林妙，梁健枫，赖永涛
（中国人民银行江门市中心支行，广东江门529000）
摘要：近年来，由于经济贸易联系不断加强，不同经济体金融市场的联系也在不断加强。本文选取了1996—2019年美国、英国、德国、日本、中国香港地区、澳大利亚、中国七个经济体的金融市场数据，利用GARCH-MIDAS 模型分离长期和短期风险，并采用TVP-VAR 模型的脉冲响应函
数进行广义方差分解，构造波动溢出矩阵，衡量风险传递方向和程度以及经济体各自的溢出作用和吸收作用，分析风险相互传递的情况；通过计算出风险净溢出指数，分析经济体之间净溢出指数趋势的变化。本文选取市场行为和宏观经济基础两类指标，采用面板回归研究分析出长短期净溢出指数的影响因素，实证发现波动占比较大的短期风险的溢出比长期风险严重，而突发性金融事件会使得净溢出指数不断上升；在面板回归中，短期净溢出指数金融压力指数和汇率指数与短期净溢出指数之间呈现负相关关系，其余指标呈现正相关关系；市场行为对长期净溢出指数的影响不显著。 关键词：短期金融风险；长期金融风险；溢出吸收效应；影响因素DOI ：10.3969/j.issn.1003-9031.202
1.01.005中图分类号：F830.9文献标识码：A 文章编号：1003-9031（2021）01-0040-13
收稿日期：2020-11-25
作者简介：林妙（1982-），女，海南文昌人；梁健枫（1994-），男，广东江门人；赖永涛（1996-），男，广东
佛山人；以上作者均供职于中国人民银行江门市中心支行。
金融风险在国际金融市场中无处不在，当一国在出现金融事件或政策影响到金融市场时，会对其他经济体及地区产生一定的影响，进而快速地对他国金融市场产生影响的风险，故对风险分类、外溢方向、传递影响因素相关研究显得尤为重要。
一、文献综述
（一）金融风险溢出效应
马氏漏斗粘度计
Diebold&Yilmaz（2014）提出通过VAR模型计算出各个市场的收益率和波动率作为金融风险的测度。Singh（2016）利用Diebold&Yilmaz（2014）广义方差分解框架研究美国与金砖四国之间的成对波动溢出效应，发现了印度市场和美国市场没有强烈的净溢出效应，巴西和俄罗斯与美国市场之间存在强
大共同作用，中国与美国之间的溢出效应介于印度与俄罗斯和巴西之间。何德旭和苗文龙（2015）利用DCC-GARCH、DCC-EGARCH、DCC-TGARCH模型研究中美英德日5国的金融风险溢出效应和传导效应，发现金融市场周期的相关性会通过共振效应加大世界性系统风险。
（二）金融风险传递影响因素研究
Huang（2018）构造了宏观经济不确定性，通过研究经济不确定性的溢出性，发现美国对中国单向溢出，两国的不确定性都会对中国实体经济产生负面影响，但美国的不确定性影响更大。Shikimi&Yamada（2019）研究认为贸易会作为一种渠道影响金融危机的传播。Hoque& Zaidi（2019）利用马尔科夫区间转移模型，研究了2003年9月—2017年3月间全球经济政策不确定性（EPU）对不同股票市场的冲击，发现在高波动区间下，经济政策不确定性对股票市场产生了显著的影响。赵华和王杰（2018）研究了不同市场之间的溢出效应，认为经济景气一致指数、期限利差会对溢出指数均具有正向影响，而投资者情绪指数会对溢出指数有负向影响，这说明了宏观指标会对溢出指数造成影响。张喜艳和陈乐一（2018）研究政策不确定性的波动溢出效应时，发现汇率会对不同经济体经济不确定性产生正向影响，而物价指数会对经济不确定性产生负向影响，从侧面说明价格传染渠道会影响金融风险的传递。郑挺国和刘堂勇（2018）研究金融风险传递效应的影响因素，发现政策不确定性、货币政策、经济增长等宏观指标也会影响金融风险的传递，说明宏观变量会影响金融风险的传递；同时也研究了CPI、股市价格平均波动率对于净溢出指数的影响，从而探究市场因素对于金
融风险传递的影响因素大小。杨子晖等（2019）利用了混频向量自回归的方法发现经济政策不确定性会加重金融风险的联动，同时风险也会导致财政、货币、汇率和资本账户政策不确定变化。
上述文献研究金融风险在国际金融市场之间的传递关系和传递方向，有助于政策制定者关注重要性经济体风险溢出和风险吸收。但现有研究仍有以下未及之处：没有针对短期风险和长期风险进行区分，未充分研究溢出指数，少有结合多个方面研究金融风险的传递的影响因素。故本文先利用Engle et al.（2013）提出的GARCH-MIDAS建模提取长期波动和短期波动。然后通过Diebold&Yilmaz（2014）提出的广义方差分解方法和溢出指数计算出7个经济体之间风险传递的程度与方向，利用TVP-VAR脉冲响应函数的提前10期脉冲值构造不同经济体受到的冲击，加权平均后得到时变的冲击值，再利用Diebold&Yilmaz（2012）计算出每一个经济体的吸收指数和溢出指数。最后利用Kao&Chiang（2000）提出的FMOLS估计方法分析短期、长期净溢出指数的影响因素。
二、模型设定
（一）GARCH-MIDAS方法
本文利用GARCH-MIDAS方法计算金融市场的长期波动和短期波动测度结果，从而用于
后续的建模。假设向量r 是股指期货第t 个周期（周期有可能是月度、季度和年度等）里面的第i 天的
对数收益率。收益率的波动率至少可以分为两个成分，其中g i ，t 代表的是日度波动，与短期的因素有关；τt 是长期波动的，与未来预期现金流和未来折现率有关，提供了股市长期波动性的信息。本文构建出收益率的方程：
r i ，t =μ+τt ×g i ，t √εi,t ，
∀i=1，…，N t （1）
其中，εi,t |Φi-1，t ~N （0，1），Φi-1，t 是第t 个周期第i-1天之前所有的信息。假设短期波动g i ，t 服从GARCH （1，1）过程，则：
g i ，t =（1-α-β）+α（r i-1，t -μ）2
τt
+βg i-1，t
（2）
考虑周期t 的实际波动RV t ，使用MIDAS 回归和过滤平滑RV t 来构建τt ：
τt =m+θk k=1
∑φk （ω1，ω2）RV t-k
（3）RVt=N t
i=1∑r 2i ，t
（4）
其中，
φk （ω）=
k K ()ω1-1
1-k K ()ω2-1k
j=1
∑j
K ()ω1-1
1-j K
()ω2-1
ωk
/
k
j=1
∑ωj
(
)
，
Exp.Weighted ⎧
⎩
⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⎨⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐⏐，Beta （5）
权重的形式是Beta 函数的形式，根据式（1）—（5）可以得到固定时间区间的RVs 和参数空间Θ={μ，α，β，m ，θ，ω1，ω2}，且通过计算出来的波动率与参数得到波动的长期成分和短期成分，用于后续的研究与建模。
由于GARCH-MIDAS 方法所需要的数据量比较大，而月度数据数据量较少，计算出来的结果会不显著，且结果会有较大偏差。本文将考虑使用日度数据先计算出GARCH-MIDAS 的估计结果，再利用日度长期波动和短期波动，加总起来形成月度的长期波动和短期波动测度结果。
（二）时变波动溢出矩阵和溢出吸收指数的构建
本文参照Engle et al.（1990）使用向量自回归（VAR ）方法下的脉冲响应函数构造的溢出指数和吸收指数的方法，用TVP-VAR 方法代替传统的VAR 方法，通过构造一个线性非高斯状态空间模型，在样本中利用MCMC 算法随机抽样，模拟出是时变参数的条件后验分布从而估算该时间范围内系数的期望值，则可以构造出具有时变效应的波动溢出矩阵。TVP-VAR 模型表示为：
y t =Φ0，t +Φ1，t y t-1+Φ2，t y t-2+…+Φp ，t y t-p +εt
（6）
其中，t=p+1，p+2，…，t ，p 是滞后阶数，为样本，y t 是长度是N ×1维观测向量，Φt 为N ×1维截距向量，Φ1，t ，Φ2，t ，…，Φp ，t 都是N ×N 维时变滞后系数矩阵，εt 为方差可变的随机扰动项。令Φt =[Φ0，t ，Φ1，t ，Φ2，t ，…，Φp ，t ]，将矩阵Φt 的元素进行列堆积，于是有βt =vecr （Φ't ），其中vecr （·）为列堆积算子，βt 为（2p+N ）×1维系数向量。假设βt 服从随机游走过程：英译中
βt+1=βt +v t
（7）
其中，扰动项v t 为独立同分布的高斯白噪声，且v t ~N （0，∑β），∑β为非时变对角矩阵。记I t-1为第t-1期的可观测信息，且有εt |I t-1~N （0，∑β），∑t 为时变的条件协方差矩阵。将∑t 重新参数化，得到∑t =C t-1
t D t （C t-1
t ）′，其中C t 为对角元素等于1的下三角矩阵，D t 的对角元素拉直得到N ×1维方差向量σ2t 。记h t =ln σ2t ，
假设αt 和h t 均服从随机游走过程：αt =αt-1+ζt ，ht=h t-1+ζt
（8）
其中，扰动项ζt 和ξt 为独立同分布的高斯白噪声，且有ζt ~N （0，∑α）和ξt~N （0，∑h ），∑α和∑h 均为非时变对角矩阵。假设扰动项v t 、ζt 和ξt 相互独立，且均与εt 没有相关性。
根据Persaran ＆Shin （1998）利用脉冲响应函数进行广义方差分解，这种算法无需进行Cholesky 正交分解，克服了排序对结果的影响，也减少了多维变量进行TVP-VAR 运算时“维度爆炸”的影响。据此，本文利用TVP-VAR 后验估计系数β^t 重新排列的得到系数矩阵Φ^1，t +Φ^2，t +…+Φ^p ，t ，利用递推关系式可计算出对应TVP-VMA （∞）模型的系数矩阵A h ，t ：
A h ，t =Φ^1，t A h-1，t +Φ^2，t A h-2，t +…+Φ^
p ，t A h-p ，t
（9）
考虑H 步向前预测可相应地计算出H 个系数矩阵A 0，t ，A 1，t ，A 2，t ，…，A H-1，t 。进一步地，将TVP-VAR 的后验估计系数α^t 重新排列成下三角矩阵C ^t-1
t ，将随机波动率的估计结果h ^
t ，取平均值得到h ⎺，计算σ^=exh （h ⎺）并将其重新排列得到对角阵D ^，扰动项εt 的条件协方差矩阵估计值由Σ^＝C ^t-1
t D （C ^t-1
t ）'计算得到。基于Persaran 广义脉冲函数得到N ×N 维广义方差分解矩阵Θt ，矩
阵中的每个元素可由下面的公式计算得到，这就完成了TVP-VAR 模型下的波动溢出矩阵的构建：
θij ，t （H ）＝σ^ij ，t -1H-1
h=0
∑（e ′
i A ^h ，t ∑^t e j ）2/H-1h=0
∑（e ′i A ^h ，t ）∑^A ^h ，i e i
（10）
根据广义方差分解Diebold &Kamil （2012）提出了波动溢出指数的概念，本文利用式（6）—（10），构建溢出指数、吸收指数和净溢出指数，分析指数的特点，并用于后续的回归分析。
标准化每一个方差分解矩阵，则有：
θ~g
ij （H ）=θg ij （H ）N
j=1
∑θg ij （H ）
（11）
通过这样构造，可以得到N
j=1
∑θ~g
ij （H ）=1而且N
i ，j=1
∑θ~g
ij
（H ）=N 。接下来是总溢出的构造，总溢出的公式为：
S g
（H ）=N
杜家台分洪i ，j=1，i ≠j ∑
θ~g
ij （H ）N i ，j=1
∑θ
~g ij
（H ）×100=N
i ，j=1，i ≠j
∑θ~g
ij （H ）N
×100
（12）
可计算出波动性溢出的方向，从其他市场处得到的溢出为：
S g
i ·（H ）=N
j=1，j ≠i ∑θ
~g ij
（H ）N i ，j=1
∑θ
工程地质条件~g ij （H ）×100=
N
j=1，j ≠i
∑θ
~g ij
（H ）N
×100（13）
同理，波动性从市场向其他市场溢出为：
S g
·
i （H ）=N
j=1，j ≠i ∑θ
~g
ji
（H ）N i ，j=1
∑θ
~g ij （H ）×100=
N
j=1，j ≠i
∑θ
~g ji
（H ）N
×100（14）
那么净溢出为：
S g
i （H ）=S g .i （H ）-S g
i.（H ）
（15）
匹配净溢出为：
S g
ij （H ）=
θg
i （H
）N
i ，k=1∑θ~g ik （H ）-
θg
ij （H ）
N
j ，k=1
∑θ~g
jk
（H ）⎡
⎣
⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎤
⎦
⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥×100=θg il （H ）-θg
ij （H ）N [
]
徐新国
×100（16）
用于衡量市场i 向市场j 传递的总波动冲击与从j 向i 传递的总波动冲击之间的差。（三）面板设定
Kao &Chiang （2000）推导了面板协整回归模型的OLS ，FMOLS （Fully Modified OLS ）及DOLS （Dynamic OLS ）的估计量的渐近分布，证明OLS ，FMOLS 的估计量服从渐近正态分布，其回归模型为：
y it =αi +x ′
it β+u it ，i=1，2…
（17）
运用的极限理论为前面所述的序贯极限方式，即先趋向无穷然后趋向无穷。在解释变量不存在协整关系等假定条件下，β的OLS 估计量为：
βols =
N
i=1
∑T
i=1
∑
（x it -x ⎺i ）（x it -x ⎺i ）
′[]-1
N
城市雕塑网
i=1
∑T
t=1
∑
（x it -x ⎺i ）（y it -y ⎺i ）
[]
（18）
根据Kao ＆Chiang （2000），有
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议