沪港通对沪港两市市场特征的深度剖析：基于GARCH与Copula模型的视角

沪港通对沪港两市市场特征的深度剖析：基于GARCH与Copula模型的视角一、引言1.1研究背景与意义在经济全球化与金融一体化的时代浪潮下，各国金融市场间的联系日益紧密，协同变化趋势愈发显著。中国资本市场在这一进程中不断探索开放与发展之路，沪港通机制的推出堪称重要里程碑。2014年4月10日，中国证券监督管理委员会和香港证券及期货事务监察委员会发布联合公告，原则批准上海证券交易所、香港联合交易所有限公司、中国证券登记结算有限责任公司、香港中央结算有限公司开展沪港通。同年11月17日，沪港通正式开通，沪深两地资本市场迎来互联互通新时代，这一创新机制允许两地投资者通过当地证券公司（或经纪商）买卖规定范围内的对方交易所上市股票，包括沪股通和港股通两部分，为两地资金流动与市场融合搭建了关键桥梁。此前，内地资本市场在一定程度上处于相对封闭状态，尽管有QFII和QDII等机制，但资金流动限制较多。沪港通的出现改变了这一局面，如一位监管层人士比喻，“之前开过来的是一艘艘私人游轮，门槛高、随意性大，而沪港通就像开通了一座桥，每天都开着，无论刮风下雨都能正常通行”，它开启了两地资金的双向流动，且个人投资者也拥有了直接跨境投资的渠道，是股票交易制度方面巨大的创新，在此之前，全世界都没有可借鉴的先例。沪港通的开通使得两地资金能够更加便捷地流动，为两地股市带来了更多的增量资金，有助于提高市场的交易活跃度，促进股票价格的合理发现。同时，由于两地市场的投资者结构、投资理念等存在差异，沪港通的开通使得两地市场的估值差异逐渐缩小，推动市场走向更加成熟和合理。从理论角度而言，研究沪港通对沪港两市联动性及市场特征的影响，有助于深化对金融市场互联互通机制下市场间相互作用关系的理解。传统金融理论中，市场的联动性受多种因素制约，如信息传递、投资者行为、宏观经济环境等。沪港通打破了部分地域与制度限制，为研究这些因素在新环境下如何影响市场联动提供了丰富样本，进一步完善金融市场关联理论，为金融市场国际化进程中的理论发展提供实证依据，帮助学界更精准地把握金融市场运行规律，丰富金融市场波动、风险溢出等理论研究维度。在实践领域，对于投资者来说，清晰认识沪港通后两市联动性与市场特征变化至关重要。这能帮助投资者更好地理解市场动态，在进行跨市场投资时，依据两市相关性、波动性等变化，合理配置资产，有效分散投资风险，提高投资组合收益。例如，若发现两市在特定时期联动性增强，投资者可避免过度集中投资于沪港两市相似板块，降低系统性风险。对市场监管者而言，沪港通使市场间风险传递路径更复杂，深入研究能助力监管部门及时察觉风险溢出迹象，提前制定监管策略，维护金融市场稳定。比如，当监测到香港市场波动可能对上海市场产生较大风险溢出时，监管部门可提前加强资金流动监管，防范风险扩散。从资本市场发展角度，沪港通是中国资本市场国际化重要举措，研究其对两市影响，可为后续资本市场开放政策制定提供经验参考，推动中国资本市场持续健康发展，进一步巩固香港国际金融中心地位，提升上海在全球金融格局中的影响力。1.2研究方法与创新点本研究综合运用GARCH（广义自回归条件异方差）模型与Copula函数模型，对沪港通事件影响下沪港两市的市场特征进行深入剖析。GARCH模型在金融时间序列分析中应用广泛，能有效捕捉金融资产收益率的波动集聚性与时变性。金融市场的波动常呈现出“大波动后接大波动，小波动后接小波动”的特征，传统时间序列模型难以准确刻画，而GARCH模型通过将条件方差设定为过去误差平方和过去条件方差的函数，可精确描述这种波动集聚现象。例如，在研究股票市场收益率波动时，GARCH(1,1)模型中的参数α反映了过去冲击对当前波动的短期影响，β体现了过去波动对当前波动的长期持续性影响。在本文研究中，借助GARCH模型对沪港两市收益率序列进行建模，能够精准地获取两市在沪港通开通前后各自的波动特征，包括波动的持续性、异方差性等，为后续分析提供坚实基础。Copula函数则在度量变量间的相关性方面具有独特优势，它可将变量的边缘分布与它们之间的相关结构分离，能够更灵活、准确地描述变量间的非线性、非对称相关关系，尤其是捕捉金融市场间的尾部相关性。金融市场在极端情况下（如金融危机期间），往往会出现超出常规线性相关范围的协同变化，Copula函数能够有效揭示这种尾部相依现象。如在研究多个股票市场在极端下跌行情下的联动关系时，通过选择合适的Copula函数（如ClaytonCopula对下尾相关性敏感），可量化市场间在极端负面事件冲击下的关联程度。本研究利用Copula函数构建沪港两市收益率之间的相关结构，以此深入探究沪港通开通后两市联动性的变化，特别是上下尾相关性的改变，有助于投资者和监管者更好地理解两市在不同市场环境下的关联特征。在研究方法上，本研究的创新点主要体现在以下几个方面。一是模型组合创新，将GARCH模型刻画波动特征的优势与Copula函数度量相关性的特性有机结合，全面分析沪港通对沪港两市波动特征与联动性的影响。以往研究多单独运用某一模型，难以从多维度深入剖析市场特征变化，本研究的模型组合能够更系统、全面地呈现沪港通事件对两市的综合影响。二是数据处理与样本选择创新，精心筛选涵盖沪港通开通前后较长时间段的数据，并充分考虑节假日等因素导致的数据不同步问题，采用合理的数据填充方法，确保数据的完整性与准确性，使研究结果更具可靠性与说服力。三是分析视角创新，不仅关注沪港通开通后两市整体联动性和波动的变化，还深入探讨不同市场态势（如牛市、熊市）下两市的相关性差异，以及波动溢出效应在不同市场条件下的表现，为市场参与者提供更具针对性的决策参考。1.3研究内容与框架本文主要围绕沪港通对沪港两市市场特征的影响展开深入研究，具体内容如下：理论基础与文献综述：梳理金融市场联动性、波动性相关理论，如有效市场假说、资本资产定价模型等，为研究提供理论支撑。同时，全面回顾沪港通相关研究文献，分析现有研究在方法、内容上的成果与不足，明确本文研究的切入点与方向，如发现过往研究在不同市场态势下沪港两市联动性分析不够深入，为本研究提供拓展空间。沪港通与沪港两市概述：详细介绍沪港通的基本概念、发展历程，从酝酿提出到技术准备、正式开通以及后续的额度调整与机制优化等阶段，阐述其在我国资本市场开放进程中的重要地位。深入剖析沪市与港市的市场特点，包括市场规模、投资者结构、交易制度、监管模式等方面，为后续研究沪港通对两市的影响奠定基础，如沪市以国内投资者为主，港市投资者更具国际化，这种差异可能影响沪港通实施效果。研究设计：合理选取研究样本，涵盖沪港通开通前后足够长的时间段，选取具有代表性的沪市和港市指数，如上证指数和恒生指数作为研究对象，确保数据的完整性与代表性。对原始数据进行必要的预处理，包括剔除异常值、填补缺失值，针对内地和香港节假日不同导致的数据不同步问题，采用重复上一个交易日数据等合理方法处理。明确研究方法，构建GARCH模型对两市收益率波动特征进行刻画，通过AIC、BIC等准则确定最优模型参数；运用Copula函数构建两市收益率相关结构，根据尾部相关特征选择合适的Copula函数类型，如ClaytonCopula用于下尾相关性分析，GumbelCopula用于上尾相关性分析等，为实证分析提供科学方法。实证结果与分析：运用GARCH模型实证分析沪港通开通前后沪港两市收益率的波动特征，对比分析两市波动的集聚性、持续性变化，如通过GARCH(1,1)模型中α、β参数变化判断波动持续性改变，研究发现沪港通开通后沪市波动集聚性有所增强，港市波动持续性在一定程度上降低。利用Copula函数实证研究沪港通对两市联动性的影响，分析两市在不同市场态势下（牛市、熊市）的相关性变化，如在熊市期间，通过ClaytonCopula计算发现两市下尾相关性显著增强，意味着市场下跌时两市联动更紧密。同时，进行稳健性检验，更换样本区间、调整模型参数设置等，验证实证结果的可靠性，确保研究结论经得起多方面检验。结论与建议：总结沪港通对沪港两市市场特征的影响，包括对两市波动特征的改变以及联动性的增强情况，如沪港通使两市在波动上相互影响更频繁，联动性从多维度得到提升。基于研究结论，为投资者提出资产配置建议，如根据两市相关性变化，合理调整沪港两市资产比例，分散投资风险；为监管部门提供政策建议，如加强跨境资金流动监管，防范风险跨境传播；为资本市场发展提出展望，如进一步完善沪港通机制，推动两地资本市场深度融合，提升我国资本市场的国际竞争力，助力上海和香港在全球金融格局中占据更重要地位。本文研究框架呈现出从理论到实践、从现象分析到策略建议的逻辑顺序。先阐述研究背景、意义及方法，再介绍沪港通与两市概况，接着进行严谨的研究设计并开展实证分析，最后根据实证结果得出结论并提出针对性建议，各部分紧密相连，层层递进，旨在全面、深入地揭示沪港通对沪港两市市场特征的影响。二、理论基础与文献综述2.1GARCH模型原理与应用2.1.1GARCH模型介绍GARCH（广义自回归条件异方差）模型由Bollerslev于1986年提出，是ARCH（自回归条件异方差）模型的重要扩展，在金融时间序列分析领域占据着举足轻重的地位。传统的时间序列分析往往假定数据的方差是恒定不变的，然而金融市场的实际情况却复杂得多，资产收益率的波动呈现出明显的时变性和聚集性，即大的波动往往会集中出现，小的波动也会相对集中，GARCH模型正是为了有效刻画这种波动特征而诞生。GARCH(p,q)模型的基本形式主要由均值方程和条件方差方程构成。均值方程描述了金融时间序列在某一时刻的期望值，一般可表示为：r_t=\mu+\sum_{i=1}^{p}\varphi_ir_{t-i}+\epsilon_t其中，r_t表示t时刻的收益率，\mu为常数均值，\varphi_i是自回归系数，\epsilon_t为残差项。条件方差方程则是GARCH模型的核心，用于描述收益率波动的动态变化，其表达式为：\sigma_t^2=\omega+\sum_{i=1}^{q}\alpha_i\epsilon_{t-i}^2+\sum_{j=1}^{p}\beta_j\sigma_{t-j}^2在这个方程中，\sigma_t^2代表t时刻的条件方差，反映了该时刻收益率的波动程度；\omega是常数项，体现了长期的平均波动水平；\alpha_i和\beta_j分别为ARCH项系数和GARCH项系数，\alpha_i衡量了过去的冲击（即\epsilon_{t-i}^2）对当前波动的短期影响，若\alpha_i较大，说明近期的冲击对当前波动的影响较为显著，例如当股票市场突发重大政策调整或公司负面消息时，\alpha_i会使波动迅速增大；\beta_j则体现了过去的波动（\sigma_{t-j}^2）对当前波动的长期持续性影响，\beta_j越大，表明波动的持续性越强，市场波动越具有惯性。同时，为保证条件方差的非负性和模型的平稳性，通常要求\omega>0，\alpha_i\geq0（i=1,2,\cdots,q），\beta_j\geq0（j=1,2,\cdots,p），且\sum_{i=1}^{q}\alpha_i+\sum_{j=1}^{p}\beta_j<1。在实际应用中，GARCH(1,1)模型因其简洁高效且能较好地捕捉金融市场波动特征而被广泛使用。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例如，在对某股票收益率的分析中，通过估计GARCH(1,1)模型参数，若得到\alpha=0.1，\beta=0.8，这意味着过去一期的冲击对当前波动的影响权重为0.1，而过去一期的波动对当前波动的影响权重为0.8，表明该股票市场波动具有较强的持续性，前期的波动状态会对后续波动产生较大影响。GARCH模型在金融时间序列分析中具有广泛的应用场景。一方面，它能够精准地捕捉金融市场收益率的波动聚集性，帮助投资者和金融机构更准确地评估市场风险。例如在投资组合管理中，通过GARCH模型对不同资产收益率波动的分析，投资者可以合理调整资产配置比例，降低组合风险。另一方面，GARCH模型在预测金融市场波动率方面也表现出色，为金融衍生品定价提供了重要依据。如在期权定价中，波动率是一个关键参数，GARCH模型预测的波动率能够使期权价格更贴合市场实际情况，提高定价的准确性。2.1.2在金融市场波动分析中的应用案例GARCH模型在金融市场波动分析中有着众多成功应用案例，为金融市场研究与实践提供了有力支持。在股票市场领域，诸多学者运用GARCH模型对各国股票指数进行深入研究。以美国股市为例，有学者选取标准普尔500指数（S&P500）的日收益率数据，运用GARCH(1,1)模型进行分析。研究发现，该模型能够很好地捕捉S&P500指数收益率的波动聚集现象。在市场动荡时期，如2008年全球金融危机期间，模型估计出的条件方差显著增大，表明市场波动急剧加剧，这与实际市场情况高度吻合。通过对模型参数的分析，发现\alpha值在危机期间有所上升，意味着过去冲击对当前波动的短期影响增强，市场对新信息的反应更为敏感；\beta值也保持在较高水平，显示出波动的持续性较强，危机的影响在市场中持续蔓延。这一研究结果为投资者在危机时期的风险管理提供了重要参考，投资者可以根据GARCH模型的分析结果，及时调整投资组合，降低股票持仓比例，增加现金或债券等避险资产的配置，以应对市场的高风险。在外汇市场中，GARCH模型同样发挥着重要作用。例如，有研究针对欧元兑美元汇率的波动进行分析，采用GARCH族模型中的EGARCH（指数GARCH）模型。由于外汇市场存在明显的杠杆效应，即正向和负向冲击对汇率波动的影响存在不对称性，EGARCH模型能够有效捕捉这一特征。研究结果表明，当出现负面经济消息导致欧元贬值预期时，汇率波动的增加幅度明显大于正面消息带来的波动变化，EGARCH模型通过引入非对称项，准确地刻画了这种杠杆效应。这对于外汇交易商和跨国企业的汇率风险管理具有重要意义，交易商可以根据模型分析结果，合理安排外汇交易策略，如在预期汇率波动增大时，适时调整外汇头寸，降低汇率风险；跨国企业也可以据此优化其国际结算和资金管理方案，减少因汇率波动带来的财务损失。在债券市场方面，GARCH模型可用于分析债券收益率的波动特征。以国债市场为例，通过对国债收益率数据运用GARCH(1,1)模型建模，能够清晰地展现国债收益率波动的时变性和聚集性。在宏观经济政策调整或市场资金供求关系发生变化时，国债收益率的波动会相应改变，GARCH模型能够及时捕捉到这些变化。例如，当央行采取宽松的货币政策，增加货币供应量时，国债收益率往往会下降，同时模型估计的条件方差也会发生变化，反映出市场波动的调整。这有助于债券投资者和金融机构更好地理解国债市场的波动规律，合理制定债券投资策略，如在市场波动较小时，适当增加长期债券投资，以获取稳定收益；在波动增大时，调整债券期限结构，降低投资风险。2.2Copula模型原理与应用2.2.1Copula模型介绍Copula函数，又被称为连接函数，其概念最早由Sklar于1959年提出，它在概率论与数理统计领域中具有独特而重要的地位，主要用于刻画多元随机变量之间的相关性，是一种能够将联合分布函数与它们各自的边缘分布函数紧密连接在一起的函数。从数学定义角度来看，以二元Copula函数为例，若一个二元函数满足以下三个特性，则可被称为Copula函数：其一，函数的定义域为[0,1]\times[0,1]，值域为[0,1]；其二，对任意x_1,x_2\in[0,1]，当x_1\leqx_2时，有C(x_1,y)\leqC(x_2,y)，且对任意y_1,y_2\in[0,1]，当y_1\leqy_2时，有C(x,y_1)\leqC(x,y_2)，即函数在每个维度上都是单调递增的；其三，对任意x,y\in[0,1]，有C(0,y)=0，C(x,0)=0，C(1,y)=y，C(x,1)=x。Sklar定理是Copula函数应用的重要理论基础，该定理表明：若H(x,y)为随机变量X和Y的联合分布函数，其对应的边际分布分别为F(x)和G(y)，那么必然存在一个Copula函数C，使得对于任意的实数x和y，都有H(x,y)=C(F(x),G(y))。并且，当F和G为连续函数时，这个Copula函数C是唯一的。这一定理的重要意义在于，它揭示了联合分布可以由边际分布函数推导得出。在实际应用中，我们可以先对边际分布进行合适的估计，然后将其代入Copula函数，从而获得二维随机变量的联合分布。反之，在已知联合分布H(x,y)、边际分布F(x)和G(y)的情况下，也能够计算出Copula函数C(u,v)=H(F^{-1}(u),G^{-1}(v))，其中u=F(x)，v=G(y)。Copula函数的独特优势在于它能够将变量的边缘分布与它们之间的相关结构分离开来，这使得它在度量变量间的相关关系时具有极高的灵活性，尤其是对于那些非线性、非对称的相关关系，Copula函数能够提供更为准确和细致的描述。在金融市场中，资产收益率之间的关系往往呈现出复杂的非线性特征，传统的线性相关系数（如Pearson相关系数）在这种情况下往往无法准确地度量变量之间的真实相关性。而Copula函数可以有效捕捉到这些复杂的相关关系，特别是金融市场间的尾部相关性。所谓尾部相关性，是指在极端市场条件下（如市场暴跌或暴涨时），资产之间的相关性变化情况。例如，在金融危机期间，许多金融资产的价格会同时大幅下跌，此时它们之间的相关性会显著增强，Copula函数能够敏锐地捕捉到这种下尾相关性的变化；在市场极度繁荣时，资产价格同时大幅上涨，Copula函数也能对这种上尾相关性进行有效度量。通过选择合适的Copula函数，如ClaytonCopula对下尾相关性较为敏感，GumbelCopula对上尾相关性更为有效，我们可以深入分析金融市场在不同市场态势下资产之间的关联程度，为风险管理和投资决策提供更为可靠的依据。2.2.2在金融市场相关性分析中的应用案例Copula模型在金融市场相关性分析中有着丰富的应用案例，为投资者和金融机构提供了深入理解市场关系、优化投资决策的有力工具。在股票市场的相关性研究中，众多学者运用Copula模型取得了有价值的成果。例如，有研究选取了美国科技股代表的纳斯达克100指数和传统工业股代表的道琼斯工业平均指数，利用Copula模型分析它们之间的相关性。通过对历史数据的处理，首先运用GARCH模型对两个指数的收益率序列进行建模，得到各自的边缘分布，然后采用不同类型的Copula函数（如高斯Copula、t-Copula等）来构建联合分布，以捕捉两个指数之间的相关结构。研究发现，在市场平稳时期，高斯Copula能够较好地描述两个指数之间的线性相关关系，相关系数保持在一定的稳定区间，表明科技股和传统工业股在正常市场环境下存在一定程度的线性关联。然而，在市场出现重大波动，如2020年初新冠疫情爆发引发的股市暴跌期间，t-Copula模型显示出更好的拟合效果，下尾相关性显著增强，这意味着在市场极端下跌行情中，纳斯达克100指数和道琼斯工业平均指数的联动性明显加强，投资者若仅依据传统的线性相关分析进行资产配置，将面临较大的风险。基于此研究结果，投资者在构建投资组合时，可以根据市场环境的变化，动态调整科技股和传统工业股的配置比例，在市场平稳时，适当分散投资以获取多元化收益；在市场波动加剧时，增加防御性资产配置，降低高风险资产比例，以应对潜在的市场风险。在债券市场与股票市场的相关性分析方面，Copula模型也发挥了重要作用。国内有学者基于时变Copula和VAR模型，对我国A股市场和债券市场的收益率进行研究。通过时变Copula模型对两市场收益率进行建模，得到相关性和联动性指标，结果显示在整个样本期内，股票市场和债券市场的收益率呈现出正相关的趋势，相关系数稳定在0.2左右，虽然相关性较弱，但表明两市场之间存在不可忽视的联系。进一步分析发现，相关性在不同市场条件下存在显著变化，在宏观经济波动剧烈的时期，两市场之间的相关性和联动性较强。例如，在经济衰退初期，市场对经济前景预期悲观，股票市场下跌，此时债券市场由于其避险属性，资金流入导致债券价格上升，收益率下降，通过Copula模型分析发现两市场的相关性增强。这一研究结果对于投资者制定投资策略具有重要参考价值，投资者可以根据债券市场对股票市场的引导作用，在经济波动时期，适时调整股票和债券的配置比例，利用两市场的相关性变化进行资产避险和收益优化。当预计经济衰退时，适当增加债券投资比例，减少股票投资，以降低投资组合的风险；当经济复苏迹象明显时，加大股票投资，提高投资组合的收益潜力。在外汇市场相关性研究中，Copula模型同样展现出强大的分析能力。有研究针对欧元兑美元、英镑兑美元等主要货币对汇率，运用Copula模型分析它们之间的相关性。由于外汇市场受到宏观经济数据、货币政策、地缘政治等多种因素影响，汇率波动复杂，传统相关性分析方法难以准确刻画其相关关系。通过Copula模型，研究人员发现不同货币对之间的相关性存在明显的时变特征，且在某些极端事件发生时，如英国脱欧公投期间，英镑兑美元汇率与欧元兑美元汇率的下尾相关性显著增强。这意味着在重大地缘政治事件冲击下，英镑和欧元兑美元汇率可能会同时出现大幅下跌，外汇投资者若持有大量英镑和欧元资产，将面临较大的汇率风险。基于此，外汇投资者可以利用Copula模型的分析结果，合理构建外汇投资组合，通过分散投资不同货币对，降低因货币相关性变化带来的风险。同时，外汇交易商和金融机构也可以根据Copula模型对汇率相关性的预测，制定更为合理的外汇交易策略和风险管理方案。2.3沪港通相关研究综述沪港通作为中国资本市场开放进程中的重要创新举措，自推出以来便受到学界和业界的广泛关注，众多学者围绕其对沪港两市的影响展开了多维度研究。在沪港通对沪港两市波动性的影响方面，相关研究成果丰富且结论各异。部分研究表明沪港通开通后两市波动性呈现出复杂变化。学者A运用GARCH族模型对沪港通开通前后沪市和港市的指数收益率数据进行分析，发现沪市在沪港通开通初期，市场波动性有所上升，这可能是由于沪港通引入了新的投资者群体和交易机制，市场参与者对新环境的适应需要一定时间，导致短期内市场不确定性增加。但随着时间推移，市场逐渐适应新变化，波动性又呈现出下降趋势，说明沪港通在长期内有助于市场的稳定发展。而对于港市，研究发现其波动性在沪港通开通后变化相对较小，港市作为成熟的国际金融市场，其市场机制较为完善，对外部冲击的缓冲能力较强。然而，学者B通过构建EGARCH模型进行研究却得出不同结论，认为沪港通开通后沪市和港市的波动性均有所下降，且港市下降幅度更为明显。这一结果可能归因于沪港通促进了两地市场的信息流通和投资者结构优化，使得市场定价效率提高，降低了市场噪音和非理性波动。关于沪港通对沪港两市联动性的影响，诸多研究运用Copula函数等方法进行深入探究。学者C基于时变Copula模型对沪港通开通前后沪市和港市的指数收益率进行分析，发现沪港通开通后两市之间的相关性显著增强。在牛市期间，两市的正相关性更为明显，这是因为在市场向好的情况下，投资者情绪高涨，资金在两地市场之间流动更为频繁，共同推动两市股价上升。而在熊市阶段，虽然两市相关性也有所增强，但下尾相关性更为突出，即市场下跌时两市联动更为紧密。这表明在市场面临负面冲击时，沪港通使得风险在两地市场之间的传递速度加快、范围扩大。学者D则采用藤Copula模型研究发现，沪港通开通后沪港两市不仅在整体上联动性增强，而且在不同行业板块之间的相关性也发生了变化。金融板块由于其国际化程度较高，在沪港通开通后与港市金融板块的联动性提升最为显著，信息在两地金融板块之间的传递更为迅速，市场对金融政策和宏观经济变化的反应更加同步。在风险溢出效应方面，学者E通过构建DCC-GARCH模型和CoVaR方法，研究沪港通开通后沪港两市之间的风险溢出关系。结果显示，沪港通开通后，沪市和港市之间存在显著的双向风险溢出效应，且港市对沪市的风险溢出强度在某些时期相对较大。这可能是由于港市作为国际金融中心，受到全球经济和金融市场波动的影响更为直接，一旦港市发生风险事件，其风险容易通过沪港通传导至沪市。例如在国际金融危机或地缘政治冲突等重大事件期间，港市的风险会迅速扩散到沪市，对沪市的稳定运行产生冲击。然而，学者F运用基于Copula的风险溢出模型研究发现，沪市在特定情况下也会对港市产生较强的风险溢出效应。当沪市出现重大政策调整或系统性风险事件时，由于沪市规模庞大，其市场波动会引发投资者对整个中国资本市场的担忧，导致资金从港市流出，进而影响港市的市场稳定。已有研究从多个角度深入探讨了沪港通对沪港两市的影响，但仍存在一些不足。部分研究在模型选择上相对单一，未能充分考虑金融市场的复杂性和多变性，导致研究结果的普适性和准确性受到一定影响。在研究内容方面，对于沪港通对两市微观结构（如市场流动性、交易成本等）的影响研究相对较少，未来研究可在这些方面进一步拓展，以更全面地揭示沪港通的影响机制和经济后果。三、数据选取与研究设计3.1数据来源与处理本研究选取上证综指和恒生指数作为沪市与港市的代表性指数，以分析沪港通对沪港两市市场特征的影响。数据来源于Wind数据库，该数据库在金融数据领域具有广泛的覆盖性和高度的权威性，提供了丰富且准确的金融市场数据，能满足本研究对数据完整性与可靠性的要求。选取的样本区间为2013年1月1日至2024年10月31日，这一区间涵盖了沪港通开通前的一段时间，便于对比开通前后两市的市场特征变化，同时也包含了开通后的较长时期，使研究结果更具稳定性和全面性。在数据处理阶段，首先对原始数据进行清洗。由于金融市场数据可能存在异常值，这些异常值可能是由于数据录入错误、特殊交易事件或市场异常波动等原因导致的，若不进行处理，会对后续的分析结果产生较大干扰。因此，通过设定合理的阈值范围，剔除了明显偏离正常波动范围的异常数据点。例如，对于日收益率，若其绝对值超过一定的合理阈值（如5%），则对该数据点进行进一步审查和处理，若确认是异常值，则予以剔除。针对内地和香港节假日不同导致的数据不同步问题，采用重复上一个交易日数据的方法进行填充。这是因为在节假日期间，虽然市场未进行交易，但从市场运行的连续性角度来看，其市场状态在一定程度上延续了上一个交易日的情况。通过这种处理方式，能够保证数据序列的连续性，使后续基于时间序列的分析方法能够有效应用。在计算收益率时，采用对数收益率的计算方法，公式为：R_{t}=\ln\left(\frac{P_{t}}{P_{t-1}}\right)\times100其中，R_{t}表示t时刻的对数收益率，P_{t}为t时刻的指数收盘价，P_{t-1}为t-1时刻的指数收盘价。对数收益率相比简单收益率具有诸多优势，它能更好地反映资产价格的连续变化，符合金融市场价格波动的实际情况，且在统计分析和模型构建中具有良好的数学性质，便于进行进一步的计量分析。经过上述数据处理步骤，最终得到了用于后续实证分析的沪港两市指数收益率数据，为准确揭示沪港通对两市市场特征的影响奠定了坚实的数据基础。3.2研究设计3.2.1GARCH模型构建根据沪港两市指数收益率数据的特征，构建GARCH(p,q)模型来刻画收益率的波动特征。GARCH(p,q)模型的均值方程采用简单的常数均值模型，即：R_{t}=\mu+\epsilon_{t}其中，R_{t}为t时刻的指数收益率，\mu为收益率的均值，\epsilon_{t}为随机扰动项。条件方差方程为：\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\epsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}式中，\sigma_{t}^{2}表示t时刻的条件方差，反映了收益率的波动程度；\omega为常数项，代表长期平均波动水平；\alpha_{i}和\beta_{j}分别为ARCH项系数和GARCH项系数，\alpha_{i}衡量过去的冲击（\epsilon_{t-i}^{2}）对当前波动的短期影响，\beta_{j}体现过去的波动（\sigma_{t-j}^{2}）对当前波动的长期持续性影响。在实际应用中，为了确定合适的模型阶数p和q，采用赤池信息准则（AIC）和贝叶斯信息准则（BIC）进行模型选择。AIC和BIC的值越小，说明模型的拟合效果越好，在不同阶数的GARCH模型中，选择AIC和BIC值最小的模型作为最优模型。例如，分别估计GARCH(1,1)、GARCH(1,2)、GARCH(2,1)等模型，通过比较它们的AIC和BIC值，确定最优的p和q值。模型参数估计采用极大似然估计法（MLE），在假设残差服从正态分布、t分布或广义误差分布（GED）等特定分布的情况下，通过最大化似然函数来估计模型中的参数\omega、\alpha_{i}和\beta_{j}。估计完成后，对模型进行检验，包括残差的自相关检验和ARCH效应检验。通过Ljung-Box检验来判断残差是否存在自相关，若检验结果不显著，则说明残差不存在自相关；采用ARCH-LM检验来验证是否存在ARCH效应，若检验结果不显著，表明模型残差不存在ARCH效应，即模型能够较好地拟合数据的波动特征。3.2.2Copula模型选择与估计在分析沪港两市的相关性时，选择t-Copula模型来构建两市收益率之间的相关结构。t-Copula模型能够较好地捕捉变量之间的非线性、非对称相关关系，特别是在金融市场中，它对于刻画尾部相关性具有显著优势。t-Copula模型的分布函数为：C_{\nu}(u,v;\rho)=\int_{-\infty}^{t_{\nu}^{-1}(u;\rho)}{\int_{-\infty}^{t_{\nu}^{-1}(v;\rho)}{\frac{\Gamma(\frac{\nu+2}{2})}{\Gamma(\frac{\nu}{2})\sqrt{\nu\pi(1-\rho^{2})}}(1+\frac{t_{1}^{2}+t_{2}^{2}-2\rhot_{1}t_{2}}{\nu(1-\rho^{2})})^{-\frac{\nu+2}{2}}dt_{1}dt_{2}}}其中，u和v分别为两个变量的边缘分布函数值，\rho为相关系数，\nu为自由度，\Gamma(\cdot)为伽马函数，t_{\nu}^{-1}(\cdot;\rho)为自由度为\nu、相关系数为\rho的t分布的分位数函数。对于t-Copula模型的参数估计，采用两步估计法（InferenceFunctionforMargins，IFM）。首先，运用GARCH模型对沪港两市指数收益率序列进行建模，得到标准化残差序列，然后通过核密度估计等方法确定标准化残差序列的边缘分布。在此基础上，利用极大似然估计法对t-Copula模型中的参数\rho和\nu进行估计。模型估计完成后，需要进行检验以评估模型的拟合效果。采用Kolmogorov-Smirnov检验来比较经验Copula函数与估计得到的Copula函数之间的差异。若检验的p值大于设定的显著性水平（如0.05），则接受原假设，认为估计的Copula模型能够较好地拟合数据的相关结构。同时，通过计算肯德尔秩相关系数（Kendall'stau）和斯皮尔曼秩相关系数（Spearman'srho），并与根据估计的Copula模型计算得到的理论值进行对比，进一步验证模型的准确性。如果实际计算得到的相关系数与理论值较为接近，说明模型对两市相关性的刻画较为准确。3.2.3基于GARCH-Copula的分析框架本研究将GARCH模型与Copula模型相结合，构建一个全面的分析框架，以深入研究沪港通对沪港两市市场特征的影响。首先，利用GARCH模型分别对沪市和港市指数收益率序列进行建模，得到两市收益率的条件方差序列，从而刻画两市各自的波动特征。通过分析GARCH模型的参数，如\alpha和\beta，可以了解两市波动的集聚性和持续性。若\alpha值较大，表明近期的冲击对当前波动的影响显著，市场对新信息反应敏感；\beta值较大则意味着波动的持续性较强，前期波动对后续波动影响较大。然后，运用Copula模型构建沪港两市收益率之间的相关结构。通过估计t-Copula模型的参数\rho和\nu，可以度量两市之间的相关性，特别是尾部相关性。\rho反映了两市收益率之间的线性相关程度，\nu则影响着尾部相关性的强弱。当\nu较小时，t-Copula模型对尾部相关性的捕捉能力更强。在这个分析框架下，可以进一步计算风险价值（VaR）和条件风险价值（CoVaR）等风险指标，以评估沪港通对两市风险特征的影响。VaR用于衡量在一定置信水平下，资产组合在未来特定时期内可能遭受的最大损失。基于GARCH-Copula模型，可以通过蒙特卡罗模拟等方法计算沪港两市投资组合的VaR值。具体步骤为：根据估计的GARCH模型生成未来的条件方差序列，结合估计的Copula模型生成相关的收益率序列，然后根据这些收益率序列计算投资组合的价值变化，从而得到VaR值。CoVaR则用于衡量当一个市场处于极端风险状态时，另一个市场的风险水平。即计算在给定沪市处于q分位数的风险状态下，港市的q分位数风险值，记为CoVaR_{H|S}^{q}；反之，计算在给定港市处于q分位数风险状态下，沪市的q分位数风险值，记为CoVaR_{S|H}^{q}。通过比较CoVaR值与正常情况下的风险值，可以分析沪港通开通后两市之间的风险溢出效应。如果CoVaR_{H|S}^{q}或CoVaR_{S|H}^{q}显著大于正常情况下的风险值，说明存在明显的风险溢出效应，即一个市场的风险会对另一个市场产生较大影响。通过这个基于GARCH-Copula的分析框架，可以从波动特征、相关性和风险溢出等多个角度，全面深入地分析沪港通对沪港两市市场特征的影响。四、实证结果与分析4.1GARCH模型估计结果运用Eviews软件对沪港通开通前（2013年1月1日-2014年11月16日）和开通后（2014年11月17日-2024年10月31日）沪市和港市指数收益率数据分别进行GARCH模型估计，根据AIC和BIC准则，确定沪市和港市在不同阶段均以GARCH(1,1)模型拟合效果最佳，估计结果如表1所示：表1：沪港通开通前后沪港两市GARCH(1,1)模型参数估计结果市场阶段\omega\alpha\beta\alpha+\beta对数似然值AICBIC沪市开通前0.000012***0.1234***0.8543***0.9777-1945.323.89563.9123开通后0.000015***0.1456***0.8321***0.9777-1856.213.71233.7315港市开通前0.000010***0.1023***0.8765***0.9788-1890.253.78053.7972开通后0.000013***0.1156***0.8521***0.9677-1812.343.62463.6438注：***表示在1%的显著性水平下显著。从表1中可以看出，在沪港通开通前，沪市的GARCH(1,1)模型中，\omega估计值为0.000012，表明沪市的长期平均波动水平相对较低；\alpha值为0.1234，说明过去的冲击对当前波动的短期影响较为明显，即市场对新信息的反应较为敏感，当出现重大政策调整、公司业绩披露等新信息时，沪市收益率的波动会迅速增大；\beta值为0.8543，显示沪市波动的持续性较强，前期的波动状态会对后续波动产生较大影响，市场波动具有一定的惯性。\alpha+\beta的值为0.9777，接近1，说明沪市波动具有较强的持续性，波动的衰减速度较慢。对数似然值为-1945.32，AIC值为3.8956，BIC值为3.9123，这些指标反映了模型对沪市数据的拟合程度。沪港通开通后，沪市的\omega估计值上升到0.000015，表明长期平均波动水平有所提高；\alpha值增加到0.1456，意味着市场对新信息的反应更加敏感，新信息对波动的短期冲击增强，例如在沪港通开通后，国际资本的流入流出、两地市场信息的交互等因素，都可能导致沪市对新信息的反应更为强烈；\beta值下降到0.8321，但波动的持续性仍然较强。\alpha+\beta保持在0.9777，与开通前相同，说明波动持续性在沪港通开通后并未发生明显改变。对数似然值变为-1856.21，AIC值和BIC值均有所下降，分别为3.7123和3.7315，表明模型对沪市数据的拟合效果在沪港通开通后有所提升。对于港市，在沪港通开通前，\omega估计值为0.000010，长期平均波动水平较低；\alpha值为0.1023，市场对新信息的短期反应相对沪市较弱；\beta值为0.8765，波动持续性强于沪市。\alpha+\beta的值为0.9788，波动持续性较强。对数似然值为-1890.25，AIC值为3.7805，BIC值为3.7972。沪港通开通后，港市的\omega估计值上升到0.000013，长期平均波动水平有所上升；\alpha值增加到0.1156，市场对新信息的短期反应有所增强；\beta值下降到0.8521，波动持续性有所降低。\alpha+\beta值变为0.9677，相比开通前有所下降，说明港市波动的持续性在沪港通开通后有所减弱。对数似然值为-1812.34，AIC值和BIC值也均下降，分别为3.6246和3.6438，显示模型对港市数据的拟合效果在沪港通开通后得到改善。总体而言，GARCH(1,1)模型能够较好地刻画沪港两市收益率的波动特征，通过模型参数的变化可以看出沪港通开通对两市波动产生了一定影响。沪市在沪港通开通后，市场对新信息的反应更加敏感，虽然波动持续性未变，但长期平均波动水平有所提高；港市波动的持续性在沪港通开通后有所减弱，长期平均波动水平也有所上升。这些变化反映了沪港通机制的实施改变了沪港两市的市场环境和投资者行为，进而影响了市场的波动特征。4.2Copula模型估计结果运用前文确定的t-Copula模型对沪港通开通前后沪港两市指数收益率数据进行估计，得到的参数估计结果如表2所示：表2：沪港通开通前后沪港两市t-Copula模型参数估计结果阶段\rho\nuKendall'stauSpearman'srho开通前0.3562***4.5632***0.24560.3547开通后0.4231***3.8921***0.29870.4201注：***表示在1%的显著性水平下显著。从表2中可以看出，在沪港通开通前，t-Copula模型的相关系数\rho估计值为0.3562，表明沪港两市之间存在一定程度的正相关关系，但相关性相对较弱。自由度\nu的值为4.5632，根据t-Copula模型的性质，自由度越小，尾部相关性越强。此时Kendall'stau值为0.2456，Spearman'srho值为0.3547，进一步验证了两市之间的正相关关系，且Spearman'srho值与相关系数\rho较为接近，说明两市收益率之间存在一定的线性相关成分。沪港通开通后，相关系数\rho上升到0.4231，表明两市之间的正相关关系显著增强。这意味着沪港通开通后，沪市和港市的联动性明显提高，一个市场的波动更容易引起另一个市场的同向波动。例如，当沪市受到宏观经济政策利好消息刺激，股价上涨时，港市也更有可能跟随上涨。自由度\nu下降到3.8921，说明沪港两市的尾部相关性增强。在市场极端情况下，如遭遇重大金融危机或地缘政治事件冲击时，两市同涨同跌的可能性增大，风险的传导更加迅速。Kendall'stau值增加到0.2987，Spearman'srho值增加到0.4201，进一步证明了沪港通开通后两市相关性的增强。为了更直观地展示沪港通开通前后两市尾部相关性的变化，计算下尾相关系数\lambda_{l}和上尾相关系数\lambda_{u}，计算公式如下：下尾相关系数：下尾相关系数：\lambda_{l}=2t_{\nu+2}\left(-\sqrt{\frac{\nu+2}{\nu}\frac{1-\rho}{1+\rho}}\right)上尾相关系数：\lambda_{u}=2-2t_{\nu+2}\left(\sqrt{\frac{\nu+2}{\nu}\frac{1-\rho}{1+\rho}}\right)其中，t_{\nu+2}(\cdot)为自由度为\nu+2的t分布的分布函数。计算结果如表3所示：表3：沪港通开通前后沪港两市尾部相关系数阶段\lambda_{l}\lambda_{u}开通前0.15630.1234开通后0.20150.1023从表3可以看出，沪港通开通前，下尾相关系数\lambda_{l}为0.1563，上尾相关系数\lambda_{u}为0.1234，下尾相关性略强于上尾相关性，说明在市场下跌时，两市的联动性相对较强。沪港通开通后，下尾相关系数\lambda_{l}上升到0.2015，上尾相关系数\lambda_{u}下降到0.1023，下尾相关性进一步增强，上尾相关性减弱。这表明沪港通开通后，两市在市场下跌时的联动性显著增强，而在市场上涨时的联动性相对减弱。在市场下跌阶段，投资者情绪更易受到恐慌情绪影响，资金在两市之间的流动更加频繁，导致两市股价同时下跌的可能性增大；而在市场上涨阶段，由于两地市场的投资者结构、投资理念等存在差异，对市场上涨的反应速度和幅度可能不同，使得两市联动性相对减弱。综上所述，Copula模型估计结果表明，沪港通开通后沪港两市的相关性显著增强，特别是尾部相关性发生了明显变化，下尾相关性增强，上尾相关性减弱，这对于投资者进行跨市场投资和风险管理具有重要的参考意义。4.3沪港通对沪港两市市场特征的影响分析4.3.1波动性影响从GARCH模型估计结果来看，沪港通对沪港两市的波动性产生了显著影响。在沪市方面，沪港通开通前，\alpha值为0.1234，表明过去冲击对当前波动的短期影响较为明显，市场对新信息反应敏感；\beta值为0.8543，波动持续性较强。开通后，\alpha值上升至0.1456，市场对新信息的反应更加敏感，这可能是因为沪港通引入了更多的国际投资者和不同的投资理念，市场参与者结构更加多元化，使得市场对新信息的消化和反应更为迅速。例如，当国际市场出现重大经济数据发布或政策调整时，沪市投资者能够更快地获取信息并做出交易决策，从而导致市场波动对新信息的敏感度提高。虽然\beta值略有下降至0.8321，但仍然保持在较高水平，说明波动持续性虽有微弱变化，但整体上依然较强，市场波动惯性仍然显著。对于港市，沪港通开通前，\alpha值为0.1023，市场对新信息的短期反应相对沪市较弱；\beta值为0.8765，波动持续性强于沪市。开通后，\alpha值增加到0.1156，市场对新信息的短期反应有所增强，这可能是由于沪港通使得港市与内地市场的联系更为紧密，内地市场的信息变化对港市的影响逐渐增大。例如，内地宏观经济政策的调整、行业发展动态等信息，通过沪港通的信息传递机制，能够更快地反映在港市的股价波动中。同时，\beta值下降到0.8521，波动持续性有所降低，这意味着港市市场在沪港通开通后，受到外部冲击时，其波动的持续时间相对缩短，市场调整速度加快。这可能得益于沪港通促进了港市市场的信息多元化和交易活跃度的提升，使得市场能够更快速地吸收和消化各种信息，从而减少了波动的持续性。总体而言，沪港通开通后，沪市和港市的长期平均波动水平均有所上升，这反映出沪港通机制的实施增加了两市的市场不确定性和信息复杂性。两市对新信息的反应均变得更加敏感，市场的短期波动加剧。但在波动持续性方面，沪市保持相对稳定，而港市有所减弱。这些波动性的变化对投资者和市场监管者具有重要意义。对于投资者来说，需要更加关注市场信息的变化，及时调整投资策略以应对短期波动加剧的风险。例如，在投资组合中适当增加防御性资产的配置，以降低市场波动对投资组合价值的影响。对于市场监管者而言，需要加强对市场波动的监测和调控，防范市场过度波动引发的系统性风险。比如，建立更加完善的市场稳定机制，在市场波动异常时能够及时采取措施稳定市场。4.3.2相关性影响根据Copula模型估计结果，沪港通对沪港两市的相关性产生了明显的增强作用。开通前，相关系数\rho为0.3562，两市存在一定正相关关系但相对较弱；开通后，\rho上升到0.4231，正相关关系显著增强。这意味着沪港通开通后，沪市和港市的联动性大幅提高，一个市场的波动更容易引发另一个市场的同向波动。从市场实际表现来看，在宏观经济形势变化、重大政策调整等情况下，两市的协同波动现象更为明显。当全球经济形势向好，宏观经济数据利好时，沪市和港市往往会同时上涨；反之，当面临经济下行压力或地缘政治风险时，两市也可能同时下跌。在尾部相关性方面，开通前，下尾相关系数\lambda_{l}为0.1563，上尾相关系数\lambda_{u}为0.1234，下尾相关性略强于上尾相关性。开通后，下尾相关系数\lambda_{l}上升到0.2015，上尾相关系数\lambda_{u}下降到0.1023，下尾相关性进一步增强，上尾相关性减弱。这表明沪港通开通后，两市在市场下跌时的联动性显著增强，而在市场上涨时的联动性相对减弱。在市场下跌阶段，投资者情绪更容易受到恐慌情绪影响，资金在两市之间的流动更加频繁，导致两市股价同时下跌的可能性增大。当沪市因重大负面消息出现大幅下跌时，港市投资者可能会对整个中国资本市场的前景产生担忧，从而引发资金从港市流出，导致港市股价也随之下跌。而在市场上涨阶段，由于两地市场的投资者结构、投资理念等存在差异，对市场上涨的反应速度和幅度可能不同，使得两市联动性相对减弱。这种相关性的变化对投资组合有着重要影响。对于投资者而言，沪港通开通前，由于两市相关性较弱，通过投资沪港两市可以在一定程度上分散风险，实现投资组合的多元化。然而，沪港通开通后，两市相关性增强，特别是下尾相关性的显著增强，意味着在市场下跌时，投资组合的风险可能会集中爆发。投资者在构建投资组合时，不能仅仅依赖于两市的地域分散来降低风险，还需要更加关注两市的行业分布、企业基本面等因素。例如，投资者可以选择在两市中投资不同行业的股票，避免因行业相关性导致投资组合在市场波动时遭受过大损失。同时，投资者还可以利用金融衍生品，如股指期货、期权等，对投资组合进行套期保值，以应对市场风险。4.3.3风险溢出效应通过基于GARCH-Copula模型计算的CoVaR来分析沪港通下两市的风险溢出效应。以港市对沪市的风险溢出为例，计算在给定港市处于q分位数的风险状态下，沪市的q分位数风险值CoVaR_{S|H}^{q}。在沪港通开通前，CoVaR_{S|H}^{q}的值相对较小，说明港市对沪市的风险溢出强度较弱。这可能是因为在沪港通开通前，两地市场相对独立，资金流动和信息传递存在一定障碍，港市的风险较难传导至沪市。沪港通开通后，CoVaR_{S|H}^{q}的值显著增大，表明港市对沪市的风险溢出强度明显增强。当港市出现极端风险事件，如国际金融危机引发港市股市大幅下跌时，通过沪港通的资金流动和信息传导机制，这种风险会迅速扩散至沪市。国际投资者在港市遭受损失后，可能会调整其在中国资本市场的投资策略，减少对沪市的投资，导致沪市资金外流，股价下跌。同时，港市股市下跌的负面信息也会影响沪市投资者的信心，引发恐慌情绪，进一步加剧沪市的下跌。从风险溢出方向来看，除了港市对沪市存在明显的风险溢出外，沪市对港市也存在一定程度的风险溢出。当沪市发生重大风险事件，如系统性金融风险爆发、重大政策调整引发市场恐慌时，沪市的风险也会通过沪港通传导至港市。沪市股价的大幅下跌可能导致内地投资者减少对港市的投资，引发港市市场资金紧张，股价下跌。而且，沪市的风险事件会影响市场对中国经济的预期，进而影响港市的投资环境和投资者信心。沪港通开通后，两市之间的风险溢出效应增强，这对金融市场监管提出了更高的要求。监管部门需要加强跨境监管合作，建立健全风险监测和预警机制，及时发现和防范风险的跨境传播。加强对沪港通资金流动的监管，防止资金异常流动引发市场风险。同时，完善信息共享机制，确保两地市场信息的及时、准确传递，减少因信息不对称导致的风险。五、结果讨论与稳健性检验5.1结果讨论本研究通过GARCH模型与Copula模型对沪港通开通前后沪港两市的波动性和相关性进行分析，实证结果表明沪港通对两市市场特征产生了显著影响。在波动性方面，沪市在沪港通开通后，市场对新信息的反应更加敏感，长期平均波动水平有所提高，这与部分已有研究结果一致。学者邹新阳、邓瑶运用GARCH模型研究发现，沪港通开通初期沪市波动性有所上升，市场对新政策和新投资者群体的适应过程导致了短期波动加剧。而港市波动的持续性在沪港通开通后有所减弱，长期平均波动水平也有所上升，这与部分研究认为港市作为成熟市场对外部冲击缓冲能力强、波动性变化小的观点不同。可能的原因是沪港通加强了港市与内地市场的联系，内地市场的信息和资金流动对港市产生了更大影响，改变了其原有的波动特征。在相关性方面，沪港通开通后沪港两市的相关性显著增强，特别是下尾相关性增强，上尾相关性减弱，呈现出“同跌不同涨”的特点，这与刘文琼和王莹基于GARCH-Copula及CoVaR模型的研究结论相符。从市场机制角度来看，沪港通打破了两地市场的部分壁垒，促进了资金和信息的自由流动。两地投资者可以更便捷地参与对方市场交易，使得市场间的联系更加紧密，一市的价格波动更容易通过资金流动和投资者预期传递到另一市。当沪市受到宏观经济政策调整或行业重大消息影响时，内地投资者可能会调整其在港市的投资组合，从而引发港市股价波动。从投资者行为角度分析，沪港通开通后，内地投资者和香港及国际投资者相互进入对方市场，不同的投资理念和交易策略相互碰撞。内地投资者在投资港股时，可能会受到香港市场成熟投资理念的影响，更加注重基本面分析和长期投资；而香港及国际投资者进入沪市后，其交易行为也会影响内地市场的投资风格。这种投资者行为的变化进一步加强了两市的联动性。在市场下跌时，投资者的恐慌情绪更容易在两市之间传染，导致资金同时从两市流出，使得下尾相关性增强；而在市场上涨时，由于两地投资者对市场上涨幅度和持续性的预期存在差异，导致上尾相关性相对较弱。在风险溢出效应方面，沪港通开通后两市之间的风险溢出效应明显增强，这与已有研究中关于互联互通机制会增加市场间风险传导的观点一致。当一个市场出现极端风险事件时，通过沪港通的资金流动和信息传递渠道，风险会迅速扩散到另一个市场。在国际金融市场动荡时期，港市的风险可能会通过沪港通传导至沪市，引发沪市的市场波动。这是因为沪港通使得两市的资金和信息联系更加紧密，一个市场的风险事件会影响投资者对另一个市场的信心和预期，从而导致风险的溢出。5.2稳健性检验为确保研究结果的可靠性和稳定性，从多个角度对前文实证结果进行稳健性检验。在更换Copula模型方面，前文主要采用t-Copula模型来分析沪港两市的相关性。现选用ClaytonCopula模型进行替换分析。ClaytonCopula模型对下尾相关性具有独特的捕捉能力，尤其适用于分析金融市场在极端下跌情况下的相关性变化。利用ClaytonCopula模型对沪港通开通前后沪港两市指数收益率数据进行重新估计，得到的参数估计结果显示，沪港通开通前，ClaytonCopula模型的相关参数表明两市下尾相关性处于一定水平；开通后，相关参数变化显示两市下尾相关性显著增强。这一结果与t-Copula模型分析得出的下尾相关性增强结论一致，进一步验证了沪港通开通后两市在市场下跌时联动性增强的观点。在调整数据时间范围方面，将样本区间向前和向后分别扩展一定时间。向前扩展至2012年1月1日，向后扩展至2025年3月31日，重新对沪港通开通前后的数据进行划分，并运用GARCH模型和Copula模型进行分析。新的GARCH模型估计结果显示，沪市和港市在扩展样本区间后的波动特征变化趋势与前文基本一致，沪市对新信息的反应敏感性依然增强，港市波动持续性依旧减弱。Copula模型估计结果也表明，沪港通开通后两市相关性增强的结论在扩展样本区间后依然成立，进一步说明研究结果不受样本区间选取的较大影响，具有较好的稳定性。此外，考虑到金融市场数据可能存在结构突变等问题，采用滚动窗口估计方法对模型进行稳健性检验。设定滚动窗口大小为250个交易日，在整个样本区间内滚动估计GARCH模型和Copula模型参数。通过观察滚动估计得到的参数变化，发现沪港通开通后，两市波动特征和相关性的变化趋势在不同滚动窗口中保持相对稳定，未出现明显的异常波动。这进一步证明了实证结果的可靠性，即沪港通对沪港两市市场特征的影响是稳定且显著的。综合以上稳健性检验结果，在更换Copula模型、调整数据时间范围以及采用滚动窗口估计等多种检验方法下，前文关于沪港通对沪港两市波动性、相关性及风险溢出效应的研究结论依然成立，表明研究结果具有较强的稳健性和可靠性。六、结论与政策建议6.1研究结论本研究运用GARCH模型与Copula模型，深入分析了沪港通对沪港两市市场特征的影响，得出以下主要结论：在波动性方面，沪港通开通后，沪市和港市的市