晏子恒，張筱峰

(長沙理工大學 經(jīng)濟與管理學院，湖南 長沙 410004)

目前，利用VAR-DCC-GARCH模型研究滬市和香港股票市場相關性主要從三方面進行：第一，關于滬港兩地金融傳染性和聯(lián)動性研究。毛小麗等通過對比分析研究表明滬港股市之間波動持續(xù)性增強，目前存在香港股市到內(nèi)地股市的顯著溢出效應。[1]郭文偉等運用MS Copular模型分析滬、深、港三地股票市場之間的危機傳染效應，研究表明滬港之間存在對稱且線性的動態(tài)相依性，但相依水平不高。[2]郭文偉運用R-Vine-Copula模型描述了1995—2015年21個代表股市的相依結構特征，研究表明香港股市等在相依結構特征中起到樞紐中心作用，是危機傳染效應向外擴散的關鍵節(jié)點，香港起到連接歐洲股市和亞洲股市的橋梁作用。然而內(nèi)地滬深股市在國際股市相依結構中處于邊緣地帶，尚未起到中心連接點作用。[3]淳偉德等運用ARFIMA和FIAPARCH模型以及EVT模型和混合Copula模型對金融風險傳染性進行研究，研究表明2008年全球金融危機的爆發(fā)對于股市的長期記憶性有一定影響，其中，中國大陸股市與香港股市之間發(fā)生了顯著的極端風險傳染。[4]第二，滬港通影響研究。鄒洋和張瑞君運用滬市A股上市公司作為樣本研究發(fā)現(xiàn)，滬港通的開通減少了上市公司的違規(guī)行為。[5]方先明等利用2011—2018年滬港深股票市場數(shù)據(jù)構建ARMA-GARCH-Copula模型得出滬港通開通短期內(nèi)相關性并沒有顯著提升，而滬深通開通后相關性卻有提高，并提出增強我國股票市場開放度的建議。[6]豐若旸等從企業(yè)創(chuàng)新角度分析了滬港通的影響，研究發(fā)現(xiàn)滬港通提高了國有企業(yè)技術創(chuàng)新水平并緩解了國有企業(yè)的融資約束。[7]鐘覃琳等從股價信息含量角度分析滬港通的影響，運用PSM+DID模型發(fā)現(xiàn)滬港通通過知情交易的直接作用和優(yōu)化公司治理機制的間接作用兩種方式作用于股價信息含量。[8]第三，VAR-DCC-GARCH應用研究。凌正華等利用VAR-DCC-GARCH模型分析玉米期貨臨儲前和臨儲后產(chǎn)業(yè)鏈上下游動態(tài)相關性，發(fā)現(xiàn)臨儲政策使玉米產(chǎn)業(yè)鏈上各種期貨價格關聯(lián)性顯著提升。[9]岳意定等利用VAR-DCC-GARCH模型對我國金屬的價格關聯(lián)性進行分析發(fā)現(xiàn)LME金屬價格對我國金屬價格有著較大的關聯(lián)關系。[10]賈凱威等利用VAR-DCC-GARCH模型分析發(fā)達市場對中國大陸的金融傳染性發(fā)現(xiàn)中國大陸股市與日本股市存在時變關聯(lián)性，且2008年次貸危機使得相關系數(shù)明顯提高。[11]

綜上可知，滬市和港市間存在動態(tài)關聯(lián)性。本文在此基礎上，運用VAR-DCC-GARCH模型對滬港股票市場的動態(tài)關聯(lián)性進行研究，探究兩市之間的金融傳染性與滬港通效率問題。

一、數(shù)據(jù)處理

本文選取港市的香港恒生指數(shù)和滬市的滬深300指數(shù)作為研究對象。由于我國滬深300指數(shù)的起始日期為2004年12月31日，故本文選取的時間段為2004年12月31日至2019年12月。時間跨度為十五年，包含2008年的全球次貸危機、2015年我國股災期以及2017年滬港通開通后的黃金發(fā)展期，具有很強的研究價值。數(shù)據(jù)選取來自東方財富Choice數(shù)據(jù)庫。分別選取兩市的每日收盤價為樣本，剔除由于交易日不同而不一致的數(shù)據(jù)，共得到3 523組數(shù)據(jù)。在數(shù)據(jù)處理上，按照股票市場每日對數(shù)收益率的計算公式：Rt=In(Pt/Pt-1)*100%，分別計算出兩市的每日對數(shù)收益率。得到兩組數(shù)據(jù)并命名為RHS、RGS，共計3 522組數(shù)據(jù)。并且以2008年次貸危機和2015年我國股災為界限劃分為三個階段，第一階段：2005年至2007年，該階段處于次貸危機之前。第二階段：2008年至2016年，該階段包含2008年的次貸危機及2015年我國股災。第三階段：2017年至2019年，該階段是滬港通發(fā)展迅猛的階段。

表1 RHS、RGS描述性統(tǒng)計

對RHS、RGS進行描述性統(tǒng)計，從表1可以看出：第一，總體趨勢。滬市的均值0.0386595，港市的均值為0.0176525，說明兩市在2005年至2019年期間的日收益率平均值為正數(shù)，均有小幅盈利。第二，波動程度。從標準差來看，滬市標準差大于港市，說明滬市震動幅度較港市高。第三，分布狀態(tài)。滬市和港市相對于標準正態(tài)分布而言均處于右偏狀態(tài)，各序列峰度均超過3，JB統(tǒng)計量也顯示所有序列都拒絕了正態(tài)分布的假設，具有“尖峰厚尾”的特征。

然后，采用ADF方法分別對兩組樣本的收益率進行單位根檢驗。表2結果顯示所有序列均拒絕了含有單位根的假設，都為平穩(wěn)時間序列。對兩組數(shù)據(jù)分別進行ARCH效應檢驗，結果表明兩組數(shù)據(jù)均具有自回歸特征，其波動與歷史波動相關，即具有ARCH效應，故所有序列滿足GARCH類模型的建?；A。

表2 單位根檢驗結果

二、實證分析

(一)VAR-DCC-GARCH模型結果

使用WINRATS9.0軟件構建VAR-DCC-GARCH模型，實證分析得到表3。

表3 VAR-DCC-GARCH模型結果

從結果來看，滬市和港市的收益率均顯著地受到上一個交易日收益率的影響，且影響因素為正向。A(1)、A(2)、B(1)、B(2)均在1%的水平上顯著，表明兩市均存在著時變波動性，也說明ARCH模型設定基本正確。其中，A(1)=0.096，B(1)=0.908，A(2)=0.070，B(2)=0.886，則A(1)+B(1)=1.004，A(2)+B(2)=0.956，表明兩市之間有很強的持續(xù)性。時變相關系數(shù)的持續(xù)性估計值DCC(B)值為0.994，且在1%的水平上顯著。同時，DCC(A)值為0.006，在1%的水平上也是顯著的。

(二)動態(tài)相關系數(shù)圖像分析

由WINRATS9.0軟件得到DCC-GARCH圖像(見圖1)，圖中縱坐標表示滬港股市的相關系數(shù)，橫坐標表示從2005年至2019年的交易日。從圖中可以看出：(1)第一階段：在滬深300指數(shù)剛成立的時期，滬市和港市動態(tài)相關系數(shù)偏低，此時正處于滬市剛剛成立不久的發(fā)展階段以及全球次貸危機前，滬市和港市的動態(tài)關聯(lián)性并不強，從圖中可以看出，2005年和2007年底滬港的相關系數(shù)維持在0.3左右。這與吳昊、王智研究結果相符。[12](2)第二階段：2008年全球次貸危機發(fā)生，使不同地區(qū)的股票市場聯(lián)動性增強，從圖中可以看出，此時兩市場的動態(tài)相關系數(shù)有所上升，相關系數(shù)已經(jīng)維持在0.5左右。結果與郭全毓研究相符。[13]此后在次貸危機至2011年底期間，滬市和港市一直處于相對穩(wěn)定的狀態(tài)，滬港股票市場相關系數(shù)維持在0.5左右。(3)第三階段：2017年迎來了滬港通發(fā)展的黃金時期。兩者之間的動態(tài)關聯(lián)效應上升。兩者之間的相關系數(shù)上升至0.7左右。因此滬市和港市的動態(tài)關聯(lián)性圖像呈現(xiàn)的是階梯狀的上升趨勢。

圖1 DCC-GARCH圖像

三、結語

滬市和港市動態(tài)關聯(lián)性受金融事件影響較大；在世界局勢平穩(wěn)期間，滬市和港市動態(tài)關聯(lián)性保持平穩(wěn)；隨著全球經(jīng)濟一體化，滬市和港市動態(tài)關聯(lián)性已達到很高的程度，監(jiān)管部門應隨時警惕金融傳染性的發(fā)生。為了充分利用滬市和港市的高關聯(lián)性，促進不同地區(qū)之間經(jīng)濟發(fā)展，一要合理利用兩市場的高關聯(lián)性，加強金融監(jiān)管；二要在金融危機期間合理處理兩市場的關系，穩(wěn)步推進兩地一體化進程；三要豐富滬港通政策，加強政策的人性化與合理化。