虞望科　李秋梅　黃軻　鄧林云　張左敏暘

摘要：文章通過構建中國和東盟主要國家的股票市場指數(shù)的波動率網(wǎng)絡，分析市場風險跨國傳遞的機制及關鍵節(jié)點特征。研究發(fā)現(xiàn)，波動率網(wǎng)絡較好地刻畫了各國股指波動率之間的鏈接特征和緊密性。新冠疫情的影響導致主要國家股指的行為模式的趨同傾向顯著上升，波動率網(wǎng)絡節(jié)點變化和拓撲特征顯著差異。新加坡和泰國少數(shù)股指是跨國股票市場中的關鍵節(jié)點和市場風險源頭。動態(tài)分析表明，股指波動率網(wǎng)絡的演化體現(xiàn)波動網(wǎng)絡整體風險隨時間變化，市場的信息鏈接結構隨時間變化而變化，重大突發(fā)事件打破原有結構并觸發(fā)了市場內(nèi)的信息聯(lián)系。文章的研究對理解中國與東盟主要國家股票市場間跨國風險傳遞特征具有借鑒作用。

關鍵詞：中國與東盟； 股票市場； 股指波動率網(wǎng)絡； 復雜網(wǎng)絡

［中圖分類號］? F830.91? ? ? ? ? ［文獻標識碼］ A? ? ? ? ? ? ［文章編號］1003－2479（2023）01-059-13

Stock Market Volatility Between China and ASEAN Countries：

An Empirical Analysis Based on Complex Networks

Yu Wangke，? Li Qiumei，? Huang Ke，? Deng Linyun，? Zhang Zuominyang

Abstract： By constructing the volatility network of stock market indexes in China and ASEAN countries， the mechanism of transnational market risk transmission and the characteristics of key nodes are analyzed. The results show that the volatility network is a good description of the link characteristics and tightness of the volatility of various stock indexes. The COVID-19 shock led to a significant increase in the convergence of behavior patterns of stock indexes in major countries， and significant differences in node changes and topological features of the volatility network. A few stock indexes in Singapore and Thailand are the key nodes and the source of market risk in the transnational stock market. The dynamic analysis shows that the evolution of stock index volatility network reflects that the overall risk of volatility network changes over time， the information link structure of the market changes over time， and major emergencies break the original structure and trigger the information connection in the market. The findings of this paper have important implications for understanding the characteristics of transnational risk transmission in the stock markets of China and ASEAN countries.

Key words： China and ASEAN; stock market; stock index volatility network; complex networks

2021年11月，中國與東盟關系由“戰(zhàn)略伙伴關系”升級為“全面戰(zhàn)略伙伴關系”，深化中國與東盟的戰(zhàn)略合作伙伴關系符合時代潮流。隨著中國—東盟關系進入全方位發(fā)展的新階段，中國與東盟國家經(jīng)濟貿(mào)易往來越來越密切，國家之間的投資活動引起的資金跨國流動和資產(chǎn)跨國配置日趨活躍，各國股票市場波動率的聯(lián)動性和與之對應的風險傳遞不斷增強。在此背景下，影響中國與東盟國家的重大突發(fā)事件不僅容易增加雙邊股票市場系統(tǒng)性風險，而且可能增大國際資本在股票市場管理投資組合風險的難度。因此，理解中國與東盟主要國家間股票市場波動率靜態(tài)和動態(tài)關聯(lián)結構變化，有助于識別風險傳遞的機制和關鍵市場，有助于深入把握股票市場風險傳遞規(guī)律并將風險因素納入股票估值，還能預判資金的跨國流動和資產(chǎn)配置方向，為國際投資資本轉移造成的市場震蕩制訂風險管理預案提供依據(jù)，對金融衍生品定價和政府制定合理的金融監(jiān)管政策等都具有重要意義。本文將通過構建中國與東盟國家間股票市場波動率靜態(tài)和動態(tài)網(wǎng)絡，重點回答以下問題：中國與東盟主要國家間股票市場核心指數(shù)的關聯(lián)結構呈現(xiàn)何種特征，市場風險跨國傳遞的機制如何、關鍵節(jié)點有何特征，股票市場間關聯(lián)結構如何隨時間變化。

一、相關文獻綜述

（一）中國與國際股票市場聯(lián)動性方面

由于中國股票市場起步較晚，因此很多學者認為中國股票市場和世界股票市場處于不關聯(lián)狀態(tài)，但隨著中國股票市場國際化進程的加快，不少學者開始研究中國與國際股票市場的聯(lián)動性。例如，宮越（Miyakoshi）研究了日本、美國股票市場與亞太7個國家股市的聯(lián)動性，認為美國股市對中國股票市場收益率存在引導作用，而日本股票市場對中國股票市場存在波動率溢出效應，不存在收益率影響1。吳振信和許寧采用協(xié)整的方法檢驗了上證指數(shù)與其他6個主要指數(shù)的關系，得出上證指數(shù)只與道瓊斯指數(shù)、恒生指數(shù)、新加坡指數(shù)存在長期協(xié)整關系2。張碧瓊運用EGARCH模型，檢驗股票市場之間日收益率和波動率的聯(lián)動效應，發(fā)現(xiàn)倫敦、紐約股票市場對上海、深圳股票市場具有波動率溢出效應，而且在上海股票市場和深圳股票市場之間、上海股票市場與香港股票市場之間、深圳股票市場與香港股票市場之間存在顯著性雙向日收益波動溢出效應3。王志芬和張雪玲采用協(xié)整和格蘭杰因果檢驗對中國的上海股票市場、深圳股票市場、香港股票市場與美國股票市場進行了聯(lián)動效應研究，發(fā)現(xiàn)次貸危機前后中國與美國股票市場三大股指間長期均衡關系和格蘭杰因果關系均有所改變，次貸危機發(fā)生后的一段時間內(nèi)不再有波動協(xié)同關系4。

（二）中國與東盟股票市場聯(lián)動性方面

自2010年中國—東盟自由貿(mào)易區(qū)正式建立以來，雙方的經(jīng)濟聯(lián)系進一步加深，不少學者開始研究中國股票市場與東盟國家股票市場的聯(lián)動性。Teng等人研究中國股票市場跟ASEAN-5股票市場的周期同步性，運用協(xié)同指數(shù)和滾動協(xié)同指數(shù)分析，發(fā)現(xiàn)中國股票市場跟ASEAN-5股票市場聯(lián)動性增強5。Teng等人通過協(xié)同指數(shù)研究中國股票市場與東盟國家股票市場的聯(lián)動性，發(fā)現(xiàn)東盟國家與中國的股票聯(lián)動性比與美國、日本的要弱，但中國—東盟自由貿(mào)易區(qū)成立后其聯(lián)動性不斷增強6。Mandigma探討了中國、美國、日本、韓國與東盟國家的股票市場間影響關系，以次貸危機為界線，發(fā)現(xiàn)在次貸危機前，日本、韓國與東盟國家間的聯(lián)動性較大，而中國與東盟國家間的聯(lián)動性比較小，但2008年以后中國與東盟國家的聯(lián)動性在不斷增強1。連惠慧（Hooi Hooi Lean）和羅素·史密斯（Russeu Smyth）利用2001—2002年中國股票市場和東盟國家股票市場的數(shù)據(jù)，研究雙方之間的協(xié)整關系，發(fā)現(xiàn)短期內(nèi)影響迅速，長期存在協(xié)整關系2。簡美瑟（Mei Se Chien）等人研究1994—2002年中國與東盟國家間跨境股票市場間動態(tài)的收斂性，發(fā)現(xiàn)這6個股票市場最多有一個協(xié)整向量，表明中國和東盟的區(qū)域金融一體化不斷加強，然而程度有限3。Teng等人研究了中國與東盟國家股票市場聯(lián)動性時發(fā)現(xiàn)，在短期兩者的聯(lián)動性處于上升趨勢，尤其是泰國和印度尼西亞與中國的聯(lián)動性更強4。毛薇和郝夢雨運用1999年8月31日—2016年12月31日的數(shù)據(jù)，分析了中國與東盟股票市場的聯(lián)動性，發(fā)現(xiàn)上證綜指與馬來西亞、新加坡、菲律賓、印度尼西亞、泰國股票指數(shù)之間均不存在協(xié)整關系，但上證指數(shù)與新加坡股指互為因果關系，與泰國和馬來西亞股指存在單向的因果關系，而與菲律賓、印度尼西亞股指不存在格蘭杰因果關系5。

（三）復雜網(wǎng)絡在股票市場的應用方面

由于傳統(tǒng)計量模型無法準確描述金融市場之間的相關性，學者們開始使用復雜網(wǎng)絡來檢查其之間相互關系。羅薩里奧·N.曼特尼亞（Rosario N.Mantegna）最早提出構建股票關聯(lián)復雜網(wǎng)絡，利用互相關網(wǎng)絡分析工具——MST、HT，對股票相關指數(shù)進行分析，并給出了最優(yōu)的投資組合策略6。湯姆·恩格斯特德（Tom Engsted）和卡斯滕·坦加德（Carsten Tanggaard）構建了英國和美國股票市場復雜網(wǎng)絡，用以研究兩國股市的相關性特征7。弗拉基米爾·博金斯基（Vladimir Boginski）等人利用閾值法來分析股票市場網(wǎng)絡的統(tǒng)計性質，發(fā)現(xiàn)股票市場的度分布具有冪律特征，且具有派系集團8。Li和Wang對中國香港股票市場構建復雜網(wǎng)絡，發(fā)現(xiàn)該網(wǎng)絡具有復雜性和穩(wěn)定性，不屬于隨機網(wǎng)絡9。黃瑋強等人利用中國上證指數(shù)和深圳指數(shù)的1080只成分股，采用MST和PMFG對其構建股票關聯(lián)網(wǎng)絡，分析該網(wǎng)絡的拓撲性質10。托馬索·阿斯特（Tomaso Aste）等人利用美國1996—2009年的395只股票，采用PMFG構建這些股票的相關性網(wǎng)絡，發(fā)現(xiàn)2007年美國次貸危機使網(wǎng)絡結構發(fā)生改變，金融類股票不再是網(wǎng)絡中心節(jié)點11。阿沙敦·諾比（Ashadun Namaki），等人采用閾值法，對伊朗股票市場建立各個閾值下的股票市場網(wǎng)絡，旨在分析網(wǎng)絡結構的統(tǒng)計特性1。Nobi等人采用APM模型來分析2008年金融危機對全球股票市場網(wǎng)絡產(chǎn)生的影響，發(fā)現(xiàn)金融危機改變了全球網(wǎng)絡的拓撲性質2。鄧超和陳學軍基于復雜網(wǎng)絡的Watts級聯(lián)動力學理論，采用模擬方法對金融傳染風險模型進行系統(tǒng)分析3。歐陽紅兵和劉曉東采用MST和PMFG方法構建和分析金融市場網(wǎng)絡可以動態(tài)識別金融網(wǎng)絡中節(jié)點的系統(tǒng)重要性4。劉惟樅和張巍在金融危機的背景下，運用閾值法構造全球股票市場網(wǎng)絡，發(fā)現(xiàn)網(wǎng)絡隨危機進程變化的動態(tài)性和協(xié)同性5。謝赤等人構建股票市場動態(tài)關聯(lián)網(wǎng)絡，并從網(wǎng)絡節(jié)點移除和連邊變化兩個角度出發(fā)，對其在不同時期的動態(tài)演化特征和市場穩(wěn)健性質進行探討6。

綜上所述，第一，在研究中國與國際股票市場聯(lián)動性時，早先研究通常先驗地將時間分割成若干子樣本，如以2008年美國次貸危機為分段點，分段方法較為主觀；第二，學者們普遍把視角對準中國與發(fā)達國家的股票市場聯(lián)動性，對東盟國家股票市場研究較少；第三，在研究中國與東盟股票市場聯(lián)動性時，將東盟國家作為研究整體，而中國與東盟國家的聯(lián)動性并不一致，分別探究了中國與東盟國家之間的聯(lián)動性大?。坏谒?，現(xiàn)有的實證分析采用協(xié)整、VAR、格蘭杰檢驗、DCC-GARCH、Copula等來驗證其聯(lián)動性，然而以月度為單位，較少研究采用日度較高頻的數(shù)據(jù)作為研究對象?；诖?，本文在上述研究的基礎上，以日頻數(shù)據(jù)作為研究對象，更能捕捉到周頻和月頻等低頻數(shù)據(jù)難以捕捉到的內(nèi)部結構，本文針對中國與東盟國家股票市場波動率關聯(lián)結構的研究具有獨特的意義。

二、中國與東盟國家間股票市場波動率網(wǎng)絡

本文根據(jù)以下步驟開展研究：首先，以中國與東盟主要國家的股票市場核心指數(shù)為復雜網(wǎng)絡的節(jié)點，各國股指波動率的交叉相關矩陣定義復雜網(wǎng)絡的邊界，構建股票市場波動率網(wǎng)絡；其次，以特征向量中心性代表股指波動率網(wǎng)絡中心性，識別各市場在中國和東盟國家間股票市場中的“核心—邊緣”地位、關鍵節(jié)點特征；最后，隨著時間的變換，某些國家市場在風險傳遞中的地位可能發(fā)生變化，考察波動率網(wǎng)絡結構的時變特征和穩(wěn)定性。

（一）股指波動率網(wǎng)絡

復雜網(wǎng)絡的拓撲結構能夠在保留數(shù)據(jù)集基本特征、降低數(shù)據(jù)復雜度的同時，有效提取股指波動率之間的復雜關聯(lián)結構，如層次和聚類信息。構造股票市場波動率網(wǎng)絡，首要是定義股票市場網(wǎng)絡的相關性。采用Pearson相關系數(shù)定義網(wǎng)絡是普遍做法7，但Pearson相關系數(shù)存在缺陷，不能捕捉價格收益率變量間非線性相關信息，而金融時間序列變量間往往展現(xiàn)出非線性相關模式8?？紤]到Pearson相關系數(shù)在網(wǎng)絡分析文獻中應用的廣泛性，避免陷入各種相關方法之間有效性比較的冗長討論，本文直接使用Pearson相關系數(shù)構造最小生成樹，將研究重點集中在與股指波動率關聯(lián)結構和關鍵市場節(jié)點等方面。

（二）股票市場波動率網(wǎng)絡中心性

（三）股票市場動態(tài)網(wǎng)絡

過去十年中，不論中國還是東盟國家股票市場都經(jīng)歷大起大落，也受到突發(fā)因素沖擊影響，因此中國與東盟國家間股票市場波動率網(wǎng)絡的結構并非穩(wěn)定，具有隨時間變化的特征。為了研究網(wǎng)絡結構的演化特征，本文利用滑動時間窗算法，根據(jù)交叉相關矩陣計算均值、標準差等指標、網(wǎng)絡平均度等統(tǒng)計特征隨時間變化的表現(xiàn)。具體程式如下：使用每次計算100個觀測值并遞歸估計這些測量值，沿時間尺度移動，窗口步長為1。根據(jù)以上步驟，我們得到完整示例的窗口總數(shù)為1415個。

三、數(shù)據(jù)說明與描述性統(tǒng)計

本文研究對象是中國、東盟主要國家、日本、韓國股票市場指數(shù)（圖1），研究范圍包括：中國（CSI300）、老撾（LXS）、新加坡（SGX）、泰國（SET）、越南（VN）、馬來西亞（FTSE）、菲律賓（PSEI）、柬埔寨（CSX）、日本（N225）、韓國（KRX）十國股票市場指數(shù)。選擇以上國家股指的理由主要根據(jù)數(shù)據(jù)可得性和各國股票市場聯(lián)系緊密程度，由于東盟地區(qū)中有部分國家股票市場指數(shù)缺失，同時考慮到日本和韓國在地緣上與中國、東盟國家臨近，與中國和東盟國家股票市場可能存在密切關聯(lián)性，因此本文將兩國股票市場指數(shù)納入研究范圍。各國股指收盤價、成交量均來自Wind金融終端，股指價格選定數(shù)據(jù)集時間范圍從2016年3月1日—2021年11月22日，合計1515個觀測樣本數(shù)據(jù)。由于各國股指交易時間不對應，如果簡單采取“共同時間窗”方法處理數(shù)據(jù)，即刪除各國股指不能匹配的交易時間，將損失大量數(shù)據(jù)，故本文使用窗口長度為10個交易日的移動中位數(shù)替換和補全各國股指缺失值。

為了進一步研究重大事件沖擊下，中國和東盟國家股票市場波動關聯(lián)變化，本文借鑒事件研究法的思路，對全球性的新冠疫情這一重大突發(fā)事件，劃分為事件前、事件期間和事件后3個子時間樣本，并分別構造事件前、事件期間和事件后靜態(tài)的全球股指波動率網(wǎng)絡，方便比較分析網(wǎng)絡結構的差異。由于疫情在全球范圍內(nèi)的廣泛影響，世界衛(wèi)生組織于2020年3月11日宣布新冠疫情為全球大流行，據(jù)此本文將整個樣本數(shù)據(jù)分為3個時期各102個交易日：（a）疫情暴發(fā)前：2019年10月15日—2020年3月10日；（b）疫情暴發(fā)期：2020年3月11日—2020年8月7日；（c）疫情持續(xù)期：2020年8月10日—2021年1月5日。

本文通過對中國、日本、韓國與東盟主要國家股指波動率走勢的觀察發(fā)現(xiàn)，2020年上半年幾乎10個國家的股指波動率波動幅度放大，其中中國、韓國、新加坡、菲律賓的波動幅度靠前，這一特點與上述國家疫情形勢緊密相關。圖1是10個國家股指波動率的相關圖，在全樣本狀態(tài)下10個國家中股票市場較發(fā)達國家股指波動率，與其他國家股指波動率靜態(tài)聯(lián)動關系緊密，相關圖中新加坡、日本和韓國股指與其他國家股指波動率之間落入強關聯(lián)的偏紅色色塊，部分相關度甚至超過0.9。此外，東盟國家股票市場之間普遍的聯(lián)動關系明顯，但中國與其他9個國家股指波動率的靜態(tài)聯(lián)動不密切。

四、中國與東盟國家間股票市場風險傳遞的實證檢驗

（一）股指波動率網(wǎng)絡的靜態(tài)結構

首先，考察中國與東盟主要國家間股指波動率網(wǎng)絡整體結構，該結構能夠反映各國股指波動關聯(lián)結構，本文給出全樣本下股指波動率網(wǎng)絡最小生成樹。最小生成樹包含非常豐富的股票市場關聯(lián)結構信息，全樣本狀態(tài)下的最小生成樹吸收了整個樣本信息，反映股票市場關聯(lián)的常規(guī)狀態(tài)。在全樣本最小生成樹中，市場的鏈接模式直觀反映市場之間的聯(lián)系性和緊密性，鏈接呈現(xiàn)股票市場組團式關聯(lián)結構。具體而言，中國、越南、馬來西亞、泰國構成組團1，菲律賓、柬埔寨構成組團2，新加坡、老撾和日本構成組團3。由此看出，樣本內(nèi)的股票市場組團關系與國家經(jīng)濟發(fā)展水平和股票市場發(fā)展程度相關，相對發(fā)達國家的股票市場傾向于構成組團，如日本、新加坡；經(jīng)濟發(fā)展水平較高的發(fā)展中國家股票市場，如中國、越南、馬來西亞、泰國屬于同一組團；樣本中市場其他國家較落后的構成同一組團。

其次，作為進一步研究，考察在新冠疫情暴發(fā)前期間和持續(xù)期，股指波動率網(wǎng)絡整體結構的差異，平均交叉相關系數(shù)在表1中給出。表1顯示，疫情使中國和東盟主要國家股票市場整體關聯(lián)程度顯著上升，在疫情突發(fā)期間，平均交叉相關水平較事件前高約42%，較事件后高約132%。這意味著在突發(fā)事件的沖擊下，10個國家股指的行為模式的趨同傾向顯著上升，凸顯對重大突發(fā)事件研究在股票市場整體結構研究中的重要性。突發(fā)事件對股票市場持續(xù)影響基本不超出本文定義的疫情暴發(fā)期時間范圍，事件后平均交叉相關水平迅速下降，甚至低于事件前的水平。

2吳振信，許寧.我國股票市場與周邊市場互動關系的VAR研究［J］.北方工業(yè)大學學報，2004（4）：1-4，32.

3張碧瓊.中國股票市場信息國際化：基于EGARCH模型的檢驗［J］.國際金融研究，2005（5）：68-73.

4王志芬，張雪玲.次貸危機對中美股市聯(lián)動性的影響分析［J］.經(jīng)濟論壇，2009（9）：33-35.

5TENG K T， HWA Y S， YEAN C S. Synchronisation of stock market cycles：the importance of emerging and developed markets to ASEAN-5［J］. Prague Economic Papers， 2013（4）：435-458.

6TENG K T， YEN S H ， CHUA S Y . The synchronisation of ASEAN-5 stock markets with the growth rate cycles of selected emerging and developed economies［J］.Margin the journal of applied economic research，2013（1）：1-28.

1MANDIGMA M B. Stock Market Linkages among the ASEAN 5+3 countries and US：Further evidence［J］.Management and adminidtrative science review，2014（1）：53-68.

2LEAN H H， SMYTH R . Stock market co-movement in ASEAN and China［M］//Emerging markets and the global economy.Amsterdam：Elsevier，2014：603-622.

3CHIEN M S， LEE C C， HU T C ， et al. Dynamic Asian stock market convergence：evidence from dynamic cointegration analysis among China and ASEAN-5［J］. Economic modelling，2015（51）：84-98.

4TENG K T， YEN S H， CHUA S Y， et al. Time-varying linkages of economic activities in China and the stock markets in ASEAN-5［J］. Social science electronic publishing，2016（2）：137-152.

5毛薇，郝夢雨.中國與東盟五國股票市場聯(lián)動性分析［J］.廣西財經(jīng)學院學報，2017（2）：44-55.

6MANTEGNA R N . Hierarchical structure in financial markets ［J］. European physical journal B， 1999（1）：193-197.

7ENGSTED T，TANGGAARD C . The Comovement of US and UK stock markets［J］. European financial management，2004（4）：593-607.

8BOGINSKI V，BUTENKO S，PARDALOS P M. Mining market data：A network approach［J］. Computers and operations research，2006（11）：3171-3184.

9LI P， Wang B H. An approach to Hang Seng index in Hong Kong stock market based on network topological statistics［J］.Chinese Science bulletin，2006（5）：624- 629.

10黃瑋強，莊新田，姚爽.中國股票關聯(lián)網(wǎng)絡拓撲性質與聚類結構分析［J］.管理科學，2008（3）：94-103.

11ASTE T， SHAW W， DI MATTEO T.Correlation structure and dynamics in volatile markets［J］.New journal of physics， 2010 （16）：2498-2498.

1NAMAKI A， SHIRAZI A H， RAEI R， et al. Network analysis of a financial market based on genuine correlation and threshold method［J］. Physical A-statistical mechanics and its applications， 2011（21）： 3835-3841.

2NOBI A， LEE S， KIM D H， et al. Correlation and network topologies local stock indices［J］. Physics letters A， 2014（34）：2482-2489.

3鄧超，陳學軍.基于復雜網(wǎng)絡的金融傳染風險模型研究［J］.中國管理科學，2014（11）：11-18.

4歐陽紅兵，劉曉東.中國金融機構的系統(tǒng)重要性及系統(tǒng)性風險傳染機制分析：基于復雜網(wǎng)絡的視角［J］.中國管理科學，2015（10）：30-37.

5劉惟樅，張巍.金融危機下全球股指網(wǎng)絡特性分析［J］.山東財政大學學報，2014（3）：11-17.

6謝赤，胡雪晶，王綱金.金融危機10年來中國股市動態(tài)演化與市場穩(wěn)健研究：一個基于復雜網(wǎng)絡視角的實證［J］.中國管理科學，2020（6）：1-12.

7MANTEGNA R N. Hierarchical structure in financial markets ［J］. European physical journal B， 1999（1）：193-197.

8寧瀚文，屠雪永.基于高維波動率網(wǎng)絡模型的股票市場風險特征研究［J］.統(tǒng)計研究，2019（10）：58-73.

1GARMAN M， KLASS M . On the estimation of security price volatilities from historical data［J］. Journal of business， 1980（53）：67-78.

2ALIZADEH S， BRANDT M W， DIEBOLD F X. High- and low-frequency exchange rate volatility dynamics： range-based estimation of stochastic volatility models［J］. Journal of finance， 2002（3）：1047-1091.

3MANTEGNA R N. Hierarchical structure in financial markets ［J］. European physical journal B， 1999（1）：193-197.

4GARMAN M， KLASS M . On the estimation of security price volatilities from historical data［J］. Journal of business， 1980（53）：67-78.

5ONNELA J P， SARAMKI J， HYVNEN J， et al. The architecture of weighted complex networks［J］. Proceeding of the National Academy of Science of the Vnited States of America，2004（11）：3747-3752.

1小方框內(nèi)數(shù)值表示各國股指在波動率網(wǎng)絡中的度中心性數(shù)值D。

1滑動時間窗口的大小在噪音過多和過度平滑之間取得平衡，窗口大小設定為100天，每次計算100個觀測值并遞歸估計這些測量值，沿時間尺度移動，窗口步長為1。選取2006年1月4日—2021年3月26日期間的數(shù)據(jù)共計3835個觀測樣本數(shù)據(jù)。根據(jù)以上步驟，得到完整示例的窗口總數(shù)為3734個。