提供HD-TVP-VAR-DY溢出指数的R语言代码，包含数据、注释和参考论文（有无代码基础都可以直接run到底）-CSDN博客

本文链接：https://blog.csdn.net/weixin_44443921/article/details/147464836

读经典论文，学习经典代码！！

R语言代码，有注释和案例数据，能导出静态溢出矩阵，总溢出指数Total，溢出指数To，溢入指数From，净溢出指数Net 到 EXCEL，并实现画图。

本文所提供的HD-TVP-VAR-DY是基于《中国系统性金融风险的高维时变测度与传导机制研究》-陈少凌这篇所实现的

传统研究因难以同时捕捉高维数据和时变关联，难以精准刻画系统性风险的动态演化。本篇论文提供的模型通过改进高维时变参数向量自回归模型（HD-TVP-VAR），通过Elastic Net方法进行降维处理，能够计算高维数据DY溢出指数，相较于传统TVP-VAR-DY模型只能计算最多20个变量，HD-TVP-VAR-DY可同时估计近百个变量，相较于Lasso dy，Elastic Net（弹性网络）DY，HD-TVP-VAR-DY为时变估计，不用损失滚动窗口，且运行速度相对较快。

以下是部分代码截图：

以下是关于参考论文的解读：

学术解析 | 高维时变视角下的中国系统性金融风险：从模型创新到风险治理

一、研究背景：破解金融风险的 “高维” 与 “时变” 密码

在金融全球化与数字化浪潮下，中国金融系统呈现出机构众多、关联复杂的网络特征。传统研究因难以同时捕捉高维数据（如 89 家上市金融机构）和时变关联（如政策冲击、市场波动），难以精准刻画系统性风险的动态演化。本文通过改进高维时变参数向量自回归模型（HD-TVP-VAR），首次实现了对中国金融网络的全局动态测度，为风险监管提供了全新的分析框架。

二、核心思想：金融网络的三重风险逻辑

机构角色分化：风险的 “生产者” 与 “缓冲器”
- 银行业
  （如国有大行）：呈现 “风险吸收型” 特征，凭借庞大资产规模成为系统风险的最终承接者。
- 证券期货业
  （如头部券商）：扮演 “风险扩散型” 角色，是市场波动的主要源头。
- 小型机构
  （如部分城商行、新兴金融机构）：通过高杠杆和复杂关联形成 “风险杠杆型” 效应，成为风险传导的放大器。
风险成因：网络结构的脆弱性
- 过度关联
  总连通指数（TC）超过 0.93 时，风险爆发概率激增，印证 “太关联而不能倒” 的监管担忧。
- 结构失衡
  风险传导路径从 “收敛型”（风险被银行吸收）转向 “发散型”（风险在扩散型机构间循环）时，系统稳定性骤降。
- 角色漂移
  流动性高、杠杆率高、规模小的机构更易从 “风险吸收” 转为 “风险扩散”，加剧网络不稳定。
传导路径：从证券到银行的风险旅程风险通常始于证券期货业，通过保险业和其他金融业放大，最终传导至银行业。例如，2015 年股灾中，证券市场波动经保险资金渠道扩散至银行体系，形成跨行业风险共振。

三、方法论突破：HD-TVP-VAR 模型的底层逻辑

（一）模型架构与技术创新

基准模型：动态捕捉时变关联基于 TVP-VAR 框架，构建高维动态模型：
降维突破：Elastic Net 正则化
- 痛点
  传统 VAR 在高维（如 89 家机构）下存在 “维度灾难”，参数估计不稳定。
- 创新
  引入 Elastic Net 融合 LASSO 与岭回归，通过惩罚项压缩非关键系数（公式 4），保留核心关联，实现降维同时避免系数矩阵过度稀疏。

动态优化：带遗忘因子的卡尔曼滤波
- 遗忘因子（lambda_t)
  ：自适应调整模型对历史数据的依赖，金融市场剧烈波动时（如 2020 年疫情）快速 “遗忘” 过时信息，实时捕捉新冲击。
- 波动率更新
  ：通过指数加权移动平均（EWMA）动态估计残差方差（公式 11），适配金融数据的厚尾特征。

（二）相较于传统 TVP-VAR 的核心优势

维度	传统 TVP-VAR	HD-TVP-VAR
维度处理	限于低维（如 Diebold-Yilmaz 仅 13 家机构）	支持高维（89 家机构），通过 Elastic Net 实现有效降维
时变捕捉	依赖固定窗宽滚动，易遗漏结构突变	动态模型选择遗忘因子，实时响应市场状态（如风险平稳期 vs. 风险发展期）
参数稳定性	高维下参数估计易受异常值干扰	正则化约束系数矩阵，提升抗噪能力
网络分析	侧重整体关联，忽视个体异质性	区分 “风险吸收 / 扩散 / 杠杆” 三类机构，细化网络角色

四、实证发现：风险网络的全景图谱

总连通指数（TC）的预警价值
- TC 水平对长期风险事件（如金融危机）的预测能力显著优于短期波动，当 TC 超过 0.93 时，风险爆发概率超 50%（图 4-5）。
- 典型案例：2013 年 “钱荒” 期间，TC 飙升至峰值，反映互联网金融冲击下系统关联性骤增。
机构风险角色的量化识别
- 风险吸收型
  工商银行、农业银行等国有大行，入度中心性（IDC）显著高于均值，承担系统风险缓冲功能。
- 风险扩散型
  申万宏源、国泰君安等头部券商，出度中心性（ODC）突出，是市场波动的主要贡献者。
- 风险杠杆型
  中原证券、张家港行等中小机构，特征向量中心性（EVC）高，通过间接关联放大风险（表 3）。
风险传导的行业路径
- 直接路径
  证券期货业→银行业（脉冲响应 17.32%）。
- 间接路径
  证券期货业→保险业→银行业（累积响应 9.63%+3.66%），保险业的风险放大效应显著（图 7）。

五、学术价值与监管启示

学术贡献
- 首次在单一框架内整合 “高维” 与 “时变” 特征，突破传统模型的维度限制，为金融网络研究提供通用方法论。
- 提出 “风险杠杆型” 机构概念，补充了系统重要性金融机构（SIFIs）的分类体系。
政策建议
- 宏观审慎监管
  设定 TC 预警阈值（如 0.9），对过度关联机构实施集中度限制。
- 行业差异化监管
  对证券业强化杠杆率约束，对银行业建立流动性缓冲机制，对小型机构加强关联交易监控。
- 动态角色跟踪
  利用 HD-TVP-VAR 实时监测机构风险角色转换，重点防范 “吸收型→扩散型” 的质变（如表 6 中流动性高、规模小的机构）。

六、总结：从模型创新到风险治理的闭环

本文通过 HD-TVP-VAR 模型揭示了中国金融系统的复杂关联本质：少数大型机构是风险 “稳定器”，证券业是 “发动机”，小机构是 “放大器”，而网络结构失衡是风险爆发的导火索。这一发现不仅为学术研究提供了高维时变分析的范式，更警示监管层：在 “双碳” 与金融开放背景下，需以动态网络视角重构宏观审慎框架，既要关注 “大而不能倒”，也要警惕 “小而连倒” 的蝴蝶效应。

参考文献：陈少凌等（2021），《中国系统性金融风险的高维时变测度与传导机制研究》，《世界经济》第 12 期

请勿搬运，违者必究！！！