中美投资者情绪的动态相依性——基于Copula-DCC-GARCH模型和波动率指数的研究

万 千

中国人民大学 书报资料中心，北京 100872

周 亮

湖南财政经济学院 财政金融学院，湖南 长沙 410205

一、引言

行为金融学认为投资者由于情绪和认知偏差的存在，导致其无法做到理性预期和效用最大化，并进而造成市场非有效和资产价格偏离内在价值。基于此，投资者情绪引起了学术界和实务界的广泛关注，如研究情绪对资产价格的影响等。随着金融市场全球化程度的加深，投资者情绪也更容易在不同市场间扩散，如：次贷危机发端于美国，但是恐慌情绪却在全球进行扩散，导致全球市场的下跌；2015年中国股灾，悲观情绪扩散到了其他市场，拖累了欧美股市的下跌；2020年初，新冠肺炎带来的经济增长停滞，导致全球股市纷纷熔断，中国由于疫情控制得当，股市开年即反弹，但是受到欧美股市恐慌情绪的影响，上证指数在3月份再次下挫到2646的低点。在此背景下，研究投资者情绪在中美两国市场间的扩散机制，具有较强的理论和现实意义。

目前对投资者情绪的构造方法，大部分是借鉴Baker and Wurgler(2006)[1]所采用的主成分分析法。但是由于中美两国金融体制的差异，导致在源指标的选择上存在着较大的区别，如IPO数量及首日涨跌幅能够较好地反映美国市场的投资者情绪，但在中国却并不适用；而新增投资者开户数对中国市场投资者情绪进行衡量时表现颇佳，但在美国却应用价值不高。基于此，采用相类似的指标来衡量两国市场的投资者情绪，是研究情绪扩散机制的关键所在。有鉴于目前中国波动率指数(包括iVIX和CVX)推出已经有较长时间，本文拟采用波动率指数来衡量投资者情绪，并利用Copula-DCC-GARCH和Bai & Perron结构突变模型考察中美两国股市投资者情绪的动态相依结构，以有效分析中美两国市场间投资者情绪的扩散机制。

二、文献综述

对投资情绪的早期研究主要关注股票市场中情绪的作用，发现投资者情绪能够显著影响股票的横截面收益率(Baker and Wurgler，2006)。随后有学者将投资者情绪引入其他资本市场，Han(2008)[2]和Nayak(2010)[3]分别研究了投资者情绪对企业债券利差和标普500指数期权市场的影响；Wang(2003)[4]和Bahloul and Bouri(2016)[5]则研究了投资者情绪指标对商品期货收益率及波动率的影响程度。对投资者情绪的度量主要有直接指标和间接指标两种方法，直接指标指的是采用市场调查等方式直接获取消费者对市场涨跌看法的指标，而间接指标指的是通过其他客观指标来间接反映投资者情绪的方法。常用的直接指标有美国个体投资者协会投资者情绪指标(DeBondt，1993[6]；Solt and Statman，1988[7]；Clarke and Statman，1998[8])、投资者智能指数(Fisher and Statman，2000[9]；Lee et al.，2002[10])、消费者信心指数(Lemmon and Portniaguina，2006)[11]、央视看市数据(王美今和孙建军，2004[12])、华鼎多空民意调查结果(余佩棍和钟瑞军，2009[13])等；而在间接指标方面，常用的有基金资金净流入(池丽旭等，2012)[14]、换手率(周亮，2017[15])、新增投资者开户数(鲁训法和黎建强，2012[16])、封闭式基金折价(Delong，1990[17]；易志高和茅宁，2009[18])等，并采用主成分分析法、卡尔曼滤波法等方法将多个指标合成复合指标以更综合全面地反映投资者的情绪变化。

除了这些常用的指标外，波动率指数同样是衡量投资者情绪和市场风险的关键性指标，反映了投资者对市场未来波动性的预期。波动率指数最早由Whaley and Robert(1993)[19]提出，并由芝加哥期权交易所于1993年利用S&P100股指期权的隐含波动率编制了市场波动率指数，并得到了市场的广泛认可和应用。随后全球主要金融衍生品市场均发布了各自的波动率指数，如美国市场的CBOE波动率指数、CBOE DJIA波动率指数等，欧洲市场的EURO STOXX50波动率指数、DAX波动率指数等，韩国市场的KOSPI200波动率指数和印度市场的INDIA波动率指数等。在金融危机等风险事件期间市场避险需求增加，波动率指数会明显上升，因此波动率指数又称“恐慌指数”。Simon and Wiggins(2001)[20]利用波动率指数来衡量投资者情绪，研究了投资者情绪对股指期货市场的影响。李雪飞等(2018)[21]研究发现，不论是在中国还是美国市场中，期权波动率指数在识别风险、指导交易方面均能起到非常大的作用。周亮(2017)[22]则将波动率指数作为综合投资者情绪的一个源指标，构造了复合型的投资者情绪指标，并研究了投资者情绪对股市收益率的影响。

投资者情绪在全球市场间的传染可能加剧金融危机等极端事件在全球范围内的延伸，因此对其的研究显得尤为重要(Wen and Liu，2009[23]；Tsai，2014[24])。Baker et al.(2012)[25]和Chang et al.(2012)[26]认为，市场间资本市场的自由流动是投资者情绪传染的最主要原因，但高质量的信息、法律以及公司治理环境能够减少投资者情绪跨市传染的力度和速度(Chang et al.，2009[27])。对于具体市场间投资者情绪的研究，Hudson and Green(2015)[28]研究了美国市场投资者情绪与英国市场投资者情绪间的传染关系，结果发现英国市场上的投资者情绪受到美国市场投资者情绪的强影响。许祥云等(2014)[29]利用DCC-GARCH模型研究了中国股市和债券市场投资者情绪传染的阶段性特征。文凤华等(2015)[30]通过格兰杰因果检验发现美国市场投资者情绪对中国市场投资者情绪存在单向传导，且随着中国资本市场不断开放，其传染性随之增强，在次贷危机发生期间投资者情绪的传染性达到最大。由此可以看到，对投资者情绪传染的研究仍然不多，且采用的方法主要是格兰杰因果检验或DCC-GARCH等模型，有鉴于Copula函数在研究金融资产尾部相关性中的有效性，本文拟借鉴Jondeau and Rockinger(2006)[31]以及李红权和何敏园(2017)[32]等学者的研究方法，采用Copula-DCC-GARCH来分析中美投资者情绪间的动态相依结构。相较于传统DCC-GARCH模型，Copula-DCC-GARCH模型可以更好地对金融资产的尖峰厚尾现象进行刻画，从而使得分析结论更符合现实。

相对于已有研究，本文的主要贡献在于：第一，通过波动率指数来对投资者情绪进行衡量，相对于采用主成分分析法对间接指标进行综合，能够对投资者情绪进行更直接的刻画，尤其是对市场恐慌情绪的刻画；第二，通过Copula-DCC-GARCH模型研究了中美两国投资者情绪的动态相关系数，可以对金融市场上常见的尖峰厚尾现象进行拟合，且可以对尾部相关性进行更准确的分析，也使得最终的动态相依结构更符合现实情况；第三，通过结构变点检验对中美两国投资者情绪间的传染关系进行了断点检验，通过突变数和突变点发生的时间分析，可以对投资者情绪动态相关系数进行结构分析。

三、研究设计

(一)DCC-GARCH模型

DCC-GARCH模型是可以较好地刻画出金融资产间的波动溢出效应及信息传递过程，在分析金融市场时间序列间的动态相关系数中得到了极其广泛的应用。DCC-GARCH模型的一般形式可以表示为：

ri,t=μi+φirt-1+εi,t+φiεi,t-1，i=1,2,…,k，t=1,2,…,T

(1)

(2)

(3)

(4)

(5)

(6)

(二)Copula-DCC-GARCH模型

由DCC-GARCH模型可以得到标准化残差向量(e1,t,e2,t,…,ek,t)。设(e1,t,e2,t,…,ek,t)的联合分布函数为F，联合密度函数为f，边缘分布函数分别为F1,F2,…,Fk，边缘密度函数分别为f1,f2,…,fk，根据Sklar定理，则存在一个K维的Copula函数C，使得：

F(e1,t,e2,t,…,ek,t)=C(F1(e1,t),F2(e2,t),…,Fk(ek,t))

(7)

令ui,t=Fi(ei,t)，则：

F(e1,t,e2,t,…,ek,t)=C(u1,t,u2,t,…,uk,t)

(8)

设Copula函数C的密度函数为c，对(8)式两边求偏导数则可得：

(9)

很多研究均表明，t-Copula函数在描述金融市场间的相依结构时效果最好(Kole et al.，2007[33]；李红权和何敏园，2017)，因此本文同样选择t-Copula函数来检验本文的相依结构，从而标准化残差向量联合分布函数可以表示为：

(10)

其中，R和v分别表示t-Copula函数的相关系数矩阵和自由度。将t-Copula函数和DCC-GARCH模型相结合，就可以构造出Copula-DCC-GRACH模型，式(10)将变为：

(11)

其中，Rt为DCC-GARCH模型建立的动态条件相关矩阵。Copula-DCC-GRACH模型的对数似然函数则可以表示为：

(12)

通过两个步骤来估计Copula-DCC-GRACH模型的参数：第一步，利用GARCH(1,1)模型估计单一金融时间序列的波动率，获得各序列边缘分布参数的极大似然估计值及标准化残差向量(e1,t,e2,t,…,ek,t)；第二步，将(e1,t,e2,t,…,ek,t)通过概率积分变换为U[0,1]分布，并代入式(12)，则可估计出动态条件相关系数。

(三)Bai & Perron结构突变检验

Bai & Perron结构突变检验法是基于动态规划思想，通过全局最小化残差平方和的循序检验法，能够准确搜寻出最优断点数目以及断点位置(Bai and Perron，1998[34])，主要分为两个步骤：第一步是检验时间序列是否存在结构突变点，原假设为不存在结构突变。若拒绝原假设，则进行第二步。第二步，m个结构突变点与m+1个结构突变点的检验，记为SupF(m+1|m)，即第m+1个突变点的检测是建立在已经检测出的第m个突变点的条件下进行的。如果假设存在m+1个突变点的条件下，模型所有分段区间的残差平方和的最小值比存在m个突变点下模型中的残差平方和的值足够小的话，就接受存在m+1个突变点的假设。重复以上过程，直到检测不出结构突变点为止。

设yt为动态相关系数，假设yt有m个突变点(m+1个区域)，线性回归方程定义为：

yt=cj+ut，t=Tj-1+1,Tj-1+2,…,Tj

(13)

(14)

Bai and Perron(2003)[35]指出在大多数实证应用中M=5已足够。因此本文借鉴Bai and Perron(2003)的思路，在检验过程中将最大突变点个数也设定为5，然后根据最小化贝叶斯信息准则BIC来确定突变点个数。

四、实证分析

(一)波动率指数选取及描述性统计

目前美国股市上最常用的是CBOE(芝加哥期权交易所)于1993年推出的VIX指数，因此本文采用VIX指数对美国股市投资者情绪进行衡量。上海证券交易所和中证指数公司借鉴VIX指数的编制方法，于2016年11月28日发布了基于上证50指数期权的波动率指数(iVIX)，简称“中国波指”，是目前中国股市认可度最高的波动率指数，但是由于种种原因，该指数于2018年2月14日停止发布。而于2014年1月发布的中国波动率指数(CVX)，是中国金融期货交易根据沪深300股指期权仿真交易编制的，具有存续时间长、数据连续性更好的优势。图1报告了CVX指数与iVIX在2016年12月至2018年2月间的走势对比图，从中可以看到，CVX指数比iVIX指数波动更为剧烈，这是由两者编制方法间的差异造成的。为了更好地观察两者趋势间的异同，本文采用HP滤波方法对CVX指数进行降噪，提取出其趋势项，并与iVIX进行比较(图2)。由图2仍然可以看到CVX指数波动更为剧烈，在2017年5月24日以前CVX和iVIX整体保持着下降的趋势，在2017年8月25日以后两者整体保持上涨的趋势；但在2017年5月25日至2017年8月24日间两者的走势几乎相反。

表1报告了CVX指数和iVIX指数在2016年12月至2018年2月的相关系数，从中可以看到，虽然两者在整个样本期间的相关性仅为0.04且不显著，但是从分样本(根据图2中2017年走势明显背离的几个点来区分)来看，除了2017年5月25日至2017年8月24日这一区间，其他时间CVX和iVIX均表现出显著的正相关性，相关系数在0.3左右。2017年5月25日当日上证50指数大涨将近3%，而同期沪深300指数涨幅仅为1.8%，从而导致了iVIX在5月25日当天发生了跳涨，而实际上在2017年5月初“漂亮50”行情已经启动，上证50指数开始大幅领先于其他指数的走势。这也是在2017年5月25日至2017年8月24日间CVX与iVIX指数间的相关系数为显著的-0.43的原因所在，但是两者间的背离走势持续时间并不长，3个月之后两者又开始步调一致，只是由于CVX基于的是仿真交易，因此波动幅度始终更大。综合来看，考虑到CVX数据存续时间更长，与iVIX具有一定的相关性，且CVX的标的指数是沪深300指数，相对于iVIX的上证50指数更具有代表性，因此本文选用CVX来对中国股市的投资者情绪进行衡量。

表1 CVX与iVIX的相关系数表

注：*、**、***分别表示在10%、5%及1%水平下显著；括号内为t值；表3同

图3报告了CVX和VIX的走势图(去除了日历效应，即将两者间非共同日期的数据进行了剔除)，从中可以看到两者的走势相关性较高，经计算，两者的相关系数为0.29，且在1%水平下显著，说明从静态角度看，中美两国股市的投资者情绪具有显著的相依性。从图3同时可以看到，在2018年2月5日VIX指数大幅攀升，随后CVX也大幅上涨，但是VIX随后有所回落，而CVX一直保持在高位。2018年2月5日源于对通胀和加息担忧导致美国股市大幅调整，从而使得VIX指数触及了2015年8月以来的最高水平，从前日的17.3升至37.3，显示恐慌情绪显著增强。由于中国股市受美国股市影响，2018年2月6日跌幅近3%，从而导致了CVX的持续攀升，并在随后一直保持高位，同期iVIX也大幅攀升，并在2018年2月9日达到了33.058的历史最高位(图1)，并在2月14日停止对外公布。若剔除掉2018年2月5日后的数据，CVX和VIX的相关系数高达0.38(在1%水平下显著)，说明中美股市投资者情绪间的相依性很强，恐慌情绪极易在两个市场间传染。表2报告了CVX和VIX在样本区间的描述性统计情况，从中可以看到CVX的数值比VIX要高，且波动性更大，两个指数的偏度均为正、峰度显著大于3，说明两个指数均具有较厚的尾部特征，且上尾更长，表现为两者的最大值均显著超过了均值和中位值。从表2数据可以看到，CVX最大值达到130.39，远超过75%分位值的49.31，VIX的最大值为40.74，同样远超过75%分位值的16.35，说明两个指数易出现极端值，这也是波动率指数经常被称为“恐慌指数”的原因所在，即更容易度量出投资者的恐慌情绪。

表2 CVX和VIX的描述性统计分析

注：Q(0.25)、Q(0.5)和Q(0.75)分别表示25%、50%和75%分位数；表4、表8同

(二)中美投资者情绪的相依性分析

1. Copula-DCC-GARCH模型回归结果。首先采用ARMA-GARCH模型对CVX和VIX序列进行拟合，这里根据AIC准则，采用ARMA(0,1)-GARCH(1,1)模型，考虑到数据的厚尾性，残差项设定为t分布；在得到残差项后，再用Copula-DCC-GARCH模型进行拟合，得到CVX和VIX序列的动态相依性，t-Copula函数在对绝大部分金融数据进行拟合时效果最好，因此本文也选择t-Copula函数进行分析。模型的回归参数如表3所示，从中可以看到，CVX和VIX序列的ARMA-GARCH模型的拟合效果均较好，各系数都显著，a+b<1，残差性的t参数值也非常显著；α、β和ν′为DCC项的参数结果，所有的参数均在1%水平下显著，说明CVX和VIX指数之间存在明显的时变相依性；α值较小，说明上期指数值的冲击对相关系数的影响较小；β值较大，说明两个指数间的联动具有很强的持续性特征。总体来看，Copula-DCC-GARCH模型各参数均非常显著，模型拟合结果较好，能够较好地反映出中美投资者情绪间的动态相依性。

表3 Copula-DCC-GARCH模型参数估计结果

2. 动态相关系数特征分析。图4报告了CVX与VIX指数间的动态相关系数，从中可以看到两个指数间的相关系数呈现出波动起伏特征，整体来看，正相关的时间要远多于负相关的时间。从系数上看，几个极小值分别出现在2014年5月、2016年11月及2018年8月，几个极大值分别出现在2014年7月、2016年1月、2017年9月及2018年12月。2014年5月中国股市仍在筑底，投资者情绪低落，而美股则持续走强，投资者情绪稳中有升，两者走势严重背离，导致动态相关系数较低；2014年7月中国股市开始走出底部，开启了新一轮牛市，投资者情绪持续回升，带来了CVX与VIX相关性的增强；2016年1月中国股指与美国股指的大幅回调，导致CVX和VIX的下跌，两者间的相依性得以提高；2016年11月初，美股出现大涨，而中国股市处于股灾后的横盘期间，CVX代表中国股市投资者情绪低迷，而VIX开始缓和上升，两者表现出反向相关性，但是之后美国宣布了自2015年以来的第二次加息，VIX开始下跌；2017年9月两国股指均处于横盘期间，CVX和VIX均较低迷，从动态相关系数来看，两者相依性较高；自2018年2月VIX达到高点后，CVX在3月也达到高点，区别在于VIX逐步回落，而CVX随后一直维持在较高位置，因此两者间的相依性在2018年2月后持续走低，并在8月达到低点，但是随着2018年12月对美国经济放缓及政府政策的担忧，VIX持续攀升，CVX和VIX间的相依性也持续上涨。

总体来看，由于美国股市和中国股市受到的宏观环境有差异，因此两国股市投资者情绪间的相依性持续变动，但是由于股市之间联动的增强，投资者情绪之间的相依性也越来越高，表现为CVX和VIX间的动态相关系数绝大部分时间都大于零。表4报告了动态相关系数的描述性分析结果，作为比较，还列出了普通DCC-GARCH模型动态相关系数的计算结果。由表4可以看到，CVX与VIX指数之间动态相关性均值为0.2448，中位值(Q(0.5))为0.2881，说明整体来看两者具有正向的相依性，同时可以看到25%分位值为0.0115大于零，说明两者间的正向相依性在绝大部分时间是存在的，虽然最小值为-0.7442，但是只说明两者在某些极端情况下具有很显著的负向相关关系。通过与DCC-GARCH动态相关系数的对比可以发现，Copula-DCC-GARCH模型的动态相关系数无论是均值还是中位值均要低于DCC-GARCH模型的，说明通过引入Copula函数识别指数间的尾部相依性，可以适当降低高估的动态相关关系。从表4最后一列可以看到，两个模型估计结果的相关系数高达0.9，说明从整体变动状况来看，两者间的差异很小，Copula函数的引入更多只是从非线性角度对动态相依结果进行矫正，使得模型的预测结果更为准确。

表4 动态相关系数描述性统计结果

3. 牛熊市下动态相关系数的差异分析。借鉴Cooper et al.(2004)[36]的方法，按照前36个月的收益率平均值作为标准，若当月收益率大于该值称之为牛市状态，反之则称之为熊市状态。根据该方法，本文通过对沪深300指数和标普500指数进行分析，将中国股市和美国股市分别划分为牛熊市，并对牛市和熊市下中美投资者情绪间的动态相关系数进行统计(表5)。其中，最后两列分别是牛市与熊市的均值之差以及相应的配对T检验值，从中可以看到无论是中国还是美国，牛熊市动态相关系数间的数值均非常接近，T值显示两者之差并不显著，说明牛市和熊市时的中美投资者情绪动态相依性并无显著区别，均表现为整体的正向相依性。

表5 牛熊市下动态相关系数的描述性统计

(三)结构变点检验

采用Bai & Perron提出的全局最小化残差平方和方法对CVX和VIX间的动态相关系数进行结构变点检验，表6报告了检验结果，作为对比，同样列出了DCC-GARCH模型相关系数的检验结果。根据BIC原则，Copula-DCC-GARCH模型相关系数有5个结构变点数，而DCC-GARCH模型相关系数只有3个变点。表7报告了结构突变点所对应的时间，从中可以看到DCC-GARCH模型相关系数虽然只有3个变点，但是和Copula-DCC-GARCH模型相关系数中间的三个结构突变时间基本一致，上下相差不超过一周。Copula模型的5个结构突变时间分别是2014年10月15日、2015年8月14日、2016年5月11日、2017年5月24日和2018年2月12日。

表6 Bai & Perron结构突变检验结果

表7 结构突变点对应的时间

根据李红权和何敏园(2017)的研究，本文从金融市场开放程度和风险传染两个方面解释突变时间点。2014年下半年，随着美元持续走强以及全球经济持续低迷，美股开始筑顶，而中国股市由于连续降息，牛市开始启动，与此相对应的，美股投资者情绪开始走低，而中国股市投资者情绪开始走高，两者之间的相依性开始减弱，从图5结构突变点特征图来看，CVX和VIX间的动态相关系数均值从2014年10月15日前的0.2766下降到之后的0.1495；2015年6月中国股市开启了举世瞩目的股灾，政府开始救市，但是却在8月开启第二波跌势，而美股也受到影响开始下跌，CVX和VIX间的相依性开始显著增强，从图5可以看到，动态相关系数均值从之前的0.1495显著上升到了之后的0.4560；伴随着2015年12月美联储的首次加息，美股高位调整，而中国股市也在2016年初进入了股灾后漫长的低位震荡，投资者情绪均十分低迷，两者之间的相依性也下降明显，在2016年5月11日至2017年5月24日间动态相关系数均值仅为-0.031，几乎为零；2017年5月开始，受A股纳入MSCI全球新兴市场指数利好消息刺激，“漂亮50”开始启动，股市也开始走出小牛市行情，同期在经济刺激和税改等政策激励下，美股持续上涨，两国投资者情绪均有所缓和，表现出CVX和VIX的动态相关系数均值上升到了0.4619，此阶段两国投资者情绪间的相依性最高；2018年2月5日源于对通胀和加息担忧导致美国股市大幅调整，VIX指数初级阶段性高点，中国股市也在此时结束了一波小牛市，开始走低，CVX也达到了阶段性高点；所不同的是，随后VIX开始下滑，而CVX一直维持在较高水平，显示中国股市恐慌情绪持续存在，CVX和VIX的相依性也从2018年2月12日前的平均0.4619下降至0.2718。

综合来看，中美两国股市的投资者情绪具有整体的正向动态相依性，只是由于两国经济环境存在差异，在不同的时间段内，相依性也会有不同的表现；从相依性最高的两个阶段(2015年8月14日至2016年5月11日；2017年5月24日至2018年2月12日)来看，两者的均值较为接近，分别为0.4560和0.4619，在前一个阶段两国股市均出现了下跌，而在后一个阶段两国股市均在上涨，说明牛市或熊市对投资者情绪的传染没有明显的差异，这与表5的研究结论是一致的。

(四)稳健性检验

为了使研究结论更具有稳健性，本文采用经HP滤波调整后的CVX和VIX指数进行分析。HP滤波能够对原序列进行降噪，提取出原始序列的趋势项，通过对趋势项分析，可以对之前的研究结论进行一定的补充和佐证。表8报告了调整后时间序列计算的动态相关系数(Copula-HP)及原序列计算结果(Copula)的描述性统计结果，从中可以看到Copula-HP计算出的动态相关系数数值更大，其均值和中位值分别为0.2805和0.3970，均超过了Copula动态相关系数的0.2448和0.2881；同时Copula-HP动态相关系数的波动范围更大，表现为更大的最大值和75%分位值、更小的最小值和25%分位值以及更大的标准差。但是整体来看，两者的相关性极强，相关系数高达0.7439。将Copula-HP动态相关系数(限于篇幅，图略)与图4进行比较，可以发现，两者虽然在具体数值上有差异，但是从高低点的分布来看确实基本一致的。

表8 稳健性检验的描述性统计结果

注：***表示在1%水平下显著

同样对Copula-HP动态相关系数进行结构突变点检验，结果如表9所示。从表8可以看到，根据BIC原则，Copula-HP动态相关系数包括4个结构突变点，依次是2015年8月14日、2016年5月11日、2017年5月22日和2018年3月23日。除了2014年10月15日的结构突变点没有检验出来，以及2018年3月23日与Copula动态相关系数在2018年2月12日的突变点差了1个多月外，其他三个结构突变点与Copula动态相关系数基本吻合。从图5结构突变点特征图可知，4个结构突变点将整个样本期分为5个子时期，每个时期对应的动态相关系数均值依次为0.3314、0.5587、-0.1955、0.5383和0.2642，与Copula动态相关系数的变化趋势也基本吻合。因此，总体来看本文的研究结论是稳健的，即中美两国股市的投资者情绪具有整体的正向动态相依性，但在不同的时间段内，相依性结构会有不一样的表现。

表9 稳健性检验的结构突变检验结果

五、结论与讨论

本文采用CVX波动率指数衡量中国股市的投资者情绪、VIX波动率指数衡量美国股市的投资者情绪，通过构造Copula-DCC-GARCH模型检验了中美两国投资者情绪在2014年1月至2018年12月间的动态相依特征，结果发现，中美两国股市的投资者情绪具有整体的正向动态相依性，其动态相关系数均值为0.2448，在四分之三的时间内动态相关系数均为正值；但是在不同的市场环境下，相依性也会有不同的表现，最极端的情况下，两者的相关系数会低至-0.7442，可是牛市或熊市对投资者情绪的传染没有明显的差异。结构突变点检验将样本区间区分为6段，除了在2014年10月15日至2015年8月14日间，两国投资者情绪的动态相关系数均值(-0.031)略小于零外，其他5个时期投资者情绪动态相关系数均值均远大于0，在2017年5月24日至2018年2月12日间，其均值高达0.4619，充分说明了两国投资者情绪间的强相依性。

本文的研究结论是中国行为金融学理论的有力补充，同时对于监管层和投资者来说具有一定的实践借鉴价值。第一，波动率指数是度量投资者情绪的有效指标，尤其是对恐慌情绪的度量，政府应完善相关指标体系的建立，而不能讳疾忌医，因为波动率指数持续扩大，就认为其会放大投资者的恐慌情况、加剧股市的波动，并进而停止对外的指数发布，这样只会让市场变得更无章可循；第二，中美两国的投资者情绪间存在着显著的正向动态相依性，也就是说外围市场的投资者情绪容易向中国扩散，因此建立金融防火墙十分有必要，当外围市场发生重大经济危机时间时，可以防止因投资者情绪的迅速扩散而影响到中国的金融安全和稳定；第三，投资者应加大对波动率指数的重视和应用，当波动率指数较高时，往往市场情绪较为恐慌，此时较为明智的选择是远离市场或者选择衍生品工具进行对冲，从而降低投资组合的风险。