郭文偉

一、引言

從全球范圍來看,股票市場與債券市場一直是各國資本市場的重要組成部分,兩者在滿足企業(yè)直接融資、資源優(yōu)化配置和投資者資產配置需求等方面發(fā)揮著越來越重要的作用。然而,近20年來國內外金融市場實踐表明,股市暴漲暴跌現(xiàn)象頻發(fā)往往會加劇債券市場的波動；與此同時,股市泡沫的周期性出現(xiàn)也會對債券市場產生不利影響,甚至會催生債市周期性泡沫的出現(xiàn)。事實上,中國股市在2006—2007年期間出現(xiàn)了歷史罕見的大牛市,股市泡沫也達到頂峰。隨后由于2008年美國金融危機的爆發(fā),加速了中國股市泡沫破滅并進入了漫長的大熊市 (2008—2014年),在此期間,債券市場在大量回流資金推動下進入了快速發(fā)展階段,股市與債市之間呈現(xiàn)出 “此消彼長”的格局。直到2014年12月至2015年5月期間,中國滬深股市在各種因素作用下又出現(xiàn)一波快速上漲的短期牛市,在這短期內股市泡沫迅速膨脹,而債市依然保持快速增長態(tài)勢,形成了 “股債雙牛”格局。然而,隨著我國證監(jiān)會從2015年6月開始整頓兩融業(yè)務和清理場外非法配資行為,眾多資金短期內逃離股市,在這種抽逃資金的沖擊下,滬深股指連續(xù)三個月出現(xiàn)了 “股災”式的下跌,股市泡沫隨之崩塌；與此同時,面對國內樓市的不景氣和股市暴跌,大量理財資金繼續(xù)涌入火熱已久的債市,這不但推高了債券價格,更是加劇了債市的過熱程度,甚至促使債市泡沫膨脹。自2016年年底以來,隨著我國貨幣政策由之前的寬松轉向中性及中央政府加速推進金融 “去杠桿”進程,整個資本市場的流動性開始逐漸收縮,這導致持續(xù)火爆多年的債券市場開始出現(xiàn)回調。尤其是進入2017年下半年以來,美聯(lián)儲開始實施縮量計劃并逐步加息,在此帶動下,全球央行相繼實施緊縮性貨幣政策,這也意味著全球經(jīng)濟開始進入緊縮性貨幣政策周期。在此背景下,我國債券發(fā)行利率也開始逐步上升,同時債券違約數(shù)量及金額屢創(chuàng)新高,至今債券市場價格已出現(xiàn)持續(xù)長達半年以上的下跌趨勢,社會各界開始憂慮債券市場泡沫是否會最終破滅,從而形成 “股債雙殺”的格局。因此,在這些背景下,深入研究股市泡沫與債市泡沫之間復雜的相依結構及其泡沫風險傳導機制就具有重要的理論價值和實踐意義。這一方面能增強投資者認識股市與債市走勢及相互之間影響機制,進而合理配置資產,降低投資組合風險；另一方面,也有助于政府監(jiān)管層深刻理解股市泡沫與債市泡沫之間存在復雜相依性,為識別資產泡沫風險傳染源及防范其跨市場傳染提供了有益的借鑒。

二、文獻綜述

從國內外學者研究資產泡沫類型的脈絡來看,先后經(jīng)歷了 “理性泡沫學派”到 “非理性泡沫學派”,再到 “兩者齊頭并進”的演進歷程。非理性泡沫學派代表了最近10年來的研究趨勢,為揭示資產泡沫的形成機制提供了更多非理性因素 (如,投資者情緒、羊群行為、恐懼、貪婪等),但卻缺乏具備理性泡沫模型所具有的堅實數(shù)理基礎和可重復檢驗的優(yōu)勢。在研究的成熟度和應用的廣泛性方面,目前學界對理性泡沫的研究明顯強于對非理性泡沫的研究。對此,本文基于理性泡沫學派視角揭示資產泡沫的定義。所謂理性泡沫,一般是指資產價格與其理論價值(內在價值)發(fā)生了明顯的偏離,而資產理論價值一般是指其未來各期預期收益折現(xiàn)值的總和。因此,股票泡沫和債券泡沫均是指其市場交易價格明顯超過其基于未來各期預期收益的現(xiàn)值之和那部分。

至今國內外有關股票市場與債券市場之間相依性方面的研究較多,但研究股市泡沫與債市泡沫之間相依性的文獻較少,因此,本文結合研究對象,以研究方法和研究結論為主線,圍繞研究主題對國內外文獻進行綜述。

國外學者主要采用三類方法來研究股市與債市之間的相依性:第一,基于條件動態(tài)相關系數(shù) (DCC模型)分析法。Campbell和 Ammer(1993)[1]、Fleming等 (2001)[2]采用DCC模型分析歐美國家中股市與債市之間的相關性,其研究結論均發(fā)現(xiàn)股票和債券市場之間存在交互波動溢出效應；而Scruggs和Glabadanidis(2003)[3]通過實證也發(fā)現(xiàn)了股市與債市之間的動態(tài)相關性。Baura和Lucey(2009)[4]認為股市與債市之間的波動溢出效應存在兩種特征:逃離效應和傳染效應；Yang等[5](2010)采用非對稱DCC模型研究了美國股市、債市與房地產信托基金市場在1999—2008年期間的動態(tài)相關性,其研究結果表明:股市在這些不同市場間起到樞紐中心的作用,而債市對跨市場投資組合多元化起到重要作用。第二,基于靜態(tài)/動態(tài)Copula模型分析法。由于DCC模型只能刻畫隨機變量之間的對稱、線性的正態(tài)相關性,而無法充分捕捉到股市與債市之間的非對稱尾部相依性,隨后有不少學者采用靜態(tài)/動態(tài)Copula模型替代DCC模型來展開相關實證工作。Hu(2006)[6]較早提出了線性混合Copula模型來分析國際上股市與債市之間的相依結構,同樣證實了國際上不同股市與債市之間存在非對稱的上下尾相依結構。由于隨著外部環(huán)境的變遷及影響,不同金融市場間的相依性會出現(xiàn)時變性,由此催生了動態(tài) Copula模型的出現(xiàn)。Patton(2006)[7]最早提出了動態(tài)Copula模型來研究國際外匯市場動態(tài)相關性及相關性變結構問題。自此,此類動態(tài)Copula模型開始被國內外學者廣泛應用于刻畫不同地區(qū)、國家的金融市場之間的時變相依性。第三,基于狀態(tài)轉換的混合Copula模型分析法。針對動態(tài)Copula模型存在單一狀態(tài)的局限問題,開始有學者將馬爾科夫狀態(tài)轉換思想引入Copula模型中,從而提出了基于狀態(tài)轉換的Copula模型 (MRS-Copula)來研究不同股市之間的相依結構特征。René和Georges(2011)[8]采用MRS-Copula模型研究了國際股市與債市之間的相依結構后認為,國際股市內部或債市內部均存在顯著的相依性,而股市與債市之間的相依性較弱,即使同一國家內的股市與債市之間的相依性也較低。

國內學者主要采用四類方法來分析中國股市與債市之間的相依性 (溢出效應):第一,二元BEKK模型。王璐和龐皓 (2009)[9]基于BEKK模型研究了我國股市與債市之間的波動溢出效應,認為兩市之間顯著存在波動溢出效應,且該效應具有時變和非對稱特征。王斌會等 (2010)[10]采用BEKK模型來分析中國股市、債市與匯市之間的溢出效應,其結果表明:股市對債市具有單向的波動溢出效應。胡秋靈和馬麗(2011)[11]采用BEKK模型對中國股市與債市之間的波動溢出效應進行實證分析,其結果表明:隨著股市處于不同景氣階段,兩市之間的波動溢出效應具有明顯不同的特征。但在牛市或熊市時,股市對債市具有單向的波動溢出效應；而當股市反彈時,兩市之間不存在波動溢出效應；但股市處于震蕩階段時,兩市之間出現(xiàn)雙向的波動溢出效應。汪冬華等 (2012)[12]也取得類似的研究結論。第二,多元動態(tài)條件相關系數(shù)模型 (DCC)。何宜慶和陳平 (2012)[13]采用DCC模型對中國股票市場、企債市場和國債市場之間的波動溢出效應與動態(tài)相關性進行了實證分析,其研究結果表明:股市對企債市場存在單向的波動溢出效應；股市與債市之間存在較弱的時變相關性,說明股市與債市之間的市場分割格局依然存在。袁超等 (2008)[14]采用非對稱動態(tài)條件相關系數(shù) (ADCC)模型來對中國股市和債市之間的動態(tài)相關性進行建模分析,其研究結果表明:股市與債市之間的相關性存在結構突變,兩個市場對外部沖擊響應程度存在差異；股市與債市之間的聯(lián)動性面臨負面消息沖擊的響應程度大于正面消息的沖擊。第三,Copula模型。王璐等(2011)[15]采用門限混合Copula對我國股市與債市之間的相依結構進行實證研究,其研究結果表明:股市與債市之間存在相依性和門限效應,且具有非線性、非對稱的特征,兩者的相依性存在結構突變特征說明目前我國金融資產配置效率依然偏低。史永東等(2013)[16]采用Copula模型及分位數(shù)函數(shù)對中國股市與債市在2002—2009年期間的風險溢出及其狀態(tài)轉換特征進行實證分析后發(fā)現(xiàn)中國股市與債市之間缺乏明顯的聯(lián)動性,兩市尚處于相對分割的狀態(tài),在一定程度避免了極端條件系統(tǒng)性風險的相互傳染。第四,馬爾科夫機制轉換模型 (MRS)。王璐 (2013)[17]采用MS-ARMA(1,1)模型來刻畫股市與債市之間動態(tài)相依性可能存在的馬爾科夫機制轉換特征,其研究結果表明股市與債市之間的動態(tài)相依性存在正負兩種狀態(tài),分別對應著逃離效應和傳染效應。

從上述文獻的研究結論來看,無論是國外還是國內,股市與債市之間存在動態(tài)、非對稱和非線性的相依性,而且這種相依性隨著股市的牛熊周期轉換而出現(xiàn)結構突變或機制轉換；總體上,股市與債市之間的相依性表現(xiàn)為此消彼長 (負相關)和相互促進 (正相關)兩種特征。從刻畫股市與債市之間相依性的方法來看,DCC模型優(yōu)于BEKK模型,而動態(tài)Copula模型的建模效果優(yōu)于DCC模型,但大部分動態(tài)Copula模型都沒有考慮到股市與債市之間的動態(tài)相依性可能存在的狀態(tài)轉換及其結構突變特征。盡管隨后的混合Copula模型和MRS-Copula模型考慮了股市與債市之間相依性存在的狀態(tài)轉換或結構性變化,但這兩類模型往往只能刻畫兩市之間的靜態(tài)相依性。與此同時,越來越多的實證研究表明,中國股市與債市之間相依性具有時變、非對稱的特征,而且會隨著國內股市的牛熊轉換而出現(xiàn)不同狀態(tài)輪換特征,尤其是在國外金融危機沖擊下,國內股市與債市自身的波動水平也會發(fā)生狀態(tài)轉換,由此導致兩市之間的相依性也會隨之發(fā)生狀態(tài)轉換。顯然,需要一種既能刻畫我國股市與債市之間的動態(tài)相依性,同時又能顯示不同相依性狀態(tài)轉換過程的模型才能充分捕捉到兩市間相依性真實存在的各種特征。對此,本文將馬爾科夫狀態(tài)轉換的思想引入到二元動態(tài)Copula模型的相依性參數(shù)演化方程中,通過允許演化方程中的截距項具有雙重馬爾科夫狀態(tài)特征,從而構建含兩種狀態(tài)轉換的動態(tài)MRS-Copula模型來分析我國股市泡沫與債市泡沫之間的復雜相依結構?？偟膩砜?中國股市泡沫與債市泡沫之間存在此消彼長的關系。與現(xiàn)有文獻相比,本文創(chuàng)新之處在于:第一,首次對股市泡沫與債市泡沫之間的動態(tài)相依性進行實證研究。有別于現(xiàn)有研究均側重分析股市指數(shù)和債市指數(shù)之間的相依性,本文首先動態(tài)刻畫了股市泡沫和債市泡沫的走勢,為分析兩市泡沫間的動態(tài)相依性結構奠定了基礎。第二,相比其他不含狀態(tài)轉換的Copula模型,本文所構建含狀態(tài)轉換的動態(tài)MRS-Copula模型更能全面地刻畫我國股市泡沫與債市泡沫之間存在的非對稱、動態(tài)相依性及其不同狀態(tài)轉換特征。第三,基于各類Copula模型建模效果的綜合比較來突出所選模型的優(yōu)越性。

三、實證研究

（一）樣本數(shù)據(jù)說明及描述性分析

本文選取了A股指數(shù)和中債新綜合全價指數(shù)①本文之所以采用中債綜合全價指數(shù),是因為該指數(shù)由全國銀行間債券市場與上海證券交易所債券市場中所有符合指數(shù)設計原則的各類債券編制而成,能更全面地反映債券市場的整體波動情況。來分別代表中國的股票市場和債券市場。由于各個市場指數(shù)推出時間不一,本文統(tǒng)一選取研究時期為2002年1月至2017年10月,每種指數(shù)各有190個樣本數(shù)據(jù) (均為經(jīng)前復權后的月度收盤價②相比國外,國內上市公司分紅比例普遍較低,而且缺乏廣泛認同的代表性股利指數(shù) (紅利指數(shù)),推出時間又較晚,直到2005年后才陸續(xù)出現(xiàn)；現(xiàn)有的少數(shù)股利指數(shù) (上證紅利、中證紅利和巨潮紅利指數(shù))無論是在樣本選取、編制方法、指數(shù)長度上均存在顯著差異；對此,本文并沒有采取類似國外學者的做法:將股票市場指數(shù)除以相應的股利指數(shù),而是直接利用股指進行建模分析,這種處理方式與鄧偉和唐齊鳴(2013)[18]的做法類似。)。本文數(shù)據(jù)均取自Wind資訊數(shù)據(jù)庫,各指數(shù)月度收益率采用自然對數(shù)形式來計算。

圖1為中國股市與債市在研究時期內的走勢及其收益率波動圖,從該圖中可知:股市與債市在2006—2009年期間出現(xiàn)相反走勢,體現(xiàn)出此消彼長的格局,而在2014—2015年上半年期間又出現(xiàn)了相互促進股債雙牛格局,但進入2017年以來,股市震蕩上漲,而債市持續(xù)下跌,形成了股牛債熊的格局。從各指數(shù)在整個研究時期內的收益率走勢來看,股市收益率在2006—2007年、2015年上半年期間出現(xiàn)了明顯的波動聚集特征,而債市除了在2004、2008年出現(xiàn)劇烈波動外,其他時期內波動均較為平穩(wěn)。

圖1 股市與債市走勢及其收益率波動趨勢 （2002年1月—2017年10月）

根據(jù)表1的描述性統(tǒng)計結果可知,股市的標準差遠大于債市指數(shù)的標準差,由此說明股市波動顯著大于債市。從偏度來看,股市與債市的收益率分布均存在一定程度的 “左偏”和 “尖峰”特征。從這兩種收益率系列的正態(tài)分布檢驗結果來看,股指收益率序列不服從正態(tài)分布,而債指收益率系列服從正態(tài)分布。

表1 股市與債市收益率的描述性統(tǒng)計

（二）實證模型

1.股市泡沫測度模型:BSADF檢驗。

目前國內外在股市泡沫測度上主要出現(xiàn)了三類方法。第一類是基于馬爾可夫區(qū)制轉換模型的泡沫檢測方法 (Evans,1991[19]； Van Norden,1996[20]；Hall等,1999[21]； Shi,2013[22]； Ogonna 等,2013[23])。第二類是基于結構突變視角的資產泡沫檢測方法(Homm和Breitung,2012[24])。第三類是基于單位根檢驗的資產泡沫檢測方法 (Hamilton和Whiteman,1985[25]； Phillips等,2011[26],2015a[27],2015b[28])。在現(xiàn)有資產泡沫檢測方法中,Phillips等 (2015a,2015b)[27-28]提出BSADF方法具有明顯優(yōu)勢:第一,能揭示出可能同時存在的多個泡沫及持續(xù)時點；第二,能給出每個時點上泡沫值 (正泡沫和負泡沫)；第三,能進一步分析泡沫的演變趨勢及其區(qū)制特征。從國內現(xiàn)有文獻來看,目前國內基于BSADF方法來分析股市泡沫的實證研究相對較少,僅有簡志宏和向修海 (2012)[29]、鄧偉和唐齊鳴 (2013)[18]、郭文偉(2016a,2016b)[30-31]對基于該方法對滬深股市周期性泡沫進行測度,而尚未有文獻專門對股市泡沫和債市泡沫之間的動態(tài)相依結構方面進行研究。因此,本文將運用BSADF方法來對國內股市與債市的泡沫進行實證分析,下面將簡要介紹BSADF方法。

Phillips等 (2011)[26]結合資產價格泡沫具有爆炸性過程的特征,將傳統(tǒng)直接檢驗資產價格pt是否存在泡沫轉換到檢驗pt是否存在弱爆炸性過程 (即檢驗ADF模型中的自回歸系數(shù)是否顯著大于1)。

此外,為了完備地勾勒資產價格走勢在正常時期(ρ=1)以及泡沫時期 (ρ＞1)的特征,Phillips等(2011)[26]提出了右側單位根ADF檢驗法,即SADF。具體而言,首先在給定樣本pt(t=1,2,Λ,T)中選取前部分樣本數(shù)據(jù)pt(t=1,2,Λ,[Tr]；0＜r＜1； [·]表示取整),對選取出來的數(shù)據(jù)采用公式(1)的方法進行回歸以得到估計參數(shù)的統(tǒng)計量t。隨后,以選擇的步長為跨度增加樣本數(shù)量。每次增加樣本量后都用公式 (1)進行回歸,以得到新的統(tǒng)計量。持續(xù)該方式直至樣本末期。經(jīng)過以上操作,會得出一個統(tǒng)計量ADF的序列。最后,針對公式 (1)統(tǒng)計量的最大值,開始右側ADF單位根檢驗,以確定弱爆炸過程的存在性。

Phillips等 (2015a)[27]的實證檢驗表明SADF能檢測周期破滅的價格泡沫。然而,SADF也存在一些局限:第一,若資產存在多個周期性泡沫,該方法會對各個泡沫的存續(xù)周期時點的估計不一。第二,該方法有可能在遞歸過程中忽視了樣本兩端的泡沫 (由于窗口固定)。對此,Phillips等 (2015b)[28]在原方法的基礎上進行了改進,通過前向遞歸過程中增加樣本量,輔之以起點靈活變動的窗口,形成新的SADF方法,即BSADF檢驗法。這種新的方法包含了SADF檢驗法優(yōu)勢的同時也克服了其局限。BSADF方法通過如下步驟進行估計:

第一,固定樣本終點r2,與此同時在區(qū)間 [0,r2-r0]內改變樣本窗口的起點r1,使得每完成一次估計就獲得一個統(tǒng)計指標值這樣不斷移動窗口進行估計直至樣本終點,從而最終獲得一系列統(tǒng)計指標值將該系列統(tǒng)計指標中的最大值定義為:

第二,改變樣本終點r2,當時視為初次出現(xiàn)泡沫,用來標示泡沫起點；而當時則視為之前的泡沫消失了,用來標示泡沫終點。其中,為在100βT%置信水平上、樣本容量為情況下的SADF臨界值。

第三,為了揭示可能存在的多個泡沫,BSADF檢驗法一般就需要用相應的數(shù)據(jù)來替換當前時點之前的泡沫數(shù)據(jù),然后結合遞歸技術來估計每個泡沫的存續(xù)周期時點。

2.動態(tài)Normal Copula模型和動態(tài) MRS-Normal Copula模型。

其一,動態(tài)Norma Copula模型。

Normal Copula模型一般用于刻畫兩個隨機變量之間的對稱性相依結構,其分布函數(shù)為:

其中,Φ-1(·)是標準正態(tài)分布函數(shù)的逆函數(shù),ρ∈ (-1,1)為該模型的相依性系數(shù)。當ρ是常數(shù)時,上述模型為靜態(tài)Normal Copula模型；當ρ是時變參數(shù)時,上述模型為動態(tài)Normal Copula模型。為了確定ρ的演化模式,這里借鑒Patton(2006)[7]的做法,將ρ的演化方程類似于一個ARMA(1,q)模型,如下所示:

公式 (5)中函數(shù)Λ(·)為logistic轉換函數(shù),其計算公式為:通過這種函數(shù)轉換就能保證時變相關系數(shù)ρ一直處于 (0,1)內。公式 (5)包含一個自回歸項ρt-1和一個外生變量(由滯后的q期的ut與vt的差的絕對值的均值來代替),滯后期數(shù)q=10,其中 {ut｝與 {vt｝是采用概率積分轉換方法將原系列進行轉換而成的新系列。

其二,動態(tài)MRS-Normal Copula模型。

上述Copula模型均是通過假設相依性參數(shù)隨時間的演化過程類似于ARMA(1,10)來實現(xiàn)動態(tài)演化,但這種演化模式具有單一狀態(tài)特征的局限,忽視了在實際金融市場中可能存在多狀態(tài)的演化模式以及各狀態(tài)之間存在結構轉換等情況。對此,本文將馬爾科夫狀態(tài)轉換的思想引入到動態(tài)Copula模型的參數(shù)演化方程中,通過允許ARMA(1,10)方程中的截距項ω具有多重馬爾科夫狀態(tài)特征,從而構建具有馬爾科夫狀態(tài)特征的動態(tài)MRS-Copula模型。以動態(tài)Normal Copula模型為例,假設公式 (5)中的ωρ具有兩種狀態(tài),而且這兩種狀態(tài)轉換服從一階馬爾科夫鏈,則動態(tài)MRS-Normal Copula模型的相依性參數(shù)演化方程為:

公式 (6)中的St為無法直接觀測到的狀態(tài)變量,pi,j為從狀態(tài)i轉換到狀態(tài)j的概率,即:

公式 (7)中的m代表狀態(tài)數(shù)量。假如存在兩種不同狀態(tài),則St={1,2｝,兩種狀態(tài)之間的轉換概率矩陣為:

顯然,對于矩陣中每一行有:

3.動態(tài)MRS-Normal Copula模型的參數(shù)估計。

這里令邊緣分布函數(shù)的參數(shù)集合為θi,假設存在兩種狀態(tài),i=1,2,動態(tài)MRS-Normal Copula模型的參數(shù)集合為θc,則動態(tài)MRS-Normal Copula模型的極大似然函數(shù)為:

本文采用兩階段極大似然法來估計Copula模型的參數(shù),首先對各收益系列的邊緣分布函數(shù)進行極大似然估計,在獲得各邊緣分布函數(shù)的參數(shù)θi后,利用數(shù)值方法對公式 (10)進行估計,可得到相關參數(shù)集θc；本文所有模型參數(shù)估計均通過Matlab2011b軟件編程進行實現(xiàn)。

（三）實證結果

1.泡沫存在性檢驗。

這里采用BSADF檢驗法對國內股市和債市的泡沫存在性進行分析,分析結果如表2所示。在遞歸估計分析中,樣本初始窗口長為6個月,每次移動步長為一個月,也即每次遞歸估計后新增一個月的數(shù)據(jù)納入樣本窗口中進行循環(huán)估計。為了獲得泡沫臨界值,本文通過2 000次模擬來獲得在1%、5%和10%置信水平上的泡沫臨界值。由表2可知,國內股市和債市的BSADF統(tǒng)計值均遠大于其在1%置信水平上的臨界值,由此表明在整個研究時期內,我國股市與債市均顯著存在泡沫。

現(xiàn)場取回的黑粉在進一步測試前密封保存。黑粉微觀觀察采用Quanta 200F場發(fā)射電子掃描顯微鏡，并借助EDAX Genesis 2000 X-射線能譜儀 (EDS)測定元素組成。采用XRD-6000型X射線衍射儀對黑粉的物相組成進行測試，利用 Malvern Mastersizer 3000對黑粉粒徑進行測試，測試前用研磨缽將黑粉研磨成細粉。

表2 股市和債市的泡沫存在性檢驗結果

2.股市泡沫與債市泡沫的比較。

圖2中虛線代表泡沫臨界值 (CV-BSADF值)走勢,實線 (BSADF值)為股市和債市的泡沫走勢。根據(jù)BSADF方法的判斷原則,當BSADF值大于CVBSADF值時意味著開始出現(xiàn)泡沫,而當BSADF值小于CV-BSADF值時意味著泡沫消失了。由圖2可知,在整個研究期內我國股市和債市均存在多個泡沫,但兩者在泡沫嚴重程度及持續(xù)時間上存在明顯差異。

圖2 股市與債市泡沫走勢圖

表3對我國股市和債市發(fā)生泡沫的次數(shù)、泡沫持續(xù)時間、泡沫峰值等方面進行統(tǒng)計。從表3可看出,在整個研究時期內,股市和債市分別出現(xiàn)了7次和4次泡沫；A股市場在2006年11月至2007年10月期間出現(xiàn)了最嚴重的泡沫,歷時12個月；其中,最大泡沫峰值 (7.91)出現(xiàn)在2006年12月；債券市場股市在2007年6月出現(xiàn)了最嚴重的泡沫,泡沫峰值高達7.35,這次泡沫歷時5個月 (2005年3月至2005年7月)。在整個時期內,股市泡沫與債市泡沫之間的相關性為0.069,且在1%的置信水平上顯著,說明兩者在長期內存在正相關性。

表3 股市泡沫和債市的比較

3.股市泡沫與債市泡沫之間的動態(tài)相依性。

本文重點通過構建MRS-Copula模型來充分刻畫國內股市泡沫與債市泡沫之間的動態(tài)相依性特征①本文在獲得股市與債市泡沫數(shù)據(jù) (BSADF系列)后,將兩市泡沫系列進行概率積分轉換成服從 [0,1]均勻分布的新序列,同時對變換后的各序列做自相關檢驗和基于BDS的獨立性檢驗表明,經(jīng)過轉換后的新系列是獨立的,并不存在自相關現(xiàn)象。這些都說明經(jīng)過標準化處理后的泡沫系列適用于動態(tài)MRS-Copula的建模分析。,同時為了全面比較該類模型與其他代表性Copula模型的擬合效果差異,本文共用15種模型來進行建模分析,在此基礎上,基于對數(shù)似然值 (LL)最小、AIC值最小和BIC值最小的原則來優(yōu)選出最佳的Copula模型進行后續(xù)實證研究。最終各類模型的對數(shù)似然值、AIC和BIC值如表4所示。通過對表4中各模型似然對數(shù)LL值、AIC值和BIC值的比較可知,動態(tài)MRS-Normal Copula模型對股市泡沫與債市泡沫之間的動態(tài)相依性的擬合度最高,說明中國股市泡沫與債市泡沫之間存在對稱、線性的動態(tài)相依性,因此本文采用動態(tài)MRS-Normal Copula模型對滬深股市泡沫與債市泡沫之間的相依性進行建模分析,估計結果如表5所示。

表4 各Copula函數(shù)參數(shù)的靜態(tài)估計結果

續(xù)前表

從表5可知,滬市泡沫與債市泡沫之間相依性的截距項均存在低、高兩種狀態(tài),截距項系數(shù)分別為-1.67和1.05,均在5%的置信水平上顯著,由此可知第一種狀態(tài)為低相依性狀態(tài),第二種狀態(tài)為高相依性狀態(tài)。在第一種狀態(tài)內,其相依性均值為-0.51,標準差為0.16；在第二種狀態(tài)內,其相依性均值為0.38,標準差為0.11,由此說明第一種狀態(tài)具有相依性水平低但波動性大的特征,而第二狀態(tài)具有相依性水平高、波動小的特征。滬市泡沫與債市泡沫之間的相依性在這兩種狀態(tài)下的變化特征也可從圖3初步得到印證。與此同時,p=p11=0.81,q=q22=0.83,說明兩種相依性狀態(tài)各自均保持較明顯的慣性。

表5 動態(tài)MRS-Normal模型的參數(shù)估計結果

股市泡沫與債市泡沫之間的相依性持續(xù)性參數(shù)βρ在5%的置信水平上顯著為負,這說明相依性缺乏持續(xù)性,其上一期的相依性對隨后一期的相依性具有顯著的負向影響。與此同時,外生變量參數(shù)αρ在5%的置信水平上顯著為正,這說明股市泡沫與債市泡沫過去變化率絕對值越大,兩者之間的相依性水平越大,反之亦然。

圖3 股市泡沫與債市泡沫之間的不同狀態(tài)相依性走勢

圖4 股市泡沫與債市泡沫之間相依性不同狀態(tài)轉換概率

從圖4可看出,股市泡沫與債市泡沫之間的低相依性狀態(tài)主要集中在2002年9月—2003年5月、2004年1月—2005年3月、2006年8月—2007年3月、2007年8月—2008年8月、2010年2月—2010年11月、2012年5月—2012年11月、2013年 4月—2014年1月、2015年10月—2017年6月；股市泡沫與債市泡沫之間的高相依性狀態(tài)主要集中在2002年6月—2002年9月、2003年6月—2003年12月、2005年4月—2006年7月、2008年9月—2010年1月、2010年12月—2011年8月、2014年10月—2015年9月。通過對比股票市場在上述各個時期內的累積收益率可知,股市泡沫與債市泡沫之間的低相依性狀態(tài)的發(fā)生時期基本上對應了股票市場的牛市時期,而兩者之間的高相依性狀態(tài)則對應了股市的熊市時期。由此說明,從短期來看,股市泡沫與債市泡沫之間更多體現(xiàn)出此消彼長關系,尤其是在牛市時期。而由表3可知,在整個時期內,股市泡沫與債市泡沫之間的相關性為0.069,說明在中長期股市泡沫與債市泡沫之間更多呈現(xiàn)為相互促進關系。這里從短期資本流動和貨幣政策取向兩個視角來解釋股市泡沫與債市泡沫之間存在這種高低相依性輪換的形成機理。從短期來看,相比債券短期內的微弱收益,如果股市在短期內持續(xù)上漲,這種短期顯著的收益往往會吸引社會投資者撤出債市,將資金轉移入股市,由此推高股市景氣程度。隨著股市進一步走強,會進一步加大社會資金在股市和債市的大挪移,這最終會使得債市步入短期熊市,而股市步入短期牛市。從而使得債市泡沫和股市泡沫在短期內出現(xiàn)負相關性 (此消彼長)。反過來,股市一旦在短期持續(xù)下跌,同樣會導致投資者避險情緒不斷增強,進而出現(xiàn)資產流出股市,流入債市的格局,最終同樣導致股市泡沫與債市泡沫之間在短期內出現(xiàn)負相關性。從中長期來看,貨幣政策取向則決定了股市泡沫與債市泡沫之間存在正相關性 (股債雙牛),這主要歸因于我國長期以來實施寬松的貨幣政策,導致社會利率較低,且流動性較為充足,在當前中國投資渠道依然有限,且外匯嚴監(jiān)管的大背景下,過高的流動性將會大幅提升社會投資者對債券和股票的配置需求,從而導致資本持續(xù)流入這兩個市場,進而在中長期內推動兩市的陸續(xù)走牛。進入2017年下半年來,我國貨幣政策開始由寬松周期轉向穩(wěn)健中性周期,導致社會融資利率溫和上漲,社會流動性逐步收緊,在這雙重擠壓下,我國股市和債市相續(xù)步入熊市,兩市泡沫在受到擠壓的同時也呈現(xiàn)出一定的正相關性。

4.外部監(jiān)管政策變遷對股市泡沫與債市泡沫之間相依性狀態(tài)的影響。

由于中國股市依然處于 “新興+轉軌”階段,依然具有明顯的 “政策市”特征；與此同時,近20年來,監(jiān)管層對資本市場的一系列改革措施也深刻影響了股市和債市的走勢,同時也影響了兩者之間的相依性狀態(tài)。對此,為了進一步分析外部監(jiān)管政策的變遷對股市泡沫與債市泡沫之間相依性狀態(tài)的影響,這里以股市泡沫與債市泡沫之間兩種不同相依狀態(tài)的轉換概率作為因變量 (低相依性狀態(tài)概率Pro1、高相依性狀態(tài)Pro2),采用5個虛擬變量來代表近20年來我國政府推出的一系列改革措施:2002年11月開始實施QFII制度 (D1)、2005年4月開始實施股權分置改革 (D2)、2010年4月開始推出融資融券業(yè)務和股指期貨業(yè)務 (D3)①我國股指期貨是2010年4月16日推出的,融資融券是2010年3月31日正式交易的,兩者在時間上僅僅相差半個月。由于本文是采用月度數(shù)據(jù),為避免出現(xiàn)共線性,這里將融資融券和股指期貨的推出合并為一個虛擬變量。、2014年12月實施滬港通(D4)、2016年12月實施深港通 (D5)、2015年3月重啟國債期貨市場 (D6)。顯然,這些改革措施在提升資本市場流動性、改善投資者結構、平衡股市多空力量等方面起到積極作用,也會對股市泡沫與債市泡沫走勢產生一定影響。這些改革措施的虛擬變量在對應措施實施前取值為0,措施實施后取1。與此同時,考慮到我國貨幣政策及匯率也會對股市和債市產生重要影響,這里采用法定存款準備金率 (ZBJL)、廣義貨幣同比增速 (M2)、銀行間同業(yè)拆借加權平均利率(LL)來代表貨幣政策,采用美元對人民幣的匯率中間價 (人民幣/美元,HL)來反映我國匯率走勢。通過增加這四個變量來分析我國貨幣政策及匯率變化對股市泡沫、債市泡沫、股市泡沫與債市泡沫之間相依性的影響。最終分析結果如表6所示。

表6 外部監(jiān)管政策對股市泡沫與債市泡沫之間相依狀態(tài)的影響結果

續(xù)前表

從表6可看出,在貨幣政策方面,法定存款準備金率對股市泡沫具有顯著的負面影響,而對債市泡沫具有顯著的正面影響。這說明提升法定存款準備金率能在一定程度上有效抑制股市泡沫程度,但同時也促進了債市泡沫程度。與此同時,法定存款準備金率對股市泡沫與債市泡沫之間的相依性狀態(tài)沒有影響。廣義貨幣同比增速對股市泡沫、股市泡沫與債市泡沫之間的相依性均有一定正面影響,但缺乏統(tǒng)計顯著性,而對債市泡沫有明顯負面影響。這說明增加貨幣供給量將會增加股市泡沫與債市泡沫之間的相依性水平,但同時也會抑制債市泡沫。銀行間同業(yè)拆借利率是我國目前市場化程度最高的利率基準,它能及時、靈敏、準確地反映貨幣市場乃至整個金融市場短期資金供求關系,是社會融資利率走向的風向標。從實證結果可知,銀行間同業(yè)拆借利率對股市泡沫具有顯著的正面影響,對債市泡沫具有顯著的負面影響,這說明金融市場短期融資利率上升會促進股市泡沫,抑制債市泡沫,還會促進股市泡沫與債市泡沫之間的相依性向低相依性狀態(tài)轉變。人民幣對美元的匯率波動對股市泡沫、債市泡沫以及兩者之間的相依性均沒有明顯影響。從資本市場改革措施的影響效果來看,實施QFII制度、實施股權分置改革均顯著增強了股市和債市的泡沫程度,同時也降低了股市泡沫與債市泡沫之間的相依性水平,促使這兩個市場向高相依性狀態(tài)轉變。推出融資融券業(yè)務和股指期貨這個措施不僅對債市泡沫具有顯著的抑制作用,而且提升了股市泡沫與債市泡沫之間的相依性水平,促使兩者向高相依性狀態(tài)轉換。 “滬港通”制度的實施對股市泡沫具有顯著的促進作用,但對債市泡沫及債市泡沫與股市泡沫之間的相依性沒有明顯影響。同樣,“深港通”的實施僅對債市泡沫具有明顯的抑制作用,而對股市泡沫、債市泡沫與股市泡沫之間的相依性均沒有明顯影響。重啟國債期貨市場這個重大改革措施對股市泡沫具有顯著的抑制作用,而對債市泡沫沒有明顯影響,與此同時,其顯著促進了股市泡沫與債市泡沫之間向低相依性轉換的概率。

四、結論與建議

本文首先基于單位根右側ADF泡沫檢驗方法(BSADF)來對中國股市和債市在2002年1月至2017年10月期間的泡沫走勢進行動態(tài)監(jiān)測,進而構建含有狀態(tài)轉換特征的動態(tài)MRS Copula模型來全面刻畫股市泡沫與債市泡沫之間的動態(tài)相依性及其狀態(tài)轉換特征,最后評價我國近20年來貨幣政策變遷以及在資本市場上實施的一些重要改革措施對股市泡沫、債市泡沫以及兩者之間相依性的影響。最終研究結論如下:

第一,股市和債市在整個時期內均出現(xiàn)多次周期性泡沫,但兩者存在結構性差異；股票市場在2006年11月至2007年10月期間出現(xiàn)了歷時最長、程度最嚴重的泡沫,其泡沫峰值達到7.91；而債券市場在2005年3月至2005年7月期間出現(xiàn)了歷時最長、程度最嚴重的泡沫,其泡沫峰值達到7.35；從股市泡沫與債市泡沫的存續(xù)周期來看,兩者泡沫存在交替出現(xiàn)特征,也即存在泡沫跨市場遷移現(xiàn)象,這說明股市泡沫的破滅會催生債市泡沫,而債市泡沫的破滅會催生股市泡沫；總體上,股市泡沫程度要比債市泡沫嚴重。

第二,股市泡沫與債市泡沫之間均存在高、低不同的兩種相依性狀態(tài),且這些動態(tài)相依性具有對稱、線性特征。在每種狀態(tài)下的相依性均缺乏顯著的持續(xù)性。股市泡沫與債市泡沫在短期上存在此消彼長的關系,在長期內存在相互促進的關系。股市上漲 (下跌)會顯著降低 (提升)股市泡沫與債市泡沫之間的動態(tài)相依性程度；與此同時,債市泡沫的出現(xiàn)促使這兩種泡沫之間由低相依性狀態(tài)向高相依性狀態(tài)轉換。

第三,貨幣政策對股市泡沫和債市泡沫產生重要影響,但存在顯著差異。實施收縮性數(shù)量型貨幣政策(比如,提高法定存款準備金率、降低廣義貨幣增速)能有效抑制股市泡沫,并在一定程度上促進債市泡沫。而實施收縮性價格型貨幣政策 (提高基準利率水平)會顯著抑制債市泡沫,但也會刺激股市泡沫膨脹,促使股市泡沫與債市泡沫之間向低相依性狀態(tài)轉換。人民幣匯率升值與否對股市泡沫和債市泡沫均沒有明顯影響。

第四,資本市場上的重要改革措施會影響股市泡沫與債市泡沫及兩者之間的相依性狀態(tài)。實施QFII制度和股權分置改革措施一方面為資本市場引入新的機構投資者和入市資金來源,增強了資本市場流動性,另一方面也顯著增強了股市和債市的泡沫,促使兩者之間向高相依性狀態(tài)轉變。而實施融資融券業(yè)務對股市泡沫沒有明顯影響,但卻能有效抑制債市泡沫,且促進兩者之間向高相依性狀態(tài)轉變。 “滬港通”的實施能顯著增強股市泡沫,而“深港通”的實施能有效抑制債市泡沫。重啟國債期貨市場對股市泡沫具有顯著的抑制作用,而對債市泡沫沒有明顯影響,但顯著促進了兩者之間向低相依性狀態(tài)轉換。

根據(jù)上述研究結論,從投資者和監(jiān)管層視角出發(fā),提出如下建議:

第一,對投資者來說,股市泡沫和債市泡沫既是風險又是機會,如何在股市和債市之間合理配置資金并適時調整是保證投資組合獲得顯著受益的關鍵前提。因此,投資者要及時識別股市泡沫和債市泡沫的演化過程及其所處區(qū)制狀態(tài) (泡沫狀態(tài)、非泡沫狀態(tài)),根據(jù)股市泡沫與債市泡沫之間的相依性狀態(tài)輪換特征來及時調整投資倉位,從而在避免遭受泡沫破滅風險的同時,還能獲得股市泡沫或債市泡沫形成前期的行情收益。

第二,對監(jiān)管層來說,防范資本市場金融系統(tǒng)性風險的發(fā)生及其跨市場傳染一直是核心工作。對此,需要密切跟蹤股市泡沫和債市泡沫的形成過程及其傳染路徑。有必要采取跨區(qū)域跨市場的統(tǒng)一監(jiān)管框架,在短期上要重點防止股市泡沫和債市泡沫相繼破滅風險的疊加和相互沖擊效應；在中長期內,要重點防止兩者在各自膨脹過程中的相互促進效應。在識別出資產泡沫破滅風險傳染源的基礎上,采取有力措施降低兩者之間的聯(lián)動性,從而有效切斷資產泡沫風險的跨市場傳遞路徑,最終起到降低整個金融領域系統(tǒng)性風險作用。

[1]Campbell J Y,Ammer J.What Moves the Stock and Bond Markets?A Variance Decomposition for Long Term Asset Returns[J].Journal of Finance,1993(48):3-37.

[2]Fleming J,Kirby C,Ostdiek B.The Economic Value of Volatility Timing[J].Journal of Finance,2001(56):329-352.

[3]Scruggs J T,Glabadanidis P.Risk Premia and the Dynamic Covariance Between Stock and Bond Returns[J].Journal of Financial and Quantitative Analysis,2003(38):295-316.

[4]Baura D G,Lucey B M.Flights and Contagion—An Empirical Analysis of Stock-bond Correlation[J].Journal of Financial Stability,2009,5(4):339-352.

[5]Yang J,Zhou Y,Leung W K.Asymmetric Correlation and Volatility Dynamics among Stock,Bond,and Securitized Real Estate Markets[J].The Journal of Real Estate Finance and Economics,2010,45(2):491-521.

[6]Hu L.Dependence Patterns Across Financial Markets:A Mixed Copula Approach[J].Applied Financial Economics,2006,16(10):717-729.

[7]Patton A J.Modeling Asymmetric Exchange Rate Dependence[J].International Economic Review,2006,47(2):527-556.

[8]René G,Georges T.Dependence Structure and Extreme Comovements in International Equity and Bond Markets[J].Journal of Banking ＆ Finance,2011,35(8):1954-1970.

[9]王璐,龐皓.中國股市和債市波動溢出效應的MV-GARCH分析 [J].數(shù)理統(tǒng)計與管理,2009,28(1):152-158.

[10]王斌會,鄭輝,陳金飛.中國股市、匯市和債市間溢出效應的實證研究 [J].暨南學報(哲學社會科學版),2010(4):37-46.

[11]胡秋靈,馬麗.我國股票市場和債券市場波動溢出效應分析 [J].金融研究,2011(10):198-206.

[12]汪冬華,雷曼,阮永平,汪辰.中國股市和債市溢出效應在牛熊市中的異化現(xiàn)象——基于上證綜合指數(shù)和中債總指數(shù)的實證研究[J].預測,2012,31(4):46-52.

[13]何宜慶,陳平.股市與債市之間波動溢出效應及動態(tài)相關性實證分析 [J].南昌大學學報 (工科版),2012,34(1):87-92.

[14]袁超,張兵,汪慧建.債券市場與股票市場的動態(tài)相關性研究 [J].金融研究,2008(1):63-75.

[15]王璐,王沁,何平.基于門限混合Copula的股市和債市波動變相關結構 [J].經(jīng)濟數(shù)學,2011,28(3):66-70.

[16]史永東,丁偉,袁紹鋒.市場互聯(lián)、風險溢出與金融穩(wěn)定——基于股票市場與債券市場溢出效應分析的視角 [J].金融研究,2013(3):170-180.

[17]王璐.股市和債市波動溢出馬爾科夫體制轉換特征的數(shù)量研究 [J].經(jīng)濟數(shù)學,2013,30(2):78-84.

[18]鄧偉,唐齊鳴.基于指數(shù)平滑轉移模型的價格泡沫檢驗方法 [J].數(shù)量經(jīng)濟技術經(jīng)濟研究,2013(4):124-137.

[19]Evans G.Pitfalls in Testing for Explosive Bubbles in Asset Prices[J].The American Economic Review,1991,81(4):922-930.

[20]Van Norden S.Regime Switching as a Test for Exchange Rate Bubbles[J].Journal of Applied Econometrics,1996,11(3):219-251.

[21]Hall S G,Psaradakis Z,Sola M.Detecting Periodically Collapsing Bubbles:A Markov-Switching Unit Root Test[J].Journal of Applied Econometrics,1999,14(2):143-154.

[22]Shi S P.Specification Sensitivities in the Markov-Switching Unit Root Test for Bubbles[J].Empirical Economics,2013,45(2):397-713.

[23]Ogonna N,Chris B,Charles W R.House Price Dynamics and Their Reaction to Macroeconomic Changes[J].Economic Modelling,2013,32(3):172-178.

[24]Homm U,Breitung J.Testing for Speculative Bubbles in Stock Markets:A Comparison of Alternative Methods[J].Journal of Financial Econometrics,2012,10(1):198-231.

[25]Hamilton J D,Whiteman C H.The Observable Implications of Self-fulfilling Expectations[J].Journal of Monetary Economics,1985,16(3):353-373.

[26]Phillips P C B,Wu Y,Yu J.Explosive Behavior in the 1990s NASDAQ:When Did Exuberance Escalate Asset Values?[J].International Economic Review,2011,52(1):201-226.

[27]Phillips P C B,Shi S P,Yu J.Testing for Multiple Bubbles I:Historical Episodes of Exuberance and Collapse in the SP 500[J].International E-conomic Review,2015,56(4):1043-1078.

[28]Phillips P C B,Shi S P,Yu J.Testing for Multiple Bubbles II:Limit Theory of Real Time Detectors[J].International Economic Review,2015,56(4):1079-1134.

[29]簡志宏,向修海.修正的倒向上確界ADF泡沫檢驗方法:來自上證綜指的證據(jù) [J].數(shù)量經(jīng)濟技術經(jīng)濟研究,2012(4):110-122.

[30]郭文偉,陳鳳玲.中國多層次股市泡沫測度——兼評資本市場改革措施的影響 [J].財經(jīng)科學,2016(8):25-36.

[31]郭文偉.全球股市泡沫測度及其相依結構分析 [J].廣東財經(jīng)大學學報,2016(4):61-71.