股市动态分析范文

引言：寻求写作上的突破？我们特意为您精选了4篇股市动态分析范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

主管单位：综合开发研究院（中国?深圳）证券研究所

主办单位：综合开发研究院;股份经济与证券市场研究所

出版周期：周刊

出版地址：广东省深圳市

语

种：中文

开

本：16开

国际刊号：1671-0401

国内刊号：44-1524/F

邮发代号：

发行范围：

创刊时间：1990

期刊收录：

核心期刊：

期刊荣誉：

联系方式

篇2

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.

篇3

中图分类号：S757.2文献标识码：B文章编号：16749944（2014）10004402

1引言

东台地处江苏中部平原，历史久远，境内气候温和，日照充足，各类树木品种较多，古树名木广为分布，有丰富资源。位置在富安镇农具厂内的古银杏树龄已达1130年，为境内最古老的珍贵树木。解放以来，特别是改革开放以来，东台市对保护古树名木做了不少的工作。据1987年全县古树名木调查结果显示，百年以上的大树有6棵，其中瓜子黄杨1棵，五谷树（雪柳）1棵，银杏4棵。许多濒临危急的古树得到了及时抢救，重新焕发了活力。2008年东台市林业部门结合森林资源调查对全市范围内的古树名木进行了重新调查摸底，为该市今后古树名木保护工作提出了一些建议。

4对策与建议

（1）摸清情况，建立档案，实行挂牌保护。东台市建设局和林业部门每隔3～5年要组织技术力量，根据相关技术要求，对全市的古树名木进行一次彻底的普查，摸清家底，登记造册，对每株古树名木实行编号挂牌保护，然后将相关资料输入电脑，进行电脑管理，建立健全档案。而且每年要求各镇林业部门、责任单位、个人对辖区内的古树名木进行检查，以便及时发现情况，及时补救。

（2）建立保护古树名木专项资金账户，用于古树名木的维护、防治等方面。古树名木的保护需要一定资金，将资金实行托管制度。这些资金必须专款专用，不得挪作它用。

（3）落实古树名木管理责任制。对古树名木实行统一管理，分级养护。确定一批古树名木管理员，签订责任书，专门负责对古树名木的监测、施肥、防治病虫害等日常管理工作。

（4）加强古树名木的教育宣传工作，提高群众的保护意识。充分利用电视、报刊、广播等新闻媒体宣传保护古树名木的重要性和必要性，让大家都来保护古树名木，提高广大人民群众保护古树名木的意识。参考文献：

篇4

中图分类号：F832 文献标识码：A 文章编号：1007-4392(2009)05-0003-03

我国沪深两大股票市场(下称“两市”)均处于相同的国内及国际宏观政治､经济背景下，其相关性程度的高低反应了我国股票市场成熟度的高低，其相关性的波动在一定程度上也可以反映出市场运行的动态风险。因而，对两市相关性的分析可以为市场成熟度的评价及市场运行风险的揭示提供一定的理论依据。

通过对我国两大股票市场综合指数运行过程的研究发现，上证综指与深圳综指的相关性过程具有变结构特征。为更好刻画它们之间的相关关系，采用自组织特征映射神经网络对相关关系序列进行聚类，找到变结构点。然后利用条件Copula对变结构点前后序列相关性进行时变建模。实证结果表明，经验动态相关性可以对市场风险加以体现，而内在动态相关性则会对市场发展的成熟度提供理论借鉴。

一､动态相关性理论

(一)条件copula

W为已知条件，F､G分别为随机变量X|W､Y|W的条件分布，H为(Y)|W的联合条件分布。假定F和G连续，则存在唯一的一个条件Copu-la，有

H(x，y|w)=C(F(x|w)，G(y|w)|w)， (x，y)∈R×R and each w∈W(1)

相反的，如果令F为X|W的条件分布，G为Y|W的条件分布，C为一个条件Copula，则由(1)式定义的条件分布H就是条件边际分布为F和G的二元条件联合分布。

同理，条件Copula的密度函数形式可以表示为

h(x，y|w)=f(x|w)，g(y|w)•c(u，v|w)，(x，y，w)∈R×R×W(2)

其中u=F(x|w)，v=G(y|w)，h(x，y|w)为(X，Y)|W的联合条件密度函数。

条件Copula包含一个时变相依参数，这就需要建立时变相依参数的演化方程。在对时变过程建模方面，Patton提出了如下的条件Copula时变参数模型；

其中ωN，αN和βN为需要估计的参数，Φ-1(•)为正态随机变量累积分布函数的逆函数，(x)=(1-e-x)/(1+e-x)是修正的logistic函数，该函数用于确保相关系数始终处于-1到1之间。

(二)参数估计

本文采用两步估计法对条件Copula进行估计。其基本思想是先估计一元时间序列的边际分布函数的参数，然后对Copula函数的参数进行估计。

令θ，θx，θy和θc分别表示密度函数h(x，y|w)，f(x|w)，g(y|w)和c(u，v|w)的参数，则联合密度函数的对数似然值为：

IFM估计过程即第一步先估计边际分布函数的参数得到θx和θy，第二步估计Copula的参数得到θc。Patton证明两步估计θ=[θx，θy，θc] 与一步估计同样渐进有效。

二､实证分析

由于新股发行､上市公司退市及权重股权重分配变动等因素会对成分指数产生影响，因此为综合分析沪深两个市场间的相关关系，本文选取上证综合指数日收盘价数据作为样本，样本区间为1991.4.8-2008.12.25，共4309组数据。由于价格序列并不平稳，需要把收盘价格转换成对数收益序列。设日收盘价为?邀Pt?妖，则其对数收益率序列为?邀rt|rt=logPt-logPt-1?妖，

(一)经验时变相关性分析

为直观了解两市时变相关性的基本走势，选取一个月(20个交易日)作为滑动窗口，分别计算两组数据的经验时变线性相关系数Pearson ρp､经验时变秩相关系数Spearman ρs和经验时变秩相关系数Kendall τ，得到其走势如图1所示。

由图1可以看出，在股市建立前期，两市相关性在0附近波动，且波动幅度较大。说明我国股市建立前期，由于缺乏必要的法规､办法及正常运转的交易机构，造成投机性操作严重，两市市场运行趋势未能随国内及国际经济形式的发展做出一致的反应，市场运行不平稳，市场风险较大；自1996年中期至今，相关性趋近于1，波动幅度明显缩小。说明经过5年左右的发展，随着股民素质的提高和法律法规的建立健全，两市运行走向渐进相同，我国股市逐渐由混沌状态趋于成熟。而自2006年至今，两市相关性虽然仍在1附近波动，但波动幅度较中期有小幅增大。说明我国股市经过自1996年以来的快速发展，市场中积聚的潜在风险开始显现，两市一致性走向也受到了相应的冲击，市场风险加剧。由于时变相关性结构发生了显著变化，因而在后面的时变相关性建模中，需要探索结构变化的时间，并将时变相关过程分为几个部分分别考虑，技术上则需要考虑结构点的探测及各结构时变相关模型的建模。

(二)变结构点的探测

变结构点位置的探测是变结构问题建模的重要前提和研究热点。本文将模型的“结构”与机器学习中“类”的概念结合，认为模型结构的转变与其样本点类别的变化本质上是一致的。因而考虑采用神经网络中的自组织特征映射网络对经验时变相关系数进行聚类。为简化分析，在此我们只考虑两类的情况。聚类结果图2所示：

图2的聚类结果证实了(一)中对两市运行变结构特征的初步分析，变结构点在时间区间约为1996年6月至8月之间出现。相关关系以变结构点为分界点显著分为两类。

(三)边际分布建模

设定第1310组数据为变结构点，将原始数据分为前后两部分，计算变结构点前后两部分样本数据的统计特征如表1。

从表1中，能看出收益率序列均具有明显的高峰厚尾特征，且J-B统计量检验表明均不具有正态分布性质。对收益率序列进行单位根检验，结果表明各序列均平稳。一阶自相关分析表明，各序列前后相关性不显著。ARCH效应检验结果表明，各序列均具有显著的ARCH效应；采用AIC，BIC准则定阶，发现各收益率序列均可采用t-GARCH(1，1)模型进行边际分布建模。

因而，设定边际分布模型形式如下：

(6)其中，rt为收益率序列，It-1为到t-1时刻所获得的信息，tv为自由度为v的t分布。变结构点前后各边际分布模型参数估计结果如表2所示。

(四)内在时变相关模型建模

根据两市的相关关系散点图发现，变结构点以前两市相关关系结构为明显椭圆形态，而变结构点以后相关关系结构为线性形态，因而本文采用Pat-ton的条件(动态)Copula模型，设定式(3)时变参数模型，并对模型进行参数估计。参数估计结果和时变相关性模型结果分别如表3和图3所示。

由图3所示，两市时变相关性前半阶段在0.15附近波动，且均为正相关，波动幅度仍相对较大。说明沪深两市在建市初期虽然经验时变相关性在0附近波动(即表面表现为不相关)，但受相同宏观背景的影响，内在动态趋势仍具有一定的一致性，只是一致性程度较低，与当时市场环境仍相符。而后半阶段，两市时变相关性则在1附近持续平稳波动，特别在后期，经验时变相关性表现出市场的波动风险，但两市发展已趋于成熟，内在相关性受当前由次贷危机引发的全球金融危机等因素的影响并不显著。

(五)研究结论

通过对经验时变相关性的初步分析发现，两市市场初期运行不平稳，市场风险较大经过5年左右的发展，两市运行走向渐近相同，市场逐渐由混沌状态趋于成熟，但自2006年至今，两市市场中积聚的潜在风险开始显现，相关性波动小幅增大，市场风险加剧。

通过对内在相关性建模结果发现，第一阶段，两市运行虽然表面表现为不相关，但受相同宏观背景的影响，其内在动态趋势仍具有较低程度一致性。而在第二阶段，两市表现为持续平稳､高度相关､其内在相关性也未明显受到当前全球性金融危机的影响。

参考文献：