一、引言

经济全球化和金融自由化在为世界带来比较优势下的专业化分工以及投融资业务可观收益的同时，加快了国际间资本跨区域流动，金融市场一体化不断增强，导致金融风险跨市场的传播与扩散。风险传染是系统性金融风险的核心要义，单个市场受损可能通过市场间风险关联渠道迅速扩散，从而诱发系统性金融风险[1]。现实中，金融市场特别是股票市场在风险事件冲击下溢出概率明显增大[2]，具有典型的“事件驱动”特征[3]。2008年国际金融危机引发全球股市下跌狂潮，中国股市跌幅达70%;2011年欧债危机，中国股市再度下挫21%。后危机时代，国际能源价格下跌、全球股灾、英国脱欧、美联储加息和全球贸易摩擦升级等极端事件的发生，进一步增强了全球股票市场的联动性，致使全球股市风险关联网络愈加复杂，并呈现明显的非线性传染特征。随着QFII和RQFII投资限额的逐步放开，“深港通”“沪港通”“沪伦通”的陆续推出，尚未成熟的中国资本市场面临着复杂多变的外部金融风险冲击，对我国当前的金融监管工作构成巨大挑战。

鉴于此，我们有必要重视全球股票市场系统性风险的传递与扩散，以期为完善全球金融治理体系、维护国家金融稳定、防范化解系统性金融风险提供理论与现实依据。本文的主要贡献在于：第一，将系统性风险测度领域最新发展的TENET方法应用于股票市场研究，相比于传统测度方法使用的线性模型（如LASSO分位数回归等方法），本文构建的全球股票市场系统性风险指数能够识别尾部事件驱动下金融资产间的非线性联系，捕捉系统性金融风险溢出效应，有利于准确识别股票市场系统性风险的非线性演变。第二，本文分别从静态和动态两个维度构建全球股票市场非线性风险溢出网络，考察风险溢出的结构特性；同时，将视角聚焦于中国的金融现实，研究中国股票市场系统性风险溢出结构，为平稳有序推进资本市场开放、防范化解“外部输入性”金融风险提供参考依据。第三，引入线性风险测度模型（LASSO-CoVaR），与本文的研究结果进行比较，指出线性模型可能存在因忽略风险溢出的非线性特征而导致研究结果失真问题，以此解释当前系统性风险研究中使用非线性框架的必要性。

二、文献综述

深入理解股票市场风险溢出的内在机制是准确测度系统性风险的前提。对此，现有研究主要从经济基础说和市场传染说两个方面来阐述这一问题。经济基础说认为，在有效市场假设下，各国基本面相互关联，宏观经济政策、市场环境和共同资产的资金约束等基本面因素变动不仅影响本国股市波动，而且可以通过金融市场联系和跨国贸易等渠道影响他国股市[4,5,6]。然而，由于各国资本市场基础设施不足，有效市场假设在实际情况下往往难以满足，经济基本面仅能解释股市风险溢出的部分[7]。而市场传染说认为，负面消息冲击下，无论基本面是否发生变化，在信息非对称情况下，持有非完全理性预期的投资者都可能产生“羊群效应”和趋同效应，使风险沿着资金面和预期面从局部扩散到整体[8,9]。

在“经济基础说”和“市场传染说”框架下，国内学者对全球股市风险溢出的理论解释也做出了有益贡献。张兵等认为经济基础说和市场传染说是对立统一的，有共同经济基础、联系紧密的经济体之间更容易发生风险溢出[10]。李岸等认为金融管制、汇率制度、量化宽松等开放政策冲击也是影响股市风险溢出的重要因素[11]。郑挺国和刘堂勇发现除经济基本面和市场传染外，国际股市间风险联动关系还受美国货币政策调整及政策不确实性的影响[12]。

相较于理论方面，有关股票市场系统性风险的实证研究则更为丰富，国内外学者主要从以下三个层面考察全球股票市场风险溢出：第一，长期均衡层面。张兵等通过Johansen协整检验技术发现中美股市不具备长期均衡关系；何光辉等[13]使用滚动协整技术发现中国同6个欧美发达经济体股票市场之间协整关系已相互引导，并且风险事件突发会引起协整系数出现异常[10]。第二，信息溢出层面。这一层面较早的研究主要使用基于均值和波动层面的格兰杰因果检验方法考察国际股市间的关联性[10][14]。近年来，Diebold和Yilmaz基于VAR模型广义方差分解矩阵构建的信息溢出指数（DYCI指数）逐渐应用到股市风险溢出的研究中[15]。Zhou等通过DYCI指数考察中国与10个国际市场之间波动溢出效应，发现中国A股与中国香港和中国台湾市场具有更强的关联性[16]；梁琪等将该方法与有向无环图结合，考察中国与全球主要发达国家和新兴市场国家的信息溢出关系，发现中国股市自2005年后国际化程度显著上升[17]；郑挺国和刘堂勇改进传统基于VAR模型的溢出指数方法，使用TVP-VAR模型计算国际8个主要股市的时变波动溢出指数[12]。除溢出指数方法外，赵进文等使用的非线性平滑转换模型[18]、李岸等使用的DCC-MAGARCH模型[19]、刘海云和吕龙使用的MSV模型均是在信息溢出层面研究全球股市间风险溢出效应[20]。第三，尾部风险溢出层面。这类方法主要将VaR和CoVaR等尾部风险测度指标与Copula函数、分位数回归等方法结合，考察全球股市尾部风险的联动关系。刘晓星等使用EVT-Copula-CoVaR方法研究美国股市与英国、法国、中国等6个主要金融市场的尾部风险关联性[21]；曾裕峰等使用MVMQ-CAViaR方法分析9个代表性国际市场对我国A股的尾部风险溢出，发现美国和中国香港对我国股市风险输出较大[22]；卜林等使用LASSO分位数回归方法构建尾部风险指标LASSO-ΔCoVaR考察全球股票市场系统性风险传递特征[23]。

现有文献在全球股票市场系统性风险溢出研究方面做出了卓有成效的贡献，但仍存在不足之处。第一，基于协整技术和格兰杰因果检验在长期均衡和信息溢出层面的研究虽可以证明国际股市之间风险溢出的存在，但无法具体量化其间的风险溢出效应，难以有效测度系统性风险的冲击强度。第二，DYCI指数、MVMQ-CAViaR和LASSO-ΔCoVaR等方法均是在线性框架下对系统性风险溢出效应进行分析，而线性关系在复杂的高维系统中无法成立[24]。金融资产价格在时间维度上通常呈现出明显的非线性特征，系统性风险溢出触发时，其水平和方向往往会发生非线性转变[25]。忽略风险溢出中实际存在的非线性关系，在线性框架下分析非线性问题，显然会导致结论产生显著偏差[26]。此外，广泛使用的DYCI指数存在VAR模型维度限制的问题，同时基于均值和波动层面使用Granger因果检验和DYCI指数方法构建的信息关联网络并不是金融风险网络[27]。第三，当前研究较少基于尾部层面进行分析。极端状态下，金融资产序列具有显著的“厚尾”特征，基于均值和波动层面的研究往往会因忽略尾部风险而严重低估风险溢出水平，难以精准刻画尾部事件驱动的风险溢出效应。值得注意的是，极端尾部风险对于金融市场具有较强的杀伤力，容易引发金融市场震荡，并进一步诱发系统性风险[28]，在系统性风险防范化解的问题中举足轻重。因此，从尾部层面探讨系统性风险溢出，更贴合现代金融风险管理的需求，为我国“守住不发生系统性风险的底线”提供支撑。

针对以上不足，Härdle等提出TENET(TailEventDrivenNetwork）方法，采用单指数模型（Single-indexModel,SIM）考察美国100家金融机构间非线性风险溢出效应[24]。该方法不仅继承了LAS-SO分位数回归变量选择技术的优势，而且可以考虑金融机构间所有可能的非线性交互影响，提升研究的广度和结果的准确性。本文尝试将该方法运用到全球股市系统性风险研究框架中，从尾部风险溢出层面出发，基于全球股市间所有可能的非线性交互影响，考察全球股票市场系统性风险溢出效应的动态演变特性。

三、研究方法与数据说明

（一）基于TENET方法的全球股票市场系统性风险测度

借鉴李政、Engle和Manganelli的研究[27][29]，本文首先采用非对称条件自回归风险价值模型（AS-CAViaR）估算各国（地区）股票市场风险价值VaR，捕捉正负收益率对在险价值的非对称影响。

其次，应用SIM模型刻画全球股市间的复杂性所引起的所有非线性交互影响，测度各国（地区）股票市场条件在险价值CoVaR，考察系统性风险的溢出效应。

（公式）

式（1）中包含一个信息集Rj,t={X-j,t,Kj,t}，其中，X-j,t={X1,t,X2,t,Xn,t}为除股市j以外其他n-1个股市的对数收益率；Kj,t={Xj,t-1,Xj,t-2,Xj,t-3}是状态变量。对应参数βj|Rj包含两部分，表示为βj|Rj={βj|-j,βj|K}T，经窗口滚动得到时变的βj|Rj。函数g（∙）考虑了其他n-1个股市对股市j所有可能的非线性交互影响。

（公式）

最后，式（3）描述了股市间的系统性风险溢出关系，以此构建市场间的非线性风险溢出网络：

（公式）

（二）样本与数据说明

依据“经济基础说”，本文选取中国、中国香港、日本、印度、印度尼西亚、马来西亚、韩国、新加坡、澳大利亚、英国、法国、德国、意大利、西班牙、俄罗斯、美国、加拿大和巴西等18个国家（地区）的股票市场，考察全球股市系统性风险。样本国家（地区）股票市场在2018年底总市值占全球比重约90%，进出口总额占全球70%左右，既覆盖了亚、欧、美各大洲，也涵盖了发达国家和新兴市场国家，具有一定的研究代表性。考虑到全球股市非同步交易、反应不足、价格压力等微观因素可能对研究结果造成影响，本文计算了2007年1月1日至2018年12月31日样本国家（地区）代表性股指周平均收盘价的对数收益率，即Xi,t=ln(Pi,t/Pi,t-1），共600组观测值，以上所有数据均来源于Wind资讯。

四、实证结果与分析

（一）全球股票市场非线性风险溢出水平分析

1．全球股票市场系统性风险溢出总体水平

本文首先采用TCs指数度量全球股市系统性风险溢出的总体水平，考察其在整个样本期内的动态变化趋势，如图1所示。

图1全球股票市场系统性风险溢出总体水平的动态特征

图1表明，全球股票市场系统性风险总溢出效应复杂多变，具有典型的周期性和“事件驱动”特征，相关指数的上行区间与下行区间交替出现。2008年9月，雷曼兄弟破产对全球金融市场造成巨大冲击，国际金融危机全面爆发，风险溢出总体水平达到最大值。单一金融市场的风险主要通过金融联系和投资者预期两种路径影响其他股票市场；同时，金融风险传导至实体经济，并从贸易和投资两个渠道影响宏观经济基本面，进而引发全球股市风险共振。次贷危机期间，美国房地产市场泡沫破灭，高杠杆、高风险的次级债券降级，市场恐慌蔓延。美国金融体系崩溃引发市场震荡，美股暴跌、各大金融机构出现严重亏损。欧洲发达经济体的金融机构因投资了大量次级债而面临巨额损失，市场信心严重不足、股票价格大跌，甚至出现连锁倒闭，系统性风险在全球范围内爆发。为了缓解自身流动性问题，跨国金融机构优先从他国撤离资金，资金抽逃直接造成他国股市流动性不足，最终导致全球股市系统性风险溢出发生。与此同时，股票市场崩溃引发极度恐慌，在非理性预期和信息不对称主导下，投资者信心备受打击，恐慌情绪持续升温，投资者急于调整资产配置，风险通过“羊群效应”、恐慌心理和信心丧失等信息关联渠道迅速扩散。

随着危机的深化，金融风险开始波及实体经济部门。全球市场低迷导致外部需求收紧，对外贸易受损引发的经济衰退使国民收入减少并抑制了进口需求，导致本国和贸易伙伴国宏观经济同时下行。本国经济基本面的持续恶化可能引发货币大幅度贬值，虽有利于本国出口但也挤占了其他国家（地区）原有的市场份额，他国经济基本面再次遭受冲击，引发连锁反应。金融风险通过贸易的收入效应和价格效应以及投资途径对他国（地区）产生冲击，宏观经济基本面的变化进一步反馈到股票市场，放大了全球股票市场间的风险溢出[30]。

2009年第三季度美国经济开始复苏，全球股市系统性风险溢出总体水平显著下降。但随后而来的欧债危机再次对全球股市带来巨大冲击，西方评级机构下调主权国家信用级别致使欧美金融市场混乱，经济衰退、流动性收紧，包括新兴市场国家在内的世界各国都面临国际市场萎缩的可能性，国际贸易、跨国投融资压力加大，风险溢出总体水平持续攀升。2012年之后，全球经济开始回暖，但欧债危机叠加国际金融危机的阴影仍挥之不去，国际能源价格下跌、全球股灾、英国脱欧、美联储加息、中美贸易摩擦等极端事件频频发生，各国经济状况愈发不稳定，全球政治和经济不确定性上升，股票市场系统性风险溢出水平波动频繁。

2．各国（地区）股票市场风险净溢出水平

本文使用RCsNET指数衡量各国（地区）股票市场风险净溢出水平的动态演变特征，相关实证结果如图2所示。

第一，在极端事件影响下，各国（地区）股票市场系统性风险净溢出水平会发生大范围波动，与正常时期有显著差别，一定程度上表明尾部风险事件是全球股市系统性风险溢出的催化剂。一方面，极端时期下，各国不确定性上升，宏观经济基本面持续承压，外部环境恶化和内部不稳定因素使各国（地区）贸易受损，跨国企业和上市公司遭受损失，股指大幅下跌，风险沿着股市共同敞口迅速蔓延扩大。另一方面，尾部风险事件导致金融机构亏损甚至破产，市场信心严重下滑，非理性投资者通过变现方式减少所持有的风险资产头寸，资本从发生危机或者虽未发生但极可能发生的国家（地区）流出，引发市场流动性降低和价格不稳定，成为风险扩散的加速器。

图2各国（地区）股票市场系统性风险净溢出水平的动态特征

第二，全球股市系统性风险溢出具有明显的非对称性。中国、俄罗斯、巴西、印度、印度尼西亚和马来西亚等新兴经济体风险净溢出在时间维度上大多为负且整体水平较低，而中国香港、美国、加拿大、法国、德国、意大利、西班牙等发达经济体大多时间处于风险净溢出为正且整体水平较高。由此可见，发达经济体是全球系统性金融风险的主要来源，而新兴经济体是全球系统性风险的主要接收者，是发达经济体的主要风险转嫁和分担对象。从金融联系来看，随着新兴经济体资本市场开放程度的提高，国际资本通过FDI、银行借贷、股债投资等渠道迅速流入新兴市场国家，催生了资产价格泡沫。风险事件冲击下，大量发达经济体的跨国金融机构被迫开启去杠杆化进程，“本土偏好”使资本从新兴市场撤离并回流，从而诱使了更大范围的市场下跌甚至是恐慌[31]。与此同时，新兴市场的金融体系虽然存在资本充足率低、不良贷款率高等问题，但依靠政府担保，风险尚处于隐性状态[20]；当风险事件发生时，金融市场的不完善和持续增加的隐性风险使得金融体系愈加脆弱，极易受到外部风险冲击。从实体联系来看，新兴市场国家经济增长较大程度上依靠对外贸易，与其他经济体联系紧密；极端时期内，全球经济政策不确定性上升使得外部环境恶化，贸易下滑必将导致以出口为导向的国家面临经济下行压力，并将在作为“晴雨表”和“政策市”的股票市场中得到反映。

（二）全球股票市场非线性风险溢出结构分析

1．全球股票市场非线性静态风险溢出网络

在前文基础上，我们进一步识别全球股市间风险溢出路径。为此，本文将DCs指数在时间维度上加总，得到全样本区间内18个国家（地区）之间的风险溢出矩阵，并依此构建全球股票市场非线性静态风险溢出网络，以考察风险传递路径。同时，本文借鉴李政等的做法[32]，保留两两国家（地区）之间风险溢出前三的边，以此构建风险溢出网络图，如图3所示。

图3全球股票市场非线性静态风险溢出网络

由图3可知，全球股市系统性风险溢出具有显著的地理区域聚集效应，“同区域”国家（地区）之间构成重要的风险溢出渠道。具体而言，德国、法国、意大利、西班牙等欧洲发达国家，中国香港、日本、新加坡、印度尼西亚、马来西亚等亚洲国家（地区）之间存在着显著双向风险溢出关系。由于地缘因素，“同区域”国家（地区）在政治、经济和文化上交流密切，金融市场一体化程度高，贸易壁垒弱，彼此之间存在着密切的经贸合作和投融资活动，这在一定程度上促进了区域内经济发展，但也拓宽了市场间的风险溢出渠道，增大了风险溢出发生的可能性。当区域内某一国家（地区）遭受负面冲击时，跨境资本的大规模转移将进一步放大该国（地区）金融市场脆弱性，风险沿着金融、贸易等渠道在区域内迅速扩散。

此外，“同组织”国家（地区）之间也出现了重要的风险溢出关系。意大利、西班牙、法国和德国等欧盟国家之间构成显著的区域内双向风险溢出关系，中国、俄罗斯、巴西等“金砖国家”之间存在着显著的跨区域双向风险传导路径。欧洲作为区域经济一体化程度最高的经济联盟，内部成员国在资本流动、贸易往来方面空前自由，故区域内股市关联程度极高，风险溢出关系明显。自2009年“金砖国家”合作机制成立以来，金砖国家逐渐加强贸易合作、深化经贸关系，经济和金融实力大幅提升，同时也提高了股市间的风险关联性。此外，俄罗斯和巴西在经济制度、资源禀赋、产业结构、经济发展阶段、文化背景等方面较为相似，一国经济环境恶化会造成国际投资者重新调整对另一国的预期，国际投资避险行为会对其经济基本面造成负面影响，进而引发风险的跨市场传染[33]。

2．全球股票市场非线性动态风险溢出网络

为捕捉全球股票市场非线性风险溢出网络的动态演变特征，本文等间隔地选取2008、2011、2014、2017年四组年度样本数据构建动态风险溢出网络（见图4）。每个子图均为删去溢出强度在均值以下的精简网络，节点和有向箭头分别代表国家（地区）和风险传导路径，溢出强度越大，有向箭头越粗。

图4表明，全球股市非线性风险溢出结构具有显著的时变性。2008年国际金融危机时期，全球范围内风险溢出水平加剧，此时风险主要由美国、加拿大等风险高发国家股市传导至中国、俄罗斯等新兴市场。金融危机的爆发导致金融安全网破裂，国际投资者将中国等新兴市场视为相似群体，跨区域“羊群效应”高涨，撤离资金、对冲货币、抛售证券等行为使风险迅速传导到新兴市场。

2011年欧债危机与国际金融危机影响交叠、债务危机集中爆发，经济一体化程度极高的欧洲地区是风险溢出的重灾区，区域内股市遭受重大冲击并引发风险跨区域扩散至日本、澳大利亚、中国、俄罗斯等国家，亚洲地区也存在显著的区域内风险溢出关系，此时的系统性风险溢出网络较之国际金融危机时期更为复杂。欧元区部分国家因政府负担过重而引起债务违约风险，主权债务评级下调使互相持有大量主权债券的银行遭受巨额损失，国家信用降低的同时进一步引发货币汇率异常波动，债务、货币和银行业多重危机使欧元区经济持续疲软，风险沿着各国间错综复杂的债务关联及紧密的经贸渠道向区域内和区域外蔓延[34]。此外，投资者的“本土偏好”和“风险规避”行为也是导致风险跨区域溢出的重要因素。

2014年，风险的跨区域溢出效应较2011年明显减弱，巴西和俄罗斯是全球股市风险的主要接收者。2014年下半年国际能源价格暴跌，原油价格累计跌幅超过50%，巴西和俄罗斯是资源主要出口国，外部需求减少和大宗商品价格下跌阻碍其经济增长，国内基本面下行，使其更易受到风险冲击。2017年，跨区域风险溢出加剧。近年来，美国与中国、日本、欧盟等国家和地区的贸易摩擦不断，导致全球经济政策不确定性迅速上升。此外，美联储加息引发资本回流，加剧了新兴市场投资者的恐慌情绪。在信息机制主导下，风险在全球范围内传导，发达经济体与新兴经济体的相互影响加深。

图4全球股票市场非线性动态风险溢出网络

（三）中国股票市场风险溢出的动态结构分析

前述结果显示，中国作为世界第一大新兴经济体，在全球股市中扮演着风险净接收者的角色，较易受到外部输入性风险的冲击。为此，本文进一步对中国股票市场系统性风险溢出的结构特征进行研究，以更加全面展现中国股票市场风险与其他国家的风险联动关系，为防范“外部输入性风险”提供依据。

图5显示中国香港和内地保持着密切的双向风险溢出关系，中国香港是内地主要的风险来源，同时中国香港也是内地风险输出的主要对象。已有研究证明中国香港在内地股市国际化进程中起到特殊的“窗口效应”和“比价效应”，是欧美及亚洲其他股市风险传染到内地的中介[14][17][22][35]。中国香港股市是亚洲市场重要的跨区域信息传导中介，其国际化、信息化、流动性程度较高，在金融监管、信息披露等制度设计方面与发达国家较为接近，对外部冲击的反应也更为灵敏。近年来，“沪港通”“深港通”等交易渠道相继启动，内地和中国香港市场的相互依赖日益加深；资本账户双向开放更是加快了资本流动和信息传递的速度，两市之间风险溢出关系也愈加复杂。

除中国香港外，中国股市接受的外部风险溢入主要来自于美国、加拿大、澳大利亚、日本、韩国、新加坡、意大利、西班牙等发达经济体。2008—2009年国际金融危机波及我国后不断发酵，最终重创了我国整个金融市场，中国股市风险主要来自美国、加拿大、新加坡、澳大利亚等风险高发国家。2010—2013年欧债危机期间，意大利和西班牙等国家均位于中国股市风险溢入水平的前三。2015年9月16日，标准普尔因担忧日本财政和债务状况而下调日本主权信用评级，动摇了国际投资者对日本股市的信心，日本股市自身风险水平飙升并迅速溢出至同区域国家，中国股市此时主要接受来自日本股市的风险。这说明，当全球爆发极端风险事件时，中国股市极易受到风险冲击，故及时识别极端风险事件是防范外部输入性风险的关键环节。此外，中国股市风险主要流向俄罗斯、巴西、马来西亚、印度尼西亚、韩国、日本等“同组织”和“同区域”国家，具有明显的区域经济组织依赖性。这说明，中国股市对欧美等发达经济体影响力较弱，对外影响主要集中在区域内，“同组织”和“同区域”传导是中国股市风险溢出的主要特征。

图5中国股票市场风险溢出动态结构

（四）非线性风险测度模型的进一步讨论

为进一步阐述在非线性框架下使用SIM模型测度全球股票市场系统性风险的合理性和必要性，本文与目前广泛使用的线性LASSO分位数回归方法进行比较。参考Härdle等和Hautsch等的研究[24][36]，本文构建的基准线性LASSO分位数回归模型如下所示：

为准确反映极端时期非线性模型在风险测度方面的优势，本文重点考察次贷危机和欧债危机期间（2008年1月至2012年6月）全球股市系统性风险溢出总体水平，为便于分析比较，分别将TENET和LASSO计算得到的总溢出指数标准化，结果如图6所示。

图6显示，2008年9月美国次贷危机演化为国际金融危机，非线性总溢出指数TC＿TENET和线性总溢出指数TC＿LASSO均激增至最大值，但是TC＿LASSO呈现出“急升急降”的特点，这与系统性风险在时间维度上“持续积增”“迅速爆发”的周期性特征不符[32]。国际金融危机发生前，全球主要股市在1月、3月和6月均出现非常规波动，系统性风险处于不断积聚状态，直至雷曼兄弟破产，全球股票市场剧烈震荡，最终国际金融危机爆发。TC＿TE-NET有效捕捉了这一变化过程。资产泡沫的破裂使原有潜在的、尚未释放的风险显性化，从而推高风险的整体水平[2]，并通过风险关联渠道传导至其他股市。同时，股市间风险溢出效应的增强进一步放大了金融风险冲击的负外部性，风险与风险溢出呈现螺旋上升趋势。由此，股票市场系统性风险应当呈现出“缓积急释”的非线性特征，而线性模型无法准确反映这一特征。此外，TC＿LASSO在欧债危机期间无大幅度波动，且较TC＿TENET严重低估了系统性风险溢出水平。由此可见，传统线性方法可能因忽略风险溢出中的非线性特征，导致系统性风险测度指数失真，造成研究结果的偏差。

图6基于TENET和LASSO计算的系统性风险总溢出指数

五、结论及政策建议

本文基于TENET方法测度全球股票市场系统性风险，考察其非线性演变态势，并分析中国股票市场风险溢出的动态结构特征。最后，本研究进一步讨论了使用非线性风险测度模型的合理性和优越性。

主要结论有以下几点：第一，全球股票市场系统性风险溢出总体水平复杂多变，具有显著的周期性和“事件驱动”特征；尾部风险事件是全球股市系统性风险溢出的催化剂，各国（地区）股市风险通过金融联系、贸易和投资者预期等渠道向其他国家（地区）溢出；全球股票市场系统性风险溢出存在明显的非对称性，新兴市场是发达经济体的风险转嫁和分担对象。第二，“同组织”和“同区域”溢出是当前全球股票市场风险溢出的主要结构特征，同时，随着全球经济形势的变化，股票市场非线性风险溢出网络具有时变性。第三，中国股票市场非常脆弱，极易受到欧美等发达经济体的外部风险冲击，而对外溢出仅局限于区域和组织内，具有明显的区域组织依赖性。第四，线性风险测度指数可能因忽略风险溢出中的非线性特征，导致系统性风险测度指数失真，造成研究结果的偏差。

依据前述结论，本文政策建议如下：第一，极端事件给全球股市带来巨大破坏，欧美等发达国家作为风险源头，应建立极端风险预警体系，及时识别极端事件，与新兴市场和发展中国家共建系统性风险跨国防控机制，完善全球金融监管和治理体系。第二，新兴市场国家应完善资本市场，防范潜在风险爆发，改变单一贸易结构，探索多元化融资方式，避免遭受外部冲击后出现金融市场崩溃、经济大幅下滑。第三，我国在积极稳步推进对外开放的同时，要对风险管控做到“标本兼治、主动攻防和积极应对兼备”，完善资本市场结构和运行机制，促进多层次资本市场健康发展，提高风险应对能力。特别是要重点关注欧美地区发达经济体市场运行状况，加强对跨境资本流动的动态监测，严防“外部输入性风险”。第四，在现有系统性风险监测系统内，引入非线性模型，进一步完善对极端事件的早期预警、准确识别和快速处置机制。

参考文献：

[1]杨子晖,陈里璇,陈雨恬.经济政策不确定性与系统性金融风险的跨市场传染:基于非线性网络关联的研究[J].经济研究,2020,55(1):65-81.

[3]孙亚男,肖彩霞,刘华军.后金融危机时期中国股市的国际地位:基于非线性视角的股市联动网络分析[J].南方经济,2017(6):1-21.

[10]张兵,范致镇,李心丹.中美股票市场的联动性研究[J].经济研究,2010,45(11):141-151.

[11]李岸,夏越,乔海曙.国际股票市场联动的影响路径与机制研究[J].南京社会科学,2016(7):23-29.

[12]郑挺国,刘堂勇.股市波动溢出效应及其影响因素分析[J].经济学(季刊),2018,17(2):669-692.

[13]何光辉,杨咸月,陈诗一.入世以来中国证券市场动态国际一体化研究[J].经济研究,2012,47(10):82-96.

[14]李红权,洪永淼,汪寿阳.我国A股市场与美股､港股的互动关系研究:基于信息溢出视角[J].经济研究,2011,46(8):15-25.

[17]梁琪,李政,郝项超.中国股票市场国际化研究:基于信息溢出的视角[J].经济研究,2015,50(4):150-164.

[18]赵进文,苏明政,邢天才.未预期收益率､传染性与金融危机:来自上海市场与世界市场的证据[J].经济研究,2013,48(4):55-68.

[19]李岸,粟亚亚,乔海曙.中国股票市场国际联动性研究:基于网络分析方法[J].数量经济技术经济研究,2016,33(8):113-127.

[20]刘海云,吕龙.全球股票市场系统性风险溢出研究:基于ΔCoVaR和社会网络方法的分析[J].国际金融研究,2018(6):22-33.

[21]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.

[22]曾裕峰,温湖炜,陈学彬.股市互联､尾部风险传染与系统重要性市场:基于多元分位数回归模型的分析[J].国际金融研究,2017(9):86-96.

[23]卜林,王雪杰,刘志强.全球股票市场系统性风险传递网络研究[J].国际金融研究,2020(3):87-96.

卞志村,仝玉超,沈雨田.全球股票市场系统性风险测度与非线性演变[J].经济问题,2021(02):12-21.