投资者如何避免“黑天鹅”事件?

小概率事件，却往往能制造大风险，对金融领域而言，风险更是倍增。北京大学光华管理学院王汉生教授与合作者们研究提出的一种模型，对于探究复杂金融系统中的风险传播链条，以及捕捉金融市场中的“黑天鹅”有着重要意义。

这项研究的标题为Network Quantile Autoregression（网络分位自回归），发表于国际顶级学术期刊Journal of Economics。该期刊致力于发表计量研究宏观经济方面重要问题的，具有广泛影响力的文章。

01

构建金融网络，提出NQAR模型

在研究金融网络的系统性风险时，如何评估尾部事件（小概率事件）风险尤其重要。早在2006年，便有学者提出用一种“分位自回归”的方法来对条件分位函数进行建模，该模型实现了一元时序模型中的因变量分位数建模。王汉生教授与合作者们以此框架为基础，深入探究复杂金融系统中的风险如何传播。

现代数据技术的飞速发展使学者们能够接触到大量的数据与潜在的网络结构。研究组充分利用网络结构，提出了一种尾部事件驱动的网络分位自回归模型（Network Quantile Autoregression Model）来捕捉动态的分位数行为特点，并对金融风险在金融网络中的传导效应进行估计。研究组将该模型应用于分析A股市场，发现市场波动程度越高，风险基于金融网络的传导效应越大。同时，通过系统分析尾部事件（小概率事件），在复杂的金融系统中进行预测和冲量分析。

如何构建金融网络？

研究组设计了一个由股东关系连接的企业网络。具体来说，如果两家企业共享主要的股东，则在它们之间建立节点联系。因变量的条件分位函数（如公司股票收益的波动性）与潜在的外在因素相关。这些外在因素可能包括网络节点的某种特定变量（如公司特质），同一节点的滞后效应（如上一时间点同一股票的波动性）以及其他连接节点的滞后效应。

网络分位自回归模型（NQAR）的优势：

首先，研究组在提出的NQAR模型中嵌入了观察到的金融网络结构，从而提供了参数分析的框架。

其二，NQAR模型涵盖了可追踪的分位动态，这有助于进行静态分析与冲击响应分析。

其三，NQAR模型能够容纳大量节点，并控制各个节点的不同特性。

02

寻找系统性风险溢出的信号

冲量分析和节点影响分析，对于发现风险有着重要意义。给定NQAR模型的特殊结构，边际影响需要通过冲量分析来确认：对施加在不同分位级别上其他节点的外来冲击，网络中各节点将如何反应？研究组采取横断面调查来分析作用于一个节点的冲击对于其他节点的影响。冲量分析在金融网络中至关重要，它能为金融机构的系统性风险溢出提供重要信息。

另一方面，研究组也量化了作用于一个节点的冲击对于另一个特定节点的影响，这些量化结果可以反映各节点的影响力。金融监管应特别注意复杂金融系统中的具有影响力的网络节点。

03

NQAR实际应用：找到金融危机传染链

研究组应用模型观察了由共享产权信息引起的金融风险传导背后的运作机制。他们以2013年的中国股市为研究重点，原始数据包括中国A股市场中2442只分别在上海证交所和深圳证交所交易的股票。研究组记录了每只股票52周内的价格变化，并用每周股票的绝对收益计算股票的波动率。研究发现在5月和7月间，股市波动较大。另外，平均波动率的统计数据表明大部分股票呈正相关。

为了构建网络结构，研究组收集了每只股票前十大股东的信息。股东网络反映了企业间相互依赖的重要关系，也是金融风险管理所需研究的重点问题。现有文献指出，随着多元化成本降低，市场多元化程度将提升，从而增加共有股东的叠加程度。这就解释了为什么拥有共同股东的金融机构同时拥有更高的关联度。研究组画出了市场价值前100名的股票所在的网络结构（如Fig.2），其网络密度为3.9％。

Fig.2 市场价值前100名的股票所在的网络结构

接着，研究组使用NQAR模型来分析网络，发现并预测的网络对于股票的影响在上尾部（即前5%）要强于其他分位。这表明，当市场波动较大时，风险基于金融网络的传导效应也加强。在正常分位（如50%），股票间的网络影响几乎微不足道。此外，当波动率在前5%和50%时，资产规模（即CAP），账面市值比（BM）和杠杆比率（LEV）与波动率的条件分位水平呈负相关——即企业的资产规模，账面市值比和杠杆比率越低，股票波动率的分位水平就越高。

最后，研究组对中国五家知名银行的股票进行冲量分析和节点影响分析。这五家银行分别是中国银行（股票代码BOC），招商银行（CMB），中国工商银行（ICBC），平安银行（PAB）和上海浦东发展银行（SPDB）。在不同的分位上，冲击的效应也不同：在较大的分位上（如前5%），冲击所造成的影响更大。据研究组观察，中国银行，招行和工行之间的冲击效应比其他两家银行之间的效应要显著得多。此外，在这五家银行构成的小型网络结构中，一小部分节点占据了大部分的影响力。

文章作者信息：

Xuening Zhu, School of Data Science, Fudan University

Weining Wang, Department of Economics, University of York

Hansheng Wang, Guanghua School of Management, Peking University

Wolfgang Karl Härdle, C.A.S.E.-Center of Applied Statistics and Economics, Humboldt-Universität zu Berlin

王汉生教授，北京大学光华管理学院商务统计与经济计量系教授，系主任。数据科学微信公众号“狗熊会”创始人。在理论研究方面，主要关注变量选择、数据降维、高维数据分析，以及复杂网络数据分析。国内外各种专业杂志上发表文章100+篇，合著有英文专著1本，合著中文教材3本。国家杰出青年基金获得者（2016），Elsevier中国高被引用学者（数学类：2014-2018）。致力于商务统计学的理论研究与产业实践。业界合作涉及量化投资、互联网征信、车联网、移动设备RTB广告竞价、搜索引擎营销、电子商务、重装制造业等多个重要行业。