资产的相关系数
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇资产的相关系数范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
资产的相关系数范文第1篇
【关键词】 子宫下段；横切口；术后切口感染；相关因素
妊娠分娩方法有阴道顺产和剖宫产术两种分娩方法，但剖宫产术是解决难产及高危妊娠的一种常见分娩方式。随着麻醉水平的提高及各种社会因素参与，使得剖宫产率逐年上升。但剖宫产是一种非生理性、有创伤性的分娩方式，故有发生感染的可能性，剖宫产术后切口感染一旦发生，轻者延长了住院时间，增加经济花费，影响床位周转，严重影响产妇的身心健康，若不及时处理，将会导致子宫切口裂开，继发出血，败血症，甚至危及生命的严重后果。为分析总结子宫下段横切口剖宫产术后发生切口感染的相关因素，回顾性分析了2010年5月——2012年8月我院实施剖宫产手术采取子宫下段横切口术后发生切口感染的资料，总结如下。
1 一般资料
1.1 一般资料 本组32例产妇，年龄21-41岁，平均26.3±3.2岁。经产妇2例，初产妇30例，符合剖宫产医学指征10例，社会因素实施破宫产22例。所有产妇采取腰-硬联合阻滞麻醉，在耻骨联合处2指处作下腹横切口，依次进腹，行子宫下段横切口取出胎儿。全部产妇术后发烧，手术切口红肿、热痛，挤压有脓性分泌物溢出，取分泌物做细菌培养，结果显示均有细菌生长。
1.2 感染的标准 根据《医院感染诊断标准》，切口有红、肿、热、痛或有脓性分泌物；由外科医师打开的切口，有脓性分泌物或伴有发热≥38℃，再次手术探查、组织病理学发现涉及切口脓肿或其他感染的证据[1]。
2 结果
子宫下段横切口剖宫产术后发生切口感染的相关因素有术前的基础疾病（妊娠合并糖尿病，妊高征等），术中的精细操作、手术时间的长短以及术后的合理应用抗生素预防等。
3 讨论
3.1 术前相关因素 产妇的基础疾病，贫血、营养不良、肥胖及社会综合因素等。贫血、营养不良引起切口感染的发生率为20%-25%[2]。故孕期保证营养平衡，及早治疗基础疾病，如控制好血压，血糖最好控制在8mmol/L以下，改善机体内环境，增强孕妇自身免疫力。积极治疗妇科炎症，节制性生活，减少不必要的妇科检查。有报道称肥胖在诸多影响剖宫产术后切口感染的相关因素中居首位。孕前及孕期营养摄入过剩导致肥胖，影响操作而延长手术时间，脂肪过厚，在切割时容易残留，导致缝合缺陷，坏死及渗液。
3.2 术中相关因素 手术精细操作及缩短手术时间、是防止手术切口感染的主要因素。手术时间的可信区间为51-63min[3]。长时间把手术切口暴漏在空气中就增加了细菌感染的机会，同时伤口的出血量也会增多，手术时间延长也会导致手术大夫过度疲劳而注意力不能集中，致使术中不能精心操作。术中术后失血量的可信区间为154-240ml[4]，所以减少失血是预防感染的关键因素。医源性感染也不容忽视，有的医院对医疗器械、敷料包、手术室的物品和空气消毒处理不严密，常带来一定的医源性感染机会。
3.3 术后相关因素 术后出现皮下血肿及术中切口位置要正确。切口过高子宫肌壁较厚切口下缘厚薄不一，对合不良，将会影响子宫收缩，缝合时易出血[5]。但切口位置也不宜过低，因宫颈部组织主要由结缔组织构成，虽有平滑肌纤维，血液供应较差，切口不易愈合。
总之，子宫切口感染是多因素、多环节造成的结果，故围手术期的正确保健及手术精细操作、应用抗生素预防等共同降低剖宫产术切口感染的关键措施
参考文献
[1] 张淑侠.剖宫产切口感染的原因分析及控制措施[J].中国妇幼健康研究，2007（18）2：118-120.
[2] 宋兴红.剖宫产切口感染的原因分析与对策[J].健康必读，2010，3（12）：38-39.
[3] 龚时鹏、余艳红、陈莉.剖宫产术后切口感染的术前相关因素探讨[J].实用妇产科杂志，2005，21（8）：495-497。
资产的相关系数范文第2篇
关键词：创业板市场；中小板市场；DCCGARCH模型；Copula模型；金融市场相关性；动态相关系数；非线性相关性；资产收益率
中图分类号：F830.9；F224.9 文献标志码：A 文章编号：16748131（2013）05007906
一、引言
创业板市场专门为成长性好、发展潜力大的高科技公司提供融资平台，是我国多层次资本市场的重要组成部分。中小板市场是我国特有的，专为满足我国中小企业融资需求而设立的。相对于主板市场而言，创业板与中小板市场具有上市公司市值规模小、价格波动大、市场风险高等特点，且二者均为为中小企业提供融资服务的资本市场平台。
根据国务院“九条意见”2004年国务院下发的《关于推进资本市场改革开放和稳定发展的若干意见》。 精神，我国建立多层次资本市场的条件正逐步成熟，创业型企业发行上市在股本总额和持续盈利记录等方面的限制将有所放宽；在条件成熟时，中小企业板块将从现有的市场中剥离，二者合并为新的创业板市场。由此可以看出，中小板市场是创业板市场的过渡产物。理论上，创业板市场有别于中小板市场，实际上，创业板市场与中小板市场表现出较强的趋同性。在这种背景下，通过计算两市场间的相关系数来考察二者间的动态相关性，对于投资者在两市场间进行资产配置或风险评估，甚至对资本市场的进一步改革无疑具有重要的现实意义。
静态相关系数无法反应不同市场间的资产价格或收益率的互动变化，而DCCGARCH模型和Copula模型计算的动态相关系数均能较好地描述市场间的动态相关关系。自Engle（2002）提出DCCGARCH模型，该模型得到广泛运用。游家兴等（2009）基于DCCGARCH模型对中国与亚洲、欧美7个股票市场的联动性进行分析，得到1991―2008年其联动性变化的动态过程以及联动性逐渐增加的结论；徐有俊等（2010）基于DCCGARCH模型，运用1997年1月到2009年3月的数据，研究中国股市与国际股票指数（MSCI印度指数、MSCI世界指数、MSCI亚太指数和MSCI亚洲新兴市场指数）之间的联动性，结果发现中印两国和亚洲新兴市场的联动性大于国际发达市场，而且中国与世界股票市场的联动性逐渐增强。近年来，Copula理论和方法在金融等相关领域的运用也取得了明显的进展。Patton（2006）构建了马克兑美元和日元兑美元汇率的对数收益的二元Copula模型，结果显示Copula模型可以较好地描述外汇市场之间的相关关系；韦艳华等（2004）运用Copula模型对上海股票市场各行业板块动态相关性进行了研究； Bartram等（2007）运用高斯时变Copula对欧元引入欧洲17个国家或地区的股票市场之间的相关性进行了研究；张自然等（2012）采用时变SJCCopula模型较好地描述了人民币汇率境内SPOT市场、DF市场和境外NDF市场之间的相关关系。
从已有研究文献来看，DCCGARCH模型和Copula模型均能较好地刻画金融市场间的动态关系，一般认为Copula模型的估算效果要好于前者。目前，运用以上两模型对于我国创业板市场与中小板市场间的动态相关关系的研究文献尚未发现，尤其是同时运用两方法进行比较分析更是没有。本文基于方法比较视角，运用DCCGARCH模型和Copula模型对我国创业板市场与中小板市场间的动态相关性进行研究，这不但可以进一步厘清创业板市场与中小板市场间的关系，而且能够进一步考察上述两种研究金融市场间关系的计量方法的效果及适用性。
二、相关理论与方法
1.DCCGARCH模型
设rt是一组白噪声随机变量组成的向量，满足以下条件：
（1）
其中，It-1为rt在时刻t-1时刻的信息集，Ht为条件协方差矩阵，表示为：
（2）
从单变量GARCH模型可以得到时变标准差矩阵Dt=diag{σi，t}，Rt={ρij}t为动态条件相关系数矩阵。如果能够准确地估计Ht和Dt，代入上式（2），就可以计算出动态条件相关系数Rt。Rt的计算公式转化为：
（4）
（5）
便可求出动态相关系数。
2.Copula模型
根据Copula函数的相关理论，确定一个合适的边缘分布是构建多变量金融时间序列Copula模型的关键，根据金融时间序列的波动特征和分布的“尖峰厚尾”性，选取GARCHt模型来刻画两市场收益率的波动特征。
Rnt=μn+εnt
（6）
εnt=h1/2ntζnt
（7）
（9）
其中：CN（・）表示二元正态Copula函数，Tv1（・）、Tv2（・）分别表示均值为0、方差为1、自由度为v1和v2的正规化t分布函数。
二元正态Copula函数常用来描述两个变量间的相关关系，其分布函数为：
（10）
其中：φ-1（・）表示标准正态分布函数的逆函数，ρ（ρ∈（-1，1））为相关参数。相关参数可以有两种形式：一为常相关参数，二为时变相关参数。随着外部条件的变化，变量之间的相关系数也有可能发生波动，Patton（2006）提出可以由一个类似于ARMA（1，q）的过程来描述，他把时变相关参数演进方程扩展为一般形式：
（11）
其中：函数Λ（・）定义为Λ（x）=1-e-x1+ex，它是为了保证ρt始终处于（-1，1）之间；ut Tt = 1和vt Tt = 1是观测序列进行概率变换后得到的序列；滞后阶数q可以根据研究对象的特点自行选取，一般q小于等于10。
三、实证分析
1.数据来源与描述
为研究创业板市场与中小板市场之间的动态相关性，本文选取创业板指数（399006）和中小板指数（399005），分别以cybr和zxbr表示创业板指数收益率和中小板指数收益率；时间窗口为2010年6月1日至2012年5月31日，共484个数据数据；运用eviews6.0、winrats8.0和MATLAB等软件进行计算。
日收益率的计算公式为：
Rt=lnSt-lnSt-1
（12）
其中，Rt表示市场指数收益率，St为第t日的市场指数收盘价。对两市场指数日收益率的描述性统计分析结果见表1。
由表1可知，创业板指数及中小板指数收益率均值很小，几乎接近于0，且为负的，表明在此期间，投资两市的投资者均是亏损的。同时，两市股指收益率的分布均有左偏性，收益率的峰度值均大于正态分布的峰度值，通过JB统计量检验知，两市场指数收益率均不服从正态分布，具有“尖峰后尾”特征。在此基础上进一步分析表明两市场指数收益率均存在序列自相关和ARCH效应，并依据AIC及似然函数准则选用GARCHt 模型来拟合样本数据，表2是参数估计结果。α的估计值均大于0，且α+β
2.DCCGARCH模型估计结果及分析
由表3可以看出，创业板市场与中小板市场之间的相关系数均大于零，均值为0.888 427，最大值为0.945 926，最小值为0.729 338，两市场表现出较强的正相关性。另外，两市场的动态相关系数的标准差为0.037 687，表明两市场相关性的波动较小，也从一定程度上反映了两市场变化的一致性。
图1 DCCGARCH模型下两市场间的动态相关系数走势
DCCGARCH模型下，两市场间的动态相关系数变化可以通过图1表示。由图1可以看出，2010年底到2011年上半年，创业板市场与中小板市场之间的相关系数有比较大的波动，从2011年下半年开始，二者相关关系趋于稳定。且两年的时间内，两市场的相关系数在2010年7月份、10月份及2011年的5月份有较大幅度的下跌，前一时间点大幅下跌的主要原因在于创业板指数不久样本股调整，而后两时间点的大幅下跌与2010年7月份创业板的解禁潮和2011年5月份的创业板高管大幅度减持有关。
3.Copula函数估计结果及分析
表4为常相关的二元正态Copula函数的参数估计结果。由表4的常相关参数可知，创业板市场与中小板市场指数收益率序列间具有较强的正相关关系，相关系数为0.882 11。金融时间序列间的相关关系一般是时变的，这里我们选取q=10来考察两市场间的动态相关关系，表5为参数估计的结果。由表5可知，创业板市场与中小板市场指数收益率序列的持续性参数βp=0.1354 3，说明这两个序列的时变相关参数受前一期影响，但不是太大。实际上，图2也能表明两市场间的动态相关性受前期影响。由图2可以看出，创业板市场与中小板市场之间的时变相关系数波动稍大，但也仅限于狭窄的区间内[0.862，0.925]，相关系数出现的高点、低点等异常值与DCCGARCH模型估计结果基本一致。
表6为利用Copula模型，运用MATLAB计算得到的两市场之间的动态相关系数序列的描述性统计量。 由表6可以看出，Copula模型下创业板市场与中小板市场之间的时变相关系数均大于零，均值为0.885 4，这与常相关系数0.882 11、静态相关系数0.888 3、DCCGARCH估计的动态相关系数均值0.888 4相差无几，说明不管是基于线性考虑还是非线性考虑，两市场间确实存在较强的正相关关系。另外，时变相关系数最大值为0.924 3，与DCCGARCH模型估计的相关系数最大值0.945 926也相差不大；但最小值0.863 2较DCCGARCH模型估计的0.7293 38要大一些，这主要是由于Copula函数考虑了收益率随时间变化而导致的结果。再者，两方法估计的动态相关系数的标准差均较小，DCCGARCH模型下为0.037 687，Copula模型下为0.010 25，表明两市场相关系数的波动性较小，具有较强的稳定性，进一步说明两市场的表现确实相差不大。
图2 Copula模型下两市场间的时变相关系数走势
四、结论与建议
通过线性和非线性模型考察我国创业板市场与中小板市场收益率之间的相关性，可以得出以下结论与建议：
第一，创业板市场与中小板市场指数收益率静态相关系数为0.888 2，DCCGARCH动态相关系数均值为0.888 4，Copula常相关系数为0.882 11，Copula时变相关系数均值为0.885 4。无论是静态相关系数，还是动态相关系数；无论是线性相关系数，还是非线性相关系数，均表明两市场间存在较强的正相关关系。
第二，DCCGARCH模型下，两市场间的动态相关系数在一个狭窄的区间[0.729，0.946]波动，除了2010年7月、10月及2011年5月因样本股调整、股票解禁和高管减持造成的动态相关系数大幅度下跌外，其他时间估计的GARCH动态相关系数均表现出较强的稳定性。Copula模型下，两市场间的动态相关系数也在一个狭窄的区间[0.862，0.925]波动，但在时间窗口期内有异常值出现，这是因为市场间的非线性影响因素所致。所以，Copula模型要优于DCCGARCH模型。
第三，似然函数值表明，时变Copula模型因捕捉了资产收益率的持续性，估计两市场间的相关系数效果要优于常相关Copula模型。
总之，创业板市场与中小板市场间，无论是线性相关性还是动态相关性均较强，且二者表现出很强的趋同性，表明创业板市场与中小板市场合并将是必然趋势，这为我国的资本市场改革提供了理论佐证。另外，Copula模型因考虑了金融市场间的非线性及非对称性特点，参数估计效果优于DCCGARCH模型，建议机构投资者在进行资产组合投资时采用Copula模型计算市场间的动态相关系数；同时，鉴于创业板市场与中小板市场的有效区分性不足，建议机构投资者（如基金公司）最好不要跨此二市场进行资产配置。
参考文献：
高铁梅.2006.计量经济分析方法与建模：Eviews应用及实例[M].1版.北京：清华大学出版社.
金龙，王正林.2009.精通MATLAB金融计算[M].北京：电子工业出版社.
韦艳华，张世英. 2008.Copula理论及其在金融分析上的应用[M].北京：清华大学出版社.
徐有俊，王小霞，等. 2010.中国股市与国际股市联动性分析――基于DCCMGARCH模型研究[J].经济经纬（5）：124128.
游家兴，郑挺国. 2009.中国与世界金融市场从分割走向整合――基于DCCMGARCH模型的检验[J].数量经济技术经济研究（12）：96107.
张自然，丁日佳. 2012.人民币外汇市场间不对称汇率变动的实证研究[J].国际金融研究（2）：8595.
BATRAM S M，TAYLOR S J，WANG Y H. 2007. The Euro and European Financial Market Dependence[J]. Journal of Banking & Finance，31（5）：14611481.
ENGLE R F.2002.Dynamic Conditional Correlation Simple Class of Multivariate GARCH Models[J]. Journal of Business and Economic Statistics，20（3）：339350.
PATTON A J. 2006. Modeling Asymmetric Exchange Rate Dependence[J].International Economic Review，47（2）：527556.
Analysis of Dynamic Correlation between Growth Enterprise Market
资产的相关系数范文第3篇
[关键词]公司债券;融资结构;上市公司
[中图分类号]F276 [文献标识码]A [文章编号]1005-6432(2010)44-0052-04
1 研究背景
纵观十几年来中国的证券融资市场,股权融资比例远远大于债务融资,IPO、配股、增发、可转债以及可分离可转债等方式已经成为我国上市公司的主要融资渠道。根据西方现代融资结构理论,考虑到资金成本,企业在选择融资方式时,首先应优先选择内源融资,即留存收益和折旧融资,其次才是外源融资;而在外源融资中,一般优先选择发行债券,直到因债券增发引起的财务风险与其带来的节税效应互抵时,才选择发行新股。但在我国,由于股权结构的不合理以及证券市场不完善等原因,上市公司表现出强烈的股权偏好,造成了企业融资渠道狭窄、资源配置得不到优化等负面影响。
2007年8月14日,中国证监会颁布实施了《公司债券发行试点办法》,这标志着我国公司债券发行工作的正式启动,对于发展我国的债券市场、促进资本市场协调发展具有十分重要的意义。2007年9月26日,中国长江电力股份有限公司2007年第一期40亿元公司债券成功发行,我国公司债券的试点工作正式拉开了帷幕。
在此背景下,针对《公司债券发行试点办法》实施以后,公司债券的发行情况以及对上市公司融资结构的变化进行研究就显得很有必要。下文将通过建立理论模型并进行实证分析来解析试点工作前后上市公司融资结构的变化。
2 实证分析
2.1 模型构建
现代资本结构理论认为,在非对称信息的情况下,公司经理人知道企业收益的真实分布与投资风险,但投资人不知道。如果公司的债券被市场看好,经理人会获利;但如果公司破产,则对经理人不利。因此,低质量的公司不会比高质量的公司发行更多的债券。这样一来,投资者就会把高比例的债券水平看做是公司质量好的信号。另外,公司的最优资本结构应根据债务带来的公司价值增加与债务引起的破产成本增加权衡而定,公司业绩与债务融资正相关,业绩越好的公司,债务融资率也越大。
在以上理论背景下,本文提出以下假设:
假设1:公司绩效与公司资产负债比正相关,即绩效越好的公司,越倾向于发行公司债券。
假设2:公司绩效与公司股东权益比负相关,即绩效较差的公司,倾向于股权融资。
以此建立公司融资结构与绩效水平的线性函数。在这里,用各绩效指标的综合指数来代表公司的绩效水平。Y代表公司的融资结构;X代表公司的绩效水平,建立的线性函数如下:
2.3.2 绩效指标的相关性分析
对2006―2009年的绩效指标分别进行相关性分析,目的在于找出其中相关性较大的、认为可以相互替代的指标,并进行剔除,避免重复计算。本文以相关系数0.8作为标准,认为相关系数大于0.8的指标可以相互替代。
首先对2006年的绩效指标进行相关性分析(2006年的绩效指标由于数据收集的限制,缺少主营业务利润率这一指标)。
从表1中看出,每股收益和净资产收益率之间的相关系数为0.877,总资产报酬率和净资产收益率之间的相关系数为0.874,均大于0.8,可认为每股收益和总资产报酬率均可替代净资产收益率,因此在计算2006年绩效指标的综合指数时应剔除净资产收益率这一指标,用每股收益、总资产收益率、总资产增长率、净资产增长率、主营业务增长率、净利润增长率6个指标的综合指数来代表2006年的绩效水平。
用同样的方法分别再对2007年、2008年、2009年的绩效指标进行分析。
从表2中看出,总资产收益率和净资产收益率之间的相关系数为0.900,总资产增长率和净资产增长率之间的相关系数为0.903,均大于0.8,因此在计算综合指数时可以剔除净资产收益率和净资产增长率这两个指标,用每股收益、总资产报酬率、主营业务利润率、总资产增长率、主营业务增长率、净利润增长率6个指标的综合指数来代表2007年的绩效水平。
从表3中看出,每股收益和总资产收益率之间的相关系数为0.868,每股收益与净资产收益率之间的相关系数为0.880,每股收益与净利润增长率之间的相关系数为0.822,总资产收益率与净资产收益率之间的相关系数为0.864,总资产收益率与净利润增长率之间的相关系数为0.809,净资产收益率与净利润增长率之间的相关系数为0.877,因此在计算综合指数时可以将总资产收益率、净资产收益率、净利润增长率3个指标剔除,用每股收益、主营业务利润率、总资产增长率、净资产增长率、主营业务增长率5个指标的综合指数来代表2008年的绩效水平。
从表4中看出,每股收益和净资产收益率之间的相关系数为0.883,总资产收益率和净资产收益率之间的相关系数为0.817,因此在计算综合指数时可以将净资产收益率这个指标剔除,用每股收益、总资产收益率、主营业务利润率、总资产增长率、净资产增长率、主营业务增长率、净利润增长率7个指标的综合指数来代表2009年的绩效水平。
2.3.3 回归分析
根据以上结论,分别对绩效的综合指数与资产负债比的静态个体指数之间,以及绩效的综合指数与股东权益比的静态个体指数之间进行回归分析,得到的回归系数如表5所示:
3 结果讨论
由回归分析结果我们可以看到,2006年企业绩效指标的综合指数与债权融资指标(资产负债比)之间呈正相关关系,而与股权融资指标(股东权益比)呈负相关关系,根据本文的假设,2006年绩效较好的公司倾向于债权融资,而绩效较差的公司则倾向于股权融资。在2007年,企业绩效指标的综合指数与债权融资指标以及股权融资指标之间均呈正相关关系,由此可否定假设2,认为在2007年,绩效较好的公司对于债权融资和股权融资的偏好是较为平均的。在2008年,企业绩效指标的综合指数与债权融资指标之间呈负相关关系,而与股权融资指标之间呈正相关关系,由此否定假设1和假设2,认为在2008年,绩效较好的公司偏好股权融资,而绩效较差的公司偏好债权融资。在2009年,企业绩效指标的综合指数与债权融资指标之间呈正相关关系,而与股权融资指标之间呈负相关关系,由此可知在2009年,绩效较好的公司偏好债权融资,而绩效较差的公司则偏好股权融资。
4 结 语
从以上的分析结果可以看出,目前我国上市公司的融资现状,即在经济形势乐观时,偏好债权融资,例如发行债券。而在经济形势较差时(如2008年),则偏好股权融资。同样可以看出,在2007年《公司债券发行试点办法》颁布,公司债券的发行得到鼓励后,上市公司的融资行为已日趋理性,不再一味地盲目进行股权融资,而是懂得根据经济形势的变化合理地选择融资方式,在适当的时候理性地利用公司债券的融资优势进行融资,优化公司的融资结构,同时促进我国的资本市场健康地发展。
参考文献:
[1]薛翠友. 企业融资结构理论综述[J]. 合作经济与科技,2009(9).
[2]李义超.我国上市公司融资结构实证分析[J].数量经济技术经济研究,2003(6).
[3]毛磊,葛静.我国上市公司融资结构偏好的实证分析[J].安徽职业技术学院学报,2005(9).
[4]倪轶文,周咏梅.中国上市公司融资结构与公司业绩关系的实证研究[J].青岛大学学报(自然科学版),2009(6).
[5]Raghuram G. Rajan,Luigi Zingales. What do We Know about Capital Structure? Some Evidence from International Data [J]. The Journal of Finance,1995(50).
资产的相关系数范文第4篇
一、文献回顾
对投资资产收益构建适当的模型进行相关性分析，在投资风险管理中有很重要的应用价值。张维（2008）认为度量风险以及如何采取相应的对策是投资风险分析的核心。当研究单一市场不同资产收益相关性时，应该考虑聚类波动和厚尾分布等因素。Rachev和Mittnik（1993）指出对金融数据建模，模型结构固然重要，但资产收益分布假设由于影响到模型的拟合度，因此也要重点考虑。Fama、Mittnik、Rachev等人（2003）认为投资风险模型中变量分布为平稳分布时检验效果比较好。当研究多个市场相关性时，通常应用线性相关，例如应用多元线性回归法研究变量间的相关性。但线性相关系数通常假定不同市场收益是对称相关的，通常不能反映非对称相关情况。Embrechts和Rachev等人（2003）研究了线性相关系数分析相关性的缺陷，不能较为准确地反映金融危机情况下的投资资产收益波动。为此Embrechts（1999）引入了Copula 函数来研究关于投资组合的风险价值问题，提供了处理变量相关问题的简单易行的方法。之后Copula函数在投资资产风险管理中被广泛采用，它克服了线性相关系数不能捕捉变量间的非线性和非对称相关的缺点。秦学志、王玥（2011）分析了Copula函数的尾部相关系数的渐进变化特征及其应用。任仙玲、张世英（2008）利用Copula函数对民生银行和浦发银行两只个股的尾部相关性做了分析，得出“其下尾相关性大于上尾相关性，且下尾相关性很大”的结论。但目前对于尾部相关性的研究多数集中在二维的情形。Bedford和cook（2001）在Joe 研究工作的基础上，介绍了一种基于简单构造块——Vine copula的多变量分布概率模型，通过对多元联合密度函数进行Vine copula分解，分解后的模型能够捕捉到多个资产组合中不同风险因素间的尾部相关性差异，从而更好地描述资产间的相依结构。这一方法为研究高维复杂相关问题提供了新的思路。
二、研究方法
（一）Vine模型 Kurowicka和Cooke（2004）提出D-Vine和C-Vin
e模型，这两类藤在不同的树状集合的逻辑结构下都能对高维分布进行分解。n维联合密度函数f（x1，…，xn）的C-Vine和D-Vine的分解式分别如式（1）、式（2）所示：
其中，Cij|k是二维Copula分布函数，vj是d向量v中任一分量，而v-j是向量v中除去vj后的d-1维向量。
（二）拟合优度检验方法 本文采用经验Copula检验统计量。假定n元随机变量的秩统计量为｛U1，U2，…，Un｝，那么可以用一个经验Copula来反映它们的分布信息，如式（4）所示：
该检验方法实质是考察经验Copula与假定的Copula之间的距离，距离越小，那么越有可能接受零假设H0；距离越大，则越有可能拒绝零假设H0。其检验步骤为：
（1）产生秩统计量序列集U=｛U1，…，Un｝，Ui=｛Ui1，…，UiT｝；
（2）计算在每个秩统计量下的经验Copula值，以及假定的Copula的参数；
在实际应用中，这两个统计量的有限分布依赖于给定的Copula函数及其相应的参数，需要应用蒙特卡洛模拟来计算参数，间接得出两个统计量。
二、基于C-Vine与D-Vine的投资组合相关性比较
（一）样本选取与数据来源 采用C-Vine和D-Vine模型，本文对香港恒生（HSI）、日经225（N225）、新加坡海峡时报（STI）和上证综指（SSEC）四个股票市场组成的投资组合的风险进行比较分析。数据样本区间为2005年1月1日至2011年6月30日的周收盘价，由于各国的风俗习惯不同，同一时期内的数据个数不一致，数据对应上出现一些偏差，本文剔除了不同时间开盘的数据，共得到有效数据共1356个。本文将第i个市场的周收盘价定义为Pi，t，将收益率Ri，t定义为Ri，t=100（lnPi，t-lnPi，t-1）。本文的数据处理工具为Eviews6.0和 Matlab R2010a。
（二）收益率序列的描述性统计分析及正态检验 利用Eviews
6.0软件对收益率序列进行描述性统计分析，应用J-B进行检验。计算结果如表1所示。
从表1可以看出，各个收益率序列的均值接近于0，方差接近于3；偏度值接近于0且都为负，峰度值均大于3。各收益率序列从偏度上看，接近正态分布；但从峰度上看，具有明显的厚尾特征，大的峰度值表明各收益率序列的数据在均值附近的集中度较高。从J-B检验值可以看出，各收益率序列明显不服从正态分布的假设。
（三）边缘分布的建模与平稳性自相关检验 边缘分布采用时间序列GARCH模型，首先进行平稳性检验。本文采取Dickey & Fuller（简称ADF）所提出的单位根检验。检验值如表2所示。
从表2可以看出，收益率序列进行的ADF单位根检验所得到的ADF值均小于各序列的概率临界值，故样本序列全部为平稳序列。应用DW检验，本文对样本序列中是否存在自相关性进行检验。通过Eviews6.0计算得到各收益率序列的DW值如表3所示，从表3可以看出四个收益率序列的DW值均接近2，说明各对数收益率序列不存在自相关性。
（四）边缘分布的GARCH建模与拟合度检验 因为样本序列都是平稳的，且不存在自相关性，所以可以用GARCH模型对收益率序列进行建模。同时从描述性统计分析可知各个对数收益率序列的t特征比较明显，故取对数收益率序列进行GARCH（l，l）-t建模，模型如式（5）所示：
对各收益率序列进行建模和参数估计，参数估计采用极大似然法。其结果如表4所示。
检验GARCH（1，1）-t模型对收益率序列的拟合效果，对其进行Ljung-Box检验，其结果表明在5%的置信水平上收益率序列无自相关性的假设是可接受的。计算各收益率序列的残差序列，观察残差序列Q-Q图（如图1至图4所示）可以看出GARCH（1，1）-t模型可以较好地拟合各序列的边缘分布。
（五）基于C-Vine与D-Vine的收益率序列相关性比较分析 为了确定合适的变量顺序，对不同收益率序列的Pearson相关系数进行了比较，具体结果如表5所示。
本文选择了t-copula（具有对称尾部特点）、Clayton copula（具有下尾相关性）以及Joe-Clayton Copula（同时具有上尾、下尾相关性）等三种pair copula函数进行分析。
一是基于C-Vine的收益率序列相关性分析。根据表6中选择初始结点日经225，所以得到C-Vine的分解结构图，如图5所示。
根据图5的分解结构，利用极大似然法，计算可得到各层参数，见表6，其中1、2、3、4分别代表日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）。
应用PIT方法进行拟合优度检验，表7是检验统计量S在5%的置信水平下所得的P值。从表7中可以看出，Clayton Copula没有通过检验但是很接近临界值。
二是基于D-Vine模型的收益率序列相关性分析。采用D-Vine分解的方法首先要根据各变量间的相关性确定树T1的次序，由表5可得到树1变量的排序为日经225、新加坡海峡、香港恒生、上证综指。D-Vine的分解如图6所示。
根据图6的分解结构，利用极大似然法，计算可得各层参数，如表8所示。其中1、2、3、4分别代表日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）。应用PIT方法进行拟合优度检验，表9是检验统计量S在5%的置信水平下所得的P值。从表9中可以看出，不同的Copula函数拟合均通过检验。
三是基于C-Vine与D-Vine的收益率序列相关性比较分析。从表6和表8的参数估计可以得出，在C藤结构下用t-Copula描述变量间的相关性所得的自由度明显不同，其中日经225与新加坡海峡时报、日经225与香港恒生、日经225与上证综指的自由度均较小，说明它们联合分布的尾部很厚，序列间出现极值的概率较大。在条件分布的情况下，当以日经225作为条件时，新加坡海峡时报、香港恒生之间的自由度最大，说明它们之间出现极端值的概率最小；当将日经225和新加坡海峡时报同时作为条件时，自由度取得最大值，说明相关性最小。以上的分析基本与D藤结构下相同，唯一不同的是在C藤中当以日经225为条件时，新加坡海峡时报和上证综指之间的自由度为11.690648，说明它们之间的相关性较强，而在D藤中当以香港恒生作为条件时，新加坡海峡时报和上证综指之间的自由度为300，说明它们之间的相关性很弱，C藤所得结论与我国股市的开放程度还不高有一定出入。另外从对应的AIC值、BIC值也可以看出D藤下的分解结构模型对数据的描述更优。因此C藤结构不适合分析股市间这种没有绝对引导关系的相关性问题。
三、基于D-Vine的多元股市收益率序列尾部相关性分析
（一）尾数相关性分析 因为D藤模型对数据拟合效果更优，所以采用D藤参数值来分析各股市间的尾部相关性，从而为投资者提供投资参考。尾部相关性用来衡量当一个随机变量大幅度增加或者大幅度减少时，另一个随机变量也发生大幅度增加或者大幅度减少的概率。设二维随机变量（X，Y）的边际分布分别为Fx，Fy，其上尾相关系数？姿u和下尾相关系数？姿t定义如式（6）、式（7）所示：
从表10可以看出，采用t-Copula函数时，HIS和SSEC之间相关系数为0.047826，两股市之间的相关性远远低于N225和STI，STI和HIS，后两组股市相关系数分别为0.336015和0.322037，但从后两组股市相关系数的绝对值来看，其相关性远低于1，相关性不是太强。而条件相关系数结果均为0，所以不存在条件相关。因此，根据分析结果，同时对这四个股市投资可以分散风险。但由于尾部相关系数没有得到体现，所以在熊市或牛市的时候，投资决策很难做出。采用Clayton Copula函数时，HIS和SSEC之间的下尾相关系数为0.305930，两股市之间的下尾相关性远远低于N225和STI，STI和HIS，后两组股市下尾相关系数分别为0.637326和0.646258，而后两组下尾相关系数的绝对值均超过0.5，说明在熊市时，为了降低风险，不宜同时投资N225和STI，STI和HIS。采用Joe-Clay-
ton Copula函数时，在条件相关性分析结果中，上尾相关系数大于下尾相关系数，而且上尾相关性也极其微弱。在非条件相关性分析结果中，均呈现出下尾相关系数大于上尾相关系数，且N225和STI，STI和HIS两组股市收益变动相关性要大于HIS和SSEC，这和采用t-Copula函数以及Clayton Copula函数所得到的结果一致。说明为了降低风险，在股市波动不大的情况下宜于同时向四个股市投资；在熊市时，不宜采用N225和STI，STI和HIS，两种组合进行投资。
综上分析可以看出，运用D-Vine函数对多个股市收益相关性进行分析，得出的结果，特别是尾部相关系数与实际情况一致，因此选择D-Vine函数对多元股市收益相关性进行分析具有显著的适用性。
（二）相关结论 本文采用的AGARCH-C-Vine与AGARCH-
D-Vine模型度量资产组合风险，对日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）收益率序列的相关性进行实证比较研究，结果显示AGARCH-D-Vine的拟合效果较好。运用AGARCH-D-Vine对各收益率序列尾部相关性分析，在选择刻画上尾相关、下尾相关以及上下尾相关的不同的Copula情况下，得到了投资者一致的投资组合决策结果。
参考文献：
［1］Bauerle N， Muller A. Modelling and comparing dependencies in multivariate risk portfolios［J］. Astin Bulletin， 1998，28：59-76.
［2］Frees E W， Valdez E. Understanding relationships using copulas［J］. North American Actuarial Journal，1998，2：1-25.
［3］Klugman S A， Parsa R. Fitting bivariate loss distributions with copulas［J］. Insurance： Mathematics and Economics，1999，24：139-148.
［4］张维：《风险度量的主要模型及其评述》，《南京审计学院学报》2008年第3期。
［5］Rachev S，Mittnik S. Stable paretian models in finance［M］. New York： Wiley，2000.
［6］Fama E. Mandelbrot and the stable paretian hypothesis［J］. Journal of Business，1963，36： 420-429.
［7］Mittnik S， Rachev S.. Modeling asset returns with alternative stable models［J］. Econometric Reviews，1993，12： 261-330.
［8］Rachev S. Handbook of heavy tailed distributions in finance［M］. Elsevier： Amsterdam 2003：595-640.
［9］Rachev S， Menn C， Fabozzi F. Fat-tailed and skewed asset return distributions［M］. New Jersey： Wiley，2005.
［10］王天东、卢文渊：《新会计准则下我国上市公司债务重组影响因素研究》，《南京审计学院学报。2012年第1期。
［11］Embrechts P， Lindskog F， McNeil A. Modelling dependence with copulas and applications to risk management［M］//Rachev S. Handbook of heavy tailed distributions in finance. Elsevier： Amsterdam，2003.
［12］Embrechts P， Mcneil A J，Straumann D. Correlation and dependence in risk management： properties and pitfalls［M］//Dempster M. Risk management： value at risk and beyond. Cambridge：Cambridge University Press， 1999：176-223.
［13］秦学志、王玥：《尾部相关系数的渐进变化特征及其应用》，《系统工程理论与实践》2011年第2期。
［14］任仙玲、张世英：《基于Copula函数的金融市场尾部相关性分析》，《统计与信息论坛》2008年第6期。
［15］Bedford T J， Cooke R M. Monte Carlo simulation of vine dependent random variables for applications in uncertainty analysis［C］. Proceedings of ESREL2001， MECC， Maastricht， Netherlands.
［16］Bedford T， Cooke R M. Probability density decomposition for conditionally dependent random variables modeled by vines［J］. Annals of Mathematics and Artificial Intelligence，2001，32：245-268.
［17］Bedford T， Cooke R M. Vines：a new graphical model for dependent random variables［J］. Annals of Statistics，2002，30：1031-1068.
［18］Joe H. Families of m-variate distributions with given margins and m（m-1）/2 bivariate dependence parameters［R］. Ruschendorf L， Schweizer B， Taylor M D. Distributions with fixed marginals and related topics. 1996
［19］Kurowicka D， Cooke R M. Distribution-free continuous bayesian belief nets［C］. Fourth International Conference on Mathematical Methods in Reliability Methodology and Practice， Santa Fe， New Mexico，2004.
［20］Genest C， B， R′emillard， Beaudoin D O. Goodness-of-fit tests for copulas： a review and a power study［J］. Insurance： Mathematics and Economics，2009，44：199-213.
［21］Dickey D， Fuller W. Distribution of the estimators for autoregressive time series with a unit root［J］. Journal of the American Statistical Association， 1979， 74：427-431.
［本文系教育部人文社会科学研究规划基金项目（编号： 11YJ
资产的相关系数范文第5篇
[关键词] 收入分配差距 贸易顺差 相关分析 因果分析
1 福建省贸易顺差现状
近年来，在国家政策的扶持下，福建省经济和进出口贸易发展氛围良好，进出口贸易总额由1981年的108272万元增加到2010年的73638807万元；与此同时，福建省的对外贸易顺差规模也急剧扩大，1995年福建省贸易顺差突破百亿元大关，2006年突破千亿元大关，虽然2009年受经济危机影响有所减少，但2010年贸易顺差又明显增长，高达23155739万元。
2 福建省收入分配差距现状
2.1 城乡居民收入增长存在差异
近年来，福建省经济增长势头强劲，带动了福建居民收入的增长。从2000年～2010年的数据绝对值来看，始终是人均GDP高于城镇居民可支配收入，而城镇居民可支配收入又高于农民人均纯收入。从增长速度来看，除了个别年份收入增长速度快于GDP增长，基本上都是收入增长落后于GDP增长，而且城镇居民收入增长速度要比农民收入增长要快。从图1可以看出，近年来城镇和农村居民收入增长速度已越来越接近，2010年城乡居民收入增长速度基本持平。随着政府对农民收入扶持政策的不断推出，预计将出现农村居民收入增长快于城镇居民的趋势，见图1。
2.2 城乡居民收入差距逐年扩大
城镇居民可支配收入主要用于消费和储蓄，而农民纯收入除了用于消费和储蓄外，还有一部分用于次年扩大再生产的支出，如果扣除扩大再生产支出，那么城乡收入差距就更大。图2是从2000年至2010年福建城镇居民人均可支配收入与农村居民纯收入之比的折线2.3 城乡居民收入差距总体不尽合理
2010年，福建省城镇和农村的基尼系数分别为0.350和0.365，从数据上看似乎合理，都在国际警戒线0.4之内。从基尼系数看，城镇居民间收入差距变化并不十分明显，但应该看到农村的基尼系数基本呈现逐年增长趋势。由于统计年鉴把城镇和农村的基尼系数分开计算，可通过发展经济学家Sundrum（1990）介绍的适用于不重叠人群（富人和穷人）分组的基尼系数分解方法来估算全省居民收入分配的基尼系数（计算结果见图3）。据笔者估算，从2004年开始，福建省基尼系数已超过0.4。有数据显示，我国收入最高的10%群体和收入最低的10%群体的收入差距，已经从1988年的7.3倍上升到目前的23倍，可见城乡居民收入差距总体越来越不合理。
3 贸易顺差与收入分配差距的关系
劳动保障部劳动工资司司长邱小平2007年7月17日在中国政府网进行在线访谈时表示：“长期以来，我国相对低成本的劳动力资源优势，为经济持续快速发展发挥了重要作用，但是在当前国家经济结构深刻变革和经济全球化背景下，如果长时间保持普通职工工资偏低或者增长缓慢的状况，它的弊端也将逐步显现出来，体现在不仅会拉大社会收入分配差距，也不利于促进消费。”邱小平指出，这也是导致我国贸易顺差居高不下的原因之一。由于收入分配差距过大，低收入群体大，导致消费率过低，无法通过需求拉动经济增长，因而只能通过出口模式维持经济增长，导致贸易顺差。笔者对这个链式反应逐一实证分析如下：
3.1 相关分析
为了考查收入分配差距与贸易顺差这两个因素之间的相关关系，选用福建省1990年～2010年的数据，用城乡整合基尼系数来反映收入分配差距。用SPSS软件进行二元变量相关分析，得到：收入分配差距与贸易顺差的相关系数为0.885，P值为0.000，说明收入分配差距与贸易顺差在1%的显著性水平上存在高度相关关系。
3.2 因果分析
在两者存在高度相关关系的基础上，笔者试图探索二者间的因果关系，仍沿用福建省1990年～2010年的数据，采用Eviews软件进行因果分析，得到分析结果如下表，从结果来看，基尼系数的增长会导致顺差扩大，可见收入分配差距变大是导致顺差的原因，而顺差并非导致收入分配差距变大的原因。这也证实了邱小平的观点，即收入分配差距过大是导致我国顺差居高不下的原因之一。
3.3 链式反应分析
3.3.1 收入分配差距过大导致消费率过低
截取福建省城镇居民1990年～2010年的GINI系数、平均每人可支配收入、平均每人消费性支出数据，消费倾向=消费性支出/可支配收入；以GINI系数作为收入分配差距的代表，消费倾向即消费率，来考查收入分配差距对消费率的影响。
相关分析的结果是，城镇居民的GINI系数和消费倾向的相关系数是-0.9315，P值为0.000，说明城镇居民的GINI系数与消费倾向在1%的显著水平上高度负相关关系，也就是消费率和收入分配差距是呈反方向变动的。由于相关系数较接近于-1，所以应进一步对二者进行回归分析，以GINI系数为自变量X，以消费倾向为因变量Y，复相关系数的平方（即决定系数）为0.8677，说明消费倾向的86.77%是由GINI系数来决定的，模型方差分析的结果P值为0.000，说明回归方程有效；且回归模型系数的相伴概率即P值都是0.000，说明回归方程拟合得非常好。回归方程为：Y=1.1613-1.3217X。
根据回归方程，求出各年消费倾向的理论值与实际值进行比较，发现根据回归模型计算的消费倾向的理论值和实际值在1992年以后都比较接近。可见，GINI系数对消费倾向的变动有极大的负面影响力，换言之，收入分配差距扩大会导致消费率过低。
3.3.2 消费率低无法通过需求拉动经济增长
从按人均可支配收入分组的城镇居民消费倾向和按收入高低五等分分组农民消费倾向可以看出，不管是城镇居民还是农村居民，富人的消费倾向都较低、穷人的消费倾向较高，然而穷人能用于消费的金额是非常有限的。截取1990年～2010年的福建省数据，以最终消费对经济增长拉动的百分点作为需求拉动经济增长的指标。从相关分析的结果来看，需求对经济增长拉动百分点和消费率的相关系数是0.5903，P值为0.005，说明需求对经济增长拉动百分点和消费率在1%的显著水平上呈中度正相关关系。也就是说，消费率低在一定程度上导致无法通过需求拉动经济增长。
3.3.3 投资消费比例失调导致投资过量
一般居民的收入无非两个用途，一是消费，二是投资。高收入者消费倾向低，投资意向高。这样的结果是，投资与消费的比例失调，导致投资过量。由于投资分为实物投资和金融投资，实物投资以固定资产投资为主，而金融投资的数据收集不易，所以用固定资产投资来代替投资，截取福建省1990年～2010年的数据。从相关分析的结果来看，投资消费比例和固定资产投资的相关系数是0.80996，P值为0.000，说明投资消费比例和固定资产投资在1%的显著水平上呈高度正相关关系。因而以投资消费比例为自变量X，以固定资产投资额为因变量Y进行回归分析，得到复相关系数的平方（即决定系数）为0.65603，说明固定资产投资的65.603%是由投资消费比例来决定的，模型方差分析的结果P值为0.000，说明回归方程有效；且回归模型系数的相伴概率（即P值）是0.000，说明回归方程拟合程度高。回归方程为：Y=-3570.355+17853.627X（单位：亿元）。
从方程可以看出，固定资产投资与投资消费比之间是正相关关系，固定资产投资随着投资消费比的增长而增长。近年来福建省的投资增长率明显高于消费增长率，投资消费比例严重失调，因而固定资产投资速度过快，2003年至2005年固定资产投资增长率都高于20%，到了2006年、2007年，固定资产投资增长率更是突破30%，福建省经济明显过热；2008年和2009年因受经济危机影响有所下降，而2010年又高达30.04%。可见，我省如果没有调整好投资消费比例，投资过量的现象无法避免。
3.3.4 投资过量导致贸易顺差
本文截取的数据是1990年～2010年的福建省贸易顺差与固定资产投资的数据。从相关分析的结果来看，贸易顺差和固定资产投资的相关系数是0.94639，P值为0.000，说明贸易顺差和固定资产投资在1%的显著水平上呈高度正相关关系。
以固定资产投资为自变量X、贸易顺差为因变量Y进行回归分析，复相关系数的平方（即决定系数）为0.89565，说明贸易顺差的89.565%是由固定资产投资来决定的，模型方差分析的结果P值为0.000，说明回归方程有效；且回归模型系数的相伴概率（即P值）是0.000，说明回归方程拟合得很好。回归方程为：Y=41.83078+0.32969X（单位：亿元）。根据回归方程，求出各年贸易顺差的理论值与实际值进行比较，发现理论值和实际值基本是重合的。因而就验证了固定资产投资过多极大程度上会导致贸易顺差。
综上所述，贸易顺差的根源是收入分配差距。巨额的贸易顺差在一定阶段内促进了中国经济的增长，增加了外汇储备，增强了综合国力；同时也给人民币带来了升值压力。笔者认为，要平衡贸易，首先要进行收入分配调整，缩小收入分配差距。除了在制度上保证收入分配公平外，政府还可以制定指导性经济发展政策，如向第三产业倾斜的产业政策，以保证第三产业对居民收入分配的调节作用。
参考文献：
[1] 董静， 李子奈.修正城乡加权法及其应用——由农村和城镇基尼系数推算全国基尼系数[J].数量经济技术经济研究，2004（5）： 120-123.
