在2008年美国次贷危机、2009年希腊主权债务危机和2015年中国股灾中,系统性风险的爆发为投资者带来了惨重的损失。随着全球化进程的推进和金融行业日新月异的快速发展,金融机构、上市公司之间的关联变得愈加错综复杂,复杂的关联性也使得市场变得更加脆弱,系统性风险在整个市场中的传导、扩散也更加迅速,波及范围更广,破坏性更高。识别系统性风险及其传染路径,有助于政府加强风险监管,促进金融市场稳定发展。目前关于系统性风险的研究中,传统的MES、CoVaR和VAR模型等,在大量学者对具有系统重要性的机构的识别研究中取得了有意义的效果,能够通过各个机构对整个系统的系统性风险贡献对具有系统重要性的机构进行识别。国内也有相关研究使用MES、VaR和CoVaR等方法研究市场的系统性风险,但由于无法度量准确的系统内主体之间的格兰杰因果关系,研究存在一定的局限性,对主体间的关联网络缺乏清晰的认识,市场的关联网络结构和系统性风险之间的关系尚待研究。本文在一阶多变量VAR模型的基础上,使用Lasso方法代替OLS方法对模型系数进行稀疏处理和拟合,使模型能够适用于高维数据领域,并在对样本公司建立关联网络模型之后,对Lasso方法产生的有偏性进行修正。在对关联网络模型进行有偏修正之后,使用基于BH过程的FDR对模型系数的显著性检验进行修正,然后通过修正后的显著性检验进一步提高模型的精确度。本文首先使用模拟的随机数据作为仿真样本,对MES、CoVaR、二变量VAR模型和Lasso VAR模型对系统中具有系统重要性的主体的识别效果进行了比较,并对基于上述两种不同VAR模型建立的系统关联网络结构进行了比较,分析不同方法对系统内部结构的识别效果;然后,选取2012年1月至2018年3月沪深300指数成分股各公司的月度收益率和市值作为研究样本数据,分别对所有公司、金融机构、非金融主体建立了二变量VAR模型和Lasso VAR模型,并通过对这两种模型建立的关联网络结构进行的对比分析,研究了Lasso VAR模型在中国股市不同行业板块的适用性,系统性风险和关联网络的联系以及系统性风险在市场关联网络中的传染路径,并对具有系统重要性的机构进行了识别。本文得出的结论主要包括:(1)在使用Lasso方法对模型系数进行稀疏的条件下,有偏修正之后的多变量VAR模型能够在系统关联网络的识别上保持较高的精确度,且Lasso VAR模型可以简化关联网络结构,有助于对具有系统重要性的机构的识别;(2)高维稀疏之后的市场上仍旧有大量主体之间存在着强关联,系统性风险极有可能通过这样的强关联进行传染,进而波及整个市场;(3)系统性风险危机爆发前,市场的关联网络结构将会发生显著变化,市场各个主体之间的关联变得愈加复杂和紧密,具体表现为系统关联网络的平均系统集中度和平均关联集中度出现明显的上升;(4)Lasso VAR模型能较好的通过识别市场主体之间存在的格兰杰因果关系,从而识别系统性风险的传染路径,模型中具有关联的公司收益率在样本时间区间内表现出相似的波动趋势;(5)非金融主体与金融机构的关联网络结构都在危机期间都表现出了明显的变化,系统性风险的爆发对不同行业的公司均会产生影响。本文研究的创新点主要有以下四个方面:(1)使用Lasso方法代替OLS方法应用于多变量VAR模型中,通过把模型中不显著的系数压缩至0实现高维稀疏,解决了多变量VAR模型难以应用于高维数据领域的局限,使多变量VAR模型能够应用于系统性风险和市场关联网络的研究之中;(2)将Lasso方法应用于VAR模型会导致模型出现有偏性问题,本文通过参考国外文献提出的模型有偏修正方法,减少模型由于有偏性而存在的问题,使模型满足进行显著性检验的前提,并通过基于BH过程FDR修正后的显著性检验增加模型的精确度;(3)将多变量VAR模型应用于中国股市,通过建立市场主体之间的关联网络进行中国股市系统性风险的研究,以及对具有系统重要性的主体进行识别;(4)使用关联网络的相关度量指标对模型结构进行研究,并通过这些相关指标来度量关联网络结构在危机期间的变化。由于研究水平有限,本文存在以下三点不足:(1)样本规模较小,仅研究了沪深300指数成分股内的公司样本在2015年中国“股灾”危机期间的关联网络结构;(2)仅研究了考虑一阶滞后关系的VAR模型,没有将公司之间可能存在的多阶滞后关系考虑进模型内;(3)在实证分析时仅将样本按不同情况分为金融行业和非金融行业,没有对研究样本所属行业进一步细化,研究时没有考虑不同行业板块可能存在的关联网络结构的差异性。