华南理工大学学报(社会科学版) >

2024 , Vol. 26 >Issue 6: 72 - 85

DOI: https://doi.org/10.19366/j.cnki.1009-055X.2024.06.007

股市专题研究

香港股市对内地股市行业间尾部风险溢出研究

  • 张卫国 ,
  • 林嘉裕
展开
  • 华南理工大学 工商管理学院, 广东 广州 510641

张卫国(1963—), 男, 博士, 教授, 博士生导师, 主要研究方向为金融工程、金融市场及风险管理

林嘉裕(1998—), 男, 硕士研究生, 主要研究方向为金融工程与风险管理

收稿日期: 2024-02-26

  网络出版日期: 2024-11-27

基金资助

国家社会科学基金重点项目“防范化解新发展阶段金融领域重大风险研究”(22AZD039)

版权

版权所有，未经授权。
收起

Study on Inter-industry Tail Risk Spillover Between Hong Kong and Chinese Mainland Stock Markets

  • Weiguo ZHANG ,
  • Jiayu LIN
Expand
  • School of Business Administration, South China University of Technology, Guangzhou 510641, Guangdong, China

Received date: 2024-02-26

  Online published: 2024-11-27

Copyright

All rights reserved, without authorization
Fold

摘要

基于行业市场视角, 采用非对称CoVaR方法测量香港股市内部行业对内地相应行业的尾部风险溢出, 识别易受冲击的行业子市场, 分析不同时期市场遭受不同冲击对尾部风险的作用关系、影响因素, 剖析输入性金融风险传染渠道。研究发现: 香港对于内地的行业尾部风险溢出集中在非日常消费品与工业子市场; 不同行业尾部风险溢出存在异质性, 在国际化程度高的市场中贸易开放度及金融开放度有显著作用; 各主要传染渠道在不同时期所发挥的作用不同, 如信息渠道总在尾部风险溢出中起到显著作用, 金融联系渠道则在机制改革与内地市场脆弱性增加的特殊时期起到减弱尾部风险溢出的作用。同时, 为有效防范系统性金融风险和加强金融协调监管提出了对策建议。

关键词： 香港股市; 内地股市; 尾部风险传染; 非对称CoVaR

本文引用格式

张卫国 , 林嘉裕 . 香港股市对内地股市行业间尾部风险溢出研究[J]. 华南理工大学学报(社会科学版), 2024 , 26(6) : 72 -85 . DOI: 10.19366/j.cnki.1009-055X.2024.06.007

Abstract

This paper employed the asymmetric Conditional Value at Risk (CoVaR) methodology to measure the tail risk spillover within the Hong Kong stock market from corresponding industries in Chinese mainland, aimed to identify vulnerable sub-markets, analyzed the dynamic relationships and influencing factors of tail risk during periods of different market shocks, and dissected the channels through which financial risks propagate from an industry market perspective. The research reveals that: (1)The tail risk spillover from Hong Kong to Chinese mainland is concentrated on unnecessary consume and industry sub markets.(2)There is heterogeneity in tail risk spillover in different industries, which plays a significant role in trade openness and financial openness in the market with a high degree of internationalization.(3)The main infectious channels play different roles in different periods. For example, information channels always play a significant role in the tail risk spillover, while financial contact channels play a role in weakening the tail risk spillover in the special period when the mechanism reform and the vulnerability of Chinese mainland market increase.Meanwhile, this paper provides countermeasures and suggestions for effectively preventing systemic financial risks and strengthening financial coordination and supervision.

Key words： Hong Kong stock market; Chinese mainland stock market; tail risk contagion; asymmetric CoVaR

一、引言

为促进资本市场发展，我国政府出台了一系列政策和措施，致力于深化内地与香港地区的金融合作。2014年11月17日，沪港通机制正式启动，允许合格投资者在上海证券交易所和香港交易所自由交易股票。2016年12月5日，深港通机制启动，为合格投资者提供了在深圳证券交易所和香港交易所之间自由买卖股票的机会。为加强粤港澳三地经济合作与协调发展，将其打造为全球领先的创新中心和金融中心，内地与香港展开了多项金融合作，包括强化金融市场互联互通、支持金融科技创新、加强金融监管合作等。这些措施在一定程度上推动了香港金融市场与内地市场的互联互通。随着两地金融市场联系的不断加深，人们开始广泛关注两地市场之间的风险溢出问题。在这一背景下，面对内地与香港金融联系日益紧密的趋势，准确测度股市间的极端风险溢出以及研究内地股市与香港股市之间风险传染渠道中各因素在不同时期产生的影响具有重要意义。
本文将聚焦于我国内地股市与香港股市之间的关系。近年来，我国金融领域的开放程度逐渐提升，国内金融市场越来越受到外部市场的影响。对此，维持我国股市稳定、避免出现系统性风险显得尤为重要。尤其是特殊时期如2015年的内地股市震荡，国内宏观宽松货币政策导向引发场外配资和杠杆的频繁使用，加剧了金融市场泡沫的扩大，内地股市在短期内涨幅达到150%。随后的“去杠杆”措施和监管部门监管力度的提升使得股市泡沫开始破灭，内地股市出现“千股跌停”现象，使股市的脆弱性大幅增加。
香港作为国际金融中心，在连接我国与全球金融市场方面扮演着重要角色，拥有庞大的国际资金和信息流动。特别是随着我国金融市场的逐步开放和国际化进程的推进，国内市场与国际市场的联系变得日益密切，研究香港股市对内地股市的风险溢出有助于更好地了解和评估国内市场面临的全球性风险传导机制，深入了解香港作为连接我国与全球金融市场的桥梁对内地股市可能产生的风险传递效应，并为世界金融市场对我国金融市场的风险传染研究提供参考以及为金融监管和风险管理提供实际政策建议。Yang等[1]研究发现香港对上海的下行风险溢出明显大于上行风险溢出，这一发现进一步强化了研究香港对内地股市风险溢出效应的重要性，有助于我们更全面地理解两地市场间的风险联动规律。
本文主要关注香港股市行业子市场对内地股市相应行业子市场的尾部风险溢出，从行业子市场的角度探究香港股市对于内地股市的风险溢出。采用非对称条件在险价值(conditional value at risk, CoVaR)模型来测度以全球行业分类系统(global industry classification system，GICS)为分类标准的11个香港行业对内地对应行业的尾部风险溢出情况。由于上海股票市场无论是上市公司数，还是市价总值、流通市值及各类成交金额均超过深圳股票市场，而且上海股票市场与深圳股票市场变化基本一致。因此，选择上海股市作为内地市场的代表研究香港对内地行业子市场尾部风险溢出。
本文的边际贡献主要体现在：第一，首次采用非对称CoVaR方法深入研究内地股市行业子市场与香港股市行业子市场的尾部风险溢出。该方法清晰地展现了对系统风险均值和波动的影响指标，充分考虑了在不同经济环境负面冲击下，风险溢出程度存在差异的因素，构建的模型更符合真实环境中的风险溢出情况。在未来中国金融市场与国际金融市场交互日益频繁的情况下，为进一步探讨和解决跨境金融风险问题提供了有益的参考。第二，当前研究主要集中于单一风险渠道对风险传染的影响，本文不仅探讨信息传播渠道，而且考虑经济政策不确定性这一在尾部风险传播机制中发挥关键作用的渠道，能够更全面地理解不同风险渠道在风险传染中的相互作用。第三，在2020—2022年较长时间范围内，对2015年的内地股市震荡、沪港通以及深港通等事件和机制对股票市场的影响进行了系统比较研究。研究聚焦于行业子市场之间的风险传导，全面考察股票市场自身陷入压力状态以及交易机制改革对内地股票市场在外部市场尾部风险溢出方面的影响。通过详细对比不同环境下各行业子市场之间的尾部风险溢出效应，可以更好地了解和评估股票市场在不同环境下的稳定性和抗风险能力。

二、文献综述

金融风险的传染渠道主要包括信息渠道和真实联系渠道[2]。信息渠道假定金融市场信息不完全，国际投资者仅能依据已有信息评估其他市场的风险，而投资者由于恐慌情绪引发的羊群效应在危机期间更容易导致股市波动[3]。真实联系渠道则包括贸易关系和金融联系，国际贸易的波动和金融市场的关联性都会影响金融风险的传染。但大部分关于金融风险的传染研究局限于单一风险传染渠道，杨子晖等[4]将信息渠道和真实联系渠道放在同一框架下，对国际股市间的系统性风险冲击进行研究，拓展了国际股市在不同金融风险传染渠道影响下的风险传染研究。
目前关于金融风险传染的研究主要集中在三个方面，分别是均值溢出、波动溢出以及尾部风险溢出。均值溢出主要探讨市场之间是否存在长期的均衡关系，波动溢出则关注市场波动如何相互影响和传播。美国次贷危机之后，人们开始更加关注极端风险的传播，学者也逐渐将研究重心从一般风险传染转向市场间极端风险的传染。
如何对金融尾部风险溢出效应进行测度已经成为系统性金融风险溢出研究首要解决的问题。自Baumol[5]提出VaR模型以来，学者们就对其不断运用和发展。例如，Berkowitz[6]提出了综合评价VaR模型。国内的学者也将VaR模型用于研究国内金融市场之间的风险溢出，比如刘金金等[7]实证检验我国沪深股市收益率与波动率的联动性，洪永淼等[8]研究我国不同证券市场之间的风险溢出。虽然VaR方法在风险度量方面得到快速发展，但是传统的金融风险度量方法在美国次贷危机中不尽如人意的表现促使学者们开始研究新的风险溢出测度方法，CoVaR就是其中的成果之一。
Tobias等[9]首次将风险溢出效应纳入VaR框架下，提出条件在险价值模型。该模型采用分位数回归分析方法进行估计，用来研究金融机构或金融市场在其他金融机构或金融市场处于风险状态时受到的尾部风险冲击。Wong等[10]采用CoVaR方法考察亚洲13个国家的股市风险关联程度。我国学者也分别对我国银行业、金融市场和证券业之间的系统风险贡献度进行了分析[11-13]，林娟等[14]基于CoVaR模型量化分析了沪深股市与香港股市间的尾部风险溢出效应。这些研究说明CoVaR模型可以有效地对金融机构间及金融市场间的风险溢出进行测度，为金融监管机构及时准确地跟踪系统性风险提供有效手段和工具。
Beber等[15]注意到Tobias等[9]2008年首次在工作论文中提出而后在2016年正式发表的CoVaR模型，其衡量的风险溢出是对称的。而对称的CoVaR模型的设定忽略了CoVaR方法的本质特征，即CoVaR所度量的是基于单一金融机构或金融市场陷入困境这一负面冲击下时的其他金融机构或金融市场面临的风险。这一负面冲击在不同的经济环境当中对金融机构或金融市场产生的影响是非对称的。在正常情况下，金融机构之间以及金融市场之间的系统性关联度在经济下行时较强而在经济上行时较弱，这也意味着对称CoVaR在经济下行时会低估负面冲击对于金融体系的系统性风险溢出。对此，López-Espinosa等[16]提出非对称CoVaR模型。非对称CoVaR模型也被其他学者使用，比如陈国进等[17]使用非对称CoVaR方法对我国单个银行与银行体系之间的系统性关联度和任意两个银行间的系统性关联度进行测算。虽然目前关于尾部风险溢出的研究在全球及地区股市之间的风险溢出方面提供了有价值的见解，但是学界较少运用非对称CoVaR模型对股市内部不同行业子市场之间的风险传染进行研究。
对于香港股市与内地股市间的相互影响，也有较多学者进行研究，比如毛小丽等[18]指出沪港通开通增强了香港市场对内地市场的波动溢出效应，反之并不明显，并且内地股市与香港股市间的联动性有所减弱，而深港通开通则增强了内地股市与香港股市间的联动性。Bai等[19]的研究表明，沪港通的实施对内地股市和香港股市的影响是不对称的，它们受到两个市场不平衡发展的推动。梁琪等[20]发现内地股市接受香港股市的较高水平的风险溢出，且在高波动状态下更显著。这些研究都表明香港股市与内地股市间存在风险传导，且跨境股市互联对于市场风险的扩散具有一定的影响。

三、模型设定及变量选取

（一）ΔCoVaR的定义

本文使用Tobias等[9]在VaR基础上所提出的ΔCoVaR来衡量金融市场之间的尾部风险溢出效应。金融市场j在金融市场i处于压力状态时的风险价值CoVaRqs|i可表示为：
$P\left(R^j \leqslant \operatorname{CoVaR}_q^{j |i} \mid R^i=\operatorname{VaR}_q^i\right)=q$
式中，Rj是金融市场j的收益率；Ri是金融市场i的收益率；VaRqi是金融市场i处于q分位数水平的最大可能损失(通常为负数)。
类似于CoVaRqj|i，CoVaRqj|i, m表示的是金融市场j在金融市场i处于中位数水平收益时(即金融市场i处于正常状态时)的最大可能损失，即：
$P\left(R^j \leqslant \mathrm{CoVaR}_q^{j|i, m} \mid R^i=\operatorname{VaR}_{0.5}^i\right)=q$
$\Delta \mathrm{CoVaR}_q^{j|i}=\mathrm{CoVaR}_q^{j|i}-\mathrm{CoVaR}_q^{j|i, m}$
使用ΔCoVaRq来衡量金融市场之间的尾部风险溢出效应时，ΔCoVaRqj|i代表金融市场i对金融市场j的尾部风险贡献度，衡量当金融市场i处于压力状态时金融市场j的风险增加情况。ΔCoVaRqj|i的绝对值越大，代表金融市场i对金融市场j的尾部风险溢出程度越高。

（二）非对称CoVaR模型估计

首先介绍加入滞后状态变量的时变ΔCoVaR，根据Tobias等[9]的定义，为了计算金融市场i的时变VaR值，建立金融市场i的分位数回归模型：
$R_t^i=\alpha^i+\beta^i M_{t-1}+\varepsilon_t^i$
式中，Rti代表金融市场i在t时期的收益率；Mt-1代表宏观状态变量在t－1时期的值。滞后宏观状态变量引入可将时变特性引入分位数回归模型。
这里所涉及宏观状态变量主要参考林娟等[14]以及李合龙等[21]在研究沪深股市与香港股市中所选取的状态变量，最终总共选取和构建五类状态变量。这些状态变量涉及股票市场、债券市场、房地产市场、外汇市场，具体包括：
(1) 股票指数波动率。具体计算方法参考郑振龙等[22]采用GRACH(1, 1)模型进行计算。股票指数波动率是衡量股票市场风险的重要指标。
(2) 短期利差。短期利差是度量市场流动性风险的重要指标。
(3) 利率期限结构。利率期限结构反映不同时期的资金供求关系，是揭示市场利率变化方向的重要指标。
(4) 房地产市场超额收益率。房地产市场超额收益率是房地产市场收益率与股票指数之差。
(5) 汇率。张兵等[23]研究发现汇率对股票市场价格影响十分显著，能够影响股票市场收益率。
内地市场和香港市场具体宏观变量如表 1所示。
表1 内地市场和香港市场宏观变量
内地市场宏观变量 香港市场宏观变量①
上证综指波动率 恒生指数波动率
内地短期利差 美国短期利差
内地利率期限结构 美国利率期限结构
内地房地产市场对于上证综指超额收益率 香港房地产市场对于恒生指数超额收益率
人民币兑美元汇率 人民币兑美元汇率港元兑人民币汇率
① 香港作为亚洲金融中心，国际化程度高，因此选取香港市场宏观变量时要考虑国际经济因素，本文将美国短期利差与美国利率期限结构纳入香港市场宏观变量中。
基于式(4)所得到的系数估计值$ \hat{\alpha}^i \text { 与 } \hat{\beta}^i$，可以分别作5%和50%的分位数回归，得到金融市场i处于5%分位数水平时金融市场j的最大可能损失VaR及其处于正常运营状态时的收益率。
$\operatorname{VaR}_{0.05, t}^i=\hat{\alpha}^i+\hat{\beta}^i M_{t-1}$
$R_{0.5, t}^i=\operatorname{VaR}_{0.5, t}^i=\hat{\alpha}^{i, m}+\hat{\beta}^{i, m} M_{t-1}$
接着构建出对称的金融市场的分位数回归模型，即对称CoVaR模型：
$R_t^j=\alpha^{j | i}+\beta^{j| i} M_{t-1}+\gamma R_t^i+\varepsilon_t^{j| i}$
式中，Rtj代表金融市场j在t时期的收益率，这里的Mt-1代表的是金融市场j对应的滞后宏观状态变量。值得注意的是，Rti的系数γ是金融市场i与金融市场j的关联度系数，该系数反映处于压力状态的金融市场i给金融市场j带来的尾部风险贡献的程度。
根据式(7)作5%的分位数回归，测算当金融市场i处于压力状态时，金融市场j的尾部风险价值以及关联度系数，并进一步求解金融市场j分别在金融市场i处于压力状态时和正常状态时的尾部风险价值。
$\mathrm{CoVaR}_{0.05, t}^{j |i}=\alpha^{j | i}+\beta^{j| i} M_{t-1}+\gamma \operatorname{VaR}_{0.05, t}^i$
$\mathrm{CoVaR}_{0.05, t}^{j| i, m}=\alpha^{j | i}+\beta^{ j| i} M_{t-1}+\gamma R_{0.5, t}^i$
最终可以得到t时期处于压力状态的金融市场i带给金融市场j的尾部风险溢出。
$\Delta \mathrm{CoVaR}_{0.05, t}^i=\mathrm{CoVaR}_{0.05, t}^{j| i}-\mathrm{CoVaR}_{0.05, t}^{j| i, m}=\hat{\gamma}\left(\mathrm{VaR}_{0.05, t}^i-R_{0.5, t}^i\right)$
在不同宏观经济环境下，金融市场之间的关联度可能存在不同的情况。通常来说，金融市场之间的关联度在经济下行时较强而在经济上行时较弱。因此，在这里考虑引入非对称CoVaR模型。根据已有的非对称CoVaR方法，并参考陈国进等[17]进行的研究，构建出充分考虑负面冲击在不同经济环境中金融市场带来不对称影响的分位数回归模型，即非对称CoVaR模型：
$R_t^j=\alpha^{j | i}+\beta^{j| i} M_{t-1}+\gamma^{-} R_t^i I_{\left(R_t^i <0\right)}+\gamma^{+} R_t^i I_{\left(R_i^i \geqslant 0\right)}+\varepsilon_t^{j |i}$
式中，Rtj代表金融市场j在t时期的收益率；I(·)是示性函数，当括号里的条件满足时取1，当括号里的条件不满足时取0；Rti的系数γ－和γ+分别为在经济下行时和经济上行时金融市场i与金融市场j的关联度系数，两者衡量了处于压力状态的金融市场i在不同经济环境下对金融市场j的不同尾部风险贡献程度。
根据式(11)作5%的分位数回归，估计出金融市场i的关联度系数γ－和γ+，最后得到由非对称CoVaR模型所得到的ΔCoVaRi0.01, t。
$\Delta \mathrm{CoVaR}_{0.05, t}^i=\hat{\gamma}^{-} \operatorname{VaR}_{0.05, t}^i-\hat{\gamma}^{+} R_{0.5, t}^{i, m}$
式中，ΔCoVaRi0.05, t代表在考虑了宏观经济环境不同的情况下，处于压力状态的金融市场i对金融市场j的尾部风险溢出程度。

（三）风险渠道模型设定

本文以模型测度的非对称CoVaR值作为被解释变量，对香港股市风险冲击下内地股市行业子市场的尾部风险的影响因素与传染渠道展开分析。建立如下回归模型：
$\begin{aligned}\Delta \operatorname{CoVaR}_{0.05, t}^i= & \alpha_{i, t}+\beta_1 \text { Fopenness }_{i, t-1}+\beta_2 \text { Fdevelopment }_{i, t-1}+\beta_3 \text { Openness }_{i, t-1} \\& +\beta_4 \text { VIX }_{i, t-1}+\beta_5 \text { EPU }_{i, t-1}+\beta_6 \text { Exchange }_{i, t-1}+\theta_n \text { control }_{i, t-1}\end{aligned}$
式中，ΔCoVaRi0.05, t代表i行业市场在t时刻受到香港股市的尾部风险溢出；解释变量包括金融开放度(Fopenness i, t－1)、金融发展水平(Fdevelopment i, t－1)、贸易开放度(Openness i, t－1)、汇率(Exchange i, t－1)、VIX恐慌指数(VIX i, t－1)、中国经济政策不确定性指数(EPU i, t－1)、控制变量(control i, t－1)。
金融开放度、金融发展水平、贸易开放度、汇率及VIX恐慌指数借鉴杨子晖等[4]以及Zhang等[24]的研究，分别作为真实联系渠道和信息渠道的衡量指标。其中，利用外商直接投资(FDI)与GDP比例衡量金融开放度，利用企(事)业单位新增贷款与GDP比例衡量金融发展水平，利用进出口额与GDP比例衡量贸易开放度。而根据宫晓莉等[25]的研究，中国经济政策不确定性指数EPU在尾部风险传染机制中起到了重要节点作用，因此本文将其纳入尾部风险传染渠道的框架中。金融风险渠道如图 1所示：
图1 金融风险渠道

（四）数据及变量

本文采用上证综指、恒生指数分别作为上海、香港整体股市的代表变量，根据上海股市及香港股市内部的GICS行业分类标准进行分类的行业指数分别作为上海、香港各行业子市场的代表变量。其中，各行业指数参照刘娥平[26]通过GICS行业内部各公司的股价收盘价以市场流通股本为权重计算加权平均数得到，随后通过对计算出来的行业子市场指数以取对数的方式求得行业子市场对数收益率，具体计算方式如式(14)、式(15) 所示：
$\text { Index }_t=\frac{\sum P_{i, t} \times \text { Share }_{i, t}}{\sum \text { Share }_{i, t}}$
$R_t=\ln \left(\frac{\operatorname{Index}_t}{\operatorname{Index}_{t-1}}\right)$
股指数据为日度数据，来源于Wind数据库。此外，非对称CoVaR模型中的宏观变量均为日度数据，风险渠道模型中的传染渠道所涉及的GDP为季度数据，外商直接投资(FDI)、企(事)业单位新增贷款、进出口额为月度数据，VIX恐慌指数及中国经济政策不确定性指数为日度数据。
根据上述数据的可获得性，本文研究的样本时间区间为2010年1月5日—2022年8月30日。为准确研究不同时期行业子市场的尾部风险变化，本文将样本划分为五个时间区间，涉及股市机制改革、内地股市震荡、粤港澳大湾区建设等事件，具体样本划分区间如表 2所示。
表2 样本时间区间划分
序号 时间跨度 时间跨度说明
Ⅰ 2010年1月5日—2014年11月16日 2010年至沪港通开通
Ⅱ 2014年11月17日—2015年5月31日 沪港通开通至2015年内地股市震荡前
Ⅲ 2015年6月1日—2016年12月4日 2015年内地股市震荡
Ⅳ 2016年12月5日—2020年5月14日 深港通开通至粤港澳大湾区相关政策颁布前
Ⅴ 2020年5月15日—2022年8月30日 粤港澳大湾区相关政策颁布至2022年

四、实证分析

本文实证部分在以往研究尾部风险溢出的常规CoVaR模型的基础上，对于尾部风险溢出非对称的特点，主要通过借助非对称CoVaR模型分析上海股市内部易受到香港尾部风险溢出影响的行业子市场，深入探究不同行业子市场在不同时期的尾部风险溢出效应变化特点以及在尾部风险溢出影响中各风险渠道发挥作用的机制。

（一）各行业子市场尾部风险测算

这一部分采用非对称CoVaR模型对上海股市内部11个以GICS分类标准划分的行业子市场所受香港股市尾部风险传染进行测算，其中非对称CoVaR模型中不同经济环境下的香港行业子市场与上海相应行业子市场的关联度系数如表 3所示，行业上行环境代表香港行业子市场整体处于正收益状态，行业下行环境代表香港行业子市场整体处于负收益状态。
表3 上海与香港各行业子市场关联度系数
行业子市场 行业上行环境 行业下行环境
非日常生活消费品 -0.258*** 0.212**
(0.062) (0.097)
工业 -0.115** 0.128**
(0.057) (0.063)
公用事业 0.026 0.033
(0.051) (0.039)
金融 -0.024 0.079***
(0.030) (0.028)
能源 -0.017 0.068***
(0.018) (0.019)
日常消费品 0.009 -0.028
(0.018) (0.022)
通讯服务 0.008 -0.003
(0.018) (0.018)
信息技术 -0.000 0.011
(0.013) (0.015)
医疗保健 -0.024*** 0.013*
(0.007) (0.008)
原材料 -0.002** 0.008
(0.010) (0.010)
房地产 -0.037*** 0.036***
(0.011) (0.011)

注：  *、**以及***分别表示在10%、5%以及1%水平下显著，括号内数值为标准误。

通过使用非对称CoVaR模型进行尾部风险的测度，发现只有6个香港股市内部行业子市场与上海对应行业子市场存在显著的关联关系，具体行业子市场包括非日常生活消费品、工业、金融、能源、医疗保健、房地产市场。具体来看，无论香港行业子市场所处环境是上行还是下行，上海的非日常生活消费品、工业、医疗保健、房地产市场都和香港行业子市场保持着显著的关联度，而能源和金融则在香港对应行业子市场下行环境中保持着显著的关联度。
本文对上述6个与对应香港行业子市场保持显著关联度的上海行业子市场进行深入研究，利用非对称CoVaR模型对其所受香港股市尾部风险传染进行测算，并在图 2中分析这些行业子市场在不同时期受到香港股市尾部风险溢出的变化情况。其中，竖直线按先后顺序分别代表沪港通开通、2015年内地股市震荡、深港通开通以及金融支持粤港澳大湾区政策颁布的重要时间节点，ΔCoVaR均为负值，ΔCoVaR值越小，代表市场所受到香港对应行业子市场的尾部风险溢出程度越大。
图2 香港股市对上海股市内部各行业子市场尾部风险溢出
可以看到，上海的不同行业子市场对香港对应行业子市场的尾部风险溢出接收程度在样本区间内走势并不完全相同，但在2015年内地股市震荡区间各个行业子市场都存在一个较大程度的尾部风险溢出情况。沪港通机制开通后，只有工业、金融、能源、医疗保健市场表现出香港行业子市场对上海相应行业子市场的尾部风险溢出明显增加的趋势。上海的非日常消费品行业在整个样本区间内都表现为最主要的香港尾部风险溢出接收市场，金融、医疗保健以及房地产市场则对来自香港对应行业子市场的尾部风险溢出较为敏感，其波动程度也较大。
综合来看，沪港通机制作为内地首次与香港进行股市交易互联互通的试点机制，提高了上海股市与香港股市的互联互通程度。这一机制在一定程度上增加了香港股市对内地股市的尾部风险溢出程度，尤其是在沪港通开通后内地股市震荡时期，导致内地股市的脆弱性大大增加。沪港通机制的开通，放大了香港股市对内地股市的尾部风险溢出，上海内部各行业子市场在不同程度上都受到了直接冲击。而随着深港通机制的开通，在后续的时间区间中，除内地股市陷入脆弱状态外，上海各行业子市场所受到的尾部风险溢出基本上都处于一个比较稳定的区间范围。

（二）香港与上海股市行业子市场尾部风险传染渠道分析

本文旨在深入研究不同情境的上海市场内部行业子市场受香港对应行业子市场尾部风险溢出影响，这里所涉及深入研究的行业子市场只包括在时间样本区间内与香港对应行业子市场保持显著关联性的上海行业子市场，并对风险传染的渠道在尾部风险传染发挥作用的机制进行更深入的剖析。
具体针对上海市的非日常生活消费品、工业、金融、能源、医疗保健、房地产市场，以香港对应行业子市场尾部风险溢出的测量值△CoVaR作为被解释变量，将样本根据重大事件分为不同的子区间，探讨风险传染渠道对上海行业子市场受到香港对应行业子市场尾部风险溢出的影响。通过对上述行业子市场的数据分析，进一步探讨在这些特定行业中香港股市尾部风险溢出对于上海股市的影响和传染渠道。这有助于我们更全面地理解不同市场间风险传染的机制，从而更好地应对金融市场中的风险挑战。
非日常生活消费品子市场的风险溢出渠道分析结果如表 4所示。可以发现，整体上各风险渠道在香港对应的行业子市场尾部风险溢出中发挥了显著的作用，尤其是在沪港通和深港通机制开通以及粤港澳大湾区等金融支持政策颁布后。这表明在内地与香港股票市场机制联通和政策影响下，随着国内机制改革以及与粤港澳大湾区建设等金融开放举措的推进，各风险渠道在香港股市对上海非日常生活消费品这一行业子市场的尾部风险影响的作用有一定程度的增强。
表4 非日常生活消费品子市场的风险溢出渠道分析结果
风险渠道 时期
Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ
金融开放度 -0.017*** -0.025 0.096*** 0.004 -0.109***
(0.000) (0.020) (0.020) (0.050) (0.030)
金融发展水平 -0.005 0.051* -0.050** 0.055** 0.028**
(0.010) (0.030) (0.020) (0.030) (0.010)
贸易开放度 -0.001 0.046 -0.050 -0.002 -0.121***
(0.010) (0.030) (0.030) (0.060) (0.030)
汇率 -0.051*** -0.215 -0.138*** -0.159*** -0.173***
(0.010) (0.180) (0.020) (0.060) (0.030)
VIX恐慌指数 -0.098*** 0.031* 0.010 -0.007 -0.042*
(0.010) (0.020) (0.020) (0.030) (0.020)
经济政策不确定性 -0.006 0.021 -0.126*** -0.208*** -0.197***
(0.010) (0.040) (0.040) (0.050) (0.040)
常数项 -0.476*** -0.117 -0.612*** -0.596*** -0.627***
(0.010) (0.250) (0.030) (0.070) (0.040)
adj. R2 0.293 0.059 0.185 0.025 0.118

注：  *、**以及***分别表示在10%、5%以及1%水平下显著，括号内数值为标准误。所有解释变量均经过标准化处理。

在各种风险渠道中，汇率在样本区间内稳定充当增强香港对应行业子市场传导至内地行业子市场的尾部风险溢出影响的角色。这表明汇率渠道作为国际市场风险传导的主要渠道，同样在香港对上海非日常生活消费品市场的尾部风险溢出中发挥着重要的风险传染作用。而在沪港通机制开通后，经济政策不确定性的作用从之前的不显著变为后期显著，在Ⅴ时期其系数在1%的置信水平下显著，为-0.197，同一时期汇率的系数在1%的置信水平下仅为-0.173，而且经济政策不确定性在尾部风险溢出增强作用在Ⅳ时期中就已经超过汇率。此外，在2015年的内地股市震荡期间，金融开放度和金融发展水平对上海非日常生活消费品市场发挥了相反的作用。金融开放度在一定程度上减弱了香港对应行业子市场传导至上海非日常生活消费品市场的尾部风险溢出影响，而金融发展水平则相反。这可能是内地股市震荡导致了整体股市较高的脆弱性。在这种情况下，较高的金融开放度意味着股市可以在一定程度上吸收来自国外的资金，以保持股市的资金流动性，缓解市场流动性不足，降低来自香港对应行业子市场的尾部风险。
工业子市场的风险溢出渠道分析结果如表 5所示。可以发现，上海的工业市场与非日常生活消费品市场不同，不论在哪段时期内，大部分风险渠道都发挥了显著的作用。其中，贸易开放度在沪港通开通时期发挥了减弱香港对应行业子市场尾部风险溢出的作用，而在深港通开通及其后期则起到了相反的作用。这可能是因为贸易开放度作为风险渠道在香港工业市场和上海工业市场之间起到的作用随着时间和贸易政策的变化而发生变化。中国在融入世界贸易的初期，主要与发达国家进行贸易往来[27]。中国内地对外贸易的限制较多，贸易开放度在香港工业市场对上海工业市场的尾部风险溢出中起到了减弱作用。而随着中国内地与国际市场贸易联系的进一步加强，再加之2018年美国开始针对中国的一系列贸易举措，国外对中国产品的不友好关税政策，导致内地工业市场更易受到来自国际市场的冲击。香港作为内地与世界各地联系的重要枢纽，其工业市场尾部风险溢出更是借助贸易开放度这一渠道传导至上海工业市场。
表5 工业子市场的风险溢出渠道分析结果
风险渠道 时期
Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ
金融开放度 -0.008* -0.097*** 0.042*** -0.001 -0.005
(0.004) (0.037) (0.011) (0.003) (0.007)
金融发展水平 0.002 0.235*** -0.009 0.002 -0.010***
(0.005) (0.062) (0.008) (0.002) (0.004)
贸易开放度 0.015*** 0.338*** -0.007 -0.023*** -0.054***
(0.005) (0.076) (0.014) (0.004) (0.008)
汇率 -0.017*** -3.023*** -0.105*** -0.025*** 0.061***
(0.006) (0.401) (0.010) (0.004) (0.009)
VIX恐慌指数 -0.068*** 0.207*** -0.028*** -0.030*** -0.003
(0.005) (0.039) (0.010) (0.002) (0.006)
经济政策不确定性 -0.033*** -0.079 -0.089*** -0.020*** 0.021**
(0.011) (0.088) (0.016) (0.003) (0.010)
常数项 -0.290*** 4.163*** -0.322*** -0.257*** -0.300***
(0.012) (0.569) (0.011) (0.005) (0.011)
adj.R2 0.214 0.469 0.347 0.296 0.276

注：  *、**以及***分别表示在10%、5%以及1%水平下显著，括号内数值为标准误。所有解释变量均经过标准化处理。

金融行业子市场的风险溢出渠道分析结果如表 6所示。可以发现，金融行业子市场对市场风险敏感，恐慌指数、经济政策不确定性及汇率显著增强了香港该行业子市场对上海对应行业子市场的尾部风险溢出影响。与其他行业子市场相比，上海金融行业子市场的各个风险渠道基本都在上海金融行业子市场接收香港对应行业子市场尾部风险溢出的过程中发挥了显著作用。
表6 金融子市场的风险溢出渠道分析结果
风险渠道 时期
Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ
金融开放度 -0.013*** -0.013** 0.009** 0.001 -0.006***
(0.001) (0.006) (0.004) (0.001) (0.002)
金融发展水平 0.005*** 0.040*** 0.004 0.002*** -0.003***
(0.002) (0.010) (0.003) (0.001) (0.001)
贸易开放度 0.011*** 0.055*** 0.020*** -0.016*** -0.010***
(0.002) (0.013) (0.005) (0.002) (0.003)
汇率 -0.001 -0.193*** -0.032*** -0.026*** 0.025***
(0.002) (0.067) (0.004) (0.002) (0.003)
VIX恐慌指数 -0.037*** -0.007 -0.010*** -0.014*** -0.002
(0.001) (0.006) (0.004) (0.001) (0.002)
经济政策不确定性 -0.041*** -0.029* -0.027*** -0.016*** -0.012***
(0.004) (0.015) (0.006) (0.001) (0.003)
常数项 -0.195*** 0.119 -0.179*** -0.170*** -0.151***
(0.004) (0.095) (0.004) (0.002) (0.003)
adj. R2 0.531 0.114 0.256 0.412 0.575

注：  *、**以及***分别表示在10%、5%以及1%水平下显著，括号内数值为标准误。所有解释变量均经过标准化处理。

能源子市场的风险溢出渠道分析结果如表 7所示。能源作为国际贸易的重要组成部分，决定了能源行业子市场具有全球性，并且会受到政治因素的重大影响。Tiwari等[28]针对不同区域市场展开研究，发现政策的不确定性极大地影响了区域能源股票市场波动溢出的程度，因此能源行业子市场对外部风险有较高的敏感性。特别体现在贸易开放度这一风险渠道中，其在沪港通机制开通和内地股市震荡期间都发挥了减弱香港对应行业子市场的尾部风险溢出的作用，原因在于样本区间前期全球政治环境比较平稳，稳定的贸易渠道为市场保持了稳定的资金来源。但随着全球政治不稳定性的增加，特别是与能源行业密切相关的俄乌冲突事件，导致贸易开放度这一风险渠道在香港能源市场对上海能源市场的尾部风险溢出中发挥了越来越大的增强作用。
表7 能源子市场的风险溢出渠道分析结果
风险渠道 时期
Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ
金融开放度 -0.021*** -0.021*** 0.017*** 0.005** -0.013***
(0.002) (0.006) (0.006) (0.003) (0.005)
金融发展水平 0.015*** 0.060*** 0.002 -0.000 -0.009***
(0.003) (0.011) (0.005) (0.001) (0.002)
贸易开放度 0.013*** 0.047*** 0.045*** -0.018*** -0.024***
(0.002) (0.013) (0.008) (0.003) (0.006)
汇率 0.000 -0.214*** -0.030*** -0.017*** 0.032***
(0.003) (0.069) (0.006) (0.003) (0.006)
VIX恐慌指数 -0.033*** -0.020*** -0.015** -0.021*** -0.004
(0.002) (0.007) (0.006) (0.001) (0.004)
经济政策不确定性 -0.021*** -0.035** -0.027*** -0.003 0.007
(0.005) (0.015) (0.009) (0.003) (0.007)
常数项 -0.207*** 0.086 -0.217*** -0.214*** -0.219***
(0.006) (0.098) (0.007) (0.004) (0.008)
adj. R2 0.325 0.400 0.200 0.252 0.244

注：  **、***分别表示在5%和1%水平下显著，括号内数值表示标准误；所有解释变量均经过标准化处理。

而对于主要市场面向国内的医疗保健和房地产行业，经济政策不确定性在香港市场对于内地市场的尾部风险溢出中充当了重要的风险传染渠道①。
① 篇幅所限，医疗保健市场及房地产市场回归结果未予以列示。
在医疗保健市场中，各风险渠道在沪港通与深港通机制开通时发挥了较为显著的作用。在内地股市震荡时期主要是恐慌指数以及经济政策不确定性发挥了增强内地医疗保健行业市场受到香港尾部风险溢出的作用，这可能是因为上海医疗保健市场当时主要为国内市场且自身定位处于服务业，较少受到金融联系渠道和贸易渠道的影响。
房地产作为服务行业，其主要市场在国内，受到政策调控和国内经济环境的影响较大。因此，经济政策不确定性成为香港对应行业子市场尾部风险溢出的主要风险渠道之一。此外，VIX恐慌指数作为另一风险渠道，代表市场投资者的恐慌情绪。对于房地产市场，VIX恐慌指数在经济平稳时扩大了香港房地产行业对内地房地产行业的尾部风险溢出。然而，在内地股市震荡时期，并没有起到预期的显著扩大尾部风险溢出的作用。这在一定程度上印证了Zheng等[29]关于投资者情绪对房地产市场影响的研究，该研究发现在悲观时期投资者会认为房地产市场会更加安全，因此会将资金转移到房地产市场，提高了房地产市场的流动性。

（三）稳健性检验

为验证研究结论的可靠性，本文选择改变非对称CoVaR模型中设置的分位数水平，将模型中的分位数水平调整为0.04，重新度量被解释变量，将测算结果重新回归，各行业子市场的回归结果依然显著，没有发生显著实质性变化，说明本文得出的主要结论具有较好的稳健性②。
② 篇幅所限，稳健性检验处理结果未予以列示。

五、结论与建议

本文采用创新的非对称CoVaR模型，基于中观视角首次将该模型应用于度量香港股市对内地行业子市场的尾部风险溢出。根据内地各行业子市场与香港对应行业子市场的关联度，筛选出上海的非日常生活消费品、工业、金融、能源、医疗保健、房地产市场，并测度了这些行业子市场从2010年到2022年期间所受到的香港股市尾部风险溢出。分析结果表明，上海对应行业子市场所受到的香港尾部风险溢出的走势基本相同，但由于各行业子市场行业本身的特质，香港股市对于上海股市的尾部风险溢出集中在工业、非日常消费品行业子市场，而且综合比较下受到香港尾部风险溢出越大的行业子市场其风险渠道在尾部风险传导过程中发挥的作用也越大。
在对风险渠道具体如何影响香港行业子市场对内地行业子市场的尾部风险溢出的研究中发现：
第一，整体上看，大多数内地行业所受到香港对应行业的尾部风险溢出存在不同之处，非日常消费品行业与工业行业是主要的尾部风险溢出接收方。
第二，汇率、VIX恐慌指数以及经济政策不确定性在各个行业子市场大部分时期都稳定充当了增强香港行业子市场传导至内地对应行业子市场的尾部风险溢出影响的角色。主要原因在于VIX恐慌指数作为衡量市场波动性和不确定性的重要指标，通常在市场情绪低迷和经济政策不确定性增加时会迅速攀升。这一情绪性波动会导致投资者的情绪性决策，可能会加速投资者对于股市的撤离，导致股市的异常波动[30]。同时，汇率上升可能意味着国内资金外流的增加。而随着国内资金流出，市场资金流动性可能会降低，因为资金从股市中撤离会进一步放大市场波动性。而股市缺乏流动性，会使得市场更容易受到突发事件的影响，导致股市脆弱性增加。以上三个风险渠道中信息渠道占据了两个，这说明在香港行业子市场对内地对应行业子市场的尾部风险溢出中信息渠道占据了重要的地位，这与Chen等[31]所发现的信息渠道在行业风险溢出中至关重要的结论相一致。
第三，金融开放度与金融发展水平这两个金融联系渠道在股票市场的特殊时期能够起到减弱香港行业子市场对内地对应行业子市场的尾部风险溢出影响的作用，比如在内地股市震荡这种由于股票市场泡沫化等内生原因导致的股票市场特殊危机时期金融开放度减弱了香港行业子市场传导至内地对应行业子市场的尾部风险溢出；金融发展水平则在内地股市进行股市机制改革时起到了减弱香港行业子市场对内地对应行业子市场的尾部风险溢出影响的作用。
第四，贸易开放度这一贸易联系渠道与汇率相比，在香港行业子市场对内地行对应业子市场的尾部风险溢出传导过程中起到的作用较小，但在一些特殊行业如金融、能源、医疗保健中都发挥了显著作用。
基于以上结论，本文提出如下建议：
第一，对不同行业子市场定制化风险管理策略。针对不同行业子市场的特质，我国应实施差异化的风险管理措施。加强特定行业的监管规范或提供相应的支持措施，以提高行业抵御风险的能力。对于风险较为敏感的行业，政策可以更加重点关注其风险管理需求。例如，医疗保健与房地产行业相较于其他行业对香港对应行业子市场的尾部风险溢出较为敏感，且行业主要市场面向国内，其受经济政策不确定性和股市机制影响较深，相关部门有必要建立健全信息披露和市场交流机制，确保政策能够清晰传达，从而化解经济政策不确定性所带来的负面影响。同时，建立定期的风险评估机制，监测股市机制改革对行业的影响，并及时识别和缓解可能出现的尾部风险。
第二，继续推动内地与香港市场合作与信息共享。与香港跨城市合作和信息共享对降低香港股市对内地股市的尾部风险溢出具有积极作用。内地监管部门可以与香港方面通过建立健全信息共享机制来促进区域市场之间的协作，从而共同应对风险。制定统一标准和政策框架也有助于提升整体市场的抗风险能力。
第三，强化关键风险渠道的监管与控制。我国金融监管部门可重点关注汇率和风险渠道中的信息渠道，这些风险渠道对各行业子市场尾部风险的放大作用明显。监管部门应强化对这些指标的监管力度，限制其潜在的不稳定性影响，进而减少其对尾部风险传导的影响。
第四，在特殊时期如股市机制改革或者股市脆弱性显著增加时，要注重发挥金融联系渠道在香港行业子市场对内地对应行业子市场尾部风险溢出所起到的减弱风险作用。例如，金融开放度在内地股市震荡时期就减弱了非日常消费品、工业、金融、能源行业子市场的尾部风险。因此，面对股市机制改革带来的不稳定性以及股市脆弱性增加等情况，政府可通过调整外国金融机构在国内的准入条件，限制或放宽资本流出入，调整跨境资本的流动性，灵活控制金融市场的对外开放度，以达到降低相应行业受到来自香港尾部风险溢出的目的。
第五，加强信息披露与投资者风险教育，强化金融体系的韧性。增强市场透明度和提高投资者的风险意识有助于减缓尾部风险溢出。政策层面可促进更多透明度的信息披露，并通过教育和指导方案提高投资者对市场风险的认知水平。对于金融开放度和金融发展水平的影响，我国政策制定需围绕增强金融体系的抗风险能力等目标，监管部门可通过提升金融监管能力、强化市场透明度以及提供必要的金融工具等手段，保障金融体系的韧性和稳定性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
YANG K, WEI Y, LI S, et al. Asymmetric risk spillovers between Shanghai and Hong Kong stock markets under China's capital account liberalization[J]. North American Journal of Economics and Finance, 2020, 51: 1-12[2024-10-29]. DOI: org/10.1016/j.najef.2019.101100.

2
DEBARSY N, DOSSOUGOIN C, ERTUR C, et al. Measuring sovereign risk spillovers and assessing the role of transmission channels: a spatial econometrics approach[J]. Journal of Economic Dynamics & Control, 2018, 87: 21-45[2024-10-29]. DOI: org/10.1016/j.jedc.2017.11.005.

3
CAI Y, HONG J. Dynamic relationship between stock market trading volumes and investor fear gauges movements[J]. Applied Economics, 2019, 51(38): 4218- 4232.

DOI

4
杨子晖, 陈雨恬, 黄卓. 国际冲击下系统性风险的影响因素与传染渠道研究[J]. 经济研究, 2023, 58(1): 90- 106.

5
BAUMOL W J. An expected gain-confidence limit criterion for portfolio selection[J]. Management science, 1963, 10(1): 174- 182.

DOI

6
BERKOWITZ J. Evaluating the forecasts of risk models[EB/OL]. (1998-05-20)[2024-10-30]. https://www.federalreserve.gov/PubS/feds/1999/199911/199911pap.pdf.

7
刘金全, 崔畅. 中国沪深股市收益率和波动性的实证分析[J]. 经济学(季刊), 2002,(3): 885- 898.

8
洪永淼, 成思危, 刘艳辉, 等. 中国股市与世界其他股市之间的大风险溢出效应[J]. 经济学(季刊), 2004,(2): 703- 726.

9
TOBIAS A, BRUNNERMEIER M K. CoVaR[J]. The American Economic Review, 2016, 106(7): 1705- 1741.

DOI

10
WONG A Y, FONG T P W. Analysing interconnectivity among economies[J]. Emerging Markets Review, 2011, 12(4): 432- 442.

DOI

11
李丛文, 闫世军. 我国影子银行对商业银行的风险溢出效应——基于GARCH-时变Copula-CoVaR模型的分析[J]. 国际金融研究, 2015,(10): 64- 75.

12
陈建青, 王擎, 许韶辉. 金融行业间的系统性金融风险溢出效应研究[J]. 数量经济技术经济研究, 2015, 32(9): 89- 100.

13
刘晓星, 段斌, 谢福座. 股票市场风险溢出效应研究: 基于EVT-Copula-CoVaR模型的分析[J]. 世界经济, 2011,(11): 145- 159.

14
林娟, 赵海龙. 沪深股市和香港股市的风险溢出效应研究——基于时变ΔCoVaR模型的分析[J]. 系统工程理论与实践, 2020, 40(6): 1533- 1544.

15
BEBER A, BRANDT M W. When it cannot get better or worse: the asymmetric impact of good and bad news on bond returns in expansions and recessions[J]. Review of Finance, 2010, 14(1): 119- 155.

DOI

16
LÓPEZ-ESPINOSA G, MORENO A, RUBIA A, et al. Short-term wholesale funding and systemic risk: a global CoVaR approach[J]. Journal of Banking & Finance, 2012, 36(12): 3150- 3162.

17
陈国进, 钟灵, 张宇. 我国银行体系的系统性关联度分析: 基于不对称CoVaR[J]. 系统工程理论与实践, 2017, 37(1): 61- 79.

18
毛小丽, 王仁曾. 沪深股市与香港股市波动溢出效应研究[J]. 价格理论与实践, 2018,(11): 91- 94.

19
BAI Y, CHOW D Y P. Shanghai-Hong Kong stock connect: an analysis of Chinese partial stock market liberalization impact on the local and foreign markets[J]. Journal of International Financial Markets Institutions & Money, 2017,(50): 182- 203.

20
梁琪, 常姝雅. 全球股票市场系统性风险的预警与防范——基于高低波动风险溢出网络的分析[J]. 国际金融研究, 2022,(9): 67- 76.

21
李合龙, 欧阳瑞玲, 张卫国. 金融市场系统性风险预警与监管研究——基于信息溢出网络的视角[J]. 金融发展研究, 2022,(2): 13- 23.

22
郑振龙, 杨伟. 金融资产收益动态相关性: 基于DCC多元变量GARCH模型的实证研究[J]. 当代财经, 2012,(7): 41- 49.

23
张兵, 封思贤, 李心丹, 等. 汇率与股价变动关系: 基于汇改后数据的实证研究[J]. 经济研究, 2008, 43(9): 70-81, 135.

24
ZHANG C, ZHU Y, LU Z. Trade openness, financial openness, and financial development in China[J]. Journal of International Money and Finance, 2015,(59): 287- 309.

25
宫晓莉, 刘建民, 熊熊, 等. 经济政策不确定性与国际金融网络间的尾部风险传染研究[J]. 中国管理科学, 2023, 31(7): 78- 90.

26
刘娥平. 中国上市公司可转换债券发行公告财富效应的实证研究[J]. 金融研究, 2005,(7): 45- 56.

27
WEI Z, HAN B, PAN X, et al. Effects of diversified openness channels on the total-factor energy efficiency in China's manufacturing sub-sectors: evidence from trade and FDI spillovers[J]. Energy Economics, 2020, 90: 1-16[2024-10-29]. DOI: org/10.1016/j.eneco.2020.104836.

28
TIWARI A K, ABAKAH E J A, DWUMFOUR R A, et al. Connectedness and directional spillovers in energy sectors: international evidence[J]. Applied Economics, 2022, 54(22): 2554- 2569.

DOI

29
ZHENG Y, OSMER E. Housing price dynamics: the impact of stock market sentiment and the spillover effect[J]. Quarterly Review of Economics and Finance, 2021, 80: 854-867[2024-10-29]. DOI: org/10.1016/j.qref.2019.02.006.

30
BARUN I K J, BEVILACQUA M, TUNARU R. Asymmetric network connectedness of fears[J]. Review of Economics and Statistics, 2022, 104(6): 1304- 1316.

31
CHEN N, JIN X. Industry risk transmission channels and the spillover effects of specific determinants in China's stock market: a spatial econometrics approach[J]. North American Journal of Economics and Finance, 2020, 52: 1-11[2024-10-29]. DOI: org/10.1016/j.najef.2019.101137.

Options
文章导航

/

〈 〉

版权所有 © 华南理工大学学报(社会科学版)编辑部
地址：广州 五山 华南理工大学17号楼　
邮编：510640　
电话：020-87110284　
E-mail：stwhliu@scut.edu.cn
技术支持：北京玛格泰克科技发展有限公司　
网站管理员登录
微信号:skxbscut