中國跨市場金融風險的動態溢出效應:系統風險與異質風險

摘 要 本文旨在揭示中國不同金融市場的風險類型（系統風險與異質風險）在跨市場傳染中的特征、角色以及大小。為此，本文首先構建了銀行部門、股票市場、債券市場以及外匯市場的金融壓力指數;其次，采用主成分分析法（PCA）將四個金融市場的金融壓力指數分解為系統風險和異質風險;最后，采用廣義方差分解法研究四個金融市場的系統風險和異質風險間的動態溢出效應。本文創新性的研究發現主要有：（1）如果不考慮系統風險和異質風險的交互性和強傳染性，則會嚴重低估跨市場風險傳染的程度。（2）盡管四個市場的系統風險傳染網絡和異質風險傳染網絡都相對“ 自成體系”，但我們仍可識別出，銀行系統風險是聯結兩個網絡的主要力量，是整個系統中的重要連結節點。（3）在系統風險網絡中，債市系統風險和銀行系統風險之間、股市系統風險和債市系統風險之間、股市系統風險和匯市系統風險之間具有顯著的雙向溢出作用，這些溢出作用均是系統性風險“ 互溢”網絡中最重要的“ 連接線條”，且債市系統風險是顯著的“ 凈發送方”、銀行系統風險是顯著的“ 凈接收方”。（4） 相較于系統風險網絡關系，四個市場異質風險間的傳染網絡關系則更為緊密，其中，債市異質風險是顯著的“凈風險發送方”，而匯市異質風險則是“ 凈風險接收方”。（5）在面對次貸和歐債危機、2013 年流動性危機、2015 年股災和“811”匯改、2017 年影子銀行高風險和2018 年中美貿易摩擦爆發等各種金融沖擊時，風險溢出性和傳染性增強，且不同的市場（及不同類型的風險）在面對不同的沖擊時發揮著階段性系統重要性金融市場的作用。（6）相較于金融沖擊，重大公共衛生沖擊（如COVID-19）帶來的影響更為顯著，金融市場間的溢出網絡關系呈現出更為復雜交織的網絡結構，且各市場的異質風險在其中發揮了重要的溢出作用。因此，區分風險類型、判斷風險“互溢” 網絡中的重要連接線條、識別不同危機中階段性“系統重要性金融市場”對于預防危機和治理危機具有重要的借鑒價值。

關鍵詞 系統風險;異質風險;溢出效應;廣義方差分解法;系統重要性金融市場（SIFMs）

0 引言

2007 年次貸危機發生以來，系統性風險（systemic risk）①引發了學術界的廣泛關注和深入研究，跨機構、跨市場的風險傳染也成為了系統性金融風險產生的重要特征（人民銀行張家口市中心支行課題組，2005）。系統性金融風險往往產生于不同的金融市場②。借鑒CAPM 模型，不同的金融市場也類似于“ 不同的公司主體”，具有與整體金融市場體系相依賴的系統風險（ systematic risk） 和不可分散的非系統風險（或稱為“異質風險”，undiversifiable risk 或idiosyncraticrisk）③。那么，不同市場所攜帶的系統風險和自身的異質風險在整個市場系統性金融風險形成、演變過程中的作用和傳染特征，就值得深入研究。

換言之，一旦區分金融市場的上述兩種風險類型（系統風險、異質風險）后，那么，不同市場的系統風險和異質風險，是否會形成各自的風險溢出網絡？ 不同市場的系統風險和異質風險，乃至各自形成的系統風險溢出網絡和異質風險溢出網絡是否會交互傳染？ 交互傳染究竟是強化了還是弱化了整個市場的系統性金融風險？ 均是目前研究空白。其次，基于不同市場的金融風險類型，各種市場的系統風險和異質風險之間，以及系統風險和異質風險形成的各自風險溢出網絡之間，傳染關系、風險來源和風險去向等都值得深入研究。最后，類似于次貸危機引發的“系統重要性金融機構” 的關注和研究，識別“ 系統重要性金融市場”①也是一項重要的研究工作，尤其是在不同的金融危機時期，哪個市場扮演了階段性的“系統重要性金融市場” 角色，該“系統重要性金融市場” 的系統風險還是異質風險發揮了重要的傳染作用，對認識金融市場的風險來源和加強金融監管的有效性同樣至關重要。

現有文獻對系統性金融風險（ systemic risk） 的研究主要可以分為三類：（1）金融機構系統性金融風險的度量與跨部門風險溢出效應的研究。這類文獻主要采用CoVaR、SES、SRISK 等微觀度量指標來測度金融機構在一定的市場條件下的系統性金融風險貢獻度，和識別“系統重要性金融機構”。有的文獻還進一步采用網絡分析方法來分析金融機構的靜態和動態溢出效應（ Bernal et al. ，2014;Adrian and Brunnermeier，2016;楊子暉等，2018;李政等，2019a;宮曉莉等，2020;等）。（2）金融市場系統性金融風險度量與跨市場風險溢出效應研究。這類文獻有的采用波動率指數（ 楊子暉和周穎剛，2018;宮曉莉和熊熊，2020）、有的采用極端風險指標（李政等，2018）、有的構建金融壓力指數（徐少君等，2020;李紹芳和劉曉星，2020），通過廣義向量自回歸模型、GVAR-DY 分析法和網絡分析方法等各種復雜方法來分析金融風險的動態演變、傳染來源與去向以及傳染大小和作用。（3）金融體系和實體經濟之間的風險關聯研究。這類文獻主要從整體視角來分析金融體系和實體經濟發生系統性金融風險的根源，通過構建系統性金融風險指標來識別和分析金融系統對實體經濟的沖擊、分析經濟金融系統中系統性金融風險的來源（李政等，2019b;黃乃靜和于明哲，2020;賈妍妍等，2020）。遺憾的是，現有文獻在測度和研究系統性金融風險過程中，均沒有區分不同金融市場或者不同金融機構的兩類風險（系統風險、異質風險）。考慮到各種金融市場或者機構不僅會傳染系統風險，而且本身自帶了異質風險，因此，區分系統風險和異質風險，并且客觀評估這兩種風險在整個系統性金融風險中的貢獻和影響，就顯得尤為重要和必要。

為此，本文首先從收益和波動兩個維度來構建銀行部門、股票市場、債券市場以及外匯市場的金融壓力指數，同時采用平均加權法將四個市場的金融壓力指數合成為總指數，作為本文研究金融風險的代理變量。實踐中，許多發達國家的中央銀行基于各個金融市場的交易價格數據，構建具有時效性和可用于長期跟蹤的金融壓力指數，對整體金融市場的壓力情況進行跟蹤和監測。實證研究中，大量文獻證明了金融壓力指數可以識別歷史上的系統性壓力事件，實質上是構建了反映系統性金融壓力的連續變量，是一個有效地反映系統性金融風險的指標（清華大學國家金融研究院金融與發展研究中心課題組，2019）。其次，在借鑒CAPM 模型將風險分成系統風險和非系統風險的思想后，采用主成分分析法（PCA）將中國四大金融市場（銀行、股市、債市、匯市）的金融壓力指數分解為共同因素和殘差部分，我們將前者稱為系統風險、后者視為異質風險。最后，本文進一步采用廣義方差分解法研究經過PCA 分解后的四大金融市場系統風險和異質風險間的動態溢出效應的網絡結構特征，從而揭示出我國金融市場之間風險傳染的機制與渠道，并識別出“系統重要性金融市場”，為宏觀審慎監管和金融系統性風險的防范提供有益借鑒。

本文研究發現：（1）區分兩類風險類型后，金融壓力的跨市場動態溢出程度大幅度提高。這說明系統風險和異質風險在同一市場內部和不同市場之間的交互溢出，強化了整個市場的風險溢出程度和金融市場的復雜性。同時，若忽略系統風險和異質風險內部不同市場之間的復雜溢出傳染關系，會導致對整體風險傳染的低估。（2）四個市場的系統風險傳染網絡和異質風險傳染網絡都相對“自成體系”，但我們仍可識別出，銀行系統風險是聯結兩個網絡的主要力量，是整個系統中的重要連結節點。在系統風險網絡中，債市系統風險是顯著的“凈發送方”、銀行系統風險是顯著的“凈接收方”。同時，相較于系統風險網絡關系，四個市場異質風險間的傳染網絡關系則更為緊密，其中，債市異質風險是顯著的“凈風險發送方”，而匯市異質風險則是“凈風險接收方”。（3） 相較于金融沖擊，重大公共衛生沖擊對四個市場系統風險和異質風險的溢出作用更為顯著，且各市場的異質風險發揮了重要的溢出作用。同時，面對不同的危機期，不同的市場發揮著不同的“系統重要性金融市場”的作用。

本文研究創新主要體現在：（1）從研究內容上看，提出了將金融風險分解為系統風險和異質風險的思路，從而進一步構建各市場的系統風險和異質風險相互溢出傳染的網絡結構，并據此提出了“系統重要性金融市場”的概念和識別出不同時期的階段性“系統重要性金融市場”，從而為市場風險監管提供新的判斷視角。（2）從研究方法上看，構建了PCA-GVD 的分析框架，從而實現對序列進行分解、進而進行大溢出網絡結構的各種FROM、TO 和NET 指標值的計算，拓展Diebold and Yilmaz（2012）等的分析框架。（3）在研究發現上，本文研究清楚表明，忽略金融風險的風險類型，不僅會嚴重低估跨市場風險的傳染程度，不利于判斷整個市場系統性金融風險的來源究竟是系統風險還是異質風險，而且不利于分析兩種風險類型在不同金融市場的傳染鏈條，更不能夠識別出不同金融危機時期的階段性“系統重要性金融市場”。

本文其余部分結構安排如下：第1 部分是文獻綜述，在金融壓力研究文獻基礎上提出本文研究視角和思路。第2 部分是研究方法說明，包括本文金融壓力指數構建過程和本文提出的PCA-GVD 的分析框架。第3 部分是實證結果分析，主要包括對比分析了金融壓力指數原序列、系統金融風險和異質金融風險的溢出矩陣、動態溢出效應以及階段性“系統重要性金融市場”的識別。最后是結論與啟示。

1 主要文獻綜述

1.1 現有文獻分析

學者們用“金融壓力” 作為一國或一市場金融不穩定性或金融風險的衡量指標。但事實上，各學者對金融壓力（Financial Stress Index， FSI）的定義并不統一（Hatzius et al. ， 2010），如Illing and Liu （2006）認為，金融壓力主要是指金融市場和市場中的機構或個人由于不特定因素對整個市場的預期發生變化，從而導致金融主體受到壓力且金融市場作為金融中介的作用有所減弱，其中，銀行、債券、股票及外匯這四個市場被認為是這種不確定性的主要來源;在此基礎上，他們構建了加拿大的金融壓力指數，由此揭開了對金融壓力的研究序幕。從早期Hakkio and Keeton（ 2009） 對美國、Balakrishnan et al. （ 2011） 和Cardarelliet al. （2011）對主要發達國家和新興市場體金融壓力指數的構建;到后期VanRoye（ 2014） 對德國、Aboura and van Roye （ 2017） 對法國、Park and Mercado（2014）對25 個新興市場體、Dovern and van Roye（2014） 對20 國金融壓力指數的計算、靳玉英和周兵（2013） 對12 個新興市場國家的金融壓力指數計算以及劉曉星和方磊（2012）、徐國祥和李波（2017）、張勇等（2017） 等對中國金融壓力指數的設計等。各個學者基于對金融壓力含義的不同理解，采用了不同的指標變量、不同的合成方法對一國金融壓力指數進行了研究，并在實踐監管中獲得了廣泛的應用，成為宏觀審慎監管的一個重要工具。

縱觀一國內金融壓力的研究文獻①，主要圍繞著以下兩個主題展開研究：（1）基于一國內各金融市場間的緊密關系，探究一國內各金融市場金融壓力指數間的傳染效應。如Chau and Deesomsak（2014） 構建了金融壓力溢出指數、采用基于VAR 的廣義方差分解方法研究了美國國內股市、債市、銀行和外匯市場間的金融壓力溢出效應，發現四個市場的金融壓力間存在顯著溢出關系。我國學者歐陽志剛和周焰（2012） 構建了我國銀行、股票、外匯和債券四個金融市場的金融壓力指數，運用Geweke 分解方法研究了我國銀行業的金融壓力在四個金融市場間的傳導機制。（2） 基于Bernanke et al. （1999）、Iacoviello （2005） 等的“金融加速器理論”和強調“銀行部門對商業周期的動態影響說”（Mittnik andSemmler，2013;Brunnermeier and Sannikov，2014），研究金融壓力對本國實體經濟等的影響。例如Davig and Hakkio（2010）發現美國的高FSI 值和低迷的經濟活動緊密相關;Dovern and van Roye（2014）、Van Roye（2014） 等發現較高的FSI降低了經濟產出、惡化了財政條件。Cardarelli et al. （2011）研究了G7 國家的金融壓力對實體經濟的影響，尤其是來自于銀行部門（而非股票或者貨幣市場）的金融壓力對經濟下行有顯著影響;Aboura and van Roye（2017） 研究了法國金融壓力對經濟活動的負向作用。Schleer and Semmler（2015）進一步分析了歐洲11國金融壓力和經濟蕭條之間的互反饋作用。因此，作為一國金融狀況的反映，金融壓力體現了金融系統的不穩定性或系統性風險程度，對國內經濟有一定影響。

縱觀上述研究，本文發現，學者們在構建金融壓力指數時，主要關注銀行部門、證券市場（股市、債市）和外匯市場的金融壓力（Apostolakis and Papadopoulos，2014， 2015;Apostolakis，2016;MacDonald et al. ，2018），而且實證研究表明所構建的金融壓力指數能夠識別出歷史上曾經出現的系統性壓力事件，因此金融壓力指數是一個有效的系統性金融風險代理變量。

1.2 發展性評述

自2008 年全球金融危機后，系統重要性金融機構（SIFIs）從因“太大而不能倒”到“太關聯而不能倒”，日益受到了各國監管部門的高度重視。因此，識別系統重要性金融機構成為了監管部門的重要目標。縱觀文獻，學者們主要提出了兩大類識別方法：（1）指標體系法，主要通過設置重要的指標及對應權重，對系統重要性進行估計和識別（巴曙松和高江健，2012），如BCBS 在2011 年用五大類12 項指標評估了全球73 家銀行，從而確定了29 家全球系統重要性銀行。（2）模型法，主要是采用Upper（2011） 等提出的金融網絡分析模型（ 賈彥東，2011），Adrian and Brunnermeier（2016） 等提出的CoVaR 方法（ 肖璞等，2012）、Acharya et al. （2017） 提出的MES 法以及極值理論模型（范小云等，2012） 等市場模型，通過計算某一機構對整個系統的“風險貢獻度”，從而確定系統重要性機構。但是，由于模型設定、指標選取以及結果評估還未成體系，還有待進一步深入研究。

事實上，銀行部門、股市、債市、匯市等作為中國金融市場的重要組成部分，構成了金融市場的生態體系。就像某一金融機構對于整個金融機構體系的作用，本文類比“系統重要性金融機構” 的外涵，某一金融市場對于整體市場的重要性，也構成了“系統重要性金融市場”。因此，基于系統性風險的傳染源與作用貢獻度的判斷，就可以更好地識別出“系統重要性金融市場”，從而為金融風險的監管提供有益借鑒。

同時，學者們關注的重點在于各市場金融壓力本身間的溢出效應值測度，即基于金融壓力指數原序列的分析（Chau and Deesomsak，2014），而未進一步分析序列構成之間的關系。事實上，各金融市場金融壓力間的溢出關系，既是體現了各市場對于共同系統因素的反映，也體現了自身市場異質性因素的影響。因而，本文將從系統溢出效應和異質溢出效應兩個角度對我國四個市場金融壓力間的溢出演化關系進行刻畫，從而更好地體現金融壓力溢出效應的來源。

因此，如何在實證層面上對反映各市場金融壓力“系統” 和“ 異質” 的溢出效應進行動態測度，以此反映我國各市場金融壓力溢出效應產生的主導因素，識別出不同時期“系統重要性金融市場”，從而有利于針對性地開展對我國金融壓力的預警實時分析、提高應對金融系統性風險的能力，“守住不發生系統性風險的底線”，促進我國金融業的平穩發展。

2 研究方法說明

2.1 金融壓力指數測度

本研究樣本期為2006 年10 月8 日至2022 年11 月30 日①。借鑒Apostolakis（2016）、MacDonald et al. （2018）等的方法，本文從收益和波動兩個維度構建銀行部門、股票市場、債券市場、外匯市場的金融壓力指數FSI①（見表1）。其中，銀行部門金融壓力分指數用基于CAPM 模型的β 值和TED 作為測度變量，債券市場金融壓力分指數選用反向期限利差和長期債券收益率的波動率衡量，股票市場金融壓力分指數則分別從股票收益率的負數和波動率兩個維度進行測度，外匯市場金融壓力分指數用匯率收益率的負數和波動率進行衡量（如表1 所示）。

3 實證結果分析

3.1 金融壓力、系統風險和異質風險演變趨勢分析

3.1.1 金融壓力指數演化趨勢分析

圖1 顯示了四個市場金融壓力指數的走勢。由此可見，銀行部門金融壓力指數FSI 相對平穩，在[ -1. 78，2. 15] 區域內波動，偏度和風度分別為0. 30、-0. 25。債券市場和股票市場金融壓力指數呈現集聚波動特征，其波動范圍分別為[ -1. 69，4. 31]、[ -1. 51，3. 64]。外匯市場金融壓力指數也呈現尖峰特點，其波動范圍和偏度、峰度分別為[ -3. 61，3. 14]和1. 25、4. 27。

從圖1 的走勢看，債券市場的高金融壓力區域主要集中在2008 年次貸危機、2013 年流動性危機期、新冠疫情暴發期等;股票市場的高金融壓力區域則在2008 年次貸危機和2015 年中國股市暴跌期有顯著的集聚;而外匯市場金融壓力在2015 年8 月匯改時急劇的變化，從-3. 61 急速上升到3. 06，且之后的波動也較之改革前有較大提高。總體而論，金融壓力指數值在受到沖擊時有不同程度的上升，無論這個沖擊來自于國外還是來源于國內，也再次表明，金融壓力指數是一個很好的衡量金融市場系統性金融風險的指標。

3.1.2 系統性風險和異質性風險的溢出指數演化趨勢分析

對上述四個市場金融壓力指數進行去均值標準化處理，再用PCA 方法進行壓力指數的分解，得到了系統風險值和異質風險值（如圖2 所示），從而可比較四個市場金融壓力指數之間的溢出效應、四個市場金融系統風險和異質風險之間的溢出效應的差異。表2 進一步顯示了全樣本分析得到的四個市場金融壓力指數（表2 顯示的是標準化后的FSI 值，與圖1 所示不同） 和對應的系統風險、異質風險的基本統計情況。

從圖2 和表2 可以看出，四個市場的系統風險總體上表現出和金融壓力指數類似的波動走勢，而異質性風險的波動相對較小，這從表2 中標準差列的數值比較中可以看出。而且通過對五個特殊時期（表2 后五列） 的數據進行均值統計，本文可發現，銀行和債市系統風險在2013 年流動性危機期至2015 年股市暴跌期間均具有顯著較高的均值（分別為0. 94、0. 64）;但股市系統風險則在次貸危機期具有最大的均值（1. 05），這表明我國股市受到全球次貸危機的影響較大;匯市系統風險則受匯改的影響，在2015 年8 月具有急劇的上升，導致匯改后期的均值為0. 54、新冠疫情期的均值達到0. 94。相對而言，異質風險在上述特殊時期的差距則沒有如此顯著：銀行異質風險和匯市異質風險的均值在歐債危機期達到最大，但分別僅為0. 22 和0. 21;債市異質風險在流動性危機和股市暴跌期、新冠疫情期均達到了相對較高的均值，但分別僅為0. 11 和0. 12;股市異質風險的均值并沒有表現出顯著的時期差異性。因此，四個市場系統風險序列具有與原金融壓力指數序列類似的波動特征，而異質風險序列則波動相對較小。

3.2 金融壓力、系統風險和異質風險溢出矩陣分析

3.2.1 各個市場金融壓力指數的溢出矩陣分析

本文對全樣本四個市場金融壓力指數序列進行廣義方差分解（GVD），得到的靜態溢出效應[根據SC 準則，選擇VAR（3） 模型，預測期的選用參考Dieboldand Yilmaz（2012）等做法采用H =12]。結果顯示，四個市場金融壓力之間的總溢出指數值僅為4. 89%①，且各市場金融壓力的溢出均主要源于自身（如表3 所示，溢出值均在90%以上）。因此，基于全樣本的靜態分析結果說明，四個市場FSI 之間的相互溢出作用并不強。

3.2.2 各個市場系統風險和異質風險的溢出矩陣分析

然而，上述結果僅僅是基于四個市場金融壓力指數進行的分析，并沒有考慮四個市場本身的風險類型（系統風險還是異質風險）和市場之間各種風險之間錯綜復雜的傳染關系，各個市場的兩種類型風險的溢出在交互傳染的情況下可能存在強化的趨勢。因此，本文進一步對四個市場金融壓力指數進行PCA 分解（方差累積貢獻率顯示，前二因子的累積貢獻率僅為61. 07%，而前三因子的累積貢獻率達到83. 98%，因此選用PCA 前三因子的結果） 得到了系統風險指標和異質風險指標。

用GVD 分析獲得四大市場系統風險和異質風險間溢出效應的靜態分析結果①。結果顯示，全樣本下，四個市場系統風險和異質風險之間的大溢出矩陣（8×8 維度）的總溢出指數達到55. 25%，遠遠高于四個市場金融壓力序列之間（4×4維度）的總溢出值4. 89%。這表明考慮了系統風險和異質風險后，各市場間相互的風險溢出程度極大提高，反映出系統風險和異質風險的交互性和強傳染性。

為揭示四個市場兩類風險間的溢出網絡關系是如何隨著時間變化而表現出不同特點，本文重點進行了動態分析。

圖3 首先顯示了PCA 分析的動態結果，由此可見，第一個因子的貢獻度平均值為39. 12%，前兩因子的累積貢獻度均值為64. 96%，而前三因子的累積貢獻度平均值達到86. 18%。根據Liow et al. （2018）的建議，下文對各市場系統風險和異質風險的溢出網絡分析將基于上述三因子結構進行計算。從圖3 的PCA 因子分解趨勢看，在次貸危機期、歐債危機、2015 年股市暴跌期、2018 年中美貿易摩擦加大期，PCA 分解的因子累積貢獻率具有顯著的增加（尤其是第一個主成分的貢獻度），這意味著在這些時期段內各市場間風險的協同性增加，即風險傳染性相對增強。

根據上述PCA 方法得到的四個市場系統風險序列和異質風險序列進行GVD 分析[遵循GVD 分析的一般程序，根據SC 標準選擇VAR（1）模型，并選擇104 周（兩年）作為滾動窗口長度，提前預期周期設為H = 12]，總溢出指數走勢如圖4（a）所示。借鑒Liow et al. （2018）的做法，當溢出指數高于2 倍標準差時是市場間風險溢出的最高區域（ 本文中對應值為61. 67%）。由此可見，四個市場系統風險和異質風險的溢出作用集中于2020 年初新冠疫情暴發后，其總溢出指數高達85. 83%。而幾次重大金融沖擊（ 包括歐債危機、2013 年流動性緊張期、2015 年股市暴跌期）以及2018 年初的中美貿易摩擦下的總溢出指數均在61. 67%左右。這表明，相較于金融沖擊，重大公共衛生沖擊對四個市場系統風險和異質風險的溢出作用十分顯著。

此外，圖4（a）顯示的動態溢出的平均總溢出指數為（57. 16%），遠大于四個市場原序列FSI 得到的動態溢出指數的均值14. 51%;同時，也大于四個市場純系統風險序列（ systematic risk series） 得到的動態溢出指數均值31. 38%;但是，小于四大市場純異質風險序列（idiosyncratic risk series） 計算得到的動態溢出指數均值74. 75%[圖4（b）所示]。這表明，將四個市場FSI 分解成系統風險因子和異質風險因子后，源于異質風險間對各信息的高度敏感性和波動性而體現出了較高的溢出作用，同時，也由于系統風險和異質風險的復雜交互作用，從而使得圖4（a）中的總溢出指數較高。而四個市場FSI 間的溢出總指數，反映的是經過本市場內部系統風險、異質風險相互抵消，或者是經過不同市場間系統性風險和異質性風險相互作用抵消后的總體溢出情況。因此，圖4（ b） 中四個市場FSI 間的總溢出指數要遠低于圖4（ a） 四個市場系統風險和異質風險的總溢出指數;該結論與上文基于全樣本的靜態分析結果是如出一轍的。

因此，研究系統風險和異質風險共同作用下的關系，可以更好地展現四個市場系統風險和異質風險之間的復雜交互傳染關系，不僅存在各市場系統風險之間、異質風險之間的溢出效應，也存在各市場系統風險和異質風險的雙向溢出關系，從而使得市場間的風險傳染呈現“復雜性”。

表4 對上述四個市場系統風險和異質風險之間的溢出動態演化關系進行了均值和標準差統計。其中，表4 的左上角區域數據是指各個市場系統風險之間的溢出大小和溢出關系;表4 的右下角區域數據是指各個市場異質風險之間的溢出大小和溢出關系;表4 的右上角區域數據是指各個市場異質風險對系統風險的溢出大小和溢出關系;表4 的左下角區域數據是指各個市場系統風險對異質風險的溢出大小和溢出關系。

表4 顯示，銀行部門系統風險對自身的溢出作用為55. 41%，債券市場系統風險也對其發揮了16. 82%的溢出作用，證明了債券市場系統風險對銀行系統風險的顯著溢出作用;而股市系統風險和匯市系統風險對銀行系統風險的溢出作用相對較小。銀行和債市異質風險也分別發揮了3. 94%和3. 95%的溢出作用。

進一步，表5 對表4 的結果進行了加總統計，從表5 可以看出，銀行部門系統風險S_Bank 來源于其他三個市場的系統風險的溢出值為30. 37%，對應的來自三個市場異質風險的作用也達到了10. 29%。因此，銀行系統風險不僅主要來源于自身（55. 41%），債市系統風險也發揮了重要的溢出作用（16. 82%），此外，異質性風險也發揮了一定的作用。

同理，債券市場系統風險來源于自身的溢出值為61. 45%，來源于銀行系統風險和股市系統風險的溢出作用分別達到13. 55%和12. 99%，但來源于匯市系統風險的溢出作用相對較小。總體上而言，債券市場系統風險來源于其他三個市場系統風險的溢出值達到了30. 87%（ 表5 中所示），而且銀行系統風險和股市系統風險均是其重要的風險溢出來源，但是受到各市場異質風險的溢出作用較小。

對于股市系統風險而言，其風險溢出主要源于自身，其自溢值達到60. 37%;同時，源于債市和匯市的系統風險的溢出作用分別為14. 68%、12. 31%;加總源于其他三個市場系統性風險的總溢出值達到32. 71%（ 表5）。這表明，股市系統性風險主要源于自身，債市和匯市系統性風險也發揮了重要的溢出作用，但各市場異質性風險所發揮的作用卻有限（加總和僅為5. 04%）。

匯市系統性風險來源于自身的溢出值也達到了73. 07%;來自于股市系統性風險的溢出作用為10. 60%，但加總其他三個市場系統風險的溢出作用總和僅為21. 24%;同時，加總其他三個市場異質性風險的溢出作用總和僅為4. 55%。因此，匯市系統風險主要源于自身以及股市系統風險的作用，但源于其他市場系統風險和各市場異質風險的溢出作用較小。

表4 右下區域數據顯示，各市場異質風險間存在著顯著的溢出網絡關系。尤其是債市異質風險均對四個市場異質風險分別產生了25%以上的溢出作用值，且表現出顯著的“風險發送方” 特征，其對其他三個市場異質風險的溢出作用凈值為9. 66%（表5）。相對而言，匯市異質風險對四個市場異質風險的溢出作用則弱一些，對其他三個市場異質風險的溢出加總作用為57. 03%（如表5 所示），均小于受到的其他三個市場異質風險的作用，因而體現出顯著的“ 風險接受方”特征（對應的凈溢出值為-15. 06%）。

表4 左下區域數據顯示了各市場系統風險對異質風險的溢出作用。從中可以看出，除了銀行系統風險對四個市場異質風險均產生了3%以上的溢出作用外，其他三個市場系統風險對各異質風險的溢出作用均較小。表4 右上區表示各異質風險對系統風險的影響。從中可以看出，各市場異質風險對銀行系統風險有相對較高的溢出值，平均在3%左右，也高于對其他系統風險的影響。因此，相對而言，銀行系統風險發揮了和其他三個市場異質風險的紐帶作用，是整個系統風險和異質風險網絡中重要的連結節點，其對其他三個市場異質風險的TO 值和FROM 值分別為9. 62%和10. 29%（如表5）。

圖5 進一步對表4 中的四個市場系統風險和異質風險的溢出網絡關系進行了可視化描述，左圖代表匹配溢出網絡關系，右圖表示凈溢出網絡關系。可視化圖再次顯示，無論是四個市場的匹配網絡還是凈溢出網絡：（1）四個市場的系統風險傳染網絡和異質風險傳染網絡都相對“自成體系”，系統風險網絡和異質性風險網絡之間傳染關系不強烈;但是，我們仍可識別出銀行系統風險是聯結兩個網絡的主要力量，是整個系統中的重要連結節點。（2）相對于系統風險網絡關系，四個市場的異質風險傳染網絡關系都更加緊密。（3）系統風險網絡中，債市系統風險和銀行系統風險之間、股市系統風險和債市系統風險之間、股市系統風險和匯市系統風險之間具有顯著的雙向溢出作用，且凈溢出圖5（b） 顯示，債市系統風險是顯著的“ 凈發送方”，而銀行系統風險是顯著的“ 凈接收方”。（4）異質風險網絡中，四個市場異質風險兩兩之間均存在更為顯著的溢出作用。從凈溢出圖5（b）看，債市異質風險是顯著的“凈風險發送方”，而匯市異質風險則是“凈風險接收方”。

3.3 金融壓力、系統風險和異質風險溢出動態趨勢分析

3.3.1 系統風險和異質風險的總溢出趨勢分析

1） 系統風險的FROM、TO 和NET 值的動態演化趨勢分析

圖6 顯示了銀行、債市、股市和匯市系統風險的溢出效應走勢，這里的溢出值計算主要基于對其他七個指標的作用匯總計算結果。

其中，左上圖為銀行系統風險的溢出來源（FROM）、溢出去向（TO）、凈溢出作用（NET）的演化趨勢。從中可以看出，銀行系統風險對其他七個指標的TO 作用在0 到80%區域，而FROM 作用主要集中于40%至80%區域，且TO 作用往往小于FROM 作用，從而導致了NET 指標值主要處于0 以下區域。尤其在次貸危機、歐債危機、2017 年影子銀行高風險期間，TO 和FROM 值均處在較高的位置。此外，在2015 年股災和2016 年去杠桿的壓力下，FROM 指數一度攀升到86. 22%，對應的NET 值為-62. 58%，銀行系統風險發揮了“風險接收方”的作用。

圖6（b） 反映了債市系統風險的溢出來源、作用去向、凈溢出作用情況。圖6（a）銀行系統風險的溢出走勢進行對比，本文發現，債市系統風險在次貸危機、2016 年高杠桿壓力下具有較高的TO 值，發揮了一定的“風險發送方”作用;尤其是在2013 年6 月的流動性危機期，債市系統風險的TO 作用值顯著飆升，達到了142. 52%，然后下一周下降至79. 60%;相應的NET 值也升到了97. 06%，然后在下一周回歸到了32. 19%。因此，在2013 流動性危機期，債市系統風險擔當了顯著的“風險發送方”角色。

圖6（c）為股市系統風險的溢出演化圖。從中可以看出，股市系統風險的TO 值和FROM 值走勢較為接近，因此，平均凈溢出作用NET 較小（ 均值僅為-1. 28%，如表5 所示）。然而，在2015 年股災至2017 年高杠桿的壓力下，股市系統風險的TO 值徘徊在高位，尤其是在2013 年6 月流動性緊張期股市系統風險的TO 沖到了108. 90%以上，且FROM 值也達到了60. 88%，對應的NET 值則高達48. 01%。因此，股市系統風險在2013 年6 月流動性危機期有一定的“ 風險發送方”作用。但是，在2018 年隨著中美貿易摩擦的爆發和地方政府債務的累積，股市系統風險的FROM 值升至70. 67%，引起了較為顯著的負NET 值，即發揮了較大的“風險接收方”作用。

圖6（d）則顯示了匯市系統風險的溢出演化情況。匯市系統風險的TO 作用和FROM 作用盡管在不同的時期表現出不同的特征，但并沒有表現出顯著的差異值（樣本期的NET 均值僅為1. 15%，見表5 所示）。但在2015 年8 月11 日匯改后，TO 作用值從匯改前一周的31. 15%顯著增加到了63. 08%;對應的NET值則在匯改后達到了44. 92%，表現出了顯著的“風險發送方”作用。同時，隨著2018 年中美貿易摩擦的爆發，匯市系統風險的TO 值顯著上升，該值最高達到了90. 86%，具有顯著的“風險發送方”作用。

此外，圖6 四個市場系統風險的溢出作用走勢圖均顯示了一個十分重要的顯著特征，即在新冠疫情暴發后，四個市場的系統風險的FROM 值均顯著增加，從而導致了顯著為負的NET 值（ 四個市場的NET 值依次分別為- 78. 33%、-96. 33%、-84. 59%和-88. 50%）。這說明，相較于金融沖擊，面對重大公共衛生沖擊，四個市場系統風險均受到了顯著的風險凈接收作用。

綜上，各市場系統風險在不同的沖擊時期，尤其是面對重大公共衛生沖擊時表現出了顯著的溢出特征。具體而言，銀行系統風險尤其在2015 年股市暴跌期、2016 去杠桿的高壓力下承受了較高的“風險接收” 的作用;而債市系統風險和股市系統風險則均在2013 年流動性危機期發揮了顯著的“風險發送方”的作用;但在2018 年隨著中美貿易摩擦的爆發和地方政府債務的累積，股市系統風險承擔了較大的“風險接收方” 的作用;匯市系統風險則在2015 年匯改后和2018 年中美貿易摩擦爆發后表現出了顯著的“ 風險發送方” 的作用。究其原因，這與各個市場的特征有緊密關系。

2） 異質風險的FROM、TO 和NET 值的動態演化趨勢分析

圖7 反映了四個市場異質風險的FROM、TO 和NET 作用演化趨勢。與四個市場系統風險的溢出演化作用不同的是，四個市場異質風險的FROM 值的走勢較為穩定。

盡管平均而言，債市異質風險主要體現了“風險發送方” 的作用、匯市異質風險主要發揮了“風險接受方”的作用;但是，該NET 作用的走勢并沒有體現出在上述重大沖擊下的顯著差異影響。

因此，四大市場異質風險的溢出作用與系統風險具有較大的差異，其并沒有體現出受到整個經濟形勢等的“系統性”作用。

3） 金融壓力、系統風險和異質風險的FROM、TO 和NET 值的對比分析

為了比較上述系統風險和異質風險的交互作用帶來的影響，本文進一步對比了上述圖6 和圖7 與四個市場金融壓力FSI 序列得到的動態溢出關系圖（如圖8 所示）。

圖8 顯示，銀行金融壓力FSI 主要產生了顯著為負的凈溢出作用，樣本期平均溢出TO 作用值為8. 84%，平均溢出FROM 作用為24. 52%，因而凈溢出平均值為-15. 68%。次貸危機期、歐債危機期、2013 年流動性危機期、2015 年股災至2016 年高杠桿期、2017 年影子銀行的壓力以及2018 年地方政府債務壓力及中美貿易摩擦爆發等均對銀行FSI 產生了顯著為負的凈溢出值。

而債市FSI 主要產生了顯著為正的凈溢出作用，樣本期平均溢出TO 作用為21. 79%，平均溢出FROM 作用為10. 76%，因而平均凈溢出值為11. 04%。主要凈溢出NET 高值集中于2008 年至2016 年，尤其是2010 年歐債危機期間，其最大凈溢出值NET 達到了79. 78%。

股市FSI 的凈溢出值在2018 年前多為“ 凈溢出” ， 而之后多為“ 凈接收” 效應，因此，平均凈溢出值僅為0. 19%。凈溢出高值主要集中于2015 年股災后期，最大NET 值達到33. 80%，表明這時期股市金融壓力主要為風險凈溢出方。

匯市金融壓力多以正向凈溢出值為主，樣本期凈溢出NET 作用平均值為4. 45%。尤其在2018 年中美貿易摩擦爆發后至新冠疫情暴發期間，NET 高值33. 68%。

總體而言，四個市場金融壓力間溢出關系的凈效應NET 平均水平與四個市場系統風險的溢出指數NET 的平均水平結果更為接近。

然而，無論是TO 作用、還是FROM 作用，四個市場金融壓力FSI 之間的溢出指數均遠遠小于用系統和異質風險共同作用下的大溢出矩陣中四個市場系統風險之間的溢出值。這也從另一個側面闡釋了如果不考慮每一市場的系統風險和異質風險的交互作用———而僅僅只對四個市場的金融壓力序列進行分析———則會忽略市場內部不同風險之間的復雜溢出傳染關系，從而導致對風險傳染的低估。

3.3.2 系統風險和異質風險溢出來源的動態趨勢分析（FROM 角度）

1） 系統風險溢出來源的動態趨勢分析

本文進一步分析了基于四個市場系統風險和異質風險8 序列組成的動態平均大溢出矩陣中各個溢出作用的來源渠道。

圖9 顯示了銀行系統風險的動態來源構成。從中可以看出，平均而言，銀行系統風險最主要的溢出來源是自身（平均溢出值為55. 41%，見表5 所示），在各次金融沖擊及新冠疫情沖擊下具有相對較高的溢出值。同時，它也受到債券市場系統風險的顯著溢出作用（ 平均溢出值到16. 81%，見表5 所示），尤其在2008 年至2010 年次貸和歐債危機期間、2013 年流動性危機期和2015 年股市暴跌期均有較強的溢出作用;而外匯市場系統風險和股市系統風險類似所產生的溢出作用相對較小，主要是在2018 年前后有一定的溢出效應。此外，四個市場的異質性風險所產生的貢獻度相對較小（平均加總溢出值為14. 22%）;然而，新冠疫情的沖擊使四個市場異質風險對銀行系統風險均產生了顯著較高的溢出作用，四個市場異質風險所產生的溢出值加總最高值達到94. 97%。

圖10 顯示了債券市場系統風險的溢出來源。其主要來源于自身的溢出效應（均值為61. 45%，見表5 所示），尤其在2017 年影子銀行高風險期、2018 年中美貿易摩擦及新冠疫情暴發后高點溢出值分別達到了89. 06%、93. 22%和94. 13%。同時，來自2013 年流動性危機期的銀行系統風險、2013 年流動性危機期和2016年末至2017 年間以及疫情后期2022 年初的股市系統風險，均對債市系統風險產生了較大的溢出作用，溢出值均在40%以上。然而，四個市場異質風險的溢出作用相對有限，平均而言，四個市場異質風險的溢出總溢出值僅為7. 68%;但是，在新冠疫情暴發后，四個市場異質風險卻急劇產生了高達92. 52%的顯著溢出作用。

與銀行和債券系統風險的溢出來源構成類似，股市系統性風險的來源主要是自身（如圖11 所示），尤其在次貸和歐債危機期、2013 年中國流動性危機和2015 年股市危機前期、2018 年中美貿易摩擦爆發后，均產生了80%以上的溢出值。其次是債市系統風險匯市系統風險均對股市系統風險產生了10%以上的平均溢出作用：債市系統風險在2013 年流動性危機期和2015 年股市暴跌后期均對股市系統風險產生了高達40%以上的溢出作用;而匯市系統風險則在2018年中美貿易摩擦爆發后及新冠疫情暴發后對股市系統風險產生了高達40%以上的溢出作用。作為對比，銀行系統風險產生的溢出作用相對較小，僅在2017年影子銀行高風險期和2018 年中美貿易摩擦爆發后有40%以上的溢出作用。此外，四個市場異質風險也僅發揮了較小的溢出作用，平均溢出作用之和僅為6. 92%，但在新冠疫情暴發后突然增加到了93. 34%。

圖12 顯示了匯市系統風險的溢出來源渠道。與其他三個市場系統風險來源不同的是：匯市系統風險源于自身的溢出作用更大，在多數時間段均處于溢出值的高位水平，平均溢出值達到73. 07%，遠高于其他三個市場系統風險對自身的溢出作用。尤其在2015 年8 月匯改后呈現出急劇增加，從溢出值44. 68%直接上升至81. 86%。而其他三個市場系統風險對匯市系統風險的溢出作用相對較小，平均加總溢出值僅為21. 24%，僅有債市系統風險在2015年股市暴跌期對匯市系統風險產生了高達40%以上的溢出作用。此外，四個市場異質風險所產生的平均溢出作用加總值也僅為5. 69%，但在新冠疫情暴發后高達83. 72%。

綜上，銀行、債市和股市系統性風險的溢出來源主要是自身的作用，尤其在歷次金融沖擊和新冠疫情沖擊下。同時，來自于其他市場系統風險也發揮了交互的重要溢出作用。例如，對于銀行系統風險而言，來自于次貸和歐債危機、2013 年流動性危機期和2015 年股市暴跌期的債市系統風險發揮了顯著的溢出作用;對于債市系統風險而言，不僅是來自于2013 年流動性危機期的銀行系統風險，而且來自于2013 年流動性危機期、2016 年末至2017 年間，以及疫情后期2022 年初的股市系統風險，均產生了顯著較高的溢出值;而對于股市系統風險而言，來自于2013 年流動性危機期和2015 年股市暴跌后的債市系統風險以及2018 年中美貿易摩擦爆發后和新冠疫情暴發后匯市系統風險均發揮了高達40%以上的溢出作用。但是，匯市系統風險相對“獨立” （ 其溢出作用主要來自于自身），僅有債市系統風險在2015 年股市暴跌期產生了高達40%以上的溢出作用。

此外，四個市場異質風險在新冠疫情暴發后對各個市場系統風險均產生了急劇上升的顯著溢出作用，溢出和高值均在90%以上（除了匯市系統風險受到的相應溢出高值為83. 72%）。

2） 異質風險溢出來源的動態趨勢分析

相應地，四大市場異質風險的溢出來源如圖13 所示。總體上而論，每個市場的異質風險主要來自于四個市場的異質風險，而來自于系統風險的貢獻度相對較小。這些結論也可從前文表4 中得到印證，體現出四個市場異質風險間的強相互作用性。

圖13 顯示，銀行異質風險主要來源于自身市場的異質風險，其平均溢出作用達到23. 97%，且走勢相對平穩（其波動率為6. 74%）。同時，其他三個市場的異質風險也發揮了較大的溢出作用，尤其是2015 年股災后期其他三個市場異質風險的溢出總值高達94. 49%。此外，其他三個市場系統風險在2013 年流動性緊張期對銀行異質風險產生了高達40. 95%的總溢出值。這表明，在流動性緊張期，其他三個市場的系統風險對銀行異質風險具有顯著的溢出作用。

與此類似，債市異質風險的來源主要是自身（平均溢出值為25. 50%） 和其他三個市場異質風險（平均溢出之和為65. 96%）。尤其在新冠疫情之后，來自于其他三個市場的異質風險的貢獻度高達92. 17%。

股市異質風險和匯市異質風險的來源也主要來源于自身和其他三個市場異質風險，其中股市異質風險和匯市異質風險來源于自身的貢獻度分別為23. 61%和19. 32%，且隨著時間演變均呈現上升的趨勢;而對應的來自于其他三個市場異質風險的加總平均貢獻度分別為67. 95%和72. 09%。此外，在2013 年流動性危機期，匯市異質風險也受到了其他三個市場系統風險的顯著影響，其溢出總值達到了47. 17%。

綜上，四個市場異質風險主要來源于自身和其他三個市場異質風險的溢出作用。此外，在2013 年流動性危機期，銀行異質風險和匯市異質風險也受到了其他三個市場系統風險的顯著影響。這表明2013 年流動性沖擊使得系統風險產生了顯著的外溢，影響到了銀行和匯市的異質風險。

3.3.3 系統風險和異質風險溢出去向的動態趨勢分析（TO 角度）

1） 系統風險溢出去向的動態趨勢分析

圖14 從TO 的角度展示了四個市場系統風險所產生的動態溢出趨勢。其中，左列四個圖形分別對應了銀行、債市、股市、匯市的系統風險對四大市場系統風險的溢出作用的動態演化趨勢。由此可見，四個市場系統風險均對自身產生了最大的溢出作用，該結論也得到了上文表5 的支持。

其中，銀行系統風險對債市系統風險的平均溢出作用相對較大，尤其在2013 年流動性危機期，產生了高達44. 85%的溢出作用。盡管銀行系統風險對股市的平均溢出值相對較小，但在2018 年初卻達到了48. 08%。

債市系統風險對銀行系統風險的溢出貢獻度（ 樣本期平均值） 也達到了16. 82%，尤其是幾次危機期間溢出值均有大幅度上升;債市系統風險對股市系統風險的溢出作用主要體現在2013 年流動性危機期和2015 年中國股市暴跌期;而債市系統風險對匯市系統風險的作用則主要集中于2015 年匯改期，其對應的最高溢出值均達到40%以上。

相對而言，股市系統風險對其他三個市場系統風險的溢出作用的平均值較小（對銀行系統風險、債市系統風險、匯市系統風險的TO 溢出作用樣本均值分別為7. 33%、12. 99%和10. 60%）。但是，在2013 年流動性危機期、2015 年股災后、2017 年影子銀行高風險期至2018 年中美貿易摩擦爆發后、以及新冠疫情暴發后，股市系統風險對債市系統風險產生了40%以上的溢出作用;同時，股市系統風險對在2015 年股災及2017 年影子銀行高風險期對銀行系統風險也產生了較大的溢出作用。

匯市系統風險對銀行和債市系統性風險的溢出作用相對較小（均值僅分別為6. 21%、4. 34%）;但是，在2018 年初和新冠疫情暴發后匯市系統風險對股市系統風險產生了40%以上的溢出作用。

圖14 右列顯示了銀行、債市、股市、匯市的系統風險對四大市場異質風險的溢出作用的動態演化圖。從四張圖中可以看出，四個市場系統風險對各市場異質風險的溢出趨勢較為基本一致，尤其是對銀行、債市和匯市的溢出作用（見圖14 右列中的各小圖）。

相對而言，銀行系統風險對各個市場的異質風險的溢出作用最大，均在3%以上，尤其是在2013 年流動性緊張期和2020 年新冠疫情暴發后，銀行系統風險對四個市場的異質風險均產生了10%以上的溢出作用。債市系統風險和股市系統風險對各異質風險所產生的平均溢出作用相對較小，但是，在2013 年流動性危機期卻對四個市場異質風險的溢出作用急劇上升達到10%以上，尤其是對匯市異質風險的溢出值，兩者溢出值高點分別達到27. 06%和19. 51%。而匯市系統風險則主要在2018 年中美貿易摩擦爆發后對各市場異質風險產生了高達10%以上的溢出作用。

綜上，四個市場系統風險之間的溢出網絡呈現動態演化趨勢，尤其在2013年流動性危機期、2015 年股市暴跌期和匯改期、2017 年影子銀行高風險期和2018 年地方政府債務風險的累積和中美貿易摩擦爆發后以及新冠疫情暴發后，四個市場系統風險對各系統風險產生了不同的溢出高值，這反映出重大外部沖擊對系統風險間的溢出網絡關系具有重要的影響。而四個市場系統風險對各個異質風險的溢出作用則呈現趨同的走勢，尤其在2013 年流動性危機期間，銀行、債市和股市系統風險分別對各市場的異質風險產生了急劇上升的溢出作用;而匯市系統風險對各異質風險的溢出高點則主要集中于2018 年中美貿易摩擦爆發后，這與匯市在跨國貿易中的作用有緊密關系。

2） 異質風險溢出去向的動態趨勢分析

圖15 左四圖顯示了四個市場異質風險對各市場系統風險的溢出作用演化圖。從左列四圖中可以看出，四個市場的異質風險對各市場系統風險的溢出作用總體上溢出值較小，同時，四個市場異質風險對各市場系統風險的溢出作用呈現出一定的波動性，尤其是在新冠疫情暴發后，四個市場異質風險均對各系統風險產生了顯著的急劇上升的溢出作用，溢出值達到20%左右，特別是四個市場異質風險對銀行系統風險的溢出值分別高達23. 65%、21. 53%、23. 64%和26. 15%。

圖15 右四圖顯示了四個市場異質風險對各市場異質風險的溢出演化圖。比較對應的左右兩列圖，從中可以看出，異質風險對異質風險的溢出呈現更大的波動性（右列）。總體上而言，各市場異質風險對四個市場異質風險的溢出走勢幾乎趨同。例如，銀行異質風險和債市異質風險均在2008 年次貸危機、2010年歐債危機、2013 年流動性危機和2015 年股市暴跌期間，以及2017 年至2018年影子銀行高風險期和中美貿易摩擦爆發等重大外部事件沖擊下對四個市場異質風險產生了高于30%的溢出作用;而股市異質風險和匯市異質風險也均在2018 年初和新冠疫情暴發后對四個市場異質風險產生了30%以上的高溢出作用。

綜上，各個市場的異質風險對四個市場異質風險的溢出體現出一定的波動性和走勢趨同性，尤其是幾次重大外部沖擊下，溢出作用均高達30%以上。而四個市場異質風險對各系統風險的溢出值均相對較小，主要集中于新冠疫情沖擊下出現了顯著劇升的溢出作用，溢出值達到20%以上。

3.4 特殊時段風險溢出網絡關系及系統重要性金融市場識別

根據上述動態演化特征，本文參考楊子暉和周穎剛（2018） 的方法，分別選取了次貸危機、歐債危機、2013 年流動性危機、2015 年股市暴跌及“811” 匯改事件、2018 年初中美貿易摩擦爆發、2020 年初新冠疫情暴發等作為特殊研究樣本期①，分析上述重大外部沖擊對金融市場間風險溢出效應的影響。

圖16 以次貸危機期間的2009 年7 月31 日所在周為樣本窗口截止期②進行了溢出網絡結構的分析（ 其總溢出指數值為62. 03%）。從中可以看出，次貸危機時期主要體現為異質風險間的顯著較高的雙向溢出作用，尤其是銀行和債市異質風險對股市異質風險產生了顯著的凈溢出作用;而系統風險之間的作用相對較弱（盡管銀行與債市、債市與股市、股市與匯市的系統風險之間存在一定的溢出關系）。這說明，作為全球性的金融危機這一整體性的外部事件，次貸危機給中國四個金融市場系統風險帶來了相對“同一” 的重大影響，因此，各市場系統風險間的溢出作用相對較小;但是，次貸危機卻對各個市場異質風險帶來了不同的預期，使得各異質風險的相互傳染和溢出作用增強，而且銀行部門和債市的異質風險發揮了更大的凈風險溢出作用。

圖17 以歐債危機期間的2010 年8 月27 日所在周為樣本窗口截止期（RW=104）①進行了溢出網絡結構的分析（其總溢出指數值為62. 40%）。從中可以看出，銀行和債市在歐債危機中發揮著重要的作用，不僅是銀行異質風險和債市異質風險對其他異質風險具有顯著的凈溢出作用，而且銀行系統風險和債市系統風險間也存在著顯著的雙向溢出作用，且債券系統風險對匯市系統風險也具有顯著的凈溢出值。這說明，銀行和債市這兩個金融市場與歐債危機中顯著的債務困境具有最為緊密的相連性，因而在此次歐債危機中表現出了較強的溢出作用，是該時期的系統重要性金融市場。

圖18 以2013 年流動性危機爆發日2013 年6 月20 日所在周為樣本窗口截止周（RW=104）②進行了風險溢出網絡結構的分析（其總溢出指數值為59. 36%）。2013 年6 月20 日上海銀行間同業拆借利率（SHIBOR）大幅上升578. 40 個基點至13. 44%、銀行間隔夜回購利率一度觸及30%的歷史高點，市場一度呈現出流動性的緊張局面。圖18 顯示，四個市場異質風險之間仍形成了緊密的傳染路徑，尤其是銀行和債市異質風險對其他市場異質風險產生了較強的凈溢出作用;銀行和債市系統風險之間也形成了較強的雙向溢出關系，而且這兩個系統風險對四個市場異質風險也產生了一定的溢出作用。這表明，在此次流動性危機中，銀行和債市仍發揮了一定的系統重要性金融市場作用。

鑒于2015 年“811” 匯市改革對市場風險溢出作用的影響，圖19 顯示了2015 年8 月11 日所在周為樣本窗口截止期（RW=104）①的四個市場系統風險和異質風險間的溢出網絡關系（溢出總指數為59. 20%）。盡管四個市場異質風險間仍存在顯著的雙向溢出網絡關系，但凈溢出關系并不顯著;而且更為重要的是，四個市場系統風險間的兩兩溢出關系開始凸顯，尤其是債市和匯市系統風險在匹配溢出網絡中的作用。從凈溢出網絡結構看，匯市和股市系統風險發揮了顯著的風險凈溢出作用，如股市系統風險和匯市系統風險分別對銀行系統風險產生了14. 49%和12. 85%的凈溢出值。這說明，“811” 匯改對匯市產生了顯著的影響，使其在四個市場傳染網絡中具有了重要的溢出地位。當然，股市在期間發揮的顯著作用可能與即將到來的股市暴跌有緊密的關系，表明投資者對相關信息的提前預期。

圖20 顯示了歷經2015 年8 月24 日滬深股指大幅下跌至8. 49%收盤和8 月25 日滬指繼續暴跌7. 6%且再度全線跌停后四個市場系統風險和異質風險的溢出關系（溢出總指數為55. 71%）。由此可見，在股市暴跌后，股市異質風險無論是在匹配溢出網絡中還是在凈溢出網絡中均處于溢出作用最強的地位，即股市異質風險在股災期發揮了顯著的溢出作用。此外，股市系統風險受到其他系統風險的傳染作用，體現出較強的風險接收作用。因此，股市在2015 年股災期發揮了重要的鏈接紐帶作用。

2018 年初，中美貿易摩擦不斷升級。圖21 選擇了2018 年初總溢出值較大（60. 06%）的2018 年1 月26 日所在周為窗口截止期的樣本（ RW= 104）進行了溢出網絡結構的分析。結果顯示，異質風險間的溢出關系較為顯著，而系統風險間主要是銀行與股市系統風險間、股市與匯市系統風險間具有雙向的溢出關系。因此，在貿易摩擦期間，相對而言，股市發揮的溢出作用較大。

2019 年底2020 年初暴發的新冠疫情，對金融、經濟生產等均產生了重大影響。圖22 以2020 年3 月6 日所在周為窗口截止期的樣本（RW=104）①進行了研究，分析了新冠疫情對四大金融市場間風險溢出網絡的影響（ 總溢出指數為85. 83%）。無論是匹配溢出網絡還是凈溢出網絡，均顯示出了十分顯著的錯綜復雜的相互溢出網狀結構。其中最顯明的特征是，各異質風險均為四個市場的系統風險提供了十分顯著的溢出作用，也就是說，面對諸如新冠疫情等重大公共衛生事件沖擊，四個市場的各異質風險對各系統風險均具有顯著的單向溢出作用。此外，值得注意的是，四個市場各異質風險之間分別存在雙向溢出作用，但是卻不存在顯著的凈溢出關系。對比圖16 ～ 圖21 所示的重大金融沖擊，圖22 的結果說明，面對重大公共衛生事件沖擊，金融市場間的溢出網絡關系呈現出更為復雜交織的網絡結構;也就是說，重大公共衛生事件沖擊對金融市場間的溢出網絡結構具有更為顯著的影響。

3.5 穩健性檢驗

上文實證研究主要參考現有文獻[如Diebold and Yilmaz（2012，2014）等]的參數設置方法，根據SC 準則確定VAR（1） 模型，以及將預測期定為H = 12 周、滾動窗口長度設為2 年（即RW=104 周）作為基準動態效應的模型設置。為進一步考察這些參數可能帶來的影響，圖23 分別對VAR 模型滯后階數、預測期H、滾動窗口長度RW 進行了穩健性檢驗。

圖23 顯示，對基準模型中采用的VAR（1） 方法替換成VAR（2） 之后（灰色虛線表示），我們發現，盡管VAR（2）模型在2013 年流動性危機、2015 年匯改后有更大的溢出值，但總溢出指數呈現出了類似的發展趨勢，其樣本期均值為60. 21%，且均在危機期有較大的溢出值，基本上和基準模型類似。

將基準模型的預測期H =12 替換成H =10 之后（灰色虛線表示），總溢出指數幾乎與基準模型的指數有高度的重合度，其總溢出指數均值為57. 06%，非常接近基準模型的溢出均值57. 16%。

將基準模型的滾動窗口長度RW=104 替換成RW=156（三年） 之后（ 灰色虛線表示），其樣本均值為56. 07%，與基準模型的結果也較為接近。

因此，總體而言，穩健性檢驗的結果較好地支持了原基準模型得出結果的可靠性。

此外，我們對金融壓力指數的構建變量也進行了穩健性檢驗。在上文分析中，銀行部門TED 指標采用的是3 個月期SHIBOR～3 個月短期國債利率、債市的反向期限利差指標采用的是3 個月短期國債利率—10 年期國債利率（如上文表1 所示）。為了考察期限帶來的影響，我們采用了1 個月期SHIBOR 和1 個月國債利率進行替代。結果發現，總溢出指數的樣本均值為55. 90%，其動態趨勢和基準模型下的溢出指數走勢類似，結果具有穩健性。

同時，上文金融壓力指標的構建是參考金融壓力測度的通用方法，采用“收益和波動”兩維度進行的合成計算;我們也選用了“ 波動” 單維度進行金融壓力指標測度的穩健性檢驗。結果發現，基于波動率指標計算的總溢出指數樣本均值為62. 22%，稍大于基準模型對應的平均溢出值57. 16%。總體上而言，兩者表現出了類似的走勢，因此，上文結論具有一定的穩健性。

4 結論與啟示

本文將銀行、債市、股市和匯市金融壓力分解成系統風險和異質風險，運用Diebold and Yilmaz（2012） 的廣義方差分解法研究了四個市場系統風險和異質風險間的溢出網絡關系，揭示各市場的風險來源和去向，識別出重大金融沖擊和公共衛生沖擊下的系統重要性金融市場。研究結果發現：如果不考慮系統風險和異質風險的交互性和強傳染性，則會嚴重低估跨市場風險傳染的程度;盡管四個市場的系統風險傳染網絡和異質風險傳染網絡都相對“自成體系”，但我們仍可識別出，銀行系統風險是聯結兩個網絡的主要力量，是整個系統中的重要連結節點。在各種金融危機期，風險溢出性和傳染性增強，且相較于金融沖擊，重大公共衛生沖擊對四個市場系統風險和異質風險的溢出作用更為顯著;同時，不同階段、不同的市場發揮著階段性系統重要性金融市場的作用。具體有以下幾方面。

（1） 基于靜態總指數的比較。將各市場金融壓力分解成系統風險和異質風險后，各市場間相互的風險溢出程度顯著大幅度提高。這反映出系統風險和異質風險內部的交互性和強傳染性;即若僅對四個市場的金融壓力序列進行分析，則會忽略系統風險和異質風險內部不同市場之間的復雜溢出傳染關系，從而導致對整體風險傳染的低估。

（2） 基于溢出矩陣的比較。溢出矩陣分析顯示，四個市場的系統風險傳染網絡和異質風險傳染網絡都相對“自成體系”，但我們仍可識別出，銀行系統風險是聯結兩個網絡的主要力量，是整個系統中的重要連結節點。在系統性風險網絡中，債市系統風險和銀行系統風險之間、股市系統風險和債市系統風險之間、股市系統風險和匯市系統風險之間具有顯著的雙向溢出作用，這些溢出作用均是系統風險“互溢” 網絡中最重要的“連接線條”，且債市系統風險是顯著的“凈發送方”、銀行系統風險是顯著的“凈接收方”。同時，相較于系統風險網絡關系，四個市場異質風險間的傳染網絡關系則更為緊密，其中，債市異質風險是顯著的“凈風險發送方”，而匯市異質風險則是“凈風險接收方”。

（3） 基于動態溢出指數的比較。動態溢出趨勢顯示，相較于金融沖擊，重大公共衛生沖擊對四個市場系統風險和異質風險的溢出作用更為顯著。同時，各市場系統風險在面對不同的重大沖擊時，表現出了不同的溢出特征。銀行系統風險在2013 年流動性危機、2015 年股市暴跌期、2020 年新冠疫情暴發后均發揮了顯著的“風險接收方” 的作用;而債市系統風險和股市系統風險則均在2013 年流動性危機期發揮了顯著的“風險發送方” 的作用;匯市系統風險則在2015 年匯改后表現出了顯著的“風險發送方” 的作用;此外，四個市場系統風險在新冠疫情暴發后均體現出了“風險凈接收方”的特征。究其原因，這與各個市場的特征有緊密關系。

（4） 基于動態FROM 角度的比較。銀行、債市和股市系統風險的溢出來源主要是自身的作用，尤其在歷次金融危機和新冠疫情沖擊下，同時，來自于其他市場系統風險也發揮了交互的重要溢出作用;但是，匯市系統風險相對“ 獨立”（其溢出作用主要來自于自身），僅有債市系統風險在2015 年股市暴跌期產生了高達40%以上的溢出作用。而四個市場異質風險主要來源于自身和其他三個市場異質風險的溢出作用。此外，在2013 年流動性危機期，銀行異質風險和匯市異質風險也受到了其他三個市場系統風險的顯著影響。這表明2013 年流動性沖擊使得系統風險產生了顯著的外溢，影響到了銀行和匯市的異質風險。

（5） 基于動態TO 角度的比較。四個市場系統風險之間的溢出網絡呈現動態演化趨勢，尤其在2013 年流動性危機期、2015 年股市暴跌期、2018 年中美貿易摩擦爆發后以及新冠疫情暴發后，四個市場系統風險對各系統風險產生了不同的溢出高值，這反映出重大外部沖擊對系統風險間的溢出網絡關系具有重要的影響。而四個市場系統風險對各個異質風險的溢出作用則呈現趨同的走勢，尤其在2013 年流動性危機期間，銀行、債市和股市系統風險分別對各市場的異質風險產生了急劇上升的溢出作用;而匯市系統風險對各異質風險的溢出高點則主要集中于2018 年中美貿易摩擦爆發后，這與匯市在跨國貿易中的作用有緊密關系。而各個市場的異質風險對四個市場異質風險的溢出體現出一定的波動性和走勢趨同性，尤其是幾次重大外部沖擊下，溢出作用均高達30%以上。相對而言，四個市場異質風險對各系統風險的溢出值均相對較小，主要集中于新冠疫情沖擊下出現了顯著劇升的溢出作用，溢出值達到20%以上。

（6） 基于各個特殊時期系統重要性金融市場的識別分析。作為全球性的金融危機這一整體性的外部事件，次貸危機給中國四個金融市場系統風險帶來了相對“同一”的重大影響，因此，各市場系統風險間的溢出作用相對較小;但是，次貸危機卻對各個市場異質風險帶來了不同的預期，使得各異質風險的相互傳染和溢出作用增強，而且銀行部門和債市的異質風險發揮了更大的凈風險溢出作用。在歐債危機中，銀行和債市表現出了較強的溢出作用，因為這兩個金融市場與顯著的債務困境具有最為緊密的相連性，是該時期的系統重要性金融市場。在2013 年流動性危機中，銀行和債市仍發揮了一定的系統重要性金融市場作用。2015 年“811”匯改對匯市產生了顯著的影響，使其在四個市場傳染網絡中具有了重要的溢出地位。當然，股市在期間發揮的顯著作用可能與即將到來的股市暴跌有緊密的關系，表明投資者對相關信息的提前預期。在2015年股災期，股市異質風險發揮了顯著的溢出作用;同時，股市系統風險受到其他系統風險的傳染作用，體現出較強的風險接收性。在貿易摩擦期間，相對而言，股市發揮的溢出作用較大，尤其是銀行與股市系統風險間、股市與匯市系統風險間具有雙向的溢出關系。此外，匯市系統風險對各異質風險的溢出高點則主要集中于2018 年中美貿易摩擦爆發后，這與匯市在跨國貿易中的作用有緊密關系。

同時，面對新冠疫情重大公共衛生事件沖擊，金融市場間的溢出網絡關系呈現出更為復雜交織的網絡結構;也就是說，重大公共衛生沖擊對金融市場間的溢出網絡結構具有更為顯著的影響。而且，四個市場的各異質風險對各系統風險均產生了急劇上升的顯著單向溢出作用，這表明在重大公共衛生事件沖擊下，各市場的異質風險發揮了重要的溢出作用。

基于本文研究發現，主要的研究啟示有：一方面關注市場的風險類型以及不同風險類型在系統性金融風險形成和溢出中的作用，應該是未來研究重點。忽略風險類型不僅會低估金融市場之間的關聯程度，這大大違背了次貸危機引發的對市場關聯度和傳染性的重視原則，而且會誤判造成系統性金融風險的風險傳染鏈條、傳染來源、傳染去向以及傳染源頭，從而在金融危機的頻繁發生面前還是“一籌莫展”。另一方面關注“系統重要性金融市場” 同樣重要。次貸危機引發了對“系統重要性金融機構”的關注和研究，但是金融市場在系統性金融危機中同樣扮演了舉足輕重的角色，因此必須采用合適的方法測度和識別出不同金融危機期中的階段性“系統重要性金融市場”，進而為金融監管機構的“ 對癥下藥”提供堅實的學理支持。

參考文獻

巴曙松， 高江健. 2012. 基于指標法評估中國系統重要性銀行[J]. 財經問題研究，

（9）： 48-56.

Ba S S， Gao J J. 2012. The assessment of Chinese systemically important banks： an

indicator-based approach[J]. Research on Financial and Economic Issues， （9）： 48-

56. （in Chinese）

白雪梅， 石大龍. 2014. 中國金融體系的系統性風險度量[J]. 國際金融研究，（6）：

7 5-85.

Bai X M， Shi D L. 2014. Measurement of the systemic risk of Chinas financial

system[J]. Studies of International Finance， （6）： 75-85. （in Chinese）

鄧向榮， 曹紅. 2016. 系統性風險、網絡傳染與金融機構系統重要性評估[ J]. 中央

財經大學學報，（3）： 52-60.

Deng X R， Cao H. 2016. Systematic risk， network contagion and assessment of

SIFIs[J]. Journal of Central University of Finance amp; Economics， （3）： 52-60. （ in

Chinese）

范小云， 王道平， 劉瀾飚. 2012. 規模、關聯性與中國系統重要性銀行的衡量[ J].

金融研究，（11）： 16-30.

Fan X Y， Wang D P， Liu L B. 2012. The SIFIs： “ too big to fail” or “ too

connected to fail”？ —An analysis of Chinas banking sector [ J]. Journal of

Financial Research， （11）： 16-30. （in Chinese）

方意， 趙勝民， 王道平. 2012. 我國金融機構系統性風險測度———基于DCCGARCH

模型的研究[J]. 金融監管研究，（11）： 26-42.

Fang Y， Zhao S M， Wang D P. 2012. The systemic risk measurement of Chinas

financial institutions—Based on the DCC-GARCH model[ J]. Financial Regulation

Research， （11）： 26-42. （in Chinese）

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

39-57.

Gong X L， Xiong X. 2020. A study of financial risk contagion from the volatility

spillover network perspective[J]. Journal of Financial Research， （5）： 39-58. （ in

Chinese）

宮曉莉， 熊熊， 張維. 2020. 我國金融機構系統性風險度量與外溢效應研究[J]. 管

理世界， 36（8）： 65-82.

Gong X L， Xiong X， Zhang W. 2020. Research on systemic risk measurement and

spillover effect of financial institutions in China[J]. Journal of Management World，

36（8）： 65-82. （in Chinese）

顧海峰， 戴云龍. 2021. 金融機構尾部風險關聯機制及其異質性特征研究———兼論

金融機構系統重要性識別機制[J]. 制度經濟學研究，（4）： 165-196.

Gu H F， Dai Y L. 2021. Study on tail risk correlation mechanism among financial

institutions and heterogeneity characteristic—Based on identification mechanism to

system importance of financial institutions[J]. Research on Institutional Economics，

（4）： 165-196. （in Chinese）

黃乃靜， 于明哲. 2020. 系統性金融風險指標的比較分析———基于實體經濟風險預

測的視角[J]. 系統工程理論與實踐， 40（10）： 2475-2491.

Huang N J， Yu M Z. 2020. Comparison analysis of systemic risk measures—a study

based on real economic risk forecasting[J]. Systems Engineering-Theory amp; Practice，

40（10）： 2475-2491. （in Chinese）

賈彥東. 2011. 金融機構的系統重要性分析———金融網絡中的系統風險衡量與成

本分擔[J]. 金融研究，（10）： 17-33.

Jia Y D. 2011. Measuring the systemic importance of financial institutions：

methodology and policy applications[J]. Journal of Financial Research， （10）： 17-

33. （in Chinese）

賈妍妍， 方意， 荊中博. 2020. 中國金融體系放大了實體經濟風險嗎[ J]. 財貿經

濟， 41（10）： 111-128.

Jia Y Y， Fang Y， Jing Z B. 2020. Does Chinas financial system amplify risks in

the real economy？ [ J]. Finance amp; Trade Economics， 41 （ 10）： 111-128. （ in

Chinese）

靳玉英， 周兵. 2013. 新興市場國家金融風險傳染性研究[J]. 國際金融研究，（5）：

49-62.

Jin Y Y， Zhou B. 2013. Research on the financial contagion risks in emerging

markets and the policy implication of macro-prudential supervision[ J]. Studies of

International Finance， （5）： 49-62. （in Chinese）

李紅權， 何敏園， 黃瑩瑩. 2020. 我國金融機構的系統重要性評估： 基于多元極值

理論[J]. 中國管理科學， 28（5）： 14-24.

Li H Q， He M Y， Huang Y Y. 2020. The evaluation of systemically important

financial institution of China： based on multivariate extreme value theory [ J].

Chinese Journal of Management Science， 28（5）： 14-24. （in Chinese）

李紹芳， 劉曉星. 2020. 金融系統壓力： 指數化測度及其溢出效應研究[J]. 系統工

程理論與實踐， 40（5）： 1089-1112.

Li S F， Liu X X. 2020. Financial systemic stress： index construction and spillover

effect measurement[ J]. Systems Engineering-Theory amp; Practice， 40 （ 5）： 1089-

1112.

李政， 梁琪， 涂曉楓. 2016. 我國上市金融機構關聯性研究———基于網絡分析法

[J]. 金融研究，（8）： 95-110.

Li Z， Liang Q， Tu X F. 2016. The connectedness of Chinese listed financial

institutions： a study based on network analysis[ J]. Journal of Financial Research，

（8）： 95-110. （in Chinese）

李政， 郝毅， 袁瑾. 2018. 在岸離岸人民幣利率極端風險溢出研究[J]. 統計研究，

35（2）： 29-39.

Li Z， Hao Y， Yuan J. 2018. The extreme risk spillover between onshore and

offshore RMB interest rates[J]. Statistical Research， 35（2）： 29-39. （in Chinese）

李政， 劉淇， 梁琪. 2019a. 基于經濟金融關聯網絡的中國系統性風險防范研究

[J]. 統計研究， 36（2）： 23-37.

Li Z， Liu Q， Liang Q. 2019a. A study on forestalling Chinas systemic risk based on

financial industry and real economy interacted network[ J]. Statistical Research，

36（2）： 23-37. （in Chinese）

李政， 涂曉楓， 卜林. 2019b. 金融機構系統性風險： 重要性與脆弱性[ J]. 財經研

究， 45（2）： 100-112， 152.

Li Z， Tu X F， Bu L. 2019b. Systemic risks of financial institutions： importance and

vulnerability[J]. Journal of Finance and Economics， 45（2）： 100-112， 152. （ in

Chinese）

劉曉星， 方磊. 2012. 金融壓力指數構建及其有效性檢驗： 基于中國數據的實證分

析[J]. 管理工程學報， 26（3）： 1-6.

Liu X X， Fang L. 2012. Construction and effectiveness test of financial stress

index—Empirical analysis based on China Data [ J ]. Journal of Industrial

Engineering and Engineering Management， 26（3）： 1-6. （in Chinese）

歐陽志剛， 周焰. 2012. 中國商業銀行面臨的金融壓力及其傳導機制分析[ J]. 廣

東金融學院學報， 27（3）： 93-102.

Ouyang Z G， Zhou Y. 2012. Analysis on Chinese commercial banks financial

pressures and its transmission mechanism[ J]. Journal of Finance and Economics，

27（3）： 93-102. （in Chinese）

清華大學國家金融研究院金融與發展研究中心課題組. 2019. 中國系統性金融壓

力的監測[J]. 國際金融研究，（12）： 3-12.

Research Team at Center for Finance and Development， Tsinghua National Institute

of Financial Research. 2019. Research on monitoring systemic financial stress in

China[J]. Studies of International Finance， （12）： 3-12. （in Chinese）

人民銀行張家口市中心支行課題組. 2005. 對我國跨市場跨行業金融風險防范問

題研究[J]. 華北金融，（9）： 27-30.

Research Group of Zhangjiakou Central Branch of the Peoples Bank of China. 2005.

Research on the prevention of financial risks across markets and industries in China

[J]. Huabei Finance， （9）： 27-30. （in Chinese）

肖璞， 劉軼， 楊蘇梅. 2012. 相互關聯性、風險溢出與系統重要性銀行識別[J]. 金

融研究，（12）： 96-106.

Xiao P， Liu Y， Yang S M. 2012. On the recognition of interconnectedness， risk

spillover effect and systemically important bank[J]. Journal of Financial Research，

（12）： 96-106. （in Chinese）

徐國祥， 李波. 2017. 中國金融壓力指數的構建及動態傳導效應研究[ J]. 統計研

究， 34（4）： 59-71.

Xu G X， Li B. 2017. Study on the construction of Chinas financial stress index and

its dynamic transmission effect [ J]. Statistical Research， 34 （ 4）： 59-71. （ in

Chinese）

徐少君， 張少華， 王煒婷. 2020. 跨國金融壓力的溢出效應及渠道識別研究[J]. 數

量經濟技術經濟研究， 37（4）： 127-145.

Xu S J， Zhang S H， Wang W T. 2020. International financial stress spillovers and

its determination[J]. The Journal of Quantitative amp; Technical Economics， 37（4）：

127-145. （in Chinese）

嚴兵， 張禹， 王振磊. 2013. 中國系統重要性銀行評估———基于14 家上市銀行數據

的研究[J]. 國際金融研究，（2）： 47-57.

Yan B， Zhang Y， Wang Z L. 2013. Assessment of Chinas systematically important

banks—Based on the data of 14 listed banks[ J]. Studies of International Finance，

（2）： 47-57. （in Chinese）

楊子暉， 陳雨恬， 謝銳楷. 2018. 我國金融機構系統性金融風險度量與跨部門風險

溢出效應研究[J]. 金融研究，（10）： 19-37.

Yang Z H， Chen Y T， Xie R K. 2018. Research on systemic risk measures and

cross-sector risk spillover effect of financial institutions in China[ J]. Journal of

Financial Research， （10）： 19-37. （in Chinese）

楊子暉， 周穎剛. 2018. 全球系統性金融風險溢出與外部沖擊[J]. 中國社會科學，

（12）： 69-90.

Yang Z H， Zhou Y G. 2018. Global systemic financial risk spillovers and their

external impact[J]. Social Sciences in China， （12）： 69-90. （in Chinese）

張曉樸. 2010. 系統性金融風險研究： 演進、成因與監管[ J]. 國際金融研究，（7）：

58-67.

Zhang X P. 2010. A study on systemic financial risk： evolution， causes and

supervision[J]. Studies of International Finance， （7）： 58-67. （in Chinese）

張勇， 彭禮杰， 莫嘉浩. 2017. 中國金融壓力的度量及其宏觀經濟的非線性效應

[J]. 統計研究， 34（1）： 67-79.

Zhang Y， Peng L J， Mo J H. 2017. The measurement of finance stress and

nonlinear effect on macroeconomic activity in China[J]. Statistical Research， 34（1）：

67-79. （in Chinese）

Aboura S， van Roye B. 2017. Financial stress and economic dynamics： The case of

France[J]. International Economics， 149： 57-73.

Acharya V V， Pedersen L H， Philippon T， et al. 2017. Measuring systemic risk[ J].

Review of Financial Studies， 30（1）： 2-47.

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

1705-1741.

Apostolakis G， Papadopoulos A P. 2014. Financial stress spillovers in advanced

economies[J]. Journal of International Financial Markets， Institutions and Money，

32： 128-149.

Apostolakis G， Papadopoulos A P. 2015. Financial stress spillovers across the banking，

securities and foreign exchange markets[ J]. Journal of Financial Stability， 19：

1-21.

Apostolakis G. 2016. Spreading crisis： Evidence of financial stress spillovers in the

Asian financial markets[J]. International Review of Economics amp; Finance， 43： 542-

551.

Balakrishnan R， Danninger S， Elekdag S， et al. 2011. The transmission of financial

stress from advanced to emerging economies[ J]. Emerging Markets Finance and

Trade， 47（2）： 40-68.

BCBS. 2011. Global systemically important banks： Assessment methodology and the

additional loss absorbency requirement[ R]. Basel： Basel Committee on Banking

Supervision.

Bernal O， Gnabo J Y， Guilmin G. 2014. Assessing the contribution of banks， insurance

and other financial services to systemic risk[J]. Journal of Banking amp; Finance， 47：

270-287.

Bernanke B S， Gertler M， Gilchrist S. 1999. The financial accelerator in a quantitative

business cycle framework[J]. Handbook of Macroeconomics， 1： 1341-1393.

Billio M， Getmansky M， Lo A W， et al. 2012. Econometric measures of connectedness

and systemic risk in the finance and insurance sectors[ J]. Journal of Financial

Economics， 104（3）： 535-559.

Brunnermeier M K， Sannikov Y. 2014. A macroeconomic model with a financial sector

[J]. American Economic Review， 104（2）： 379-421.

Cardarelli R， Elekdag S， Lall S. 2011. Financial stress and economic contractions[ J].

Journal of Financial Stability， 7（2）： 78-97.

Chau F， Deesomsak R. 2014. Does linkage fuel the fire？ The transmission of financial

stress across the markets [ J]. International Review of Financial Analysis， 36：

57-70.

Claeys P， Va?íˇcek B. 2014. Measuring bilateral spillover and testing contagion on

sovereign bond markets in Europe [ J]. Journal of Banking amp; Finance， 46：

151-165.

Davig T， Hakkio C. 2010. What is the effect of financial stress on economic activity[J].

Economic Review， 95（2）： 35-62.

Demirer M， Diebold F X， Liu L， et al. 2018. Estimating global bank network

connectedness[J]. Journal of Applied Econometrics， 33（1）： 1-15.

Diebold F X， Yilmaz K. 2009. Measuring financial asset return and volatility spillovers，

with application to global equity markets[ J]. The Economic Journal， 119（534）：

158-171.

Diebold F X， Yilmaz K. 2012. Better to give than to receive： Predictive directional

measurement of volatility spillovers[J]. International Journal of Forecasting， 28（1）：

57-66.

Diebold F X， Yilmaz K. 2014. On the network topology of variance decompositions：

Measuring the connectedness of financial firms[J]. Journal of Econometrics， 182（1）：

119-134.

Dovern J， van Roye B. 2014. International transmission and business-cycle effects of

financial stress[J]. Journal of Financial Stability， 13： 1-17.

Hakkio C S， Keeton W R. 2009. Financial stress： What is it， how can it be measured，

and why does it matter？ [J] Economic Review， 94（2）： 5-50.

Hatzius J， Hooper P， Mishkin F S， et al. 2010. Financial conditions indexes： A fresh

look after the financial crisis [ R]. Cambridge： National Bureau of Economic

Research.

Iacoviello M. 2005. House prices， borrowing constraints， and monetary policy in the

business cycle[J]. American Economic Review， 95（3）： 739-764.

Illing M， Liu Y. 2006. Measuring financial stress in a developed country： An application

to Canada[J]. Journal of Financial Stability， 2（3）： 243-265.

Liow K H， Liao W C， Huang Y T. 2018. Dynamics of international spillovers and

interaction： Evidence from financial market stress and economic policy uncertainty

[J]. Economic Modelling， 68： 96-116.

MacDonald R， Sogiakas V， Tsopanakis A. 2018. Volatility co-movements and spillover

effects within the Eurozone Economies： A multivariate GARCH approach using the

financial stress index[J]. Journal of International Financial Markets， 52： 17-36.

Mittnik S， Semmler W. 2013. The real consequences of financial stress[ J]. Journal of

Economic Dynamics and Control， 37（8）： 1479-1499.

Park C Y， Mercado Jr R V. 2014. Determinants of financial stress in emerging market

economies[J]. Journal of Banking amp; Finance， 45： 199-224.

Schleer F， Semmler W. 2015. Financial sector and output dynamics in the euro area：

Non-linearities reconsidered[J]. Journal of Macroeconomics， 46： 235-263.

Sensoy A， Sobaci C. 2014. Effects of volatility shocks on the dynamic linkages between

exchange rate， interest rate and the stock market： The case of Turkey[J]. Economic

Modelling， 43： 448-457.

Sharpe W F. 1964. Capital asset prices： A theory of market equilibrium under conditions

of risk[J]. The Journal of Finance， 19（3）： 425-442.

Upper C. 2011. Simulation methods to assess the danger of contagion in Interbank

Markets[J]. Journal of Financial Stability， 7（3）： 111-125.

Van Roye B. 2014. Financial stress and economic activity in Germany[J]. Empirica， 41（1）：

101-126.