人民幣匯率與股市的風險溢出效應再檢驗
——基于馬爾科夫轉換GARCH模型和混合時變copula模型的研究

趙 放，劉雅君

(1.吉林大學經濟學院，吉林 長春 130012；2.吉林省社會科學院《社會科學戰線》雜志社，吉林 長春 130031)

一、引 言

在當今國際金融市場聯系日益緊密的情況下，匯率已經成為影響一國國內股票市場風險的重要因素。劉莉等(2011)從理論上分析了匯率影響股市的三條路徑：一是企業效益路徑，即匯率會影響進出口企業的生產成本和其產品在國際市場上的競爭力，從而直接影響企業的經營狀態，并通過產業鏈將匯率對生產經營造成的影響進行傳遞，從而影響整個產業的企業經營狀態，進而影響股票市場；二是國際游資路徑，即匯率的變化是驅動國際游資流動的主要動力之一，匯率的升降直接影響到國際游資進入一國金融市場的資金量，會增加股票、債券等金融產品的需求，進而拉升其價格；三是市場信心路徑，即匯率是一國金融環境和政策穩定性的顯性指標之一，匯率的大幅波動會引起投資者，尤其境外投資者對該國投資信心的下降。外資注入的減少或者外資的撤出都會造成金融市場的波動。金融市場同時也是信息市場，投資者預期會沿著信息網絡進行傳播，造成更為廣泛的影響[1]。由此理論分析得出，匯率對股票市場的影響是多重的、多層次的。

劉莉等(2011)的三種理論路徑都是基于匯率完全由自由市場決定或者受到較少的政府管制這一基本假設。然而，由于匯率對一國經濟發展具有舉足輕重的影響，各國政府和央行都會對匯率采取實質上的管制手段。具體到我國，匯率市場與股票市場的風險溢出效應從根本上受到匯率管制制度的影響。在2005年以前，我國政府執行嚴格的匯率管制制度，只允許匯率在小范圍內浮動。2005年7月21日匯率改革以來，我國放棄了盯住美元的外匯管理政策，匯市與股市的聯動也開始表現出一定的聯動特征，風險溢出效應逐步彰顯。2015年8月11日的匯改后，央行進一步放松了匯率管制，放棄了2005年以后執行的對中間價進行管制的基本手段。在這次匯率改革完成后，匯率由外匯市場供求關系與其他貨幣之間匯率波動共同決定。周愛民等(2017)通過比較2015年匯改前后匯率市場和股票市場波動溢出效應后的CoVaR后發現，匯率改革后匯市和股市之間的風險溢出效應更加明顯，正向溢出效應更加明顯[2]。這也證明在不同的管控制度下，匯率與股市之間的風險溢出關系具有明顯的區別。實際上，曹廣喜等(2014)在分析2005年到2011年我國股票市場波動率變化規律之后認為，匯率對股市的影響是具有明顯的時變特征[3]。雖然管控制度依舊是影響我國匯率和股市之間關系的根本推動力之一，但是三種理論途徑依舊是匯率影響股市的具體道路。綜合而言，我國人民幣匯率與股票市場之間的風險溢出關系應具有時變特征和多重復合特征。

人民幣匯率形成機制的改革與深化是我國金融業穩定和國際化的發展需求，匯率由單向波動轉向雙向波動將會成為今后人民幣交易的常態。在此背景下，人民幣匯率的波動會對我國股市價格波動造成何種影響？如何用適當的模型和數據去描述這種影響？這是本文研究的出發點。在以往的研究文獻中，學者大多采用單一模型去捕捉匯率與股市之間的動態關系。然而單一的模型只能刻畫某種特定的情況，無法對復雜情境進行精準的擬合。我國人民幣匯率自身波動性、股市自身波動性與兩者之間的風險溢出效應都具有較強的多重復合特征，使用單一模型往往會造成這些重要的復合特征被忽略，致使研究者無法進行深入分析。為了克服以往模型的不足，本文采用兩類混合模型來進行研究，用馬爾科夫區域轉換GARCH模型描述匯率和股票自身的波動特征，用混合時變copula模型來擬合兩者之間的聯動特征。

二、文獻綜述

以往學者對匯率與股市之間的關聯性做出過深入的研究。Dornbusch等(1980)和Branson(1983)都從理論上分析過匯率和股市之間的收益聯動關系，并得出了不同的結論。Dornbusch等(1980)認為匯率對股市有著單向的影響，匯率波動通過影響一國國內企業的現金流和經營狀態從而影響整體股市，而股市卻無法對匯率的波動產生影響[4]。相反，Branson(1983)認為股市對匯率有著明顯的影響，而匯率的變化卻無法對股市造成顯著的沖擊。他們認為國外投資者資金在股市與匯率聯動關系中起到了至關重要的中介作用，股價的漲跌通過影響國外投資者的資金流入流出從而影響一國的匯率[5]。隨后Granger等(1998)通過研究亞洲金融時期股市暴跌和匯率之間的關系，確認了匯率市場和股票市場之間存在著強烈的因果關系，但遺憾的是沒有發現這種關系是單向還是雙向[6]。

其他的學者進一步擴展匯率市場和股市的關聯性研究，將研究重點由股市和匯市之間是否存在關聯性轉移到兩者之間關聯性的對稱性和時間結構上來。張兵等(2008)使用滾動窗口法和Granger因果檢驗法對我國2005年匯率改革后匯率市場和股市的關聯性的對稱性和時間結構進行了分析，發現在長期我國匯率市場和股票市場在收益率上存在著協整關系，并表現出由匯市到股市的單向影響關系，而在短期匯率和股票收益率的關系則表現出不穩定的變化趨勢，相互影響和相互獨立彼此交替[7]。Nieh和Yau(2010)同樣以匯率改革后的匯率收益率和股票收益率作為研究對象，使用門限協整和動量門限誤差修正模型分析了人民幣/美元匯率和上海A股關聯性并指出，短期匯率與股市之間并不存在顯著的關聯性，但在長期兩者依舊存在著協整均衡關系[8]。張碧瓊和李越(2002)使用自回歸分布之后模型擴展了匯率對股市的影響的研究范圍，實證結果表明，在長期人民幣市場匯率與香港股市和內地股市均表現出明顯的均衡狀態，在短期人民幣兌港幣匯率和人民幣兌美元匯率則與A股市場也表現出突出的相互作用關系[9]。周虎群和李育林(2010)結合J曲線理論、資本流動理論和貿易理論，通過使用協整分析和脈沖響應函數分析了金融危機前后人民幣匯率與我國股市之間的關系，研究肯定了兩者存在長期均衡關系的同時也確認了兩者在短期上存在的誤差修正機制，并指出在金融危機時期，兩者的關聯性明顯增強[10]。

匯率市場和股票市場之間的關聯性除了表現在水平方向上的收益率聯動性，也表現在波動率層面上的風險溢出效應。陳云等(2009)使用人民幣兌美元中間價和上證股指為研究對象，分析了匯改前和匯改后兩者的波動溢出效應，同時研究確認了兩者波動溢出關系具有時變特征。這種時變特征不僅體現在強度上，還體現在方向上[11]。何誠穎等(2013)使用SVTVP-SVAR同時分析了水平層面上和波動層面上人民幣匯率與股票市場的關聯性，并指出在匯率波動率與股票波動率在不同時點上存在著較大的差異[12]。

三、馬爾科夫區域轉換GARCH模型

絕大多數的金融時間序列都表現為明顯的非線性特征，但出于參數計算的便捷性，模型理解的直觀性，模型設計的簡易性，多數計量模型都是線性的。馬爾科夫區域轉換模型是一類典型用于刻畫非線性特征的計量模型。Hamilton(1989)最早將馬爾科夫機制引入到計量經濟的實踐中，隨后基于馬爾科夫機制的計量模型逐漸被主流計量經濟學認可[13]。

Gray(1996)最早提出將馬爾科夫區域轉換機制與傳統GARCH模型結合在一起，建立區域轉換的GARCH模型[14]。盡管該模型既具有傳統GARCH模型可以同時刻畫波動率自回歸效應和收益率對波動率影響的優點，又可以從非線性角度為波動率的變動進行解釋，但是該模型缺乏協方差的解析表達式，導致該模型并不易于解釋。

yt|(St=k,Ιt-1)～D(0,hk,t,ξk)

四、混合時變copula模型

依照Sklar(1959)，任意兩個隨機變量的聯合分布函數都可以通過各自的邊際分布函數和一個固定的copula函數來表示[16]。由此copula函數成為了研究多維隨機變量的重要工具。目前在學術研究和實際應用中常用的copula函數包括橢圓copula函數、極值copula函數和阿基米德copula函數。常見的t-copula函數和正態copula函數都屬于橢圓copula函數族，而阿基米德copula函數族則擁有更多不同形式的copula函數。t-copula函數和正態copula函數由于刻畫不同隨機變量間的尾部相關性的非對稱相依特征，故而單獨應用存在著局限，需要與其他copula家族函數進行組合，組建混合copula函數。阿基米德copula函數中的Gumbel函數、Clayton函數和SJC函數都是常見的與橢圓函數進行組合從而建立混合copula函數的選擇。對比單一的copula函數，混合copula函數有著優良的性質。不少學者的研究指出，混合copula函數不僅有著更好的擬合優度，而且還能結合不同copula函數的優勢更加具體地刻畫多維隨機變量的分布特征。copula函數按照參數的時變特征，可以分為靜態copula函數和動態copula函數。相對靜態copula函數，動態copula函數可以更加深入地刻畫多維隨機變量間在不同時點上相關關系的變化。Engle(2002)提出了四種不同的時變copula函數，分別是基于相關系數時變方程的t-copula函數和正態copula函數、基于tau系數的Clayton函數和基于上下尾相依系數的SJC函數[17]。時變t-copula函數和正態copula函數均以Engle(2002)提出的DCC模型為基礎建立動態關系。DCC模型可以如下方程表示：

α+β<1,a,β∈(0,1)

對于t-copula函數來說，時變參數只包括相關系數，并不包括自由度參數。

時變Clayton函數對Kendall’s tau進行建模，方程如下：

時變SJC-copula函數分別對上尾相依系數和下尾相關系數進行建模，方程如下：

π(ω+βτt-1+α|u1,t-i-u2,t-i|)

其中，函數π(·)為(1+e-x)-1,用于確保時變系數始終在0和1之間變動。

本文將時變copula函數和混合copula方法結合在一起，利用靜態copula函數確定權重，再利用該權重組建動態copula函數，并使用極大似然估計方法獲取動態參數信息。最終的動態模型的似然函數可以寫為：

LL=W1log(c1)+W2log(c2)

五、變量選擇和統計信息

盡管目前人民幣匯率變動不再“盯住”美元，而是參考一籃子的貨幣匯率，但是考慮到美元在國際金融系統中的特殊地位和數據持續性，本文依舊選擇人民幣對美元匯率作為衡量我國匯率市場變化的指標。同時，本文選取滬深300指數作為我國股票市場變化的衡量指標。樣本數據涵蓋2010年6月15日到2017年12月31日的日數據。在剔除不匹配數據和極端值后，樣本中共含有1701個交易日數據。人民幣對美元匯率來自中國貨幣網，滬深300指數數據來自于來自Choice客戶端，數據處理使用R語言3.2.4和Matlab2014a。數據基本統計信息如表1所示。

表1 統計信息

由表1可知，我國匯率市場收益率偏度為負值，為-0.777，表現出輕微的負偏分布特征。滬深300指數收益率峰度為26.673，表現出明顯的正偏分布特征，說明更多收益率處在平均收益率之下。匯率市場收益率和滬深300指數收益率的峰度都在3以上，結合兩者偏度，有必要對其進行正態分布檢驗。通過使用Anderson-Darling正態分布檢驗法對匯率市場收益率和滬深300收益率進行檢驗，發現兩者均未通過正態分布假設，說明在接下來的建模中，不能使用正態分布對這兩個市場的收益率和波動率進行建模。

六、實證結果分析

(一)人民幣對美元匯率波動率模型估計結果

本文使用基于雙區域的馬爾科夫轉換GARCH模型對人民幣兌美元匯率的波動率進行估計。假設雙區域分別為基于t分布的標準GARCH(1，1)模型和基于t分布的GJR-GARCH(1，1)模型。采用如此的區域設定的主要原因：一是人民幣兌美元的收益率對波動率的影響非對稱效應并不明顯，僅在某些特定時段上表現出非對稱性，故不適合用基于非對稱假設的GJRGARCH模型和EGARCH模型對整個樣本區間上的數據進行建模；二是人民幣兌美元的收益率并未遵從標準正態分布，并且具有尖峰后尾的特征，故使用t分布對其波動率進行擬合。表2給出了基于雙區域的馬爾科夫轉換GARCH模型對人民幣兌美元匯率的估計結果。

表2 基于雙區域的馬爾科夫轉換GARCH模型對人民幣兌美元匯率的估計結果

其中，Alpha1_0代表標準GARCH模型中的波動率的常數項，Alpha1_1代表標準GARCH模型的ARCH項系數，Beta1 _1代表標準GARCH中的GARCH項系數。當人民幣兌美元匯率處于區域1，即服從標準GARCH模型時，其ARCH項系數和GARCH系數均顯著大于零，并且GARCH項系數為0.957遠大于ARCH項系數0.043，說明此時我國匯率波動率具有明顯的集聚效應，上一期的波動率可以對下一期的波動率產生決定性的影響，波動率具有長期的持續記憶性，而上一期收益率對波動率的影響較小，無法對下一期的波動率產生巨大的影響。Alpha1_1代表GJR-GARCH模型中的波動率的常數項，Alpha2_1代表GJR-GARCH模型的ARCH項系數，Alpha2_2代表GJR-GARCH模型非對稱效應的系數，Beta2_1代表GJR-GARCH中的GARCH項系數。當人民幣兌美元匯率處于區域2，即服從GJR-GARCH模型時，其ARCH項系數和非對稱效應系數分別為0.444和0.482，遠大于其GARCH項系數0.000，與標準GARCH模型估計結果有著截然相反的情況。這意味著此時我國匯率波動率具有更容易受到上一期收益率的影響，具有更大的隨機性，不再表現出明顯的集聚效應和長期記憶性。同時，在區域2中非對稱效應系數與ARCH項效應系數之和為0.926，并且非對稱效應系數大于ARCH項系數，這說明負面收益率是影響下一期匯率波動率的決定性因素，上一期正面收益率對下一期匯率波動率的影響遠小于負面收益率，人民幣兌美元匯率存在著突出的杠桿效應。

參數P11和P21分別代表人民幣兌美元匯率由標準GARCH狀態轉移成標準GARCH狀態的概率和由GJR-GARCH狀態轉移為標準GARCH狀態的概率。P11和P21的數值分別為0.995和0.034，并在1%的置信水平下顯著，可見確實存在上述兩種狀態之間的轉移。當匯率處于標準GARCH模型狀態時，其無條件波動率為1.521%(年化)；當匯率處于GJR-GARCH模型狀態時，其無條件波動率為2.650%(年化)，這說明人民幣兌美元匯率存在明顯的高、低兩種不同變化狀態，低頻波動時其服從標準GARCH模型，高頻波動時其服從GJR-GARCH模型。通過P11和P21的值，可以計算出P12和P22的概率分別為0.005和0.966。較大的P11、P22值和較小的P12和P21值說明，匯率在兩種狀態之間的轉換的概率并不大，更容易保持一個狀態不變。匯率波動率處于狀態1和狀態2的無條件概率分別是0.873和0.127，這說明人民幣兌美元的匯率處于低頻波動的概率更大，在更長的時間內都處于低頻波動率狀態，服從標準GARCH模型。

圖1給出了基于Markov雙區域GARCH模型擬合的條件波動率，圖2給出了基于Markov雙區域GARCH模型在狀態2下的平滑概率。觀察圖1可知，在2015年之前我國匯率基本上處于低頻波動狀態，年化波動率基本都在5%以下。對應的，觀察圖2可知，在2015年以前，波動率處于高頻區域的概率鮮有大于0.6的時刻。這說明2015年前，我國匯率處于較為穩定的狀態，波動率具有集聚效應，具有明顯的長期記憶性和穩定性，這一方面得益于我國政府執行的相對嚴格的匯率管控制度，另一方面也暗示著2015年我國匯率改革盡管已經向市場化方向前行，但是自由化程度依舊不高，匯率市場沒有足夠的活力。結合圖1和圖2可知，2015年8月份的匯改對人民幣與美元交易產生了根本性的影響。在匯改之后，人民幣兌美元的匯率進入了大幅波動階段，波動率增加較為劇烈，同時由圖2可知，從2015年8月開始人民幣兌美元匯率處于區域2的概率顯著增加，由原來的0.1上升到0.9。在2015年8月到2016年3月這段時間內，人民幣兌美元的波動率不再具有集聚效應，收益率成為人民幣匯率變動的關鍵因素。這在一個側面反應了市場交易者對2015年后有管理的浮動匯率制度所抱有的不確定態度。匯率市場交易者在這期間更多是根據近期市場表現而不是長期預期進行決策。2016年3月后，匯率變動重新進入低頻狀態，盡管波動率比以前有所提升，但是表現出了集聚效應和記憶性，說明市場交易者已經熟悉了新匯率政策的市場交易規則，對未來波動有了更有把握的預期。

圖1 雙區域馬爾科夫轉換GARCH模型匯的匯率條件波動率(年化)

圖2 雙區域馬爾科夫轉換GARCH模型匯率在狀態2下的平滑概率

(二)滬深300指數波動率模型估計結果

表3給出了滬深300指數波動率模型的估計結果。觀察表3可知，同人民幣匯率一樣，滬深300指數波動率也存在著明顯的區域轉換效應。兩個狀態的無條件波動率分別是26.35%和51.156%，遠高于匯率波動率，這也說明股票市場的波動遠高于匯率市場。當股票市場進入高頻GJR-GARCH狀態時，股票市場波動率依舊保持了較高的集聚特征，GARCH項系數為0.389，并在1%水平上顯著。同時，股票市場也比匯率市場在高頻狀態時表現出了更高的杠桿效應。在GJR-GARCH模型中，ARCH項前系數僅為0.001，而非對稱效應前系數高達0.772，這說明正面收益率在高頻狀態狀態時對下一期波動率的影響近乎是可以忽略了的，而負面收益則對下一期波動率產生了極大的影響。結合圖3和圖4可知，滬深300指數的波動率在2015年到2016年年間數值較大，遠高于其他年份，而2015年到2016年滬深300指數進入高頻狀態的概率高達0.95。滬深300指數在高頻狀態下的反常表現與當時我國股票市場激烈動蕩密不可分。2015年到2016年股票市場持續的暴跌和震蕩，導致股票交易者對負面收益率異常的警惕。值得注意的是，2015年的匯改和2015年股市震蕩在時間上正好發生了重合，期間匯率與股市的風險溢出效應值得進行進一步研究。

表3 滬深300指數波動率模型的估計結果

圖3 雙區域馬爾科夫轉換GARCH模型擬合的滬深300指數條件波動率(年化)

圖4 雙區域馬爾科夫轉換GARCH模型在滬深300指數狀態2下的平滑概率

(三)混合時變copula模型估計結果

在前文介紹的四種時變copula模型中，本文選取基于DCC結果的正態copula模型和時變Clayton-copula模型來分析人民幣匯率與滬深300指數的風險溢出效應。利用雙區域馬爾科夫轉換GARCH模型得到人民幣兌美元和滬深300指數的殘差，使用經驗概率分布函數將殘差轉換為在[0,1]上均勻分布的隨機數，再代入模型中。根據人民幣兌美元的馬爾科夫GARCH模型估計結果，本文按照波動率處于高頻和低頻狀態的概率將總樣本分成三個子樣本，分別是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。分別使用混合動態copula模型對三個子樣本進行估計。

表4 混合時變copula模型估計結果(樣本1)

使用混合動態copula模型對子樣本1也就是2015年匯改前數據進行擬合，發現時變Clayton-copula和時變正態copula前的權重為0.434和0.566，兩者較為接近，說明Clayton和正態copula共同支配著匯率波動率和股市波動率。時變正態copula模型中Alpha前系數為0.014，并且不在1%水平上顯著，這說明前一日匯率與股市波動率的交互項并沒有對兩者的相關系數產生顯著的影響，正態copula模型中的相關系數具有明顯的集聚效應。而在時變Clayton模型中，Alpha前系數為-0.244，并且在1%水平上顯著，這說明clayton模型中匯率波動率與股市波動率交互項對下一期tau系數產生明顯的削弱作用。Tau系數更容易受到上一期的影響。

表5 混合時變copula模型估計結果(樣本2)

使用混合動態copula模型對子樣本2也就是2015年匯改后到2016年3月14 日的數據進行擬合，結合表4和圖2可以發現：當匯率波動率由低頻狀態進入高頻狀態后，時變Clayton-copula和時變正態copula前的權重發生了改變，Clayton-copula模型前系數為0.673，正態copula模型前系數為0.327，說明在匯改前后主要是Clayton-copula在支配匯率波動率和股市波動率的變動，下尾關聯性更加明顯。時變正態copula模型中Alpha系數為0.015，并且不在1%水平上顯著，這說明前一日匯率與股市波動率的交互項并沒有對兩者的相關系數產生顯著的影響，Beta系數數值為0.701，并在1%水平上顯著，對比表4的結果可以發現：在匯改后的一段時間內，正態copula模型中的相關系數集聚效應減弱了。時變Clayton模型中的Alpha系數為-0.844，并在1%水平上顯著，Beta系數為-0.289，也在1%水平上顯著，對比匯改前的結果，可以發現匯改后匯率波動率和股票波動率交互項對下一期Clayton-copula中的tau的影響增強了，匯率與股市的風險溢出關系更容易受到市場表現的影響。

表6 混合時變copula模型估計結果(樣本3)

表6給出了子樣本3數據的混合動態copula模型的擬合結果。對比表5可以發現：當匯率波動率由高頻狀態重新進入低頻狀態后，時變Clayton-copula和時變正態copula前的權重又一次發生了改變。Clayton-copula模型前系數為0.410，正態copula模型前系數為0.590，兩者比例再一次接近，回歸到匯改前的平衡狀態。這說明匯改引發的沖擊已經逐步為市場所接納，匯率波動率與股市波動率的聯動效應再一次獲得了平衡。時變正態copula模型中Alpha系數僅為0.001，并且不在1%水平上顯著，這說明前一日匯率與股市波動率的交互項并沒有對兩者的相關系數產生顯著的影響，Beta系數數值為0.939，并在1%水平上顯著，對比表4和表5的結果，可以發現：在匯改的沖擊結束后，正態copula模型中的相關系數集聚效明顯增強。時變Clayton模型中的Alpha系數為-0.123，并在1%水平上顯著，Beta系數為-0.693，也在1%水平上顯著，對比表4和表5的結果，可以發現：當匯改沖擊結束后，Clayton的tau系數的集聚效應也得到了明顯的增強，上一期匯率波動率與股市波動率的交互項對tau系數的影響則被減弱。

圖5 樣本1相關系數變化

圖6 樣本2相關系數變化

圖7 樣本3相關系數變化

圖5到圖6分別給出樣本1、樣本2和樣本3中使用混合動態copula函數計算得到的相關系數。觀察圖5可知，在2015年匯率改革前匯率市場與股票市場波動率表現出明顯的負面相關性，相關系數在-0.1左右波動。觀察圖6可知，在2015年匯率改革后的一段時間內，匯率市場與股票市場波動率的相關系數出現較為大幅的波動，在[-0.3,0.1]之間徘徊，總體上上表現出調整狀態。也是在這個時期，匯率波動率與股市波動率首次出現了正相關性。這說明我國匯率與股市之間風險溢出關系進入了重塑期。圖7給出了2016年3月14日之后的我國匯率市場與股票市場之間的相關系數。可以發現：經過調整和重塑之后，我國匯率市場和股票市場進入風險正向溢出的時期，相關系數一直保持正數，并在0.36875之間穩定變動。

七、結 論

本文以2010年6月15日到2017年12月31日的人民幣兌美元匯率作為人民幣匯率代表，以滬深300指數作為我國股票市場。使用雙區域馬爾科夫轉換GARCH模型分析了匯率市場和股票市場各自的波動特征，并依據匯率市場的波動率的高頻狀態和低頻狀態，將樣本拆分三個子樣本，利用混合時變copula模型分析了各子樣本中人民幣匯率與股票市場之間的風險溢出關系，得到以下主要結論。

第一，2015年的匯改對我國匯率市場帶來了深刻的影響。在2015年之前，我國匯率市場波動率處于相對穩定狀態，匯率波動幅度較為有限。盡管這意味著匯率的相對穩定，但是匯率缺乏市場化機制也導致我國匯率變動缺乏彈性，在一定程度上不符合我國金融和經濟發展國際化的需求。2015年的匯改讓我國匯率市場進入了深度的調整期，以往的波動率聚集效應被打破，意味著固有的人民幣匯率決定機制已經被淘汰。在這期間，人民幣匯率的收益率成為了其波動率變動的主要影響因素。這也意味著我國匯率市場進入了短期交易為主的階段，市場對新的匯率管控機制采取了謹慎地試探態度。2016年3月之后，我國人民幣匯率波動率具有新的穩定結構和長期持續性，說明新的匯率交易模式已經被市場認可和接受。

第二，2015年匯改重塑了我國匯率市場和股票市場的風險相關性。在2015年之前，我國匯率市場和股票市場風險具有負面溢出效應，這說明在2015年匯改前，我國匯率市場和股票市場風險相關性背離了市場的運行規律，市場之間的聯動性不足，匯率市場和股票市場之間資金的流動性不夠有效，匯率管控制度存在一定的缺陷。2015年匯改后，匯率市場與股票市場之間聯動關系也被重新塑造。2016年后我國股票市場和匯率市場一直表現出明顯的風險正面溢出效應。這說明匯改的完成促進了我國股票市場和匯率市場之間的良性互動，增強了兩個市場的關聯性，更符合我國金融國際化發展的需求。

第三，混合時變copula能夠更有效地捕捉我國匯率市場和股票市場的波動關聯性。單一的時變正態copula模型無法體現上一期市場交叉項對下一期兩者關聯性的作用，而單一的時變Clayton模型無法提供全樣本區間的聯動特征做出優良的擬合。將兩者結合起來，則同時補足了兩者的缺陷。通過混合時變copula模型，本文發現，在匯率與股票市場聯動性調整期間，兩者在市場上表現出交互項比以往的持續記憶性更能影響下一期的聯動特征。