【中美金融风险的溢出效应计算分析案例3300字】

中国农业大学硕士学位论文STYLEREF"标题1"错误！文档中没有指定样式的文字。中美金融风险的溢出效应计算分析案例目录TOC\o"1-3"\h\u27114中美金融风险的溢出效应计算分析案例 14735（一）金融压力指数的描述性统计 18221（二）平稳性分析 2261421.平稳性检验 2309082.最优滞后阶数的确定 2162403.稳定性检验 210842（三）溢出性检验 3154901.溢出效应指数模型的构建 375582.实证结果分析 5（一）金融压力指数的描述性统计文章通过构建得到2008年8月1日到2020年8月25日中国金融市场压力指数和美国金融市场压力指数，运用VAR方法，研究中国金融市场压力指数与美国金融市场压力指数间的相互关系。表4-1为数据的描述性统计结果。表4-1变量描述性统计CFSIAFSI均值0.0840860.155819中间值0.0495730.073466最大值0.6429950.910418最小值-0.002764-0.008027标准差0.1115340.206138偏度2.8018212.046988峰度11.025456.263066样本量27702770由数据描述统计图表可知，中国金融市场压力指数（CFSI）最小值为-0.002764，最大值为0.64299，美国金融市场压力指数(AFSI)最小值为-0.0080，最大值为0.9104，表明不同时期中美两国国金融市场压力指数变化差异较大。CFSI标准差为0.11534，AFSI标准差为0.206138，AFSI数据离散程度要更高，即美国金融市场压力指数波动极差更大。（二）平稳性分析1.平稳性检验对中国金融市场压力指数和美国金融市场压力指数进行平稳性检验，采用ADF检验法，检验结果如表4-2所示。表4-2单位根检验结果VariableADFStatisticsLevelProb.结论1%5%10%CFSI-5.5481-3.4325-2.8623-2.56720.0000平稳AFSI-4.4291-3.4325-2.8623-2.56720.0003平稳由表4-2平稳性检验结果可知，中国金融市场压力指数、美国金融市场压力指数的原始序列显著性P值分别为0.0000、0.0003，均小于0.0100，通过了平稳性检验，说明中国金融市场压力指数、美国金融市场压力指数原序列均是平稳的。2.最优滞后阶数的确定模型的最优滞后阶数结果如表4-3所示。根据数据检验结果，在滞后四期时，AIC和SC准则同时最优，由此，VAR模型应该建立VAR（4）模型。表4-3最优滞后阶数的确定LagLogLLRFPEAICSCHQ02591.39NA5.27e-04-1.87-1.86-1.87114548.3423887.969.30e-08-10.51-10.50-10.51214860.16622.517.44e-08-10.73-10.71-10.72314887.2754.077.32e-08-10.75-10.72-10.74414903.2331.81*7.26e-08*-10.76*-10.72*-10.74*3.稳定性检验图4-1VAR模型稳定性检验进一步对VAR模型进行稳定性检验，检验结果如图4-1所示。本文进行实证检验的变量共有2个，根据上文所述最优滞后阶数为4阶，故共8个特征根，如上图结果所示，8个特征根均位于单位圆内，表明所构建的VAR模型处于稳定状态。（三）溢出性检验1.溢出效应指数模型的构建VAR模型、Granger因果检验以及GARCH模型等检验方法，虽能良好地检验变量之间溢出效应的存在性、对称性以及变动趋势问题，但无法对溢出效应的大小进行量化。针对这一问题Diebold和Yilmaz（2009）[51]提出了用于度量系统性金融压力溢出效应的溢出指数模型，这一构建过程主要基于N维向量自回归（VAR）模型，利用了预测误差方差分解的信息。作者基于这一模型得到溢出效应指数，并根据这一指数进一步对世界范围内的多个股票市场内的收益溢出以及波动溢出进行了分析。在此模型中作者认为来自系统内各变量的信息冲击会导致各个变量的预测误差，因此以方差分解法对此进行计算；而将溢出以各个交叉变量误差的方差占总预测误差方差的比例来度量，最后将各变量间的溢出加总得到总溢出指数（TotalSpilloverIndex）。此后一段时间，众多学者将这一模型用来进行国际金融市场之间的风险溢出的实证研究。Diebold和Yilmaz（2012）[5]进一步通过应用KPPS方法构建了广义溢出指数，并通过这一方法使用1999年至2010年间美国股票、债券、外汇和商品市场的日度数据进行指数构建，进而深入研究美国各金融子市场间的溢出效应以及溢出特征。新构建的溢出效应指数剔除了之前模型会被时间序列的不同排列顺序所影响的缺点，能够将金融子不同市场之间波动率溢出效应的方向和大小也表现出来。此外，Diebold和Yilmaz（2012）[5]还构建出了方向性溢出指数（DirenctionalSpillover），净溢出指数（NetSpillover）和配对净溢出指数（NetPairwiseSpillover），用以对各市场间波动溢出进行进一步研究。本文利用Diebold和Yilmaz（2012）[5]提出的溢出效应指数分析方法构建溢出效应指数，具体步骤如下：首先构建N阶变量的VAR模型VAR（p），（10）\o"清空"其中独立同分布，,表示一个金融压力指数变量，Φ代表一个N×N阶的待估系数矩阵。设H步预测误差方差贡献为，则（11）上式中，Σ={σij；i，j=（1,2…N）}表示误差向量εt的协方差矩阵，σij表示误差向量εt的方差序列，ei表示第i个元素为1，其余元素均为0的向量集。为便于分析，将进行标准化，最终获得标准化xj对xi的H步预测误差方差的贡献：（12）由此，我们可以定义出各项溢出指数如下：1.总溢出指数S(H)；2.其他市场对市场i的溢出强度Si*(H)以及市场i对其他市场的溢出强度S*i(H)；3.净溢出指数Si(H)；4净成对溢出指数Sij(H)。（13）（14）（15）（16）2.实证结果分析根据本文所构建的溢出指数模型，实证结果如图所示。本文中溢出指数的大小主要用于反映中美两国金融压力指数的相互影响程度的大小。由图4-2所示，总溢出指数在大部分时间内低于10%，表明在大部分时间段中美两国金融市场的系统性金融压力传递虽然存在但强度并不显著。然而，也有一些重要的例外：在2009至2010年期间，出于尚未完全结束的全球性金融危机的影响，中美金融压力指数的溢出效应持续处于超过10%的水平。2010年欧债危机期间，溢出指数同样出现波动剧烈的情况，总溢出指数一度高达50%。在2012至2013年间世界经济平稳发展，中美两国贸易密切，经济发展相辅相成，此时溢出指数的升高表明中美两国金融压力指数之所以都能维持在较低水平存在二者相互影响的因素。另外在2015年中国“股灾”时期以及2018年中美贸易战时期中，总溢出效应指数也出现了高于10%的现象。在中美金融市场压力总溢出指数图中我们看到了压力指数波动溢出的强度大小，而在图4-3中美金融市场压力指数净溢出指数图中我们可以观察到总溢出指数图中未标注的溢出方向信息，其中最为显著的是美国金融危机期间中美金融市场的正向溢出，这表明在这一时期系统性金融压力由中美两国向外溢出，至于2010欧债危机期间以及2012年世界经济平稳发展期间中美金融市场则受到了来自世界其他国家的溢出影响。图4-2中美金融市场压力指数总溢出指数图4-3中美金融市场压力指数净溢出指数分析过总溢出指数与净溢出指数后，我们分别来看中国与美国金融压力指数的净溢出指数图。首先看图4-4美国金融压力指数净方向溢出图，可以看出美国金融压力净溢出指数在大部分时间内低于20%。就美国金融压力净溢出指数来，净溢出指数在大部分时间内为正，证明中美两国间系统性金融压力主要由美国传至中国，美国金融市场作为压力传导的主导向中国金融市场发生了三轮明显的正向净波动溢出。第一轮净波动溢出发生在2009年末至2010年欧债危机期间，当时美国在直接受到欧洲经济影响后将进一步通过贸易渠道以及其占据主导优势的外汇市场将压力扩散到包括我国在内的其他国家。第二轮美国金融市场对中国金融市场的主要波动溢出则发生在上文提及的2012至2013年间。第三轮显著的正向净波动溢出发生在2018年中美贸易战时期，在这一时期美国单方面挑起与中国的关税战，中国不得不采取相应措施以维持两国间贸易平衡，美国金融市场系统性金融压力因此不断向中国溢出。图4-4美国金融市场压力指数净溢出指数由4-5中国金融压力指数净方向溢出图可知，中国金融压力净溢出指数相对美国金融压力净溢出指数较低，意味着中国金融市场对美国金融市场的影响相对较小，其原因可能有以下两点：第一，美国金融市场较中国的金融市场而言，体系更加完善，监管措施及风险防范措施更加完备，以至于受外界干扰程度也较低；第二，基于中国政府及有关部门的相关政策，我国金融体系一直以来处于一种相对封闭的状态，对其他国家金融体系造成影响的渠道较为单一。图中较为显著的溢出有两轮，第一轮位于2008至2009年间，在这一时期内，中国率先从经济低迷的经济危机中逐渐恢复，而处于危机中心的美国经济也随着各项挽救措施的实施逐步复苏。另一次超过20%的溢出位于2016年年末，结合上文中的金融压力指数来看，此时的中国正处于2016年“股灾”之后的快速恢复期，中国金融系统中的系统性压力急速累积，并通过投资、贸易等各个渠道传导至美国金融市场。图4-5中国金融市场压力指数净溢出指数由溢出效应检验实证结果，本文