贸易摩擦状态下股市与债市风险溢出的结构性变化研究

陈守东， 李云浩

(吉林大学 商学院， 吉林 长春 130012)

金融市场是一个多变的复杂系统，在这个系统中也存在着传导效应。我们经常可以看到一些原本相关性不高的金融市场或金融资产在其中一方发生风险事件出现较大回撤时，其他原本不相关的市场也会出现较大波动和回撤，对于这种风险传导效应，我们称之为风险溢出。在资本市场中，金融风险冲击很可能对市场产生较大影响，准确地度量和预测金融风险溢出是金融风险管理和防范工作的前提和基础。股票市场和债券市场是金融市场的重要组成部分，是进行风险管理和资产配置的主要品种，预测股票市场与债券市场之间的传导机制和极端风险溢出关系，对于金融风险管理和金融风险防范工作有着重要意义。如今中美贸易摩擦进入正面对抗新时期(1)杨枝煌、杨南龙：《1949—2019年中美经贸关系基本图景及未来展望》，《河北经贸大学学报》2020年第2期。，外部不确定性风险因素增加，内部潜在经济增速下降，经济发展由高速增长期进入增速换挡期(2)孙怀宇、张捷：《潜在经济增速下降中的债务收缩——基于金融加速器的视角》，《湖北大学学报》(哲学社会科学版)2015年第1期。，且我国经济正处于供给侧改革的新时期，在当前背景下研究中美国际贸易战摩擦下的风险溢出和政策协调问题十分必要(3)王宏涛、曾晶晶等：《中美贸易摩擦背景下货币政策对资产价格的溢出效应研究》，《财经纵横》2020年第19期。。本文将从极端风险角度出发，考察中美贸易摩擦是否显著改变了原本中美各自股票市场和债券市场之间风险溢出关系，并从投资组合平衡理论机制和行为经济学理论机制解释导致股市与债市风险溢出结构变化的原因，为防范和化解我国资本市场系统性金融风险提出建议。本文的贡献在于通过MVMQ-CAViaR方法提供了对于资本市场的极端风险溢出问题研究的风险测度，解决了现有大多数文献在分析极端风险溢出问题时对资产收益率呈现尖峰肥尾和存在时变特征时测度有效性不佳的问题，并基于此方法分析中美贸易摩擦新形势下股票市场与债券市场极端风险溢出的结构性变化。

一、研究综述

金融风险溢出的现象有其内在的理论依据和经济基础，关于金融风险存在传导现象的解释有很多种，一种从经济活动角度研究的理论认为金融市场和金融机构之间存在着复杂业务往来，如果情况严重导致某一方不能兑付或发生违约则会对对手方造成经济损失，严重的会导致另一方面临倒闭的风险，这种链式反应不断传递，进而会引发整个金融体系发生大范围的风险事件(4)P.Alagidede，T.Panagiotidis，et al.，“Causal Relationship between Stock Prices and Exchange Rates”，The Journal of International Trade & Economic Development，Vol.20，No.1，2011.。另一种是从金融市场的资金流动性角度，认为当市场出现较大风险事件，市场流动性出现不足时，原本不受该风险事件影响的金融资产也会受到影响。随着金融市场的发展，公募基金发展迅速，特别是ETF开放式基金，当市场出现重大金融风险事件时，投资者出现大规模赎回的情况，基金公司为了兑付资金不得不变卖现有资产，当与风险事件相关资产的价格已经很低的时候便会考虑变卖其他不相关资产，这就导致原本不相关的金融标的或金融资产同样受到风险事件的冲击，金融衍生品的保证金制度在发生极端风险事件时同样会导致这种情况发生。

股票市场和债券市场作为两个重要的资产配置市场，股市与债市之间的风险溢出关系对于资产配置和市场风险管理具有重要影响。如果股市与债市之间不存在风险溢出关系甚至他们之间存在负相关的关系，对股市与债市多元配置可以优化资产组合；当两者之间的关系是正相关，存在风险溢出关系时，分散投资就无法起到分散风险特别是系统性风险的作用，因此，无论市场投资者还是学术界都十分关注两者之间的关系(5)许祥云、廖佳等：《金融危机前后的中国股债关系分析——基于市场情绪变化的解释视角》，《经济评论》2014年第1期。。目前有很多种对于股市与债市风险传导关系的研究理论，从资产组合配置的角度，假设当市场中投资于股票市场和债券市场的资金总量不发生较大变化时，股票和债券作为资本市场中两个相互替代的金融资产，其市场价格理论上会呈现负相关，如果对股票市场的利好消息被披露，则会导致投资者将组合中的债券持仓换成股票持仓；如果披露的信息有利于债券，则投资者会趋于变卖股票头寸持有债券(6)W.G.Dean，R.W.Faff，et al.，“Asymmetry in Return and Volatility Spillover between Equity and Bond Markets in Australia”， Pacific-Basin Finance Journal，Vol.18，No.3，2010.。但是资本市场是受到很多因素影响的，市场的资金总量也是不断变化的，Goyenko等发现如果股票市场和债券市场的流动性发生同时收缩(7)R.Y.Goyenko，A.D.Ukhov，“Stock and Bond Market Liquidity：A Long-Run Empirical Analysis”， Journal of Financial and Quantitative Analysis，Vol.44，No.1，2009.，例如市场发生极端风险事件，投资者更倾向于持有现金时，股市与债市就会表现出正相关关系，出现因“Flight-to-Liquidity”效应导致的风险溢出现象，且货币政策可以显著影响市场流动性，传导的方式是通过债券市场传导至股票市场。史永东等基于Joe-Clayton-Copula 模型通过2002—2009年间股票市场与债券市场的数据分析风险溢出效应，发现股票市场与债券市场联动效应总体不显著，认为随着中国金融市场的发展，有更多的专业投资者进行优化资产配置的操作，使得股票市场与债券市场之间表现为“跷跷板”效应，客观上避免了极端条件下系统性风险的相互传染，有助于维护金融稳定(8)史永东、丁伟等：《市场互联、风险溢出与金融稳定——基于股票市场与债券市场溢出效应分析的视角》，《金融研究》2013年第3期。。从行为经济学理论的投资者情绪的角度分析，Andersen等从心理预期的角度解释了风险传导现象，认为当单个金融板块或金融市场发生金融风险事件时，由于信息不对称等因素，投资者会产生恐慌和失去信心并提前赎回或卖出其他资产以避免损失，保持自身的流动性，最终会对其他市场或投资标的造成严重冲击，特别对于非专业投资者占比较高的我国资本市场，心理作用导致的“羊群效应”会表现得更突出(9)T.G.Andersen，T.Bollerslev，et al.，“Real-time Price Discovery in Global Stock，Bond and Foreign Exchange Markets”， Journal of International Economics，Vol.73，No.2，2007.。Connolly等通过对1986—2000年美国股票市场和债券市场的价格进行分析，研究了市场的不确定性对股市和债市之间的价格联动关系，得到的结论是当市场不确定性较低时，股债之间的价格呈现正相关关系，在市场不确定性较高时，股债之间的价格呈现负相关(10)R.Connolly,C.Stivers,et al.，“Stock Market Uncertainty and the Stock-Bond Return Relation”，Journal of Financial & Quantitative Analysis，Vol.40，No.1，2005.。

在对股市与债市之间风险溢出关系的研究中，学者们使用的方法不尽相同，Christiansen等通过使用高频数据研究发现，在西方国家，股票市场和债券市场的收益率之间的关系受预期通货膨胀率的影响较为显著，但非预期通货膨胀率和真实利率对其相关性的影响并不显著(11)C.Christiansen，A.Ranaldo，“Realized Bond-Stock Correlation：Macroeconomic Announcement Effects”， Finance Research Group Working Papers，Vol.27，No.5，2005.。Dean等通过双变量GRACH模型的方法研究了澳大利亚股票市场与债券市场的风险溢出效应，研究结果发现，来自于股票市场的风险事件会对债券市场产生风险溢出效应，但如果一个风险事件来自于债券市场，债券市场对于股票市场的风险溢出则不那么显著(12)W.G.Dean，R.W.Faff，et al.，“Asymmetry in Return and Volatility Spillover between Equity and Bond Markets in Australia”.。王茵田等对中国A股市场通过Fama-MacBeth两步回归法，发现回购利率和期限利差等债市指标对股市风险溢价的截面数据有显著解释能力(13)王茵田、朱英姿：《中国股票市场风险溢价研究》，《金融研究》2011年第7期。。陈学彬等基于多元多分位数MVMQ-CAViaR模型分析了中美股票市场和债券市场在不同市场状态下的风险溢出关系，发现中国股票市场和债券市场在早期牛市和熊市中不存在显著的风险溢出效应，但随着金融改革的不断深化，股票市场与债券市场的极端风险溢出效应有所增加；而美国的股票市场和债券市场相互关联性较高，风险溢出效应明显，而且对于不同信用等级的债券，股票市场的风险溢出程度也有所不同，其中企业债对于股票始终保持着风险溢出效应，国债与股票因“Flight-to-Quality”效应只在熊市阶段才会发生风险溢出情况(14)陈学彬、曾裕峰：《中美股票市场和债券市场联动效应的比较研究——基于尾部风险溢出的视角》，《经济管理》2016年第7期。。

在上述研究中可以发现不同学者在对于股市与债市之间的风险溢出关系做研究时，由于研究目标所在的金融市场环境不同和样本数据所选取的时间窗口不同等因素，股市与债市之间的风险溢出关系结构互有差异，即使对于同一金融市场环境，在不同的时间窗口中，由于所处的经济周期和市场环境不同，股市与债市之间的风险溢出关系仍存在着结构性差异。风险溢出关系的结构性变化一直以来是资本市场系统性风险研究者和工作者关注的问题，陈守东等通过RTV-VAR模型分析了全球主要股票市场之间的多元联动性，并用ICA-GARCH-GED模型分析不同地区股票市场之间的波动溢出效应，实证表明中国进入“新常态”以来，资本市场与世界股票市场的联动性大大增加(15)陈守东、陈开璞：《全球主要股票市场与中国股票市场的波动溢出效应研究》，《数量经济研究》2018年第1期。。Chiang等对发达国家的股票市场和债券市场的动态关联进行了研究，发现股票市场和债券市场之间的相关关系会受到市场违约事件和伦敦银行同业拆借利率与国库券利率的风险溢价所影响，股票市场与债券市场的相关关系，会以一种平滑过渡的方式随时间而变化(16)T.Chiang，J.Li，et al.，“Dynamic Stock-bond Return Correlations and Financial Market Uncertainty”，Review of Quantitative Finance & Accounting，Vol.45，No.1，2015.。Jammazi等通过动态DCC-GARCH-copula模型对发达国家在过去20年来股票市场收益与长期政府债收益之间的相互关系进行分析，实证结果表明，对于大多数国家来说，股票与十年期政府债券收益之间的依存关系随时间变化很大，特别是在20世纪90年代观察到股票与债券之间存在正相关关系，而从21世纪初开始这种关系变为负相关，这支持了“Flight-to-Quality”效应理论(17)R.Jammazi，A.K.Tiwari，et al.，“Time-varying Dependence between Stock and Government Bond Returns：International Evidence with Dynamic Copulas”，North American Journal of Economics and Finance，Vol.33，No.6，2015.。Steeley通过对1984—2006年股票市场和债券市场价格之间的关系分析，得到的研究结果表明在亚洲金融危机前美国的股票与债券存在正向波动溢出效应，在金融危机后则变成了负向波动溢出状态(18)J.M.Steeley，“Volatility Transmission between Stock and Bond Markets”，Journal of International Financial Markets，Institutions and Money，Vol.16，No.1，2006.。

上述国内外研究成果不仅表明股票市场与债券市场存在着相关联系和风险溢出效应，而且股债之间的风险溢出关系会随着时间或事件而发生变化。目前中美贸易摩擦进入了更深程度的阶段，从美国对于华为和字节跳动等科技企业的调查和限制等手段中，可以预料到贸易对抗的态势可能是长期的和持续的，股票与债券之间的风险溢出效应有可能也会因此发生变化。受本轮贸易摩擦影响相对严重的是中小型、科技型企业，这些企业发行的公司债较少，对于这些企业的影响大多会表现在股票市场，而对于债券市场的影响较小，所以对于此次贸易摩擦引起的股票市场与债券市场风险溢出的关系可能与以往不同，故需要通过实证分析去证实其是否发生了结构性变化。有效分析股市与债市风险溢出的结构性变化，不仅可以有针对性地制定货币政策进而更有效地防范化解金融系统性风险，而且对于当前在控制金融市场风险的前提下有效制定贸易摩擦的应对策略起着重要作用。本文则以此为出发点，对中美贸易摩擦进入新阶段前后两个时期股市与债市之间的尾部风险传导进行对比，分析股市与债市之间的尾部风险溢出发生的结构性变化。在选择模型时考虑到风险价值(VaR)是金融机构常用的市场风险的重要指标，Engle等提出了条件自回归风险价值(CAViaR)模型，该模型使用自回归过程去预测VaR随时间的演变过程，但CAViaR模型只能度量单个市场或标的中单个分位点即特定水平下的金融风险，无法用于研究不同市场间的风险溢出效应(19)R.Engle,S.Manganelli，“CAViaR：Conditional Autoregressive Value at Risk by Regression Quantiles”，Journal of Business & Economic Statistics，Vol.22，No.4，2004.。Manganelli等对模型做了拓展，引入了可以对不同分位点进行分析的MQ-CAViaR模型，并且运用MQ-CAViaR 模型估计了自回归条件峰度和偏度(20)S.Manganelli,H.White,et al.，“Modeling Autoregressive Conditional Skewness and Kurtosis with Multi-Quantile CAViaR ”，ECB Working Paper No.957，2008. Available at SSRN：https：ssrn.comabstract=1291165，2008.。2015年，为了分析多个金融机构受市场系统性风险冲击的影响，White等将MQ-CAViaR模型进一步扩展成为多元多分位数的MVMQ-CAViaR模型，该模型将单方程的分位数回归思想扩展到向量自回归的结构化方程，能更直接和清晰地分析不同市场之间的尾部风险溢出效应(21)H.White，T.Kim,et al.，“VAR for VaR：Measuring Tail Dependence Using multivariate Regression Quantiles”，Journal of Econometrics，Vol.187，No.1，2015.。相比其他关于风险溢出的研究方法，MVMQ-CAViaR 模型的主要优势是模型的半参数估计方法不需要假定收益率的分布，避免了关于分布的设定误差；第二，引入自回归项刻画了尾部风险集聚性；第三，对极端风险采用分位数回归方法，降低了异常值对模型造成的不稳定性，使得估计结果更加稳健(22)左月华、章茜等：《中国股指期、现货市场极端风险溢出效应分析——基于高频MVMQ-CAViaR模型的实证研究》，《武汉金融》2019年第7期。。因此，本文用MVMQ-CAViaR模型分析中美之间不同时期股票市场与债券市场的尾部风险溢出效应，并预测风险溢出路径和程度，为管理和缓释资本市场系统性风险提供建议。

二、计量模型与方法

(一)MVMQ-CAViaR模型与估计

MVMQ-CAViaR主要分析不同资产之间的尾部风险溢出关系，该模型可以理解为向量自回归(VAR)模型在分位数指标上的扩展模型，将分位数回归思想扩展到向量自回归的结构化方程，可以更直观清晰地分析互联市场的尾部风险溢出效应，模型的构建过程、参数估计和检验方法在下文中会逐步展开。

1.模型形式

(2.1)

记Yi，t在条件Ft-1上的θi，j分位数为qi，j，t，即

qi，j，t=inf{y：Fi，t(y)…θi，j|Ft-1}

(2.2)

可以发现qi，j，t表示第i个变量在t时刻1-θi，j置信水平的风险价值VaR，故qi，j，t表示第i个变量在t时刻的风险。

(2.3)

2.模型的QMLE估计

关于MVMQ-CAViaR的模型式(2.3)的估计，可通过Koenker等提出的一般线性分位点回归模型的估计方法(25)R.Koenker,J.Machado,“Goodness of Fit and Related Inference Processes for Quantile Regression”，Journal of the American Statistical Association，Vol.94，No.448，1999.来估计，White 等(26)H.White，T.Kim，et al.，“VAR for VaR：Measuring Tail Dependence Using Multivariate Regression Quantiles”.进一步地应用到多元情况，采用伪极大似然估计的方法去得到参数估计，首先令α*′ij=(β*′ij，γ*′ij)，接着构造如下方程：

(2.4)

其中

(2.5)

(二)本文实证模型形式MVMQ-CAViaR(1，1)

1.模型选择

考虑到模型的解释性和模型参数估计的准确性和复杂性以及过度拟合等因素，国内外学者在使用MVMQ-CAViaR进行建模时大多采用含有滞后一期信息的单分位数MVMQ-CAViaR(1，1)模型进行分析。本文中我们考虑两个变量之间的风险溢出，观察两个随机变量Y1和Y2。其中Y1，t表示一个国家的股票市场收益率，Y2表示一个国家的债券市场收益率。关于Yt的一个可能的数据生成过程，表示如下：

(2.6)

其中αt、βt和γt是Ft可测量的，εt的每个元素(ε1t，ε2t)′都是服从标准正态分布N(0，1)，且相互独立同分布i.i.d..公式(2.6)中的三角形结构合理的限制了较大的风险冲击事件造成的影响，即某个资产的收益冲击可以直接影响另一个特定资产收益，但另一个特定资产的冲击没有直接影响该资产的收益。

关于分位数θ的MVMQ-CAViaR(1，1)表现形式如下：

(2.7)

(2.8)

在方程(2.8)中可以明显发现qt，Yt-1，c是二维向量，A和B是2×2矩阵。

2.模型的脉冲分析

其中

和

接着我们可以证明伪脉冲响应函数的紧凑表示形式如下：

对于s>1，矩阵Gs解析计算结果为

Gs=∂(B(s-1)ADt)∂α′

三、股债风险传导效应的实证分析

(一)样本数据的选取

在对中国资本市场进行分析时，本文选取相对能代表中国A股走势的沪深300指数作为中国股票市场的基准指数；选取中国全债(净价)指数代表中国总债指数，该指数的样本由银行间市场和沪深交易所的国债、金融债及企业债组成，可以全面地反映我国债券市场的整体波动；选取上证国债指数和上证企业债指数来代表国债指数和企业债指数，以上数据均来自于wind数据库。在对美国资本市场进行分析时，本文选取标普500指数作为美国市场的基准指数，选取由巴克莱银行编制的债券指数系列中的美国总债券指数、国债指数和企业债指数作为美国债券市场的基准指数，数据来源于Bloomberg数据库。对于以上中国市场和美国市场的数据，样本选取时间段为2005 年1月1日至2020年 2月23日，并将全样本数据分为样本内和样本外两个数据样本，最后500个数据作为样本外数据进行回测检验。

杨枝煌等(28)杨枝煌、杨南龙：《1949—2019年中美经贸关系基本图景及未来展望》。将中美贸易关系分为六个阶段，其中本轮中美贸易摩擦开始至今为中美经济关系的第六个阶段——中美经贸关系的正面对抗阶段。与前五个阶段相比，本轮中美贸易摩擦程度之深，范围之广，都达到了自1979年中美贸易关系正常化之后从未有过的程度。本次中美贸易摩擦的起始标志性事件是2018年3月23日特朗普签署备忘录，拟对中国的500亿美元对美出口商品加征25%关税，并限制中国企业对美投资并购，并在随后一段时间不断出台新的贸易对抗升级政策。为了更清晰地分析中美贸易摩擦对于中美市场股票和债券在不同市态下的风险联动特征，将样本数据按贸易摩擦前后两个时间段进行划分，以2005 年1月1日至2018年3月24日作为中美贸易摩擦前阶段；以2018年3月24日至2020年 2月23日作为中美贸易摩擦阶段。

本文取各市场指数的收盘价对数一阶差分来计算每日的指数收益，计算公式如下：

上式中pt为市场中对应指数每日收盘价格。

(二)模型的估计结果

在中美贸易摩擦前阶段，剔除最后500个交易日后的这段时间作为模型的样本内数据，通过建立股票市场与债券市场的模型，根据模型计算得到各资产的1%分位的风险价值VaR，具体数据如下：

1.样本内模型估计结果

首先观察中美股票市场与债券市场的尾部风险VaR。根据历史数据计算得到的VaR结果可以初步发现在测试的样本期间内中国市场和美国市场存在几个共同点。首先是股票市场和债券市场波动率和VaR指标都表现出一定的聚集效应，特别是股票市场收益率的波动情况与VaR指标很少发生跳跃，这与学术界普遍对于市场波动率和市场风险存在聚集效应的论证相一致。其次，当股票市场出现剧烈波动，风险价值VaR较高时，债券市场无论是国债总债还是企业债同样会出现较大波动，对应的风险价值VaR值也会增加，特别是在2008年全球金融危机和2015年5月中国资本市场剧烈波动期间，股票市场和债券市场表现出一定的同步性。为了更好地分析股票市场与债券市场的风险同步性程度，接下来本文将通过MVMQ-CAViaR模型计算得到的参数值以及参数显著性进一步分析中美股债市场之间的风险溢出关系。

表1表现的是在贸易摩擦开始前，中国资本市场中沪深300分别与中国总债券在1%分位数水平下模型参数结果，从表中可以发现在中国资本市场中，沪深300和中国总债券指数表现风险价值与自身前期的市场冲击相关性显著，且与前期风险价值的自相关程度指标的显著度也很高；股债相互之间的风险溢出指标的显著度也很高，几乎所有参数都在1%水平下显著。另有沪深300与中国国债和中国企业债之间同样也表现出了较强的风险价值对于市场冲击和自身风险价值的自相关性。股票市场对于债券市场的风险溢出指标也都很显著，且相较于债券市场对股票市场的风险溢出显著性更强。通过以上结果我们可以发现中国资本市场在贸易摩擦开始前，股票市场和债券市场各自在尾部风险表现出较强的自相关性且受自身的市场冲击影响较大，股债之间有一定的尾部风险溢出关系，尤其对于中国总债券指标表现得更明显。从各参数的正负号中可以发现，在市场波动对于尾部风险的关系参数中，无论是对于自身的风险溢出还是对于另外一个市场的风险溢出，得到的结果都是负号，这表示当市场波动较大时，相应的尾部风险损失也会更大，这符合基本的理论预期；在滞后一期的尾部风险对于当期尾部风险的参数中，市场尾部风险对于自身的影响参数符号为正，说明市场尾部风险对于自身呈现正向风险溢出，这个结果一方面符合市场风险存在集聚效应的理论预期，另一方面由于在计算风险价值VaR时采用的是历史数据法，这种算法得到的VaR指标受“鬼影”效应影响，一个极端值会影响之后较长一段时间的VaR值，导致VaR指标出现一定的自相关性。结果中一个市场的尾部风险情况对于另一市场的尾部风险溢出符号为负号，说明该市场前一期的尾部风险溢出情况对于当期其他市场呈现负向风险溢出，反映了一定的“Flight-to-Quality”效应，这一点与波动率的交叉影响不同，说明在这种情况下，一个资产的尾部风险溢出受另外一个资产波动率的影响较大，在监控和控制尾部风险时，相对于其他资产的尾部风险情况，应当更加关注其他资产的波动水平。

(表1) 沪深300与中国总债券

表2显示的是在贸易摩擦开始前，美国资本市场中标普500与美国总债券在1%分位数水平下模型参数结果。从标普500与美国总债券、美国国债和美国企业债之间的计算结果中可以发现在美国的资本市场中，美国的股票市场与债券市场也存在着个别风险溢出关系，其中标普500对于美国国债指数的风险溢出效应相对更显著。在观察各参数的正负号时，可以发现与中国市场有很多相似之处。比如波动率对于自身和其他市场尾部风险的符号为负数，说明波动越大对其自身和其他市场造成的尾部风险也越大。结果中的自身的尾部风险VaR值同样呈现自相关性，但值得注意的是与中国市场不同，美国市场中的尾部风险对于其他市场尾部风险的指标值多数为正数，说明在美国市场中极端尾部风险交叉风险为正向溢出，并未出现中国市场中的“Flight-to-Quality”现象，主要原因是自从2008年美国次贷危机以来，美国政府连续使用量化宽松的货币政策，对资本市场流动性进行干预，导致股票市场与债券市场更多时候表现的是“Flight-to-Liquidity”现象，尾部风险会与波动率叠加对另一市场的尾部风险产生影响，但从指标的显著度看，尾部风险正向风险溢出的显著度不高，影响有限。总体上在样本内期间，从模型计算得到的参数指标的显著程度发现，美国的资本市场股票与债券的风险溢出关系没有中国市场的显著。

(表2) 标普500与美国总债券

2.样本外模型估计结果

为了对模型进行稳健性检验测试，我们根据模型参数对样本外2015年12月至2018年3月这段时间的数据进行计算，得到各配对模型对于相应指数的样本外预测风险价值VaR指标，从中发现，对于中国资本市场和美国资本市场的样本外数据，数据中日收益率波动超过预测风险价值的次数较少，基本符合模型预期。为了进一步验证模型对于样本外数据的适用性，本文对于模型的样本外结果分别进行了Kupiec似然比检验和动态分位数(DQ)检验，具体检验结果如下表(3)所示：

(表3) 样本外风险溢出模型检验结果

在表3的样本外数据检验结果中，中国和美国在Kupiec检验的结果显示几乎所有关于股票市场与债券市场的风险溢出模型都通过了检验，说明模型对于各指数的尾部风险有较好的预测能力，对风险管理和控制可以起到较好的指导作用。另一方面，动态分位数DQ检验的结果部分指标都不显著，说明模型对于这些指数不仅有较准确的尾部风险预测能力，而且尾部风险的超出事件不存在自相关性。对于其他几组结果，虽然模型都通过了Kupiec检验，但DQ统计量显示拒绝了原假设，说明这些指数超出模型风险价值的情况在时间上存在自相关性，即有可能在一段时间连续出现超出模型给出的风险价值的尾部风险事件。总体来看，模型对于样本外数据的尾部风险有较好的预测能力，为了进一步更直观对比样本内外风险溢出模型对于风险价值预测有效性，我们统计了各资产收益波动超过1%的风险价值次数的频率，对于样本内数据，资产波动超过1%风险价值VaR的平均频率为1.007%，非常接近于1%与预期相符，而且标准差较低，预测比较准确；对于样本外数据，资产波动超过1%风险价值的平均频率为1.25%，同样比较接近于1%，说明模型对于样本外有一定的预测能力，可见模型对于多数样本外数据仍然有较好的解释力度，对风险预警和管理起到积极作用。

3.脉冲响应分析

本小节我们通过脉冲响应分析的方法，来分析当股票市场或债券市场受到某个风险事件影响，市场行情受到较大扰动时，该事件对于其他市场的冲击过程和冲击响应时间等。在计算中，我们对模型中的一个市场的初始状态给与两倍标准差的冲击，并根据模型中的参数，计算在未来的一段时间里，该冲击是如何对这个市场本身产生影响的，以及对于其他市场的影响大小和影响过程。

从图1和图2中可以发现，从脉冲响应的方向看，当一个市场受到扰动时，扰动会给自身和其他市场带来负面的尾部冲击，且无论是在中国还是在美国，股票市场受扰动的影响要大于债券市场，这个结果符合股票与债券的两种资产类别的风险性质。对于股票市场，虽然中国的股票市场受自身风险事件冲击的影响与美国的股票市场受自身风险事件冲击的影响相差不大甚至更小，但是脉冲对于中国股票市场的影响时间要长于美国市场，从图中的结果看中国股票市场平均需要30—40天，甚至40天以上的时间去消化脉冲所带来的影响，而美国股票市场一般只需要10—20天去消化冲击所带来的影响，这个结论与彭选华运用SV-M-t模型对中美股票市场波动率的记忆特征进行分析时得到的结论一致，即国内市场在受到国际重大政治经济事件冲击时，自我修复能力不如国外的股票市场成熟(29)彭选华：《基于DCC-Copula-SV-M-t模型的股市系统性风险溢出分析》，《数理统计与管理》2019年第5期。。这一定程度上与美国的股票市场发展更成熟更完备以及美国资本市场的投资者专业化程度更高有关。在美国的股票市场，投资者不仅可以进行当天买入当天卖出的T+0交易，还可以对于个股进行融券卖空以及通过个股期权对股票进行做空交易，而这些在中国的股票市场目前都是做不到的，这些交易机制上的差异也导致了中国股票市场对于合理价格的调整需要更长的时间周期。程崇祯等(30)程崇祯、章婷：《CAPM在我国的适用性探讨》，《湖北大学学报》(哲学社会科学版)2005年第1期。提到中国股票市场以个人投资者为主体，缺少专业方面的知识，投资理念以投机听消息为主，这些也导致了中国股票市场面对市场冲击时与发达国家相比恢复能力较弱。对于债券市场，可以发现中国和美国的债券市场对于自身或股票市场的风险事件带来的冲击所需要的消化时间基本相同，都在10—20天左右，中国债券市场对于资产波动引起的风险溢出所需消化的时间明显少于股票市场，主要因为中国的债券市场主要由机构专业投资者参与，非专业投资者参与较少，所以对于资产定价相对更准确更迅速。综上，相比美国股票市场，中国股票市场发展成熟度和完备性不足，市场参与者中非专业投资者占比较大，导致对于股票市场的脉冲引起的风险溢出影响的消化时间要长于美国。但是在债券市场，中国债券市场主要由机构投资者参与，对于脉冲的消化时间基本上与美国债券市场相差不大。

(图1) 中国市场模型脉冲响应分析

(图2) 美国市场模型脉冲响应分析

(三)在贸易摩擦期间数据分析

1.模型估计结果

从2018年3月开始中美贸易摩擦进入新阶段，在贸易对抗事件不断升级，双边贸易受到严重影响的背景下，金融风险事件发生的频率和幅度大幅上升，特别是股票市场，沪深300指数受到了严重冲击，在2018年全年跌幅接近30%。为了分析模型在贸易摩擦期间的表现情况，根据这段时间数据建立资产之间的风险溢出模型计算得到各资产的1%VaR，从中可以发现，中国股票市场在2018年5月和2018年10月以及2019年5月由于中美贸易冲突升级出现了较大波动，2020年2月中国股票市场出现剧烈波动主要是受COVID-19病毒疫情影响，在这段时间模型计算的关于中国股票市场的尾部风险指标VaR的绝对值也相应地增加，但中国总债券指数和中国国债指数的市场价格并未出现较大波动，风险价值也未出现扩大的情况，只有企业债指数与股票市场存在一定同步性。对于美国股票市场，标普500指数的预测风险价值似乎与美国总债券指数的预测风险价值呈现反向趋势，标普500指数与美国国债指数之间没有发现明显的关系，标普500指数与美国企业债指数表现出一定同步性。为了明确股票市场与债券市场是否存在显著的关联，需要对模型中具体参数作进一步分析。

(表4) 沪深300与中国总债券

(表5) 标普500与美国总债券

根据贸易摩擦期间数据得到的参数显著性结果发现，贸易摩擦期间在中国股票市场对债券市场无论是中国总债券指数、国债指数还是企业债指数都未产生显著的风险溢出影响，中国国债指数和中国企业债指数的波动虽然仍然对中国股票市场有显著的风险溢出效应，但不如贸易摩擦前影响显著。总体来看，股票市场与债券市场之间的风险传导关系呈现单方向的风险溢出传导状态。对于美国市场，同样表现出股票市场与债券市场之间的相互关联弱化的情况，在债券市场中，仅美国总债券指数对于标普500指数存在风险溢出影响，其他债券指数并未表现出对于股票市场明显的风险溢出影响，此外，与中国资本市场相同，美国的股票市场并未表现出显著的对于债券市场存在风险溢出的现象。以上结果说明中美之间的贸易摩擦期间，虽然股票市场由于受到贸易摩擦事件的影响产生剧烈波动，但股票市场的尾部风险增加并未导致债券市场的尾部风险提高。造成这种情况的原因有几个方面：从贸易摩擦的影响机制角度出发，受本轮贸易摩擦影响相对更严重的是中小型企业，对中小型上市公司的冲击也相对较大，导致股票市场下跌，这些中小企业发行企业债的数量较少，所以对于企业债券以及整个债券市场的冲击不大。从资本流动的角度出发，在中美贸易摩擦发生之后，国际游资对于股票市场和债券市场的观点发生了变化，原本作为金融工具的股票与债券，投资者对其考虑更多的是市场风险因素，但贸易摩擦开始后，不但要考虑市场风险因素，还要考虑政治风险等新的风险因素。由于各方面的不确定性，国际游资在股票市场和债券市场的活跃度下降，国际游资的减少使得资本流动性降低进而导致风险溢出发生的可能性和发生的幅度降低。从投资组合平衡理论角度出发，自从2018年三季度开始，由于受到贸易摩擦影响，大多数上市公司基本面临财务状况受到严重影响，在股票市场上市公司表现前景不佳的情况下，投资者更倾向于将原本投资于股票市场的资金转而投向风险较低的债券市场，股票市场与债券市场呈现“Flight-to-Quality”效应，这使得股债之间的风险溢出效应有所减轻。从上述分析中可以发现，股票市场与债券市场的风险溢出结构由于受到市场环境的影响存在着结构不稳定性，因此在分析构建风险传导模型时，需要对特殊事件进行考虑，增强模型的适用性和有效性。

2.脉冲响应分析

从贸易摩擦期间用模型建模得到的脉冲响应函数图片(见图3、图4)来看，其与贸易摩擦前的脉冲响应函数图片有很大的区别，贸易摩擦期间脉冲响应的预测区间更多是呈现扩散风险扩散的态势，模型对于脉冲响应的预测能力减弱，说明当一个市场发生风险冲击事件引起较大的价格波动时，使用模型预测其对于另一个市场造成的冲击影响所得到的结果的准确性和稳定性不高，说明股市与债市之间的冲击影响减弱，或许受到来自其他方面的政策影响较多，特别是对于美国市场，在几组模型对于冲击所造成的响应都呈现发散的形态。在中国市场的模型脉冲响应分析图中，有几组脉冲响应图未出现发散的趋势，在这几组模型中可以发现一个市场所受到的脉冲对于另一个市场所造成的冲击有限，且市场对于脉冲的消化速度较快，恢复所需时间较短。

四、结论与启示

为了分析中美贸易摩擦对于中国和美国各自股票市场与债券市场之间的风险溢出情况是否发生结构性变化，本文将历史数据根据中美贸易摩擦新时期的时间点分为两段，首次通过多元分位数模型MVMQ-CAViaR模型作对比分析，并通过Kupiec似然比检验方法和动态分位数(DQ)检验方法对模型的预测能力进行了评估，得到的主要结论有：

(图3) 中国市场模型脉冲响应分析

(图4) 美国市场模型脉冲响应分析

(1)中国股票市场与债券市场相互之间的风险溢出指标显著性较高，资产的波动率对于自身和另一资产都呈现正向风险溢出表现，尾部风险对于自身表现出正向风险溢出，但对于另一资产表现出负向溢出“Flight-to-Quality”效应，资产自身的波动对其自身的风险价值影响较大，存在一定的自相关性，相比之下美国的股票市场与债券市场虽然也存在着风险溢出的关系，且都表现为正向风险溢出，极端尾部风险表现的是“Flight-to-Liquidity”效应，但风险溢出关系没有特别显著。

(2)中国资本市场和美国资本市场在受到风险冲击事件时，股票市场所产生的影响要大于债券市场，这与股票和债券两类资产的性质有关，特别是对于中国股票市场，非专业投资者参与占比较高，受信息不对称和非理性预期影响而产生“羊群”行为，进而会造成股票市场产生较大波动，故在发生突发的风险事件时，其对于股票市场可能会造成程度更深、时间更久的冲击影响。

(3)在中美贸易摩擦期间，中国股票市场未对债券市场产生风险溢出影响，中国债券市场的波动虽然仍然对股票市场有比较显著的风险溢出效应，但不如贸易摩擦前影响显著，股票市场与债券市场呈现单方向的风险溢出传导状态，造成这种转变的原因一方面是由于在贸易摩擦开始后，中国资本市场国际游资活跃度相对降低，市场流动性减弱，降低了风险溢出发生的程度。另一方面是投资者对于上市公司经营状况缺乏信心，更倾向于将股票资产转移到风险较低的债券资产，抵消了一部分对于债券资产的风险溢出。对于美国市场，同样表现出债券市场对于股票市场单向风险溢出的状态，而且影响程度相对贸易摩擦前有所下降。

(4)在中美贸易摩擦前，多元分位数模型MVMQ-CAViaR模型的各项参数指标的显著性较高，可以有效地揭示各自股票市场与债券市场的联动关系及风险溢出情况，模型的预测效果较好，但是在中美贸易摩擦期间，风险溢出模型参数的显著性不高，说明贸易摩擦期间，中美双方在股票市场与债券市场的联动关系被破坏，风险溢出效应不明显。股票市场与债券市场更多是受到自身的波动影响较大，传统的股票市场与债券市场的关系受多因素影响不再显著，这对于通过利用股票市场与债券市场的关系进行资产配置，提出了更大的挑战。

从以上结论中可以发现，一方面，在当前处于贸易摩擦状态的中美股票与债券市场之间的传导关系受政策和市场预期等多重因素影响呈现不确定、不显著的特征，需要寻找新方法和新途径去发现股债之间其他的风险传导规律，以便更好地进行资产配置降低风险。另一方面，由于在贸易摩擦期间股债风险传导关系不显著的状态下，在面对系统性风险的防范工作时，建议更多着眼于股市或债市各自市场本身，在面对某个市场发生风险事件需要对其进行政策干预时，因为政策干预行动对另一市场产生的尾部风险溢出有限，故可以适当加大政策执行力度，做好系统性风险防范工作，维持金融系统稳健运行。