“互聯網+”背景下證券市場相關行業板塊的動態相關關系研究
——基于DCC-GARCH模型

（中國地質大學（武漢）經管學院，湖北 武漢 430074）

“互聯網+”背景下證券市場相關行業板塊的動態相關關系研究
——基于DCC-GARCH模型

李忠武，馬瑞陽

（中國地質大學（武漢）經管學院，湖北 武漢 430074）

應用多變量DCC-GARCH模型研究了2008—2016年中國證券市場互聯網板塊與農業板塊、房地產板塊和有色金屬板塊之間的動態關聯性。研究發現，互聯網板塊與其余三個板塊之間均存在隨時間變化的動態條件相關關系，與有色金屬板塊相關性最強，房地產板塊次之，農業板塊稍弱，而且“互聯網+”概念提出之后，動態相關強度均有增加的趨勢。

DCC-GARCH；互聯網板塊；有色金屬板塊；房地產板塊；農業板塊

一、引言

股票市場的聯動性是指在不同股票市場價格之間存在著顯著的收益率波動的關聯性，即一個市場的波動加劇會引起另一個市場波動的加劇。不同板塊之間的條件相關系數是解釋板塊聯動效應的重要指標，它通過測度不同市場板塊收益率相關系數的變化來檢驗聯動性。研究股市板塊之間的聯動性不僅有利于投資者真正把握市場風險，為投資組合決策提供可靠的理論基礎，而且有利于政策制定者通過對不同板塊間資本流動、信息傳遞以及投資者心理和預期變化的預測來把握經濟走勢。在研究金融市場聯動性的文獻中，單變量GARCH模型雖能充分體現單個金融市場波動的時變特征，但在考察兩個或者多個市場之間的波動相關性時卻比較差，而多變量GARCH模型則可以較好地解決此問題。互聯網的普及應用對各行業、各板塊均提出了較大的挑戰，本文選擇與互聯網密切相關的、在國民經濟中占據重要地位的農業板塊、有色金屬板塊和房地產板塊作為研究對象，探討近2000個交易日的板塊收益率的動態條件相關關系。

二、文獻綜述

自從Engle（2002）提出DCC-GARCH以來，眾多國內外學者運用該模型研究不同金融市場的動態相關系數。DCC-GARCH模型可以很好地捕捉不同市場相關系數的時變性，便于掌握市場間的聯動效應。鄭振龍和楊偉（2012）利用DCC-GARCH模型發現我國股票市場和債券市場的相關性呈現出波動性很大的動態時變的特征。魯旭和趙迎迎（2012）利用三元VAR-GJR-GARCH-DCC模型研究滬深港股市的聯動性，結論認為滬深港三個市場具有聯動效應，直接或間接引導對方且滬深股市與香港股市動態關聯性具有趨同性。徐有俊等（2010）利用DCCGARCH模型研究中國股市和國際股市之間的聯動性，相比印度股市，中國股市與世界各股市的聯動性較小，但中國股市與世界各股票市場的聯動性有逐漸增強趨勢。劉國光和張兵（2005）應用恩格爾提出的DCC多元GARCH模型對股票市場上股指和交易量變化之間關系進行探討，結果發現各個市場之間的動態相關系數存在較大的差異，總體而言正相關機會遠大于負相關。上述文獻充分顯示DCC-GARCH模型在不同股票市場動態關聯性的研究方面具有很大的優勢。

股票行業板塊對上市公司的股票進行分類，便于找到具有行業相關性的公司股票。行業板塊分析是股市基本面分析的重要組成部分，進行行業股票的分類便于對股票的分析研究，行業板塊日漸成為選股的重要依據。不同板塊雖然代表著不同的行業，但研究表明不同的行業板塊之間也是具有相關性的。韋艷華、張世英（2004）利用GARCH（1，1）模型估計收益率的邊緣分布，結合t-GARCH構建Copula-GARCH模型對滬市各板塊指數收益率序列間的相關性進行分析，認為不同板塊的指數收益率序列具有不同的邊緣分布，各序列具有很強的正相關關系。杜偉錦和何桃富（2005）隨機抽樣了24個分類板塊指數，研究了它們之間的相關性，并運用模糊聚類分析法對其進行的聚類分析。方先明等（2009）利用雙因子模型對行業板塊指數波動性的研究，揭示了中國滬深股票市場不同行業板塊指數對利率和匯率變化的敏感性。劉迎春（2014）采用Copula-Kernel模型對房地產板塊與金融板塊指數的相關性展開研究，認為二者具有較強的上尾和下尾相關關系，且下尾相關性略大于上尾相關性。

圖1 四個板塊日收益率時間序列圖

已有的文獻利用DCC-GARCH模型研究股票、債券等宏觀金融市場動態相關性的很多，而研究行業板塊之間的動態條件相關性較少，且大多集中在房地產板塊和金融板塊。隨著“互聯網+”概念的提出以及中央關于加強農村互聯網建設決策的逐步實施，互聯網與工業、農業和服務業的相關性會越來越強，本文選擇了農業板塊、有色金屬板塊和房地產板塊為代表，探討其與互聯網板塊之間的動態相關性。

表1 四個板塊序列描述統計及正態性檢驗

表2 四個板塊序列平穩性的ADF檢驗

表3 GARCH（1，1）的參數估計結果

三、實證分析

1、數據來源

本文實證數據選自WIND數據庫，從證監會行業板塊分類中選取了互聯網及其相關服務板塊（HLW）、有色金屬板塊（YS）、房地產板塊（FDC）以及農業板塊（NY），這幾個板塊在不同領域都具有較強的代表性，也是投資者投資的熱門板塊。原始數據指標是各板塊從2008年6月5日到2016年4月26日共計1918個交易日收盤價的加權平均數。對板塊日收盤價進行對數差分得到日收益率數據。

收益率ri，t=100*（lnpi，t-lnpi，t-1）。其中pi，t為板塊i第t期的收盤價，i的取值從1到4分別與互聯網板塊、有色金屬板塊、房地產板塊和農業板塊的相對應。

2、數據描述及假設檢驗

在DCC-GARCH建模之前，首先對數據進行基本的描述統計和平穩性進行檢驗。圖1繪制了各板塊的收益率時間序列圖，明顯體現出收益率的波動集聚性，初步認為各個板塊序列存在條件異方差效應，可以構建GARCH模型研究其波動性。

四個板塊收益率序列的描述統計及正態性檢驗結果如表1所示。J-B統計量的P值都很接近于0表明四個板塊收益率均不服從正態分布，并且從它們的偏度以及峰度可以看出幾個序列均具有明顯的尖峰厚尾分布特征。

實踐中，大多數時間序列都會受到時間的影響，呈現序列不平穩的現象。為避免非平穩時間序列可能引起的偽回歸現象，在DCC-GARCH參數估計之前，還要對數據進行ADF單位根檢驗（見表2）。表中ADF檢驗統計量的值在0.01的顯著性水平下通過了顯著性檢驗，拒絕了存在單位跟的原假設，表明時間序列是平穩的。因此，可以進一步對收益率序列建立單時間序列GARCH模型以及DCC-GARCH模型。

3、模型參數估計

DCC-GARCH 模型的參數估計包括兩個階段，首先是識別和估計各殘差序列的單變量GARCH 效應，然后在各個殘差序列標準化的基礎上，估計條件相關系數。因此，我們先采用GARCH（1，1）對各個板塊序列的均值方程殘差序列進行建模，結果如表3 所示，α為ARCH項參數估計值，β為GARCH項參數估計值。

上表中α代表當期新息對下一期波動的影響程度，刻畫了波動的集聚特征，β則代表了現在的波動性趨勢在未來消失的快慢。從結果看，各板塊的GARCH（1，1）系數均十分顯著，α+β并且接近于1表明各板塊的波動性具有顯著的持續性，其中互聯網板塊的波動持續性最強，房地產板塊次之，農業板塊與有色金屬板塊相對較弱。

表4 DCC-GARCH動態調整系數估計結果

圖2 互聯網與其它板塊之間的動態相關系數圖

接著，將殘差序列進行標準化處理后進行DCC參數估計，結果如表4所示。結合動態相關系數圖（圖3）不難發現，DCC模型的動態條件方差系數λ2越大，表明動態條件相關系數變動越大，λ1+λ2越大，序列間動態相關性相對越強。

表中的HLW_YS、HLW_FDC、HLW_NY分別表示互聯網板塊與有色金屬板塊、互聯網板塊與房地產板塊以及互聯網板塊與農業板塊的DCC-GARCH模型。除了互聯網與農業板塊模型的λ1是在5%水平顯著，其它動態調整系數均在1%的水平上顯著，可以判斷互聯網板塊與其它三大板塊之間均存在顯著的時變動態條件相關關系。圖2分別是互聯網與有色金屬、互聯網與房地產、互聯網與農業的時變條件動態相關系數圖。我們可以看到互聯網與農業條件動態相關系數均值在0.4-0.6之間，相比較互聯網與有色金屬、互聯網與房地產板塊較小。圖中的三個標志線，選擇的是2015年3月5號為李克強總理在第十二屆全國人民代表大會上提出互聯網+概念的時間。從圖中可以看到，在此之后互聯網與三個板塊的條件相關系數都有上升的趨勢。

4、結論

第一，以農業板塊、有色金屬金屬板塊和房地產板塊為代表的三大產業股市日收益率，除了自身的波動具有持續聚集性外，與互聯網板塊也存在時變的條件相關關系，其中有色金屬板塊與互聯網板塊的相關系數波動最大（-0.2—0.8）。互聯網+的概念提出之后，互聯網更是深入我們的生活，與各行各業的相關性越來越強。改變傳統行業發展模式，尋找恰當的切入點，抓住互聯網變革帶來的機遇與挑戰，是大勢所趨。

第二，在動態相關圖的比較中，我們發現農業與互聯網的相關性較小，說明我國農業與互聯網的融合尚存在瓶頸。政府、社會、企業應多方協力，助推“互聯網+農業”切實落地。利用互聯網+行動，切實解決農業發展中的信息不對稱問題、資源優化配置問題、IT人才短缺與資金匱乏問題等，政府層面要多搭臺、企業層面要多參與、社會層面要多培育，切實營造“互聯網+農業”的大氛圍和大環境。

[1] Engle R F．Dynamic Conditional Correlation：A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models．Journal of Business，2002．

[2] 鄭振龍、楊偉：金融資產收益動態相關性：基于DCC多元變量GARCH模型的實證研究[J]．當代財經，2012（7）．

[3] 魯旭、趙迎迎：滬深港股市動態聯動性研究——基于三元VAR-GJR-GARCH-DCC的新證據[J]．經濟評論，2012（1）．

[4] 徐有俊、王小霞、賈金金：中國股市與國際股市聯動性分析——基于DCC-GARCH模型研究[J]．經濟經緯，2010（9）．

[5] 劉國光、張兵：基于DCC多元GARCH模型的股票收益和交易量相關性分析[J]．鹽城工學院學報（自然科學版），2005（9）．

[6] 韋艷華、張世英：多元Copula-GARCH模型及其在金融風險分析上的應用[J]．數理統計與管理，2007（5）．

[7] 杜偉錦、何桃富：我國證券市場的板塊聯動效應及模糊聚類分析[J]．商業研究，2005（11）．

[8] 方先明、裴平、柏建暉：雙因子模型的行業板塊指數波動性研究——基于中國上市公司2006—2008年的實證數據[J]．當代財經，2009（6）．

[9] 劉迎春：房地產板塊與金融板塊指數相關性研究——基于Copula-Kermel模型的分析[J]．數學的實踐與認識，2014（9）．

（責任編輯：周瑞華）