资产描述及相关性分析 [page::4][page::5][page::6]

• AI代币波动率显著高于AI ETFs及绿色资产，且收益分布偏态严重，均显著非正态分布。

- AI ETFs内部相关度极高(IRBO与ROBT相关系数0.91)，而AI代币之间相关适中，绿色资产与AI ETFs有一定正相关，AI代币与绿色资产相关较弱。

• 结论表明资产类别间传染风险结构差异化明显。

动态风险溢出及传导机制 [page::9][page::10][page::12]

• 同期和整体溢出指数高度一致，表明风险主要为实时传递，时滞传递较低。

- AI ETFs与清洁能源为净风险输出者，尤其ROBT对其他资产持续传染风险。

• AI代币及绿色债券整体表现为风险净接收者，但溢出角色随时间波动。

- 风险溢出动态显示市场重大事件（如2022年末及2025年初）对应风险峰值。

双边对冲率及投资组合分析 [page::15][page::16][page::17][page::18]

| 组合策略 | IRBO权重 | ROBT权重 | 绿色债权权重（SPGB+SPGTCED） | 备注 |
|----------|----------|----------|----------------------------|-----------------------------|
| MVP | 2.4% | 3.8% | 约 91.9% | 有效降低AI ETFs风险，绿色债券配置最大 |
| MCP | 6.0% | 12.5% | 约 33.0% | 风险降低效果较差但收益、夏普率最好 |
| MCoP | 10.5% | 11.5% | 约 22.2% | 风险降低有限 |

• AI代币在各组合中的配置比例普遍较低，但MCP及MCoP中权重较高，说明其多元组合中的潜在价值。

- 双边对冲分析表明，AI ETFs与绿色资产互为有效对冲；而AI代币对冲效果有限，风险降低能力弱。

• MCP组合收益与夏普率最高，适合寻求收益与风险平衡的投资者；MVP稳定但收益及夏普指标差。

净双向溢出网络与鲁棒性验证 [page::13][page::14][page::15]

• AI ETFs为主要风险传导节点，清洁能源亦为重要风险源，AI代币和绿色债券为主要风险接收节点。

- 网络结构显示不同资产类别间风险传导强度和方向明显不同，体现市场内生风险传染机制。

• 多方法相关性及QVAR分析验证了主要结论的稳定性和鲁棒性。

量化风险管理启示与投资建议 [page::20][page::21]

• 投资者应关注AI ETFs及清洁能源资产的高风险溢出效应，结合绿色债券纳入投资组合以分散风险。

- AI代币因波动性和风险接收性质令人警惕，限于现阶段对冲工具及策略有效性有限，需谨慎配置。

• 建议应用最小相关组合(MCP)策略优化投资，以实现更优收益风险比，同时监管应强化对AI相关与绿色资产市场的风险监测与管理。

深度分析报告：《Dynamic spillovers and investment strategies across artificial intelligence ETFs, artificial intelligence tokens, and green markets》

---

1. 元数据与概览

• 报告标题： Dynamic spillovers and investment strategies across artificial intelligence ETFs, artificial intelligence tokens, and green markets

- 作者： Ying-Hui Shao, Yan-Hong Yang, Han-Xian Zhou, Wei-Xing Zhou

• 所属机构： 上海对外经贸大学统计与信息学院，上海大学SILC商学院，华东理工大学商学院及经济物理研究中心，华东理工大学数学学院

- 发布日期： 未明确给出，数据样本截止2025年1月31日

• 研究主题： 探讨人工智能相关交易型基金（AI ETFs）、人工智能代币（AI tokens），及绿色市场资产（包括绿色债券和清洁能源指数）之间的风险溢出效应与投资策略。

核心论点与结论摘要：
本论文基于创新的$R^{2}$分解方法，研究AI ETFs、AI代币和绿色资产之间的风险溢出动态。结论显示，整体及同时期风险溢出指数（TCI）高度一致，而滞后TCI显著较低。AI ETFs和清洁能源资产主要为风险传递体，AI代币和绿色债券多数为风险接收体。AI代币较难用于对冲，且其对冲能力相对有限。多元化组合有效降低AI资产的投资风险，其中以最小相关组合(MCP)的表现优于最小方差组合(MVP)和最小连接度组合(MCoP)。这对投资组合配置及风险管理具有重要指导意义。[page::0-2]

---

2. 逐节深度解读

2.1 引言（Introduction）

• 强调第四次工业革命开启了人工智能时代，改变各行各业，包括金融市场催生了多种AI相关金融工具，本文主要聚焦三类资产：AI ETFs，AI代币，绿色资产。

- 论述AI快速发展带来的环境压力及其在推动绿色经济中的作用。当前绿色融资呼声高涨，且AI与绿色技术深度融合。

• 提出研究动机：绿色资产是否能为AI资产提供风险分散？金融危机、疫情、地缘政治紧张等外部冲击下市场连接性的变化，使得研究AI和绿能资产间的风险传递切实且重要。

- 文章将利用$R^{2}$分解法深入分析这些资产的相互风险溢出，进一步评估各种投资组合策略的表现。[page::0-2]

2.2 文献综述（Literature Review）

• 汇总现有关于AI资产与其他资产（股票、债券、加密货币及电力市场）之间连接性和动态影响的研究，尤其针对市场不同条件和时间频率表现出的多样性。

- 指出现有研究表明AI ETFs通常为风险传递者，而AI代币作为风险接收。极端市场波动下这些角色可能动态变化。

• 关注影响风险溢出的宏观及市场不确定性因子，如经济政策不确定性、地缘政治风险、金价波动等。

- 论及AI资产的潜在资产配置价值及在组合多样化中的作用，但也指出极端压力下AI资产风险分散效益减少。

• 强调绿色资产与AI资产间现有研究不足，特别是在系统风险溢出及对冲作用角度，呼吁进一步系统性研究。[page::2-4]

2.3 数据与描述统计（Data Description and Summary Statistics）

• 数据涵盖三组资产：

- 代表性AI ETFs：IRBO和ROBT；
- 代表性AI代币：RENDER、NEAR、ICP、FIL、FET（合并多项目的人工超智能代币）；
- 绿色资产：SPGB（绿色债券）和SPGTCED（全球清洁能源指数）。

• 样本期为2021年5月25日至2025年1月31日，日度对数收益率，总计927个交易日数据。

- 统计特征表明：
- AI代币波动（方差）显著高于AI ETFs和绿色资产，变异性强，收益分布普遍带有正偏度和高度峰度；
- Jarque-Bera和ERS测试均显著拒绝正态性，序列稳定但非正态；

• 相关系数热图数据揭示AI ETFs之间高度正相关（IRBO与ROBT达0.91），AI代币内部关联分布在0.43-0.69之间；绿色债券与AI资产相关度较低，但清洁能源指数与AI ETFs有中度正相关（最高达0.62）; AI代币与绿色资产间关联基本不显著。

- 这些统计指标提示各类资产类别内联动紧密，类别间尤其是AI代币与其他资产类间结合较弱，投资组合多样化潜力明显。[page::4-6]

2.4 方法论（Methodology）

• 介绍$R^{2}$分解方法，区别同时期与滞后期溢出效果，计算总体（TCI）、输入（TO）、输出（FROM）及净溢出（NET）指标。

- 详细说明风险溢出的定量计算公式和含义，净溢出正值表示净传递者，负值为净接收者。

• 投资组合设计部分采用经典及创新方法：

- 双边对冲比率（Kroner和Sultan模型）及最优双边组合权重计算；
- 最小方差组合（MVP）经典均值方差优化；
- 最小相关组合（MCP）侧重降低资产间相关性；
- 最小连接度组合（MCoP）基于连接指标矩阵作为权重依据。

• 投资表现通过Sharpe比率和对冲有效性（风险降低比例）指标衡量。[page::6-9]

2.5 动态溢出分析（Dynamic Connectedness Analysis）

• 总体风险溢出结构（Fig.2）

- 强烈的类内风险溢出效应，尤其ROBT与IRBO间最高溢出（约62-61），对应高相关性。
- AI ETFs以净传导者身份显著向绿色资产及AI代币施加溢出冲击，ROBT表现尤为明显，绿色清洁能源资产也作为溢出传导源存在。
- AI代币间彼此及与绿色资产的溢出较弱，显示投资者行为集体性导致串通效应。
- 同时期溢出占据主导，滞后期显著偏低。

• 动态总溢出趋势（Fig.3）

- 总体及同时期TCI由2022年底至2025年1月间两次高峰（约64%-66%），反映市场风险异动集中于同时期信息传递。

• 净方向溢出动态（Fig.4）

- AI ETFs及清洁能源风险溢出同向波动，整体为净传递者；AI代币和绿色债券以风险接收为主，但溢出角色随时间动态变动。

• 净对溢出（Fig.5-6）

- 资产质地影响溢出网络结构，ROBT最大净传递者，AI代币和绿色债券作为主要风险接收方；同时阶段则绿色债券净接收更多风险。

• 稳健性检查（Fig.7）

- 使用不同相关系数指标和量化VAR方法验证，TCI趋势一致，确认结果稳健。
综上，风险溢出结构复杂但具有明确类别分工，及时交易信息驱动市场联动。[page::9-15]

2.6 投资组合及对冲策略分析（Portfolio and Hedging Strategies）

双边对冲比率与有效性（表2）

• AI ETFs与绿色资产表现出较强对冲有效性，ROBT/SPGB与IRBO/SPGB对冲比率高且显著，清洁能源（SPGTCED）优于绿色债券（SPGB）在对冲上的表现。

- AI代币对AI ETFs的对冲作用极弱，尖锐波动且对冲比率接近零，统计意义缺失，风险减少有限。

• 绿色资产对加密货币的安全避风港功能不足，只有部分如FIL/SPGB对冲有效性有限，但整体不显著。

多变量组合策略表现（表3、图8）

• MVP策略有效降低了AI ETFs风险（HE超90%），但AI ETFs权重较低，仅数个百分点，指向投资组合中风险因素被控制但未主导配置；AI代币权重极低。

- MCP组合中AI ETFs权重上升明显，但对冲有效性为负，表明风险控制能力下降；AI代币权重提升，表现出更重要的组合角色。

• MCoP及其同时期和滞后版本均分配类似权重，AI代币和绿色资产权重较大，AI ETFs权重中等偏低。

- 绿色资产中，SPGB在MVP组合占比最大（91%以上），显示其作为风险接受者的稳健属性，但在MCP和MCoP中权重下降，风险控制减弱。

• 累计收益图（Fig.8）显示，MCP和MCoP自2023年初起经历显著增长，MVP较为平稳低回报。

- Sharpe比率（表4）确认MCP组合整体最佳风险收益平衡，其次是MCoP，MVP表现最弱，甚至负收益负风险调整回报。
总结多策略表现，MCP为应对AI及绿色资产多样性波动的最佳组合选择，而MVP更偏保守风格。[page::15-19]

---

3. 图表深度解读

表1 资产描述性统计

• 展现各资产均值、方差、偏态、峰态及正态性检验

- AI代币FET、RENDER收益率最高，波动显著大于其他资产

• Jarque-Bera测试极显著拒绝收益正态分布

- Elliott-Rothenberg-Stock测试表明资产收益序列均平稳

图1 相关系数热图

• IRBO与ROBT相关系数=0.91，显示ETF内部强相关

- ICP与FIL代币相关系数0.69，为代币内部最高

• 清洁能源指数与AI ETFs相关度达0.58-0.62，提示宏观主题关联程度

- AI代币与绿色债券相关度较低，几乎无显著关系

图2 风险溢出热图及统计

• (a-c) 展示整体、同时及滞后溢出矩阵，ETF类内溢出最显著，AI代币集中溢出明显但弱于ETF

- (d-f) TO, FROM, NET溢出条形图说明ETF与清洁能源为溢出主导，AI代币与绿债为溢出接收主体

图3 总体连接指数演变

• 整体与同时期TCI走势相近，两波波峰明显（2022年末，2025年初）

- 滞后TCI始终低位，市场信息传递即时性强

图4 净风险溢出时变动态

• ETF与清洁能源溢出同步性强，持续为净传递者

- AI代币与SPGB多为净风险接受者，且表现负相关

• 不同资产间风险传播角色动态化

图5 对溢出时间序列

• 细分ETF-代币、ETF-绿色资产间对溢出路径

- ETF间风险传递频繁，且主导整体溢出结构

图6 溢出网络图

• 核心溢出节点为ROBT，IRBO与清洁能源随后

- 代币作为较弱溢出链接多为风险接收者

• 同时期网络结构相对稀疏，部分代币与绿债表现为风险接收

图7 稳健性检验TCI变化

• 使用Pearson、Spearman、Kendall及QVAR法验证TCI趋势一致，方法选择稳健

图8 投资组合累计收益

• MCP、MCoP组合自2023年初表现优于MVP，表现出更高收益及波动性

- MVP稳定但低增长，风控保守风格明显

---

4. 估值分析

报告未涉及具体资产估值估算或DCF等模型，重心为风险溢出测度与投资组合优化，不对标的资产做估价。因此估值分析部分不适用。

---

5. 风险因素评估

• AI ETFs与清洁能源作为风险传递者，市场波动性大，可能引发系统性风险。监管需警惕其高波动与溢出效应。

- AI代币多为风险接收者，且对冲能力有限，其极高的波动性与市场不确定性可能加剧投资风险。

• 绿色债券固然较稳健，表现为风险吸收方，但本身也面临政策和市场环境变化风险。

- 市场动荡事件（如疫情、地缘冲突）可能加剧市场间联动性和风险溢出。

• 报告建议监管机构应重点监控AI ETFs和绿色科技资产的系统影响，加强跨市场风险监测和响应机制。

- 投资者应审慎配置AI代币，尤其关注其集体行为风险和同步性可能导致的隐蔽风险。

---

6. 批判性视角与细微差别

• 报告在强调AI ETFs与清洁能源为风险传递者时，未深入解析其内在驱动因素（如产业链影响、宏观政策等），可能弱化了影响路径描述。

- AI代币部分表现为风险接收体，但文中未充分讨论其内生性风险与价格泡沫因素，假设市场同步性根源于集体恐慌或羊群效应缺乏进一步实证支持。

• 投资组合分析表明MCP优于MVP和MCoP，但对于高风险资产权重上升带来的潜在下行风险缺少详细评估。

- 多种投资组合权重设置虽然基于统计优化，但实际执行中可能面临流动性限制、交易成本等现实约束，报告未予以探讨。

• 绿色债券作为风险接收方的结论一致但其潜在信用风险未被论述。

- 研究时间段截至2025年初，对未来潜在结构变动和新型资产缺乏前瞻性分析，具有一定时效局限。

---

7. 结论性综合

本研究创新采用$R^{2}$分解技术，系统刻画了AI ETFs、AI代币与绿色市场资产之间复杂的风险溢出路径。数据覆盖2021年至2025年初的927个交易日，涵盖多个代表性资产类别。

核心发现包括：

• 风险溢出结构

- 整体及同时期风险溢出主导总溢出指数，滞后影响较弱，说明市场信息传递几乎实时发生。
- AI ETFs与清洁能源资产为风险净传递者，具有高风险外溢特征；而AI代币及绿色债券多为风险接收者。
- AI代币市场高波动、差异大，且市场内部呈现集体行动特征。
- 绿色资产与AI ETFs间存在适度正相关，尤其清洁能源指数与ETF联动显著，提示绿色经济与AI产业的金融市场互动。

• 对冲与投资组合策略

- AI ETFs与绿色资产间对冲有效性较好，尤其清洁能源资产优于绿色债券。
- AI代币作为对冲工具作用有限，风险管理难度大。
- 多变量投资组合中，最低相关组合(MCP)优于经典最小方差组合(MVP)及最小连接度组合(MCoP)，在风险收益比表现上更为出色。
- 投资组合中风险传递资产的权重通常较低，风险接收资产权重较高呈现合理的风险分散特征。
- MCP及MCoP组合累计收益波动较大但整体表现优异，MVP组合更加稳健但回报较低。

• 政策和投资建议

- 强调对AI ETFs和清洁能源资产的监管重视，防范系统性风险。
- 鼓励跨市场风险监测，协调技术政策与绿色金融政策。
- 建议投资者合理配置AI代币，结合多样化组合策略优选风险与收益。
- 需警惕AI代币市场潜在的群体行为及系统性挤兑现象。

整体而言，本文系统揭示了AI及绿色资产市场交织中的风险传递机制，为投资组合构建与金融监管提供了实证及方法论支持。通过对重要表格与图形的深入解读，文章不仅论证了不同资产类别中的风险特征，也展示了多元组合策略在现实投资中的有效性，公司及个人投资者得以据此优化资产配置，兼顾稳健性和成长潜力。

---

报告溯源标记

• 元数据与研究目标述及： [page::0,1,2]

- 文献综述核心贯通： [page::2,3,4]

• 数据描述及统计分析： [page::4,5,6]

- 方法论详细介绍： [page::6,7,8]

• 动态风险溢出分析及图表解读： [page::9,10,11,12,13,14,15]

- 投资组合及对冲策略详解： [page::15,16,17,18,19]

• 结论及政策建议归纳： [page::20,21]

---

由此完成对该金融研究报告的极致详尽解析，确保核心内容、图表内涵、方法论及实务策略均被充分覆盖与清晰梳理。

报告