第 1 章 引言
1.1 研究背景及意义
1.1.1 研究背景
金融是现代经济产业的核心，经济的增长与社会的发展离不开金融稳定运行。现如今，中国的经济体量已高居世界第二，但在传统的金融体系中发挥主要作用的还是政府，市场机制并未发挥出很大的作用。我国的金融体系长期处于“金融压抑”状态，利率受到行政管控，资金主要由银行体系进行配置。在过去，我国大部分的企业融资都来自于银行，然而银行对融资有控制风险的需求，这意味着中小企业的融资问题很难得到解决。这种由银行主导的模式不足以满足实体经济的巨大融资需求，为互联网金融的生存与发展留下了一定的空间。
互联网金融是大数据时代中传统金融行业与现代互联网技术相结合的产物。传统金融业乘着互联网技术飞速发展的东风，发展成具有便利性、低成本性、高效率性等特点的互联网金融市场。互联网金融市场在我国得以一枝独秀，其原因除了传统金融行业存在的一些弊端与互联网技术的快速发展之外，还与传统金融市场的管制机制对互联网金融存在监管盲区有关。在资本逐利的市场中，人们会利用监管盲区尝试金融创新以实现更多的利润。借助互联网这样的技术平台进行金融运行，对传统金融业来说既是机遇也是挑战。以传统商业银行和“余额宝”为例，2013 年余额宝的成立打破了只有银行才能吸收存款的局限，以“一元起购”的理财低门槛模式迅速将用户手中的余额资金吸收为碎片式理财。截止至 2014 年 2 月底，余额宝的资金规模已达到 5200亿元，用户规模发展到 8100 万。长期以来，我国商业银行的主要收入来源为利息收入（赵胜民和刘笑天，2018），据 2013 年 11 家上市银行年报显示银行平均净利润增幅仅为 13.9 ，同比下滑约 3 （李渊博和朱顺林，2014），可见互联网金融市场的出现的确给传统银行业带来了不小的震撼。
........................
1.2 文献综述
1.2.1 小波方法在波动溢出效应中的研究现状
在国内外已有的文献资料中，大多研究都是基于时域角度考察市场间的波动溢出效应，忽略了金融时间序列中存在的频率维度特征。因此有学者尝试引用小波方法，将数据分解到不同的时间尺度上考察其相关特征，如秦伟良、颜华实和达庆利（2009），王相宁和郑晓智（2013）都尝试过将小波多分辨分析与 Copula 方法相结合对股市间的相关性进行研究分析。
Ramsey、Usikov 和 Zaslavsky（1995）最先利用小波方法分析标准普尔指数，结果显示小波处理后的数据包含了更多的信息，小波可以检测到数据中更为复杂的特性。Lee 和 Hahn（2004）建立离散小波模型对中东、北非地区与发达国家股市进行研究，研究发现发达国家股市对中东、北非地区股市存在波动溢出效应，反之则不然。近年来，还有许多学者将小波多分辨分析方法与其他模型相结合研究不同尺度上的波动溢出特性。Boubaker 和 Raza（2017）利用小波多分辨和多变量ARMA-GARCH 模型研究了石油价格与金砖国家股市之间的波动溢出效应，研究发现石油价格和股票市场价格会受到自身波动、其他价格波动和小波尺度的影响并且均值溢出效应和波动溢出效应会在不同时间尺度上被分解成多个不同的效应形式。Liu、An 和 Huang 等（2017）利用小波多分辨分析分解数据，再通过 GARCH-BEKK模型探索石油对美国股市与俄罗斯股市的均值溢出及波动溢出效应，研究发现不同尺度上美国股市和俄罗斯股市与石油之间的波动溢出效应形式不同，并解释了随着油价的下跌美国股指和俄罗斯股指呈现相反走势的原因。Gourène、Pierre 和 Marie（2018）也通过小波多分辨分析的方法对非洲股市的波动溢出效应进行了研究分析。
.............................
第 2 章 波动溢出的理论分析及研究方法
2.1 波动溢出理论概述
2.1.1 波动溢出的定义
波动溢出效应是指不同金融市场的波动之间可能存在相互影响，波动会从一个市场传递到另一个市场。也就是说，一个金融市场的波动不仅会受到自身过去波动的影响，也会受到来自其他金融市场的影响。
2.1.2 波动溢出的形成机理
有效市场假说认为市场信息能够体现在资产价格上，资产价格能够根据市场信息的变化进行调整。市场之间的信息是相互流通的，但市场对可获得信息和实际获得信息往往是不等对的，甚至还存在着时间上的滞后。市场信息会反馈到资产价格上，并在价格上呈现出不同。换句话说，信息的流动会导致价格发生波动变化，产生波动溢出效应，因此信息外溢被视为是金融市场波动溢出的内因。
投资者行为是金融市场波动溢出发生的直接条件，市场间的波动会带来价格上的变化，而价格变化必须由投资者的交易行为来完成。金融市场中普遍存在信息不对称的现象，致使投资者不能准确地掌握市场信息。投资者在进行决策时总是会期望获利，可能会受舆论影响而借鉴或模仿其他投资者的决策，导致某一决策行为被放大，从而放大了市场的波动，即所谓的“羊群效应”。“羊群效应”能够将个人行为效应扩大到群体效应，由小波动引发大波动，形成波动溢出效应
宏观经济因素对金融市场的发展起着重要的作用，一方面宏观经济走向决定着金融市场的总体走势，另一方面宏观经济政策对金融市场起到了引导作用。参考国内外发展成熟的金融市场，金融自由化的推进及金融管制的放松能给资本流动提供有力空间，为投资者的金融活动提供制度保障，促进金融市场间信息的流动。我国金融市场由过去的“金融压抑”状态逐步转入“经济新常态”，金融管制逐步放松，例如各类机构进入金融市场门槛降低、放松利率管制、放松信用制度、放松对资本流动的限制等。这一系列局促都为金融市场间产生波动溢出效应提供了良好的外部条件。
........................
2.2 小波分析方法
小波分析方法自提出以来就被广泛地应用到各个学科领域，其具有很好的时频局部化分析特性，可以得到时间序列在不同频率下的微观信息，素有“数学显微镜”之称。
由于连续小波变换的缩放因子和平移因子是连续变化的，连续小波基函数就会形成一组任意小波展开系数之间都具有相关关系的非正交过渡完全基，因此连续小波变换存在着信息冗余。离散小波及离散小波变换（DWT）通过对连续小波的缩放因子和平移因子进行离散可以大大降低连续小波变换系数的冗余度，具有非常好的实用性。从理论上来讲，小波变换是原序列与小波的卷积。而在实际上，对于离散时间点，离散小波变换完全可以不和连续小波变换联系而自己形成一套完整的体系（Donald 和Andrew，2006），接下来我们将采用 Donald 和 Andrew 的陈述介绍相关内容。
极大重叠离散小波变换（MODWT）是离散小波变换的改进版本，是一个高度冗余的非正交变换。与离散小波变换相比，它所需的样本容量不再受限制，小波变换的细节和平滑部分与零相位滤波器相关，多分辨分析特征可以与原序列的特征对应。 层离散小波变换的抽样尺寸限制在 的整数倍上，而极大重叠离散小波变换对任意抽样尺寸 都有很好的定义。
.............................
第 3 章 互联网金融与银行间波动溢出效应强度分析 ............................ 20
3.1 变结构 Copula 模型 ........................ 20
3.2 数据的选取及预处理 ........................... 21
第 4 章 互联网金融与银行间波动溢出效应方向分析 ............................ 34
4.1 Diebold-Yilmaz 溢出指数模型 ...................................... 34
4.2 数据预处理 ............................ 36
第 5 章 互联网金融市场影响下银行间的波动溢出效应分析 ...................... 44
5.1 ST-VCopula 模型 ............................ 44
5.1.1 ST-VCopula 模型的构建 ...................................... 44
5.1.2 ST-VCopula 模型选择的假设检验 .............................. 45
第 5 章 互联网金融市场影响下银行间的波动溢出效应分析
5.1 ST-VCopula 模型
5.1.1 ST-VCopula 模型的构建
本章节中，我们使用第三章中已处理好的银行收益率残差小波序列进行研究，选用互联网金融波动率序列作为模型中的外生变量，其中波动率序列由第三章中对应的GARCH 类模型已估计条件方差来衡量。通过在不同时间尺度上分别对银行两两之间的相依结构建立 ST-VCopula 模型，研究分析互联网金融影响下的银行间相依结构及波动溢出效应。
我们分别构建了 ST-VCopula 与静态 Copula 模型对收益率残差小波序列的概率积分转换序列进行拟合，选取正态 Copula、t Copula、Clayton Copula、Gumbel Copula作为备选函数，分别构建静态 Copula 与 ST-VCopula 模型。实证结果表明 ST-VCopula模型与静态 Copula 模型的最优 Copula 函数均为 t Copula。这说明不同类型的银行两两之间也具有对称的尾部相依结构，一类银行股票价格的上涨或下跌很有可能会引发起另一类银行股票价格的上涨或下跌。表 5.1 表 5.4 分别为国有银行与股份制银行、国有银行与城市银行和股份制银行与城市银行的 ST-VCopula 模型参数估计，表中亦提供了对应的静态 t Copula 相关参数用以对比，其中 、 为 ST-VCopula 模型的两个相关参数， 为静态 t Copula 相关参数， 为模型的检验统计量。
.........................
第 6 章 研究结论与展望
6.1 研究结论
为揭示互联网金融与银行之间的波动关系，本文在小波多分辨分析方法的基础上，对互联网金融与不同类型银行的波动溢出效应强度、方向以及互联网金融对整个银行市场的波动影响进行了整体的探讨。本文的主要工作内容与结论如下：
第一，目前国内外学者大多基于时域的角度出发研究波动溢出效应，忽略了不同交易周期上表现出的波动溢出效应。因此本文将小波多分辨分析与变结构 Copula 相结合探讨互联网金融与银行间的波动溢出效应强度。结果表明，不同银行与互联网金融的相关结构不同，在不同的交易周期上银行与互联网金融的相关结构也不同。在互联网发展初期，国有银行、股份制银行、城市银行与互联网金融间存在长周期上的波动溢出效应。而在互联网金融发展进入平稳发展阶段后，银行与互联网金融间的波动溢出效应在短、中、长周期上都很明显。
第二，为了探索波动溢出的方向，我们从收益率传导和波动率传导两个角度出发，采用收益率残差小波序列、波动率小波序列进行实证分析。全样本 Diebold-Yilmaz 溢出指数模型结果表明互联网金融与银行间的收益率溢出水平高于波动率溢出水平，且收益率溢出和波动率溢出都具有明显的非对称性。总的来说，互联网金融在五个尺度上都是波动率溢出的净输出者，在第一尺度和第三尺度上为收益率溢出的净接受者，在其他尺度上则为收益率溢出的净输出者。银行方面，研究发现作为系统重要性银行的国有银行在受到最多的互联网金融波动的同时，受到的互联网金融收益率溢出却是最小的，即从股价上来说受到互联网金融的影响是最小的。分阶段 Diebold-Yilmaz 溢出指数模型结果说明互联网金融与银行间的波动溢出效应在不同阶段存在着不同的传导形式。收益率溢出的传导模式比较复杂，波动率溢出在天至月的交易频率上方向为互联网金融到银行。长周期上，互联网金融发展初期的收益率溢出方向为银行到互联网金融、波动率溢出方向为互联网金融到银行，互联网金融进入平稳发展阶段后收益率溢出方向为互联网金融到银行、波动率溢出方向为银行到互联网金融。
参考文献（略）