本文由Tomohiro Ando（墨尔本大学墨尔本商学院）、Matthew Greenwood-Nimmo（墨尔本大学经济系）和Yongcheol Shin（约克大学经济及相关研究系）三位学者合作完成，发表于Management Science 2022年第68卷第4期。该研究得到了澳大利亚研究委员会（Australian Research Council）的资助。
金融网络的拓扑结构是系统性风险研究的核心议题。当金融系统的某一部分遭受不利的特异性冲击（idiosyncratic shock）时，如果存在能够将该冲击传导至系统其他部分的关联渠道，系统性稳定就会受到威胁。然而，既有文献在估计金融网络时普遍依赖条件均值估计量（conditional mean estimator），如普通最小二乘法（OLS）。这种做法隐含了一个关键假设：在条件均值处成立的网络结构可以推广到整个条件分布。但系统性冲击往往远大于平均水平，大规模冲击的传导方式未必与小型冲击相同。本文的核心目标即是突破这一局限，开发一种基于分位数回归（quantile regression）的新框架，以考察网络拓扑是否随冲击规模的变化而变化。
Diebold和Yilmaz（2009, 2014）提出的框架是本文的方法论基础。该框架通过向量自回归（VAR）模型的h步预测误差方差分解（FEVD）来近似m个变量之间的m(m−1)个双边交互关系，从而构建一个有向且加权的网络。本文在此基础上引入了两个关键创新。
第一个创新是分位数VAR估计。 作者指出，OLS估计的VAR参数捕捉的是“平均冲击”下的动态关系，而平均冲击按定义恰好为零。若要分析与大规模冲击相关的网络结构——例如冲击规模分布第95百分位处的冲击——就必须在第95分位数处拟合VAR模型。作者采用了Koenker和Bassett（1978）开创的分位数回归方法，在给定的条件分位数τ处估计VAR模型。
第二个创新是引入共同因子误差结构。 作者假设VAR残差的截面相关性由有限数量的不可观测共同因子（common factor）驱动。这一假设具有双重目的。其一，通过从VAR残差中剔除共同成分，可以隔离出系统中每个变量的特异性冲击，这与金融学中系统性风险与特质性风险的经典区分相契合，同时避免了因遗漏共同因子而导致的溢出效应估计向上偏误。其二，因子结构的引入大幅削减了VAR残差之间的截面相关性，从而简化了回归分位数的定义问题。在此基础上，作者使用了Ando和Bai（2020）提出的信息准则来一致地估计给定条件分位数下的真实共同因子数量。
作者将由此得到的模型称为分位数因子VAR模型（QFVAR）。在估计过程中，归一化约束被施加于因子和载荷矩阵以确保识别。在得到参数估计后，作者推导了相应的h步广义预测误差方差分解（GFEVD），并将Diebold-Yilmaz网络分析方法推广至条件分位数情境。
本研究的样本涵盖了17个国家（奥地利、澳大利亚、比利时、中国、法国、德国、爱尔兰、意大利、日本、荷兰、挪威、葡萄牙、俄罗斯、西班牙、瑞典、英国和美国），时间跨度为2006年1月3日至2017年12月29日的日度数据。每个国家包含两个信用利差序列：主权信用违约互换（CDS）利差和金融部门CDS利差。主权信用风险以五年期主权CDS利差的一阶差分来衡量，金融部门信用风险则使用Greenwood-Nimmo等人（2019）构建的合成部门级CDS利差。该合成利差基于199家满足特定筛选条件的金融机构的CDS数据，其中包括28家全球系统重要性银行（G-SIBs）和8家全球系统重要性保险公司（G-SIIs）。由于希腊主权CDS数据在2012至2013年间存在超过一年的缺失期，希腊被排除在基准样本之外，但作者在附录中对包含希腊的扩展模型进行了稳健性检验。
在模型设定方面，作者依据Schwarz信息准则在条件均值处选择最优滞后阶数，并将该阶数应用于所有条件分位数，最终确定为一阶模型。预测期选择为5个交易日，作者验证了网络统计量在3至10个交易日的范围内对预测期长度基本不敏感。
研究允许在条件均值和每个条件分位数处最多选择15个共同因子，并允许因子数量在分位数之间变化。结果显示，条件均值处选择了10个因子，但在条件分布的中心区域通常仅需5至6个因子，而在极端尾部则需要更多因子。这表明大规模冲击激活了更多来源的共同影响。因子载荷分析揭示了三种主要现象：捕捉全球信用风险变动的因子、区分金融部门与主权信用风险的因子，以及捕捉主权不稳定影响的因子。作者还将不可观测因子与23个可观测的全球宏观金融变量进行了相关性分析，发现与iTraxx信用风险指数的相关性最强，同时与美国股市超额收益和股权方差风险溢价也存在显著相关。
溢出指数（spillover index）在条件分布上的变化呈现出显著的U形特征。在条件分布中心40%的区间内，溢出指数在40%左右波动，表明小型冲击的影响以变量自身特异性冲击为主。然而，在大规模冲击下，双边溢出效应急剧增强：在第1、第5、第10、第90、第95和第99条件分位数处，溢出指数分别高达88.18%、77.17%、72.20%、73.34%、79.36%和91.77%。相比之下，条件均值处的溢出指数仅为56.57%。这一结果有力地证明了条件均值估计量在分析极端事件溢出效应时的局限性：OLS本质上是对整个条件分布上分位数回归估计量的等权平均，因而将尾部行为的显著差异“平均掉了”。
网络可视化和溢出密度分析进一步揭示了分位数间的结构性差异。虽然在条件均值和中位数处最强的双边溢出效应强度相近，但在尾部区域，溢出密度的分布形态发生显著变化——较弱溢出效应的数量增加，平均溢出强度上升，网络变得更加“加权完备”。这意味着在压力时期，少量强双边关联被更多数量但强度较弱的关联所取代，导致整体连通性的显著增强。
主权-金融部门反馈效应的分析尤为值得关注。在中国之外的国家中，主权与本国金融部门之间的双向反馈效应在条件分布中心区域通常可以忽略不计，但在两个尾部均显著增强，尤其在欧洲外围国家和俄罗斯表现突出。这一发现表明，Acharya等人（2014）和Farhi与Tirole（2018）所描述的不利反馈回路在右尾确实存在，但同时存在一个“良性反馈回路”（virtuous feedback loop）在左尾以对称方式运作：当出现大规模有利冲击时——例如主权获得纾困降低了信用风险——主权信用改善会增强其稳定本国金融部门的能力，进而降低金融部门信用风险，这一良性循环可以迅速降低信用利差。
基于滚动样本估计，作者考察了网络拓扑的时间变化。研究发现，条件分布尾部中的网络拓扑时间变化与条件均值或中位数处观察到的时间变化并不相似。重大不利事件与平均连通性的上升相关，但其对尾部的影响呈现差异化特征：右尾依赖性显著增强，而左尾依赖性往往不作出强烈反应，甚至可能下降。相反，稳定性的政策干预在降低平均连通性的同时，倾向于增强左尾依赖性，但对右尾依赖性可能影响有限。作者推测，这种左右尾行为的差异化可能源于市场参与者在大事件发生后将注意力不成比例地集中于该尾部的事件，从而减少了对另一尾部的关注。
基于上述发现，作者开发了一个新的相对尾部依赖性（RTD）指标，用于刻画左尾和右尾依赖性的差异化行为。RTD与Allen等人（2012）提出的CatFin指数（一种基于99%在险价值的综合下行风险度量）在全样本期内相关系数为0.42，且转折点相似。但RTD并非下行风险度量，而是同时利用条件分布两个尾部信息的相对度量，因此二者具有互补性。
本文的学术贡献体现在多个层面。在方法论上，QFVAR模型首次将共同因子误差结构与分位数VAR估计相结合，为分析不同冲击规模下的网络拓扑变化提供了严谨的计量框架。在实证发现上，研究首次证明信用风险网络中的分位数变异极为显著，条件均值估计会系统性地低估极端事件中的溢出强度，这对依赖条件均值网络模型进行系统性风险监测的政策实践具有警示意义。在政策应用上，RTD指标为监管者和市场参与者提供了一个及时的金融脆弱性综合度量，与CatFin等下行风险指标形成互补。在理论层面，左右尾对称的强化溢出效应与“好传染与坏传染”文献相呼应，而主权-金融部门反馈在双尾的对称增强则扩展了对金融部门纾困所引发风险转移机制的理解。
值得注意的是，本文的结论建立在多个稳健性检验的基础上：包括希腊的扩展模型（附录A）、不同窗口长度下滚动样本估计的敏感性分析，以及对因子充分性的验证（因子结构将残差截面相关性降至可忽略水平，91.6%的成对相关系数绝对值低于0.25）。这些检验增强了研究结论的可信度。