基于预期损失测度的金融市场风险传染效应探究

时间： 2024-03-23 04:10     

摘   要

本文使用波动率加权的历史模拟法计算得到预期损失，以此度量金融市场风险，并通过分位数回归模型对市场间的非对称传染关系进行了定量分析，探究了我国金融市场中债券、股票、货币三个市场之间的风险传染效应及传染机制。继而，结合经济学原理及实际情况对实证研究结果进行了分析，以期为金融监管机构的风险调控提供参考。

关键词

风险测度预期损失风险传染分位数回归模型

引言

对金融监管机构而言，控制金融市场的系统性风险、防范化解重大风险是其重要任务。2021年12月31日，中国人民银行发布《宏观审慎政策指引（试行）》，将“风险评估”“传导机制”“积聚和传染系统性金融风险”等写入总则，体现了对风险测度和风险传染的高度关注。

本文使用波动率加权的历史模拟法计算我国债券、股票、货币市场的预期损失，对我国金融市场极端风险进行度量。在计算不同市场预期损失的基础上，通过分位数回归模型对2007—2022年市场间时变非对称的传染关系进行定量分析，并得出相应结论。在此基础上，结合经济学原理及实际情况分析各市场之间极端风险的传染机制。

本文的创新体现在两方面：一是使用波动率加权的历史模拟法计算预期损失来测度金融市场风险，其包含的极端风险信息更加充分；二是使用分位数回归模型对市场间极端风险传染关系进行定量分析，能够有效识别不同市场间的非对称传染关系。

文献综述

（一）金融市场风险测度文献综述

金融风险是金融市场交易者在金融活动中对未来结果不确定性的暴露，金融风险度量的目标是将金融市场未来的不确定性转化为具体数值，以进行风险管理。

Markowitz（1952）首次将均值-方差模型引入金融风险研究中，使用标的资产的标准差或方差直接衡量资产风险。Engle（1982）提出ARCH模型，对金融过程的波动率进行动态建模，改进了传统的静态波动率模型。使用方差或波动率对金融风险度量，其优点是计算简便、逻辑清晰，缺点是难以及时捕捉到极端风险的变动。摩根大通在1992年提出在险价值（VaR）概念。VaR指特定时间内，在给定置信区间资产或投资组合的最大可能损失：

VaRα=inf {l∈R：P（Loss<-l）≤1-α}， α∈（0，1）

作为度量极端风险的指标，VaR在文献中被广泛使用。但VaR的缺陷同样较为明显：第一，VaR是一个分位点，无法度量分位数点以外的尾部极端风险；第二，由于计算方法的缺陷，VaR不满足次可加性，当使用者通过最优化VaR来确定资产组合的极端风险时，可能会得到多个局部最优解，这会对实际使用造成困扰。

Acerbi等（2001）提出了一种改进的风险测度指标：预期损失（Expected Shortfall，以下简称ES）。ES表示在设定的分位数区间内的收益率均值：

ESα（X）=E[-X |X≤-VaRα（X）]， α∈（0，1）

从定义上看，相对于VaR，ES不是单一的分位点，而是尾部损失的均值，所有超过VaR的损失均被考虑计算，因此ES对尾部损失的计量是充分的。此外，ES满足单调、平移不变、正齐次、次可加等性质，具有更高的敏感度，相较VaR具有优势。

中国金融市场发展尚不成熟，金融市场有效性还有较大的提升空间，因此单一的概率分布假设从长期来看可能不符合中国金融市场的实际情况，使用纯参数法估计中国金融市场风险可能存在模型误设的风险。而VaR存在尾部风险度量不充分、不满足次可加性等缺陷。在对比各风险测度指标的优缺点后，本文采用ES来度量金融市场的风险水平。

（二）金融市场风险传染效应文献综述

鉴于历史上数次金融危机的传染效应对社会经济造成了严重影响，学术界对金融市场风险传染和溢出效应机制展开了持续研究。聚焦我国，伴随着金融市场有效性的提升及市场参与者的日益多元，相关学者对金融市场风险传染的研究结论呈现出多元化特征。

刘玚等（2020）通过MVMQ-CAViaR方法，分析了股票、债券、银行间市场的极端风险传染过程，结果显示股票和债券市场对银行间市场产生显著的单向极端风险溢出效应。而银行间市场对另外两个市场无极端风险传递效应，表明股票和债券市场的极端风险向银行间市场的传导过程具有不可逆性。谢福座（2010）使用分位数回归模型，结合条件风险价值法，对我国股票市场和债券市场的溢出效应进行考察，发现当分位数小于1.5%时，股票市场和债券市场存在双向风险溢出效应；而在1.5%~5%的分位数条件下，只有债券市场对股票市场存在溢出效应。田业钧（2016）讨论了信用风险的影响因素，并对信用风险的传染机理及路径进行了分析。

随着我国金融市场的发展，市场间壁垒的逐步消退，此前对金融市场风险传染的研究结果目前或已不适用。本文在计算金融市场风险ES的基础上，使用分位数回归模型，探究金融市场的风险传染效应及其背后的机制。

金融市场风险传染效应理论分析

关于金融风险传染效应的理论机制可以从宏观和微观两个角度进行分析。从宏观角度看，不同市场之间存在着共同的定价因素，如利率因子，导致各市场之间存在联动性。但仅靠单一因素难以解释市场间的复杂传染机制，因此需要结合微观理论展开讨论。微观理论强调金融市场风险的出现对投资者心理预期和资产配置行为的影响，主流的理论有3种：投资者羊群效应、财富效应和注意力配置效应，相关表述如表1所示。

金融市场风险传染效应实证研究

下文将计算我国债券市场、股票市场、货币市场的ES，通过分位数回归模型来研究我国金融市场的风险传染效应。

（一）数据说明

债券可以分为利率债和信用债两大类。利率债包括国债及政策性银行债等，利率风险直接影响其收益率。信用债一般为政府之外的主体发行的债券，如公司债、资产支持证券等，其收益同时包含了利率风险和信用风险。对债券市场而言，本文仅考虑利率风险，使用1年期国债到期收益率作为债券市场的风险测度数据。

本文选择上证综指代表股票市场的变动。相对于沪深300、中证1000等指数，上证综指包含的股票样本更为全面。本文基于上证综指点位值计算得到收益率序列，以此作为股票市场的风险测度数据。

货币市场的可选指标主要包括3个月期上海银行间同业拆放利率（Shibor）、银行间市场7天回购利率（R007）、银行间存款类金融机构以利率债为质押的7天期回购利率（DR007）等。其中，3个月期Shibor基于报价计算得到，并非真实成交；R007的参与主体较为复杂；DR007限定交易机构为存款类金融机构，且对质押品的要求较高，成交数据更加可靠。经综合考量，本文选择DR007作为货币市场的风险测度数据。

本文将数据时间跨度设定在2007年1月至2022年7月，在该区间内债券市场、股票市场和货币市场均经历多个周期，使用该时间跨度内数据得到的结论更加可靠。需要说明的是，由于DR007数据在2014年12月15日正式发布，之前缺失的数据，使用R007补足。

（二）ES的计算及描述性统计

本文使用波动率加权历史模拟法，选择60期（3个月）的时间窗口作滚动估计，计算1年期国债到期收益率、上证综指收益率、DR007序列的95%动态ES值，分别衡量债券、股票、货币市场的极端风险水平。从表2中可以看出，3个市场的ES值具有显著的正偏度，说明收益分布存在不对称性；数据具有显著的正峰度，即存在较大极端风险的厚尾分布。这些均符合中国金融市场的数据特点。

图1展示了3个市场的ES走势图。ES值能够较好地刻画市场极端风险。在2008年1—3月、2015年5—9月以及2018年1—10月），股票市场ES值均有明显的上升，同期上证综指走出单边下跌行情。债券市场ES和货币市场ES的走势呈现周期波动，基本在季末和春节走高，其原因可能为季末银行会受到考核压力，而春节期间资金面相对偏紧，导致市场走熊。此外，R007的波动性显著高于DR007，因此使用R007补足的数据，其ES值要显著高于使用DR007计算的ES值。

图2展示了股票市场VaR和ES的走势对比，可以看到ES值整体高于VaR，与ES的定义相一致，即ES考虑了分位数区间内全部极端值，相较VaR使用单一分位数刻画风险，ES的信息含量更高。从图2也可以看到，在部分时间点，ES值要显著高于VaR值，说明极端风险分布存在不对称性，此时使用ES刻画极端风险信息量更加充分。

（三）基于分位数回归的极端风险传染实证分析

一般的回归模型主要检验解释变量对被解释变量条件均值的影响。但对极端风险水平而言，风险是非对称分布的，不满足均值回归的相关假设。因此，本文使用分位数回归模型，对上述3个市场的极端风险传染效应进行检验，其基本模型为：

Qτ（ESat）=β1（τ）+β2（τ）ESat-1+β3（τ）ESbt-1+εt（τ）

其中τ∈（0，1）为分位数值，Qτ（·）为被解释变量的整体分位数，a和b分别代表不同市场。具体而言，先使用3个市场的ES作为被解释变量，以本市场与其他市场滞后一期的ES作为解释变量进行分位数回归。继而，将估计系数绘制分位数-系数折线图（见图3），以更好地展示系数走势。对不同分位数水平下的系数值进行Wald检验，均拒绝原假设，即3个市场对极端风险和非极端风险的贡献存在显著不同。

综合图3的展示结果，对实证结果分析如下：

1．债券市场与货币市场

货币市场对债券市场存在显著的风险正向传染效应，当债券市场自身风险较高（分位数超过70%）时，货币市场风险的扩大会加剧债券市场的风险，且债券市场风险越高，传染效应越强。

债券市场仅在货币市场风险较低（小于50%分位数）时，才会对货币市场产生正向风险传染效应。

2．债券市场与股票市场

债券市场对股票市场存在显著的风险正向传染效应。随着股票市场风险由小到大，传染效应呈现U形，即当股票市场处于熊市或牛市时，风险传染效应更强。

股票市场对债券市场的风险传染效应整体不显著，仅在债券市场风险处于30%分位数水平时存在负向风险传染效应。

3．货币市场与股票市场

货币市场对股票市场存在显著的风险正向传染效应。随着股票市场风险由小到大，传染效应呈现U形，即当股票市场处于熊市或牛市时，风险传染效应较强；当股票市场风险较高时，传染效应显著强于其他风险环境。

股票市场对货币市场的风险传染效应不显著，两市场间风险为单向传染关系。

（四）极端风险传染机制分析

将以上实证结果进行归纳，得到金融市场间风险传染路径图，如图4所示，按照灰色虚线箭头、黑色虚线箭头、双线箭头的顺序，风险传染效应的程度逐步增强。

1．货币市场对股票、债券市场的影响机制

货币市场是中央银行实施货币政策的重要载体，能够反映金融市场整体的资金面情况。股票市场和债券市场均受利率定价的直接影响，因此货币市场对债券市场和股票市场均有显著的风险传染效应。货币市场风险上升会导致利率上升或有上升预期，从资产组合配置效应的角度看，会降低股票和债券的配置价值，进而推升其风险水平。

2．股票、债券市场间的影响机制

债券市场的参与主体是机构投资者，而股票市场的参与者除机构投资者之外，还存在大量个人投资者。机构投资者在信息获取及分析方面相对个人投资者具有明显优势，因此当债券市场遭遇冲击并因此导致机构投资者投资行为发生变化时，股票市场受个人投资者的推动，容易对信息冲击超调，使得债券市场对股票市场造成显著冲击，表现为投资者羊群效应。

3．股票、债券市场对货币市场的影响机制

商业银行可以直接参与货币市场和债券市场的投资，而无法直接参与股票投资，因此受到参与者行为的影响，债券市场对货币市场的冲击会强于股票市场对货币市场的冲击。

稳健性检验

为保证模型的稳健性和结论的可靠性，本文进一步利用变量替换法和调整样本期两种方式，对上文的实证结果进行稳健性检验。进行变量替换时，本文使用相同参数（95%）估计得到的VaR，替代ES进行分位数回归。对于调整样本期，原样本期为2007—2022年，在稳健性检验时，本文将样本期调整为2013—2022年，进行分位数回归。两种稳健性检验方法的结果与图3所展示的结果基本一致。因此，本文使用的风险测度方法和分位数回归模型的分析结论具有稳健性，结论可靠。

结论

本文探究了金融市场的风险测度方法以及债券、股票、货币三个市场之间的风险传染机制，并结合实证研究结果，对我国金融市场风险传染机制进行了分析。研究发现，货币市场与债券市场存在双向风险传染效应，但货币市场的溢出效应更显著；债券市场与股票市场间虽存在双向传导效应，但债券市场的正向溢出效应更显著；货币市场对股票市场有单向风险传染效应。

防范金融子市场间的风险传染是控制金融市场系统性风险的重要任务之一，本文的结果可以为监管机构提供一定的参考。基于上述研究，建议金融监管部门重视流动性变化对市场风险的全局性影响，提高信息透明度，降低投资者羊群效应，以降低极端风险的传染效应。

参考文献

[1]刘玚，李政，刘浩杰． 中国金融市场间极端风险溢出的监测预警研究——基于MVMQ-CAViaR方法的实现[J]． 经济与管理研究，2020（2）：19-29．

[2]田业钧． 信用风险传染的影响因素、路径与机理[J]． 债券， 2016（6）： 48-50．

[3]谢福座． 基于CoVaR方法的金融风险溢出效应研究[J]． 金融发展研究，2010（6）：59-63．

[4]Acerbi C， Nordio C， Sirtori C． Expected Shortfall as a Tool for Financial Risk Management[J]． Quantitative Finance， 2001， 31（2）： 379-388．

[5]Calvo G A， Mendoza E G． Rational Contagion and the Globalization of Securities Markets[J]． Journal of International Economics， 2000， 51（1）： 79-113．

[6]Engle R F． Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation[J]． Econometrica， 1982， 50（4）： 987-1007．

[7]Markowitz H M． Portfolio Selection[J]． The Journal of Finance， 1952， 7（1）： 77-91．

[8]Mondria J． Financial Contagion Through Attention Reallocation： An Empirical Analysis[J]． SSRN Electronic Journal， 2006， 12．

[9]Xiong W． Convergence Trading with Wealth Effects： an Amplification Mechanism in Financial Markets[J]． Journal of Financial Economics， 2001， 62（2）： 247-292．

◇ 本文原载《债券》2024年2月刊

◇ 作者：中债估值中心金融工程部余啸东穆贝雳

◇ 编辑：鹿宁宁刘颖