基于网络视角的国际银行间市场波动性溢出效应研究

宋琴 方文 甘珂

摘   要：本文选取2007年3月—2020年6月美元、欧元、英镑、日元和人民币三个月LIBOR-OIS和SHIBOR-OIS数据，运用VARMA-AGARCH模型，采用网络拓扑分析法，研究美国、欧元区、英国、中国以及日本银行间市场波动性溢出效应，并构建波动性溢出指数。研究发现：国际银行间市场存在显著的波动性溢出效应，条件波动率不仅受到自身市场前期冲击和波动影响，还会受到其他市场干扰;金融危机和新冠肺炎疫情暴发期间，国际银行间市场波动性溢出效应均显著增强，并呈现动态特征;美国对其他经济体银行间市场波动性溢出最大，且在危机时期急剧上升，因此，中国银行间市场监管要防范境外市场风险跨区域传递，尤其是美国市场波动的输入性冲击。

关键词：国际银行间市场;VARMA-AGARCH模型;波动性溢出矩阵

中图分类号：F830.3  文献标识码：A  文章编号：1674-2265（2021）06-0070-08

DOI：10.19647/j.cnki.37-1462/f.2021.06.009

一、引言

现代金融系统呈现出复杂的网络特征，传统的“太大而不能倒”的原则，逐步转向 “太关联而不能倒”的理念。在开放经济中，市场冲击通过金融传染，传导至不同国家，易形成“发生—传导—再传导”循环。从20世纪的大萧条到2008年的全球金融危机，以银行为代表的金融机构在金融风险传染过程中发挥的作用，尤其是波动性溢出效应更是越来越受到理论界和实务界广泛关注。

在中国金融体系中，银行是主导机构，银行间市场是核心的基础市场。刘冲和盘宇章（2013）[1]认为银行间市场和实体行业存在双向反馈机制，并且会影响实体经济的健康发展。《中国金融监管报告2018》认为中国金融体系的系统性风险主要来自三个根源：一是来自中国宏观经济周期性或结构性变化对金融体系产生的系统性冲击;二是来自金融体系内部的自身演化和逐步累积的风险;三是来自中国经济金融体系之外的外部风险溢出，主要是国际金融市场的影响。近年来，中国金融市场开放程度逐步扩大，银行间市场与其他经济体联系愈发紧密。金融风险跨区域传递以及境外市场的波动性溢出会对本国市场产生冲击，对中国金融监管提出新要求。

因此，本文依据SDR货币篮子选取原則，对由美国、欧元区、英国、中国、日本等经济体所组成的国际银行间市场进行实证研究。在此基础上，运用VARMA-AGARCH模型研究各国市场的波动性溢出效应，并采用网络拓扑分析法构建波动性溢出指数，来衡量银行间市场的波动性溢出程度，以正确评估中国在全球风险传递链中的角色和地位。同时，本文还分析以新冠肺炎疫情为代表的突发性公共卫生事件对国际银行间市场波动性溢出效应的影响，从而为主动应对外部冲击、保持金融稳定与安全提供重要的参考依据。

二、文献综述

经济全球化使得全球金融市场的关联愈发紧密，世界各国逐渐重视跨境市场的风险传染效应。Dornbusch等（2000）[2]认为金融风险传染是由金融市场关联性所导致的传染，通常指单一国家金融市场冲击基于市场之间的联系向其他国家传递的现象。Forbes和Rigobon（2002）[3]在总结了前人对亚洲金融危机时期股票市场的研究后，将金融风险传染效应定义为在市场剧烈动荡时期跨市场的相关性明显增强的过程。世界银行将金融风险传染分为广义传染、严格传染和十分严格传染三个层次。广义传染指单一市场波动会传递至其他市场，从而引发系统性风险，即波动性溢出效应，该效应无论在经济危机时期还是经济平稳时期均存在，也是在跨境风险防范中最需要注意的部分。

2008年金融危机之后，越来越多的学者注重对波动性溢出效应的研究，进而为建立完善的风险预警机制提供思路。张兵等（2010）[4]等通过对中美股票市场联动性的研究发现，在QDII实施之后，美国股市对中国股市的开盘价和收盘价均有显著的引导作用。 Balli等（2015）[5]对2000—2013年美国、欧洲、日本等发达经济体股票市场对亚洲、中东、北美等区域20个新兴国家股票市场溢出效应进行研究，发现发达经济体对新兴市场存在显著的溢出效应，尤其是美国的溢出占据主导地位。此外，溢出效应的程度受到两国之间贸易规模、投资规模以及地理距离等因素的影响。

除了股票市场之外，银行间市场也具有波动性溢出特征，Ribeiro和Curto （2017）[6]以LIBOR-OIS利差作为代理变量，采用多元GARCH模型，研究发现美国、欧元区、英国、瑞士以及日本等发达经济体银行间货币市场之间存在显著的相关性和波动性溢出效应，并且呈现非对称的特征，即负向冲击的影响显著大于正向冲击。对于银行间市场的波动性溢出渠道，Allen和Gale（2000）[7]研究认为金融风险会通过银行间的债权债务关系进行传递，并且完全的债务结构网络比非完全的债务结构网络在应对外部冲击时更加富有弹性;而后Allen等（2009）[8]研究发现，当银行间市场面临的异质不确定性和总量不确定性无法进行对冲时，整个市场的波动率显著上升。近年来，学者们认为，银行间市场的波动性溢出主要通过信用违约和共同资产的持有等两类渠道进行传递，银行间同业市场网络的暴露会显著地增加违约风险和共同资产风险的传染（Caccioli等，2014;Glasserman和Young，2015;Greenwood等，2015;Babus，2016）[9-12]。Roncoroni等（2019）[13]则进行了进一步总结，将银行间市场的风险传染渠道分为直接渠道和间接渠道。直接渠道指的是银行间的双边联系，如银行间贷款网络、互相持有对方有价证券等，当某一家银行或非银金融机构发生债务违约时，会使得与之具有直接联系的金融机构受到冲击，资产负债表发生恶化;间接渠道指的是银行面临共同的潜在风险暴露，主要可以分为资产价格波动和信息溢出效应，由于银行持有共同的资产，当资产价格发生剧烈波动时，风险会在银行间迅速传递。此外，Roncoroni（2019）[13]还发现信息不对称会进一步加剧负面消息对银行间市场造成的冲击。基于以上分析，本文提出以下假设：

假设1：国际银行间市场具有金融风险传染的特征，存在波动性溢出效应。

波动性溢出并不是一成不变的，而是随着时间的变化呈现出动态的特征。Diebold和Yilamz（2009）[14]通过多元GARCH模型得到美国股票市场、债券市场、外汇市场以及大宗商品市场的条件波动率序列，并运用VAR模型下的方差分解构建波动性溢出矩阵，结果发现金融危机之前各市场间波动性溢出相对平稳，而金融危机爆发期间波动性溢出显著增强。Mensi等（2018）[15]以MSCI全球股票市场指数作为代理变量，对全球股票市场间的波动性溢出效应进行研究，并采用滚动窗口回归对该效应进行了动态分析，结果表明，在金融危机期间波动性溢出效应显著增强，并且美国市场为净的波动性溢出国，其余经济体均为风险承受者。杨子晖和周颖刚（2018）[16]采用隐含波动率作为未来市场实际波动的代理变量，借助“有向无环图技术方法”和网络拓扑分析方法对全球金融风险溢出的动态演变进行分析，结果发现在金融市场剧烈动荡时期，全球各个金融市场的波动性溢出效应显著增强，使得系统性金融风险迅速积聚。赵琼和郭程翔（2019）[17]利用BEKK-GARCH 模型对英国脱欧前后英镑与主要货币之间的波动性及其溢出效应进行研究，发现英国脱欧前，英镑与欧元、瑞士法郎以及人民币之间存在较强的因果关系和相互波动关系;然而在脱欧后，英镑与人民币之间不存在格兰杰因果关系，人民币与欧元、瑞士法郎之间的波动溢出关系在减弱。新冠肺炎疫情的暴发，吸引了人们对国际金融风险跨境溢出效应的关注，钱东平（2020）[18]运用网络分析法研究了在新冠肺炎疫情“黑天鹅”事件影响下的国际金融风险传染特征，结果表明新冠肺炎疫情的暴发使得金融风险的跨市场传染明显加剧，同时存在着聚集现象。疫情暴发所引发的波动性溢出具有结构性特征，会从多个渠道对市场的正常运行产生冲击（吴振宇等，2020）[19]。方意和贾妍妍（2020）[20]对新冠肺炎疫情冲击下外汇市场的波动性溢出效应进行了研究，发现在疫情期间新兴市场国家的波动性溢出明显上升，并且随着每日确诊病例的增加，风险水平持续攀升。刘精山（2021）[21]运用TVP-VAR-SV模型研究了疫情对我国金融市场的动态冲击，发现波动性溢出具有明显的异质性、时变性以及区域聚集性。基于上述分析，本文提出如下假設：

假设2：不同经济体的波动性溢出程度不同，且呈现出时变、动态的特征。

假设3：金融危机以及新冠肺炎疫情等“黑天鹅”事件的冲击，会使得波动性溢出程度急剧上升。

三、样本、数据与实证模型

（一）数据说明

现有文献主要采用三个月LIBOR-OIS指标作为银行间市场流动性风险的代理变量。利差增大意味着银行间普遍缺乏信心、惜贷情绪趋高，银行间市场流动性紧张。因此，本文选取三个月美元、欧元、英镑、日元LIBOR-OIS分别作为美国、欧元区、英国以及日本银行间市场流动性风险的代理变量。由于国内缺乏相应的OIS利率数据，本文参照美国芝加哥商品交易所三个月美元隔夜指数互换期货设计原理计算人民币OIS利率，计算公式如下：

[OIS=i=1n（1+di360×ri100）-1×360D×100] （1）

其中，[D]表示参考期内实际天数，[di]表示相邻两个交易日之间的间隔天数，[n]表示参考期内实际交易天数。[ri]是用于计算的标的利率，本文选取隔夜SHIBOR作为计算人民币OIS利率的计算标的，在此基础上计算三个月SHIBOR-OIS利差，衡量我国银行间市场流动性风险。

依据数据的可获得性，本文所选取的样本区间为2007年3月1日—2020年6月22日，数据来源于彭博数据库和万得数据库。

（二）VARMA-AGARCH模型

以多元GARCH模型为代表的计量方法对研究不同市场间关系提供极大的技术支持。Bollerslev （1990）[22]提出的CCC-GARCH模型可用来分析多个序列间的相关性，设定形式如下：

[yt=E（ytFt-1）+εt]

[εt=Dtηt]      （2）

[Var（εtFt-1）=Ht=DtΓDt]

其中，[Ft]为到[t]期为止的所有信息集;[ηt=（η1t，…，ηmt）]是标准化残差序列;[Dt=dingh121t，…，h12mt]

是一个对角阵，对角线上的元素为各个市场扰动项的条件标准差，并随时间变化而变化;[Γ=ρij]是一个对称的恒定的条件相关系数矩阵，即[ρij=ρji]，且[ρij>0]。假定[hit]服从GRGARCH（r，s）形式：

[hit=ωi+l=1rαilε2it-1+l=1Sβilhit-1]  （3）

CCC-GARCH模型只考虑各时间序列间相关性，并未分析各序列间波动率的相互作用。VARMA-GARCH模型则设定单一市场的条件波动率，除了与自身市场的前期冲击和前期波动率相关，也会受到其他市场的前期冲击以及前期条件波动率的影响。模型设定如下所示：

[Φ（L）（yt-μ）=Ψ（L）εt]

[εt=Dtηt]

[ht=w+l=1rAlεt-1+l=1sBlht-1]

[Φ（L）=Im-Φ1L-…-ΦpLp]，[Ψ（L）=Im-Ψ1L-…-ΨqLq]为滞后算子多项式，[w]是常数向量，[ε=（ε21t，…，ε2mt）]、[ε=（ε21t，…，ε2mt）]、[ht=（h1t，…，hmt）]、[A1（l=1，…，r）]和[B1（l=1，…，s）] 为[m×m]的系数矩阵，分别代表ARCH效应和GARCH效应。波动性溢出效应可通过跨市场扰动项和条件波动率系数来体现，考虑到正负市场冲击对条件波动率存在非对称影响， VARMA-AGARCH模型对条件方差方程做出如下改进：

[ht=w+l=1rAlεt-1+l=1rClI（ηt-1）εt-1+l=1sB1ht-1]  （4）

其中，[I（ηt）=diang（I（ηit））] 是一个示性函数，即：

[I（ηit）=1，  if εit<00，  if εit≥0]   （5）

[Cl]是[m×m]的系数矩阵，如果回归结果在统计上显著，那么正负冲击对条件波动率存在非对称特征。

（三）波动性溢出矩阵

为进一步明确国际银行间市场的相互作用，本文依据Diebold和Yilmaz （2009）[14]提出的网络拓扑分析方法，在预测误差方差分解基础上构建波动性溢出矩阵。Matthias和Gisler （2015）[23]尝试将协方差加入VAR模型的输入值，并与只将方差作为输入值的结果进行对比，发现波动性溢出指数显著提高，说明考虑各市场对整个银行间系统的联合作用至关重要。因此，本文VAR输入变量为VARMA-AGARCH模型估计的方差和协方差，并基于预测误差方差分解，构造波动性溢出矩阵（见表1）。

在该溢出矩阵中，第一行变量为波动性溢出的输出方，第一列表示波动性溢出的吸收方。运用预测误差方差分解，本文将第[j]个变量的正交化冲击对第[i]个变量向前H期预测均方误差的贡献比例定义为[j]市场对[i]市场的波动性溢出，即：

[Si←j=h=0H-1a2h，ijh=0H-1trace（AhA'h）×100]  （6）

[h=0H-1a2h，ij]表示因市场[j]的冲击而引发市场[i]波动在预测期为H的误差方差，[h=0H-1trace（AhA'h）]为H期的总体预测误差方差。[Si←j]表示由市场[j]的波动冲击而导致市场[i]变动的比重，[Sj←i]为市场[i]的扰动导致市场[j]变动的比重，因此，可以有效地从两两对应的角度衡量市场之间的波动溢出强度。“OUT”所在行元素表示各列非对角线上元素的和，衡量某一市场对其他市场波动性溢出效应;“IN”所在列的元素表示各行非对角线上元素的和，衡量其他市场对某一市场的波动性溢出，即该市场的波动性吸收;两者相减则可表示某一市场净波动性溢出效应。在此基础上，对“OUT”所在行元素或者“IN”所在列元素加总并求平均值，计算波动性溢出指数，有效衡量整个系统波动性溢出效应。

四、实证分析

（一）描述性分析

表2报告了变量的描述性统计特征，其中，美元（US）、欧元（EUR）、英镑（UK）、日元（JPN）分别为三个月的LIBOR-OIS，人民币（CHN）为三个月SHIBOR-OIS，单位为基点，即万分之一。结果显示，样本数据的极差和标准差均较大（尤其是中国、英国和美国），说明国际银行间市场波动剧烈。JB统计量的值显著异于零，样本时间序列不服从正态分布的假设，可考虑采用GARCH族模型进行实证分析。

（二）平稳性检验和ARCH效应检验

由于ADF检验和PP检验易犯第二类错误，检验功效相对较低。本文采取KPSS平稳性检验，该检验原假设为“时间序列平稳”。本文依据序贯t规则确定平稳性检验的滞后阶数，结果显示序列非平稳。对所有数据进行一阶差分处理之后，都通过了平稳性检验。差分后数据存在明显的波动性聚集现象（见图1），且在金融危机、欧债危机以及新冠肺炎疫情暴发期间均存在剧烈波动。另外，本文采取ARCH-LM异方差检验（见表3），结果显示存在条件异方差，可采用GARCH族模型进行分析。

（三）国际银行间市场波动性溢出效应分析

本文采用VARMA-AGARCH模型研究国际银行间市场的波动性溢出效应，根据AIC和SIC信息准则，将均值方程设置为ARMA（1，1）的形式，ARCH项和GARCH项的滞后阶数均设定为1，即对于VARMA-AGARCH模型[p=q=r=s=1]。由于篇幅限制，表4仅列示方差方程估计结果。其中，ARCH项系数和GARCH项系数在统计上是显著的，说明市场波动率会受到自身市场前期冲击和条件波动率的影响。我国银行间市场波动除了受到自身冲击和前期波动影响，还会受到美国、欧元区、英国以及日本银行间市场短期和长期波动影响。可见，金融一体化不仅加速了国际资本的跨境流动，而且增强了金融风险的传染效应。此外，参数[γ]均在1%的水平下显著，说明负的市场冲击对市场波动的影响大于正的市场冲击，即市场冲击存在非对称性的特征。在金融市场剧烈动荡时期，我国与其他国家（地区）銀行间市场的波动性溢出效应显著增强。

通过VARMA-AGARCH模型证实了美国、欧元区、英国、中国以及日本等银行间市场存在波动性溢出效应，但对于溢出的方向和溢出的程度无法作出具体判断。因此，本文参照第三部分提到的方法构建波动性溢出矩阵，用VARMA-AGARCH模型得到的方差和协方差作为VAR输入值，依据信息准则，VAR滞后长度选为2，预测窗宽定为10天。具体结果如表5所示。

全样本期间，整个国际银行间市场波动性溢出总效应为86.30%。在由中国、美国、欧元区、英国以及日本所构成的国际银行间系统中，美国波动性溢出最大，达到490.90%，对英国和日本的溢出尤为明显。美元是全球最重要的储备货币，借助美元霸权，美国金融市场对其他经济体的金融市场有着重大影响。欧元区波动性溢出仅次于美国，高达388.94%。在欧债危机期间LIBOR-OIS利差一度扩大到100bp左右，整个国际银行间市场流动性空前紧张。英国波动性溢出排在第三位，达到100.89%。近年来，英国脱欧进程的跌宕起伏给全球银行间市场带来了极大的不确定性。日本的波动性溢出为45.13%，略高于中国。但是，考虑到协方差序列后，美国和中国共同的波动性溢出达到61.70%，甚至高于美国和欧元区的共同溢出。2010年，我国GDP总量超过日本成为世界第二大经济体。随着“一带一路”倡议的不断推进以及金融市场扩大开放，中国经济对全球经济影响持续扩大。从“NS”列来看，美国、欧元区、英国的净波动性溢出是正的，说明当前国际银行间市场的重心仍然在欧美地区。

（四）危机期间波动性溢出效应分析

已有文献研究发现，在危机期间金融市场的波动性溢出程度明显高于市场平稳时期，并且本文在VARMA-AGARCH的实证结果中也发现市场冲击对波动性溢出的影响存在非对称性，即负的市场冲击对市场波动的影响大于正的冲击。因此，本文分别对金融危机期间以及新冠肺炎疫情暴发阶段国际银行间市场的波动性溢出网络进行分析，并与全样本结果进行对比①。金融危机区间为 2007年8月9日危机初次显现到2008年9月15日雷曼兄弟申请破产危机达到高潮，新冠肺炎疫情区间为2020年1月1日至6月22日，具体结果见表6。

金融危机期间，国际银行间市场波动性溢出总效应高达89.18%，相对于全样本，该值明显提高，且美国的波动性溢出达到了830.35%，远高于全样本的490.90%，说明市场风险迅速从美国传导至其他经济体，使全球银行间市场陷入低迷。金融危机以美国为中心跨境扩散，对其他经济体的市场稳定造成强烈冲击，美国对我国银行间市场的溢出也上升到33.88%，远高于全样本期间的5.54%。因此，在全球市场动荡时期，中国监管当局应重点注意美国市场异常波动，防止市场风险通过国际银行间市场传导至国内。

新冠肺炎疫情的暴发对全球经济造成了重大影响。在疫情暴发期间，国际银行间市场波动性溢出指数高达93.92%，明显高于全样本的86.30%，甚至超过了金融危机时期。美国的波动性溢出较全样本期间急剧上升，达到了822.05%，略低于金融危机期间的830.35%。以新冠肺炎疫情为代表的全球性突发公共卫生事件在短期对市场的冲击不亚于金融危机。我国在疫情期间溢出更是上升到第二位，达到165.58%。如果在对疫情的防控以及政策应对上不够及时，则有可能进一步恶化市场。金融机构业务不可避免受到冲击，贷款逾期率和不良率上升以及债券违约事件增加，导致流动性风险和信用违约风险积聚，企业破产风险急剧增高。因此，各国纷纷开始向市场注入“无限流动性”。

波动性溢出效应在金融危机和新冠肺炎疫情时期大幅增强，一方面，是因为突发性的危机事件使得各银行间市场出现惜贷情绪，造成整个市场流动性的缺失;另一方面，则是因为这类“黑天鹅”事件激发了投资者的恐慌情绪，进一步演化为对资产的抛售，导致其价格暴跌，如疫情期间美股在3月9日、3月12日、3月16日、3月18日短短10天内出现四次熔断。

为了分析整个样本期间波动性溢出效应的动态特征，研究市场危机与波动性溢出程度的关系，本文参考Ribeiro（2017）[6]的研究方法，以200天为滚动窗口，对VAR（2）模型重新进行估计，并依据预测误差方差分解，计算动态波动性溢出指数（见图2）。从图2可以发现，在金融危机期间整个市场的溢出效应显著增强，且在2008年中期发生剧烈波动，而后随着各国纷纷采取相应的救市措施，溢出有所下降，但欧债危机爆发后又有所上升。2014—2015年全球股市发生剧烈动荡，国际银行间市场也遭受相应冲击，波动性溢出指数一度超过90%。2019年第二季度至今，市场的波动性溢出指数持续上升，国际银行间市场风险溢价急剧上涨，波动性溢出效应显著增强。原因在于，2019年我国与美国的贸易摩擦给全球经济带来巨大的不确定性;新冠肺炎疫情使得原本不确定的经济在短期内遭受剧烈冲击，全球性危机的征兆初步浮现。

五、结论

随着中国金融开放的程度不断提高，银行间市场与其他经济体的联系愈发紧密，本国市场的稳定性易受到国际市场冲击。由实证结果可知，国际银行间市场存在显著的波动性溢出效应，且美国是整个市场中最大的风险输出方和全球金融风险中心。全球性金融危机和突发公共卫生事件等负面冲击会使得波动性溢出急剧上升。波动性溢出指数呈现动态特征，在市场风险溢价上升时显著增强。因此，中国监管当局应强化银行资产负债管理，提高银行间市场风险管理水平，实时捕捉美国银行间市场动态规律，完善国际银行间市场风险预警机制，有效遏制银行间市场的跨境传导，健全金融协调监管机制，及时采取有效措施应对突发公共卫生事件等“黑天鹅”所引起的负面冲击，防止因金融市场震荡而产生系统性风险。

注：

①由于篇幅限制，本文仅列示了部分结果。

参考文献：

[1]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）.

[2]Dornbusch R，Park Y C，Classens S. 2000. Contagion：Understanding How It Spreads [J].World Bank Research Observer，15（2）.

[3]Forbes K J，Rigobon R. 2002. No Contagion，Only Independence：Measuring Stock Market Comovements [J].The Journal of Finance，57（5）.

[4]張兵，范致镇，李心丹.中美股票市场的联动性研究[J].经济研究，2010，45（11）.

[5]Balli F，Hajhoj H R，Basher S A，Ghassan H B. 2015. An Analysis of Returns and Volatility Spillovers and Their Determinants in Emerging Asian and Middle Eastern Countries [J].International Review of Economics and Finance，39（2）.

[6]Ribeiro P P，Curto D C. 2017. Volatility Spillover Effects in Interbank Money Markets [J].Review of World Economics，153（9）.

[7]Allen F，Gale D. 2000. Financial Contagion [J].The Journal of Political Economy，108（1）.

[8]Allen F，Carletti E，Gale D. 2009. Interbank Market Liquidity and Central Bank Intervention [J].Journal of Monetary Economics， 56（1）.

[9]Caccioli F，Shrestha M，Moore C，Farmer J D. 2014. Stability Analysis of Financial Contagion due to Overlapping Portfolios [J].Journal of Banking & Finance，46（3）.

[10]Glassrman P，Young H P. 2015. How Likely is Contagion in Financial Networks？ [J].Journal of Baking & Finance，50（1）.

[11]Greenwood R，Landier A，Thesmar A. 2015. Vulnerable Banks [J].Journal of Financial Economics，115（3）.

[12]Babus A. 2016. The Formation of Financial Networks [J].The Rand Journal of Economics，47（2）.

[13]Roncoroni A，Battiston S，D'Errico M，et al. 2019. Interconnected Banks and Systemically Important Exposures[R].ECB Working Paper，No. 2331.

[14]Diebold F X，Yilmaz K. 2009. Measuring Financial Asset Return and Volatility Spillovers，with Application to Global Equity Markets [J].Economic Journal，119（2）.

[15]Mensi W，Boubaker F Z，Al-Yahyaee K H，Kang S H. 2018. Dynamic Volatility Spillovers and Connectedness Between Global，Regional，and GIPSI Stock Markets [J].Finance Research Letters，25（3）.

[16]楊子晖，周颖刚.全球系统性金融风险溢出与外部冲击 [J].中国社会科学，2018，（12）.

[17]赵琼，郭程翔.英国脱欧前后英镑与主要货币之间的波动性及其溢出效应研究 [J].经济问题，2019，（11）.

[18]钱东平.新冠肺炎疫情加剧了国际金融风险传染吗？ [J].当代金融研究，2020，（5）.

[19]吴振宇，朱鸿鸣，朱俊生.新冠肺炎疫情对金融运行的影响及政策建议 [J].经济纵横，2020，（3）.

[20]方意，贾妍妍.新冠肺炎疫情冲击下全球外汇市场风险传染与中国金融风险防控 [J].当代经济科学，2021，（1）.

[21]刘精山.新冠肺炎疫情冲击背景下金融风险的传导与防范研究——基于金融压力视角的实证分析 [J].华北金融，2021，（1）.

[22]Bollerslev T. 1990. Modelling the Coherence in Short-run Nominal Exchange Rate：A Multivariate Generalized ARCH Approach [J].Review of Economics and Statistics，72（3）.

[23]Matthias R F，Gilser I M. 2015. A Variance Spillover Analysis Without Covariances：What do We Miss？ [J]. Journal of International Money and Finance，51（3）.

Research on the Volatility Spillover Effects Among the International Interbank Market from the Perspective of Network

Song Qin/Fang Wen/Gan Ke

（School of Economics and Business Administration，Central China Normal University，Wuhan   430079，Hubei，China）

Abstract：This paper selects the three-month LIBOR-OIS and SHIBOR-OIS data of USD，EUR，GBP，JPY and RMB from March 2007 to June 2020，and uses the VARMA-AGARCH model and network topology analysis to study the volatility spillover effects in the interbank markets of US，Eurozone，UK，China and Japan. And the volatility spillover indices are also constructed. It is found that： there are significant volatility spillover effects in the international interbank market，where conditional volatility is affected not only by prior shocks and volatility in its own market，but also by disturbances of other markets;volatility spillover effects in international interbank markets increased significantly during both the financial crisis and the outbreak of COVID-19，showing dynamic characteristics; the volatility spillover from the U.S. to the interbank market in other economies is the largest and rises sharply in times of crisis，so China's interbank market supervision should guard against cross-regional transmission of foreign market risks，especially the imported shocks from U.S. market volatility.

Key Words：international interbank market，VARMA-AGARCH model，volatility spillover matrix