1.GARCH−DCC模型分析
为更加精确地揭示各个市场之间的动态联动关系，本章使用动态条件相关系数模型（GARCH−DCC）进行分析，两两市场间动态相关系数结果如图11.3所示。图11.3上部左侧为BitMEX永续期货与Huobi期货间模型结果，右侧为BitMEX永续期货与CME期货间模型结果；中部左侧为CME期货与Huobi期货间模型结果，右侧为BitMEX永续期货与比特币现货间模型结果；下部左侧为CME期货与比特币现货间模型结果，右侧为Huobi期货与比特币现货间模型结果。
由实证结果可以看出CME交易所期货（lnfc）、比特币BitMEX交易所永续期货（lnfb）、比特币Huobi交易所期货（lnfh）、比特币现货（lnb）的数据间存在极强的正向动态相关关系，CME交易所期货（lnfc）、比特币BitMEX交易所永续期货（lnfb）、比特币现货（lnb）间总体信息溢出始终保持在98%以上的较高水平。比特币Huobi交易所期货（lnfh）数据与其他三个市场间在2019年5月出现短暂的信息溢出水平下降，降至90%左右，但整体来看也基本保持在98%以上的较高水平。通过动态条件相关系数模型分析，我们可以得出不同交易所间比特币期现货的联动水平较高，彼此间存在着较强的信息溢出。
2.MVGARCH−BEKK模型分析
为进一步准确探究四个市场间的关联程度与信息溢出过程，本章首先运用MVGARCH−BEKK模型对暴跌前的数据进行分析，实证结果如表11.14所示。从实证结果来看，比特币暴跌前a（1，1）、a（2，2）、a（3，3）、a（4，4）、b（1，1）、b（2，2）、b（3，3）、b（4，4）系数均为正且高度显著，这意味着CME交易所期货（lnfc1）、比特币BitMEX交易所永续期货（lnfb1）、比特币Huobi交易所期货（lnfh1）、比特币现货（lnb1）间关联非常紧密，且呈现出波动性的正向传递和加强作用。
图11.3 不同市场间GARCH−DCC模型结果
图11.3 不同市场间GARCH−DCC模型结果（续）(www.xing528.com)
从非对角系数来看，在95% 的置信度下均显著，在A矩阵中，a（3，1）、a（4，1）、a（3，4）系数小于0.01，趋近于0；在B矩阵中，b（2，1）、b（3，1）、b（4，1）、b（1，4）、b（3，4）、系数小于0.01，趋近于0。由于a（3，1）、b（3，1）、a（4，1）、b（4，1）、a（3，4）、b（3，4）的系数均趋近于0，可得CME交易所期货（lnfc1）、比特币现货（lnb1）对于比特币BitMEX交易所永续期货（lnfb1）的波动信息溢出较弱，同时CME交易所期货（lnfc1）对于比特币Huobi交易所期货（lnfh1）的波动信息溢出较弱，与前文的分析结果一致。
由于b（1，4）、b（2，1）的系数较小，而a（1，4）、a（2，1）的系数大于0.01，可得比特币Huobi交易所期货（lnfh1）对于比特币BitMEX交易所永续期货（lnfb1）的信息溢出以及比特币BitMEX交易所永续期货（lnfb1）对于比特币现货（lnb1）的波动信息溢出主要受滞后一期残差项（ARCH项）的影响。
表11.14 下跌前MVGARCH−BEKK模型结果
接下来本章运用同样的方法对暴跌后的数据进行分析，实证结果如表11.15所示。从实证结果来看，比特币暴跌后同样a（1，1）、a（2，2）、a（3，3）、a（4，4）、b（1，1）、b（2，2）、b（3，3）、b（4，4）系数均为正且高度显著，这意味着CME交易所期货（lnfc2）、比特币BitMEX交易所永续期货（lnfb2）、比特币Huobi交易所期货（lnfh2）、比特币现货（lnb2）间仍然存在着非常紧密的关联，从系数大小来看，相较于暴跌前各系数的绝对值普遍增大，体现出市场的联动性进一步增强，信息跨市场的波动溢出效果增强。
从非对角系数来看，在95% 的置信度下除a（2，4）外均显著，此外只有A矩阵中的a（2，3）、a（2，4）系数小于0.01，趋近于0。而相对应的b（2，3）、b（2，4）系数显著非0，由此可得比特币Huobi交易所期货（lnfh2）对于比特币CME交易所期货（lnfc2）、比特币现货（lnb1）的波动信息溢出主要受其滞后一期条件方差（GARCH项）的影响。
表11.15 下跌后MVGARCH−BEKK模型结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
