■潘群星，宦先鶴

本文以2010年6月21日～2019年4月30日期間的上證綜合指數(shù)、上證國債指數(shù)以及人民幣兌美元匯率的收益率為樣本，基于ARFIMA-HYGARCH模型分別對我國股債匯風(fēng)險(xiǎn)點(diǎn)的長記憶特征進(jìn)行刻畫，并在此基礎(chǔ)上構(gòu)建三元VFIAR-DCC-HYGARCH模型，旨在探究各自間的關(guān)聯(lián)性問題。結(jié)論如下：股市收益的長記憶性不顯著，而波動存在顯著的長記憶特征；債市和匯市的收益與波動存在顯著的雙長記憶特征；三大風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)程度均較低，但具有很強(qiáng)的波動時(shí)變性，其中股市與債市、債市與匯市表現(xiàn)為正相關(guān)關(guān)系，股市與匯市表現(xiàn)為負(fù)相關(guān)關(guān)系。基于以上結(jié)論，本文為如何有效防范金融風(fēng)險(xiǎn)提出了相應(yīng)的建議。

一、引言與文獻(xiàn)綜述

現(xiàn)階段，我國金融業(yè)快速發(fā)展，隨著實(shí)體經(jīng)濟(jì)增速下行壓力的加大，資金脫實(shí)向虛、社會高杠桿等現(xiàn)象愈加明顯。加之，受國外宏觀政策外溢效應(yīng)的影響，風(fēng)險(xiǎn)正在金融體系內(nèi)部以及實(shí)體經(jīng)濟(jì)運(yùn)行的多個(gè)層面逐漸累積，諸如股指異常波動、債券違約頻發(fā)、匯率難以穩(wěn)定等現(xiàn)象仍屢見不鮮。總的來說，國內(nèi)金融形勢良好，金融風(fēng)險(xiǎn)可控，但各金融領(lǐng)域的風(fēng)險(xiǎn)仍處于易發(fā)、高發(fā)的狀態(tài)，需要時(shí)刻保持高度警惕。股市、債市和匯市作為金融市場的三個(gè)主要子市場，它們在社會資源配置、金融風(fēng)險(xiǎn)管理等方面都發(fā)揮著重大作用。在當(dāng)前背景下，對我國股債匯三大風(fēng)險(xiǎn)點(diǎn)的長記憶性及關(guān)聯(lián)性問題進(jìn)行研究，發(fā)掘各市場的典型事實(shí)特征，理解市場間的相互作用機(jī)制，不論是對投資者把握市場發(fā)展形勢，構(gòu)建更加合理的資產(chǎn)組合，還是對監(jiān)管部門有效進(jìn)行金融監(jiān)管和風(fēng)險(xiǎn)控制，制定適當(dāng)?shù)慕鹑谑袌稣{(diào)控政策，都具有重要價(jià)值。

有關(guān)時(shí)間序列的長記憶性研究，國外學(xué)者構(gòu)建了許多數(shù)學(xué)模型。Mandelbrot et al.（1968）基于長記憶現(xiàn)象的研究給出分形高斯噪聲的概念，并構(gòu)建了分?jǐn)?shù)差分噪聲（FDN）模型。此后，Granger&Joyeux（1980）、Hosking（1981）將其與自回歸移動平均（ARMA）模型聯(lián)系起來，進(jìn)一步提出分整自回歸移動平均（ARFIMA）模型。之后，Baillie et al.（1996）將分形理論引入GARCH模型，得出分?jǐn)?shù)求和廣義自回歸條件異方差（FIGARCH）模型。此外，一些學(xué)者還嘗試將ARFIMA模型分別與FIGARCH和HYGARCH模型結(jié)合，構(gòu)造出ARFIMA-FIGARCH和ARFIMA-HYGARCH模型同時(shí)考察時(shí)間序列一階矩和二階矩上的雙長記憶特征?；谏鲜瞿Ｐ?，楊宇俊和門明（2009）指出，銀行間國債波動的長記憶性能力強(qiáng)于交易所國債，在估計(jì)VaR值時(shí)波動過程的長記憶特征是一重要影響因素，基于偏t殘差分布所得的HYGARCH模型對中國銀行間國債市場的擬合是較為充分的。劉漢等（2015）基于AR-HYGARCH考察了大中華區(qū)共4個(gè)股市的波動特征，結(jié)果表明所有市場收益率均表現(xiàn)出顯著的長記憶特征。

有關(guān)股債匯風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性研究，國內(nèi)外學(xué)者主要圍繞股債、股匯和債匯兩兩風(fēng)險(xiǎn)點(diǎn)展開。有關(guān)股債風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性，Dean&Faff（2011）利用ABEKK和ADCC-GARCH模型，以澳大利亞1992～2006年間的數(shù)據(jù)為研究樣本，對股票和債券收益率一階矩上聯(lián)動效應(yīng)的非對稱特征進(jìn)行分析，結(jié)果表明只有在股市出現(xiàn)好消息和債市出現(xiàn)壞消息時(shí)，才會影響對方市場。Nektarios&Charlotte（2012）基于STR模型考察了高頻數(shù)據(jù)下美國股債兩市間的關(guān)聯(lián)性，他們認(rèn)為二者間的相關(guān)關(guān)系具有時(shí)變特征，且正負(fù)轉(zhuǎn)換現(xiàn)象明顯。從國內(nèi)研究看，胡秋靈和馬麗（2011）采用BEKK-MGARCH模型，分階段考察了處于不同股市行情特征下股債兩市收益率二階矩上的關(guān)聯(lián)性，結(jié)果表明基于不同階段所得的波動溢出結(jié)果各有差異。王雯等（2018）運(yùn)用DCC-GARCH模型分析了我國股債兩市間的動態(tài)關(guān)聯(lián)性，最終發(fā)現(xiàn)二者間的相關(guān)系數(shù)具有時(shí)變特征，總體關(guān)聯(lián)程度不高但正負(fù)方向變化明顯。有關(guān)股匯風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性，Moore et al.（2014）的實(shí)證結(jié)果表明，在韓國等6個(gè)亞洲新興市場和日本等4個(gè)發(fā)達(dá)市場中，實(shí)際匯率與股價(jià)間均存在顯著的動態(tài)關(guān)聯(lián)性。從國內(nèi)研究看，冷松和田剛（2017）構(gòu)建了TVP-VAR-SV模型，并將其應(yīng)用于人民幣匯率和利率變動影響我國股價(jià)的分析之中，結(jié)果表明相關(guān)影響具有顯著的時(shí)變特征，且與利率相比，匯率變動造成的影響更弱。有關(guān)債匯風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性，So（2001）運(yùn)用多元EGARCH模型對美國利率和美元匯率的相互作用關(guān)系進(jìn)行分析，發(fā)現(xiàn)利率變化會對匯率造成影響，反之則不存在，此外兩者還具有波動溢出層面的影響。從國內(nèi)研究看，陳守東和高艷（2012）通過實(shí)證分析指出，從波動層面看，匯率對利率會由金融危機(jī)前的單向影響逐漸轉(zhuǎn)變?yōu)榻鹑谖C(jī)后的雙向影響。陳創(chuàng)練等（2017）選取TVP-VAR模型對匯改后我國債匯兩市月度數(shù)據(jù)間的動態(tài)關(guān)系進(jìn)行了分析，結(jié)果表明匯率變動在短期內(nèi)會對債市產(chǎn)生負(fù)向影響，且債市變動在短期內(nèi)對匯市同樣也會產(chǎn)生負(fù)向影響，但長期來看影響相對較弱。

經(jīng)過文獻(xiàn)梳理發(fā)現(xiàn)，由于選取的樣本和采用的方法等各不相同，國內(nèi)外學(xué)者在研究股債匯風(fēng)險(xiǎn)點(diǎn)的長記憶性、關(guān)聯(lián)性問題上并沒有得出統(tǒng)一結(jié)論，尚存在以下不足：第一，研究維度的不足。在探究不同風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性時(shí)，大多文獻(xiàn)的研究對象僅限于股債匯市場中的某兩個(gè)，而隨著金融市場一體化程度日益深化，單個(gè)市場的變化可能影響其他市場，同時(shí)也會受到其他市場變化的影響，相較于分割性地研究兩兩風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性，考察多個(gè)風(fēng)險(xiǎn)點(diǎn)往往能獲取更加豐富的信息，而且能有效降低市場價(jià)格內(nèi)生性對參數(shù)估計(jì)的影響，使研究結(jié)論更為可靠；第二，研究視角的不足。考慮到金融市場受內(nèi)外部諸多因素影響，且作用機(jī)制復(fù)雜多變，金融時(shí)間序列通常表現(xiàn)出不同程度的長記憶特征，而不同風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性既可能與相互間的信息傳遞有關(guān)，又可能與單個(gè)市場自身的慣性（即長記憶性）有關(guān)，因而要想準(zhǔn)確地從信息傳遞機(jī)制層面探究不同風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性，就必須去除各自存在的長記憶性成分，但已有文獻(xiàn)在探究各風(fēng)險(xiǎn)點(diǎn)間關(guān)聯(lián)性時(shí)大多忽略了長記憶特征的影響。鑒于此，本文以我國股債匯三大風(fēng)險(xiǎn)點(diǎn)為考察對象，將其放入到一個(gè)統(tǒng)一的分析框架中，并將長記憶性研究和關(guān)聯(lián)性研究相聯(lián)系時(shí)優(yōu)化研究方法。具體來看，首先基于ARFIMA-HYGARCH模型對各市場均值和波動過程的長記憶特征進(jìn)行刻畫，并在此基礎(chǔ)上構(gòu)建三元VFIAR-DCC-HYGARCH模型探究各自間的動態(tài)關(guān)聯(lián)性。

二、研究方法

（一）ARFIMA-HYGARCH模型

為捕捉各風(fēng)險(xiǎn)點(diǎn)條件收益過程的長記憶性，本文選取了分整自回歸移動平均（ARFIMA）模型，為捕捉各風(fēng)險(xiǎn)點(diǎn)條件波動過程的長記憶性，一些學(xué)者選取分?jǐn)?shù)求和廣義自回歸條件異方差（FIGARCH）模型，Christian（2010）指出，該模型存在不平穩(wěn)性（四階矩的存在問題）、固定振幅限制（通常限定為S=1）等方面的缺陷，可能會影響模型估計(jì)的精確性和可靠性。因此，本文將雙曲廣義自回歸條件異方差（HYGARCH）模型與其相結(jié)合，構(gòu)建了能同時(shí)考察單個(gè)市場收益率序列一階矩和二階矩過程長記憶特征的ARFIMA-HYGARCH模型。對于給定的平穩(wěn)時(shí)間序列 rt，ARFIMA（p1，dm，q1）-HYGARCH（p2，dn，q2）模型可表示為：

式（1）為模型的條件均值方程。其中，-0.5＜dm＜0.5，μ為樣本均值，εt為白噪聲序列分別為p1和q1階滯后算子多項(xiàng)式，且所有根都落在單位圓外，分?jǐn)?shù)差分算子（1-L）dm可通過如下形式展開：

對于記憶參數(shù)dm：當(dāng)-0.5＜dm＜0時(shí)，序列為短記憶平穩(wěn)過程；當(dāng)0＜dm＜0.5時(shí)，序列為長記憶平穩(wěn)過程；當(dāng)dm=1時(shí)，模型演變?yōu)锳RIMA模型；當(dāng)dm=0時(shí)，模型演變?yōu)锳RMA模型。

式（2）為模型的殘差或新息分布。其中，et為滿足均值為0，方差為1的獨(dú)立同分布的新生變量?？紤]下文的描述性分析結(jié)果中各市場收益率均不服從正態(tài)分布的原假設(shè)，故本文在實(shí)證部分將對比t分布、GED分布和偏t分布三種情形進(jìn)行改進(jìn)。

（二）三元VFIAR-DCC-HYGARCH模型

為探究不同風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性，現(xiàn)有文獻(xiàn)多以VAR-MVGARCH模型來結(jié)合收益率一階矩和二階矩兩個(gè)層面展開分析。但需指出的是，此類模型并未考慮長記憶特征的影響，通常不同風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性既可能與相互間的信息傳遞有關(guān)，又可能與單個(gè)風(fēng)險(xiǎn)點(diǎn)的慣性（即長記憶性）有關(guān)，要想準(zhǔn)確地從信息傳遞機(jī)制層面探究不同風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性問題，就必須去除各自存在的長記憶成分。因此，在條件均值部分，本文構(gòu)建了長記憶VAR（簡稱VFIAR）模型，該模型以各市場收益率序列分別去除長記憶性后所得的新序列（1-L）drt為研究對象，充分考慮了各收益率一階矩過程的長記憶特征和各變量及其滯后項(xiàng)間的價(jià)格聯(lián)動關(guān)系。在條件方差部分，文章采用了DCC-HYGARCH模型，該模型以VFIAR模型所得的殘差序列為研究對象，充分考慮了各收益率二階矩過程的長記憶特征和各變量間的動態(tài)相關(guān)關(guān)系。最終通過將上述兩個(gè)部分相結(jié)合，構(gòu)成三元 VFIAR（k）-DCC-HYGARCH（p，d，q）模型。若一個(gè)包含三組平穩(wěn)收益率序列的向量可以表示成rt=（r1，t，r2，t，r3，t）′，r1，t，r2，t和r3，t分別表示我國股債匯市場的收益率，則該模型可表示為：

式（5）為模型的條件均值方程。其中，（1-L）drt為各市場收益率序列經(jīng)分?jǐn)?shù)差分后所得的新序列組成的向量，具體可分解為為常數(shù)向量；對于i≥1，Φi為系數(shù)矩陣；εt為殘差向量。

式（6）為模型的殘差或新息分布。同樣考慮下文的描述性分析結(jié)果中各市場收益率均不服從正態(tài)分布的原假設(shè)，因而本文假定該向量服從多元t分布，且在給定過去擾動It-1下條件均值為0，條件協(xié)方差矩陣為Ht=（hij，t）3×3，自由度為v。

式（7）為模型的條件方差方程。其中，Dt是由單變量HYGARCH模型所得條件標(biāo)準(zhǔn)差作為對角元素得到的矩陣；Rt=（ρij，t）3×3是條件相關(guān)系數(shù)矩陣，具體展開式為：

此處，Q=（qij，）t3×3為對稱的正定矩陣，則是由該矩陣對角元素平方根作為對角元素所得的矩陣，為μt的無條件協(xié)方差矩陣，μt為標(biāo)準(zhǔn)化殘差向量且有μt=D-1εt，α和β分別為之前標(biāo)準(zhǔn)化殘差平方和條件方差的參數(shù)，滿足約束：α≥0，β≥0和α+β＜1。有關(guān)該模型的估計(jì)，本文借鑒蔡瑞胸（2016）使用兩步估計(jì)法的做法。

三、實(shí)證分析

（一）數(shù)據(jù)及描述性統(tǒng)計(jì)

本文分別選取上證綜合指數(shù)、上證國債指數(shù)收盤價(jià)以及人民幣兌美元匯率中間價(jià)（直接標(biāo)價(jià)法）的日交易數(shù)據(jù)來反映我國股債匯三大風(fēng)險(xiǎn)點(diǎn)的總體情況?？紤]央行于2010年6月宣布重啟人民幣匯率形成機(jī)制改革，此后政府干預(yù)有所減少，人民幣匯率更為貼近市場，能更為有效地反映我國外匯市場的變化情況。因此，本文將研究的樣本區(qū)間設(shè)定為2010年6月21日～2019年4月30日。為保證同步性，剔除因休息日導(dǎo)致的缺失數(shù)據(jù)和各市場交易日不匹配數(shù)據(jù)后得到每個(gè)變量共2154個(gè)觀測值。其中，人民幣兌美元匯率中間價(jià)由外匯管理局系統(tǒng)給出，其余指標(biāo)由Wind資訊數(shù)據(jù)庫給出。文中有關(guān)實(shí)證部分所采用的數(shù)據(jù)分析處理軟件主要包括Eviews9.0、Oxmetrics6.2和R語言。

相較于資產(chǎn)價(jià)格序列，在其基礎(chǔ)上得到的收益率序列往往具備更好的統(tǒng)計(jì)特性，且更能有效地反映投資者的獲利機(jī)會?；诖?，本文對各市場的價(jià)格數(shù)據(jù)展開了對數(shù)差分變化，得到收益率數(shù)據(jù)，即：

式中，ri，t為i市場在 t時(shí)刻的收益率，pi，t為 i市場在t時(shí)刻的收盤價(jià)或人民幣兌美元匯率中間價(jià)，當(dāng)i取1、2和3時(shí)，分別代表股市、債市和匯市。

表1 描述性統(tǒng)計(jì)特征

表1為樣本期內(nèi)三個(gè)變量的基本統(tǒng)計(jì)結(jié)果。均值統(tǒng)計(jì)量表明股票和債券價(jià)格指數(shù)存在上升趨勢，人民幣兌美元匯率略微升值；標(biāo)準(zhǔn)差統(tǒng)計(jì)量表明股市收益率的波動最大，匯市次之，債市最??；偏度和峰度統(tǒng)計(jì)量體現(xiàn)了各變量存在不同的尖峰厚尾現(xiàn)象，正態(tài)性檢驗(yàn)的JB統(tǒng)計(jì)量進(jìn)一步顯示在1%的水平下所有變量都不服從正態(tài)分布，因而后文將在模型中放寬該假設(shè)。從序列和平方序列滯后12階混成檢驗(yàn)的LB統(tǒng)計(jì)量看，各變量在1%的置信水平下均存在顯著的序列自相關(guān)性和異方差。單位根檢驗(yàn)的ADF統(tǒng)計(jì)量表明所有變量都是平穩(wěn)的。

（二）長記憶性研究

為考察我國股債匯風(fēng)險(xiǎn)點(diǎn)的長記憶性，本文采用ARFIMA-HYGARCH模型分別對各市場收益率序列進(jìn)行了估計(jì)。由于眾多的實(shí)證結(jié)果顯示GARCH（1，1）類模型足以刻畫金融市場的波動特征，故而令HYGARCH形式中p2和q2的階數(shù)分別對應(yīng)取1。而有關(guān)ARFIMA形式中p1和q1的階數(shù)，本文主要在0≤p1≤3，0≤q1≤3范圍內(nèi)，依據(jù)AIC和BIC信息準(zhǔn)則、參數(shù)結(jié)果的顯著性、殘差診斷等標(biāo)準(zhǔn)進(jìn)行綜合選取。此外，針對各市場收益率序列表現(xiàn)出的尖峰厚尾現(xiàn)象，具體估計(jì)時(shí)還考慮了模型中新生變量et服從t分布、GED分布和偏t分布的三種情形。經(jīng)過反復(fù)地試算與對比，最終的研究結(jié)果表明：對于股票市場，建立GED分布形式下的ARFIMA（0，dm，0）-HYGARCH（1，dn，1）模型結(jié)果最優(yōu)；對債券市場，建立偏 t分布形式下的 ARFIMA（3，dm，0）-HYGARCH（1，dn，1）模型結(jié)果最優(yōu)；對于外匯市場，建 立 偏 t分 布 形 式 下 的 ARFIMA（3，dm，1）-HYGARCH（1，dn，1）模型結(jié)果最優(yōu)。具體結(jié)果由表2給出。

從聯(lián)合估計(jì)結(jié)果看，除個(gè)別參數(shù)外，模型中的參數(shù)估計(jì)值大多在10%的置信水平下通過顯著性檢驗(yàn)。描述股債匯三市收益率序列長記憶特征的參數(shù)dm值分別為0.0082、0.1312和0.1817。其中，僅股市的dm值不顯著，而債市和匯市的dm值在5%的置信水平下通過顯著性檢驗(yàn)，表明股市收益的長記憶性不顯著，而債市和匯市的收益存在顯著的長記憶特征。描述股債匯三市波動率序列長記憶特征的參數(shù)dn值分別為1.0859、0.4126和0.3628。其中，股市和匯市的dn值在1%的置信水平下通過顯著性檢驗(yàn)，而債市的dn值在10%的置信水平下通過顯著性檢驗(yàn)，表明股債匯三市波動的長記憶性均是顯著的。

從殘差診斷結(jié)果看，標(biāo)準(zhǔn)化殘差的LB統(tǒng)計(jì)量（Q（12）、Q（24））和平方標(biāo)準(zhǔn)化殘差的LB統(tǒng)計(jì)量（Q2（12）、Q2（24））均在5%的置信水平下不顯著，12階和24階ARCH效應(yīng)的檢驗(yàn)統(tǒng)計(jì)量也都不顯著，說明各市場收益率序列的自相關(guān)性和條件異方差性已被消除。此外，刻畫尖峰厚尾特征的GDE分布和偏t分布中所有參數(shù)的估計(jì)值均在1%的置信水平下通過顯著性檢驗(yàn)。因此，可以認(rèn)為基于不同殘差分布建立的各市場最優(yōu)模型的擬合是較為充分的。

表2 ARFIMA-HYGARCH模型估計(jì)結(jié)果和殘差診斷表

總體來看，我國股債匯風(fēng)險(xiǎn)點(diǎn)均存在不同程度的長記憶特征，表明各市場效率較低，無法達(dá)到弱式有效水平，歷史或突發(fā)信息會對單個(gè)市場當(dāng)前和未來的收益與波動產(chǎn)生不同程度的影響。究其原因，一方面，投資者并非是完全理性的。知識、經(jīng)驗(yàn)、能力等方面的區(qū)別可能引發(fā)不同的投資行為，且相較于機(jī)構(gòu)投資者，我國金融市場中廣泛存在的散戶投資者在信息獲得方面往往處于劣勢，其通常依據(jù)自身的主觀判斷進(jìn)行決策，同時(shí)還會表現(xiàn)出羊群效應(yīng)等非理性特征，最終使得市場很容易表現(xiàn)出某一趨勢持續(xù)增強(qiáng)的特點(diǎn)。另一方面，國內(nèi)金融市場的發(fā)展對政府政策具有較強(qiáng)的依賴性，“政策市”特征明顯。過多的政策干預(yù)會直接影響市場的自我調(diào)整，導(dǎo)致市場中的異常波動現(xiàn)象時(shí)有發(fā)生，特別是重大政策的出臺對金融市場造成的影響通常在短期內(nèi)難以消除。

（三）關(guān)聯(lián)性研究

為進(jìn)一步探究我國股債匯風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)性，本文構(gòu)建了三元VFIAR-DCC-HYGARCH模型。具體估計(jì)結(jié)果包括條件均值VFIAR（k）模型和條件方差DCC-HYGARCH（p，d，q）模型兩部分。為方便論述，下文將分別對這兩部分展開分析。

通常在對VFIAR模型進(jìn)行參數(shù)估計(jì)前，需先確定其記憶參數(shù)d值以及滯后階數(shù)k值。有關(guān)d值，由長記憶性研究結(jié)果可知，在樣本區(qū)間內(nèi)，除股市外其他兩個(gè)市場的收益均存在顯著的長記憶特征。因此，在利用分?jǐn)?shù)差分算子（1-L）d對股債匯三市收益率序列進(jìn)行差分處理時(shí)，可令記憶參數(shù)d值分別對應(yīng)取0、0.1312和0.1817，最終得到對各市場收益率序列 ri，t分別去除長記憶性后的新序列記為 ri，td，經(jīng)檢驗(yàn)三組新序列都是平穩(wěn)的，故在此基礎(chǔ)上建立VFIAR模型是合適的。有關(guān)k值，本文基于常用的5種指標(biāo)進(jìn)行綜合判斷。其中，似然比統(tǒng)計(jì)量（LR）、最終預(yù)測誤差（FPE）和赤池信息準(zhǔn)則（AIC）顯示k值取3時(shí)模型達(dá)到最優(yōu)，故本文將k值設(shè)定為3，得到VFIAR（3）模型。經(jīng)檢驗(yàn)該模型估計(jì)的所有特征根的模均處于單位圓內(nèi)，可以認(rèn)為模型是穩(wěn)定的。同時(shí)，由于截距項(xiàng)估計(jì)并非關(guān)注的重點(diǎn)，以下主要給出各系數(shù)矩陣的參數(shù)估計(jì)結(jié)果，如表3所示。

一方面，各市場收益率在不同滯后期的收益值均會對當(dāng)前自身的收益率造成影響，序列自相關(guān)性明顯。具體來看，股市收益率受到了其滯后1期收益值的正向影響，債市收益率受到了其滯后1、2和3期收益值的負(fù)向影響，匯市收益率受到了其滯后1和2期收益值的負(fù)向影響。另一方面，各市場收益率間存在著交叉滯后的影響，價(jià)格聯(lián)動效應(yīng)明顯。股市收益率方程中，匯市滯后1期的收益值在10%的置信水平下對其有正向影響。債市收益率方程中，匯市滯后2期的收益值在10%的置信水平下對其有負(fù)向影響。匯市收益率方程中，債市滯后2和3期的收益值在5%的置信水平下對其有正向影響。

表3 VFIAR（3）模型估計(jì)結(jié)果

考慮上述模型中存在著一些不顯著的估計(jì)參數(shù)，在5%的置信水平下，本文對其進(jìn)行簡化后得到一個(gè)新模型，稱為簡化的VFIAR（3）模型。經(jīng)檢驗(yàn)該模型的AIC和BIC信息準(zhǔn)則值均有所下降，且殘差的自相關(guān)性也已被消除，但仍具有較強(qiáng)的ARCH效應(yīng)。因此，基于簡化的VFIAR（3）模型所得的殘差序列，可進(jìn)一步估計(jì)DCC-HYGARCH模型。限于篇幅，此處直接給出了模型中一些重要參數(shù)的估計(jì)結(jié)果，其中α=0.0031且在5%的置信水平下顯著，β=0.9943且在1%的置信水平下顯著，滿足α+β＜1的約束條件，說明各市場間的動態(tài)相關(guān)系數(shù)受過去隨機(jī)擾動的影響較弱，而受過去相關(guān)系數(shù)的影響較強(qiáng)，表現(xiàn)出波動持續(xù)性特征。

為了更加清晰和直觀地體現(xiàn)中國股債匯風(fēng)險(xiǎn)點(diǎn)間動態(tài)相關(guān)系數(shù)的變化情況，圖1分別列出了三者兩兩之間相關(guān)系數(shù)的時(shí)序圖。可以看出：第一，其變動范圍均介于-0.13～0.11之間，表明各市場間總體關(guān)聯(lián)程度均較低，存在一定的市場分割；第二，其隨時(shí)間變化而發(fā)生顯著變動，時(shí)變特征明顯，具體來看，除個(gè)別時(shí)間段外，股市與債市、債市與匯市表現(xiàn)為正相關(guān)關(guān)系，股市與匯市表現(xiàn)為負(fù)相關(guān)關(guān)系，表明無論是不同時(shí)段兩市場間的關(guān)聯(lián)性，還是總體時(shí)段不同市場間的關(guān)聯(lián)性均存在差異；第三，其變動幅度較為頻繁，且存在逐漸擴(kuò)大趨勢，特別是在股災(zāi)、811匯改等重大事件發(fā)生期間的大幅變動現(xiàn)象尤為明顯，表明單個(gè)市場對于其他市場的變動較為敏感，風(fēng)險(xiǎn)會在不同市場間進(jìn)行傳播。

圖1 動態(tài)相關(guān)系數(shù)圖

綜上所述，我國股債匯風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)程度均較低但具有很強(qiáng)的波動時(shí)變性。其中，股市與債市、債市與匯市表現(xiàn)為正相關(guān)關(guān)系，股市與匯市表現(xiàn)為負(fù)相關(guān)關(guān)系。表明我國金融市場的一體化程度較低，信息傳導(dǎo)不夠暢通，存在一定的市場分割。但是，不同時(shí)段各市場間的關(guān)聯(lián)性仍存在差異，單個(gè)市場對于其他市場的變動較為敏感，風(fēng)險(xiǎn)會在不同市場間擴(kuò)散。究其原因，第一，各市場的投資主體不同，不同的投資主體往往使得各市場的內(nèi)在運(yùn)行機(jī)理無法統(tǒng)一。第二，金融產(chǎn)品較少且聯(lián)系不緊密。我國的新金融產(chǎn)品的出現(xiàn)并非市場發(fā)展的結(jié)果，其更多地會受監(jiān)管部門等多方面的制約。第三，各市場的監(jiān)管和政策主體不同。我國國內(nèi)政府通常會參與到相關(guān)市場的調(diào)節(jié)和引導(dǎo)過程中，不同市場涉及的相關(guān)部門往往會在滿足自身利益條件下制定相應(yīng)的政策制度。

四、結(jié)論與建議

本文基于ARFIMA-HYGARCH模型考察了我國股債匯三大風(fēng)險(xiǎn)點(diǎn)的長記憶特征，并在此基礎(chǔ)上構(gòu)建VFIAR-DCC-HYGARCH模型進(jìn)一步探究了各市場間的關(guān)聯(lián)性問題。研究結(jié)論顯示：在樣本區(qū)間內(nèi)，股市收益的長記憶性不顯著，而波動存在顯著的長記憶特征。債市和匯市的收益與波動存在顯著的雙長記憶特征；各風(fēng)險(xiǎn)點(diǎn)間的關(guān)聯(lián)程度均較低但具有很強(qiáng)的波動時(shí)變性，其中股市與債市、債市與匯市表現(xiàn)為正相關(guān)關(guān)系，股市與匯市表現(xiàn)為負(fù)相關(guān)關(guān)系。為此，結(jié)合金融風(fēng)險(xiǎn)防范的目標(biāo)，本文給出如下建議：

從記憶性研究結(jié)果看，我國金融市場效率較低，無法達(dá)到弱式有效水平，歷史或突發(fā)信息會對金融市場當(dāng)前和未來的收益與波動產(chǎn)生不同程度的影響。因此，對于投資者而言，在其進(jìn)行資產(chǎn)預(yù)測和風(fēng)險(xiǎn)度量時(shí)要將相關(guān)市場的歷史信息充分考慮在內(nèi)，避免自身行為的隨意性；對于政府部門而言，要明確其在金融市場中的職能定位，有效區(qū)分政府和市場行為，減少政府對市場的功能替代，使金融資產(chǎn)價(jià)格能準(zhǔn)確反映市場的供求狀況；對于監(jiān)管部門而言，要加快信息披露機(jī)制的構(gòu)建，保證市場信息及時(shí)公開和準(zhǔn)確有效，減少不對稱現(xiàn)象以及內(nèi)幕交易行為。同時(shí)還要注重中小投資者的利益，進(jìn)一步發(fā)展機(jī)構(gòu)投資者，在逐漸提高各市場參與者分析水平的過程中引導(dǎo)其樹立正確的投資理念。

從關(guān)聯(lián)性研究結(jié)果看，一方面，我國金融市場的一體化程度較低，信息傳導(dǎo)不夠暢通，存在一定的市場分割。因此，要不斷加強(qiáng)各市場間的聯(lián)通，在深入推進(jìn)股票、債券等資本市場對外開放以及人民幣匯率形成機(jī)制改革的同時(shí)逐步放松對資金流、投資主體等方面的管制，并通過金融創(chuàng)新來豐富各市場中的交易產(chǎn)品種類，吸引更多具有不同風(fēng)險(xiǎn)偏好和風(fēng)險(xiǎn)承受能力的市場參與者，依靠其跨市場交易活動促進(jìn)市場間的信息傳遞。另一方面，不同時(shí)段各市場間的關(guān)聯(lián)性存在差異，單個(gè)市場對于其他市場的變動較為敏感，風(fēng)險(xiǎn)會在不同市場間擴(kuò)散。因此，首先要密切關(guān)注各市場間關(guān)聯(lián)性的變化情況，發(fā)掘其中的有效信息，并以此做好有關(guān)跨市場資產(chǎn)配置、市場調(diào)節(jié)政策等的變更。其次可形成相應(yīng)的預(yù)警指標(biāo)，一旦其發(fā)生異常變動，能及時(shí)啟動應(yīng)急機(jī)制對目標(biāo)風(fēng)險(xiǎn)點(diǎn)以及與其存在明顯關(guān)聯(lián)性的其他風(fēng)險(xiǎn)點(diǎn)進(jìn)行處置，避免風(fēng)險(xiǎn)擴(kuò)散。最后要強(qiáng)化多個(gè)部門間的溝通合作，逐步提升監(jiān)管政策的針對性、有效性，以實(shí)現(xiàn)各類市場的協(xié)調(diào)發(fā)展。