金融壓力溢出關聯網絡研究
——基于時域與頻域的視角

葉方冰，趙 沛，劉精山

(1.南開大學商學院，天津 300071；2.國家能源集團資本控股有限公司資產管理部，北京 100044；3.渤海證券股份有限公司博士后工作站，天津 300074)

一、引 言

2008年爆發的金融危機導致全球金融市場的崩潰和持續的經濟衰退，也引起了學者和政策制定者對金融系統性風險的關注。目前，各國中央銀行和金融當局已經制定了一系列指標來監測和評估金融系統的風險狀態或壓力水平，以在必要時采取適當的監管行動。建立具備實時監測與早期發現功能的指數系統可以幫助決策者預防或減輕潛在的金融危機，是構建系統性風險預警系統的重要一步。

對于金融壓力指數的相關討論主要集中于編制方法，如變量的選擇與轉換、所選數據的頻率、指標的聚合方法以及對于指數的評估等。這些研究大多利用市場數據或資產負債表指標，分金融部門尋找并構建指標，然后聚合成一個反映系統壓力的綜合指數，從而對整個金融體系的壓力和失衡狀態提供參考。然而，大多數研究只著眼于建立一個綜合指數來評估金融系統的總體壓力水平，僅有少數研究試圖探索各金融市場與部門之間潛在的壓力相互作用和傳導機制。隨著金融機構之間與金融市場之間的關聯日益復雜，金融系統中局部產生的不利沖擊可能會傳導到整個金融系統，造成更大的破壞與更深的影響。由此，單一的金融壓力指數無法捕捉到金融系統中的聯動性，存在一定的局限。

為了彌補金融壓力指數對于系統聯動性捕捉能力不強的缺陷，本文對金融壓力指數進行細分，以評估金融體系的聯動狀況。通過使用Baruník和Krehlík(2018)[1]的“溢出指數”方法，對金融壓力指數進行修正和擴展，探索股票、債券、銀行、貨幣和外匯市場的壓力溢出總量和方向。本文可能的邊際貢獻在于：第一，在研究內容上，通過考慮每個部門壓力指標的平均和時變關聯性，考察了金融系統內各部門壓力之間的重要聯系與關聯特征，探索了各部門間金融壓力關聯的大小、方向與傳導機制；第二，在研究方法上，首次將BK溢出指數引入金融壓力關聯性研究，考察了金融壓力在不同周期長度下關聯程度的差異，并進行了解釋。

二、文獻綜述

(一)金融壓力的識別與測度

目前，研究者主要從兩個角度定義金融壓力。部分學者試圖從金融壓力產生原因的角度來識別金融壓力。Illing和Liu(2006)提出，金融壓力是由于金融市場和金融機構中的不確定性和預期損失的改變而對經濟主體造成影響的可能性，它是一個脆弱的金融結構與來自外部的沖擊相結合的產物，沖擊的大小和金融體系內部的脆弱程度傳導決定了金融壓力的大小[2]。Hollo等(2012)認為，金融壓力的出現源自金融系統的不穩定，金融系統中摩擦與變化出現的程度越高，則金融壓力水平也越高。也有學者從金融壓力的表現形式上來定義[3]。Balakrishnan等(2011)將金融壓力定義為金融系統處于緊張狀態，導致中介能力受到損害的時期。金融壓力往往與至少四個基本特征有關，即資產價格的大幅變動、風險或不確定性的突然增加、流動性枯竭以及對銀行體系健康狀況的擔憂[4]。Hakkio和Keeton(2009)在描述金融壓力的特征時，認為其存在資產基本價值的不確定性增加、其他投資者行為的不確定性增加、信息不對稱增加以及持有風險資產和非流動性資產的意愿降低等特點[5]。同時，金融壓力的這些特征密切相關，可能存在各個特征相互影響相互強化的趨勢。

針對這些定義與特征，國內外學者在指標的選取與聚合上進行了探索。Illing和Liu(2006)[2]最早提出構建指數測度金融壓力以反映金融系統風險水平。此后，出于監測金融系統內整體風險水平的需求，各國學者與金融監管當局進行了一系列改進。Caldarelli等(2011)[6]將12個來自不同金融市場的變量進行標準化處理并計算算術平均值，構建了月度金融壓力指數。Hakkio和Keeton(2009)[5]選取11個金融市場中的變量作為子指標，用主成分分析方法為美國金融系統構建了一個月度的金融壓力指數。Cevik等(2013；2015)[7][8]利用主成分分析，先后計算了東歐五國與東南亞五國的金融壓力指數。Oet等(2012)[9]將金融市場分為四個部門，并以各部門每季度融資額度占總額度的比例為權重合成了綜合的金融壓力指數。Hollo等(2012)[3]將金融業分為五個部門，以各部門間的時變相關系數作為權重得到具備關聯性時變特征的金融壓力指數。Chau和Deesomsak(2014)[10]利用Diebold和Yilmaz(2012)[11]的溢出指數方法編制了金融壓力溢出指數，考察了金融壓力在美國各金融市場間的相互溢出情況。國內學術界也對金融壓力指數的構建進行了廣泛的研究。賴娟和呂江林(2010)[12]、陳守東和王妍(2011)[13]、靳玉英和周兵(2013)[14]、劉瑞興(2015)[15]等主要采用各種加總的指標聚合方式；劉曉星和方磊(2012)[16]采用信用融資額度賦權加總的方式。張晶和高晴(2015)[17]、陳忠陽和許悅(2016)[18]采用資產組合方法，將金融市場數據分為五個部門，計算了周頻的中國系統金融壓力指數。

雖然近年來在金融壓力指數編制方法的改進中開始考慮部門間關聯因素，但是已有研究大多只是簡單計算了部門間的關聯系數，以考慮不同部門在總指數中的權重，而對于關聯性本身的重要性與時變特征缺乏重視，未就關聯的程度與方向展開進一步討論。鑒于此，識別金融系統內部的金融壓力溢出關聯性，確認關聯大小、關聯方向、網絡結構以及傳遞渠道等應當是一項具有意義的研究。

(二)金融關聯網絡的相關研究

隨著現代金融體系的不斷發展，金融系統內部的各個市場、機構之間的關聯性也在不斷加強。然而在2008年次貸危機之前，學術界鮮有涉及金融機構與市場間關聯程度與關聯網絡的研究。危機爆發后，對金融系統的網絡化研究才逐漸被學術界所關注。學者們嘗試使用諸如相關系數、格蘭杰因果網絡、DAG、溢出指數等方法，從關聯程度與關聯結構等多個角度，對金融系統中的網絡關聯情況進行了研究。

在金融壓力研究領域，對于關聯網絡的研究主要集中于金融壓力的跨國溢出。Balakrishnan等(2011)[4]、Park等(2013)[31]均采用兩階段估計方法對發達經濟體和新興經濟體之間金融壓力的聯動強度和決定因素進行分析。Dovern和Roye(2014)[32]采用全局VAR模型，基于20個主要經濟體的金融壓力指數分析了金融壓力的國際傳導及其對于經濟活動的影響。Apostolakis和Papadopoulos(2014)[33]采用DY溢出指數方法，對G7國家間的金融壓力關聯網絡進行了研究。MacDonald等(2018)[34]采用金融壓力指數作為系統風險指標，構建多元GARCH模型分析了歐元區國家金融壓力的關聯情況。在國內研究方面，靳玉英和周兵(2013)[14]研究了金融壓力在新興市場間的傳播情況。杜曉蓉(2014)[35]通過構建簡易的金融壓力指數研究了美國的金融風險向我國傳染的潛在路徑。徐少君等(2020)[36]將GVAR模型與DY溢出指數相結合，構建了金融壓力的國際溢出關聯網絡并對其傳播渠道進行了識別。

總體上，對于金融領域的關聯網絡研究，目前學術界已有多種較為成熟的范式與方法。關聯網絡研究方法已被應用于金融壓力的跨國溢出研究，并取得了一定的成果。鑒于此，采用關聯網絡研究金融壓力在市場間的關聯程度、大小與方向是可行的，其結果應該是穩健的。

三、模型設計與樣本選擇

(一)時域及頻域下關聯網絡的構建

本研究通過對金融壓力指數的各部門數據在頻域范疇進行廣義方差分解，建立金融壓力內部關聯網絡。首先，建立變量數為N的VAR(p)系統：

Xt=Φ1Xt-1+Φ2Xt-2+…+ΦpXt-p+εt

(1)

進行時域下預測方差分解，使用廣義方差分解來計算變量Xj的第H預測期的方差分解中被變量Xk所解釋的部分為：

(2)

其中，σkk=(Σ)k,k，Ψh為N×N的VMA系數矩陣。隨后，對(θH)j,k標準化：

(3)

Ψ(e-iω)=∑he-iωhΨh,ω∈(-π,π)

(4)

基于頻率響應函數，Xt在頻域ω上的譜密度Sx(ω)為：

(5)

(6)

其中，(ζ(ω))j,k是在ω頻率上，變量j產生的變化中來自變量k的沖擊比例。引入權重函數：

(7)

(8)

(9)

總溢出指數如公式(10)所示：

(10)

溢入指數如公式(11)所示：

(11)

溢出指數如公式(12)所示：

(12)

凈溢出指數如公式(13)所示：

(13)

(二)樣本選擇

綜合前文理論分析，當金融壓力增大時，金融體系會出現以下特征，即金融資產價值的不確定性增加，且市場參與者持有風險資產和非流動性資產的意愿降低。這一特征會導致資產價格的波動率大幅上升，利差變大。這些變動可以通過選取不同的指標加以捕捉，進而反映我國金融體系中壓力的變動狀況[38]。本文參考已有研究將我國金融市場分為股票市場、債券市場、外匯市場、貨幣市場與銀行部門五個部分。雖然高頻數據能夠更好地反映金融市場的變化情況，但由于銀行部門的高頻數據難以獲得，為了將各部門進行統一考量，本文將數據的頻率定為月頻。考慮到不同數據的起始時間差異，本文最終確定樣本為2007年1月至2018年12月。研究樣本包含了來自各金融部門的10個指標，具體見表1。為了便于計算和加總，各指標均進行了標準化處理，同一部門內的指標按照等權重的形式進行加總。

為通過滾動分析的方法估計動態的溢出效應，本文在將時域映射到頻域時采用48個月(即4年)的滾動窗口期，分別以[1,…,48]，[2,…,49]，…，[t,…,t+47]為窗口期進行估計。同時，根據AIC準則，設定VAR模型的最大滯后階數為4期。對于頻域帶的選擇，本文借鑒前人的研究，將高頻設定為(π/3,π)，中頻設定為(π/3,π/12)，低頻設定為(π/12,0)，對應樣本數據分別為0到3個月，3個月以上到12個月，以及12個月以上。

表1 各部門子指標

四、實證結果及分析

(一)描述性統計與相關性統計

表2給出了2007年1月至2018年12月樣本期內各部門金融壓力指數的描述性統計量。從均值來看，各部門均較為接近，除貨幣市場外其他部門的均值基本都接近于0。外匯市場和銀行部門的標準差最小，說明兩者的總體波動性水平較小，而貨幣市場的標準差最大，說明貨幣市場相對其他部門來說波動更為劇烈。從最大值與最小值的分布來看，貨幣市場的極端值最為明顯，而銀行部門的極端值偏離情況最小。從偏度來看，股票市場和銀行部門的偏度水平大于0，為右偏，但是偏離程度并不明顯；相對來說，債券市場則表現出了較為明顯的左偏(-1.6783)。從峰度水平來看，除債券市場以外均小于3，普遍表現為低峰態，其中銀行部門的峰度僅為1.8104，接近均勻分布(1.8)的形態。

表2 描述性統計

為了初步衡量不同部門金融壓力的相互關聯作用，筆者計算了各部門在樣本期內的相關系數。表3結果顯示，五個部門之間存在顯著相關關系，其中，股票市場與其他部門表現出了顯著的負相關關系，而其他各部門間則表現為顯著的正相關關系。然而，金融壓力的相互作用和傳導所遵循的模式可能會比簡單的相關系數更為復雜和多變，因此，進一步研究一個部門的金融壓力對其他部門的影響程度，以及確定一個部門的金融壓力在整個金融體系中溢出的渠道，是有趣且有益的。

表3 各部門金融壓力相關系數

(二)全樣本靜態分析

本研究采用全樣本擬合估計結果刻畫樣本期內金融壓力指數所含的五個部門的總體溢出關系，測度估計結果如表4所示。該結果為6×6的矩陣，其中前5×5為五個部門之間的關聯關系。具體而言，所有非對角線上的列(標記方向為TO)和行(標記方向為FROM)分別代表金融壓力沖擊的去向與來源，即金融系統中一個部門的金融壓力的預測誤差來自其他四個部門的金融壓力沖擊的比例，以及一個部門的金融壓力對于其他四個部門的沖擊的比例。而TO減去FROM的差異則被定義為該部門金融壓力的凈溢出水平。可以看出，總體上金融壓力的溢出效應并不高(總體溢出水平為32.36%)，這表明樣本期內金融系統內金融壓力的變化只有32.36%的部分是由跨市場的壓力溢出效應引起的，而剩下的77.64%的變化則是由于金融系統內的特殊壓力沖擊造成的。具體到各部門，債券市場似乎是對其他部門壓力貢獻最大的部門，其金融壓力的輸出達到11.08%，其次是貨幣市場(7%)與股票市場(6.79%)，而銀行部門則在外匯市場(4.98%)之后居末位，其金融壓力的輸出僅為2.51%。依據全樣本的溢出測度結果，銀行業幾乎沒有向其他金融部門傳遞金融壓力。而從接受的壓力來看，債券市場所受到的來自其他部門的外部壓力溢出最少，僅為1.91%，外匯市場則受到了最多的來自其他部門的壓力溢出，達到了10.1%；而貨幣市場(8.4%)、銀行業(7.95%)和股票市場(4%)則分列接受壓力溢出排名的二三四位。最后，矩陣中對角線上的數值代表該部門自身產生的沖擊對于自身金融壓力變化的貢獻情況。可以看出，在樣本區間內，債券市場對于自身影響的程度最低，僅為44.62%；而銀行業則受自身影響最強烈，其87.47%的變化是由于自身市場中產生的沖擊造成的。

表4 全樣本靜態網絡關聯結構靜態分析

為進一步刻畫不同部門之間的網絡關聯關系，本文利用網絡分析法研究各個部門之間的金融壓力溢出關系。關聯網絡如圖1所示，該網絡圖展示了關聯水平大于平均關聯水平6.4的網絡關聯關系。在樣本期內，關聯網絡的密度為0.35，平均路徑長度為1.45，網絡直徑為3，均小于網絡中的節點數；同時，網絡的全局聚集系數為60.00%，平均局部聚集系數為49.72%，表現出了較高的聚集性。如果一個網絡模型的聚集性很高但多數節點間的距離很短，那么這一類模型就具有“小世界性”。顯然，本研究所構建的各部門金融壓力溢出關聯網絡具備“小世界性”的特征。由于復雜網絡的小世界特性與網絡中信息傳播有著密切的聯系，因此該網絡關聯關系較好地刻畫了各部門間的金融壓力溢出關系。圖2展示了“小世界”網絡模型系統中各部門金融壓力溢出關聯性的相對度數中心性，入度中心性(IN)高代表該節點是信息的主要接收者，出度中心性(OUT)高則代表該節點是信息的主要溢出者。結果顯示債券市場是信息的主要溢出者，銀行業是信息的主要接收者。

圖1 各部門金融壓力總體關聯網絡

圖2 各部門關聯網絡相對度數中心性

有趣的是，雖然中美兩國在金融結構上存在巨大差異(1)一般認為，美國的金融結構為市場主導型，而中國的金融結構為銀行主導型。，然而對比本研究與其他相關研究的結果后發現，兩國金融系統中各部門的金融壓力溢出結果在排序上基本一致(2)該研究在對于美國金融系統內市場的細分上并未單獨列出貨幣市場，但是在去除貨幣市場外其他各市場的金融壓力的溢出排序與本研究的結果是一致的。，均表現為債券市場溢出最多而銀行業溢出最少[33]。這一發現與銀行業在系統性壓力和金融危機的發展中起決定性作用的觀點形成了鮮明的對比。有些研究認為，銀行機構進行了高風險投資，但缺乏有效的管理與控制風險敞口的手段，而由于金融系統不同部門之間的聯系，銀行系統的脆弱性可能會很快導致整個金融系統的崩潰。然而依據本文的研究結果，監管部門不應忽視其他市場的問題，以及整個金融體系在運作和相互關聯方面所固有的核心問題。

(三)動態滾動窗口下的時變性溢出分析

為了對不同時期各個部門之間金融壓力溢出情況的時變特征有一個更為明確的認識，本研究計算了滾動窗口期下金融壓力在各個部門之間的動態溢出關系。將窗口期設為24期(即2年)，樣本區間從2007年1月至2018年12月，得到的估計結果為2009年1月至2018年12月間共120個月的變化情況。

圖3展示了五個部門之間的總體溢出指數，代表金融壓力溢出的預測誤差方差中來自各個部門的變化導致的部分，刻畫了該系統的動態溢出時變關系，反映了樣本期內金融壓力在各個部門之間的溢出水平隨時間變化的情況。五個部門之間的壓力溢出關聯水平具有明顯的時變特征，在樣本區間內，關聯水平最小值為0%，最大值為74.76%，平均溢出水平為23.31%。

自2009年開始，由于全球金融危機對于我國金融系統的沖擊影響逐漸消退，各部門間金融壓力的關聯程度逐漸降低。然而由于通脹過高引致貨幣政策收緊，而社會融資需求依然較高，對于資金的擠壓效應比較顯著，造成2011年開始金融系統內流動性緊張程度的逐漸抬升。伴隨著金融系統內的流動性緊缺，各部門間金融壓力的關聯性也出現了較高的增長。在2015年至2016年間，我國股市先急速拉升而后暴跌形成兩次股災，各部門間金融壓力的關聯程度也從2014年底的趨近于0%急速拉升至2015年7月的74.76%，成為樣本期內的最高點。此后，受到人民幣兌美元匯率大幅波動、股市再次升溫以及中美貿易摩擦等的影響，各部門間金融壓力的關聯程度再次出現顯著提升，并在2018年10月達到了新的階段性高點70.30%。總的來說，金融系統內各部門金融壓力的關聯性會在金融系統出現危機時大幅升高。

圖3 時域下金融系統內壓力動態溢出效應時變關系

為了進一步刻畫樣本期內各部門金融壓力關聯水平的動態關系，本文利用網絡分析法研究經濟系統在時序上的網絡關聯關系。首先，結構特征顯示，各部門金融壓力溢出的關聯網絡具有“小世界”現象。一方面，如表5所示，網絡平均路徑和直徑都比較小，各年度的平均網絡直徑最小為1，最大為2，網絡平均路徑長度最小為1，最大為1.375，同時全局聚集系數除2013年和2014年外均大于0.5，說明這一網絡模型存在明顯的“小世界”特征。另一方面，如圖4所示，各部門金融壓力的網絡關聯關系具有一定的異質性。不同時序區間內，不確定性網絡關聯水平和節點具有顯著差異。雖然大多數節點僅與少數節點關聯，但是少數節點與絕大多數節點關聯，這表明關聯網絡具有顯著的“無標度”特征。

其次，在金融系統出現困難或危機時，各部門金融壓力溢出的關聯水平相較于金融系統正常運行時期的關聯水平更高。從圖4來看，2012年(歐債危機、流動性短缺)、2015年(股市暴跌)和2018年(中美貿易摩擦)代表溢出關系的連線數量要顯著高于2011年、2014年等年份。表5中的年度關聯特征同樣印證了這一觀點。2012年、2015年和2018年的網絡密度明顯高于其他年份。對于這一現象，可以從兩個角度進行解釋：(1)危機發生會導致金融機構的資產質量及變現能力大打折扣，金融機構的共同風險敞口迅速擴大，實際關聯程度較危機前有所提升。(2)投資者在經濟繁榮時期與危機時期對于風險的偏好程度可能存在不同。一旦出現危機，投資者可能會迅速地由風險中性轉變為風險厭惡，從而在羊群效應的作用下非理性地拋售資產以降低潛在風險，導致恐慌情緒在多個市場間傳染。

表5 各部門金融壓力關聯網絡的總體關聯特征

圖4 部分重點年度金融壓力溢出關聯網絡

(四)動態滾動窗口下的頻域溢出分析

圖5展示了不同頻域下金融系統內部金融壓力的溢出關聯情況，從上到下依次為高頻(周期為0到3個月)、中頻(周期為3個月以上到12個月)、低頻(周期為12個月以上)以及全局時域下的關聯情況。首先從時域下的關聯情況來看，金融系統內部金融壓力的溢出關聯性提高主要集中于2011年至2012年、2015年至2016年、2017年下半年至2018年三個區間，而在2009年和2010年以及2013年和2014年之間都保持了一個較低的趨勢。從不同頻域的動態關聯水平來看，低頻關聯水平在時變動態上與全局頻率下的一致性水平較高。唯一的例外是2015年上半年，這段時間內高頻下的聯動性水平與全局頻域下的聯動性水平更為接近。

圖5 頻域下各部門金融壓力的關聯性時序

Baruník和Krehlík(2018)認為，高頻事件通常源于羊群效應與投資者情緒等噪聲交易，而低頻事件則通常是受經濟基本面下滑等長期持續的不確定性事件所影響[1]。2011年至2012年間我國金融系統的緊張情況主要來自緊縮的貨幣政策與高漲的融資需求造成的流動性不足，即實體經濟缺乏資金造成的經濟基本面預期下降。而2015年上半年股市暴跌造成的金融系統內壓力的緊張，主要在于題材的炒作與投資杠桿所吹起的資產泡沫，隨著炒作資金枯竭以及投資者情緒的轉向，缺乏基本面支撐的虛假繁榮旋即破滅。最后，自2018年以來，中美貿易摩擦不斷，我國的宏觀經濟基本面預期不確定性大幅增加，股票市場崩盤、人民幣匯率下跌，金融系統內的壓力緊張程度再次上升。由此來看，2011年、2012年和2018年金融壓力聯動性的增加主要來自宏觀經濟基本面的下調，而2015年金融壓力聯動性的增加則來自噪聲交易與羊群效應的非理性投資行為，兩者所對應的頻域也正好分別與低頻和高頻的定義來源相符。同時，這一結果也印證了前文所分析的危機期間金融系統相關性增加的兩種渠道的存在。

五、結論與政策建議

為了彌補單一的金融壓力指數通常不能捕捉到金融系統中的聯動性這一局限，本文使用“溢出指數”方法，對金融壓力指數進行了修正和擴展，以跟蹤股票、債券、銀行、貨幣和外匯市場的壓力溢出總量和方向，通過研究每個部門壓力指標的總體平均互聯性和時變互聯性，探索了金融系統內各個部門之間的重要聯系。研究表明：(1)總體上，銀行業輸出的壓力溢出水平在五個部門中是最低的，所受到的金融壓力主要來自于自身產生的壓力沖擊，而與其他幾個市場的聯系并不是最緊密的。(2)我國各部門金融壓力的關聯性具有很強的時變性，同時具有“小世界性”的復雜特征。相較于平穩時期，各部門金融壓力在系統內部的關聯性在金融系統出現危機期間會顯著上升。(3)我國金融壓力在金融系統內的關聯水平主要受較長持續力和影響力事件的影響，但是噪聲交易等非理性投資行為所帶來的干擾不應忽視。

基于上述研究結果，得出如下啟示：第一，現代金融體系的互聯性極大地增加了金融網絡的復雜性，在綜合監管的新格局下，金融監管當局在重點監督具有系統重要性的節點機構與市場的同時，也要兼顧跨市場與跨機構的關聯性，防止由于關聯性的增加造成的系統脆弱性。第二，在推動深化金融改革、貫徹落實監管政策的同時，也要加強投資者教育，以規避非理性投資行為，減少噪聲交易，降低對金融系統內部關聯性的潛在影響。