蘇 治 付紅妍

一、引言

突發(fā)性公共事件往往會給經(jīng)濟(jì)運(yùn)行和金融穩(wěn)定帶來巨大挑戰(zhàn)。2020 年初，新冠肺炎疫情的大規(guī)模蔓延增加了后危機(jī)時期全球經(jīng)濟(jì)的不確定性和下行壓力，不僅沖擊各國實體經(jīng)濟(jì)，還使得全球金融市場流動性幾近枯竭，投資者避險情緒不斷升溫，疊加大國博弈和油價暴跌沖擊，各國股市籠罩在金融危機(jī)的陰霾之下。盡管中國在該次新冠肺炎疫情中首當(dāng)其沖，但經(jīng)過一系列的科學(xué)防治和嚴(yán)格管控，中國經(jīng)濟(jì)正逐漸擺脫疫情影響，展現(xiàn)出強(qiáng)大的韌性和活力，中國股市也因在全球股市共振暴跌模式下展現(xiàn)出相對良好的獨(dú)立性和免疫力而受到國際投資者的青睞，逐漸成為國際資產(chǎn)的“避風(fēng)港”?？梢灶A(yù)見，隨著疫情防控轉(zhuǎn)為持久戰(zhàn)，國際經(jīng)貿(mào)秩序和地緣政治格局或?qū)⒅厮?，中國金融市場的外部環(huán)境將大幅度發(fā)生改變。在新冠肺炎疫情沖擊的大背景下，剖析中國與全球主要國家股票市場的相依結(jié)構(gòu)及風(fēng)險溢出效應(yīng)有助于精準(zhǔn)識別潛在的境外金融風(fēng)險來源，牢牢守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線，對于中國股市行穩(wěn)致遠(yuǎn)具有重要的戰(zhàn)略價值和意義。

傳統(tǒng)關(guān)于股票市場相依結(jié)構(gòu)的研究大多基于線性關(guān)系視角，通過計算相關(guān)系數(shù)、構(gòu)造分位數(shù)回歸或是建立多元廣義自回歸條件異方差（General Autoregressive Conditional Heteroskedasticity，GARCH）模型等方法進(jìn)行，然而這些方法對于非線性相依結(jié)構(gòu)和尾部相依關(guān)系的擬合效果不佳。事實上，金融數(shù)據(jù)往往存在尖峰厚尾、波動集聚和非對稱性等特征，不同金融市場之間也以非線性關(guān)系居多。為了克服上述難題，Jondeau 和Rockinger首先采用GARCH-Copula 模型研究多個金融市場的條件相關(guān)性。①Jondeau E，Rockinger M,“The Copula-GARCH Model of Conditional Dependencies:An International Stock Market Application”，in Journal of International Money and Finance,2006,Vol.25,No.5,pp.827—853.該模型首先利用GARCH模型擬合邊緣分布，然后通過Copula 函數(shù)分離隨機(jī)變量之間的聯(lián)合分布與邊緣分布以捕捉變量之間的非線性、非對稱性相依結(jié)構(gòu)和尾部相依關(guān)系，且放松了多元正態(tài)假定，具有較高的靈活性和實用性，因此受到了眾多研究者的青睞并得到廣泛運(yùn)用。然而，GARCHCopula 模型的不足之處在于：一方面，該模型只能研究股票市場之間的時變性相依結(jié)構(gòu)，無法刻畫不同市場狀態(tài)（State）下相依結(jié)構(gòu)的異質(zhì)性表現(xiàn)，即無法區(qū)分金融市場的平靜期和劇烈波動期；另一方面，在高維聯(lián)合分布中假定資產(chǎn)兩兩之間服從同一Copula 類型，但這與現(xiàn)實情況明顯相悖，因而受到部分學(xué)者質(zhì)疑。②高江：《藤Copula 模型與多資產(chǎn)投資組合VaR 預(yù)測》，《數(shù)理統(tǒng)計與管理》2013 年第2 期，第247—258 頁。

隨著理論的不斷完善，已有學(xué)者對上述模型進(jìn)行優(yōu)化。對于GARCH 模型部分而言，當(dāng)時間序列數(shù)據(jù)中存在結(jié)構(gòu)性突變時，使用含馬爾科夫區(qū)制轉(zhuǎn)換（Markov-Switching，MS）的GARCH（MSGARCH）模型相較之于傳統(tǒng)單一區(qū)制（Single Regime）模型能夠更好地捕捉不同區(qū)制下的結(jié)構(gòu)特征，預(yù)測金融風(fēng)險的效果更為理想。至于Copula 函數(shù)，Joe 提出了Vine Copula 模型，允許金融資產(chǎn)兩兩之間存在不同的相依結(jié)構(gòu)，同時大大降低了計算復(fù)雜度。③Joe H,Multivariate Models and Multivariate Dependence Concepts,New York:CPC Press,1997.在實證研究方面，胡根華結(jié)合GJR-GARCH、極值理論和R-Vine Copula 對比了“一帶一路”倡議實施前后中國與東盟國家股市的相依結(jié)構(gòu)和極值風(fēng)險④胡根華：《中國-東盟金融市場的結(jié)構(gòu)相依與極值風(fēng)險：基于“一帶一路”的背景》，《管理工程學(xué)報》2019 年第2 期，第18—27 頁。，Cekin 等采用GARCH-Vine Copula 模型考察了4 個拉丁美洲國家經(jīng)濟(jì)政策不確定性的尾部相依性⑤Cekin S E,Pradhan A K,Tiwari A K,“Measuring Co-Dependencies of Economic Policy Uncertainty in Latin American Countries Using Vine Copulas”,in The Quarterly Review of Economics and Finance,2019,Vol.76,pp.207—217.，Zhu 等建立了GARCH-Vine Copula 模型研究中國7 個城市碳交易市場的溢出效應(yīng)。①Zhu B Z,Zhou X,Liu X,“Exploring the Risk Spillover Effects among China’s Pilot Carbon Markets:A Regular Vine Copula-CoES Approach”,in Journal of Cleaner Production,2020,Vol.242,No.118455.通過梳理上述文獻(xiàn)可知，現(xiàn)有研究對GARCH-Copula 模型改進(jìn)有限，以引入Vine Copula 結(jié)構(gòu)為主，結(jié)合MSGARCH 族模型與Vine Copula 方法研究全球主要股票市場的文獻(xiàn)相對較少，且尚未發(fā)現(xiàn)聚焦新冠肺炎疫情沖擊下中國與全球股市相依結(jié)構(gòu)的研究。

在新冠肺炎疫情沖擊下守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線不僅需要準(zhǔn)確判斷中國股市與外部市場的相依結(jié)構(gòu)，還需要對來自全球各大股市之間的風(fēng)險溢出效應(yīng)進(jìn)行度量。風(fēng)險溢出效應(yīng)是指金融全球化的發(fā)展使得單一市場中的風(fēng)險經(jīng)由貿(mào)易、投資和市場情緒等渠道影響他國市場，該領(lǐng)域的相關(guān)研究在宏觀政策制定、資產(chǎn)配置和風(fēng)險對沖等方面都具有重要意義。目前單一市場風(fēng)險的主流度量工具包括風(fēng)險價值（Value-at-Risk，VaR）和預(yù)期損失（Expected Shortfall，ES）。Nadarajah 和Chan 整理了上述指標(biāo)的常用估計方法，主要包括參數(shù)估計（如風(fēng)險矩陣）、非參數(shù)估計（如M-VaR）和半?yún)?shù)估計（如基于Copula函數(shù)、過濾歷史模擬數(shù)據(jù)法、分位數(shù)回歸法、極值理論等），其中基于極值理論的Copula函數(shù)與過濾歷史模擬數(shù)據(jù)的GARCH 族模型的表現(xiàn)最優(yōu)②Nadarajah S,Chan S,Estimation Methods for Value at Risk,New Jersey:Wiley &Sons,2016.，且不少學(xué)者研究表明GARCHEVT-Copula 模型在估計動態(tài)相關(guān)性和溢出風(fēng)險時的效果相較于單一方法有明顯提升③Chavez-Demoulin V,Embrechts P,Ne?lehováJ,“Quantitative Models for Operational Risk:Extremes,Dependence and Aggregation”,in Journal of Banking and Finance,2006,Vol.30,No.10,pp.2635-2658.，尤其適用于捕捉極端市場間的尾部依賴性。另外，為了比較不同金融市場和金融機(jī)構(gòu)之間的風(fēng)險溢出效應(yīng)，Adrian 和Brunnermeier 進(jìn)一步提出了（Δ）CoVaR、（Δ）CoES等指標(biāo)④Adrian T,Brunnermeier M K,“CoVaR”,in American Economic Review,2016,Vol.106,No.7,pp.1705—1741.，已經(jīng)在測度中國金融體系的系統(tǒng)性風(fēng)險、不同類型金融市場之間的溢出效應(yīng)等領(lǐng)域得到若干運(yùn)用，但關(guān)于跨境股票市場風(fēng)險溢出方面的研究較少，也未曾發(fā)現(xiàn)基于上述指標(biāo)估算全球股市對中國市場風(fēng)險溢出的文獻(xiàn)資料。為此，本文擬基于MSGARCH-EVT-Copula 模型，通過ΔCoVaR與ΔCoES等指標(biāo)衡量全球股市對中國市場的風(fēng)險溢出效應(yīng)。

此外，近年來關(guān)于股市相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)的研究大多圍繞內(nèi)生性金融危機(jī)展開，關(guān)于全球公共衛(wèi)生事件等外生沖擊對金融市場影響的文獻(xiàn)數(shù)量較少。盡管各國學(xué)者已就新冠肺炎疫情對實體經(jīng)濟(jì)和金融市場的影響作出初步研判⑤楊子暉、陳雨恬、張平淼：《重大突發(fā)公共事件下的宏觀經(jīng)濟(jì)沖擊、金融風(fēng)險傳導(dǎo)與治理應(yīng)對》，《管理世界》2020 年第5 期，第13—35+7 頁。，但關(guān)于新冠肺炎疫情沖擊下中國與全球主要國家股市的相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)的研究尚且不多。綜上所述，本文收集2017 年1 月3 日至2020 年6 月30 日全球20 個主要國家和地區(qū)股票市場的日度收盤價數(shù)據(jù)，利用MSGARCH-EVT-Copula 模型對中國與全球股市的相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)進(jìn)行實證研究，首先通過MSGARCH-EVT 模型擬合各國股票收益率序列的邊緣分布，得到兩兩序列之間的最佳Copula 函數(shù)，然后在此基礎(chǔ)上構(gòu)建Regular Vine Copula模型刻畫中國與全球股市的相依結(jié)構(gòu)，最后計算ΔCoVaR和ΔCoES等指標(biāo)以度量全球股市對中國股市的風(fēng)險溢出效應(yīng)。實證結(jié)果表明：（1）新冠肺炎疫情沖擊前后的全球主要股票指數(shù)收益率具有馬爾科夫區(qū)制轉(zhuǎn)換特征，因此MSGARCH-EVT-POT 模型可以有效擬合中國及全球股票收益率序列的典型事實特征和邊緣分布，在此基礎(chǔ)上構(gòu)建的Regular Vine Copula 模型可以有效刻畫股市之間的相依結(jié)構(gòu)；（2）新冠肺炎疫情沖擊下中國市場與全球股市的相依結(jié)構(gòu)在廣度上有所弱化，但在深度上有所增強(qiáng)；（3）新冠肺炎疫情暴發(fā)后全球大部分國家股市對中國市場的風(fēng)險溢出效應(yīng)均有不同程度的降低，境外金融風(fēng)險總體可控，中國股市的避風(fēng)港效應(yīng)已經(jīng)相對顯現(xiàn)。

本文的邊際貢獻(xiàn)主要包括以下幾個方面：第一，就研究方法而言，目前將MSGARCH 模型、極值理論和Regular Vine Copula 模型相結(jié)合來刻畫股市相依結(jié)構(gòu)的研究較少，本文擴(kuò)充了相關(guān)領(lǐng)域可選的研究方法；第二，利用CoVaR和CoES等指標(biāo)度量全球股市對中國市場風(fēng)險溢出效應(yīng)的研究數(shù)量有限，本文進(jìn)一步豐富了風(fēng)險溢出效應(yīng)的估算方式；第三，就研究內(nèi)容而言，本文從新冠肺炎疫情這一全球公共衛(wèi)生事件沖擊角度對中國與全球股市的相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)進(jìn)行實證研究，可為緩釋境外輸入性金融風(fēng)險、維護(hù)金融市場平穩(wěn)運(yùn)行提供參考。

二、研究方法

（一）過濾原始序列：MSGARCH 族模型

傳統(tǒng)GARCH（1，1）模型通常寫作如下形式：

式（1）中：rt和分別代表金融資產(chǎn)在t時刻的收益率和波動率；為擾動項；α1是ARCH 項系數(shù)，數(shù)值越大說明波動對沖擊的反應(yīng)越迅速；β1是GARCH 項系數(shù)；α1+β1共同衡量了沖擊的持久程度。本文借鑒Ardia 等的模型設(shè)定①Ardia D,Bluteau K,Boudt K,“Forecasting Risk with Markov-Switching GARCH Models:A Large-Scale Performance Study”，in International Journal of Forecasting,2018,Vol.34,No.4,pp.733—747.，在式（1）的基礎(chǔ)上引入?yún)^(qū)制狀態(tài)變量St，并假定其為馬爾科夫過程，同時考慮到金融市場對于利好與利空消息反應(yīng)具有非對稱性，因此本文進(jìn)一步引入杠桿效應(yīng)項，最終分別得到MSGARCH（1，1）族模型的均值方程和波動率方程如下：

式（2）是模型的均值方程，其中Ωt-1是t-1 時刻之前的所有信息集，代表均值為0、時變方差為、形狀參數(shù)為的連續(xù)分布。式（3）是模型的波動率方程，分別代表TGARCH（Threshold GARCH）、GJRGARCH 和EGARCH（Exponential GARCH）的條件方差。當(dāng)且僅當(dāng)模型狀態(tài)變化時，示性變量取1，否則取0。本模型的待估參數(shù)集，其中表示區(qū)制為k時杠桿效應(yīng)的大小。為了有效刻畫金融數(shù)據(jù)的尖峰厚尾和波動集聚等特征，本文同時選取正態(tài)分布、學(xué)生t分布、廣義誤差分布及其各自的有偏分布作為模型的條件分布，根據(jù)赤池信息準(zhǔn)則（AIC）選取最優(yōu)模型。不同條件分布的概率密度函數(shù)可參考Trottier 和Ardia 的研究。①Trottier D A,Ardia D,“Moments of Standardized Fernandez-Steel Skewed Distributions:Applications to the Estimation of GARCH-Type Models”，in Finance Research Letters,2016,Vol.18,pp.311—316.隨機(jī)狀態(tài)變量定義在離散空間上，為簡單起見，本文僅考慮k=2 時的情況，因此st的狀態(tài)轉(zhuǎn)移矩陣可寫作：

為了求解上述模型參數(shù)，通常使用最大似然法進(jìn)行估計。首先假定在t時刻區(qū)制為k、給定代估參數(shù)集Ψ和t-1 時刻歷史信息Ωt-1時，rt的密度函數(shù)為：

（二）擬合邊緣分布：EVT-POT 模型

極值理論是一種關(guān)注隨機(jī)變量序列尾部極值分布的統(tǒng)計方法，常見模型包括對大樣本分塊處理的BMM（Blocked Maxima Method）模型和對超過特定閾值重新擬合的POT（Peaks Over Threshold）模型。由于金融數(shù)據(jù)往往存在厚尾和非對稱性特征，采用正態(tài)分布度量尾部風(fēng)險時容易產(chǎn)生偏差，且本文主要關(guān)注與金融風(fēng)險溢出效應(yīng)相關(guān)的尾部特征，因此本文采用POT 模型，定義股指收益率的標(biāo)準(zhǔn)化殘差Zt超過閾值u部分的超分布函數(shù)如下式所示：

綜上，本文基于MSGARCH-EVT 模型過濾得到各國股票收益率的標(biāo)準(zhǔn)化殘差序列，最終構(gòu)建的邊緣分布函數(shù)具體形式為：

（三）刻畫相依結(jié)構(gòu)：R-Vine Copula 模型

傳統(tǒng)Copula 函數(shù)估計存在“維數(shù)詛咒”，大多研究只局限于二元Copula。Joe 提出了Pair Copula 方法，可以將n維Copula 分解為n（n-1）/2 個二元Copula 函數(shù)的乘積?；赑air Copula 理念，n維向量的聯(lián)合密度函數(shù)可寫作：

在高維模型中，Di βmann 等對上述理論進(jìn)行改進(jìn)，引入了Vine Copula 這一圖形建模方法，可更為直觀地展示多維隨機(jī)變量之間的相依結(jié)構(gòu)。①Di βmann J,Brechmann E C,Czado C,et al.,“Selecting and Estimating Regular Vine Copulae and Application to Financial Returns”，in Computational Statistics &Data Analysis,2013,Vol.59,pp.52—69.Vine Copula 模型包括Canonical Vine（C-Vine）、Drawable Vine（D-Vine）和Regular Vine（R-Vine）等類別，相較于星形結(jié)構(gòu)的C-Vine 和平行結(jié)構(gòu)的D-Vine，R-Vine 在刻畫變量的相依結(jié)構(gòu)時更為靈活多變，具有更廣泛的適用性②林宇、梁州、林子裊等：《基于高維R-vine Copula 的金融市場投資組合優(yōu)化研究》，《系統(tǒng)工程理論與實踐》2019 年第12 期，第3061—3072 頁。，因此本文主要基于R-Vine Copula 對金融數(shù)據(jù)進(jìn)行建模分析。

綜上，本文R-Vine Copula 模型參數(shù)的估計方法如下：

第一步，在利用MSGARCH-EVT 模型得到各國股票收益率的標(biāo)準(zhǔn)化殘差后，將數(shù)據(jù)轉(zhuǎn)化為（0，1）上的均勻分布，在此基礎(chǔ)上計算任意兩國股指序列間的Kendall’sτ系數(shù)，并根據(jù)最大生成樹法選取樹結(jié)構(gòu)，使其具有“最高相依性”。

第二步，利用極大似然估計及AIC 準(zhǔn)則確定樹中每條邊對應(yīng)的Copula 類型，常見的Copula 包括Gaussian（N）、Student’s t（t）、Clayton（C）、Gumbel（G）、Frank（F）、Joe（J）、Clayton-Gumbel（BB1）、Joe-Hu（BB6）、Joe-Clayton（BB7）、Joe-Frank（BB8）以及它們旋轉(zhuǎn)90°、180°和270°后的變形形式，并給出各國股票收益率之間的尾部相關(guān)系數(shù)。

第三步，不斷重復(fù)迭代上述步驟，直至所有樹結(jié)構(gòu)及參數(shù)確定。

圖1 五維R-Vine 結(jié)構(gòu)分解示意

（四）度量風(fēng)險溢出效應(yīng)：CoVaR 與CoES

VaR描述了金融資產(chǎn)在特定時期內(nèi)，在一定的置信水平下的最大可能損失，其定義如下：

為了消除量綱影響，更為直觀地展示全球不同股市對中國市場的風(fēng)險溢出效應(yīng)，可對ΔCoVaR進(jìn)行標(biāo)準(zhǔn)化處理，得到：

CoVaR只關(guān)注單一分位點上的風(fēng)險，不具有次可加性（Subadditive），而CoES指標(biāo)通過計算尾部損失均值，可以更為準(zhǔn)確地度量極值風(fēng)險溢出風(fēng)險總量大小。與CoVaR定義類似，其表達(dá)式如下所示：

同理，為了計算股市i對股市j的風(fēng)險溢出總量并比較不同境外股市的風(fēng)險貢獻(xiàn)值大小，分別計算ΔCoEs和%ΔCoEs，其表達(dá)式如下所示：

三、樣本選取及說明

為了研究新冠肺炎疫情沖擊下中國與全球股市的相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)，本文選取各國家和地區(qū)股票指數(shù)作為研究對象，樣本區(qū)間為2017 年1 月3 日至2020 年6 月30 日，所有數(shù)據(jù)均來源于CEIC 數(shù)據(jù)庫。

由于新冠肺炎疫情的暴發(fā)和擴(kuò)散具有時空不平衡性：2020 年1 月疫情首先在中國暴發(fā)，2 月下旬才陸續(xù)沖擊世界其他國家和地區(qū)，因此本文以2020 年1 月23 日武漢封城為時間分界線，重點關(guān)注2020 年1 月23 日至2020 年6 月30 日中國與全球股市的相依結(jié)構(gòu)和溢出效應(yīng)。同時，為了與疫情沖擊前形成對比，本文選取2017 年1 月3 日—2020 年1 月22 日的全球股票指數(shù)作為對照。本文的研究對象既涵蓋歐美等發(fā)達(dá)國家，也涵蓋包含印度、巴西等在內(nèi)的眾多新興市場，具有較好的代表性。最終選取樣本情況如表1 所示。

表1 樣本說明

此外，本文以中國股市交易日為基準(zhǔn)篩選原始數(shù)據(jù)集并剔除缺失值，對于其余國家和地區(qū)的缺失值則使用該國股市缺失值相鄰交易日的日收盤均價進(jìn)行插補(bǔ)，最終得到848 條樣本觀測值。本文對日度收盤價數(shù)據(jù)進(jìn)行一階對數(shù)差分處理，以得到日度股指收益率序列，處理公式如下式所示：

式（27）中：rt為t時刻股指收益率；Pt為t時刻股票價格。

四、實證結(jié)果

（一）描述性統(tǒng)計

本文首先對新冠肺炎疫情暴發(fā)后20 個國家和地區(qū)的股指數(shù)據(jù)進(jìn)行描述性統(tǒng)計，結(jié)果如表2 所示。數(shù)據(jù)顯示，大多數(shù)金融資產(chǎn)呈現(xiàn)出負(fù)偏、尖峰等典型特征，Jarque-Bera 檢驗結(jié)果顯示幾乎所有序列均滿足正態(tài)分布，ADF 檢驗結(jié)果表明一階對數(shù)差分后的收益率序列平穩(wěn)，Ljung-Box 檢驗結(jié)果表明多數(shù)收益率序列及其殘差下不存在自相關(guān)性，ARCH檢驗結(jié)果表明大部分收益率序列都存在顯著的波動集聚效應(yīng)。綜上，可以建立GARCH模型進(jìn)行后續(xù)分析。

表2 新冠肺炎疫情暴發(fā)后各國股指描述性統(tǒng)計①由于篇幅限制，本文未列出全樣本期及新冠疫情暴發(fā)前的描述性統(tǒng)計，感興趣的讀者可向作者索取。

（二）MSGARCH 族模型估計結(jié)果

接下來建立含馬爾科夫區(qū)制轉(zhuǎn)換的GJRGARCH 模型。令條件殘差服從正態(tài)分布、學(xué)生t分布、廣義誤差分布及各自的有偏分布形式，按照AIC 準(zhǔn)則選擇最優(yōu)模型，結(jié)果如表3 所示。通過對比不同區(qū)制下的參數(shù)估計結(jié)果可以發(fā)現(xiàn)，在區(qū)制1 下的各國（地區(qū)）股指主要表現(xiàn)出無條件波動率低、對負(fù)面沖擊反應(yīng)迅速、高波動持續(xù)時間短等特征，而區(qū)制2 主要表現(xiàn)為無條件波動率高、對負(fù)面沖擊反應(yīng)較慢、高波動持續(xù)時間長等特征，這一現(xiàn)象說明區(qū)制1 對于市場投資者來說屬于相對平靜期，區(qū)制2 屬于危機(jī)爆發(fā)期。此外，就杠桿效應(yīng)而言，危機(jī)時期以美、加、德、法等為代表的歐美市場對負(fù)面沖擊反應(yīng)更加強(qiáng)烈，平靜時期以巴西、印度、泰國、南非等為代表的新興國家的杠桿效應(yīng)較為突出。此外，從狀態(tài)轉(zhuǎn)移概率來說，美國、日本、法國、中國等的P11數(shù)值較大，P21數(shù)值較小，說明上述國家（地區(qū)）在保持股市平穩(wěn)運(yùn)行和抑制金融風(fēng)險驟增等方面展現(xiàn)出強(qiáng)大的優(yōu)勢和韌性。

表3 各股指MS(2)-GARCH(1,1)族模型結(jié)果①受篇幅所限，此處省略了各國波動率方程中的幾乎趨近于0 的常數(shù)項ωk。

與此同時，圖2 更為直觀地展示了模型的擬合結(jié)果。可以發(fā)現(xiàn)，較之于原始波動率（Real Vol，細(xì)實線），MSGARCH 模型所擬合的條件波動率（Fitted Vol，粗實線）可以更為細(xì)致地刻畫股指的真實波動情況，且各國危機(jī)期濾波概率（State Prob，虛線）曲線基本同高波動時期重合?？傮w來看，隨著近年來世界主要經(jīng)濟(jì)體貨幣政策的收緊，全球股市風(fēng)險加速釋放，各國股市波動明顯加劇。以中國內(nèi)地市場為例，近年來中美貿(mào)易摩擦對峙逐漸升級，呈現(xiàn)出常態(tài)化和復(fù)雜化趨勢，美國甚至將中國列為“匯率操縱國”，中美關(guān)系已經(jīng)成為中國經(jīng)濟(jì)不確定性的最大來源之一，因而A 股市場反復(fù)波動；與中國地緣聯(lián)系較為緊密的亞洲各國股市的高風(fēng)險時間區(qū)間也在不同程度上與中國保持一致。在歐洲市場，法國、德國、西班牙等國股市相對穩(wěn)定，受外部市場風(fēng)險溢出較少，在新冠肺炎疫情暴發(fā)前基本上處于低風(fēng)險狀態(tài)；英國由于深陷脫歐泥潭，避險情緒周期性推高，股市波動較為頻繁。綜上可知，上述國家在新冠肺炎疫情暴發(fā)前的區(qū)制特征與現(xiàn)實情況基本吻合，且均在疫情暴發(fā)后轉(zhuǎn)入高風(fēng)險狀態(tài)，表現(xiàn)出顯著的馬爾科夫區(qū)制轉(zhuǎn)換特征，因而MSGARCH 族模型的擬合效果較為理想，可以進(jìn)行后續(xù)分析。

圖2 各股指MSGARCH 族模型曲線

（三）極值理論

為了克服金融數(shù)據(jù)的尖峰厚尾和波動集聚等典型事實特征對分析結(jié)果的干擾，本文基于MSGARCH 模型過濾得到的標(biāo)準(zhǔn)化殘差序列，采用EVT-POT 方法對殘差的尾部序列重新擬合，使上下10%閾值以外部分的收益率殘差服從廣義帕累托分布（Pareto Lower Tail 和Pareto Upper Tail，圖3 中兩端虛線），其余部分仍保留經(jīng)驗分布（Kernel Smoothed Interior，圖3 中間實線），模型的參數(shù)估計結(jié)果如表4 所示。數(shù)據(jù)顯示，在新冠肺炎疫情暴發(fā)后下尾10%分位數(shù)顯著低于疫情暴發(fā)前階段，這在一定程度上反映了在疫情沖擊下眾多國家股市暴跌及熔斷給市場投資者造成了巨大損失。

表4 POT 參數(shù)

（續(xù)表4）

同時給出中國股指收益率標(biāo)準(zhǔn)化殘差序列的整體擬合曲線（Empirical CDF）①由于篇幅限制，本文僅列出中國市場收益率的擬合情況，對其余市場感興趣的讀者可向作者索取。，新冠肺炎疫情暴發(fā)前后兩個階段分別繪圖，結(jié)果如圖3 所示?？梢钥吹剑瑘D3（a）的經(jīng)驗分布曲線相較于圖3（b）更為平緩，符合新冠肺炎疫情暴發(fā)后股市暴跌導(dǎo)致的波動集聚特征，擬合結(jié)果較為良好。本文擬將擬合后的數(shù)據(jù)轉(zhuǎn)化為（0，1）上的均勻分布，在此基礎(chǔ)上構(gòu)建R-Vine Copula 模型。

圖3 中國股市標(biāo)準(zhǔn)化殘差整體擬合效果

（四）股市相依結(jié)構(gòu)

相依結(jié)構(gòu)準(zhǔn)確性是刻畫金融資產(chǎn)相關(guān)關(guān)系的關(guān)鍵，也是測度國際金融市場風(fēng)險溢出效應(yīng)的基礎(chǔ)。因此，本文基于上文處理得到獨(dú)立同分布的各國收益率標(biāo)準(zhǔn)化殘差序列，通過最大生成樹算法和極大似然估計，以Kendall’sτ系數(shù)為權(quán)重，構(gòu)建能夠描述20 個國家和地區(qū)股票市場相依結(jié)構(gòu)的最優(yōu)R-Vine Copula 模型，并區(qū)分新冠肺炎疫情暴發(fā)前后中國與全球股市相依結(jié)構(gòu)的異質(zhì)性。結(jié)果如圖4 所示②由于20 維R-Vine Copula 模型可以生成19 棵樹的結(jié)構(gòu)圖，受篇幅限制，本文僅給出基于各國股票收益率序列無條件相關(guān)系數(shù)的R-Vine Copula 模型結(jié)果（Tree 1）。。

圖4 中國與全球股市的相依結(jié)構(gòu)（Tree 1）

圖4 顯示，新冠肺炎疫情沖擊在一定程度上改變了中國與全球股市的相依結(jié)構(gòu)，使得中國股市與全球市場的相依結(jié)構(gòu)在廣度上有所降低，但在深度上顯著增強(qiáng)，而且中國香港作為中國金融市場連接世界的樞紐，在亞洲股市中始終居于核心地位。由圖4（a）可知，在疫情暴發(fā)前，中國內(nèi)地主要通過中國香港與全球股市相互連接，與新加坡、韓國、南非、泰國、馬來西亞和印度等國股市的相依度最高，可以認(rèn)為處于亞洲股市波動溢出的中心，這與Shu 等人的研究結(jié)論一致。①Shu C,He D,Dong J,“ Regional Pull vs Global Push Factors:China and US Influence on Asia Financial Markets”，in Journal of International Money and Finance,2018,Vol.87,pp.112—132.由圖4（b）可知，在疫情暴發(fā)后，一方面與中國香港直接相連的國家股市數(shù)量減少至3 個，泰國、印度和馬來西亞與中國香港的無條件相關(guān)系數(shù)降低，不再與中國香港直接連接，弱化了中國與全球市場的相依廣度；另一方面新加坡、韓國和南非始終與中國香港保持緊密連接，且相依度在疫情暴發(fā)后分別從0.44、0.42 和0.36 上升至0.58、0.59 和0.46，表明中國與部分市場的相依深度得到提高。

此外，縱觀全樣本期全球股市的關(guān)聯(lián)性可以發(fā)現(xiàn)，在疫情暴發(fā)前，歐亞美三大洲國家股市呈現(xiàn)出明顯的地緣集聚特征，亞洲、美洲和歐洲地區(qū)分別以中國香港、美國和法國為中心彼此聯(lián)結(jié)。在疫情暴發(fā)后，原本的放射形樹狀結(jié)構(gòu)趨于松散化，且中心市場扁平化程度有所上升，即多數(shù)國家不再與本地區(qū)核心市場直接相連。上述變化符合疫情暴發(fā)后全球股市因接連重挫而推高流動性風(fēng)險的理論邏輯：隨著疫情的快速蔓延，上游工業(yè)生產(chǎn)停滯，下游消費(fèi)需求萎縮，實體經(jīng)濟(jì)基本面受到劇烈沖擊，從而促使經(jīng)濟(jì)主體風(fēng)險偏好降低，交易資金和交易意愿觸底，外圍市場風(fēng)險敞口迅速拉大，金融市場流動性趨于枯竭。

為了更為清晰地展示R-Vine Copula 模型在刻畫股市相依結(jié)構(gòu)上的靈活性，本文根據(jù)AIC 準(zhǔn)則選取各國（地區(qū)）股市間的最佳Pair-Copula 函數(shù)類型，模型參數(shù)估計結(jié)果如表5 所示。①為方便記敘，分別以表1 樣本說明中的序號代替各國（地區(qū)）股票指數(shù)；受篇幅限制，僅展示中國內(nèi)地（1）和中國香港（7）與全球股市的非條件及條件相依結(jié)構(gòu)，并剔除與之相互獨(dú)立的股票指數(shù)；對于不同Copula函數(shù)特征的介紹可參考Joe 的研究；Par1 與Par2 均為Copula 函數(shù)的參數(shù)。

表5 R-Vine Copula 模型參數(shù)估計結(jié)果

（續(xù)表5）

在表5 中，Tree 1 代表非條件相依結(jié)構(gòu)，其余部分代表條件相依結(jié)構(gòu)，以Panel A 的Tree2 為例，10,7|16 表示給定韓國綜合指數(shù)（16）時，日經(jīng)225 指數(shù)（10）與香港恒生指數(shù)（7）的條件相依關(guān)系可通過旋轉(zhuǎn)180°的BB1 Copula 函數(shù)（SBB1）進(jìn)行刻畫，其Kendall’sτ的相關(guān)系數(shù)為0.174，尾部相關(guān)系數(shù)分別為0.110 和0.058。通過觀察可知，隨著條件變量數(shù)目的增加，R-Vine Copula 的相關(guān)性整體呈遞減趨勢。對比Panel A 和Panel B 的非條件相依結(jié)構(gòu)可以發(fā)現(xiàn)，在新冠肺炎疫情暴發(fā)后，部分與中國內(nèi)地和中國香港具備非條件相關(guān)關(guān)系的股票指數(shù)順位下降，轉(zhuǎn)移到Tree 2 及更高階的模型中；對比疫情前后的尾部相依性可以發(fā)現(xiàn)，疫情暴發(fā)后Tree 2 和Tree 3 的尾部相關(guān)系數(shù)明顯提升，符合2020 年3 月以來全球恐慌情緒在各國蔓延、國際金融風(fēng)險迅速積累的實際情況。

此外，表6 為R-Vine Copula、C-Vine Copula 和D-Vine Copula 模型擬合結(jié)果對比，可以發(fā)現(xiàn)無論是AIC、BIC 還是極大似然值，R-Vine Copula 模型擬合結(jié)果均優(yōu)于其余二者。綜上，R-Vine Copula 模型對于刻畫中國與全球股市的相依結(jié)構(gòu)具有顯著優(yōu)勢。

表6 不同Vine Copula 模型擬合結(jié)果對比

（五）風(fēng)險溢出效應(yīng)

最后，本文基于前文MSGARCH-EVT 模型所得到的各國（地區(qū)）股票收益率的VaR和ES數(shù)值，以及根據(jù)R-Vine Copula 模型所確定的各國股市間的最佳Copula 函數(shù)，計算19 個國家和地區(qū)股市對中國內(nèi)地股市的風(fēng)險溢出效應(yīng)。盡管不少研究同時將金融市場中的下行風(fēng)險和上行風(fēng)險納入統(tǒng)一分析框架①李政、梁琪、方意：《中國金融部門間系統(tǒng)性風(fēng)險溢出的監(jiān)測預(yù)警研究——基于下行和上行ΔCoES 指標(biāo)的實現(xiàn)與優(yōu)化》，《金融研究》2019 年第2 期，第40—58 頁。，但考慮到新冠肺炎疫情對金融市場的沖擊以負(fù)面為主，因此本文僅估算在5%分位數(shù)水平下的ΔCoVaR和ΔCoES值，結(jié)果如表7 所示。

表7 全球股市對中國的溢出效應(yīng)

首先對比疫情暴發(fā)前后的ΔCoVaR和%ΔCoVaR，可以發(fā)現(xiàn)大多數(shù)國家股市對中國的風(fēng)險溢出都有不同程度的下降或是持平，這表明我國在防范和緩釋境外輸入風(fēng)險方面取得了顯著成效。以新加坡為例，作為與中國存在密切地緣聯(lián)系和經(jīng)貿(mào)往來的東南亞國家，新加坡的資本市場與中國市場高度相關(guān)。早在疫情全球擴(kuò)散階段伊始，中國在做好自身防疫工作的同時，堅持內(nèi)外聯(lián)防聯(lián)控，與友好合作國家攜手抗疫，如和新加坡率先建立人員往來“快捷通道”，合力推動地區(qū)供應(yīng)鏈、產(chǎn)業(yè)鏈暢通，為構(gòu)建抗疫命運(yùn)共同體貢獻(xiàn)了中國智慧，彰顯了大國擔(dān)當(dāng)之余也緩和了外部經(jīng)濟(jì)下行壓力對國內(nèi)金融市場的沖擊。同時，中央經(jīng)濟(jì)工作會議將加快金融體制改革、完善多層次資本市場作為2020 年的重點工作之一，這對于防范外資需求過低所導(dǎo)致的經(jīng)濟(jì)增長風(fēng)險、疏通宏觀經(jīng)濟(jì)政策傳導(dǎo)機(jī)制、分散融資主體風(fēng)險具有重要意義。

由表7 還可見，馬來西亞、西班牙、英國等國的風(fēng)險溢出有所上升，這可能是因為馬來西亞與我國經(jīng)貿(mào)往來和跨國資本流動過于密切，且馬來西亞金融體系較為脆弱，難以有效抵御新冠肺炎疫情的沖擊，金融機(jī)構(gòu)和市場的防線被直接擊穿，從而使得風(fēng)險溢出；西班牙由于疫情管控措施缺位，幾度成為歐洲疫情“震中”，金融風(fēng)險持續(xù)累積乃至溢出；英國金融發(fā)展在疫情暴發(fā)前已受脫歐所累，經(jīng)濟(jì)增速不斷放緩，黑天鵝和灰犀牛事件頻發(fā)，加之在應(yīng)對疫情時首先提倡群體免疫對策使其深陷疫情泥潭，高風(fēng)險溢出不足為奇。另外，對比表7 中疫情暴發(fā)前后的ΔCoES和%ΔCoES可以發(fā)現(xiàn)，除了加拿大的條件期望損失有明顯上升外，基本結(jié)論與上述結(jié)果一致。

五、總結(jié)與建議

本文基于2017 年1 月3 日—2020 年6 月30 日全球主要股市的日度收盤價數(shù)據(jù)，對新冠肺炎疫情沖擊下中國與全球股市的相依結(jié)構(gòu)和風(fēng)險溢出效應(yīng)進(jìn)行實證分析。首先通過含馬爾科夫區(qū)制轉(zhuǎn)移的GARCH 族模型與EVT-POT 方法擬合原始資產(chǎn)收益率序列的邊緣分布，得到獨(dú)立同分布的股票收益率標(biāo)準(zhǔn)化殘差序列，然后利用Regular Vine Copula 模型并根據(jù)Kendall’sτ系數(shù)及AIC 準(zhǔn)則，對新冠肺炎疫情沖擊前后中國與全球股市的相依結(jié)構(gòu)進(jìn)行刻畫，最后基于中國與各國股市的最優(yōu)Copula 函數(shù)類型，計算ΔCoVaR、%ΔCoVaR、ΔCoES、%ΔCoES等四個指標(biāo)測度疫情暴發(fā)前后全球股市對中國市場的風(fēng)險溢出效應(yīng)。

研究發(fā)現(xiàn)：（1）新冠肺炎疫情沖擊前后的全球主要股票收益率具有馬爾科夫區(qū)制轉(zhuǎn)換特征，因此MSGARCH 模型和EVT-POT 方法可以有效擬合中國及全球股票收益率序列的典型事實特征，在此基礎(chǔ)上構(gòu)建的R-Vine copula 模型可以有效刻畫股市之間的相依結(jié)構(gòu)；（2）新冠肺炎疫情沖擊下中國與全球股市的相依結(jié)構(gòu)在廣度上有所弱化，但在深度上有所提高；（3）新冠肺炎疫情暴發(fā)后全球大部分國家股市對中國市場的風(fēng)險溢出效應(yīng)均有不同程度的降低，境外風(fēng)險總體可控，中國股市的避風(fēng)港效應(yīng)已經(jīng)相對顯現(xiàn)。

新冠肺炎疫情全球蔓延的態(tài)勢雖給我國金融市場帶來了巨大挑戰(zhàn)，同時也蘊(yùn)含著寶貴的歷史機(jī)遇。為此，本文提出如下對策建議。

第一，堅持疫情防控常態(tài)化的同時，加快保障生產(chǎn)經(jīng)營活動的有序開展，同時為疫情受災(zāi)企業(yè)提供稅收減免和財政補(bǔ)貼，降低企業(yè)經(jīng)營成本，避免供給端沖擊造成結(jié)構(gòu)性失業(yè)和社會不穩(wěn)定等現(xiàn)象。第二，實施更加積極有效的財政政策，加大財政政策的逆周期調(diào)節(jié)力度，不斷優(yōu)化支出結(jié)構(gòu)，適度提高財政赤字率和邊際利用率，持續(xù)刺激居民消費(fèi)，在新型基礎(chǔ)設(shè)施建設(shè)方面加大投資力度。第三，實施適度穩(wěn)健寬松的貨幣政策，密切關(guān)注中小微企業(yè)和民營企業(yè)的經(jīng)營狀況，通過定向再貸款、定向降準(zhǔn)、定向降息等措施保證相關(guān)企業(yè)的流動性，避免大水漫灌；此外還需時刻關(guān)注滯脹風(fēng)險，緩解金融機(jī)構(gòu)壓力。第四，嚴(yán)防嚴(yán)控境外輸入，做好重點地區(qū)來華人員的檢測和排查，同時加強(qiáng)國際抗疫合作，積極主動分享抗疫經(jīng)驗，為友邦鄰國提供抗疫物資支援，同時借助“一帶一路”平臺，在公共衛(wèi)生領(lǐng)域開展新的合作。