编辑推荐：
AI行业动态风险传导与跨部门关联性研究。通过构建硬件、云服务、应用开发及大科技四类AI行业指数，运用Vine copula、TVP-VAR及QQC方法，揭示AI产业链内部存在显著正关联，市场压力下风险跨行业扩散加剧，硬件与大科技扮演主要风险源，但角色随市场周期动态转换。研究强调需动态调整对冲策略并加强跨行业风险监测，为AI基础设施相关系统性风险防范提供依据。
作者：Barbara ?eryová、Peter árendá?、Jana Kotlebová
布拉迪斯拉发经济大学，Dolnozemská cesta 1，布拉迪斯拉发，852 35，斯洛伐克
摘要
人工智能（AI）已成为全球经济中的关键创新，与AI相关的股票已成为近期股市上涨的主要驱动力。然而，AI行业内部的动态和异质性在很大程度上尚未得到研究。我们通过分析四个AI行业（硬件制造商、云服务提供商、应用程序开发者和AI密集型大型科技公司）之间的联系和风险传递来填补这一空白，使用了2023-2025年的自构建股票市场指数。采用行业层面的视角，我们明确考虑了AI行业的异质性结构。通过捕捉静态依赖性和动态模式，我们评估了这些行业内部关系如何随时间变化以及在不同市场条件下的变化。研究结果表明，这四个AI行业之间存在强烈的正相关关系，在市场压力期间这种关系会加剧。跨行业溢出效应占AI行业回报变化的50%以上，但在正常情况下这种效应较为温和。在市场急剧波动期间，尤其是下跌时期，冲击会广泛传播到所有行业。虽然AI硬件制造商和AI大型科技公司通常作为净冲击传递者，而AI应用程序开发者和云服务提供商则作为净接收者，但他们的角色会随时间发生变化。我们的研究强调了动态对冲的必要性，因为静态多元化在压力市场中的保护作用有限，同时需要密切监控跨行业风险敞口。鉴于许多行业对AI基础设施的日益依赖，关键AI领域的中断可能会产生更广泛的系统性影响，应将其纳入宏观审慎监管之中。
引言
人工智能（AI）最近在经济和技术发展中发挥了核心作用，影响了广泛的行业（Raju和Sumallika，2023；Richey等人，2023；Dwivedi等人，2024；Kshetri等人，2024；Uctu等人，2024）。这一加速采用的阶段始于2022年11月，当时OpenAI发布了大型语言模型ChatGPT（Kergroach和Héritier，2025）。随后，Alphabet、Meta、xAI和Anthropic等主要公司也发布了类似的模型，加强了该领域的活动。尽管全球AI市场已经增长了几十年，但其增长在2023年至2025年间大幅加快，增长了近50%（Chakraborty等人，2023）。预计其复合年增长率将超过20%，其快速扩张将持续下去，超越所有行业。目前估计，到2030年，全球AI市场的规模可能达到约1.89万亿美元（Naik，2025）。
鉴于AI的快速扩张日益渗透到金融市场，越来越多的研究开始探讨AI驱动的市场行为。在投资领域，Chen和Ren（2022）、Grobys等人（2022）、Munipalle（2024）和Anuar等人（2025）比较了AI管理和人类管理的基金，发现AI驱动的策略在多个场合优于人类管理。另一类文献研究AI相关股票和ETF是否表现出泡沫行为。虽然Demmler和Fernández（2024）以及Potrykus（2024）没有发现泡沫的证据，但Bonaparte（2024）和Trabelsi Karoui等人（2024）报告了与高估值一致的迹象。其他研究探讨了AI相关资产如何与更广泛的金融市场互动，包括股票（Raggad和Bouri，2025）、债券（Huynh等人，2020）、加密货币（Demiralay等人，2021；Abakah等人，2023b）、商品以及特定于AI的数字代币（Xiaoyang等人，2024；Yousaf等人，2024a）。还有一些研究探讨了跨行业联系，包括AI股票与能源市场之间的联系（Urom等人，2022），以及它们与清洁能源和传统（肮脏）能源行业的关联（Zeng等人，2024；Raggad和Bouri，2025）。
随着AI相关公司影响力的增加，理解AI行业的内部动态变得具有实际意义。AI不是一个同质的行业，而是一个由相互连接的细分市场组成的复杂生态系统，因此一个部分发生的冲击可能在不同部分之间不均匀地传播，这对风险分散、投资组合分配和金融稳定产生影响。尽管如此，先前的研究对于风险在AI行业内部如何传播以及行业内部动态提供的证据有限。例如，Jare?o和Yousaf（2023）、Yousaf等人（2024b）和Yousaf等人（2024c）分析了少数AI股票或ETF与AI代币之间的溢出效应，但没有探讨整个AI行业的异质性，这需要更细致的行业层面分析。这种差距主要是概念性的，而不仅仅是方法论上的，因为将AI行业视为一个整体掩盖了上游和下游细分市场在冲击传递中的不同作用。
受现有局限性的启发，我们研究了四个关键AI细分市场（应用、大型科技公司、云服务和硬件）之间的关系。利用自构建的股票市场指数，我们分析了冲击如何在AI行业中传播，哪些细分市场作为传递者或接收者，以及这些角色如何随时间和不同市场条件变化。通过围绕不同的AI行业进行结构化分析，我们能够识别出汇总AI指数或孤立的公司层面分析无法捕捉到的具有经济意义的传播模式。我们使用Vinecopula模型来研究静态、条件性和尾部依赖性；时间变化参数向量自回归（TVP-VAR）扩展的联合连接性框架（Balcilar等人，2021）来量化随时间变化的总体和方向性溢出效应；以及分位数对分位数连接性（QQC）方法（Gabauer和Stenfors，2024）来评估不同分位数的行业回报如何在整个分布中相互影响，特别是在极端市场波动期间。通过这种方式，我们的研究为文献做出了贡献，提供了关于AI行业内风险传播的第一个行业层面证据，强调了内部异质性的作用，而不是将AI视为一个同质的市场细分市场。
我们的研究表明，这四个AI行业高度互联，超过一半的回报变化由跨行业溢出效应驱动。它们的关系始终为正，并在市场压力期间加剧，这建立在Demiralay等人（2021）、Jare?o和Yousaf（2023）以及Ali等人（2024）关于技术密集型金融细分市场和AI投资产品的研究结果之上。虽然硬件和大型科技公司通常作为净冲击传递者，而应用和云服务提供商作为净接收者，但这些角色会随时间变化，扩展了之前针对选定AI股票（Yousaf等人，2024a）、AI代币和ETF（Yousaf等人，2024c）记录的动态变化。2023年硬件是主要的传递者，但到2025年变成了净接收者，主要来自大型科技公司和应用。在正常情况下，净溢出效应有限，与Yousaf等人（2024b）的研究一致，但在市场急剧波动期间，特别是下跌时期，冲击会广泛传播到整个系统，这与生产网络模型（Acemoglu等人，2012；Acemoglu和Restrepo，2019）的结果一致。观察到的模式也与最近将AI行业视为分层技术堆栈而非同质市场细分市场的观点一致（Jacobides等人，2021；van der Vlist等人，2024）。总之，我们的研究强调了动态对冲和密切监控跨行业风险敞口的必要性，因为静态多元化在压力市场中的保护作用有限，并表明关键AI领域的中断可能会产生广泛的经济影响，需要宏观审慎监管的关注。
本文的结构如下：第2节回顾了相关文献，强调了AI行业内部动态的空白。第3节介绍了实证分析中使用的数据，第4节概述了实证方法，解释了如何评估静态、动态和基于分位数的连接性。第5节以结构化的方式呈现了实证结果，首先讨论静态依赖性，然后是时间变化和分位数依赖的溢出效应。第6节讨论了主要发现并进行了总结。
文献综述
本节回顾了关于AI的经济和金融文献，从AI的更广泛的经济影响到其在金融市场中的作用，最后是关于AI相关资产的证据。虽然AI相关资产及其与其他市场的互动已得到广泛研究，但关于AI行业内部动态的证据仍然有限。
AI及其经济影响在先前的研究中受到了大量关注。Comunale和Manera的文献综述……
数据
由于目前没有涵盖AI行业不同细分市场的综合基准指数，我们构建了自己的股票市场指数。现有的AI指数（例如S&P Kensho全球人工智能推动者指数、iSTOXX AI全球人工智能大型100指数或AI-INDEX 15）往往较为宽泛，缺乏详细的分割。为了克服这一限制，我们开发了四个特定于行业的AI指数：一个代表生产AI相关硬件的公司……
方法论
为了研究四个AI行业之间的联系和风险传递，我们应用了一组互补的方法，这些方法能够捕捉静态依赖结构以及回报分布中的时间变化模式。首先，我们使用Vinecopula模型来评估静态依赖性、条件依赖性和尾部依赖性。然后，我们采用Balcilar等人（2021）的TVP-VAR扩展联合连接性框架来估计总体连接性并量化方向性溢出效应……
结果
本节分三个步骤呈现实证结果，对应于静态依赖性分析、时间变化的连接性和分位数对分位数的溢出效应。
讨论与结论
AI已成为经济和技术进步的重要驱动力，导致关于AI相关资产在金融市场表现的文献不断增加。先前的研究通常将AI工具与其他市场细分市场进行比较，如股票（Ali等人，2024；Raggad和Bouri，2025）、债券（Huynh等人，2020）、商品（Yousaf等人，2024a）或加密货币（Demiralay等人，2021；Abakah等人，2023b），但关于AI行业内部关系如何发展的证据有限……
CRediT作者贡献声明
Barbara ?eryová：撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、资源、方法论、调查、形式分析、数据整理。Peter árendá?：监督、项目管理、概念化。Jana Kotlebová：资源获取。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本项工作得到了以下资助的支持：VEGA 1/0639/24，“金融创新、数字化和金融素养作为经济失衡环境中经济复苏的加速器”和KEGA 031EU-4/2024，“斯洛伐克和欧盟的能源危机与能源安全”。
Barbara ?eryová是布拉迪斯拉发经济大学经济与金融学院的研究助理，她也在那里获得了博士学位。她的研究主要集中在股票市场，特别是全球科技行业及其对其他行业的影响。她还研究加密货币，包括它们与传统金融资产的互动及其在投资组合多样化中的潜在作用，以及可持续性……
