基于RT-GAS Copula模型的经济金融行业非对称相依性及风险溢出研究.pdf

StatisticalResearch2023年5月May2023Vol.40,No.5第40 卷第5期统计研究基于RT-GAS Copula模型的经济金融行业非对称相依性及风险溢出研究徐君郭宝才内容提要：考虑到实体经济行业与金融行业间的相依关系存在杠杆效应，本文采用GJR门限结构将杠杆效应纳入包含高频信息的广义已实现自回归得分Copula（G RA SC o p u l a）模型中，构建广义已实现门限自回归得分Copula（RT-G A SC o p u l a）模型。利用RT-GASCopula模型揭示实体经济行业与金融行业间时变相依关系对行业收益的非对称响应，并进一步分析经济金融行业间风险溢出的非对称性和时变特征。研究发现：各行业间的相依关系存在显著的杠杆效应，某一行业收益的上涨和下跌对该行业与其他行业间时变相依关系的影响是非对称的；行业间的相依关系会受到国家调控政策和各类市场风险事件的影响；行业间的系统性风险溢出存在非对称性，且会受到严重风险事件的影响。此外，有效性检验结果表明，当行业间相依关系存在显著杠杆效应时，RT-GASCopula模型的拟合和预测能力优于现有时变Copula模型。关键词：相依关系；杠杆效应；GJR门限结构；RT-GASCopula模型；风险溢出D0I:10.19343/ki.11-1302/c.2023.05.005中图分类号：F830文献标识码：A文章编号：10 0 2-456 5(2 0 2 3)0 5-0 0 6 4-14Research on the Asymmetric Interdependence and Risk Spillover ofEconomic and Financial Industries Based on RT-GAS Copula ModelXu Jun&Guo BaocaiAbstract:Considering that there is a leverage effect in the interdependence between the real economyand financial industries,the GJR threshold structure is used to incorporate the leverage effect into theGeneralized Realized Autoregressive Score Copula(GRAS Copula)model containing high-frequencyinformation to construct the Realized Threshold GAS Copula(RT-GAS Copula)model.Based on this,weuse the RT-GAS Copula model to reveal the asymmetric response of the time-varying interdependencebetween the real economy and the financial industries on industry returns,and further analyze theasymmetric and time-varying characteristics of risk spillovers between the real economy and financialindustries.The results show that:first,the interdependencies between various industries have a significantleverage effect,and the rise and fall of one industrys return have asymmetric effect on the time-varyinginterdependencies between that industry and other industries;second,the inter-industry interdependenciesare affected by national regulatory policies and various market risk events;third,the systematic riskspillovers between industries are asymmetric and affected by severe risk events.In addition,the validity test*基金项目：国家社会科学基金一般项目“条件视角下参数估计对统计质量控制图的影响与修正改进研究”（18 BTJ037）；全国统计科学研究重点项目“过程参数未知下的在线监控问题研究”（2 0 19LZ34）：浙江省属高校基本科研业务费一一青年教师科研创新专项一般项目“基于高频数据的动态Copula模型及其在市场相依性研究中的应用”（GK229909299001-227）。徐君郭宝才：基于RT-GASCopula模型的经济行业非对称相依性及风险溢出研究第40 卷第5期65results show that the in-sample ftting and out-of-sample prediction capabilities of the RT-GAS Copulamodel are better than the existing time-varying Copula models when there is a significant leverage effect ofinter-industry interdependence.Key words:Interdependence;Leverage Effect;GJR Threshold Structure;RT-GAS Copula Model;Risk Spillover引言和文献综述2008年国际金融危机后，学术界和监管部门越来越关注系统性风险度量和预警问题。目前对于系统性风险的研究主要集中于金融体系内部，然而实体经济行业与金融行业的联系也愈发紧密和复杂化。因此，对系统性风险的研究不应局限于金融体系，也应重视实体经济对系统性风险的影响。同时，当金融体系内部风险爆发时，也会通过实体经济及各行业与金融体系间的复杂相依关系在整个经济金融体系内部传导，从而波及整个系统，最终成为系统性风险（李政等，2 0 19），并引发严重危机事件。因此，立足于整个经济金融体系，探究实体经济行业与金融行业间的系统性风险溢出，对维持经济健康平稳发展具有一定的现实意义。近年来，国内学者尝试从不同角度，利用不同度量方式对我国金融市场间的系统性风险溢出进行研究。杨子晖等（2 0 18）采用在险价值VaR、边际期望损失MES、条件在险价值CoVaR及条件在险价值差ACoVaR共4种风险度量指标，从静态和动态两个角度研究金融风险的跨部门传染情况；李政等（2 0 19）构建上行和下行条件期望损失CoES系统性风险指标，监测我国银行、证券和保险3个金融行业间的系统性风险溢出效应；刘超和刘彬彬（2 0 2 0）改进非对称CoVaR模型，考察我国42 家上市金融机构间的尾部风险溢出。然而，上述文献均是基于金融市场间的系统性风险进行分析，忽视了实体经济与金融行业间的风险传递。为探究实体经济与金融行业间的风险溢出效应，叶五一等（2 0 18）构建动态因子Copula模型，度量我国2 8 个实体经济与金融行业间的系统性风险溢出效应；崔金鑫和邹辉文（2 0 2 0）基于自回归条件偏度峰度GARCHSK模型，从均值、波动率、偏度和峰度4个层面探究11个实体经济与金融行业间的风险溢出效应；马亚明和胡春阳（2 0 2 1）利用弹性网络异质性向量自回归模型，分析金融与实体行业间双向风险溢出水平的动态趋势；李政等（2 0 2 2）通过构建好坏波动溢出网络，揭示正负冲击下实体与金融行业间的波动风险溢出效应。以上文献均证实了实体经济行业与金融行业间存在普遍的风险溢出效应。准确测度系统性风险溢出的前提是有效刻画不同市场间的相依关系（杨子晖和周颖刚，2 0 18）。Patton（2 0 0 6）首次提出时变Copula模型，而后该模型被广泛应用于市场间复杂动态相依关系的研究之中（苑莹等，2 0 2 0；曹洁和雷良海，2 0 2 1）。随着对市场间时变相依关系研究的不断深入，更具针对性的时变Copula改进模型也应运而生。Creal等（2 0 13）为避免Copula时变参数演化过程设定的主观性，将广义自回归得分（GAS）理论与Copula模型相结合提出新的时变Copula模型（GASCopula模型）。近年来，由于高频信息在波动率建模中的成功应用，学者们开始思考高频信息是否能够提高相依性模型的拟合和预测能力。基于此，Salvatierra和Patton（2 0 15）将已实现相关系数纳入GAS理论之中，提出广义已实现自回归得分（GRAS）模型，并构建GRASCopula模型，实现了高频信息与时变Copula模型的有效结合，且实证表明纳入高频信息的GRAS Copula模型对时变相依关系具有更强的捕捉能力。因此，为更准确地测度实体经济与金融行业间的风险溢出效应，有必要基于高频信息进行研究。此外，金融市场杠杆效应一直是风险管理领域中的热点问题。较多学者考虑在现有波动率模型2023年5月统计研究66中加入杠杆效应构建新的波动率模型，以提高模型对波动率的刻画能力，如Glosten等（1993）、Nelson（1991）、龚旭等（2 0 2 0）。事实上，杠杆效应并不仅仅存在于金融资产波动率中，Kroner和Ng（1998）指出金融资产间的条件协方差对资产收益变化也存在非对称响应。Francq和Zakoian（2 0 12）利用GJR门限结构（Glosten等，1993）拓展多元GARCH族模型，发现多个金融资产间的条件协方差存在杠杆效应。Anatolyev和Kobotaev（2 0 18）在条件自回归Wishart模型的基础上加入杠杆效应，构建条件门限自回归Wishart模型捕捉资产收益对资产间协方差的不对称影响。综上所述，对市场间相依关系的杠杆效应研究是一个不容忽视的问题。梳理上述文献可以发现，时变Copula模型在分析市场间的相依性和风险溢出效应方面仍有广阔的研究前景。一方面，研究表明在低频动态相依性模型中纳入高频信息能够提高模型的性能（Y a ma u c h i 和Omori，2 0 2 0），而当前利用Copula模型捕捉相依性的研究仍以低频环境为主，鲜有学者将高频信息纳入Copula模型中；另一方面，市场行业间的相依关系存在杠杆效应，现有的非对称时变Copula模型主要通过刻画上、下尾相关系数来分析市场收益变化为单一同向趋势（同时上涨、下跌）或反向趋势（某一市场上涨，另一市场下跌）时，市场间相关系数的非对称响应，而无法同时展现市场收益变化存在两种趋势时，市场上涨、下跌对相关系数的非对称影响，如Patton（2 0 0 6）提出的时变SJC（Sy mme t r i z e d Jo e-C l a y t o n）C o p u l a 模型。鉴于此，本文考虑将杠杆效应纳入到包含高频信息的GRASCopula模型之中，根据市场行业收益的涨跌情况将已实现相关系数分解成4个部分，构建能够刻画市场行业间整体相依关系杠杆效应的广义已实现门限自回归得分Copula（Re a l i z e dThresholdGASCopula，RT-G A SC o p u l a）模型，并利用该模型探究2 0 15年1月5日至2 0 2 0 年12 月31日期间，实体经济与金融行业间相依关系的杠杆效应和风险溢出效应的非对称性与时变特征。此外，为证明所构建的RT-GAS Copula模型的稳健性和有效性，本文比较了RT-GASCopula模型与静态Copula、G A SC o p u l a、G RA SC o p u l a 和时变SJCCopula模型的样本内拟合和样本外风险预测能力，结果显示RT-GASCopula模型表现最优。二、数据分析(一)描述性统计本文选择沪深30 0 行业指数为样本，研究我国各行业间的系统性风险溢出效应，具体包括银行、非银金融、工业、医药卫生、公用事业、地产、基建主题、能源、主要消费和运输共10 个行业，其中银行、非银金融行业属于金融行业，工业、医药卫生、公用事业、地产、基建主题、能源、主要消费和运输行业属于实体经济行业。本文选取的行业指数样本时间跨度为2 0 15年1月5日至2 0 2 0 年12月31日，共得到146 2 个交易日的7 0 17 6 组5分钟收盘价数据，数据来源于聚宽量化交易平台。根据公式r=1n(P)-In(P-1)x100计算各行业指数的日对数收益率，其中P,为第t日的收盘价。由该10 个沪深30 0 行业指数日收益率序列的描述性统计结果可以发现，各行业指数收益率序列的偏度均小于0，超额峰度均大于0，说明各行业指数收益率序列均存在左偏、尖峰厚尾的特征，且J-B统计量表明在1%显著性水平下各收益率序列均不服从正态分布。ADF统计量表明10 个行业的收益率序列均为平稳序列，且ARCH效应检验证实了各序列具有自相关性和条件异方差效应。(二)杠杆效应的初步检验根据公式RCOR.=Z-ixukZ，i j=1,10，可计算得到两两行业指数据来源链接：https:/。因篇幅所限，沪深30 0 行业指数描述性统计结果以附表1展示，见统计研究网站所列附件。下同。徐君郭宝才：基于RT-GASCopula模型的经济行业非对称相依性及风险溢出研究第40 卷第5期67数间第t日的日内已实现相关系数，其中r.表示行业i在第t日第k次取样时的收益率。为探究实体经济行业与金融行业间相依关系的杠杆效应，根据行业i收益上涨或下跌（即收益率为正或负）的情况，将行业i和j间的已实现相关系数分解为两个部分，记为RCORt，和RCOR.，进而根据两者差异给出沪深30 0 行业指数间相依关系杠杆效应的初步检验结果。表1中第i行j列（除标题栏外）中的三个数值分别表示样本期间内，序列RCOR.j，、RC O R.,，的总和以及两者均值之差的显著性检验结果，如第1行第2 列的46 6.56 7（48 8.198）为样本期内银行指数收益上涨（下跌）时银行与非银金融行业间已实现相关系数序列RCORtl.FY（RC O Rml FY y.）的总和，0.0 0 7 为RCORtH,FY.与RCORm.FY，序列均值之差检验的p值，意味着在1%水平下RCORmR,FY与RCORim,Fy，的均值显著不相等。由表1可以发现，当某一行业收益上涨或下跌时，该行业与其他行业间的已实现相关系数总和普遍存在差异，且在1%水平下大部分行业间RCOR.j，与RCOR.j，的均值显著不相等，这意味着实体经济行业与金融行业间的相依关系普遍存在杠杆效应。因此，研究各行业间相依关系时，有必要考虑行业收益上涨和下跌对相依关系的非对称影响。表1行业间相依关系杠杆效应的初步检验YHFYGYYYWSGYSYDCJZTNYXFYS466.567428.743334.563334.988388.176428.576386.291342.525374.305YH(488.198)(465.117)(351.446)(356.828)(412.707)(460.748)(415.954)(371.726)(403.885)0.007 0.889 0.240 0.475 0.3550.6390.7650.921 0.857 472.258506.424415.704347.796426.301474.306415.627396.257427.200FY(482.507)(541.820)(448.811)(374.520)(453.782)(508.426)(441.061)(433.789)(458.804)0.643 0.0000.0050.0410.033 0.0000.0560.0010.005449.972524.094468.876424.599465.815651.127476.374452.080585.527GY(443.889)(524.150)(482.447)(424.543)(472.307)(624.393)(475.267)(461.469)(580.475)0.0010.0000.0000.0020.0000.0030.0000.0000.000348.498440.295486.811338.464369.212435.201376.199454.294414.247YYWS(337.511)(424.220)(464.511)(329.569)(363.768)(418.847)(362.384)(438.108)(405.622)0.0010.0000.0000.0020.0000.0000.0010.0000.000343.798361.135429.676334.108340.150556.863367.472322.564376.940GYSY(348.019)(361.181)(419.467)(333.925)(337.384)(536.976)(363.278)(326.751)(373.592)0.0070.0310.2030.1170.1350.1810.1250.0460.095372.693408.552436.681343.693317.664416.959358.450341.712368.278DC(428.190)(471.532)(501.440)(389.286)(359.870)(472.056)(414.559)(401.354)(429.875)0.0000.000 0.0000.0360.041 0.0010.0010.0000.000424.031462.895616.966397.516522.675419.386442.773387.57493.292JJZT(465.293)(519.837)(658.553)(456.533)(571.164)(469.629)(493.749)(442.875)(555.264)0.045 0.000 0.715 0.000 0.0070.003 0.002 0.001 0.000 388.321415.051462.267357.142359.036373.588457.185349.585393.557NY(413.924)(441.638)(489.375)(381.440)(371.713)(399.420)(479.337)(377.161)(428.902)0.0000.000 0.0000.006 0.128 0.002 0.0010.0020.000359.536412.593458.680449.914326.745369.320416.945361.765394.727XF(354.715)(417.453)(454.870)(442.487)(322.570)(373.745)(413.504)（36 4.98 0）(398.916)0.0090.0000.000 0.001 0.040 0.0000.0010.0010.000373.992423.452568.678387.296359.093379.808506.326390.454376.195YS(404.198)(462.552)(597.324)(432.573)(391.439)(418.345)(542.229)(432.005)(417.449)0.0000.0000.0000.0000.0020.0000.0000.0000.000注：YH、FY、G Y、Y Y W S、G Y SY、D C、JJZT、NY、XF和YS分别代表银行、非银金融、工业、医药卫生、公用事业、地产、基建主题、能源、主要消费和运输行业指数，小括号内的数值表示行业1收益下跌（即收益率为负）时与行业的相关系数总和：中括号内的数值表示行业收益上涨和下跌时，该行业与行业间的已实现相关系数均值的显著性检验结果。2023年5月统计研究68三、木模型构建前文分析发现，实体经济行业与金融行业间的相依关系中存在杠杆效应。为有效捕捉该特征，本部分利用GJR门限结构改进GRASCopula模型，提出RT-GASCopula模型。考虑到tCopula模型能够较好地拟合不同市场间的相依关系和尾部相依特征，且易于得到放缩矩阵S-的封闭形式，后文主要以tCopula模型为例构建其衍生模型，即RT-GAStCopula模型。（一）GRASCopula模型以二元变量为例，假定r.，和r分别表示行业i和行业j在第t日的收益率，且边缘分布为F，和Fj，对其进行概率积分变换可得uu，=F（r.）和uj，=Fj（r），则（u,uj，）的GRAStCopula模型表达式为：ui,uC(ui,uj,;p,ve),p,=A(a)A,=Oc+,S-I+.2-1+YRCOR.j,t-1S,=S,7,a logc(ui,uj,;p,v.)1(1+p.(,5,5j,-p.)-p.(元,5%,+元,5%,-2)2(1-p.)-2pV.+2S,=E(V,V)(1)+4V+2V.+4其中，C(u,uj,;P,v)为t Copula函数，c(ui,uj,;P,v)为t Copula密度函数；A()为非减的转换函数，为使得第t日的时变相关系数p,保持在定义域(-1,1)内，设定A(x)=(1-e)/(1+e)；0。，。，。，v。为待估参数，v。为t Copula函数的自由度参数；V,为tCopula对数似然函数关于潜在变量的得分函数，5i=T,(ui.），T()表示自由度为v。的标准学生t分布函数T.（)的逆函数，元,=(v。+2)/(v。+m），m,=(5%+5%,-2 p.5.5j,)/(1-p.)0；S,为放缩矩阵，根据Janus等（2 0 14)取S=1/2；RC O Ri j，为行业i与行业j在第t日的日已实现相关系数；值得注意的是，当=0 时模型退化为GASCopula模型。(二)RT-GASCopula模型构建为反映两个行业间相依关系的杠杆效应，本文参照Glosten等（1993）、Francq和Zakoian（2 0 12）将多元GARCH模型拓展为能够捕捉杠杆效应的非对称多元GARCH模型的做法，在式（1）GRAS模型中设定变量门限以捕捉未来一期条件相关系数对滞后正、负收益率的不同响应，进而构建RT-GASCopula模型，具体包含两步。1.已实现相关系数分解。设r,=ri,rj.表示行业i和行业j在第t日的收益率向量，H,为第t日的条件协方差矩阵，D,=diag(H,）/2 为条件方差矩阵。根据DCC模型的定义（Engle，2 0 0 2），令z,=Dr,，可得条件相关系数矩阵为R,=z,z,=D,r,r,D。针对两个行业收益存在的涨跌不一致问题，根据GJR门限结构，令z=z,I，z=z,I，则R,可以分解为4个部分，即R,=z+zz+z,z，可得zz表达式：d i a g(）表示将矩阵的非对角元素设为0。为Hadamard运算符，表示矩阵中对应元素相乘；向量I=1(r,0),1(r，0)，I,=1(r 0),1(r z,0)I(r,0)R.u,(r,0)I(r.,0)(2)R.,(r.,0)I(r,0)I(r.,0)(r,0)其中，Ri，表示行业i和行业间第t日的相关系数标量。同理可推得zz、z,z 和zz的表达式进而得到相关系数Rij的分解形式。借鉴Bollerslev等（2 0 2 0）的做法，采用日内已实现相关系数RCOR.，替代低频相关系数Ruj，即可得到RCOR，的简单分解式：RCOR.j,=RCOR.j,I(r,0)I(r,0)+RCOR.j,I(r.,0)I(r.,0)I(ri,0)+RCOR,j,I(r.,0)2.RT-GAS Copula模型构建。将GRASCopula模型中的RCOR进行分解即可得到RT-GASCopula模型，其表达式为：(ui,uj,)C(ui,uj,;p,ve),p,=A(a),=Oe+S-+-+RCOR,-(r.-0)I(r.-0)+NRCOR,j,-(r.-0)1(r.-1 0)(r.-0)+M-RCOR,.j,-I(r,-1 0)V,=S,7,alog(uuiP,),s,E(v.)(4)其中，P、M+、M-为杠杆参数，分别表示行业i与行业同时上涨、行业i与行业j同时下跌、行业i上涨与行业j下跌、行业i下跌与行业j上涨这4种收益情况下，滞后相关系数对未来一期相关系数的贡献值；其余参数与变量的设定与式（1）相同。RT-GASCopula模型对行业间相依关系杠杆效应的捕捉主要体现于参数、M+、M-间的差异。具体地，+M+、P+M-、+M-和+M+分别表示行业i收益上涨、行业j收益上涨、行业i收益下跌和行业j收益下跌这4种情况下，行业i和行业间滞后相关系数对未来一期相关系数的影响。需要注意的是，针对行业间相依关系杠杆效应的研究，需要区分行业i和行业j对相依关系的非对称影响，因此在参数估计过程中不能忽视行业的顺序。当行业i和行业j的顺序发生变化时，RT-GASCopula模型中杠杆参数M+、M-的值也将相应地转变。可以发现，当=M+=M0时，RT-GASCopula模型退化为GRASCopula模型；当P=M-=0时，RT-GASCopula模型退化为GASCopula模型。M+（三）RT-GASCopula模型的参数估计根据Copula函数定义，二元变量（ri，r i t的联合密度函数可表示为：f(r,r,ip,ve)=f.(r)fi,(r.)e(uu,uj,ip,ve)（5）其中，J.()和fj()分别表示变量r，和rj，的概率密度函数，u.，和uj分别由r，和r,经概率积分变换所得，c(u,uj;P,v）表示t Copula密度函数，p,表示由式（4）计算所得的时变相关系数。其对数似然函数为：L(p,ve)-Ee,n f(r.,ruip,ve)-E in(f(r.)f(r.)e(uu,ujtiP,ve)(6)边缘分布Copula2023年5月统计研究70其中，T。表示样本长度。可以发现，式（6）由单变量边缘分布的对数似然函数和Copula模型的对数似然函数两部分组成。因此，本文采用两阶段极大似然法估计RT-GASCopula模型中的参数。步骤1：选择GARCH模型刻画单变量的边缘分布，利用极大似然法估计边缘分布函数中的参数，进而对变量(r.，r i)进行概率积分变换得到(u.,u.）。步骤2：将步骤1所得的(uiur,uj，）代入RT-GASCopula模型中，构建对数似然函数表达式，再次使用极大似然估计法得到RT-GASCopula模型的参数估计p，即Top,=arg maxlnc(ui,uj,;P,ve)（7)其中，,为时变相关系数估计值，是待估参数、P、+和M-的函数，其表达式由式（4）确定。四、相依性与风险溢出效应分析(一）边缘分布估计在利用Copula族模型拟合变量间相依关系之前，需要通过概率积分变换将变量转换为服从（O，1）均匀分布的序列。由附表1可知，10 个沪深30 0 行业指数收益率序列均为平稳序列，且存在显著的ARCH效应，本文选择常用的GARCH（1，1）模型描述其边缘分布函数，过滤条件异方差效应，并根据极大似然准则，选择不同行业收益率序列的最优分布。表2 为10 个沪深30 0 行业指数的边缘分布估计结果，可以发现各收益率序列的残差项均不服从正态分布，所有自由度参数与偏度参数均在1%水平下显著，这说明GARCH（1，1）模型能够有效刻画收益率序列的左偏、尖峰厚尾现象。参数,和均在1%水平下显著，+工业 基建主题 能源 地产 主要消费 银行 非银金融 公用事业 医药卫生；这意味着运输行业指数收益上涨对本行业与其他行业间相依关系的影响最大，贡献总和为8.072，工业指数次之（为6.37 0）。值得注意的是，在实体经济内部行业中，工业、基建主题和运输这3个实体经济行业的收益上涨对彼此间相依关系的影响均大于1，运输与能源行业、基建主题行业与公用事业收益上涨对彼此间相关系数的影响也大于1，能源、运输行业收益上涨对其与公用事业间相关系数的影响大于1，而公用事业收益上涨对其与能源、运输行业间相关系数的影响虽然小于1，但相比于对其他行业的影响仍是最大的。这是因为工业、公用事业、基建主题、能源和运输这5个行表3行业收益上涨对相关系数的非对称影响P+yMYHFYGYYYWSGYSYDCJZTNYXFYS总和YH0.4770.3970.2370.4530.5640.4670.3730.4070.4673.843FY0.3210.3850.4290.2950.9270.2410.3450.4390.4223.802GY0.6070.3060.4280.5380.7101.0040.7320.6511.3936.370YYWS0.0490.5080.3460.4270.5330.2620.2910.2760.4933.185GYSY0.068-0.0480.1300.2200.2581.0190.8690.2180.8373.571DC0.8110.9790.3940.4550.4900.4260.8300.4980.5875.469JJZT0.4990.1661.0210.2611.1370.6410.5690.3531.5646.211NY0.4200.1230.4570.2891.0180.8370.4840.7341.2865.648XF0.3710.6330.5480.4110.5440.3410.2410.8460.2704.205YS0.5570.4281.4030.6481.1390.7941.1601.4880.4558.072注：加下划线表示对相关系数的影响大于1，下同。表4行业收益下跌对相关系数的非对称影响y+yM-YHFYGYYYWSGYSYDCJJZTNYXFYS总和YH0.5400.6850.2090.5101.1390.7750.6820.5110.7185.768FY0.6960.2850.5200.2261.1480.2720.2410.6690.3144.370GY0.4750.3630.4460.3830.5851.0480.5900.6321.3825.905YYWS0.3970.4410.5280.3560.6440.4280.3770.4010.7314.303GYSY0.8950.5680.7900.5630.8211.3761.2600.5831.4508.307DC0.8921.0950.9020.7220.5900.8440.9980.5401.0167.599JZT0.7430.3481.0310.4281.2590.6290.6400.4121.1136.602NY0.6340.4620.8650.3791.1110.9920.7240.8421.6607.671XF0.5470.4750.7350.2660.2570.6980.5240.7310.6084.841YS0.6280.3081.3730.5761.1490.8091.5171.4590.4228.239利用RT-GASCopula模型估计两两行业指数间的相依关系，共得45组参数估计结果。因篇幅所限，45组行业的RT-GASCopula模型的参数估计结果以附表2 展示。2023年5月统计研究72业间均存在直接的业务联系，具有极强的现实关联性。另外，地产行业虽然被划分为实体经济行业，但其收益上涨对本行业与银行、非银金融行业间相依关系的影响相对较大，这是由于地产行业泡沫造成房价虚高现象，从而导致房地产被一些投资者作为投机工具，同时政府又通过银行信贷等金融工具对地产行业进行调控，因此地产行业与金融行业间存在较高的关联性，与李政等（2 0 19）的结论一致。表4展示了行业i与行业收益下跌对两者间未来一期相关系数的非对称影响，如第1行第2 列和第2 行第1列表示银行和非银金融行业收益下跌时，两者间的滞后相关系数对未来一期相关系数的影响分别为0.540 与0.6 96。整体来看，不同行业收益下跌时行业间的滞后相关系数对未来一期相关系数的影响存在明显的非对称特征。市场行业下跌时，滞后相关系数对未来一期相关系数的总体影响由高到低依次为：公用事业 运输 能源 地产 基建主题 工业 银行 主要消费 非银金融 医药卫生；可以发现公用事业行业指数收益率下跌对其与其他行业间未来相依关系的影响最大，贡献总和为8.307，运输行业指数次之（为8.2 39）。分析工业、公用事业、基建主题、能源和运输这5个实体经济行业，发现这5个行业收益下跌时具有与表3相同的现象。除此之外，银行收益下跌时，其与地产行业间滞后相关系数对未来一期相关系数的影响大于1，而地产与非银金融行业收益下跌时，两者的滞后相关系数对未来一期相关系数的影响均大于1，这进一步表明地产行业与金融行业间存在较大关联性且在一定程度上受到银行业的管控，与表3结论一致。综合比较表3与表4发现，行业i收益上涨时行业i和行业j间的滞后相关系数对未来一期相关系数的影响，与行业i收益下跌时存在明显差异，如非银金融行业收益上涨和下跌时，银行与非银金融行业间的滞后相关系数对未来一期相关系数的影响分别为0.32 1和0.6 96，两者差值较大。另外，比较表3和表4中的行和可以发现，除工业指数外，某一行业收益上涨时对本行业与其他行业间未来一期相关系数的综合影响均小于该行业收益下跌时的影响。进一步说明无论是实体经济行业还是金融行业，收益上涨和下跌对本行业与其他行业间未来相依关系的影响均是非对称的，这与表1结论相同，可以认为实体经济行业和金融行业间的相依关系存在杠杆效应。2.各行业间的动态相依性分析。为更直观地了解各实体经济行业与金融行业间相依关系的时变特征，本文绘制了RT-GAStCopula模型所捕捉的10 个沪深30 0 行业指数间相关系数的时变过程。可以发现，不同行业间的相关系数存在相似的波动趋势，如2 0 15年“股灾”期间，各行业间的相关系数普遍涨至最高点；2 0 16年1月熔断机制开始实施后，相关系数均出现震荡下跌的现象；2 0 16 年3月“十三五”规划开始实施，各行业间的相关系数再一次涨至最高点；在此之后直至2 0 18 年初，由于国内市场行情稳定，各行业间的相关系数整体呈现下跌趋势；2 0 18 年3月中美贸易摩擦事件引起行业间相关系数的集体上涨；2020年2 月至4月由于新冠疫情的影响，各行业间的相关系数再一次出现集体上涨现象，且国内疫情稳定后行业间的相关系数逐渐下降；2 0 2 0 年6、7 月，我国股票市场出现小牛市，行业间相关系数再次出现集体上涨，但持续时间不到两个月。值得注意的是，地产行业与其他行业间相关系数的波动最为剧烈，2 0 17 年底我国房价达到新高，居民买房的热度居高不下，导致在一段时间内地产行业与医药卫生、能源、主要消费等行业间的相关系数出现负值，即行业间出现负相依现象，对市场经济造成一定程度的冲击。直到国家不断出台调控政策遏制了房价的非理性增长，该现象才逐渐消失。因篇幅所限，时变过程图以附图1展示。2 0 15年6 月股票市场发生异常波动，大盘指数连续暴跌，股票市场损失惨重。为防止股票市场再次发生急涨急跌的异常现象，防范系统性风险的发生，证监会引入指数熔断机制，然而仅实施4天便被紧急叫停。徐君郭宝才：基于RT-GASCopula模型的经济金融行业非对称相依性及风险溢出研究第40 卷第5期73（三）系统性风险溢出分析本部分将基于RT-GA