全球金融市场的互联性

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Interconnectedness in the Global Financial Market》
---
作者：
Matthias Raddant and Dror Y. Kenett
---
最新提交年份：
2020
---
英文摘要：
  The global financial system is highly complex, with cross-border interconnections and interdependencies. In this highly interconnected environment, local financial shocks and events can be easily amplified and turned into global events. This paper analyzes the dependencies among nearly 4,000 stocks from 15 countries. The returns are normalized by the estimated volatility using a GARCH model and a robust regression process estimates pairwise statistical relationships between stocks from different markets. The estimation results are used as a measure of statistical interconnectedness, and to derive network representations, both by country and by sector. The results show that countries like the United States and Germany are in the core of the global stock market. The energy, materials, and financial sectors play an important role in connecting markets, and this role has increased over time for the energy and materials sectors. Our results confirm the role of global sectoral factors in stock market dependence. Moreover, our results show that the dependencies are rather volatile and that heterogeneity among stocks is a non-negligible aspect of this volatility.
---
中文摘要：
全球金融体系高度复杂，具有跨境互联和相互依赖性。在这种高度相互关联的环境中，本地金融冲击和事件很容易被放大并转化为全球事件。本文分析了15个国家近4000只股票之间的相关性。使用GARCH模型和稳健回归过程估计不同市场股票之间的成对统计关系，通过估计波动率对收益进行归一化。估计结果被用作统计互联性的衡量标准，并按国家和部门推导网络表示。结果表明，美国和德国等国家是全球股市的核心。能源、材料和金融部门在连接市场方面发挥着重要作用，能源和材料部门的这一作用随着时间的推移而增加。我们的结果证实了全球部门因素在股市依赖性中的作用。此外，我们的结果表明，依赖性相当不稳定，股票之间的异质性是这种波动的一个不可忽视的方面。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Interconnectedness_in_the_Global_Financial_Market.pdf (2.62 MB)

2022-6-8 16:02:29 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：金融市场 全球金融 Quantitative Applications Econophysics

Kenett）1。引言过去几十年，政治和经济财富总体上有所增加，主要伴随着金融一体化的增加。随着全球市场的联系日益紧密，分析和管理宏观经济金融风险变得越来越重要。这些市场的规模和可用产品的数量要求模型能够提供该系统的层次结构或拓扑结构简化。过去几十年的金融和经济危机表明，危机的蔓延往往不能用经济实体的依赖性来解释。金融活动的困境本身可能会造成传染，进而影响金融领域。因此，许多研究都着眼于金融市场的依赖性，尤其是当它们在危机时期放大冲击时。金融市场的传导机制一直被认为是相对稳定的（Rigobon，2003；Bracker等人，1999），但这一说法仍存在争议（Corsetti等人，2005）。研究共同行动的决定因素发现，各国经济的结构相似性只能部分解释其金融市场的共同行动水平。这导致了一场关于全球部门因素影响的辩论（Dutt和Mihov，2013；Bekaert等人，2009，2011）。之前的结果暗示这些因素的重要性在增加。福布斯和Chinn（2004）发现，跨国因素和全球部门因素都是股票回报的重要决定因素。他们还注意到，随着时间的推移，全球联系的变化可能会使人们难以理清对资产市场共同运动的不同影响。尽管全球金融市场的规模和复杂性很大，但大多数研究都使用数据集，在相当高的聚合水平上比较市场，主要是以指数的形式。

然而，为了揭示随着时间的推移相互联系的变化，我们更有希望从资产层面上研究相互依存关系及其对市场和部门共同运动的贡献。网络可以描述这样大的系统，也可以作为降维。金融市场之间的相互联系起着双重作用（另见MartinezJaramillo等人，2019年）。一方面，它们可以吸收冲击并带来更大的鲁棒性。它们还可能传播冲击，造成更大的脆弱性。因此，衡量互联性具有价值和意义。然而，这些方法往往取决于数据的可用性以及潜在金融或经济活动的类型。因此，衡量相互联系的范围从使用通常仅对监管实体可用的直接风险数据，到公开可用的市场价格等数据。我们也遵循的一种流行方法是研究资产回报的经验相关性以及由此产生的隐含网络结构。结果网络有助于描述整个金融系统及其系统结构，并揭示可能的传染渠道和传播机制。因此，我们将重点放在基于运动模式的计量经济学分析的统计互联性上（另见Billio等人，2012；Diebold和Yilmaz，2014），这是为了解决大样本量和横截面变化。这项研究的结果有助于讨论金融市场相互依存关系的稳定性，并提供了相当不稳定关系的证据（另见Corsetti et al.，2005）。最后，尽管提出的方法学的目标不是一个经典的因素模型，但我们也讨论了部门效应的存在。

我们观察到，这些影响很难建模和描述股票之间有限的整体连通性，这支持福布斯和Chinn（2004）的发现。除了分析股票协动外，本文还建立在另外两组文献的基础上。首先，它与讨论市场开放对商业周期同步影响的宏观经济文献有关（参见Brooks and Del Negro，2004；Buch et al.，2005；Claessens and Kose，2018）。这些影响取决于产业结构的相似性，尽管这往往被国家特定的影响所掩盖（Imbs，2004）。也有关于危机情况下冲击传播的研究。在这种情况下，溢出的决定因素可能会相对于正常时期的情况发生变化。例如，参见Fratzscher（2012）对2008年危机的分析，以及Kaminsky和Reinhart（2000）对1990年代危机的分析。其次，本文还与基于网络的金融市场分析相关。在经济学文献中，自2008年金融危机以来，网络分析变得越来越重要，金融部门的连锁效应分析也越来越重要。（见Summer，2013；Gai等人，2011；Glasserman和Young，2016）。跨学科研究人员已经对股票作为网络的共同运动进行了一段时间的分析。在这些方法中，股票回报的相似性被解释为股票和网络之间的联系信息是通过应用平面过滤或相关阈值产生的（Song等人，2011；Gopikrishnan等人，2001；Kenett等人，2012a）。这些方法很好地处理了金融市场的复杂性，并分析了维度较高的案例。

这些研究的一个弱点是，它们往往更具探索性，链接的数量往往是临时选择的。我们提出了一种方法，该方法的维度也很高，但该网络中的每个连接都可以通过强度和重要性进行量化，从而将网络上的文献与金融计量经济学中的文献联系起来。本文的其余部分组织如下：第2节和第3节描述了股票市场数据集、根据股票之间的相关性衡量相互关联性的方法，以及如何使用这些信息来推导网络。第4节和第5节分别介绍了静态和动态网络及其特性分析。在第6节中，我们研究衍生网络的结构，并调查地理或部门因素的存在。2、数据本研究使用的数据包括澳大利亚、巴西、中国、西班牙、法国、英国、香港、印度、日本、韩国、荷兰、新加坡、美国、加拿大和德国交易所上市股票的每日收盘价。我们选择了作为基准指数组成部分的股票，并在整个样本期内以充足的交易量持续交易。一些国家拥有大量符合我们标准的股票。因此，我们从印度、日本、中国和韩国的交易所挑选了市值最高的500只股票。我们选择了标准普尔500指数中的美国股票。在英国，我们选择了富时350指数的股票。每种股票都使用了全球行业分类标准（GICS）部门名称（如可用）。当GICS不可用时，我们使用汤森路透的TRBC分类。

表1总结了按国家和部门划分的股票数量。我们的样本期从2006年7月1日开始，到2013年6月30日结束。80耳数据的结果是T=1329个交易日，N=3828只股票。对于所有国家的股票，我们使用伦敦和纽约股市都开放的交易日数据。由于股票在不同的时区交易，因此收益同步存在限制。太平洋地区的国际日期线要求亚洲国家在当天首先完成交易，而美国则在当天最后完成交易。日收益率的相关性自然不足以代表最遥远国家之间的协同运动量，因为交易在时间上没有重叠。为了解决这个问题，我们使用了两种方法：分析排除的是连续10天以上免于交易的股票，以及在总交易日的8%以上没有价格变动和/或交易量微不足道的股票。此外，还排除了5只在某种程度上表现出价格行为或市值与高端股票相似的股票。移除了两个库存。数据来自标准普尔（Standard&Poor\'s Compustat）和汤森路透（Thomson Reuters Corp.）。价格以当地货币计算“中国”指中国大陆和在中国大陆境内交易的股票。对于香港特别行政区，股票包括本地股票以及合法居住在香港的其他中国股票。如有要求，可提供一份列有所有股票名称的清单。国家能源材料。印度河。欺骗。D、 缺点。S、 健康财务。IT Telec。

Util。澳大利亚12 21 25 17 7 8 9 5 2 BRA 2 11 10 13 5 1 5 3 2 CHN 10 95 134 90 36 42 40 0 17 ESP 1 9 15 6 6 4 11 6 FRA 6 15 47 53 18 42 42 4 9 GBR 17 19 69 54 21 10 68 26 8公斤1 2 16 8 2 1 37 3 2 6 IND 7 125 116 37 28 21 51 4 JPN 3 35 125 20 24 157 3 1或2 91 101 102 35 11 125 4 SGP 0 1 1 1 1 1 1 1 1 1 2 SA8 26 65 43 81 55 6 31 CAN 50 43 19 13 11表1：按行业和国家分列的股票数量。行业包括：能源、材料、工业（印度），非必需消费品（Cons.D.）、主食消费品（Cons.S.）、医疗保健（Health）、金融、信息技术（IT）、电信服务（Teleco.），和实用程序（Util.）。国家包括：奥地利（AUS）、巴西（BRA）、中国（CHN）、西班牙（ESP）、法国（FRA）、英国（GBR）、香港（HKG）、印度（IND）、日本（JPN）、韩国（KOR）、荷兰（NLD）、新加坡（SGP）、美国（USA）、加拿大（CAN）和德国（GER）。在长期影响方面，我们计算了所有时间序列的每周回报，这使得我们的观察值为T=365。为了分析短期影响，我们计算一个校正因子，用于日常数据；详情见第3.2节。本文的其余部分使用从股票的对数价格变化得出的收益时间序列，rt=对数（pt）- 日志（pt-1). 每个国家的库存数量从新加坡的39个到较大国家的500个不等（见表2的汇总统计数据）。中国、韩国和印度的市场对每日最大价格变动进行了限制。例如，在韩国，每日价格变动的上限为15%。这些国家的收益时间序列分布被截断。这并不意味着波动率必然较低（见表中的样本方差）。

正如峰度值所示，资产回报的所有时间序列都是重尾的。尾部指数是用Hillestimator计算的，数值大多略大于3。N var（r）峰度尾部平均相关平均相关部门内股票指数所有股票比率国家129 0.00064 18.7 3.47 0.35 0.18 1.94BRA 66 0.00063 14.4 3.77 0.42 0.22 1.91CHN 500 0.00105 5.0–0.27 0.25 1.08ESP 60 0.00057 12.1 3.61 0.38 0.23 1.65FRA 257 0.00059 26.4 3.32 0.22 0.14 1.57GBR 295 0.00064 25.6 3.40 0.22 0.16 1.37HKG 78 0.00082 18.0 3.35 0.44 0.20 2.20IND500 0.00114 8.5–0.31 0.25 1.24JPN 500 0.00120 15.1 2.99 0.37 0.31 1.19KOR 500 0.00124 8.0–0.36 0.27 1.33NLD 61 0.00059 25.7 3.38 0.40 0.25 1.60SGP 39 0.00052 38 3.37 0.48 0.29 1.65USA 461 0.00065 24 3.25 0.24 1.14 CAN 199 0.00070 21.1 3.26 0.23 0.15 1.53GER 183 0.00074 17.1 3.44 0.25 0.15 1.66表2：退货时间序列的统计数据。我们计算了每个国家所有收益的方差、峰度和尾部指数。在三个市场中，每日最大价格变化受到限制（caps），这允许分析尾部指数。最右边的一栏显示，给定行业内股票的平均相关性总是大于给定国家内所有股票的平均相关性。为了按部门揭示不同国家股票之间的相关性，有必要测试特定部门的股票是否比随机部门的股票更具相关性。表2中最右边的列显示了计算所有部门内相关性的平均值、所有部门间相关性的平均值以及两者之间的比率的结果。除中国外，所有国家的第一次平均值都要高得多。分散度和水平因国家而异。

在日本，只有两个部门的部门间相关性高于部门间相关性的平均值（另请参见附录中的图a.1）。就中国而言，这种行为主要可以用国家的巨大影响力和对外国投资者的重大限制来解释。另一方面，日本是发达市场中的特例。大型横向一体化企业集团的存在和稍微内向的经济可能是其独特市场结构的原因（另见Chen等人，2010；Lincoln和Gerlach，2004）。3、估计市场间和市场内的互联性对于以下内容，重要的是要注意，跨市场共动的分析不同于市场内共动的充分理解的特性（参见Barberis等人，2005；Green和Hwang，2009）。在后者中，我们描述了单个股票的行为。在跨市场的共同行动分析中，情况并非如此。在全球层面上研究共同行动的大多数方法都集中于股票市场指数的分析（例如，见Baur和Jung，2006）或包括部门指数在内的其他较小样本。采用了多种方法，其中包括单位根和协整检验、向量自回归模型、相关检验（Forbes and Rigobon，2002；Fry et al.，2010）、因果检验（Billio et al.，2012）、多元GARCH模型（Engle，2002）和方差分解模型（Diebold and Yilmaz，2009）。虽然在将这些模型应用于更大的数据集方面取得了进展，但对于我们这样的情况，它们仍然不切实际（另见Aielli，2013；Engle et al.，2019；Greenwood-Nimmo et al.，2015）。3.1. GARCH过滤过程我们的方法基于股票回报的成对比较。

虽然对这些回报的相关性的分析可以提供信息，但所有时间序列的波动性变化将支配结果，因为全球金融市场的波动性在很大程度上是同步的（见Engle et al.，1990）。波动性的长期记忆也会使重大界限的评估复杂化（另见福布斯和里戈本，2002）。我们选择在更一般的层面上调查股票之间的依赖关系，然后对回报进行过滤。作为过滤器，我们使用aunivariate GARCH模型的条件方差（Bollerslev，1986）。这一过程消除了收益的波动性变化和自相关性。这意味着我们假设收益遵循εt=vt的随机过程√ht，其中vtis为白噪声，ht=α+qXi=1αiεt-i+pXi=1βiht-i、 （1）我们将利用条件方差Ht来计算所有股票i的过滤收益率，t=ri，tphi，t，（2）我们获得了单位波动率的时间序列。3.2. 非同步交易的估计与修正通过“degarching”收益率，得到了一个可以在最标准的回归框架中处理的时间序列。对所有过滤后的旋转进行两两回归，生成共同运动的度量。这些时间序列唯一的计量经济学问题是残差不是正态分布的，我们使用t分布误差的稳健回归（Lange et al.，1989）来解释这一问题。为了度量互连性，我们估计了所有成对库存（i，j）的依赖关系，rfi=β0，i j+β1，i jrfj+. （3） 应注意的是，HTC的协方差也可用于分析相互联系，附录C中对这两个指标进行了简短的比较。除发展中国家股票的少数例外情况外，GARCH（1,1）模型非常适用，并得出了α和β的预期系数。