中国股市变结构动态相关性分析.docVIP

中国股市变结构动态相关性分析 　　 摘 要：对沪深股市综合指数运行过程的研究发现，上证综指与深圳综指的相关性过程具有变结构特征。本文采用自组织特征映射(SOM)神经网络的聚类功能对变结构点进行测定，并采用时变copula模型对变结构点前后相关性过程进行了建模。实证结果表明，经验动态相关性可以对市场风险加以体现，而内在动态相关性则会对市场发展的成熟度提供理论借鉴。 　　关键词：动态相关性；变结构；自组织神经网络；动态Copula 　　中图分类号：F832 文献标识码：A 文章编号：1007-4392(2009)05-0003-03 　　 　　 我国沪深两大股票市场(下称“两市”)均处于相同的国内及国际宏观政治#65380;经济背景下，其相关性程度的高低反应了我国股票市场成熟度的高低，其相关性的波动在一定程度上也可以反映出市场运行的动态风险。因而，对两市相关性的分析可以为市场成熟度的评价及市场运行风险的揭示提供一定的理论依据。 　　通过对我国两大股票市场综合指数运行过程的研究发现，上证综指与深圳综指的相关性过程具有变结构特征。为更好刻画它们之间的相关关系，采用自组织特征映射神经网络对相关关系序列进行聚类，找到变结构点。然后利用条件Copula对变结构点前后序列相关性进行时变建模。实证结果表明，经验动态相关性可以对市场风险加以体现，而内在动态相关性则会对市场发展的成熟度提供理论借鉴。 　　 　　一#65380;动态相关性理论 　　 　　(一)条件copula 　　W为已知条件，F#65380;G分别为随机变量X|W#65380;Y|W的条件分布，H为(Y)|W的联合条件分布。假定F和G连续，则存在唯一的一个条件Copu-la，有 　　 H(x，y|w)=C(F(x|w)，G(y|w)|w)， (x，y)∈R×R and each w∈W(1) 　　相反的，如果令F为X|W的条件分布，G为Y|W的条件分布，C为一个条件Copula，则由(1)式定义的条件分布H就是条件边际分布为F和G的二元条件联合分布。 　　同理，条件Copula的密度函数形式可以表示为 　　 h(x，y|w)=f(x|w)，g(y|w)#8226;c(u，v|w)，(x，y，w)∈R×R×W(2) 　　其中u=F(x|w)，v=G(y|w)，h(x，y|w)为(X，Y)|W的联合条件密度函数。 　　条件Copula包含一个时变相依参数，这就需要建立时变相依参数的演化方程。在对时变过程建模方面，Patton提出了如下的条件Copula时变参数模型； 　　 　　其中ωN，αN和βN为需要估计的参数，Φ-1(#8226;)为正态随机变量累积分布函数的逆函数，(x)=(1-e-x)/(1+e-x)是修正的logistic函数，该函数用于确保相关系数始终处于-1到1之间。 　　(二)参数估计 　　本文采用两步估计法对条件Copula进行估计。其基本思想是先估计一元时间序列的边际分布函数的参数，然后对Copula函数的参数进行估计。 　　令θ，θx，θy和θc分别表示密度函数h(x，y|w)，f(x|w)，g(y|w)和c(u，v|w)的参数，则联合密度函数的对数似然值为： 　　 　　IFM估计过程即第一步先估计边际分布函数的参数得到θx和θy，第二步估计Copula的参数得到θc。Patton证明两步估计θ=[θx，θy，θc] 与一步估计同样渐进有效。 　　 　　二#65380;实证分析 　　 　　由于新股发行#65380;上市公司退市及权重股权重分配变动等因素会对成分指数产生影响，因此为综合分析沪深两个市场间的相关关系，本文选取上证综合指数日收盘价数据作为样本，样本区间为1991.4.8-2008.12.25，共4309组数据。由于价格序列并不平稳，需要把收盘价格转换成对数收益序列。设日收盘价为?邀Pt?妖，则其对数收益率序列为?邀rt|rt=logPt-logPt-1?妖， 　　(一)经验时变相关性分析 　　为直观了解两市时变相关性的基本走势，选取一个月(20个交易日)作为滑动窗口，分别计算两组数据的经验时变线性相关系数Pearson ρp#65380;经验时变秩相关系数Spearman ρs和经验时变秩相关系数Kendall τ，得到其走势如图1所示。 　　 由图1可以看出，在股市建立前期，两市相关性在0附近波动，且波动幅度较大。说明我国股市建立前期，由于缺乏必要的法规#65380;办法及正常运转的交易机构，造成投机性操作严重，两市市场运行趋势未能随国内及国际经济形式的发展做出一致的反应，市场运行不平稳，市场风险较大；自1996年中期至今，相关性趋近于1，波动幅度明显缩小。说明经过5年左右的发展，随着股民