本文的创新之处在于：第一，本文的创新之处在于：第一，目前几乎没有关于金砖四国成员国股票市场之第一，目前几乎没有关于金砖四国成员国股票市场之间联动性的研究，本文第一次使用DDC —GARCH模型估计金砖四国各个股票市场收益率的波动性及其之间的相关关系的动态变化。第二、根据中国资本市场发生的重大事件和2008年全球金融危机的不同阶段，把1997年７月到2011年4月划分为不同的时间段，分析在中国资本市场的国际化或金融危机的冲击下，金砖四国股票市场之间联动性的动态变化。 四国股票市场之间联动性的动态变化。
全文安排如下：第一部分引言；第二部分文献综述；第三部分介绍研究方法；第四部分数据介绍和实证分析；研究结论在文章的最后部分给出。 第四部分数据介绍和实证分析；研究结论在文章的最后部分给出。
股票市场波动的联动性是指一个国家股票市场收益率的波动不仅受到自身市场因素的影响，而且还会受到其他国际市场波动的影响。随着全球经济一体化的不断加深，中外学者通过使用不同研究方法、研究角度以及模型针对不同股票市场波动性之间的关系做了大量的研究。 市场波动性之间的关系做了大量的研究。
大量的实证研究表明，随着经济全球化进程的不断加快，各国股票市场间的相关关系也在不断的变化。在上世纪90在上世纪90年代，90年代，股市的相关性在发达国家市场已经表现的比较明显，而且随着时间的推移，发达国家股票市场之间的联动在增强，有些研究成果表明，不同的阶段，有些研究成果表明，不同的阶段，不同国家股票市场之间的联动性有所不同。不同的阶段，不同国家股票市场之间的联动性有所不同。而不同国家股票市场之间的联动性有所不同。而在中国等发展中国家则没有较明显的体现出来。Jeon 和Chiang（在中国等发展中国家则没有较明显的体现出来。Jeon Chiang（1991）通过使1991）通过使用多变量协整检验方法研究了1975-1990 年美、英、用多变量协整检验方法研究了1975-1990 年美、英、日、英、日、法四国股票市场之间的日、法四国股票市场之间的长期均衡关系， 发现这四个市场之间有共同的发展趋势。同时，Kasa （1992）长期均衡关系， 发现这四个市场之间有共同的发展趋势。同时，Kasa 1992）也通过协整模型发现，美国股市对其他国家股市起到引导作用。Longin&Solnik也通过协整模型发现，美国股市对其他国家股市起到引导作用。Longin&Solnik（1995）和Rangvid（2001）发现欧洲股票市场关联度又逐渐增长的趋势，Morana 1995）2001）& Beltratti (2006)使用美、英、德和日本1973使用美、英、德和日本1973年1973年-2004年的股票收益率数据，-2004年的股票收益率数据，研究发现这四个国家股票市场之间联动性明显增强。 研究发现这四个国家股票市场之间联动性明显增强。
对于新兴市场，新兴市场与世界股市之间以及新兴市场之间的关联度没有一直的结论，Phylaktis & Ravazzolo（2005）通过对直的结论，Phylaktis & Ravazzolo2005）通过对1980-1989）通过对1980-1989年间太平洋地区、1980-1989年间太平洋地区、美国和日本股票市场进行研究，结果发现他们之间没有明显的关联性，而Jorion & Goetzman (1999)指出由于投资基金的套利行为，新兴股票市场与世界股市的关联性会增强。Baig & Goldfajn (2000) 在研究危机的传染性时，使用脉冲相关联性会增强。Baig & Goldfajn (2000) 应分析和VAR得应分析和VAR对俄罗斯和巴西股票市场VAR对俄罗斯和巴西股票市场1997对俄罗斯和巴西股票市场1997年1997年1月-1999年-1999年6月的数据进行分析，
二、文献综述
出危机从俄罗斯股票市场传导至巴西市场，1998年第一季度，1998年第一季度，二者之间的相关性增强。Brian增强。Brian等人Brian等人（等人（2007）2007）运用DCC运用DCC—DCC—GARCH模型，GARCH模型，分析拉美股票市场的模型，分析拉美股票市场的7分析拉美股票市场的7个成员之间及其所处的整体与美国股票市场的相关关系，研究发现，二者均不显著。 间及其所处的整体与美国股票市场的相关关系，研究发现，二者均不显著。
对于中国市场，很多研究成果表明2001很多研究成果表明2001年前中国股票市场与国际市场之间的2001年前中国股票市场与国际市场之间的联动性不强，比如陈守东等人（2003）使用协整分析对1992美、2003）使用协整分析对1992年至1992年至2002年至2002年的中、2002年的中、英、日、英、日、港五大股市进行了研究，日、港五大股市进行了研究，结果发现国内股票市场与国际市场不存在协整港五大股市进行了研究，结果发现国内股票市场与国际市场不存在协整关系，得出我国股票市场与国际市场相分离的结论。在中国与2001在中国与2001年加入2001年加入WTO年加入WTO后，WTO后，中国市场与国际市场的联系变得更加密切，这使得我国股市与国际股市间的联动性日益显露。关于中国股票市场与国际市场之间的联动性，研究结果有些分歧，张福等人（2004张福等人（2004）使用因果检验的方法对2004）使用因果检验的方法对1996）使用因果检验的方法对1996至1996至2002年的中美股市进行了研究，2002年的中美股市进行了研究，同样发现2001但是2001同样发现2001年以前中美股市不存在协整关系，2001年以前中美股市不存在协整关系，但是2001年后中美股市统计特征2001年后中美股市统计特征趋同。韩非等人（2005）研究发现中国股市收盘价对美国股市开盘价又较弱影响，2005）
而美国股市收盘价对美国股市开盘价影响几乎为0而美国股市收盘价对美国股市开盘价影响几乎为0。在经历了全球金融危机后，中国股市与国际市场尤其是新兴国家市场的联动关系日益显著。骆振心（2008中国股市与国际市场尤其是新兴国家市场的联动关系日益显著。骆振心（2008）2008）使用VAR使用VAR和VAR和Johansen协整检验方法分析，上证指数与美、英、德、日本和中国香Johansen协整检验方法分析，上证指数与美、英、德、日本和中国香港股市之间的联动性，认为外资进入初期并没有引起中国股市与世界主要股票市场之间存在联动现象，但股权分置改革后，中国股市与世界主要股市之间的联动程度增加。游家兴等人程度增加。游家兴等人（游家兴等人（2009）2009）基于DCC基于DCC—DCC—GARCH模型对中国与亚洲、GARCH模型对中国与亚洲、欧美７个股模型对中国与亚洲、欧美７个股票市场的联动性进行分析，得到自1991得到自1991年至1991年至2008年至2008年间联动性变化的动态过程，2008年间联动性变化的动态过程，以及联动性逐渐增加的结论。徐有俊等人（2010及联动性逐渐增加的结论。徐有俊等人（2010）基于2010）基于DCC）基于DCC—DCC—GARCH模型和GARCH模型和1997模型和1997年1997年1月到2009月到2009年2009年3月的数据，研究中国股市与国际股票指数（MSCI月的数据，研究中国股市与国际股票指数（MSCI印度指数、MSCI印度指数、MSCI印度指数、MSCI世MSCI世界指数、MSCI界指数、MSCI亚太指数和MSCI亚太指数和MSCI亚太指数和MSCI亚洲新兴市场指数）MSCI亚洲新兴市场指数）之间的联动性，亚洲新兴市场指数）之间的联动性，结果发现中印之间的联动性，结果发现中印两国和亚洲新兴市场的联动性大于国际发达市场，而且中国与世界股票市场的联动性逐渐增强。刘志超等人（2010动性逐渐增强。刘志超等人（2010）通过2010）通过E）通过E—G协整检验、误差修正模型(ECM)协整检验、误差修正模型(ECM)、(ECM)、Granger因果检验等方法，对次贷危机前后我国股票市场与世界主要股票市场之Granger因果检验等方法，对次贷危机前后我国股票市场与世界主要股票市场之间的联动关系进行了实证研究。结果表明：间的联动关系进行了实证研究。结果表明：在这次危机过程中，结果表明：在这次危机过程中，中外股市间的联在这次危机过程中，中外股市间的联动关系呈现出更为紧密的趋势。同时，方建武等人（2010动关系呈现出更为紧密的趋势。同时，方建武等人（2010）通过2010）通过Granger）通过Granger检验、Granger检验、协整检验及脉冲响应得出美国股市对中国股市有单方向影响的结论。张兵等人（2010）使用协整检验和2010）使用协整检验和DCC）使用协整检验和DCC—DCC—GARCH模型对GARCH模型对2001模型对2001年2001年12月到12月到2009月到2009年2009年1月的上证指数和道琼斯指数进行分析，结果发现中美股市没有长期均衡关系，但在QDII但在QDII实施后QDII实施后美国股市对中国股市的开盘价和收盘价均有显著的引导作用。 美国股市对中国股市的开盘价和收盘价均有显著的引导作用。 通过已有的文献我们发现，国内外学者对不同股票市场之间的联动性有着比较广泛的研究，但大都集中在发达国家股票市场或者新兴市场与发达国家或者相同地域国家股票市场之间的联动性，但是针对金砖四国股票市场联动性的研究还是比较匮乏。而对国家间股市研究时，很多学者使用了协整检验、Granger是比较匮乏。而对国家间股市研究时，很多学者使用了协整检验、Granger检验Granger检验和DCC—中国学者开始大多使用协整检验等方法研究中国股市DCC—GARCH模型等方法，GARCH模型等方法，
与其他市场之间的联动性，近来，尤其是2009尤其是2009年以来对2009年以来对DCC年以来对DCC—DCC—GARCH模型的应用越GARCH模型的应用越来越多，因为它能更好的反映股市间动态相关关系。 来越多，因为它能更好的反映股市间动态相关关系。
因此，本文将采取DCC本文将采取DCC—DCC—GARCH模型对金砖四国股市间的联动性进行研究，GARCH模型对金砖四国股市间的联动性进行研究，通过对四国收益率进行建模分析来得到四国股市间的相关关系，进而探寻金砖四国股市之间波动的联动性。 股市之间波动的联动性。
三、 研究方法
本文将采用由Engle和Sheppard（Sheppard（2002）提出的2002）提出的DCC-GARCH模型来进行研究，以求出金砖四国收益率的条件相关系数矩阵及协方差矩阵，进而分析金砖四以求出金砖四国收益率的条件相关系数矩阵及协方差矩阵，进而分析金砖四国股市波动的相关关系。 国股市波动的相关关系。
具体的DCC-GARCH模型如下：
rtft-1~N(0,DtRtDt)Dt=diag{wi}+diag{ki}ort-1rt-1+diag{li}oDt-12'2et=Dt-1rtQt=So(m-A-B)+Aoet-1et-1+BoQt-1Rt=diagQ''
{}*t-1QtdiagQ{}*t-1注：（1）rt为均值为0的收益率序列 的收益率序列
（2）ft-1为截止到t-1时期所有可能获得的信息集合 时期所有可能获得的信息集合 （3）D2是一个对角矩阵，其对角线上的元素即为各变量的条件方差。 是一个对角矩阵，其对角线上的元素即为各变量的条件方差。 （4）S为标准化残差et的无条件协方差矩阵， 的无条件协方差矩阵，
Rt为条件相关系数矩阵 （5） 为条件相关系数矩阵
t （6） 符号“o”表示矩阵对应元素的点乘 ”表示矩阵对应元素的点乘 （7）Qt为标准化残差的条件 协方差矩阵 为标准化残差的条件 协方差矩阵
（8）Q*t式对角矩阵，其对角矩阵元素是Qt对角元素的平方根。 对角元素的平方根。 依据此模型作实证分析时，具体步骤分为两步，先针对每个国家股市收益率建立合适的GARCH模型，然后求出不同股票市场之间动态的相关系数。 模型，然后求出不同股票市场之间动态的相关系数。
四、实证分析
1．数据描述
本文的目的是研究金砖四国股市间波动的联动性，因此我们分别选取了印度BSE30指数、巴西Bovespa指数、中国上证指数和俄罗斯RTS指数这四大指数的日收益率，前三者数据来源于天相投资分析系统，俄罗斯指数数据来源于www.RTS.ru。www.RTS.ru。考虑到不同年份中影响金融市场的一些重大因素，我们最终选取了1997年7月2日到2011年3月31日四大股市的日收益率作为此次研究的样本
数据，通过剔除四大股市不重叠开盘日的数据，我们共得到有效数据2899个。本文将使用Matlab软件，通过建立DCC—DCC—Garch模型来探寻金砖四国股市间的波动关系。
2. 统计描述
对金砖四国收益率数据进行统计分析得到表1
表1 金砖四国收益率描述性统计
数据类型 均 标准偏 度 峰 度 数据类型
JB统计量 统计量
值 差 印度BSE30指数 指数 0.0003 0.0174 0.0893 9.3006 4.8e+003 俄罗斯ＲＴＳ指0.0001 0.0120 -0.5115 9.6053 5.4e+003 数
巴西Bovespa指0.0007 0.0225 0.9716 22.7579 4.76e+003 数
中国上证指数 中国上证指数
由表（1由表（1）可知，金砖四国股指收益率均值很小，几乎都接近于0，印度、巴西、中国的股指收益率的分布都具有正偏性，而俄罗斯的股指收益率的分布则是存在着负偏性。四国股指收益率的峰度值大于正态分布的峰值，通过JB统计量检验检验其是否服从正态分布，结果四个统计量都远远大于５％的显著水平下临界值是５.9915临界值是５.9915。所以金砖四国四个成员国股指收益率不服从正态分布，具有.9915。所以金砖四国四个成员国股指收益率不服从正态分布，具有尖峰厚尾的特征，如下图1所示。 所示。
图1 金砖四国股指收益率序列的正态分布拟合
0.0003 0.0169 0.0411 7.2810 2.21e+003
3． 序列自相关检验
针对原始数据，我们采用LM检验（拉格朗日乘数检验）来进行序列自相关的检验，检验结果如表（2的检验，检验结果如表（2）所示： ）所示：
表2 金砖四国股指收益率自相关性检验
印 度 俄 罗 斯 巴 西 中 国
统计量 统计量 P值 统计量 统计量 P值 统计量 统计量 P值 统计量 统计量 P值 1 5.6559 1 5.6559 0.0174 23.3022 0.0174 23.3022 0.0000 23.3022 0.0000 2.2889 0.0000 2.2889 0.1303 1.5536 0.1303 1.5536 0.2126 2 9.2430 2 9.2430 0.0098 23.0308 0.0098 23.0308 0.0000 23.0308 0.0000 16.3759 0.0000 16.3759 0.0003 16.3759 0.0003 10.2671 0.0003 10.2671 0.0059 10.2671 0.0059 3 9.8027 3 9.8027 0.0203 25.7738 0.0203 25.7738 0.0000 25.7738 0.0000 22.9709 0.0000 22.9709 0.0000 22.9709 0.0000 19.5288 0.0000 19.5288 0.0002 19.5288 0.0002 4 12.9074 4 12.9074 0.0117 12.9074 0.0117 26.3722 0.0117 26.3722 0.0000 26.3722 0.0000 31.8881 0.0000 31.8881 0.0000 31.8881 0.0000 23.2239 0.0000 23.2239 0.0001 23.2239 0.0001 5 14.0040 5 14.0040 0.0156 14.0040 0.0156 26.3391 0.0156 26.3391 0.0001 26.3391 0.0001 35.0989 0.0001 35.0989 0.0000 35.0989 0.0000 23.8384 0.0000 23.8384 0.0002 23.8384 0.0002
注：统计量为 TR^2，即Engle’检验统计量，一般情况下渐近服从c2分布。 Engle’s LM
通过表2中的P值，我们发现四组序列数据村存在一定程度的自相关。 值，我们发现四组序列数据村存在一定程度的自相关。
下面通过ARMA(p,q)模型消除序列的自相关性，滞后期采用ARMA(p,q)模型消除序列的自相关性，滞后期采用AIC和ＳＣ值最小来确定，印度和俄罗斯的序列数据在滞后两阶时所得的AIC最小，因此我们将用使用AR（AR（2）模型对印度和俄罗斯的数据进行自相关的消除。同理，我们将使用ARMA（ARMA（2，1）对巴西和中国的数据进行自相关的消除，对新的到的序列再次用LM检验法进行自相关检验时，得到以下结果，如表3所示： 所示：
表3 ＡＲＭＡ模型滤波序列的自相关性检验 1
2 3 4 5
印 度 俄 罗 斯 巴 西 中 国 统计量 统计量 P值 统计量 统计量 P值 统计量 统计量 P值 统计量 统计量 P值 0.0007 0.9789 0.0007 0.9789 0.0001 0.9789 0.0001 0.9907 0.0001 0.9907 0.0053 0.9907 0.0053 0.9420 0.0053 0.9420 0.0000 0.9420 0.0000 0.9977 0.0015 0.9993 0.8395 0.0015 0.9993 0.0139 0.9993 0.0139 0.9931 0.0139 0.9931 0.1385 0.9931 0.1385 0.9331 0.3499 0.1385 0.9331 0.3499 0.4090 0.9384 0.4090 0.9384 2.8530 0.9384 2.8530 0.4148 2.8530 0.4148 0.1346 0.4148 0.1346 0.9874 0.1346 0.9874 1.7824 0.9874 1.7824 0.6188 3.5192 0.4750 3.5192 0.4750 3.6938 0.4750 3.6938 0.4490 3.6938 0.4490 2.0169 0.4490 2.0169 0.7327 2.0169 0.7327 11.1229 0.7327 11.1229 0.0252 11.1229 0.0252 4.2455 0.5146 4.2455 0.5146 3.7207 0.5146 3.7207 0.5903 3.7207 0.5903 2.6009 0.5903 2.6009 0.7612 2.6009 0.7612 12.5120 0.7612 12.5120 0.0284 12.5120 0.0284
2注：统计量为 TR^2，即Engle’检验统计量，一般情况下渐近服从c分布。 Engle’s LM
通过观察表（3通过观察表（3）中的P值，我们可以发现，此时各个序列的自相关性已基
本消除。 本消除。
4. 异方差检验（ARCH检验）
在上述基础上使用ARCH—ARCH—LM检验方法，继续进行条件异方差检验。得到的TR^2统计量及相应的概率如下表（4统计量及相应的概率如下表（4）所示：
表4 ARCH效应检验
印 度 俄 罗 斯 巴 西 中 国
统计量 统计量 P值 统计量 统计量 P值 统计量 统计量 P值 统计量 统计量 P值 1 108.7778 1 108.7778 0.0000 108.7778 0.0000 115.2049 0.0000 115.2049 0.0000 115.2049 0.0000 55.0938 0.0000 55.0938 0.0000 55.0938 0.0000 69.3487 0.0000 69.3487 0.0000 2 124.7417 2 124.7417 0.0000 124.7417 0.0000 205.0820 0.0000 205.0820 0.0000 205.0820 0.0000 79.7717 0.0000 79.7717 0.0000 79.7717 0.0000 87.4033 0.0000 87.4033 0.0000 3 162.1295 3 162.1295 0.0000 162.1295 0.0000 296.7300 0.0000 296.7300 0.0000 296.7300 0.0000 95.8311 0.0000 95.8311 0.0000 95.8311 0.0000 127.7163 0.0000 127.7163 0.0000 127.7163 0.0000 4 188.4808 4 188.4808 0.0000 188.4808 0.0000 303.2379 0.0000 303.2379 0.0000 303.2379 0.0000 98.3923 0.0000 98.3923 0.0000 98.3923 0.0000 138.6006 0.0000 138.6006 0.0000 138.6006 0.0000 5 196.4508 5 196.4508 0.0000 196.4508 0.0000 316.5416 0.0000 316.5416 0.0000 316.5416 0.0000 99.2546 0.0000 99.2546 0.0000 99.2546 0.0000 142.1499 0.0000 142.1499 0.0000 142.1499 0.0000
注：统计量为 TR^2，即Engle’检验统计量，一般情况下渐近服从c分布。 Engle’s LM
2通过表4我们发现，在各个序列滞后1—5阶时，对应的P值都极小，这说明各个收益率序列均存在条件异方差，即各个收益率序列均存在ARCH效应。 效应。
5．单变量GARCH模型的建立与估计结果
基于以上结果，我们首先对四国市场收益率序列建立单变量的GARCH模型， 本文直接采用较简洁的GARCH（GARCH（1,1）进行建模分析，实验结果分别得到以下四1,1）进行建模分析，实验结果分别得到以下四个GARCH模型。 模型。
印度：rt=0.0011118+0.068452(1)rt-1+-0.010076(2)rt-2+ut
（4.7056）（3.4839）（-0.5153）4.7056） 3.4839） -0.5153）
2-622 st=5.8348´10+0.12964ut-1+0.85588st-1
（4.0526）（8.5605）（56.2674）4.0526） 8.5605） 56.2674）
r0.000813650.075675(1)r-0.012633(2)r=++u 俄罗斯：tt-1t-2t（5.7084）（3.9890）（-0.6714）5.7084） 3.9890） -0.6714）
2-622 st=1.5252´10+0.12837ut-1+0.86813st-1
（3.9271）（8.5141）（63.3673）3.9271） 8.5141） 63.3673）
巴西：rt=0.0005523+0.62875(1)rt-1--0.053735(2)rt-2--0.61683ut-1+ut
（1.8411）（3.0525）（-2.5849）（-3.0108）1.8411） 3.0525） -2.5849） -3.0108）
2-622st=7.9069´10+0.10854ut-1+0.87683st-1
（3.6813）（8.4261）（63.6894）3.6813） 8.4261） 63.6894）
(2)r+0.92426u+u 中国：rt=0.00063139-0.88485(1)rt-1+0.011756 t-2t-1t（1.4882）（-18.2859）（0.5709）（20.6609）1.4882） -18.2859） 0.5709） 20.6609）
-62s2+0.10833u2t=4.8051´10t-1+0.88284st-1
（3.7140）（7.5454）（64.4749）3.7140） 7.5454） 64.4749）
而四国股指收益率条件方差如图2－图5。
图２a 印度BSE30指数收益率条件标准差序列（1997年7月2日—2011 —2011年3月31日）
图2b 俄罗斯RＴＳ指数收益率条件标准差（1997年7月2日—2011—2011年3月31日）
图2c 巴西Bovespa收益率条件标准差序列（1997年7月2日—2011—2011年3月31日）
图2d中国上证指数收益率波动图（1997年7月2日—2011—2011年3月31日）
由图2a-2d可以看出，在1997—1997—2011年期间，俄罗斯和中国条件方差在0－0.05之间，而印度在2009年5月左右波动率突破0.05，巴西股市在0.05，巴西股市在1999年2月波动率突破0.1。不过四国股市均出现多个较大峰值。受0.1。不过四国股市均出现多个较大峰值。受1998年亚洲金融危机的影响，四国股市出现了较大幅度的波动，其中中国和俄罗斯股市的表现非常
突出。2008突出。2008年全球金融危机给金砖四国股市带来了很大的冲击，各国股市波动非常明显，而且均出现多个较大峰值。2009非常明显，而且均出现多个较大峰值。2009年上半年间，金砖四国股市表现强劲之时，波动性也达到峰值，表现出较大的风险，之后，印度、俄罗斯、巴西三国的股市波动有所趋缓，但中国股市仍然波动较大。国的股市波动有所趋缓，但中国股市仍然波动较大。总体而言，但中国股市仍然波动较大。总体而言，四国股市在走势总体而言，四国股市在走势上表现出一定程度的一致性。 上表现出一定程度的一致性。
6．多变量ＤＣＣ－GARCH模型的估计结果
现在利用DCC-GARCH模型估计金砖四国股市的联动性，模型在以上结果的基模型估计金砖四国股市的联动性，模型在以上结果的基础上设定为DCC-GARCH(1,1)的形式，对ARMA滤波后的残差建立DCC-GARCH模型。DCC-GARCH(1,1)的形式，
各市场之间的相关系数序列的描述统计如下表： 各市场之间的相关系数序列的描述统计如下表：
表5 相关系数序列的描述性统计
均值 均值
印－俄 巴－中 印－俄 印－巴 印－巴 印－中 印－中 俄－巴 俄－巴 俄－中 俄－中 巴－中
0.2550 0.0360 0.1116 0.0970 0.0781 -0.0050
0.0478
0.0762
0.0968
0.0739 0.0527
标准差 标准差 0.0848 最小值 最小值 0.1352 最大值 最大值 0.4340
-0.1037 -0.0061 -0.0511 -0.0290 -0.0906 -0.0290 -0.0906 0.1036
0.2733
0.3098
0.2665 0.1448
由表5可以看出，各个国家之间相关系数的均值都大于0，印度与俄罗斯股票市场一直保持正的相关性，印度与俄罗斯之间的联动性强于其他国家，四个国家之间联动性的动态变化可以通过下图看出 家之间联动性的动态变化可以通过下图看出
图3a 印度与巴西、俄罗斯股市之间的相关系数
图3b俄罗斯与巴西、中国之间的相关系数
图3c中国与印度、巴西之间的相关系数
由图3a-3c,我们看出巴西与印度股票市场之间的相关关系序列有比较大的3a-3c,我们看出巴西与印度股票市场之间的相关关系序列有比较大的波动，而且反映不出统一的趋势，在2007-2008年间金融危机前后有一个较大的突变，有正相关变成负相关。巴西与俄罗斯股票市场之间的联动性则呈现逐渐减弱的现象。除此之外，弱的现象。除此之外，印度与俄罗斯，除此之外，印度与俄罗斯，中国与印度、印度与俄罗斯，中国与印度、俄罗斯和巴西之间的联动性中国与印度、俄罗斯和巴西之间的联动性表现出逐渐增强的现象。尤其是中国与印度、俄罗斯之间的相关关系在2003年9月左右就处于上升通道，这个时间点是在2003年7月中国首支QFII启动，所以相关关系的增强可能是中国资本市场走向国际化的反映。中国与巴西之间的相关性开始是负相关，然后在0附近波动，到2009年3月左右进入上升通道，几乎在同一时间，中国成为巴西最大的贸易伙伴，双方贸易联系得加强使得两国股票市场的相关性增强。 票市场的相关性增强。
五、结论
通过对金砖四国股指收益率之间相关关系的研究，本文得出以下结论： 通过对金砖四国股指收益率之间相关关系的研究，本文得出以下结论：
（一）印度和俄罗斯股票市场的联动性最强，二者一直保持正相关，而且2008
金融危机使得二者之间的联动性出现显著增加； 金融危机使得二者之间的联动性出现显著增加；
（二）在金融危机前后，巴西与印度市场之间的联动性没有明显变化，在金融危机前后，巴西与印度市场之间的联动性没有明显变化，其与俄罗巴西与印度市场之间的联动性没有明显变化，其与俄罗
斯的相关性发生显著降低，只有与中国股票市场的联动性出现上升趋势； （三）QFII的启动影响中国与其成员国之间的联动性。中国与其他成员国之间
的相关性表现出明显的上升趋势，其中与印度、俄罗斯股票市场的联动性在2003年9月左右就进入上升通道，反映了中国股票市场走向国际化带来的影响; 来的影响;
（四）动态相关系数序列在2008年期间大多会现拐点，说明2008年金融危机对 年金融危机对
金砖四国股票市场的联动性有即时冲击。 金砖四国股票市场的联动性有即时冲击。
参考文献：
1．陈守东、韩广哲、荆伟《主要股票市场指数与我国股票市场指数间的协整分析》，《数量经济技术经
济研究》2003年第5期.
2．方建武，安宁《中美股市的联动性分析及预测》，《经济问题探索》2010年第4期 3.韩非、肖鹏《中国股市间的联动性分析》，《金融研究》，3.韩非、肖鹏《中国股市间的联动性分析》，《金融研究》，2005年第2005年第11年第11期11期.
4．刘志超，任思量，李文婷《中国股市与世界主要股市的联动性研究》，《理论经纬》2010年第4期 5.骆振心《金融开放、股权分置改革与股票市场联动》，《当代财经》2008第4期。
6.徐有俊、王小霞、贾金金《中国股市与国际股市联动性分析－基于6.徐有俊、王小霞、贾金金《中国股市与国际股市联动性分析－基于DCC-MGARCH模型研究》，DCC-MGARCH模型研究》，《经济经纬》模型研究》，《经济经纬》2010年第2010年第5年第5期.
7.游家兴、郑挺国《中国与世界金融市场从分割走向整合－基于DCC-MGARCH模型的检验》，《数量经济技术经济研究》2009年第12期. 8.张福 赵华 赵媛媛《中美股市协整关系的实证分析》，《财经论坛》 2004年第2期. 9．Bang Nam Jeon,Thomas C.Chiang.A Systemof Stock Prices in Word Stock Exchange: Common
Stochastic Trends for 1975-1990 [J].Journal of Economicsand Business, 1991,(43)：329-338.
10. Claudio Morana, Andrea Beltratti, Structural change and long-range dependence in volatility of exchange rates:
either neither or both? [J] Journal of Empirical Finance, 2006, (11) :629-658.
11. Engle, R., Dynamic conditional correlation: A new simple class of multivariate GARCH models,[J],
Journal of Business Economics Statistics, 2002(20) :339-350.
12. Kenneth Kasa. Common stochastic trends in international stock markets [J].Journal of
MonetaryEconomics,1992,(29)：95-124.
13. Kate Phylaktis, Fabiola Ravazzolo, Stock market linkages in emerging markets: implications for international
potfolio diversification, [J] Journal of International Financial Markets, Institutions & Money, 2005,
(15) :91-106
14. Longin,F., Solnik, B., Is the correlation in international equity returns constant: 1960-1990? [J] Journal
of International Money and Financ,1995,(14):3-26.
15. Rangvid, J., Second generation models of currency crisis,[J]. Journal of Economic Surveys,2001,
(15) :613-634. 16. T. Baig, I. Goldfajn, The Russian default and the contagion to Brazil, IMF working paper,2000, WP/00/160.
因篇幅问题不能全部显示，请点此查看更多更全内容