绿色债券指数投资的避险功能发现：以中、欧、美市场为例.pdf-solarbe文库

资源描述：

26 债券 2022.7 创刊10周年获奖佳作专辑绿色债券指数投资的避险功能发现以中、欧、美市场为例本文旨在通过对新冠肺炎疫情发生前后具有代表性的发达经济体（美国、欧元区）和新兴经济体（中国）的比较，来研究绿色债券抵御罕见灾害或尾部风险的能力。疫情发生前，有关绿色债券的研究或关注于其在欧美等发达经济体中的避险能力，或关注于中国绿色债券的非对冲特征。本文通过实证研究验证中国、欧元区和美国三个区域绿色债券抵御尾部风险的能力。研究发现，绿色债券在对冲传统资产尾部风险方面有巨大潜力，而且其在不同区域金融市场的表现有所趋同。绿色债券对大多数资产的对冲作用在疫情发生后有所减弱，但对外汇市场的对冲作用变得更强。模型建立绿色债券、公司债券、股票、石油指数和美元指数等多数资产的回报均可用以下形式建模。下标 g 代表绿色债券， i 为其他资产， t 表示时间。总的来说，允许均值和波动性随时间变化而变化。 r gt μ gt ξ gt , where ξ gt ≡ σ gt ϵ gt （1）A r it μ it ξ it , where ξ it ≡ σ it ϵ it （1）B 摘要本文基于 TGARCH 模型和 Copula 模型分析比较了中国、欧元区和美国三个区域绿色债券与常规金融资产之间的联合分布，并通过分位数对尾部相关性进行了稳健性检验。研究结果表明一是绿色债券在为可持续增长提供金融资本的同时还可作为抵御金融冲击的避险工具；二是以绿色债券指数为投资标的，可在疫情期间显著抵御汇率风险。本文建议一是加快国内绿色标准与国际的趋同，完善绿色债券市场规则体系；二是构建符合中国标准的国际绿色债券指数，扩大指数配置的投资规模；三是完善绿色基础设施建设，加强环境效益信息的穿透式披露，推动绿色金融对外开放。关键词绿色债券对冲有效性新冠肺炎疫情郭栋周鹏类承曜 2022年7月，债券期刊迎来10岁生日。编辑部于2022年3月启动创刊10周年征文活动，得到债券市场专家学者和金融机构从业者的热烈响应和广泛好评。征文对认识和解决当下债券市场面临的问题有较强的针对性，对行业发展提出了建设性意见，能够有效助力债券市场理论与实务双融合、双促进。本刊特辑选在本次征文中获得一等奖的文章，以飨读者。编者按 27CHINABOND 2022 July 创刊10周年获奖佳作专辑所有资产（ ■g, i）的均值部分（ μ ■t ）可通过 ARMA p,q即自回归滑动平均模型建模。计量经济学家通常会在编写 ARMA 模型时引入滞后算子 L 的多项式（例如 ϕL;pϕ 1 L ϕ p L p 和 ψL;qψ 1 L ψ p L p ） μ ■t ϕL;p μ ■t ψL;q ξ ■t （2）类似地，假设模型的波动部分（ σ 2 ■t ）存在阈值广义自回归条件异方差（ARCH），则 GARCHm 、ARCH n 和 TARCH s 的分多项式 αL;m、 βL;n和 γL;s 可通过类似的方式定义。 σ 2 ■t α 0 αL;mσ 2 ■t βL;n ξ 2 ■t γL;sξ 2 ■t | ξ ■t 0、 τ U 0）的非对称分布。 Clayton Copula 只有一个参数 ϑ 且大于等于1， ϑ1 意味着变量之间相互独立。四是 Rotated Clayton Copula 与 Clayton Copula相反，允许上尾部相关 τ U 0、下尾部相关 τ L 0。在实践中除此方法外还可以选择简单地转换数据，即在 Clayton Copula 估计之前交换尾部。五是 SJC Copula 允许存在不对称的尾部相关 τ L ≠ τ U ，并且可以直接估计这两个参数。除上述模型外，Gumbel Copula 也很受欢 28 债券 2022.7 创刊10周年获奖佳作专辑迎，其与 Clayton Copula 相似。包含 Gumbel 和 Clayton 的 Copula 函数被统称为 Archimedean Copulas（阿基米德连接）函数。 Copula 函数随时间的变化可基于 Hansen （1994）的自回归条件密度进行观测。这一方法比其他方法（例如状态切换方法）在参数化方面更加简便和有效。Copula 函数随时间变化的参数（ θ t ≡ ρ t |τ Lt | τ Ut ）可以被概括为 ARMA 过程。 θ t Λ[abθ t-1 c ∑ K k1 Hϵ g,t-k , ϵ i,t-k ]. （7）在等式（7）中， Λ·是用于将尾部相关性的度量保持在定义域内的逻辑变换。H·代表 normal Copula 的正态分位数函数、t Copula 的 t 分位数函数以及 Clayton、Gumbel 和 SJC Copula 各自的绝对差值函数。滞后长度 K10 的设定与 Patton（2006）一致，用于对应 2 个工作周的每日数据。实证研究基于现有的绿色债券相关文献，我们选择研究债券市场、股票市场、大宗商品（以能源为例）市场和外汇市场与绿色债券市场的相关性。我们将对比中国、欧洲和美国三个区域市场的数据结果，这对研究绿色债券在发达经济体和新兴经济体的表现有着重要作用。（一）数据描述数据的样本观测期设定为2014年8月到 2022 年 2 月。数据来源于万得（Wind）。对于中国研究数据一是绿色债券投资数据的选择。考虑到当前国际资本主要采用跟踪债券指数进行资产配置的投资模式，绿色债券投资变量选择典型绿色债券指数进行研究。我国金融市场上有十几个有代表性的绿色债券指数可供选择，本文研究选择中债-中国绿色债券指数（CNGB），其原因在于该债券指数编制主体作为债券市场重要的金融基础设施机构，致力于通过系列绿色债券指数全面综合反映中国绿色债券市场发展，向绿色投资者提供权威的业绩比较基准与投资跟踪标的，其指数的编制在体现“双碳”战略目标的绿色标准的同时，包含可持续发展和 ESG（环境、社会和公司治理）理念。使用中债 - 中国绿色债券指数体现了中欧标准趋同的演变方向，具有全面性和包容性的特点。二是其他资产投资数据的选择。采用中债 10 年期国债到期收益率（CNB）作为中国债券市场指标；以上海证券交易所股票价格综合指数（CNS）作为中国股市指标；外汇市场的波动用美元/人民币汇率的回报（CFN）来衡量；考虑到人民币国际化的发展阶段特征，在国际石油市场上以人民币定价和结算尚不占优，我国仍处于价格接受者的净进口国地位，研究中采用布伦特原油价格表征中国市场所面对的国际油价（CNO）。对于欧洲市场，本文选取彭博MSCI 绿色债券指数（EUGB）的日数据；欧洲债券市场以 10 年期欧洲政府债券到期收益率（EUB）为代表指标；对于欧洲股票市场，选用路孚特提供的欧洲典型股票市场指数（EUS）来表征；外汇市场波动则用欧元兑美元汇率（EUF）衡量；作为与绿色债券相关的重要大宗商品，采用布伦特原油价格衡量欧洲能源价格的变化（EUO）。对于美国市场，本文选取巴克莱MSCI绿色债券指数（USGB）的日数据；美国债券市场以 10 年期美国政府债券到期收益率（USB）为代表指标；对于美国股票市场，选用道琼斯指数（USS）来表征；外汇市场波动则用美元指数（USF）衡量；作为与绿色债券相关的重要大宗商品，采用西德克萨斯中质原油指数衡量美国能源价格的变化（USO），其比布伦特原油更加准确地表征美国能源价格，因为后者涵盖美国以外的市场。表1对主要金融资产指标进行了描述性统计。所有资产日收益率的均值根据 ADF 和 KPSS 检验 29CHINABOND 2022 July 创刊10周年获奖佳作专辑都平稳且接近于零，并都具有异常的厚尾（峰度大于3，JB 检验均为显著）。绿色债券投资在三个区域市场尤其是在中国市场往往与固定收益市场和其他资产呈负相关。表1中的描述性统计侧重于每项资产的单变量属性。为了可视化资产之间的依赖关系，我们绘制了选定资产与绿色债券投资的散点图。图 1a 展示了中国资产的非参数联合分布，而图1b和 1c 分别为欧洲和美国的对应情况。我们可以从跨资产、跨国家和跨时间的比较中看到一些显著特征一是美国的绿色债券和美元指数之间存在明显的负相关性，而中国和欧洲类似，最显著的负相关性体现为绿色债券与债券市场。这说明绿色债券投资在不同的市场存在异质性，即对冲效应和方向存在不同。二是中国的绿色债券分布比欧洲和美国更集中于均值，但三个区域绿色债券的不确定性都低于其他资产，即资产之间的差异小于区域间的差异。三是大多数资产的尾部风险在疫情暴发后变得更加显著，因为分布在尾部变得更厚且在峰部变得更平。最突出的例子是石油价格，由于疫情以及俄罗斯与沙特间的石油价格战，表 1 中、欧、美主要金融资产数据的统计描述中国 CNGB CNB CNS CNF CNO 样本数 1859 1859 1859 1859 1859 均值 0.0002 0.0001 0.0001 0.0000 0.0006 最大值 0.0083 0.0367 0.0576 0.0186 0.2102 最小值 0.0089 0.0568 0.0849 0.0099 0.2440 标准差 0.0009 0.0080 0.0137 0.0021 0.0258 偏度 0.1195 0.1945 1.0197 0.5759 0.3751 峰度 19.4919 6.6351 10.2741 10.1877 17.4820 JB 检验 2.04E04 1.00E03 4.27E03 3.97E03 1.57E04 ADF 检验 26.5086 37.2224 40.7284 39.2531 41.6934 KPSS 检验 0.4408 0.1015 0.0354 0.0957 0.0529 相关性 CNGB CNB CNS CNF CNO CNGB 1 -0.5103 -0.0587 -0.0181 -0.024 CNB -0.5103 1 0.1342 0.0431 0.0343 CNS -0.0587 0.1342 1 -0.0467 -0.0074 CNF -0.0181 0.0431 -0.0467 1 0.0121 CNO -0.024 0.0343 -0.0074 0.0121 1 欧洲 EUGB EUB EUS EUF EUO 样本数 1859 1859 1859 1859 1859 均值 0.0001 0.0001 0.0002 0.0000 0.0006 最大值 0.0113 0.0148 0.0840 0.0308 0.2102 最小值 0.0194 0.0160 0.1148 0.0237 0.2440 标准差 0.0023 0.0025 0.0107 0.0049 0.0259 偏度 0.9020 0.5757 1.0438 0.0959 0.3344 峰度 9.4895 7.6201 15.9092 5.6843 16.7205 JB 检验 3.51E03 1.76E03 1.32E04 5.61E02 1.46E04 ADF 检验 39.6988 40.3212 42.8822 43.1519 42.3988 KPSS 检验 0.1465 0.1021 0.0290 0.0596 0.0494 相关性 EUGB EUB EUS EUF EUO EUGB 1 0.8791 -0.048 -0.0988 -0.0668 EUB 0.8791 1 0.0271 -0.1132 -0.036 EUS -0.048 0.0271 1 -0.1527 0.3268 EUF -0.0988 -0.1132 -0.1527 1 0.0037 EUO -0.0668 -0.036 0.3268 0.0037 1 美国 USGB USB USS USF USO 1830 1859 1859 1859 1859 1859 均值 0.0001 0.0005 0.0005 0.0001 0.0012 最大值 0.0104 0.4074 0.0938 0.0252 0.3766 最小值 0.0235 0.2703 0.1198 0.0207 3.0597 标准差 0.0021 0.0326 0.0111 0.0046 0.0827 偏度 1.2115 1.4025 0.6986 0.4746 28.9593 峰度 14.8684 34.2844 23.1276 8.4964 1034.1287 JB 检验 1.14E04 7.67E04 3.16E04 2.42E03 8.29E07 ADF 检验 41.9949 44.1006 52.8654 56.3783 32.0902 KPSS 检验 0.1774 0.0672 0.0184 0.0257 0.0672 相关性 USGB USB USS USF USO USGB 1 -0.7718 -0.1366 -0.0622 -0.0422 USB -0.7718 1 0.3834 -0.0252 0.1098 USS -0.1366 0.3834 1 -0.1701 0.1625 USF -0.0622 -0.0252 -0.1701 1 -0.0745 USO -0.0422 0.1098 0.1625 -0.0745 1 注JB 检验假设用于正态分布数据，ADF 和 KPSS 检验用于单位根，所有检测的置信区间设定为 5 拒绝原假设数据来源Wind，经作者计算 30 债券 2022.7 创刊10周年获奖佳作专辑石油价格在2020年4月20日历史上首次跌至负值。相比之下，绿色债券的尾部风险没有明显变化。因此，绿色债券有很大潜力成为抵御罕见灾难的避险资产。在实证研究中，有在险价值（VaR）、条件风险价值（CoVaR）和 Delta 条件风险价值（ΔCoVaR）等用于描述尾部风险和尾部相关的指标。 VaR用于衡量特定概率（例如 5）下灾难发生时资产的损失。在我们的例子中，对每项资产历史日的 VaR 进行排名，以确定在特定分位数下的回报。 CoVaR 通常用于估计任何条件下可能发生的损失。其中的条件可以简单设定为低于资产本身 VaR 或其他资产低于其 VaR 时的向下风险。总体来说， CoVaR 提供了一种简单度量尾部相关性和风险溢出的方法。 ΔCoVaR 表示一种资产（例如绿色债券）在另一种资产（例如疫情期间的股票）不良状态下的CoVaR与该资产在基准状态下的CoVaR的差异（在 95置信区间内）。差值通常除以基准 CoVaR 以显示一项资产相对于另一项资产整体风险的边际风险贡献。如表2所示，中国在疫情前后绿色债券投资（CNGB）和外汇投资（CNF）的 VaR 变图 1a 中国各类金融资产对绿色债券投资的散点图 47fd 47fd 47fd *ñy *ñKK 47fd fd 5Í. Bs -å 图 1b 欧洲各类金融资产对绿色债券投资的散点图 47fd 47fd 47fd *ñy *ñKK 47fd fd 5Í. Bs -å 图 1c 美国各类金融资产对绿色债券投资的散点图数据来源Wind，经作者计算 47fd 47fd 47fd *ñy *ñKK 47fd fd 5Í. Bs -å 31CHINABOND 2022 July 创刊10周年获奖佳作专辑化相对不显著，尤其是人民币汇率变化接近0，但是股市投资（CNS）的VaR显著增加，大宗商品投资（CNO）的VaR显著降低。欧洲在疫情前后绿色债券（EUGB）、欧债（EUB）和外汇投资（EUF）的 VaR 变化相对其他资产较低，欧元汇率的 VaR 变化最小。美国在疫情期间除绿色债券投资（USGB）和外汇投资（USF）外，其他资产的 VaR 变化均显著降低。上述分区域的特征表明，中、欧、美区域内绿色债券和外汇市场都具有受疫情影响小的特点。此外，绿色债券与其他资产之间的尾部相关性可通过 CoVaR 定性描述并用 ΔCoVaR 定量度量，不同区域的特征观测如下从对冲风险的方向看一是中国绿色债券投资的VaR在其他资产因疫情处于压力状态时都为正，说明以中债-中国绿色债券指数为标的进行投资有很大潜力对冲掉大多数资产的尾部风险。二是对于欧元区绿色债券指数投资的 VaR对应欧元债券和外汇投资在疫情期间出现了显著的负值效应，说明在压力状态下投资欧元区绿色债券指数并不能更好地对冲尾部风险。在疫情发生前，欧元区绿色债券指数投资的VaR对股票、外汇和大宗商品投资在压力状态下都为正，具有一定的对冲尾部风险功能。三是美国绿色债券指数投资的 VaR，除了股票和大宗商品投资，对应其他资产因疫情期间处于压力状态时都为正，说明绿色债券投资具有一定的对冲尾部风险功能。与欧元区类似，美国绿色债券投资在疫情发生前的风险对冲功能强于疫情发生后。从由 ΔCoVaR 量化的对冲效应来看，分区域的特征如下一是中国有四项资产的对冲效应出现了上升（绿色债券、股票、外汇和大宗商品）；二是欧元区有三项资产的对冲效应出现上升（绿色债券、债券和股票）；三是美国只有两项资产的对冲效应出现上升（债券和外汇）。观察结果将通过Copula模型进行正式测试。（二）边际分布在等式（1）A、（1）B、（2）和（3）中边际分布的估计结果如表3所示。滞后长度根据 AIC 和 BIC 信息标准从以表 2 中、欧、美金融资产的 VaR、CoVaR 和 ΔCoVaR 统计值 VaR at 5 CoVaR at 5 ΔCoVaR 疫情前疫情期间疫情前疫情期间疫情前疫情期间 CNGB -0.12 -0.07 -0.24 -0.14 -10.9289 -9.0070 CNB -1.23 -1.36 0.14 0.11 5.6242 5.3370 CNS -2.20 -1.73 0.04 0.07 1.0438 3.6379 CNF -0.34 -0.34 0.02 0.02 -0.1571 0.1384 CNO -3.63 -4.04 0.04 0.05 1.1504 1.7781 EUGB -0.33 -0.46 -0.47 -0.73 -28.7144 148.7859 EUB -0.36 -0.48 -0.42 -0.69 -25.8885 148.8076 EUS -1.57 -1.87 0.06 -0.06 4.4791 4.5589 EUF -0.80 -0.70 0.08 -0.22 5.2228 -1882.8937 EUO -3.69 -4.04 0.04 0.00 2.0295 -1.3668 USGB -0.30 -0.36 -0.44 -0.66 -28.8790 -84.9590 USB -3.39 -5.68 0.38 0.33 21.1820 68.3040 USS -1.45 -1.94 0.15 -0.11 10.9700 -15.7960 USF -0.73 -0.48 0.02 0.11 0.7858 120.0800 USO -3.84 -4.49 0.10 -0.02 6.9129 -14.4900 注VaR 列是两国不同资产在 5 分位数下的 VaR。CoVaR 列是绿色债券回报与其他资产在压力条件下（under stress conditions）回报的差异（在 5 分位数下）。ΔCoVaR 列是压力状态（under stress conditions）和正常状态下的收益率差与正常收益率之比。USGB 和 CNGB 行是以绿色债券市场本身为条件的绿色债券 VaR。其他行是以其他资产为条件的绿色债券 VaR 32 债券 2022.7 创刊10周年获奖佳作专辑表 3 边际分布的预测结果 Mean （平均值） CNGB CNB CNS CNF CNO EUGB EUB EUS EUF EUO USGB USB USS USF USO AR（1） ϕ 1 0.2834 0.3283* -0.1591* 0.9937** -0.4721** -0.0553** -0.4494** -0.1294 -0.5305** 0.4165** -0.8435** 1.3372 0.0258 0.3680 AR（2） ϕ 2 1.0978* -0.7726* 0.7827* -1.0126** -0.9068** 0.0206** -0.5520** 1.4665 0.1641* -0.4455** -0.9612** 0.0498 0.1093* 0.3813* AR（3） ϕ 3 0.1597 -0.3387* -0.1102* 0.8864** 0.9092** -0.8789** 0.2958* 0.8309** 0.9085** -0.3870 -0.3035** 0.6773* AR（4） ϕ 4 -0.6907 -0.8155* -0.7396 0.0541** 0.0787** -0.5893* -0.5887 AR（5） ϕ 5 0.1493* -0.0430** 0.0563** -0.0236** 0.3792* MA（1） ψ 1 0.1055 -0.1863* 0.1471* -0.9684* 0.4485** 0.05015** 0.4625** 0.1247 0.5063* -0.4703** 0.8254** -1.3921 -0.0711 -0.3817 MA（2） ψ 2 -1.0278 0.6797* -0.7675* 1.0267** 0.8760** -0.0026** 0.5629** -1.5000 -0.2060** 0.5152*** 0.9515** 0.0372 -0.0950* -0.3773* MA（3） ψ 3 -0.5181 0.4804* 0.1047* -0.8767* -0.0202** -0.9056** 0.8924** -0.3052* -0.9406** 0.3559 0.2914** -0.6843** MA（4） ψ 4 0.4441 0.7814* -0.0249** 0.0384** 0.0248** 0.7703 0.5608* 0.6245 MA（5） ψ 5 -0.4376 Variance （方差） CNGB CNB CNS CNF CNO EUGB EUB EUS EUF EUO USGB USB USS USF USO Constant α 0 0*** 0*** 0** 0*** 0*** 0 0*** 0*** 0*** 0*** 0*** 0** 0*** 0*** 0*** GARCH （1） α 1 0 0.8797** 0.9107 ** 0 0.8909 ** 0.8841** 0.1077 0.4523 0.9501*** 0.8895** 0.8689** 0.9549 *** 0.8494 ** 0.0046** 0.7343 ** GARCH （1） α 2 0.3625* 0.7415 0 0.7109 0.3461 0 ARCH（1） β 1 0.4211 0.0744* 0** 0.1187** 0.0241 ** 0.0502*** 0.0314** 0** 0.0432** 0.0327** 0.0779 ** 0.0167 *** 0** 0.0358 ** 0.0691 ** ARCH（2） β 2 0.0809* 0.0399* 0.0783** 0.0569** 0.0592** 0.0087** Leverage （1） γ 1 -0.0360 0.0094* 0.0734* 0.0930** 0.1199 ** 0.0506** 0.0040** 0.3550* -0.0040** 0.1156** 0.0111** 0.0563 ** 0.2924* 1.0000 0.1885 * Leverage （2） γ 2 0.3069 -0.0399* -0.0582* 0.0726** 0.0619** -0.0087* DoF ν 2.6485 4.9418 3.8765 3.6124 5.4616 5.8628 5.2611* 5.7712 7.9883 5.3762 6.2263 7.5806 3.4638 2.9004 2.9976 No. of Obs. 1859 1859 1859 1859 1859 1859 1859 1859 1859 1859 1859 1859 1859 1859 1859 AIC -21526.0 -12665.9 -11316.8 -17561.1 -8863.6 -17778.8 -17320.7 -12514.5 -14802.5 -9131.7 -18091.1 -8789.7 -12975.3 -15691.1 -8964.6 BIC -21432.6 -12594.5 -11228.9 -17484.2 -8803.2 -17712.5 -17237.8 -12481.3 -14730.6 -9059.8 -18019.2 -8739.9 -12903.4 -15608.1 -8892.6 注***、**、* 分别表示显著水平为 1、 5、10 33CHINABOND 2022 July 创刊10周年获奖佳作专辑下范围中选择 p,q ∈ {0,1,2,3,4,5}, m,n,s ∈ {0,1,2} 不同资产的均值方程具有不同的滞后长度，其中，欧元区股票（EUS）在均值成分中没有动态项。至于波动率方程，所有资产的收益都有显著的 GARCH 和 ARCH 项，说明存在条件异方差或波动率聚类特征。三个区域内的资产都存在杠杆效应，意味着负面冲击往往会产生更大的波动。为检测厚尾，我们假设边际分布服从 t 分布。 t 分布自由度越低意味着尾巴越粗，其自由度高于 20 时收敛于正态分布。本文中所有估计的自由度都小于8，显示出明显的厚尾特征。相比之下，中国的绿色债券往往自由度更低或尾部风险更大。（三）Copula 函数我们基于边际分布模型的残差估计了绿色债券和每个资产之间的关系。表4展示了常用的 Copula 模型的估计结果。对于静态模型，我们估计了Normal、 Student’s t、Clayton、Rotated Clayton 和 SJC Copula 分布，以便显示稳健性并方便模型选择。依据等式（5）和（6），我们还计算了相关系数 ρ 以及尾部相关性。结果发现，Normal Copula 没有尾部相关（ τ L τ U 0），Student ’s t 假设对称尾部相关且对于所有资产都是正的（ τ L τ U 0）。这一结果意味着当某种资产遭受罕见负面冲击时，绿色债券很可能也会经历罕见负面冲击。请注意，表 4 常见 Copulas 模型的预测结果模型类型指标 CNB CNS CNF CNO EUB EUS EUF EUO USB USS USF USO Normal ρ -0.478*** -0.046* -0.02 -0.004 0.8668** -0.1035* -0.0944 -0.1173 -0.400*** -0.054** -0.597*** -0.01 τ L τ U 0 0 0 0 0 0 0 0 0 0 0 0 AIC -466.4 -1.82 1.248 1.965 -2623.6 -17.69 -21.97 -19.11 -318.07 -3.374 -805.21 1.812 Student’s t ρ -0.457*** -0.050** -0.02 -0.001 0.8818 ** -0.1218 -0.0898* -0.1221 -0.427*** -0.063** -0.612*** -0.005 DoFν 4.375*** 8.816*** 99.99*** 28.28*** 4.723*** 8.016*** 4.651*** 9.619*** 4.423*** 7.036*** 4.041*** 8.619*** τ L τ U 0.0126 0.0093 0 0 0.0052 0.0256 0.0248 0.0243 0.0144 0.0166 0.0059 0.0124 AIC -533.5 -19.864 3.539 2.103 -2984.8 -78.16 -31.30 -36.25 -416.34 -36.7 -913.11 -19.51 Clayton ρ 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0134 0.0001 0.0001 0.0001 0.0134 τ L 0 0 0 0 0 0 0 0 0 0 0 0 AIC 2.132 2.014 2.01 2.007 2.195 2.031 2.126 1.334 2.099 2.001 2.166 1.639 Rotated Clayton ρ 0.0001 0.0043 0.0001 0.0182 0.0001 0.0001 0.0001 0.0082 0.0001 0.0001 0.0001 0.0082 τ U 0 0 0 0 0 0 0 0 0 0 0 0 AIC 2.128 1.962 2.005 1.438 2.116 2.001 2.016 1.215 2.096 2.007 2.16 1.875 SJC τ U 0 0*** 0*** 0 0 0*** 0 0** 0 0*** 0 0** τ L 0 0*** 0*** 0*** 0 0*** 0 0 0 0*** 0 0 AIC 59.776 8.082 8.798 5.983 52.182 8.161 8.253 4.154 49.982 8.261 74.253 4.551 注***、**、* 分别表示显著水平为 1、 5、10 34 债券 2022.7 创刊10周年获奖佳作专辑不要将尾部相关性与相关系数混淆，相关系数是衡量线性相关性的指标。事实上，估计大多数 ρ 都是负的（ ρ0时，对冲投资组合包含绿色债券的多头头寸。而当 w * gt 0时，则通过持有绿色债券的空头头寸来对冲该投资组合。协方差和方差是基于 TGARCH 模型估计的边际分布的条件预测。图4展示了三个区域选定金融资产的时变最优 HW w * gt 。无论在疫情发生前还是发生后，绿色债券与三个区域普通债券均存在比较一致的密切相关性。这表明普通债券市场和绿色债券市场是由相似的因素决定的，如货币政策、绿色技术进步。相比之下，绿色债券与其他市场（例如股票市场和外汇市场）的关系在三个区域之间存在明显差异，尤其是在疫情初期。在短期内，疫情似乎降低了金融资产与绿色债券之间的相关性。这意味着在罕见尾部风险期间，绿色债券的对冲作用降低。其他有影响的事件也会暂时扰乱相关性，如 2018 年以来中美贸易摩擦和2020年初的油价暴跌，面对突发灾害的风险冲击，选择绿色债券投资已经成为当前国际资本的新趋势。中国绿色债券发行规模已处于世界前列，在疫情发生后，选择中债-中国绿色债券指数作为投资标的对于人民币汇率投资的对冲效应显著增强，表现为较低的对冲权重产生较大的对冲有效性；虽然对普通债券、股票和大宗商品的对冲效应有所减弱，但是中美之间对冲效应的差距在逐步收窄。 38 债券 2022.7 创刊10周年获奖佳作专辑一是中国绿色债券在疫情发生前的对冲效应通常弱于美国，部分资产的对冲效应强于欧元区。但自疫情发生以来，中美差距变小甚至相等（如债券市场）。这说明中国绿色债券近年来相较于美国发展迅速。事实上，中国的绿色债券发行量超过全球的三分之一。表6 还显示，在疫情发生前，欧洲绿色债券的对冲效应均弱于中美，但是在疫情发生后，由于其规模的增长，欧洲绿色债券的对冲权重已经超过中美，虽然对冲有效性仍为负，但是逼近 0。二是疫情作为尾部风险对绿色债券对冲效应的影响存在区域差异。在中国市场，提升了对汇率市场的对冲效果，但是降低了绿色债券对债券、股票和石油的对冲效果（此效果仍为正）；美国市场的债券股票与中国市场类似，但是美元指数和石油的对冲效果增加了；欧洲市场仅股票市场的对冲效果降低，债券、汇率和石油市场的对冲效应均增强，但是债券对冲效果仍为负。总之，疫情期间的最优 HW在不同区域内对不同资产均出现了增强，这意味着绿色债券在极端时期存在显著的对冲效应，只是和正常时期比有所减弱。事实上，最近有关替图 4 中、欧、美三区域内绿色债券投资最优对冲权重观测注蓝线是美国绿色债券与其他资产的相关性，绿线是欧洲绿色债券与其他资产的相关性，红线是中国绿色债券与其他资产的相关性。阴影区域表示疫情期间 fd Bs -å5Í. *ñKK *ñKK *ñKK *ñKK 表 6 疫情发生前后绿色债券的对冲权重（HW）和对冲有效性（HE）资产类别指标中国欧洲美国疫情前疫情期间疫情前疫情期间疫情前疫情期间普通债券 HW 6.34 4.95 -1.28 19.22 8.33 4.95 HE 12.93 10.08 -9.54 -0.35 17.36 10.16 股票投资 HW 1.53 1.11 9.72 8.94 11.61 7.53 HE 3.00 2.21 18.67 17.23 22.71 14.83 汇率投资 HW 20.96 12.66 18.82 26.50 17.41 21.45 HE 19.57 21.24 33.02 43.48 30.82 32.83 石油投资 HW 0.33 0.17 2.45 2.55 1.92 1.95 HE 0.66 0.35 4.91 5.10 3.86 3.92 但这种影响是短暂的。从等式（10）可以直接看出，对冲资组合的多样化收益取决于基础资产之间的相关性和方差。为了更好地量化绿色债券的多样化收益，需要一个指标证明对冲是有效的。而 Ku 等（2007）提出了这一基于风险降低的套期有效性（ HE）衡量方法 HE . （10）表6对比了疫情发生前后三个区域内绿色债券的最优 HE 和 HE，从中有如下两个重要发现。 39CHINABOND 2022 July 创刊10周年获奖佳作专辑代对冲资产的文献，如Kang等（2021）对布伦特石油的研究、Sal