国际新兴资产与中国传统资产的多维溢出效应

doi:10.16381/j.cnki.issn1003-207x.2023.0327

摘要/Abstract

摘要：

经济全球化背景下的金融市场风险呈现出跨地区溢出和交叉性传染的新特征。本文基于GARCHSK模型和分位数VAR网络框架深入考察了国际新兴资产（金融科技、比特币和绿色债券）与中国传统资产（股市、原油、商品和金属市场）之间在不同市场条件下的多维风险溢出。首先，静态溢出结果表明，资产间的溢出效应是非对称的，极端分位数处的溢出程度普遍高于中分位数，并且不同维度下的左右尾溢出效应也存在明显差异。其次，滚动窗口分析显示，资产价格的收益、波动、偏度和峰度溢出效应均呈现出显著的时变特征，并且这种溢出关系随时间变化的规律更多是受到外部冲击的驱动。最后，通过网络分析方法，发现各金融资产间定向溢出网络的结构特征、传染方向、作用强度和风险中心在不同矩层面和不同分位数下具有异质性。总之，本文的发现有利于进一步厘清国内外金融资产间的多维溢出关系和风险传染路径，对投资者构建多元化资产组合以及决策者加强宏观审慎监管具有深远意义。

关键词: 金融资产, 多维溢出效应, GARCHSK模型, QVAR模型, 非线性网络

Abstract:

Financial market risks in the context of economic globalization have taken on new characteristics of cross-regional spillovers and cross-contagion. An in-depth examination of multidimensional risk spillovers between international emerging assets （fintech， bitcoin and green bonds） and domestic traditional assets （stock market， crude oil， commodity and metal markets） under different market conditions is provided based on the GARCHSK model and the quantile VAR network framework. Firstly， the static results suggest that spillovers between assets are asymmetric， with spillovers generally higher at the extreme quartiles than at the middle quartile， and significant differences in left- and right-tail spillovers across dimensions. Secondly， rolling window analysis shows that asset price returns， volatility， skewness and kurtosis spillovers all exhibit significant time-varying characteristics， and that the pattern of such spillover relationships over time is more driven by external shocks. Finally， through network structure analysis， it is found heterogeneity in the structural characteristics， direction of contagion， intensity of action and risk centres of the targeted spillover network across financial assets at different moments and at different quantiles. Overall， the findings of this paper contribute to further understanding of the multidimensional spillover relationships and risk contagion paths of domestic and foreign financial assets， and have important implications for investors in constructing diversified asset portfolios and policymakers in strengthening macroprudential regulation.

Key words: financial assets, multidimensional spillover effect, GARCHSK model, QVAR model, nonlinear network

中图分类号:

F831.5

王雄, 李景瑶, 任晓航, 王宗润. 国际新兴资产与中国传统资产的多维溢出效应[J]. 中国管理科学, 2025, 33(8): 37-49.

Xiong Wang, Jingyao Li, Xiaohang Ren, Zongrun Wang. Multidimensional Spillover of International Emerging Assets and Chinese Traditional Assets: Based on the Quantile VAR Network[J]. Chinese Journal of Management Science, 2025, 33(8): 37-49.

图/表 12

表1

表2

基于分位数的静态收益率溢出效应"

效应	金融科技	比特币	绿色债券	股市	原油	商品	黄金	铜
$τ = 0.05$	总溢出=82.29
TO	88.65	79.52	83.57	81.99	83.70	85.46	74.75	80.68
FROM	82.66	78.82	82.91	82.13	82.60	84.39	81.10	83.70
净溢出	5.99	0.70	0.66	-0.14	1.10	1.06	-6.35	-3.02
	总溢出=26.99
TO	28.44	14.94	15.67	47.94	17.09	55.43	4.43	31.96
FROM	20.10	13.64	17.35	46.53	23.42	48.92	8.61	37.34
净溢出	8.34	1.30	-1.68	1.41	-6.33	6.51	-4.18	-5.38
	总溢出=80.24
TO	78.42	77.20	74.25	84.76	79.78	85.87	76.36	85.24
FROM	80.64	79.14	80.32	81.03	79.81	81.17	79.18	80.60
净溢出	-2.22	-1.94	-6.07	3.73	-0.02	4.70	-2.82	4.64

表2

表3

表4

表5

图1

图2

图3

图4

图5

表6

溢出效应的网络溢出效率和中心性特征"

参数	平均路径长度	接近度中心性	介数中心性	特征向量中心性	PageRank中心性
收益率
$τ = 0.05$	1.000	商品	金融科技	黄金	黄金
$τ = 0.5$	1.097	商品	原油	比特币	黄金
$τ = 0.95$	1.350	原油	比特币	金融科技	绿色债券
波动率
$τ = 0.05$	1.206	商品	比特币	股市	原油
$τ = 0.5$	1.535	金融科技	原油	金融科技	铜
$τ = 0.95$	1.000	黄金	金融科技	商品	比特币
偏度
$τ = 0.05$	1.000	绿色债券	金融科技	原油	比特币
$τ = 0.5$	1.625	黄金	金融科技	黄金	黄金
$τ = 0.95$	1.625	原油	金融科技	金融科技	铜
峰度
$τ = 0.05$	1.000	绿色债券	金融科技	金融科技	比特币
$τ = 0.5$	1.419	原油	金融科技	商品	绿色债券
$τ = 0.95$	1.625	原油	金融科技	股市	铜

表6

图6

参考文献 39

[1]	杨子晖，陈里璇，陈雨恬. 经济政策不确定性与系统性金融风险的跨市场传染——基于非线性网络关联的研究［J］. 经济研究， 2020， 55（1）： 65-81.
	Yang Z H， Chen L X， Chen Y T. Cross-market contagion of economic policy uncertainty and systemic financial risk： A nonlinear network connectedness analysis［J］. Economic Research Journal， 2020， 55（1）： 65-81.
[2]	刘少波，张友泽，梁晋恒. 金融科技与金融创新研究进展［J］. 经济学动态， 2021（3）： 126-144.
	Liu S B， Zhang Y Z， Liang J H. Research progress on FinTech and financial innovation［J］. Economic Perspectives， 2021（3）： 126-144.
[3]	姬强，胡旻，马嫣然，等. 全球数字货币波动对中国金融资产的风险溢出效应研究［J］. 管理评论， 2022， 34（2）： 102-111.
	Ji Q， Hu M， Ma Y R， et al. Risk spillovers between global cryptocurrency and Chinese financial assets［J］. Management Review， 2022， 34（2）： 102-111.
[4]	Monasterolo I， Raberto M. The EIRIN flow-of-funds behavioural model of green fiscal policies and green sovereign bonds［J］. Ecological Economics， 2018， 144： 228-243.
[5]	Brunetti C， Harris J H， Mankad S， et al. Interconnectedness in the interbank market［J］. Journal of Financial Economics， 2019， 133（2）： 520-538.
[6]	宫晓莉，熊熊，张维. 我国金融机构系统性风险度量与外溢效应研究［J］. 管理世界， 2020， 36（8）： 65-83.
	Gong X L， Xiong X， Zhang W. Research on systemic risk measurement and spillover effect of financial institutions in China［J］. Journal of Management World， 2020， 36（8）： 65-83.
[7]	杨子晖，李东承，王姝黛. 合成网络新视角下的输入性金融风险研究［J］. 中国工业经济， 2022（3）： 38-56.
	Yang Z H， Li D C， Wang S D. Research on imported financial risk from the new perspective of composite network［J］. China Industrial Economics， 2022（3）： 38-56.
[8]	Da Fonseca J， Xu Y. Higher moment risk premiums for the crude oil market： A downside and upside conditional decomposition［J］.Energy Economics，2017，67： 410-422.
[9]	王鹏，吕永健. 国际原油市场极端风险的测度模型及后验分析［J］. 金融研究， 2018（9）： 192-206.
	Wang P， Lv Y J. Extreme risk measurement models of international oil market and backtesting analysis［J］. Journal of Financial Research， 2018（9）： 192-206.
[10]	鲁万波，黄光麟， Boudt Kris. 股市涨跌预测与量化投资策略：基于时变矩成分分析［J］. 中国管理科学， 2020， 28（2）： 1-12.
	Lu W B， Huang G L， Boudt K. Stock market rise-fall forecast and quantitative investment strategy： Based on time varying MCA［J］. Chinese Journal of Management Science， 2020， 28（2）： 1-12.
[11]	林娟娟，唐勇，周小亮，等. 北上资金、百度指数与股市关联性的时频域研究——基于协高阶矩视角［J］. 中国管理科学， 2022， 30（1）： 20-31.
	Lin J J， Tang Y， Zhou X L， et al. Research on the relationship between northward capital， Baidu index and stock market in time and frequency domain：Based on the perspective of higher order co-moments［J］. Chinese Journal of Management Science， 2022， 30（1）： 20-31.
[12]	Lin C H. The comovement between exchange rates and stock prices in the Asian emerging markets［J］. International Review of Economics & Finance， 2012， 22（1）： 161-172.
[13]	王鹏，蒋焰，吴金宴.原油价格与世界股票市场之间的高阶矩相依性研究［J］.管理科学，2017，30（3）： 136-146.
	Wang P， Jiang Y， Wu J Y. Dependence of higher moments between oil price and international stock markets［J］. Journal of Management Science， 2017， 30（3）： 136-146.
[14]	刘志峰，张子汸，戴鹏飞，等. 碳市场与股票市场间的崩盘风险溢出效应研究：新冠疫情、投资者情绪与经济政策不确定性［J］. 系统工程理论与实践， 2023， 43（3）： 740-754.
	Liu Z F， Zhang Z P， Dai P F， et al. A study on the spillover effect of crash risk between carbon and stock markets： COVID-19， investor sentiment and economic policy uncertainty［J］. Systems Engineering-Theory & Practice， 2023， 43（3）： 740-754.
[15]	崔金鑫，邹辉文. 时频视角下国际股市间高阶矩风险溢出效应研究［J］. 国际金融研究， 2020（6）： 75-85.
	Cui J X， Zou H W. Research on higher-moment risk spillover effects among international stock markets from the time-frequency perspective［J］. Studies of International Finance， 2020（6）： 75-85.
[16]	周开国，季苏楠，杨海生. 系统性金融风险跨市场传染机制研究——基于金融协调监管视角［J］. 管理科学学报， 2021， 24（7）： 1-20.
	Zhou K G， Ji S N， Yang H S. Cross-market contagion mechanism of systemic risk from the perspective of coordinated supervision［J］. Journal of Management Sciences in China， 2021， 24（7）： 1-20.
[17]	Selmi R， Mensi W， Hammoudeh S， et al. Is Bitcoin a hedge， a safe haven or a diversifier for oil price movements？ A comparison with gold［J］. Energy Economics， 2018， 74： 787-801.
[18]	Shahzad S J H， Bouri E， Roubaud D， et al. Is Bitcoin a better safe-haven investment than gold and commodities？［J］. International Review of Financial Analysis， 2019， 63： 322-330.
[19]	Jiang H， Tang S， Li L， et al. Re-examining the contagion channels of global financial crises： Evidence from the twelve years since the US subprime crisis［J］. Research in International Business and Finance， 2022， 60： 101617.
[20]	赵林海，陈名智. 金融机构系统性风险溢出和系统性风险贡献——基于滚动窗口动态Copula模型双时变相依视角［J］. 中国管理科学， 2021， 29（7）： 71-83.
	Zhao L H， Chen M Z. Systemic risk spillovers and systemic risk contributions of financial institutions in China： A perspective of dual time-varying dependence of rolling window dynamic copula model［J］. Chinese Journal of Management Science， 2021， 29（7）： 71-83.
[21]	熊正德，文慧，熊一鹏. 我国外汇市场与股票市场间波动溢出效应实证研究——基于小波多分辨的多元BEKK-GARCH（1， 1）模型分析［J］. 中国管理科学， 2015， 23（4）： 30-38.
	Xiong Z D， Wen H， Xiong Y P. Empirical research on spillover effect between foreign exchange market and stock market by wavelet multi-resolution analysis and multivariate BEKK-GARCH（1， 1）model［J］. Chinese Journal of Management Science， 2015， 23（4）： 30-38.
[22]	Zhang H， Chen J， Shao L. Dynamic spillovers between energy and stock markets and their implications in the context of COVID-19［J］. International Review of Financial Analysis， 2021， 77： 101828.
[23]	Bargigli L， di Iasio G， Infante L， et al. The multiplex structure of interbank networks［J］. Quantitative Finance， 2015， 15（4）： 673-691.
[24]	Krause A， Giansante S. Interbank lending and the spread of bank failures： A network model of systemic risk［J］. Journal of Economic Behavior & Organization， 2012， 83（3）： 583-608.
[25]	何德旭，苗文龙，闫娟娟，等.全球系统性金融风险跨市场传染效应分析［J］.经济研究，2021，56（8）： 4-21.
	He D X， Miao W L， Yan J J， et al. Analysis on the global systemic financial risks cross-market contagion effect［J］. Economic Research Journal， 2021， 56（8）： 4-21.
[26]	Liu B Y， Fan Y， Ji Q， et al. High-dimensional CoVaR network connectedness for measuring conditional financial contagion and risk spillovers from oil markets to the G20 stock system［J］. Energy Economics， 2022， 105： 105749.
[27]	León Á， Rubio G， Serna G. Autoregresive conditional volatility， skewness and kurtosis［J］. The Quarterly Review of Economics and Finance， 2005， 45（4-5）： 599-618.
[28]	Ando T， Greenwood-Nimmo M， Shin Y. Quantile connectedness： Modeling tail behavior in the topology of financial networks［J］. Management Science， 2022， 68（4）： 2401-2431.
[29]	Koop G， Pesaran M H， Potter S M. Impulse response analysis in nonlinear multivariate models［J］. Journal of Econometrics， 1996， 74（1）： 119-147.
[30]	Pesaran H H， Shin Y. Generalized impulse response analysis in linear multivariate models［J］. Economics Letters， 1998， 58（1）： 17-29.
[31]	King M A， Wadhwani S. Transmission of volatility between stock markets［J］. The Review of Financial Studies， 1990， 3（1）： 5-33.
[32]	Connolly R A， Wang F A. International equity market comovements： Economic fundamentals or contagion？［J］.Pacific-Basin Finance Journal， 2003， 11（1）： 23-43.
[33]	Chen J， Liang Z， Ding Q， et al. Quantile connectedness between energy， metal， and carbon markets［J］. International Review of Financial Analysis， 2022， 83： 102282.
[34]	李政，石晴，卜林. 基于分位数关联的政策连续性跨国溢出研究［J］. 金融研究， 2022（8）： 94-112.
	Li Z， Shi Q， Bu L. Quantile connectedness of policy continuity across the globe［J］. Journal of Financial Research， 2022（8）： 94-112.
[35]	黄云洲，黄炯豪，夏晓华. 比特币价格风险、宏观经济波动与股市风险传染——基于分位数关联网络的分析［J］. 中国管理科学， 2024， 32（4）： 26-37.
	Huang Y Z， Huang J H， Xia X H. Bitcoin price risk， macroeconomic environment and risk contagion in China’s stock market： An analysis based on quantile coherency network［J］. Chinese Journal of Management Science， 2024， 32（4）： 26-37.
[36]	韩立岩，尹力博. 投机行为还是实际需求？ ——国际大宗商品价格影响因素的广义视角分析［J］. 经济研究， 2012， 47（12）： 83-96.
	Han L Y， Yin L B. Speculation or real demand？ A multi-vision economic analysis of the international commodity prices impact factors［J］. Economic Research Journal， 2012， 47（12）： 83-96.
[37]	张大永，姬强. 中国原油期货动态风险溢出研究［J］. 中国管理科学， 2018， 26（11）： 42-49.
	Zhang D Y， Ji Q. Studies on the dynamic risk spillovers for China’s crude oil futures［J］. Chinese Journal of Management Science， 2018， 26（11）： 42-49.
[38]	Fruchterman T M J， Reingold E M. Graph drawing by force-directed placement［J］. Software： Practice and Experience， 1991， 21（11）： 1129-1164.
[39]	Zhou Y， Wu S， Zhang Z. Multidimensional risk spillovers among carbon， energy and nonferrous metals markets： Evidence from the quantile VAR network［J］. Energy Economics， 2022， 114： 106319.

变量	均值	最小值	最大值	标准差	偏度	峰度	JB检验	ADF检验	ARCH(1)
金融科技	0.002	-13. 565	11.162	1.662	-0.684	12.572	4261.839^***	-21.715^***	122.88^***
比特币	-0.013	-49.727	17.742	4.293	-1.427	20.705	14660.823^***	-23.5915^***	5.453^**
绿色债券	-0.012	-2.410	2.272	0.379	-0.589	9.362	1908.031^***	-18.880^***	95.934^***
股市	-0.012	-8.039	5.554	1.167	-0.587	7.642	1045.003^***	-23.254^***	7.872^***
原油	0.037	-14.132	11.541	2.484	-0.097	5.935	394.487^***	-22.186^***	34.243^***
商品	0.016	-8.821	5.863	1.659	-0.495	5.113	248.135^***	-22.056^***	19.683^***
黄金	0.031	-4.809	5.399	0.867	-0.220	7.381	883.680^***	-22.981^***	26.278^***
铜	0.016	-6.407	5.298	1.125	-0.330	7.394	900.057^***	-22.086^***	77.578^***

效应	金融科技	比特币	绿色债券	股市	原油	商品	黄金	铜
	总溢出= 45.58
TO	37.74	22.56	62.47	62.56	32.70	60.53	36.60	49.46
FROM	41.48	27.58	52.82	56.02	39.97	55.32	41.67	49.75
净溢出	-3.74	-5.02	9.65	6.54	-7.27	5.21	-5.07	-0.29
	总溢出=33.69
TO	44.36	36.92	23.87	51.35	19.09	52.05	9.19	32.71
FROM	24.89	21.50	35.30	49.07	20.77	48.18	34.83	35.00
净溢出	19.47	15.42	-11.43	2.28	-1.68	3.87	-25.64	-2.29
	总溢出=87.09
TO	136.99	57.07	112.02	55.25	130.71	67.61	71.27	65.83
FROM	79.97	91.70	83.76	90.85	81.13	89.82	89.79	89.72
净溢出	57.02	-34.63	28.26	-35.60	49.58	-22.21	-18.52	-23.89

效应	金融科技	比特币	绿色债券	股市	原油	商品	黄金	铜
	总溢出= 70.73
TO	106.10	2.95	114.68	77.11	71.17	75.94	62.96	54.93
FROM	60.01	31.34	70.79	72.33	74.81	80.97	88.29	87.31
净溢出	46.09	-28.39	43.89	4.79	-3.64	-5.03	-25.33	-32.38
	总溢出= 25.54
TO	2.15	34.26	34.56	44.71	7.51	54.57	2.09	24.47
FROM	1.59	23.84	23.52	44.02	10.22	47.06	24.48	29.58
净溢出	0.56	10.42	11.04	0.68	-2.71	7.50	-22.39	-5.11
	总溢出= 31.20
TO	9.03	24.85	42.89	47.36	19.60	63.21	9.68	32.95
FROM	9.44	23.41	35.30	46.20	26.48	51.71	18.47	38.54
净溢出	-0.41	1.44	7.59	1.16	-6.88	11.50	-8.79	-5.59

效应	金融科技	比特币	绿色债券	股市	原油	商品	黄金	铜
	总溢出= 24.17
TO	0.64	33.34	35.20	42.19	4.97	54.42	2.54	20.08
FROM	0.78	32.58	33.70	42.71	6.63	46.60	4.94	25.47
净溢出	-0.14	0.76	1.50	-0.52	-1.66	7.82	-2.40	-5.39
	总溢出= 24.77
TO	0.49	37.96	37.38	41.98	4.56	54.16	1.90	19.69
FROM	0.51	33.27	32.45	42.53	6.22	46.41	11.62	25.11
净溢出	-0.02	4.69	4.93	-0.55	-1.66	7.75	-9.72	-5.42
	总溢出= 83.82
TO	124.37	30.87	82.24	130.54	91.79	108.39	48.85	53.49
FROM	79.74	91.96	85.74	74.66	83.89	82.32	90.03	82.17
净溢出	44.63	-61.09	-3.50	55.88	7.90	26.07	-41.18	-28.68