基于知识图谱网络特征的中国外汇市场系统性风险测度研究

doi:10.16381/j.cnki.issn1003-207x.2024.1799

摘要/Abstract

摘要：

外汇市场系统性风险不仅影响外汇市场健康发展，而且影响整个金融系统稳定。鉴于外汇做市商在外汇市场中扮演着关键角色，本文分析中国外汇市场系统性风险形成与聚集的机理，厘清负面冲击下的外汇市场系统性风险形成渠道，结合知识图谱网络特征与现有三类系统性风险测度指标ΔCoVaR、MES、SRISK，构建中国外汇市场系统性风险测度指标。通过国内外重大事件验证测度指标的有效性，识别外汇市场的系统重要性外汇做市商银行，探究不同冲击渠道下的影响特征。研究结果表明：1）MES能够体现短事件冲击下外汇市场系统性风险水平的变化，即其短期测度效果最好，而SRISK能够体现长事件冲击下外汇市场系统性风险水平的整体变化，即其长期测度效果最好；2）考虑知识图谱网络特征下的指标测度效果要优于不使用网络特征，并且使用CFETS指数作为中国外汇市场指数时的测度效果要优于使用SDR指数和BIS指数；3）长期来看，四大国有银行和交通银行等系统重要性更高，短期来看，地方性银行系统重要性更高；4）在长事件冲击下，对系统重要性高的银行需要加强监管，考虑监管成本时可以适当下调系统重要性较低银行的监管水平。

关键词: 知识图谱网络特征, 中国外汇市场, 系统性风险, 外汇做市商, 系统重要性

Abstract:

With the advancement of economic globalization and financial integration， the risk correlation between the global foreign exchange market and China’s foreign exchange market has become more complex， and the importance of the foreign exchange market to China’s economic development， financial security and opening up has become increasingly prominent. In recent years， major events at home and abroad， such as China-Us trade frictions， the COVID-19 epidemic， the US Federal Reserve’s intensive interest rate hike， and the Russia-Ukraine conflict， have further exacerbated the spread of systemic risks around the world. In order to ensure the healthy operation of the financial market and the stable development of the foreign exchange market， it is necessary to effectively monitor the level of systemic risk in the foreign exchange market. Therefore， accurately measuring the systemic risk of the foreign exchange market has important research value.There are abundant researches on the measurement of systemic risk， but the measurement of systemic risk in China’s foreign exchange market is still relatively blank. Since there is no authoritative and unified definition of systemic risk， based on the existing definition and the characteristics of systemic risk， the systemic risk of foreign exchange market is defined as the sum of the individual risk and the contagion risk of the participants in the foreign exchange market. Under this definition， in order to measure the systemic risk of China’s foreign exchange market， Chinese foreign exchange market-making banks are selected as the main participants in China’s foreign exchange market， the important role of such players in the formation of systemic risk in China’s foreign exchange market is analyzed， and the formation mechanism of systemic risk in China’s foreign exchange market is summarized based on this. And then the systemic risk level of China’s foreign exchange market is effectively measured.Three channels of impact of external events on the foreign exchange market are put forward， with Chinese foreign exchange market makers as the core. Based on the three channels， three measurement mechanisms are put forward from the perspectives of "top-down"， "bottom-up" and "whether to consider scale and leverage"， and then three corresponding risk measurement methods are chosen： ΔCoVaR， MES and SRISK. At the same time， in order to take into account the increasingly important relevance dimension， the knowledge graph of China’s foreign exchange market is constructed， and the weighted degree centrality is constructed as the characteristic index of the knowledge graph network. Combining three types of risk measurement methods and network characteristics， three types of systematic risk measurement indicators of China’s foreign exchange market are proposed： KN-ΔCoVaR， KN-MES and KN-SRISK. In order to verify the validity of the measurement index of this paper， 13 major events at home and abroad are selected as verification， which are divided into long events and short events， and the effectiveness of the measurement index is illustrated by analyzing the sensitivity of the measurement index to the events.The weekly data from 2016 to 2022 are selected， including the central parity data of 23 currencies， the yield data of 18 foreign exchange market makers， and the data of 3 RMB exchange rate indices （CFETS， SDR， BIS）. The validity of systemic risk indicators in the foreign exchange market is verified by empirical evidence. The indicators and indicators under the characteristics of knowledge graph network can effectively measure the short-term and long-term systemic risk level of China’s foreign exchange market under shocks. The use of CFETS as the index of China’s foreign exchange market is more conducive to measuring the systemic risk of China’s foreign exchange market. On this basis， the systematic importance ranking of China’s foreign exchange market makers banks is analyzed， and it is found that in the long run， the four major state-owned banks and Bank of Communications are more important， while in the short run， local banks are more important. Through the simulation of event shocks， the changes in the ranking of the systemic importance of foreign exchange market makers under different impact intensities of the three types of shock channels are analyzed， and the rules are summarized and found as follows： Under the influence of long-term events， it is necessary to strengthen the supervision of high systemically important banks （such as CITB）， taking into account the supervision cost， the supervision level of low systemically important banks （such as CMSB） can be appropriately reduced.The proposed systematic risk measurement index of China’s foreign exchange market can effectively reflect the impact of major events and provide effective monitoring tools for foreign exchange market regulators. In this paper， the ranking of systemically important forex market makers and their changing characteristics are presented to provide decision-making suggestions for forex market supervision departments.

Key words: knowledge graph network characteristic, China’s foreign exchange market, systemic risk, foreign exchange market makers, systemic importance

中图分类号:

F832.5

沈嘉贤, 陈浩智, 张卫国. 基于知识图谱网络特征的中国外汇市场系统性风险测度研究[J]. 中国管理科学, 2025, 33(3): 45-61.

Jiaxian Shen, Haozhi Chen, Weiguo Zhang. Research on Systemic Risk Measurement of China’ s Foreign Exchange Market Based on Knowledge Graph Network Characteristics[J]. Chinese Journal of Management Science, 2025, 33(3): 45-61.

图/表 17

图1

图2

表1

图3

表2

考虑知识图谱网络特征的系统性风险指标年平均值"

市场指数	年份	$K N - Δ C o V a R ¯ - Q$	$K N - Δ C o V a R ¯ - D C C$	$K N - M E S ¯$	$K N - S R I S K ¯$
CFETS	2016	0.000754	0.000184	0.004155	739332
	2017	0.000750	0.000187	0.003792	703133
	2018	0.000876	0.000204	0.004971	741443
	2019	0.000764	0.000243	0.004721	857065
	2020	0.000742	0.000192	0.003960	1084563
	2021	0.000725	0.000208	0.004155	1252697
	2022	0.000719	0.000220	0.003793	1529392
BIS	2016	0.000465	0.000015	0.002154	708820
	2017	0.000532	0.000020	0.001902	671060
	2018	0.000665	0.000023	0.002930	693819
	2019	0.000536	0.000039	0.003247	831891
	2020	0.000523	0.000027	0.002556	1060999
	2021	0.000535	0.000030	0.002839	1232814
	2022	0.000500	0.000032	0.002252	1508080
SDR	2016	0.001514	0.000684	0.006383	769545
	2017	0.001515	0.000610	0.005948	737166
	2018	0.001779	0.000733	0.007331	785609
	2019	0.001544	0.000893	0.007771	898385
	2020	0.001490	0.000750	0.006775	1290434
	2021	0.001482	0.000690	0.006656	1283874
	2022	0.001460	0.000725	0.005714	1558482

表2

图4

表3

不同情况下的系统性风险指标短期有效性对比"

人民币汇率指数	$i$	$j$	-0.1水平点数	0.4水平点数
CFETS	$Δ C o V a R - Q$	$Δ C o V a R - D C C$	7	3
	$Δ C o V a R - Q$	$M E S$	2	3
	$M E S$	$S R I S K$	3	2
	$K N - Δ C o V a R - Q$	$K N - Δ C o V a R - D C C$	7	4
	$K N - Δ C o V a R - Q$	$K N - M E S$	0	5
	$K N - M E S$	$K N - S R I S K$	4	2
SDR	$Δ C o V a R - Q$	$Δ C o V a R - D C C$	6	4
	$Δ C o V a R - Q$	$M E S$	1	5
	$M E S$	$S R I S K$	1	2
	$K N - Δ C o V a R - Q$	$K N - Δ C o V a R - D C C$	8	3
	$K N - Δ C o V a R - Q$	$K N - M E S$	2	4
	$K N - M E S$	$K N - S R I S K$	3	1
BIS	$Δ C o V a R - Q$	$Δ C o V a R - D C C$	4	5
	$Δ C o V a R - D C C$	$M E S$	1	3
	$M E S$	$S R I S K$	5	0
	$K N - Δ C o V a R - Q$	$K N - Δ C o V a R - D C C$	4	8
	$K N - Δ C o V a R - D C C$	$K N - M E S$	1	4
	$K N - M E S$	$K N - S R I S K$	6	0

表3

图5

图6

图7

图8

表4

不同系统性风险测度指标下的中国外汇市场年度系统重要性做市商前10排序"

指标	年度	1	2	3	4	5	6	7	8	9	10
$K N - M E S$	2016	NJCB	BCHO	NBCB	CMHO	BCOH	CCBH	DESZ	EBBC	HXBJ	ICBC
	2017	NJCB	BKSH	BCHO	NBCB	BCOH	EBBC	CMHO	DESZ	CCBH	HXBJ
	2018	NJCB	BKSH	BCHO	NBCB	CCBH	CMHO	EBBC	BCOH	ICBC	HXBJ
	2019	NJCB	QDRC	BKSH	BCHO	NBCB	CMHO	DESZ	EBBC	BCOH	HXBJ
	2020	NJCB	BKSH	QDRC	BCHO	NBCB	DESZ	CMHO	EBBC	BCOH	CCBH
	2021	NJCB	BKSH	NBCB	BCHO	DESZ	CMHO	QDRC	BCOH	EBBC	CCBH
	2022	NJCB	BKSH	NBCB	BCHO	DESZ	QDRC	CMHO	BCOH	EBBC	HXBJ
$K N - S R I S K$	2016	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	CTIB	CMSB	SPDB	EBBC
	2017	ABCI	ICBC	BCHO	CCBH	BCOH	CMSB	IBCN	CTIB	SPDB	EBBC
	2018	ABCI	ICBC	BCHO	CCBH	BCOH	IBCN	CMSB	SPDB	CTIB	EBBC
	2019	ABCI	ICBC	BCHO	CCBH	BCOH	CMSB	CTIB	IBCN	SPDB	EBBC
	2020	ICBC	ABCI	BCHO	CCBH	BCOH	IBCN	CTIB	SPDB	CMSB	EBBC
	2021	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	CTIB	SPDB	CMSB	EBBC
	2022	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC

表4

表5

表6

只对人民币冲击时外汇市场系统重要性外汇做市商排序变化"

参数	1	2	3	4	5	6	7	8	9	10
基准情形	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CMSB	EBBC	CTIB
$μ = 0.00001 x = 0.001$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.00001 x = 0.01$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.00001 x = 0.1$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.0001 x = 0.1$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.001 x = 0.1$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC

表6

表7

只对外汇做市商冲击时外汇市场系统重要性外汇做市商排序变化"

参数	1	2	3	4	5	6	7	8	9	10
基准情形	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CMSB	EBBC	CTIB
$μ = 0.00001 x = 0.001$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.00001 x = 0.01$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.00001 x = 0.1$	ICBC	CCBH	ABCI	BCHO	BCOH	IBCN	SPDB	CTIB	EBBC	CMSB
$μ = 0.0001 x = 0.1$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	EBBC	CTIB	CMSB
$μ = 0.001 x = 0.1$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	CTIB	SPDB	EBBC	CMSB

表7

表8

同时对人民币和外汇做市商冲击时外汇市场系统重要性外汇做市商排序变化"

参数	1	2	3	4	5	6	7	8	9	10
基准情形	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CMSB	EBBC	CTIB
$μ = 0.00001 x = 0.001$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.00001 x = 0.01$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	SPDB	CTIB	CMSB	EBBC
$μ = 0.00001 x = 0.1$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	CMHO	SPDB	CTIB	CMSB
$μ = 0.0001 x = 0.1$	ICBC	ABCI	CCBH	BCHO	BCOH	IBCN	CMHO	SPDB	CTIB	CMSB
$μ = 0.001 x = 0.1$	ICBC	ABCI	BCHO	CCBH	BCOH	CTIB	CMHO	SPDB	EBBC	HXBJ

表8

表9

参考文献 43

1	Barry E， Rose A K， Charles W. Exchange market mayhem： The antecedents and aftermath of speculative attacks［J］. Economic Policy， 1995， 10（21）：99-153.
2	Sevim C， Oztekin A， Bali O， et al. Developing an early warning system to predict currency crises［J］. European Journal of Operational Research， 2014， 237（3）：1095-1104.
3	邓敏，蓝发钦. 金融开放条件的成熟度评估：基于综合效益的门槛模型分析［J］. 经济研究， 2013（12）： 120-133.
	Deng M， Lan F Q. The evaluation of financial openness’s condition： Evidence from the threshold regression［J］. Economic Research Journal， 2013（12）： 120-133.
4	赵雪瑾，张卫国. 我国金融市场双向风险的动态测量与实证分析［J］. 系统工程， 2017， 35（5）： 29-36.
	Zhao X J， Zhang W G. Dynamic measurement and empirical analysis of bi-directional risk in financial market［J］. Systems Engineering， 2017， 35（5）： 29-36.
5	Wagner N， Marsh T A. Measuring tail thickness under GARCH and an applicationto extreme exchange rate changes［J］. Journal of Empirical Finance， 2005（12）：165-185.
6	Iglesias E. An analysis of extreme movements of exchange rates of the main currencies traded in the foreign exchange market［J］. Applied Economic， 2012（44）：4631-4637.
7	潘雪艳，蔡光辉，刘顺祥. 基于尾指数方法的外汇市场风险度量研究——以美元、港币、日元和欧元对人民币汇率为例［J］. 安徽师范大学学报（人文社会科学版）， 2015， 43（5）： 558-563.
	Pan X Y， Cai G H， Liu S X. A study of foreign exchange market risk measurement based on tail index method： Taking the exchange rate of USD， HKD， JPY and euro against RMB as an example［J］. Journal of Anhui Normal University（Hum.& Soc.Sci.）， 2015， 43（5）： 558-563.
8	Wong H T. Real exchange rate returns and real stock price returns［J］. International Review of Economics and Finance， 2017， 49：340-352.
9	Delgado N A B， Delgado E B， Saucedo E. The relationship between oil prices， the stock market and the exchange rate： Evidence from mexico［J］. The North American Journal of Economics and Finance， 2018， 45：266-275.
10	Zheng L， Jiang Y， Long H. Exchange rates change， asset-denominated currency difference and stock price fluctuation［J］. Applied Economics， 2019，51（60）： 6517-6534.
11	朱孟楠，刘林，倪玉娟. 人民币汇率与中国房地产价格：基于Markov区制转换VAR模型的实证研究［J］. 金融研究， 2011（5）： 58-71.
	Zhu M N， Liu L， Ni Y J. RMB exchange rate and real estate price in China： An empirical study based on markov conversion VAR model［J］. Journal of Financial Research， 2011（5）： 58-71.
12	陈创练，张年华，黄楚光. 外汇市场、债券市场与股票市场动态关系研究［J］. 国际金融研究， 2017（12）： 83-93.
	Chen C L， Zhagn N H， Huang C G. Study on dynamic relationship between foreign exchange market， bond market and stock market［J］. Studies of International Finance， 2017（12）： 83-93.
13	杨子晖，陈雨恬，张平淼. 股票与外汇市场尾部风险的跨市场传染研究［J］. 管理科学学报， 2020， 23（8）： 54-77.
	Yang Z H， Chen Y T， Zhang P M. Cross-market contagion effect on tail risks between stock markets and exchange markets［J］. Journal of Management Sciences in China， 2020， 23（8）： 54-77.
14	Wang G J， Wan L， Feng Y S， et al. Interconnected multilayer networks： Quantifying connectedness among global stock and foreign exchange markets［J］. International Review of Financial Analysis， 2023， 86：102518.
15	Wen T， Wang G J， Mathur I，et al. Volatility connectedness in global foreign exchange markets［J］. Journal of Multinational Financial Management， 2020，54：100617.
16	王纲金，马欣宇，谢赤. 基于尾部风险溢出网络的全球外汇市场关联性研究［J］. 中国管理科学， 2023， DOI：10.16381j.cnki.issn1003-207x.2021.0389 .
	Wang G J， Ma Q Y， Xiw C. Measuring interconnectedness of global foreign exchange markets using tail risk spillover network［J］. Chinese Journal of Management Science，2023.DOI：10.16381j.cnki.issn1003-207x.2021.0389 .
17	Mai Y， Chen H， Zou J Z， et al. Currency co-movement and network correlation structure of foreign exchange market［J］. Physica A： Statistical Mechanics and its Applications， 2018， 492：65-74.
18	Zhang D T， Zhuang Y Y， Tang P， et al. The evolution of foreign exchange market： A network view［J］. Physica A： Statistical Mechanics and its Applications， 2018， 608：128311.
19	Kinkyo T. Volatility interdependence on foreign exchange markets： The contribution of cross-rates［J］. The North American Journal of Economics and Finance， 2020， 54：101289.
20	Acharya V， Engle R， Richardson M. Capital shortfall： A new approach to ranking and regulating systemic risks［J］. American Economic Review， 2012， 102（3）：59-64.
21	Dumitrescu E I， Banulescu D G. Which are the SIFIs？ A component expected shortfall （CES） approach to systemic risk［J］. Journal of Banking & Finance， 2012， 50：1-27.
22	Brownlees C， Engle R. SRISK： A conditional capital shortfall measure of systemic risk［J］. Review of Financial Studies， 2017， 30（1）：48-79.
23	杨子晖，陈雨恬，谢锐楷. 我国金融机构系统性金融风险度量与跨部门风险溢出效应研究［J］. 金融研究， 2018（10）： 19-37.
	Yang Z H， Chen Y T， Xie R K. Systemic financial risk measurement and cross-sector risk spillover effect of Chinese financial institutions［J］. Journal of Financial Research， 2018（10）： 19-37.
24	陈湘鹏，周皓，金涛，等. 微观层面系统性金融风险指标的比较与适用性分析——基于中国金融系统的研究［J］. 金融研究， 2019（5）： 17-36.
	Chen X P， Zhou H， Jin T， et al. Comparison and applicability analysis of micro-level systemic financial risk indicators：Based on the study of China’s financial system［J］. Journal of Financial Research， 2019（5）： 17-36.
25	欧阳红兵，刘晓东. 基于网络分析的金融机构系统重要性研究［J］. 管理世界， 2014（8）： 171-172.
	Ouyang H B， Liu X D. Research on the systematical importance of financial institutions based on network analysis［J］. Journal of Management World， 2014（8）： 171-172.
26	蒋海，纪佳帆，唐绅峰. 尾部风险溢出网络与系统性金融风险研究——基于TENET方法的多角度实证［J］. 金融监管研究， 2021（11）： 18-36.
	Jiang H， Ji J F， Tang S F. Research on tail risk spillover network and systemic financial risk： A multi-perspective empirical study based on TENET method［J］. Financial Regulation Research， 2021（11）： 18-36.
27	沈虹，张晨曜，刘晓星. 基于多层网络结构的行业间风险联动机制研究［J/OL］. 中国管理科学，2024，32（12）：173-182.
	Shen H， Zhang C Y， Liu X X. Analysis of risk spillover characteristics and mechanism among industries： Evidence from multilayer network［J］. Chinese Journal of Management Science， 2024，32（12）：173-182.
28	彭尧，张玲玲，邓智斌，等. 基于企业股权关系知识图谱的制造业信用风险传染分析［J］. 管理评论， 2023， 35（10）： 251-267.
	Peng X L， Zhang L L， Deng Z B. Analysis of credit risk contagion based on the knowledge graph of enterprise equity relations［J］. Management Review， 2023， 35（10）： 251-267.
29	李建平，孙灏，常闫芃，等. 考虑审计要素多重语义关联的财务欺诈识别［J］. 管理科学学报， 2024， 27（3）： 58-70.
	Li J P， Sun H， Chang Y P， et al. Financial statement fraud identification considering the multiple-dimensional semantic associations of auditing elements［J］. Journal of Management Sciences in China， 2024， 27（3）： 58-70.
30	贺毅岳，戴欣远，高妮. 知识图谱视角下我国股票市场风险传染研究［J］. 运筹与管理， 2024， 33（2）： 151-157.
	He Y Y， Dai X Y， Gao N. Risk contagion in stock market from the perspective of knowledge graph［J］. Operations Research and Management Science， 2024， 33（2）： 151-157.
31	EBC D. Financail stability review［M］.Frankfurt Am Main： European Central Bank， 2009.
32	Benoit S， Colliard J， Hurlin C， et al. Where the risks lie： A survey on systemic risk［J］. Review of Finance， 2016， 21：109-152.
33	Acharya V V， Pedersen L， Philippon T， et al. Measuring systemic risk［J］. The Review of Financial Studies， 2017，30（1）：2-47.
34	Kelly B， Lustig H， Nieuwerburgh S V. Too-systemic-to-fail： What option markets imply about sector-wide government guarantees［J］. American Economic Review， 2016， 106（6）：1278-1319.
35	范小云，荣宇浩，段月姣. 系统性风险传染机制中的级联故障研究——兼论“多而不能倒”与“大而不能倒”［J］. 经济学动态， 2021（9）： 48-60.
	Fang X Y， Rong Y H， Duan Y J. Cascading failures and systemic risk in China’s banking system：With discussions on “Too many to fail” and “Too big to fail”［J］. Economic Perspectives， 2021（9）： 48-60.
36	梁琪，李政，郝项超. 我国系统重要性金融机构的识别与监管——基于系统性风险指数SRISK方法的分析［J］. 金融研究， 2013（9）： 56-70.
	Liang Q， Li Z， Hao X C. Identification and supervision of systemically important financial institutions in China：An analysis based on the SRISK method of systemic risk Index［J］. Journal of Financial Research， 2013（9）： 56-70.
37	王周伟，吕思聪，茆训诚. 基于风险溢出关联特征的CoVaR计算方法有效性比较及应用［J］. 经济评论， 2014（4）：148-160.
	Wang Z W， Lv S C， Mao X C. Is China’s listed SMEs insufficient investment or over investment［J］. Economic Review， 2014（4）：148-160.
38	白雪梅，石大龙. 中国金融体系的系统性风险度量［J］. 国际金融研究， 2014（6）： 75-85.
	Bai X M， Shi D L. Systemic risk measurement in China’s financial system［J］. Studies of International Finance， 2014（6）： 75-85.
39	Adrian T， Brunnermeier M K. CoVaR［R］. Discussion Paper， Federal Reserve Bank of New York， 2008.
40	Huang X， Zhou H， Zhu H. A framework for assessing the system risk of major financial institutions［J］. Journal of Banking and Finance， 2009， 33（11）：2036-2049.
41	王辉，梁俊豪. 基于动态因子Copula模型的我国银行系统性风险度量［J］. 金融研究， 2020（11）： 58-75.
	Wang H， Liang J H. Systematic risk measurement of chinese banks based on dynamic factor copula model［J］. Journal of Financial Research， 2020（11）： 58-75.
42	黄岩渠，何阳，喻采平. 资产异质视角下我国的系统性金融风险研究［J］. 中国软科学， 2024（4）： 176-188.
	Huang Y Q， He Y， Yu C P. Research on systemic financial risk in China from the perspective of asset heterogeneity［J］. China Soft Science， 2024（4）： 176-188.
43	Brownlees C， Engle R. Volatility， correlation and tails for systemic risk measurement［R］. Working Paper， Social Science Reserch Network， 2011.

序号	事件	事件发生时间	冲击渠道
1	A股熔断，人民币贬值	2016.01.04-2016.01.08	渠道2
2	英国脱欧公投	2016.06.23	渠道1
3	美国总统大选	2016.11.09	渠道3
4	意大利修宪公投	2016.12.04	渠道1
5	英国启动脱欧	2017.03.29	渠道1
6	美国就乌克兰和克里米亚问题对俄施压	2018.01.26	渠道1
7	英国正式脱欧	2020.01.31	渠道1
8	美国总统大选	2020.11.03	渠道3
9	日本干预汇市	2022.09-2022.10	渠道1
10	中美贸易摩擦	2018.03.22—	渠道3
10-1	美国重提加征关税，中美贸易摩擦正式开始	2018.07.06
10-2	美国再加征关税，中国同加征关税	2018.08.23
10-3	美国再加征关税并将华为公司列入黑名单	2019.05.15
10-4	美国再宣布加征关税	2019.08.15
11	新冠肺炎疫情	2019.12-2022.12.14	渠道3
11-1	首次出现不明肺炎病例引发关注	2019.12.29	渠道2
11-2	美国疫情感染最高峰	2022.01.08	渠道3
12	美联储6次调息	2022.03.17-2022.12.15	渠道3
12-1	美联储利率决议，上调25个基点	2022.03.17
12-2	美联储利率决议，上调50个基点	2022.05.05
12-3	美联储利率决议，上调75个基点	2022.06.16
12-4	美联储利率决议，上调75个基点	2022.07.28
12-5	美联储利率决议，上调75个基点	2022.09.22
12-6	美联储利率决议，上调75个基点	2022.12.15
13	俄乌冲突	2022.02—	渠道3

冲击渠道	冲击强度	加大监管力度的外汇做市商	下调监管水平的外汇做市商
渠道1	/	CTIB	CMSB、EBBC
渠道2	弱冲击	CTIB	CMSB、EBBC
渠道2	强冲击	CTIB	CMSB、SPDB
渠道3	弱冲击	CTIB	CMSB、EBBC
渠道3	强冲击	CTIB、HXBJ、CMHO	CMSB、SPDB、IBCN

[1]	姚海祥, 刘秋瑜, 杨晓光. 增强还是减弱：新型金融与传统金融行业之间系统性风险溢出[J]. 中国管理科学, 2025, 33(3): 1-12.
[2]	吴文洋,蒋海,唐绅峰. 数字化转型、网络关联性与银行系统性风险[J]. 中国管理科学, 2024, 32(3): 9-19.
[3]	沈虹, 张晨曜, 刘晓星. 基于多层网络结构的行业间风险联动机制研究[J]. 中国管理科学, 2024, 32(12): 173-182.
[4]	赵静, 郭晔. 金融强监管、影子银行与银行系统性风险[J]. 中国管理科学, 2023, 31(7): 50-59.
[5]	王虎, 李守伟, 马瑜寅, 刘晓星. 基于共同持股网络的基金系统性风险研究[J]. 中国管理科学, 2023, 31(6): 82-90.
[6]	欧阳资生, 杨希特, 黄颖. 嵌入网络舆情指数的中国金融机构系统性风险传染效应研究[J]. 中国管理科学, 2022, 30(4): 1-12.
[7]	刘志东, 张培元, 荆中博. 跨行业风险溢出冲击下我国银行业系统性风险研究[J]. 中国管理科学, 2022, 30(12): 1-12.
[8]	张飞鹏, 徐一雄, 邹胜轩, 陈艳. 基于LGCNET多层网络的中国A股上市公司系统性风险度量[J]. 中国管理科学, 2022, 30(12): 13-25.
[9]	高倩倩, 范宏. 基于银行-资产双边网络模型的系统性风险及投资策略研究[J]. 中国管理科学, 2021, 29(7): 1-12.
[10]	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.
[11]	王耀东, 冯燕, 周桦. 保险业在金融系统性风险传染路径中起到“媒介”作用吗？——基于金融市场尾部风险传染路径的实证分析[J]. 中国管理科学, 2021, 29(5): 14-24.
[12]	马钱挺, 杨文珂, 何建敏. 基于多层网络的银企系统性风险研究[J]. 中国管理科学, 2021, 29(12): 1-14.
[13]	张伟平, 庄新田, 王健. 中国股市跨行业系统性风险空间溢出关联及风险预测分析——基于尾部风险网络模型[J]. 中国管理科学, 2021, 29(12): 15-28.
[14]	谢赤, 胡雪晶, 王纲金. 金融危机10年来中国股市动态演化与市场稳健研究——一个基于复杂网络视角的实证[J]. 中国管理科学, 2020, 28(6): 1-12.
[15]	李红权, 何敏园, 黄莹莹. 我国金融机构的系统重要性评估:基于多元极值理论[J]. 中国管理科学, 2020, 28(5): 14-24.