《次贷危机丶市场风险与股市间相依性》由会员分享，可在线阅读，更多相关《次贷危机丶市场风险与股市间相依性（14页珍藏版）》请在金锄头文库上搜索。
1、次贷危机、 市场风险与股市间相依性 内容提要 本文运用机制转换动态copula方法,研究了次贷危机中以沪市 为代表的内地股市与美、 日、 港股间的相依性结构变化,并以这种变化作为判断两 市场间是否发生感染的标志。研究发现次贷危机中沪市与日、 港股间的相依性上 升,呈现一定的感染;而沪市与美股间的相依性反而下降,未出现感染。另外,尾 部相依性显示危机事件发生时,美、 日股市特别是港股对内地股市的大风险溢出 效应还是存在的。因此,监管部门要时刻注意股市风险,并采取有效措施,降低次 贷危机的感染效应向中国股市的传递。 关 键 词 次贷危机 机制转换 copula函数 相依性 感染性 一 引言 股市间
2、的相依性(dependence)在资本风险管理中发挥着重要作用。 当股票市场 完全分割时,风险不可能在各个市场间传递,从而避免了来自外界的冲击,这就是中国 幸免于19971998年亚洲金融危机的主要原因(洪永淼等, 2004)。而当股票市场间 存在较强的相依性时,风险会在各个市场溢出,在经济动荡或危机期间,股市间的相依 性将表现得更加紧密(Baig and Goldfajn, 1999)。Forbes和Rigobon (2002)将危机期 间,一国或几国的金融市场受到同一冲击而引起的这些国家金融市场间相依性的加强 定义为“ 感染 ” 。如果危机可以感染,那么股市间的风险溢出将加大,某一股市崩盘
3、引 起其他股市崩盘的概率将上升。这在一定程度上解释了金融事件的爆发如“1987年 美国股市崩盘 ” 、 “1994年比索危机 ” 和“1997年亚洲金融危机 ” 等为什么会引起局域 性或全球性连锁反应。目前在次贷危机背景下研究中国股市与国际股市间的相依性, 对中国金融市场的风险控制、 金融监管以及防止灾难性金融事件的发生和蔓延具有重 要意义。 国际股市间存在较强的相依性的事实已被普遍接受(King and Wadhwani, 1990; Longin and Solnik, 1995)。目前对股市间相依性研究的主要方法包括以下几类:第一 类为相关系数检验法。King和Wadhwani(1990
4、)通过比较1987年美国股市崩盘前后 相依性水平的变化发现,该次危机后欧美股市间的联动关系加强。第二类是以 GARCH为框架的多元模型。Longin和Solnik (1995)考察了19501990年国际主要 股市间的相关性水平变化,发现在经济动荡时期,股市间的相依性水平有增强趋势; Bera和Kim (1996)的研究结果拒绝了美国股市与其他主要国家股市间的相依性为常 数的假设。第三类是以VAR方法为基础的协整和格兰杰因果检验。Blackman等 (1994)发现上世纪70年代国际主要股市间的协整关系不明显,而80年代由于通讯科 技和金融管制的放松,国际主要股市间存在明显的长期运动关系。第四
5、类是机制转换 模型。Chesney和Jondeau(2001)、Ang和Bekaert(2002)以欧美主要发达国家股市为 研究对象,构建了两机制的马尔可夫转换模型,发现股市间的相依性存在非对称性,并 且熊市下的相依水平明显高于牛市。 洪永淼等(2004)使用风险格兰杰方法考察了1994年1月至2003年4月国内A 股、B股以及H股和世界主要股市间的极端风险溢出效应,发现B股、H股与世界其 他股市间存在着显著的风险溢出效应;而A股虽然与韩国、 新加坡股市间存在着风 险溢出效应,但与日本、 美国和德国等股市间不存在任何风险溢出。韩非和肖辉 (2005)用GARCH模型研究了上证A股和标准普尔50
6、0从2001年1月到2004年12 月的日度数据,发现美国股市对中国股市影响较弱,两者间几乎不存在相关性。与此 形成鲜明对比的是,刘振亚(2006)用19922004年的日、 周和月数据,对中美股市进 行了协整检验发现纽约股市对沪、 深A股存在普遍影响。笔者认为以上研究结果出 现分歧的可能原因在于计量方法的选取,协整分析、 格兰杰检验和以GARCH为基础 的多元相关性模型主要是检验参数的平稳性,如果样本数据中存在非线性和条件异方 差,或者样本数据呈现非正态、 尖峰、 厚尾等性质,这些方法的检验结果则可能出现偏 差。另外,上述有关中国股市与其他股市间关系的研究均采用了2005年前的数据, 69期
7、3第年01023济经界世 次贷危机、 市场风险与股市间相依性 2005年后中国金融市场出现较大变化,特别是2005年4月底的股权分置改革、2005 年7月下旬的汇率改革和近几年的银行业改革推进了中国金融市场的国际化进程,国 内股市和国际股市的联系也越发紧密。例如, 2007年中国股市“2. 27事件 ” 引发了世 界股市大范围的暴跌, 2008年1月22日和2009年3月3日美国股市的暴跌又引发了 中国股市的大跌。这些迹象表明中国股市已不再是个独立的市场。 鉴于以上分析,本文将考察2005年后特别是次贷危机中内地股市与美、 日、 港股 间的相依性结构变化和感染。以内地股市与美、 日、 港股为代
8、表的国际股市间的相依 性为研究对象,主要是基于以下几方面的考虑:首先,香港作为中国特别行政区与内地 经济联系密切,并在很大程度上受中央经济政策影响,许多公司在内地和香港交叉上 市,这些现实情况使得内地股市与港股之间必然存在密切联系。而港股的市场化和国 际化程度远高于内地股市,内地股市与世界股市间风险的相互溢出效应在一定程度上 可能是通过港股的传递而实现的。其次,日本作为世界第二大经济体,拥有第二大股 票市场,由于与中国区域位置的接近以及密切的经贸往来和政治文化的相似性而被紧 密地联系在一起,从而使得日本股市与中国股市也紧密相连。更为重要的是,日本股 市是亚洲重要的金融市场,研究中国股市与日本股
9、市间的相依性有助于把握次贷危机 下中国股市与亚洲股市间的金融风险与感染。最后,美国的世界经济中心地位使得其 股市也在国际金融市场中扮演着重要角色,对其他股市存在普遍影响,特别是此次危 机是从美国开始并逐渐演变成全球性金融风暴的,因此,研究中国股市与美股间的相 依性,特别是危机前后相依性结构变化的重要意义不言而喻。需要特别说明的是,以 伦敦为代表的欧洲市场虽然是构成国际市场的重要组成部分,但鉴于其同美国市场有 着较高的相依性水平(Bartram et al . , 2007) ,而且,无论从实体经济关联性还是从国 内投资者对欧洲股市关注程度的角度来看,欧洲市场对国内市场的影响要显著小于美 国市场
10、。在将美国市场作为欧美乃至国际市场代表的情况下,为了不至于使研究对象 过于分散,我们没有专门就欧洲市场与中国市场间的相依性展开分析。另外,由于新 加坡、 韩国等其他亚洲市场的规模相对较小,其自身受欧美以及日本市场的影响较大, 中国投资者对其关注程度也较小,所以在将日本和香港市场作为亚洲市场代表的情况 下,我们没有对新加坡、 韩国等亚洲其他市场进行研究。 在研究方法上,本文主要使用机制转换动态copula方法来检验次贷危机前后中 国股市与美、 日、 港股市间的相依性结构变化。与前述四类主要研究方法相比,机制转 换动态copula方法不仅能克服由于样本数据中存在的非正态、 尖峰、 厚尾以及非线性和
11、 条件异方差所导致分析结果可能出现的偏差,而且该方法可以同时刻画变量间任何的线 79期3第年01023济经界世 吴吉林 张二华 性和非线性关系,还能自动搜索危机期间的结构变化时点,从而克服了人为设置股市相 依结构变化分界点而造成估计结果的偏差,故而使得分析结果具有较强的稳健性。 二 机制转换动态copula的理论基础与方法 copula是指把多元随机变量的联合分布与其一维边际分布联系起来的函数。由 Sklar定理可知:任何的多元联合分布都可分解成边际分布和包含相依结构的copula 函数,并可以根据待研究数据的具体性质来灵活选择边际分布和copula函数形式,从 而生成更复杂的非高斯联合分布。
12、这有助于研究金融数据的非正态、 尖峰、 厚尾性。 机制转换动态copula是在copula函数的基础上引入机制转换。假设Yt= (y1, t, y2, t) 为两序列的矢量随机过程,依据Hamilton (1989)的方法,其当前的机制状态由两潜变 量st=0,1决定,不失一般性,设st的过渡概率为常数并遵循一阶马尔可夫链过程: Pr(st= j| st-1= i) = pij。在我们的模型中,机制状态只影响copula函数的相依结构,而 对边际分布不产生影响。因此在状态j下,两状态机制转换的条件密度函数可表示为: f(Yt| It-1, st = j) = c j (F 1 (y 1, t
13、), F 2 (y 2, t ) | I t-1; j c) 2 i =1 fi (y i, t| y t-1 i ; m, i ), j =0,1(1) 其中It-1为 Y1, t-1, Y2, t-1, Y1, t-2, Y2, t-2,上的信息集,y t-1 i = (yi,1, yi, t-1), t =1,2, T。c j (. )为状态j下,参数为 j c的copula密度函数,fi(. )是yi, t的边际密 度函数,其参数为 m, i,而 Fi(. )为相对应的分布函数。从(1)式可以发现,状态j下 的条件概率密度函数完全由边际密度函数fi(. )和copula密度函数c j
14、(. )决定。 (一)边际分布函数的设定 为了保证机制转换动态copula方法估计结果的大样本性质,数据须满足独立同 分布要求。但多数金融数据存在自相关及条件异方差,甚至还具有尖峰、 厚尾等性质, 因此,本文首先使用ARMA (p, q) - GJR (1, 1)模型对原始收益率ri, t进行过滤,并假设 误差形式为Hansen(1994)的skewed - t分布: ri, t= ci+ p j=1 i, jri, t- j+ q j=1 i, ji, t- j+i, t,i =1,2 (2) hi, t=i+i 2 i, t-1 +iIi, t-10 2 i, t-1 +ihi, t-1(
15、3) 89期3第年01023济经界世 次贷危机、 市场风险与股市间相依性 有关copula方法的具体介绍可参阅Nelsen(1999)。 t分布为对称分布,虽能刻画收益率的尖峰、 厚尾性质,但不能刻画偏度;而skewed - t分布不仅具有t分 布性质,还能反映偏度特征。 yi, t=i, t/hi, tskewed - t(vi,i)(4) yi, t为过滤后的独立同分布过程,其满足E (yi, t| It-1)=0,var (y i, t| It-1 ) = 1 。 i, i,i都大于等于0,并满足 0 ,i+0.5 i +i1 ,Ii, t-10为指标函 数。其中skewed - t的密
16、度函数为: g (yi, t| vi,i)= bc1+ 1 vi-2 byi, t+ a 1-i 2- ( vi+1 ) / 2 , yi, t - a /b bc1+ 1 vi-2 byi, t+ a 1+i 2- ( vi+1 ) / 2 , yi, t- a /b 其中常数a, b, c被定义为: a =4ic vi-2 vi-1 , b =1+3 2 i - a 2 , c = vi+1 2 (v i -2) vi 2 在skewed - t的密度函数中,vi表示自由度的大小,而 i用来衡量样本数据的非 对称性,如果i为负,其意味着存在负的收益率的可能性更大。 (二)机制转换动态copula函数的设定 对于两收益率间相依结构的刻画,使用较多的是高斯copula和t - copula函数,如 Jondeau和Rockinger(2006)、Bartram等(2007)。但鉴于多数金融数据具有尖峰、 厚尾 等非正态性质,本文选取t - copula函数。为了研究在每一时点的相依性变化,依照 Patton(2
