沈立琦 张 洁 叶雨蒙 王沁琳 潘群星

（南京财经大学金融学院，江苏 南京 210023）

一、引言与文献综述

21世纪以来，H1N1流感、埃博拉病毒等传染性疾病在全球时有暴发，即便各国政府绞尽脑汁，病毒疫情、自然灾害、恐怖袭击等突发公共事件仍然防不胜防，给各国的经济金融带来了巨大的不确定性。这其中2020年暴发的新型冠状病毒肺炎疫情（以下简称“新冠疫情”）对全球资本市场造成的冲击更是前所未有。受新冠疫情影响，全球最大的股票市场——美国股市出现剧烈震荡，不仅史无前例地在8个交易日触发4次熔断，还创造了美股历史上最快跌入熊市（技术性熊市）的记录。标普500波动率指数（VIX）在2020年3月16日一度达到82.69，超越了2008年金融危机时的峰值。基于上述现实，在新冠疫情这一“国际关注突发公共卫生事件”背景下研究中美股市的波动率杠杆效应和联动性无疑具有重要的现实意义。一方面，中国经济的发展模式正从“高增速”向“高质量”转变，新冠疫情冲击下两国股市的特征对我国经济金融政策的制定具有参考价值。另一方面，在经济全球化时代，贸易强度与日俱增，跨境资本流动频繁，国际金融市场“蝴蝶效应”显著。作为世界第一大新兴市场，必须时刻警惕来自发达市场的风险转嫁，守住不发生系统性风险的底线。

大量文献表明，资产价格的波动对利好和利空消息的反应是不对称的，Black（1976）最早把这种现象描述为杠杆效应。后来的实证研究也表明，虽然结论会因选取的样本区间不同而带有时变性（吴鑫育等，2017），但那些能反映杠杆效应的波动率模型通常会有更好的预测表现（Pan等，2018；龚旭等，2020）。刘庆富等（2011）通过事件分析法研究了“2008年汶川地震”对不同行业收益和风险的冲击，是国内早些年少见的基于具体突发公共卫生事件研究股市特征的文献。Akyildirim等（2020）通过构建非对称GARCH模型研究了国际空难对航空业股价波动的影响。Baek等（2021）研究了新冠疫情对美国股市非对称的波动影响。

国内外关于股票市场间联动性的学术研究成果颇丰，基于不同的研究背景，它们大致可以被分为两类。一类是对环境导向型联动的研究，政策性因素如贸易强度、汇率制度会影响股市间波动率的联动性（龚金国等，2015；袁薇等，2020）；另一类是对事件导向型联动的研究，Iwanicz-Drozdowska等（2021）考察了突发公共事件背景下金融市场的风险传染，发现恐怖事件的影响范围最广、影响程度最深而病毒疫情的传播范围最广。杨子晖等（2020）考察了新冠疫情期间各国股市间的风险传导。

二、研究方法

GARCH衍生模型被广泛运用于金融时间序列波动性的预测，为了理清各个模型之间的关系，Hentschel（1995）提出了family GARCH模型，本文所采用的AVGARCH正是它的一类子模型。一般情况下，GARCH（1，1）足以捕捉金融市场的波动特征，所以我们首先考虑AVGARCH（1，1）的模型设定，它可以被表示为：

其中，|η1|＜1，η1是旋转参数，η2是平移参数，η2为正表明利空消息对股市波动性的影响更大。

国内有关GAS模型的文献很少，使用AEGAS模型进行实证研究的更是凤毛麟角。与GARCH模型相比，GAS模型对波动的变化更加敏感，而非对称指数GAS（AEGAS）模型是GAS模型的一个变种，可以用来描述波动杠杆效应。t分布下的AEGAS（1，1）模型如下：

学者专家在研究不同背景下的股市特征时，一种常见的做法是直接分析对应时间区间的股市数据。本文在这一基础上将中美两国的每日感染率作为外生变量加入原有模型的条件方差方程，通过构建AVGARCH-X模型和AEGAS-X模型来突显新冠疫情这一研究背景。

基于上述模型，本文采用DCC模型来分析新冠疫情背景下中美股市的波动率联动性，它可以被表示为：

三、数据

本文分别选取上证综指（SH）和标普500指数（SP）为中美股市的代理变量，以2016年7月1日至2021年6月30日期间两指数的日对数收益率为样本进行实证研究。为了探讨新冠疫情的影响，本文又将样本分为两个子样本，区间分别是疫情暴发前（2016年7月1日至2020年1月20日）和疫情暴发后（2020年1月21日至2021年6月30日）。SH和SP不同时期的描述性统计结果如表1所示。

表1 描述性统计分析

由表1可知，两指数的收益水平和波动水平在新冠疫情影响下均有所提高，但是相比之下SP的波动水平变动幅度更大。两指数在分布上展现出尖峰、厚尾的特征，J-B统计量同样显著地拒绝正态性假设。对此，我们尝试了JSU分布、GED分布、t分布和偏t分布，根据对数似然函数值、信息准则和参数估计值显著性的大小最终确定使用t分布。

除此以外，我们还对样本数据进行了ADF检验和ARCH检验，发现疫情暴发前后的SH和SP均为平稳的时间序列并且具有ARCH效应。为了最大限度地保留数据的有效信息，本文直接采用ARMA模型对数据进行估计。

四、实证结果分析

1.波动杠杆效应

对新冠疫情暴发前后的SH和SP分别建立ARMA-AVGARCH模型和ARMA-AEGAS模型，估计结果如表2所示。观察发现，描述SH波动杠杆效应的参数η1、η2和γ在1%的水平下不显著，在5%的水平下也仅有疫情暴发后的η2显著不等于0。而描述SP波动杠杆效应的参数在疫情暴发前后的模型中表现均很优秀，两个时期的η2和γ均在1%的水平下显著不等于0，其中η2的估计结果分别为1.1302和0.2194，大于0且有降低的趋势，γ的估计结果分别为0.1571和0.1272，同样在减小。表明在样本期间内，利空消息比利好消息更容易造成美股波动，并且在疫情暴发后这种非对称的影响有所减弱，而中国股市始终不存在这种现象。

我们在控制其他条件不变的前提下，选取中美两国的每日感染率作为外生变量加入各自的条件方差方程，通过建立ARMA-AVGARCH-X模型和ARMA-AEGAS-X模型考察新冠疫情数据对模型解释力的影响，结果列在表3中。对比表2和表3报告的估计结果可以发现，每日感染率对SH波动率的描述并不是很理想，但却能显著提高SP模型的解释力，这表明美国股市能更有效地整合和反映新冠疫情带来的冲击，而中国股市在这方面仍有提升的空间。

2.波动率联动性

不同的模型对外生变量的敏感程度同样存在差异。对比表2和表3的结果可以发现，新冠疫情数据对ARMA-AVGARCH模型准确性的提升更加明显，因此我们考虑用ARMA-AVGARCH-X模型的残差来估计DCC模型，估计结果见表4。可以发现无论是在哪个时期，相较于滞后一期的标准化残差乘积，前期相关系数对SH和SP当期相关系数的影响更大。伴随着新冠疫情的暴发，SH和SP的估计值均有所增大，表明中美股市在新冠疫情影响下对新信息的敏感度在提高。

表4 DCC模型系数的估计结果

为了比较直观地分析新冠疫情暴发前后中美股市的波动率联动性，我们利用表4中的估计结果绘制了SH和SP的波动率动态相关系数图。如图1所示，中美股市始终存在正向的联动关系，并且在疫情暴发后这种联动关系有明显的增强，期间三次阶段性峰值分别出现在2020年3月17日、2020年7月7日和2020年11月9日左右。结合与新冠疫情相关的具体事件进行分析。2020年3月9日美股遭遇“黑色星期一”，标普500指数以暴跌7.60%开启首次熔断。紧接着，3月12日、16日和18日连续4次触发熔断机制，成为新冠疫情影响下金融动荡的“重灾区”，这些正好发生在2020年3月17日左右。无独有偶，2020年7月7日美国华盛顿州单日新增新冠肺炎确诊病例创下新高，同日美国正式退出世界卫生组织的消息得到证实。最后一次峰值出现在2020年11月9日左右，当时的美国刚刚创下疫情暴发以来单日新增确诊病例的记录。可见那些与新冠疫情相关的重大事件会在一定程度上影响中美股市的波动率联动性。

图1 疫情暴发前后波动率的动态相关系数

根据模型的估计结果计算半衰期，得到疫情暴发后SH的半衰期为3.2天，SP的半衰期为12.1天，表明在遭到新冠疫情冲击后，中国股市能够在更短的时间内回到最初状态，这与描述性统计分析得出的结论一致。

五、结论与建议

本文选取上证综指（SH）和标普500指数（SP）为研究对象，基于ARMA-AVGARCH-X、ARMA-AEGAS-X和DCC模型实证分析了新冠疫情对中美股市波动杠杆效应及联动性的影响，获得了一些认识和建议。（1）波动杠杆效应在美国股市始终存在并且在疫情暴发后有所减弱，而中国股市始终不存在显著的波动杠杆效应。因此，投资者要不断提高自身的知识水平，了解不同市场的波动特征。尤其是在出现突发公共卫生事件时更要理性分析市场短期出现的热情或低迷，对市场的长期走向有清醒的认识，避免盲目投机。（2）新冠疫情暴发后两国股市的波动率联动性增强明显，三次阶段性的峰值和与疫情相关的重大事件息息相关。为了减轻突发公共卫生事件发生对我国实体经济和金融市场造成的影响，监管部门必须树立忧患意识，努力健全市场监管体制。特别是在防范金融风险的工作中要加强对外部冲击的监测和预警，尽早对可能出现的风险事件进行干预，引导国内市场健康发展。（3）新冠疫情数据对美国股市波动的影响更大，相比之下中国股市回复能力更强、稳定性更高。但是中国股市在疫情中展现出的韧性并不意味着我们可以有恃无恐，政府部门必须保持高度审慎，避免外界因素干扰，采取针对性的措施加强宏观政策调控。如果突发公共卫生事件的发生已经无法避免，要注意稳定公众情绪，及时为社会提供指导意见，抓住时间窗口化解冲击。