行業網絡關聯度及其對股市下跌風險的影響

■周 亮

一、引言

網絡關聯度常被用來識別不同經濟個體間的相互關系。當網絡關聯度越高時，經濟個體間的關系更為復雜，聯系更為緊密。當某個經濟個體（尤其是在網絡中重要性較高的個體）出現問題的時候，風險很容易通過網絡傳導至其他經濟個體上，從而導致其他較為脆弱的經濟個體出現問題。衡量網絡關聯度的方法較多，代表性的包括Billio et al.（2012）利用格蘭杰因果網絡提出的動態因果指數（DCI）、Diebold和Yilmaz（2012）基于廣義誤差方差分解提出的信息溢出指數法。通過借鑒系統性金融風險的衡量指標和方法來對股市整體的數據進行分析，可以對股市整體的系統性風險進行識別，并為投資者的風險識別與管理提供有益的幫助和借鑒。

考慮到網絡關聯度不僅可以將其作為單一指標研究其動態特征及對市場整體的影響，還可以通過研究網絡的內部結構識別各行業的風險溢出狀況。基于此，筆者擬利用申萬行業指數收益率及波動率構造我國股市行業層面的網絡關聯度，并試圖從以下三個方面詳細研究行業網絡關聯度的動態特征及其對股市下跌風險的影響：第一，網絡關聯度的動態特征如何？風險較高的時間節點的網絡關聯度是否明顯高于風險較低的時間節點？第二，不同行業在網絡中的特征是否有顯著差異？哪些行業在系統中的重要程度更高？第三，網絡關聯度是否能夠對未來的股市下跌風險進行預測，從而為投資者的風險管理提供有益借鑒？

二、文獻綜述

自資本資產定價模型（Sharpe，1964）提出以來，學者們對不同風險因子的定價能力進行了深入研究，最具代表性的是三因子模型（Fama&French，1992），通過市場、規模及估值三個因子可以很好地解釋股票的橫截面收益差異。除此以外，動量因子、流動性因子、質量因子、波動率因子、盈利因子和投資因子等都被證明具有顯著的定價能力。還有學者從股市下跌風險角度識別可預測的因子或因素，如Huang & Wang（2009）發現內生的流動性需求可以引起股票收益的負偏和厚尾，從而引發缺乏任何沖擊的股市暴跌。劉桂榮（2017）發現投資者情緒與股市下跌風險正相關，并且投資者情緒的悲觀變動比樂觀變動對股市下跌風險的影響更大。呂大永和吳文鋒（2019）從流動性角度進行了相關研究，發現杠桿融資交易量及其波動均顯著加劇了標的股價的下跌風險。可以看到，在對市場下跌風險的研究中，流動性問題是學者們關注的焦點，實際上，網絡關聯度所代表的系統性風險也包含了股市下跌風險的預測信息，股市中各行業或各企業的聯動性很強，表現為具有較強的網絡關聯度，當網絡關聯度發生異動時，往往也能對股市的下跌風險進行預測。

網絡關聯度在金融領域常被用來對系統性金融風險衡量和對系統重要性金融機構進行識別，如Li&Giles（2015）采用多元GARCH模型測算各市場或機構間收益率或波動率的相關性，但是多元GARCH 模型并不能很好地捕捉風險的動態變化特征（Barunik et al.，2016），因此Kritzman et al.（2011）基于主成分分析法提出了信息吸收比率，Diebold & Yilmaz（2012）基于廣義誤差方差分解提出了信息溢出指數法，以及Billio et al.（2012）利用格蘭杰因果網絡提出了動態因果指數（DCI），可以對風險的動態性進行更有效的分析。周亮和李紅權（2019）驗證了信息溢出指數及格蘭杰因果網絡在識別中國大陸系統性金融風險的有效性。也有部分學者將金融風險指標作為市場系統性風險對待，如陳湘鵬和何碧清（2019）采用金融巨災風險指標對中國股市的橫截面收益進行了定價。但是到目前為止，還較少有文獻研究網絡關聯度對股市未來收益率或者下跌風險的影響。考慮到系統性風險的累積往往預示著市場收益率下行的可能性增加，因此網絡關聯度的上升很可能會導致股市下跌風險的增加。

基于此，本文擬采用格蘭杰因果網絡及信息溢出指數構造我國股市的行業網絡關聯度指標，在分析其動態特征及各行業在網絡中不同表現的基礎上，利用Logit 等模型考察行業網絡關聯度對股市下跌風險的影響，以為投資者的風險管理提供經驗借鑒。相對于其他學者的研究，本文的主要創新之處在于：一方面，利用網絡模型研究了我國A股行業間的動態網絡關聯特征，并分析了關聯度較高時各行業對外風險的溢出特征，識別出系統重要性行業。另一方面，通過建立Logit模型，研究了系統網絡關聯度及行業對外風險溢出度對股市下跌風險的預測能力，可以為金融投資實踐及風險管理提供有益的借鑒。

三、研究設計

（一）網絡關聯度衡量指標

1.格蘭杰因果網絡指數（DCI）

借鑒Billio et al.（2012）的方法利用股市的行業指數來構造市場的整體網絡關聯度。假設系統中有N 個行業，則定義行業j 到行業i 的信息溢出Iij為：

則可以用整體的信息溢出度來衡量系統的網絡關聯度，計算公式為：

同樣可以定義單個行業對整個系統的影響程度，包括對外溢出（out）和接受溢出（in）兩個方面，如公式（3）所示：

通過對單個行業對外溢出和接受溢出的分析，則可以對行業的相對影響力進行評估。

2.信息溢出指數（Spillover）

參考Diebold&Yilmaz（2012）方法來研究金融機構間的信息溢出關系，第j 個變量的結構沖擊對第i個變量滯后H階方差變化的貢獻度：

在公式（5）的基礎上就可以定義總信息溢出值為變量間的方差分解貢獻度對總方差的貢獻，可以用其來對系統的網絡關聯度進行衡量，計算公式為：

（二）回歸模型

通過建立回歸模型探討網絡關聯度對股市下跌風險的預測能力。分別建立OLS和Logit回歸模型如式（7）和式（8）所示：

其中，Rt+1為下一期Wind 全A 指數收益率；Net為網絡關聯度，包括DCI和Spillover 兩種，由于基于收益率計算的指標包含的信息含量更多，因此這里僅考慮基于收益率計算的DCI 和Spillover，DCI 進行差分表示變化率，Spillover 進行對數差分表示變化率；Xt為一系列控制變量，筆者選擇了工業增加值環比、CPI 環比、M2、10年期國債到期收益率、市場總換手率以及市場波動率作為控制變量；Rt為當期的指數收益率，用來控制市場收益率的自相關性。Logitt+1為邏輯回歸變量，代表股市的下跌風險，樣本區間內Wind 全A 指數收益率的均值為0.29%，最小值為-37.16%，發生在2009 年8 月，Q（0.1）、Q（0.2）和Q（0.3）分別為-8.6%、-5.3%和-2.7%，因此本文首先將Logitt+1設定為“當Rt+1＜-2.7%時取1，否則為0”，后續穩健性檢驗中將-2.7%分別替換成-5.3%和-8.6%進行分析。

同時本文還考慮了市場狀態可能對網絡關聯度預測能力的影響，因此設置了Market和Sent兩個虛擬變量。其中Market 是牛熊市指標，借鑒Cooper et al.（2004）等學者的研究，如果指數當月收益率大于過去3年的月度收益率均值時，定義為牛市，此時Market 取1；反之則定義為熊市，此時Market 取0。由于需要用到3 年的滾動樣本，因此Market 指標是從2003 年1 月開始。借鑒高大良等（2015）方法，提取新增投資者開戶數、市場換手率、封閉式基金折溢價、波動率等4個指標的第一主成分作為Sent代理變量，所有指標均采用經工業增加值和CPI 回歸后的殘差進行分析。當Sent 大于其序列中位值時設定為1，否則為0。由于部分情緒源指標均在2011年后才有數據，因此Sent 指標是從2011 年1 月開始。同樣建立回歸模型驗證網絡關聯度與市場狀態的交互作用，如式（9）和式（10）所示：

其中，Yt+1為Rt+1或Logitt+1，β1反映熊市或者低情緒期網絡關聯度對股市下跌風險的預測能力，β1+β2反映牛市或者高情緒期網絡關聯度對股市下跌風險的預測能力。

（三）樣本選取

為避免因個股上市時間并不一致，且不同行業上市公司數量差異較大而導致的行業偏差問題，本文選擇了申萬一級行業指數作為研究對象。申萬一級行業指數將全部A 股上市公司分為了食品飲料、醫藥生物、家用電器等28個行業，絕大部分指數均是2000年開始對外發布，樣本的橫截面數量和時間跨度均較為理想。因此最終選擇2000 年1 月—2020 年2 月所有行業指數的日數據進行分析，共包括4883個交易日。

表1 行業收益率描述性統計

四、實證檢驗結果

（一）描述性統計分析

表1 報告了行業日收益率的描述性統計結果（限于篇幅，僅報告了年化收益率排名前10的行業），可以看到，食品飲料行業在樣本區間獲得了最高的年化收益率，同時其年化波動率在所報告的10個行業中也是最低的。除了用年化波動率來衡量風險，表1還報告了衡量尾部風險的VaR（在險價值）和CVaR（條件在險價值）。從表1可以看出，食品飲料行業的尾部風險同樣是最低的，由于收益最高，風險最低，因此食品飲料行業的夏普比率（SR）達到了0.4，遠超其他行業。同時本文借鑒黃金波等（2018）等學者的研究，用CVaR 替換了夏普比率的標準差，構造了調整夏普比率（adj-SR），從而可以更好地對尾部風險調整后收益進行衡量。結果顯示，食品飲料行業的adj-SR 達到了1.71，遠高于其他行業。除了食品飲料行業外，醫藥生物和家用電器的adj-SR也超過了1，說明這兩個行業也具有較高的風險調整后收益，而其他行業的表現就相對要差很多了。

（二）網絡關聯度特征分析

1.網絡關聯度的動態特征

分別采用行業指數收益率和波動率來構造DCI 和Spillover 指標來衡量市場的網絡關聯度。其中，波動率采用的是GARCH 波動率，對日收益率序列建立ARMA（1，0）-GARCH（1，1）模型得到每天的GARCH 波動率序列，再利用公式（1）-（6）建模。滾動窗口設定為250 日（即一年的交易時間），即利用t-249日至t日的數據來計算第t日的DCI和Spillover 指標值。計算出每天的網絡關聯度指標值后，再將每個月內的所有日數據進行平均，則可以得到最終用來分析的月度網絡關聯度指標值。由于用到了一年的滾動窗口，因此實際得到的網絡關聯度指標值是從2001年1月至2020年2月。

表2 網絡關聯度指標描述性統計

表2 報告了網絡關聯度指標值的描述性統計結果，其中Q（0.25）表示25%分位數，AR（1）表示一階自相關系數，其他以此類推。可以看到，因為計算方法上的差異，DCI（基于收益率計算）和DCI_Vol（基于波動率計算）均在0.5 以下，而Spillover（基于收益率計算）和Spillover_Vol（基于波動率計算）均在80以上，說明不同行業間的信息溢出較為緊密，但真正能夠構成格蘭杰原因的較少，兩個指標雖然都可以用來分析網絡關聯度，但所表達出的內容是存在著差異的。從自相關系數看，無論是DCI還是Spillover 均表現出了較強的自相關性，一階自相關系數均在0.9 以上（DCI 略低于0.9），且5 階自相關系數也均在0.47 以上，而即使到了10 階，Spillover 的自相關系數仍然達到0.24，說明網絡關聯度具有內在穩定性。

圖1 網絡關聯度動態走勢圖

為更清晰地觀察網絡關聯度的動態走勢，圖1 展示了網絡關聯度的動態走勢圖。其中Panel A 是基于收益率計算的DCI 和Spillover 指標的走勢圖，Panel B是基于GARCH波動率計算的DCI_Vol 和Spillover_Vol 指標的走勢圖，為進行比較分析，Panel C 展示了Wind 全A 指數在樣本區間的走勢圖。可以看到，無論是基于收益率還是基于波動率，DCI 都比Spillover 波動略為劇烈，同時通過與Wind 全A 指數的比較發現，DCI對股市頂底的預測作用似乎更明顯，無論是基于收益率的DCI 還是基于波動率的DCI_Vol，均在2007 年和2015 年兩次股災前達到了階段性的峰值，而Spillover 的預警作用要差很多，甚至表現出了與市場指數相反的趨勢。再次說明了兩種方法在衡量網絡關聯度時存在著較大的差異。

2.關聯度指標的相互比較

前文的分析已初步說明幾個網絡關聯度指標間存在著差異，本部分通過相關性分析及格蘭杰因果檢驗詳細比較指標間的領先滯后關系。表3 報告了相關研究結果，其中Panel A 是相關性分析結果，下三角為Pearson相關系數，上三角為Spearman 秩相關系數，Panel B 是滯后4階的格蘭杰因果檢驗。從Panel A 可以看到，DCI 與DCI_Vol 之間的Pearson 和Spearman 相關系數分別達到0.6 和0.62，Spillover 和Spillover_Vol 間的Pearson 和Spearman 相關系數分別達到0.89和0.90，說明基于收益率和基于波動率計算的網絡關聯度差異較小。但是DCI和Spillover間的相關系數較小，其相關系數均在0.18以下。從Panel B可以看到，DCI是其他三個指標的格蘭杰原因，Spillover 僅是Spillover_Vol 的格蘭杰原因，DCI_Vol 是DCI 和Spillover 的格蘭杰原因，Spillover_Vol 不是任何指標的格蘭杰原因。因此綜合來看，DCI 和Spillover 雖然度量的都是網絡關聯度，但是傳遞出的信息存在著較大的差異，基于收益率的DCI和Spillover 相對于基于波動率的DCI_Vol 和Spill_Vol 具有更多的信息含量，DCI在度量網絡關聯度時的信息含量最高。

表3 相關性分析及格蘭杰因果檢驗

3.基于格蘭杰因果網絡的行業特性分析

基于前文的分析，DCI在度量行業網絡關聯性時具有較高的信息含量，且式（3）為分析各行業在信息溢出中的地位提供了可行性，因此本部分采用格蘭杰因果網絡來詳細探討各行業在DCI 指數較高時的信息溢出特性。圖2 繪制了幾個特殊時點的格蘭杰因果網絡，其中右邊三個小圖為DCI較高的三個極端點時的網絡圖，包括2007年5月、2012年12月21日和2015年6月26 日。其中2007 年5 月30 日 和2015 年6 月26日代表著兩次股災，此時市場具有極高的下跌風險，2012 年12 月21 日也是一個反彈的小高點，在隨后一段時間股市也發生了小幅下挫。作為對比，左邊三個小圖展示了對應的3 個DCI值較低時間點的因果網絡，包括2005 年8 月12日、2011年11月25日和2014年5月30日。圖中節點代表各個行業，節點間的連線代表行業間存在著因果關系，箭頭代表因果關系的方向，每張圖中都標出了3個較大的節點，代表著3個具有最多對外因果關系的行業，即信息溢出最多的行業。

可以看到，相對于右圖DCI較高時點的網絡圖，左圖DCI 較低時點的網絡圖中的連線很少，如2005 年8 月12 日僅存在著4 個因果關系，而在市場下跌風險較大時，格蘭杰因果網絡變得更為復雜，圖形中布滿了連線，表明行業間的信息溢出變得更多更充分。這也在一定程度上反映了當行業間的聯動變得越來越緊密時，市場系統性的下跌風險也會越大。從信息溢出的行業看，在市場下跌風險較大時，食品飲料（2007年）、采掘（2007 年）、通信（2007 年）、醫藥生物（2012 和2015 年）、有色金屬（2012 年）、公用事業（2015年）和傳媒行業（2015年）更容易成為風險溢出源。

圖2 行業間格蘭杰因果網絡圖

圖2報告了3個DCI較高時間點的風險溢出情況，屬于點估計，并不能很好的將DCI 較高時間的全貌反映出來，因此表4列示了DCI最高的40個時間點下各行業的風險溢出情況。具體方法為：計算DCI 最高的40 個時間點下每個行業的對外信息溢出數（即對外格蘭杰因果檢驗的顯著數量）以及接受信息溢出數，再篩選出對外溢出數最高的5 個行業以及接受信息溢出數最高的5 個行業，最后統計每個行業在“最高5 個行業”中出現的頻數。表4 中Panel A 報告了各行業出現在對外溢出“最高5個行業”中的頻數，Panel B報告了各行業出現在接受溢出“最高5個行業”中的頻數。可以看到與圖2略有差異的結果，鋼鐵行業的對外溢出頻次最高，達到了25次，說明有62.5%DCI較高的時間點，鋼鐵行業更容易將自身風險向外溢出。從Panel B接受溢出數可以看到，鋼鐵行業受外部風險傳染的影響也很大，其接受溢出頻數同樣達到了25，計算機和有色金屬行業緊隨其后。鋼鐵行業屬于典型的周期性行業，尤其是我國目前的經濟發展模式較大程度上仍然對固定資產投資有較強依賴，當經濟狀況出現一定變動時，鋼鐵行業的利潤就會出現較大波動，進而帶來股價波動加劇，因此其對外溢出及接受溢出數最多。

表4 DCI高點時各行業的風險溢出頻數

由于對外溢出較高的行業很可能也是接受溢出較高的行業，因此單獨看對外溢出值可能并不能對行業在風險傳染中的地位進行判斷，采用凈溢出頻數（對外溢出頻數減去接受溢出頻數）效果會更好。圖3報告了各行業的凈風險溢出頻數，可以看到，醫藥行業的凈溢出頻數最高，達到了18，緊隨其后的是休閑服務、采掘及食品飲料，而有色金屬行業的凈溢出頻數最低，為-14。因此綜合來看，醫藥生物行業在股市下跌風險較大時對外影響更大，而有色金屬行業在股市下跌風險較大時更容易受系統風險的影響，也就是說，相對于其他行業，這兩個行業在股市下跌風險較大時的系統重要性較高。醫藥生物屬于大消費行業，在我國人口老齡化的大背景下，行業指數一直保持較為穩定的上漲趨勢，從表1 可以看出，其夏普比率僅次于食品飲料行業，該行業具有一定的獨立性，其他行業對其影響較小，接受溢出數較少。而之所以對外溢出數較多，可能原因在于DCI高點往往是股價上漲到階段性頂點的時候，醫藥行業由于具有較強的創新及科技屬性（如在創業板指中醫藥行業的權重接近30%），股價漲幅及波動往往更大（如2015年上半年醫藥行業漲幅達到80%，僅次于電子、計算機等科技屬性更強的行業），從數據上看，在高點時風險容易向其他行業擴散。有色金屬行業屬于順周期的上游原材料行業，其股價波動較大（僅略低于非銀金融和軍工行業），且更容易受到下游需求行業的影響，從而導致其被溢出程度較高，但是對其他行業的影響卻并不是很高，從而導致其凈溢出度最低。表4 和圖3 中雖然包含了40 個DCI 最高時的行業溢出情況，但仍屬于小樣本估計，這兩個行業是否能夠對股市下跌風險進行預警和判斷，還需要采用全樣本數據進行估計和分析。

圖3 各行業凈風險溢出頻數

（三）網絡關聯度對股市下跌風險的影響

1.系統網絡關聯度的影響分析

表5 系統網絡關聯度對下跌風險的影響

采用系統網絡關聯度DCI 和Spillover 研究其對股市下跌風險的影響，結果如表5所示。其中Panel A是直接對下期指數收益率的OLS回歸結果，Panel B 是對下跌風險的Logit 回歸結果。模型（1）（2）（3）是采用DCI回歸的結果，模型（4）（5）（6）是采用Spillover回歸的結果。模型（2）和（5）是考慮了牛熊市的影響，模型（3）（6）是考慮了投資者情緒的影響。從Panel A的結果可以看到，無論是采用DCI還是Spillover 均對指數的下期收益率無顯著影響，且無論是采用牛熊市還是投資者情緒劃分樣本，研究結論均是一致的，說明用網絡關聯度來直接對股市收益率進行預測是無效的。Panel B 的結果則說明，系統網絡關聯度能夠對股市的下跌風險進行較好的預測，DCI 和Spillover 的系數均顯著為正，說明網絡關聯度越高，股市的下跌風險越大。且Spillover的預測效果更好，這無論是從系數絕對值大小、T 檢驗值大小，還是R2值均可以看出。考慮了牛熊市劃分后發現，由于Net×Market 的系數均顯著為正，說明DCI和Spillover均在牛市時的預測效果更好，而DCI在熊市時幾乎沒有預測能力。考慮了投資者情緒后發現，DCI的預測能力主要表現在低情緒期，在高情緒期的預測作用小很多，Spillover 對情緒并不敏感，高情緒期的預測能力比低情緒期略強。綜合來看，系統網絡關聯度對股市下跌風險具有一定的預測能力，且預測能力會受到牛熊市和投資者情緒的影響。

圖4 醫藥和有色金屬行業凈溢出度曲線

2.基于行業凈溢出度的分析

醫藥行業和有色金屬行業分別是凈溢出度最大和最小的兩個行業，因此本部分采用這兩個行業的凈溢出度作為網絡關聯度的替代變量，研究特定行業凈溢出度對股市下跌風險的影響。圖4 報告了兩個行業凈溢出度在樣本區間的走勢圖，可以看到兩個行業凈溢出度存在著一定的負相關性，經計算兩者相關系數為-0.2，說明兩者不光在DCI較高時存在著負向關系，在整個樣本區間這種負向相關性也是存在的。

表6報告了行業凈溢出度的回歸結果，凈溢出度指標與網絡關聯度一樣，對數差分取變化率。其中Panel A是醫藥行業凈溢出度的研究結果，Panel B 是有色金屬行業凈溢出度的研究結果。模型（1）（2）（3）是OLS 回歸結果，模型（4）（5）（6）是Logit 模型的回歸結果。可以看到，醫藥行業凈溢出度只有在高情緒期才對股市下跌風險有預測作用，而有色金屬行業凈溢出度在全樣本、牛市期以及高低情緒期都能夠對股市下跌風險有預測作用，由于在網絡關聯度最高時，有色金屬行業凈溢出度最小，因此有色金屬行業凈溢出度的回歸系數為負。綜合來看，醫藥行業凈溢出度對股市下跌風險的預測作用不明顯，但有色金屬行業凈溢出度卻對股市下跌風險有顯著的預測作用，且在進行了牛熊市或投資者情緒劃分后，預測作用仍然是顯著的。這很可能是因為，醫藥行業雖然凈溢出度很高，但是實際從行業屬性看，該行業具有較強的特殊性及獨立性，與其他行業的關聯性較弱，因此用其來進行股市整體分析時，效果并不好。但是有色金屬行業屬于典型的順周期行業，其與經濟周期的關聯程度非常高，如銅價往往被視為宏觀經濟周期的先行指標，與其他行業的關聯性更強，因此用其來對股市整體進行分析時，能夠具有較好的效果。綜合來看，表4和圖3利用DCI高點時的小樣本估計，觀察到醫藥行業和有色金屬行業在系統風險較大時的系統重要性更高。但是從全樣本看，無論是基本面邏輯還是數據分析結果，有色金屬行業對于判斷股市的整體下跌風險更為有效。

表6 基于醫藥和有色金屬行業凈溢出度的研究

3.穩健性檢驗①限于篇幅，檢驗結果留存備索。

本部分對前文研究結論的穩健性進行檢驗，首先將樣本拆分為2001—2010年和2011—2020年兩個階段，由于投資者情緒僅在2011 年后有數據，因此分階段檢驗僅對網絡關聯度整體以及按照牛熊市劃分的研究結果進行了檢驗，投資者情緒的分樣本檢驗不考慮在內。結果與前文的研究結論基本類似。針對Logit指標的設定標準，首先將Logit 閾值設定為-5.3%，即當下月股市收益率小于-5.3%時，Logit為1，反之則Logit 為0。接著將Logit 閾值設定為-8.6%，回歸結果顯示前文的研究結論是穩健的。

五、研究結論

本文利用格蘭杰因果網絡模型（DCI）和信息溢出模型（Spillover）測度了我國股市的行業網絡關聯度，通過分析網絡關聯度動態變化特征及各個行業對外風險凈溢出，并考察網絡關聯度對股市下跌風險的影響。主要得出以下結論：第一，行業網絡關聯度可以較好地對股市的系統風險進行度量，在股市泡沫較高時期（如2007年和2015年）網絡關聯度大幅提升，往往預示著泡沫的不斷累積。第二，行業網絡的深層分析可以有效識別出各行業在風險傳導過程中的地位和作用，如醫藥和有色金屬行業在股市下跌風險較大時的系統重要性會高于其他行業。第三，網絡關聯度對于股市下跌風險具有一定的預測能力，市場狀態或投資者情緒會對預測能力產生一定影響，部分特殊行業如有色金屬業由于在網絡中的地位較高，因此其凈溢出度同樣可以作為股市下跌風險的預警指標。

本文的研究結論對于金融投資實踐的風險控制有著較強的經驗價值：第一，由于所有的行業或股票都面臨著市場風險，因此經常表現出同漲同跌的特性，但是這種網絡關聯度卻不是穩定不變的，而是隨著市場環境的變化而時刻變化著的，尤其是在網絡關聯度較高時，往往預示著較高的股市下跌風險，因此對網絡關聯度的有效識別可以為風險控制提供理論依據。第二，不同行業在系統風險傳導中的地位并不相同，如醫藥行業在網絡關聯度較高時往往屬于風險溢出的角色，但是有色金屬行業則屬于接受風險溢出的角色，因此在進行金融投資實踐時，應考慮不同行業間的異同，包括可以采用類似于美林投資時鐘等工具在行業間進行輪動，從而進一步規避市場的下跌風險。第三，不同股票和不同行業間的收益率往往關聯度較高，如Spillover 在樣本區間均在80 以上，因此要想進一步實現對風險的控制，除了要關注行業間的聯動和輪動，可以同時考慮如商品、債券等其他類別的資產，通過組合投資的方式實現風險的分散。