文摘

探讨29个工业部门的风险贡献中国股票市场通过单因素与杜兰特发电机接合部(FDG)和组件预期缺口(CES)分析。风险传染系统最重要的部门和其它部门之间的检查使用copula-based∆柯伐合金的方法。数据涵盖了2008年全球金融危机和COVID-19开始流行。实证结果表明,银行业对系统性风险的贡献最大,在全球金融危机期间。非银行金融在2020年成为同等重要,COVID-19流行促进了电脑的位置和制药行业。这种溢出效应会随时间慢慢减弱,但仍存在风险部门之间蔓延。的风险溢出趋势是一致的,系统性风险。

1。介绍

在金融领域,它是承认严重的金融危机从系统性风险是分不开的,这是整个市场或金融系统崩溃的风险,而不是各个部分的失败。它是金融不稳定的风险变得如此普遍,它会损害金融体系的功能,经济增长和福利遭受了实质性的1]。系统性风险的主要原因有三个:宏观冲击对金融市场产生负面影响,危机蔓延的风险息差“横向”在金融体系内部,和失衡的后果,随着时间的推移建立。系统性风险的复杂性和破坏性提高决策者的关键问题:如何限制系统性风险的累积和控制危机事件时发生。在过去的二十年里,国际金融市场剧烈波动,尤其是在全球金融危机期间(GFC)在2008年和持续的COVID-19大流行。导致此类危机的主要因素,研究了系统性风险集中在文献中(例如,Borri和乔治2],Gavronski和Ziegelmann [3])。GFC和COVID-19大流行被发现增加系统性风险在一些受影响最严重的国家,和系统性风险在这些国家的金融市场造成了严重的危害。因此,它是非常重要的对于投资者和监管机构能够识别和理解系统性风险及其动力学模型横向比较和随着时间的推移4]。

系统性风险的更深入的了解,实证研究通常集中在两个方面:具有系统重要性的金融机构的冲击(sifi)和横向扩散机制。认为sifi机构贡献很大一部分的系统性风险,和增加传染的可能性,一个机构的失败会影响其他机构通过双向关系,蔓延到整个金融系统。有些学者认为sifi的概念扩展到覆盖具有系统重要性的行业(西丝),这些行业占大比例的系统性风险。识别哪些行业最具影响力和行业之间的系统性风险的溢出是必不可少的有效的风险管理和优化投资组合(5]。西丝的全面分析,包括风险的贡献和溢出效应,可以帮助当局监控市场趋势和泡沫和采取及时有效的措施以应对危机事件,从而降低未来金融危机的可能性和严重程度。

2020年,中国是世界第二大经济体,一个发展中国家,约占全球国内生产总值(GDP)的18.34%。尽管中国的股市已经存在了30年,它发展迅速。在2020年底,其成交量约为16.75万亿股。中国基准的上证综合指数(SCI)是第三大,市值为49.3亿美元。在这个伟大的成功,由于其不成熟,中国的股票市场经历了国际和国内危机在过去的二十年。在SCI GFC,从2007年到2008年下跌72.8%;最高点是6124,最低是1664。从2015年到2016年的市场动荡造成的损失三分之一的上海证券交易所a股的价值在一个月内的事件。声明不再是维护和更新版本发布6月29日,2020年。2020年,突然爆发的COVID-19显著增加经济的不确定性6]。控制疾病的传播,2020年1月23日春节前的一天,武汉的城市是锁定,春节假期延长至2月2日。尽管股票市场的开放2月3日将是一个经济条件的积极信号(7),市场悲观,从而带动上证综合指数在2746点。然而,这种情况并没有持续多长时间,股票市场在中国并不影响严重。尽管COVID-19直接影响全球股市波动,中国似乎包含了风险(8]。

考虑以前的危机表明,中国股票市场的反应不同,不同类型的危机。与美国不同,在中国,COVID-19大流行造成更少的损害比GFC 2008年股票市场。不同的是更明显的从个别部门的角度。数据1和2显示三个工业行业的股票指数,从而带动上证综合指数从2006年到2009年和2019年到2020年。在图1四个指标显示,一个类似的趋势GFC之前和期间,在2007年10月到达顶峰,然后在2008年大幅下跌。GFC期间,可以看到巨大的波动。然而,在图2奉承,发展趋势不同行业部门。我们可以看到相似之处从而带动上证综合指数和银行业的股票指数,这两个在2020年略有下降。制药和电子行业的股票指数增加,2019年保持着上升趋势后短时间内COVID-19期间下降。值得注意的是,COVID-19爆发了一些行业的发展,尤其是药品。因此,值得分析和比较西丝在不同时期,尤其是在最近的两个最有影响力的全球危机的关系:GFC和COVID-19大流行。

研究系统性风险在中国已经从不同的角度进行。有些学者衡量系统性风险在一个部门使用机构的数据(例如,徐et al。9李,et al。10],Morelli和Vioto [11),龚et al。12];龚et al。13])。其他研究人员利用来自不同行业部门的数据。吴(4)确定西丝从11 post-GFC时期工业部门从2009年到2018年。金融、工业和能源部门是最大的贡献者,倾向于随时间变化和他们的贡献。吴et al。14)使用了来自11个行业的数据为2000年到2018年期间识别西丝和跨部门衡量风险的溢出效应。他们的研究结果表明,工业部门起到了关键作用,其次是消费品行业和溢出结构多样的18年。其他的研究集中在跨部门within-market风险溢出。浩和他(15)测量了单变量之间的依赖制造业、金融和房地产行业从2000年到2014年产生系统性风险的预警信号。冯et al。16)三层行业CSI的索引用于25部门检查部门之间的溢出效应从12月15日,2014年1月27日,2017年,不包括数据从8月10日到12月15日,2015年。他们发现最具影响力和敏感领域对不同时期不同。

COVID-19爆发后,注意力很快转向了调查其对股市的影响(例如,黄等。7),贝克et al。6),俄罗斯等。17]),特别是中国的股票市场(例如,沈et al。18),冯和李19],Apergis和Apergis [20.])。霍邱[21)进行他们的研究在公司层面和行业层面,从28工业领域划分数据从2020年1月至3月3日到22日事件期间和postevent时期建立中国股市是如何反应的突然爆发。他们发现,中国股市的过度反应大多是由行业和股票反应积极宣布大流行防范措施。虽然已经取得了一些有用的进展,研究到目前为止还没有研究系统性风险在中国COVID-19大流行期间,他们也没有试图比较GFC COVID-19大流行。同样,很少有研究关注行业系统性风险度量,这不仅对当局有宏观影响,也为投资者提供了投资组合管理的建议。

在研究方法方面,受欢迎的技术识别SIFIs),如MES (22]和SRISK [23),已广泛用于文学。然而,很多应用程序都逐渐发现这些方法的缺点。例如,边际方法不占公司水平的特征(包括大小和杠杆)符合“大到不能倒”范式,而方法使用SRISK必须假设的债务危机的公司在此期间是不变的。2015年,Banulescu和Dumitrescu [24)提出了一种新的系统性风险度量称为组件预期缺口(CES),执行比MES和SRISK。在真实的应用程序中,由于金融体系内存在的强烈依赖,有必要引入介体模型。连系动词通常用于高维应用包括阿基米德接合部,嵌套的阿基米德接合部,椭圆接合部,pair-copula结构和葡萄。这样的介体模型是驯良的或灵活,但很少。因此,礼拜日et al。25)提出了单因素介体与杜兰特发电机(FDG接合部)涵盖所有类型的尾巴依赖性。在本文中,我们把FDG接合部和CES上准确地衡量系统性风险和风险的贡献,同时详细了解每一对股票之间的依赖关系结构。

本文有助于文学在四个方面。首先,本研究是第一个在中国进行全面衡量系统性风险,包括在国家层面,西丝的识别,和西丝的溢出效应到其他工业领域。结果将有助于监管部门监控关键领域和comovements西丝和其他行业,使及时、有效的措施来管理风险。他们还将帮助投资者更好地分配他们的投资组合在不同的行业。其次,本研究将数据划分为四个时期(pre-GFC, GFC, post-GFC COVID-19),从而能够清楚地看到西丝和他们的风险溢出效应随时间的变化,分析不同危机事件对系统性风险的影响在中国。第三,在文献中没有先例,详细到29个工业部门的数据。更精确的行业分类,更实用的政策建议。最后,我们提出的方法(FDG copula-based CES)所示是理想的风险贡献评估和预测,适合高维数据。

本文的其余部分组织如下:部分2描述了数据。我们在一节概述我们的方法和计算过程3。部分4介绍了实证结果。最后,结论部分5。

2。数据

我们使用的日常股指29个行业定义为中信银行覆盖15年从1月1日,2005年6月30日,2020年,包括2007 - 2009年GFC的早期阶段COVID-19大流行。根据施密特(26]和Jebran [27),金融危机开始于2007年10月,当中国的股票市场崩溃,失去了大约三分之二的总市场价值。虽然GFC和随后的经济衰退极大地影响了股票市场,中国经济在2010年出现反弹,GDP增长约10%,优于所有其他主要经济体(28]。在中国金融危机的一些研究,如锣等。12王),et al。29日),和Yu et al。30.2009年12月),已经是GFC时期结束。因此,我们将我们的数据分为四个时期:pre-GFC(2007年年均涨幅到达),GFC(2007年10月到2009年12月),post-GFC(2010年1月至2019年12月),和COVID-19(2020年1月起)。滚动窗口法用于计算CES和 。因此,数据在每一个时期的一部分作为样本外,其余样本。例如,665年的观察pre-GFC时期,去年242年样本外数据。因此,窗口大小是423年,CES上计算了在过去的242天。在四个时期,我们计算这些从2006年10月到2007年9月(pre-GFC), 2009年1月至2009年12月(GFC)和2009年1月至2020年6月(post-GFC)。所有数据被转换使用 ,在哪里股票指数在一天吗t。由于计算过程涉及29个部门和29个维度,我们可以描述为高维数据。

表1列出了29个工业领域和显示了5%的风险值样本外数据在每一个时期。巨大的风险价值的差异在时间和行业可以看到。pre-GFC和GFC时期的风险更高,因为他们有更小的风险。对于大多数部门正在研究,包括煤炭、钢铁、电脑、和房地产,风险比post-GFC COVID-19大流行期间。电子行业风险最高的GFC COVID-19时期,当媒体和电脑pre-GFC和post-GFC时期风险最高。最低的行业风险是不同的在一年的四个时期。表1显示的重要性确定西丝在不同时期,随着风险不同行业部门和不同的经济和金融背景特性不同的风险水平。

3所示。方法

3.1。利润模型

模型的边际分布,我们使用了ARMA-GJR-GARCH模型(31日)获得每个股票的累积分布函数。这个模型执行比其他金融市场的分析,因为它能够捕捉经验现象简单ARMA-GARCH模型无法捕捉,即从时间的负面影响t−1时间的方差t大于积极的影响。

ARMA-GJR-GARCH模型由ARMA (p, q)和GJR-GARCH (m, n)的过程。ARMA (p, q)被定义为 在哪里是有条件的,意味着什么表示错误条件(回归残差,就意味着过程)。在这里,分为两部分, ,一个随机变量 ,标准差。因此, 在哪里是独立同分布变量的标准创新。

指定GJR-GARCH (m, n)模型 在哪里γ杠杆效应,只有激活如果前面的冲击是负的,允许GJR-GARCH考虑杠杆效应和吗

因为这些累积分布函数(CDFs)被视为边际分布壁接合部,我们标准化误差项使用 确保边际分布均匀分布在[0,1]。鉴于nonnormality GARCH模型残差的特点,我们拟合样本数据有三个可能的分布:正常倾斜,倾斜的学生t,广义误差分布倾斜。每个分布每个系列的最大似然值从而获得。然后,每个股票的最佳分布选择使用贝叶斯信息准则(BIC)。

3.2。样本数据选择

使用滚动窗口法衡量风险,数据样本内和样本外分为。在这里,因为样本外的时间是固定的,问题是决定有多少数据应该被视为样本。因此,均方预测误差(摩根士丹利亚洲)是计算使用 在哪里方差的预测价值在一天t+1,是真正的还在吗t+1,N是样本外数据的数量。通过不同数量的样本数据,我们得到不同的价值观从ARMA-GJR-GARCH模型。对于每一个时期,样本数据的数量给最小的摩根士丹利被选为最佳。

3.3。前的连系动词

一个因素介体模型是有用的在观察到的变量是基于依赖少数未被注意的变量。在单因素介体模型中,我们假设有一个潜变量。更具体地说,让 的利润 。 认为是条件独立的潜变量 。让的联合分布 和的条件分布鉴于 为 。然后,由单因素介体

请注意,

的连系动词被称为连接连系动词,因为他们链接的因素对感兴趣的变量 。FDG接合部的类是由选择适当的连接连系动词的单因素介体模型。连接连系动词的类用于构建FDG接合部被称为杜兰特类二元连系动词(32]。杜兰特类的 在哪里 ,称为C的发电机,是一个可微和增加函数等 和 是减少的。该模型结合单因素介体的优点(如nonexchangeability、吝啬和简单数据生成介体)和连接接合部的杜兰特。的积分方程(7)可以计算,生成的多元非参数是连系动词。在四个家庭的例子由梅佐et al。25),FDG-exponential需要大样本的大小,可以使用FDG-sinus只有当枪兵的ρ< 0.37。给我们的数据的特点,FDG-CA和FDG-F及其极值接合部。

3.3.1。FDG接合部Cuadras-Auge发电机

在方程(9),让

属于杜兰特的介体类与发生器(10)产生了著名的Cuadras-Auge介体与参数(33]。

斯皮尔曼的ρ是由

上下尾依赖系数给出了

肯德尔τ是由

3.3.2。FDG介体与邻发电机

在方程(9),让

属于杜兰特的介体类与发生器(14)产生了著名的邻介体与参数(34]。斯皮尔曼的ρ和上下尾依赖系数,分别给出了

肯德尔τ是由

Cuadras-Auge家庭允许依赖上而不是下尾巴,和邻家庭允许上下尾依赖。此外,在邻的情况下,上下尾依赖系数是相等的。

选择最佳接合部家庭对我们的数据,我们计算平均绝对百分比误差(日军)使用 在哪里实证估计肯德尔的τ计算在触摸屏, 肯德尔τ估计FDG的接合部,p是变量的数量对。在滚动窗口过程,从样本数据和用于生成模拟计算的样本外。

3.4。系统性风险计量和风险的贡献

最佳FDG接合部家族10000年用于生成模拟返回剩余工资样本外的每一天。因此,我们得到10000返回ARMA-GJR-GARCH函数使用

在前面的方程,所有参数已知的边际分布函数。

每天的系统性风险样本外时期计算使用 在哪里 的重量吗部门的天t市值计算的每个部门,模拟的部门吗我在一天t +1,未来总回报计算吗

风险部门的贡献我整个市场是这样的 的阈值C摘要风险值在1%分位数。

3.5。溢出风险测量

艾德里安和艾登(35)提出了柯伐合金来衡量系统性风险和∆柯伐合金捕捉特定机构的边际贡献(因果意义上)的整体系统性风险或另一个机构。在本文中,我们计算量化的增加单个机构的风险j当机构我陷入困境。

让换取部门我和换取部门j在时间t。柯伐合金,定义为 - - - - - -分位数的条件分布 ,如下: 在哪里是部门的VaR吗我,测量行业的最大损失我可能经历一个置信水平在一个特定的时间范围;也就是说,

刘Jianxu证明(36), 在哪里 的相关函数 和 。因此,

自 , ,和给出的价值可以从方程(获得25)。柯伐合金可以获得的 : 。

部门之间的溢出效应我和j因此,定义为 部门的柯伐合金之间的区别是什么j有条件的部门时的痛苦我的柯伐合金领域j条件的“正常”状态我。因此,价值越高 ,越高的脆弱性j和部门溢出的风险就越大我。

与模拟的回报,在这篇文章中,的值∆柯伐合金样本外时期每天计算方法在指定使用滚动窗口α=β= 0.01。

4所示。实证结果

4.1。依赖

选择最好的接合部家庭产生模拟,我们首先测量了依赖系数来计算日军。表2显示肯德尔的τ的平均值来衡量每个时期的最佳FDG接合部的家庭。更高的值代表了更强的依赖。结果表明,所有行业的依赖在GFC最强和最弱COVID-19时期。GFC时期,行业之间的关联度大大增加风险传染的可能性,因此整个股票市场的失败。宽的差异依赖系数表明,不同时期重要事件极大地影响了部门之间的依赖。因此,它是合理的和必要的介体模型引入到风险测量。

4.2。系统性风险

CES可以用作代理的系统性风险。CES越高,系统性风险就越大。价值观四个时期的CES图所示3。系统性风险的不同时期有不同的发展趋势。全面的金融危机之前,系统性风险表现出上升趋势。在GFC,系统性风险更高,比其他两个时期经历了更大的波动,从0.034到0.1以上。系统性风险在pre-GFC GFC时间显示比其他两个时期更大的变化。post-GFC时期的曲线相对平稳,峰只有0.066,远小于其他时期。COVID-19时期,曲线上升突然1月20日,2020,然后减少后轻微的波动。戏剧性的变化与实时事件发现高度一致。例如,7月29日和8月31日之间的大幅增加,2009年,可以归因于上证股指的暴跌。2020年1月20日,冠状病毒的传播在人类首次证实,和恐惧严重的流行病使系统性风险的最高水平。 On January 23, 2020, Wuhan relaxed its two-month lockdown, bringing systemic risk down as confidence that the epidemic could be contained greatly increased. The accuracy of the CES results demonstrates the outstanding forecasting ability of the FDG copula-based CES method.

4.3。风险的贡献

数据4- - - - - -7显示的29个行业的平均风险贡献四个时期。前五名贡献者系统性风险在每个时期分别提出相应的饼图。银行和非银行金融行业具有系统重要性的15年。毫不奇怪,近四分之一的风险来自银行业。在次贷危机之前,中国的商业银行已经买了一个中等数量的抵押贷款支持证券(MBS)和债务抵押债券(cdo)。根据Henseng银行的一项研究,2007年11月底,中国商业银行的总资产subprime-loan-related债券为182亿美元(37]。在危机期间,在中国最具影响力的商业银行,包括中国银行、中国建设银行和中国工商银行(icbc),因为持有次级MBS市场损失惨重。GFC后,银行业失去了主导地位。非银行金融领域超越银行成为最具影响力的行业,这是银行业COVID-19期间一样重要。非银行金融行业近年来的崛起标志着更高的银行金融服务的质量,这通常包括风险池,合同储蓄,市场代理,和一般投资,以及更好的剩余资源分配给个人和公司财务赤字。经过多年的努力,中国政府,一个更成熟的金融市场已经建成。

交通行业保持其重要性从pre-GFC GFC时期以来中国高度依赖出口来刺激经济增长。2007年,中国取代美国成为世界第二大出口国的商品在欧盟(EU)。中国的净出口贡献了三分之一的国内生产总值(GDP)增长。2009年1月,对外贸易的总量与去年相比下降了29%,而对外贸易的损失直接影响交通行业。结果表明,这是不明智的严重依赖出口和进口的外国商品,即使他们在一定程度上提振经济。好处是伴随着伟大的潜在风险,计划将导致损失的采用国际贸易谈判的被动地位。

GFC,石油、石化行业是非常重要的,因为石油价格的剧烈波动。前不久GFC,西德克萨斯中质原油(WTI)价格上涨了近287%,从52.51美元,至每桶145.31美元。这种上涨背后的主要驱动力是供需失衡,美元的贬值,投机。然而,在2008年7月,WTI价格较峰值水平下跌了约80%,至每桶30.28美元,5个月(38]。这是因为GFC的爆发之后,有一个投机性资金大幅减少。这迅速压低油价。最近金融危机,原油显示更多的商品的特点的金融产品,它很容易受到汇率波动等因素的影响,市场干预,短期国际资本市场的资金流动。这些因素通过影响供求关系影响石油价格或通过改变投资者的预期在短期内的关系。

GFC以来,石油和石化产品和运输行业变得更重要。相比之下,电子、机械、医药、和电脑已经逐渐增加了他们在股票市场的影响力。post-GFC和COVID-19时期,电子行业系统性风险的最大贡献者。它是中国发展最快的行业之一,发展5 g,人工智能(AI),虚拟现实(VR),新能源汽车刺激经济增长。中国不仅是生产商也许多电子产品的出口国,尤其是手机和电脑。COVID-19大流行是显著的促进了制药和计算机行业的增长。对医疗设备的高需求增加了制药行业的重要性,而pandemic-related内政部/教育/娱乐和消费刺激政策刺激对电脑的需求。就股市而言,风险更高的投资这些行业是伴随着更高的回报。如果这些行业密切关注,系统性风险可预见和控制及时和有效的方式。

同样清楚的是,系统性风险更加分散,更广泛地分布在部门post-GFC时期。从pre-GFC post-GFC时期,CES的西丝从56%降低到39%,虽然COVID-19时期略微增加到41%。倾向风险多样化意味着减少最初的震惊从单一领域,增加了监管的难度,COVID-19流行增加了一些行业的重要性。

个别部门似乎具有系统重要性的在不同的时间可以分为三类。银行和非银行金融保持了它们的重要性。图8显示了月平均CES上。图9显示,一些行业已经逐渐失去了对风险的影响,而一些以前不重要的部门现在占据至关重要的地位。从2006年到2009年,银行业的CES一直明显高于非银行金融行业。令人惊讶的是,在2006年,非银行金融系统性风险几乎为零。尽管该行业之后变得更加重要,贡献保持在水平不高于10%,直到在2019年超过了银行业。因此,它的主导地位并没有持续多长时间,如图所示的缠绕两行右边的图8自2019年底以来,这两个行业贡献了几乎同样的系统性风险。不过,令人鼓舞的是要注意,这种平衡没有被COVID-19大流行,这表明金融行业相对稳定在面对全球震惊。

除了银行和非银行金融、五部门似乎具有系统重要性的pre-GFC GFC时期,即石油和石化、电力和公用事业、钢铁、交通、煤炭。图9显示了蜿蜒的路径GFC前的五行。此后,四个部门贡献少,除了石油和石化产品,在GFC经历了戏剧性的增长。从2019年到2020年,五个部门之间的排名没有变化,甚至COVID-19期间。在post-GFC COVID-19时期,有四个西丝(包括银行和非银行金融),及其在图中给出了CES值10。出乎意料,这四个部门最低CES GFC时期,与西丝如图8和9。从2019年6月,电子行业的贡献大幅上涨,在一年内从5%升至12%。电脑和药物也增加了他们的影响力,而机械行业变得不那么重要了。

值得注意的是,电脑和药品更COVID-19流感大流行的影响,在CES上,接受更大的波动比机械和电子产品,分别保持向下和向上的趋势。这是因为流行刺激制药在整个社会的需求,和几个月的封锁增加销售的电脑来满足人们的家庭娱乐,教育,和工作的需要。虽然这四个行业似乎是具有系统重要性的COVID-19期间,我们不知道这种情况后将继续流行。

4.4。溢出效应

我们对CES的分析后,我们测量了最有影响力的部门和其它部门之间的溢出效应。图11显示了三个部门在每个时期最伟大的单向溢出效应。的价值∆柯伐合金(在括号中)显示的增加柯伐合金在前1%水平的意义从正常状态转移到不良状态。例如,在pre-GFC时期,银行业造成的痛苦增加了0.104的柯伐合金煤炭行业。这意味着,如果100美元投资在煤炭行业中,有99%的几率最大亏损部门会增加( )。图中给出的价值∆柯伐合金11,我们发现GFC前的溢出效应是最强的,随着时间的增大而减小,直到COVID-19开车。这意味着即使是一个危机,不会来自金融行业将增加部门之间的溢出效应,和强大的溢出效应pre-GFC时期可能是作为一个严重危机的预警。GFC时期,接收器的风险是商业和零售,轻工业,纺织品和服装。这三个行业密切相关的出口,从他们的产品占出口的大部分产品。过度依赖出口,因此带来了高风险蔓延从银行业到这些领域。

COVID-19大流行期间,电子行业超过5%的风险传递到通信、计算机和媒体行业。电子行业的主要产品之一,半导体,是一种很重要的原料,在其他领域的产品。这个结果表明copula-CoVaR方法是准确的,电子产品是强连通与这三个部门无论时期正在考虑之中。很难分辨COVID-19大流行加强了它们之间的相关性。如果我们把结果的风险溢出效应与西丝的结果,我们可以看到,只有钢和电脑似乎都具有系统重要性的同期和脆弱。这意味着最重要的部门是不影响其他西丝,特别的,不那么重要行业更容易受到传染的风险。顶部之间的实质性差异风险接收机在不同时期反映了工业部门之间的复杂性和波动的联系。

仔细看看溢出的风险在整个四个时期,我们认为的价值观∆柯伐合金的三大弱势行业,如图12- - - - - -15。值得注意的是,三行显示在每个时期彼此类似的趋势。比较这些数据图3表明,无论溢出效应,以类似的方式系统性风险波动。这意味着更高的系统性风险带来了更强大的溢出效应。还应该指出的是,系统风险和溢出效应测量使用不同方法(FDG-based CES和∆柯伐合金),这表明我们使用的模型都是健壮的和实用的。

5。结论

在这项研究中,29日每日股指数据被用来衡量系统性风险和行业风险的贡献在中国使用FDG copula-based CES的方法。我们表明,银行业pre-GFC对系统性风险的贡献最大,GFC时期。2009年,非银行金融领域,反映了在中国金融体系的成熟。在2020年上半年,COVID-19开始大流行,电子行业的系统性风险似乎是最大的贡献者。一些部门,包括电脑和药品,是具有系统重要性的大流行。贡献我们的风险评估之后,我们之间的风险溢出效应研究最具有系统重要性的行业和其他行业使用二元copula-based∆柯伐合金。正如所料,COVID-19流行病传染风险增加,有证据的系统性风险和风险溢出之间有很强的正相关关系。是不够关注的风险贡献个人领域,在某些行业敏感增加系统性风险最重要的部门。部门之间的风险传染也必须考虑,以确保及时和有效的风险管理。

我们的结果产生的实际意义。对政府来说,西丝应密切监测,这样优惠政策在宏观水平上可以实现及时控制某些行业的影响,从而维护市场稳定。是同样重要的是监管部门关注comovements和最具影响力的行业与行业之间的联系是脆弱的和/或弱。增加风险溢出可以作为一个系统性风险增加的迹象。以外的银行和非银行金融行业,投资者应更加关注新兴领域,如医药、电子和计算机的发展,促进了COVID-19大流行。投资者可以从这些行业中获利,因为COVID-19大流行可能会持续好几年。对于未来的研究,FDG copula-based CES的方法已被证明是合适的和准确的在高维的应用程序。这种方法可以适用于系统性风险的评估和预测。

数据可用性

每日数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了学院经济学和计量经济学的卓越中心,清迈大学中国-东盟高质量发展研究中心山东财经大学,和教育计划的青年创新人才在山东高等教育机构。