中國(guó)低碳與高碳行業(yè)尾部風(fēng)險(xiǎn)相依結(jié)構(gòu)及其溢出效應(yīng)

引言

當(dāng)今世界，促進(jìn)可持續(xù)發(fā)展和應(yīng)對(duì)氣候變化已成為能源規(guī)劃和政策決策的重要組成部分。這不僅是環(huán)境經(jīng)濟(jì)學(xué)的課題，也是金融世界的擔(dān)憂，這決定著投資者是否可以將他們的資本投向“綠色”或“灰色”能源。更值得注意的是，對(duì)全球能源的需求需要以一種更好的方式在投資組合中進(jìn)行分配，以實(shí)現(xiàn)碳中和戰(zhàn)略，從而減少對(duì)可持續(xù)投資流動(dòng)的中和。基于當(dāng)前股票市場(chǎng)不同行業(yè)板塊之間資金高速流動(dòng)的現(xiàn)狀，各行業(yè)板塊之間尾部事件造成的風(fēng)險(xiǎn)傳導(dǎo)也更加顯著。因此，對(duì)行業(yè)板塊風(fēng)險(xiǎn)傳導(dǎo)及其溢出效應(yīng)的準(zhǔn)確測(cè)算就尤為重要。

討論金融板塊間的相似度離不開(kāi)金融序列相似度的衡量，學(xué)界對(duì)于金融序列相似度的衡量方法有很多。例如，通過(guò)核密度估計(jì)、Granger因果推斷等手段測(cè)算不同板塊對(duì)應(yīng)的波動(dòng)率、收益率等時(shí)間序列數(shù)據(jù)相關(guān)關(guān)系（Glick等人，2013）[10]。此類(lèi)方法可以判斷板塊間是否存在因果關(guān)系，但只能從金融時(shí)間序列整體的角度判斷，這無(wú)疑忽視了許多板塊間的相互作用關(guān)系。于是學(xué)者又開(kāi)始深入探究尾部風(fēng)險(xiǎn)溢出對(duì)于金融市場(chǎng)的作用機(jī)理，金融市場(chǎng)間的風(fēng)險(xiǎn)溢出研究早期便集中于股票市場(chǎng)的風(fēng)險(xiǎn)溢出。例如，通過(guò)構(gòu)造在險(xiǎn)價(jià)值VaR、條件風(fēng)險(xiǎn)價(jià)值CoVaR等衡量尾部風(fēng)險(xiǎn)（楊子暉等人，2018）[2]。對(duì)于金融市場(chǎng)兩板塊的相依性判別上，目前學(xué)界仍將視角主要集中在序列相關(guān)或描述多個(gè)隨機(jī)變量之間依賴(lài)結(jié)構(gòu)上。例如，采用建立序列相關(guān)模型或Copula族函數(shù)進(jìn)行研究（陳守東等人，2003；葉五一等人，2009）[6，8]。此類(lèi)模型通過(guò)建立模型殘差的相關(guān)性可以很好地描述金融市場(chǎng)間的風(fēng)險(xiǎn)傳染效應(yīng)及金融資產(chǎn)收益波動(dòng)的變化規(guī)律，但模型假定條件較為苛刻。如模型假定的條件為方差是滯后殘差的線性函數(shù)，導(dǎo)致金融資產(chǎn)的收益和收益波動(dòng)之間的負(fù)相關(guān)性不能被捕捉到等問(wèn)題仍然需要解決。

針對(duì)已有文獻(xiàn)的不足，本文使用構(gòu)建復(fù)雜網(wǎng)絡(luò)的方法衡量股票市場(chǎng)高碳行業(yè)與低碳行業(yè)板塊間的相依結(jié)構(gòu)及風(fēng)險(xiǎn)溢出效應(yīng)。隨著金融市場(chǎng)的發(fā)展，金融板塊之間的網(wǎng)絡(luò)聯(lián)動(dòng)性日益成為金融市場(chǎng)風(fēng)險(xiǎn)傳染不可忽視的重要因素。許多學(xué)者已將復(fù)雜網(wǎng)絡(luò)使用計(jì)量經(jīng)濟(jì)學(xué)模型進(jìn)行構(gòu)建，由此可以實(shí)現(xiàn)對(duì)尾部風(fēng)險(xiǎn)溢出條件下的金融市場(chǎng)板塊聯(lián)動(dòng)性及拓?fù)浣Y(jié)構(gòu)對(duì)金融市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)的影響（毛昌梅等人，2020）1]。

受此啟發(fā)，本文構(gòu)建了一種以圖論為基礎(chǔ)的復(fù)雜網(wǎng)絡(luò)模型與計(jì)量經(jīng)濟(jì)學(xué)模型相結(jié)合的金融網(wǎng)絡(luò)模型，對(duì)股票行業(yè)板塊間相依結(jié)構(gòu)及溢出效應(yīng)進(jìn)行衡量。采用相比于VaR、CoVaR等對(duì)風(fēng)險(xiǎn)更為敏感的CoES作為衡量尾部風(fēng)險(xiǎn)的變量，根據(jù)不同行業(yè)板塊的風(fēng)險(xiǎn)分布向量相似度建立金融網(wǎng)絡(luò)模型，以此表示各行業(yè)板塊的尾部風(fēng)險(xiǎn)相依結(jié)構(gòu)。量化網(wǎng)絡(luò)因子，選取尾部事件驅(qū)動(dòng)的分位數(shù)回歸模型作為衡量風(fēng)險(xiǎn)溢出效應(yīng)的方法，以展示在不同分位點(diǎn)上的風(fēng)險(xiǎn)溢出效應(yīng)。

這樣的建模方式有三個(gè)優(yōu)勢(shì)：首先，可以保留風(fēng)險(xiǎn)向量對(duì)于尾部風(fēng)險(xiǎn)的敏感度，使衡量風(fēng)險(xiǎn)更加準(zhǔn)確。其次，可以衡量金融網(wǎng)絡(luò)整體的相互作用情況并找出金融網(wǎng)絡(luò)中各節(jié)點(diǎn)的重要程度。最后，可以量化網(wǎng)絡(luò)因子對(duì)于整體收益率在左尾和右尾的作用效果。

模型設(shè)定與計(jì)算

構(gòu)建相似矩陣

風(fēng)險(xiǎn)分布向量（RiskProfileVector）是一種在風(fēng)險(xiǎn)管理中用于描述投資組合或資產(chǎn)的風(fēng)險(xiǎn)特征和特點(diǎn)的工具。它通常是一個(gè)多維向量，包含了各種風(fēng)險(xiǎn)指標(biāo)和參數(shù)，用于量化和描述特定投資或資產(chǎn)的風(fēng)險(xiǎn)屬性?？紤]到傳統(tǒng)的VaR方法無(wú)法對(duì)于某個(gè)股票行業(yè)受到?jīng)_擊時(shí)其他行業(yè)的狀況進(jìn)行測(cè)度，因此本文使用條件期望損失（CoES）作為風(fēng)險(xiǎn)分布向量的元素，其具體表達(dá)式如下：

CoES_ij，t（α）=E[Y_i，t|Y_j，tj，t（α）]

條件期望損失可以用來(lái)表示當(dāng)股票行業(yè)j處于極端情況下，其對(duì)股票行業(yè)i預(yù)期損失的影響。本文取得95% 置信水平下的在險(xiǎn)價(jià)值與條件期望損失進(jìn)行后續(xù)模型構(gòu)建。

由上文對(duì)條件期望損失的計(jì)算，可以構(gòu)建風(fēng)險(xiǎn)分布向量 X_i，t={CoES_ij，t} 。并借由不同企業(yè)間的風(fēng)險(xiǎn)分布向量夾角余弦值作為衡量構(gòu)建相似矩陣的元素。

構(gòu)建時(shí)變的鄰接矩陣

對(duì)我國(guó)股票市場(chǎng)的不同行業(yè)構(gòu)建網(wǎng)絡(luò)關(guān)系，可以使用二元結(jié)構(gòu)反映股票市場(chǎng)各行業(yè)之間的連通性?？紤]到當(dāng)今我國(guó)股票市場(chǎng)各個(gè)行業(yè)之間經(jīng)濟(jì)往來(lái)緊密的現(xiàn)狀，本文采用正負(fù)不對(duì)稱(chēng)的斷點(diǎn)回歸方法，即對(duì)正相關(guān)系數(shù)和負(fù)相關(guān)系數(shù)分別進(jìn)行斷點(diǎn)，通過(guò)分類(lèi)算法令高于（或低于）某臨界值的系數(shù)為1（或-1），其余相關(guān)系數(shù)為0，分別形成正鄰接矩陣以及負(fù)鄰接矩陣。

設(shè) Θ⁺ 為對(duì)應(yīng)于正相強(qiáng)相關(guān)性與弱相關(guān)性的間隔分?jǐn)?shù)， θ^- 對(duì)應(yīng)于負(fù)相關(guān)性與弱相關(guān)性的間隔分?jǐn)?shù)。可通過(guò)最小化函數(shù)的方式獲得最優(yōu)的 Θ⁺ 與 ，其中正相強(qiáng)相關(guān)性與弱相關(guān)性的間隔分?jǐn)?shù)計(jì)算如下所示：

負(fù)相關(guān)性與弱相關(guān)性的間隔分?jǐn)?shù)同理，由此可定義鄰接矩陣A中的任意元素

系統(tǒng)性風(fēng)險(xiǎn)評(píng)分與風(fēng)險(xiǎn)分解

本文利用鄰接矩陣A和節(jié)點(diǎn)的特征指標(biāo)來(lái)衡量系統(tǒng)性風(fēng)險(xiǎn)，定義節(jié)點(diǎn)的特征指標(biāo)向量為：

C=（C₁，C₂，…，C_N）^T

因此系統(tǒng)性風(fēng)險(xiǎn)分?jǐn)?shù)S的計(jì)算方法為：

S（C，A）=C^TAC

每一個(gè)節(jié)點(diǎn)對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)為 S_i ，由于S（C，A） 只是關(guān)于C的線性齊次，因此可以進(jìn)行如下風(fēng)險(xiǎn)分解：

獻(xiàn)程度，用上述方法可以評(píng)價(jià)股票市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)大

小，以及各個(gè)行業(yè)對(duì)我國(guó)股票市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)程度。

分位數(shù)回歸模型的構(gòu)建

本文利用尾部事件驅(qū)動(dòng)的網(wǎng)絡(luò)分位數(shù)回歸模型來(lái)研究股票市場(chǎng)各行業(yè)之間風(fēng)險(xiǎn)傳導(dǎo)的網(wǎng)絡(luò)效應(yīng)，建立模型如下：

Y_it=α₀+α_i1Y_i，t-1+α_i2^TW_t+v_it

其中， W_t= [HS300，CNY10Y，US10Y]，HS300為滬深300指數(shù)收益率，用以衡量中國(guó)股票市場(chǎng)的一般水平；CNY10Y為中國(guó)十年期國(guó)債收益率，用以反映中國(guó)宏觀經(jīng)濟(jì)走勢(shì)和政策影響；US10Y為美國(guó)十年期國(guó)債收益率，用以反映世界宏觀經(jīng)濟(jì)走勢(shì)影響。他們共同組成 W_t ，為市場(chǎng)層面的協(xié)變量，用于捕捉系統(tǒng)性因素的影響。此回歸模型是為了探究除去系統(tǒng)性因素的影響后，網(wǎng)絡(luò)效應(yīng)對(duì)于收益率的影響。

本文后續(xù)研究應(yīng)用的是回歸模型的殘差 ??V_it ，對(duì)其建立如下回歸模型：

其中， 分別反映了第i個(gè)節(jié)點(diǎn)鄰居的正網(wǎng)絡(luò)因子和負(fù)網(wǎng)絡(luò)因子的平均影響。網(wǎng)絡(luò)因子量化了系統(tǒng)中每個(gè)節(jié)點(diǎn)其連接鄰居的平均值，這可能有助于下一期的返回預(yù)測(cè)。 β⁺ ，β為需要測(cè)算的網(wǎng)絡(luò)效應(yīng)系數(shù)，其大小可以說(shuō)明其受到網(wǎng)絡(luò)因子的影響程度，在不同分位點(diǎn)呈現(xiàn)的不同變化趨勢(shì)，可以說(shuō)明在極端事件發(fā)生的情況下，網(wǎng)絡(luò)效應(yīng)如何影響股票市場(chǎng)。

實(shí)證分析

數(shù)據(jù)選取

綜合考慮數(shù)據(jù)的可獲得性與應(yīng)用效果，本文選取了我國(guó)股票市場(chǎng)6個(gè)行業(yè)的30個(gè)企業(yè)的收益率作為研究對(duì)象。其中選取的高碳行業(yè)為石油業(yè)與煤業(yè)，低碳行業(yè)為風(fēng)能業(yè)與太陽(yáng)能業(yè)，與碳轉(zhuǎn)型無(wú)關(guān)的對(duì)照行業(yè)（下文簡(jiǎn)稱(chēng)無(wú)碳行業(yè)）為金融業(yè)與醫(yī)療保健業(yè)。選取企業(yè)包括石油業(yè)的中國(guó)石化、中國(guó)石油、中國(guó)海油、中國(guó)航油、中油資本；煤業(yè)的中煤能源、晉控煤業(yè)、中國(guó)神華、充礦能源、淮北礦業(yè)；風(fēng)能業(yè)的天順風(fēng)能、金風(fēng)科技、中天科技、吉電股份、東方電氣；太陽(yáng)能業(yè)的隆基綠能、拓日新能、寶馨科技、通威股份、協(xié)鑫集成；金融業(yè)的農(nóng)業(yè)銀行、交通銀行、工商銀行、中國(guó)銀行、建設(shè)銀行；醫(yī)療保健業(yè)的國(guó)藥股份、中國(guó)醫(yī)藥、華潤(rùn)三九、上海醫(yī)藥、華東醫(yī)藥。樣本窗口期為2014年7月2日至2023年12月29日。在本文進(jìn)行研究前，首先對(duì)樣本進(jìn)行ADF檢驗(yàn)和JB檢驗(yàn)驗(yàn)證其平穩(wěn)性與正態(tài)性。結(jié)果顯示30個(gè)企業(yè)的收益率均平穩(wěn)且不具有正態(tài)性，呈現(xiàn)一定的厚尾分布。

股票市場(chǎng)行業(yè)板塊相依性的實(shí)證分析

本文首先將構(gòu)造的相似矩陣可視化為股票市場(chǎng)各個(gè)企業(yè)之間的相關(guān)熱力圖。在此基礎(chǔ)上，繼續(xù)使用正負(fù)不對(duì)稱(chēng)的斷點(diǎn)技術(shù)將相似矩陣劃分為鄰接矩陣。本文選取了2014年與2016年的典型窗口期時(shí)的正鄰接矩陣比較股市大跌前后我國(guó)股票市場(chǎng)各個(gè)企業(yè)之間的相關(guān)性變化情況。如表1、表2所示，大部分企業(yè)的相似度較高，整體連接度處于較高水平，這說(shuō)明了股票市場(chǎng)各行業(yè)板塊內(nèi)部存在較強(qiáng)的尾部風(fēng)險(xiǎn)相依性。系統(tǒng)性市場(chǎng)沖擊前，我國(guó)股票市場(chǎng)整體之間的關(guān)聯(lián)性相對(duì)較低；系統(tǒng)性市場(chǎng)沖擊后，我國(guó)股票市場(chǎng)整體之間的關(guān)聯(lián)性相對(duì)較高。值得注意的是，在中國(guó)股市大跌期間，中國(guó)航油與其他所有企業(yè)均產(chǎn)生負(fù)相關(guān)，這是其受到新加坡股票市場(chǎng)較高的影響，由此可見(jiàn)各企業(yè)對(duì)于風(fēng)險(xiǎn)相依結(jié)構(gòu)的靈敏度很高，因而未受到?jīng)_擊的企業(yè)很快就顯示了與其他企業(yè)的風(fēng)險(xiǎn)不一致性。

此外，為了探究我國(guó)股票市場(chǎng)各行業(yè)的連接性在窗口期內(nèi)的變化情況，本文使用Jaccard系數(shù)來(lái)探究鄰接矩陣的相似性。若我國(guó)股票市場(chǎng)各行業(yè)發(fā)生了結(jié)構(gòu)性變動(dòng)，則其形成的鄰接矩陣與上一期矩陣的相似度會(huì)呈現(xiàn)出較低的狀態(tài)；反之，若我國(guó)股票市場(chǎng)各行業(yè)未發(fā)生結(jié)構(gòu)性變動(dòng)，則其形成的鄰接矩陣與上一期矩陣的相似度會(huì)呈現(xiàn)出較高的狀態(tài)。因此本文計(jì)算并繪制了窗口期內(nèi)每月的第一天與上一期鄰接矩陣的Jaccard相似度，并將其繪制為折線圖，如圖1所示。

在窗口期內(nèi)，可以明顯觀察到2015年后與2019年后分別有一段相似度較高的時(shí)間出現(xiàn)，結(jié)合前文的結(jié)論，這兩段時(shí)間是由于國(guó)際市場(chǎng)及國(guó)內(nèi)市場(chǎng)受到強(qiáng)烈金融沖擊導(dǎo)致各行業(yè)風(fēng)險(xiǎn)相依性增強(qiáng)，呈現(xiàn)出共同抵抗風(fēng)險(xiǎn)的結(jié)構(gòu)。而在沖擊效應(yīng)漸漸緩解后則又會(huì)發(fā)生一定時(shí)段的結(jié)構(gòu)性變動(dòng)，如2017年和2023年前后。總體而言，各行業(yè)對(duì)風(fēng)險(xiǎn)的敏感性很高，風(fēng)險(xiǎn)溢出效應(yīng)明顯，為本文的后續(xù)研究提供了相應(yīng)依據(jù)。

系統(tǒng)性風(fēng)險(xiǎn)的測(cè)算分析

網(wǎng)絡(luò)分析法的思路認(rèn)為，網(wǎng)絡(luò)中的某一個(gè)節(jié)點(diǎn)與其他節(jié)點(diǎn)的聯(lián)系越多，說(shuō)明該節(jié)點(diǎn)在網(wǎng)絡(luò)中的地位更重要，在本文的研究中，即說(shuō)明該行業(yè)的尾部風(fēng)險(xiǎn)溢出效應(yīng)越明顯。但在評(píng)價(jià)一個(gè)系統(tǒng)的系統(tǒng)性風(fēng)險(xiǎn)大小時(shí)，除了關(guān)注節(jié)點(diǎn)之間的關(guān)聯(lián)性，還應(yīng)該關(guān)注節(jié)點(diǎn)自身的特征。因此本文選取我國(guó)股票市場(chǎng)不同行業(yè)的市值作為系統(tǒng)性風(fēng)險(xiǎn)評(píng)分的各行業(yè)特征要素。圖2展示了我國(guó)股票市場(chǎng)在窗口期內(nèi)的系統(tǒng)性評(píng)分結(jié)果，整體來(lái)看，股票市場(chǎng)各行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)處于一個(gè)均衡趨勢(shì)，整體較為平穩(wěn)，有個(gè)別時(shí)間呈現(xiàn)出一定的風(fēng)險(xiǎn)分散趨勢(shì)。

隨后，本文進(jìn)一步分解系統(tǒng)性風(fēng)險(xiǎn)，將窗口期內(nèi)我國(guó)股票市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)評(píng)分進(jìn)行分解，將系統(tǒng)性風(fēng)險(xiǎn)分解至每一個(gè)行業(yè)以評(píng)價(jià)各個(gè)行業(yè)對(duì)于我國(guó)股票市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)程度。表3展示了2014年、2016年、2019年以及2021年的系統(tǒng)性風(fēng)險(xiǎn)分解結(jié)果。由結(jié)果可知，市值較高的行業(yè)在我國(guó)股票市場(chǎng)中占據(jù)了舉足輕重的地位，因此對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)程度較高，我國(guó)股票市場(chǎng)各行業(yè)總體呈現(xiàn)出風(fēng)險(xiǎn)集聚的趨勢(shì)。同時(shí)，在金融沖擊前后，系統(tǒng)性風(fēng)險(xiǎn)的總和有了顯著提高，說(shuō)明我國(guó)股票市場(chǎng)系統(tǒng)傳導(dǎo)更加強(qiáng)烈，企業(yè)之間的相依性大幅提高。

尾部風(fēng)險(xiǎn)溢出效應(yīng)的實(shí)證分析

為了量化網(wǎng)絡(luò)因子與極端值之間的關(guān)聯(lián)關(guān)系，本文使用分位數(shù)交叉關(guān)聯(lián)圖法可視化其關(guān)系，基于本文分組情況，分別以拓日新能、中國(guó)石油代表低碳行業(yè)和高碳行業(yè)，結(jié)果如圖3和圖4所示。由圖可知，在分位數(shù)較大或較小的時(shí)候，股票市場(chǎng)各行業(yè)指數(shù)收益率與網(wǎng)絡(luò)因子極端值呈現(xiàn)正相關(guān)性，表明網(wǎng)絡(luò)因子在收益率處于極端情況下具有一定的解釋力度，且左尾和右尾關(guān)聯(lián)度均呈現(xiàn)較高的相關(guān)性。以中國(guó)石油為代表的高碳行業(yè)左右尾的敏感度都較高。以拓日新能為代表的低碳行業(yè)左尾敏感度較高，右尾則溢出效應(yīng)相對(duì)較小。由此可初步判斷，高碳行業(yè)應(yīng)重點(diǎn)關(guān)注左右尾的溢出效應(yīng)，低碳行業(yè)重點(diǎn)關(guān)注左尾的溢出效應(yīng)。

在分位數(shù)交叉圖的基礎(chǔ)上，本文進(jìn)一步利用分位數(shù)回歸來(lái)研究我國(guó)股票市場(chǎng)不同行業(yè)的風(fēng)險(xiǎn)溢出特征，依據(jù)上文分組，為了估計(jì)出不同分位數(shù)條件下的網(wǎng)絡(luò)因子對(duì)各行業(yè)收益率的貢獻(xiàn)程度。本文首先分別計(jì)算了高碳行業(yè)、低碳行業(yè)與無(wú)碳行業(yè)收益率數(shù)據(jù)與自回歸項(xiàng)和市場(chǎng)協(xié)變量的回歸結(jié)果，如表4所示。

通過(guò)對(duì)上述模型的估計(jì)，我們可以發(fā)現(xiàn)我國(guó)股票市場(chǎng)的大多數(shù)行業(yè)受到市場(chǎng)環(huán)境與沖擊影響較為顯著。進(jìn)行該模型系數(shù)的估計(jì)后，我們可以排除掉市場(chǎng)環(huán)境以及政策影響對(duì)于我國(guó)市場(chǎng)的影響，由此獲得該模型的殘差項(xiàng)將可以更好地反映網(wǎng)絡(luò)因子對(duì)我國(guó)股票市場(chǎng)不同行業(yè)的影響。因此繼續(xù)使用網(wǎng)絡(luò)效應(yīng)對(duì)殘差進(jìn)行分位數(shù)回歸，得到股票市場(chǎng)各個(gè)行業(yè)尾部風(fēng)險(xiǎn)溢出效應(yīng)系數(shù) β⁺ 與 ，分別用以衡量正網(wǎng)絡(luò)因子與負(fù)網(wǎng)絡(luò)因子對(duì)居民消費(fèi)價(jià)格指數(shù)的影響，結(jié)果如圖5和圖6所示。

由分位數(shù)回歸結(jié)果可知，股票市場(chǎng)各企業(yè)正網(wǎng)絡(luò)因子效應(yīng)顯著大于負(fù)網(wǎng)絡(luò)因子，且正網(wǎng)絡(luò)因子對(duì)收益率影響非常顯著。說(shuō)明我國(guó)股票市場(chǎng)的風(fēng)險(xiǎn)主要以傳導(dǎo)效應(yīng)為主，而非風(fēng)險(xiǎn)分散。各行業(yè)的正網(wǎng)絡(luò)因子有將收益率數(shù)據(jù)拉向平穩(wěn)的趨勢(shì)，溢出效應(yīng)對(duì)收益率起到了一定的正向影響及穩(wěn)定作用。

從不同行業(yè)的角度來(lái)看，結(jié)論與分位數(shù)相關(guān)圖結(jié)論相吻合，低碳行業(yè)左尾受到正網(wǎng)絡(luò)因子影響最為顯著，對(duì)風(fēng)險(xiǎn)溢出效應(yīng)也最為敏感。其影響因子對(duì)于前0.5分位數(shù)的數(shù)據(jù)呈現(xiàn)正向影響，而對(duì)0.5分位數(shù)以后的數(shù)據(jù)呈現(xiàn)負(fù)向影響，但對(duì)左尾的正向影響顯著大于負(fù)向影響。高碳行業(yè)與無(wú)碳行業(yè)類(lèi)似，對(duì)于左尾網(wǎng)絡(luò)因子的敏感度顯著不如低碳行業(yè)，且正網(wǎng)絡(luò)因子對(duì)于其的負(fù)向影響略高于正向影響。而負(fù)網(wǎng)絡(luò)因子則顯著性較低，對(duì)于高碳與低碳行業(yè)影響不顯著，對(duì)無(wú)碳行業(yè)則有穩(wěn)定負(fù)向影響。

結(jié)論及政策含義

我國(guó)股票市場(chǎng)各行業(yè)的風(fēng)險(xiǎn)相依性受到系統(tǒng)性風(fēng)險(xiǎn)沖擊后的變化較大，絕大多數(shù)行業(yè)呈現(xiàn)較高的相關(guān)水平。由此可知，倘若在經(jīng)濟(jì)沖擊下，我國(guó)股票市場(chǎng)各行業(yè)的經(jīng)濟(jì)往來(lái)會(huì)更加緊密，同時(shí)這也會(huì)導(dǎo)致風(fēng)險(xiǎn)的更廣泛傳播。其中，無(wú)碳行業(yè)與其他行業(yè)的尾部風(fēng)險(xiǎn)相依性最高；高碳行業(yè)次之；低碳行業(yè)最低，受到的風(fēng)險(xiǎn)傳導(dǎo)也最小。

總體來(lái)看，我國(guó)股票市場(chǎng)的尾部風(fēng)險(xiǎn)主要以傳導(dǎo)效應(yīng)為主，而非風(fēng)險(xiǎn)分散。市場(chǎng)風(fēng)險(xiǎn)整體較為平穩(wěn)，全球性金融沖擊前后，系統(tǒng)性風(fēng)險(xiǎn)有了顯著提高，說(shuō)明系統(tǒng)性風(fēng)險(xiǎn)沖擊很大程度上是通過(guò)提高各行業(yè)之間的風(fēng)險(xiǎn)相似度來(lái)提高整體系統(tǒng)性風(fēng)險(xiǎn)。同時(shí)，高市值企業(yè)在股票市場(chǎng)中占據(jù)了舉足輕重的地位；低市值企業(yè)受到發(fā)展體量的限制，在系統(tǒng)中的重要程度較低，對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)較低，其中也不乏一些市值較高，但與其他行業(yè)聯(lián)通度較低的行業(yè)。

尾部風(fēng)險(xiǎn)傳導(dǎo)效應(yīng)對(duì)各行業(yè)收益率呈現(xiàn)出顯著影響并有一定穩(wěn)定市場(chǎng)的作用。其中，低碳行業(yè)左尾對(duì)風(fēng)險(xiǎn)溢出效應(yīng)最為敏感；高碳行業(yè)與無(wú)碳行業(yè)的左尾溢出效應(yīng)則相對(duì)不顯著。風(fēng)險(xiǎn)分散效應(yīng)對(duì)于高碳與低碳行業(yè)影響不顯著，對(duì)無(wú)碳行業(yè)則有穩(wěn)定負(fù)向影響。

綜上所述，應(yīng)對(duì)系統(tǒng)性風(fēng)險(xiǎn)時(shí)，重點(diǎn)關(guān)注無(wú)碳行業(yè)和高碳行業(yè)的風(fēng)險(xiǎn)傳導(dǎo)效應(yīng)。可以通過(guò)優(yōu)化金融監(jiān)管政策，增強(qiáng)無(wú)碳行業(yè)與其他行業(yè)的風(fēng)險(xiǎn)隔離，減少其尾部風(fēng)險(xiǎn)的溢出效應(yīng)。同時(shí)，加強(qiáng)低碳行業(yè)的風(fēng)險(xiǎn)監(jiān)控，利用其相對(duì)較小的風(fēng)險(xiǎn)傳導(dǎo)特點(diǎn)，推動(dòng)其在經(jīng)濟(jì)中穩(wěn)定發(fā)展。此外，推動(dòng)低碳行業(yè)的市場(chǎng)化改革和創(chuàng)新，鼓勵(lì)高市值行業(yè)向低碳轉(zhuǎn)型，降低整體系統(tǒng)性風(fēng)險(xiǎn)的壓力。

【參考文獻(xiàn)】

[1]毛昌梅，韓景倜，劉舉勝.基于復(fù)雜網(wǎng)絡(luò)的銀行波動(dòng)溢出效應(yīng)研究[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2020，17（2）：11-21.

[2]楊子暉，陳雨恬，謝銳楷.我國(guó)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)度量與跨部門(mén)風(fēng)險(xiǎn)溢出效應(yīng)研究[J].金融研究，2018（10）：19-37.

[3]宮曉莉，熊熊.波動(dòng)溢出網(wǎng)絡(luò)視角的金融風(fēng)險(xiǎn)傳染研究[J].金融研究，2020（5）：39-58.

[4]徐映梅，徐璐.中國(guó)金融業(yè)跨市場(chǎng)風(fēng)險(xiǎn)測(cè)度與分析——基于GARCH-Copula-CoVaR模型[J].統(tǒng)計(jì)與信息論壇，2015，30（4）：28-32.

[5]葉五一，肖麗華，繆柏其.基于變系數(shù)分位點(diǎn)回歸的金磚四國(guó)金融穩(wěn)定分析[J].管理科學(xué)學(xué)報(bào)，2018（5）：44-52.

[6]陳守東，陳雷，劉艷武.中國(guó)滬深股市收益率及波動(dòng)性相關(guān)分析[J].金融研究，2003（7）：80-85.

[7]張冰潔，汪壽陽(yáng)，魏云捷，等.基于CoES模型的我國(guó)金融系統(tǒng)性風(fēng)險(xiǎn)度量[J].系統(tǒng)工程理論與實(shí)踐，2018，38（3）：565-575.

[8]葉五一，繆柏其.基于Copula變點(diǎn)檢測(cè)的美國(guó)次級(jí)債金融危機(jī)傳染分析[J].中國(guó)管理科學(xué)，2009，17（3：1-7.

[9]CYH Chen，WK H?rdle，Y Okhrin.Tail event driven networks ofSlFls[J].Joural of Econometrics，2019，（208）：282-298.

[10]Glick，Reuven，and Michael Hutchison．China’s financial linages with Asia and the global financial crisis[J].Journal of InternationalMoneyand Finance，2013（39）：186-206.

（作者單位：內(nèi)蒙古財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與數(shù)學(xué)學(xué)院）