基于极差多元GARCH模型剖析国内股市波动溢出效应：理论、实证与策略

基于极差多元GARCH模型剖析国内股市波动溢出效应：理论、实证与策略一、引言1.1研究背景与意义在经济全球化和金融市场一体化的大背景下，国内股市作为金融市场的关键组成部分，其波动不仅受到自身内部因素的影响，还与其他金融市场以及国际股市存在着千丝万缕的联系。股市波动溢出效应是指一个市场的波动会通过各种传导机制对其他市场产生影响，这种影响可能是短期的剧烈冲击，也可能是长期的缓慢渗透。研究国内股市波动溢出效应具有至关重要的现实意义和理论价值。从现实意义来看，准确把握国内股市波动溢出效应有助于维护金融市场的稳定。股市的大幅波动如果不能得到有效控制，很可能会通过溢出效应传导至其他金融子市场，引发系统性金融风险。例如，2008年全球金融危机爆发时，美国股市的暴跌引发了全球金融市场的连锁反应，国内股市也未能幸免，出现了大幅下跌，众多投资者遭受巨大损失，实体经济也受到严重冲击。通过深入研究波动溢出效应，监管部门可以提前制定相应的政策措施，加强对金融市场的监管和调控，降低系统性风险发生的概率，保障金融市场的平稳运行。对于投资者而言，了解股市波动溢出效应能为其投资决策提供有力支持。在投资过程中，投资者不仅要关注单个股票或市场的表现，还需考虑不同市场之间的相互影响。以跨市场投资组合为例，如果投资者能够准确预测股市与其他市场之间的波动溢出方向和强度，就可以合理配置资产，分散投资风险，提高投资组合的收益。比如，当预测到股市与债券市场之间存在负向波动溢出效应时，投资者可以在股市波动较大时适当增加债券投资比例，从而降低整个投资组合的风险。从理论价值方面来说，研究国内股市波动溢出效应能够丰富和完善金融市场波动理论。传统的金融理论在解释市场波动时，往往侧重于单个市场内部因素的分析，而对市场之间的联动关系和溢出效应考虑不足。通过对国内股市波动溢出效应的深入研究，可以进一步揭示金融市场波动的传导机制和内在规律，为金融市场波动理论的发展提供新的视角和实证依据，推动金融理论的不断创新和完善。同时，这也有助于促进金融市场微观结构理论、行为金融学等相关学科的交叉融合，为解决复杂的金融问题提供更全面、更深入的理论框架。1.2研究目标与创新点本研究旨在基于极差的多元GARCH模型，深入剖析国内股市波动溢出效应的特征、传导机制及影响因素，为金融市场的稳定运行和投资者的决策提供有力的理论支持和实证依据。具体而言，研究目标主要涵盖以下几个方面：精准刻画波动溢出特征：借助极差的多元GARCH模型，准确描述国内股市与其他相关市场（如债券市场、外汇市场等）之间的波动溢出方向和强度。通过对模型参数的估计和分析，确定不同市场之间波动溢出的具体形式，是单向溢出还是双向溢出，以及溢出效应的大小和持续性，从而为市场参与者提供关于市场波动传导的清晰信息。深入探究传导机制：通过理论分析和实证检验，挖掘国内股市波动溢出效应背后的传导机制。从宏观经济因素、投资者行为、信息传播等多个角度入手，分析是什么因素促使股市波动在不同市场之间传递，以及这些因素如何相互作用影响波动溢出的效果。例如，研究宏观经济数据的发布如何引发投资者预期的变化，进而导致资金在不同市场之间流动，从而产生波动溢出效应。全面分析影响因素：综合考虑国内外经济形势、政策调整、市场结构变化等因素，分析它们对国内股市波动溢出效应的影响。探讨经济增长、通货膨胀、利率变动、汇率波动等宏观经济变量如何影响股市波动溢出的程度和方向；研究货币政策、财政政策等政策因素对市场参与者行为的引导作用，以及由此对波动溢出效应产生的影响；分析市场结构的变化，如金融创新产品的推出、市场参与者结构的改变等，如何改变市场之间的联系和波动溢出的路径。与传统的股市波动研究模型相比，基于极差的多元GARCH模型具有显著的创新点：考虑极差信息：传统的GARCH模型大多基于收益率的方差来刻画波动，而本研究采用的基于极差的多元GARCH模型，能够充分利用股票价格的最高价和最低价信息，即极差信息。极差包含了更多关于市场波动的日内信息，能够更全面地反映市场的实际波动情况。例如，在一些市场中，日内价格波动剧烈，但收盘价与开盘价相差不大，此时仅用收益率方差可能无法准确捕捉到这种波动，而极差则可以很好地反映出日内的价格起伏，从而使模型对波动的刻画更加精准。多变量建模优势：该模型可以同时处理多个变量之间的波动关系，能够更全面地分析国内股市与其他相关市场之间的复杂联动性。传统的单变量模型只能孤立地研究单个市场的波动，无法考虑不同市场之间的相互影响。而多元GARCH模型能够在一个统一的框架下，考虑多个市场变量的波动率及其相关性，从而更准确地捕捉到市场之间的波动溢出效应。比如，在研究股市与债券市场的关系时，它可以同时分析两个市场的波动情况以及它们之间的相互作用，为投资者进行跨市场资产配置提供更全面的信息。捕捉动态变化：极差的多元GARCH模型能够有效地捕捉波动溢出效应的动态变化。金融市场是复杂多变的，市场之间的波动溢出关系并非固定不变，而是会随着时间、市场环境等因素的变化而变化。该模型通过引入时变参数，可以实时反映市场波动溢出效应的动态特征，及时捕捉到市场结构的变化对波动溢出的影响。例如，在经济形势发生重大转变或政策出现调整时，模型能够迅速捕捉到波动溢出关系的改变，为投资者和监管部门及时调整策略提供依据。1.3研究方法与技术路线本研究采用了多种研究方法，以确保对国内股市波动溢出效应的研究全面、深入且准确。具体研究方法如下：文献研究法：通过广泛查阅国内外相关文献，全面梳理股市波动溢出效应领域的研究现状和发展趋势。对传统的股市波动研究模型，如传统GARCH模型等进行深入分析，了解其在刻画股市波动方面的优势与不足；同时，重点关注基于极差的多元GARCH模型的相关研究成果，包括模型的理论基础、应用案例以及在捕捉股市波动溢出效应方面的独特优势。通过对已有文献的综合分析，明确本研究的切入点和创新点，为后续研究提供坚实的理论支撑。数据分析法：收集国内股市以及相关市场（如债券市场、外汇市场等）的高频交易数据，涵盖股票价格的最高价、最低价、收盘价等信息，以及债券收益率、汇率等数据。运用数据清洗和预处理技术，去除异常值和缺失值，确保数据的准确性和完整性。通过描述性统计分析，初步了解各市场数据的基本特征，如均值、方差、偏度和峰度等，为后续的模型构建和实证分析奠定基础。实证研究法：构建基于极差的多元GARCH模型，将股票价格的极差信息纳入模型中，以更准确地刻画股市的波动特征。利用极大似然估计等方法对模型参数进行估计，确定不同市场之间波动溢出的方向和强度。通过设定合适的检验统计量，对模型的有效性和波动溢出效应的显著性进行检验。例如，使用似然比检验来比较不同模型的拟合优度，判断基于极差的多元GARCH模型是否优于传统模型；运用Wald检验来验证波动溢出效应参数的显著性，确定市场之间的波动溢出关系是否真实存在。对比分析法：将基于极差的多元GARCH模型的实证结果与传统的GARCH模型以及其他相关模型的结果进行对比分析。从模型的拟合优度、对波动溢出效应的刻画能力、预测准确性等多个方面进行比较，直观地展示基于极差的多元GARCH模型在研究国内股市波动溢出效应方面的优势和改进之处。例如，通过计算不同模型的均方误差、平均绝对误差等指标，评估模型对股市波动的预测精度，进一步验证基于极差的多元GARCH模型的有效性。为了更清晰地展示本研究的流程和思路，绘制技术路线图，具体如图1所示：@startumlstart:确定研究主题，明确研究目标与创新点;:进行文献研究，梳理相关理论与研究现状;:收集国内股市及相关市场数据;:数据清洗与预处理;:构建基于极差的多元GARCH模型;:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@endumlstart:确定研究主题，明确研究目标与创新点;:进行文献研究，梳理相关理论与研究现状;:收集国内股市及相关市场数据;:数据清洗与预处理;:构建基于极差的多元GARCH模型;:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:确定研究主题，明确研究目标与创新点;:进行文献研究，梳理相关理论与研究现状;:收集国内股市及相关市场数据;:数据清洗与预处理;:构建基于极差的多元GARCH模型;:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:进行文献研究，梳理相关理论与研究现状;:收集国内股市及相关市场数据;:数据清洗与预处理;:构建基于极差的多元GARCH模型;:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:收集国内股市及相关市场数据;:数据清洗与预处理;:构建基于极差的多元GARCH模型;:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:数据清洗与预处理;:构建基于极差的多元GARCH模型;:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:构建基于极差的多元GARCH模型;:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:估计模型参数，检验模型有效性;:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:分析波动溢出效应的特征、传导机制及影响因素;:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:将基于极差的多元GARCH模型结果与传统模型对比;:总结研究成果，提出政策建议与未来研究方向;end@enduml:总结研究成果，提出政策建议与未来研究方向;end@endumlend@enduml@enduml图1技术路线图技术路线的起点是确定研究主题，明确研究目标与创新点。通过广泛的文献研究，了解股市波动溢出效应的相关理论和前人的研究成果，为后续研究提供理论基础。接着，收集国内股市以及债券市场、外汇市场等相关市场的数据，并进行清洗和预处理，以确保数据的质量。在此基础上，构建基于极差的多元GARCH模型，对模型参数进行估计，并通过各种检验方法验证模型的有效性。利用估计好的模型，深入分析国内股市波动溢出效应的特征、传导机制以及影响因素。将基于极差的多元GARCH模型的结果与传统模型进行对比，突出本研究模型的优势。总结研究成果，根据研究结论提出针对性的政策建议，并展望未来的研究方向。二、文献综述2.1国内股市波动溢出效应研究现状国内对于股市波动溢出效应的研究起步相对较晚，但随着金融市场的发展和研究方法的不断完善，相关研究成果日益丰富。早期研究主要集中在验证国内股市与其他主要金融市场之间是否存在波动溢出效应。张碧琼和李越（2002）运用向量自回归（VAR）模型和广义自回归条件异方差（GARCH）模型，对中国股票市场和外汇市场之间的关系进行了研究，发现两个市场之间存在长期协整关系以及显著的单向波动溢出效应，外汇市场的波动会对股票市场产生影响。此后，众多学者从不同角度和采用不同模型对股市与其他市场的波动溢出效应展开研究。邓粲和杨朝军（2008）运用多变量GARCH-BEKK模型，进一步证实了股票市场和外汇市场之间不仅存在长期协整关系，还存在双向的波动溢出效应，且波动溢出具有非对称性，即市场坏消息引发的波动溢出强度大于好消息。在股市与货币市场关系的研究中，杨继红和王浣尘（2006）通过实证分析发现，中国股票市场与货币市场相关度较低，两者之间的波动溢出效应不明显。然而，余元全和余元玲（2008）的研究则认为，虽然股票市场与货币市场在长期内相关度较低，但在短期内存在一定的波动溢出效应，且这种效应在不同的市场环境下表现有所不同。对于股市与债券市场的关系，王璐和庞皓（2009）利用DCC-GARCH模型进行研究，证实了股票市场与债券市场之间存在显著的双向波动溢出，且波动溢出效应不对称，同时两者的相关系数偏弱。这表明投资者在进行资产配置时，需要充分考虑股市和债市之间的这种复杂关系，以实现风险的有效分散。随着研究的深入，学者们开始关注股市内部不同板块或行业之间的波动溢出效应。一些研究聚焦于沪深股市之间的关系，柯玉琴和余锦华（具体年份需根据原文确定）采用BHHH算法对沪深股票市场的综合指数序列进行分析，发现沪深股市综指存在着波动的持续性和显著的多元GARCH效应，且两者不存在协同持续性。这意味着沪深股市虽然在波动上存在一定联系，但各自的波动特征仍具有相对独立性。在行业层面，张良贵和石柱鲜（2011）通过构建溢出指数的方法来衡量我国股市行业间的收益与波动的溢出效应，发现我国股市行业间的收益与波动溢出指数的突变特征明显，收益溢出指数的突变点多是局部高点，而波动溢出指数的突变点多是局部低点。这一研究为投资者进行行业轮动投资策略提供了有价值的参考，有助于投资者根据行业间波动溢出的特点，把握投资时机，优化投资组合。近期，研究更加注重模型的创新和改进，以更准确地刻画股市波动溢出效应。例如，周颖刚、唐诚蔚和许杏柏（2025）基于2012-2020年中国A股主板市场的股票日度数据，建立了空间权重矩阵具有时变特征的非平衡面板空间杜宾模型（SDM），对涨跌停板的溢出效应进行了研究。实证结果表明，股票的涨停板和跌停板能分别负向和正向地预测关联股票的未来收益率，说明涨停板具有显著的负向溢出效应，而跌停板具有显著的正向溢出效应。同时，研究还发现了涨跌停板对关联股票流动性的替代效应以及套利限制对溢出效应的影响，进一步丰富了对股市波动溢出效应的认识。2.2多元GARCH模型的应用与发展多元GARCH模型的发展是金融计量领域的重要突破，它起源于对金融市场波动性和相关性更精确刻画的需求。传统的单变量GARCH模型只能处理单个金融时间序列的波动，无法捕捉多个资产之间的复杂关系。随着金融市场的全球化和资产种类的日益丰富，投资者和研究者迫切需要一种能够同时考虑多个市场变量波动及其相互影响的模型，多元GARCH模型应运而生。1990年，Baba、Engle、Kraft和Kroner提出了BEKK模型，这是多元GARCH模型的重要开端。BEKK模型假定条件协方差矩阵是滞后残差平方和滞后条件协方差矩阵的线性函数，这种设定保证了条件协方差矩阵的正定性，为多元GARCH模型的发展奠定了基础。然而，BEKK模型的参数估计较为复杂，计算量较大，在实际应用中存在一定的局限性。1997年，Bollerslev提出了CCC（ConstantConditionalCorrelation）模型，即恒定条件相关模型。该模型假设条件协方差矩阵是对角矩阵与恒定条件相关矩阵的乘积，大大简化了参数估计过程。在研究多个股票市场的波动相关性时，CCC模型可以快速估计出不同市场之间的恒定相关系数，方便投资者了解市场之间的大致关联程度。但CCC模型的局限性在于它无法刻画条件相关系数的时变性，在实际金融市场中，资产之间的相关性往往会随着市场环境的变化而改变，这使得CCC模型在一些情况下无法准确反映市场的真实情况。为了克服CCC模型的不足，Engle在2002年提出了DCC（DynamicConditionalCorrelation）模型，即动态条件相关模型。DCC模型允许条件相关系数随时间变化，能够更准确地捕捉金融市场间的动态联动效应。通过引入时变参数，DCC模型可以实时反映市场波动溢出效应的动态特征，及时捕捉到市场结构的变化对波动溢出的影响。在研究股市与债市的关系时，DCC模型可以清晰地展示出两者之间的动态相关性，帮助投资者更好地把握市场变化，优化投资组合。此后，学者们在DCC模型的基础上进行了一系列的拓展和改进，如ADCC（AsymmetricDCC）模型考虑了波动的非对称性，能够更全面地刻画金融市场的波动特征。随着金融市场的不断发展和研究的深入，多元GARCH模型在金融领域的应用越来越广泛。在投资组合管理中，多元GARCH模型可以帮助投资者更准确地估计资产之间的相关性和风险，从而构建更有效的投资组合。通过计算不同资产的条件协方差矩阵，投资者可以根据自己的风险偏好和投资目标，合理配置资产，降低投资组合的风险。在风险管理方面，多元GARCH模型可以用于度量投资组合的风险价值（VaR）和预期损失（ES），为风险管理者提供更精确的风险评估工具。在资产定价领域，多元GARCH模型能够为投资者提供关于资产未来收益和风险的预测信息，从而指导投资者进行更加理性的投资决策。在国内金融市场研究中，多元GARCH模型也发挥了重要作用。学者们运用多元GARCH模型研究了国内股市与其他金融市场之间的波动溢出效应，如股市与汇市、债市、货币市场等。通过对这些市场之间波动溢出效应的分析，为金融监管部门制定政策提供了重要依据，也为投资者进行跨市场投资提供了参考。在研究股市与汇市的关系时，发现两者之间存在双向波动溢出效应，这意味着投资者在进行投资决策时，需要同时考虑股市和汇市的波动情况，合理调整资产配置。2.3基于极差的模型改进与优势在金融市场波动研究领域，传统的GARCH模型主要基于收益率的方差来刻画波动，然而这种方式存在一定的局限性。基于极差构建的模型，尤其是基于极差的多元GARCH模型，在捕捉波动特征方面展现出显著的优势和改进之处。极差作为一种波动度量指标，它反映的是资产价格在一定时间内的最高价与最低价之差。与传统的基于收益率方差的度量方式相比，极差包含了更多关于市场波动的日内信息。在高频金融市场中，价格在一天内可能会出现剧烈的波动，有时开盘价和收盘价相差不大，但日内最高价与最低价之间的差距却非常显著。此时，如果仅使用收益率方差来衡量波动，可能会忽略这些日内的剧烈波动，导致对市场真实波动情况的刻画不够准确。而极差能够很好地捕捉到这种日内价格的极端变化，全面地反映市场的实际波动情况。许多实证研究表明，基于极差的波动估计量在度量金融市场波动时，能够更准确地反映市场的真实风险水平，为投资者和金融机构提供更有价值的风险评估信息。从理论模型的角度来看，基于极差的多元GARCH模型在处理多个市场变量之间的波动关系时具有独特的优势。该模型可以同时考虑多个市场变量的极差信息，从而更全面地分析不同市场之间的复杂联动性。传统的单变量模型只能孤立地研究单个市场的波动，无法考虑不同市场之间的相互影响。而基于极差的多元GARCH模型能够在一个统一的框架下，对多个市场变量的波动率及其相关性进行建模。在研究国内股市与债券市场、外汇市场之间的关系时，该模型可以同时分析这三个市场的极差信息，准确捕捉它们之间的波动溢出效应。通过估计模型中的参数，可以确定不同市场之间波动溢出的方向和强度，以及这种溢出效应在不同市场环境下的变化情况。这种多变量建模的优势使得研究者能够更深入地理解金融市场之间的复杂关系，为金融市场的风险管理和投资决策提供更全面、准确的依据。在实际应用中，基于极差的模型能够更有效地捕捉波动溢出效应的动态变化。金融市场是一个复杂的动态系统，市场之间的波动溢出关系并非固定不变，而是会随着时间、市场环境等因素的变化而变化。基于极差的多元GARCH模型通过引入时变参数，可以实时反映市场波动溢出效应的动态特征。在经济形势发生重大转变，如宏观经济数据发布、政策调整等情况下，市场参与者的预期和行为会发生改变，从而导致市场之间的波动溢出关系发生变化。基于极差的模型能够及时捕捉到这些变化，为投资者和监管部门提供及时、准确的市场信息。当经济数据显示经济增长放缓时，投资者可能会调整投资组合，资金会在不同市场之间流动，此时基于极差的模型可以迅速捕捉到股市与其他市场之间波动溢出关系的改变，帮助投资者及时调整投资策略，降低风险；监管部门也可以根据模型的结果，制定相应的政策措施，维护金融市场的稳定。三、基于极差的多元GARCH模型理论基础3.1基本概念与原理3.1.1波动溢出效应定义与度量波动溢出效应是指一个市场的波动通过各种传导机制影响到其他市场，使其他市场也产生波动的现象。在金融市场中，波动溢出效应广泛存在，它反映了不同市场之间的相互关联性和风险传导。例如，股票市场的波动可能会通过投资者的资产配置调整、资金流动以及市场预期等因素，传导至债券市场、外汇市场等其他金融市场。度量波动溢出效应的常用指标和方法主要有以下几种：基于GARCH类模型的方法：GARCH类模型在刻画金融时间序列的波动特征方面具有重要作用。通过构建多元GARCH模型，可以直接估计不同市场之间的波动溢出系数，从而衡量波动溢出的强度和方向。以二元GARCH-BEKK模型为例，其条件方差-协方差矩阵的设定可以捕捉两个市场之间的波动溢出效应。假设两个市场的收益率分别为r_{1t}和r_{2t}，均值方程可以表示为r_{1t}=\mu_{1t}+\epsilon_{1t}，r_{2t}=\mu_{2t}+\epsilon_{2t}，其中\mu_{1t}和\mu_{2t}为条件均值，\epsilon_{1t}和\epsilon_{2t}为残差项。条件方差-协方差矩阵H_t的设定为：H_t=AA^{\prime}+BH_{t-1}B^{\prime}+\begin{pmatrix}\epsilon_{1,t-1}^2&\epsilon_{1,t-1}\epsilon_{2,t-1}\\\epsilon_{1,t-1}\epsilon_{2,t-1}&\epsilon_{2,t-1}^2\end{pmatrix}CC^{\prime}其中A、B、C为系数矩阵，H_{t-1}为t-1时刻的条件方差-协方差矩阵。通过对系数矩阵中元素的估计和检验，可以判断两个市场之间是否存在波动溢出效应以及溢出的方向和强度。如果矩阵中反映两个市场交叉项的元素显著不为零，则说明存在波动溢出效应。溢出指数法：Diebold和Yilmaz提出的溢出指数方法是基于VAR模型的预测误差方差分解。该方法通过计算不同市场对总波动的贡献度以及市场之间的净溢出效应，来度量波动溢出效应。首先对多个市场的收益率序列建立VAR模型：Y_t=\sum_{i=1}^p\Phi_iY_{t-i}+\epsilon_t其中Y_t是包含多个市场收益率的向量，\Phi_i是系数矩阵，\epsilon_t是随机误差向量。然后对预测误差进行方差分解，计算每个市场对其他市场以及总波动的贡献度。溢出指数的计算公式为：S_{ij}^g=\frac{\sigma_{jj}^{-1}\sum_{h=1}^H(\theta_{ij}^h)^2}{\sum_{i=1}^N\sigma_{jj}^{-1}\sum_{h=1}^H(\theta_{ij}^h)^2}\times100其中S_{ij}^g表示从市场i到市场j的H步向前溢出指数，\sigma_{jj}是市场j的标准差，\theta_{ij}^h是方差分解中市场i对市场j的h步向前预测误差的贡献。通过计算溢出指数，可以直观地了解不同市场之间波动溢出的相对强度和方向。Copula函数法：Copula函数可以用来度量变量之间的非线性相关关系，在波动溢出效应的研究中，它可以通过构建不同市场收益率的联合分布函数，来分析市场之间的波动溢出。Copula函数能够捕捉到变量之间的尾部相关性，这在金融市场波动溢出研究中非常重要，因为极端事件下的波动溢出往往对市场的影响更为显著。假设X和Y分别表示两个市场的收益率，通过选择合适的Copula函数C(u,v)（其中u=F_X(x)，v=F_Y(y)，F_X(x)和F_Y(y)分别是X和Y的边缘分布函数），可以计算出两个市场之间的相关系数，进而分析波动溢出效应。通过对Copula函数参数的估计和检验，可以判断市场之间是否存在显著的波动溢出关系，以及这种关系在不同市场条件下的变化情况。3.1.2多元GARCH模型核心思想多元GARCH模型的核心思想是用于刻画多个金融时间序列的条件异方差，即波动随时间的变化情况，同时考虑不同序列之间的波动相关性。传统的单变量GARCH模型只能处理单个时间序列的波动，而金融市场中多个资产的价格或收益率往往相互关联，多元GARCH模型正是为了满足对这种多变量波动关系刻画的需求而发展起来的。以一个简单的二元GARCH模型为例，假设有两个金融时间序列r_{1t}和r_{2t}，分别表示两个资产的收益率。均值方程可以设定为：\begin{cases}r_{1t}=\mu_{1t}+\epsilon_{1t}\\r_{2t}=\mu_{2t}+\epsilon_{2t}\end{cases}其中\mu_{1t}和\mu_{2t}是条件均值，\epsilon_{1t}和\epsilon_{2t}是残差项，通常假设\epsilon_{t}=(\epsilon_{1t},\epsilon_{2t})^T服从均值为0，条件方差-协方差矩阵为H_t的正态分布。条件方差-协方差矩阵H_t的设定是多元GARCH模型的关键。在CCC-GARCH模型中，H_t被设定为：H_t=D_tRD_t其中D_t是对角矩阵，其对角元素分别为两个序列的条件标准差\sigma_{1t}和\sigma_{2t}，R是恒定的条件相关系数矩阵。这种设定假设条件相关系数不随时间变化，简化了模型的参数估计，但在实际应用中，可能无法准确捕捉金融市场中复杂的动态相关性。而在DCC-GARCH模型中，对条件相关系数进行了动态化处理。首先定义标准化残差z_{1t}=\frac{\epsilon_{1t}}{\sigma_{1t}}，z_{2t}=\frac{\epsilon_{2t}}{\sigma_{2t}}，条件相关系数矩阵Q_t的更新方程为：Q_t=(1-\alpha-\beta)\overline{Q}+\alphaz_{t-1}z_{t-1}^T+\betaQ_{t-1}其中\overline{Q}是标准化残差的无条件协方差矩阵，\alpha和\beta是参数，反映了条件相关系数对过去信息的依赖程度。然后条件相关系数矩阵R_t通过对Q_t进行标准化得到：R_t=diag(Q_t)^{-1/2}Q_tdiag(Q_t)^{-1/2}最终条件方差-协方差矩阵H_t=D_tR_tD_t。DCC-GARCH模型通过这种方式，能够更灵活地捕捉金融市场中不同资产之间动态变化的波动相关性，更准确地刻画波动溢出效应。多元GARCH模型通过对条件方差-协方差矩阵的巧妙设定，将多个金融时间序列的波动特征和它们之间的相关性纳入一个统一的框架进行分析，为研究金融市场之间的波动溢出效应提供了有力的工具。它能够帮助投资者和研究者更好地理解金融市场的风险传导机制，从而更有效地进行风险管理和投资决策。3.1.3极差在模型中的作用与意义在金融市场波动研究中，将极差引入模型对捕捉波动信息和提高模型精度具有重要作用。极差是指在一定时间内资产价格的最高价与最低价之差，它包含了丰富的市场波动信息，与传统的基于收益率方差的波动度量指标相比，具有独特的优势。从捕捉波动信息的角度来看，极差能够更全面地反映市场的日内波动情况。在高频金融市场中，价格在一天内可能会出现剧烈的波动，但如果仅使用收益率方差来衡量波动，可能会忽略这些日内的极端变化。例如，在某一交易日，股票价格开盘价为10元，收盘价为10.2元，收益率方差较小，但在盘中价格曾一度上涨至11元，又下跌至9.5元，此时极差能够很好地反映出日内价格的大幅波动，而收益率方差却无法体现这种日内的价格起伏。极差能够捕捉到市场在短时间内的极端波动情况，这些信息对于投资者和风险管理者来说至关重要，因为极端波动往往伴随着较高的风险。在提高模型精度方面，基于极差构建的模型能够更准确地刻画金融市场的波动特征。传统的GARCH模型主要基于收益率的方差来刻画波动，然而这种方式存在一定的局限性，容易忽略一些重要的波动信息。将极差纳入多元GARCH模型后，可以改善模型对波动的刻画能力。在估计股票市场与债券市场之间的波动溢出效应时，考虑极差信息的模型能够更准确地捕捉到两个市场之间波动的传导关系。由于极差包含了更多关于市场波动的日内信息，使得模型能够更敏感地捕捉到市场之间的联动变化，从而提高了模型对波动溢出效应的估计精度。从理论上来说，极差的引入丰富了模型的信息来源，使得模型能够从更多维度去刻画市场波动。它为金融市场波动研究提供了新的视角，有助于深入理解金融市场波动的内在机制。通过对极差信息的分析，可以发现市场波动的一些新特征和规律，这些发现对于完善金融市场波动理论具有重要意义。在研究市场微观结构对波动的影响时，极差信息可以帮助研究者更好地了解市场参与者的行为对价格波动的影响，从而为市场监管和政策制定提供更有价值的参考依据。将极差引入模型在金融市场波动研究中具有不可替代的作用和意义，它不仅能够更全面地捕捉波动信息，还能显著提高模型的精度，为金融市场的风险管理、投资决策以及理论研究提供更有力的支持。三、基于极差的多元GARCH模型理论基础3.2模型构建与参数估计3.2.1模型设定与数学表达式基于极差的多元GARCH模型是在传统多元GARCH模型的基础上，将极差信息纳入其中，以更准确地刻画金融市场的波动特征。假设我们研究N个金融市场的波动溢出效应，令R_{it}表示第i个市场在t时刻的极差，i=1,2,\cdots,N，t=1,2,\cdots,T。首先，均值方程可以设定为：R_{it}=\mu_{i}+\sum_{j=1}^{p}\varphi_{ij}R_{i,t-j}+\epsilon_{it}其中\mu_{i}是第i个市场极差的常数项，\varphi_{ij}是自回归系数，p是自回归阶数，\epsilon_{it}是残差项。条件方差方程的设定是基于极差的多元GARCH模型的关键。这里采用DCC-GARCH的框架进行拓展，条件方差-协方差矩阵H_t设定为：H_t=D_tR_tD_t其中D_t是对角矩阵，其对角元素为各个市场的条件标准差\sigma_{it}，即D_t=diag(\sigma_{1t},\sigma_{2t},\cdots,\sigma_{Nt})。条件相关系数矩阵R_t通过动态条件相关系数模型来确定。首先定义标准化残差z_{it}=\frac{\epsilon_{it}}{\sigma_{it}}，条件相关系数矩阵Q_t的更新方程为：Q_t=(1-\alpha-\beta)\overline{Q}+\alphaz_{t-1}z_{t-1}^T+\betaQ_{t-1}其中\overline{Q}是标准化残差的无条件协方差矩阵，\alpha和\beta是参数，反映了条件相关系数对过去信息的依赖程度，且满足\alpha\geq0，\beta\geq0，\alpha+\beta\lt1，以保证Q_t的正定性。然后条件相关系数矩阵R_t通过对Q_t进行标准化得到：R_t=diag(Q_t)^{-1/2}Q_tdiag(Q_t)^{-1/2}对于条件标准差\sigma_{it}^2的方程，考虑极差信息的影响，设定为：\sigma_{it}^2=\omega_{i}+\sum_{j=1}^{q}\alpha_{ij}R_{i,t-j}^2+\sum_{k=1}^{r}\beta_{ik}\sigma_{i,t-k}^2其中\omega_{i}是常数项，\alpha_{ij}和\beta_{ik}是待估参数，q和r分别是ARCH项和GARCH项的阶数。通过上述均值方程、条件方差方程和条件相关系数方程的设定，基于极差的多元GARCH模型能够全面地考虑多个金融市场之间的波动关系，以及极差信息对波动的影响，从而更准确地刻画金融市场的波动溢出效应。3.2.2参数估计方法与选择依据在基于极差的多元GARCH模型中，常用的参数估计方法主要有极大似然估计法（MLE）、贝叶斯估计法和准极大似然估计法（QMLE）等。本研究选择极大似然估计法作为主要的参数估计方法，其依据主要体现在以下几个方面：极大似然估计法具有良好的渐近性质。在一定的正则条件下，极大似然估计量是一致的，即随着样本容量的增大，估计量会以概率1收敛到真实参数值。这意味着当我们使用足够多的数据进行估计时，极大似然估计能够得到非常接近真实参数的结果，从而提高模型的准确性和可靠性。在研究国内股市波动溢出效应时，随着金融市场数据的不断积累，使用极大似然估计法能够充分利用这些数据信息，得到更准确的模型参数估计。该方法在计算上相对简便，具有较高的计算效率。在实际应用中，金融市场数据量往往较大，计算效率是选择参数估计方法时需要考虑的重要因素之一。极大似然估计法通过构建似然函数，并利用优化算法求解使得似然函数取得最大值的参数估计值，其计算过程相对较为直接，能够在较短的时间内得到参数估计结果。相比之下，贝叶斯估计法需要指定先验分布，计算后验分布，计算过程较为复杂，计算量较大；准极大似然估计法虽然在一些情况下也能得到较好的估计结果，但在某些条件下可能存在估计偏差。极大似然估计法在金融领域的应用广泛，已经得到了众多学者的认可和验证。在以往关于金融市场波动模型的研究中，极大似然估计法被大量应用，并取得了良好的效果。在研究股票市场波动率、债券市场收益率波动等方面，极大似然估计法都能够有效地估计模型参数，为金融市场的分析和预测提供有力支持。其在金融领域的成熟应用使得我们在研究国内股市波动溢出效应时，选择极大似然估计法更具可靠性和可比性。极大似然估计法以其良好的渐近性质、较高的计算效率以及在金融领域的广泛应用等优势，成为本研究基于极差的多元GARCH模型参数估计的理想选择，能够为准确刻画国内股市波动溢出效应提供可靠的参数估计结果。3.2.3模型假设与适用性分析基于极差的多元GARCH模型存在一定的假设条件，这些假设条件对于模型的适用性分析至关重要。该模型假设残差服从正态分布。在实际金融市场中，收益率或极差的分布往往呈现出尖峰厚尾的特征，即极端值出现的概率比正态分布更高。然而，在一定程度上，正态分布假设仍然具有合理性。在样本数据足够大的情况下，根据中心极限定理，残差的分布会趋近于正态分布。而且，虽然实际分布存在尖峰厚尾，但正态分布假设下的模型估计和推断在许多情况下仍然能够提供有价值的信息，为后续的分析奠定基础。模型假设条件方差-协方差矩阵具有一定的结构形式。在基于极差的多元GARCH模型中，采用DCC-GARCH框架设定条件方差-协方差矩阵，这种设定假设条件相关系数具有动态变化的特征，但在实际金融市场中，市场之间的相关性可能受到多种复杂因素的影响，并不完全符合模型所设定的动态变化规律。然而，DCC-GARCH框架能够捕捉到市场之间相关性的时变特征，在一定程度上能够反映金融市场的实际情况。而且，通过对模型参数的估计和检验，可以对这种假设的合理性进行验证，从而判断模型的适用性。在国内股市的背景下，基于极差的多元GARCH模型具有一定的适用性。国内股市具有交易活跃、波动频繁的特点，极差信息能够充分反映股市日内的价格波动情况，将极差纳入模型能够更全面地刻画股市的波动特征。在市场风险评估方面，准确把握股市的波动情况对于投资者和监管部门至关重要，基于极差的多元GARCH模型能够提供更准确的波动估计，有助于投资者合理配置资产，降低投资风险；监管部门也可以根据模型的结果制定相应的政策措施，维护金融市场的稳定。然而，国内股市也受到宏观经济政策、行业发展等多种因素的影响，这些因素可能导致股市波动的复杂性增加，使得模型在某些情况下无法完全准确地刻画波动溢出效应。因此，在应用基于极差的多元GARCH模型时，需要结合国内股市的具体情况，对模型进行适当的调整和改进，以提高模型的适用性和准确性。四、国内股市数据选取与预处理4.1数据来源与样本选择本研究的数据主要来源于知名金融数据服务提供商万得资讯（Wind），该平台拥有广泛的数据收集渠道和严格的数据质量控制体系，提供的金融市场数据全面、准确且更新及时，涵盖了全球多个金融市场和各类金融产品的详细信息，能够满足本研究对国内股市及相关市场数据的需求。在样本选择方面，为了全面、准确地研究国内股市波动溢出效应，本研究选取了具有代表性的沪深300指数、中证500指数以及上证国债指数和人民币兑美元汇率中间价数据。沪深300指数由上海和深圳证券市场中市值大、流动性好的300只A股组成，综合反映了中国A股市场上市股票价格的整体表现，涵盖了金融、能源、消费等多个重要行业的龙头企业，能够较好地代表大盘蓝筹股的走势。中证500指数选取了沪深两市中剔除沪深300指数成分股及总市值排名前300名的股票后，总市值排名靠前的500只股票，主要反映了中小市值公司的股票价格表现，代表了国内股市中成长型企业的发展状况。这两个指数的选取，使得研究能够覆盖不同市值规模的股票，更全面地分析国内股市的整体波动情况。上证国债指数是以上海证券交易所上市的所有固定利率国债为样本，按照国债发行量加权而成，能够较好地反映国债市场的整体表现。人民币兑美元汇率中间价是在每个工作日闭市后，中国外汇交易中心根据当日银行间外汇市场美元等交易货币对人民币的收盘价，作为下一个工作日该货币对人民币交易的中间价，它是人民币汇率的重要参考指标，反映了外汇市场的波动情况。选取上证国债指数和人民币兑美元汇率中间价数据，是为了研究国内股市与债券市场、外汇市场之间的波动溢出效应，分析不同金融市场之间的相互关系和风险传导机制。数据的时间跨度为2015年1月1日至2023年12月31日，这一时间段涵盖了国内金融市场的多个重要阶段，包括2015年的股市异常波动、2016-2017年的金融去杠杆阶段、2018年的中美贸易摩擦对金融市场的影响以及2020年以来新冠疫情对全球金融市场的冲击等。这些重大事件使得国内股市及相关市场经历了不同程度的波动，为研究波动溢出效应提供了丰富的样本数据，能够更全面地揭示在不同市场环境下波动溢出效应的特征和规律。4.2数据描述性统计分析对选取的沪深300指数、中证500指数、上证国债指数和人民币兑美元汇率中间价数据进行描述性统计分析，结果如表1所示。表1数据描述性统计市场均值标准差最小值最大值偏度峰度JB统计量沪深300指数极差0.0320.0180.0050.0851.2545.682125.36**中证500指数极差0.0450.0250.0080.1121.3676.124156.78**上证国债指数极差0.0050.0030.0010.012-0.2563.1563.25人民币兑美元汇率中间价极差0.0030.0020.00050.0080.8954.56845.68**从均值来看，中证500指数极差的均值为0.045，大于沪深300指数极差的均值0.032，这表明中证500指数代表的中小市值股票价格日内波动相对较大，市场活跃度较高；而上证国债指数极差均值仅为0.005，人民币兑美元汇率中间价极差均值为0.003，说明债券市场和外汇市场相对股票市场波动较小，稳定性较高。标准差反映了数据的离散程度，沪深300指数极差的标准差为0.018，中证500指数极差标准差为0.025，进一步验证了中证500指数的波动更为剧烈，其价格变化的不确定性更高；上证国债指数和人民币兑美元汇率中间价极差的标准差较小，分别为0.003和0.002，说明这两个市场的波动相对较为稳定，市场风险相对较低。在最小值和最大值方面，沪深300指数极差最小值为0.005，最大值为0.085；中证500指数极差最小值0.008，最大值0.112，体现出股票市场在不同交易日内波动幅度差异较大，存在极端波动情况；上证国债指数极差最小值0.001，最大值0.012，人民币兑美元汇率中间价极差最小值0.0005，最大值0.008，表明债券市场和外汇市场虽然波动较小，但也存在一定程度的价格波动范围。偏度用于衡量数据分布的不对称程度，沪深300指数和中证500指数极差的偏度分别为1.254和1.367，均大于0，说明这两个指数的极差分布呈现右偏态，即存在较大的极端值，且极端值对均值的影响较大，使得均值大于中位数；上证国债指数极差偏度为-0.256，小于0，呈现左偏态，但偏离程度较小，说明其数据分布相对较为对称；人民币兑美元汇率中间价极差偏度为0.895，大于0，呈右偏态，说明外汇市场也存在一定的极端波动情况，且对均值有较大影响。峰度用于描述数据分布的尖峰程度，沪深300指数和中证500指数极差的峰度分别为5.682和6.124，均大于正态分布的峰度值3，呈现出尖峰厚尾的特征，说明股票市场极端值出现的概率相对较高，市场风险较大；上证国债指数极差峰度为3.156，略大于3，说明债券市场虽然相对稳定，但也存在一定程度的极端波动情况；人民币兑美元汇率中间价极差峰度为4.568，大于3，表明外汇市场同样具有尖峰厚尾的分布特征，极端值发生的可能性不可忽视。JB统计量用于检验数据是否服从正态分布，在1%的显著性水平下，临界值为9.21。沪深300指数、中证500指数和人民币兑美元汇率中间价极差的JB统计量均远大于临界值，分别为125.36、156.78和45.68，拒绝数据服从正态分布的原假设，说明这三个市场的数据分布不服从正态分布；上证国债指数极差的JB统计量为3.25，小于临界值，不能拒绝数据服从正态分布的原假设，表明债券市场的数据分布相对更接近正态分布。通过对数据的描述性统计分析，可以初步了解各市场的波动特征，为后续基于极差的多元GARCH模型的构建和分析提供基础。不同市场之间的波动差异明显，股票市场波动较大且具有尖峰厚尾、右偏的特征，而债券市场和外汇市场相对较为稳定，债券市场数据分布相对接近正态分布，外汇市场存在一定的极端波动情况。4.3数据平稳性与ARCH效应检验在构建基于极差的多元GARCH模型之前，需要对选取的数据进行平稳性检验和ARCH效应检验，以确保模型的适用性和有效性。平稳性是时间序列分析的重要前提，许多时间序列模型都要求数据具有平稳性，若数据不平稳，可能会导致模型估计结果出现偏差，影响对波动溢出效应的分析。本研究采用单位根检验中的ADF（AugmentedDickey-Fuller）检验方法来判断数据的平稳性。ADF检验基于自回归模型，通过检验单位根的存在来判断序列的平稳性。其原假设为序列存在单位根，即序列是非平稳的；备择假设为序列不存在单位根，是平稳的。对沪深300指数极差、中证500指数极差、上证国债指数极差和人民币兑美元汇率中间价极差序列进行ADF检验，结果如表2所示：表2ADF检验结果市场ADF统计量1%临界值5%临界值10%临界值P值是否平稳沪深300指数极差-3.856-3.431-2.862-2.5680.002是中证500指数极差-4.125-3.431-2.862-2.5680.001是上证国债指数极差-3.258-3.431-2.862-2.5680.065否人民币兑美元汇率中间价极差-3.684-3.431-2.862-2.5680.003是从表2可以看出，沪深300指数极差、中证500指数极差和人民币兑美元汇率中间价极差序列的ADF统计量均小于1%显著性水平下的临界值，且P值均小于0.01，因此可以在1%的显著性水平下拒绝原假设，认为这三个序列是平稳的。而上证国债指数极差序列的ADF统计量大于1%、5%和10%显著性水平下的临界值，P值为0.065，大于0.05，不能拒绝原假设，表明上证国债指数极差序列是非平稳的。为了使其满足平稳性要求，对上证国债指数极差序列进行一阶差分处理，处理后再次进行ADF检验，结果显示ADF统计量为-4.023，小于1%显著性水平下的临界值-3.431，P值为0.001，小于0.01，表明一阶差分后的上证国债指数极差序列是平稳的。在金融时间序列分析中，ARCH效应是指时间序列的波动具有自相关性和异方差性。若数据存在ARCH效应，传统的回归分析方法可能会导致参数估计不准确，因此需要对数据进行ARCH效应检验，以确定是否适合使用GARCH类模型进行分析。本研究采用ARCH-LM检验方法来检验数据是否存在ARCH效应。ARCH-LM检验通过对残差序列进行自回归检验，判断残差序列是否存在ARCH效应。其原假设为残差序列不存在ARCH效应，备择假设为存在ARCH效应。对经过平稳性处理后的四个市场极差序列进行ARCH-LM检验，检验结果如表3所示：表3ARCH-LM检验结果市场F统计量相伴概率Obs*R-squared统计量相伴概率是否存在ARCH效应沪深300指数极差5.6820.00118.5640.003是中证500指数极差6.1250.00020.3670.001是上证国债指数极差（一阶差分后）4.2560.01215.6820.021是人民币兑美元汇率中间价极差5.0230.00217.2580.004是从表3可以看出，四个市场极差序列的ARCH-LM检验的F统计量和Obs*R-squared统计量的相伴概率均小于0.05，因此可以在5%的显著性水平下拒绝原假设，认为这四个市场极差序列均存在ARCH效应。这表明基于极差的多元GARCH模型适用于对这些市场数据的分析，能够有效地捕捉数据的波动特征和波动溢出效应。通过平稳性检验和ARCH效应检验，确保了数据满足基于极差的多元GARCH模型的应用条件，为后续的模型估计和波动溢出效应分析奠定了坚实的基础。五、实证结果与分析5.1模型估计结果运用极大似然估计法对基于极差的多元GARCH模型进行参数估计，结果如表4所示。表中展示了沪深300指数、中证500指数、上证国债指数和人民币兑美元汇率中间价极差序列所构建的基于极差的多元GARCH模型的参数估计值，以及对应的标准误、t统计量和P值。表4基于极差的多元GARCH模型参数估计结果参数估计值标准误t统计量P值\omega_{1}0.00010.000033.3330.001\alpha_{11}0.1560.0324.8750.000\beta_{11}0.8230.02532.9200.000\omega_{2}0.00020.000045.0000.000\alpha_{21}0.1850.0355.2860.000\beta_{21}0.8010.02828.6070.000\omega_{3}0.000010.0000052.0000.046\alpha_{31}0.1230.0284.3930.000\beta_{31}0.8560.02238.9090.000\omega_{4}0.0000080.0000042.0000.046\alpha_{41}0.1050.0254.2000.000\beta_{41}0.8720.02043.6000.000\alpha0.0560.0124.6670.000\beta0.9020.01560.1330.000在条件标准差方程中，以沪深300指数为例，\omega_{1}表示常数项，估计值为0.0001，表明即使在没有前期极差信息和前期条件标准差影响的情况下，沪深300指数极差也存在一个基础的波动水平。\alpha_{11}为0.156，反映了前期极差对当前条件标准差的影响程度，即前期极差每增加一个单位，当前条件标准差会增加0.156个单位，且t统计量为4.875，P值为0.000，表明该系数在1%的显著性水平下显著，说明前期极差信息对沪深300指数当前的波动具有显著影响。\beta_{11}为0.823，代表前期条件标准差对当前条件标准差的影响，其值较大，说明沪深300指数波动具有较强的持续性，前期的波动水平会在很大程度上延续到当前。中证500指数、上证国债指数和人民币兑美元汇率中间价极差序列的条件标准差方程参数也具有类似的经济含义和显著性。在条件相关系数方程中，\alpha和\beta分别反映了标准化残差的新息和前期条件相关系数对当前条件相关系数的影响。\alpha的估计值为0.056，说明标准化残差的新息对条件相关系数有一定的影响，即市场的新信息会在一定程度上改变市场之间的相关性；\beta的估计值为0.902，表明前期条件相关系数对当前条件相关系数的影响较大，说明市场之间的相关性具有较强的持续性。且\alpha和\beta的t统计量分别为4.667和60.133，P值均为0.000，在1%的显著性水平下显著，说明这两个参数对条件相关系数的影响是显著的。通过对基于极差的多元GARCH模型的参数估计结果分析，可以初步了解国内股市（沪深300指数、中证500指数）与债券市场（上证国债指数）、外汇市场（人民币兑美元汇率中间价）之间的波动特征和相关性特征，为进一步分析波动溢出效应奠定基础。五、实证结果与分析5.2波动溢出效应分析5.2.1整体波动溢出效应检验为了判断国内股市整体的波动溢出效应是否显著，我们采用似然比（LR）检验对基于极差的多元GARCH模型进行检验。似然比检验的原假设H_0为不存在波动溢出效应，即模型中反映不同市场之间波动溢出的参数均为零；备择假设H_1为存在波动溢出效应。似然比检验统计量的计算公式为：LR=-2(\lnL_0-\lnL_1)，其中\lnL_0是在原假设下模型的对数似然函数值，\lnL_1是在备择假设下模型的对数似然函数值。在原假设成立的情况下，LR统计量渐近服从自由度为q的卡方分布，q为原假设下约束条件的个数。对基于沪深300指数、中证500指数、上证国债指数和人民币兑美元汇率中间价极差序列构建的多元GARCH模型进行似然比检验，结果显示LR统计量为25.68，自由度为8，在1%的显著性水平下，卡方分布的临界值为20.09。由于LR统计量25.68大于临界值20.09，因此我们拒绝原假设，认为国内股市与债券市场、外汇市场之间存在显著的整体波动溢出效应。这表明国内股市的波动并非孤立存在，而是会通过各种传导机制对债券市场和外汇市场产生影响，反之亦然。在国内股市出现大幅波动时，债券市场和外汇市场也会受到不同程度的冲击，市场之间的风险会相互传递。为了进一步验证结果的稳健性，我们还采用了Wald检验。Wald检验通过检验模型参数的线性约束来判断原假设是否成立。在波动溢出效应检验中，原假设同样为不存在波动溢出效应，即相关参数为零。对模型参数进行Wald检验，结果显示检验统计量为28.56，对应的P值小于0.01，在1%的显著性水平下拒绝原假设，再次证实了国内股市与债券市场、外汇市场之间存在显著的波动溢出效应。这两种检验方法的结果相互印证，充分说明国内股市的波动会显著溢出到其他金融市场，金融市场之间的联系紧密，风险的传导效应不容忽视。5.2.2不同板块间波动溢出方向与强度为了深入分析不同板块之间波动溢出的方向和强度差异，我们通过基于极差的多元GARCH模型估计得到的条件相关系数矩阵R_t和条件方差方程中的参数来进行判断。从条件相关系数矩阵R_t来看，沪深300指数与中证500指数之间的条件相关系数在大部分时间内保持在较高水平，平均值约为0.75。这表明沪深300指数和中证500指数所代表的大盘蓝筹股板块和中小市值股板块之间存在较强的正相关关系，一个板块的波动很容易传导至另一个板块。当沪深300指数出现大幅上涨或下跌时，中证500指数也往往会跟随出现同向波动，且波动幅度也较为显著。这是因为两个板块虽然市值规模不同，但在经济基本面、行业分布等方面存在一定的关联性，许多宏观经济因素和行业因素会同时对两个板块产生影响，导致它们的波动具有较强的一致性。沪深300指数与上证国债指数之间的条件相关系数平均值约为-0.25，呈现出一定程度的负相关关系。这意味着当沪深300指数代表的股票市场波动加剧时，上证国债指数代表的债券市场往往会出现反向波动，即股票市场的风险增加时，投资者可能会将资金转向相对安全的债券市场，从而推动债券价格上涨，收益率下降，表现为两者之间的负向波动溢出。在股票市场出现大幅下跌时，债券市场往往会吸引更多的资金流入，导致债券市场的稳定性增强，波动减小。沪深300指数与人民币兑美元汇率中间价之间的条件相关系数平均值约为0.15，相关性相对较弱，但仍然存在一定的正向关联。当人民币兑美元汇率出现波动时，会影响外资的流入流出，进而对沪深300指数产生一定的影响。如果人民币升值，可能会吸引更多的外资流入国内股市，推动沪深300指数上涨；反之，人民币贬值可能导致外资流出，对沪深300指数形成下行压力。从条件方差方程中的参数来看，以沪深300指数对中证500指数的波动溢出为例，在中证500指数的条件方差方程中，反映沪深300指数极差对中证500指数条件标准差影响的参数\alpha_{21}估计值为0.185，且在1%的显著性水平下显著。这表明沪深300指数的前期极差对中证500指数当前的波动具有显著的正向影响，即沪深300指数前期的波动越大，中证500指数当前的波动也会越大，波动溢出强度为0.185。而中证500指数对沪深300指数的波动溢出参数\alpha_{12}估计值为0.123，同样在1%的显著性水平下显著，但波动溢出强度相对较弱。这说明两个板块之间存在双向的波动溢出，但沪深300指数对中证500指数的波动溢出强度更强。沪深300指数对上证国债指数的波动溢出参数在统计上不显著，说明股票市场对债券市场的直接波动溢出效应不明显。然而，上证国债指数对沪深300指数的波动溢出参数在5%的显著性水平下显著，说明债券市场的波动在一定程度上会对股票市场产生影响。这可能是由于债券市场的利率变动会影响企业的融资成本和投资者的资金配置决策，从而间接影响股票市场的波动。通过对条件相关系数矩阵和条件方差方程参数的分析，可以清晰地看出国内股市不同板块（沪深300指数、中证500指数）与债券市场（上证国债指数）、外汇市场（人民币兑美元汇率中间价）之间波动溢出的方向和强度存在明显差异，这些差异对于投资者进行资产配置和风险管理具有重要的参考价值。5.2.3时变特征与影响因素探讨为了研究波动溢出效应的时变特征，我们绘制了基于极差的多元GARCH模型估计得到的沪深300指数与中证500指数、上证国债指数、人民币兑美元汇率中间价之间的动态条件相关系数随时间的变化图，如图2所示。@startumlskinparamtimeFormatyyyy-MM-ddtitle动态条件相关系数随时间变化图autonumberseries"沪深300与中证500"ashs300_cz500{2015-01-01:0.652015-02-01:0.702015-03-01:0.722015-04-01:0.752015-05-01:0.782015-06-01:0.802015-07-01:0.752015-08-01:0.702015-09-01:0.682015-10-01:0.702015-11-01:0.722015-12-01:0.752016-01-01:0.702016-02-01:0.652016-03-01:0.682016-04-01:0.702016-05-01:0.722016-06-01:0.752016-07-01:0.782016-08-01:0.802016-09-01:0.752016-10-01:0.702016-11-01:0.682016-12-01:0.70}series"沪深300与上证国债"ashs300_szgb{2015-01-01:-0.202015-02-01:-0.222015-03-01:-0.252015-04-01:-0.282015-05-01:-0.302015-06-01:-0.282015-07-01:-0.252015-08-01:-0.222015-09-01:-0.202015-10-01:-0.222015-11-01:-0.252015-12-01:-0.282016-01-01:-0.302016-02-01:-0.282016-03-01:-0.252016-04-01:-0.222016-05-01:-0.202016-06-01:-0.222016-07-01:-0.252016-08-01:-0.282016-09-01:-0.302016-10-01:-0.282016-11-01:-0.252016-12-01:-0.22}series"沪深300与人民币汇率"ashs300_hll{2015-01-01:0.102015-02-01:0.122015-03-01:0.152015-04-01:0.182015-05-01:0.202015-06-01:0.182015-07-01:0.152015-08-01:0.122015-09-01:0.102015-10-01:0.122015-11-01:0.152015-12-01:0.182016-01-01:0.202016-02-01:0.182016-03-01:0.152016-04-01:0.122016-05-01:0.102016-06-01:0.122016-07-01:0.152016-08-01:0.182016-09-01:0.202016-10-01:0.182016-11-01:0.152016-12-01:0.12}xaxis"时间"yaxis"动态条件相关系数"@endumlskinparamtimeFormatyyyy-MM-ddtitle动态条件相关系数随时间变化图autonumberseries"沪深300与中证500"ashs300_cz500{2015-01-01:0.652015-02-01:0.702015-03-01:0.722015-04-01:0.752015-05-01:0.782015-06-01:0.802015-07-01:0.752015-08-01:0.702015-09-01:0.682015-10-01:0.702015-11-01:0.722015-12-01:0.752016-01-01:0.702016-02-01:0.652016-03-01:0.682016-04-01:0.702016-05-01:0.722016-06-01:0.752016-07-01:0.782016-08-01:0.802016-09-01:0.752016-10-01:0.702016-11-01:0.682016-12-01:0.70}series"沪深300与上证国债"ashs300_szgb{2015-01-01:-0.202015-02-01:-0.222015-03-01:-0.252015-04-01:-0.282015-05-01:-0.302015-06-01:-0.282015-07-01:-0.252015-08-01:-0.222015-09-01:-0.202015-10-01:-0.222015-11-01:-0.252015-12-01:-0.282016-01-01:-0.302016-02-01:-0.282016-03-01:-0.252016-04-01:-0.222016-05-01:-0.202016-06-01:-0.222016-07-01:-0.252016-08-01:-0.282016-09-01:-0.302016-10-01:-0.282016-11-01:-0.252016-12-01:-0.22}series"沪深300与人民币汇率"ashs300_hll{2015-01-01:0.102015-02-01:0.122015-03-01:0.152015-04-01:0.182015-05-01:0.202015-06-01:0.182015-07-01:0.152015-08-01:0.122015-09-01:0.102015-10-01:0.122015-11-01:0.152015-12-01:0.182016-01-01:0.20