熊市和牛市模式下，绿色金融资产与海湾合作委员会（GCC）伊斯兰股市及传统股市之间的频率关联性

《Innovation and Green Development》：Frequency connectedness between green financial assets and GCC Islamic and conventional stock markets during bear and bull market modes

　　穆娜·盖斯米 | 瓦利德·门西 | 阿德尔·布巴克尔 | 哈米斯·哈迈德·阿尔-亚希亚伊
突尼斯埃尔马纳尔大学与IFGT金融与会计系，突尼斯

**摘要**
本研究探讨了海湾合作委员会（GCC）伊斯兰股市、苏库克（Sukuk）市场、全球股市、债券市场以及全球绿色资产（可持续性指数、绿色债券指数和标普ESG指数）之间的极端频率关联性。我们采用了Chatziantoniou等人（2022年）提出的分位数频率关联性方法，以分析不同市场状态（平静市场、熊市和牛市）下的市场联系。研究结果表明，在极端市场条件下，市场之间的关联性比在稳定时期更为强烈。在熊市阶段，溢出效应更为明显。在正常和熊市条件下，短期关联性占主导地位；而在牛市阶段，尤其是危机时期，长期关联性变得更加显著。GCC的股票和债券加剧了市场波动性，而阿曼、卡塔尔和沙特的伊斯兰指数以及绿色债券和苏库克指数则起到了降低波动性的作用，成为投资组合的多元化工具和潜在的安全避风港。

**1. 引言**
绿色金融在应对气候变化、环境退化和资源稀缺等可持续性挑战中发挥着核心作用。在《巴黎协定》和联合国可持续发展目标的框架下，绿色投资旨在促进向低碳经济的转型并促进长期金融稳定。尽管海湾合作委员会（GCC）经济体拥有丰富的资源，但它们仍然高度依赖石油收入，因此在可持续性投资方面往往优先考虑短期化石燃料收益，从而增加了环境和金融风险（Nguyen & Le, 2022）。
除了绿色金融外，伊斯兰金融还提供了一个基于风险共担、资产支撑和社会责任的伦理框架，这与可持续性投资原则高度契合。伊斯兰金融的理论基础强调禁止过度投机和不可持续的活动，这使得伊斯兰市场在可持续性导向的投资研究中尤为重要（Jalili et al., 2025）。
在金融理论中，有多种框架可用于理解市场动态和不同资产类别之间的相互作用。传染理论解释了在一个市场中的冲击如何传播到其他市场，尤其是在金融动荡时期，因为投资者情绪和风险认知会在市场间传递（Forbes & Rigobon, 2002）。证据表明，伊斯兰和绿色金融工具在面对重大危机（如全球金融危机、欧洲债务危机和COVID-19大流行）时通常表现出更强的韧性和较低的传染性，这凸显了它们作为投资者多元化工具和风险缓冲器的潜力（Naeem et al., 2025）。这一观点与有效市场假说（EMH）相一致，该假说认为资产价格充分反映了所有可用信息，意味着无法持续获得异常回报（Fama, 1970）。然而，现实世界的证据，特别是在危机时期，经常挑战有效市场假说，揭示了投资者行为的非理性（Shiller, 2003）。异质市场假说（HMH）认识到市场参与者具有不同的投资视野、风险偏好和对新信息的反应，因此市场之间的关联性会随时间和市场条件而变化，为不同时间范围内的投资策略提供了见解（Chin et al., 2017）。
此外，前景理论强调了决策中的行为偏差，特别是损失厌恶现象，即投资者对损失的反应比对收益的反应更为强烈（Kahneman & Tversky, 2013）。这种行为可能会放大市场波动性和溢出效应。此外，避险理论解释了在不确定性增加或经济压力期间，投资者如何将投资组合从高风险资产重新配置到更安全的资产（如黄金、政府债券或绿色债券）上，从而影响资产价格动态和市场间的关系（Deng et al., 2022）。
金融市场冲击通过多种渠道传播。随着可持续性在金融市场中的重要性日益增加，绿色市场和传统市场之间的互动变得越来越复杂（Rezaee, 2016）。利率渠道至关重要，因为政策利率的变化会影响债券收益率和绿色债券的融资成本。投资者情绪也很关键；在不确定性时期，传统资产会吸引资本（Baur & McDermott, 2010），而绿色资产则具有避险特性（Khamis & Aassouli, 2023）。碳定价和环境、社会及治理（ESG）披露要求等政策工具进一步提升了绿色资产的吸引力（Ramiah et al., 2013）。
过去十年间，伊斯兰金融体系被证明是传统金融的稳健替代方案，尤其是在不确定性时期（Hassan & Mollah, 2018）。包括Naeem等人（2023a）在内的研究表明，伊斯兰股票在市场低迷时期是有效的安全避风港。伊斯兰金融市场与传统市场的波动性关联较弱，因此具有较高的韧性，因为跨市场对冲较少且溢出效应有限（Chowdhury et al., 2021）。然而，它们并非对全球风险免疫。实证研究表明，伊斯兰金融市场更容易受到系统性冲击的影响（Ahmed & Elsayed, 2019; Shahzad et al., 2017）。Yarovaya等人（2021）发现，在COVID-19大流行期间，苏库克表现出避险特性。Ahmed（2019）和Shahzad等人（2017）报告了伊斯兰市场和传统市场之间的显著回报和波动性互动。Ahmed和Elsayed（2019）指出，传统股票和债券市场是主要的传递者，而苏库克市场则是接收者。苏库克与传统债券之间的联系比其他领域更为紧密。Rahman和Hasan（2025）发现，在极端条件下，市场间的关联性加剧。Bossman等人（2022）揭示了伊斯兰市场与G7市场之间随时间变化的频率依赖性溢出效应，其中传统股票对市场动荡更为敏感。Tabash等人（2023）指出了GCC地区的不对称溢出效应，在全球金融危机和COVID-19大流行等危机期间，短期溢出效应增强，而长期溢出效应则减弱。Naeem等人（2024）确认了GCC股市中的显著溢出动态，认为阿联酋（UAE-SH）和沙特阿拉伯（SAU-SH）是净传递者，而阿曼（OMN-SH）、巴林（BAH-SH）和科威特（KUW-SH）是净接收者。
绿色投资因其与各种资产类别的互动及其作为对冲和避险工具的潜力而受到研究关注（?zkan et al., 2024）。Mensi等人（2022a）发现，绿色债券在市场低迷时期更容易受到股市溢出影响，但在市场回升时期具有韧性。Do?an等人（2025）指出，中国、日本和绿色债券是关键的冲击吸收器，而西方市场和更广泛的绿色产业是传递者。Chai等人（2022）观察到清洁能源发展对股市复苏的积极影响。Urom等人（2021）发现清洁能源回报与全球股市之间存在正相关关系。Pham（2016）和Reboredo（2018）指出，绿色债券依赖于传统债券市场。其他研究也证实了相关性较弱且传染性有限，尤其是对负面冲击（Park et al., 2020; Reboredo et al., 2020）。Karkowska和Urjasz（2024）发现中国的绿色股市是波动性的净接收者，而美国股市是主要传递者。G?k等人（2025）发现，绿色债券能够吸收并影响黄金和比特币等资产的市场冲击，在市场压力期间起到滞后避险作用，同时在极端分位数下绿色债券与各种资产之间存在双向因果关系，在市场低迷时期则存在单向因果关系。
越来越多的证据表明，宗教信仰推动了伊斯兰投资者中的伦理投资（Lestari et al., 2024）。Billah等人（2024）发现绿色债券与伊斯兰银行指数之间存在适度关联，在危机期间这种关联更为强烈。伊斯兰银行市场对外部冲击具有免疫力，而中国的绿色债券市场是中长期风险接收者。相比之下，全球绿色债券指数是主要的短期风险传递者。在GCC的伊斯兰银行指数中，只有沙特阿拉伯（SAU-SH）和阿联酋（UAE-SH）在短期和中期传递风险。Naeem等人（2023b）发现，在经济压力期间，伊斯兰市场与可持续市场之间存在强烈的短期相互依赖性。Billah等人（2023）发现，在极端条件下，苏库克与绿色债券之间的溢出效应显著，提供了多元化的好处。Asl等人（2023）确认了伊斯兰股票、绿色债券和其他资产之间的显著风险溢出，其中伊斯兰股票和绿色投资经常传递风险。
多项研究探讨了绿色能源投资对伊斯兰市场和传统市场的影响。根据Avazkhodjaev等人（2024）的研究，这些投资对市场表现有积极影响，尤其是对传统股票而言，而伊斯兰股市表现出更强的韧性。然而，现有文献对传统资产、伊斯兰资产和绿色资产的整合程度有限。Ghaemi等人（2024）发现了ESG股票、伊斯兰股票和传统股票之间的分位数依赖性波动性溢出，伊斯兰股票在高波动性时期表现出较强的韧性。Husain等人（2024）显示伊斯兰金融工具和欧洲股票之间存在部分脱钩。伊斯兰金融工具和绿色债券都提供了稳定性和韧性。Tiwari等人（2023）发现，在波动性时期，绿色债券对伊斯兰股票存在负面长期溢出效应，表明整合程度正在下降。Karim和Naeem（2022）发现，在不确定性条件下，伊斯兰市场、可持续性指数和标普500指数之间的关联性增强，其中伊斯兰股票、可持续性指数和标普500指数是主要传递者，而苏库克、大宗商品、债券、清洁能源和绿色债券则是主要接收者。
为了填补这一空白，本研究采用了分位数频率关联性（QFC）方法，探讨GCC三个关键金融系统之间的关联性：传统市场（全球GCC股票指数（GCC-STOCK）和GCC债券指数（GCC-BOND））、伊斯兰市场（巴林（BAH-SH）、科威特（KUW-SH）、阿曼（OMN-SH）、沙特阿拉伯（SAU-SH）和阿联酋（UAE-SH）的特定国家伊斯兰指数以及全球苏库克指数）和绿色市场（可持续性指数（SUST）、绿色债券指数和标普ESG指数）。我们的研究结果表明，市场关联性强度随时间、分位数水平和频率域而变化。在牛市和熊市期间，溢出效应加剧，正常和熊市阶段以短期关联性为主，而在牛市阶段，尤其是危机时期，长期关联性变得更加显著。阿曼（OMN-SH）、卡塔尔（QAT-SH）和沙特阿拉伯（SAU-SH）以及苏库克和绿色债券起到了降低波动性的作用，增强了它们的多元化潜力。这些市场在稳定和牛市阶段表现出韧性，在市场低迷时期则成为安全避风港。相比之下，传统的GCC-STOCK和债券指数放大了系统性风险。可持续性指数在正常时期是净接收者，但在极端市场则成为主要传递者，而标普ESG指数则成为主要传递者。
本研究对理解市场关联性做出了几项贡献。首先，它探讨了传统市场、伊斯兰市场和绿色市场之间的联系——这一领域在现有文献中大多被忽视，现有文献主要关注传统市场。同时分析这三个市场为多样化和风险管理提供了新的见解，因为每个市场对经济、政治和环境冲击的反应各不相同。其次，它关注了GCC地区，该地区伊斯兰金融和石油依赖性占主导地位，同时经济也在通过绿色投资实现多元化。因此，理解伊斯兰市场和绿色市场之间的相互作用对于在该地区运作的政策制定者、投资者和投资组合管理者至关重要。第三，本研究考虑了每个市场中的股票和债券，提供了单一资产研究中常被忽视的跨资产互动的全面视图。第四，本研究通过引入QFC方法（Chatziantonio et al., 2022）的方法论创新，增强了投资策略的制定。该方法能够更细致地、多视角地分析不同条件（正常、熊市和牛市）下金融市场中的风险传递机制。这与异质市场假说（HMH，Müller et al., 1997）相一致，该假说认为不同类型的投资者具有不同的投资视野，并对市场信息有不同的反应。通过将异质市场假说纳入我们的框架，分位数频率方法捕捉到了短期交易者（对市场波动和投机性新闻反应迅速）和长期机构投资者（其策略受可持续性、环境风险和ESG目标影响）之间的不同反应。

**2. 方法论和数据**
2.1. QFC方法
我们采用了Chatziantoniou等人（2022）提出的方法论，并结合Ando等人（2022）的分位数关联性框架以及Baruník和K?ehlík（2018）的频率关联性方法，来分析不同阶段和投资视角下的市场关联性。分位数向量自回归（QVAR）模型可以通过其移动平均表示法如下表达：(1) \(x_t=\mu_t(\gamma)+\Phi_1(\gamma)x_{t-1}+\Phi_2(\gamma)x_{t-2}+\cdots+\Phi_p(\gamma)x_{t-p}+\mu_t(\gamma)\)其中，\(x_t\) 表示一个维度为 \(N \times 1\) 的内生变量向量；\(\gamma\) 的取值范围在 \([0, 1]\) 之间，代表分位数；\(p\) 表示 QVAR 模型的滞后长度；\(\mu_t(\gamma)\) 表示一个维度为 \(N \times 1\) 的条件均值向量；\(\Phi_i(\gamma)\) 是一个维度为 \(N \times N\) 的 QVAR 系数矩阵；\(\mu_t(\gamma)\) 表示一个维度为 \(N \times 1\) 的误差向量，其方差-协方差矩阵为 \(\Sigma(\tau)\)，维度同样为 \(N \times N\)。

根据 Koop 等人（1996年）和 Pesaran 与 Shin（1998年）的研究，使用预测范围 \(H\) 的广义预测误差方差分解（GFEVD）可以表示为：(2) \(\theta_{ij}^H=\sum_{j=1}^{H}\sum_{h=0}^{H}(\Psi_h(\gamma)\sum_{h=0}^{H}(\Psi_h(\gamma)\Psi_h'(\gamma))^2\)标准化的 GFEVD 计算方法如下：(3) \(\theta_{\tilde{ij}^H=\frac{\theta_{ij}^H}{\sum_{k=1}^N\theta_{ij}^H}\)总方向连通性 “TO” 定义了从变量 \(i\) 传递到系统的冲击程度：(4) \(TO_i^H=\sum_{i=1}^{N}\theta_{\tilde{ij}^H\)方向连通性指数 “FROM” 衡量市场 \(i\) 对所有其他市场 \(j\) 的冲击敏感度：(5) \(FROM_i^H=\sum_{i=1}^{N}\theta_{\tilde{ij}^H\)“NET” 方向连通性指数是 “TO” 和 “FROM” 连通性指数之间的差异：(6) \(NET_i^H=TO_i^H-FROM_i^H\)总连通性指数（TCI）可以如下计算：(7) \(TCI=\frac{1}{N-1}\sum_{i=1}^N TO_i^H=\frac{1}{N-1}\sum_{i=1}^N FROM_i^H\)接下来，我们通过 Chatziantoniou 等人（2022年）提出的方差分解的谱表示方法，探讨连通性的分位数和频率版本。首先，我们考虑频率响应函数，表示为 \(\Psi(e^{-i\omega})=\sum_{h=0}^{\infty}e^{-i\omega}h\Psi_h\)，其中 \(i = (-1)\)，\(\omega\) 表示频率。然后，我们继续计算在频率 \(\omega\) 处的 \(X_t\) 的谱密度，可以将其定义为 QVMA(\(\infty)\) 的傅里叶变换：(8) \(S_x(\omega)=\sum_{h=-\infty}^{\infty}\frac{\partial}{\partial t}E(x_t^{t-h})e^{-i\omega}h\)频率 \(\omega\) 处的频率 GFEVD 可以表示为：(9) \(\theta_{ij}^\omega=\sum_{j=1}^{H}\sum_{h=0}^{\infty}|\sum_{h=0}^{\infty}(\Psi(\gamma)(e^{-i\omega}h)\sum_{h=0}^{\infty}(\Psi(\gamma)\Psi(\gamma)(e^{i\omega}h))^2\)公式 (10) 可以标准化为：(11) \(\theta_{\tilde{ij}^\omega=\frac{\theta_{ij}^\omega}{\sum_{k=1}^N\theta_{ij}^\omega}\)其中 \(\theta_{\tilde{ij}(\omega)\) 衡量市场在给定频率 \(\omega\) 处的谱占比，从而我们可以计算所有连接形式：(12) \(TO_{id}=\sum_{i=1}^{N}\theta_{\tilde{ij}_id\) (13) \(FROM_{id}=\sum_{i=1}^{N}\theta_{\tilde{ij}_id\) (14) \(NET_{id}=TO_{id}-FROM_{id}\) (15) \(TCI=\frac{1}{N-1}\sum_{i=1}^N TO_{id}=\frac{1}{N-1}\sum_{i=1}^N FROM_{id}\)虽然之前的研究中已经应用了 QFC 方法，但我们的研究在几个重要方面进行了改进。首先，我们采用了 Chatziantoniou 等人（2022年）提出的分位数时频连通性框架，使用了一个 100 天的滚动窗口 QVAR 模型，一个滞后项和一个 10 步的预测范围。这种设计使我们能够捕捉短期和长期的溢出动态，平衡了快速市场调整的需求与 VAR 估计所需的统计稳定性。其次，我们的分析明确纳入了通过基于分位数的方法分类的市场阶段，其中熊市、正常市场和牛市分别对应于回报的最低 5%、中位数 50% 和最高 95% 分位数。这使得我们能够精确地检查极端和典型条件下的市场行为和连通性的不对称性，为系统性风险和不同制度下的差异性溢出提供了新的见解。这些分位数的选择基于现有的文献（AlGhazali 等人，2024年；Kayani 等人，2024年），确保了数据驱动、可复制和理论上的合理性。第三，从理论角度来看，我们的研究明确考虑了市场参与者的异质交易范围，这与 HMH 一致。短期频率带（1-5 天）捕捉了由投机者和高频交易者驱动的快速溢出，而长期带（5 天以上）反映了由机构投资者、政策变化和结构性经济因素（如能源转型和技术创新）塑造的持久相互依赖性。通过区分这些时间动态，我们的研究提供了对 GCC 传统市场、伊斯兰市场和绿色金融市场之间溢出如何随时间演变的细致理解，为投资者和政策制定者提供了关于风险传递、对冲策略和可持续金融决策的关键见解。

尽管之前的研究中已经应用了 QFC 方法，但我们的研究在几个重要方面进行了创新。首先，我们采用了 Chatziantoniou 等人（2022年）提出的分位数时频连通性框架，使用了一个 100 天的滚动窗口 QVAR 模型，一个滞后项和一个 10 步的预测范围。这种设计使我们能够捕捉短期和长期的溢出动态，平衡了快速市场调整的需求与 VAR 估计所需的统计稳定性。其次，我们的分析明确纳入了通过基于分位数的方法分类的市场阶段，其中熊市、正常市场和牛市分别对应于回报的最低 5%、中位数 50% 和最高 95% 分位数。这使得我们能够精确地检查极端和典型条件下的市场行为和连通性的不对称性，为系统性风险和不同制度下的差异性溢出提供了新的见解。这些分位数的选择基于现有的文献（AlGhazali 等人，2024年；Kayani 等人，2024年），确保了数据驱动、可复制和理论上的合理性。第三，从理论角度来看，我们的研究明确考虑了市场参与者的异质交易范围，这与 HMH 一致。短期频率带（1-5 天）捕捉了由投机者和高频交易者驱动的快速溢出，而长期带（5 天以上）反映了由机构投资者、政策变化和结构性经济因素（如能源转型和技术创新）塑造的持久相互依赖性。通过区分这些时间动态，我们的研究提供了对 GCC 传统市场、伊斯兰市场和绿色金融市场之间溢出如何随时间演变的细致理解，为投资者和政策制定者提供了关于风险传递、对冲策略和可持续金融决策的关键见解。

尽管之前的研究中已经应用了 QFC 方法，但我们的研究在几个重要方面进行了创新。首先，我们采用了 Chatziantoniou 等人（2022年）提出的分位数时频连通性框架，使用了一个 100 天的滚动窗口 QVAR 模型，一个滞后项和一个 10 步的预测范围。这种设计使我们能够捕捉短期和长期的溢出动态，平衡了快速市场调整的需求与 VAR 估计所需的统计稳定性。其次，我们的分析明确纳入了通过基于分位数的方法分类的市场阶段，其中熊市、正常市场和牛市分别对应于回报的最低 5%、中位数 50% 和最高 95% 分位数。这使得我们能够精确地检查极端和典型条件下的市场行为和连通性的不对称性，为系统性风险和不同制度下的差异性溢出提供了新的见解。这些分位数的选择基于现有的文献（AlGhazali 等人，2024年；Kayani 等人，2024年），确保了数据驱动、可复制和理论上的合理性。第三，从理论角度来看，我们的研究明确考虑了市场参与者的异质交易范围，这与 HMH 一致。短期频率带（1-5 天）捕捉了由投机者和高频交易者驱动的快速溢出，而长期带（5 天以上）反映了由机构投资者、政策变化和结构性经济因素（如能源转型和技术创新）塑造的持久相互依赖性。通过区分这些时间动态，我们的研究提供了对 GCC 传统市场、伊斯兰市场和绿色金融市场之间溢出如何随时间演变的细致理解，为投资者和政策制定者提供了关于风险传递、对冲策略和可持续金融决策的关键见解。

本研究使用了 GCC 伊斯兰（符合沙里亚法）股票市场的日价格数据（即 BAH-SH、KUW-SH、OMN-SH、QAT-SH、SAU-SH 和 UAE-SH），以及全球 Sukuk 指数。此外，还包括全球 GCC-STOCK 和 GCC-BOND 作为关键指标。对于对冲分析，我们纳入了 SUST、GB 和 S&P ESG 指数。表 1 展示了数据集并指出了数据来源。数据来源于 S&P Global 数据库，时间跨度从 2014 年 8 月 29 日到 2024 年 9 月 19 日，涵盖了 2014-2016 年油价暴跌、2016 年巴黎协定、2017 年卡塔尔危机、COVID-19 大流行病和地缘政治紧张局势（俄罗斯-乌克兰冲突和哈马斯-以色列战争）等重大事件。回报计算为连续两个日价格的自然对数的第一差值。

图 1 显示了价格（左）和回报（右）的演变。一些 GCC 伊斯兰股票指数（例如 BAH-SH、KUW-SH 和 QAT-SH）受到油价、地缘政治紧张局势和经济周期的剧烈波动影响，而 OMN-SH 则表现出持续的下降，反映了较弱的表现。全球 GCC 股票遵循与油价和宏观经济政策相关的周期性模式，而 GCC 债券由于风险较低而表现出稳定的增长。绿色资产（SUST、S&P ESG、GB）显示出一致的上行趋势，尤其是在巴黎协定之后，这得到了 ESG 重点投资的支持。主要下跌时期与 2014-2015 年油价暴跌和 COVID-19 大流行病等事件重合。然而，绿色资产和 Sukuk 通常有所升值，除了在大流行期间。这些趋势突显了传统资产和可持续资产之间的日益分化，后者越来越受到 ESG 投资者的青睐。在危机期间（例如油价暴跌、COVID-19 大流行病、俄罗斯-乌克兰冲突和哈马斯-以色列战争），所有市场的回报波动性都上升。在 COVID-19 之后的时期，绿色资产显示出更大的波动性，反映了作为对冲工具的需求增加。这一转变强调了投资者对道德、长期策略的偏好以及在全球不确定性中的多元化重要性。

图 2 显示了回报序列之间的相关矩阵，展示了 GCC 伊斯兰股票与其他金融资产之间的不同关系。在 GCC 伊斯兰市场中，SAU-SH 和 GCC-STOCK 的相关性最高，反映了与传统股票的多样化潜力有限。绿色资产，特别是 GB 和 S&P ESG，通常与 GCC 伊斯兰指数之间的相关性较弱。GB 与大多数资产的相关性不显著，除了与 BAH-SH 和 KUW-SH 以及 Sukuk 有轻微的正相关。这表明 GB 可以作为有效的多元化工具，为投资者提供机会来减轻风险并稳定投资组合回报。

表 2 提供了回报序列的描述性统计信息。S&P ESG 指数显示出最高的平均回报，而 QAT-SH 记录了最低的负回报，为 -0.0149%。只有 OMN-SH 和 QAT-SH 以及 GB 显示出负的平均回报。尽管平均值呈正，但 UAE-SH 的风险最高，方差为 1.5182%，而 Sukuk 的方差最低（0.1372%），反映了更高的稳定性。所有指数（除 BAH-SH 外）都显示出负偏度，表明极端负面回报的概率较高。所有指数的峰度值超过 3，表明分布呈厚尾，极端结果的可能性更大。Jarque-Bera 测试拒绝了正态性，确认了非正态分布。ERS 测试在 1% 的水平上确认了平稳性，而加权组合测试在同一水平上表明了显著的自相关性。

图 3 展示了条件均值下的总时频连通性。与传染理论（Forbes & Rigobon, 2002）一致，指数之间的连通性在时间和频率上都有所波动，特别是在五天以下的短期范围内观察到更强的联系。这些结果与 Mensi 等人（2022b）、Arif 等人（2021）和 Naeem 等人（2021a）的报告一致，他们指出 GCC 和绿色金融市场中的短期溢出占主导地位。这种一致性证实了传统市场、伊斯兰市场和绿色市场内的冲击主要在较短的时间内传递，强调了将时频分析整合到投资组合风险管理和资产配置策略中的重要性。

图 4 展示了每种资产的动态净贡献或接收情况。全球 GCC-STOCK 在大流行后时期始终表现为净贡献者，反映了其广泛的市场影响力、高流动性和与全球金融系统的深度整合，这共同放大了冲击传递——对于寻求稳定的风险厌恶型投资者来说不太有吸引力。因此，投资者应在高波动性时期最小化对 GCC 传统股票的暴露，因为它们是系统性风险的传递者。这些发现与 Naeem 等人（2022）的研究结果一致，他们记录了 GCC 传统股票通常作为波动性的主要传递者，而 GCC 伊斯兰股票由于结构特征和市场成熟度的差异而相对更为隔离。事实上，尽管伊斯兰市场的重要性日益增加，但由于规模较小、流动性较低和定位更为 niche，它们仍然是净接收者。

图 3 显示了条件均值下的总分位数时频连通性（\(\tau = 0.5\)。这种视觉表示显示了不同频率下的 TCI 波动。总分位数时频连通性是使用 GFEVD 和 100 天的滚动窗口以及 10 天的预测范围（\(H = 10\) 计算的。TCI 用黑色显示。短期频率连通性（1-5 天），反映每周动态，用红色阴影表示，而长期连通性（5 天至 \(\infty\) 天）用蓝色表示。在重大全球事件期间，如 2014 年石油过剩、2016 年中国经济放缓、COVID-19 大流行病和持续的俄罗斯-乌克兰冲突及以色列-哈马斯战争期间，连通性呈现上升趋势。这表明 GCC 金融市场与正常时期相比对全球冲击变得更加敏感。同样，Salman 和 Ali（2024）发现 COVID-19 大流行病对 GCC 股票有负面的短期影响，而 Soltani 等人（2023）强调了 COVID-19 相关情绪与金融市场之间的加剧溢出，进一步支持了我们在危机期间短期脆弱性增加的证据。

从政策角度来看，这些发现强调了 GCC 监管机构需要加强跨市场监测框架并建立早期预警系统，以预测不确定性升高期间的潜在传染效应。对于投资者来说，投资组合策略应优先考虑短期多元化，以管理突发冲击，特别是在市场连通性加剧的危机期间。

图 4 显示了每种资产的动态净贡献或接收情况。全球 GCC-STOCK 在大流行后时期始终表现为净贡献者，反映了其广泛的市场影响力、高流动性和与全球金融系统的深度整合，这共同放大了冲击传递——对于寻求稳定的风险厌恶型投资者来说不太有吸引力。因此，投资者应在高波动性时期最小化对 GCC 传统股票的暴露，因为它们是系统性风险的传递者。这些发现与 Naeem 等人（2022）的研究结果一致，他们记录了 GCC 传统股票通常作为波动性的主要传递者，而 GCC 伊斯兰股票由于结构特征和市场成熟度的差异而相对更为隔离。实际上，尽管伊斯兰市场的重要性日益增加，但由于规模较小、流动性较低和定位更为 niche，它们仍然是净接收者。

表 2 报告了回报的总结统计信息。偏度使用 D'Agostino（1970）进行测试，峰度使用 Anscombe 和 Glynn（1983）进行测试，正态性使用 Jarque–Bera 测试（1980）进行测试。平稳性使用 ERS 单位根测试（Elliott 等人，1992）进行评估，其中 \(Q(10)\) 和 \(Q^2(10)\) 指的是 Fisher 和 Gallagher（2012）的加权组合测试。***** 和 *** 分别表示在 5% 和 1% 水平上的显著性。TCI在较低的分位数中达到最高水平，为96.47%，略高于较高的分位数（95.68%），随后在中等分位数中降至33.17%。这种波动性溢出的显著不对称性支持了前景理论（Kahneman & Tversky, 2013），并与Mensi等人（2022c）和Khalfaoui等人（2022）的研究结果一致，表明负面波动性溢出占主导地位，这一现象也被Shahzad等人（2021）和Mensi等人（2022d）所记录。这种不对称行为在中长期范围内持续存在，表明看跌冲击产生的溢出效应比看涨冲击更为强烈和持久。此外，TCI在较高频率下显著增加，这证实了Mensi、Vo、Ko和Kang（2023）、Arif等人（2021）以及Naeem等人（2020）的研究结果，即伊斯兰市场和绿色市场内的短期溢出效应更强，表明信息传播速度更快。有趣的是，虽然负面冲击在长期内占主导地位，但在短期内，较高分位数的溢出效应略高于较低分位数，这意味着在有利条件下，正面波动性传播得更快，而负面波动性则持续更长时间，从而导致持续的溢出效应。

表3. 平均QFC表。
空白单元格

BAH-SHKUW-SHOMN-SHQAT-SHSAU-SHUAE-SHSUSTGBESGSUKUKGCC-STOCKGCC-BONDE
空白单元格

较低分位数（τ = 0.05）
总计
TO 88.80 88.60 86.98 86.33 87.05 85.77 92.54 86.39 87.90 86.84 95.15 88.82 106 1.16
FROM 88.13 88.87 88.13 88.81 90.14 88.15 87.94 88.15 88.37 87.80 88.63 88.05
净值 0.66 ?0.27 ?1.15 ?2.48 ?3.09 ?2.38 4.61 ?1.76 ?0.47 ?0.96 6.52 0.77
TCI = 96.47

频率：1–5天
TO 63.68 62.89 63.00 62.81 62.92 62.94 65.88 63.54 64.21 63.83 67.44 64.19 767.33
FROM 63.80 60.36 63.05 60.09 57.15 70.88 64.00 68.78 67.95 68.63 56.54 66.08
净值 ?0.13 2.53 ?0.06 2.72 5.77 ?7.94 1.89 ?5.24 ?3.75 ?4.80 10.90 ?1.89
TCI = 69.76

频率：5-Inf天
TO 25.12 25.71 23.98 23.52 24.13 22.84 26.66 22.85 23.69 23.01 27.71 24.63 293.84
FROM 24.33 28.50 25.07 28.72 32.99 17.27 23.94 19.36 20.42 19.17 32.09 21.97
净值 0.79 ?2.80 ?1.09 ?5.20 ?8.86 5.57 2.72 3.49 3.27 3.84 ?4.38 2.66

TCI = 26.71

中等分位数（τ = 0.5）
总计
TO 30.35 30.98 19.40 25.61 33.41 26.14 27.40 20.36 23.83 24.19 77.28 25.87 364.82
FROM 21.15 25.39 19.62 31.76 65.33 24.03 27.88 26.11 27.58 27.39 43.49 25.08
净值 9.20 5.59 ?0.21 ?6.15 ?31.93 2.11 ?0.48 ?5.75 ?3.75 ?3.20 33.79 0.78

TCI = 33.17

频率：1–5天
TO 24.49 26.38 14.39 21.21 27.96 23.53 24.20 18.14 21.78 21.92 64.84 23.30 312.17
FROM 16.85 21.34 14.40 23.99 54.29 22.60 25.11 24.06 25.91 25.14 35.78 22.69
净值 7.64 5.04 ?0.02 ?2.77 ?26.33 0.93 ?0.91 ?5.92 ?4.13 ?3.21 29.07 0.62

TCI = 28.38

频率：5-Inf天
TO 5.86 4.60 5.01 4.39 5.44 2.61 3.21 2.22 2.05 2.27 12.43 2.56 52.65
FROM 4.30 4.05 5.21 7.77 11.04 1.43 2.78 2.05 1.66 2.26 7.72 2.40
净值 1.56 0.55 ?0.20 ?3.38 ?5.60 1.18 0.43 0.17 0.39 0.01 4.72

TCI = 4.79

较高分位数（τ = 0.95）
总计
TO 87.05 89.11 84.56 87.86 84.57 89.28 89.29 86.30 87.41 85.31 91.63 90.13 105 2.50
FROM 87.81 87.84 87.42 87.97 89.78 87.00 87.21 87.42 87.05 87.53 88.19 87.28
净值 ?0.75 1.27 ?2.86 ?0.11 ?5.21 2.28 2.07 ?1.12 0.37 ?2.22 3.43 2.85

TCI = 95.68

频率：1–5天
TO 70.35 72.18 69.30 71.16 69.29 73.15 72.57 70.34 71.79 70.18 74.41 73.43 858.15
FROM 69.37 67.11 67.46 66.90 69.30 77.89 72.15 74.81 76.30 74.14 69.53 73.18
净值 0.98 5.06 1.83 4.27 ?0.01 ?4.74 0.42 ?4.47 ?4.51 ?3.96 4.87

TCI = 78.01

频率：5-Inf天
TO 16.70 16.93 15.26 16.70 15.28 16.13 15.63 15.12 17.22 16.71 194.35
FROM 18.44 20.72 19.96 21.07 20.47 9.11 15.07 12.60 10.75 13.39 18.66 14.10
净值 ?1.73 ?3.79 ?4.69 ?4.38 ?5.20 7.02 1.65 3.35 4.87 1.73

注：该表基于使用100天滚动窗口、1阶滞后（BIC）和10步预测的分位数VAR模型估算得出。“FROM”列表示每个市场从系统中其他市场接收的总连通性，“TO”行显示每个市场向其他市场传递的连通性（不包括自身）。“NET”行捕捉净连通性。

关于每个市场传递（“TO”）和接收（“FROM”）的波动性，随着时间范围的延长，溢出效应逐渐减弱，这与HMH（Chin等人，2017；Müller等人，1997）的观点一致，他们认为投资者在不同的时间尺度上操作，并对新信息做出不同的反应。GCC股票市场在所有分位数和时间段内始终表现出最高的波动性传递和接收水平，主要是因为它们的规模更大、流动性更强以及市场整合度更高，相比之下伊斯兰市场和绿色金融市场则较低。这一发现支持了Naeem等人（2022）的研究，他们同样报告称GCC传统股票在波动性传递中充当中心节点，放大了系统性风险。相反，GBs、Sukuk以及OMN-SH、QAT-SH和SAU-SH主要作为波动性的净接收者，在稳定时期具有分散风险的作用，在危机期间则成为避风港。这一观察结果与Naeem等人（2023a）和Sifat等人（2023）的研究一致，强调了伊斯兰和绿色金融资产在动荡市场中的韧性，使它们对风险厌恶和关注可持续性的投资者特别有吸引力。相比之下，GCC传统股票和债券指数在正常和极端市场条件下都成为系统性风险的贡献者，在不确定性增加时需要谨慎管理投资组合。有趣的是，SUST在稳定时期是净接收者，但在极端条件下变成了显著的净贡献者，表明可持续股票在危机期间受到投机交易和政策变化的更大影响。同样，S&P ESG指数在低波动性和中等波动性环境下是净接收者，在牛市中则成为净贡献者，这与BAH-SH伊斯兰指数的持续防御性行为形成鲜明对比。

从投资角度来看，这些发现表明伊斯兰股票、Sukuk和GBs应被视为核心的避风港资产，支持了“逃往质量”假设（Deng等人，2022），特别是在不确定性增加的时期，而在波动性飙升期间应积极管理或对冲GCC传统股票的投资。对于监管机构而言，这些结果强调了加强跨市场监督的必要性，以及制定促进伊斯兰和绿色金融市场深度和流动性的政策，减少对GCC传统股票的系统性依赖。

图5展示了不同分位数下的动态连通性，其中较暖的颜色表示更强的相互联系。在中等分位数中，总连通性保持在40%以下，呈现出受全球和地区事件影响的明显周期性模式（Chang等人，2023；Chatziantoniou等人，2022；Zhao等人，2022）。这种周期性趋势在2014年、2016年、2020年和2022年达到高峰，支持了我们研究的稳健性，并强调了GCC金融市场对偶发冲击的脆弱性。

然而，在较低（看跌）和较高（看涨）分位数中，连通性显著增强，超过90%，表明在极端市场条件下响应是对称的。这些发现与Yousaf等人（2023）和Mensi、Vo以及Kang（2023）的研究一致，表明在市场压力期间，由于负面和正面冲击的快速传播，市场连通性显著增强，从而驱动了羊群行为和跨市场相关性（Jia等人，2022）。在危机期间——特别是COVID-19大流行期间——相互依赖的程度急剧上升，证实了黑天鹅理论（Adekoya & Oliyide，2021；Mensi等人，2024；Naeem等人，2021b；Rehman等人，2023；Taleb，2007）。这种高度敏感性对GCC经济体尤为重要，因为它们仍然高度依赖油价波动和地区金融一体化。例如，Abuzayed和Al-Fayoumi（2021）发现，油价对GCC股票市场的系统性风险溢出在COVID-19期间显著放大，尤其是在沙特阿拉伯和阿联酋。同样，Alnafisah等人（2024）使用分位数连通性框架显示，在COVID-19大流行和俄罗斯-乌克兰冲突等破坏性事件期间，GCC股票与关键商品（如黄金、比特币、小麦）之间的溢出加剧。此外，Al-Cheikh等人（2022）指出，油价与GCC股票市场之间的波动性传染在不同国家之间存在不对称性，特别是在科威特、卡塔尔和沙特阿拉伯最为明显。与这些发现一致，Mezghani和Boujelbène（2018）提供了行为证据，表明油价冲击在伊斯兰和GCC市场中触发传染效应，表明投资者往往对能源市场动态反应过度。

这些结果表明，在极端市场阶段，由于市场间连通性的增强，投资组合多样化的好处减弱。投资者在投资GCC资产时应密切关注油价波动和地缘政治风险，并向整合度较低的市场和替代资产（如GBs或可持续指数）进行多元化，以减轻系统性风险。图6展示了在不同分位数下的总频率连通性，提供了关于投资期限和市场条件如何影响相互联系的见解。在极端市场阶段，连通性显著高于正常时期（Karim & Naeem，2022），表明在市场面临压力或兴奋时，波动性冲击传播得更强烈。这一发现强调了积极调整投资组合和短期多样化策略的重要性，以减轻下行风险。这些结果与Tabash等人（2023）的研究一致，他们报告称GCC市场内的短期溢出占主导，也与Arif等人（2021）的研究一致，后者发现绿色市场和传统市场在动荡时期存在显著的短期连通性。然而，与Arif等人（2021）不同的是，我们的发现表明在危机期间，长期连通性变得更强，意味着溢出效应更加持久。

图7展示了在不同分位数下各种资产的动态净连通性，突出了它们在不同市场条件下的净传输者或接收者角色。我们的结果显示，GCC-STOCK始终是最大的冲击生产者，强调了其在区域市场网络中的系统重要性。这一发现与先前的研究相反，后者通常认为GCC股票市场是全球金融网络中的净接收者，主要吸收来自油价、全球股票和外部事件的冲击（Haddad等人，2020；Yousuf & Zhai，2022）。这种差异可能源于方法论的不同以及我们研究的独特焦点，我们研究了GCC内部的连通性，而不是全球溢出，从而突出了区域股票指数影响其他GCC金融市场的潜力。此外，与大多数主要关注油价引发冲击的先前研究不同，我们的分析涵盖了传统、伊斯兰和绿色金融资产之间的更广泛市场内部溢出，提供了关于系统相互依赖性的更全面视角。

图8描绘了在不同分位数下各种资产的动态净连通性，突出了它们在不同市场条件下的净传输者或接收者角色。我们的结果显示，GCC-STOCK始终是最大的冲击生产者，强调了其在区域市场网络中的系统重要性。这一发现与先前的研究相反，后者通常认为GCC股票市场是全球金融网络中的净接收者，主要吸收来自油价、全球股票和外部事件的冲击。这种差异可能源于方法论的不同以及我们研究的独特焦点，我们研究了GCC内部的连通性。此外，与大多数主要关注油价引发冲击的先前研究不同，我们的分析涵盖了传统、伊斯兰和绿色金融资产之间的更广泛市场内部溢出，提供了关于系统相互依赖性的更全面视角。

图7显示了不同分位数下各种资产的动态净连通性。伊斯兰市场表现出异质行为：BAH-SH和UAE-SH通常是净传输者；然而，在2014年石油过剩和中东冲突等危机期间，KUW.SH、OMN.SH和QAT这种模式也出现在绿色资产和苏库克（Sukuk）上，它们与更广泛的海湾合作委员会（GCC）市场的短期整合度较低。然而，从长期来看，市场之间的整合显著增强，导致系统冲击的传递性提高，多元化的好处减少。这一发现强调了需要采用动态投资策略：短期投资组合可能从多元化机会中受益，而长期投资者必须考虑市场趋同和系统风险的增加。

3.3. 稳健性测试
为了增强我们的发现结果的稳健性，我们采用了Wang等人（2024年）提出的另一种滚动窗口大小来重新估计模型。虽然主要分析基于一个100天滚动窗口的QVAR模型，但我们使用200天滚动窗口进行了稳健性检验。表4和图9中的结果证实，我们的主要结论在定性上是稳健的，并且对滚动窗口大小的选择基本上不敏感。总体模式仍然存在：短期连通性主导长期连通性，反映了快速溢出效应在短期内驱动市场动态的普遍性。此外，在极端市场条件下，连通性显著高于正常时期，表明市场面临压力时冲击的传播更为强烈。

表4. 平均QFC表（200天滚动窗口）
注释：该表基于使用200天滚动窗口、1阶滞后（BIC）和10步预测的分位数VAR模型计算得出。“FROM”列显示每个市场从系统中其他市场接收到的总连通性，而“TO”行显示每个市场向其他市场传递的连通性（不包括自身）。“NET”行捕捉净连通性。

空单元格

BAH-SHKUW-SHOMN-SHQAT-SHSAU-SHUAE-SHSUSTGBESGSUKUKGCC-STOCKGCC-BOND
空单元格

较低分位数（τ = 0.05）
总TO 87.30 87.97 83.93 85.86 85.60 86.20 91.33 87.62 86.99 84.16 94.17 86.63 1047.77
FROM 86.38 88.22 86.70 87.89 89.68 86.44 86.95 86.59 86.98 86.57 88.24 87.13
净 0.93 ?0.25 ?2.77 ?2.03 ?4.08 ?0.24 4.38 1.03 0.01 ?2.41 5.93 ?0.50
TCI = 95.25
频率：1–5天

TO 58.41 60.08 57.92 59.19 59.26 58.88 61.12 59.60 59.73 58.06 63.61 59.99 71 5.85
FROM 59.13 53.81 59.02 52.32 51.44 65.34 59.47 69.37 65.97 64.85 52.82 62.28
净 ?0.73 6.27 ?1.09 6.87 7.82 ?6.45 1.65 ?9.78 ?6.25 ?6.80 10.79 ?2.30
TCI = 65.08
频率：5-Inf天

TO 28.90 27.89 26.01 26.67 26.34 27.32 30.22 28.02 27.27 26.11 30.56 26.65 33 1.93
FROM 27.24 34.41 27.68 35.57 38.23 21.11 27.49 17.21 21.01 21.72 35.42 24.85
净 1.65 ?6.52 1.67 ?8.90 ?11.90 6.21 2.73 10.81 6.26 4.39 ?4.86 1.80
TCI = 30.18

中等分位数（τ = 0.5）
总TO 20.42 24.98 10.46 16.76 27.92 15.94 16.03 10.85 12.92 13.22 75.07 15.06 259.61
FROM 13.44 18.73 9.52 23.03 62.57 14.39 14.58 14.55 17.75 38.24 15.44
净 6.97 6.26 0.94 ?6.26 ?34.66 1.55 ?1.35 ?3.73 ?1.63 ?4.53 36.82 ?0.38
TCI = 23.60

频率：1–5天

TO 17.32 21.29 7.53 14.32 23.66 14.23 14.26 9.64 11.87 11.97 63.21 13.87 223.16
FROM 11.10 15.90 6.88 17.37 53.08 13.74 15.46 13.53 13.65 16.36 31.92 14.17
净 6.22 5.38 0.65 ?3.05 ?29.42 0.49 ?1.20 ?3.89 ?1.78 ?4.39 31.30 ?0.30
TCI = 20.29

频率：5-Inf天

TO 3.10 3.70 2.93 2.44 4.26 1.71 1.78 1.20 1.05 1.25 11.85 1.18 36.45
FROM 2.35 2.82 2.64 5.66 9.49 0.64 1.93 1.05 0.90 1.39 6.33 1.26
净 0.75 0.87 0.29 ?3.21 ?5.23 1.07 ?0.15 0.16 0.15 ?0.14 5.53 ?0.08
TCI = 3.31

较高分位数（τ = 0.95）
总TO 86.34 88.90 83.60 86.51 82.93 86.86 86.26 85.61 85.90 85.36 93.06 86.76 103 8.09
FROM 86.14 87.16 86.08 86.87 88.94 85.91 85.81 86.02 85.84 86.06 87.24
净 0.20 1.75 ?2.48 ?0.36 ?6.01 0.95 0.45 ?0.41 0.06 ?0.70 5.82 0.73
TCI = 94.37

频率：1–5天

TO 70.72 72.64 68.60 70.93 68.40 70.83 70.03 69.77 69.82 70.21 75.73 70.80 84.88
FROM 67.33 63.44 66.61 65.82 65.04 77.16 74.13 74.55 76.72 75.38 67.77 74.55
净 3.39 9.20 1.99 5.11 3.36 ?6.33 ?4.10 ?4.78 ?6.90 ?5.17 7.97 ?3.75
TCI = 77.13

频率：5-Inf天

TO 15.62 16.26 15.00 15.58 14.53 16.03 16.23 15.84 16.08 15.15 17.33 189.62
FROM 18.81 23.72 19.47 21.05 23.90 8.75 11.68 11.47 9.12 10.68 19.48 11.49
净 ?3.19 ?7.46 ?4.47 ?5.46 ?9.37 7.27 4.55 4.37 6.96 4.47 ?2.15 4.48
TCI = 17.24

下载：下载高分辨率图片（1MB）
下载：下载全尺寸图片

图9. 低分位数和高分位数处的总时间频率连通性（200天滚动窗口）。
注释：该视觉表示展示了在不同频率下TCI的波动情况。总分位数时间频率连通性是使用GFEVD方法，以200天滚动窗口和10天预测范围（H = 10）估算得出的。TCI以黑色显示。短期频率连通性（1–5天），反映每周动态，用红色阴影标出；而长期连通性（5至∞天）用蓝色显示。

另一个重要的不对称性也显现出来：在短期内，乐观情绪下的连通性比悲观情绪下更为明显，表明由乐观情绪驱动的冲击在资产间传播得更快。相反，在悲观阶段，长期动态占主导地位，表明负面冲击更为持久且影响更长久。

关于资产特定敏感性，当滚动窗口发生变化时，某些指数的净传输和接收角色会略有变化。例如，在正常情况下，OMN-SH和全球GCC债券（GCC-BOND）成为净传输者，而在乐观的短期阶段，SAU-SH指数转变为净传输者。然而，这些变化是微小的，并不改变整体连通性结构的稳健性。

4. 结论
本研究考察了GCC传统金融市场、伊斯兰金融市场和绿色金融市场在各个阶段和时间框架内的相互联系，重点关注GCC传统股票和债券指数、苏库克指数以及伊斯兰股票市场。对于对冲策略，研究包括了SUST指数、GB指数和S&P ESG指数，并使用了Chatziantoniou等人（2022年）提出的QFC方法，研究时间跨度为2014年8月29日至2024年9月19日。
研究结果表明，市场间的相互联系具有高度动态性，会随时间范围、频率和市场条件的变化而变化。在危机期间，这种相互依赖性加剧，并在悲观和乐观市场环境下都会被放大。溢出效应是不对称的，在悲观阶段更为强烈，这突显了市场在低迷时期的脆弱性。在正常、悲观和乐观条件下，短期连通性主要驱动市场互动，反映了市场对冲击的即时反应；而在危机期间，长期连通性变得更加重要，表明风险传递持续存在。
OMN-SH、QAT-SH和SAU-SH以及GCC债券和苏库克在各个分位数中主要是波动性的净接收者，在正常和乐观条件下提供了相对稳定性。在悲观阶段，它们充当避风港，缓解不确定性时期的风险。相反，GCC股票和债券显著增加了系统风险，放大了波动性。SUST指数在正常条件下是净接收者，但在极端市场条件下转变为净贡献者；而S&P ESG指数在低分位数和中分位数中是接收者，在乐观时期则成为贡献者。
这些发现推进了金融经济学的几个理论框架。首先，金融动荡期间的加剧溢出效应扩展了传染理论（Forbes & Rigobon, 2002），表明传染强度依赖于分位数和频率，说明冲击在不同市场和投资时间范围内传播的方式不同。其次，正常市场条件下短期连通性的主导地位与危机期间溢出的长期持续性形成对比，为HMH理论（Chin et al., 2017; Müller et al., 1997）提供了新证据，表明投资者的不同时间范围和信息处理速度影响了市场间的互动。第三，溢出的不对称性，特别是在低迷时期，进一步完善了前景理论（Kahneman & Tversky, 2013），表明损失厌恶加剧了跨分位数的波动性传播。第四，伊斯兰和绿色金融工具在危机期间的更强对冲和避风港作用支持了“逃离劣质资产”假说（Deng et al., 2022），强调了可持续资产在缓解系统风险中的重要性。最后，极端事件（如COVID-19大流行、俄乌冲突和哈马斯-以色列战争）期间连通性的急剧上升，强化了黑天鹅理论（Taleb, 2007），表明罕见且不可预测的冲击会加速波动性传播并触发系统风险。
这些发现还具有重要的实际意义。对于投资者和投资组合管理者而言，短期内短期连通性的主导地位表明需要在较短时间范围内保持多元化投资组合以降低即时风险。纳入伊斯兰和GCC债券等避风港资产可以在低迷时期增强保护作用，同时认识到溢出的不对称性对于风险缓解至关重要。对于监管机构和政策制定者来说，结果强调了主动管理相互依赖性和波动性风险的必要性，促进透明度和多元化，并支持伊斯兰和GCC债券等替代工具。此外，可持续性和ESG指数的动态作用突显了推进可持续金融倡议的重要性，增强了GCC金融市场的韧性，减少了对其石油收入的依赖，并提高了长期稳定性。

作者贡献声明：
Mouna Guesmi：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、软件使用、资源整理、形式分析、概念构建。
Walid Mensi：撰写 – 原始草稿、可视化、监督、项目管理、形式分析、数据整理、概念构建。
Adel Boubaker：撰写 – 审稿与编辑、数据整理、概念构建。
Khamis Hamed Al-Yahyaee：撰写 – 审稿与编辑、概念构建。