疫情冲击下国际股票市场风险传染效应研究

疫情冲击下国际股票市场风险传染效应研究

裴晓伟　顾浩煊　刘薇

南京邮电大学经济学院　江苏南京　210023

摘要:本文以此次全球新冠疫情事件为背景，运用ARMA-EGARCH-SKT模型刻画了11个股票指数收益率的边缘分布，并构建混合R-Vine Copula模型，分析了疫情冲击下国际股市的风险传染效应。研究结果表明：疫情冲击下，国际股市间Kendall秩相关系数和下尾相关系数明显上升，国际股市间直接和间接的风险传染效应均增强。其中，国际股市间非条件相依结构整体未发生明显变化，局部市场风险传染路径略微有所变动，但一阶条件相依结构与疫情发生前相比改变较大，股市间风险的间接传染路径与疫情发生前有所不同。

关键词:新冠疫情；股市风险传染；相依结构；R-Vine Copula

中图分类号:F831.51　　文献识别码:A　　文章编号:1673-58(2021)05-0114-03

一、引言

在经济全球化的背景下，各国以及各地区金融开放程度的加深使得国际金融机构和市场之间的联系日益密切，但与此同时，随着各国金融管制的放松以及国际金融市场上资本和信息的快速流动，金融风险传染效应在近年来不断显现，局部区域的金融风险事件更容易通过国际金融网络进行传播，最终演变为全球性的金融危机。2020年的全球新冠肺炎疫情事件使得全球经济陷入衰退，国际金融市场剧烈震荡，国际资本市场流动性严重不足，引发了严重的全球性金融波动。2020年3月，美国股票市场该月内所有交易日均呈现暴涨暴跌，包括4次一级熔断，同时，欧洲股市和亚洲股市也出现了暴涨暴跌。疫情冲击下，全球金融市场表现出明显的“齐涨共跌”现象，不同市场中的各类风险相互叠加放大，金融风险传染效应再次显现，全球金融系统稳定性面临严重考验。因此，研究此次疫情背景下的国际金融风险传染效应及传染路径将在一定程度上有利于防控危机的传染和波及，具有现实意义。

5种货币实际汇率之间的相依结构发生了变化。孙红梅等[7]通过构建C-VineCopula模型检验了欧洲金融危机传染的影响程度，发现欧洲市场对中国市场的风险传染路径以直接传递为主。

综上所述，运用基于Vine Copula的拓展模型来对国际金融市场间的风险传染效应进行分析是一种行之有效的方法，因此，本文基于此次疫情事件，运用混合R-Vine copula模型对疫情冲击下国际主要股票市场相依结构特点进行刻画，并从尾部相关性的角度分析国际股票市场风险传染效应，以帮助金融监管当局更好地防控风险传染。

三、混合R-VineCopula 模型构建(一)条件边缘分布模型构建

考虑到金融时间序列普遍存在波动集群、偏斜、高峰、厚尾以及条件方差波动的非对称性等特征，本文采用ARMA(p,q)-EGARCH(1,1)模型来刻画不同收益率序列的条件边缘分布，并假设各模型中残差序列服从偏斜t分布，具体形式如下：

二、文献综述

Copula函数及其相关拓展模型可以有效地描述市场间的非线性关系并捕捉对称或非对称的尾部风险传染效应，已被国内众多学者用来研究金融风险。张尧庭[1]率先引入了Copula族函数，验证了Copula函数在国内金融市场上的适用性。郭文伟等[2]通过构建动态MSCopula模型对沪、深、港股票市场之间的相依性状态转换特征进行研究，发现沪、港、深股市存在波动持续性和非对称性杠杆效应。王琳[3]将协变量因子引入Joe-Clayton Copula模型，考察了我国金融市场对国际其他金融市场的风险传染效应及其影响因素。

然而，在高维情况下，一般的多元Copula函数并不能准确地捕捉到大量资产之间复杂的相依结构。因此，学者们相继引入VineCopula模型，利用成对Copula作为基础模块，借助图网络来刻画高维度下金融时间序列间的相依结构。国内学者卢颖等[4]首先运用Vine结构模型，利用pair-copula分解式来分析多元变量间的相关结构。张帮正等[5]将GJR和EVT与Vine Copula模型结合，证明R型、D型与C型Vine-Copula模型均能有效刻画中国金融市场间的相关性。胡根华[6]基于混合规则藤Copula研究人民币与国外主要货币的尾部相依和联动性时发现，人民币“第一次汇改”前后与其他

式中，Xt为股指对数收益率序列，Фi，θj,为ARMA(p,q)模型的待估参数。εt-j(j=1,1,2,…)为对数收益率的残差序列。ξt服从偏斜t分布(SKT)，它刻画了序列εt的尖峰肥尾有偏的特性。其中待估参数ν，λ分别代表偏t分布的自由度和偏斜度。Inht是条件方差的对数，ω，α，β，γ为EGARCH(1,1)模型的待估参数。

(1)

(二)R-Vine Copula模型构建

Copula函数是一类可以将联合分布函数与它们各自的边缘分布函数连接在一起的函数，也被称为“连接函数”，设X=(X1,X2,…,Xn)为一组n维随机向量，根据Sklar定理，其联合分布函数F(x1,x2,…,xn)与边缘分布函数F1(x1),F2(x2),…,Fn(xn)有如下关系：

(2)114现代商业MODERN BUSINESS

其中(·)即为Copula函数，Copula作为一种基于非线性相关的模型，可以捕捉变量间非线性、非对称以及尾部相关关系和极值相关关系。由于多元Copula函数在拟合实际市场中的高维变量时暴露出较大缺陷，Bedford和Cooke[8]基于Copula函数可分解成一系列二维Copula函数乘积的性质，提出了基于图论思想的Vine结构，可以根据不同的分解规则将高维Copula函数分解成一系列不同类型的二元Copula函数的乘积。Vine结构中最具普适性的为R-Vine结构，一个包含n维变量的R-Vine结构可由n-1棵树组成，每棵树中的节点代表变量或条件变量，边则表示刻画他们之间相依关系的二元Copula函数，其中第i棵树边上表示的成对变量将成为第i+1棵树的节点。当第i棵树上的两边共用一个节点时，则这两条边作为节点在第i+1棵树上共用一条边，且该节点为二者相连的条件变量[9]。

具体构建过程中，本文采用最大生成树算法对R-Vine的第i棵树选择最优的分解结构，并按照AIC准则，以任意两节点间Kendall系数绝对值之和最大为目标，通过求解最优化问题，在给定的二元Copula族(Gaussian copula，t-copula，Clayton copula，Gumbel copula，Frank copula，Joe copula)中挑选出最优的连接节点间的Copula函数，利用两阶段极大似然估计法对各连接点间的Copula函数进行参数估计，最后将各Copula函数的估计结果带入第i+1棵树，重复上述步骤来确定第i+1棵树的结构及连接点间的Copula函数参数，直到迭代至完成最后一棵树的估计。

四、实证分析

(一)数据选取与说明

为了充分刻画疫情前后国际股票市场之间的联动性和风险传染机制，把握国际金融市场的波动特征和风险状况，本文基于股市规模和国际影响力，选取了来自亚洲、美洲、欧洲等的11个发达国家(地区)及新兴国家的股票指数每日收盘价作为样本，具体包括：亚洲的中国沪深300指数(HS300)、中国恒生指数(HIS)、日本日经225指数(N225)、韩国综合指数(KS11)、印度孟买(SENSEX)指数，美洲的美国标普500指数(SPX)、加拿大TSX指数，巴西IBOVESPA指数(BVSP)，欧洲的俄罗斯RTS指数(RTS)、反映欧元区国家整体行情的欧洲斯托克50指数(STOXX)以及澳大利亚标普200指数(AS51)。本文所选样本时间区间为2017年1月5日～2020年6月29日(数据来自Tushare金融数据库)，在剔除各交易市场不同步数据并对所得样本计算对数收益率后，得到650个收益率数据，日对数收益率计算公式为：

其中Pn,t表示市场n的股票指数在第t日的收盘价，Rn,t表示市场n的股票指数在第t日的对数收益率。

(二)描述性统计分析与相关检验

表1　11个股票市场指数收益率序列描述性统计分析

样本序列均值标准差偏度峰度JB统计量ADF检验LB统计量LM(1)检验HS3000.03061.31-0.443.84426.07***-11.07***3.61**22.84***HSI0.01441.30-0.682.99293.***-24.55***0.736.95**N2250.01781.37-0.296.31 1098.70***-6.39***3.94***108.04***KS110.00361.29-9.7811.243552.70***-6.95***12.34***.75***SENSEX0.04191.31-0.9812.974663.11***-6.56***9.67***241.26***SPX0.04561.47-1.4820.6811900.82***-7.05***25.05***250.81***SPTSX-0.03841.48-2.1523.43176.60***-6.27***42.85***96.12***BVSP0.06792.07-1.6117.418551.79***-14.88***6.46**301.13***RTS0.00801.92-1.13.155009.61***-8.441***5.41**79.60***STOXX-0.00401.40-1.9117.1013252.37***-7.23***13.16***104.21***AS51-0.00221.32-1.7115.306708.37***-7.15***11.***219.***注：*、**、***分别表示在10%、5%、1%的水平下显著。

由表1可知，样本区间内各股指对数收益率均接近于零，各收

金融视线 | Financial View益率序列分布均出现左偏现象，同时除中国恒生指数外，其余10个股指收益率序列峰度值均大于3，整体表现出“尖峰后尾”的特征。由Jarque-Bera检验结果可知，在1%显著性水平下，各股指收益率序列均不服从正态分布；由ADF检验结果可知，在1%显著性水平下，各股指收益率序列均为平稳序列；此外，通过进行Ljung-Box Q检验，发现除中国恒生指数收益率外，其余各序列均为非白噪声序列；同时，ARCH LM检验结果表明，各股指收益率序列均在不同显著性水平下表现出ARCH效应。

(三)边缘分布估计

基于上述分析和检验，本文对11组对数收益率序列建立ARMA(p,q)-EGARCH(1,1)-SKT模型，并结合AIC准则对除中国恒生指数收益率序列外的其余序列分别确定最优的ARMA(p,q)阶数，对各自最终的边缘分布模型进行参数估计。对于中国恒生指数收益率序列，由于其各阶内LB检验在10%显著性水平下仍不显著，故将其均值模型设定为常数模型。各边缘分布模型参数估计结果如表2所示。

表2　11个股票市场指数收益率序列边缘分布模型参数估计

样本ARCH(p,q)EGARCH(1,1)序列cAR1MA1MA2ωαβγνλHS3000.0687*-0.0358-0.010-0.0490.980***0.190***3.93***0.99***HSI0.03950.006--0.011**-0.131***0.968***0.067***5.12***0.***N2250.02430.009--0.020-0.151***0.961***0.169***3.49***0.96***KS110.0199-0.003--0.019-0.121***0.973***0.162***2.70***0.***SENSEX0.05110.058---0.006-0.201***0.963***0.133***6.45***0.*** SPX0.072***-0.927***0.0***--0.009-0.172***0.967***0.249***3.74***0.85***SPTSX-0.0188-0.118***0.0820**0.005-0.0300.952***0.347***5.02***0.99***BVSP0.0992*-0.949***0.944***-0.043*-0.116***0.947***0.195***5.33***0.90***RTS0.04390.580--0.022***-0.088***0.973***0.157***5.04***0.90***STOXX-0.0058-0.9***1.00***0.014***0.006-0.148***0.979***0.142***3.61***0.83***AS51-0.0055-1.000***0.997***-0.007 -0.136***0.974***0.149***3.23***0.78***注：*、**、***分别表示在10%、5%、1%的水平下显著。

根据估计得到的条件边缘分布，对2020年上半年疫情时期(2020年1月5日～2020年6月29日)的标准化残差序列进行概率积分变换，再对变换后的序列进行KS检验，结果表明各序列均不能拒绝零假设，即变换后的序列服从(0，1)均匀分布，另外，通过对

变换后序列的做自相关检验，发现变换后的各序列均不存在自相关，即变换后的各序列相互。综上表明，根据ARMA(p,q)-EGARCH(1,1)-SKT模型估计得到的条件边缘分布模型可以较好地拟合各序列的条件边缘分布，可以用其来构建R-Vine Copula模型。

(四)混合R-Vine Copula建模分析

根据各收益率序列确定的最优条件边缘分布，构建R-Vine Copula模型，对11个股票市场的相依结构进行刻画，从而研究亚、美、欧股票市场风险的传染机制。本文只对第一、二颗树进行分析。R-Vine结构如图1、图2及表3所示，其中，为便于记述，分别用用数字1～8分别代表上文中按顺序记录的8个股票指数。

MODERN BUSINESS

现代商业

115

Financial View| 金融视线

表3　疫情前与疫情时期R-Vine Copula模型参数估计疫情前疫情时期树边Copula边Copula2,1SG0.45-0.6,8C0.49-0.702,5SG0.29-0.3610,6t0.550.410.413,11SG0.36-0.449,7SJ0.31-0.4,3SG0.38-0.462,1SG0.55-0.12,4SG0.41-0.502,5t0.440.480.486,8t0.260.080.083,11t0.450.420.426,7SG0.30-0.374,3SG0.61-0.6910,6SG0.27-0.452,4F0.65--10,2SG0.23-0.2910,2SG0.47-0.5610,9SG0.24-0.3110,9C0.-0.745,1;2F-0.06--10,8;6N0.16--4,5;2N0.09--9,6;10N0.06--4,11;3t0.060.020.0210,7;9F0.08--2,3;4t0.180.030.0310,1;2N-0.09--210,4;2N0.09--10,5;2F0.21--7,8;6SJ0.05-0.124,11;3F0.19--10,7;6J270-0.01--2,3;4F0.22--2,6;10t0.110.020.0210,4;2SG0.17-0.229,2;10t0.150.020.029,2;10N0.11--注：SGCopula与SJCopula分别为Gumbel Copula与JoeCopula旋转180度所得；J270 Copula为Joe Copula旋转270度所得。

图1　疫情前非条件相依结构 　图2　疫情前一阶条件相依结构

图3　疫情时期非条件相依结构　图4　疫情时期一阶条件相依结构

首先，如表3及图1和图3所示，非条件R-Vine树结构表明，疫情时期全球金融市场整体仍呈现“分块相连”的结构，即各区域内部市场间相关性较高，并通过区域内金融中心与其他区域直接或间接联系。同时，疫情时期国际主要股票市场间的直接联系和间接联系整体上均较疫情前有所加强，且非条件相依结构中，加拿大股市由疫情前与美国股市直接相连变为与俄罗斯股市直接相连，同时由条件相依结构所反映的股市间间接关联变化较大。

具体来看，在非条件R-Vine树中，中国股市、欧洲股市和美国股市处于枢纽中心的地位，中国股市主要通过市场直接与欧洲市场相联系，并通过欧洲市场与美洲市场间接相连。市场与欧洲市场的Kendall秩相关系数为0.47，存在不对称的下尾相依结构，下尾相关系数为0.56。区域内部，股市与沪深股市的秩相关系数为0.55，存在非对称的下尾相依结构，下尾相关系数为0.。股市与韩国股市和印度股市的Kendall秩相关系数分别为0.65和0.44，且均存在对称的相依结构，但疫情期间和韩国股市间的波动对上下尾部变化不敏感。日本股市与韩国和澳大利亚的Kendall秩相关系数分别为0.65和0.45，且与韩国存在非对称下尾相依结构。欧洲股市与美国股市存在对称的上下尾相依结构，尾部相关系数为0.41，同时美国股市与巴西股市非对称下尾相依，相关系数为0.7，高于他们之间的Kendall秩相关系数0.49，面临更大的尾部风险。俄罗斯股市与欧盟成员国整体市场和加拿大市场的Kendall秩相关系数分别为0.和0.31，下尾相关系数分别为0.74和0.，均存在不对称的下尾相依结构。116

现代商业MODERN BUSINESS

其次，如表3及图2和图4所示，在条件R-Vine树中，在给定股市收益率变动的条件下，欧洲股市与韩国股市之间存在非对称的下尾相依结构，下尾相关系数为0.22；欧洲股市与中国沪深股市之间存在反向收益变动关系，Kendall秩相关系数为-0.09，且上下尾对称相依。此外，其他金融市场间均存在间接的同向且对称的传染效应。

五、结论

本文运用混合R-VineCopula方法，分别对2017年1月5日～2019年12月30日和2020年1月5日～2020年6月29日两段区间内全球11个股票市场收益率序列构建R-Vine结构，来研究新冠疫情前后国际股票市场相依结构特征的变化情况以及疫情冲击下国际金融市场中的风险传染效应，得出以下结论：

第一，由新冠疫情引发的全球性金融危机并未明显改变全球股票市场间的非条件相依结构，全球股票市场整体上仍呈现按区域聚集再通过各区域金融中心相连接的结构特征，且发达经济体间的Kendall秩相关系数高于新兴经济体。整体来看，中国股市、欧洲市场和美国股市仍分别是各自区域内的金融枢纽，局部金融波动正是通过这些枢纽直接或间接地向外波及。局部来看，疫情冲击下，加拿大股市与美国股市之间的相依结构被打破，而与俄罗斯股市表现出更强的下尾相依结构，这可能与美国在疫情危机加重后封锁美加边境，而俄罗斯和加拿大分别受欧洲和美国疫情蔓延影响，两国疫情加速扩散时期大致相同等原因有关。

第二，相比于疫情发生前市场间非条件相关关系刻画以SGCopula函数为主，疫情冲击下用来刻画各市场间相依关系的Copula函数呈现多样化，但主体上仍以非对称性Copula函数为主。除欧美间市场及印度间市场在此次疫情事件中表现出对称的上下尾相依结构外，多数股市间仍然延续着下尾相依结构，但各股市间Kendall秩相关系数和下尾相关系数明显上升，表明金融危机爆发时，市场之间的协同运动增强，一个金融市场的尾部波动更容易引发其他金融市场的波动，从而造成风险传染。

第三，疫情使得国际主要股票市场间的一阶条件相依结构变化较大，部分区域内部市场间风险的间接传染效应被跨区域市场之间的间接传染效应所取代，欧洲市场与其他股票市场的风险间接传染效应增大。此外，疫情期间一阶条件相依结构更合适用Frank Copula和Guassian Copula函数刻画，即间接市场之间尾部风险渐进。

参考文献：

[1]张尧庭.连接函数(copula)技术与金融风险分析[J].统计研究,2002(04):48-51.

[2]郭文伟,陈妍玲.沪、深、港股市相依状态转换及其危机传染效应研究[J].管理评论,2017,29(12):3-16.

[3]王琳.基于Joe-Clayton Copula模型的金融市场风险传染效应的统计考察[J].统计与决策,2020,36(11):119-124.

[4]卢颖,杜子平.基于pair-copula方法的高维相关结构构建[J].工业技术经济,2008(05):48-51.

[5]张帮正,魏宇,余江,李云红.基于EVT-Vine-copula的多市场相关性及投资组合选择研究[J].管理科学,2014,27(03):133-144.

[6]胡根华.人民币与国外主要货币的尾部相依和联动[J].统计研究,2015,32(05):40-46.

[7]孙红梅,朱伟琪,崔百胜.金融危机的传导效应——以欧洲金融危机为例[J].金融论坛,2018,23(01):16-26.

[8]Bedford T,Cooke R M.Probability Density Decomposition for Conditionally Dependent Random Variables Modeled by Vines[J].Annals of Mathematics and Artificial Intelligence,2001,32(1):245-268.[9]刘超,王淑娇,刘宸琦,刘思源.国际股票市场风险传染效应研究——来自2007～2018年15个股票市场数据[J].复杂系统与复杂性科学,2020,17(02):-66.

作者简介：

1.裴晓伟(通讯作者)，南京邮电大学经济学院，本科生。2.顾浩煊，南京邮电大学经济学院，本科生。

3.刘薇，南京邮电大学经济学院，本科生。