网络脆弱性与股票回撤：来自印度部门市场的早期预警证据

《Finance Research Letters》：Network fragility and equity drawdowns: Early warning evidence from indian sectoral markets

　　

摘要
本文调查了两种网络拓扑度量——系统性脆弱性指数（SFI）和系统性风险指数（SHI）——是否包含关于部门层面股票回撤的增量信息，且这些信息超越了传统风险指标。使用 10 个孟买证券交易所（BSE）部门指数和神经网络分位数回归邻接矩阵，我们将网络度量纳入样本外面板 Logit 早期预警框架。在完整的样本外期间，完整的网络增强模型并未优于波动率加 VaR 基准模型。然而，SFI 提供了稳健的独立增量信息，而 SHI 携带高度重叠的信息，且单独考虑时稳健性较差。证据是状态依赖的：网络信息在低波动率状态下最具信息量，2023–2024 年纯保留样本显示在 10 个交易日及更长的期限内有所改善，包括在季度期限的 AUROC 为 0.782。这些保留样本和特定状态的结果应被解释为信号存在的探索性证据，而非无条件的预测优越性。残差化检验表明，SFI 中的增量信息不能仅由 VaR、已实现波动率和印度 VIX 解释。总体而言，研究结果表明，基于网络的指标可以补充传统的基于波动率的指标，用于早期预警分析，特别是在市场相对平静的情况下。

引言
宏观审慎监管面临着一个持续的挑战：标准风险指标捕捉个别部门层面的波动率和尾部风险，但很少提供有关金融压力传播的网络结构的见解。这种局限性在股票市场尤为相关，因为跨部门联系可以在波动率被反映在聚合波动率指标之前传播和放大冲击。在印度，尽管其股票市场规模庞大且复杂，但没有一个能够捕捉部门层面互联性以用于早期预警目的的高频框架。本文通过评估基于网络的脆弱性度量是否包含关于股票回撤的前瞻性信息（超越传统波动率指标）来填补这一空白。

本文评估部门层面网络拓扑是否包含关于股票回撤的增量、前瞻性信息，且这些信息超越了标准的基于波动率的度量。1 股票回撤指部门层面的下行尾部收益事件，它集中在但并不等同于系统性危机事件。分析不仅强调分类性能，还侧重于网络派生的脆弱性度量（SFI 和 SHI）是否提供了超越在险价值（VaR）、已实现波动率和隐含波动率（印度 VIX）的增量信息。核心贡献是评估网络拓扑是否在早期预警环境中增加信息，特别关注传统指标可能提供较少信息的低波动率状态。证据并未确立网络增强模型的无条件预测优越性。相反，它记录了信号存在的状态依赖证据，其中 SFI 成为主要的独立稳健网络指标，而 SHI 携带高度重叠的信息。因此，目标是识别网络结构何时以及为何能增加价值，而不是提出替代传统风险指标的方案。

系统性风险测量文献提供了方法论基础。Adrian 和 Brunnermeier (2016) 确立了 CoVaR 作为机构对系统性风险贡献的基准；Brownlees 和 Engle (2017) 开发了资本缺口类比 SRISK；Acharya 等 (2017) 建立了系统性风险测量与审慎资本监管之间的理论联系。在行业层面，Billio 等 (2012) 使用格兰杰因果关系网络表明网络密度预测金融压力，基于网络的度量提供了超越资产负债表指标的信息。H?rdle 等 (2016) 通过 TENET 框架中的神经网络分位数回归将 CoVaR 估计扩展到行业网络，确立了 Keilbar 和 Wang (2021) 精炼为 SFI 和 SHI 的方法论谱系——这两项度量是本研究进行正式预测评估的对象。2 所有这些贡献共有的关键局限性是时间上的：它们同步测量系统性风险，尚未被嵌入具有已记录样本外 AUROC 性能的早期预警框架中。

宏观审慎早期预警传统，以 Drehmann 等 (2011) 和巴塞尔协议 III 逆周期资本缓冲框架为锚点，为这项研究提供了更广泛的早期预警背景。在该文献中，高频股票网络信号受到的关注相对较少。Galán (2020) 将早期预警传统扩展到增长风险框架，而 Danielsson 和 Uthemann (2022) 强调神经网络派生的网络拓扑是早期预警系统发展的一个有希望的方向。我们的贡献是评估此类网络信息是否增加了对传统部门层面风险指标的预测内容。

本文位于三个文献的交叉点，并从每个文献中汲取不同的贡献。从系统性风险测量文献（Adrian 和 Brunnermeier, 2016; Brownlees 和 Engle, 2017; H?rdle 等，2016; Keilbar 和 Wang, 2021）中，我们原封不动地采用 SFI 和 SHI 度量；我们不声称方法论上的新指标。在部门回撤预测文献方面，我们贡献了将这些度量嵌入具有已记录 AUROC 的面板 Logit 早期预警系统中的样本外评估。在宏观审慎监管文献（见 Drehmann 等，2011; Galán, 2020）方面，我们提供了关于网络信号何时可能增加信息的证据——特别是在低波动率状态下——而不是将它们视为波动率指标的统一替代方案。在完整的样本外期间，完整模型在季度期限记录的 AUROC 为 0.598，低于波动率加 VaR 基准。2023–2024 年纯保留样本产生了较高的 AUROC 0.782，但这种改善取决于保留样本期间及其波动率状态组成。增量贡献通过似然比检验和残差化来记录，而不是仅基于总体 AUROC 声称。

具体对于印度，文献证实仅靠标准波动率指标是不够的。Shahzad 等 (2021) 记录了在 COVID-19 期间跨部门溢出被显著放大，基于分位数的互联性度量揭示了特定状态的网络激活。Ahmad 等 (2021) 确定了信息技术和石油天然气是美国向印度传导的主要渠道。Bouri 等 (2021) 表明，以前净接收的部门在 COVID-19 期间成为净传输者——这与我们的 SFI/SHI 估计核心的时变邻接矩阵一致。在银行系统层面，Zeeshan (2024) 使用 GARCH–MIDAS 模型表明，银行业集中度的增加放大了印度股票和债券市场的波动率，而 Zeeshan 和 Singh (2025) 记录了集中度向印度银行脆弱性传导的三种机制：向周期性部门（特别是房地产和资本市场）进行风险较高的贷款、更高的盈利波动率和资产质量恶化。这些研究共同表明，印度部门股票回报表现出显著的受网络驱动尾部依赖性，这些依赖性在不同危机状态下发生变化，但没有任何一项在样本外早期预警框架中评估这些发现。本文提供了这样的评估，以及一个探索性的决策阈值练习，其局限性被明确讨论。

使用截至 2024 年 10 月的可用样本中 10 个 BSE 部门指数，按照 Keilbar 和 Wang (2021) 的方法构建 SFI 和 SHI，并嵌入面板 Logit 早期预警模型。新颖之处在于预测评估和设置，而不是度量本身。得出三个发现。第一，网络模块包含超越 VaR、已实现波动率和印度 VIX 的增量信息，而 SFI 是主要的独立稳健网络指标。第二，样本外区分度在最低 VIX 状态下最强，在季度期限达到约 0.85。第三，验证样本决策阈值练习说明了信号如何被评估为补充监测输入，但其误报和漏报率以及较短的校准窗口使其不适合作为独立的监管规则。这些结果应被解释为条件和探索性证据，而非无条件预测优越性。图 1 描述了样本期间的系统性风险环境。本文其余部分组织如下。第 2 节呈现数据和方法论。第 3 节报告实证结果。第 4 节总结。

章节片段
数据
部门回报。10 个 BSE 部门指数——汽车（auto）、银行（bank）、耐用消费品（condur）、金融服务（finsrv）、快消品（fmcg）、医疗（health）、信息技术（it）、金属（metal）、石油天然气（oilgas）和房地产（realty）的每日收盘价。全文使用对数差分回报。所有 10 个部门均显示巨大的超额峰度（范围 7.5–18.6），并在 0.001 水平下通过贾琦 - 贝拉检验拒绝正态性；大多数部门的偏度为负，但存在

结果
结果的呈现侧重于相对表现和信息分解，而不是绝对分类准确性。分析区分样本内拟合与样本外预测，并重点关注网络度量是否增加了超越传统指标的信息，这种贡献如何在不同期限内变化，以及是否集中在特定的市场状态下。

结论
本文评估了部门层面网络拓扑是否包含关于股票回撤的增量信息，且这些信息超越了传统的波动率和尾部风险指标。证据是条件性的而非无条件性的：网络增强模型在完整的样本外期间并未优于波动率加 VaR 基准，最明显的收益出现在低波动率状态和 2023–2024 年保留样本中。SFI 是主要的独立稳健网络指标，而

CRediT 作者贡献声明
Mohammad Zeeshan：写作 – 原稿，可视化，调查，形式分析，数据管理，概念化，方法论，写作 – 审阅与编辑。

利益冲突声明
作者声明他们没有任何已知的竞争财务利益或个人关系，这些利益或关系可能会影响在此论文中报告的工作。

致谢
我向期刊编辑和匿名审稿人表达感谢，感谢他们全面而深刻的反馈。我感谢 Manish K. Singh, Abhishek Seth, Swayamshree Barik, Siddhart Raghunath, Nausherwan Raunaque, Gourav Aggarwal, Abhishek Nigam 对本文早期版本提出的反馈和建议及宝贵评论。所有错误均由我承担。

Mohammad Zeeshan
吉塔姆大学吉塔姆商学院，印度维沙卡帕特南