本文根據(jù)從網(wǎng)絡(luò)借貸市場搜集的718家正常平臺和129家問題平臺數(shù)據(jù)分析典型風(fēng)險傳染事件發(fā)生前后市場資金變化情況,構(gòu)建模型從月度、周度兩個維度研究新金融業(yè)態(tài)風(fēng)險傳染的特征。結(jié)果發(fā)現(xiàn):風(fēng)險更顯著地傳染至大規(guī)模、人均投資金額低的平臺。風(fēng)險傳染期內(nèi),平臺規(guī)模越大,對交易量變化的負(fù)向作用越大;平臺人均投資金額越高,平臺與投資人的聯(lián)系越緊密,對交易量變化的正向作用越大。隨著時間的推移,平臺規(guī)模與人均投資金額對平臺交易量變化的影響程度逐漸減弱。風(fēng)險傳染期間,問題平臺與正常平臺在危機后的交易量存在較為顯著的差異,市場資金流向呈現(xiàn)出一定的替代效應(yīng)。 

【文章來源】：經(jīng)濟(jì)理論與經(jīng)濟(jì)管理. 2020,(04)北大核心CSSCI

【文章頁數(shù)】：14 頁

【部分圖文】：

2015年10月平臺交易量變化情況

依據(jù)同樣的原理,可以看出反映e租寶事件發(fā)生當(dāng)月,即2015年12月平臺交易量變化的情況(見圖2)。圖2反映了2015年12月各平臺交易量的變化情況。e租寶事件正發(fā)生在2015年12月,因此這個月各平臺交易量的變化情況對于分析風(fēng)險傳染的初期影響較為重要。由圖2可知,正常平臺與問題平臺的交易量變化情況開始呈現(xiàn)出一定差異。約有16.5%的正常平臺交易量降幅在10%以內(nèi),隨著波動幅度的增加,正常平臺數(shù)量遞減,分布仍然呈現(xiàn)出中間高,兩端低的形態(tài);而問題平臺則與正常平臺相反,恰好呈現(xiàn)出中間低,兩端高的形態(tài),波動幅度在正負(fù)10%以內(nèi)的問題平臺都不超過8%,而降幅在30%～40%之間的問題平臺達(dá)到了14.75%,而增幅超過50%的問題平臺也達(dá)13.11%。這表明,市場風(fēng)險對正常平臺與問題平臺的影響不盡相同,各平臺交易量的變化也是有增有減,并非所有平臺交易量都顯著下降。

圖3反映了2016年1月平臺交易量的變化情況。整體上,問題平臺與正常平臺都呈現(xiàn)出一定的左偏分布態(tài)勢,即本月交易量下降平臺的比重超過上升平臺的數(shù)量。尤其是問題平臺中,降幅超過50%的平臺比例達(dá)到了17.24%,降幅在10%以內(nèi)的平臺比重為18.97%。正常平臺也出現(xiàn)了類似情況,降幅在10%以內(nèi)的平臺為15.17%,雖然也有部分平臺的增幅較大,但整體上2016年1月份的各平臺交易量相比2015年12月,都有一定程度的下降。反映2016年3月平臺交易量變化情況的特征圖見圖4。

【參考文獻(xiàn)】：
期刊論文
[1]基于協(xié)高階矩視角的滬港股市風(fēng)險傳染分析[J]. 王鵬,吳金宴.  管理科學(xué)學(xué)報. 2018(06)
[2]基于核心-邊緣網(wǎng)絡(luò)的中國銀行風(fēng)險傳染[J]. 楊海軍,胡敏文.  管理科學(xué)學(xué)報. 2017(10)
[3]同業(yè)網(wǎng)絡(luò)中的風(fēng)險傳染——基于中國銀行業(yè)的實證研究[J]. 廉永輝.  財經(jīng)研究. 2016(09)
[4]債務(wù)杠桿與系統(tǒng)性風(fēng)險傳染機制——基于CCA模型的分析[J]. 茍文均,袁鷹,漆鑫.  金融研究. 2016(03)



本文編號：3284122