哪些行业承载来自上海原油期货市场更多的风险溢出

《贵州财经大学学报》２０２３年第６期　总第２２７期１１
哪些行业承载来自上海原油期货市场更多
的风险溢出
宋加山，魏思 ，蒋坤良
（西南科技大学经济管理学院，四川绵阳　６２１０１０）
摘　要：自２０１８年建立以来，上海原油期货市场与我国股市风险波动的联动愈发明显。

不同于以往更关注整体股市的研究，本文从行业维度出发，探究上海原油期货市场对我国各行业的风险溢出效应。

选取２０１９年９月１日到２０２２年９月１日期间上海证券市场十个一级行业指数的５分钟收益率数据，引入ＧＡＳ模型弥补ＧＡＲＣＨ类模型的不足，并建立ＭＩＤＡＳ－Ｃｏｐｕｌａ－ＣｏＶａＲ模型对各行业的条件风险以及承载的风险溢出强度进行度量。

结果表明：第一，含有ＭＩＤＡＳ结构的Ｃｏｐｕｌａ模型拟合效果更好，充分说明纳入高频数据的重要性。

第二，上海原油期货市场风险条件下各行业的上行风险明显大于下行风险，呈现出较为明显的非对称性，说明各行业风险对油价上涨更敏感。

第三，分行业看，上海原油期货价格下跌对能源行业影响最大、公用行业影响最小，价格上涨对医药行业影响最大、金融行业影响最小。

第四，相较于正常情况，极端上行风险对医药行业的风险溢出强度最大、对消费行业最小，极端下行风险对可选行业的风险溢出强度最大、对金融行业最小。

关键词：上海原油期货市场；ＧＡＳ模型；混频数据抽样；风险溢出效应
文章编号：２０９５－５９６０（２０２３）０６－００１１－１１；中图分类号：Ｆ８３０；文献标识码：Ａ
一、引言与文献回顾
原油是现代工业社会最重要的原料，是关系国民经济和社会发展全局的重要战略资源，兼有商品、金融和政治的三重属性。

中国是全球最大的原油进口国和消费国，各行业对原油的需求量巨大、经济发展对原油的依存度很高。

为规避国际原油市场风险、争夺亚洲能源定价权，我国在２０１８年推出了上海原油期货（ＳｈａｎｇｈａｉＣｒｕｄｅ－ｏｉｌＦｕｔｕｒｅ，ＳＣＦ），截至目前已成为规模仅次于ＷＴＩ原油与布伦特原油的国际第三大原油期货。

［１］与此同时，上海原油期货市场也承载了大量来自国际市场的风险传导，对国内股市的风险溢出效应也逐渐凸显。

尤其在２０２０年新冠肺炎疫情暴发后，油价频繁波动对我国股市发展与金融稳定都产生了强烈冲击。

而美国股市罕见的四次熔断与俄乌战争爆发等不可控因素叠加，使上海原油期货市场对我国股市的风险溢出效应变得更加复杂。

因此，有必要就上海原油期货市场对我国股市的风险溢出效应进行研究。

由于我国推出上海原油期货时间较晚，现有研究主要聚焦于国际原油市场与我国股市的关系上。

部分学者侧重于研究国际油价冲击与我国股市间的因果关系［２］［３］，但更多学者将研究重点放在国际原油市场变化对我国股市的风险溢出效应上：Ｎｇｕｙｅｎ＆Ｂｈａｔｔｉ认为国际油价变动与中国股市间不存在尾部相依性［４］，但Ｃｈｅｎ＆Ｌｖ认为国际油价变动与我国股市存在上尾相依性［５］，而Ｊｉａｎｇ＆Ｙｅ在研究原油市场对金
收稿日期：２０２３－０３－３１
基金项目：西南科技大学博士研究基金“基于宏观经济因素的金融市场尾部风险传染与度量研究”（２２ｓｘ７１１１）。

作者简介：宋加山（１９７９—），男，四川内江人，西南科技大学经济管理学院教授，硕士生导师，研究方向为系统性风险度量；魏思 （１９９８—），男，贵州贵阳人，西南科技大学经济管理学院硕士研究生，研究方向为金融科技与风险管理；蒋坤良（１９９２—），男，四川仪陇人，西南科技大学经济管理学院讲师，硕士生导师，研究方向为金融工程与风险管理。

１２　《贵州财经大学学报》２０２３年第６期　总第２２７期
砖国家股市风险溢出时发现，中国股市的下行风险对油价变化更敏感。

［６］尽管上述观点不尽相同，但都为
相关研究提供了诸多参考。

然而，我国行业间存在明显的异质性［７］
，因此相关研究仅考虑我国整体股市是不够的。

Ｃｏｎｇｅｔａｌ．发现国际原油市场对我国制造业、采矿业和石化业有正向溢出效应，对其他行业的
溢出效应并不显著。

［８］
在此基础上，Ｃａｐｏｒａｌｅｅｔａｌ．发现国际原油市场对我国消费、金融和能源行业具有负
向溢出效应［９］
，
Ｍｅｎｓｉｅｔａｌ．发现国际油价波动对我国工业和消费行业风险溢出效应最显著，且风险溢出呈现明显的非对称性。

［１０］
这些发现不仅为相关研究提供了新的视角，也充分说明了从行业维度进行异质性分析的必要性。

除考虑行业差异外，模型选择是实证研究的关键一步。

在传统相依性或风险溢出研究中，ＶＡＲ等线
性模型经常被用以研究金融市场间的关联［１１］
，但这往往难以捕捉变量间的非线性相依特征。

因此，学者
们开始采用Ｃｏｐｕｌａ函数刻画资产间的相依结构，并基于此度量风险。

［１２］［１３］
其中，ＧＡＲＣＨ－Ｃｏｐｕｌａ－Ｃｏ
ＶａＲ模型常被用于测度原油市场对股市的风险溢出效应。

［１４］［１５］［１６］
但一方面，在描述金融数据的厚尾特征或长记忆性时，
ＧＡＲＣＨ类模型还存在些许不足，而与依赖过去条件矩的ＧＡＲＣＨ类模型相比，Ｃｒｅａｌｅｔａｌ．提出的广义自回归得分（ＧｅｎｅｒａｌｉｚｅｄＡｕｔｏｒｅｇｒｅｓｓｉｖｅＳｃｏｒｅ，ＧＡＳ）模型拟合效果更优。

［１７］［１８］
另一方面，相关研究通常仅选取日度数据作为样本，忽视了高频数据缺失可能造成的影响。

因此，部分学者基于ＧＡＳ模
型，试图探索更高频数据的建模方式，如：
Ｓａｌｖａｔｉｅｒｒａ＆Ｐａｔｔｏｎ［１９］、龚玉婷等［２０］、蔡光辉等［２１］
、Ｇｏｎｇｅｔａｌ．
［２２］
，但仍有拓展空间。

可见，大量文献就国际原油市场对我国股市的风险溢出效应提出了深刻见解，也推动了该领域研究的进一步完善和成熟，但由于上海原油期货上市时间较短，尽管已有学者意识到该市场会对我国股市产
生不可忽视的影响［２３］［２４］
，但相关研究依旧较少。

而且，现有研究主要以日度数据和线性模型为基础，不仅忽视了金融序列间的动态、非线性相依结构，还忽视了高频数据缺失会对风险估计产生偏差。

另外，现有研究主要聚焦于我国整体股市，并未考察上海原油期货市场对我国不同行业的溢出效应存在异质性。

因此，本文选取上海原油期货指数（
ＳＣＦＩ）和上海证券交易所一级行业指数的５分钟收益率数据，引入ＧＡＳ模型来弥补ＧＡＲＣＨ类模型的不足，并基于此建立ＭＩＤＡＳ－Ｃｏｐｕｌａ模型以得到拟合效果更优的相依结构。

进一步，选取ＣｏＶａＲ和ΔＣｏＶａＲ就上海原油期货市场对我国各行业的风险溢出效应进行度量，从而分析我国哪些行业会承载来自上海原油期货价格波动更多的风险溢出。

本文可能的贡献是：第一，目前有关原油市场波动的研究主要集中于国际市场上的ＷＴ
Ｉ原油和布伦特原油，有关上海原油期货的研究较少。

本文有助于丰富上海原油期货市场风险溢出的相关研究，为我国风险管理提供新证据。

第二，目前有关风险溢出的研究主要采用线性模型或ＧＡＲＣＨ－Ｃｏｐｕｌａ－ＣｏＶａＲ模型，前者可能忽略序列间的非线性相依结构，后者可能忽略序列的厚尾、长记忆性等特征。

本文引入ＧＡＳ模型来弥补ＧＡＲＣＨ类模型的不足，并针对各行业建立了ＭＩＤＡＳ－Ｃｏｐｕｌａ－ＣｏＶａＲ模型，不仅证明该模型有更好的拟合效果，还充分考虑了高频信息对风险度量的影响。

第三，目前有关原油市场对我国股市的风险溢出效应研究主要针对整体市场，本文从行业视角切入，不仅考虑了不同行业存在异质性，还有助于进一步拓展研究视角、厘清溢出对象。

因此本文认为，以ＧＡＳ模型为补充，建立基于ＧＡＲＣＨ模型和ＧＡＳ模型的ＭＩＤＡＳ－Ｃｏｐｕｌａ－ＣｏＶａＲ模型，以此分析上海原油期货价格波动对我国各行业的风险溢出效应，从而厘清哪些行业承载来自原油市场更多的风险溢出，对我国各行业规避原油市场风险，促进金融市场稳定，具有一定理论意义和现实价值。

二、理论与模型构建
（一）边缘分布拟合：ＧＡＲＣＨ模型与ＧＡＳ模型
金融数据通常具有波动聚集效应，本文首先引入ＧＡＲＣＨ模型与ＧＡＳ模型对数据的边缘分布进行拟合。

ＧＡＲＣＨ模型是最常用的波动率模型，假设时间序列ｒｔ＝μｔ＋εｔ＝μｔ＋σｔｚｔ，其中：μｔ为序列均值；εｔ
为随机扰动项，由波动率σｔ和残差ｚｔ组成，而ｚｔ
为（０，１）上服从某种条件分布的随机序列。

ＧＡＲＣＨ（１，１）模型将波动率定义为：σ２ｔ＝ω＋αε２ｔ－１＋βσ２ｔ－１，
模型要求：ω，α，β＞０且α＋β＜１。

ＧＡＳ模型是一种以得分函数作为条件分布函数中时变参数的更新机制，假设ｙｔ为因变量，ｆｔ为时变参数，ｘｔ为外生变量；
令：
《贵州财经大学学报》２０２３年第６期　总第２２７期１３
　因变量集合Ｙｔ＝｛ｙ１，ｙ２，…，ｙｔ｝，时变参数集合Ｆｔ＝｛ｆ０，ｆ１，ｆ２，…，ｆｔ｝，外生变量集合Ｘｔ＝｛ｘ１，ｘ２，…，ｘｔ
｝，则ｔ时刻的可用信息集为Ｉｎｔ＝｛Ｙｔ－１，Ｆｔ
｝。

假设ｙｔ服从分布ｙｔ｜Ｉｎｔ～ｐ（ｙｔ
；θ），其中θ为静态参数。

至此，更新时变参数ｆｔ的机制由自回归方程得出，
如下所示：ｆｔ＋１＝κ＋∑ｐ
ｉ＝
１Ａｉｓｔ－ｉ＋１＋∑ｑ
ｊ＝
１Ｂｊｆｔ－ｊ＋１ （
１）其中，κ为常数向量，以偏ｔ分布为例：κ≡（κμ，κφ，κζ，κυ
）Ｔ
，分别表示位置参数常数向量、尺度参数常数向量、偏态参数常数向量和形状参数常数向量，对应的参数集（μ，φ，ζ，υ）Ｔ
分别表示条件均值、尺度参数、偏度和自由度；Ａｉ和Ｂｊ为系数矩阵；ｓｔ为可用信息数据的函数，
通常表示为放缩矩阵和得分函数的乘积，即ｓｔ＝Ｓｔ· ｔ，其中：Ｓｔ为信息矩阵的逆，表示为Ｓｔ＝［Ｅ（ ｔ Ｔｔ）］－１
； ｔ为关于时变参数ｆｔ
的得分函数，表示为： ｔ＝ ｌｎｐ（ｙｔ｜ｆｔ，Ｆｔ；θ）／ ｆｔ。

这类模型被称作Ｇ
ＡＳ（ｐ，ｑ）模型。

特别地，当ＧＡＳ（１，１）模型中ｆｔ＝σ２ｔ时，ＧＡＳ（１，１）模型就变成ＧＡＲＣＨ（１，１）模型：ｆｔ＋１＝ω＋αｙ２
ｔ＋βｆｔ。

随即，可通过对波动率建模将原始序列转换成基于边缘分布函数的概率积分变换序列。

（二）相依结构刻画：ＭＩＤＡＳ－Ｃｏｐｕｌａ模型在得到概率积分变换序列后，本文对序列间进行相依性建模。

根据Ｇｏｎｇｅｔａｌ．的研究［２５］，二元ＭＩ ＤＡＳ－Ｃｏｐｕｌａ模型如下所示：
（ｕ１，ｔ，ｕ２，ｔ）～Ｃ（ｕ１，ｔ，ｕ２，ｔ；θｔ），θｔ＝Λ（λｔ
）λｔ＝αｃｇ（ｕ１，ｔ－１，ｕ２，ｔ－１）＋βｃλｔ－１＋γｃ∑Ｋ
ｋ＝
１φ
ｋ（ωｃ）ＲＣｏｒｒｔ－ｋ－１ （２）其中，ｕｉ，ｔ是第ｉ个资产的收益率序列基于边缘分布函数进行的概率积分变换序列；Ｃ（ｕ１，ｔ，ｕ２，ｔ；θｔ
）是Ｃｏｐｕｌａ函数，θｔ是Ｃｏｐｕｌａ函数的时变参数；Λ（·）是Ｌｏｇｉｓｔｉｃ非减转换函数，目的是将时变参数保持在Ｃｏｐｕｌａ函数要求的区间范围内。

针对椭圆类Ｃｏｐｕｌａ函数，一般将Ｌｏｇｉｓｔｉｃ函数设为Λ（ｘ）＝（１－ｅｘｐ（－ｘ））／（１＋ｅｘｐ（－ｘ））。

第二行公式为Ｃｏｐｕｌａ函数参数演变过程，囊括了高频数据成分和低频数
据成分：ｇ（ｕ１，ｔ－１，ｕ２，ｔ－１）是短期数据驱动部分，一般取ｇ（ｕ１，ｔ－１，ｕ２，ｔ－１）＝Ｆ－１１，ｔ－１（ｕ１，ｔ－１）Ｆ－１
２，ｔ－１（ｕ２，ｔ－１
）；权重函数φｋ（ωｃ）＝（（１－ｋ／Ｋ）ω－１）／∑Ｋ
ｋ＝１（
１－ｋ／Ｋ）ω－１。

根据蔡光辉等的研究［２１］，本文设置滞后最大期Ｋ＝２１。

ＲＣｏｒｒｔ表示收益序列间的已实现相关系数，
表达式如下所示：ＲＣｏｒｒｔ＝
∑
ｔＮｓ＝（ｔ－１）Ｎ＋１ｒ１，ｓｒ２，ｓ
／∑
ｔＮｓ＝（ｔ－１）Ｎ＋１ｒ
２
１，槡ｓ
∑
ｔＮｓ＝（ｔ－１）Ｎ＋１ｒ２
２，槡(
)ｓ
（
３）其中：ｒ１，ｓ和ｒ２，ｓ
表示两个金融资产在ｓ时刻的收益率；Ｎｃ
表示一天之内收益率的采样次数，本文选取
５分钟收益率数据，因此取Ｎｃ＝４８；［２６］
γｃ为放松参数，用于调节ＭＩＤＡＳ结构的权重。

另外，参数αｃ，βｃ∈
（－１，１）。

本文引入椭圆类Ｃｏｐｕｌａ模型中的ＧａｕｓｓｉａｎＣｏｐｕｌａ模型和ｔＣｏｐｕｌａ模型刻画序列间的相依结构，模型如下所示：
１．ＧａｕｓｓｉａｎＣｏｐｕｌａ模型的分布函数与密度函数：
Ｃｇａｕｓｓ（ｕ１，ｕ２；ρ）＝ΦρΦ－１（ｕ１），Φ－１（ｕ２
()）ｃｇａｕｓｓ（ｕ１，ｕ２
；ρ）＝ρ－１／２
ｅｘｐ－ξＴ（ρ－１－Ｉ）ξ()
２
（４）其中，ρ为相关系数矩阵，ρ为该矩阵的行列式值；Φρ（·）是相关系数矩阵为ρ的标准正态分布函数，Φ－１（·）是标准正态分布函数的逆函数；另外，ξ＝Φ－１（ｕ１），Φ－１（ｕ２()）Ｔ。

２．ｔＣｏｐｕｌａ模型的分布函数与密度函数：
Ｃｔ（ｕ１，ｕ２；ρ，υｃ）＝ｔρ，υｔυ（ｕ１），ｔυ（
ｕ２()）ｃｔ（ｕ１，ｕ２；ρ，υｃ）＝ρ－１／２
Γυｃ＋ｎ()２Γυｃ()２Γυｃ()
２Γυｃ＋１() ２ｎ
１＋１υｃξＴρ－１()
ξ－（υ＋２）／２∏ｎｉ＝１
１＋ξ２ｉυ()
ｃ
－（υ＋１）／２ （５）
１４　《贵州财经大学学报》２０２３年第６期　总第２２７期
其中，ｔρ，υ（·）是相关系数矩阵为ρ、自由度为υｃ的ｔ分布函数，ｔ－１
υ（
·）是自由度为υｃ的ｔ分布函数的逆函数；Γ（·）是伽马函数；另外，ξ＝ｔυ（ｕ１），ｔυ（
ｕ２()）Ｔ
；其余变量设定与式（４）相同。

本文采用极大似然估计法对Ｍ
ＩＤＡＳ－Ｃｏｐｕｌａ模型参数进行估计：二维变量的联合概率分布密度函数为ｆ（ｘ１，ｔ，ｘ２，ｔ；θｔ）＝ｃ（ｕ１，ｔ，ｕ２，ｔ；θｔ）ｐ（ｘ１，ｔ）ｐ（ｘ２，ｔ），其中：ｐ（ｘ１，ｔ），ｐ（ｘ２，ｔ）是变量ｘ１，ｘ２的概率密度分布函
数，可由ＧＡＲＣＨ模型或ＧＡＳ模型拟合得到；ｃ（ｕ１，ｔ，ｕ２，ｔ；θｔ
）表示Ｃｏｐｕｌａ模型的概率密度函数。

因此，Ｃｏｐｕｌａ模型的参数集Θ可根据极大似然函数求出：
Θ＝ａｒｇｍａｘ∑Ｔ
ｔ＝１ｌｎｆ（ｘ１，ｔ，ｘ２，ｔ；θｔ
()）＝ａｒｇｍａｘ∑Ｔ
ｔ＝１
ｌｎｃ（ｕ１，ｔ，ｕ２，ｔ；θｔ）ｐ（ｘ１，ｔ）ｐ（ｘ２，ｔ
()）＝ａｒｇｍａｘ∑Ｔ
ｔ＝１
ｌｎ∑２
ｉ＝１
ｐ（ｘｉ，ｔ()）＋∑Ｔ
ｔ＝１
ｌｎｃ（ｕ１，ｔ，ｕ２，ｔ；θｔ
()[]） （６）
（三）风险溢出度量：ＣｏＶａＲ方法
本文采用ＣｏＶａＲ方法［２７］
度量上海原油期货市场风险条件下、各行业的条件风险。

ＣｏＶａＲ是指在一
个变量发生损失大小为ＶａＲ的条件下，另一个变量的最大可能损失。

假设ｒＡ，ｔ是市场Ａ在ｔ
时刻的收益率，ｒＢ，ｔ是市场Ｂ在ｔ时刻的收益率，当市场Ｂ处于极端下行风险条件时，市场Ａ面临的下行条件风险可定义为：
ＰｒｒＡ，ｔ≤ＣｏＶａＲＡβ，ｔ｜ｒＢ，ｔ≤ＶａＲＢα
，()ｔ＝β （７）其中，ＣｏＶａＲＡβ，ｔ表示当置信水平为１－β且市场Ｂ收益不超过ＶａＲＢ
α
，ｔ时，市场Ａ的条件在险价值，也称作市场Ａ的下行条件风险；ＶａＲＢ
α
，ｔ是市场Ｂ的收益率分布的α分位点，也称作市场Ｂ的下行绝对风险。

在本文中，市场Ａ指代国内各行业，
市场Ｂ指代上海原油期货市场。

类似地，当市场Ｂ处于极端上行风险条件时，市场Ａ面临的上行条件风险可定义为：
ＰｒｒＡ，ｔ≥ＣｏＶａＲＡ１－β，ｔ｜ｒＢ，ｔ≥ＶａＲＢ１－α
，()ｔ＝１－β （８）其中，ＣｏＶａＲＡ１－β，ｔ表示当置信水平为β且市场Ｂ收益不超过ＶａＲＢ
１－α
，ｔ时，市场Ａ的条件在险价值，也称作市场Ａ的上行条件风险；ＶａＲＢ
１－α，ｔ是市场Ｂ的收益率分布的１－α分位点，也称作市场Ｂ的上行绝对风险。

根据Ｃｏｐｕｌａ函数定义，ＣｏＶａＲＡβ，ｔ与ＣｏＶａＲＡ
１－β
，ｔ可由下式得到：ＣＦＡ，ｔ（ＣｏＶａＲＡβ，ｔ），ＦＢ，ｔ（ＶａＲＢα
，ｔ()）＝αβ （９）ＣＦＡ，ｔ（ＣｏＶａＲＡ１－β，ｔ），ＦＢ，ｔ（ＶａＲＢ１－α
，ｔ()）＝（１－α）（１－β） （１０）其中，ＦＡ，ｔ（·）和ＦＢ，ｔ
（·）是市场Ａ和市场Ｂ收益率的边缘分布函数。

本文在实证研究中将分位点α和β定义为０．０５，则上行风险衡量的是收益率分布超过９５％分位点的极端情况下的风险发生，下行风险衡量的是收益率分布低于５％分位点的极端情况下的风险发生。

本文采用Ｒｅｂｏｒｅｄｏ＆Ｕｇｏｌｉｎｉ提出的两
步法求解ＣｏＶａＲ［２８］：第一步，根据式（９）和式（１０）求出ＦＡ，ｔ（ＣｏＶａＲＡβ，ｔ）和ＦＡ，ｔ（ＣｏＶａＲＡ
１－β，ｔ）的值；第二步，通过反函数Ｆ－１Ａ，ｔＦＡ，ｔ
()（·）计算出ＣｏＶａＲＡβ，ｔ和ＣｏＶａＲＡ
１－β，ｔ。

另外，本文引入Δ
ＣｏＶａＲ度量极端情况下，各行业承载上海原油期货市场的风险溢出强度。

下行ΔＣｏＶａＲＡ｜Ｂ
β，ｔ被定义为：在市场Ｂ的收益率从中间状态（α＝０．５）到下行极端状态（α＝０．０５）的情况下，市场Ａ的ＣｏＶａＲ变化率。

上行ΔＣｏＶａＲＡ｜Ｂβ，ｔ被定义为：在市场Ｂ的收益率从中间状态（α＝０．５）到上行极端状态（α＝０．９５）的情况下，市场Ａ的ＣｏＶａＲ变化率。

下行和上行风险溢出ΔＣｏＶａＲ具体表达式如下所示：
ΔＣｏＶａＲＡ｜Ｂ（α＝
０．０５）β，ｔ＝ＣｏＶａＲＡ｜Ｂ（α＝０．０５）β，ｔ－ＣｏＶａＲＡ｜Ｂ（α＝
０．５）β，ｔＣｏＶａＲＡ｜Ｂ（α＝
０．５）β
，ｔΔＣｏＶａＲＡ｜Ｂ（α＝
０．９５）β，ｔ＝ＣｏＶａＲＡ｜Ｂ（α＝０．９５）β，ｔ－ＣｏＶａＲＡ｜Ｂ（α＝
０．５）β，ｔＣｏＶａＲＡ｜Ｂ（α＝
０．５）β
，ｔ （１１）
《贵州财经大学学报》２０２３年第６期　总第２２７期１５
　三、实证结果与分析
（一）样本数据选择及边缘分布拟合
本文选取上海期货交易所公布的上海原油期货市场指数（ＳＣＦＩ）和上海证券交易所公布的上证一级行业指数作为研究样本。

上证一级行业指数是上交所以２
００３年１２月３１日为基期编制的，将沪市全部样本按照行业分类标准划分为１
０个一级行业的股票指数。

其包括：上证能源行业指数、上证材料行业指数、上证工业行业指数、上证可选行业指数、上证消费行业指数、上证医药行业指数、上证金融行业指数、上证信息行业指数、上证通信行业指数、上证公用行业指数。

样本数据选取２０１９年９月１日到２０２２年９月１日的５分钟交易数据，在数据清洗后，最终取得７２９个交易日，每个行业有３４９９２个高频交易数据。

本文收益率采用５分钟交易数据的对数收益率，定义为ｒｔ，ｓ＝１００×ｌｎ（Ｐｔ，ｓ／Ｐｔ，ｓ－１），其中：ｒｔ，ｓ和Ｐｔ，ｓ定义为第ｔ日第ｓ时刻的对数收益率和价格。

本文数据来源于Ｗｉｎｄ
数据库，各行业指数
波动情况如图１所示。

图１　上海证券市场各行业指数与ＳＣＦＩ的波动情况
从波动情况看，所有行业指数均在２０２０年２月出现大幅下跌，但医药、信息和通信行业指数却及时止住下跌趋势并开始上涨。

这主要源于２
０２０年新冠肺炎疫情暴发，许多企业长时间停工停产，大多数行业发展受到阻碍。

但与此同时，疫情迫使民众居家办公、学习，反而驱动了信息、通信等行业发展，而疫苗、口罩等医疗资源需求上升也促使医药行业大幅反弹。

除此之外，其他行业指数波动也呈现不同差异，这也充分说明考虑行业异质性的必要性。

表１是各序列的描述性统计结果。

可以看到，
除金融行业外，各序列均呈现左偏、有峰特征，且Ｊ－Ｂ检验结果表明序列拒绝服从正态分布的假设，这与大多金融数据的特性相符。

同时，ＡＤＦ检验和ＡＲＣＨ－ＬＭ检验表明各序列平稳且具有波动聚集效应，这为后续波动率建模奠定了基础。

表１
各序列的描述性统计结果
均值标准差
偏度
峰度
Ｊ－Ｂ检验
ＡＤＦ检验
ＡＲＣＨ－ＬＭ检验
原油
０．０６７１２．５４２４－０．３１００２．６９５７２３４．７１１８
－９．０７８３
８６．８１８０
能源０．０５７２１．８５０９－０．２５８０２．０４１９１３６．２９７９
－９．５９７４
７２．４１４０
材料０．０３８３１．６７９３－０．４３０５２．０８５４１５６．２７３３
－９．５２７９
４５．０９９１
工业０．０３３７１．３９９９－０．４６３１３．７５８７４５８．９１３１
－９．６０７９
２３．５４４０
可选０．０４１０１．５６６６－０．６０６４２．７７９３２８１．８０７６
－９．２９４４
３２．１３００
消费０．０４８７１．６６２８－０．５２２６１．３４４５８９．０８７７
－９．３４３５
２６．４２３０
医药０．０１０８１．６８３９－０．４７３１０．８２５５４８．４７４４
－９．６７３４
４８．３２７１
金融－０．０３２７１．３０７７０．２２２１４．４７８６６２０．０３９９
－９．７０６１
３４．９３９３
信息－０．０２００１．９９４３－０．３４５７１．７７０８１１１．１００７
－９．３０００
３８．０４７１
通信０．００３３１．６７２３－０．４５５６３．３４９９３６９．２４２８
－９．８９５０
４９．１７５０
公用
０．０２３１
１．３８９０
－０．０８７３
４．６１６７
６５３．３４１８
－８．９８４６
７７．０５８２
注： ， ，
分别表示在１０％，５％，１％置信水平下显著，下同。

本文首先采用ＧＡＲＣＨ模型对各序列的边缘分布进行拟合。

在充分比对各序列的条件分布为：正态分布、ｔ分布、偏ｔ（Ｓｋｅｗ－ｔ）分布、广义误差分布（ＧＥＤ）以及偏广义误差分布（Ｓｋｅｗ－ＧＥＤ）时的模型拟合结果后，我们发现原油、能源、医药和金融行业指数更服从Ｓｋｅｗ－ＧＥＤ，而其余序列更服从Ｓｋｅｗ－ｔ分布，参数估计结果如表２所示。

可以看出，核心参数在１％置信水平下均显著，参数α＋β＜１且均接近１，说明采用ＧＡＲＣＨ模型拟合是稳定合理的。

另外，ＡＲＣＨ－ＬＭ检验结果显示残差序列已不存在波动聚集效应，Ｋ－Ｓ检验结果显示概率积分变换后的序列服从（０，１）上的均匀分布。

１６
　《贵州财经大学学报》２０２３年第６期　总第２２７期表２采用ＧＡＲＣＨ模型拟合的参数估计结果
μωαβ偏度自由度对数似然值ＡＲＣＨ－ＬＭＫ－Ｓ
原油
０．０００１０．０００００．１３８５ ０．８３５５ ０．９５２７ １．３３５２
（０．０００８）（０．００００）（０．０３８９）（０．０４３４）（０．０４４４）（０．０９４８）
－１６３５．４５５０
１４．４９７００．０２７４
（０．１５１５）（０．６４１８）
能源
０．０００１０．０００００．１６９５ ０．８１５４ １．００６３ １．２７４６
（０．０００６）（０．００００）（０．０７６６）（０．０３８６）（０．０４０３）（０．１６１０）
－１３９４．０６９０
８．６４９６０．０２４１
（０．５６５６）（０．７９１６）
材料
０．０００２０．０００００．１７６４ ０．７４５７ １．１３２９ ７．１７３７
（０．０００５）（０．００００）（０．０４６９）（０．０６９０）（０．０５４９）（２．１１４１）
－１３５０．２５６０
７．６５７５０．０２０２
（０．６６２３）（０．９２８４）
工业
０．０００３０．０００００．１２６２ ０．８１２５ １．０９１８ ８．７４５４
（０．０００５）（０．００００）（０．０１６７）（０．０２７８）（０．０５６３）（２．５８６３）
－１２２５．９０２０
９．７４６６０．０１４９
（０．４６３０）（０．９９７１）
可选
０．０００２０．０００００．０９４３ ０．８７９７ １．１１９９ ８．０９８９
（０．０００５）（０．００００）（０．０４０１）（０．０３３２）（０．０６６３）（３．６５６２）
－１３０２．８１１０
４．５８１６０．０２８１
（０．９１７３）（０．６１３６）
消费
０．０００４０．０００００．０７２３ ０．９０９１ １．１４２７ １１．４４８１
（０．０００６）（０．００００）（０．０２６７）（０．０２９５）（０．０６４９）（５．２８４２）
－１３６７．７３２０
７．６１９４０．０２０９
（０．６６６６）（０．９０９１）
医药
０．０００１０．０００００．０７６５ ０．８８３８ １．２０８３ １．８９６３
（０．０００６）（０．００００）（０．００９６）（０．０１５３）（０．０６６１）（０．１５３８）
－１３８３．６０３０
９．２３０１０．０１６１
（０．５１０４）（０．９９１６）
金融
－０．０００１０．０００００．１０９１ ０．７６３７ ０．９０４４ １．２５９２
（０．０００３）（０．００００）（０．０３８２）（０．０８９３）（０．０７５７）（０．０８８７）
－１１７５．２１７０
１３．６４６００．０２３５
（０．１８９８）（０．８１４１）
信息
－０．０００３０．０００００．０４５２ ０．９２６５ １．０４４８ ８．５１２８
（０．０００７）（０．００００）（０．００４２）（０．０１０８）（０．０５３０）（２．４７５７）
－１５０１．３５７０
６．９２５２０．０１９９
（０．７３２５）（０．９３３６）
通信
０．０００００．０００００．０６７１ ０．８９８０ １．０７７１ ９．２７６１
（０．０００４）（０．００００）（０．００７２）（０．０１６３）（０．０５６５）（２．７４８６）
－１３４６．７７４０
８．５１７７０．０１８２
（０．５７８４）（０．９６９０）
公用
０．０００１０．０００００．１４８１ ０．８４０４ ０．９８３９ ５．７４６７
（０．０００２）（０．００００）（０．０４０９）（０．０４８８）（０．０６０３）（１．２６０４）
－１１４３．８９４０
１５．２８０００．０２２０
（０．１２２２）（０．８７１６）
注：除ＡＲＣＨ－ＬＭ列和Ｋ－Ｓ列的括号内表示检验的ｐ值，其余括号内均为估计标准误，下同。

为了弥补ＧＡＲＣＨ类模型的不足，本文引入ＧＡＳ模型进行拟合。

除了选取上述五种条件分布外，本文还逐一比对了位置参数、尺度参数、偏态参数、形状参数为动态参数时的模型估计结果，最终发现所有序列更服从Ｓｋｅｗ－ｔ分布，且更偏好尺度参数为动态时的ＧＡＳ模型，参数估计结果如表３所示。

可以看出，核心参数均显著，说明采用基于动态尺度参数的ＧＡＳ模型拟合也是稳定合理的。

另外，ＡＲＣＨ－ＬＭ检验结果显示残差序列已不存在波动聚集效应，Ｋ－Ｓ检验结果显示概率积分变换后的序列服从（０，１）上的均匀分布。

表３采用ＧＡＳ模型拟合的参数估计结果
μφξυＡφＢφ对数似然值ＡＲＣＨ－ＬＭＫ－Ｓ
原油
０．０００１２．４８４２ ０．９７７２ ５．９７４８ ０．０１０３ ０．９７０３
（０．０００３）（０．００３７）（０．１５８８）（０．６９７４）（０．００１５）（０．０１７３）
－１６４２．８１５０
１３．３２７０．０２７１
（０．２０５９）（０．６５９５）
能源
０．００４２１．６７１９ ０．９８９８ ４．００００ ０．０１５８ ０．９８７２
（０．０５５１）（０．００５１）（０．１８０７）（０．００００）（０．００３６）（０．００８２）
－１３９６．６５７０
８．６３８９０．０２８９
（０．５６６７）（０．５７５５）
材料
０．０３６７１．６１９２ ０．９０４０ ６．４５４５ ０．０２５２ ０．９５４４
（０．０５４０）（０．０１１７）（０．１７８５）（０．６９９６）（０．００５４）（０．０２６７）
－１３５２．１９３０
７．２１６００．０４７８
（０．７０４９）（０．０７１７）
工业
０．０４１１１．３３６７ ０．９４３９ ８．２０７９ ０．０３０８ ０．９５２７
（０．０４５０）（０．００７２）（０．１９２４）（０．５５４５）（０．００７８）（０．０２５２）
－１２２７．８１３０
８．８８７２０．０４３５
（０．５４２８）（０．１２７０）
可选
０．０４２４１．４７６８ ０．９２４９ ８．５５８２ ０．０２３５ ０．９７２７
（０．０５０３）（０．００５９）（０．１８８５）（０．５８９１）（０．００５７）（０．０１５０）
－１３０５．８５５１
５．２４４５０．０３７８
（０．８７４３）（０．２４９７）
消费
０．０６２８１．５７６４ ０．８８５１ １２．２４４８ ０．０１５１ ０．９７２７
（０．０５６３）（０．００７０）（０．２００６）（０．６８８３）（０．００３８）（０．０１５０）
－１３６９．４９００
６．８８８５０．０３２２
（０．７３５９）（０．４３４５）
医药
０．０１６６１．６１２４ ０．８２４２ ３２．４５４３ ０．０１３１ ０．９６５７
（０．０５９１）（０．００９１）（０．２３０７）（２．６５００）（０．００３５）（０．０１８７）
－１３８３．９５４０
６．２００９０．０２５５
（０．７９８１）（０．７３００）
金融
－０．０１１６１．２７３８ １．１２６７ ５．２３５７ ０．０３１５ ０．９１５９
（０．０４４１）（０．０１３８）（０．２３０４）（０．８７９５）（０．００９３）（０．０５７４）
－１１７４．１５８２
１２．７８３００．０４２８
（０．２３６１）（０．１３８８）
信息
－０．０３４７１．９２２９ ０．９５３４ ８．８２９０ ０．００７１ ０．９７６１
（０．０６８７）（０．００９６）（０．１８８９）（０．６３８０）（０．００２１）（０．０１５３）
－１５０１．７３１１
６．８８４６０．０３１２
（０．７３６３）（０．４７７６）
《贵州财经大学学报》２０２３年第６期　总第２２７期
１７
　续表３
通信
－
０
．００４２１．７２８８ ０．９３４３ ９．２４１６ ０．０１４９ ０．９８４２
（０．０５４４）（０．００８６）（０．１８９１）（０．６０１４）（０．００４３）（０．０２２９）－１３４９．３８２０７．９２２
１０．０２９５（０．６３６４）（０．５４９０）公用
０．００２４１．１４３９ １．０２１５ ５．６１４９ ０．０３４０ ０．９８３１
（０．０３７４）
（０．００２４）
（０．１９９８）（０．６４８７）（０．００２３）（０．００９０）
－１１４４．６５００
１２．５３８００．０３１４（０．２５０７）
（０．４６６９）
图２　两种模型拟合下的标准差走势 根据ＧＡＲＣＨ模型和ＧＡＳ模型的拟合结果，本文发现
两种模型的对数似然值非常接近，无法确定其是否存在统计意义上的差异。

为更直观刻画两种模型所估计的时变标准差（尺度参数）变化趋势，本文描绘了各序列在两种模型估计下的标准差走势，如图２所示，可以看出在市场
震荡时，两种标准差的差异较大。

２
０２０年新冠肺炎疫情暴发后，整个市场呈现大幅下跌态势，基于ＧＡＲＣＨ模型估计的标准差明显高于ＧＡＳ模型，说明ＧＡＲＣＨ模型拟合效果可能受到下尾极端值影响。

反过来，材料和能源行业分别在２０２１年３月和９月整体走强，基于ＧＡＳ模型估计的标准差也明显高于ＧＡＲＣＨ模型，说明ＧＡＳ模型拟合效果可能受到上尾极端值影响。

至此，表２和表３佐证了ＧＡＲＣＨ模型和ＧＡＳ模型都能较好拟合所选序列数据，这为后续进行相依性建模奠定了基础。

但是，图２表明了ＧＡＲＣＨ模型拟合效果可能受到下尾极端值影响，而ＧＡＳ模型拟合效果可能受到上尾极端值影响，在市场不同状态下，两者会出现一定程度的风险测度偏差。

究竟哪个模型更适用于本文的风险溢出效应研究，需要在相依性建模中进一步探索。

图３　Ｋｅｎｄａｌｌ相关系数与已实现相关系数波动情况（二）Ｃｏｐｕｌａ模型参数估计及最优模型选择首先，本文绘制了各行业指数与原油指数的Ｋｅｎｄａｌｌ相关系数与已实现相关系数，如图３所示。

从Ｋｅｎｄａｌｌ相关系数可以看出，能源行业与原油市场正相关度最高，信息行业与原油市场负相关度最高，而消费行业与原油市场的相关度最低。

然而，Ｋｅｎｄａｌｌ相关系数并不能充分反映序列间的动态相依性，因此需要重点考察已实现相关
系数的波动情况。

［２９］
可以看出，２０２０年１月，所有行业指数与原油指数间的已实现相关系数急剧上涨，而在２０２２年２月，所有行业指数与原油指数间的已实现相关系数呈现先急剧上涨、后整体下降的倒“Ｖ”型波动。

结合图１本文认为，一方面，新冠疫情蔓延导致全球进入隔离模式，原油需求量骤降，但由于原油供给不减，“油满为患”情形出现，油价与其他行业行情一同走低，相关度随之提高。

另一方面，俄乌战争爆发直接导致能源使用成本上升，在全球疫情逐渐稳定、经济稳步复苏的大背景下，油价与其他行业行情一同走高，相关度再次提高。

但油价暴涨后，国内再次受到疫情冲击，油价与各行业行情走势偏离，二者相关度明显下降。

为更准确地刻画各行业指数与原油指数间的相依结构，本文分别选取基于Ｇ
ＡＲＣＨ模型和ＧＡＳ模型拟合的残差序列与八种Ｃｏｐｕｌａ模型进行相依性建模，包括：ＧＡＲＣＨ－ＧａｕｓｓｉａｎＣｏｐｕｌａ模型、ＧＡＲＣＨ－ＭＩ ＤＡＳ－ＧａｕｓｓｉａｎＣｏｐｕｌａ模型、ＧＡＳ－ＧａｕｓｓｉａｎＣｏｐｕｌａ模型、ＧＡＳ－ＭＩＤＡＳ－ＧａｕｓｓｉａｎＣｏｐｕｌａ模型、ＧＡＲＣＨ－ｔＣｏｐｕｌａ模型、ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ模型、ＧＡＳ－ｔＣｏｐｕｌａ模型和ＧＡＳ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ模型。

限于
篇幅，表４只展示最优Ｃ
ｏｐｕｌａ模型的参数估计结果，其余结果备索。

表４
最优Ｃｏｐｕｌａ模型的参数估计结果
αｃ
βｃ
ωｃυｃ
γｃ
ＡＩＣ
最优Ｃｏｐｕｌａ模型
原油－能源
２．００５６
２４９６．６９２０ＧＡＲＣＨ－ｔＣｏｐｕｌａ原油－材料０．２１７５
０．７０５０
３．０２６５
２．００４０
２．９６７１
２５４９．３０４０ＧＡＳ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ原油－工业
０．２８９０
－０．０８５８
９．１０６７２．００４７
１．６６９８
２５７５．２０６０ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ
１８　《贵州财经大学学报》２０２３年第６期　总第２２７期
续表４
原油－可选０．１２７２
０．４６８２
７．２６７５
２．００４９
１．９６４８
２５５９．９３４０
ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ
原油－消费０．１５６６
－０．４１６８
４．６９９８２．００３０
－０．３４４７
２５９１．７７２０ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ原油－医药０．２４６４
－０．７５９６
９．４４７２２．０１５４
－２．８３２８
２５５６．５７４０ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ原油－金融０．９６８７
０．０７３８
９．７２７１２．００４４
１．３２１８
２６１２．９９４０ＧＡＳ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ原油－信息０．２２５０
－０．１９１８
９．５１３２２．０１２６
－２．１６７０
２５６６．６１６０ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ原油－通信０．２３１８
０．６１３５
２．０５４６２．００８５
１．３６５７
２５９７．１０６０ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ原油－公用
０．３８８３
０．７２７５
４．６０５６２．０１５３
０．５９６０
２５９８．８７８０ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ
由表４可知，ＧＡＲＣＨ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ模型能更好刻画工业、可选、消费、医药、信息、通信、公用行
业指数与原油指数间的相依结构，
ＧＡＳ－ＭＩＤＡＳ－ｔＣｏｐｕｌａ模型能更好刻画材料、金融行业指数与原油指数间的相依结构，ＧＡＲＣＨ－ｔＣｏｐｕｌａ模型能更好刻画能源行业指数与原油指数间的相依结构。

总体而言，ｔＣｏｐｕｌａ模型的拟合效果比ＧａｕｓｓｉａｎＣｏｐｕｌａ模型更优，可能是因为ｔＣｏｐｕｌａ模型更能捕捉金融序列的厚尾特征。

在具体比较后发现，除能源行业外，考虑ＭＩＤＡＳ结构的Ｃｏｐｕｌａ模型拟合效果更好；特别地，模型中的放松参数显著，说明对ＭＩＤＡＳ结构赋权是有意义的。

对能源行业来说，可能由于与原油市场相关度最高，ｔＣｏｐｕｌａ模型足以刻画二者相依性，无需加入ＭＩＤＡＳ结构。

值得一提的是，除了材料、可选、金融、通
信和公用行业外，其余行业最优模型中的βｃ均小于０，结合图３分析认为，这可能是由于其余行业指数与原油指数的相关度不高，甚至多次出现负相关，导致模型中的滞后一阶自相关系数βｃ为负。

（三）上海原油期货市场对我国行业的风险溢出效应分析在得到最优Ｃｏｐｕｌａ模型后，本文计算了上海原油期货市场风险条件下各行业指数的动态ＶａＲ和Ｃｏ ＶａＲ值，包括：上行ＶａＲ、下行ＶａＲ、原油市场上行风险条件下的上行ＣｏＶａＲ（简称上行ＣｏＶａＲ）和原油市
场下行风险条件下的下行Ｃ
ｏＶａＲ（简称下行ＣｏＶａＲ）。

图４展示了各行业的动态ＶａＲ与ＣｏＶａＲ走势，限于篇幅，描述性统计结果备索。

总的来说，一方面，各行业指数的上行风险显著大于下行风险，呈现较为
明显的非对称性特征；另一方面，下行Ｃ
ｏＶａＲ显著小于下行ＶａＲ，上行ＣｏＶａＲ显著大于上行ＶａＲ，说明不论上行还是下行，上海原油期货市场风险都会进一步放大我国各行业的风险。

图４　上海原油期货市场风险条件下各行业指数的动态ＶａＲ与ＣｏＶａＲ
《贵州财经大学学报》２０２３年第６期　总第２２７期１９
　从下行风险看，上海原油期货市场对能源行业影响更大，对公用行业影响较小：能源行业作为与原油市场正相关度最高的行业，油价下跌会进一步放大能源行业的下行风险。

同时，受政治、经济等宏观因素影响，油价频繁波动也会使能源行业蕴藏较大的下行风险。

而公用行业作为服务于城市生产、流通和居民生活各项事业的行业，其经营不仅具有垄断性和典型地域特征，服务或产品的价格波动也会受到政府的管理调控，受油价下跌冲击也较小。

从上行风险看，上海原油期货市场对医药行业影响更大，对金融行业影响较小：油价上涨会迫使溶剂供应商提高用于大宗原料药（指医药行业中应用普遍、规模较大的原料药）的碳氢化合物和含氧溶剂的价格，再加上疫情期间国内药品供应短缺，大宗原料药的价格不断上涨，医药行业持续上行。

而金融行业作为我国稳定行情的坚实力量，对风险控制的能力较为突出，且我国金融行业以银行板块为主，长期以来处于估值低位、成长空间较小，受到油价上涨冲击也较小。

另外，大多行业的Ｖ
ａＲ和ＣｏＶａＲ在２０２０年２月和７月、２０２２年３月和５月达到峰值。

在２０２０年，２月的疫情暴发使得原油需求大幅下降，股市整体走弱与油价下行因素叠加，我国股市下行风险增大；随后７月，在我国出色的疫情防控能力与取得的成绩背景下，我国经济逐步复苏，股市呈现大涨态势。

在２０２２年，３月的俄乌战争爆发使得国际原油成本大涨，价格的频繁波动以及未来前景的不确定性导致原油市场
风险增加，我国股市出现剧烈波动；随后５月，
美联储高达５０个基点的加息政策，使得原油市场风险条件下的股市风险被进一步放大，市场不稳定因素增多。

值得一提的是，医药行业的下行ＶａＲ均大于０，
说明
若不考虑原油市场风险条件，医药行业将呈现净收益状态，这是疫情时期出现的特有情形。

图５　原油市场极端风险条件下各行业指数的ΔＣｏＶａＲ图５是相对于正常状况，各行业在原油市场极端风险条件下的ΔＣｏＶａＲ。

特别说明一点，Δ
ＣｏＶａＲ小于０意味着行业在极端条件下受到的风险溢出强度比正常情况下更弱。

限于篇幅，描述性统计结果备索。

总
的来说，上行Δ
ＣｏＶａＲ大于下行ΔＣｏＶａＲ，说明相较于极端下行风险条件，极端上行风险条件下原油市场对我国各行业的风险溢出强度更大，进一步支持了上述对上海原油期货市场上行风险更敏感的判断。

分开来看，在极端上行风险条件下，上海原油期货市场对医药行业的风险溢出强度最大，对消费行业的风险溢出强度最小；在极端下行风险条件下，上海原油期货市场对可选行业的风险溢出强度最大，对金融行业的风险溢出强度最小。

究其原因，我国的消费行业主要由食品饮料、家居、农业等板块构成，尽管油价波动会对整体价格产生影响，但我国人口基数较大，日常消费的规模和能级通常不会受到太大冲击。

相对于消费行业，可选行业的需求性本身比较弱，而且具有一定周期性。

当经济状况下行时，可选行业会受到较大的冲击，消费者往往会选择延期消费或者购买更便宜的替代品，这与本文的发现相符。

能源、医药和金融行业的原因上文已经分析过，这里不再赘述。

四、结论及进一步讨论
原油市场对我国股市的溢出效应研究一直是学术界重点关注的课题，但大多目光主要集中于国际原油市场。

２０１８年我国推出的上海原油期货，截至目前已成为全球第三大原油期货。

随着上海原油期货市场建立与不断完善，该市场对我国股市的风险溢出效应也不可忽视。

为此，本文从行业维度出发，选取２０１９年９月１日到２０２２年９月１日上海原油期货指数和上海证券市场一级行业指数的５分钟收益率数据作为样本，以探究哪些行业承载来自上海原油期货市场更多的风险溢出。

首先，本文引入ＧＡＳ模型作为ＧＡＲＣＨ类模型的补充，通过拟合数据边缘分布，得到不含波动聚集效应且服从均匀分布的残差序列。

其次，本文选取了８个不同的Ｃｏｐｕｌａ模型，刻画原油指数与各行业指数间的非线性相依结构，并选取拟合效果更好的模型进行相依性建模。

随后，本文选取ＶａＲ和ＣｏＶａＲ分别对各行业的绝对风险，以及上海原油期货市场风险条件下各行业的条件风险进行测度。

最后，本文选取Δ
ＣｏＶａＲ就极端情况下，上海原油期货市场对我国１０个行业的风险溢出强度进行度量。

实证结果表明：。