尹孝蘭 ，黃永興

(安徽工業(yè)大學(xué) 商學(xué)院, 安徽 馬鞍山 243032)

目前，在全球能源緊缺和價格劇烈震蕩的背景下，中國能源發(fā)展和安全保障面臨新的挑戰(zhàn)和風(fēng)險[1]。2021 年10 月，國家能源委員會第五次會議指出，能源安全事關(guān)發(fā)展安全、國家安全。2023 年7 月，習(xí)近平總書記在江蘇考察時強調(diào)，能源保障和安全事關(guān)國計民生，是須臾不可忽視的“國之大者”。能源市場的供求及價格穩(wěn)定是保障能源安全的基本要求，煤炭和電力能源作為生產(chǎn)生活的基礎(chǔ)能源，持續(xù)關(guān)注其資本市場的異常波動有利于監(jiān)管與防范我國實體能源市場重大風(fēng)險，同時滬深市場的平穩(wěn)運行在一定程度上是國內(nèi)股票市場健康發(fā)展的重要體現(xiàn)。因此，能源市場指數(shù)的持續(xù)劇烈波動是否會引發(fā)滬深市場的相關(guān)風(fēng)險甚至危及能源實體安全，值得深思與研究。

2008 年全球金融危機爆發(fā)后，股票市場尾部相依結(jié)構(gòu)的研究更加活躍。吳吉林等[2]運用機制轉(zhuǎn)換混合Copula 方法，實證發(fā)現(xiàn)滬深股市與港臺股市間的上下尾部相依結(jié)構(gòu)不一致且均非對稱；Abuzayed等[3]通過構(gòu)建動態(tài)多元廣義自回歸異方差(dynamic conditional correlations-generalized autoregressive conditional heteroskedasticity，DCC-GARCH)模型研究全球股票市場之間在疫情影響下的系統(tǒng)性困境風(fēng)險溢出，實證表明疫情使全球股票市場間的系統(tǒng)性風(fēng)險溢出傳染路徑發(fā)生了變化且隨疫情蔓延而加劇。隨著模型理論的逐漸成熟，尾部相依性研究的主體開始逐漸拓展到大宗商品期貨、金融機構(gòu)甚至整個金融行業(yè)。Martin-Barraga 等[4]發(fā)現(xiàn)金融危機沖擊下，石油沖擊和股市崩盤相關(guān)次數(shù)更多，市場相依結(jié)構(gòu)也會發(fā)生變化；嚴偉祥等[5]構(gòu)建分層Copula 模型將國內(nèi)尾部相依性研究拓展到整個金融行業(yè)，研究發(fā)現(xiàn)金融子行業(yè)間的尾部風(fēng)險存在相依性較高的顯著分層相依結(jié)構(gòu)；陳守東等[6]采用Tail-β 模型，基于尾部相依性視角研究金融機構(gòu)尾部系統(tǒng)風(fēng)險與行業(yè)風(fēng)險的關(guān)聯(lián)效應(yīng)，發(fā)現(xiàn)各金融機構(gòu)間尾部風(fēng)險相依程度會隨危機事件的發(fā)生而顯著攀升；葉致昂等[7]、郭娜等[8]將研究對象進一步擴展，分別研究我國有色金屬指數(shù)與滬深300 指數(shù)尾部相依結(jié)構(gòu)以及國際油價波動對我國新能源股價的溢出效應(yīng)，均發(fā)現(xiàn)尾部相依性在金融體系脆弱性上升時期顯著攀升。部分學(xué)者也開始注重模型的創(chuàng)新，用新模型分析已有問題。如鄧維等[9]利用藤Copula 構(gòu)造新的模型，分析多組決策變量之間的相互依賴及不確定性問題；徐君等[10]構(gòu)建廣義已實現(xiàn)門限自回歸得分Copula模型，探索實體經(jīng)濟行業(yè)與金融行業(yè)間時變相依關(guān)系對行業(yè)收益的非對稱效應(yīng)。

綜上所述，隨著金融全球化的不斷演進和危機事件的沖擊，不同金融市場間的風(fēng)險相依性不斷增強。尤其在金融危機等黑天鵝事件發(fā)生時，關(guān)聯(lián)市場間的下尾相關(guān)性會顯著提高[11]，且風(fēng)險傳染路徑和相依結(jié)構(gòu)會因為危機事件沖擊而改變[12]。目前已有研究大多關(guān)注不同國家間的股票市場、期貨、匯率等尾部相依關(guān)系[13-17]，鮮有對我國能源市場尤其是尾部相依關(guān)系的研究。風(fēng)險測度是風(fēng)險防范的基礎(chǔ)，選擇R 藤Copula 模型度量能源市場和滬深市場間的尾部相依結(jié)構(gòu)，能充分考慮到尾部相依結(jié)構(gòu)可能存在的非對稱性。鑒于此，采用R 藤Copula 模型分析危機條件下我國能源市場股票價格波動溢出的影響，并揭示其風(fēng)險傳播機制，以期為相關(guān)政府部門防范化解金融風(fēng)險傳染、推動我國能源市場平穩(wěn)健康發(fā)展提供現(xiàn)實依據(jù)。

1 相關(guān)模型

1.1 常用Copula 函數(shù)

Sklar[18]指出每個聯(lián)合分布函數(shù)都可分解為若干個邊緣分布函數(shù)和1 個Copula 函數(shù)。Copula 函數(shù)常被用來度量變量間的非線性相依關(guān)系，Copula族函數(shù)中常用的函數(shù)主要有以下5 種。

1) 正態(tài) Copula(Gaussian Copula)函數(shù) 可較好地擬合樣本數(shù)據(jù)，用來描述變量間的相依性，具有對稱性特征，只能刻畫金融市場中的對稱相依關(guān)系，其分布函數(shù)如式(1)。

其中：C(·，·)為二元Copula 函數(shù)；u，υ 為一元分布函數(shù)；ρ 為對角線上元素為1 的對稱正定矩陣；Φ-1(·)為標準正態(tài)分布函數(shù)Φ(·)的逆函數(shù)。

2) 二元T-Copula 函數(shù) 同樣具有對稱的尾部相依特征，但尾部更厚，尾部變化比正態(tài)Copula 更靈敏，其分布函數(shù)和上下尾相關(guān)系數(shù)分別為：

其中：λ上和λ下分別為不為0 的上、下尾相關(guān)系數(shù)；t表示分布函數(shù)。

3) Gumbel Copula 函數(shù) 函數(shù)密度分布呈下尾低上尾高的J 形，故也為非對稱相依結(jié)構(gòu)，可準確描述上尾的關(guān)系，但難以捕捉到下尾關(guān)系，通常用來刻畫具有上尾特征的金融市場的相依結(jié)構(gòu)。如一個資本市場暴漲，另一個資本市場暴漲的概率也很大，可用Gumbel Copula 函數(shù)來連接2 個市場的邊緣分布，分布函數(shù)為

其中δ 為大于0 小于等于1 的相關(guān)參數(shù)。

4) Clayton Copula 函數(shù) 具有明顯的非對稱結(jié)構(gòu)，密度分布呈L 形，下尾高上尾低，對下尾部敏感，但很難捕捉到上尾相依關(guān)系，分布函數(shù)為

其中θ 為大于0 的相關(guān)參數(shù)。

5) Frank Copula 函數(shù) 函數(shù)密度分布為對稱結(jié)構(gòu)，無法捕捉非對稱的市場關(guān)系，且尾部變化不敏感，沒有尾部相關(guān)性，分布函數(shù)為

1.2 邊緣分布模型

廣義自回歸條件異方差(generalized autoregressive conditional heteroskedasticity，GARCH)模型是自回歸條件異方差模型 (autoregressive conditional heteroskedasticity, ARCH)的擴展，要求較小的滯后階數(shù)，通常用來刻畫具有條件異方差特性的時間序列的條件邊緣分布，GARCH 模型的數(shù)學(xué)理論如下：

1.3 R 藤Copula 模型

R 藤結(jié)構(gòu)是1 組樹(tree)的組合，每棵樹的邊(edge)表示1 個(條件)Copula 函數(shù)，w個變量的R藤結(jié)構(gòu)由w-1 棵樹構(gòu)成，分別記為Z1,Z2,...,Zw-1，第a棵樹的節(jié)點(Node)集記為Oa，邊集記為Ea(a=1,2,3,...,w-1)。需滿足3 個條件：樹T1的節(jié)點集O1={1,2,...,w}，邊集為E1；第a棵樹的節(jié)點集記為Oa=Ea-1，即第a棵樹的節(jié)點集是第a-1 棵樹的邊集；若用邊連接樹Za中的2 條邊到樹Za+1中，則2 條邊在樹Za中一定要有1 個共同節(jié)點。

1 個b元R 藤模型有b-1 棵樹，記節(jié)點集O={O1,O2,...,Ob-1} ，邊 集E=(E1,E2,...,Eb-1)，Eb-1中的邊g=j(g),k(g)|D(g) ， 其中j(g),k(g)為與邊g相連接的2 個節(jié)點，D(g)為對應(yīng)的條件，將邊g對應(yīng)的Copula 密度函數(shù)表示成c(g),k(g)|D(g)。假定條件集D(g)決定的子向量對應(yīng)的n個隨機變量分別為x1,x2,...,xn，xD(g)，設(shè)第γ 個隨機變量邊緣密度函數(shù)為fγ，則x的聯(lián)合密度函數(shù)為：

每個藤結(jié)構(gòu)均由多棵樹組成，每棵樹上有很多節(jié)點，邊是連接2 個節(jié)點的線。樹的節(jié)點和邊共同構(gòu)成1 個集合，不同的藤結(jié)構(gòu)有不同的構(gòu)成方式。常見的藤結(jié)構(gòu)有C 藤(C-vine)、D 藤(D-vine)、R 藤(R-vine)。Morales-Napoles 等[19]研究表明與C 藤、D 藤相比，R 藤在刻畫高維變量相依結(jié)構(gòu)關(guān)系時更具多樣性和靈活性。故文中選擇R 藤Copula 模型對能源市場與滬深市場的尾部相依性進行研究。

2 實證分析

2.1 數(shù)據(jù)選取與處理

為探討煤炭和電力能源市場的劇烈波動是否對滬深市場造成巨大沖擊，進而引發(fā)系統(tǒng)性金融風(fēng)險，選取滬深300 指數(shù)、國證煤炭指數(shù)、國證電力指數(shù)的日收盤價為研究對象，分析滬深市場、煤炭市場及電力市場間的尾部相依結(jié)構(gòu)。用hs300，gzmt，gzdl 分別表示滬深300、國證煤炭、國證電力的股票價格指數(shù)，用Rhs300，Rgzmt，Rgzdl 分別表示3 個股票價格指數(shù)對數(shù)差分后的收益率時間序列。運用Stata15.0 軟件將2015 年1 月至2021 年12 月的指數(shù)收盤價繪制成圖1 所示的時序圖。

圖1 指數(shù)收盤價序列時序圖Fig.1 Sequence diagram of index closing price sequence

由圖1 可發(fā)現(xiàn)：3 個指數(shù)的原始時間序列均不平穩(wěn)，且3 個市場價格指數(shù)均從2020 年1 月開始上漲，在2021 年末急劇下跌，先大漲后大跌的趨勢符合本文尾部風(fēng)險的研究需要。因此選取3 個指數(shù)從2020 年1 月至2021 年12 月的所有交易日收盤價數(shù)據(jù)為樣本，對原始指數(shù)收盤價數(shù)據(jù)對數(shù)差分處理得到各指數(shù)的收益率序列，計算公式為

其中：Rd為第d日的股票指數(shù)收益率；Id為第d日的股票價格總指數(shù)；Id-1為第d-1 日的股票價格總指數(shù)。

剔除節(jié)假日等休市時間，得到原始樣本471 個，對數(shù)差分后的樣本為470 個，使用的計量軟件為Stata15.0 和R4.1.1。根據(jù)3 個指數(shù)收益率序列的日數(shù)據(jù)繪制成圖2 所示的時序圖，從上到下依次為滬深300、國證煤炭和國證電力的指數(shù)收益率波動情況。由圖2 可見：3 個指數(shù)收益率序列均呈本期波動較大時未來若干期波動也較大的波動聚集和厚尾現(xiàn)象。3 個指數(shù)收益率序列的單位根檢驗如表1。由表1 可發(fā)現(xiàn)：3 個指數(shù)收益率序列的P值均為0.01，顯著拒絕非平穩(wěn)序列的原假設(shè)，即3 個指數(shù)收益率序列均平穩(wěn)。

表1 3 個指數(shù)收益率序列的ADF 檢驗結(jié)果Tab.1 ADF test results of three index return series

圖2 滬深300、國證煤炭、國證電力指數(shù)收益率波動曲線Fig.2 Fluctuation curves of returns on CSI 300, China’s coal and China’s power indexes

表2 為變量的描述性統(tǒng)計及相關(guān)統(tǒng)計檢驗結(jié)果。由表2 可知：滬深300 指數(shù)、國證煤炭及國證電力指數(shù)的均值均為負，表明樣本期內(nèi)3 個指數(shù)市場投資情緒低迷；煤炭指數(shù)收益率序列的方差波動最大(即煤炭市場的價格波動最強)，滬深市場的價格波動最小，且3 個指數(shù)收益率序列均呈波動聚集的異方差情形，因此存在ARCH 效應(yīng)；由偏度、峰度數(shù)值可初步判斷3 個收益率時間序列均服從尖峰厚尾分布，而不是服從正態(tài)分布。進一步地，3 個變量J-B檢驗量對應(yīng)的P值均為0，表明3 個收益率序列均不服從正態(tài)分布且存在厚尾特征。厚尾特征代表尾部事件更高的發(fā)生概率，在研究指數(shù)間風(fēng)險相依關(guān)系時，應(yīng)注重對金融市場尾部風(fēng)險的度量，合理規(guī)避風(fēng)險；3 個指數(shù)收益率序列LB 檢驗統(tǒng)計量的伴隨P值均大于0.05，證明3 個指數(shù)收益率序列都不存在滯后自相關(guān)性(白噪聲過程)；同時ARCH-LM 檢驗顯著拒絕原假設(shè)，表明存在收益率序列的ARCH 效應(yīng)，故選擇GARCH(1,1)-偏t模型擬合3 個收益率序列的邊緣分布。

表2 變量的描述性統(tǒng)計及相關(guān)統(tǒng)計檢驗結(jié)果Tab.2 Descriptive statistics and relevant statistical test results of variables

2.2 邊緣分布模型的建立與參數(shù)估計

2.2.1 邊緣分布模型的建立

基于描述性統(tǒng)計的檢驗結(jié)果，采用ARMA(m,q)-GARCH(1,1)-偏t模型進行建模，其中偏t指偏t分布，模型如式(10)。

2.2.2 模型參數(shù)估計對殘差進行標準化處理，再進行概率積分變換求出Copula 模型需要的殘差序列，最后建立GARCH(1,1)-偏t模型刻畫邊緣分布模型的參數(shù)估計值，得到的參數(shù)結(jié)果如表3。由表3 可見：Rgzmt，Rgzdl 對應(yīng)的系數(shù)ω 均在10%的置信水平上顯著，Rhs300對應(yīng)的系數(shù)ω 在1%的置信水平上顯著；所有收益率序列的α 均在1%置信水平上顯著，說明3 個時間序列的殘差會影響其收益率波動；3 個指數(shù)收益率序列的 β值都接近于1，并都在1%置信水平上顯著，說明滯后期波動會對即期波動造成較大影響；α和 β系數(shù)均在1%水平上顯著，說明3 個指數(shù)收益率序列均存在GARCH(1，1)效應(yīng)，模型能夠準確描述3 個指數(shù)收益率序列的波動性情況，即邊緣分布模型的構(gòu)建是合理的；3 個指數(shù)收益率序列的偏度值均大于0，說明其分布偏右，故誤差項采用偏t分布。3 個收益率序列LB 檢驗的P值分別為0.539 2，0.619 9，0.384 8，均接受收益率序列沒有自相關(guān)性的原假設(shè)；LB2 檢驗 的P值分別為0.358 8，0.725 8，0.925 5，不顯著，說明殘差平方收益率序列中不存在序列自相關(guān)；ARCH-LM 檢驗的P值分別為0.916 6，0.954 4，0.931 7，顯著接受原假設(shè)，即模型標準化殘差中不存在GARCH 效應(yīng)，模型檢驗可通過。ARCHLM，LB 和LB2 檢驗的P值均不顯著，可滿足Copula建模要求的前提。因此，篩選出不存在自相關(guān)和異方差的3 組標準化殘差，構(gòu)建Copula 分布；利用表3 中的每個邊緣模型標準化殘差進行概率積分變換；根據(jù)變量之間的 Kendal’s τ 估計值選擇最優(yōu)藤結(jié)構(gòu)。

表3 GARCH(1,1)-偏t 參數(shù)估計結(jié)果Tab.3 GARCH (1,1)-bias t-parameter estimation results

2.3 基于R 藤Copula 的尾部相依風(fēng)險測度

金融市場中的尾部風(fēng)險指不同市場中的資產(chǎn)價格同時出現(xiàn)暴漲(上尾事件)或暴跌(下尾事件)的情形。尾部事件發(fā)生的概率較小，但一旦發(fā)生，爆發(fā)性更強、傳播性更廣、沖擊性更大。R 藤Copula 在測度相依結(jié)構(gòu)時，最具靈活性，所以文中選擇最大生成樹來選擇R 藤Copula 的結(jié)構(gòu)，用式(11)解決每棵樹的優(yōu)化問題。

使用R4.1.1 軟件對3 個股票指數(shù)進行Copula建模，得到3 個指數(shù)的R 藤Copula 相依結(jié)構(gòu)模型Kendall’s τ 相關(guān)系數(shù)及上下尾相關(guān)系數(shù)，結(jié)果如表4。表中edge 表示每棵樹結(jié)構(gòu)圖的節(jié)點連接情況；a，b表示b元模型的第a顆樹；1 表示滬深300 指數(shù)；2 表示國證電力指數(shù)；3 表示國證煤炭指數(shù)；tau 為Kendall’s τ 相關(guān)系數(shù)；utd 為上尾相關(guān)系數(shù)；ltd 為下尾相關(guān)系數(shù)。

表4 R 藤結(jié)構(gòu)的Copula 擬合結(jié)果Tab.4 Copula fitting results of R vine structure

為直觀地觀察3 個指數(shù)市場的尾部相依結(jié)構(gòu)，用R4.1.1 軟件繪制R 藤Copula 的2 棵樹結(jié)構(gòu)圖，第一棵樹、第二棵樹的R 藤結(jié)構(gòu)分別如圖3，4。同時為直觀地觀察3 個指數(shù)市場之間的尾部對稱關(guān)系變化情況，繪制各節(jié)點的密度分布結(jié)構(gòu)，如圖5。圖中λ 為尾部相關(guān)性系數(shù)。

圖3 R 藤Copula 的第一棵樹結(jié)構(gòu)Fig.3 The first tree structure of R vine Copula

圖4 R 藤Copula 第二棵樹結(jié)構(gòu)Fig.4 The second tree structure of R vine Copula

圖5 各節(jié)點的密度分布結(jié)構(gòu)Fig.5 Density distribution structure of each node

考慮非條件藤 Copula 結(jié)構(gòu)，由表4 可看出：國證煤炭和滬深300 指數(shù)市場(3，1)的相依性服從Gumbel Copula 結(jié)構(gòu)，2 個市場的相依性較強，同時由圖5 左下角可看出煤炭市場和滬深300 市場的密度分布結(jié)構(gòu)有1 條向右上方延伸的尾巴，兩者具有非對稱的尾部風(fēng)險；滬深市場與煤炭市場的Kendall秩相關(guān)系數(shù)為0.29，說明2 個收益率序列變動的同向相依性為0.29，且擁有很強的上尾相依性，上尾相依系數(shù)為0.36，無下尾相依性，說明煤炭市場暴漲時滬深市場同向暴漲的概率為0.36，表明滬深市場和煤炭市場兩者之間有著較強的傳染性和依賴性。這是因為煤炭市場是我國能源市場的主要組成部分，煤炭是影響我國社會生產(chǎn)的主體能源，依賴煤炭能源的下游產(chǎn)業(yè)分布各個行業(yè)，這些行業(yè)又是滬深市場的重要組成部分。

根據(jù)圖5 中的(3，2)結(jié)構(gòu)和表4 可知：國證煤炭指數(shù)和國證電力指數(shù)市場之間的尾部風(fēng)險具有對稱性，2 個市場的相依關(guān)系符合T-Copula 結(jié)構(gòu)；Kendall秩相關(guān)系數(shù)為0.39，兩者的相依性最強，說明國證煤炭和國證電力2 個市場指數(shù)的收益率同向變動的概率為0.39。由圖5 中的(2，1；3)結(jié)構(gòu)可發(fā)現(xiàn)，電力市場和煤炭市場存在對稱的上下尾關(guān)系，且擁有較強的尾部相依性，上下尾相依系數(shù)均為0.23，說明電力市場和煤炭市場收益率序列的同向相依性為0.23，即煤炭市場大跌(大漲)時，電力市場因受到負向(正向)沖擊而發(fā)生尾部風(fēng)險的概率為0.23。這是因為目前火力發(fā)電仍占據(jù)我國發(fā)電總量的七成市場，對煤炭的巨大需求使得電力市場對煤炭市場產(chǎn)生較大的依賴性和相依性。電力市場的供給對全社會各行業(yè)生產(chǎn)的影響更迅速，因此應(yīng)特別警惕當煤炭市場發(fā)生尾部風(fēng)險時，對電力市場的風(fēng)險溢出效應(yīng)。

其次看條件藤Copula 結(jié)構(gòu)，這里考慮條件相依系數(shù)，即考慮2 個市場的間接傳染結(jié)構(gòu)。由條件藤結(jié)構(gòu)識別出當國證煤炭指數(shù)市場作為中間市場時，滬深300 指數(shù)和國證電力指數(shù)(1，2)的Kendall 秩相關(guān)系數(shù)為0.18，不存在上下尾相依性，說明滬深市場和電力2 個市場的間接傳染結(jié)構(gòu)為正向，且相依性較強。進一步說明當電力市場經(jīng)歷暴漲(暴跌)行情時，滬深市場受到間接影響而隨之同漲同跌的可能性不大。根據(jù)圖3，4 和表4 可發(fā)現(xiàn)，國證電力和滬深300 指數(shù)市場沒有直接的相依影響關(guān)系，存在這種間接的傳染結(jié)構(gòu)是因為我國是全球煤炭消費大國，“碳中和”政策疊加新冠疫情后的國內(nèi)經(jīng)濟復(fù)蘇為煤炭價格上升提供了巨大推力，供需錯配下的煤炭市場上演“煤超瘋”行情。對此，國家發(fā)展改革委員會極力推進煤炭產(chǎn)能釋放，促使煤炭價格回歸合理區(qū)間。在一系列政策信息影響下，市場情緒迅速降溫，2021 年10 月20 日起，煤炭板塊陷入連續(xù)多日的跌停潮，電力板塊則受利好政策助推，股價應(yīng)勢上漲。

通過分析發(fā)現(xiàn)，在樣本期內(nèi)煤炭市場是主導(dǎo)市場。從外部環(huán)境看由于新冠疫情的爆發(fā)，全球經(jīng)濟增速放緩甚至停滯，各行業(yè)發(fā)展受到巨大沖擊；同時疊加全球能源危機持續(xù)發(fā)生而全球煤炭消費量仍居高不下的行業(yè)背景，多國發(fā)電廠煤炭庫存出現(xiàn)低位預(yù)警，其中美國煤炭庫存降至24 年來歷史低點，煤炭價格也升至12 年來最高水平，加劇了冬季供電的壓力。從內(nèi)部環(huán)境看，2021 年，國內(nèi)疫情防控常態(tài)化，國內(nèi)經(jīng)濟復(fù)蘇，全社會用電量增加，煤炭需求激增。在內(nèi)外部環(huán)境的共同影響下，煤炭市場受到市場需求的反饋速度快于其他市場，使得煤炭市場在樣本期內(nèi)成為主導(dǎo)市場，也使得煤炭市場和電力市場表現(xiàn)出強相關(guān)性。國證煤炭指數(shù)與國證電力指數(shù)、滬深300 指數(shù)都有著正向的尾部相依關(guān)系，每兩個市場之間存在較強的聯(lián)動性，其中煤炭市場和電力指數(shù)市場有著較強的下尾相關(guān)性。當煤炭板塊暴跌時，會給電力市場帶來巨大的負向沖擊，風(fēng)險監(jiān)管者及投資者應(yīng)注意投資風(fēng)險配比，警惕風(fēng)險事件可能帶來的強破壞性和風(fēng)險溢出性。滬深指數(shù)市場和電力指數(shù)市場的間接傳染結(jié)構(gòu)呈現(xiàn)正相關(guān)，當一個市場波動時，其風(fēng)險會通過國證煤炭市場傳導(dǎo)至另一市場，使得另一市場發(fā)生同向波動。這種間接風(fēng)險傳導(dǎo)機制的存在，是因為隨著國內(nèi)經(jīng)濟在全球率先復(fù)蘇，各行業(yè)用電量激增，電力市場的穩(wěn)定供給首先需要煤炭市場的穩(wěn)定供給來提供保障。但與此同時滬深市場和電力市場的間接尾部相依性消失，說明我國煤炭指數(shù)市場的風(fēng)險轉(zhuǎn)換和承壓能力較高，我國能源市場和滬深市場整體風(fēng)險控制應(yīng)對能力較強，應(yīng)對市場劇烈波動已具有一定的免疫力。

3 結(jié)論與建議

3.1 結(jié)論

選用R 藤Copula 模型對2020 年1 月至2021 年12 月的國證煤炭、國證電力和滬深300 指數(shù)收益率間的相依關(guān)系進行度量，研究我國煤炭、電力2 個能源市場和滬深市場的尾部相依風(fēng)險關(guān)系。實證結(jié)果表明：滬深市場、電力市場都和煤炭市場有很強的正相依性，煤炭市場和滬深市場僅有上尾相依性，但煤炭市場和電力市場的上下尾相依性均存在；煤炭市場是中間市場，電力市場和煤炭市場的相依性最高且具有強上下尾相依系數(shù)，即煤炭市場價格的劇烈波動時會給電力市場帶來巨大沖擊，因此尤其要注意強下尾相關(guān)性帶來的小概率風(fēng)險事件，進而引發(fā)的系統(tǒng)性風(fēng)險。

3.2 建議

煤炭市場和滬深市場的相依性較高但低于電力市場和煤炭市場，且煤炭市場和滬深市場僅有較高的上尾相依性，不存在下尾相依性，即煤炭市場和滬深市場同時大漲的概率較大，而同時暴跌的可能性幾乎為零。為警惕滬深市場、電力市場和煤炭市場間下尾部相依性可能帶來的風(fēng)險傳染，進一步防范系統(tǒng)性風(fēng)險，在監(jiān)管和防范3 個市場的風(fēng)險時，要著重警惕煤炭市場的價格劇烈變化帶來的強連鎖反應(yīng)。

1) 在金融市場方面，風(fēng)險監(jiān)管者應(yīng)充分考慮不同金融市場之間的尾部風(fēng)險相依關(guān)系，警惕風(fēng)險事件帶來的強破壞性，從而準確地測度和規(guī)避風(fēng)險。著重防范重要能源市場間的下尾相依性可能給能源實體經(jīng)濟帶來的沖擊，同時投資者在投資布局相關(guān)板塊時，應(yīng)注意規(guī)避煤炭市場和電力市場間的強下尾部相依性風(fēng)險，時刻注意各板塊收益率之間的相依結(jié)構(gòu)變化，合理分配下尾相關(guān)性較強投資組合的投資比例，從而達到構(gòu)建一個相對分散化投資組合的目的。金融市場的政策制定者在進一步深化金融市場改革和加快對外開放步伐的同時，應(yīng)充分重點注意能源市場波動對本國能源市場安全及其他金融市場的影響，及時識別尾部風(fēng)險并積極采取措施，針對不同板塊可制定不同措施，分板塊對市場的尾部風(fēng)險進行有效規(guī)避。

2) 在能源板塊方面，煤炭以及電力板塊作為影響國計民生的重要能源板塊，價格在持續(xù)時間內(nèi)的大漲大跌會對相關(guān)產(chǎn)業(yè)鏈造成巨大沖擊，進而引發(fā)金融風(fēng)險傳染。盡管近年來我國在極力發(fā)展新能源事業(yè)，但是火電仍是當前的主要供電方式，煤炭價格上漲拉動電價上漲或供給不足，最終會影響供電下游企業(yè)的各項生產(chǎn)經(jīng)營活動。因而風(fēng)險監(jiān)管者要重點警惕煤炭市場價格持續(xù)的大幅波動可能帶來的小概率極端風(fēng)險，提前防范并做好應(yīng)對措施，防止風(fēng)險溢出給金融市場的穩(wěn)定帶來巨大的不確定性；同時金融投資者也應(yīng)理性對待金融市場中偶然出現(xiàn)的價格大幅波動現(xiàn)象，不可盲目沖動及因抱僥幸心理而陷入“追漲殺跌”的羊群效應(yīng)陷阱，從而帶來不必要的投資損失。

3) 在煤炭市場方面，作為3 個市場的中間市場，煤炭是我國供電市場的重要能源來源，如果煤電板塊的股票價格漲幅脫離實體經(jīng)濟供求基本面，非理性惡意上漲，將會給相關(guān)產(chǎn)業(yè)尤其是電力市場的實體帶來巨大供給壓力。國家發(fā)展改革委員會應(yīng)持續(xù)重點關(guān)注煤炭市場價格的合理性，積極對脫離正常市場價格的煤炭能源企業(yè)進行調(diào)控和干預(yù)，并聯(lián)合金融監(jiān)管部門嚴厲打擊內(nèi)幕交易及惡意炒作的惡劣市場行為。立足國內(nèi)，根據(jù)國情大力推進煤礦智能化開采和煤炭清潔高效利用，切實發(fā)揮煤炭兜底保障作用[20]。同時應(yīng)制定具體管控措施，促進能源市場持續(xù)健康發(fā)展，將可能發(fā)生的重大金融風(fēng)險事件扼殺在搖籃里。同時金融風(fēng)險監(jiān)管者應(yīng)密切關(guān)注股票市場價格動向，堅決抵制惡意炒作以及操縱市場價格的行為，投資者也應(yīng)注意相關(guān)板塊的尾部相依性風(fēng)險，盡可能降低或規(guī)避風(fēng)險關(guān)聯(lián)帶來的資產(chǎn)減值損失。