苑 莹，凤靖宇，刘 娜

(东北大学 工商管理学院，沈阳 110169)

随着信息化和经济自由化进程的加快，中国金融市场的自由度不断提高，与国际资本间的互动愈发频繁。作为金融市场中两个重要的枢纽市场，股市与汇市之间的联系变得尤为紧密:汇率变动会对股票价格产生影响，一国货币的升值(贬值)会减少(增加)国内企业的国际竞争力及其现金流量，从而使国内股票价格降低(提高);同样，国内股票价格上涨也会触发汇率相应调整以适应国内外资产供求的变化[1]。对于股市与汇市间相依关系的研究最早可以追溯到1981年，Aggarwal[2]通过实证分析验证了股市与汇市间显著的正相关关系。此后，国内外学者对于股市与汇市间相关关系的研究层出不穷。Dornbusch等[3]提出的国际贸易模型(汇率导向模型)认为汇率会通过改变一国企业的国际竞争力进而影响企业的现金流量，并将这种变化反映在股价上，即汇率变动会单方面影响股价。Frankel[4]和Branson[5]提出的资产组合平衡模型(股票导向模型)认为股价上涨将吸引境外资本流入，增加本国货币需求进而推升本币价值，同时本币升值也会进一步吸引外资的流入，继而推高股价。部分学者在传统理论解释的基础上，从实证分析的角度对股市与汇市间的相依关系进行研究。Wong[6]通过对多个国家股市与汇市间相依关系的研究，发现不同国家股市与汇市均显著相关，且大多显著负相关。Xie等[7]通过对发达国家和新兴国家股市与汇市间相依关系的研究发现，股票市场收益率波动对汇率市场收益率存在一定的预测作用，但汇率市场对股票市场不具有这种预测功能。综上所述，深入研究股市与汇市间相依关系不仅对监管部门进行风险管理、维护金融市场稳定具有重要影响，同时对投资者进行跨市场资产配置、实现安全资产转移具有重要现实意义。

自2005年7月21日中国对人民币汇率政策进行改革以来，人民币汇率的波动幅度较汇率政策改革前成倍增加，中国股市与汇市之间的联动性愈发明显[8-9]。杨子晖等[9]通过对2005年及2015年两次汇率改革前后45个国家和地区的股票和外汇市场之间尾部风险传染的研究，证明了中国股市与汇市间存在显著的非线性联动效应，全球股市与汇市间存在显著的尾部相依性，同时发达国家与发展中国家的金融市场尾部风险传染强度存在较大差异。邓燊等[10]证明了中国股市与汇市间存在着协整关系，同时人民币升值是股市上涨的单向Granger原因。谢赤等[11]采用小波多分辨分析方法研究人民币汇率制度改革后其波动与股票价格波动间的关系，发现两者之间关系在短期表现为股票市场向外汇市场的单向波动溢出关系，长期表现为双向波动溢出效应。

以往对股市与汇市间相依关系的研究仅孤立地考虑两者间静态的相依关系，但随着经济一体化进程的不断推进，世界各国金融市场间的联系愈发紧密，市场间联动现象表现得尤为突出。国际股市联动是指不同国家股票市场的收益率波动协同变化，且这种联动在极端波动时期会变得更加强烈，如1998年的亚洲金融危机、2008年的金融危机以及2015年中国股灾等，在这些极端波动事件发生前后金融市场间的联动关系往往会发生显著变化[12-14]。学者们通过丰富的理论和实证分析证明国际股票市场联动普遍存在，且这种联动具有时变性和异质性。Longin等[15]认为在熊市时一国股票市场与国际市场联动程度增大而牛市时联动减小。唐振鹏等[16]从资产分散化和事件分散化的角度，研究极端波动时期中国股票市场与亚太地区10个国家股票市场的联动现象，验证这种具有时变性的联动存在。对于国际市场联动的研究，尤其是对极端波动时期国际市场联动的研究一直是资本市场和国际金融领域的热点问题。正因如此，对于股市与汇市间相依关系不能只进行静态的、孤立的研究，应基于全局化视角，将两者间相依关系的研究放在市场联动背景下，聚焦于极端波动时期，这种研究结果才更加接近真实市场，更加有现实意义。

早期的相关性研究大多采用线性方法研究两个市场之间的关系，如协整分析、Granger因果检验和VAR模型等。随着研究的深入，学者们逐渐认识到金融市场之间的相关性具有一系列复杂的非线性特征，因此，度量金融市场间相关关系的方法也由最初的线性方法向非线性方法转变。Copula方法是目前应用最广泛的非线性方法之一，可以与许多其他方法结合，能够较好地捕捉非线性相依关系和尾部相关关系[17-20]。Copula方法最早由Sklar[21]提出，根据Sklar的定义可以将一个联合分布分解为n个边缘分布和一个Copula函数，用这个Copula函数描述变量间的相关性。随后，Copula方法被Embrechts等[22]应用于金融研究领域，取得了丰富的研究成果，应用最广泛的Copula函数为二元Copula和多元Copula，但当其用于测度高维相依结构时会存在“维数诅咒”。为解决多元相关的问题，Joe等[23]提出Vine Copula函数，将多元联合密度分解为多个边缘分布、一组双变量Copula函数和条件Copula函数的乘积，突破了二元以及多元Copula函数在刻画高维相关时假设不同资产间相依结构必须采用同种Copula函数测度的局限性，在提高准确性的同时极大降低了刻画高维联合分布函数的难度[24]。

鉴于上述分析，本文采用R-vine Copula方法研究国际股市联动条件下中国股市与汇市间的相依关系，并构建参数动态化的动态R-vine Copula方法进行稳健性检验，在对全样本区间进行分析后，聚焦于极端波动时期，进一步研究2008年全球金融危机前后和2015年中国股灾前后国际股市联动对中国股市与汇市间非线性相依关系的影响，比较极端波动前后相依关系的变化特征，据此为国际投资者和政府监管部门提出相关政策建议。

基于已有文献的现状和不足，本文的主要贡献表现在:

(1)突破了以往对于两市场间相依关系静态、孤立的研究，将中国股市和中国汇市间相依关系研究放到国际股市联动的条件下，这种度量方法更加接近真实市场并且能够从全局化的视角出发，全面地对两者之间相依关系进行研究。

(2)对中国股市和中国汇市的相依关系进行研究时，聚焦于2008年全球金融危机和2015年中国股灾两次极端波动事件，更有针对性地研究极端波动事件前后的国际股票市场联动条件下中国股市和中国汇市的相依关系，为极端风险下的金融市场风险管理提供有力支撑。

(3)采用R-vine Copula方法进行国际股市联动条件下中国股市与汇市间的相依关系研究并构建动态R-vine Copula方法进行稳健性检验，同时选取静态和动态两类Copula方法对国际股市联动条件下中国股市与汇市间的相依关系进行了全面、多角度测度，使结果更具说服力。

1 模型介绍

1.1 基于ARMA-GARCH类模型构建边缘分布

考虑到金融资产的收益率序列存在尖峰、有偏、自相关性、异方差性、杠杆效应等典型特征，有必要构建合理的边缘分布模型对这些特征进行刻画，故选取ARMA-GARCH类模型构建边缘分布。ARMA-GARCH-t模型的均值方程、方差方程以及残差分布分别为:

其中，式(1)为随机变量X it的条件均值方程，εit=σitξit，式(2)为条件方差方程为条件方差，式(3)中的残差ξit服从t分布。

金融时间序列中也往往存在杠杆效应，Nelsen等[25]提出基于非线性指数变换的EGARCH模型，ARMA-EGARCH-t模型能较好地刻画时间序列存在的杠杆效应，区别于一般的ARMA-GARCH-t模型，其条件方差模型为

鉴于一些金融时间序列的收益率会依赖于它的波动率，Engle等[26]设定ARCH-M模型将条件方差引入条件均值方程，ARMA-M-GARCH-t类模型的均值模型为

式中，η为条件方差引入σit条件均值方程的待估参数。

1.2 基于R-vine Copula方法构建相依结构

R-vine Copula方法将多元联合密度分解为多个边缘分布、一组双变量Copula函数和条件Copula函数的乘积，相较于常见的C-vine Copula和D-vine Copula函数，R-vine Copula不对变量之间的连接结构进行限制，具有更高的灵活性以及更好的拟合优度，使其能够对变量之间相关关系进行更加准确的度量[23，27-28]。因此，本文采用三元Rvine Copula进行研究，其联合密度函数表达式为

式中:c ij是一对变量经变换后F i(x i)和F j(x j)的二元Copula密度函数是具有两个变量的条件密度函数:

通过初步对中国股市与汇市关系的测度发现，两个市场的上下尾部相关关系较小，且较为对称。因此，本文构建R-vine Copula函数时选取二元椭圆族Copula函数，其包括二元Gaussian Copula函数和二元T-Copula函数。二元Gaussian Copula函数分布函数公式为

式中:Φ-1(·)是标准一元正态分布函数Φ(·)的逆函数;ρ∈(-1，1)是线性相关系数，衡量变量u和v之间相依结构。二元T-Copula函数的分布函数为

式中:ρ∈(-1，1)是线性相关系数是自由度为v的一元t分布函数T v(·)的逆函数。

Patton[29]提出可以通过指定相依参数的演变遵循ARMA(1，q)过程来构建动态的二元Copula函数。对于二元Gaussian Copula，变量i和j之间的时变相依参数为

式中，函数Λ(x)=(1-e-x)(1+e-x)-1，它的引入是为了确保ρt∈(-1，1)，Φ-1(x)是标准正态分布函数的逆函数，若估计T-Copula函数，则需要被替换为标准t分布函数的逆函数T-1(x)。

R-vine Copula函数的参数估计过程参考文献[30]。借助Kendallτ相关系数和尾部相关性来描述变量间整体的相依关系和上下尾部的相依关系。表1所示为本文选取的Copula函数的Kendallτ以及下尾和上尾的尾部相关性。

表1 构建R-vine Copula函数的二元Copula函数的基本特征

2 实证研究

2.1 数据选取与描述性统计

本文选取人民币兑美元(CNYUSD)汇率中间价(间接标价法)作为外汇市场的代理变量，选取沪深300指数作为中国股票市场的代理变量，选取美国S&P500指数、欧洲STOXX50指数、香港恒生指数HIS、日本N225指数、英国FTSE100指数以及由全球证券市场构建的全球股市指数MSCI作为国际股市的代理变量。

本文选取的全样本时段为2006-01-04～2019-02-28，涵盖了2008年全球金融危机与2015年中国股灾两次危机事件，聚焦于极端波动时期，进一步分析金融危机前后以及股灾前后中国股市与汇市之间相依关系的变化情况，以2008年9月15日雷曼兄弟破产和2015年6月15日中国股票市场全面跌停作为金融危机和中国股灾发生的标志，以此将全样本分为4个子样本区间。考虑到股市间的交易时差及各市场交易日的不一致，分别将亚洲市场对欧美股市采取滞后1天处理，并剔除市场间不匹配的数据，共得到2 828个样本数据。所有的数据均来自Wind数据库和Bloomberg数据库。实验工具采用Eviews10.0、Matlab2016a和R软件。

全样本下各对数收益率序列的基本统计量如表2列示。

表2 全样本各对数收益率序列的基本统计量分析

2.2 边缘分布的构建

由表2的描述性统计结果可见，各对数收益率序列均平稳，且具有不同程度的自相关性、异方差性、非对称性以及“尖峰厚尾”等典型特征，故选用ARMA-GARCH类模型对收益率序列的自相关性和异方差性进行过滤。考虑到篇幅限制，只展示各对数收益率在全样本下的边缘分布参数估计和检验的结果，如表3所示。

表3 全样本对数收益率序列边缘分布的参数估计

2.3 国际股市联动条件下中国股市与汇市间的静态相依关系

采用R-vine Copula函数分析国际股市联动条件下中国股市与汇市间的相依关系，根据AIC准则在Gaussian Copula和TCopula中选择最优的Copula函数。本文聚焦于极端波动时期，分别在全样本下、2008年全球金融危机前后和2015年中国股灾前后进行分析。首先，通过R-vine Copula第一棵树的估计结果分析国际股市与中国股市间、国际股市与中国汇市间的联动关系;然后，通过二元Copula函数分析非条件下中国股市与中国汇市间的相依关系，再通过R-vine Copula函数第二棵树的参数分析国际股市联动条件下中国股市与汇市间的相依关系;最后，比较国际股市联动条件下中国股市与汇市间的相依关系以及非条件下估计的中国股市与中国汇市间的相依关系。

2.3.1 国际股市与中国股市间、国际股市与中国汇市间的静态联动关系 本节分别研究国际股市与中国股票市场、中国汇率市场间的静态联动关系。表4所示为国际股市与中国股市间静态Copula函数参数估计的结果(即包括3个变量的R-vine Copula函数第一棵树的参数估计结果)。根据表4，所有国际股市与中国股市间的Kendallτ系数都大于0，表明国际股市与中国股市间存在正向联动关系，其中香港股市与中国股市间的联动关系最强，其Kendallτ系数值为0.345 9;全球股市与中国股市间的Kendallτ系数值为0.081 0。对比2008年全球金融危机前后的结果发现，金融危机后各国际股市与中国股市间的Kendallτ系数值均大于对应金融危机前的Kendallτ系数值，金融危机后各国际股市与中国股市间的联动关系均明显增强。对比2015年中国股灾前后估计的结果，同样可以发现，股灾后各国际股市与中国股市间的联动关系要强于股灾前的联动关系。从尾部相关性上看，中国股市与香港股市间存在显著的上下尾部相关关系，而与其他国家、地区或全球股市的尾部相关不明显。

表4 国际股市与中国股市间静态R-vine Copula第一棵树的估计结果

表5为国际股市与中国汇市间静态Copula函数参数估计的结果。由全样本的估计结果可见，所有国际股市与中国汇市间估计的Kendallτ系数都为正，表明总体上，所有国际股市与中国外汇市场间存在正联动关系，即国际股市的走强伴随着人民币的升值，相应地，国际股市的走弱伴随着人民币的贬值。其中，全球股市与中国汇市间的Kendallτ系数最大为0.133 8。对比金融危机前后的估计结果，金融危机后国际股市与中国汇市间的相依强度都有所增大，且所有国际股市在金融危机后与中国汇市间均存在较强的正联动关系。由股灾前后的估计结果可见，与股灾前相比，股灾后所有国际股市与中国汇市间的联动关系都减小，这一变化与金融危机前后的变化是不同的。从尾部相关性上看，所有国际股市与中国汇市间的尾部相关性都较弱。

表5 国际股市与中国汇市间静态R-vine Copula第一棵树的估计结果

总体上，国际股市与中国股市间及中国汇市间均存在正向联动关系。香港股市与中国股市间的联动关系和尾部相关关系最强，全球股市与中国汇市的联动关系最强;金融危机后和股灾后，国际股市与中国股市间的联动关系均强于对应的金融危机前和股灾前的联动关系;香港股市与中国汇市间、全球股市与中国汇市间在各分段样本内均存在正向联动关系，而其他国际股市在分段样本内与中国汇市间可能存在一定的反向联动关系。上述结果表明，研究国际股市联动对估计中国股市与汇市间的非线性相依关系具有重要意义，因此，本文进一步分析国际股市联动对中国股市与汇市间相依关系的影响。

2.3.2 中国股市与中国汇市间的静态相依关系 在确认国际股市对中国股市以及中国汇市均存在影响之后，本节对中国股市与中国汇市间的静态相依关系进行研究。表6所示为中国股市和中国汇市间非条件Copula函数的估计结果。由表6全样本的估计结果可见，中国股市与中国汇市间存在正相依关系，Kendallτ系数的估计值为0.048 8。由子样本的估计结果可见，各个子样本区间内中国股市与中国汇市间也均存在正相依关系。与金融危机前相比，金融危机后的中国股市与中国汇市间的相依关系有所增强，相应的Kendallτ系数的值由0.058 8变化至0.076 1。由中国股灾前后的结果可见，股灾后的中国股市与汇市间的相依关系要小于股灾前两者间的相依关系，同时，中国股市与中国汇市在金融危机后和股灾后有一定上下尾部相关关系。综上所述，中国股市与中国汇市间存在正相依关系，即股市的上升，伴随着人民币的升值;股市的下跌，伴随着人民币的贬值。

表6 中国股市与汇市间静态二元Copula的估计结果

进一步分析这种正相依关系是由国际贸易效应还是资产组合平衡效应引起的，表7所示为中国2006～2017年净出口占GDP的比重。由表7可知，2006～2017年中国净出口都是大于0的，即中国是贸易顺差国家。如果从国际贸易模型(流量导向模型)来看，中国股市与汇市间存在负相依关系，即本币的贬值应伴随着股市的上升，本币的升值伴随着股市的下降，这与前文实证结果不符。而资产组合平衡模型(存量导向模型)认为无论贸易结构如何，股市与汇市间均存在正相依关系。因此，从这一角度出发，资产组合平衡模型比国际贸易模型更能解释中国股市与中国汇市间的正相依关系。

表7 2006～2017年中国净出口占GDP的比重 %

上述结果表明，国际股市与中国股市、国际股市与中国汇市间均存在联动关系，且非条件下估计的中国股市与中国汇市间的相依关系更倾向于是由资产组合平衡模型来解释的，资产组合平衡模型认为股市对汇市具有导向关系。国际股市作为国际经济的风向标，其势必要影响中国金融市场，尤其对中国股市的联动影响。

国际股市联动条件下中国股市与中国汇市间的静态R-vine Copula函数参数估计结果如表8所示。相比于非条件下估计的中国股市与中国汇市间的相依关系，考虑国际股市联动条件下估计的中国股市与中国汇市间的相依关系均减弱，甚至在香港股市联动条件下，中国股市与汇市间存在负相依关系;而从尾部相关性来看，无论是条件下还是非条件下估计的中国股市与中国汇市间的尾部相关性都很小。

表8 中国股市与汇市间静态R-vine Copula第二棵树的估计结果

进一步对比分析由R-vine Copula和非Vine Copula估计的中国股市与中国汇市间相依关系，由于上述实证结果显示尾部相关性的对比不明显，故在此只研究Kendallτ系数的差值。根据表9，在全样本下R-vine Copula与非Vine Copula函数估计的Kendallτ系数的差值都小于0，表明在国际股市联动条件下估计的中国股市与中国汇市间的相依关系都小于非条件下估计的中国股市与中国汇市间的相依关系，即忽略国际股市联动会造成估计中国股市与中国汇市间的相依关系存在偏差。

表9 R-vine Copula与非Vine Copula估计的Kendallτ系数的差值

2008年全球金融危机前，香港和全球股市对应的Kendallτ系数的差值为负，表明在香港股市和全球股市联动条件下估计的中国股市与中国汇市间的相依关系均小于非条件下估计的中国股市与中国汇市间的相依关系，而在美国、欧洲和英国股市联动条件下估计的中国股市与中国汇市间的相依关系大于非条件下估计的中国股市与汇市间的相依关系。金融危机后，所有Kendallτ系数的差值都小于0，表明在各国际股市联动条件下估计的中国股市与中国汇市的相依关系均小于非条件下估计的中国股市与中国汇市间的相依关系。对比股灾前和股灾后Kendallτ系数的差值结果，在美国、香港和全球股市联动条件下估计的中国股市与中国汇市间的相依关系要小于非条件下估计的中国股市与中国汇市的相依关系。而在欧洲、日本和英国股市联动条件下估计的中国股市与中国汇市间的相依关系大于非条件下估计的中国股市与中国汇市间的相依关系。

在子样本中，国际股市的联动对中国股市和中国汇市的影响是不同的:在美国、香港股市联动的条件下估计的中国股市与汇市间相依性一般要小于非条件下估计的中国股市与汇市间相依性，而在欧洲、日本和英国股市联动条件下估计的中国股市与汇市间的相依性则会大于非条件下估计的中国股市与中国汇市间的相依性。

总而言之，国际市场对中国金融市场的影响不是单一形成的，而是所有市场共同作用的结果。本文通过估计全球股市联动条件下中国股市与汇市间的关系，试图分析所有国际股市对中国股市与中国汇市间的关系的总影响进行分析:从结果上看，在全球股市联动条件下估计的中国股市与汇市间的相依性在各样本区间均小于非条件下中国股市与中国汇市间的相依性;从得到的Kendallτ系数差值看，在2008年全球金融危机后和2015年中国股灾后的这一差值比对应的金融危机前和股灾前均增大。

3 稳健性检验

为丰富文章的研究视角，同时检验实证结果的稳健性，采用Patton[29]提出的参数动态化方法，构建动态R-vine Copula函数，研究国际股市联动条件下中国股市与汇市间的动态相依关系。表10～12分别所示为国际股市与中国股市、国际股市与中国汇市、中国股市与中国汇市的动态Copula函数的参数估计结果。

表10 国际股市与中国股市间动态R-vine Copula第一棵树估计结果

各情况下的Kendallτ秩相关系数见图1～3。图1为国际股市与中国股市间的动态Kendallτ系数的走势，根据图1可知所有国际股市与中国股市间均存在正向联动关系，且香港股市与中国股市之间的联动关系最强，日本股市、美国股市、全球股市、欧洲股市、英国股市与中国股市的相依性依次减弱，同时各国际股市与中国股市间的Kendallτ系数是时变的。

表11 国际股市与中国汇市间动态R-vine Copula第一棵树估计结果

表12 中国股市与汇市间动态二元Copula和R-vine Copula第二棵树的估计结果

图2所示为国际股市与中国汇市间动态Kendallτ系数的走势。根据图2，国际股市与中国汇市间的联动关系是时变的，尤其在金融危机前后和股灾前后，联动关系的方向会发生反转。国际股市与中国汇市间的联动关系并不具有稳定的同向变动关系，这与中国采取严格的汇率管制政策有关，中国汇率并不能完全由市场决定，不能完全自由浮动，所以国际市场与中国汇市的联系紧密程度低于国际股市与中国股市的联系。

图3所示为中国股市与中国汇市在国际市场联动条件下(动态R-vine Copula)和非条件下(二元动态Copula)的动态的Kendallτ走势。根据图3，中国股市与中国汇市间的相依关系波动浮动较小，这也与中国实行的较为严格的汇率政策有关。在美国股市、香港股市和全球股市联动条件下估计的中国股市与中国汇市间的相依关系要小于非条件下估计的中国股市与汇市间的相依关系，而欧洲股市、日本股市和英国股市联动条件对中国股市与汇市间相依关系的影响并不显著。

根据图1和图2，国际股市与中国股市和中国汇市分别存在正相关关系，忽略国际股市联动的影响会高估中国股市与中国汇市间的相依关系。全球股市联动的影响弱于香港股市联动的影响，一方面，由于香港股市与中国金融市场间的互联互通性更强，其他国际股市可能通过香港股市间接影响中国股市;另一方面，不同国际股市对中国金融市场的联动影响可能存在不同，而全球股市是反映所有国际股市综合的结果。因此，其影响也是所有股市强弱综合的结果。

为进一步检验国际股市与中国股市以及国际股市和中国汇市是否在极端波动期间具有更强的相依性，借鉴Tachibana[30]的处理，估计如下公式:

式中:是估计的国际股市(i=1)和中国股市(i=2)间时变Kendallτ系数是国际股市(i=1)和中国汇市(i=3)间的时变Kendallτ系数为选取估计的全球股市的时变波动率为全球股市的波动率的均值，σ为波动率的方差。当c和b同正或同负时，表示当国际股市极端波动时，两个市场间的正相依性或负相依性变得更大。

为了检验国际股市联动条件下的中国股市与中国汇市间的相依关系，和非条件下的中国股市与中国汇市的相依关系之间的偏差是否随着国际股市波动的增强更增大，构建如下公式:

如表13所示，首先，由国际股市和中国股市的相依关系参数估计结果可见，所有c都大于0，说明国际股市与中国股市间存在正的Kendallτ秩相关关系，这与静态分析的结果一致。由估计的b值可见，除了欧洲股市估计的b值小于0，其他国际股市与中国股市间估计的b值均大于0，与c的方向一致，且在99%的置信水平下显著，表明这些国际股市与中国股市间的Kendallτ秩相关性在金融市场极端波动期间均有增强。

表13 检验极端波动时期的高相依关系的参数估计结果

其次，由国际股市与对中国汇市间的相依关系参数估计结果可见，估计的c值均大于0，表明从总体上看，国际股市与中国汇市间存在正向联动关系，这与静态分析的结果基本一致。由估计的b值可见，除美国股市估计的b值小于0，其他国际股市与中国汇市间估计的b值均大于0，结合估计的c大于0，也表明在极端波动时期各国际股市与中国汇市间的正联动关系会有所增强。

最后，由中国股市与中国汇市间相依关系参数估计结果可见，估计的c值小于0，表明从整体上看，忽视国际股市联动的影响，会高估中国股市与中国汇市间的相依关系。另外，结合估计的b值分析，b值均小于0，除香港股市对应的b值不显著，其他估计的b值均在99%的置信水平下显著，进一步表明，在极端波动时期，忽视国际股市联动影响会导致极大程度上高估中国股市与中国汇市间的相依关系，且国际股市主要通过影响中国股市来影响中国股市与中国汇市间的相依关系。

本文的研究表明，国际股市对中国股市与中国汇市间的相依关系有影响，香港股市联动对中国股市与中国汇市间相依关系的影响较为明显，其次是综合考虑所有股市的全球股市联动对中国股市与中国汇市间相依关系的影响。香港作为国际金融自由港，是中国金融市场与国际金融市场交流的桥梁，国际股市也会在一定程度上通过香港股市间接影响中国金融市场。

4 结论

本文在国际股市联动条件下对中国股市与汇市间的非线性相依关系进行研究，突破了以往对于市场间相依关系的孤立研究，将两者间相依关系研究放到国际股市联动的条件下，基于全局化视角研究两者间的非线性相依关系，聚焦2008年全球金融危机和2015年中国股灾两次极端波动事件，分别在全样本和4个子样本下，采用ARMA-GARCH类模型对各市场收益率的边缘分布进行拟合，并进一步采用静态及动态R-vine Copula方法分析全样本以及2008年全球金融危机前后和2015年中国股灾前后国际股市联动条件下的中国股市与汇市间相依关系的变化。研究结果表明:

(1)整体来看，国际股市与中国股市间、国际股市与中国汇市间均存在显著的正向联动关系，国际股票市场的波动势必会影响中国股市与中国汇市，因此，中国监管部门亟需加强风险预警机制，防范国际金融风险的输入性影响;同时，中国股市与中国汇市间存在正相依关系，且中国股市对中国汇市有正向引导作用，两者间的相依关系被证明可以由资产组合平衡模型解释。

(2)聚焦极端波动时期，在金融危机后以及股灾后国际股市与中国股市间的联动关系比这些极端事件发生前更加强烈，而国际股市与中国汇市间的联动关系在金融危机后增强，在股灾后有所减弱。这说明，中国股市和汇市在国际资本震荡发展的大环境下对抗风险的能力不足，容易受到来自国际股市波动的影响，这要求中国金融市场在自由度不断增强的同时进一步提高抗风险能力。

(3)在国际股市联动条件下测度的中国股市与中国汇市间的相依关系小于不考虑国际股市联动条件下中国股市与中国汇市间的相依关系。这表明，忽视国际股市联动的影响会导致对中国股市与中国汇市间相依关系的估计存在偏差，且这种偏差在金融危机、股灾等极端波动时期后都会不同程度地增加，这恰恰说明了在国际股市联动条件下研究中国股市与汇市间相依关系的重要性和必要性，在研究两者相依关系时若忽略国际股市联动的影响将不能够准确合理地判断两者间的关系。

深入研究股市与汇市间的相依关系不仅对国际投资者进行跨市场资产配置、实现安全资产转移具有重要现实意义，同时对于政府监管部门进行风险管理、维护金融市场稳定具有重要影响。

当国际投资者进行跨市场资产配置时:首先，应充分考虑国际市场联动给各国市场带来的影响，持续关注国际股市波动情况，投资者对中国股市或中国汇市进行投资时需在国际股市的动态联动条件下合理配置资产构建投资组合;其次，极端波动时期为了减少不必要的损失，投资者在国际市场上进行投资时应该减少那些在极端波动时期受其他市场影响较大的资产，转而关注那些在极端波动时期受其他市场波动影响相对较小的资产。

当政府监管部门进行金融风险监管时:首先，需要注意防范金融风险的跨国、跨市场冲击，由于中国股市和汇市受到来自国际股市的冲击较为强烈，在全球金融一体化不断加深的大背景下，亟需警惕金融风险的跨国、跨市场传导，尤其需要重点关注来自发达国家的风险传染，防范国际输入性风险;其次，及时评估全球视角下的金融系统监管规章，适时做出调整并采取相应措施以防范可能的经济下行，正确认识中国金融市场与国际市场间的联动关系，在制定单一市场监管规章时，应放眼全球市场，基于全局化视角充分考虑不同市场及不同国家市场间的联动效应，针对不同的国际经济形势及时采取相应措施;最后，进一步完善金融风险协调管理政策并构建风险预警机制，近年来金融危机频发，市场间的共振会导致暴涨暴跌事件的发生，应不断完善中国金融风险协调管理政策，有效防范系统性金融风险的跨市场传染，同时建立风险预警机制对风险进行更好地管控，针对不同情况及时调整相关政策。