股市隔夜收益與交易收益非線性時變聯動效應研究

淳偉德趙如波

摘要：在金融市場典型事實約束下，運用ARFIMA-FIAPARCH-SKST模型對金融收益率和波動率建模，使用EVT模型刻畫金融收益的極值尾部，進而運用GAS-t Copula模型刻畫上證綜指隔夜收益與交易收益之間的非線性時變聯動效應。實證結果表明，上證綜指隔夜收益具有顯著的杠桿效應，而交易收益波動率則呈現出顯著的長記憶性；GAS-t Copula模型能夠準確刻畫上證綜指隔夜收益與交易收益之間的相依結構；上證綜指隔夜收益與交易收益之間的聯動效應顯著強于兩者之間的極值聯動效應。

關鍵詞：聯動效應；隔夜收益；交易收益；GAS-t Copula

中圖分類號：F832.5文獻標識碼：A文章編號：1003-5192（2016）05-0062-06doi：10.11847/fj.35.5.62

1引言

眾所周知，交易信息是金融管理機構與投資者做出金融決策的重要依據之一，全面以及準確的交易信息將會有助于金融活動參與者做出更加合理的決策行為。交易信息除了包含在交易時段產生的大量信息外，同時也包括了在隔夜時段發生的重大經濟事件所產生的信息。許多宏觀經濟政策的發布或者上市利空公司信息公開為了避免對經濟正常運行秩序產生影響，大多選擇在隔夜時間段，如：上調存款準備金率、調高利率、增加印花稅率以及很多上市公司經營業績惡化等重要信息。而這些隔夜信息又會對次日股市交易產生影響，也就是說隔夜信息與交易信息之間存在著聯動效應。需要說明的是，金融信息通常集中反映在金融市場收益中。因此，研究能夠集中反映股市隔夜信息與交易信息的隔夜收益與交易收益之間的聯動效應，對于金融風險管理者更好地對金融市場風險進行管理，進而維護金融經濟安全和促進經濟的繁榮穩定，具有極其重要的現實意義。

目前，金融學者大多關注不同金融市場之間的聯動效應，較少有學者研究隔夜收益與交易收益之間的聯動效應。在這些為數眾多的相關研究中，大致采用了如下幾類方法展開研究工作，例如，King和Wadhwani[1]，Mahmood和Ali[2]，de Goeij和Marquering[3]，Liu和Chen[4]分別使用了相關系數，Granger因果檢驗，GARCH族模型，HYGARCH模型對金融市場之間的聯動效應進行了研究，他們均取得了顯著的研究成果。但是，由于金融市場的復雜性致使金融市場的聯動效應更多地表現出非線性關系，因而要準確并有效地分析金融市場聯動效應，就必須圍繞非線性聯動效應展開研究工作。值得注意的是，與上述線性模型相比，Copula函數能夠更加靈活、穩健地捕捉金融市場存在的非線性聯動效應，目前已經成為金融研究中一種重要方法。因此，本文將采用Copula函數分析股市隔夜收益與交易收益之間的非線性聯動效應。

淳偉德，等：股市隔夜收益與交易收益非線性時變聯動效應研究

Vol.35， No.5預測2016年第5期

目前常用的Copula函數主要包括橢圓族Copula函數和阿基米德族Copula函數[5]，這些Copula函數在刻畫相依結構方面各具特點，例如橢圓族Copula函數只能刻畫對稱相依結構，而阿基米德族Copula函數則只能刻畫部分尾部相依結構。在研究金融市場聯動效應時，我們除了關注整體聯動效應外，還應更加重視極值聯動效應，而在常用的Copula函數中只有t-Copula函數能夠滿足這一要求。此外，由于金融市場瞬息萬變，隔夜收益與交易收益之間的聯動效應具有顯著的時變特征，因而研究聯動效應時需要采用動態模型。目前，常用的動態Copula函數大多參照Patton[6]的研究進行設置。但是，這類時變Copula函數在刻畫非對稱、長記憶等復雜動態相依結構方面存在明顯的不足。Creal等[7]將GAS模型與正態Copula函數相結合，構建了全新的動態Copula模型，克服了常用時變Copula函數的不足，能夠準確捕捉到金融市場之間的動態相依結構。但是正態Copula函數僅能夠刻畫整體相依程度，因此我們將重新構建新的GAS-t Copula模型來研究隔夜收益與交易收益的聯動效應。

然而，必須指出的是，自20世紀70年代以來，由于金融數據獲取能力增強以及計算機科學與技術的迅猛發展，大量研究發現金融市場普遍存在著諸如自相關性、杠桿效應以及長記憶性等典型事實特征。Cont[8]指出金融研究必須在典型事實約束下展開，才有可能使得研究結論具有實際意義，那么選擇合適的模型來刻畫這些典型事實特征就顯得尤為關鍵。還需要強調的是，隔夜收益中發生的極端上漲或者下跌很有可能通過聯動效應引發交易收益暴漲與暴跌，從而造成股市動蕩加劇，這就要求我們在研究隔夜收益與交易收益聯動效應時，更應該關注極值聯動效應。然而，由于金融收益尾部分布特征十分復雜，從而使得極值收益單一分布假設并不符合實際情況，而極值理論不必預先假設整個樣本所服從的分布特征[9]，只需對分布的尾部進行建模，所以能夠更為準確地捕獲金融收益尾部分布特征。由此可見，只有在典型事實的約束下，運用極值理論對收益序列的極值尾部建模，才能更為準確地分析金融市場收益的極值尾部聯動效應。

此外，就中國股票市場而言，雖然成立時間才短短20多年，但是發展十分迅速，目前已成為全球最大的新興的股票市場之一。但是與西方成熟股票市場相比，無論是在市場監管方面，還是投資者投資行為上，均存在諸多不成熟性，因而更加容易導致股市暴漲暴跌現象的發生。因此，探討中國股市隔夜收益與交易收益的聯動效應尤其是極值聯動效應具有明確的理論價值與實際意義。

基于以上分析與認識，本文將以上證綜指隔夜收益與交易收益作為研究對象，引入ARFIMA與FIAPARCH模型捕獲金融收益率與波動率中呈現的重要典型事實特征，并采用EVT理論對股市收益極值尾部建模，然后使用GAS-t Copula模型分析隔夜收益與交易收益的聯動效應。力求通過相關理論分析與實證研究，重點討論并回答以下兩個問題：（1）上證綜指隔夜收益與交易收益之間是否存在聯動效應？（2）上證綜指隔夜收益與交易收益之間的聯動效應具有何種特征？

令人振奮的是，目前有袁超等[10]，陳收等[11]，李巍[12]，曾志堅等[13]嘗試運用DCC（1，1）-MVGARCH、多元GARCH、Granger因果檢驗等模型，對股市的聯動效應進行了實證研究，但是他們既沒有分析股市非線性聯動效應，又沒有研究隔夜收益與交易收益的聯動效應；盡管Tsiakas[14]，Kingsley和Martin[15]分別使用了SV模型、相關系數法對股市隔夜收益與交易收益的聯動效應進行了分析，但是他們仍然使用線性模型研究聯動效應，得到的研究結論存在著較大偏誤；雖然易文德[16]，吳吉林[17]，史永東等[18]運用Copula模型探討了股市非線性聯動效應，但是他們并沒有在眾多重要典型事實約束下展開研究，也沒有研究更具有現實意義的極值聯動效應。而本文在多種重要典型事實特征約束下展開了相關研究，不僅使用了ARFIMA-FIAPARCH-SKST對金融收益存在的多種典型事實特征進行建模分析，而且還使用EVT模型對金融收益的極值尾部進行了建模，在此基礎上運用GAS-t Copula模型對隔夜收益與交易收益之間的非線性相依結構特征進行了準確地刻畫，得出了研究期間內上證隔夜收益與交易收益之間的時變聯動效應特征。由此可見，本文研究的差異性是顯而易見的。

4結論與啟示

研究股市隔夜收益與交易收益之間的聯動效應，不僅具有重要的學術價值，同時也具有重要的現實意義。本文在眾多的金融市場典型事實約束下，分別運用ARFIMA-FIAPARCH-SKST和EVT模型對上證綜指隔夜收益與交易收益以及它們的極值尾部建模，以排除金融市場典型事實對股市隔夜收益與交易收益聯動效應的影響；對于金融市場更為復雜的非線性關系，本文運用GAS-t Copula模型對隔夜收益和交易收益的非線性聯動效應進行建模，并取得了較理想的研究效果。通過實證分析，得到了一些有價值的結論：

（1）上證綜指交易收益的波動率序列呈現出顯著的長記憶特征，而隔夜收益無論是收益率還是波動率均不存在長記憶性，這預示著隔夜收益與交易收益相比對于信息的反應更加得及時，而交易收益則對于信息的反應相對較為遲緩，需要更長的時間才能充分消化過去的信息。

（2）上證綜指隔夜收益呈現出顯著的杠桿效應特征，交易收益并未表現出顯著的杠桿效應，這說明投資者對于隔夜時段發生的負面事件的反應更為敏感，而在交易時段負面信息則被迅速消化。

（3）本文使用GAS-t Copula模型對上證隔夜收益與交易收益進行了研究，實證結果表明隔夜收益與交易收益之間具有較強的整體聯動效應，而極值聯動效應則相對較小。此外，無論是隔夜收益與交易收益之間的聯動效應還是極值聯動效應均呈現出顯著的時變特征。

基于本文的實證研究結果，我們認為無論是投資者還是風險管理部門均需要更加重視隔夜時段發生的重大經濟事件，提前采取適當措施以應對隔夜時段發生事件可能帶來的風險。雖然目前隔夜收益與交易收益之間的極值聯動效應較小，隔夜時段發生的劇烈波動引起股市在交易時段發生風險的概率較小，但是風險管理部門和投資者仍然需要防微杜漸，防止這些極端事件可能引發的金融風險以及帶來的投資損失。最后需要說明的是，盡管本文僅以上證綜指為例，研究了典型事實約束下，隔夜收益與交易收益之間的聯動效應，但是本文的研究方法與相關結論，仍然可以為政府金融管理部門、投資者進行風險管理提供一定的實證依據與決策借鑒。

參考文獻：

[1]King M A， Wadhwani S. Transmission of volatility between stock markets[J]. Review of Financial Studies， 1990， 3（1）： 5-33.

[2]Mahmood W M， Ali M. Interdependence among the Asian Pacific stock market during the Asian Financial Crisis[J]. The IUP Journal of Applied Economics， 2007， 6（4）： 22-34.

[3]de Goeij P， Marquering W. Stock and bond market interactions with level and asymmetry dynamics： an out-of-sample application[J]. Journal of Empirical Finance， 2009， 16（2）： 318-329.

[4]Liu H H， Chen Y C. A study on the volatility spillovers， long memory effects and interactions between carbon and energy markets： the impacts of extreme weather[J]. Economic Modelling， 2013， 35（5）： 840-855.

[5]Nelsen R B. An introduction to copulas[M]. New York： Springer Science & Business Media， 2013. 89-157.

[6]Patton A J. Modelling asymmetric exchange rate dependence[J]. International Economic Review， 2006， 47（2）： 527-556.

[7]Creal D， Koopman S J， Lucas A. Generalized autoregressive score models with applications[J]. Journal of Applied Econometrics， 2013， 28（5）： 777-795.

[8]Cont R. Empirical properties of assets returns： stylized facts and statistical issues[J]. Quantitative Finance， 2001， 1（2）： 223-236.

[9]林宇.典型事實、極值理論與金融市場動態風險測度研究[J].投資研究，2012，31（1）：41-56.

[10]袁超，張兵，汪慧建.債券市場與股票市場動態相關性研究[J].金融研究，2008，（1）：63-75.

[11]陳收，李雙飛，李小曉.中國概念股與國內外股市的聯動效應研究[J].管理科學，2008，21（4）：105-114.

[12]李巍.中國、俄羅斯與美國證券市場的聯動效應——來自次貸危機爆發后三階段的證據[J].世界經濟研究，2009，（1）：32-39.

[13]曾志堅，徐迪，謝赤.金融危機影響下證券市場聯動效應研究[J].管理評論，2009，21（2）：33-39.

[14]Tsiakas I. Overnight information and stochastic volatility： a study of European and US stock exchanges[J]. Journal of Banking & Finance， 2008， 32（2）： 251-268.

[15]Kingsley F， Martin M. Overnight futures trading： now even Australia and US have common trading hours[J]. Journal of International Financial Markets， 2002， 12（2）： 167-182.

[16]易文德.基于Copula函數的組合資產條件相依性模型及其應用[J].系統工程理論與實踐，2011，31（6）：1004-1013.

[17]吳吉林.基于機制轉換Copula模型的股市量價尾部關系研究[J].中國管理科學，2012，20（5）：16-23.

[18]史永東，丁偉，袁紹峰.市場互聯、風險溢出與金融穩定——基于股票市場與債券市場溢出效應分析的視角[J].金融研究，2013，（3）：170-180.

[19]DuMouchel W M. Estimating the stable index-in order to measure Tai Thickness： a critique[J]. Annals of statistics， 1983， 11（4）： 1019-1031.

[20]Salvatierra I D L， Patton A J. Dynamic Copula models and high frequency data[J]. Journal of Empirical Finance， 2014， 30： 120-135.