[论文解读] On the Past, Present, and Future of the Diebold-Yilmaz Approach to Dynamic Network Connectedness

Francis X. Diebold, Kamil Yılmaz|arXiv (Cornell University)|Nov 8, 2022

Complex Network Analysis Techniques被引用 11

一句话总结

本文回顧了Diebold-Yilmaz連接度框架的演進，該框架利用向量自回歸（VAR）模型的時變方差分解來衡量金融資產之間的動態、方向性溢出效應。其主要貢獻在於提出了一種統一的、基於網絡的方法，用於可視化與量化系統性風險與傳染效應，現已被金融業與中央銀行廣泛應用於系統性風險評估。

ABSTRACT

We offer retrospective and prospective assessments of the Diebold-Yilmaz connectedness research program, combined with personal recollections of its development. Its centerpiece in many respects is Diebold and Yilmaz (2014), around which our discussion is organized.

研究动机与目标

• 回顧性評估Diebold-Yilmaz連接度研究計劃的發展與影響，追溯其知識淵源與方法論演進。
• 解決長期存在的金融傳染與溢出效應測量問題，以保持一致性、經驗基礎性與非結構性。
• 對該框架的未來發展提出前瞻性展望，包括向多層網絡與反向網絡至VAR建模的延伸。
• 澄清從模糊術語如「傳染」到中性、可測量的「連接度」的觀念轉變，以避免定義爭議。
• 推動基於方差分解的網絡分析作為高維金融系統中系統性風險監測的穩健、可擴展工具的應用。

提出的方法

• 該框架使用時變VAR模型的廣義方差分解，量化某一變量的衝擊對另一變量h步預測誤差方差的貢獻。
• 引入方向性連接度度量：定義「從j到i」為i的預測誤差方差中歸因於j衝擊的部分。
• 採用廣義識別方法（Pesaran and Shin, 1998），避免排序依賴性，從而實現方向性溢出估計的一致性。
• 透過加權、有向、時變的網絡圖形可視化連接度，鄰接矩陣在每個時 horizon 上表示成對連接度。
• 總連接度指數聚合所有方向性流量，用以衡量整體系統的相互關聯程度。
• 該方法已延伸至多層網絡（Barigozzi et al., 2022）與反向建模（Mlikota, 2023），其中網絡結構用於指導VAR模型的正則化。

Figure 1: Figure 1: Illustrative Network “Spring Graph”

实验结果

研究问题

• RQ1 如何在不依賴結構假設的情況下，對所有變量一致地衡量金融市場溢出與系統性風險？
• RQ2 在重大金融危機（如1997年亞洲金融傳染）期間，連接度的經驗行為表現為何？
• RQ3 廣義方差分解相較於傳統Cholesky基識別方法，在衡量動態連接度方面有何改進？
• RQ4 如何系統性地將網絡理論與基於VAR的計量經濟學結合，以研究金融體系的相互關聯性？
• RQ5 連接度分析的未來前沿在何處，特別是在多層與反向建模框架中？

主要发现

• Diebold-Yilmaz框架於Diebold和Yilmaz（2014）正式提出，建立了一種穩健的、非結構性的方法，利用方差分解來衡量動態、方向性的連接度。
• 總連接度指數顯示，在重大金融危機期間，如1997年亞洲金融危機與2008年全球危機，系統性溢出顯著增加。
• 廣義識別方法消除了Cholesky分解固有的排序敏感性，從而實現更可靠的定向溢出估計。
• 該框架成功擴展至高維度情境，包括全球銀行體系，並成為中央銀行與金融監管機構系統性風險分析的基石。
• 該方法廣泛應用於政策報告，包括國際貨幣基金組織《全球金融穩定報告》與歐洲央行《金融穩定報告》。
• 近期延伸包括多層網絡建模（Barigozzi et al., 2022）與反向建模（Mlikota, 2023），其中網絡結構用於指導VAR模型估計，從而擴展了該方法的理論與實證範圍。