金融研究牲的阅读笔记2

奇雯清

已于 2024-01-23 23:18:45 修改

阅读量881

点赞数 18

文章标签：金融笔记

于 2024-01-23 23:04:56 首次发布

本文链接：https://blog.csdn.net/weixin_48099362/article/details/135795979

版权

【二】基于Ｃｏｐｕｌａ函数的中国房地产业与银行业风险传染研究

一、论文概括

２０世纪８０年代美国次贷危机，２０世纪９０年代亚洲金融危机，２１世纪初美国房地产市场泡沫，以及最近的２００８年美国次贷危机。这些历史事件，似乎都在说明一个事实，每一次房地产泡沫膨胀到破灭之时，金融业往往都会受到牵连。由此作者想到，房地产业与银行业两者之间是否真的存在关联，一方遭受的风险是否会传染到另外一方。如果是，那么又是通过那些途径使得另一方受到影响。房地产风险会传染金融，那么金融风险会反过来传染给房地产业吗？

此篇论文之前，就有学者研究过房地产业与银行业之间的尾部关联性，通过某些计量方法统计数据之后得以证实原假设。即两者之间尾部之间存在关联性。于是，作者在此基础上进一步研究两者尾部关联性背后的原因。

参考国外学者对传染的理论研究，对传染的渠道可以三种理论来进行解释，分别是：:金融关联、贸易关联和行为金融。由于数据样本的局限性，此篇文章样本为同一个国家不同行业的数据，故不不能用贸易关联来解释此风险传染的现象。考虑运用剩余两个理论来解释此现象。金融关联理论认为传染主要通过信息关联和流动性关联传播；行为金融学则认为，跳脱于两个市场里面的投资者们的交易行为即使得两个市场之间存在风险传染性。

二、理论与模型解析

在解读此篇文献所运用到的模型之前，要先把一些模型中运用到的变量以及其整体的解题思路做一个理解。

根据定义，传染是超出经济基本面预期的关联，作者选取两市场的行业指数对行业市场收益进行计算，通过资本资产定价模型，选取相关指标，找到对应时间对应主体的数据之后进行回归处理，此时得到的模型残差即为本文所说的传染，且是控制基本面因素不变的对应的传染。此外投资者情绪选取能够代表中国股票市场投资者情绪的ＣＩＣＳＩ市场情绪指数；资金流动性指标通过构建ＴＥＤ价差来表示，即３月期ｓｈｉｂｏ与３月期国债收益率之差，此指标越大，表示金融主体融资越困难。最后一个代表信息关联的指标，实际上用其两个行业自身在同一时期内的收益率对比即可表示。如果两者相关系数较大，关联性显著，反之则不相关。

第一步作者使用copula函数对两行业的对应残差进行结构分析，最终选取动态非对称性质的SJC copula 函数对两行业收益率的数据进行拟合，结果表明，房地产业和银行业上、下尾相关系数分别为 0.36和0.47，下尾相关系数明显大于上尾相关系数. 这表明在市场极端下跌时，两行业易同跌；在市场积极上涨时，两行业不易同涨。

同时，以时间轴的方式可视化出207年到2009年间金融危机时期两者传染关联信号的强弱。2007年到2008年金融危机之前的地产与银行业下尾相关系数值在0.3~0.72之间，而2008年到2009年也就是金融危机时期及之后此系数变为0.6~0.82，这也进一步说明了一个市场的极端情况会导致另一市场出现极端情况的概率上升，两行业存在传染效应。

紧接着作者对中国房地产业与银行业间风险传染渠道分析进行分析。

第一个渠道验证：根据有效市场假说，动态的市场价格可以反映知情投资者所掌握的信息，如果两个市场之间可以通过信息关联传染，那么两市场间的市场收益相关性理论上来讲，在下位部分应该比较高。如此，作者通过分位回归，分别取尾部10分位与25分位回归，以25分位回归作为对照组，且两个方向，即房地产对银行业，与银行业对房地产回归实验同时进行。结果显示四个回归模型的P值都不够小，结果不显著的拒接原假设，也既是说明，中国房地产业与银行业间不存在信息关联导致的传染。

第二个传染渠道验证：流动性关联，流动性上文作者提到使用TED价差（３月期ｓｈｉｂｏ与３月期国债收益率之差）来量化体现。那么传染性则通过之前模型中的两个残差的相关系数来体现。以残差相关性系数作为被解释变量，RTED价差作为核心解释变量。分别取之前模型中计算得出的上尾与下尾部分的数据样本进行回归，结果表明，上尾的数据样本回归结果不显著，而下尾的数据样本回归结果显著正相关，拟合系数R^2也较大，回归模型拟合较好。从回归结果可知在市场下行压力较大时，融资越困难，两行业的相关性越强，越可能发生风险传染；市场表现积极时，资金流动性对两行业相关性的影响并不显著。

第三个传染渠道：投资者情绪渠道。随着行为金融学的发展一些学者提出了不一样的声音. “噪声交易者”理论和套利极限理论表明，证券价格不仅取决于系统性风险，还取决于市场情绪：即当前价格并不一定等于预期未来现金流的贴现值。验证方式与第二的渠道验证方式相同，只需要把其中的核心变量换为能够表现中国股市投资者情绪的变量—— ＣＩＣＳＩ市场投资者情绪指数，前提条件同样是要保持基本面经济因素相同。结果是上尾数据回归不显著，而下午数据回归结果表明，两者呈现显著负相关。即投资者的悲观情绪会导致两市场较高的尾部关联性. 当一个行业表现较差时，这种现象会吸引投资者注意，并改变投资者的风险预期。而这种现象会传播到另一个行业，进一步导致市场的悲观情绪，引发传染的发生；当市场表现积极时，投资者情绪对两行业的影响并不显著。

最后作者对以上实验进行稳健性检验，方法即为把日度数据变成月度数据，其他不变。