基于极值理论的沪深股市风险传染性研究，本文主要内容关键词为：极值论文,传染性论文,沪深股市论文,风险论文,理论论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
信息技术的日新月异、经济全球一体化的加速发展促使不同金融市场的联系更加紧密，相互作用更强。当一个市场出现极大损失事件而发生重大极值风险时，风险将会在各个市场之间传递，由此可能由于风险传染性连锁反应而引发金融灾难，甚至可能导致金融体系的崩溃，引起社会的动荡。1997-1998年的亚洲金融危机就是一个明显的例子，因此，研究不同金融市场风险传染性效应，成为业界、机构投资者和金融风险管理当局关注的重点。
中国大陆股市从1990年底成立到现在不到20年的时间，但发展迅猛，已成为全球最大的新兴证券市场之一。中国股市与国际市场联系很小而处于较大程度的分离状态，这也就是中国能在亚洲金融危机中幸免的一个重要原因。但沪深股市之间的综合指数、收益率和波动性却存在较大程度的关联性[1～8]。既然中国沪深股市在综合指数价格、收益率和波动性上存在着相关性而可能存在传染性效应，而极值VaR所代表的是市场所面临的极值风险，它是风险管理者关注的焦点之一。那么，沪深股市的动态极值风险VaR是否存在传染性效应呢？如果存在，那么又是一个什么样的传染性效应呢？
监管风险传染性的关键在于如何准确地测度极值风险。在VaR测度方面，传统的风险测度方法根据假定的金融收益／损失整体分布的分位数来估计VaR，但过多地利用分布中心区域的信息，导致VaR测度有失准确性[9]。极值理论(extreme value theory,EVT)是最近20年才发展起来并运用于风险管理的一种理论，它不必预先假设样本服从确定的分布，只对极值尾部进行建模来测度VaR，使风险测度更加准确和容易[10]。但是，EVT要求金融时间序列必须（近似）是独立同分布(independent identically distribution,i.i.d.)，而实务中的金融时间序列往往具有自相关性、波动集聚性和杠杆效应等典型事实特征而非i.i.d.[11]，MCNEIL等[10]认为，股指损失的标准残差序列近似i.i.d。另外，由于股市风险具有时变特征，风险测度必须能够对新信息作出快速反应，以利于风险管理。
迄今为止，已有一部分文献运用EVT测度中国股市风险。封建强[12]运用EVT和GARCH对沪深股市的极值VaR进行测度研究；王慧敏等[13]运用EVT对沪深股市收益分布的左尾进行研究，进而估计VaR和CVaR；余素红等[14]基于GARCH模型和SV模型的VaR比较，他们假定标准残差序列服从正态分布；马玉林等[15]运用EVT对损失尾部建模，进而估计VaR，并与传统的VaR方法进行比较；黄大山等[16]也运用EVT对深证成分指数损失尾部进行建模；魏宇[17]运用EVT对标准残差序列尾部建模，在对GPD参数估计时使用的是半参数估计方法；陈学华等[18]运用广义误差分布估计VaR与ES。这些研究都取得了较好的风险测度效果。目前，研究股市传染性的文献也主要是以股市综合指数价格、收益率和波动性指标为研究对象，运用Granger因果检验来判定股市的传染性。
与其他学者的研究相比，本研究具有明显的差异性：①运用ARMA-GARCH(GJR)构造出标准残差序列，并对标准残差序列进行了统计特征分析，尤其是详细地分析了标准残差序列的i.i.d.特征，再运用EVT对其极值尾部进行建模，然后测度出沪深股市的动态极值风险值序列。②在基于标准残差和EVT对沪深股市进行极值风险测度的基础上，以股市动态极值风险测度序列为研究对象，运用Granger因果检验方法判定传染性效应。在笔者所掌握的文献中，尚未发现有文献运用以上2点对沪深股市进行研究；此外，本研究还依据实证结果，提出了一些强化中国大陆股市建设的对策和建议。
1 基于典型事实的股指损失标准残差序列的构造
1.1 样本数据
由于亚洲金融危机发生在1997年，因此，本研究选取中国大陆上证综指和深证成分指从1996年1月1日-2008年8月13日共3051天收盘指数为样本。
1.2 沪深股指日损失序列
先对其进行描述性统计分析，结果见表1。从表1可知，沪深2个股市股指损失序列的J-B统计量都在1%的显著水平拒绝正态分布；从偏度和峰度来看，均在1%的显著水平下显著，说明沪深股市的损失存在尖峰、厚尾性；从Lung-Box Q(16)的统计值看，2个损失序列都在1%的显著水平下拒绝无自相关性；运用BDS检验沪深股市损失时间序列的i.i.d.特征表明，沪深股市股指损失序列均在1%的显著水平拒绝i.i.d.。
1.3 基于典型事实的股指损失标准残差序列的构造
根据中国股市收益／损失序列存在自相关性、波动集聚性和杠杆效应等典型事实特征[16～19]，本研究将构造出沪深股市指数损失的标准残差序列。
对于损失序列自相关性，考虑使用ARMA(1,1)模型
于是，用ARMA(1,1)-GARCH(1,1)和ARMA(1,1)-GJR(1,1)模型捕获股市的自相关性、波动集聚性和杠杆效应这3个典型事实特征，然后，运用MLE方法估计出模型的参数。由于本研究主要考察沪深股市损失的波动集聚性和杠杆效应特征，所以，在表2中只出示2个模型中ρ和γ参数的估计结果。分析表2可以得出如下结论：①GJR模型参数γ≠0，说明沪深股市损失的波动存在杠杆效应；②ρ均在1%的显著性水平显著大于0，表明股指损失均存在波动的聚集性效应。
表1 股指损失序列特征描述性统计
注：***表示在1%的显著水平下显著（下同），J-B表示Jarque-Bear统计量，Q(16)表示Ljung-BoxQ(16)统计值。
表2 股指损失序列的波动模型部分参数估计结果
综合前面的分析，可以认为，中国大陆沪深股市日损失序列确实存在自相关性、波动集聚性和杠杆效应3个典型事实特征。
在对波动模型的参数估计之后，求出中国大陆上证综指、深证成指损失序列的条件
，根据下式求出损失的标准化残差序列
由于本研究的标准残差序列来自于ARMA(1,1)-GARCH(1,1)和ARMA(1,1)-GJR(1,1)模型，所以，基于2个指数的损失就有4个标准残差序列。对4个标准残差进行描述性统计，结果见表3。从表3可得如下结论：①对2个股市综合指数损失的4个标准残差序列，均值都接近于0，标准方差接近于1。②从偏度和峰度看，都显著具有尖峰、厚尾特征。③J-B检验结果表明，指数损失的标准残差序列均拒绝正态分布；Q(16)检验结果说明，标准残差序列均不拒绝无自相关性，表明序列的无自相关的；LM(16)统计结果表明，所有的标准残差序列均不拒绝无ARCH(GARCH)效应，表明4个标准残差序列不存在异方差情况，序列相对平稳；BDS检验结果表明，所有的标准残差序列均在1%的显著水平不拒绝i.i.d.。
基于以上定量分析结果，本文认为所有的标准残差序列是近似i.i.d.，可以运用EVT技术对标准残差序列的极值尾部进行建模。
2 基于EVT的动态极值VaR的测度及其传染性效应的定量分析
2.1 基于EVT的动态极值VaR测度方法
在金融计量研究中，常假设资产损失有如下的随机波动形式
表3 不同波动模型参数估计后的标准残差序列描述性统计
注：LM是Laxgrange Multiplier对序列的ARCH(GARCH)效应测试结果。
根据概率论原理，给定一个门槛值u，对于超过门槛值u的变量的分布函数
在使用MLE估计GPD参数时，门槛值的选择尤其重要，根据GPD要求，门槛值必须相当地高以保证方差低。但门槛值过高，极值数据就很少，会影响GPD估计效果；相反，门槛值太低，落入尾部的数据多，又与GPD要求有差距。NEFTCI[24]把1.65σ当作门槛，超过1.65σ的值被当作极值；DUMOUCHEL[25]认为，选择10%左右的数据作为极值，与GPD的拟合效果较好。于是，本研究选择10%的最大标准残差作为尾部极值进行建模。
于是，依据前面的分析，可以测度出q＞90%的动态极值风险。但本文主要研究由极端事件引发的极值风险，所以，只考虑q=99%时沪深股市动态极值风险。需要说明的是，q反映的是置信水平（分位数），它由金融风险管理者根据自身的目标确定。
2.2 动态极值VaR传染性效应的Granger-Causality检验
运用EVT风险测度模型测度得到的沪深股市的动态极值风险序列，就是沪深股市所面临的市场风险，风险管理者可以根据测度的结果进行风险管理。为了考察沪深股市的动态极值风险是否存在传染性效应，下面对沪深股市的市场动态风险进行Granger因果关系检验。在检验之前，先采用ADF对沪深股市的风险时间序列进行单位根检验，通过单位根检验发现，本文的4个动态极值风险序列都在1%的显著水平下拒绝存在单位根，表明4个动态极值风险序列是平稳序列。于是，可以运用Granger因果关系检验对沪深股市动态极值风险进行传染性效应分析。
由于极值VaR是股市所面临的极值风险，所以，本文使用Granger因果检验法来确定沪深股市中一个股市的动态极值VaR变量是否有助于预测另一个股市的VaR，并以此来判断动态极值风险是否从一个股市向另一个股市传递而具有风险传染性。如果沪市的动态极值风险是深市的Granger原因，那么就认为动态极值风险从沪市向深市传染，反之亦然。
表4是不同模型得到的动态极值风险在沪深股市中传染性效应的Granger检验结果（这里只给出滞后阶数1～5的结果，对于更大滞后阶数的检验结果不变）。在表4中，用
表示沪市动态极值风险是深市的原因，能够预测深市的动态极值风险，动态极值风险由沪市向深市传染，
表示动态极值风险由深市向沪市传染。
从表4可以得到，沪深股市在99%置信水平下的ARMA-GARCH(GJR)-EVT动态极值风险VaR序列都具有双向传递关系，这说明沪市动态极值风险可以预测深市的动态极值风险，反之亦然。这也表明沪深股市的动态极值风险具有双向传染性效应。但是，从Granger检验的统计量F的大小来看，动态极值风险由沪市向深市的传染要强于由深市向沪市传染。分析原因，笔者认为，在相当长一个时间范围内，在深圳交易所上市的公司主要是较小型的合资或外向型企业，而在上海交易所上市的公司大多为大型国有企业，国有上市公司受国家政策影响较大，国家政策也向沪市方面倾斜，沪市受国家政策影响较大。加之，我国股市又处于发展阶段，市场还很不成熟，处于“政策市”时期，沪市对政策反应迅速而强烈。而深证交易所上市的企业是小型或外向型企业，市场化程度相对较高，受国内政策影响相对较慢。
从表4可以看出，对于由ARMA-GARCH-EVT模型测度出来的极值风险序列，在滞后1阶时，深市的动态极值风险不推测沪市的动态极值风险，说明在滞后1阶时基于ARMA-GARCH-EVT模型风险具有单向因果关系，是由沪市向深市的单向传染性效应。这说明沪市的风险对深市的影响要大于深市对沪市的影响；对于大于1阶却是双向因果关系，具有双向传染性效应。同时，这也说明了不同模型测度的动态极值风险的因果检验存在一定的差异，表明风险管理者在风险监控时要注意风险测度模型的选择。
从表4还可以发现，在较短的时间范围内，F的统计量较大，说明沪深股市的动态极值风险在较短时间跨度的传染强度较大。分析原因，笔者认为，时间间隔越长，原来信息被市场消化吸收较多，对市场的影响力度不断降低，从而可能出现传染强度降低的现象。同时，这也说明对于中国沪深股市中一个市场出现风险时，应及时采取应对措施，防止风险传递引发更大面积的风险灾难。
基于以上的分析结果不难看出，政府金融市场管理当局要采取行之有效的措施，强化股市风险监控，尤其是要加强对沪市动态极值风险的监控，当一个市场出现极大风险时，应及时采取切实可行的措施，防止极大风险在沪深股市中传染，出现大的风险联动而引发金融灾难，从而有效促进股市持续健康发展，维护中国金融市场的稳定与安全。
3 结论与建议
本文针对沪深股市的自相关性、波动集聚性和杠杆效应典型事实特征，运用ARMA(1,1)-GARCH(1,1)和ARMA(1,1)-GJR(1,1)模型构造出标准残差序列，运用EVT对标准残差的极值尾部建模，进而度量沪深股市动态极值VaR序列，并运用Granger检验对沪深股市的动态极值VaR序列进行因果关系检验来判定沪深股市的风险传染性。实证研究结果表明：沪深股市指数损失存在自相关性、波动集聚性和杠杆效应特征；本文模型得到的标准残差序列近似具有i.i.d.特征；沪深股市的动态极值VaR具有双向因果关系而存在双向传染性效应，动态极值风险由沪市向深市传递的强度大于由深市向沪市传染的强度，双向传递的强度在较短的时间范围内较大。
表4 沪深股市动态极值VaR的Granger检验结果
因此，本文认为，保持股市的健康发展，维护金融体系的安全，促进金融市场的繁荣，政府管理当局必须建立起风险监控的长效机制，关注极值风险及其在不同金融市场中的传染性效应，尤其是要关注沪市的风险，当沪深股市中的一个市场发生极值风险时，要迅速采取切实可行的有效措施，防止市场极值风险在沪深股市中传染而引发金融灾难。
标签：沪深股市论文; 风险模型论文; 动态模型论文; var模型论文; 极值分布论文; 残差分析论文; 股市论文; garch论文; 沪市论文;