本文的主要作者为Tingting Cheng、Junli Liu、Wenying Yao和Albert Bo Zhao，分别来自南开大学金融学院和澳大利亚迪肯大学经济系。该研究发表于Pacific-Basin Finance Journal第71卷，文章编号101678，于2021年11月18日在线发表，2022年正式出版。

本文属于实证金融研究，主要研究领域为金融市场波动性、金融网络关联性以及国际金融传染。研究的核心背景是2020年初爆发的新型冠状病毒（COVID-19）大流行对全球股票市场造成的剧烈冲击。作者指出，此次疫情引发的市场波动可与1929年“大萧条”、1987年“黑色星期一”相提并论，甚至超过了2008年全球金融危机期间的水平。已有文献多关注COVID-19对股票市场收益率的影响，或对公司债券、加密货币等特定资产的研究，但对全球股票市场波动率关联网络在疫情不同阶段的动态演变，尚缺乏系统的量化分析。正是基于这一研究空白，本文旨在考察COVID-19疫情如何影响全球19个主要经济体的股票市场波动率关联网络，并重点检验中国股市在全球波动溢出网络中的角色。

为了实现上述目标，作者采用Diebold-Yilmaz波动率网络模型（DY框架）构建波动率溢出指数，并运用广义方差分解（Generalized Variance Decomposition, GVD）方法度量市场间的风险传导强度。由于所研究的市场数量达到19个，向量自回归（Vector Autoregression, VAR）模型面临高维参数估计的“维度灾难”问题。为此，作者引入Simon等（2013）提出的滞后稀疏组LASSO（Lag Sparse Group Lasso）方法对VAR系统进行估计，从而在大规模市场体系中识别出重要的波动传导路径。具体而言，文中的核心分析框架包括以下步骤：首先利用高频日内5分钟价格数据计算各市场指数的已实现波动率（Realized Volatility, RV），以此作为各市场波动性的度量；然后对由19个市场RV构成的向量建立VAR模型，并通过滞后稀疏组LASSO在滚动窗口设定下估计模型参数；接着基于广义方差分解计算成对方向性波动溢出指数，并汇总得到各市场的“至波动溢出指数”（To volatility spillover index, TIX）、“从波动溢出指数”（From volatility spillover index, FIX）、“净波动溢出指数”（Net volatility spillover index, NIX）以及系统层面的“总波动溢出指数”（Aggregate volatility spillover index, AIX）。此外，作者还根据市场所在大洲将总体关联度分解为跨洲溢出指数（Cross-area spillover index）和洲内溢出指数（Within-area spillover index），以考察地理集聚效应。在数据层面，研究样本覆盖2016年1月4日至2020年12月1日共1219个交易日，包括亚洲、欧洲、北美、南美和大洋洲的19个主要股票市场指数。

本文的经验分析分为全样本分析和2020年疫情期细分阶段分析两个部分。在全样本分析中，作者发现自2020年2月下旬起，19个市场间的总波动溢出指数AIX急剧上升，并于3月13日达到历史峰值，此后在整个2020年维持在超过80的高位。通过对方向性溢出指数的考察，作者发现中国市场的TIX在2020年的大部分时间维持在约10的极低水平，而美国、日本、德国和英国等市场的TIX普遍在100以上。中国的FIX在疫情后仅小幅升至约40，表明中国从全球网络中获得的外部波动溢出相对有限。从NIX来看，中国在整个样本期内几乎都是风险的净接收方，尤其在COVID-19冲击后净接收程度达到最大。这一发现与Contessi和De Pace（2021）所主张的“疫情最严重时期中国股市的不稳定性向欧洲国家传导”的结论形成鲜明对比。此外，在洲际层面，作者发现跨洲溢出指数的平均水平约为洲内溢出指数的两倍，说明全球股票市场波动关联并不存在明显的地理集聚效应，反而跨洲联系更为紧密。疫情爆发后，跨洲和洲内关联度均有所上升，但跨洲关联的上升幅度更大。

为了更细致地识别疫情不同发展阶段对波动关联网络的影响，作者将2020年划分为三个阶段：第一阶段为中国疫情暴发阶段，以武汉封城以及中国每日确诊病例的7天移动平均值在2月14日达到峰值（超过4600例）为标志；第二阶段以2月下旬意大利北部疫情暴发为起点，欧洲和美国相继成为疫情中心；第三阶段从6月15日开始，以全球性大规模扩散为特征，美国、巴西和印度等地疫情迅速恶化。网络图分析显示，2020年2月14日与2019年12月30日相比，亚洲市场内部的关联显著减少，尤其与中国市场的关联几乎消失，而欧美市场内部的关联变化很小。这说明西方经济体在中国疫情暴发阶段尚未受到明显影响。进入第二阶段后，即3月13日AIX达到历史高点时，亚洲市场内部的关联重新增强，但中国仍然脱离全球网络。该阶段南美和澳大利亚成为连接亚洲与欧美两大集群的桥梁。随着疫情进入第三阶段，亚洲市场的内部关联又有所减弱，而欧美市场的内部关联保持较强。值得注意的是，在样本期末的2020年11月25日，中国不再独立于全球波动溢出网络，开始重新成为亚洲集群的一部分。

在进一步的回归分析中，作者以每日新增确诊病例数的7天滚动平均值的对数（log CS）作为核心解释变量，并引入经济政策不确定性指数（Economic Policy Uncertainty, EPU）作为控制变量。回归结果表明，在整个COVID-19期间，log GCS（19个国家的总确诊病例对数）对AIX的回归系数为2.278，且在1%的水平上显著，说明确诊病例每增长1%，总波动溢出指数将上升约2.278个单位。EPU的系数同样显著为正，但经济意义较小。在方向性溢出指数的面板回归中，log CS对TIX、FIX和NIX均有显著正向影响，其中对TIX的正向影响大于对FIX的影响，导致NIX也显著为正。进一步分区域回归发现，亚太市场的log CS系数远大于欧美市场，表明亚太市场对疫情数字变化的敏感度更高。这可能与亚太国家普遍实施了更严格的防控措施有关，而欧美国家在疫情高增长阶段的防控相对宽松，市场对病例数变化的反应较弱。

本文的结论强调了COVID-19疫情对全球股票市场波动溢出网络的结构性影响。作者指出，疫情在欧美的暴发显著强化了全球波动关联网络，总溢出指数在2020年3月达到历史高点后持续维持高位。跨洲关联的增强幅度大于洲内关联，表明全球金融市场在疫情冲击下更趋于一体化。中国在疫情的大部分时间内与全球波动网络脱节，并未成为全球波动外溢的主要来源，这一发现对理解中国股市在全球金融体系中的角色具有重要的实证意义。此外，本文补充了关于疫情不同发展阶段市场间波动传导模式演变的证据，为后续研究提供了可参考的网络视角和分析框架。

本文的亮点主要体现在三个方面：一是率先系统考察了2020年全年19个经济体股票市场波动关联网络的动态演变，并区分了疫情的不同发展阶段；二是将滞后稀疏组LASSO方法引入Diebold-Yilmaz框架，有效解决了高维VAR模型的估计问题；三是通过对方向性溢出指数和网络图的细致分析，提供了不同于已有文献的新证据，即中国在COVID-19期间并不构成全球波动溢出的主要源头。最后，作者在文章结尾提出了若干未来研究方向，包括考察行业层面关联网络的演变，以及利用日内高频数据对交易时间重叠较多的欧洲市场进行更精细的时变分析。