随着经济金融的发展,金融市场各个行业板块的相互依存性日益增加,从而引发的系统性金融风险也日趋频繁。在金融经济不断发展创新的背景下,金融市场、行业之间的相关结构日益复杂化和多样化的。2015年6月12日,证监会对券商的内部通告,暂停场外配资新端口的接入,并且要求券商开始清理场外配资。上证指数创出5178点之后便是迅猛的调整,到2015年7月9日股指跌至3373点,爆发惨烈的“股灾”。中国迄今为止已经爆发了九次股灾,每次股灾都给投资者带来巨大损失,而相比国外股市的股灾,我国股灾具有自身的一些特点,例如周期短、平均振幅大等。股灾不同于其他一般的股价波动在于,它具有突发性、破坏性、联动性、不确定性的特征。股灾容易引发金融危机、经济危机甚至社会动荡的严重灾难性的后果。而在当代,随着经济不断深入发展,金融不断创新,股票市场中的各行业股票越来越具有一体性、联动性的特点,特别是当金融危机这种极端风险发生的时候。也正是因为股票在极端情况下具有强的相关性,所以股市容易引发全面的暴涨暴跌。因此研究股票之间的联动性及其相关结构越来越具有现实意义。因为金融行业股票在金融极端风险情况下的强相关性,一方面,在风险管理领域,由于风险传染效应,某一金融行业的收益率损失会迅速传播到其他行业,从而引发系统系风险,所以研究股市行业的相关性可以为风险度量和管理提供建议和指导。另一方面,在投资领域,根据马科维茨的理论,投资者在进行资产选择和组合的时候,需要考虑资产之间的相关性,要求选择相关性较小的资产。因此研究股市行业之间的相关性也可以指导投资者进行资产配置。关于资产相关结构的研究还可以应用到很多方面,例如资产定价,保险定价等等,这里不再赘述。本文在参考前人的研究基础之上,对最近这次股灾展开定性、定量分析。特别是定量分析这一块,目前针对极端风险的定量分析很对,但是股灾作为极端风险的一种,这方面的定量分析还比较少,特别是针对本次股灾。对于本次股灾,我们只对股灾期间,行业板块之间表现出强的联动效应进行定量分析。而对于度量资产相关性可以分为线性相关和非线性相关,因此本文对本次股灾的相关性建模既考虑行业板块之间的线性相关又考虑其非线性相关。数据采用中证300行业指数中的四大行业指数的混频数据。混频数据,就是指数据抽样采用不同频率的数据。在本文的混频数据主要包含每日内的5分钟股市收益率和日间收益率这两种频率。而5分钟的股票收益率是一种高频数据,日间收益率是低频数据。在线性相关建模方面,高频数据具有得天独厚的优越性,因为高频数据是日内数据,它比低频的日间数据包含更多的信息,从而它刻画的相关系数矩阵更加精确。所以我们考虑利用高频的资产收益率数据,来刻画线性相关性,其中模型选择的是HAR-type模型,并借照GARCH-DCC模型的思想,估计已实现的方差协方差矩阵。另外考虑到线性相关并不能完全的衡量资产相关性,而基于copula理论的非线性相关性的度量的研究最近几年方兴未艾,所以我们考虑在过滤掉资产的线性相关后,利用copula相关理论来研究标准化残差的非线性相关性。特别是对于多个资产的组合,需要我们用到高维的copula函数,由于高维copula函数估计的困难性,我们考虑利用藤结构理论来分解copula函数。最后,我们考虑到了这些相关性可能是随着时间变化而变化的,所以我们考虑在藤copula的基础上建立时变的copula模型。在时变驱动模型的选择上,本文选择的是GAS(广义自回归得分模型)模型。在计量模型方面的研究是将高频频数据和时变藤结构的copula相结合,所以本文对此的初探是本文的一个创新点。最终实证结果表明,基于电信、金融、消费、能源的四个个行业之间的线性相关在股灾期间有显著的增加,而非线性相关有的显著增加,例如金融和消费,也有是否增加不清楚的,例如电信和消费,也有不变的,例如电信和能源。