市场指数及行业指数波动溢出效应研究——基于中美港股票市场的实证分析.docxVIP

市场指数及行业指数波动溢出效应研究——基于中美港股票市场的实证分析

一、研究背景与意义

在经济全球化与金融市场一体化的大背景下，各国股票市场之间的联动性日益增强，波动溢出效应成为金融领域的重要研究课题。中美港作为全球重要的股票市场，美国股市是全球最大的资本市场，具有强大的影响力；中国股市随着经济的快速发展，规模不断扩大，在全球市场中的地位逐渐提升；香港股市则是连接中国内地与国际市场的重要桥梁，具有独特的市场地位。研究这三个市场的指数波动溢出效应，对于投资者进行跨市场投资决策、风险管理以及监管机构制定政策都具有重要的理论和现实意义。

二、数据选取与预处理

（一）数据选取

本文选取中美港主要市场指数和行业指数作为研究对象。市场指数方面，美国选取标普500指数（SP500），中国选取沪深300指数，香港选取恒生指数。行业指数方面，考虑到金融、科技、工业等行业在各市场中的重要性，分别选取美国的金融精选行业指数（XLF）、科技精选行业指数（XLK）、工业精选行业指数（XLI），中国的沪深300金融指数、沪深300科技指数、沪深300工业指数，香港的恒生金融分类指数、恒生科技指数、恒生工业分类指数。数据频率为日度数据，时间跨度为[具体起始时间]-[具体结束时间]，共获取[X]个样本数据。

（二）数据预处理

首先，对各指数数据进行对数收益率处理，以消除数据的异方差性和趋势性，对数收益率计算公式为：R_t=\ln(P_t)-\ln(P_{t-1})，其中R_t为第t日的对数收益率，P_t为第t日的指数收盘价。然后，对处理后的收益率数据进行平稳性检验，采用ADF检验方法，结果表明各指数收益率序列均在1%的显著性水平下拒绝存在单位根的原假设，说明数据是平稳的，可以进行后续的实证分析。

三、实证模型构建

（一）向量自回归（VAR）模型

VAR模型是分析多变量时间序列之间相互关系的常用模型，能够捕捉变量之间的动态联动效应。本文构建VAR模型来分析中美港股票市场指数和行业指数之间的波动溢出效应。设向量Y_t=[R_{US,t},R_{CN,t},R_{HK,t},R_{US\_F,t},R_{US\_T,t},R_{US\_I,t},R_{CN\_F,t},R_{CN\_T,t},R_{CN\_I,t},R_{HK\_F,t},R_{HK\_T,t},R_{HK\_I,t}]^T，其中R_{US,t}、R_{CN,t}、R_{HK,t}分别为美国、中国、香港市场指数的对数收益率，R_{US\_F,t}、R_{US\_T,t}、R_{US\_I,t}分别为美国金融、科技、工业行业指数的对数收益率，R_{CN\_F,t}、R_{CN\_T,t}、R_{CN\_I,t}分别为中国金融、科技、工业行业指数的对数收益率，R_{HK\_F,t}、R_{HK\_T,t}、R_{HK\_I,t}分别为香港金融、科技、工业行业指数的对数收益率。VAR模型的一般形式为：

Y_t=\sum_{i=1}^{p}\Phi_iY_{t-i}+\varepsilon_t

其中，\Phi_i为滞后i阶的系数矩阵，p为滞后阶数，通过AIC、SC等信息准则确定最优滞后阶数为[X]阶；\varepsilon_t为随机误差项向量，其协方差矩阵为\Sigma。

（二）波动溢出指数模型

基于VAR模型，采用Diebold和Yilmaz（2012）提出的溢出指数方法来衡量市场之间和行业之间的波动溢出效应。溢出指数包括总溢出指数、定向溢出指数和行业间溢出指数。总溢出指数衡量整个系统中各变量之间的波动溢出总效应；定向溢出指数衡量从一个市场（或行业）到另一个市场（或行业）的波动溢出效应；行业间溢出指数衡量不同行业之间的波动溢出效应。

四、实证结果分析

（一）市场层面波动溢出效应分析

总溢出指数：通过计算得到中美港股票市场之间的总溢出指数为[X]，表明三个市场之间存在较强的波动溢出效应。在不同的时间段内，总溢出指数呈现出一定的波动，例如在重大事件如贸易战、疫情等期间，总溢出指数显著上升，说明市场波动加剧，溢出效应增强。

定向溢出指数：

从美国市场到中国市场的定向溢出指数为[X]，从美国市场到香港市场的定向溢出指数为[X]，表明美国市场对中国和香港市场具有显著的波动溢出效应，美国市场的波动会通过各种渠道传导至中国和香港市场。

从中国市场到美国市场的定向溢出指数为[X]，从中国市场到香港市场的定向溢出指数为[X]，说明中国市场对美国市场的波动溢出效应相对较弱，但对香港市场具有一定的溢出效应，这可能与香港市场与内地市场的紧密联系有关。

从香港市场到美国市场的定向溢出指数为[X]，从香港市场