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。rgt=μgt+ξgt,whereξgt≡σgtϵgt（1）Arit=μit+ξit,whereξit≡σitϵit（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27CHINABOND2022July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ϕ(L;p)=ϕ1L+…+ϕpLp和ψ(L;q)=ψ1L+…+ψpLp）：μ■t=ϕ(L;p)μ■t+ψ(L;q)ξ■t（2）类似地，假设模型的波动部分（σ2■t）存在阈值广义自回归条件异方差（ARCH），则GARCH(m)、ARCH(n)和TARCH(s)的分多项式α(L;m)、β(L;n)和γ(L;s)可通过类似的方式定义。σ2■t=α0+α(L;m)σ2■t+β(L;n)ξ2■t+γ(L;s)ξ2■tξ■t<0（3）上述等式（1）A、（1）B、（2）和（3）是自20世纪80年代以来在金融文献中广泛应用的时间序列模型。而这个简单模型的扩展有四个方向：其一，如果关注点是ϵ之间的尾部相关性，可使用基于分位数的方法；其二，如果对均值依赖更感兴趣，可以选择MGARCH；其三，如果研究相关性随时间的变化，TVP-VAR是个很好的选择；其四，如果希望在一定程度上观察所有特征，则连接（Copula）函数方法是最佳选择。因此，我们将采用Copula函数方法作为本文的基础。在Copula函数中，ϵgt和ϵit之间的联合分布可基于Sklar定理（1959）分两步算得。该定理指出，一组联合分布（例如ϵgt和ϵit）的随机变量（CDF）F(·)可以通过边际CDF（Fg(ϵgt)和Fi(ϵit)）以及一个连接边际的Copula函数（C(·)）来表示:F(ϵgt,ϵit)=C(Fg(ϵgt),Fi(ϵit))（4）与线性相关系数相比，Copula函数更完整地展示了两个或多个随机变量之间的相关性。这使Copula函数常被用于通过ϵ处理随机变量间的相关性，这与通过μ处理的MGARCH、TVP-VAR相反。换言之，分布相关是Copula函数的核心。在Copula函数方法的第一步中，边际CDF（Fg(ϵgt)和Fi(ϵit)）可以分开估计。这为实践增加了灵活性——潜在边际分布可以有不同的分布、不同的参数，直接用多元分布对资产相关性建模时不存在限制。我们将t分布用于边际，因为现有的文献已很好地证明Student’st（学生氏）分布（有一个厚尾）往往是最合适的边际分布。在第二步，我们参考了由Patton（2006）开发的经典方法，边际CDF下限和上限的尾部相关性可表述为：τL=Pr(Fg(ϵgt)≤xFi(ϵit)≤x)=（5）τU=Pr(Fg(ϵgt)≥xFi(ϵit)≥x)=（6）衡量尾部相关性的τL和τU代表两种资产都处于较低或较高联合尾部的概率，即发生金融危机、新冠肺炎疫情这样的极端事件时的情况。Copula函数包括多种分析不同尾部相关特征的模型。以下几种是最受欢迎且最相关的：一是Gaussian/NormalCopula：不考虑边际分布的尾部相关，故τL和τU均为0。相关性简单地用Pearson相关系数-1≤ρ≤1衡量。二是Student’stCopula：考虑尾部相关且允许存在厚尾。t分布的对称性意味着相等的上下尾部相关τL=τU，具体由相关系数ρ和自由度ν决定。三是ClaytonCopula：用于分析下尾部相关大于上尾部相关（τL>0、τU=0）的非对称分布。ClaytonCopula只有一个参数ϑ且大于等于1，ϑ=1意味着变量之间相互独立。四是RotatedClaytonCopula：与ClaytonCopula相反，允许上尾部相关τU>0、下尾部相关τL=0。在实践中除此方法外还可以选择简单地转换数据，即在ClaytonCopula估计之前交换尾部。五是SJCCopula：允许存在不对称的尾部相关τL≠τU，并且可以直接估计这两个参数。除上述模型外，GumbelCopula也很受欢28债券2022.7创刊10周年获奖佳作专辑迎，其与ClaytonCopula相似。包含Gumbel和Clayton的Copula函数被统称为ArchimedeanCopulas（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（θt≡ρtτLtτUt）可以被概括为ARMA过程。θt=Λ[a+bθt-1+c∑Kk=1H(ϵg,t-k,ϵi,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normalCopula的正态分位数函数、tCopula的t分位数函数以及Clayton、Gumbel和SJCCopula各自的绝对差值函数。滞后长度K=10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29CHINABOND2022July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CNGBCNBCNSCNFCNO样本数18591859185918591859均值0.0002(0.0001)0.00010.00000.0006最大值0.00830.03670.05760.01860.2102最小值(0.0089)(0.0568)(0.0849)(0.0099)(0.2440)标准差0.00090.00800.01370.00210.0258偏度(0.1195)(0.1945)(1.0197)0.5759(0.3751)峰度19.49196.635110.274110.187717.4820JB检验2.04E+041.00E+034.27E+033.97E+031.57E+04ADF检验(26.5086)(37.2224)(40.7284)(39.2531)(41.6934)KPSS检验0.44080.10150.03540.09570.0529相关性CNGBCNBCNSCNFCNOCNGB1-0.5103-0.0587-0.0181-0.024CNB-0.510310.13420.04310.0343CNS-0.05870.13421-0.0467-0.0074CNF-0.01810.0431-0.046710.0121CNO-0.0240.0343-0.00740.01211欧洲EUGBEUBEUSEUFEUO样本数18591859185918591859均值0.00010.00010.0002(0.0000)0.0006最大值0.01130.01480.08400.03080.2102最小值(0.0194)(0.0160)(0.1148)(0.0237)(0.2440)标准差0.00230.00250.01070.00490.0259偏度(0.9020)(0.5757)(1.0438)0.0959(0.3344)峰度9.48957.620115.90925.684316.7205JB检验3.51E+031.76E+031.32E+045.61E+021.46E+04ADF检验(39.6988)(40.3212)(42.8822)(43.1519)(42.3988)KPSS检验0.14650.10210.02900.05960.0494相关性EUGBEUBEUSEUFEUOEUGB10.8791-0.048-0.0988-0.0668EUB0.879110.0271-0.1132-0.036EUS-0.0480.02711-0.15270.3268EUF-0.0988-0.1132-0.152710.0037EUO-0.0668-0.0360.32680.00371美国USGBUSBUSSUSFUSO183018591859185918591859均值0.00010.00050.00050.0001(0.0012)最大值0.01040.40740.09380.02520.3766最小值(0.0235)(0.2703)(0.1198)(0.0207)(3.0597)标准差0.00210.03260.01110.00460.0827偏度(1.2115)1.4025(0.6986)0.4746(28.9593)峰度14.868434.284423.12768.49641034.1287JB检验1.14E+047.67E+043.16E+042.42E+038.29E+07ADF检验(41.9949)(44.1006)(52.8654)(56.3783)(32.0902)KPSS检验0.17740.06720.01840.02570.0672相关性USGBUSBUSSUSFUSOUSGB1-0.7718-0.1366-0.0622-0.0422USB-0.771810.3834-0.02520.1098USS-0.13660.38341-0.17010.1625USF-0.0622-0.0252-0.17011-0.0745USO-0.04220.10980.1625-0.07451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㐫㞞զݤ㐫㞞զݤ㐫㞞զݤ⫗ᗱݹ⫗ᗱ᱋䬠㐫㞞զݤզݤ㗍⺔โⅳⴟ⇥图1b欧洲各类金融资产对绿色债券投资的散点图㐫㞞զݤ㐫㞞զݤ㐫㞞զݤ⫗ᗱݹ⫗ᗱ᱋䬠㐫㞞զݤզݤ㗍⺔โⅳⴟ⇥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，经作者计算㐫㞞զݤ㐫㞞զݤ㐫㞞զݤ⫗ᗱݹ⫗ᗱ᱋䬠㐫㞞զݤզݤ㗍⺔โⅳⴟ⇥31CHINABOND2022July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VaRat5%CoVaRat5%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%-10.9289-9.0070CNB-1.23%-1.36%0.14%0.11%5.62425.3370CNS-2.20%-1.73%0.04%0.07%1.04383.6379CNF-0.34%-0.34%0.02%0.02%-0.15710.1384CNO-3.63%-4.04%0.04%0.05%1.15041.7781EUGB-0.33%-0.46%-0.47%-0.73%-28.7144148.7859EUB-0.36%-0.48%-0.42%-0.69%-25.8885148.8076EUS-1.57%-1.87%0.06%-0.06%4.47914.5589EUF-0.80%-0.70%0.08%-0.22%5.2228-1882.8937EUO-3.69%-4.04%0.04%0.00%2.0295-1.3668USGB-0.30%-0.36%-0.44%-0.66%-28.8790-84.9590USB-3.39%-5.68%0.38%0.33%21.182068.3040USS-1.45%-1.94%0.15%-0.11%10.9700-15.7960USF-0.73%-0.48%0.02%0.11%0.7858120.0800USO-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（understressconditions）回报的差异（在5%分位数下）。ΔCoVaR列是压力状态（understressconditions）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VaR32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）CNGBCNBCNSCNFCNOEUGBEUBEUSEUFEUOUSGBUSBUSSUSFUSOAR（1）ϕ10.28340.3283-0.15910.9937-0.4721-0.0553-0.4494-0.1294-0.53050.4165-0.84351.33720.02580.3680AR（2）ϕ21.0978-0.77260.7827-1.0126-0.90680.0206-0.55201.46650.1641-0.4455-0.96120.04980.10930.3813AR（3）ϕ30.1597-0.3387-0.11020.88640.9092-0.87890.29580.83090.9085-0.3870-0.30350.6773AR（4）ϕ4-0.6907-0.8155-0.73960.05410.0787-0.5893-0.5887AR（5）ϕ50.1493-0.04300.0563-0.02360.3792MA（1）ψ10.1055-0.18630.1471-0.96840.44850.050150.46250.12470.5063-0.47030.8254-1.3921-0.0711-0.3817MA（2）ψ2-1.02780.6797-0.76751.02670.8760-0.00260.5629-1.5000-0.20600.51520.95150.0372-0.0950-0.3773MA（3）ψ3-0.51810.48040.1047-0.8767-0.0202-0.90560.8924-0.3052-0.94060.35590.2914-0.6843MA（4）ψ40.44410.7814-0.02490.03840.02480.77030.56080.6245MA（5）ψ5-0.4376Variance（方差）CNGBCNBCNSCNFCNOEUGBEUBEUSEUFEUOUSGBUSBUSSUSFUSOConstantα0000000000000000GARCH（1）α100.87970.910700.89090.88410.10770.45230.95010.88950.86890.95490.84940.00460.7343GARCH（1）α20.36250.741500.71090.34610ARCH（1）β10.42110.074400.11870.02410.05020.031400.04320.03270.07790.016700.03580.0691ARCH（2）β20.08090.03990.07830.05690.05920.0087Leverage（1）γ1-0.03600.00940.07340.09300.11990.05060.00400.3550-0.00400.11560.01110.05630.29241.00000.1885Leverage（2）γ20.3069-0.0399-0.05820.07260.0619-0.0087DoFν2.64854.94183.87653.61245.46165.86285.26115.77127.98835.37626.22637.58063.46382.90042.9976No.ofObs.185918591859185918591859185918591859185918591859185918591859AIC-21526.0-12665.9-11316.8-17561.1-8863.6-17778.8-17320.7-12514.5-14802.5-9131.7-18091.1-8789.7-12975.3-15691.1-8964.6BIC-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%33CHINABOND2022July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’st、Clayton、RotatedClayton和SJCCopula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，NormalCopula没有尾部相关（τL=τU=0），Student’st假设对称尾部相关且对于所有资产都是正的（τL=τU>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CNBCNSCNFCNOEUBEUSEUFEUOUSBUSSUSFUSONormalρ-0.478-0.046-0.02-0.0040.8668-0.1035-0.0944-0.1173-0.400-0.054-0.597-0.01τL=τU000000000000AIC-466.4-1.821.2481.965-2623.6-17.69-21.97-19.11-318.07-3.374-805.211.812Student’stρ-0.457-0.050-0.02-0.0010.8818-0.1218-0.0898-0.1221-0.427-0.063-0.612-0.005DoFν4.3758.81699.9928.284.7238.0164.6519.6194.4237.0364.0418.619τL=τU0.01260.0093000.00520.02560.02480.02430.01440.01660.00590.0124AIC-533.5-19.8643.5392.103-2984.8-78.16-31.30-36.25-416.34-36.7-913.11-19.51Claytonρ0.00010.00010.00010.00010.00010.00010.00010.01340.00010.00010.00010.0134τL000000000000AIC2.1322.0142.012.0072.1952.0312.1261.3342.0992.0012.1661.639RotatedClaytonρ0.00010.00430.00010.01820.00010.00010.00010.00820.00010.00010.00010.0082τU000000000000AIC2.1281.9622.0051.4382.1162.0012.0161.2152.0962.0072.161.875SJCτU000000000000τL000000000000AIC59.7768.0828.7985.98352.1828.1618.2534.15449.9828.26174.2534.551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（ρ<0），即在正常情况下，某项资产受到负面冲击时很可能会对绿色债券产生正面冲击。换句话说，绿色债券的对冲效应在正常时期和危机时期会有所不同。ClaytonCopula假设存在下尾相关（τL≠0）且不存在上尾相关（τU=0），而RotatedClayton与之相反，但结果显示二者都不显著。SJCCopula假设了非对称的尾部相关性，尽管显著，但估计值非常小。以AIC作为选择标准，Student’stCopulas脱颖而出，成为大多数资产最有效的假设（CNF和CNO的首选是NormalCopula）。为了直观展示结果，我们通过3D网格图（图2a和2b）对资产之间和区域差异进行对比。图2a体现出如下特征：一是中美绿色债券和普通债券的Copula分布几乎相同。两个Copula在较低和较高的分位数都表现出尾部相关性。二是中美绿色债券和股票的Copula分布也非常相似，只是尾部较厚（自由度较大）。三是从汇率来看，美元指数保持着与债券和股票类似的Copula分布，图2a中美绿色债券投资的Copula分布注：蓝色网格代表美国资产的Copula分布，红色网格代表中国资产的Copula分布。假设所有Copula分布服从t分布զݤ㗍⺔ⴟ⇥โⅳ㐫㞞զݤ㐫㞞զݤ㐫㞞զݤ㐫㞞զݤ图2b中欧绿色债券投资的Copula分布注：绿色网格代表欧元区资产的Copula分布，红色网格代表中国资产的Copula分布。假设所有Copula分布服从t分布զݤ㗍⺔ⴟ⇥โⅳ㐫㞞զݤ㐫㞞զݤ㐫㞞զݤ㐫㞞զݤ而中国汇率的Copula分布几乎是平坦的（自由度接近100），这意味着它基本符合NormalCopula。四是中美两国石油指数的情况相似，但中国因在国际石油市场的地位偏弱，Copula分布是平的（无相关性）。图2b体现出如下特征：一是中欧绿色债券和普通债券的Copula分布差异较大，中国绿色债券指数对尾部风险具有对冲效应，欧洲绿色债券和普通债券的尾部风险出现同向变化。二是中欧绿色债券和股票的Copula分布非常相似，在较低和较高的分位数都表现出尾部相关性，只是尾部较厚（自由度较大）。结合美国市场35CHINABOND2022July创刊10周年获奖佳作专辑情况，说明中、欧、美的股市相较于债市来说更加相似。三是从汇率来看，欧元区外汇投资保持着与股票类似的Copula分布，而中国汇率的Copula分布相对平坦一些，这一点也与中美相关性类似。四是从绿色债券与大宗商品的关系来看，中欧和中美的情况相似，中国的Copula分布更平。在动态Copula模型中，相关系数（ρt）和尾部相关性（τLt,τUt）随时间t变化。对这一动态特征的建模如等式（7），可参考Reboredo（2018）。鉴于Student’stCopula是静态Copula模型中描述大多数资产的最优选择，我们将重点研究Student’stCopula和估表5时变Copulas模型的预测结果模型类型CNBCNSCNFCNOEUBEUSEUFEUOUSBUSSUSFUSONormalρ-0.980.67170.6380.6750.4642-0.92580.9844-0.27830.835-0.1490.9790.684a-0.989-0.178-0.076-0.031-0.9754-0.1666-0.3358-0.4591-0.989-0.011-0.2360.0017b-0.1360.0770.3804-0.51-0.07310.12950.40980.10130.03190.051-0.0790.400c0.3321-1.93-1.97-0.6750.4642-0.92580.9844-0.2783-0.3881.6382.013-1.996AIC-471.922.1482.398-1.967-2623.6-17.69-21.97-19.11-313.09-4.5049-808.96-6.5371Student’stρ-0.98-0.5990.0180.6540.8950-0.90240.98220.25320.357-0.1560.9670.660ν4.4688.56699.8131.122.38535.414910.851213.42364.4847.0963.9649.489a-1.200-0.150-0.078-0.024.6570-0.2450-0.3100-0.0075-1.906-0.012-3.1080.004b-0.050.1390.3533-0.48-0.01800.06290.2652-0.01760.0310.047-0.0910.274c-0.285-1.30-2.007-0.664-2.0710-0.0461-1.72771.9828-2.4111.728-2.570-1.996AIC-535.37-15.50944.2018-1.5362-2985.2-75.29-34.38-37.19-412.46-41.11-914.79-24.04注：、、分别表示显著水平为1%、5%、10%图3中、欧、美三区域绿色债券投资相关性的时变比较注：蓝线代表美国绿色债券与其他资产的相关性，绿线代表欧洲绿色债券与其他资产的相关性，红线代表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（基于世卫组织公告的开始时间2020年3月11日，下同）զݤโⅳⴟ⇥㗍⺔⫗ᗱ᱋䬠⫗ᗱ᱋䬠⫗ᗱ᱋䬠⫗ᗱ᱋䬠计CNF的NormalCopula随时间的变化。我们在表5中给出了时变Copula模型的估计结果，其中时间变化系数（a,b,c）最为显著。绿色债券与其他资产的相关系数随时间变化的情况如图3所示，市场波动在疫情期间变得不稳定，具体表现为：一是看绿色债券与普通债券的变化，中美是趋同的，两种债券的相关性均为负；欧洲两种债券的相关性为正，与中美存在差异。二是从绿色债券与股票36债券2022.7创刊10周年获奖佳作专辑之间的相关性来看，中欧相对美国存在不同，美国表现得较不稳定。三是中国绿色债券与外汇市场之间相关性的稳定性强于欧美，美国的波动性更大。四是从绿色债券与大宗商品之间的相关性来看，欧美一直为负，中国存在正相关性的概率，且负相关系数显著小于欧美。包含时间变化特征可能增加过度参数化成本，但AIC信息标准的拟合优度提高，说明更复杂的模型具有合理性。对比表4和表5中的AIC，除了USB和CNS，在大多数列时变模型效果都优于非时变模型。采用时变模型的好处是模型的样本会随时间的延长而增加。事实上，在早期只包括2020年的数据运算中，常数参数模型更受青睐。这一发现表明模型的选择可能取决于数据的可用性。金融市场的政策制定者和决策者应该在获得新数据时及时更新其使用的模型。（四）稳健性检验如前文所示，Copula函数显示了显著的尾部相关性。为了检查稳健性，我们采用两种基于分位数的方法来量化这些资产和绿色债券之间联合分布的相关性。第一种方法是度量分位数相关，可算出不同分位数下的相关系数。第二种方法是Ang和Chen（2001）提出的超越相关法。给定超越水平下的相关性，是指两个随机变量在上升或下降过程中都超过平均值给定的标准偏差时的相关性。考虑到资产在不同分位数下的依赖程度不同，这是一个更灵活的衡量标准。这两种方法为Copula函数提供了用以描述绿色债券与其他资产分布相关性的非参数替代方法。其中，基于分位数的方法的优点是可以捕捉整个联合分布中的相关性，而不仅限于尾部或均值。而且，由于是非参数的，它不受规范偏差的影响。图3a和3b展示了基于两个衡量标准的中美市场、中欧市场情况，具体特征有：一是中美市场比较。根据图3a上半部分的分位数相关性，美国绿色债券与普通债券的尾部相关性最弱，其次是股票、石油和外汇。中国绿色债券与普通债券的尾部相关性最弱。就超额图3a中美绿色债券投资分位数相关性观测䊱䊶Ⱔڟᕓܲѹ᪜Ⱔڟᕓզݤ㗍⺔โⅳⴟ⇥ܲѹ᪜喋㒺఩喌ܲѹ᪜喋͙఩喌图3b中欧绿色债券投资分位数相关性观测䊱䊶Ⱔڟᕓܲѹ᪜Ⱔڟᕓܲѹ᪜喋⁓≞喌ܲѹ᪜喋͙఩喌㗍⺔โⅳⴟ⇥զݤ37CHINABOND2022July创刊10周年获奖佳作专辑相关性而言（见图3a下半部分），中美所有资产的尾部相关性都是不对称的。这表明当出现罕见且负面的冲击时，两个市场都会受到影响，但出现罕见且正面的冲击时，只有一个市场可能会受到影响。这种不对称在中国市场也能观察到。二是中欧市场比较。根据图3b上半部分的分位数相关性，欧洲绿色债券与普通债券的尾部相关性最强，这是与中美存在差异的。就超额相关性而言（图3b下半部分），欧元区的所有资产的尾部相关性与中美类似，也都是不对称的。与表4的结果相比，Copula函数和基于分位数对尾部相关性的估计有定性一致性（qualitativeconsistency）。例如，大部分非参数分位数相关性在尾部是对称的（见图3a和3b上半部分），这与Studen’st连接函数的特征一致。然而，超越相关性会受小样本尾部偏差的影响且因基于逐步超越而不稳定。这是非参数法的一个重要缺点，即没有排除噪声过程。而Copula函数方法因在均值上控制动态使结果更稳定可靠。效应评估上述实证结果表明，绿色债券和其他金融资产之间的相关性是显著、随时间变化且与分位数相关的。我们如何在投资实践中利用这些信息？为评估绿色债券作为可对冲罕见风险避险资产的潜在作用，应计算最优对冲权重（HW）并评估投资组合中绿色债券的对冲有效性（HE）。首先沿用Jin等（2020）的方法和最小方差对冲比值理论，假设一个投资组合由一项资产和一个绿色债券指数组成。套期投资组合的收益rht及方差V(rht)取决于绿色债券指数wgt：V(rht)=(1-wgt)2V(rit)+w2gtV(rgt)+2(1-wgt)wgtCov(rit,rgt)（8）为了使对冲组合的方差最小化，对V(rht)取wgt的偏导并设值为零，以获得最优HW（wgt）：.（9）当wgt>0时，对冲投资组合包含绿色债券的多头头寸。而当wgt<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HWwgt。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զݤโⅳⴟ⇥㗍⺔⫗ᗱ᱋䬠⫗ᗱ᱋䬠⫗ᗱ᱋䬠⫗ᗱ᱋䬠表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HW6.34%4.95%-1.28%19.22%8.33%4.95%HE12.93%10.08%-9.54%-0.35%17.36%10.16%股票投资HW1.53%1.11%9.72%8.94%11.61%7.53%HE3.00%2.21%18.67%17.23%22.71%14.83%汇率投资HW20.96%12.66%18.82%26.50%17.41%21.45%HE19.57%21.24%33.02%43.48%30.82%32.83%石油投资HW0.33%0.17%2.45%2.55%1.92%1.95%HE0.66%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。39CHINABOND2022July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、Salisu等（2021）对黄金的研究、Mensi等（2021）对其他贵金属的研究，也发现了类似的结果。结论与建议（一）主要结论1.绿色债券在为可持续增长提供了金融资本的同时，还可作为抵御金融冲击的避险工具历史研究文献已经充分证明绿色债券在正常时期的对冲有效性，这在美国等发达国家和中国等新兴经济体都很重要。然而，对其在疫情期间对冲效应的研究仍然很少。本文筛选现有文献的主流方法,对疫情发生前后的绿色债券投资避险功能进行了研究。基于Copula函数方法可捕捉资产间尾部相关的灵活性和可靠性，本文研究发现，在疫情期间，观测区域的资产避险效应存在差异，具体而言，跨区域和跨资产的对冲效应存在异质性。其相同性在于：一是绿色债券投资对外汇投资具有增强的避险效应；二是虽然在疫情期间绿色债券对普通债券、股票和石油的对冲效果降低，但是仍然存在一定的对冲有效性。2.实证发现，以绿色债券指数为投资标的，在疫情期间可降低中美间绿色债券投资的避险功能，抵御人民币汇率的风险显著增强本文对样本的实证研究证明中国绿色债券投资对冲其他资产的尾部风险在疫情发生前强于欧元区，但是弱于美国资本市场。如以中债-中国绿色债券指数为投资标的，在统计数据上呈现疫情期间对冲效应增强的趋势，且中美整体的对冲效应在逐步接近。其中在对冲普通债券风险上中美效果持平，在对冲汇率风险上中国超出美国。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。（二）政策建议1.国际融合策略：推进中欧绿色标准趋同，完善绿色债券市场规则体系，支持绿色领域全球协同本文为传统金融资产和绿色金融资产之间的关联性提供了新的结论。无论是在正常时期还是危机时期，投资绿色金融资产对于国际资本的投资组合管理和风险分散都非常重要。我国的债券市场仍属于新兴市场，虽然在金融基础设施和科技应用等方面具有后发优势，但是在规则体系、制度模式和市场结构等方面的影响力和话语权与欧美成熟市场仍存在差距。鉴于绿色债券显著的对冲效果，一方面，我国应在绿色债券市场的建设和规范方面完善相关法规和行业标准；另一方面，绿色债券标准的国际趋同可提高信息披露的透明度。中欧等经济体在联合国气候变化大会（COP26）召开期间发布了《可持续金融共同分类目录》，这是中欧协同推进绿色标准趋同的重要探索。该目录作为绿色金融体系重要组成部分，能让市场参与者用一种相对简单的方法来判断经济活动是否具有绿色属性。但该目录只是绿色金融标准“表”的层面。如何让金融市场更好地发挥绿色定价、优化资源配置的重要作用，需要从“里”的层面推动环境效益信息披露标准建设。建立全面、客观、可量化的环境效益信息披露标准，并对披露信息进行集中、公开展示，有助于提升绿色债券市场的透明度和定价效率。而推动国际上采用趋同的环境效益信息披露标准，有助于直达绿色金融的本质，形成一致的绿色定40债券2022.7创刊10周年获奖佳作专辑价逻辑，便利跨境绿色投资者，更好地支持绿色领域的全球协同。以中央结算公司为代表的国内金融基础设施，在这一领域进行了具有前瞻性的探索，构建了中债绿色指标体系，在国际标准建设方面贡献了中国智慧。2.市场建设策略：建设中国标准的绿色债券指数，培育指数投资群体，绿色金融发展助推人民币国际化抵御罕见灾害（如气候风险和疫情风险）的能力，尤其是在疫情发生之后，是这个时代国际社会最重要的主题。面对国际绿色债券市场不断扩大的必然趋势，美国、欧元区和中国等主要经济体采取可持续发展战略支持对绿色资产的投资。同时，国际资本通过国际主流债券指数进行绿色债券配置已成为其重要投资策略。建立符合中国标准的绿色债券指数，被国际投资机构接受并纳入投资组合，成为人民币绿色债券发展的重要环节。作为对冲资产，绿色债券可能被套利者和热钱用于跨境投机，对于中国这样的新兴经济体，一方面，应扩大金融市场开放，扩大在岸绿色债券市场规模，促进金融基础设施联通和市场制度融合；另一方面，要引导境内外投资机构长期持有绿色债券，并依照中国标准的绿色债券指数进行投资。基于当前人民币绿色债券的汇率风险避险功能，持有绿色债券将成为跨境资金避险的重要方式之一，并助推人民币国际化的深度发展。3.优化策略：完善绿色基础设施建设，加强环境效益信息的穿透式披露，高质量地推动绿色金融市场对外开放一是持续推动绿色债券统一标准体系建设。建议统一和规范各类绿色债券信息披露要求，鼓励发行人按照统一的中债-绿色债券环境效益信息披露指标体系进行披露，建立统一环境效益信息披露制度，进一步细化绿色债券环境效益信息披露指引。二是使用统一的绿色债券数据库，加强绿色债券环境效益信息的穿透式披露。建立阳光化的信息披露制度，建议在统一的绿色债券数据库披露环境效益信息，穿透式披露并公开展示债券投资项目对环境效益的贡献，在提高绿色债券信息披露透明度的同时，有效防止“漂绿”“洗绿”等行为。三是高质量地开展绿色金融市场对外开放，实现境内外绿色债券市场良性互动。加强绿色债券业务、技术标准及规则制定方面的国际交流，推动国际对我国绿色债券环境效益信息披露标准的认可，促进形成国际共识。推动跨境绿色信贷资产转让，提升绿色资产流动性和市场定价能力。鼓励国际市场对我国绿色债券指数产品进行深入应用，提升我国绿色债券的国际影响力。吸引境外机构投资者投资境内绿色债券，允许境外投资者以绿色债券作为质押品进行回购交易。推动绿色债券跨境交易，建议允许绿色债券在国际交易所进行境外交易，在中央结算公司办理结算。作者：国家开发银行资金部资深经理、副研究员英国卡迪夫大学商学院经济学副教授中国人民大学中债研究所教授责任编辑：商瑾刘颖