复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/8872307gydF4y2Ba 8872307gydF4y2Ba 研究文章gydF4y2Ba 股市波动相似性和溢出效应在G20 Comovements:一个(ica ARMA-APARCH-M方法gydF4y2Ba https://orcid.org/0000 - 0001 - 6647 - 5613gydF4y2Ba 柴gydF4y2Ba ShangleigydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 6512 - 1458gydF4y2Ba 张gydF4y2Ba 甄gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0003 - 0077 - 1537gydF4y2Ba 杜gydF4y2Ba 莫gydF4y2Ba 3gydF4y2Ba https://orcid.org/0000 - 0003 - 1478 - 3344gydF4y2Ba 江gydF4y2Ba LeigydF4y2Ba 4gydF4y2Ba 刘gydF4y2Ba XueyonggydF4y2Ba 1gydF4y2Ba 商学院gydF4y2Ba 山东师范大学gydF4y2Ba 济南250014gydF4y2Ba 中国gydF4y2Ba sdnu.edu.cngydF4y2Ba 2gydF4y2Ba 系统工程研究所gydF4y2Ba 大连理工大学gydF4y2Ba 大连116024gydF4y2Ba 中国gydF4y2Ba dlut.edu.cngydF4y2Ba 3gydF4y2Ba 会计学院gydF4y2Ba 山东青年政治学院的gydF4y2Ba 济南250103gydF4y2Ba 中国gydF4y2Ba cyu.edu.cngydF4y2Ba 4gydF4y2Ba 经济学院的gydF4y2Ba 浙江大学金融和经济gydF4y2Ba 杭州310018gydF4y2Ba 中国gydF4y2Ba zufe.edu.cngydF4y2Ba 2020年gydF4y2Ba 11gydF4y2Ba 12gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 30.gydF4y2Ba 8gydF4y2Ba 2020年gydF4y2Ba 11gydF4y2Ba 11gydF4y2Ba 2020年gydF4y2Ba 1gydF4y2Ba 12gydF4y2Ba 2020年gydF4y2Ba 11gydF4y2Ba 12gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020 Shanglei茶等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

金融国际化导致类似的波动和世界各地的金融市场的溢出效应,导致跨境金融风险。本研究检视comovements G20国际股票市场而考虑波动相似性和溢出效应。我们提供一种新的方法使用基于ICA(独立分量分析)——ARMA-APARCH-M模型来阐明是否有溢出效应在20国集团(G20)股票市场类似的动力学。具体来说,我们首先要确定的20国集团(G20)股票市场有类似的波动特性使用模糊c均值时间序列聚类方法,然后调查波动溢出效应的主要来源使用ica ARMA-APARCH-M模型。证据表明ICA方法可以更准确地捕捉市场comovements金融时间序列数据的非正态的分布,将多变量时间序列转换成统计独立的组件(ICs)。我们的研究结果表明,20国集团(G20)股票市场集群分成三个类别根据波动相似性。有溢出效应在股市comovements每组和主要来源可以被识别。本研究有重要意义对国际金融市场的投资者和政策制定者在G20国家。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 71704098gydF4y2Ba 71971039gydF4y2Ba 72003110gydF4y2Ba 山东省自然科学基金gydF4y2Ba ZR2016GQ03gydF4y2Ba 1。介绍gydF4y2Ba

的上升趋势在全球金融市场蔓延,20国集团(G20),出生在2008年金融危机后,已成为全球最重要的论坛合作应对危机gydF4y2Ba 1gydF4y2Ba]。溢出效应暗示对金融市场产生巨大影响将会增加,市场和其他市场的回报和相关性(gydF4y2Ba 2gydF4y2Ba]。进一步的解释是,股票市场的波动性将一起随着时间(即。comovements)。那么,我们如何衡量股市的comovements ?一些现有的研究(gydF4y2Ba 3gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba]表明,comovements可以测量的相似性在多个市场因为波动相似性提高跨市场信息流动,从而导致comovements其中。也就是说,我们可以发现,当一个市场的价格下降,其连接市场也将下降,反之亦然。因此,波动相似性衡量聚类分析应用于量化comovements股票市场的研究。gydF4y2Ba

出于这个因素,我们在多元金融时间序列模型,因为它长期以来一直是研究波动率溢出和comovements标准(gydF4y2Ba 6gydF4y2Ba]。然而,现存实证文献处理重点冲击波动溢出效应通过多元GARCH模型,它有以下缺点。gydF4y2Ba

首先,GARCH模型仅限于解决二维或三维的问题(gydF4y2Ba 7gydF4y2Ba- - - - - -gydF4y2Ba 12gydF4y2Ba]。然而,事实不容忽视,有远远超过两个或三个相互关联的金融市场风险如今,这是现有文献缺乏相关的研究。为了填补这一空缺,我们打算解决高维G20金融市场波动性建模问题;因此,一种新的方法来处理这种情况下是必要的。gydF4y2Ba

第二,现有文献不包括波动的研究相似,在20国集团(G20)股市comovements溢出效应。在当今经济全球化越来越多的经济和金融自由化,人们普遍认为,金融市场波动时倾向于使用一种彼此类似的趋势。超过两个市场的波动,有一些共同的潜在因素可能同时传输一个市场(gydF4y2Ba 13gydF4y2Ba- - - - - -gydF4y2Ba 16gydF4y2Ba]。需要量化的共同波动溢出效应作为一个综合指数市场comovements世界各地。gydF4y2Ba

第三,多重共线性可能发生在多个金融市场波动因素作为解释变量来解释同一市场的波动溢出效应。如果有某些解释变量之间的相关性,结果没有真正解释了溢出效应。因此,一些统计独立的组件,代表原始的多变量时间序列的波动必须分解。gydF4y2Ba

要克服这些缺点,降维的思想反映了所有的信息需要通过一些指标指标。方法,如主成分分析(PCA)或独立分量分析(ICA)可以用来分解的低维空间中不相关的部分信息更有意义的解释。主成分分析假设主成分服从高斯分布;然而,实际的数据通常不服从高斯分布,如厚尾和金融时间序列数据的非正态的。ICA可以解决这些问题。利用ICA在金融数据分析是一个探索性的努力发现一些潜在的推动机制。这是ICA的本质区别和其他数据处理方法,如主成分分析和因子分析。gydF4y2Ba

因此,我们引入ICA在20国集团(G20)股票市场波动溢出效应建模comovements。虽然ICA的基本模型主要应用于信号处理在前面的文学,它最近显示更多的优势在金融时间序列建模(gydF4y2Ba 17gydF4y2Ba]。最强的一点是,ICA可以处理更大规模的数据比其他竞争模型与计算成本极低,从而避免维度的诅咒。它也再现了一些高力矩特性的重尾分布和峰态分布存在的金融市场(gydF4y2Ba 18gydF4y2Ba- - - - - -gydF4y2Ba 20.gydF4y2Ba]。此外,它不需要联合估计,因为每一个组件是独立的。基于上述分析,适当引入ICA研究co-movements二十国集团股票市场。gydF4y2Ba

我们的研究旨在解决这些关键问题如下。(i)我们如何识别comovements G20国家的股票市场,或在20国集团(G20)也有类似的股市波动模式?(2)市场中类似的波动,有溢出效应在市场comovements吗?(3)如果有两个或两个以上的市场的溢出效应,溢出效应的主要来源是什么?解决问题(我),一个ARMA-APARCH-M模型和采用模糊c均值聚类方法探讨comovements根据波动相似性。解决问题(2)和(3),我们提出一个ica ARMA-APARCH-M模型,调查了20国集团(G20)股市comovements的波动溢出效应。gydF4y2Ba

本研究组织如下。部分gydF4y2Ba 2gydF4y2Ba讨论了相关文献。节gydF4y2Ba 3gydF4y2Ba介绍的方法和理论方面的考虑。数据和实证研究的结果发表在部分gydF4y2Ba 4gydF4y2Ba。结论部分gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

 2。文献综述gydF4y2Ba

分析跨国股票市场之间的波动溢出效应是高利息的金融文献实证,越来越关注这个问题(gydF4y2Ba 6gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba- - - - - -gydF4y2Ba 26gydF4y2Ba]。波动的传播风险分析研究金融市场之间的波动溢出效应。在这些文献中,广义自回归条件异方差性(GARCH)模型,由Bollerslev [gydF4y2Ba 27gydF4y2Ba),被广泛使用。尽管这个模型可以捕获许多金融时间序列的特点,其假设忽略了新信息的象征。坏消息的负面冲击往往会引发较高的波动性比好消息的到来。这一现象表明,它是一个简单的GARCH模型不合理设置正面和负面冲击,对称等的影响。gydF4y2Ba

的不对称的影响,提出了许多扩展模型,例如,丁et al。(gydF4y2Ba 28gydF4y2Ba]APARCH(不对称权力拱)模型。从那时起,GARCH模型与不对称项已广泛应用于下列研究股票市场的波动性(gydF4y2Ba 23gydF4y2Ba,gydF4y2Ba 29日gydF4y2Ba- - - - - -gydF4y2Ba 31日gydF4y2Ba]。Mensi et al。gydF4y2Ba 23gydF4y2Ba)采用二元APARCH模型来捕捉美国和金砖四国股票市场之间的波动溢出效应。除了GARCH模型,其他一些传统的计量经济学方法用于波动溢出效应研究,如ARMA模型(gydF4y2Ba 32gydF4y2Ba],马尔可夫状态变换模型[gydF4y2Ba 33gydF4y2Ba,gydF4y2Ba 34gydF4y2Ba),和VAR框架(gydF4y2Ba 35gydF4y2Ba- - - - - -gydF4y2Ba 38gydF4y2Ba]。然而,大量的参数需要估计这些模型时,两个或三个以上的金融资产。为了克服维数的诅咒,近年来提出了一些网络模型(gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 39gydF4y2Ba- - - - - -gydF4y2Ba 44gydF4y2Ba]。耿et al。gydF4y2Ba 18gydF4y2Ba]构造波动的能源公司网络使用网络连通性的方法,为风险管理提供参考。gydF4y2Ba

无论哪种方法用于研究金融市场的波动溢出效应,现有文献中常见的缺陷。也就是说,他们没有考虑到常见的波动溢出效应综合指数来衡量风险蔓延带来的同步运动。波动的市场传播从超过两个或三个市场,这可能有共同的潜在元素和一起行动。这种波动的传播在市场一起运动通常被称为市场comovements的波动溢出效应。这可以被一个综合指数,代表多个股票回归残差的加权值的comovements金融变量。gydF4y2Ba

为了解决上述问题,ICA已推广近年来采用。它旨在提取隐含的信息从原始数据的独立组件不知道signal-mixing过程。尽管它的受欢迎程度在信号处理中,应用ICA最近在金融环境中,例如,股票价格预测(gydF4y2Ba 45gydF4y2Ba),实现了波动分析(gydF4y2Ba 46gydF4y2Ba),有条件协方差预测(gydF4y2Ba 14gydF4y2Ba投资组合选择[]gydF4y2Ba 47gydF4y2Ba),黄金价格分析(gydF4y2Ba 48gydF4y2Ba),和结构性冲击VAR模型的识别(gydF4y2Ba 49gydF4y2Ba]。ICA方法有优势,它可以提取底层信息在金融时间序列和金融预测[提供更多有价值的信息gydF4y2Ba 45gydF4y2Ba]。研究中的应用ICA可以克服维数的诅咒和捕捉来自多个金融市场一个市场的波动溢出效应。gydF4y2Ba

作为一个基本概念,comovements的识别在国际股票市场已经吸引了许多学者的研究(gydF4y2Ba 3gydF4y2Ba,gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 50gydF4y2Ba- - - - - -gydF4y2Ba 57gydF4y2Ba]。盛等。gydF4y2Ba 57gydF4y2Ba分析市场comovements在8个主要股票市场并验证波动溢出效应的存在。陈(gydF4y2Ba 52gydF4y2Ba)检查comovements股市小说使用贝叶斯因子模型。尽管这些研究识别comovements的概念,他们没有量化的comovements股票市场。因为Aghabozorgi和格兰(gydF4y2Ba 3gydF4y2Ba)指的是股票市场的波动在一个组别comovements,我们采用波动相似性分析量化comovements。波动性之间相似度的定义是一个近距离波动影响因素代表波动特性,即。,米一个rket movements are organized into homogeneous groups where the distance of within-group objects is minimized and the distance of cross-group objects is maximized. For distance calculation, the method of grouping time series by clustering analysis has been recently applied to address financial time series issues [ 58gydF4y2Ba- - - - - -gydF4y2Ba 65年gydF4y2Ba]。这些学者认为,集群生成的相似性非常准确和有意义的。因此,我们使用波动相似性衡量一个模糊c均值(FCM)聚类分析量化comovements的股票市场。gydF4y2Ba

 3所示。方法gydF4y2Ba

检查波动相似性和溢出效应在20国集团(G20)股市comovements,一个ica ARMA-APARCH-M方法提出了。如图gydF4y2Ba 1gydF4y2Ba,我们通过三个步骤来解决这个问题,在介绍中提到的。ARMA-APARCH-M模型是用来获取返回系列的剩余工资,然后使用ICA生成独立的组件(ICs)。计算每一个独立的组件是一个综合指数代表多个股票回归残差的加权值。作为潜在的组件捕获波动是统计独立的,我们可以把一个单变量ARMA-APARCH-M模型集成电路。通过这种方式,从多个金融市场波动溢出效应在comovements可以检查。gydF4y2Ba

方法论的框架图。gydF4y2Ba

 3.1。独立分量分析(ICA)gydF4y2Ba

ICA是一个统计和数值分析的方法提取未知信号的独立的组件或随机变量。这种方法最初开发处理盲源分离(BSS),也被称为鸡尾酒会问题。所谓的鸡尾酒会问题是在一个充满各种宴会的对话和音乐,人们仍然可以关注听他们想听的,尽管不同的声音。不知道混合机制,它只是看起来统计独立的组件隐藏在复杂的现象使用线性或非线性观测数据的分解。gydF4y2Ba

假设gydF4y2Ba XgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 米gydF4y2Ba TgydF4y2Ba 表示给定的多变量矩阵的大小gydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 指的是观察到的混合信号。(基本ICA模型gydF4y2Ba 66年gydF4y2Ba)是由gydF4y2Ba (1)gydF4y2Ba XgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 一个gydF4y2Ba未知的混合矩阵和吗gydF4y2Ba 年代gydF4y2Ba是不能直接观察到源矩阵。ICA模型解释了如何生成观察通过混合组件gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 。独立组件(IC)是一个潜变量,不能直接观察到。ICA的目标是找到一个特定的gydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 分层矩阵gydF4y2Ba WgydF4y2Ba这样gydF4y2Ba (2)gydF4y2Ba YgydF4y2Ba =gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba =gydF4y2Ba WgydF4y2Ba XgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 是gydF4y2Ba 我gydF4y2BathgydF4y2Ba矩阵的行gydF4y2Ba YgydF4y2Ba,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 。它是用来估计独立潜源信号gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 。独立组件(ICs)gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 必须是统计独立的。当分层矩阵gydF4y2Ba WgydF4y2Ba 混合矩阵的逆gydF4y2Ba 一个gydF4y2Ba ,也就是说,gydF4y2Ba WgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,集成电路gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 可以用来估计潜在源信号sgydF4y2Ba 我gydF4y2Ba。在这项研究中,我们采用FastICA算法提出的Hyvarinen和OjagydF4y2Ba 66年gydF4y2Ba解决分层矩阵W),因为它已被证明可以很好地处理财务数据(gydF4y2Ba 14gydF4y2Ba]。这是一个算法的基础上最大化的同时指出定点迭代过程gydF4y2Ba wgydF4y2Ba TgydF4y2Ba xgydF4y2Ba 。nonquadratic函数的导数gydF4y2Ba GgydF4y2Ba用gydF4y2Ba ggydF4y2Ba 。它是由以下四个步骤完成:gydF4y2Ba

步骤1:选择一个初始权向量gydF4y2Ba WgydF4y2Ba

第二步:让gydF4y2Ba WgydF4y2Ba +gydF4y2Ba =gydF4y2Ba EgydF4y2Ba XgydF4y2Ba ggydF4y2Ba WgydF4y2Ba TgydF4y2Ba XgydF4y2Ba −gydF4y2Ba EgydF4y2Ba ggydF4y2Ba ′gydF4y2Ba WgydF4y2Ba TgydF4y2Ba XgydF4y2Ba WgydF4y2Ba

步骤3:让gydF4y2Ba WgydF4y2Ba +gydF4y2Ba =gydF4y2Ba WgydF4y2Ba +gydF4y2Ba /gydF4y2Ba WgydF4y2Ba +gydF4y2Ba

步骤4:如果不是聚合,回到2gydF4y2Ba

3.2。ARMA-APARCH-M模型gydF4y2Ba

解释的不对称影响金融市场的正面和负面的冲击,丁et al。gydF4y2Ba 28gydF4y2Ba)提出一个不对称力量拱APARCH模型考虑到长期记忆属性,这是gydF4y2Ba (3)gydF4y2Ba rgydF4y2Ba tgydF4y2Ba =gydF4y2Ba μgydF4y2Ba +gydF4y2Ba εgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba tgydF4y2Ba |gydF4y2Ba ψgydF4y2Ba tgydF4y2Ba −1gydF4y2Ba ∼gydF4y2Ba NgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba σgydF4y2Ba tgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (4)gydF4y2Ba σgydF4y2Ba tgydF4y2Ba δgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 0gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 问gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba γgydF4y2Ba 我gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba δgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba pgydF4y2Ba βgydF4y2Ba jgydF4y2Ba σgydF4y2Ba tgydF4y2Ba −gydF4y2Ba jgydF4y2Ba δgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba rgydF4y2Ba tgydF4y2Ba 是股市的对数返回,定义为有条件的总和的意思吗gydF4y2Ba μgydF4y2Ba 和为干扰gydF4y2Ba εgydF4y2Ba tgydF4y2Ba 。有条件的标准偏差gydF4y2Ba σgydF4y2Ba tgydF4y2Ba 可以估计的相关滞后信息multiperiods。的系数gydF4y2Ba γgydF4y2Ba 我gydF4y2Ba 代表了不对称的效果。估计参数gydF4y2Ba δgydF4y2Ba 不是预设的,而是从样本数据估计。gydF4y2Ba

然而,在金融投资,风险越大,预期收益越大,这种现象称为风险回报当风险增加。因此,APARCH模型扩展到一个APARCH-M模型,有条件的可以直接影响的均值方差的回报。此外,证据表明,金融时间序列序列autocorrelated因为它是受自己的惯性和滞后效应的影响。我们将自回归移动平均(ARMA) APARCH-M模型,这是ARMA-APARCH-M命名。gydF4y2Ba (5)gydF4y2Ba rgydF4y2Ba tgydF4y2Ba =gydF4y2Ba μgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba φgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ωgydF4y2Ba σgydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba tgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba θgydF4y2Ba jgydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba jgydF4y2Ba =gydF4y2Ba μgydF4y2Ba +gydF4y2Ba 自回归滑动平均gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba +gydF4y2Ba ωgydF4y2Ba σgydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba (6)gydF4y2Ba σgydF4y2Ba tgydF4y2Ba δgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 0gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba pgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba γgydF4y2Ba 我gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba δgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 问gydF4y2Ba βgydF4y2Ba jgydF4y2Ba σgydF4y2Ba tgydF4y2Ba −gydF4y2Ba jgydF4y2Ba δgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba φgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba φgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba φgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba ngydF4y2Ba 是一组gydF4y2Ba 基于“增大化现实”技术gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba 马gydF4y2Ba ngydF4y2Ba 系数和gydF4y2Ba ωgydF4y2Ba 是风险收益的贡献率。其他符号的定义是相同的方程(gydF4y2Ba 3gydF4y2Ba)和(gydF4y2Ba 4gydF4y2Ba)。gydF4y2Ba

 3.3。ica ARMA-APARCH-M模型gydF4y2Ba

假设我们需要调查是否有从其他波动溢出效应gydF4y2Ba zgydF4y2Ba金融市场gydF4y2Ba zgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 一个金融市场gydF4y2Ba xgydF4y2Ba在comovements过程。首先,建立了回归方程gydF4y2Ba zgydF4y2Ba市场:gydF4y2Ba (7)gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba =gydF4y2Ba μgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba φgydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ωgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba σgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba θgydF4y2Ba 1gydF4y2Ba jgydF4y2Ba εgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba jgydF4y2Ba rgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba =gydF4y2Ba μgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba φgydF4y2Ba 2gydF4y2Ba 我gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ωgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba σgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba θgydF4y2Ba 2gydF4y2Ba jgydF4y2Ba εgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba jgydF4y2Ba ⋮gydF4y2Ba rgydF4y2Ba zgydF4y2Ba tgydF4y2Ba =gydF4y2Ba μgydF4y2Ba zgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba φgydF4y2Ba zgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba zgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ωgydF4y2Ba zgydF4y2Ba tgydF4y2Ba σgydF4y2Ba zgydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba zgydF4y2Ba tgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba θgydF4y2Ba zgydF4y2Ba jgydF4y2Ba εgydF4y2Ba zgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba zgydF4y2Ba tgydF4y2Ba 对数的回报吗gydF4y2Ba zgydF4y2Ba金融市场,gydF4y2Ba σgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba σgydF4y2Ba zgydF4y2Ba tgydF4y2Ba 代表股票市场的内部市场风险,gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba εgydF4y2Ba zgydF4y2Ba tgydF4y2Ba 回归残差序列,然后呢gydF4y2Ba ωgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ωgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ωgydF4y2Ba zgydF4y2Ba tgydF4y2Ba 贡献率的内部市场风险的回报。然后,ICA将剩余序列变换成几个统计独立的组件,代表多个市场波动的综合指标。gydF4y2Ba (8)gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba =gydF4y2Ba wgydF4y2Ba 11gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba +gydF4y2Ba wgydF4y2Ba 12gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba +gydF4y2Ba ⋯gydF4y2Ba +gydF4y2Ba wgydF4y2Ba 1gydF4y2Ba kgydF4y2Ba εgydF4y2Ba kgydF4y2Ba tgydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba =gydF4y2Ba wgydF4y2Ba 21gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba +gydF4y2Ba wgydF4y2Ba 22gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba +gydF4y2Ba ⋯gydF4y2Ba +gydF4y2Ba wgydF4y2Ba 2gydF4y2Ba kgydF4y2Ba εgydF4y2Ba kgydF4y2Ba tgydF4y2Ba ⋮gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba tgydF4y2Ba =gydF4y2Ba wgydF4y2Ba kgydF4y2Ba 1gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba +gydF4y2Ba wgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba +gydF4y2Ba ⋯gydF4y2Ba +gydF4y2Ba wgydF4y2Ba kgydF4y2Ba kgydF4y2Ba εgydF4y2Ba kgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba tgydF4y2Ba 独立的组件称为gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba kgydF4y2Ba 和gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba εgydF4y2Ba kgydF4y2Ba tgydF4y2Ba 回归残差序列。gydF4y2Ba

第三,建立单变量ARMA-APARCH-M模型从其他检查溢出效应gydF4y2Ba zgydF4y2Ba金融市场gydF4y2Ba zgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 一个金融市场gydF4y2Ba xgydF4y2Ba在comovements过程。也就是说,独立的组件gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba tgydF4y2Ba 替换到方程的金融市场意味着什么gydF4y2Ba xgydF4y2Ba作为解释变量来获得一个ica ARMA-APARCH-M模型gydF4y2Ba (9)gydF4y2Ba rgydF4y2Ba xgydF4y2Ba tgydF4y2Ba =gydF4y2Ba μgydF4y2Ba xgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba φgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ωgydF4y2Ba xgydF4y2Ba σgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba δgydF4y2Ba 1gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba +gydF4y2Ba δgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba +gydF4y2Ba ⋯gydF4y2Ba +gydF4y2Ba δgydF4y2Ba kgydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba θgydF4y2Ba xgydF4y2Ba jgydF4y2Ba εgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba δgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba δgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba δgydF4y2Ba kgydF4y2Ba 是独立的贡献率组件gydF4y2Ba 年代gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba tgydF4y2Ba 返回。如果gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 是显著不为零,新综合指数gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 波动溢出效应在市场gydF4y2Ba xgydF4y2Ba。gydF4y2Ba

 4所示。数据和实证结果gydF4y2Ba 4.1。数据gydF4y2Ba

实证调查波动相似性和股市comovements溢出效应,我们每天使用的20国集团(G20)股市收盘价1月02年,2006年,2018年6月18日。值得注意的是,20国集团(G20)是一个全球性的组织处理财务风险,它包括19个国家和欧盟作为一个整体。标准普尔500指数(美国),日经225指数(日本),DAX指数(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),RTS(俄罗斯),上交所复合(中国),MERVAL(阿根廷),所有普通股票(澳大利亚),Bovespa(巴西),BSE Sensex(印度),雅加达综合指数(印度尼西亚),IPC(墨西哥),TASI指数(沙特阿拉伯),INVSAF 40(南非),伊势100(土耳其),综合(韩国)。20国集团(G20)股票价格时间序列的长期趋势表示gydF4y2Ba pgydF4y2Ba tgydF4y2Ba 如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

20国集团(G20)股票价格的波动特征。(a) US_S&P 500 (b) Japan_Nikkei 225 (c) Germany_DAX, (d) France_CAC 40, 100 (e) UK_FTSE Italy_MIB (f) (g) Canada_TSX Russia_RTS (h),(我)China_SSE复合,(j) Argentina_MERVAL Australia_All普通(k), (l) Brazil_Bovespa (m) India_BSE Sensex (n) Indonesia_Jakarta复合,(o) Mexico_IPC (p)沙特Arabia_TASI (q)南Africa_INVSAF 40 (r) Turkey_ISE 100,南Korea_KOSPI (s)。gydF4y2Ba

他们本质上是不稳定这意味着时间序列的分布会随着时间而改变。这种金融时间序列的通用特性使得波动性建模一个具有挑战性的任务,吸引了大量的学者讨论(gydF4y2Ba 35gydF4y2Ba,gydF4y2Ba 36gydF4y2Ba,gydF4y2Ba 67年gydF4y2Ba]。为了解决这个问题,返回gydF4y2Ba rgydF4y2Ba tgydF4y2Ba 计算为gydF4y2Ba rgydF4y2Ba tgydF4y2Ba =gydF4y2Ba lngydF4y2Ba pgydF4y2Ba tgydF4y2Ba /gydF4y2Ba pgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba lngydF4y2Ba pgydF4y2Ba tgydF4y2Ba −gydF4y2Ba lngydF4y2Ba pgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 对数价格的差异。一些返回系列20国集团(G20)股票市场波动特征如图所示gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

20国集团(G20)股票收益的波动特征。(a) US_S&P 500 (b) Japan_Nikkei 225 (c) Germany_DAX, (d) France_CAC 40, 100 (e) UK_FTSE Italy_MIB (f) (g) Canada_TSX Russia_RTS (h),(我)China_SSE复合,(j) Argentina_MERVAL Australia_All普通(k), (l) Brazil_Bovespa (m) India_BSE Sensex (n) Indonesia_Jakarta复合,(o) Mexico_IPC (p)沙特Arabia_TASI (q)南Africa_INVSAF 40 (r) Turkey_ISE 100,南Korea_KOSPI (s)。gydF4y2Ba

首先,波动趋势似乎是束聚集在一起。这一现象表明,可能存在条件异方差性,这需要进一步的测试。第二,存在显著的不对称反应正面和负面冲击,也叫做杠杆效应。为了进一步解释,事实是,股票市场对坏消息更倾向于暴力和暴力的好消息。在2008年金融危机期间,价格下跌就像悬崖,而股票波动性大幅跃升。因此,不对称条件不容忽视金融时间序列建模时波动性。第三,一些股票回报的波动性特征系列comovements类似于他人。例如,美国和英国的股票市场有类似的波动趋势受到共同因素的影响,如经济发展、国际贸易和投资。它表明可能存在波动相似性在20国集团(G20)股市comovements,必须进一步检查。因此,我们打算最初识别comovements并准确地确定哪些20国集团(G20)股票市场有类似的波动特性。gydF4y2Ba

在波动性建模之前,我们简要分析20国集团(G20)股市的描述性统计。平均值,标准偏差(美国)、偏态、峰态,Jarque-Bera统计,ADF单位根测试,和拱效应提出了异方差性检验表gydF4y2Ba 1gydF4y2Ba。每个返回的偏态系列非零,这表明该系列分布偏差相对于正态分布。每个返回系列的峰度大于3,即凸性大于正态分布的分布。Jarque-Bera统计概率相对较大和他们相关gydF4y2Ba pgydF4y2Ba 值都是接近于零。gydF4y2Ba

总结描述性统计二十国集团股票的回报。gydF4y2Ba

股票指数gydF4y2Ba 的意思是gydF4y2Ba s D。gydF4y2Ba 偏态gydF4y2Ba 峰度gydF4y2Ba Jarque-BeragydF4y2Ba ADF检验:gydF4y2Ba 拱LM测试:gydF4y2Ba
FgydF4y2Ba统计gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba
US_S&P 500gydF4y2Ba 0.0002gydF4y2Ba 0.0120gydF4y2Ba −0.3770gydF4y2Ba 14.9110gydF4y2Ba 19246.8700gydF4y2Ba −44.9070gydF4y2Ba 128.3470gydF4y2Ba 123.5320gydF4y2Ba
Japan_Nikkei 225gydF4y2Ba 0.0001gydF4y2Ba 0.0152gydF4y2Ba −0.5150gydF4y2Ba 11.2390gydF4y2Ba 9314.9420gydF4y2Ba −59.3620gydF4y2Ba 127.2750gydF4y2Ba 122.5390gydF4y2Ba
Germany_DAXgydF4y2Ba 0.0003gydF4y2Ba 0.0137gydF4y2Ba −0.0420gydF4y2Ba 9.2260gydF4y2Ba 5238.1310gydF4y2Ba −57.4980gydF4y2Ba 102.3060gydF4y2Ba 99.2350gydF4y2Ba
France_CAC 40gydF4y2Ba 0.0000gydF4y2Ba 0.0141gydF4y2Ba −0.0050gydF4y2Ba 9.5690gydF4y2Ba 5831.4690gydF4y2Ba −59.6110gydF4y2Ba 129.2030gydF4y2Ba 124.3240gydF4y2Ba
UK_FTSE 100gydF4y2Ba 0.0001gydF4y2Ba 0.0117gydF4y2Ba −0.1440gydF4y2Ba 11.1940gydF4y2Ba 9084.7360gydF4y2Ba −43.2410gydF4y2Ba 206.3210gydF4y2Ba 194.0850gydF4y2Ba
Italy_MIBgydF4y2Ba −0.0001gydF4y2Ba 0.0152gydF4y2Ba −0.2310gydF4y2Ba 8.2470gydF4y2Ba 3748.7100gydF4y2Ba −58.4250gydF4y2Ba 121.9480gydF4y2Ba 117.5950gydF4y2Ba
Canada_TSXgydF4y2Ba 0.0001gydF4y2Ba 0.0110gydF4y2Ba −0.7060gydF4y2Ba 14.8520gydF4y2Ba 19249.2100gydF4y2Ba −25.9650gydF4y2Ba 426.8940gydF4y2Ba 377.4150gydF4y2Ba
Russia_RTSgydF4y2Ba 0.0000gydF4y2Ba 0.0215gydF4y2Ba −0.4130gydF4y2Ba 14.6270gydF4y2Ba 18359.0100gydF4y2Ba −51.3530gydF4y2Ba 184.1580gydF4y2Ba 174.3580gydF4y2Ba
China_SSE复合gydF4y2Ba 0.0003gydF4y2Ba 0.0168gydF4y2Ba −0.6120gydF4y2Ba 7.3980gydF4y2Ba 2815.7120gydF4y2Ba −57.0240gydF4y2Ba 111.4290gydF4y2Ba 107.7900gydF4y2Ba
Argentina_MERVALgydF4y2Ba 0.0009gydF4y2Ba 0.0197gydF4y2Ba −0.4830gydF4y2Ba 7.0170gydF4y2Ba 2306.2880gydF4y2Ba −54.7720gydF4y2Ba 191.8890gydF4y2Ba 181.2690gydF4y2Ba
Australia_All普通gydF4y2Ba 0.0000gydF4y2Ba 0.0106gydF4y2Ba −0.5830gydF4y2Ba 8.6680gydF4y2Ba 4524.2370gydF4y2Ba −58.5830gydF4y2Ba 340.7710gydF4y2Ba 308.5220gydF4y2Ba
Brazil_BovespagydF4y2Ba 0.0000gydF4y2Ba 0.0170gydF4y2Ba −0.0390gydF4y2Ba 9.1410gydF4y2Ba 5096.1870gydF4y2Ba −58.9570gydF4y2Ba 103.6580gydF4y2Ba 100.5060gydF4y2Ba
India_BSE SensexgydF4y2Ba 0.0000gydF4y2Ba 0.0141gydF4y2Ba 0.1040gydF4y2Ba 13.0620gydF4y2Ba 13687.0800gydF4y2Ba −54.2680gydF4y2Ba 61.4310gydF4y2Ba 60.3250gydF4y2Ba
Indonesia_JakartagydF4y2Ba 0.0001gydF4y2Ba 0.0132gydF4y2Ba −0.6660gydF4y2Ba 11.5470gydF4y2Ba 10109.4500gydF4y2Ba −52.3560gydF4y2Ba 118.3860gydF4y2Ba 114.2820gydF4y2Ba
Mexico_IPCgydF4y2Ba 0.0000gydF4y2Ba 0.0123gydF4y2Ba 0.1030gydF4y2Ba 10.1870gydF4y2Ba 6984.7720gydF4y2Ba −34.9620gydF4y2Ba 65.1940gydF4y2Ba 63.9470gydF4y2Ba
沙特Arabia_TASIgydF4y2Ba 0.0000gydF4y2Ba 0.0171gydF4y2Ba −0.9680gydF4y2Ba 16.6220gydF4y2Ba 25581.3500gydF4y2Ba −39.3160gydF4y2Ba 197.4790gydF4y2Ba 186.2460gydF4y2Ba
南Africa_INVSAF 40gydF4y2Ba 0.0000gydF4y2Ba 0.0132gydF4y2Ba −0.1170gydF4y2Ba 6.9040gydF4y2Ba 2066.9090gydF4y2Ba −57.3320gydF4y2Ba 157.3460gydF4y2Ba 150.1490gydF4y2Ba
Turkey_ISE 100gydF4y2Ba 0.0000gydF4y2Ba 0.0164gydF4y2Ba −0.2950gydF4y2Ba 7.1410gydF4y2Ba 2364.6120gydF4y2Ba −56.5210gydF4y2Ba 40.7560gydF4y2Ba 40.2750gydF4y2Ba
南Korea_KOSPIgydF4y2Ba 0.0000gydF4y2Ba 0.0123gydF4y2Ba −0.5950gydF4y2Ba 12.9000gydF4y2Ba 13434.3900gydF4y2Ba −56.9490gydF4y2Ba 167.4950gydF4y2Ba 159.3580gydF4y2Ba

注意:s d是20国集团(G20)股票时间序列回归的标准差。Jarque-Bera是正常的检验统计量。ADF检验的临界值−3.432180水平1%,2.567183−2.862234在5%水平,−10%的水平。gydF4y2Ba

综上所述,我们可以拒绝零假设,因此得出结论,返回系列不服从正态分布。在这种背景下,一些传统模型正常的假设并不适用。为了克服这个缺点,ICA用于建模,因为它可以复制高峰度作为回报系列[gydF4y2Ba 17gydF4y2Ba]。ADF返回系列的测试结果表明,这是一个静止的系列,确认的必要性对数转换价格差异系列。的gydF4y2Ba FgydF4y2Ba统计和gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 测试结果明显拒绝零假设的拱效应。证据显示,GARCH模型设计时还应注意测量异方差性。总之,我们提供了一种新方法使用ica ARMA-APARCH-M模型来解决市场comovements的跨市场波动溢出效应。gydF4y2Ba

 4.2。实证结果gydF4y2Ba 4.2.1。准备Comovements识别的结果gydF4y2Ba

一种方法检测comovements是聚类分析gydF4y2Ba 3gydF4y2Ba]。时间序列聚类方法概括为三种类型:原始数据,特征提取和模型参数gydF4y2Ba 68年gydF4y2Ba]。在这些方法中,我们选择基于模型的模糊c均值聚类。后建立ARMA-APARCH-M模型提取高维股票回报时间序列的波动特征,模糊c均值(FCM)方法用于聚类的模型参数描述波动特征。系数估计的结果ARMA-APARCH-M模型展示在表gydF4y2Ba 2gydF4y2Ba。所有的参数显著非零;因此,实际的数据满足模型的假设条件。不对称系数gydF4y2Ba γgydF4y2Ba 在测试是统计学意义,这意味着这种不对称行为确实存在,也就是说,波动的负面影响比正面影响更严重的相同的大小。gydF4y2Ba

系数ARMA-APARCH-M模型估计的结果。gydF4y2Ba

股票指数gydF4y2Ba μgydF4y2Ba φgydF4y2Ba ωgydF4y2Ba θgydF4y2Ba αgydF4y2Ba 0gydF4y2Ba αgydF4y2Ba γgydF4y2Ba βgydF4y2Ba δgydF4y2Ba
US_S&P 500gydF4y2Ba 0.0008gydF4y2Ba −0.3444gydF4y2Ba −0.0655gydF4y2Ba 0.1482gydF4y2Ba −0.1697gydF4y2Ba 0.9753gydF4y2Ba −0.0655gydF4y2Ba 0.0008gydF4y2Ba −0.3444gydF4y2Ba
Japan_Nikkei 225gydF4y2Ba −0.0008gydF4y2Ba −0.5427gydF4y2Ba 0.0755gydF4y2Ba 0.1949gydF4y2Ba −0.1120gydF4y2Ba 0.9543gydF4y2Ba 0.0755gydF4y2Ba −0.0008gydF4y2Ba −0.5427gydF4y2Ba
Germany_DAXgydF4y2Ba 0.0002gydF4y2Ba −0.3315gydF4y2Ba 0.0002gydF4y2Ba 0.1254gydF4y2Ba −0.1260gydF4y2Ba 0.9735gydF4y2Ba 0.0002gydF4y2Ba 0.0002gydF4y2Ba −0.3315gydF4y2Ba
France_CAC 40gydF4y2Ba −0.0003gydF4y2Ba −0.3307gydF4y2Ba 0.0276gydF4y2Ba 0.1126gydF4y2Ba −0.1651gydF4y2Ba 0.9726gydF4y2Ba 0.0276gydF4y2Ba −0.0003gydF4y2Ba −0.3307gydF4y2Ba
UK_FTSE 100gydF4y2Ba −0.0009gydF4y2Ba −0.3532gydF4y2Ba 0.1028gydF4y2Ba 0.1329gydF4y2Ba −0.1266gydF4y2Ba 0.9732gydF4y2Ba 0.1028gydF4y2Ba −0.0009gydF4y2Ba −0.3532gydF4y2Ba
Italy_MIBgydF4y2Ba −0.0002gydF4y2Ba −0.3033gydF4y2Ba 0.0101gydF4y2Ba 0.1342gydF4y2Ba −0.1117gydF4y2Ba 0.9770gydF4y2Ba 0.0101gydF4y2Ba −0.0002gydF4y2Ba −0.3033gydF4y2Ba
Canada_TSXgydF4y2Ba 0.0001gydF4y2Ba −0.2143gydF4y2Ba −0.0022gydF4y2Ba 0.1196gydF4y2Ba −0.0976gydF4y2Ba 0.9872gydF4y2Ba −0.0022gydF4y2Ba 0.0001gydF4y2Ba −0.2143gydF4y2Ba
Russia_RTSgydF4y2Ba 0.0003gydF4y2Ba −0.2347gydF4y2Ba −0.0236gydF4y2Ba 0.1237gydF4y2Ba −0.0754gydF4y2Ba 0.9823gydF4y2Ba −0.0236gydF4y2Ba 0.0003gydF4y2Ba −0.2347gydF4y2Ba
China_SSE复合gydF4y2Ba −0.0001gydF4y2Ba −0.1577gydF4y2Ba 0.0414gydF4y2Ba 0.1407gydF4y2Ba −0.0013gydF4y2Ba 0.9936gydF4y2Ba 0.0414gydF4y2Ba −0.0001gydF4y2Ba −0.1577gydF4y2Ba
Argentina_MERVALgydF4y2Ba −0.0003gydF4y2Ba −0.5958gydF4y2Ba 0.0879gydF4y2Ba 0.2202gydF4y2Ba −0.0503gydF4y2Ba 0.9460gydF4y2Ba 0.0879gydF4y2Ba −0.0003gydF4y2Ba −0.5958gydF4y2Ba
Australia_All普通gydF4y2Ba −0.0003gydF4y2Ba −0.3938gydF4y2Ba 0.0536gydF4y2Ba 0.1503gydF4y2Ba −0.1124gydF4y2Ba 0.9706gydF4y2Ba 0.0536gydF4y2Ba −0.0003gydF4y2Ba −0.3938gydF4y2Ba
Brazil_BovespagydF4y2Ba −0.0012gydF4y2Ba −0.2782gydF4y2Ba 0.0861gydF4y2Ba 0.1144gydF4y2Ba −0.0681gydF4y2Ba 0.9771gydF4y2Ba 0.0861gydF4y2Ba −0.0012gydF4y2Ba −0.2782gydF4y2Ba
India_BSE SensexgydF4y2Ba 0.0002gydF4y2Ba −0.2702gydF4y2Ba 0.0267gydF4y2Ba 0.1745gydF4y2Ba −0.0703gydF4y2Ba 0.9844gydF4y2Ba 0.0267gydF4y2Ba 0.0002gydF4y2Ba −0.2702gydF4y2Ba
Indonesia_Jakarta复合gydF4y2Ba −0.0005gydF4y2Ba −0.3691gydF4y2Ba 0.1101gydF4y2Ba 0.2050gydF4y2Ba −0.0638gydF4y2Ba 0.9759gydF4y2Ba 0.1101gydF4y2Ba −0.0005gydF4y2Ba −0.3691gydF4y2Ba
Mexico_IPCgydF4y2Ba −0.0007gydF4y2Ba −0.2580gydF4y2Ba 0.0836gydF4y2Ba 0.1386gydF4y2Ba −0.0903gydF4y2Ba 0.9833gydF4y2Ba 0.0836gydF4y2Ba −0.0007gydF4y2Ba −0.2580gydF4y2Ba
沙特Arabia_TASIgydF4y2Ba 0.0012gydF4y2Ba −0.3862gydF4y2Ba −0.0848gydF4y2Ba 0.2432gydF4y2Ba −0.0741gydF4y2Ba 0.9744gydF4y2Ba −0.0848gydF4y2Ba 0.0012gydF4y2Ba −0.3862gydF4y2Ba
南Africa_INVSAF40gydF4y2Ba −0.0006gydF4y2Ba −0.3108gydF4y2Ba 0.0870gydF4y2Ba 0.1349gydF4y2Ba −0.1104gydF4y2Ba 0.9772gydF4y2Ba 0.0870gydF4y2Ba −0.0006gydF4y2Ba −0.3108gydF4y2Ba
Turkey_ISE 100gydF4y2Ba 0.0011gydF4y2Ba −0.4093gydF4y2Ba −0.0432gydF4y2Ba 0.1610gydF4y2Ba −0.0746gydF4y2Ba 0.9658gydF4y2Ba −0.0432gydF4y2Ba 0.0011gydF4y2Ba −0.4093gydF4y2Ba
南Korea_KOSPIgydF4y2Ba −0.0006gydF4y2Ba −0.2821gydF4y2Ba 0.0795gydF4y2Ba 0.1408gydF4y2Ba −0.0774gydF4y2Ba 0.9808gydF4y2Ba 0.0795gydF4y2Ba −0.0006gydF4y2Ba −0.2821gydF4y2Ba

注意:gydF4y2Ba μgydF4y2Ba ,gydF4y2Ba φgydF4y2Ba ,gydF4y2Ba ωgydF4y2Ba 而且,gydF4y2Ba θgydF4y2Ba 表示的系数均值方程,gydF4y2Ba αgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba γgydF4y2Ba ,gydF4y2Ba βgydF4y2Ba ,gydF4y2Ba 和gydF4y2Ba δgydF4y2Ba 表示条件方差方程的系数。gydF4y2Ba φgydF4y2Ba 和gydF4y2Ba θgydF4y2Ba 的系数是ARMA过程表明自回归和移动平均线。gydF4y2Ba ωgydF4y2Ba 是展览的风险回报的影响条件方差返回。gydF4y2Ba γgydF4y2Ba 是不对称系数。gydF4y2Ba δgydF4y2Ba 电力参数的条件异方差性。gydF4y2Ba

这个结果是一致的结论Ning et al。gydF4y2Ba 69年gydF4y2Ba)和贝卡尔特et al。gydF4y2Ba 67年gydF4y2Ba]。股票市场的波动性不对称集群是发现更明显比其他金融市场(gydF4y2Ba 69年gydF4y2Ba]。与积极的影响相比相同尺寸的负面影响和条件方差的增加更大(gydF4y2Ba 67年gydF4y2Ba]。风险回报系数gydF4y2Ba ωgydF4y2Ba 非零,表示,风险因素产生重大影响的回报。因此,在模型中应考虑的风险因素。电力参数的条件异方差性gydF4y2Ba δgydF4y2Ba > 0,这既不是一个泰勒/ Schwert的模型设定和两个Bollerslev模型的设置,验证APARCH模型的合理性。它不是一个特定的值设置而是一种参数估计。因此,它可以更准确地评估条件方差的影响。提取ARMA-APARCH-M波动特性的模型后,我们使用模糊c均值(FCM)方法来集群20国集团(G20)股票市场分为三个类别,如图gydF4y2Ba 4gydF4y2Ba。返回系列的模型识别集群相似的波动模式和处理同时comovements在国际股市。gydF4y2Ba

20国集团(G20)股市的聚类结果。gydF4y2Ba

图显示三组存在明显差异获得的聚类二十国集团股票市场。不同的簇对应于不同的动态模式对应于波动系数。gydF4y2Ba

集群1:标准普尔500指数(美国),DAX指数(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),所有普通(澳大利亚)。gydF4y2Ba

集群2:日经225指数(日本),上交所复合(中国),MERVAL(阿根廷),BSE Sensex(印度),雅加达综合指数(印度尼西亚),TASI指数(沙特阿拉伯),和100年伊势(土耳其)。gydF4y2Ba

集群3:RTS(俄罗斯),Bovespa(巴西)、IPC(墨西哥),INVSAF 40(南非),综合(韩国)。gydF4y2Ba

在集群1中,成员主要是发达的股票市场在欧洲和美国。这些国家之间更紧密的经济联系和贸易联系增加了金融市场的波动性特征相似。gydF4y2Ba

它是特别的,几乎所有集群1市场经历了2008年10月峰值波动,当雷曼兄弟(Lehman Brothers)关闭。这可能是由于美国市场剧烈波动的金融动荡期间,立即被传送到其他集群成员市场1。此外,comovements 1跨多个集群市场剧烈波动的特征存在明显的欧洲主权债务危机从2009年底到2012年底,Brexit投票6月23日,2016年。虽然每个市场的波动是由危机引起的不一致程度上有些相似之处表现出明显的波动模式,因此集群1中可能存在波动溢出效应。为了进一步证实这种效应的存在,更精确的量化在以下小节是必要的。符合我们的发现,Morales-Zumaquero和Sosvilla-RiverogydF4y2Ba 70年gydF4y2Ba)显示,美国股市与其他六个股市密切相关,即。、英国、欧盟、澳大利亚、瑞士、加拿大和日本。gydF4y2Ba

在集群2中,成员主要是不成熟的股票市场在亚洲,如日本、中国、印度、印度尼西亚和沙特阿拉伯。如图所示,周et al。gydF4y2Ba 71年gydF4y2Ba];中国市场的波动溢出效应更明显的日本,而不是美国和英国。此外,印度市场也有一个对中国市场的影响。与此同时,他们还特别指出,这些波动溢出效应存在于两个方向。2007年2月在中国市场的大波动已经转移到亚洲市场。这些事实可以归因于亚洲金融一体化的趋势在不断增长。因此,这些亚洲股市聚集成一组基于波动相似性。gydF4y2Ba

在集群3中,成员主要是新兴股票市场的不成熟和开放的外国投资者比其他市场集群1。这三个国家是金砖四国成员,例如,俄罗斯、巴西和南非。由于开放国内金融市场的疲软,他们少受到全球金融危机的影响。gydF4y2Ba

comovements识别最重要的含义是在股票市场风险管理。我们可以发现波动相似性的方法,揭示了comovements全世界的股票市场。这一过程的动机是激发投资者对股市的兴趣更高的回报通过comoving市场的相关信息在同一集群作为先验知识。我们的研究结果证明我们的研究的好处,其中实证讨论允许更好地理解comovements跨多个市场。因此,风险衡量股市波动可以检测到在一个类似于其他comoving市场。gydF4y2Ba

 4.2.2。在集群1波动溢出效应gydF4y2Ba

使用ica ARMA-APARCH-M模型,我们试图回答问题(2)和(3)在介绍中提到的。市场中类似的波动,有溢出效应在市场comovements吗?如果有两个或两个以上的市场的溢出效应,溢出效应的主要来源是什么?为了解决这些问题,我们使用FastICA算法(gydF4y2Ba 66年gydF4y2Ba在每个集群检查来自多个市场,一个市场的溢出效应。以集群1例。我们选择标准普尔500指数(美国)作为目标或解释变量调查是否其他六个股市(DAX指数),CAC 40,富时100指数、MIB TSX,和所有普通股票)和类似的波动模式集群1波动溢出效应,标准普尔500指数和主要来源。剩余的六个股票收益ARMA-APARCH-M模型如图gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

的残余系列ARMA-APARCH-M模型。(一)DAX指数(德国)、(b) CAC - 40(法国),(c)富时100(英国),(d) MIB(意大利),(e) TSX(加拿大),(f)所有普通股票(澳大利亚)。gydF4y2Ba

首先,我们使用ICA剩余系列gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 3gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 4gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 5gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 6gydF4y2Ba tgydF4y2Ba DAX指数(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),所有普通(澳大利亚)。分层矩阵gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba 由方程(gydF4y2Ba 10gydF4y2Ba)。数字矩阵gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba 是每个独立组件(IC)的权重,这是一个综合指数的线性组合得到的残余系列。每个股票市场在每个独立的组件的重量是明确的。gydF4y2Ba (10)gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 23gydF4y2Ba 。gydF4y2Ba 6145年gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 9gydF4y2Ba 。gydF4y2Ba 2491年gydF4y2Ba −gydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba 9218年gydF4y2Ba −gydF4y2Ba 143年gydF4y2Ba 。gydF4y2Ba 9797年gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 5157年gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 65年gydF4y2Ba 64年gydF4y2Ba 。gydF4y2Ba 4442年gydF4y2Ba 76年gydF4y2Ba 。0gydF4y2Ba 391年gydF4y2Ba −gydF4y2Ba 187年gydF4y2Ba 。gydF4y2Ba 6554年gydF4y2Ba 3gydF4y2Ba 。0gydF4y2Ba 148年gydF4y2Ba −gydF4y2Ba 3gydF4y2Ba 。gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 82年gydF4y2Ba 7gydF4y2Ba 。gydF4y2Ba 5524年gydF4y2Ba −gydF4y2Ba 58gydF4y2Ba 。gydF4y2Ba 7561年gydF4y2Ba −gydF4y2Ba 34gydF4y2Ba 。gydF4y2Ba 8238年gydF4y2Ba 8gydF4y2Ba 。gydF4y2Ba 2896年gydF4y2Ba 26gydF4y2Ba 。gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 95年gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba 0。gydF4y2Ba 7591年gydF4y2Ba 16gydF4y2Ba 。gydF4y2Ba 6815年gydF4y2Ba 17gydF4y2Ba 。gydF4y2Ba 2218年gydF4y2Ba 11gydF4y2Ba 。gydF4y2Ba 9gydF4y2Ba 0gydF4y2Ba 73年gydF4y2Ba 45gydF4y2Ba 。gydF4y2Ba 4227年gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 2849年gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 。0gydF4y2Ba 729年gydF4y2Ba 27gydF4y2Ba 。gydF4y2Ba 1261年gydF4y2Ba 0。gydF4y2Ba 7523年gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 51gydF4y2Ba 0gydF4y2Ba 8gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 5688年gydF4y2Ba −gydF4y2Ba 5gydF4y2Ba 。gydF4y2Ba 5844年gydF4y2Ba 29日gydF4y2Ba 。gydF4y2Ba 578年gydF4y2Ba 0gydF4y2Ba 88年gydF4y2Ba 。gydF4y2Ba 8336年gydF4y2Ba −gydF4y2Ba 165年gydF4y2Ba 。gydF4y2Ba 21gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 。gydF4y2Ba 4445年gydF4y2Ba −gydF4y2Ba 39gydF4y2Ba 。gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 22gydF4y2Ba −gydF4y2Ba 8gydF4y2Ba 。gydF4y2Ba 1738年gydF4y2Ba 0.0gydF4y2Ba 62年gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 1539年gydF4y2Ba 。gydF4y2Ba

然后,我们进一步发现有价值的东西从每个独立分量的权重,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba ,或gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 。在gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 4gydF4y2Ba tgydF4y2Ba 重量的最大绝对值(−143.9797)矩阵的第一行吗gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba ,这是明显高于其他序列gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 3gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 5gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba εgydF4y2Ba 6gydF4y2Ba tgydF4y2Ba 。因此,人们相信gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba 主要代表了残余系列gydF4y2Ba εgydF4y2Ba 4gydF4y2Ba tgydF4y2Ba ,也就是说,MIB (Italy). Respectively, 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba 主要代表了残余系列gydF4y2Ba εgydF4y2Ba 3gydF4y2Ba tgydF4y2Ba ,也就是说,FT年代E100(UK); 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba 主要代表了残余系列gydF4y2Ba εgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,也就是说,DAX (Germany); 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba 主要代表了残余系列gydF4y2Ba εgydF4y2Ba 5gydF4y2Ba tgydF4y2Ba ,也就是说,T年代X(Canada); 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba 主要代表了残余系列gydF4y2Ba εgydF4y2Ba 6gydF4y2Ba tgydF4y2Ba ,也就是说,一个ll Ordinaries (Australia); and 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 主要代表了残余系列gydF4y2Ba εgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ,也就是说,C一个C40(France). The ICs shown in Figure 6gydF4y2Ba是统计独立;因此,避免多重共线性在接下来的模型。gydF4y2Ba

的时间序列gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 集群1。(一)集成电路gydF4y2Ba1gydF4y2Ba,(b)集成电路gydF4y2Ba2gydF4y2Ba,(c)集成电路gydF4y2Ba3gydF4y2Ba,(d)集成电路gydF4y2Ba4gydF4y2Ba,(e)集成电路gydF4y2Ba5gydF4y2Ba,(f)集成电路gydF4y2Ba6gydF4y2Ba。gydF4y2Ba

估计ICs后,我们一个单变量ARMA-APARCH-M模型适合每个人。也就是说,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 注册为解释变量方程(gydF4y2Ba 9gydF4y2Ba)。系数估计的结果(ica ARMA-APARCH-M集群模型1表中列出gydF4y2Ba 3gydF4y2Ba。均值方程和条件方差方程给出了方程(gydF4y2Ba 11gydF4y2Ba)和(gydF4y2Ba 12gydF4y2Ba),分别。列出每个IC的贡献,表示每个IC的波动溢出效应在方程(标普500(美国)gydF4y2Ba 11gydF4y2Ba)。结果表明,存在波动溢出效应从独立组件(ICs)标普500(美国)。根据系数表gydF4y2Ba 3gydF4y2Ba,ICs可以命令如下:gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 。因此,波动溢出效应的主要来源gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba 代表DAX指数(德国),紧随其后的是gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba 代表TSX(加拿大)gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba 代表所有普通股票(澳大利亚)gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba 代表MIB(意大利)gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba 代表富时100(英国)gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 代表CAC - 40(法国),如图gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba (11)gydF4y2Ba rgydF4y2Ba xgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0.000gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0。gydF4y2Ba 1174年gydF4y2Ba ∗gydF4y2Ba rgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0.0gydF4y2Ba 434年gydF4y2Ba ∗gydF4y2Ba σgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba xgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 3212年gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 16gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 15gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 73年gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 26gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba +gydF4y2Ba 0.00gydF4y2Ba 21gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba +gydF4y2Ba 0.000gydF4y2Ba 7gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba ,gydF4y2Ba (12)gydF4y2Ba σgydF4y2Ba xgydF4y2Ba tgydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 4777年gydF4y2Ba =gydF4y2Ba 0。gydF4y2Ba 1261年gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 2791年gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 4777年gydF4y2Ba +gydF4y2Ba 0。gydF4y2Ba 8591年gydF4y2Ba ∗gydF4y2Ba σgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 4777年gydF4y2Ba 。gydF4y2Ba

估计结果(ica ARMA-APARCH-M集群模型1。gydF4y2Ba

变量gydF4y2Ba 系数gydF4y2Ba Std.错误gydF4y2Ba zgydF4y2Ba统计gydF4y2Ba 概率。gydF4y2Ba
集成电路gydF4y2Ba1gydF4y2Ba −0.0016gydF4y2Ba 0.0001gydF4y2Ba −17.5293gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba2gydF4y2Ba −0.0015gydF4y2Ba 0.0001gydF4y2Ba −17.1906gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba3gydF4y2Ba −0.0073gydF4y2Ba 0.0001gydF4y2Ba −84.0053gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba4gydF4y2Ba −0.0026gydF4y2Ba 0.0001gydF4y2Ba −24.7667gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba5gydF4y2Ba 0.0021gydF4y2Ba 0.0001gydF4y2Ba 23.7606gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba6gydF4y2Ba 0.0007gydF4y2Ba 0.0001gydF4y2Ba 7.2746gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba

注意:每个IC系数表示的贡献这表明每个集成电路标准普尔500指数的影响(我们)意味着回归方程。gydF4y2Ba

DAX指数的波动性溢出效应(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),所有普通(澳大利亚),标准普尔500指数(美国)。gydF4y2Ba

这可能对这一事实的返回系列20国集团(G20)股市往往会在同一时间一起行动。人们普遍认为,在国际金融市场存在波动溢出效应,和它们之间的comovements变得更加明显在全球金融危机期间(gydF4y2Ba 72年gydF4y2Ba]。一致,沙赫扎德et al。gydF4y2Ba 73年gydF4y2Ba)表示,美国股市是一个主要的欧洲市场的溢出效应。同样,BenSaida et al。gydF4y2Ba 35gydF4y2Ba)透露,德国市场的风险很大程度上有助于其他市场(美国、英国、法国、荷兰、瑞士、香港和日本),有94.8%的风险溢出效应,紧随其后的是英国为85.3%。gydF4y2Ba

 4.2.3。在集群2波动溢出效应gydF4y2Ba

对集群2重复上述过程。我们选择日经225指数(日本)作为目标或解释变量调查是否其他六个股市(SSE复合、MERVAL BSE Sensex雅加达综合指数,TASI指数,和伊势100)相似的波动模式集群2波动溢出效应日经225指数,也就是占主导地位。分层矩阵gydF4y2Ba WgydF4y2Ba 2gydF4y2Ba 是由以下方程:gydF4y2Ba (13)gydF4y2Ba WgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 3828年gydF4y2Ba −gydF4y2Ba 7gydF4y2Ba 。gydF4y2Ba 1177年gydF4y2Ba −gydF4y2Ba 15gydF4y2Ba 。0gydF4y2Ba 659年gydF4y2Ba −gydF4y2Ba 15gydF4y2Ba 。gydF4y2Ba 6862年gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 1394年gydF4y2Ba 68年gydF4y2Ba 。gydF4y2Ba 2gydF4y2Ba 00gydF4y2Ba 9gydF4y2Ba 5gydF4y2Ba 。gydF4y2Ba 126年gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba 1618年gydF4y2Ba −gydF4y2Ba 8gydF4y2Ba 0。gydF4y2Ba 8gydF4y2Ba 0gydF4y2Ba 38gydF4y2Ba 22gydF4y2Ba 。gydF4y2Ba 3446年gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 8544年gydF4y2Ba 3gydF4y2Ba 。gydF4y2Ba 7693年gydF4y2Ba 61年gydF4y2Ba 。0gydF4y2Ba 537年gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 9735年gydF4y2Ba −gydF4y2Ba 3gydF4y2Ba 。gydF4y2Ba 25gydF4y2Ba 00gydF4y2Ba −gydF4y2Ba 11gydF4y2Ba 。gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 21gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 1312年gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 7gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 8788年gydF4y2Ba 0。gydF4y2Ba 8582年gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 947年gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 。gydF4y2Ba 1762年gydF4y2Ba −gydF4y2Ba 59gydF4y2Ba 。gydF4y2Ba 2972年gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 5249年gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 64年gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 。0gydF4y2Ba 968年gydF4y2Ba 11gydF4y2Ba 。gydF4y2Ba 985年gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba 82年gydF4y2Ba 。gydF4y2Ba 7679年gydF4y2Ba 5gydF4y2Ba 。gydF4y2Ba 5286年gydF4y2Ba 0。gydF4y2Ba 4gydF4y2Ba 0gydF4y2Ba 12gydF4y2Ba −gydF4y2Ba 3gydF4y2Ba 。gydF4y2Ba 2147年gydF4y2Ba 53gydF4y2Ba 。gydF4y2Ba 6616年gydF4y2Ba −gydF4y2Ba 5gydF4y2Ba 。gydF4y2Ba 3618年gydF4y2Ba −gydF4y2Ba 6gydF4y2Ba 。gydF4y2Ba 9119年gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 8459年gydF4y2Ba −gydF4y2Ba 6gydF4y2Ba 。gydF4y2Ba 4739年gydF4y2Ba 。gydF4y2Ba

从每个独立分量的权重,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba ,或gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba ,我们可以看到这一点gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba 主要代表伊势100(土耳其),gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba 代表BSE Sensex(印度),gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba 代表SSE复合(中国),gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba 代表TASI指数(沙特阿拉伯)gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba 代表雅加达综合指数(印度尼西亚),gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 代表MERVAL(阿根廷),如图gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

的时间序列gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 为集群2。(一)集成电路gydF4y2Ba1gydF4y2Ba,(b)集成电路gydF4y2Ba2gydF4y2Ba,(c)集成电路gydF4y2Ba3gydF4y2Ba,(d)集成电路gydF4y2Ba4gydF4y2Ba,(e)集成电路gydF4y2Ba5gydF4y2Ba,(f)集成电路gydF4y2Ba6gydF4y2Ba。gydF4y2Ba

ICs是统计独立;因此,避免多重共线性在接下来的模型。系数估计的结果(ica ARMA-APARCH-M集群2模型如表所示gydF4y2Ba 4gydF4y2Ba。均值回归方程和条件方差方程给出了方程(gydF4y2Ba 14gydF4y2Ba)和(gydF4y2Ba 15gydF4y2Ba),分别。列出每个IC的贡献,表示每个IC日经225指数的影响(方程(日本)gydF4y2Ba 14gydF4y2Ba)。gydF4y2Ba

估计结果(ica ARMA-APARCH-M集群模型2。gydF4y2Ba

变量gydF4y2Ba 系数gydF4y2Ba Std.错误gydF4y2Ba zgydF4y2Ba统计gydF4y2Ba 概率。gydF4y2Ba
集成电路gydF4y2Ba1gydF4y2Ba 0.0010gydF4y2Ba 0.0002gydF4y2Ba 5.5578gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba2gydF4y2Ba −0.0029gydF4y2Ba 0.0002gydF4y2Ba −16.9653gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba3gydF4y2Ba 0.0021gydF4y2Ba 0.0002gydF4y2Ba 11.3034gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba4gydF4y2Ba −0.0015gydF4y2Ba 0.0002gydF4y2Ba −9.1943gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba5gydF4y2Ba −0.0044gydF4y2Ba 0.0002gydF4y2Ba −25.2339gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba6gydF4y2Ba 0.0006gydF4y2Ba 0.0002gydF4y2Ba 3.2686gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba

注意:每个IC系数表示的贡献这表明每个IC日经225指数的影响(日本)意味着回归方程。gydF4y2Ba

 (14)gydF4y2Ba rgydF4y2Ba tgydF4y2Ba =gydF4y2Ba −gydF4y2Ba 0.000gydF4y2Ba 3gydF4y2Ba −gydF4y2Ba 0.0gydF4y2Ba 451年gydF4y2Ba ∗gydF4y2Ba rgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0.0gydF4y2Ba 469年gydF4y2Ba ∗gydF4y2Ba σgydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 0.0gydF4y2Ba 599年gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0.00gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 29日gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 0.00gydF4y2Ba 21gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 15gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 44gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba +gydF4y2Ba 0.000gydF4y2Ba 6gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba ,gydF4y2Ba (15)gydF4y2Ba σgydF4y2Ba tgydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 154年gydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 0.000gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 0。gydF4y2Ba 1183年gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 3823年gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 154年gydF4y2Ba 0gydF4y2Ba +gydF4y2Ba 0。gydF4y2Ba 872年gydF4y2Ba 0gydF4y2Ba ∗gydF4y2Ba σgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 154年gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

结果表明,存在波动溢出效应从独立组件日经225指数(日本)。根据系数表gydF4y2Ba 4gydF4y2Ba,六个ICs可以命令如下:gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 6gydF4y2Ba 。波动溢出效应的主要来源是雅加达综合指数(印度尼西亚),其次是BSE Sensex(印度),上交所复合(中国),TASI指数(沙特阿拉伯),100(土耳其),伊势和MERVAL(阿根廷),如图gydF4y2Ba 9gydF4y2Ba。不同于这个结果,周et al。gydF4y2Ba 71年gydF4y2Ba)得出的结论是,日本股市更受美国市场的影响,根据发现的留置权et al。gydF4y2Ba 74年gydF4y2Ba]。然而,有另一个发现在周et al。gydF4y2Ba 71年gydF4y2Ba)股票市场的波动溢出效应的研究逐渐从中国到日本从2006年底和2007年2月和7月之间变得更加明显。这可能是支持来解释我们的结果,存在相对重要的股票市场之间的波动溢出效应在中国和日本,由于这两个市场之间的关系经历了高潮时期从2006年底到2007年7月。gydF4y2Ba

SSE复合(中国)的波动溢出效应,MERVAL(阿根廷),BSE Sensex(印度),雅加达综合指数(印度尼西亚),TASI指数(沙特阿拉伯),和100年伊势(土耳其),日经225指数(日本)。gydF4y2Ba

 4.2.4。集群3中波动溢出效应gydF4y2Ba

对集群3重复上述过程。我们选择RTS(俄罗斯)作为目标或解释变量来调查这四个股票市场是否(Bovespa、IPC、INVSAF 40和综合)与类似的波动模式集群3波动溢出效应RTS,占主导地位。分层矩阵gydF4y2Ba WgydF4y2Ba 3gydF4y2Ba 是由以下方程:gydF4y2Ba (16)gydF4y2Ba WgydF4y2Ba 3gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 6gydF4y2Ba 。gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 12gydF4y2Ba −gydF4y2Ba 12gydF4y2Ba 。gydF4y2Ba 3333年gydF4y2Ba 89年gydF4y2Ba 。gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 63年gydF4y2Ba −gydF4y2Ba 36gydF4y2Ba 。gydF4y2Ba 2422年gydF4y2Ba 5gydF4y2Ba 。gydF4y2Ba 937年gydF4y2Ba 0gydF4y2Ba 82年gydF4y2Ba 。gydF4y2Ba 6484年gydF4y2Ba −gydF4y2Ba 16gydF4y2Ba 。gydF4y2Ba 238年gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 3493年gydF4y2Ba 79年gydF4y2Ba 。gydF4y2Ba 586年gydF4y2Ba 0gydF4y2Ba −gydF4y2Ba 71年gydF4y2Ba 。0gydF4y2Ba 763年gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 0。gydF4y2Ba 1331年gydF4y2Ba −gydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba 92年gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 6659年gydF4y2Ba 14gydF4y2Ba 。gydF4y2Ba 2862年gydF4y2Ba −gydF4y2Ba 6gydF4y2Ba 。gydF4y2Ba 2117年gydF4y2Ba −gydF4y2Ba 81年gydF4y2Ba 。gydF4y2Ba 6311年gydF4y2Ba 。gydF4y2Ba

从每个独立分量的权重,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,或gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,我们可以看到这一点gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba 主要代表INVSAF 40(南非),gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba 代表IPC(墨西哥),gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba 代表Bovespa(巴西),gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba 代表综合(韩国),如图gydF4y2Ba 10gydF4y2Ba。gydF4y2Ba

的时间序列gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba 集群3。(一)集成电路gydF4y2Ba1gydF4y2Ba,(b)集成电路gydF4y2Ba2gydF4y2Ba,(c)集成电路gydF4y2Ba3gydF4y2Ba,(d)集成电路gydF4y2Ba4gydF4y2Ba。gydF4y2Ba

ICs是统计独立;因此,避免多重共线性在接下来的模型。系数估计的结果(ica ARMA-APARCH-M集群3模型如表所示gydF4y2Ba 5gydF4y2Ba。均值回归方程和条件方差方程给出了方程(gydF4y2Ba 17gydF4y2Ba)和(gydF4y2Ba 18gydF4y2Ba),分别。列出每个IC的贡献,表示每个IC RTS的影响(俄罗斯)方程(gydF4y2Ba 17gydF4y2Ba)。gydF4y2Ba

估计结果(ica ARMA-APARCH-M集群模型3。gydF4y2Ba

变量gydF4y2Ba 系数gydF4y2Ba Std.错误gydF4y2Ba zgydF4y2Ba统计gydF4y2Ba 概率。gydF4y2Ba
集成电路gydF4y2Ba1gydF4y2Ba 0.0071gydF4y2Ba 0.0002gydF4y2Ba 29.3460gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba2gydF4y2Ba 0.0057gydF4y2Ba 0.0002gydF4y2Ba 25.0421gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba3gydF4y2Ba 0.0025gydF4y2Ba 0.0002gydF4y2Ba 10.6856gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba
集成电路gydF4y2Ba4gydF4y2Ba −0.0062gydF4y2Ba 0.0002gydF4y2Ba −26.0124gydF4y2Ba pgydF4y2Ba ≤0.001gydF4y2Ba

注意:每个IC系数表示的贡献这表明每个IC RTS的影响(俄罗斯)意味着回归方程。gydF4y2Ba

 (17)gydF4y2Ba rgydF4y2Ba tgydF4y2Ba =gydF4y2Ba −gydF4y2Ba 0.000gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 9998年gydF4y2Ba ∗gydF4y2Ba rgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0.00gydF4y2Ba 83年gydF4y2Ba ∗gydF4y2Ba σgydF4y2Ba tgydF4y2Ba +gydF4y2Ba εgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 〇〇gydF4y2Ba 21gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0.00gydF4y2Ba 71年gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0.00gydF4y2Ba 57gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 0.00gydF4y2Ba 25gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba −gydF4y2Ba 0.00gydF4y2Ba 62年gydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba (18)gydF4y2Ba σgydF4y2Ba tgydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 154年gydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 0.000gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 0。gydF4y2Ba 1183年gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0。gydF4y2Ba 3823年gydF4y2Ba ∗gydF4y2Ba εgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 154年gydF4y2Ba 0gydF4y2Ba +gydF4y2Ba 0。gydF4y2Ba 872年gydF4y2Ba 0gydF4y2Ba ∗gydF4y2Ba σgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba 154年gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

有明显的波动溢出效应从独立组件(ICs) RTS(俄罗斯)。根据系数表gydF4y2Ba 5gydF4y2Ba,四个ICs可以命令如下:gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba CgydF4y2Ba 3gydF4y2Ba 。波动溢出效应的主要来源是INVSAF 40(南非),其次是综合(韩国)、IPC(墨西哥),和Bovespa(巴西),如图gydF4y2Ba 11gydF4y2Ba。gydF4y2Ba

股指的波动性溢出效应(巴西)、IPC(墨西哥),INVSAF 40(南非),综合(韩国)RTS(俄罗斯)。gydF4y2Ba

溢出的一个可能原因的传播南非和巴西市场对俄罗斯市场可能是增加近年来金砖国家之间的合作与共赢。金砖五国不受全球金融危机影响的开放国内金融市场的疲弱;因此,这些市场的波动特性明显不同于欧洲和美国的市场集群1。gydF4y2Ba

 5。结论gydF4y2Ba

在这项研究中,20国集团(G20)股票市场的波动相似性和溢出效应comovements检查使用ICA, ARMA-APARCH-M模型和模糊c均值聚类方法。这是一个金融时间序列的高维波动问题,涉及19金融市场。我们集群20国集团(G20)股票市场分为三个类别根据波动相似性和检查股票市场的波动溢出效应comovements在每个集群。gydF4y2Ba

本研究对现存文献的贡献在于三个折叠。首先,一个创新的方法来检查G20 comovements股市的波动溢出效应。这是由于这样的事实:金融波动来自一些潜在因素代表金融变量的comovements。第二,我们可以捕获共同来自多个市场的波动溢出效应的comovements金融变量。第三,本研究对投资者和政策制定者在20国集团(G20)有一些影响股票市场。集群分为三个类别,有溢出效应在股市comovements每个集群。此外,主要来源来自多个市场的波动溢出效应可以被识别。gydF4y2Ba

一些有价值的结果可以从波动相似性和20国集团(G20)股市comovements溢出效应分析,总结如下。首先,我们做确认的一个显著特征波动相似性comovements存在的20国集团(G20)股票市场。第二,存在溢出效应在股市comovements组。第三,主要来源可以从溢出过程被识别。此外,考虑到改变股票市场之间的相互作用是投资决策的重要参考和决策,我们的结论是基于该方法提供了20国集团金融市场参与者的实际意义。gydF4y2Ba

投资者应该警告说,它正变得越来越难以构建的投资组合来减少系统性风险通过实时监控和跟踪的主要金融市场的动态增加这些异构代理之间的交互。投资者寻找潜在投资机会在复杂的金融系统应该密切关注这些comoving市场之间的相互依存的动态,并相应地调整自己的投资策略和资产配置。他们可以提前确定跨市场波动溢出效应,进一步寻找套利机会达到提高投资效率的目标。政策制定者、风险监管在金融危机的早期阶段,需要密切关注这些异构的,动态的,互动的金融市场。他们可以更好地制定和实施强有力的相关政策措施,稳定金融体系的主要波动发射机的密切关注。gydF4y2Ba

在未来的研究中,我们建议进行详细探索价格风险引起的高频交易数据,股票市场的波动溢出效应。量化风险基于波动对投资者和政策制定者非常重要。未来的工作将有助于有效地测量和实时监控股票市场的风险。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据集和分析在当前研究可从相应的作者以合理的要求。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项工作得到了国家自然科学基金(71704098号,71971039,和72003110)和山东省自然科学基金(没有。ZR2016GQ03)。gydF4y2Ba

 张gydF4y2Ba W。gydF4y2Ba 壮族gydF4y2Ba X。gydF4y2Ba 陆gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 空间连杆在20国集团(G20)股票市场的波动溢出效应及其解释:一个网络框架gydF4y2Ba 国际金融分析评论gydF4y2Ba 2020年gydF4y2Ba 71年gydF4y2Ba 101454年gydF4y2Ba 10.1016 / j.irfa.2020.101454gydF4y2Ba 干gydF4y2Ba r P。gydF4y2Ba 康gydF4y2Ba s . H。gydF4y2Ba 金融危机和美国动力学之间的溢出效应。和金砖四国股市gydF4y2Ba 在国际商业和金融领域的研究gydF4y2Ba 2020年gydF4y2Ba 54gydF4y2Ba 101276年gydF4y2Ba 10.1016 / j.ribaf.2020.101276gydF4y2Ba AghabozorgigydF4y2Ba 年代。gydF4y2Ba 格兰gydF4y2Ba y W。gydF4y2Ba 股市co-movement评估使用三相聚类方法gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2014年gydF4y2Ba 41gydF4y2Ba 4gydF4y2Ba 1301年gydF4y2Ba 1314年gydF4y2Ba 10.1016 / j.eswa.2013.08.028gydF4y2Ba 2 - s2.0 - 84888335409gydF4y2Ba 林gydF4y2Ba a . Y。gydF4y2Ba 林gydF4y2Ba y . N。gydF4y2Ba 市场相似性和跨境投资业绩gydF4y2Ba 金融研究快报gydF4y2Ba 2020年gydF4y2Ba 101751年gydF4y2Ba 10.1016 / j.frl.2020.101751gydF4y2Ba RaddantgydF4y2Ba M。gydF4y2Ba KenettgydF4y2Ba d . Y。gydF4y2Ba 全球金融市场相互联系gydF4y2Ba 国际货币和金融杂志》上gydF4y2Ba 2021年gydF4y2Ba 110年gydF4y2Ba 102280年gydF4y2Ba 10.1016 / j.jimonfin.2020.102280gydF4y2Ba 签证官gydF4y2Ba x V。gydF4y2Ba TrangydF4y2Ba t·t·A。gydF4y2Ba 造型从美国股票市场波动溢出效应对东盟股票市场gydF4y2Ba 太平洋航运金融杂志gydF4y2Ba 2020年gydF4y2Ba 59gydF4y2Ba 101246年gydF4y2Ba 10.1016 / j.pacfin.2019.101246gydF4y2Ba 艾哈迈德gydF4y2Ba W。gydF4y2Ba SadorskygydF4y2Ba P。gydF4y2Ba 沙玛gydF4y2Ba 一个。gydF4y2Ba 最优套期比率对清洁能源的股票gydF4y2Ba 经济模型gydF4y2Ba 2018年gydF4y2Ba 72年gydF4y2Ba 278年gydF4y2Ba 295年gydF4y2Ba 10.1016 / j.econmod.2018.02.008gydF4y2Ba 2 - s2.0 - 85042174971gydF4y2Ba 破坏者gydF4y2Ba 美国一个。gydF4y2Ba SadorskygydF4y2Ba P。gydF4y2Ba 套期保值新兴市场股票价格与石油,黄金,波动率指数,和债券:DCC之间的比较,ADCC GO-GARCHgydF4y2Ba 能源经济gydF4y2Ba 2016年gydF4y2Ba 54gydF4y2Ba 235年gydF4y2Ba 247年gydF4y2Ba 10.1016 / j.eneco.2015.11.022gydF4y2Ba 2 - s2.0 - 84960356979gydF4y2Ba BauwensgydF4y2Ba lgydF4y2Ba 劳伦特gydF4y2Ba 年代。gydF4y2Ba RomboutsgydF4y2Ba j . v . K。gydF4y2Ba 多元GARCH模型族:一项调查gydF4y2Ba 应用计量经济学杂志gydF4y2Ba 2006年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 79年gydF4y2Ba 109年gydF4y2Ba 10.1002 / jae.842gydF4y2Ba 2 - s2.0 - 33644805548gydF4y2Ba CaporingydF4y2Ba M。gydF4y2Ba McAleergydF4y2Ba M。gydF4y2Ba 我们真的需要BEKK和DCC吗?一个两个多元GARCH模型的故事gydF4y2Ba 《经济调查gydF4y2Ba 2012年gydF4y2Ba 26gydF4y2Ba 4gydF4y2Ba 736年gydF4y2Ba 751年gydF4y2Ba 10.1111 / j.1467-6419.2011.00683.xgydF4y2Ba 2 - s2.0 - 84864826011gydF4y2Ba 克雷蒂安gydF4y2Ba 年代。gydF4y2Ba 奥尔特加gydF4y2Ba j。gydF4y2Ba 多元GARCH估计通过Bregman-proximal信赖域方法gydF4y2Ba 计算统计和数据分析gydF4y2Ba 2014年gydF4y2Ba 76年gydF4y2Ba 210年gydF4y2Ba 236年gydF4y2Ba 10.1016 / j.csda.2012.10.020gydF4y2Ba 2 - s2.0 - 84901636558gydF4y2Ba 恩格尔gydF4y2Ba R。gydF4y2Ba 动态条件相关gydF4y2Ba 商业和经济统计》杂志上gydF4y2Ba 2002年gydF4y2Ba 20.gydF4y2Ba 3gydF4y2Ba 339年gydF4y2Ba 350年gydF4y2Ba 10.1198 / 073500102288618487gydF4y2Ba 2 - s2.0 - 0035998182gydF4y2Ba ChuegydF4y2Ba t·K。gydF4y2Ba 居尔gydF4y2Ba f。gydF4y2Ba 面gydF4y2Ba g . M。gydF4y2Ba 同步聚合投资者情绪与股票回报gydF4y2Ba 银行与金融杂志》上gydF4y2Ba 2019年gydF4y2Ba 108年gydF4y2Ba 105628年gydF4y2Ba 10.1016 / j.jbankfin.2019.105628gydF4y2Ba 2 - s2.0 - 85072288590gydF4y2Ba Garcia-FerrergydF4y2Ba 一个。gydF4y2Ba Gonzalez-PrietogydF4y2Ba E。gydF4y2Ba 佩纳gydF4y2Ba D。gydF4y2Ba 有条件地heteroskedastic独立因素模型与应用程序对金融股票回报gydF4y2Ba 国际期刊的预测gydF4y2Ba 2012年gydF4y2Ba 28gydF4y2Ba 1gydF4y2Ba 70年gydF4y2Ba 93年gydF4y2Ba 10.1016 / j.ijforecast.2011.02.010gydF4y2Ba 2 - s2.0 - 84155181688gydF4y2Ba GjikagydF4y2Ba D。gydF4y2Ba 霍法gydF4y2Ba R。gydF4y2Ba 股票市场在中欧comovements:证据从非对称DCC模型gydF4y2Ba 经济模型gydF4y2Ba 2013年gydF4y2Ba 33gydF4y2Ba 55gydF4y2Ba 64年gydF4y2Ba 10.1016 / j.econmod.2013.03.015gydF4y2Ba 2 - s2.0 - 84876472965gydF4y2Ba StrohsalgydF4y2Ba T。gydF4y2Ba 韦伯gydF4y2Ba E。gydF4y2Ba 时变国际股票市场互动和波动信号的识别gydF4y2Ba 银行与金融杂志》上gydF4y2Ba 2015年gydF4y2Ba 56gydF4y2Ba 28gydF4y2Ba 36gydF4y2Ba 10.1016 / j.jbankfin.2015.01.020gydF4y2Ba 2 - s2.0 - 84926357727gydF4y2Ba PoncelagydF4y2Ba P。gydF4y2Ba 对独立分量分析的进一步研究gydF4y2Ba 国际期刊的预测gydF4y2Ba 2012年gydF4y2Ba 28gydF4y2Ba 1gydF4y2Ba 94年gydF4y2Ba 96年gydF4y2Ba 10.1016 / j.ijforecast.2011.02.004gydF4y2Ba 2 - s2.0 - 84155195905gydF4y2Ba 耿gydF4y2Ba J.-B。gydF4y2Ba 杜gydF4y2Ba Y.-J。gydF4y2Ba 霁gydF4y2Ba Q。gydF4y2Ba 张gydF4y2Ba D。gydF4y2Ba 建模回报和波动性溢出全球新能源公司的网络gydF4y2Ba 可再生能源和可持续能源的评论gydF4y2Ba 2021年gydF4y2Ba 135年gydF4y2Ba 110214年gydF4y2Ba 10.1016 / j.rser.2020.110214gydF4y2Ba 胡gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 盛ydF4y2Ba D。gydF4y2Ba 注意分配和国际股票回报comovement:证据从比特币市场gydF4y2Ba 在国际商业和金融领域的研究gydF4y2Ba 2020年gydF4y2Ba 54gydF4y2Ba 101286年gydF4y2Ba 10.1016 / j.ribaf.2020.101286gydF4y2Ba 吴gydF4y2Ba F。gydF4y2Ba 赵gydF4y2Ba w l。gydF4y2Ba 霁gydF4y2Ba Q。gydF4y2Ba 张gydF4y2Ba D。gydF4y2Ba 依赖、中心和动态网络国际大宗商品期货价格gydF4y2Ba 国际经济与金融审查gydF4y2Ba 2020年gydF4y2Ba 67年gydF4y2Ba 118年gydF4y2Ba 132年gydF4y2Ba 10.1016 / j.iref.2020.01.004gydF4y2Ba BeirnegydF4y2Ba J。gydF4y2Ba CaporalegydF4y2Ba g . M。gydF4y2Ba Schulze-GhattasgydF4y2Ba M。gydF4y2Ba 依赖gydF4y2Ba N。gydF4y2Ba 全球和区域新兴股票市场的溢出效应:多元GARCH-in-mean分析gydF4y2Ba 新兴市场回顾gydF4y2Ba 2010年gydF4y2Ba 11gydF4y2Ba 3gydF4y2Ba 250年gydF4y2Ba 260年gydF4y2Ba 10.1016 / j.ememar.2010.05.002gydF4y2Ba 2 - s2.0 - 77955086952gydF4y2Ba 马塞洛gydF4y2Ba j·l·M。gydF4y2Ba 奎洛斯gydF4y2Ba j·l·M。gydF4y2Ba 奎洛斯gydF4y2Ba M·d·M·M。gydF4y2Ba 不对称的方差和溢出效应:政权西班牙股市的变化gydF4y2Ba 杂志的国际金融市场,机构和金钱gydF4y2Ba 2008年gydF4y2Ba 18gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 15gydF4y2Ba 10.1016 / j.intfin.2006.05.004gydF4y2Ba 2 - s2.0 - 37449014491gydF4y2Ba MensigydF4y2Ba W。gydF4y2Ba HammoudehgydF4y2Ba 年代。gydF4y2Ba 阮gydF4y2Ba d·K。gydF4y2Ba 康gydF4y2Ba s . H。gydF4y2Ba 全球金融危机和美国之间的溢出效应。和金砖四国股市gydF4y2Ba 国际经济与金融审查gydF4y2Ba 2016年gydF4y2Ba 42gydF4y2Ba 257年gydF4y2Ba 276年gydF4y2Ba 10.1016 / j.iref.2015.11.005gydF4y2Ba 2 - s2.0 - 84958892473gydF4y2Ba MilunovichgydF4y2Ba G。gydF4y2Ba 索普gydF4y2Ba 年代。gydF4y2Ba 估值波动溢出效应gydF4y2Ba 全球金融杂志gydF4y2Ba 2006年gydF4y2Ba 17gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 22gydF4y2Ba 10.1016 / j.gfj.2006.06.007gydF4y2Ba 2 - s2.0 - 33747808211gydF4y2Ba MiyakoshigydF4y2Ba T。gydF4y2Ba 溢出效应的股票回报波动性从日本和美国亚洲股市gydF4y2Ba 杂志的国际金融市场,机构和金钱gydF4y2Ba 2003年gydF4y2Ba 13gydF4y2Ba 4gydF4y2Ba 383年gydF4y2Ba 399年gydF4y2Ba 10.1016 / s1042 - 4431 (03) 00015 - 5gydF4y2Ba 2 - s2.0 - 18444397020gydF4y2Ba NggydF4y2Ba 一个。gydF4y2Ba 波动溢出效应从日本和美国太平洋盆地gydF4y2Ba 国际货币和金融杂志》上gydF4y2Ba 2000年gydF4y2Ba 19gydF4y2Ba 2gydF4y2Ba 207年gydF4y2Ba 233年gydF4y2Ba 10.1016 / s0261 - 5606 (00) 00006 - 1gydF4y2Ba 2 - s2.0 - 0034165316gydF4y2Ba BollerslevgydF4y2Ba T。gydF4y2Ba 广义自回归条件异方差性gydF4y2Ba 计量经济学杂志gydF4y2Ba 1986年gydF4y2Ba 31日gydF4y2Ba 2gydF4y2Ba 307年gydF4y2Ba 327年gydF4y2Ba 10.1016 / 0304 - 4076 (86)90063 - 1gydF4y2Ba 2 - s2.0 - 42449156579gydF4y2Ba 丁gydF4y2Ba Z。gydF4y2Ba 格兰杰gydF4y2Ba c·w·J。gydF4y2Ba 恩格尔gydF4y2Ba r F。gydF4y2Ba 股市回报的长期记忆属性和一个新的模型gydF4y2Ba 实证金融杂志gydF4y2Ba 1993年gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 83年gydF4y2Ba 106年gydF4y2Ba 10.1016 / 0927 - 5398 (93)90006 - dgydF4y2Ba 2 - s2.0 - 0041059062gydF4y2Ba BenSaidagydF4y2Ba 一个。gydF4y2Ba 好的和坏的波动溢出效应:一个不对称的连通性gydF4y2Ba 《金融市场gydF4y2Ba 2019年gydF4y2Ba 43gydF4y2Ba 78年gydF4y2Ba 95年gydF4y2Ba 10.1016 / j.finmar.2018.12.005gydF4y2Ba 2 - s2.0 - 85059344100gydF4y2Ba CharfeddinegydF4y2Ba lgydF4y2Ba 艾尔RefaigydF4y2Ba H。gydF4y2Ba 政治紧张局势,股票市场的依赖和波动溢出:证据从最近intra-GCC危机gydF4y2Ba 北美经济和金融杂志》上gydF4y2Ba 2019年gydF4y2Ba 50gydF4y2Ba 101032年gydF4y2Ba 10.1016 / j.najef.2019.101032gydF4y2Ba 2 - s2.0 - 85070099169gydF4y2Ba NewazgydF4y2Ba m·K。gydF4y2Ba 公园gydF4y2Ba j·S。gydF4y2Ba 贸易的影响强度和市场特性不对称波动,溢出效应和非对称的溢出效应:证据来自国际股票市场的反应给我们的冲击gydF4y2Ba 经济学和金融学的季度评估gydF4y2Ba 2019年gydF4y2Ba 71年gydF4y2Ba 79年gydF4y2Ba 94年gydF4y2Ba 10.1016 / j.qref.2018.07.007gydF4y2Ba 2 - s2.0 - 85050236541gydF4y2Ba 甘农gydF4y2Ba G。gydF4y2Ba 同时波动传输和溢出效应:我们。和香港股票和期货市场gydF4y2Ba 国际金融分析评论gydF4y2Ba 2005年gydF4y2Ba 14gydF4y2Ba 3gydF4y2Ba 326年gydF4y2Ba 336年gydF4y2Ba 10.1016 / j.irfa.2004.10.005gydF4y2Ba 2 - s2.0 - 20344385945gydF4y2Ba 加洛gydF4y2Ba g . M。gydF4y2Ba 奥特朗托gydF4y2Ba E。gydF4y2Ba 波动溢出效应,相互依存和co-movements:马尔可夫切换方法gydF4y2Ba 计算统计和数据分析gydF4y2Ba 2008年gydF4y2Ba 52gydF4y2Ba 6gydF4y2Ba 3011年gydF4y2Ba 3026年gydF4y2Ba 10.1016 / j.csda.2007.09.016gydF4y2Ba 2 - s2.0 - 39049106114gydF4y2Ba 霁gydF4y2Ba Q。gydF4y2Ba BahloulgydF4y2Ba W。gydF4y2Ba 耿gydF4y2Ba J.-B。gydF4y2Ba 古普塔gydF4y2Ba R。gydF4y2Ba 整个大宗商品市场交易行为连通性:证据从套期保值者的情绪gydF4y2Ba 在国际商业和金融领域的研究gydF4y2Ba 2020年gydF4y2Ba 52gydF4y2Ba 101114年gydF4y2Ba 10.1016 / j.ribaf.2019.101114gydF4y2Ba BenSaidagydF4y2Ba 一个。gydF4y2Ba LitimigydF4y2Ba H。gydF4y2Ba 阿卜杜拉gydF4y2Ba O。gydF4y2Ba 在全球金融市场波动溢出效应的变化gydF4y2Ba 经济模型gydF4y2Ba 2018年gydF4y2Ba 73年gydF4y2Ba 343年gydF4y2Ba 353年gydF4y2Ba 10.1016 / j.econmod.2018.04.011gydF4y2Ba 2 - s2.0 - 85046138430gydF4y2Ba DieboldgydF4y2Ba f . X。gydF4y2Ba YilmazgydF4y2Ba K。gydF4y2Ba 给予比接受更好:预测定向测量的波动溢出效应gydF4y2Ba 国际期刊的预测gydF4y2Ba 2012年gydF4y2Ba 28gydF4y2Ba 1gydF4y2Ba 57gydF4y2Ba 66年gydF4y2Ba 10.1016 / j.ijforecast.2011.02.006gydF4y2Ba 2 - s2.0 - 84155181176gydF4y2Ba 菲利帕gydF4y2Ba D。gydF4y2Ba Dragomirescu-GainagydF4y2Ba C。gydF4y2Ba 暴露波动溢出效应:基于向量自回归模型进行比较分析gydF4y2Ba 金融研究快报gydF4y2Ba 2016年gydF4y2Ba 18gydF4y2Ba 302年gydF4y2Ba 305年gydF4y2Ba 10.1016 / j.frl.2016.05.002gydF4y2Ba 2 - s2.0 - 84971254260gydF4y2Ba 苏gydF4y2Ba X。gydF4y2Ba 动态行为和因素在七国集团(G7)股票市场的波动溢出效应gydF4y2Ba 北美经济和金融杂志》上gydF4y2Ba 2020年gydF4y2Ba 53gydF4y2Ba 101218年gydF4y2Ba 10.1016 / j.najef.2020.101218gydF4y2Ba BaumohlgydF4y2Ba E。gydF4y2Ba KočendagydF4y2Ba E。gydF4y2Ba LyocsagydF4y2Ba Š。gydF4y2Ba VyrostgydF4y2Ba T。gydF4y2Ba 网络股票市场之间的波动溢出效应gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2018年gydF4y2Ba 490年gydF4y2Ba 1555年gydF4y2Ba 1574年gydF4y2Ba 10.1016 / j.physa.2017.08.123gydF4y2Ba 2 - s2.0 - 85030123221gydF4y2Ba 胡gydF4y2Ba M。gydF4y2Ba 张gydF4y2Ba D。gydF4y2Ba 霁gydF4y2Ba Q。gydF4y2Ba 魏gydF4y2Ba lgydF4y2Ba 宏观因素和意识到波动的商品:一个动态网络分析gydF4y2Ba 资源政策gydF4y2Ba 2020年gydF4y2Ba 68年gydF4y2Ba 101813年gydF4y2Ba 10.1016 / j.resourpol.2020.101813gydF4y2Ba 霁gydF4y2Ba Q。gydF4y2Ba 刘gydF4y2Ba B.-Y。gydF4y2Ba CunadogydF4y2Ba J。gydF4y2Ba 古普塔gydF4y2Ba R。gydF4y2Ba 风险溢出美国和其余的七国集团(G7)股市之间使用时变接合部和马尔可夫切换:证据从一个世纪的数据gydF4y2Ba 北美经济和金融杂志》上gydF4y2Ba 2020年gydF4y2Ba 51gydF4y2Ba 100846年gydF4y2Ba 10.1016 / j.najef.2018.09.004gydF4y2Ba 2 - s2.0 - 85054087889gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 一个gydF4y2Ba H。gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 陈gydF4y2Ba Z。gydF4y2Ba 冯gydF4y2Ba 年代。gydF4y2Ba 温gydF4y2Ba 年代。gydF4y2Ba 溢出网络的特点在国际金融市场:证据来自G20国家gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2017年gydF4y2Ba 479年gydF4y2Ba 265年gydF4y2Ba 278年gydF4y2Ba 10.1016 / j.physa.2017.03.016gydF4y2Ba 2 - s2.0 - 85015409111gydF4y2Ba LyocsagydF4y2Ba Š。gydF4y2Ba VyrostgydF4y2Ba T。gydF4y2Ba BaumohlgydF4y2Ba E。gydF4y2Ba 返回全球溢出效应:网络的方法gydF4y2Ba 经济模型gydF4y2Ba 2019年gydF4y2Ba 77年gydF4y2Ba 133年gydF4y2Ba 146年gydF4y2Ba 10.1016 / j.econmod.2017.11.003gydF4y2Ba 2 - s2.0 - 85044542790gydF4y2Ba MensigydF4y2Ba W。gydF4y2Ba BoubakergydF4y2Ba f . Z。gydF4y2Ba Al-YahyaeegydF4y2Ba k . H。gydF4y2Ba 康gydF4y2Ba s . H。gydF4y2Ba 动态之间的波动溢出效应和连通性全球、地区和GIPSI股票市场gydF4y2Ba 金融研究快报gydF4y2Ba 2018年gydF4y2Ba 25gydF4y2Ba 230年gydF4y2Ba 238年gydF4y2Ba 10.1016 / j.frl.2017.10.032gydF4y2Ba 2 - s2.0 - 85035202461gydF4y2Ba 花王gydF4y2Ba L.-J。gydF4y2Ba 赵gydF4y2Ba c c。gydF4y2Ba 陆gydF4y2Ba C.-J。gydF4y2Ba 杨gydF4y2Ba J.-L。gydF4y2Ba 集成的非线性独立分量分析和支持向量回归股票价格预测gydF4y2Ba NeurocomputinggydF4y2Ba 2013年gydF4y2Ba 99年gydF4y2Ba 534年gydF4y2Ba 542年gydF4y2Ba 10.1016 / j.neucom.2012.06.037gydF4y2Ba 2 - s2.0 - 84867889577gydF4y2Ba KumiegagydF4y2Ba 一个。gydF4y2Ba NeururergydF4y2Ba T。gydF4y2Ba Van VlietgydF4y2Ba B。gydF4y2Ba 独立分量分析实现波动:分析2008年的股市崩盘gydF4y2Ba 经济学和金融学的季度评估gydF4y2Ba 2011年gydF4y2Ba 51gydF4y2Ba 3gydF4y2Ba 292年gydF4y2Ba 302年gydF4y2Ba 10.1016 / j.qref.2011.03.002gydF4y2Ba 2 - s2.0 - 80051573690gydF4y2Ba HitajgydF4y2Ba 一个。gydF4y2Ba 麦古利gydF4y2Ba lgydF4y2Ba RrojigydF4y2Ba E。gydF4y2Ba 与独立分量分析投资组合选择gydF4y2Ba 金融研究快报gydF4y2Ba 2015年gydF4y2Ba 15gydF4y2Ba 146年gydF4y2Ba 159年gydF4y2Ba 10.1016 / j.frl.2015.09.005gydF4y2Ba 2 - s2.0 - 84945545884gydF4y2Ba 西安gydF4y2Ba lgydF4y2Ba 他gydF4y2Ba K。gydF4y2Ba 赖gydF4y2Ba K·K。gydF4y2Ba 黄金价格分析基于整体经验模式分解和独立成分分析gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2016年gydF4y2Ba 454年gydF4y2Ba 11gydF4y2Ba 23gydF4y2Ba 10.1016 / j.physa.2016.02.055gydF4y2Ba 2 - s2.0 - 84960919331gydF4y2Ba GourierouxgydF4y2Ba C。gydF4y2Ba Monfort涉嫌gydF4y2Ba 一个。gydF4y2Ba 瑞恩gydF4y2Ba j。gydF4y2Ba 独立分量分析的统计推断:应用程序结构VAR模型gydF4y2Ba 计量经济学杂志gydF4y2Ba 2017年gydF4y2Ba 196年gydF4y2Ba 1gydF4y2Ba 111年gydF4y2Ba 126年gydF4y2Ba 10.1016 / j.jeconom.2016.09.007gydF4y2Ba 2 - s2.0 - 84995684270gydF4y2Ba 盒子gydF4y2Ba T。gydF4y2Ba 定性相似和co-movement股票价格gydF4y2Ba 银行与金融杂志》上gydF4y2Ba 2018年gydF4y2Ba 91年gydF4y2Ba 49gydF4y2Ba 69年gydF4y2Ba 10.1016 / j.jbankfin.2018.04.010gydF4y2Ba 2 - s2.0 - 85046445061gydF4y2Ba 部gydF4y2Ba H。gydF4y2Ba 唐gydF4y2Ba W。gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 时变co-movement comovement结构的变化在中国股市:因果网络的方法gydF4y2Ba 经济模型gydF4y2Ba 2019年gydF4y2Ba 81年gydF4y2Ba 181年gydF4y2Ba 204年gydF4y2Ba 10.1016 / j.econmod.2019.03.002gydF4y2Ba 2 - s2.0 - 85071841590gydF4y2Ba 陈gydF4y2Ba P。gydF4y2Ba 理解国际股市co-movements:比较发达市场和新兴市场gydF4y2Ba 国际经济与金融审查gydF4y2Ba 2018年gydF4y2Ba 56gydF4y2Ba 451年gydF4y2Ba 464年gydF4y2Ba 10.1016 / j.iref.2017.12.004gydF4y2Ba 2 - s2.0 - 85037627046gydF4y2Ba 稻叶型gydF4y2Ba K.-I。gydF4y2Ba 各国comovements信息驱动股票回报gydF4y2Ba 在国际商业和金融领域的研究gydF4y2Ba 2020年gydF4y2Ba 51gydF4y2Ba 101093年gydF4y2Ba 10.1016 / j.ribaf.2019.101093gydF4y2Ba 麦克唐纳gydF4y2Ba R。gydF4y2Ba SogiakasgydF4y2Ba V。gydF4y2Ba TsopanakisgydF4y2Ba 一个。gydF4y2Ba 波动性co-movements和欧元区内部经济溢出效应:多元GARCH方法使用金融压力指数金融压力指数gydF4y2Ba 杂志的国际金融市场,机构和金钱gydF4y2Ba 2018年gydF4y2Ba 52gydF4y2Ba 17gydF4y2Ba 36gydF4y2Ba 10.1016 / j.intfin.2017.09.003gydF4y2Ba 2 - s2.0 - 85038878538gydF4y2Ba 阮gydF4y2Ba c·P。gydF4y2Ba 阮gydF4y2Ba t . v . H。gydF4y2Ba SchinckusgydF4y2Ba C。gydF4y2Ba 机构、经济开放和股票回报co-movements:新兴市场的实证调查gydF4y2Ba 金融研究快报gydF4y2Ba 2019年gydF4y2Ba 28gydF4y2Ba 137年gydF4y2Ba 147年gydF4y2Ba 10.1016 / j.frl.2018.04.010gydF4y2Ba 2 - s2.0 - 85047181258gydF4y2Ba NiţoigydF4y2Ba M。gydF4y2Ba PocheagydF4y2Ba M . M。gydF4y2Ba 欧盟股票市场co-movements的动力是什么?gydF4y2Ba 国际货币和金融杂志》上gydF4y2Ba 2019年gydF4y2Ba 97年gydF4y2Ba 57gydF4y2Ba 69年gydF4y2Ba 10.1016 / j.jimonfin.2019.06.004gydF4y2Ba 2 - s2.0 - 85068424104gydF4y2Ba 盛gydF4y2Ba X。gydF4y2Ba BrzeszczyńskigydF4y2Ba J。gydF4y2Ba 易卜拉欣gydF4y2Ba b . M。gydF4y2Ba 国际股票回报co-movements和交易活动gydF4y2Ba 金融研究快报gydF4y2Ba 2017年gydF4y2Ba 23gydF4y2Ba 12gydF4y2Ba 18gydF4y2Ba 10.1016 / j.frl.2017.06.006gydF4y2Ba 2 - s2.0 - 85023606706gydF4y2Ba ArratiagydF4y2Ba 一个。gydF4y2Ba 小屋gydF4y2Ba 一个。gydF4y2Ba 图形工具来描述金融股票marketsfinancial股票市场集群的演化gydF4y2Ba 计算经济学gydF4y2Ba 2013年gydF4y2Ba 41gydF4y2Ba 2gydF4y2Ba 213年gydF4y2Ba 231年gydF4y2Ba 10.1007 / s10614 - 012 - 9327 - xgydF4y2Ba 2 - s2.0 - 84872966833gydF4y2Ba 迪亚斯gydF4y2Ba j·G。gydF4y2Ba VermuntgydF4y2Ba j·K。gydF4y2Ba 拉莫斯gydF4y2Ba 年代。gydF4y2Ba 聚类金融时间序列:从一个扩展的隐马尔科夫模型的新见解gydF4y2Ba 欧洲运筹学杂志》上gydF4y2Ba 2015年gydF4y2Ba 243年gydF4y2Ba 3gydF4y2Ba 852年gydF4y2Ba 864年gydF4y2Ba 10.1016 / j.ejor.2014.12.041gydF4y2Ba 2 - s2.0 - 84923647183gydF4y2Ba 杜兰特gydF4y2Ba F。gydF4y2Ba FoscologydF4y2Ba E。gydF4y2Ba 分析金融市场之间的依赖空间contagionfinancial市场空间蔓延gydF4y2Ba 国际期刊的智能系统gydF4y2Ba 2013年gydF4y2Ba 28gydF4y2Ba 4gydF4y2Ba 319年gydF4y2Ba 331年gydF4y2Ba 10.1002 / int.21578gydF4y2Ba 2 - s2.0 - 84874112773gydF4y2Ba D 'UrsogydF4y2Ba P。gydF4y2Ba De乔凡尼gydF4y2Ba lgydF4y2Ba 了起来gydF4y2Ba R。gydF4y2Ba D 'EcclesiagydF4y2Ba r . L。gydF4y2Ba 大师gydF4y2Ba 大肠。gydF4y2Ba Cepstral-based金融时间序列的聚类gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2020年gydF4y2Ba 161年gydF4y2Ba 113705年gydF4y2Ba 10.1016 / j.eswa.2020.113705gydF4y2Ba D 'UrsogydF4y2Ba P。gydF4y2Ba 卡佩里gydF4y2Ba C。gydF4y2Ba LallogydF4y2Ba D D。gydF4y2Ba 了起来gydF4y2Ba R。gydF4y2Ba 金融时间序列的聚类gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2013年gydF4y2Ba 392年gydF4y2Ba 9gydF4y2Ba 2114年gydF4y2Ba 2129年gydF4y2Ba 10.1016 / j.physa.2013.01.027gydF4y2Ba 2 - s2.0 - 84875447496gydF4y2Ba D 'UrsogydF4y2Ba P。gydF4y2Ba De乔凡尼gydF4y2Ba lgydF4y2Ba 了起来gydF4y2Ba R。gydF4y2Ba GARCH-based健壮的时间序列聚类gydF4y2Ba 模糊集和系统gydF4y2Ba 2016年gydF4y2Ba 305年gydF4y2Ba 1gydF4y2Ba 28gydF4y2Ba 10.1016 / j.fss.2016.01.010gydF4y2Ba 2 - s2.0 - 84956865229gydF4y2Ba EsmalifalakgydF4y2Ba H。gydF4y2Ba AjirlougydF4y2Ba 答:我。gydF4y2Ba 挂gydF4y2Ba s P。gydF4y2Ba EsmalifalakgydF4y2Ba M。gydF4y2Ba (Dis)集成水平在全球股市:多维标度和聚类分析gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2015年gydF4y2Ba 42gydF4y2Ba 22gydF4y2Ba 8393年gydF4y2Ba 8402年gydF4y2Ba 10.1016 / j.eswa.2015.06.053gydF4y2Ba 2 - s2.0 - 84940416748gydF4y2Ba 廖gydF4y2Ba 工程学系。gydF4y2Ba 周gydF4y2Ba S.-Y。gydF4y2Ba 数据挖掘的调查co-movements在台湾和中国大陆证券市场未来的投资组合gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2013年gydF4y2Ba 40gydF4y2Ba 5gydF4y2Ba 1542年gydF4y2Ba 1554年gydF4y2Ba 10.1016 / j.eswa.2012.08.075gydF4y2Ba 2 - s2.0 - 84872029278gydF4y2Ba HyvarinengydF4y2Ba 一个。gydF4y2Ba OjagydF4y2Ba E。gydF4y2Ba 独立分量分析:算法和应用程序gydF4y2Ba 神经网络gydF4y2Ba 2000年gydF4y2Ba 13gydF4y2Ba 4 - 5gydF4y2Ba 411年gydF4y2Ba 430年gydF4y2Ba 10.1016 / s0893 - 6080 (00) 00026 - 5gydF4y2Ba 2 - s2.0 - 0042826822gydF4y2Ba 贝卡尔特gydF4y2Ba G。gydF4y2Ba EngstromgydF4y2Ba E。gydF4y2Ba ErmolovgydF4y2Ba 一个。gydF4y2Ba 糟糕的环境,好的环境:一个非高斯非对称波动模型gydF4y2Ba 计量经济学杂志gydF4y2Ba 2015年gydF4y2Ba 186年gydF4y2Ba 1gydF4y2Ba 258年gydF4y2Ba 275年gydF4y2Ba 10.1016 / j.jeconom.2014.06.021gydF4y2Ba 2 - s2.0 - 84926375579gydF4y2Ba 廖gydF4y2Ba t·W。gydF4y2Ba 聚类时间序列数据组织的调查gydF4y2Ba 模式识别gydF4y2Ba 2005年gydF4y2Ba 38gydF4y2Ba 1857年gydF4y2Ba 1874年gydF4y2Ba 宁gydF4y2Ba C。gydF4y2Ba 徐gydF4y2Ba D。gydF4y2Ba WirjantogydF4y2Ba t·S。gydF4y2Ba 是资产回报不对称波动集群?gydF4y2Ba 银行与金融杂志》上gydF4y2Ba 2015年gydF4y2Ba 52gydF4y2Ba 62年gydF4y2Ba 76年gydF4y2Ba 10.1016 / j.jbankfin.2014.11.016gydF4y2Ba 2 - s2.0 - 84921642427gydF4y2Ba Morales-ZumaquerogydF4y2Ba 一个。gydF4y2Ba Sosvilla-RiverogydF4y2Ba 年代。gydF4y2Ba 外汇和股票市场之间的波动溢出效应在工业化国家gydF4y2Ba 经济学和金融学的季度评估gydF4y2Ba 2018年gydF4y2Ba 70年gydF4y2Ba 121年gydF4y2Ba 136年gydF4y2Ba 10.1016 / j.qref.2018.04.013gydF4y2Ba 2 - s2.0 - 85046163031gydF4y2Ba 周gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba W。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 中国和世界股票市场之间的波动溢出效应gydF4y2Ba 太平洋航运金融杂志gydF4y2Ba 2012年gydF4y2Ba 20.gydF4y2Ba 2gydF4y2Ba 247年gydF4y2Ba 270年gydF4y2Ba 10.1016 / j.pacfin.2011.08.002gydF4y2Ba 2 - s2.0 - 80054865556gydF4y2Ba LiowgydF4y2Ba k . H。gydF4y2Ba 在七国集团金融市场波动溢出动力学和关系gydF4y2Ba 北美经济和金融杂志》上gydF4y2Ba 2015年gydF4y2Ba 33gydF4y2Ba 328年gydF4y2Ba 365年gydF4y2Ba 10.1016 / j.najef.2015.06.003gydF4y2Ba 2 - s2.0 - 84937126757gydF4y2Ba 沙赫扎德gydF4y2Ba s . j . H。gydF4y2Ba 埃尔南德斯gydF4y2Ba j . A。gydF4y2Ba 拉赫曼gydF4y2Ba m . U。gydF4y2Ba Al-YahyaeegydF4y2Ba k . H。gydF4y2Ba 扎卡里亚gydF4y2Ba M。gydF4y2Ba 全球股票市场的网络拓扑:发射器和接收器的溢出效应gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2018年gydF4y2Ba 492年gydF4y2Ba 2136年gydF4y2Ba 2153年gydF4y2Ba 10.1016 / j.physa.2017.11.132gydF4y2Ba 2 - s2.0 - 85036629494gydF4y2Ba 留置权gydF4y2Ba D。gydF4y2Ba 李gydF4y2Ba G。gydF4y2Ba 杨gydF4y2Ba lgydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 我们之间的波动溢出效应。和亚洲股市:亚洲货币危机时期之间的比较和次级信贷危机gydF4y2Ba 北美经济和金融杂志》上gydF4y2Ba 2018年gydF4y2Ba 46gydF4y2Ba 187年gydF4y2Ba 201年gydF4y2Ba 10.1016 / j.najef.2018.04.006gydF4y2Ba 2 - s2.0 - 85048870303gydF4y2Ba