中国金融市场间的风险传染测度与来源追溯_杨杰.pdf

DEVELOPMENT FINANCE RESEARCH开发性金融研究2023 年第 1 期（总第 47 期）金融市场19金融市场中国金融市场间的风险传染测度与来源追溯杨杰李辉*摘要：金融全球化程度的加深，导致了金融市场的风险共振效应与放大效应越发显著，对于系统性风险的识别、预警及防范成为关注的焦点。本研究选取10 个代表性金融子市场作为分析样本，首先基于 DCC-GARCH 动态溢出指数模型测度风险传染，进一步构建金融市场间的动态加权有向网络。研究发现：（1）波动率脉冲响应函数表明不同金融子市场间的波动性溢出幅度和持续性存在市场异质性。（2）从金融市场的网络节点属性角度演化极端风险传染的动态过程，股票市场风险溢出强度要远高于其他市场。（3）金融市场的动态加权有向网络变迁存在显著的“事件驱动”特征，新冠肺炎疫情对金融市场的冲击效应最大。因此，需要警惕外部环境和风险的变化，防范外部金融风险对金融系统的冲击，在推进“双向金融开放”的同时力保经济和金融稳定。关键词：波动率脉冲响应函数；有向加权网络；风险传染测度一、引言近年来，重大国际“黑天鹅”事件频发，市场风险的共振效应与放大效应也与日俱增。为应对极端风险事件所带来的冲击，以美国和欧盟为代表的经济体先后实行大规模量化宽松，短期跨境资本流动容易引发跨境风险传染，对我国防控金融风险和保持资本市场稳定运行提出新的挑战。同时，随着金融系统内外部环境的快速变化，不同金融市场间表现出显著的风险传染效应，当金融系统内部的风险积累到一定程度并受到外部极端风险事件的冲击，在风险传染效应的作用下，整个金融体系将面临巨大的系统性风险。那么，新冠肺炎疫情在 2020 年引发的全球股市暴跌现象，我国金融体系中不同市场间是否也存在这种风险溢出效应？如果存在，跨市场风险溢出效应有多强？哪些金融子市场具有重大风险隐患？新冠肺炎疫情冲击下，不同市场间风险传递的方向又是怎样的？与历次金融危机相比，此次新冠肺炎疫情期间不同金融市场的溢出效应又呈现出哪些新的变化？这些都是本文致力于回答的问题。鉴于此，有必要重新审视系统性风险传染效应，从波动溢出网络视角来探讨在不同极端风险事件冲击下跨*作者简介：杨杰，云南民族大学经济学院硕士研究生，研究方向为金融风险管理。李辉，云南民族大学经济学院副教授，四川大学政治经济学博士，研究方向为宏观经济和金融理论。DOI:10.16556/ki.kfxjr.2023.01.0062023 年第 1 期（总第 47 期）中国金融市场间的风险传染测度与来源追溯20市场风险溢出的动态传导路径、市场联动结构以及市场风险源头等问题，以期为科学防范风险提供有效依据。基于此，本文通过 DCC-GARCH 动态溢出指数模型测算我国金融系统不同市场间的变动溢出效应，构建剖析不同市场间风险溢出效应的网络结构图，分别从风险溢出方向与溢出强度两个方面，深入探究 2008 年国际金融危机、中美贸易摩擦以及新冠肺炎疫情等极端风险事件冲击下不同市场间的风险溢出效应。同时，为更直观地呈现极端风险事件对不同市场的冲击影响，本文基于全样本纵向比较与分样本横向比较，重点考察极端风险事件冲击下不同市场间风险溢出效应的差异。二、文献综述大量的经济事实表明，风险传染普遍存在于金融系统中，越来越多的学者开始关注各个金融子市场间风险溢出效应，Diebold 和 Yilmaz（2012）首次提出广义方差分解模型，刻画美国股票、债券、外汇和大宗商品市场的风险总溢出和定向净溢出效应。广义方差分解模型的核心是分析金融系统中某个内生变量对其他内生变量下一时期波动率变化的影响，该方法一方面从宏观角度研究风险总溢出的时变特征，另一方面从微观角度探讨微观主体之间的定向净溢出效应。Antonakakis（2012）运用广义方差分解模型探讨了欧元引入前后四大外汇市场之间的波动溢出效应，研究表明，跨市场风险溢出是双向的，风险溢出中心为欧元，英镑是风险接收者。此外，Alter 和 Beyer（2014）通过拓展 Diebold 和 Yilmaz（2012）提出的广义方差分解模型，以量化欧元区主权信贷市场和银行市场之间的溢出效应，深入分析欧洲债务危机期间主权信贷市场与银行市场间的风险溢出，认为在欧债危机时期风险传染效应显著提升。然而，仅关注两个或三个金融市场间风险溢出传递，这显然会忽略金融市场间风险溢出的非对称影响。Diebold 和 Yilmaz（2015）从欧美两大金融市场的角度进行了讨论，建立了跨国风险溢出网络，进一步扩大了系统性风险的研究对象范围。刘超等（2017）运用滚动窗口溢出指数方法，测度我国金融市场风险溢出效应，研究表明金融系统联动性较强，风险溢出具有波动性和非对称性。但是，Antonakakis 等（2020）认为，滚动窗口 VaR 模型在计算溢出效应时，存在样本观测值的丢失，首次提出了动态时变参数TVP-VaR溢出模型来刻画风险溢出效应。进一步地，宫晓莉和熊熊（2020）基于 TVP-VaR 溢出模型分析金融系统波动溢出的动态联动性和风险传递机制，研究证实股票市场的单向对外风险溢出效应强度最大，但是他们忽略了极端风险事件冲击的视角。此外，Gabauer（2020）提出的测度风险传染新方法DCC-GARCH 动态溢出指数模型，实证研究了欧元区货币汇率风险传染机制，结果表明欧元区货币之间存在显著的风险传染效应。与此同时，该模型有效克服了现存方法的局限性，一是改进了广义方差分解模型估计过程中存在“有效信息损失”的缺点，二是该模型并不会受到“维度诅咒”的严重影响。对风险溢出效应的研究归结为关联性存在的证明和关联性水平的测度，得益于多样化和规范化的风险传染研究方法的出现，现有文献主要采用四种研究方法：一是多元 GARCH 族模型；二是 Copula 函数模型；三是广义 Granger 因果模型；四是基于 VaR 框架下的动态溢出指数模型。在上述研究方法中，广义 Granger 因果模型和基于 VaR 框架下的动态溢出指数模型这两种方法最吸引人的特性之一是风险传染的结果可以运用图论直观地分析系统风险如何相互关联，更重要的是揭示了风险传染路径。金融全球化的加速导致了当前金融系统风险传染的高维度，也复杂化了网络内部的动态传染关系，图论已成为分析多市场主体间金融风险传染的一种领先工具。从信息溢出的角度来看，关于金融市场的复杂网络研究文献可分为三类：一是均值溢出网络（也称为格兰杰因果网络），代表性成果有 Billio 等（2012）采用格DEVELOPMENT FINANCE RESEARCH开发性金融研究2023 年第 1 期（总第 47 期）金融市场21兰杰因果网络实证研究发现金融和保险行业间存在风险溢出效应，然而，均值溢出网络无法刻画风险溢出方向和溢出强度，存在“无权无向”的局限。此外，在格兰杰因果网络模型研究的基础上，隋建利等（2020）提出Granger-Geweke动态因果网络方法，构建“一带一路”沿线主要国家汇率网络，研究发现汇率网络具有“小世界”特性。二是波动溢出网络，Diebold 和 Yilmaz（2014）首先通过动态溢出指数定义了加权、有向网络，克服了大多数复杂网络“无权无向”的局限，这种基于 VaR 模型的波动溢出网络模型已经引起了学术界的极大关注，并应用于研究股市相互依存性和波动溢出效应等问题。三是尾部风险溢出网络，主要包括 Hrdle 等（2016）提出了尾部风险驱动网络，以评估 20072012 年美国资本市场中金融机构的系统风险。这些基于计量经济学的网络结构可以清楚地展示网络拓扑的经济和统计意义，并为掌握风险溢出和风险传染提供了新的视角。现有研究主要集中在金融系统内部，包括发达经济体之间、发达和新兴经济体之间以及新兴经济体内部的风险溢出，存在进一步完善空间。首先，基于极端风险事件冲击视角研究我国金融系统内部市场风险传染效应的成果相对较少，缺乏对不同市场间风险溢出效应的全面研究，从而难以深度剖析系统性风险溢出的重要来源、市场间关联结构的动态演化特征；其次，对风险溢出效应的研究方法大部分为关联性存在的证明和关联性水平的测度，无法刻画风险溢出方向和溢出强度，风险溢出网络存在“无权无向”的局限；最后，尚未构建测度金融市场风险溢出的指标，无法全面地刻画系统性风险溢出强度的动态时变特征。基于此，本文的创新之处主要体现在：第一，风险溢出效应的时变特征识别是在动态溢出指数的背景下解决的，本文基于极端风险事件冲击视角，为全面地刻画系统性风险溢出强度的动态时变特征，从冲击时间、风险溢出强度、持续期三个维度测度市场间的动态风险溢出效应，分析溢出效应的波动性和周期性，识别与风险溢出密切相关的重要市场，并为各个市场风险溢出强度排序，对于更系统地了解系统性风险传染机制具有重要意义。第二，借鉴 Gabauer（2020）提出的测度风险传染新方法DCC-GARCH 动态溢出指数模型，有效克服了现存方法的局限性，构建我国金融市场间的动态加权有向网络，追溯系统风险溢出的来源以及风险传染路径，分析市场间联动效应、关联结构的动态演化特征，提取资本市场中的重要金融市场，直观地研究在极端风险事件冲击下金融市场间波动溢出传递机制，有利于金融监管部门准确把握系统性风险传递规律和深入认识跨市场风险传染源头，以期为防范和化解金融市场间风险传染提供有效依据。三、研究方法与数据选取（一）DCC-GARCH 动态溢出指数模型构建本文采用 Engle（2002）的 DCC-GARCH 模型，将其定义为 yt=xt+tt|Kt-1N(0,Mt)（1）=Mt1 2 xtxtN(0,I)（2）Mt=AtBtAt（3）其中，yt、xt和 t是 N1 维向量，yt表示所分析各金融市场代理变量的波动率、xt是条件均值向量、t是误差项。此外，Bt、Mt和 At=diag(miit1/2,mN1/2Nt)是 NN 维矩阵，表示动态条件相关性、时变条件协方差矩阵和时变条件方差。首先，通过单个条件方差 At估计每个 GARCH 模型：mii,t=+2i,t-1+mii,t-1（4）其次，估计动态相关条件：2023 年第 1 期（总第 47 期）中国金融市场间的风险传染测度与来源追溯22 Bt=diag(piit-1/2,pN-1Nt/2)Dtdiag(piit-1/2,pN-1Nt/2)（5）Dt=(1-a-b)D?+axt-1 xt-1+bDt-1（6）其中，Dt和 D?是 NN 维正定矩阵，a()和 b()是非负的冲击和持久性参数，满足 a+b1（10）E(Dt+1|Kt)=(1-a-b)D?+axt xt+bDtm=1（11）E(Dt+h|Kt)=(1-a-b)D?+aE(xt+h-1xt+h-1|Kt)+bE(Dt+h-1|Kt)m1（12）E(Bt+h|Kt)diagE(piit-1/2+h|Kt),E(pNN-1/2t+h)|Kt)E(Dt+h|Kt)（13）E(Mt+h|Kt)E(At+h|Kt)E(Bt+h|Kt)E(At+h|Kt)（14）基于波动性脉冲响应函数，计算广义预测误差方差分解：hij,t(G)=t=G-11 ij,2,ht Nj=1t=G-11 ij,2,ht （15）其中，Nj=1hij,t(G)=1,Ni,j=1hij,t(G)=N。进一步，利用表 1 中的 N 行 N 列有向溢出指数作为网络邻接矩阵，构建我国金融系统的风险溢出网络。表 1有向网络邻接矩阵x1x2xNFromx1h11(G)h12(G)h1N(G)Nj=1h1j(G),i1x2h21(G)h22(G)h2N(G)Nj=1h2j(G),i2xNhN1(G)hN2(G)hNN(G)Nj=1hNj(G),iNToNi=1hi1(G),i1Ni=1hi2(G),i2Ni=1hiN(G),iN1-NNi,j=1hij(G),ij金融市场风险总溢出效应为 totalspillover=Rth(G)=Ni,j=1,ijhij,t(G)N（16）金融市场间风险溢出效应表示为 tospillover=Rhij,t(G)=Nj=1,ijhji,t(G)hji,t(G)（17）金融市场间风险输入表示为 fromspillover=Rhij,t(G)=Nj=1,ijhij,t(G)hij,t(G)（18）金融市场间风险净溢出效应表示为 netspillover=Rhi,t(G)=Rhij,t(G)-Rhij,t(G)（19）DEVELOPMENT FINANCE RESEARCH开发性金融研究2023 年第 1 期（总第 47 期）金融市场23金融市场间净成对风险溢出表示为 pairspillover=Rij(G)=hji,t(G)-hij,t(G)（20）（二）数据选取与处理参考刘超等（2017）的研究思路，将我国金融系统划分为 6 个一级市场，在主流研究的基础上，遵循数据指标的代表性、公开性与及时性，指标选取如表 2 所示。使用高频日度数据可以更好地刻画金融系统间的风险溢出关系，因此本文以各个金融子市场的收益率日度数据作为样本。我国资本市场成熟度在 2005 年后得到逐步提升（梁琪等，2015），故选取样本区间为 2007 年 1 月 4 日至 2022 年 3 月 20 日，共获得 3700 组样本，数据来源于 Wind 数据库。各个金融子市场指标收益率采用对数收益率的计算公式表示，即 ri,t=ln(pi,t)-ln(pi,t-1)（21）其中，ri,t为第 t 日第 i 个市场的自然对数收益率，pi,t为第 t 日第 i 个市场的收盘价。进一步地，本文从时间维度拆分中国金融市场的收益率序列，划分为 4 个极端风险事件时期，首先，参考杨立生和杨杰（2021）的研究，划分次贷危机和欧债危机分别为 2007 年 8 月 1 日至 2009 年 3 月 31 日、2009年 12 月 8 日至 2013 年 12 月 16 日；其次，参考杨立生和杨杰（2022）的研究，划分中美贸易摩擦和新冠肺炎疫情的时间区间为 2018 年 3 月 9 日至 2019 年 12 月 7 日、2019 年 12 月 12 日至 2022 年 3 月 20 日；通过构建动态加权有向网络，可以更加直观地测度极端风险事件冲击下我国金融市场的风险传染效应。表 2金融系统划分及指标体系一级市场二级市场解释变量简称货币市场同业拆借市场银行间 7 天拆借利率Currency资本市场股票市场沪深 300 指数Stock债券市场中债综合净价指数Bond基金市场中证基金指数Fund大宗商品市场金属市场南华金属指数Metal能源市场南华能化指数Energy农产品市场南华农产品指数Product外汇市场美元兑人民币汇率Exchange 黄金市场AU9995 黄金现货指数Gold房地产市场Wind 房地产指数Real estate四、实证检验与分析（一）金融市场波动率脉冲响应分析为观察金融系统内部不同子市场间波动率冲击的动态效应，观察图 1 金融系统中市场间的波动率脉冲响应函数图可知，金融系统中所有子市场的波动率脉冲响应函数均为正值，尤其是货币市场、大宗商品市场、股票市场、基金市场、黄金市场和房地产市场影响幅度较大，市场间的交叉风险传染冲击影响持续超过40个交易日；债券市场受到正向脉冲响应幅度较小，占比为 3%，冲击响应持续期小于 20 个交易日；外汇市场受到正向脉冲响应幅度最小，冲击响应持续期超过 40 个交易日。金融市场间的波动率溢出表明不同金融子市场间的波动性溢出的幅度和持续性存在市场异质性，波动冲击能够迅速被各个金融子市场消化，从而形成整个金融系统的信息共享并达到平衡状态。2023 年第 1 期（总第 47 期）中国金融市场间的风险传染测度与来源追溯241.00.80.60.40.20Currency20406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 1001.00.80.60.40.2020406080 100BondMetalProductGoldStockFundEnergyExchangeReal.estate图 1金融系统波动率脉冲响应（二）金融市场风险溢出效应：整体估计表3展示了在整个样本期间各个金融子市场间的风险溢出效应，其中To表示对其他子市场的风险溢出效应，From 表示来自其他子市场的风险输入程度。首先，从对其他子市场的风险溢出的方向（To）来看，货币市场、房地产市场和股票市场对外风险溢出效应比较大，对外风险溢出为 108.65%、106.3%和 94.24%；大宗商品市场所包含的能源市场和金属市场对外风险溢出水平相对较高，分别为 66.68%和 52.5%。其次，从来自其他子市场的风险输入的方向来看（From），基金市场受到的风险冲击最大为 84.74%，大宗商品市场在金融系统风险输入中扮演“桥梁”角色，其他金融子市场的风险溢出较易传递给大宗商品市场。最后，整个样本期内，我国金融系统跨市场风险溢出平均值为 48.56%，金融市场间的风险联动性较强，风险较易通过各个金融子市场渠道进行传染。表 3金融市场风险溢出货币市场资本市场大宗商品市场外汇市场黄金市场房地产市场风险输入同业拆借市场股票市场债券市场基金市场金属市场能源市场农产品市场CurrencyStockBondFundMetalEnergyProductExchangeGoldReal estateFromCurrency99.800.050.000.020.020.020.000.000.020.070.20Stock4.7638.170.0111.763.323.760.630.010.3137.2761.83Bond34.132.0854.810.492.072.140.640.050.772.8145.19Fund5.4035.960.0115.262.993.220.570.010.3136.2684.74Metal7.0510.600.023.2839.7123.883.400.012.699.3660.29Energy8.048.920.022.7419.7745.784.450.012.278.0054.22Product11.427.740.032.4414.6723.7230.200.022.107.6769.80Exchange19.973.070.100.832.262.720.8461.445.902.8738.56Gold13.512.140.030.745.575.181.200.1469.501.9930.50Real estate4.3523.680.017.701.822.040.450.010.1759.7740.23风险溢出108.6594.240.2429.9952.5066.6812.180.2514.55106.30To风险净溢出108.4532.41-44.95-54.76-7.7912.45-57.62-38.31-15.9566.0748.56观察表 3 中的 N 行 N 列双向风险溢出发现，一是债券市场和货币市场之间的风险传染效应较为显著，为34.13%，债券市场与货币市场之间的互动表现为当利率提高时，债券市场的收益下降，货币市场的收益吸引度上升，大量资金涌入货币市场，两者呈现反比关系。二是当财富效应和信贷扩张效应占据主导地位时，房价和DEVELOPMENT FINANCE RESEARCH开发性金融研究2023 年第 1 期（总第 47 期）金融市场25股价相互推动，股市与房市呈现出正向的风险溢出效应。三是由于金属、能源和农产品这三种大宗商品兼有生产要素与投资品双重属性，交易市场本身的关联十分密切，相互之间的价格冲击效应最为显著，大宗商品价格波动由成本渠道传递到实体经济，引起通货膨胀，随后由利率效应作用于金融市场。金属市场对能源市场的风险溢出为 23.88%，能源市场对金属市场的风险溢出为 19.77%，农产品市场对能源市场的风险溢出为 23.72%。四是外汇市场、黄金市场对货币市场溢出效应较强，分别为 19.97%和 13.51%，究其原因，人民币于 2016 年10 月正式加入特别提款权 SDR 货币篮子，为我国外汇市场提供了全球机遇，外汇储备影响国际市场对人民币的需求与供给；同时，黄金兼有金属和货币属性，在推进人民币国际化中逐渐成为投资与储备货币，在一定程度上起到货币锚的作用，对人民币币值稳定有着重要影响。为全面地刻画金融系统跨市场风险溢出强度的时变影响特征，本文运用高维运算优势从冲击时间、风险溢出强度、持续期三个维度测度金融市场风险溢出效应，图 2 至图 4 给出了上述各个金融市场的时变风险溢出、风险输入和净溢出效应，其中三维坐标分别表示风险溢出发生的时期、风险溢出持续期及风险溢出强度大小。观察图 2 可知，在次贷危机时期，跨市场风险溢出强度区间分布在 0，4.14，货币市场、股票市场和房地产市场对外风险溢出较为敏感；在欧债危机时期，跨市场风险溢出强度区间有所扩大，分布集中于 0，4.68 区间内，货币市场、能源市场和金属市场风险溢出得到显著提升；在中美贸易摩擦时期，跨市场风险溢出强度区间有所缩短，分布集中于 0.02，4.06 区间内，货币市场、股票市场和房地产市场风险溢出强度相对较高；在新冠肺炎疫情时期，跨市场风险溢出强度区间分布在 0.01，3.12，其中货币市场、股票市场和大宗商品市场风险溢出相较其他市场更强。同业拆借市场股票市场债券市场基金市场金属市场能源市场农产品市场外汇市场黄金市场房地产市场600400200060402001501005003210642060402002001000200100020010001005002001000201020152020200100020102015202020010002010201520202001000201020152020200100020102015202020010002010201520202001000201020152020200100020102015202020010002010201520202001000201020152020图 2金融市场间动态风险溢出由图 3 各个金融市场在极端风险事件冲击下所接受的风险输入强度来看，在次贷危机时期，跨市场风险输入强度区间分布在 0.03，0.98，资本市场、大宗商品市场和外汇市场对外接受风险输入较为敏感；在欧债危机时期，跨市场风险溢出强度区间有所扩大，分布集中于 0，0.98 区间内，股票市场、债券市场、金属市场、能源市场和房地产市场接受风险输入水平得到显著提升；在中美贸易摩擦时期，外汇市场和黄金市场风险输入水平急剧上升，跨市场风险溢出强度区间分布在 0，0.98；在新冠肺炎疫情时期，跨市场风险溢出强度区间有所缩短，分布集中于 0，0.91 区间内，债券市场、基金市场和外汇市场风险输入强度相对较高。2023 年第 1 期（总第 47 期）中国金融市场间的风险传染测度与来源追溯26同业拆借市场股票市场债券市场基金市场金属市场能源市场农产品市场外汇市场黄金市场房地产市场2001000201020152020200100020102015202020010002010201520202001000201020152020200100020102015202020010002010201520202001000201020152020200100020102015202020010002010201520202001000201020152020420806040806040201005001005001005009080701008060401008060406040200图 3金融市场间动态风险输入观察图 4 可以直观看出，金融市场间风险净溢出差异显著，依据风险净溢出大小依次排序为：货币市场（108.75%）房地产市场（66.07%）股票市场（32.41%）能源市场（12.45%）金属市场（-7.79%）黄金市场（-15.95%）外汇市场（-38.31%）债券市场（-44.95%）基金市场（-54.76%）农产品市场（-57.62%）。由此可见，货币市场、房地产市场、股票市场和能源市场是风险净溢出来源，而金属市场、黄金市场、外汇市场、债券市场、基金市场和农产品市场是跨市场风险输入的净接收者。究其原因，货币市场受累于国际金融危机爆发蔓延，国内宏观经济不确定性持续增大，利率市场化尚未成形，货币市场对外风险溢出较为明显；2015 年之后随着宏观经济形势趋稳，利率市场化重新提上日程，货币政策传导途径畅通，货币政策调控效果能够通过利率和流动性有效地传导至其他市场，货币市场的风险溢出明显减弱。房地产市场在 2008年次贷危机的冲击下，由前期宏观经济政策从抑制趋紧转为刺激宽松强力救市，楼市刺激政策效应随后带来房地产市场的过热；2010 年后也曾多次刺激，方式如棚改等；在新冠肺炎疫情冲击下，加之流动性环境宽松，资本的趋利性和避险性催化下，使房地产具有较大的下行风险。同业拆借市场股票市场债券市场基金市场金属市场能源市场农产品市场外汇市场黄金市场房地产市场200100020102015202020010002010201520202001000201020152020200100020102015202020010002010201520202001000201020152020200100020102015202020010002010201520202001000201020152020200100020102015202060040020002001000-100-20-40-60-8020010000-50-1000-50-1000-50-1001000-1001000-1001000-100图 4金融市场间动态风险净溢出DEVELOPMENT FINANCE RESEARCH开发性金融研究2023 年第 1 期（总第 47 期）金融市场27（三）金融市场风险溢出网络：分样本估计本文借鉴 Gabauer（2020）提出的测度风险传染新方法DCC-GARCH 动态溢出指数模型，有效克服了现存方法的局限性，构建我国金融市场间的动态加权有向网络。图 5 分别列示次贷危机、欧债危机、中美贸易摩擦与新冠肺炎疫情期间金融市场的动态加权有向网络结果。次贷危机期间欧债危机期间中美贸易摩擦期间新冠肺炎疫情期间图 5各时期金融市场风险溢出网络结构变迁次贷危机时期，金属市场、股票市场、债券市场和基金市场为风险溢出传递者，对其他市场的影响程度较大；其余市场为风险接受者，能源市场和房地产市场来自其他市场风险输入相对较大。大宗商品市场内部，金属市场对能源市场和农产品市场溢出效应影响较大；房地产市场作为实体经济的重要组成部分，受资本市场（股票市场、债券市场和基金市场）的风险溢出较为明显。欧债危机时期，大宗商品市场（金属市场、能源市场和农产品市场）对外风险溢出水平显著提升，大宗商品市场对股票市场、房地产市场、基金市场、外汇市场以及黄金市场均造成不同程度的风险溢出；中美贸易摩擦时期，股票市场、外汇市场和房地产市场是风险溢出的源头，对外溢出水平明显高于其他时期；大宗商品市场处于风险接受者，其中风险来源于股票市场、外汇市场、房地产市场和黄金市场。新冠肺炎疫情时期，能源市场、金属市场、股票市场、房地产市场和基金市场处于网络中的中心位置，同时对外风险溢出相对较大；农产品市场、债券市场、外汇市场、货币市场和黄金市场为风险接受一方。从金融市场的动态加权有向网络节点属性角度演化极端风险传染的动态过程，追溯系统风险来源，可以发现大宗商品市场在金融系统风险输入中扮演“桥梁”角色，股票市场风险溢出强度要远高于其他市场。在极端风险事件时期，金融市场的动态加权有向网络节点的风险输入、溢出与风险净溢出指标可以度量金融系统中各个子市场的风险传染能力。观察表 4 可知，在次贷危机时期，股票市场和金属市场对外风险溢出能力相对较高；在欧债危机时期，大宗商品市场中金属、能源和农产品市场的风险溢出水平显著提升；在中美贸易摩擦时期，股票市场和房地产市场的风险净溢出水平远高于其他时期；在新冠肺炎疫情时期，股票市场和能源市场的风险溢出能力显著提升。究其原因：次贷危机时期，在金融市场流动性枯竭与投资者恐慌情绪等多重因素作用下，股票市场以及贵金属市场价格泡沫破裂造成风险溢出效应；欧债危机时期，风险直接作用于大宗商品市场，由于我国一直是能源商品和大豆制品的进口国，间接导致大宗商品市场对其他金融子市场风险溢出水平较高；中美贸易摩擦时期，房价和股价相互影响，股市与房市呈现出正向的风险溢出效应；新冠肺炎疫情时期，实体经济陷入困境，推高了金融体系脆弱性，OPEC 国家减产协议的失败引发油价暴跌，加深了能源市场的风险溢出，同时投资者避险情绪引发金融市场流动性收紧，导致股票市场剧烈波动。2023 年第 1 期（总第 47 期）中国金融市场间的风险传染测度与来源追溯28表 4各时期金融市场网络节点风险溢出次贷危机欧债危机中美贸易摩擦新冠肺炎疫情输入溢出净溢出输入溢出净溢出输入溢出净溢出输入溢出净溢出Currency8.233.25-4.982.184.151.985.170.55-4.6214.271.63-12.64Stock68.5766.68-1.9084.4437.86-46.5861.24131.3570.1167.67113.0845.42Bond3.0415.7212.685.625.47-0.1517.9518.380.4266.824.60-62.23Fund69.8564.43-5.4271.9752.04-19.9367.7792.0024.2367.2183.4016.19Metal37.2781.6144.3552.80126.9674.1691.899.00-82.8947.4983.2435.76Energy61.6040.94-20.6764.5188.9224.4170.1442.83-27.3141.2994.2652.97Product47.8850.652.7748.9561.4612.5189.260.10-89.16100.000.02-99.98Exchange15.759.26-6.4912.876.75-6.110.9545.6444.6917.381.95-15.43Gold29.3224.01-5.3124.0819.38-4.709.3224.6215.306.977.460.49Real estate65.9050.86-15.0371.1435.55-35.5855.24104.4749.2341.7181.1739.46总溢出40.7443.8646.8947.08从风险溢出强度上看，金融市场风险总溢出强度值大小排序为：2020 年新冠肺炎疫情（47.08%）2018年中美贸易摩擦（46.89%）2011 年欧债危机（43.86%）2008 年次贷危机（40.74%）。四个极端风险事件冲击下的风险传染路径表现为：2008 年次贷危机风险传染途径表现为美国房地产泡沫美国股市危机中国金融系统；2011 年欧债危机风险传染途径为希腊主权债务危机全球股市中国金融系统；2018 年中美贸易摩擦下风险传染途径为外部贸易摩擦美国经济政策制裁中国金融系统；2020 年新冠肺炎疫情风险传染途径为外部突发公共卫生事件中国金融系统。五、研究结论与政策启示本文借鉴 Gabauer（2020）提出的测度风险传染新方法DCC-GARCH 动态溢出指数模型，有效克服了现存方法的局限性，构建我国金融市场间的动态加权有向网络，基于极端风险事件冲击视角，为全面地刻画系统性风险溢出强度的动态时变特征，从冲击时间、风险溢出强度、持续期三个维度测度市场间的动态风险溢出效应。同时，通过分样本横向比较与全样本纵向比较，重点考察不同时期金融市场间风险溢出效应的异同之处，得出如下结论。第一，波动率脉冲响应函数表明不同金融子市场间的波动性溢出幅度和持续性存在市场异质性，波动冲击能够迅速被各个金融子市场消化，从而形成整个金融系统的信息共享并达到平衡状态。其中，依据风险净溢出强度排序为货币市场房地产市场股票市场能源市场金属市场黄金市场外汇市场债券市场基金市场农产品市场，这意味着风险净溢出传递者为货币、房地产、股票和能源市场，风险较易通过金属、黄金、外汇、债券、基金和农产品市场进行传染。第二，从金融市场的动态加权有向网络节点属性角度演化极端风险传染的动态过程，其中在次贷危机时期，股票市场和金属市场风险溢出能力相对较高；在欧债危机时期，大宗商品市场中金属、能源和农产品市场的风险溢出水平显著提升；在中美贸易摩擦时期，股票市场和房地产市场的风险净溢出水平远高于其他时期；在新冠肺炎疫情时期，股票市场和能源市场的风险溢出能力显著提升；追溯系统风险来源，可以发现股票市场风险溢出强度要远高于其他市场。DEVELOPMENT FINANCE RESEARCH开发性金融研究2023 年第 1 期（总第 47 期）金融市场29第三，金融市场的动态加权有向网络变迁存在显著的“事件驱动”特征，在极端风险事件冲击下，金融市场的动态加权有向网络结构发生突变，新冠肺炎疫情对于金融市场的动态加权有向网络结构的冲击效应最大，按风险总溢出强度排序为 2020 年新冠肺炎疫情 2018 年中美贸易摩擦 2011 年欧债危机 2008 年次贷危机，其中新冠肺炎疫情风险传染途径为外部突发公共卫生事件中国金融系统；中美贸易摩擦下风险传染途径为外部贸易摩擦美国经济政策制裁中国金融系统；欧债危机风险传染途径为希腊主权债务危机全球股市中国金融系统；次贷危机风险传染途径表现为美国房地产泡沫美国股市危机中国金融系统。基于上述结论，得出以下政策启示：一是及时识别脆弱性、关联性强的金融市场，防范风险跨市场传染。金融系统间风险的防范与化解应优先考虑股票市场、房地产和大宗商品市场，以最大限度地健全金融风险监测预警体系，提升风险防控前瞻性。处理金融系统间风险传染问题时，应考虑市场属性，实现金融市场间的有效沟通及协作，以弱化市场异质性所带来的风险传染效应。二是防控金融市场风险，应遵循金融市场的动态加权有向网络变迁的时变特征，在极端风险事件冲击下，大宗商品市场在金融系统风险输入中扮演“桥梁”角色。与此同时，大宗商品价格上涨间接推高建筑成本，房地产市场的风险正在积累，政策制定应着重于维持房地产价格稳定。三是在贸易保护主义与疫情冲击下，全球经济的同步性和区域间的平衡性也被逐渐打破，经济“逆全球化”趋势显现，世界经济衰退几乎已成定局，金融市场风险的共振效应与放大效应也与日俱增，对我国而言，需要警惕外部环境和风险的变化，防范外部金融风险对金融系统的冲击，在推进“双向金融开放”的同时力保经济和金融稳定。参考文献1 方艳，贺学会，刘凌，等.“沪港通”实现了我国资本市场国际化的初衷吗？基于多重结构断点和 t-Copula-a DCC-GARCH 模型的实证分析 J.国际金融研究，2016(11):76-86.2 宫晓莉，熊熊.波动溢出网络视角的金融风险传染研究 J.金融研究，2020(5):39-58.3 黄在鑫，覃正.中美主要金融市场相关结构及风险传导路径研究基于 Copula 理论与方法 J.国际金融研究，2012(5):74-82.4 李政，梁琪，涂晓枫.我国上市金融机构关联性研究基于网络分析法 J.金融研究，2016(8):95-110.5 梁琪，李政，郝项超.中国股票市场国际化研究：基于信息溢出的视角 J.经济研究，2015(4):150-164.6 刘超，徐君慧，周文文