我國系統性金融風險傳染的空間結構及時變特征

龐念偉

摘? ?要：本文構建一個格蘭杰因果尾部風險網絡，從整體網絡關聯性視角考察我國系統性金融風險的空間結構及時變特征。結果表明：一是從總體看，2008年以來，金融體系風險溢出效應波動上升，資管新規的實施使溢出效應由升轉降，新冠肺炎疫情導致溢出效應短暫上升，但目前已回落至低位;二是從風險的空間結構看，房地產部門較高的風險出度和入度引發了風險加速機制，使其成為重要的風險源和承擔者;三是從風險的時變特征看，保險、證券等業務創新多的部門風險來源的角色在強化，銀行向信托、證券業的風險溢出近年來有所上升。基于以上結論，本文認為，當前應當進一步完善資管新規，加大對金融創新業務的風險監測，密切關注房地產部門風險。

關鍵詞：系統性金融風險;格蘭杰因果檢驗;時變特征;出入度指數

中圖分類號：F832.2? 文獻標識碼：A? 文章編號：1674-2265（2021）04-0045-07

DOI：10.19647/j.cnki.37-1462/f.2021.04.007

一、引言

新常態下我國經濟增長放緩，金融風險開始在部分金融市場和金融機構內釋放，甚至傳導至實體經濟，威脅經濟健康運行。黨的十八大以后，防范化解系統性金融風險成為宏觀調控的重要任務。關于系統性金融風險目前并沒有一個統一的、普遍接受的定義。大部分學者認為傳染性是系統性風險的核心元素，體現為時間維度和空間維度兩個范疇。時間維度表現為金融風險隨時間的演變趨勢，空間維度表現為風險在不同金融機構之間的網絡結構及傳染關系。本文將圖算法中出度和入度概念引入到系統性金融風險傳染機制研究中，從時間和空間兩個維度分別測度我國系統性金融風險水平，刻畫風險在不同金融機構之間的傳染機制。

二、文獻綜述

系統性金融風險的測度方法概括起來主要有基于宏觀數據的指標法和基于金融市場數據的模型法兩類。金融危機后，利用金融市場數據測度系統性風險引起學術界和政策界的關注。代表性方法分別是CoVaR和MES方法。

CoVaR方法由Adrian和Brunnermeier（2011）[1]提出，該方法以一個金融機構的倒閉為條件測量金融體系的整體風險，可以捕捉一個機構系統性風險的邊際貢獻，并幫助監管者進行逆周期調控。大量學者運用這一方法測算系統性金融風險（Wong和Fong，2011;Huang等，2012;高國華和潘英麗，2011;白雪梅和石大龍，2014）[2-5]。 MES方法由Acharya等（2012）[6]提出，該方法將金融系統資本不足時某一單個銀行的預期資本短缺定義為該銀行的SES，將某一單個銀行對金融系統SES的邊際貢獻定義為MES。MES方法得到廣泛應用，Idier等（2014）[7]、Derbali和Hallara（2016）[8]分別用該方法測度了美國和歐洲的系統性金融風險。范小云等（2011）[9]運用該方法測算了我國的系統性金融風險。

CoVaR和MES方法在一定程度上刻畫了系統性金融風險的傳染性特征，但忽視了金融風險的整體網絡關聯性。隨著現代計量技術的發展，從網絡拓撲的角度考查系統性金融風險的關聯性成為研究熱點（Schweitzer等，2009）[10]。

國外運用網絡拓撲方法研究風險傳染的相關文獻較多。Billio等（2012）[11]構造一個格蘭杰因果尾部風險網絡研究美國對沖基金、銀行、證券、保險部門的風險傳染網絡，發現過去10年來四部門之間的聯系不斷加強，其中，銀行在風險傳染過程中扮演最重要的作用。Wang等（2017）[12]運用CARViaR方法和格蘭杰因果檢驗研究84家美國公開上市金融機構的風險傳染情況，發現房地產和銀行部門是極端風險的發出者，保險和多元化金融機構是風險的接受者。Corsi等（2018）[13]運用格蘭杰因果檢驗識別出全球33家系統重要性銀行和36個主權債務之間的風險傳染網絡，分析了歐洲主權債務危機期間的風險傳染情況，發現他們構造的網絡連接度指標可用于預測主權債務未來的評級情況。Diebold 和Y?lmaz（2014）[14]將向量自回歸模型與網絡拓撲理論相結合，運用方差分解方法構造波動性溢出網絡來測度美國金融整體以及金融機構兩兩之間的關聯性。

國內近年來將網絡拓撲方法用于風險傳染的研究不斷涌現。楊子暉等（2019）[15]采用基于混頻的向量自回歸模型檢驗了我國銀行、證券、保險、房地產部門的極端風險傳染情況，發現我國金融部門之間存在顯著的非線性風險傳染效應。楊子暉和周穎剛（2018）[16]采用有向無環圖技術考察了系統性金融風險的國際傳導渠道，發現美國在同期波動傳遞中占據主導地位，中國內地股票市場除了受美國同期影響，還受到來自中國香港、韓國、俄羅斯的沖擊。方意和鄭子文（2016）[17]基于持有共同資產網絡模型，通過可視化金融網絡描繪出風險在銀行間傳染路徑的數量和方向，以此分析風險生成銀行和風險承受銀行的有向關聯問題。王曉楓等（2015）[18]利用復雜網絡方法構造銀行間市場拆借網絡，采用隨機模擬法分析具有無標度特征的復雜網絡結構對銀行風險傳染效應的影響，其研究發現小銀行更容易受到系統性風險沖擊并將風險傳染給大銀行，銀行數量的增加有利于弱化銀行間市場的風險傳染效應。

梳理上述文獻可以發現，國內學者在運用網絡拓撲方法研究系統性金融風險傳染時存在以下不足：一是在空間維度上，對于系統性金融風險傳染的刻畫大多是基于金融部門之間，以及單個行業內部的個體金融機構之間，缺乏在一個統一框架下從“整體—部門”的全方位系統性的分析。二是在時間維度上，現有研究大都未考慮風險傳染的時變特征，隱含假設是樣本期不同金融機構之間的風險傳染渠道是不變的，本文借鑒Billio等（2012）[11]的方法構建一個格蘭杰因果尾部風險網絡，對我國銀行、信托、證券、保險、房地產五個部門的風險傳染機制進行分析。本文的邊際貢獻主要有以下三點：一是在一個統一的框架下從“整體—部門”角度全方位分析我國金融風險的總趨勢以及部門特征。二是在時間維度上，將2018年以來的數據劃分為不同的時間段，分析不同發展階段我國金融風險的時變特征，嘗試厘清我國金融業務創新與金融風險的關系。三是將圖算法中出度和入度概念引入到金融風險刻畫中，進一步將金融風險的概念分解為金融風險出度和金融風險入度，從風險來源和承擔者兩個角度全面地刻畫金融機構在風險傳染中的作用，有助于提高金融風險防范的針對性。

三、系統性金融風險的測度

本部分分別采用CoVaR和MES兩種方法測算我國系統性金融風險水平，并對兩種方法的測算結果進行比較。

（一）系統性金融風險測算方法介紹

假設市場上有[N]家金融機構，[Xit]表示機構[i]在[t]期的股票收益率，通過各機構的市值[wit]加權得到所有機構的平均收益率：

MES是機構[i]對系統性風險的邊際貢獻。系統性風險預期損失ES（Expected Shortfall），表示在[α]%的尾部風險下的預期收益，在ES中引入門限值C，可將系統性的ES定義為：

將ES對機構[i]的權重求導，可以得到機構[i]在[t]期的MES：

可見，MES表示機構[i]在系統中權重的提高對系統性風險上升的邊際貢獻。

CoVaR是在VaR基礎上提出的概念，表示在一定的概率水平下，當某一金融機構的風險VaR值一定時，其他金融機構的最大可能損失。假設機構[i]陷入危機時的損失為[VaRiq]，機構[j]的在險價值可以表示為：

其中[Xi]表示機構[i]的收益率，[q]為設定的概率水平。上式的含義是機構[i]的收益率為[VaRiq]時，機構[j]的收益率小于等于[CoVaRj|iq]的概率為[q]。假設[j]是整個金融系統，則機構[i]對金融系統的風險貢獻為：

上式中[CoVaRsystem|Xi=VaRiqq]表示，當機構[i]出現風險時所導致的整個金融系統的風險水平，[CoVaRsystem|Xi=Medianiq]表示機構[i]正常運行時整個金融系統的風險水平，[βsystem|iq]是CoVaR對VaR的回歸系數。上式計算的單個金融機構對系統性風險的貢獻不隨時間變化，Adrian 和 Brunnermeier（2011）[1]采用一個包含狀態變量M的方程來計算單個機構系統性風險貢獻的時間序列：

單個金融機構對系統性風險的貢獻為：

（二）風險測算結果說明

本文選取在A股上市的25家金融機構及3家房地產機構測算其MES和△CoVaR水平。25家金融機構包括銀行機構13家、保險機構3家、信托機構3家、證券機構6家。樣本區間為2008年1月—2020年10月。數據來自萬得數據庫。本文將尾部風險的概率設定為5%。機構名單和測算△CoVaR時的狀態變量分別見表1、表2。

根據測算結果，可將2008年以來我國系統性金融風險的變化分為以下五個階段（見圖1）：一是2008年1月—2008年9月金融風險持續發酵期，這一時期，國際金融危機的影響持續發酵，MES和△CoVaR在2008年9月達到較高水平。二是2008年10月—2012年10月危機后風險回落期，金融危機的影響開始減弱，MES和△CoVaR逐漸下降并趨于平穩。三是2012年11月—2014年8月風險小幅波動期， 2013年7月銀行間市場出現“錢荒”風波，系統性風險有所上升，隨后恢復至正常水平。四是2014年9月—2016年12月股災引發風險加劇期，這一時期我國系統性風險出現急劇上升，MES和△CoVaR指標超過2008年9月的水平，主要是由股票市場的大幅震蕩引起的，但隨著各項穩定政策的實施，系統性風險在2016年12月基本回歸至危機前的正常水平。五是2017年1月至今風險穩中緩升。我國系統性金融風險總體呈現低位緩慢上升的趨勢，原因主要有兩個方面：一是房地產市場引發風險，二是對安邦系、明天系等金融控股集團的清理整頓，導致保險部門風險上升。

四、系統性金融風險傳染的空間結構和時變特征

本部分在測度系統性金融風險水平的基礎上，進一步構建一個格蘭杰尾部風險網絡模型，從網絡關聯性的角度刻畫金融風險在不同金融部門之間的傳染路徑及其變化情況。

（一）系統性金融風險傳染機制的刻畫方法

刻畫風險在金融系統傳染的動態機制，一方面需要測度金融機構兩兩之間的連接度，另一方面還要測度風險在兩兩機構之間傳染的方向。為實現以上兩方面目的，本文采用格蘭杰因果檢驗的方法來刻畫金融系統的風險傳染情況。Danielsson等（2011）[19]指出，資產收益之間的格蘭杰因果關系可以看作是市場主體收益溢出效應的代理變量。鑒于金融機構的△CoVaR和MES具有很強的一致性，因此，在金融風險傳染的研究中，我們僅選擇MES作為單家機構的風險測度方法，然后對不同機構之間MES的聯動關系進行格蘭杰因果檢驗，以此計算金融部門之間的連接度情況。

假設存在兩個時間序列變量[i]和[j]，如果變量[j]包含的信息有助于預測未來的變量[i]，那么變量[j]就是變量[i]的格蘭杰原因。公式如下：

其中，[Rit]和[Rjt]是兩個平穩的時間序列，用來衡量單家機構的MES值，變量的均值為0，模型滯后期為1，[eit+1]和[ejt+1]是兩個不相關的白噪聲過程。當[bij]不等于0時，變量[Rjt]是變量[Rit]的格蘭杰原因;當[bji]不等于0時，變量[Rit]是變量[Rjt]的格蘭杰原因;當[bij]和[bji]均不為0時，兩個變量之間互為格蘭杰原因。機構[j]將風險傳染給機構[i]可以表示成如下形式：

其中[j→i]表示機構[j]向機構[i]的風險傳染過程，值為1表示機構[j]可以將風險傳染至機構[i]，值為0表示機構[j]無法將風險傳染至機構[i]。

假設金融體系中共有N家機構，每家機構可以看作一個結點，N家機構之間共計N（N-1）對兩兩關系中，格蘭杰因果檢驗顯著的即為該金融體系的度。將金融體系的度占N（N-1）對兩兩關系的比重定義為金融體系的連接度指數（DGC），公式如下：

從金融部門角度看，假設金融體系中N家金融機構分布在M個部門。以部門[α]為結點，該部門內的金融機構作為風險源與其他部門的兩兩關系共有[（M-1）N/M]對，其中，格蘭杰因果關系顯著定義為部門[α]的出度，出度在所有兩兩關系中的占比定義為出度指數，表示部門[α]作為風險源對其他金融部門的影響，公式為：

其中，[j|α]表示歸屬于部門[α]的機構[j]，[S|β]表示歸屬于部門[β]的所有機構，[i|β]表示歸屬于部門[β]的機構[i]。同理，部門[α]的入度指數，即部門[α]作為風險的承擔者受其他部門影響的程度，公式為：

部門[α]的出入度指數，即同時考慮部門[α]作為風險源和風險承擔者，公式為：

（二）金融體系DGC連接度指數的分析

風險溢出效應的大小受長期和短期兩類因素影響。長期因素主要是金融管理體制、業務發展模式、重大的風險事件等長期性、趨勢性因素所導致的機構之間關聯性的變化;短期因素主要是市場流動性事件、監管文件等因素所導致的機構之間關聯性的暫時變化。圖2中給出2008年以來我國金融體系的DGC指數。DGC指數越大，說明金融機構之間的聯系越緊密，風險溢出效應越明顯。2008年以來，我國的DGC指數表現出以下特點：

一是從大的周期看，可以分為5個階段。（1）2010年4月以前，DGC指數總體上升，這主要是2008年國際金融危機的余波。（2）2010年4月—2013年8月DGC指數處于下行區間，主要是由于危機以后金融去杠桿的不斷推進。（3）2013年8月—2018年5月，在此期間，我國資管業務快速發展，不同金融部門和機構之間的聯系日益緊密，DGC指數逐步上升。（4）2018年4月《關于規范金融機構資產管理業務的指導意見》出臺，金融機構無序的混業經營行為受到遏制，金融機構和部門之間的關聯性開始下降。（5）2019年7月份以來，金融體系之間的連接度指數有所上升，主要是由于金融體系之間的流動性壓力有所加大，但隨后新冠肺炎疫情暴發，金融壓力開始急劇上升，DGC指數在2020年6月份達到高點，中央銀行適度調整貨幣政策，通過定向降準、再貸款再貼現等方式加大流動性投放，金融風險隨后開始回落。

二是在大周期中存在著明顯的小波動。DGC指數大周期的變化主要是由于金融機構之間關聯性的變化，而DGC指數暫時性的小幅波動更多是源于金融機構之間流動性壓力的傳導。2013年8月—2018年5月，我國資管業務快速發展，監管政策的調整給部分金融機構帶來短暫的流動性壓力，造成DGC指數上升。如2014年1月發布的《商業銀行理財產品進入銀行間債券市場有關事項的通知》、2014年8月發布的《私募投資基金監督管理暫行辦法》等文件導致DGC指數在2014年12月出現一個小高峰;2016年7月以證監會《證券期貨經營機構私募資產管理業務運作管理暫行規定》為標志的“監管風暴”，導致DGC指數在2016年8月出現一個小高峰;2020年6月，在全球新冠肺炎疫情肆虐的背景下，DGC指數達到歷史高位，但隨后中央銀行加大流動性投放，7月6日7天Shibor創3年新低，DGC指數隨后開始進入下行區間。

（三）分部門金融出入度指數分析

分部門的金融出入度指數主要測度該部門的金融機構與該部門以外的金融機構間的風險溢出情況。表3給出金融部門之間的出度指數和入度指數。

一是從出度指數看，樣本期間保險部門是最大的風險源，64%的非保險類金融機構會受到保險部門的影響，即如果保險部門發生風險，非保險部門中有64%的機構會受到沖擊。其中，保險→銀行的出度指數為82.1%，保險→證券的出度指數為50%，兩者均處于較高水平，表明保險部門如果發生風險，極易向銀行和證券行業傳染。這主要由于在我國資管業務快速發展時期，保險業務受監管約束較少，特別是銀保、證保等業務合作模式的快速推廣，成為風險傳染的重要渠道。與此同時，銀行和房地產部門的出度指數也較高，其主要路徑是銀行[→]房地產（出度指數64.1%）及房地產[→]銀行（出度指數61.5%），即房地產和銀行部門之間形成了一種正反饋的機制。

二是從入度指數看，房地產部門是最大的風險承擔者，57.3%的非房地產機構會將風險傳染至房地產部門，其中證券→房地產、銀行→房地產的出度指數分別是61.4%、64.1%，說明當證券、銀行等部門發生風險以后，很容易傳染至房地產部門。

三是綜合考慮出度指數和入度指數后，房地產部門是最大的風險部門，其出度指數和入度指數的合計值在所有部門中最高。房地產部門在系統性金融風險傳染中具有重要作用已經成為共識，本文的研究進一步表明在金融風險傳染中，房地產部門既是重要的風險來源方，同時也是重要的風險承擔者，充當了金融加速器的角色。加速路徑是：證券、銀行部門將風險傳染至房地產部門，隨后房地產部門將風險溢出至銀行和信托部門，而房地產企業的高杠桿經營特征及融資渠道的復雜性是造成這種加速器機制的主要原因。

（四）分部門金融出入度指數的時變特征

分部門金融出入度指數分析給出的是金融部門之間靜態的風險傳導情況，未能刻畫出金融風險傳染在不同時期的變化情況。但是，從我國實際情況看，金融深化的步伐持續推進，監管政策也在不斷完善，從2008年以前的嚴格分業經營，到2012—2017年資管業務快速發展，再到2017年以來對監管套利和資管業務加強約束，我國金融風險傳染的路徑處于不斷變化之中。因此，基于時間維度來審視我國系統性風險傳染機制的變化很有必要。本部分根據我國系統性金融風險的變化態勢，將2008年以來劃分為2008—2013年、2014—2016年、2017—2020年三個不同時期，分析各時期金融風險傳染特征的動態變化。總體上，2008年以來我國金融機構之間的聯系逐漸加強。2008—2013年，金融機構連接度為137，2014—2016年連接度為139，在2017—2020年間金融機構之間的連接明顯加強，金融系統連接度上升至207（見表4）。具體來看：

一是從部門的風險出度看，不同部門差異明顯。保險、證券、房地產部門的出度隨時間不斷變大，2008—2013年、2014—2016年、2017—2020年保險部門的出度指數分別為12.7%、13.3%、52%，證券部門的出度指數分別為4.5%、16.7%、24.6%，房地產部門的出度指數分別為6%、11.3%、72.7%。這說明隨著我國金融體系的完善，保險、證券、房地產部門作為風險來源，對系統性金融風險的影響越來越大。其中，保險部門和證券部門風險出度的上升，主要由于這兩類金融業態的創新業務較多，隨著跨部門業務的發展，風險溢出效應有所增強;房地產部門風險出度在2018—2020年間急劇上升，使其成為主要的風險來源，主要由于近兩年在房住不炒調控政策的約束下，房地產企業資金壓力有所加大，如2020年下半年恒大地產的資金危機就是這一情況的真實寫照。信托部門和銀行部門的風險出度先降后升，2008—2013年、2014—2016年、2017—2020年信托部門的風險出度分別為5.3%、4%、28.8%，銀行部門出度分別為22.8%、13.3%、46.8%。其中，2014—2016年信托部門風險出度下降，主要是由于監管部門加強了對信托業務的監管力度，導致業務發展放緩，2015年信托貸款同比僅增長0.8%，處于較低水平。銀行部門在2014—2016年間風險出度下降，2017年以后上升，主要是由于2017年原銀監會接連發布《關于銀行業風險防控工作的指導意見》《關于開展銀行業“監管套利、空轉套利、關聯套利”專項治理工作的通知》等一系列文件，銀行與其他金融部門之間的資金聯系有所減少，從而導致風險壓力向信托部門傳導，風險出度有所上升。

二是從各部門的風險入度看，保險部門先升后降，顯示資管新規主要是通過約束保險部門風險承擔者的角色而發揮作用。房地產部門的入度指數穩中有升?？傮w來看，房地產部門由于融資渠道高度復雜，不同渠道之間的融資替代性強，因此，其他部門向其傳染的風險較小，體現為房地產部門的風險入度基本保持平穩。信托和證券行業的風險入度先降后升，2017年以來，信托和銀行承擔的風險有所上升，其風險主要分別來自銀行和房地產，而證券部門的風險主要來自信托和房地產。由此可見，金融風險傳染網絡是銀行將風險傳染至信托，信托將風險傳染至證券，據此可以認為，不良貸款上升導致的銀行風險外溢增加，是造成2017年以來信托業和證券業風險入度上升的主要原因。

五、結論及政策建議

防范和化解系統性金融風險是當前宏觀調控政策的一項重要任務。本文以金融市場數據為基礎測度了2008年以來我國系統性金融風險的變化情況，并構建一個格蘭杰因果尾部風險網絡，從空間和時間兩個維度研究我國系統性金融風險傳染的特征。本文可以得到三個方面研究結論：首先，從總體看，2008年以來金融體系風險溢出效應波動上升，資管新規的實施使溢出效應由升轉降，新冠肺炎疫情導致溢出效應短暫上升，但目前已回落至低位。其次，從風險的空間結構看，房地產部門較高的風險出度和入度指數引發了風險加速機制，使其成為重要的風險源和承擔者。再次，從風險的時變特征看，保險、證券等業務創新多的部門風險來源的角色在強化，銀行風險溢出對信托、證券影響較大。上述結論對當前我國防范和化解金融風險具有一定的啟示：

一是資管新規這一系統化的重大管理規定對抑制我國金融系統的風險溢出效應發揮了關鍵作用。因此，當前應當進一步完善、優化資管新規的相關規定。一方面，嚴禁多層嵌套、脫實向虛，最大程度抑制風險的跨部門、跨周期傳染;另一方面，在推進資管新規實施過程中應當關注金融部門的期限錯配及流動性狀況，防止因資管新規實施造成次生風險事件。

二是保險部門是重要的風險源且風險出度不斷上升，這說明以金融控股集團（如大型的保險公司）為核心紐帶的金融創新業務，很容易聚集金融風險。因此，當前應當加大對金融創新業務的監測和管理力度，盡快出臺對金融控股集團的統計制度，全面摸排國內重要的金融控股集團的業務關聯情況，對跨部門的創新業務加大宏觀審慎管理力度。

三是房地產部門是最脆弱的風險源和風險承擔者，是我國當前金融風險防范的重點。房住不炒的調控政策以及房地產“三條紅線”的監管要求導致房地產企業面臨較大的資金壓力。因此，當前應重點關注房地產企業的風險情況。一方面，要逐漸壓降房地產企業負債規模，盡快滿足監管要求，為長期的防風險打下堅實基礎;另一方面，也要關注房地產企業資金鏈壓力，防范資金鏈斷裂導致風險擴散。

參考文獻：

[1]Adrian T，Brunnermeier M K. 2011. CoVaR [R].National Bureau of Economic Research.

[2]Wong A Y T，Fong T P W. 2011. Analysing Interconnectivity Among Economies [J].Emerging Markets Review， 12（4）.

[3]Huang X，Zhou H，Zhu H. 2012. Systemic Risk Contributions [J].Journal of Financial Services Research，42（1-2）.

[4高國華，潘英麗.銀行系統性風險度量——基于動態CoVaR方法的分析 [J].上海交通大學學報，2011，（12）.

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

[6]Acharya V，Engle R，Richardson M. 2012. Capital Shortfall：A New Approach to Ranking and Regulating Systemic Risks [J].American Economic Review，102（3）.

[7]Idier J，Lamé G，Mésonnier J S. 2014. How Useful is the Marginal Expected Shortfall for the Measurement of Systemic Exposure？ A Practical Assessment [J].Journal of Banking & Finance，47（1）.

[8]Derbali A，Hallara S. 2016. Systemic Risk of European Financial Institutions：Estimation and Ranking by the Marginal Expected Shortfall [J].Research in International Business and Finance，37（1）.

[9]范小云，王道平，方意.我國金融機構的系統性風險貢獻測度與監管——基于邊際風險貢獻與杠桿率的研究[J].南開經濟研究，2011，（4）.

[10]Schweitzer F，Fagiolo G，Sornette D. 2009. Economic Networks：The New Challenges [J].Science，325（5939）.

[11]Billio M，Getmansky M，Lo A W. 2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of Financial Economics，104（3）.

[12]Wang G J，Xie C，He K. 2017. Extreme Risk Spillover Network：Application to Financial Institutions [J].Quantitative Finance，17（9）.

[13]Corsi F，Lillo F，Pirino D. 2018. Measuring the Propagation of Financial Distress with Granger-Causality Tail Risk Networks [J].Journal of Financial Stability，38（1）.

[14]Diebold F X，Y?lmaz K. 2014. On the Network Topology of Variance Decompositions：Measuring the Connectedness of Financial Firms [J].Journal of Econometrics，182（1）.

[15]楊子暉，陳雨恬，陳里璇.極端金融風險的有效測度與非線性傳染 [J].經濟研究，2019，（ 5）.

[16]楊子暉，周穎剛.全球系統性金融風險溢出與外部沖擊 [J].中國社會科學，2018，（12）.

[17]方意，鄭子文.系統性風險在銀行間的傳染路徑研究——基于持有共同資產網絡模型 [J].國際金融研究，2016，（6）.

[18]王曉楓，廖凱亮，徐金池.復雜網絡視角下銀行同業間市場風險傳染效應研究 [J].經濟學動態，2015，（3）.

[19]Danielsson J，Song Shin H，Zigrand J P. 2011. Balance Sheet Capacity and Endogenous Risk [J].2011.