中國農(nóng)業(yè)大學(xué)碩士學(xué)位論文STYLEREF"標(biāo)題1"錯誤！文檔中沒有指定樣式的文字。內(nèi)地股市與香港股市風(fēng)險溢出效應(yīng)實證分析案例目錄TOC\o"1-3"\h\u7154內(nèi)地股市與香港股市風(fēng)險溢出效應(yīng)實證分析案例 1270661.1樣本選取與數(shù)據(jù)來源 1248371.2描述性統(tǒng)計 1255801.2.1基本統(tǒng)計分析 1165931.2.2相關(guān)性檢驗 2229161.3波動率模型構(gòu)建與檢驗 383761.3.1平穩(wěn)性檢驗 3309491.3.2ARCH效應(yīng)測度 34981.3.3模型建立及檢驗 485161.4溢出效應(yīng)測度 716161.4.1內(nèi)地股市和香港股市的VaR值測度 7304211.4.2內(nèi)地股市和香港股市的CoVaR值測度 9195161.4.3內(nèi)地股市和香港股市的風(fēng)險溢出效應(yīng)分析 1113641.5危機過程中風(fēng)險溢出效應(yīng)分析 121.1樣本選取與數(shù)據(jù)來源本文選取滬深300指數(shù)和香港恒生指數(shù)日收盤價作為研究樣本，分別代表內(nèi)地股市和香港股市，總體樣本區(qū)間是從2005年4月11日到2021年3月15日，危機過程樣本區(qū)間選擇分別是從2007年2月1日到2009年6月10日，還有從2015年1月23日到2016年3月29日，本文選用的數(shù)據(jù)均來源于Wind數(shù)據(jù)庫。用對數(shù)收益率進行分析。即某一交易日的對數(shù)收益率是對這一交易日的收盤價取對數(shù)，再減去對上一交易日的收盤價取對數(shù)，為減小誤差，再對得到的結(jié)果乘以100得到百分位數(shù)。置信水平全部選擇95%，運用Eviews7.0軟件進行分析。1.2描述性統(tǒng)計1.2.1基本統(tǒng)計分析根據(jù)2005年4月11日到2021年3月15日滬深300指數(shù)和香港恒生指數(shù)的對數(shù)收益率序列，運用EViews7.0軟件進行統(tǒng)計分析，檢驗結(jié)果如下表表SEQ表\*ARABIC1對數(shù)收益率序列的描述性統(tǒng)計結(jié)果滬深300指數(shù)香港恒生指數(shù)均值0.04300.0198中位數(shù)0.08950.0745最大值8.931013.4068最小值-9.6949-13.5820標(biāo)準(zhǔn)差1.74711.4929偏度-0.4969-0.1015峰度6.870812.5886J-B統(tǒng)計量2508.06914441.99P值0.00000.0000由上表可以得出：兩個收益率序列的均值和中位數(shù)都在0附近，但是滬深300指數(shù)收益率序列的均值大于香港恒生指數(shù)。滬深300指數(shù)的對數(shù)收益率的偏度為-0.4969，呈現(xiàn)出左偏特征，也就是說虧損的可能性大于盈利的可能性；峰度為6.8708，大于正態(tài)分布的3，也就是說正常情況下，出現(xiàn)極端事件的可能性比正態(tài)分布假設(shè)條件下出現(xiàn)極端事件的可能性要大。J-B統(tǒng)計量的概率值為0，說明收益率序列并不服從正態(tài)分布。同理，香港恒生指數(shù)收益率的偏度為-0.1015，峰度為12.5886，J-B統(tǒng)計量的概率值也為0，顯示出了相同的特征，這意味著后面建立GARCH模型時，服從正態(tài)分布的GARCH1.2.2相關(guān)性檢驗本文通過收益率序列的ACF圖、PACF圖的p值來判斷序列的自相關(guān)性，表2、表3分別為滬深300指數(shù)、香港恒生指數(shù)收益率序列相關(guān)性檢驗結(jié)果：表SEQ表\*ARABIC2相關(guān)性檢驗結(jié)果滬深300指數(shù)香港恒生指數(shù)階數(shù)ACFPACFP值A(chǔ)CFPACFP值10.0240.0240.134-0.027-0.0270.1012-0.022-0.0230.1290.0100.0090.21630.0370.0380.098-0.008-0.0070.34940.0460.0430.113-0.029-0.0290.1725-0.014-0.0150.098-0.008-0.0100.248100.0220.0240.072-0.026-0.0300.051200.0500.0490.0810.0110.0110.052由表2可以得出：兩個對數(shù)收益率序列的p值均較大，不存在序列自相關(guān)。下面表3是兩個收益率序列之間的相關(guān)性檢驗結(jié)果：表SEQ表\*ARABIC3滬深300指數(shù)、香港恒生指數(shù)收益率序列之間的相關(guān)性檢驗結(jié)果相關(guān)系數(shù)0.6096P值0.0000由表3可以得出，兩個收益率序列的相關(guān)系數(shù)為0.6096，p值為0，說明兩個系列存在一定程度的正相關(guān)性。1.3波動率模型構(gòu)建與檢驗1.3.1平穩(wěn)性檢驗對時間序列進行分析需要先進行平穩(wěn)性檢驗，以防止出現(xiàn)偽回歸。本文使用的是ADF檢驗來對收益率數(shù)據(jù)進行平穩(wěn)性檢驗，分析結(jié)果如下：表SEQ表\*ARABIC4收益率序列的ADF檢驗結(jié)果滬深300指數(shù)收益率香港恒生指數(shù)收益率t統(tǒng)計量-59.8816-63.0270概率值0.00000.0000兩個指數(shù)收益率的t統(tǒng)計量的值均小于5%的顯著性水平下的臨界值-3.48，所以拒絕原假設(shè)，收益率序列平穩(wěn)，可以進行下一步的建模分析。1.3.2ARCH效應(yīng)測度本文采用GARCH類模型來衡量風(fēng)險，為了確保使用GARCH類模型是比較準(zhǔn)確的，需要對收益率序列進行檢驗，判斷其是否存在ARCH效應(yīng)，只有存在ARCH效應(yīng)，才可構(gòu)建表SEQ表\*ARABIC5收益率序列的ARCH效應(yīng)檢驗結(jié)果滬深300指數(shù)收益率香港恒生指數(shù)收益率F統(tǒng)計量128.6121665.0619概率值0.00000.0000T*R121.4299565.5199概率值0.00000.0000由表5檢驗結(jié)果可以得出：F統(tǒng)計量和T*R2統(tǒng)計量的p值均為0，小于0.05，拒絕原假設(shè)，也就是說滬深300指數(shù)和香港恒生指數(shù)的收益率序列存在條件異方差性，符合建立GARCH模型的條件，可以建立1.3.3模型建立及檢驗由表2可知，兩個對數(shù)收益率序列不存在序列自相關(guān)，所以建立GARCH模型的均值方程設(shè)定為y=c。為了選擇最為合適的GARCH類模型，首先對滬深300指數(shù)的對數(shù)收益率序列分別建立服從正態(tài)分布的GARCH1,1模型、服從t分布的GARCH(1,1)表SEQ表\*ARABIC6滬深300指數(shù)收益率序列的GARCH族模型檢驗結(jié)果變量值標(biāo)準(zhǔn)差z統(tǒng)計量概率pAIC正態(tài)分布的GARCH模型α0.01060.00392.70360.00693.6601α0.05850.00718.20820.0000β0.94150.0064146.80120.0000t分布的GARCH模型α0.01060.00392.70630.00683.5952α0.05850.00728.21520.0000β0.94150.0064146.33470.0000TARCH模型γ0.01170.00261.53480.00003.6607γ0.06610.005512.04310.0000γ-0.00070.0057-0.11630.9074γ0.93370.0035267.91180.0000EGARCH模型β-0.10100.0061-16.63530.00003.6583β0.14550.007818.59170.0000β-0.00120.0042-0.28110.7787β0.99220.0014700.4500.0000由表6可以看出，建立GARCH模型各項系數(shù)在95%的置信水平下都是顯著的，但是當(dāng)建立TARCH模型和EGARCH模型時，非對稱效應(yīng)項的概率值分別為0.9074和0.7787，表明非對稱效應(yīng)項在95%的置信水平下并不顯著；再根據(jù)AIC準(zhǔn)則，AIC值越小越好，所以選擇的模型是服從t分布的GARCH模型。為了確定模型的階數(shù)，進一步建立服從t分布的GARCH(1,1)、GARCH(1,2)、GARCH(2,1)、GARCH(2,2)模型，檢驗結(jié)果如下表7所示：表SEQ表\*ARABIC7滬深300指數(shù)收益率序列的GARCH(p,q)模型檢驗結(jié)果變量值標(biāo)準(zhǔn)差z統(tǒng)計量概率pAICGARCH(1,1)模型α0.01060.00392.70360.00693.5952α0.05850.00718.20820.0000β0.94180.0064146.79970.0000自由度5.04290.466710.80600.0000GARCH(1,2)模型α0.00610.00282.13930.03243.5945α0.03290.01142.88400.0039β1.46080.19247.59460.0000β0.49330.1815-2.71800.0066自由度1.99900.459110.88990.0000GARCH(2,1)模型α0.01260.00462.77030.00563.5936α0.00790.01390.56680.5708α0.06070.01693.58790.0003β0.93240.0075123.800.0000自由度1.95120.447711.05890.0000GARCH(2,2)模型α0.01510.00662.29440.02183.5940α0.00750.01410.53450.5930α0.07520.02552.94820.0032β0.68990.35211.95940.0501β0.22850.33120.69000.4902自由度1.95280.448211.05060.0000由表7可以得出，在95%的置信水平下，GARCH(1,1)模型和GARCH(1,2)模型的系數(shù)較為顯著，再根據(jù)AIC準(zhǔn)則，擬合效果最好的模型為GARCH(1,2)模型，t分布的自由度為1.9990，該模型向前一步預(yù)測均值和方差分別如下：表SEQ表\*ARABIC8GARCH(1,2)模型向前一步預(yù)測均值和方差一步預(yù)測均值一步預(yù)測方差均值0.07763.2742中位數(shù)0.07762.1580步驟同上，對香港恒生指數(shù)的收益率序列分別建立正態(tài)分布的GARCH(1,1)模型、服從t分布的GARCH(1,1)模型、具有非對稱效應(yīng)的TARCH(1,1)模型和EGARCH(1,1)模型，檢驗結(jié)果如下表9所示：表SEQ表\*ARABIC9香港恒生指數(shù)收益率序列的GARCH族模型檢驗結(jié)果變量值標(biāo)準(zhǔn)差z統(tǒng)計量概率pAIC值正態(tài)分布的GARCH模型α0.02090.00346.18240.00003.2533α0.06460.005012.89920.0000β0.92450.0058158.19040.0000t分布的GARCH模型α0.01390.00433.27000.00113.2129α0.05990.00748.12480.0000β0.93460.0078120.29700.0000TARCH模型γ0.02960.00368.29120.00003.2419γ0.02760.00631.37030.0000γ0.07190.00907.97030.0000γ0.91850.0061151.09470.0000EGARCH模型β-0.09520.0072-13.17770.00003.2418β0.13700.009913.79970.0000β-0.05610.0064-8.69490.0000β0.98160.0021465.67070.0000由表9可以看出，建立GARCH類模型，95%置信水平下各系數(shù)都顯著，所以直接根據(jù)AIC準(zhǔn)則，AIC值越小說明擬合效果越好，服從t分布的GARCH(1,1)模型的AIC值為3.2129，是上述模型中最小的。為了確定模型的階數(shù)，繼續(xù)建立服從t分布的GARCH(1,1)、GARCH(1,2)、GARCH(2,1)、GARCH(2,2)模型，檢驗結(jié)果如下：表SEQ表\*ARABIC10香港恒生指數(shù)收益率序列的GARCH(p,q)模型檢驗結(jié)果變量值標(biāo)準(zhǔn)差z統(tǒng)計量概率pAIC值GARCH(1,1)模型α0.01390.00433.27000.00113.2129α0.05990.00748.12480.0000β0.93460.0078120.30120.0000自由度6.21400.66339.36790.0000GARCH(1,2)模型α0.00940.00412.27350.02303.2120α0.04020.01352.98740.0028β1.36350.22556.04630.0000β-0.40710.2114-1.92610.0541自由度6.20260.66359.34900.0000GARCH(2,1)模型α0.01800.00523.43090.00063.2105α0.00870.01320.66040.5090α0.06840.01711.00250.0001β0.91660.009893.47210.0000自由度6.17800.65899.37650.0000GARCH(2,2)模型α0.01720.00752.30380.02123.2110α0.00860.01320.65250.5141α0.06480.02902.23630.0253β0.97760.35102.78490.0054β-0.05690.3252-0.17500.8611自由度6.17470.65979.35980.0000根據(jù)系數(shù)的顯著性原則和AIC準(zhǔn)則，擬合效果最好的模型為GARCH(1,1)模型，t分布下的自由度為6.2140，模型向前一步預(yù)測均值和方差如下表11所示：表SEQ表\*ARABIC11GARCH(1,1)模型向前一步預(yù)測均值和方差一步預(yù)測均值一步預(yù)測方差均值0.07232.2591中位數(shù)0.07231.28371.4溢出效應(yīng)測度1.4.1內(nèi)地股市和香港股市的VaR值測度根據(jù)上一步選擇的擬合效果最好的模型，得到95%的置信度水平下兩個序列的t分位數(shù)分別為2.0121和1.9234，再利用得到的一步預(yù)測的均值和方差，代入公式（2-8），求得兩個對數(shù)收益率序列的VaR值。下面圖3、圖4分別刻畫了不同時期滬深300指數(shù)和香港恒生指數(shù)收益率序列的VaR值：圖SEQ圖\*ARABIC3滬深300指數(shù)收益率序列的VaR圖SEQ圖\*ARABIC4香港恒生指數(shù)收益率序列的VaR下表13是用EViews得出的VaR值的統(tǒng)計結(jié)果：表SEQ表\*ARABIC12滬深300指數(shù)和香港恒生指數(shù)的對數(shù)收益率序列的VaRVaRN(%)VaRH(%)均值-3.2585-2.5790中位數(shù)-2.8695-2.1786VaR值是對金融系統(tǒng)自身風(fēng)險的衡量，VaRN衡量的是內(nèi)地股市自身的風(fēng)險，VaRH衡量的是香港股市自身的風(fēng)險。由圖3、圖4結(jié)合表12可以看出，內(nèi)地股市自身的風(fēng)險較大，尤其是在2007年和2015年金融危機的時候，它受影響的時間和程度均大于香港股市。由于VaR值只能說明金融系統(tǒng)自身的風(fēng)險，不能說明一個市場的危機會對另一個市場造成多大的影響，所以我們接下來建立CoVaR模型進行進一步分析。1.4.2內(nèi)地股市和香港股市的CoVaR值測度CoVaR是指其他金融機構(gòu)陷入危機的條件下，所研究的機構(gòu)在某一置信水平下的最大可能損失，可以反映出某一金融市場對另一金融市場產(chǎn)生風(fēng)險的貢獻。根據(jù)公式（2-10）和（2-4），測度香港股市發(fā)生風(fēng)險事件時對內(nèi)地股市溢出效應(yīng)的均值方程和GARCH模型設(shè)立如下表13所示：表SEQ表\*ARABIC13GARCH模型建立結(jié)果變量值標(biāo)準(zhǔn)差z統(tǒng)計量概率pAIC值均值方程γ-0.03320.0085-3.93040.00013.5932α-0.86010.0635-13.55140.0000β0.88210.058415.11380.0000t分布的GARCH(1,2)模型α0.00630.00292.18350.0290α0.03320.01132.95210.0032β1.46570.18657.86090.0000β-0.49860.1758-2.83660.0046自由度5.02580.460810.90770.0000由表13得知，t分布的自由度為5.0258，進而得到95%置信度水平下的t分位數(shù)為2.0167，為了測度CoVaR，還需得到上述模型向前一步預(yù)測均值和方差，結(jié)果如下表14所示：表SEQ表\*ARABIC14GARCH模型向前一步預(yù)測均值和方差一步預(yù)測均值一步預(yù)測方差均值0.08543.2692中位數(shù)0.07552.1245將t分位數(shù)和一步預(yù)測均值和標(biāo)準(zhǔn)差待入公式（2-11）可以計算出香港股市發(fā)生風(fēng)險事件時，對內(nèi)地股市溢出效應(yīng)的大小。運用同樣的方法，可以計算出內(nèi)地股市發(fā)生風(fēng)險事件時，對香港股市溢出效應(yīng)的大小，建立模型的結(jié)果如表15所示，算得t分位數(shù)為1.9258，向前一步預(yù)測均值、方差如表16所示：表SEQ表\*ARABIC15GARCH模型建立結(jié)果變量值標(biāo)準(zhǔn)差z統(tǒng)計量概率pAIC值均值方程γ-0.01900.0054-3.49900.00053.2120α-0.84000.1266-6.63500.0000β0.85810.11977.17180.0000GARCH(1,2)模型α0.00930.00412.30070.0214α0.04080.01343.04480.0023β1.37460.21736.32560.0000β-0.41860.2033-2.05860.0395自由度6.31760.68449.23100.0000表SEQ表\*ARABIC16GARCH模型向前一步預(yù)測均值和方差一步預(yù)測均值一步預(yù)測方差均值0.06332.2750中位數(shù)0.05751.2771圖5、圖6是計算出的CoVaR值的變動圖，表17是對CoVaR測度結(jié)果的描述性統(tǒng)計：圖SEQ圖\*ARABIC5香港股市發(fā)生風(fēng)險時內(nèi)地股市可能遭受的最大損失圖SEQ圖\*ARABIC6內(nèi)地股市發(fā)生風(fēng)險時香港股市可能遭受的最大損失表SEQ表\*ARABIC17滬深300指數(shù)和香港恒生指數(shù)的對數(shù)收益率序列的CoVaR值CoVaRH->N(%)CoVaRN->H(%)均值-3.3400-2.6497中位數(shù)-2.9562-2.2353用CoVaRH->N衡量香港股市發(fā)生風(fēng)險事件時內(nèi)地股市可能遭受的最大損失，用CoVaRN->H衡量內(nèi)地股市遭受危機時港股市場可能遭受的最大損失。由圖5、圖6、表17可以得出如下結(jié)論：港股市場遭受危機事件時，內(nèi)地股市受影響更大，遭受的損失更多；而內(nèi)地股市發(fā)生風(fēng)險事件時，對香港股市的影響較小。為了測度風(fēng)險溢出程度，需要計算風(fēng)險溢出大小的絕對值與相對值。1.4.3內(nèi)地股市和香港股市的風(fēng)險溢出效應(yīng)分析運用上面的VaR計算結(jié)果和CoVaR計算結(jié)果，代入公式（2-12）和（2-13），分別得到ΔCoVaR和%CoVaR，如下表18所示：表SEQ表\*ARABIC18風(fēng)險溢出值的絕對幅度與相對幅度均值中位數(shù)ΔCoVaRH->N(%)-0.0706-0.0536ΔCoVaRN->H(%)-0.0055-0.0042%CoVaRH->N(%)2.64652.5631%CoVaRN->H(%)0.76270.8184風(fēng)險溢出值的絕對幅度用ΔCoVaR表示，相對幅度用%CoVaR表示。ΔCoVaRH->N衡量的是香港股市遭遇最大損失時對內(nèi)地股市的風(fēng)險溢出大小，%CoVaRH->N衡量的是其相對幅度；ΔCoVaRN->H衡量的是內(nèi)地股市遭遇最大損失時對香港股市的風(fēng)險溢出大小，%CoVaRN->H衡量的是其相對幅度。由表18可以得出，去掉基本量的影響后，港股市場對內(nèi)地股市的風(fēng)險溢出大小均值為2.6465%，反方向的風(fēng)險溢出大小均值為0.7627%，總體上港股市