李博陽 ， 杜 強(qiáng) ， 沈 悅 ， 張嘉望

（1. 長安大學(xué) 經(jīng)濟(jì)與管理學(xué)院，陜西 西安 710064；2. 西安交通大學(xué) 經(jīng)濟(jì)與金融學(xué)院 ，陜西 西安 710061；3. 陜西師范大學(xué) 國際商學(xué)院， 陜西 西安 710119）

隨著金融全球化和一體化程度日益加深，金融創(chuàng)新步伐不斷加快，金融市場之間相互滲透與影響，形成廣泛聯(lián)動(dòng)，金融風(fēng)險(xiǎn)的跨市場溢出已成為威脅中國宏觀經(jīng)濟(jì)運(yùn)行的重要隱患，國際金融危機(jī)全球多市場快速蔓延就是前車之鑒。具體到中國情況，從2013年貨幣市場錢荒到2015年股災(zāi)和2016年債災(zāi)，隨后房地產(chǎn)市場泡沫快速膨脹，人民幣匯率超預(yù)期貶值，伴隨著大宗商品市場和黃金市場的大幅反彈，從本質(zhì)上說早已超出了市場輪動(dòng)的范疇[1]，跨市場風(fēng)險(xiǎn)溢出效應(yīng)事實(shí)上已居核心地位。并且無論是2015年股災(zāi)還是2016年債災(zāi)，其他金融市場也隨之劇烈波動(dòng)，充分暴露了中國金融市場的不穩(wěn)定性和金融市場的關(guān)聯(lián)性。加之近期重大突發(fā)公共衛(wèi)生事件沖擊以及經(jīng)濟(jì)政策不確定性等因素，使得金融市場間風(fēng)險(xiǎn)互動(dòng)呈現(xiàn)出波動(dòng)加劇、多市場共振的態(tài)勢[2]。有鑒于此，準(zhǔn)確刻畫金融市場間風(fēng)險(xiǎn)溢出效應(yīng)的強(qiáng)度規(guī)模和方向路徑，科學(xué)度量金融市場動(dòng)態(tài)風(fēng)險(xiǎn)溢出指數(shù)，系統(tǒng)剖釋風(fēng)險(xiǎn)溢出效應(yīng)的時(shí)變性、波動(dòng)性和非對稱性特點(diǎn)，對于監(jiān)管部門洞察中國金融體系內(nèi)部風(fēng)險(xiǎn)傳染特征，制定和調(diào)整金融監(jiān)管政策，防范金融市場風(fēng)險(xiǎn)溢出和非對稱性傳染引發(fā)系統(tǒng)性風(fēng)險(xiǎn)具有重要意義。

金融市場的脆弱性源自于資產(chǎn)價(jià)格的波動(dòng)性和波動(dòng)的關(guān)聯(lián)性[3]，國內(nèi)外眾多學(xué)者研究了金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)。朱孟楠等[4]構(gòu)建了包含外匯市場與房地產(chǎn)市場的理論模型，從中推導(dǎo)出匯率和房價(jià)存在風(fēng)險(xiǎn)溢出關(guān)系，并進(jìn)一步基于Markov區(qū)制轉(zhuǎn)換模型證實(shí)了這一結(jié)論。Andreou等[5]基于多元GARCH模型研究發(fā)現(xiàn)多個(gè)新興經(jīng)濟(jì)體的股票市場和外匯市場存在雙向風(fēng)險(xiǎn)溢出關(guān)系。史永東[6]基于Copula理論研究股票市場和債券市場間的風(fēng)險(xiǎn)溢出關(guān)系，發(fā)現(xiàn)二者存在較強(qiáng)的市場分割，總體聯(lián)動(dòng)并不顯著。方意等[7]運(yùn)用事件分析法進(jìn)行研究，研究表明貨幣市場、股票市場、債券市場和外匯市場的風(fēng)險(xiǎn)溢出效應(yīng)在新冠疫情沖擊下顯著提升。此外，還有一支文獻(xiàn)以股票市場、外匯市場、房地產(chǎn)市場等單一金融市場為研究對象，探究其跨國風(fēng)險(xiǎn)溢出效應(yīng)[8-10]。

作為金融市場最重要的典型特征，非對稱性一般指時(shí)間維度上好消息沖擊和壞消息沖擊對資產(chǎn)價(jià)格的異質(zhì)性影響。陳浪南和黃杰鯤[11]運(yùn)用GJR-GARCH-M模型發(fā)現(xiàn)中國股票市場存在顯著的非對稱效應(yīng)。陳永偉[12]基于非平衡的似無關(guān)模型證明了深證成分指數(shù)波動(dòng)也存在非對稱效應(yīng)。Bartram等[13]和Segal等[14]則分別從微觀層面和宏觀層面解釋了股票市場非對稱性效應(yīng)背后的經(jīng)濟(jì)內(nèi)涵。上述研究結(jié)論均是針對于股票市場波動(dòng)本身，既然好消息和壞消息對資產(chǎn)價(jià)格波動(dòng)具有非對稱性影響，那么對于波動(dòng)溢出是否同樣存在非對稱性呢？Barunik等[15]首次發(fā)現(xiàn)美國股票市場行業(yè)間的波動(dòng)溢出具有顯著的非對稱性。Ben等[16]運(yùn)用跨國數(shù)據(jù)發(fā)現(xiàn)不同國家股票市場間的波動(dòng)溢出具有非對稱性。劉靜一等[17]則運(yùn)用中國上證行業(yè)指數(shù)數(shù)據(jù)驗(yàn)證了中國股市行業(yè)間的非對稱波動(dòng)溢出效應(yīng)。遺憾的是，尚未有學(xué)者研究一國金融子市場之間風(fēng)險(xiǎn)溢出效應(yīng)的非對稱性。

本輪國際金融危機(jī)爆發(fā)后，涌現(xiàn)出大量風(fēng)險(xiǎn)溢出方面卓有成效的研究，其中不乏創(chuàng)新性的風(fēng)險(xiǎn)溢出測度技術(shù)和開拓性的風(fēng)險(xiǎn)聯(lián)動(dòng)研究方法。廣義條件異方差模型（GARCH）作為金融領(lǐng)域的經(jīng)典波動(dòng)模型，自Bollerslev[18]提出以來就廣泛應(yīng)用于金融風(fēng)險(xiǎn)建模，并逐漸衍生出BEKK-GARCK、DCC-GARCH等一系列多元GARCH模型，在測度金融市場風(fēng)險(xiǎn)溢出方面得到了廣泛應(yīng)用[19-21]。多元GARCH族模型可以同時(shí)度量金融市場的收益率溢出和波動(dòng)率溢出，并能夠挖掘風(fēng)險(xiǎn)溢出效應(yīng)機(jī)制，但由于其存在“維度詛咒”，不適合多變量系統(tǒng)。Diebold和Yilmaz[22]首開先河，創(chuàng)立了溢出指數(shù)模型，之后經(jīng)Diebold和Yilmaz[23]、Demirer等[24]的發(fā)展變得更為成熟。溢出指數(shù)模型糅合了廣義預(yù)測誤差分解、網(wǎng)絡(luò)關(guān)聯(lián)和動(dòng)態(tài)演變的思想，其突出特征是能夠?qū)⒍嘧兞恐糜诮y(tǒng)一的框架下研究，并能量化波動(dòng)溢出效應(yīng)的大小并判斷溢出方向，在風(fēng)險(xiǎn)溢出效應(yīng)研究領(lǐng)域具有獨(dú)特優(yōu)勢[25]。

以上文獻(xiàn)對理解金融市場風(fēng)險(xiǎn)溢出效應(yīng)富有啟迪意義和借鑒價(jià)值，然而通過梳理不難看出，就研究對象而言，現(xiàn)有文獻(xiàn)多是以某兩個(gè)市場或者某幾個(gè)市場的風(fēng)險(xiǎn)溢出效應(yīng)作為研究對象，缺乏對中國金融市場風(fēng)險(xiǎn)溢出效應(yīng)結(jié)構(gòu)和動(dòng)態(tài)的全面考察；就研究內(nèi)容而言，已有文獻(xiàn)主要從股票市場波動(dòng)本身、股票市場內(nèi)部行業(yè)間溢出以及股票市場跨國溢出等視角出發(fā)考察非對稱性，鮮有研究涉及一國金融子市場之間風(fēng)險(xiǎn)溢出效應(yīng)的非對稱性。

有鑒于此，本文運(yùn)用GJR-BEKK-GARCH模型和風(fēng)險(xiǎn)溢出指數(shù)方法對中國2005年7月22日—2021年4月2日七大金融市場的風(fēng)險(xiǎn)溢出效應(yīng)及其非對稱性做出了全面分析。本文的主要貢獻(xiàn)在于：（1）參照宮曉莉和熊熊[3]對中國金融子市場的整體劃分，將貨幣市場、股票市場、債券市場、外匯市場、房地產(chǎn)市場、黃金市場和大宗商品市場等七大金融市場納入統(tǒng)一的溢出指數(shù)模型框架進(jìn)行分析，使研究更具系統(tǒng)性。（2）聚焦金融市場風(fēng)險(xiǎn)溢出效應(yīng)的非對稱性，從時(shí)間維度和空間維度兩方面展開研究。其中時(shí)間維度的非對稱性是指新信息沖擊具有非對稱性，既“壞消息”帶來的波動(dòng)溢出大于“好消息”，表現(xiàn)為負(fù)面信息沖擊作用下風(fēng)險(xiǎn)溢出效應(yīng)更強(qiáng)?？臻g維度的非對稱性指的是金融子市場風(fēng)險(xiǎn)溢出方向具有非對稱性，有些市場的風(fēng)險(xiǎn)外溢程度更高，是系統(tǒng)性風(fēng)險(xiǎn)的主要來源，有些則承受外界風(fēng)險(xiǎn)溢出水平更大，具有系統(tǒng)脆弱性，不同金融市場在整個(gè)金融體系風(fēng)險(xiǎn)溢出過程中所扮演的角色不同。

一、模型設(shè)定與數(shù)據(jù)說明

（一）GJR-BEKK-GARCH模型構(gòu)建

GJR-BEKK-GARCH模型建立在最基礎(chǔ)的GARCH模型上，但變化有三：首先是GARCH模型設(shè)定是多元的，一元GARCH族模型主要刻畫單變量自身波動(dòng)性，無法觀測多變量間的波動(dòng)關(guān)聯(lián)，而多元GARCH族模型的提出使得多變量間波動(dòng)溢出效應(yīng)研究成為可能。其次是建立條件方差矩陣正定的BEKK-GARCH模型，該模型利用矩陣相乘的形式巧妙地突破了變量間相關(guān)系數(shù)保持不變的假設(shè)限定。最后是在條件方差方程中引入了GJR項(xiàng)，GJR-GARCH模型由Glosten、Jagannathan和Runkle三位學(xué)者于1993年首次構(gòu)建，該模型也因此由三位學(xué)者姓氏的首字母得以命名[26]。GJR項(xiàng)創(chuàng)設(shè)的初衷是為了考察股價(jià)波動(dòng)的“杠桿效應(yīng)”，即“壞消息”引起的波動(dòng)大于“好消息”，通過虛擬變量的設(shè)定在傳統(tǒng)GARCH模型的方差方程中進(jìn)一步區(qū)分正向干擾和負(fù)向干擾，從而實(shí)現(xiàn)對非對稱效應(yīng)的捕捉，本文在多元GARCH的方差方程中引入GJR項(xiàng)用以考量金融市場間波動(dòng)溢出的非對稱性。GJR-BEKK-GARCH模型設(shè)定具體如下

（二）風(fēng)險(xiǎn)溢出指數(shù)模型構(gòu)建

定義風(fēng)險(xiǎn)凈溢出指數(shù)NSI(H)反映某個(gè)市場對其余所有市場的風(fēng)險(xiǎn)凈溢出水平①基于相似的邏輯還可構(gòu)造兩兩市場間的配對方向性溢出指數(shù)和凈溢出指數(shù)，篇幅所限，構(gòu)造方法及實(shí)證結(jié)果留存?zhèn)渌鳌?/p>

（三）數(shù)據(jù)的選擇與說明

科學(xué)的金融市場劃分和指標(biāo)選取至關(guān)重要，本文將中國金融市場分為貨幣市場、股票市場、債券市場、外匯市場、房地產(chǎn)市場、黃金市場和大宗商品市場等七個(gè)金融子市場，分別選取銀行間7天同業(yè)拆借利率、滬深300指數(shù)、中證綜合凈價(jià)指數(shù)、美元兌人民幣匯率、申萬房地產(chǎn)行業(yè)指數(shù)、黃金現(xiàn)貨價(jià)格、Wind商品綜合指數(shù)代表上述七個(gè)金融市場的波動(dòng)情況。其中，考慮到銀行間同業(yè)拆借利率更能反映貨幣市場實(shí)際供求情況，且隔夜拆借利率波動(dòng)性較大，本文參考權(quán)威文獻(xiàn)做法，選擇銀行間7天同業(yè)拆借利率作為貨幣市場的代理指標(biāo)[27-28]；滬深300指數(shù)以流動(dòng)性和規(guī)模為選樣標(biāo)準(zhǔn)，選取上海和深圳兩個(gè)證券交易所的300家上市公司作為一個(gè)跨市場指數(shù)綜合反映中國股票市場的整體走勢；中證綜合凈價(jià)指數(shù)在中證全價(jià)指數(shù)的基礎(chǔ)上增添了央行票據(jù)、短融及一年以內(nèi)的國債、金融債、企業(yè)債等，是品種最為全面并且綜合反映銀行間和滬深交易所債券市場的跨市場債券指數(shù)；美元不僅是國際重要的貿(mào)易結(jié)算貨幣，也是中國主要的外匯儲(chǔ)備形式，因此選用直接標(biāo)價(jià)法下的美元兌人民幣匯率中間價(jià)作為外匯市場衡量指標(biāo)；申萬房地產(chǎn)行業(yè)指數(shù)是目前最權(quán)威的房地產(chǎn)行業(yè)指數(shù)之一，反映房地產(chǎn)市場發(fā)展的景氣狀況②雖然房地產(chǎn)行業(yè)指數(shù)在反映房地產(chǎn)市場動(dòng)態(tài)上可能存在著不夠精確和及時(shí)的問題，但從長期來看，房地產(chǎn)市場和房地產(chǎn)板塊的變動(dòng)走向是趨于一致的，同時(shí)考慮到風(fēng)險(xiǎn)溢出效應(yīng)研究對數(shù)據(jù)有較高的頻率要求，參照方意等、劉超等的研究，選取申萬房地產(chǎn)行業(yè)指數(shù)反映房地產(chǎn)市場發(fā)展的整體狀況。；選用上海黃金交易所交易量最大的AU9995品種的現(xiàn)貨價(jià)格作為黃金市場代理指標(biāo)；選取Wind商品綜合指數(shù)反映大宗商品市場的整體走勢，該指數(shù)覆蓋十大類大宗商品，按照大類指數(shù)持倉額進(jìn)行加權(quán)平均實(shí)時(shí)計(jì)算，在研究中廣泛使用。

本文BEKK-GARCH模型中使用的收益率采用每日收盤價(jià)的對數(shù)差分處理，即Rt=(lnPt?lnPt?1)×100。其中，Rt為收益率；Pt為t日收盤價(jià)，收益率采用日度數(shù)據(jù)。溢出指數(shù)模型中需要事先估計(jì)波動(dòng)率，波動(dòng)率的計(jì)算參考Andersen等[29]提出的已實(shí)現(xiàn)方差進(jìn)行構(gòu)造，即其中，RVt為周已實(shí)現(xiàn)方差；為第t周第i日收益率平方（i=1,2,…,5）。經(jīng)證明已實(shí)現(xiàn)方差依概率收斂于二次變差，是真實(shí)波動(dòng)率的一致估計(jì)量。

考慮到中國外匯體制改革的因素，中國自2005年7月21日起開始實(shí)行以市場供求為基礎(chǔ)、參考一籃子貨幣進(jìn)行調(diào)節(jié)的有管理的浮動(dòng)匯率制度，因此本文樣本區(qū)間選擇2005年7月22日—2021年4月2日，起始日和終止日均截取完整自然周，共計(jì)3 818個(gè)交易日，合計(jì)800周，數(shù)據(jù)全部源于Wind金融數(shù)據(jù)庫，實(shí)證分析使用的統(tǒng)計(jì)軟件為WinRats10.0。各金融市場的收益率與波動(dòng)率變量描述性統(tǒng)計(jì)情況如表1所示。

表1 描述性統(tǒng)計(jì)

就收益率而言，近16年間房地產(chǎn)市場的收益率均值最高，為0.05%，其次為股票市場、黃金市場和商品市場，貨幣市場和債券市場的收益率均值接近為0，外匯市場由于人民幣匯率多處于升值階段因此收益率均值為負(fù)。從偏度和峰度來看，所有市場收益率序列均不服從正態(tài)分布，具有典型的尖峰厚尾特征，提示在設(shè)定多元GARCH模型時(shí)應(yīng)選用t分布而非正態(tài)分布。就波動(dòng)率而言，首先是房地產(chǎn)市場波動(dòng)率均值最高（28.388%），其次為股票市場、商品市場和黃金市場（分別為22.824%、17.340%和14.266%），而貨幣市場、債券市場和外匯市場的波動(dòng)率均較低。七個(gè)市場的波動(dòng)率分布均為尖峰厚尾的右偏分布，貨幣市場和債券市場的偏度和峰度較大，說明這兩個(gè)市場波動(dòng)率的極端值較多。總體而言，各金融市場的收益率均值越高其波動(dòng)率均值也越高，體現(xiàn)了金融市場高收益率高風(fēng)險(xiǎn)的特征。對收益率序列和波動(dòng)率序列進(jìn)行ADF單位根檢驗(yàn)，結(jié)果顯示各變量均在1%的顯著性水平下拒絕存在單位根的原假設(shè)，滿足后續(xù)建模的計(jì)量條件。

二、實(shí)證結(jié)果與分析

（一）基于GJR-BEKK-GARCH模型的實(shí)證結(jié)果與分析

本文基于GJR-BEKK-GARCH模型考察7個(gè)金融市場兩兩之間的風(fēng)險(xiǎn)溢出效應(yīng)，總共進(jìn)行21組估計(jì)，表2以股票市場和債券市場為例列示完整的估計(jì)結(jié)果?？紤]到數(shù)據(jù)具有“尖峰厚尾”特征，因此進(jìn)行模型估計(jì)時(shí)設(shè)定隨機(jī)誤差項(xiàng)服從t分布。

表2 股票市場與債券市場BEKK-GJR-t-GARCH模型估計(jì)結(jié)果

根據(jù)表2估計(jì)結(jié)果可以看出，首先，從股票市場和債券市場收益率自身?xiàng)l件方差來看， α11、 α22、β11、 β22系數(shù)為正且在1%的水平上顯著，說明股票市場和債券市場的ARCH效應(yīng)和GARCH效應(yīng)十分顯著，兩個(gè)市場波動(dòng)聚集特征明顯。其次，觀察跨市場的波動(dòng)溢出效應(yīng)，就A矩陣而言， α12和 α21均至少在5%的水平上顯著，表明股票市場和債券市場前一期新信息沖擊會(huì)傳遞到對方市場，由于，意味著股票市場對債券市場新信息沖擊遠(yuǎn)大于相反方向，同時(shí)，表明來自債券市場的波動(dòng)小于股票市場自身沖擊引起的波動(dòng)，而，則表明股票市場對債券市場的波動(dòng)溢出大于債券市場自身沖擊引起的波動(dòng)。就B矩陣而言， β12和 β21同樣至少在5%的水平上顯著，表明股票市場和債券市場均會(huì)受到對方前一期波動(dòng)的影響，波動(dòng)溢出效應(yīng)具有持續(xù)性，由于，因此股票市場對債券市場的波動(dòng)溢出效應(yīng)大于相反方向的溢出效應(yīng)，又因?yàn)椋f明市場間歷史波動(dòng)溢出效應(yīng)的影響均小于自身歷史波動(dòng)的影響，自身歷史波動(dòng)的持續(xù)作用更強(qiáng)。最后，觀察非對稱效應(yīng)矩陣D，非對稱性系數(shù)d11、d12、d21和d22在1%的水平上顯著不為零，說明股票市場和債券市場的負(fù)向沖擊都比正向沖擊帶來更為劇烈的波動(dòng)，由于表明股票市場對債券市場的非對稱性溢出效應(yīng)大于債券市場對股票市場的非對稱性溢出效應(yīng)。總而言之，波動(dòng)溢出效應(yīng)顯著存在于股票市場和債券市場之間，前者對后者的波動(dòng)溢出效應(yīng)更大，并且兩個(gè)市場間的波動(dòng)溢出效應(yīng)具有顯著的非對稱性。

為了綜合考量金融市場間波動(dòng)溢出效應(yīng)及其非對稱效應(yīng)的存在性，本文運(yùn)用Wald檢驗(yàn)方法施加兩個(gè)原假設(shè)。H1： α12=α21=β12=β21=0，即兩個(gè)金融市場間不存在波動(dòng)溢出效應(yīng)。H2：d12=d21=0，即兩個(gè)金融市場間不存在非對稱溢出效應(yīng)。Wald檢驗(yàn)結(jié)果如表3所示。

表3 金融市場間波動(dòng)溢出效應(yīng)及其非對稱性的Wald檢驗(yàn)結(jié)果

根據(jù)表3可以得到三個(gè)結(jié)論，其一，絕大多數(shù)金融市場之間具有顯著的波動(dòng)溢出效應(yīng)和非對稱溢出效應(yīng)。其二，外匯市場和黃金市場間以及貨幣市場和外匯市場間僅具有顯著的非對稱溢出效應(yīng)（在1%的顯著性水平上拒絕d12=d21=0的原假設(shè)），不存在顯著的波動(dòng)溢出效應(yīng)。然而根據(jù)GJR-BEKKGARCH模型內(nèi)涵可知，非對稱溢出也是一種波動(dòng)溢出形式，即一個(gè)市場的負(fù)面消息對另一個(gè)市場條件波動(dòng)率具有顯著的沖擊作用，因此可以認(rèn)為外匯和黃金市場間以及貨幣和外匯市場間具有一定程度的波動(dòng)溢出效應(yīng)。其三，貨幣市場和黃金市場間、債券市場和外匯市場間以及外匯市場和商品市場間僅具有顯著的波動(dòng)溢出效應(yīng)（至少在5%的顯著性水平上拒絕 α12=α21=β12=β21=0的原假設(shè)），但不存在顯著的非對稱溢出效應(yīng)?？偟膩砜矗▌?dòng)溢出效應(yīng)及其非對稱性廣泛地存在于中國金融市場之間。

（二）基于風(fēng)險(xiǎn)溢出指數(shù)模型的實(shí)證結(jié)果與分析

1. 靜態(tài)風(fēng)險(xiǎn)溢出效應(yīng)分析

采用AIC和BIC準(zhǔn)則判斷溢出指數(shù)模型中VAR模型的最佳滯后階數(shù)，結(jié)果分別為滯后四階和一階，參照BIC準(zhǔn)則選取更為精簡的滯后一階VAR模型，并選取預(yù)測步長H=8（約兩個(gè)月），得到的金融市場風(fēng)險(xiǎn)溢出指數(shù)表，如表4所示。風(fēng)險(xiǎn)溢出指數(shù)表的最后一列表示根據(jù)方向性溢出指數(shù)計(jì)算出的每個(gè)市場接受其他市場風(fēng)險(xiǎn)溢出程度，倒數(shù)第二行代表每個(gè)市場對其他市場風(fēng)險(xiǎn)溢出程度，最后一行為每個(gè)市場風(fēng)險(xiǎn)凈溢出程度，對角線元素是表示某市場滯后一期波動(dòng)率對其自身的影響，其余元素為兩個(gè)市場間的方向性風(fēng)險(xiǎn)溢出指數(shù)，右下角數(shù)值為樣本期內(nèi)平均風(fēng)險(xiǎn)溢出水平。

表4 金融市場風(fēng)險(xiǎn)溢出指數(shù)表

據(jù)表4可知，整體而言，樣本期間內(nèi)中國金融市場平均風(fēng)險(xiǎn)溢出指數(shù)為25.5%，即有超過四分之一的風(fēng)險(xiǎn)可以由金融市場間的風(fēng)險(xiǎn)溢出所解釋，高于Diebold和Yilmaz[16]測算的美國金融市場12.6%的平均風(fēng)險(xiǎn)溢出指數(shù)，說明中國金融市場風(fēng)險(xiǎn)極易通過資產(chǎn)波動(dòng)關(guān)聯(lián)渠道進(jìn)行傳染，金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)較強(qiáng)。

就個(gè)體而言，金融市場風(fēng)險(xiǎn)溢出方向具有非對稱性。房地產(chǎn)市場、股票市場和商品市場的對外風(fēng)險(xiǎn)溢出效應(yīng)排前三，分別為51.80%、51.70%和29.5%，說明這三個(gè)市場的信息傳遞效率較高，在金融體系中處于信息先導(dǎo)地位。借鑒系統(tǒng)重要性金融機(jī)構(gòu)的概念，房地產(chǎn)市場、股票市場和商品市場是中國的系統(tǒng)重要性金融市場，一旦發(fā)生突發(fā)事件會(huì)將風(fēng)險(xiǎn)迅速傳導(dǎo)至整個(gè)金融體系，是金融市場的主要風(fēng)險(xiǎn)源。股票市場、房地產(chǎn)市場和黃金市場接受外界風(fēng)險(xiǎn)溢出程度較高，分別為49.7%、48%和30.4%，具有系統(tǒng)脆弱性，極易受到風(fēng)險(xiǎn)傳染，起到了風(fēng)險(xiǎn)承擔(dān)的作用。由于股票市場和房地產(chǎn)市場對外風(fēng)險(xiǎn)溢出和接受外界風(fēng)險(xiǎn)溢出水平均較高，可以認(rèn)為在中國金融市場風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)中起到了中介和橋梁的作用。從風(fēng)險(xiǎn)溢出凈值來看，房地產(chǎn)市場、商品市場和股票市場的凈溢出效應(yīng)為正，是風(fēng)險(xiǎn)的凈溢出者，貨幣市場、債券市場、外匯市場和黃金市場的風(fēng)險(xiǎn)凈溢出效應(yīng)為負(fù)，是風(fēng)險(xiǎn)的凈接受者。

借鑒Demirer等[24]運(yùn)用復(fù)雜網(wǎng)絡(luò)理論和相關(guān)概念表示溢出效應(yīng)的方法，以七大金融市場為節(jié)點(diǎn)，市場間的風(fēng)險(xiǎn)溢出效應(yīng)為鄰邊，風(fēng)險(xiǎn)溢出指數(shù)模型中廣義預(yù)測誤差方差分解的方差貢獻(xiàn)度為鄰接矩陣，繪制中國七大金融市場風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)如圖1所示。

圖1 金融市場風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)圖

圖1中節(jié)點(diǎn)的大小反映了金融市場在風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)中的重要程度，用節(jié)點(diǎn)的度中心性予以衡量；連邊的粗細(xì)反映了金融市場間風(fēng)險(xiǎn)溢出水平高低；箭頭則反映風(fēng)險(xiǎn)溢出的方向。通過圖1中兩兩市場的風(fēng)險(xiǎn)互動(dòng)可以發(fā)現(xiàn)，股票市場和房地產(chǎn)市場間形成了密切的雙向溢出關(guān)系，房地產(chǎn)市場對股票市場風(fēng)險(xiǎn)溢出指數(shù)為41.45%，反之為40.97%。這主要是由于股票和房地產(chǎn)是中國居民兩大主要投資標(biāo)的，二者在財(cái)富效應(yīng)、信貸擴(kuò)張效應(yīng)、投資組合效應(yīng)作用下價(jià)格密切關(guān)聯(lián)，風(fēng)險(xiǎn)交叉?zhèn)魅?。黃金市場對債券市場的風(fēng)險(xiǎn)溢出指數(shù)為9.87%，反之為8.13%，債券和黃金具有避險(xiǎn)功能可以提高投資組合的安全性，兩者間的替代效應(yīng)構(gòu)筑了風(fēng)險(xiǎn)溢出通路。大宗商品市場對黃金市場的風(fēng)險(xiǎn)溢出指數(shù)為16.9%，反之為13.49%，大宗商品市場包括金屬、能源和農(nóng)產(chǎn)品三大類，黃金作為最主要的貴金屬產(chǎn)品其價(jià)格波動(dòng)必將影響大宗商品市場波動(dòng)，同時(shí)隨著近年來大宗商品價(jià)格波動(dòng)上漲推升了全球生成要素成本提高，投資者增持黃金以退避通貨膨脹風(fēng)險(xiǎn)，進(jìn)而導(dǎo)致兩個(gè)市場間的風(fēng)險(xiǎn)雙向溢出。貨幣市場和外匯市場與其他金融市場的風(fēng)險(xiǎn)交互效應(yīng)較弱，其中貨幣市場受自身波動(dòng)影響為98.14%，這說明中國貨幣政策傳導(dǎo)途徑尚不夠暢通，貨幣政策傳導(dǎo)調(diào)控效果未能通過利率和流動(dòng)性傳導(dǎo)至其他市場。風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)圖可以更為直觀地揭示金融市場間風(fēng)險(xiǎn)溢出方向和風(fēng)險(xiǎn)溢出強(qiáng)度，為金融市場風(fēng)險(xiǎn)引發(fā)系統(tǒng)性風(fēng)險(xiǎn)識別潛在路徑。

2. 動(dòng)態(tài)風(fēng)險(xiǎn)溢出效應(yīng)分析

為了跟蹤溢出指數(shù)的時(shí)變性，選擇100周（約為兩年）的滾動(dòng)窗口計(jì)算金融市場風(fēng)險(xiǎn)溢出指數(shù)，結(jié)果如圖2所示。

圖2 中國金融市場風(fēng)險(xiǎn)溢出指數(shù)時(shí)序圖

溢出指數(shù)圖表明整體而言中國金融市場風(fēng)險(xiǎn)溢出指數(shù)具有時(shí)變性、波動(dòng)性和不確定性，樣本期間內(nèi)風(fēng)險(xiǎn)溢出指數(shù)在18%～52%之間變動(dòng)，重要金融事件和金融政策對風(fēng)險(xiǎn)溢出指數(shù)具有顯著影響。中國金融市場風(fēng)險(xiǎn)溢出指數(shù)大致可以分為以下三個(gè)階段：

第一個(gè)階段從2007年持續(xù)至2011年，風(fēng)險(xiǎn)溢出指數(shù)大幅震蕩。2008年9月雷曼兄弟申請破產(chǎn)保護(hù)，引發(fā)全球金融風(fēng)暴，極端風(fēng)險(xiǎn)通過國際金融市場互聯(lián)渠道和投資者情緒傳染渠道傳導(dǎo)至中國金融市場，導(dǎo)致風(fēng)險(xiǎn)溢出指數(shù)陡然上跳至44%。2008年底中國推出“四萬億計(jì)劃”以刺激國際金融危機(jī)重創(chuàng)下的國民經(jīng)濟(jì)，寬裕的流動(dòng)性加大了金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)，溢出指數(shù)再度大幅升高。2010年在歐債危機(jī)全面爆發(fā)和美國第二輪量化寬松政策疊加下，風(fēng)險(xiǎn)溢出指數(shù)繼續(xù)攀升至47%的高點(diǎn)。第二階段為2012—2017年，后危機(jī)時(shí)代中國金融市場總體運(yùn)行較為平穩(wěn)，溢出指數(shù)在均值33%附近波動(dòng)。除了2015年6月的重大“股災(zāi)”事件引發(fā)了跨市場的風(fēng)險(xiǎn)共振，溢出指數(shù)飆升至53%的樣本期間最高值，但該事件造成的風(fēng)險(xiǎn)溢出持續(xù)時(shí)間較短，此后風(fēng)險(xiǎn)溢出指數(shù)波動(dòng)下降。第三階段為2018年至今，先是2018年開始的中美貿(mào)易爭端以及債券市場大面積違約加劇了金融市場間波動(dòng)的聯(lián)動(dòng)性，風(fēng)險(xiǎn)溢出指數(shù)一度攀升。之后2019年12月爆發(fā)的新冠疫情，由病毒傳染引發(fā)恐慌情緒傳染，繼而帶來金融風(fēng)險(xiǎn)跨市場傳染，導(dǎo)致風(fēng)險(xiǎn)溢出指數(shù)再度大幅上跳，并且持續(xù)至今。總的來看，國內(nèi)外重要政策頒布和風(fēng)險(xiǎn)事件爆發(fā)期間，金融市場風(fēng)險(xiǎn)溢出效應(yīng)明顯加強(qiáng)，這一結(jié)論從側(cè)面印證了前文基于GJR-BEKK-GARCH模型得出的中國金融市場間新息沖擊的非對稱溢出效應(yīng)，負(fù)面沖擊給金融市場帶來更為劇烈的波動(dòng)，并通過資產(chǎn)波動(dòng)關(guān)聯(lián)渠道傳導(dǎo)至整個(gè)金融體系。通過上述分析可以看出，本文構(gòu)建的風(fēng)險(xiǎn)溢出指數(shù)能夠反映中國金融市場的總體風(fēng)險(xiǎn)水平，有助于監(jiān)管部門對金融市場進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)控。

（三）穩(wěn)健性檢驗(yàn)

1. GJR-BEKK-GARCH模型的穩(wěn)健性檢驗(yàn)

GJR-BEKK-GARCH模型隨機(jī)誤差項(xiàng)的分布會(huì)影響到估計(jì)結(jié)果，王曉輝等[30]研究指出存在GJR項(xiàng)的GARCH模型中，GED分布具有更好的預(yù)測效果，因此在穩(wěn)健性檢驗(yàn)中將隨機(jī)誤差項(xiàng)的分布設(shè)定為GED分布，股票市場和債券市場波動(dòng)溢出估計(jì)結(jié)果見表5的上半部分。此外，基準(zhǔn)檢驗(yàn)中依據(jù)慣例將均值方程設(shè)為VAR模型，在穩(wěn)健性檢驗(yàn)中本文將均值方程設(shè)為常數(shù)項(xiàng)，以檢驗(yàn)均值方程設(shè)定對估計(jì)結(jié)果是否有影響，結(jié)果見表5下半部分。

表5 改變隨機(jī)誤差項(xiàng)分布和均值方程的GJR-BEKK-GARCH模型估計(jì)結(jié)果

對比表5與表2可以發(fā)現(xiàn)，各矩陣系數(shù)估計(jì)值和顯著性水平差別不大，可見改變了隨機(jī)誤差項(xiàng)分布和均值方程設(shè)定后的模型估計(jì)結(jié)果依然穩(wěn)?、賅ald檢驗(yàn)結(jié)果中除了Wald統(tǒng)計(jì)量大小有細(xì)微不同，顯著性水平與表3幾無區(qū)別，限于篇幅留存?zhèn)渌??！?/p>

2. 溢出指數(shù)模型的穩(wěn)健性檢驗(yàn)

溢出指數(shù)模型中滯后階數(shù)和預(yù)測誤差步長的不同會(huì)影響風(fēng)險(xiǎn)溢出指數(shù)的結(jié)果?；鶞?zhǔn)檢驗(yàn)中本文參照BIC準(zhǔn)則選擇滯后一階VAR模型，在穩(wěn)健性檢驗(yàn)中參照AIC準(zhǔn)則選擇滯后4階VAR模型，溢出指數(shù)結(jié)果如表6上半部分所示?；鶞?zhǔn)檢驗(yàn)中VAR模型預(yù)測誤差的步長為8，在穩(wěn)健性檢驗(yàn)中選用預(yù)測步長為4，結(jié)果見表6下半部分。

表6 改變滯后階數(shù)和預(yù)測步長的金融市場風(fēng)險(xiǎn)溢出指數(shù)表

根據(jù)表6結(jié)果可以發(fā)現(xiàn)，滯后階數(shù)選取為4階后，總體溢出指數(shù)略有升高（25.7%），兩兩金融市場間的風(fēng)險(xiǎn)溢出與基準(zhǔn)回歸相比沒有明顯差別。預(yù)測步長縮減為4步后，總體溢出指數(shù)略有降低（25.3%），事實(shí)上當(dāng)預(yù)測步長H>6時(shí)，預(yù)測誤差方差分解的結(jié)果已穩(wěn)定，因此無需列式H>8的溢出指數(shù)結(jié)果，這說明了金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)需要6周時(shí)間被完全吸收。

計(jì)算溢出指數(shù)時(shí)需要提前選擇滾動(dòng)窗口的長度，然而對于滾動(dòng)窗口長度的選擇具有一定的主觀性，若滾動(dòng)窗口過長，會(huì)使得動(dòng)態(tài)溢出指數(shù)時(shí)序圖過于平緩，難以捕捉動(dòng)態(tài)溢出指數(shù)的重要變化，若滾動(dòng)窗口過短，會(huì)使得動(dòng)態(tài)溢出指數(shù)時(shí)序圖的變化過于劇烈，難以體現(xiàn)溢出指數(shù)的趨勢性。在基準(zhǔn)檢驗(yàn)中本文選擇滾動(dòng)窗口的長度為100，在穩(wěn)健性檢驗(yàn)中分別選擇滾動(dòng)窗口長度為75和125，結(jié)果如圖3所示。

圖3 改變滾動(dòng)窗口長度的風(fēng)險(xiǎn)溢出指數(shù)圖

通過對比圖2與圖3可以發(fā)現(xiàn)，在滾動(dòng)窗口長度發(fā)生改變后，金融市場動(dòng)態(tài)風(fēng)險(xiǎn)溢出指數(shù)的走勢沒有發(fā)生根本變化。當(dāng)滾動(dòng)窗口長度更小時(shí)（H=75），分析溢出指數(shù)的時(shí)序圖更為劇烈，當(dāng)滾動(dòng)窗口長度更大時(shí)（H=125），風(fēng)險(xiǎn)溢出指數(shù)的變動(dòng)更加平緩。

綜上所述，穩(wěn)健性檢驗(yàn)結(jié)果證實(shí)本文研究結(jié)論并不依賴于GJR-BEKK-GARCH模型中隨機(jī)誤差項(xiàng)分布的選擇和均值方程的設(shè)定，也不依賴于溢出指數(shù)模型中滯后階數(shù)、預(yù)測誤差步長和滾動(dòng)窗口長度的選取，本文研究結(jié)論具有穩(wěn)健性。

三、研究結(jié)論與啟示

本文運(yùn)用GJR-BEKK-GARCH模型和風(fēng)險(xiǎn)溢出指數(shù)模型對中國2005年7月—2021年4月七大金融市場間的風(fēng)險(xiǎn)溢出效應(yīng)及其非對稱性做出了系統(tǒng)性分析，得出以下主要結(jié)論：（1）金融市場之間的波動(dòng)溢出效應(yīng)表現(xiàn)為“雙通道溢出”，即新息沖擊溢出和歷史波動(dòng)溢出，在這兩種溢出機(jī)制作用下中國金融市場間存在著廣泛而顯著的雙向風(fēng)險(xiǎn)溢出效應(yīng)。（2）進(jìn)一步將新息沖擊區(qū)分為正向沖擊和負(fù)向沖擊，從而構(gòu)造出非對稱新息沖擊作用項(xiàng)用以判斷非對稱溢出效應(yīng)，結(jié)果表明中國金融市場間存在顯著的非對稱性，壞消息引起的波動(dòng)大于好消息，并且新息沖擊的非對稱性具有廣泛而顯著的溢出效應(yīng)。（3）中國金融市場風(fēng)險(xiǎn)溢出整體水平較高，平均溢出指數(shù)為25.5%。金融市場的風(fēng)險(xiǎn)溢出方向具有非對稱性，房地產(chǎn)市場、商品市場和股票市場是風(fēng)險(xiǎn)的凈溢出者，貨幣市場、債券市場、外匯市場和黃金市場是風(fēng)險(xiǎn)的凈接受者。房地產(chǎn)市場、股票市場和商品市場對外風(fēng)險(xiǎn)溢出效應(yīng)最大，是金融市場的主要風(fēng)險(xiǎn)源，股票市場、房地產(chǎn)市場和黃金市場接受外部風(fēng)險(xiǎn)溢出程度最高，具有系統(tǒng)脆弱性。四、中國金融市場風(fēng)險(xiǎn)溢出指數(shù)具有時(shí)變性、波動(dòng)性和不確定性，長期在18%～52%之間波動(dòng)，在國際金融危機(jī)、“四萬億計(jì)劃”、歐債危機(jī)、重大“股災(zāi)”、債券違約、中美貿(mào)易摩擦、新冠疫情爆發(fā)等國內(nèi)外重要政策頒布和風(fēng)險(xiǎn)事件爆發(fā)期間，金融市場間風(fēng)險(xiǎn)溢出效應(yīng)明顯加強(qiáng)。

金融市場的波動(dòng)性以及波動(dòng)的關(guān)聯(lián)性給監(jiān)管部門帶來了新的挑戰(zhàn)，根據(jù)本文研究結(jié)論，為了防范跨市場風(fēng)險(xiǎn)溢出引發(fā)系統(tǒng)性風(fēng)險(xiǎn)，政策當(dāng)局應(yīng)從以下幾個(gè)方面著手。首先，由于金融市場間存在顯著的雙向波動(dòng)溢出效應(yīng)，任何針對單一市場的調(diào)節(jié)政策都可能為金融市場間的波動(dòng)傳遞提供了新的渠道。因此，應(yīng)將各級金融市場納入一個(gè)統(tǒng)一的監(jiān)測和管理框架，從宏觀審慎的角度考慮金融市場的穩(wěn)定性。其次，鑒于金融市場對負(fù)面信息沖擊的敏感性更強(qiáng)，監(jiān)管方在進(jìn)一步促進(jìn)市場信息透明化的同時(shí)，對信息的發(fā)布與披露應(yīng)審慎操作，防范信息型操縱引起的異常波動(dòng)通過非對稱性溢出效應(yīng)向其他市場傳遞。再次，考慮到金融市場風(fēng)險(xiǎn)溢出方向具有非對稱性，應(yīng)重點(diǎn)關(guān)注系統(tǒng)重要性金融市場，密切監(jiān)控系統(tǒng)脆弱性金融市場，同時(shí)重視股票市場與房地產(chǎn)市場、債券市場與黃金市場、大宗商品市場與黃金市場之間的風(fēng)險(xiǎn)互動(dòng)。最后，監(jiān)管部門應(yīng)注意在重要政策頒布和風(fēng)險(xiǎn)事件爆發(fā)期間加大監(jiān)管力度、提高響應(yīng)速度，減少因極端事件沖擊引發(fā)危機(jī)的可能性，守牢不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的底線。