紀(jì)偉倫

【摘要】隨著經(jīng)濟(jì)的多元化、資本的大規(guī)模流動(dòng)以及金融衍生品的不斷發(fā)展，各個(gè)金融市場(chǎng)之間的關(guān)聯(lián)程度越來越高金融風(fēng)險(xiǎn)傳染度量成為了金融風(fēng)險(xiǎn)管理的一個(gè)重要內(nèi)容。本文利用MSV模型，用收益率的波動(dòng)來描繪風(fēng)險(xiǎn)，以相關(guān)系數(shù)的改變作為衡量金融風(fēng)險(xiǎn)傳染發(fā)生的指標(biāo)，選取了我國2014-2017年股票指數(shù)和債券指數(shù)的對(duì)數(shù)收益率進(jìn)行了實(shí)證分析，并得到以下結(jié)論：我國股票市場(chǎng)和債券市場(chǎng)收益率均表現(xiàn)出尖峰厚尾的特征；股市債市之間存在著風(fēng)險(xiǎn)傳染效應(yīng)，且該效應(yīng)在牛市時(shí)表現(xiàn)最為明顯。

【關(guān)鍵詞】金融風(fēng)險(xiǎn)傳染測(cè)度，股票市場(chǎng)，債券市場(chǎng)，MSV模型

1 前言

金融風(fēng)險(xiǎn)的發(fā)生一直是金融市場(chǎng)發(fā)展過程中無法避免的一大難題。從上世紀(jì)末期開始，金融衍生品層出不窮，金融市場(chǎng)間關(guān)聯(lián)程度越來越高。一旦某個(gè)經(jīng)濟(jì)體或金融市場(chǎng)爆發(fā)危機(jī)，其風(fēng)險(xiǎn)極易造成大范圍經(jīng)濟(jì)動(dòng)蕩。以我國的股票市場(chǎng)和債券市場(chǎng)為例，如圖1所示，2007-2016年股市與債市收益率波動(dòng)走勢(shì)近乎一致，表現(xiàn)出較強(qiáng)的相關(guān)性，這種現(xiàn)象在2008年和2015年表現(xiàn)尤為明顯。

事實(shí)上，金融風(fēng)險(xiǎn)傳染的相關(guān)研究一直都是金融界學(xué)者非常關(guān)注的課題。在金融風(fēng)險(xiǎn)測(cè)量方面，學(xué)者們漸漸擺脫了原有簡(jiǎn)單的測(cè)度模式。金融創(chuàng)新和信息科技的廣泛應(yīng)用使金融市場(chǎng)更新迭代速度有了大幅提升，傳統(tǒng)的風(fēng)險(xiǎn)分析方法通常無法有效地度量市場(chǎng)間的溢出水平評(píng)估市場(chǎng)風(fēng)險(xiǎn)。因此在當(dāng)今全球經(jīng)濟(jì)格局下尋找一個(gè)準(zhǔn)確的金融風(fēng)險(xiǎn)傳染度量方法就顯得尤為重要。

2 文獻(xiàn)綜述

金融危機(jī)的頻繁爆發(fā)使得金融市場(chǎng)間的風(fēng)險(xiǎn)傳染成為金融風(fēng)險(xiǎn)研究領(lǐng)域的一個(gè)熱點(diǎn)問題，諸多學(xué)者對(duì)風(fēng)險(xiǎn)傳染進(jìn)行了大量研究并取得諸多研究成果。

基于股市和債市在金融市場(chǎng)資產(chǎn)配置中的重要地位，學(xué)者們自金融發(fā)展早期開始便對(duì)兩市場(chǎng)之間的關(guān)系進(jìn)行了深入的研究。Keim等（1986）較早驗(yàn)證了股票市場(chǎng)和債券市場(chǎng)間存在的相關(guān)關(guān)系。Baur（2010）運(yùn)用基于VAR的格蘭杰因果檢驗(yàn)方法，研究發(fā)達(dá)國家的股票和債券市場(chǎng)，發(fā)現(xiàn)了股市和債市之間存在雙向格蘭杰因果關(guān)系。Papavassilious（2014）運(yùn)用DCC-GARCH模型針對(duì)希臘債務(wù)危機(jī)分階段分別研究了不同市場(chǎng)走勢(shì)下境內(nèi)主要資本市場(chǎng)間的風(fēng)險(xiǎn)傳染效應(yīng)，其結(jié)果表明債務(wù)危機(jī)期間兩個(gè)市場(chǎng)之間具有顯著的風(fēng)險(xiǎn)傳染效應(yīng)。

相較于國外市場(chǎng)，中國股票市場(chǎng)和債券市場(chǎng)雖起步較晚尚未完全成熟，但隨著政府相關(guān)政策的頒布實(shí)施，兩個(gè)市場(chǎng)相關(guān)性得到大幅提升，受到了越來越多的關(guān)注。王璐等（2009）實(shí)證發(fā)現(xiàn)中國股市對(duì)債市的波動(dòng)溢出效應(yīng)較債市對(duì)股市的溢出效應(yīng)更為顯著。廖佳等（2014）從行為經(jīng)濟(jì)學(xué)角度著重研究了在不同金融環(huán)境下投資者對(duì)金融市場(chǎng)的情緒變化對(duì)跨市場(chǎng)金融傳染效應(yīng)的影響，實(shí)證發(fā)現(xiàn)市場(chǎng)情緒在不同市場(chǎng)行情下具有很強(qiáng)的獨(dú)特性，其對(duì)市場(chǎng)間的相關(guān)性影響在不同市場(chǎng)行情下表現(xiàn)不同。

與文獻(xiàn)相比，本文的創(chuàng)新性體現(xiàn)在：（1）模型的突破。本文將傳統(tǒng)的SV模型擴(kuò)展為多元并應(yīng)用在股市和債市的風(fēng)險(xiǎn)傳染性分析上。（2）數(shù)據(jù)的處理。本文將數(shù)據(jù)分為三個(gè)階段進(jìn)行對(duì)比，通過危機(jī)期與牛市期兩個(gè)期間的前后對(duì)比，也為風(fēng)險(xiǎn)傳染效應(yīng)提供了實(shí)證。（3）計(jì)算方式的選擇。本文選用了蒙特卡羅（MCMC）模擬進(jìn)行模型的求解，大大提高了文中采用模型的實(shí)用性。

3 金融風(fēng)險(xiǎn)傳染效應(yīng)

3.1 金融傳染效應(yīng)的相關(guān)概念

首先，是關(guān)于風(fēng)險(xiǎn)的定義本文將采用廣義的風(fēng)險(xiǎn)的定義，即不管是帶來收益還是損失，皆可算作風(fēng)險(xiǎn)。Engle等學(xué)者（2002）將金融傳染效應(yīng)認(rèn)定為受到風(fēng)險(xiǎn)沖擊后不同金融市場(chǎng)間相關(guān)性顯著增加的效應(yīng)，該理論在度量金融傳染效應(yīng)的大小和傳染方向等方面都得到了廣泛的應(yīng)用。本文將認(rèn)定傳染的發(fā)生是由相關(guān)性的改變來進(jìn)行衡量的，同時(shí)為了簡(jiǎn)化分析，本文所討論的金融風(fēng)險(xiǎn)傳染效應(yīng)排除共同沖擊因素的基礎(chǔ)性傳染分析。只有這樣，在建模時(shí)，市場(chǎng)與市場(chǎng)間才能看作兩個(gè)獨(dú)立變量，才能觀測(cè)到一個(gè)市場(chǎng)的波動(dòng)能否影響另一個(gè)市場(chǎng)。

3.2 金融傳染效應(yīng)研究方法

Taylor（1982）將隨機(jī)波動(dòng)原理應(yīng)用到金融時(shí)間序列分析中，提出了隨機(jī)波動(dòng)（Stochastic Volatility， SV）模型?；镜囊辉猄V模型如下

yt=μ+eht2εt

ht+1=α+βht+ηt

其中，εt～NO，1，ηt～N（0，ση2），二者相互獨(dú)立。μ為時(shí)間序列均值，εt和ηt分別為均值方程和波動(dòng)率方程的隨機(jī)擾動(dòng)項(xiàng)，β反映波動(dòng)率序列的持續(xù)性。

多元SV模型在波動(dòng)率方程基礎(chǔ)上引入了一個(gè)服從馬爾科夫過程或其他隨機(jī)游走過程的新隨機(jī)變量。構(gòu)建模型的均值方程為

Yt=U+i=1kλiYt-i+Et （4.10）

其中，Yt=y1，t，y2，t，…，yk，tT，U=ui，u2，…，ukT，λi=λ1，i，λ2，i，…，λk，i，Et=eh11，t2ε1，t，eh22，t2ε2，t，…，ehkk，t2εk，tT，k代表的市場(chǎng)數(shù)，λ1，iyt-i表示的是均值溢出，包含了前期本市場(chǎng)和其它市場(chǎng)價(jià)格收益。Et是條件方差和擾動(dòng)項(xiàng)的向量，hkk，t表示的是第t期市場(chǎng)k的風(fēng)險(xiǎn)或波動(dòng)。進(jìn)而可以得到兩市場(chǎng)之間的隨機(jī)風(fēng)險(xiǎn)傳染方程

Ht+1=α+i=1kβiHt+ηt （4.11）

其中，Ht=h1，t，h2，t，…，hk，tT，α=α1，α2，…，αkT，βi=β1，i，β2，i，…，βk，i，ηt=η1，t，η2，t，…，ηk，tT，k代表的市場(chǎng)數(shù)，hii，t-1是單個(gè)市場(chǎng)收益已經(jīng)實(shí)現(xiàn)的波動(dòng)，hj j，t，hji，t-1分別為當(dāng)期和前期風(fēng)險(xiǎn)傳染項(xiàng)。通過觀察均值方程中相關(guān)系數(shù)的改變，可以確定風(fēng)險(xiǎn)是否發(fā)生了傳染；通過觀察風(fēng)險(xiǎn)傳染方程，可以量化確定風(fēng)險(xiǎn)傳染的效應(yīng)大小。

4 數(shù)據(jù)選取與實(shí)證分析

4.1 數(shù)據(jù)選取

本文選取2014-2017年上證綜指、上證國債指數(shù)的對(duì)數(shù)收益來表示我國股市和債市的變動(dòng)情況，分別表示為R1、R2，定義收益率表達(dá)式為Ri=lnt日指數(shù)收盤價(jià)t-1日指數(shù)收盤價(jià)，共1774個(gè)數(shù)據(jù)。所有市場(chǎng)指數(shù)數(shù)據(jù)均來自于國泰安CSMAR數(shù)據(jù)庫。

為了更好的分析風(fēng)險(xiǎn)傳染效應(yīng)，參考鄭振龍等、袁晨等學(xué)者的行情階段劃分方法，將數(shù)據(jù)分為以下三個(gè)階段：階段一（牛市，2014年3月15日～2015年6月17日，共309個(gè)交易日）、階段二（熊市，2015年6月18日～2016年1月28日，共152個(gè)交易日）、階段三（震蕩市，2016年1月29日～2017年10月30日，共426個(gè)交易日）。各階段數(shù)據(jù)描述性統(tǒng)計(jì)分析如下：

由表1描述性統(tǒng)計(jì)分析可知，債市的波動(dòng)遠(yuǎn)小于股市。J-B統(tǒng)計(jì)量在1%水平下顯著，表明任意階段兩種指數(shù)收益率均不服從正態(tài)分布；同時(shí)由偏度和峰度值可知，收益率表現(xiàn)出顯著的有偏的尖峰厚尾的特征。

由下圖及圖1來看，在每個(gè)階段股市的波動(dòng)均強(qiáng)于債市的波動(dòng)性，即從單個(gè)市場(chǎng)的角度股市的風(fēng)險(xiǎn)相對(duì)來說高于債市；同時(shí)根據(jù)兩個(gè)市場(chǎng)波動(dòng)性出現(xiàn)的頻率來看，兩個(gè)市場(chǎng)之間表現(xiàn)出較高的相關(guān)性。

對(duì)于相關(guān)性，可以看出雖然波動(dòng)幅度不同，但股債兩市波動(dòng)趨勢(shì)相對(duì)一致。此外，收益率時(shí)間序列圖還反映了序列的波動(dòng)集聚性特征，即在一個(gè)大波動(dòng)后面往往跟著另一個(gè)大波動(dòng)，同樣一個(gè)小波動(dòng)后面亦跟隨著另一個(gè)小波動(dòng)。

4.2 單位根檢驗(yàn)

SV類模型均隱含了一個(gè)假設(shè)，即要求所選時(shí)間序列必須為平穩(wěn)序列，因此在利用時(shí)間序列建模時(shí)首先應(yīng)先對(duì)其平穩(wěn)性進(jìn)行檢驗(yàn)，以使模型結(jié)果更為精確。利用Eviews軟件對(duì)上述8列收益率序列進(jìn)行單位根檢驗(yàn)，其結(jié)果如下表2所示。

由ADF檢驗(yàn)值和P一值可知，在三個(gè)不同階段，兩種收益率序列均在1%顯著水平下拒絕原假設(shè)，即收益率序列均是嚴(yán)格平穩(wěn)的。同時(shí)，根據(jù)ADF檢驗(yàn)輸出結(jié)果可知，在建模時(shí)最佳滯后階數(shù)為1。

4.3 格蘭杰因果檢驗(yàn)

為研究股市和債市的收益率之間是否存在這必然的因果關(guān)系，本文將對(duì)股票市場(chǎng)和債券市場(chǎng)收益率序列基于VAR模型進(jìn)行格蘭杰因果檢驗(yàn)，其中VAR模型基本設(shè)定如下所示

R1，t=c1+α1R1，t-1+β1R2，t-1+ε1，t （5.1）

R2，t=c2+α2R1，t-1+β2R2，t-1+ε2，t （5.2）

由參數(shù)估計(jì)結(jié)果可知，在不同市場(chǎng)行情下股票市場(chǎng)歷史行情對(duì)股債兩市市場(chǎng)行情均有顯著影響，且除去階段二（熊市）階段對(duì)債市的影響外，其余時(shí)段均表現(xiàn)為正相關(guān)關(guān)系。而債市方面，則表現(xiàn)不同。在牛市、熊市及總體階段上，債券市場(chǎng)的歷史行情對(duì)股票市場(chǎng)的影響均表現(xiàn)為統(tǒng)計(jì)意義上的不顯著。就整個(gè)估計(jì)區(qū)間行情來看，股債兩市間的影響方向與階段一（牛市）行情影響相同。

在VAR模型回歸結(jié)果基礎(chǔ)上，運(yùn)用格蘭杰因果關(guān)系檢驗(yàn)對(duì)收益率序列的因果關(guān)系進(jìn)行分析研究。利用軟件進(jìn)行分析結(jié)果如下表4所示。由格蘭杰因果檢驗(yàn)結(jié)果可知，在階段一（牛市），F(xiàn)統(tǒng)計(jì)量和P-值結(jié)果均表明在1%顯著性水平下均拒絕原假設(shè)，即表明股票市場(chǎng)和債券市場(chǎng)間均存在著雙向收益率傳導(dǎo)關(guān)系。另外，在階段二（熊市），F(xiàn)統(tǒng)計(jì)量和P-值結(jié)果均表明在10%顯著性水平下，R2是R1的格蘭杰原因，即債券市場(chǎng)對(duì)股票市場(chǎng)存在弱傳導(dǎo)效應(yīng)。震蕩市階段及總體估計(jì)區(qū)間內(nèi)，股票市場(chǎng)和債券市場(chǎng)均不存在傳導(dǎo)效應(yīng)。

4.4 MSV模型

本文主要將在MSV模型的波動(dòng)率方程中引入馬爾科夫鏈模擬未來行情波動(dòng)，采用吉布斯（Gibbs）抽樣方法進(jìn)行蒙特卡羅（MCMC）方法模擬從而實(shí)現(xiàn)模型的動(dòng)態(tài)模擬。根據(jù)金融市場(chǎng)的實(shí)際情況以及SV模型的約束對(duì)模型做出如下假設(shè)：

假設(shè)1：相同市場(chǎng)的均值方程擾動(dòng)項(xiàng)與波動(dòng)方程的擾動(dòng)項(xiàng)不相關(guān)，不同市場(chǎng)間的均值方程擾動(dòng)項(xiàng)不相關(guān)，不同市場(chǎng)間的波動(dòng)方程擾動(dòng)項(xiàng)不相關(guān)。

假設(shè)2：風(fēng)險(xiǎn)傳染方程的擾動(dòng)項(xiàng)與均值方程的擾動(dòng)項(xiàng)不相關(guān)，風(fēng)險(xiǎn)傳染方程的擾動(dòng)項(xiàng)與波動(dòng)方程的擾動(dòng)項(xiàng)不相關(guān)。

鑒于股市和債市的二元結(jié)構(gòu)，建立兩市場(chǎng)滯后一階的MSV模型均值方程如下所示

Y1，t=u1+λ11Y1，t-1+λ1Y2，t-1+eh11，t2ε1，t （5.4）

Y2，t=u2+λ12Y1，t-1+λ22Y2，t-1+eh22，t2ε2，t （5.5）

波動(dòng)率方程如下所示

h11，t=，011+bllh11，t-l+b21h21，t-1+Q112，q11，t （5.6）

h22，t=，622+b22h22，t-l+b12h12，t-1+Q222rI22，t （5.7）

風(fēng)險(xiǎn)傳染方程如下所示

h12，t=υ12+c12h12，t-1+d11h11，t-1+d22h22，t-1+σ122η12，t

（5 .8）

h21，t=，621+c21h21，t-1+c11h11，t-1+c22h22，t-1+σ2127η21，t

（5.9）

進(jìn)行MCMC模擬估計(jì)，將先驗(yàn)分布設(shè)置為σij2～I(xiàn)nverse Gam-ma（2.5，0.025）分布，bij*、cij*、cii*、dii*～Beta（20，1.5），其中，bij*=（bij+1）2，cij*=（cij+1）2，cii*=（cii+1）2，dii*=（dii+1）2，ui，λij、αij～N（0，0.0001）。所有先驗(yàn)分布均相互獨(dú)立。

由于模型著重對(duì)相關(guān)系數(shù)的分析，本文只列出了風(fēng)險(xiǎn)傳染方程中入LL（前期股票市場(chǎng)收益的影響系數(shù)，λ21（前期債券市場(chǎng)收益的影響系數(shù)）、b11b22（波動(dòng)方程中前期本市場(chǎng)收益波動(dòng)系數(shù)）、b12b21（波動(dòng)方程中其他市場(chǎng)收益波動(dòng)系數(shù)）、c12c21（風(fēng)險(xiǎn)傳染方程中的前期風(fēng)險(xiǎn)傳染項(xiàng)系數(shù)）、c11c22d11d22（風(fēng)險(xiǎn)傳染方程本市場(chǎng)已實(shí)現(xiàn)收益的波動(dòng)系數(shù)）進(jìn)行研究分析。

從表5中各個(gè)參數(shù)的估計(jì)結(jié)果可以看出，階段三震蕩市期間及總體樣本區(qū)間兩市場(chǎng)間收益均值溢出效應(yīng)不明顯，故省略討論。同一時(shí)間段牛市前后股債兩市之間存在顯著的均值溢出，即λ12、λ21估計(jì)值不為0。同時(shí)根據(jù)跨階段系數(shù)符號(hào)變化，危機(jī)的沖擊使債市對(duì)股市收益的影響由正變負(fù)，股市對(duì)債市收益的影響由負(fù)變正。而這也符合現(xiàn)實(shí)中經(jīng)濟(jì)規(guī)律，牛市的到來使股票市場(chǎng)行情變好，理性投資者為追求利益會(huì)增大股票持有量，減少債券投資；危機(jī)發(fā)生時(shí)，股票市場(chǎng)行情下挫，投資者相應(yīng)地會(huì)將資金由股市轉(zhuǎn)移到債市。其次，從波動(dòng)方程系數(shù)看，階段一牛市時(shí)股市的收益波動(dòng)（即風(fēng)險(xiǎn)）與前期債券市場(chǎng)的風(fēng)險(xiǎn)傳染（b21）成正比，而階段二熊市時(shí)兩者則成反比關(guān)系；這意味著牛市結(jié)束后，債券市場(chǎng)的波動(dòng)會(huì)使股市波動(dòng)減弱。對(duì)于債券市場(chǎng)來說，危機(jī)的產(chǎn)生使其市場(chǎng)收益波動(dòng)與本市場(chǎng)前期的收益波動(dòng)的相關(guān)性（b22）由負(fù)變正。最后，由風(fēng)險(xiǎn)傳染方程的系數(shù)來看，危機(jī)的出現(xiàn)改變最明顯的是風(fēng)險(xiǎn)傳染項(xiàng)與已實(shí)現(xiàn)收益波動(dòng)之間的關(guān)系。危機(jī)發(fā)生前，股票市場(chǎng)和債券市場(chǎng)間風(fēng)險(xiǎn)傳染項(xiàng)均與前期股市的收益波動(dòng)（c11、d11）呈正相關(guān)，與債市收益波動(dòng)（c22、d22）呈負(fù)相關(guān)；危機(jī)發(fā)生后，則呈現(xiàn)相反的關(guān)系。這也就是說，危機(jī)的產(chǎn)生影響了風(fēng)險(xiǎn)傳染項(xiàng)的系數(shù)，改變了市場(chǎng)間波動(dòng)對(duì)風(fēng)險(xiǎn)傳染項(xiàng)影響的方向和大小。

同時(shí)從上表來看，危機(jī)的產(chǎn)生對(duì)債券市場(chǎng)和股票市場(chǎng)的相關(guān)性影響較為明顯。牛市后兩個(gè)市場(chǎng)的均值溢出效應(yīng)產(chǎn)生了改變，說明風(fēng)險(xiǎn)在兩個(gè)市場(chǎng)間發(fā)生了傳染。波動(dòng)方程和風(fēng)險(xiǎn)傳染方程則進(jìn)一步解釋了造成風(fēng)險(xiǎn)波動(dòng)和市場(chǎng)間風(fēng)險(xiǎn)傳染的因素，從另一方面驗(yàn)證了風(fēng)險(xiǎn)傳染的發(fā)生。

5 結(jié)論與建議

本文選取2014年3月—2017年10月上證綜指和上證國債指數(shù)的對(duì)數(shù)收益對(duì)股市和債市間的風(fēng)險(xiǎn)傳染測(cè)度進(jìn)行研究。通過對(duì)樣本數(shù)據(jù)描述性統(tǒng)計(jì)分析和模型分析，最終得到結(jié)論如下（1）股票市場(chǎng)和債券市場(chǎng)收益率序列均表現(xiàn)出波動(dòng)聚集性、尖峰厚尾的特征；（2）股債兩市之間的風(fēng)險(xiǎn)傳染效應(yīng)在牛市行情下表現(xiàn)最為明顯；具體而言，在牛市行情下股票市場(chǎng)對(duì)債券市場(chǎng)的傳染效應(yīng)要強(qiáng)于債券市場(chǎng)對(duì)股票市場(chǎng)的傳染效應(yīng)。

基于本文的研究，對(duì)我國的風(fēng)險(xiǎn)管理部門提出的政策建議如下：首先，資本市場(chǎng)是一個(gè)整體，建立一個(gè)資金多層次自由流動(dòng)、大容量的金融市場(chǎng)的需求愈發(fā)迫切。其次，不管是在制定實(shí)施相關(guān)市場(chǎng)管理政策，還是在建立完善風(fēng)險(xiǎn)預(yù)警管理機(jī)制方面，監(jiān)管部門都應(yīng)充分考慮不同市場(chǎng)間風(fēng)險(xiǎn)傳染的存在。最后，我國應(yīng)該加強(qiáng)資本市場(chǎng)改革，建立完善的信息傳導(dǎo)機(jī)制，有效降低信息成本，從而降低金融市場(chǎng)的大起大落的可能，維護(hù)市場(chǎng)秩序，從而達(dá)到保障投資者權(quán)益的目的。

參考文獻(xiàn)：

[1]Keim，D. B.，Stambaugh R. F.，Predicting Returns in the Stock andBondMarkets[J].Journal of Financial Economics，1986，17（2）：357-390

[2]Baur D.G.，Stock-Bond Co-Movements and Cross-CountryLinkages[J].International Journal of Banking，Accounting and Finance，2010，2（2）：111-129

[3]Papavassiliou V.G.，Cross-Asset Contagion in Times ofStress[J].Jour-nal of Economics and Business，2014（76）：133-139

[4]王璐，龐瞧.中國股市和債市波動(dòng)溢出效應(yīng)的MV-GARCH分析[J].數(shù)理統(tǒng)計(jì)與管理，2009，28（1）：152-158

[5]許祥云，廖佳，吳松洋.金融危機(jī)前后的中國股債關(guān)系分析——基于市場(chǎng)情緒變化的解釋視角[J].經(jīng)濟(jì)評(píng)論，2014（1）：130-140

[6]鄭振龍，楊偉.金融資產(chǎn)收益動(dòng)態(tài)相關(guān)性：基于DCC多元變量GARCH模型的實(shí)證研究[J].當(dāng)代財(cái)經(jīng)，2012，（07）：41-49

[7]袁晨，傅強(qiáng).我國金融市場(chǎng)間投資轉(zhuǎn)移和市場(chǎng)傳染的階段時(shí)變特征——股票與債券、黃金間關(guān)聯(lián)性的實(shí)證分析[J].系統(tǒng)工程，2010，28（5）：1-7