为了验证上述模型及方法的可行性和优越性，本节以上证综合指数和美国股市标普500指数为两国股市指数代理变量，采样日期从2007年8月9日至2010年1 月12 日，数据源于雅虎财经(http：//finance.yahoo.com) 。表10.1给出描述统计与模型设定检验，r1、r2分别表示中美股指的对数收益率(单位：%)，图10.2(a)给出了533个同步收益率时序图，x2(5)的5%临界值是11.070，*表示自相关性在5%水平显著，**表示GARCH 效应在5%水平显著，***表示非正态性在5%水平显著。
表10.1 描述性统计与模型设定检验
表10.1中各统计量的显著性显示对收益率序列适合建立二元时变Copula-GARCH(1，1)-M-t模型。依据前面提出的MCMC2，我们选用R2.10软件和Matalab2010a软件为计算平台，分别编程实现GARCH-M-t模型和时变t-Copula函数的参数估计，得到全部参数的马尔科夫链模拟序列(见图10.1)。这里链长取为5500步，其中我们利用Geweke(1993)的方法(G 统计量)检验出这些马尔科夫链序列在MCMC 抽样500步及以上时都是收敛的，为此图10.1展示了用以估计模型参数的后5000步的参数序列的趋势图，表10.2给出了模型参数的MCMC2以及IFM 方法的估计结果。
从图10.1中参数的马尔科夫链序列变化的趋势看来，边缘模型系数的MCMC2抽样存在较大的差异，时变Copula参数的马尔科夫链表现出连续性较差的趋势特征。这或许可以解释为收益率序列携带的新息对参数先验分布的影响较大，进而体现了两个市场价格发现机制的内在区别，从而显示出中美股市的投资者对新息冲击的学习能力不同。
10.1 模型参数的马尔科夫链序列
表10.2 模型参数估值结果比较(www.xing528.com)
续表
注10.1：链长取为5 500，G 统计量显示马尔科夫链收敛到平稳的转移分布。
由表10.2可见：
(1)模型参数估值结果几乎都显著；因此这样设定的模型结构适合于描述中美两国股市之间的时变相依结构。
(2)δ1 小于δ2 表明我国股市的风险厌恶程度强于美国股市，这可能意味着国内投资者寻求风险补偿的预期要强于美股投资者的预期；v 1 小于v 2 表明美股收益率分布的尖峰、厚尾等特征比国内股市的特征突出；β1 小于β2 体现了国内股市收益率波动的记忆性强于美股收益率波动。
(3)a，b的T 统计量的显著性表明两个市场之间具有时变相关的结构。其中b 大于0.8显示两市收益率之间的相关性存在较强的记忆性；a 小于0.03表明过去5个交易日内的新息对两国股市之间的相依性结构的影响较小；η显示t-Copula函数的尾部较高，说明两国股市在尾部的相依结构特征十分明显。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
