该研究基于2017-2024年中国59家金融机构数据构建VAR模型分析金融系统风险传导网络。研究发现证券业是风险吸收与溢出的核心波动主体银行业与证券业构成网络风险传导主轴保险业处于网络边缘。风险溢出网络密集度远高于风险吸收网络尤其在重大外部冲击时期更为显著。研究揭示了不同金融机构间风险传导的动态特征和结构性差异。写在前言本人擅长各类VAR模型与风险溢出模型建模以及测度系统性风险并利用这些模型在《统计研究》、《International Review of Economics and Finance》和《Applied Economics》等期刊发表了论文。模型方法与数据说明1.1 网络模型构建1.2 网络的特征刻画及测度1.3 数据说明本文主要以中国2017年1月6日至2024年12月31日的上市银行机构作为研究样本收集了59家金融机构数据进行分析并将其分为银行、证券、保险和其他金融机构4组数据来源于Wind数据库。本文选取周频收益率进行分析以各机构的资产回报率作为解释变量宏观经济变量作为状态变量并引入了财务指标作为控制变量。状态变量包括沪深300收益、TED利差、期限利差、房地产收益率、流动性、股市波动。实证结果与分析2.1 金融系统总体关联性分析下图展示金融系统总体关联性在2018年1月至2024年12月期间的动态演化结果。2018 年 1 月至 2024 年期间金融系统总体关联性呈现明显的阶段性波动2018 年初以 25 左右起步后年内波动下行至接近 10 的低位反映当时中美贸易摩擦冲击下金融主体联动性阶段性变化2019 年初快速冲高至 30 以上高位意味着金融系统内各部分关联度大幅提升风险传导链路更密集2020-2023 年维持在 15-20 的中高位区间波动体现这一阶段关联性活跃且相对稳定2024 年再度攀升至 30 以上高位后小幅回落显示金融主体联动重回高活跃水平。整体而言走势与贸易摩擦、疫情、政策调整等外部因素关联紧密关联性高低对应着金融系统风险传导效率的动态变化。2.2 不同金融机构的关联性风险这两张图分别呈现了 2018-2024 年我国四类金融机构的风险吸收度第一张与风险溢出度第二张走势在风险吸收端证券业security_in的吸收度波动最剧烈且整体水平最高2019 年后多次冲高至 14 左右其他类机构other_in吸收度紧随其后银行业bank_in居中而保险业insurance_in始终维持 2 以下的低位说明证券业承受外部风险的压力波动最大保险业的风险吸收压力则长期较弱。在风险溢出端早期其他类机构other_out溢出度冲高明显后续证券业security_out逐渐成为风险溢出主力波动加剧且峰值接近 20银行业bank_out溢出度始终较低保险业insurance_out同样维持低位。结合可见2019 年后证券业无论风险吸收还是溢出的波动均显著放大反映资本市场波动对其风险传导与外溢的影响更突出银行、保险的风险吸收与溢出始终相对温和是金融系统风险传导中的 “稳定器”而证券业是风险吸收与溢出的核心波动主体其他类机构则处于次活跃区间。下图展示了各类金融机构之间的两类风险传导动态可以发现同类金融机构之间的风险传导一般都在与金融机构风险的跨类传导。但有些跨类传导的程度依旧较大需要重视此类传导。2.3 金融机构风险传导的网络密集度为了衡量银行网络的总密集度并反映网络中的系统性风险程度借鉴 Fang 等人2019的研究在计算出连通性的基础上采用赫芬达尔-赫希曼指数HHI来衡量尾部风险网络的密度以及连接边的集中程度。HHI 的计算如下公式所示其中 LCis 表示节点 i 的连接边数量TLNs 表示窗口 s 下网络的连接边总数。下图展示风险网络密集度在2018年1月至2024年12月期间的动态演化结果。整体来看风险溢出的网络密集度远远大于风险吸收的尤其是在中美贸易摩擦、新冠疫情和俄乌战争等重大外部冲击时期。这可能是因为风险溢出网络具有 “多米诺效应”金融机构间同业拆借、信贷关联等业务构成密集传导渠道外部冲击下风险可快速跨机构扩散而风险吸收网络则依赖机构资本充足率、风险准备金等缓冲能力多数机构吸收容量有限且呈被动承接特征难以形成密集网络。重大外部冲击时期市场恐慌情绪放大风险传导速度溢出渠道更通畅同时机构吸收能力易达饱和进一步拉大两者密集度差距。2.4 金融机构总体关联网络下图展示了四类金融机构的总体关联网络。可以发现银行与证券作为金融机构风险关联网络的核心枢纽两者共同构成网络的风险传导主轴其他类机构作为次活跃关联方内部存在一定关联且与核心枢纽建立常态化风险链接但关联密度低于银行与证券保险机构则处于网络边缘仅存在少量内部及与银行的弱关联风险关联参与度显著较低。后文本人可指导的模型以及代码实现其主要参考文献如下如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】