全球回报溢出：一种网络方法

即使是最小的532个返回溢出，可视化完整的格兰杰因果关系网络也不是很有用，因为它很复杂（参见图1a中的示例）。相反，在图1b和图1c中，我们从2008年回报溢出的子样本中选择了子网络。更具体地说，图1b仅描述了美国市场的溢出效应，而图1c显示了美国市场的溢出效应。一个有趣的观察结果是，虽然亚洲股市对美国市场没有影响，但欧洲、南非（与许多欧洲市场的时区类似）甚至阿根廷的前沿市场都是格兰杰市场，在美国产生了回报。这一观察结果代表了我们进行这项研究的主要动机，因为它清楚地表明，市场之间的回报溢出至少部分地受到给定市场交易时间的相对设置的影响，即时间接近性。我们将在第4节更正式地探讨这一点。3.图2绘制了指定给给定子样本最后一个月的四个溢出连通性度量。我们观察了样本期内收益溢出发展的三个不同方面。程度外集中和程度内集中显示，在2007年12月（程度外）和2008年1月（程度内）之前的过去12个月内，几乎没有市场影响了其他许多市场（程度外集中达到峰值），而与此同时，许多市场受到了相同程度的影响（程度内集中达到底部）。

这些特性似乎表明，世界股市存在市场条件，很少有市场影响所有其他市场。我们感兴趣的是，这是否与金融危机和美国市场有关。一项更仔细的调查显示，至少从格兰杰的角度来看，美国市场似乎只有在2008年10月（雷曼兄弟倒闭后）到2009年6月底才有更大的影响力。在此期间，在39个市场中，美国市场平均影响了33.44个市场（截至2008年12月的12个月内最多影响37个）。平均出/入度中心度和平均调和加权中心度（图2的下面板）反映了回报溢出的一个非常相似但可能令人惊讶的发展。这两种测量都试图量化回报溢出网络的紧密性，即较高的价值与更多相互关联的市场相关联。然而，我们可以观察到，自2012年5月以来，世界各地市场的互联性急剧下降。在此之前，中心度平均值约为0.60，这意味着在所有可能的溢出（1560）中，约60%具有统计学意义（936）；之后，这些数字降至34%（530）。不幸的是，我们的样本只在2006年底开始，因此我们无法确认，自2007年（股市危机开始）到2012年5月，我们是否没有观察到股市联动性较高的时期。图2：时变溢出：网络集中4。2市场的连通性：回报溢出的网络方法1报告了单个市场的内外度和和谐中心度的描述性统计。

前两种是市场连通性的局部度量，因为它只是从（向外度）和到所选市场（以度）的直接溢出的平均数，即到网络中相邻顶点的连接。葡萄牙（平均7.454个收益溢出）、斯洛文尼亚（8.175个）和中国（9.948个）的出局程度最低。虽然前两个市场规模较小，位于欧洲，因此它们的收盘时间与欧洲大多数市场差不多，但中国股市的收盘时间要长得多。通常情况下，人们可以预期它将引领欧洲市场，而这反过来将导致更高的出局程度。然而，中国股市似乎与世界其他股市没有什么区别。当我们考虑该地区其他亚洲市场时，这一推理显然是有启发性的，而这些市场又是平均得分最高的市场之一：韩国（31.629）、香港（30.546）和日本（27.464）。英国和美国的平均出局次数分别为16.031和19.186，要低得多，但我们应该记住，我们的市场样本在欧洲市场的代表性过高，欧洲市场的开盘时间比亚洲市场的收盘时间要近得多。因此，这是可能的时间邻近效应的另一个例子。中国股市的平均指数为4.454，是迄今为止最低的，这一点强化了我们的信念，即在我们的样本期内，与世界其他股市相比，中国股市似乎更加细分。英国市场的平均程度最高（31.340），但其他几个市场也受到其他市场的高度影响：加拿大（30.629）、葡萄牙（30.577）、荷兰（30.433）和法国（30.031）。

有趣的是，南美洲（阿根廷和巴西）的市场也受到回报溢出的影响，尽管人们可能会预计，至少对阿根廷来说，市场将更加细分。进一步观察发现，平均学位数似乎与该国的发展水平没有很好的正相关关系，因为一些前沿/新兴市场的平均学位高于发达国家的市场（罗马尼亚21.082对荷兰16.247）。同样，发达国家的市场似乎拥有更高的学位。这也表明，只有经济基本面或行为因素影响回报溢出的假设是错误的。另一个不矛盾的解释可能是，规模较小的市场（就市值而言）的回报率占全球公司的很大份额（例如：。