结构突变下股票市场风险传染预测研究
陈 粘, 淳伟德, 淳正杰, 向启荣
(成都理工大学 管理科学学院,四川 成都 610059)
摘 要： 金融收益波动的结构突变广泛存在于金融市场中，准确识别出金融市场的结构突变点，判断金融市场是否存在发生风险危机的可能性，是研究金融市场的风险传染预测的关键所在。本文首次基于结构突变的视角以波动状态预测来进行金融市场风险传染预测研究。实证研究表明：各股票指数收益序列存在波动结构突变；基于R-Vine Copula下的HMM预测模型对股票指数收益序列的预测结构突变点呈现出了较为显著的前置性，从而也表明基于R-Vine Copula下HMM预测模型对波动状态预测的优越性；基于R-Vine Copula下HMM模型能够较为准确地预测出股票指数波动状态，从而表明波动状态预测能够显著提升对股票市场风险传染预测的准确性。
关键词： 结构突变；结构相依；风险传染；预测波动状态
1 引言
强化金融市场风险管理，不仅是广大投资主体应该时刻关注的重要问题，更是国家维护市场稳定、促进经济健康发展的重要手段[1]。随着市场经济的迅猛发展与全球经济的空前一体化，国际间经济相互联系日益紧密，金融市场的风险危机可能在不同金融市场间相互传染，甚至诱发全球性的金融危机[2]。因此，准确预测出金融市场间的风险传染关系，对于维护国家经济安全，促进经济繁荣，保持社会和谐稳定，都具有极其重要的理论价值和实践意义。
从理论上来讲，金融收益序列的波动变化应该是一个稳定过程，然而由于受到国际或国内重大经济、政治事件的冲击，使得金融市场发生显著的波动结构突变，引发金融市场发生相似波动结构变化[3]。因此，金融市场波动结构突变是金融市场发生风险传染的前提条件。
每个人距离幸福都很近，也明白怎样获得幸福，但在匆忙的生活中，我们往往会忽略了一些初心。正如霍金虽然困在轮椅上，但他还拥有聪明的大脑，还有三根可以活动的手指和一颗感恩的心，这就是莫大的幸福。
大量研究表明，波动结构突变预测关键是对波动状态进行准确预测[4]。目前常用方法是马尔科夫机制转换(Markov Regime Switching, MRS)模型，是基于收益率均值来进行主观刻画，可能误判其波动状态，导致结构突变预测的失败[5]。针对MRS模型的不足，本文引入隐马尔科夫模型(Hidden Markov Models, HMM)来进行波动状态预测。HMM是由一个双内嵌式的随机过程来对其波动状态进行拟合，能够消除主观因素对波动状态的误判，使得预测波动状态更加准确，确保风险传染预测的可靠性[6]。
此外，金融市场波动结构突变预测不仅受到自身金融市场的影响，也受到市场相依性的制约。传统相依关系研究主要使用线性方法，但由于金融市场之间更多体现为非线性关系，使得传统方法存在明显的缺陷[7～9]。近年来，大量学者引入Copula方法来刻画金融市场间的相依关系，Copula能够有效地克服传统方法所存在的缺陷，并为这一领域提供了新的研究思路。主要模型为二元Copula与多元Copula模型，能够较好地刻画相依关系，但存在“维数诅咒”与结构单一的缺陷，使得常规Copula模型也面临着“先天不足”[10～13]。有鉴于此，BedFord和Cooks[13]提出了R-Vine Copula(Regular-Vine Copula)模型来刻画金融市场间复杂的相依关系。R-Vine Copula模型不仅能够有效描述多维市场间的相依关系，更为重要的是允许金融市场间存在不同的相依结构[14]。
迄今为止，许多学者对金融市场风险传染进行研究。郭文伟[15]通过使用R-Vine Copula模型刻画了国内外股票市场间的相依关系，论证了香港股市、新加坡股市、德国股市和美国股市在国际股市中起到了枢纽中心的作用，是危机传染向外扩散的关键节点。马锋等[16]基于Vine Copula方法对股票市场进行动态组合VaR预测研究，实证表明Vine Copula模型能够刻画真实市场间的相依结构。黄文彬等[17]基于次贷与欧债危机对欧美股票市场与中国股票市场间的风险传染效应开展研究。Acar等[18]基于动态Vine Copula模型研究汇率市场相依性，结果表明相关性的时间变化通常与金融危机或其他经济事件的时间一致。Brechman和Czado[19]对欧洲Euro Stoxx50及其成分股、美国道琼斯指数间的相依关系进行研究，表明美国股市对欧洲股市具有更强的相依影响。虽然已有研究都取得了显著成效，但他们均没有将结构突变纳入风险传染研究。本文创新性主要体现在：不仅首次以结构突变作为风险传染预测研究视角，更为重要的是，基于R-Vine Copula模型对金融市场相依关系刻画下，引入了HMM方法对金融市场结构突变进行预测研究，进一步分析了风险传染产生的原因及其传染路径。
2 模型构建
2.1 金融市场结构突变预测模型构建
大量研究表明，金融收益波动的结构突变广泛存在于金融市场中，而准确识别出金融市场的结构突变点，判断出金融市场具备发生风险危机的可能性，是预测金融市场风险传染的必要前提[5,12]。因此，开展金融风险传染预测研究，必须先对金融市场的波动结构突变进行有效识别。
作为太原名吃之首的“头脑”，其养生健身功能不可小视：羊肉性热补虚，莲藕清热化痰，山药补脾除湿，黄芪性温健肺，腌韭健胃助阳，良姜温脾祛寒……一道地方名吃，其背后竟然蕴藏着这么厚重的饮食文化和中医文化，难怪久吃不衰、闻名遐尔了！
由于金融市场的结构突变就存在于其波动转换之间，而要对金融市场进行准确的风险传染预测研究，就必须先构建模型描述金融市场波动结构，进而探究金融市场是否存在结构突变[20,21]。因此，本文引入HMM模型来对金融市场波动状态进行刻画，预测出其结构突变点，为准确预测出不同金融市场风险传染提供理论依据。
因此，通过构建HMM模型得到了金融资产m 的波动状态，从而可得到HMM测度模型下的各金融市场的结构突变，进而为结构突变下金融市场风险传染预测研究奠定坚实的理论基础。
a m,ij =p m {s t =j |s t-1 =i }
(1)
(2)
B m 表示当金融资产m 的收益率处于状态i 时,其收益率对应的观察值概率分布,且B m ={b m,i (k )},其中b m,i (k )=p m {r t =v k |s t =i },且观察值v k ∈(-∞,+∞);π m 表示金融资产m 的收益率序列的初始状态概率分布值,有π m ={π m,i |π m,i =p m {s t =i },i =1,2};隐状态集合为S m ={s m,1 ,s m,2 }，隐状态序列为Q ={q 1,q 2,…,q t }。
其次,采用EM算法对金融资产m 的收益率观测序列O m ={O m,1 ,O m,2 ,…,O m,t }进行估计,从而得到金融资产m 的HMM模型参数
即寻找λ m,ML ={A m ,B m ,π m }使得似然值f (O |λ )达到最大。
最后, 根据各金融资产下的HMM参数λ m,ML 采用Viterbi算法估计最佳隐状态序列Q m ={q m,1 ，q m,2 ,…,q m,t }。
首先，将金融资产m 的收益率序列定义为一个观测序列为O m ={O m,1 ,O m,2 ,…,O m,t }。又由HMM模型可知, 要对金融资产m 的波动状态进行刻画, 就需要对HMM模型参数λ m ={A m ,B m ,π m }进行建模分析,其中A m 表示金融资产m 的波动状态间的转移概率,且A m =(a m,ij ),满足如下条件：
2.2 金融市场间相依关系测度模型构建
要准确地预测出金融市场间的风险传染关系，就需要先对金融市场间的相依关系进行研究。然而，无论是二元Copula模型，还是多元Copula模型在风险传染研究中可能存在市场“维数诅咒”或相依结构单一的缺陷。在此背景下，BedFord和Cooks[13]基于图论的思想构建了R-Vine Copula来刻画金融市场风险传染关系。R-Vine Copula模型不仅能够克服一般Copula的“维数诅咒”，也能解决多元Copula、C-Vine Copula以及D-Vine Copula模型在风险传染研究中对于相依结构的限制。因此，本文基于HMM模型对结构突变研究的基础上，引入了R-Vine Copula模型对金融市场风险传染进行研究。
由于Vine Copula模型分解规则的不同，使得Vine函数呈现出不同的树结构，进而影响金融资产间相依关系测度的准确性。为了更加直接地展示R-Vine Copula模型在股票指数收益序列相依关系刻画的合理性与优越性，还将使用似然值LL、AIC和BIC值以及Vuong[25]提出的基于似然比率方法来检验不同Vine Copula模型对股票指数间相依结构拟合可靠性。
根据Sklar定理，假设存在n 维变量X =(x 1,x 2,…,x n )，其联合密度函数为
(3)
其中C 1,2,…,n (·)表示n 维Copula密度函数，F n (·)表示边缘密度函数。
由于本文的金融风险传染预测研究是基于波动结构突变预测展开研究的，而对其结构突变预测的关键在于对其预测波动状态的准确性检验[23]。又由于HMM模型得到的金融波动状态值是离散值，因此采用Pesaran和Timmermann[24]提出的成功率(Success Rate, SR )来检验预测波动状态，并构建函数I t
2.3 基于R -Vine Copula 的蒙特卡洛波动状态预测模型构建
由于本文的风险传染预测研究是基于波动状态预测的研究，而波动状态不仅受到自身收益率的影响，也受到金融市场间相依关系的影响[22]。
从而, 可得到SR 检验表达式为
其中n 表示预测样本个数，q t 表示t 时刻股票指数收益序列的波动状态测度值，Q t 表示t 时刻股票指数收益序列的波动状态预测值。当SR 值达到75%时，HMM模型对波动状态预测具有较高的准确性，且SR 值越大，则表示波动状态预测准确性越高，反之，则表示波动状态预测准确性越低。
她拥有难以计数的珍贵的海洋生物，蕴藏着极为丰富的矿产资源，贮存了用之不竭的海洋动力。[难以计数 蕴藏 用之不竭]
(2)由于收益序列m 的状态序列s m,i ，观测序列O m 服从概率分布F m,i (k )，且第t +1时刻状态预测值为
其中E (F m,j k )为观测序列概率分布F m,j (k )的期望值。
性状:加工品呈长椭圆形,有的已压扁,与天麻很相似。长4-9cm,直径1.5-2.5cm。去皮的表面灰棕色,半透明,未去皮的棕黄色,环节明显,有不规则沟纹及皱纹;并有须根痕。顶端有残留的茎基,下端略尖细。质坚硬,不易折断,断面灰白色或黄白色,半角质样。气微,味微甜。
(3)应用EM算法对收益序列m 的观测序列O m 进行估计，从而得到一次HMM模型参数λ m,ML 。
(4)根据HMM模型λ m,ML 采用Viterbi算法估计一次的最佳隐状态q m,t +1。
(5)使用蒙特卡洛模拟法重复上述过程(1)～(4)，得到t +1时刻的参数λ m,ML 与最佳隐状态q m,t +1。
(6)以此类推，按照(1)～(5)的模型参数估计过程，从而获得股票指数收益序列的最佳波动状态序列Q m ={q m,t +1,q m,t +2,…,q m,t +n }。
通过上述研究方法，结合R-Vine Copula模型下金融收益序列的相依关系，使用蒙特卡洛模拟法得到结构突变下金融收益序列的最佳预测波动状态，并基于预测波动状态来对金融市场进行风险传染预测研究。
已有研究表明通过改变灾害发生的区域，构建不同的模拟试验组，来分析不同国家和地区制造业受到同样程度的破坏下，给全球其他国家和地区带来间接经济损失的不同[1].不同的国家与地区在全球生产链、供应链中的地位和作用不同，在受到相同强度的自然灾害打击时产生的全球性经济影响也不同.通过构建不同的模拟试验组，发现不同区域的制造业即使受到相同程度的直接经济损失，其所造成的全球性经济影响的产业构成情况存在差异.由于不同国家和地区对区域内部产业的依赖性不同，在遭受灾害打击后产生的跨区域影响也不同，对区域内部产业依赖性小的国家和地区遭受灾害打击往往使其他区域的部门生产受到的影响更大[2].
3 金融市场风险传染可靠性检验方法构建
然而，由于n 维市场的R-Vine结构具有
种Vine结构，而随着维数的增加，其结构形式将成几何级数增长，且不同结构又具有不同的适用范围。因此，本文将采用RVM矩阵来估计R-Vine结构，测度出股票市场相依关系，为金融市场风险传染预测研究奠定基础。
(4)
借鉴HMM预测模型以及R-Vine Copula模型建模思想，构建基于R-Vine Copula下的HMM波动状态预测模型，进而开展风险传染预测研究。利用各股票指数收益序列前t 期的数据，估计出R-Vine Copula模型参数，得到各股票指数收益序列的相依关系函数C (x 1,x 2,…,x n )，并分解出各股票指数收益序列分布函数F m (X )。具体运行过程如下：
(5)
(1)设t 时刻的股票指数益序列m 的隐状态为q m,t =s m,i ，又由于隐状态序列Q m ={q m,1 ,q m,2 ,…,q m,t }服从转移概率矩阵为A 的Markov过程，结合R-Vine Copula模型下的股票指数益序列m 的分布函数F m (X )，可得到股票指数收益序列m 从t 时刻转移到t +h 时刻，转移矩阵为
因此金融资产收益序列m 从t 时刻状态为q m,t =s m,i 转移到t +1时刻状态q m,t +1=s m,j 的概率为
即为金融资产收益序列m 的矩阵
的第i 行j 列元素。
4 实证分析
4.1 样本数据说明与描述性统计
本文以纳斯达克指数(IXIC)、富时100指数(FTSE100)、日经225指数(N225)、韩国综合指数(KS11)、香港恒生指数(HSI)、上证综合指数(SHI)以及深证成指(SZI)共计7个重要股票指数为研究对象，样本数据区间为2010年1月4日至2018年6月29日的日收盘价(数据来源：Wind数据库)。由于每个股票市场的交易时间并不完全一致，本文剔除交易时间不一致的数据，分别得到了2063个样本数据。其中将2018年1月2日至2018年6月29日共计120个数据作为预测数据。
为落实安全生产“百日攻坚”行动，健全安全生产风险防控和隐患排查治理双重预防机制。11月27日，四师六十一团党委领导带领团经发办、城镇管理中心、农业发展中心、社会事务办公室等相关工作人员，对该团社区、水管所、幼儿园、养老院、酒店、农药店、民营企业、水库等重点防范部位和10个连队进行了为期四天的安全生产大检查。
从数据结果可知，7只股票指数收益率序列中除了上证综指与深证成指，其余股票指数收益率均值为正，而上证综指与深证成指呈现出了较大的标准差，表明上证综指与深证成指可能存在更加剧烈波动幅度；所有股票指数均出现了较为明显的左偏分布和尖峰特征。而从J-B检验结果来看，所有股票指数均显著拒绝了原假设，表明所有股票指数均不服从正态分布。LM(5)的检验结果表明，所有股票指数的收益率序列都存在明显的ARCH效应，即均存在波动聚集效应。从总体上来看，所有股票市场都表现出了显著的尖峰、左厚尾以及波动聚集效应等特征，尤其上证综指与深证成指呈现出了更强的波动性，因而更可能与其他金融市场发生风险传染，也说明了对中国股票市场风险传染预测研究的必要性。
4.2 基于波动状态的各股票指数结构突变点测度研究
由于准确识别出金融市场的结构突变点，是研究金融市场风险传染的前提。因此，本文引入HMM对不同股票市场的波动状态进行刻画，并基于结构突变点的视角来探讨不同股票市场间可能存在的相依关系，以保证对股票市场风险传染预测研究的准确性。
通过研究可知，全部股票指数的波动状态都存在较为明显的结构突变，且各股票指数收益序列的结构突变点从时间上来看存在一定的联系，因此这些股票市场可能风险传染关系。由于IXIC和FTSE100指数的波动状态中所呈现出了相似的变化趋势，表明美国和英国的股票市场存在明显的相依关系；而N225、KS11以及HSI指数的波动状态的变化趋势具有一定的相似性，表明日本、韩国、以及香港地区的股票市场可能呈现出了较高的相依关系。然而，对于中国国内的股票市场而言，上证综指和深证成指的波动状态变化趋势在前期与欧美股市的波动变化趋势更加相似，但在后期却与日韩等亚太股市的波动状态的变化趋势相近，从而表明中国国内股市在前期发生的风险危机可能是欧美等国金融市场传染的，而由于近年与日韩等国金融交往的日益频繁，其市场相依关系更加紧密，导致近年来中国与日韩等国更加可能发生风险传染。因此，通过HMM模型对各金融市场股票指数的波动状态的刻画，得到了各个股票指数的结构突变点，初步判断出各金融市场的结构突变是如何在金融市场中进行风险传染的，为结构突变下的风险传染奠定了理论基础。
4.3 基于R -Vine -Copula 的股票市场风险传染预测研究
4.3.1 波动模型参数估计结果
由对数的恒等式和运算法则logaMn=nlogaM(a>0，且a≠1，M>0，n∈R)可以证明对数的换底公式[9]．
虽然各股票指数收益序列可能存在风险传染，但却未明晰各股票市场风险传染关系。然而，要采用R-Vine Copula模型来探究各金融市场风险传染关系，需要先对其波动率进行描述。因此，基于HMM模型构建EGARCH(1,1)-SKT模型来对股票指数收益残差序列进行刻画，为R-Vine Copula模型下的市场间相依关系研究奠定基础。
表1 HMM-EGARCH(1,1)-SKT模型的参数估计
注:*p <0.1,**p <0.05。
由表1可知，不同波动状态下的7只股票指数收益率均值μ 均不为0，且具有显著的差异，表明这7只股票指数呈现出了明显的高低波动状态，同时既证明了这7只股票指数存在结构突变点，也间接论证基于结构突变对股票市场风险传染研究的必要性。
进一步对表1分析可知，在不同波动状态下参数γ 均显著，表明这7只股票指数的波动率呈现出了较强的波动持续性，从而说明这些股票指数不仅受到自身市场的信息影响，也可能受到了其他金融市场的冲击，可能导致其波动率的持续性增强。此外，所有股票指数的K-S值均大于0.05，从而表明各股票指数收益序列均接受原假设，即变换后收益序列均服从(0,1)均匀分布，同时也表明HMM-EGARCH(1,1)模型能够较好地拟合这7只股票指数的残差序列，确保了结构突变下的风险传染预测研究的有效性。
阅读译文后会发现，这段翻译旨在向原文文意无限靠近，因为这样一个场景并不受地域或文化约束，按照原意一本正经地翻译，告诉大家这个“秘诀”才最能体现反讽语气，译文如下：
4.3.2 R-Vine Copula函数选取与估计
由于在HMM模型下7只股票指数收益序列均存在波动结构突变，证明了股票市场间存在发生风险传染的可能性，需要进一步分析股票指数间的相依关系。由于不同Vine结构对应着不同Copula函数，因此需要选取适当的Copula函数形式，以确保在高维金融市场风险传染预测研究的准确性。
表2 R-Vine Copula树结构的分解及相关系数
注：数字1～7分别代表IXIC、FTSE100、N225、KS11、HSI、SHI以及SZI。
从表2可以看出，在第一层树结构中的各股票指数收益序列相依关系主要是通过Student Copula函数来刻画的，且其相依系数均大于0.32，从而表明各股票指数收益序列间均呈现出了较强的的正相依关系。
然而，在第二层树结构中4,1|3，即KS11与IXIC在N225下的相依系数为-0.1650，表明在日本股市条件下韩国股市与美国股市间呈现出了一定的负向相依关系，且美国股市与韩国股市间的相依关系明显弱于其他股市的相依关系。而在第四层与第五层树结构中可以看出，日本股市、韩国股市与中国大陆股市的相依关系均为正向相依关系，且均大于0.5，表明日本与韩国股市对中国大陆股市相依关系强于除香港股市外的其他股市，也验证了HMM模型下波动状态测度结果，中国股市在近年来受到日韩股市影响更加明显，导致中国大陆股市与日韩股市间的相依关系明显增强。
第二，要大力推行农业节水。我举个简单的例子，比如一亩地的灌溉定额是400 m3水，1 m3水的水价是0.1元，农民一亩地要交40元钱。如果通过大力发展节水灌溉，把亩用水的定额降到200 m3，水费提到0.2元钱1 m3，农民的支出负担仍然是40元钱，没有增加，但是水资源却大幅度地节约了。所以水价的改革要和节水同步推进。
制定计划阶段是让学生对项目学习活动的进度有一个总体的掌握，同时也有利于教师在整个普通话教学中对项目学习有更好的引导、推进和点评。在制定计划时应遵循规范、引领、实用的原则，讲普通话课程与专业课程相结合，用先进的职业教育课程开发理念和开发方法，以学生为中心，以技能培养为重点，进行计划的制定。因此，在计划制定的过程中，重点工作应以学生为主，教师起辅助、指导作用，师生相互合作来共同完成项目。
表3 Vine Copula模型的Vuong检验
通过表3可知，R-Vine Copula模型具有最大的似然值，表明其拟合效果更显著，但与其他两个Vine Copula模型间似然值的差距并不大，其原因可能是由于本文所选择的市场维数有限，导致其Vine结构的差异性不显著。而所有v 统计量值均大于设定的临界值，但R-Vine结构下的p 值更小，表明R-Vine Copula模型能够对结构突变下金融市场进行更有效的风险传染预测。
在电厂的维护工作上，要建立完善的管理制度。进而对电气设备进行优质管理。制度中主要包括电气设备的检修与维护周期，维护方法以及维护的注意事项等。进而有效地保证电厂电气设备的正常运行，提高电气设备的运行效率。下面就相关设备的维护做简要论述。
4.3.3 股票市场风险传染预测研究
由于R-Vine Copula模型能够有效地刻画出股票指数收益序列的相依关系，可基于股票指数的相依关系，再使用HMM模型对股票指数收益序列进行波动状态预测，并以此来进行风险传染预测研究。
(1)资产专用性。威廉姆森认为资产专用性指的是资产在被用于特定的用途之后，很难再作为其他用途的资产。如果改变用途，则资产的价值则会降低。在退耕还林政策中资产的专用性体现在：地里区位的专用性、物理资本的专用性以及人力资本的专用性。例如在水土流失的地区实施政策就表现了地理区位的专用性，而采购的树苗就是典型的物理资本的专用性，基于农民的造林补贴则是典型的人力资产专用性。退耕还林作为涉及人数众多，实施范围广大，政策目标明确的公共政策，其资产专用程度较高。而威廉姆森认为，资产专用程度越高，交易成本越高，所以这类资产往往需要非标准合同加以保障，而采用这样的合约，又会使交易成本升高。
图1 IXIC指数收益及其预测波动状态
图2 N225指数收益及其预测波动状态
图3 SHI收益指数及其预测波动状态
由图1～3可知，预测波动状态、测度波动状态与其对应收盘价波动趋势呈现出相似性，表明基于R-Vine Copula的HMM模型能够对股票指数进行较为准确的波动状态预测，也证明了波动状态预测对金融市场风险传染预测研究的有效性与可靠性。
此外，对比预测波动状态与其对应的收盘价可知，在2018/01～2018/02期间各股票指数收益序列均存在预测波动结构突变点，与实际股票指数收盘价波动变化相一致，可能是由美国征收进口关税所引发的股市波动，导致股票市场结构突变，证明了基于R-Vine Copula下股票市场波动状态预测的准确性，也表明基于预测波动状态对风险传染研究具有较高可靠性。在2018/05～2018/06期间，IXIC、N225与SHI的预测波动状态均出现了结构突变，可能是由于美国在此期间针对中国所展开的贸易政策，使得中美股市均出现了明显的波动，结合表3的中美股票指数相依系数结果，也证实了中美两国股市间存在显著的风险传染关系。
由预测波动状态与测度波动状态可知，基于R-Vine Copula的HMM模型下的预测结构突变点比测度结构突变点均有所提前。可能是由于股票指数受到其他金融市场风险传染的影响，导致其预测波动状态的结构突变现象呈现出了一定的前置效应，因而投资机构和监管部门能够依据这一特征提前设置相应的预警方案，以避免损失，进而也表明基于R-Vine Copula下的HMM模型能够更加有效地预测风险传染。
为更加直观地展示波动状态预测对结构突变下股票市场风险传染预测研究的准确性，还使用SR对基于R-Vine Copula下HMM模型所获得的预测波动状态进行检验。
表4 股票指数预测波动状态SR检验结果
从表4可以发现，基于R-Vine Copula的HMM模型下股票指数的预测波动状态成功率大于75%，表明基于R-Vine Copula下HMM模型能够较准确地预测出股票指数列波动状态，也证明R-Vine Copula模型能够准确地刻画出结构突变下股票市场的相依关系，间接证明了基于波动状态预测视角对风险传染预测研究的有效性。
5 研究结论与启示
要准确预测出金融市场风险传染，关键是对其结构突变进行预测研究。首先，本文引入HMM模型对股票指数进行波动状态测度；其次，基于测度波动状态，使用EGARCH模型测度出股票指数的波动率，进而引入R-Vine Copula模型刻画股票指数的相依关系；再次，基于测度的股票指数相依关系再对各股票指数进行波动状态预测，进而对股票市场进行风险传染预测研究。实证研究表明：各股票指数均存在波动结构突变；随着近年来中国股票市场监管的完善以及中国与日韩等国经济合作的加强，中国股市与日韩股市的相依关系显著增强；从预测风险传染来看，中国股市与美国股市具有更明显的相依关系，可能是此期间美国针对中国贸易政策，导致了中美股市出现了显著的风险传染现象，也说明基于波动状态预测对股票市场风险传染预测的准确性；从基于R-Vine Copula下HMM模型的预测波动状态中的结构突变点相较于测度波动状态中的结构突变点具有一定的前置现象，进而表明基于R-Vine Copula下的HMM预测模型能够对金融市场进行较为有效的风险传染预测。
因此，小曲拐作为涡旋压缩机高速运转的零件，其动力特性的研究具有重要的意义。本文通过Ansys与Adams的联合仿真，建立了涡旋压缩机小曲拐的刚柔耦合模型，并对其进行了仿真分析，得到的结果将对小曲拐的优化提供重要的依据。
研究启示：(1)当美国金融市场未出现针对性的金融政策时，中国金融市场更可能与日韩股市发生风险传染，因此可通过对日韩金融市场结构突变预测研究，达到对中国股票市场风险管理研究。(2)美国金融市场出现的金融政策对中国具有显著影响，更易导致中国市场发生风险传染，同时还应结合金融市场的实际，制定出科学、合理的金融风险预警方案，从而避免风险损失，进一步促进中国金融市场的繁荣稳定。
参 考 文 献：
[1] Aielli G P, Caporin M. Variance clustering improved dynamic conditional correlation MGARCH estimators[J]. Computational Statistics & Data Analysis, 2014, 76: 556-576.
[2] Aloui R, Mohamed S B, Nguyen D K. Global financial crisis, extreme interdependences, and contagion effects: the role of economic structure[J]. Journal of Banking & Finance, 2011, 35: 131-140.
[3] Bielecki T R, Cousin A, Crepey S, et al.. Dynamic hedging of portfolio credit risk in a markov copula model[J]. Journal of Optimization Theory and Applications, 2014, 161(1): 90-102.
[4] Wang C, Bauwens L, Hsiao C. Forecasting a long memory process subject to structural breaks[J]. Journal of Econometrics, 2013, 177(2): 171-184.
[5] Champion C, Houghton S M. Application of continuous state Hidden Markov Models? To a classical problem in speech recognition[J]. Computer Speech & Language, 2015, 14(4): 1-18.
[6] Chen H, Hey J, Slatkin M. A hidden Markov model for investigating recent positive selection through haplotype structure[J]. Theoretical Population Biology, 2015, 99(1): 18-30.
[7] 潘志远,毛金龙,周彬蕊.高维的相关性建模及其在资产组合中的应用[J].金融研究,2018,(2):190-206.
[8] 韦起,魏云捷.基于Markov-vine Copula的我国网贷平台对传统金融机构风险传染效应研究[J].系统工程理论与实践,2018,38(2):317-328.
[9] 张帮正,魏宇,余江,等.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(3):133-144.
[10] 曾裕锋,温湖炜,陈学彬.股市互动、尾部风险传染与系统重要性市场——基于多元分位数回归模型的分析[J].国际金融研究,2017,(9):86-96.
[11] Bielecki T R, Cousin A, Crepey S, et al.. Dynamic hedging of portfolio credit risk in a markov copula model[J]. Journal of Optimization Theory and Applications, 2014, 161(1): 90-102.
[12] Dassios A, Zhao H B. A markov chain model for contagion[J]. Risks, 2014, 2(4): 434- 455.
[13] Bedford T, Cooks R M. Vines-A new graphical model for dependent random variables[J]. Annals of Statistics, 2002, 30(4): 1031-1068.
[14] Anastasios P, Claudia C, Harry J, et al.. Model selection for discrete regular vine copulas[J]. Computational Statistics and Data Analysis, 2017, 106(9): 138-152.
[15] 郭文伟.国内外股市相依结构演化及其危机传染效应研究[J].国际金融研究,2016,(10):63-73.
[16] 马锋,魏宇,黄登仕.基于vine copula方法的股市组合动态VaR测度及预测模型研究[J].系统工程理论与实践,2015,35(1):26-36.
[17] 黄文彬,严佳佳,邓婷婷.欧美股票市场对我国股票市场的传染效应研究——基于次贷与欧债危机背景[J].系统工程理论与实践,2017,37(8):1982-1991.
[18] Acar E F, Czado C, Lysy M. Flexible dynamic vine copula models for multivariate time series data[J]. Econometrics and Statistics, 2019, 18(4): 1-17.
[19] Brechman E C, Czado C. Risk management with high-dimensional vine copula: an analysis of the Euro Stoxx50[J]. Statistics and Risk Modeling, 2013, 30(4): 307-342.
[20] 黄乃静,张冰洁,郭冬梅,等.中国股票市场行业间金融传染检验和风险防范[J].管理科学学报,2017,20(12):19-28,86.
[21] 林宇,陈粘,陈宴祥.基于HMM-EGARCH的银行间同业拆放利率市场波动预测研究[J].系统工程理论与实践,2016,36(3):593- 603.
[22] 郭文伟,钟明.基于Vine Copula的中国股市风格资产相依结构特征及组合风险测度研究[J].管理评论,2013,25(11):41-52.
[23] Dan W, Zhen H H. Structural changes and volatility correlation in nonferrous metal market[J]. Transactions of Nonferrous Metals Society of China, 2016, 26: 2784-2792.
[24] Pesaran M H, Timmermann A. A simple nonparametric test of predictive performance[J]. Journal of Business & Economic Statistics, 1992, 10(4): 461- 465.
[25] Vuong Q H, Likelihood ratio tests for model selection and nor-nested hypotheses[J]. Econometrica, 1989, 57(2): 307-333.
Forecasting the Risk Contagion of Stock Markets under Structural Breaks
CHEN Zhan, CHUN Wei-de, CHUN Zheng-jie, XIANG Qi-rong
(College of Management Science ,Chengdu University of Technology ,Chengdu 610059,China )
Abstract :The structural breaks in the fluctuation of financial returns are widely existed in financial markets. Therefore, it is vital to study the prediction of risk contagion between financial markets by accurately identifying the structural breaks of financial markets and detecting whether there is a possibility of financial crisis in financial markets. This paper firstly uses forecasting volatility state to forecast risk contagion based on structural breaks. The empirical results indicate that there are structure jumps in each stock index return sequences; the forecasting result of the HMM model based on R-Vine Copula model shows a significant pre-positivity on the structural breaks of stock index, so then the HMM model besed on R-Vine Copula has more excellence for forecasting state of volatility; the HMM model based on R-Vine Copula model can effectively forecast the volatility states, it shows that the volatility states can be effective to the risk contagion forecasting stock markets.
Key words :structural breaks; structural dependence; risk contagion; forecasting volatility state
收稿日期： 2018-12-17
基金项目： 国家社会科学基金资助项目(17BJY188)
中图分类号： F831.59
文献标识码： A
文章编号： 1003- 5192( 2019) 06- 0067- 07
doi： 10.11847/ fj.38.6.67
标签：结构突变论文; 结构相依论文; 风险传染论文; 预测波动状态论文; 成都理工大学管理科学学院论文;