基于共跳跃网络的方法衡量系统性风险：来自美国金融市场的证据

《Economic Modelling》：A co-jump network approach to systemic risk measurement: Evidence from the U.S. financial market

　　石家松|韩东丽 中国重庆重庆大学管理科学与房地产学院，重庆400044

摘要：本研究提出了一种基于共同跳跃的网络框架，用以更准确地衡量金融机构之间的潜在关联，从而评估系统性风险。为解决传统网络连通性度量方法的诸多局限，如依赖非公开数据、仅关注单边尾部依赖以及対突发冲击不敏感等问题，我们在控制宏观共同因素和机构层面特征后，运用Tobit-LASSO模型来识别显著的共同跳跃依赖关系。随后构建共同跳跃网络，并将实际发生的系统性跳跃β值作为风险指标。基于美国金融数据的实证结果表明，相较于包括CoVaR网络方法和基于DCC-GARCH的MES方法在内的传统基准模型，所提出的方法在捕捉新冠疫情后期系统性风险的结构性变化方面表现更为出色，因为在那段时间内，疫情冲击的持续影响并未被短期市场反弹完全抵消。分析还指出，流动性提供者和高杠杆中介机构是系统性风险的主要来源，而保险公司的作用则相对较弱。此外，结合我们所提出的系统性风险度量指标的均值-方差策略，有助于避免极端下行损失。总体而言，共同跳跃网络为风险管理提供了一种既有理论依据又具实际应用价值的工具，有助于监管机构和投资者更好地应对风险。

引言：全球金融危机凸显了系统性金融风险对金融稳定、宏观经济表现和社会福利的严重威胁，这促使各国政府和监管机构将监测和预防此类风险置于重要位置。然而，至今仍缺乏一个统一的系统性风险度量框架，这一难题一直困扰着学术界和实务界（Freixas等人，2015）。现有的方法大致可分为三类。第一类是运用预警指标和统计技术构建综合指数，如金融压力指数（FSI）（Illing和Liu，2006；Oet等人，2015）以及系统性压力综合指标（CISS）（Hollo等人，2012）。尽管这些方法直观易懂，但在指标选择和权重设定上可能存在主观性。第二类方法是通过估算尾部事件下的潜在损失来评估机构的系统性暴露或贡献，例如ΔCoVaR、MES、SRISK和CATFIN等指标（Adrian和Brunnermeier，2016；Acharya等人，2017；Brownlees和Engle，2017；Allen等人，2012）。不过，这些方法往往忽视了金融机构之间复杂的相互关联。第三类方法则从网络视角出发，通过结构化指标来捕捉金融体系内的风险溢出和关联性（Baruník和K?ehlík，2018；Diebold和Y?lmaz，2014；H?rdle等人，2016；Xu等人，2019），从而更全面地了解机构的系统性重要性。2008年的危机是一个转折点，它表明金融机构之间的网络联系会显著放大系统性风险。这一认识使得监管重点从微观审慎监管转向宏观审慎监管，也从“大到不能倒”转变为“联系过于紧密而无法倒”。在危机后的时代，准确把握金融机构之间的结构关系对于改进风险度量以及深入理解系统性风险至关重要。基于此，我们旨在提出一种新的基于网络的建模框架，用以量化金融领域的相互关联性，并据此开发相应的系统性风险度量指标，为风险监测提供理论和实践上的支持。

尽管“系统性金融风险”是一个广泛使用的概念，但对其精确定义仍存在分歧。监管机构（如欧洲央行、国际货币基金组织、国际清算银行、金融稳定委员会）通常从宏观角度看待这一问题，将其视为一种风险，即金融不稳定现象蔓延到一定程度，足以损害整个或部分金融系统，进而对实体经济、社会福利和公众信心产生重大影响（Billio等人，2012；Bisias等人，2012）。学术界的定义则通常基于特定的机制，比如金融市场信息流动突然中断引发的危机（Mishkin，2007）、流动性风险的非线性反馈与放大效应（Kapadia等人，2012），以及资产价格泡沫的积累与突然破裂（Brunnermeier等人，2020）。尽管这些定义侧重点不同，但都强调了系统性风险的两个核心特征：首先是外部性及传染性，即影响某个机构或市场的冲击、紊乱或损失可能会迅速传播到其他机构或市场；其次是非线性和突发性，系统性风险并非由各种特定风险的线性叠加而成，而是可能在不显山露水的平静状态下突然爆发。因此，构建能够准确反映这些特征的 network连通性度量指标，是精准衡量系统性风险的前提条件。

现有的基于网络的金融风险连通性度量方法大致可分为两类：以风险暴露为导向的方法和以市场为导向的方法。前者依赖于银行间信贷暴露等非公开数据，主要在有限范围内用于监管目的（Allen和Gale，2000；Leitner，2005；Freixas等人，2000；Allen等人，2009）。相比之下，后者则利用公开的市场数据，通常是资产价格，来刻画机构收益和波动性之间的线性或非线性依赖关系。Diebold和Y?lmaz（2014）强调了“连通性”概念在识别系统性风险中的重要性，他们提出了基于向量自回归（VAR）模型的网络框架，用以衡量金融机构之间的这种连通性。他们的研究催生了一系列基于VAR的连通性指标，如频率连通性指标（Baruník和K?ehlík，2018）、TVP-VAR连通性指标（Antonakakis等人，2020）以及DCC-GARCH连通性指标（Gabauer，2020）。然而，基于VAR的方法假设动态结构为线性，且通过线性格兰杰因果关系来捕捉相互依赖性。在极端市场条件下，这种假设可能无法反映风险溢出的非线性特征，从而导致这些模型低估了由尾部事件或复杂非线性互动引发的系统性风险。为克服这一局限，近期的研究开始关注金融机构之间的尾部风险依赖性，并在网络框架下发展相应的模型。Hautsch等人（2015）运用条件价值-at-Risk（CoVaR）来衡量尾部风险，同时结合分位数回归和LASSO算法来识别关键的尾部风险驱动因素，进而构建了CoVaR网络。在此基础上，H?rdle等人（2016）提出了TENET（尾部事件驱动的网络风险）模型，该模型将分位数回归与单指数模型相结合，以便实现尾部依赖性的非线性放大效应，从而更有效地捕捉高维度的非线性互动。此外，Chatziantoniou等人（2021）将传统的VAR框架扩展到分位数领域，提出了分位数VAR（QVAR）连通性方法。该模型能够刻画机构在收益分布不同区间内的动态依赖结构，从而有助于捕捉极端市场条件下的系统性风险溢出。不过，这些侧重于尾部依赖性的模型也存在一些局限。首先，它们通常只在单一分位数水平上捕捉依赖关系，而且多集中在下尾部分。然而，上尾部分的依赖性往往意味着存在泡沫风险。明斯基曾指出“稳定性其实具有破坏性”，他认为系统性脆弱性往往在表面繁荣之下逐渐积累。虽然股市的上升趋势表现为价格上涨，但这往往预示着系统性风险的积累。历史经验表明，许多金融危机并非源于负面冲击，而是由于积累已久的泡沫突然破裂所致。例如，1987年的“黑色星期一”、2015年的中国股市崩盘以及2022年的英国LDI债务危机，都是在价格急剧上涨之后发生的，且都以突然的反转为特征。因此，从金融稳定的角度来看，准确捕捉上尾部分的依赖性对于识别系统性风险同样重要。然而，传统的连通性度量方法无法同时反映收益分布两端的依赖结构。其次，这些模型主要关注连续的极端波动（如长期的价格暴涨或暴跌），而忽视了违约、闪崩或局部突然故障等非连续性冲击。因此，它们可能低估了这类突发事件在形成尾部依赖性及推动系统性风险方面的作用。

正是基于上述背景，我们着眼于危机期间典型的跳跃传染现象：某项资产甚至整个市场指数在短时间内出现大幅且突然的价格波动，可能会引发其他资产或市场的非连续性变动，表现为广泛的共同跳跃现象（Gilder等人，2014；Arouri等人，2019；Semeyutin等人，2021；Zhang等人，2023；Zhang等人，2024）。这是系统性风险爆发时所伴随的外部性和非线性特征的直接体现（Das和Uppal，2004）。一种普遍的观点认为，跳跃行为是由重大信息冲击引发的，比如新闻公告、政策变动或宏观经济意外事件（Dungey等人，2009；Baker等人，2020）。然而，实证证据表明，只有大约三分之一的价格大幅波动可以与公共信息相关联（Brogaard等人，2022）。许多极端的 price波动实际上源自市场内部动态或反馈机制，而且常常与流动性冲击有关（Ahn和Tsai，2021；Lahaye等人，2011）。因此，共同跳跃现象反映了由外部和内部力量共同驱动的同步风险波动。这些跳跃可能源于外部的系统性冲击，也可能来自企业间的信用关系、业务相似性或行业特有的风险因素等内部关联。这就凸显了共同跳跃在无需依赖私人数据的情况下揭示金融机构之间潜在关联方面的独特价值。此外，研究还表明，共同跳跃会增强不同资产之间的波动率共动性和尾部依赖性（Wang等人，2015；Caporin等人，2017；Li等人，2016；Bollerslev等人，2013；Yeh和Yun，2023）。本质上，它们为金融资产之间复杂的依赖关系提供了可观察的表现形式。重要的是，价格跳跃具有方向性，因为它既可以表示向上的（正面）非连续价格变动，也可以表示向下的（负面）非连续价格变动。因此，基于共同跳跃的network连通性度量指标能够有效捕捉双向的非线性依赖关系，从而弥补了传统连通性指标往往只关注线性或单边尾部依赖性的缺陷。

尽管具有巨大潜力，但将共同跳跃现象纳入网络框架的研究仍处于初期阶段。Ding等人（2024）提出了一种共同跳跃网络模型，其中节点代表各类资产，边权重则对应于共同跳跃的频率。识别共同跳跃的过程分为两步。首先，使用诸如BNS检验（Barndorff-Nielsen和Shephard，2006）、ABD检验（Andersen等人，2007）、L-M检验（Lee和Mykland，2008）、S-BNS检验（Andersen等人，2010）或TOD检验（Bollerslev等人，2013）等经典方法来检测单个资产的价格跳跃。然后，当不同资产同时出现价格跳跃时，就记录为一次共同跳跃（Gilder等人，2014）。虽然这种共同跳跃网络框架已被应用于股票、加密货币和外汇市场的投资组合优化领域（Zhang等人，2023；Zhang等人，2024；Zou等人，2024），但在捕捉金融机构之间的多元互动及系统性风险传播方面仍存在显著局限。这些局限可归纳为四个方面。首先，传统的共同跳跃检验仅关注价格跳跃的时间上的一致性，而忽略了其幅度。然而，同时考虑时间和幅度才能更准确地反映资产间的方向性影响以及相互触发跳跃的关系。其次，共同跳跃频率是一个标量度量，没有方向性，因此形成的网络是对称的，无法区分风险传导者和承受者。第三，该网络仅基于成对的共同跳跃关系构建，忽视了通过其他机构传递的间接效应，因而难以捕捉全系统的风险传导路径。第四，仅通过时间上的重叠来识别的共同跳跃，可能源于共同的宏观经济冲击或普遍的信用恶化，而非特定机构的风险渠道。相比之下，由信用风险、流动性紧张或行业特定冲击引发的共同跳跃，更能帮助我们追踪有针对性的传染机制。正因如此，目前的共同跳跃网络模型尚未被用于系统性风险度量。当务之急是开发一种更为完善的框架，以便更好地反映金融领域的内在相互依赖关系，並能利用网络拓扑结构来量化机构层面乃至整个金融系统的系统性风险。

总之，基于共同跳跃构建network连通性度量指标，为系统性金融风险的理论研究和应用研究提供了新的视角。然而，目前仍存在两个关键挑战：一是如何量化金融机构之间的共同跳跃依赖关系，从而构建共同跳跃网络；二是如何基于这一框架开发有效的系统性风险度量指标。为解决这些问题，我们利用公开的股票价格数据、市场层面的指标以及企业层面的财务报告，来评估金融机构面临的风险敞口。我们基于个股价格波动构建了Tobit-LASSO模型，用以识别包含直接效应和间接效应的协同波动依赖关系，并利用这一模型构建了协同波动网络。在该网络框架下，我们定义了一个实际系统波动贝塔值，用于衡量机构和整体层面的时变系统风险。我们的主要实证研究对象是美国金融市场，我们选取了具有代表性的金融机构，并将所提出的方法与两种现有模型进行对比：Hautsch等人（2015年）提出的条件CoVaR网络以及Brownlees和Engle（2017年）基于DCC-GARCH的MES模型。我们评估了该协同波动网络在追踪全市场风险演变及评估机构系统重要性方面的有效性，同时还探讨了将这一系统风险度量指标应用于投资组合优化的可能性。我们的核心贡献在于提出了一种基于协同波动依赖关系的连接度量指标，该指标能够捕捉通过系统其他部分传导的溢出效应，同时还能刻画上升趋势和下降趋势下的非线性关联关系。我们进一步在这个网络框架内形成了系统风险度量指标，并开发出了整合该指标的投资组合策略，从而拓展了现有研究领域。本文的其余结构如下：第二节介绍协同波动网络框架、基于该框架提出的系统风险度量指标以及基准模型的构建方法；第三节阐述实证分析中使用的数据和变量，并通过定性和定量比较来评估模型性能，突出协同波动网络方法的独特优势；第四节探讨模型结果差异的可能原因；第五节为结论部分。

波动检测
我们研究了N家金融机构的股票价格，记为{Pi(t)}i=1N，这些股票价格都遵循如下形式的跳跃扩散过程：dPit=μi(t)dt+σi(t)dWit+κi(t)dJi(t)，其中μi(t)和σi(t)分别代表漂移项和扩散项。最后一项κi(t)dJi(t)用于描述跳跃成分，这里Ji(t)是泊松计数过程，κi(t)则表示跳跃幅度过程。为了识别单个资产的价格跳跃，我们采用了L-M检验，这是一种高频日内波动检测方法。

数据
本研究以美国境内一批具有代表性的上市金融机构为研究对象。我们识别了这些机构每5分钟收盘价中的波动跳跃，并建立了计量经济模型，以此确定各机构之间的协同波动关联程度，进而构建了协同波动网络。股票市场数据的前瞻性特征和实时可得性，为及时、透明地监测系统性金融风险提供了现实基础。数据观察窗口的时间范围为……

讨论
在本节中，我们从三个维度——核心概念、传导机制和经济含义——分析了图2和图3中所观察到的差异现象。从概念层面来看，协同波动框架强调金融机构价格过程在短时间内出现的同步、非连续性跳跃。而CoVaR网络框架则侧重于捕捉不同机构之间损失超限现象的同时发生情况。

结论
通过网络框架分析金融机构之间的关联性，已成为量化系统性金融风险的一种标准方法。不过，这一方法面临的一个核心挑战在于，如何以简洁、及时且具备实证可行性的方式来表示金融网络的连接性，同时充分体现系统的复杂性和动态特性。鉴于金融机构股票价格的协同波动与其内在特性密切相关……

资金支持
本研究得到了中国博士后科学基金的支持（项目编号：2025M780768）。

利益冲突声明
作者们声明不存在任何利益冲突。本文的内容和撰写工作完全由作者本人负责。