交叉持股企业传染性分析

表4.2给出的各估计模型对数似然值LR和AIC值都表明，状态变量的引入对模型的估计有明显的优化作用。不过，对“被持股企业”而言，选择“持股企业权益资产日收益波动率”作为状态变量时模型估计值更优，能更好地捕捉被持股企业权益收益率跳跃预期的变化。以下利用五矿发展和宁波联合为例对这一结论进行更深入的分析。

图4.9为宁波联合日收益率，图4.10和图4.11分别表示状态变量为“A股指数日波动率”和“五矿发展权益资产日波动率”时，由模型估计所得的“宁波联合”条件跳跃强度和跳跃发生的事后概率。从图4.10可以发现，状态变量为“A股指数前期日波动率”时模型识别跳跃的能力很强，但识别的跳跃过多，甚至有许多小幅波动的地方被识别为跳跃，这说明有些A股指数大幅波动其实并未引起宁波联合跳跃行为的变化，模型的描述和实际变化之间出现了错位。

图4.9　宁波联合日收益率

图4.10　状态变量为“A股指数日波动率”的模型估计结果(www.xing528.com)

图4.11则表明状态变量为“五矿发展权益资产前期日波动率”时模型不仅能更好地描述跳跃的变化特征，而且也正确地区分了跳跃行为和非跳跃行为。如果将超过均值±1.64标准差^[6]的日收益率视为跳跃，宁波联合在整个观测区间内有164个跳跃点。如果以概率大于0.5为标准来识别这些跳跃点，那么设置“A股指数前期日波动率”为状态变量时，有1个跳跃点没有被模型识别，犯第一类错误的概率为0.006，犯第二类错误的概率达到0.310。而设置“五矿发展前期日波动率”为状态变量时，有2个跳跃点没有被模型识别，犯第一类错误的概率为0.012，犯第二类错误的概率仅为0.159。

选取不同状态变量的两个模型对跳跃点的识别概率都在95%以上，但是后一模型犯第二类错误的概率显著下降，减少了将近180个点的错误识别。这应该是因为状态变量为“五矿发展的前期日波动率”时，模型在考虑持股企业对被持股企业大幅波动的传染效应同时也间接考虑了市场指数前期大幅波动的影响，从而能更好地捕捉宁波联合跳跃预期的变化。

图4.11　状态变量为“五矿发展日波动率”的模型估计结果

为了明确这种传染效应是相互的还是单向的，进一步观察宁波联合波动变化对五矿发展跳跃强度的影响。仍旧分别取“A股指数前期日波动率”和“宁波联合权益资产前期日波动率”作为状态变量，来估计五矿发展的相关参数值。模型估计的结果表明，选取“A股指数前期日波动率”作为状态变量时，模型正确识别了全部246个跳跃点，而犯第二类错误的概率为0.311。选取“宁波联合前期日波动率”为状态变量时，模型也正确识别了全部跳跃点，但第二类错误的概率为0.384，错误识别非跳跃点的数量多出了83个。这说明五矿发展的某些跳跃行为与宁波联合的大幅波动无关，利用“宁波联合权益资产前期日波动率”作为状态变量，反而对五矿发展跳跃预期的某些改变作出错误判断，导致模型出现更多的错误识别。

通过对其他几对交叉持股企业的分析和对比发现，除了桐君阁和太极集团之间波动的传染是相互的以外，基本上都是持股企业大幅波动对被持股企业的单向传染，这可能和太极集团对桐君阁的持股比例较高，达到50%以上有关。