基于Copula-GARCH模型剖析我国股票与债券市场相关性：理论、实证与应用

基于Copula-GARCH模型剖析我国股票与债券市场相关性：理论、实证与应用一、引言1.1研究背景与意义1.1.1研究背景在我国金融市场体系中，股票市场与债券市场占据着举足轻重的地位。截至[具体年份]，我国股票市场总市值已达到[X]万亿元，上市公司数量突破[X]家，涵盖了国民经济的各个主要领域，成为企业融资、资源配置以及投资者财富管理的关键平台。上海证券交易所凭借众多大型蓝筹股，在服务国家战略、支持实体经济发展方面发挥着中流砥柱的作用；深圳证券交易所则聚焦中小企业与创业板公司，为创新型企业的成长提供了有力支持，科创板与注册制的推出，更是显著提升了股票市场的活力与包容性，激发了科技创新的动力。与此同时，我国债券市场规模持续稳步扩张，债券品种日益丰富多样。截至[具体年份]，债券市场托管余额达到[X]万亿元，政府债券、金融债券和企业债券等各类债券产品，为不同风险偏好的投资者提供了多元化的投资选择。政府债券作为国家宏观调控的重要手段，为基础设施建设、公共服务等项目筹集了大量资金；金融债券则在优化金融机构资产负债结构、支持实体经济发展等方面发挥着重要作用；企业债券为企业的发展提供了重要的融资渠道，促进了企业的成长与壮大。股票市场和债券市场作为金融市场的两大核心组成部分，它们之间的相关性一直是金融领域研究的热点问题。一方面，宏观经济政策的调整，如货币政策和财政政策的变动，对两个市场产生不同程度的影响。当央行实行宽松的货币政策时，市场流动性增加，利率下降，这既可能推动债券价格上涨，也可能促使股票市场估值提升，从而使两者呈现出一定的同向变动关系；而当货币政策收紧时，情况则可能相反。财政政策方面，积极的财政政策可能通过刺激经济增长，提升企业盈利预期，进而推动股票市场上涨，但同时也可能导致债券发行量增加，对债券价格产生一定压力。另一方面，国际金融形势的变化，如全球经济增长的不确定性、贸易摩擦等，也促使投资者重新审视这两个市场的关系。在全球经济增长放缓的背景下，投资者的风险偏好下降，可能会减少对股票的投资，转而增加对债券的配置，以寻求资产的保值与稳定收益，从而导致股票市场与债券市场呈现反向变动关系。而贸易摩擦的加剧，可能会引发市场的恐慌情绪，导致股票市场和债券市场同时受到冲击，两者的相关性也会变得更加复杂。此外，随着我国金融市场对外开放的不断推进，外资持续流入，股票市场和债券市场的联动性进一步增强。外资的进入不仅带来了资金，也带来了先进的投资理念和风险管理经验，对我国金融市场的运行机制和市场参与者的行为产生了深远影响。在这种背景下，深入研究股票市场与债券市场的相关性，对于投资者优化资产配置、金融机构提升风险管理水平以及监管部门制定有效的政策具有重要的现实意义。1.1.2研究意义从理论层面来看，对我国股票与债券市场相关性的研究能够进一步丰富和完善金融市场联动理论。传统理论多从宏观经济变量角度解释股票与债券市场的联动关系，而本研究将运用Copula-GARCH模型，综合考虑市场波动的时变性、非对称性以及变量间的非线性相关结构等因素，从多维度深入剖析两者的相关性，有助于突破传统理论的局限性，拓展理论边界，从而更加深入地理解金融市场的内在运行机制，为金融市场理论的发展提供新的视角和实证支持。在实践方面，对于投资者而言，了解股票与债券市场的相关性是优化投资组合、降低风险的关键。通过准确把握两者的相关关系，投资者可以根据市场变化及时调整投资组合中股票和债券的比例，实现资产的合理配置。当股票市场处于牛市时，适当增加股票投资比例，以获取更高的收益；而当股票市场面临调整风险时，增加债券投资比例，可有效降低投资组合的整体风险，提高投资组合的稳定性和收益水平。对于金融机构来说，深入研究股票与债券市场的相关性有助于提升风险管理能力。金融机构在开展业务过程中，往往面临着股票和债券投资组合的风险，准确评估两者的相关性能够帮助金融机构更加精准地度量投资组合的风险，合理设定风险限额，制定有效的风险对冲策略，从而提高金融机构的风险抵御能力，保障金融机构的稳健运营。在监管政策制定方面，掌握股票与债券市场的相关性及其变化规律，能够为监管部门提供重要的决策依据。监管部门可以根据市场相关性的变化，及时调整监管政策，加强对金融市场的宏观审慎管理，防范系统性金融风险的发生。在市场相关性异常波动时，监管部门可以采取相应的政策措施，稳定市场预期，维护金融市场的稳定与健康发展。1.2研究方法与创新点1.2.1研究方法本研究选择Copula-GARCH模型来探究我国股票与债券市场的相关性，主要基于以下依据。一方面，股票与债券市场收益率序列通常呈现出尖峰厚尾、波动集聚等特征，传统的线性相关分析方法难以准确刻画其复杂的相关结构。而GARCH模型能够有效地捕捉金融时间序列的时变波动性，准确描述收益率序列的波动集聚现象，为后续的Copula分析提供合适的边缘分布。另一方面，Copula函数具有强大的优势，它可以将变量的边缘分布与联合分布分离，能够灵活地刻画变量间的非线性相关关系，尤其是能够准确度量尾部相关性，这对于研究股票与债券市场在极端市场条件下的关联关系至关重要。将Copula函数与GARCH模型相结合，能够充分发挥两者的优势，全面、准确地揭示股票与债券市场的相关性特征。在数据来源上，本研究选取[具体时间段]的上证综合指数作为股票市场的代表，以反映上海证券交易所股票价格的整体走势；选取中债综合全价指数作为债券市场的代表，该指数涵盖了国债、金融债、企业债等各类债券，能够全面反映我国债券市场的整体表现。数据来源于Wind资讯等权威金融数据服务提供商，以确保数据的准确性和完整性。在数据处理阶段，首先对原始数据进行清洗，去除异常值和缺失值，以保证数据的质量。然后，运用对数收益率计算方法，将价格序列转换为收益率序列，以满足后续实证分析的要求。在实证分析流程中，首先运用GARCH模型对股票和债券收益率序列的边缘分布进行建模，估计模型参数，得到条件方差和标准化残差。接着，根据标准化残差的分布特征，选择合适的Copula函数，如高斯Copula、t-Copula、ClaytonCopula、GumbelCopula等，通过极大似然估计法估计Copula函数的参数，进而度量股票与债券市场的相关性。最后，运用蒙特卡洛模拟等方法，对投资组合的风险进行评估和分析。1.2.2创新点在模型改进方面，本研究在传统Copula-GARCH模型的基础上，考虑引入更多能够反映市场特征的变量，如宏观经济变量（GDP增长率、通货膨胀率等）、市场情绪指标（投资者信心指数、波动率指数等），以构建更加完善的模型，更全面地捕捉股票与债券市场相关性的影响因素，提高模型的解释能力和预测精度。在数据选取上，不仅关注股票和债券市场的整体指数数据，还将进一步细分市场，选取不同行业、不同信用等级的股票和债券数据进行研究，深入分析不同细分市场间的相关性差异，为投资者提供更具针对性的投资建议。同时，本研究将拓展数据的时间跨度，纳入更多历史时期的数据，尤其是包含重大金融事件时期的数据，以更全面地研究股票与债券市场相关性在不同市场环境下的变化规律。在研究视角上，本研究将从多维度展开分析，不仅研究股票与债券市场的静态相关性，还将运用滚动窗口分析等方法，研究其动态相关性的变化趋势；不仅关注正常市场条件下的相关性，还将重点分析极端市场条件下两者的尾部相关性，为投资者在不同市场环境下的风险管理提供更全面的参考。此外，本研究还将对比不同经济周期、不同政策环境下股票与债券市场相关性的差异，为宏观经济政策的制定和调整提供实证依据。通过以上创新点，本研究有望为我国股票与债券市场相关性的研究提供新的思路和方法，对相关研究起到补充和推进作用。二、文献综述2.1股票与债券市场相关性研究回顾股票与债券市场相关性的研究一直是金融领域的重要课题。国外学者早在20世纪60、70年代便开始关注这一领域，法玛和施沃特（Fama和Schwert，1977）、凯姆和斯坦博（Keim和Stambaugh，1986）、坎贝尔和席勒（Campbell和Shiller，1987）率先使用股息收益率和利率来预测股票和债券指数的回报，开启了股债相关性研究的先河。此后，众多学者围绕股债相关性展开了深入探讨。Connolly（2005，2007）研究发现，在美国和其他几个主要市场，股债日频相关性随着股票市场不确定性的增加而下降，这一现象被认为是由于安全投资转移（flight-to-quality）所致。Kim（2006）也证实，在许多欧洲市场上股票市场的不确定性对股债相关性有着类似的影响。Li（2002）认为，预期通货膨胀的不确定性和实际利率的不确定性都倾向于增加股债相关性。而d’Addona和Kind（2006）则提出，尽管实际利率的波动可能会增加G-7国家的股债相关性，但通胀的波动往往会降低相关性。Boyd（2005）和Andersen（2007）研究了宏观经济在扩张和衰退中对股票和债券市场的影响，指出现金流效应在收缩期可能占主导地位，而贴现率效应在扩张期可能更重要，从而导致在扩张期股票和债券收益呈正相关，而在衰退期相关性较低，甚至可能是负相关。Ilmanen（2003）也提出了类似的观点。从国内研究来看，朱为玉（2022）以2003-2022年间沪深两市的非ST股票及债券月度收益率数据为样本，论证了债券和股票投资组合收益率之间的关系，发现我国股票市场中，与债券收益率相关性较强的股票投资组合具有成立年限较长、股票波动率较低等特征。还有学者运用向量自回归模型（VAR）等方法，对我国股票市场与债券市场的联动关系进行分析，发现两个市场在不同经济周期下存在着复杂的联动关系。在宏观经济层面，经济发展水平、利率水平和通胀水平等因素对债券市场和股票市场都具有较大影响，进而影响它们之间的相关性。当经济数据公布时，债券市场和股票市场往往会有相应的反应，导致它们之间的相关性增加。政策法规因素，如货币政策的调整、财政政策的变化等，也会对利率水平、投资环境等产生直接影响，从而影响债券市场和股票市场的相关性。此外，特定事件，如金融危机、自然灾害等，可能对债券市场和股票市场产生较大的冲击，使得两个市场之间的相关性在这种情况下往往会增加。综合来看，现有研究表明股票与债券市场的相关性并非固定不变，而是受到多种因素的影响，包括宏观经济变量（如经济增长、通货膨胀、利率等）、市场不确定性、投资者情绪以及宏观经济政策等。这些因素在不同的市场环境和经济周期下，对股债相关性的影响方向和程度存在差异。2.2Copula-GARCH模型的应用进展Copula-GARCH模型在金融市场相关性研究中得到了广泛应用。该模型结合了Copula函数和GARCH模型的优势，能够有效捕捉金融时间序列间的相关性以及波动集聚、时变等特征。韦艳华和张世英（2004）结合t-GARCH模型和Copula函数，建立Copula-GARCH模型并对上海股市各板块指数收益率序列间的条件相关性进行分析，结果表明不同板块的指数收益率序列具有不同的边缘分布，各序列间有很强的正相关关系，条件相关具有时变性，各序列间相关性的变化趋势极为相似。在金融风险管理领域，多元Copula-GARCH模型能够更准确地度量投资组合的风险，通过估计模型参数，可以计算得到变量之间的相关系数和条件方差，从而得到整个投资组合的风险度量。传统的线性相关系数无法捕捉到变量之间的非线性关系，而Copula函数则能够克服这一问题，通过将变量的边缘分布与它们之间的关系结合起来，更准确地度量整个投资组合的风险。在资产配置方面，动态Copula模型可以帮助投资者和资产管理人员实施更有效的资产配置策略。通过对多个金融变量之间时变相关性的建模，可以为投资组合的构建和管理提供更准确的投资决策依据，帮助投资者实现风险与收益的平衡。投资者可以根据动态Copula模型捕捉到的股票市场中的时变相关性，制定相应的投资策略，如对冲、市场预测和动态风险控制等。通过对冲策略，投资者可以通过构建多个相关性较高的资产组合，降低投资组合的波动性，从而降低投资风险；市场预测策略可以利用动态Copula模型中的时变相关性信息，进行股票价格的预测，以指导投资决策；动态风险控制策略可以根据时变相关性的演化，及时调整投资组合的权重，以适应市场的变化。然而，Copula-GARCH模型在应用中也存在一些局限性。该模型对大样本数据的需求较高，数据量不足可能导致模型估计不准确。模型参数的稳定性也是一个问题，在市场环境发生较大变化时，模型参数可能需要重新估计和调整。不同Copula函数的选择对结果也有较大影响，如何选择最合适的Copula函数仍是一个需要进一步研究的问题。2.3文献述评现有研究在股票与债券市场相关性以及Copula-GARCH模型应用方面取得了丰硕成果。在相关性研究上，从理论和实证多个角度分析了影响股债相关性的因素，为理解金融市场运行机制提供了重要参考。在模型应用方面，Copula-GARCH模型在捕捉金融时间序列相关性和风险度量等方面展现出显著优势，推动了金融风险管理和资产配置等领域的发展。然而，现有研究仍存在一定局限。在相关性研究中，虽然众多研究探讨了宏观经济因素等对股债相关性的影响，但对于一些新兴因素，如金融科技发展、市场微观结构变化等对股债相关性的影响研究相对较少。在不同经济周期和市场环境下，股债相关性的变化规律尚未完全明确，仍需进一步深入研究。在Copula-GARCH模型应用方面，模型的假设条件与实际市场情况可能存在一定偏差，如何改进模型以更好地拟合实际市场数据是一个亟待解决的问题。模型计算复杂度较高，在实际应用中可能面临计算效率和资源消耗的问题。本文在前人研究基础上，从多维度深化和拓展研究。在模型改进上，引入宏观经济变量、市场情绪指标等，构建更完善的Copula-GARCH模型，以提高模型对股债相关性的解释能力和预测精度。在数据选取上，不仅关注整体市场指数数据，还细分市场研究不同行业、信用等级的股票和债券数据，同时拓展时间跨度，纳入更多历史时期和重大金融事件数据。在研究视角上，全面分析股债市场的静态和动态相关性，以及正常和极端市场条件下的相关性，对比不同经济周期和政策环境下的相关性差异，为相关研究提供新的思路和方法。三、Copula-GARCH模型理论基础3.1GARCH模型3.1.1GARCH模型原理GARCH（广义自回归条件异方差）模型由Bollerslev于1986年提出，是对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中应用广泛。其核心在于通过引入条件异方差来精准刻画时间序列数据的波动性特征，有效突破了传统计量经济学中关于时间序列变量波动幅度固定的假设限制。GARCH模型通常由均值方程和方差方程构成。均值方程用于描述时间序列数据的条件均值，即数据在给定信息集下的期望值。其形式多样，可根据数据特性和研究目的灵活选择，例如常见的设定为时间序列数据的均值恒定。以简单的形式表示，均值方程可写为：r_t=\mu+\epsilon_t，其中r_t表示t时刻的收益率，\mu为常数均值，\epsilon_t是残差项。方差方程是GARCH模型的关键组成部分，用于刻画时间序列数据的条件异方差性，即波动性。一般形式的GARCH(p,q)模型的方差方程可表示为：\sigma_t^2=\omega+\sum_{i=1}^{q}\alpha_i\epsilon_{t-i}^2+\sum_{j=1}^{p}\beta_j\sigma_{t-j}^2，其中\sigma_t^2是t时刻的条件方差，\omega为常数项，\alpha_i和\beta_j是模型参数，p和q分别表示方差方程中自回归项和移动平均项的阶数。\epsilon_{t-i}^2代表过去残差的平方，反映了过去的冲击对当前波动性的影响；\sigma_{t-j}^2表示过去的条件方差，体现了波动性的持续性。在实际应用中，GARCH(1,1)模型最为常用，其方差方程为：\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2。该模型形式简洁，却能有效捕捉金融时间序列的波动特性。例如，在股票市场中，若某一时刻出现较大的价格波动（即\epsilon_{t-1}^2较大），则下一个时刻的条件方差\sigma_t^2会相应增大，表明市场波动性增强；若过去的条件方差\sigma_{t-1}^2较大，也会使当前的条件方差增大，体现了波动性的聚集效应。同时，为确保方差的平稳性，模型参数需满足\omega>0，\alpha_i\geq0，\beta_j\geq0，且\sum_{i=1}^{q}\alpha_i+\sum_{j=1}^{p}\beta_j<1。GARCH模型的优势在于能够以较少的参数有效捕捉波动率的持续性和聚集性。与高阶ARCH模型相比，GARCH模型通过引入条件方差自身的滞后项，避免了估计大量参数的问题，提高了模型的效率和稳定性。它还能较好地拟合金融时间序列中常见的尖峰厚尾分布特征，为金融市场的风险评估和预测提供了有力工具。3.1.2GARCH模型在金融市场的应用在金融市场中，GARCH模型在波动性预测、风险度量以及资产定价等方面发挥着关键作用。在波动性预测方面，GARCH模型凭借对金融时间序列波动特征的准确捕捉，能够根据历史数据预测未来的波动率。以股票市场为例，投资者可以利用GARCH模型预测股票价格的波动情况，从而更好地把握投资时机。当模型预测波动率上升时，意味着市场风险增加，投资者可能会选择减少投资或采取套期保值策略；当预测波动率下降时，投资者则可能增加投资。许多金融机构也会运用GARCH模型对市场波动率进行预测，为风险管理和投资决策提供重要参考。高盛集团在对股票投资组合进行风险管理时，就采用GARCH模型预测股票价格的波动率，通过实时监测波动率的变化，及时调整投资组合的权重，以降低风险。在风险度量领域，GARCH模型为投资组合的风险评估提供了重要依据。通过估计资产收益率的条件方差，GARCH模型可以计算出风险价值（VaR）等风险指标，帮助投资者和金融机构量化投资组合的风险水平。在构建投资组合时，投资者可以利用GARCH模型计算不同资产之间的相关性和风险贡献，从而优化投资组合，实现风险与收益的平衡。例如，某投资基金在构建股票和债券投资组合时，运用GARCH模型分析两者的波动性和相关性，根据风险偏好和投资目标，确定最优的投资比例，以降低投资组合的整体风险。在资产定价方面，GARCH模型也有着广泛的应用。资产价格的波动是影响资产定价的重要因素之一，GARCH模型能够准确描述资产价格的波动特征，为资产定价模型提供更准确的输入参数。在期权定价中，Black-Scholes模型是常用的定价模型，但该模型假设波动率为常数，与实际市场情况不符。而基于GARCH模型估计的时变波动率，可以对Black-Scholes模型进行改进，使其更符合市场实际情况，从而更准确地对期权进行定价。许多金融研究表明，运用GARCH模型改进后的期权定价模型，能够显著提高期权定价的准确性，为投资者和金融机构的期权交易提供更合理的定价参考。3.2Copula函数3.2.1Copula函数定义与特性Copula函数最早由A.Sklar于1959年提出，在概率论与数理统计领域，它是一种边际分布为均匀分布的多元联合分布函数。从定义本质来看，Copula函数就像是一座桥梁，连接着多元随机变量的边际分布。其核心作用在于刻画多元随机变量之间的相关性，为研究复杂系统中变量间的依赖关系提供了有力工具。以二元Copula函数为例，若一个二元函数满足以下三个特性，则被称为Copula函数。其一，函数的定义域为[0,1]\times[0,1]，值域为[0,1]。这一特性限定了Copula函数输入和输出的取值范围，使其能够在统一的尺度下处理不同变量的分布信息。其二，对任意u\in[0,1]，有C(u,0)=0，C(0,u)=0；对任意v\in[0,1]，有C(1,v)=v，C(v,1)=v。这些边界条件确保了Copula函数在极端情况下的合理表现，即当一个变量取到边界值时，联合分布与另一个变量的边际分布保持一致。其三，对任意u_1,u_2,v_1,v_2\in[0,1]，且u_1\lequ_2，v_1\leqv_2，有C(u_2,v_2)-C(u_2,v_1)-C(u_1,v_2)+C(u_1,v_1)\geq0。这一条件保证了Copula函数的单调性和非负性，使得其能够准确地描述变量间的相关关系。Sklar定理是Copula函数应用的重要基础。对于两个随机变量X和Y，其对应的边际分布为F_X(x)和F_Y(y)，联合分布为F(x,y)。记u=F_X(x)，v=F_Y(y)，则u和v分别是区间[0,1]内的均匀分布。Sklar定理表明，如果F(x,y)为联合分布函数，对应的边际分布为F_X(x)和F_Y(y)，那么存在一个Copula函数C(u,v)，使得对任意的实数x，y，有F(x,y)=C(F_X(x),F_Y(y))。若F_X(x)和F_Y(y)为连续函数，那么C(u,v)是唯一的。这一定理使得联合分布可由边际分布函数得到，通过先估计边际分布，再代入Copula函数，就能得到二维随机变量的联合分布。在已知联合分布F(x,y)、边际分布F_X(x)和F_Y(y)的情况下，还可计算出Copula函数。Copula函数最大的特性在于将变量的边缘分布与它们之间的相关性巧妙地分离。通过将变量的随机性由边缘分布描述，而变量之间的耦合特性由Copula函数描述，我们可以在不依赖具体边缘分布形式的情况下，专注于研究变量间的相关结构。这种分离特性使得Copula函数在处理多元随机变量的相关性时具有很强的灵活性和普适性，能够适应各种不同类型的分布和复杂的相关关系。在金融市场中，股票和债券的收益率分布往往具有不同的形态，传统的线性相关分析方法难以准确刻画它们之间的复杂关系。而Copula函数则可以有效地解决这一问题，通过选择合适的Copula函数，能够准确地度量股票与债券市场之间的相关性，为投资者和金融机构提供更准确的决策依据。3.2.2常见Copula函数类型及特点常见的Copula函数类型丰富多样，每种类型都有其独特的特点和适用场景。高斯Copula（GaussianCopula）基于多元正态分布构建而成。它适用于对称型数据集中的线性和非线性关联分析。在处理具有正态分布特征的数据时，高斯Copula能够较好地描述变量间的相关关系。在一些金融市场数据中，当变量之间的相关性呈现出较为对称的线性关系时，高斯Copula可以准确地捕捉这种相关性。在市场波动较为平稳的时期，股票市场和债券市场的某些板块之间的相关性可能表现为较为稳定的线性关系，此时高斯Copula能够有效地度量这种相关性。高斯Copula在极端事件发生概率较低的情况下表现较差。当出现极端市场情况，如金融危机、重大政策调整等导致市场出现大幅波动时，高斯Copula难以准确捕捉变量间的尾部相关性，可能会低估风险。学生t-Copula（t-Copula）引入了自由度参数\nu来控制尾部厚度。相比高斯Copula，它更能捕捉金融时间序列中存在的厚尾现象。在金融市场中，资产收益率常常呈现出厚尾分布，即极端事件发生的概率比正态分布所预测的要高。t-Copula通过调整自由度参数，可以更好地适应这种厚尾分布，准确地刻画变量在极端情况下的相关性。在研究股票市场和债券市场在极端市场条件下的关系时，t-Copula能够更有效地捕捉两者之间的尾部相关性，为投资者提供更全面的风险信息。ClaytonCopula擅长处理下尾依存（lowertaildependence），即两个或更多变量同时取较小值的可能性较大时的情况。在金融市场中，当市场处于下跌行情时，股票和债券价格可能同时下跌，此时ClaytonCopula可以较好地描述它们之间的相关性。在经济衰退时期，企业盈利下降，股票价格下跌，同时债券违约风险增加，价格也可能下跌，ClaytonCopula能够准确地度量这种下尾相关性，帮助投资者评估在市场下行时投资组合的风险。FrankCopula具有较弱的上下尾依存特性，适合于一般性的相依结构建模。它在描述变量间的相关性时，不像其他Copula函数那样对上下尾相关性有明显的偏向，而是能够较为平衡地刻画各种一般性的相关关系。在一些市场环境较为稳定，变量间相关性没有明显的上下尾特征时，FrankCopula可以作为一种通用的选择，对变量间的相依结构进行建模。GumbelCopula主要用于捕获上尾依存（uppertaildependence），即当某些变量达到极大值时其他变量也倾向于取得大数值的情形。在金融市场中，当市场处于牛市行情时，股票和债券价格可能同时上涨，GumbelCopula能够很好地描述这种上尾相关性。在经济繁荣时期，企业盈利增加，股票价格上涨，同时债券市场也可能因资金充裕而价格上升，GumbelCopula可以准确地度量这种情况下股票与债券市场之间的相关性，为投资者在市场上行时的投资决策提供参考。3.3Copula-GARCH模型构建3.3.1模型结合方式Copula-GARCH模型巧妙地融合了GARCH模型和Copula函数的优势，实现了对金融数据波动性和相关性的精准描述。在构建Copula-GARCH模型时，首先运用GARCH模型对金融时间序列的边缘分布进行建模。针对股票和债券市场的收益率序列，由于其通常呈现出尖峰厚尾、波动集聚等特征，GARCH模型能够有效地捕捉这些特性。对于股票收益率序列，通过建立GARCH(p,q)模型，利用均值方程r_{s,t}=\mu_s+\epsilon_{s,t}描述其均值部分，其中r_{s,t}表示t时刻股票的收益率，\mu_s为股票收益率的均值，\epsilon_{s,t}是残差项；利用方差方程\sigma_{s,t}^2=\omega_s+\sum_{i=1}^{q}\alpha_{s,i}\epsilon_{s,t-i}^2+\sum_{j=1}^{p}\beta_{s,j}\sigma_{s,t-j}^2刻画其波动性，其中\sigma_{s,t}^2是t时刻股票收益率的条件方差，\omega_s、\alpha_{s,i}和\beta_{s,j}为模型参数。同理，对债券收益率序列建立相应的GARCH模型，得到债券收益率的均值方程r_{b,t}=\mu_b+\epsilon_{b,t}和方差方程\sigma_{b,t}^2=\omega_b+\sum_{i=1}^{q}\alpha_{b,i}\epsilon_{b,t-i}^2+\sum_{j=1}^{p}\beta_{b,j}\sigma_{b,t-j}^2。通过GARCH模型的拟合，能够得到股票和债券收益率序列的条件方差\sigma_{s,t}^2和\sigma_{b,t}^2，以及标准化残差z_{s,t}=\frac{\epsilon_{s,t}}{\sigma_{s,t}}和z_{b,t}=\frac{\epsilon_{b,t}}{\sigma_{b,t}}。接下来，基于得到的标准化残差，运用Copula函数来描述股票和债券市场之间的相关性。由于Copula函数能够将变量的边缘分布与相关性分离，通过选择合适的Copula函数，如高斯Copula、t-Copula、ClaytonCopula、GumbelCopula等，可以准确地刻画股票和债券标准化残差之间的相关结构。若选择高斯Copula，其相关系数矩阵可以反映股票和债券市场之间的线性相关关系；若选择t-Copula，则可以更好地捕捉两者在极端情况下的厚尾相关性。通过Copula函数的拟合，能够得到描述股票和债券市场相关性的参数，从而全面地度量两者之间的相关性。3.3.2模型参数估计与检验方法对于Copula-GARCH模型的参数估计，常用的方法包括极大似然估计法（MLE）和准最大似然估计法（QMLE）。极大似然估计法通过最大化观测数据出现的似然函数来估计模型参数。对于Copula-GARCH模型，似然函数是所有数据点的联合概率密度函数。假设股票收益率序列为r_{s,1},r_{s,2},\cdots,r_{s,T}，债券收益率序列为r_{b,1},r_{b,2},\cdots,r_{b,T}，在给定模型参数\theta（包括GARCH模型的参数\omega_s,\alpha_{s,i},\beta_{s,j},\omega_b,\alpha_{b,i},\beta_{b,j}以及Copula函数的参数）的情况下，似然函数L(\theta)可以表示为：L(\theta)=\prod_{t=1}^{T}f(r_{s,t},r_{b,t};\theta)，其中f(r_{s,t},r_{b,t};\theta)是给定参数\theta下，第t个观测值(r_{s,t},r_{b,t})的联合概率密度函数。通过对似然函数求导，并令一阶导数为零，求解得到使似然函数达到最大值的参数\hat{\theta}，即为模型参数的估计值。当模型中存在异常值或误差项分布非正态时，最大似然估计可能不够鲁棒，此时可以使用准最大似然估计法。准最大似然估计法通过使用误差项的绝对值或平方来构建似然函数，以此来减少极端值对估计的影响。其似然函数可以表示为：L(\theta)=\prod_{t=1}^{T}f(r_{s,t},r_{b,t};\theta)^{\frac{1}{T}}，其中f(r_{s,t},r_{b,t};\theta)^{\frac{1}{T}}是一个标准化的似然函数。准最大似然估计法对误差项分布的假定较为宽松，但要求误差项独立同分布且具有零均值。在完成参数估计后，需要对模型进行有效性检验。常用的检验方法包括残差检验和模型比较检验。残差检验主要是对模型的残差进行分析，检查残差是否符合独立同分布的假设。可以通过绘制残差图、计算残差的自相关函数和偏自相关函数等方法来进行检验。若残差不存在自相关，且符合正态分布，则说明模型能够较好地拟合数据。模型比较检验则是通过比较不同模型的拟合效果来评估模型的优劣。可以使用赤池信息四、我国股票与债券市场数据选取与预处理4.1数据选取为了深入研究我国股票与债券市场的相关性，本研究精心选取了具有代表性的数据样本。在股票市场方面，以上证综合指数作为研究对象，该指数由上海证券交易所编制，涵盖了在上海证券交易所上市的全部股票，能够全面、综合地反映上海证券交易所股票价格的整体走势，是衡量我国股票市场整体表现的重要指标之一。从2010年1月4日至2024年12月31日，我们收集了上证综合指数的每日收盘价数据，共获得3772个样本点。这一时间跨度涵盖了多个经济周期和市场波动阶段，包括2015年的股市异常波动、2018年的贸易摩擦对股市的冲击以及近年来经济结构调整过程中股票市场的变化等，能够充分反映股票市场在不同市场环境下的表现。在债券市场中，选择中债综合全价指数作为研究标的。中债综合全价指数由中央国债登记结算有限责任公司编制，样本涵盖了银行间市场和交易所市场的国债、金融债、企业债、公司债等各类债券，具有广泛的市场代表性，能够准确反映我国债券市场的整体表现。同样选取2010年1月4日至2024年12月31日的每日数据，共计3772个样本点。在这期间，我国债券市场经历了利率市场化改革、债券市场开放程度不断提高等重要发展阶段，市场规模持续扩大，品种日益丰富，选取这一时间段的数据有助于全面研究债券市场在不同发展阶段与股票市场的相关性。这些数据均来源于Wind资讯，这是一家专业、权威的金融数据服务提供商，其数据具有准确性、完整性和及时性的特点，能够为研究提供可靠的数据支持。同时，考虑到金融市场数据的复杂性和多变性，在数据收集过程中，我们对数据的来源、采集方法和时间范围进行了严格的筛选和验证，以确保数据的质量和可靠性。4.2数据预处理4.2.1数据清洗在获取原始数据后，首先进行数据清洗工作，以确保数据的质量，为后续分析提供可靠基础。数据清洗主要针对数据中可能存在的异常值和缺失值进行处理。对于异常值的识别，采用了基于统计方法的Z-score法。该方法通过计算数据点与均值的偏离程度，并以标准差为度量单位，判断数据点是否为异常值。具体来说，对于给定的数据集X=\{x_1,x_2,\cdots,x_n\}，首先计算其均值\overline{x}和标准差\sigma，然后对于每个数据点x_i，计算其Z-score值：Z_i=\frac{x_i-\overline{x}}{\sigma}。一般认为，当|Z_i|>3时，该数据点可能为异常值。在本研究中，对上证综合指数和中债综合全价指数的收盘价数据进行Z-score计算，共识别出上证综合指数中的异常值[X]个，中债综合全价指数中的异常值[Y]个。例如，在2015年股市异常波动期间，部分上证综合指数的收盘价出现了大幅偏离均值的情况，通过Z-score法被识别为异常值。对于这些异常值，结合业务逻辑进行判断，若为数据录入错误或其他非市场因素导致的异常波动，则将其修正为合理数值。如对于因交易系统故障导致的某一时刻上证综合指数收盘价异常高的情况，参考前后交易日的价格走势和市场整体情况，将其修正为合理的价格。若异常值是由真实的极端市场事件引起，如重大政策调整、金融危机等导致的市场大幅波动，则保留这些数据，因为它们反映了市场的极端情况，对于研究股票与债券市场在极端条件下的相关性具有重要意义。在处理缺失值时，根据数据缺失的情况采用了不同的方法。对于短期缺失值，即连续缺失天数较少的情况，采用线性插值法进行填充。线性插值法是基于相邻数据点之间的线性关系，通过计算缺失值前后数据点的线性插值来估计缺失值。对于上证综合指数和中债综合全价指数中连续缺失不超过[具体天数]的数据点，使用线性插值法进行填充。若某一交易日的上证综合指数收盘价缺失，但前一交易日收盘价为P_1，后一交易日收盘价为P_2，则该缺失值可估计为P=P_1+\frac{(P_2-P_1)}{2}。对于长期缺失值，即连续缺失天数较多的情况，考虑到简单的填充方法可能会引入较大偏差，采用删除含有缺失值的样本的方法。在本研究中，若某一指数连续缺失天数超过[具体天数]，则删除该样本。经过数据清洗，有效提高了数据的质量和可靠性，为后续的收益率计算和平稳性检验等分析工作奠定了良好基础。4.2.2收益率计算在金融市场研究中，收益率数据相较于原始价格数据具有更重要的分析价值。为了将原始的股票和债券价格数据转化为收益率数据，采用对数收益率计算方法。对数收益率能够更好地反映资产价格的变化率，并且在处理金融时间序列时具有良好的统计性质。对数收益率的计算公式为：r_t=\ln(P_t/P_{t-1})，其中r_t表示t时刻的对数收益率，P_t表示t时刻的资产价格，P_{t-1}表示t-1时刻的资产价格。对于上证综合指数，将每日收盘价代入上述公式，计算得到每日对数收益率序列\{r_{s,t}\}，其中r_{s,t}表示t时刻上证综合指数的对数收益率。同理，对于中债综合全价指数，计算得到每日对数收益率序列\{r_{b,t}\}。收益率数据在本研究中具有关键作用。它能够直观地反映股票和债券市场价格的波动情况，帮助我们更清晰地了解市场的动态变化。在研究股票与债券市场的相关性时，收益率数据能够更准确地度量两个市场之间的联动关系。因为价格数据可能受到市场整体趋势、通货膨胀等多种因素的影响，而收益率数据消除了这些因素的部分影响，更能突出市场价格变化的相对关系。在分析市场风险时，收益率的波动程度是衡量风险的重要指标之一。通过对收益率数据的分析，可以计算出风险价值（VaR）、标准差等风险指标，为投资者和金融机构评估投资组合的风险提供重要依据。4.2.3平稳性检验对股票和债券收益率数据进行平稳性检验是后续实证分析的重要前提。平稳时间序列具有均值、方差和自协方差不随时间变化的特性，这使得基于平稳时间序列建立的模型具有更好的稳定性和预测能力。如果时间序列不平稳，可能会导致伪回归等问题，使模型的估计结果出现偏差，无法准确反映变量之间的真实关系。本研究采用ADF（AugmentedDickey-Fuller）检验方法对收益率数据进行平稳性检验。ADF检验通过构建回归方程，检验时间序列中是否存在单位根，若不存在单位根，则时间序列是平稳的。对于股票收益率序列\{r_{s,t}\}，构建ADF检验的回归方程为：\Deltar_{s,t}=\alpha+\betat+\gammar_{s,t-1}+\sum_{i=1}^{p}\delta_i\Deltar_{s,t-i}+\epsilon_t，其中\Deltar_{s,t}=r_{s,t}-r_{s,t-1}为收益率的一阶差分，\alpha为常数项，\beta为趋势项系数，\gamma为自回归系数，\delta_i为滞后差分项系数，p为滞后阶数，\epsilon_t为随机误差项。原假设为H_0:\gamma=0，即存在单位根，序列不平稳；备择假设为H_1:\gamma<0，即不存在单位根，序列平稳。同样，对债券收益率序列\{r_{b,t}\}构建类似的ADF检验回归方程。通过Eviews软件对上证综合指数和中债综合全价指数的对数收益率序列进行ADF检验，设定显著性水平为0.05。检验结果显示，上证综合指数对数收益率序列的ADF检验统计量为[具体数值1]，小于5%显著性水平下的临界值[具体数值2]，p值为[具体数值3]小于0.05，因此拒绝原假设，认为上证综合指数对数收益率序列是平稳的。中债综合全价指数对数收益率序列的ADF检验统计量为[具体数值4]，小于5%显著性水平下的临界值[具体数值5]，p值为[具体数值6]小于0.05，同样拒绝原假设，表明中债综合全价指数对数收益率序列也是平稳的。平稳性检验结果对后续研究具有重要影响。由于股票和债券收益率序列均为平稳序列，满足了建立Copula-GARCH模型的前提条件。在构建GARCH模型时，平稳的收益率序列能够保证模型参数估计的有效性和稳定性，从而更准确地刻画收益率序列的波动特征。在运用Copula函数分析股票与债券市场的相关性时，平稳的收益率数据能够使Copula函数更好地捕捉变量之间的相关结构，提高相关性度量的准确性。若收益率序列不平稳，可能需要对数据进行差分等处理使其平稳，但这可能会改变数据的原有特征，影响对市场真实关系的分析。因此，平稳性检验结果为后续研究提供了可靠的基础，确保了研究结果的准确性和可靠性。五、基于Copula-GARCH模型的实证分析5.1边缘分布模型估计5.1.1运用GARCH(1,1)-t模型拟合边缘分布在对我国股票与债券市场收益率序列进行边缘分布建模时，选择GARCH(1,1)-t模型主要基于多方面考虑。从金融时间序列的特征来看，股票与债券收益率序列通常呈现出尖峰厚尾和波动集聚的特性。传统的正态分布假设无法准确描述收益率序列的尖峰厚尾特征，而t分布能够通过自由度参数来刻画数据的厚尾程度，使其更贴合实际收益率数据的分布形态。股票市场在某些特殊事件，如重大政策调整、经济数据公布等情况下，收益率会出现较大波动，呈现出明显的厚尾特征。债券市场在利率波动、信用风险变化等因素影响下，收益率也会表现出类似的厚尾现象。GARCH(1,1)模型在处理波动集聚方面具有显著优势，它能够通过条件异方差方程有效地捕捉到收益率序列的波动集聚效应，即过去的波动对未来波动具有持续性影响。在股票市场中，若某一时间段内出现连续的价格大幅波动，GARCH(1,1)模型能够通过条件方差的变化反映出这种波动集聚现象。对于股票收益率序列，以r_{s,t}表示t时刻的股票收益率，建立GARCH(1,1)-t模型的均值方程为r_{s,t}=\mu_s+\epsilon_{s,t}，其中\mu_s为股票收益率的均值，\epsilon_{s,t}为残差项。方差方程为\sigma_{s,t}^2=\omega_s+\alpha_s\epsilon_{s,t-1}^2+\beta_s\sigma_{s,t-1}^2，其中\sigma_{s,t}^2是t时刻股票收益率的条件方差，\omega_s为常数项，\alpha_s和\beta_s是模型参数。假设\epsilon_{s,t}服从自由度为\nu_s的t分布，即\epsilon_{s,t}\simt(\nu_s)。对于债券收益率序列，同样以r_{b,t}表示t时刻的债券收益率，均值方程为r_{b,t}=\mu_b+\epsilon_{b,t}，方差方程为\sigma_{b,t}^2=\omega_b+\alpha_b\epsilon_{b,t-1}^2+\beta_b\sigma_{b,t-1}^2，且\epsilon_{b,t}\simt(\nu_b)。在具体拟合过程中，利用Eviews软件进行操作。将处理后的股票收益率序列和债券收益率序列导入Eviews软件，在“Quick”菜单栏中选择“EstimateEquation”选项，进入模型估计窗口。在“Specification”项中，选择“ARCH/GARCHandrelatedmodels”选项，并在“ARCHOrder”中选择1，“GARCHOrder”中选择1。在“DistributionoftheErrorTerm”中选择“t-distribution”，并在“Options”中选择“MLE”最大似然法估计。通过这些操作，软件能够根据输入的数据，运用最大似然估计法对GARCH(1,1)-t模型的参数进行估计，从而实现对股票和债券收益率边缘分布的拟合。5.1.2模型参数估计与检验结果分析运用Eviews软件对GARCH(1,1)-t模型进行参数估计后，得到的结果具有重要的经济意义和分析价值。对于股票收益率序列的GARCH(1,1)-t模型，参数估计结果显示，\mu_s表示股票收益率的长期平均水平。若\mu_s为正数，说明在长期内股票市场呈现出正的平均收益率，即投资者在长期持有股票的情况下，有望获得正的收益。若\mu_s为负数，则表明股票市场在长期内平均收益率为负，投资者面临亏损的可能性较大。\omega_s是条件方差方程中的常数项，它反映了股票收益率的无条件方差的一部分，代表了市场的长期平均风险水平。当\omega_s较大时，说明股票市场的长期风险较高，收益率的波动较为剧烈。\alpha_s和\beta_s是条件方差方程中的关键参数。\alpha_s表示过去的冲击对当前条件方差的影响程度，即ARCH项系数。若\alpha_s较大，说明过去的收益率波动对当前波动的影响较大，市场对过去的冲击反应较为敏感。在股票市场中，若某一时期出现重大利好或利空消息，导致收益率大幅波动，当\alpha_s较大时，这种波动会对后续时期的收益率波动产生较大的持续性影响。\beta_s是GARCH项系数，反映了条件方差的持续性。当\beta_s较大时，说明过去的条件方差对当前条件方差的影响较大，市场波动具有较强的持续性。若股票市场在一段时间内处于高波动状态，当\beta_s较大时，这种高波动状态可能会持续较长时间。\alpha_s+\beta_s的值通常小于1，以保证条件方差的平稳性。若\alpha_s+\beta_s接近1，说明市场波动的持续性很强，过去的波动对未来波动的影响会持续较长时间；若\alpha_s+\beta_s远小于1，则说明市场波动的持续性较弱，过去的波动对未来波动的影响会迅速衰减。\nu_s是t分布的自由度参数，它决定了t分布的尾部厚度。当\nu_s较小时，t分布的尾部比正态分布更厚，说明股票收益率出现极端值的概率较大，市场风险较高。当\nu_s较大时，t分布逐渐接近正态分布，说明股票收益率的分布相对较为集中，出现极端值的概率较小。对于债券收益率序列的GARCH(1,1)-t模型，各参数也具有类似的经济意义。\mu_b反映债券收益率的长期平均水平，\omega_b代表债券市场的长期平均风险水平，\alpha_b和\beta_b分别体现过去冲击对当前条件方差的影响程度以及条件方差的持续性，\nu_b决定债券收益率t分布的尾部厚度。为了检验模型的拟合效果，进行了一系列检验。通过残差检验来检查模型的残差是否符合独立同分布的假设。绘制残差图，观察残差是否围绕零均值随机分布。计算残差的自相关函数和偏自相关函数，若在各滞后阶数下，自相关函数和偏自相关函数的值均在置信区间内，说明残差不存在自相关，模型能够较好地拟合数据。还可以进行ARCH-LM检验，以检验残差序列是否存在ARCH效应。若ARCH-LM检验的p值大于显著性水平（如0.05），则接受原假设，认为残差序列不存在ARCH效应，即模型已经充分捕捉到收益率序列的波动特征，拟合效果良好。通过这些检验，可以判断GARCH(1,1)-t模型对股票和债券收益率边缘分布的拟合效果，为后续的Copula分析提供可靠的基础。5.2Copula模型估计5.2.1常相关Copula模型估计在对股票与债券市场相关性进行研究时，常相关Copula模型是重要的分析工具。本研究选取了正态Copula函数、ClaytonCopula函数、FrankCopula函数和GumbelCopula函数这几种常见的常相关Copula模型进行估计。正态Copula函数基于多元正态分布构建，其分布函数为：C(u,v;\rho)=\int_{-\infty}^{\Phi^{-1}(u)}\int_{-\infty}^{\Phi^{-1}(v)}\frac{1}{2\pi\sqrt{1-\rho^2}}\exp\left(-\frac{s^2-2\rhost+t^2}{2(1-\rho^2)}\right)dsdt，其中u和v分别是股票和债券收益率经过边缘分布转换后的均匀分布变量，\rho是相关系数，\Phi^{-1}是标准正态分布的逆累积分布函数。正态Copula函数适用于描述变量间具有线性相关特征的情况，在金融市场中，当股票与债券市场的相关性呈现出较为对称的线性关系时，正态Copula函数能够较好地度量这种相关性。在市场波动较为平稳的时期，股票市场和债券市场的某些板块之间的相关性可能表现为较为稳定的线性关系，此时正态Copula函数可以有效地捕捉这种相关性。ClaytonCopula函数主要用于刻画下尾依存关系，其分布函数为：C(u,v;\theta)=\left(u^{-\theta}+v^{-\theta}-1\right)^{-\frac{1}{\theta}}，其中\theta是模型参数，\theta\gt0。当\theta越大时，变量间的下尾相关性越强。在金融市场中，当市场处于下跌行情时，股票和债券价格可能同时下跌，此时ClaytonCopula函数可以较好地描述它们之间的相关性。在经济衰退时期，企业盈利下降，股票价格下跌，同时债券违约风险增加，价格也可能下跌，ClaytonCopula函数能够准确地度量这种下尾相关性，帮助投资者评估在市场下行时投资组合的风险。FrankCopula函数具有较弱的上下尾依存特性，其分布函数为：C(u,v;\theta)=-\frac{1}{\theta}\ln\left(1+\frac{(e^{-\thetau}-1)(e^{-\thetav}-1)}{e^{-\theta}-1}\right)，其中\theta\neq0。当\theta\gt0时，变量间呈现正相关；当\theta\lt0时，变量间呈现负相关。FrankCopula函数适合于一般性的相依结构建模，在一些市场环境较为稳定，变量间相关性没有明显的上下尾特征时，FrankCopula函数可以作为一种通用的选择，对变量间的相依结构进行建模。GumbelCopula函数主要用于捕获上尾依存关系，其分布函数为：C(u,v;\theta)=\exp\left(-\left((-\lnu)^{\theta}+(-\lnv)^{\theta}\right)^{\frac{1}{\theta}}\right)，其中\theta\geq1。当\theta越大时，变量间的上尾相关性越强。在金融市场中，当市场处于牛市行情时，股票和债券价格可能同时上涨，GumbelCopula函数能够很好地描述这种上尾相关性。在经济繁荣时期，企业盈利增加，股票价格上涨，同时债券市场也可能因资金充裕而价格上升，GumbelCopula函数可以准确地度量这种情况下股票与债券市场之间的相关性，为投资者在市场上行时的投资决策提供参考。利用极大似然估计法对这些常相关Copula模型的参数进行估计。以正态Copula函数为例，假设股票和债券收益率经过边缘分布转换后的均匀分布变量分别为u_1,u_2,\cdots,u_n和v_1,v_2,\cdots,v_n，则似然函数为：L(\rho)=\prod_{i=1}^{n}c(u_i,v_i;\rho)，其中c(u_i,v_i;\rho)是正态Copula函数的密度函数。通过对似然函数求导，并令一阶导数为零，求解得到使似然函数达到最大值的\rho的估计值。同理，对ClaytonCopula函数、FrankCopula函数和GumbelCopula函数进行参数估计。估计结果如下表所示：Copula函数参数估计值正态Copula\rho=[具体数值1]ClaytonCopula\theta=[具体数值2]FrankCopula\theta=[具体数值3]GumbelCopula\theta=[具体数值4]这些估计结果反映了不同Copula函数下股票与债券市场之间的相关特征。正态Copula函数的相关系数\rho表示股票与债券市场之间的线性相关程度；ClaytonCopula函数的参数\theta体现了下尾相关性的强弱；FrankCopula函数的参数\theta反映了变量间的相关方向和强度；GumbelCopula函数的参数\theta则表示上尾相关性的大小。通过对这些估计结果的分析，可以更全面地了解股票与债券市场在不同尾端的相关性表现。5.2.2时变相关Copula模型估计为了更准确地捕捉股票与债券市场相关性随时间的动态变化，选择时变t-Copula模型进行估计。时变t-Copula模型在传统t-Copula模型的基础上，引入了时变参数，能够更好地反映市场相关性的动态变化特征。时变t-Copula模型的相关系数\rho_t是随时间变化的，通常采用动态条件相关（DCC）模型来估计。DCC模型通过构建一个动态相关系数矩阵，使得相关系数能够随时间根据市场信息进行调整。假设股票和债券收益率经过边缘分布转换后的均匀分布变量分别为u_t和v_t，时变t-Copula模型的密度函数为：c(u_t,v_t;\rho_t,\nu)=\frac{\Gamma\left(\frac{\nu+2}{2}\right)}{\Gamma\left(\frac{\nu}{2}\right)\pi\sqrt{\nu}\sqrt{1-\rho_t^2}}\left(1+\frac{\left(\mathbf{T}^{-1}(u_t;\nu)\right)^2-2\rho_t\mathbf{T}^{-1}(u_t;\nu)\mathbf{T}^{-1}(v_t;\nu)+\left(\mathbf{T}^{-1}(v_t;\nu)\right)^2}{\nu(1-\rho_t^2)}\right)^{-\frac{\nu+2}{2}}，其中\Gamma是伽马函数，\nu是自由度参数，\mathbf{T}^{-1}是t分布的逆累积分布函数。在估计时变t-Copula模型参数时，首先利用GARCH(1,1)-t模型得到股票和债券收益率的标准化残差z_{s,t}和z_{b,t}，然后将其转换为均匀分布变量u_t和v_t。接着，运用极大似然估计法对时变t-Copula模型的参数进行估计。在估计过程中，通过迭代计算，不断更新相关系数\rho_t和自由度参数\nu，以使得模型能够更好地拟合数据。估计得到的时变相关系数\rho_t呈现出明显的动态变化特征。在某些时间段，\rho_t为正值，表明股票与债券市场呈现正相关关系，即股票市场上涨时，债券市场也倾向于上涨；在另一些时间段，\rho_t为负值，说明股票与债券市场呈现负相关关系，股票市场上涨时，债券市场可能下跌。\rho_t的绝对值大小也在不断变化，反映了股票与债券市场相关性的强弱程度在不同时期的变化。在市场波动剧烈的时期，如金融危机、重大政策调整等，\rho_t的变化较为频繁且幅度较大，说明此时股票与债券市场的相关性不稳定，市场不确定性增加。而在市场相对平稳的时期，\rho_t的变化相对较小，市场相关性较为稳定。这种时变相关性的特征对于投资者和金融机构制定投资策略和风险管理方案具有重要意义。投资者可以根据时变相关系数的变化，及时调整投资组合中股票和债券的比例，以降低风险并获取更好的收益。金融机构在进行风险管理时，也需要充分考虑股票与债券市场相关性的时变特征，准确评估投资组合的风险水平，制定有效的风险对冲策略。5.3相关性分析结果5.3.1静态相关性分析基于常相关Copula模型的估计结果，对股票与债券市场的静态相关性进行深入分析。在正态Copula函数下，相关系数\rho衡量了股票与债券市场之间的线性相关程度。当\rho为正值时，表明股票与债券市场呈现正相关关系。在经济增长较为稳定的时期，企业盈利预期上升，股票市场表现良好，同时债券市场也因经济环境稳定、资金充裕等因素而表现出一定的上涨趋势，此时股票与债券市场的相关性为正。若\rho=0.3，说明股票与债券市场存在一定程度的正相关，即股票市场价格上涨时，债券市场价格有30%的概率也会上涨。当\rho为负值时，股票与债券市场呈现负相关关系。在经济衰退时期，投资者风险偏好下降，资金从股票市场流向债券市场，导致股票价格下跌，债券价格上涨，此时股票与债券市场的相关性为负。若\rho=-0.4，则意味着股票市场价格上涨时，债券市场价格有40%的概率会下跌。ClaytonCopula函数主要刻画下尾相关性，即两个变量同时取较小值的可能性。当ClaytonCopula函数的参数\theta较大时，表明股票与债券市场的下尾相关性较强。在市场出现大幅下跌的极端情况下，如金融危机时期，股票市场和债券市场可能同时遭受重创，价格大幅下跌。若此时\theta较大，说明股票与债券市场同时处于低收益状态的概率较高，投资者在这种情况下面临的风险较大。当\theta=5时，股票与债券市场在市场下跌时同时出现低收益的可能性相对较大，投资者需要更加关注投资组合在市场下行时的风险。FrankCopula函数具有较弱的上下尾依存特性，其参数\theta反映了变量间的相关方向和强度。当\theta\gt0时，变量间呈现正相关；当\theta\lt0时，变量间呈现负相关。FrankCopula函数的相关强度相对较为温和，不像其他Copula函数那样对上下尾相关性有明显的偏向。在一些市场环境较为稳定，没有明显六、结果讨论与投资策略建议6.1实证结果讨论6.1.1与已有研究结果对比分析将本文基于Copula-GARCH模型的实证结果与前人研究成果进行对比，有助于验证模型的有效性，并深入理解我国股票与债券市场相关性的特点。在与前人研究结果的对比中，发现存在一定的相似性和差异性。相似之处在于，众多研究都表明我国股票与债券市场的相关性并非固定不变，而是受到多种因素的影响，呈现出动态变化的特征。朱为玉（2022）以2003-2022年间沪深两市的非ST股票及债券月度收益率数据为样本，论证了债券和股票投资组合收益率之间的关系，发现我国股票市场中，与债券收益率相关性较强的股票投资组合具有成立年限较长、股票波动率较低等特征。这与本文研究中发现的股票与债券市场相关性在不同市场条件下存在差异的结果相呼应。在市场波动较为平稳的时期，股票与债券市场的相关性相对稳定；而在市场出现大幅波动时，相关性会发生显著变化。在相关性的具体数值和变化趋势上，与部分前人研究存在差异。一些早期研究运用简单的相关系数方法，发现我国股票与债券市场在某些时期呈现出较弱的负相关关系。而本文采用Copula-GARCH模型，考虑了收益率序列的时变波动性和非线性相关结构，发现股票与债券市场的相关性在不同的市场环境下更为复杂。在经济增长较快的时期，两者可能呈现正相关关系；在经济衰退或市场不确定性增加时，可能呈现负相关关系。这种差异可能源于研究方法的不同。传统的简单相关系数方法无法捕捉金融时间序列的复杂特征，而Copula-GARCH模型能够更全面、准确地刻画股票与债券市场之间的相关性。样本选择和时间跨度的差异也可能导致结果的不同。本文选取了2010年1月4日至2024年12月31日的数据，涵盖了多个经济周期和市场波动阶段，更能反映市场的全貌。而部分前人研究的数据样本和时间跨度可能相对较短，无法充分捕捉市场相关性的动态变化。6.1.2结果的经济意义解释从宏观经济角度来看，经济增长是影响股票与债券市场相关性的重要因素。在经济增长强劲的时期，企业盈利预期上升，股票市场表现良好。此时，债券市场也可能因经济的繁荣而受益，资金充裕使得债券价格上升，收益率下降，股票与债券市场呈现正相关关系。在2016-2017年，我国经济保持稳定增长，GDP增长率维持在较高水平，股票市场和债券市场都呈现出上涨的趋势，两者的相关性为正。当经济增长放缓时，企业盈利受到影响，股票市场面临下行压力。投资者为了规避风险，会将资金转向相对安全的债券市场，导致债券价格上涨，收益率下降，股票与债券市场呈现负相关关系。在2018年，受贸易摩擦等因素影响，我国经济增长面临一定压力，股票市场大幅下跌，而债券市场则表现相对稳定，两者的相关性为负。通货膨胀对股票与债券市场的影响也较为显著。当通货膨胀预期上升时，债券的实际收益率下降，债券价格下跌。股票市场可能受到通货膨胀的不同影响，一方面，企业成本上升，盈利受到挤压，股票价格可能下跌；另一方面，通货膨胀也可能导致物价上涨，企业销售收入增加，股票价格上涨。通货膨胀对股票与债券市场的影响较为复杂，两者的相关性可能出现波动。在通货膨胀率较高的时期，债券市场表现不佳，而股票市场的不同板块可能表现各异，导致股票与债券市场的相关性不稳定。从市场机制角度分析，资金流动是影响股票与债券市场相关性的关键因素。当投资者对股票市场的预期较好时，会将资金大量投入股票市场，导致债券市场资金流出，债券价格下跌，股票与债券市场呈现负相关关系。在股票市场牛市行情中，投资者纷纷买入股票，债券市场资金相对减少，债券价格受到抑制，两者的相关性为负。当投资者对股票市场的风险担忧增加时，会将资金转移到债券市场，债券价格上涨，股票与债券市场呈现正相关关系。在市场出现大幅波动或不确定性增加时，投资者会选择债券市场作为避险资产，导致债券价格上升，股票与债券市场的相关性为正。投资者情绪也是影响股票与债券市场相关性的重要因素。在市场情绪乐观时，投资者风险偏好较高，更倾向于投资股票市场，股票价格上涨。此时，债券市场可能相对冷清，债券价格下跌，股票与债券市场呈现负相关关系。在市场情绪悲观时，投资者风险偏好下降，更倾向于投资债券市场，债券价格上涨，股票与债券市场呈现正相关关系。当市场出现重大负面消息时，投资者情绪低落，纷纷抛售股票，买入债券，导致股票价格下跌，债券价格上涨，两者的相关性为正。6.2投资策略建议6.2.1基于相关性分析的资产配置策略投资者在进行资产配置时，可以充分利用股票与债券市场的相关性，实现风险分散和收益优化。根据市场环境和自身风险偏好，合理调整股票和债券在投资组合中的比例。在股票市场处于牛市行情时，股票价格上涨，预期收益较高。投资者可以适当增加股票在投资组合中的比例，以获取更高的收益。若投资者判断当前股票市场处于上升趋势，且经济增长稳定，企业盈利预期良好，可以将股票投资比例提高至60%-70%，债券投资比例相应降低至30%-40%。当股票市场面临调整风险或处于熊市行情时，股票价格下跌，投资风险增加。此时，投资者应增加债券在投资组合中的比例，以降低风险。在经济增长放缓、市场不确定性增加的情况下，股票市场可能出现下跌，投资者可以将债券投资比例提高至60%-70%，股票投资比例降低至30%-40%。通过合理调整股债比例，投资者可以在不同市场环境下实现风险与收益的平衡。利用股票与债券市场的低相关性，构建多元化投资组合，以降低投资组合的整体风险。由于股票与债券市场的相关性并非始终为正，在某些情况下呈现负相关或弱相关关系，将两者组合在一起可以起到分散风险的作用。若股票市场和债券市场的相关性为负，当股票市场下跌时，债券市场可能上涨，从而弥补股票投资的损失，稳定投资组合的价值。投资者可以将不同行业、不同信用等级的股票与债券进行组合，进一步优化投资组合的风险收益特征。投资一些蓝筹股和高信用等级的债券，同时搭配一些成长型股票和中等信用等级的债券，以实现风险的分散和收益的提升。6.2.2风险管理策略相关性对投资组合风险具有重要影响。当股票与债券市场呈现正相关时，投资组合的风险会增加。因为在这种情况下，股票和债券的价格可能同时上涨或下跌，投资组合的价值波动较大。当股票与债券市场呈现负相关时，投资组合的风险会降低。因为股票价格下跌时，债券价格可能上涨，两者的波动相互抵消，投资组合的价值相对稳定。投资者在进行风险管理时，需要密切关注股票与债券市场的相关性变化。投资者可以利用股票与债券市场的相关性进行风险管理。