中国股票市场与干散货航运市场的动态相关性
唐韵捷 曲林迟
摘要： 为探求中国股票市场与干散货航运市场的动态相关性，运用DCCMGARCH模型和向量自回归（Vector AutoRegressive， VAR）模型对上证综指和波罗的海干散货指数（Baltic Dry Index， BDI）进行分析，发现这两个市场之间存在信息溢出现象，具有较强的动态相关性.作为重要纽带的上证综指与BDI之间的动态相关性是制定海运运价不可或缺的因素，也可以作为金融资产定价的重要因素.
关键词：DCCMGARCH模型； 向量自回归（VAR）模型； 波罗的海干散货指数（BDI）； 上证综指； 动态相关性
中图分类号： U695.27； F551； F830.91
文献标志码： A
Abstract：To seek the dynamic correlation between the stock market in China and the dry bulk shipping market， DCCMGARCH model and Vector AutoRegressive （VAR） model are adopted to analyze Shanghai （securities） composite index and Baltic Dry Index （BDI）. It can be found that there exists the information overflow phenomenon between the two markets， and thus the two markets are of stronger dynamic correlation. As an important link between the two markets， the dynamic correlation between Shanghai （securities） composite index and BDI is an indispensable factor to formulate the shipping freight and can also be as an important factor for the financial asset pricing.
Key words：DCCMGARCH model； Vector AutoRegressive （VAR） model； Baltic Dry Index （BDI）； Shanghai （securities） composite index； dynamic correlation
0引言
在过去的文献中已有许多研究证实金融市场与经济活动之间具有很强的相关性.1973年MCKINNON[1]和SHAW[2]臆测金融市场对实体经济具有非常重要的意义.此后BENCIVENGA等[3]和LEVINE等[4]论证了这一观点.ROSS[5]和CHEN等[6]阐述他们的看法：尽管从宏观角度看，金融的发展影响实体经济的发展，但是实体经济对金融也具有相当的影响力.ROLL等[7]进一步提出证据显示实体经济通过直接影响资产的价格从而间接影响资本市场.
在没有外生因素的影响下，国内外已经有众多关于动态相关性的有影响力的研究，其重点是理解和评估两个或两个以上的股票市场的关系，而近年来关于动态相关性的研究主要集中在组合的股票市场与大宗商品市场、汇率市场之间，如：CHANG等[8]在2007年运用
动态条件相关多变量广义自回归条件异方差（Dynamic Conditional Correlation Multivariate Generalized AutoRegressive Conditional Heteroskedasticity，DCCMGARCH）
模型对亚洲股票进行相关性研究，发现中国、日本、韩国的股票市场具有较强的联动性；2010年ASLANIDIS等[9]运用DCCMGARCH模型研究美国和英国资本市场，并发现两个市场之间有较强的相关性；2011年SYLLIGNAKIS等[10]运用DCCMGARCH模型对德国、美国、俄罗斯股票市场进行研究，得出两两国家股票市场之间的相关系数总体为正；2012年WAHAB[11]运用DCCMGARCH模型对货币与股票市场的相关性进行研究，得出货币政策的任何变化都会直接或间接地影响股票市场的结论.上述研究发现，存在动态相关性的市场中，任何一个市场的负面或正面事件的影响会非常明显地蔓延至其他市场.然而，现阶段大多数研究在进行高度相关的市场调查时，仅限于选择研究股票市场之间的动态相关性，极少涉及某个股票市场与实体经济之间的动态相关性.如果存在与股票或实体经济相关的事件可以传播在股票市场与实体经济市场之间，并以此验证两者之间的动态相关性，则将会得到更有用的信息，同时对投资者的决策也显得更有价值.如KOSTAS[12]选取一系列从道琼综指挑选出来的股票建立投资组合对波罗的海干散货指数（Baltic Dry Index， BDI）进行追踪，用预测能力对这些投资组合进行评估.他提出的投资策略相对追踪基准指数有较低的风险，同时为投资者提供一个较好的投资机会：在低成本、高效益条件下有效地复制股票指数以及实体航运指数的表现.
本文旨在探究中国股票市场与干散货航运市场之间的动态关系（这里的股票市场和干散货航运市场分别代表资本市场基准和实体经济的行为），并针对这两个市场的相互依赖性构建研究模型，确保股票市场与实体经济结构之间的关系的线索都可以为投资者提供信息.因此，应用多元结构模型并且不对实体经济和股票市场作外生性限制.该研究方法在国际上具有高度影响并且受到众多学者的关注.此外，希望从不同角度得到结论，并且允许将股票市场作为一个内生性因素.为此，对股票市场与干散货航运市场之间内生的互动进行评估，得到所有有用的因素.在一些大事件的核心中，由于内部冲击和外部冲击的反应
不仅是单变量的行为同时也是动态行为，
故两个市场之间关系更加复杂.如果想更深入地进行分析，则不能仅仅停留在单变量的方法，例如一个向量自回归的设置远不能显示所需的风险动态.因此，通过运用多元模型检测两个目标市场的相关性.虽然随着模型维度的增加，此模型参数数量激增，会变得异常复杂[13]，但DCCMGARCH模型可以进行动态设置，这样就能及时观察两个市场之间信息的溢出效应.
1数据来源与分析
1.1数据来源
BDI作为反映国际干散货运价整体水平、量化市场状态的指数，多年来一直被航运界高度关注，被称为国际干散货航运市场发展和变化的晴雨表.[14]该指数由4个船型指数组成，权重各占25%，并根据每日的船租金或各航线的平均运价进行计算.简单地说，如果一货主需要某些运输服务，可以询问这些运输服务的价格和交货时间.这类询问可以通过一对一的业务网络、在线系统或中介、经纪人或货代系统了解船租金和运价.这些船租金和运价并不代表从A地转移到B地的某些货型的成本或者收益，而仅代表一艘船的每日租用价格.然而特定的技术性船舶只能在特定的航线运送特定的货物，这些船租金和运价代表托运人一个必要的投入，同样也是动态真实的经济活动.
大多数航线的船租金和运价是中介机构通过定期数据制定的，但是如果特定的某条航线没有这样的定期数据，中介机构就会预估该航线大致的船租金和运价.这些数据经过处理形成子数据，将其取平均值后，得到BDI.部分BDI的动态性有独特的性质，比如与干散货有关的定期数据基本上反映对原材料的需求而不是直接消费.因为经济活动反映的资源配置直接影响合同的价格和近期的运输成本，所以无论是政府还是个人对原材料的需求都是一个非常重要的风向标.
股票市场与大宗商品运输市场存在相关性的原因在于它们之间存在着传统金融市场与新兴金融衍生品市场的联系.我国上证综指（为方便分析，记为SZZS）许多权重股都是重化工业企业，与煤炭、钢铁、木材等大宗物资具有相当紧密的联系，反映出近二十年来我国沿海各地进入重化工业的发展时期.在此期间对大宗物资的进出口需求量极大，2013年我国初级产品进口达6 567亿美元，同比增长3.6%，其中原油和成品油、钢铁所占比重最大，同比增长分别为9.1%和11.6%.大宗物资的进出口量决定我国工业化发展的进程，而海上运输起到至关重要的作用，因此SZZS与BDI息息相关.刘斌等[15]指出随着中国的崛起和上海国际航运中心的建设， 中国取代德国成为第一大进口国， 国际航运因素对中国经济的影响越来越大， 反映在中国资本市场SZZS的变化中.因此，本文选取SZZS代表我国股票市场，选取BDI代表干散货航运市场进行动态相关性研究.样本期限从2007年10月至2013年12月，分别选择435个周系列样本和75个月系列样本，得到周系列和月系列数据.以上原始数据来源于克拉克森和分析家股票分析系统.
1.2描述性统计
从表1中可以看出无论是周系列还是月系列数据，BDI收益率的极差（最大值与最小值之差）相对于SZZS收益率的极差都较大，这表明BDI收益率波动较为显著.从平均数和标准差的角度看，周系列和月系列数据都显示SZZS的回报率总体上大于BDI的回报率，然而在风险度方面较BDI稍低.所有序列的偏度均大于0，表明此分布具有正偏离，其中RMSZZS的正偏离性最强，表明中远航运收益率序列相比于其他序列有更多数值小于平均数.这4个序列的峰度均大于3，显示这4个收益率序列分布均有尖峰厚尾的特征，意味着序列中存在着大幅度偏离均值的异常值.由此可以看出，这4个收益率序列的波动都较为剧烈，其中RMSZZS表现得极为明显.最后从JB统计量看出，所有序列的JB值都远远大于0，均不服从正态分布.
1.3平稳性检验
在建立DCCGARCH模型和向量自回归（Vector AutoRegressive， VAR）模型之前，为避免导致伪回归，需要对这4个序列进行平稳性检验.表2显示，所有序列的检验值均小于1%的临界值，且伴随概率都为0，从而拒绝原假设，4个序列都通过平稳性检验，因此该样本可以用来进行DCCGARCH模型和VAR模型分析.
1.4ARCH效应检验
采用ARCHLM检验验证序列是否具有ARCH
效应.表3显示，F和LM统计量都较大，伴随概率都为0.因此，这4个序列都存在8阶ARCH效应，证明收益率序列的残差序列均存在高阶的ARCH效应，可以建立GARCH模型提高计算的准确性.
1.5自相关检验
根据高斯马尔科夫定理，只有在同方差和非自相关性的条件下，普通最小二乘法（Ordinary Least Square，OLS）估计才具有最小方差性.如果模型存在自相关性，OLS估计虽然是无偏估计，但不再具有有效性.从表4看出，这4个序列的F统计量检验均接受序列无关的原假设.
2实证研究与结论分析
利用基于时间序列分析的
DCCMGARCH模型检验干散货航运市场与股票市场的动态相关性，并
采用ENGLE[13]所推荐的方法，通过两个步骤来估计：首先运用GARCH模型估计干散货航运市场和股票市场收益率的条件方差，利用条件方差除以残差，得到标准化残差序列；然后用这个标准化残差序列估计模型动态条件相关系数.
2.1条件方差
与ARCH模型相比，GARCH模型的优势在于该模型需要更小的滞后阶数.通过AIC和SC最小化准则，考虑到选用GARCH（1，1）模型可以更好、更简洁地表现收益率序列的波动性并且可以有效地消除条件异方差性，从而更好地拟合BDI的波动[16]，采用该模型分析周收益率和月收益率序列的条件方差（见表5和6）.
结果显示：无论是在周系列还是在月系列中，SZZS和BDI收益率序列的GARCH项都较为显著，说明这两个系列数据都存在异方差现象；这两个系列数据的GARCH项系数比ARCH项系数更大，表明SZZS和BDI本期的条件方差受到上期条件方差的影响较大.此外，分析结果表明，回归系数的常数项都大于0，ARCH项和GARCH项的系数非零，且两项之和小于1，平稳性较为明显.虽然RWSZZS和RMBDI的常数项未通过5%的显著性检验，但考虑到GARCH模型中常数项系数大于0界限值的情况较为多见，且不影响模型整体，故予以保留.
将BDI与SZZS的收益率序列的条件方差进行对比（见图1和2），可以看到两个指数在前半段（约2007年12月—2010年12月）都存在较大的波动，而在后半段（约2011年1月—2013年12月）趋于平稳.原因可能是2008年中段的全球经济危机导致全球经济指数迅速下滑.在2011年之后，市场资金从严重投机心理逐渐回归至理性状态，这使得BDI和SZZS的波动性大幅下降.这一观点与刘斌等[15]的研究结果较为符合.此外，通过对比还发现BDI的条件方差都高于SZZS的条件方差，原因可能是干散货航运市场的金融衍生品作为一种全球性的套利工具吸引了世界各大航运企业以及许多来自非航运业的交易者（如投行、对冲基金），他们都意识到这个新兴产品背后潜在的巨大利益，因此相比于上证股票市场存在更多的投机性.
借助以上回归结果可得出SZZS与BDI的动态条件相关系数，见图3.从图3可以看出两个市场的相关性在前期波动较大（月系列（-0.23～0.39），周系列（-0.31～0.39））.这个现象也许可以用以下原因解释：在2008年经济危机爆发时，同时袭来的还有全球贸易量的减少，这使两个市场下滑巨大.随后各国政府立即采取应急措施，如联邦储备局提出著名的量化宽松，我国政府发行4万亿元救市，使得我国股票市场暂时复苏起来.然而，在世界海运市场，已经或者将要交付的船舶还有很多，面对萎靡不振的需求，运价则继续下降.这也许是股票市场与实体经济会暂时有一个分歧的原因.由图3还可以看出，两个市场的动态条件相关系数在后期波动幅度较小（月系列（0.16～0.29），周系列（0.18～0.31）），这是由于经济危机发生的2年后，世界经济趋于稳定状态并开始慢慢复苏，各国政府出台刺激经济的政策的步伐开始减缓，两个市场受到的外在干扰因素开始变少，其条件相关性也逐渐平稳.
2.3.1格兰杰因果关系检验
对RWBDI与RWSZZS，RMBDI与RMSZZS进行格兰杰因果关系检验，分析它们间的动态关系，以及是否存在时间上的先导和滞后关系（见表7）.无论是周系列还是月系列都显示不同的反应结果.从长期看，BDI之前的变化可以解释SZZS的变化，在短期却得不到这个效果.然而在周系列中两个指数的作用却刚好相反.由于两个市场的相互作用在长期和短期看遵循不同的路径，因此股票市场短期的波动对于干散货航运市场的参与者来说是不得不考虑的信息，然而这样的结论在长期看却不明显.另一方面，从长期看，BDI的波动似乎更加容易解释股票市场的波动.该结论与2004年MULLIGAN等[17]针对欧洲12只航运股票与BDI相关性和2013年ERDOGAN等[18]针对BDI与道琼指数的相关性的研究结果较为相似.MULLIGAN等指出航运公司股价虽然与运价存在较强的正相关，但是彼此之间依然存在长达一个月的滞后性.这是因为股价受到许多其他经济、政策等因素的干扰.ERDOGAN等提出BDI的波动能更好地解释2个月后美国股票市场波动的原因是宏观经济环境抵抗单个影响因素的能力较强，因此海运运费波动所导致的大宗物资需求变化引起的宏观经济的波动相对较慢.然而笔者认为另一原因在于海运运费波动虽然存在较为显著的波动集群性特征，但是除受美国次贷危机影响外，BDI史上短时间内剧烈波动情况并不多见，所以通常在短期之内迅速影响大宗物资需求量变化的可能性较小.然而经过较长一段时间后，由于存在ARCH效应，受到运价连续上升或下降的影响，大宗物资的价格以及需求量开始变化，与大宗物资密切相关的行业股价也随即开始波动.
2.3.2脉冲响应函数
为更清楚地认识月收益率序列和周收益率序列中SZZS与BDI的相互影响关系，运用脉冲响应方法进行外来冲击分析，用以观察VAR模型中变量之间的动态影响关系.
图4～7显示脉冲响应情况.两个指数对来自不同指数变化的冲击反应类似，大约在7期（月或周）后消失.在月收益率序列中，SZZS对外来冲击的反应时间长且反应强度大；在周收益率序列中，BDI对外来冲击的反应时间也较长且反应强度也较大.这与格兰杰因果关系检验的结果完全符合.各指数第t+1期对自身第t期一个标准差新信息反应迅速，BDI在周收益率序列和月收益率序列中分别为0.249和0.398，而SZZS在周收益率序列和月收益率序列中分别为0.138和0.251，这说明BDI对市场新信息的反应程度要大于SZZS.此外，从图5中可以看出，SZZS对BDI的外来冲击在第t+1期并没有完全反应，而在第t+3期达到最大，随后冲击效应迅速变小.从图6中可以看出，BDI对SZZS的外来冲击在第t+1期前期甚至毫无反应，直到第t+1期后期才逐渐增大，而在第t+2期才达到最大，并于第7期消失.这一现象可以理解为干散货航运市场与股票市场具有一定的分割性，市场之间的信息传递存在一定的时滞.因此，对于股票市场，从长期（3个月）看，贸易方式和运费对股票市场参与者可以产出信息.另一方面，对于干散货航运市场，在短期（2～3周）看，分析股票市场动态有助于更好地预测干散货航运市场的变化.
2.3.3方差分解
不同于脉冲影响函数，方差分解是通过分析每一个结构冲击对内生变量变化的贡献度评价不同结构冲击的重要性，因此方差分解给出对VAR模型中的变量产生影响的每个随机扰动的相对重要性的信息.
在预测月收益率序列中，SZZS对BDI的解释能力比较弱，而BDI对SZZS的解释能力比较强.以预测10期为例，SZZS只能解释BDI方差的0.235 062%，而BDI却能解释SZZS方差的10.083 530%.而在预测周收益率序列中，BDI对SZZS的解释能力比较弱，相反SZZS对BDI有比较强的解释能力.如预测第10期，SZZS可以解释BDI方差的4.511 938%，而BDI却能解释SZZS方差的0.581 115%.此外，从表8也可以看出，BDI相对于SZZS有更好的自我解释能力.这也许是因为干散货航运市场合同的特殊性，如远期运价（FFA）和运输货物种类繁多，数量巨大，运力不可替代性较强等原因，以至于干散货航运市场内部的动力是不可忽略的.
3结论
运用DCCMGARCH模型和VAR模型论证BDI与SZZS的动态相关性，尤其在经济环境稳定时期表现得更为明显，并且发现干散货航运市场与股票市场存在信息溢出现象，无论是月系列还是周系列对滞后变量的影响展示不同的反馈结果：从长期看，BDI先前的变化可以解释SZZS的变化；然而，相同的影响从短期看则不成立.相反，周系列中，SZZS先前的变化可以解释BDI的变化，而BDI先前的变化对SZZS变化的解释能力非常弱.此外，月系列的样本表明，SZZS对BDI波动的冲击在滞后3期才达到最大，在周系列中BDI对SZZS波动的冲击在滞后2～3期才到达顶峰.最后，建议将船租金作为一个金融资产的定价因素，同时将股票市场的指数作为一个更好地制定租船合同价格的变量.
参考文献：
[1]MCKINNON R I. Money and capital in economic development[M]. Washington： Brookings Institution Press， 1973： 3445.
[2]SHAW E S. Financial deepening in economic development[M]. Oxford： Oxford University Press， 1973： 2731.
[3]BENCIVENGA V R， SMITH B D， STARR R M. Equity markets， transactions costs， and capital accumulation： an illustration[J]. World Bank Economic Rev， 1996， 10（2）： 241265.
[4]LEVINE R， ZERVOS S. Stock markets， banks， and economic growth[J]. American Economic Rev， 1998， 88（3）： 537558.
[5]ROSS S A. The arbitrage theory of capital asset pricing[J]. J Economic Theory， 1976， 13（3）： 341360.
[6]CHEN Naifu， ROLL R， ROSS S A. Economic forces and the stock market[J]. J Business， 1986， 59（3）： 383403.
[7]ROLL R， ROSS S A. An empirical investigation of the arbitrage pricing theory[J]. J Finance， 1980， 35（5）： 10731103.
[8]CHANG T C， JEON B N， LI H. Dynamic correlation analysis of financial contagion： evidence from Asian markets[J]. J Int Money & Finance， 2007， 26（7）： 12061228.
[9]ASLANIDIS N， OSBORN D R， SENSIER M. Comovements between US and UK stock prices： the role of timevarying conditional correlations[J]. Int J Finance & Econ， 2010， 15（4）： 366380.
[10]SYLLIGNAKIS M N， KOURETAS G P. Dynamic correlation analysis of financial contagion： evidence from the central and eastern European markets[J]. Int Rev Econ & Finance， 2011， 20（4）： 717732.
[11]WAHAB M. Asymmetric effects of US stock returns on European equities[J]. Int Rev Econ & Finance， 2012， 21（1）： 156172.
[12]KOSTAS A. Portfolio optimization and index tracking for the shipping stock and freight markets using evolutionary algorithms[J]. Transportation Res Part E， 2013， 52（3）： 1634.
[13]ENGLE R. Dynamic conditional correlation[J]. J Business & Economic Stat， 2002， 20（3）： 339350.
[14]翟海杰， 李序颖. 不同分布的GARCH 族模型的波罗的海干散货运价指数波动率[J]. 上海海事大学学报， 2009， 30（3）： 6064.
[15]刘斌， 刘超， 万众. BDI指数与上证综指的相关性[J]. 大连海事大学学报， 2010， 36（3）： 3638.
[16]李耀鼎， 宗蓓华. 波罗的海运价指数波动研究[J]. 上海海事大学学报， 2010， 27（4）： 8487.
[17]MULLIGAN R F， LOMBARDO G A. Maritime businesses： volatile stock prices and market valuation inefficiencies[J]. Q Rev Econ & Finance， 2004， 44（2）： 321336.
[18]ERDOGAN O， TATA K， KARAHASAN B C， et al. Dynamics of the comovement between stock and maritime markets[J]. Int Rev Econ & Finance， 2013， 25： 282290.
（编辑赵勉）
摘要： 为探求中国股票市场与干散货航运市场的动态相关性，运用DCCMGARCH模型和向量自回归（Vector AutoRegressive， VAR）模型对上证综指和波罗的海干散货指数（Baltic Dry Index， BDI）进行分析，发现这两个市场之间存在信息溢出现象，具有较强的动态相关性.作为重要纽带的上证综指与BDI之间的动态相关性是制定海运运价不可或缺的因素，也可以作为金融资产定价的重要因素.
关键词：DCCMGARCH模型； 向量自回归（VAR）模型； 波罗的海干散货指数（BDI）； 上证综指； 动态相关性
中图分类号： U695.27； F551； F830.91
文献标志码： A
Abstract：To seek the dynamic correlation between the stock market in China and the dry bulk shipping market， DCCMGARCH model and Vector AutoRegressive （VAR） model are adopted to analyze Shanghai （securities） composite index and Baltic Dry Index （BDI）. It can be found that there exists the information overflow phenomenon between the two markets， and thus the two markets are of stronger dynamic correlation. As an important link between the two markets， the dynamic correlation between Shanghai （securities） composite index and BDI is an indispensable factor to formulate the shipping freight and can also be as an important factor for the financial asset pricing.
Key words：DCCMGARCH model； Vector AutoRegressive （VAR） model； Baltic Dry Index （BDI）； Shanghai （securities） composite index； dynamic correlation
0引言
在过去的文献中已有许多研究证实金融市场与经济活动之间具有很强的相关性.1973年MCKINNON[1]和SHAW[2]臆测金融市场对实体经济具有非常重要的意义.此后BENCIVENGA等[3]和LEVINE等[4]论证了这一观点.ROSS[5]和CHEN等[6]阐述他们的看法：尽管从宏观角度看，金融的发展影响实体经济的发展，但是实体经济对金融也具有相当的影响力.ROLL等[7]进一步提出证据显示实体经济通过直接影响资产的价格从而间接影响资本市场.
在没有外生因素的影响下，国内外已经有众多关于动态相关性的有影响力的研究，其重点是理解和评估两个或两个以上的股票市场的关系，而近年来关于动态相关性的研究主要集中在组合的股票市场与大宗商品市场、汇率市场之间，如：CHANG等[8]在2007年运用
动态条件相关多变量广义自回归条件异方差（Dynamic Conditional Correlation Multivariate Generalized AutoRegressive Conditional Heteroskedasticity，DCCMGARCH）
模型对亚洲股票进行相关性研究，发现中国、日本、韩国的股票市场具有较强的联动性；2010年ASLANIDIS等[9]运用DCCMGARCH模型研究美国和英国资本市场，并发现两个市场之间有较强的相关性；2011年SYLLIGNAKIS等[10]运用DCCMGARCH模型对德国、美国、俄罗斯股票市场进行研究，得出两两国家股票市场之间的相关系数总体为正；2012年WAHAB[11]运用DCCMGARCH模型对货币与股票市场的相关性进行研究，得出货币政策的任何变化都会直接或间接地影响股票市场的结论.上述研究发现，存在动态相关性的市场中，任何一个市场的负面或正面事件的影响会非常明显地蔓延至其他市场.然而，现阶段大多数研究在进行高度相关的市场调查时，仅限于选择研究股票市场之间的动态相关性，极少涉及某个股票市场与实体经济之间的动态相关性.如果存在与股票或实体经济相关的事件可以传播在股票市场与实体经济市场之间，并以此验证两者之间的动态相关性，则将会得到更有用的信息，同时对投资者的决策也显得更有价值.如KOSTAS[12]选取一系列从道琼综指挑选出来的股票建立投资组合对波罗的海干散货指数（Baltic Dry Index， BDI）进行追踪，用预测能力对这些投资组合进行评估.他提出的投资策略相对追踪基准指数有较低的风险，同时为投资者提供一个较好的投资机会：在低成本、高效益条件下有效地复制股票指数以及实体航运指数的表现.
本文旨在探究中国股票市场与干散货航运市场之间的动态关系（这里的股票市场和干散货航运市场分别代表资本市场基准和实体经济的行为），并针对这两个市场的相互依赖性构建研究模型，确保股票市场与实体经济结构之间的关系的线索都可以为投资者提供信息.因此，应用多元结构模型并且不对实体经济和股票市场作外生性限制.该研究方法在国际上具有高度影响并且受到众多学者的关注.此外，希望从不同角度得到结论，并且允许将股票市场作为一个内生性因素.为此，对股票市场与干散货航运市场之间内生的互动进行评估，得到所有有用的因素.在一些大事件的核心中，由于内部冲击和外部冲击的反应
不仅是单变量的行为同时也是动态行为，
故两个市场之间关系更加复杂.如果想更深入地进行分析，则不能仅仅停留在单变量的方法，例如一个向量自回归的设置远不能显示所需的风险动态.因此，通过运用多元模型检测两个目标市场的相关性.虽然随着模型维度的增加，此模型参数数量激增，会变得异常复杂[13]，但DCCMGARCH模型可以进行动态设置，这样就能及时观察两个市场之间信息的溢出效应.
1数据来源与分析
1.1数据来源
BDI作为反映国际干散货运价整体水平、量化市场状态的指数，多年来一直被航运界高度关注，被称为国际干散货航运市场发展和变化的晴雨表.[14]该指数由4个船型指数组成，权重各占25%，并根据每日的船租金或各航线的平均运价进行计算.简单地说，如果一货主需要某些运输服务，可以询问这些运输服务的价格和交货时间.这类询问可以通过一对一的业务网络、在线系统或中介、经纪人或货代系统了解船租金和运价.这些船租金和运价并不代表从A地转移到B地的某些货型的成本或者收益，而仅代表一艘船的每日租用价格.然而特定的技术性船舶只能在特定的航线运送特定的货物，这些船租金和运价代表托运人一个必要的投入，同样也是动态真实的经济活动.
大多数航线的船租金和运价是中介机构通过定期数据制定的，但是如果特定的某条航线没有这样的定期数据，中介机构就会预估该航线大致的船租金和运价.这些数据经过处理形成子数据，将其取平均值后，得到BDI.部分BDI的动态性有独特的性质，比如与干散货有关的定期数据基本上反映对原材料的需求而不是直接消费.因为经济活动反映的资源配置直接影响合同的价格和近期的运输成本，所以无论是政府还是个人对原材料的需求都是一个非常重要的风向标.
股票市场与大宗商品运输市场存在相关性的原因在于它们之间存在着传统金融市场与新兴金融衍生品市场的联系.我国上证综指（为方便分析，记为SZZS）许多权重股都是重化工业企业，与煤炭、钢铁、木材等大宗物资具有相当紧密的联系，反映出近二十年来我国沿海各地进入重化工业的发展时期.在此期间对大宗物资的进出口需求量极大，2013年我国初级产品进口达6 567亿美元，同比增长3.6%，其中原油和成品油、钢铁所占比重最大，同比增长分别为9.1%和11.6%.大宗物资的进出口量决定我国工业化发展的进程，而海上运输起到至关重要的作用，因此SZZS与BDI息息相关.刘斌等[15]指出随着中国的崛起和上海国际航运中心的建设， 中国取代德国成为第一大进口国， 国际航运因素对中国经济的影响越来越大， 反映在中国资本市场SZZS的变化中.因此，本文选取SZZS代表我国股票市场，选取BDI代表干散货航运市场进行动态相关性研究.样本期限从2007年10月至2013年12月，分别选择435个周系列样本和75个月系列样本，得到周系列和月系列数据.以上原始数据来源于克拉克森和分析家股票分析系统.
1.2描述性统计
从表1中可以看出无论是周系列还是月系列数据，BDI收益率的极差（最大值与最小值之差）相对于SZZS收益率的极差都较大，这表明BDI收益率波动较为显著.从平均数和标准差的角度看，周系列和月系列数据都显示SZZS的回报率总体上大于BDI的回报率，然而在风险度方面较BDI稍低.所有序列的偏度均大于0，表明此分布具有正偏离，其中RMSZZS的正偏离性最强，表明中远航运收益率序列相比于其他序列有更多数值小于平均数.这4个序列的峰度均大于3，显示这4个收益率序列分布均有尖峰厚尾的特征，意味着序列中存在着大幅度偏离均值的异常值.由此可以看出，这4个收益率序列的波动都较为剧烈，其中RMSZZS表现得极为明显.最后从JB统计量看出，所有序列的JB值都远远大于0，均不服从正态分布.
1.3平稳性检验
在建立DCCGARCH模型和向量自回归（Vector AutoRegressive， VAR）模型之前，为避免导致伪回归，需要对这4个序列进行平稳性检验.表2显示，所有序列的检验值均小于1%的临界值，且伴随概率都为0，从而拒绝原假设，4个序列都通过平稳性检验，因此该样本可以用来进行DCCGARCH模型和VAR模型分析.
1.4ARCH效应检验
采用ARCHLM检验验证序列是否具有ARCH
效应.表3显示，F和LM统计量都较大，伴随概率都为0.因此，这4个序列都存在8阶ARCH效应，证明收益率序列的残差序列均存在高阶的ARCH效应，可以建立GARCH模型提高计算的准确性.
1.5自相关检验
根据高斯马尔科夫定理，只有在同方差和非自相关性的条件下，普通最小二乘法（Ordinary Least Square，OLS）估计才具有最小方差性.如果模型存在自相关性，OLS估计虽然是无偏估计，但不再具有有效性.从表4看出，这4个序列的F统计量检验均接受序列无关的原假设.
2实证研究与结论分析
利用基于时间序列分析的
DCCMGARCH模型检验干散货航运市场与股票市场的动态相关性，并
采用ENGLE[13]所推荐的方法，通过两个步骤来估计：首先运用GARCH模型估计干散货航运市场和股票市场收益率的条件方差，利用条件方差除以残差，得到标准化残差序列；然后用这个标准化残差序列估计模型动态条件相关系数.
2.1条件方差
与ARCH模型相比，GARCH模型的优势在于该模型需要更小的滞后阶数.通过AIC和SC最小化准则，考虑到选用GARCH（1，1）模型可以更好、更简洁地表现收益率序列的波动性并且可以有效地消除条件异方差性，从而更好地拟合BDI的波动[16]，采用该模型分析周收益率和月收益率序列的条件方差（见表5和6）.
结果显示：无论是在周系列还是在月系列中，SZZS和BDI收益率序列的GARCH项都较为显著，说明这两个系列数据都存在异方差现象；这两个系列数据的GARCH项系数比ARCH项系数更大，表明SZZS和BDI本期的条件方差受到上期条件方差的影响较大.此外，分析结果表明，回归系数的常数项都大于0，ARCH项和GARCH项的系数非零，且两项之和小于1，平稳性较为明显.虽然RWSZZS和RMBDI的常数项未通过5%的显著性检验，但考虑到GARCH模型中常数项系数大于0界限值的情况较为多见，且不影响模型整体，故予以保留.
将BDI与SZZS的收益率序列的条件方差进行对比（见图1和2），可以看到两个指数在前半段（约2007年12月—2010年12月）都存在较大的波动，而在后半段（约2011年1月—2013年12月）趋于平稳.原因可能是2008年中段的全球经济危机导致全球经济指数迅速下滑.在2011年之后，市场资金从严重投机心理逐渐回归至理性状态，这使得BDI和SZZS的波动性大幅下降.这一观点与刘斌等[15]的研究结果较为符合.此外，通过对比还发现BDI的条件方差都高于SZZS的条件方差，原因可能是干散货航运市场的金融衍生品作为一种全球性的套利工具吸引了世界各大航运企业以及许多来自非航运业的交易者（如投行、对冲基金），他们都意识到这个新兴产品背后潜在的巨大利益，因此相比于上证股票市场存在更多的投机性.
借助以上回归结果可得出SZZS与BDI的动态条件相关系数，见图3.从图3可以看出两个市场的相关性在前期波动较大（月系列（-0.23～0.39），周系列（-0.31～0.39））.这个现象也许可以用以下原因解释：在2008年经济危机爆发时，同时袭来的还有全球贸易量的减少，这使两个市场下滑巨大.随后各国政府立即采取应急措施，如联邦储备局提出著名的量化宽松，我国政府发行4万亿元救市，使得我国股票市场暂时复苏起来.然而，在世界海运市场，已经或者将要交付的船舶还有很多，面对萎靡不振的需求，运价则继续下降.这也许是股票市场与实体经济会暂时有一个分歧的原因.由图3还可以看出，两个市场的动态条件相关系数在后期波动幅度较小（月系列（0.16～0.29），周系列（0.18～0.31）），这是由于经济危机发生的2年后，世界经济趋于稳定状态并开始慢慢复苏，各国政府出台刺激经济的政策的步伐开始减缓，两个市场受到的外在干扰因素开始变少，其条件相关性也逐渐平稳.
2.3.1格兰杰因果关系检验
对RWBDI与RWSZZS，RMBDI与RMSZZS进行格兰杰因果关系检验，分析它们间的动态关系，以及是否存在时间上的先导和滞后关系（见表7）.无论是周系列还是月系列都显示不同的反应结果.从长期看，BDI之前的变化可以解释SZZS的变化，在短期却得不到这个效果.然而在周系列中两个指数的作用却刚好相反.由于两个市场的相互作用在长期和短期看遵循不同的路径，因此股票市场短期的波动对于干散货航运市场的参与者来说是不得不考虑的信息，然而这样的结论在长期看却不明显.另一方面，从长期看，BDI的波动似乎更加容易解释股票市场的波动.该结论与2004年MULLIGAN等[17]针对欧洲12只航运股票与BDI相关性和2013年ERDOGAN等[18]针对BDI与道琼指数的相关性的研究结果较为相似.MULLIGAN等指出航运公司股价虽然与运价存在较强的正相关，但是彼此之间依然存在长达一个月的滞后性.这是因为股价受到许多其他经济、政策等因素的干扰.ERDOGAN等提出BDI的波动能更好地解释2个月后美国股票市场波动的原因是宏观经济环境抵抗单个影响因素的能力较强，因此海运运费波动所导致的大宗物资需求变化引起的宏观经济的波动相对较慢.然而笔者认为另一原因在于海运运费波动虽然存在较为显著的波动集群性特征，但是除受美国次贷危机影响外，BDI史上短时间内剧烈波动情况并不多见，所以通常在短期之内迅速影响大宗物资需求量变化的可能性较小.然而经过较长一段时间后，由于存在ARCH效应，受到运价连续上升或下降的影响，大宗物资的价格以及需求量开始变化，与大宗物资密切相关的行业股价也随即开始波动.
2.3.2脉冲响应函数
为更清楚地认识月收益率序列和周收益率序列中SZZS与BDI的相互影响关系，运用脉冲响应方法进行外来冲击分析，用以观察VAR模型中变量之间的动态影响关系.
图4～7显示脉冲响应情况.两个指数对来自不同指数变化的冲击反应类似，大约在7期（月或周）后消失.在月收益率序列中，SZZS对外来冲击的反应时间长且反应强度大；在周收益率序列中，BDI对外来冲击的反应时间也较长且反应强度也较大.这与格兰杰因果关系检验的结果完全符合.各指数第t+1期对自身第t期一个标准差新信息反应迅速，BDI在周收益率序列和月收益率序列中分别为0.249和0.398，而SZZS在周收益率序列和月收益率序列中分别为0.138和0.251，这说明BDI对市场新信息的反应程度要大于SZZS.此外，从图5中可以看出，SZZS对BDI的外来冲击在第t+1期并没有完全反应，而在第t+3期达到最大，随后冲击效应迅速变小.从图6中可以看出，BDI对SZZS的外来冲击在第t+1期前期甚至毫无反应，直到第t+1期后期才逐渐增大，而在第t+2期才达到最大，并于第7期消失.这一现象可以理解为干散货航运市场与股票市场具有一定的分割性，市场之间的信息传递存在一定的时滞.因此，对于股票市场，从长期（3个月）看，贸易方式和运费对股票市场参与者可以产出信息.另一方面，对于干散货航运市场，在短期（2～3周）看，分析股票市场动态有助于更好地预测干散货航运市场的变化.
2.3.3方差分解
不同于脉冲影响函数，方差分解是通过分析每一个结构冲击对内生变量变化的贡献度评价不同结构冲击的重要性，因此方差分解给出对VAR模型中的变量产生影响的每个随机扰动的相对重要性的信息.
在预测月收益率序列中，SZZS对BDI的解释能力比较弱，而BDI对SZZS的解释能力比较强.以预测10期为例，SZZS只能解释BDI方差的0.235 062%，而BDI却能解释SZZS方差的10.083 530%.而在预测周收益率序列中，BDI对SZZS的解释能力比较弱，相反SZZS对BDI有比较强的解释能力.如预测第10期，SZZS可以解释BDI方差的4.511 938%，而BDI却能解释SZZS方差的0.581 115%.此外，从表8也可以看出，BDI相对于SZZS有更好的自我解释能力.这也许是因为干散货航运市场合同的特殊性，如远期运价（FFA）和运输货物种类繁多，数量巨大，运力不可替代性较强等原因，以至于干散货航运市场内部的动力是不可忽略的.
3结论
运用DCCMGARCH模型和VAR模型论证BDI与SZZS的动态相关性，尤其在经济环境稳定时期表现得更为明显，并且发现干散货航运市场与股票市场存在信息溢出现象，无论是月系列还是周系列对滞后变量的影响展示不同的反馈结果：从长期看，BDI先前的变化可以解释SZZS的变化；然而，相同的影响从短期看则不成立.相反，周系列中，SZZS先前的变化可以解释BDI的变化，而BDI先前的变化对SZZS变化的解释能力非常弱.此外，月系列的样本表明，SZZS对BDI波动的冲击在滞后3期才达到最大，在周系列中BDI对SZZS波动的冲击在滞后2～3期才到达顶峰.最后，建议将船租金作为一个金融资产的定价因素，同时将股票市场的指数作为一个更好地制定租船合同价格的变量.
参考文献：
[1]MCKINNON R I. Money and capital in economic development[M]. Washington： Brookings Institution Press， 1973： 3445.
[2]SHAW E S. Financial deepening in economic development[M]. Oxford： Oxford University Press， 1973： 2731.
[3]BENCIVENGA V R， SMITH B D， STARR R M. Equity markets， transactions costs， and capital accumulation： an illustration[J]. World Bank Economic Rev， 1996， 10（2）： 241265.
[4]LEVINE R， ZERVOS S. Stock markets， banks， and economic growth[J]. American Economic Rev， 1998， 88（3）： 537558.
[5]ROSS S A. The arbitrage theory of capital asset pricing[J]. J Economic Theory， 1976， 13（3）： 341360.
[6]CHEN Naifu， ROLL R， ROSS S A. Economic forces and the stock market[J]. J Business， 1986， 59（3）： 383403.
[7]ROLL R， ROSS S A. An empirical investigation of the arbitrage pricing theory[J]. J Finance， 1980， 35（5）： 10731103.
[8]CHANG T C， JEON B N， LI H. Dynamic correlation analysis of financial contagion： evidence from Asian markets[J]. J Int Money & Finance， 2007， 26（7）： 12061228.
[9]ASLANIDIS N， OSBORN D R， SENSIER M. Comovements between US and UK stock prices： the role of timevarying conditional correlations[J]. Int J Finance & Econ， 2010， 15（4）： 366380.
[10]SYLLIGNAKIS M N， KOURETAS G P. Dynamic correlation analysis of financial contagion： evidence from the central and eastern European markets[J]. Int Rev Econ & Finance， 2011， 20（4）： 717732.
[11]WAHAB M. Asymmetric effects of US stock returns on European equities[J]. Int Rev Econ & Finance， 2012， 21（1）： 156172.
[12]KOSTAS A. Portfolio optimization and index tracking for the shipping stock and freight markets using evolutionary algorithms[J]. Transportation Res Part E， 2013， 52（3）： 1634.
[13]ENGLE R. Dynamic conditional correlation[J]. J Business & Economic Stat， 2002， 20（3）： 339350.
[14]翟海杰， 李序颖. 不同分布的GARCH 族模型的波罗的海干散货运价指数波动率[J]. 上海海事大学学报， 2009， 30（3）： 6064.
[15]刘斌， 刘超， 万众. BDI指数与上证综指的相关性[J]. 大连海事大学学报， 2010， 36（3）： 3638.
[16]李耀鼎， 宗蓓华. 波罗的海运价指数波动研究[J]. 上海海事大学学报， 2010， 27（4）： 8487.
[17]MULLIGAN R F， LOMBARDO G A. Maritime businesses： volatile stock prices and market valuation inefficiencies[J]. Q Rev Econ & Finance， 2004， 44（2）： 321336.
[18]ERDOGAN O， TATA K， KARAHASAN B C， et al. Dynamics of the comovement between stock and maritime markets[J]. Int Rev Econ & Finance， 2013， 25： 282290.
（编辑赵勉）
