基于Copula函数的股票市场风险溢出网络特征研究

发布时间：2020-12-20 04:59

　　为捕捉全球主要股票市场间时变风险溢出的网络结构与特征,识别各国在全球风险溢出中的角色与地位,把握风险溢出的全貌,采用时变Dcc-Garch-Copula-ΔCoVaR模型测度任意两两股票市场间的时变风险溢出,并基于小波多分辨分析提取风险溢出的特征量,构建静态与动态复杂网络进行分析。研究结果发现,时变Dcc-Garch-Copula-ΔCoVaR模型能够较好地捕捉股票市场的风险溢出演化趋势。在全局静态网络中,美国以及部分欧洲地区是风险溢出的中心,欧洲国家的金融风险传染具有明显的非对称性。美国、英国以及中国香港等国家或地区具有"主溢出"效应;中国、新加坡、泰国等发挥"经纪人"作用。动态风险溢出网络的聚类系数与平均路径长度基本呈反向变动,符合小世界特征。 

【文章来源】：统计与信息论坛. 2020年08期 北大核心CSSCI

【文章页数】：11 页

【部分图文】：

中国股票市场风险时序图

全球主要股票市场对中国股市的风险溢出时序图

由图3可知,风险溢出具有复杂性,彼此之间普遍联系、相互传染,没有任何一个国家是完全“孤立”于网络之外的。进一步分析静态网络的结构特征发现,网络中实际存在的关联数为 514,可能存在的最大关联数是870,网络密度为0.591,说明各个国家之间风险传染的密切程度相对较高。风险溢出网络的关联度为 1,表明全球主要国家金融市场风险传染网络的通达性好,各个国家之间普遍存在溢出,抑制国家之间风险的传染还有很长的路要走。平均聚类系数达到0.710,表示风险传染程度高、传染面广,其中中国的聚类系数只有0.595,表明中国对他国风险传染的程度远低于平均水平。平均最短路径大于1,表明风险在有些国家间并不是直接传染,而是通过中介渠道传染。表3 静态网络结构特征 网络密度 网络关联度 聚类系数 平均最短路径 0.591 1.000 0.710 1.477

【参考文献】：
期刊论文
[1]全球系统性金融风险溢出与外部冲击[J]. 杨子晖,周颖刚.  中国社会科学. 2018(12)
[2]全球股票市场系统性风险溢出研究——基于ΔCoVaR和社会网络方法的分析[J]. 刘海云,吕龙.  国际金融研究. 2018(06)
[3]基于小波特征提取的高频面板数据聚类方法[J]. 戴大洋,邓光明.  统计与信息论坛. 2018(02)
[4]基于Beta-Skew-t-EGARCH-POT模型的极值风险测度研究[J]. 张保帅,金振琥.  南方金融. 2018(02)
[5]我国影子银行对商业银行的风险溢出效应——基于GARCH-时变Copula-CoVaR模型的分析[J]. 李丛文,闫世军.  国际金融研究. 2015(10)
[6]中国股票市场国际化研究:基于信息溢出的视角[J]. 梁琪,李政,郝项超.  经济研究. 2015(04)
[7]中国股票关联网络拓扑性质与聚类结构分析[J]. 黄玮强,庄新田,姚爽.  管理科学. 2008(03)



本文编号：2927249