比特币价格风险、宏观经济波动与股市风险传染

doi:10.16381/j.cnki.issn1003-207x.2021.2541

摘要/Abstract

摘要：

本文以中国股市28个一级行业为研究样本，利用分位数关联方法量化各一级行业间的金融互联程度，进一步结合空间自回归模型，将比特币价格波动对中国股市造成的风险冲击分解为直接效应与间接效应，测度了比特币价格波动的风险传染效应，并从宏观经济层面分析了其影响因素。研究发现：比特币价格波动对股市行业收益率存在正向影响，且其可以通过行业间的分位数关联在不同行业之间扩散。此外，不同市场状态和不同频率的行业关联呈现出异质性的风险传染模式。具体而言，市场平稳状态、繁荣状态、低迷状态下的风险传染效应依次减弱；中期（周度）的比特币风险传染效应强于短期（日度）的风险传染效应；在市场平稳状态下，周度频率分位数关联网络下的风险传染效应更强。分组检验显示，较低的利率和价格水平能够显著减弱比特币价格冲击对中国股市的风险传染效应。本文的贡献有两点：第一，采用分位数关联方法构建了各一级行业收益率间的依赖结构，并描绘了不同频率和市场状态下的分位数关联网络；第二，使用空间自回归模型将风险冲击分解为直接效应和间接效应，这有助于了解分位数关联在风险传播中的作用，为制定防范比特币风险的相关政策提供了经验证据。

关键词: 分位数关联, 比特币价格, 风险传染

Abstract:

The cryptocurrency market represented by Bitcoin is becoming more and more mature， and it is of great significance to study the impact of Bitcoin price fluctuations on China's financial market. Whether and how Bitcoin price volatilities could propagate through the sectoral financial interconnectedness network and result in larger scale financial turmoil in China’s stock market is investigated in this paper. Using the quantile coherency method， the financial interconnectedness is quantified and the general dependence structure between returns of 28 industries in China’s stock market is evaluated. By constructing a spatial autoregressive framework based on the quantile coherency network， the overall impact of Bitcoin price shocks is further decomposed into direct effects and indirect effects propagating through the financial interconnectedness of industries. The main findings are as follows. Firstly， Bitcoin price volatility has a positive impact on the returns of industries， and it can propagate among different industries through financial interconnectedness. Secondly， the risk contagion effects under the steady state， prosperity and downturn of the market weaken in turn. Thirdly， the mid-term （weekly） Bitcoin risk contagion is stronger than the short-term （daily） risk contagion effect. Fourthly， in the steady state of the market， the risk contagion effect under the weekly frequency financial interconnectedness network is stronger. Finally， lower interest rates and price levels can significantly reduce the risk contagion effect of Bitcoin price shocks on the Chinese stock market. The contributions of this paper are as follows. Firstly， the general dependence structure of 28 industries’returns is constructed and the financial interconnectedness network is further depicted under different frequencies and market conditions. Secondly， spatial autoregressive framework is used to decompose risk shocks into direct effects and indirect effects， which helps to understand the role of financial interconnectedness in risk propagation and empirical evidence is provided for the formulation of policies and regulations to prevent Bitcoin-related risks.

Key words: quantile coherency, Bitcoin price, risk propagation

中图分类号:

F831.5

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[J]. 中国管理科学, 2024, 32(4): 26-37.

Yunzhou Huang,Jionghao Huang,Xiaohua Xia. 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.

图/表 8

表1

变量描述性统计分析"

变量	均值	标准差	偏度	峰度	Jarque-Bera	ADF	PP
比特币价格冲击	0.0033	0.0513	-1.5277	26.7385	48310.5061	-31.6327^***	-45.7888^***
28个申万宏源一级行业与A股
采掘	-0.0002	0.0179	-0.7249	7.1670	1641.6166^***	-32.3306^***	-42.7136^***
化工	0.0004	0.0167	-1.0247	7.2953	1910.1198^***	-30.5676^***	-41.2604^***
钢铁	0.0002	0.0183	-0.5954	6.6274	1229.2457^***	-32.1224^***	-44.4084^***
有色金属	0.0002	0.0196	-0.6285	5.7954	792.2535^***	-30.5429^***	-42.1712^***
建筑材料	0.0004	0.0181	-0.7744	6.8961	1482.4431^***	-31.0542^***	-41.8570^***
建筑装饰	0.0001	0.0176	-0.6358	8.3032	2508.1490^***	-31.1595^***	-41.8678^***
电气设备	0.0006	0.0187	-0.7638	6.2352	1079.4735^***	-30.8510^***	-42.3323^***
机械设备	0.0003	0.0174	-1.0436	7.6727	2208.7346^***	-30.9460^***	-41.8557^***
国防军工	0.0003	0.0233	-0.4816	6.3628	1031.9177^***	-30.4298^***	-41.3033^***
汽车	0.0004	0.0174	-0.8859	7.2082	1758.2001^***	-31.7347^***	-42.1962^***
家用电器	0.0007	0.0176	-0.4918	5.9581	819.5365^***	-33.2328^***	-44.1285^***
纺织服装	0.0001	0.0164	-1.0313	7.9492	2424.4905^***	-29.5479^***	-39.5313^***
轻工制造	0.0004	0.0159	-1.0636	7.0293	1750.7801^***	-20.9939^***	-40.9209^***
商业贸易	0.00004	0.0172	-1.0309	7.6393	2173.6178^***	-29.9170^***	-40.7777^***
农林牧渔	0.0004	0.0182	-0.6531	6.4675	1157.8726^***	-31.5471^***	-41.0695^***
食品饮料	0.0008	0.0170	-0.4527	5.5727	627.3164^***	-32.4738^***	-43.8027^***
休闲服务	0.0008	0.0192	-0.4886	6.3166	1008.1844^***	-32.3344^***	-42.5508^***
医药生物	0.0006	0.0168	-0.7005	6.2380	1049.7345^***	-31.5628^***	-42.6031^***
公用事业	0.0001	0.0152	-0.9813	8.8124	3173.9518^***	-32.0709^***	-42.2299^***
交通运输	0.0002	0.0159	-0.8786	8.3561	2679.7388^***	-31.1159^***	-40.8242^***
房地产	0.0001	0.0174	-0.6504	7.0421	1520.5851^***	-31.1477^***	-42.3028^***
电子	0.0006	0.0203	-0.7345	5.6052	754.3640^***	-31.3282^***	-42.2614^***
计算机	0.0006	0.0217	-0.4996	4.9476	404.0871^***	-30.6598^***	-41.9757^***
传媒	0.0002	0.0194	-0.5627	5.2647	539.3447^***	-30.9852^***	-41.8875^***
通信	0.0003	0.0199	-0.6656	5.8961	856.7835^***	-31.0520^***	-42.3831^***
银行	0.0003	0.0155	0.0401	9.8102	3911.8233^***	-33.0610^***	-45.1490^***
非银金融	0.0002	0.0201	-0.0452	7.4090	1640.0685^***	-31.7265^***	-43.5630^***
综合	0.0003	0.0170	-0.9513	6.0185	1073.6670^***	-29.2322^***	-40.4328^***
A股	0.0004	0.0165	-1.0553	9.6304	4083.1532	-31.3669^***	-41.6656^***

表1

表2

各分位数关联网络的平均分位数关联数值"

关联数值	$θ$ =0.05	$θ$ =0.10	$θ$ =0.50	$θ$ =0.90	$θ$ =0.95	Ave.
$ω 2 π = 1 / 22$	0.3499	0.3695	0.4573	0.2234	0.1902	0.3181
$ω 2 π = 1 / 5$	0.3135	0.3069	0.4687	0.2608	0.2285	0.3157
Difference	0.0364	0.0626	-0.0114	-0.0374	-0.0383	/

表2

图1

表3

0.50分位数（市场平稳状态）下的实证结果"

	日度		周度
	(1)	(2)	(3)	(4)
频率	$w 2 π$ = 1/5	$w 2 π$ = 1/22	$w 2 π$ = 1/5	$w 2 π$ = 1/22
分位数	$θ$ = 0.50	$θ$ = 0.50	$θ$ = 0.50	$θ$ = 0.50
Panel A：回归结果
β	0.00167^**	0.00198^**	0.00164	0.00196
β	(2.12)	(2.52)	(1.08)	(1.31)
ρ	0.88222^***	0.06760^***	0.88678^***	0.06829^***
ρ	(474.21)	(485.07)	(229.98)	(241.59)
Time FE	Yes	Yes	Yes	Yes
Industry FE	Yes	Yes	Yes	Yes
N	56672	56672	11956	11956
Panel B：风险冲击分解
直接效应	0.00211^**	0.00251^**	0.00212	0.00257
直接效应	(2.10)	(2.49)	(1.08)	(1.31)
间接效应	0.01234^**	0.01495^**	0.01282	0.01624
间接效应	(2.11)	(2.49)	(1.08)	(1.31)
总体效应	0.01444^**	0.01746^**	0.01493	0.01881
总体效应	(2.11)	(2.49)	(1.08)	(1.31)
Panel C：网络传播
网络传播	Yes	Yes	No	No
风险传染	Yes	Yes	No	No
风险吸收	No	No	No	No
占比	85.46%	85.62%	/	/

表3

表4

0.05分位数（市场低迷状态）下的实证结果"

	日度		周度
	(1)	(2)	(3)	(4)
频率	$w 2 π$ = 1/5	$w 2 π$ = 1/22	$w 2 π$ = 1/5	$w 2 π$ = 1/22
分位数	$θ$ = 0.05	$θ$ = 0.05	$θ$ = 0.05	$θ$ = 0.05
Panel A：回归结果
β	0.00374^***	0.00423^***	0.00375^**	0.00424^**
β	(4.22)	(4.60)	(2.17)	(2.36)
ρ	0.08603^***	0.07382^***	0.08671^***	0.07438^***
ρ	(420.10)	(390.79)	(205.13)	(189.60)
Time FE	Yes	Yes	Yes	Yes
Industry FE	Yes	Yes	Yes	Yes
N	56672	56672	11956	11956
Panel B：风险冲击分解
直接效应	0.00465^***	0.00516^***	0.00477^**	0.00528^**
直接效应	(4.15)	(4.52)	(2.15)	(2.33)
间接效应	0.02141^***	0.02188^***	0.02310^**	0.02343^**
间接效应	(4.15)	(4.53)	(2.15)	(2.33)
总体效应	0.02606^***	0.02704^***	0.02787^**	0.02870^**
总体效应	(4.15)	(4.53)	(2.15)	(2.33)
Panel C：网络传播
网络传播	Yes	Yes	Yes	Yes
风险传染	Yes	Yes	Yes	Yes
风险吸收	No	No	No	No
占比	82.16%	80.92%	82.88%	81.64%

表4

表5

0.95分位数（市场繁荣状态）下的实证结果"

	日度		周度
	(1)	(2)	(3)	(4)
频率	$w 2 π$ = 1/5	$w 2 π$ = 1/22	$w 2 π$ = 1/5	$w 2 π$ = 1/22
分位数	$θ$ = 0.95	$θ$ = 0.95	$θ$ = 0.95	$θ$ = 0.95
Panel A：回归结果
β	0.002588^***	0.00240^***	0.00267^*	0.00245
β	(3.18)	(3.02)	(1.71)	(1.62)
ρ	0.12904^***	0.15948^***	0.13024^***	0.16126^***
ρ	(468.46)	(458.98)	(232.48)	(229.85)
Time FE	Yes	Yes	Yes	Yes
Industry FE	Yes	Yes	Yes	Yes
N	56672	56672	11956	11956
Panel B：风险冲击分解
直接效应	0.00333^***	0.00307^***	0.00354^*	0.00323
直接效应	(3.13)	(2.98)	(1.70)	(1.61)
间接效应	0.01727^***	0.01606^***	0.01958^*	0.01815
间接效应	(3.14)	(2.98)	(1.70)	(1.61)
总体效应	0.02060^***	0.01913^***	0.02311^*	0.02139
总体效应	(3.14)	(2.98)	(1.70)	(1.61)
Panel C：网络传播
网络传播	Yes	Yes	Yes	No
风险传染	Yes	Yes	Yes	No
风险吸收	No	No	No	No
占比	83.83%	83.95%	84.72%	/

表5

表6

根据利率水平分组的实证结果"

	(1)	(2)	(3)	(4)	(5)	(6)
频率	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5
分位数	$θ$ = 0.50	$θ$ = 0.50	$θ$ = 0.05	$θ$ = 0.05	$θ$ = 0.95	$θ$ = 0.95
组别	低利率	高利率	低利率	高利率	低利率	高利率
Panel A：回归结果
β	0.00074	0.00390^***	0.00185	0.00671^***	0.00111	0.00499^***
β	(0.74)	(3.06)	(1.61)	(4.79)	(1.06)	(3.82)
ρ	0.06654^***	0.06502^***	0.08670^***	0.08476^***	0.13016^***	0.12693^***
ρ	(408.61)	(264.49)	(350.22)	(233.74)	(395.42)	(255.95)
Time FE	Yes	Yes	Yes	Yes	Yes	Yes
Industry FE	Yes	Yes	Yes	Yes	Yes	Yes
N	34804	21868	34804	21868	34804	21868
Panel B：风险冲击分解
直接效应	0.00099	0.00480^***	0.00237	0.00814^***	0.00148	0.00622^***
直接效应	(0.76)	(3.02)	(1.61)	(4.72)	(1.07)	(3.77)
间接效应	0.00619	0.02575^***	0.01147	0.03418^***	0.00817	0.02906^***
间接效应	(0.76)	(3.03)	(1.61)	(4.72)	(1.07)	(3.78)
总体效应	0.00718	0.03055^***	0.01384	0.04232^***	0.00965	0.03528^***
总体效应	(0.76)	(3.03)	(1.61)	(4.72)	(1.07)	(3.78)
风险传染效应	不存在	存在	不存在	存在	不存在	存在

表6

表7

根据价格水平分组的实证结果"

	(1)	(2)	(3)	(4)	(5)	(6)
频率	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5	$w 2 π$ = 1/5
分位数	$θ$ = 0.50	$θ$ = 0.50	$θ$ = 0.05	$θ$ = 0.05	$θ$ = 0.95	$θ$ = 0.95
组别	低价格水平	高价格水平	低价格水平	高价格水平	低价格水平	高价格水平
Panel A：回归结果
β	0.00084	0.00271^***	0.00153	0.00520^***	0.00108	0.00362^***
β	(0.63)	(2.85)	(1.01)	(4.90)	(0.79)	(3.70)
ρ	0.06626^***	0.06564^***	0.08633^***	0.08559^***	0.12953^***	0.12832^***
ρ	(361.48)	(318.98)	(311.66)	(279.36)	(349.06)	(309.80)
Time FE	Yes	Yes	Yes	Yes	Yes	Yes
Industry FE	Yes	Yes	Yes	Yes	Yes	Yes
N	48860	7812	48860	7812	48860	7812
Panel B：风险冲击分解
直接效应	0.00112	0.00340^***	0.00196	0.00641^***	0.00145	0.00460^***
直接效应	(0.65)	(2.81)	(1.02)	(4.82)	(0.80)	(3.64)
间接效应	0.00678	0.01938^***	0.00923	0.02852^***	0.00773	0.02300^***
间接效应	(0.65)	(2.82)	(1.02)	(4.82)	(0.80)	(3.65)
总体效应	0.00789	0.02278^***	0.01119	0.03493^***	0.00918	0.02759^***
总体效应	(0.65)	(2.82)	(1.02)	(4.83)	(0.80)	(3.65)
风险传染效应	不存在	存在	不存在	存在	不存在	存在

表7

参考文献 31

1	Kumar S， Deo N. Correlation and network analysis of global financial indices［J］. Physical Review E， 2012， 86（2）：026101.
2	Wang G J， Xie C， He K， Stanley H E. Extreme risk spillover network： application to financial institutions［J］. Quantitative Finance， 2017，17：1417-1433.
3	Bellenzier L， Vitting Andersen J， Rotundo G. Contagion in the world’s stock exchanges seen as a set of coupled oscillators［J］. Economic Modelling， 2016， 59： 224–236.
4	Zhang X， Zheng X， Zeng D D. The dynamic interdependence of international financial markets： an empirical study on twenty-seven stock markets［J］. Physica A： Statistical Mechanics and its Applications， 2017， 472： 32-42.
5	袁磊，耿新.私人数字货币与资本流出——以比特币为例的研究［J］.国际金融研究，2020（6）：11.
	Yuan L， Geng X. Private cryptocurrency and capital outflow——taking bitcoin as an example［J］. Studies of International Finance， 2020（6）： 11.
6	Cao G， Xie W. The impact of the shutdown policy on the asymmetric interdependence structure and risk transmission of cryptocurrency and China’s financial market［J］. The North American Journal of Economics and Finance， 2021， 58：101514.
7	Acemoglu D， Ozdaglar A， Tahbaz-Salehi A.Systemic risk and stability in financial networks［J］. American Economic Review， 2015， 105：564-608.
8	Ozdagli A， Weber M. Monetary policy through production networks： evidence from the stock market［R］. Working Paper， National Bureau of Economic Research，2017.
9	Silva T C， da Silva Alexandre M， Tabak B M. Bank lending and systemic risk： a financial-real sector network approach with feedback［J］. Journal of financial Stability， 2018， 38： 98-118.
10	Herskovic B， Kelly B， Lustig H， et al. Firm volatility in granular networks［J］. Journal of Political Economy， 2020， 128： 4097-4162.
11	Huang J， Li Z， Xia X. Network diffusion of international oil volatility risk in China's stock market： quantile interconnectedness modelling and shock decomposition analysis［J］.International Review of Economics & Finance， 2021， 76： 1-39.
12	Bouri E， Gupta R， Tiwari A K， et al. Does bitcoin hedge global uncertainty？ evidence from wavelet-based quantile-in-quantile regressions［J］. Finance Research Letters， 2017， 23： 87-95.
13	Bouri E， Molnár P， Azzi G， et al. On the hedge and safe haven properties of Bitcoin： is it really more than a diversifier？［J］. Finance Research Letters， 2017， 20： 192-198.
14	Trabelsi N. Are there any volatility spill-over effects among cryptocurrencies and widely traded asset classes？［J］. Journal of Risk & Financial Management， 2018， 11（4）： 66.
15	Urom C， Abid I， Guesmi K， et al. Quantile spillovers and dependence between Bitcoin， equities and strategic commodities［J］.Economic Modelling，2020，93： 230-258.
16	Wang G， Tang Y， Xie C， et al. Is bitcoin a safe haven or a hedging asset？ Evidence from China［J］. Journal of Management Science and Engineering， 2019， 4（3）： 173-188.
17	Asgharian H， Hess W， Liu L. A spatial analysis of international stock market linkages［J］. Journal of Banking & Finance， 2013， 37（12）： 4738-4754.
18	Jiang S， Jin X. Effects of investor sentiment on stock return volatility： a spatio-temporal dynamic panel model［J］. Economic Modelling， 2021， 97： 298-306.
19	李爱忠，任若恩，董纪昌.金融网络风险下多因子矩阵回归的资产组合与定价［J］.中国管理科学，2021，29（6）：1-9.DOI：10.16381/j.cnki.issn1003-207x.2019.0720 . doi: 10.16381/j.cnki.issn1003-207x.2019.0720
	Li A Z， Ren R E， Dong J C. Asset portfolio and pricing of multi-factor matrix regression under financial network risk［J］. Chinese Journal of Management Science， 2021，29（6）： 1-9. DOI：10.16381/j.cnki.issn1003-207x.2019.0720 . doi: 10.16381/j.cnki.issn1003-207x.2019.0720
20	Baumöhl E， Shahzad S J H. Quantile coherency networks of international stock markets［J］.Finance Research Letters， 2019， 31： 119-129.
21	Deev O， Lyócsa Š. Connectedness of financial institutions in europe： a network approach across quantiles［J］. Physica A： Statistical Mechanics and its Applications， 2020， 550： 124035.
22	Baruník J， Kley T. Quantile coherency： a general measure for dependence between cyclical economic variables［J］.The Econometrics Journal，2019，22（2）： 131-152.
23	Sim N， Zhou H. Oil prices， US stock return， and the dependence between their quantiles［J］. Journal of Banking & Finance， 2015， 55：1-8.
24	Han H， Linton O， Oka T， et al. The cross-quantilogram： measuring quantile dependence and testing directional predictability between time series［J］. Journal of Econometrics， 2016， 193（1）： 251-270.
25	Bonaccolto G， Caporin M， Panzica R. Estimation and model-based combination of causality networks among large US banks and insurance companies［J］. Journal of Empirical Finance， 2019， 54： 1-21.
26	Elhorst J P. Specification and estimation of spatial panel data models［J］. International regional science review， 2003， 26： 244-268.
27	Lesage J P， Pace R K. Spatial econometric models［M］.Berlin， Heidelberg： Springer， 2010.
28	Debarsy N， Dossougoin C， Ertur C， et al. Measuring sovereign risk spillovers and assessing the role of transmission channels： a spatial econometrics approach［J］. Journal of Economic Dynamics and Control， 2018， 87： 21-45.
29	Kou S， Peng X， Zhong H. Asset pricing with spatial interaction［J］.Management Science， 2018， 64： 2083-2101.
30	Milcheva S， Zhu B. Asset pricing， spatial linkages and contagion in real estate stocks［J］. Journal of Property Research， 2018， 35： 271-295.
31	Patton A J. A review of copula models for economic time series［J］. Journal of Multivariate Analysis， 2012， 110： 4-18.

[1]	薛凯丽, 匡海波, 孟斌. 考虑多尺度多状态的原油市场与油轮市场动态相依性及风险传染研究[J]. 中国管理科学, 2025, 33(7): 54-67.
[2]	文璐, 冯玲. 动态政府干预下银行风险传染与最优救助决策研究[J]. 中国管理科学, 2025, 33(6): 37-48.
[3]	何汉,李思呈. 基于有向复杂网络的担保圈违约风险传染建模研究[J]. 中国管理科学, 2024, 32(6): 22-33.
[4]	张雪彤,张卫国,王超. 发达市场与新兴市场的尾部风险[J]. 中国管理科学, 2024, 32(4): 14-25.
[5]	刘映琳, 方艳, 杨金强. 我国粮食与能源的跨市场风险传染及外部冲击[J]. 中国管理科学, 2024, 32(11): 103-114.
[6]	李冰清, 张潇元. 基于网络结构的企业集团内部风险传染机制研究[J]. 中国管理科学, 2023, 31(5): 20-28.
[7]	吴金宴, 王鹏. 基于协高阶矩检验体系的中国资本市场开放与风险传染效应研究[J]. 中国管理科学, 2023, 31(1): 37-46.
[8]	吴金宴, 王鹏. 哪些因素影响了股市风险传染？——来自行业数据的证据[J]. 中国管理科学, 2022, 30(8): 57-68.
[9]	王磊, 李守伟, 陈庭强, 何建敏. 基于企业行为偏好的企业间信用担保网络与风险传染研究[J]. 中国管理科学, 2022, 30(2): 80-93.
[10]	朱小能, 吴杰楠. 股市联动中的“涟漪效应”[J]. 中国管理科学, 2021, 29(8): 1-12.
[11]	陈粘, 黄迅, 严晓凤. 结构突变下的高维汇率资产时变投资组合预测研究[J]. 中国管理科学, 2021, 29(11): 13-22.
[12]	陈庭强, 周文静, 童毛弟, 刘海飞. 融合CDS网络的银行间信用风险传染模型研究[J]. 中国管理科学, 2020, 28(6): 24-37.
[13]	周利国, 何卓静, 蒙天成. 基于动态Copula的企业集团信用风险传染效应研究[J]. 中国管理科学, 2019, 27(2): 71-82.
[14]	陈庭强, 李心丹, 何建敏. 基于熵空间交互理论的CRT网络信用风险传染模型[J]. 中国管理科学, 2016, 24(6): 10-18.
[15]	陈庭强, 何建敏. 基于复杂网络的信用风险传染模型研究[J]. 中国管理科学, 2014, 22(11): 1-10.