■周 亮

一、引言

網(wǎng)絡(luò)關(guān)聯(lián)度常被用來識別不同經(jīng)濟(jì)個體間的相互關(guān)系。當(dāng)網(wǎng)絡(luò)關(guān)聯(lián)度越高時，經(jīng)濟(jì)個體間的關(guān)系更為復(fù)雜，聯(lián)系更為緊密。當(dāng)某個經(jīng)濟(jì)個體（尤其是在網(wǎng)絡(luò)中重要性較高的個體）出現(xiàn)問題的時候，風(fēng)險很容易通過網(wǎng)絡(luò)傳導(dǎo)至其他經(jīng)濟(jì)個體上，從而導(dǎo)致其他較為脆弱的經(jīng)濟(jì)個體出現(xiàn)問題。衡量網(wǎng)絡(luò)關(guān)聯(lián)度的方法較多，代表性的包括Billio et al.（2012）利用格蘭杰因果網(wǎng)絡(luò)提出的動態(tài)因果指數(shù)（DCI）、Diebold和Yilmaz（2012）基于廣義誤差方差分解提出的信息溢出指數(shù)法。通過借鑒系統(tǒng)性金融風(fēng)險的衡量指標(biāo)和方法來對股市整體的數(shù)據(jù)進(jìn)行分析，可以對股市整體的系統(tǒng)性風(fēng)險進(jìn)行識別，并為投資者的風(fēng)險識別與管理提供有益的幫助和借鑒。

考慮到網(wǎng)絡(luò)關(guān)聯(lián)度不僅可以將其作為單一指標(biāo)研究其動態(tài)特征及對市場整體的影響，還可以通過研究網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)識別各行業(yè)的風(fēng)險溢出狀況?；诖?，筆者擬利用申萬行業(yè)指數(shù)收益率及波動率構(gòu)造我國股市行業(yè)層面的網(wǎng)絡(luò)關(guān)聯(lián)度，并試圖從以下三個方面詳細(xì)研究行業(yè)網(wǎng)絡(luò)關(guān)聯(lián)度的動態(tài)特征及其對股市下跌風(fēng)險的影響：第一，網(wǎng)絡(luò)關(guān)聯(lián)度的動態(tài)特征如何？風(fēng)險較高的時間節(jié)點的網(wǎng)絡(luò)關(guān)聯(lián)度是否明顯高于風(fēng)險較低的時間節(jié)點？第二，不同行業(yè)在網(wǎng)絡(luò)中的特征是否有顯著差異？哪些行業(yè)在系統(tǒng)中的重要程度更高？第三，網(wǎng)絡(luò)關(guān)聯(lián)度是否能夠?qū)ξ磥淼墓墒邢碌L(fēng)險進(jìn)行預(yù)測，從而為投資者的風(fēng)險管理提供有益借鑒？

二、文獻(xiàn)綜述

自資本資產(chǎn)定價模型（Sharpe，1964）提出以來，學(xué)者們對不同風(fēng)險因子的定價能力進(jìn)行了深入研究，最具代表性的是三因子模型（Fama&French，1992），通過市場、規(guī)模及估值三個因子可以很好地解釋股票的橫截面收益差異。除此以外，動量因子、流動性因子、質(zhì)量因子、波動率因子、盈利因子和投資因子等都被證明具有顯著的定價能力。還有學(xué)者從股市下跌風(fēng)險角度識別可預(yù)測的因子或因素，如Huang & Wang（2009）發(fā)現(xiàn)內(nèi)生的流動性需求可以引起股票收益的負(fù)偏和厚尾，從而引發(fā)缺乏任何沖擊的股市暴跌。劉桂榮（2017）發(fā)現(xiàn)投資者情緒與股市下跌風(fēng)險正相關(guān)，并且投資者情緒的悲觀變動比樂觀變動對股市下跌風(fēng)險的影響更大。呂大永和吳文鋒（2019）從流動性角度進(jìn)行了相關(guān)研究，發(fā)現(xiàn)杠桿融資交易量及其波動均顯著加劇了標(biāo)的股價的下跌風(fēng)險?？梢钥吹剑趯κ袌鱿碌L(fēng)險的研究中，流動性問題是學(xué)者們關(guān)注的焦點，實際上，網(wǎng)絡(luò)關(guān)聯(lián)度所代表的系統(tǒng)性風(fēng)險也包含了股市下跌風(fēng)險的預(yù)測信息，股市中各行業(yè)或各企業(yè)的聯(lián)動性很強(qiáng)，表現(xiàn)為具有較強(qiáng)的網(wǎng)絡(luò)關(guān)聯(lián)度，當(dāng)網(wǎng)絡(luò)關(guān)聯(lián)度發(fā)生異動時，往往也能對股市的下跌風(fēng)險進(jìn)行預(yù)測。

網(wǎng)絡(luò)關(guān)聯(lián)度在金融領(lǐng)域常被用來對系統(tǒng)性金融風(fēng)險衡量和對系統(tǒng)重要性金融機(jī)構(gòu)進(jìn)行識別，如Li&Giles（2015）采用多元GARCH模型測算各市場或機(jī)構(gòu)間收益率或波動率的相關(guān)性，但是多元GARCH 模型并不能很好地捕捉風(fēng)險的動態(tài)變化特征（Barunik et al.，2016），因此Kritzman et al.（2011）基于主成分分析法提出了信息吸收比率，Diebold & Yilmaz（2012）基于廣義誤差方差分解提出了信息溢出指數(shù)法，以及Billio et al.（2012）利用格蘭杰因果網(wǎng)絡(luò)提出了動態(tài)因果指數(shù)（DCI），可以對風(fēng)險的動態(tài)性進(jìn)行更有效的分析。周亮和李紅權(quán)（2019）驗證了信息溢出指數(shù)及格蘭杰因果網(wǎng)絡(luò)在識別中國大陸系統(tǒng)性金融風(fēng)險的有效性。也有部分學(xué)者將金融風(fēng)險指標(biāo)作為市場系統(tǒng)性風(fēng)險對待，如陳湘鵬和何碧清（2019）采用金融巨災(zāi)風(fēng)險指標(biāo)對中國股市的橫截面收益進(jìn)行了定價。但是到目前為止，還較少有文獻(xiàn)研究網(wǎng)絡(luò)關(guān)聯(lián)度對股市未來收益率或者下跌風(fēng)險的影響?？紤]到系統(tǒng)性風(fēng)險的累積往往預(yù)示著市場收益率下行的可能性增加，因此網(wǎng)絡(luò)關(guān)聯(lián)度的上升很可能會導(dǎo)致股市下跌風(fēng)險的增加。

基于此，本文擬采用格蘭杰因果網(wǎng)絡(luò)及信息溢出指數(shù)構(gòu)造我國股市的行業(yè)網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)，在分析其動態(tài)特征及各行業(yè)在網(wǎng)絡(luò)中不同表現(xiàn)的基礎(chǔ)上，利用Logit 等模型考察行業(yè)網(wǎng)絡(luò)關(guān)聯(lián)度對股市下跌風(fēng)險的影響，以為投資者的風(fēng)險管理提供經(jīng)驗借鑒。相對于其他學(xué)者的研究，本文的主要創(chuàng)新之處在于：一方面，利用網(wǎng)絡(luò)模型研究了我國A股行業(yè)間的動態(tài)網(wǎng)絡(luò)關(guān)聯(lián)特征，并分析了關(guān)聯(lián)度較高時各行業(yè)對外風(fēng)險的溢出特征，識別出系統(tǒng)重要性行業(yè)。另一方面，通過建立Logit模型，研究了系統(tǒng)網(wǎng)絡(luò)關(guān)聯(lián)度及行業(yè)對外風(fēng)險溢出度對股市下跌風(fēng)險的預(yù)測能力，可以為金融投資實踐及風(fēng)險管理提供有益的借鑒。

三、研究設(shè)計

（一）網(wǎng)絡(luò)關(guān)聯(lián)度衡量指標(biāo)

1.格蘭杰因果網(wǎng)絡(luò)指數(shù)（DCI）

借鑒Billio et al.（2012）的方法利用股市的行業(yè)指數(shù)來構(gòu)造市場的整體網(wǎng)絡(luò)關(guān)聯(lián)度。假設(shè)系統(tǒng)中有N 個行業(yè)，則定義行業(yè)j 到行業(yè)i 的信息溢出Iij為：

則可以用整體的信息溢出度來衡量系統(tǒng)的網(wǎng)絡(luò)關(guān)聯(lián)度，計算公式為：

同樣可以定義單個行業(yè)對整個系統(tǒng)的影響程度，包括對外溢出（out）和接受溢出（in）兩個方面，如公式（3）所示：

通過對單個行業(yè)對外溢出和接受溢出的分析，則可以對行業(yè)的相對影響力進(jìn)行評估。

2.信息溢出指數(shù)（Spillover）

參考Diebold&Yilmaz（2012）方法來研究金融機(jī)構(gòu)間的信息溢出關(guān)系，第j 個變量的結(jié)構(gòu)沖擊對第i個變量滯后H階方差變化的貢獻(xiàn)度：

在公式（5）的基礎(chǔ)上就可以定義總信息溢出值為變量間的方差分解貢獻(xiàn)度對總方差的貢獻(xiàn)，可以用其來對系統(tǒng)的網(wǎng)絡(luò)關(guān)聯(lián)度進(jìn)行衡量，計算公式為：

（二）回歸模型

通過建立回歸模型探討網(wǎng)絡(luò)關(guān)聯(lián)度對股市下跌風(fēng)險的預(yù)測能力。分別建立OLS和Logit回歸模型如式（7）和式（8）所示：

其中，Rt+1為下一期Wind 全A 指數(shù)收益率；Net為網(wǎng)絡(luò)關(guān)聯(lián)度，包括DCI和Spillover 兩種，由于基于收益率計算的指標(biāo)包含的信息含量更多，因此這里僅考慮基于收益率計算的DCI 和Spillover，DCI 進(jìn)行差分表示變化率，Spillover 進(jìn)行對數(shù)差分表示變化率；Xt為一系列控制變量，筆者選擇了工業(yè)增加值環(huán)比、CPI 環(huán)比、M2、10年期國債到期收益率、市場總換手率以及市場波動率作為控制變量；Rt為當(dāng)期的指數(shù)收益率，用來控制市場收益率的自相關(guān)性。Logitt+1為邏輯回歸變量，代表股市的下跌風(fēng)險，樣本區(qū)間內(nèi)Wind 全A 指數(shù)收益率的均值為0.29%，最小值為-37.16%，發(fā)生在2009 年8 月，Q（0.1）、Q（0.2）和Q（0.3）分別為-8.6%、-5.3%和-2.7%，因此本文首先將Logitt+1設(shè)定為“當(dāng)Rt+1＜-2.7%時取1，否則為0”，后續(xù)穩(wěn)健性檢驗中將-2.7%分別替換成-5.3%和-8.6%進(jìn)行分析。

同時本文還考慮了市場狀態(tài)可能對網(wǎng)絡(luò)關(guān)聯(lián)度預(yù)測能力的影響，因此設(shè)置了Market和Sent兩個虛擬變量。其中Market 是牛熊市指標(biāo)，借鑒Cooper et al.（2004）等學(xué)者的研究，如果指數(shù)當(dāng)月收益率大于過去3年的月度收益率均值時，定義為牛市，此時Market 取1；反之則定義為熊市，此時Market 取0。由于需要用到3 年的滾動樣本，因此Market 指標(biāo)是從2003 年1 月開始。借鑒高大良等（2015）方法，提取新增投資者開戶數(shù)、市場換手率、封閉式基金折溢價、波動率等4個指標(biāo)的第一主成分作為Sent代理變量，所有指標(biāo)均采用經(jīng)工業(yè)增加值和CPI 回歸后的殘差進(jìn)行分析。當(dāng)Sent 大于其序列中位值時設(shè)定為1，否則為0。由于部分情緒源指標(biāo)均在2011年后才有數(shù)據(jù)，因此Sent 指標(biāo)是從2011 年1 月開始。同樣建立回歸模型驗證網(wǎng)絡(luò)關(guān)聯(lián)度與市場狀態(tài)的交互作用，如式（9）和式（10）所示：

其中，Yt+1為Rt+1或Logitt+1，β1反映熊市或者低情緒期網(wǎng)絡(luò)關(guān)聯(lián)度對股市下跌風(fēng)險的預(yù)測能力，β1+β2反映牛市或者高情緒期網(wǎng)絡(luò)關(guān)聯(lián)度對股市下跌風(fēng)險的預(yù)測能力。

（三）樣本選取

為避免因個股上市時間并不一致，且不同行業(yè)上市公司數(shù)量差異較大而導(dǎo)致的行業(yè)偏差問題，本文選擇了申萬一級行業(yè)指數(shù)作為研究對象。申萬一級行業(yè)指數(shù)將全部A 股上市公司分為了食品飲料、醫(yī)藥生物、家用電器等28個行業(yè)，絕大部分指數(shù)均是2000年開始對外發(fā)布，樣本的橫截面數(shù)量和時間跨度均較為理想。因此最終選擇2000 年1 月—2020 年2 月所有行業(yè)指數(shù)的日數(shù)據(jù)進(jìn)行分析，共包括4883個交易日。

表1 行業(yè)收益率描述性統(tǒng)計

四、實證檢驗結(jié)果

（一）描述性統(tǒng)計分析

表1 報告了行業(yè)日收益率的描述性統(tǒng)計結(jié)果（限于篇幅，僅報告了年化收益率排名前10的行業(yè)），可以看到，食品飲料行業(yè)在樣本區(qū)間獲得了最高的年化收益率，同時其年化波動率在所報告的10個行業(yè)中也是最低的。除了用年化波動率來衡量風(fēng)險，表1還報告了衡量尾部風(fēng)險的VaR（在險價值）和CVaR（條件在險價值）。從表1可以看出，食品飲料行業(yè)的尾部風(fēng)險同樣是最低的，由于收益最高，風(fēng)險最低，因此食品飲料行業(yè)的夏普比率（SR）達(dá)到了0.4，遠(yuǎn)超其他行業(yè)。同時本文借鑒黃金波等（2018）等學(xué)者的研究，用CVaR 替換了夏普比率的標(biāo)準(zhǔn)差，構(gòu)造了調(diào)整夏普比率（adj-SR），從而可以更好地對尾部風(fēng)險調(diào)整后收益進(jìn)行衡量。結(jié)果顯示，食品飲料行業(yè)的adj-SR 達(dá)到了1.71，遠(yuǎn)高于其他行業(yè)。除了食品飲料行業(yè)外，醫(yī)藥生物和家用電器的adj-SR也超過了1，說明這兩個行業(yè)也具有較高的風(fēng)險調(diào)整后收益，而其他行業(yè)的表現(xiàn)就相對要差很多了。

（二）網(wǎng)絡(luò)關(guān)聯(lián)度特征分析

1.網(wǎng)絡(luò)關(guān)聯(lián)度的動態(tài)特征

分別采用行業(yè)指數(shù)收益率和波動率來構(gòu)造DCI 和Spillover 指標(biāo)來衡量市場的網(wǎng)絡(luò)關(guān)聯(lián)度。其中，波動率采用的是GARCH 波動率，對日收益率序列建立ARMA（1，0）-GARCH（1，1）模型得到每天的GARCH 波動率序列，再利用公式（1）-（6）建模。滾動窗口設(shè)定為250 日（即一年的交易時間），即利用t-249日至t日的數(shù)據(jù)來計算第t日的DCI和Spillover 指標(biāo)值。計算出每天的網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)值后，再將每個月內(nèi)的所有日數(shù)據(jù)進(jìn)行平均，則可以得到最終用來分析的月度網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)值。由于用到了一年的滾動窗口，因此實際得到的網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)值是從2001年1月至2020年2月。

表2 網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)描述性統(tǒng)計

表2 報告了網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)值的描述性統(tǒng)計結(jié)果，其中Q（0.25）表示25%分位數(shù)，AR（1）表示一階自相關(guān)系數(shù)，其他以此類推?？梢钥吹?，因為計算方法上的差異，DCI（基于收益率計算）和DCI_Vol（基于波動率計算）均在0.5 以下，而Spillover（基于收益率計算）和Spillover_Vol（基于波動率計算）均在80以上，說明不同行業(yè)間的信息溢出較為緊密，但真正能夠構(gòu)成格蘭杰原因的較少，兩個指標(biāo)雖然都可以用來分析網(wǎng)絡(luò)關(guān)聯(lián)度，但所表達(dá)出的內(nèi)容是存在著差異的。從自相關(guān)系數(shù)看，無論是DCI還是Spillover 均表現(xiàn)出了較強(qiáng)的自相關(guān)性，一階自相關(guān)系數(shù)均在0.9 以上（DCI 略低于0.9），且5 階自相關(guān)系數(shù)也均在0.47 以上，而即使到了10 階，Spillover 的自相關(guān)系數(shù)仍然達(dá)到0.24，說明網(wǎng)絡(luò)關(guān)聯(lián)度具有內(nèi)在穩(wěn)定性。

圖1 網(wǎng)絡(luò)關(guān)聯(lián)度動態(tài)走勢圖

為更清晰地觀察網(wǎng)絡(luò)關(guān)聯(lián)度的動態(tài)走勢，圖1 展示了網(wǎng)絡(luò)關(guān)聯(lián)度的動態(tài)走勢圖。其中Panel A 是基于收益率計算的DCI 和Spillover 指標(biāo)的走勢圖，Panel B是基于GARCH波動率計算的DCI_Vol 和Spillover_Vol 指標(biāo)的走勢圖，為進(jìn)行比較分析，Panel C 展示了Wind 全A 指數(shù)在樣本區(qū)間的走勢圖。可以看到，無論是基于收益率還是基于波動率，DCI 都比Spillover 波動略為劇烈，同時通過與Wind 全A 指數(shù)的比較發(fā)現(xiàn)，DCI對股市頂?shù)椎念A(yù)測作用似乎更明顯，無論是基于收益率的DCI 還是基于波動率的DCI_Vol，均在2007 年和2015 年兩次股災(zāi)前達(dá)到了階段性的峰值，而Spillover 的預(yù)警作用要差很多，甚至表現(xiàn)出了與市場指數(shù)相反的趨勢。再次說明了兩種方法在衡量網(wǎng)絡(luò)關(guān)聯(lián)度時存在著較大的差異。

2.關(guān)聯(lián)度指標(biāo)的相互比較

前文的分析已初步說明幾個網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)間存在著差異，本部分通過相關(guān)性分析及格蘭杰因果檢驗詳細(xì)比較指標(biāo)間的領(lǐng)先滯后關(guān)系。表3 報告了相關(guān)研究結(jié)果，其中Panel A 是相關(guān)性分析結(jié)果，下三角為Pearson相關(guān)系數(shù)，上三角為Spearman 秩相關(guān)系數(shù)，Panel B 是滯后4階的格蘭杰因果檢驗。從Panel A 可以看到，DCI 與DCI_Vol 之間的Pearson 和Spearman 相關(guān)系數(shù)分別達(dá)到0.6 和0.62，Spillover 和Spillover_Vol 間的Pearson 和Spearman 相關(guān)系數(shù)分別達(dá)到0.89和0.90，說明基于收益率和基于波動率計算的網(wǎng)絡(luò)關(guān)聯(lián)度差異較小。但是DCI和Spillover間的相關(guān)系數(shù)較小，其相關(guān)系數(shù)均在0.18以下。從Panel B可以看到，DCI是其他三個指標(biāo)的格蘭杰原因，Spillover 僅是Spillover_Vol 的格蘭杰原因，DCI_Vol 是DCI 和Spillover 的格蘭杰原因，Spillover_Vol 不是任何指標(biāo)的格蘭杰原因。因此綜合來看，DCI 和Spillover 雖然度量的都是網(wǎng)絡(luò)關(guān)聯(lián)度，但是傳遞出的信息存在著較大的差異，基于收益率的DCI和Spillover 相對于基于波動率的DCI_Vol 和Spill_Vol 具有更多的信息含量，DCI在度量網(wǎng)絡(luò)關(guān)聯(lián)度時的信息含量最高。

表3 相關(guān)性分析及格蘭杰因果檢驗

3.基于格蘭杰因果網(wǎng)絡(luò)的行業(yè)特性分析

基于前文的分析，DCI在度量行業(yè)網(wǎng)絡(luò)關(guān)聯(lián)性時具有較高的信息含量，且式（3）為分析各行業(yè)在信息溢出中的地位提供了可行性，因此本部分采用格蘭杰因果網(wǎng)絡(luò)來詳細(xì)探討各行業(yè)在DCI 指數(shù)較高時的信息溢出特性。圖2 繪制了幾個特殊時點的格蘭杰因果網(wǎng)絡(luò)，其中右邊三個小圖為DCI較高的三個極端點時的網(wǎng)絡(luò)圖，包括2007年5月、2012年12月21日和2015年6月26 日。其中2007 年5 月30 日 和2015 年6 月26日代表著兩次股災(zāi)，此時市場具有極高的下跌風(fēng)險，2012 年12 月21 日也是一個反彈的小高點，在隨后一段時間股市也發(fā)生了小幅下挫。作為對比，左邊三個小圖展示了對應(yīng)的3 個DCI值較低時間點的因果網(wǎng)絡(luò)，包括2005 年8 月12日、2011年11月25日和2014年5月30日。圖中節(jié)點代表各個行業(yè)，節(jié)點間的連線代表行業(yè)間存在著因果關(guān)系，箭頭代表因果關(guān)系的方向，每張圖中都標(biāo)出了3個較大的節(jié)點，代表著3個具有最多對外因果關(guān)系的行業(yè)，即信息溢出最多的行業(yè)。

可以看到，相對于右圖DCI較高時點的網(wǎng)絡(luò)圖，左圖DCI 較低時點的網(wǎng)絡(luò)圖中的連線很少，如2005 年8 月12 日僅存在著4 個因果關(guān)系，而在市場下跌風(fēng)險較大時，格蘭杰因果網(wǎng)絡(luò)變得更為復(fù)雜，圖形中布滿了連線，表明行業(yè)間的信息溢出變得更多更充分。這也在一定程度上反映了當(dāng)行業(yè)間的聯(lián)動變得越來越緊密時，市場系統(tǒng)性的下跌風(fēng)險也會越大。從信息溢出的行業(yè)看，在市場下跌風(fēng)險較大時，食品飲料（2007年）、采掘（2007 年）、通信（2007 年）、醫(yī)藥生物（2012 和2015 年）、有色金屬（2012 年）、公用事業(yè)（2015年）和傳媒行業(yè)（2015年）更容易成為風(fēng)險溢出源。

圖2 行業(yè)間格蘭杰因果網(wǎng)絡(luò)圖

圖2報告了3個DCI較高時間點的風(fēng)險溢出情況，屬于點估計，并不能很好的將DCI 較高時間的全貌反映出來，因此表4列示了DCI最高的40個時間點下各行業(yè)的風(fēng)險溢出情況。具體方法為：計算DCI 最高的40 個時間點下每個行業(yè)的對外信息溢出數(shù)（即對外格蘭杰因果檢驗的顯著數(shù)量）以及接受信息溢出數(shù)，再篩選出對外溢出數(shù)最高的5 個行業(yè)以及接受信息溢出數(shù)最高的5 個行業(yè)，最后統(tǒng)計每個行業(yè)在“最高5 個行業(yè)”中出現(xiàn)的頻數(shù)。表4 中Panel A 報告了各行業(yè)出現(xiàn)在對外溢出“最高5個行業(yè)”中的頻數(shù)，Panel B報告了各行業(yè)出現(xiàn)在接受溢出“最高5個行業(yè)”中的頻數(shù)?？梢钥吹脚c圖2略有差異的結(jié)果，鋼鐵行業(yè)的對外溢出頻次最高，達(dá)到了25次，說明有62.5%DCI較高的時間點，鋼鐵行業(yè)更容易將自身風(fēng)險向外溢出。從Panel B接受溢出數(shù)可以看到，鋼鐵行業(yè)受外部風(fēng)險傳染的影響也很大，其接受溢出頻數(shù)同樣達(dá)到了25，計算機(jī)和有色金屬行業(yè)緊隨其后。鋼鐵行業(yè)屬于典型的周期性行業(yè)，尤其是我國目前的經(jīng)濟(jì)發(fā)展模式較大程度上仍然對固定資產(chǎn)投資有較強(qiáng)依賴，當(dāng)經(jīng)濟(jì)狀況出現(xiàn)一定變動時，鋼鐵行業(yè)的利潤就會出現(xiàn)較大波動，進(jìn)而帶來股價波動加劇，因此其對外溢出及接受溢出數(shù)最多。

表4 DCI高點時各行業(yè)的風(fēng)險溢出頻數(shù)

由于對外溢出較高的行業(yè)很可能也是接受溢出較高的行業(yè)，因此單獨看對外溢出值可能并不能對行業(yè)在風(fēng)險傳染中的地位進(jìn)行判斷，采用凈溢出頻數(shù)（對外溢出頻數(shù)減去接受溢出頻數(shù)）效果會更好。圖3報告了各行業(yè)的凈風(fēng)險溢出頻數(shù)，可以看到，醫(yī)藥行業(yè)的凈溢出頻數(shù)最高，達(dá)到了18，緊隨其后的是休閑服務(wù)、采掘及食品飲料，而有色金屬行業(yè)的凈溢出頻數(shù)最低，為-14。因此綜合來看，醫(yī)藥生物行業(yè)在股市下跌風(fēng)險較大時對外影響更大，而有色金屬行業(yè)在股市下跌風(fēng)險較大時更容易受系統(tǒng)風(fēng)險的影響，也就是說，相對于其他行業(yè)，這兩個行業(yè)在股市下跌風(fēng)險較大時的系統(tǒng)重要性較高。醫(yī)藥生物屬于大消費行業(yè)，在我國人口老齡化的大背景下，行業(yè)指數(shù)一直保持較為穩(wěn)定的上漲趨勢，從表1 可以看出，其夏普比率僅次于食品飲料行業(yè)，該行業(yè)具有一定的獨立性，其他行業(yè)對其影響較小，接受溢出數(shù)較少。而之所以對外溢出數(shù)較多，可能原因在于DCI高點往往是股價上漲到階段性頂點的時候，醫(yī)藥行業(yè)由于具有較強(qiáng)的創(chuàng)新及科技屬性（如在創(chuàng)業(yè)板指中醫(yī)藥行業(yè)的權(quán)重接近30%），股價漲幅及波動往往更大（如2015年上半年醫(yī)藥行業(yè)漲幅達(dá)到80%，僅次于電子、計算機(jī)等科技屬性更強(qiáng)的行業(yè)），從數(shù)據(jù)上看，在高點時風(fēng)險容易向其他行業(yè)擴(kuò)散。有色金屬行業(yè)屬于順周期的上游原材料行業(yè)，其股價波動較大（僅略低于非銀金融和軍工行業(yè)），且更容易受到下游需求行業(yè)的影響，從而導(dǎo)致其被溢出程度較高，但是對其他行業(yè)的影響卻并不是很高，從而導(dǎo)致其凈溢出度最低。表4 和圖3 中雖然包含了40 個DCI 最高時的行業(yè)溢出情況，但仍屬于小樣本估計，這兩個行業(yè)是否能夠?qū)墒邢碌L(fēng)險進(jìn)行預(yù)警和判斷，還需要采用全樣本數(shù)據(jù)進(jìn)行估計和分析。

圖3 各行業(yè)凈風(fēng)險溢出頻數(shù)

（三）網(wǎng)絡(luò)關(guān)聯(lián)度對股市下跌風(fēng)險的影響

1.系統(tǒng)網(wǎng)絡(luò)關(guān)聯(lián)度的影響分析

表5 系統(tǒng)網(wǎng)絡(luò)關(guān)聯(lián)度對下跌風(fēng)險的影響

采用系統(tǒng)網(wǎng)絡(luò)關(guān)聯(lián)度DCI 和Spillover 研究其對股市下跌風(fēng)險的影響，結(jié)果如表5所示。其中Panel A是直接對下期指數(shù)收益率的OLS回歸結(jié)果，Panel B 是對下跌風(fēng)險的Logit 回歸結(jié)果。模型（1）（2）（3）是采用DCI回歸的結(jié)果，模型（4）（5）（6）是采用Spillover回歸的結(jié)果。模型（2）和（5）是考慮了牛熊市的影響，模型（3）（6）是考慮了投資者情緒的影響。從Panel A的結(jié)果可以看到，無論是采用DCI還是Spillover 均對指數(shù)的下期收益率無顯著影響，且無論是采用牛熊市還是投資者情緒劃分樣本，研究結(jié)論均是一致的，說明用網(wǎng)絡(luò)關(guān)聯(lián)度來直接對股市收益率進(jìn)行預(yù)測是無效的。Panel B 的結(jié)果則說明，系統(tǒng)網(wǎng)絡(luò)關(guān)聯(lián)度能夠?qū)墒械南碌L(fēng)險進(jìn)行較好的預(yù)測，DCI 和Spillover 的系數(shù)均顯著為正，說明網(wǎng)絡(luò)關(guān)聯(lián)度越高，股市的下跌風(fēng)險越大。且Spillover的預(yù)測效果更好，這無論是從系數(shù)絕對值大小、T 檢驗值大小，還是R2值均可以看出?？紤]了牛熊市劃分后發(fā)現(xiàn)，由于Net×Market 的系數(shù)均顯著為正，說明DCI和Spillover均在牛市時的預(yù)測效果更好，而DCI在熊市時幾乎沒有預(yù)測能力?？紤]了投資者情緒后發(fā)現(xiàn)，DCI的預(yù)測能力主要表現(xiàn)在低情緒期，在高情緒期的預(yù)測作用小很多，Spillover 對情緒并不敏感，高情緒期的預(yù)測能力比低情緒期略強(qiáng)。綜合來看，系統(tǒng)網(wǎng)絡(luò)關(guān)聯(lián)度對股市下跌風(fēng)險具有一定的預(yù)測能力，且預(yù)測能力會受到牛熊市和投資者情緒的影響。

圖4 醫(yī)藥和有色金屬行業(yè)凈溢出度曲線

2.基于行業(yè)凈溢出度的分析

醫(yī)藥行業(yè)和有色金屬行業(yè)分別是凈溢出度最大和最小的兩個行業(yè)，因此本部分采用這兩個行業(yè)的凈溢出度作為網(wǎng)絡(luò)關(guān)聯(lián)度的替代變量，研究特定行業(yè)凈溢出度對股市下跌風(fēng)險的影響。圖4 報告了兩個行業(yè)凈溢出度在樣本區(qū)間的走勢圖，可以看到兩個行業(yè)凈溢出度存在著一定的負(fù)相關(guān)性，經(jīng)計算兩者相關(guān)系數(shù)為-0.2，說明兩者不光在DCI較高時存在著負(fù)向關(guān)系，在整個樣本區(qū)間這種負(fù)向相關(guān)性也是存在的。

表6報告了行業(yè)凈溢出度的回歸結(jié)果，凈溢出度指標(biāo)與網(wǎng)絡(luò)關(guān)聯(lián)度一樣，對數(shù)差分取變化率。其中Panel A是醫(yī)藥行業(yè)凈溢出度的研究結(jié)果，Panel B 是有色金屬行業(yè)凈溢出度的研究結(jié)果。模型（1）（2）（3）是OLS 回歸結(jié)果，模型（4）（5）（6）是Logit 模型的回歸結(jié)果?？梢钥吹?，醫(yī)藥行業(yè)凈溢出度只有在高情緒期才對股市下跌風(fēng)險有預(yù)測作用，而有色金屬行業(yè)凈溢出度在全樣本、牛市期以及高低情緒期都能夠?qū)墒邢碌L(fēng)險有預(yù)測作用，由于在網(wǎng)絡(luò)關(guān)聯(lián)度最高時，有色金屬行業(yè)凈溢出度最小，因此有色金屬行業(yè)凈溢出度的回歸系數(shù)為負(fù)。綜合來看，醫(yī)藥行業(yè)凈溢出度對股市下跌風(fēng)險的預(yù)測作用不明顯，但有色金屬行業(yè)凈溢出度卻對股市下跌風(fēng)險有顯著的預(yù)測作用，且在進(jìn)行了牛熊市或投資者情緒劃分后，預(yù)測作用仍然是顯著的。這很可能是因為，醫(yī)藥行業(yè)雖然凈溢出度很高，但是實際從行業(yè)屬性看，該行業(yè)具有較強(qiáng)的特殊性及獨立性，與其他行業(yè)的關(guān)聯(lián)性較弱，因此用其來進(jìn)行股市整體分析時，效果并不好。但是有色金屬行業(yè)屬于典型的順周期行業(yè)，其與經(jīng)濟(jì)周期的關(guān)聯(lián)程度非常高，如銅價往往被視為宏觀經(jīng)濟(jì)周期的先行指標(biāo)，與其他行業(yè)的關(guān)聯(lián)性更強(qiáng)，因此用其來對股市整體進(jìn)行分析時，能夠具有較好的效果。綜合來看，表4和圖3利用DCI高點時的小樣本估計，觀察到醫(yī)藥行業(yè)和有色金屬行業(yè)在系統(tǒng)風(fēng)險較大時的系統(tǒng)重要性更高。但是從全樣本看，無論是基本面邏輯還是數(shù)據(jù)分析結(jié)果，有色金屬行業(yè)對于判斷股市的整體下跌風(fēng)險更為有效。

表6 基于醫(yī)藥和有色金屬行業(yè)凈溢出度的研究

3.穩(wěn)健性檢驗①限于篇幅，檢驗結(jié)果留存?zhèn)渌鳌?/p>

本部分對前文研究結(jié)論的穩(wěn)健性進(jìn)行檢驗，首先將樣本拆分為2001—2010年和2011—2020年兩個階段，由于投資者情緒僅在2011 年后有數(shù)據(jù)，因此分階段檢驗僅對網(wǎng)絡(luò)關(guān)聯(lián)度整體以及按照牛熊市劃分的研究結(jié)果進(jìn)行了檢驗，投資者情緒的分樣本檢驗不考慮在內(nèi)。結(jié)果與前文的研究結(jié)論基本類似。針對Logit指標(biāo)的設(shè)定標(biāo)準(zhǔn)，首先將Logit 閾值設(shè)定為-5.3%，即當(dāng)下月股市收益率小于-5.3%時，Logit為1，反之則Logit 為0。接著將Logit 閾值設(shè)定為-8.6%，回歸結(jié)果顯示前文的研究結(jié)論是穩(wěn)健的。

五、研究結(jié)論

本文利用格蘭杰因果網(wǎng)絡(luò)模型（DCI）和信息溢出模型（Spillover）測度了我國股市的行業(yè)網(wǎng)絡(luò)關(guān)聯(lián)度，通過分析網(wǎng)絡(luò)關(guān)聯(lián)度動態(tài)變化特征及各個行業(yè)對外風(fēng)險凈溢出，并考察網(wǎng)絡(luò)關(guān)聯(lián)度對股市下跌風(fēng)險的影響。主要得出以下結(jié)論：第一，行業(yè)網(wǎng)絡(luò)關(guān)聯(lián)度可以較好地對股市的系統(tǒng)風(fēng)險進(jìn)行度量，在股市泡沫較高時期（如2007年和2015年）網(wǎng)絡(luò)關(guān)聯(lián)度大幅提升，往往預(yù)示著泡沫的不斷累積。第二，行業(yè)網(wǎng)絡(luò)的深層分析可以有效識別出各行業(yè)在風(fēng)險傳導(dǎo)過程中的地位和作用，如醫(yī)藥和有色金屬行業(yè)在股市下跌風(fēng)險較大時的系統(tǒng)重要性會高于其他行業(yè)。第三，網(wǎng)絡(luò)關(guān)聯(lián)度對于股市下跌風(fēng)險具有一定的預(yù)測能力，市場狀態(tài)或投資者情緒會對預(yù)測能力產(chǎn)生一定影響，部分特殊行業(yè)如有色金屬業(yè)由于在網(wǎng)絡(luò)中的地位較高，因此其凈溢出度同樣可以作為股市下跌風(fēng)險的預(yù)警指標(biāo)。

本文的研究結(jié)論對于金融投資實踐的風(fēng)險控制有著較強(qiáng)的經(jīng)驗價值：第一，由于所有的行業(yè)或股票都面臨著市場風(fēng)險，因此經(jīng)常表現(xiàn)出同漲同跌的特性，但是這種網(wǎng)絡(luò)關(guān)聯(lián)度卻不是穩(wěn)定不變的，而是隨著市場環(huán)境的變化而時刻變化著的，尤其是在網(wǎng)絡(luò)關(guān)聯(lián)度較高時，往往預(yù)示著較高的股市下跌風(fēng)險，因此對網(wǎng)絡(luò)關(guān)聯(lián)度的有效識別可以為風(fēng)險控制提供理論依據(jù)。第二，不同行業(yè)在系統(tǒng)風(fēng)險傳導(dǎo)中的地位并不相同，如醫(yī)藥行業(yè)在網(wǎng)絡(luò)關(guān)聯(lián)度較高時往往屬于風(fēng)險溢出的角色，但是有色金屬行業(yè)則屬于接受風(fēng)險溢出的角色，因此在進(jìn)行金融投資實踐時，應(yīng)考慮不同行業(yè)間的異同，包括可以采用類似于美林投資時鐘等工具在行業(yè)間進(jìn)行輪動，從而進(jìn)一步規(guī)避市場的下跌風(fēng)險。第三，不同股票和不同行業(yè)間的收益率往往關(guān)聯(lián)度較高，如Spillover 在樣本區(qū)間均在80 以上，因此要想進(jìn)一步實現(xiàn)對風(fēng)險的控制，除了要關(guān)注行業(yè)間的聯(lián)動和輪動，可以同時考慮如商品、債券等其他類別的資產(chǎn)，通過組合投資的方式實現(xiàn)風(fēng)險的分散。