金融市场中的极端气候与自然灾害风险：一种CoES方法

《The North American Journal of Economics and Finance》：Extreme climate and natural disaster risk in financial markets: A CoES approach

　　

极端气候事件与自然灾害本质上与气候变化相关联。气候变化提高了此类事件的发生频率与强度，降低了自然系统吸收其影响的能力。气候相关事件发生频率与严重程度的日益增加，凸显了理解其经济与金融影响的迫切性。近几十年来，此类事件已对各行各业造成了显著的物理损害与金融损失。鉴于全球金融市场的互联性，此类事件的冲击可能跨部门扩散，从而放大系统性风险。Mitra和Shaw（2023）强调，由于现代系统日益增长的复杂性与相互依存性，有必要建立一个综合框架来管理这些灾害相关的市场风险与系统性风险。主要监管法规与组织强调，应通过综合性与整体性方法，将极端气候事件与自然灾害作为市场风险和系统性风险的来源加以识别与管理，以增强韧性并降低脆弱性。尽管认知不断提升，金融文献中仍存在显著空白：缺乏针对极端气候与自然灾害（EC&ND）事件如何影响各金融部门市场风险与系统性风险的实证性、部门特定分析。正如Bolton等人（2021）所指出的，气候相关冲击的不可预测性与非平稳性对传统风险管理模型构成了重大挑战，这些模型通常是回溯性的，不足以捕捉此类风险的复合性与不确定性动态。为弥补这一空白，研究人员的开发了一个部门层面框架，将EC&ND变量明确纳入高级尾部风险度量中。这使得研究人员能够量化其对预期短缺的直接贡献及其对系统性溢出的间接贡献。就此而言，研究人员采用了一种半参数方法，适用于量化EC&ND变量对标普500主要部门市场损失与系统性风险的动态及非线性效应。通过以EC&ND变量为条件，研究人员提供了对部门脆弱性与相互依赖性的详细且前瞻性的理解，为投资者、监管机构和政策制定者在环境风险升级中增强金融体系韧性提供了宝贵见解。

**研究背景与科学问题**
气候变化加剧了极端气候事件与自然灾害的发生频率与强度，对全球金融体系构成了日益严峻的威胁。现有金融风险管理模型多基于回溯性数据，难以捕捉气候冲击的非线性、非平稳及复合动态特征。已有文献虽开始关注气候风险对资产定价与市场波动的影响，但缺乏跨金融部门的实证分析，尤其是针对不同工业部门市场风险与系统性风险的差异化冲击。为此，研究人员开发了一个部门层面的半参数风险度量框架，将EC&ND变量直接纳入尾部风险测度，以量化其对市场损失与系统性风险溢出的直接与间接影响。

**研究内容与核心结论**
研究人员以2001年12月至2024年10月标普500指数中的能源、保险、农业、房地产、运输和建筑六个代表性部门为研究对象，将极端高温（EH）、低降水（LP）、灾害频率（DF）与灾害规模（DM）四个转换后的EC&ND变量作为预测因子，构建了扩展的条件自回归期望短缺（CARES）模型与条件期望短缺（CoES）模型。实证结果表明，纳入EC&ND变量显著提升了样本外预测能力，尤其是能源、保险与房地产部门的市场风险与系统性风险明显上升；农业部门在极端事件中也表现出较高的系统性风险贡献。进一步引入的灾难市场风险比率（DMRR）与灾难系统性风险比率（DSRR）揭示，能源、保险、农业是气候风险传导的核心部门，而建筑部门因灾后重建的适应能力而相对稳定。回测结果证实扩展模型在预测极端损失方面优于标准模型。这些发现为气候导向的金融监管提供了量化依据。

**主要关键技术方法**
研究人员采用以下方法：①基于非对称最小二乘法（ALS）和expectile回归估计标准及扩展SAV-CARES模型，将EH、LP、DF、DM作为滞后预测因子；②通过分位数回归估计CoES，避免先行估计条件风险价值（CoVaR），以减少估计误差并捕捉非线性尾部依赖；③构建DMRR与DSRR比率，分别衡量EC&ND变量对市场风险和系统性风险的边际贡献；④采用McNeil-Frey超额残差检验与Nolde-Ziegel条件校准检验进行样本外回测。数据来源包括NOAA-NCEI气候数据库、美国十亿美元灾害事件数据库及Refinitiv Eikon Datastream。

**研究结果要点**
**5.1 基于EC&ND变量的部门与系统损失估计**：通过估计扩展SAV-CARES与扩展CoES模型，发现所有参数均在1%水平显著；EC变量普遍增加部门损失，DM变量则与部分部门的损失减少相关。间接效应分析表明，能源与农业部门通过EC变量（尤其是EH）对系统性风险传递效应最大，保险部门在ND变量中贡献最高的系统性风险增幅。

**5.2 灾难风险比率估计**：DMRR与DSRR的时间序列与描述性统计显示，能源、农业、运输部门的平均比率大于1，表明EC&ND事件加剧市场与系统性风险；建筑部门比率低于1，显示其适应性与灾后重建的稳定作用。保险部门DMRR的峰度系数较高，凸显了尾部敏感模型（如CoES）的必要性。

**5.3 预测分析**：在2020年1月至2024年10月的样本外期间，扩展ES与扩展CoES模型表现出更高的基准风险水平与更稳定的参数估计。以100万美元组合投资计算，能源部门在某些月份（如2020年10月、2023年4月、2024年1月）需额外增加高达25万美元的资本储备，对应飓风、洪灾与冬季风暴等事件。农业与房地产部门则因灾后政府援助与重建刺激而出现短期风险降低现象。

**5.4 回测结果**：基于超额残差检验与条件校准检验，扩展ES与扩展CoES模型在多数部门（尤其是能源、保险、农业）获得更高的p值，表明模型校准更准确；建筑部门部分检验结果仍不理想，说明需进一步细化模型。综合来看，纳入环境变量显著增强了尾部风险与系统性风险的预测效力。

**讨论与结论**
讨论部分强调，能源、保险与房地产部门对EC&ND的高度脆弱性意味着监管机构应将气候风险纳入系统性风险监测，例如在压力测试框架中采用CoES指标，或引入部门特异性气候资本缓冲。DMRR与DSRR可作为宏观审慎监督的补充工具，帮助识别高风险部门并优化监管资源配置。研究结论指出：扩展CARES模型与CoES模型为气候相关金融风险提供了更稳健、前瞻性的度量工具；忽视环境变量将导致尾部风险与部门溢出效应的系统性低估；不同部门的风险敏感性与适应能力存在显著差异，需采取差异化监管策略。未来研究应扩展至更广泛地区、行业及高频数据，并探索新型金融工具在气候风险对冲中的作用。