- 1 -
香港与内地股票市场间的波动溢出效应研究
李开渝
东南大学金融系，江苏南京 (211189)
摘 要：本文构建了基于 t分布的双变量 GARCH模型，利用上证指数、深成指数和恒生指
数收益序列对香港与内地股票市场间的信息传递关系进行了实证分析。结果表明，两地市场
存在着单向的波动溢出效应，香港在信息流动占主动地位，并且其对深圳市场的影响更大。
在此基础上，进一步地分析了三个市场的时变方差，及港市分别对沪、深两市的动态相关性，
发现内地股市的波动要远大于香港股市，两地股市存在着正的相关性，且相关性有不断加强
的趋势。相比而言，深市与港市的相关性比较稳定。
关键词：股票市场；波动溢出；信息传递；多元 GARCH
1. 引 言
随着经济全球化和金融自由化的不断深入发展，全球资本市场间的联系更加紧密。与此
同时，交易技术的提高，使得信息在不同市场间的传导速度加快。这样，一个市场的收益和
波动不仅受到自身过去几期滞后的影响，还可能受到别的资本市场的影响，这种市场间的收
益和波动的传导被称之为“溢出效应”，也即是市场间的信息传导。随着资本管制的放松，投
资者可以在全球范围内配置资本，从而达到收益最大化。因此从动态的角度深层次的理解股
市之间的这种收益与波动间的联系，以及市场信息传导机制对于投资者资产定价、风险分散
与研究证券市场结构和判断股市走势、上市公司实现资本国际化以及政策当局市场监管和防
范金融危机都具有重要的意义。随着中国改革开放的发展，内地和香港之间的经济联系不断
加强。同时随着越来越多的内地企业在香港上市，其占港股市值比重也不断增加，据证券之
星统计，截至2007年3月，红筹股和H股占港股市值的%。那么香港市场和内地市场之间
是否存在收益波动溢出效应，这种效应有多大，研究这些问题及成因对于投资者制定投资策
略和完善内地证券市场机制有着重要的参考意义。
2. 文献综述及问题的提出
市场之间的信息传导机制一直是理论研究的重点之一。Eun 和Shim(1989)对美国、加拿
大等9个国家股票市场间的信息传导机制进行了研究，发现多数市场间存在着相互的波动溢
出效应。并进一步指出美国市场的信息能很快地传导到其他市场，但是这种信息的传递只是
单向的，说明美国市场在信息流动上占主导地位。[1]除此之外，Taylor和Tonks (1989)，Mathur
和Subrahmanyam(1990)等也对不同国家或地区的股票市场间的信息传导进行了研究，结果大
都表明市场间存在着波动溢出效应。[5] [3]这些研究在实证上采用Granger-causality testing(格
兰杰因果检验)和协整的方法，来研究不同市场的收益之间的关系。但是，资本市场波动往
往表现出“尖峰”和“厚尾”等典型化的非正态分布特征，模型中的扰动方差存在着自相关和异
方差性，采用传统回归方法容易得出“有偏”和“非一致”的估计结果。自从Engle (1982) 首次
提出ARCH模型以来，在刻化金融市场波动方面得到了广泛的应用。ARCH模型的主要思想
是：扰动项的条件方差依赖于它的前期值的大小。时变条件方差有效克服了无条件方差遗漏
重要特定时点信息的缺陷，为刻画市场波动、描述与防范风险等提供了有力的工具。由此从
收益均值（一阶矩）和方差（二阶矩）两个方面考察市场间的信息传导，会得到更加可信的
结果。Hamao 和Ng (1990) 使用单变量GARCH模型考察了纽约、东京和伦敦三股票市场收
- 2 -
益的一阶矩和二阶矩之间的关系，他们发现来自纽约和伦敦市场的波动会影响到东京市场，
纽约市场影响伦敦市场，而且这种传导关系是单向的。[2]然而，在实证中单变量GARCH模
型把一个市场作为外生变量来考察其对另一个市场的冲击。这就损失了市场相关性中所包含
的有效信息。而在同一个向量框架中分析问题可以充分利用残差向量的协方差矩阵所包含的
信息，从而可以得到更精确的参数估计。Worthington(2004)等把亚洲股票市场分为以日本为
代表的发达资本市场和以印度尼西亚为代表的新兴市场，实证上使用多变量GARCH模型，
分析得出市场之间存在着收益率的均值和方差间的波动和溢出效应，并且指出，这些市场的
自身波动大于市场间的波动，而新兴市场更是如此。[7]Tse (2000) ，Tay 和Zhu (2000)同样
也使用多变量GARCH模型分析了不同市场间的信息传导机制。[6] [4]
国内一些文献也对该问题进行了研究。刘金全、崔畅(2002)采用协整和向量误差修正
模型(VEC) 考察沪、深两市间收益率的长、短期关系，在此基础上构建单变量TGARCH模
型，发现两市间存在显著的波动溢出和“杠杆效应”。[8]赵留彦、王一鸣(2003)和赵华（2007）
都构建了一个双变量GARCH 模型分别对A、B 股和人民币汇率对利率之间波动溢出情况进
行考察，这与我们的研究对象有所不同。[9] [10]谷耀、陆丽娜（2006）考察了沪、深和港三市
场间的信息传导情况，得出香港是影响沪、深市场的世界因素，而沪、深股市则分别是影响
对方的内地因素。但是把港市作为外生变量分析的。无法了解到沪、深两市和港市间的相互
关系。[11]龚扑、李梦玄（2008）用基于加权CCF的方差Granger 因果检验方法, 分析了上证
指数、恒生指数收益序列的波动溢出效应,，并以此信息为依据构建BEKK模型对两序列间的
时变相关性进行了实证检验，结果显示两股市之间的波动溢出并不显著。[12]但是在构建
BEEK模型的协方差矩阵时用对角矩阵，而把另一市场的影响作为外生变量，忽略了两市间
的协方差，因而不能很好地反应市场间的信息关系。
本文不但考察了港、深两市和港、沪两间的收益率的均值和方差的波动溢出效应，同时
也分析了沪、深两市对港市反应的不同及其原因。在实证上，使用基于t分布的两变量GARCH
模型，在此基础上系统地分析了市场间动态相关性，以找出股票市场的特点和市场机制方面
的不足。
3. 多元 GARCH模型
多元GARCH模型是在单变量GARCH模型的基础上发展而来的，由于其残差的协方差矩
阵不但考虑了市场自身的方差而且也包含了市场间的协方差，将两个市场放在同一个框架中
考察，避免了变量的外生性，从而更能准确地刻化市场间的信息流动。
为检验沪、深和港三市间的动态关系，我们建立VAR-MGARCH模型。根据AIC准则我们
选择滞后一阶的向量自回归（VAR（1））。其矩阵形式如下：
1, 1, 1 1,1 11 12
21 222, 2 2, 1 2,
t t t
t t t
R R
R R
εα φ φ
φ φα ε
−
−
⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞= + +⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎝ ⎠⎝ ⎠⎝ ⎠ ⎝ ⎠ ⎝ ⎠
（1）
1, 2,( , )
T
t t tε ε ε= , 1 ~ (0, , )t t tt Hε ν−Ω , 11, 12,
21, 22,
t t
t
t t
h h
H
h h
⎡ ⎤= ⎢ ⎥⎣ ⎦
其中 1ln ( )t t tR P P−= 表示港、沪和深市t日的收益率， tP表示t日的股票价格指数收盘价， tε
为方程（1）的残差项， 1t−Ω 为t-1时刻的信息集， tH 为2×2阶时变条件协方差矩阵。
为描述残差项的波动溢出效应，我们使用MGARCH(1,1)模型，大量的文献表明
- 3 -
GARCH(1,1)模型足以描述金融市场的波动状况，本文也表明MGARCH(1,1)模型完全可以显
现市场间的波动溢出情况。同时为保证残差的协方差矩阵为正定和尽量减少待估参数，采用
Engle和Kroner(1995)提出的BEEK模型来分析，该模型的协方差矩阵依赖于新息平方和的交
叉乘积和市场波动率 tH 的滞后值。其模型如下：
1 1 1t t t tH C C A A G H Gε ε− − −′ ′ ′ ′= + + （2）
2
11 12 11 12 11 12 11 121, 1 1, 1 2, 1
12
21 22 21 22 21 22 21 221, 1 2, 1 2, 1
,
,
t t t
t t
t t t
a a a a g g g g
H C C H
a a a a g g g g
ε ε ε
ε ε ε
− − −
−
− − −
′ ′⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤′= + +⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦⎣ ⎦ （3）
其中C是n×n上三角矩阵，A、G分别是n×n矩阵， ,i ja 表示市场i的波动对市场j的影响，表示
的是ARCH效应，而 ,i jg 表示市场i的波动对市场j冲击的持久性，是GARCH效应。
那么MGARCH-BEEK(1,1)模型的对数似然函数为， 1
1
( ) log ( , )
T
T t t
t
L f Rθ θ−
=
= Ω∑
( )1 12 2
1
2
( )[ ] 12( , ) [1 ]
2( )[ ( 2)]2
n
t t t t t tn
n
f R H H
ννθ ε ενν π ν
− +− −
−
+Γ ′Ω = + −Γ −
其中n为资产数量，v为自由度。最大似然估计采用BHHH算法（Berndt等，1974）来估计函
数中的各个参数。为了检验模型的稳健性，我们使用Ljung-Box Q统计量来检验标准残差的
自相关和异方差性。
4. 实证检验和结果分析
数据的选取和统计特征
采用沪、深和港三市的日收盘价指数作为变量，样本期间从2004年1月1日到2007年12
月30日，选取三个市场同时交易的数据，这样共有906个交易日的收盘价指数，数据来自雅
虎财经。对数据检验的结果表明，三个市场的股票价格指数都没有通过单位根检验，而收益
率都通过了ADF检验和PP检验，说明收益率序列是平稳的，且不存在着长记忆性。对收益
率序列的检验得出，港、沪和深三个市场的偏度分别是， 和，峰度分别是 ，
和 ，JB统计值也都拒绝了正态分布的假设，说明三个市场均有尖峰和偏态，因此我
们采用的基于t分布的多元GARCH模型能够和理地刻化股票市场间的波动情况。
统计结果分析
本文分析了香港股票市场对上海股票市场、香港股票市场对深圳股票市场股票价格指数
的收益率的一阶矩和二阶矩间的动态关系。在均值方程用向量自回归模型（VAR），根据
AIC准则，选择滞后一阶。在计量波动关系上使用基于t分布的MGARCH模型。对模型标准
残差的自相关检验，在滞后12阶情况下，LB统计值均大于10％，说明已不存在自相关；标
准残差平方在滞后12阶时，LB统计值也均大于10％，说明不存在ARCH效应。自由度ν 在统
计上也显著。因此，基于t分布的VAR(1)-MGARCH(1,1)模型是合理的。
- 4 -
表1 VAR(1)-MGARCH(1,1)模型的参数估计
港市对沪市收益率 港市对深市收益率
参数
1R （港市） 2R （沪市） 1R （港市） 2R （深市）
均值方程
iα ()**
()* ()** ()
1iφ 1 () ()* () ()*
2iφ () () () ()
条件方差方程
1ic ()* () ()** ()
2ic 0 () 0 ()**
1ia ()***
()* ()*** ()
2ia () ()*** () (6)***
1ig ()*** ()** (116)*** ()**
2ig () ()*** () ()***
ν ()*** ()***
残差检验
(12)LB () () () ()
2 (12)LB () () () ()
注：***， **， *分别表示在1％，5％，10％的水平统计显著，均值方程和条件方差方程估计中括号
内的值为相应的t统计值，残差检验中括号内的值为Ljung-Box Q统计相应的概率值
首先考察关于收益率的条件均值方程(见表1) ,在港市对沪市和港市对深市这两对市场
上 22φ 都是统计显著的，而两者的 12φ 都不显著，表明港市的收益对内地沪、深两市都有显著
的正效应，即，港市当天的收益率的变化会加剧第二天沪、深市场收益率的变动，信息从香
港市场流向大陆市场，并且港、深市场的 21φ 大于港、沪市场的，表明深市受到港市在收益
率信息上有更为紧密的影响，这是因为深市由于地理位置上相对优势带来信息上的“便利性”,
以及深市企业与外贸依托型的港市企业更为密的经济关系。 11φ 和 22φ 的不显著表明三个市场
上的投资者对来自本市场滞后一期收益信息有较快、较强的消化能力, 基本不受前一日股票
收益变化的影响。
在条件方差方程中，MGARCH模型较好地反应了市场间的信息传导和吸收。两个条件
方差中的 11a 和 44a 都显著，说明三个市场都存在着ARCH效应，表现出时变方差特征。而 11g
和 44g 在统计上显著异于零，表明三市场都存在着GARCH效应，即，波动的持续性，当期
收益率的波动持续到未来，股市前一日的波动会加剧次日波动程度。表现出了资本市场共有
- 5 -
的波动簇聚和持续性特征。对于市场之间的波动溢出效应来说， 21g 和 21a （除去港市对深
市）在统计上显著，说明沪、深两市受到了港市的波动冲击，港市的波动影响到次日沪、深
两市的波动，而 12a 和 12g 不显著，说明市场之间的波动溢出的传导是单向。与上面对均值
方程的分析相同，港、深市场的 21g 大于港、沪市场的，进一步说明了港、深市场间的紧密
的信息联系。
随着经济全球化的发展，中国越来越融入到世界经济体系之中，中国资本市场必然要受
到全球资本市场的影响，香港市场作为全球发达的资本市场之一，自然在收益和波动上领先
于大陆市场，而内地市场相对不太成熟，各种机制不太完善，所以影响了内地市场的新信息
及时、顺畅地传导了香港市场，即，香港市场和内地市场间的信息传导是单向。这和龚朴，
李梦玄（2008）所得的结果不同，可能是选择的样本区间不同，毕竟是香港和内地间的经济
联系是不断加强的，同时在实证模型上也存在着一些不同。
图1显示了沪、深和港市收益率波动时变条件方差，从图中可以看到沪、深两市的收益
率波动方差基本上保持着相同的趋势，且两市波动剧烈,与此相相反，香港市场的条件方差
表现的相对平稳，而且港市收益波动曲线几乎都在沪市收益的波动曲线的下方，说明大陆市
场的波动水平要高于香港市场。具体来说，2005年6月股改的启动，在这里形成了条件方差
的一个极值，2007年的1月，在央行上调存款准备金、经济学家股市泡沫论的出现和房地产
调控政策的出台，沪、深两市相继暴跌，形成了第二个极值，2007年5月30日，上调印花税，
形成了最大的峰值。从中可以看出，几乎股市的每一次较大程度波动都对应着重大政策的出
台或实施，中国股市在某种程度上仍然是政策市，其在机制、法律和法规等方面还不成熟不
完善，而香港市场表现出相对的成熟。这也从一个方面说明了香港市场在信息方面领先于大
陆市场的原因。
.0000
.0004
.0008
.0012
HK SZ SH
2004 2005 2006 2007
图1 沪、深和港市收益率波动时变条件方差变化图
图2 和图3分别是沪、港两市和深、港两市的动态条件相关性变化图。相关系数
1, 2,
1
2
1, 2,
( )
( ( )* ( ))
t t
t
t t
COV R R
VAR R VAR R
ρ = 。由图中可以看出市场间的相关性呈现出明显
的时变特征。且两对市场间的相关系数几乎都大于零，其相关系数的均值分别约为和
，说明两对市场间的相关性不大，这是由于香港市场和大陆市场的分割，信息传导的障
碍和资本市场的成熟程度不同，当然也存在着大陆市场的政策的干预。简单地以2005年6月
为界限，在此之前，港市和沪市、深市之间的相关性波动是很大，甚至是出现了负相关性，
在此期间大陆股票市场正经历着改革前的痛苦，股票市场价值体系的崩溃，投资者信心的严
重不足，使大陆市场和香港市场之间的信息传导很少，两市之间的相关性变小，与此同时“国
- 6 -
九条”的颁布和首次公开发行股票试行询价制度浮出水面等一些政策的颁布和实施，加剧了
大陆股市的波动，同时也使市场间的相关性波动剧烈，2005年6月之后，市场间的相关性有
所增加，尽管仍然存在一些政策的影响，但市场间的相关性波动变得平稳，这与内地股改后，
机制得以进一步得健全，更多的内地企业在港上市，及QDII和QFII的推出，市场之间基于相
同的信息增多而且这种信息更加的透明，流通渠道更加顺畅。沪、港两市和深、港两市的相
关系数的偏度分别为和，从而表明深、港两市的相关性比较稳定，两市之间的联系
更加紧密。因此，对于投资者而言，可以通过两市间资产组合很好的进行风险分散，但也不
能对两市间的这种条件相关性上下波动、起伏的过程视而不见。随着香港和内地之间的经济
发展的加深，两市之间的相关性不断的加强。
.0
.2
.4
.6
.8
2004 2005 2006 2007
图2 沪、港两市间动态条件相关性变化图
.0
.2
.4
.6
.8
2004 2005 20062006 2007
图3 深、港两市间动态条件相关性变化图
5. 结论和建议
本文基于 t分布的 VAR(1)-MGARCH(1,1)，分析了港股价格指数收益率分别对沪市、深
市价格指数收益率间的波动溢出效应。实证结果显示：
首先，市场间存在着港市分别向沪市和深市的波动溢出效应，这种效应只是单向的。
这说明香港市场在信息流上占据着重要的地位。但是香港市场对沪市和深市的影响不同，结
果表明香港市场和深圳市场之间的联系更加紧密。
其次，从三个市场的时变方差来看，内地股票市场波动的更加剧烈，且容易受到政策的
影响，内地市场不太成熟。
最后，三个市场的时变相关性表明，内地股票市场和香港市场存在着一定的相关性，但
是这种相关性并不强，且两地市场间的相关性有不断加强的趋势。香港市场和深圳市场间的
相关性比较平稳，进一步说明了两市在经济上的紧密联系。
由此我们可以得到如下启示：
首先，香港和内地市场间存在信息溢出效应，且香港市场在信息流动上占主导地位，这
为投资者制定投资策略，进行资产组合分散风险和合理地评价 A 股的市场价格提供了理论
依据。分析成因可以有效地评价内地市场上的各种相关政策，找出市场机制存在的缺陷，促
进内地市场不断地成熟和发展。
其次，内地市场属于新兴资本市场，在许多方面不太成熟，容易受到政策的影响。因此，
政府行为应该法制化、程序化，使投资者形成合理的预期，同时不断完善各种法律法规，打
- 7 -
击各种违法行为，加强监管力度，形成良好的股市文化，维护市场的稳定。内地股票市场存
在着“羊群效应”，牛市时，热情高涨，盲目跟风；熊市时，过度悲观，缺少价值投资理念。
因此培育更多的机构交易者，同时增强投资者的风险意识、合规意识，使股票市场趋于理性
化。减少股票市场的波动，更好地发挥资本市场对国民经济的作用。
参考文献
[1] Eun, . and Shim, S. International Transmission of Stock Market Movements [J]. Journal of Financial and
Quantitative Analysis, 1989(24) :41～56.
[2] Hamao, Y. Masulis, . and Ng, V. Correlations in price changes and volatility across international stock
markets [J]. Review of Financial Studies, 1990, 3(2):281～307.
[3] Mathur, T. and Subrahmanyam, V. Interdependencies among the Nordic and US stock markets [J]
Scandinavian Journal of Economics ,1990 (92): 587～597
[4] Tay, . and Zhu, Z. Correlations in returns and volatilities in Pacific-Rim stock markets [J]. Open
Economies Review, 2000, 11(1): 27～47
[5] Taylor, . and Tonks, I. The Internationalization of Stock Markets and the Abolition of UK Exchange
Control [J].Review of Economics and Statistics, 1989 (71): 332～336
[6] Tse, . and Zuo, . Stock volatility and impact of news: the case of four Asia-Pacific markets [J].
Advances in International Banking and Finance, 1996 (2): 115～137.
[7] Worthington A. and H. Higgs. Transmission of Equity Returns and Volatility in Asian Developed and
Emerging Markets: A Multivariate GARCH Analysis [J]. International Journal of Finance & Economics, 2004
(9 )71～80.
[8] 刘金全,崔畅. 中国沪深股市收益率和波动性的实证分析[J]. 经济学（季刊）, 2002 (3) : 885～ 898.
[9] 赵留彦,王一鸣. A、B股之间的信息流动与波动溢出 [J]. 金融研究, 2003 (10) : 142～ 151.
[10] 赵华. 人民币汇率与利率之间的价格和波动溢出效应研究 [J]. 金融研究, 2007 (3):41~49
[11] 谷耀,陆丽娜. 沪、深、港股市信息溢出效应与动态相关性 [J]. 数量经济技术经济研究, 2006 (8): 142～
151.
[12] 龚朴,李梦玄. 沪港股市的波动溢出和时变相关性研究 [J] .管理学报 2008 (1) : 96～100
The Volatility and Spillover between Hong Kong and
Mainland Stock Markets
Li Kaiyu
Department of finance, Southeast University, Nanjing (211189)
Abstract
For investigating accurately the information transmission between Hong Kong stock market and
mainland stock markets. It examines the pattern of information transmission in the two markets, using
the Shanghai composite index Shenzhen and Hang seng stock index. The empirical results show that a
volatility spillover effect is running only unidirectional from the Hong Kong stock market to the
mainland stock markets. Meanwhile the influence of Hong Kong stock market on Shenzhen stock
market is stronger than on Shanghai. Furthermore, as for the time-varying variance and the correlation,
the volatility of the mainland is stronger than Hong Kong stock market, and the correlation becomes
stronger, as the time goes. Comparatively, the correlation between Hong Kong and Shenzhen stock
market is more stable.
Keywords: stock markets; volatility spillover; information transmission; multivariate GARCH
