56 系统工程学报第 33 卷合风险提供信息. 然而美元和石油之间的关系不是一成不变的, 其关系受到外界政治科技经济等因素的影响, 2008 年发生的美国次贷危机席卷了整个金融市场, 本文将试图分析此次金融危机是否显著改变了石油和美元外汇之间的关系, 通过对比分析, 为管理或对冲金融危机时期有关

Size: px

Start display at page:

Download "56 系统工程学报第 33 卷合风险提供信息. 然而美元和石油之间的关系不是一成不变的, 其关系受到外界政治科技经济等因素的影响, 2008 年发生的美国次贷危机席卷了整个金融市场, 本文将试图分析此次金融危机是否显著改变了石油和美元外汇之间的关系, 通过对比分析, 为管理或对冲金融危机时期有关"

纶救吉
5 years ago
Views:

1 第 33 卷第 1 期 2018 年 2 月系统工程学报 JOURNAL OF SYSTEMS ENGINEERING Vol.33 No.1 Feb 石油和汇率间风险溢出效应分析基于 MV-CAViaR 模型叶五一, 张浩, 缪柏其 ( 中国科学技术大学管理学院统计与金融系, 安徽合肥 ) 摘要 : 石油市场和外汇市场之间的联动关系一直是国际金融研究的一个重要课题. 本文基于 MV-CAViaR 模型, 从风险 ( 分位数 ) 的角度同时研究了石油市场和美元外汇市场间的风险溢出效应. 通过对数据分段应用 MV-CAViaR 模型, 分析了金融危机对石油市场和美元外汇市场间风险溢出效应的影响. 研究表明 : 危机期间石油市场和美元指数美元兑日元美元兑加元之间存在很强的双向的风险溢出效应, 而危机前危机后均不存在 ; 金融危机没有显著改变石油市场和美元兑欧元美元兑英镑之间的风险溢出效应. 关键词 : 分位数回归 ; MV-CAViaR 模型 ; 风险溢出效应 ; 风险聚集效应中图分类号 : F764.1; F823/827 文献标识码 : A 文章编号 : (2018) doi: /j.cnki.jse Risk spillover effect between oil and exchange rates: Based on MV-CAViaR model Ye Wuyi, Zhang Hao, Miao Baiqi ( Department of Statistics and Finance, University of Science and Technology of China, Hefei , China ) Abstract: The co-movement of oil market and foreign exchange market is an important issue in financial researches. Based on a model of MV-CAViaR, the spillover effect of risks between these two markets is analyzed from the perspective of risk (quantile). Through the establishment of MV-CAViaR on divided data, the influence of the financial crisis on the spillover effect of risks is analyzed. Results show that the oil market and the US dollar index, the Japanese yen price of US dollar, and the Canadian dollar price of US dollar, have spillover effects on each other during the crisis period, while this effect does exist during the pre-crisis period or recovery period. The financial crisis doesn t change the spillover effect between oil market and the exchange rate of GBP/USD or EUR/USD obviously. Key words: quantile regression; MV-CAViaR model; risk spillover effect; risk clustering effect 1 引言美元在全球经济发展中的地位举足轻重, 常被视为世界经济的晴雨表. 石油作为战略能源, 近年来也成为规避通货膨胀和美元疲软风险的黑黄金. 研究美元与石油之间的关系, 能够帮助预测一个市场的金融风险对另外一个市场的波动的反应情况. 准确描述两者之间的相依关系, 能够为控制或对冲相应投资组收稿日期 : ; 修订日期 : 基金项目 : 国家自然科学基金资助项目 ( ; ).

2 56 系统工程学报第 33 卷合风险提供信息. 然而美元和石油之间的关系不是一成不变的, 其关系受到外界政治科技经济等因素的影响, 2008 年发生的美国次贷危机席卷了整个金融市场, 本文将试图分析此次金融危机是否显著改变了石油和美元外汇之间的关系, 通过对比分析, 为管理或对冲金融危机时期有关石油和美元外汇的风险提出了建议. [1] 已有文献大多是研究危机前后股票市场之间的波动率溢出效应. Caramazza 等研究了在上世纪 90 年 [2] 代新兴市场金融危机的传染问题, 检验了金融关联关系在危机传染中所起的作用 ; 叶五一等基于动态平滑系数分位点回归模型, 不仅对危机传染问题进行检验, 还对金融危机传染的发生时刻以及金融危机的缓 [3] 解时刻进行了相应的预测 ; 侯县平等通过 Granger 因果检验, 给出了金融危机显著强化了中国债券市场与股票市场动态风险传染效应的结论. 但是上述研究主要是以国家为界限分为不同的经济体, 研究的对象是该国主要证券市场的股票指数. 本文抛开国家的界限, 从一个全新的视角, 研究石油和美元汇率之间的关系, 通过观察石油和美元汇率之间风险溢出效应的变化, 来分析金融危机对这两个市场之间关系的影响. [4] Lizardo 等把石油价格加入到汇率的货币模型中, 发现石油价格能够很大意义上的解释美元相对于世界上主要货币的价值变化, 并通过实证研究 1970 年 2008 年的美元汇率和原油价格指出, 原油出口国在 [5] 油价上涨时会出现本国货币升值, 美元贬值, 这也与虞伟荣等得到的石油价格的大幅上涨会导致美元实 [6] 际汇率的上升的结论相符. Zhang 等指出美元兑欧元汇率与国际油价存在长期协整关系, 短期波动性溢出效应和即期的风险溢出效应均不显著. 此外, 还有一些研究分阶段分析金融市场间的相关性, Akram [7] 按油价上涨或下跌两个阶段分析了油价与挪威克朗兑美元汇率之间的相关性, 但将油价上升或下跌作为各阶 [8] 段的划分依据, 可能会导致内生性问题. Hammoudeh 等加入了能够反映经济周期变化的铝价和与能源密切相关的铜价等经济变量以后, 发现美元兑欧元汇率黄金原油等市场间的波动性溢出效应更加显著. 王 [9] [10] 楠等运用 ECM 模型验证了国际油价对人民币汇率的单方向影响. 杨修猛等用 Copula 的方法发现国际油价和欧元汇率之间存在传导效应和左右对称的相依结构. 国内外也有很多文献研究了金融危机是否对 [11] 金融市场之间的相依性产生影响. 龚玉婷通过向量自回归及广义多元自回归条件异方差模型, 对比分析了 2008 年次贷危机前后黄金原油和美元市场的相互联系, 研究了次贷危机在这三个市场间的传导机制和 [12] 波动性溢出效应. Reboredo 等运用小波变换的方法, 研究了石油和美元汇率之间的关系, 并得出在金融危机之前两个市场是相互独立的, 但是在金融危机爆发之后, 两个市场存在显著地负相依的结论. 从已有文献来看, 几乎所有的研究都集中在石油价格和美元汇率价格的分析上. 金融危机问题归根到底是市场风险问题, 如果一个市场的风险由于受到其它市场的影响而变得更大, 则说明存风险溢出效应. 叶 [13] 五一等首先从市场风险的角度, 借助于分位点回归模型的变点检测方法研究了金融危机的传染问题, 文 [14] 中参考 Duffie 等应用 VaR 来度量金融市场风险. VaR 是收益率的分位点的值, 要估计 VaR, 常规方法是先 [15] 估计出收益率分布, 然后确定分位点值年 Koenker 等提出的分位点回归模型避免了对分布的估计, [16] 可以直接得到分位点的值. Baur 等应用分位点回归模型检验了亚洲金融危机对美国欧洲等地区的传染 [17] [18] 情况 ; Chuang 等和 Lee 等应用分位点回归模型研究了金融变量 ( 如 : 交易量和收益波动率 ) 之间的联动 [19] [20] 关系. 考虑到分位点的动态性和聚集效应, Engle 等提出了条件自回归风险值 (CAViaR) 模型, White 等扩展了 CAViaR 模型到多分位点的情形, 即 Multi-Quantile (MQ) CAViaR, 并且运用 MQ-CAViaR 模型估计了 [21] 自回归条件峰度和偏度, 之后 White 等又扩展了 MQ-CAViaR 模型到多变量的情形, 即 MVMQ-CAViaR 模型, 该模型允许同时存在多个变量和多个分位点. [22] 本文借鉴 Ye 等的分析思路, 运用 MV-CAViaR 模型, 以 VaR 作为市场风险的度量标准, 从风险的角度对石油和美元外汇之间的关系进行研究. MV-CAViaR 模型通过对两个市场同时进行建模, 能够捕捉两市场之间相互的风险影响. 本文基于该模型便可以得到石油市场和美元外汇市场的波动对对方市场的风险溢出效应及其变化. 此外, MV-CAViaR 模型能够描述市场的自相关性和异方差性, 进而对市场的风险聚集效进行应分析. 通过运用 MV-CAViaR 模型得到的风险溢出效应和风险聚集效应, 可以为管理和对冲有关石油和美元外汇的风险提供了建议, 因此, MV-CAViaR 模型适合本文的研究.

3 第 1 期叶五一等 : 石油和汇率间风险溢出效应分析基于 MV-CAViaR 模型 57 2 MVMQ-CAViaR 模型首先介绍 MVMQ-CAViaR 模型, 该模型可以认为是向量自回归模型向分位点模型的扩展. 然后, 给出与分位点模型的参数估计相对应的非对称的拉普拉斯分布, 详见 Yu 等 [23], 并基于该分布, 用伪极大似然方法估计模型中的参数. 2.1 MVMQ-CAViaR 模型假设 {(Y t, X t)} 是全概率空间 (Ω, F, P ) 上的一个平稳遍历的随机过程, Y t 是一个 n 1 的向量, X t 是一个有限维, 且第一个元素为 1 的向量. 假设 F t 1 是由 {(Y t 1, X t 1), (Y t 2, X t 2),...} 生成的 σ 域, 即 F t 1 = σ({(y t 1, X t 1), (Y t 2, X t 2),...}). (1) 记 Y i,t 在 F t 1 上的条件分布函数 (CDF) 为 F i,t (y) = Pr(Y i,t y F t 1 ), 其中 i = 1, 2,..., n. 定义 θ i,j (0, 1), 其中 i = 1, 2,..., n; j = 1, 2,..., p i. 记 Y i,t 在条件 F t 1 上的 θ i,j 分位数为 q i,j,t, 即 q i,j,t = inf{y : F i,t (y) θ i,j F t 1 }. (2) 为了简便, 记 q t = (q 1,t, q 2,t,..., q n,t), 其中 q i,t = (q i,1,t, q i,2,t,..., q i,pi,t), 则 k m n q i,j,t = Ψ t τ β i,j,τ + q η,t ξγ i,j,ξ,η. (3) τ=1 ξ=1 η=1 该模型称为多元多分位点条件自回归风险值模型 (MVMQ-CAViaR), 随着 i, j 的变化, 完整的模型共 n 有 p i 个方程. 方程中变量及参数含义解释如下 : i=1 1) q i,j,t 表示第 i 个变量在 t 时刻的 θ j 分位数, 也就是 1 θ j 置信水平的 VaR 值, 故 q i,j,t 代表了第 i 个变量在 t 时刻的风险. 2) Ψ t 是 F t 可测的, 取值一般为 Y t 及其滞后值 ( 本文中的情况 ), 也可以是关于 X t 的函数, 为了简便, 可以认为 Ψ t 是 n 1 的列向量, k 为滞后的阶数 ; 系数 β i,j,τ 是 n 1 的参数向量, 其中 β i,j,τ,s (s = 1, 2,..., n) 衡量的是第 s 个变量的 τ 阶滞后值对第 i 个变量的 θ j 分位数 ( 风险 ) 的影响, 更进一步, 当 s i 时,β i,j,τ,s 衡量的即为第 s 个变量对第 i 个变量的风险溢出效应. 3) q i,t = (q i,1,t, q i,2,t,..., q i,pi,t) 指的是第 i 个变量在 t 时刻的各个水平上的分位数 ( 风险 ), m 为滞后的阶数 ; 系数 γ i,j,ξ,η = (γ i,j,ξ,η,1, γ i,j,ξ,η,2,..., γ i,j,ξ,η,pη ) 是一个 p η 1 的参数向量, γ i,j,ξ,η,s (s = 1, 2,..., p η ) 衡量的是第 η 个变量 ξ 阶滞后的 θ s 分位数 ( 风险 ), 对 t 时刻第 i 个变量的 θ j 分位数 ( 风险 ) 的影响, 更进一步, 当 η = i 时, 该系数衡量的即为同一变量的风险聚集效应. 综上可知, 通过分析式 (3) 中的系数, 即可得到金融市场间的风险溢出效应和市场内的风险聚集效应. [20] [19] 该模型是 MQ-CAViaR 模型向多元情形的一个拓展, 而 MQ-CAViaR 模型则是 CAViaR 模型向多分 n n n 位点的一个拓展. 这里的参数有 β 和 γ, 完整模型中前者共包含 p i nk 个参数, 后者共包含 p η m 个参数. 当对参数施加一些限制时, MVMQ-CAViaR 模型可简化为以下三种特殊形式 : 1) n = 1 且 j = 1 时, 为单变量单分位点的 CAViaR 模型, 此时模型中共有 k + m 个参数 ; 2) n = 1 时, 为单变量多分位点 MQ-CAViaR 模型, 此时模型中共有 p 1 k + p 2 1m 个参数 ; 3) j = 1 时, 为多变量单分位点 MV-CAViaR 模型, 此时模型中共有 n 2 k + n 2 m 个参数. i=1 p i i=1 η=1 本文将基于 MV-CAViaR 模型, 分析两个经济变量之间的风险溢出效应及各自的风险聚集效应.

4 58 系统工程学报第 33 卷 2.2 MVMQ-CAViaR 模型的 QMLE 估计非对称拉普拉斯分布是与分位点回归的估计相关的一种分布, 具体见 Yu 等 [23, 24], 下面给出的是拉普拉斯分布中的其中一类的形式. 如果随机变量 X 的密度函数为如下形式 p(1 p) { f(x; µ, σ, p) = exp x µ } σ σ [p I (x µ)], (4) 就称随机变量 X 服从参数为 µ, σ 和 p 的拉普拉斯分布, 记为 X ALD (µ, σ, p). 其中 < µ < + 为位置参数, 0 < p < 1 为偏度参数, σ > 0 为刻度参数, I ( ) 为示性函数. 假定分位点回归模型的残差服从非对称的拉普拉斯分布 [25], 即 Y i,t q i,j,t ALD (0, σ, θ i,j ), 则有 f(y i,t q i,j,t ) = θ i,j(1 θ i,j ) { exp ρ θ i,j (Y i,t q i,j,t )}, (5) σ σ 其中 ρ θ(e) = e(θ I (e 0) ) 为标准检验函数. 那么含有 T 个观测值的似然函数为 n L(α) σ T p i { p T n i ρ θi,j (Y i,t q i,j,t ) i=1 exp σ t=1 i=1 j=1 }, (6) 如果假设刻度参数 σ 是一个多余参数, 不予考虑, 则参数向量 α 的极大似然估计为 p T n i ˆα = arg min ρ θi,j (Y i,t q i,j,t ). (7) α R t=1 i=1 j=1 鉴于式 (7) 中存在示性函数, 是不连续, 因此不能像一般的极大似然估计一样直接求导, 故称该估计为伪极大似然估计, 具体估计过程如下 : 步骤 1 给出参数向量 α 的一组初值 α 0, 代入式 (7) 中的示性函数来保证目标函数的连续性. 步骤 2 对第一步中得到的目标函数求导, 进而得到参数向量 α 的估计值 α 1. 步骤 3 以 α 1 为新的初值, 重复步骤 1 和步骤 2, 当第 i 步和第 i 1 步之间的 α 的每个分量差的绝对值都小于 ϵ 时, 迭代停止. α i 即为估计结果. ( 选取 ϵ = 10 6 ) 因此, ALD 分布是运用极大似然的方法估计分位点回归模型的前提. Koenker 等 [25] 介绍了分位点回归的拟合优度检验和相关推断过程, 他们也研究了残差服从 ALD 时的似然比统计量 ; Yu 等 [24] 介绍了估计的 Bayesian 方法 ; White 等 [21] 证明了 ˆα 的一致性和渐近正态性, 然后便可以进行系数的显著性检验了. 3 实证分析 3.1 数据描述本文选用石油价格和五种主要的美元汇率的日数据进行实证分析, 数据从 2004 年 1 月 5 日到 2014 年 10 [12] 月 10 日. 为了分析美国次贷危机的影响, 将数据分为危机前危机中危机后三个阶段. 根据 Reboredo 等 [26] 和 Walid 等在文献中所提出的分段方法, 将数据分段如下 : 第一段从 2004 年 1 月 5 日到 2008 年 7 月 14 日, 第二段从 2008 年 7 月 15 日到 2011 年 9 月 29 日, 第三段从 2011 年 9 月 30 日到 2014 年 10 月 10 日. 选取全球具有代表性的五种美元汇率进行实证分析, 具体包括 : 美元指数 (USDX), 美元兑日元 (USDJ), 美元兑加元 (USDC), 美元兑欧元 (USDE) 和美元兑英镑 (USDB), 每种美元汇率数值的增加都表示美元的升值, 反之则表明美元贬值. 石油数据选取 WTI 石油价格数据. 日收益率采用常用的对数收益率, 为了方便分析, 把所有收益率都扩大了一百倍, 其计算为 r t = 100 (ln(p t ) ln(p t 1 )). 图 1 给出了石油价格和五种美元汇率的收益率时间序列图. 从图中可以看出, 所有的指数在 2009 年前后都经历了剧烈的震荡, 这也是将 2008 年 7 月 15 日到 2011 年 9 月 29 日看作次贷危机爆发期的原因之一. 另外所有指数均表现出异方差性质和波动率聚集效应, 因此基于动态条件自回归模型来研究他们之间的关系便显得更加合理和必要. 再者, 由于欧洲债务危机的影响, 导致欧元的价值不稳, 因此美元兑欧元 (USDE)

5 第 1 期叶五一等 : 石油和汇率间风险溢出效应分析基于 MV-CAViaR 模型 59 在 2010 年中到 2013 年初都有较大的波动. 美元兑日元收益率的波动率相对其他几个来说, 波动较小, 波动率聚集效应也比较弱. 而美元指数收益率的波动率相对较大, 波动率聚集效应也比较明显. 图 1 石油以及美元汇率收益率时间序列图 ( 纵坐标为 100 倍的日对数收益率 ) Fig. 1 Yield time series of oil and dollar exchange rate(100 times the daily logarithmic return rate) 为了对石油价格收益率和五种美元汇率收益率有一个相对深入和定量的了解, 下面给出了收益率的描述性统计量, 如表 1 所示. Table 1 表 1 石油及美元汇率收益率描述性统计量 Descriptive statistics on yield of oil and dollar exchange rate WTI USDJ USDC USDX USDE USDB Mean Median Min Max Std Skewness Kurtosis JB ρ τ NA 从表 1 中的 JB 检验可以看出, 所有的收益率都拒绝正态分布的假定, 表现出尖峰厚尾的特征. 表 1 还给出了石油收益率和另外五种美元汇率收益率之间的 Kendall Tau 相关系数, 可以看出除了与美元兑日元之外, 其他的 Kendall Tau 相关系数均为负值, 说明石油价格和美元价值有一定的负相关性. 石油收益率与美元兑日元收益率的 Kendall Tau 相关系数非常小, 仅为 , 而石油与美元兑加元的负相关性表现得最为强烈, [4] 这与日本是石油净进口国, 而加拿大是石油净出口国的事实是相一致的, 与 Lizardo 等得到的结论相符. 3.2 模型设定为了同时检验石油市场与美元市场之间的风险溢出效应和风险聚集效应, 本文采用了如下的分位点联

6 60 系统工程学报第 33 卷立 MV-CAViaR 模型 q 1,t = a 1 + b 1 r 2,t 1 + c 1 q 1,t 1, q 2,t = a 2 + b 2 r 1,t 1 + c 2 q 2,t 1, (8) 其中 q 1,t 和 q 1,t 1 是石油价格收益率的 5% 分位数, 也就是 95% 置信水平的 VaR, 代表了石油市场在 t 时刻和 t 1 时刻的风险, r 2,t 1 是一阶滞后的美元汇率收益率. q 2,t 和 q 2,t 1 则分别是美元汇率收益率的 5% 分位数及其滞后一阶的分位数, 同理代表了美元市场在 t 时刻和 t 1 时刻的风险, r 1,t 1 为滞后一阶的石油价格收益率. 模型 (8) 中, b 1 b 2 可以衡量石油和美元外汇市场收益率对对方市场分位数 ( 风险 ) 的影响情况, 检测风险溢出效应 : 如果 b 1 显著不为 0, 则说明该美元汇率收益率对石油收益率的分位数 ( 风险 ) 存在显著的影响, 即存在风险溢出效应, 反之则不存在, b 2 的分析与之类似. 因此, 称 b 1 b 2 为传染系数. 同时, 从模型设定可以看出, 如果传染系数为负, 说明是增大了被传染市场的风险. c 1 (c 2 ) 可以用来分析石油 ( 美元外汇 ) 市场分位数 ( 风险 ) 受前一时刻分位数 ( 风险 ) 的影响情况, 进而检测风险的聚集效应, 如果 c 1 (c 2 ) 显著不为 0, 则说明石油 ( 美元外汇 ) 市场存在风险聚集效应, 反之则不存在. 模型设定以后, 采用伪极大似然方法对联立方程 (8) 进行估计, 具体估计步骤如下 : 步骤 1 用 QMLE 方法分别估计 CAViaR 模型 q 1,t = a 1 + c 1 q 1,t 1 和 q 2,t = a 2 + c 2 q 2,t 1. a 1 和 a 2 的初值取对应 r 1 和 r 2 的 5% 分位数, 其余待估参数的初值都取为 0. 步骤 2 以步骤 1 中估计出的参数值为初值, 用 QMLE 方法分别估计模型 q 1,t = a 1 + b 1 r 2,t 1 + c 1 q 1,t 1 和 q 2,t = a 2 + b 2 r 1,t 1 + c 2 q 2,t 1, 其余待估参数的初值都取为 0. 步骤 3 以步骤 2 估计的参数值为初值, 基于 QMLE 方法同时估计整个 MV-CAViaR 模型 (8) 的所有参数. 3.3 实证结果分析首先, 对整个样本应用模型 (8) 进行拟合和分析, 表 2 中列出了模型 (8) 中的所有参数估计值. Table 2 表 2 全样本模型 (8) 的参数估计结果 Parameter estimation results of model (8) on whole sample WTI-USDX WTI-USDJ WTI-USDC WTI-USDE WTI-USDB 注 : *, ** 以及 *** 分别表示参数在 10%, 5% 和 1% 的显著性水平下显著, 下表相同. 从表 2 中可以看出, 对所有的汇率而言, c 1 和 c 2 基本都是显著的, 而且显著程度非常高, 说明各个汇率收益率的分位点 ( 风险 ) 都存在很强的条件自相关. 或者说, 对于这几种汇率收益率, 都存在显著的风险聚集现象. 由传染系数 b 1 可以看出, 五种美元汇率收益率对石油价格收益率的分位数 ( 风险 ) 都有很强的影响 (1% 置信水平下显著 ), 即美元市场对石油市场存在显著的风险溢出效应. 由传染系数 b 2 则可以看出, 石油对美元兑日元汇率和美元兑英镑汇率收益率的分位数 ( 风险 ) 的影响是不显著的, 对另外三种汇率收益率的分位数 ( 风险 ) 的影响则均非常显著, 这与前边得到的 Kendall Tau 相关系数是一致的, 在 Kendall Tau 相关系数中, 石油与美元兑日元美元兑英镑的相关性最小. 同时, 因为 b 1 均为负值, 这说明美元市场的风险将会增加石油市场的风险. 对于系数 b 2, 除了美元兑加元的系数为负以外, 其余系数均为正值, 说明美元兑加元的风险会随着 [4] 石油市场的风险变大而变大, 这与加拿大是石油净出口国有关的, 也与 Lizardo 等的结论一致, 后者是从波动性角度进行分析的, 而本文是直接从分位数 ( 风险 ) 的角度分析, 更能体现金融市场的风险特征. 同时发 [11] 现 b 1 整体上比 b 2 大 ( 绝对值 ), 这说明美元市场对石油市场的影响大于后者对前者的影响, 这与龚玉婷得

7 第 1 期叶五一等 : 石油和汇率间风险溢出效应分析基于 MV-CAViaR 模型 61 到的结论一致, 但该文章只研究了石油和美元外汇之间的影响, 没有考虑各个市场内部的风险聚集效应, 相对已有的研究, 本文的研究更加完善. 为了得到美国次贷危机对石油市场和美元汇率市场间风险溢出效应的影响情况, 对数据进行分段 ( 危机前危机中危机后 ) 分析, 分段的标准如前文所述. 表 3 表 7 列出的是相应的模型 (8) 的参数估计值. Table 3 表 3 分段数据参数估计结果 ( 石油与美元指数 ) Parameter estimation results on segment data (oil vs USDX) 危机前危机中危机后 Table 4 表 4 分段数据参数估计结果 ( 石油与美元兑日元 ) Parameter estimation results on segment data (oil vs USDJ) 危机前危机中危机后 Table 5 表 5 分段数据参数估计结果 ( 石油与美元兑加元 ) Parameter estimation results on segment data (oil vs USDC) 危机前危机中危机后表 3 表 4 表 5 中传染系数 b 1 和 b 2, 在危机前和危机后均不显著, 但在危机期间却在 1% 水平上显著, 说明危机前和危机后, 石油收益率与这三种美元汇率收益率对对方的分位数 ( 风险 ) 没有明显的溢出效应, 相互影响较小, 但在危机期间, 两个市场之间的联动性明显增强, 风险溢出效应显著. 并且危机期间 b 1 和 b 2 的均为负值, 说明两个市场彼此增加了对方的风险. 同时, 表 5 中危机期间 b 1 和 b 2 的大小显著小于表 4 中相应的大小 ( 绝对值 ), 表明危机期间, 石油与美元兑日元的联系相对美元兑加元更为紧密. 总体而言, 危机期间两者存在显著的风险溢出效应, 危机后两者之间的关系基本又回到危机前的水平, 金融危机显著地改变了两市场间的关系, 但这种改变是暂时的. 表 6 分段数据参数估计结果 ( 石油与美元兑欧元 ) Table 6 Parameter estimation results on segment data (oil vs USDE) 危机前危机中危机后 Table 7 表 7 分段数据参数估计结果 ( 石油与美元兑英镑 ) Parameter estimation results on segment data (oil vs USDB) 危机前危机中危机后表 6 中的传染系数 b 1 在危机前和危机后均不显著, 危机期间在 10% 水平上显著, 而 b 2 在整个样本期间均不显著, 说明石油收益率和美元兑欧元收益率对对方的分位数 ( 风险 ) 没有明显的溢出效应, 仅在危机期间,

8 62 系统工程学报第 33 卷美元兑欧元汇率对石油市场存在比较弱的风险溢出效应. 表 7 中传染系数 b 1 和 b 2 都是仅在危机前在 10% 水平上显著, 也说明石油收益率和美元兑英镑收益率对对方的分位数 ( 风险 ) 不存在显著的溢出效应. 可以认为, 对这两种美元外汇而言, 金融危机没有显著改变其与石油市场的关系. 这样的结论也是与实际相符的, 欧元作为欧盟体的综合货币, 很难说对应的是石油净进口还是净出口, 因此美元兑欧元与石油之间风险溢出效应的变化是不明显的. 同样, 英国作为一个石油消耗大国的同时也拥有北海油田, 能够实现自给, 使得美元兑英镑与石油间的风险溢出效应受金融危机影响较小. 另一方面, 危机之后石油市场和这两种汇率之间的风险溢出效应没有完全恢复到危机前的水平, 这可能与欧洲债务危机有关, 在这期间欧洲债务危机对欧元 [27] 和英镑价值的影响超过了美元和石油对其的影响, Michael 等给出了相应的解释. 接下来对不同阶段的风险聚集效应进行分析, 即分析参数 c 1 和 c 2. 从表 3 表 7 中的结果来看, 除表 4 中危机时期外, 其余 c 1 均显著, 说明石油市场存在很强的自相关效应, 即市场风险具有显著的聚集效应, 这 [28] [29] 与 Jose 等和 An 等得到的结论相一致. 而 c 2 的估计结果则不如 c 1 这么一致, 随着外汇币种的不同, 对应的石油净出口和净进口不一样, 因此相应美元外汇市场的风险聚集效应就有差别. 美元兑欧元美元兑英镑均是危机期间显著, 危机前和危机后不显著或者显著性很弱, 而这两者所对应的石油净进口和净出口是不明显的 ; 美元兑日元在危机前和危机后显著, 危机期间则不显著, 而日元对应的是石油净进口 ; 美元兑加元在危机前和危机中显著, 危机后不显著, 相应的加元对应的石油净出口. 所得上述实证结论对控制汇率风险和石油风险都具有一定的实际指导意义. 对于石油净进口国而言, 危机期间汇率市场的风险受石油市场影响显著, 而风险聚集效应不很强烈, 因此在控制该时期的汇率风险时, 可以做多或者做空石油市场来对冲汇率市场的风险. 对于石油净出口国来说, 危机期间汇率市场的风险不仅受到石油市场的影响, 而且存在较为显著的风险聚集效应, 因此在控制汇率风险时, 要同时关注石油市场和汇率市场, 即做多或者做空石油市场来对冲汇率市场风险的同时, 也要及时调整两者的份额比例. 对于石油净出口或净进口不明显的国家或地区而言, 危机期间汇率风险主要受自身风险聚集效应的影响, 受石油市场的影响相对很小, 因此在控制汇率风险时, 应多加关注汇率自身的条件相依关系及与其他经济变量的关系. 同时, 金融危机期间石油市场的风险, 也可以通过做多或者做空美元外汇来降低. 因为金融危机期间, 石油净进口国或者净出口国对应的美元汇率对石油市场存在很强的风险溢出效应, 而石油净出口或净进口不明显的国家或地区对应的美元汇率对石油市场的风险溢出效应是不显著的, 因此在对冲石油市场风险时, 必须选取石油净进口或者净出口国对应的美元外汇才会有效. 4 结束语本文从风险 (VaR) 的角度, 研究了石油市场和美元外汇市场在美国次贷危机前后的风险溢出效应及其变化, 尚未发现有文献直接从风险的角度研究石油和外汇间的关系. 其次, 相比于 GARCH 模型以及单方程 CAViaR 模型, MV-CAViaR 模型能同时直接的捕捉到风险溢出效应和风险聚集效应. 最后, 本文同时对两个联立方程中的参数进行估计, 避免了分别单独估计造成的信息丢失. 通过分段实证分析, 结果表明 : 石油净进口国 ( 日本 ) 和石油净出口国 ( 加拿大 ) 的美元汇率与石油之间的风险溢出效应, 在金融危机的影响下发生了显著地变化 ; 石油净进口或净出口不明显的国家或地区 ( 英国欧盟 ) 的美元汇率与石油之间的风险溢出效应, 则没有发生显著变化. 实证研究结果也为管理或对冲金融危机时期外汇和石油的风险提供了依据. 对于石油净进口国的美元汇率, 可以通过买进石油收益率的跨式期权来对冲风险 ( 石油收益率波动变大, 则美元汇率风险增大, 但该期权会带来收益予以补偿 ). 对于石油净出口国的美元汇率, 控制其风险不仅要考虑石油对其的风险溢出效应, 还要考虑其自身的风险聚集效应. 对于石油净出口或净进口不明显的国家或地区的美元汇率, 控制其风险主要考虑其自身的风险聚集效应. 另一方面, 对冲石油市场的风险时, 必须选择石油净进口或净出口国对应

9 第 1 期叶五一等 : 石油和汇率间风险溢出效应分析基于 MV-CAViaR 模型 63 的美元外汇. 当然, 影响汇率和石油风险的因素还有很多, 这只是从石油和汇率相互的角度分析, 实际中也要结合其他经济条件综合考虑. 参考文献 : [1] Caramazza F, Ricci L, Salgado R. International financial contagion in currency crises. Journal of International Money and Finance, 2004, 23(1): [2] 叶五一, 缪柏其. 基于动态分位点回归模型的金融传染分析. 系统工程学报, 2012, 27(2): Ye W Y, Miao B Q. Analysis of financial contagion based on dynamic quantile regression model. Journal of Systems Engineering, 2012, 27(2): (in Chinese) [3] 侯县平, 黄登仕, 徐凯, 等. 金融危机对中国证券市场传染效应的影响研究. 系统工程学报, 2015, 30(3): Hou X P, Huang D S, Xu K, et al. Study of impact of financial crisis on contagion effect between China s securities markets. Journal of Systems Engineering, 2015, 30(3): (in Chinese) [4] Lizardo R A, Mollick A V. Oil price fluctuations and U.S. dollar exchange rates. Energy Economics, 2010, 32(2): [5] 虞伟荣, 胡海鸥. 石油价格冲击对美国和中国实际汇率的影响. 国际金融研究, 2004, 212(12): Yu W R, Hu H O. Impact of oil price shocks on the real exchange rate of the US and China. Studies of International Finance, 2004, 212(12): (in Chinese) [6] Zhang Y, Fan Y, Tsai H T, et al. Spillover effect of US dollar exchange rate on oil prices. Journal of Policy Modeling, 2008, 30(6): [7] Akram Q F. Oil prices and exchange rates: Norwegian evidence. Econometrics Journal, 2004, 7(2): [8] Hammoudeh S, Yuan Y, Mcaleer M. Shock and volatility spillovers among equity sectors of the Gulf Arab stock markets. The Quarterly Review of Economics and Finance, 2009, 49(3): [9] 王楠, 张晓峒. 人民币汇率与国际石油价格协整分析. 东北亚论坛, 2009, 18(2): Wang N, Zhang X T. A co-integration analysis on RMB exchange rate and international oil price. Northeast Asia Forum, 2009, 18(2): (in Chinese) [10] 杨修猛, 程稀骏. 石油价格与欧元汇率的相依性研究. 中国科学技术大学学报, 2014, 44(6): Yang X M, Cheng X J. Dependency research of oil price and euro exchange rate. Journal of University of Science and Technology of China, 2014, 44(6): (in Chinese) [11] 龚玉婷. 次贷危机在黄金原油和外汇市场的风险传染和波动溢出. 经济经纬, 2013(2): Gong Y T. Risk transmission and volatility spillover under subprime crisis: Evidence from gold, oil and US dollar markets. Economic Survey, 2013(2): (in Chinese) [12] Reboredo J C, Rivera-Castro M A. A wavelet decomposition approach to crude oil price and exchange rate dependence. Economic Modelling, 2013, 32(1): [13] 叶五一, 缪柏其, 谭常春. 基于分位点回归模型变点检测的金融传染分析. 数量经济技术经济研究, 2007, 24(10): Ye W Y, Miao B Q, Tan C C. Analysis of financial contagion based on change Point testing of quantile regression model. The Journal of Quantitative & Technical Economics, 2007, 24(10): (in Chinese) [14] Duffie D, Pan J. An overview of value at risk. The Journal of Derivatives, 1997, 4(3): [15] Koenker R, Bassett G. Regression quantiles. Econometrica, 1978, 46(1): [16] Baur D, Schulze N. Coexceedances in financial markets: A quantile regression analysis of contagion. Emerging Markets Review, 2005, 16(1): [17] Chuang C C, Kuan C M, Lin H Y. Causality in quantiles and dynamic stock return-volume relations. Journal of Banking and Finance, 2009, 33(7): [18] Lee B S, Li L M. Diversification and risk-adjusted performance: A quantile regression approach. Journal of Banking and Finance, 2012, 36(7): [19] Engle R F, Manganelli S. CAViaR: Conditional autoregressive value at risk by regression quantiles. Journal of Business & Economic Statistics, 2004, 22(4): [20] White H, Kim T H, Manganelli S. Modeling autoregressive conditional skewness and kurtosis with multi-quantile CAViaR. European Central Bank Working Paper Series 0957, 2008.

10 64 系统工程学报第 33 卷 [21] White H, Kim T H, Manganelli S. VAR for VaR: measuring systemic risk using multivariate regression quantiles. MPRA Paper 35372, [22] Ye W Y, Luo K B, Du S F. Measuring contagion of subprime crisis based on MVMQ-CAViaR method. Discrete Dynamics in Nature and Society, 2014 [23] Yu K, Zhang J. A three-parameter asymmetric Laplace distribution and its extension communications in statistics. Theory and Methods, 2005, 34(9): [24] Yu K, Moyeed R A. Bayesian quantile regression. Statistics & Probability Letters, 2001, 54(4): [25] Koenker R, Machado J. Goodness of fit and related inference processes for quantile regression. Journal of the American Statistical Association, 1999, 94(448): [26] Mensi W, Hammoudeh S, Reboredo J C, et al. Do global factors impact BRICS stock markets: A quantile regression approach. Emerging Markets Review, 2014, 19(2): [27] Ehrmann M, Osbat C, Strásky J, et al. The Euro exchange rate during the European sovereign debt crisis: Dancing to its own tune. Journal of International Money and Finance, 2014, 49(B): [28] Alvarez-Ramirez J, Alvarez J, Solis R. Crude oil market efficiency and modeling: Insights from the multi scaling autocorrelation pattern. Energy Economics, 2010, 32(5): [29] An H, Gao X, Fang W. The role of fluctuating modes of autocorrelation in crude oil prices. Physica A, 2014, 393(1): 作者简介 : 叶五一 (1979 ), 男, 山东安丘人, 博士, 副教授, 研究方向 : 风险管理与金融工程, wyye@ustc.edu.cn; 张浩 (1990 ), 男, 河南郑州人, 硕士生, zghao269@mail.ustc.edu.cn; 缪柏其 (1946 ), 男, 江苏无锡人, 教授, 博士生导师, bqmiao@ustc.edu.cn.

经济与管理耿庆峰 : 我国创业板市场与中小板市场动态相关性实证研究基于方法比较视角 87 Copula 模型均能较好地刻画金融市场间的动态关系, 但 Copula 模型效果要好于

经济与管理耿庆峰 : 我国创业板市场与中小板市场动态相关性实证研究基于方法比较视角 87 Copula 模型均能较好地刻画金融市场间的动态关系, 但 Copula 模型效果要好于第 19 卷第 6 期中南大学学报 ( 社会科学版 ) Vol.19 No.6 013 年 1 月 J. CENT. SOUTH UNIV. (SOCIAL SCIENCE) Dec. 013 我国创业板市场与中小板市场动态相关性实证研究基于方法比较视角耿庆峰 ( 闽江学院公共经济学与金融学