人民币汇率与股市的风险溢出效应再检验——基于马尔科夫转换GARCH模型和混合时变copula模型的研究

赵 放，刘雅君

(1.吉林大学经济学院，吉林 长春 130012；2.吉林省社会科学院《社会科学战线》杂志社，吉林 长春 130031)

一、引 言

在当今国际金融市场联系日益紧密的情况下，汇率已经成为影响一国国内股票市场风险的重要因素。刘莉等(2011)从理论上分析了汇率影响股市的三条路径：一是企业效益路径，即汇率会影响进出口企业的生产成本和其产品在国际市场上的竞争力，从而直接影响企业的经营状态，并通过产业链将汇率对生产经营造成的影响进行传递，从而影响整个产业的企业经营状态，进而影响股票市场；二是国际游资路径，即汇率的变化是驱动国际游资流动的主要动力之一，汇率的升降直接影响到国际游资进入一国金融市场的资金量，会增加股票、债券等金融产品的需求，进而拉升其价格；三是市场信心路径，即汇率是一国金融环境和政策稳定性的显性指标之一，汇率的大幅波动会引起投资者，尤其境外投资者对该国投资信心的下降。外资注入的减少或者外资的撤出都会造成金融市场的波动。金融市场同时也是信息市场，投资者预期会沿着信息网络进行传播，造成更为广泛的影响[1]。由此理论分析得出，汇率对股票市场的影响是多重的、多层次的。

刘莉等(2011)的三种理论路径都是基于汇率完全由自由市场决定或者受到较少的政府管制这一基本假设。然而，由于汇率对一国经济发展具有举足轻重的影响，各国政府和央行都会对汇率采取实质上的管制手段。具体到我国，汇率市场与股票市场的风险溢出效应从根本上受到汇率管制制度的影响。在2005年以前，我国政府执行严格的汇率管制制度，只允许汇率在小范围内浮动。2005年7月21日汇率改革以来，我国放弃了盯住美元的外汇管理政策，汇市与股市的联动也开始表现出一定的联动特征，风险溢出效应逐步彰显。2015年8月11日的汇改后，央行进一步放松了汇率管制，放弃了2005年以后执行的对中间价进行管制的基本手段。在这次汇率改革完成后，汇率由外汇市场供求关系与其他货币之间汇率波动共同决定。周爱民等(2017)通过比较2015年汇改前后汇率市场和股票市场波动溢出效应后的CoVaR后发现，汇率改革后汇市和股市之间的风险溢出效应更加明显，正向溢出效应更加明显[2]。这也证明在不同的管控制度下，汇率与股市之间的风险溢出关系具有明显的区别。实际上，曹广喜等(2014)在分析2005年到2011年我国股票市场波动率变化规律之后认为，汇率对股市的影响是具有明显的时变特征[3]。虽然管控制度依旧是影响我国汇率和股市之间关系的根本推动力之一，但是三种理论途径依旧是汇率影响股市的具体道路。综合而言，我国人民币汇率与股票市场之间的风险溢出关系应具有时变特征和多重复合特征。

人民币汇率形成机制的改革与深化是我国金融业稳定和国际化的发展需求，汇率由单向波动转向双向波动将会成为今后人民币交易的常态。在此背景下，人民币汇率的波动会对我国股市价格波动造成何种影响？如何用适当的模型和数据去描述这种影响？这是本文研究的出发点。在以往的研究文献中，学者大多采用单一模型去捕捉汇率与股市之间的动态关系。然而单一的模型只能刻画某种特定的情况，无法对复杂情境进行精准的拟合。我国人民币汇率自身波动性、股市自身波动性与两者之间的风险溢出效应都具有较强的多重复合特征，使用单一模型往往会造成这些重要的复合特征被忽略，致使研究者无法进行深入分析。为了克服以往模型的不足，本文采用两类混合模型来进行研究，用马尔科夫区域转换GARCH模型描述汇率和股票自身的波动特征，用混合时变copula模型来拟合两者之间的联动特征。

二、文献综述

以往学者对汇率与股市之间的关联性做出过深入的研究。Dornbusch等(1980)和Branson(1983)都从理论上分析过汇率和股市之间的收益联动关系，并得出了不同的结论。Dornbusch等(1980)认为汇率对股市有着单向的影响，汇率波动通过影响一国国内企业的现金流和经营状态从而影响整体股市，而股市却无法对汇率的波动产生影响[4]。相反，Branson(1983)认为股市对汇率有着明显的影响，而汇率的变化却无法对股市造成显著的冲击。他们认为国外投资者资金在股市与汇率联动关系中起到了至关重要的中介作用，股价的涨跌通过影响国外投资者的资金流入流出从而影响一国的汇率[5]。随后Granger等(1998)通过研究亚洲金融时期股市暴跌和汇率之间的关系，确认了汇率市场和股票市场之间存在着强烈的因果关系，但遗憾的是没有发现这种关系是单向还是双向[6]。

其他的学者进一步扩展汇率市场和股市的关联性研究，将研究重点由股市和汇市之间是否存在关联性转移到两者之间关联性的对称性和时间结构上来。张兵等(2008)使用滚动窗口法和Granger因果检验法对我国2005年汇率改革后汇率市场和股市的关联性的对称性和时间结构进行了分析，发现在长期我国汇率市场和股票市场在收益率上存在着协整关系，并表现出由汇市到股市的单向影响关系，而在短期汇率和股票收益率的关系则表现出不稳定的变化趋势，相互影响和相互独立彼此交替[7]。Nieh和Yau(2010)同样以汇率改革后的汇率收益率和股票收益率作为研究对象，使用门限协整和动量门限误差修正模型分析了人民币/美元汇率和上海A股关联性并指出，短期汇率与股市之间并不存在显著的关联性，但在长期两者依旧存在着协整均衡关系[8]。张碧琼和李越(2002)使用自回归分布之后模型扩展了汇率对股市的影响的研究范围，实证结果表明，在长期人民币市场汇率与香港股市和内地股市均表现出明显的均衡状态，在短期人民币兑港币汇率和人民币兑美元汇率则与A股市场也表现出突出的相互作用关系[9]。周虎群和李育林(2010)结合J曲线理论、资本流动理论和贸易理论，通过使用协整分析和脉冲响应函数分析了金融危机前后人民币汇率与我国股市之间的关系，研究肯定了两者存在长期均衡关系的同时也确认了两者在短期上存在的误差修正机制，并指出在金融危机时期，两者的关联性明显增强[10]。

汇率市场和股票市场之间的关联性除了表现在水平方向上的收益率联动性，也表现在波动率层面上的风险溢出效应。陈云等(2009)使用人民币兑美元中间价和上证股指为研究对象，分析了汇改前和汇改后两者的波动溢出效应，同时研究确认了两者波动溢出关系具有时变特征。这种时变特征不仅体现在强度上，还体现在方向上[11]。何诚颖等(2013)使用SVTVP-SVAR同时分析了水平层面上和波动层面上人民币汇率与股票市场的关联性，并指出在汇率波动率与股票波动率在不同时点上存在着较大的差异[12]。

三、马尔科夫区域转换GARCH模型

绝大多数的金融时间序列都表现为明显的非线性特征，但出于参数计算的便捷性，模型理解的直观性，模型设计的简易性，多数计量模型都是线性的。马尔科夫区域转换模型是一类典型用于刻画非线性特征的计量模型。Hamilton(1989)最早将马尔科夫机制引入到计量经济的实践中，随后基于马尔科夫机制的计量模型逐渐被主流计量经济学认可[13]。

Gray(1996)最早提出将马尔科夫区域转换机制与传统GARCH模型结合在一起，建立区域转换的GARCH模型[14]。尽管该模型既具有传统GARCH模型可以同时刻画波动率自回归效应和收益率对波动率影响的优点，又可以从非线性角度为波动率的变动进行解释，但是该模型缺乏协方差的解析表达式，导致该模型并不易于解释。

yt|(St=k,Ιt-1)～D(0,hk,t,ξk)

四、混合时变copula模型

依照Sklar(1959)，任意两个随机变量的联合分布函数都可以通过各自的边际分布函数和一个固定的copula函数来表示[16]。由此copula函数成为了研究多维随机变量的重要工具。目前在学术研究和实际应用中常用的copula函数包括椭圆copula函数、极值copula函数和阿基米德copula函数。常见的t-copula函数和正态copula函数都属于椭圆copula函数族，而阿基米德copula函数族则拥有更多不同形式的copula函数。t-copula函数和正态copula函数由于刻画不同随机变量间的尾部相关性的非对称相依特征，故而单独应用存在着局限，需要与其他copula家族函数进行组合，组建混合copula函数。阿基米德copula函数中的Gumbel函数、Clayton函数和SJC函数都是常见的与椭圆函数进行组合从而建立混合copula函数的选择。对比单一的copula函数，混合copula函数有着优良的性质。不少学者的研究指出，混合copula函数不仅有着更好的拟合优度，而且还能结合不同copula函数的优势更加具体地刻画多维随机变量的分布特征。copula函数按照参数的时变特征，可以分为静态copula函数和动态copula函数。相对静态copula函数，动态copula函数可以更加深入地刻画多维随机变量间在不同时点上相关关系的变化。Engle(2002)提出了四种不同的时变copula函数，分别是基于相关系数时变方程的t-copula函数和正态copula函数、基于tau系数的Clayton函数和基于上下尾相依系数的SJC函数[17]。时变t-copula函数和正态copula函数均以Engle(2002)提出的DCC模型为基础建立动态关系。DCC模型可以如下方程表示：

α+β<1,a,β∈(0,1)

对于t-copula函数来说，时变参数只包括相关系数，并不包括自由度参数。

时变Clayton函数对Kendall’s tau进行建模，方程如下：

时变SJC-copula函数分别对上尾相依系数和下尾相关系数进行建模，方程如下：

π(ω+βτt-1+α|u1,t-i-u2,t-i|)

其中，函数π(·)为(1+e-x)-1,用于确保时变系数始终在0和1之间变动。

本文将时变copula函数和混合copula方法结合在一起，利用静态copula函数确定权重，再利用该权重组建动态copula函数，并使用极大似然估计方法获取动态参数信息。最终的动态模型的似然函数可以写为：

LL=W1log(c1)+W2log(c2)

五、变量选择和统计信息

尽管目前人民币汇率变动不再“盯住”美元，而是参考一篮子的货币汇率，但是考虑到美元在国际金融系统中的特殊地位和数据持续性，本文依旧选择人民币对美元汇率作为衡量我国汇率市场变化的指标。同时，本文选取沪深300指数作为我国股票市场变化的衡量指标。样本数据涵盖2010年6月15日到2017年12月31日的日数据。在剔除不匹配数据和极端值后，样本中共含有1701个交易日数据。人民币对美元汇率来自中国货币网，沪深300指数数据来自于来自Choice客户端，数据处理使用R语言3.2.4和Matlab2014a。数据基本统计信息如表1所示。

表1 统计信息

由表1可知，我国汇率市场收益率偏度为负值，为-0.777，表现出轻微的负偏分布特征。沪深300指数收益率峰度为26.673，表现出明显的正偏分布特征，说明更多收益率处在平均收益率之下。汇率市场收益率和沪深300指数收益率的峰度都在3以上，结合两者偏度，有必要对其进行正态分布检验。通过使用Anderson-Darling正态分布检验法对汇率市场收益率和沪深300收益率进行检验，发现两者均未通过正态分布假设，说明在接下来的建模中，不能使用正态分布对这两个市场的收益率和波动率进行建模。

六、实证结果分析

(一)人民币对美元汇率波动率模型估计结果

本文使用基于双区域的马尔科夫转换GARCH模型对人民币兑美元汇率的波动率进行估计。假设双区域分别为基于t分布的标准GARCH(1，1)模型和基于t分布的GJR-GARCH(1，1)模型。采用如此的区域设定的主要原因：一是人民币兑美元的收益率对波动率的影响非对称效应并不明显，仅在某些特定时段上表现出非对称性，故不适合用基于非对称假设的GJRGARCH模型和EGARCH模型对整个样本区间上的数据进行建模；二是人民币兑美元的收益率并未遵从标准正态分布，并且具有尖峰后尾的特征，故使用t分布对其波动率进行拟合。表2给出了基于双区域的马尔科夫转换GARCH模型对人民币兑美元汇率的估计结果。

表2 基于双区域的马尔科夫转换GARCH模型对人民币兑美元汇率的估计结果

其中，Alpha1_0代表标准GARCH模型中的波动率的常数项，Alpha1_1代表标准GARCH模型的ARCH项系数，Beta1 _1代表标准GARCH中的GARCH项系数。当人民币兑美元汇率处于区域1，即服从标准GARCH模型时，其ARCH项系数和GARCH系数均显著大于零，并且GARCH项系数为0.957远大于ARCH项系数0.043，说明此时我国汇率波动率具有明显的集聚效应，上一期的波动率可以对下一期的波动率产生决定性的影响，波动率具有长期的持续记忆性，而上一期收益率对波动率的影响较小，无法对下一期的波动率产生巨大的影响。Alpha1_1代表GJR-GARCH模型中的波动率的常数项，Alpha2_1代表GJR-GARCH模型的ARCH项系数，Alpha2_2代表GJR-GARCH模型非对称效应的系数，Beta2_1代表GJR-GARCH中的GARCH项系数。当人民币兑美元汇率处于区域2，即服从GJR-GARCH模型时，其ARCH项系数和非对称效应系数分别为0.444和0.482，远大于其GARCH项系数0.000，与标准GARCH模型估计结果有着截然相反的情况。这意味着此时我国汇率波动率具有更容易受到上一期收益率的影响，具有更大的随机性，不再表现出明显的集聚效应和长期记忆性。同时，在区域2中非对称效应系数与ARCH项效应系数之和为0.926，并且非对称效应系数大于ARCH项系数，这说明负面收益率是影响下一期汇率波动率的决定性因素，上一期正面收益率对下一期汇率波动率的影响远小于负面收益率，人民币兑美元汇率存在着突出的杠杆效应。

参数P11和P21分别代表人民币兑美元汇率由标准GARCH状态转移成标准GARCH状态的概率和由GJR-GARCH状态转移为标准GARCH状态的概率。P11和P21的数值分别为0.995和0.034，并在1%的置信水平下显著，可见确实存在上述两种状态之间的转移。当汇率处于标准GARCH模型状态时，其无条件波动率为1.521%(年化)；当汇率处于GJR-GARCH模型状态时，其无条件波动率为2.650%(年化)，这说明人民币兑美元汇率存在明显的高、低两种不同变化状态，低频波动时其服从标准GARCH模型，高频波动时其服从GJR-GARCH模型。通过P11和P21的值，可以计算出P12和P22的概率分别为0.005和0.966。较大的P11、P22值和较小的P12和P21值说明，汇率在两种状态之间的转换的概率并不大，更容易保持一个状态不变。汇率波动率处于状态1和状态2的无条件概率分别是0.873和0.127，这说明人民币兑美元的汇率处于低频波动的概率更大，在更长的时间内都处于低频波动率状态，服从标准GARCH模型。

图1给出了基于Markov双区域GARCH模型拟合的条件波动率，图2给出了基于Markov双区域GARCH模型在状态2下的平滑概率。观察图1可知，在2015年之前我国汇率基本上处于低频波动状态，年化波动率基本都在5%以下。对应的，观察图2可知，在2015年以前，波动率处于高频区域的概率鲜有大于0.6的时刻。这说明2015年前，我国汇率处于较为稳定的状态，波动率具有集聚效应，具有明显的长期记忆性和稳定性，这一方面得益于我国政府执行的相对严格的汇率管控制度，另一方面也暗示着2015年我国汇率改革尽管已经向市场化方向前行，但是自由化程度依旧不高，汇率市场没有足够的活力。结合图1和图2可知，2015年8月份的汇改对人民币与美元交易产生了根本性的影响。在汇改之后，人民币兑美元的汇率进入了大幅波动阶段，波动率增加较为剧烈，同时由图2可知，从2015年8月开始人民币兑美元汇率处于区域2的概率显著增加，由原来的0.1上升到0.9。在2015年8月到2016年3月这段时间内，人民币兑美元的波动率不再具有集聚效应，收益率成为人民币汇率变动的关键因素。这在一个侧面反应了市场交易者对2015年后有管理的浮动汇率制度所抱有的不确定态度。汇率市场交易者在这期间更多是根据近期市场表现而不是长期预期进行决策。2016年3月后，汇率变动重新进入低频状态，尽管波动率比以前有所提升，但是表现出了集聚效应和记忆性，说明市场交易者已经熟悉了新汇率政策的市场交易规则，对未来波动有了更有把握的预期。

图1 双区域马尔科夫转换GARCH模型汇的汇率条件波动率(年化)

图2 双区域马尔科夫转换GARCH模型汇率在状态2下的平滑概率

(二)沪深300指数波动率模型估计结果

表3给出了沪深300指数波动率模型的估计结果。观察表3可知，同人民币汇率一样，沪深300指数波动率也存在着明显的区域转换效应。两个状态的无条件波动率分别是26.35%和51.156%，远高于汇率波动率，这也说明股票市场的波动远高于汇率市场。当股票市场进入高频GJR-GARCH状态时，股票市场波动率依旧保持了较高的集聚特征，GARCH项系数为0.389，并在1%水平上显著。同时，股票市场也比汇率市场在高频状态时表现出了更高的杠杆效应。在GJR-GARCH模型中，ARCH项前系数仅为0.001，而非对称效应前系数高达0.772，这说明正面收益率在高频状态状态时对下一期波动率的影响近乎是可以忽略了的，而负面收益则对下一期波动率产生了极大的影响。结合图3和图4可知，沪深300指数的波动率在2015年到2016年年间数值较大，远高于其他年份，而2015年到2016年沪深300指数进入高频状态的概率高达0.95。沪深300指数在高频状态下的反常表现与当时我国股票市场激烈动荡密不可分。2015年到2016年股票市场持续的暴跌和震荡，导致股票交易者对负面收益率异常的警惕。值得注意的是，2015年的汇改和2015年股市震荡在时间上正好发生了重合，期间汇率与股市的风险溢出效应值得进行进一步研究。

表3 沪深300指数波动率模型的估计结果

图3 双区域马尔科夫转换GARCH模型拟合的沪深300指数条件波动率(年化)

图4 双区域马尔科夫转换GARCH模型在沪深300指数状态2下的平滑概率

(三)混合时变copula模型估计结果

在前文介绍的四种时变copula模型中，本文选取基于DCC结果的正态copula模型和时变Clayton-copula模型来分析人民币汇率与沪深300指数的风险溢出效应。利用双区域马尔科夫转换GARCH模型得到人民币兑美元和沪深300指数的残差，使用经验概率分布函数将残差转换为在[0,1]上均匀分布的随机数，再代入模型中。根据人民币兑美元的马尔科夫GARCH模型估计结果，本文按照波动率处于高频和低频状态的概率将总样本分成三个子样本，分别是2010年6月15日到2015年8月14日，2015年8月16日到2016年3月15日，2016年3月15日到2017年12月31日。分别使用混合动态copula模型对三个子样本进行估计。

表4 混合时变copula模型估计结果(样本1)

使用混合动态copula模型对子样本1也就是2015年汇改前数据进行拟合，发现时变Clayton-copula和时变正态copula前的权重为0.434和0.566，两者较为接近，说明Clayton和正态copula共同支配着汇率波动率和股市波动率。时变正态copula模型中Alpha前系数为0.014，并且不在1%水平上显著，这说明前一日汇率与股市波动率的交互项并没有对两者的相关系数产生显著的影响，正态copula模型中的相关系数具有明显的集聚效应。而在时变Clayton模型中，Alpha前系数为-0.244，并且在1%水平上显著，这说明clayton模型中汇率波动率与股市波动率交互项对下一期tau系数产生明显的削弱作用。Tau系数更容易受到上一期的影响。

表5 混合时变copula模型估计结果(样本2)

使用混合动态copula模型对子样本2也就是2015年汇改后到2016年3月14 日的数据进行拟合，结合表4和图2可以发现：当汇率波动率由低频状态进入高频状态后，时变Clayton-copula和时变正态copula前的权重发生了改变，Clayton-copula模型前系数为0.673，正态copula模型前系数为0.327，说明在汇改前后主要是Clayton-copula在支配汇率波动率和股市波动率的变动，下尾关联性更加明显。时变正态copula模型中Alpha系数为0.015，并且不在1%水平上显著，这说明前一日汇率与股市波动率的交互项并没有对两者的相关系数产生显著的影响，Beta系数数值为0.701，并在1%水平上显著，对比表4的结果可以发现：在汇改后的一段时间内，正态copula模型中的相关系数集聚效应减弱了。时变Clayton模型中的Alpha系数为-0.844，并在1%水平上显著，Beta系数为-0.289，也在1%水平上显著，对比汇改前的结果，可以发现汇改后汇率波动率和股票波动率交互项对下一期Clayton-copula中的tau的影响增强了，汇率与股市的风险溢出关系更容易受到市场表现的影响。

表6 混合时变copula模型估计结果(样本3)

表6给出了子样本3数据的混合动态copula模型的拟合结果。对比表5可以发现：当汇率波动率由高频状态重新进入低频状态后，时变Clayton-copula和时变正态copula前的权重又一次发生了改变。Clayton-copula模型前系数为0.410，正态copula模型前系数为0.590，两者比例再一次接近，回归到汇改前的平衡状态。这说明汇改引发的冲击已经逐步为市场所接纳，汇率波动率与股市波动率的联动效应再一次获得了平衡。时变正态copula模型中Alpha系数仅为0.001，并且不在1%水平上显著，这说明前一日汇率与股市波动率的交互项并没有对两者的相关系数产生显著的影响，Beta系数数值为0.939，并在1%水平上显著，对比表4和表5的结果，可以发现：在汇改的冲击结束后，正态copula模型中的相关系数集聚效明显增强。时变Clayton模型中的Alpha系数为-0.123，并在1%水平上显著，Beta系数为-0.693，也在1%水平上显著，对比表4和表5的结果，可以发现：当汇改冲击结束后，Clayton的tau系数的集聚效应也得到了明显的增强，上一期汇率波动率与股市波动率的交互项对tau系数的影响则被减弱。

图5 样本1相关系数变化

图6 样本2相关系数变化

图7 样本3相关系数变化

图5到图6分别给出样本1、样本2和样本3中使用混合动态copula函数计算得到的相关系数。观察图5可知，在2015年汇率改革前汇率市场与股票市场波动率表现出明显的负面相关性，相关系数在-0.1左右波动。观察图6可知，在2015年汇率改革后的一段时间内，汇率市场与股票市场波动率的相关系数出现较为大幅的波动，在[-0.3,0.1]之间徘徊，总体上上表现出调整状态。也是在这个时期，汇率波动率与股市波动率首次出现了正相关性。这说明我国汇率与股市之间风险溢出关系进入了重塑期。图7给出了2016年3月14日之后的我国汇率市场与股票市场之间的相关系数。可以发现：经过调整和重塑之后，我国汇率市场和股票市场进入风险正向溢出的时期，相关系数一直保持正数，并在0.36875之间稳定变动。

七、结 论

本文以2010年6月15日到2017年12月31日的人民币兑美元汇率作为人民币汇率代表，以沪深300指数作为我国股票市场。使用双区域马尔科夫转换GARCH模型分析了汇率市场和股票市场各自的波动特征，并依据汇率市场的波动率的高频状态和低频状态，将样本拆分三个子样本，利用混合时变copula模型分析了各子样本中人民币汇率与股票市场之间的风险溢出关系，得到以下主要结论。

第一，2015年的汇改对我国汇率市场带来了深刻的影响。在2015年之前，我国汇率市场波动率处于相对稳定状态，汇率波动幅度较为有限。尽管这意味着汇率的相对稳定，但是汇率缺乏市场化机制也导致我国汇率变动缺乏弹性，在一定程度上不符合我国金融和经济发展国际化的需求。2015年的汇改让我国汇率市场进入了深度的调整期，以往的波动率聚集效应被打破，意味着固有的人民币汇率决定机制已经被淘汰。在这期间，人民币汇率的收益率成为了其波动率变动的主要影响因素。这也意味着我国汇率市场进入了短期交易为主的阶段，市场对新的汇率管控机制采取了谨慎地试探态度。2016年3月之后，我国人民币汇率波动率具有新的稳定结构和长期持续性，说明新的汇率交易模式已经被市场认可和接受。

第二，2015年汇改重塑了我国汇率市场和股票市场的风险相关性。在2015年之前，我国汇率市场和股票市场风险具有负面溢出效应，这说明在2015年汇改前，我国汇率市场和股票市场风险相关性背离了市场的运行规律，市场之间的联动性不足，汇率市场和股票市场之间资金的流动性不够有效，汇率管控制度存在一定的缺陷。2015年汇改后，汇率市场与股票市场之间联动关系也被重新塑造。2016年后我国股票市场和汇率市场一直表现出明显的风险正面溢出效应。这说明汇改的完成促进了我国股票市场和汇率市场之间的良性互动，增强了两个市场的关联性，更符合我国金融国际化发展的需求。

第三，混合时变copula能够更有效地捕捉我国汇率市场和股票市场的波动关联性。单一的时变正态copula模型无法体现上一期市场交叉项对下一期两者关联性的作用，而单一的时变Clayton模型无法提供全样本区间的联动特征做出优良的拟合。将两者结合起来，则同时补足了两者的缺陷。通过混合时变copula模型，本文发现，在汇率与股票市场联动性调整期间，两者在市场上表现出交互项比以往的持续记忆性更能影响下一期的联动特征。