立足于我国金融市场发展特点,本文从收益波动率的视角重新定义金融稳定的内涵,利用分位数回归技术提出了具有普适意义的用于金融市场稳定性检验的模型。通过对上证市场历年稳定性情况进行实证检验分析,发现 2002 年以来上证市场开始由不稳定状态向着稳定状态发展,该结论也通过了模型的敏感性检验。此外,本文还探讨了“极端利好”消息在维护金融市场稳定过程中的重要作用并且验证金融危机之后我国政府出台的一系列救市政策积极正面的影响。 The study proposes a new definition for financial stability from the perspective of return volatility, considering about the developmental characteristics of Chinese stock market. With quantile regression technique, we develop a universally econometric test for financial stability. Empirical analysis results within Shanghai market show that the market has been beginning to turn to a stable state from an unstable one since 2002, this conclusion is also confirmed by a sensitivity test of this model. Moreover, this paper investigates a vital role that the “extremely good” news plays in safeguarding financial market stability. Furthermore, the positive impact of a series of policies on rescuing the market, which is promulgated by Chinese government after the financial crisis, has been verified by our test.
在“后金融危机”时代研究金融市场的稳定性情况,探索金融市场健康发展的道路具有重要意义。目前业界主要是从如下两个方面来定义“金融稳定”:1) 正面阐释/欧洲央行行长Duisenberg等[1-3]认为:“金融稳定是指构成金融体系的主要要素都能平稳地运行”。国际货币基金组织研究员Houben等[4,5]认为:“在金融稳定状态下,金融体系应具有如下功能:一是在各种经济活动中能有效地分配资源;二是评估和管理金融风险;三是承受各种冲击”。2) 反证归纳:部分学者从反面归纳了金融稳定的概念,如哥伦比亚大学Mishkin[
Baur[
近年来许多学者对金融稳定的问题进行了多角度的探讨,对其做定量分析研究主要有以下三种思路:1) 宏观压力测试法,如Drehmann,Boss等[9-11]探讨了宏观压力测试中金融机构的传染模型(Contagion Model)。 2) 金融稳定指标体系法,如:Van den End J. W.[
Baur[
然而Baur只考虑了“极端利空”消息对市场的冲击,却没有关注“极端利好”(extreme good)消息的影响,这也正是目前大多数学者在研究金融问题时持有的观念。而本文在充分考虑我国金融市场特征之后,认为“极端利好”消息对市场的影响不能忽视,在Baur研究的基础上,本文对模型做了改进,引入“极端利好”冲击因子Benefit来反映“利好”消息对金融市场的额外影响。此外,不同于Baur,本文认为金融稳定性不仅反映在收益率水平上,更反映在收益波动率上。因此,本文从收益波动率的角度对上证市场稳定性进行实证分析,并且通过波动率和系统性冲击的选取来考察模型的敏感性。从实证结果来看,2002年以来,上证市场多处于不稳定状态,而“极端利好”消息在这期间起到了显著的稳定市场的作用。
本文的组织如下:第2部分在Baur的初始模型的基础上,首先提出了带有“利好”因子Benefit的金融市场稳定性模型,并就模型的变量获取,模型的参数估计,以及模型的敏感性检验提出相关的方法;第3部分的实证分析,文章选择2002年6月1日至2011年5月31日的上证市场的数据进行建模分析,给出结果和评估。最后第4部分,就本文提出的模型和方法,根据实证分析的结果进行的总结。
本文利用条件分位数(相关理论详见Koenker[
(1)
其中:Qτ(σt|ft)为σt的τ条件分位数,假定Qτ(σt|ft)=0;σt为收益波动率;ft为市场受到的系统性冲击,即外部环境的冲击;α(τ)用于度量τ分位点上收益波动率的均值;β(τ)用于度量τ分位点上系统性冲击对收益波动率的影响;υt为市场受到的自身引起的异质性冲击,即误差项。
模型(1)就是研究系统性冲击ft对不同分位点上收益波动率的影响即β(τ)的情况。若β(τ)其在所有分位点上估计值都相等,则金融市场稳定的根本条件得到满足,认为该市场是稳定的;若β(τ)或其绝对值在极端分位点上出现明显的增长趋势,则暗示了金融市场在极端条件下放大了冲击的影响,从而表明该市场是不稳定的。
为了研究“极端”冲击的额外影响,Baur在其初始模型的基础上引进了“极端利空”冲击Crisis并验证了其对金融市场的显著影响,而考虑到“极端利好”消息对市场的影响,本文将做进一步的改进,引入“极端利好”冲击Benefit,以使模型更符合实际情况。
在模型(1)的基础上进行改进,对于极端的系统性冲击,通过条件分位数来定义,认为中小于其1%分位数或者大于其99%分位数的系统性冲击为极端系统性冲击。在模型(1)中引入新的变量Crisis和Benefit来度量极端冲击的造成的额外的影响,因此模型(1)改写成如下形式:
(2)
本文建立的分位数回归模型实际涉及到两个变量:收益波动率σt,系统性冲击因子ft。而这些数据的实际值无法得到,因此需要借鉴一定的计算方法对这些数据进行测度或者估计。
1) 收益波动率σt计算。目前国内外学者对收益波动率的研究已有诸多成果,如魏宇和杨科[21,22]基于上证市场数据研究实现了波动率(RV)对高频数据描述最优,而GARCH模型在刻画每日数据时效果较好。而实际中最为常用的是移动平均法、指数平滑法和建立GARCH类模型三种方法。其中GARCH模型被认为是最集中地反映了金融数据时间序列方差波动特点的模型,因此本文采用建立GARCH模型的方法来计算产生的条件方差作为波动率的估计值。在之后进行的模型敏感性分析时,本文将考虑用其他估计方法生成收益波动率,以此来验证模型对收益波动率σt的计算不具有敏感性。
2) 系统性冲击ft的计算。这里引进代理变量来表示系统性冲击,考虑到系统性冲击的外部性和宏观性,本文从国际市场选取具有代表性的股指作为系统性冲击的风险因子,详见本文的第二部分。对选取的该支股指收益率序列同样建立GARCH类模型,此时选择新息εt作为系统性冲击的估计值记作,用代替模型(2)中的ft。
模型的估计采用分位数回归的方法来获得参数估计值,分位数回归技术对分布形式不做要求,因此比较适合用于复杂的金融时序模型的估计,其估计参数的基本思想为:设Y Î R是被解释变量,X是p维回归变量,当给定X = x时,定义Y的条件分布为FY(y|x),对任意0 < τ < 1,Y的τ分位数函数:
(3)
函数完全刻画了在给定x的条件下Y的性质,即存在比例为τ的部分小于分位数函数,比例1~τ的部分大于分位数函数。
定义检验函数:
(4)
而在线性条件下,给定x有,则τ分位数的样本分位数线性回归就是满足下面要求的:
(5)
由于不同分位数时误差项的影响,随着的τ改变,模型中的参数也随着变化,模型中系数的解释类似一般线性回归模型,只不过现在不仅仅局限于条件均值,而是考虑了不同分位数位置的各种情形。
由于在变量的选择上,本文对σt和都采用指定的选取方法,而事实上可供选择的方法有多种,因此要对模型进行敏感性检验,即考察检验结果是否会因收益波动率和系统性冲击选取方法的不同而有显著不同。
这里本文采用另一种波动率计算方法——简单移动平均(SMA)模型来产生收益波动率序列。简单移动平均模型是以过去M天收益的样本方差来估计当前波动率,能够简洁明了地刻画收益波动的特征,其计算公式如下:
(6)
根据以上计算公式分别计算收益率序列的20日、60日、120日的移动平均收益波动率,用这些波动率代替GARCH模型估计的条件方差,再由模型(2)对新的收益波动率序列进行稳定性检验,模型中其他变量保持不变,比较检验结果,考察收益波动率指标的选取是否会对检验结果造成显著影响。
代表外部金融环境的指数有多种,本文将选取不同的指数作为外部风险因子,同样对其做对数去均值化处理之后再建立GARCH模型,用该模型的新息作为新的系统性冲击记为,接着产生Crisis’和Benefit’项,代入模型(2),其他变量保持不变,再用同样的思路检验金融市场稳定性情况,考察不同外部冲击因子的选择是否会对模型检验结果产生显著的影响。
本文选取上证综指作为我国金融市场的代表性指标,摩根斯坦利(MSCI)新兴亚洲指数和世界指数作为国际金融市场的代表性指标。考察的样本区间选为2002年6月1日~2011年5月31日共2349个观测,数据统一选择日收盘价Pt。对指数计算中心化的对数收益率,计算公式如下:
(7)
由此得到各指数的对数收益率序列分别记为:{lszt}和{lait}。
对上述对数收益率序列进行基本的描述性统计分析,结果如表1所示。
从表1中可以看出,lai最大收益率要大于lsz,而最小收益率小于lsz,因而峰度和偏度都高于lsz。此外JB检验结果说明各序列均不服从正态分布,OLS法不再适用,由于分位数回归技术对分布不做要求,因此成为较为合适的估计方法。
1) 平稳性检验
本文对时间序列平稳性的检验采用较为常用的ADF检验,即单位根检验,在1%的显著性水平下,{lai}和{lsz}收益率序列P值均为0,表明这两个序列都是平稳的,因此建模前无需对序列做差分处理。
2) 波动聚集性检验
波动聚集性可以用去均值化后收益率的平方序列的自相关系数来度量,图1是lsz和lai及其平方后的收益率序列lsz2和lai2滞后1~36阶的自相关图,其中虚线部分表示的是收益率平方序列的自相关系数,实线部分是收益率序列的自相关系数。观察图1,可以得到如下的结论:
a) 平方之后的收益率序列自相关性明显高于原序列,说明序列存在GARCH效应;
b) lsz2自相关系数要高于lai2,说明上证市场波动率序列的自相关性更强,即波动的聚集性更强。
综合上述对序列特征的分析,我们接着对收益率序列建立GARCH模型。GARCH模型于1987年由Bollerslev[
表1. 数据描述统计量*
图1. 新兴亚洲指数和上证综指收益率及平方序列自相关图
集性,能够较好地反映出收益率波动的特征。
由于模型具体形式未知,同时对误差项的分布也缺乏先验信息,因此本文的建模思想是考虑对数据序列建立多个模型,然后以SC (Schwarz准则)、AIC (Akaike信息准则)、HQ (Hannan-Quinn信息准则)最小,同时LL (Logarithmic maximum likelihood estimate)最大为原则,从中选出对数据序列拟合效果最优的一个模型将其确定为该数据序列的GARCH模型。GARCH模型估计结果见表2。
确定了模型的具体形式就可以进一步计算得到收益波动率估计值σt以及系统性冲击。基于这些数据,接下来就可以利用模型(2)对我国金融市场稳定性情况进行检验。
表2. GARCH模型建模结果*
1) 考察不同条件下系统冲击对市场影响
基于模型(2)检验2002~2011年共9个时期上证市场的稳定性情况,对9个时期的市场分别进行检验,该批数据与3.1.1节所说描述的一致,但是按自然年份进行划分,得到9个不同时期的数据。利用Eviews 6.0软件分别对9个时期的上证市场样本数据序列估计其关于系统性冲击的分位数回归模型,并据此作出每一个时期的系统冲击分位系数曲线,图2是根据200个分位点的分位系数估计值做出的系数曲线图,本文例举了具有代表性的几个年份和Benefit曲线,其中横轴表示的是因变量σt的不同分位点,纵轴表示的回归系数值衡量冲击影响的大小,黑色实线是回归系数曲线,灰色虚线构成置信度为95%的置信带,曲线上每一点表示的是市场收益波动率在某一分位点水平时对应的系统冲击影响的大小。
由于本文着眼于对波动率的研究,因此曲线形状与Baur的结果略有不同,但是系统性冲击在极端市场条件下被放大的效应是明显的。此外,有关极端系统性冲击影响的分析,本文的实证结果与Baur的研究结果也基本一致,即认为极端系统性冲击影响显著,而在Baur[
1) 不同条件下系统性冲击的对市场的影响有所不同。表现在的回归系数值在波动率的各分位点上有显著差别,尤其是在高分位点上,的影响有显著的增长,说明当市场收益波动幅度较大时,系统性冲击的影响被放大了。此外,曲线在2007~2008年,
图2. 历年回归系数图
2009~2010年表现出了“U”型的特征,即这两个时期,系统性冲击不仅在市场收益波动幅度大的时候会被放大,当市场收益波动幅度较小时,系统性冲击的影响相比一般市场条件下也被放大。
2) “极端利好”消息对金融市场将产生额外良性的影响。观察图2发现,除了2008~2009年这一时期之外,在高分位点上,Benefit系数值全都表现出了明显递减趋势,且为负值,说明当市场收益波动幅度较大时,Benefit有助于削弱市场波动幅度;但在低分位点,Benefit的系数是显著为正,此时Benefit加剧了市场波动。因此可以认为“极端利好”消息的额外影响是缩小市场收益波动率间的差距,有效地将波动率维持在某一水平上,即“维稳”的作用,“极端利好”消息的进入对市场而言是一种良性的影响,有助于金融市场朝着稳定的方向发展。
接着对历年冲击的回归系数进行斜率相等性检验。具体到本文,即考察系统性冲击在各分位点影响的不同是否具有统计意义上的显著性,在“变量在各个分位点上的回归系数估计值是相等的”的原假设下,通过构造Wald统计量来进行假设检验。表3中列出了一些尾部分位点与中位点的对比情况。
结合上述图表本文做出如下的几点结论:
1) 考察近年来上证市场稳定性情况。根据金融稳定的定义对历年上证市场的稳定性情况进行检验。发现除了2002~2003年,2005~2006年和2010~2011年这三个时期以外,上证市场都处于不稳定状态。
2) 考察金融危机发生前后市场对系统冲击反应的变化。从系统冲击的检验P值可以看出:金融危机发生之前大多数时期,高分位点与中位点对系统冲击反映的差异显著,而低分位点与中位点对系统冲击反应的差异并不显著;危机发生之后,低分位点和高分位点对系统性冲击的反映程度都与中位点有显著差异,说明危机发生后,当市场收益波动率小时对系统冲击的反应较之前更剧烈,暗示危机前后市场对系统冲击的反应发生了明显的变化。
3) 考察金融危机发生之后政府出台的救市政策是否行之有效。从检验结果可以发现,金融危机之后上证市场并没有立即回稳而是持续了较长的一段时间之后才逐渐趋于稳定,这说明积极的救市政策一定
程度上的确有助于维护金融市场的稳定,但也反映出宏观经济政策在发挥作用时存在较为严重的“时滞性”,这势必严重影响经济政策的指导效果,不利于我国金融市场健康良性的发展。
由于模型的检验原理是通过检验市场是否会放大系统性冲击的影响来判断市场的稳定性,因此指标的选择对模型的检验结果有重要影响。本文将从两个方面来考察模型的稳定性:不同的波动收益率和不同的系统风险因子,检验的思路前文已经给出,本文的这一部分将给出实证分析的结果。
基于上证市场的样本收益率数据序列,根据公式(5)计算出收益率序列的20日、60日、120日的移动平均收益波动率数据2,做成时序图如图3所示,可
表3. 逐年回归斜率相等检验结果*
知20日、60日、120日的移动平均收益波动率序列走势基本一致,差别仅表现在于波动幅度上。
用移动平均收益波动率作为因变量对上证市场的稳定性情况进行逐年检验。本文以20日移动平均波动率为例,保持其他变量不变,作参数的分位数回归估计。系统性冲击的回归系数图4所示。发现尽管某些分位点上估计值略有不同,但曲线形状与前文的结果是一致的,尤其是尾部。60日、120日移动平均波动率检验结果类似。
用MSCI世界指数代替新兴亚洲指数作为产生影响上证市场收益波动率的外部因素, 对世界指数对数收益率序列同样建立GARCH模型,估计出模型并且产生残差序列作为系统性冲击代理变量,进一步地得到Crisis’和Benefit’。
因变量仍为条件波动率,再用与上文相同的思路检验上证市场的稳定性情况,f*‘t的分位回归系数见图5,对比图4不难看出,参数曲线大体走势也是比较一致的。
综上,本文认为模型检验结果关于收益波动率和系统性冲击指标的选取方式是稳定的,即σt和估计方法的不同不会造成模型检验结果的改变。前文中我们选取条件方差波动率和新兴亚洲指数来研究上证市场的稳定性情况是合理的。
“后危机时代”造就了新的国际格局,给各国金融体系带来机遇的同时也带来巨大的挑战和风险。在中国金融对于整个经济改革大局成败起关键性作用的历史时期,在中国股票市场与世界的联系日益紧密的今天,维护金融稳定成为维护国家安全与经济发展的重要内容。
本文首先从收益波动率视角提出了金融稳定的定义,接着采用较为先进的分位数回归方法建立检验模型,对我国上证市场的稳定性情况进行检验和分析。结果表明2002年以来,上证市场在大多数时期均处于不稳定状态,除了2005~2006年以及2010~2011年两个时期之外,但其稳定原因有所不同,2005~2006年上证市场的稳定状况是我国金融市场经过多年的探索开始健康成长的表现,2010~2011年的稳定则是政策指导的结果。不容置疑,次贷危机造成了全球股市的震荡,上证市场能够较快的走出困境说明政府应对金融危机的各项政策的正面性和有效性,在非常时期起到了扭转势头,维护市场稳定的作用。
本文所用的分位数回归技术对数据要求宽,只需满足条件Qτ(νt|ft) = 0,适用于如股票价格指数等具有异方差、重尾分布的序列。同时,本文提出市场稳定
图3. 移动平均收益波动率时序图
图4. 20日移动平均波动率逐年回归系数图
图5. 世界指数系统冲击逐年回归系数图
性的判断方法也可用于分析期货、期权等市场的稳定与否。然而,本文探讨的金融数据是在假定其满足某个分布的前提基础上展开,但实际数据的分布往往是未知的或者与已有的理论分布是不符的。因此,构造新的残差分布将是一个值得探讨的问题;其次,本文建立的检验模型是较为简单的线性模型,在运用到金融衍生工具或者资产组合产品时会引起较大的偏差,为了进一步拓宽模型的普适性,可以进一步考虑非线性的模型形式,当然相应的参数估计问题也将在后续的工作中进一步讨论。
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[