上市银行间风险溢出研究基于时变Copula函数测度动态相关性.docVIP

上市银行间风险溢出研究基于时变Copula函数测度的动态相关性 　　摘要：文章从研究银行间风险溢出突变入手，分析银行间的风险传染机制，利用时变Copula理论刻画了我国上市银行间的相关性，在此基础上利用Z检验方法找出银行间风险溢出的转换点，研究发现在大部分银行2008年9月18日的相关结构发生突变，说明存在风险溢出效应。文章以这一时点为分水岭，利用CoVaR方法对上市银行间的风险溢出效应分两阶段进行实证。研究结果表明，危机后国有银行对大部分股份制商业银行的风险溢出强度显著增大，而国有银行之间的风险溢出强度有所下降。 　　关键词：时变Copula；Z检验；风险溢出；CoVaR 　　一、 引言 　　由于时变Copula函数在度量相关关系上的优势，本文采取时变Copula来描述银行间的相关性，在此基础上运用Z检验判断其Copula结构是否发生变化，找到的变结构点即为风险溢出时点，基于风险溢出点，本文通过CoVaR方法量化银行间的风险溢出强度。 　　二、 方法与计量模型 　　三、 实证研究 　　1. 样本选择。基于数据的可得性及研究的需要，本文选择13家上市银行作为样本。其中，由于建设银行上市的时间是2007年9月25日，本文选择研究日期为2007年9月25日至2011年9月30日，研究对象为所选上市银行的收益率序列，将价格定义为银行n在t日的收盘价格，其收益率序列为Rt=ln（Pnt/Pnt-1）*100，数据处理后共979个日数据，本文数据来自WIND数据库，利用R软件和Matlab7.0进行相关程序编写与实证研究。 　　2. 时变Copula模型建立。 　　（1）边缘分布模型拟合与参数估计。GARCH（1，1）-t模型在刻画金融时间序列的边缘分布上具有明显的优势。本文使用R对各家银行的收益率序列做拟合。为了使拟合的结果更准确，本文做了ADF检验和PP检验，检验结果显示，所研究银行收益率序列的ADF统计值和PP统计值均在“1%的显著性水平”的临界值以下，可以确定这些银行具有平稳的收益率序列，可以直接使用边缘分布拟合。本文将GARCH（1，1）-t模型应用于各家银行收益率序列边缘分布的拟合，获得了各收益率序列的边缘分布模型的相关参数，表1列出了中国银行、招商银行收益率序列的条件边缘分布的估计结果及相应的检验结果。 　　为了检验拟合的效果，本文采用主观性比较小的K-S检验。K-S检验揭示的是理论分布与经验分布之间的偏离，其统计检验量数值越小，表明偏离程度越低，拟合效果也就越好。根据表1所示，K-S统计值均很小，K-S概率值均大于0.1，说明在10%的统计水平下，对各序列，“新序列服从（0，1）上均匀分布”的原假设没有理由被拒绝，本文根据GARCH（1，1）-t模型估计得到的边缘分布相互独立且在（0，1）上服从均匀分布，所选方法适当，拟合结果好。 　　（2）时变Copula函数的选择及参数估计。在动态变化的市场环境下中，各银行间的股票收益率的相关程度会不断变化。本文基于边缘分布拟合的参数结果，运用时变正态Copula，动态分析中国的股份制银行与国有银行间的相关性，可求出相关性系数ρ的演进方程的参数估计值。以建设银行为例，建行与其他股份制银行的参数估计结果如表2所示。 　　根据参数估计结果，可以得到建设银行与这几家银行的二元正态Copula时变图（图1）。 　　如图所示，时变趋势上，各个银行间的相关系数具有一致性。这个现象主要是因为在相同的宏观经济背景下，中国的银行业具有基本相同的业务模式与经营环境，相似的行业特点引导银行间的相关序列具有相对一致的变化趋势。而从时点上分析，可以发现在2008年9月18日～2008年10月6日之间，各银行间相关系数趋向于峰值，说明中国市场对于美国次贷危机立刻做出了反应。为了进一步分析这段时间内是否存在明显的风险溢出，本文通过Z检验进行判断。 　　3. 风险溢出转换点的判断。我们以“日”作为分界点，使用前文相关系数的演化方程，利用Z检验方法检验，研究发现在t=281这一时点，大部分银行的Z统计量结果十分显著（表3）。 　　从表3的结果看，除个别银行间的Z检验值未通过检验，其余大部分银行间的Z检验值在？琢=0.1水平下均为显著，说明大部分银行在2008年9月18日这一天相互间的相关结构发生了突变，风险溢出效应明显，也表明在这一天，中国市场对在美国发生的金融危机具有明显的反应。因此，2008年9月18日可以作为样本分割点，用来测度美国金融危机前后中国的银行之间风险溢出的强度。第一阶段为2007年9月25日～2008年9月18日，共239个数据。第二阶段为2008年9月19日～2009年9月10日，共239个数据。 　　根据计算结果分析对比分析第一阶段和第二阶段的风险溢出强度，可以