跨资产类别的社群级金融传染动态研究
摘要 (Abstract) 随着全球金融市场日益互联，金融传染已成为影响资产价格动态的主要因素。在此背景下，本研究旨在探索资产社群内部及社群之间的金融传染。我们的研究不再局限于个体资产，而是通过在社群层面考察传染现象，为现有文献做出贡献。我们的实验基于高频数据，涵盖了2019年4月至2023年5月这四年间的加密货币、股票和美国ETF。我们使用Louvain社群检测算法、向量自回归传染检测模型以及用于消除金融资产噪声的Tracy-Widom随机矩阵理论，得出了三个主要发现。首先，尽管传染的强度随时间推移保持相对稳定，但传染密度（金融系统内表现出传染效应的资产对百分比）却在增加。这表明，市场不确定性更多地表现为冲击的广泛传播，而非任何单一溢出效应的增强。其次，社群内部与社群之间的传染没有显著差异，这表明传染是一种系统性现象，而非局限于特定的资产群体。最后，在考察期内，某些社群本身，特别是那些由信息技术资产主导的社群，始终扮演着金融网络中主要传染发射者的角色，以高密度向许多其他社群传播冲击。我们的研究结果表明，由于传染的普遍性，通过投资于低相关性资产或不同类型的投资工具来实现投资组合多元化等传统风险管理策略可能是不够的。
关键词 (Keywords) 传染，社群结构，向量自回归，股票，加密货币，ETF
--------------------------------------------------------------------------------
1. 引言 (引言)
在全球金融市场日益互联的背景下，理解和量化金融传染现象对于投资者、监管机构和政策制定者而言至关重要。传统的金融工具，如股票、债券和交易所交易基金（ETF），长期以来构成了投资领域的基础，其动态和相互依赖性已得到广泛研究。然而，近年来，以比特币和以太坊为代表的加密货币作为一种新兴资产类别迅速崛起，其去中心化、高波动性的特点为金融生态系统带来了新的挑战和机遇，也使得资产间的互动模式变得更加复杂。
投资的核心是风险与回报的权衡。风险作为投资中不可避免的基本要素，源于市场波动、宏观经济因素及资产自身动态的不确定性。即使是精心构建的多元化投资组合也无法完全消除风险敞口，这使得风险管理成为金融决策的核心议题。在这一背景下，金融传染成为一个关键的研究领域。金融传染被定义为经济冲击或市场动荡从一个资产、市场板块或国家蔓延至其他资产或地区的现象，可能导致受影响资产价格的剧烈波动并放大系统性风险。例如，2007/08年的全球金融危机和近期的Covid-19疫情都清晰地展示了传染效应的破坏力，它能够迅速瓦解基于地理或资产类别多元化的传统投资策略。
尽管现有文献对金融传染进行了广泛探讨，但大多数研究集中在个体层面（如单一证券或机构）或宏观层面（如国家间市场）。然而，对于资产“社群”（即表现出相似价格或波动性行为的资产集群）内部及之间的传染动态研究仍相对不足。社群级分析具有三重关键价值。首先，它有助于改进风险评估，因为冲击可能在紧密连接的社群内部及社群之间更高效地传播，从而放大系统性风险。其次，它能够揭示看似无关资产间的隐藏关联，从而指导更优的多元化策略。最后，它有助于识别那些在网络中扮演关键冲击发起者和传播者的影响力社群，使投资者能更审慎地监控市场。
为了填补这一研究空白，本研究旨在提供一个更全面的金融传染图景，并回答以下两个核心研究问题：
* RQ1) 社群内部的传染是否比不同社群之间的传染更为显著？这一结果是否表明传染效应在社群结构的形成中扮演了角色？此外，该结果在不同时期有何变化？
* RQ2) 是否有证据表明某些社群在特定时期扮演了核心的传染发射者/接收者角色？
本研究采用高频数据，涵盖了2019年4月至2023年5月期间的146只股票、49支美国ETF和27种加密货币。在方法论上，我们首先运用基于Tracy-Widom随机矩阵理论的降噪技术处理资产相关性数据，随后利用Louvain算法识别资产社群结构，并最终通过向量自回归（VAR）模型检测和量化社群内外的传染效应。本文的结构安排如下：第二部分回顾相关文献，第三部分介绍数据与方法论，第四部分呈现实验结果与分析，最后在第五部分进行总结并提出启示。
2. 文献综述 (Literature Review)
本章节旨在梳理与本研究相关的三个核心领域的现有文献，分别为：近期影响金融市场的重大事件、金融传染研究的现状，以及金融数据中的噪声问题及其处理方法。这一回顾为本研究的理论框架和方法论选择提供了坚实的背景支持。
2.1. 近期重大事件对金融市场的影响
在2019年4月至2023年5月的研究期间，全球金融市场经历了一系列重大事件的冲击，这些事件为研究不同市场环境下的传染动态提供了独特的背景。
1. 中美贸易战: 该事件始于2018年，并在2019年达到高峰。美国对多种中国进口商品加征关税，中国则采取反制措施。这场贸易争端对全球金融市场造成了负面影响，特别是对信息技术、能源和商品等板块造成了显著的下行压力，导致相关股票和ETF遭受重大损失。
2. Covid-19疫情: 2020年初爆发的疫情对全球金融市场造成了广泛而剧烈的冲击，被认为是历史上最严重的经济危机之一。为遏制病毒传播而采取的封锁和限制措施导致了经济活动的普遍停滞，引发了几乎所有资产类别价格的急剧下跌，尤其是在2020年3月至6月期间。
3. 乌克兰-俄罗斯冲突: 2022年2月爆发的该冲突对全球供应链，特别是能源和粮食市场，产生了深远影响。能源、金融和消费品等相关行业受到冲击。然而，其影响在地理上分布不均，对与冲突双方有紧密商业和政治联系的欧洲市场冲击较大，而对美国等其他发达经济体的影响则有限甚至可以忽略不计。值得注意的是，该事件的金融冲击与Covid-19和中美贸易战等过去的全球性动荡相比更为温和。
鉴于这些事件在性质和影响范围上的差异，本研究将整个周期划分为不同的子阶段。这种划分使我们能够在特定的市场条件下（如危机期、牛市期）更精细地考察传染效应的动态变化，从而获得更具洞察力的结论。
2.2. 金融传染研究
金融传染是经济学文献中的一个重要课题。传统研究广泛探讨了跨国家、跨市场指标（如利率、汇率）以及跨个体资产的传染现象。文献中采用了多种方法来检测传染效应，包括向量自回归（VAR）模型、动态条件相关GARCH（DCC-GARCH）模型以及Joe-Clayton copula GARCH模型等。尽管方法各异，但这些研究共同指向一个发现：在市场不确定性加剧的时期（如金融危机、重大政策发布），传染效应会显著增强。
近年来，部分研究开始将视角从个体资产转向社群层面。例如，文献[20]通过微观结构网络模型研究了银行网络中的社群结构如何影响流动性传染。该研究发现，社群强度与传染严重性之间存在一种非线性的U型关系：在社群结构非常强（即社群内部联系紧密但彼此隔离）或非常弱的情况下，系统性传染较低；而在中等强度的社群结构下，冲击容易在社群内部放大，然后传播到整个网络，导致最严重的传染后果。
尽管存在这些开创性的研究，但在股票、ETF和加密货币等广泛交易的金融资产领域，对社群级传染的分析仍然存在明显的空白。大多数研究仍停留在个体资产层面，或局限于银行等特定网络。本研究旨在填补这一空白，通过对多样化资产的社群结构进行分析，深入理解冲击在现代金融网络中的传播机制。
2.3. 金融资产中的噪声及其消除方法
金融资产时间序列中普遍存在两类噪声：测量噪声和内在噪声。测量噪声主要源于数据收集过程中的非同步交易、数据取整等问题。内在噪声则更为复杂，源于市场本身的复杂性，如噪声交易者（通常是信息较少的散户）的非理性行为、监管政策变化带来的市场扰动等。特别是加密货币市场，由于投资者结构中散户占比较高且市场机制不成熟，“拉高出货”（Pump and Dump）等现象频发，其噪声水平显著高于传统市场。
噪声的存在会严重扭曲资产间的真实相关性。它可能导致在不同市场条件下观察到的相关性模式趋于一致，从而掩盖了区分市场稳定期与动荡期的宝贵信息。因此，在进行传染分析前，对数据进行降噪处理至关重要。
目前，基于**随机矩阵理论（RMT）**的降噪方法被广泛应用。主要有两种主流方法：
1. Marcenko-Pastur分布: 该理论定义了一个纯随机相关矩阵的特征值分布边界。落在边界内的特征值被视作噪声，而边界外的则被认为携带有效信息。然而，这种方法的一个关键局限性是其对时间序列长度（T）和资产数量（N）的比例敏感，当T和N发生变化时，降噪效果可能不稳定。
2. Tracy-Widom理论: 该理论为随机矩阵的每个标准化特征值提供了一个固定的、已知的理论分布。其核心机制在于，通过将经验矩阵的每个特征值与相应的Tracy-Widom分布进行比较，可以进行一次正式的假设检验，以判定该特征值是否显著偏离了随机性（即包含信息）。该方法的优势在于对数据规模不敏感，并且结合了大量模拟得出的经验证据，使其比严格依赖理论边界的Marcenko-Pastur方法更为稳健和可靠。
鉴于其稳健性和可靠性，本研究选择采用基于Tracy-Widom理论的方法作为数据预处理步骤，以过滤资产相关矩阵中的噪声。这一降噪过程为后续所有的社群检测和传染分析奠定了坚实的基础。在回顾了相关理论背景后，接下来我们将详细介绍本研究的具体数据和方法论。
3. 数据与方法论 (Data and Methodology)
本章节将详细介绍研究中使用的数据集、时间段和行业划分，并系统阐述从数据预处理到社群构建，再到传染检测和度量的完整方法论框架。
3.1. 数据集描述
本研究使用的数据集具有以下关键特征：
* 数据来源: FirstRate Data平台。
* 资产构成: 共221个时间序列，包括146只股票、49支美国ETF和27种加密货币（源文本在摘要中提及27种，但在第3.1节中提及26种；为保持一致性，本文采用27种）。
* 时间范围: 2019年4月1日至2023年5月3日。
* 数据粒度: 30分钟间隔的高频数据。
* 筛选标准: 为确保数据质量，我们采用了严格的筛选标准。股票选择基于市值（排名前200），所有资产均基于高流动性进行筛选，即要求股票、ETF和加密货币的缺失值分别低于1%、12%和10%。
3.2. 时间段划分
为了在不同市场条件下考察传染效应的动态变化，我们将整个研究周期划分为七个子时期，具体划分如下表所示。
子时期 (Sub-period) 持续时间 (Duration)
Pre-Covid-19 01/04/2019 to 31/12/2019
Covid-19 Outbreak 01/01/2020 to 30/06/2020
Bull Time 1 01/07/2020 to 31/01/2021
Bull Time 2 01/02/2021 to 31/08/2021
Bull Time 3 01/09/2021 to 23/02/2022
Ukraine-Russia Conflict 1 24/02/2022 to 30/09/2022
Ukraine-Russia Conflict 2 01/10/2022 to 03/05/2023
3.3. 行业板块划分
为了进行更细致的分析，我们将资产按行业板块进行分类。股票根据传统的11个商业板块进行划分。对于ETF，由于其持仓通常跨越多个行业，我们规定：仅当某一板块的持仓比例超过50%时，该ETF才被归入该特定板块，否则被分类为“混合型”。加密货币由于其独特的属性，被视为一个独立的板块。由于部分板块（如公用事业、材料、房地产等）的资产数量有限，本研究的分析将集中于信息技术、医疗保健、金融等七个主要板块。
3.4. 核心研究方法
本研究的方法论框架包含以下四个核心步骤：
1. 噪声过滤：Tracy-Widom理论 我们首先应用Tracy-Widom理论对经验相关矩阵的每个特征值进行假设检验。我们将显著性水平设为1%，如果一个标准化后的经验特征值落在相应Tracy-Widom理论分布的右侧1%尾部区域，我们则拒绝原假设，认定该特征值为携带信息的“信息特征值”；否则，它被视为“噪声特征值”。随后，我们采用Eigenvector Clipping方法来重构降噪后的相关矩阵C_denoised。该方法的优势在于它无需训练参数，并且能保持矩阵的迹（trace）不变，从而保留了原始数据中的信息总量。
2. 社群结构构建 构建社群结构遵循以下三个预处理步骤：
* 首先，我们将降噪后的相关性矩阵C转换为距离矩阵DC，转换公式为 d_ij = sqrt(2 * (1 - c_ij))。
* 其次，为了简化图结构，我们使用Kruskal算法从全连接的资产图中提取最小生成树（Minimum Spanning Tree, MST）。该方法通过保留相关度最高的边（即距离值最小的边）同时丢弃其他边，来保留网络最本质的结构信息，从而将包含24,310条边的密集网络简化为仅含220条核心边的稀疏树状结构。
* 最后，我们在构建的MST上应用高效的Louvain社群检测算法，通过优化模块度来识别资产的社群结构。
3. 传染效应检测：向量自回归模型 (VAR) 我们采用向量自回归（VAR）模型来检测资产间的传染效应。VAR模型能够捕捉多个时间序列之间的动态相互影响。一个VAR(p)模型的通用公式如下： Y_t = c + A_1 * Y_{t-1} + ... + A_p * Y_{t-p} + ε_t 其中，Y_t是时间序列向量，c是常数项，A是系数矩阵，p是滞后阶数，ε_t是误差项。矩阵A中的系数a_ij代表了资产j的过去值对资产i当前值的影响，即传染效应。如果该系数在统计上显著，我们便认为存在传染。本研究重点关注短期的传染效应，即30分钟的滞后（p=1）。
4. 传染效应衡量指标 为量化社群内外的传染，我们定义了六个关键指标：
* 社群内总体传染密度 (OCD_individual): 衡量一个社群内部存在的传染连接占所有可能连接的百分比。
* 社群内总体传染强度 (OCM_individual): 计算一个社群内部所有传染连接的平均强度（系数绝对值）。
* 社群间总体传染密度 (OCD_cross): 衡量两个社群之间双向的传染连接密度。
* 社群间总体传染强度 (OCM_cross): 计算两个社群之间所有双向传染连接的平均强度。
* 定向传染密度 (DCD): 衡量从社群A到社群B的单向传染连接密度。
* 定向传染强度 (DCM): 计算从社群A到社群B的所有单向传染连接的平均强度。
基于上述数据处理和分析方法，我们将在下一章节中呈现详细的实验结果。
4. 实验结果与分析 (Results and Analysis)
本章节将系统地呈现研究发现。我们首先概述在不同时期观察到的资产社群结构，然后围绕两个核心研究问题（RQ1和RQ2）展开深入分析，最后提炼出研究的关键启示。
4.1. 资产社群结构发现
通过对七个子时期的分析，我们观察到资产社群结构表现出一些显著的共性模式。
* 加密货币与传统资产的分离: 一个最稳定且突出的模式是，加密货币倾向于形成独立的、高度内聚的社群，与股票和ETF等传统资产明显分离。唯一的例外是与美元挂钩的稳定币（如USDT），它们有时会与传统金融资产聚类。
* 股票与ETF的混合聚类: 与加密货币不同，股票和ETF则更频繁地混合在一起，形成跨资产类型的社群，反映了它们之间紧密的经济联系。
量化证据支持了这一观察。根据源文本Table 3的数据，加密货币内部的平均距离（例如在Pre-Covid-19时期为3.605）显著低于其与股票（12.150）或ETF（11.556）之间的距离。这一巨大差距为加密货币社群的独立性提供了有力的证明。
此外，我们还观察到显著的行业聚集现象。信息技术、医疗保健、金融和能源等特定行业的资产表现出强烈的同质性，它们要么形成几乎完全由本行业资产构成的独立社群，要么在混合社群中占据主导地位。这一现象在所有子时期中都持续存在。
4.2. 研究问题一：社群内部与社群间传染效应比较
我们首先分析了传染效应随时间变化的总体趋势。通过比较七个子时期的传染密度和强度分布，我们发现，在市场剧烈动荡的 Covid-19 Outbreak 时期，无论是社群内部还是社群之间，传染密度都出现了显著的放大。此外，在市场情绪乐观的 Bull Time 2 时期，传染密度也出现了一次温和的增长。
然而，一个更核心的发现是：无论市场环境如何（无论是危机还是牛市），传染强度（magnitude）始终保持在一个相对稳定的水平，而传染密度（density）则随着市场动荡而显著增加。该发现表明：市场不确定性更多地表现为冲击传播范围的扩大（即更多的资产对之间出现传染），而非单个溢出效应的增强。
接下来，我们直接回答第一个研究问题（RQ1）。通过对每个子时期的社群内传染指标与其对应的社群间传染分布进行分位数分析（结果源于原文Table 4和Table 5），我们发现绝大多数情况下，社群内部的传染效应（包括密度和强度）与社群间的传染效应没有显著差异。仅有少数社群表现出异常行为，例如，在Bull Time 1时期，社群#9表现出异常高的内部传染密度；同样，在Bull Time 2时期，社群#7也出现了类似情况。但这些均属于例外，总体结论不受影响。
基于这一核心发现，我们可以推断：金融传染是一种系统性现象，其影响广泛地渗透到整个金融网络，并不会被社群边界所阻隔。这也意味着，传染效应本身可能不是驱动资产形成特定社群结构的关键因素。
4.3. 研究问题二：定向社群间传染与关键传染源识别
为了识别关键的传染传播路径和源头，我们分析了定向的社群间传染。我们使用热力图和仅保留前25%高密度连接的定向图来可视化社群间的冲击流向。
通过对所有子时期的分析，我们得出了一个非常清晰且一致的核心发现：在金融网络中，始终存在扮演“主要传染发射者”角色的社群，而这些社群通常由信息技术（Information Technology）行业的资产所主导。
具体案例如下：
* 在 Bull Time 3 时期，由信息技术和医疗保健资产主导的社群（#1和#2）是网络中最主要的传染发射者，它们向其他十多个社群传播了高密度的冲击。
* 在 Ukraine-Russia Conflict 1 时期，由信息技术和金融资产主导的三个社群（#6, #9, #10）共同扮演了主要发射者的角色。
这些行业成为主要传染源的原因呈现出不同的模式。信息技术行业的影响力具有一致性，这归因于其强大的增长潜力、在金融市场中占主导地位的市值，以及自2020年以来因全球技术加速采用和生成式AI热潮而进一步放大的影响力。相比之下，医疗保健和金融行业的影响力则更具情境依赖性。医疗保健行业在疫情期间成为焦点，而金融行业则在乌克兰-俄罗斯冲突等经济不确定性时期成为关键的市场风向标。这种一致性影响与情境依赖性影响之间的区别，是理解传染动态的一个关键洞察。
本章的发现揭示了金融传染的系统性特征，以及特定行业在冲击传导网络中的核心作用。这些发现将为我们最终的结论与启示提供依据。
5. 结论与启示 (结论 and Implications)
本研究通过在社群层面考察包含股票、加密货币和ETF在内的多样化资产，为金融传染文献做出了贡献。我们不仅在不同市场条件下对传染动态进行了细致的划分，还跨越了多种资产类别，提供了一个更全面、更具结构性的金融传染图景。
本研究的核心发现可以系统性地总结为以下三点：
1. 传染密度的变化与强度的稳定: 在市场不确定性加剧的时期（无论是危机还是牛市），金融传染的密度（即受影响的资产对数量）会显著上升，但传染的强度（即单个溢出效应的大小）则保持相对稳定。这表明市场动荡主要通过扩大冲击的传播范围而非增强其力度来体现。
2. 传染的系统性特征: 社群内部与社群之间的传染效应在统计上没有显著差异。这揭示了金融传染是一种系统范围内的现象，其传播能够轻易跨越由资产相关性定义的社群边界，表明传染可能不是社群形成的主要驱动力。加密货币的案例有力地支持了这一点：尽管它们表现出强烈的内部相关性并形成独特的社群，但其传染水平在大多数时期内与其他资产社群及跨社群的传染水平相当。
3. 关键传染发射者: 在所有考察时期，由信息技术行业资产主导的社群持续扮演着网络中“主要传染发射者”的角色，向其他社群广泛传播冲击。在特定时期，医疗保健和金融等行业社群也会成为重要的传染源。
这些发现对于投资者和风险管理者具有重要的实践启示。首先，研究结果表明，传统的基于低相关性或跨社群配置的多元化策略可能不足以抵御系统性的金融传染。由于冲击能够无差别地在社群内外传播，投资者不能简单地认为投资于不同社群的资产就能有效分散风险。其次，投资者应密切关注信息技术等关键行业，因为这些行业不仅是市场增长的引擎，也可能是市场冲击的源头。监控这些关键“发射者”社群的动态，可能有助于提前预警系统性风险的积聚。
本研究也存在一定的局限性，并为未来研究指明了方向：
1. 可以进一步扩展资产范围和类别，纳入债券、商品等更多类型的金融工具。
2. 可以分析更长的时间跨度或不同的时间粒度（如日度或周度），以考察传染在不同时间尺度上的演变。
3. 可以将宏观经济指标、货币政策变化和市场情绪等外生变量纳入模型，以探究传染的根本驱动因素。
4. 可以基于本研究的发现，开发包含传染信息的预测框架，以提高对市场风险和资产价格动态的预测准确性。
致谢 (Acknowledgements)
本研究得到了爱尔兰科学基金会（Research Ireland）通过都блин城市大学ADAPT中心的资助，资助协议号为13/RC/2106_P2。ADAPT，即爱尔兰科学基金会AI驱动数字内容技术研究中心，由爱尔兰科学基金会中心计划资助。为实现开放获取，作者已对本次提交产生的任何作者接受的手稿版本应用了CC BY公共版权许可。
参考文献 (References)
