黄金、铜、化石燃料与主要股票市场的动态关联性及其投资组合管理启示

本研究采用TVP-VAR模型和多种投资组合策略（MVP、MCP、MCoP），系统性分析了大宗商品（铜、布伦特原油、天然气、黄金）与全球主要股票市场间的动态关联性及风险溢出效应，为极端市场条件下的资产配置和风险对冲提供了创新性策略依据。

　　

¹文献综述

大宗商品与股票市场间溢出效应和关联性研究日益受到关注。Tang与Xiong（2012）指出，自2004年指数投资者进入大宗商品市场以来，商品市场金融化程度加深，股商市场回报关联性显著增强。这一现象对资产定价、风险管理和投资组合构建策略产生深远影响。

²TVP-VAR模型

本节简要介绍了用于时变参数（TVP）框架内关联性建模的方法。我们采用Antonakakis等（2020）提出的多元卡尔曼滤波TVP-VAR算法。该方法允许VAR模型参数随时间变化，并引入多元指数加权移动平均模型，使得误差方差与参数方差矩阵动态演化，从而精准捕捉金融市场的渐变结构特征。

³数据与基础统计

本研究选取七国主要股票市场（日、法、加、德、美、中、意）及四种大宗商品期货（铜、布伦特原油、天然气、黄金）的日度收盘价数据。这些市场具有高市值、高流动性和国际基准地位，能有效反映全球金融市场的动态特征。

⁴溢出效应分析

表2显示了资产间静态平均溢出效应。法国和德国股票市场对系统的波动贡献最高，分别达73.52%和72.54%，而天然气期货的波动接收程度最低（10.8%。“To”指标表明，德、法市场亦是波动溢出的主要传导源。

⁵稳健性分析

为验证结果可靠性，我们分别采用不同窗口宽度（150、200、250天）重新估计模型。图9显示，总关联指数（TCI）在不同窗口下趋势一致。此外，在不同滞后期（1、2、3）下重新估计的TCI（图10）也表明其结果具有较强稳健性。

⁶结论与政策启示

本研究基于2014年10月12日至2023年8月21日的日度数据，采用TVP-VAR模型揭示股票与大宗商品期货间的回报溢出效应时变规律，并运用MVP、MCP、MCoP三种方法构建最优投资组合及对冲比率。我们的方法论构建了一个涵盖11个资产的高维分析网络，为不同市场状态下的资产配置提供了实证依据。