金融市场与实体经济主要行业之间的风险溢出效应.pdf

JRYJJ金融市场与实体经济主要行业之间的风险溢出效应摘要 运用基于TVP-VAR模型的预测误差方差分解方法和Copula方法，量化分析金融各子市场与五大实体行业之间的风险溢出效应。实证结果表明，银行业和债市的风险溢出效应较大，银行业的影响更容易传导至工业和能源业等传统行业，而债市的影响更多传导到信息技术等新兴行业；汇市的风险溢出效应较小，且更容易传导至能源业。相较于其他金融市场，债券市场对实体行业的尾部风险溢出作用相对更强；国债波动对实体行业的风险溢出效应大，但是企业债与实体行业的尾部相关系数更大。金融市场和实体经济风险之间存在互相溢出，近年来金融市场成为风险被溢出者，尤其是外汇市场。因此，要将实体经济的需求特征纳入金融监管体系的考量范围，定期监测和分析金融市场风险，尤其控制银行和债券市场风险的溢出。关键词 风险溢出；实体行业；金融市场；尾部风险；时变Copula中图分类号 F832.5文献标识码A文章编号1006-169X（2024）01-0018-12DOI：10.19622/36-1005/f.2024.01.002基金项目 教育部人文社科基金后期项目“资产负债表关联与风险溢出双重视角下的政府杠杆率结构性优化研究”（21JHQ068）。作者简介 李程（1981），天津人，天津工业大学经济与管理学院，博士，教授，研究方向为金融风险；李佳馨（2000），四川德阳人，天津工业大学经济与管理学院，研究方向为金融学；陈文舒（2000），黑龙江大庆人，西安电子科技大学经济与管理学院，硕士研究生，研究方向为金融学。李程，李佳馨，陈文舒一、引言金融业的本质功能是服务业，金融行业的发展离不开实体经济，而随着金融混业化经营程度的不断增强，金融各个行业与实体行业之间的业务往来范围和关联度也得到了进一步加深，金融风险溢出的危害性进一步提高，因此考量金融风险溢出效应时应该将实体经济的规模和特性纳入到金融业的结构系统和监管体系中。金融子市场与实体经济之间有哪些风险溢出效应？在金融业发生危机时，哪个部门较易受到冲击？相关部门应该如何完善监管体系？研究上述问题对提升金融服务实体经济的能力，助力中国经济稳定增长有一定的现实意义。关于金融市场风险溢出的研究，国内外都已有很多文献，笔者从跨行业间的风险溢出效应的研究现状和现有风险溢出效应的测度方法两个角度进行文献梳理和总结。一方面，关于跨行业间风险溢出效应的研究。国内外研究者最早将研究重心放在了金融市场间（股票、原油）的风险溢出效应。李政等（2019）指出，金融业各行业之间存在跨行业风险传染，银行和保险业的风险贡献度较高。张FINANCE AND ECONOMY金融与经济2024.0118JRYJJ宗新和陈莹（2022）构建跨部门风险溢出网络，表明外汇市场、债券市场和房地产市场是主要的风险溢出方。但随着研究的开展，部分研究者也开始将实体经济引入金融系统风险溢出的研究范围，Wu et al.（2019）发现中国股市存在跨行业传播的风险。其中工业类行业、消费品行业、材料行业的风险溢出效应较强，但这种溢出效应随时间而变化。何红霞和武志胜（2018）通过对波动率和尾端风险两个方面的考察，发现实体行业受到来自金融市场风险溢出效应的影响。目前，关于金融子市场与实体行业之间的跨行业风险溢出效应方面的研究成果相对较少。刘超等（2021）探究中国上市公司行业关联动态演化与证券市场风险之间的相互关系，当证券市场风险增大时会促使上市公司行业系统的关联性更强。周亮（2021）考察了网络关联度对股市下跌风险的影响。另一方面，关于风险溢出效应测度方法的研究。国内外研究者基本上是在对风险资产收益率分布刻画的基础上进行的，现有方法一般为 Granger 因果检验法、GARCH 族和 Copula、CoVaR等。其中，Copula能够更灵活地捕获非线性相关结构，有助于更好地刻画尾部的极值相关性和极端风险。早期文献所用的Copula函数多是简单的，不足以有效表达市场中持续变动的风险特性。随后，出现了更容易捕获在金融市 场 上 连 续 变 动 相 互 关 系 的 时 变 参 数 的Copula。但是，Copula方法尽管可以确定风险传导方向，却无法很全面地说明一个市场经济的风险净溢出（净溢入）情况、两两市场经济间的风险传导规则及其金融系统整体的风险传导机理。Diebold&Yilmaz（2009）首先给出了由于向量自回归（VAR）的预期误差方差分解的波动变化溢出效应测量；Diebold&Yilmaz（2012）又进一步给出了总量波动性溢出和有向波动性溢出的衡量方式，提出了使用TVP-VAR模型的时变参数广义预测误差方差分解方法来计算溢出指数，该种方法能更好对序列的时变特征进行分析，同时可以保证原始数据的完整性。通过更进一步深入研究与完善，利用目前溢出指数和溢出网络的方式，已可以刻画出各个金融市场间整体的风险溢出及其在两个金融市场间相互上溢的方向与大小，并且估计各个金融市场间风险净溢出与风险净溢入随时间的变动情况。综上所述，虽然当前研究中国金融系统性风险的文章较多，但仍存在一些问题：一是研究范围的限制。大多数研究成果都限制在金融市场间，较少研究和考察整个体系的风险溢出，关于细分的金融市场间与实体行业之间的跨行业风险溢出效应方面的研究成果仍然较少。二是风险影响因素。由于目前的文献研究往往偏向于公司财务指标，忽视不同行业间的差异性和宏观政策因子的影响，在金融市场领域细分的研究成果也较少。针对此，该文以实体行业的部分行业市场与金融领域细分市场作为研究对象，结合了Diebold&Yilmaz（2012）和Mensi et al.（2017）的方法，测度金融对实体行业的均值溢出、波动溢出和尾部风险效应的同时对溢出效应的时变特性展开探讨。创新点主要为以下两个方面：首先，借鉴方意等（2021）将系统性金融风险研究应纳入实体经济的观点，结合林毅夫等（2021）关于新结构金融学的有关理论，对实体行业和金融子市场间的风险溢出效应进行研究。其次，结合了Diebold&Yilmaz（2012）和Mensi et al.（2017）等的方法，基于VAR模型的预测误差方差分解方法和Copula方法，计算均值及波动溢出效应的总溢出指数、有向溢出指数、净溢出指数和尾部极值相关系数，对金融市场与实体行业之间的溢出效应进行定量分析，对溢出效应的时变特征进行讨论，对实体经济和金融市场动态风险溢出进行研究，为金融监管和系统性风险防范提供对策建议。二、理论分析（一）金融各子市场对实体经济的异质性溢出从金融结构看，传统观点认为金融结构与经济增长有关，而金融结构不一致所带来的金融风险也不同。文献中常常根据系统中银行（有时包括债券市场）、股票市场所占比重的不同将国家金融结构划分为银行主导或市场主金融市场与实体经济主要行业之间的风险溢出效应19JRYJJ导。中国是以间接融资为主的金融体系，银行业相对发达，银行业的风险在金融体系中居于核心地位，银行对企业融资需求有着决定性的影响，银行风险对实体经济行业的溢出效应也会比较大。中国债券市场中大多数主体是政府所属机构或国有控股机构，近年来债券市场不断发展，债券违约发生的频率和数额也在增加，对实体经济行业产生了连锁反应。在债券市场中，由于国债具有特殊的地位，既是财政政策工具，同时也是连接财政政策与货币政策的纽带，国债的波动对实体行业的影响应该是最大的。相对于银行和债券市场，股票市场虽然风险也很大，但股票属于浮动收益，不具有刚性兑付的要求，对实体经济的风险溢出可能弱于债券市场。而外汇市场在中国起步较晚，中国虽然是出口导向型经济，但经济仍然以内循环为主，外汇市场的风险对实体行业的溢出较小。20172020年中美贸易摩擦的发生，美方对中国出口的商品加征关税，导致不论是以劳动密集型为主还是以资本密集型为主的出口企业都受到了影响，出口企业的经济不景气，与出口联系密切的外汇市场也必然受到影响，实体经济和金融市场可能存在双向的风险溢出。在此期间，外汇市场可能会出现被溢出的情况，股票市场的表现也相对低迷。因此可知，虽然银行、股市、债市、汇市都具有优化配置资金、进行风险分散的功能，但在不同金融结构下这些市场具有不同的侧重点和比较优势。偏于硬预算约束的银行和债券市场对实体行业的影响要强于软约束的股票和外汇市场，考虑到实体经济和金融市场可能存在双向溢出关系，由于中美贸易战导致出口企业的损失，同时由于经济下行导致的企业基本面风险，股票市场和外汇市场可能会成为风险承受方。假说1：金融市场与实体行业存在着双向溢出的关系，银行业和国债对实体行业的风险溢出效应最大，外汇市场风险溢出效应相对较低，可能出现风险被溢出的情况。（二）金融市场风险对实体经济各行业的异质性溢出从实体经济需求结构看，处于不同经济发展时期的经济体，所需求的融资渠道显然不同。对于中国传统行业而言，其产业结构通常是劳动密集型产业，对企业的创新度和融资要求不高，这种行业所具有的风险较小，此时以稳定经营为主旨的银行业是与该产业形式相符合的主要融资渠道（林毅夫等，2009）。银行更善于获取和处理“标准化”的信息，对于风险较低的传统行业，资金回报较稳健，银行是适宜的融资渠道，银行风险也较多地向这些行业传递，而银行较少为技术和产品较新的高风险项目融资，对他们的影响也较小。相较而言，金融市场允许投资者持有不同的信息和看法，风险较高的创新企业更易通过金融市场获得资金，对于技术密集型产业而言，其在生产中需要大量资本和融资，这种产业的创新风险更高。股票市场和债券市场是与这些行业需求所匹配的（毛盛志和张一林，2020），因此，股票和债券市场对这些高新技术行业的风险溢出也更明显。假说2：不同金融市场的溢出风险效应主要体现在不同行业。银行业的影响更容易传导至工业和能源业等传统行业，而债市的影响更多传导到信息技术等新兴行业。（三）债券市场各主体风险对实体行业的溢出异质性从债券市场看，由于中国债券市场发展晚，起步慢，成熟度不及股票市场，仍存在信用评级不完善、流动性不足、债券市场相互割裂等问题，在一定程度上抬升了债券市场风险的内生性。近年来债券市场不断发展，并打破刚性兑付，违约事件频发，外溢效应变大，且溢出效应甚至可能强于股票市场。由于国债的发行主体是国家，所以具有最高信用，被公认为是最安全的投资工具。而企业债在中国大多数是国企发放，可以说国债和企业债属于政府行为，公司债是市场行为，因此具有政府性质的债券对于实体行业影响可能更大。此外，由于企业债和公司债有违约风险，而国债的违约风险相较于前两者明显更低。虽然国债的波动对实体经济各个行业的影响最大，金融与经济 2024.0120JRYJJ但是从尾部风险看，国债的影响应该弱于企业债，因此具有信用风险和违约可能的企业债的市场风险溢出效应可能更强。假说3：在细分的债券市场中，相较于国债，企业债与实体行业的尾部相关系数可能更大。三、研究设计（一）研究各个市场之间的均值溢出、波动溢出效应针对金融子市场和实体行业在各个子交易市场之间的均值溢出、波动溢出效应，首先就必须对不同子交易市场的平均收益率和波动度序列进行建模。借鉴高扬和李春雨（2021）的研究，GARCH族模型可以较好地描绘市场间波动的变化趋势，而GJR-GARCH模型也有助于更深入捕捉波动的非对称性信号。为此，将先后使用GARCH（1，1）和拟合度较高的GJR-GARCH（1，1）对研究中的收益率数据进行拟合，并获取波动率序列。通过对收益率序列构建的ARMA（p，q）-GJR-GARCH（1，1）的模型如下所示：Ri，t=0+j=1pjRi,t-j+i,t+j=1qji,t-j（1）i，t=i，tzi，tzi，ti.i.d.skst（2）2i,t=0+(1+1dt-1)2i,t-1+12i,t-1（3）dt-1=1,i,t-100,i,t-10（4）其中，式（1）为均值方程；式（2）为误差项的分布特征，由于指数收益率序列的偏态分布特征，对误差项采取偏t分布；式（3）为条件方差方程，i=1，2，3，4，5，11分别代表金融市场和实体行业，Ri，t（t=1，2，T）为11个研究变量的对数收益率，2i,t=Var(Ri,t|It-1),It-1为t-1时刻的条件信息集；dt-1为虚拟变量，式（4）分别反映利好利空消息对不同市场冲击的杠杆效应。在 Diebold&Yilmaz（2014）对预测误差方差分解的溢出指数模型的改进中，使用 TVP-VAR模型捕捉研究对象的时变溢出效应，在不损耗原始数据信息的情况下，有效测度金融风险跨市场传染的特征。分别对N个市场已实现的收益率（波动率）建立p阶TVP-VAR模型如下：Vtt=t=1iRtt-i+t（5）其中，Vtt是样本的n 维列向量；i为nn的系数矩阵，t为随机扰动列向量，且服从独立同分布，不存在序列自相关。上标中的t表明考虑了时变因素。则VAR（p）的移动平均形式为：Vtt=t=1Ati+t-iAti=1Ati-1+2Ati-2+pAti-p（6）基于此，进行向前H步预测误差方差分解，预测误差方差分解矩阵的公式如下：Hih-j=-1iih=0H()eiAhej2h=0H()eiAhAhej2（7）其中，Hih-j表示第i个市场收益率（波动率）的预测误差方差来自于第j个市场收益率（波动率）的比例，将矩阵标准化如下：Hij=Hijj=1NHij（8）i,j=1NHij=N,j=1NHij=1（9）最后对风险溢出的三个指数进行定义：总溢出指数：Stotal=1001Ni,j=1;ijNHij（10）有向溢出指数：溢出指数St0（toothers）和溢入指数Sfrom（fromothers）Sto=1001Nj=1;ijNHijSfrom=1001Nj=1;ijNHij（11）净溢出指数：Snet=Sto-Sfrom（12）（二）研究各个市场间的尾部风险溢出效应相对于均值溢出和波动溢出从平均收益的角度评估风险，尾部风险重点关注于收益的左尾分布情况，其研究了市场间同时存在极端收益率的相关性。GJR-GARCH模型可以捕捉市场波动的典型特性，而Copula函数则可以刻画金融市场与实体经济主要行业之间的风险溢出效应21JRYJJ两种市场之间的相依结构，将二者组合可以更有效反映金融市场的时变风险溢出效应。该文中对Copula的主要参数估计和尾部相关系数分析的计算结果，均通过 Matlab 中的 DynamicCopula Toolbox（2010）完成。任何的二维变量联合分布函数都可由相应的边缘分布与其连续函数来构成。令rs，t、ri，t表示任意两个市场（金融市场和实体行业）s和i在t时刻的收益率，其联合分布函数为：Ft(rs,t,ri,t)=Cts,i(Fts(rs,t),Fti(ri,t)rs,t,ri,tR（13）is，t=（1-is-is）Ris+isris,t-1+isis，t-1）0is+is1，is0，is0（14）其中，is和is分别表示拟合数据对应的系数，is，t为其时变参数，Ris为其样本参数，ris,t-1为其残差参数。尾部相关系数的定义式如下：=limr0+Cts,i(Fts(rs,t),Fts(ri,t)Fts(rs,t)（15）四、实证分析（一）数据说明按照对市场信息的可得性及其对收益率序列的拟合效应，最终确定的研究对象为9个子行业，分别从具有代表性的金融市场和实体行业中选择代理变量。针对金融市场部分，该文在债券市场进一步细分为企业债，国债并作为研究对象，分别选取“上证企业债指数”“上证国债指数”代表企业债、国债市场，选取“中证银行指数”代表银行业、“人民币指数”代表外汇市场；针对整个实体行业，分别从信息科技、生产制造、能源动力、人民健康和基本生活5个方面，选取了较有代表性的5个中证800一级行业指数作为代理变量，其中包括“信息技术行业指数”“工业行业指数”“能源行业指数”“医药行业指数”和“消费行业指数”。数据来源于Wind以及同花顺数据库，所有价格数据均为日收盘价，剔除交易日不匹配的数据和因节假日等因素而未进行交易的天数之外，时间区间为2019年3月1日至2023年2月28日，共包含8739个观测数据。中证银行指数是中国证券指数有限公司选取属于银行业的代表性股票，通过计算其交易金额和加权市值得出的指数。其成分股共32只，用以反映银行业的整体表现。而且在其所对应的市场里具有代表性，国内外部分学者也曾用相应指数代表相应市场，因此选择中证银行指数代表银行业。因为金融时间序列数据通常存在着非线性、不平稳、波动聚集等特点，因此一般在构建模型分析前，对其进行了对数化处理，以保证价格与收益之间的统一性。计算公式是：ri，t=ln（Pi，t/Pi，t-1）100（16）（二）收益率和波动率描述性统计分析运用式（16）得到对数收益率后，开始提取波动率序列，采用建立GJR-GARCH（1，1）模型获得收益率序列中对应的波动率，并进行相关数据分析。表1为各市场收益率序列的描述统计分析结果。外汇市场和债券市场的对数收益率序列标准差小于1，而其他金融子市场以及5个主要实体行业的对数收益率序列的标准误差均在12左右，这说明除了外汇市场和债券市场的离散程度较小之外，其他金融市场和五大实体行业的收益率离散程度较大。从波动幅度看，信息技术行业的收益率波动的幅度最大，国债行业的波动幅度最小。信息技术行业、工业行业、能源行业、医药卫生行业、消费行业、外汇市场的偏度系数均小于0，国债市场和银行业的偏度系数均大于0，说明系统中各个市场的收益率序列分布均呈现一定的非对称性特点；通过各市场的收益率序列的峰度系数都大于3可以看出，系统中所有市场的对数收益率在分布上都呈现出“尖峰厚尾”的非正态性特征。从JB检验结果看，金融子市场与五大实体行业均显著不服从正态分布。对各市场指数的收益率序列矩阵进行Ljung-BoxQ（20）检验，结果表明各个市场的收益率序列具有明显的自相关性；对金融市场和实体行业进行ARCH-LM检验，结果表明系统中金融市场的对数收益率序列均具有显著的金融与经济 2024.0122JRYJJARCH效应。进行单位根检验和ARCH效应检验，可以看出所有序列均为平稳时间序列且均存在异方差效应。表2为波动率数据的描述分析结果。与表1的收益率序列类似，金融子市场和五大实体行业的波动率序列在分布上都呈现出“尖峰厚尾”的非对称性特点。（三）基于常系数模型的估计结果采用常系数VAR模型测算金融子市场之间和对五大实体行业的各类溢出指数，包含每个行业的总溢出指数、每个行业的溢出、溢入及净溢出指数。首先，对收益率序列和根据 GJR-GARCH（1，1）模型获得的波动率序列建立VAR模型，并依据AIC标准和BIC信息准则确定了滞后阶数选取为3。其次，计算出收益率序列和波动率序列的预测误差方差分解矩阵，向前预测步数H的选取为VAR模型的滞后阶数3。这样可以用收益率和波动率序列预测误差方差分解矩阵表示金融子市场和五大实体行业的均值溢出、波动溢出状况。表3和表4依次给出收益率序列和波动率序列所对应的溢出状况。其矩阵中对角线的因素表示了一个市场本身所承受的风险比率。为使结果简洁直观地呈现，表3和表4仅显示金融市场对五大实体行业的均值溢出、波动溢出情况。也就是说，表3和表4显示的是收益率和波动率序列预测误差方差分解矩阵的表1收益率序列描述性统计结果项目消费工业信息技术能源医药企业债国债人民币指数银行指数标准差1.6601.4261.7931.6751.6680.0180.0380.2371.220偏度-0.269-0.697-0.525-0.356-0.3011.1501.257-0.1760.290峰度3.8303.6834.3844.3183.99710.61919.0893.6014.167J-B148.8*631.9*276.79*240.04*55.547*2572.7*10462*533.77*721.21*ADF-10.508*-9.9074*-9.596*-10.023*-10.344*-6.4287*-18.982*-10.521*-10.494*L-B（20）12.653*9.5955*23.251*29.08*22.919*599.67*62.569*29.723*16.891*ARCH（20）35.578*46.779*72.682*88.936*59.305*16.505*32.593*64.912*35.598*注：*、*和*分别表示在1%、5%和10%的水平上显著。表2波动率序列描述性统计结果项目消费工业信息技术能源医药企业债国债人民币指数银行指数标准差1.1601.7821.8422.0841.1730.0010.0010.0480.807偏度1.7006.4492.4052.1051.4112.3846.1833.3694.964峰度3.45861.9216.2264.8993.48910.88653.96817.13439.277J-B956.74*162551*2516.8*1697*575.98*625638*187234*13778*66693*ADF-5.5571*-7.5531*-4.2532*-5.1341*-4.7841*-7.9160*-6.8096*-6.1204*-7.058*L-B（20）5233.2*1226.6*8396.5*6441.2*7391.2*599.7*1625.9*2942.3*1801.9*ARCH（20）754.25*267.69*789.88*736.36*825.55*32.493*35.578*471.62*397.97*注：*、*和*分别表示在1%、5%和10%的水平上显著。金融市场与实体经济主要行业之间的风险溢出效应23JRYJJ部分，但总溢出指数，每个行业的总溢出指数、每个行业的溢出、溢入及净溢出指数均是由全部数据样本计算得出的。1.收益率序列预测结果表3收益率序列溢出通过对金融市场和实体行业的收益率序列溢出研究，可以发现银行业市场和国债市场对其他市场的溢出效应比较强，企业债市场和外汇市场对其他市场的溢出效应则更弱，这里只比较了溢出指数，验证了假设1。同时从表3可以看出，不同的金融子市场的对外风险溢出效应会体现在不同的实体行业。从银行业市场看，银行业传递到五大实体行业的均值溢出是：12.1%的均值溢出传递到能源行业，9.0%的均值溢出传递到消费行业，6.1%的均值溢出传递到工业行业，传递到信息技术行业和医药卫生行业的均值溢出为3.8%和4.2%。在系统中，来自银行业市场的均值溢出将会更多地传导至能源业市场和消费市场中。对于银行业来说，其在整个系统中为净溢出方，说明对银行业市场相较于其他金融子市场的溢出效应更大。从国债市场看，在国债市场对实体行业的均值溢出中，传递到信息技术行业、工业和消费行业分别为2.2%、1.7%和1.6%，传递到医药和能源行业分别为1.3%和1.1%。因此，在实体经济和金融子市场中，来自国债市场的均值溢出会更多地传导至信息技术行业，其次是工业和消费行业。对于外汇市场而言，在系统中，其溢出指数为11.1%、溢入指数为26.9%，属于净溢入方。从实体行业看，来自外汇市场的均值溢出则会更多地传导至信息技术行业。综上所述，可以看出不同金融市场对实体行业的溢出风险效应不同，这与系统中各行业的特征有关。2.波动率序列预测结果从表4中可以发现，国债市场对五大实体行业的波动溢出占比12.9%，其中3.8%的波动传染到信息技术行业，3.7%传染到工业行业，2.0%传递到消费行业。就波动溢出而言，信息技术行业和工业行业在实体行业中主要承担国债市场的波动溢出。银行业对系统中实体行业的总波动溢出为39.1%，其中主要的波动溢出传递到能源市场。从波动溢出看，能源市场主要承担银行业的波动溢出。而外汇市场与实体行业间的波动溢出关系同样较不明显，外汇市场更偏向于信息技术行业。表4波动率序列溢出通过与表3对比可以发现，金融子市场的净溢出指数都有不同幅度的扩大或减少，这说明了收益率序列计算的均值溢出和由收益率序列提取的波动率计算的波动溢出略有不同。根据文献看，波动率序列更受认可，但总体看，不论是均值溢出还是波动溢出，仍然是银行业市场和国债市场对其他市场的溢出效应比较强，企项目消费工业信息技术能源医药企业债人民币指数国债银行指数溢出指数净溢出指数企业债0.30.50.41.00.472.75.41.80.910.8-16.6人民币指数0.50.60.80.50.56.073.11.80.711.1-15.8国债1.61.72.21.11.33.63.272.62.217.0-10.5银行指数9.06.13.812.14.22.83.34.152.245.4-2.4溢入指数58.867.263.950.258.127.426.927.547.8427.7项目消费工业信息技术能源医药企业债人民币指数国债银行指数溢出指数净溢出指数企业债1.20.91.01.70.655.74.12.91.013.5-30.8人民币指数0.81.23.01.10.55.566.22.11.816.0-17.8国债2.03.73.81.61.85.53.661.41.723.6-14.9银行指数7.07.36.211.27.44.14.53.350.351.01.3溢入指数56.761.863.644.159.744.333.838.649.7452.2金融与经济 2024.0124JRYJJ业债市场和外汇市场对其他市场的溢出效应则更弱，并不与假说1相背离。综上所述，根据金融子市场对实体行业的均值和波动溢出指数可知，银行业市场和国债市场对实体行业的溢出效应明显更强，企业债市场和外汇市场与5个实体行业间的均值和波动溢出关系较不显著，企业债市场和外汇市场的净溢出指数为负值，说明这两个市场出现了风险被溢出的情况，也就是实体经济的风险向金融市场溢出的更多，间接证明了实体经济和金融市场间存在着双向溢出，实体经济下行带来的风险同样传导至企业债市场和外汇市场，使得这两个市场的风险上升，证明了假说1。同时，发现不同金融子市场对实体行业的风险溢出体现在不同行业上，债券市场的均值溢出和波动溢出在信息技术、工业、消费行业较为明显，而银行业的均值溢出效应和波动溢出效应则更多体现在工业、医药和能源行业中，企业债市场溢出更偏向消费行业，外汇市场更偏向于信息技术行业，这验证了假说2。究其原因，这或许与中国的金融结构和实体经济对于融资渠道的不同需求有关。（四）基于时变样本的动态分析图1和图2为债券市场细分后的金融市场与实体行业之间波动溢出的动态时变特征。其中，图1（a、b、c、d）分别代表国债、企业债、外汇市场和银行业整体的时变净溢出指数；图2（a、b、c、d、e）分别代表信息技术、工业、能源、医药卫生、消费这五大实体行业间与细分后溢出指数最高的两个金融市场间的时变波动溢出。需要说明的是图1表示每一个细分的金融市场整体的净溢出指数，包括对实体行业、其他金融市场和自身的溢出情况，因此数值较图2只考虑细分的金融市场与单个实体行业之间的情况会略有不同。通过图1（a、b）可以看出，整体的债券市场的净溢出指数小于0，说明债券市场的被溢出作用更明显，在多数时间内该市场是净溢入源，在危机发生时债券市场扮演风险接受者的角色。对于国债市场而言，其在2020年之后，净溢出指数为负。对于企业债而言，虽然处于溢入状态，但是溢入的程度在变小，说明企业债风险的溢出和溢入在趋于平衡。图1（d）可以看出，在2020年前，银行业对经济系统中净溢出指数为由正变负，说明此时银行业的溢出和溢入效应都较强，两个力量此消彼长；2020年之后，银行业对经济系统的净溢出指数在0处上下波动，但是以正值为主，说明溢出和溢入力量相当，溢出效应更大一些。其中，2021年初左右，银行的风险溢入效应明显较大，和这时候的实体经济下滑导致不良贷款增加有关。图1（c）可图 1各个市场净溢出时变指数图abdc金融市场与实体经济主要行业之间的风险溢出效应25JRYJJ以看出，外汇市场的净溢出指数持续为负，这表示外汇市场的风险溢入大于风险溢出，这主要是由数据选择年限为中美关系降至冰点时期，此时由于中美关系持续恶化对中国实体经济出口的影响，外汇市场成为风险接受方，2022年时溢出为正，当时人民币处于升值趋势，影响出口，导致风险溢出。另外，根据黄昌利等（2021）的研究，新冠疫情暴发后，2020年1月份出现企业债市场的溢出指数大幅减弱、银行业的溢出指数明显增强的情况或与新冠疫情的冲击有关。金融子市场的净时变溢出指数和细分后各个金融市场对实体行业的溢出指数在2020年附近均存在明显的转变，具体表现为银行业市场由原本的风险溢入方变为风险溢出方，国债市场和外汇市场由风险溢出方转变为风险溢入方；金融市场对各个实体行业的溢出指数均存在上升趋势，这些变化说明了在2020年新冠疫情暴发导致实体经济衰退，金融行业所产生的风险被传递到了实体经济行业。由于银行业在经济系统中是相对被动方，在很长时间里一直是风险的溢入方，随着疫情后经济衰退，银行业的贷款违约风险增加，所以银行业在这段时间的风险溢出增加。通过图2看出，在实体行业和细分后金融市场的时变波动溢出中，银行业市场和国债市场的波动溢出起主导作用，这说明当银行业和债券业出现危机之时，其风险更容易传导到实体经济中。综合图2可以发现，不同金融子市场对实体行业的风险溢出体现出一致性，其中溢出效应最大的是银行业市场，其次是国债市场，企业债市场对其他实体行业的波动溢出效应较为均衡，外汇市场的波动溢出效应在实体行业中并不明显，这验证了假说2。在横向对比各个实体行业受到的风险溢出程度时，发现能源业受到的来自金融市场的风险溢出要比其他行业大得多，这主要是由于大宗商品（石油、钢铁、煤炭）大部分会通过期货、期权进行交易，进而与金融业务往来联系密切，因此导致能源业所受的风险比重较大。不同时期金融市场与实体经济之间的溢出关系可能存在差异。从波动溢出效果的时间异质性看，信息技术行业总体上溢出效应比较平图2细分后市场波动溢出图badce金融与经济 2024.0126JRYJJ稳，可能和技术行业与金融形势联系不太紧密有关；能源行业的波动溢出在2022年有一个明显的上升，原因可能是俄乌冲突导致的能源供给发生变化，导致金融风险传导增强；消费行业波动溢出在2021年后有上升趋势，原因可能是国家出台政策，使得金融机构提高消费信贷，也就导致对消费的风险溢出提高；工业行业在2022年后有上升趋势，原因可能是近两年的金融政策发力，金融的风险向工业传导更多；医药行业在2021年和2022年底波动溢出比较高，原因可能是核酸常态化和新冠疫情暴发导致财政支出增加，金融行业的风险积聚导致溢出增加。相对于银行业的溢出效应，国债市场的溢出效应波动较小，原因在于中国仍然是以银行为主的金融体系，信贷是影响各个行业的主要因素，风险溢出的主要源头也是银行。表5细分后市场波动溢出表综上所述，在细分的金融子市场与实体行业的风险溢出效应结论如下：第一，国债市场和银行业对实体行业的风险溢出强于企业债市场或汇市；第二，新冠疫情和重大政治军事事件的冲击会改变金融市场对实体行业的净风险溢出状况；第三，在银行业与实体行业的风险溢出中，银行业对能源业的波动溢出起主导作用，对工业的波动溢出次之，因此需要金融监管部门加强三者之间的风险防范意识，及时避免金融风险向其他领域传播；第四，横向比较国债细分市场与实体行业间的风险溢出（图2），可以发现，在每个实体行业中的波动情况基本一致，但波动幅度略有不同。第五，横向比较不同实体行业受到金融市场的风险溢出大小，能源业由于大宗商品交易的关系，导致相对其他实体行业而言，能源业受到的风险溢出更大。（五）基于Copula的实证结果分析1.实证步骤首先，对各个市场收益率序列进行ADF检验。从表1看出，9组研究数据均为平稳的时间序列。其次，针对收益率数据、在分布上明显的“尖峰厚尾”的非对称性、非正态性特点，结合AIC数值和系数显著性来选取每组收益率数据的最优 GARCH 拟合模型，根据收益率数据得出，偏 t 分布的 GARCH 类模型（这里指 GJR-CARCH模型）相比标准t分布的GARCH类模型具有更好的拟合效果。最后，对得到的残差序列进行检验，对比了常用的 3 种静态 Copula（Normal、Clayton、偏t）及其对应时变函数的拟合优度情况，在此基础上建立时变Copula模型。2.模型估计采用偏t分布GARCH（1，1）模型对单个市场收益率序列进行建模，参数估计结果如表6所示。从 表 6 可 以 看 出，各 市 场 收 益 率 序 列GARCH建模结果中0，0，+1，并且十分接近于1，说明各序列变动平稳，模型具有实际意义。偏t分布的、系数在1%的水平上均显著，表明偏t分布较好地拟合了收益率的边缘分布序列。因此，基于t分布的GARCH（1，1）模型较好拟合了各市场对数收益率的边缘分布，提取了各序列特征。标准残差序列偏t分布拟合结果见表7，vi为标准残差序列服从偏t分布的自由度参数，自由度参数越小，边缘分布的尾部越厚。可以看出，在金融市场中，以人民币指数为代表的汇市的自由度参数最小，说明与其他三个市场相比，具有更厚的尾部，在一定程度上说明其出现极端值的概率更大。而在实体经济市场中，工业类市场与其他四大市场相比，具有更厚的尾部，其出现极端值的概率更大，也表明该市场发展的不健全性与相对脆弱性。根据时变Copula结果和式（14）对金融业与实体行业之间尾部相关系数进行计算，表8为其均值和标准差。由于政府政策和经济条件的变化，金融市场对实体行业的作用也是动态的，与静态Copula具有固定的相关参数相比，时变Copula的项目第一影响第二影响金融-信息技术银行业市场国债市场金融-工业银行业市场国债市场金融-能源银行业市场国债市场金融-医药卫生银行业市场国债市场金融-主要消费银行业市场国债市场金融市场与实体经济主要行业之间的风险溢出效应27JRYJJ相关参数具有时变性，用来解释各个行业之间相关关系的动态演变显然更合理。由表8可知，与银行业相比，债券业整体与实体行业的下尾相关性更强。在细分后的金融业和实体行业的时变尾部相关系数中，相较于国债，企业债与实体行业的相关系数最大，验证了假说3。中国规定，只有国有企业或者国有控股的机构才能发行企业债券，而国债相比于企业债更加稳定，因此债券市场下细分的企业债与实体行业的相关系数最大，符合中国的实际情况。国债市场与实体行业间的时变相关系数有正有负，表明国债对实体经济起到的作用更加复杂。除主要消费之外，银行业和实体行业间的相互影响较为正向，金融业内的银行业与实体行业下尾相关系数较小。在金融市场和实体行业的时变尾部相关关系中，能源业最为明显，这进一步证明了能源业更容易受到来自金融市场风险溢出的影响，这是由于能源类商品的期货交易行为，能源业与金融市场的业务往来更密切。五、结论与对策建议该文研究结论有以下几点：首先，银行业和债券市场对实体行业的风险溢出效应大，汇市表7标准残差序列偏t分布拟合结果参数vii国债1.05574.0125企业债1.20173.0112人民币指数0.96004.4965银行业指数1.12954.6991消费0.99196.4394工业类0.86336.8283信息技术0.92819.1814能源0.96305.8537医药0.864917.9378表6GARCH（1，1）参数估计结果参数iiiLL国债0.0001*0.0467*0.9011*978企业债0.0002*0.2998*0.5239*2134人民币指数0.0020*0.1022*0.8726*137银行业指数0.0896*0.0641*0.8795*-1501消费0.0903*0.0566*0.9110*-1824工业类0.0887*0.0781*0.8765*-1649信息技术0.0814*0.0481*0.9242*-1888能源0.0433*0.0844*0.9042*-1780医药0.1084*0.0804*0.8811*-1837注：LL表示对数似然值，*、*和*分别表示在1%、5%和10%的水平上显著。表8时变尾部相关系数