基于Vine-Copula广义CoVaR模型的我国金融市场间风险溢出研究.pdf

金融风险金融经济2023 年第 8 期(总第 566 期)78一、引言随着我国经济的快速发展，各金融行业间的风险关联逐渐密切，结构模式趋于复杂，各行业除了面临自身风险之外，还易受其他因素的影响。尤其是在重大突发事件的负面冲击下，行业间风险传染的范围与强度难以预测。如 2015 年资本市场发生的“股灾”，其以较高的风险溢出水平，从金融行业波及实体经济；2018 年发生的中美经贸摩擦与 2020 年暴发的新冠肺炎疫情等重大事件，均对金融市场产生了巨大冲击。因此，明晰我国金融市场间的风险溢出效应，有利于对重大金融风险隐患进行准确预防，进一步为维护我国经济稳定提供参考依据。近年来，针对金融市场间风险溢出效应的研究方法大致分为两类：一类探究金融市场间风险溢出的相关性，主要应用线性相关系数法、格兰杰因果检验法、DCC-GARCH 族模型和 Copula 模型（King，1990；Eun 和Shim，1989；Hamao 等，1990；Constantin 等，2018）；另一类则针对实际研究中金融市场间的相关关系复杂多样、数据所表现出的尖峰厚尾和聚集效应等特点，使用 CoVaR 模型度量金融市场间的风险溢出效应。一些学者采用分位数回归法、GARCH 模型计算 CoVaR，来研究我国金融市场各行业的风险溢出效应（谢福座，2010；严伟祥和徐玉华，2017；王曦等，2022）。但由于分位数回归方法以及 GARCH 模型不能刻画非线性结构，学者们转而通过 Copula 计算 CoVaR 来刻画变量间的相依关系及风险溢出效应。Mainik 和schaanning（2014）用 Copula 函数计算广义 CoVaR，实证表明广义 CoVaR 能更好地刻画风险溢出的方收稿日期：2023-05-30作者简介：张蕊，硕士研究生，西安工程大学理学院，研究方向为金融数学与统计研究。卢俊香，博士，教授，西安工程大学理学院，研究方向为金融数学与统计研究。基金项目：国家自然科学基金资助项目“随机 Navier-Stokes 方程空间-时间并行算法的研究”（11601410）；陕西省自然科学基础研究基金资助项目“Copula 理论及其在金融时间序列分析上的应用研究”（2017JM1007）；中国博士后科学基金资助项目“Copula 理论及其在金融时间序列分析上的应用研究”（2017M613169）。基于 Vine-Copula 广义 CoVaR 模型的我国金融市场间风险溢出研究 张 蕊 卢俊香摘要：当前各金融行业之间的联系日益密切，风险溢出进一步增强。在这一背景下，本文构建 Vine-Copula 模型，刻画银行业、保险业、基金业和证券业之间的风险相依关系，将上行广义CoVaR 与下行广义 CoVaR 置于同一结构中，进一步研究当某一行业陷入风险时对其他金融行业的风险溢出效应。实证结果显示，各金融行业均存在显著的正向风险溢出效应，上行风险溢出与下行风险溢出表现出非对称性。分行业而言，证券业对其他行业的风险溢出效应最强，银行业和基金业的风险溢出效应较为平稳，而保险业的风险溢出也处于较高水平，应当重点关注证券业与保险业之间的风险溢出效应。本文研究明晰了金融行业间的风险溢出效应，有助于对我国经济“三期叠加”阶段性特征进行科学理解与准确研判，为防范与化解重大金融风险提供参考依据。关键词：金融行业；风险溢出；Vine-Copula；广义 CoVaR中图分类号：F832.5文献标识码：A文章编号：1007-0753（2023）08-0078-09金融风险金融经济2023 年第 8 期(总第 566 期)79向和强度；曹洁和雷良海（2019）选用时变Copula动态广义 CoVaR 模型研究我国金融行业与实体经济之间的风险溢出效应，研究结果表明实体经济与金融行业存在双向风险溢出效应；一些学者还采用 Copula-CoVaR 模型研究了新型互联网金融行业与传统金融行业以及实体经济间的风险溢出效应（李竹薇等，2021；李欣璐等，2021；方国斌等，2022）。在系统性金融风险的测度方面，王剑和杜红军（2023）选取各种 Copula 函数精确计算广义 CoVaR，研究我国传统金融银行业、保险业、证券业以及多元金融的系统性风险，结果表明金融机构个体风险与系统性风险的相关性较弱；吴坚和顾纬清（2021）依靠多个指标，构建了我国系统性金融风险预警指标体系，并以证券市场数据对其进行验证研究；程雪军等（2023）将证券风险划分为多种风险，研究我国金融资产证券化风险。我国金融市场正处于关键转型阶段，各行业易受重大突发事件影响，产生极端风险溢出，但综合已有文献，大部分学者从金融机构整体或系统性金融风险视角刻画了我国金融市场间的传染效应，对行业间的风险相依结构与风险溢出强度探究较少。为此，本文主要从以下两方面对我国金融市场间的风险溢出进行研究：首先，从行业视角出发，以银行业、保险业、基金业和证券业作为研究对象，分析我国金融市场间的风险溢出效应；其次，与以往只采用传统 CoVaR 研究单边下行风险溢出不同，本文采用时间序列 Vine-Copula广义 CoVaR 模型，将单边上行风险溢出考虑在内，研究不同金融行业间的风险溢出，其不单可以描述风险溢出水平随着时间变化的上下波动趋势，同时还扩大了研究对象的数据集，进一步反映更加极端的风险溢出，为准确描述我国金融市场间的风险溢出效应提供依据。二、理论基础与方法（一）边缘分布构建Bollerslev（1986）提出 GARCH 模型，其能够较好地分析刻画具有尖峰厚尾和波动聚集效应等特征的金融数据，且简洁的 GARCH（1，1）能充分反映长期的金融数据波动情况，因此本文选择GARCH（1，1）模型分别拟合各行业收益率序列的边缘分布：X i t=i+i,ti,t=i,t zi,t 2 i,t=i+i 2 i,t+i 2 i,t-1（1）其中，X i t 为行业收益率序列，标准化残差 zi,t从 t 分布、偏 t 分布、GED 分布和标准正态分布中选出；i，i，i，i为待估参数，须满足 i，i，i 0，i+i 1。系数 i越大,则波动性对市场冲击的反应越强烈；i则表示波动的持续性。（二）Vine-Copula 模型理论Sklar（1959）提出 Sklar 定理，设 F（X1，X2，Xn）为 n 维随机变量的联合分布函数，可由其对应的边缘分布 F（X1），F（X2），F（Xn）函数和一个 Copula 函数表示，令 1=F（X1），n=F（Xn），则存在一个函数 C()满足：F(X1,X2,Xn)=CF(X1),F(X2),F(Xn)=C(1,n)（2）其中，C()被称为 Copula 函数，联合密度函数见式（3）：f(x1,x2,xn)=c(u1,u2,un)n i=1 f i(xi)（3）其中，c（u1，u2，un）是 Copula 函数的密度函数，f i（xi）是 F（Xi）的边缘密度函数。Copula 函数可以刻画两变量间的非线性相关关系，而描述多变量间的相关关系时具有一定局限性，Bedford 和 Cooke（2001）最早提出藤 Cop-ula（Vine-Copula），相较于传统 Copula 能精准地刻画多变量间的相依关系，使得变量间的相依关系可以通过树结构来刻画。常用的 Vine-Copula 结构主要有 C-Vine Copula、D-Vine Copula 和 R-Vine Copula。在我国实际金融市场中，银行业是金融市场的基础行业，且资产总规模排名第一，将银行作为中心变量能契合 C-Vine 的结构优势，从而准金融风险金融经济2023 年第 8 期(总第 566 期)80确描述待研究对象间的相依关系，因此本文采用C-Vine Copula 模型，将银行业作为关键节点，分析各金融行业间的风险相依结构。对于任意一个 n维随机向量 X=（X1，X2，Xn），其概率密度可以表示为：f(X)=ni=1 f k(xk)n-1j=1 n-j i=1 cj,i+j|1,j-1F(xj|x1,xj-1),F(xi+j|x1,xj-1)（4）（三）基于 Copula 函数的广义 CoVaR 模型Adrian 和 Brunnermeie（2008）首次提出条件在险价值 CoVaR，其可度量不同金融机构间的风险相依关系以及风险溢出强度，克服了传统方法描述单一市场风险的局限性。设 Xjt表示金融市场j 的收益率，在 t 时刻 Xit发生极端损失 VaRi,t的条件下，Xjt在置信水平为 下发生的极端损失值为CoVaR j|i,t，可表示为：P(Xjt CoVaR j|i,t|Xit=VaRi,t)=（5）由于采用 CoVaR 模型分析各金融行业风险溢出效应时，其包含的尾部信息不全面，Girardi 和Ergn（2013）在其基础上进行推广并提出广义CoVaR，可以更加准确地刻画当某一行业处于极端风险时对其他行业的溢出效应，具体包括上行/下行 CoVaR 两部分，上行 CoVaR 见式（6）、下行CoVaR 见式（7）：P(Xjt CoVaR j|i（1-),t|Xit VaRi,t)=（6）P(Xjt CoVaR j|i,t|Xit VaRi,t)=（7）计算 CoVaR 须先估计出两个变量收益率序列Xit和 Xjt的联合分布，而联合分布可以用 Copula 函数与该变量的边缘分布表示，由此建立 CoVaR 计算模型：P(Xjt CoVaR j|i,t|Xit VaRi,t)=P(Xjt CoVaR j|i,t|Xit VaRi,t)P(Xit VaRi,t)=C(u,v)v=（8）其中，FX jt(x)和 FX it(x)为 Xit和 Xjt收益率序列的分布函数，则u=FX jt(x)(CoVaR j|i,t)（9）v=FX i t(VaRi,t)（10）在给定 P(Xjt VaRi,t)=v=的基础上通过计算反函数，即可得出 CoVaR。下行 CoVaR 可由式（11）（12）推导得出：C(u,)=（11）CoVaR j|i,t =F-1(u)X jt （12）根据 Reboredo 等（2016）的定义，上行 CoVaR可由式（13）（14）推导得出：1-u-(1-)+Cu,(1-)=（13）CoVaR j|i（1-),t=F-1(u)X jt （14）其中，上行 CoVaR 表示上行风险，指某一金融行业在极端上涨情况下，对其他金融行业的风险溢出强度；下行 CoVaR 表示下行风险，指某一金融行业在极端下跌情况下，对其他金融行业的风险溢出强度。三、实证研究（一）数据的选取及描述性统计本文选取我国保险业、基金业、银行业、证券业各行业指数日度收盘价，通过 ln（Pt/Pt-1）100%分别计算各行业对数收益率，记作 Xi（i=1，2，3，4）。样本时间跨度为 2012 年 1 月 6 日到 2022 年 1 月6 日，剔除节假日以及交易日不一致数据，共计金融风险金融经济2023 年第 8 期(总第 566 期)812 432 组数据，数据均来源于 WIND 数据库。表 1 给出了各行业指数对数收益率序列的描述性统计，可知基金业、保险业、证券业和银行业的均值标准差呈正向分布且收益率依次降低。其中，证券行业的稳定性小于其他行业；从峰度和偏度可以看出，四个金融行业的指数收益率序列均呈现出非对称性和尖峰厚尾性；J-B 检验表明，本文各组数据均不服从正态分布，故使用偏 t 分布能获得准确拟合结果；在 ADF 检验中，各收益率序列无单位根，均为平稳序列；ARCH-LM 检验结果表明，基金业、保险业、证券业和银行业的收益率序列均表现出较强的 ARCH 效应，应采用GARCH 模型对其进行边缘分布拟合。（二）边缘分布估计及检验结果本文采用 GARCH（1，1）模型对各收益率序列进行边缘分布估计，其中标准化残差的分布类型可根据极大似然估计值最大、AIC 最小原则，从t 分布、偏 t 分布、GED 分布和标准正态分布中选出，结果如表 2 所示。根据极大似然估计值最大、AIC最小原则可知，在不同分布检验驱动下的 GARCH（1，1）模型中，偏 t-GARCH（1，1）模型对各行业指数的收益率表 2 各金融行业不同检验分布拟合优度 Log Likelihood、AIC 值行业GEDStdsstdnormLog LikelihoodAICLog LikelihoodAICLog LikelihoodAICLog LikelihoodAIC保险业-4 727.0483.893 1-4 732.5923.897 7-4 723.3123.890 8-4 824.0943.972 1基金业-4 787.9273.943 2-4 770.1143.928 5-4 769.1443.928 4-4 863.8944.004 8银行业-3 852.4663.173 6-3 850.5683.172 0-3 838.0723.162 5-4 015.2173.306 6证券业-5 085.4434.188 7-5 088.2644.190 3-5 084.6724.188 1-5 244.7744.318 2注：加粗LogLikelihood 值与AIC 值对应的模型为最优模型。表 3 各金融行业边缘分布参数估计及检验结果行业iiiiskewshapeARCH-LMKS 值保险业0.051 3*0.017 9*0.058 4*0.940 0*1.107 8*4.811 0*0.743 10.951 40.023 10.129 4基金业0.096 2*0.088 4*0.075 9*0.899 4*0.956 8*6.724 5*0.927 10.925 10.125 60.813 3银行业0.041 4*0.037 6*0.090 6*0.902 9*1.121 0*3.626 0*1.784 20.762 90.016 00.522 9证券业-0.012 20.044 7*0.055 6*0.943 4*1.063 2*3.489 5*6.860 80.093 00.020 10.249 5注：*、*、*分别表示在 10%、5%、1%的显著性水平下显著；KS 是标准残差序列的 Kolmogorov-Smirnov 检验；内为检验统计量对应的伴随概率。表 1 各金融行业收益率序列描述性统计结果行业平均值标准差偏度峰度J-B 检验ADF 检验ARCH-LM保险业0.034 91.914 10.191 56.440 81 281.5*-13.90*221.95*基金业0.075 71.898 9-0.857 19.613 14 989.6*-13.10*82.053*银行业0.030 31.459 30.064 110.128 95 435.4*-15.10*253.78*证券业0.032 72.323 90.044 36.903 41 629.8*-12.69*308.24*注：*、*、*分别表示在 10%、5%、1%的显著性水平下显著，J-B 检验为正态检验，ADF 为单位根检验，LM为滞后12 阶的 ARCH 效应检验统计值。金融风险金融经济2023 年第 8 期(总第 566 期)82序列边缘分布的拟合效果最好，参数估计结果如表3 所示。由表 3 可知，GARCH 模型中的参数均显著且满足 i+i 1，表明 GARCH 模型收敛；由偏t-GARCH 模型边缘分布拟合结果可知，skew 和shape 参数显著通过检验，其对拟研究序列的非对称与尖峰厚尾特性的刻画较为准确；边缘分布拟合处理后的标准残差序列 ARCH-LM 检验结果表明偏 t-GARCH(1,1)模型对各原收益率序列的 ARCH效应有较好的消除作用，标准残差序列均不存在ARCH 效应，且概率积分转换后的序列均通过 KS检验，服从（0，1）均匀分布的原假设。综上所述，对标准化残差序列进行概率积分转换处理后的新序列已满足构建 Copula 函数的条件。（三）Vine-Copula 模型的构建本文基于 R 语言仿真对概率积分转换后的时间序列构建 C-Vine Copula 模型和 D-Vine Copula模型，根据 AIC、BIC 准则与对数似然比选出最优 Copula 藤结构。由实验结果可知 C-Vine Copula模型拟合效果最好，能准确刻画金融行业间的风险相关关系。在 C-Vine Copula 模型构建中选取银行业作为第一层树结构的第一个节点，其余变量根据秩相关系数进行排序，参数估计结果见表 4，C-Vine 模型结构见图 1，图 1 中的 1、2、3、4 依次代表保险业、基金业、银行业和证券业。图 1 C-Vine Copula 结构图通过实验结果可知，各金融市场间的最优连接函数均为 t-Copula 函数，其可以描述具有对称的尾部相关性的金融行业间风险溢出效应。其中，第一层树结构中，银行业与各行业的相关系数由表 4 C-Vine Copula 结构的参数估计结果treeedgeCopulaPar1Par2TauutdltdT13,1t0.764.260.550.440.443,2t0.447.260.290.110.114,3t0.634.220.430.320.32T24,1;3t0.219.20.140.030.034,2;3t0.319.590.200.040.04T32,1;4,3t-0.0425.81-0.030.000.00注：tau 为 Kendall 秩相关系数，utd,ltd 分别表示上尾相关系数和下尾相关系数,T1、T2、T3 表示三层树结构。图 2 保险业对其他各行业的风险溢出(a)保险业对基金业风险溢出(b)保险业对银行业风险溢出(c)保险业对证券业风险溢出金融风险金融经济2023 年第 8 期(总第 566 期)83大到小依次是保险业、证券业和基金业，这表明当银行业股票出现下跌行情时，保险业出现下跌的可能性最大，基金业出现下跌的可能性相对较小。第二层树结构中，各行业间的相关性逐渐降低，保险业和证券业间的秩相关系数为 0.21，基金业和证券业间的秩相关系数为 0.31；最后一层树结构中，随着资产数量的不断增加，各行业间的秩相关系数逐渐减小，相关性逐渐减弱。各行业市场波动的敏感性与易扩散性使得金融系统受到的冲击被放大并扩散至其他行业。下一步本文将构建Copula 广义 CoVaR 模型，进一步准确度量各行业间的风险溢出强度。（四）CoVaR 计算结果本文通过 R 语言仿真，使用 Copula 广义 CoVaR模型，计算出置信水平为 0.05 与 0.95 条件下保险业、基金业、银行业和证券业间的风险溢出水平，即上行/下行 CoVaR 随时间波动结果，如图 2图 5 所示。由实验结果可知，我国各金融行业间的风险溢出水平上行 CoVaR 与下行 CoVaR 受突发事件影图 3 基金业对其他各行业的风险溢出(a)基金业对证券业风险溢出(b)基金业对银行业风险溢出(c)基企业对保险业风险溢出图 4 银行业对其他各行业的风险溢出(a)银行业对证券业风险溢出(c)银行业对保险业风险溢出(b)银行业对基金业风险溢出图 5 证券业对其他各行业的风险溢出(c)证券业对保险业风险溢出(a)证券业对银行业风险溢出(b)证券业对基金业风险溢出金融风险金融经济2023 年第 8 期(总第 566 期)84响波动较为明显，尤其是 2015 年资本市场发生的“股灾”、2018 年发生的中美经贸摩擦以及 2020 年暴发的新冠肺炎疫情等重大事件，均对金融市场产生了一定冲击，风险溢出水平峰值较高。纵向来看，各行业间上行/下行风险溢出效应波动呈现出非对称性，市场出现高涨或低迷行情时对其他行业的风险溢出强度不同，同一时间证券业、银行业和保险业对其他行业的上行风险溢出水平均高于下行风险溢出水平；横向来看，某一行业对其余各金融行业的风险溢出水平波动趋势相似。从上行风险来看，各行业间存在正向上行风险溢出效应，上行 CoVaR 值均大于 VaR 值，说明当其中一行业处于市场高涨行情时，会带动另一行业市场出现上涨行情；从下行风险来看，各行业间存在正向下行风险溢出效应，即下行 CoVaR 值均小于VaR 值，说明当其中一行业处于极端下跌行情时，会加剧另一行业所面临的风险，说明各行业间的密切联系加剧了风险的相互传染。进一步分析各行业间风险溢出波动趋势，以保险业为例，其对其余各金融行业的风险溢出均在 2015 年波动最为激烈、持续时间较长且呈现较高峰值，在此期间保险业对基金业的上行风险要低于其对银行业与证券业的上行风险，实际表现为保险业市场高涨时，基金业受到的风险溢出效果较弱。在 2016 年后的短期内，四个行业均呈现出上行/下行风险溢出相对趋于平缓的特点，2020年疫情的暴发在一定程度上也加剧了我国金融行业间的风险相依关系与风险溢出强度。为进一步分析我国各行业间的风险溢出水平，计算了各行业间上行/下行 CoVaR 均值，其结果如表 5 所示。由表 5 可知，各行业间的风险溢出水平存在差异性，基金业与银行业对其他行业的风险溢出水平明显低于证券业与保险业对其他行业的风险溢出水平。就证券业而言，无论是上行风险溢出效应或是下行风险溢出效应，证券业对其他各行业的风险溢出强度均最大。具体而言，证券市场高涨时对保险业的风险溢出水平为 9.376 4，市场低迷时为-8.365 9，表明当证券业市场出现高涨或低迷行情时，对保险业的风险溢出效应最为强烈，高于其对基金业和银行业的风险溢出强度。随着近年来证券业的不断发展，其自身风险水平以及对其他行业的风险溢出也在逐渐增加，需更加重视证券业对其他行业的风险外溢影响。银行业总体而言对其他各金融行业的风险溢出强度最弱，表 5 各金融行业间风险溢出上行/下行 CoVaR 均值风险来源受影响行业上行 CoVaR下行 CoVaR保险业基金业6.345 4-5.306 9银行业7.439 5-6.168 4证券业7.165 5-5.952 8基金业保险业5.314 2-5.261 9银行业5.117 5-5.239 7证券业5.474 8-5.633 1银行业基金业4.860 6-3.915 6保险业6.241 9-4.955 2证券业5.082 7-4.626 1证券业基金业8.448 8-7.571 2保险业9.376 4-8.365 9银行业9.119 2-8.145 6注：正、负号代表风险溢出方向，比较大小时取绝对值。金融风险金融经济2023 年第 8 期(总第 566 期)85这可能是因为银行业作为现代金融经济的核心与实体经济的血脉，和其他行业相比规模最大，是我国金融市场的基础行业，政府对于银行业的监管较严，风险能够得到较好的控制。银行业上下行风险溢出强度从小到大依次为基金业 证券业 保险业，说明其无论处于高涨情形抑或低迷情形，对保险业的风险溢出强度都大于对其他行业的溢出强度。反观保险业，其也以较强力度向证券业和银行业输出风险，保险业对其他行业的风险溢出在金融系统中占据越来越重要的位置，需要予以重点关注，建立相应的预警机制。基金业对其他各行业的风险溢出强度相似，与银行业一样表现出较为稳定的特征。四、结论与建议在我国金融市场多元化的背景下，金融业突破分业经营的趋势日益明显，行业间信息交流愈加频繁，这些跨行业以及混业经营模式中创新开发出的金融产品在使得我国金融市场各行业间关联度增加的同时，也导致风险溢出效应不断加强。为进一步研究我国金融市场的风险溢出效应，本文选取银行业、保险业、证券业和基金业作为研究对象，基于 GARCH-C-Vine Copula 模型刻画金融市场间的非线性风险相依关系，并通过 Copula计算广义 CoVaR 来研究我国金融市场间上行/下行风险溢出效应。研究结论如下：第一，各金融市场间的上行/下行风险溢出效应表现出非对称性现象，在市场出现高涨或低迷行情时对其他行业的风险溢出强度不同；第二，各金融市场间均存在显著的正向风险溢出效应，但不同金融市场间的风险溢出强度存在差异，银行业对其他各行业的风险溢出效应最弱，证券业对其他行业的风险溢出效应最强烈。总体而言，金融行业间的风险关联密切，结构模式复杂，深入研究金融行业间的风险溢出效应对于实现金融市场的稳定、促进经济发展具有重要意义。基于研究结论，本文提出以下政策建议：一是由于证券业对其他行业的风险溢出效应较强，应重视证券业与其他金融行业间复杂的风险相依关系，针对以证券业为核心的风险传染体系建立风险隔离屏障，尤其要加强对证券业与保险业间风险相互传染的防控力度。二是由于各金融行业间风险溢出效应存在差异，针对不同风险等级与风险特征的金融机构，应实行不同监管政策，分行业分层进行动态监管。三是应注重金融教育与金融知识的普及，深化公众对证券类金融风险的认识和理解，加强投资者的风险意识和防范意识。总而言之，监管部门应提高风险管理的主动性与前瞻性，避免因外部环境因素影响而引起金融市场剧烈波动，防止金融风险迅速扩散到实体经济中，最大程度处理和化解系统性金融风险，为实现更高质量、更有效率、更加公平、更可持续、更为安全的经济发展保驾护航。参考文献：1 KING M A,WADHWANI S.Transmission of volatility between stock marketsJ.The Review of Financial Studies,1990,3(01):5-33.2 EUN C S,SHIM S.International transmission of stock market movementsJ.Journal of financial and quantitative Analysis,1989,24(02):241-256.3 HAMAO Y,MASULIS R W,NG VCorrelations in price changes and volatility across international stock marketsJ.The Review of Financial Studies,1990,3(02)：281-307.4 CONSTANTIN A,PELTONEN T A,SARLIN P.Network linkages to predict bank distressJ.Journal of Financial Stability,2018,35:226-2415 谢福座.基于 CoVaR 方法的金融风险溢出效应研究J.金融发展研究,2010,342(06):59-63.6 严伟祥,徐玉华.基于分层阿基米德 Copula 的金融行业尾部风险相依性研究 J.金融经济学研究,2017,32(06):23-33.7 王曦,刘源,赵苗.行业视角下我国金融风险溢出效应实证研究 J.中国物价,2022,33(01):85-89.8 MAINIK G,SCHAANNING E.On dependence consistency of CoVaRand some other systemic risk measuresJ.Statistics&Risk Modeling,2014,31(01)：金融风险金融经济2023 年第 8 期(总第 566 期)86Research on Risk Spillover between Chinas Financial Markets Based on Vine-Copula Generalized CoVaR ModelZhang Rui，Lu Junxiang(School of Science,Xian Polytechnic University)Abstract:This paper constructs a Vine-Copula model to characterize the risk dependencies between banking,insurance,fund management and securities industries,and incorporates upside generalized CoVaR and downside generalized CoVaR into one framework to further study the risk spillover effects on other financial industries when one industry is in distress.The empirical results show that there exist significant positive risk spillover effects across financial industries,and upside and downside risk spillovers demonstrate asymmetry.In terms of industries,the risk spillover effect of securities industry on other industries is the strongest,while the risk spillover effects of banking and fund management industries are relatively stable,and the risk spillover of insurance industry is also at a high level.The risk spillover effects between securities and insurance industries should be closely monitored.This study clarifies the risk spillover effects among financial industries,which helps scientifically understand and accurately judge the periodic characteristics of Chinas economy in the three periods overlap stage,and provides references for preventing and defusing major financial risks.Keywords:Financial industry;Risk spillover;Vine-Copula;Generalized CoVaR49-779 曹洁,雷良海.基于动态广义 CoVaR 方法的金融与实体行业风险溢出效应 J.系统工程,2019,37(03):122-131.10 李竹薇,刘森楠,李小凤,等.互联网金融与传统金融之间的广义动态风险溢出基于 Copula-ARMA-GARCH-CoVaR 的实证研究 J.系统工程,2021,39(04):126-138.11 李欣璐,李程.互联网金融与实体行业间的风险溢出效应研究基于 GARCH-时变 Copula-CoVaR 模型的实证分析 J.福建金融,2021,436(08):13-22.12 方国斌,陈静.互联网金融与传统金融市场风险联动性研究 J.统计与决策,2022,38(24):134-138.13 王剑,杜红军.非对称尾部相依视角下的金融机构系统性风险研究 J.金融经济,2023,561(03):54-69.14 吴坚,顾维清.我国系统性金融风险预警指标体系构建基于证券市场视角 J.当代金融研究,2021(Z5):60-69.15 程雪军,赵畅,李正雨.论消费金融资产证券化的风险防范：从美国次贷危机切入 J.西南金融,2023(06):56-68.16 BOLLERSLEV T.Generalized autoregressive condi-tional heteroskedasticityJ.Journal of econometrics,1986,31(03):307-327.17 ADRIAN T,BRUNNERMEIER M K.CoVaRJ.Fed-eral Reserve Bank of New York Working Paper,2008,No.348.18 GIRARDI G,TOLGA ERGN A.Systemic risk mea-surement：Multivariate GARCH estimation of Co-VaRJ.Journal of Banking&Finance,2013,37(08)：3 169-3 18019 SKLAR A.Fonctions de rpartition n dimensions et leursmargesJ.Publication de LInsititut de Statis-tiquede de LUniversite de Paris,1959,8(01):229-231.20 BEDFORD T,COOKE R M.Probability Density De-composition for Conditionally Dependent Random Variables Modeled by VinesJ.Annals of Mathematics and Artificial Intelligence,2001,32(01):245-268.21 REBOREDO J C,RIVERA-CASTRO M A,UGOLINI ADownside and upside risk spillovers between ex-change rates and stock pricesJ.Journal of Banking&Finance,2016,62:76-96（责任编辑：唐诗柔）