重大突发事件背景下金融行业间极端风险相依和风险溢出研究

谢赤 莫廷程 李可隆

摘 要：金融行业的风险问题关系到金融稳定和经济安全。构建包含利空消息和利好消息的时变Copula-CoVaR模型，結合金融危机、股市震荡、贸易摩擦、疾病疫情等重大突发事件，考量金融行业之间的极端风险相依结构和风险溢出效应及其动态演化过程。结果表明，金融行业间风险相依和风险溢出均具有显著的厚尾性、非对称性和时变性特征，同时存在显著的动态极端风险相依和风险溢出，且下尾风险相依和风险溢出的程度更大，对市场行情下跌的反应更为敏感;银行业在整个金融系统中发挥着至关重要的作用，其对证券业、保险业和其他金融业的极端风险相依和风险溢出均处于较高水平;不同时期的重大突发事件对金融行业间极端风险相依和风险溢出的影响存在明显差异，事发后风险相依变化较为平缓，而风险溢出急剧加强并表现出持续性。

关键词： 金融行业;极端风险;风险相依;风险溢出;重大突发事件;时变Copula-CoVaR

中图分类号：F830.9   文献标识码： A    文章编号：1003-7217（2021）03-0002-09

一、引 言

2020年伊始，新冠肺炎疫情突如其来，各国经济社会系统猝不及防、损失惨重。其实在更早的时候，实体经济的发展困难已经显现，贸易摩擦的推波助澜使得经济下行压力进一步增大。经济基础的动荡和突发事件的爆发，导致不确定性持续上升，金融行业的潜在风险不断积累和膨胀。当前，保障金融安全被提到国家战略的高度，“稳金融”成为做好“六稳”工作和落实“六保”任务的重要内容。金融行业的职能是为实体经济提供资金融通服务，其承担或蕴含的风险受到市场信息的作用，始终处于“利空”和“利好”消息的交替和综合影响之中。在此背景下，系统考察金融行业之间的风险关系对于全面深化改革开放下的金融稳定和处于新常态下的经济增长均具有十分重要的意义。

本文关注的金融行业间风险关系的内涵主要包括风险相依和风险溢出两个部分。一方面，金融行业之间风险关联密切，结构复杂，准确描述其风险相依结构和状态特征，成为一段时间以来学术界关注的重要课题;另一方面，金融行业除了面临自身风险之外，还受到外来风险的影响，明晰它们之间风险溢出的作用路径和效应强度，有利于对其加以精准防范。厘清风险相依结构可以为深入刻画风险溢出效应提供参考和依据，在金融行业间存在显著风险相依性条件得到满足的前提下，进一步探讨它们间的风险溢出效应更加具有现实价值。

已有研究证实金融主体之间存在复杂的风险相依结构，学者们重点聚焦于风险相依模型的选取及其风险特征的描述。目前，针对风险相依的度量方法主要包括Pearson相关系数、Granger因果检验、DCC-GARCH模型和Copula模型等[1-5]。其中，Copula模型能够更加准确地捕捉金融主体之间的非线性、时变性和厚尾性等复杂特征，特别是重大突发事件下的尾部相依性。近年来，学者们将时变Copula、MRS Copula和Vine Copula等模型广泛用来描述金融主体间复杂的相依特征。苑莹等使用EVT-时变Clayton Copula模型，分析相关国家股票市场之间在股灾发生前后的下尾极值动态关系，其结果表明存在非线性、尾部极值相依性和时变性的相依特征[6];Gong等基于有偏t分布的GJR-GARCH-GAS的边际分布，使用时变旋转Gumbel Copula模型考察原油期货市场之间的动态尾部相依度，侧重关注其厚尾性和时变性[7]。吴筱菲等基于包含Markov状态转换的时变SJC Copula模型展开相关探讨，发现中国内地股票市场与香港股票市场之间有着非线性和非对称的时变相依结构，并持续存在高低两种不同状态的概率转换现象[8]。余乐安等借助R-Vine Copula模型刻画国际油价与中美多个行业股价之间的相依关系，将不同序列纳入同一框架下，进而描述它们之间的相依结构[9]。

同时现有文献还认为，某个金融主体会通过一定的风险传染渠道和机制，对其他金融主体产生相应的风险溢出效应，学者们主要采用CoVaR模型来探讨金融主体的风险溢出效应。当前，使用得较多的风险溢出测度方法有CoVaR模型、MES模型、SRISK模型、CCA模型以及复杂网络技术等[10-15]。其中，CoVaR模型占据主导，它重点关注某个金融主体在处于金融危机的状态下，对整个金融体系产生风险溢出的程度。近些年，许多学者对CoVaR模型进行改进和优化。Girardi和Ergün将CoVaR模型的条件进行扩展，由分位点下的收益率等于风险值推广至最多等于风险值，以反映更多的尾部极值信息[16];赵树然等使用多条件CoVaR模型，由单个金融机构处于风险推广至多个金融机构同时面临风险，以更为准确地反映实际风险溢出状况[17]。王周伟等认为，现今的CoVaR模型的估计方法通常有分位数回归、DCC-GARCH和Copula等，其中的分位数回归侧重描述序列之间的不同分位水平下的线性风险关系，DCC-GARCH主要考虑风险波动的聚集性和风险相依的时变性，Copula突出刻画非线性和厚尾性的风险特征[18]。李政等使用LASSO分位数回归-CoVaR模型探究中国金融机构的脆弱性和传染性，重点刻画金融系统的极端风险[19]。Xu等考虑金融收益率序列的厚尾特征，使用DCC-MIDAS-t方法估计CoVaR模型，剖析中国银行业的系统性风险[20]。翟永会使用时变Student-t-Copula-CoVaR模型，考察各个行业之间非线性和时变性的风险特征，探讨实体行业与银行行业之间的动态风险溢出效应[21]。

综上所述，学术界在金融市场之间风险相依和风险溢出的测度方面已经取得一定的研究成果，不过仍存在以下问题需要进一步解决：对分析对象而言，大部分文献主要从金融机构和金融市场的视角来考察风险相依和风险溢出，而少有基于金融行业的视角同时关注这两个问题，事实上金融行业间的风险隐患亦不可忽视;就研究细节来看，学者们重点考虑的是市场行情下跌时的风险溢出效应，而对行情上涨时的风险溢出现象有所忽略。鉴此，本文试图在现有研究的基础上完成如下改进：一是从银行业、证券业、保险业和其他金融业等四个金融行业的视角出发，分别描述它们之间的极端风险相依结构和风险溢出效应;二是将反映市场行情上涨和下跌的上尾和下尾风险置于同一框架之中，以此刻画风险相依和风险溢出的非对称特征。本文的研究思路如下：首先，构建模型，包括边际分布的TGARCH模型、风险相依的时变Copula模型和风险溢出的时变Copula-CoVaR模型;其次，实证分析，考虑利空和利好消息的影响，通过时变SJC Copula模型刻画金融行业间的尾部相依结构，使用时变SJC Copula-CoVaR模型测度它们间的上尾和下尾风险溢出效应;最后，总结全文，并提出相应的风险防控建议。

二、研究方法

（一）TGARCH模型

不言而喻，本研究主要依赖的风险相依模型和风险溢出模型必须能准确拟合相关金融行业收益率序列的边际分布。考虑到TGARCH模型可以较好解决金融时间序列中存在的自回归、条件异方差、非对称性和厚尾性等问题，故决定采用其来刻画银行业、证券业、保险业和其他金融业的收益率序列边际分布。TGARCH模型一般包括均值方程、方差方程和残差分布三个部分[22]。

1. 均值方程。

（二）时变Copula-CoVaR模型

本文选用时变Copula模型的尾部相依系数和CoVaR模型来描述金融行业间的风险相依结构和风险溢出效应，其原因主要是考虑到时变Copula模型具有如下优势：第一，相比于Pearson相关系数和Granger因果检验等，时变Copula模型能够更为准确地刻画收益率序列之间的非线性和厚尾性等风险相依特征，特别是重大突发事件下的尾部相依性;第二，时变Copula模型的限制条件较少，无需考虑联合分布的具体形式，可以将联合分布问题简化为边际分布的确定和最优Copula模型的选取;第三，相比于分位数回归和DCC-GARCH等，时变Copula模型在估计CoVaR时能够更为准确地反映非线性、时变性和非对称性等特征，综合反映金融行业间的动态上尾和下尾风险溢出效应，全面分析利好消息和利空消息等不同市场行情下的风险差异。

同时，由于CoVaR模型能够刻画某个金融行业处于危机条件下其他金融行业的风险水平，综合考虑金融行业之间的风险溢出作用，有效测度其对系统性金融风险的贡献程度，故决定采用该模型来展开相关研究，具体是通过时变Copula模型对CoVaR进行估计。

其中，C为Copula函数。根据分布函数的定义，有FXi（VaRiq）=Pr（Xi≤VaRiq）。于是，可以得到v=q。另外，参考Reboredo和Ugolini的思路[22]，设定q和p的分位数均为0.05，则可以计算下尾的VaR、CoVaR和ΔCoVaR，而上尾相关指标对应的q和p均为0.95，以此即可反映金融行业间极端风险溢出效应。

综上所述，可以将时变Copula-CoVaR模型估计的基本步骤总结如下：首先，在既定的C、v、p和q条件下，通过式（11）得到u值;然后，根据u=FXj（CoVaRj|ip）求解出CoVaRj|ip;最后，依据CoVaRj|ip和VaRjq計算出ΔCoVaRj|ip，此即银行业i对证券业j的风险溢出：

（三）数据来源与描述性统计

考虑到“申万”二级行业指数遵循证监会的行业分类标准，较为充分地反映了各个行业的基本特点、实际情况和市场状态，具有一定的专业性、准确性和权威性，故使用该指数来代表银行业、证券业、保险业和其他金融业等四个金融行业的发展状况。其中，前三者是整个金融行业的传统主要组成部分，后一个是指除此以外的其他所有金融业态，包括信托、互联网金融和消费金融等。

本文的实证研究主要基于“申万”二级行业指数的日收益率展开，以较晚面世的保险业交易数据的可得日期2007年1月17日为起始时间，终止时间确定为2021年1月31日，一共包含3416个数据，它们均来源于Wind数据库。数据处理和模型运算所采用的软件为R和Matlab。

类似于经济发展的周期性，金融行业之间的风险也表现出一定的周期性、阶段性和结构性的变化规律。为了考察不同时期金融行业间风险相依和风险溢出的动态演化规律，依据实际的重大突发事件的发展态势和宏观经济的变化状况，设定和划分样本时间区间如下：2007年1月17日至2009年12月31日为次贷危机期，样本量722个，期间发生美国次贷危机和中国经济增速放缓，内部和外部需求大幅萎缩，实体经济面临较大困难;2010年1月1日至2014年12月31日为欧债违约期，样本量1212个，期间发生欧洲债务危机和后危机时代经济复苏缓慢，产能过剩问题日益突出，经济下行压力持续加大;2015年1月1日至2017年12月31日为股市震荡期，样本量732个，期间发生中国股灾、美联储加息和英国脱欧等，股价剧烈波动，金融市场持续动荡;2018年1月1日至2021年1月31日为贸易摩擦期，样本量750个，期间发生中美贸易摩擦和新冠肺炎疫情等，经济增长复杂性和不确定性加大，经济结构调整和转型升级不断深化。

首先通过描述金融行业收益率序列的基本统计特征，为边际分布模型的选取提供参考和依据。如表1所示，由平均值和标准差可知，各个金融行业的收益率均值均为正数，表明它们的收益情况较好，其中银行业收益水平最高，而证券业的收益波动最大;观察偏度、峰度和JB检验可以发现，各行业收益率序列均存在右偏、尖峰和非正态的分布特征;从ARCH效应检验来看，各收益率序列均存在ARCH效应，具有显著的异方差性;根据LB检验不难判断，各行业收益率均不存在序列相关性;ADF检验结果表明，各收益率不存在单位根，均为平稳序列。综上所述，四个金融行业收益率序列的分布特征不适合于传统的线性回归模型，因此需要采用GARCH类模型对其进行拟合。

三、金融行业间风险相依结构分析

通过TGARCH模型来拟合各个金融行业的日收益率序列，在此基础上使用时变Copula模型的尾部相依系数刻画各个金融行业之间的风险相依结构。

（一）边际分布拟合

为了准确地拟合银行业、证券业、保险业和其他金融业的收益率序列的边际分布，根据AIC准则确定GARCH模型的最优形式为AR（1）-TGARCH（1，1），残差序列服从有偏t分布①。TGARCH模型的参数估计和拟合效果检验结果如表2所示。

一般而言，TGARCH模型的ARCH项、GARCH项和非对称效应项系数分别反映时间序列的波动性、聚集性和非对称性特征。从参数估计结果来看，由ARCH项参数α1可知，其他金融业对市场波动的反应最为敏感，波动性特征最为显著，其次为银行业，保险业最为迟钝;由GARCH项参数β1和α1+β1的结果可以看出，证券业和保险业的波动均具有较强的聚集性，即存在较强的持续性和长记忆性，而银行业和其他金融业的聚集性特征相对较弱;由非对称效应项参数λ1不难发现，四个金融行业在面对外部信息冲击时均存在非对称的波动特征，具有杠杆效应，证券业和其他金融业受利空消息的冲击更大，而银行业和保险业更容易受利好消息的影响。另外，偏度参数ξ和形状参数γ的估计结果说明，各金融行业的标准残差序列分布均存在显著的非对称性和厚尾性。

至于模型的拟合效果，由LB和LB2检验对应的p值可知，四个金融行业的标准残差序列均不存在自相关;ARCH检验对应的p值表明，它们的标准残差序列都不存在ARCH效应，排除了条件异方差问题。因此可以说，有偏t分布的AR（1）-TGARCH（1，1）模型的拟合效果好，能够准确地刻画银行业、证券业、保险业和其他金融业的收益率序列分布状况。

（二）时变Copula模型选择

在确定了边际分布之后，使用时变Copula模型的尾部相依系数来描述和分析各个金融行业之间的动态风险相依结构。

这里，首先需要完成的工作就是挑选出最优Copula模型，其基本步骤为：一是提取AR（1）- TGARCH（1，1）模型的标准残差序列，将其通过概率积分变换为均匀分布形式的数据;二是构建时变Copula模型，使用IFM方法估计它的参数;三是根据AIC准则选择和确定最优时变Copula模型。目前，实际应用中的时变Copula模型种类繁多，本文考虑较为常用的Gaussian Copula、Student-t Copula、Gumbel Copula、Clayton Copula和SJC Copula等五种，它们反映不同的对称性程度和尾部相依特征，其参数估计结果如表3所示。

不难看出，各个金融行业之间时变SJC Copula模型对应的AIC值在五种函数中均最小，表明其拟合效果最好，它就是最优Copula模型。其次是时变Student-t Copula模型，最差的是时变Clayton Copula模型。因此，选择时变SJC Copula模型来刻画金融行业之间的尾部相依结构。

（三）尾部相依系数计算

根据时变SJC Copula模型的参数估计结果，可以得到四个金融行业间的动态上尾和下尾相依系数，具体结果如图1所示。各个金融行业的尾部风险相依结构具有如下特征：

（1） 它们之间的上尾和下尾相依系数均为正值，表明金融行业间具有正向相依关系，其收益率是同涨同跌的。具体而言，银行业与保险业间的上尾和下尾相依程度最高，其均值分别为0.5213和0.6354，其次为证券业与其他金融业间，分别为0.5215和0.6061;而银行业与其他金融业间上尾相依性最弱，其均值为0.3367，保险业与其他金融业的下尾相依性最弱，其均值为0.4032。在实际经济运行中，银行业与保险业之间资金和業务往来的确最为密切，2018年银监会和保监会合并成立银保监会，其重要目标就是综合防范银行业和保险业的风险。

（2） 它们之间的风险相依具有厚尾性和非对称性的特征，均同时存在上尾和下尾相依关系，且下尾相依系数大于上尾相依系数。例如，银行业和证券业间的上尾相依系数为0.4509，小于其下尾相依系数0.4898。不仅如此，银行业与保险业间上尾与下尾相依系数之间的差距最为明显，其次为证券业与其他金融业间的，最小为银行业与证券业间的，表明银行业与保险业之间受到市场行情下跌和外部危机等利空消息的影响较大。

（3） 各个时期它们之间尾部相依性的变化趋势基本一致。仔细来看，股市震荡期的各个尾部相依性都具有显著的下降态势，而其他时期的尾部相依性的变化均较为平缓，表明金融行业间的尾部相依对股市波动的反应较为敏感。同时，欧债违约期的尾部相依性最大，其次为贸易摩擦期和次贷危机期，最小的为股市震荡期，但各个时期之间的差异并不明显，出现结构突变的现象较少，表明各个时期金融行业间的尾部风险相依具有一定的稳定性和持续性。

四、金融行业间风险溢出效应分析

下面使用时变SJC Copula-CoVaR模型，分别从上尾和下尾两个角度比较各个金融行业之间的极端风险溢出效应。

图2主要反映了金融行业间极端风险溢出效应的动态演化过程。具体而言，金融行业间的动态极端风险溢出效应具有如下特征：

（1） 金融行业间的风险溢出效应具有厚尾性和非对称性，存在显著的极端风险溢出效应，且下尾风险溢出效应大于上尾风险溢出效应。上下尾部风险溢出差距最大的是其他金融业对证券业的溢出，下尾为7.0909，上尾为6.4434，表明其他金融业对证券业在市场行情下跌时风险溢出效应更强，即对利空消息的反应更为敏感，这与前文关于风险相依的研究结果是一致的。

（2） 整体而言，银行业对别的金融行业，包括证券业、保险业和其他金融业的尾部风险溢出效应最大，其次分别为保险业和其他金融业，最小的为证券业，表明银行业在金融行业间风险溢出中处于最为重要的地位。具体来看，银行业对证券业的上尾和下尾溢出分别为6.3324和6.8790，对保险业的分别为4.7292和4.9698，对其他金融业的分别为3.9464和4.1756，表明在银行业发生危机时，证券业受到的影响最大，反应出的波动最为明显。

（3） 各个时期的尾部风险溢出效应按从大到小的次序排列为：次贷危机期>股市震荡期>欧债违约期>贸易摩擦期，即次贷危机期和股市震荡期的尾部风险溢出相对较大。在2008年次贷危机和2015年股灾爆发后，金融行业受到经济下行和行情下跌的巨大冲击，金融体系原有的市场均衡机制以及风险调节机制遭到严重破坏。通过一定的风险传导机制，金融行业之间的负外部性被放大，其风险调整和平稳发展体系受到冲击，从而极端风险溢出效应得以产生。

五、结论与政策建议

从金融行业视角出发，在重大突发事件持续爆发的时代背景下，综合考虑利空消息和利好消息的影响，使用时变SJC Copula-CoVaR模型，系统探讨了金融行业之间尾部风险相依结构和风险溢出效应，得到如下研究结论：（1） 金融行业之间的尾部风险相依和风险溢出均存在显著的非对称性，其下尾风险相依和溢出的程度大于上尾，表明市场信息对金融行业间的风险反馈机制具有差异性，它们更容易受到利空消息的影响，面对行情下跌表现得更为敏感。（2） 银行业是整个金融的核心组成部分，相比于证券业、保险业和其他金融业，它不仅与别的金融行业的尾部风险相依关系更为紧密，对它们的极端风险溢出效应也更强。（3） 金融行业风险受2008年次贷危机和2015年股市灾难的冲击较大，贸易摩擦和新冠肺炎也有一定的影响。在重大突发事件出现时，金融行业间风险溢出具有显著的加剧趋势，并表现出一定的持续性。值得注意的是，由于金融市场、宏观经济和国际冲击等因素的综合影响，风险相依的波动受重大突发事件的冲击较小，表现出一定的稳定性。

据此，提出相应的政策建议：（1） 相关监管部门在市场不景气时更需要加强对金融行业的审慎监管，完善信息披露制度，通过出台刺激政策和发布有利消息等方式提升市场的信心和预期，以控制金融行业之间的风险传染。（2） 相关监管部门需要重点加强对银行业的监管，实时关注其风险外溢动态，完善内部控制和风险管理机制，加大不良资产的处置力度，优化银行之间的资源配置，提高对系统重要性银行的监管要求，同时规范影子银行和中小银行等金融机构的合规管理。（3） 相关监管部门需要完善重大风险应急机制，支持金融行业在绿色金融、普惠金融和金融科技等领域的创新，鼓励大数据、区块链、云计算和人工智能等新兴技术在产品研发和服务优化中的运用，提升金融行业的风险技防能力。

注释：

① 限于篇幅，AIC准则的相关结果在此没有给出，如有需要可以向作者索取。

参考文献：

[1] Baak M， Koopman R， Snoek H， et al. A new correlation coefficient between categorical， ordinal and interval variables with Pearson characteristics [J]. Computational Statistics & Data Analysis， 2020， 152： 107043.

[2] He Z. Dynamic impacts of crude oil price on Chinese investor sentiment： Nonlinear causality and time-varying effect [J]. International Review of Economics & Finance， 2020， 66： 131-153.

[3] Do A， Powell R， Yong J， et al. Time-varying asymmetric volatility spillover between global markets and Chinas A， B and H-shares using EGARCH and DCC-EGARCH models [J]. The North American Journal of Economics and Finance， 2020， 54： 101096.

[4] Constantin A， Peltonen T A， Sarlin P. Network linkages to predict bank distress [J]. Journal of Financial Stability， 2018， 35： 226-241.

[5] Ji Q， Liu B Y， Nehler H， et al. Uncertainties and extreme risk spillover in the energy markets： A time-varying copula-based CoVaR approach [J]. Energy Economics， 2018， 76： 115-126.

[6] 苑瑩， 王海英， 庄新田. 基于非线性相依的市场间金融传染度量——测度2015年中国股灾对重要经济体的传染效应[J]. 系统工程理论与实践， 2020， 40（3）： 545-558.

[7] Gong X L， Liu X H， Xiong X. Measuring tail risk with GAS time varying copula， fat tailed GARCH model and hedging for crude oil futures [J]. Pacific-Basin Finance Journal， 2019， 55： 95-109.

[8] 吴筱菲， 朱淑珍， 白正午. 基于MRS-SJC-Copula模型对A股与港股的动态联动性研究[J]. 运筹与管理， 2020， 29（1）： 176-184.

[9] 余乐安， 查锐， 贺凯健，等. 国际油价与中美股价的相依关系研究——基于不同行业数据的分析[J]. 中国管理科学， 2018， 26（11）： 74-82.

[10]Adrian T， Brunnermeier M. CoVaR [J]. American Economic Review， 2016， 106（7）： 1705-1741.

[11]宫晓莉， 熊熊， 张维. 我国金融机构系统性风险度量与外溢效应研究[J]. 管理世界， 2020， 36（8）： 65-83.

[12]陈湘鹏， 周皓， 金涛， 等. 微观层面系统性金融风险指标的比较与适用性分析——基于中国金融系统的研究[J]. 金融研究， 2019（5）： 17-36.

[13]苟文均， 袁鹰， 漆鑫. 债务杠杆与系统性风险传染机制——基于CCA模型的分析[J]. 金融研究， 2016（3）： 74-91.

[14]Hrdle W K， Wang W， Yu L. Tenet： Tail-event driven network risk [J]. Journal of Econometrics， 2016， 192（2）： 499-513.

[15]杨子晖， 陈里璇， 陈雨恬. 经济政策不确定性与系统性金融风险的跨市场传染——基于非线性网络关联的研究[J]. 经济研究， 2020， 55（1）： 65-81.

[16]Girardi G， Ergün A T. Systemic risk measurement： Multivariate GARCH estimation of CoVaR [J]. Journal of Banking & Finance， 2013， 37（8）： 3169-3180.

[17]趙树然， 米月， 任培民. 群体分析视角下商业银行对金融体系的风险溢出效应研究[J]. 统计研究， 2018， 35（3）： 52-65.

[18]王周伟， 吕思聪， 茆训诚. 基于风险溢出关联特征的CoVaR计算方法有效性比较及应用[J]. 经济评论， 2014（4）： 148-160.

[19]李政， 朱明皓， 范颖岚. 我国金融机构的传染性风险与系统性风险贡献——基于极端风险网络视角的研究[J]. 南开经济研究， 2019（6）：132-157.

[20]Xu Q， Chen L， Jiang C， et al. Measuring systemic risk of the banking industry in China： A DCC-MIDAS-t approach [J]. Pacific-Basin Finance Journal， 2018， 51： 13-31.

[21]翟永会. 系统性风险管理视角下实体行业与银行业间风险溢出效应研究[J]. 国际金融研究， 2019（12）：74-84.

[22]Reboredo J C， Ugolini A. Quantile dependence of oil price movements and stock returns [J]. Energy Economics， 2016， 54： 33-49.

（责任编辑：钟 瑶）

Abstract：The risk of financial industry is related to financial stability and economic security. Based on major emergencies such as financial crisis， stock market turbulence， trade friction and disease epidemic， this paper constructs a time-varying Copula CoVaR model including bad news and good news to study the extreme risk dependence structure and risk spillover effect between financial industries and its dynamic evolution process. The empirical results show that the risk dependence structure and risk spillover effect between financial industries have significant fat-tailed， asymmetric and time-varying characteristics， and there are significant dynamic extreme risk dependence and risk spillover. In addition， the greater the degrees of tail risk dependence and risk spillover are， the more sensitive the reaction to the market decline is. The bank industry plays a vital role in the whole financial system， and its extreme risk dependence and risk spillover to the securities industry， insurance industry and other financial industry are at a high level. Major emergencies in four periods have significantly different influences on extreme risk dependence and risk spillover between financial industries. After the occurrence of the major emergencies， the change of risk dependence is relatively gentle， while the risk spillover increases sharply and shows continuity.

Key words：financial industry; extreme risk; risk dependence; risk spillover; major emergency; time-varying Copula CoVaR