國際大宗商品市場對中國金融市場的風險溢出效應研究

郭娜 王珮瑤 解娜琳 劉精山

* 郭娜，天津財經大學金融學院教授，天津財經大學管理可計算建模協同創新中心研究員，E-mail： nkguona@gmail.com，通訊地址：天津市河西區珠江道25號，郵編：300222；王珮瑤，天津財經大學金融學院研究生，E-mail： wangpeiyao0420@163.com；解娜琳，天津財經大學金融學院研究生，E-mail： xnl17325285226@163.com；劉精山（通訊作者），渤海證券股份有限公司研究員，E-mail： Liujingshan043@163.com，通訊地址：天津市南開區水上公園東路寧匯大廈，郵編：300381。作者文責自負。

基金項目：本文受國家社科基金重大項目"服務實體經濟和防范系統性風險并重的金融體制改革路徑與機制研究”（23ZDA038）資助。

摘 要：近年來，國內外金融市場間的聯動和風險傳染日益增強，國際大宗商品價格波動對我國金融體系產生愈發顯著的影響，尤其是在極端風險事件沖擊下，風險溢出效應及其非對稱性更加顯著。文章選取四種代表性國際大宗商品市場，通過計算已實現半方差將其波動率分解為好波動和壞波動以區分由資產價格上漲和下跌帶來的波動，進而采用基于條件分位數的溢出指數方法，研究了國際大宗商品價格波動對中國金融市場的風險溢出效應及其非對稱性特征。結果表明：第一，國際大宗商品價格波動對中國金融市場具有顯著的風險溢出效應，且在不同沖擊方向和沖擊規模下表現出明顯的非對稱性，正常狀態下的風險溢出主要由壞波動驅動，而極端狀態下主要由好波動驅動；第二，極端狀態與正常狀態下的風險溢出走勢存在較大的差異，極端狀態下風險溢出水平遠高于正常狀態；第三，方向性溢出在總波動、好壞波動上具有明顯的非對稱性，且與國際金融危機、突發公共衛生事件等極端經濟金融事件密切相關。新冠肺炎疫情發生之后，工業金屬市場的好壞波動對我國金融市場的風險溢出顯著增強，外匯市場接收的溢出最為顯著。研究結論對我國防范國際大宗商品市場風險溢出，維護金融市場平穩運行具有一定政策啟示。

關鍵詞：國際大宗商品市場? ? 風險溢出? ? 好壞波動? ? 尾部依賴

DOI：10.19592/j.cnki.scje.402329

JEL分類號：G19，G28? ?中圖分類號：F832

文獻標識碼：A? ?文章編號：1000 - 6249（2024）01 - 091 - 16

一、引 言

黨的二十大報告中強調“加強重點領域安全能力建設，確保糧食、能源資源、重要產業鏈供應鏈安全”。作為輸入型金融風險的重要來源——國際大宗商品市場的監控和治理，就成了有效防范系統性風險的關鍵。近年來，國際經濟形勢復雜多變，頻繁發生的全球經濟金融危機，國家之間的貿易摩擦，能源危機頻發等諸多的極端風險事件，因爆發速度快、沖擊強度大以及波及范圍廣等特點，對世界各國經濟的穩定發展帶來了前所未有的巨大挑戰，加劇了全球金融市場的風險。與此同時，國際大宗商品市場對世界各國金融市場的風險傳染效應也日益增強（Alquist et al.，2020）。此外，沖擊規模和沖擊方向均會對波動產生非對稱影響，區分并刻畫國際大宗商品市場在不同沖擊規模和沖擊方向下對金融市場的風險傳染具有重要意義。基于這一研究動機，一方面，本文采用最新發展的基于條件分位數的溢出指數方法（Ando et al.，2022），探討不同沖擊規模下國際大宗商品市場對中國金融市場的風險傳染；另一方面，根據國際大宗商品市場收益率的正負方向，將已實現半方差區分為上漲已實現半方差和下跌已實現半方差（Barndorff-Nielsen et al.，2008），即“好波動”和“壞波動”（Patton and Sheppard，2015），以捕捉正負向沖擊下風險傳染的異質性特征（Bouri and Harb， 2022；李政等，2022）。

從經濟理論來看，國際大宗商品市場與我國金融市場同屬于國際金融市場中不可或缺的組成部分，兩者之間具有深刻的聯動關系。商品屬性是大宗商品的主要特征，大宗商品市場作為產業鏈結構的最初端，以原材料成本的形式參與經濟的運行。在市場的基本面關系上，以商品為支撐的實體企業需要在金融市場中進行必要的投融資活動，商品上下游產業的相關企業會由于商品價格變動而影響其生產成本與經營決策，從而對相關金融市場造成影響，尤其對企業融資的股票市場、債券市場和貨幣市場產生影響。除此之外，大宗商品市場也呈現出越來越多的金融屬性。面對日益擴張的投資需求，大宗商品也發展成為了各類投資者進行分散化投資的重要類別，于是在金融市場存在的一些市場效應也會相應擴展到大宗商品市場。市場間資金與信息的互通關聯日益頻繁，信息溢出機制也為大宗商品市場和金融市場之間架起了一座新的橋梁。國際大宗商品市場與金融市場間普遍存在風險傳染效應，尤其是在極端風險事件沖擊下，以能源、貴金屬、農產品以及工業金屬商品類別間的風險波動溢出和風險傳染效應最為顯著（Yild?r?m et al.，2020），大宗商品價格劇烈波動衍生出的極端風險會迅速傳染至金融市場，最終演變成系統性風險（Acemoglu et al.，2015；Benoit et al.，2017）。于是當大宗市場處于極端風險狀態時，部分投資者可能會出于避險原因而導致大量國際資本跨市場流動，從而使得市場間可能存在極端風險的溢出效應。

從經濟現實來看，隨著經濟全球化和金融自由化進程的深入推進，在過去二十年的時間里，國際商品市場和金融市場的一體化程度正逐漸加深且關聯性和波動性逐漸增大。21世紀以來，國際大宗商品價格和大宗商品價格指數的波動幅度和頻率都遠遠超過歷史水平。例如，能源市場中的原油、天然氣，貴金屬市場中的黃金和白銀，工業金屬市場上的銅、鋁期貨，農產品市場中的小麥、玉米期貨等，都在近20年內達到了歷史最高水平。與此同時，我國的經濟增長對于能源、貴金屬、工業金屬以及農產品價格的依賴度極高。雖然我國是大宗商品的主要消費國，但是由于國內的商品資源仍然不夠充分，加劇了中國對國際大宗商品市場的依賴程度。受環境、氣候、土地等因素的影響，大宗商品的產出往往集中分布在極少數國家，而消費又集中分布在另外一些國家，供需結構的錯配是形成國際大宗商品定價權的基礎（云璐等，2022）。

理論意義上，目前鮮有學者關注國際大宗商品市場的極端風險問題，本文著重分析了國際大宗商品市場與我國金融市場的極端風險水平及市場間的極端風險溢出效應，不僅有助于豐富風險溢出度量方法并擴展極端風險研究領域，而且也為健全貨幣政策和宏觀審慎政策雙支柱調控框架提供了重要的參考依據。實踐意義上，通過度量國際大宗商品市場與中國市場的極端風險，可以識別極端風險事件的發生并實時考察市場的極端風險水平，從而采取更加有效的風險防范與管控措施，還可以在極端事件發生時提供有效應對的思路與方法。通過分析極端風險的跨市場溢出方向與強度，了解國際大宗商品市場與金融市場的風險溢出效應，將有助于在風險事件發生之前進行預警，進而為建立合理的風險隔離制度提供依據。因而，通過對國際大宗商品價格波動對中國金融市場風險溢出效應的研究，明確我國金融市場風險的來源以及影響程度，對于防范金融風險的跨市場傳染、維護我國金融系統的穩定性具有借鑒意義。

本文其余部分安排如下：第二部分為文獻綜述，第三部分為模型構建與變量選取，第四部分為實證結果分析，第五部分為結論與政策建議。

二、文獻綜述

國際大宗商品同時具備生產要素和投資品的雙重屬性，因此其價格發生顯著波動時，金融市場的平穩運行也會產生影響，兩者之間存在著極為顯著的關聯性（Kose，2002）。大量的經濟事實表明，國際大宗商品市場與金融市場之間存在著顯著的信息溢出效應與聯動效應（Alquist et al.，2020），其中，以能源商品、貴金屬商品以及農產品價格波動的沖擊效應最為顯著（Reboredo et al.，2017）。同時，已有文獻研究商品市場與金融市場之間的聯動性，譚小芬等（2018）發現，國際大宗商品市場與金融市場之間存在著雙向溢出效應，收益溢出與波動溢出的特征與變化趨勢有很大不同，這些差別與全球性危機和商品市場狀況相關。隋建利、楊慶偉（2021）發現在極端風險事件時期，國際大宗商品市場與中國金融市場間的聯動效應顯著提升，在新冠肺炎疫情時期，國際大宗商品市場與中國金融市場的交互沖擊具有非對稱性，中國金融市場對國際大宗商品市場的影響力十分有限。現有文獻也同時發現大宗商品價格劇烈波動衍生出的極端風險會迅速傳染至金融市場，最終會演變成系統性金融風險（Acemoglu et al.，2015）。

關于研究方法，現有針對國際大宗商品市場和金融市場的研究大多都采用GARCH模型進行研究（譚小芬等，2018；隋建利、楊慶偉，2021；Ouyang and Zhang，2020），少有學者將波動分解成為好壞波動，李政等（2022）將行業波動率分解成好波動和壞波動來捕捉正負向沖擊下的行業風險狀況，揭示行業在正負向沖擊下的風險共振和傳染效應。Benoit et al.（2017）為比較各種資產價格變化估計量的準確性，考慮了5種資產類別的好壞波動分解，并將它們與“已實現方差”（RV）估計量進行比較，最終發現以好壞波動分解度量的數據變動的準確性要好于其他度量方式。此外，基于分位數向量自回歸模型的溢出指數方法（QVAR-DY模型）則有廣泛的使用，李政等（2022）采用基于QVAR模型的溢出指數，捕捉不同沖擊規模及方向下的行業間溢出效應，并提出相對溢出指數，考察從正常狀態到極端狀態下行業間溢出水平及結構變化。Chen et al.（2022）從市場波動溢出和基于分位數溢出的尾部風險傳導角度，考察深圳碳交易市場、能源、大宗商品和金融市場風險/信息的傳導。從正負向沖擊的視角分析兩類市場之間的風險溢出，并將重點放于不同的沖擊方向和沖擊規模下的風險傳染的非對稱性，本文的關注視角即在于此，重點關注在將國際大宗商品市場分解為好壞波動時對中國金融市場間風險溢出的異質性。

通過梳理上述文獻，我們發現，國內外學者的研究視角豐富多樣，這些文獻為商品市場與金融市場聯動性方面的研究搭建了基礎的研究框架，但仍存在以下幾個方面有待進一步改進：首先，現有文獻關注較多的是國際大宗商品市場和國際金融市場之間的風險溢出效應（Reboredo et al.，2017；Alquist et al.，2020），而對于國際大宗商品市場對中國金融市場的風險溢出效應研究相對不足（隋建利、楊慶偉，2021）；其次，鮮有文獻關注到國際大宗商品市場對中國金融市場風險溢出效應的非對稱性，尚未厘清不同沖擊規模和波動方向下風險溢出效應的結構性變化，從而可能低估了極端不利沖擊下國際大宗商品市場對中國金融市場的風險溢出強度；最后，目前鮮有文獻對新冠肺炎疫情前后，國際大宗商品市場對中國金融市場風險溢出變化展開探討，從而容易忽視這一全球性重大突發事件對金融風險跨市場傳染的影響，不利于中國金融監管部門有效防范重大沖擊下的輸入型金融風險。有鑒于此，本文綜合采用基于分位數向量自回歸模型的溢出指數（QVAR-DY）和好壞波動分解方法，以國際大宗商品市場和中國金融市場作為研究對象，從靜態和動態兩個方面深入探究了國際大宗商品市場對中國金融市場的總溢出及方向性溢出，并分析了正常狀態和極端狀態下，好、壞波動下風險溢出的的非對稱性特征。此外，本文還重點關注了新冠疫情發生之后的市場之間的網絡拓撲關系，將重大突發公共衛生事件納入考量范疇，以期更加全面地分析國際大宗商品市場對中國金融市場的風險溢出效應。

三、模型構建與變量選取

（一）模型構建

本文首先將已實現方差（Realized Semivariances，RS）分解為上行已實現半方差（RS+）和下行已實現半方差（RS-），然后在Diebold and Yilmaz（2014）的基礎上，提出了在各個分位數上的相關性和風險溢出測度，即建立QVAR模型，從正常狀態和極端狀態兩個角度去測度風險狀況。

已實現方差（Realized Variances，RV）是由Andersen and Bollerslev（1998）提出來的，它的優點是可以直接觀察到，而且與基于GARCH模型提取的其他方差不同，它克服了設置模型形式的問題，從而避免了模型風險。RV被定義為所有可得日度收益率的平方之和：

[RVt=j=1Tr2t，j]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

式中，rt，j為第t天的第j個日內收益，T為第t個交易日的觀測總數，[t=1Δ]，Δ為采樣頻率。借鑒Liu et al.（2015），本文使用每天的日度收益率來估計每月可實現的波動率，這樣處理可以有效緩解市場結構產生的噪聲效應。

已實現半方差（Realized Semivariances，RS）的構建，在Barndorff-Nielsen等人之后，RV被分解為正負兩個部分，以捕捉價格變動過程中波動的符號不對稱性。第一個組成部分是上行已實現半方差（RSV+），稱為“良好”波動率，以日度收益率的正平方和計算。第二個組成部分是下行已實現半方差（RSV?），稱為“壞”波動率，計算為日度收益率的負平方和。注意[RVt=RSV+t+RSV-t]。

[RSV+t=j=1Tr2t，j×1{rt.j>0}]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

[RSV-t=j=1Tr2t，j×1{rt.j<0}]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

考慮到方程（2）和（3）中好的和壞的波動率的定義，本文應用分位數向量自回歸模型來揭示對于兩種已實現的半方差，極大和極小的波動率風險溢出和傳染效應。

與Diebold and Yilmaz（2012，2014）提出的基于從VAR模型計算的GFEVD的連通性方法不同，本文考慮了一種涉及分位數VAR（QVAR）的方法，該方法遵循Saeed et al.（2021）、Bouri et al.（2021）和Iqbal et al.（2022）的思路。之前的研究強調了分位數回歸的重要性和實用性（Dah and Fakih，2016；李政等，2022）。

本文主要使用國際能源市場、貴金屬市場、工業金屬市場和農產品市場4個主要大宗商品市場的好壞波動高頻月度數據時，我們考慮了一個具有p階滯后的12變量QVAR過程，如下所示：

[yt=c（τ）+i=1pBi（τ）yt-i+et（τ），t=1，…，T]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中yt表示RSV+t或RSV-t，Bi（τ）表示分位數τ處的n × n系數矩陣，i=1，…，p；c（τ）和et（τ）分別是分位數τ處的常數向量和誤差向量；假設誤差符合總體分位數限制[Qτ=（et（τ）|yt-1，…，yt-p）=0]。響應y的總體第τ條件分位數由以下方程式所決定：

[Qτ（yt|yt-1，…，yt-p）=c（τ）+i=1pBi（τ）yt-i]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

它可以在每個分位數τ的一個個方程上估計出來。QVAR系統的移動平均過程可以表示為：

[yt=μ（τ）+s=0∞As（τ）et-s（τ），t=1，…，T]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（6）

其中：

[μ（τ）=In-B1（τ）-…-Bp（τ）-1c（τ），As（τ）=0，s<0;In，s=0B1（τ）As-1（τ）+…+Bp（τ）As-p（τ），s>0]? ? ? ?（7）

其中，yt由誤差et（τ）的和給出。對于一個預測期數H，變量i向前H步的預測誤差方差中由變量j引起的比例[θij（H）]可表示為：

[θij（H）=Σ（τ）-1jjh=0HΨh（τ）Σ（τ）ij2h=0HΨh（τ）Σ（τ）Ψ′h（τ）ii]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （8）

其中∑為是誤差向量的方差矩陣，[（τ）jj]為第j個方程誤差項的標準差，由于[θij（H）]的行加總不等于1，將其歸一化為[θgij（H）]。[Ψh（τ）]為h階移動平均系數矩陣。

本文將每個分解矩陣元素歸一化為：

[θgij（H）=θij（H）k=1Nθij（H）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（9）

[θij（H）]可度量分位數τ下變量i對變量j的方向性溢出水平，在本文中即為國際大宗商品市場對某個金融子市場的溢出水平。

在每個分位數τ處估計各種風險溢出度量。這些指標包括系統中所有指標的總風險溢出指數（TCI）：

[TCI=i=1Nj=1，i≠jNθgij（τ）i=1Nj=1Nθgij（τ）×100]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（10）

由于本文還重點關注國際大宗商品市場對中國金融系統整體的溢出水平，我們進一步計算變量[i]對系統中其他變量的總方向性溢出指數，計算公式為：

[TOi（H）=i=1，i≠jNθji?（H）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（11）

相對溢出指數的構建（Relative intensity of shock spillover，RISS），在這里，本文提出RISS作為捕捉極端沖擊溢出相對于常規沖擊溢出的相對強度的度量：

[RISS=TCIτ=0.95-TCIτ=0.50]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （12）

對于每種好的和壞的波動率，它被計算為在極上分位數（例如第95分位數）估計的TCI和在中分位數估計的TCI之間的差值。RISS越高，表明在上分位數的依賴性比中分位數強，因此在上分位數連接系統的脆弱性增加。較低的RISS表明極端沖擊溢出略高于常規沖擊溢出，而極端沖擊溢出可能出現在危機時期，此時多數回報觀測值往往較大（即極端），而RISS為零則表明中分位數的總溢出指數強度與上分位數的總溢出指數強度相似。

需要說明的是，本文主要研究的是近期政府部門以及學術界重點關注的中國金融市場輸入型金融風險問題（楊子暉等，2022；方意、邵稚權，2022）。所謂的輸入型金融風險，主要是指在開放的金融市場中，當外部金融市場出現風險時，會通過多種途徑傳輸進入本國金融體系，對本國金融市場造成的風險。當前，我國金融體系面臨的外部環境復雜多變，全球金融市場面臨的風險點明顯增多，“黑天鵝”、“灰犀牛”事件時有發生。在此背景下，考察國際大宗商品市場對我國金融市場的輸入型金融風險，對當前我國防范化解金融風險具有重要意義。鑒于此，借鑒Tian et al.（2022）的研究思路，本文接下來將重點考察國際大宗商品市場對中國金融市場的單向風險溢出。

（二）數據選取與說明

由于運用國際大宗商品市場與中國金融市場的高頻數據構建實證模型，可以準確捕捉國際大宗商品價格波動對我國金融市場的風險溢出，進而可以深入研究其非對稱性，因此本文利用具有代表性的四類國際大宗商品市場的好壞波動與中國四個代表性的金融市場的月度波動率數據構建QVAR-DY模型。

對于國際大宗商品市場，彭博商品指數具有核算精度高、數據區間長以及涵蓋門類廣三大優勢，數據包含能源、貴金屬、工業金屬、農產品、軟性商品以及家畜商品等六大門類，共計26個子類商品指數，因此，本文選擇彭博商品指數作為國際大宗商品市場的代理變量。參考譚小芬等（2018），本文采用農產品、工業金屬、能源、貴金屬四個最主要的國際大宗商品市場來刻畫國際大宗商品市場基本運行狀況，數據來源于彭博商品指數數據庫。

對于金融系統，參考前期文獻（葉康濤等，2018），本文選取股票市場、債券市場、貨幣市場和外匯市場四個金融市場作為代表性金融市場，關于各金融子市場的指標選取，采用滬深300指數（HS300）度量中國股票市場特征，運用中債綜合凈價指數（Cbond）與中國7天銀行間同業拆借利率（Shibor）分別刻畫中國債券市場與銀行間市場（貨幣市場）的特征。為排除基礎貨幣對實證模型的影響，借鑒McCauley and Shu（2019）的方法，使用人民幣兌美元的基準匯率（CNY）數據作為人民幣外匯市場的代理變量，數據均來源于WIND金融研究數據庫。基于數據可得性，本文將樣本區間選定為2003年1月至2022年8月，數據頻率為日度數據。本文首先將日度收益率數據代入公式（2）和（3），按月計算已實現（半）方差，將其作為各金融資產的波動率數據納入模型進行分析。模型中所有變量名稱及符號如表1所示。

四、實證結果分析

（一）全樣本靜態溢出分析

本文將四個國際市場的好壞波動和四個國內金融市場置于同一個系統中，構建了包含12個序列的QVAR-DY模型，考察國際大宗商品市場對國內金融市場的波動溢出效應，捕捉正負沖擊下的溢出差異。分別設置[τ=0.5]和[τ=0.95]，可以得到正常狀態和極端狀態下的國際大宗商品價格波動的風險溢出，結果如表2和表3所示。

1.正常狀態下國際大宗商品價格波動的風險溢出

國際大宗商品價格波動的風險溢出的靜態信息溢出表，可以反映出總體溢出水平，也可以反映方向性溢出水平以及每一個國際大宗商品的好壞波動對中國任意一個金融市場的溢出。在正常狀態下國際大宗商品價格波動的風險溢出如表2所示：

根據國際大宗商品價格波動的風險溢出的靜態信息溢出表可知，首先，在正常狀態下，國際大宗商品市場對中國金融市場的波動總溢出水平達到了35.8%，其中，好波動占16.69%，而壞波動占19.11%，顯示了強烈的輸入型風險傳染效應。一方面，金融市場之間形成了相互依賴、不可分割的整體，單個金融市場的風險事件將通過商業信用渠道、信息渠道等沖擊其他金融市場，最終對整個金融市場產生廣泛影響。另一方面，國際大宗商品市場與中國金融之間存在明顯的單向反饋機制。國際大宗商品市場的價格水平波動及危機爆發，致使其通過匯率渠道、進出口貿易渠道將風險傳遞給中國金融市場，阻滯中國金融市場運行（譚小芬等，2018；隋建利、楊慶偉，2021）。從好壞波動來看，在總溢出中，壞波動占主導地位和作用，意味著當一段負向沖擊發生時，對我國金融市場的總溢出水平影響更大且更為劇烈，而好波動水平也占據了較大的比率，可見無論是好波動還是壞波動，都應該成為風險溢出中的重要考慮因素。

其次，從各細分國際大宗商品市場對中國金融市場的風險溢出層面來看，立足于每一個國際大宗商品的波動對中國金融市場整體的溢出角度分析，工業金屬市場對中國金融市場的方向性溢出水平最高，達到了44.74%，外匯市場接收來自國際大宗商品市場的方向性溢出水平最高，達到了40.97%。雖然，中國已建立全球最完備的工業體系，在500種主要工業產品中有40%以上產品的產量居世界第一，但是由于生產需要，現有的工業金屬仍然無法滿足供給的需要，所以中國工業金屬進口貿易量在多項商品中均處于領先地位，部分投資者也將工業金屬產品作為套期保值和風險規避選擇，因而國際工業金屬市場成為主要的風險源頭。一般而言，當國際大宗商品市場價格變動時就會引起國際資本流動，理性的投資者會選擇做多或做空相應的商品或期貨，進而直接會導致匯率的浮動，因此外匯市場便成了國際大宗商品市場風險溢出的最主要風險接收者。

最后，從每一個國際大宗商品的好壞波動對中國任意一個金融市場的溢出層面來看，首先，存在12組市場關系均是壞波動的溢出水平要高于好波動的溢出，就溢出水平而言，工業金屬市場和農產品市場的好壞波動溢出水平最高，說明工業金屬市場、農產品市場的利好利空消息將對中國金融市場產生強烈的沖擊。在全球貿易摩擦的背景下，工業金屬為增加經濟發展動力做出巨大貢獻，系統影響力與日俱增，因而其好壞波動溢出均在16組關系中排在首位。雖然工業金屬市場、農產品市場的好波動溢出相對有限，但其壞波動溢出相對較高，應對其好壞波動風險沖擊進行差異化監控。

2.極端狀態下時域—頻域溢出水平的時序特征

在極端狀態下國際大宗商品價格波動的風險溢出如表3所示。

根據國際大宗商品價格波動的風險溢出的靜態信息溢出表可知，首先，在極端狀態下，國際大宗商品市場對國內金融市場的風險溢出的總體水平高達56.66%，其中，好波動占28.56%，而壞波動占28.10%，顯示了比正常狀態下更為強烈的輸入型風險傳染效應。極端事件發生時，國際大宗商品的價格和風險就會產生強烈的波動，因而溢出水平較正常狀態而言，誘發的共振水平會更加強烈。

其次，從方向性溢出層面來看，在正常狀態下，工業金屬市場是最主要的風險溢出市場，然而在極端狀態下，工業金屬市場卻變成了風險溢出水平最低的市場，由此可見，工業金屬原料在我國工業生產中的彈性需求，在極端狀態下的工業金屬需求略小于正常狀態下的。貴金屬在極端狀態下的溢出水平最高，原因在于貴金屬作為很好的保值手段，在極端風險事件發生時投資者紛紛增加貴金屬投資以規避風險，使得貴金屬需求增加，風險敞口暴露，市場的風險輸入水平也顯著增加。然后分別觀察四個商品市場對中國金融市場的好壞波動。在好波動中，農產品市場的好波動溢出水平最高（31.04%），在壞波動中，能源市場的壞波動溢出水平最高（29.70%）。

接著，從每一個國際大宗商品的好壞波動對中國任意一個金融市場的溢出層面來看，首先，存在6組溢出關系是壞波動的溢出水平高于好波動，正負向沖擊所產生的風險溢出存在著明顯的非對稱性。就溢出水平而言，貴金屬市場和農產品市場的好波動的溢出最高，表明貴金屬市場、農產品市場的好波動溢出將對債券市場和股票市場產生較大的溢出影響；而貴金屬市場和能源市場的壞波動的溢出較多，說明貴金屬市場、能源市場的壞波動溢出在極端狀態下將對外匯市場、股票市場和債券市場產生強烈的沖擊。在面對極端沖擊時，貴金屬的價格波動和風險要高于其他商品市場，貴金屬市場的影響力在極端條件下更為明顯，因而貴金屬市場在極端狀態是主要的風險源頭，因此應對其好壞波動風險沖擊進行針對性監控。

最后，在正常狀態下，國際工業金屬市場是最主要的風險溢出市場，而外匯市場是最主要的風險接收市場；在極端狀態下，國際貴金屬市場是最主要的風險溢出市場，而股票市場是最主要的風險接收市場。可見，正常狀態和極端狀態，風險的溢出和接收方均發生了顯著的變化，針對正常狀態制定的政策舉措在極端事件發生時并不適用，在極端狀態下，應對國際貴金屬市場和我國的股票市場著重監控，及時調控，以防金融風險在國內金融市場間蔓延而導致巨大的金融危機。

（二）滾動樣本動態溢出分析

除了靜態分析之外，我們還進行了滾動樣本動態溢出分析，以捕獲正常狀態和極端狀態上好壞波動溢出的時變性。

1.國際大宗商品市場對中國金融市場的風險溢出總體水平

圖1中的（a）和（b）兩個圖，分別刻畫了在正常狀態下（[τ=0.5]）的國際大宗商品市場對中國金融市場的波動總溢出水平和好、壞波動溢出水平分解的動態時序圖。

圖1（a）刻畫了在正常狀態下，國際大宗商品市場對中國金融市場的波動總溢出水平的動態演變特征。總溢出指數在4.94%～81.95%的范圍內波動，平均水平為35.65%，國際大宗商品市場存在顯著的波動風險溢出效應。無論是總溢出水平還是分解的好壞、波動溢出水平其在整個考察期內的數值均顯著大于0，說明國際大宗商品市場對我國金融市場的風險溢出效應均較為顯著。

圖1（b）分別揭示了好、壞波動溢出水平的時序特征。在整個樣本期內，好、壞波動率與總溢出指數在其路徑上表現出一些相似之處，并伴隨著較大波動，好的波動率在4.65%到43.65%之間，壞的波動率在0.29%到53.03%之間，明顯可以發現壞波動率的標準差要大于好波動，總溢出水平由負向沖擊所帶來的風險溢出所主導。進一步發現，樣本區間上的好、壞波動一直維持一個此消彼長的趨勢，并且與一些極端的經濟金融事件密切相關。具體來看，整個波動區間可以分為三個階段。第一階段從2006年持續到2012年，在2008年次貸危機發生前夕，負向沖擊對中國金融市場的溢出并不明顯，正向沖擊的溢出反而成為關鍵的溢出。2007—2012年壞波動的溢出作用反超好波動成為主導，在美國的次貸危機發生之后，國際大宗商品市場的價格產生較高的風險溢出效應，且負向沖擊溢出效應水平顯著高于正向沖擊的溢出。第二階段為2012—2019年，2015年這一時期，大宗商品市場受油價大幅下跌拖累加速下滑，與全球流動性拐點和新興市場國家經濟增速下滑預期相疊加，給全球金融市場帶來了很大的不確定性，因此國際大宗商品價格波動對中國金融市場的負向溢出處于高位。2018年在中美貿易摩擦時期，貿易摩擦預期直接影響了國際大宗商品市場的價格走勢，負向沖擊占據了主導的地位。第三階段為2020年至今，在2020年新冠肺炎疫情時期經濟蕭條，世界各國制造企業出現大面積停工停產現象，同時，世界范圍內進出口貿易需求大幅縮減。然而，供需失衡的情況同樣出現在大宗商品市場上，工業生產力的下降直接導致能源與工業金屬需求的收緊，加之氣候、疾病等因素，糧食與家畜肉類產量顯著下降，導致農產品與家畜商品價格劇烈波動。

圖2（a）刻畫了在極端狀態下，國際大宗商品市場對中國金融市場的波動總溢出水平的動態演變特征。在極端狀態下，總溢出水平和好波動引起的溢出水平呈現著同步發展的態勢，從總體上來看，總溢出效應是由好波動引起的。然而相比正常狀態，極端狀態下的波動更為強烈，且僅存在2011—2014年這一段風險溢出的低谷時期，其他時期的波動都非常劇烈。

圖2（b）則分別揭示了好、壞波動溢出水平的時序特征。在整個樣本期內，基于相同經濟環境背景的好、壞波動溢出水平與總溢出水平在時間趨勢上具有一定相似性，且均存在較大波動，這說明國際大宗商品市場對中國金融市場的波動溢出效應對極端金融事件沖擊較為敏感。同時，好、壞波動也存在異質性，在2011年、2012年、2014年、2020年和2022年這五個時點上更為明顯，可見不同極端事件的發生伴隨著好、壞波動的異常反饋。僅研究正常狀態下的溢出效應無法有效捕捉極端事件發生時各市場之間風險溢出的結構性變化。

最后，對比極端狀態和正常狀態可知，極端狀態與正常狀態國際大宗商品市場對中國金融市場的波動總溢出水平走勢存在較大的差異，極端沖擊無論是好波動還是壞波動在風險溢出水平上都遠高于正常水平，說明中國金融市場在受到來自國際大宗商品的極端沖擊時，風險溢出水平更大且波動性更為劇烈。因而，傳統方法中僅僅以條件中位數的正常狀態去衡量國際大宗商品市場對中國金融市場全狀態下的風險溢出水平，就會產生極大的誤差，傳統的溢出指數方法將明顯低估極端狀態下國際大宗商品市場真實的溢出水平，同樣基于傳統溢出指數方法制定的監管政策可能會存在政策力度不足等問題，影響政策執行效果。

2.各細分國際大宗商品市場對中國金融市場的極端風險溢出

鑒于總溢出分析中，無法具體體現和表達出每一類國際大宗商品市場對中國金融市場的方向性溢出，尤其是四類國際大宗商品市場各自的極端狀態，本文基于滾動分析，進一步對溢出差異進行樣本均值檢驗，以揭示各個國際大宗商品市場波動溢出在沖擊方向上的非對稱性。本文重點研究極端狀態的風險溢出，故而圖3刻畫了各細分國際大宗商品市場對中國金融市場的極端風險溢出。

圖3反映了各細分國際大宗商品市場對中國金融市場的極端風險溢出在總波動，好、壞波動上的非對稱性，這種非對稱性在不同維度、不同大宗商品市場上都具有異質表現。由圖3可知，不同商品市場在不同維度下的總波動、好波動和壞波動的溢出效應均具有時變性。從圖中可以發現，不同時期各個商品市場對我國金融市場的沖擊和作用均不相同。在2008年初，國際能源和貴金屬市場對我國金融市場的溢出水平迅速上升形成了一次溢出高峰，流動性緊縮是國際能源和貴金屬市場與中國金融市場劇烈動蕩的主要原因。2009年底，歐洲主權債務危機導致了歐元的大幅貶值，歐債危機大幅沖擊外匯、大宗商品等市場，這也加劇了我國金融市場的波動，從而使得工業金屬市場的溢出出現了高峰。2018年，中美貿易摩擦的出現通過影響投資者預期、人民幣匯率波動以及金融市場的利率波動等方面對我國金融市場以及國際大宗商品市場價格波動產生影響，進而使得四個商品市場溢出在 2018年又一次出現了高峰。2022年，俄烏沖突加劇導致原油價格以及歐洲天然氣價格出現劇烈波動，能源、工業金屬和農產品市場波動衍生出的風險迅速傳播至我國金融市場，從而出現了一次高峰。四個市場在不同時期的風險溢出也存在巨大差異，這是由四個商品市場自身的特點和交易性質所決定的，但是從總體上而言在正常狀態下，工業金屬市場的方向性溢出水平最高，能源市場的方向性溢出水平最低；在極端狀態下，貴金屬市場的方向性溢出水平最高，而工業金屬市場的方向性溢出水平最低，這與上文靜態分析的結果相一致。

（三）溢出網絡分析

為了重點考察2020年新冠肺炎疫情發生前后這12組序列之間的連通性網絡，參考楊子暉、王姝黛（2021），以2020年1月19日為分界點，選取了兩個時間窗口，其中2018年1月至2019年12月為疫情前時期，2020年1月至2021年12月為疫情時期，分別得到了正常狀態下和極端狀態下的四組風險溢出網絡拓撲圖，如下圖4所示，展示了系統之間沖擊的主要凈傳遞者和凈接收者身份的明顯標識，網絡拓撲圖僅顯示了溢出水平高于總體溢出平均值的序列關系，得到精簡的溢出網絡。

從網絡拓撲圖可以得到以下結論：首先，在疫情發生之前的正常狀態下，一共有14組溢出關系相對于其余18組溢出更為顯著，在網絡拓撲圖中被表示出來。其中工業金屬市場的壞波動和好波動對外匯市場的溢出最為顯著（分別為6.09%，5.66%）。然后，從溢入的風險接收者來看，外匯市場（21.35%）的溢入效果最為明顯。在疫情發生之前的極端狀態下，相比于正常狀態，極端狀態下增加了兩組更為顯著的相關關系，商品市場的溢出水平、中國金融市場上的風險接收水平均比正常狀態下有大幅的增加。從溢出的風險傳遞者來看，農產品市場好波動（24.83%），的溢出效果最為明顯。從溢入的風險接收者來看，債券市場（29.30%）的溢入效果最為明顯，在極端狀態下，四個金融市場均顯著接收到來自國際大宗商品的風險溢出。

其次，疫情發生之后的正常狀態下，一共有13組溢出關系相對于其余19組溢出更為顯著，新冠肺炎疫情發生之后，在溢出程度上更有甚于疫情前的極端狀態。和疫情前的正常狀態下極其相似，工業金屬市場的壞波動和好波動對外匯市場的溢出最為顯著（分別為11.31%，10.50%）。接著，從溢入的風險接收者來看，外匯市場（37.15%）的溢入效果最為明顯。在疫情發生之后的極端狀態下，相比于正常狀態，極端狀態下也是增加了兩組更為顯著的相關關系，商品市場的溢出水平、中國金融市場上的風險接收水平在四種狀態下的表現出最高的水平。從溢出的風險傳遞者來看，能源市場壞波動（41.58%）的溢出效果最為明顯。從溢入的風險接收者來看，股票市場（59.46%）的溢入效果最為明顯，在極端狀態下，四個金融市場均顯著接收到來自國際大宗商品的風險溢出。隨著近年來國際大宗商品價格波動上漲推升了全球生產要素成本提高，進而更加強化了國際大宗商品對我國金融市場的風險溢出。

最后，從網絡拓撲圖中可以發現，疫情發生前的溢出水平要小于疫情發生之后的風險溢出水平，正常狀態下的風險溢出水平要小于極端狀態下的風險溢出水平，那么在這四種情況之下，風險溢出依次表現為：疫情前正常狀態<疫情前極端狀態<疫情后正常狀態<疫情后極端狀態。所以，自2020年新冠肺炎疫情作為全球公共衛生大事件發生以來，國際商品市場遭受到嚴重的沖擊，國際大宗商品價格劇烈動蕩，多數大宗商品價格下跌，國際市場需求不確定性增加，有關部門面對市場波動應及時捕捉風險源頭，強化金融監管，防止國際輸入型金融風險對我國金融市場產生不良影響。

五、結論與政策建議

本文采用基于QVAR模型的動態溢出指數方法展開研究，先將波動分解為好波動和壞波動，進而構建QVAR-DY模型，以國際大宗商品市場作為風險源頭市場，選取2003年1月至2022年8月期間股票市場、債券市場、外匯市場、和貨幣市場四個金融子市場作為中國代表性金融市場，從靜態和動態兩個視角，分別研究了正常狀態與極端狀態下，在分別面臨好壞波動時國際大宗商品市場對中國金融市場的溢出效應差異，以此來探討極端狀態下國際大宗商品市場對中國金融市場的作用和影響力。實證結果表明：第一，基于QVAR模型的溢出指數能夠較好地捕捉國際大宗商品市場的溢出效應，正常狀態下的溢出指數可能低估國際大宗商品市場對我國金融市場真實的溢出水平，引入基于極端條件分位數的溢出指數方法是非常有必要的；第二，靜態溢出分析中，正常狀態下總溢出水平由壞波動主導，極端狀態下總溢出水平由好波動主導，但無論是正常狀態或是極端狀態下，好壞波動都占據很大的比重，都應該成為風險溢出中的重要考慮因素；第三，動態溢出分析中，極端狀態與正常狀態總溢出走勢存在較大的差異，極端沖擊無論是好波動還是壞波動在風險溢出水平上都遠高于正常水平，且與極端經濟金融事件密切相關，例如國際金融危機、新冠肺炎疫情等；第四，各細分國際大宗商品市場對中國金融市場的風險溢出在總波動，好、壞波動上具有明顯的非對稱性。正常狀態下工業金屬市場的方向性溢出水平最高，能源市場的方向性溢出水平最低，而極端狀態下，貴金屬市場的方向性溢出水平最高，工業金屬市場的方向性溢出水平最低。新冠肺炎疫情發生之后，工業金屬市場的好壞波動對我國金融市場的風險溢出顯著增強，外匯市場接收的溢出最為顯著。

基于上述研究與結論，提出如下建議：第一，我國經濟金融管理當局應增強對國際大宗商品市場的監控，重點防范極端沖擊帶來的風險。在極端狀態下，國際大宗商品市場對我國金融體系的溢出效應顯著增強，各金融主體之間聯動性提升，更易引發金融危機，有關部門應該重點關注國際工業金屬和貴金屬市場對我國金融市場的溢出。因此，相關部門應健全國際大宗商品市場的風險監測預警體系，重點把握極端狀態下的溢出特征，并積極制定應對極端風險沖擊的緊急預案；第二，加強監管協調，建立事前預警和事中干預機制，降低國際大宗商品價格波動對我國金融市場的系統性風險傳遞水平，阻斷風險傳遞路徑。國際金融市場監管部門應做好風險預警，將風險的好壞波動納入度量和決策的范疇，進行差異化的管理和防控，有效阻隔外部風險沖擊維持我國自身金融市場的穩定；第三，系統性風險的監控防范不應局限于國際大宗商品市場一環，應立足于國際經濟金融系統全局，評估和識別各個金融市場在關聯網絡中的風險傳遞水平及方向，尤其著力于風險在不同沖擊方向和不同的沖擊規模下的非對稱性情況，切實提高系統性風險防范政策的有效性。基于中國金融體系的特殊性，市場監管部門和央行應該從全方位、深層次、多角度去考慮各金融行業、金融市場之間的相關聯系和風險溢出，提前采取有效的防范風險的措施，深化建立風險早期預警體制的同時也應該及時做好事后應對措施等處理，最終實現維護國家經濟金融穩定的目的。

參考文獻

方意、邵稚權，2022，“重大沖擊下我國輸入性金融風險測度研究”，《經濟科學》，第2期，第13－30頁。

李湛、堯艷珍、湯懷林、張菁，2021，“中國金融系統風險溢出效應研究——基于溢出指數和波動溢出網絡”，《南方經濟》，第12期，第80－92頁。

李政、劉浩杰、袁晨曦，2022，“基于行業關聯網絡的中國系統性風險監控防范研究”，《國際金融研究》，第5期，第75－86頁。

李政、石晴、卜林，2022，“基于分位數關聯的政策連續性跨國溢出研究”，《金融研究》，第8期，第94－112頁。

李政、石晴、溫博慧、劉淇，2022，“好壞波動、行業關聯與中國系統性風險防范”，《財貿經濟》，第43卷，第9期，第53－68頁。

隋建利、楊慶偉，2021，“國際大宗商品市場與中國金融市場間風險的傳染測度與來源追溯”，《財經研究》，第47卷，第8期，第139－154頁。

譚小芬、張峻曉、鄭辛如，2018，“國際大宗商品市場與金融市場的雙向溢出效應——基于BEKK-GARCH模型和溢出指數法的實證研究”，《中國軟科學》，第8期，第31－48頁。

楊子暉、李東承、王姝黛，2022，“合成網絡新視角下的輸入性金融風險研究”，《中國工業經濟》，第3期，第38－56頁。

楊子暉、王姝黛，2021，“突發公共衛生事件下的全球股市系統性金融風險傳染——來自新冠疫情的證據”，《經濟研究》，第56卷，第8期，第22－38頁。

葉康濤、劉芳、李帆，2018，“股指成份股調整與股價崩盤風險：基于一項準自然實驗的證據”，《金融研究》，第3期，第172－189頁。

云璐、崔曉敏、肖立晟、史建平，2022，“國際大宗商品供需分析框架：全球視角與中國角色”，《國際經濟評論》，第3期，第68－88+5頁。

Acemoglu， D.， Ozdaglar， A. and Tahbaz-Salehi， A.， 2015， “Systemic Risk and Stability in Financial Networks” ， American Economic Review， 105（2） ： 564-608.

Alquist， R.， Bhattarai， S. and Coibion， O.， 2020， “Commodity-Price Comovement and Global Economic Activity” ， Journal of Monetary Economics， 112： 41-56.

Andersen， T. G. and Bollerslev， T.， 1998， “Answering the Skeptics： Yes， Standard Volatility Models do Provide Accurate Forecasts” ， International Economic Review， 39（4） ： 885-905.

Ando， T.， Greenwood-Nimmo， M. and Shin， Y.， 2022， “Quantile Connectedness： Modeling Tail Behavior in the Topology of Financial Networks” ， Management Science， 68（4） ： 2401-2431.

Barndorff-Nielsen， O. E.， Kinnebrock， S. and Shephard， N.，2008， “Measuring Downside Risk — Realised Semivariance” ， CREATES Research Paper.

Benoit， S.， Colliard， J.， Hurlin， C. and Perignon， C.， 2017， “Where the Risks Lie： A Survey on Systemic Risk” ， Review of Finance， 21（1）： 109-152.

Bouri， E.， Saeed， T.， Vo， X. V. and Roubaud， D.， 2021， “Quantile Connectedness in the Cryptocurrency Market” ， Journal of International Financial Markets， Institutions and Money， 71： 101302.

Bouri， E. and Harb， E.， 2022， “The Size of Good and Bad Volatility Shocks Does Matter For Spillovers” ， Journal of International Financial Markets， Institutions and Money， 80： 101626.

Chen， Y.， Zhu， X. H. and Chen， J. Y.， 2022， “Spillovers And Hedging Effectiveness of Non-Ferrous Metals and Sub-Sectoral Clean Energy Stocks in Time and Frequency Domain” ， Energy Economics， 111： 106070.

Dah， A. and Fakih， A.， 2016， “Decomposing Gender Wage Differentials Using Quantile Regression： Evidence from the Lebanese Banking Sector” ， International Advances in Economic Research， 22（2） ： 171-185.

Diebold， F. X. and Yilmaz， K.， 2012， “Better to Give than to Receive： Predictive Directional Measurement of Volatility Spillovers” ， International Journal of Forecasting， 28（1） ： 57-66.

Diebold， F. X. and Yilmaz， K.， 2014， “On the Network Topology of Variance Decompositions： Measuring the Connectedness of Financial Firms” ， Journal of Econometrics， 182（1） ： 119-134.

Iqbal， N.， Bouri， E.， Grebinevych， O. and Roubaud， D.， 2022， “Modelling Extreme Risk Spillovers in the Commodity Markets around Crisis Periods Including COVID19” ， Annals of Operations Research， 330（23） ： 305-334.

Kose， A.， 2002， “Explaining Business Cycles in Small Open Economies： ‘How Much Do World Prices Matter？ ” ， Journal of International Economics， 56（2） ： 299-327.

Liu， L.Y.， Patton， A. J. and Sheppard， K.， 2015， “Does Anything Beat 5-Minute Rv？ A Comparison of Realized Measures across Multiple Asset Classes” ， Journal of Econometrics， 187（1）： 293-311.

McCauley， R.N. and Shu， C.， 2019， “Recent Renminbi Policy and Currency Co-Movements”，Journal of International Money and Finance， 95： 444-456.

Ouyang， R. L. and Zhang， X.， 2020， “Financialization of Agricultural Commodities： Evidence from China” ， Economic Modelling， 85： 381-389.

Patton， A. J. and Sheppard， K.， 2015， “Good Volatility， Bad Volatility： Signed Jumps and the Persistence of Volatility” ， Review of Economics and Statistics， 97（3） ： 683-697.

Reboredo， J. C.， Rivera-Castro， M. A. and Ugolini， A.， 2017， “Wavelet-Based Test of Co-Movement and Causality between Oil and Renewable Energy Stock Prices” ， Energy Economics， 61： 241-252.

Saeed， T.， Bouri， E. and Alsulami， H.， 2021， “Extreme Return Connectedness and Its Determinants between Clean/Green and Dirty Energy Investments” ， Energy Economics， 96： 105017.

Tian， M. X.， Alshater， M. M. and Yoon， S.， 2022， “Dynamic Risk Spillovers from Oil to Stock Markets： Fresh Evidence From Garch Copula Quantile Regression-Based Covar Model” ， Energy Economics， 115： 106341.

Y?ld?r?m， D. ?.， Cevik， E. I. and Esen， ?.， 2020 ， “Time-Varying Volatility Spillovers between Oil Prices and Precious Metal Prices” ， Resources Policy， 68： 101783.

Research on Risk Spillover Effect of

International Bulk Commodity Market on China's Financial Market：

Asymmetry Analysis Based on the Size of? Shocks and Good and Bad Volatility

Guo Na? Wang Peiyao? Xie Nalin? Liu Jingshan

Abstract： In recent years， the linkage and risk contagion between domestic and foreign financial markets have become increasingly strong， especially under the impact of extreme risk events， and the risk spillover effect and its asymmetry have become more significant. In this paper， four representative international commodity markets are selected， their volatility is decomposed into good volatility and bad volatility by calculating the realized semi-variance， and the spillover index method based on conditional quantiles is used to study the risk spillover effect of international commodity price fluctuations on China's financial market and its asymmetric characteristics. The results show that： first， international commodity price fluctuations have significant risk spillover effects on China's financial market， and show obvious asymmetry under different shock directions and shock scales. Second， the risk spillover level in extreme conditions is much higher than normal; Third， directional spillover is closely related to extreme economic and financial events such as international financial crises and public health emergencies. The research conclusion has certain policy enlightenment for China to prevent risk spillover in the international commodity market and maintain the smooth operation of the financial market.

Keywords： International Commodity Market; Risk Spillovers; Good and Bad Fluctuations; Tail Dependency

（責任編輯：柳陽）