前言
投资者财富约束( Wealth Constraint)是金融传染的另一种解释。假设市场中存在知情交易者和不知情交易者两类投资者。知情交易者的行动只与证券收益信号和追加保证金等特质因素有关;不知情交易者不知道证券收益的信号，仅能观察到知情交易者的行动。当知情交易者必须卖出一项资产以追加保证金时，不知情交易者可能会将其误解为资产低收益的信号，进而卖出同类资产。
由投资者财富约束引致的金融传染在金融中介的短期策略.上体现的更为明显。假设市场中存在噪声交易者、短期套利者和长期价值投资者三类投资者，存在两项基本面无关的风险资产和一项无风险资产:再假定噪声交易者随机交易任意一项风险资产，其风险资产的头寸呈均值回复状态;短期套利交易者积极寻求噪声交易者创造的短期套利机会;长期价值投资者采用稳健的投资策略，其风险资产的持有量与资产价格和基本价值的偏差成正比。
在此假定下，当短期套利者遭遇大额损失时，因风险承担能力下降将进一步清算所有风险资产，最终导致所有资产的波动增加，资产间的相关性增强。借款约束也是投资者财富约束的一种，受借款约束的交易者将无关联的资产联系在一起，不知情交易者以资产价格的信息含量较低为由要求更高的风险溢价，最终产生金融传染。
在信息不对称的标准框架下，知情交易者获得资产收益的噪声信号，不知情交易者只能观察资产价格并从中提取信号;此外，部分知情交易者受到借款的约束，资产的价格越低，知情交易者就越难从外部筹集资金以投资风险资产。
假设市场中存在两项资产，当一项资产受到特质的负面冲击而价格被低估时，受借款约東的知情交易者需要持有另一项资产以获得外部资金的支持，从而可以在市场中买入该项资产进行套利，此时的借款约束将两项毫不相关的资产联系在了一起。当不知情交易者发现每一项资产的价格所蕴含的信息含量都较低时，将会要求信息劣势的风险溢价，并最终迫使两项资产的价格下行，产生金融传染。
金融传染也可以用羊群行为来予以解释。
假设(1)市场中存在做市商、噪声交易者和知情交易者等三类参与者，噪声交易者和知情交易者依次与做市商进行交易。(2)在设定资产价格时,做市商不仅会考虑资产交易和资产价格的历史信息，同时会考忠当期投资者的买入或卖出决定所蕴含的信息，竞争性市场设定的均衡价格将使做市商的利润为零。(3)噪声交易者和知情交易者的交易顺序是外生决定的，有关交易者所属类型的信息是非公开信息，噪声交易者的交易出自流动性的需求，其以一个外生给定的概率买入、卖出或者不进行交易。(4)资产的最终价值分为公共成分和异质成分，每一位异质知情交易者均拥有资产价值异质部分的私有信息和公共部分的私有信息，此外，知情交易者还知晓资产交易和资产价格的历史信息。
知情交易者的交易动机有两种:一是私人信息创造了优于做市商的信息优势;二是在交易中.可以获得高额收益。基于以上假设，随着交易逐渐累积，交易获利会力压信息优势成为知情交易者交易的主要动力，知情交易者的交易行为逐渐脱离资产价值的基本信息，形成信息瀑布(Informational Cascade)，在信息瀑布中，所有的知情交易者均不再使用私有信息，而是追随他人选择相同的行动形成羊群效应。
当上述的情况扩展到两项资产时，知情交易者不仅在一项资产的交易中不再依据信息而是跟随他人行动，同时还在观察到另一项相关资产的历史交易活动的基础上，也选择以获利为目的简单追随另一项资产过往的交易决定，这导致两项资产的价格都偏离了基本面的信息，同时产生了超过基本面关联的相依性，即金融传染(Cipriani and Guarino,2008)。
金融传染的检验与测度
目前为止,众多国内外学者已经就金融传染的度量及其方法进行了广泛的探索，取得的研究成果主要分为两类:
第一，从资产间的关联性出发，检验资产间的相关性在冲击出现后是否显著增强。早期大量学者将相关系数作为关联性的跟踪变量，检验股市崩盘期间资产间的相关系数是否显著增加。随着人们逐渐意识到金融传染造成的资产间关联性的变化是非线性的，以线性的相关系数增加来判定金融传染并不充分，学者们开始探索使用其他的判别和计量方法来度量金融传染，先后提出了极值理论、马尔科夫机制转换模型、GARCH类模型、协高阶矩模型、 Copula 模型等计算资产间的关联性以检验金融传染。
第二，从资产的风险外溢出发,检验一项资产的冲击传递至另一项资产的程度。其中，向量自回归(VAR)类模型和因果检验被广泛使用。随后，为进一步测度金融传染的方向和大小，Adrian and Brunnermeier (2008)和Diebold andYilmaz (2012)分别提出条件风险价值溢出模型(CoVaR)和基于广义预测误差方差分解的波动溢出指数。
正如Acemoglu et.al (2015)所言，现代金融体系实际是一个十分复杂的网络系统，金融传染的研究不能仅仅局限于几个市场或者几类个体，需要以复杂网络(Complex Networks)的视角重新审视金融传染。从网络系统出发，复杂网络方法将系统中的每个个体当作网络中的一个节点，将个体与个体之间的复杂关系抽象为网络中节点与节点之间的连线。复杂网络算法多种多样，但常用于金融市场分析的主要包括:最小生成树、平面最大限度滤波图法和闽值法等。
在实证检验中，复杂网络方法多运用于检验金融机构间的金融传染。Allen and Gale 和Freixas et al.开创性的以金融网络的方法研究银行系统内的金融传染，结果发现银行间的溢出效应与银行的关联结构息息相关。Huang et al.(2016)利用最小生成树算法搭建网络模型，并在DCC一GARCH和CoVaR等模型的基础上研究个体企业对系统性风险贡献程度，发现若机构的节点量、网络中心性和节点聚集系数更大,那么机构对系统性风险的贡献也更大。方意和郑子文根据网络模型研究了银行间由持有共同资产而产生的系统性金融传染，实证结果认为，系统性风险一般起源于对外部冲击高度敏感的系统重要性银行，之后系统重要性银行将风险传递给与自身资产结构相似的银行。
DieboldandYilmaz(2014)构建了风险溢出网络分析方法，以考察金融市场间的传染效应，并甄别了金融传染的中心来源。Barigozzi and Brownlees 运用LASSO方法对高维时间序列建立方差模型，研究美国90只蓝筹股在2004年至2015年的波动溢出。
)在危险率函数的基础上，以变点检测的方法考察了美国市场对德国、中国、澳大利亚、韩国和英国市场的传染效应，结果发现，除了德国市场，中国、澳大利亚、韩国和英国等市场都不同程度地受到美国次贷危机的传染。
张兵有较明显的溢出效应。李红权等(2011)在中美股市关系的研究上纳入了中国香港市场，构建交叉信息检验体系研究中国内地、中国香港和美国股市间的关系，结果发现，中国内地、中因香港和美国股市间存在非常复杂的非线性关系，其中，美国股市对我国内地股市和我国香港股市的金融传染效应依旧很强。
结语
徐晓光等(2016)在沪港通政策的背景下，运用基于VAR模型方差分解的广义溢出指数，测度了10支上证行业指数和11支恒生综合行业指数间的波动溢出效应，研究发现，沪港通的实施加深了两市行业间的双向波动溢出程度，并且主要增强了上证各行业对恒生行业的波动溢出强度。黄乃静等(2017)以2015年6月我国股市持续暴跌为研究背景，基于新的分位数回归风险传染检验统计量，研究发现我国股市10个一级行业间以及4个金融二级子行业间存在极端风险溢出，金融行业在此次暴跌中占据主要地位，对其他各行业均存在传染效应。
