張偉平，莊新田，李延雙

股市網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與系統(tǒng)性風(fēng)險貢獻(xiàn)度：基于VaR風(fēng)險網(wǎng)絡(luò)模型

張偉平，莊新田*，李延雙

（東北大學(xué) 工商管理學(xué)院，遼寧 沈陽 110169）

股市的系統(tǒng)性風(fēng)險是極端波動不斷累積變化的過程，本文首次應(yīng)用VaR模型構(gòu)建股市風(fēng)險網(wǎng)絡(luò)，并從風(fēng)險網(wǎng)絡(luò)演化的視角研究中國股市的系統(tǒng)性風(fēng)險貢獻(xiàn)度，選取中國股市2008年和2015年極端波動時期，應(yīng)用動態(tài)面板回歸模型分析風(fēng)險網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)與系統(tǒng)性風(fēng)險貢獻(xiàn)度間的關(guān)系。結(jié)果顯示：滬深股市風(fēng)險網(wǎng)絡(luò)具有無標(biāo)度性；股票市場極端波動行情的出現(xiàn)與系統(tǒng)性風(fēng)險的累積具有相關(guān)關(guān)系；2015年股市波動沖擊比2008年金融危機(jī)沖擊對風(fēng)險網(wǎng)絡(luò)的破壞更大；在股票風(fēng)險網(wǎng)絡(luò)中節(jié)點(diǎn)的度、接近中心性、點(diǎn)強(qiáng)度等網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)與系統(tǒng)性風(fēng)險溢出值呈顯著的負(fù)相關(guān)關(guān)系，即與系統(tǒng)性風(fēng)險貢獻(xiàn)度正相關(guān)。為準(zhǔn)確把握對股市的系統(tǒng)性風(fēng)險起重要作用的機(jī)構(gòu)，及防控系統(tǒng)性風(fēng)險在整個股市網(wǎng)絡(luò)中的傳播具有重要意義。

VaR模型；風(fēng)險網(wǎng)絡(luò)；網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；系統(tǒng)性風(fēng)險貢獻(xiàn)度；極端波動

0 引言

全球化的發(fā)展使許多金融市場產(chǎn)生了復(fù)雜多樣的關(guān)系,進(jìn)而增加了金融風(fēng)險的傳染概率。股票之間的高度關(guān)聯(lián)性為沖擊波動的傳染提供了可能，有些股票在這個過程中起到了沖擊傳染源的作用，而當(dāng)這些股票系統(tǒng)性風(fēng)險的累積達(dá)到一定值時，就會引起整個金融系統(tǒng)的崩盤。金融沖擊波動劇烈且頻繁，危機(jī)傳染與股票市場的系統(tǒng)性風(fēng)險累積有密不可分的關(guān)系，近年來眾多學(xué)者把研究系統(tǒng)性風(fēng)險的起因、累積過程和防控作為重點(diǎn)。單一節(jié)點(diǎn)發(fā)生流動性沖擊，引起其他公司節(jié)點(diǎn)發(fā)生財務(wù)危機(jī)，從而促使整體產(chǎn)生系統(tǒng)性危機(jī)。所以計量金融網(wǎng)絡(luò)中單一節(jié)點(diǎn)的系統(tǒng)性風(fēng)險貢獻(xiàn)度有利于把握該節(jié)點(diǎn)對股市網(wǎng)絡(luò)系統(tǒng)性風(fēng)險的重要性[1,2]。測量系統(tǒng)性風(fēng)險貢獻(xiàn)度常見的三種方法：一是條件在險價值CoVaR 法，Adrian和Brunnermerier[3]基于股票和債券市場數(shù)據(jù)的時間序列模型提出了條件在險價值。Girardi和Ergun[4]修改了Adrian和Brunnermerier定義的CoVaR，將一個金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)定義為從基準(zhǔn)狀態(tài)的CoVaR變?yōu)樨攧?wù)困境下的CoVaR，研究了由大量機(jī)構(gòu)組成的四個金融行業(yè)集團(tuán)的系統(tǒng)性風(fēng)險貢獻(xiàn)度，并且調(diào)查了機(jī)構(gòu)特征與系統(tǒng)性風(fēng)險貢獻(xiàn)間的聯(lián)系。劉向麗、顧舒婷[5]首次引入AR-GARCH-CoVaR模型，估算了我國房地產(chǎn)市場對金融系統(tǒng)的風(fēng)險溢出效應(yīng)，同時發(fā)現(xiàn)此風(fēng)險溢出效應(yīng)存在周期性。二是以資產(chǎn)負(fù)債表為基礎(chǔ)的度量方法，高國華、潘英麗等[6]基于資產(chǎn)負(fù)債表的關(guān)聯(lián)性對銀行間市場雙邊傳染風(fēng)險進(jìn)行研究，從信用違約和流動性風(fēng)險角度對傳染路徑和資本損失進(jìn)行估測，并深入分析銀行間市場的不同結(jié)構(gòu)對傳染效應(yīng)的影響。三是利用Copula函數(shù)計算股票市場有偏厚尾的系統(tǒng)性風(fēng)險。除考慮金融機(jī)構(gòu)自身的財務(wù)狀況和相互關(guān)聯(lián)情況引起的系統(tǒng)性風(fēng)險外，還應(yīng)考慮到“外部性”因素對金融部門的影響，Acharya等[7]將極端情況下的系統(tǒng)損失作為系統(tǒng)性風(fēng)險的衡量標(biāo)準(zhǔn)，度量單一機(jī)構(gòu)的邊際成本；Krause[8]建立銀行間同業(yè)拆借網(wǎng)絡(luò)，通過外生失敗的銀行來觸發(fā)潛在的銀行危機(jī)，并分析風(fēng)險在銀行體系內(nèi)的蔓延，發(fā)現(xiàn)銀行體系的管理僅依賴資產(chǎn)負(fù)債表的規(guī)定是不夠的，還必須考慮銀行間網(wǎng)絡(luò)連接的結(jié)構(gòu)。研究股票網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)渲笜?biāo)與系統(tǒng)性風(fēng)險貢獻(xiàn)度之間的關(guān)系，找到對金融市場的穩(wěn)定起重要作用的機(jī)構(gòu)，有助于更好監(jiān)督管理股市的系統(tǒng)性風(fēng)險，并為極端波動時期防控措施的實(shí)施提供有價值的參考。

本文主要工作和貢獻(xiàn)有三個方面：首先，基于VaR模型構(gòu)造上海和深圳股市風(fēng)險網(wǎng)絡(luò)，選取研究區(qū)間包含了不同傳染源引起的中國股市長期非平穩(wěn)階段，分析極端波動引起的股市系統(tǒng)性風(fēng)險累積變化過程，探討股市不同風(fēng)險傳染源引起的系統(tǒng)性風(fēng)險溢出效應(yīng)。其次，分析股市極端波動下上海、深圳股市風(fēng)險網(wǎng)絡(luò)結(jié)構(gòu)的超度量空間及拓?fù)渲笜?biāo)特性，說明關(guān)鍵股票和不同行業(yè)股票的系統(tǒng)性風(fēng)險貢獻(xiàn)度的變化趨勢。最后，將復(fù)雜網(wǎng)絡(luò)模型和分位數(shù)回歸的CoVaR模型相結(jié)合，建立動態(tài)面板數(shù)據(jù)回歸模型，分析度、點(diǎn)強(qiáng)度、接近中心性等指標(biāo)對系統(tǒng)性風(fēng)險貢獻(xiàn)度的影響，指出股市系統(tǒng)性風(fēng)險的整體變化趨勢與復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的關(guān)聯(lián)關(guān)系。

1 文獻(xiàn)綜述

金融風(fēng)險傳染主要靠金融機(jī)構(gòu)間的資產(chǎn)負(fù)債關(guān)系和信息的傳播，而網(wǎng)絡(luò)結(jié)構(gòu)能更清晰地刻畫金融系統(tǒng)內(nèi)各機(jī)構(gòu)相互關(guān)聯(lián)的實(shí)質(zhì)。近年來基于網(wǎng)絡(luò)理論的風(fēng)險傳染和系統(tǒng)性風(fēng)險貢獻(xiàn)度的研究取得了一定的成效。

（1）基于網(wǎng)絡(luò)節(jié)點(diǎn)和不同網(wǎng)絡(luò)結(jié)構(gòu)的金融風(fēng)險研究。傳染性是系統(tǒng)性風(fēng)險的典型特點(diǎn)，而風(fēng)險傳染的主要載體是金融網(wǎng)絡(luò)內(nèi)部的關(guān)聯(lián)度和變化規(guī)律。東南亞金融危機(jī)爆發(fā)后，有學(xué)者開始利用網(wǎng)絡(luò)方法分析金融風(fēng)險的傳導(dǎo)過程，再加之近十幾年來美國次貸危機(jī)和歐債危機(jī)的爆發(fā)，都使得人們對利用金融網(wǎng)絡(luò)方法研究金融系統(tǒng)性風(fēng)險和傳染的危害性有了迫切需求。Iori[9]研究了在銀行隨機(jī)網(wǎng)絡(luò)中節(jié)點(diǎn)性質(zhì)的差異對網(wǎng)絡(luò)穩(wěn)定性的影響，結(jié)果表明節(jié)點(diǎn)異質(zhì)時，銀行網(wǎng)絡(luò)的穩(wěn)定性與連接程度呈現(xiàn)出非單調(diào)的關(guān)系，而節(jié)點(diǎn)同質(zhì)時銀行網(wǎng)絡(luò)穩(wěn)定性增強(qiáng)。在銀行隨機(jī)網(wǎng)絡(luò)的節(jié)點(diǎn)差異性的基礎(chǔ)上，考慮到銀行間風(fēng)險暴露程度，Marquez Diez Canedo等[10]建立了以銀行為節(jié)點(diǎn)、以銀行間的風(fēng)險暴露程度為邊的銀行間網(wǎng)絡(luò)，研究金融網(wǎng)絡(luò)流動性傳染過程中的變化情況。Mistrulli[11]的研究進(jìn)一步表明銀行間網(wǎng)絡(luò)結(jié)構(gòu)會影響風(fēng)險傳染過程，在完全結(jié)構(gòu)網(wǎng)絡(luò)中當(dāng)違約損失率較高時，違約傳染對網(wǎng)絡(luò)結(jié)構(gòu)的破壞更嚴(yán)重。在對節(jié)點(diǎn)特征和不同網(wǎng)絡(luò)結(jié)構(gòu)有了充分的研究后，學(xué)者們逐漸對整體金融系統(tǒng)的傳染和累積產(chǎn)生了興趣，Gai & Kapadia[12]構(gòu)建人工同質(zhì)銀行網(wǎng)絡(luò)，分析了特殊攻擊對網(wǎng)絡(luò)穩(wěn)定性能力的影響，他們的研究說明金融系統(tǒng)具有健壯且脆弱的特點(diǎn)。李守偉、何建敏[13]研究了銀行間市場隨機(jī)網(wǎng)絡(luò)、小世界網(wǎng)絡(luò)和無標(biāo)度網(wǎng)絡(luò)中銀行間風(fēng)險傳染特征及差異，發(fā)現(xiàn)在沖擊作用下銀行間無標(biāo)度網(wǎng)絡(luò)的穩(wěn)定性最高。賈彥東[14]基于金融網(wǎng)絡(luò)模型衡量系統(tǒng)性風(fēng)險和成本分擔(dān)，依次評價和分析了金融機(jī)構(gòu)系統(tǒng)重要性模式。陳國進(jìn)、馬長峰[15]構(gòu)建金融市場、銀行系統(tǒng)和支付清算系統(tǒng)的危機(jī)傳染網(wǎng)絡(luò)模型，并對三種網(wǎng)絡(luò)體系在金融系統(tǒng)中的穩(wěn)定性進(jìn)行了實(shí)證研究。范宏[16]建立了帶有宏觀經(jīng)濟(jì)趨勢及多期清算的動態(tài)銀行網(wǎng)絡(luò)系統(tǒng)模型，提出了系統(tǒng)風(fēng)險的定量計算方法，顯示了系統(tǒng)風(fēng)險的累積過程。

（2）基于網(wǎng)絡(luò)結(jié)構(gòu)特征和系統(tǒng)性風(fēng)險貢獻(xiàn)度的關(guān)系。網(wǎng)絡(luò)結(jié)構(gòu)在維持系統(tǒng)穩(wěn)定性上起重要作用，巴曙松等[17]研究了風(fēng)險傳染過程中網(wǎng)絡(luò)結(jié)構(gòu)的作用，并在金融網(wǎng)絡(luò)結(jié)構(gòu)層面提出了關(guān)于增強(qiáng)金融市場穩(wěn)定性的措施。高波、任若恩[18]構(gòu)建了金融系統(tǒng)的Granger因果關(guān)系網(wǎng)絡(luò)模型，分析了在不同市場狀態(tài)下各金融部門間因果關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)特征。在了解網(wǎng)絡(luò)結(jié)構(gòu)維持系統(tǒng)穩(wěn)定性有重要作用的基礎(chǔ)上，可深入探究網(wǎng)絡(luò)內(nèi)部關(guān)聯(lián)性與風(fēng)險傳染、網(wǎng)絡(luò)結(jié)構(gòu)與系統(tǒng)性風(fēng)險貢獻(xiàn)度間的關(guān)系，如：為了分析我國銀行網(wǎng)絡(luò)的系統(tǒng)性風(fēng)險，范小云等[19]使用DAC和CCA方法得出居于風(fēng)險傳染網(wǎng)絡(luò)中心的銀行節(jié)點(diǎn)的系統(tǒng)重要性更高。隋聰?shù)萚20]構(gòu)建銀行間網(wǎng)絡(luò)，發(fā)現(xiàn)網(wǎng)絡(luò)集中度與風(fēng)險傳染可能性之間存在顯著的正相關(guān)關(guān)系。鄧超、陳學(xué)軍[21]基于多主體建模分析了銀行間核心—邊緣網(wǎng)絡(luò)的系統(tǒng)性風(fēng)險，發(fā)現(xiàn)核心—邊緣銀行網(wǎng)絡(luò)系統(tǒng)比無標(biāo)度網(wǎng)絡(luò)更易遭受共同沖擊和傳染風(fēng)險，但當(dāng)處于金融困境時，該網(wǎng)絡(luò)體系又比其他網(wǎng)絡(luò)結(jié)構(gòu)表現(xiàn)出更強(qiáng)的恢復(fù)力。王占浩、郭菊娥等[22]在銀行間資產(chǎn)負(fù)債關(guān)聯(lián)基礎(chǔ)上，引入資產(chǎn)價格傳染渠道，構(gòu)建銀行間風(fēng)險傳染模型，表明資產(chǎn)價格關(guān)聯(lián)是銀行間風(fēng)險傳染的重要渠道，應(yīng)作為系統(tǒng)性重要機(jī)構(gòu)評定的重要參考。Huang、Stan Uryasev等[23]建立了中國金融機(jī)構(gòu)網(wǎng)絡(luò)，運(yùn)用CoVaR方法和DCC-GARCH模型分析了局部拓?fù)渚W(wǎng)絡(luò)和系統(tǒng)性風(fēng)險貢獻(xiàn)度之間的定量關(guān)系。近年來，一些學(xué)者將風(fēng)險傳染的傳染源和傳染渠道引入仿真網(wǎng)絡(luò)模型來分析網(wǎng)絡(luò)結(jié)構(gòu)特征和系統(tǒng)性風(fēng)險傳染的關(guān)系，Niko Paltalidis等[24]采用最大熵方法構(gòu)建歐洲金融網(wǎng)絡(luò)，使用系統(tǒng)性風(fēng)險的三個傳染源模擬傳染沖擊，結(jié)果發(fā)現(xiàn)歐元區(qū)北部銀行體系的系統(tǒng)性風(fēng)險不太明顯，而南部銀行體系卻更容易受到金融危機(jī)引發(fā)的倒閉銀行的影響。隋聰、譚照林等[25]提出了基于網(wǎng)絡(luò)模型的銀行系統(tǒng)性風(fēng)險的度量方法，發(fā)現(xiàn)銀行網(wǎng)絡(luò)潛在的傳染性顯著放大了銀行系統(tǒng)的風(fēng)險，而且違約傳染效應(yīng)呈現(xiàn)出指數(shù)增長。鄧向榮、曹紅[26]應(yīng)用格蘭杰因果檢驗(yàn)和空間方法建立了中國金融風(fēng)險傳染網(wǎng)絡(luò)模型，研究系統(tǒng)性風(fēng)險爆發(fā)后的風(fēng)險傳染路徑，并通過網(wǎng)絡(luò)拓?fù)渲笜?biāo)評價各金融機(jī)構(gòu)風(fēng)險網(wǎng)絡(luò)傳染的速度、范圍及深度。

綜上發(fā)現(xiàn)，已有文獻(xiàn)研究金融市場網(wǎng)絡(luò)時多采用價格波動關(guān)聯(lián)的建模方法，且應(yīng)用網(wǎng)絡(luò)模型的系統(tǒng)性風(fēng)險研究多集中在銀行網(wǎng)絡(luò)和金融機(jī)構(gòu)網(wǎng)絡(luò)，探究不同網(wǎng)絡(luò)結(jié)構(gòu)對系統(tǒng)性風(fēng)險的影響。部分文獻(xiàn)僅關(guān)注股市波動影響下的銀行間網(wǎng)絡(luò)結(jié)構(gòu)變化，但忽略了不同傳染源引起的股市波動下長時間區(qū)間內(nèi)股市網(wǎng)絡(luò)結(jié)構(gòu)的演化過程是否會出現(xiàn)差異，以及不同行業(yè)股票在不同傳染源引起的股市波動的主導(dǎo)性強(qiáng)弱變化，不能反映股票市場系統(tǒng)性風(fēng)險的整體變化趨勢。在此基礎(chǔ)上，本文注意到股票市場是一個高風(fēng)險市場，股票價格的大幅波動，如2008年和2015年的股災(zāi)都是股價在某時點(diǎn)突然崩盤[27]，在短時間內(nèi)給投資者造成了巨大損失，反映了股票價格波動系數(shù)不能夠準(zhǔn)確的刻畫股價間的長期均衡關(guān)系，因此本文以VaR模型為基礎(chǔ)構(gòu)建風(fēng)險網(wǎng)絡(luò)模型，因?yàn)閂aR模型提供了衡量市場風(fēng)險的有效方法，并且VaR數(shù)組的相關(guān)系數(shù)反映了股票間的風(fēng)險相關(guān)性[28]，這為研究股票網(wǎng)絡(luò)的系統(tǒng)性風(fēng)險、風(fēng)險傳染和網(wǎng)絡(luò)穩(wěn)定性等提供了一個新的視角。

2 系統(tǒng)性風(fēng)險貢獻(xiàn)度

從金融網(wǎng)絡(luò)角度看，網(wǎng)絡(luò)中每個節(jié)點(diǎn)都具有系統(tǒng)重要性，只是重要的程度有所差異。系統(tǒng)性風(fēng)險貢獻(xiàn)度是指特定金融機(jī)構(gòu)在風(fēng)險壓力條件下整個系統(tǒng)的在險價值（CoVaR），并將CoVaR減去非風(fēng)險壓力下整個系統(tǒng)的VaR值作為該金融機(jī)構(gòu)對整體金融系統(tǒng)風(fēng)險的邊際貢獻(xiàn)，并以此衡量該機(jī)構(gòu)的系統(tǒng)重要性水平[29]。

2.1 CoVAR模型

2.2 分位數(shù)回歸法求CoVaR

目前有3種測量CoVaR的方法：分位數(shù)回歸法、GARCH模型法和Copula函數(shù)法。因分位數(shù)回歸法對分布的假設(shè)要求不高，能更加準(zhǔn)確地刻畫分布的尾部特征，也適用于含有異方差的模型，可有效彌補(bǔ)其他回歸方法在這點(diǎn)上的缺陷。本文借鑒Adrian和Brunnermeier[30]的做法，構(gòu)建如下單支股票的分位數(shù)回歸模型：

將式(8)、(9)代入式(10)整理后可得：

3 模型構(gòu)建

3.1 股市風(fēng)險網(wǎng)絡(luò)

3.1.1風(fēng)險網(wǎng)絡(luò)的構(gòu)建

Jorion[31]給出風(fēng)險價值VaR的權(quán)威定義為“給定置信水平下，某一資產(chǎn)或投資組合在未來持有期內(nèi)的最壞的預(yù)期損失”。運(yùn)用VaR模型構(gòu)造股票網(wǎng)絡(luò)，是利用VaR能預(yù)測資產(chǎn)組合的潛在風(fēng)險的特點(diǎn)，計算VaR數(shù)組的相關(guān)系數(shù)，并用最小生成樹方法（MST）構(gòu)造風(fēng)險網(wǎng)絡(luò)。具體步驟如下：

3.1.2網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)

（2）點(diǎn)強(qiáng)度（）。根據(jù)已有文獻(xiàn)，點(diǎn)強(qiáng)度的定義是與節(jié)點(diǎn)相連的所有連邊的權(quán)重的總和。

（3）接近中心性（）。它表示網(wǎng)絡(luò)中某節(jié)點(diǎn)的連接能力，反映了節(jié)點(diǎn)在網(wǎng)絡(luò)中居于中心的程度。節(jié)點(diǎn)接近中心性值的大小，表明它與其他的節(jié)點(diǎn)（公司）連接的遠(yuǎn)近，若某節(jié)點(diǎn)接近中心性越大說明其越居于網(wǎng)絡(luò)的中心位置。

3.2 dCoVaR與網(wǎng)絡(luò)拓?fù)渲笜?biāo)的動態(tài)面板回歸模型

為了研究股票市場網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對股票市場系統(tǒng)性風(fēng)險貢獻(xiàn)度的影響，建立動態(tài)面板數(shù)據(jù)回歸模型。選取面板數(shù)據(jù)：因變量是單個股票的dCoVaR，自變量是網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)。鑒于已有研究發(fā)現(xiàn)單個股票公司規(guī)模大小、資產(chǎn)負(fù)債比率、盈利能力等顯著影響了公司的系統(tǒng)性風(fēng)險貢獻(xiàn)度，本文也選用這些變量為自變量。

在進(jìn)行回歸前為避免虛假回歸，要檢驗(yàn)面板數(shù)據(jù)是否存在單位根，以檢驗(yàn)數(shù)據(jù)的平穩(wěn)性，確保估計的有效性。單位根檢驗(yàn)方法較多，為方便，本文采用不同單位根檢驗(yàn)的Fisher-ADF檢驗(yàn)方法，如果拒絕存在單位根的原假設(shè)，就認(rèn)為此序列是平穩(wěn)的。我們采用Hausman檢驗(yàn)來判斷是選用隨機(jī)效應(yīng)模型還是固定效應(yīng)模型，給出的零假設(shè)是：建立隨機(jī)效應(yīng)模型。如下：

4 實(shí)證檢驗(yàn)

4.1 樣本和指標(biāo)數(shù)據(jù)的選取

研究樣本為我國上證180指數(shù)成分股和深證300指數(shù)成分股，剔除受到上市日期影響、連續(xù)停盤超過24天和公司財務(wù)數(shù)據(jù)不齊全的股票，最后分別得到89支、83支股票。選取股指極端波動鮮明的兩大時間段為研究對象，分別是2008年金融危機(jī)前后和2015年股市暴漲暴跌前后（簡記為“樣本區(qū)間1”和“樣本區(qū)間2”），在整體研究的基礎(chǔ)上，根據(jù)股票收益率波動強(qiáng)度大小，將波動時段最高的2007-12-03至2009-6-30與2014-10-10至2015-06-15劃分為“波動時期”，選取2006-06-02至2007-11-30和2013-10-10至2014-09-30為“波動前”，2009-07-01至2010-12-30與2015-10-08至2016-12-31為“波動后”。

分位數(shù)回歸模型中：參考已有文獻(xiàn)[35]，分別選取上證綜指和深證綜指收益率作為狀態(tài)變量，選取滬深300指數(shù)收益率作為系統(tǒng)指標(biāo)。動態(tài)面板回歸模型中：除了選取股票網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)指標(biāo)節(jié)點(diǎn)度、接近中心性、點(diǎn)強(qiáng)度之外，還考慮系統(tǒng)性風(fēng)險貢獻(xiàn)度的其他影響因素，如：公司的盈利指標(biāo)（ROA）、公司的規(guī)模大?。ˋssets）、公司的負(fù)債指標(biāo)（Leverage）等。

4.2 股市系統(tǒng)性風(fēng)險貢獻(xiàn)度的靜態(tài)分析

根據(jù)式(10)計算在時，上海和深圳股票市場兩個樣本區(qū)間內(nèi)單只股票對整個股票市場的系統(tǒng)性風(fēng)險的邊際貢獻(xiàn)度dCoVaR，如圖1所示（此處對dCoVaR取絕對值處理）。

Figure 1 The dCoVaR of each shares in Shanghai and Shenzhen stock markets

注：將公司股票代碼按升序排列后從1到n依次編碼。

觀察圖1發(fā)現(xiàn)在分位數(shù)時，上海股市dCoVaR的趨勢線要大于深圳股市的dCoVaR趨勢線，說明上海股市系統(tǒng)性風(fēng)險的累積程度要遠(yuǎn)大于深圳股市系統(tǒng)性風(fēng)險的累積程度，即當(dāng)在極端行情發(fā)生時上海股市比深圳股市更容易爆發(fā)危機(jī)。上下兩幅圖從總體上均呈現(xiàn)出樣本區(qū)間2股票的dCoVaR曲線在樣本區(qū)間1的dCoVaR曲線之上，說明在2015年國內(nèi)股市劇烈震蕩階段無論是上海還是深圳股票市場的系統(tǒng)性風(fēng)險累積量都大于2008年國際股市危機(jī)階段。從單一股票角度，兩個股票市場中各個股票的dCoVaR值在0到0.3的范圍內(nèi)波動，說明不同股票所代表的公司機(jī)構(gòu)對整體的系統(tǒng)性風(fēng)險貢獻(xiàn)存在較大的差別。兩個樣本區(qū)間內(nèi)均有某些股票節(jié)點(diǎn)的dCoVaR值大于0.2，說明風(fēng)險發(fā)生時，這些股票對股市整體的系統(tǒng)性風(fēng)險產(chǎn)生的影響較大，而上海股市和深圳股市甚至有個別股票的dCoVaR小于0.01，說明這些股票節(jié)點(diǎn)代表的公司盡管其處于風(fēng)險狀態(tài)時，也不會對整個股票市場系統(tǒng)性風(fēng)險產(chǎn)生較大的影響。

4.3 股市系統(tǒng)性風(fēng)險貢獻(xiàn)度的動態(tài)分析

為更清楚的觀察單只股票的dCoVaR變化，分別選取兩個樣本區(qū)間內(nèi)都有且dCoVaR排名比較靠前的浦發(fā)銀行和西山煤電兩只股票，圖2、圖3給出兩只股票dCoVaR的動態(tài)演化圖像（由于篇幅限制不能逐一給出每只股票的dCoVaR的動態(tài)演化圖像）。

Figure 2 The dynamic evolution of pufa bank's(Shanghai)

Figure 3 The dynamic evolution of xishan coal and electricity company's(Shenzhen)

根據(jù)定義知：dCoVaR的值為負(fù)且值越小時說明單個股票對系統(tǒng)的風(fēng)險貢獻(xiàn)度就越大。由圖2、圖3發(fā)現(xiàn)浦發(fā)銀行和西山煤電兩只股票dCoVaR的劇烈震動都發(fā)生在2007年底~2009年6月、2013年底~2015年9月（極端波動期），在這一時期dCoVaR出現(xiàn)局部最小值的幾率更大，而在2010年底和2016年底（波動結(jié)束）dCoVaR的波動趨于平穩(wěn)。浦發(fā)銀行dCoVaR均值在兩個樣本區(qū)間內(nèi)分別趨近于-0.224和-0.230，西山煤電dCoVaR均值分別趨近于-0.089和-0.175 。顯然樣本區(qū)間2股票的系統(tǒng)性風(fēng)險溢出值大于樣本區(qū)間1，同樣證明了靜態(tài)分析時認(rèn)為的2015年股市劇烈震蕩期間股票系統(tǒng)性風(fēng)險累積量大于2008年國際金融危機(jī)時期的結(jié)論，致使2015年由于國內(nèi)股市自身結(jié)構(gòu)調(diào)整爆發(fā)的股市震動破壞性更強(qiáng)。從兩幅圖看出單個股票的dCoVaR出現(xiàn)劇烈波動且振幅很大時，股市也恰好出現(xiàn)了極端波動，暗示股市的極端波動與系統(tǒng)性風(fēng)險的累積有關(guān)系。系統(tǒng)性風(fēng)險的不斷累積使風(fēng)險溢出值達(dá)到最小時，單個股票對股市系統(tǒng)的邊際風(fēng)險貢獻(xiàn)度更大，微小的增加值很可能會導(dǎo)致整個股市危機(jī)的爆發(fā)。此外，從圖像的整體震動幅度來看，無論是浦發(fā)銀行還是西山煤電，其在2008年金融危機(jī)時期的dCoVaR的總體震動幅度與2015年股市震蕩時期的總體震動幅度都存在顯著差異，進(jìn)一步說明了相同股票在不同時期因風(fēng)險傳染源的不同，其系統(tǒng)性風(fēng)險溢出值不同，即該股票對整個股票市場的風(fēng)險貢獻(xiàn)度不同。

4.4 MST股票風(fēng)險網(wǎng)絡(luò)結(jié)構(gòu)

（1）MST圖

基于VaR模型構(gòu)建股市風(fēng)險網(wǎng)絡(luò)時，時間跨度選100個交易日。用Kruskal算法將距離矩陣轉(zhuǎn)換為使式(14)值達(dá)到最小的超度量關(guān)聯(lián)網(wǎng)絡(luò)的子網(wǎng)絡(luò)。給出兩個樣本區(qū)間內(nèi)上海、深圳股市MST風(fēng)險網(wǎng)絡(luò)的節(jié)點(diǎn)間聯(lián)通性、位置的變化圖。如圖4、圖5。

Figure 4 Shanghai stock market MST network diagram in two samples

圖4(a)中上海股票MST網(wǎng)絡(luò)中有七個關(guān)鍵節(jié)點(diǎn)：上海電力（11條連邊），雅戈爾（10條連邊），北京城建、復(fù)星醫(yī)藥和巨化股份（9條連邊），同仁堂（7條連邊），中海發(fā)展（6條連邊），從圖中看出在MST風(fēng)險網(wǎng)絡(luò)中連接節(jié)點(diǎn)最多的集中在金融行業(yè)，說明金融業(yè)在上海股市受到極高的關(guān)注度；圖4(b)中上海網(wǎng)絡(luò)的連通性一般，其中東方電氣（11條連邊），華夏銀行、江西銅業(yè)、國電電力（5條連邊），上述連通性較好的節(jié)點(diǎn)為上海風(fēng)險網(wǎng)絡(luò)中的重要節(jié)點(diǎn)。上海MST圖4(b)中關(guān)鍵節(jié)點(diǎn)的個數(shù)明顯小于圖4(a)MST中關(guān)鍵節(jié)點(diǎn)個數(shù)，說明樣本區(qū)間2該時間段內(nèi)上海股票市場網(wǎng)絡(luò)結(jié)構(gòu)遭到劇烈破壞，連通性及關(guān)鍵節(jié)點(diǎn)數(shù)目顯著下將。圖5(a)深圳風(fēng)險網(wǎng)絡(luò)中有4個重要的節(jié)點(diǎn)：銀河生物公司（14條連邊），分眾傳媒（9條連邊），北新建材（5條連邊）等；圖5(b)中起重要連通性作用的節(jié)點(diǎn)有：海王生物和深圳能源（9條連邊），興蓉環(huán)境等（6條連邊）、大族激光（5條連邊），顯然樣本區(qū)間2深圳風(fēng)險網(wǎng)絡(luò)的連通性和關(guān)鍵節(jié)點(diǎn)數(shù)目也顯著下降，同樣證明2015年國內(nèi)股市震蕩對深圳網(wǎng)絡(luò)結(jié)構(gòu)的破壞性遠(yuǎn)大于2008年國際金融危機(jī)的破壞性。深圳MST網(wǎng)絡(luò)在兩個樣本區(qū)間內(nèi)連通性較好的節(jié)點(diǎn)多集中在信息技術(shù)行業(yè)，說明信息技術(shù)行業(yè)在深圳股票市場備受市場青睞。綜合比較得出：在股市沖擊降臨時，上海股市連通性最好的金融行業(yè)和深圳股市連通性最好的信息技術(shù)行業(yè)更容易成為沖擊的目標(biāo)，所以監(jiān)管部門要加強(qiáng)這兩個行業(yè)的保護(hù)，以維護(hù)股市網(wǎng)絡(luò)穩(wěn)定。兩個股市風(fēng)險網(wǎng)絡(luò)在不同極端行情下，網(wǎng)絡(luò)連通性關(guān)鍵節(jié)點(diǎn)及其位置均發(fā)生顯著變化，且上海和深圳股市網(wǎng)絡(luò)連通性和關(guān)鍵節(jié)點(diǎn)均下降，從網(wǎng)絡(luò)結(jié)構(gòu)角度吻合了4.2節(jié)中從風(fēng)險角度認(rèn)為的2015年股市震蕩破壞性強(qiáng)于2008年金融危機(jī)對我國股市的破壞性，從側(cè)面反映出系統(tǒng)性風(fēng)險的累積量越大在沖擊發(fā)生時網(wǎng)絡(luò)結(jié)構(gòu)損壞越嚴(yán)重。

圖5 深圳股票市場MST網(wǎng)絡(luò)圖（兩樣本區(qū)間）

Figure5 Shenzhen stock market MST network diagram in two samples

注：（1）形狀代表的行業(yè)：圓形代表金融；正方形代表材料；上三角形代表工業(yè)；下三角形代表公用事業(yè)；盒形代表能源；圓在方形內(nèi)代表可選消費(fèi)，菱形代表電信服務(wù)，加號代表醫(yī)療保??；上下三角形代表信息技術(shù)；弧角方形代表日常消費(fèi)。（2）編號：為了使圖片更簡潔，將公司股票代碼按升序排列后從1到n依次編碼。（3）箭頭沒有實(shí)際含義。

（2）度分布

圖6 上海股市網(wǎng)絡(luò)圖節(jié)點(diǎn)度分布（兩樣本區(qū)間）

Figure 6 Node distribution of Shanghai stock market network (two samples)

圖7 深圳股市網(wǎng)絡(luò)圖節(jié)點(diǎn)度分布（兩樣本區(qū)間）

Figure 7 Node distribution of Shenzhen stock market network (two samples)

圖6、圖7看出滬深兩市任意波動時期風(fēng)險網(wǎng)絡(luò)中大多數(shù)節(jié)點(diǎn)的度值小于平均度值2，且只有少數(shù)的節(jié)點(diǎn)度值大于5，這恰好是冪律分布的特征，即滿足無標(biāo)度網(wǎng)絡(luò)的特點(diǎn)，說明上海和深圳股市風(fēng)險網(wǎng)絡(luò)為無標(biāo)度網(wǎng)絡(luò)。其次從圖中看出在極端波動中兩市場MST圖的Hub節(jié)點(diǎn)均小于極端波動發(fā)生前、發(fā)生后，且在劇烈波動中度值為4~6的節(jié)點(diǎn)數(shù)顯著高于波動前和波動后，說明滬深兩市風(fēng)險網(wǎng)絡(luò)在危機(jī)波動的影響下起重要連通作用的高Hub節(jié)點(diǎn)數(shù)目減少致使網(wǎng)絡(luò)結(jié)構(gòu)發(fā)生改變，以抵抗風(fēng)險波動與傳染，維系股票市場穩(wěn)定性。

（3）點(diǎn)強(qiáng)度和接近中心性

Figure 8 Node strength in Shanghai and Shenzhen stock markets in extreme fluctuation

圖8、圖9是在極端波動中上海和深圳股市風(fēng)險網(wǎng)絡(luò)每個節(jié)點(diǎn)的點(diǎn)強(qiáng)度和接近中心性，因篇幅限制極端波動發(fā)生前、后單只股票的點(diǎn)強(qiáng)度和接近中心性圖并未給出。從上圖看出，無論是上海還是深圳股市每個節(jié)點(diǎn)的點(diǎn)強(qiáng)度和接近中心性的值在兩個極端波動區(qū)間都表現(xiàn)出明顯的不同，尤其以上海股市在樣本區(qū)間1的接近中心性值要顯著大于樣本區(qū)間2的接近中心性值，而就點(diǎn)強(qiáng)度來說滬深兩市大多數(shù)節(jié)點(diǎn)的點(diǎn)強(qiáng)度都要小于1，有少數(shù)節(jié)點(diǎn)的點(diǎn)強(qiáng)度大于3。說明在不同傳染源引起的極端波動行情下，股市網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整差異明顯，股市所受沖擊越大（樣本區(qū)間2）風(fēng)險網(wǎng)絡(luò)中節(jié)點(diǎn)的點(diǎn)強(qiáng)度和接近中心性值就越小。

Figure 9 Node closeness centrality in Shanghai and Shenzhen stock markets in extreme fluctuation

4.5 dCoVaR與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的回歸分析

因本文研究樣本是單個節(jié)點(diǎn)的行為特征，所以拒絕混合回歸模型。再由Hausman檢驗(yàn)結(jié)果中，故采用固定效應(yīng)模型進(jìn)行回歸估計，得到上海和深圳股市在不同時間區(qū)間的動態(tài)面板回歸結(jié)果如表1和表2所示。

表1 上海股市動態(tài)面板回歸結(jié)果

注：*、**、***分別表示在0.1、0.05和0.01的顯著性水平下顯著。

表2 深圳股市動態(tài)面板回歸結(jié)果

注：*、**、***分別表示在0.1、0.05和0.01的顯著性水平下顯著。

4.5 穩(wěn)健性檢驗(yàn)

表3 中國股市動態(tài)面板回歸結(jié)果

注：*、**、***分別表示在0.1、0.05和0.01的顯著性水平下顯著。

表4 不同時間跨度下中國股市動態(tài)面板回歸結(jié)果

注：*、**、***分別表示在0.1、0.05和0.01的顯著性水平下顯著。

此外，我們同樣考慮了其它可能影響到回歸結(jié)果的影響因素，采取了多種穩(wěn)健性檢驗(yàn)：（1）考慮到采用VaR模型構(gòu)建股市風(fēng)險網(wǎng)絡(luò)時，時間跨度的選取可能對股票的VaR造成影響，進(jìn)而影響網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)，所以另選取W=50，150構(gòu)建滬深股市風(fēng)險網(wǎng)絡(luò)，表4給出回歸結(jié)果。（2）考慮到不同分位數(shù)回歸對因變量dCoVaR可能造成的影響，計算分位數(shù)=1%下的dCoVaR，回歸結(jié)果如表5所示。觀察表4和表5，結(jié)果顯示：這些可能的影響因素都是計算中存在的誤差，不同的時間跨度W和不同的分位數(shù)都不會對本文的結(jié)論產(chǎn)生實(shí)質(zhì)性的影響，說明本文的結(jié)果具有較高的穩(wěn)健性。

表5 不同分位數(shù)下中國股市動態(tài)面板回歸分析結(jié)果（q=1%）

注：*、**、***分別表示在0.1、0.05和0.01的顯著性水平下顯著。

5 結(jié)論

本文創(chuàng)新性地利用風(fēng)險價值VaR模型，通過股票間的風(fēng)險相關(guān)性構(gòu)建上海和深圳兩個股票市場的風(fēng)險價值網(wǎng)絡(luò)，并探究在中國股市極端波動行情下（2008年國際金融危機(jī)和2015年國內(nèi)股市劇烈震蕩）風(fēng)險價值網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)特征。將風(fēng)險網(wǎng)絡(luò)模型與動態(tài)面板回歸模型相結(jié)合，利用分位數(shù)回歸法計算股票網(wǎng)絡(luò)中單只股票的條件在險價值CoVaR，進(jìn)而確定股票網(wǎng)絡(luò)中單只股票的系統(tǒng)性風(fēng)險貢獻(xiàn)度，分別從靜態(tài)（總體）和動態(tài)（個體）視角分析上海和深圳股市系統(tǒng)性風(fēng)險累積程度；最后利用動態(tài)面板回歸分析網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)與系統(tǒng)性風(fēng)險貢獻(xiàn)度間的關(guān)系，并通過樣本外穩(wěn)健性檢驗(yàn)證明了相關(guān)關(guān)系的正確性。得出以下結(jié)論：

（1）上海股市系統(tǒng)性風(fēng)險的累積程度要遠(yuǎn)大于深圳股市系統(tǒng)性風(fēng)險的累積程度，即當(dāng)在極端行情發(fā)生時上海股市比深圳股市更易爆發(fā)危機(jī)；兩個極端行情下，樣本區(qū)間2系統(tǒng)性風(fēng)險累積程度大于樣本區(qū)間1，同時風(fēng)險網(wǎng)絡(luò)重要節(jié)點(diǎn)拓?fù)渲笜?biāo)在樣本區(qū)間2也大幅降低，充分證明了2015年國內(nèi)股市劇烈震蕩對中國股市造成的沖擊比2008年金融危機(jī)帶來的沖擊更嚴(yán)峻。提醒監(jiān)管部門和投資者要格外警惕因我國自身股市因素造成的股市震蕩。

（2）系統(tǒng)性風(fēng)險的不斷累積使風(fēng)險溢出值達(dá)到局部最小的頻率變大時，股市剛好處于危機(jī)爆發(fā)時期，而當(dāng)單個股票的風(fēng)險溢出值出現(xiàn)劇烈波動且振幅很大時，股票市場也恰好出現(xiàn)了極端波動，進(jìn)而說明了股市的極端波動與風(fēng)險的累積有相互作用關(guān)系。

（3）不同風(fēng)險傳染源引起的極端波動行情下，相同股票的系統(tǒng)性風(fēng)險溢出值不同，即該股票對股市的風(fēng)險貢獻(xiàn)程度不同，故在投資選擇上，要注意區(qū)別不同傳染源引起的極端波動時相同股票持有量的變化。

（4）滬深兩市的股票風(fēng)險網(wǎng)絡(luò)具有無標(biāo)度特性，在上海股市風(fēng)險網(wǎng)絡(luò)中連接節(jié)點(diǎn)最多的集中在金融行業(yè)，說明金融業(yè)在上海股市受到極高的關(guān)注度；深圳股市風(fēng)險網(wǎng)絡(luò)中連通性較好的節(jié)點(diǎn)多集中在信息技術(shù)行業(yè)，說明信息技術(shù)行業(yè)在深圳股票市場備受青睞。暗示在極端沖擊下這些行業(yè)更容易成為首選的沖擊目標(biāo)，對股市的系統(tǒng)性風(fēng)險貢獻(xiàn)度更大。

（5）在股票風(fēng)險網(wǎng)絡(luò)中，股票節(jié)點(diǎn)的節(jié)點(diǎn)度、接近中心性、點(diǎn)強(qiáng)度等網(wǎng)絡(luò)拓?fù)渲笜?biāo)與系統(tǒng)性風(fēng)險溢出值呈顯著的負(fù)相關(guān)關(guān)系，即這些拓?fù)渲笜?biāo)值越大的節(jié)點(diǎn)，風(fēng)險溢出值越小其對系統(tǒng)性風(fēng)險貢獻(xiàn)度就越大。最后的穩(wěn)健性檢驗(yàn)結(jié)果表明上述結(jié)果的可靠性。所以在股市極端波動發(fā)生時應(yīng)加強(qiáng)對具有高節(jié)點(diǎn)度、高接近中心性和點(diǎn)強(qiáng)度的股票進(jìn)行監(jiān)管與防控，這些性質(zhì)高的節(jié)點(diǎn)具有牽一發(fā)而動全身的網(wǎng)絡(luò)作用。

[1] 歐陽紅兵, 劉曉東. 中國金融機(jī)構(gòu)的系統(tǒng)重要性及系統(tǒng)性風(fēng)險傳染機(jī)制分析——基于復(fù)雜網(wǎng)絡(luò)的視角[J]. 中國管理科學(xué), 2015, 23(10): 30-37.

Ouyang H.B, Liu X.D. An analysis of the systemic important and systemic risk contagion mechanism of China’s financial institutions based on network analysis[J]. Chinese Journal of Management Science, 2015, 23(10): 30-37.

[2] 唐振鵬, 謝智超, 冉夢,等. 網(wǎng)絡(luò)視角下我國上市銀行間市場系統(tǒng)性風(fēng)險實(shí)證研究[J].中國管理科學(xué), 2016, 24: 489-495.

Tang Z P, Xie Z C, Ran M, et al. Systemic risk empirical study of China listed bank market under the network perspective[J]. Chinese Journal of Management Science, 2016, 24: 489-495.

[3] Adrian T, Brunnermeier M K. Co-VaR Federal Reserve Bank of New York Staff Report, 2007, 348.

[4] Girardi G, Ergun A T. Systemic risk measurement: Multivariate GARCH estimation CoVaR [J]. Journal of Banking & Finance, 2013, 37(8): 3169-3180.

[5] 劉向麗, 顧舒婷. 房地產(chǎn)對金融體系風(fēng)險溢出效應(yīng)研究——基于AR-GARCH-CoVaR方法[J]. 系統(tǒng)工程理論與實(shí)踐, 2014, 34: 105-111.

Liu X L, Gu S T. Research on risk spillovers from the real estate department to financial system based on AR-GARCH-CoVaR[J]. Systems Engineering—Theory & Practice, 2014, 34: 105-111.

[6] 高國華, 潘英麗. 基于資產(chǎn)負(fù)債表關(guān)聯(lián)的銀行系統(tǒng)性風(fēng)險研究[J]. 管理工程學(xué)報, 2012, 26(4): 162-169.

Gao G H, Pan Y L. Research on banking systematic risk based on balance sheet association[J]. Journal of Industrial Engineering/ Engineering Management, 2012, 26(4): 162-169.

[7] Acharya V, Pedersen L, Philippon T, et al. Measuring systemic risk. mimeo, New York University, 2009.

[8] Krause A, Giansante S. Interbank lending and the spread of bank failures: A network model of systemic risk[J]. Journal of Economic Behavior and Organization, 2012, 83(3): 583-608.

[9] Iori G, Jafarey S, Padilla F G. System risk on the interbank market[J]. Journal of Economic Behavior & Organization, 2007, 61(4): 525-542.

[10] Marquez-Diez-Canedo J, Martinez-Jaramillo. Systemic Risk: Stress testing the banking system[C]. Amsterdam: International monetary fund & De nederlandsche bank, 2007.

[11] Mistrulli P E. Assessing financial contagion in the interbank market: Maximum entropy versus observed interbank lending patterns[J]. Journal of Banking & Finance, 2011, 35(5): 1114-1127.

[12] Gai S, Haldane A, Kapadia S. Complexity, concentration and contagion[J]. Journal of Monetary Economics, 2011, 58(5): 453-470.

[13] 李守偉, 何建敏. 不同網(wǎng)絡(luò)結(jié)構(gòu)下銀行間傳染風(fēng)險研究[J]. 管理工程學(xué)報, 2007, 4(26): 71-78.

Li S W, He J M. Research on inter-bank contagion risk under different network structures[J]. Journal of Industrial Engineering/ Engineering Management, 2007, 4(26): 71-78.

[14] 賈彥東. 金融機(jī)構(gòu)的系統(tǒng)重要性分析——金融網(wǎng)絡(luò)中的系統(tǒng)風(fēng)險衡量與成本分擔(dān)[J]. 金融研究, 2011, 10: 17-33.

Jia Y D. Analysis of system importance of financial institutions- Systematic risk measurement and cost sharing in financial networks[J]. Journal of Financial Research, 2011, 10: 17-33.

[15] 陳國進(jìn), 馬長峰. 金融危機(jī)傳染的網(wǎng)絡(luò)理論研究述評[J].經(jīng)濟(jì)學(xué)動態(tài), 2010, 2:116- 119.

Chen G J, Ma C F. A researches review on network theories of financial crisis contagion[J]. Economic Perspectives, 2010, 2:116- 119.

[16] 范宏. 動態(tài)銀行網(wǎng)絡(luò)系統(tǒng)中系統(tǒng)中系統(tǒng)性風(fēng)險定量計算方法研究[J]. 物理學(xué)報, 2014, 3: 465-471.

Fan H. Calculation of system risk in a dynamical bank network system[J]. Acta Phys. Sin., 2014, 3: 465-471.

[17] 巴曙松, 左偉, 朱元清. 金融網(wǎng)絡(luò)及傳染對金融穩(wěn)定的影響[J]. 財經(jīng)問題研究, 2013, 2: 3-11.

Ba S S, Zuo W, Zhu Y Q. The influence of financial networks and contagion on financial stability[J]. Research on financial and economic issues, 2013, 2: 3-11.

[18] 高波, 任若恩. 基于Granger因果網(wǎng)絡(luò)模型的金融機(jī)構(gòu)系統(tǒng)重要性評估[J]. 經(jīng)濟(jì)與金融, 2013, 6: 3-10.

Gao B, Ren R E. Measuring systemic importance of financial institutions based on Granger-Causality network model[J]. The economic and finance, 2013, 6: 3-10.

[19] 范小云, 方意, 王道平. 我國銀行系統(tǒng)粉線的動態(tài)特征及系統(tǒng)性重要性銀行的甄別——基于CCA與DAG相結(jié)合的分析[J]. 金融研究, 2013, 11: 82-95.

Fan X Y, Fang Y, Wang D P. Systemic risk and systemically important financial institutions of China’s bank section—an analysis based on CCA and DAG[J]. Journal of financial research, 2013, 11: 82-95.

[20] 隋聰, 遲國泰, 王宗堯. 網(wǎng)絡(luò)結(jié)構(gòu)與銀行系統(tǒng)性風(fēng)險[J]. 管理科學(xué)學(xué)報, 2014, 4: 57- 70.

Sui C, Chi G T, Wang Z Y. Network structure and systemic risk by banks[J]. Journal of Management Sciences in China, 2014, 4: 57- 70.

[21] 鄧超, 陳學(xué)軍. 基于多主體建模分析的銀行間網(wǎng)絡(luò)系統(tǒng)性風(fēng)險研究[J]. 中國管理科學(xué), 2016, 1(24): 67-75.

Deng C, Chen X J. Studyon multi-agent models analyses for systemic risk from the interbank network[J]. Chinese Journal of Management Science, 2016, 1(24): 67-75.

[22] 王占浩, 郭菊娥, 薛勇. 資產(chǎn)負(fù)債表關(guān)聯(lián)、價格關(guān)聯(lián)與銀行間風(fēng)險傳染[J]. 管理工程學(xué)報, 2016, 2(30): 202-210.

Wang Z H, Guo E J, Xue Y. International financial contagion based on direct relations of balance sheets and assets price[J]. Journal of Industrial Engineering/Engineering Management, 2016, 2(30): 202-210.

[23] Huang W Q, Zhuang X T, Yao S, et al. A financial network perspective of institution’s systemic risk contributions[J]. Physica A, 2016, 456: 183-196.

[24] Nikos P, Dimitrios G, Renatas K, et al. Transmission channels of systemic risk and contagion in the European financial networks[J]. Journal of Banking & Finance, 2015, 61: 336-352.

[25] 隋聰, 譚照林, 王宗堯. 基于網(wǎng)絡(luò)視角的銀行業(yè)系統(tǒng)性風(fēng)險度量方法[J]. 中國管理科學(xué), 2016, 24(5): 54-64.

Sui C, Tan Z L, Wang Z Y. A network perspective measurement method for banking systemic risk[J]. Chinese Journal of Management Science, 2016, 24(5): 54-64.

[26] 鄧向榮, 曹紅. 系統(tǒng)性風(fēng)險、網(wǎng)絡(luò)傳染與金融機(jī)構(gòu)系統(tǒng)重要性評估[J]. 中央財經(jīng)大學(xué)學(xué)報, 2016, 3: 52-60.

Deng X R, Cao H. systemic risk, network contagion and assessment of SIFIs[J]. Journal of Central University of Finance & Economics, 2016, 24(5): 54-64.

[27] 謝家泉. 股災(zāi)背景下中美股票風(fēng)險溢出的結(jié)構(gòu)轉(zhuǎn)換研究[J]. 運(yùn)籌與管理, 2017, 2 (26): 127-135.

Xie J Q. Structural transfer research about risk spillover between Chinese stock market and American stock market based on stock market disaster[J]. Operations research and management science, 2017, 2 (26): 127-135.

[28] 莊新田,張鼎,苑瑩,等. 中國股市復(fù)雜網(wǎng)絡(luò)中的分形特征[J]. 系統(tǒng)工程理論與實(shí)踐, 2015, 35(2): 273-282.

Zhuang X T, Zhang D, Yuan Y, et al. Fractal characteristic of the Chinese stock market complex network[J]. Systems Engineering—Theory & Practice, 2015, 35(2): 273-282.

[29] Adrian T, Brunnermeier M K. CoVaR [R]. National Bureau of Economic Research, 2008.

[30] Adrian T, Brunnermeier M K. CoVaR [J]. American Economic Review, 2016, 106 (7): 1705-1741.

[31] Jorion P. Value at risk [M]. 3rd ed. McGraw-Hill, 2006.

[32] 孫璽菁, 司守奎. 復(fù)雜網(wǎng)絡(luò)算法與應(yīng)用[M]. 北京: 國防工業(yè)出版社, 2015.

Sun X J, Si S K. Algorithms and Applications of Complex Networks[M]. Beijing: National Defense Industry Press, 2015.

[33] Hendricks, D. Evaluation value-at-risk using history data[J]. Economy Policy Review, 1996, 2: 39-70.

[34] Kruskal, J B. On the shortest spanning subtree of a graph and the traveling salesman problem[J]. Proc. Amer. Math. Soc, 1956, 7(1): 48–50.

[35] 李云紅, 魏宇, 吳曉雄. 中國股票市場適應(yīng)性特征的實(shí)證研究[J]. 管理工程學(xué)報, 2016, 1(30): 72-80.

Li Y H, Wei Y, Wu X X. Empirical study of the adaptability features on Chinese stock markets[J]. Journal of Industrial Engineering/ Engineering Management, 2016, 1(30): 72-80.

Stock market network topology and systematic risk contribution:Based on VaR network model

ZHANG Weiping, ZHUANG Xintian*, LI Yanshuang

(School of Management, Northeastern University, Shenyang 110169, China)

The stock market is a high-risk market, and its systematic risk is a result of continuous cumulative changes manifesting into extreme fluctuations. Large fluctuations in stock prices, such as the 2008 and 2015 stock disasters, are due to sudden stock price crashes at particular points in a short period of time. These crashes have caused huge losses to investors, and reflect that the stock price volatility coefficient cannot accurately characterize the long-term equilibrium relationship between stock prices. Therefore, in this paper we build a stock market risk network model based on the value-at-risk (VaR) model, and use CoVaR to measure the overflow value (conditional VaR) of the risk of a single stock price in the stock market system. Because the VaR model provides an effective way to measure market risk, and the correlation coefficient of the VaR array reflects the correlation between the risks of stocks, this provides a new perspective for studying the systematic risk, risk transmission, and network stability of stock markets.

First, we use the quantile regression method to calculate the conditional value-at-risk CoVaR of a single stock in the stock risk network, then determine the systematic risk contribution of a single stock in the stock network, and finally, analyze the cumulative degree of systematic risk in Shanghai and Shenzhen stock markets from a static (general) and dynamic (individual) perspective. The results show that the cumulative degree of systematic risk in the Shanghai stock market is much greater than that in the Shenzhen stock market. That is, when extreme market conditions occur, the Shanghai stock market is more prone to crisis than the Shenzhen stock market. The impact of Chinese stock markets’ extreme fluctuations in 2015 was more severe than that of the 2008 financial crisis.

Second, based on the VaR model, the value-at-risk network of the Shanghai and Shenzhen stock markets is constructed to reflect the correlation between the risks of their stocks, and the topological structure characteristics of the value-at-risk network under the extremely volatile conditions of Chinese stock markets are explored. It is found that the stock market risk networks of both locations have scale-free characteristics; high-connectivity in the Shanghai stock market risk network is concentrated in the financial industry, and high-connectivity in the Shenzhen stock market risk network is concentrated in the information technology industry, indicating that these industries are more likely to become the preferred targets for shocks when their respective stock markets are impacted by fluctuations, such that their impact will contribute more to the risk of the system.

Finally, the dynamic panel regression model is used to analyze the relationship between the network structure index and the degree of systematic risk contribution, and the correctness of the correlation is proved by a robustness test. In the stock risk network, network topology indicators such as the node degree, closeness of centrality, and node strength of the stock markets are significantly negatively correlated with the systematic risk overflow value - that is, the greater the value of the network topology indicator of the node, the smaller the overflow value of its risk, and the greater the contribution of that risk to overall systematic risk.

VaR (Value at Risk) model; Risk network; Network topology; Systemic risk contribution; Stock market extreme fluctuations

2018-04-10

2018-07-10

Supported by the Natural Science Foundation of China (71671030，71571038)

F830.91

A

1004-6062(2020)04-0171-011

10.13587/j.cnki.jieem.2020.04.019

2018-04-10

2018-07-10

國家自然科學(xué)基金資助項目（71671030、71571038）

莊新田（1956—），男，吉林四平人；東北大學(xué)工商管理學(xué)院教授，博士生導(dǎo)師；研究方向：金融復(fù)雜網(wǎng)絡(luò)，供應(yīng)鏈金融，金融工程。

中文編輯：杜 ??；英文編輯：Boping Yan