金融网络投资范文

导语：想要提升您的写作水平，创作出令人难忘的文章？我们精心为您整理的5篇金融网络投资范例，将为您的写作提供有力的支持和灵感！

篇1

左 伟（1987-），男，云南大理人，硕士研究生，主要从事风险管理等方面的研究。E-mail：

朱元倩（1984-），女，安徽六安人，中国银监会博士后，主要从事风险管理与市场监管等方面的研究。E-mail：

摘 要：本文主要介绍目前利用金融网络解决金融传染问题的相关研究方法和研究成果。笔者在简单回顾了金融网络的结构特征、描述性指标及几大典型结构之后，从微观角度分析了最优金融网络所具有的一些共同特征，从宏观角度分析了现实金融网络的拓扑结构，研究了网络结构在金融传染过程中所起到的作用，并基于此从金融网络的角度提出了提高金融体系稳定性的相关措施，为预防危机的传染提供了政策参考。

关键词：金融网络；金融传染； 微观最优结构特征； 宏观拓扑结构

中图分类号：F830.2 文献标识码：A 文章编号：1000-176X（2013）02-0003-09

随着全球化的趋势越来越明显，许多金融机构通过相互持有资产、资产价值相互关联等关系连接在一起，构成了大大小小的金融网络。许多经济金融学家开始利用生态系统、物理系统和社交系统等领域发展成熟的网络理论知识以及数学、工程学等研究工具，通过金融网络研究金融学和经济学中的一系列问题。其中研究较多的是关于金融机构破产导致的多米诺骨牌传染效应。早在1997年东南亚金融危机爆发之后，就有学者开始利用金融网络研究危机的传导机制。而随着网络理论、网络动态学以及图论等知识在其他领域的不断发展完善，人们有了更加多样化和深入化的工具对金融网络进行分析和学习。而近年来，CDS、CDO等许多金融衍生工具的引入使得整个金融系统变得更为复杂，全球化的发展进程也加剧了金融传染的发生；再加上2008年美国次贷危机引发的国际金融危机以及后续的欧债危机的陆续爆发，人们对于金融传染的危害性、研究金融网络的必要性有了更进一步的认识。所有这些因素，都使得金融网络的研究上了一个新的台阶。

近年来，利用网络研究金融传染的路径主要包括如下两种：一是微观层面的路径，利用风险管理、复杂网络和网络动态学等领域的理论知识，结合金融传染的发生机制、市场参与者的决策行为等，得出最优的金融网络应具有哪些重要微观特征，从而为金融体系及其结构的顶层设计给出设计蓝图；二是宏观层面的路径，研究金融网络的宏观拓扑结构，结合图论知识判断其属于哪一类网络宏观结构，在传染过程中起到怎么样的作用，从而对当前金融体系中的风险传染路径及其影响进行预测和估计。除了运用网络研究金融市场的传染问题之外，还有学者利用网络研究资产组合以提取相关性等重要信息，或者利用网络解决与之相关的一些难题，如最优化问题、动态均衡理论等。本文将对运用金融网络度量金融传染，并基于金融网络的相关理论解决金融稳定的研究进行回顾，从金融网络的角度给出提高金融体系稳定性的建议。

一、金融网络的概念及相关指标

所谓复杂网络，是指将一个系统内部的各个元素作为节点，节点之间通过边、并在一定的规则之下连接在一起所形成的网络。在现代金融系统中，银行以及对冲基金等金融机构作为节点，金融机构之间通过信用拆借、资产负债等关系作为边而相互连接所形成的价值网络，就叫做金融网络。与传统网络相类似，金融网络主要由节点和边构成。所不同的是，一方面，金融网络节点数通常很多，往往构成较为复杂的网络关系图；而另一方面，每条边度量的是两个相连节点之间的资产负债关系，边有时还具有方向性，一条从起始节点指向终了节点的带有箭头的边，通常意味着起始节点对终了节点存在负债关系。

1. 金融网络的结构特征

金融网络的结构特征，主要反映了网络中各节点之间的连接方式以及节点在网络中的位置关系。金融网络的结构特征通常有群体结构（Community Structure）和层次结构（Hierarchy Structure）两种。群体结构是指由于各个节点连接的紧密程度不同，在金融网络中往往会形成几个不同的群体，群体内部的连接较为密集，而群体相互间的连接则相对要稀疏得多。类似现实的人际关系中，人们按照兴趣、职业和年龄等方面的不同而分为不同的群体。而层次结构则是指不同金融机构之间由于规模大小、信用拆借能力等不尽相同，因此在金融市场中所处地位不同，并呈现分层的结构特征。

2. 刻画金融网络的三大指标

用来刻画金融网络特征的描述性指标主要包括以下三个：平均最短路径长度、聚类系数和节点的度。其中平均最短路径长度刻画了金融网络节点相互连接的紧密程度，平均最短路径长度越小，则节点之间连接紧密程度越高。两个节点间的最短路径，是指将这两个节点相连接的各条路径中，包含边数最小的那条路径。假设金融网络中有两个节点i、j（i、j=1，2…n；其中n为网络中的节点总数），则这两个节点之间的距离dij为连接这两个节点的最短路径所包含的边的数目。而金融网络的平均最短路径长度L则定义为网络中任意两个节点之间距离的平均值，假设该银行网络中有n个节点，我们有：

L=112n（n+1）∑i≥jdij

聚类系数刻画了金融网络的结构特征，聚类系数越大，则金融网络越倾向于群体结构特征，层次结构越不明显。聚类系数可分为节点的聚类系数以及网络的聚类系数。假设金融网络中的一个节点i有ki条边和其他节点相连，在这ki个节点之间最多可能有[ki（ki-1）/2]条边相互连接，我们定义节点i的聚类系数Ci为这ki个节点之间实际存在的边数Ei和最多可能边数[ki（ki-1）/2]之比，即：

Ci=2Eki（ki-1）

对所有节点i的聚类系数Ci取均值即可得到整个金融网络的聚类系数C。

节点的度刻画的是该节点的重要性，一个节点的度越大，就意味着该节点与其他节点的连接越多，该节点越重要。与某个节点i相连接的其他节点的数目称为节点i的度ki，金融网络中所有节点的度的平均值被称为金融网络的平均度。而节点的度分布P（k）（k取自然数）则是指金融网络中度为k的节点占所有节点数的比例，即随机选取一个节点，该节点的度为k的概率。

3. 金融网络的宏观拓扑结构

在现代图论理论中，网络的宏观拓扑结构通常包括如下四种：规则网络、随机网络、小世界网络以及无标度（Scale-Free）网络。其中规则网络和随机网络是两种网络理论研究中较为极端的特例，而现实的金融网络多具有小世界网络和无标度网络的特征。金融网络结构比较如图1所示。

图1 金融网络结构的比较

规则网络是学者们假设的最简单的网络模型，其每个节点都具有相同的度k。20世纪50年代末Erdos和Rényi提出的随机网络模型，其每个节点都以相同的连接概率p与其他节点连接。虽然规则网络和随机网络具有容易模拟并进行相关分析的特征，但其并不能很好地刻画现实世界的网络结构。实证结果表明，大多数的真实网络具有较小的平均最短路径长度和较大的聚类系数，据此Watts和Strogatz于1998年提出了小世界网络模型[1]。

小世界网络模型介于规则网络和随机网络之间，通过将规则网络中的每条边以一个给定的概率p连接到一个新节点上构造而成，其最显著的特点就是同时具有较小的平均最短路径长度和较大的聚类系数。尽管小世界网络能很好地刻画真实网络的平均最短路径长度及聚类系数的特点，但是其节点的度分布仍然服从泊松分布。实证结果表明，大多数真实网络的节点度分布用幂律分布进行描述更为准确。Barabási和Albert把这种度分布服从幂律分布的复杂网络称为无标度网络，并提出了著名的BA模型以解释无标度网络的形成机制[2]。

四类网络模型的三大指标具有不同的特点，其中小世界网络的随机性介于规则网络和随机网络之间，但具有聚类系数较大、路径较小的特点，这些不同的结构特征也决定了它们在金融危机爆发时完全不同的传染路径。从表1可以看出，在现实金融网络通常表现出的小世界网络中，危机传染的速度远比随机网络更快，而在无标度网络中，其中中心节点（在金融网络中通常体现为大而不倒机构）对于金融网络的风险传染更是起到了非常重要的作用。

表1金融网络结构的指标及传染性比较

二、金融传染的概念及其度量

随着金融全球化进程加快和金融体系的愈加复杂，金融传染的危害性也日益增加。与此同时，网络理论的研究方法和研究工具都得到了很大的发展，其在生态学、物理学和社会学中的应用也日趋成熟。因此，经济学家借鉴了网络理论在其他领域的研究思路和方法，希望运用金融网络研究如何防止金融传染的发生。金融危机的传染机制决定了危机爆发时其在金融体系间的传导方式和速度，不同构造的金融网络在传导危机时所起的作用也会不一样。一般以资产损失大小作为衡量金融传染的危害程度的标准。

1. 金融传染的发生机制

目前的研究文献，主要从金融机构间的直接传染与间接传染这两种作用机制入手进行阐述。金融机构间的直接传染，主要是指一旦某个金融机构破产，与该金融机构存在直接连接关系的其他金融机构将遭遇债务违约损失，从而导致破产危机的进一步蔓延。而间接传染则包括除了直接传染之外的其他传染机制，主要由于市场信心的缺失和资产价格的螺旋下降等因素造成的。

金融机构之间通过支付系统以及各种各样的头寸（例如直接贷款、衍生产品和回购协议等）构成直接连接。较常见的直接传染机制由Kiyotaki和Moore提出，他们认为，一旦某个金融机构违约或延期支付债务，由此产生的损失超过一定限额时就会导致其债权机构破产，类似的破产一旦蔓延有可能最终引发系统性崩溃[3]。在直接传染的度量中，金融网络的结构特征至关重要，聚类系数较大、平均路径较短的网络往往产生的直接传染更迅速，关联性更强。

间接传染的形成机制则更复杂，早期的研究主要考虑投资者的恐慌情绪的蔓延。Diamond和Dybvig提出，当某个银行遭到存款者的挤兑而破产时，恐慌的情绪很可能使得挤兑蔓延到整个银行系统，从而使那些本来具有偿付能力的银行也出现破产[4]。

而近些年的研究对象主要集中于传染对于资产价格的影响。Giesecke和Weber认为，由于各个金融机构面对共同的基本面因素（如资产的价格，产品供给与需求等），因此，如果破产的金融机构规模大到足以影响资产价格以及产品供求关系等因素时，这些因素的恶化将会使得其他机构的资产价值下降，从而使得传染蔓延[5]。Kodres和Pritsker则从投资者的角度考虑传染对资产的贬值作用。他们提出了“跨市场的投资再平衡效应”，这种效应是指一旦某个市场受到外部冲击，投资者会最优化地调整他在其他市场上的投资组合[6]。Kodres和Pritsker认为，投资者在调整投资组合的同时会把冲击转移到其他市场上，造成其他市场的资产价值下降，从而使得危机蔓延。他们发现，该种传染主要取决于市场对于资产价格的敏感程度，以及在各个市场上信息不对称的程度。

2.金融传染导致的资产损失

通常认为，金融传染是发生的概率较小、但造成的损失较为严重的事件。在衡量金融传染所带来的资产损失的研究中，部分学者对损失函数的性质进行了研究，希望能更精确地估计损失大小；也有部分学者通过实证分析直接估算传染所造成的具体损失大小。

Elsinger等主要研究了损失函数的统计特征，通过对奥地利银行系统的实证分析发现，该体系传染的概率较小但影响较大，只有6%的破产事件是由于传染效应造成的，因此损失函数的一个重要的统计特征是它服从薄尾分布[7]。而它的另一个统计特征则是服从正态分布，研究发现，经济基本因素的波动大小决定了损失的均值，波动越大则损失越大；而公司之间连接的紧密程度决定了损失在均值附近的波动程度，连接越紧则损失波动越大[5]。在Elsinger和Giesecke的研究基础上，Eisenberg和Noe给出了一种能够衡量金融传染损失大小的算法，该算法给出了某个给定金融机构对于其他机构的风险暴露，一旦该金融机构出现违约，我们可以通过该算法得到其他机构遭受的损失[8]。

估计金融传染所造成的损失还有其他一些途径。Upper和Worms运用最大熵方法得到了非常细化的估测数据并实证分析了德国银行系统，发现单一银行的破产最高能造成银行系统总资产15%的损失[9]。也有学者对这一损失程度提出异议，Angelini等并没有利用最大熵方法进行数据估计，而是模拟一家银行破产时对整个系统带来的冲击。他们对意大利银行间市场网络的实证分析发现：由于金融传染所造成的资产损失只有每日货币流动量的3%。这个结果显示传染的影响偏小，Angelini等认为这是由于意大利银行系统的资金流动量较小以及银行网络的结构性差异所造成的[10]。

事实上，对于金融危机的预测离不开金融传染及其导致资产损失的估计，然而无论是上述何种研究都离不开对金融网络的构建和金融传染的假设与模拟。因此，对于金融网络结构的认识和传染性的度量就显得异常重要。

三、金融网络的最优微观特征

目前，学者们在对金融网络的研究中，一方面从理论入手，研究什么样的微观特征的金融网络具有较高的稳定性；另一方面则从实际入手，研究现实中的金融网络具有什么样的微观特征和宏观结构，从而结合理论研究的成果对现实金融网络的稳定性实现判断。

关于金融网络最优微观结构的研究，主要是运用风险管理、复杂网络和网络动态学等领域的知识，并结合金融传染发生的机制、市场参与者的博弈决策行为等，定性或者定量地得出最优的金融网络应具有哪些重要的微观特征。该领域的早期研究主要考虑的是外部冲击的发生机制，并且研究主体多为银行系统；而随着复杂网络理论知识在统计物理学、生态学和社会学等学科应用的日趋成熟，许多学者开始借助于复杂网络来研究，研究主体也逐渐扩大到其他金融系统。近年来，对于金融网络的研究热情逐渐高涨，网络动态学、统计学等作为研究工具均从不同的角度对最优金融网络的微观结构进行了深入的分析，得到了相同或相似的研究成果。

1. 基于外部冲击发生机制的研究方法

由于外部冲击主要通过金融机构之间的连接而传导风险，因此，基于外部冲击的发生机制进行的研究多关注的是银行系统内各银行间的连接方式以及连接的紧密程度。Allen和Gale于2000年发表的文章是该方面研究的基石。他们基于Diamond和Dybvig所建立的D-D模型[4]，假设（完全信息条件下）流动性冲击来自存款者取款时间的不确定性，通过一个包括四个银行的模型证明了传染的蔓延主要取决于银行间的连接类型。当网络是完全连接的（如图2所示），即每个银行都与其他银行连接在一起，使得某个银行的负债几乎完全均匀地分布在其他银行时，冲击的效果会被很好的淡化。然而，当网络是不完全连接的（如图3所示），即每个银行只和一部分银行有负债关系，系统会变得较脆弱[11]。从图2可见，Allen和Gale提出的“完全连接”的网络正是拥有四个节点的规则网络。

图2完全连接的网络 图3不完全连接的网络

完全连接网络的提出，很好地解决了“怎样的连接方式最优”这个问题；而“怎样的连接紧密程度最优”，则由Freixas等率先给出答案，他们的研究同样基于外部冲击的发生机制。

Freixas等的研究模型与Allen和Gale相似，但是他们假设流动性冲击并不来自于存款者取款时间的不确定性，而是来自于存款者取款地点的不确定性。他们认为高度连接的银行间市场，虽然降低了持有流动性资产的成本， 但同时也产生了低效率和不稳定性：虽然银行间市场提供的流动性保险可以帮助银行抵消债务，但是这种系统稳定性是以这个资不抵债的银行继续运营为代价，这破坏了市场法则，最终系统很有可能因承受了过多的不良债务而崩溃[12]。因此，过高的连接程度损害了系统的稳定性，最优金融网络需要适当偏大的最短路径长度。

同样是在D-D模型的基础上，Brusco和Castiglionesi建立一个包括四个银行的模型，他们的研究支持了Freixas等的结论：银行间更紧密的连接会增加传染的风险，这是因为银行间互助系统所提供的后盾支持可能会使得某些银行做出更鲁莽的投资，从而增大系统风险；并且，如果连接过于紧密的话，某家银行的破产会导致传染的范围变广[13]。

2. 基于复杂网络的研究方法

复杂网络理论在2000年左右逐渐成熟，其应用领域也从物理学、信息学逐渐扩大到生态学、社会学等多个学科。通过复杂网络理论对金融网络结构进行分析，尽管不能做出对金融机构行为的动态分析，但是它可以反映出金融网络的构建过程，并能与现实世界的网络相匹配，具有非常重要的现实指导作用。该领域具有代表性的是Gai和Kapadia于2010年所做出的研究工作。

Gai和Kapadia[14]借鉴Strogatz以及Newman研究复杂网络的数学方法，通过模拟金融网络的形成过程而建立了一个能分析传染效应、并适用于现实世界中不同类型金融网络的模型。他们的分析结果与Brusco和Castiglionesi以及Freixas等得出的结果一样，即最短路径长度应适当偏长。他们认为，连接程度和风险分担程度越高，传染的概率越低；但一旦发生传染，影响范围将更广，从而极大地损害系统稳定性。在设计最优网络结构时，对连接程度和风险分担程度的选择，实质上是对传染概率及影响范围的一个权衡取舍。

3. 基于网络动态学的研究方法

网络动态学，主要通过分析行为人的决策心理并建立动态模型，研究由于时间、空间及环境等动态变化所造成的行为人的决策变化及网络结构的演变过程。复杂网络理论的研究缺陷主要在于无法模拟出金融网络的动态变化，而面对复杂的金融市场变化，金融机构的动态决策行为对于金融传染过程显然是至关重要的。因此，一些学者开始运用网络动态学的研究成果，对金融机构的这些动态变化加以研究，并用图像表示出外部冲击以及传染蔓延的动态过程，通过分析复杂的决策行为来了解网络的形成机制和过程，从而设计出最优网络结构。

Goyal和Vega-Redondo是较早运用网络动态学对金融网络进行研究的学者[15]。他们在2004年发表的文章支持了Allen和Gale以及Freixas等的研究结论。他们认为，两方建立债务关系的过程就是一个博弈以达到最优均衡的过程，而整个关系网络的建立正是许多债务关系的动态建立过程；两方建立债务关系，就是在风险及收益之间选取一个最优纳什均衡点的动态博弈。根据这个网络构建模型，Goyal和Vega-Redondo在考察了不同的连接方式、连接费用以及不同的相互作用模式对风险传染起到的作用之后，得出结论：“完全连接”模式（即规则网络）与较长的最小路径长度可以有效地减小金融风险的传染。

4.基于运筹法的最优微观结构判断

定量分析的研究目前相对偏少，研究方法也多为运用运筹学方法解决最优化问题，Leitner在2005年给出的“每个小群体的最优节点数量”在这方面具有重要的代表意义。Leitner建立了一个不仅能相互传染、也能相互救助的金融网络，流动性较好的银行会因为担心受到传染而救助流动性不足的银行。该模型说明银行间的相互连接对于减少破产危机的发生具有重要意义，因为它们允许银行间相互救助；然而整个网络也可能因为过度连接而在某些情况下（如当流动性限制在一小部分银行中时）出现传染蔓延并最终崩溃。基于对网络连接带来的好处（允许银行相互救助）以及坏处（危机可能蔓延）的取舍，Leitner运用运筹学知识，通过求解一个带有约束的规划问题给出了最优金融网络的规模——每个小群体内的最优节点数量为5[16]。

5. 其他研究方法

还有学者通过统计学和传染病学等其他理论工具，对金融网络的最优微观特征的研究做出了贡献。Gai等利用传染病学以及统计物理学的知识，与其他学者再次对金融网络的最优微观特征问题进行了研究。在仍然坚持“最优网络结构具有适当偏长的最小路径长度特征”的同时，Gai等又得出了“复杂度较低也是最优网络结构的重要特点”的结论[17]。Iori等利用统计学方法研究单个银行的风险与整个银行间市场相互作用的动态过程发现，较低的聚类系数可以有效提升金融网络的稳定性[18]。这与Simon在1962年所著的“The Architecture of Complexity”中的观点相吻合：在复杂系统中，只有最简单的层次结构才是最优的。Iori认为，银行间拆借虽然降低了单个银行的破产概率，但也增加了整个系统崩溃的机会。当银行间网络的聚类系数较高，即系统内的银行都是同种类型时，系统崩溃发生的可能性比较大；而当聚类系数较低，即银行的类型不相同时，崩溃发生的可能性就会降低。较低的聚类系数可以有效提升金融网络的稳定性[18]。也有学者把金融网络与其他网络系统（如生态网络系统）进行类比。Haldane和May所做的这方面研究支持了Gai等的关于“最优网络结构的复杂度较低”的结论。在经过对生态系统的食物链以及金融网络的对比分析之后，他们认为金融系统和生态系统一样，复杂程度越高，整个网络的稳定性就越差[19]。

尽管所用的研究方法各不相同，但是目前所得到的关于最优金融网络的微观特征的结论非常相似。总的来说，具有“完全连接”、较低的复杂程度、适当偏长的平均最短路径长度以及较小的聚类系数是最优网络结构的几个主要特征。Nier等对金融网络的特征做了较为完整的界定。他们利用网络理论知识，认为银行体系网络结构的关键参数一共有四个：银行的资本化水平，网络的连接程度，银行间的借贷规模，银行系统的集中程度。他们通过建立银行网络系统并加以模拟的方法得出结论：资本化水平越高、借贷规模越低、集中程度越低，则银行系统的稳定性越高；而连接程度则与稳定性呈非线性关系，当连接程度超过阈值之后，连接程度越高，稳定性越低[20]。

四、金融网络的最优宏观结构

基于描述金融网络的三大基本指标，上文总结了前人对于较为稳定的金融网络应该具有的指标特征。基于这些基本的指标，整个金融网络将会呈现一定的宏观结构，如前文指出的小世界网络和无标度网络。这些基于多个基本指标共同呈现出的复杂的拓扑结构，构建出了金融网络的整个宏观拓扑结构，结合图论知识不仅能判断某一现实生活中的网络属于哪一类网络宏观结构，同时能够对其在传染过程中所起到的作用做出一定的判断。

Watts和Strogatz与Barabási和Albert相继于1998、1999年提出了“小世界网络”模型以及“无标度网络”模型，这标志着复杂网络理论的逐渐成熟。许多学者开始以这两个模型为衡量标准，通过实证结合统计分析等方法来研究现实中的金融网络所具有的宏观结构特征，并结合复杂网络理论探讨如何设计宏观网络结构才能更有效地防止金融传染。目前大多数研究都表明，金融网络兼具小世界网络以及无标度网络的某些特征，这些特征显著地影响着危机的传染过程。

金融网络最典型的宏观拓扑结构特征之一，就是平均最短路径长度较短，这正是小世界网络所独有的典型特征，这已经被包括Soramaki等和Boss等许多学者所证实。Soramaki等利用复杂网络方法分析了美国商业银行的银行间支付系统网络的拓扑结构以及与网络稳定性相关的性质，发现该银行间网络具有较小的平均路径长度[21]。Boss 等对奥地利银行间市场进行实证研究后也认为，奥地利银行间网络的平均路径长度较小。Boss等还得出了另外一个结论：银行间网络的聚类系数较小。他们认为，因为银行之间保持连接需要一定的费用，所以当两个较小的银行都与一家较大的银行存在价值关系时，这两家小银行之间没有互相连接的动力[22]。

金融网络还体现了无标度网络的两个重要特征：节点度分布服从幂律分布以及中心节点的存在。Soramaki等的研究证实，美国商业银行的银行间支付网络的节点度分布服从幂律分布，同时该银行间网络还包括一些节点度数很高的“中心型”（Hub）银行[21]。Iori等则运用复杂网络的统计分析方法，对意大利银行的隔夜拆借市场的网络结构进行了分析，发现节点的度分布服从一个比随机网络更为厚尾的分布[18]。这也意味着，存在数量很少的几家较大的银行，与非常多的小额贷款者保持债务关系，这些规模较大、节点度较高的银行就是典型的中心节点。更进一步地，Boss等不仅证明了奥地利银行间的节点度分布服从幂律分布，他们还精确地计算出该银行间网络分段服从的幂指数分别为0.62和2.01[22]。

金融网络的这些宏观特征对于分析金融系统的传染性是非常重要的。Albert等在2000年的研究表明，当中心节点受到冲击时，无标度网络将会变得特别脆弱，且很容易造成传染蔓延。尽管小世界网络在单个小型金融机构破产时有很强的稳定性，但是，一旦少数节点度数较高，也就是负债规模较大的（中心节点）银行破产时，银行系统受到的冲击将会很大。

金融系统的这种风险特点也与损失函数服从薄尾分布的特性相吻合，当发生危机的是一般的小型金融机构时，金融系统拥有较强的自我修复能力；但是一旦关键的大型金融机构（中心节点）发生流动性危机时，金融系统将会变得非常脆弱，从而极有可能造成金融传染的蔓延以及严重的资产损失。

五、金融网络研究中亟待解决的难题

金融网络中存在数量众多的节点以及纷繁复杂的连接关系，这使得要构造一个完整的金融网络就需要大量的数据，然而，金融机构之间较为可靠的借贷关系数据是很难获得的。目前应对这个难题通常有两种方法：一是只研究信息完全的那一部分金融网络。这种方法的缺点在于“以偏概全”，把局部网络所具有的特征当做整个金融网络的特征。例如，Furfine只采用联邦储备市场的数据（该市场仅占整个银行间市场的10%—20%），造成最后所得结果与其他学者的研究结论存在差异，低估了金融传染的危害性[23]。二是用某些合理的假设和方法去估计数据。目前大部分文献使用最大熵估计方法，但最大熵估计方法的缺陷主要在于，在满足特定的约束之下它假设金融机构之间的借贷是均匀分布的，这显然与事实不太相符。Mistrulli分别用最大熵方法和基于完全数据的方法对同一市场做了分析，研究发现，最大熵估计方法可能会高估传染的扩散范围，从而造成对传染损失的错误估计[24]。这两位学者的研究表明，两种方法都存在一定的缺陷。如果能将这两种方法有机地结合，或者运用创新的研究工具解决金融网络数据获取难题，我们将能构造更为真实、更为完善的金融网络。

另一个难题则是如何将宏微观的研究方法相结合。微观方法能清晰直观地解释网络的连接方式以及传染的传导过程，但是其对于网络宏观结构的假设过于简单，也无法在整体上把握金融传染特征；而宏观方法虽然能较好地解释金融网络的拓扑性质，但很难对金融机构的决策行为做出分析，也很难把握金融网络的动态变化。

若能将宏微观分析方法相结合，则可以对金融网络的形成过程、传染特点等都得到更为清晰、更为全面的认识。Schweitzer等认为，这需要从五个方面做出更大的突破：大数据量的分析，即分析金融网络中每一节点的动态发展过程，这对编程计算能力提出了更高的要求；把研究扩展到更广的时间和空间上，动态分析整个冲击以及传染过程在时间、空间上的变化，即我们需要进一步发展网络动态学；更精确地界定网络结构，并引入一些全新的概念，例如描述性指标的复合指标（如网络的k-核结构、支配力等），还有银行网络的Motif结构等，以使得对金融网络的描述更加细致；修改某些外生假定以得到更加贴近现实的模型，例如取消对资金流动范围的限制并允许金融传染在全球范围内发生；借助于系统工程学的稳定性研究，通过建立反馈机制考察金融网络的稳定性[25]。

综上，从金融网络的宏微观结构特征来看，最优金融网络具有完全连接、较低的复杂程度、适当偏长的最小路径长度以及较小的聚类系数等几个主要的微观特征。而现实中的金融网络通常具有小世界网络以及无标度网络的典型特点。要想防止金融传染，我们应该设计一个具有“完全连接”、较低的复杂程度、适当偏长的平均最短路径长度以及较小的聚类系数等微观特征的金融网络，同时必须提高对金融网络中中心节点的监测和救助。

参考文献：

[1] Watts， D. J.， Strogatz， S.H. Collective Dynamics of “Small-World” Networks[J].Nature， 1998， 393（6684）： 440-442.

[2] Barabási， A. L.， Albert， R. Emergence of Scaling in Random Networks[J].Science， 1999， 286（5439）： 508-512.

[3] Kiyotaki， N.， Moore，J. Balance-Sheet Contagion[J].The American Economic Review， 2002， 92（2）： 46-50.

[4] Diamond， D.W.， Dybvig， P.H. Bank Runs， Deposit Insurance and Liquidity[J].Journal of Political Economy， 1983， 91（3）： 401-419.

[5] Giesecke， K.， Weber， S. Cyclical Correlations， Credit Contagion， and Portfolio Losses[J].Journal of Banking and Finance， 2004， 28（12）： 3009-3036.

[6] Kodres， L. E.， Pritsker， M.A. Rational Expectations Model of Financial Contagion[J].The Journal of Finance， 2002， 57（2）： 769-799.

[7] Elsinger， H.， Lehar， A.， Summer， H. Risk Assessment for Banking Systems[J].Management Science， 2006， 52（9）： 1301-1314.

[8] Eisenberg， L.， Noe， T. Systemic Risk in Financial Systems[J].Management Science， 2001， 47（2）： 236-249.

[9] Upper， C.， Worms， A. Estimating Bilateral Exposures in the German Interbank Market： Is there a Danger of Contagion[J].European Economic Review， 2004， 48（4）： 827-849.

[10] Angelini， P.， Maresca， G.， Russo， D. Systemic Risk in the Netting System[J].Journal of Banking & Finance，1996， 20（5）： 853-868.

[11] Allen， F.， Gale， D. Financial Contagion[J].Journal of Political Economy， 2000， 108（1）： 1-33.

[12] Freixas， X.， Parigi， B.， Rochet， J.C. Systemic Risk， Interbank Relations and Liquidity Provision by the Central Bank[J].Journal of Money， Credit and Banking， 2000， 32（3）： 611-638.

[13] Brusco， S.， Castiglionesi， F. Liquidity Coinsurance， Moral Hazard and Financial Contagion[J].Journal of Finance，2007， 62（5）： 2275-2302.

[14] Gai， P.， Kapadia， S. Contagion in Financial Networks[J].Proceedings of the Royal Society A， 2010， 466（2120）： 2401-2423.

[15] Goyal， S.， Vega-Redondo， F. Network Formation and Social Coordination[J].Games and Economic Behavior， 2005， 50（2）： 178-207.

[16] Leitner， Y. Financial Networks： Contagion， Commitment， and Private Sector Bailouts[J].The Journal of Finance， 2005， 60（6）： 2925-2953.

[17] Gai， P.， Haldane， A.， Kapadia， S. Complexity， Concentration and Contagion[J].Journal of Monetary Economics， 2011， 58（5）： 453-470.

[18] Iori， G.， Jafarey， S.， Padilla， F. G. Systemic Risk on the Interbank Market[J].Journal of Economic Behavior & Organization， 2006， 61（4）： 525-542.

[19] Haldane， A. G.， May， R. M. Systemic Risk in Banking Ecosystems[J].Nature， 2011， 469（7330）： 351-355.

[20] Nier， E.， Yang， J.， Yorulmazer， T.， Alentorn， A. Network Models and Financial Stability[J].Journal of Economic Dynamics & Control， 2007， 31（6）： 2033-2060.

[21] Soramaki， K.， Bech， M. L.， Arnold， J.， Glass， R. J.， Beyeler， W. E. The Topology of Interbank Payment Flows[J].Physica A， 2007， 379（1）： 317-333.

[22] Boss， M.， Elsinger， H.， Summer， M.， Thurner， S. Network Topology of the Interbank Market[J].Quantitative Finance， 2004， 4（6）： 677-684.

[23] Furfine， C. H. Interbank Exposures： Quantifying the Risk of Contagion[J].Journal of Money， Credit and Banking， 2003， 35（1）： 111-128.

[24] Mistrulli， P. Assessing Financial Contagion in the Interbank Market： Maximum Entropy versus Observed Interbank Lending Patterns[J].Journal of Banking & Finance， 2005， 35（5）： 1114-1127.

[25] Schweitzer， F.， Fagiolo， G.， Sornette， D.， Vega-Redondo， F.， Vespignani， A.， White， D. R. Economic Networks： The New Challenges[J].Science， 2009， 325（5939）： 422-425.

The Influence of Financial Networks and Contagion on Financial Stability

BA Shu-song1，2，ZUO Wei1，ZHU Yuan-qian3

（1.Management School，University of Science and Technology of China，Hefei 230023，China；

2.Development Research Center of the State Council，Beijing 100010，China；

篇2

〔中图分类号〕F2731；F8303 〔文献标识码〕A 〔文章编号〕1000-4769（2012）05－0066－03

一、科技知识创新网络及其政府作用

网络联系（或者活动）是指网络行为主体之间的交互活动或关系。Beckman（1994）最早提出了知识网络（knowledge networks）的概念。笔者把科技知识创新网络定义为“科技知识创新与科技成果产业化的社会网络”。科技知识创新活动链接了企业、科研机构和大学，即所谓“产、学、研”相结合的模式。但是，市场需求是科技创新成功与否的最终判断标准，因而科技创新网络必须链接消费者，即“知道技术可用在哪，以及为什么人所用”，〔1〕所以，科技创新网络一定是“产、学、研”与市场相链接的社会网络。

政府促进科技创新网络链接有三方面作用：第一，按照波兰尼的观点，科学与人应该是合一的，个人的意会知识（tacit knowledge）和个体技能（Skills）在人类科学知识创新中发挥着基础性的作用。〔2〕有效保护知识产权能激发创新者的积极性并产生更多科技成果，政府的作用是建立与完善制度体系，营造尊重知识产权和鼓励创新的社会环境。第二，政府对科技知识创新活动进行直接或者间接的金融支持，间接金融支持即“政策性金融”与市场的结合。第三，格兰诺维特把人们的直接联系称之为“强关系”，间接联系称之为“弱关系”。〔3〕强关系网络具有的高“接触频率”与“情感密度”以及“结构等位”（网络成员具有同等位置），有利于科技创新的产生，但也导致信息同质化；“弱关系”则带来新信息或机会，从而形成互补性的科技知识创新网络。依据这一理论，政府的作用是扮演科技金融网络“桥（bridge）”的角色，通过服务平台促进科技型企业与科研院所、金融机构等发生链接。

二、财政资金嵌入金融交易结构的机制

“金融交易结构”是金融资产的未来收益、风险和流动性的结构化，并形成以交易价格为核心的交易双方的权利配置。金融交易结构是金融网络的链接机制，也是金融网络与科技创新网络发生链接的机制。当金融网络与科技创新网络发生链接时，这种社会网络称之为“科技金融网络”。政府的“桥接”作用便是通过政策性金融与服务平台共同影响“金融交易结构”，改变收益与风险匹配关系，促进科技型中小企业与金融机构自愿达成交易。

“金融交易结构”是由科技创新类型与金融交易方式共同决定的。其一，基础科学知识创新一般采用财政资金直接投入；技术创新除财政资金投入外，还以技术应用单位提供研究经费或专利转让费等为补充；企业的“产品创新”和“过程创新”则可以通过VC和PE、银行贷款等金融资源配置方式。其二，高新技术企业或者产品生命周期各阶段，在风险最大的初创期利用自筹资金，辅之以政府种子基金或天使投资；在风险次之的成长初期除自筹资金外，还可能有VC或PE等股权投资；在风险较小的成长期和成熟期则采用PE投资、企业债、银行贷款等。长久以来，政策性金融在推动市场机制不能有效解决的基础科技研究方面起到了决定性作用，而财政资金嵌入“金融交易结构”，以实现政府引导与市场基础性作用相结合方面的尝试在近年也取得一定成果。

风险、收益与流动性相匹配是决定金融交易结构的经济学法则，当财政资金嵌入金融交易结构改变了风险与收益的不匹配关系时，过去不可能达成的金融交易现在可以自愿达成，所以，财政资金的嵌入本质上是一种政府信用的嵌入，以达到为科技型中小企业增信的目的。如苏州“科贷通”模式就是政府通过设立信贷风险补偿专项基金，对合作商业银行的科技型中小企业贷款违约损失实施风险补偿，从而降低了商业银行的风险。从金融交易结构创新的角度分析，企业与银行的双边交易结构在嵌入政府信用后转变为一种三边交易结构；金融机构之间的互动甚至可以形成多边交易结构，如苏州推出的“保险贷”就是在金融交易结构中嵌入保险公司的“信用履约保险贷款”，即经保险公司履约保证保险后发放给科技型中小企业的银行信用贷款。但是，由于政府嵌入放弃了全部或部分商业利益，而金融机构则以商业利益为目的，所以，商业性多边交易结构往往会导致更高的交易费用。笔者的看法是，如果不能降低交易成本，这种商业性多边金融交易结构很难认定是一种有效的金融交易结构创新。

篇3

1995年10月美国第一联合国家银行在网络上开业，标志着互联网金融的兴起。自此互联网金融踏入征程。

1995至2003年，网络银行率先发起金融模式改革，网络证券、网络保险紧随其后，从此，网络银行开始在全世界兴起。传统金融机构纷纷利用互联网技术转变自己的业务模式，但其转变并不完善，只具有简单的将查询、变更、转账的基本业务服务延伸至网上的功能。

2001至2012年，传统金融机构依托互联网技术，不断创新自身的业务模式，积极借助互联网向客户提供例如开户、查询、投资理财、国际业务等传统服务项目。互联网企业也大举进军金融行业。自此，互联网和金融行业才算真正结合在一起形成互联网金融，互联网技术的发展进步推动了金融行业的不断创新。

2012年至今，互联网金融呈现爆发式增长，真正意义上将理财与保险融为一体，开展互联网金融的新方向。同时，传统互联网行业也纷纷从吸取流量盈利模式转型发挥其用户群体众多的优势，将网络社交、网络购物引向投资理财的方向。现阶段互联网金融模式完成了传统银行业和传统互联网企业的合并和转型，而互联网金融理财产品更是直接威胁传统银行业的根基。

二、互联网金融的优势分析

(一)互联网金融思想深入人心，互联网技术不断发展

随着电子信息技术的迅猛发展，带给商业银行革新性的变化，首先使商业银行从传统复杂的手工记账解脱出来，实现了普通业务的电子化，其次商业银行利用电子信息技术不断研发出新产品，但是这种创新从来都没有离开商业银行本身业务的范畴。直到互联网金融思想的出现，长尾理论的广泛应用，大数据与云计算等先进电子信息技术的发展，使互联网金融产品创新不断，迅猛发展。

(二)金融市场规模巨大，不断催生新模式

我国的金融市场是以间接融资为主的市场，商业银行在这个市场上具有举足轻重的地位，但是我国的商业银行出于自己的利益与风险的考虑主要服务于具有资金需要的大型企业，没有兼顾到小微企业的融资需要，所以，大多数的小微企业都面临着融资难题，从而制约其发展，面对这样的现状，互联网金融恰好可以弥补这部分金融市场的融资需要，并针对各种融资需要的特点，不断催生新的模式，对商业银行一枝独秀的金融市场起到重要的补充作用。

(三)互联网金融模式利润空间大

传统的金融模式需要大量的物理网点、专业人员，如其在风险调控方面更加需要大量的资金，运营成本比较高。而互联网金融模式则不需要这种巨大的投资，与传统的商业银行相比具有较大的经济性，这就给互联网金融模式带来较大的利润空间，为互联网金融在农村的广泛普及带来决定性优势。

(四)大数据金融优势

数据的分享、积累以及处理是互联网金融的核心。其多样化的数据采集方式，标准化数据获取流程以及非结构化数据处理工具，分析技术等方式和手段，将大数据完美地融入到了互联网贷款融资模式中。一方面，这一优势冲出了信息与成本对中小型企业融资的束缚并且在一定程度上缓解了市场中信息不对称的局面;另一方面，在大数据优势下的借贷服务有着很高的透明度，利于商业银行在第一时间内对中小型企业的交易情况、资金运用情况以及信用情况进行相应的查询及了解，这种及时反馈使商业银行能够大胆向中小型企业贷款，在一定程度上解决了中小型企业融资的困境。

三、互联网金融促进农村金融建设的几点建议

(一)加强农村互联网金融的基础设施建设

为方便农村居民获取相关的金融信息及金融活动在农村地区的顺利开展，在农民中树立正确的金融观念，要加快农村地区金融基础设施建设。与实体金融网点的设立相比，网络、电话渠道的疏通效率更高成本更低，具有先天的优势，在金融网点不能覆盖的地区可通过电话、网络渠道进行相关服务，从而缓解农村金融排斥压力。与此同时逐步合理搭建金融网点，能够大大降低金融网点设立的风险。这需要政府鼓励政策与强制力度双管齐下，鼓励农民参与金融活动中来，同时也鼓励金融机构在农村搭建金融网络服务站点，将需求与供给有效结合，给双方建立良好互信的空间的同时也解决了金融信息传递不畅的问题。此外，也要加强农村地区金融知识的普及，消除农民心理上的排斥。

(二)简化业务流程，提升服务和信誉

篇4

在传统条件下,金融是指货币的制造、流通和回笼,贷款的发放和收回,存款的存入和提取,汇兑的往来等经济活动。在那种条件下,金融活动的监管易于操作,金融安全的表现比较直观,并且通过审计跟踪等手段,也能很好地实现金融安全。随着知识经济时代的来临,网络的出现,使得整个世界成为“地球村”。与此同时,传统的金融概念也发生了深刻变化,以电子货币、网络银行、电子商务为特征的新的金融营运体系的出现,给我们如何确保网络时代国家的金融安全提出了新的课题。

20世纪90年代机构性和区域性金融危机频繁爆发和金融一体化趋势有重大关系。金融一体化是世界经济一体化的必然要求,国际贸易发展和生产一体化要求便利的跨国界服务,如资金融通和全球化资本自由流动;通讯技术,特别是计算机网络技术的发展,期权、期指等金融衍生工具和层出不穷的金融创新为资本的自由流动创造了技术条件。由于现有的国际金融体系缺乏对跨国界资本流动的有效约束和监督,特别是对金融科学管理工具和银行表外业务的管理,投机金融机构很容易利用保证金交易,集中大量资本蓄意攻击某个薄弱环节,从中攫取巨大利益。

一、网络时代的金融活动的基本特征

网络时代的金融电子化,能充分利用先进的现代化技术与设备,提高金融活动的效率。新技术与金融业务相结合可以大大降低融资成本,据美国有关部门测算:同样一笔交易通过银行柜台交易成本为1.02美元,通过电话交易成本为54美分,文传成本为26美分,而通过互联网只需13美分。可见,网络在金融业务中的应用可以提高金融机构的竞争能力,总起来说其主要特征有:

1.虚拟性

网络时代的金融机构通常表现为没有建筑物,没有地址而只有网址,营业厅就是首页画面,所有交易都通过因特网进行,没有现实的纸币乃至金属货币,一切金融往来都是以数字化在网络上得以进行,这能在很大程度上降低金融机构的运作成本,同时也使地理位置的重要性降低,提高金融服务的速度与质量。

2.直接性

网络使得客户与金融机构的相互作用更为直接,它解除了传统条件下双方活动的时间、空间制约。另外,网络为资本的国际流动创造了前所未有的条件,储蓄和投资会划拨变得更有效。需要大量投资的穷国已不再受制于缺乏资本,存款已不限于本国市场,而能在世界各地寻求投资机会。“由于投资者能把自己的有价证券更广泛地分散到各地,风险也随之多样化,使得化解金融风险的难度更大”。[1]

3.电子化

国际金融体系由全球各地的数十万部电脑显示器组成,它是第一个国际电子市场。电子货币是建立在计算机空间而不是地理空间上的全球性经济的一种表现形态。电子货币造成的管理方面的根本问题源自电子市场与政治地理之间的脱节。例如,控制货币供应量这个概念本身就假定地理能够提供确定市场范围的有关手段,它假定经济边界是有效的;货币的跨边界流动是可以监视和控制的;一个固定的地理区域内的货币总量是重要的。在数字化的世界经济中,所有这些假定都变得越来越成问题了。

4、风险性

电子货币和数字市场的日益重要性给中央政府对经济和经济活动参与者的控制带来了难题。它们还会使国家市场和民族国家周围的边界变得越来越容易渗透。由于电子货币发行者的多元化(既有中央银行又有民间组织)使得对参与网络交易的行为具备潜在的更大的风险,必然使我们面临诸如在电子货币发行者破产、系统失灵或智能卡遗失的情况下如何保护客户的权益问题。另外,在网络经济中,舞弊和犯罪活动将变得更加隐蔽。

二、当前我国金融机构的网络化程度和存在的问题

随着我国信息产业的不断发展,以及我国金融市场的逐步开放,加上经济全球化和我国对外开放的基本国策决定了我国的金融业也必将融入到世界经济中来。当前我国的证券交易基本实现了全国联网,网上炒股日益发展,工商银行等金融机构也都建立了各地的局域网,其中中国银行已建立了以总行数据处理中心为核心辐射海内外的全辖网络化应用体系。这些新生事物给我国金融业的发展注入了新的活力,它不仅方便了客户,而且可以大大降低金融营运成本。但是,网络化的金融体系如其他一切事物一样是“方便往往与安全针锋相对”,虽然我国目前还没有开放金融市场,但仅在当前的低级网络化进程中我们还是遇到了不少关系到金融安全的问题。比如,非法入侵金融机构的网络系统,攻击金融组织的数据库,通过网络盗取他人股票、金钱的行为也开始出现,利用职权之便,改动网络数据为己谋利。凡此种种行为都给金融监管提出了更大的挑战,使得国家的金融安全受到很大威胁。从整个世界金融体系来说,我国所用的计算机硬件设备主要依靠从美国IBM等公司进口,由于美国对其他国家实行技术上的歧视性政策,而我国目前自己的加密技术和密钥管理技术及数字签名技术相对落后于金融电子化发展的需要,加之不断有报道指出从国外进口的软件技术都有明显的秘密通道,所有这些都成为网络时代金融安全的隐患。

三、面对网络时代为确保我国金融安全应采取的对策

随着金融服务网络化程度的提高乃至我国金融交流的国际化,金融安全问题必然成为国家经济安全中的最重要的内容。可以想象,在未来网络时代,任何人可以在网上自在漫游、查询、申请贷款,在实际交易中就有可能引来网络入侵者。不管是盗领还是更改电子资金资料,对于信用重于一切的银行都是极大的风险,而对于国家都是巨大的损失。

任何经济安全问题都能找到应对办法,但对现代金融市场的运转方式、运作技巧等,我国金融业还不太熟悉甚至不理解。亚洲金融危机充分显示了发达国家金融机构在这方面的实力。应当说,这方面的较量是冷战后国家力量、国家意志博弈的重要体现,是发展中国家、新兴工业国家与发达国家在后者最具有优势的领域进行的较量,这种较量将持续相当长时间,直至与发展中国家、新兴工业国家真正进入发达国家行列相始终。因此,现代高级金融人才的培养与经验的获得,对维护我国金融体系的安全,具有极为重要的意义。在基本做好人才和知识的准备之前,要把握好金融市场对外开放的步伐,据国际货币基金组织报告,目前全球游资已达7万多亿美元,每天流动量达1万亿美元、每天金融交易中与实物经济有关的仅为2%,[2]在虚拟经济已大大脱离实物经济发展需要而存在的今天,我们应当在开放金融市场时保持清醒的头脑,有对可能导致“泡沫经济”的金融商品、金融机构、金融经营方式说“不”的勇气和决心,在此基础上,应重点做好以下几方面的工作。

1.强化国家金融安全的意识

在未来网络时代,在我们与国外的金融交往过程中,由于种种原因我国与发达国家在这个领域的差距势必长期存在,这就要求我们必须时刻注意捍卫国家的金融安全。网络化在一定程度上冲淡了国家的概念,但是我们必须看到:东、西方在意识形态方面的差异不会因网络化而消失,恰恰相反,网络在一定程度上为其推行新经济政策提供更为便利的条件,我们在目前不利的情况下,既要充分利用网络化给我们提供的机遇,又要高度警惕它对我们不利的一面。

2.确保金融机构信息体系的安全

据美国能源部和航天局估计,目前世界上已有120多个国家具备了发动信息战的能力,还有成千上万的电脑“黑客”可能对信息系统进行攻击。“1994年美国国防部特意组织一批‘黑客’对国防部的计算机系统攻击,结果在被‘黑客’攻击的8900台计算机中竟然有88%被‘黑客’掌握了控制权”[3]与美国相比,我国的信息系统显得脆弱得多。因此,在推进金融网络化的进程中,必须把确保我国金融系统的信息体系的安全尤其要放在十分重要的地位,特别要增强计算机系统的关键技术和关键设备安全防御能力。具体地讲,必须建立完善的防护设备,这其中包括客户端的乱码处理技术、防火墙。以及保护交易中枢不被入侵的可信赖作业系统,使得从用户的电脑端开始,资料传送就受到层层保护。对所有金融数据进行加密传输,使用户经过多级认证以提高网络的安全性

金融系统计算机设备要把防电脑病毒放在极其重要的地位,建立严格的业务操作规程,尤其是要加强对金融部门工作人员的职业道德教育,杜绝利用金融部门计算机系统进行与业务无关诸如玩电子游戏、修改相关数据等活动。定期彻底清除金融网络系统的安全隐患。在这个问题上更要强调开发研制我国自己的电子技术产品,在硬件设备上迅速缩小与发达国家之间的差距,在金融网络化进程中掌握主动权。

3.提高摄取金融市场运行信息的准确度

在完善网络监管的基础上,尽量提高对金融市场运行信息的数量和质量的掌握,从而更准确地化解金融活动的风险,平滑金融振荡,以实现减少金融波动的目的。因为,网络信息往往鱼龙混杂,良莠不齐,虚假信息经常充斥其间。因此,必须加强对这些网络原始资料的判别整理,以尽可能地掌握更多、更准的信息,具体措施就是建立严格的网络金融的认证体系,扩大宣传力度,使广大社会成员知道哪些网上银行符合网上金融经营的标准,从而保证网络金融活动的健康、有序进行。

篇5

摘要：异质的金融网络结构中，危机传染效应所引起的系统性风险不同。本文基于复杂网络理论，研究随机网络、小世界网络和无标度网络这三种金融网络中危机传染对系统性风险的影响。首先构建有向加权的银行间随机网络、小世界网络和无标度网络，并根据网络结构确定网络中每个银行的资产负债表。其次模拟分析两类随机冲击和两类目标冲击下，不同网络结构中风险传染所引起的系统性风险状况。结果显示：无标度网络面对冲击时的稳定性更高，但当连接最多的银行遭受冲击时，这种网络结构极端脆弱；随机网络面对目标冲击具有最高的稳定性，但面对随机冲击则更加不稳定；金融网络呈现出“稳健而脆弱”的特性。

关键词 ：网络结构；危机传染；系统性风险；复杂网络理论

中图分类号：F830.9文献标识码：A

文章编号：1000-176X(2015)04-0031-09

收稿日期：2014-12-28

基金项目：教育部人文社会科学规划基金项目“基于复杂网络理论的金融危机传染与系统性风险关系研究”（14YJA910001）

作者简介：石大龙（1988-），男，安徽宿松人，博士研究生，主要从事宏观经济统计分析和金融系统性风险等方面的研究。E-mail：1shidalong@163.com

白雪梅（1949-），女，辽宁岫岩人，教授，博士生导师，经济学博士，主要从事宏观经济统计分析、收入分配和市场调研等方面的研究。E-mail：xmbai@dufe.edu.cn

一、引言

近年来，国际上金融机构失败所引起的系统性危机揭示了系统性风险的重要性。系统性风险是影响整个金融系统稳定的宏观层面的风险，而不是系统中某个个体的风险。一般来说，系统性风险源于三种负面冲击的影响：一是宏观经济层面负面冲击，例如，经济增长、失业、通货膨胀等的冲击；二是利率、汇率的大幅波动以及资本市场价格下降等负面冲击的影响；三是金融系统内的危机传染。危机传染是系统性风险积累和爆发过程中十分核心的一个环节［1-2］。某一金融机构的失败会通过传染影响整个金融系统的稳定。金融危机期间，一个银行可能无法按时足额支付所有的债务，这会给债权人造成一定的损失。如果这个损失的金额超过了债权人的资本，那么将导致债权人的一些短期债务出现违约。进而又导致债权人遭受资产损失，并导致一系列的债务违约。这种连锁反应可能最终导致整个金融系统的崩塌，而金融危机的溢出效应又会引致严重的经济危机。随着经济金融全球化的进一步发展以及金融自由化进程的加快，金融系统内各类金融机构间通过互相持有资产负债、持有同类资产等形式形成各种金融网络。近年来，金融网络中的危机传染与系统性风险以及金融稳定的关系已成为金融理论研究和应用研究的热点话题之一［3-4］。许多学者逐渐使用网络科学理论来解释金融网络中的危机传染机制，并探讨何种金融网络结构更容易促使金融稳定。其中最主要的一个共识是：银行等金融机构间相互联系形成的金融网络能够传导和放大任一机构所遭受的冲击。换言之，危机传染的广度和深度与银行和金融机构间相互联系的网络拓扑结构密切相关。

Allen 和Gale［5］通过拓展Diamond和Dybvig的银行挤兑模型（bank-run model），开创性地研究了网络结构如何通过传染来影响系统性风险或金融稳定，他们发现，银行系统内更高的连接度更不容易导致银行挤兑。此后，众多学者从不同的角度拓展了Allen 和Gale的模型，这些模型均认为网络的不完备性会增加系统性风险，而且不完备的网络是事后次优的，不过，金融网络的完备性只是金融系统稳定的充分条件［6］。而事实上大部分金融网络都是不完备的，但其传染的概率却可能很低。早期的此类模型多是基于简单的网络模型，分析金融网络中的风险传染问题，一般将此类模型称之为程式化模型。近期基于复杂网络理论的金融网络模型则以更精确的方法论证了网络连接性如何影响系统性风险以及金融稳定性，均发现金融系统呈现出“稳健但脆弱”的特性：在正常时期，银行间的联系可以加强流动性配置，提高金融机构间的风险分担；而危机期间，通过在系统中的传染，相同的连接程度会放大风险。特别是连接性与负面冲击的规模相互作用会导致金融系统从稳定状态突变为不稳定状态［7-8］，而且，当金融网络中同业资产和负债的规模非常大时，完备的金融网络甚至可能会损害系统稳定性［9］。此类运用复杂网络理论的模型假定较为严格，其不合理之处主要体现在：一是没有考虑金融机构不同维度上的异质性对风险传染和系统性风险的作用；二是没有考虑金融市场中的信息不完全对传染和金融系统稳定的影响；三是没有考虑金融机构的不正当行为对传染和系统性风险的影响。

我国学者也对金融网络中的传染效应问题展开研究。马君潞等［10］采用银行资产负债数据估算我国各银行间的双边风险敞口头寸，分别考察单个银行破产与多个银行同时破产所造成的传染效应。范小云等［11］通过构建网络模型考察银行间的关联性对系统性风险的影响。他们发现，相比银行规模，银行间的关联程度，尤其是负债关联性较高的银行更容易诱发系统性危机，而且其破产造成的损失也更大。高国华和潘英丽［12］分别估算了流动性风险和信用违约两种情况下传染所造成的资本损失，并考察了不同的银行间网络结构对传染效应的影响，发现分散型市场中的传染风险比相对集中型市场中的传染风险要小。此外，他们研究了影响银行系统重要性和易受传染性的影响因素，发现银行类型、资产规模、风险头寸是影响银行系统重要性的因素，而银行类型、风险暴露程度和资本充足状况则是影响银行易受传染性的因素。刘冲和盘宇章［13］指出，银行间同业拆借网络存在两种相反的效应：一是为传染提供了渠道；二是通过风险分担推动了金融稳定。他们通过理论模型证明，在异质性流动冲击下，同业拆借网络的风险分担效应占据主导地位，它能够保证银行免受清算长期资产的损失，因而能够有效降低传染的概率，有助于维护金融稳定。并以1935年“白银风潮”作为异质性流动冲击，采用此期间上海银行间的同业拆借数据验证了有效的银行间拆借网络能够维护金融系统稳定。

现有文献着重探讨个体失败为什么会导致系统性风险，主要结论是：在一定的假设条件下，个体失败会通过金融网络的传染效应影响整个金融系统的稳定性。而且，这种影响几乎都是非线性的，这意味着必须十分小心地实施减小系统性风险强度和范围的政策，特别是当今金融全球化高速发展成为普遍的潮流，全球经济体已形成一个相互依赖的网络。那么，在这种日益复杂的金融网络中，传染究竟通过何种途径、以何种形式影响整个金融系统的稳定性，这种影响的程度又有多大？这些正是本文需要解决的问题，也是本文的价值所在。

二、金融网络中的传染与系统性风险：理论模型

系统性风险有广义和狭义之分，通过银行间市场的传染效应所引起的系统性风险即是狭义的系统性风险。而现代金融体系中，大量的金融中介通过相互借贷、持有共同资产等方式相互联系，形成一个复杂的网络结构。信用违约掉期（CDS）和债务抵押证券（CDO）等复杂的金融衍生品则进一步加剧了这种联系的复杂程度。金融机构间的这种相互依存关系会导致一个很小的负面冲击得以在复杂的金融体系中传播并放大，并最终危害整个金融体系甚至宏观经济运行的稳定。雷曼兄弟公司破产和美国国际集团（AIG）困境就是对此最真实的诠释。金融机构间的这种复杂的联系也导致难以评估困境下金融机构行为或直接违约所引起的潜在传染效应。

近年来，大量研究关注金融体系中的负面冲击所引起的传染对系统性风险的影响。本文从理论层面探讨不同的网络结构中，负面冲击是如何通过传染影响系统性风险和金融系统稳定。由于不同的网络结构中金融机构间的连接对危机的传染作用存在较大争论，本文通过分析随机网络、小世界网络和无标度网络等三种网络结构中的危机传染效应则有助于厘清这一争论。

（一）模型设定

本文首先构建一个一般的网络分析模型，然后对模型参数化，并进行数值模拟。理论模型主要基于Gai和 Kapadia模型［7］（简称GK2010模型）的基本框架，并根据Battiston等［14］和Nier等［15］的研究进行扩展。由于哪一家银行第一个遭受冲击对于传染的进一步传播有着至关重要的作用，因而本文采用随机冲击和目标冲击两种冲击方式，即随机确定或有目的地选择连接最高的金融机构作为第一个遭受负面冲击的节点。

显然，财务杠杆f放大了资本比率的变化。因此，对于资本匮乏的银行来说，由于其杠杆率相对较高，其资本更可能出现大幅的损失（相对于总资产来说）。

解微分方程得到银行的资本动态，用矩阵形式表示如下：

三、模拟设定与结果

本文模拟随机网络、小世界网络和无标度网络三种网络拓扑结构中，原始违约通过传染引起系统性风险的结果。

（一）模拟设定

模拟不同的平均度下，初始违约通过传染所引起的破产银行数量。平均度代表了银行拥有的平均交易对手数量，它可以通过经验研究计算得到，也可以计算理论研究中节点度分布的期望值而获得。实际上，平均度等同于网络的连接度，反映了金融系统中风险分散程度，它是传染发生的主要途径。在网络不存在任何连接的极端情况下，任何机构遭受负面冲击都不会影响其他金融机构。通过改变平均度，能够得到不同连接水平下的传染频率和传染程度。传染频率（frequency of contagion）是指单一银行违约冲击引起金融系统中至少5%的金融机构失败的概率。传染程度（extent of contagion）是指传染发生（5%以上的金融机构因原始冲击而违约）的情况下，违约银行占全部银行的比率［7］。根据不同的平均度，分别重复模拟过程1 000次，计算不同平均度下的传染频率和传染程度。

模拟时，首先需要构造金融网络。假定金融网络由1 000家异质银行构成，从而生成一个由1 000个节点组成的随机网络、小世界网络（重连概率0.05）和无标度网络。为计算方便，假定网络中的每一条连接都是双向的，不过同一条连接不同方向的权重不同。然后，根据对数正态分布为网络中的每一条边赋权，对数正态分布的均值为15.2百万元，标准差为0.8百万元［16］。至此，银行间网络已构造完成，并确定了每个银行的同业资产和负债。其次

构造每个银行的资产负债表。为确保银行总资产大于同业资产或同业负债，假定银行的总资产为maxAi(0)，Li(0)=0.25·Ai(0)，这就得到每个银行的总资产。定义资本比率为总资产的一个固定值ci(0)=c。与巴塞尔协议II对银行资本充足率的要求一致，假定c=0.04。资产负债表中，资产的其他部分为外部资产，负债的其他部分为存款。至此，银行的资产负债表已经构造完成。

在模拟中，假定时间离散。在0时刻，负面冲击导致一个银行出现违约，并导致其外部资产损失1/2。该银行违约将通过金融网络传染至其他银行，一旦其他银行的资本受其影响小于0，则这些银行也会出现违约。违约过程将一直持续到不会出现新一轮银行违约，即χ(t+1)=χ(t)，此时，传染达到稳定状态。当违约级联终止时，计算传染程度和传染频率。最后，假定资产回收率ρ=0。

（二）基准情形：不存在流动性效应的随机冲击

模拟时首先考虑基准情形：在全部银行中以相等概率随机选择初始违约银行，并且网络中不存在流动性效应，即α=0。图1报告了基准情形的模拟结果。

图1(a)揭示随机网络中，风险分散程度对金融稳定的影响是非单调的。具体来说，当平均度较低时，传染频率和传染程度都是随着平均度的增加而增加的；而当平均度足够大时，金融网络的风险分散作用将占据上风，由此导致传染频率逐渐下降至0。因此，金融网络中的传染存在两次相变，并形成一个传染窗口：第一次相变（底部相变）发生在节点度小于1时，第二次相变（上部相变）发生在节点度为8.5左右，〖ZW(〗

由于模拟时采用的节点度间隔是0.5，所以模拟并没有显示出相变发生时的精确平均度。可以通过求解析解或采用更小间隔的节点度进行模拟得到精确的平均度。在这个区间内，传染非常频繁，平均度位于3—4之间时，传染频率超过了90%。虽然在超过某一阈值时，传染频率会下降，但传染程度却不会下降。当节点度接近第二次相变时的平均度时，金融系统呈现出典型的“稳健而脆弱”的特性：传染频率非常低，接近于0，但一旦传染发生，它将会导致金融系统中的绝大多数甚至全部金融机构失败。这一结果表明，在不同的连接程度下，相同的随机冲击对金融系统的影响是不同的。

图1(b)是随机冲击在小世界网络中的模拟结果。从图中可以发现，传染程度与随机网络中的情形相似，而传染频率与随机网络中的情形则大不一样。当节点度为2时，传染频率就接近于1；在超过某一阈值（节点度为6）后，传染频率开始下降，最终也接近于0。

小世界网络和无标度网络的算法所构造的网络其平均度一定是偶数，所以在模拟中本文从平均度2开始进行模拟。然而，不难发现，在传染窗口中，平均度相等时，违约的概率总是高于ER随机网络中的违约的概率。这可能是由于小世界网络中的高聚类特性所导致的。

图1(c)为无标度网络中的模拟结果。从图中可以发现：第一，传染窗口右移，这意味着与前两种情形相比，平均度较高时（超过2）才会发生传染；而在平均度位于10—12之间时，传染频率仍然较高。这主要是因为无标度网络中存在若干高度连接的Hub节点，大量的连接较少的节点违约不易引起系统性危机，而Hub节点违约则很可能引发系统性危机，所以在无标度网络中发生传染时的平均度较高，传染频率也较高。第二，传染频率的曲线与随机网络和小世界网络中的传染频率曲线相交。这表明，在平均度低于交叉点的平均度时，无标度网络更具弹性；而当平均度高于交叉点的平均度时，随机网络的弹性更高。不过，必须强调的是，无标度网络中，传染频率的最大值要小于另外两种情形，最大传染频率仅约为0.6。这与无标度网络对随机冲击的弹性的理论研究结论一致。

“稳健而脆弱”的趋势在无标度网络中同样存在，并延伸到更高的平均度。从某种意义上说，这警示了无标度网络中尾部事件的高风险性。

（三）存在流动性效应的随机冲击

本文将考虑存在负面的流动性效应时，金融网络中的传染对系统性风险的影响。存在流动性效应意味着违约银行出售资产的行为会导致资产的市场价格下降，假定出售10%的初始资产将导致资产价格下降10%，此时α=1［8］ 。可以预期，存在流动性效应时，传染频率和传染程度都应该高于不存在流动性效应的情形。实际上，α为正表明银行间持有的共同资产的间接联系成为传染的另一途径。因此，α越大，流动性效应对传染的影响也越大。存在流动性效应的随机冲击下的传染频率和传染程度如图2所示。

图2(a)报告了当存在流动性效应时，随机网络中随机冲击所造成的传染对系统性风险的影响。可以发现，相比基准情形，传染窗口扩大，直到平均度为10时，传染频率才下降至0。而在平均度较低时，传染程度高于基准情形下的传染程度。当网络极为稀疏时（即平均度非常低），传染频率较低，但一旦传染发生，由于市场价格下降，传染所导致的违约银行比例（传染程度）要高于基准情形，传染甚至能够通过流动性效应影响互不连接的组件。传染频率曲线的向上倾斜部分，与基准情形几乎重合，这说明流动性效应在这个阶段所起的作用不明显。这或许是由于资产负债表之间的直接联系已经包含了出现传染的各种潜在可能。

相反，当风险分散程度较高时，流动性风险抵消了一部分风险分散的好处，即在传染频率曲线的下降区间，传染频率要高于基准情形下相同节点度的传染频率。

从图2(b)可以发现一些比较异常的现象：在小世界网络中，流动性效应使得传染程度在平均度很小时即达到极高的水平（接近于1）；而传染窗口却与基准情形几乎一致。此外，图2(b)表明，在平均度大约为7时，小世界网络中的传染频率曲线与随机网络中的传染频率曲线相交，这表明，当平均度大于7时，小世界网络中发生传染的可能性更小。由于其高聚类特性，所以小世界网络中直接联系是导致传染的唯一机制。正如基准情形中所解释的那样，聚类导致债权人银行在一个交易对手违约时受到多重损失，银行间市场的损失使得脆弱银行从网络中删除，此时流动性效应对他们的违约没有影响。因此，流动性效应只在平均度较小时提高传染程度。实际上，非零的传染频率意味着，一旦发生传染，资产负债表的间接联系使得传染的影响范围更广泛，即传染程度更高。

图2(c)呈现了无标度网络中的模拟结果。与预期一致，流动性风险大大增加了传染频率（平均度较高时），这一结果与随机图中的结果一致。一旦传染发生，整个网络都将受到冲击而违约：在存在流动性效应时，无标度网络在底部相变时即呈现出“稳健而脆弱”的特性。比较图3(c)与图3(a)可以得到与图1相同的结论：对于较低的平均度来说，无标度网络的稳健性更高（但脆弱），对于较高的平均度来说，随机网络的弹性更好。同样，这是因为无标度网络中存在少数平均度极高的银行，一旦这些银行受到冲击，那么资产负债表的直接联系和间接联系将更容易引起大范围的违约。

图(a)、图(b)和图(c)中的带“+”和“×”号的线分别为基准情形对应网络结构和本情形的随机网络中的传染频率和传染程度，下同。

（四）目标冲击

目标冲击情形，即初始的外生违约银行不是根据均匀分布随机选择，而是以一个与其节点度成正比的概率确定。事实上，节点度较大的银行往往从事更多的投机性和高风险投资。因此，相对小银行来说，这类银行更容易遭受特质的冲击，节点度更高的银行遭受冲击的概率更高。

具体来说，本文将目标冲击又分为两种情形：一是依概率目标冲击（probabilistically targeted attack），即认为连接更多的银行遭受外生失败的概率更高；二是纯粹目标冲击（purely targeted attack）或确定性目标冲击（deterministi -cally targeted attack），即初始冲击直接针对连接最高的那个银行。

图3显示了依概率目标冲击的模拟结果。在三种网络结构中，依概率目标冲击对传染程度的改变并不明显，但是却显著增加了传染频率，即依概率目标冲击更容易导致传染发生。

当目标冲击直接针对节点度最高的银行时，模拟结果将发生极大的变化，如图4所示。不难发现，在随机网络中，纯粹目标冲击导致金融系统中传染频率更高，即金融系统更加脆弱，无标度网络中的传染窗口则变得非常宽。这与预期一致，因为高度连接的Hub节点（随机网络中不存在Hub节点）遭受冲击会导致传染很容易传导至大量的其他机构。

尽管无标度网络结构能够较好地防范随机冲击带来的传染，但一旦无标度网络中节点度最高的金融机构遭受负面冲击，那将导致极高的系统性风险。因此，2008年9月雷曼兄弟公司破产能够直接导致全球金融危机爆发也就不足为奇。

从图4(c)中可以发现一个反常现象：在上部相变区域，传染程度反而出现下降。这可能会导致一个错误的推断：确定性目标冲击所造成的传染程度低于随机冲击以及依概率目标冲击所造成的传染程度。然而，首先需要指出的是，在网络的平均度为12时，无标度网络中传染频率更高，因而违约冲击引起系统性风险的概率要远远高于其他三种情形。因此，即使纯粹目标冲击在平均度较高时所造成的传染程度小于其他三种情形下的传染程度，依然不能认为确定性目标冲击所引起的系统性风险较小。而且，从统计意义上来说，传染程度只是当违约银行数目超过给定阈值（5%）时的违约银行比率的平均值。因此，传染程度的大小还取决于阈值的设定。通过改变阈值，本文发现，当阈值为5.5%和6.0%时，传染程度分别为0.944和0.963，与5%阈值水平下0.915的传染程度相比，呈现递增的趋势；当阈值为100%时，传染程度变为1.000，此时，确定性冲击下的传染程度与其他三种情况相同。因此，不能认定确定性目标冲击所造成的传染程度低于随机冲击以及依概率目标冲击所造成的传染程度，更不能认为确定性目标冲击所引起的系统性风险要低于其他情形。

四、结论与政策建议

本文旨在厘清不同网络结构中危机传染对系统性风险的影响，研究结果发现：没有哪一个网络结构在所有情况下都更具弹性。首先，无标度网络中危机传染所引起的系统性风险通常小于另外两种网络结构下的情形。然而，当节点度最高的银行破产或违约时，这种网络结构极端脆弱。在其他情形下，无标度网络中危机传染频率明显低于另外两种网络结构中传染频率（至少大部分的平均度对应的传染频率呈现如此规律）。其次，随机网络中，目标冲击所引起的系统性风险较小，而随机冲击则会导致随机网络更加不稳定。最后，高聚类的小世界网络中，平均度是导致传染的唯一因素。得出这一结论的主要原因是，考虑了流动性风险和目标冲击的情形下，模拟结果几乎没有差别。

无标度网络结构意味着金融体系中存在“太互连而不能倒”的金融机构。这类金融机构在金融市场中的作用是模糊的，一方面，它们能吸收随机冲击带来的负面影响；另一方面，如果它们出现危机就会造成巨大的系统性风险。现有的很多研究考虑了“大而不能倒”的金融机构的监管问题，“大而不能倒”意味着就节点度来说，金融网络是同质的（即随机网络）。对“太互连而不能倒”的金融机构的监管可以采用类似于流行病学中的“目标免疫”（targeted vaccination）策略。选择那些节点度较高的金融机构进行免疫，防范这些“超级传播者”失败，从而避免其失败导致的传染，降低系统性危机爆发的可能性。就金融监管来说，“目标免疫”的形式是系统性资本要求，即提高节点度最高的那些金融机构的资本要求，这种策略将提供一个额外的资本缓冲来吸收损失，因而能够限制这些机构的传染风险。道德风险是“太互连而不能倒”的金融机构的另一个问题，潜在的政府担保观念导致银行过度利用储户存款进行投机。显然，这种行为会危害金融系统和金融机构自身的稳定。而“目标免疫”策略迫使节点度较高的银行为其强加在整个金融系统中的外部性（即系统性风险）支付更高的资金成本，这有助于减少道德风险等问题，从而降低其失败的可能性，最终降低系统性风险爆发的可能性。在高聚类的小世界网络中，引入“净额”（netting-off）机制能够提高金融系统的稳定性，这种机制能够减少网络中闭三元组的数量，从而降低网络的聚类特性。此外，将金融网络重新组织成层次结构也有助于限制传染，层次结构能够很容易地将传染限制在很少的金融机构中。

参考文献：

［1］De Bandt，O.， Hartmann， P. Systemic Risk: A Survey［R］. CEPR Discussion Papers， 2000.

［2］Dijkman， M. A Framework for Assessing Systemic Risk［R］.World Bank Policy Research Working Paper， No.5282， 2010.

［3］Allen， F.，Babus， A. Networks in Finance［R］. Wharton Financial Institutions Center Working Paper， No.08-07，2008.

［4］Hasman， A. A Critical Review of Contagion Risk in Banking ［J］.Journal of Economic Surveys， 2013，27(5): 978-995.

［5］Allen， F.， Gale， D. Financial Contagion ［J］. Journal of Political Economy， 2000， 108(1): 1-33.

［6］Babus， A. The Formation of Financial Networks［R］. FEEM Working Paper ，No. 69， 2007.

［7］Gai， P.， Kapadia，S. Contagion in Financial Networks ［J］. Proceedings of the Royal Society A: Mathematical， Physical and Engineering science， 2010， 466(2120): 2401-2423.

［8］Acemoglu， D.， Ozdaglar， A.， Tahbaz-Salehi， A. Systemic Risk and Stability in Financial Networks ［R］. NBER Working Paper ，No.w18727， 2013.

［9］Amini， H.， Cont， R.， Minca， A. Stress Testing the Resilience of Financial Networks ［J］. International Journal of Theoretical and Applied Finance， 2012， 15(1):504-552.

［10］马君潞，范小云，曹元涛.中国银行间市场双边传染的风险估测及其系统性特征分析［J］.经济研究，2007，(1):68-78.

［11］范小云，王道平，刘澜庵.规模、关联性与中国系统重要性银行的衡量［J］.金融研究，2012，(11):16-30.

［12］高国华，潘英丽.基于资产负债表关联的银行系统性风险研究［J］.管理工程学报，2012，(4):162-168.

［13］刘冲，盘宇章.银行间市场与金融稳定——理论与证据［J］.金融研究，2013， (12):72-85.

［14］Battiston， S.，Gatti，D.D.，Gallegati ，M.，et al. Default Cascades: When does Risk Diversification Increase Stability? ［J］. Journal of Financial Stability， 2012，8(3): 138-149.

［15］Nier，E.， Yang， J.， Yorulmazer， T.， et al. Network Models and Financial Stability ［J］. Journal of Economic Dynamics and Control， 2007， 31(6): 2033-2060.