薛襄稷，吳艷君

(集美大學(xué)誠毅學(xué)院 經(jīng)濟系，福建 廈門361021)

0 引言

當某一股市價格或收益率上漲或下跌時，另一股市相關(guān)變量也上漲或下跌，這就體現(xiàn)了股票市場之間的聯(lián)動性。自2005 年以來，我國內(nèi)地股市實施了一系列的改革，這些改革使得內(nèi)地股市不斷的完善，同時也讓內(nèi)地股市逐步走向開放，逐漸與世界的其他股票市場產(chǎn)生聯(lián)系。在這一背景下，香港作為中國的一部分，同時也是重要的國際金融中心之一，是中國股市走向全球其他市場必不可少的一個部分。2014 年4 月10 日內(nèi)地證監(jiān)會和香港證監(jiān)會聯(lián)合公告，批準建立上海與香港股票市場交易互聯(lián)互通機制試點(即“滬港通”)，允許兩岸投資者通過交易所買賣港股和A 股，這一舉措無疑是中國內(nèi)地與香港資本市場雙向開放程度進一步深化的重要標志。滬港股市是否存在聯(lián)動關(guān)系?如果存在聯(lián)動關(guān)系，關(guān)系又如何?對此進行研究，一方面有助于廣大投資者進行投資組合分析、價格預(yù)測，研究證券市場結(jié)構(gòu)，更好地判斷股市走勢，從而分散風(fēng)險，提高收益;另一方面，也從一個側(cè)面反映兩個市場的風(fēng)險傳染機制，對政策當局進行市場監(jiān)管和防范金融風(fēng)險具有一定的參考意義。

根據(jù)過去的相關(guān)研究來看，國外文獻很少涉及滬市與港市，而國內(nèi)學(xué)者有不少對此進行研究。如谷耀、陸麗娜［1］利用DCC－EGARCH－VAR 模型進行實證分析，指出1994－2004 年間香港股市對滬深兩市不論收益還是波動風(fēng)險都存在單方面的溢出效應(yīng)。龔樸、李夢玄［2］構(gòu)建了BEEK 模型，指出1999－2006 年滬港兩市之間的波動溢出并不顯著，兩市的聯(lián)動性相對較弱，不過有不斷增大的趨勢。石建勛、鐘建飛、李海英［3］運用協(xié)整關(guān)系檢驗、格蘭杰因果關(guān)系檢驗和脈沖響應(yīng)方法分析兩市的聯(lián)動關(guān)系，認為兩地股市從原來的單向因果關(guān)系轉(zhuǎn)變?yōu)殡p向因果關(guān)系。魯旭、趙迎迎［4］運用協(xié)整關(guān)系檢驗、格蘭杰因果關(guān)系檢驗和脈沖響應(yīng)方法并結(jié)合混合Copula函數(shù)，對滬深300 指數(shù)和恒生中國企業(yè)指數(shù)進行相關(guān)性分析，指出兩市一體化趨勢明顯，內(nèi)地股市對香港股市的波動溢出效應(yīng)更為明顯。丁振輝、徐瑾［5］運用GARCH(1，1)－M 模型對兩地股市的開盤收益率和收盤收益率進行了實證分析，指出兩地股市的相關(guān)性存在著相對穩(wěn)定的關(guān)系，但是上海股市對香港股市的影響強于其受香港股市的影響。操穎、方兆本［6］基于混合Copula 函數(shù)對2007－2012 年滬深300 指數(shù)與恒生中國企業(yè)指數(shù)進行研究，指出香港和內(nèi)地股票市場分割狀態(tài)呈現(xiàn)出減弱的趨勢，并且“一體化”趨勢趨于明顯，就波動溢出效應(yīng)而言，內(nèi)地股市對香港股市表現(xiàn)的更為明顯，對于兩市股指的日收益率波動變化則存在長期的均衡關(guān)系。從市場受短期沖擊的影響來看，內(nèi)地股票市場在短期沖擊的調(diào)節(jié)、回歸長期均衡的效果上明顯不如香港市場。

可以看出，不同學(xué)者樣本選取有一定差異，方法不盡相同，結(jié)論也不盡一致。筆者認為，選取的時間段應(yīng)盡可能的長，使得數(shù)據(jù)包含更新更豐富的信息，同時應(yīng)從動態(tài)相關(guān)性和波動溢出效應(yīng)多個角度來衡量兩個市場的聯(lián)動關(guān)系。本文在借鑒之前學(xué)者研究方法的基礎(chǔ)上，首先對所采用的主要研究方法進行介紹，接著通過AR－DCC－MVGARCH 模型檢驗滬港兩市的時變聯(lián)動關(guān)系，并從GARCH 模型的殘差中提取條件方差，利用格蘭杰因果檢驗法對香港股市與上海股市的波動溢出效應(yīng)進行深入研究，最后對全文進行總結(jié)并給出相應(yīng)的對策建議。

1 基本模型介紹

為了研究多個金融市場的相互關(guān)系，就需要利用多變量GARCH 模型進行分析。常用的多變量GARCH 模 型 主 要 有 VECH 模 型(Bollerslev，1988)［7］、CCC 模型(Bollerslev，1990)［8］、BEKK 模型(Engle 和Kroner，1995)［9］等，但它們普遍存在經(jīng)濟意義不明確、計算過于復(fù)雜、需要估計參數(shù)過多等缺點，因此，Engle［10］提出了動態(tài)條件相關(guān)多變量GARCH 模型((Dynamic Conditional Correlation Multivariate GARCH))。這一方法較好地彌補了這些缺陷，由靈活的GARCH 模型和參數(shù)簡潔的相關(guān)系數(shù)模型組成，可用于大規(guī)模的相關(guān)系數(shù)矩陣的估計，為變量之間非線性的時變相關(guān)關(guān)系的研究提供了一個較為便利的方法。

本文采用DCC－MVGARCH(1，1)模型對兩市收益的波動性和動態(tài)相關(guān)性進行研究。本文將DCC－GARCH 模型進行略微修改，調(diào)整為ARDCC－MVGARCH 模型。該模型是通過三組方程構(gòu)成的，均值方程是第一組方程，條件方差方程是第二組方程，由Qt控制的與相關(guān)系數(shù)有關(guān)的一個類似GARCH(1，1)的模型是第三組方程。具體形式如下:

第一組:

第二組:

第三組:

式(1)是待估的均值方程，Pi，t代表第i 種資產(chǎn)t時期的收益率，i=1，2，其中φi，0和φi，1分別代表均值方程的待估參數(shù)，為自回歸模型AR(1)的常數(shù)和一階參數(shù)。εi，t是殘差項。服從正態(tài)分布:εt～N(0，Ht)，Ht為殘差在t 時刻的條件方差矩陣。

式(2)為方差方程，由GARCH(1，1)組成，hi，t分別代表第i 個股市誤差項在t 時刻的條件方差，ωi，λi，γi為待估系數(shù)，分別為常數(shù)項、ARCH 參數(shù)、GARCH 參數(shù)。

式(3)為條件方差與相關(guān)系數(shù)矩陣關(guān)系式，其中Dt為對角矩陣，對角元素為εt的條件標準差;Rt代表εt的動態(tài)相關(guān)系數(shù)矩陣，是對角線為1 的對稱陣，由式(4)控制。

整個DCC－GARCH 模型的估計要分為兩個階段。第一階段:對各收益率序列進行單變量GARCH估計，即估計表達式(1)(2)，得出條件方差和殘差序列，用殘差除以條件標準差，得到標準化的殘差序列zt。第二階段:用標準化的殘差序列計算動態(tài)協(xié)方差矩陣(式(4))的系數(shù)和條件相關(guān)系數(shù)。Engle(2002)指出具體每個階段參數(shù)可通過極大似然估計法進行求解［11］。對數(shù)似然函數(shù)分別如式(6)(7):

其中T 為樣本觀測值個數(shù)，θ 為待估參數(shù)向量。

2 滬港股市聯(lián)動性的實證分析

2.1 樣本選擇和數(shù)據(jù)處理

本文選取上證綜合指數(shù)和香港恒生指數(shù)收盤價作為滬市和港市的代表，從YAHOO 金融世界股票指數(shù)數(shù)據(jù)庫搜集了2005 年4 月29 日至2015 年6月9 日10 年間的數(shù)據(jù)。由于兩地股市的交易日會受到節(jié)假日的影響而有所不同，剔除了兩地股市不重疊的數(shù)據(jù)，得到2457 個樣本數(shù)據(jù)。將兩個股指的收盤價繪制成折線圖，得到2005 年至2015 年內(nèi)地與香港收盤價走勢圖。圖1 中可以看出，內(nèi)地與香港股市走勢呈現(xiàn)出很強的相似性，最高點、最低點出現(xiàn)時間基本一致。2005 年以來，兩個市場均經(jīng)歷了一個急速上漲下跌的過程，在經(jīng)歷一段調(diào)整期后現(xiàn)階段又開始出現(xiàn)一個共同上漲的階段，初步表明兩個市場有一定的聯(lián)動關(guān)系，這為我們后續(xù)的分析提供了有力的保證。在得到原始數(shù)據(jù)后，對各指數(shù)的每日收盤價Pt取對數(shù)，帶入公式Rt=LNPt－LNPt－1，計算出兩個市場的日收益率，分別記為RSHI、RHSI。

圖1 內(nèi)地和香港股市收盤價

2.2 基本統(tǒng)計分析

在進行聯(lián)動分析之前，有必要對RSHI、RHSI 序列有個基本認識，利用Eviews6.0 計算，結(jié)果如表1所示。兩市收益率都非常小，幾乎接近于0，滬市收益率略大于港市;從標準差來看，滬市收益率的波動大于港股的波動，有可能與內(nèi)地股市不成熟、投機性較強、制度不完善等因素有關(guān);JB 統(tǒng)計量非常顯著，均拒絕服從正態(tài)分布;從偏度來看，香港股市收益率右偏分布，滬市收益率左偏分布，峰度均遠大于3，都具有尖峰厚尾的特征。

表1 各市場收益率序列描述性統(tǒng)計量

圖2 滬市(左圖)和港市(右圖)日收益率

運用圖示的方法可以更為直觀地觀察收益率波動情況(見圖2)，可以發(fā)現(xiàn)兩市收益率在金融危機后期的波動程度明顯高于金融危機發(fā)生之前，股市進入較為動蕩的時期。同時兩市均存在某段時間內(nèi)波動比較小、另一時間內(nèi)較大幅度波動的情況，有可能還存在異方差和自相關(guān)現(xiàn)象，因而對此進行檢驗。對于收益率序列、收益率平方序列的Q 統(tǒng)計量，前者對應(yīng)著較大概率值，后者對應(yīng)的概率值均為0，說明兩市存在明顯的ARCH 效應(yīng)，因此采用GARCH模型是比較合適的選擇。除此以外，還需要利用ADF 檢驗法進行單位根檢驗，保證模型不出現(xiàn)偽回歸。從表2 中發(fā)現(xiàn)，RSHI 和RHSI 序列的ADF 檢驗統(tǒng)計量均小于其臨界值，所以拒絕原假設(shè)，收益率均為平穩(wěn)時間序列。

表2 RSHI 和RHSI 的單位根檢驗結(jié)果

2.3 單變量GARCH 模型估計及結(jié)果分析

根據(jù)前面介紹的兩步估計法，首先要對各收益率序列進行單變量GARCH 估計，才能得出條件方差和殘差序列。根據(jù)AIC 最小原則得出每個市場采用AR(1)－GARCH(1，1)模型比較合適，使用R軟件來完成式(1)、(2)的 參數(shù)估計，具體結(jié)果如表3 所示。

表3 AR(1)－GARCH(1，1)模型參數(shù)估計

從均值方程估計結(jié)果看，滬市上期交易日收益率對當前交易日收益率存在正向的影響，說明有一個正向反饋機制，相反港市存在負向的影響。從條件方差方程來看，λi為ARCH 參數(shù)，反映下一期的波動受當前信息的影響程度。該系數(shù)越高，說明股市對新信息的敏感度越高。從表3 中得出，滬市的λ=0.0542，較港市(0.0656)低，對新信息的反應(yīng)較為遲鈍，而港市對新信息的反應(yīng)相對比較敏感。γi為代表條件方差受自身滯后一期的方差的影響程度，該值越大，條件方差衰退速度越快，從表3 中可以看出，滬市衰減速度較慢，港市較快。λi+γi相加越接近于1，當前的波動趨勢持續(xù)性越長，在未來消失的速度越慢。綜合來看，兩市的波動趨勢持續(xù)性沒有太大差異。

2.4 DCC 模型及動態(tài)相關(guān)分析

接著，利用AR－GARCH 模型得到標準化的殘差序列zt。最后，用zt估計整個DCC 模型及動態(tài)相關(guān)系數(shù)。整個DCC(1，1)模型參數(shù)估計值λ=0.0494，γ=0.9463。從整個市場來看，對比表3 數(shù)據(jù)發(fā)現(xiàn)，對新信息的敏感程度要小于單個市場的敏感程度，而波動的連續(xù)性水平(0.9957)高于單個市場。

動態(tài)條件相關(guān)系數(shù)是描述金融市場聯(lián)動性的重要指標，取值越大，表明市場間的一體化趨勢越高，聯(lián)動性越強。從圖3 中可以看出，兩個市場的相關(guān)系數(shù)呈現(xiàn)出時變特征，且有一個逐步增大的趨勢。2005－2007 年期間，滬市與港市的相關(guān)系數(shù)有正有負，主要集中在－0.2—0.3 之間，相關(guān)程度并不是很高，波動幅度相對來說也不是很大。但在2007 年以后兩市相關(guān)性有了一個比較大的提高，聯(lián)想到2007 年爆發(fā)的次貸危機，可以初步認為金融危機的發(fā)生導(dǎo)致兩市的聯(lián)動性增強，2008 年6 月相關(guān)程度達到最大。不過，2014 年以來滬港通實施并沒有帶來實質(zhì)的效果，相關(guān)性反而略有些下降。但總體來看，次貸危機后兩市聯(lián)系也越來越緊密，主要波動范圍在0.4－0.6 之間，表明兩個市場的聯(lián)動性在不斷增強。

圖3 上海與香港動態(tài)相關(guān)系數(shù)

2.5 波動溢出效應(yīng)分析

波動溢出效應(yīng)是指一個市場(或資產(chǎn)收益)波動的變化(一般用方差來衡量波動)對其他市場產(chǎn)生的影響。由于市場收益的波動性本身就代表了市場風(fēng)險，因此也是研究聯(lián)動關(guān)系的重要方面。本文運用Granger 因果檢驗分析兩個市場的波動溢出效應(yīng)。因從圖3 中我們發(fā)現(xiàn)上述兩個市場的動態(tài)相關(guān)系數(shù)在次貸危機前后存在較大的差異，所以我們以2007 年8 月16 日為間斷點(這一天亞太地區(qū)遭遇最嚴重下跌)，把樣本區(qū)間分為兩個階段來進行分析。第一個階段為股權(quán)分置改革啟動后至次貸危機爆發(fā)前，即2005 年4 月29 日－2007 年8 月15 日;第二個階段為2007 年8 月16 日至今。從表3 估計的GARCH 模型的殘差中提取條件方差，記為Vsh、Vhs，作為兩個市場收益波動情況的反映，并分兩個階段進行Granger 因果檢驗，檢驗結(jié)果如表4 所示。

表4 Granger 因果檢驗的檢驗結(jié)果

根據(jù)表4 Granger 因果檢驗的檢驗結(jié)果顯示:在5%的顯著性水平下，在第一階段(2005 年4 月29日－2007 年8 月15 日)，我們接受“Vsh 不是Vhs的Granger 成因”的原假設(shè)，而拒絕“Vhs 不是Vsh的Granger 成因”的原假設(shè)，即Vhs 是Vsh 的Granger成因，表明在一定程度上香港股市的變動會帶動滬市的變動，有可能是因香港股市先行于滬市變化，滬市單向受香港股市的影響;在第二階段，我們拒絕了“Vsh 不是Vhs 的Granger 成因”的原假設(shè)，但接受了“Vhs 不是Vsh 的Granger 成因”的原假設(shè)，說明Vhs 的波動變化對Vsh 不會產(chǎn)生太大的影響，相反在此階段滬市對香港股市的影響強于滬市受香港股市的影響。綜上所述，兩地股市的影響從第一階段的滬市受香港股市的影響變成了第二階段的滬市對香港股市產(chǎn)生影響，說明了隨著內(nèi)地股市開放程度的加深，其對香港股市的影響也越來越強于其受香港股市的影響。

3 結(jié)論與建議

3.1 結(jié)論

(1)滬市與港市日收益率均存在尖峰厚尾和波動集聚性現(xiàn)象，兩市的波動率一段時間波動比較小，較小的波動后面緊接著較小的波動，而另一段時間波動比較大，較大的波動后面緊接著較大的波動，且兩市收益率在金融危機后期的波動程度明顯高于金融危機發(fā)生之前，股市進入較為動蕩的時期。本文利用AR－GARCH(1，1)模型能夠較好地消除兩市收益率自相關(guān)和異方差問題，同時兩市方差方程中的ARCH 項和GARCH 項的系數(shù)之和接近1，表明沖擊對條件方差的影響具有很強的持續(xù)性;并且，港市方差方程中的ARCH 項和GARCH 項的系數(shù)之和小于滬市二者的系數(shù)之和，表明滬市所受到的沖擊持續(xù)性更長。

(2)從均值方程來看，滬市相鄰交易日的收益率顯著正相關(guān)，造成這種情況的主要原因是我國股票市場不完善，存在市場摩擦及局部調(diào)整現(xiàn)象［12］，投資者存在非理性跟風(fēng)行為，導(dǎo)致相鄰交易日的收益率顯著正相關(guān)。而發(fā)達市場如中國香港正好相反，存在積極的反饋交易機制，使得相鄰交易日的收益率顯著負相關(guān)。

(3)動態(tài)相關(guān)系數(shù)顯示，滬港股市之間的聯(lián)動性有不斷增大的趨勢，尤其在美國金融危機之后，兩地股市之間的相關(guān)性基本集中在0.4－0.6 之間，說明經(jīng)過了證券市場改革和經(jīng)濟的快速發(fā)展之后，中國大陸股票市場與香港股票市場之間的聯(lián)動關(guān)系正在逐步增強。但同時也顯示出較大的波動性，滬港通的實施未能有明顯的帶動效應(yīng)，有可能與目前投資標的和投資金融限制有關(guān)。

(4)在對兩市收益率的波動進行Granger 因果檢驗得出的結(jié)論是:在第一階段香港股市對滬市有一定程度的影響;而在第二階段變成了香港股市在一定程度上受滬市的影響。可以看出，兩市存在溢出效應(yīng)，但是不對稱是單向的，隨著內(nèi)地股市的不斷完善，其在兩地股市中將會起著更為明顯的引導(dǎo)作用。出現(xiàn)這種情況可能是因為金融危機前我國內(nèi)地股市仍處于新興市場的發(fā)展階段，各種制度體系還不夠完善，香港股市處于一個較為成熟的發(fā)展階段，內(nèi)地股市的走勢會參考香港股市的行情，所以在此階段香港股市會對內(nèi)地股市產(chǎn)生一定的影響。而金融危機后，內(nèi)地政府推出了創(chuàng)業(yè)板、股指期貨和實施融資融券，及時地進行了一系列的改革，并且不斷地降低QFII 和QDII 的進入門檻，對個人外匯結(jié)算和購匯限額予以放寬，以及越來越多的內(nèi)地企業(yè)在港上市，使得兩地股市資金流與信息流的流動越來越頻繁，香港股市與滬市的聯(lián)動性也增強了。據(jù)德勤統(tǒng)計，2014 年內(nèi)地企業(yè)總集資額高達1950 億元，而翻看前5 年新股資料，中資股集資所占比重由2010年的31.1%升至2014 年的86.5%，即現(xiàn)在每上市10 家企業(yè)，僅有1 家不是內(nèi)地企業(yè)。而這些內(nèi)地大型企業(yè)也都發(fā)行了A 股，該類型的公司在兩地市場所占比重的增加及兩地經(jīng)濟的滲透，勢必強化兩地股市聯(lián)系的緊密程度，內(nèi)地的政策變化對香港股市的影響也越來越大。

3.2 政策建議

隨著內(nèi)地股市的不斷開放，其與香港股市的聯(lián)動效應(yīng)會隨之增強，同時內(nèi)地股市受到香港股市的風(fēng)險傳染也會越來越顯著。因此，不管是投資者在做投資決策時，證券監(jiān)管機構(gòu)進行監(jiān)督管理時，還是政府相關(guān)部門制定政策時，都要考慮兩個股市間的聯(lián)動效應(yīng)。針對這些問題，本節(jié)對投資者和證券監(jiān)管機構(gòu)以及政府相關(guān)部門提出以下建議:

對于投資者而言，由于大部分的股民都是散戶，其獲取信息的渠道有限，對信息的處理能力較差，容易造成對股市行情的錯誤判斷，發(fā)生羊群效應(yīng)，極易對股市造成影響。因此，投資者應(yīng)多關(guān)注股票市場的動態(tài)，觀察上市公司的盈利狀況以及發(fā)展趨勢，提高自身的理性分析能力，靈活地制定投資策略。投資者還應(yīng)具有謹慎的投資思維，通過認識港市與滬市之間的互動關(guān)系，能夠更好地對當前的股市行情和走勢進行把握，并且要合理選擇投資策略，謹慎地做出投資行為。

對于證券監(jiān)管機構(gòu)而言，與成熟的香港股市相比，內(nèi)地股市的許多制度還不夠完善，這對尚不成熟的內(nèi)地股市來說存在著很大的風(fēng)險，因此監(jiān)管機構(gòu)在制定各種制度時，應(yīng)該把香港股市與內(nèi)地股市的聯(lián)動關(guān)系考慮在內(nèi)，并且密切關(guān)注兩地股市之間的聯(lián)動性和風(fēng)險的傳遞，這樣不僅可以提高金融監(jiān)督管理的效率，而且還可以防止香港股市可能對內(nèi)地股市帶來的不利影響。另外，監(jiān)管者應(yīng)加強對股市的監(jiān)督管理力度，并對信息披露制度進行不斷的完善。由于內(nèi)地股市不及香港股市發(fā)展得成熟，所以在信息的公布及透明化程度上不如香港股市嚴格規(guī)范。除此之外，要想防止風(fēng)險通過香港股市傳導(dǎo)到內(nèi)地股市并引起內(nèi)地股市的劇烈震蕩，證券監(jiān)管機構(gòu)要對內(nèi)地股市建立金融防火墻，以阻止風(fēng)險向滬市的擴散，使經(jīng)濟發(fā)展不受影響。同時，還要提高兩地監(jiān)管部門之間的監(jiān)管合作，加強監(jiān)管信息的交流，做到全方位監(jiān)管，在風(fēng)險產(chǎn)生前進行預(yù)防，風(fēng)險生成后進行及時地破解，以確保兩地股市的健康穩(wěn)定運作。

對于政府相關(guān)部門而言，由于內(nèi)地政府推出的政策也會對香港股市產(chǎn)生一定的影響，因此，為了防止政策效果受到兩地股市聯(lián)動效應(yīng)的影響，保證兩地股市健康穩(wěn)定的發(fā)展，政府部門在制定一系列政策時必須全面地考慮這些政策會給投資者以及兩地股市帶來的影響程度。另外，滬市經(jīng)過20 多年的發(fā)展，雖然股市規(guī)模和投資者數(shù)量都在迅猛地增長，但是其抵抗風(fēng)險的能力較弱，并且股市的體制機制不夠健全，因此，政府相關(guān)部門在制定政策之時應(yīng)當綜合考慮滬市的實際情況，穩(wěn)步推進內(nèi)地證券市場的改革。

［1］ 谷耀，陸麗娜.滬、深、港股市信息溢出效應(yīng)與動態(tài)相關(guān)性:基于DCC－EGARCH 的檢驗－VAR 的檢驗［J］.數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2006(8):142－150.

［2］ 龔樸，李夢玄.滬港股市的波動溢出和時變相關(guān)性研究［J］.管理學(xué)報，2008(1):96－100.

［3］ 石建勛，鐘建飛，李海英.金融危機前后內(nèi)地與香港股市聯(lián)動性及引導(dǎo)性變化的實證研究［J］.統(tǒng)計與信息論壇，2011(2):42－47.

［4］ 魯旭，趙迎迎.滬深港股市動態(tài)聯(lián)動性研究:基于三元VARGJR－GARCH－DCC 的新證據(jù)［J］.中國科學(xué)技術(shù)大學(xué)學(xué)報，2012(1):97－106.

［5］ 丁振輝，徐瑾.上海和香港兩地股市聯(lián)動性研究［J］.金融發(fā)展研究，2013(5):20－25.

［6］ 操穎，方兆本.基于混合Copula 函數(shù)的滬深股市與香港股市一體化趨勢分析［J］.中國科學(xué)技術(shù)大學(xué)學(xué)報，2014(6):508－515.

［7］ Bollerslev T.A Capital Asset Pricing Model with Time－Varying Covariances［J］.Journal of Political Economy，1988(1):116－131.

［8］ Bollerslev T.Modeling the Coherence in Short－run Nominal Exchange Rates:A Multivariate Generalized ARCH Model［J］.The Review of Economics and Statistics，1990(3):498－505.

［9］ Engle R，Kroner K.Multivariate Simultaneous GARCH［J］.Econometric Theory，1995(11):122－150.

［10］ Engle R，Sheppard K.Theoretical and Empirical Properties of Dynamic Conditional Correlation Multivariate GARCH［EB/OL］.［2001－11－09］.http://hdl.handle.net/2451/26570.

［11］ Engle R F.Dynamic Conditional Correlation:A Simple Class of Multivariate Generalized Autoregressive Conditongal Heteroskedasticity Model［J］.Journal of Business and Economic Statistics，2002(3):339－350.

［12］ 賈凱威.基于DCC－MGGARCH－VAR 模型的金融傳染分析［J］.上海經(jīng)濟研究，2014(5):47－55.