产业链视角下股价收益的尾部相依性趋势分析

周 伟,杨斯童,陈 燕

(1.云南财经大学 a.金融学院;b.商学院, 昆明 650221;2.东南大学 经济管理学院,南京 211189)

一、引言

产业链作为连接各产业间供求关系的链条式载体,实现了区域产业的专业化分工与高效合作。在由原材料、产品及服务构成的二级产业链内,由于产品流通导致生产企业与销售企业紧密联系,股价波动通过产品供需由生产企业作用于销售企业,使得产业链上的企业之间具备内涵关联性。由于极端环境下企业股价及收益率变动较大,因此考虑其内部市场泡沫影响的重大性及长期性,对极端环境下产业链上的企业相关性进行研究,有助于投资者构建资本市场投资策略,促使企业加强对极端风险的管控。在相关性研究中,由于尾部相关侧重研究极端风险,数据可信度较高而被广泛运用,因此从产业链视角出发,选取具备内涵关联的企业作为样本进行相关性分析,可以避免一般相关性分析中由于数据趋同和内生性进而出现与逻辑相悖的结论。提炼时间序列样本趋势测度与类分方法,构建尾部相依性趋势测度模型,对具备内涵关联的样本进行尾部相依性趋势分析和相关性计算,能够避免样本时间选择的不确定影响,保证相关性测度的稳健性。此外,从思路、方法及应用创新三个方面出发,选取汽车产业链上具备生产内涵相关的企业作为实证样本,对其极端环境下股价收益的尾部相依性展开趋势分析和相关性计算,一方面有助于完善产业链视角下股价收益的尾部相依性研究;另一方面有助于汽车产业链上企业进行极端风险管理,为资本市场投资者制定趋势化差异投资策略提供参考依据。

二、文献综述

目前针对产业链视角下股价收益相关性的研究较少。王世文和侯依青(2020)[22]基于石油产业链视角,采用时变相关Copula函数研究国内原油期货市场收益率的相关性,发现原油、沥青以及聚丙烯期货收益率之间均存在尾部相关性。针对市场内收益率尾部相关性的研究,近年来相关学者对样本区间进行了初步区分,Dajcman(2013)[23]通过区分收益率样本上升及下降区间,研究不同国家之间股市回报存在的尾部关系,进而对比样本之间上下尾相关性的大小。李强等(2017)[24]将收益率时间序列样本进行区间段划分,通过对比真实与拟合数据之间的相关特征,总结收益率序列间的尾部关系特征。黄文彬等(2017)[25]区分活跃与低迷时期的指数研究样本,分析DFII与HS300指数尾部相关的非线性及非对称关系,发现低迷时期两个指数表现出较强的相关性。在金融危机时期,Escanciano等(2021)[26]区分传染期与平稳期样本,研究欧美市场、A股及港股市场之间收益率的尾部相关性;Johansen和Sornette(1999)[27]将样本分为危机前中后时间段,研究危机时期国际股票市场指数之间的尾部依赖结构。综上所述,对于产业链视角下股价收益相关性的研究,初步涉及到对石油产业链内原油期货市场收益率的尾部相关分析,而针对收益率的尾部相关性分析,尽管相关文献对样本区间进行了划分,但是在样本时间段的选择上缺少系统划分方法。因此,充分考虑样本时间选择的不确定影响,为保证相关性测度的稳定性及显著性,在趋势测度及类分基础上,引入尾部相依性的趋势测度模型进行实证研究,为产业链视角下股价收益的尾部相依性趋势分析提供新方法。

对数周期幂率模型最初由Johansen等(1999)[28]提出,Lin等(2014)[29]采用该模型预测了金融市场泡沫,标志着市场崩溃转折点分析的出现。在对数周期幂率模型中,潘娜等(2018)[30]发现金融泡沫表现为比指数更快的价格增长,而反泡沫则表现为价格下降速度快于指数的现象。对数周期幂率模型近年来被广泛应用于不同领域及市场中(赵磊等,2020;于孝建等,2022)[31～32]。在股票市场,Jiang等(2010)[33]将该模型应用于危机时期股市泡沫状态及其振荡运动的研究。在指数研究领域,Brée 和Joseph(2013)[34]以及陈卫华和蔡文靖(2018)[35]等使用其分析指数大幅涨跌趋势,预测泡沫崩溃的临界点。在石油市场,Cheng等(2018)[36]将该模型与遗传算法相结合,研究石油价格泡沫及其特点。在房地产市场,李伦一和张翔(2019)[37]基于该模型测度房地产市场价格泡沫,分析市场内价格泡沫和空间传染效应。由上述分析可知,对数周期幂率模型在划分金融市场的泡沫及反泡沫、分析预测泡沫临界点的运用中具有一定合理性和有效性。因此在尾部相依性的趋势测度模型构建中,采用上述理论为数据处理提供方法。

综上所述,本研究从产业链视角出发,对企业间内涵相关性原理进行深入分析,基于趋势测度及类分方法,构建尾部相依性趋势测度模型,以中国汽车产业链上的企业为实证对象,进行股价收益的尾部相依性趋势分析和相关性计算,同时引入成交额作为外生变量验证实证结论的稳健性。本研究可能的贡献是:首先,以产业链为切入点,丰富了产业链视角下股价收益的相关性研究,为准确评估中国汽车产业链上企业股价收益的尾部相依性提供了经验证据。汽车产业是关乎中国国计民生的重要支柱产业,本研究立足于产业链视角,选取具备生产内涵相关的汽车产业链上企业样本进行实证分析,避免了以往研究中由于数据之间存在趋同性与内生性而出现与逻辑不符的相关性结论,既补充了产业链视角下股价收益的尾部相依性研究,又为促进中国汽车产业链整合升级提供了理论基础。其次,在实证研究中,考虑到以往的研究由于样本数据时间段选择较为随意,进而产生不确定性影响,为保证相关性测度的稳定性和显著性,对时间序列样本引入趋势测度与类分方法,采用尾部相依性趋势测度模型进行相关性分析,为金融市场尾部相依性研究提供了新方法。最后,选取汽车产业链上市公司作为实证样本,进行产业链视角下股价收益的尾部相依性趋势分析及相关性计算,同时引入成交额作为外生变量验证尾部相依性结论的稳健性。研究结论能够指导汽车产业链资本市场投资者制定趋势化差异投资组合策略,有效规避极端风险,促进汽车产业链上企业提高对资本市场极端风险的管理和防范能力,降低企业面临的极端风险。

三、产业链视角下尾部相依性趋势界定及其测度方法

与相关性测度方法不同,本研究立足于产业链视角对股价收益的尾部相依性进行趋势测度及相关性计算。鉴于此,从产业链视角的内涵相关性原理、趋势测度与趋势类分以及尾部相依性趋势测度三方面进行概述。

(一)产业链视角下的内涵相关性原理

在产业链内,由于企业之间产品流通使得股价收益存在相关性。本研究从产业链视角出发,对企业内涵相关性进行分析,为后续研究奠定理论基础。根据起始商和供应商不同,产业链由高到低分为不同级别,考虑到研究的合理性和可操作性,因此只考虑由生产企业和销售企业构成的二级产业链。

如图1所示,在产业链视角下,生产企业将处在产业链前端的原材料或零部件进行采掘及生产制造,销售企业再对这些产品进行深加工和改进处理,转化为生产生活中的最终产品及服务。由于产业链内的相互联系,生产企业的股价波动可能会影响到销售企业,因此初步判断产业链上企业之间存在内涵相关性。

图1 二级产业链

在金融市场上,变量之间的关系越来越体现出非对称非线性特征。研究发现,尾部相依性分析能够较好地反映此类关系。因此,从产业链视角出发,选取生产中存在内涵相关的实证样本进行建模,对其尾部相依性进行计算与分析。根据研究结论,若不存在尾部相依性,即产业链内销售企业不受生产企业股票价格波动的影响,那么即使面临极端环境,销售企业也可以正常运行;若存在尾部相依性,那么在极端环境下,销售企业应积极制定应对措施,最小化生产企业股票价格波动带来的负面影响,并且市场监管机构应加大监管力度,减少市场信息不对称,有效降低投资者损失。

(二)趋势测度与趋势类分

关于趋势测度、类分方法及其模型。一方面,对四类尾部相依性趋势进行界定;另一方面,对尾部相依性趋势测度方法及参数进行说明,为实证分析提供模型及方法。

为了区分尾部关系类别,根据股价波动幅度大小将尾部划分为上尾及下尾趋势两类。在极端环境下,由于价格波动而出现企业股票价格高(低)于其基本价值区间的情况,被定义为趋势泡沫(反泡沫)区间。为了对尾部相依性趋势进行测度,使研究结论具备针对性,将尾部相依性趋势定义为四类,即泡沫上尾、反泡沫上尾、泡沫下尾和反泡沫下尾趋势,具体如图2所示。其中,泡沫上(下)尾趋势,是指涨幅较大(小)的趋势泡沫区间;反泡沫上(下)尾趋势,是指跌幅较小(大)的趋势反泡沫区间。

为了避免样本时间选择较为随意所造成的影响,保证相关性测度的显著性,引入对数周期幂率模型,对时间序列样本进行趋势划分,对数周期幂率函数形式为:

lnw(t)≈A+B(tc-t)δ+C(tc-t)δcos[υln(tc-t)+φ]

(1)

(三)尾部相依性的趋势测度

构建尾部相依性趋势测度模型,总结四类尾部相依性趋势的判别条件,分析不同尾部相依性趋势下企业的相关关系,为实证结果分析奠定基础。

表1 四类尾部相依性趋势判别条件

在后续的实证分析和稳健性检验中,从收益率和成交额两个方面对比分析得出产业链视角下股价收益的尾部相依性结论。若存在泡沫上尾相关,即当生产企业的股票价格涨幅较大时,销售企业受其影响股票价格上升的概率也较大,泡沫下尾同理。若存在反泡沫上尾相关,则生产企业的股票价格小幅下降也会对销售企业产生较大影响,反泡沫下尾同理。若泡沫(反泡沫)区间内均存在上下尾相关,则可以通过相关系数大小的对比得出生产企业不同波动幅度对销售企业的影响。

四、产业链视角下股价收益的尾部相依性实证

以上分析从产业链视角解释了企业的内涵相关性,从趋势测度和趋势类分角度对样本时间选取进行了量化区分,最终从尾部相依性趋势定义和建模角度提出了具体计算模型。基于此,以中国汽车产业链上的企业为实证研究对象,具体为汽车制造上市公司和交通运输上市公司,结合前述理论分析和模型构建,进行实证检验。研究结论一方面能够展示研究主题的必要性和可行性;另一方面能够为汽车产销行业的股票投资或极端风险管理提供理论参考。

(一)样本选取

基于汽车产业链上市公司,对产业链上股价收益的尾部相依性进行趋势分析和相关性测算。汽车产业作为中国国民经济的战略性产业,具有规模优势明显、带动作用强劲、产业链覆盖面广、国际化程度较高等特点(綦良群和胡乃祥,2012;吕越和邓利静,2023)[38～39]。至2022年,中国汽车产销总量已连续14年稳居全球第一,汽车商品零售占中国社会消费品零售总额的比重达1/10。考虑到汽车产业作为《中国制造2025》战略目标实现的重要一环(李菲菲等,2019)[40],以及汽车产业链在中国国民经济中的战略地位,因此以汽车产业链为切入点,系统分析汽车产业链上企业之间的内涵相关性原理,基于趋势测度和类分方法,构建尾部相依性趋势测度模型,对中国汽车产业链上企业股价收益的尾部相依性进行实证分析,从而为极端环境下资本市场投资组合策略构建和企业极端风险防控提供理论依据。

选取汽车产业链上汽车制造上市公司和交通运输上市公司作为样本,其原因为:汽车产业链的上下游产业横跨第二产业和第三产业,涉及多个相关产业部门。一般而言,狭义的汽车产业只包含整车企业和零部件企业,广义的汽车产业链则包括上游的原材料生产部门和下游的相关服务业(支燕和白雪洁,2011)[41]。目前,大型汽车生产商不断向产业链上游的零部件制造和下游的交通运输等环节延伸。汽车制造作为产业链上的生产企业,其汽车产成品是销售企业交通运输必不可少的工具,在极端环境下,由于需求与价格变动密切相关,汽车制造上市公司的股价波动可能会影响到交通运输上市公司的股价,所以企业之间可能存在内涵相关(潘啸松和陈慧慧,2011)[42]。因此,选取生产中存在内涵相关的汽车制造上市公司和交通运输上市公司作为实证样本进行建模,对其在极端环境下股价收益的尾部相依性进行趋势分析和相关性计算。

在具体取样中,分别选取汽车制造业中的龙头上市公司万向钱潮和松芝股份、交通运输业中的龙头上市公司交运股份和南方汇通作为实证研究对象,进行尾部相依性的趋势分析和相关性测算。选取上述四家上市公司作为研究对象的主要原因为:万向钱潮是国内最大的独立汽车零部件系统供应商之一,松芝股份是国内最大的大中型客车空调制造商,均是汽车产业链上游汽车制造业的龙头上市公司;交运股份是中国交通运输行业中的大型骨干企业,南方汇通是中国物流行业中较早进入资本市场的企业之一,均是汽车产业链下游交通运输业的龙头上市公司。

行业龙头股不仅代表着投资机会,而且代表着资本市场中可能存在的极端风险。龙头股通常是行业领先的公司,具有强大的品牌和竞争优势,其业绩和股价表现对整个行业和市场具有引领作用。同时,龙头股更容易被机构投资者认可,更能够吸引资金的参与,也更能够给投资者带来巨大收益。然而,资本市场中的极端行情往往是由某个板块带动的,而板块中并不是所有个股都随着板块波动,而是由行业的龙头股带动板块的其他个股波动。因此,股票龙头股虽然具有较高的安全边际和回报潜力,但同时也存在较高风险。在极端行情下,投资者可以通过分析龙头股的基本面和技术面来制定投资策略,对资本市场的未来表现进行预测,制定差异化投资组合策略,降低极端风险带来的损失。基本面包括公司财务状况、行业发展趋势和竞争优势等,技术面则包括股价走势、交易量和市场情绪等。

综上所述,选择汽车产业链上游汽车制造业龙头上市公司万向钱潮和松芝股份、下游交通运输业龙头上市公司交运股份和南方汇通作为研究样本,分析极端行情下汽车产业链上企业股价收益的尾部相依性,有助于投资者根据龙头上市公司在资本市场上的表现以及自身风险承受能力,合理配置投资组合并制定投资目标,有效规避极端风险,同时为汽车产业链上的企业参照龙头上市公司进行极端风险管理和防范提供了理论依据。

考虑到市场行情的多变性和样本数据的充足性,选取“2009/07/15-2019/07/12”近10年日收盘价格,通过对数据缺失值的处理,得到万向钱潮2410个数据,松芝股份2129个数据,共4539个数据;交运股份2368个数据,南方汇通2215个数据,共4583个数据。从图3可以看出,汽车制造上市公司和交通运输上市公司的股票价格走势总体上基本一致,可以初步推断企业之间存在相关性。

图3 价格趋势图

(二)趋势行情分段

在样本选择基础上,对样本区间进行趋势分段。在趋势划分中,与以往选取标普500或沪深300作为参考不同,而是从研究对象中选取具有明显周期性的汽车制造上市公司作为参考,以提高趋势划分的针对性。

由图3可知,万向钱潮和松芝股份的股价分别在“2010/11/29、2012/11/29、2015/06/15、2018/10/16”和“2010/12/17、2012/12/04、2015/06/04、2018/12/26”经历了4次剧烈波动。根据图3所示,对上述可能存在趋势泡沫及趋势反泡沫的区间进行初步分段:万向钱潮趋势泡沫和趋势反泡沫期分别为:“2009/08/19-2010/11/29、2012/11/30-2015/06/15”和“2010/11/30-2012/11/29、2015/11/13-2018/10/16”;松芝股份趋势泡沫和趋势反泡沫期分别为:“2012/12/05-2015/06/04”和“2010/12/17-2012/12/04、2015/06/05-2018/12/26”。并采用对数周期幂率模型及其判别条件,对上述区间进行拟合判断。

图4至图7分别为万向钱潮和松芝股份的趋势泡沫和趋势反泡沫区间拟合图,表2和表3分别为模型拟合参数和危险率正数条件判定表,根据图形和表格数据可以得到以下结论:

表2 趋势泡沫与趋势反泡沫区间模型拟合参数

表3 趋势泡沫与趋势反泡沫区间危险率正数条件判定表

图4 万向钱潮趋势泡沫区间拟合图

图5 万向钱潮趋势反泡沫区间拟合图

图6 松芝股份趋势泡沫区间拟合图

图7 松芝股份趋势反泡沫区间拟合图

一是万向钱潮在“2009/08/19-2010/11/29、2012/11/30-2015/06/15”区间,松芝股份在“2012/12/05-2015/06/04”区间,B<0,0<δ<1,tc>t,股票价格加速上涨。由表3可知,万向钱潮在“2009/08/19-2010/11/29”区间不存在趋势泡沫风险,在“2012/11/30-2015/06/15”区间存在趋势泡沫风险,松芝股份在“2012/12/05-2015/06/04”区间存在趋势泡沫风险。

二是万向钱潮在“2010/11/30-2012/11/29、2015/11/13-2018/10/16”区间,松芝股份在“2010/12/17-2012/12/04、2015/06/05-2018/12/26”区间,B>0,δ>0,tc>t,股票价格加速下跌。由表3的结果可知,万向钱潮在“2010/11/30-2012/11/29、2015/11/13-2018/10/16”区间均存在趋势反泡沫风险,松芝股份在“2010/12/17-2012/12/04”区间存在趋势反泡沫风险,在“2015/06/05-2018/12/26”区间不存在趋势反泡沫风险。

综上所述,万向钱潮存在一个趋势泡沫区间和两个趋势反泡沫区间,松芝股份存在一个趋势泡沫区间和一个趋势反泡沫区间。由于万向钱潮“2015/11/13-2018/10/16”区间部分参数值为零,虽然符合判定条件但说服力不强,为了使研究结论更具合理性和说服力,因此选取万向钱潮“2012/11/30-2015/06/15”和“2010/11/30-2012/11/29”分别作为趋势泡沫与趋势反泡沫区间,选取松芝股份“2012/12/05-2015/06/04”和“2010/12/17-2012/12/04”分别作为趋势泡沫与趋势反泡沫区间,进行股价收益的尾部相依性趋势分析和相关性计算。

(三)尾部相依性的趋势分析实证

基于前文划分的趋势泡沫与趋势反泡沫区间,采用尾部相依性趋势测度模型,对相关性进行分析。由于价格非平稳,使用其分析尾部关系说服力不强,因此选用收益率时间序列,为便于比较,将收益率做如下处理:Q(t)=(lnPt-lnPt-1)×100,其中,Q(t)和Pt分别表示t时期上市公司的收益率和收盘价,Pt-1表示t-1时期上市公司的收盘价。表4为样本的收益率描述性统计,4个研究对象均不符合线性特征的正态分布假设,呈现出非线性特征。

表4 收益率描述性统计表

实证部分采用多系列Copula方法分别对四类尾部相依性趋势进行了测度。由图8至图11的拟合结果可知:一方面,万向钱潮与南方汇通泡沫上下尾的密度图均有明显的数据凝聚,并且轮廓图线条集聚清晰,说明两者在泡沫上下尾均存在尾部相关,同理,反泡沫上下尾趋势也存在尾部相关;另一方面,松芝股份与交运股份泡沫上下尾、反泡沫上下尾的密度图均有明显的数据凝聚,并且轮廓图线条集聚清晰,说明两者在泡沫上下尾和反泡沫上下尾均存在尾部相关。

图8 万向钱潮与南方汇通四类尾部相依性趋势密度图

图9 万向钱潮与南方汇通四类尾部相依性趋势轮廓图

图10 松芝股份与交运股份四类尾部相依性趋势密度图

图11 松芝股份与交运股份四类尾部相依性趋势轮廓图

五、进一步分析

根据前述尾部相依性的趋势分析实证结果,四类尾部趋势下汽车产业链上企业的股价收益呈现出明显不同的尾部相关关系。对此,进一步结合估计参数和图形趋势,计算四类趋势尾部相依性的大小,对比和分析汽车产业链上企业的四类尾部相依性关系。在此基础上,为了后向验证尾部相依性结论的合理性和有效性,引入成交额作为外生变量,分析趋势泡沫及趋势反泡沫区间汽车产业链上企业的量价关系,以丰富尾部相依性的相关研究,验证本文研究结论的稳健性。

(一)尾部相依性计算

结合尾部相依性趋势拟合图,根据输出参数,对股价收益四类趋势的尾部相依性系数进行计算,结果如表5所示。

表5 四类尾部相依性趋势参数及尾部相关系数

根据计算结果,总结得出以下结论:

一是汽车产业链上企业在趋势泡沫及趋势反泡沫期均存在尾部相关,并且趋势反泡沫期尾部相关系数较大,相关性更强。该现象说明,在趋势反泡沫期,人们对市场预期及信心减弱,对损失较为敏感,生产企业股票价格降低较容易影响销售企业,企业之间相关性较强。由于上述特点容易被套利操作者所利用,因此市场监管机构应当加强监管力度,消除市场信息不对称,严格监控企业之间的流动性及相关性变化,各企业也应当加强极端风险管理,提供实时的价格及收益率数据,有效降低损失。

二是汽车产业链上企业在趋势泡沫期,上尾相关系数大于下尾,上尾趋势呈现出较强的相关性。该现象表明,在趋势泡沫期,当生产企业出现股票价格剧烈上涨时,其销售企业会表现出较强的关联反应,企业之间协同波动趋势较明显。因此,当汽车生产企业在“大牛市”收益率较高时,投资者可以根据上述结论初步判断汽车销售企业的波动趋势,结合市场整体行情及风险收益等各方面因素,制定趋势化差异投资策略。

三是汽车产业链上企业在趋势反泡沫期,下尾相关系数大于上尾,下尾趋势呈现出较强的相关性。该现象表明,在趋势反泡沫期,当生产企业股票价格出现剧烈下跌时,其销售企业会表现出较强的相关反应,企业之间的波动同步性增强。因此,在“大熊市”背景下,投资者对市场预期较低,当汽车生产企业收益率下降时,其销售企业的同步下跌容易导致非理性投资,此时投资者应当结合上述理论及市场多方面因素,保持理性思维,合理制定自身投资策略,最小化极端行情造成的损失。

(二)稳健性检验

在汽车产业链企业尾部相依性的趋势分析中,由于收益率数据计算会产生正负值,比较中存在符号转换问题。为减少上述问题对研究结论产生的影响,进一步验证尾部相依性趋势分析结论的稳健性,引入成交额作为外生变量,对趋势泡沫期及趋势反泡沫期汽车产业链上企业的量价关系进行分析,完善尾部相依性趋势分析的相关性结论。

产业链上企业的成交额,是指企业在市场上同一时间段成交的总金额。在极端环境下,不同企业可能由于产品价格变动呈现出不同的成交额变动趋势。通过对比,若企业在趋势泡沫期与趋势反泡沫期的成交额变动趋势一致,说明企业在区间内的关联性较强,反之则较弱。为了便于比较,对成交额变量进行对数化处理。

图12为汽车产业链上企业在趋势泡沫期及趋势反泡沫期的成交额趋势图,为了验证研究结论的稳健性,成交额趋势图数据时间段使用前文划分的趋势泡沫区间及趋势反泡沫区间,成交额趋势图框内分别对应趋势泡沫上尾(成交额较高)和趋势反泡沫下尾(成交额较低)。根据成交额趋势图,得到以下结论:

一是在趋势泡沫期,汽车产业链上企业的成交额变动趋势整体一致,并且方框内两个企业的成交额趋势更为同步,即在趋势泡沫期,成交额越高,企业的同步性越强。同理,在趋势反泡沫期,汽车产业链上企业的成交额整体趋势一致,并且方框内的成交额趋势更为同步,即在趋势反泡沫期,成交额越低,企业的同步性越强。上述现象说明,趋势泡沫期高成交额和趋势反泡沫期低成交额,汽车产业链上企业的关联性更强。

二是上述现象验证了本研究结论的稳健性,即汽车产业链上生产企业和销售企业的收益率和成交额在趋势泡沫期及趋势反泡沫期均存在同步变化的相关性。在趋势泡沫期,高收益率伴随着高成交额,生产企业和销售企业在上尾趋势段呈现较强的相关性;在趋势反泡沫期,低收益率伴随着低成交额,生产企业和销售企业在下尾趋势段呈现较强的相关性。因此,汽车生产企业股票的暴涨暴跌容易影响销售企业,说明企业之间存在较强的尾部关联性趋势。

六、结论和建议

基于股价收益的相关分析,采用从理论分析到量化计算与结论建议的研究思路,即立足于产业链视角选择具备内涵关联的企业为研究对象,进一步具体取样、建模和计算,然后基于计算结果得出相关性结论和建议。由于研究对象具备内涵关联性,因此计算过程避免了一般相关分析可能出现的有悖实际的结论,丰富了产业链视角下股价收益的尾部相依性研究。此外,考虑到样本时间跨度选择的不确定影响与相关性测度的稳定性和显著性,进一步提炼了时间序列的趋势测度与类分方法,并在此基础上建立尾部相依性的趋势测度模型,为产业链视角下股价收益的尾部相依性趋势测度提供了新方法。考虑到样本可得性以及产业链的关联性,选用汽车产业链上市企业为样本,立足上述思路和方法,进行系列实证分析,研究结论有助于指导汽车产业链上企业进行极端风险管理,为资本市场投资者制定趋势化差异投资策略提供了参考依据。基于理论分析和实证计算,得到以下结论:

第一,汽车产业链上企业在趋势泡沫期及趋势反泡沫期存在尾部相关,并且趋势反泡沫期相关性更强,即两个行业较容易出现股票价格交错下跌的行情。

第二,汽车产业链上企业在趋势泡沫期,生产企业与销售企业在上尾趋势段呈现较强的相关性,即当汽车生产企业出现高收益率或高成交额时,销售企业将大幅协同波动。

第三,汽车产业链上企业在趋势反泡沫期,生产企业与销售企业在下尾趋势段呈现较强的相关性,即当汽车生产企业出现低收益率或低成交额时,销售企业将大幅协同波动。

第四,汽车产业链上企业收益率与成交额之间存在同步变化的相关性,即高(低)收益率伴随着高(低)成交额。

综上所述,本研究立足于汽车产业链视角,对股价收益的尾部相依性进行了趋势分析和相关性计算,研究结论能够为上市企业的极端风险管理与趋势化差异投资提供量化参考。

需要指出的是,本研究侧重于理论分析、方法构建和实证计算,如何根据实证结果进行具体的产业投资建议和极端风险管理还需要进一步探讨。同时,本研究仅以汽车产业链为样本,后续研究可以考虑多条产业链之间的互动关系,以进一步展开产业链之间企业的关联性分析。