吳忠睿 吳金旺 鄔華陽

一、文獻綜述

在邁向第二個百年奮斗目標、實現(xiàn)共同富裕的征途中，國富民強是我們追求的最終目標，對家庭來說，財富的保值和增值是最可靠的保障。中國社科院國家金融與發(fā)展實驗室、中國社科院金融研究所和中國社會科學出版社發(fā)布的《中國國家資產(chǎn)負債表2020》顯示，在總的社會財富中，政府部門達到162.8萬億元,占總財富的24%；居民部門達到512.6 萬億元，占總財富的76%，居民人均財富約為36.6 萬元。從1984年第一家上市公司上海飛樂音響上市開始，經(jīng)過近40年的發(fā)展，中國股市經(jīng)歷了從最初的雛形到逐漸發(fā)展壯大的過程。股票投資已經(jīng)成為居民理財?shù)闹匾M成部分，截至到2022年7月末，個人投資者開戶數(shù)超2 億戶。

金融是現(xiàn)代經(jīng)濟的核心，與經(jīng)濟共生共榮，承擔著自身高質(zhì)量發(fā)展和為實體經(jīng)濟紓難解困的雙重責任。在我國金融體系中，銀行業(yè)居于主體地位，銀行間接融資成為大量中小微企業(yè)融資的主要渠道。銀行業(yè)優(yōu)質(zhì)公司也紛紛謀求上市，補充資本金，提高風險抵御能力，擴大社會影響力。截止2021年12月31日，滬深AB 股上市企業(yè)中，共有41 家銀行，總市值達93318 億元。盡管數(shù)量少，但是盈利能力強，銀行股已成為資本市場的“壓艙石”。在我國土地國有和城市化、工業(yè)化背景下，房地產(chǎn)兼具金融屬性和商品屬性，已成為居民投資的“熱土”。個人住房貸款是服務(wù)居民的一個重要渠道，個人住房貸款的增長一方面使得居民負債增加，另一方面也催生了房地產(chǎn)泡沫，成為中國系統(tǒng)性金融風險的重要來源，因此已成為宏觀審慎監(jiān)管的重要對象。對于地方政府來說，逐步轉(zhuǎn)向“基建投資”為依托的“土地金融”模式，代價就是地方政府的高負債和高房價。由于缺乏實體經(jīng)濟的支撐，當前的“以地融資”風險越來越大，空間越來越小。下行波動是風險的重要體現(xiàn)，通過波動聚類可以發(fā)現(xiàn)銀企之間的深層關(guān)系，特別是風險聚集關(guān)系，當前這方面的研究還較為缺乏。

楊子暉等（2018）研究發(fā)現(xiàn)，在2015年“熔斷機制”事件中，房地產(chǎn)與證券部門成為風險傳染的網(wǎng)絡(luò)中心[1]。蔡真（2018）從房地產(chǎn)部門與銀行體系的外在關(guān)聯(lián)性、房地產(chǎn)部門與地方政府債務(wù)的關(guān)聯(lián)性以及高房價背景下資本外逃壓力三個方面，闡明房地產(chǎn)市場已經(jīng)成為系統(tǒng)性金融風險的重要監(jiān)測領(lǐng)域[2]。我國系統(tǒng)性金融風險經(jīng)由房地產(chǎn)市場傳染有三個途徑：房價大幅下跌后的風險傳染途徑、房企貸款違約后的風險連鎖傳染途徑、影子銀行信用鏈條斷裂后的“多米諾骨牌”式風險傳染途徑。白鶴祥等（2020）運用2006-2017年16 家上市銀行數(shù)據(jù)測度了我國房價大幅下跌所引發(fā)的系統(tǒng)性金融風險，并構(gòu)建了基于房地產(chǎn)市場的系統(tǒng)性金融風險預警指標[3]。朱恩偉等（2019）對2009-2014年間我國238 家房地產(chǎn)上市公司與19 家主要內(nèi)資銀行之間的銀企關(guān)系進行度量（以百度新聞為語料來源，在新聞中共同出現(xiàn)則意味著關(guān)聯(lián)），發(fā)現(xiàn)良好的銀企關(guān)系能顯著提高企業(yè)的信貸可得性[4]。

商業(yè)銀行與房地產(chǎn)公司之間通過資產(chǎn)負債表、信貸業(yè)務(wù)等渠道形成復雜的網(wǎng)絡(luò)關(guān)系。當某一機構(gòu)受到外部沖擊引發(fā)債務(wù)違約時，流動性風險通過業(yè)務(wù)關(guān)聯(lián)的信貸渠道傳染，其他機構(gòu)都將受到風險溢出的影響。所以如何衡量機構(gòu)之間的關(guān)聯(lián)性是一個復雜問題，有的機構(gòu)雖然業(yè)務(wù)規(guī)模大，但是對其他機構(gòu)影響有限，更多起到抵御風險的作用；有的機構(gòu)雖然業(yè)務(wù)規(guī)模不大，但與其他機構(gòu)連接較多、較深，成為風險傳染的中心，需要重點關(guān)注。如何發(fā)現(xiàn)這種關(guān)聯(lián)性？在機器學習的視閾下，可以通過大數(shù)據(jù)技術(shù)方法，聚類出波動特征類似的股票。聚類本質(zhì)上是集合劃分問題，通過指定的距離計算（即相似度計算），將相似的數(shù)據(jù)盡可能地劃分至同一簇（應(yīng)盡可能地使不同簇的數(shù)據(jù)有較大區(qū)別）。金融數(shù)據(jù)的聚類大都基于特征值進行，如劉溈瑋（2010）使用分層聚類法分析37 家創(chuàng)業(yè)板上市公司[5]；張康林等（2021）使用自組織特征映射（SOM）法對股票進行特征聚類[6]。但是，這只能體現(xiàn)數(shù)據(jù)特征的相關(guān)性，不能體現(xiàn)股價的時序性和歷史相關(guān)性，不適合在時間序列數(shù)據(jù)中使用。Warren Liao, T（2005）認為聚類技術(shù)可以基于原始數(shù)據(jù)、特征值或模型進行，基于原始數(shù)據(jù)的聚類方法可以體現(xiàn)數(shù)據(jù)的原始特征，基于原始數(shù)據(jù)模型是通過修改聚類算法中的距離測量方法實現(xiàn)的[7]。Berndt, D.J.和J. Clifford（1994）、Paparrizos, J.和L.Gravano（2015）提出，動態(tài)時間規(guī)劃（DTW）可以計算時間序列相似度（即距離）[8,9]；Chen 等（2022）將K-means 模型距離計算方法修改為DTW，并以中國16 家上市商業(yè)銀行為研究對象，根據(jù)收盤價的時序數(shù)據(jù)進行聚類，找出走勢相似的銀行[10]。

在金融行業(yè)，風險具有明顯的傳染特征。如何衡量風險的傳染特征，一直是研究的重點。在構(gòu)建投資組合、金融市場風險管理和各類衍生產(chǎn)品定價的過程中，波動率是一個常用的指標。波動包括正向波動和負向波動，風險主要是下行的波動率，也就是下跌的部分。波動率包括隱含波動率和實際波動率，其中隱含波動率代表風險中性世界對未來波動率的預期，可以使用期權(quán)定價模型來估計。假定市場符合理性預期，就可以用實際波動率代替現(xiàn)實世界對未來波動率的預期[11]。宮曉莉和熊熊（2020）基于DCC-GARCH 刻畫股市波動率，形成動態(tài)相關(guān)關(guān)系，并構(gòu)建股市波動率指數(shù)與其他市場波動率指數(shù)的投資組合，發(fā)現(xiàn)房地產(chǎn)波動率指數(shù)是對沖股票波動率指數(shù)的有效工具[12]。

在現(xiàn)有文獻中，通過大數(shù)據(jù)方法對波動聚類的研究相對較少。張康林等（2021）使用SOM 按特征對股票進行聚類，但只能體現(xiàn)股票特征的相關(guān)性，不能反映歷史（即時序）的相關(guān)性，也未體現(xiàn)波動的特征[6]。由于不是對基于時間序列的原始數(shù)據(jù)進行聚類，因此時間序列的原本特征丟失。蘇木亞（2017)采用譜聚類（Spectral Clustering）方法對全球主要股市波動率進行聚類分析，但譜聚類不能體現(xiàn)時間序列的原始走勢特征，同時聚類結(jié)果取決于相似矩陣，不同的相似矩陣結(jié)果可能不同[13]。

本文的創(chuàng)新點在于：首先，對已實現(xiàn)波動率進行聚類分析，發(fā)現(xiàn)連接性強的銀行和房地產(chǎn)企業(yè)。其次，通過DTW-K-means 聚類波動率的時間序列，可以分析數(shù)據(jù)的原始走勢特征，繼而為投資者決策提供依據(jù)，也為監(jiān)管部門系統(tǒng)掌握機構(gòu)聚集關(guān)系提供新的視角。

二、聚類指標構(gòu)建

（一）歐式距離計算

歐式距離用來計算兩個相同長度時間序列的距離。對于時間序列=(x1,…,xm)和=(y1,…,ym)，他們的歐氏距離ED 定義如下：

（二） 動態(tài)時間規(guī)劃DTW（Dynamic Time Warping）

DTW 可以對兩個時間序列找到最優(yōu)的非線性對齊。對于時間序列和，DTW距離的計算過程如下：首先用x→和y→這兩個時間序列構(gòu)建m×n 的矩陣M，矩陣中的第(i,j)項代表時間序列數(shù)據(jù)點xi和yj的歐式距離；然后找到一條穿過矩陣的規(guī)劃路徑使得累計歐氏距離和最小，規(guī)劃路徑W=w1,w2…wk，W 中的元素代表x→中的第i 個點和y→中的第j 個點的歐氏距離；最后找到最小累計（見公式2）。

矩陣M 上的最優(yōu)路徑可以使用如下遞歸函數(shù)計算：

通過對比發(fā)現(xiàn)，歐式距離的相似度計算簡單方便，時間復雜度較低，但歐式距離無法檢查時間軸上的位移。動態(tài)時間規(guī)劃DTW 則可以很好地解決此問題，代價是提升了時間復雜度。本文將使用DTW作為相似度計算算法，并采用LB_Keogh 下界法來提升運算速度。

（三）DTW-K-meams 算法

基于原始數(shù)據(jù)的方法主要是修改聚類算法的距離或相似度計算方法以適應(yīng)時間序列，可以保持原始數(shù)據(jù)最原始的特征?；谔卣髦敌秃突谀Ｐ椭饕峭ㄟ^提取時間序列特征值和轉(zhuǎn)換時間序列原始數(shù)據(jù)使得參數(shù)可以適用于模型。本文主要使用基于原始數(shù)據(jù)進行聚類的方法，通過修改K-meams 的距離算法以適應(yīng)時間序列。

給定數(shù)據(jù)集D={x1,x2…,xm},將其聚為k 個簇（k根據(jù)需要設(shè)定）；c={C1,C2…,Ck}，c 是每個簇中心的集合。K-means 的目標函數(shù)如公式（4）所示，過程是先計算每個序列到其對應(yīng)簇的中心序列的DTW 距離，然后將距離累加求和。

其中，μi為Ci的中心，根據(jù)動態(tài)時間扭曲重心平均（DBA）計算。

具體步驟如下：第一步，隨機選擇k 個樣本作為初始的中心μi；第二步，根據(jù)每個樣本到中心點μi的距離（使用DTW 計算）將樣本劃到最近的簇；第三步，重新使用DBA 計算每個簇的新中心μi；第四步，重復第二步和第三步直到每個簇的中心不再變化。

三、實證分析

（一）數(shù)據(jù)來源

本文以中國主要上市商業(yè)銀行和房地產(chǎn)公司為研究對象，分別選取2010年前上市的16 家商業(yè)銀行，其中大型商業(yè)銀行5 家：建設(shè)銀行，交通銀行，工商銀行，中國銀行，農(nóng)業(yè)銀行；股份制商業(yè)銀行8 家：華夏銀行，民生銀行，平安銀行，浦發(fā)銀行，興業(yè)銀行，招商銀行，中信銀行，光大銀行；城市商業(yè)銀行3家：北京銀行，南京銀行，寧波銀行。房地產(chǎn)公司選擇市值靠前的萬科A、保利發(fā)展、華僑城A、金地集團、綠地控股、ST 基礎(chǔ)、廣宇發(fā)展、陸家嘴、上海臨港等9 家房地產(chǎn)公司?；跀?shù)據(jù)完整性和可得性，選取時間從2010年8月19日至2019年9月16日, 共計72,025 個高頻數(shù)據(jù)。對于在這期間有停牌的股票，采用最后停牌價填充。高頻數(shù)據(jù)采用python 的baostock 庫通過api 接口方式獲取。實證環(huán)境為python，版本為3.7.6。使用的第三方庫有baostock，numpy，pandas，matplotlib，tslearn，sklearn 等。

（二）銀行-房地產(chǎn)股價波動率計算

Bollerslev（1986)提出的GARCH 模型能很好地刻畫金融資產(chǎn)收益率的異方差性和波動聚集效應(yīng)、非對稱效應(yīng)，為分析時間序列提供了更有針對性的方法。該模型形式簡單，包括了均值模型和方差模型，在實踐中不斷得到擴展和應(yīng)用，比如與動態(tài)相關(guān)系數(shù)、Copula 函數(shù)等結(jié)合。傳統(tǒng)的GARCH 類模型基于相同的采樣頻率,以日數(shù)據(jù)為主。而隨著高頻數(shù)據(jù)的獲取越來越容易，大量學者在波動率模型中加入能及時反映信息的高頻數(shù)據(jù)。研究顯示，高頻數(shù)據(jù)可以提高波動率模型的預測能力。Andersen 和Bollerslev（1998)研究指出，由日內(nèi)高頻收益率平方和得到已實現(xiàn)波動率，結(jié)果具有無偏性和穩(wěn)定性特征，且計算簡便，是波動率的一種較為理想的替代變量。已實現(xiàn)波動率通?；? 分鐘，原因在于當數(shù)據(jù)頻率過高時，容易受到各類噪聲交易的干擾，不能反映共性特征；而當數(shù)據(jù)頻率過低時，則會喪失個性特征，估計精度會降低。每5 分鐘采樣一次可以有效抵消市場微觀結(jié)構(gòu)噪聲的影響。

為了便于對比分析，本文采用對數(shù)差分的方法計算5 分鐘的對數(shù)收益率，計算公式為。已實現(xiàn)波動率用RV 表示，計算方法見公式（5）。

由于不同股票的價格變化區(qū)間不一致，因此在進行聚類或預測前，需要消除量綱的影響，一般采用標準化處理或歸一化處理的方式。在對原始數(shù)據(jù)做處理時，本文使用常用的均值-方差標準化方式，計算公式如下：

（三）波動相關(guān)性分析

從相關(guān)系數(shù)的計算結(jié)果看，銀行間的相關(guān)系數(shù)普遍較高，120 對相關(guān)系數(shù)全部都在0.6 以上，平均值高達0.75。房地產(chǎn)企業(yè)與銀行間的相關(guān)性，除保利發(fā)展、萬科A、金地集團外，其余企業(yè)與銀行的相關(guān)性普遍較低，平均值只有0.39，房地產(chǎn)企業(yè)間的兩兩相關(guān)性也普遍不高，平均值只有0.34。相關(guān)系數(shù)最高的是華夏銀行和光大銀行，為0.85，最低的是交通銀行和ST 基礎(chǔ)，接近于0。研究發(fā)現(xiàn)，ST 基礎(chǔ)與其他所有企業(yè)相關(guān)性都不高。原始樣本顯示，ST 基礎(chǔ)在樣本期內(nèi)共有305 天停牌。為驗證ST 基礎(chǔ)和其它企業(yè)的低相關(guān)性是否由長時間停牌造成，本文在剔除所有股票停牌日期后，再計算兩兩相關(guān)性，發(fā)現(xiàn)ST 基礎(chǔ)與其它所有企業(yè)相關(guān)性依舊不高，最高0.32，最低0.11。這說明ST 基礎(chǔ)波動表現(xiàn)出顯著的異質(zhì)性，其波動幾乎不受銀行和房地產(chǎn)影響。

從相關(guān)性分析可以看出，銀行間的相關(guān)系數(shù)較大，房地產(chǎn)企業(yè)間的相關(guān)性普遍較低，僅頭部房地產(chǎn)企業(yè)間或頭部房地產(chǎn)企業(yè)與銀行間的相關(guān)系數(shù)較大。這說明銀行間的關(guān)聯(lián)較密切，主要通過支付結(jié)算、直接或間接持有共同資產(chǎn)或互相購買對方資產(chǎn)產(chǎn)生較強的關(guān)聯(lián)。而房地產(chǎn)企業(yè)和銀行的關(guān)聯(lián)主要來自銀行的房地產(chǎn)貸款，而銀行的房地產(chǎn)貸款中頭部房地產(chǎn)企業(yè)占比較大，這是頭部企業(yè)關(guān)聯(lián)關(guān)系較大的原因。

（四）商業(yè)銀行及房地產(chǎn)股價波動聚類分析

本文使用K-means 對25 家銀行和房地產(chǎn)企業(yè)已實現(xiàn)波動率進行聚類。另外，將時間序列相似度即距離算法修改為DTW。其中K 是聚類簇數(shù)，實驗中分別設(shè)置為2-6。結(jié)果如圖1 及表1 所示。

圖1 聚類序列圖

表1 波動聚類結(jié)果（k=2-6）

1浦發(fā)銀行，民生銀行，北京銀行，農(nóng)業(yè)銀行，交通銀行，工商銀行，中國銀行，中信銀行k=4 2 寧波銀行，華夏銀行，招商銀行，綠地控股，南京銀行，光大銀行，建設(shè)銀行3 平安銀行，陸家嘴，興業(yè)銀行4 萬科A，華僑城A，廣宇發(fā)展，保利發(fā)展，金地集團，ST 基礎(chǔ)，上海臨港1農(nóng)業(yè)銀行，工商銀行，中國銀行，中信銀行k=5 2 平安銀行，華僑城A，寧波銀行，浦發(fā)銀行，華夏銀行，民生銀行，招商銀行，南京銀行，興業(yè)銀行，北京銀行，交通銀行，光大銀行，建設(shè)銀行3 廣宇發(fā)展，ST 基礎(chǔ)，上海臨港4 萬科A，保利發(fā)展，金地集團5 綠地控股，陸家嘴k=6 1 綠地控股，陸家嘴，農(nóng)業(yè)銀行，交通銀行，工商銀行，中國銀行，中信銀行2 萬科A，保利發(fā)展3 平安銀行，浦發(fā)銀行，華夏銀行，民生銀行，興業(yè)銀行，北京銀行4 ST 基礎(chǔ)5 華僑城A，寧波銀行，招商銀行，金地集團，南京銀行，光大銀行，建設(shè)銀行6 廣宇發(fā)展，上海臨港

從聚類結(jié)果可以發(fā)現(xiàn)，波動呈現(xiàn)出明顯的聚集效應(yīng)。從2 簇聚類的結(jié)果可以看出，銀行和房地產(chǎn)兩個板塊波動聚集效應(yīng)明顯，簇1 除了綠地控股外都為銀行，簇2 除了興業(yè)銀行外都為房地產(chǎn)企業(yè)。簇1整體波動幅度小于簇2，整體波動頻率亦低于簇2，表明銀行板塊波動相對穩(wěn)定，房地產(chǎn)具有高波動性，可以分別作為穩(wěn)健投資和風險投資對象。農(nóng)業(yè)銀行、工商銀行、中國銀行等無論分為幾簇，在聚類中始終聚在一起，具有高度的波動一致性，通過圖1 可以發(fā)現(xiàn)其波動最為穩(wěn)定，體現(xiàn)出大型國有商業(yè)銀行相對保守的風險應(yīng)對策略，是真正的“壓艙石”，風險抵御能力強，適合承擔系統(tǒng)重要性金融機構(gòu)職責。同時在股份制銀行中，浦發(fā)銀行、民生銀行也始終聚在一起，波動具有高度一致性。通過圖1 可發(fā)現(xiàn)，它們的波動大于大型國有商業(yè)銀行，具有一些劇烈波動點。比如在2013-2014年錢荒期間和2015-2016年股災(zāi)期間，由于兩家銀行都為股份制商業(yè)銀行，因此在風險策略上較為開放，導致波動加大，可能更易受到極端風險沖擊。對于房地產(chǎn)企業(yè)，在6 簇聚類中除了金地集團被單列（可能聚類數(shù)量過多劃分過于精細），萬科A、保利發(fā)展、金地集團始終聚在一起，波動具有高度一致性。通過圖1 發(fā)現(xiàn)，它們具有較高的波動頻率但整體振幅小于其它房地產(chǎn)企業(yè)。較高的波動頻率和房地產(chǎn)的周期性發(fā)展相關(guān)，而低于其它房地產(chǎn)企業(yè)振幅說明它們發(fā)展較為穩(wěn)定，抗風險能力優(yōu)于其它房地產(chǎn)企業(yè)。將銀行與房地產(chǎn)合在一起分析發(fā)現(xiàn)，綠地集團經(jīng)常與銀行聚在一起，其波動較為穩(wěn)定，這是其與銀行聚在一起的主要原因，同時發(fā)現(xiàn)它也有劇烈波動的情況，如2015年期間發(fā)生的重大波動遠超其它銀行和房地產(chǎn)企業(yè)，說明綠地集團正常情況下發(fā)展穩(wěn)定，但是抵御風險的能力較弱。同樣發(fā)現(xiàn)，一些銀行會經(jīng)常與房地產(chǎn)企業(yè)聚在一起，如平安銀行和興業(yè)銀行，除了在6 簇聚類中沒有和房地產(chǎn)企業(yè)一起，其余聚類結(jié)果中都有和房地產(chǎn)企業(yè)聚為一類，招商銀行在所有聚類中都有和房地產(chǎn)企業(yè)聚在一起的現(xiàn)象。這一現(xiàn)象是否是由于銀行對房地產(chǎn)行業(yè)的貸款業(yè)務(wù)占比過高所造成，還需做進一步探討。

表2 為16 家銀行2012-2021年房地產(chǎn)行業(yè)公司貸款占所有公司貸款比重。從表中可以看出，經(jīng)常與房地產(chǎn)聚在一起的銀行近10年平均占比較高，且排名靠前，如平安銀行近10年平均占比19.78%，排名第一，興業(yè)銀行近10年平均占比13.83%，排名第六，招商銀行近10年平均占比15.06%，排名第三。從數(shù)據(jù)分析可以看出，較高的房地產(chǎn)業(yè)貸款占比會使銀行和房地產(chǎn)的波動關(guān)聯(lián)性加強，相互影響更大，風險更易傳染。

表2 銀行業(yè)房地產(chǎn)貸款占比（%）

將聚類結(jié)果和相關(guān)系數(shù)結(jié)果做進一步對比發(fā)現(xiàn)。首先，銀行間的相關(guān)性都較高，2 簇聚類的結(jié)果顯示了銀行和房地產(chǎn)企業(yè)各自的聚集效應(yīng)，銀行基本都聚在一起，但是也有特例，比如興業(yè)銀行。其次，相關(guān)系數(shù)顯示，房地產(chǎn)企業(yè)兩兩相關(guān)性較低，但是通過聚類可以發(fā)現(xiàn)房地產(chǎn)具有波動聚集性。最后，相關(guān)性顯示頭部房地產(chǎn)企業(yè)關(guān)聯(lián)性較高，聚類同樣證實了這一點。這些都說明，DTW 聚類能更有效地發(fā)現(xiàn)波動的聚集性。

綜上，銀行和房地產(chǎn)企業(yè)股價波動具有明顯的聚集效應(yīng)。行業(yè)層面上，銀行和房地產(chǎn)具有鮮明的行業(yè)聚集特點，行業(yè)的聚集效應(yīng)明顯。個體層面上，由于房地產(chǎn)企業(yè)或銀行的經(jīng)營策略不同，具有特有的聚集效應(yīng)，相同策略的企業(yè)或銀行往往會聚在一起，不同策略時則有顯著差異。

四、結(jié)論與建議

本文探究了將DTW-K-Means 模型應(yīng)用于金融時間序列進行聚類的理論基礎(chǔ)與實際應(yīng)用，并得到以下結(jié)論：

1．利用DTW-K-Means 對16 家上市商業(yè)銀行和9 家大型房地產(chǎn)上市公司股價波動進行聚類，充分考慮了銀行-房地產(chǎn)上市公司股票價格波動的關(guān)聯(lián)性。

2．波動是風險的顯性反饋，已實現(xiàn)波動率可以充分發(fā)揮高頻數(shù)據(jù)的優(yōu)勢，能夠更加精準反映相關(guān)信息。DTW-K-Means 聚類結(jié)果顯示，聚類可以發(fā)現(xiàn)行業(yè)層面的聚集效應(yīng)，同行業(yè)企業(yè)的波動有更高的相似性，更易聚在一起。聚類亦可發(fā)現(xiàn)個體企業(yè)波動的異質(zhì)性，只有具有同樣波動特征的銀行或房地產(chǎn)企業(yè)才會聚到一起，說明這些企業(yè)往往采用了類似的風險策略、持有類似資產(chǎn)或者具有廣泛的業(yè)務(wù)聯(lián)系?；谝陨辖Y(jié)論，本文提出以下建議：

1．投資者在進行投資時，除了關(guān)注股票價格的走勢，還需重點關(guān)注代表風險的波動率指標；構(gòu)建投資組合時，應(yīng)考慮風險對沖效應(yīng)；進行股價預測時，可以尋找波動類似的股票作為外在影響因素，發(fā)現(xiàn)數(shù)據(jù)背后的規(guī)律。

2．需要重點關(guān)注房地產(chǎn)業(yè)和銀行業(yè)波動的關(guān)聯(lián)性，避免房地產(chǎn)價格波動的風險蔓延到銀行板塊，避免產(chǎn)生房地產(chǎn)風險-銀行風險-金融風險-經(jīng)濟風險的風險傳染渠道。同時也要關(guān)注銀行業(yè)的波動風險是否會蔓延到房地產(chǎn)行業(yè)，避免產(chǎn)生銀行風險-房地產(chǎn)風險-金融風險-實體經(jīng)濟下滑風險。

3．在制定銀行和房地產(chǎn)監(jiān)管政策時，應(yīng)當考慮單個企業(yè)的風險異質(zhì)性。房地產(chǎn)業(yè)貸款占比是銀行和房地產(chǎn)關(guān)聯(lián)的重要影響因素，為了避免風險過渡傳染，應(yīng)要求銀行進一步披露房地產(chǎn)業(yè)貸款信息，真正落實國家對房地產(chǎn)的調(diào)控政策，確保房地產(chǎn)在保障民生中發(fā)揮重要作用，同時也要避免房地產(chǎn)行業(yè)成為風險傳染的源頭。