论文部分内容阅读
摘 要：采用DCC-MVGARCH模型对2000年1月1日至2014年6月30日之间的大陆、香港和台湾三个地区的股票市场之间的联动性进行了动态分析。实证结果表明，大陆与香港、台湾股市之间的联动性均呈现增强的趋势，但大陆与香港股市之间的联动性高于大陆与台湾股市之间的联动性;香港与台湾股市之间的联动性虽然没有呈现增强的趋势，但其相关程度较高，且波动明显。
关键词：DCC-MVGARCH模型;联动性;股票市场
中图分类号：F830 文献标志码：A 文章编号：1673-291X（2014）31-0116-05
在全球金融市场中，不同的子市场之间经常存在价格或波动的相关关系，随着全球一体化程度的不断推进，这种相关关系日趋紧密。长期以来，中国大陆、香港和台湾地区的股票市场的发展相对独立，大陆股票市场的发展起步较晚，但是，随着大陆股票市场发展的日趋成熟化，大陆股票市场与香港、台湾股票市场之间的联系也在逐步加深。
一、文献综述
自20世纪80年代开始，国内外学者开始对金融市场的相关关系进行研究。Eun和Shim [1]（1989）以1979年12月31日至1985年12月20日期间的1 560笔股票市场日交易资料为样本，利用VAR模型对美国、英国等9个股票市场价格指数的波动性进行研究，探讨了国际股市之间的联动性。Lee和Kim[2]（1993）研究了1987年股灾期间12个国家股票市场之间的关系，研究发现股市指数的相关系数值从0.23升至0.39，说明股票市场之间存在相互传染。Calvo和Reinhart[3]（1996）研究了1994年12月墨西哥危机前后新兴市场间相关关系的变化情况，研究结果表明，危机后，新兴国家之间的相关系数有了比较大的提高，说明了新兴国家股票市场之间存在金融传染。
中国股市联动性的相关文献主要体现在两个方面：一是研究中国股市与外部股市的联动性，二是对中国股市内部进行联动性分析。洪永淼等[4]（2004）利用风险—Granger因果关系检验和GARCH族模型，选取中国内地、香港、台湾、新加坡、韩国等12个有代表性的股票市场价格指数，分析了中国A股、B股、H股之间，以及中国与世界其他各国股市之间是否存在风险溢出效应。王群勇和王国忠[5]（2005）运用向量自回归模型和多元GARCH模型研究了中国沪市A、B股之间的信息传递模式和均值溢出效应，该研究发现沪市A、B股市场之间仅存在A股市场对B股市场仅存在由A股到B股的单向信息的传递，这种单向信息传递存在的主要原因是市场微观结构中投资者差异和信息不对称。谷耀和陆丽娜[6]（2006）运用DCC-（BV）EGARCH-VAR的方法分析研究了中国沪、深、港三地股票市场收益与波动溢出效应和动态相关性，这种方法的特点是可以有效克服多个金融市场波动之间的自相关性。用这种方法得到的结论是，香港股票市场的波动会产生对境内股票市场的波动溢出效应。董秀良和吴仁水[7]（2008）利用DCC-MVGARCH模型对中国沪深A、B股市场之间的动态相关性进行了考察，研究发现，沪深两市A、B股之间存在正相关关系，但整体来看，该动态相关系数相对较低，市场分割明显，但随着时间变化呈现一体化的趋势。张兵、范致镇和李心丹[8]（2010）以2001年12月12日至2009年1月23日上证指数与道琼斯指数的日交易数据检验了中美股市的联动特征，检验结果显示，中国股市与美国股市不存在长期的均衡关系：中国股市对美国股市的波动溢出效应不明显，在QDII实施之后，美国股市对中国股市具有波动溢出效应，且不断增强。何红霞和胡日东[9]（2011）采用非对称BEKK-GARCH模型研究了深圳、香港、台湾三地股票市场之间的短期波动溢出效应，研究发现中国大陆股市和香港、台湾股市有双向的信息传递。丁振辉和徐瑾[10]（2013）运用GARCH-M模型研究了上海股市和香港股市之间的联动关系，结果显示，两大股市存在相互影响的联动关系，但是上海对香港股市的影响要强于香港对上海股市的影响。
通过对国内外关于股票市场联动性的现有文献进行梳理，发现国内外学者对于股票市场之间的联动性已经做了很多研究。本文立足于中国，针对2000年以来大陆股票市场与香港、台湾股票市场之间的联动性进行研究，以期能为中国股市的政策制定者、监管机构和投资者提供支持。
二、研究方法介绍
为了更准确地研究大陆、香港和台湾地区股票市场之间波动的相关性，文章利用目前时间序列动态相关性常用的DCC-MVGARCH模型，该模型是由Engle和Sheppard[11]（2001）在CCC-MVGARCH的基础上提出的，它放宽了相关系数为常数的假设，允许相关系数矩阵R随时间t变动，即相关系数矩阵R具有时变特征。
假设有k种资产，其收益率rt的新息{et}为独立同分布的白噪声过程，则动态相关结构可以设定为：
rt=ut+et
et|Ωt-1～N（0，Ht）
Ht=DtRtDt
Qt=（1-■αm-■βn）Q+■αm（εt-mεT t-m）+■βnQt-n
Q=T-1■εtε′t
Rt=diag（Qt）-1Qtdiag（Qt）-1
其中，Ωt-1是rt在时刻t的信息集，Q为标准化残差的无条件方差矩阵，Rt为动态相关系数矩阵，Dt=diag（hit），hit=ωi+■αipe2 i，t-p+■βiqe2 i，t-q，εt=D-1tet为向量标准化残差。αm和βn为DCC模型的系数（m和n为滞后阶数）。
DCC-MVGARCH模型的估计方法一般通过两步来实现：第一步，估计要研究的时间序列的单变量GARCH模型，得到条件方差，进而计算出标准化残差，第二步，采用极大似然方法估计动态相关系数。 三、变量选择和数据描述
（一）数据来源
文章选取上证综合指数（SHI）、香港恒生指数（HSI）和台湾加权指数（TWII）的日收盘价作为研究对象，分别代表大陆、香港和台湾的股票市场的发展状况。数据时间范围为2000年1月1日至2014年6月30日，剔除样本内股票市场不匹配的情形（节假日导致），最终筛选得到有效配对数据共计3 078个。则股票市场收益率R可表示为：
Ri，t=100×ln（Pi，t /Pi，t-1）
式中，i=1，2，3，分别表示大陆、香港、台湾的股票市场，Pi，t 为市场i第t期的收盘价。
（二）描述性统计分析
大陆、香港、台湾股票市场收益率的基本描述性统计（见表1）。标准差结果显示，大陆股市波动性最大，香港次之，台湾股市波动性最小，但整体差别不明显;偏度结果显示，大陆和香港股市收益率的偏度大于0，是右偏分布，台湾股市收益率的偏度小于0，是左偏分布;峰度结果显示三个地区股市收益率序列均呈现尖峰厚尾的特点，J-B统计量结果表明三个股票市场收益率序列均不服从正态分布。
表2显示了三个地区股票市场收益率的相关系数。全样本数据的相关系数显示，大陆股市与香港、台湾股市的相关系数分别是0.37837和0.20951，显示出较弱的相关性，而香港与台湾股市的相关性较强，相关系数为0.53683。为了进一步说明三个地区股市相关性的变化趋势，分别测算2008年前后的三个地区股市的相关性，结果显示，大陆股市与香港股市的相关系数从2008年之前的0.20604变为2008年之后的0.52273，大陆股市与台湾股市的相关系数也从2008年之前的0.08559变为2008年之后的0.36567，这在一定程度上说明了经过近几年的发展，大陆股市与香港、台湾股市的联系在逐步增强。 四、实证分析和结果
（一）平稳性、自相关及ARCH效应检验
文章分别对大陆、香港和台湾股票市场的收益率序列进行平稳性、自相关和ARCH效应检验，结果（见表3）。
从表3可以看出，大陆、香港和台湾股票市场收益率序列均通过了平稳性检验，且Ljung-Box Q检验结果表明：（1）大陆和香港股票市场收益率序列不存在自相关现象，而台湾股票市场收益率序列存在自相关现象;（2）大陆、香港和台湾股票市场收益率平方序列具有显著的自相关现象，说明收益率序列波动聚集效应显著。同时ARCH效应检验结果表明三个地区股票市场收益率序列存在ARCH效应，根据AIC准则，发现使用GARCH（1，1）模型来估计三个地区股市的收益率序列是比较合适的。
表4中α表示现有信息对下一期波动性的影响力程度，α值越高说明该股票市场对新信息的敏感度越高，参数估计结果显示，大陆、香港和台湾股票市场的α值都较低。α+β表示股票市场收益率波动的维持性，用来衡量现有波动性趋势的消失速度，其值越接近于1，表明波动性趋势的持续时间越长，由此可知大陆、香港和台湾股票市场波动性的持续性均较长，且没有明显差异。
（二）DCC-MVGARCH模型估计结果
文章利用DCC（1，1）-MVGARCH（1，1）模型分别估计大陆、香港和台湾股票时间两两之间的动态相关性，通过R软件编程得到三地股票市场动态条件相关系数走势图。
图1显示的是2000年1月1日至2014年6月30日的大陆股市与香港股市动态条件相关系数的走势图，可以发现，大陆股市与香港股市的动态相关系数在多数时间内都大于0，尤其在美国金融危机发生后，大陆与香港股市的动态相关系数呈现出明显的上升趋势，且超过了0.5。
图2显示的是2000年1月1日至2014年6月30日的大陆股市与台湾股市动态条件相关系数的走势图，可以发现，大陆股市与台湾股市的动态相关系数呈现出动态上升的趋势，但其在上升的同时却呈现较大的波动性。
图3显示的是2000年1月1日至2014年6月30日的香港股市与台湾股市动态条件相关系数的走势图，可以发现，香港股市与台湾股市的动态相关系数存在大幅波动且趋势不明显，但相关系数整体较高，大都在0.6附近波动。
五、结论
本文以上证综合指数、香港恒生指数和台湾加权指数的日收盘价为研究对象，采用DCC-MVGARCH模型，考察了大陆、香港和台湾股票市场之间的动态相关性，根据实证结果，可以得到如下结论：
第一，大陆与香港股市之间的联动性呈现明显加强的趋势，尤其在美国金融危机之后，大陆与香港两地的股市之间的相关性达到了0.5以上，说明经过了证券市场改革和经济的快速发展之后，中国大陆股票市场与香港股票市场之间的联动关系正在逐步增强。
第二，大陆与台湾股市之间的联动性虽然整体上存在增强的趋势，但同时却显示出较大的波动性。整体来看，大陆与台湾股市之间的联动性却没有大陆与香港股市之间的联动性强，其相关系数大都在0.5以下。
第三，香港与台湾股市之间的联动性最高，虽然没有呈现明显的变化趋势，但却表现出较大幅度的波动。
基于本文的实证结果分析可知，中国大陆与香港、台湾股票市场之间的联动效应均呈现增强的趋势，大陆股市正逐步改善以前相对独立的状态。这对于政策制定者、监管机构等都具有重要的意义。
参考文献：
[1] Cheol S.Eun & Sangdal Shim.International Transmission of Stock Market Movements[J].Journal of Financial and Quantitative Analysis，
1989，24（2）：241-256.
[2] Lee，S.B.，& Kim，K.J.Does the October 1987 crash strengthen the co-movements among national stocks markets？[J].Review of Financial Economics，1993，3（1）：89-102.
[3] Calvo，Sara & Reinhart，Garmen.Capital flows to Latin America：Is there evidence of contagion effects？[R].Policy Research Working
Paper Series 1619，1996.
[4] 洪永淼，成思危，刘艳辉，汪寿阳.中国股市与世界其他股市之间的大风险溢出效应[J].经济学（季刊），2004，（3）：24.
[5] 王群勇，王国忠.沪市A、B股市场间信息传递模式研究[J].现代财经—天津财经学院学报，2005，（6）：25-29.
[6] 谷耀，陆丽娜.沪、深、港股市信息溢出效应与动态相关性——基于DCC-（BV）EGARCH-VAR的检验[J].数量经济技术经济研究，
2006，（8）：142-151.
[7] 董秀良，吴仁水.基于DCC-MGARCH模型的中国A、B股市场相关性及其解释[J].中国软科学，2008，（7）：125-133.
[8] 张兵，范致镇，李心丹.中美股票市场的联动性研究[J].经济研究，2010，（11）：141-151.
[9] 何红霞，胡日东.大中华区股市波动溢出效应实证研究——基于多元非对称BEKK-GARCH模型[J].重庆科技学院学报（社会科
学版），2011，（10）：139-143.
[10] 丁振辉，徐瑾.上海和香港两地股市联动性研究——基于GARCH模型的分析[J].金融发展研究，2013，（5）：20-25.
[11] Robert F.Engle & Kevin Sheppard.Theoretical and Empirical properties of Dynamic Conditional Correlation Multivariate GARCH[R].
NBER Working Paper Series 8554，2001.
[12] 吕亮雯.DCC-MVGARCH模型计算方法研究及在金融市场中的应用[D].广州：暨南大学，2006.[责任编辑 吴明宇]
关键词：DCC-MVGARCH模型;联动性;股票市场
中图分类号：F830 文献标志码：A 文章编号：1673-291X（2014）31-0116-05
在全球金融市场中，不同的子市场之间经常存在价格或波动的相关关系，随着全球一体化程度的不断推进，这种相关关系日趋紧密。长期以来，中国大陆、香港和台湾地区的股票市场的发展相对独立，大陆股票市场的发展起步较晚，但是，随着大陆股票市场发展的日趋成熟化，大陆股票市场与香港、台湾股票市场之间的联系也在逐步加深。
一、文献综述
自20世纪80年代开始，国内外学者开始对金融市场的相关关系进行研究。Eun和Shim [1]（1989）以1979年12月31日至1985年12月20日期间的1 560笔股票市场日交易资料为样本，利用VAR模型对美国、英国等9个股票市场价格指数的波动性进行研究，探讨了国际股市之间的联动性。Lee和Kim[2]（1993）研究了1987年股灾期间12个国家股票市场之间的关系，研究发现股市指数的相关系数值从0.23升至0.39，说明股票市场之间存在相互传染。Calvo和Reinhart[3]（1996）研究了1994年12月墨西哥危机前后新兴市场间相关关系的变化情况，研究结果表明，危机后，新兴国家之间的相关系数有了比较大的提高，说明了新兴国家股票市场之间存在金融传染。
中国股市联动性的相关文献主要体现在两个方面：一是研究中国股市与外部股市的联动性，二是对中国股市内部进行联动性分析。洪永淼等[4]（2004）利用风险—Granger因果关系检验和GARCH族模型，选取中国内地、香港、台湾、新加坡、韩国等12个有代表性的股票市场价格指数，分析了中国A股、B股、H股之间，以及中国与世界其他各国股市之间是否存在风险溢出效应。王群勇和王国忠[5]（2005）运用向量自回归模型和多元GARCH模型研究了中国沪市A、B股之间的信息传递模式和均值溢出效应，该研究发现沪市A、B股市场之间仅存在A股市场对B股市场仅存在由A股到B股的单向信息的传递，这种单向信息传递存在的主要原因是市场微观结构中投资者差异和信息不对称。谷耀和陆丽娜[6]（2006）运用DCC-（BV）EGARCH-VAR的方法分析研究了中国沪、深、港三地股票市场收益与波动溢出效应和动态相关性，这种方法的特点是可以有效克服多个金融市场波动之间的自相关性。用这种方法得到的结论是，香港股票市场的波动会产生对境内股票市场的波动溢出效应。董秀良和吴仁水[7]（2008）利用DCC-MVGARCH模型对中国沪深A、B股市场之间的动态相关性进行了考察，研究发现，沪深两市A、B股之间存在正相关关系，但整体来看，该动态相关系数相对较低，市场分割明显，但随着时间变化呈现一体化的趋势。张兵、范致镇和李心丹[8]（2010）以2001年12月12日至2009年1月23日上证指数与道琼斯指数的日交易数据检验了中美股市的联动特征，检验结果显示，中国股市与美国股市不存在长期的均衡关系：中国股市对美国股市的波动溢出效应不明显，在QDII实施之后，美国股市对中国股市具有波动溢出效应，且不断增强。何红霞和胡日东[9]（2011）采用非对称BEKK-GARCH模型研究了深圳、香港、台湾三地股票市场之间的短期波动溢出效应，研究发现中国大陆股市和香港、台湾股市有双向的信息传递。丁振辉和徐瑾[10]（2013）运用GARCH-M模型研究了上海股市和香港股市之间的联动关系，结果显示，两大股市存在相互影响的联动关系，但是上海对香港股市的影响要强于香港对上海股市的影响。
通过对国内外关于股票市场联动性的现有文献进行梳理，发现国内外学者对于股票市场之间的联动性已经做了很多研究。本文立足于中国，针对2000年以来大陆股票市场与香港、台湾股票市场之间的联动性进行研究，以期能为中国股市的政策制定者、监管机构和投资者提供支持。
二、研究方法介绍
为了更准确地研究大陆、香港和台湾地区股票市场之间波动的相关性，文章利用目前时间序列动态相关性常用的DCC-MVGARCH模型，该模型是由Engle和Sheppard[11]（2001）在CCC-MVGARCH的基础上提出的，它放宽了相关系数为常数的假设，允许相关系数矩阵R随时间t变动，即相关系数矩阵R具有时变特征。
假设有k种资产，其收益率rt的新息{et}为独立同分布的白噪声过程，则动态相关结构可以设定为：
rt=ut+et
et|Ωt-1～N（0，Ht）
Ht=DtRtDt
Qt=（1-■αm-■βn）Q+■αm（εt-mεT t-m）+■βnQt-n
Q=T-1■εtε′t
Rt=diag（Qt）-1Qtdiag（Qt）-1
其中，Ωt-1是rt在时刻t的信息集，Q为标准化残差的无条件方差矩阵，Rt为动态相关系数矩阵，Dt=diag（hit），hit=ωi+■αipe2 i，t-p+■βiqe2 i，t-q，εt=D-1tet为向量标准化残差。αm和βn为DCC模型的系数（m和n为滞后阶数）。
DCC-MVGARCH模型的估计方法一般通过两步来实现：第一步，估计要研究的时间序列的单变量GARCH模型，得到条件方差，进而计算出标准化残差，第二步，采用极大似然方法估计动态相关系数。 三、变量选择和数据描述
（一）数据来源
文章选取上证综合指数（SHI）、香港恒生指数（HSI）和台湾加权指数（TWII）的日收盘价作为研究对象，分别代表大陆、香港和台湾的股票市场的发展状况。数据时间范围为2000年1月1日至2014年6月30日，剔除样本内股票市场不匹配的情形（节假日导致），最终筛选得到有效配对数据共计3 078个。则股票市场收益率R可表示为：
Ri，t=100×ln（Pi，t /Pi，t-1）
式中，i=1，2，3，分别表示大陆、香港、台湾的股票市场，Pi，t 为市场i第t期的收盘价。
（二）描述性统计分析
大陆、香港、台湾股票市场收益率的基本描述性统计（见表1）。标准差结果显示，大陆股市波动性最大，香港次之，台湾股市波动性最小，但整体差别不明显;偏度结果显示，大陆和香港股市收益率的偏度大于0，是右偏分布，台湾股市收益率的偏度小于0，是左偏分布;峰度结果显示三个地区股市收益率序列均呈现尖峰厚尾的特点，J-B统计量结果表明三个股票市场收益率序列均不服从正态分布。
表2显示了三个地区股票市场收益率的相关系数。全样本数据的相关系数显示，大陆股市与香港、台湾股市的相关系数分别是0.37837和0.20951，显示出较弱的相关性，而香港与台湾股市的相关性较强，相关系数为0.53683。为了进一步说明三个地区股市相关性的变化趋势，分别测算2008年前后的三个地区股市的相关性，结果显示，大陆股市与香港股市的相关系数从2008年之前的0.20604变为2008年之后的0.52273，大陆股市与台湾股市的相关系数也从2008年之前的0.08559变为2008年之后的0.36567，这在一定程度上说明了经过近几年的发展，大陆股市与香港、台湾股市的联系在逐步增强。 四、实证分析和结果
（一）平稳性、自相关及ARCH效应检验
文章分别对大陆、香港和台湾股票市场的收益率序列进行平稳性、自相关和ARCH效应检验，结果（见表3）。
从表3可以看出，大陆、香港和台湾股票市场收益率序列均通过了平稳性检验，且Ljung-Box Q检验结果表明：（1）大陆和香港股票市场收益率序列不存在自相关现象，而台湾股票市场收益率序列存在自相关现象;（2）大陆、香港和台湾股票市场收益率平方序列具有显著的自相关现象，说明收益率序列波动聚集效应显著。同时ARCH效应检验结果表明三个地区股票市场收益率序列存在ARCH效应，根据AIC准则，发现使用GARCH（1，1）模型来估计三个地区股市的收益率序列是比较合适的。
表4中α表示现有信息对下一期波动性的影响力程度，α值越高说明该股票市场对新信息的敏感度越高，参数估计结果显示，大陆、香港和台湾股票市场的α值都较低。α+β表示股票市场收益率波动的维持性，用来衡量现有波动性趋势的消失速度，其值越接近于1，表明波动性趋势的持续时间越长，由此可知大陆、香港和台湾股票市场波动性的持续性均较长，且没有明显差异。
（二）DCC-MVGARCH模型估计结果
文章利用DCC（1，1）-MVGARCH（1，1）模型分别估计大陆、香港和台湾股票时间两两之间的动态相关性，通过R软件编程得到三地股票市场动态条件相关系数走势图。
图1显示的是2000年1月1日至2014年6月30日的大陆股市与香港股市动态条件相关系数的走势图，可以发现，大陆股市与香港股市的动态相关系数在多数时间内都大于0，尤其在美国金融危机发生后，大陆与香港股市的动态相关系数呈现出明显的上升趋势，且超过了0.5。
图2显示的是2000年1月1日至2014年6月30日的大陆股市与台湾股市动态条件相关系数的走势图，可以发现，大陆股市与台湾股市的动态相关系数呈现出动态上升的趋势，但其在上升的同时却呈现较大的波动性。
图3显示的是2000年1月1日至2014年6月30日的香港股市与台湾股市动态条件相关系数的走势图，可以发现，香港股市与台湾股市的动态相关系数存在大幅波动且趋势不明显，但相关系数整体较高，大都在0.6附近波动。
五、结论
本文以上证综合指数、香港恒生指数和台湾加权指数的日收盘价为研究对象，采用DCC-MVGARCH模型，考察了大陆、香港和台湾股票市场之间的动态相关性，根据实证结果，可以得到如下结论：
第一，大陆与香港股市之间的联动性呈现明显加强的趋势，尤其在美国金融危机之后，大陆与香港两地的股市之间的相关性达到了0.5以上，说明经过了证券市场改革和经济的快速发展之后，中国大陆股票市场与香港股票市场之间的联动关系正在逐步增强。
第二，大陆与台湾股市之间的联动性虽然整体上存在增强的趋势，但同时却显示出较大的波动性。整体来看，大陆与台湾股市之间的联动性却没有大陆与香港股市之间的联动性强，其相关系数大都在0.5以下。
第三，香港与台湾股市之间的联动性最高，虽然没有呈现明显的变化趋势，但却表现出较大幅度的波动。
基于本文的实证结果分析可知，中国大陆与香港、台湾股票市场之间的联动效应均呈现增强的趋势，大陆股市正逐步改善以前相对独立的状态。这对于政策制定者、监管机构等都具有重要的意义。
参考文献：
[1] Cheol S.Eun & Sangdal Shim.International Transmission of Stock Market Movements[J].Journal of Financial and Quantitative Analysis，
1989，24（2）：241-256.
[2] Lee，S.B.，& Kim，K.J.Does the October 1987 crash strengthen the co-movements among national stocks markets？[J].Review of Financial Economics，1993，3（1）：89-102.
[3] Calvo，Sara & Reinhart，Garmen.Capital flows to Latin America：Is there evidence of contagion effects？[R].Policy Research Working
Paper Series 1619，1996.
[4] 洪永淼，成思危，刘艳辉，汪寿阳.中国股市与世界其他股市之间的大风险溢出效应[J].经济学（季刊），2004，（3）：24.
[5] 王群勇，王国忠.沪市A、B股市场间信息传递模式研究[J].现代财经—天津财经学院学报，2005，（6）：25-29.
[6] 谷耀，陆丽娜.沪、深、港股市信息溢出效应与动态相关性——基于DCC-（BV）EGARCH-VAR的检验[J].数量经济技术经济研究，
2006，（8）：142-151.
[7] 董秀良，吴仁水.基于DCC-MGARCH模型的中国A、B股市场相关性及其解释[J].中国软科学，2008，（7）：125-133.
[8] 张兵，范致镇，李心丹.中美股票市场的联动性研究[J].经济研究，2010，（11）：141-151.
[9] 何红霞，胡日东.大中华区股市波动溢出效应实证研究——基于多元非对称BEKK-GARCH模型[J].重庆科技学院学报（社会科
学版），2011，（10）：139-143.
[10] 丁振辉，徐瑾.上海和香港两地股市联动性研究——基于GARCH模型的分析[J].金融发展研究，2013，（5）：20-25.
[11] Robert F.Engle & Kevin Sheppard.Theoretical and Empirical properties of Dynamic Conditional Correlation Multivariate GARCH[R].
NBER Working Paper Series 8554，2001.
[12] 吕亮雯.DCC-MVGARCH模型计算方法研究及在金融市场中的应用[D].广州：暨南大学，2006.[责任编辑 吴明宇]