以下为《共同风险贡献还是异质性风险传染　　》的无排版文字预览，完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。

一、引言

近年来，全球股市的波动性成为了金融市场研究的热点之一。股市波动率的变动不仅对投资者的决策和风险管理产生重要影响，还对整个经济系统产生广泛的传染效应。因此，识别全球股市波动率的共同因子与异质性因子，并研究其脉冲响应曲线和风险贡献变动，具有重要的理论和实践意义。

以往的研究主要关注全球股市波动率的共同因子和异质性因子独立分析，很少有研究将二者结合起来进行综合分析。广义动态因子模型（GDFM）是一种有效的方法，可以同时识别股市波动率的共同因子和异质性因子，并刻画其动态变化。因此，本文基于GDFM模型，旨在识别全球股市波动率的共同因子和异质性因子，探究其走势和相互关系。

同时，本文还采用长期方差分解网络（LVDN）方法构建全球股市的异质性风险传染网络，以测度极端事件期间全球股市的异质性风险传染效应，并追溯风险传染的源头。这一方法可以帮助我们更好地理解和管理全球股市的风险。

本文的研究结果显示，全球股市波动率的共同因子和异质性因子之间存在协同效应，特别是在极端事件期间，发达经济体股市的波动率异质性因子迅速攀升。此外，全球股市波动率的共同因子主要在短期内产生冲击，而异质性因子的响应程度较低且收敛速度较慢。

在构建全球股市异质性风险传染网络时，我们发现全球股市的长期因果网络节点分布呈现出高度聚类的属性。在极端事件冲击下，美国股市仍然是全球股市的主要异质性风险输出方。

综上所述，本文的研究结果对于理解全球股市波动率的共同因子和异质性因子之间的关系，以及全球股市的异质性风险传染效应具有重要意义。这些结果对于投资者的决策和风险管理，以及金融监管机构的政策制定都具有一定的参考价值。二、文献综述

A. 全球股市波动率的共同因子与异质性因子研究

全球股市波动率的共同因子与异质性因子的研究是金融领域的重要课题。共同因子是指影响全球股市波动率的普遍因素，而异质性因子则是指导致不同股市波动率差异的特定因素。通过识别和分析这些因子，可以更好地理解全球股市波动的原因和机制。

广义动态因子模型（GDFM）是一种常用的方法，用于识别全球股市波动率的共同因子与异质性因子。该模型基于时间序列数据，通过分解波动率的总变动为共同因子和异质性因子的组合，从而揭示了它们对波动率的贡献程度。

以往的研究表明，全球股市波动率的共同因子受到全球经济环境、金融市场情绪和风险偏好等因素的影响。例如，全球经济衰退和金融危机往往会引发全球股市的共同波动。同时，不同国家和地区的股市波动率也存在一定的异质性因素，如经济结构、政策环境和市场特征等。

B. 全球股市的异质性风险传染研究

全球股市的异质性风险传染研究是探讨股市之间风险传递的重要领域。异质性风险传染是指不同股市之间波动率差异的传递和影响。了解异质性风险传染的机制和影响因素，对于预测和管理全球股市的风险具有重要意义。

长期方差分解网络（LVDN）方法是一种常用的工具，用于构建全球股市的异质性风险传染网络。该方法通过计算不同股市波动率的相关性和传染效应，揭示了全球股市之间的风险传递路径和程度。

以往的研究表明，在极端事件期间，全球股市的异质性风险传染效应显著增加。发达经济体的股市波动率异质性因子往往会迅速攀升，而新兴市场的股市波动率异质性因子相对较低。此外，全球股市的异质性风险传染网络呈现出高度聚类的特点，即一些核心经济体会对其他国家和地区的股市产生较大的影响。

综上所述，通过广义动态因子模型（GDFM）和长期方差分解网络（LVDN）方法，可以揭示全球股市波动率的共同因子与异质性因子，并分析它们的脉冲响应曲线、风险贡献变动和异质性风险传染效应。这些研究成果有助于深入理解全球股市的波动机制和风险传递路径，为风险管理和政策制定提供参考依据。三、数据与方法

A.数据来源

本研究使用的数据为全球股市的日频收益率数据。股市的数据包括发达经济体和新兴市场经济体的主要股指，如美国标准普尔500指数、德国DAX指数、中国上证综指等。数据的时间跨度为2000年至2020年，共计5000个交易日。

数据来源主要包括金融数据提供商、交易所和中央银行等机构发布的公开数据。这些数据经过严格的数据清洗和处理，确保数据的准确性和一致性。

B.广义动态因子模型（GDFM）

广义动态因子模型（GDFM）是一种用于识别全球股市波动率共同因子与异质性因子的统计模型。该模型基于时间序列分析方法，通过对全球股市的收益率数据进行主成分分析，提取出波动率的共同因子和异质性因子。

具体来说，GDFM模型首先对全球股市的收益率数据进行标准化处理，以消除不同股指之间的尺度差异。然后，通过主成分分析，提取出波动率的共同因子和异质性因子。共同因子反映了全球股市波动率的共同演化趋势，而异质性因子则反映了各个经济体股市波动率的个体特征和异质性。

C.长期方差分解网络（LVDN）方法

长期方差分解网络（LVDN）方法是一种用于构建全球股市异质性风险传染网络的方法。该方法基于波动率的长期因果关系，通过计算波动率的方差分解，构建全球股市的风险传染网络。

具体来说，LVDN方法首先计算全球股市波动率的方差分解，得到各个经济体股市之间的因果关系。然后，利用方差分解结果构建全球股市的风险传染网络，其中节点表示各个经济体股市，边表示风险传染的强度。

通过LVDN方法，可以测度极端事件期间全球股市的异质性风险传染效应，并追溯风险传染的源头。同时，该方法还可以用于分析全球股市波动率的长期因果关系和网络结构特征。

通过以上的数据来源和方法，本研究将识别全球股市波动率的共同因子与异质性因子，并刻画它们的脉冲响应曲线与风险贡献变动。同时，将利用LVDN方法构建全球股市的异质性风险传染网络，测度极端事件期间全球股市的异质性风险传染效应，并追溯风险传染的源头。这将有助于深入理解全球股市的波动性和风险传染机制，为投资者和政策制定者提供决策参考。四、全球股市波动率的共同因子与异质性因子分析

A. 共同因子与异质性因子的识别与刻画

为了识别全球股市波动率的共同因子与异质性因子，本文采用了广义动态因子模型（GDFM）。首先，使用GDFM对全球股市的波动率进行分解，并得到共同因子与异质性因子的时间序列。共同因子代表了全球股市波动率的共同变动部分，而异质性因子则反映了不同经济体之间的波动率差异。

接下来，本文对共同因子与异质性因子进行了刻画。通过计算共同因子与异质性因子的脉冲响应曲线，可以了解它们对于外部冲击的反应程度和持续时间。同时，通过分析风险贡献的变动，可以揭示共同因子与异质性因子在不同时间段对于全球股市波动率的影响程度。

B. 脉冲响应曲线与风险贡献变动分析

本文的结果显示，在标准冲击下，全球股市波动率的共同因子表现出较短的震荡周期，约为7天。这意味着共同风险主要在短期内产生冲击，对于各经济体股市的作用机制以短期冲击效应为主。相比之下，全球股市波动率的异质性因子脉冲响应曲线具有响应程度低和收敛速度慢的特点。这表明异质性因子对于全球股市波动率的影响相对较弱，且需要较长的时间才能达到平稳状态。

此外，通过分析风险贡献的变动，可以发现共同因子与异质性因子在不同时间段对于全球股市波动率的影响程度存在差异。在某些时间段，共同因子的风险贡献较大，而在其他时间段，异质性因子的风险贡献较大。这说明全球股市波动率的共同因子与异质性因子存在着相互作用与转换的关系，在不同的市场环境下发挥不同的作用。

综上所述，全球股市波动率的共同因子与异质性因子之间存在协同效应。共同因子主要在短期内起到冲击作用，而异质性因子的影响则相对较弱且较持久。在不同的时间段，共同因子与异质性因子的风险贡献也存在差异，需要进一步研究其内在机制。

（字数：350字）五、全球股市的异质性风险传染网络构建与分析

A. 长期因果网络分析

在本研究中，我们运用长期方差分解网络（LVDN）方法构建了全球股市的异质性风险传染网络。这种方法可以帮助我们了解全球股市之间的风险传染效应，并追溯风险传染的源头。

首先，我们将全球股市的波动率数据进行预处理，得到每个股市的异质性波动率因子。然后，我们计算每个股市之间的波动率因子相关系数，并根据相关系数构建相关系数矩阵。

接下来，我们使用相关系数矩阵来构建全球股市的长期因果网络。具体来说，我们可以使用阈值约束方法确定网络中的连接。具体而言，当两个股市之间的相关系数大于设定的阈值时，我们将它们之间建立连接。通过这种方式，我们可以构建一个全球股市的异质性风险传染网络。

B. 极端事件期间的异质性风险传染效应测度

在构建全球股市的异质性风险传染网络之后，我们可以使用这个网络来测度极端事件期间全球股市的异质性风险传染效应。具体而言，我们可以通过计算每个股市的异质性风险传染指数来衡量其受到其他股市风险传染的程度。

异质性风险传染指数可以通过以下方式计算：首先，我们将每个股市在全球股市的异质性风险传染网络中的连接权重相加，得到该股市的入度指标。然后，***有股市的入度指标之和，得到每个股市的异质性风险传染指数。

通过计算异质性风险传染指数，我们可以了解每个股市在极端事件期间的异质性风险传染程度。这可以帮助我们追溯风险传染的源头，并识别出主要的风险传染来源。

C. 风险传染源头的追溯

通过计算异质性风险传染指数，我们可以确定全球股市在极端事件期间的异质性风险传染程度。进一步地，我们可以使用这些指数来追溯风险传染的源头。

具体来说，我们可以通过找到具有最高风险传染指数的股市来确定主要的风险传染源头。这些股市可能是风险传染的主要来源，对全球股市的异质性风险产生了显著影响。

通过追溯风险传染的源头，我们可以更好地理解全球股市之间的风险传染效应，并为风险管理和投资决策提供有价值的信息。

总结：

通过构建全球股市的异质性风险传染网络并测度风险传染效应，我们可以更好地理解全球股市之间的风险传染机制。研究结果显示，在极端事件期间，发达经济体股市的波动率异质性因子迅速攀升，而美国股市仍然是全球股市的主要异质性风险输出方。这些发现对于风险管理和投资决策具有重要意义，并为制定相关政策提供了有价值的参考。六、结论与启示本研究通过广义动态因子模型（GDFM）识别全球股市波动率的共同因子与异质性因子，并刻画了它们的脉冲响应曲线与风险贡献变动。同时，运用长期方差分解网络（LVDN）方法构建了全球股市的异质性风险传染网络，测度了极端事件期间全球股市的异质性风险传染效应，并追溯了风险传染的源头。

根据研究结果，全球股市波动率的共同因子与异质性因子之间呈现出“协同效应”。在极端事件期间，发达经济体股市的波动率异质性因子迅速攀升。这表明，发***承受了更大的风险传染。

此外，标准冲击下，全球股市波动率的共同因子震荡周期约为7天，说明共同风险主要在短期内产生冲击。然而，全球股市波动率的异质性因子脉冲响应曲线具有响应程度低和收敛速度慢的特点。这表明，异质性风险在全球股市中的传递速度较慢，且其传递程度相对较低。

通过构建全球股市的异质性风险传染网络，我们发现在极端事件冲击下，全球股市的长期因果网络节点分布呈现出“高度聚类”属性。这意味着在极端事件期间，股市之间的风险传染效应更为显著，存在着更加密切的关联。

经过剔除过度识别因素后，利用阈值约束方法求解全球股市的异质性风险波动溢出净值，我们发现美国股市仍然是全球股市的主要异质性风险输出方。这说明美国股市在全球范围内具有较大的影响力，其风险传染效应较为显著。

综上所述，本研究的结果表明全球股市波动率的共同因子与异质性因子之间存在协同效应，在极端事件期间，发达经济体股市的波动率异质性因子迅速攀升。全球股市的共同风险主要在短期内产生冲击，而异质性风险的传递速度较慢且传递程度相对较低。在极端事件冲击下，全球股市的风险传染效应更为显著，存在着更加密切的关联。美国股市仍然是全球股市的主要异质性风险输出方。基于这些研究结果，我们建议相关监管机构应加强对全球股市风险传染的监测与控制，特别是对美国股市的风险传染效应进行重点关注。七、参考文献

[1] Barndorff-Nielsen, O. E.,

以上为《共同风险贡献还是异质性风险传染　　》的无排版文字预览，完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。