滚动样本估计下, 国际尾部风险总溢出指数的平均值为59.79%. 这意味着, 除了归因于样本市场自身的风险因素, 国际金融市场的极端风险有一半以上是由外部尾部风险溢出冲击造成的, 具有明显的极端风险跨国家(地区)传染效应. 其次, 新兴市场和发达资本市场的尾部风险传染能力存在显著差异. 无论是在接收还是在输出方向上, 新兴市场的尾部风险溢出指数均明显低于发达资本市场, 对其他市场的尾部风险溢出效应比例普遍低于10%; 相反, 除日本外, 发达资本市场之间的尾部风险溢出效应比例均高于10%. 美国是样本范围内最大的尾部风险输出者, 对日本、法国、德国、英国和中国香港股市的极端风险具有显著影响, 其解释比例从10.31%到13.78%不等. 由于开放程度相对较低, 中国内地市场的双向尾部风险溢出指数在样本中均处于最低水平, 在1997–2022年间, 对外输出的平均尾部风险仅占20.91%, 而接收自其他股票市场的平均尾部风险比例为38.78%. 中国内地市场的极端风险水平最大程度上受到美国股市的影响, 近7.45%的比例源于美国股市的冲击; 其次是中国香港市场, 对中国内地市场的尾部风险输出也达到4.78%, 反过来它又是中国内地市场最大的尾部风险输出对象, 其接收自中国内地市场的尾部风险比重为4.30%.

表 3报告了国际股票市场尾部风险净溢出效应的排序结果. 研究结果显示: 样本中所有的欧美发达资本市场都是尾部风险的净输出者; 美国作为世界第一大经济体, 无论是尾部风险输出还是净溢出均在样本国家(地区)中位列第一, 对国际股市的极端风险水平具有重要影响; 新兴市场则是主要的尾部风险净接收者. 中国香港市场凭借其国际金融中心的地位, 表现出较高的双向尾部风险溢出水平, 其尾部风险总溢出指数值紧跟在欧美发达资本市场之后. 作为发达国家, 日本股票市场的平均尾部风险输出比例为44.94%, 接收比例则达到65.43%, 是样本中最大的尾部风险净接收者.

表3 尾部风险净溢出效应排序分析

	US	DE	FR	UK	BR	RU	IN	CN	HK	JP
输出	92.81	88.77	85.57	74.47	53.96	47.03	41.85	20.91	47.61	44.94
接收	64.90	63.98	68.87	63.97	53.06	55.16	56.60	38.78	67.18	65.43
总溢出	157.71	152.75	154.44	138.45	107.01	102.19	98.45	59.68	114.78	110.36
净溢出	27.91	24.79	16.70	10.50	0.90	$-$ 8.12	$-$ 14.75	$-$ 17.87	$-$ 19.57	$-$ 20.49
排序	1	2	3	4	5	6	7	8	9	10

图 2展示了滚动样本估计下尾部风险总溢出指数的时间趋势图. 在整个样本期间, 尾部风险总溢出指数在34.01%

\sim

81.23%的范围内变动, 具有明显的时变特征, 并显著受到极端风险事件的影响. 2007–2008年国际金融危机的爆发使得国际尾部风险溢出效应显著增强, 总溢出指数在较长时间内维持在70%以上, 表现出极强的尾部风险传染性和较高的系统性风险水平. 2007年2月13日, 国际尾部风险总溢出指数随着美国次贷危机的浮现迅速提升, 并在2008年9月15日“雷曼兄弟宣告破产”至10月15日“美国创下1987年10月以来最大跌幅”期间进一步攀升, 极端金融风险在世界范围内迅速传播, 全球性股灾爆发. 金融危机的阴霾并没有迅速散去, 接踵而至的是美国股市闪电崩盘、日本大地震、欧洲债务危机、美国主权信用降级等一系列极端风险事件, 这使得2010–2011年间尾部风险总溢出指数较危机时期不降反升, 直到2014年以后才逐渐回落到危机前的水平. 然而, 仅仅经过短暂的休整, 又陆续发生2015年股灾、2016年英国“公投脱欧”等极端风险事件, 尾部风险传染效应启动新一轮上升趋势. 2018年中美贸易摩擦浮现, 国际尾部风险总溢出指数迅速超过60%, 国际金融市场不稳定性因素增加. 2020年初“新冠”疫情的全球性蔓延对股票市场产生剧烈冲击, 国际尾部风险总溢出指数直线攀升到80%以上, 达到整个样本期间的最高水平.

图2 国际尾部风险总溢出指数

Full size|PPT slide

3.3 方向性尾部风险溢出效应分析

图 3展示了样本股票市场在滚动样本估计下方向性溢出指数的时间趋势图. 首先, 各股票市场的双向尾部风险溢出指数变动总体上趋于一致, 与图 2所示的总溢出指数变动情形相似, 并且受极端风险事件的影响显著. 极端风险事件期间, 各股票市场的溢出指数均明显提高, 国际尾部风险关联性增强. 这是因为极端事件具有唤醒效应, 存在相似潜在风险的市场即使未出现明显恶化, 也将面临资本的快速流出, 股市间的风险关联更为紧密(卜林等, 2020). 其次, 不同极端风险事件对各市场的影响存在异质性. 源于成熟市场的极端事件往往引发全球股市风险大幅上涨, 而新兴市场对全球市场的溢出效应相对有限. 例如, 国际金融危机和新冠疫情时期, 各市场至少存在一个方向性尾部风险溢出指数的大幅提升; 而类似于2015年中国股市异常波动事件, 则主要引起自身尾部风险水平上升(表现为中国股市尾部指数取得较低值(图 1)), 尾部风险输出能力略有提升, 但并未造成国际股市尾部风险溢出水平的全面上涨, 这与卜林等(2020)基于系统性风险网络的研究结论一致. 最后, 不同股市在国际尾部风险溢出网络中扮演的角色不同, 且具有时变性, 发达经济体股市主要为尾部风险净输出方, 新兴市场股市则主要为尾部风险净接收方.

图3 尾部风险方向性溢出指数时序图

Full size|PPT slide

3.4 尾部风险关联结构分析

除了尾部风险溢出效应水平的时变特征外, 国际尾部风险传染结构也可能随时间而改变, 因此, 本文考察了亚洲金融危机(1997年7月– 1999年12月)、国际金融危机(2007年8月– 2009年3月)、欧洲债务危机(2009年12月– 2013年12月)、中国重大股灾(2015年6月– 2016年6月)、中美贸易摩擦(2018年1月– 2019年12月)和新冠疫情(2020年1月– 2022年12月)这些特殊风险事件期间国际尾部风险传染结构的变化情况. 参照李政等(2020), 每一个阶段仅保留溢出水平不低于均值的边, 得到精简的国际尾部风险溢出网络(图 4); 其中, 节点的大小反映股市的中心度, 即与该点相连的点的总数; 连接两个节点的有向箭头代表股市间尾部风险溢出效应的方向与强度, 且溢出效应越强, 线条越粗.

图4 国际尾部风险溢出效应动态关联结构分析

Full size|PPT slide

在亚洲金融危机时期, 国际尾部风险溢出效应集中在发达资本市场之间以及新兴市场之间, 呈现出较明显的分组关系. 作为亚洲金融危机爆发的主要市场之一, 中国香港市场在此时期具有相对较强的尾部风险传导能力, 除了辐射周边市场以外, 对部分发达国家也产生了显著的尾部风险溢出. 在国际金融危机期间, 国际市场上的尾部风险溢出效应显著增强: 一方面, 尾部风险传导网络的连线数量增加; 另一方面, 市场之间的连线明显加粗, 说明尾部风险溢出效应显著增强, 尾部风险关联网络得到强化. 新兴市场在此时期接收到更多来自发达资本市场的尾部风险, 主要担任了尾部风险接收者的角色. 欧债危机时期, 尾部风险溢出效应较次贷危机时期减弱, 中国内地市场与各市场的关联性均低于均值水平, 故未出现在网络图中. 欧债危机的爆发存在制度层面以及政府债务等多方面的原因, 主要在欧元国家之间形成了从主权债务危机到银行流动性紧缩再到信贷负担加剧的恶性循环, 从而表现为风险溢出减少、传染方向较为分散(张雪彤等, 2022). 2015年6月15日中国重大股灾揭开序幕, 8月24日全球股市大跌. 在此期间, 我国内地市场的尾部风险水平攀升至高点(图 1较低的尾部指数), 但关联度并未显著提高, 主要与巴西和俄罗斯市场存在双向的风险溢出, 以及接收来自美国市场和中国香港市场的净溢出. 这可能得益于我国在过去较长时间内均实行较严格的资本管制与外汇管制, 国际风险暴露度相对较低(杨子晖等, 2023). 2018年以来, 贸易保护主义抬头, 国际经济形势紧张, 不确定性因素增加. 在此时期, 美国对外溢出线条明显加粗, 溢出水平显著提高, 中国内地市场也最大程度地受到了来自美国市场的尾部风险冲击. 杨子晖等(2021)也发现, 中美贸易摩擦导致国际市场平均关联程度显著上升, 世界经济体系面临极高的传染风险. 2020年初, 新冠疫情暴发, 全球金融市场遭受猛烈冲击. 美股分别于3月9日、12日、16日以及18日出现4次“熔断”, 引起全球股市剧烈震荡. 尾部风险总溢出指数一度达到81.23%, 国际股市风险联动更为紧密, 关联网络密度不亚于国际金融危机时期. 不同之处在于, 虽然国际总溢出效应在新冠疫情期间达到最强(图 2), 但美国市场的输出能力要低于国际金融危机和中美贸易摩擦时期, 这与美国市场的方向性溢出指数(图 3)相互印证. 同时, 新兴市场在此阶段关联网络中的影响力有所提升, 并由前几个事件中主要的风险接收者转变为双向传导者, 国际尾部风险传染结构发生转变. 究其原因, 这主要是因为总溢出效应衡量了所有样本市场的平均总溢出水平, 虽然美国市场的溢出效应相较于前述特殊风险时期有所下降, 但欧洲发达市场、新兴市场的尾部风险传导能力均在新冠疫情期间显著提升. 一方面, 新冠疫情暴发以来, 欧洲市场由于经济一体化程度较高, 市场间生产要素的跨境流动频繁, 贸易关联紧密, 因而股票市场的风险传染效应最为明显(杨子晖和王姝黛, 2021); 梁琪和常姝雅(2022)也发现欧洲股市是新冠疫情期间的主要风险源, 随着新冠疫情在欧洲地区的扩散和传播, 市场预期悲观, 防疫造成的生产暂停和产品供应链中断导致金融市场大幅震荡, 并通过贸易、投资等实际关联和投资者情绪向外溢出风险, 加剧全球股市系统性风险上升. 另一方面, 南亚、拉丁美洲相对脆弱的公共卫生系统与经济基础, 加剧了相关地区的疫情风险, 印度、巴西等国家的新增确诊病例数持续居高不下; 因此, 在新冠疫情期间, 新兴市场逐渐成为全球股市风险溢出的重要驱动节点, 对全球金融市场的稳定造成了显著的负面冲击(杨子晖和王姝黛, 2021).

值得注意的是, 随着近年来我国高水平资本市场对外开放政策的实施, 中国内地市场与国际市场的风险关联程度显著提高, 国际影响力增强. 特别是2018年中美贸易摩擦期间, 中国内地市场的网络关联度显著提升, 跻身为国际尾部风险关联网络中的一个重要节点. 而2020年新冠疫情期间, 中国内地市场在国际尾部风险关联网络中的关联度有所下降, 这可能得益于中国积极有效的疫情防控措施, 中国资本市场呈稳定发展态势和较强韧性(杨子晖和王姝黛, 2021); 同时, 由于中国的经济基本面较为稳健, 新冠疫情的短期冲击并未演变为长期的系统性风险(杨子晖等, 2022).

3.5 国际尾部风险溢出效应的影响因素分析

参照郑挺国和刘堂勇(2018), 本文基于经济基础说和市场传染说两种理论, 考察国际市场尾部风险溢出效应的影响因素.

1)基于经济基础理论的分析

一般认为, 随着全球经济金融融合程度的提高, 国际股市联动效应将增强, 且该效应可能受到全球经济发展状况的影响. 为了对经济基础说进行简单验证, 本文采用月度工业增加值(IP)和消费者物价指数(CPI)两个常见的宏观经济指标反映经济基本面. IP和CPI分别代表产出和物价的变动情况, 能从整体上反映一个经济体的发展状况. 就本文考察的10个样本国家(地区)而言, 由于统计口径差异等因素, 部分市场之间的统计指标数据不具备可比性(郑挺国和刘堂勇, 2018); 且实证分析部分的结果已经显示欧美发达国家的总溢出效应对国际市场上的尾部风险传染起主要作用, 因此, 参照郑挺国和刘堂勇(2018), 本文也只选取美国、英国、法国、德国和日本这5个发达国家的宏观经济数据对经济基础说理论进行简单验证. 为了反映全球经济基本情况, 本文将样本中各个经济体的工业增加值同比增长率和消费者物价指数同比增长率经年度GDP数据加权分别得到平均工业增加值同比增长率(简称为“经济增长率”)和平均消费者物价指数同比增长率(简称为“通货膨胀率”), 再采用滚动样本方法计算各经济变量的平均相关系数序列³, 最后分析尾部风险总溢出指数与各指标的关系. 宏观经济数据来源于Wind数据库和国际货币基金组织数据库(https://www.imf.org/en/Data).

³即固定样本窗口, 在每个样本窗口内先计算各个国家(地区)宏观经济指标的两两相关系数, 再取算术平均得到反映经济总关联性的平均相关系数, 随着估计窗口的移动得到时变的相关系数序列; 经计算不同样本窗口下相关系数序列的变化趋势相同, 本文仅展示滚动样本窗口为24个月的情形.

图 5给出了尾部风险总溢出指数与经济变量平均相关系数的时间趋势图. 结果显示, 各经济体之间的经济关联性表现出周期性变化特征, 金融危机时期的关联性要显著高于平稳时期. 同时, 经济变量相关性的变化趋势与尾部风险总溢出指数类似, 但变动幅度要显著大于股市尾部风险总溢出指数. 图 6展示了经年度GDP加权得到的平均工业增加值同比增长率和平均消费者物价指数同比增长率的动态变化情况. 结合图 5和6的结果可以发现, 在国际金融危机和新冠疫情时期, 经济增长率出现明显下降, 通货膨胀率也降低, 出现经济衰退; 而股市尾部联动性和经济变量相关性均呈现明显的上升趋势, 并先后达到样本期间内各自的最高水平. 直观上来看, 经济关联性的提升能够增强国际股市的尾部关联性, 且在极端风险事件时期尤为显著. 此外, 表 4给出的尾部风险总溢出指数与各指标相关性分析的结果也显示:全球尾部风险总溢出指数与经济相关性、通货膨胀相关性、通货膨胀率指标均在1%的显著性水平下显著正相关, 符合经济基础说的思想. 值得注意的是, 在郑挺国和刘堂勇(2018)关于波动溢出效应研究中, 全球波动溢出指数与经济增长率直接相关, 但在尾部风险情况下该关联性质并不显著. 这可能是因为波动溢出效应关注的是市场之间资产价格涨跌变化的相互关系, 而尾部风险传染侧重于市场极端事件的影响, 即二者刻画市场风险特征的角度不同, 从而股市之间尾部风险溢出效应的形成机制与波动溢出效应存在一定差异.

图5 尾部风险总溢出指数与经济相关系数时序图

注: 时变相关系数为滚动样本下各期、各市场经济变量两两相关系数的平均值; 月度尾部风险溢出指数由周数据简单平均得到; 样本区间为1999年11月至2022年12月.

Full size|PPT slide

图6 全球经济增长率和通货膨胀率时序图

注: 经济增长率和通货膨胀率分别由各市场工业增加值同比增长率和CPI同比增长率经年度GDP加权平均求得; 样本区间为1999年11月至2022年12月.

Full size|PPT slide

表4 尾部风险总溢出指数与各指标的相关系数

指标	经济相关性	通货膨胀相关性	经济增长率	通货膨胀率	平均尾部指数
Pearson相关系数	0.53 $^{* *}$	0.62 $^{* * *}$	$-$ 0.03	0.33 $^{* * *}$	$-$ 0.34 $^{* * *}$
Pearson相关系数	(0.00)	(0.00)	(0.63)	(0.00)	(0.00)
Spearman相关系数	0.43 $^{* * *}$	0.63 $^{* * *}$	0.09	0.17 $^{* * *}$	$-$ 0.34 $^{* * *}$
Spearman相关系数	(0.00)	(0.00)	(0.13)	(0.00)	(0.00)

注: ^*、^**、^***分别表示10%、5%和1%的显著性水平.

2)基于市场传染理论的分析

作为研究金融市场联动关系的基本理论, 经济基础说在实证研究中并未获得广泛支持. 在此背景下, King and Wadhwani (1990)提出的市场传染模型为理解市场联动效应提供了新视角. 该模型表明, 若市场传染机制存在, 代表波动溢出效应的市场传染系数将会是波动率的增函数. 由于尾部风险溢出效应也是股市联动的一种表现形式, 这表示若尾部风险水平与尾部风险传染程度同向变动, 则市场传染机制发挥了作用. 基于此, 本文通过对样本10个股票市场的尾部指数(

\ln {\hat{ς}}_{t}

) 经市值加权得到平均尾部指数序列(

\bar{\ln ς_{t}}

), 以反映国际尾部风险总体水平, 进而分析平均尾部风险与尾部风险总溢出指数之间的关系. 值得注意的是, 由于尾部指数(

\ln {\hat{ς}}_{t}

)与尾部风险水平呈反向关系, 即较小的尾部指数表示较高的尾部风险水平, 因此, 根据King and Wadhwani (1990), 若市场传染说成立, 那么平均尾部风险指数

(\bar{\ln ς_{t}})

与全球尾部风险总溢出指数之间应为负向关系.

图 7对样本期间尾部风险总溢出指数与平均尾部指数进行了对比. 直观上, 二者呈现反向变动特征: 平均尾部指数上升(尾部风险下降)阶段, 总溢出指数下降; 相反, 平均尾部指数下降(尾部风险上升)阶段, 总溢出指数上升. 同时, 表 4的相关性分析结果也表明国际尾部风险总溢出指数与平均尾部指数显著负相关, 即与尾部风险水平正向关. 以上实证结果与King and Wadhwani (1990)基本一致, 说明市场传染机制在尾部风险溢出效应中发挥了作用.

图7 尾部风险总溢出指数与全球平均尾部指数时序图

注: 由于尾部指数为对数值, 为方便对比, 图中展示的尾部风险总溢出指数也经过自然对数处理; 由于经Wind数据库下载的英国市值数据只更新到2014年, 故样本区间为1999年11月至2014年12月.

Full size|PPT slide

4 结论

本文采用时变超阈值模型测度动态尾部风险, 再结合溢出指数模型和滚动样本估计方法从强度、方向和动态性的角度对国际尾部风险溢出效应展开研究, 考察了特殊风险事件下国际尾部风险关联网络结构的时变特征, 并分析了国际股市尾部风险溢出的内在机理.

首先, 10个市场尾部风险溢出的平均指标为59.79%. 这意味着, 除了归因于国家或地区自身的特质因素, 国际金融市场的尾部风险有一半以上的权重是由外部尾部风险溢出冲击造成的, 呈现明显的尾部风险跨市场传染效应. 同时, 尾部风险溢出效应具有明显的时变特征, 在危机时期显著增强. 其次, 欧美发达资本市场均具有较高的双向尾部风险溢出、总溢出和净溢出水平, 在国际市场上主要承担着尾部风险净输出者的角色; 日本和新兴市场则具有相对较低的尾部风险溢出水平, 是主要的尾部风险净接收者. 美国是样本范围内最大的尾部风险净输出者, 是国际市场极端风险的重要来源之一. 相反, 无论是在接收还是输出方向上, 中国内地市场的尾部风险溢出效应最低, 这可能与资本市场的相对开放程度息息相关. 同时, 通过构建有向溢出网络图, 本文发现国际市场上的尾部风险溢出结构也具有显著的时变特征, 平稳时期主要表现为发达资本市场之间的溢出效应, 新兴市场的尾部风险溢出效应则在危机时期得到加强. 值得注意的是, 中美贸易摩擦浮现以来, 美国对国际市场的尾部风险冲击巨大, 国际市场的尾部风险总溢出效应大幅提升, 中国内地市场接收到的尾部风险也到达了高点, 形成了巨大的金融安全隐患. 此后, 紧张的国际局势叠加世纪“新冠”疫情的暴发及蔓延, 对全球金融市场产生了强烈冲击, 国际股市的尾部风险总溢出指数远超过国际金融危机时期, 其影响不容小觑. 最后, 利用一些宏观经济和金融指标对国际尾部风险溢出效应的影响因素进行分析, 发现经济基本面和市场传染均能较好地解释尾部风险跨市场传染效应.

随着资本市场对外开放的脚步加快, 中国内地市场尾部风险的输出或输入能力正在不断提高, 国际影响力逐渐增强. 这既体现了我国高水平资本市场开放政策的成效, 也带来了风险联动的隐忧. 面对中美贸易摩擦和新冠疫情暴发以来日益紧张的国际形势, 政府在后续推动资本市场开放、处理中美贸易关系等决策过程中, 应当重视尾部风险及其传染效应带来的负面影响, 并加强国际沟通与协作. 随着新兴市场在国际金融风险关联网络中重要性的显现, 今后的风险防控工作除了关注发达资本市场的风险溢出, 还应当重视新兴市场的风险变动和金融安全问题.

References

Publishing order | Descend order by publishing year | Descend order by cited within

卜林, 王雪杰, 刘志强, 全球股票市场系统性风险传递网络研究[J]. 国际金融研究, 2020, (3): 87- 96.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR202003009.htm

, Wang

X J

, Liu

Z Q

, A Study on Systemic Risk Transfer Network of Global Stock Market[J]. Studies of International Finance, 2020, (3): 87- 96.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR202003009.htm

Cited in this article [2]

洪永淼, 成思危, 刘艳辉, 汪寿阳, 中国股市与世界其他股市之间的大风险溢出效应[J]. 经济学(季刊), 2004, 3 (3): 703- 726.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU200402012.htm

Hong

Y M

, Cheng

S W

, Liu

Y H

, Wang

S Y

, Extreme Risk Spillover Between Chinese Stock Market and International Stock Markets[J]. China Economic Quarterly, 2004, 3 (3): 703- 726.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU200402012.htm

Cited in this article [1]

李红权, 洪永淼, 汪寿阳, 我国A股市场与美股、港股的互动关系研究: 基于信息溢出视角[J]. 经济研究, 2011, (8): 15- 25.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201108003.htm

H Q

, Hong

Y M

, Wang

S Y

, Information Spillover among China's a Shares Market, US Stock Market and HK Stock Market[J]. Economic Research Journal, 2011, (8): 15- 25.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201108003.htm

Cited in this article [1]

李政, 孙丽玲, 王子美, 基于关联网络的经济政策不确定性全球溢出效应研究[J]. 国际金融研究, 2020, (4): 54- 64.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR202004006.htm

, Sun

L L

, Wang

Z M

, A Study on Global Spillover Effect of Economic Policy Uncertainty from the Perspective of Network[J]. Studies of International Finance, 2020, (4): 54- 64.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR202004006.htm

Cited in this article [1]

梁琪, 常姝雅, 全球股票市场系统性风险的预警与防范——基于高低波动风险溢出的网络分析[J]. 国际金融研究, 2022, (9): 67- 76.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR202209007.htm

Liang

, Chang

S Y

, Early Warning and Prevention of Systemic Risk in Global Stock Market — Base on the Analysis of Low and High Volatility Risk Spillover Network[J]. Studies of International Finance, 2022, (9): 67- 76.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR202209007.htm

Cited in this article [1]

梁琪, 李政, 郝项超, 中国股票市场国际化研究: 基于信息溢出的视角[J]. 经济研究, 2015, (4): 150- 164.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201504012.htm

Liang

, Li

, Hao

X C

, The Internationalization of Chinese Stock Market: Based on Information Spillover[J]. Economic Research Journal, 2015, (4): 150- 164.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201504012.htm

Cited in this article [3]

刘程程, 苏治, 宋鹏, 全球股票市场间风险传染的测度、监管及预警[J]. 金融研究, 2020, (11): 94- 112.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202011006.htm

Liu

C C

, Su

, Song

, Measurement, Supervision and Early Warning of Risk Contagion among Global Stock Markets[J]. Journal of Financial Research, 2020, (11): 94- 112.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202011006.htm

Cited in this article [2]

林娟, 赵海龙, 沪深股市和香港股市的风险溢出效应研究——基于时变△CoVaR模型的分析[J]. 系统工程理论与实践, 2020, 40 (6): 1533- 1544.

https://www.cnki.com.cn/Article/CJFDTOTAL-XTLL202006014.htm

Lin

, Zhao

H L

, Research on the Risk Spillovers between Shanghai, Shenzhen and Hong Kong Stock Markets — Based on the Time Varying △CoVaR Model[J]. Systems Engineering — Theory & Practice, 2020, 40 (6): 1533- 1544.

https://www.cnki.com.cn/Article/CJFDTOTAL-XTLL202006014.htm

Cited in this article [1]

刘晓星, 段斌, 谢福座, 股票市场风险溢出效应研究: 基于EVT-Copula-CoVaR模型的分析[J]. 世界经济, 2011, (11): 145- 159.

https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ201111011.htm

Liu

X X

, Duan

, Xie

F Z

, Research on Risk Spillover Effect of Stock Market — Based on the EVT-Copula-CoVaR Model[J]. The Journal of World Economy, 2011, (11): 145- 159.

https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ201111011.htm

Cited in this article [1]

许启发, 王侠英, 蒋翠侠, 熊熊, 基于藤Copula-CAViaR方法的股市风险溢出效应研究[J]. 系统工程理论与实践, 2018, 38 (11): 2738- 2749.

https://doi.org/10.12011/1000-6788(2018)11-2738-12

Q F

, Wang

X Y

, Jiang

C X

, Xiong

, Investigating Risk Spillover Effects among Stock Markets: A Vine Copula-CAViaR Approach[J]. Systems Engineering — Theory & Practice, 2018, 38 (11): 2738- 2749.

https://doi.org/10.12011/1000-6788(2018)11-2738-12

Cited in this article [1]

杨科, 郭亚飞, 田凤平, 经济政策不确定性冲击下全球系统性金融风险的跨市场传染——基于TVPFAVAR和TVP-VAR模型的研究[J]. 统计研究, 2023, 40 (7): 70- 84.

https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ202307006.htm

Yang

, Guo

Y F

, Tian

F P

, Cross-market Contagion of Global Systemic Financial Risk under the Impact of Economic Policy Uncertainty: An Analysis Based on TVP-FAVAR and TVPVAR Model[J]. Statistical Research, 2023, 40 (7): 70- 84.

https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ202307006.htm

Cited in this article [1]

杨子晖, 陈雨恬, 黄卓, 国际冲击下系统性风险的影响因素与传染渠道研究[J]. 经济研究, 2023, (1): 90- 106.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202301006.htm

Yang

Z H

, Chen

Y T

, Huang

, Research on Influencing Factors and Transmission Channels of Systemic Risks under International Shocks[J]. Economic Research Journal, 2023, (1): 90- 106.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202301006.htm

Cited in this article [1]

杨子晖, 李东承, 王姝黛, 合成网络新视角下的输入性金融风险研究[J]. 中国工业经济, 2022, (3): 38- 56.

https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY202203003.htm

Yang

Z H

, Li

D C

, Wang

S D

, Research on Imported Financial Risk from the New Perspective of Composite Network[J]. China's Industrial Economy, 2022, (3): 38- 56.

https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY202203003.htm

Cited in this article [1]

杨子晖, 王姝黛, 突发公共卫生事件下的全球股市系统性金融风险传染——来自新冠疫情的证据[J]. 经济研究, 2021, (8): 22- 38.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202108003.htm

Yang

Z H

, Wang

S D

, Systemic Financial Risk Contagion of Global Stock Market under Public Health Emergency: Empirical Evidence from COVID19 Epidemic[J]. Economic Research Journal, 2021, (8): 22- 38.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202108003.htm

Cited in this article [4]

杨子晖, 张平淼, 陈雨恬, 风险共振还是风险分散——基于尾部事件下风险结构的关联研究[J]. 经济学(季刊), 2021, 21 (6): 2127- 2152.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU202106012.htm

Yang

Z H

, Zhang

P M

, Chen

Y T

, Risk Co-movement or Risk Diversification?— Research on Connectedness of Risk Profile under Tail Events[J]. China Economic Quarterly, 2021, 21 (6): 2127- 2152.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU202106012.htm

杨子晖, 周颖刚, 全球系统性金融风险溢出与外部冲击[J]. 中国社会科学, 2018, (12): 69- 90.

https://www.cnki.com.cn/Article/CJFDTOTAL-SHEK202002002.htm

Yang

Z H

, Zhou

Y G

, Global Systemic Financial Risks Spillovers and their External Impact[J]. Social Sciences in China, 2018, (12): 69- 90.

https://www.cnki.com.cn/Article/CJFDTOTAL-SHEK202002002.htm

Cited in this article [1]

苑莹, 王海英, 庄新田, 基于非线性相依的市场间金融传染度量——测度2015年中国股灾对重要经济体的传染效应[J]. 系统工程理论与实践, 2020, 40 (3): 545- 558.

https://www.cnki.com.cn/Article/CJFDTOTAL-XTLL202003001.htm

Yuan

, Wang

H Y

, Zhuang

X T

, Financial Contagion Measurement between Nonlinear Interdependent Markets: Detecting the Contagion Effects of Chinese Stock Market Crash in 2015 on the World's Important Economies[J]. Systems Engineering — Theory & Practice, 2020, 40 (3): 545- 558.

https://www.cnki.com.cn/Article/CJFDTOTAL-XTLL202003001.htm

Cited in this article [1]

曾裕峰, 温湖炜, 陈学彬, 股市互联、尾部风险传染与系统重要性市场——基于多元分位数回归模型的分析[J]. 国际金融研究, 2017, (9): 86- 96.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR201709009.htm

Zeng

Y F

, Wen

H W

, Chen

X B

, Stock Market Interconnection, Tail Risk Contagion and Systemically Important Markets — Based on the Multivariate Quantile Regression Model[J]. Studies of International Finance, 2017, (9): 86- 96.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR201709009.htm

Cited in this article [1]

张雪彤, 张卫国, 王超, (2022). 发达市场与新兴市场的尾部风险——溢出、传染与传染动因检验[J/OL]. 中国管理科学. https://doi-org-s.hutb.yitlink.com:8444/10.16381/j.cnki.issn1003-207x.2021.2441.

Zhang X T, Zhang W G, Wang C, (2022). Tail Risks in Developed and Emerging Markets — Test of Spillover, Contagion and Contagion Determinants[J/OL]. Chinese Journal of Management Science. https://doi-org-s.hutb.yitlink.com:8444/10.16381/j.cnki.issn1003-207x.2021.2441.

Cited in this article [1]

郑挺国, 刘堂勇, 股市波动溢出效应及其影响因素分析[J]. 经济学(季刊), 2018, 17 (2): 669- 692.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201802010.htm

Zheng

T G

, Liu

T Y

, Volatility Spillovers across Stock Markets and Its Influencing Factors[J]. China Economic Quarterly, 2018, 17 (2): 669- 692.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201802010.htm

Cited in this article [5]

Bollerslev

, Todorov

, Tails, Fears, and Risk Premia[J]. The Journal of Finance, 2011, 66 (6): 2165- 2211.

https://doi.org/10.1111/j.1540-6261.2011.01695.x

Cited in this article [1]

Chavez-Demoulin

, Embrechts

, Sardy

, Extreme-quantile Tracking for Financial Time Series[J]. Journal of Econometrics, 2014, 188 (1): 44- 52.

Cited in this article [1]

Chavez-Demoulin

, Davison

A C

, McNeil

A J

, Estimating Value-at-Risk: A Point Process Approach[J]. Quantitative Finance, 2005, 5 (2): 227- 234.

https://doi.org/10.1080/14697680500039613

Cited in this article [1]

Creal

, Koopman

S J

, Lucas

, Generalized Autoregressive Score Models with Applications[J]. Journal of Applied Econometrics, 2013, 28 (5): 777- 795.

Cited in this article [1]

Dickey

D A

, Fuller

W A

, Estimators for Autoregressive Time Series with a Unit Root[J]. Journal of the American Statistical Association, 1979, 74 (336a): 427- 431.

Cited in this article [1]

Dickey

D A

, Fuller

W A

, Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root[J]. Econometrica, 1981, 49 (4): 1057- 1072.

Cited in this article [1]

Diebold

F X

, Yilmaz

, Better to Give than to Receive: Predictive Directional Measurement of Volatility Spillovers[J]. International Journal of Forecasting, 2012, 28 (1): 57- 66.

Cited in this article [2]

Diebold

F X

, Yilmaz

, On the Network Topology of Variance Decompositions: Measuring the Connectedness of Financial Firms[J]. Journal of Econometrics, 2014, 182 (1): 119- 134.

Cited in this article [2]

Harvey A C, (2013). Dynamic Models for Volatility and Heavy Tails: With Applications to Financial and Economic Time Series[M]. Cambridge: Cambridge University Press.

Cited in this article [3]

Hautsch

, Schaumburg

, Schienle

, Financial Network Systemic Risk Contributions[J]. Review of Finance, 2015, 19, 685- 738.

Cited in this article [1]

Jarque

, Bera

A K

, Effcient Tests for Normality, Homoscedasticity and Serial Independence of Regression Residuals[J]. Economics Letters, 1982, 6 (3): 255- 259.

Cited in this article [1]

Kelly

, Jiang

, Tail Risk and Asset Prices[J]. Review of Financial Studies, 2014, 27 (10): 2841- 2871.

Cited in this article [1]

King

M A

, Wadhwani

, Transmission of Volatility between Stock Markets[J]. Review of Financial Studies, 1990, 3 (1): 5- 33.

Cited in this article [3]

Massacci

, Tail Risk Dynamics in Stock Returns: Links to the Macroeconomy and Global Markets Connectedness[J]. Management Science, 2017, 63 (9): 3072- 3089.

Cited in this article [4]

Funding

National Natural Science Foundation of China(72171076)

Hunan Provincial Natural Science Foundation of China for Distinguished Young Scholars(2021JJ10026)

Natural Science Foundation of Hunan Province of China(2022JJ40136)

Research Foundation of Education Bureau of Hunan Province(22B0647)

RIGHTS & PERMISSIONS

PDF(1848 KB)

1870

Accesses

Citation

Detail

Sections

Recommended

Abstract
Key words
Cite this article
1 引言
2 研究方法与数据说明
2.1 时变超阈值模型
2.2 溢出指数方法和尾部风险传染矩阵
2.3 数据说明
3 实证结果与分析
3.1 动态尾部风险测度
图1 股票市场动态尾部风险时间趋势图
表1 尾部指数的描述性统计分析
3.2 尾部风险总溢出效应分析
表2 滚动样本平均尾部风险溢出效应矩阵
表3 尾部风险净溢出效应排序分析
图2 国际尾部风险总溢出指数
3.3 方向性尾部风险溢出效应分析
图3 尾部风险方向性溢出指数时序图
3.4 尾部风险关联结构分析
图4 国际尾部风险溢出效应动态关联结构分析
3.5 国际尾部风险溢出效应的影响因素分析
图5 尾部风险总溢出指数与经济相关系数时序图
图6 全球经济增长率和通货膨胀率时序图
表4 尾部风险总溢出指数与各指标的相关系数
图7 尾部风险总溢出指数与全球平均尾部指数时序图
4 结论
References
Funding
RIGHTS & PERMISSIONS

Received	Published
2023-11-15	2024-03-27
Issue Date
2024-03-27

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

1 引言

2 研究方法与数据说明

2.1 时变超阈值模型

2.2 溢出指数方法和尾部风险传染矩阵

2.3 数据说明

3 实证结果与分析

3.1 动态尾部风险测度

图1 股票市场动态尾部风险时间趋势图

表1 尾部指数的描述性统计分析

3.2 尾部风险总溢出效应分析

表2 滚动样本平均尾部风险溢出效应矩阵

表3 尾部风险净溢出效应排序分析

图2 国际尾部风险总溢出指数

3.3 方向性尾部风险溢出效应分析

图3 尾部风险方向性溢出指数时序图

3.4 尾部风险关联结构分析

图4 国际尾部风险溢出效应动态关联结构分析

3.5 国际尾部风险溢出效应的影响因素分析

图5 尾部风险总溢出指数与经济相关系数时序图

图6 全球经济增长率和通货膨胀率时序图

表4 尾部风险总溢出指数与各指标的相关系数

图7 尾部风险总溢出指数与全球平均尾部指数时序图

4 结论

{{custom_sec.title}}

{{custom_sec.title}}

References

{{custom_fnGroup.title_en}}

Footnotes

Funding

RIGHTS & PERMISSIONS

模态框（Modal）标题

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

1 引言

2 研究方法与数据说明

2.1 时变超阈值模型

2.2 溢出指数方法和尾部风险传染矩阵

2.3 数据说明

3 实证结果与分析

3.1 动态尾部风险测度

图1 股票市场动态尾部风险时间趋势图

表1 尾部指数的描述性统计分析

3.2 尾部风险总溢出效应分析

表2 滚动样本平均尾部风险溢出效应矩阵

表3 尾部风险净溢出效应排序分析

图2 国际尾部风险总溢出指数

3.3 方向性尾部风险溢出效应分析

图3 尾部风险方向性溢出指数时序图

3.4 尾部风险关联结构分析

图4 国际尾部风险溢出效应动态关联结构分析

3.5 国际尾部风险溢出效应的影响因素分析

图5 尾部风险总溢出指数与经济相关系数时序图

图6 全球经济增长率和通货膨胀率时序图

表4 尾部风险总溢出指数与各指标的相关系数

图7 尾部风险总溢出指数与全球平均尾部指数时序图

4 结论

{{custom_sec.title}}

{{custom_sec.title}}

References

{{custom_fnGroup.title_en}}

Footnotes

Funding

RIGHTS & PERMISSIONS