《Systems》：The Time-Varying Puzzle of Technology Finance and Systemic Risk Propagation: Nonlinear Transmission via Investor Sentiment and Asset Bubbles
编辑推荐：
科技金融的迅速扩张对系统性风险管理提出了复杂挑战，然而现有文献缺乏一个博弈论框架来解释涉及投资者情绪和资产泡沫的动态风险传导机制。本研究通过将序贯博弈方法与时变参数随机波动向量自回归模型（TVP-SV-VAR）相结合，考察科技金融通过行为传导渠道对系统性风险的
科技金融的迅速扩张对系统性风险管理提出了复杂挑战，然而现有文献缺乏一个博弈论框架来解释涉及投资者情绪和资产泡沫的动态风险传导机制。本研究通过将序贯博弈方法与时变参数随机波动向量自回归模型（TVP-SV-VAR）相结合，考察科技金融通过行为传导渠道对系统性风险的时变非线性效应。利用2006年第一季度（2006Q1）至2024年第四季度（2024Q4）的中国季度数据，本研究捕捉了内生市场互动，并揭示了一条非线性的、阶段性依赖的轨迹。具体而言，科技金融在短期内放大了系统性风险，但在长期增强了系统韧性。此外，本文识别出一种级联式风险传导机制：科技金融最初激发乐观的投资者情绪，推动短期资产泡沫形成并加剧系统性风险，而长期模式则反映了理性套利者和适应性监管所推动的市场修正。这些发现同时表现出阶段依赖性和事件依赖性，调和了以往相互矛盾的实证证据。最终，本研究构建了一个统一的理论—实证框架，用以阐明科技金融如何产生和传导系统性风险，为在促进创新的同时缓释系统性风险提供了具有实践意义的政策启示。
论文解读：科技金融与系统性风险传导的时变非线性机制
全球科技领导权竞争与人工智能产业转型，使科技金融成为金融体系中增长最快的板块之一。技术创新固有的高风险、高不确定性与长回报周期，令科技金融与系统性风险的关系成为重要研究议题。现实中，韩国与香港等地因科技股剧烈波动引发市场熔断或大幅下跌，而美国与新加坡的科技金融却表现出长期信用风险较低、市场稳定性增强等相反特征。这种实践分歧在学术界同样存在：部分研究发现科技金融会放大系统性风险，另一部分则认为其有助于缓释风险。现有研究多依赖固定效应面板或线性估计模型，结论较为静态，未能充分刻画随时间演变的动态关系；同时，较少关注监管当局、金融机构、科技企业、投资者之间的战略互动，也缺乏对投资者情绪与资产泡沫作为传导渠道的深入建模。为此，本研究提出三个核心问题：科技金融对系统性风险的影响是否具有时变与非线性特征？多主体战略互动如何内生地塑造风险形成与传导？投资者情绪与资产泡沫是否构成关键级联传导渠道？
针对这些问题，研究人员首先构建了一个包含监管当局、金融机构、科技型企业和异质性投资者的多主体序贯博弈模型，通过逆向归纳求解子博弈精炼纳什均衡，从理论上刻画风险的内生形成机制。随后，采用中国2006年第一季度至2024年第四季度的季度数据，运用TVP-SV-VAR模型进行实证检验。样本数据来源于Wind数据库、中国国家统计局、上海与深圳证券交易所官方网站及中国证券登记结算统计年鉴等。研究中，科技金融发展效率采用数据包络分析（DEA）测算；系统性风险采用中国新版金融市场压力指数（CISS）衡量；投资者情绪基于封闭式基金折价率、新股首日收益率、新股发行数量、新增开户数、市场换手率和消费者信心指数六个指标，使用主成分分析（PCA）合成；资产泡沫则以沪深股市平均市盈率、房地产投资增速及商品房待售面积增速等四个指标，通过熵权法构建综合指数。主要关键技术方法包括：多主体序贯博弈模型、DEA效率测算、PCA情绪指数构建、熵权法泡沫指数合成、TVP-SV-VAR模型估计、马尔可夫链蒙特卡洛（MCMC）模拟以及贝叶斯路径分析。
研究结果部分如下：
4.1 参数估计与收敛诊断
研究人员采用MCMC算法进行贝叶斯估计，共进行10,000次采样，前1,000次作为预烧样本。结果显示，所有Geweke收敛统计量绝对值均低于5%显著性水平的临界值1.96，最大无效因子为89.38，自相关图快速衰减，采样路径稳定，后验密度呈单峰分布，表明MCMC抽样有效，模型设定适合本样本。
4.2 等间隔脉冲响应分析
该部分考察4、8、12季度分别代表短、中、长期的动态脉冲响应。结果发现：科技金融在短期内对系统性风险产生正向冲击，且该正向效应随时间推移逐渐减弱，2020年后转为负向；中长期内则以负向冲击为主，长期风险缓释效应更强，支持假设H1和H2。科技金融对各期限投资者情绪均产生正向冲击，响应路径呈M形，峰值出现在2012年和2016年，与两批科技金融试点政策实施时点高度相关。投资者情绪对资产泡沫的影响呈现明显阶段性：短期情绪冲击加剧泡沫累积，2018年后效应减弱；中长期情绪冲击则转为抑制泡沫，体现理性套利修正的作用。资产泡沫对系统性风险总体产生正向冲击，峰值约在2020年前后，随后有所回落，表明泡沫膨胀是系统性风险的重要来源。这些结果验证了科技金融经由投资者情绪和资产泡沫向系统性风险传导的链式路径，支持H3和H4。
4.3 特定时点脉冲响应分析
选取2008Q3、2011Q4、2019Q3和2023Q1四个代表性时点。结果显示，科技金融对系统性风险的冲击在四个时点均表现出先正后负的动态过程；2008年全球金融危机期间正向响应最强且持续时间最长，2023年硅谷银行倒闭后负向效应出现最早且持续期最长。科技金融对投资者情绪的影响随事件而不同，2011年试点政策引发持续乐观情绪，2019年科创板改革情绪响应则有起伏。投资者情绪对资产泡沫的效应在2011年政策冲击下正峰值最高且持久，2019年后长期抑制效应更为明显。资产泡沫对系统性风险在事件初期往往呈现暂时性负向响应，随后转正，表明风险效应具有事件依赖性和时滞性。
4.4 传导机制检验
通过MCMC贝叶斯路径分析对完整链式传导进行检验。结果表明，短期中科技金融对系统性风险的直接效应以及经由情绪和泡沫的间接效应均显著为正；中期直接效应转为显著为负，但间接效应转为负值而统计上不确定；长期两者均显著为负。因此H1、H2和H3得到支持，H4得到部分支持。
4.5 稳健性检验
通过改变变量排序为[TF, AB, ISI, SR]进行再估计，结果与基线一致；同时，采用可变规模报酬的BCC模型替换DEA中的CCR模型、使用中国证券投资者保护基金公司发布的证券投资者信心指数替换情绪指标、采用A股市场整体市盈率替换泡沫指标，重新估计后主要结论仍保持稳健，表明实证结果不依赖于特定变量排序或测量方式。
在讨论部分，研究人员总结了三点理论贡献：其一，将系统性风险来源从外生冲击转向内生预期形成渠道，序贯博弈模型将情绪驱动型投资者占比和投资者信念内生化，揭示风险源自投资者结构变化与信念扭曲，而非技术创新或信贷规模本身；其二，提供了阶段性解释来调和以往矛盾证据，后验路径显示直接效应随时间从正转负，而情绪—泡沫路径的调整相对滞后，说明风险放大与风险缓释并非互斥，而是对应不同调整阶段；其三，长期韧性并不意味泡沫无害，资产泡沫对系统性风险在各期限均保持正向影响，真正变化的是泡沫形成强度与方向，长期韧性源于监管、信息披露与理性套利对情绪向价格扭曲转化的抑制。研究还提出管理启示：金融机构应加强贷款集中度控制、采用风险调整定价、动态拨备、分阶段放款和独立验证研发进度；科技企业需完善生命周期信息披露；政策层面应采用相机抉择的宏观审慎工具，结合情绪与泡沫监测指标，在流动性收缩时提供支持但限制杠杆投机，并强化信息披露以缩短理性套利调整滞后。研究局限包括单一国家情境限制推广、季度插值可能带来平滑效应、TVP-SV-VAR反映时变相关性而非严格反事实因果，未来可采用跨国面板或高频微观数据进行更精确的因果识别。
研究结论部分翻译如下：在全球金融周期波动加剧和技术快速变革的背景下，理解科技金融与系统性风险之间的动态互动已成为关键优先事项。本研究考察了科技金融对系统性风险的时变非线性影响，并揭示了风险生成的微观基础。为将这些机制形式化，研究人员构建了一个包含监管当局、金融机构、科技型企业和异质投资者的多主体序贯博弈模型，并利用中国2006Q1至2024Q4的季度数据以TVP-SV-VAR模型进行检验。研究发现存在显著的时变非线性：短期内科技金融发展效率提升，通过信息不透明、信贷过度集中和投机情绪推高系统性风险；中长期内，随着监管框架适应和信息透明度提高，科技金融发挥风险缓释作用。研究进一步确认了一条从科技金融经投资者情绪和资产泡沫到系统性风险的动态链式传导路径：短期情绪驱动型投资者的乐观情绪加速资产价格偏离和泡沫累积，而长期制度监督使理性套利者主导价格发现，推动泡沫内生出清。总体而言，科技金融既非固有风险增强因素，也非固有风险缓释因素，其对系统性风险的影响取决于市场发展、制度治理与行为反应的互动。对寻求创新驱动增长的新兴经济体而言，在技术进步与系统性风险预防之间取得平衡，是未来金融治理的关键挑战。
