閆超　劉金全　王雄威

摘要： 本文運用不同方法估計Copula-MGARCH模型，以期在甄別和判斷不同估計方法有效性的基礎(chǔ)上，選擇最優(yōu)的估計方法透析和測度香港回歸前后中國內(nèi)地股市與香港股市的聯(lián)動機(jī)制。研究結(jié)果表明：與IFM估計方法相比較，利用MBP估計方法計算Copula-MGARCH模型更優(yōu)；與香港回歸前相比較，在香港回歸至今的17年里，盡管內(nèi)地股市與香港股市之間的聯(lián)動顯著增強(qiáng)，但是二者之間的聯(lián)動機(jī)制仍然較弱；內(nèi)地股市在香港回歸前呈現(xiàn)顯著的波動跡象，但在香港回歸后波動態(tài)勢趨于平緩；與此相反，香港股市在香港回歸前的波動幅度較為微弱，回歸后波動特征陡然增強(qiáng)，而且這種波動特征持續(xù)了近五年之久。

關(guān)鍵詞：內(nèi)地股市；香港股市；Copula-MGARCH模型；MBP估計

中圖分類號：F830.59 文獻(xiàn)標(biāo)識碼：A

作者簡介：閆超（1985-），女，吉林省吉林市人，吉林大學(xué)數(shù)量經(jīng)濟(jì)研究中心講師，管理學(xué)博士，研究方向：宏觀經(jīng)濟(jì)學(xué)、金融計量學(xué)、經(jīng)濟(jì)計量學(xué)；劉金全（1964-），黑龍江密山人，男，吉林大學(xué)數(shù)量經(jīng)濟(jì)研究中心教授，博士生導(dǎo)師，經(jīng)濟(jì)學(xué)博士，研究方向：宏觀經(jīng)濟(jì)學(xué)、金融計量學(xué)、經(jīng)濟(jì)計量學(xué)；王雄威（1984-），男，江西景德鎮(zhèn)人，中國郵政儲蓄銀行總行職員，經(jīng)濟(jì)學(xué)博士，研究方向：宏觀經(jīng)濟(jì)學(xué)、金融計量學(xué)、經(jīng)濟(jì)計量學(xué)。

一、引言

近年來，在諸如金融衍生工具定價、投資組合選擇、套期保值測算以及金融風(fēng)險評估等有關(guān)金融市場領(lǐng)域的研究當(dāng)中，金融時間序列數(shù)據(jù)所呈現(xiàn)出的“波動聚類”現(xiàn)象得到眾多學(xué)者的空前關(guān)注。與此同時，能夠刻畫和檢驗金融時間序列“波動性”特征的廣義自回歸條件異方差（Generalized AutoRegressive Conditional Heteroscedasticity，簡稱GARCH）模型以及可以描述和測度不同金融市場中“波動性”與“協(xié)波動性”之間關(guān)系的多變量廣義自回歸條件異方差（Multivariate Generalized AutoRegressive Conditional Heteroscedasticity，簡稱MGARCH）模型得到了廣泛的應(yīng)用。

在基于MGARCH模型的大量實證研究當(dāng)中，學(xué)者通常都假設(shè)金融時間序列數(shù)據(jù)服從某個特定的多元橢圓分布類（例如，服從多元正態(tài)分布、多元GED分布或者多元Student-t分布等），然而基于多元橢圓分布類的設(shè)定，盡管能夠簡化模型形式，從而更易于模型估計，但是卻無法準(zhǔn)確描述和刻畫金融時間序列數(shù)據(jù)當(dāng)中所可能存在的“非線性”、“非對稱性”以及“尖峰厚尾分布”等特征。Nelsen（1999）曾強(qiáng)調(diào)，在其構(gòu)建的Copula函數(shù)中無需考慮聯(lián)合分布的具體形式，因此基于Copula函數(shù)的相關(guān)測度能夠較為準(zhǔn)確地刻畫金融時間序列數(shù)據(jù)中所具有的非橢圓分布特征。而Patton（2006）通過進(jìn)一步的研究發(fā)現(xiàn)，無論是預(yù)測未知樣本數(shù)據(jù)的多變量密度，還是選擇已知樣本數(shù)據(jù)的模型標(biāo)準(zhǔn)，與MGARCH模型相比，利用Copula-MGARCH模型可以進(jìn)一步分析由不同的邊際分布和Copula函數(shù)共同構(gòu)成的聯(lián)合分布函數(shù)，從而使得Copula-MGARCH模型的擬合效果明顯更優(yōu)。此外，Palaro和Hotta（2006）通過對美國股票市場在險價值（Value-at-Risk，簡稱VaR）進(jìn)行相關(guān)研究后，再一次印證，與傳統(tǒng)的MGARCH模型相比，由條件Copula-MGARCH模型得到的估計結(jié)果更為穩(wěn)健。在隨后的研究中，Chang（2012）以及Li和Yang（2013）基于Copula-MGARCH模型刻畫了原油期貨市場特征，Wang等（2010）以及Aloui等（2013）基于Copula-MGARCH模型測度了外匯風(fēng)險情況，Deng（2011）以及Laih（2014）基于Copula-MGARCH模型探討了股票市場收益率問題。在國內(nèi)的相關(guān)研究中，劉金全和隋建利（2010）以及張自然和丁日佳（2012）探討了Copula-MGARCH模型在匯率市場中應(yīng)用的可行性。梁建峰等（2011）以及史美景和趙永淦（2012）分別基于外匯市場以及股指現(xiàn)貨、期貨市場的研究證明，基于Copula-MGARCH模型估計股指期貨套期保值效果更優(yōu)。此外，吳恒煜和胡根華（2013）基于Copula-MGARCH模型對歐洲氣候交易所EUA和CER的現(xiàn)貨市場與期貨市場之間的動態(tài)相依性進(jìn)行了分析。

與其他MGARCH模型相比較，雖然Copula-MGARCH模型具有較多優(yōu)勢，但我們發(fā)現(xiàn)，目前國內(nèi)卻鮮有學(xué)者基于Copula-MGARCH模型對我國股票市場進(jìn)行詳盡而深入的探究，更少有學(xué)者充分利用Copula-MGARCH模型具有的優(yōu)勢，從香港回歸前后的不同時域范圍出發(fā)，甄別和透析香港回歸前后中國內(nèi)地股市與香港股市聯(lián)動機(jī)制是否存在顯著的差異。

此外，就多變量模型的具體估計方法而言，由于精確極大似然（Exact Maximum Likelihood，簡稱EML）估計方法無法對多變量模型中的所有參數(shù)都進(jìn)行準(zhǔn)確估計，因此Shih和Louis（1995）基于兩階段思想而提出的IFM（Inference Function for Margin）估計方法在對多變量模型的估計過程中得到了普遍的應(yīng)用?？傮w上，目前在關(guān)于多變量模型估計方法選擇的相關(guān)理論與實證研究文獻(xiàn)當(dāng)中，眾多學(xué)者大都集中于運用一步修正EML估計方法抑或IFM估計方法。然而Song等（2005）卻指出，就具體計算來講，雖然與EML估計方法相比較，IFM估計方法更加簡便，但是當(dāng)所研究的時間序列數(shù)據(jù)總體樣本容量相對較小時，基于IFM估計方法所獲得的最終估計結(jié)果會產(chǎn)生相對較大的估計誤差，亟需進(jìn)一步尋求能夠有效估計多變量模型參數(shù)的有效、可靠方法。

正是鑒于上述多方面的考慮，在本文中，我們首先基于上證綜合指數(shù)日收盤價和香港恒生指數(shù)日收盤價時間序列數(shù)據(jù)，進(jìn)一步計算出上證綜合指數(shù)和香港恒生指數(shù)日收益率時間序列數(shù)據(jù)，隨后構(gòu)建擬合效果相對更優(yōu)的Copula-MGARCH模型，并分別利用IFM估計方法以及Liu和Luger（2009）提出的MBP（Maximization by Parts）估計方法進(jìn)行具體估計。我們不僅旨在甄別和判斷IFM估計方法以及MBP估計方法的有效性問題，更重要的是，我們要選擇最為有效的估計方法來透析和測度香港回歸前后，中國內(nèi)地股票市場與香港股票市場的特征及其聯(lián)動機(jī)制問題。此外，作為比較與參考，在本文中，我們還選取倫敦金融時報100指數(shù)日收盤價時間序列數(shù)據(jù)計算出其日收益率時間序列數(shù)據(jù)，以期描繪英國股票市場走勢。

二、MBP估計方法的描述與Copula-MGARCH模型的構(gòu)建

作為討論的起點，在此我們首先簡要介紹MBP估計方法，進(jìn)而簡要闡述基于MBP估計方法對Copula-MGARCH模型各參數(shù)的具體估計過程。

（一）MBP估計方法的描述

首先我們將完整對數(shù)似然函數(shù)具體分解為兩個不同層面：第一層面是構(gòu)建一個簡單的對數(shù)似然函數(shù)，第二層面則是基于第一層面所獲得的具體結(jié)果所進(jìn)行的后續(xù)估計。在此，我們考慮如下形式的對數(shù)似然函數(shù)：

如果將上述步驟進(jìn)行重復(fù)迭代，那么θ1和θ2的估計量就能夠最終收斂于EML估計量。需要特別指出的是，由于IFM估計方法僅涵括了MBP估計方法的Step 1.1以及Step 1.2兩個步驟，因此可以將IFM估計方法視為MBP估計方法的一個特殊情況。在本文當(dāng)中，我們將著重基于MBP估計方法對涵括正態(tài)邊際分布的雙變量Gaussian Copula-MGARCH模型進(jìn)行系統(tǒng)而全面的估計。

三、香港回歸前后中國內(nèi)地股市與香港股市聯(lián)動機(jī)制的實證檢驗

基于本文所構(gòu)建的具體模型以及所介紹的參數(shù)估計方法，我們選取上證綜合指數(shù)日收盤價時間序列數(shù)據(jù)（PSH）和香港恒生指數(shù)日收盤價時間序列數(shù)據(jù)（PHS），并利用t期和t-1期的指數(shù)日收盤價序列Pt和Pt-1進(jìn)一步計算與其相對應(yīng)的t期指數(shù)日收盤價對數(shù)收益率序列Rt，即Rt=100[ln（Pt）-ln（Pt-1）]，從而以上證綜合指數(shù)日收益率時間序列數(shù)據(jù)（RSH）表征中國內(nèi)地股票市場運行態(tài)勢，以香港恒生指數(shù)日收益率時間序列數(shù)據(jù)（RHS）刻畫香港股票市場運行特征，旨在詳細(xì)測度和透析上證綜合指數(shù)日收益率序列RSH與香港恒生指數(shù)日收益率序列RHS之間的聯(lián)動機(jī)制問題①。作為比較與參考，在本文中，我們還選取倫敦金融時報100指數(shù)日收盤價時間序列數(shù)據(jù)（PFTSE），并進(jìn)而計算出倫敦金融時報100指數(shù)日收益率時間序列數(shù)據(jù)（RFTSE），以期描繪英國股票市場走勢。本文所研究的樣本區(qū)間為1991年1月2日至2014年9月30日?？紤]到自1997年7月1日起，經(jīng)歷百年滄桑的香港回歸祖國，中國政府對香港恢復(fù)行使主權(quán)，本文以1997年7月1日為期界，將總樣本區(qū)間具體劃分為兩個不同的時域范圍，從而具體甄別和比較香港回歸前后中國內(nèi)地股市與香港股市之間的聯(lián)動機(jī)制問題。數(shù)據(jù)源自于銳思（RESSET）金融研究數(shù)據(jù)庫，文中所涉及的所有程序由EViews 8.0、R、Gauss 9.0及Ox 6.0語言所編寫計算完成。

圖1至圖6分別鮮明地刻畫出上證綜合指數(shù)日收盤價時間序列、上證綜合指數(shù)日收益率時間序列、香港恒生指數(shù)日收盤價時間序列、香港恒生指數(shù)日收益率時間序列、倫敦金融時報100指數(shù)日收盤價時間序列、倫敦金融時報100指數(shù)日收益率時間序列的時間動態(tài)軌跡。其中，圖1、圖3和圖5中的“趨勢成分”是基于Hodrick和Prescott（1997）提出的H-P（Hodrick-Prescott）濾波技術(shù)計算得到的，旨在刻畫上證綜合指數(shù)日收盤價、香港恒生指數(shù)日收盤價和倫敦金融時報100指數(shù)日收盤價的總體運行態(tài)勢，而“波動成分”則具體刻畫了上證綜合指數(shù)日收盤價、香港恒生指數(shù)日收盤價和倫敦金融時報100指數(shù)日收盤價與其“趨勢成分”之間的差距，用以表征其波動程度。

由圖1、圖3和圖5我們可以發(fā)現(xiàn)，伴隨著時間的推移，上證綜合指數(shù)日收盤價時間序列和香港恒生指數(shù)日收盤價時間序列的時間波動路徑并不十分相近，例如，從近期的發(fā)展趨勢而言，上證綜合指數(shù)日收盤價呈現(xiàn)出總體下行的態(tài)勢，而香港恒生指數(shù)日收盤價卻呈現(xiàn)出總體攀升的勢頭，這一點可以從上證綜合指數(shù)日收盤價和香港恒生指數(shù)日收盤價二者的“趨勢成分”時間動態(tài)軌跡中得到清晰的印證。此外，通過觀察上證綜合指數(shù)日收盤價和香港恒生指數(shù)日收盤價的“波動成分”，我們發(fā)現(xiàn)，上證綜合指數(shù)日收盤價在1993年前后以及2007年下半年至2010年期間（即源于美國次貸危機(jī)而引發(fā)全球金融危機(jī)的期間內(nèi)）表現(xiàn)出較為顯著的大幅波動跡象，香港恒生指數(shù)日收盤價在香港回歸后的幾年內(nèi)以及全球金融危機(jī)爆發(fā)期間呈現(xiàn)出劇烈的寬幅波動態(tài)勢。最后，縱觀香港回歸前以及香港回歸后的總體時間范圍，我們發(fā)現(xiàn)，倫敦金融時報100指數(shù)日收盤價時間序列和香港恒生指數(shù)日收盤價時間序列的時間波動路徑較為相近，僅在香港剛回歸后的幾年時間范圍內(nèi)，二者的時間波動路徑有所不同。

就圖2、圖4和圖6所示的日收益率而言，無論是上證綜合指數(shù)日收益率時間序列，還是香港恒生指數(shù)日收益率時間序列，抑或是倫敦金融時報100指數(shù)日收益率時間序列，均體現(xiàn)出了顯著的“波動聚類”特征，而這種“波動聚類”特征則表明收益率的變化常常伴隨著相應(yīng)的價格改變，也就是說，在一定的期限范圍內(nèi)，寬幅的收益率變化通常都伴隨著劇烈的價格波動，而小幅的收益率改變所對應(yīng)的價格波動則通常較為微弱。此外，我們還注意到，在香港回歸之前的時間范圍內(nèi)，香港恒生指數(shù)日收益率時間序列的波動態(tài)勢相對較為微弱，而上證綜合指數(shù)日收益率時間序列的波動態(tài)勢相對更為劇烈。自香港回歸之日起，上證綜合指數(shù)日收益率時間序列的波動態(tài)勢陡然削弱，而香港恒生指數(shù)日收益率時間序列卻驟然呈現(xiàn)出顯著并持續(xù)多年的波動跡象。在最近十年左右的期限范圍內(nèi)，上證綜合指數(shù)日收益率時間序列和香港恒生指數(shù)日收益率時間序列總體呈現(xiàn)出大體相似的波動路徑，例如，在2007年下半年至2010年期間，即在全球金融危機(jī)爆發(fā)時期，上證綜合指數(shù)日收益率時間序列和香港恒生指數(shù)日收益率時間序列都凸顯出劇烈的波動形態(tài)。最后，我們還發(fā)現(xiàn)，無論是香港回歸以前還是香港回歸之后，總體而言，倫敦金融時報100指數(shù)日收益率時間序列和香港恒生指數(shù)日收益率時間序列在劇烈與微弱的波動時機(jī)方面、寬幅與小幅的波動程度層面都較為同步。

我們在表1中詳細(xì)給出了上證綜合指數(shù)日收益率序列RSH、香港恒生指數(shù)日收益率序列RHS和倫敦金融時報100指數(shù)日收益率序列RFTSE的描述性統(tǒng)計量計算結(jié)果。我們發(fā)現(xiàn)，偏度統(tǒng)計量以及峰度統(tǒng)計量的計算結(jié)果都一致表明，上證綜合指數(shù)日收益率、香港恒生指數(shù)日收益率和倫敦金融時報100指數(shù)日收益率序列均呈現(xiàn)出極為明顯的“尖峰厚尾”分布特征；此外，由Ljung-Box Q統(tǒng)計量計算結(jié)果可以進(jìn)一步判斷，上證綜合指數(shù)日收益率、香港恒生指數(shù)日收益率和倫敦金融時報100指數(shù)日收益率序列均存在顯著的條件異方差性特征。因此，本文基于GARCH（1， 1）模型對其進(jìn)行系統(tǒng)研究科學(xué)而可靠。

我們發(fā)現(xiàn)，在香港回歸前，上證綜合指數(shù)日收益率RSH和香港恒生指數(shù)日收益率RHS序列二者之間的相關(guān)系數(shù)為ρ=0.028；在香港回歸后，上證綜合指數(shù)日收益率RSH和香港恒生指數(shù)日收益率RHS序列二者之間的相關(guān)系數(shù)為ρ=0.169。在香港回歸前，倫敦金融時報100指數(shù)日收益率RFTSE和香港恒生指數(shù)日收益率RHS序列二者之間的相關(guān)系數(shù)為ρ=0.249；在香港回歸后，倫敦金融時報100指數(shù)日收益率RFTSE和香港恒生指數(shù)日收益率RHS序列二者之間的相關(guān)系數(shù)為ρ=0.378。在香港回歸前，上證綜合指數(shù)日收益率RSH和倫敦金融時報100指數(shù)日收益率RFTSE序列二者之間的相關(guān)系數(shù)為ρ=0.011；在香港回歸后，上證綜合指數(shù)日收益率RSH和倫敦金融時報100指數(shù)日收益率RFTSE序列二者之間的相關(guān)系數(shù)為ρ=0.014。這意味著，一方面，無論是香港回歸前還是香港回歸后，中國內(nèi)地股票市場與英國股票市場之間的聯(lián)動機(jī)制最弱，香港股票市場與英國股票市場之間的聯(lián)動機(jī)制最強(qiáng)，而中國內(nèi)地股票市場與香港股票市場之間的聯(lián)動機(jī)制居中。對于這一論斷，我們已然有所預(yù)判，并且完全可以從現(xiàn)實情況中直接獲得解釋。另一方面，與香港回歸前的時期相比較，中國內(nèi)地股票市場與英國股票市場之間的聯(lián)動機(jī)制在香港回歸后依舊極其微弱，香港股票市場與英國股票市場之間的聯(lián)動機(jī)制在香港回歸后呈現(xiàn)出微弱的提高，而中國內(nèi)地股票市場與香港股票市場之間的聯(lián)動機(jī)制在香港回歸后顯著增強(qiáng)。然而，盡管聯(lián)動機(jī)制顯著增強(qiáng)了，但是亟待我們深入探究和透析的問題卻是在香港回歸后的17年里，究竟是什么原因?qū)е轮袊鴥?nèi)地股市與香港股市之間的聯(lián)動機(jī)制仍然較為微弱？

為了深入剖析香港回歸前后，中國內(nèi)地股市與香港股市之間聯(lián)動機(jī)制較為微弱的深層次緣由，我們運用相對更優(yōu)的MBP估計方法，基于Copula-MGARCH模型對上證綜合指數(shù)日收益率時間序列和香港恒生指數(shù)日收益率時間序列數(shù)據(jù)進(jìn)行進(jìn)一步估計，從而獲得如圖8和圖9所示的上證綜合指數(shù)日收益率波動率和香港恒生指數(shù)收益率波動率的時間動態(tài)軌跡。我們可以清晰地發(fā)現(xiàn)，與圖2和圖4所示的直觀刻畫相吻合，上證綜合指數(shù)日收益率波動率時間序列在香港回歸之前表現(xiàn)出顯著的劇烈波動跡象，而自香港回歸以來，上證綜合指數(shù)日收益率波動率時間序列的波動跡象驟然趨于平緩，僅在2007年下半年至2010年期間，即源于美國次貸危機(jī)而引發(fā)全球金融危機(jī)的期間內(nèi)，其波動跡象有所凸顯。香港恒生指數(shù)日收益率波動率時間序列在香港回歸之前的時間范圍內(nèi)相對較為平緩，但是自香港回歸之日起，香港恒生指數(shù)日收益率波動率時間序列的波動特征陡然增強(qiáng)，而且，這種相對劇烈的波動特征持續(xù)了近五年之久。此外，自2007年下半年起，受國際金融危機(jī)的沖擊和波及影響，香港恒生指數(shù)日收益率波動率序列再一次呈現(xiàn)顯著上揚(yáng)的態(tài)勢。最后，從步入后金融危機(jī)起至今，就發(fā)展趨勢而言，香港恒生指數(shù)日收益率波動率呈現(xiàn)出跌宕起伏的形態(tài)，而上證綜合指數(shù)日收益率波動率卻處于相對較為平緩的低位波動。同樣，我們在此也基于Copula-MGARCH模型對倫敦金融時報100指數(shù)日收益率時間序列數(shù)據(jù)進(jìn)行估計，從而獲得如圖10所示的倫敦金融時報100指數(shù)日收益率波動率的時間動態(tài)軌跡?？梢钥闯觯瑐惗亟鹑跁r報100指數(shù)日收益率波動率雖然比香港恒生指數(shù)日收益率波動率更為微弱，但大體而言，卻與香港恒生指數(shù)日收益率波動率的時間波動路徑較為相似，尤其是在香港回歸之后的期間范圍內(nèi)，二者幾乎在相同的時間范圍內(nèi)呈現(xiàn)出較為劇烈的波動態(tài)勢。這意味著，雖然香港回歸至今已有17年，但要真正實現(xiàn)與香港股市之間更為密切的聯(lián)動發(fā)展，中國內(nèi)地股市在改革、健全與完善等諸多方面依舊任重而道遠(yuǎn)。

四、主要結(jié)論與經(jīng)濟(jì)政策啟示

本文在構(gòu)建Copula-MGARCH模型的基礎(chǔ)上，通過甄別和判斷MBP估計方法和IFM估計方法的有效性，選擇最為有效的MBP估計方法透析和測度了香港回歸前后，中國內(nèi)地股票市場和香港股票市場之間的聯(lián)動機(jī)制問題，獲得如下重要的認(rèn)識和判斷：

首先，由于MBP估計方法的收斂速度取決于所具體測度的時間序列的樣本數(shù)量（Liu和Luger，2009；劉金全和隋建利，2010），為了保證實證研究的可靠性和穩(wěn)健性，我們基于上證綜合指數(shù)日收益率時間序列和香港恒生指數(shù)日收益率時間序列中的前500個樣本數(shù)據(jù)，在估計Copula-MGARCH模型時，通過刻畫由MBP估計方法所獲得的參數(shù)估計值與由EML估計方法所獲得的參數(shù)估計值之間的平均距離，發(fā)現(xiàn)MBP估計方法比IFM估計方法更有效。此外，條件方差與條件協(xié)方差矩陣均值估計結(jié)果和方差估計結(jié)果都表明，與IFM估計方法相比較，運用MBP估計方法所得到的條件方差與條件協(xié)方差矩陣的方差值更小，換句話說，IFM估計方法較MBP估計方法過度估計了條件方差與條件協(xié)方差矩陣。進(jìn)一步基于均方根誤差（RMSE）判別準(zhǔn)則和絕對離差（MAD）判別準(zhǔn)則，并通過考慮百分比，即RMSE（%）和MAD（%）指標(biāo)的檢驗結(jié)果均表明，由IFM估計方法所獲得的結(jié)果均大于由MBP估計方法所獲得的結(jié)果，這再一次印證，在具體計算Copula-MGARCH模型時，與IFM估計方法相比較，MBP估計方法更優(yōu)。

其次，利用MBP估計方法的檢驗結(jié)果表明，一方面，無論是香港回歸前還是香港回歸后，中國內(nèi)地股票市場與英國股票市場之間的聯(lián)動機(jī)制最弱，香港股票市場與英國股票市場之間的聯(lián)動機(jī)制最強(qiáng)，而中國內(nèi)地股票市場與香港股票市場之間的聯(lián)動機(jī)制居中；另一方面，與香港回歸前的時期相比較，盡管中國內(nèi)地股票市場與香港股票市場之間的聯(lián)動機(jī)制在香港回歸后顯著增強(qiáng)，但是，與香港和英國股市之間的聯(lián)動性相比，中國內(nèi)地股市與香港股市之間的聯(lián)動機(jī)制仍然較為微弱，如何提高二者之間的聯(lián)動機(jī)制是我們亟需思考的一個重要問題。

最后，基于MBP估計方法的檢驗結(jié)果表明，一方面，上證綜合指數(shù)日收益率波動率時間序列在香港回歸之前表現(xiàn)出顯著的劇烈波動跡象，但自香港回歸以來，上證綜合指數(shù)日收益率波動率時間序列的波動跡象驟然趨于平緩，僅在源于美國次貸危機(jī)而引發(fā)全球金融危機(jī)的期間內(nèi)，其波動跡象有所凸顯。另一方面，香港恒生指數(shù)日收益率波動率時間序列在香港回歸之前的時間范圍內(nèi)相對較為平緩，但是自香港回歸之日起，香港恒生指數(shù)日收益率波動率時間序列的波動特征陡然增強(qiáng)，而且，此相對劇烈的波動特征持續(xù)了近五年之久。此外，自2007年下半年起，受國際金融危機(jī)的沖擊和波及，香港恒生指數(shù)日收益率波動率序列再一次呈現(xiàn)顯著上揚(yáng)的態(tài)勢。

注釋：

① 我們在銳思（RESSET）金融研究數(shù)據(jù)庫中所獲得的深證綜合指數(shù)日收盤價數(shù)據(jù)的起始時間為1991年4月3日，所獲得的上證綜合指數(shù)日收盤價數(shù)據(jù)的起始時間為1990年12月19日，所獲得的香港恒生指數(shù)日收盤價數(shù)據(jù)的起始時間為1986年12月31日?？紤]到所研究數(shù)據(jù)的“時間一致性”問題，同時由于論文篇幅有限，在本文中，我們只選取上證綜合指數(shù)日收盤價序列表征中國內(nèi)地股票市場運行態(tài)勢。

參考文獻(xiàn)：

[1] 梁建峰，陳健平，劉京軍.基于Copula-GARCH方法的LPM套期保值研究[J].系統(tǒng)工程學(xué)報， 2011（5）： 636-641.

[2] 劉金全， 隋建利.Copula-MGARCH模型及其估計方法在匯率市場中的應(yīng)用[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2010（7）： 91-104.

[3] 史美景， 趙永淦.基于Copula-TGARCH模型的股指期貨最佳套期保值比研究[J].數(shù)理統(tǒng)計與管理， 2012（3）： 352-362.

[4] 吳恒煜， 胡根華.國際碳排放權(quán)市場動態(tài)相依性分析及風(fēng)險測度： 基于Copula-GARCH模型[J].數(shù)理統(tǒng)計與管理， 2013（12）： 158-169.

[5] 張自然， 丁日佳.人民幣外匯市場間不對稱匯率變動的實證研究[J].國際金融研究， 2012（2）： 85-95.

[6] Aloui， r.， Assa， M. S.， Nguyen， D. K. Conditional Dependence Structure between Oil Prices and Exchange Rates： A Copula-GARCH Approach[J].Journal of International Money and Finance， 2013， 32（4）： 719-738.

[7] Chang， K. L. The Time-Varying and Asymmetric Dependence between Crude Oil Spot and Futures Markets： Evidence from the Mixture Copula-Based ARJI-GARCH Model[J].Economic Modelling， 2012， 29（6）： 2298-2309.

[8] Deng， l.， Ma， C. Q.， Yang， W. Y. Portfolio Optimization via Pair Copula-GARCH-EVT-CVaR Model[J].Systems Engineering Procedia， 2011， 36（2）： 171-181.

[9] Hodrick， R. J.， Prescott， E. C. Postwar U.S. Business Cycles： An Empirical Investigation[J].Journal of Money， Credit and Banking， 1997， 29（1）： 1-16.

[10]Jondeau， E.， Rockinger， M. The Copula-GARCH Model of Conditional Dependencies： An International Stock Market Application[J].Journal of International Money and Finance， 2006， 25（4）： 827-853.

[11]Laih， Y. W. Measuring Rank Correlation Coefficients between Financial Time Series： A GARCH-Copula based Sequence Alignment Algorithm[J].European Journal of Operational Research， 2014， 232（2）： 375-382.

[12]Li， M.， Yang， L. Modeling the Volatility of Futures Return in Rubber and Oil-A Copula-Based GARCH Model Approach[J].Economic Modelling， 2013， 35（2）： 576-581.

[13]Liu， Y.， Luger， R. Efficient Estimation of Copula-GARCH Models[J].Computational Statistics and Data Analysis， 2009，53（6）：2284-2297.

[14]Nelsen， R. B. An Introduction to Copulas[M].New York： Springer-Verlag， 1999： 66-96.

[15]Palaro， H. P.， Hotta， L. K. Using Conditional Copula to Estimate Value at Risk[J].Journal of Data Science， 2006，86（4）： 93-115.

[16]Patton， A. J. Estimation of Multivariate Models for Time Series of Possibly Different Lengths[J].Journal of Applied Econometrics， 2006，21（12）： 147-173.

[17]Shih， J. H.， Louis， T. A. Inferences on the Association Parameter in Copula Models for Bivariate Survival Data[J].Biometrics， 1995，51（6）： 1384-1399.

[18]Song， P.， Fan， Y.， Kalbfleisch， J. Maximization by Parts in Likelihood Inference[J].Journal of the American Statistical Association， 2005，100（4）： 1145-1158.

[19]Wang， Z. R.， Chen， X. H.， Jin， Y. B.， Zhou Y. J. Estimating Risk of Foreign Exchange Portfolio： Using VaR and CVaR based on GARCH-EVT-Copula Model[J].Physica A： Statistical Mechanics and its Applications， 2010， 389（21）： 4918-4928.

（責(zé)任編輯：張曦）