论文部分内容阅读
摘 要：本文利用GARCH类模型度量了2017—2020年中美贸易摩擦期间我国股票市场、债券市场及外汇市场的流动性风险水平及风险传染程度，之后利用改进的事件分析法，量化分析了中美贸易摩擦对金融市场间流动性风险传染的溢出效应、水平效应和趋势效应。研究结果表明，中美贸易摩擦事件对流动性风险传染的溢出效应显著，风险共担和投资者资产配置调整是该溢出效应产生的主要原因;从统计显著性、效应大小和影响持久度来看，金融市场间流动性风险传染的水平效应和趋势效应有着不同的反应特征;由于贸易摩擦事件频发，导致投资者产生惯性预期，进而出现“贸易摩擦事件尚未发生、流动性风险传染便已上升”的现象。本文不仅为研究金融市场风险提供了流动性的新视角，也为政策制定者防控流动性风险提供参考。
关键词：中美贸易摩擦;流动性溢出;流动性风险传染;事件分析法
中图分类号：F830.91 文献标识码：A 文章编号：1674-2265（2021）06-0010-09
DOI：10.19647/j.cnki.37-1462/f.2021.06.002
一、引言
2017年8月14日，美国前总统特朗普授权贸易代表对中国企业展开“301调查”，中美贸易战正式打响。2018年3月，美国根据“301调查”结果，对从中国进口的多项产品大规模加征关税。此后，中美经贸关系紧张，中方政府在积极寻求协商解决中美贸易摩擦的同时作出适当反击。随着中美贸易摩擦逐步升级，贸易战作为负向冲击给中美两国经济带来的负向影响逐渐显现，在此期间，中美进行了多次贸易磋商，使得贸易摩擦有所缓和，但迄今没有取得实质性进展。当前，我国金融市场发展尚不完善，抵御外部冲击的能力较弱，中美贸易摩擦事件对中国金融市场的影响不可小觑。
流动性是金融市场健康稳定发展的基础，是衡量市场质量的重要指标之一，从流动性角度出发，考察中美贸易摩擦事件对金融市场的影响，对于我国打好防范化解金融风险攻坚战具有十分重要的现实意义。股票市场、债券市场和外汇市场是我国金融市场的重要组成部分，图1展示了中美贸易摩擦持续升级期间，三个市场非流动性水平的变化趋势。从图中可以简要看出贸易摩擦对金融市场流动性的影响：股票市场流动性水平在中美贸易摩擦期间明显降低，债券市场流动性水平整体平稳，但先后多次出现不同幅度的波动小高峰，外汇市场非流动性水平在中美贸易摩擦初期最高。
中美贸易摩擦对金融市场流动性水平影响的大体趋势可以从以上分析结果中直观得出，但是，以上描述性分析没有刻画出贸易摩擦对跨市场风险传染的影响，也没有剥离开其他因素对金融市场流动性的影响。然而，不同宏观环境下金融市场间相关关系及其风险传染是研究者关注的核心内容（Reboredo等，2016;王茵田和文志瑛，2010;李广众等，2014;梁琪等，2015;周爱民和韩菲，2017;杨子晖等，2020）[1-6]。基于此，本文从流动性视角出发，着重量化分析中美贸易摩擦对股票市场、债券市场和外汇市场间流动性风险传染的影响及其动态影响路径。
宫晓琳（2012）[7]研究指出金融风险传染可定义为外部冲击发生后，各金融市场间宏观经济及金融市场层面的风险联动增加。当市场受到外部冲击后，市场间联动性会显著上升，如果市场间的关联程度很高，那么，单个局部的风险很容易演变成系统性风险（张宗新等，2020）[8]。由于近年来中美贸易摩擦、经济政策不确定性事件和重大公共卫生事件等外部冲击事件频发，越来越多的学者开始关注外部冲击事件对金融市场的影响。例如，王茹婷等（2019）[9]基于HAR-RV事件拓展模型发现中美贸易摩擦事件对中国金融市场波动率产生迅速且短暂的冲击。方意等（2020）[10]将新冠肺炎疫情作为冲击事件，从收益率角度分析了新冠肺炎疫情事件对中国主要金融市场自身风险及市场间风险传染的溢出效应。
相关研究已经证明，外部冲击会对金融市场风险传染产生影响，那么是何种因素导致了这一影响？一方面，外部冲击对金融市场风险的影响机制可以分为两类：一类是通过影响金融市场基本面因素导致金融市场的异常波动，如投资者构成比例（Clarke等，2006;Bartram等，2012;蔡庆丰和宋友勇，2010）[11-13];另一类是通过影响投资者情绪，尤其是非理性的个人投资者情绪对金融市场风险产生影响（Lakonishok等，1994;杨晓兰等，2016;陈其安和雷小燕，2017;陈庭强等，2020）[14-17]。另一方面，有关金融市场之间风险传染机制可以归结为两类：一类是风险共担机制，Fleming 等（1998）[18]证明了由于共同信息的作用，比如通货膨胀，导致股票、债券两个金融市场之间存在波动联系，且这些共同信息同时影响多个市场的投资者预期;第二类是投资者资产配置调整机制（Goyenko和Ukhov，2009）[19]，即跨市场风险对冲行为，当外部冲击改变投资者的预期时，交易者会调整他们的资产持有量，从而产生市场间联动效应。金融市场间的高度相关性，加大了金融市场风险演变为金融系统性风险的可能性（方意，2016;李政等，2016）[20，21]。因此，关注不同市场间流动性风险传染及其背后原因，对于优化资源配置、防范金融风险和稳定市场尤为重要。
中美贸易摩擦作为负向外部冲击，其对金融市场的影响受到国内外学者的广泛关注。在股票市场层面，Burrggraf等（2020）[22]研究了和中美贸易摩擦有关的新闻事件对美国股票回报率的影响，研究结果表明，中美贸易摩擦使得股票收益率下降和VIX指数上涨。褚文臣（2020）[23]将中美贸易摩擦事件分为正向事件和负向事件，发现在负向事件后第二天买入国际贸易板块的股票可获得超额收益。在债券市场层面，Hosain和Hossain（2019）[24]认为中美贸易摩擦可能促使中国抛售美国国债，进而导致美国债券收益率上升。Tyers和Zhou（2019）[25]认为中美贸易摩擦会导致中美两国的长期债券收益率上升。在外汇市场层面，Johdo（2019）[26]分析了提高中美贸易关税对于汇率的影响，发现增加企业跨国搬迁的灵活性有利于降低关税对于汇率的影响效应。任仙玲和邓磊（2019）[27]发现有关中美贸易摩擦的网络舆情会影响人民币汇率，且影响效果与人民币汇率发展的不同阶段有关。此外，现有研究还涉及了中美贸易摩擦对金融市场整体风险的影响。例如，方意等（2019）[28]将中美贸易摩擦作为冲击事件，从收益率角度，分析了贸易摩擦对中国主要金融市場自身风险及市场间风险传染的溢出效应。陈守东和李云浩（2021）[29]发现中美贸易摩擦会影响到中美股票市场和债券市场的风险溢出状态。 综上所述，关于中美贸易摩擦如何影响金融市场，目前学术界主要从收益率的角度来进行研究，缺少从流动性的视角来考察不同贸易环境的变化如何影响金融市场流动性风险。本文以中国的股票市场、债券市场和外汇市场为核心，从金融市场流动性的视角，利用改进的事件分析法研究中美贸易摩擦对金融市场间流动性风险传染的溢出效应和动态影响过程。本文的主要贡献包括以下两个方面：第一，本文是较早采用改进的事件分析法量化分析外部冲击事件对金融市场风险传染影响的文章，且进一步说明了中美贸易摩擦对目标变量的动态演进路径。第二，以流动性为着眼点研究金融市场风险传染扩大了中美贸易摩擦对金融市场影响的研究范围，尤其是在流动性对所有交易者都至关重要的金融市场。
二、流动性风险传染机制分析
中美贸易摩擦对金融市场流动性风险的影响主要基于以下三个机制：
（一）投资者情绪影响机制
投资者情绪是指投资者对未来现金流和投资风险的系统性偏差。一方面，面对外部冲击时，不同类型的投资者产生过于乐观或悲观的投资者情绪，容易导致经济主体做出非理性的投资决策。另一方面，中美贸易摩擦事件作为一种负向外部冲击，会使投资者产生恐慌情绪，尤其对于市场中的个人投资者而言，其在获取信息方面不如机构投资者，对于金融市场的预期回报和风险预期会随着经济环境的不确定性而发生改变。因此，个人投资者更容易产生负面情绪，如焦虑和恐惧，这种恐慌情绪阻碍个人投资者作出理性判断，而非理性的投资决策对金融市场稳定产生不可预测的影响。当外部冲击事件发生时，投资者情绪机制对于金融市场的影响贯穿各个环节。
（二）风险共担机制
诸如通货膨胀、贸易摩擦等宏观信息环境的改变会导致金融市场之间产生波动联系。信息可以同时影响多个市场的投资者预期，并且由于跨市场对冲，当外部冲击改变一个市场的投资者预期时，交易者会调整他们在不同市场的持有量，进而产生信息溢出。导致某市场产生交易活动的新闻事件会通过对冲需求的变化影响其他市场，因此，跨市场的信息溢出是完全的，不可能每个市场面对不同的信息流。例如，债券市场的流动性会因股票市场事件发生波动，期货市场流动性会因债券市场事件发生波动，这种市场之间的波动联系会使得金融市场同时暴露于共同的冲击事件下，产生风险共担，导致两个金融市场的流动性向相同的方向运动。
（三）资产配置调整机制
从市场的微观角度出发，投资者的投资目标和风险偏好不尽相同，投资者的交易活动使得财富在金融市场之间转移。在面对负向外部冲击时，金融市场的流动性波动率加剧，流动性风险增加，投资者通常会重新平衡他们的投资组合，转向风险更低、流动性更强的证券资产。这种交易活动会使得金融市场流动性发生协同效应，增加整个金融体系的流动性风险。资产配置调整机制导致两个金融市场的流动性向相反的方向运动。
中美贸易摩擦作为外部冲击引发金融市场流动性风险的传导机制如图2所示，可以看出，中美贸易摩擦事件导致实体经济疲软，进而影响到金融市场;金融市场之间由于投资者情绪机制、风险共担机制和投资者资产配置调整机制使得流动性风险发生变化，变化的方向要根据传导机制的作用大小具体分析。
三、数据、变量与模型
（一）模型的选择及说明
事件分析法是由方意等（2020）[10]在事件研究法的基础上改进的，用于量化某类事件对目标变量的动态影响，其原理类似于微观政策评估中的双重差分法（DID）。本文采用改进的事件分析法，将中美贸易摩擦新闻看作是外部冲击事件，考察贸易摩擦对金融市场流动性风险传染的影响。具体做法为：以事件发生日为中心，考察被解释变量在事件发生前后的变化和显著性程度，之后再对事件影响过程的水平效应和趋势效应进行分析。溢出效应回归模型如下：
[yt=α+s=-mmβsδs+εt] （1）
其中，[yt]为被解释变量，即市场间流动性风险传染，[s]为距离贸易摩擦事件发生日的时间（交易日天数），取值范围为[-m，m]，表示事件发生前m个交易日到后m个交易日的窗口期，[δs]为事件虚拟变量，其构造方法为：
[δs=n=1Nδns，δns=1，t=ttf，n+s0， 其他] （2）
[δs]为N个事件虚拟变量的和，N为事件样本期内贸易摩擦事件发生的总件数，[δns]表示距离第[n]次贸易摩擦事件发生日期[s]个交易日的虚拟变量，[ttf，n]是第 [n]次贸易摩擦事件发生的日期，当发生日期为非交易日时，用事件发生后第一个交易日表示。
需要指出的是，外部冲击事件的影响过程不是一蹴而就的，而是需要一段时间的积累。为探究中美贸易摩擦对流动性风险传染的影响过程，本文需要构造贸易摩擦事件发生前后s天的虚拟变量，以此来分析贸易摩擦对金融市场间流动性动态相关性影响的水平效应和趋势效应。具体而言，水平效应是指外部冲击事件发生以后被解释变量值显著高于全部样本期内平均水平的程度，用公式（3）中的[?i]表示。若[?i]大于0，说明事件发生后q个交易日内，被解释变量均值较整个样本期内被解释变量均值增大了[?i];反之，若[?i]小于0，说明事件发生后q个交易日内，被解释变量均值较整个样本期内被解释变量均值减小了[?i]。趋势效应是指事件发生后被解释变量随时间变化趋势显著大于事件发生前的水平，用公式（4）中的（[ηi-θi]）表示。
[yi=αi+γi（D-q）+?iDq+εi] （3） [yi=αi+ωi×t+ψi×（D-q）+νi×Dq+θi×t×D-q+ηi×t×Dq+εi] （4）
其中，[yi]为被解释变量，[t]为时间变量，从样本起始日开始，标准化为1，每增加一天，则[t]值加1，直至样本期末。[D-q]为所有贸易摩擦事件发生前 [q]个交易日的虚拟变量。[Dq]为所有贸易摩擦事件发生当天及之后（[q-1]）个交易日的虚拟变量，[D-q]和[Dq]的设置如公式（5）（6）所示。
[D-q=nD-q，n，D-q，n=1，ttf，n-q≤t≤ttf，n-10，其他时间] （5）
[Dq=nDq，n，Dq，n=1，ttf，n≤t≤ttf，n+q-10，其他时间] （6）
[ttf，n]为[n]次贸易摩擦事件发生日，[q]的大小可根据研究需要来设定， 本文选择[q]取值为 [5， 20]。 随着[q]取值的变化，可得到中美贸易摩擦事件对流动性跨市场风险传染影响的水平效应和趋势效应的动态变化。值得注意的是，本文采用改进的事件分析法而非双重差分法（DID）是因为这种方法可以更好地通过选定窗口期来观察事件的动态影响过程。
（二）数据的选择及说明
本文选择沪深300指数、中证全债指数和美元兑人民币汇率分别作为股票市场、债券市场和外汇市场的代理变量，为覆盖2017—2020期间发生的主要中美贸易摩擦事件，本文选取2017年1月3日—2020年8月31日的日度数据，金融市场数据来源于万得数据库，在样本期内共整理了33起中美贸易摩擦事件。
本文以中美贸易摩擦事件的发生构造事件虚拟变量。中美贸易摩擦开始于2017年美国针对中国展开的“301调查”事件，后期虽进入一段较为平静的时期，贸易缓和事件发生较多，但目前为止中美贸易摩擦并未取得实质性进展，关于贸易摩擦对我国金融市场的影响还需进一步关注。
四、实证分析
（一）描述性统计分析
流动性是金融学的一个基本概念，可以定义为以低成本快速购买或出售大量资产的能力。本文借鉴Amihud等（2002）[30]提出的关于资产非流动性比率的構造方法，提出非流动性水平日度指标的构造方法如下：
[Illiq=rtvt] （7）
其中，[vt]是资产在第[t]天的交易金额或交易量，[rt]是资产在第[t]个交易日的对数收益率的绝对值。为计算方便，我们将非流动性指标扩大 109。
各金融市场非流动性水平的描述性统计与相关检验如表1所示①，可以看出，各金融市场非流动性序列均为平稳时间序列，观察其分布状态，可以看出各序列均呈右偏态，峰值均大于3，且JB统计量在1%的显著性水平下拒绝正态分布的假设，说明各序列均表现出“尖峰厚尾”的非正态分布特征，因此，在参数估计时可以考虑残差服从t分布。通过ARCH检验可以发现，残差平方序列均在1%的显著性水平下呈现出自回归特征，说明非流动性序列波动和历史波动有关，ARCH效应显著，因此，可以使用GARCH类模型进行建模。
（二）流动性风险的相关性时变特征
由于各金融市场非流动性时间序列具有波动聚集性和自回归特征，可以采用单变量GARCH（1，1）模型估计出各市场的流动性动态条件波动率，并以此作为衡量市场流动性风险指标。各金融市场的流动性风险走势如图3所示，可以得到以下结论：第一，股票市场流动性的高波动率聚集在中美贸易摩擦集中发生期，可以直观看出中美贸易摩擦提高了股票市场流动性风险。第二，债券市场流动性风险整体处于较低水平且波动较股票市场更为平稳，但在中美贸易摩擦时期多次出现大幅度增加。此结论同张宗新（2020）[8]结论一致，外部冲击对股票市场的短期波动影响大于债券市场。第三，无论是在中美贸易摩擦发生前还是发生后，外汇市场的流动性波动率都较大，且在中美贸易摩擦初期流动性风险达到最大，这是因为导致汇率市场波动的因素较为复杂，包括宏观基本面因素、经济政策不确定性程度、石油价格和全球资本流动等。
以上给出了金融市场流动性波动率的时间走势，那么各金融市场流动性风险是否具有相关性？我们采用DCC-GARCH模型估计金融市场之间动态相关关系，模型参数估计结果如表2所示，其中[θ1]、[θ2]是动态相关参数，V是联合分布的形态参数，参数均为正值且显著，参数[θ1]说明滞后一期的标准化残差对动态相关系数有显著影响，参数[θ2]接近于1说明相关性具有很强的持续性。我们求得金融市场间流动性波动率的动态相关系数，并作出跨市场流动性风险走势图（见图4）。从图4可以发现，股票市场与债券市场（以下简称股债市场）之间流动性风险传染介于0.05—0.35之间，以正向传染为主，且2017—2019年两个市场之间流动性风险传染总体呈下降趋势 ;股票市场与外汇市场（以下简称股汇市场）之间流动性风险传染在-0.4—0.4之间，且在中美贸易摩擦事件频发期间出现了更多的正向传染，相关性系数得到了一定的提高;债券市场与外汇市场（以下简称债汇市场）之间流动性以负向风险传染为主，在中美贸易摩擦集中期出现更多的正向风险传染，在这一时期，债汇市场流动性风险的联动效应有所提高。
（三）贸易摩擦对跨市场流动性风险的溢出效应
前文已经采用DCC-GARCH模型证明在正常时期金融市场之间存在流动性风险传染，在此基础上，本节进一步采用事件分析法分析中美贸易摩擦对跨市场流动性风险传染带来的额外溢出效应（依据式（1））。其中，被解释变量为金融市场间的动态相关系数，解释变量为由中美贸易摩擦事件构造的虚拟变量序列，本节将事件窗口确定为贸易摩擦事件发生前10个交易日到后10个交易日共21天，即（-10，10）。
表3展示了中美贸易摩擦对跨市场流动性风险的溢出结果，对比三组回归结果可知，中美贸易摩擦事件尚未发生，金融市场之间的流动性风险传染就已经受到显著影响，说明投资者对贸易摩擦事件的发生存在预期效应;从溢出效应的方向和时间长短来看，股债市场之间的流动性风险传染受到贸易摩擦的负向溢出效应，溢出效应的时长为事件发生前5个交易日至事件发生后的7个交易日，而中美贸易摩擦对股汇市场及债汇市场之间的溢出效应为正向，在选定窗口期内溢出效应时长均约为事件发生前10个交易日至事件发生后2个交易日;对比显著性程度可知，股汇市场之间受到的溢出效应大体在1%的水平下显著，即股汇市场之间的流动性风险传染受到的溢出效应显著性更强，究其原因，股票市场和外汇市场上的投资者构成较为复杂，除机构投资者之外，还有大量散户参与投资，和理性的机构投资者相比，这些散户投资者更容易受到外部冲击事件的影响。 为解释此现象，本文引入前文所述的两个机制：第一，由于风险共担机制的作用，在金融市场面对同一负向冲击时，金融市场之间发生流动性协同运动，导致市场之间流动性动态相关性增强;第二，由于投资者资产配置调整机制发挥作用，当冲击发生时，一些避险投资者倾向于选择低风险资产（包括资本外流），这些交易活动导致金融市场之间流动性发生反方向变动。结合溢出效应的方向来看，本文认为贸易摩擦对股债市场流动性风险传染的溢出效应更多地是由资产配置调整机制所致，对股汇市场和债汇市场之间的流动性风险传染的溢出效应更多地是由风险共担机制所致。
（四）贸易摩擦对跨市场流动性风险的动态影响路径
不同于方意等（2019）[28]从收益率的角度进行研究，本文以流动性为研究视角，进一步探究中美贸易摩擦对金融市场风险传染影响的动态演进路径，即贸易摩擦作为外生冲击事件对跨市场流动性风险影响的水平效应和趋势效应（依据式（3）和（4））。贸易摩擦前的水平效应的大小用式（3）中[D-q]前的回归系数[γi] 表示，贸易摩擦后的水平效应的大小用式（3）中[Dq]前的回归系数[?i]表示，系数大小代表了贸易摩擦前后不同金融市场间动态相关系数的均值相对于整个样本期内均值的变化。趋势效应大小表示较之贸易摩擦前[q]个交易日，贸易摩擦之后[q]个交易日内金融市场间动态相关系数随时间的变化趋势。根据式（4），趋势效应的大小可由（[ηi-θi]） 表示。其中，[θi]为虚拟变量[D-q]与时间变量[t]的交互项回归系数，[ηi]为虚拟变量[Dq]与时间变量[t]的交互项回归系数。
图5左图表示水平效应的走势，可以得到如下结论：第一，相对于样本均值，中美贸易摩擦前后股债市场流动性动态相关系数均值低于样本均值，而股汇市场和债汇市场的动态相关系数均值高于样本均值。第二，随着[q]取值增大，中美贸易摩擦对各市场间流动性动态相关性影响的水平效应绝对值呈现出逐渐减小的趋势。即距离中美贸易摩擦事件发生日越近，水平效应越大;距离中美贸易摩擦事件发生日越远，水平效应越小;随着[q]取值的增大，跨市场流动性风险水平逐步向整体样本均值靠近，流动性风险受到的影响逐渐减小。第三，由于贸易摩擦事件连续频发，各金融市场的投资者会对贸易摩擦产生惯性预期，具体而言，在贸易摩擦事件发生前，市场间的动态相关系数就已经出现增大趋势，产生预期效应，与前文所得结论一致。
图5右图表示趋势效应的走势，可以得到如下结论：第一，中美贸易摩擦对跨市场流动性风险均产生显著正向趋势效应。第二，距离贸易摩擦事件发生日越长，股债市场和股汇市场的趋势效应越大，直到q取20仍未收敛，再一次印证了前文所言，即当负向冲击事件发生之后，造成金融市场的直接损失，并且这一损失会被放大，增大金融市场的流动性风险。初始冲击被放大之后，需要大于20个交易日的时间来消化，因此，与水平效应相比，股债市场和股汇市场的趋势效应表现得更为持久。债汇市场的流动性动态相关性的趋势效应先是逐渐增大，在贸易摩擦事件发生后的15—20个交易日内逐渐向0收敛，这说明债汇市场之间的流动性抵御该冲击的能力较强。第三，中美贸易摩擦对市场间流动性相关关系影响的趋势效应显著性水平相同，但效应大小不同，对股汇市场之间流动性相关关系的趋势效应高于股债市场和债汇市场，即在受到贸易摩擦之后，股汇市场的流动性风险传染随时间变化的趋势效应更强。
（五）稳健性检验
本文通过更换样本区间的方法进行稳健性检验：一是将样本区间缩短为中美贸易摩擦发展集中期阶段，即2017年1月1日—2018年8月31日，检验在新的样本期内贸易摩擦冲击对跨市场流动性风险的影响。如表4、图6所示，贸易摩擦对跨市场流动性风险的溢出效应方向、水平效应走势、趋势效应走势等与前文主要结论基本保持一致，结果稳健。二是为剥离开2020年初爆发的新冠疫情事件对流动性风险的影响，本文将样本期缩短为疫情暴发前阶段2017年1月1日—2019年12月31日，结果稳健，由于篇幅所限，结果不再展示。
五、结论与建议
基于改进的事件分析法，本文围绕中美贸易摩擦对金融市场间流动性的影响展开研究，进一步量化分析了中美贸易摩擦对金融市场间流动性相关关系影响过程的水平效应和趋势效应。这为研究外部冲击对金融市场流动性的影响提供了一种较为准确的研究方法，也为金融市场防范流动性风险传染提供了必要参考。本文得出的结论可以概括为以下四点：第一，金融市场间流动性关联性显著。DCC-GARCH 模型可以识别不同金融市场流动性的波动性及其动态相关关系，从波动情况来看，股票市场波动较为剧烈，外汇市场次之，债券市场整体较为平稳;从动态相关性来看，三个金融市场之间均存在显著的流动性动態联动性。第二，债券资产抵御外部冲击能力更强。中美贸易摩擦对金融市场间流动性相关关系存在溢出效应，但溢出效应方向、时长和显著程度均存在差异，中美贸易摩擦对股债市场之间流动性风险传染的冲击主要受到资产配置调整机制的影响，故以负向溢出为主，这说明投资者在负向冲击下进行资产配置调整时，更倾向于追求风险更低的债券资产。第三，风险持续期较长。中美贸易摩擦对市场间流动性动态相关关系的影响有显著的水平效应和正向趋势效应，股债市场和股汇市场之间的趋势效应更为持久，债汇市场之间的趋势效应逐渐向零收敛。说明中美贸易摩擦对流动性的影响在市场关联性等放大机制的作用下进一步增加，拉长趋势效应持续时间。第四，连续的中美贸易摩擦冲击会使投资者产生惯性预期，进而导致流动性风险上升。
本文的研究结论表明，在负向外部冲击事件的影响下，金融市场流动性出现不同程度的波动。基于此，本文提出如下四个政策建议：第一，防止金融市场间的流动性风险过度关联。我国金融市场由于面临相似的监管环境，且存在金融机构“报团取暖”、投资者羊群效应等现象，金融市场的关联性较强。然而Acemoglu 等（2015）[31]研究表明，金融市场的关联性也应该确定在一个合理的范围之内，否则当外部冲击过大时，金融市场之间的关联性以风险传染效应为主，导致冲击被放大。因此，金融监管部门应当参照学术界测算金融机构与行业间关联性的模型进行合理监管。第二，发挥债券市场的避险作用。在中美贸易摩擦冲击面前，债券市场可以作为投资和避险工具，我国应大力发展和完善债券市场，活跃债券市场交易，为市场投资者提供更多元、更富有流动性的投资和避险工具。第三，合理规划引导资金流向，适当增加损失准备。中美贸易摩擦等负向外部冲击对金融市场的影响并非一蹴而就，其趋势效应持续时间较长，为维持金融体系稳定，应做好持续的防御冲击准备。第四，释放利好信息。市场信息是流动性风险监管的一个重要指标（李延军和贺佳宁，2020）[32]，在遭受连续的贸易摩擦冲击时，投资者会产生预期效应，因此，政策制定者应该合理引导投资者预期，释放利好信息，对冲投资者的惯性预期。 注：
①利用 Amihud 非流动性比率计算股票、债券和外汇市场的流动性时，由于三者性质的差异性，三组流动性序列在量纲上可比，但量级上不可比，因此，不具有横向可比性。
参考文献：
[1]Reboredo J C，Rivera-Castro M A，Ugolini A. 2016. Downside and Upside Risk Spillovers Between Exchange Rates and Stock Prices [J].Journal of Banking &Finance，Vol. 62.
[2]王茵田，文志瑛.股票市场和债券市场的流动性溢出效应研究 [J].金融研究，2010，（3）.
[3]李广众，杨子晖，杨铠维.汇率波动性与股市收益率联动性——来自国际样本的经验证据 [J].金融研究，2014，（7）.
[4]梁琪，李政，郝项超.中国股票市场国际化研究：基于信息溢出的视角 [J].经济研究，2015，50（4）.
[5]周爱民，韩菲.股票市场和外汇市场间风险溢出效应研究——基于GARCH-时变Copula-CoVaR模型的分析[J].国际金融研究，2017，（11）.
[6]杨子晖，陈雨恬，张平淼.股票与外汇市场尾部风险的跨市场传染研究 [J].管理科学学报，2020，23（8）.
[7]宫晓琳.宏观金融风险联动综合传染机制 [J].金融研究，2012，（5）.
[8]张宗新，林弘毅，李欣越.经济政策不确定性如何影响金融市场间的流动性协同运动？——基于中国金融周期的视角 [J].统计研究，2020，37（2）.
[9]王茹婷，李文奇，黄诒蓉.贸易摩擦、日内跳跃与股市波动——基于中国高频数据的经验证据 [J].国际金融研究，2019，（12）.
[10]方意，于渤，王炜.新冠疫情影响下的中国金融市场风险度量与防控研究 [J].中央财经大学学报，2020，（8）.
[11]Clarke G R G，Xu，L C，Zou H F. 2006. Finance and Income Inequality：What Do the Data Tell Us？ [J].Southern Economic Journal，Vol. 72，No. 3.
[12]Bartram S M，Brown G，Stulz R M. 2012. Why Are U. S. Stocks More Volatile？ [J].Journal of Finance，Vol. 67，No. 4.
[13]蔡庆丰，宋友勇.超常规发展的机构投资者能稳定市场吗？——对我国基金业跨越式发展的反思 [J].经济研究，2010，45（1）.
[14]Lakonishok J，Shleifer A，Vishny R W. 1994. Contrarian Investment，Extrapolation，and Risk [J].The Journal of Finance，Vol. 49，No. 5.
[15]杨晓兰，沈翰彬，祝宇.本地偏好、投资者情绪与股票收益率：来自网络论坛的经验证据 [J].金融研究，2016，（12）.
[16]陈其安，雷小燕.货币政策、投资者情绪与中国股票市场波动性：理论与实证 [J].中国管理科学，2017，25（11）.
[17]陈庭强，马百超，李心丹.投资者情绪、偿债能力与CDS交易对手流动性风险传染 [J].系统工程理论与实践，2020，40（3）.
[18]Fleming J，Kirby C，Ostdiek B. 1998. Information and Volatility Linkages in the Stock，Bond，and Money Markets [J].Journal of Financial Economics，Vol. 49，No. 1.
[19]Goyenko R Y，Ukhov A D. 2009. Stock and Bond Market Liquidity：A Long-Run Empirical Analysis [J].Journal of Financial &Quantitative Analysis，Vol. 44，No. 1.
[20]方意.系統性风险的传染渠道与度量研究——兼论宏观审慎政策实施 [J].管理世界，2016，（8）.
[21]李政，梁琪，涂晓枫.我国上市金融机构关联性研究——基于网络分析法 [J].金融研究，2016，（8）.
[22]Tobias Burggraf，Ralf Fendel，Toan Luu Duc Huynh. 2020. Political News and Stock Prices：Evidence from Trump’s Trade War [J].Applied Economics Letters， 27（18）.
[23]褚文臣.中美贸易摩擦对国际贸易板块的冲击——基于事件研究法 [J].财务与金融，2020，（2）.
[24]Hosain Sajjad，Hossain Saddam. 2019. US-China Trade War：Was It Really Necessary？ [J].International Journal of Business and Economics，4（1）.
[25]Tyers Rod，Zhou Yixiao. 2019. The US-China Trade Dispute：A Macro Perspective [R].SSRN Working Paper. [26]Johdo W. 2019. Tariffs，the Exchange Rate，and Location [J].Economics Bulletin，39（2）.
[27]任仙玲，鄧磊.网络舆情对人民币汇率的冲击效应——基于中美贸易摩擦事件 [J].管理科学，2019，32（6）.
[28]方意，和文佳，荆中博.中美贸易摩擦对中国金融市场的溢出效应研究 [J].财贸经济，2019，40（6）.
[29]陈守东，李云浩.贸易摩擦状态下股市与债市风险溢出的结构性变化研究 [J].湖北大学学报（哲学社会科学版），2021，48（2）.
[30]Amihud Y. 2002. Illiquidity and Stock Returns： Cross-section and Time-series Effects [J].Journal of Financial Markets，5（ 1）.
[31]Acemoglu D，Ozdaglar A，Tahbaz-Salehi A. 2015. Systemic Risk and Stability in Financial Networks[J].American Economic Review.
[32]李延军，贺佳宁.信息不对称对股指期现货市场流动性不稳定的预警研究 [J].金融发展研究，2020，（10）.
Research on the Liquidity Risk Contagion and Controlling of China's Financial Market
——Based on the Impact of China-US Trade Friction
Li Yanjun1/Bai Yunfang1/Wang Shihui2
（1.School of Economics and Management，Hebei University of Technology，Tianjin 300401，China;
2.Jinneng Holding Group，Ltd.，Datong 037003，Shanxi，China）
Abstract：This paper calculates the liquidity risk level and risk contagion degree of China's stock market，bond market and foreign exchange market by using the GARCH model during the period of China-US trade friction from 2017 to 2020. Then，it quantitatively analyzes the spillover effect，horizontal effect and trend effect of China-US trade friction on liquidity risk contagion across financial markets based on the improved event analysis. The results show that：（1）China-US trade friction has significant impacts on the spillover effect of the liquidity risk contagion;（2）the horizontal and trend effects of liquidity risk contagion among financial markets have different response characteristics in terms of statistical significance，effect size and impact persistence;（3）the frequent occurrence of trade frictions has led to inertia in investors' expectations，resulting in the phenomenon of "liquidity risk contagion rising even before trade frictions occur". This paper not only provides a new perspective of liquidity for the study of financial market risks，but also offers reference for policy makers to prevent and control liquidity risks.
Key Words：China-US trade friction，liquidity spillover，liquidity risk contagion，event analysis
关键词：中美贸易摩擦;流动性溢出;流动性风险传染;事件分析法
中图分类号：F830.91 文献标识码：A 文章编号：1674-2265（2021）06-0010-09
DOI：10.19647/j.cnki.37-1462/f.2021.06.002
一、引言
2017年8月14日，美国前总统特朗普授权贸易代表对中国企业展开“301调查”，中美贸易战正式打响。2018年3月，美国根据“301调查”结果，对从中国进口的多项产品大规模加征关税。此后，中美经贸关系紧张，中方政府在积极寻求协商解决中美贸易摩擦的同时作出适当反击。随着中美贸易摩擦逐步升级，贸易战作为负向冲击给中美两国经济带来的负向影响逐渐显现，在此期间，中美进行了多次贸易磋商，使得贸易摩擦有所缓和，但迄今没有取得实质性进展。当前，我国金融市场发展尚不完善，抵御外部冲击的能力较弱，中美贸易摩擦事件对中国金融市场的影响不可小觑。
流动性是金融市场健康稳定发展的基础，是衡量市场质量的重要指标之一，从流动性角度出发，考察中美贸易摩擦事件对金融市场的影响，对于我国打好防范化解金融风险攻坚战具有十分重要的现实意义。股票市场、债券市场和外汇市场是我国金融市场的重要组成部分，图1展示了中美贸易摩擦持续升级期间，三个市场非流动性水平的变化趋势。从图中可以简要看出贸易摩擦对金融市场流动性的影响：股票市场流动性水平在中美贸易摩擦期间明显降低，债券市场流动性水平整体平稳，但先后多次出现不同幅度的波动小高峰，外汇市场非流动性水平在中美贸易摩擦初期最高。
中美贸易摩擦对金融市场流动性水平影响的大体趋势可以从以上分析结果中直观得出，但是，以上描述性分析没有刻画出贸易摩擦对跨市场风险传染的影响，也没有剥离开其他因素对金融市场流动性的影响。然而，不同宏观环境下金融市场间相关关系及其风险传染是研究者关注的核心内容（Reboredo等，2016;王茵田和文志瑛，2010;李广众等，2014;梁琪等，2015;周爱民和韩菲，2017;杨子晖等，2020）[1-6]。基于此，本文从流动性视角出发，着重量化分析中美贸易摩擦对股票市场、债券市场和外汇市场间流动性风险传染的影响及其动态影响路径。
宫晓琳（2012）[7]研究指出金融风险传染可定义为外部冲击发生后，各金融市场间宏观经济及金融市场层面的风险联动增加。当市场受到外部冲击后，市场间联动性会显著上升，如果市场间的关联程度很高，那么，单个局部的风险很容易演变成系统性风险（张宗新等，2020）[8]。由于近年来中美贸易摩擦、经济政策不确定性事件和重大公共卫生事件等外部冲击事件频发，越来越多的学者开始关注外部冲击事件对金融市场的影响。例如，王茹婷等（2019）[9]基于HAR-RV事件拓展模型发现中美贸易摩擦事件对中国金融市场波动率产生迅速且短暂的冲击。方意等（2020）[10]将新冠肺炎疫情作为冲击事件，从收益率角度分析了新冠肺炎疫情事件对中国主要金融市场自身风险及市场间风险传染的溢出效应。
相关研究已经证明，外部冲击会对金融市场风险传染产生影响，那么是何种因素导致了这一影响？一方面，外部冲击对金融市场风险的影响机制可以分为两类：一类是通过影响金融市场基本面因素导致金融市场的异常波动，如投资者构成比例（Clarke等，2006;Bartram等，2012;蔡庆丰和宋友勇，2010）[11-13];另一类是通过影响投资者情绪，尤其是非理性的个人投资者情绪对金融市场风险产生影响（Lakonishok等，1994;杨晓兰等，2016;陈其安和雷小燕，2017;陈庭强等，2020）[14-17]。另一方面，有关金融市场之间风险传染机制可以归结为两类：一类是风险共担机制，Fleming 等（1998）[18]证明了由于共同信息的作用，比如通货膨胀，导致股票、债券两个金融市场之间存在波动联系，且这些共同信息同时影响多个市场的投资者预期;第二类是投资者资产配置调整机制（Goyenko和Ukhov，2009）[19]，即跨市场风险对冲行为，当外部冲击改变投资者的预期时，交易者会调整他们的资产持有量，从而产生市场间联动效应。金融市场间的高度相关性，加大了金融市场风险演变为金融系统性风险的可能性（方意，2016;李政等，2016）[20，21]。因此，关注不同市场间流动性风险传染及其背后原因，对于优化资源配置、防范金融风险和稳定市场尤为重要。
中美贸易摩擦作为负向外部冲击，其对金融市场的影响受到国内外学者的广泛关注。在股票市场层面，Burrggraf等（2020）[22]研究了和中美贸易摩擦有关的新闻事件对美国股票回报率的影响，研究结果表明，中美贸易摩擦使得股票收益率下降和VIX指数上涨。褚文臣（2020）[23]将中美贸易摩擦事件分为正向事件和负向事件，发现在负向事件后第二天买入国际贸易板块的股票可获得超额收益。在债券市场层面，Hosain和Hossain（2019）[24]认为中美贸易摩擦可能促使中国抛售美国国债，进而导致美国债券收益率上升。Tyers和Zhou（2019）[25]认为中美贸易摩擦会导致中美两国的长期债券收益率上升。在外汇市场层面，Johdo（2019）[26]分析了提高中美贸易关税对于汇率的影响，发现增加企业跨国搬迁的灵活性有利于降低关税对于汇率的影响效应。任仙玲和邓磊（2019）[27]发现有关中美贸易摩擦的网络舆情会影响人民币汇率，且影响效果与人民币汇率发展的不同阶段有关。此外，现有研究还涉及了中美贸易摩擦对金融市场整体风险的影响。例如，方意等（2019）[28]将中美贸易摩擦作为冲击事件，从收益率角度，分析了贸易摩擦对中国主要金融市場自身风险及市场间风险传染的溢出效应。陈守东和李云浩（2021）[29]发现中美贸易摩擦会影响到中美股票市场和债券市场的风险溢出状态。 综上所述，关于中美贸易摩擦如何影响金融市场，目前学术界主要从收益率的角度来进行研究，缺少从流动性的视角来考察不同贸易环境的变化如何影响金融市场流动性风险。本文以中国的股票市场、债券市场和外汇市场为核心，从金融市场流动性的视角，利用改进的事件分析法研究中美贸易摩擦对金融市场间流动性风险传染的溢出效应和动态影响过程。本文的主要贡献包括以下两个方面：第一，本文是较早采用改进的事件分析法量化分析外部冲击事件对金融市场风险传染影响的文章，且进一步说明了中美贸易摩擦对目标变量的动态演进路径。第二，以流动性为着眼点研究金融市场风险传染扩大了中美贸易摩擦对金融市场影响的研究范围，尤其是在流动性对所有交易者都至关重要的金融市场。
二、流动性风险传染机制分析
中美贸易摩擦对金融市场流动性风险的影响主要基于以下三个机制：
（一）投资者情绪影响机制
投资者情绪是指投资者对未来现金流和投资风险的系统性偏差。一方面，面对外部冲击时，不同类型的投资者产生过于乐观或悲观的投资者情绪，容易导致经济主体做出非理性的投资决策。另一方面，中美贸易摩擦事件作为一种负向外部冲击，会使投资者产生恐慌情绪，尤其对于市场中的个人投资者而言，其在获取信息方面不如机构投资者，对于金融市场的预期回报和风险预期会随着经济环境的不确定性而发生改变。因此，个人投资者更容易产生负面情绪，如焦虑和恐惧，这种恐慌情绪阻碍个人投资者作出理性判断，而非理性的投资决策对金融市场稳定产生不可预测的影响。当外部冲击事件发生时，投资者情绪机制对于金融市场的影响贯穿各个环节。
（二）风险共担机制
诸如通货膨胀、贸易摩擦等宏观信息环境的改变会导致金融市场之间产生波动联系。信息可以同时影响多个市场的投资者预期，并且由于跨市场对冲，当外部冲击改变一个市场的投资者预期时，交易者会调整他们在不同市场的持有量，进而产生信息溢出。导致某市场产生交易活动的新闻事件会通过对冲需求的变化影响其他市场，因此，跨市场的信息溢出是完全的，不可能每个市场面对不同的信息流。例如，债券市场的流动性会因股票市场事件发生波动，期货市场流动性会因债券市场事件发生波动，这种市场之间的波动联系会使得金融市场同时暴露于共同的冲击事件下，产生风险共担，导致两个金融市场的流动性向相同的方向运动。
（三）资产配置调整机制
从市场的微观角度出发，投资者的投资目标和风险偏好不尽相同，投资者的交易活动使得财富在金融市场之间转移。在面对负向外部冲击时，金融市场的流动性波动率加剧，流动性风险增加，投资者通常会重新平衡他们的投资组合，转向风险更低、流动性更强的证券资产。这种交易活动会使得金融市场流动性发生协同效应，增加整个金融体系的流动性风险。资产配置调整机制导致两个金融市场的流动性向相反的方向运动。
中美贸易摩擦作为外部冲击引发金融市场流动性风险的传导机制如图2所示，可以看出，中美贸易摩擦事件导致实体经济疲软，进而影响到金融市场;金融市场之间由于投资者情绪机制、风险共担机制和投资者资产配置调整机制使得流动性风险发生变化，变化的方向要根据传导机制的作用大小具体分析。
三、数据、变量与模型
（一）模型的选择及说明
事件分析法是由方意等（2020）[10]在事件研究法的基础上改进的，用于量化某类事件对目标变量的动态影响，其原理类似于微观政策评估中的双重差分法（DID）。本文采用改进的事件分析法，将中美贸易摩擦新闻看作是外部冲击事件，考察贸易摩擦对金融市场流动性风险传染的影响。具体做法为：以事件发生日为中心，考察被解释变量在事件发生前后的变化和显著性程度，之后再对事件影响过程的水平效应和趋势效应进行分析。溢出效应回归模型如下：
[yt=α+s=-mmβsδs+εt] （1）
其中，[yt]为被解释变量，即市场间流动性风险传染，[s]为距离贸易摩擦事件发生日的时间（交易日天数），取值范围为[-m，m]，表示事件发生前m个交易日到后m个交易日的窗口期，[δs]为事件虚拟变量，其构造方法为：
[δs=n=1Nδns，δns=1，t=ttf，n+s0， 其他] （2）
[δs]为N个事件虚拟变量的和，N为事件样本期内贸易摩擦事件发生的总件数，[δns]表示距离第[n]次贸易摩擦事件发生日期[s]个交易日的虚拟变量，[ttf，n]是第 [n]次贸易摩擦事件发生的日期，当发生日期为非交易日时，用事件发生后第一个交易日表示。
需要指出的是，外部冲击事件的影响过程不是一蹴而就的，而是需要一段时间的积累。为探究中美贸易摩擦对流动性风险传染的影响过程，本文需要构造贸易摩擦事件发生前后s天的虚拟变量，以此来分析贸易摩擦对金融市场间流动性动态相关性影响的水平效应和趋势效应。具体而言，水平效应是指外部冲击事件发生以后被解释变量值显著高于全部样本期内平均水平的程度，用公式（3）中的[?i]表示。若[?i]大于0，说明事件发生后q个交易日内，被解释变量均值较整个样本期内被解释变量均值增大了[?i];反之，若[?i]小于0，说明事件发生后q个交易日内，被解释变量均值较整个样本期内被解释变量均值减小了[?i]。趋势效应是指事件发生后被解释变量随时间变化趋势显著大于事件发生前的水平，用公式（4）中的（[ηi-θi]）表示。
[yi=αi+γi（D-q）+?iDq+εi] （3） [yi=αi+ωi×t+ψi×（D-q）+νi×Dq+θi×t×D-q+ηi×t×Dq+εi] （4）
其中，[yi]为被解释变量，[t]为时间变量，从样本起始日开始，标准化为1，每增加一天，则[t]值加1，直至样本期末。[D-q]为所有贸易摩擦事件发生前 [q]个交易日的虚拟变量。[Dq]为所有贸易摩擦事件发生当天及之后（[q-1]）个交易日的虚拟变量，[D-q]和[Dq]的设置如公式（5）（6）所示。
[D-q=nD-q，n，D-q，n=1，ttf，n-q≤t≤ttf，n-10，其他时间] （5）
[Dq=nDq，n，Dq，n=1，ttf，n≤t≤ttf，n+q-10，其他时间] （6）
[ttf，n]为[n]次贸易摩擦事件发生日，[q]的大小可根据研究需要来设定， 本文选择[q]取值为 [5， 20]。 随着[q]取值的变化，可得到中美贸易摩擦事件对流动性跨市场风险传染影响的水平效应和趋势效应的动态变化。值得注意的是，本文采用改进的事件分析法而非双重差分法（DID）是因为这种方法可以更好地通过选定窗口期来观察事件的动态影响过程。
（二）数据的选择及说明
本文选择沪深300指数、中证全债指数和美元兑人民币汇率分别作为股票市场、债券市场和外汇市场的代理变量，为覆盖2017—2020期间发生的主要中美贸易摩擦事件，本文选取2017年1月3日—2020年8月31日的日度数据，金融市场数据来源于万得数据库，在样本期内共整理了33起中美贸易摩擦事件。
本文以中美贸易摩擦事件的发生构造事件虚拟变量。中美贸易摩擦开始于2017年美国针对中国展开的“301调查”事件，后期虽进入一段较为平静的时期，贸易缓和事件发生较多，但目前为止中美贸易摩擦并未取得实质性进展，关于贸易摩擦对我国金融市场的影响还需进一步关注。
四、实证分析
（一）描述性统计分析
流动性是金融学的一个基本概念，可以定义为以低成本快速购买或出售大量资产的能力。本文借鉴Amihud等（2002）[30]提出的关于资产非流动性比率的構造方法，提出非流动性水平日度指标的构造方法如下：
[Illiq=rtvt] （7）
其中，[vt]是资产在第[t]天的交易金额或交易量，[rt]是资产在第[t]个交易日的对数收益率的绝对值。为计算方便，我们将非流动性指标扩大 109。
各金融市场非流动性水平的描述性统计与相关检验如表1所示①，可以看出，各金融市场非流动性序列均为平稳时间序列，观察其分布状态，可以看出各序列均呈右偏态，峰值均大于3，且JB统计量在1%的显著性水平下拒绝正态分布的假设，说明各序列均表现出“尖峰厚尾”的非正态分布特征，因此，在参数估计时可以考虑残差服从t分布。通过ARCH检验可以发现，残差平方序列均在1%的显著性水平下呈现出自回归特征，说明非流动性序列波动和历史波动有关，ARCH效应显著，因此，可以使用GARCH类模型进行建模。
（二）流动性风险的相关性时变特征
由于各金融市场非流动性时间序列具有波动聚集性和自回归特征，可以采用单变量GARCH（1，1）模型估计出各市场的流动性动态条件波动率，并以此作为衡量市场流动性风险指标。各金融市场的流动性风险走势如图3所示，可以得到以下结论：第一，股票市场流动性的高波动率聚集在中美贸易摩擦集中发生期，可以直观看出中美贸易摩擦提高了股票市场流动性风险。第二，债券市场流动性风险整体处于较低水平且波动较股票市场更为平稳，但在中美贸易摩擦时期多次出现大幅度增加。此结论同张宗新（2020）[8]结论一致，外部冲击对股票市场的短期波动影响大于债券市场。第三，无论是在中美贸易摩擦发生前还是发生后，外汇市场的流动性波动率都较大，且在中美贸易摩擦初期流动性风险达到最大，这是因为导致汇率市场波动的因素较为复杂，包括宏观基本面因素、经济政策不确定性程度、石油价格和全球资本流动等。
以上给出了金融市场流动性波动率的时间走势，那么各金融市场流动性风险是否具有相关性？我们采用DCC-GARCH模型估计金融市场之间动态相关关系，模型参数估计结果如表2所示，其中[θ1]、[θ2]是动态相关参数，V是联合分布的形态参数，参数均为正值且显著，参数[θ1]说明滞后一期的标准化残差对动态相关系数有显著影响，参数[θ2]接近于1说明相关性具有很强的持续性。我们求得金融市场间流动性波动率的动态相关系数，并作出跨市场流动性风险走势图（见图4）。从图4可以发现，股票市场与债券市场（以下简称股债市场）之间流动性风险传染介于0.05—0.35之间，以正向传染为主，且2017—2019年两个市场之间流动性风险传染总体呈下降趋势 ;股票市场与外汇市场（以下简称股汇市场）之间流动性风险传染在-0.4—0.4之间，且在中美贸易摩擦事件频发期间出现了更多的正向传染，相关性系数得到了一定的提高;债券市场与外汇市场（以下简称债汇市场）之间流动性以负向风险传染为主，在中美贸易摩擦集中期出现更多的正向风险传染，在这一时期，债汇市场流动性风险的联动效应有所提高。
（三）贸易摩擦对跨市场流动性风险的溢出效应
前文已经采用DCC-GARCH模型证明在正常时期金融市场之间存在流动性风险传染，在此基础上，本节进一步采用事件分析法分析中美贸易摩擦对跨市场流动性风险传染带来的额外溢出效应（依据式（1））。其中，被解释变量为金融市场间的动态相关系数，解释变量为由中美贸易摩擦事件构造的虚拟变量序列，本节将事件窗口确定为贸易摩擦事件发生前10个交易日到后10个交易日共21天，即（-10，10）。
表3展示了中美贸易摩擦对跨市场流动性风险的溢出结果，对比三组回归结果可知，中美贸易摩擦事件尚未发生，金融市场之间的流动性风险传染就已经受到显著影响，说明投资者对贸易摩擦事件的发生存在预期效应;从溢出效应的方向和时间长短来看，股债市场之间的流动性风险传染受到贸易摩擦的负向溢出效应，溢出效应的时长为事件发生前5个交易日至事件发生后的7个交易日，而中美贸易摩擦对股汇市场及债汇市场之间的溢出效应为正向，在选定窗口期内溢出效应时长均约为事件发生前10个交易日至事件发生后2个交易日;对比显著性程度可知，股汇市场之间受到的溢出效应大体在1%的水平下显著，即股汇市场之间的流动性风险传染受到的溢出效应显著性更强，究其原因，股票市场和外汇市场上的投资者构成较为复杂，除机构投资者之外，还有大量散户参与投资，和理性的机构投资者相比，这些散户投资者更容易受到外部冲击事件的影响。 为解释此现象，本文引入前文所述的两个机制：第一，由于风险共担机制的作用，在金融市场面对同一负向冲击时，金融市场之间发生流动性协同运动，导致市场之间流动性动态相关性增强;第二，由于投资者资产配置调整机制发挥作用，当冲击发生时，一些避险投资者倾向于选择低风险资产（包括资本外流），这些交易活动导致金融市场之间流动性发生反方向变动。结合溢出效应的方向来看，本文认为贸易摩擦对股债市场流动性风险传染的溢出效应更多地是由资产配置调整机制所致，对股汇市场和债汇市场之间的流动性风险传染的溢出效应更多地是由风险共担机制所致。
（四）贸易摩擦对跨市场流动性风险的动态影响路径
不同于方意等（2019）[28]从收益率的角度进行研究，本文以流动性为研究视角，进一步探究中美贸易摩擦对金融市场风险传染影响的动态演进路径，即贸易摩擦作为外生冲击事件对跨市场流动性风险影响的水平效应和趋势效应（依据式（3）和（4））。贸易摩擦前的水平效应的大小用式（3）中[D-q]前的回归系数[γi] 表示，贸易摩擦后的水平效应的大小用式（3）中[Dq]前的回归系数[?i]表示，系数大小代表了贸易摩擦前后不同金融市场间动态相关系数的均值相对于整个样本期内均值的变化。趋势效应大小表示较之贸易摩擦前[q]个交易日，贸易摩擦之后[q]个交易日内金融市场间动态相关系数随时间的变化趋势。根据式（4），趋势效应的大小可由（[ηi-θi]） 表示。其中，[θi]为虚拟变量[D-q]与时间变量[t]的交互项回归系数，[ηi]为虚拟变量[Dq]与时间变量[t]的交互项回归系数。
图5左图表示水平效应的走势，可以得到如下结论：第一，相对于样本均值，中美贸易摩擦前后股债市场流动性动态相关系数均值低于样本均值，而股汇市场和债汇市场的动态相关系数均值高于样本均值。第二，随着[q]取值增大，中美贸易摩擦对各市场间流动性动态相关性影响的水平效应绝对值呈现出逐渐减小的趋势。即距离中美贸易摩擦事件发生日越近，水平效应越大;距离中美贸易摩擦事件发生日越远，水平效应越小;随着[q]取值的增大，跨市场流动性风险水平逐步向整体样本均值靠近，流动性风险受到的影响逐渐减小。第三，由于贸易摩擦事件连续频发，各金融市场的投资者会对贸易摩擦产生惯性预期，具体而言，在贸易摩擦事件发生前，市场间的动态相关系数就已经出现增大趋势，产生预期效应，与前文所得结论一致。
图5右图表示趋势效应的走势，可以得到如下结论：第一，中美贸易摩擦对跨市场流动性风险均产生显著正向趋势效应。第二，距离贸易摩擦事件发生日越长，股债市场和股汇市场的趋势效应越大，直到q取20仍未收敛，再一次印证了前文所言，即当负向冲击事件发生之后，造成金融市场的直接损失，并且这一损失会被放大，增大金融市场的流动性风险。初始冲击被放大之后，需要大于20个交易日的时间来消化，因此，与水平效应相比，股债市场和股汇市场的趋势效应表现得更为持久。债汇市场的流动性动态相关性的趋势效应先是逐渐增大，在贸易摩擦事件发生后的15—20个交易日内逐渐向0收敛，这说明债汇市场之间的流动性抵御该冲击的能力较强。第三，中美贸易摩擦对市场间流动性相关关系影响的趋势效应显著性水平相同，但效应大小不同，对股汇市场之间流动性相关关系的趋势效应高于股债市场和债汇市场，即在受到贸易摩擦之后，股汇市场的流动性风险传染随时间变化的趋势效应更强。
（五）稳健性检验
本文通过更换样本区间的方法进行稳健性检验：一是将样本区间缩短为中美贸易摩擦发展集中期阶段，即2017年1月1日—2018年8月31日，检验在新的样本期内贸易摩擦冲击对跨市场流动性风险的影响。如表4、图6所示，贸易摩擦对跨市场流动性风险的溢出效应方向、水平效应走势、趋势效应走势等与前文主要结论基本保持一致，结果稳健。二是为剥离开2020年初爆发的新冠疫情事件对流动性风险的影响，本文将样本期缩短为疫情暴发前阶段2017年1月1日—2019年12月31日，结果稳健，由于篇幅所限，结果不再展示。
五、结论与建议
基于改进的事件分析法，本文围绕中美贸易摩擦对金融市场间流动性的影响展开研究，进一步量化分析了中美贸易摩擦对金融市场间流动性相关关系影响过程的水平效应和趋势效应。这为研究外部冲击对金融市场流动性的影响提供了一种较为准确的研究方法，也为金融市场防范流动性风险传染提供了必要参考。本文得出的结论可以概括为以下四点：第一，金融市场间流动性关联性显著。DCC-GARCH 模型可以识别不同金融市场流动性的波动性及其动态相关关系，从波动情况来看，股票市场波动较为剧烈，外汇市场次之，债券市场整体较为平稳;从动态相关性来看，三个金融市场之间均存在显著的流动性动態联动性。第二，债券资产抵御外部冲击能力更强。中美贸易摩擦对金融市场间流动性相关关系存在溢出效应，但溢出效应方向、时长和显著程度均存在差异，中美贸易摩擦对股债市场之间流动性风险传染的冲击主要受到资产配置调整机制的影响，故以负向溢出为主，这说明投资者在负向冲击下进行资产配置调整时，更倾向于追求风险更低的债券资产。第三，风险持续期较长。中美贸易摩擦对市场间流动性动态相关关系的影响有显著的水平效应和正向趋势效应，股债市场和股汇市场之间的趋势效应更为持久，债汇市场之间的趋势效应逐渐向零收敛。说明中美贸易摩擦对流动性的影响在市场关联性等放大机制的作用下进一步增加，拉长趋势效应持续时间。第四，连续的中美贸易摩擦冲击会使投资者产生惯性预期，进而导致流动性风险上升。
本文的研究结论表明，在负向外部冲击事件的影响下，金融市场流动性出现不同程度的波动。基于此，本文提出如下四个政策建议：第一，防止金融市场间的流动性风险过度关联。我国金融市场由于面临相似的监管环境，且存在金融机构“报团取暖”、投资者羊群效应等现象，金融市场的关联性较强。然而Acemoglu 等（2015）[31]研究表明，金融市场的关联性也应该确定在一个合理的范围之内，否则当外部冲击过大时，金融市场之间的关联性以风险传染效应为主，导致冲击被放大。因此，金融监管部门应当参照学术界测算金融机构与行业间关联性的模型进行合理监管。第二，发挥债券市场的避险作用。在中美贸易摩擦冲击面前，债券市场可以作为投资和避险工具，我国应大力发展和完善债券市场，活跃债券市场交易，为市场投资者提供更多元、更富有流动性的投资和避险工具。第三，合理规划引导资金流向，适当增加损失准备。中美贸易摩擦等负向外部冲击对金融市场的影响并非一蹴而就，其趋势效应持续时间较长，为维持金融体系稳定，应做好持续的防御冲击准备。第四，释放利好信息。市场信息是流动性风险监管的一个重要指标（李延军和贺佳宁，2020）[32]，在遭受连续的贸易摩擦冲击时，投资者会产生预期效应，因此，政策制定者应该合理引导投资者预期，释放利好信息，对冲投资者的惯性预期。 注：
①利用 Amihud 非流动性比率计算股票、债券和外汇市场的流动性时，由于三者性质的差异性，三组流动性序列在量纲上可比，但量级上不可比，因此，不具有横向可比性。
参考文献：
[1]Reboredo J C，Rivera-Castro M A，Ugolini A. 2016. Downside and Upside Risk Spillovers Between Exchange Rates and Stock Prices [J].Journal of Banking &Finance，Vol. 62.
[2]王茵田，文志瑛.股票市场和债券市场的流动性溢出效应研究 [J].金融研究，2010，（3）.
[3]李广众，杨子晖，杨铠维.汇率波动性与股市收益率联动性——来自国际样本的经验证据 [J].金融研究，2014，（7）.
[4]梁琪，李政，郝项超.中国股票市场国际化研究：基于信息溢出的视角 [J].经济研究，2015，50（4）.
[5]周爱民，韩菲.股票市场和外汇市场间风险溢出效应研究——基于GARCH-时变Copula-CoVaR模型的分析[J].国际金融研究，2017，（11）.
[6]杨子晖，陈雨恬，张平淼.股票与外汇市场尾部风险的跨市场传染研究 [J].管理科学学报，2020，23（8）.
[7]宫晓琳.宏观金融风险联动综合传染机制 [J].金融研究，2012，（5）.
[8]张宗新，林弘毅，李欣越.经济政策不确定性如何影响金融市场间的流动性协同运动？——基于中国金融周期的视角 [J].统计研究，2020，37（2）.
[9]王茹婷，李文奇，黄诒蓉.贸易摩擦、日内跳跃与股市波动——基于中国高频数据的经验证据 [J].国际金融研究，2019，（12）.
[10]方意，于渤，王炜.新冠疫情影响下的中国金融市场风险度量与防控研究 [J].中央财经大学学报，2020，（8）.
[11]Clarke G R G，Xu，L C，Zou H F. 2006. Finance and Income Inequality：What Do the Data Tell Us？ [J].Southern Economic Journal，Vol. 72，No. 3.
[12]Bartram S M，Brown G，Stulz R M. 2012. Why Are U. S. Stocks More Volatile？ [J].Journal of Finance，Vol. 67，No. 4.
[13]蔡庆丰，宋友勇.超常规发展的机构投资者能稳定市场吗？——对我国基金业跨越式发展的反思 [J].经济研究，2010，45（1）.
[14]Lakonishok J，Shleifer A，Vishny R W. 1994. Contrarian Investment，Extrapolation，and Risk [J].The Journal of Finance，Vol. 49，No. 5.
[15]杨晓兰，沈翰彬，祝宇.本地偏好、投资者情绪与股票收益率：来自网络论坛的经验证据 [J].金融研究，2016，（12）.
[16]陈其安，雷小燕.货币政策、投资者情绪与中国股票市场波动性：理论与实证 [J].中国管理科学，2017，25（11）.
[17]陈庭强，马百超，李心丹.投资者情绪、偿债能力与CDS交易对手流动性风险传染 [J].系统工程理论与实践，2020，40（3）.
[18]Fleming J，Kirby C，Ostdiek B. 1998. Information and Volatility Linkages in the Stock，Bond，and Money Markets [J].Journal of Financial Economics，Vol. 49，No. 1.
[19]Goyenko R Y，Ukhov A D. 2009. Stock and Bond Market Liquidity：A Long-Run Empirical Analysis [J].Journal of Financial &Quantitative Analysis，Vol. 44，No. 1.
[20]方意.系統性风险的传染渠道与度量研究——兼论宏观审慎政策实施 [J].管理世界，2016，（8）.
[21]李政，梁琪，涂晓枫.我国上市金融机构关联性研究——基于网络分析法 [J].金融研究，2016，（8）.
[22]Tobias Burggraf，Ralf Fendel，Toan Luu Duc Huynh. 2020. Political News and Stock Prices：Evidence from Trump’s Trade War [J].Applied Economics Letters， 27（18）.
[23]褚文臣.中美贸易摩擦对国际贸易板块的冲击——基于事件研究法 [J].财务与金融，2020，（2）.
[24]Hosain Sajjad，Hossain Saddam. 2019. US-China Trade War：Was It Really Necessary？ [J].International Journal of Business and Economics，4（1）.
[25]Tyers Rod，Zhou Yixiao. 2019. The US-China Trade Dispute：A Macro Perspective [R].SSRN Working Paper. [26]Johdo W. 2019. Tariffs，the Exchange Rate，and Location [J].Economics Bulletin，39（2）.
[27]任仙玲，鄧磊.网络舆情对人民币汇率的冲击效应——基于中美贸易摩擦事件 [J].管理科学，2019，32（6）.
[28]方意，和文佳，荆中博.中美贸易摩擦对中国金融市场的溢出效应研究 [J].财贸经济，2019，40（6）.
[29]陈守东，李云浩.贸易摩擦状态下股市与债市风险溢出的结构性变化研究 [J].湖北大学学报（哲学社会科学版），2021，48（2）.
[30]Amihud Y. 2002. Illiquidity and Stock Returns： Cross-section and Time-series Effects [J].Journal of Financial Markets，5（ 1）.
[31]Acemoglu D，Ozdaglar A，Tahbaz-Salehi A. 2015. Systemic Risk and Stability in Financial Networks[J].American Economic Review.
[32]李延军，贺佳宁.信息不对称对股指期现货市场流动性不稳定的预警研究 [J].金融发展研究，2020，（10）.
Research on the Liquidity Risk Contagion and Controlling of China's Financial Market
——Based on the Impact of China-US Trade Friction
Li Yanjun1/Bai Yunfang1/Wang Shihui2
（1.School of Economics and Management，Hebei University of Technology，Tianjin 300401，China;
2.Jinneng Holding Group，Ltd.，Datong 037003，Shanxi，China）
Abstract：This paper calculates the liquidity risk level and risk contagion degree of China's stock market，bond market and foreign exchange market by using the GARCH model during the period of China-US trade friction from 2017 to 2020. Then，it quantitatively analyzes the spillover effect，horizontal effect and trend effect of China-US trade friction on liquidity risk contagion across financial markets based on the improved event analysis. The results show that：（1）China-US trade friction has significant impacts on the spillover effect of the liquidity risk contagion;（2）the horizontal and trend effects of liquidity risk contagion among financial markets have different response characteristics in terms of statistical significance，effect size and impact persistence;（3）the frequent occurrence of trade frictions has led to inertia in investors' expectations，resulting in the phenomenon of "liquidity risk contagion rising even before trade frictions occur". This paper not only provides a new perspective of liquidity for the study of financial market risks，but also offers reference for policy makers to prevent and control liquidity risks.
Key Words：China-US trade friction，liquidity spillover，liquidity risk contagion，event analysis