引言

當今世界，促進可持續(xù)發(fā)展和應對氣候變化已成為能源規(guī)劃和政策決策的重要組成部分。這不僅是環(huán)境經(jīng)濟學的課題，也是金融世界的擔憂，這決定著投資者是否可以將他們的資本投向“綠色”或“灰色”能源。更值得注意的是，對全球能源的需求需要以一種更好的方式在投資組合中進行分配，以實現(xiàn)碳中和戰(zhàn)略，從而減少對可持續(xù)投資流動的中和。基于當前股票市場不同行業(yè)板塊之間資金高速流動的現(xiàn)狀，各行業(yè)板塊之間尾部事件造成的風險傳導也更加顯著。因此，對行業(yè)板塊風險傳導及其溢出效應的準確測算就尤為重要。

討論金融板塊間的相似度離不開金融序列相似度的衡量，學界對于金融序列相似度的衡量方法有很多。例如，通過核密度估計、Granger因果推斷等手段測算不同板塊對應的波動率、收益率等時間序列數(shù)據(jù)相關(guān)關(guān)系（Glick等人，2013）[10]。此類方法可以判斷板塊間是否存在因果關(guān)系，但只能從金融時間序列整體的角度判斷，這無疑忽視了許多板塊間的相互作用關(guān)系。于是學者又開始深入探究尾部風險溢出對于金融市場的作用機理，金融市場間的風險溢出研究早期便集中于股票市場的風險溢出。例如，通過構(gòu)造在險價值VaR、條件風險價值CoVaR等衡量尾部風險（楊子暉等人，2018）[2]。對于金融市場兩板塊的相依性判別上，目前學界仍將視角主要集中在序列相關(guān)或描述多個隨機變量之間依賴結(jié)構(gòu)上。例如，采用建立序列相關(guān)模型或Copula族函數(shù)進行研究（陳守東等人，2003；葉五一等人，2009）[6，8]。此類模型通過建立模型殘差的相關(guān)性可以很好地描述金融市場間的風險傳染效應及金融資產(chǎn)收益波動的變化規(guī)律，但模型假定條件較為苛刻。如模型假定的條件為方差是滯后殘差的線性函數(shù)，導致金融資產(chǎn)的收益和收益波動之間的負相關(guān)性不能被捕捉到等問題仍然需要解決。

針對已有文獻的不足，本文使用構(gòu)建復雜網(wǎng)絡的方法衡量股票市場高碳行業(yè)與低碳行業(yè)板塊間的相依結(jié)構(gòu)及風險溢出效應。隨著金融市場的發(fā)展，金融板塊之間的網(wǎng)絡聯(lián)動性日益成為金融市場風險傳染不可忽視的重要因素。許多學者已將復雜網(wǎng)絡使用計量經(jīng)濟學模型進行構(gòu)建，由此可以實現(xiàn)對尾部風險溢出條件下的金融市場板塊聯(lián)動性及拓撲結(jié)構(gòu)對金融市場系統(tǒng)性風險的影響（毛昌梅等人，2020）1]。

受此啟發(fā)，本文構(gòu)建了一種以圖論為基礎的復雜網(wǎng)絡模型與計量經(jīng)濟學模型相結(jié)合的金融網(wǎng)絡模型，對股票行業(yè)板塊間相依結(jié)構(gòu)及溢出效應進行衡量。采用相比于VaR、CoVaR等對風險更為敏感的CoES作為衡量尾部風險的變量，根據(jù)不同行業(yè)板塊的風險分布向量相似度建立金融網(wǎng)絡模型，以此表示各行業(yè)板塊的尾部風險相依結(jié)構(gòu)。量化網(wǎng)絡因子，選取尾部事件驅(qū)動的分位數(shù)回歸模型作為衡量風險溢出效應的方法，以展示在不同分位點上的風險溢出效應。

這樣的建模方式有三個優(yōu)勢：首先，可以保留風險向量對于尾部風險的敏感度，使衡量風險更加準確。其次，可以衡量金融網(wǎng)絡整體的相互作用情況并找出金融網(wǎng)絡中各節(jié)點的重要程度。最后，可以量化網(wǎng)絡因子對于整體收益率在左尾和右尾的作用效果。

模型設定與計算

構(gòu)建相似矩陣

風險分布向量（RiskProfileVector）是一種在風險管理中用于描述投資組合或資產(chǎn)的風險特征和特點的工具。它通常是一個多維向量，包含了各種風險指標和參數(shù)，用于量化和描述特定投資或資產(chǎn)的風險屬性。考慮到傳統(tǒng)的VaR方法無法對于某個股票行業(yè)受到?jīng)_擊時其他行業(yè)的狀況進行測度，因此本文使用條件期望損失（CoES）作為風險分布向量的元素，其具體表達式如下：

CoES_ij，t（α）=E[Y_i，t|Y_j，tj，t（α）]

條件期望損失可以用來表示當股票行業(yè)j處于極端情況下，其對股票行業(yè)i預期損失的影響。本文取得95% 置信水平下的在險價值與條件期望損失進行后續(xù)模型構(gòu)建。

由上文對條件期望損失的計算，可以構(gòu)建風險分布向量 X_i，t={CoES_ij，t} 。并借由不同企業(yè)間的風險分布向量夾角余弦值作為衡量構(gòu)建相似矩陣的元素。

構(gòu)建時變的鄰接矩陣

對我國股票市場的不同行業(yè)構(gòu)建網(wǎng)絡關(guān)系，可以使用二元結(jié)構(gòu)反映股票市場各行業(yè)之間的連通性?？紤]到當今我國股票市場各個行業(yè)之間經(jīng)濟往來緊密的現(xiàn)狀，本文采用正負不對稱的斷點回歸方法，即對正相關(guān)系數(shù)和負相關(guān)系數(shù)分別進行斷點，通過分類算法令高于（或低于）某臨界值的系數(shù)為1（或-1），其余相關(guān)系數(shù)為0，分別形成正鄰接矩陣以及負鄰接矩陣。

設 Θ⁺ 為對應于正相強相關(guān)性與弱相關(guān)性的間隔分數(shù)， θ^- 對應于負相關(guān)性與弱相關(guān)性的間隔分數(shù)。可通過最小化函數(shù)的方式獲得最優(yōu)的 Θ⁺ 與 ，其中正相強相關(guān)性與弱相關(guān)性的間隔分數(shù)計算如下所示：

負相關(guān)性與弱相關(guān)性的間隔分數(shù)同理，由此可定義鄰接矩陣A中的任意元素

系統(tǒng)性風險評分與風險分解

本文利用鄰接矩陣A和節(jié)點的特征指標來衡量系統(tǒng)性風險，定義節(jié)點的特征指標向量為：

C=（C₁，C₂，…，C_N）^T

因此系統(tǒng)性風險分數(shù)S的計算方法為：

S（C，A）=C^TAC

每一個節(jié)點對系統(tǒng)性風險的貢獻為 S_i ，由于S（C，A） 只是關(guān)于C的線性齊次，因此可以進行如下風險分解：

獻程度，用上述方法可以評價股票市場的系統(tǒng)性風險大

小，以及各個行業(yè)對我國股票市場系統(tǒng)性風險的貢獻程度。

分位數(shù)回歸模型的構(gòu)建

本文利用尾部事件驅(qū)動的網(wǎng)絡分位數(shù)回歸模型來研究股票市場各行業(yè)之間風險傳導的網(wǎng)絡效應，建立模型如下：

Y_it=α₀+α_i1Y_i，t-1+α_i2^TW_t+v_it

其中， W_t= [HS300，CNY10Y，US10Y]，HS300為滬深300指數(shù)收益率，用以衡量中國股票市場的一般水平；CNY10Y為中國十年期國債收益率，用以反映中國宏觀經(jīng)濟走勢和政策影響；US10Y為美國十年期國債收益率，用以反映世界宏觀經(jīng)濟走勢影響。他們共同組成 W_t ，為市場層面的協(xié)變量，用于捕捉系統(tǒng)性因素的影響。此回歸模型是為了探究除去系統(tǒng)性因素的影響后，網(wǎng)絡效應對于收益率的影響。

本文后續(xù)研究應用的是回歸模型的殘差 ??V_it ，對其建立如下回歸模型：

其中， 分別反映了第i個節(jié)點鄰居的正網(wǎng)絡因子和負網(wǎng)絡因子的平均影響。網(wǎng)絡因子量化了系統(tǒng)中每個節(jié)點其連接鄰居的平均值，這可能有助于下一期的返回預測。 β⁺ ，β為需要測算的網(wǎng)絡效應系數(shù)，其大小可以說明其受到網(wǎng)絡因子的影響程度，在不同分位點呈現(xiàn)的不同變化趨勢，可以說明在極端事件發(fā)生的情況下，網(wǎng)絡效應如何影響股票市場。

實證分析

數(shù)據(jù)選取

綜合考慮數(shù)據(jù)的可獲得性與應用效果，本文選取了我國股票市場6個行業(yè)的30個企業(yè)的收益率作為研究對象。其中選取的高碳行業(yè)為石油業(yè)與煤業(yè)，低碳行業(yè)為風能業(yè)與太陽能業(yè)，與碳轉(zhuǎn)型無關(guān)的對照行業(yè)（下文簡稱無碳行業(yè)）為金融業(yè)與醫(yī)療保健業(yè)。選取企業(yè)包括石油業(yè)的中國石化、中國石油、中國海油、中國航油、中油資本；煤業(yè)的中煤能源、晉控煤業(yè)、中國神華、充礦能源、淮北礦業(yè)；風能業(yè)的天順風能、金風科技、中天科技、吉電股份、東方電氣；太陽能業(yè)的隆基綠能、拓日新能、寶馨科技、通威股份、協(xié)鑫集成；金融業(yè)的農(nóng)業(yè)銀行、交通銀行、工商銀行、中國銀行、建設銀行；醫(yī)療保健業(yè)的國藥股份、中國醫(yī)藥、華潤三九、上海醫(yī)藥、華東醫(yī)藥。樣本窗口期為2014年7月2日至2023年12月29日。在本文進行研究前，首先對樣本進行ADF檢驗和JB檢驗驗證其平穩(wěn)性與正態(tài)性。結(jié)果顯示30個企業(yè)的收益率均平穩(wěn)且不具有正態(tài)性，呈現(xiàn)一定的厚尾分布。

股票市場行業(yè)板塊相依性的實證分析

本文首先將構(gòu)造的相似矩陣可視化為股票市場各個企業(yè)之間的相關(guān)熱力圖。在此基礎上，繼續(xù)使用正負不對稱的斷點技術(shù)將相似矩陣劃分為鄰接矩陣。本文選取了2014年與2016年的典型窗口期時的正鄰接矩陣比較股市大跌前后我國股票市場各個企業(yè)之間的相關(guān)性變化情況。如表1、表2所示，大部分企業(yè)的相似度較高，整體連接度處于較高水平，這說明了股票市場各行業(yè)板塊內(nèi)部存在較強的尾部風險相依性。系統(tǒng)性市場沖擊前，我國股票市場整體之間的關(guān)聯(lián)性相對較低；系統(tǒng)性市場沖擊后，我國股票市場整體之間的關(guān)聯(lián)性相對較高。值得注意的是，在中國股市大跌期間，中國航油與其他所有企業(yè)均產(chǎn)生負相關(guān)，這是其受到新加坡股票市場較高的影響，由此可見各企業(yè)對于風險相依結(jié)構(gòu)的靈敏度很高，因而未受到?jīng)_擊的企業(yè)很快就顯示了與其他企業(yè)的風險不一致性。

此外，為了探究我國股票市場各行業(yè)的連接性在窗口期內(nèi)的變化情況，本文使用Jaccard系數(shù)來探究鄰接矩陣的相似性。若我國股票市場各行業(yè)發(fā)生了結(jié)構(gòu)性變動，則其形成的鄰接矩陣與上一期矩陣的相似度會呈現(xiàn)出較低的狀態(tài)；反之，若我國股票市場各行業(yè)未發(fā)生結(jié)構(gòu)性變動，則其形成的鄰接矩陣與上一期矩陣的相似度會呈現(xiàn)出較高的狀態(tài)。因此本文計算并繪制了窗口期內(nèi)每月的第一天與上一期鄰接矩陣的Jaccard相似度，并將其繪制為折線圖，如圖1所示。

在窗口期內(nèi)，可以明顯觀察到2015年后與2019年后分別有一段相似度較高的時間出現(xiàn)，結(jié)合前文的結(jié)論，這兩段時間是由于國際市場及國內(nèi)市場受到強烈金融沖擊導致各行業(yè)風險相依性增強，呈現(xiàn)出共同抵抗風險的結(jié)構(gòu)。而在沖擊效應漸漸緩解后則又會發(fā)生一定時段的結(jié)構(gòu)性變動，如2017年和2023年前后?？傮w而言，各行業(yè)對風險的敏感性很高，風險溢出效應明顯，為本文的后續(xù)研究提供了相應依據(jù)。

系統(tǒng)性風險的測算分析

網(wǎng)絡分析法的思路認為，網(wǎng)絡中的某一個節(jié)點與其他節(jié)點的聯(lián)系越多，說明該節(jié)點在網(wǎng)絡中的地位更重要，在本文的研究中，即說明該行業(yè)的尾部風險溢出效應越明顯。但在評價一個系統(tǒng)的系統(tǒng)性風險大小時，除了關(guān)注節(jié)點之間的關(guān)聯(lián)性，還應該關(guān)注節(jié)點自身的特征。因此本文選取我國股票市場不同行業(yè)的市值作為系統(tǒng)性風險評分的各行業(yè)特征要素。圖2展示了我國股票市場在窗口期內(nèi)的系統(tǒng)性評分結(jié)果，整體來看，股票市場各行業(yè)的系統(tǒng)性風險處于一個均衡趨勢，整體較為平穩(wěn)，有個別時間呈現(xiàn)出一定的風險分散趨勢。

隨后，本文進一步分解系統(tǒng)性風險，將窗口期內(nèi)我國股票市場的系統(tǒng)性風險評分進行分解，將系統(tǒng)性風險分解至每一個行業(yè)以評價各個行業(yè)對于我國股票市場系統(tǒng)性風險的貢獻程度。表3展示了2014年、2016年、2019年以及2021年的系統(tǒng)性風險分解結(jié)果。由結(jié)果可知，市值較高的行業(yè)在我國股票市場中占據(jù)了舉足輕重的地位，因此對系統(tǒng)性風險的貢獻程度較高，我國股票市場各行業(yè)總體呈現(xiàn)出風險集聚的趨勢。同時，在金融沖擊前后，系統(tǒng)性風險的總和有了顯著提高，說明我國股票市場系統(tǒng)傳導更加強烈，企業(yè)之間的相依性大幅提高。

尾部風險溢出效應的實證分析

為了量化網(wǎng)絡因子與極端值之間的關(guān)聯(lián)關(guān)系，本文使用分位數(shù)交叉關(guān)聯(lián)圖法可視化其關(guān)系，基于本文分組情況，分別以拓日新能、中國石油代表低碳行業(yè)和高碳行業(yè)，結(jié)果如圖3和圖4所示。由圖可知，在分位數(shù)較大或較小的時候，股票市場各行業(yè)指數(shù)收益率與網(wǎng)絡因子極端值呈現(xiàn)正相關(guān)性，表明網(wǎng)絡因子在收益率處于極端情況下具有一定的解釋力度，且左尾和右尾關(guān)聯(lián)度均呈現(xiàn)較高的相關(guān)性。以中國石油為代表的高碳行業(yè)左右尾的敏感度都較高。以拓日新能為代表的低碳行業(yè)左尾敏感度較高，右尾則溢出效應相對較小。由此可初步判斷，高碳行業(yè)應重點關(guān)注左右尾的溢出效應，低碳行業(yè)重點關(guān)注左尾的溢出效應。

在分位數(shù)交叉圖的基礎上，本文進一步利用分位數(shù)回歸來研究我國股票市場不同行業(yè)的風險溢出特征，依據(jù)上文分組，為了估計出不同分位數(shù)條件下的網(wǎng)絡因子對各行業(yè)收益率的貢獻程度。本文首先分別計算了高碳行業(yè)、低碳行業(yè)與無碳行業(yè)收益率數(shù)據(jù)與自回歸項和市場協(xié)變量的回歸結(jié)果，如表4所示。

通過對上述模型的估計，我們可以發(fā)現(xiàn)我國股票市場的大多數(shù)行業(yè)受到市場環(huán)境與沖擊影響較為顯著。進行該模型系數(shù)的估計后，我們可以排除掉市場環(huán)境以及政策影響對于我國市場的影響，由此獲得該模型的殘差項將可以更好地反映網(wǎng)絡因子對我國股票市場不同行業(yè)的影響。因此繼續(xù)使用網(wǎng)絡效應對殘差進行分位數(shù)回歸，得到股票市場各個行業(yè)尾部風險溢出效應系數(shù) β⁺ 與 ，分別用以衡量正網(wǎng)絡因子與負網(wǎng)絡因子對居民消費價格指數(shù)的影響，結(jié)果如圖5和圖6所示。

由分位數(shù)回歸結(jié)果可知，股票市場各企業(yè)正網(wǎng)絡因子效應顯著大于負網(wǎng)絡因子，且正網(wǎng)絡因子對收益率影響非常顯著。說明我國股票市場的風險主要以傳導效應為主，而非風險分散。各行業(yè)的正網(wǎng)絡因子有將收益率數(shù)據(jù)拉向平穩(wěn)的趨勢，溢出效應對收益率起到了一定的正向影響及穩(wěn)定作用。

從不同行業(yè)的角度來看，結(jié)論與分位數(shù)相關(guān)圖結(jié)論相吻合，低碳行業(yè)左尾受到正網(wǎng)絡因子影響最為顯著，對風險溢出效應也最為敏感。其影響因子對于前0.5分位數(shù)的數(shù)據(jù)呈現(xiàn)正向影響，而對0.5分位數(shù)以后的數(shù)據(jù)呈現(xiàn)負向影響，但對左尾的正向影響顯著大于負向影響。高碳行業(yè)與無碳行業(yè)類似，對于左尾網(wǎng)絡因子的敏感度顯著不如低碳行業(yè)，且正網(wǎng)絡因子對于其的負向影響略高于正向影響。而負網(wǎng)絡因子則顯著性較低，對于高碳與低碳行業(yè)影響不顯著，對無碳行業(yè)則有穩(wěn)定負向影響。

結(jié)論及政策含義

我國股票市場各行業(yè)的風險相依性受到系統(tǒng)性風險沖擊后的變化較大，絕大多數(shù)行業(yè)呈現(xiàn)較高的相關(guān)水平。由此可知，倘若在經(jīng)濟沖擊下，我國股票市場各行業(yè)的經(jīng)濟往來會更加緊密，同時這也會導致風險的更廣泛傳播。其中，無碳行業(yè)與其他行業(yè)的尾部風險相依性最高；高碳行業(yè)次之；低碳行業(yè)最低，受到的風險傳導也最小。

總體來看，我國股票市場的尾部風險主要以傳導效應為主，而非風險分散。市場風險整體較為平穩(wěn)，全球性金融沖擊前后，系統(tǒng)性風險有了顯著提高，說明系統(tǒng)性風險沖擊很大程度上是通過提高各行業(yè)之間的風險相似度來提高整體系統(tǒng)性風險。同時，高市值企業(yè)在股票市場中占據(jù)了舉足輕重的地位；低市值企業(yè)受到發(fā)展體量的限制，在系統(tǒng)中的重要程度較低，對系統(tǒng)性風險的貢獻較低，其中也不乏一些市值較高，但與其他行業(yè)聯(lián)通度較低的行業(yè)。

尾部風險傳導效應對各行業(yè)收益率呈現(xiàn)出顯著影響并有一定穩(wěn)定市場的作用。其中，低碳行業(yè)左尾對風險溢出效應最為敏感；高碳行業(yè)與無碳行業(yè)的左尾溢出效應則相對不顯著。風險分散效應對于高碳與低碳行業(yè)影響不顯著，對無碳行業(yè)則有穩(wěn)定負向影響。

綜上所述，應對系統(tǒng)性風險時，重點關(guān)注無碳行業(yè)和高碳行業(yè)的風險傳導效應?？梢酝ㄟ^優(yōu)化金融監(jiān)管政策，增強無碳行業(yè)與其他行業(yè)的風險隔離，減少其尾部風險的溢出效應。同時，加強低碳行業(yè)的風險監(jiān)控，利用其相對較小的風險傳導特點，推動其在經(jīng)濟中穩(wěn)定發(fā)展。此外，推動低碳行業(yè)的市場化改革和創(chuàng)新，鼓勵高市值行業(yè)向低碳轉(zhuǎn)型，降低整體系統(tǒng)性風險的壓力。

【參考文獻】

[1]毛昌梅，韓景倜，劉舉勝.基于復雜網(wǎng)絡的銀行波動溢出效應研究[J].復雜系統(tǒng)與復雜性科學，2020，17（2）：11-21.

[2]楊子暉，陳雨恬，謝銳楷.我國金融機構(gòu)系統(tǒng)性風險度量與跨部門風險溢出效應研究[J].金融研究，2018（10）：19-37.

[3]宮曉莉，熊熊.波動溢出網(wǎng)絡視角的金融風險傳染研究[J].金融研究，2020（5）：39-58.

[4]徐映梅，徐璐.中國金融業(yè)跨市場風險測度與分析——基于GARCH-Copula-CoVaR模型[J].統(tǒng)計與信息論壇，2015，30（4）：28-32.

[5]葉五一，肖麗華，繆柏其.基于變系數(shù)分位點回歸的金磚四國金融穩(wěn)定分析[J].管理科學學報，2018（5）：44-52.

[6]陳守東，陳雷，劉艷武.中國滬深股市收益率及波動性相關(guān)分析[J].金融研究，2003（7）：80-85.

[7]張冰潔，汪壽陽，魏云捷，等.基于CoES模型的我國金融系統(tǒng)性風險度量[J].系統(tǒng)工程理論與實踐，2018，38（3）：565-575.

[8]葉五一，繆柏其.基于Copula變點檢測的美國次級債金融危機傳染分析[J].中國管理科學，2009，17（3：1-7.

[9]CYH Chen，WK H?rdle，Y Okhrin.Tail event driven networks ofSlFls[J].Joural of Econometrics，2019，（208）：282-298.

[10]Glick，Reuven，and Michael Hutchison．China’s financial linages with Asia and the global financial crisis[J].Journal of InternationalMoneyand Finance，2013（39）：186-206.

（作者單位：內(nèi)蒙古財經(jīng)大學統(tǒng)計與數(shù)學學院）