摘要：本研究利用连通网络方法，研究了化石能源市场、投资者对可再生能源的情绪和可再生能源股票市场之间的风险传递机制。实证结果表明，波动系统的溢出效应普遍强于回报系统，表明风险在市场间的传递更为明显。在这两个系统中，化石能源市场，特别是原油市场，对可再生能源股票市场的影响都大于投资者情绪对可再生能源股票市场的影响。这一发现表明可再生能源股票市场与化石能源市场密切相关。此外，还采用滚动窗口的方法来检测它们之间的时变信息溢出。动态研究结果表明，投资者对可再生能源的情绪可以在一定程度上解释可再生能源股票的收益和波动。该研究结果可以为能源市场的投资者以及可再生能源政策制定者提供重要的参考和建议。

　　关键词：可再生能源股票;化石能源价格；投资者情绪；联通网络；动态溢出

　　1.引言

　　随着经济的飞速发展，环境问题日益凸显，全球都在寻求更为清洁低碳的发展模式，逐步实现由化石能源向清洁能源消费结构的转型，因此可再生能源领域受到越来越多的关注。股票市场作为可再生能源行业的融资市场，与整个可再生能源行业的发展密切相关，为其提供了平台与机会。但与传统能源行业相比，可再生能源行业具有更强烈的技术特征，常常与高科技产业表现类似(Sadorsky，2008)，其投资风险也会明显高于传统能源行业，甚至在很多国家和地区，对可再生能源股票的投机行为会占据主导地位。

　　化石能源市场与可再生能源股票市场之间存在一定的相依性。化石能源在一次能源消费结构中比例的降低势必会提高可再生能源消费比例，这在某种程度上会加快可再生能源领域的发展，表现在金融市场上，即可再生能源股票市场往往会受到化石能源市场的影响。如前所述，可再生能源具有明显的技术特征，需要投入研究与创新，这些都需要高昂的研发费用(如光伏产业的半导体等等)，近年来国际原油价格下降在一定程度上可能会抑制可再生能源技术的创新发展，驱动力的缺失可能使得可再生能源股价表现平平甚至低迷。本文试图研究包括石油价格在内的主要的化石能源价格与可再生能源股票价格之间在收益与风险方面的信息传导机制，为可再生能源投资者和相关可再生能源政策制定者提供决策参考。

　　在近些年兴起的行为金融学中，投资者情绪在有关股票市场的研究中也受到广泛的关注。关于投资者情绪的构建方法多种多样，如直接采用市场交易数据、利用主成分分析法提取数据的共性因子以及本文所使用的利用互联网中的信息来构建。投资者情绪对股票市场的影响不仅体现在收益率的影响上，也体现在股票市场的流动性、波动性等方方面面，目前很多学者的研究都表明，投资者情绪在股票市场价格变化以及市场风险中扮演着重要的角色。而在可再生能源股票市场的研究中，以往的大多数文献都是从传统的理性因素来研究，如一些宏观因素(经济周期、油价、政策不确定性等)，但其忽视了行为上的因素。近年也有少数学者在研究行为因素与可再生能源股票市场的关系，如Reboredo(2018)研究了twitter情绪对可再生能源股价的影响，但这类文献比较少，投资者情绪的度量也具有局限性。本文使用Google Trends对可再生能源的搜索指数作为度量投资者情绪的指标，研究可再生能源市场投资者情绪与可再生能源股票市场的动态关系。

　　有大量的文献研究了能源市场和可再生能源股票市场之间的关系。Sadorsky(2008)用四变量向量自回归模型研究了可再生能源股票价格、石油价格、高科技股票价格和利率之间的关系，他的研究结果表明了石油价格、高科技股票价格是可再生能源股票价格的格兰杰原因。Sadorsky(2012)用多种GARCH模型研究了可再生能源股票价格与石油价格、高科技股票价格之间的动态相关性及波动的关系，发现可再生能源股票价格与高科技股票价格之间的动态相关性要强于可再生能源股票价格与油价之间的动态相关Reboredo(2018) 采用分位数回归法研究了能源价格对清洁能源股票价格的影响，发现在欧洲地区，电力价格在决定可再生能源股票价格中发挥了主导作用，而在美国，发挥主导作用的是油价，其他能源价格也起到了一定程度的作用。

　　另外有一些文献研究了投资者情绪与能源价格之间的关系， Afkhami et al.(2017)构建了一个多级过滤流程来筛选出与能源市场波动最相关的谷歌搜索关键词，为将谷歌搜索量作为一种预测能源市场波动的工具提供了新的视角。Qadan et al(2018)研究了投资者情绪与油价之间的关系，他们用了9个情绪指标如VIX、EPU、OVX、google search volume index(SVI)，并发现这些指标对石油价格有显著的影响，同时他们证明了这些情绪指数的波动存在波动溢出，能够解释一部分油价的波动。也有不少学者对投资者情绪与股票市场之间的关系进行了研究，但他们的研究结果不尽相同。Kim et al.(2018)用挪威的股市数据证明了谷歌搜索量与当前的股票收益无关，也不能预测未来收益，但增加的谷歌搜索量能够预测波动和交易量。Reboredo等人(2018)则采用了更新的角度，用twitter这个社交平台上的信息来衡量投资者情绪，构建了twitter情绪和twitter情绪分歧两种指标来研究投资者情绪与可再生能源公司的股票收益、波动和交易量之间的关系，他们的研究结果显示，twitter情绪在预测可再生能源公司的收益、波动和交易量上没有显著的影响，但twitter情绪分歧和可再生能源公司的股价波动及交易量上存在回馈效应。

　　以上的文献大致分为两个类型，一部分研究能源市场和可再生能源股票市场之间的关联，另一部分研究投资者情绪对能源市场、股票市场的影响。研究能源市场与清洁能源股票市场的文献大多只研究了单一的一种化石能源价格——石油价格与可再生能源股价之间的影响，鲜少有文献研究其他种类的化石能源价格对可再生能源股票价格的影响，一方面是因为石油在传统化石能源占据着重要地位，另一方面石油价格本身都受到很多其他因素的干扰，除了经济基本面外，还有天气等自然因素、政治因素等等，因此石油价格和股票市场之间的关系吸引了很多学者的兴趣，但我们想要考虑更多的化石能源价格(天然气、煤炭)，来探究其与可再生能源股票市场的相互关系，比较其他化石能源价格与石油价格对可再生能源股票市场的影响有何异同。

　　基于以上考虑，本文采用动态与系统性方法研究化石能源市场、可再生能源市场投资者情绪与可再生能源股票市场系统。本文主要有以下三点贡献：(1)采用Google Trend搜索指数构建可再生能源市场投资者情绪指数，从而研究可再生能源市场投资者情绪与可再生能源市场股票市场之间的信息传导机制。(2)采用滚动窗口方法分析了化石能源市场、可再生能源市场投资者情绪与可再生能源股票市场之间的时变动态信息溢出。(3)测度了系统中收益率与波动两方面的信息溢出，从而能够比较系统中收益率与风险传导机制的差异。本文的发现能够为化石能源、可再生能源市场投资者情绪与可再生能源股票市场之间信息溢出效应的方向、程度、动态及不对称提供新的证据，这些对于相关能源市场投资者在制定最优的资产投资组合从而规避市场风险是非常重要的。

　　2.研究方法及数据来源

　　2.1研究方法

　　本文使用的方法是Diebold和Yilmaz提出的联接网络方法。用这种方法构建一个能源市场—可再生能源股票市场—市场关注度的一个网络系统，分析这个系统的信息传导机制。

　　2.2数据来源

　　在能源市场上，我们选择了三种化石能源的价格：①WTI原油期货②在NYMEX交易的天然气期货合约③在洲际交易所(ICE)交易的煤炭期货合约;在可再生能源股票市场上，我们选择了三个最能代表可再生能源行业的股票指数，分别是①the Wilder Hill Clean Energy Index(ECO)，该指数是由美国证券交易所对42个致力于可再生能源技术和可再生能源开发的公司股票加权平均计算出来的指数。②the S&P Global Clean Energy Index(S&PGCE)，该指数是对全球30个涉及可再生能源生产及设备开发的清洁能源公司的股票价格加权而得。③European Renewable Energy Index(ERIX)，是包含了欧洲最大的30个涉足于风能、太阳能、生物质能和水能等可再生能源公司股票的指数;在可再生能源投资者情绪上，我们采用google trend上的对“可再生能源”，“太阳能”，“风能”三个词条的搜索指数来定义可再生能源市场投资者情绪。Google trend平台能够反映全球各地对某些问题或词条的实时搜索量，也保存了搜索的历史数据。历史数据能查询到不同时间段内的，包括过去一小时、过去一天、过去7天、过去30天、过去90天、过去12个月、过去5年、2004年至今这些时间段，google trend是根据一定地区一定时间段的搜索量来编制google搜索指数的，它有一个标准化的范围在0-100这个区间，在指定地区指定时间段内，100代表该词条热度最高，50代表该词条的搜索热度是前者的一半，0代表该没有足够的搜索数据。由于在该平台上日度数据只能得到3个月之内的，我们结合月度数据和日度数据进行了对应处理，用一个月中的日度搜索值为100的那一天去对应月度指数，并对一个月里的其他日度数据进行同比例的处理，最终得到了样本区间的日度数据，在此基础上，选用周五的数据为周度数据。

　　3.实证结果与分析

　　3.1描述性统计结果

　　从描述性统计数据中可以看出，除石油期货、煤炭期货和天然气期货外，其他平均收益为负;从标准差来看， 三个情绪指数的波动最大，其次是天然气期货、原油期货和欧洲可再生能源指数，说明原油期货、天然气期货和欧洲可再生能源股票的风险较大;从偏度上来看没有特别明显的特征，三大化石能源期货和对太阳能和风能的谷歌搜索指数为右偏，其他变量均为左偏;从峰度上来看，数值全部大于3，说明所有的序列都成尖峰厚尾分布，Jarque-Bera检验全部拒绝了正态分布的假设。ADF检验结果显示，所有的收益率序列均是I(0)序列，即都是平稳的。

　　3.3动态分析

　　3.3.1收益率系统

　　3.3.1.1 总溢出指数的动态分析

　　静态联通网络只能够表现出总溢出指数及变量之间的信息传导，而我们想要研究在不同的时间里，总溢出指数和变量之间的传导的动态表现，因此我们引入了动态的总溢出指数(图 1)。我们选择了H=10，滚动窗口w=100(约为2年的时期)来检验，滚动窗口是我们选择的一个时变参数，即在每个周期仅使用最近的100个周期来估计近似模型并计算溢出指数，比如说，在这里第一个窗口涵盖了2009年6月15日-2011年4月29日的共100个周。滞后阶数根据AIC和SC信息准则确定为2。从图3可以看出，收益率系统的在总溢出指数自2009年至今发生了比较大幅度的变动，从最低的27.60%到最高的45.32%，在2016年达到峰值。在2014年到2015年6月有一个比较明显的下降趋势，我们考虑这可能和2014年油价的暴跌有关。油价的波动一直以来受到很多复杂因素的影响，而且石油在传统能源市场中一直占据着重要地位，这种暴跌可能导致了一定时期内能源市场和金融市场、投资者情绪市场的脱钩，因此这段时间内系统的总溢出指数较低。总体而言，相较于静态收益率系统总溢出指数23.854%来说，我们的动态总溢出结果表明在样本期间的大多数时间里，总溢出指数都保持在一个比较高的水平。

　　图 3 收益率系统动态总溢出指数走势图

　　3.3.1.2变量间的动态溢出

　　图4是两两变量收益率之间的动态信息溢出情况。从图中可以看出，与静态结果差别很大的是，在样本区间的大部分时间里，三大化石能源的收益率都是向可再生能源指数收益率正向溢出的。其中，石油对可ECO指数的正向溢出在0-6.2%之间波动，对S&PGCE指数的正向溢出在0-8.7%之间波动，对ERIX指数的正向溢出在0-6.2%之间波动。值得注意的是2014年11月情况与大部分时间不一样，出现了可再生能源股票指数收益率向石油价格收益率的溢出，且分别达到了8.3%、4.8%和6.3%的解释程度。我们考虑2014年这种特殊的情况仍与2014年下半年油价的崩溃有关。天然气对可再生能源股票价格的正向溢出也比较明显，略小于石油价格的影响程度，其对ECO指数、S&PGCE指数和ERIX指数的正向溢出程度分别在0-5.29%、0-4.73%、0-5.97%之间波动。煤炭对可再生能源股票价格指数在2011—2015年的溢出并不是非常明显，自2016年开始，煤炭价格对可再生能源股票价格指数的解释程度变得较高，对ECO指数、S&PGCE指数和ERIX指数的解释能力最高分别达到了6.19%、9.64%、10.5%。

　　另外，我们从可再生能源投资者情绪与可再生能源指数的动态溢出来进行分析，从图中我们可以看出，相比与静态分析中投资者情绪对可再生能源股票收益的影响可忽略不计相比，在动态上可再生能源投资者情绪对可再生能源股票收益的溢出更明显一些，尤其是从风能这个词条的搜索量向可再生能源股票价格指数的溢出来看，在样本区间的大部分时间是存在风能搜索指数向可再生能源股票价格指数的正向溢出的，且对ECO指数、S&PGCE指数、ERIX指数的解释能力在0-8.07%、0-10.39%和0-4.49%之间波动，对ECO指数与S&PGCE指数的解释能力在2016年年初达到最大。可再生能源与太阳能的Google搜索指数对可再生能源股票价格的溢出方向经常发生变化，且波动也比较大。虽然从整体来看，投资者情绪的影响还是较小，但仍可以从中找到微弱的证据来证明可再生能源投资者情绪对可再生能源市场是有影响的。

　　图 4 收益率系统变量间动态溢出指数图

　　3.3.2波动率系统

　　3.3.2.1总溢出指数的动态分析

　　在用波动率构建的VAR模型中，根据AIC和SC准则确定滞后阶数为2。为了观察波动率系统的动态变化，我们取H=10，滚动窗口w=100(约为2年的时期)来检验，滚动窗口的选择和收益率系统一样，在每一个周期仅使用最近的100个周期来估计近似模型并计算溢出指数。总溢出指数的动态变化如图5所示。从图5可以看出，在观察的时间段内，波动率系统的总溢出指数的波动比收益率系统剧烈，其最低值约为30.9%，最高达到57.05%，在2011年至2014年有下降的趋势，在2014年至2017年又震荡上升，近年来又有走低的趋势。我们可以看出有三个比较明显的峰值和谷值，分别在2011年达到47.2%，在2014年降到最低为30.9%，2017年又达到46.5%的高数值。与收益率动态总溢出指数图相比，其2014-2015年的走势与收益率系统相反，我们考虑这是因为，虽然油价的暴跌使得化石能源市场-可再生能源股票市场-投资者情绪之间出现了收益率的脱钩，但油价的这种不确定性的发生加剧了市场之间的风险传导，这种风险的增加表现在波动率系统总溢出指数的上涨趋势中。

　　图5 波动率系统的动态总溢出指数走势图

　　3.3.2.2变量间的动态溢出分析

　　从图6中我们可以看出，原油波动向可再生能源股价指数的波动是正向的，尤其是对ECO和S&PGCE，且其对可再生能源股票的解释能力明显大于收益率系统。原油波动对ECO指数波动的解释程度在2011年8月最大达到了15.17%，对S&PGCE指数波动的解释程度在2011年8月达到了8.2%，在2017年7月达到了峰值12%。与原油价格波动相比，天然气价格的波动对可再生能源股票价格指数的波动的影响程度较小，且溢出方向不固定。从煤炭价格的波动来看，在大多数时间段里存在煤炭价格波动向可再生能源股票价格指数波动的传导，比较明显的是近3年来煤炭波动对ECO指数波动影响较大，最高达到了10.9%的峰值，这在某种程度上说明了近几年煤炭市场与可再生能源市场关系密切，其风险传导值得可再生能源市场上的投资者注意。

　　就可再生能源投资者市场情绪与可再生能源股价指数的波动而言，对“可再生能源”搜索量的波动对ECO和S&PGCE指数波动的走势类似，均在2012年前后与2018年溢出程度较大，分别最高达到了4.8%和4.4%;从对“太阳能”词条搜索情况来看，我们可以发现在2015年至2017年存在着可再生能源指数波动向可再生能源投资者情绪的波动，这与我们预测的不同，我们预期在大多是时候是可再生能源投资者情绪波动向可再生能源股价指数波动的传导，出现这种情况可能是由于可再生能源市场发生波动引起了投资者的恐慌，因此搜索量的波动会明显一些，这也与Lemieux and Peters提到的人们会增加他们的搜索量以应对市场不确定性的结论一致;从风能搜索指数来看，其对S&PGCE与ERIX指数的波动在多数时间段有一定程度的溢出，但溢出程度也较小，几乎均小于4%的溢出水平。

　　通过以上的分析，我们发现化石能源价格的波动(除天然气比较微弱)对可再生能源市场的波动都存在明显的影响，而可再生能源投资者情绪对可再生能源市场的波动影响较小，但也解释了少部分可再生能源市场的波动，相较于静态分析，动态分析中可再生能源投资者情绪的影响略微明显一些。

　　图 6 波动率系统变量间动态溢出指数图

　　4.结论与政策建议

　　我们利用联接网络的方法构造了一个化石能源市场—可再生能源股票市场—可再生能源投资者情绪的收益率系统和波动率系统，并分别做了静态和动态的分析。本文的研究结论主要有以下几点：

　　(1)收益率系统的静态结果表明系统中有约四分之一的变动是由于我们选择的变量之间的相互作用所导致的，且可再生能源股票市场较天然气、煤炭两大能源市场相比，与原油市场的关系更为密切，另外，可再生能源投资者情绪对可再生能源股票收益率影响很小，几乎可以忽略。

　　(2)相较于静态收益率系统总溢出指数来说，收益率动态总溢出结果表明在样本期间的大多数时间里，总溢出指数都保持在一个比较高的水平。从变量两两间的动态溢出结果来看，三大化石能源均对可再生能源股票存在信息一定的影响;另外，动态的考察可再生能源投资者情绪和可再生能源股票收益率时，我们发现，可再生能源投资者情绪对可再生能源股票收益率有微弱的影响，并不像静态分析中完全可以忽略。

　　(3)波动率系统的静态结果与收益率系统趋势基本相同，在数值上有一定的区别，与收益率表现不同的地方在于，从变量两两间的信息传导来看，化石能源价格波动率之间的互相解释能力有所提高，可再生能源股价波动对化石能源价格波动的解释能力也有所提高，此外，我们也发现化石能源市场的波动与可再生能源市场的波动较收益率来说更加密切。

　　(4)波动率系统的总溢出指数的波动比收益率系统剧烈，提示风险的传导比收益率更应该值得关注;从变量两两间的动态溢出来看，原油波动向可再生能源股价指数的波动是正向的，且其对可再生能源股票的解释能力明显大于收益率系统，煤炭波动近3年来对可再生能源指数波动影响较大，天然气则对其影响程度较小。此外，可再生能源投资者情绪对可再生能源市场的波动影响较小，但也解释了少部分可再生能源市场的波动，与收益率系统类似，动态分析的结果的解释能力仍要强于静态分析。

　　对于可再生能源股票市场的投资者来说，本文的研究结果能够帮助他们更好的认识可再生能源股票市场，近年来可再生能源愈发受到关注，投资者对于可再生能源公司也愈发感兴趣，对可再生能源公司的投资能够促进这些公司的发展，但投资者们在支持可再生能源发展时候，也要识别可再生能源股票价格的影响因素以及潜在的风险。一方面，通过研究我们可知可再生能源股票市场受到来自传统化石能源的影响，尤其是受原油市场的影响较大，因此在传统化石能源价格发生震荡时，投资者应该注意调整自己的资产组合，同时，我们的研究结果有助于投资者识别市场之间的风险传导机制，我们发现当市场发生比较剧烈变动时，系统的总溢出指数会变得更大，此时应警惕风险的传染，如2014年的油价暴跌使得系统总溢出指数增大，因此投资者尤其要注意能源价格的极端变化所导致的风险。对于政策制定者来说，本文能让他们更深入地了解可再生能源行业是如何被化石能源市场和投资者情绪所影响的，传统化石能源价格对可再生能源股票价格的正向溢出在某种程度上能起到对可再生能源发展的自动调节的作用，而此时可以不必在可再生能源政策上过多干预，而在传统化石能源市场对可再生能源股票市场信息溢出比较低的时期里，可以适当加大对可再生能源的政策支持力度。因此，本文的研究结果有助于他们及时制定或调整关于可再生能源行业的政策，促进可再生能源的发展。

　　发表期刊：《能源经济(Energy Economics)》2019年10月，84卷，作者：宋英杰，姬强，杜亚娟，耿江波

　　基金项目：国家社科基金“政策性金融助推环保技术扩散的动力机制及效应研究”(批准号：20BJL041)；国家自然科学基金面上项目“基于非线性视角的农产品质量安全技术的扩散规制研究”(批准号：71573161)；

　　作者简介：宋英杰，山东工商学院金融学院，博士，教授，主要研究方向为政策性金融与绿色金融、政策创新与公共治理。