新冠疫情冲击下中国与主要发达国家股市联动性的时变特征与驱动因素研究

新冠疫情冲击下中国与主要发达国家股市联动性的时变特征与驱动因素研究一、引言1.1研究背景与意义1.1.1研究背景2020年初，新冠疫情在全球范围内迅速蔓延，对全球经济和金融市场产生了巨大冲击。股市作为经济的“晴雨表”，也未能幸免。疫情的爆发引发了投资者的恐慌情绪，导致全球股市大幅下跌。例如，2020年2月20日至3月23日期间，美国道琼斯工业平均指数累计跌幅超过30%，创下了自1987年股灾以来的最大跌幅。欧洲、亚洲等地区的股市也出现了不同程度的下跌，许多国家的股市指数跌幅超过20%，进入了技术性熊市。在疫情的持续影响下，各国经济活动受到了严格限制，企业停工停产，消费需求大幅下降，国际贸易和投资也受到了严重阻碍。这些因素导致企业盈利预期下降，进一步加剧了股市的波动。同时，为了应对疫情对经济的冲击，各国政府纷纷采取了大规模的财政和货币政策刺激措施，如降息、量化宽松、财政补贴等。这些政策措施在一定程度上缓解了股市的下跌压力，但也带来了新的不确定性，使得股市的走势更加复杂。中国作为全球第二大经济体，其股市在疫情期间也经历了剧烈的波动。2020年2月3日，春节后首个交易日，A股市场大幅低开，上证指数开盘跌幅超过7%。随后，在政府的一系列政策支持下，股市逐渐企稳回升。然而，由于疫情在全球范围内的扩散，外部市场的不确定性增加，A股市场仍然面临着较大的压力。在这样的背景下，研究中国与主要发达国家股市的联动性具有重要的现实意义。一方面，随着经济全球化和金融一体化的深入发展，中国与主要发达国家之间的经济联系日益紧密，股市之间的联动性也在不断增强。了解中国与主要发达国家股市的联动性，有助于投资者更好地把握全球股市的走势，合理配置资产，降低投资风险。另一方面，对于监管部门来说，研究股市联动性可以为制定宏观经济政策和金融监管政策提供参考依据，防范金融风险的跨境传播，维护金融市场的稳定。1.1.2研究意义从理论意义来看，研究中国与主要发达国家股市的联动性有助于丰富和完善金融市场联动理论。传统的金融市场联动理论主要基于经济基本面因素，如宏观经济变量、国际贸易、资本流动等，来解释股市之间的联动关系。然而，在新冠疫情这样的重大突发事件冲击下，股市联动性可能受到更多非经济基本面因素的影响，如投资者情绪、市场预期、政策干预等。通过对疫情期间中国与主要发达国家股市联动性的研究，可以深入探讨这些非经济基本面因素对股市联动性的作用机制，为金融市场联动理论的发展提供新的视角和实证支持。从实践意义来看，本研究对投资者和监管部门都具有重要的参考价值。对于投资者而言，了解中国与主要发达国家股市的联动性，可以帮助他们更好地进行资产配置和风险管理。在全球股市波动加剧的情况下，投资者可以通过分散投资于不同国家和地区的股市，降低单一市场的风险。同时，根据股市联动性的变化，投资者可以及时调整投资策略，把握投资机会。例如，当发现中国股市与某一发达国家股市之间的联动性增强时，投资者可以根据该发达国家股市的走势，提前调整在中国股市的投资组合。对于监管部门来说，研究股市联动性有助于加强金融市场监管，防范金融风险的跨境传播。在经济全球化和金融一体化的背景下，金融风险的跨境传播速度加快，影响范围扩大。通过监测中国与主要发达国家股市的联动性，监管部门可以及时发现潜在的金融风险，采取相应的监管措施，防止风险的扩散。此外，监管部门还可以根据股市联动性的特点，加强国际间的金融监管合作，共同维护全球金融市场的稳定。1.2研究方法与创新点1.2.1研究方法本研究综合运用多种研究方法，以全面深入地探究新冠疫情背景下中国同主要发达国家股市的联动性。计量分析方法：通过构建向量自回归（VAR）模型，来分析中国与主要发达国家股市收益率之间的动态关系。VAR模型能够捕捉变量之间的相互影响和滞后效应，有助于揭示股市之间的短期波动传导机制。例如，通过脉冲响应函数，可以直观地看到一个市场的冲击对其他市场的影响程度和持续时间；利用方差分解技术，能够确定不同市场波动对自身和其他市场波动的贡献度。此外，还将运用协整检验来判断中国与主要发达国家股市之间是否存在长期稳定的均衡关系。如果存在协整关系，说明这些股市在长期内会受到共同的经济基本面因素或其他长期因素的影响，从而呈现出协同变化的趋势。事件研究法：选取新冠疫情期间的重大事件，如疫情的爆发、各国疫情防控政策的出台、疫苗研发进展等，作为研究事件窗口。通过计算事件窗口内股市的异常收益率，来分析这些重大事件对中国与主要发达国家股市联动性的影响。例如，在疫情爆发初期，各国股市普遍下跌，通过事件研究法可以量化分析这一事件对不同国家股市之间联动性的增强程度，以及不同类型事件对股市联动性影响的差异。动态条件相关系数（DCC）模型：采用DCC-GARCH模型来度量中国与主要发达国家股市之间的动态相关性。该模型能够考虑到股市波动的时变性和异方差性，更准确地刻画股市之间联动性的动态变化过程。通过估计DCC-GARCH模型的参数，可以得到不同时期中国与主要发达国家股市之间的动态条件相关系数，从而直观地展示联动性随时间的变化趋势，分析在疫情不同阶段联动性的起伏情况及其背后的原因。1.2.2创新点研究视角创新：以往关于股市联动性的研究多从经济全球化、金融一体化等宏观背景出发，较少关注突发重大事件对股市联动性的短期剧烈影响。本研究聚焦于新冠疫情这一全球性突发公共卫生事件，分析其对中国与主要发达国家股市联动性的冲击和改变，从一个全新的视角深入探讨股市联动性在特殊时期的表现和变化机制，为金融市场联动性研究提供了新的思路和实证案例。多方法综合应用创新：综合运用计量分析、事件研究和动态条件相关系数模型等多种方法，全面研究股市联动性。计量分析方法用于揭示股市收益率之间的动态关系和长期均衡关系；事件研究法针对疫情期间的重大事件进行分析，突出事件驱动因素对股市联动性的影响；动态条件相关系数模型则着重刻画联动性的动态变化特征。这种多方法的有机结合，克服了单一方法的局限性，能够更全面、深入地研究股市联动性，提高研究结果的可靠性和说服力。数据处理创新：在数据处理过程中，充分考虑疫情期间股市数据的异常波动和非平稳性。采用多种数据预处理方法，如数据清洗、平稳性检验和差分处理等，确保数据质量和分析结果的准确性。同时，运用滚动窗口估计等技术，对不同时间段的数据进行动态分析，及时捕捉股市联动性在疫情发展过程中的变化，为研究提供更具时效性和针对性的结果。二、文献综述2.1股市联动性的理论基础2.1.1传统金融理论下的联动解释传统金融理论以有效市场假说为基石，认为在一个有效的市场中，股票价格能够充分反映所有可用的信息。股市联动性在很大程度上可以通过宏观经济因素和资金流动来解释。从宏观经济角度来看，各国经济之间存在着紧密的联系，尤其是在经济全球化的背景下，贸易、投资等经济活动使得各国经济周期呈现出一定的同步性。当一个国家的宏观经济状况发生变化时，如经济增长、通货膨胀、利率调整等，这些因素会通过国际贸易和投资渠道传导到其他国家，进而影响其他国家的企业盈利和市场预期，导致各国股市之间出现联动。例如，当美国经济出现衰退时，美国企业的盈利预期下降，股票价格下跌。由于美国是全球最大的经济体，其经济衰退会导致全球需求减少，对其他国家的出口企业造成冲击，使得这些国家的企业盈利也受到影响，从而引发其股市的下跌。资金流动也是解释股市联动性的重要因素。在全球金融市场一体化的环境下，投资者可以在不同国家的股市之间进行资产配置。当某个国家的股市表现出较高的投资回报率或较低的风险时，投资者会将资金从其他国家的股市转移到该国股市，从而推动该国股市上涨，同时也会对其他国家股市的资金供给产生影响，导致其股市下跌。反之亦然。此外，国际资本流动还受到汇率、利率等因素的影响。例如，当一个国家的利率上升时，会吸引更多的国际资金流入，这些资金可能会流入该国的股市，推动股市上涨；而资金的流出则可能导致其他国家股市下跌。除了宏观经济和资金流动因素外，行业相关性也在股市联动中发挥着作用。不同国家的同行业企业往往面临着相似的市场环境和竞争格局，受到相同的行业因素影响。例如，全球的石油行业企业都会受到国际油价波动的影响，当国际油价上涨时，石油行业企业的盈利增加，股票价格上升，各国石油板块的股票也会相应上涨，从而体现出股市在行业层面的联动性。2.1.2行为金融理论下的联动分析行为金融理论放松了传统金融理论中关于投资者完全理性和市场有效的假设，从投资者的心理和行为角度来解释股市联动性。投资者情绪是行为金融理论解释股市联动的一个重要因素。投资者并非完全理性，他们的情绪会受到各种因素的影响，如市场信息、媒体报道、社会舆论等。当投资者情绪发生变化时，会影响他们的投资决策，进而导致股市波动。在全球金融市场中，投资者情绪具有传染性。例如，当某个国家的股市出现大幅下跌时，会引发投资者的恐慌情绪，这种恐慌情绪会通过媒体、社交网络等渠道迅速传播到其他国家，使得其他国家的投资者也产生恐慌，纷纷抛售股票，从而导致全球股市联动下跌。羊群效应也是行为金融理论中解释股市联动的关键概念。羊群效应是指投资者在投资决策时，往往会忽略自己的私人信息，而跟随其他投资者的行为。在股市中，当一部分投资者对市场前景感到乐观并开始买入股票时，其他投资者可能会认为他们掌握了某些自己不知道的信息，从而也跟随买入，导致股价上涨；反之，当一部分投资者开始抛售股票时，其他投资者也会纷纷效仿，引发股价下跌。这种羊群行为在不同国家的股市之间也会发生，当一个国家的股市出现某种趋势时，其他国家的投资者可能会跟随这种趋势进行投资，从而导致各国股市之间的联动性增强。此外，行为金融理论还认为，投资者的认知偏差和有限套利也会影响股市联动性。投资者在处理信息时可能会出现认知偏差，如过度自信、损失厌恶等，这些偏差会导致他们做出非理性的投资决策，影响股市的波动。同时，由于市场存在摩擦和交易成本，套利行为往往是有限的，无法完全消除股票价格与基本面价值之间的偏差。当不同国家的股市出现类似的认知偏差和有限套利情况时，就会导致股市之间的联动性。2.2疫情前中国与主要发达国家股市联动性研究2.2.1中美股市联动性研究回顾在新冠疫情爆发之前，众多学者对中美股市联动性展开了深入研究。从经济基础角度来看，张兵、范致镇和李心丹（2010）在《中美股票市场的联动性研究》中指出，随着中国加入WTO，中国股市逐步融入全球资本市场，中美股市之间的联系日益紧密。他们通过对2001年12月12日到2009年1月23日上证指数与道琼斯指数的日交易数据进行分析，发现中国股市与美国股市不存在长期的均衡关系，走势相对独立。但在价格和波动溢出方面，美国股市对中国股市的开盘价和收盘价均有显著的引导作用，且在QDII实施之后，美国股市对中国股市的波动溢出呈现不断增强之势。这表明经济基础因素在一定程度上影响着中美股市的联动性，随着中国金融市场对外开放程度的提高，美国股市的波动对中国股市的影响逐渐增大。从市场传染角度，一些研究关注到重大事件对中美股市联动性的影响。例如，在2008年全球金融危机期间，中美股市都经历了大幅下跌，两者之间的联动性明显增强。这是因为金融危机作为全球性的重大事件，引发了投资者的恐慌情绪，使得全球金融市场的风险偏好下降，投资者纷纷抛售股票，导致中美股市同步下跌。这种市场传染效应在危机时期打破了中美股市原本相对独立的走势，使得两者之间的联动性在短期内急剧上升。行为金融理论也为中美股市联动性研究提供了新的视角。有研究认为，投资者情绪和羊群效应在中美股市联动中起到了重要作用。投资者情绪具有传染性，当美国股市出现大幅波动时，会引发全球投资者的情绪变化，中国投资者也会受到影响，从而改变其投资决策，导致中美股市联动。同时，羊群效应使得投资者往往会跟随市场趋势进行投资，当美国股市表现出某种趋势时，中国投资者可能会跟随这种趋势，进一步加强了中美股市之间的联动性。此外，部分研究还从行业层面分析了中美股市的联动性。发现中美两国同行业的上市公司，由于面临相似的市场环境和行业竞争，其股价表现也存在一定的联动性。例如，科技行业的发展受到全球技术创新和市场需求的影响，中美两国科技股在某些时期会呈现出相似的走势。这说明行业因素也是影响中美股市联动性的一个重要方面。2.2.2中欧（英、德、法等）股市联动性研究回顾中国与欧洲主要发达国家（英、德、法等）股市联动性的前期研究也取得了丰富的成果。从经济联系角度，中国与欧洲在贸易、投资等方面有着密切的往来。曾胜、罗松和陈振国（2019）在《中美股票市场联动性研究——基于中欧、中英、中日的比较》中通过对2003年7月9日到2018年5月31日的数据进行分析，运用Copula函数研究发现，中欧股市之间的相关系数为18.54%，表明其联动性高于中美股市。这主要是因为中国与欧洲在经济结构上具有一定的互补性，双方的贸易和投资往来频繁，使得经济周期的同步性对股市联动性产生了重要影响。例如，中国的制造业与欧洲的高端制造业和服务业相互依存，当欧洲经济出现波动时，会影响到其对中国产品的需求，进而影响中国相关企业的盈利和股价，导致中欧股市出现联动。在金融市场一体化的背景下，资本流动也是影响中欧股市联动性的重要因素。随着欧洲金融市场的开放和中国金融市场的逐步国际化，跨境资本在中欧之间的流动更加频繁。当欧洲股市出现投资机会时，国际资本会流入欧洲股市，可能导致中国股市资金流出，从而影响中国股市的走势，反之亦然。这种资本流动的传导机制使得中欧股市之间的联动性逐渐增强。从宏观经济政策角度，欧洲央行的货币政策和财政政策对中欧股市联动性也有影响。当欧洲央行采取宽松的货币政策时，会导致欧元区利率下降，资金会寻求更高的回报率，可能流入中国股市，推动中国股市上涨；反之，当欧洲央行收紧货币政策时，会引发资金回流，对中国股市造成压力。同时，欧洲国家的财政政策调整，如政府支出的增加或减少，也会影响其国内经济和企业盈利，进而通过贸易和投资渠道影响中国经济和股市，加强两者之间的联动性。此外，一些研究还关注到中欧股市在行业板块上的联动性。不同行业对宏观经济环境和政策的敏感度不同，导致中欧同行业板块的股票在某些情况下会出现协同波动。例如，能源行业受到国际油价和全球能源政策的影响较大，中欧能源板块的股票在国际油价大幅波动时，往往会呈现出相似的走势。这说明行业板块的特性也是中欧股市联动性研究中不可忽视的因素。2.3新冠疫情对股市影响的相关研究2.3.1疫情对中国股市的冲击新冠疫情对中国股市产生了多方面的冲击，在短期和长期内呈现出不同的影响特点。在短期，疫情爆发初期，股市出现了剧烈的波动。2020年2月3日，春节后首个交易日，受疫情的不确定性和投资者恐慌情绪影响，A股市场大幅低开，上证指数开盘跌幅超过7%。众多行业股票价格大幅下跌，尤其是与消费、旅游、交通运输等直接受疫情影响的行业。例如，旅游行业的上市公司股价普遍跌幅超过10%，酒店、餐饮板块也遭受重创。这主要是因为疫情导致人们出行受限，消费需求急剧下降，相关企业的营业收入和盈利预期大幅降低。投资者对这些行业未来业绩的担忧引发了大量抛售，导致股价下跌。然而，随着政府一系列政策措施的出台，股市逐渐企稳回升。央行通过公开市场操作投放大量流动性，稳定市场资金面；证监会也出台了一系列支持政策，如延期披露定期报告、放宽并购重组业务时限等，缓解企业的资金压力和经营困境。这些政策措施在一定程度上稳定了投资者的信心，使得股市的恐慌情绪得到缓解，股价逐步回升。从长期来看，疫情加速了中国经济结构的调整，对不同行业的影响也发生了分化。一些新兴产业，如在线教育、远程办公、医药生物等行业，在疫情期间迎来了发展机遇。在线教育行业的企业股价在疫情期间持续上涨，部分企业股价涨幅超过50%。这是因为疫情期间学校停课，线下教育活动受限，大量学生转向在线教育平台，使得在线教育企业的用户数量和收入大幅增长。医药生物行业也受益于疫情防控对医疗物资和疫苗研发的需求增加，相关企业的业绩提升，股价也随之上涨。而传统的线下消费、制造业等行业则面临着较大的转型压力。线下消费行业由于消费者消费习惯的改变和市场竞争的加剧，部分企业的市场份额受到挤压，股价表现相对疲软。制造业企业则需要加快数字化转型和智能化升级，以应对疫情带来的供应链中断、需求波动等问题。那些未能及时转型的企业，其股价在长期内受到了一定的抑制。疫情还促使投资者的投资理念和策略发生转变。投资者更加关注企业的抗风险能力、现金流状况和长期发展潜力。那些具有较强创新能力、良好财务状况和稳定商业模式的企业，更受投资者青睐。这种投资理念的转变也在一定程度上影响了股市的资金流向和股价表现。2.3.2疫情对主要发达国家股市的冲击新冠疫情在不同阶段对美国、欧洲等发达国家股市产生了显著的冲击，其表现和原因各有特点。在美国，疫情初期股市就出现了剧烈震荡。2020年2月20日至3月23日期间，美国道琼斯工业平均指数累计跌幅超过30%，创下了自1987年股灾以来的最大跌幅。3月中上旬，美国股市更是出现了四次熔断，这在历史上是极为罕见的。其主要原因在于疫情的迅速扩散引发了投资者对美国经济衰退的担忧。美国是全球最大的经济体，疫情导致大量企业停工停产，服务业遭受重创，消费市场萎靡，国际贸易受阻。企业盈利预期大幅下降，投资者纷纷抛售股票，导致股市大幅下跌。随着疫情的持续发展，美国政府和美联储采取了一系列大规模的财政和货币政策刺激措施。财政方面，政府推出了多轮经济救助计划，向企业和个人发放大量补贴；货币政策方面，美联储将利率降至接近零的水平，并实施了大规模的量化宽松政策。这些政策措施在一定程度上缓解了股市的下跌压力，股市开始出现反弹。然而，政策刺激也带来了新的问题，如通货膨胀加剧、债务水平上升等，使得股市的走势更加复杂。市场对于经济复苏的预期和政策效果的不确定性，导致股市波动频繁。在欧洲，疫情同样对股市造成了严重冲击。欧洲各国股市在疫情爆发初期普遍大幅下跌，许多国家的股市指数跌幅超过20%，进入了技术性熊市。以英国为例，富时100指数在2020年2月至3月期间跌幅超过30%。欧洲股市受冲击的原因一方面是疫情在欧洲的快速传播导致经济活动受限，企业经营困难；另一方面，欧洲经济对国际贸易和旅游业的依赖程度较高，疫情使得国际贸易受阻，旅游业遭受重创，进一步加剧了经济的衰退，从而影响股市表现。欧洲央行也采取了一系列宽松的货币政策来应对疫情冲击，如降息、扩大资产购买规模等。同时，欧洲各国政府也推出了财政刺激计划，以支持企业和经济复苏。然而，由于欧洲各国在疫情防控措施的协调和财政政策的实施上存在差异，使得经济复苏的步伐不一致，股市的表现也不尽相同。一些疫情防控较好、经济结构较为稳健的国家，股市的反弹力度相对较大；而部分疫情严重、经济结构单一的国家，股市仍面临较大的压力。此外，疫情还引发了全球金融市场的避险情绪，资金纷纷流向黄金、美元等避险资产，导致股市资金流出，进一步加剧了发达国家股市的下跌压力。同时，投资者对疫情的持续时间和经济复苏的不确定性感到担忧，这种恐慌情绪在金融市场中蔓延，使得股市的波动更加剧烈。2.4文献评述综上所述，国内外学者在股市联动性以及新冠疫情对股市影响方面取得了丰硕的研究成果。在理论层面，传统金融理论从宏观经济因素、资金流动和行业相关性等角度，为解释股市联动性提供了较为完善的框架，强调市场有效性和理性投资者行为下股市联动的经济基础。行为金融理论则突破了传统理论的局限，引入投资者情绪、羊群效应、认知偏差和有限套利等概念，从投资者心理和行为角度深入剖析股市联动的内在机制，为理解股市联动性提供了新的视角，使研究更加贴近金融市场的实际运行情况。在实证研究方面，众多学者运用计量经济学方法，如VAR模型、协整检验、Copula函数等，对疫情前中国与主要发达国家股市联动性进行了广泛而深入的研究。这些研究不仅揭示了不同国家股市之间在长期和短期的动态关系，还分析了经济基础、市场传染、资本流动等因素对股市联动性的影响。例如，对中美股市联动性的研究发现，随着中国金融市场对外开放程度的提高，美国股市对中国股市的波动溢出效应逐渐增强；而中欧股市联动性研究表明，中欧在经济联系和金融市场一体化背景下，股市联动性呈现出一定的特征，且行业板块特性也在其中发挥了作用。关于新冠疫情对股市影响的研究，学者们详细分析了疫情对中国和主要发达国家股市在短期和长期的冲击。研究指出，疫情初期股市普遍出现剧烈波动，投资者恐慌情绪加剧，随后政府的政策干预对稳定股市起到了关键作用。同时，疫情还加速了经济结构调整，不同行业在疫情期间的表现分化明显，投资者的投资理念和策略也发生了相应转变。然而，现有研究仍存在一些不足之处。一方面，在研究股市联动性时，虽然考虑了多种因素，但对于突发重大事件，如新冠疫情这种全球性公共卫生事件对股市联动性的短期剧烈冲击和长期深远影响，研究还不够深入和系统。疫情期间，股市联动性可能受到多种复杂因素的交织影响，包括疫情防控政策、疫苗研发进展、宏观经济政策的协同效应等，现有研究对这些因素的综合分析尚显不足。另一方面，在研究方法上，虽然计量分析方法在股市联动性研究中得到了广泛应用，但不同方法之间的整合和互补还不够充分。例如，VAR模型和协整检验主要侧重于分析变量之间的线性关系，而对于股市联动性中的非线性特征和时变特性，如动态条件相关系数模型所刻画的联动性动态变化，单独使用传统方法难以全面捕捉。此外，在数据处理方面，如何更有效地处理疫情期间股市数据的异常波动和非平稳性，以提高研究结果的准确性和可靠性，也是需要进一步探索的问题。基于以上分析，本文旨在以新冠疫情为背景，深入研究中国与主要发达国家股市的联动性。通过综合运用多种研究方法，全面考虑疫情期间的各种影响因素，弥补现有研究的不足，为金融市场参与者和监管部门提供更具针对性和参考价值的研究成果。三、中国与主要发达国家股市在疫情下的表现3.1数据选取与处理3.1.1数据来源本研究选取中国、美国、英国、德国、法国这五个国家的主要股票指数作为研究对象，分别为中国的上证指数（SHCOMP）、美国的道琼斯工业平均指数（DJIA）、英国的富时100指数（FTSE100）、德国的DAX指数以及法国的CAC40指数。这些指数在各自国家的股票市场中具有广泛的代表性，能够较好地反映本国股市的整体走势。对于中国上证指数数据，主要来源于上海证券交易所官网，该官网提供了最为权威和准确的市场交易数据，涵盖了每日的开盘价、收盘价、最高价、最低价以及成交量等详细信息。同时，为确保数据的完整性和可靠性，还参考了东方财富网、同花顺等知名财经网站的数据进行核对和补充。东方财富网和同花顺等财经网站不仅提供实时行情数据，还对历史数据进行了整理和分析，方便获取不同时间段的股市数据，并提供了多种数据导出格式，如CSV、Excel等，便于后续的数据处理和分析。美国道琼斯工业平均指数数据获取自纽约证券交易所官网，纽约证券交易所作为全球最重要的证券交易市场之一，其官网提供的道琼斯指数数据具有高度的权威性和时效性。此外，彭博（Bloomberg）、路透（Reuters）等专业金融数据服务提供商也是获取道琼斯指数数据的重要来源。彭博和路透等数据服务提供商不仅提供丰富的历史数据，还配备了强大的数据分析工具和研究报告，能够为研究提供更深入的市场分析和行业动态信息。英国富时100指数数据来自伦敦证券交易所官网，官网发布的富时100指数数据全面且准确，反映了英国股市的整体表现。同时，也从金融数据服务平台FactSet获取相关数据进行交叉验证。FactSet是一家全球领先的金融数据和分析工具提供商，提供了广泛的金融市场数据和分析服务，其数据覆盖全球多个国家和地区的股票市场，为研究英国股市提供了全面的数据支持。德国DAX指数数据则来源于德国证券交易所官网，该官网提供了DAX指数的实时和历史数据。在数据获取过程中，还参考了Wind金融终端的数据。Wind金融终端是国内知名的金融数据服务平台，整合了全球金融市场的各类数据，提供了丰富的宏观经济数据、行业数据以及股票市场数据，为研究德国股市提供了便捷的数据查询和分析功能。法国CAC40指数数据取自巴黎证券交易所官网，确保数据的准确性和权威性。同时，借助东方财富网等财经网站获取相关补充数据，以丰富数据维度。东方财富网在提供全球股市行情数据的基础上，还对法国股市进行了专题报道和分析，为研究法国CAC40指数提供了更多的市场背景信息和数据参考。通过多渠道获取数据并进行交叉验证，能够最大程度地保证数据的准确性和完整性，为后续的研究提供坚实的数据基础。3.1.2样本区间确定新冠疫情对全球股市产生重大影响始于2020年初。2020年1月23日，武汉市封城，标志着中国疫情防控进入关键阶段，随后疫情在全球范围内迅速蔓延。2020年2月20日左右，美国股市开始受到疫情冲击，出现大幅下跌，随后欧洲股市也受到波及。因此，本研究将样本区间确定为2019年1月1日至2023年12月31日，涵盖了疫情爆发前的平稳时期、疫情爆发初期的冲击阶段、疫情持续期间股市的波动调整阶段以及疫情后期经济逐渐复苏过程中股市的变化阶段。在疫情爆发前的2019年，全球经济处于相对稳定的发展阶段，股市也呈现出平稳的运行态势。选取这一时间段的数据作为对照，能够更好地分析疫情对股市的影响程度和特征。在疫情爆发初期，2020年1月至3月，股市经历了剧烈的波动，投资者恐慌情绪加剧，股市大幅下跌。通过对这一阶段数据的分析，可以研究疫情爆发对股市的短期冲击效应以及市场的反应机制。2020年4月至2022年底，疫情在全球持续蔓延，各国采取了不同程度的疫情防控措施和经济刺激政策，股市在这一期间呈现出复杂的波动状态。此阶段的数据能够反映出疫情持续影响下，经济政策调整、企业盈利变化以及投资者情绪波动等因素对股市联动性的综合作用。2023年，随着全球疫苗接种的推进和疫情防控形势的好转，经济逐渐复苏，股市也进入了新的调整阶段。研究这一阶段的数据，可以探讨疫情后期股市的恢复情况以及联动性的变化趋势。通过选取这样一个涵盖疫情发展全过程的样本区间，能够全面、系统地研究新冠疫情背景下中国与主要发达国家股市的联动性变化，为分析疫情对股市的长期影响提供丰富的数据支持。3.1.3数据处理方法在获取原始数据后，首先进行数据清洗工作。由于数据可能存在缺失值、异常值和重复值等问题，这些问题会影响后续的数据分析结果。对于缺失值，若缺失数据较少，采用线性插值法进行补充。例如，若某一天的上证指数收盘价缺失，可根据前一天和后一天的收盘价进行线性插值计算，得到缺失值的估计。若缺失数据较多，则考虑删除相应的数据行，以避免对整体数据的影响。对于异常值，通过设定合理的阈值进行识别和处理。例如，股票价格的波动通常在一定范围内，若某一天的道琼斯工业平均指数收盘价与前一天相比波动超过了历史平均波动的3倍标准差，则将其视为异常值。对于异常值，可采用均值替代法或中位数替代法进行修正，使其符合数据的整体分布特征。在数据清洗完成后，对数据进行调整，以消除不同股票指数之间由于基数和计价单位不同而带来的差异。将各股票指数的收盘价进行标准化处理，使其具有可比性。具体方法是将每个指数的收盘价除以其在样本区间内的首日收盘价，得到相对价格指数，从而消除了基数差异的影响。为了更准确地分析股市的波动和联动性，计算股票指数的收益率。采用对数收益率的计算方法，计算公式为：R_{t}=\ln(P_{t})-\ln(P_{t-1})，其中R_{t}表示第t期的对数收益率，P_{t}表示第t期的股票指数收盘价，P_{t-1}表示第t-1期的股票指数收盘价。对数收益率能够更好地反映股票价格的连续变化，且具有良好的数学性质，便于后续的计量分析。通过以上数据处理方法，能够提高数据的质量和可用性，为后续运用计量模型分析中国与主要发达国家股市的联动性奠定坚实的基础。3.2疫情期间中国股市表现3.2.1整体走势分析在新冠疫情期间，中国股市经历了复杂且跌宕起伏的波动过程，上证指数和深证成指作为中国股市的重要风向标，其走势深刻反映了疫情对股市的多重影响。2020年2月3日，春节后首个交易日，受新冠疫情爆发的冲击，A股市场大幅低开，上证指数开盘跌幅超过7%，瞬间击穿2700点整数关口，最低下探至2685.27点。这一剧烈下跌主要源于疫情的突然爆发引发了投资者的极度恐慌情绪。疫情的快速传播使得市场对经济前景充满担忧，企业停工停产预期增强，消费市场停滞，导致投资者纷纷抛售股票，股市抛压沉重。然而，随后在政府一系列积极政策的有力支持下，股市逐渐企稳回升。央行通过公开市场操作释放大量流动性，仅在2月3日当天就开展了1.2万亿元逆回购操作，并下调中标利率10个基点。证监会也出台多项举措，包括延期披露定期报告、放宽并购重组业务时限等，缓解企业资金压力和经营困境。这些政策有效稳定了市场信心，上证指数逐步反弹，在3月中旬回升至2900点附近。随着疫情在全球范围内的快速扩散，外部市场不确定性急剧增加，A股市场再次面临巨大压力。3月下旬，上证指数再次下跌，最低跌至2646.80点。这一阶段的下跌主要是由于全球股市的联动效应，美国股市多次熔断引发全球金融市场恐慌，资金纷纷回流美国，新兴市场股市包括A股遭受冲击。同时，疫情在全球蔓延导致国际贸易受阻，中国出口企业面临订单减少、供应链中断等问题，进一步加剧了市场担忧。进入2020年4月至2020年底，随着国内疫情防控取得显著成效，企业复工复产有序推进，经济逐步复苏，股市也进入了震荡上行阶段。上证指数在这一时期稳步上涨，一度突破3400点。企业盈利状况逐渐改善，市场信心不断恢复，加上货币政策和财政政策持续保持宽松，为股市提供了有力支撑。2021年，中国股市整体呈现震荡格局。上证指数在3300-3700点区间波动，市场热点轮动较快。一方面，经济持续复苏，企业盈利进一步增长，对股市形成一定支撑；另一方面，宏观经济政策逐渐边际收紧，货币政策不再过度宽松，加上全球疫情的反复以及外部市场波动，使得股市面临一定压力。2022年，受国内外多重因素影响，中国股市再次出现较大波动。上半年，疫情在国内部分地区反弹，经济增长面临较大压力，上证指数一度跌破3000点。企业经营受到疫情冲击，消费、旅游、餐饮等行业遭受重创，市场情绪较为低迷。下半年，随着稳增长政策的持续发力，股市有所反弹，但整体仍处于震荡调整阶段。2023年，随着疫情防控政策的优化调整，经济复苏步伐加快，股市也迎来新的机遇。上证指数在年初出现一波上涨行情，市场信心逐步恢复。企业经营环境改善，消费市场回暖，加上政策面的持续支持，股市有望在经济复苏的带动下继续上行。但同时，全球经济增长放缓、地缘政治冲突等外部不确定性因素仍然存在，股市也面临一定的波动风险。深证成指在疫情期间的走势与上证指数基本相似，但波动幅度相对更大。在2020年2月3日同样大幅低开，跌幅超过8%。随后在政策支持下反弹，在3月下旬受全球市场冲击再次下跌。在2020-2023年期间，深证成指也经历了震荡上行、震荡调整以及在经济复苏预期下的波动等阶段。由于深证成指包含了更多的成长型企业，对经济环境和政策变化更为敏感，其波动受行业发展、科技创新等因素影响更为明显。例如，在疫情期间，新能源、半导体等新兴产业相关股票在深证成指中占比较大，这些行业的发展变化对深证成指的走势产生了重要影响。3.2.2行业板块表现差异疫情期间，中国股市不同行业板块表现出显著的差异，这种差异主要源于各行业对疫情的敏感度、行业特性以及政策影响的不同。医疗行业在疫情期间成为市场焦点，表现极为突出。随着疫情的爆发，对口罩、防护服、检测试剂、医疗设备等医疗物资的需求呈爆发式增长。以英科医疗为例，其作为主要的一次性手套生产企业，疫情期间订单量激增，股价在2020年涨幅超过1400%。从行业整体来看，医疗器械板块指数在2020年涨幅超过80%。同时，疫苗研发和生产企业也备受关注，智飞生物、康泰生物等疫苗企业股价大幅上涨。医疗服务行业同样受益，如爱尔眼科等眼科医疗服务企业，虽然在疫情初期业务受到一定影响，但随着疫情得到控制，积压的医疗需求释放，业绩逐步恢复并增长，股价也呈现上升趋势。消费行业内部出现明显分化。必需消费板块，如食品饮料、农林牧渔等表现相对稳健。在疫情期间，人们对日常生活必需品的需求保持稳定，甚至在部分地区出现囤货现象，使得相关企业业绩得到支撑。贵州茅台作为白酒行业龙头，股价在疫情期间保持相对稳定，并在2020-2021年持续创新高。海天味业等调味品企业，业绩增长稳定，股价也表现出色。而可选消费板块，如旅游、酒店、餐饮、影视等遭受重创。中国国旅（现更名为中国中免）虽然在免税业务上有一定优势，但在疫情初期，由于旅游市场停滞，股价大幅下跌。首旅酒店、锦江酒店等酒店企业，以及海底捞、九毛九等餐饮企业股价均出现明显下滑。影视行业更是受到严重冲击，万达电影、光线传媒等影视公司股价跌幅较大，因为电影院长时间停业，影片制作和发行受阻，企业收入锐减。科技行业在疫情期间呈现出复杂的表现。在线办公、在线教育等领域迎来发展机遇。随着疫情期间远程办公和线上教学的普及，相关企业业绩快速增长。金山办公作为办公软件领域的龙头企业，股价在2020-2021年大幅上涨。好未来、新东方在线等在线教育企业，在疫情期间用户数量和收入显著增加，股价也随之上涨。而电子、半导体等行业受到疫情的影响较为复杂。在疫情初期，由于供应链中断、需求下降等因素，行业面临一定压力。但随着全球数字化进程的加速，对电子产品的需求逐渐恢复并增长，加上国产替代进程的推进，部分企业迎来发展机遇。如兆易创新等半导体企业，在技术创新和市场需求的推动下，股价表现良好。然而，也有一些企业受到国际竞争和贸易摩擦的影响，股价波动较大。金融行业整体表现相对平稳。银行板块受疫情影响较小，虽然在疫情期间实体经济面临一定困难，银行的信贷风险有所上升，但央行通过降准、降息等货币政策工具，保持市场流动性合理充裕，降低银行资金成本，银行的整体业绩仍保持相对稳定。工商银行、建设银行等大型银行股价波动较小。证券行业则受到市场活跃度的影响。在疫情期间，股市波动较大，市场交易活跃度有所变化。当股市上涨和交易活跃时，证券公司的经纪业务、自营业务等收入增加，股价上涨；反之，股价下跌。如中信证券等头部券商，股价随着市场行情波动。保险行业在疫情初期受到一定冲击，由于线下展业受阻，新单保费增长放缓。但随着疫情防控形势好转，以及保险行业数字化转型的推进，业务逐渐恢复。中国平安、中国人寿等保险企业股价在疫情期间呈现先抑后扬的走势。能源行业受疫情和国际油价波动影响较大。石油、天然气等能源行业在疫情期间面临需求下降和价格波动的双重压力。国际油价在2020年出现大幅下跌，布伦特原油价格一度跌破20美元/桶。中国石油、中国石化等企业股价也随之下跌，因为油价下跌导致企业营收和利润减少。煤炭行业同样受到影响，虽然国内煤炭需求相对稳定，但由于经济增长放缓，煤炭价格也出现一定程度的下跌。不过，随着经济复苏和能源需求的回升，能源行业股价有所反弹。综上所述，疫情期间中国股市不同行业板块表现差异显著，这种差异不仅反映了疫情对各行业的不同影响，也为投资者提供了不同的投资机会和风险挑战。3.3疫情期间主要发达国家股市表现3.3.1美国股市表现在新冠疫情期间，美国三大股指——道琼斯工业平均指数（DJIA）、纳斯达克综合指数（NASDAQ）和标准普尔500指数（S&P500）的走势充满戏剧性，波动特征明显，深刻反映了疫情对美国金融市场的巨大冲击。2020年2月20日，美国股市开始受到疫情冲击，道琼斯工业平均指数在短短一个月内，从2月19日的29551.42点暴跌至3月23日的18591.93点，累计跌幅超过30%，创下了自1987年股灾以来的最大跌幅。这一时期，疫情在美国迅速扩散，市场对经济前景极度担忧，企业停工停产预期增强，消费市场陷入停滞，投资者恐慌情绪蔓延，大量抛售股票，导致股市急剧下跌。在3月中上旬，美国股市更是出现了四次熔断的罕见情况。3月9日，道琼斯工业平均指数开盘暴跌7.79%，触发第一层熔断机制，暂停交易15分钟。3月12日，道琼斯指数开盘跌幅超过9%，再次触发熔断。3月16日，道琼斯指数开盘跌幅达7.47%，第三次触发熔断。3月18日，道琼斯指数开盘跌幅达7.82%，第四次触发熔断。熔断机制的频繁触发，充分显示了市场的极度恐慌和不稳定，也反映出疫情对美国股市的冲击程度远超预期。随着疫情的持续发展，美国政府和美联储采取了一系列大规模的财政和货币政策刺激措施。财政方面，政府推出了多轮经济救助计划，向企业和个人发放大量补贴。货币政策方面，美联储将联邦基金利率降至接近零的水平，并实施了大规模的量化宽松政策，通过购买国债和其他债券等方式，向市场注入大量流动性。这些政策措施在一定程度上缓解了股市的下跌压力，股市开始出现反弹。道琼斯工业平均指数从3月23日的低点开始反弹，到6月23日，已回升至25742.65点。然而，政策刺激也带来了新的问题，如通货膨胀加剧、债务水平上升等，使得股市的走势更加复杂。市场对于经济复苏的预期和政策效果的不确定性，导致股市波动频繁。在2020年下半年，道琼斯工业平均指数在25000-29000点区间内波动。一方面，经济数据出现一定的改善迹象，企业盈利预期有所回升，加上政策的持续支持，对股市形成一定支撑；另一方面，疫情的反复、选举不确定性以及经济复苏的不平衡，使得投资者信心受到影响，股市面临调整压力。纳斯达克综合指数在疫情期间的表现与道琼斯工业平均指数有所不同，呈现出科技股主导的特征。由于疫情期间居家隔离举措加速了数字经济的趋势，许多大型科技股受益匪浅。苹果、微软、亚马逊、字母表和脸书等股价在2020年呈现上涨态势，其中亚马逊以50%的涨幅领跑。这使得纳斯达克综合指数在2020年整体表现较为强劲，不仅迅速收复了疫情初期的失地，还在7月创下历史新高。截至2020年12月31日，纳斯达克综合指数收于12888.28点，全年涨幅达43.64%。标准普尔500指数作为更广泛的市场指标，约占美股可用市值的80%。在疫情期间，其表现也受到科技股的重要影响。2020年，标准普尔500指数中仅有信息技术、非必需消费品和通信服务三个板块业绩良好，以微软和苹果为代表的信息技术板块，以亚马逊为代表的非必需消费品板块，以字母表和脸书为代表的通信服务板块表现突出。而能源、金融、工业和公用事业等板块的股价跌幅均突破10%。标准普尔500指数在2020年经历了大幅下跌和反弹后，全年下跌3.1%。2021年，美国三大股指整体呈现上涨态势。道琼斯工业平均指数全年涨幅达18.73%，收于36799.65点。纳斯达克综合指数涨幅为21.39%，收于15644.97点。标准普尔500指数涨幅为26.89%，收于4766.18点。这一年，美国经济在疫苗接种推进和财政刺激政策的支持下逐步复苏，企业盈利增长，推动股市持续上涨。然而，市场也面临一些风险因素，如通货膨胀加剧、美联储货币政策转向预期以及供应链瓶颈等问题，这些因素对股市的上涨形成一定制约。2022年，美国股市面临多重挑战，三大股指均出现不同程度的下跌。道琼斯工业平均指数全年跌幅为8.82%，收于33147.25点。纳斯达克综合指数跌幅达33.10%，收于10466.48点。标准普尔500指数跌幅为19.44%，收于3839.50点。这一年，美联储为应对通货膨胀，持续大幅加息，导致市场利率上升，债券收益率提高，股票的吸引力下降。同时，俄乌冲突加剧了地缘政治紧张局势，全球经济增长放缓，企业盈利预期下调，这些因素共同导致股市下跌。2023年，美国股市走势较为复杂。上半年，在经济数据表现较好和企业盈利超预期的支撑下，三大股指出现反弹。然而，下半年随着美联储货币政策的持续收紧以及对经济衰退的担忧加剧，股市面临一定压力。截至2023年12月31日，道琼斯工业平均指数收于37689.54点，全年涨幅为13.69%。纳斯达克综合指数收于14605.06点，全年涨幅为39.58%。标准普尔500指数收于4761.87点，全年涨幅为24.22%。科技股在这一年表现强劲，再次成为推动股市上涨的重要力量。3.3.2欧洲主要国家股市表现在新冠疫情期间，英国、德国、法国等欧洲主要国家股市均遭受了严重冲击，其表现与美国股市既有相似之处，也存在一些差异。英国富时100指数在疫情爆发初期大幅下跌。2020年2月20日至3月23日期间，富时100指数从7546.53点跌至5110.22点，跌幅超过30%。与美国股市类似，疫情在欧洲的迅速传播引发了投资者对经济衰退的担忧，企业停工停产，消费市场萎靡，国际贸易受阻，导致股市大幅下跌。英国经济对国际贸易和旅游业的依赖程度较高，疫情使得国际贸易受阻，旅游业遭受重创，进一步加剧了经济的衰退，从而对股市表现产生负面影响。随着欧洲央行和英国政府采取一系列宽松的货币政策和财政刺激措施，富时100指数开始反弹。欧洲央行降息并扩大资产购买规模，英国政府推出财政刺激计划，以支持企业和经济复苏。然而，由于英国脱欧后的贸易关系调整以及疫情防控措施的实施存在差异，使得经济复苏的步伐相对缓慢，股市的反弹力度也相对较弱。在2020年下半年，富时100指数在5500-6500点区间内波动。2021年，富时100指数整体呈现上涨态势，全年涨幅达14.31%，收于7381.63点。这一年，英国经济在疫苗接种推进和经济刺激政策的支持下逐步复苏，企业盈利状况有所改善，推动股市上涨。但同时，英国仍面临一些挑战，如劳动力短缺、供应链问题以及通货膨胀压力等，这些因素对股市的上涨形成一定制约。2022年，富时100指数受到全球经济增长放缓、通货膨胀加剧以及俄乌冲突等因素的影响，全年跌幅为2.94%，收于7164.04点。与美国股市相比，富时100指数的跌幅相对较小，这主要得益于英国股市中能源、金融等传统行业占比较高，这些行业在全球能源价格上涨和利率上升的环境下，表现相对稳定。2023年，富时100指数在上半年表现较好，随着经济数据的改善和企业盈利的增长，指数有所上涨。但在下半年，受到全球经济不确定性增加和英国国内经济问题的影响，股市面临一定压力。截至2023年12月31日，富时100指数收于7790.70点，全年涨幅为8.75%。德国DAX指数在疫情期间同样经历了大幅波动。2020年2月20日至3月23日，DAX指数从13795.63点暴跌至8530.25点，跌幅超过38%。德国作为欧洲最大的经济体，其制造业和出口业受到疫情的严重冲击，企业面临供应链中断、需求下降等问题，导致股市大幅下跌。在欧洲央行的货币政策支持和德国政府的财政刺激措施下，DAX指数开始反弹。德国政府推出了大规模的经济救助计划，以帮助企业渡过难关。DAX指数在2020年下半年逐渐回升，在10000-13000点区间内波动。2021年，DAX指数全年涨幅达15.67%，收于15840.57点。德国经济在疫情后的复苏进程中，制造业和工业生产逐步恢复，出口需求增加，企业盈利改善，推动股市上涨。但同时，德国也面临着能源转型、劳动力市场紧张等问题，对经济和股市的发展带来一定挑战。2022年，DAX指数受到俄乌冲突的直接影响，由于德国对俄罗斯能源的依赖程度较高，冲突导致能源价格大幅上涨，企业生产成本上升，经济增长放缓，股市全年跌幅为11.41%，收于13948.27点。2023年，DAX指数在上半年呈现震荡上涨态势，随着全球经济逐渐复苏和德国国内经济结构的调整，企业盈利有所改善。但在下半年，受到全球经济增长放缓和地缘政治风险的影响，股市波动加剧。截至2023年12月31日，DAX指数收于16569.79点，全年涨幅为18.80%。法国CAC40指数在疫情期间也经历了大幅下跌和反弹的过程。2020年2月20日至3月23日，CAC40指数从6099.20点下跌至3950.35点，跌幅超过35%。法国经济在疫情冲击下，服务业、旅游业等遭受重创，企业经营困难，投资者信心受挫，导致股市大幅下跌。随着法国政府和欧洲央行采取一系列应对措施，CAC40指数开始反弹。法国政府推出财政刺激计划，支持企业复工复产，欧洲央行的货币政策也为市场提供了流动性支持。在2020年下半年，CAC40指数在4500-5500点区间内波动。2021年，CAC40指数全年涨幅达21.81%，收于7017.56点。法国经济在疫苗接种推进和经济刺激政策的作用下，逐步复苏，消费市场回暖，企业盈利增长，推动股市上涨。但同时，法国也面临着一些问题，如高失业率、公共债务增加等，对经济和股市的发展产生一定影响。2022年，CAC40指数受到全球经济形势和俄乌冲突的影响，全年跌幅为9.50%，收于6340.29点。法国经济受到能源价格上涨、通货膨胀加剧以及全球经济增长放缓的冲击，企业盈利预期下降，股市表现不佳。2023年，CAC40指数在上半年表现较好，随着经济数据的改善和企业盈利的增长，指数有所上涨。但在下半年，受到全球经济不确定性增加和法国国内政治经济问题的影响，股市面临一定压力。截至2023年12月31日，CAC40指数收于7372.64点，全年涨幅为16.28%。总体而言，欧洲主要国家股市在疫情期间的表现与美国股市有相似之处，均在疫情爆发初期大幅下跌，随后在政策刺激下出现反弹。但由于各国经济结构、政策措施以及地缘政治等因素的差异，欧洲股市的表现也存在一定的不同。与美国股市相比，欧洲股市在疫情期间的波动幅度相对较小，反弹力度也相对较弱。同时，欧洲各国股市之间也存在一定的分化，如德国DAX指数受制造业和出口业影响较大，法国CAC40指数受服务业和旅游业影响较大，英国富时100指数则受到脱欧和国际贸易等因素的影响。3.4对比分析3.4.1波动幅度对比在新冠疫情期间，中国与主要发达国家股市的波动幅度存在显著差异。通过对上证指数、道琼斯工业平均指数、富时100指数、DAX指数和CAC40指数的收益率标准差进行计算和比较，可以直观地看出这种差异。在疫情爆发初期，2020年1月至3月，主要发达国家股市的波动幅度明显大于中国股市。以道琼斯工业平均指数为例，其收益率标准差在这一时期高达0.045，而同期上证指数的收益率标准差为0.028。美国股市在这一阶段经历了多次熔断，市场恐慌情绪极度高涨，投资者纷纷抛售股票，导致股市大幅下跌且波动剧烈。欧洲主要国家股市如富时100指数、DAX指数和CAC40指数的收益率标准差也分别达到0.042、0.044和0.043。这主要是因为发达国家经济对全球供应链和国际贸易的依赖程度较高，疫情的全球扩散使得其经济面临更大的不确定性，企业盈利预期大幅下降，投资者信心受挫，从而引发股市的剧烈波动。相比之下，中国股市虽然在2020年2月3日开盘出现大幅下跌，但在政府迅速出台的一系列政策支持下，市场逐渐企稳，波动幅度相对较小。中国政府通过释放流动性、稳定市场信心等措施，有效缓解了股市的下跌压力，使得股市波动得到一定控制。在疫情持续期间，2020年4月至2022年底，中国股市的波动幅度仍然相对较小，上证指数的收益率标准差维持在0.015-0.02之间。而美国股市在这一时期波动较为频繁，道琼斯工业平均指数的收益率标准差在0.02-0.03之间波动。欧洲股市的波动幅度也相对较大，富时100指数、DAX指数和CAC40指数的收益率标准差分别在0.018-0.025、0.02-0.028和0.019-0.026之间波动。这一阶段，中国经济率先复苏，企业复工复产有序推进，经济基本面相对稳定，对股市形成了有力支撑。而发达国家在疫情防控和经济复苏过程中面临诸多挑战，如疫情反复、疫苗接种不均衡、供应链瓶颈等问题，导致股市波动较大。2023年，随着全球疫情防控形势的好转和经济逐渐复苏，中国与主要发达国家股市的波动幅度都有所减小。上证指数的收益率标准差降至0.012左右，道琼斯工业平均指数、富时100指数、DAX指数和CAC40指数的收益率标准差也分别降至0.015、0.013、0.014和0.014左右。但由于全球经济仍面临一些不确定性因素，如通货膨胀、地缘政治冲突等，股市仍存在一定的波动风险。造成这种波动幅度差异的原因主要包括以下几个方面：一是经济结构差异。中国经济以内需为主，且政府对经济的调控能力较强，在疫情期间能够迅速采取措施稳定经济，减少疫情对经济的冲击，从而使得股市波动相对较小。而主要发达国家经济对国际贸易和服务业的依赖程度较高，疫情对其经济的冲击更为严重，股市波动也更大。二是政策应对差异。中国政府在疫情期间迅速出台了一系列财政和货币政策，包括加大财政支出、降低利率、释放流动性等，有效稳定了市场信心，缓解了股市的下跌压力。而发达国家的政策应对虽然也较为积极，但在政策实施过程中存在一些问题，如财政刺激的分配不均、货币政策的传导不畅等，导致政策效果受到一定影响，股市波动较大。三是投资者结构差异。中国股市以散户投资者为主，投资者的行为相对较为分散，市场的稳定性相对较高。而发达国家股市以机构投资者为主，机构投资者的投资决策相对较为集中，当市场出现重大变化时，机构投资者的集体行为容易引发股市的大幅波动。3.4.2反应速度对比各国股市对疫情相关消息的反应速度存在差异，这种差异受到多种因素的影响，同时政策干预也在其中发挥了重要作用。在疫情爆发初期，2020年1月至2月，中国股市对疫情消息的反应速度较快。1月20日，钟南山院士确认新冠病毒存在人传人现象，随后市场对疫情的担忧迅速升温，股市出现明显调整。2月3日，春节后首个交易日，A股市场大幅低开，上证指数开盘跌幅超过7%。这表明中国股市在疫情初期对消息的反应较为迅速，投资者能够及时根据疫情的发展调整投资策略。美国股市在2020年2月下旬开始对疫情消息做出反应，道琼斯工业平均指数在2月20日至2月28日期间下跌了11.4%。相比之下，美国股市对疫情消息的反应速度略滞后于中国股市。这可能是因为在疫情初期，美国政府对疫情的重视程度不够，市场对疫情的潜在影响认识不足。随着疫情在美国的迅速扩散，市场对疫情的担忧逐渐加剧，股市才开始大幅下跌。欧洲主要国家股市对疫情消息的反应速度也相对滞后。英国富时100指数在2月20日至3月9日期间才开始出现明显下跌，跌幅达到15.6%。德国DAX指数和法国CAC40指数也在类似时间段出现大幅下跌。欧洲股市反应滞后的原因可能与欧洲国家的疫情防控措施相对缓慢、市场对疫情的传播路径和影响范围的判断存在偏差有关。在疫情持续期间，各国股市对疫情相关消息的反应速度有所不同。当出现疫情好转或疫苗研发进展等利好消息时，股市往往会迅速做出积极反应。例如，2020年11月9日，辉瑞公司宣布其新冠疫苗在大规模试验中显示出超过90%的有效性，消息公布后，全球股市普遍上涨。美国三大股指开盘大幅高开，道琼斯工业平均指数开盘涨幅超过3%。欧洲股市也大幅上涨，富时100指数涨幅超过2%，DAX指数和CAC40指数涨幅均超过3%。中国股市同样受到利好消息的影响，上证指数当日上涨1.86%。这表明在疫情持续期间，股市对重大利好消息的反应较为迅速，市场信心能够得到快速提振。政策干预对股市反应速度产生了重要影响。中国政府在疫情期间迅速出台了一系列政策措施，这些政策措施稳定了市场信心，使得股市对疫情消息的反应更加理性。例如，央行通过公开市场操作释放大量流动性，证监会出台多项举措支持企业发展，这些政策在一定程度上缓解了股市的恐慌情绪，使得股市在面对疫情消息时能够保持相对稳定。美国政府和美联储的政策干预也对股市产生了显著影响。美联储在疫情期间迅速将利率降至接近零的水平，并实施大规模量化宽松政策。这些政策措施在短期内对股市起到了提振作用，股市对政策消息的反应迅速。例如，2020年3月15日，美联储紧急降息100个基点，并启动7000亿美元的量化宽松计划，消息公布后，美国股市在随后的几个交易日出现大幅反弹。然而，政策刺激也带来了一些副作用，如通货膨胀加剧、债务水平上升等，这些问题使得股市的走势更加复杂，对后续政策消息的反应也变得更加谨慎。欧洲央行和各国政府的政策干预同样对股市反应速度产生了影响。欧洲央行通过降息、扩大资产购买规模等措施，为市场提供了流动性支持。各国政府也推出了财政刺激计划，支持企业复工复产。这些政策在一定程度上稳定了股市，但由于欧洲各国在政策协调和实施上存在差异，股市对政策消息的反应存在一定的分化。一些国家的股市对政策消息的反应较为积极，而另一些国家的股市则受到国内经济结构和疫情防控形势的影响，反应相对较弱。总体而言，各国股市对疫情相关消息的反应速度受到多种因素的影响，包括疫情的传播速度、政府的疫情防控措施、市场对疫情的认知程度以及政策干预等。政策干预在稳定股市、调整股市反应速度方面发挥了重要作用，但不同国家的政策效果存在差异，这也导致了各国股市在面对疫情消息时的反应表现出一定的差异。四、联动性实证分析4.1研究方法选择4.1.1动态条件相关模型（DCC-GARCH）动态条件相关模型（DCC-GARCH）由恩格尔（Engle）于2002年提出，该模型能够有效地捕捉金融时间序列的时变波动性和动态相关性，在金融市场联动性研究中得到了广泛应用。DCC-GARCH模型的基本原理基于广义自回归条件异方差（GARCH）模型。传统的GARCH模型主要用于刻画单个金融时间序列的条件方差，即波动率的动态变化。例如，GARCH(1,1)模型的条件方差方程为：\sigma_{t}^{2}=\omega+\alpha\epsilon_{t-1}^{2}+\beta\sigma_{t-1}^{2}，其中\sigma_{t}^{2}表示t时刻的条件方差，\omega为常数项，\alpha和\beta分别为ARCH项和GARCH项的系数，\epsilon_{t-1}^{2}为t-1时刻的残差平方。而DCC-GARCH模型则是在GARCH模型的基础上，进一步考虑了多个金融时间序列之间的动态相关性。假设有n个金融时间序列r_{1t},r_{2t},\cdots,r_{nt}，其均值方程可以表示为：r_{it}=\mu_{it}+\epsilon_{it}，其中\mu_{it}为均值，\epsilon_{it}为残差。每个序列的条件方差\sigma_{it}^{2}可以用GARCH模型进行估计。DCC-GARCH模型通过引入动态条件相关矩阵D_{t}来描述序列之间的相关性。D_{t}是一个时变的对角矩阵，其对角元素为各个序列的条件标准差\sigma_{it}。动态条件相关系数矩阵R_{t}则定义为：R_{t}=diag(Q_{t})^{-1/2}Q_{t}diag(Q_{t})^{-1/2}，其中Q_{t}是一个正定对称矩阵，反映了序列之间的动态相关关系。Q_{t}的估计通常采用如下形式：Q_{t}=(1-\alpha-\beta)\overline{Q}+\alpha\epsilon_{t-1}\epsilon_{t-1}^{'}+\betaQ_{t-1}，这里\overline{Q}是无条件相关矩阵，\alpha和\beta是DCC模型的参数，且满足\alpha+\beta\lt1，以保证Q_{t}的正定和稳定性。DCC-GARCH模型在分析股市收益率动态相关性方面具有显著优势。首先，它能够充分考虑股市波动的时变性和异方差性，更准确地刻画股市之间联动性的动态变化过程。传统的相关性分析方法，如Pearson相关系数，假设相关性是固定不变的，无法反映股市联动性在不同时期的变化。而DCC-GARCH模型通过动态条件相关系数，可以实时捕捉股市之间相关性的变化，为投资者和研究者提供更及时、准确的信息。其次，DCC-GARCH模型可以同时处理多个时间序列，能够全面地分析中国与多个主要发达国家股市之间的联动关系。在研究中国与美国、英国、德国、法国等国家股市的联动性时，该模型可以综合考虑这些国家股市收益率的波动特征和相互关系，揭示它们之间复杂的联动机制。最后，DCC-GARCH模型的估计结果具有良好的统计性质和解释力。通过估计模型参数，可以得到动态条件相关系数的具体数值和变化趋势，便于对股市联动性进行量化分析和比较。例如，当动态条件相关系数较高时，表明两国股市之间的联动性较强，一个市场的波动更容易传导到另一个市场；反之，当动态条件相关系数较低时，说明两国股市之间的联动性较弱，相互影响相对较小。4.1.2格兰杰因果检验格兰杰因果检验由2003年诺贝尔经济学奖获得者克莱夫・格兰杰（CliveW.J.Granger）于1969年提出，是一种用于分析经济变量之间因果关系的常用方法。其核心思想是基于时间序列数据，通过检验一个变量的过去信息是否有助于预测另一个变量的未来值，来判断两个变量之间是否存在因果关系。在时间序列情形下，对于两个经济变量X和Y，格兰杰因果关系的定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。进行格兰杰因果检验需要估计以下两个回归方程：方程（1）：Y_{t}=\sum_{i=1}^{q}\alpha_{i}Y_{t-i}+\sum_{j=1}^{s}\beta_{j}X_{t-j}+\epsilon_{1t}方程（2）：X_{t}=\sum_{i=1}^{q}\delta_{i}X_{t-i}+\sum_{j=1}^{s}\gamma_{j}Y_{t-j}+\epsilon_{2t}其中，\epsilon_{1t}和\epsilon_{2t}为白噪音，假定它们不相关。方程（1）表示当前Y与Y自身以及X的过去值有关；方程（2）表示当前X与X自身以及Y的过去值有关。检验的零假设为：H_{0}:\beta_{1}=\beta_{2}=\cdots=\beta_{s}=0（对于方程（1））和H_{0}:\gamma_{1}=\gamma_{2}=\cdots=\gamma_{s}=0（对于方程（2））。分以下四种情形进行讨论：X是引起Y变化的原因，即存在由X到Y的单向因果关系。若方程（1）中滞后的X的系数估计值在统计上整体显著不为零，同时方程（2）中滞后的Y的系数估计值在统计上整体显著为零，则称X是引起Y变化的原因。Y是引起X变化的原因，即存在由Y到X的单向因果关系。若方程（2）中滞后的Y的系数估计值在统计上整体显著不为零，同时方程（1）中滞后的X的系数估计值在统计上整体显著为零，则称Y是引起X变化的原因。X和Y互为因果关系，即存在由X到Y的单向因果关系，同时也存在由Y到X的单向因果关系。若方程（1）中滞后的X的系数估计值在统计上整体显著不为零，同时方程（2）中滞后的Y的系数估计值在统计上整体显著不为零，则称X和Y间存在反馈关系，或者双向因果关系。X和Y是独立的，或X与Y间不存在因果关系。若方程（1）中滞后的X的系数估计值在统计上整体显著为零，同时方程（2）中滞后的Y的系数估计值在统计上整体显著为零，则称X和Y间不存在因果关系。格兰杰因果检验的步骤如下：将当前的Y对所有的滞后项Y以及别的什么变量（如果有的话）做回归，即Y对Y的滞后项Y_{t-1},Y_{t-2},\cdots,Y_{t-q}及其他变量的回归，但在这一回归中没有把滞后项X包括进来，这是一个受约束的回归。然后从此回归得到受约束的残差平方和RSS_{R}。做一个含有滞后项X的回归，即在前面的回归式中加进滞后项X，这是一个无约束的回归，由此回归得到无约束的残差平方和RSS_{UR}。零假设是H_{0}:\beta_{1}=\beta_{2}=\cdots=\beta_{s}=0，即滞后项X不属于此回归。为了检验此假设，用F检验，即F=\frac{(RSS_{R}-RSS_{UR})/s}{RSS_{UR}/(n-k)}，它遵循自由度为s和(n-k)的F分布。在这里，n是样本容量，s等于滞后项X的个数，即有约束回归方程中待估参数的个数，k是无约束回归中待估参数的个数。如果在选定的显著性水平α上计算的F值超过临界值F_{\alpha}，则拒绝零假设，这样滞后X项就属于此回归，表明X是Y的原因。同样，为了检验Y是否是X的原因，可将变量Y与X相互替换，重复步骤（1）～（5）。在研究中国与主要发达国家股市联动性时，格兰杰因果检验可以帮助判断不同国家股市之间是否存在因果关系以及因果关系的方向。例如，通过对中国上证指数收益率和美国道琼斯工业平均指数收益率进行格兰杰因果检验，可以确定美国股市的波动是否会引起中国股市的波动，或者中国股市的波动是否会对美国股市产生影响，以及两者之间是否存在双向的因果关系。这对于投资者和监管部门了解股市之间的相互作用机制，制定合理的投资策略和监管政策具有重要的参考价值。4.2实证结果与分析4.2.1动态条件相关系数分析利用Eviews软件对中国上证指数与美国道琼斯工业平均指数、英国富时100指数、德国DAX指数、法国CAC40指数的日收益率数据进行DCC-GARCH模型估计，得到中国与主要发达国家股市的动态条件相关系数，结果如图1所示。【此处插入图1：中国与主要发达国家股市动态条件相关系数】从图1可以看出，中国与主要发达国家股市的动态条件相关系数呈现出明显的时变特征。在新冠疫情爆发初期，2020年1月至3月，中国与美国、英国、德国、法国股市的动态条件相关系数均迅速上升。其中，中国与美国股市的动态条件相关系数从2020年1月初的0.2左右上升至3月中旬的0.5左右；中国与英国股市的动态条件相关系数从0.18左右上升至0.45左右；中国与德国股市的动态条件相关系数从0.19左右上升至0.48左右；中国与法国股市的动态条件相关系数从0.17左右上升至0.46左右。这表明在疫情爆发初期，全球股市受到疫情的冲击，投资者恐慌情绪蔓延，市场风险偏好下降，导致中国与主要发达国家股市之间的联动性显著增强。在疫情持续期间，2020年4月至2022年底，中国与主要发达国家股市的动态条件相关系数呈现出