ParK's 論文后花園

大连理工大学
硕士学位论文
基于STR的中国与全球主要股指联动效应研究
姓名：周筠
申请学位级别：硕士
专业：金融学
指导教师：黄飞雪
20091201
火连理1=大学硕士学位论文
摘要
针对中国股票市场与全球主要股票市场之间是否存在互动关联的问题，运用平滑转
换回归模型(Smooth Transition Re酉ession Model，STR)分析自2001年1月4日至2009
年8月17日间上证综指与全球主要股票指数美国道琼斯工业平均指数、日本东京日经
225指数、香港恒生指数，英国伦敦金融时报100指数以及金砖四国之俄罗斯RTS股票
指数、印度孟买BSE30指数和巴西圣保罗BOVESPA指数的联动关系。同时，分别以
股权分置改革和次贷危机为界分时段进一步研究股票市场的互动关联。实证结果表明：
(1)上证综指与全球主要股票市场指数之间存在非线性关联；(2)股权分置改革推动中国
股票市场更好地融入国际市场，但在提升中国股市竞争力方面仍需加强；(3)次贷危机后，
全球主要股票市场指数对上证综指的影响加深，发达国家市场对中国市场的影响程度强
于新兴市场；(4)次贷危机后，上证综指对全球主要股票市场指数的影响程度同样加深，
对新兴市场的影响程度强于对发达国家市场的影响；(5)中国内地股票市场与香港股票市
场联系紧密。由此可见，在以全球股市联动为显著特征的金融一体化背景下，中国市场
不仅要通过自身机制改革增强其在全球资本市场中的地位和话语权，更要注意对余融风
险的防范，加强市场监管，建立风险预警制度，从而减少危机发生的可能性。投资者则
可以根据中国与全球主要股票市场的联动关系研判市场走势，选择适当的跨国投资组合
以降低风险，获取收益。
关键词：平滑转换回归模型；非线性；股票指数；联动效应
基于姗t的中国与全球主要股指联动效应研究
Co．movement Ef．fect between China and the Main Global Stock Indexes
Based on Smooth Transition Regression Model
Abstract
This paper applies smooth仃；msition re野ession model to cx锄ine co．movemeIlt e行ect
bet、)l，eell CIlina stock market a11d the main global stock markets姗ng the period 6．om J删a眄
4，200 l to August l 7，2009．Tlle maill global Stock indeXes include Dow Jones hldus砸al
AⅣerage，Nil(1(ei 225，Hang SeIlg，FTSE 100，R．TS，BSE30锄d BOVESPA．1heIl the paper
extends tlle a11alVSis to three period divided by refb珊of Ilon．仃adable shares锄d tlle
gub—prime crisis．Empirical reSults show tllat：(1)nolllinear relationships are existed be帆een
SSEC and tlle main global stock indexes；(2)rc南m of non．仃adable sharcs promoteS tlle
inte掣ation of CIlina stock market and dobal stock markets，WIlile meaSures to promote tlle
competitiveIless of Chjna stock market should be eI】lllallced；(3)efrects on Cllina stock maf融
of the main对obal stock markets increaseS aRer me sub．prime crisis，with more impact of
deVeloped markets maIl deVelopiIlg ones；(4)effects of Cllina stock market on t11e main哲0bal
stock markets also increases aRerⅡ1e sub—prime嘶sis，while more impact on deVeloping
markets than developed oneS；(5)t11ere are close relationsllip b曲ⅣeeIl China MainlaIld stock
m诎et a11d Hong Kong stock m缺et．Thus，under the back即uIld of6naIlcial integration with
co．movements锄ong global stock markets aS me signi矗c觚t featllres，China stock market must
enhance the status锄d voice in global capital m破cts wim selfref．onn of也e mechanism．More
importantly， the goVemment must notice 6naIlcial risk preVentioIl’ stren酉hen market
superVision，eStablish risk e砌y-wa玎mg syst锄and consequently reduce the possibility of a
嘶sis．hlVestors may judge stock m诎et懒lds according t0 me co-movement relationships
between China stock m诎et and the main 910bal stock m酞ets，and choose appropriate
cross．border portf．olio to obtain revenue while avoiding risk．
Key Words：Smooth Transition Regression Model；NonIinear Relationship；Stock Index；
Co．movement EfFect
大连理工大学硕士学位论文
大连理工大学学位论文版权使用授权书
本人完全了解学校有关学位论文知识产权的规定，在校攻读学位期间
论文工作的知识产权属于大连理工大学，允许论文被查阅和借阅。学校有
权保留论文并向国家有关部门或机构送交论文的复印件和电子版，可以将
本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、
缩印、或扫描等复制手段保存和汇编本学位论文。
学位论文题目：
作者签名：
∥办j 51 R乍>叼I贫冬仁魏斧影i埃Ⅳ爻托孺级钿j爻Z坩锄秀
【讼筠
导师签名：髯口秀L一
日日期期：：珥4年年旦卫月月笪丑日日
大连理工大学学位论文独创性声明
作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究
工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，
本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请
学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献
均已在论文中做了明确的说明并表示了谢意。
若有不实之处，本人愿意承担相关法律责任。
学位论文题目：竺2叠!!竺坠耳!垒垒二坌至举至堡!堑罄：尘三兰红丕召％≥
作者签名： I坌兰塾’日期：圣翌年—生月三上日
大连理工大学硕士学位论文
1 绪论
1．1 研究背景及研究意义
随着全球经济一体化程度加深，全球范围内的经济波动越来越明显，而这种经济波
动通过各种途径传递到资本市场，导致资本市场愈加呈现一体化的特征。根据马克维茨
的现代证券投资组合理论，选择相关性较小的组合能够降低投资风险，因此，众多投资
者选择跨国投资组合以降低风险。然而，随着资本市场开放程度的加强，作为资本市场
主要部分的各国股票市场的相关性增强，使得跨国投资降低风险的难度加大，因此，全
球股票市场的联动越来越受到各国投资者的关注。
1990年11月26日与1990年12月1日，上海证券交易所与深圳证券交易所相继挂
牌成立，标志着中国证券市场的正式诞生。此后，中国证券市场不断成长，成为亚洲重
要的资本市场之一。自2001年12月11日加入世界贸易组织后，中国与全球经济的联
系越来越紧密，中国市场也越来越受到全球的广泛关注，这种关注随着中国经济地位的
愈见提升而不断增强。随着中国资本市场逐渐对外开放，尤其是QFII和QDII等相关政
策的实施，使得大量国际资本涌入中国寻求投资机会。股权分置改革更是从根本上对中
国资本市场的体制改革，使得中国资本市场展现了全新的面貌，越来越与国际接轨，因
此，中国股票市场在全球市场中的地位也是学者们关注的热点话题。
美国作为世界经济第一大国，其股票市场在全球资本市场中起着重要作用，而美国
道琼斯工业平均指数、标准普尔500指数以及纳斯达克指数更被认为是全球股票市场的
风向标。英国、日本等发达国家的股票市场也占有重要位置。而近几年，新兴市场，如
俄罗斯、印度、巴西等市场的表现也越来越活跃。股票市场被认为是宏观经济的“晴雨
表”，因此，探求中国股票市场与各国股票市场的联动关系对于理解中国与世界各国之
间经济的联系起到很大帮助。
然而，全球市场的联动也给危机的传染提供了条件，美国次贷危机的爆发就是最好
的证明。次贷危机的爆发带来了从虚拟经济到实体经济的衰退，美国股票市场更是引领
着全球股市的大幅下跌。中国证券市场在与全球市场融合的同时，如何保证其相对独立
性，对证券市场风险的传导加以控制，也是金融机构和监管当局始终考虑的问题。
综上所述，股票市场的联动特征受到全球投资者、学者以及政府部门的广泛关注。
本文拟从中国股票市场与全球主要股票市场的联动效应的角度分析，以期找到解决问题
的答案。
基于sTR的中国与全球主要股指联动效应研究
1．2国内外研究现状
联动(co．movement)，是指在同一市场同一板块内的个股之间、或者板块与板块之间
的个股收益率呈现较强的相关性，甚至不同证券市场价格存在着显著的收益波动的关联
性，个股、板块和市场之间拥有共同的长期均衡关系或拥有长期同步运动趋势。这种联
动带来的效应叫做联动效应【l】。国内外学者运用不同方法从不同视角研究股票市场间的
互动关联。
1．2．1 国外研究现状
在早期研究中，学者们主要集中于国与国之间的协方差特征的研究，以及由此引出
的跨国投资组合的风险和收益问题。1968年，Qubel【2】开创性地运用均值一方差分析了
股市间的国际一体化趋势。在均值一方差分析方法之后，许多学者运用了不同的方法来
研究各国股市的相依性，用相关系数的变化来分析各国股票市场间的相关性时常得到应
用。Ⅺng和Wadhwani(1990)【3】发现在1987年股灾之后，美国、英国和日本股票市场问
的相关系数显著上升。Lee和硒m(1993)【4】运用12个主要股票市场的样本数据检验1987
年股灾对美国股市及全球股市协动性的影响，发现平均周相关系数由1987年前的0．23
上升到O．39。
协整分析的出现，为研究各国股票指数的一致化提供了更进一步的证据和令人信服
的结论，该方法主要通过检验市场间是否存在协整关系来验证国际股市I'白j的关系。
KaSa(1992)【5】第一次运用协整方法考察了1974年1月至1990年8月间美国、日本、英
国、德国和加拿大股票市场，结果显示这五个国家的市场存在单一共同趋势，且这种趋
势对日本市场最为重要。ChaIl，Gup和Pall(1992)【6】运用单位根和协整检验考察中国香港、
韩国、新加坡、中国台湾，日本和美国股票市场的关联以及国际市场的有效性，结果表
明股票价格之间不存在协整关系，主要亚洲市场和美国的股票价格在长期是弱势有效
的。Ghosh，Saidi和Johnson(1999)【7】运用协整理论分析了亚太新兴股票市场与F1本和美
国股票市场的关联，结果显示，香港、印度，韩国和马来西亚市场与美国股市具有长期
均衡关系，而印度尼西亚，菲律宾和新加坡市场则与R本市场相关联。Cheng和
GlaScock(2005)[8】运用协整技术分析了中国、中国香港、中国台湾和F1本、美国两个发达
市场的关联，发现三个市场与美国和同本市场均不存在协整关系，但具有微弱的非线性
关联。
因果检验也是考察各国股票市场关联的重要方法。Cheung和Mak(1992)【9】检验了
1977年至1988年间亚太新兴市场与同本、美国两个发达市场之间的因果关联，得出美
大连理工大学硕士学位论文
国股市能够引领大部分亚太新兴市场，而日本市场影响力则相对较弱。Milli撕s和
Umtia(1992)【lo】分析了1987年5月1日至1988年3月31日股灾前后纽约、东京、伦敦、
香港，新加坡和澳大利亚股票市场之间的因果关系，发现在股市发生当月，股票市场单
向和双向因果关系突然加大，而领先滞后关系在危机前后并不明显。Kwan，Sim和
Cotsomitis(1995)【11】运用协整分析和格兰杰因果检验考察了1982年1月至1991年2月间
澳大利亚、香港、日本、新加坡、韩国、中国台湾、英国、美国和西德等九个主要股票
市场指数的因果关联，认为从长期来看，国际股票市场从个别到整体均不是弱势有效的，
股票市场问存在显著的领先滞后关系。Leong和Felmin曲am(2003)【12】证实东亚五国股指
在危机之后相关性有显著的增大，中国香港与中国台湾、新加坡与韩国、日本与韩国、
以及新加坡与中国香港之间的股票指数均存在不同程度的双向Gmger因果关系。
Gooi：jer和Sivaraj嬲in曲锄(2008)【13】研究了1987至2006年间六个工业化市场和五个东南
亚新兴市场间的长期线性和非线性因果关系，结果表明，自亚洲金融危机后亚洲股票市
场与全球市场更为融合，美国市场在全球股票市场中占据主导位置。Ozdemir，OlguIl
和Saraco西u(2009)【14】检验了美国股票市场和周边15个新兴市场的格兰杰因果关系，结
果显示，美国股票指数单向格兰杰引起15个新兴市场的股票价格。
ARCH和GARCH模型为研究股票市场的波动溢出效应丌辟了新的视角。H锄a0，
Masulis和Ng(1990)【巧】运用ARCH模型考察东京、伦敦和纽约股票市场的股价波动性，
发现纽约市场对东京市场、伦敦市场对东京市场以及纽约市场对伦敦市场具有波动溢出
效应。Li和M面emwsk“2008)【16】运用四变量非对称GARCH．BEKK模型研究了1998年
1月1日至2005年12月30日间波兰和匈牙利这两个新兴市场与德国和美国成熟市场之
间的联系，结果发现了成熟市场对新兴市场具有收益和波动溢出效应。Qiao，ClliaIlg和
Won甙2008)【17】采用FⅣECM．BEKK GARCH方法检验了自1995年1月至2005年12月
间中国A、B股市场和香港股票市场的长期均衡、短期调整和溢出效应，结果显示，中
国A、B股市场和香港股票市场呈现分整关系，对市场问溢出效应的分析表明中国A股
市场最具影响力。
此外，Dalki“2009)【18】运用贝叶斯学习理论阐释了在高度波动时期不同国家股票指
数呈现持续高度相关性的原因。Ibrahim和Brzeszczynski(2009)【汐】运用随机参数回归和外
来信息传递状态空间模型分析了自1995年1月4日至2004年9月30日美国、欧洲和
亚洲主要股票市场间的信号传递以及外来信息对信号传递程度和强度的影响。结果发
现，信号在某些市场中直接传递，在另外一些市场中间接传递，地区间的传递要强于地
区内的传递，外来信息在信号传递中起到重要作用。ozdemi“2009)[20】运用向量分整自回
基丁．娜己的中国与全球主要股指联动效应研究
归移动平均(VARFIMA)模型分析了自1991年1月1日至2007年5月4日间东京、法兰
克福，伦敦和纽约股票指数的联系，结果表明四个股票市场存在互动关联。
1．2．2国内研究现状
国内对全球股市联动的研究已有不少成果。陈守东，韩广哲，荆伟(2003)【21】应用协
整分析和误差修正模型对1992年11月20日至2002年7月12 R间沪、深股市指数和
美国、英国，香港和F1本等主要股票市场之间的关系进行了实证分析，结果发现国内市
场与国际市场不存在协整关系，得出中国股票市场与国际市场相分离的结论。胡安，许
萌(2003)【221应用线性回归模型，通过观察回归系数的拐点来判别中国大陆股市与美国股
市和香港特区股市的相关度变化的时问路径，并对其原因加以事件分析。张福，赵华，
赵媛嫒(2004)【23】对中国股市和美国股市在不同时期的长期均衡特征和因果关系进行了实
证分析，结果表明中国股市具有不成熟股市的特征，近期存在美国股市对中国股市的单
向格兰杰因果关系。杨海成，芮萌，王清河(2004)【24】运用基于多元向量自回归模型对美
国、中国香港和中国大陆股票市场之间股票收益、波动率和交易量之间的引导关系进行
实证检验，结果表明，中国大陆A股市场不受境外市场的引导关系，A股和B股基本
独立于世界股票市场。汪素南，潘云鹤(2004)【25】应用基于小波多分辨分析的方法，研究
了自1997年7月2同至2003年3月1同间美国与上海、美国与香港股市同收益率之间
的相关性，结果发现美国股市对香港股市存在强溢出效应，上海股市几乎独立于全球股
市之外。韩非，肖辉(2005)【26】从市场传染的角度考察了2000年1月1同至2004年12
月31 R问中美股市的联动性问题，研究表明中国股市与美国股市的相关性很弱。刘振
亚(20061【27】考察了1992年1月至2004年9月间纽约股市波动对中国A股市场的影响，
结果发现，上海和深圳A股市场的变动与美国股票价格指数变动相一致。谷耀，陆丽娜
(2006)【28】将DCC．(BV)EGARCH．VAR方法引入对沪、深、港三地股票市场收益和波动溢
出效应与动态相关性研究，结果显示，港市在收益和波动上都对沪、深两市存在显著的
溢出效应，沪市对深市有着信号显示的作用。周瑶(2007)口9】采用协整分析和格兰杰因果
检验的方法对2000．2002年和2003．2006年两个样本区间上海证券市场与周边主要证券
市场的长期动态关系进行了实证分析，结果发现，上海证券市场与台湾、同本证券市场
均不存在协整关系，而与香港证券市场在第二时段具有协整关系以及香港市场对上海市
场的单项格兰杰关系。谢百三，王黎明，聂倩倩，陈小明(2007)【30】剖析了中美两国股市
长期来没有出现联动性的原因，并论证中美股市在未来相当长一段时间罩也不存在实质
性的正相关联关系。龚朴，李梦玄(2008)【3I】运用基于加权CCF的方差Granger因果检验
一4一
大连理工大学硕十学位论文
方法分析了上证指数和恒生指数收益序列的波动溢出效应，并以此信息为依据构建
BEKK模型对两序列间的时变相关性进行了实证分析，结果显示，两市之间的波动溢出
并不显著，两市间的联动性较弱，但有逐渐增大的趋势。高莹，靳莉莉(2008)【32】应用vAR
模型、GraIlger因果检验、脉冲响应分析及Johallsen协整检验对2005年1月4日至2006
年10月19日间沪深300指数和世界主要股票指数的关联性进行检验和分析，结果表明，
沪深300指数与世界主要股票指数存在短期相关关系和除日经指数以外的长期协整关
系，世界主要市场股票指数对沪深300指数有较强的引导作用。骆振心(2008)【33】采用基
于VAR的JohaIlseIl多元协整检验对中国金融开放和股权分置改革前后的股票市场与美
国、英国、德国、日本、中国香港等五个国家和地区股市之间的关联性的分析表明，股
权分置改革后中国股市与世界主要股市的联动程度大大增强。曹广喜，姚奕(2008)【34】应
用长记忆Ⅵ～R．BEKK(DCC)．MVGARCH模型对沪深股市的动态均值溢出效应、动态波
动溢出效应和动态相关性进行了实证检验，结果表明，沪深股市收益率均值溢出效应和
波动溢出效应在2000年后较为显著，且表现为双向的传导关系，两市收益率间表现出
一定的动态相关性。赵鹏，曾剑云(2008)【351采用格兰杰因果检验和三变量
VAR．GARCH．BEKK模型分析了自2000年1月4日至2007年4月27日间香港、台北
和纽约股市的收益与波动溢出效应，结果表明，香港股市对台北股市存在显著的收益与
波动溢出效应，而纽约股市对香港和台北股市存在明显的收益与波动溢出效应。李天德，
张亮(2008)p6J运用了相关性分析、协整检验和脉冲分析的方法分三个阶段测度了中国股
市与国际主要股市间的联动效应，结果发现，中国股市与国际股市的联动效应从2003
年开始出现，国际主要股市的波动会对中国股市造成冲击，但冲击效应不大，中国股市
的波动主要受其自身影响。李晓广，张岩贵(2008)【3 7】考察了次贷危机前后中国股票市场
与世界股票市场联动性的动态变化过程，并与巴西股票市场进行了比较分析，结果表明，
总体上中国股票市场与国际市场的联动性不强，但在次贷危机发生后，中国与国际市场
的联动性与逐渐增强的趋势。李巍(2009)(38】利用多元GARcH模型研究中国、俄罗斯与
美国证券市场指数收益率波动之间的内生性联动效应，重点分析了美国次贷危机发生后
的三个主要阶段这种联动效应的变化特征。唐齐鸣，操巍(2009)【39】采用动态相关系数
(DCc．MVGARCH)模型研究了2000年1月4同至2008年6月30 R问中国内地股市和
中国香港股市与美国股市之间的动态相关关系，并对以美国2007年爆发的次级债危机
为代表的重大事件对市场间关联程度的冲击进行了分析。孙彬，杨朝军，于静(2009)【40】
应用GARCH和CCF因果关系法检验了2000年1月3同至2007年8月20同间美国、
德国、法国、中国、日本，韩国和中国香港的股票指数收益率的联动性，结果表明证券
市场地区内部以及不同地域的证券市场之间均存在显著的因果关系，全球金融市场基本
基于s1R的中国与全球主要股指联动效应研究
实现一体化。王志芬，张雪玲(2009)⋯研究了受次贷危机影响的中国内地股市、香港股
市与美国股市之间的联动关系，结果显示，次贷危机前后中美股市三大股指间长期均衡
关系和格兰杰因果关系均有所改变。
1．3研究方法
20世纪80年代以前，经典线性时间序列模型占据绝对主流的位置，大多数现代经
济理论，都隐含着经济系统是可以用线性微分、差分方程来表示的、具有线性可加性的
线性系统。然而，现实经济中所存在的一些既成事实，比如经济数据特别是金融数据所
表现的偏峰厚尾特征，以及股票价格等经济数据的变化常常表现出的方差无限性，使得
传统线性时间序列计量经济学受到越来越多来自非线性时间序列计量经济学的挑战。
近年来，关于非线性经济建模理论得到经济计量学家、统计学家和数学家的持续关
注，并不断取得突破性进展，发展了许多新的建模方法。上世纪60年代兴起的非线性
科学，如非线性动力学、混沌理论、分岔理论、拓扑与纤维丛理论、网络神经元理论等，
从根本上动摇了现代主流经济学的方法论基础，为建立更加科学的经济模型奠定了基
础，并正在改变人们对现实世界的传统看法。特别是在金融领域，与线性方法相比，非
线性模型更能丰富地刻画经济主体的行为特征。
在非线性时间序列数据的研究中，机制转换模型(Re西me．Switching Model)受到了越
来越多学者的关注。机制转换模型的基本特点是：在某种机制条件下，某经济变量时间
序列的数据生成过程是不随时间变化的，但在不同的机制下则具有不同的行为特征【4引。
机制转换模型是通过将时间序列的数据生成过程描述成为在每一机制下为线性运动+，而
在不同的机制下由不同的线性运动叠加而成的非线性数据生成过程，具有分段线性特
征。其中，机制是不可观察的，且机制之间的转换不是由单个的事件所造成的，这些机
制被假设是由一个外生或内生的随机过程所控制，过去所发生的机制转换被认为在未来
会以同样的方式发生。
根据对决定机制转换过程的限制条件不同，机制转换模型主要表现形式有以下几
类：马尔可夫机制转换模型(Markov Switching Regime Model，MSR)、门限自回归模型
(Threshold Autore孕essive Model， TAR)和平滑转换回归模型(Smooth T啪sition
Regyession Model，STR)。
马尔可夫转换模型由HaInilton(1989)【43】提出，该模型不能给出机制转换的非线性形
式，一般只能推断机制转换的概率，这使其应用受到局限。门限自回归模型(Threshold
一6一
大连理工大学硕十学位论文
Autoregressive Model，TAR)最早是由Tong(1978)044J提出，并由Tong和LiIIl(1980)【45】
以及Tong(1983)【46】进一步发展，其思想就是利用门限空间来改进线性逼近。
Ton甙l 990)‘47】提出自激励门限自回归(Self-eXciting Threshold Autoregressive Model，
SETAR)模型，把门限变量看作时间序列本身的一些滞后值。SETAR模型在时期内是线
性的，但在跨时期中却表现出明显的非线性特征。Tong所提出的门限自回归模型被认
为是STR模型的先驱，其后，STR模型由Ter泌virta和Anderson(1992)【48】发展，用于处
理景气循环的非线性特征，G啪ger和Ter瓠virta(1993)049J及Te随svir嘣1994)‘50】检验了STR
模型的统计特性及估计，自此STR模型大致成型。
马尔可夫机制转换模型、门限自回归模型以及平滑转换回归模型(以下简称STR
模型)都考虑了各种不同形式的机制转换行为，三个模型最主要的区别在于如何处理机
制转换结构中的信息【511。典型的马尔可夫机制转换模型假定转换是由外生的不可观测的
马尔可夫链决定，但没有对机制变化发生的原因以及这些变化发生的时间作出解释；门
限自回归模型允许机制变化是内生的，变量决定了机制转换是可观测的，但是引起机制
转换的门限却是不可直接观测的，转换机制是离散的；平滑转换回归模型则使得在两个
机制之间的变化成为平滑或渐进的变化。
与前两个模型相比，sTR模型有以下特征：一是转换变量和门限值均是可观测的，
因此模型具有更强的解释力；二是可以刻画变量不同状态间的非线性转换；三是研究结
果具有丰富的经济学意义，能够从数据中揭示出一些线性模型所无法发现的经济学含
义。基于上述原因，在国际学术界，STR类模型及其拓展模型理论已成为宏微观经济行
为研究中，应用最为广泛的一类非线性时间序列模型之一。
因此，本文拟用STR模型研究中国股票市场与全球主要股票市场的联动关系，以
期从机制转换的角度刻画股票市场联动特征。
1．4创新点与结构安排
1．4．1 创新点
本文主要创新点如下：
1．将平滑转换回归模型运用到股票市场联动效应分析中，考察中国股票市场与全
球主要股票市场之间的非线性关联，并从机制转换的角度分析一国股票指数的变动对两
国股票市场联动的影响，发现转换发生的位置，从而更好地理解股票市场间的互动关联。
基于STR的中国与全球主要股指联动效应研究
2．本文除考察一个较长的历史时期外，还以股权分置改革和次贷危机等重大事件
为分界点，分段研究中国股票市场与全球主要股票市场之间的联动性，重点考察次贷危
机至今中国股票市场与全球主要股票市场的相互影响，用计量的方法测量影响程度。
3．本文选取七个全球主要股票市场与中国股票市场的联动效应进行研究，其中既
有发达市场的代表，也有新兴市场的代表，试图从更大的范围更全面地解释中国股票市
场与全球主要股票市场的联动效应。
1．4．2结构安排
本文结构安排如下：
第一章为绪论，介绍本文的研究背景与研究意义，国内外关于股市联动的研究发展
过程和现状，介绍本文主要的研究方法，并对本文的创新点和结构安排作了说明。
第二章介绍股市联动的理论基础，重点对STR模型从建立、估计到检验做了一一
说明，为下面实证部分的研究打下框架。
第三章为sTR模型的实证分析，重点考察美国、日本、中国香港、英国、俄罗斯，
印度和巴西等七个股票市场指数对上证综指的非线性影响，并以股权分置改革和次贷危
机为界分时段进行分析，从机制转换的角度对股票市场的联动作了分析，并得出相应的
结论。
第四章同样运用STR模型分析上证综指与美国、日本、中国香港、英国、俄罗斯，
印度和巴西等七个股票市场指数的互动关联，同样以股权分置改革和次贷危机划分时间
段，考察中国股票市场在全球市场中的地位和影响力。
第五章为结论和政策建议，基于实证分析得出相应的结论，并给出适当的政策建议，
最后，阐述了本文研究的不足与未来研究的展望。
大连理工大学硕十学位论文
2理论基础与研究方法
2．1 股票市场联动理论基础
2．1．1 经济一体化与经济波动的理论基础
经济一体化已成为当今世界经济的显著特征，它主要指全球国家或某一区域的一组
国家和地区通过相互之间设置较少或删除贸易和要素流动限制、创造某些合作因素等方
法，使产品和要素在全球或这组国家和地区范围内广泛流动，从而实现各成员体产品资
源和要素资源最佳配置的过程或状态【521。在这一过程或状态中，各成员体相互依赖程度
越来越高，越来越融合，内部市场向其他成员体市场不断延伸。
随着经济一体化进程的加深，世界范围内的经济波动也愈加明显。一国的经济条件
变化所引发的经济波动将通过各种途径传递到另一国家。经济波动的传导渠道主要包括
国际贸易、国际投资、国际资本市场和政策等其他因素。
贸易是各国相互传递经济波动的重要渠道。当一国经济处于繁荣期时，产品需求旺
盛，当本国产品产量无法满足需求时，本国居民就会追求国外同类产品，使得国外产品
需求量增加，总产出增加，促进该国的经济增长。而从价格信息传递的角度来说，当一
国经济发生波动时，会影响本国进出口商品的相对价格，他国会相应调整该商品的生产
规模和价格，引发他国经济波动。
投资也是经济波动的重要载体，一国对东道国的投资会带动东道国的技术进步和产
业调整，改善就业和国际收支状况，对当地经济具有促进作用，与此同时，投资国也会
从对该国的投资中受益，在获取资本回报的同时也能改善本国国际收支条件。相反，当
本国经济不景气时，对外投资相应减少，影响到东道国的产出和就业，从而带来该国的
经济波动。
国际资本市场也是经济波动重要的传导方式。随着会融自由化的发展，各国资本市
场的开放步伐加快，世界各国间的金融联系普遍加强，汇率与利率的变动、银行1．自J资本
的借贷、证券投资等都使得国际资本市场成为国际经济波动同益重要的传导渠道。尤其
当危机发生时，资本市场会迅速做出反应，加剧危机的传导，从而使另一国经济乃至全
球经济受到相应的影响。
在当今信息化的社会，一国政策因素的变化很容易传递到其他国家，并对他国产生
相应的影响。政策因素涉及到贸易、投资、政府支出等多个方面，如对某一出口产品的
一9一
基于s1R的中国与全球主要股指联动效应研究
限制，提高利率以吸引外资，加强国际项目合作等等政策都会对另一国相应的贸易和资
本条件产生影响，从而引起该国的经济波动。
2．1．2经济波动与股票市场波动的理论基础
现实生活中，宏观经济波动对股票市场有重大影响，这种影响是根本的全局性的，
其内在机理在于：宏观经济环境景气情况影响产业的景气状况，产业的景气状况影响公
司的经营业绩。在经济繁荣时，市场需求旺盛，产品产量增加，价格上升，公司业绩优
良；而当经济陷入衰退时，市场需求萎缩，产品大量囤积，公司经营遇到困难甚至亏损。
公司经营业绩影响股票的投资价值，当经营业绩好时，股票收益和投资回报率高，资金
大量流入，推动股价上涨；公司利润下降时，投资价值降低，在股价不变的情况下，股
票市盈率水平升高，投资风险加大，大量资金选择观望或退出市场，进而引发股价下跌。
个股股价的涨跌最终影响到股票指数的波动。因此，宏观经济是证券市场最为基本的决
定因素，影响一国宏观经济走势的各种政治、经济、军事等因素及政策，都会直接或间
接影响证券市场。
2．1．3股票市场联动的理论基础
如前文所述，联动是指在同一市场同一板块内的个股之间、或者板块与板块之间的
个股收益率呈现较强的相关性，甚至不同证券市场价格存在着显著的收益波动的关联
性，个股、板块和市场之问拥有共同的长期均衡关系或拥有长期同步运动趋势。对于某
个地区的股票市场而言，周边地区股票市场和国际会融市场的宏观环境走势的冲击，都
能引发市场之间的联动，引起相应的联动效应。
目前，对于不同国家股票市场之间存在的内在联动机制主要有两种观点：“经济基
础说(Economic Fulld锄entals)"和“市场传染假说(Market Conta百on Hypomesis)’’。
“经济基础说”按照传统的经济理论分析，侧重于将股市关联性归因于实体经济的
联系，认为如果不同国家间存在共同的经济基础变量，它们在影响一个国家股票市场的
同时，也对另一个国家的市场产生影响，当出现局部或全球性的经济冲击时，如原油价
格上涨、利率上升等因素，这些国家的股票市场就会表现出一致性。
然而，对于全球股票市场的巨幅波动，“经济基础说”理论相对缺乏解释力。由此，
Ⅺng和Wadhwani(1990)提出了另外一种解释——“市场传染假说"，认为股市关联性
不能完全由可观察的宏观经济联系解释，而应该从投资者行为上寻找原因。由于投资者
很难掌握有关市场的全部信息，他们就会观察其他市场的价格来补充自己的信息，即非
完全反映均衡mon．m11y．revealing Equilibrium)。因此，一个国家市场的波动就会传染到
大连理工大学硕士学位论文
另外一个国家的市场，即使这个波动只是纯粹的“噪声交易叫oise Trade)"。“市场传
染假说”对危机后各国股票市场关联性增强的现象给出了理论及实证上的解释。Calvo
和Guillemo(1999)【53】认为，资本市场包含知情投资者和不知情投资者，不知情投资者试
图效仿知情投资者的交易。当发达国家市场的知情投资者为满足其本国市场保证金需要
而出售新兴市场的股票时，新兴市场的不知情投资者会将此信息视为股市收益降低的信
号，从而跟随出售新兴市场的股票，导致新兴市场的股票价格与发达市场相关联。
从资本市场一体化的角度来说，其重要理论就是“一价定律”(The Law ofone Price)
或者购买力平价假设。“一价定律”是由货币学派的代表人物Friednl觚(1953)提出的，
该定律认为在没有运输费用和官方贸易壁垒的自由竞争市场上，一件相同商品在不同国
家出售，如果以同一种货币计价，其价格应是相等的。即是说，通过汇率折算之后的标
价是一致的，若在各国间存在价格差异，则会发生商品国际贸易，直到价差被消除，贸
易停止，这时达到商品市场的均衡状态。该定律适用于商品市场，与之相似的适用于资
本市场的定律是利息平价理论(Inte陀st Ra：te P撕蜘。利息是资本市场的价格，衡量资本
的价值，利息平价理论是指资本在流通过程中，在不同的国家应当有相同的价值，若存
在价格差异，就会发生国际问的资本流动，直到这种差异被消除，达到资本市场的均衡
状态。这是全球股票市场联动现象的基础性解释：具有相似风险的不同国家的资产，应
当有大致相同的收益。资本市场的一体化及相关理论被视作证券投资组合理论的一个基
石。投资组合理论解释了投资者跨国投资股票的行为动因，在这种投资行为的直接作用
下，全球股票市场表现出价格的关联变化特征。
在资本市场一体化的假设下，国际资产价格均等化理论以国际资本资产定价模型
和国际套利定价理论为分析工具展开研究，主要包括具有开创意义的Markowitz(1952)
现代资产组合理论，Sha砷e(1964)和“ntIlef(1965)等人在资产组合理论基础上发展的资
本资产定价模型(Capital Asset Pricing Model，CAPM)，由Grubel(1968)开始，随后由
Stulz(1981)以及Adler和D啪as(1983)提出的国际资本资产定价模型(Intemational Asset
Pricing Model，IAPM)的一般均衡理论，Ross(1976)提出的套利定价理论(Arbitmge
Pncing Theory，APT)，以及由Solnik(1983)和Ilceda(1991)从套利定价理论的国际视角出
发得到的国际套利定价理论(Intemational Arbitrage Pricing Theory，IAPT)。
2．2假说的提出
基于前文对理论基础与研究方法的讨论，本文提出如下假说：
假说一：中国股票市场与全球主要股票市场存在非线性互动关联
基于s1R的中国与全球主要股指联动效应研究
很多用于金融计量分析的经济模型都是线性模型，然而，经济行为很多层面并不是
线性的，例如投资者的心理预期对资产价格走势的影响、资产价格回复到其均值的过程、
政府政策的干预等等都存在非线性特征。因此，本文假定上证综指与全球主要股票市场
指数的互动关联为非线性过程，因此，运用平滑转换回归模型进行分析。
假说二：股权分置改革有利于中国股票市场加强与全球主要股票市场的关联
股权分置改革以建立健全资本市场制度，完善资本市场功能为目标，股权分置改革
的进行发挥了资本市场资源优化配置的作用，使市场运作更加规范，并与国际标准接轨，
推动了中国资本市场的国际化进程。因此，本文假定股权分置改革增强了中国股票市场
与全球主要股票市场的关联，同时提升了中国股票市场在全球市场中的影响力。
假说三：次贷危机后，中国市场与全球主要股票市场的关联程度增加
由“市场传染假说’’可知，即使经济基本面因素没有恶化，一个国家市场的波动也
会传染到另外一个国家的市场，尤其是危机期间，投资者心理因素引发的恐慌加剧危机
的传染，从而使各国股票市场关联性增强。因此，本文认为在次贷危机后，中国市场与
全球主要股票市场的相互影响程度加深。
假说四：香港股票市场和美国股票市场与中国股票市场联系紧密
由“经济基础说"可知，两地实体经济联系越紧密，其资产价格的关联程度越高。
美国一直是中国最重要的经贸伙伴，而香港自回归后与中国内地联系也更为紧密，因此
我们认为香港市场和美国市场与中国市场的联系较其他国家市场与中国市场的关联程
度更高。
综上所述，本文提出了四个假说，在实证分析中，本文将根据实际数据对各个假说
进行验证，以及更深层次地挖掘中国股票市场与全球主要股票市场的联动特征及规律。
2．3 STR模型
2．3．1 STR模型的形式
y，=‘’≯+(一’秒)G(y，c，s，-d)+甜， (2．1)
其中，)，，为被解释变量，t为解释变量组成的向量，包括被解释变量y，的直到足阶
的滞后变量和历个其他解释变量，即一=(1，_f，．一，x肼)t_(1，y川，⋯，)，H；z¨，⋯，z。，)’，且
p=尼+聊。≯=(九，办，⋯矽P)’和9=(‰，q，⋯口，)t分别为线性和非线性部分的参数向量，
饥)是独立同分布的误差序列。G(厂，c，sH)为转换函数，是转换变量J，的连续函数，取
大连理-T大学硕士学位论文
值在O到l之间，随着■一d的变化，G(^c，JH)在O到1之间平滑转换。转换变量_一d既
可以是五中的一个元素或多个元素的组合，也可以是随机变量或者线性时间趋势等先决
变量的一个线性组合。y为转换速度，c为转换发生的位置参数，d是延迟参数，为一
正整数。．
Granger和Ter泌virta(1993)将STR模型大致分为两类，即逻辑函数型(LSTR)和指数
函数型(ESTR)，逻辑函数型的转换函数形式如下：
G(7，c，J卜d)=【1+exp(一／(J，-d—c))】～，y>0 (2．2)
在此模型中，转换函数G(7，c，岛一d)是转换变量墨一d的单调上升函数，当sH专佃时，
G(7，c，JH)一l；当Jf-d一娟时，G(厂，c，■一d)专O；当s～专c时，G(7，c，Jf．d)j 0．5。
厂>0是一个识别性约束条件。厂反映了由“O’’状态过渡到“1"状态的速度，y较大表
明s～相对于c的很小变化都会导致机制转换的剧烈变化。当7趋近于无穷时，转换函数
G(7，c，sH)从O到1的变化在sH=c上是瞬时的。此时，LSTR模型可视为TAR模型
(若sH=z～)或SETAR模型(若s，一=只一d)。位置参数c用来确定状态转变的时刻。
指数函数型转换函数形式如下：
G(7，c，s卜d)=1一exp(一7(s卜d—c)2)，厂>0 一(2．3)
利用指数函数的特点，当s“在c点两侧取值时，转换函数的值域会单调性地发生
变化。当q—d靠近c点时，G(厂，c，sf-d)专0；当sH远离c点时，G(厂，c，s～)专l。
LsTR模型适合刻画经济系统在不同的阶段(周期)拥有不同的动态特征，例如用
转换变量衡量经济周期阶段时，LSTR模型可以描述由衰退到繁荣的过程；而ESTR模
型设定刻画了经济系统在回复到其均衡水平的动态过程中，具有对称性，与初始偏离的
方向无关，其非线性特征表现在离均衡水平的距离不一样，经济系统所表现出的动态特
征也不同，例如一种货币离购买力平价所决定的均衡水平越远，其波动性可能越大。
Gmnger和Ter{isvirta(1993)给出了一种非单调类转换函数：
G(7，c，s卜d)=[1+exp(一7(s，-d—c1)(sf-d—c2))】～，y>0，cl≤c2 (2．4)
此开关函数不仅具有非单调性，并且关于(c．+c，)／2点对称，当s，专±∞时，有
G(7，c，s～)一l；又对一切c1≤s，≤c2，当y j。o时，有G(y，c，s州)专O，而在其他值处，
有G(y，c，JH)专1。这种模型可以模拟三种制度，外部的两个制度相同，而中间的制度
存在差异。将前述LsTR模型称为LSTRl模型，将此LSTR模型称为LSTR2模型。
基于s1R的中国与全球主要股指联动效应研究
当式中不含有磊，且岛=yH或者&=缈H，d>O时，STR模型就变成了单因素
平滑转换自回归模型，即STAR(smoom TraIlsition Autoregressive)。Ter融virta(1994)对
STAR模型进行了更深入的讨论。
2．3．2 STR模型的估计
STR模型估计需要经过如下几个步骤：
①线性与非线性检验；
②模型形式的确定及转换变量的选取；
sTR模型具有与其他非线性模型相同的性质，这些性质只有在备择假设下才能识别
出来。检验模型是否线性的原假设是，，=O，然而，在原假设下，模型不能识别，因为
此时，c及参数向量∥可以取任意值。为解决这一问题，I，uukkoneIl、Sai妓onen和
Ter瓠virta(1988)【541对模型(2．2)在厂=0进行三阶泰勒展开：
yt=xtt po+p～x?S}-d+p2x?sId+p3xt、s：一d七ut Q．5●
在LSTR模型下，判断模型非线性的原假设是矾：y=0，经过泰勒展开后，模型原
假设转换为H：：屈=岛=历=o。把可能的转换变量以及不同的滞后阶数代入式中，若
拒绝砩，则表明模型存在非线性，若存在多个转换变量拒绝砩，则选取检验统计量p
值最小所对应的转换变量，即拒绝原假设需要比其他转换变量构建的模型更强的理由。
拒绝Hj后，对下列假设做序贯检验： 日；：压=o； H；：殷=o／屈=o；
H；：屈=o／反=属=o。根据Ter融vin“1998)的模型选取准则，若拒绝日；的p值最小，
则选择LSTR2或ESTR模型，否则，选择LSTRl模型。
为实现上述检验，Luul(koneIl等人(1988)首先提出了构建服从Z2分布的LM统计检
验，但是，经过大量随机模拟结果分析显示，在小样本情况下，该统计量检验具有较低
的检验势。基于此，Teriisvin“1994)构造渐进服从，分布的LM统计检验，在小样本情
况下，该统计检验量检验势明显提高。若检验假设H：：届=殷=尾=o，具体步骤如下：
(1)在原假设成立的条件下，做只对‘’的回归，并计算残差平方和赆％；
(2)在不存在原假设约束的条件下，对模型进行回归，并计算残差平方和驱R；
(3)服从Z2分布的LM统计量计算如下：
[，M：!!墅!二型!!
SS氏
服从F分御的LM统计量计算如下：
大连理工大学硕十学位论文
埘：!坠二墅!!!塑
跚l／(丁一4p一1)
其中丁为时间序列时间长度，3p为受约束参数的个数；Z一4p一1为分母对应的自
由度。
③模型参数的估计
估计参数的第一步是将转换方程标准化，由于参数y不是一个自由标量，其值依赖
于转换变量sH的量级数，因此通过除以‘一d的标准差对转换变量_一d对位置参数的偏离
进行标准化(mlger和Teriisvirta，1993)。若为LSTRl模型则除以转换变量标准差o，
若为LSTR2或ESTR模型则除以转换变量方差02，即：
G(7，c，s卜d)=【1+e。【p(一(厂／屯)(s卜d—c))]～，厂>o (2．6)
G(厂，c，s卜d)=l—exp(一(厂／彰)(J卜d—c)2)，厂>o (2．7)
G(7，c，J卜d)=[1+exp(一(厂／彰)(Jf叫一c1)(J卜d—c2))】一，7>o，cl≤c2(2．8)
与一般线性模型估计相比，非线性模型的主要问题是含有未识别参数。有一类非线
性模型，如果在事先确定某个未识别参数(条件线性参数)，则非线性模型可转化成线
性模型，我们称该类模型为条件线性参数模型。对于条件线性参数模型，常用的估计方
法是网格搜索法。因此，本文用网格搜索法估计STR模型。网格搜索法的思想是：根
据条件线性参数的特点，确定条件线性参数存在的可能区间，然后确定适当的步长，将
不同条件线性参数所有可能的取值，形成组合，代入目标函数中，然后根据特定的准则，
筛选出最合适的参数组合作为最终结果。
2．3．3 STR模型的检验
在检验非线性模型的品质时设定偏差检验是一个重要工具，Ei仃heim和
Te俺svirta(1996)【55】和Ter瓠virta(1998)【56】已经考虑过STR模型中的设定偏差检验问题。这
里所说的检验是线性模型检验评价的推广，即无残差自相关的LM检验、无附加非线性
的LM检验以及参数稳定性的LM检验。
(1)无残差自相关检验
无残差自相关检验的原假设是无残差自相关，备择假设是在最大阶g时存在自相关。
用估计出来的STR模型的残差对滞后残差进行回归，并将对数似然函数在模型参数中
取最大值时对模型参数进行偏导数求解。令，z表示模型中参数的数量，则检验统计量为：
埘：!幽Q二婴!迦
驱R／(丁一，z—g)
基丁二s1R的中国与全球主要股指联动效应研究
鼹Rn是STR模型的残差平方和，鼹R是辅助回归的残差平方和，在零假设前提下，
分别服从自由度为g和r一刀一g的，分布。
(2)无附加非线性检验
当利用STR模型对数据进行拟合后，应检查模型是否完全描述出了非线性特征，
被选模型为附加STR模型，即：
)，f=‘’≯+(‘’口)G(yl，q，sl卜d)+(t’少)日(如，c2，s2卜d)+“， (2．9)
日(％，乞，s：州)为转换函数的另一种形式，伽，)是独立同分布的误差序列。无附加非
线性的原假设可以定义为儿=0，在原假设下y与c，均为冗余参数。
(3)参数稳定性检验
当模型存在设定偏差或模型中描述的经济关系确实随时间发生变化时，即为参数不
稳定。参数稳定性检验的原假设为参数稳定，备择假设则允许参数出现平滑的持续变化。
大连理工大学硕士学位论文
3 全球主要股票市场指数对上证综指联动关系的实证分析
3．1 数据来源及预处理
本文选取中国和7个主要国家和地区股票市场指数数据，7个国家和地区分别为美
国、日本、中国香港、英国、俄罗斯，印度和巴西，选取的股票指数分别为中国上海证
券交易所综合指数(shaJlgllai stock Exchangc composite，ssEc)、美国道琼斯工业平均指
数(Dow Jones mdustrial Average，DJI)、日本东京日经225指数(NIKKEl225)、中国香港
恒生指数(Hang SeIl曲、英国伦敦金融时报loo指数(FTSEloo)、俄罗斯RTS指数，印度
孟买BSE30指数以及巴西圣保罗BOVESPA指数。数据来源于锐思数据库
(www．resset．cn)。
为消除单纯使用指数收盘价可能引发的指数异常值的影响，本文选取指数开盘价、
最高价、最低价和收盘价的算术平均值作为指数的价格。用线性插值法将缺失数据补齐。
为减少异方差影响，对所有数据取自然对数，以每个股票指数名称前两位取变量名，分
别记作上证综指(扬船)，道琼斯工业平均指数(觑奶，日经225指数(觑玎D，中国香港恒生
指数(砌办J)，英国伦敦会融时报100指数(拥伪，俄罗斯I汀S指数(觑棚，印度孟买BSE30
指数(觑如)和巴西圣保罗BOVESPA指数(觑幻)。
3．2单位根检验
首先对数据进行平稳性检验，检查序列平稳性的标准方法是单位根检验。比较常用
的有DF(Dickey-Fuller)检验、ADF(Augmented Dickey．Full哪检验以及PP(Phnlips—P㈣n)
检验。本文采用ADF检验序列的平稳性。
对8个国家和地区的股票价格指数序列进行单位根检验，滞后阶数根据SIC(Scllwarz
Info Crit谢on)准则选取。结果如表3．1所示。
对ADF检验，检验统计量是检验回归之后因变量的f统计量，如果f统计量小于临
界值，拒绝原假设。从表3．1看，妇序列检验f统计量值是．0．840536，比显著性水平
为10％的临界值都大，所以，不能拒绝原假设，序列存在单位根，是非平稳的。但对肋船
序列进行一阶差分后，检验f统计量值是．22．48233，小于显著性水平为1％的临界值，
表明至少可以在99％的置信水平下拒绝原假设，即认为序列枷船不存在单位根，是平
稳序列。同理可以得出加刃、伽，zi、砌凰、坳、砌形、砌加以及加6D序列是非平稳的，而
其一阶差分序列是平稳的。因此可以认为，时间序列砌ss、肪刃、觑脚、砌凰、觑厅、觑以、
觑6D以及助瓠都是一阶单整I(1)序列。
基于STR的中国与全球主要股指联动效应研究
注1)d加黜为f，郴的一阶差分序列，其他序列Ir对理
2)榆验形式中，c、A工分别表示常数项、时间趋势和滞后阶数，口表H÷显著性水、卜
3．3 STR模型实证分析
3．3．1 道琼斯工业平均指数对上证综指的联动分析
首先确定模型的自回归(AR)部分，考虑到数据频率较大，取因变量讲玎ss的1．10阶
滞后项，解释变量砒讲的O．10阶滞后项，共组成110种组合，在满足序列无关的前提
下，以AIC信息准则和SIC(schwa亿Info crit甜on)信息准则为标准选取滞后阶数。表3．2
列出了砒船对其自身滞后1阶与砒刃滞后0．10阶组合的回归结果，如挪对其自身2．10
阶滞后与砒斫O．10阶滞后的组合的回归结果见附录A。
大连理工大学硕士学位论文
C
dlnss(一1)
dlndj
dlndj(一1)
dlndj(-2)
dlndj(一3)
dlndj(一4)
dlndj(一5)
dlndj(-6)
dlndj(一7)
dlndj(一8)
dlndj(固)
dlndj(_10)
O．ooOl O．ooOl 0．000l O．0001 O．Oool O．000l O．Oool 0．O001 0．Oool 0．000I O．ooOl
O．6999 O．6793 O．6869 0．6740 O．6818 0．6752 O．659l O．6342 O．618l O．6259 O．6222
O．2904 0．283l O．286l 0．286l O．2857 O．2846 O．2832 O．2822 0．2813 O．2812 0．28lO
O．0000 O．OooO O．Oooo 0．0000 O．0000 0．OooO O．OooO O．ooOO O．0000 O．0000 O．0000
O．1264 O．1262 O．1247 O．1246 0．1243 O．1252 O．1262 O．1260 O．1255 O．125l O．1250
O．0000 O．0000 O．O000 O．000lo 0．0000 O．OOoo 0．000lo O．000lo 0．OooO O．OooO O．0000
O．0868 0．0864 0．0877 O．0878 0．0870 O．0880 0．0884 0．O明3 0．0877 0．0877
O．0002 0．0002 O．0002 O．0002 O．0002 O．0002 0．000l O．000l O．0002 O．0002
．o．0337 -o．0339 -o．0325 _o．0324—o．0330 _o．0323 _o．0318 -o．0320 -o．0322
O．146l 0．1439 O．1620 O．1626 O．1550 O．1643 O．1717 0．169l O．1665
O．0325 0．033l O．0356 O．0354 0．0348 O．O删O．0362 O．036l
0．1585 0．1517 O．1237 0．1253 O．1315 0．1257 0．1176 O．1185
0．0197 O．0200 O．0214 O．0212 0．0209 O．02ll O．0213
O．3932 O．3859 O．3539 O．3582 O．3鹋7 O．3627 O．3576
0．0489 O．0487 O．0487 O．0486 O．0484 O．0486
O．0340 O．0360 0．0350 O．0356 0．0365 O．0358
O．0352 O．0343 O．0348 0．0349 O．0347
O．1276 0．1373 O．1326 O．132l 0．1342
0．0164 0．0160 O．0174 O．0173
O．4766 0．4889 O．453l 0．454l
0．0186 O．0192 O．0195
O．4216 O．407l O．400l
O．0206 O．0205
O．3728 O．3748
O．0085
O．7126
^IC 一5．854l 一5．8595 —5．859l 一5．8587 —5．8580 一5．8587 一．5-8585 —5．8583 —5．8575 —5．85t；8 —5．8555
S JC 一5．8465 —5．8493 —5．8463 —5．8434 —5．840l 一5．8382 —5．8355 —5．8327 —5．8294 —5．826l 一5．8223
明1．9170 1．899l 1．9023 I．9028 1．9042 1．9047 1．9030 1．9035 1-9019 1．9022 1．9014
注1)包含两个数值的单冗格，．I：方数!≯为变量系数估计值，下方为概率值
根据AlC和SIC信息准则，在幽螂滞后3阶砒谚滞后1阶时，AIC和sIC准则
均达到了最小值，各变量系数显著且无序列自相关。在确定自回归项后，进行线性假设
的检验和转换变量的选择，在拒绝线性假设的条件下，进一步进行日；、Ⅳ；、日；的序
贯检验，以确定转换变量以及模型的形式。检验结果由表3．3所示。
一19一
基丁二s1R的中国与全球主要股指联动效应研究
表3．3线性假设检验及转换变量和模型形式选择结果
Table 3．3 Line觚Hypotllesis Test锄d Choice ofT瑚sition V撕able alld Model F0册ati∞
——茌了厂i雍疆丙i西啪gcr莉i磊磊而a(1993)提i}{的检验线性假设的统计量；F4、F3、F2分别H04、H03、H02的
检验统计量；表中数值为各统计量的相伴概率。
由表3．3可看出，无论以dlIlss(t．1)、dlnss(t一2)、dlnss(t-3)、dlndj(t)和dlndj(t-1)哪个
为转换变量，都能拒绝线性关系的原假设，且当dlndi(t)作为转换变量时，相伴概率小于
其他值，又因为F3的相伴概率的值远小于F4和F2的对应值，因此，取dln由(t)为转换
变量，并确定转换函数类型为LSTR2型。即转换函数形式为：
G(／，c，墨—J)=[1+exp(一7(s，_d—c1)(s，-一一c2))】～，7>0，q≤c2 (3．1)
用二维网格搜索法估计模型的初值，如图3．1所示，c1、c，的取值范围为[．0．2567，
O．25461，y为f0．50，10．oo】，分别从最小值到最大值等间距取60个值，构造出3600对
组合，针对每一组合的c和y值，计算残差平方和，取SSR最小者为初始值，接着采用
N州on-Raphson迭代的方法，最大化条件似然函数，得到模型参数的估计值。之后剔除
不显著的变量，对模型进行优化得到最终模型形式。估计结果如表3．4所示。
大连理工大学硕士学位论文
图3．1二维网格搜索法估计初值
Figure 3．1 111i矗al Value EstilIlation诵m Two司iIIlensional酾d Se鲫ch
表3．4 LSTI匕模型估计结果
Table 3．4 Estimation Result ofLSTIt2
根据表3．4可得LSTl毪模型的具体形式如下：
一21—
基于s11t的中国与全球主要股指联动效应研究
dlnss=0．3791dlnss(一1)一O．2174dlnss(一2)+O．1769dlnss(-3)+O．1328dlndj+
O．0628d1Ildj(一1)+(O．0046—1．1222dlnss(一1)+O．5084dlnss(-3)一
O．0948dlndj)幸G0，c，dlndj) (3．2)
其中，GO，c，dlndj)=【1+exp(．15．458l(dlndj+O．0445)(dlndj一0．0371))])。1 (3．3)
对模型进行无残差自相关检验，结果如表3．5所示。
表3．5无残差自相关检验
Table 3．5 Test 0fNo Error Autocon．elation
由表3．5可以看出，滞后阶数从l阶到10阶均能在5％的显著性水平下接受原假设，
即可证明模型不存在残差自相关。
对模型进行无附加的非线性检验，检验结果如表3．6所示。
表3．6无附加的非线性检验
Table 3．6 Test ofNo AdditiVe Nonline撕t)，
大连理工大学硕士学位论文
由表3．6可知，无论转换变量取dlnss(一1)、dlnss(一2)、dlnss(一3)，dlndj和dlndj(一1)，
都能在1％的显著性水平下接受无附加的非线性的原假设，因此，可以认为该模型已完
全描述了非线性特征。
Plot of Time Serie掌4—2241．o．T=2238
I——Tran。．runct：。一I‘
¨■¨
a14 1j4 274 414 554 694 8j4 974 1 1 j4 1j1 4 1 494 1674 1854 20j4 2214
图3．2道琼斯工业平均指数对上证综指影响的转换函数
Fi粤lre 3．2 1伽lsition Function ofD儿to SSEC
由于将股票指数序列取对数后差分，因此砒刃与幽哪可以分别用来表示道琼斯工
业平均指数和上证综指的日收益率，以下均从收益率的角度分析股票市场之间的关联关
系。由表3．4的估计结果可以看出，在LSTR2模型的线性部分中，dlnss(．1)的J下向影响
最大，dlnss(．2)与dlnss(．3)对以脚的影响分别与后一期呈反向关系，表明上证综指收益
率的波动。锄力与dlndj(．1)对幽铘的影响均为正向，但影响程度较以脚自身小一些。
LSTR2模型的非线性部分包含转换函数和回归项两部分，转换函数中临界值cl=
．O．0445，c2=O．0371，即转换函数关于(cl+c2)／2=．O．0037对称，当转换变量dlndj=
．O．0037时，转换函数G=O，非线性部分消失，模型完全表现为线性形式，即：
dlnss=0．3791dlnss(一1)一0．2174dlnss(一2)+0．1769dlnss(一3)+0．1328dlndj+
0．0628dlndj(一1) (3．4)
当转换变量值等于cl或c2时，转换函数G=O．5，模型形式变为：
dlnss=O．3791dlnss(一1)一0．2174dlnss(一2)+O．1769dlnss(-3)+O．1328dlndj+
O．0628dlndj(一1)+(0．0046一1．1222dlnss(-1)+O．5084dlnss(．3)一
O．0948dlndj)木0．5
基丁册t的中国与全球主要股指联动效应研究
=O．0023—0．182dlnss(-1)一O．2174dlnss(-2)+O．431ldlnss(-3)+O．0854dlndj+
O．0628dlndj(一1) (3．5)
转换速度)r为15．4581，表明模型的转换速度较快，当转换变量值小于．O．0445或大
于0．037l，也就是道琼斯工业指数当期的收益率小于．4．45％或大于3．71％时，转换函数
值迅速向1转换，模型非线性部分的影响也迅速表现出来，模型形式可表示为：
dlnss=O．3791dlnss(一1)一O．2174dlnss(-2)+O．1769dlnss(-3)+O．1328dlndj+
O．0628dlndj(-1)+(O．0046一1．1222dlnss(·1)+0．5084dlnss(-3)一O．0948dlndj)
=O．0046—0．7431dlnss(-1)一O．2174dlnss(-2)+0．6853dlnss(一3)+0．038dlndj+
O．0628dlndj(一1) (3．6)
cl与c2的值体现出道琼斯工业指数当期正的收益率和负的收益率对上证综指的影
响具有一定的非对称性。当道琼斯工业指数收益率不大于3．71％时，道琼斯工业指数与
上证综指的收益率保持一种稳定的线性关系，而当变动率超过3．7l％时，线性关系迅速
向非线性关系转化，而当变动率低于-4．45％时，才会有线性关系向非线性关系的转换。
由转换函数的图形可以看出，自2008年9月18日至2008年12月9日期间，模型存在
从线性到非线性的频繁转换。这段时间道琼斯工业指数了金融危机以来最大幅度最快速
度的下跌，自2008年9月18日至2008年12月9日，道琼斯工业指数从1 1019．69点跌
至8691．33点，共下跌2328．36点，跌幅21．13％，指数同收益率呈现剧烈波动。而此时，
上证综指到达金融危机以来最底部的调整阶段，而当非线性影响发挥作用时，上证综指
前一天的收益率对后一天呈负向影响，表明道琼斯工业指数收益率巨幅的波动导致上证
综指也在不断地观望与调整中。
由LSTR2模型可以看出，无论是线性还是非线性影响发挥作用，上证综指收益率
受其自身影响较大，而道琼斯工业指数收益率，尤其是前一天的收益率对上证综指的影
响较小。
我们考虑分段刻画道琼斯工业指数与上证综指的关系，分别以2005年5月9同股
权分置改革和2007年7月10同次贷危机为界，将整体时间段划分为三部分。2005年4
月29日，经国务院批准，中国证监会发布《关于上市公司股权分置改革试点有关问题
的通知》，宣布启动股权分置改革试点工作。2005年5月9 R推出首批股权分置改革试
点企业，意味着股权分置试点工作自此进入实质操作阶段，因此选择2005年5月9 R
作为股权分置改革的时间点。而2007年7月10同，标准普尔和穆迪分别一次性降低399
只和612只涉及资本超过170亿美元的高风险抵押贷款支持的债券评级，此举导致投资
者担心美国次级抵押贷款市场恶化可能最终殃及美国经济，引发全球金融市场大震荡，
大连理T大学硕士学位论文
该事件被认为是次贷危机爆发的标志性事件，因此本文选取2007年7月10日作为次贷
危机的时间点。
估计步骤同上，得出阶段一(2001年1月4日至2005年5月6日)的模型形式如下：
dlnss=-O．O005+0．4198dlnss(·1)一0．1996dlnss(-2)+0．1304dlnss(一3)+(O．0373+
O．1754dlnss(一2)+0．8681dlnss(-3)+3．3650dlndj)木G()，，c，dlnss(一2)) (3．7)
其中，G(儿c，dlnss(一2))=[1+eXp(一1．6625(dlnss(·2)+O．0253)(dlnss(·2)一0．077))】)_
(3．8)
阶段二(2005年5月9日至2007年7月9日)的模型形式如下：
dlnss=O．0015+0．4005dlnss(-1)一O．300ldlllss(·2)+O．2195dlnSs(-3)+2．7106dllldj一
2．8803dlndj半G()，，c，dlIlSs(一1)) (3．9)
其中，G(办c，dlnss(-1))=[1+exp(一0．5052(dlnss(-1)+O．0619))】)“ (3．10)
阶段三(2007年7月10日至2009年8月17日)的模型形式如下：
dlnss=O．3242dlnss(-1)+O．204dlllss(一3)+0．2068dlndj(-1)+O．165dln由(-3)+
0．1613dllldj(-5)+(-O．0001一O．1782dlnss(一1)+O．3289dlndj—O．1598dlndj(-2)一
O．1 754dln由(一4)}G()，，c，dlndj(-3)) (3．11)
其中，G()，，c，dlndj(-3))=【1+eXp(一723．6959(dhdj+O．0302))】)_ (3．12)
由三阶段模型可以看出，在第一阶段，上证综指主要受其自身影响，道琼斯工业指
数在线性部分对上证综指没有影响，而在非线性部分，虽然道琼斯工业指数变动一个单
位会带来上证综指3．3650个单位的变化，但由门限值和转换函数可以看出，转换函数大
部分值为零，也就是说，对上证综指起作用的主要是线性部分。因此，可以认为，在第
一阶段，道琼斯工业指数收益率对上证综指收益率几乎没有影响。
而在第二阶段，即股权分置改革后，上证综指受其自身影响略微减小，而道琼斯工
业指数对上证综指的影响逐渐显现出来。尽管由于转换函数值大部分接近于1，抵消了
部分线性影响，但线性部分的影响仍发挥了一部分作用。因此可以认为，股权分置改革
后，道琼斯工业指数收益率对上证综指收益率的影响有所增加。
而在次贷危机发生之后，即由阶段三的模型可以看出，道琼斯工业指数前一期的收
益率开始发挥作用，对上证综指收益率产生同向影响，表明次贷危机期间美国股票市场
的波动对中国股票市场产生一定影响。转换函数在大部分情况下接近于l，模型非线性
部分发挥影响，即道琼斯工业指数当期收益率变动1个百分点，对上证综指当期收益率
也具有0．3289个百分点的同向作用，道琼斯工业指数在危机时段对上证综指的影响加
大。由转换函数图形可以看出，在2008年10月8 R至2008年12月5日，即前文提到
基于STR的中国与全球主要股指联动效应研究
的时间段内，模型频繁在线性与非线性之间转换，表明这段时间美股的巨大下滑给上证
综指带来的波动性影响，这与前文总阶段的分析形成了一致。
3．3．2 日经225指数对上证综指的联动分析
步骤同上，做如娜与砒力f的关系，同上面的判断准则，在幽螂滞后3阶砒甩f
滞后1阶时，SIC准则达到了最小值，AIC值较小，各变量系数显著且无序列自相关。
因此取该组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。检验结果
由表3．7所示。
表3．7线性假设检验及转换变量和模型形式选择结果
Table 3．7 Linear H)，pothesis T骼t aIld Choice of Transition Variable锄d Model Fomation
——西—了i刁蕊为Gmngcr葡n艏svirta(1993)提jf；的检验线性假设的统计量；F4、F3、F2分别H04、H03、H02的
检验统计量；表中数值为备统计量的相伴概率。
由表3．7可看出，无论以dlnss(t一1)、dlnss(t一2)、dlnss(t·3)、dlIuli(t)和dlIuli(t-1)哪个
为转换变量，都能拒绝线性关系的原假设，且当dlIllli(t)作为转换变量时，相伴概率小于
其他值，又因为F2的相伴概率的值最小，因此，取d111Ili(t)为转换变量，并确定转换函
数类型为LSTRl型。即转换函数形式为：
G(厂，c，s，-d)=[1+exp(一y(s卜d—c))]～，厂>0 (3．13)
模型估计结果如表3．8所示。
大连理T大学硕士学位论文
根据表3．8可得LSTRl模型的具体形式如下：
dlnss=一O．0132+0．3709dlnss(一1)+O．8960dlnss(-3)+0．1785dlmli—O．3195dlmli(一1)+
(O．0136一O．2310dlnss(-2)一O．7432dlnss(-3)+0．2263dlnni(一1))木GXy，c，dlnni)
(3．14)
其中，G()，，c，dlIlIli)=【1+eXp(一1．5484(dlIlIli+O．0359))】)q (3．15)
由模型可知，日经指数对上证综指的影响相对较弱，在线性部分，日经指数当期收
益率每变动一个单位，带来上证综指收益率O．1782个单位的同向变动。尽管由转换函数
图形可知，非线性部分在大多数时间下起到作用，但由于非线性部分日经指数当期收益
率不显著，因此总体影响同样不明显。由转换函数图形可以看出，在2008年9月26日
至2008年12月12日同经指数急速下跌期间，转换函数值接近于零，此时，线性部分
发挥了主要影响，日经指数收益率的f；{『一期对当期上证综指收益率具有负向影响，表明
日经指数的波动使得上证综指收益率处于不断调整阶段。
基于s1R的中国与全球主要股指联动效应研究
Plot of Tim●Series 4—2241．0．T墨2238
图3．3 日经指数对上证综指影响的转换函数
Fi目u．e 3．3 Tmsition FIlrlction ofNIKKEI to SSEC
4
同样考虑股权分置改革前后及次贷危机前后同经指数与上证综指的关联，估计步骤
同上，得出模型如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnss=O．4434dlnss(-1)一O．2113dlnss(一2)+O．1266dlnss(一3)+(-O．0131一1．542dlIlSs(-2)
+O．5864dlnss(一3)+O．5178dlnni)毒6f(n Gdlnss(一1)) (3．16)
其中，G()，，c，dlnss(一1))=[1+eXp(·O．745l(dlnss(一1)+O．0253)(dlnss(-1)一O．0725))D_
(3．17)
阶段二(2005年5月9日至2007年7月9日)：
dlnss=O．0009+O．4491dlnss(-1)一O．67d1Ilss(-2)+O．9307dlnss(-3)+(O．4724dlnss(-2)一
O．8024dlnss(一3)+O．1 957dlnni)木G()，，c，dlnss(-2)) (3．1 8)
其中，G()，，c，dlnss(一2))=【1+exp(·172．2209(dlnss(-2)+O．0165))])_ (3．19)
阶段三(2007年7月10同至2009年8月17同)：
dlnss=O．O001+0．3663dlnss(一1)一0．212dlnss(一2)+O．2498dlnss(一3)+0．4531dlIllli一
0．2687dlnni(-1)+O．1 12dlnni(-2)一O．5869dlnss(一3)宰G()，，c，dlnni(一2)) (3．20)
其中，G()，，c，dlnIli(一2))=[1+exp(一10．0414(dlllIli(-2)一0．0271))】)叫(3．21)
由模型可知，在第一阶段，同经指数在线性部分对上证综指没有影响，而在非线性
部分虽具有一定影响，但由于转换函数大部分接近于零，因此，模型线性部分发挥主要
一28—
大连理工大学硕士学位论文
作用，日经指数收益率对上证综指收益率的影响不明显，上证综指收益率主要受其自身
前期收益率的变化影响。
而在股权分置改革后，即第二阶段，尽管在线性部分日经指数对上证综指仍然没有
影响，但由于转换函数值大部分接近于1，因此模型非线性部分开始发挥作用，F1经指
数收益率变动1个单位，能引起上证综指收益率0．1957个单位的同向变化。可以认为，
股权分置改革后，日经指数对上证综指的影响有所增加。
金融危机期间，日经指数对上证综指的影响进一步加大，线性部分日经指数收益率
每变动1个单位引起上证综指收益率同向变动O。4531个单位。模型在上述股市暴跌的时
间段内仍然存在线性与非线性的频繁转换，表明股票市场波动的剧烈。当日经指数收益
率超过2．71％时，模型即以lO．0414的转换速度发生线性至非线性的转换。
3．3．3 香港恒生指数对上证综指的联动分析
按照同样的步骤分析香港股票市场与中国内地股票市场的联动关系，同上面的判断
准则，在幽郴滞后3阶d觑凰滞后l阶时，AIC和SIC值较小，各变量系数显著且序列
无自相关。因此取该组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。
检验结果由表3．9所示。
表3．9线性假设检验及转换变量和模型形式选择结果
Table 3．9 Linear H”omesis Test and Clloice ofTransition V撕able alld Model F0mation
注1)F统计量为Granger和Te哺svirta(1993)提{|{的检验线性假设的统计量；F4、F3、F2分别H04、H03、H02的{仓
验统计量；表中数值为各统计量的相伴概率。
由表3．9可看出，无论以dlnss(t．1)、dlnss(t．2)、dlnss(t．3)、dlnhs(t)和dlllhs(t．1)哪个
为转换变量，都能拒绝线性关系的原假设，且当dlnhs(t)作为转换变量时，相伴概率小
于其他值，又因为F3的相伴概率值小于F4和F2，因此，取d111hs(t)为转换变量，并确
定转换函数类型为LSTR2型。模型估计结果如表3．10所示。
基于s1R的中国与全球主要股指联动效应研究
根据表3．10可得LSTR2模型的具体形式如下：
dlnss=0．3892dlnss(一1)一0．2162dlnss(一2)+0．1403dlnss(-3)+O．2996dlnhs+(O．0088+
O．4889dlnss(·3)+O．2425dlnhs—O．3997dlnhs(·1))宰G()，，c，dlnhs) (3．22)
其中，G()，，c，dlIllls)=[1+exp(-O．2633(dllllls+0．0418)(dlnlls—O．0721))】)叫(3．23)
由模型可知，恒生指数对上证综指的影响强于道琼斯工业指数对上证综指的影响，
在线性部分，恒生指数收益率每变动1个单位，会带来上证综指收益率O．2996个单位的
同向变动。而由转换函数可知，在2008年9月16同至2008年11月20日，即恒生指
数加速下跌期间，模型频繁于线性与非线性的转换，非线性部分的影响加大，使得恒生
指数收益率对上证综指收益率的影响进一步加大，市场传染加剧。由模型同样可知，恒
生指数收益率对上证综指收益率的影响具有非对称性，即当恒生指数收益率低于．4．18％
时，非线性部分缓慢产生影响，而当恒生指数收益率高于7．21％时，非线性部分才会发
生作用。
大连理工大学硕十学位论文
PIot of Time Se ries 4—224 1．0．T兰2238
图3．4恒生指数对上证综指影响的转换函数
Figllm 3．4 Tra璐ition F叽ction of Hang S％g to SSEC
4
同样将时间划分为三个阶段，估计出模型如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnss=O．O003+0．3911dlnss(一1)+O．1088dlIlss(一3)+(一O．2695dlnss(-2)+
O．1 749dlnlls)卡G()，，c，dlnss(一2)) (3．24)
其中，G()，，c，dlnss(·2))=[1+exp(一l 08．1 6(dlnss(一2)+O．0l 3 1)(dlnss(-2)一O．OO 1 9))】)d
(3．25)
阶段二(2005年5月9日至2007年7月9日)：
dlnss=O．6339dlnss(一2)+O．149dlnss(一3)+0．4028dlnhs+(O．0016+O．4127dlnss(-1)一
0．9888dlnss(一2))宰G(_)，，c，dlnSs(一3)) (3．26)
其中，G()，，c，dlnss(·3))=[1+eXp(一1244．6911(dlnss(-3)+O．0615)(dlnss(-3)+
O．0288))])叫(3．27)
阶段三(2007年7月10 F1至2009年8月17日)：
dlnss=O．3518dlnss(一1)一O．1833dlnss(一2)+O．1901dlnss(一3)+O．4208dlnhs+(·0．1928—
0．4188dlnss(一1)+0．5902dlnss(一2)+O．5864dlnss(-3)+2．6921dlnhs)乖6-()，，
c，dlllhs) (3．28)
其中，G()，，c，dlnhs)=[1+exp(-4．0947(dlnhs—O．0598))】)_ (3．29)
由模型可知，在第一阶段，恒生指数对上证综指的影响相对较弱，尽管在线性部分
恒生指数对上证综指没有影响，但由于模型频繁在线性与非线性部分转换，因此非线性
一3l一
基丁二STR的中国与全球主要股指联动效应研究
部分起到一定作用，即恒生指数收益率对上证综指收益率具有相对较弱的影响，上证综
指收益率受其自身前期影响较大。
在股权分置改革后，恒生指数对上证综指的影响明显增加，恒生指数每变动1个单
位，能引起上证综指0．4028个单位的同向变化，恒生指数收益率对上证综指收益率具有
较强的带动作用。
危机期间恒生指数对上证综指的影响进一步加大，线性部分恒生指数收益率每变动
1个单位带来上证综指收益率O．4208个单位的同向变动，而在股市暴跌期间，模型非线
性部分发挥作用，恒生指数收益率对上证综指收益率的影响更为明显，再一次体现了危
机期间市场的传染性。
3．3．4伦敦金融时报100指数对上证综指的联动分析
步骤同上，做砌娜与砌驴的关系，同上面的判断准则，在如娜滞后3阶砌矿滞
后O阶时，AIC和SIC值均达到最小，各变量系数显著且序列无自相关。因此取该组合
回归计算，进行线性假设检验以及转换变量和模型形式的选择。检验结果由表3．11所示。
表3．1 l 线性假设检验及转换变量和模型形式选择结果
Table 3．1 l Linear Hypothesis Test and Clloice ofT砌sition Variable and Model F0nllation
—硅了rF巯讦量为(矗nger和Ter蕴Svirta(1993)提}{j的榆验线性假设的统计量；F4、F3、F2分别H02、H03、H04的检
验统计量；表中数值为各统计量的相伴概率。
由表3．1 1可看出，无论以dlnss(t．1)、dlnss(t．2)、dlnss(t．3)和dlnR(t)哪个为转换变量，
都能拒绝线性关系的原假设，且当dlnjfI(t)作为转换变量时，相伴概率小于其他值，又因
为F2的相伴概率的值最小，因此，取dlnR(t)为转换变量，并确定转换函数类型为LSTRl
型。模型估计结果如表3．12所示。
根据表3．12可得LSTRl模型的具体形式如下：
dlnss=O．3623dlnss(．1)一O．2072dlnss(-2)+O．1827dlnss(-3)+0．2395dlnR+(O．0873一
O．3436dlnss(-1)一1．2252dlnss(·2)一2．5567dlnR)宰G()，，c，dlnR) (3．30)
大连理J=大学硕十学位论文
其中，G()，，c，dlnR)=【1+exp(．251．9079(dlnR—O．0341))])。1 (3．31)
由模型可知，金融时报指数每变动一个单位，上证综指同向变动O．2395个单位。在
2008年9月17日至2008年12月9日间，非线性部分发挥影响，金融时报指数收益率
对上证综指收益率的影响转为负向，表明危机波动时的调整情况。
表3．12 LsTRl模型估计结果
Table 3．1 2 Estimation Result of LSTRl
pIot of Time Series 4—224 1．o．T=2238
I——Tr。nt．Functt。一l i
一⋯⋯⋯⋯⋯ ～． 一Jl|lI 一
图3．5英国伦敦金融时报100指数对上证综指影响的转换函数
Figure 3．5 Transition Function of FTSE 1 00 to SSEC
基于sTR的中国与全球主要股指联动效应研究
以股权分置改革和金融危机为界划分三阶段模型形式如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnss=O．4466dlnss(-1)一0．2132dlnss(·2)+O．1284dlnss(-3)+(一O．Oll一1．4643dlnss(-2)
+O．5759dlnss(-3)+O．8276dlnR)木G()，，c，dlnss(一1)) (3．32)
其中，G()，，c，dlnss(-1))=【1+exp(一0．7655(dlnss(·1)+0．0251)(dlnss(-1)一O．0733))】)q
(3．33)
阶段二(2005年5月9日至2007年7月9日)：
mnss=O．001+O．4492dlnss(一1)一O．6461dlnss(-2)+0．9123d1IlSs(-3)一O．9196dlnft+
(0．4435dlnss(一2)一O．7828dlnss(一3)+1．1445dln嘞事G0，c，dlnss(·2)) (3．34)
其中，G()，，c，dlnss(-2))=【1+eXp(-275．2118(dhss(·2)+0．0165))])q (3．35)
阶段三(2007年7月10日至2009年8月17日)：
dlIlss=-0．1838—1．4915dlnss(一2)一0．4509dlnss(一3)+5．7276dlnf}+(0．1837+
0．3147d1Ilss(一1)+1．3423dlnss(-2)+0．668dlnss(一3)一5．2947dlnjfI)宰G()，，c，mnR)
(3．36)
其中，G()，，c，dlnR)=[1+exp(-23．92 l 3(dlnR一0．025 1)(dlnR—O．0404))】)叫(3．37)
由模型可知，在第一阶段，线性部分英国金融时报指数对上证综指不存在影响，而
非线性部分虽具有一定影响，但由于转换函数值大部分接近于0，因此，模型线性部分
发挥主要作用，上证综指收益率主要受其自身前期收益率变化的影响。
在第二阶段，在模型线性与非线性部分的综合影响下，英国金融时报指数对上证综
指的影响有所增加，金融时报指数每变动1个单位，约能引起上证综指0．2249个单位的
同向变化，因此可以认为，股权分置改革后，英国金融时报指数收益率对上证综指收益
率的影响有所增加。
金融危机期间金融时报指数对上证综指的影响进一步加大，线性部分的影响较为明
显，尽管转换函数值大部分趋近于1，但抵消了线性部分的影响后，金融时报指数对上
证综指仍具有较强的影响。同时，危机期间金融时报指数收益率对上证综指收益率具有
非对称性影响，且转换速率较快，可见中国股票市场对英国股票市场的敏感程度较高。
3．3．5金砖四国股票指数对上证综指的联动分析
俄罗斯、印度、巴西和中国并称为“金砖四国"，其股票市场也是新兴市场的代表，
而新兴市场在全球资本市场中的位置同益重要，因此，我们考察金砖四国中俄罗斯、印
度和巴西股票指数对上证综指的影响并加以分析。
大连理工大学硕士学位论文
1．俄罗斯RTS指数对上证综指的联动分析
步骤同上，做砌椰与砒力的关系，同上面的判断准则，在砒Ⅳ滞后3阶讲淞s滞
后0阶时，SIC值和AIC值均达到了最小，各变量系数显著且序列无自相关。因此取该
组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。当dlnss(t．1)作为转
换变量时，相伴概率小于其他值，又因为F3的相伴概率值小于F4和F2，因此，取dlnss(t．1)
为转换变量，并确定转换函数类型为LSTI毪型。模型估计结果如下：
dlnss=一0．0002+O．406dlnss(-1)一O．206dlnss(-2)+O．1 945dlnss(-3)+0．0984dlnrt+
(一O．1603dlnss(-1)一0．4717dlnss(·2)一0．4257dlnss(一3))宰G(y，c，dlnss(一1)) (3．38)
其中，G()，，c，d111Ss(-1))=[1+exp(一o．5831(dlnss(一1)+o．0337)(dlnss(一1)一o．0788))】)．1
(3-39)
由模型可知，总体来看，俄罗斯RTS指数对上证综指的影响相对较弱，俄罗斯RTS
指数每变动1个单位，引起上证综指O．0984个单位的同向变化。由转换函数图形可知，
在危机期间模型频繁发生线性与非线性的转换，但由于俄罗斯I盯S指数在非线性部分
对上证综指没有影响，因此总体来看俄罗斯RTS指数收益率对上证综指收益率的影响
较弱。
PIot of Time Series 4—224 1．o．T罨2238
图3．6俄罗斯RTS指数对上证综指影响的转换函数
Figure 3．6 Transition Function of RTS to SSEC
仍以股权分置改革和金融危机为界划分三阶段，模型形式如下：
阶段一(2001年1月4同至2005年5月6同)：
dlnss=0．4256dlnss(一1)一O．2277dlnss(-2)+0．122dlnss(一3)+(O．0108+O．3332dln工t)木G()，，
基于s11己的中国与全球主要股指联动效应研究
c，dlnss(一1)) (3．40)
其中，G()，，c，dlnss(一1))=【l+exp(-4．6087(dlnss(一1)+O．0278)(dlnss(-1)一O．1924))】)1
(3．41)
阶段二(2005年5月9日至2007年7月9日)：
dlnss=0．0014+3．3 172dInss(-2)+O．221dlnss(一3)一2．2088dlnIHc+(0．42lldlnss(-1)一
3．6716dlnss(-2)+2．3237dln哟宰G()，，c，dlnss(-3)) (3．42)
其中，G(y，c，dlnss(-3))=[1+exp(一2．2155(dlnss(-3)+O．0441)(dlnss(一3)+0．0441))】)叫
(3．43)
阶段三(2007年7月10日至2009年8月17日)：
dlIlss=0．O004+0．212d1Ilss(一1)+0．1866dlIlss(-3)+O．2061 dlnrt+(O．2707dlnss(-1)一
O-3538dlnss(-2)一O．1 788dlnrt(一l”宰G(儿Gdhlss(-3” (3．44)
其中，G()，，c，dlnss(-3))=【l+exp(-4．0376(dlnss(一3)+O．0029))】)_ (3．45)
由模型可知，在第～阶段，线性部分俄罗斯I盯S指数对上证综指没有影响，非线
性部分虽具有一定影响，但由于转换函数值大部分接近于1，因此，模型线性部分起主
要作用，上证综指收益率的变化主要受其自身前期收益率的影响。
在第二阶段，由于转换函数值大部分为1，综合模型线性与非线性部分，俄罗斯RTS
指数对上证综指的影响有所增加，俄罗斯I盯S指数每变动1个单位，约能引起上证综
指0．1149个单位的同向变化。
而在第三阶段，即金融危机期间，俄罗斯l盯S指数对上证综指的影响增强，俄罗
斯I汀S指数每变动1个单位带来上证综指O．2061个单位的同向变动。模型在线性与非
线性部分频繁转换，表明危机期间股票市场的波动。
2．印度孟买BSE30指数对上证综指的联动分析
步骤同上，做砌琊与枷幻的关系，同上面的判断准则，在胁船滞后3阶砒夙
滞后O阶时，sIc值和AIC值均达到了最小，各变量系数显著且序列无自相关。因此取
该组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。当dlnbs(t)作为
转换变量时，相伴概率小于其他值，又因为F2的相伴概率值最小，因此，取dlnbs(t)为
转换变量，并确定转换函数类型为LSTRl型。模型估计结果如下：
dlnss=O．3756dlnss(一1)一O．223dlnss(·2)+O．1835dlnss(-3)+O．1918dlnbs+(-O．0474—
6．2204dlnss(-2)一O．7468dlnss(一3))冰G()，，c，dlnbs) (3．46)
其中，G()，，c，dlnbs)=[1+exp(一3．1 846(dlnbs—O．0659))】)1 (3．47)
大连理工大学硕十学位论文
由模型可知，印度孟买BSE30指数每变动1个单位，能引起上证综指0．1918个单
位的同向变化，非线性部分没有影响，总体来看印度孟买BSE30指数收益率对上证综
指收益率的影响相对较弱。
PIot of Time Se rie事4—224 1，O．T皇2238
图3．7印度孟买BsE30指数对上证综指影响的转换函数
Figure 3．7 TralIlsition Function of BSE30 to SSEC
4
将时间划分为三阶段，模型形式如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnss=．O．O005+O．4269dlnss(-1)一O．1788dlnss(-2)+O．1365dlllss(一3)+(O．0044一
O．4563dlnss(-1)一0．3486dlnss(-3)+1．40l ldlnbs)宰G()，，c，dlnss(-2)) (3．48)
其中，G()，，c，dlnss(-2))=[1+eXp(一98．7367(dlnss(一2)+0．0219)(dlIlss(-2)一O．0308))])q
(3．49)
阶段二(2005年5月9同至2007年7月9日)：
dlnss=0．O009+0．4432dlnss(一1)一O．6656dlnss(-2)+O．9273dlnss(一3)+(O．4642dlnss(-2)
一O．7995dlnss(一3)+O．0884dlnbs)木G()，，c，dlnss(·2)) (3．50)
其中，G()，，c，dlnss(一2))=【1+exp(一234．8989(dlnss(一2)+O．0165))])q (3．51)
阶段三(2007年7月10日至2009年8月17日)：
dlnss=0．3526dlnss(一1)一O．1988dlnss(-2)+O．1984dlnss(一3)+O．3434dlnbs+(·O．0643—
5．7967dlnss(一2)一0．852dlnss(-3))木G()，，c，dlnbs) (3．52)
其中，G()，，c，dlnbs)=【1+exp(一4．8672(dlnbs—O．0652))])吐(3．53)
一37—
基于STR的中国与全球主要股指联动效应研究
由模型可知，在第一阶段，在线性部分印度孟买BSE30指数对上证综指不存在影
响，非线性部分虽具有较强影响，但由于转换函数值大部分接近于1，因此，模型线性
部分起主要作用，上证综指收益率的变化主要受其自身前期收益率变化的影响。
在第二阶段，印度孟买BSE30指数对上证综指的影响仍然体现在非线性部分，但
由于转换函数值大部分为1，因此模型非线性部分发挥主要作用，印度孟买BSE30指数
对上证综指的影响虽体现出来，但仍相对较为微弱。
金融危机期间，印度孟买BSE30指数对上证综指的影响得到增强，印度孟买BSE30
指数每变动1个单位，能引起上证综指O．3434个单位的同向变动。当印度孟买BSE30
指数收益率超过6．52％时，模型即以4．8672的转换速度发生线性至非线性的转换。
3．巴西圣保罗BOVESPA指数对上证综指的联动分析
步骤同上，做砌琊与砒6D的关系，同上面的判断准则，在砒船滞后3阶枷幻
滞后O阶时，SIC达到最小值，AIC值较小，各变量系数显著且序列无自相关。因此取
该组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。当dlI泐(t)作为
转换变量时，相伴概率小于其他值，又因为F2的相伴概率值最小，因此，取dlnbo(t)
为转换变量，并确定转换函数类型为LSTRl型。模型估计结果如下：
dlnss=O．3602dlnss(·1)一O．21 18dlllss(-2)+O．1769dlnss(一3)+0．1681dlnbo+(-O．0374一
O．7505dlnbo)木G()，，c，dlnbo) (3．54)
其中，G()，，c，dlnbo)=【1+exp(·2．8716(dlnbo—o．0381))】)．i (3．55)
由模型可知，线性部分，巴西圣保罗BOVESPA指数每变动1个单位，带来上证综
指0．1681个单位的同向变化。由转换函数图形可知，在2008年9月18日至2008年12
月10日，即巴西股市加速下跌期间，模型频繁于线性与非线性的转换，非线性部分的
影响加大，使得巴西圣保罗BoVESPA指数收益率对上证综指收益率的影响进一步加
大，体现了股市暴跌期间市场的传染加剧。
大连理工大学硕士学位论文
PIot of Time Serie掌4—224 1，0．T=2238
图3．8 巴西圣保罗Bo、砸SPA指数对上证综指影响的转换函数
Figure 3．8 1‰sition F啵ction ofBoVESPA to SSEC
按照股权分置改革和次贷危机的时间点划分为三阶段，模型形式如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnss=0．4313dlnss(一1)一0．2024dlnss(一2)+0．1254dlnsS(一3)+(-0．012—1．6627dlnss(·2)
+0．8256dlnss(一3)+0．4467dlhbo)宰6K)，，c，dlnss(-1)) (3．56)
其中，G(y，c，dlnss(一1))=【1+exp(一1．2659(dlnss(一1)+O．0254)(dlnss(一1)一O．0529))】)_
(3．57)
阶段二(2005年5月9日至2007年7月9日)：
dlIlss=0．0009+O．447dlIlss(-1)一0．6419dlnss(-2)+0．9531dlnss(一3)一0．4185dlnbo+
(O．4331dlnss(一2)一0．8218dlnss(一3)+O．5449dlnbo)木G()，，c，dlnss(一2)) (3．58)
其中，G(如c，dlnss(一2))=[1+eXp(-14．1423(dlnss(-2)+O．0161))])q (3．59)
阶段三(2007年7月10日至2009年8月17日)：
dlnss=一0．0052+0．3091dlnss(-1)+O．5361dlnbo+(O．0052—0．2377dlllss(一2)+
O．1 828dlnss(-3)一0．2997dlnbo)木G()，，c，dlnss(一3)) (3．60)
其中，G()，，c，dlnss(一3))=[1+exp(一31．5473(dlnss(一3)+O．0139))】)叫(3．61)
由模型可知，第一阶段，在线性部分巴西圣保罗BOvESPA指数对上证综指没有影
响，非线性部分虽具有一定影响，但由于转换函数值大部分接近于1，因此，模型线性
部分起主要作用，上证综指收益率的变化主要受其自身前期收益率变化的影响。
在第二阶段，综合模型线性与非线性部分的影响，巴西圣保罗BOVESPA指数对上
证综指的影响有所增加，巴西圣保罗BOvESPA指数每变动1个单位，约带来上证综指
基于s1R的中国与全球主要股指联动效应研究
O．1264个单位的同向变动。巴西圣保罗BOvEsPA指数收益率的变化对上证综指收益率
变化的影响程度相对较弱。
金融危机期间，线性部分巴西圣保罗BOVESPA指数每变动1个单位，能引起上证
综指0．5361个单位的同向变动，尽管模型非线性部分抵消了部分线性影响，但综合看来
危机期间巴西圣保罗BOVESPA指数收益率对上证综指收益率的影响仍有所增加。在此
期间模型频繁与线性与非线性的转换，表明股票市场在危机期间显著的波动性。
3．4实证结果的分析与讨论
将上述实证结果进行对比，列出表3．13如下。
表3．13全球主要股票市场指数对上证综指的影响对比
Table 3．13 Comp蕊son ofhnpact ofme main global stock indexes 0n SSEC
由表3．13可以得出，在股权分置改革前，全球主要股票市场对上证综指的影响微弱，
上证综指几乎独立于全球股票市场。而在股权分置改革后，全球主要股指对上证综指的
影响均有所增加，表明中国股票市场开始融入全球市场中。而在次贷危机后，全球主要
股指对上证综指的影响迸一步增加，尤以香港市场的影响程度最为明显。从具体的影响
系数看，新兴市场尤其是俄罗斯和巴西的股票市场在次贷危机期间对上证综指的影响虽
然有所增加，但增加的程度不甚明显，而发达国家市场对上证综指的影响程度更强，体
现了发达国家市场在次贷危机中的影响力。
通过以上图表分析可以得出以下结论：
1．全球主要股票市场指数与上证综指存在非线性关联
大连理工大学硕七学位论文
由实证分析可以发现，美、日、港、英及金砖四国股票市场指数对上证综指普遍存
在非线性的关联，可见运用非线性模型能够更好地刻画一国股票市场对他国股票市场的
影响。机制转换模型能够将这种影响体现出来，并且发现转换发生的位置，体现了一个
动态的过程，从而为更好地研究股票市场联动提供有利条件。
2．股权分置改革有利于中国市场更好地融入国际市场
通过对全球主要股票市场指数影响上证综指的分段分析研究可以发现，股权分置改
革前后各国股市对中国股市的影响增加，尽管增加的幅度不甚明显，但仍可见股权分置
改革对中国股市更好地融入国际市场起到了一定的作用。在股权分置改革之前，非流通
股在股票当中占比较大，而非流通股的资产价值与股价无关，因此致使企业在市场中的
股价很容易被操纵，无法体现资产的真实价值。投资者因此而摒弃价值投资的理念，跟
随庄家进行投机炒作，赚取短期利益。股权分置改革后，企业的内在价值成为股价的基
础，投资者开始考虑企业的实际经营能力以及未来长远的发展能力，逐渐建立起价值投
资的理念。此时，股票价格能真实反映企业的价值，同时也与宏观经济联系得更紧密。
由于股票市场能够更有效地反映基本面信息，加之估值区间合理，能够吸引更多的国际
投资者将中国市场纳入其投资组合中，促使中国股票市场更好地与全球市场融合。
3．次贷危机期间，全球主要股票市场指数对上证综指的影响加大
次贷危机爆发以来，全球主要股票市场对中国股票市场的影响逐渐加大，这一结果
从一个方面验证了前文提出的第三个假说。
以中美关系为例进行分析，道琼斯工业指数前一天的收益率对第二天上证综指收益
率开始发挥作用，中美股票市场走势形成互动关联。这种联动效应的增加可以从经济基
础和市场传染两个角度来分析。
从宏观经济因素分析，自金融危机爆发以来，美国经济受到严重影响，中美双边贸
易额增长速度屡创新低，图3．9为2007年1月至2008年10月间中国对美国贸易出口额
增速，由图中可以看出，自2007年4月以来，中国对美出口额增速呈不断下降趋势，
至2008年2月降至最低，为．19．2l％。而从2008年4月起又开始新一轮的下降趋势。
自2007年2月13日，美国抵押贷款风险开始浮出水面，金融市场的震荡传递到实
体经济，自2007年4月以来，对美贸易出口额增速不断下降，贸易额的减少导致企业
产品堆积，经营利润减少，从而影响公司业绩，进而影响股票收益率，导致投资者抛售
股票，引发股票指数的下跌。中国对美贸易出口额的下降也就是美国对中国贸易进口额
的下降，即对中美两国来说，贸易这一基本面恶化引发资产价格联动关系加强，呈现下
降的共同趋势。从中同、中欧的贸易额中也能发现类似的现象。
基于卿t的中国与全球主要股指联动效应研究
再从投资的角度来说，自2007年第l季度至2007年第4季度，美国对中国的直接
投资顺差从24．46亿美元下降到．1．02亿美元，投资额急剧下降也造成了经济的负面影响，
引发资产价格的下降。
图3．9 2007年1月至2008年10月中国对美国贸易出口额增速
Figure 3．9‰w吐l Rate ofl'rade EXpons舶m Chim to U．S．du曲g the p丽od ofJa肌ary，2007
t0 October，2008
数据来源：中国商务部I嘲站Ⅵ，、w．mo矗∞m．gov．∞
然而，经济基础假说不能完全解释危机发生后股价的巨幅下挫，以道琼斯工业指数
从2007年10月11日高点起计，至2008年lO月31同，道琼斯指数从14015．12点降至
9336．93点，降幅达33．38％，同期上证综指从5913．23点降至1728．79点，降幅高达70．76％。
可见，除经济基本面发生变化之外，市场传染的特征在金融危机期间表现得尤为明显，
投资者对宏观经济和金融市场失去信心，这种心理在全球股市蔓延，导致全球股市暴跌。
即使美国政府频繁出台利好政策，如2007年9月18同、2007年11月1日、2007年12
月12日美联储三次宣布降低联邦基准利率；2008年10月2日美参议院救市方案总额从
7000亿美元提高到8500亿美元；2008年10月3l同美联储再次宣布降息。如此多对基
本面向好的政策都未能阻止股市持续下滑，可见投资者行为在股市联动中所起的作用。
大连理工大学硕士学位论文
因此，在这次金融危机中，经济基础假说和市场传染假说均能够解释股票市场联动加剧
的特征。
4．香港市场与中国内地市场联系紧密
由实证分析可知，无论从各个时间段来看，恒生指数对上证综指的影响始终较为明
显，部分符合前文提出的第二个假说，也是中国内地与香港市场在各方面紧密合作的结
果。2003年6月29日，中央政府与香港特区政府签署了《内地与香港关于建立更紧密
经贸关系的安排》，即Closer EC0nomic Pamler幽p A盯ang锄ent，简称CEPA。CEPA开
启了中国内地与香港制度性合作的新路径，使得内地与香港的经贸合作与交流日渐紧
密，这种影响也带动了两地股票市场的联动性增强，在资本市场上的联系更为紧密。
5．美国市场对中国市场的影响逐步增加
前文第二个假说还指出，由于中美日益紧密的经济联系，美国股票市场对中国股票
市场的影响程度较强，而从实证的过程可以看出，美国市场对中国市场的影响是一个逐
步增加的过程。在2005年以前，美国市场对中国市场影响微弱，中国股市处于相对独
立的位置，而随着股权分置改革等举措的实施，美国市场的影响日益明显，尤其是金融
危机以后，中国股票市场走势受到美国市场走势较强的影响。可以预见，随着中国资本
市场逐步开放，美国股市的影响将持续渗透，中美两国股市间的联系也将更为紧密。
6．发达国家市场对中国市场的影响程度较强，金砖四国的影响相对较弱
由实证分析可得，危机期间美、日、港、英等发达国家市场对中国市场的影响程度
强，而金砖四国对上证综指的影响虽然有所增加，但与发达国家相比影响程度仍相对较
弱。这从一定程度上表明，尽管新兴市场在全球资本市场中越来越活跃，但与发达国家
市场相比其影响力仍相对较弱。这一结论同样可以从贸易和投资的角度分析。以2008
年为例，2008年中国全年出口总值为14285．46亿美元，其中对美出口总值2522．97亿美
元，占比17．66％，对欧出口总值2928．78亿美元，占比20．50％，对港出口总值1907．43
亿美元，占比13．35％，对日出口总值1161．34亿美元，占比8．13％。对美、欧、港、日
合计出口总值占比59．64％。而2008年对俄罗斯出口总值为330．05亿美元，占比2．31％，
对印度出口总值为315．00亿美元，占比2．21％，对巴西出口总值为187．50亿美元，占
比1．31％，对俄、印、巴合计出口总值占比7．14％。由此可以看出，美、欧、港、同等
发达国家和地区占出口比重大，因此，当这些经济体的基本面发生变化时，就会严重影
响到中国的出口贸易，进而使企业的经营状况发生改变，从而影响相应的股票价格及股
票指数。而反观俄、印、巴三国占出口总值比重很小，因此这三个国家的经济条件发生
变化对中国市场的影响也相对较小。从投资的角度说，2008年对中国直接投资前十位的
基于s1R的中国与全球主要股指联动效应研究
国家和地区中，绝大部分是美、日、港等发达国家和地区，而俄罗斯、印度和巴西三国
合计占比仅为O．2％，从另一个角度说明了其对中国市场有限的影响力。
7．美、港、英等国家和地区的股票指数对上证综指均具有非对称性影响
由实证分析得出的机制转换模型可知，从总体时间段来看，道琼斯工业指数和恒生
指数对上证综指存在非对称性的影响。当道琼斯工业指数收益率超过3．71％时，线性关
系迅速向非线性关系转化，而当收益率低于_4．45％时，才会有线性关系向非线性关系的
转换。可见中国股票市场对美国股票市场上涨具有较强的敏感性，而对股票市场下跌则
敏感性稍弱。而恒生指数收益率低于-4．18％时，非线性部分缓慢产生影响，而当恒生指
数收益率高于7．21％时，非线性部分才会发生作用。可见中国内地股票市场对香港股票
市场下跌较为敏感，而股市上涨时，只有收益率高过7．21％，才能改变之前稳定的关系。
道琼斯工业指数与恒生指数虽然都对上证综指具有非对称性影响，但其转换速率不同，
相比来讲，中美股票市场的关联从一种模式转换到另一种模式时速度较快，而香港股票
市场对中国内地股票市场的影响从一种状态转移到另一种状态的过程则较为缓慢，表明
中国市场对美国市场波动的反映更为迅速。同样可以得出，在危机期间，英国股票市场
对中国股票市场具有非对称性影响，体现中国市场对他国市场的敏感程度。
8．机制转换在股市暴跌时表现尤为明显
从全球主要股票市场对中国市场联动的机制转换函数值中均可以看出，在2008年9
月至12月间全球股市迅速下跌期间，机制转换表现得非常明显，模型在线性与非线性
之间频繁转换，表现出在特定情况下股票市场的波动。可见，STR模型能够很好地找出
机制转换的位置，从而为更好地了解股票市场的联动提供帮助。
大连理工大学硕+学位论文
4上证综指对全球主要股票市场指数联动关系的实证分析
前一章具体分析了美、日、港，英和金砖四国等全球主要股票市场指数对上证综指
的影响，本章将继续运用sTR模型计算上证综指对上述全球主要股票市场指数的互动
关联。
4。1 上证综指对道琼斯工业平均指数的联动分析
步骤同上，做砒方与砒懈的关系，同上面的判断准则，在枷谚滞后1阶砒哪
滞后l阶时，SIC准则达到了最小值，AIC值较小，各变量系数显著且无序列自相关。
因此取该组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。检验结果
由表4．1所示。
表4．1 线性假设检验及转换变量和模型形式选择结果
Table 4．1 “near Hypomesis Test柚d Clloice of Trallsition V撕able and Model Fo肌ation
注1)F统计量为Gmnger和№“rta(1993)提出的检验线性假设的统计量：F4、F3、F2分别H02、H03、H04的检
验统计量；表中数值为各统计量的相伴概率。
由表4．1可看出，以dlIlSs(t)和dlnss(t_1)为转换变量，都能拒绝线性关系的原假设，
且当dlnss(t．1)作为转换变量时，相伴概率小于其他值，又因为F4的相伴概率的值最小，
因此，取dlnss(t．1)为转换变量，并确定转换函数类型为LSTRl型。模型估计结果如表
4．2所示：
根据表4．2可得LSTRl模型的具体形式如下：
dlndj20．O001+O．2485dlndj(-1)+O．1003dlnss—O．0665dlnss(-1)一O．2310dlndj(一1)半G()，，
c，dlnss(一1)) (4．1)
其中，GO，c，dlnss(一1))=[1+exp(-1652．9165(dlnss(一1)一0．0065))】)_ (4．2)
錾丁盯R的q-嘲与全球士些般}％联功效应研究
表4 2 I sTRl模型估讨结果
Table4 2 Estunatl0ⅡResunofLSTR
变拦仞始值什计值标准差L统计姑P位
非dlndJ(t—1) 0 6567 O 6867 O 04lO 16 7587 0 0000
饕Y lo oooo 1652 9165 14629 1232
券c． 00043 0006- 00002
SlC 8 9816 SSR 0 0儿l
由模型可知，上证综指对道琼斯丁。业指数的影响相对较弱，在线性部分，上证综指
当期收益率每变动一个单位，带柬道琼斯工业指数当期收益率O 1003个单位的同向变
动。由转换函数图形n脯l，模型在线性与非线性问频繁转换，似【b于非线r土部分j：证综
指对道琼斯工业指数没有影响，w此，总体来说，上证综指收髓率对通琼斯丑岍昔数收
益率的影响不甚明硅。
H 4 l }伯F“：指对J苴琼斯『业半均{匕数影响的转换阑数
FJgum41 TnI'smon FunctlonofSSECIoD¨
篡麓似㈣㈣㈣
吼m
5
篓熹㈣嘶㈣㈣3
0
m
0
O 裟鬻
0
m
0
o“婿“ 0
川m
线陛部分k
腿Ⅷ唧删础⋯
WiⅢiⅢ¨■●■I
■， Tji二uijimjⅢj： 町jⅢm酬mn¨硼删
Ⅱ”
ⅡijiM¨iji2 硼帅ⅢM叫帅㈣哪删
皿腻
盯洲m啪ⅢmⅢj
Ⅲ¨
哺㈨⋯洲ⅧⅢⅧ川Ⅲj
删
W¨ij堋jUj¨
iⅡ”
硼㈣剐圳姒删碱圳
掣
邢附¨呲响Ⅲ圳m训叫删洲叫删
础”
矿iⅦwⅢⅧHR”ijⅢⅢ■iⅢ●m
4 qljlijijijijⅢ眦， mijimⅢiⅢiⅡ” r■●■●l”i《i．iujijijij』1
r■●Jl}r．-⋯．。■．-■I 『●Ii¨儿、《ⅣⅧ川㈨j㈨憎慢-J!I”}=j⋯眦． 一0』“j 一1li止9 ”●ljiⅢmⅧ㈨j皿⋯川mⅢ业" ■⋯川Ⅲm： 阿i¨i¨i⋯U，
rijiHiji●l
j F=ijij川i⋯⋯雌!r●，li¨il●i儿”
一
阿=二¨旧Ⅷ柚1●㈨!j。_
，i
ijijlilijijiⅡ2
丌jijij●ijiji=iju
耵引川⋯㈣㈥㈦一一ijili0， r●．，，．■一^ 前jⅢjij“H¨j咀‘ 7 r．L．r．，．o．hini．L．p．Ll
K
一=§∞o
ho《o
no=no毒一n
oo
大连理工大学硕士学位论文
仍然考虑以股权分置改革和次贷危机为时间点分段刻画上证综指与道琼斯工业指
数的关系，估计步骤同上，模型估计结果如下：
阶段一(2001年1月4日至2005年5月6日)的模型形式如下：
dlndj=-0．0002+O．5186dlndj(一1)一O．32dlndj(-2)+0．1 119dlndj(一3)+(O．6545dlndj(一2)+
1．534dlnss)誊G()，，c，dlnss) (4．3)
其中，G()，，c，dlnss)=[1+eXp(-3．2943(dlnss一0．0255))】)。1 (4．4)
阶段二(2005年5月9日至2007年7月9日)的模型形式如下：
dlndj=一O．5503dlndj(-1)一O．2923dlndj(·2)一O．1294dlndj(·3)+(O．0016—
0．0495dlnss)木G()，，c，dlnss) (4．5)
其中，G()，，c，dhlss)=[1+exp(一1422．6802(dlnss+O．0109))】)叫(4．6)
阶段三(2007年7月10日至2009年8月17日)的模型形式如下：
dln由=·O．3278dlndj(一2)+0．1 117dlnss+O．0597dlnss(一2)+(一O．0007+0．4857dlndj(-1)+
0．2116dlIldj(·3)一O．1303dlnss(-1)一O．074dlnss(-3))奉G(y，c，dlndj(-1)) (4．7)
其中，G()，，c，dlndj(-1))=【l+eXp(-14．0829(dlndj(一1)+O．0513))】)_ (4．8)
由三阶段模型可以看出，在第一阶段，线性部分上证综指对道琼斯工业指数不存在
影响，非线性部分虽具有较强影响，但由于转换函数值大部分接近于0，’因此模型线性
部分起主要作用。可以认为，在第一阶段，上证综指收益率对道琼斯工业指数收益率的
影响较弱。
在第二阶段，上证综指在线性部分对道琼斯工业指数仍然没有影响，而在非线性部
分，影响也十分微弱，上证综指变动一个单位只带来道琼斯工业指数0．0495个单位的变
化。可以认为，在股权分置改革到次贷危机前这段时间，上证综指收益率对道琼斯工业
指数收益率的影响仍然较为微弱。
而在第三阶段，即次贷危机后，上证综指对道琼斯工业指数的影响有所增加，上证
综指变动一个单位可以带来道琼斯工业指数O．1117个单位的同向变化。虽然影响仍不算
强烈，但能体现出次贷危机后上证综指收益率对道琼斯工业指数收益率的影响在逐渐显
现。
4．2上证综指对日经225指数的联动分析
步骤同上，做砒刀f与妣ss的关系，同上面的判断准则，在砒以f滞后2阶幽郴
滞后l阶时，AIC和SIc准则同时达到了最小值，各变量系数显著且无序列自相关。因
此取该组合回归计算，进行线性假设检验以及转换变鼍和模型形式的选择。检验结果由
表4．3所示。
基于s1R的中国与全球主要股指联动效应研究
表4．3线性假设检验及转换变量和模型形式选择结果
Table 4．3 Linear Hypomesis Test and Choice of Tmsition V撕able a11d Model Fomation
—疆了Fi磊讦虿两i高画i菊丽而1993)提出的检验线性假设的统计量；F4、F3、F2分别H02、H03、H04的检
验统计量；表中数值为各统计量的相伴概率。
由表4．3可看出，无论以dlnIli(t-1)、dl皿i(t．2)、dlnSs(t)和dlnss(t-1)哪个为转换变量，
都能拒绝线性关系的原假设，且当dlIlIli(t．1)作为转换变量时，相伴概率小于其他值，又
因为F3的相伴概率值小于F4和F2，因此，取d11111i(t．1)为转换变量，并确定转换函数
类型为LSTR2型。模型估计结果如表4．4所示。
表4．4 LSTR2模型估计结果
Table 4．4 Estimation Result of LSTR2
根据表4．4可得LsTR2模型的具体形式如下：
dlnni=O．3401dlnni(．1)一O．1261dlnni(·2)+O．1386dlnss—O．0747dlnss(-1)+(-O．0053+
大连理工大学硕士学位论文
O．8839dlnss)木G(y，c，dlnni(·1)) (4．9)
其中，GO，c，dlnni(-1))=[1+exp(-O．677(dlIuli(一1)+0．0359)(dlnm(-1)一O．0329))】)q
(4．10)
由模型可知，上证综指对日经225指数的影响相对较弱，在线性部分，上证综指当
期收益率每变动一个单位，带来日经指数收益率0．1386个单位的同向变动。但是由转换
函数图形可知，在2008年9月30日至2008年12月4日股票市场急速下跌期间，转换
函数值接近于l，此时，非线性部分发挥了主要影响，即股票急速下跌期间上证综指对
日经指数的影响有明显的增强。
PIot of Time Serie拿3—2241，o．T曩2239
图4．2上证综指对日经指数影响的转换函数
Fi哥Ⅱ-e 4．2 1hlsition Function of SSEC t0 NIKl(EI
同样考虑以股权分置改革和金融危机划分三阶段，探讨上证综指与日经指数的关联
估计步骤同上，得出三阶段模型如下：
阶段一(2001年1月4日至2005年5月6日)：
dlIlni=-O．O002+0．3 133dlnni(一1)一O．0984dlnni(一2)+0．2023dlnss木G()，，c，dlnni(-1))
(4．11)
其中，G()，，c，dlnIli(一1))=[1+exp(-3．64(dlruli(-1)+o．0313)(dlfHli(．1)一o．0101))】)．1
(4．12)
阶段二(2005年5月9同至2007年7月9同)：
dlmli=O．O007+O．263 1 dlnni(-1)一0．1 049dlnni(一2)+O．064dlnss+(9．243 8dlnni(一1)一
3．5366dlnni(一3)+1 5．01 69dlnni(·4)宰G()，，c，dlnni(-3)) (4．1 3)
基于sTR的中国与全球主要股指联动效应研究
其中，G()，，c，dlmi(-3))=[1+eXp(一o．8899(dl衄i(·3)+0．0266)(dlIllli(·3)一0．0297))】)_l
(4．14)
阶段三(2007年7月10日至2009年8月17日)：
dlnni=-0．0007一O．1637dlnIli(-2)一O．1599dlnss(一1)一O．1026dlnss(一3)+(O．3965dlrmi(·1)
+0．3454dlnss+0．0754dlnss(一2))木GO，c，dlnni(-2)) (4．1 5)
其中，G()，，c，dl皿i(一2))=【l+eXp(一3．4902(dlIuli(一2)+O．1 092))】)-I (4．1 6)
由模型可知，在第一阶段，线性部分上证综指对日经指数不存在影响，由于模型频
繁发生线性与非线性的转换，因此非线性部分起到一定作用，但上证综指收益率对日经
指数收益率的影响仍相对较弱。
在第二阶段，上证综指对日经指数的影响体现在线性部分，非线性部分不存在影响，
但由模型可以看出，上证综指收益率对日经指数收益率的影响仍较为微弱。
而在金融危机期间，上证综指对日经指数的影响加大，由于转换函数值接近于1，
因此非线性部分起到很大作用，上证综指收益率每变动1个单位引起日经指数收益率同
向变动O．3454个单位，可以说，危机期间上证综指收益率的变化对日经指数收益率的变
化具有一定的影响力。
4．3上证综指对香港恒生指数的联动分析
按照同样的步骤分析上证综指与恒生指数的联动关系，同上面的判断准则，在枷凰
滞后1阶砌娜滞后3阶时，AIC和SIC值都达到了最小值，各变量系数显著且序列无
自相关。因此取该组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。
检验结果由表4．5所示。
表4．5线性假设检验及转换变鼙和模型形式选择结果
Table 4．5 Linear H)Jpothesis Test alld Choice of Transition V撕able a11d Model Fomlation
沣_万下刁面F巨万ii磊g品和Te哺svirt“1993滩j Jj酌愉验线性假设的统计量；F4、F3、F2分别H02、H03、H04的检
验统计量；表中数值为各统计量的相伴概率。
大连理1：大学硕士学位论文
由表4．5可看出，无论以dlIllls(t．1)、dlnss(t)、dlnss(t．1)、dlnss(t．2)和dlnss(t．3)哪个
为转换变量，都能拒绝线性关系的原假设，且当dlIllls(t-1)作为转换变量时，相伴概率小
于其他值，又因为F3的相伴概率值小于F4和F2，因此，取dlnlls(t．1)为转换变量，并
确定转换函数类型为LSTR2型。模型估计结果如表4．6所示。
表4．6 LSTR2模型估计结果
Table 4．6 Estimation I沁sult ofLSTR2
根据表4．6可得LsTl毪模型的具体形式如下：
dlIllls=O．3216dlnhs(-1)+0．084ldlnss(一2)+O．122dlnss(-3)+(0．O003一O．2377dlnhs(一1)
+1．1498dlnss一0．6379dlnss(一1)一O．5246dlnss(-3))宰G()，，c，dlnhs(一1)) (4．17)
其中，G()，，c，dllllls(-1))=【1+exp(一o．1828(dlnhs(一1)+o．0345)(dlnhs(-1)一o．0315))】)-l
(4．18)
由模型可知，上证综指对恒生指数具有较强的影响。由于大部分情况下转换函数值
为O．5，因此上证综指对恒生指数的影响大约为0．5749个单位。由转换函数可知，在2008
年9月18日至2008年12月10日，即香港恒生指数加速下跌期I、日J，转换函数值接近于
1，模型非线性部分的影响进一步加大，即上证综指收益率的变化对恒生指数收益率的
变化起到很大的影响。当转换函数值为1时，上证综指收益率一个单位的变化能引起恒
基于STR的中国与全球主要股指联动效应研究
生指数收益率1．1498个单位的变化，可见，危机期间上证综指对恒生指数的影响进一步
增强，市场传染加剧。
PIot of Time Se rie拿4—2241．O．T薯2238
图4．3上证综指对恒生指数影响的转换函数
Figu∞4-3 Tmsition Function of SSEC to Hang S∞g
4
同样将时间划分为三阶段，估计模型如下：
阶段一(2001年1月4同至2005年5月6 R)：
dlnlls=-O．0038+O．2826dlnss—O．3391dlnss(-1)+(0．0035+0．2893dllllls(一1)一
O．1 94dlnss+0．2999dlnss(·1))宰GO，c，dllllls(一1)) (4．1 9)
其中，G()，，c，dllllls(一1))=【1+eXp(-228．4402(dlnhs(-1)+o．0115))】)-l (4．20)
阶段二(2005年5月9日至2007年7月9 R)：
dlllhs=O．0008+O．0985dllllls(-1)+O．106dlnss+(一O．0035+O．9447d1Illls(-1))书G()，，
c，dlnss) (4．21)
其中，G()，，c，dlnss)=[1+eXp(．2．2556(dlnss+O．0211)(dlnss一0．0333))】)。
(4．22)
阶段三(2007年7月10同至2009年8月17同)：
dlllIls=0．2229dlnhs(一1)+O．7358dlnss—O．3766dlnss(一1)+O．1773dlnss(一2)一
0．1 528dlnss(一3)+(0．0079—0．263 7dlnhs(一1)一0．2966dlnss—
O．3404dlnss(一2))木G()，，c，dlnss(一1)) (4．23)
其中，G()，，c，dlnss(一1))=[1+exp(-33．5232(dlnss(一1)+O．0485)(dlnss(-1)一0．0162))】)。1
—52一
oo．一呐西．o
o∞．o∞∞．o
o∞．o岍卜．o
o卜．o∞∞．。o∞．o∞们．o
o”．o
大连理工大学硕士学位论文
(4．24)
由模型可知，在第一阶段，线性部分上证综指对恒生指数具有一定影响，但由于模
型频繁于线性和非线性的转换，非线性部分的影响抵消了部分线性影响，因此综合看来，
上证综指收益率的变化对恒生指数收益率的变化具有相对较弱的影响。
在第二阶段，上证综指对恒生指数的影响体现在线性部分，但影响仍相对较弱，上
证综指每变动1个单位，引起恒生指数同向变动0．106个单位。上证综指收益率对恒生
指数收益率的影响具有非对称性，即当上证指数收益率低于．2．11％时，非线性部分缓慢
产生影响，而当上证综指收益率高于3．33％时，非线性部分才会发生作用。可见恒生指
数对上证综指下跌的敏感程度较高。
而在金融危机期间，上证综指收益率对恒生指数收益率的影响同样加大，线性部分
的影响较为明显，非线性部分虽然抵消了部分线性影响，但综合看来上证综指收益率的
变化对恒生指数收益率的变化仍具有较强影响。模型在线性与非线性间频繁转换，且转
换速度较快，表明危机期间香港股票市场的波动性。在此期间，上证综指前期收益率对
恒生指数收益率仍然具有非对称的影响。
4．4上证综指对伦敦金融时报1OO指数的联动分析
步骤同上，做幽矿与枷黜的关系，同上面的判断准则，在如驴滞后5阶抛梆滞
后3阶时，AIC和SIC值均达到最小，各变量系数显著且序列无自相关。因此取该组合
回归计算，进行线性假设检验以及转换变量和模型形式的选择。检验结果由表4．7所示。
表4．7线性假设检验及转换变量和模型形式选择结果
Table 4．7 Linear Hypothesis Test alld Choice of Transition V撕able锄d Model ForInation
滓1)F统汁量为Granger和Te瞄svina(1993)提⋯的枪验线性假设的统汁量；F4、F3、F2分别H02、H03、H04的检
验统计量；表中数值为各统计量的相伴概率。
基于s1R的中国与全球主要股指联动效应研究
由表4．7可看出，无论以dlnR(t．1)、dlnR(t-2)、dlnR(t一3)、dlnR(t-4)、dlnR(t-5)、
dlnss(t)、dlnss(t．1)、dlnss(t．2)和dlnss(t．3)哪个为转换变量，都能拒绝线性关系的原假
设，且当dlnjfI(t．2)作为转换变量时，相伴概率小于其他值，又因为F3的相伴概率值小
于F4和F2，因此，取dlnR(t．2)为转换变量，并确定转换函数类型为LsTR2型。模型估
计结果如表4．8所示。
表4．8 LSTR2模型估计结果
Table 4．8 Es商ma“on Result of LSTI也
根据表4．8可得LSTR2模型的具体形式如下：
dlnR=一0．O002+0．5134dlnR(一1)一O．3241dlnR(-2)+0．1636dlnn(一3)+O．0537dlnss—
O．0752dlnss(．1)+O．0411dlnss(．2)一O．0225dlnss(·3)+(一O．2435dlnR(一3)+
O．1406dlnR(-4)一O．4384dlnR(一5)+O．4706dlnss)幸G()，，c，dlnR(一2)) (4．25)
其中，G()，，c，dlnR(．2))=[1+exp(．O．7965(dlnR(一2)+O．0256)(dlnR(．2)一O．0 1 55))])。1
大连理‘T大学硕士学位论文
【4．26)
由模型可知，线性部分上证综指对金融时报指数的影响十分微弱，上证综指每变动
1个单位，引起金融时报指数O．0537个单位的同向变化。而上证综指对金融时报指数的
作用主要体现在非线性部分，由转换函数可知，在2008年9月17日至2009年3月26
日金融时报指数大幅下跌期间，转换函数值接近于l，且频繁发生线性与非线性的转换，
表明危机期间上证综指收益率对金融时报指数收益率的影响加大，且股票市场频繁发生
波动。
Plot of Time Series 6—224 1．O．T=22 36
图4．4上证综指对英国伦敦金融时报100指数影响的转换函数
Fi孵4．4 T啪sition F眦ction of SSEC t0 FTSEloo
划分三阶段模型形式如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnfI=O．0773+1．8922dlnR(一2)+1．6452+(一O．0776+O．5787dlnlfI(一1)一2．2612dlnR(-2)
+0．1678dlnR(-3)一O．0655dlnR(一4)一1．6308dlnss)木G(】，，c，dlnR(一2)) (4．27)
其中，G()，，c，dlnR(一2))=[1+exp(一1 7．8689(dlnR(-2)+O．0284))】)q (4．28)
阶段二(2005年5月9同至2007年7月9同)：
dlnR=O．0005+O．4322dlnR(-1)一O．23ldln缸(-2)+O．1575dlnR(·3)一0．109dlnR(．4)+
(0．63dlnR(一3)+0．0624dlnss)宰G()，，c，dlnss) (4．29)
其中，G()，，c，dlnss)=[1+eXp(一134．7508(dlnss+O．0233)(dlnss—O．0393))】)_ (4．30)
阶段三(2007年7月10同至2009年8月17同)：
dlnR=．0．0003+0．5581dln川．11—0．4365dlnR(．2)+0．1602dlnR(．3)+O．1454dlnss—
基于STR的中国与全球主要股指联动效应研究
O．0969dlnss(．1)+O．0732dlnss(一2)一O．088dlnss(-3)+(O．3732dlnR(-2)一
0．391 3dlnR(．3)+O．2304dlnss—O．4496dlnss(-1)+0．9646dlIlSs(一3))幸G()，，c，
dlnR(一3)) (4．3 1)
其中，G()，，c，dlnR(-3))=[1+exp(·588．3304(dlnR(一3)+O．0322)(dlnfI(一3)一O．0629))D1
(4．32)
由模型可知，在第一阶段，由于转换函数值大部分接近于l，综合模型线性与非线
性部分的影响，上证综指收益率的变化对金融时报指数收益率的变化影响十分微弱。
在第二阶段，上证综指对金融时报指数的影响体现在非线性部分，但影响程度仍然
较弱。上证综指收益率对金融时报指数收益率的影响具有非对称性，即当上证指数收益
率低于．2．33％时，非线性部分迅速产生影响，而当上证综指收益率高于3．93％时，非线
性部分才会发生作用。可见金融时报指数对上证综指下跌的敏感程度较高。
在金融危机期间，上证综指对金融时报指数影响加大，且在2008年9月18日至2008
年11月26日，金融时报指数巨幅下跌期间，模型频繁发生线性与非线性部分的转换，
非线性部分发挥作用，上证综指收益率对金融时报指数收益率的影响进一步加大，体现
了危机期间市场传染的加剧。
4．5上证综指对金砖四国股票指数的联动分析
4．5．1 上证综指对俄罗斯RTS指数的联动分析
步骤同上，做砒力与幽哪的关系，同上面的判断准则，在枷疗滞后2阶砌螂滞
后l阶时，SIC值达到最小，AIC值较小，各变量系数显著且序列无自相关。因此取该
组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。当dlnrt(t．1)作为转
换变量时，相伴概率小于其他值，又因为F3的相伴概率值小于F4和F2，因此，取dlIln(t—1)
为转换变量，并确定转换函数类型为LSTR2型。模型估计结果如下：
dlnrt=0．4199dlnrt(一1)一O．14dlnrt(-2)+0．1725dlnss—O．090ldlnss(-1)+(O．0107—
0．2413dlnrt(．1)+0．4221dlnrt(一2)+O．3775dlnss—O．1918dlnss(-1))宰G()，，
c，dllln(一1)) (4．33)
其中，G()，，c，dlnrt(-1))=[1+exp(一1384．5076(dlnrt(-1)+O．11 14)(dlnn(-1)一O．035))】)1
(4．34)
由模型可知，线性部分上证综指对俄罗斯RTS指数的影响相对较弱，上证综指每
变动1个单位，引起俄罗斯RTS指数0．1725个单位的同向变化。由转换函数可知，自
大连理工大学硕士学位论文
2008年9月18日起俄罗斯RTS指数大幅下跌期间，模型频繁发生线性与非线性的转换，
而当非线性部分发挥作用时，上证综指收益率对俄罗斯RTS指数收益率的影响加大，
也体现了危机期间俄罗斯股票市场的频繁波动。
PIot of Time Serie拿3—2241．o．T皇2239
f——Trans．Funct；。n
l Ⅱ删¨ⅡUl
3
仍以股权分置改革和金融危机为界划分三阶段，模型形式如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnrt=一0．0342+O．3238dlnss+(O．1 0．44—0．7503dlnrt(一1)一0．9122dlnss)宰G(n
c，dhln(t-1)) (4．35)
其中，G()，，c，dlnn(-1))=[1+eXp(一O．0578(dllln(-1)+0．1306)(dlⅢ(一1)一O．0242))】)以
(4．36)
阶段二(2005年5月9日至2007年7月9日)：
dlnrt=·O．0174+0．8994dlnss—O．58l 1dlnss(一1)+O．9368dlnss(-2)+(O．0194+
0．5309dlnn(-1)一0．2636dlnrt(-2)一0．8789dlnss+0．5254dlnss(一1)一
O．9357dlnss(-2))宰G()，，c，dlnrt(t-1)) (4．37)
其中，G()，，c，dlnn(一1))=[1+exp(一2．1283(dlnrt(-1)+0．026))】)‘1 (4．38)
阶段三(2007年7月10日至2009年8月17日)：
dlnrt=0．5359dlnrt(一1)+O．2541dlnss+(-0．0098一O．2767dlnrt(一1)+O．3657dlnss一
0．5258dlnss(一1))枣G()，，c，dlnrt(一1)) (4．39)
其中，G()，，c，dlnrt(一1))=【l+eXp(一3．8952(dlnrt(一1)+O．0156)(dlnrt(一1)一0．0887))】)。1
—57—
基于鲫【的中国与全球主要股指联动效应研究
(4．40)
由模型可知，在第一阶段，线性部分上证综指对俄罗斯l盯S指数具有一定影响，
但由于模型的非线性部分发挥了一定作用，抵消了线性部分的影响，因此在这一阶段上
证综指收益率的变化对俄罗斯RTS指数收益率的变化几乎没有影响。
在第二阶段，上证综指对俄罗斯I汀S指数的线性影响较强，但由于模型的非线性
部分在大部分情况下发挥作用，因此抵消了线性部分的影响，上证综指收益率的变化对
俄罗斯I玎S指数收益率的变化仍具有较弱的影响。
在金融危机期间，上证综指对俄罗斯RTS指数影响加大，线性部分上证综指变化1
个单位能引起俄罗斯RTS指数0．2541个单位的同向变动。而危机期间模型频繁在线性
与非线性间转换，在非线性部分发挥作用时，上证综指收益率对俄罗斯I汀S指数收益
率的影响进一步增强，体现出较强的带动作用。
4．5．2上证综指对印度孟买BsE30指数的联动分析
步骤同上，做砒夙与枷船的关系，同上面的判断准则，在枷加滞后2阶幽螂
滞后2阶时，sIC值达到最小，AIC值较小，各变量系数显著且序列无自相关。因此取
该组合回归计算，进行线性假设检验以及转换变量和模型形式的选择。当dlnbs(t．1)作为
转换变量时，相伴概率小于其他值，又因为F3的相伴概率值小于F4和F2，因此，取
dlnbs(t．1)为转换变量，并确定转换函数类型为LSTR2型。模型估计结果如下：
dlnbs=O．3548dlIlbs(-1)一0．0845dlnbs(一2)+O．1738dlnss—O．0835dlnss(·1)+(O．0067一
O．3207dlnbs(一1)+1．037dlnss一0．71 l 1dlnss(·1)+O．4742dlnss(一2))木G(y，c，dlnbs(一1))
(4．41)
其中，G()，，c，dlnbs(-1))=【l+exp(一27．0266(dlnbs(一1)+o．0597)(dlnbs(-1)一O．0378))】)-l
(4．42)
由模型可知，线性部分上证综指对印度孟买BSE30指数的影响相对较弱，上证综
指每变动1个单位，引起印度孟买BSE30指数O．1738个单位的同向变化。转换函数值
大多数时间为O．5，即非线性部分起到一定作用。综合来看，上证综指对印度孟买BSE30
指数的影响较强，尤其在2008年9月15日至2008年11月25日期间，转换函数值接
近于l，上证综指对印度孟买BSE30指数的影响更为明显。
大连理T大学硕士学位论文
Plot of Time Serie§3—2241．o．T=22 39
图4．6上证综指对印度盂买BSE30指数影响的转换函数
Figure 4．6 1hnsition Flmction of SSEC t0 BSE30
划分三阶段模型形式如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnbs=．O．0215—0．3575dInbs(．1)一O．201ldlnbs(-2)+0．1232dlnbs(一3)+3．004dlnss+
(0．0215+O．8579dlnbs(一1)一2．9987dlnss)木G(儿c，dlnbs(一1)) (4．43)
其中，G()，，c，dlnbs(-1))=[1+exp(一12．3513(dlnbs(一1)+o．0356))])．J (4．44)
阶段二(2005年5月9日至2007年7月9日)：
dlnbs=0．0017+O．2198dlnbs(．1)一0．1424dlnbs(一2)+O．1254dlnss+(O．4366dlnbs(-1)一
0。l 808dlnss)幸G(3，，c，dlnss) (4．45)
其中，G()，，c，dlnss)=[1+exp(一26．1235(dlnss—O．0088))])以(4．46)
阶段三(2007年7月10同至2009年8月17日)：
dlnbs=O．3184dlnbs(．1)+0．3558dlnss～O．2179dlnss(-1)+0．1164dlnss(一2)+(0．0144—
0．443ldlnbs(．1)+1．3108dlnss—O．8217dlnss(一1)+O．521 1dlnss(-2))木G()，，c，
dlnbs(．1)) (4．47)
其中，G()，，c，dlnbs(-1))=【1+eXp(-1．1452(dlnbs(-1)+o．0697)(dlnbs(一1)一O．0488))])-I
(4．48)
由模型可知，在第一阶段，由于转换函数值大部分接近于1，综合模型线性与非线
性部分，上证综指收益率的变化对印度孟买BsE30指数收益率的变化几乎没有影响。
一59一
oo．一n西．o
o口．o们幻．o。∞．。∞卜，o
o卜．o∞。．o∞．o呐岍．o。”．。
基于s1R的中国与全球主要股指联动效应研究
在第二阶段，线性部分上证综指每变动1个单位带来印度孟买BsE30指数O．1254
个单位的同向变动，但由于模型在线性与非线性间频繁转换，因此总体看来上证综指收
益率对印度孟买BSE30指数收益率的影响较弱。
次贷危机后，上证综指对印度孟买BSE30指数的影响增强，线性部分上证综指每
变动1个单位，引起印度孟买BSE30指数O．3558个单位的同向变动。而在2008年10
月13日至2008年11月12日股票市场暴跌期间，上证综指收益率的变化对印度孟买
BSE30指数收益率的变化影响进一步加大，带动作用明显。
4．5．3上证综指对巴西圣保罗BOVESPA指数的联动分析
步骤同上，做枷6D与砌黜的关系，同上面的判断准则，在砒6D滞后3阶幽哪
滞后2阶时，SIC值和AIC值均较小，各变量系数显著且序列无自相关。因此取该组合
回归计算，进行线性假设检验以及转换变量和模型形式的选择。当dlnbo(t．3)作为转换
变量时，相伴概率小于其他值，又因为F2的相伴概率值最小，因此，取dlnbo(t．3)为转
换变量，并确定转换函数类型为LsTRl型。模型估计结果如下：
dlnbo=O．0004+O．2969dlnbo(一1)+O．0518dlnbo(-3)+1．2259dlnss—1．0177dlIlss(一1)+
(O．2443dInbo(一1)一O．2828dlIlbo(一2)一1．1169dlnss+O．9595dlnss(-1)+
0．0599dlllss(一2))木G()，，c，dlnbo(·3)) (4．49)
其中，GO，c，dlnbo(一3”=【l+exp(-18．6794(dlnbo(·3)+O．0428))】)叫(4．50)
由模型可知，尽管线性部分上证综指对巴西圣保罗BoVESPA指数的影响较强，但
由于转换函数值大部分为l，模型非线性部分起到主要作用，因此抵消了线性部分的影
响，上证综指对巴西圣保罗BoVESPA指数的影响较弱。而由转换函数可知，自2008
年9月12日至2008年11月11日巴西圣保罗BOVESPA指数暴跌期间，模型线性部分
起到主要作用，上证综指收益率对巴西圣保罗BOVESPA指数收益率的影响显著增强。
具体以股权分置改革和次贷危机为界划分三阶段模型形式如下：
阶段一(2001年1月4日至2005年5月6日)：
dlnbo=1．9063dlnbo(一2)+O．1043dlnbo(-3)一4．2861dlnss+(O．O003+0．5664dlnbo(-1)一
2．2274dlnbo(一2)+4．3193dlnss)木GK)，，c，dlnbo(-3)) (4．51)
其中，G()，，c，dlnbo(-3))=[1+eXp(一43．5159(dlnbo(一3)+o．0449))】)-I (4．52)
阶段二(2005年5月9日至2007年7月9日)：
dlnbo=一O．004+O．517dlnbo(一1)+O．1529dlnbo(-3)+(O．0063一O．3975dlnbo(-2)一
0．1 644dlnbo(-4)一0．0887dlnss)誊G()，，c，dlnss) (4．53)
大连理工大学硕士学位论文
其中，G(’，，c，dlnss)=[1+exp(一51．7032(dlnss+O．0123))】)d (4．54)
阶段三(2007年7月10日至2009年8月17日)：
dlhbo=O．5801dlnbo(一1)一O．2135dlnbo(一2)+(·O．OOl6一O．1843dlnbo(一1)+O．5778dlnss
—O．3368dlnss(一1))木G()，，c，dlnbo(-1)) (4．55)
其中，G()，，c，dlnbo(-1))=[1+exp(一10．0025(dlnbo(一1)+O．0067)(dlnbo(一1)一
0．0268))】)q (4．56)
PIot or T：me Series 4—2241．O．T眚2238
一’
l——Tr。n。．Punct：。n l。
■l
。1 4 1 j4 274 41 4 554 694 8j4 974 1 1 j4 1 j1 4 1 494 1 574 1 B54 20j4 22 1 4
图4．7上证综指对巴西圣保罗BOVESPA指数影响的转换函数
Figure 4．7 1’ransition Function of SSEC t0 B()、但SPA
由模型可知，在第一阶段，由于转换函数值大部分接近于1，综合模型线性与非线
性部分，上证综指收益率的变化对巴西圣保罗BOVESPA指数收益率的变化影响十分微
弱。
在第二阶段，上证综指对巴西圣保罗BOVESPA指数的影响体现在非线性部分，线
性部分不存在影响，且由于模型经常发生线性与非线性的转换，因此综合看来上证综指
收益率对巴西圣保罗BOVESPA指数收益率的影响较弱。
金融危机期间，上证综指对巴西圣保罗BoVESPA指数的影响同样增加，尽管模型
在线性与非线性间频繁转换，但当非线性部分发挥作用时，上证综指收益率的变化对巴
西圣保罗BOVESPA指数的变化具有较强影响，起到一定的带动作用。
基于STR的中国与全球主要股指联动效应研究
4．6实证结果的分析与讨论
将上述实证结果进行对比，列表如4．9所示。
表4．9上证综指对全球主要市场股票指数的影响对比
Table 4．9 comp撕son of IIllpact of ssEc on the main舀obal stock indexes
由表4．9可以看出，在股权分置改革前，上证综指对全球主要股票市场指数几乎不
能存在影响，而在股权分置改革后，这种影响也没有体现出来，上证综指对全球主要股
指的影响力仍然偏弱。但在次贷危机后，上证综指对全球主要股指的影响力均有所增强，
从具体的影响系数来看，上证综指对恒生指数的影响最强，对新兴市场及俄罗斯、印度
和巴西的股票指数影响要强于对发达国家的股票指数，而在对发达国家的影响中，对近
邻日本市场的影响程度有强于英国和美国市场，而对美国道琼斯工业指数的影响最弱，
可见上证综指对美国股票市场仍不具备相当的影响力。
由以上图表分析，可以得出如下结论：
1．上证综指与全球主要股票市场指数存在非线性关联
由得出的STR方程可知，上证综指与美、日、港、英及金砖四国股票市场指数之
间均存在非线性关联，再次表明股票市场之间的关联不能单纯地用线性模型表示，而应
当用适当的非线性模型更精确的描述二者之间的关联。而STR模型能够刻画出机制转
换的时间，同时也能够描述两个股票市场指数之间的非对称影响。两章的实证结果均证
明了前文提出的第一个假说，即中国股票市场与全球主要股票市场之间存在非线性的互
动关联。
2．股权分置改革后上证综指对全球主要股票市场指数的影响仍不明显
由第三章可知，股权分置改革后上证综指受其他主要股票市场指数的影响增加，而
由本章的市场分析可知，股权分置改革后上证综指对其他主要股票市场指数仍不甚明
大连理工大学硕十学位论文
显。第三章的实证结果证明了前文的第二个假说关于股权分置改革后全球主要股票市场
对中国股票市场的影响加大的论述，但本章的实证结果却与第二个假说中关于股权分置
改革后中国股票市场对全球主要股票市场影响程度增强的表述不甚符合。表明股权分置
改革虽然使得中国股票市场更加向国际靠拢，但并不能完全解决中国资本市场制度不健
全，运行效率低等弊病，中国市场距离一个完善的有竞争力的资本市场，还有很长的路
要走。股权分置改革为中国资本市场进一步深化改革奠定了坚实的基础，为中国市场的
国际化发展提供了有利条件。
3．次贷危机后，上证综指对全球主要股票市场指数的影响加强
同第三章的结论一致，次贷危机后中国市场对其他主要市场的影响也有所增强，这
从另一个侧面证明了前文的第三个假说。该结论进一步表明危机期间各国从实体经济到
虚拟经济均紧密地联系在一起，加之投资者心理因素导致市场传染加剧，使得各国股票
市场之间的联动性进一步增强。中国作为经济大国，其股票市场在危机期间也体现了一
定的影响力。在这些影响中，上证综指对新兴市场的影响要强于对发达国家市场的影响，
表明危机期间上证综指在新兴市场中具有一定的影响力。而在对发达国家市场的影响
中，对日本股票市场的影响要强于对英美市场的影响，体现了一定的地域性特征。从贸
易的角度说，2008年，中国分别为俄罗斯第五大，印度、巴西第四大出口目的地国。因
此中国经济环境的变化对这三个国家具有一定的影响力。而中国是日本第二大出口国，
2008年日本出口到中国的货物总值占到日本出口总值的16％，因此中国经济对日本市
场的影响也是显而易见的。
4．上证综指对恒生指数的影响程度较强
同第三章结论相似，上证综指对恒生指数的影响程度较强，这再次从另一个角度证
明了中国股票市场与香港股票市场联系紧密这一假说。中国香港地区由于地域狭小，自
然资源匮乏，因此需要依托于其他国家和地区的经贸联系使自身得到发展，而中国内地
无疑为香港的发展提供了巨大的支撑。CEPA的签署使两地经贸合作更为广泛和深入，
无论从贸易、投资或是金融领域，中国内地对香港地区的影响都在逐步加大。
由表4．10可以看出，自2003年CEPA签署以后，无论贸易、投资还是旅游人数，
中国内地对香港的输入量都逐年增加，且增速加快。以投资为例，2007年直接投资头寸
较2006年增长84．63％，增长速度十分迅猛。而自内地的进口贸易和转口贸易也在持续
增加中，且占香港所有贸易额的比重越来越大，尤其是自内地的转口贸易已约占转口贸
易总额的2／3。从内地到香港旅游的人数也逐年增多，占到了总旅游人数的一半以上，
旅游业的繁荣相应带动了服装业、餐饮业以及娱乐业等多项产业的发展，使得内地对香
港经济的推动作用更为广泛。由上述数据可以看出香港对内地市场的高依存度，为内地
基于s1R的中国与全球主要股指联动效应研究
市场对香港市场的影响奠定了经济基础。而香港对中国内地的直接投资则始终占据对中
国外商直接投资总额的较大比重，2008年这一比率为44．41％。
表4．10香港地区与中国内地的经济联系
Table 4．10 Economic Relationship between Hong KDng and Mainland China
注1)数据来源：中国统计年鉴
与此同时，在资本市场上，内地市场与香港市场的联系也更为紧密。1993年7月
16日，青岛啤酒成为第一只在香港公开发行股票的内地企业，此后，内地企业在香港上
市的数量逐年增加，截至2008年底，在主板市场上市的H股公司数目已达110家，市
价总值占股份比26．53％，成交金额占股份成交比48．53％，创业板市场上市的H股公司
数目为40家，成交金额占创业板股份总额的l 5．09％，市价总值占创业板股份总值的
25．57％。红筹股在主板市场上的股数为89家，占股份总数11．06％，市价总值占股份总
值28．04％，2008年，红筹股份在主板市场集资总额为2238亿港元，占股份集资总额的
53．54％。非H股内地民营企业上市数目为222家。至此，在港上市内地企业总数达到
465家，占香港上市公司总数的36．88％，内地企业总市值61609．1亿港元，占市价总值
59．82％，全年总成交额89773亿港元，占市场成交总额的71％。由此可见，内地企业在
香港股票市场中占有重要地位，而内地企业的经营业绩主要依托在内地市场，因此，内
地经济的发展影响内地企业的运营情况，进而影响到上市公司股价的走势，尤其是同时
在内地和香港上市的公司，其A股市场的走势极易影响到H股市场的走势，也因此，
内地股票指数对香港股票指数的影响F1益增强。
5．上证综指对美国等全球主导市场的影响力相对较弱
由第三章的证明可得，道琼斯工业指数对上证综指的影响程度不断增加，而由本章
实证可以得出，上证综指在次贷危机后虽然对道琼斯工业指数的影响虽然有所增加，但
大连理工大学硕士学位论文
增加的幅度有限。尽管中国经济对美国经济的影响不断加大，但中国市场对美国市场仍
不具备一定的影响力。
基于s1R的中国与全球主要股指联动效应研究
5结论与政策建议
5．1 结论
通过对中国股票市场与全球主要股票市场联动效应的分析，得出如下结论：
1．上证综指与全球主要股票市场指数普遍存在非线性关联
由实证分析可以发现，上证综指与全球主要股票市场指数普遍存在非线性的关联，
表明股票市场的联动不能单纯依靠线性模型分析，而应运用非线性模型更好地刻画一国
股票市场对他国股票市场的影响。STR模型能够将这种影响体现出来，并且发现转换发
生的位置，体现了一个动态的过程，从而为更好地研究股票市场联动提供有利条件。
2．股权分置改革推动中国股市更好地融入全球股票市场，但在提高中国市场影响
力方面仍有待加强；
股权分置改革从制度层面上解决了资本市场的利益分配问题，使得资本市场同上市
公司的经营业绩紧密联系在一起，推动了价值投资理念的形成，中国的投资者开始考虑
企业的实际经营能力和未来发展能力，股票价值越来越能体现公司的实际价值，资本市
场的价值发现能力开始显现。这一价值体系与国外证券市场长久以来的投资理念形成一
致，从而促进中国股票市场与全球股票市场的融合。可以说，股权分置改革是中国金融
机构利用自身的体制转换向国际市场的一种靠拢，这种靠拢是一次进步的体现，具有重
大而又深远的现实意义。
然而，股权分置改革并不能一次解决中国资本市场的固有问题。资本市场规模小，
传导机制不畅通，缺乏多层次的市场体系。上市公司治理机制还没有完全建立，股东利
益最大化的观念没有完全普及，市场仍然存在一定的投机现象。同时，境外证券在本国
上市是资本市场国际化的重要标志，然而，目前的中国市场缺乏吸引大量境外证券上市
的条件。法律法规体系不健全，市场监管制度不完善更是长久以来存在的问题。股权分
置改革在纠正制度缺陷的同时，也为金融监管增加了难度。因此，只有持续不断地进行
制度改革和完善，才能真J下提升中国资本市场的竞争力，从而对中国资本市场未来的发
展产生重要而深远的影响。
3．次贷危机后，全球主要股票市场对中国股票市场的关联程度加深；
这一结论从一个角度证明了次贷危机的爆发加剧了全球主要股票市场与中国股票
市场的互动关联，为经济基础说和市场传染说提供了实际依据。在危机期间，由于虚拟
经济对实体经济的影响，各国经济基本面因素同时发生很大变化，导致各国股市波动呈
现一致性。而由于危机对投资者心理因素产生影响，一国股票市场的波动很容易传染到
大连理丁大学硕士学位论文
他国股票市场，加剧危机的扩散。次贷危机后，全球主要股票市场指数对上证综指的影
响程度均有所增加，而在这其中，发达国家市场的影响明显，新兴市场的影响程度相对
较弱，体现了发达国家市场在全球市场中的主要影响力。
4．次贷危机后，上证综指对全球主要股票市场指数的关联程度同样加深：
次贷危机的爆发加剧全球主要股票市场与中国股票市场的关联，这不仅体现在主要
股票市场对中国股票市场的影响，同时也体现在中国市场对其他主要市场的影响，表明
危机期间中国与全球大部分市场更为紧密的互动关联。在这其中，中国对新兴市场的影
响较为明显，在发展中国家中体现了一定的影响力，而对发达国家市场的影响则相对较
弱，在全球市场上缺乏主导的话语权。
5．中国内地股票市场与香港股票市场紧密相连
CEPA的签订为内地与香港的经贸合作提供了新的条件和发展空间，促进两地经济
的融合，也加强了资本市场的互动，香港市场与中国内地市场之间均具有较强的影响力。
香港股票市场的价值投资理念可以传导到内地，促进内地合理投资观念的形成。同时，
香港是金融中心，比相对封闭的内地市场更具有融资能力，体制也更为完善，内地企业
可以在香港集合大量资金进行自身发展。而内地企业到香港上市以及内地投资者投资香
港股票市场也能给香港的资本市场增添活力。同时需要注意的是，由于香港市场和内地
市场联系日益紧密，在危机发生的时候，如何避免两地股市同时受到影响，甚至由于相
互的关联性而使危机加剧，是两地政府监管部门着力考虑的问题。
5．2政策建议
通过上述实证分析以及得出的结论，提出如下政策建议：
1．加强证券市场监管，防止危机带来的震荡
全球股市联动已成为全球金融市场的一个明显特征，尤其在危机期间，一国股市的
波动很容易扩散到其他国家，加剧危机的传导。因此，中国资本市场在开放的前提下，
要注意风险的防范，强化市场监管理念，加强信息披露，建立风险预警，从单一的控制
风险转为预防与控制并重，进一步降低危机发生的可能。
2．继续进行资本市场机制改革，倡导价值投资理念，培育成熟的资本市场
股权分置改革纠正了中国资本市场固有的制度缺陷，推动了价值投资理念的形成，
也使得中国资本市场的价值发现能力逐步体现。然而，中国资本市场体制不健全、不规
范的问题并没有得到彻底改善，还有许多机制问题有待解决。因此，中国政府部门和金
融机构应继续加强资本市场体制改革，有步骤有条件地开放资本市场，逐步实现利率市
基丁s1R的中国与全球主要股指联动效应研究
场化，建立高效多样的融资渠道。规范上市公司治理，完善现代企业制度，建立有效的
激励和监督机制。加强法律法规建设，实施有效的金融监管。同时，继续倡导价值投资
的理念，使得市场估值区间合理，减少投机行为的发生。价值投资理念也有助于减少投
资者的跟风行为，从而在危机发生时具有一定的判断力，而不盲目跟随，减少危机传染
的可能性。总之，中国资本市场要不断完善自身建设，向发展成为成熟健康的资本市场
的目标稳步前进。
3．投资者可以根据中国与全球主要股票市场的联动研判股市走势，寻找合适的跨
国投资组合以降低风险
中国与全球主要股票市场联动特征明显，有助于投资者根据一国股市的走势来判断
对另一国市场的影响，从而提前做好风险防范。与此同时，中国与全球股市联动性的增
强使得投资者选择相关性弱的跨国投资组合的难度加大，然而，尽管股市联动特征体现
得日益明显，但仍存在某些国家市场之间影响较弱，因此投资者可以寻求关联性不强的
股票市场进行投资组合，或是寻找在联动中具有相对独立性的市场进行投资，从而达到
降低风险的目的。
5．3研究不足与展望
本文基于STR模型进行中国股票市场与全球主要股票市场的联动效应研究，在研
究过程中存在一些不足。如上证综指由于春节、五一、十一等长假期的影响，连续确实
的天数较多，因此运用插值法将数据补齐，可能会对实证部分造成些许影响。另外，由
于篇幅限制，没有考虑更多的国家进行分析，而只选取几个较有代表性的股票市场分析，
相对来说不够全面。
在未来的研究中，考虑运用非线性格兰杰因果检验分析中国股票市场与全球主要股
票市场的非线性因果关系，从而为研究中国市场与世界各国股市之l、日J的因果关联，以及
股市联动中的层次分析提供更有力的证据。
大连理工大学硕士学位论文
参考文献
[1]贺巾杰．中国内地、香港和美国三地股市联动性的实证分析[D]．广州：中山大学，2008．
[2]GRUBEL H G．Internationally diversified portf01ios：welfare gains and capital flows
[J]．American Economic Review，1968，58(5)：1299—1314．
[3]KING M A，WADHWANI S．Transmission of volatility between stock markets[J]．Review
of Financial Studies，1990，3(1)：5—33．
[4] LEE S B， KIM K J． Does the October 1987 crash strengthen the co—moVements among
national stock markets[J]．Review of Financial Economics，1993，3(1／2)：89—102．
[5]KASA K． Common stochastic trends in international stock markets[J]． Journal of
M0netary Economics，1992，29(1)：95—124．
[6]CHAN K C，GUP B E，PAN M S．An empirical analysis of stock prices in major Asian
markets and the United States[J]．The Financial Review，1992，27(2)：289—307．
[7]GHOSH A，SAIDI R，JOHNSON K H．Who moves the Asia—Pacific stock markets—棚S or Japan9
Empirical evidence based on the theory of cointegrat ion [J]． The Financial
RevieW’1999，34(1)：159一170．
[8]CHENG H，GLASCOCK J L．Dynamic 1 inkages between the Greater China Economic Area
stock markets—．Mainland China，Hong Kong，and Taiwan[．，]． ReView of QuantitatiVe
Finance and Accounting，2005，24(4)：343—357．
[9]CHEUNG Y L，MAK S H． The international transmission of stock market fluctuation
between the developed markets and the Asian—Pacific markets[J]．Applied Financial
Economics，1992，2(1)：43—47．
’
[10]MALLIARIS A G，URRUTIA J L．The international crash of OctcIber 1987：causality tests
[J]．The Journal of Financial and Quantitative Analysis，1992，27(3)：353—364．
[11]KWAN A C C，SIM A B，COTEOMITIS J A．The causal relationships between equity indices
on world exchanges[J]．Applied Economics，1995，27(1)：33—37．
[12]LEONG C， FELMINGHAM B． The interdependence of share markets in the developed
economies of East Asia[J]．Pacific—Basin Finance Journal，2003，11(2)：219—237．
[13]G00IJER J G D，SIVARAJASINGHAM S． Parametric and nonparametric granger causality
testing：1inkages between international stock markets[J]． Physica A：Statistical
Mechanics and its Applications，2008，387(11)：2547—2560．
[14]OZDEMIR Z A，OLGUN H，SARACOGLU B． Dynamic l inkages between the center and periphery
in international stock markets [J]． Research in International Business and
Finance，2009，23(1)：46—53．
[15]HAMAO Y，MASULIS R W，NG V．Correlations in price changes and v01atility across
international stock markets[J]．Review of Financial Studies，1990，3(2)：28l一307．
一69—
基丁：STR的中国与全球主要股指联动效／踅研究
[16]LI H，MAJER0wSKA E． Testing stock market 1inkages for Poland and Hungary： a
multivariate GARCH approach [J]． Research in International Business and
Finance，2008，22(3)：247—266．
[17]QIAO Z，CHIANG T C，WONG W K．Long—run equilibrium， short—term adjustment， and
spi l lover effects across Chinese se鲫ented stock markets and the Hong Kong stock
market [J]． Journal of International Financial Markets， Institutions and
Money，2008，18(5)：425—437．
[18]DALKIR M． Rev i si t ing stock market index correlat ions [J]． Finance Research
Letters，2009，6(1)：23～33．
[19]IBRAHIM B M，BRZESZCZYNSKI J． Inter—regional and region—specific transmission of
international stock market returns：the r01e of foreign information[J]． Journal
of International Money and Finance，2009，28(2)：322—343．
[20]OZDEMIR Z A． Linkages between internat ional stock markets： a mult ivariate
10ng—memory approach L，] ． Physica A： Statistical Mechanics and its
Applications，2009，388(12)：246l一2468．
[21]陈守东，韩广哲，荆伟．主要股票市场指数与我国股票市场指数间的协整分析[J]．数量经济
技术经济研究，2003，(5)：124—129．
[22]胡安，许萌．上证指数与美国S＆P500指数间相关变化的时间路径分析[J]．经济管
理，2003，(12)：83—85．
[23]张福，赵华，赵媛媛．中美股市协整关系的实证分析[J]．统计与决策，2004，(2)：93—94．
[24]杨海成，芮萌，王清河．海外股市对中国人陆股市引导关系的研究[J]．统计与决
策，2004，(5)：30—31．
[25]汪素南，潘云鹤．美国股市与中国股市间溢出效应的实证研究[J]．浙江大学学报(：【学
版)，2004，38(11)：143卜1435．
[26]韩非，肖辉．中美股市间的联动性分析[J]．金融研究，2005，(11)：117—129．
[27]刘振亚．纽约股票市场对中国A股市场的影响[J]．南开经济研究，2006，(3)：13—26．
[28]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一(BV)EGARCH—VAR
的检验[J]．数量经济技术经济研究，2006，(8)：142—151．
[29]周瑁．我国大陆股票市场与周边主要股票市场的联动分析[J]．企业经
济，2007，(1)：165一167．
[30]谢百三，于黎明，聂倩倩，陈小明．中美两国股市不存在长期的联动性[J]．价格理论与实
践，2007，(3)：66—68．
[31]黄朴，李梦玄．沪港股市的波动溢出和时变相关性研究[J]．管理学报，2008，5(1)：96—100．
[32]高莹，靳莉莉．沪深300指数与世界主要股票指数的关联性分析[J]．管理评
论，2008，20(2)：3—8．
一70一
大连理工大学硕士学位论文
[33]骆振心．金融开放、股权分置改革与股票市场联动——基于上证指数与世界主要股指关系
的实证研究[J]．当代财经，2008，(4)：52—57．
[34]曹广喜，姚奕．沪深股市动态溢出效应与动态相关性的实证研究一一基于长记忆
VAR—BEKK(DCC)一MVGARCH(1，1)模型[J]．系统工程，2008，26(5)：47—54．
[35]赵鹏，曾剑云．香港、台北、纽约股市收益及波动溢出效应的实证研究[J]．工业技术经
济，2008，27(7)：145一149．
[36]李天德，张亮．中国股票市场与国际主要股票市场的联动分析[J]．统计与决
策，2008，(18)：125—127．
[37]李晓广，张岩贵．我国股票市场与国际市场的联动性研究——对次贷危机时期样本的分析
[J]．国际金融研究，2008，(11)
[38]李巍．中国、俄罗斯与美国证券市场的联动效应——来自次贷危机爆发后三阶段的证据
[J]．世界经济研究，2009，(1)：32—39．
[39]唐齐鸣，操巍．沪深美港股市的动态相关性研究——兼论次级债危机的冲击[J]．统计研
究，2009，26(2)：2卜27．
[40]孙彬，杨朝军，于静．基于CCF检验的国际证券市场联动性实证研究[J]．武汉理工大学学报
(信息与管理工程版)，2009，31(2)：338—342．
[41]王志芬，张雪玲．次贷危机对中美股市联动性的影响分析[J]．经济论坛，2009，(9)：33—35．
[42]刘潭秋．人民币实际汇率的1F线性特征研究[J]．数量经济技术经济研究，2007，(2)：1l一18．
[43]HAMILTON J D． A new approach to the economic analysis of nonstationary time series
and the business cycle[．T]．Econometrica，1989，57(2)：357—384．
[44]TONG H．On a thresholdⅢodel [M]／／CHEN C H． Pattern recognition and signal
processing．Amsterdam：Sijhoff and Noordoff， 1978：100—141．
[45]TONG H，LIM K S．Thresh01d Autoregressions， 1imit cycles，and data[J]．Journal
of the Royal Statistical Society，1980，42(3)：245—292．
[46]TONG H：threshold models in non一1inear time series analysis[M]． New York：Springer
Verlag， 1983．
[47]TONG H：non一1inear time series：a dynamical system approach[M]．0xford：Oxford
University Press， 1990．
[48]TERASVIRTA T，ANDERSON H M．Characterizing nonlinearities in business cycles using
smooth transition autoregressive models [J] ． Journal of Applied
Econometrics，1992，7(S)：l 19一136．
[49]GRANGER C W J，TERASVIRTA T：modeling nonl inear economic relationships[M]．Oxford：
Oxford University Press， 1993．
[50]TERASVIRTA T． Specification， estimation， and evaluation of smooth transition
autoregressive models [J] ． Journal of American Statistical
Association，1994，89(425)：208—218．
[51]彭方平．STR模刑及我国货币政策传导非线性研究[D]．武汉：华中科技人学，2007．
一71
基于s1R的中国与全球主要股指联动效应研究
[52]田青．国际经济一体化理论研究与经验实证[D]．杭州：浙江大学，2004．
[53]CALV0 G．Contagion in emerging markets：when wall street is a carrier．UniVersity
of Maryland，1999，MimeO．
[54]LUUKKONEN R，SAIKKONEN P，TERASVIRTA T．Testing 1inearity against smooth transition
autoregressive models[J]．Biometrika，1988，75(3)：491—499．
[55]EITRHEIMA，TERASVIRTA T．Testing the adequacy of smooth transition autoregressiVe
models[J]． Journal of Econometrics，1996，74(1)：59—75．
[56]TERASVIRTA T．Modelling economic relationships with smooth transition regressions
[M]／／ULLAH A，GILES D E A．Handbook of Applied Economic Statistics．New York：Marcel
Dekker． 1998：507—552．
一72—
大连理工大学硕士学位论文
附录A因变量对各滞后组合的回归结果
表A．1锄铘对各滞后组合的回归结果
Table A-l Regression ResuIts ofAll Lag Combinations
变量(2。O) (2，1) (2，2) (2，3) (2，4) (Z，5) (2，6) (2．7) (2，8) (2，9) (2，10)
0．ODol O．000l O．ooOl O．O001 0．o()0l O．000l O．000l O．0002 O．o002 O．O002 O．0002
C
0．640l O．6260 0．6315 O．6136 O．6217 0．6125 O．5976 0．5731 O．5558 O．5596 O．552l
0．3367 O．329l O．3306 O．3320 0．3316 O．3308 0．3293 O．3283 0．3274 0．3272 0．327l
dlnss(一1)
0．OooO O．0000 O．0000 0．0000 O．00()o 0．0000 O．OooO O．0000 O．0000 O．0000 O．ooOO
一O．1629 一O．1579 加．1565 -o．1615 -o．1614 ．o．1625 一O．1627 -o．1632 -o．1642 —0．1644 一O．1648
dlnss(一2)
O．00010 O．O000 O．OooO 0．OooO O．0()00 O．OooO O．0000 O．OooO O．0000 0．Oooo O．0000
dlndj
dlndj(一1)
dlndj(一2)
dlndj(一3)
dlndj(-4)
dlndj(一5)
dlndj(_6)
dlndj(一7)
dlndj(一8)
dlndj(一9)
dIndj(一10)
0．1244 O．1244 O．1234 O．1232 O．1229 O．1240 O．1250 0．1248 O．1240 O．1237 O．1236
0．000lo O．ooOO O．0000 O．0000 0．0000 O．0000 O．o000 O．0000 O．OooO 0．0000 O．OOoo
O．0738 0．0736 O．0755 O．0756 O．0746 O．0756 O．0762 O．076l 0．0754 O．0754
O．0013 0．0013 O．0010 O．00lO 0．ool2 O．ool0 O．0009 O．0009 O．00lO o．0010
—o．0219 -0．0216 -o．0203 一O．0202 一O．0207 —0．0198 -o．0190 一O．0192 ．o．0195
O．34ll O．3460 O．3773 O．：j80l O．3665 O．3879 O．4089 O．404l 0．3979
O．05ll 0．o．517 O．0544 O．0543 O．0537 0．0545 O．05．54 O．0554
O．0256 O．024l O．0176 O．0178 O．0192 O．0175 O．01．锝O．0159
0．0183 0．0185 O．020l O．0199 0．0193 O．0197 O．0200
0．4226 O．4165 O．3793 O．3837 O．3978 O．3884 O．3816
O．053l O．0529 O．0534 O．0532 O．0529 0．0532
O．叭98 O．0202 O．叭94 O．0197 O．0205 O．01％
O．0370 O．0363 O．037l O．037l O．0368
O．1046 O．1120 0．1046 O．1044 O．107l
O．023l O．0228 O．0242 O．0242
O．3104 0．3186 O．289l O．2902
0．0258 O．0262 0．0266
0．2589 O．2502 O．2443
O．0246 0．0244
0．2803 0．2845
O．0118
O．6044
AIC 一5．8799 —5．88：{6 —5．883l 一5．884 l 一5．8833 —5．8844 —5．8843 —5．鹋43 —5．88：{8 —5．8832 —5．8820
SIC 一5．8697 —5．8708 —5．8678 —5．8662 —5．8629 —5．8614 —5．8588 —5．8562 —5．85：jI 一5．8499 —5．8462
DⅣ 1．9d82 1．9317 1．9334 1．9354 1．9368 1．9376 1．9357 1．9360 1．9346 1．9345 1．9334
—73—
基于sTR的中国与全球主要股指联动效应研究
表A-2办娜对各滞后组合的回归结果
Table A一2 Regression ReSults of An Lag Combinations
变量(3。O) (3，1) (3，2) (3，3) (3，4) (3，5) (3，6) (3。7) (3，8) (3。9) (3，lO)
O．000l O．000l O．000l 0．ooOl 0．000l 0．OOOl 0．O001 0．ooOl 0．000l O．000l O．000l
。
0．7043 O．6907 O．6929 O．6826 O．6963 0．6857 O．6726 O．6458 0．6280 O．6340 0，6299
O．3673 0．3598 O．3604 0．3611 0．3614 O．3606 O．3592 O．3582 O．3573 O．3572 O．357l
dl“88(一1)
O．0000 0．0000 O．0000 O．0000 O．0000 O．0000 0．0000 O．0000 0．0000 0．0000 O．0000
—O．2240 一0．2190 —0．2182 ．o．22ll —O．2213 一O．2226 —0．2224 -o．2228 -0．2233 —0．223l -o．2232
dI“55‘一¨J
O．00loo O．O∞O O．0000 0．0000 O．0000 O．00|00 0．OooO O．0000 O．oooo O．0000 O．0000
0．1843 0．1838 O．1832 O．1809 O．1813 0．1816 O．1806 O．1806 0．1800 O．1794 O．1792
dln8s卜3，
0．OooO O．O000 O．0000 O．ooOO 0．伽loO O．ooOO 0．OooO 0．OooO O．O000 0．0000 O．0000
dlndj
dlndj(一1)
dlndj(一2)
dlndj(一3)
dlndj(一4)
dlndj(一．5)
dlndj(_6)
dlndj(一7)
dlndj(一8)
dlndj(一9)
dlndj(一10)
0．1249 O．1249 O．1244 O．1243 0．1245 O．1256 O．1264 0．1262 0．1257 O．1254 O．1254
O．0000 0．0000 0．0000 0．oooo 0．0000 O．0000 0．0000 O．0000 O．0000 O．0000 O．0000
O．072l O．0720 O．073J6 O．0737 O．0727 O．0735 0．0740 0．0739 O．0734 0．0734
O．ool4 O．0014 O．ooll 0．0011 O．0013 0．00ll 0．00ll O．00ll 0．0012 0．0012
-o．0096 -0．0093 -o．009l —O．0089 一O．0095 一O．0087 ．o．008l —O．0083 -0．∞踮
O．6727 O．6796 0．68融2 O．6928 0．6752 O．7024 O．7196 O．7132 0．7079
O．0383 O．0388 0．0416 O．0416 0．OtIO O．0416 O．0423 O．0423
O．0896 0．0858 0．oI；59 O．0660 O．0699 O．oIi57 0．0617 O．(J619
—0．()037 一O．()035 —0．()02l —O．0023 —0．f)027 -0．0024 -o．0022
O．8702 0．8763 O．9266 0．9198 0．9063 O．9165 0．9239
O．0M3 0．054l O．0544 O．Oj42 O．054l 0．(1到2
O．0155 O．0158 O．0155 0．0157 O．016l 0．‘J159
0．03lO O．030I O．0306 0．0306 O．O：jf’5
O．1679 O．1798 0．1743 O．1735 0．1756
O．0199 0．0195 O．0206 O．0206
0．3742 O．3853 0．3602 0．3608
0．0178 0．0183 O．0186
O．427l 0．4146 O．4095
0．0162 O．016l
0．4713 O．4738
O．0067
O．7659
AIC 一5．913：； 一5．9170 一5．9162 —5．9166 —5．9156 —5．9168 —5．9164 —5．9164 —5．9157 —5．9147 —5．9134
SIC 一5．9006 ～5．9017 —5．8983 —5．8962 —5．8926 —5．8913 —5．8883 —5．8857 —5．8824 —5．8789 —5．875l
D_ 2．005l 1．9888 1．9894 1．9905 I．99ll I．9922 1．990l 1．9905 1．9889 1．9889 1．9878
—74—
大连理工大学硕士学位论文
表A．3砒船对各滞后组合的回归结果
Table A一3 Regression Results of All Lag C咖binations
变量(4，O) (4，1) (4，2) (4．3) (4，4) (4，5) (4，6) (4’7) (4，8) (4，9) (4，lO)
O．000l O．000l O．ooOl O．000l 0．Oool O．ooOl O．Oool O．000l 0．Oool 0．Oool 0．000l
C
O．7128 O．7000 O．7019 O．693l O．694l O．6812 O．6683 O．6412 O．6235 O．6292 0．6248
O．3693 O．3615 O．362l O．3624 O．3625 O．3627 O．3613 O．3604 O．3595 O．3595 O．3594
dlnss(一1)
0．0000 O．oooo O．0000 O．OooO 0．0000 O．oooo O．OooO 0．0000 0．0000 0．O000 0．0000
-o．2263 一O．2209 -o．220l 一0．2226 一O．2227 -o．2252 一O．2250 —O．2255 -o．2260 -o．2260 一0．2262
dlnss(一2)
0．O000 0．OooO O．O000 O．O000 O．0000 0．oooo 0．o000 O．0000 O．ooOO O．0000 O．0000
0．1879 0．1868 0．1863 O．1832 0．1835 0．1859 0。1847 O．1850 0．1844 O．1840 O．1839
dlnssI一3)
O．OooO 0．0000 0．0000 O．O000 O．OooO O．0000 O．o000 0．0000 O．0000 O．0000 O．0000
—O．010l —O．0084 -o．0085 -o．0063—0．0062 加．0120 —O．0115 -o．0123．o．0123 一O．0130 一O．0133
dlnss(一4)
0．6335 0．6890 O．鹤7l O．7638 0．7708 0．5742 O．5905 0．5635 O．5650 O．5423 O．5334
dlndj
dlndj(一1)
dlndj(一2)
dlndj(一3)
dlndj(一4)
dlndj(一5)
dlndj(-6)
dlndj(一7)
dlndj(一8)
dlndj(_9)
dlndj(一lO)
O．1246 O．1246 O．1242 O．1242 o．1243 0．125l O．1260 O．1258 O．1252 O．1249 O．1248
O．oooo 0．0000 O．0000 0。oooo 0．0000 0．O000 O．0000 O．OOoo O．0000 O．OooO O．0000
O．0719 O．0719 O．0735 O．0735 0．0723 O．073l O．0736 O．0735 O．0730 O．0730
O．0015 O．0015 O．ooll O．ool2 O．0014 O．ool2 0．ooll O．0012 O．0013 O．0013
一o．0092 _o．0090-0．009l -o．0090 -o．0095 -o．0087 一O．0082 一O．0084 -o．00踞
O．6833 O．6916 O．6873 0．69lO O．6737 O．7010 O．7185 O．7119 O．7060
O．0384 0．0384 O．0409 O．0409 O．0403 O．0409 O．0416 O．0415
O．0894 O．08％ 0．0710 0．0709 O．0755 O．0709 O．0668 O．067l
—O．0033 一O．0028 —0．ool4 一O．0015 一O．ool9 一O．ool6 -o．0013
0．8839 0．9028 0．9517 O．9467 0．933l O．9453 O．954l
0．0557 O．0555 O．0558 O．0557 O．0556 O．0558
O．0136 O．0l哇O O．0135 O．0138 O．0140 O．0137
0．0308 O．0299 O．0304 O．0304 0．0303
O．1708 0．1830 O．1772 0．1765 O．1790
O．0203 O．0198 0．02lO O．0210
O．3664 O．3772 O．3513 O．3518
O．0180 0．0185 O．0188
O．4225 O．4097 ‘O．4038
0．0167 O．0166
0．4576 O．4597
0．0073
O．74(；6
AIC 一5．9124 —5．9160 一5．9152 —5．91．％ 一5．9147 —5．916l 一5．9157 —5．9156 —5．9¨9 —5．9140 一5．9127
SIC 一5．8970 —5．898l 一5．8948 —5．8926 —5．8892 —5．8880 一5．8850 一5．8824 —5．879l 一5．8756 —5．8718
DW 2．0090 1．9922 1．9927 1．9932 1．99：jl 1．91)I；l 1．9938 1．9946 1．9929 1．9932
—75—
基于锄己的中国与全球主要股指联动效应研究
表A-4砌螂对各滞后组合的回归结果
Table A-4 Re黟懿sion I沁sultS of AU Lag Combin撕ons
变量(5，O) (5，1) (5，2) (5，3) (5。4) (5，5) (5，6) (5，7) (5，8) (5，9) (5，lO)
O．O001 O．000l 0．000l O．0001 O．000l 0．000l O．OooI O．000l O．000l 0．000l O．000l
。
O．7212 O．7096 O．7“3 O．703l O．7036 O．6882 0．6747 O．6475 O．6298 O．6353 0．6308
O．3696 0．3618 O．3623 0．3626 O．3626 O．3629 0．3615 O．3606 O．3597 0．3597 O．3．596
d1“88(一1)
O．o000 0．0000 O．0000 O．oooo 0．0000 O．0000 O．0000 O．oooo O．OooO O．0000 0．0000
—O．230I —O．2250 一0．2243 加．22鹋一O．2268 —0．2288 一O．2280 —O．2287 -o．2290 _o．2289 加．229l
dl“58(一2)
O．0000 O．0000 0．0000 0．0000 0．0000 O．0000 O．0000 O．0000 0．0000 O．0000 0．0000
O．1926 O．192l O．1915 O．1885 0．1886 O．1903 0．1嬲5 O．1889 0．1882 0．1877 O．1875
dln88‘一¨J
0．oooo 0．0000 O．o000 O．oooo O．OooO O．oooo O．0000 O．0000 O．0000 O．o000 O．0000
-o．0175 一O．0167 一O．0167 一O．0146 一O．0145 _o．0190 -o．0175 -o．0185 _0．0182 一O．0l嬲_o．0190
d1“88(一4)
O．4376 0．4570 O．4577 O．516l O．5212 O．3992 0．4393 O．4136 O．42ll O．4070 0．4022
O．0204 O．0228 O．0226 O．0229 O．0228 0．0198 O．Ol鹋O．0172 O．0166 0．016l O．0159
dl“88(一5)
O．335l 0．2794 O．2840 0．2787 O．2817 0．3494 O．4300 0．4184 0．4370 0．4493 O．4554
dlndj
dlndj(-1)
dlndj(一2)
dlndj(一3)
dlndj(一4)
dlndj(一5)
dlndj(．6)
dlndj(一7)
dlndj(一8)
dlndj(一9)
dlndj(一lO)
0．1255 O．1257 O．1253 0．1252 0．1253 O．1260 O．1267 0．1265 0．1259 O．12．诣0．1255
O．0000 O．OooO O．0000 0．0000 O．0000 0．0000 O．伽100 O．0000 o．0000 O．00()o 0．(X)00
O．0728 O．0727 0．0744 0．0744 O．073l 0．0738 0．0742 O．074l 0．0737 O．07：}6
O．ool3 0．0013 0．00lO O．0010 0．0012 O．00ll O．00lO O．ooll 0．0012 0．0012
—0．0086 一O．0083 -0．0084 一O．0084 -o．0090 一O．008l 一0．0076 一O．0079 一O．oo∞
O．7040 O．7128 O．7105 O．7107 O．6912 O．7195 O．7358 0．7288 0．7233
0．0387 0．0387 O．04lO O．04lO O．0403 0．04lO O．0416 O．0416
0．0877 O．0879 0．0703 O．0704 O．0749 O．0706 O．0665 O．()I；鹪
一0．0018一O．0015一O．o004—0．f)f)05一O．(10lO一0．000Ij -o．(》004
0．9367 O．9463 O．9852 O．98lO O．9(；(；3 O．9775 0．挑49
O．0瓢4 O．O．544 0．0548 O．0547 O．0546 0．O矾8
O．0160 O．016l O．0156 O．0158 0．Ol印O．0156
0．0288 O．0279 0．02鲥O．0285 O．0284
O．2023 O．2169 0．2094 0．2079 0．2Ioo
O．0206 O．020l O．0212 O．0212
0．3599 O．3708 O．3458 O．3哇63
O．0175 O．018l O．0183
O．4353 O．422l O．4169
0．0164 O．0164
O．4644 0．4667
0．0066
O．7686
AIC 一5．9114 —5．9152 —5．9144 —5．9¨8 —5．9139 —5．9156 —5．9150 一5．9150 一5．9143 —5．9134 —5．912l
SIC 一5．8935 —5．8947 —5．8914 —5．8892 —5．8858 —5．8849 —5．8818 —5．8792 —5．8759 —5．8724 —5．8686
D_ 2．0080 1．9909 I．9914 1．9918 1．9917 1．9950 1．9930 1．9938 1．9922 1．9924 I．9914
—76—
大连理工大学硕士学位论文
C
dlnss(一1)
dlnss(-2)
dlnss(一3)
dlnss(一4)
dlnss(一5)
dlnss(—6)
dlndj
dlndj(一1)
dlndj(一2)
dlndj(一3)
dlndj(一4)
dlndj(一5)
dlndj(-6)
dlndj(一7)
dlndj(一8)
dlndj(一9)
dlndj(一lO)
0．000l 0．Oool O．Oool 0．000l O．Oool O．000l O．ooOl O．000I O．000l O．ooOl 0．000l
0．6990 0．6886 O．6904 0．1；{j29 O．6835 0．6710 O．6618 O．6326 O．6154 O．6202 0．6160
O．3702 O．3625 O．363l 0．3634 0．3634 O．3636 0．362l 0．3612 O．3603 O．3602 O．3602
O．o000 O．ooOO 0．0000 O．OooO 0．0000 O．OooO 0．000_o 0．O000 O．0000 O．0000 O．oooO
一0．2307 -0．2257 一O．2249 一O．2273 一O．2273 一O．2292 一O．2285 一O．2294 一O．2297 -o．2296 —0．2298
O．0000 O．o000 O．OooO O．0000 O．0000 O．0000 O．0000 0．000Io O．ooOO O．伽100 O．000lo
0．200l O．1990 O．1984 0．1953 O．1954 O．1965 O．1950 O．1959 O．195l O．1947 O．1945
O．(}0l∞ O．o(X)o O．()000 0．0000 0．OOOO O．0000 O．0000 0．0000 O．OooO O．00010 0．OooO
-o．0268 一O．0253 -o．0254 -o．0232 _o．0230 —O．0267 一O．0255 —0．0272 一O．0269 _o．0275 -o．0278
0．244l 0．2697 O．2687 O．3136 O．3185 0．2472 0．270l 0．2392 0．2457 0．2345 O．23lO
0．0350 O．0363 O．0362 O．036l O．0359 O．0321 O．0295 O．0309 O．0302 0．0298 0．0296
O．120l O．1063 0．1075 0．1082 0．I100 O．1544 0．1920 O．1715 O．1828 O．墙78 O．1913
_o．040l _o．037l —O．0375 —0．0366 一O．0366 —0．0337 一O．0354 一O．038l —O．0377 —0．038l _o．038l
O．0575 O．0787 O．076l O．0833 O．0832 O．1105 O．0946 O．0738 O．0765 O．0743 O．074l
O．1256 O．1258 O．1253 O．1252 0．1253 O．1260 O．1268 0．1265 O．1260 O．1257卸．1256
O．oooo 0．oooo O．oooo 0．oooo O．0000 0．0000 0．0000 0．oooo 0．0000 0．0000 O．0000
0．07“ O．07lO O．0727 O．0727 O．0715 0．072l O．0726 O．0725 O．0720 0．0719
O．0017 O．ool7 O．0013 O．ool3 0．0016 O．0015 O．0013 O．ool4 0．0015 0．ool5
一O．叭02 —0．0099 一O．0100 一0．0099 一O．0105 一O．0096 一O．009l —O．0094 ．o．0096
O．6525 O．6620 0．6590 O．6635 0．6438 0．6715 0．鹋73 O．6799 O．6739
O．0376 O．0376 0．O：399 0．0399 O．039l O．0398 O．0404 0．0404
O．0965 O．09168 O．0779 O．0779 O．0839 O．0792 0．0745 0．0749
一O．0023 _o．0020 一O．()006 一O．o007 一O．ooll -o．0008 一O．o005
O．9192 O．9304 O．9785 O．9743 O．960l 0．9724 O．9807
0．052I O．0522 O．0526 O．0525 O．0524 O．0527
O．0215 O．OZll O．0203 0．0205 0．0208 O．0203
0．0310 O．0302 O．0307 O．0308 O．0307
O．17lO O．1813 O．1755 O．1739 O．1758
0．0250 O．0245 O．0257 0．0257
0．2686 0．2783 0．2565 0．2568
O．0169 0．0174 0．0177
O．4518 O．4386 0．4322
O．0175 O．0175
O．435l O．4368
O．0072
O．7485
AIC 一5．9l 18 —5．9153 —5．9¨5 —5．9149 —5．9¨O 一5．9155 —5．915d 一5．9156 —5．9148 —5．9139 —5．9126
SIC 一5．8913 —5．8923 —5．8890 一5．8867 —5．8833 —5．8822 —5．8796 —5．8772 —5．8739 —5．8704 —5．8666
DW 2．00．59 1．9893 1．9900 1．9904 1．9903 1．99：蝻1．9917 1．9923 1．9907 L9909
—77—
基于卿t的中国与全球主要股指联动效应研究
一78—
大连理工大学硕+学位论文
C
dlnss(一1)
dlnss(一2)
dlnss(一3)
dlnss(-4)
dlnss(一5)
dlnss(-6)
dlnss(一7)
dlnss(一8)
dlndj
dlndj(一1)
dlndj(一2)
dlndj(一3)
dlndj(一4)
dlndj(一5)
dlndj(-6)
dlndj(一7)
dlndj(一8)
dlndj(一9)
dlndj(一10)
AIC
SIC
DO．
ooOl 0．000l O．000l O．000l O．Oooi O．．ooOl O．0001 O．000l O．000l 0．000l 0．Oool
O．6605 O．6493 O．6507 0．6445 O．6452 O．6348 O．6274 O．6219 O．6174 0．6200 O．6165
0．3718 O．364l O．3646 0．3648 O．3649 0．365l O．3637 O．3630 O．3627 0．3627 0．3626
0．0000 O．oooo O．oooo O．0000 O．0000 0．oooo O．OooO O．0000 O．oooo 0．0000 0．oooo
-o．2333 一O．2283 一O．2276 _o．2300 —0．230l —O．2318 一O．2312 一O．2319 一O．2322 一O．2324 -0．2325
O．0000 O．oooo O．OooO O．OooO O．0000 0．0000 O．o000 O．0000 0．o000 O．0000 O．o000
0．2026 O．2016 O．20ll O．1980 O．1982 0．1992 O．1977 O．1980 0．1973 0．1969 O．1967
0．000lo O．OooO O．O000 O．OooO O．0000 0．O000 0．0000 O．oooo 0．0000 O．0000 O．o000
-0．0350 -o．0335 —0．0335 一O．0314 -0．0312 -o．0348 —0．0339 一O．0347 -o．0345 一o-0354 -0．0356
O．1343 O．1513 O．1516 O．1784 O．1829 O．1376 O．1487 O．1392 O．1423 O．1319 O．1307
O．0494 O．0509 O．0507 O．0507 O．0505 0．0466 O．0443 O．0449 O．0442 0．0444 O．0442
O．0346 O．0292 O．0298 O．0300 O．0307 O．0466 0．059l O．0559 O．0598 O．059l O．0607
-o．0608 一O．0579 一O．058l —O．0573 一O．0574 -o．0544 -o．0566 -0．058l —O．0575—o．0585 —0．0585
O．0083 O．Oll8 O．Oll6 O．0127 O．们26 0．018l O．014l O．0120 0．0130 O．0116 O．Oll7
O．0470 O．047l O．0467 O．0475 O．0475 O．0474 O．0490 O．0475 O．0462 0．0473 n 047l
O．0368 O．0362 O．0378 0．0346 0．0348 O．0349 O．0295 0．0354 O．0412 O．0370 O．0380
一O．03．32 一O．0350 —O．0349 _0．0335 ．o．03：j6 一O．0325 一O．0322 一O．03ll -0．0319 -0．034l 一0．034l
O．1162 O．0976 0．098l O．1129 O．1120 O．12d7 O．1277 O．1416 0．1323 0．1095 O．1107
0．1242 0．1244 O．1240 0．1239 O．1240 O．1246 O．1254 O．1252 O．1248 O．12“ O．1243
0．0000 O．O000 O．O000 O．OooO O．o000 O．O000 0．0000 O．0000 O．0000 O．OooO 0．O000
O．0716 O．0715 O．073l O．073l 0．0720 O．0726 O．073l O．0730 O．0724 0．0724
O．0015 O．ool6 O．ool2 O．ool2 O．0015 O．0013 O．ool2 O．0013 0．0014 O．ool4
—0．0082 一O．0079 -o．()080 —O．0079 一O．0085 —0．008l -o．0076 一O．0079 -o．0080
0．7158 O．727l O．7228 O．7274 O．7089 O．7225 O．7375 O．7292 O．7243
0．0374 O．0374 O．0397 O．0398 O．0394 O．0397 O．0405 O．0405
O．0985 O．0989 0．0797 0．0790 0．0818 O．0796 0．0744 O．0747
一O．003l 一0．0027 —0．0013 一O．0012 一O．ool5 ．o．001l -o．o009
0．8915 O．90“ O．9556 O．9．鼹4 0．9488 O．9624 0．9688
O．0506 O．0踟|9 O．0518 O．0518 O．0516 O．0517
O．0253 O．0247 O．0223 0．0223 O．0230 O．0226
O．0315 0．0317 O．0323 O．0325 0．0324
O．1639 O．1619 0．1538 O．1522 O．1538
0．0203 O．0204 O．0217 0．0217
O．3705 0．3679 O．3395 O．3395
O．0148 0．0155 O．0157
O．5120 0．4943 O．4889
0．022l O．0220
0．3288 O．3305
O．0056
O．8024
—5．9129 —5．9165 —5．9157 —5．9160 一5．915l 一5．9165 —5．9165 —5．9160 一5．9153 —5．9145 —5．9132
—5．8873 —5．8884 —5．88五O 一5．8828 —5．8793 —5．878 l 一5．8756 —5．8724 —5．8692 —5．8659 —5．8620
2．0074 1．9907 1．9912 1．9915 1．9914 1．9914 1．9926 1．9920 1．9919 1．9920 1．9912
—79—
基于STR的中国与全球主要股指联动效应研究
表A．8砌娜对各滞后组合的回归结果
Table A一8 Regression R_esults of All Lag Combinations
变量(9．O) (9，1) (9，2) (9，3) (9，4) (9，5) (9，6) (9，7) (9，8) (9，9) (9，lO)
C
dlnss(一1)
dlnss(一2)
0．000l O．O001 O．0001 0．000l O．000l O．000l O．000l O．0001 0．()00l 0．00lol O．()()I)I
O．6783 0．6670 O．6686 0．6625 0．6629 0．6533 0．6460 O．6们7 O．6362 0．6295 0．6267
O．3727 O．3650 O．3656 O．36．58 O．3659 0．366l O．3647 O．36dl O．3637 0．3635 0．3634
0．OooO O．0000 0．0000 0．0000 0．oooo 0．oooo O．0000 0．0000 O．o000 O．0000 O．()000
一O．2340 —0．229l -o．2283 一O．2307 一O．2307 一O．2326 一O．2320 —O．2327 一O．233I 一0．2334 一O．2：135
0．oooo 0．oooo O．0000 O．0000 O．0000 O．OooO O．OooO 0．oooo 0．0000 0．0000 O．IX×H}
．． ⋯ O．2040 O．2029 0．2024 0．1993 O．1995 0．2006 O．199l O．1994 0．1987 O．1982 O．198l
0．o000 O．0000 O．0000 O．0000 O．oooo O．0000 0．oooo 0．oooo O．o000 O．0000 0．【X)oo
． ，． _o．0359 -o．0344 一O．0344 一O．0324 一O．0322 ．o．0360 —0．035I -o．0359 —0．0357 —0．0365 一O．03Ij6
0．1247 O．1406 0．1408 O．166l 0．1698 O．1255 0．1356 O．1265 O．1292 O．1209 O．1205
．． 0．0500 O．0515 O．0513 O．0513 O．0511 O．0472 O．0449 0．0455 0．0448 O．045l O．0450
。‘
O．0327 O．0275 O．028l O．0283 O．0289 O．0440 0．0560 O．0529 0．0570 0．055l O．0561
． ⋯ ．o．0648—0．0620一O．0622-0．0614一O．0614-o．0588．0．0612-0．0627一O．0622一O．063l _o．0630
O．0057 0．0080 O．0078 O．00踮O．0086 O．0120 O．009l 0．0077 O．0082 0．0073 0．0075
．． ⋯ O．0520 O．052l 0．0518 O．0525 O．0525 O．0529 0．0546 0．053l O．0519 O．0527 0．0525
O．0242 O．0236 O．0246 O．0226 0．0227 0．0217 O．0178 O．0215 0．0250 0．0230 O．0237
． ⋯ -o．0409 一O．0428 -o．0428 -0．0413 —0．0413 -o．0408 -o．0408 一O．0398 —0．04lO —O．0427—o．0425
O．0696 0．0573 0．057l O．0666 O．0664 O．0695 O．0696 0．0774 O．0695 O．0i95 0．oIi；10
．． ⋯ 0．02lO O．n214 O．0216 O．0214 O．0213 0．0232 O．0238 0．0240 O．0249 O．02：{8 O．0234
O．3201 O．3119 O．3068 O．3lll 0．3t36 O．2732 O．2594 0．Z56d O．240l O．2628 O．2722
．． 0．1240 O．124l O．1237 O．1237 O．1237 O．1244 0．1252 0．1250 O．1245 O．12，1Z 0．1242
。
O．oooo O．oooo O．0000 0．0000 0．0000 O．0000 O．()o()0 O．0(KJo 0．0000 0．()o()O O．《肌Ⅺ
0．0717 O．0716 0．0732 O．0732 0．0720 O．0726 0．07：{2 0．07：jI O．()726 0．0725
。
O．ool5 O．0016 O．0012 0．0012 O．0015 O．ool3 O．ool2 O．ool2 O．0()¨ 0．00¨
一O．0090 一0．()0髓一O．0087 一O．0087 一O．o()92 —0．()088 —0．00l}4 一O．()085 -o．1XJ辐
dIndi(一2)
”
O．6917 0．7030 O．70【)0 0．7027 O．f；8％ O．6969 O．7127 0．7嗍1 O．706：；
O．0374 0．0373 0．0397 O．O：{98 0．O：j94 O．0：j98 O．t)们1 O．(H伽
dlndi(一3) 。
O．0992 O．OgH95 0．0799 O．0792 O．082l O．0796 0．07j2 O．0753
一O．0023 一O．0018 一O．0003 —0．0002 一O．()005 一O．000l 一6．踮一oI；
dlndj(一4) 。0．9195 O．9354 0．9887 0．9917 0．9820 O．9973 O．9998
O．0517 O．0519 O．0529 O．0530 0．0526 O．0527
d】ndi(一5) 。
O．0225 O．0219 O．0197 O．0196 0．0205 0．(J204
dIndj(-6)
dlndj(一7)
dIndj(一8)
dlndj(一9)
dlndj(一lO)
AIC
SIC
D霄
O．0322 O．0323 O．033l O．03：jl 0．0330
0．1559 0．1538 O．1448 0．1444 O．I哇56
O．0208 O．0209 O．0218 0．0218
O．3597 O．3565 O．3362 O．：{．j65
O．0167 0．0169 0．0170
0．4608 O．4564 O．d553
O．0206 0．0205
0．：j629 O．：{646
O．0()29
O．8982
—5．912l 一5．9158 —5．9149 —5．9153 —5．9l“ 一5．91．碣一5．9159 ·5．9153 —5．9H7 —5．9142 —5．9128
—5．8840 —5．885l 一5．8817 —5．8795 —5．8760 一5．8749 —5．8724 —5．8693 —5．866l 一5．86：{() 一5．859
2．()096 1．I}929 1．9935 I．9938 1．9937 1．9970 1．9952 l-9917 1．9917 1．9912 I．∞：Ⅵ
80一
大连理工大学硕士学位论文
注1)包含两个数值的单／i格，．I：方数。，为变量系数估计值，下方为概率值
一8l一
基于s1R的中国与全球主要股指联动效应研究
攻读硕士学位期间发表学术论文情况
1 周筠(第二作者)．中大管理研究，2009年，4(2)：122．143．主办单位：中山大
学管理学院。
一82—
大连理工大学硕士学位论文
致谢
在本论文即将完成之际，谨此向我的导师黄飞雪副教授致以衷心的感谢!本论文的
工作是在黄老师的悉心指导下完成的，黄老师孜孜不倦的教诲和严谨求实的治学态度伴
随着我的研究生生涯，使我对学术研究有了更深层次的理解和认识。黄老师为我们创造
了优越的科研和学习环境，正是由于黄老师的大力支持，使我具有不断前进的动力，并
学到了很多知识，在此再次向我的老师表示敬意和感谢!
感谢我的师兄师妹以及我的同门，是他们不断鼓励我，坚定我克服困难的决心，并
不断提出建设性的意见和建议，给了我很大启发，受益匪浅，与他们的学术探讨也使我
的研究工作有了长足的进展。
衷心感谢我的父母和亲朋好友对我的关心、理解和支持，没有他们的鼓励和支持，
我无法完成现在的硕士学业。
感谢曾经教育和帮助过我的所有老师。衷心地感谢为评阅本论文而付出宝贵时间和
辛勤劳动的专家和教授们!受时间和学识水平的限制，论文还有许多需要完善的地方，
恳请各位老师予以批评指正。
研究生生活是充实而短暂的，在这段期间我收获了很多知识，更收获了很多人生感
悟。书山有路勤为径，学海无涯苦作舟。在学术的道路上，需要踏踏实实一步一个脚印
前进，要有钻研精神，在不断攻克难关的过程中收获知识和启示。人生是不断奋斗的过
程，要珍惜宝贵的时间，争取每一天的进步，最终实现自己的理想和目标。