任英華，趙婉茹，羅良清

(1.湖南大學 金融與統(tǒng)計學院，湖南 長沙 410079；2.江西財經(jīng)大學 統(tǒng)計學院，江西 南昌 330013)

一、引言

20世紀90年代以來世界各國金融危機頻發(fā)，尤其是2008年次貸危機導致的全球性金融危機，引發(fā)了各國監(jiān)管部門對“微觀審慎政策”的重新審視，強調(diào)金融風險需要進行宏觀審慎監(jiān)管。復(fù)雜的股票市場因其標的資產(chǎn)價格的不確定性、投機行為等可能存在的高風險問題而備受關(guān)注。以往研究大多關(guān)注單一股票市場風險的計量和監(jiān)測，關(guān)于股票市場風險傳染的網(wǎng)絡(luò)化問題尚未引起足夠重視。在金融一體化與混業(yè)經(jīng)營的模式下，各國股市已然形成了一個錯綜復(fù)雜的網(wǎng)絡(luò)，一國股市受到一定程度的負面沖擊時容易滋生風險，在“多米諾骨牌”效應(yīng)下通過外溢渠道迅速波及整個金融市場。鑒于此，構(gòu)建全球主要股票市場間風險溢出網(wǎng)絡(luò)，全面監(jiān)測各國股市風險傳染的動態(tài)變化，識別風險溢出中心、排查潛在風險隱患、降低風險傳染概率，對于中國實施宏觀審慎監(jiān)管具有重要意義。

目前，國內(nèi)外關(guān)于風險(VaR)及風險溢出(CoVaR)效應(yīng)的研究，大多采用時間序列的分析方法，以下三類最具代表性：一是波動率方法，可以追溯到Engle的Arch類模型，推廣到Garch、Dcc-Garch等方法[1]。Girardi等基于Dcc-Garch模型估計時變CoVaR，揭示系統(tǒng)性風險的動態(tài)變化過程[2]。李叢文等根據(jù)Garch-時變Copula-CoVaR模型度量影子銀行對商業(yè)銀行的動態(tài)風險溢出效應(yīng)[3]。二是分位數(shù)回歸模型。Engle等首次提出條件自回歸分位數(shù)模型(CAViaR)估計時變VaR[4]。Adrian等使用分位數(shù)回歸對CoVaR模型進行估計，奠定了CoVaR模型后續(xù)研究的基礎(chǔ)[5]。分位數(shù)回歸模型無需指定數(shù)據(jù)生成過程，但缺乏相關(guān)分布假設(shè)導致統(tǒng)計推斷在數(shù)據(jù)稀疏的尾部具有不穩(wěn)定性。三是極值理論(EVT)測度風險[6-7]。常用的極值理論有超門限閥值法(POT)和分塊樣本極大值模型(BMM)，主要關(guān)注序列尾部的條件分布，但擴展到動態(tài)的研究較少。

鑒于各國股票市場的聯(lián)動性不斷加強，已然形成一個整體。除采用時間序列分析方法外，從網(wǎng)絡(luò)拓撲的角度對股票市場的關(guān)聯(lián)性與溢出性進行拓展的研究備受關(guān)注。大量文獻從標的資產(chǎn)收益率的關(guān)聯(lián)性出發(fā)，根據(jù)相關(guān)系數(shù)或引力矩陣采用最小生成樹算法、平面最大過濾圖算法以及閥值法等建立網(wǎng)絡(luò)，揭示股票市場的聯(lián)動性與相關(guān)性[8-10]。黃瑋強等將絕對相關(guān)系數(shù)矩陣轉(zhuǎn)化為距離矩陣，采用最小生成樹算法、平面最大過濾圖算法構(gòu)建中國上證與深證的股指收益率的關(guān)聯(lián)網(wǎng)絡(luò)，發(fā)現(xiàn)關(guān)聯(lián)網(wǎng)絡(luò)內(nèi)節(jié)點之間的相關(guān)性服從冪律分布[11]。Wang等指出用絕對相關(guān)系數(shù)表征股票市場間的相關(guān)性，并沒有剔除其他股市的影響，無法反映二者之間的凈相關(guān)關(guān)系[9]。并且，Engle認為絕對相關(guān)系數(shù)在股票波動率較大的子樣本期(如金融危機期間)是有偏的[12]。

目前，國內(nèi)外文獻從網(wǎng)絡(luò)拓撲角度展開的風險溢出效應(yīng)研究尚處于起步階段[13-14]。國內(nèi)文獻大多借鑒Diebold等的方法，運用廣義向量自回歸模型依托預(yù)測誤差方差分解構(gòu)建溢出指數(shù)，結(jié)合網(wǎng)絡(luò)拓撲結(jié)構(gòu)進行拓展研究[15-17]。然而，一方面基于該方法計算的溢出指數(shù)多為波動性溢出，與真正的風險溢出(CoVaR)有所區(qū)別。另一方面，該方法需要設(shè)置滾動窗口，如果窗寬過短，時變溢出的異常值容易增多；如果窗寬過長，可能無法捕捉一些突變情況。此外，窗寬的存在也會使時變溢出的計算結(jié)果損失一個窗寬長度。

有鑒于此，本文試圖從以下方面進行拓展研究：在研究對象上，以全球30個主要股票市場為例，從宏觀角度考察全球股市間的風險溢出關(guān)系。值得注意的是，不同于以往集中在年度和月度層面的研究[13]，本文將蘊含豐富信息的日度交易數(shù)據(jù)應(yīng)用于風險傳染的研究中，更能滿足實際需要。在研究思路上，以網(wǎng)絡(luò)化的視角探討股票市場風險傳染關(guān)系，采用動態(tài)和靜態(tài)相結(jié)合的方式分析風險溢出網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和板塊特征。在研究方法上，Dcc-Garch-Copula-ΔCoVaR模型通過引入時變 Copula函數(shù)度量股票市場間的動態(tài)相依性，從而更有效地刻畫金融市場風險溢出的變化情況。根據(jù)各時點的風險溢出關(guān)系建立的動態(tài)網(wǎng)絡(luò)，不僅能夠避免人為設(shè)置窗口的偏誤，而且有助于監(jiān)測網(wǎng)絡(luò)特征及演化模式，捕捉行為異常的時期，在金融風險監(jiān)管，系統(tǒng)風險評估等領(lǐng)域具有重要的應(yīng)用價值。在構(gòu)建全局靜態(tài)網(wǎng)絡(luò)時，由于時變風險的頻繁波動和噪聲干擾極大影響了全樣本網(wǎng)絡(luò)連接的準確性，本文摒棄以往文獻的網(wǎng)絡(luò)構(gòu)建方法(例如，MST和PMFG)，首次從小波分解的角度提取風險溢出序列的均值、趨勢、波動以及周期信息，得到反映風險溢出特征的綜合指標，作為網(wǎng)絡(luò)的連邊。這種方法不僅能夠最大限度地減小信息損失，更能表征整個樣本期間風險溢出的綜合特征。

二、研究方法

(一)時變Dcc-Garch-Copula-ΔCoVaR模型

風險價值(VaR)被視為標準的市場風險衡量指標，是指投資組合在給定的置信區(qū)間內(nèi)的最大可能損失，與分位函數(shù)密切相關(guān)，可結(jié)合波動率法(Garch)、極值理論(EVT)和條件自回歸分位數(shù)模型(CAViaR)等方法測度。Dcc-Garch-Copula-ΔCoVaR模型將Garch模型和Copula函數(shù)結(jié)合到VaR框架中。其中，Dcc-Garch模型能夠捕捉股市波動的典型特征，如厚尾性，Copula函數(shù)可刻畫兩國股票市場間的相依結(jié)構(gòu)，二者結(jié)合可有效衡量股票市場的時變風險溢出。

在采用Copula 函數(shù)捕捉股市之間的動態(tài)相關(guān)結(jié)構(gòu)時，首先需要確定單個國家股票市場的邊緣分布，再選取合適的Copula函數(shù)來刻畫兩個國家股票市場的聯(lián)合分布。為了更好地體現(xiàn)各收益率序列的尖峰厚尾特征，本文選用偏t分布的Garch模型擬合邊緣分布。具體過程如下：

首先，對股票市場收益率序列的均值方程建立AR(1)模型，考慮到金融時間序列的尖峰厚尾特征以及波動的非對稱性，采用偏t分布的Garch(1，1)模型進行擬合，模型的具體形式如下：

ri，t=c+c1ri，t-1+ei，t

(1)

ei，t=hi，tεi，t，εi，t～SKT(υ，λ)

(2)

(3)

然后，利用Copula函數(shù)刻畫兩個股市收益率的聯(lián)合分布，根據(jù)Sklar對Copula連接函數(shù)的描述，它將隨機變量的聯(lián)合分布與邊緣分布連接在一起，任意二維聯(lián)合分布函數(shù)都可以靈活地通過連接函數(shù)與各自的邊緣分布構(gòu)造：

F(x1，x2)=C(F1(x1)，F(xiàn)2(x2))，?x1，x2∈R

(4)

(5)

根據(jù)信息準則和對數(shù)似然函數(shù)值選擇較優(yōu)的時變連接函數(shù)對兩兩股市之間的關(guān)系進行刻畫。由于不同股市間的相依結(jié)構(gòu)不同，選擇的Copula函數(shù)也有所不同，大多以時變t-Copula函數(shù)為主，相應(yīng)的密度函數(shù)如下：

t-Copula函數(shù)：

(6)

關(guān)于相關(guān)系數(shù)，本文參考Engel的方法，選擇Dcc-Garch模型刻畫時變相關(guān)系數(shù)矩陣[12]：

(7)

(8)

Adrian等將CoVaR定義為一國股票市場發(fā)生風險時給其他國家股市帶來的風險[5]，其本質(zhì)上就是當某一國家股票市場處于顯著性水平分位點(VaR)時另一國家的條件概率分布的分位數(shù)，減去自身風險即為風險溢出ΔCoVaR。

(9)

(10)

(11)

其中，rt是收益率序列，F(xiàn)t-1是過去時刻的信息。則股市1受股市2的CoVaR1|2應(yīng)該滿足：

C1|2(F1(CoVaR1|2)，q)=q

(12)

可見上述分位數(shù)其實就是對密度函數(shù)求變上限積分，所以只要得到變量分布的密度函數(shù)，就可以計算CoVaR。再根據(jù)式(10)即可計算時變風險溢出。

(二)靜態(tài)、動態(tài)風險溢出網(wǎng)絡(luò)構(gòu)建

根據(jù)復(fù)雜網(wǎng)絡(luò)的思想，伴隨資本市場開放，國內(nèi)與國際業(yè)務(wù)交叉滲透，地理空間上的限制基本能夠克服，一國股市很容易將風險傳染給相距遙遠的國家，復(fù)雜的股市通過相互溢出形成網(wǎng)絡(luò)。網(wǎng)絡(luò)中節(jié)點為各股票市場，邊為成對股市間的風險溢出。通過Dcc-Garch-Copula-ΔCoVaR模型測出全球兩兩股市間時變風險溢出，任意時點的風險溢出關(guān)系均可視為該時點網(wǎng)絡(luò)的邊，采用閥值法(以均值為閥值)過濾風險溢出較小的邊，保留較大的風險溢出關(guān)系構(gòu)建復(fù)雜網(wǎng)絡(luò)。依次構(gòu)建各時點的風險溢出網(wǎng)絡(luò)，最終形成動態(tài)網(wǎng)絡(luò)。本文構(gòu)建的動態(tài)復(fù)雜網(wǎng)絡(luò)不僅能夠分析不同國家之間股市風險溢出的網(wǎng)絡(luò)特征及其演變過程，而且不需要設(shè)置窗口參數(shù)，避免人為設(shè)置窗口的偏誤。

關(guān)于整個樣本期內(nèi)靜態(tài)風險溢出網(wǎng)絡(luò)的構(gòu)建，本文首次借鑒戴大洋等運用小波分解提取主成分降維的思想[18]，采用小波多分辨分析提取整個樣本期風險溢出的均值、趨勢、波動、周期特征，通過熵權(quán)法計算權(quán)重，得到表征股票市場之間風險溢出關(guān)系的綜合指標，視作靜態(tài)網(wǎng)絡(luò)的邊，運用閥值法構(gòu)建整個樣本期風險溢出靜態(tài)網(wǎng)絡(luò)。小波分析能夠通過濾波器將風險溢出序列分成低頻信號和高頻信號，從低頻信號中提取的均值和趨勢特征可更好地反映風險溢出的整體變化，避免噪聲和干擾；高頻信號能較好地提取時間序列的波動以及周期信息，基于該方法得到的綜合指標能有效度量整個樣本期的風險溢出效應(yīng)。

小波多分辨分析是指用一個具有震蕩性且能夠迅速衰減到零的小波基，通過尺度伸縮以及平移變換逼近某一信號，具體形式如下：

(13)

其中，Wf(a，b)為小波變換系數(shù)；f(t)為信號函數(shù)，a為伸縮尺度，b為平移參數(shù)。

小波周期可以根據(jù)小波方差的時序變化得到，小波方差取得最大波峰值對應(yīng)的就是主周期。小波的方差可以通過小波系數(shù)的平均值在b域上求期望得到：

(14)

小波的波動用第一層高頻數(shù)據(jù)(d1)的標準差表示：

(15)

關(guān)于風險溢出的“均值”以及“趨勢”特征，采用經(jīng)小波分層后最后一層的低頻數(shù)據(jù)(at)計算。

(16)

(17)

(三)數(shù)據(jù)描述

依據(jù)股票市場數(shù)據(jù)的可得性以及收益率序列的擬合效果，本文最終確定的研究對象為全球30個主要股票市場，根據(jù)地理位置可分為美洲地區(qū)，歐洲、中東和非洲地區(qū)(EMEA)及亞洲地區(qū)(1)其中美洲地區(qū)5個，即美國、加拿大、墨西哥、智利、阿根廷；EMEA國家14個，包括奧地利、德國、英國、西班牙、芬蘭、比利時、瑞士、荷蘭、希臘、捷克布拉格、斯洛伐克、俄羅斯、南非、澳大利亞；亞洲地區(qū)11個，分別是中國內(nèi)地以及香港地區(qū)、日本、新加坡、韓國、泰國、菲律賓、印度、以色列、土耳其、斯里蘭卡。為有效反映全球股市的基本情況，本文根據(jù)“經(jīng)濟基礎(chǔ)說”選擇了股票市值占全球股市比重大、地理分布涉及較為廣泛的30個股票市場進行研究。。股市收益率均是根據(jù)股票市場收盤價的對數(shù)差分計算得到，數(shù)據(jù)來源于湯森路透數(shù)據(jù)庫，樣本為2000年1月3日至2018年12月4日的股市日度交易數(shù)據(jù)，共有 4 937個交易日。全球主要股市收益率及其描述性統(tǒng)計見表1。

表1 描述性統(tǒng)計

三、實證分析

(一)時變風險溢出的測度結(jié)果分析

在進行風險溢出測度前，對各股票收益率序列進行單位根檢驗，均為平穩(wěn)序列(2)由于文章篇幅限制，單位根檢驗結(jié)果并未給出，感興趣的讀者可以向作者索要。。從表1的描述性統(tǒng)計結(jié)果可知，股票收益率不服從正態(tài)分布，具有高峰厚尾特性，因此本文運用偏t分布的Garch模型擬合各個國家股票市場的波動情況。

表2是Garch模型擬合的結(jié)果。其中，α為殘差平方滯后項系數(shù)，β為條件方差滯后項系數(shù)，α+β為衰減系數(shù)，表示股票市場波動的持續(xù)性。結(jié)果顯示所有股票指數(shù)的α+β值均高于0.9，這與李岸等的研究基本一致，說明股票市場在未來存在持續(xù)波動。比較各個國家α和β系數(shù)發(fā)現(xiàn)，中國內(nèi)地、香港地區(qū)以及日本的α系數(shù)略低于其他國家，β系數(shù)略高，說明中國以及日本股票市場的信息敏感程度低，股票指數(shù)的波動主要依靠自身的記憶性。

表2 偏t分布的Garch(1，1)模型的參數(shù)估計結(jié)果

時變Garch-Copula-ΔCoVaR方法測出30個股票市場的時變風險VaR以及任意兩個市場之間的時變風險溢出ΔCoVaR(870個)。限于篇幅，本文僅展示中國內(nèi)地與香港股市的風險狀況(圖1)以及其他主要國家對中國股市的風險溢出(圖2)，以便中國股市更好地防范他國風險傳染。

由圖1可知，中國上證綜指和香港恒生指數(shù)的風險變化趨勢大致相同，具有一定的波動性與集聚性。極端波動主要在2007—2009年和2015—2016年兩個時間段，這與2008年美國次貸危機引發(fā)全球股災(zāi)以及2015年中國股災(zāi)情況相吻合。其中，2008年金融危機籠罩下的中國香港股市面臨的風險更大，遭受的沖擊更深，風險由-0.01飆至-0.045。而2015年股災(zāi)主要危及內(nèi)地股市，數(shù)次千股跌停及熔斷機制的失敗給中國內(nèi)地股市帶來了巨大的沖擊，風險大幅上升。此外，在2001年末和2016年末到2017年初，還存在兩個相對較大的下行波動，中國股票市場風險增大。這與2001年國有股減持、股價急劇下跌以及2016年英國意外脫歐對中國股市的沖擊有關(guān)。其他時間段比如2013年風險增大，可能與中國國內(nèi)的“錢荒”有關(guān)。這些充分表明極端事件對中國股市的長期穩(wěn)定發(fā)展造成極大的不利影響，而時變Garch-Copula-ΔCoVaR模型能夠較好地捕捉股票市場的風險變化。

圖2為全球主要股市對中國股市的溢出效應(yīng)。上圖表示中國內(nèi)地股市受中國香港、美國、英國以及日本股市風險溢出的影響，下圖展示了中國內(nèi)地、美國、英國以及日本股市對中國香港股市時變風險溢出的漸進演變過程。大體而言，風險溢出變化幅度不大，可能是因為剔除了自身風險，只考慮對中國股市的凈溢出。不同市場的風險溢出始終為負，說明在不考慮其他市場發(fā)生極端損失(風險)的情況下，美國、英國、日本股市發(fā)生風險時都會在一定程度上沖擊中國股市。另外，中國內(nèi)地股市受英國股市的風險溢出最大，港股次之，美國第三，日本最小。中國香港股市受美國、英國的風險沖擊遠大于中國內(nèi)地以及日本，且風險溢出更為直接和明顯，可能與香港地區(qū)和美國、英國的經(jīng)濟、貿(mào)易等聯(lián)系更密切有關(guān)。

圖1 中國股票市場風險時序圖

圖2 全球主要股票市場對中國股市的風險溢出時序圖

(二)靜態(tài)風險溢出網(wǎng)絡(luò)

考慮到全球金融市場聯(lián)系密切，風險溢出途徑相互交織，有必要將整個樣本期風險溢出關(guān)系整體納入分析框架中，全面考察各個國家的股票市場在全球風險溢出網(wǎng)絡(luò)中扮演的角色和發(fā)揮的作用。在小波提取整個樣本期風險溢出的均值、波動、趨勢以及周期特征的基礎(chǔ)上，運用熵權(quán)法賦權(quán)(權(quán)重分別是0.254、0.235、0.249、0.261)，建立綜合指標，用于整體靜態(tài)網(wǎng)絡(luò)分析。

由圖3可知，風險溢出具有復(fù)雜性，彼此之間普遍聯(lián)系、相互傳染，沒有任何一個國家是完全“孤立”于網(wǎng)絡(luò)之外的。進一步分析靜態(tài)網(wǎng)絡(luò)的結(jié)構(gòu)特征發(fā)現(xiàn)，網(wǎng)絡(luò)中實際存在的關(guān)聯(lián)數(shù)為 514，可能存在的最大關(guān)聯(lián)數(shù)是870，網(wǎng)絡(luò)密度為0.591，說明各個國家之間風險傳染的密切程度相對較高。風險溢出網(wǎng)絡(luò)的關(guān)聯(lián)度為 1，表明全球主要國家金融市場風險傳染網(wǎng)絡(luò)的通達性好，各個國家之間普遍存在溢出，抑制國家之間風險的傳染還有很長的路要走。平均聚類系數(shù)達到0.710，表示風險傳染程度高、傳染面廣，其中中國的聚類系數(shù)只有0.595，表明中國對他國風險傳染的程度遠低于平均水平。平均最短路徑大于1，表明風險在有些國家間并不是直接傳染，而是通過中介渠道傳染。

圖3 靜態(tài)風險溢出網(wǎng)絡(luò)圖

表3 靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)特征

接下來是各個股票市場的中心性分析，根據(jù) 表4 第一列的點出度中心度可以看出，排名前4的國家分別是美國以及三個歐洲國家，即英國、荷蘭、奧地利，這與接近中心度出度排名前四的國家一致，說明這些國家處于風險溢出的中心，具有輻射作用，對其他國家存在較多的風險溢出。美國及部分開放的歐洲發(fā)達國家風險溢出程度高，這與梁琪等的研究基本一致[19-20，13]。根據(jù)第二列入度不難發(fā)現(xiàn)，芬蘭、俄羅斯、瑞士、捷克以及希臘入度和中心度排名靠前，在整體上受到風險的傳染較強，這些國家亦屬于歐洲地區(qū)，一定程度上表明歐洲地區(qū)內(nèi)部金融風險傳染的兩極分化現(xiàn)象嚴重，存在明顯的非對稱性?？赡茉蛑饕袃蓚€方面：第一，盡管同屬于歐洲地區(qū)，但不同地區(qū)的經(jīng)濟基礎(chǔ)和金融開放進程存在差異。第二，歐債危機重創(chuàng)歐洲國家，歐元區(qū)市場面臨的共同風險敞口被進一步放大，容易遭受風險溢出。部分學者，如劉海云等關(guān)于節(jié)點中心度的研究結(jié)果，證實歐元區(qū)風險溢出存在非對稱性[13]。關(guān)于中間中心度，中國內(nèi)地、奧地利、荷蘭以及美國股市位列前四，具有很強的中介性，助力風險傳染，加強風險傳染網(wǎng)絡(luò)的緊密性與聯(lián)通性。其中，上證綜指位列第一達到64.3，最容易成為傳染的中介渠道。究其原因，上證綜指較高的點入度說明容易受到風險傳染，“一帶一路”的推進加強中國與沿線國家的交流合作，風險容易通過中國這一中介傳染給投資環(huán)境和金融穩(wěn)定性較差的國家。

表4 節(jié)點中心性分析

通過塊模型分析，可得到全球主要股票市場網(wǎng)絡(luò)的空間聚類特征、溢出關(guān)系、地位以及作用等。主要根據(jù)股票市場風險溢出網(wǎng)絡(luò)，采用 CONCOR(Convergent Correlations)方法，選擇最大分割度為 2，將30個股票市場地位和作用相近的節(jié)點劃分為同一個板塊，共有4個板塊，結(jié)果見表5。

從表5可知，在空間溢出整體網(wǎng)絡(luò)的514個關(guān)系中，第一板塊成員有8個，分別是美國、奧地利、日本、英國、韓國、荷蘭、澳大利亞以及中國香港地區(qū)，內(nèi)部溢出數(shù)為23個，溢出關(guān)系總數(shù)為134個，期望內(nèi)部關(guān)系比例為0.241，實際內(nèi)部關(guān)系比例是0.172，為主溢出板塊，該板塊主要進行風險傳染活動。第二板塊成員數(shù)有7個，均為亞洲地區(qū)，分別是中國、新加坡、印度、菲律賓、以色列、斯里蘭卡、泰國，其中內(nèi)部關(guān)系數(shù)為28，溢出關(guān)系總數(shù)為195，期望內(nèi)部關(guān)系比例為0.207，實際內(nèi)部關(guān)系比例為0.144，該板塊既傳染風險又會受到風險傳染，且接受的風險溢出較少，具有中介作用，為經(jīng)紀人板塊。第三板塊成員數(shù)為 6個，分別是南非、阿根廷、加拿大、智利、墨西哥、比利時，該板塊接收關(guān)系數(shù)為 116 個，其中內(nèi)部關(guān)系數(shù)為19個，溢出關(guān)系總數(shù)為89個，期望內(nèi)部關(guān)系為 0.172，實際內(nèi)部關(guān)系為0.213，為雙向溢出板塊。第四板塊成員數(shù)為 9個，分別是捷克、芬蘭、德國、希臘、俄羅斯、斯洛伐克、西班牙、瑞士、土耳其，板塊接收總數(shù)為239個，溢出關(guān)系數(shù)為96個，期望內(nèi)部關(guān)系比例為0.276，實際內(nèi)部關(guān)系比例為0.646，為主受益板塊，該板塊接受風險傳染的關(guān)系數(shù)明顯高于其進行風險傳染的關(guān)系數(shù)?？傮w而言，金融風險傳染在整體上具有區(qū)域性，板塊聚類特征明顯，主溢出板塊的成員地理分布廣泛，主要集中在美、歐、亞三大洲，多為金融發(fā)達的國家或地區(qū)，經(jīng)紀人板塊成員來自亞洲國家，主受益板塊成員多為歐洲國家和一些發(fā)展中國家。這與梁琪等的研究基本一致，他們認為開放的發(fā)達國家對外風險溢出程度最高，開放的發(fā)展中國家主要遭受來自外部的風險溢出[19，13]。

表5 金融市場風險傳染網(wǎng)絡(luò)各板塊的溢出關(guān)系

通過像矩陣進一步考察風險在各個板塊之間的溢出與傳導機制(見表6)。像矩陣的計算規(guī)則如下：根據(jù)各個板塊的密度矩陣可知整體網(wǎng)絡(luò)密度為0.582，如果板塊的密度大于0.582，就賦值為1；反之賦值為0。由像矩陣可見，第一板塊分別對第二和第四板塊具有溢出效應(yīng)；第二板塊對其他的三個板塊均有溢出效應(yīng)；第三板塊對自身以及第四板塊有溢出作用；第四板塊僅對自身內(nèi)部具有風險溢出，大體上具有既集聚又傳遞的性質(zhì)。

表6 股票市場風險溢出板塊的密度矩陣與像矩陣

(三)動態(tài)風險溢出網(wǎng)絡(luò)

為捕捉全球主要股市風險溢出網(wǎng)絡(luò)的演化特征，圖4展示了樣本期間風險溢出網(wǎng)絡(luò)拓撲特征的變化情況?？傮w而言，平均路徑長度與聚類系數(shù)保持反向變動關(guān)系，且聚類系數(shù)較高，平均路徑長度較低，表明風險溢出網(wǎng)絡(luò)可能具有的“小世界現(xiàn)象”。具體可分為以下四個階段。第一個階段為2000年至2005年10月左右，自2000年美國股市大崩盤以來，全球股市一度處于低迷狀態(tài)，復(fù)雜網(wǎng)絡(luò)的聚類系數(shù)整體呈緩慢上升的態(tài)勢，平均路徑長度下降。第二階段是2005年10月至2008年初，隨著美聯(lián)儲降息調(diào)整，逐漸恢復(fù)發(fā)展，以及中國2005年的股權(quán)分置改革，股市迎來了春天。金融市場風險溢出局面緩和，復(fù)雜網(wǎng)絡(luò)的聚類系數(shù)急劇下降，平均路徑長度增加。第三階段是2008年金融危機期間，這一時期復(fù)雜網(wǎng)絡(luò)的聚類系數(shù)大幅變動，甚至達到峰值，表明隨著全球金融危機的爆發(fā)，股票市場風險傳染的幅度加強，節(jié)點之間聯(lián)系更加密切。由于危機期間股市脆弱，金融市場悲觀情緒彌漫，一國股票市場受到?jīng)_擊很可能通過貿(mào)易渠道、流動性不足、共同貸款人等渠道傳染其他國家的宏觀經(jīng)濟的基本面，造成大面積的恐慌。這種影響一直持續(xù)到2011年危機之后的休養(yǎng)生息階段，全球股市發(fā)展相對穩(wěn)定，各國風險傳染的程度減弱。第四階段為2013年至2018年，這一階段波動頻繁，整體具有緩慢下降的態(tài)勢。期間聚類系數(shù)在2013年和2015年中期波動劇烈，在2015年波動更為頻繁，可見美聯(lián)儲加息和原油價格暴跌等重大事件的發(fā)生對全球股市造成了一定的沖擊，中國股災(zāi)也在一定程度上加強了股票市場的風險傳染。經(jīng)濟金融等極端事件的發(fā)生加劇了全球股市間的風險溢出，風險溢出網(wǎng)絡(luò)更加緊密，經(jīng)濟金融穩(wěn)定時期的風險網(wǎng)絡(luò)相對松散。

為考察風險溢出網(wǎng)絡(luò)是否具有“小世界”特征，隨機生成1 000個與整體網(wǎng)絡(luò)等規(guī)模的隨機網(wǎng)絡(luò)，計算其聚類系數(shù)與平均路徑長度(結(jié)果見表7)，并與時變風險溢出網(wǎng)絡(luò)的結(jié)構(gòu)特征進行對比，發(fā)現(xiàn)時變風險溢出網(wǎng)絡(luò)的平均路徑長度略低于隨機網(wǎng)絡(luò)，聚類系數(shù)均高于隨機網(wǎng)絡(luò)，時變風險溢出網(wǎng)絡(luò)具有小世界性，這與劉海云等的研究結(jié)論一致[13]。

圖4 股票市場風險溢出網(wǎng)絡(luò)結(jié)構(gòu)特征變化的時序圖

表7 網(wǎng)絡(luò)的結(jié)構(gòu)特征

限于篇幅，無法將4 937個動態(tài)風險溢出網(wǎng)絡(luò)一一展示，僅選取6個時點的網(wǎng)絡(luò)作為代表。圖5中前五個圖為危機期間的風險傳染網(wǎng)絡(luò)，分別是2000年4月14日、2008年10月7日、2015年8月25日、2016年1月1日以及2016年6月23日的網(wǎng)絡(luò)拓撲圖(3)2000年4月14日、2008年10月7日、2015年8月25日、2016年1月1日以及2016年6月23日分別對應(yīng)美國股災(zāi)、次貸危機、美聯(lián)儲加息和石油價格暴跌、中國A股實行熔斷機制、英國脫歐的時間。，最后一個為隨機選取的非危機時點的網(wǎng)絡(luò)?？傮w而言，前五個網(wǎng)絡(luò)的節(jié)點聯(lián)系緊密，沒有任何孤立的點，表明危機期間全球主要股市的風險溢出較強。EMEA樣本最多，風險溢出關(guān)系最為明顯。雖然美洲大陸樣本最少，但其風險溢出數(shù)量大于亞洲地區(qū)，尤其是美國，多次靠近中心位置，這種情況在2008年10月7日的網(wǎng)絡(luò)中更為明顯。另外，前五個網(wǎng)絡(luò)的密度、節(jié)點平均度、集聚系數(shù)均顯著較高，揭示了危機期間各國風險傳染的密切與復(fù)雜關(guān)系。其中，2008年10月7日的指標最大，說明此次金融危機的爆發(fā)在全球股票市場上的傳染面廣、傳染深度大。作為對照隨機抽取的2007年3月12日非危機時點的網(wǎng)絡(luò)，網(wǎng)絡(luò)密度均小于危機期間的密度，但依然大于0.5，說明在經(jīng)濟平穩(wěn)、金融安全的時期也應(yīng)該進行風險的預(yù)警與防控。

四、結(jié)論與建議

本文基于時變Dcc-Garch-Copula-ΔCoVaR模型測度2000年1月3日至2018 年12月4日全球30個主要股票市場的時變風險溢出，構(gòu)建靜態(tài)與動態(tài)風險溢出網(wǎng)絡(luò)。從靜態(tài)角度剖析股票市場風險傳染網(wǎng)絡(luò)的結(jié)構(gòu)與特點，分析節(jié)點的中心性以及板塊特征，識別風險傳染的源頭以及各個國家在風險中扮演的角色和起到的作用；從動態(tài)角度分析樣本期間風險溢出網(wǎng)絡(luò)的時變特征演化趨勢。全球主要股票市場間的時變風險溢出的集聚與波動變化不盡相同，主要結(jié)論如下(4)關(guān)于30個股票市場的風險溢出，筆者也分別采用美國道瓊斯指數(shù)以及深證成指替換納斯達克指數(shù)以及上證綜指進行穩(wěn)健性檢驗，經(jīng)過分析，指標的變化基本沒有改變關(guān)于風險溢出網(wǎng)絡(luò)特征的三條主要結(jié)論，本文基于30個股票市場的主要研究結(jié)論是穩(wěn)健和可靠的。為了節(jié)省篇幅，這里沒有報告所有的檢驗結(jié)果，感興趣的讀者可以向作者索取。：

其一，時變Garch-Copula-ΔCoVaR模型測度美國、日本、英國股市對中國股市的時變風險溢出為負。中國內(nèi)地股市受英國股市的風險溢出最大。港股受到美國以及英國的時變風險溢出更為直接和明顯。

其二，靜態(tài)全局網(wǎng)絡(luò)下的中心性和“塊模型”分析表明美、英等國是風險溢出的中心，中國是風險傳染的中介渠道，歐洲國家的風險溢出具有明顯的非對稱性。各國風險的板塊聚類特征明顯，主溢出板塊的成員地理分布廣泛，多為金融發(fā)達的國家和地區(qū)，如美國、英國、日本等；經(jīng)紀人板塊成員均為亞洲國家；主受益板塊成員多為歐洲國家和一些發(fā)展中國家，如希臘和土耳其。

圖5 局部風險溢出網(wǎng)絡(luò)圖注：圓上數(shù)字標注了各層節(jié)點度的大小，各地區(qū)股票市場根據(jù)自身節(jié)點度的大小從內(nèi)到外排序。

表8 風險溢出網(wǎng)絡(luò)的特征

其三，動態(tài)風險溢出網(wǎng)絡(luò)符合小世界特征。聚類系數(shù)與平均路徑長度基本呈反向變動，在危機期間急劇增加，危機之后普遍減弱。危機時點比非危機時點的網(wǎng)絡(luò)密度大、連接渠道多、風險溢出強。

依據(jù)前述結(jié)論，本文得到如下政策啟示：第一，各國應(yīng)密切合作加強跨國市場的審慎監(jiān)管，并嘗試建立全球統(tǒng)一的風險防范與監(jiān)管準則。全球主要股票市場之間風險溢出的負向性與網(wǎng)絡(luò)化致使風險傳染范圍廣、傳播速度快，在經(jīng)濟全球化、資本市場不斷開放的今天，一國很難在危機中獨善其身，因此應(yīng)該集合眾人之力實施監(jiān)管，制定統(tǒng)一的國際監(jiān)管準則以及風險隔離機制。第二，發(fā)揮“主溢出”作用的發(fā)達國家應(yīng)加強自身股票市場的監(jiān)測、預(yù)警與防范，從源頭上防范和化解風險。將大數(shù)據(jù)以及人工智能等先進技術(shù)引入到股票市場風險監(jiān)測中，加大股票市場監(jiān)測力度并捕捉日常交易中可能存在的異常信號，降低風險傳染到“主受益”國家的可能。第三，鑒于中國極易成為風險傳染的中介渠道，更容易暴露在風險環(huán)境中，金融業(yè)在尋求開放突破的同時要兼顧開放的力度，提高金融業(yè)的競爭力主動化解風險。第四，跨國投資者在制定投資組合策略時應(yīng)從全局出發(fā)，充分考慮各國金融市場的風險溢出關(guān)系，合理評估風險，及時調(diào)整投資策略。