國際原油與股票市場風險聯動效應分析

摘要：基于2007—2021年世界主要國家原油與股指數據，引入復雜網絡模型，考察國際原油與股市聚合網絡間的尾部風險交叉傳染的方向性和動態性特征。研究結果表明，股市與原油的尾部風險傳染關系密切，聚合網絡中原油層占據主導位置；原油出口國往往傾向于釋放風險，美國、俄羅斯、沙特阿拉伯與阿聯酋在聚合網絡中扮演了風險凈輸出的角色，但向外傳輸風險并不會降低自身股票市場的尾部風險。

關鍵詞：原油市場；原油與股市聚合網絡；尾部風險；金融風險傳染；網絡拓撲結構

中圖分類號：

F831.52文獻標志碼：A

收稿日期：2024-03-09

基金項目：

國家自然科學基金（批準號：71901130）資助；2024青島市社科規劃項目；2024青島市金融學會重點課題；青島大學學科集群跨學科聯合攻關項目（批準號：XT2024302）資助。

通信作者：

姜翠峰，女，博士，副教授，主要研究方向為金融經濟。E-mail：jcf1210@126.com

近年來，國際能源與股票市場之間的交叉傳染風險強度不斷上升，其高波動性、高交易量的特征使二者易受到國際尾部事件帶來的風險^[1]，從而積累尾部風險并最終引發金融危機。高度的全球經濟一體化和金融互聯性使大多數國家之間建立了緊密的聯系^[2]，國際能源價格的劇烈波動往往影響國際股票市場，甚至引發系統性尾部風險^[3]，嚴重影響實體經濟和全球金融市場^[4-5]。高度相關的金融市場之間存在顯著的風險交互效應^[6]，單個市場的劇烈波動所產生的風險會引發顯著的尾部風險聯動^[7]，甚至引發整個金融系統的不穩定^[8]。系統性尾部風險的來源包括風險承擔、風險傳染和風險放大^[9]。2008年全球金融危機后，各國政府與學術界逐步重視金融尾部風險的跨市場交叉傳染，并運用網絡方法對其研究 ^[10]，如GARCH-Copula-CoVaR模型^[11]、格蘭杰因果網絡^[12]等。不同形式的網絡結構中某一節點受到外生沖擊后會放大蔓延，進而形成系統性尾部風險。網絡結構越緊密意味著受到沖擊影響的節點數量越多，形成尾部風險的可能性越大。但現有利用網絡研究股市與原油市場之間交叉傳染的文獻一般局限于個別市場之間的交互聯系^[13-14]，缺乏以國際整體視角考察二者之間的交叉傳染特性，因此難以準確刻畫復雜網絡中出現的沖擊^[15]。同時，以往構建的網絡大多通過格蘭杰因果方法或單純的向量自回歸模型構建的單層靜態網絡，通常要求數據同方差，并且在處理大量變量時面臨“維度災難” ^[16-17]，在研究對象的選取和研究結論的無偏性上都產生了極大的限制^[18]。本文運用基于LASSO回歸的TENET方法^[19]以及TVP-VAR模型構建了復雜聚合網絡模型^[20]，探討國際能源與股票市場之間的交叉風險傳染的性質，分析金融市場風險傳染的影響因素。

1 復雜聚合網絡模型框架

1.1 國際原油市場與國際股票市場尾部風險溢出效應

基于LASSO回歸的TENET方法構建的極端事件沖擊下股價收益與原油價格變動的復雜網絡，可以識別極端事件沖擊下各國股票市場和原油市場之間的相互影響。首先，利用線性分位數回歸法估算國際原油市場和股票市場的在險價值VaR。其次，采用單指數分位數回歸法得出尾部風險溢出網絡

Xj，t=gβ^Tj|Rj，Rj，t+εj，t（1）

CoVaR^TENET=g︿（β^Tj|Rj，Rj，t）（2）

其中，Xj，t為市場j在t時刻的波動率，Rj，t≡{X-j，t，Mt-1}，X-j，t≡{X1，t，X2，t，…，Xk，t}為引入的解釋變量，包含原油市場或股票市場中除市場j以外其他市場的波動率；k為市場的數目；Mt-1為滯后一期的宏觀經濟變量；βj|Rj由兩部分組成，βj-j表示除市場j以外其他市場對j的溢出程度，βjM為模型中宏觀經濟變量對市場j的影響程度；函數g（·）反映了其他k個市場對市場j的非線性交互關系；CoVaR^TENET反映了其他市場對j的影響以及市場間的非線性影響關系，表示網絡中各個市場的系統性尾部風險大小。

1.2 國際原油與股市風險溢出效應及網絡構建

國際原油市場收益率和股票收益率在極端風險事件中往往偏離標準正態分布，具有尖峰、厚尾、有偏等特點，呈現出集聚性和異方差效應。因此，刻畫金融收益的波動率時需要進一步考慮上述非典型特征。EGARCH模型^[21]可合理擬合國際原油市場與股票市場的波動率，隨后使用基于TVP-VAR的方差^[20]分解溢出網絡方法，考察國際原油市場和股票市場之間的風險溢出效應。TVP-VAR過程為

yt= a0+∑pi=1Aiyt-i+δt（3）

其中，yt為原油與股票市場波動率，δt為各分量獨立同分布的隨機擾動項。當變量yi受到外部因素沖擊時，yi的H步預測誤差方差中，由yj所解釋的比例部分dij（h）反映了變量受到其自身或受到系統中其他變量影響的程度。預測誤差變化的比例是構建方差分解溢出指數的基礎

dij（h）=σ^-1ii∑^H-1h=0（e′iAhσej）²∑^H-1h=0（e′iAhσA′hei）（4）

其中，σ表示擾動向量δt的協方差矩陣，σii是δt的標準差，ej的第j個元素是1，其余元素為0；i，j=1，…， N，i≠j；H表示預測期，h為擾動向量的滯后階數。

基于方差貢獻，由元素dij（h）構成的N×N階的方差分解矩陣Dij（h）用來表征國際原油市場與國際股票市場間的風險溢出效應，dij（h）代表i國原油市場或股票市場受到j國原油價格波動或股票價格波動的影響程度，即j國原油價格波動風險或股票價格波動風險對i國原油市場或股票市場的風險溢出

Dijh=d11…d1NdN1…dNN（5）

利用Dij（h）構建國際原油與股票風險聚合關聯網絡，其中連邊代表節點間的風險溢出關系。國際原油與股市聚合關聯網絡中，平均全局邊重疊指標可以刻畫聚合網絡的整體相關性。V（V≥2）層聚合網絡中，節點i、j可在多個網絡層中存在連邊，對應邊重疊定義為邊（i， j）所處的層占所有層的比例。原油層與股票層所構成的聚合網絡中，V=2，其邊（i， j）重疊為oij。以此為基礎，計算聚合網絡的平均全局邊重疊指標SymbolaC@oSymbolqC@。其中，P為單層網絡的總連邊數，a^［α］ij為α層鄰接矩陣的元素，如果（i， j）連邊存在，取值為1，否則為0

oij=1V∑Mα=1a^αij（6）

〈o〉=1V∑aij∑ijoij=12VP∑ijoij（7）

復雜網絡的非同質拓撲結構決定了網絡中每個節點的重要程度是有差異的，發掘網絡中具有系統重要性節點是網絡科學的重要工作。利用強度中心性、特征向量中心性、Authority中心性與Hub中心性等度量指標衡量網絡中市場的重要性，以識別國際原油與股市聚合關聯網絡中具有系統重要性的市場。

強度中心性直接衡量節點風險傳染強度，特征向量中心性反應節點于網絡中的影響力^[22]，Hub中心性與Authority中心性分別識別一個節點是傳遞者還是接受者。如果某一節點的Authority中心性較高，該節點則易于接受風險；相反，節點的Hub中心性較高，則更易于傳遞風險。相關中心性計算公式

Cei=1λ∑j∈N（i）Ce（j） （8）

Cai=［e1（D^TD）］i（9）

Chi=［e1（DD^T）］i（10）

其中，Cei、Cai與Chi分別代表節點i的特征向量中心性、Authority中心性與Hub中心性，λ為風險溢出矩陣Dij（h）的特征值，N（i）表征為與節點i有直接風險關聯的節點的集合，j為集合N（i）中的節點，即與節點i有直接風險關聯的節點，e1（·）表征該矩陣的主特征向量。

1.3 國際股票市場尾部風險的網絡影響因素分析

基于風險測度，利用國際原油市場—股票市場聚合網絡拓撲結構的分析結果，從各類中心性視角，考察國際股票市場系統性尾部風險的網絡影響因素。模型設定

CoVaRit=cit+β1Centralityit+β2Controlsit+μi+θt+zit（11）

其中，CoVaRit為被解釋變量，代表各個國家股票市場的尾部風險，即使用TENET模型計算得出的CoVaR^TENET；Centralityit為自變量，代表國際原油市場與股票市場聚合網絡的3種中心性：特征向量中心性、Authority中心性以及Hub中心性，Controlsit為控制變量，包括國民經濟核算、財政及本國消費與資產投資、對外貿易以及利率匯率與貨幣量等25個國家層面的宏觀經濟指標，μi為個體固定效應，θt為時間固定效應，zit為隨機擾動項。

2 實證分析

2.1 數據收集與處理

選取10個國家（地區）的主要股票指數作為研究樣本，考察國際原油市場與股票市場之間的關系，分別為中國（CHN），馬來西亞（MYS），墨西哥（MEX），挪威（NOR），俄羅斯（RUS），沙特阿拉伯（SAU），英國（UK），美國（USA），阿拉伯聯合酋長國（UAE）和加拿大（CAN）。原油價格指標和股票指數見表1，股票價格來自英為財情https：//www.investing.com/，原油價格來自OPEC官方網站。所選國家涵蓋發達經濟體與發展中經濟體，2020年這些國家原油產量占到世界原油總產量的63.4%，均為國際原油市場和股票市場的積極參與者，覆蓋范圍較為全面，具有代表性。

樣本選取的時間為2007年1月至2021年12月，自2007年美國次貸危機以來，全球各類極端風險事件頻發，2008年全球金融危機、2014年石油危機、2020年COVID-19等國際事件嚴重威脅了國際原油與股票市場的穩定，因此數據選取區間覆蓋以上3次尾部風險事件。為反映宏觀經濟狀況對全球原油與股票市場的影響，全面地刻畫風險傳染效應，選取以下4個宏觀控制變量^[23]：芝加哥期權交易所公布的隱含波動率指數VIX；短期流動性利差；美國3個月國債利率；用美元表示的黃金期貨價格。

研究網絡拓撲效應對系統性尾部風險的影響時，選取反映國家宏觀經濟指標（來源于BvD-EIU Country Data）的控制變量：對外貿易指標，如出口平減指數、商品和服務增長率；財政及本國消費與資產投資，如政府支出增長率、政府預算占GDP比重；國民經濟核算指標，如GDP增長率；貨幣，匯率與利率指標，如貸款利率，M2增長率，M2與GDP的比值等^[24]。

2.2 國際原油市場與股票市場的尾部風險溢出效應

金融市場之間存在著很強的波動傳導性，而危機期間金融市場之間的風險傳遞性進一步增強^[25]。本部分利用TENET模型分別構建了國際股票市場和國際原油市場的尾部風險網絡，如圖1所示。

可知，國際原油市場和國際股票市場的尾部風險和總關聯性的時變特征具有相似性。一個市場的尾部風險水平和關聯性會在另一個市場出現極端風險時同步升高，如2008年的全球金融風險使國際原油和股票市場的尾部風險水平和總關聯性均有不同程度的上升，2014年的國際石油危機以及2020年初全球危機使二者總關聯性和尾部風險同時激增。兩個市場各自連通性及系統性尾部風險變化趨勢的相似性表明國際原油和股票市場存在著緊密關聯。

2.3 國際原油與股市市場聚合網絡

原油市場和股票市場的尾部風險和總關聯性存在著相似的趨勢，意味著原油市場與股票市場間存在著沖擊傳遞效應^[26]。計算聚合網絡的相關性與中心性指標時，首先采用邊重疊指標表述聚合網絡間的相關性，通過分析得到平均全局邊重疊為92.501%，意味著原油層與股票層的相似度較高，存在頻繁的層間交互效應。隨后，選取強度中心性、特征向量中心性、Authority中心性和Hub中心性對聚合網絡的系統重要性經濟體分析，歸一化處理Authority中心性與Hub中心性，并排除了國家節點對自身的滯后影響（表2）。

分析中心性指標，同一個聚合網絡中不同中心性指標的排序具有相似性。例如，美國、俄羅斯和加拿大在強度中心性、特征向量中心性均排名前三，說明國際原油與股市網絡中節點的重要性排名不易受到中心性衡量方法的影響。

觀察Authority中心性與Hub中心性，發現原油總產量占據全球總產量47.3%的俄羅斯、沙特阿拉伯、美國與阿聯酋這4個國家的Hub中心性排位高于Authority中心性，說明重要原油出口國在國際原油與股市聚合網絡中表現為風險傳染強度高于其風險接受強度。而其余國家的Authority中心性則高于Hub中心性，意味著風險接受能力強于風險傳導能力，說明在國際原油與股市聚合網絡風險傳播過程中，原油市場占據了主導地位。一個國家是否是重要產油國，是否在國際原油市場中具有較高的影響力決定了其在國際原油與股市聚合網絡中是否有能力傳遞自身的原油與股市交叉風險。

2.4 國際原油與股市動態網絡

為探究國際原油與股市聚合網絡拓撲指標隨時間變化的趨勢，用聚合網絡拓撲指標反映其變化的過程。除全樣本時期外，按照國際原油市場或股票市場發生系統性危機時刻，分別選擇2008年金融危機前后與2014年石油危機前后來考察各個風險爆發時期網絡中心性的變化，中心性指標選取了特征向量中心性與Hub中心性。本文選取中國、墨西哥、俄羅斯、英國、美國與沙特阿拉伯作為分析對象。根據中心性拓撲指標，結合各國實際發展狀況，可知中國、墨西哥代表在2007年后快速崛起的新興市場國家；俄羅斯、沙特阿拉伯代表傳統石油產業發達國家，二者的國內原油市場能夠顯著影響國際原油市場；英國代表股票市場發達的金融強國，其股票市場始終影響著國際股市的走勢；美國則代表了在世界范圍內對原油和股市均有較大影響的發達國家。這些典型國家呈現的動態網絡更能突顯網絡的變化特點。

圖2展示了全時期6個國家特征向量中心性的動態變化。全樣本時期，各經濟體的特征向量中心性在2008年金融危機前后、2014年國際石油危機以及2020年前后均表現出不同程度的波動。其中2008年國際金融危機引發國際原油與股市交叉風險傳染水平急劇上升，而2014年下半年國際原油價格大幅下降，也造成國際原油與股市交叉風險傳染水平劇烈波動。2020年初，多國股票市場發生熔斷，原油價格隨之下跌，也引起國際原油與股市交叉風險傳染水平劇烈波動。

圖3呈現了所選國家2008年金融危機期間與2014年石油危機期間的Hub中心性表現。雖然這些尾部風險事件均導致了各國Hub中心性有所上升，但顯然2014年石油危機期間各國中心性上升的幅度較為顯著。這意味著國際原油與股市風險傳染聚合網絡中，當原油層先爆發尾部風險事件時，聚合網絡的拓撲結構與中心性變化更為敏感，整體網絡中風險交叉傳染強度顯著增加；而當股票層爆發尾部風險事件時，網絡中各國間交叉風險傳染性變動程度低于前者，整體網絡的拓撲結構的變化也趨于平緩。原油層在國際原油與股市交叉風險傳染這一過程中占據主動位置，各國網絡拓撲指標對原油市場先發生的風險事件呈現出較為敏感的特征。

2.5 國際股票市場尾部風險的網絡影響因素分析

國家的網絡角色決定在其受到聚合網絡交叉風險影響的程度^[27]，可通過網絡拓撲指標刻畫各國在網絡中的位置與重要性。因此，基于上述聚合網絡的分析結果，考察各國股票市場尾部風險的網絡拓撲結構的影響因素。選取特征向量中心性、Authority中心性與Hub中心性作為研究對象，基準回歸結果見表3。

可知，特征向量中心性，Authority中心性與Hub中心性均在10%的置信水平上顯著為正，系數分別為0.094 55、0.061 77與0.028 57。當一國周邊國家的系統重要性較高時，由于風險傳導的作用致使該國股票風險加大。Authority中心性越高的國家吸收風險的能力越高，因此其股票市場風險越高。Hub中心性呈現了國家通過國際原油與股市聚合網絡對外輸出風險的能力，系數顯著為正，說明國家通過網絡對其他國家實施風險傳染的同時，也擴大了自身的風險暴露。Hub中心性較高的國家的股票市場受到外部沖擊時，該國的風險將通過國際原油與股市聚合網絡迅速擴散外溢，對他國的風險暴露敞口也隨之擴大，最終導致自身股票市場風險擴大。

然而，回歸式左側的網絡尾部風險與右側的各個中心性都是通過數理方法預估得到的，可能導致由于互為因果而產生內生性問題。因此，利用兩階段工具變量（IV）回歸方法來解決這一問題。工具變量選擇貿易逆差，因為回歸部分主要研究的是股票市場的風險與國際原油與股市聚合風險溢出網絡之間的關系，通過貿易逆差，可以排除原油貿易對回歸結果帶來的影響，且貿易逆差基本不受風險傳導的影響，具有外生性。檢驗結果見表4與表5。

可以看出，采用了工具變量回歸后，所有中心性的系數均有顯著提升，經過了二階段工具變量法修正后，核心解釋變量的方向與原有基準回歸保持一致，印證了結果的穩健性。

由此，聚合網絡的拓撲結構會影響國家股票市場遭受風險傳染的強度與吸收風險的能力。若國家擁有較高的特征向量中心性、Authority中心性、Hub中心性，則股票市場易于積累尾部風險，進而易于發生金融危機，并最終傳導至實體經濟并爆發經濟危機。對外輸出風險并非良策，因向他國輸出風險的同時由于網絡結構的脆弱化也易于獲得國際原油與股市網絡所帶來的交叉風險。對外傳播風險并不能使網絡風險整體強度下降，反而使網絡結構變得脆弱，導致自身風險的再傳染。金融風險并非簡單的此消彼長的關系，并非是“零和游戲”，向其他國家輸出風險并不能減少其自身的風險。

3 結論

本文選取2007—2021年世界主要國家的股指和原油價格數據，探討國際原油與股票市場尾部風險交叉傳染機制。研究結果表明，國際原油市場和股票市場的關聯度較高，但不同國家的傳染拓撲特征存在異質性；原油出口國往往傾向于將尾部風險輸出至其他國家的市場中。原油市場與股票市場發生波動時對整體風險傳染系統的影響并不對稱，原油市場的波動會顯著提升尾部風險交叉傳染。國際原油與股市風險傳染系統中，對外輸出風險并不能降低本國風險，反而因為網絡結構脆弱性的升高最終提高該國股票市場接受系統性尾部風險的強度。據此建議，接收風險的國家應當注重建設國際風險防范機制，針對國際油價的波動建立緩沖機制，防止國際原油市場風險傳遞到本國金融市場進而演變成為金融危機；釋放風險的國家，特別是重要原油出口國，應摒棄通過將風險轉嫁給他國從而規避自身風險的策略，注重與其他國家建立互信，共同合作維護國際原油價格，防止能源價格劇烈波動醞釀系統性尾部風險，最終各國能源與股票市場之間蔓延，演變成為新一輪國際經濟危機。

參考文獻

[1]GAO L， HITZEMANN S， et al. Oil volatility risk[J]. Journal of Financial Economics， 2022， 144（2）： 456-491.

[2]RADDANT M， KENETT D Y. Interconnectedness in the global financial market[J]. Journal of International Money and Finance， 2021， 110： 102280.

[3]FERN NDE A， GONZ LEZ A， RODRIGUEZ D. Sharing a ride on the commodities roller coaster： Common factors in business cycles of emerging economies[J]. Journal of International Economics， 2018， 111： 99-121.

[4]YAYA O S， TUMALA M， UDOMBOSO C G. Volatility persistence and returns spillovers between oil and gold prices： Analysis before and after the global financial crisis[J]. Resources Policy， 2016， 49： 273-281.

[5]GONG X， LIN B. The incremental information content of investor fear gauge for volatility forecasting in the crude oil futures market[J]. Energy Economics， 2018， 74： 370-386.

[6]BOUBAKER H， RAZA S A. A wavelet analysis of mean and volatility spillovers between oil and BRICS stock markets[J]. Energy Economics， 2017， 64： 105-117.

[7]MENSI W， REHMAN M U， MAITRA D， et al. Oil， natural gas and BRICS stock markets： Evidence of systemic risks and co-movements in the time-frequency domain[J]. Resources Policy， 2021， 72： 102062.

[8]HAUTSCH N， SCHAUMBURG J， SCHIENLE M. Financial network systemic risk contributions[J]. Review of Finance， 2015， 19（2）： 685-738.

[9]BENOIT S， COLLIARD J E， HURLIN C， et al. Where the risks lie： A survey on systemic risk[J]. Review of Finance， 2017， 21（1）： 109-152.

[10] POLEDNA S， MOLINA-BORBOA J L， MARTNEZ-JARAMILLO S， et al. The multi-layer network nature of systemic risk and its implications for the costs of financial crises[J]. Journal of Financial Stability， 2015， 20： 70-81.

[11] 楊陽，李莉莉.基于GARCH-Copula-CoVaR模型的農業系統性風險研究[J].青島大學學報（自然科學版），2023，36（1）：111-115.

[12] BILLIO M， GETMANSKY M， LO A W， et al. Econometric measures of connectedness and systemic risk in the finance and insurance sectors[J]. Journal of Financial Economics， 2012， 104（3）， 535-559.

[13] YANG Z， ZHOU Y. Quantitative easing and volatility spillovers across countries and asset classes[J]. Management Science，2017， 63（2）： 333-354.

[14] 鐘婉玲，李海奇.國際油價、宏觀經濟變量與中國股市的尾部風險溢出效應研究[J].中國管理科學，2022，30（2）：27-37.

[15] VAN DE LEUR M C， LUCAS A， SEEGER N J. Network， market， and book-based systemic risk rankings[J]. Journal of Banking amp; Finance， 2017， 78， 84-90.

[16] DEMIRER M， DIEBOLD F X， LIU L， et al. Estimating global bank network connectedness[J]. Journal of Applied Econometrics， 2018， 33（1）： 1-15.

[17] BOSTANCI G， YILMAZ K. How connected is the global sovereign credit risk network？ [J]. Journal of Banking amp; Finance， 2020， 113： 105761.

[18] BARGIGLI L， DI IASIO G， INFANTE L， et al. The multiplex structure of interbank networks[J]. Quantitative Finance， 2015， 15（4）： 673-691.

[19] HRDLE W K， WANG W， YU L. Tenet： Tail-event driven network risk[J]. Journal of Econometrics， 2016， 192（2）： 499-513.

[20] ANTONAKAKIS N， CHATZIANTONIOU I， GABAUER D. Cryptocurrency market contagion： Market uncertainty， market complexity， and dynamic portfolios[J]. Journal of International Financial Markets， Institutions and Money， 2019， 61： 37-51.

[21] NELSON D B. Conditional heteroskedasticity in asset returns： A new approach[J]. Econometrica： Journal of the Econometric Society， 1991： 347-370.

[22] MERCADO J R R， NOVIANTIE S. Financial flows centrality： Empirical evidence using bilateral capital flows[J]. Journal of International Financial Markets， Institutions and Money，2020， 69： 101255.

[23] XU Q， ZHANG Y， ZHANG Z. Tail-risk spillovers in cryptocurrency markets[J]. Finance Research Letters，2021， 38： 101453.

[24] 楊子暉，李東承，王姝黛.合成網絡新視角下的輸入性金融風險研究[J].中國工業經濟，2022（3）：38-56.

[25] UMAR M， FARID S， NAEEM M A. Time-frequency connectedness among clean-energy stocks and fossil fuel markets： Comparison between financial， oil and pandemic crisis[J]. Energy， 2022， 240： 122702.

[26] BJRNLAND H C. Oil price shocks and stock market booms in an oil exporting country[J]. Scottish Journal of Political Economy， 2009， 56（2）： 232-254.

[27] ABDURAIMOVA K. Contagion and tail risk in complex financial networks[J]. Journal of Banking amp; Finance，2022， 143： 106560.

Analysis of the Risk Linkage Effect between the International Crude

Oil and Stock Markets

WU Zhuo-cheng¹， JIANG Cui-feng¹， GONG Xiao-li^1，2

（1. School of Economics，Qingdao University， Qingdao 266061， China;

2. Shandong Port Trading Group， Qingdao 266061， China）

Abstract： Based on the crude oil and stock index data of major countries worldwide from 2007 to 2021， a complex network model was introduced to analyze the directional and dynamic characteristics of tail risk cross-contagion between the aggregated networks of international crude oil and stock markets. The findings show that there is a close relationship in tail risk contagion between the stock market and the crude oil market. Within the aggregated network， the crude oil sector holds a dominant position. Crude oil exporting countries tend to release risks， and the United States， Russia， Saudi Arabia， and the United Arab Emirates play the role of net risk exporters in the aggregated network. However， the outward transmission of risks does not reduce the tail risks in their own stock markets.

Keywords： crude oil market; crude oil-stock market converged network; tail risk; financial risk contagion; network topology