http://www.sinoss.

net

中国大宗商品市场与股票市场的联动性分析

熊正德 李超楠
（湖南大学工商管理学院，湖南省、长沙市，410082）

摘要：以大宗商品市场与股票市场为研究对象，采用 DCC-GARCH 模型，选取 2004 年 6 月 1 日至 2020

年 12 月 31 日的样本数据，对中国大宗商品市场与股票市场的联动性进行了实证检验。结果表明：中国大
宗商品市场与股票市场的收益率之间存在显著的联动性，且具有显著的时变性，正常情况下具有正相关性；
中国大宗商品市场与股票市场的联动性呈现倒“金字塔”型，金融类商品处于最高层，中间是能源类商品，
最底层则是农产品类商品；当金融市场突发重大影响事件时，大宗商品市场与股票市场联动的强度与方向
均会随之迅速发生改变，在金融危机发生之后，部分商品市场与股票市场的联动性大于金融危机前。
关键词：DCC-GARCH 模型，大宗商品，联动性
中图分类号： C94 文献标识码：A

1.引言
自 2000 年以来，商品投资的流入开始以前所未有的速度增长，据报道已从 2003 年的
[1]
150 亿美元增加到 2009 年的 2500 亿美元（Irwin 和 Sanders，2011） ，Domanski 和 Heath
[2]
（2007）将此称为商品期货市场的“金融化” 。Tang 和 Xiong（2012）发现，自 2000 年
以来，商品指数投资的快速增长使美国非能源商品期货的价格与石油价格之间的联系越来越
紧密，并将其与外部金融市场联系起来，促成了商品市场的金融化进程。商品金融化使单个
商品的价格不再仅由其供求关系决定，还取决于投资者对金融资产的总体风险偏好和多样化
的投资行为，并认为只要商品指数投资在金融投资者中仍然很受欢迎，金融化过程就可能一
[3]
直持续下去 。
随着大宗商品金融化程度不断加深，大宗商品的价格与股票价格之间的联系越来越紧
密。钟腾和汤珂（2015）使用 2003 年 6 月至 2014 年 12 月中国股票和商品期货数据，研究
发现，中国商品期货回报率与股票回报率高度正相关，意味着商品期货分散股票组合风险的
[4]
能力较弱 。Öztek 和 Öcal（2017）使用农产品指数、贵金属指数和标普 500 指数分析了商
品市场与股票市场之间的时变相关性，发现农产品与股票的相关性不大，但在 2008 年金融
[5]
危机期间相关性在不断增加 。许祥云等（2018）选取 RJ/CRB 指数以及布伦特原油、铜、
铝、铅、锌、镍和黄金、白银等 8 种商品期货价格分析了中美金融市场对大宗商品市场的影
响，发现金融危机前，中国股票市场对所有大宗商品均无显著影响，而在金融危机后，除黄
[6]
金之外，中国股票市场对所有商品均有显著的正向影响 。
在有效估计金融资产之间条件相关性的模型中，多元 GARCH 类模型是目前比较流行的。
但在多变量 GARCH 情况下，需要估计的参数数量较大，且随着资产数量的增加呈指数增长。
[7]
为了更好地捕捉金融市场之间信息的传递，Bollerslev(1990) 引入了常数条件相关 GARCH
模型，即 CCC-GARCH 模型，该模型具有时变的条件方差和协方差，并假设所有变量的条件相
关性是不变的常数，这种结构极大地简化了估计过程。然而，由于金融市场本身的复杂性，
资产之间的条件相关性通常是随着时间的推移而变动的，无法确保 CCC-GARCH 模型的假设成
[8]
立。为了解决多元 GARCH 的增维问题和 CCC-GARCH 模型的常相关问题，Engle(2002) 引入
了更具灵活性的动态条件相关 GARCH 模型，即 DCC-GARCH 模型。一方面，该模型放宽了
CCC-GARCH 模型需要的常相关假设，允许时变相关。另一方面，在 DCC-GARCH 模型中，需要

-1-
 http://www.sinoss.net

估计的参数的数量是线性增长，而不是指数增长，从而解决了多元 GARCH 模型的维数问题，

从而能够更好地描述不同时间序列相关性的传递过程。
目前，DCC-GARCH 模型被学者们广泛应用于市场间联动关系的研究中。Zhang 等（2017）
引入 VT-DCC 方法研究了 1999 至 2015 年美国和欧洲的石油、天然气和股票市场之间的关系，
证实了股票市场和石油市场是相互关联的，石油价格不仅反映其基本面，还反映市场风险厌
恶或投资者情绪。研究结果表明，商品金融化趋势在 2008 年之后依然存在，石油和天然气
[9]
市场、能源和股票市场之间的相互作用随着时间的推移变得更加密切 。Ugur Akkoc 和 Irfan
Civcir（2019）使用不同版本的 SVAR-DCC-GARCH 框架分析了土耳其的石油，黄金和股票市
[10]
场收益之间的动态关系，证实了从黄金和石油到土耳其股票市场的时变联动性 。
当下全球疫情防控严格、中美贸易关系紧张、国家利益冲突明显，不确定性因素很多，
对大宗商品以及股票市场的影响也更加复杂。资产价格波动较为剧烈，带来交易机会的同时，
也增加了风险，在资产价格“过山车”式暴跌暴涨中更需要警惕因市场联动关系带来的不确
定性。而作为最大的发展中国家，中国不仅是大宗商品的主要需求者，还是国际大宗商品的
[11]
主要供给者之一，在 500 余种主要工业品中，我国有超过 220 种产品产量居世界第一 。可
以说，中国大宗商品供求在国际上占有主导地位。大宗商品牵连国家经济命脉，国之重者，
与国民经济的方方面面都息息相关，必须得到重视。
在金融市场不断变化的环境下，本文基于 DCC-GARCH 模型，评估中国大宗商品期货市场
与股票市场之间的联动性，有重要现实意义。对投资者而言，可以借助大宗商品价格的走势，
减少个人主观判断的偏差，对股票进行更加合理的估值，增加股票市场的有效性。对于金融
市场决策及监管当局而言，了解中国大宗商品金融化的进程，有助于清晰识别当前市场状态，
在稳定商品物价、推进市场有序健康发展等方面有所启示。
本文其余部分的结构如下：第 2 节是对本文在实证研究中所使用的方法即 DCC-GARCH
模型的介绍；第 3 节是数据说明与处理，主要是对实证部分所选取的变量进行了说明与预处
理，包括对数据的描述性统计分析和平稳性检验；第 4 节是本文的主要实证部分，先是对每
个变量进行 GARCH（1，1）估计，然后取各个单变量 GARCH（1，1）模型得到的标准差结果
进行 DCC-GARCH 模型估计，构建中国大宗商品市场与股票市场的动态相关系数，并对实证结
果进行分析；第 5 节简要介绍了本文的主要研究结论。

2.研究方法
DCC-GARCH 模型假设 k 种资产的收益率向量 是有条件的多变量正态分布，其
均值为 0，协方差矩阵为 。一般形式的 DCC-GARCH 模型可表达如下：
（1）
（2）
（3）
（4）

（5）

其中， 是 在 t 时刻的信息集， 是经单变量 GARCH 模型求出的时变标准差组成

的对角矩阵，这里 ， ，也就是说每
一个资产的收益率服从一个 GARCH（q，p）过程。 是动态条件相关系数矩阵， 是正定的

-2-
 http://www.sinoss.net

动态异方差矩阵， 是由标准化残差 组成的无条件方差协方差矩阵， 是对角矩阵， 和

是 DCC-GARCH 模型的动态相关系数，需满足 的约束条件。
用 代表二元变量的 DCC-GARCH 模型相关系数，则 的计算公式为：

（6）

DCC-GARCH 模型可以使用两阶段准极大似然法进行估计。
第一阶段，先对每项资产的收益率时间序列建立均值方程，构建单变量 GARCH 模型，
得到各个变量的标准化残差序列。单变量 GARCH 模型的参数方程的表达式为：
在实证中，对于单变量 GARCH 模型的选择，通常使用最多的 GARCH(1,1)模型，
GARCH(1,1)模型已经能够很好地拟合金融资产的收益率波动特征，而且能够体现模型构建的
[11]
简约性 。
通过使用极大似然估计方法，每个单变量 GARCH 模型的参数 被分解成了两个部分：
， ，分别表示第ｋ种资产收益率序
列的单变量过程估计参数。其中，似然函数的表达式为：

（7）

在第二阶段，直接利用第一阶段产生的标准化残差结果，继续采用与第一阶段相同的
极大似然估计法估计 DCC 模型的系数 和 ，计算动态相关系数。用 表示第一阶段估计单变
量 GARCH 模型得到的参数估计值，用 表示 DCC 模型的待估参数，则这阶段的极大似然函数
可简化成：

（8）

3.数据选取和处理

3.1 大宗商品数据选取
大宗商品的双重属性使大宗商品期货市场自建立时起便自带着价格发现功能，而且，
每种大宗商品期货均为以其本身为基础的标准化合约，可以有效削减商品异质性的影响，因
[12]
此，大宗商品期货数据适合作为间接反映大宗商品市场变化的数据来源 。因此，本文在实
证研究中将从大宗商品期货市场上选择合适的期货作为研究指标，具体计量数据从综合指
数、具体期货两个层面选择。
南华商品期货综合指数自 2008 年首次公布到现在，已运行数十年，实际结果证明，南
华商品指数具有很强的表征作用，特别是在揭示经济运行的转折点时，它通常领先于生产者
物价指数(PPI)，可以用作 PPI 的先行指标，为宏观经济提供早期预警信号。因此，从整体
上看，该指数可以作为反映中国大宗商品市场整体运行情况的重要指标。
为了进一步探究大宗商品市场与股票市场的联动关系，在选择了描述大宗商品市场整
体概况的综合指数后，考虑使用具体商品期货数据。虽然我国大宗商品品种丰富，门类繁多，
但大体上可被归为能源、金融以及农产品三个类别。在能源类商品选择方面，天然橡胶期货
于 1999 年 12 月 26 日在上海期货交易所上市交易，目前天然橡胶在期货市场已经成为一个

-3-
 http://www.sinoss.net

成熟的品种，根据上海期货交易所公布数据，2018 年天然橡胶期货累计单边成交量为
6184.55 万手，累计成交金额达 14.73 万亿元，成交规模稳居全球天然橡胶期货市场第一。
因此，可以合理选用天然橡胶期货代表我国能源类商品。
在金属类商品选择方面，金属是基础建设的重要支撑材料，目前中国是全球最大的精
炼铜生产、消费和进口国，据中国有色金属工业协会和中国海关统计，2019 年我国精炼铜
生产 978.4 万吨，全球占比 41.24%，消费 1208.0 万吨，全球占比 50.72%，净进口 323.4
万吨，均居世界首位。铜期货市场历史悠久，于 1992 年就开始在上海期货交易所上市交易，
运行平稳，在管理风险、发现价格和配置资源等方面发挥了重要的市场功能，“上海价格”
和“伦敦价格”相互引导，上期所已成为国际铜行业公认的全球三大铜定价中心之一。故而，
本文选择铜期货作为金属类商品的代表。
在农产品类商品选择方面，与大部分文献一致，采用黄大豆一号期货作为代表。黄大
豆期货是最早上市交易的农产品，1993 年就在大连商品交易所挂牌交易，因政策调整，又
于 2002 年 3 月 15 日推出了以非转基因大豆为标的的黄大豆一号合约，黄大豆一号期货交易
手数也位列全球农产品类衍生品前 20 位，中国大豆贸易总量占全球 65%，也位于世界第一，
在贸易摩擦等背景下，大豆也多次被推到风口浪尖，因此大豆可能是一个比较引人关注的研
究点。

3.2 股票数据选取
在股票数据的选取方面，本文还选用了沪深 300 指数作为国内股票市场的代表，沪深
300 指数正式发布于 2005 年 4 月 8 日，由沪深证券交易所联合发布，用以反映中国 A 股市
场整体走势的指数。沪深 300 指数样本既包含沪交所数据，又包含在深交所上市的公司数据，
覆盖了沪深市场六成左右的市值，具备较好的市场代表性，可以从整体上反映中国证券市场
股票价格变动的概貌和运行状况。此外，为了与国内股票市场的研究结果进行比较，本文还
选用美国标准普尔 500 指数（英文缩写为 S&P500Index）代表国外股票市场。标准普尔 500
指数是由标准普尔公司于 1957 年发布的一个指数，涵盖了美国 500 家上市公司，历史悠久。
该指数是根据纽约证券交易所上市股票的绝大多数普通股票的价格计算而得，能够灵活地对
认购新股权、股份分红和股票分割等引起的价格变动做出调节，指数数值较精确，并且具有
很好的连续性，所以具有很大的代表性。

3.3 数据处理
本文数据来源于同花顺金融数据终端，所有变量均采用收盘价，其中三种具体大宗商
品期货使用连续合约收盘价，数据频率均为日度数据。此外，选择样本周期为 2004 年 6 月
1 日至 2020 年 12 月 31 日，原因有二：一是南华商品期货综合指数能追溯到的最早日期就
是 2004 年 6 月 1 日；二是此数据区间涵盖了 2004 年之后的指数投资大量流入商品市场的商
品金融化开端、2008 年的全球金融危机以及近年来的中美贸易摩擦等对金融市场影响重大
的经济事件，包含了完整的经济周期，可以使研究结论更加全面客观，在一定程度上避免了
只单独研究经济上行期或经济下行期带来的偏误。
最后，为了消除量纲不同的影响，减少数据的异方差性，本文使用每个变量的对数差
分收益率，用来替代原始价格收益率。由于经过取对数再差分之后的数据较小，为提高精度，
在当期价格和上一期价格对数之差的基础上扩大一百倍。记变量 i 在 t 时刻的价格为 ，则
对应的收益率 的计算公式可表示如下：

-4-
 http://www.sinoss.net

（9）
其中，i=1，2，3，4，5，6，分别表示本文所选的六种资产即南华商品、铜、天然橡
胶、大豆、标普 500 指数和沪深 300 指数，为了下文研究方便，本文用英文字母组合对各收
益率序列变量的名称进行了简化，变量的含义如表 1 所示。
表 1 变量含义
变量简称 符号 具体含义
南华商品 RNHCI 南华商品期货综合指数收益率序列
铜 RCU 铜期货收益率序列
天然橡胶 RRU 天然橡胶收益率序列
大豆 RA 豆一期货收益率序列
标普 500 RSP500 标普 500 指数收益率序列
沪深 300 RHS300 沪深 300 指收益率序列
首先，使用 EViews8.0 对处理后得到的各变量的收益率序列进行基本的描述性统计分
析，结果详见表 2。
表 2 描述性统计结果
变量 南华商品 铜 天然橡胶 大豆 沪深 300 标普 500
均值 0.0130 0.0193 -0.0044 0.0146 0.0335 0.0313
中位数 0.0238 0.0393 0.0000 0.0000 0.0743 0.0774
最大值 4.2684 10.2981 19.5712 13.3464 8.9310 10.9572
最小值 -5.6509 -8.0742 -19.8759 -17.7701 -13.0116 -13.7989
标准差 0.9481 1.4826 1.9103 1.3417 1.7487 1.2793
偏度 -0.2968 -0.2573 -0.0748 -0.6769 -0.5290 -0.7299
峰度 5.1032 6.6987 13.1872 22.9763 7.6185 19.1636
J-B 统计量 763 2227 16574 64008 3585 42055
P值 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
从数据的基本描述性统计结果来看，南华商品指数与三种具体大宗商品的收益率均值
与中美股票均值并无较大差距，各变量收益率序列的均值都比较小，除天然橡胶收益率序列
的均值为负值之外，其他变量均为接近于 0 的正数。相比之下，各变量的标准差则较大，除
南华商品指数之外，其余变量的标准差均大于 1，可见市场中存在一定的波动性，其中天然
橡胶的标准差最大，说明其价格波动相对比较剧烈。从偏度和峰度来看，各收益率序列的偏
度均为负数，呈左偏分布，峰度值均大于 3，存在超峰现象，符合金融数据尖峰厚尾的特征。
最后的 J-B 统计量为 Jarque-Bera 正态性检验统计量，可以看到 P 值均远小于 0.01，拒绝
原假设，说明各收益率序列均不服从正态分布。
通常，在经济计量中使用相关模型对数据进行建模分析时，需要数据满足平稳性的要
求，否则会出现伪回归。为了检验各种资产收益率数据的平稳性，本文采用 ADF 单位根对数
据进行了单位根检验，结果如表 3
表 3 平稳性检验
模型类型 ADF 检验 t 统计量 P值 平稳性
intercept -64.2619 0.0001 平稳
南华商品 trend and intercept -64.2542 0.0000 平稳
none -64.2583 0.0001 平稳
intercept -32.7934 0.0001 平稳
铜 trend and intercept -32.8020 0.0000 平稳
none -32.7868 0.0001 平稳
intercept -61.8880 0.0000 平稳
天然橡胶
trend and intercept -61.8837 0.0000 平稳

-5-
 http://www.sinoss.net

none -61.8957 0.0001 平稳

intercept -69.0103 0.0001 平稳
大豆 trend and intercept -69.0112 0.0000 平稳
none -69.0099 0.0001 平稳
intercept -61.8570 0.0001 平稳
沪深 300 trend and intercept -61.8497 0.0000 平稳
none -61.8363 0.0001 平稳
intercept -70.1954 0.0001 平稳
标普 500 trend and intercept -70.2038 0.0000 平稳
none -70.1569 0.0001 平稳
表格中的模型种类 intercept、trend and intercept、none 分别代表只包含截距项、
同时包含截距项和趋势项、完全不存在截距项和趋势项的模型设定。通过 ADF 检验结果可知，
各资产的收益率序列在三种模型下的ｔ统计量对应的ｐ值均显著小于 0.01，拒绝原假设，
故而能够说明各变量不存在单位根，各种资产的收益率序列均为平稳时间序列数据，可以直
接对其进行回归分析。

4.实证分析

4.1 均值模型的建立
在建立各单变量的 GARCH 模型之前，首先需要确定各变量收益率序列的均值模型的具
体形式。在实际经济问题中，由于经济时间序列变量固有的惯性，会导致样本序列出现自相
关的现象。因此，在建立均值模型之前，对各收益率序列进行了自相关检验，部分Ｑ统计量
及其对应的 P 值如表 4 所示。
表 4 收益率序列的自相关检验
变量 Q（5） P值 Q（10） P值
南华商品 18.3020 0.0030 40.7760 0.0000
铜 26.0660 0.0000 45.0360 0.0000
天然橡胶 24.0460 0.0000 41.6370 0.0000
大豆 50.6930 0.0000 56.3180 0.0000
沪深 300 20.4560 0.0010 35.2050 0.0000
标普 500 66.6210 0.0000 93.9740 0.0000
根据各个变量收益率序列自相关检验的结果可知，大宗商品市场与股票市场上的六种
资产的收益率序列均存在一定程度的自相关性，因此均值模型适合采用 ARMA(p,q)模型的形
式。为了赋予每个变量较为适宜形式的均值模型形式，本文首先依据各变量的自相关图和偏
相关图来估计 p、q 的范围，然后依次使用不同滞后阶数反复进行试验，最终根据每种系数
对应的ｔ统计值和相应ｐ值的显著性，并同时参考 AIC 值、模型拟合优度等因素来确定各变
量 ARMA(p,q)模型的最佳阶数。利用 Eviews 经过多次实证估计比较，各变量建立的均值方
程形式分别为：南华商品期货综合指数序列使用 ARMA(2,1)、铜期货序列使用 ARMA (2,2)、
天然橡胶期货指数序列使用 ARMA(3,3)、大豆期货序列使用 AR(1)、标普 500 指数序列使用
AR(1)、沪深 300 指数序列使用 ARMA(1,1)。
对上述建立完的 6 个均值模型的残差序列分别进行自相关检验，根据部分 Q 统计量，
相对应的 P 值很大而不能拒绝原假设，表示各序列不存在自相关现象，建立的均值方程具有
较好的拟合效果。
由于 GARCH 模型的建立需要数据具有一定的 ARCH 效应，在均值模型建立好之后，利用
ARCH-LM 检验即拉格朗日乘数检验的方法，继续分别对各模型的残差序列进行 ARCH 效应检

-6-
 http://www.sinoss.net

验，结果如表 5 所示。ARCH-LM 检验的原假设是残差中直到 M 阶均不存在 ARCH 效应。根据

表 5 可知，对于 6 个均值模型的残差项来说，在滞后 5 阶的情况下，P 值均远小于 0.01，全
都没有接受原假设，说明六种资产的收益率序列的均值模型全部存在异方差，可以利用
GARCH 模型对其进行进一步的估计。
表 5 收益率序列的 ARCH 效应检验
变量 ARCH（5） P值
南华商品 260.9063 0.0000
铜 433.6070 0.0000
天然橡胶 16.7165 0.0000
大豆 276.9602 0.0000
沪深 300 88.6506 0.0000
标普 500 260.9063 0.0000
4.2 单变量 GARCH 模型结果分析
[13]
关于各单变量的 GARCH 模型，Bollerslev 等 指出 GARCH(1,1)模型不仅能够很好地拟
合金融资产的收益率波动特征，而且能体现模型构建的简约性，因此本文在第一阶段中选择
GARCH(1,1)模型分别对各均值模型的残差进行建模分析，结果如表 6 所示。
表 6 单变量 GARCH(1,1)模型参数估计
南华商品 铜 天然橡胶 大豆 沪深 300 标普 500
0.0198 0.0365 0.1266 0.3206 0.0122 0.0261
（***） （***） （***） （***） （***） （***）
0.0710 0.0962 0.0415 0.2133 0.0643 0.1291
（***） （***） （***） （***） （***） （***）
0.9075 0.8888 0.9244 0.6234 0.9353 0.8516
（***） （***） （***） （***） （***） （***）
0.9785 0.9850 0.9659 0.8367 0.9997 0.9807
注：***表示在 1%置信水平下显著，**表示在 5%置信水平下显著，*表示在 10%置信水平下显著。
表 6 中， 表示 ARCH(1)的参数估计，其值越大表明数据变动性不大， 表示 GARCH(1)
的参数估计，其值越大表明数据变动性较大，根据结果可知，每个 GARCH 模型均满足 与 之
和小于 1 的约束条件，同时各个系数的 t 检验均为显著，可以认为每一个变量的收益率序列
均满足 GARCH(1,1)的假设，模型较为稳定，整体拟合情况较好。

4.3 DCC-GARCH 模型实证分析

4.3.1 DCC-GARCH 模型参数估计
在第一阶段估计结束之后，保存第一阶段各单变量 GARCH 模型估计的结果，利用各变
量的标准化残差序列，完成了第二阶段的 DCC-GARCH 模型的估计，估计结果如表 7 所示。
表 7 DCC-GARCH(1,1)模型参数估计
变量组 theta (1) theta (2) theta (1) + theta (2)
RNCI-RHS300 0.0273（***） 0.9630（***） 0.9903
RNCI-RSP500 0.0050（***） 0.9909（***） 0.9959
RCU-RHS300 0.0116（***） 0.9853（***） 0.9969
RCU-RSP500 0.0037（**） 0.9941（***） 0.9978
RRU-RHS300 0.0114（***） 0.9873（***） 0.9987
RRU-RSP500 -0.0054（***） 0.7896（***） 0.7842
RA-RHS300 0.0144（*） 0.9406（***） 0.9550
RA-RSP500 0.0121 0.8357（***） 0.8478
注：***表示在 1%置信水平下显著，**表示在 5%置信水平下显著，*表示在 10%置信水平下显著。

-7-
 http://www.sinoss.net

表 7 中，theta(1)表示 ARCH 项系数，指代滞后一期标准化残差的乘积给动态相关系数

产生的影响，也就是说，变量下一期的波动性会受到现有信息的影响的程度，它的数值越大，
表示变量对新信息的敏感性越大。从表中可以看出，各变量组的 theta(1)项数值都不是很
大，其中，南华商品与沪深 300 指数的 theta(1)数值最大，说明南华商品对沪深 300 指数
所传递的信息较为敏感。theta(2)表示 GARCH 项系数，指代两个变量之间相关关系的持续性，
值越大表示先关性持续的时间越长。由表可知，各个变量组的这项数值都很高，说明大宗商
品市场与股票市场的相关性具有很高的持续程度。此外，每组变量的 theta (1) + theta (2)
均小于 1，满足模型的约束条件，且两个参数之和均接近于 1，同时各个系数的 t 检验均为
显著，说明所建立的 DCC-GARCH(1,1)模型是比较稳定的，各变量之间具有比较明显与持久
的联动关系。接下来将结合图表对各大宗商品与股票指数的 DCC-GARCH 模型的实证结果进行
详细分析。
4.3.2 大宗商品指数层面的 DCC-GARCH 模型实证结果分析
从大宗商品指数层面出发，即对南华商品期货综合指数与国内外股票指数的动态相关系
数进行分析，表 8 给出了两个变量组之间动态相关系数的基本统计特征。
表 8 南华商品与国内外股票的动态相关系数统计表
变量组 均值 中位数 最大值 最小值 标准差
RNCI-RHS300 0.34 0.35 0.72 -0.09 0.16
RNCI-RSP500 0.12 0.12 0.29 -0.04 0.06
可以看到，中国大宗商品综合指数与沪深 300 指数之间的动态相关系数的均值为 0.34，
处于 0.72 与-0.09 之间；而中国大宗商品综合指数与标普 500 指数之间的动态相关系数的
均值为 0.12，介于 0.29 与-0.04 之间。中国大宗商品指数与国内外股票指数之间的动态相
关系数的均值都是显著不为 0 的，这说明中国大宗商品市场和股票市场之间确实一定的长期
联动关系，并且都是正相关的，但是，从均值的大小差异来看，国外股票市场对其影响不如
国内股票市场明显，同时，从两组变量之间动态相关系数的标准差上看，南华商品与沪深
300 标准差更大，表明中国大宗商品市场与国内股票市场的波动溢出相对较大。

图 1 南华商品与沪深 300 指数的动态相关系数

图 2 南华商品与标普 500 指数的动态相关系数

图 1 与图 2 分别是南华商品与国内外股票指数之间的动态相关系数图。首先，由图可

-8-
 http://www.sinoss.net

以明显的看出，大多数情况下，南华商品期货综合指数与沪深 300 指数和标普 500 指数的相

关系数都是具有正向相关性的，随着时间的推移，相关系数发生了较大的起伏，甚至在特殊
时期会在拐点附近出现负相关，可见中国大宗商品市场与股票市场之间的联动性具有显著的
时变性特征。从与国内股票市场的联动性来看，大宗商品市场与国内股票市场之间存在特别
显著的时变性，在多个时间段循环呈现“V”字形状。例如，在 2008 年金融危机前后，在全
球金融危机爆发后，股票市场首先遭到重创，股票价格剧烈波动，而大宗商品市场上，商品
价格的不能及时与股价同步变动，所以两者之间的相关关系迅速下降。危机之后，随着美国
采取量化宽松的干预措施，中国及时调整宏观经济政策，形成促进经济平稳较快发展的“一
揽子”计划，大宗商品需求恢复，大宗商品与沪深 300 指数的正相关系数逐渐升高，至随后
又升到顶峰。
从国外股票市场来看，在 2008 年金融危机之前，中国大宗商品与标普 500 指数之间的
相关系数呈下降状态，至金融危机发生后下降至谷底也是样本期间内的最低点。而在危机后，
从 2009 年开始，两者之间的相关性比较稳定，但在 2015 年中国股灾和 2020 年新冠肺炎疫
情事件前后，均出现过稍稍明显的波动。总的来看，中国大宗商品市场与国外股票市场的相
关性系数虽具有一定的时变性，但是时变程度要小于国内股票市场。通过前文的国内外股票
价格走势分析可知，沪深 300 指数本身价格波动就比较剧烈，具有高度时变性，而标普 500
指数的价格除了在金融危机等特殊期间出现波动之外，大多数时间的价格走势都是较为平稳
的。
4.3.3 具体商品层面的 DCC-GARCH 模型实证结果分析
表 9 具体商品与国内外股票的动态相关系数统计表
变量组 均值 中位数 最大值 最小值 标准差
RCU-RHS300 0.31 0.30 0.62 -0.03 0.14
RCU-RSP500 0.11 0.12 0.28 -0.03 0.06
RRU-RHS300 0.22 0.22 0.50 -0.12 0.14
RRU-RSP500 0.11 0.11 0.19 -1.00 0.02
RA-RHS300 0.04 0.04 0.24 -0.16 0.05
RA-RSP500 0.01 0.01 0.19 -0.17 0.02
表 9 显示了不同类型的具体商品与国内外股票动态相关系数的基本统计特征。可以看
到，铜与沪深 300 指数的相关程度最高，动态相关系数的均值达到了 0.31，在 0.62 与-0.03
之间变动。其次是天然橡胶与沪深 300 指数，它们的动态相关系数的均值具体数值为 0.28，
变化范围是-0.12 至 0.50，说明金属类和工业品类的大宗商品与国内股票市场之间具有非常
显著的正相关性。农产品类大宗商品与国内外股票市场的相关性则稍显逊色，其代表指标大
豆与沪深 300 指数之间的动态相关系数均值为 0.04，在-0.16 至 0.24 之间变动，且大豆与
标普 500 指数之间的动态相关系数均值仅为 0.01，在-0.17 至 0.19 的区间内变动。从三种
具体类型的大宗商品与国内外股票的动态相关系数的均值上来看，总体上可以证明三种具体
的大宗商品市场与国内外股票市场都具有一定的正相关性，且与国内股票市场的相关性要大
于国外股票市场。下面将结合动态相关系数走势图对具体商品与国内外股票市场之间的时变
相关性进行更为详细的分析。
首先，针对金属类大宗商品与国内外股票之间的联动性。图 3 描绘了铜与沪深 300 指

-9-

图 3 铜与沪深 300 指数的动态相关系数

 http://www.sinoss.net

数动态相关系数的波动，可以明显的看出，铜与沪深 300 指数之间的相关系数具有高度的时

变性，多处呈现“V”字形状，与前文分析的大宗商品指数和沪深 300 指数的时变特征大体
上是一致的。自 2005 年以来，铜与国内股票间的相关性整体上呈先升后降的走势，15 年来
一共出现了三次高峰。第一次高峰在 2006 年，铜期货与沪深 300 指数的相关系数出现过 0.30
的峰值。第二次是在 2008-2012 年，这一阶段由于受金融危机、欧债危机等事件的影响，铜
与沪深 300 指数的相关系数达到了 0.55 的峰值。此后，伴随着全球经济环境好转，国内宏
观经济增速进一步增加，我国大宗商品市场规模及影响力显著提高，与国内股市的相关性未
出现较大调整。但在 2015 年中国发生股灾时相关系数几乎为 0，并在 2016 年之后，相关系
数出现回调，反映了商品市场和金融市场联动关系的减弱以及大宗商品定价回归供需基本面
的趋势。第三次高峰出现在 2020 年，期间铜与沪深 300 指数的相关系数达到了 0.62 的顶峰。

图 4 铜与标普 500 指数的动态相关系数

图 4 展现了铜期货与标普 500 指数动态相关系数的走势，可以发现一个相对明显的特征，
即从整体上来看，除去 2004 年大宗商品市场牛市阶段，自 2005 年下半年开始，金融危机发
生后的相关系数大于金融危机前。具体来看，金融危机前两者的动态相关系数在 0 上下波动，
虽在 2005 年下旬展露过一点波动，但其峰值仅在 0.1 左右，而在金融危机之后，随着全球
经济的复苏，铜期货与标普 500 指数的动态相关系数逐渐升高，并在欧债危机后的一段时间
内达到大于 0.2 的峰值。此后随着全球经济复苏，美国标普 500 指数进入十年牛市，两者之
间的相关系数逐渐稳定。最后，同样在 2020 年受新冠肺炎疫情影响，短时间内两个市场之
间的相关系数出现了较大的波动。

图 5 天然橡胶与沪深 300 指数的动态相关系数

图 6 天然橡胶与标普 500 指数的动态相关系数

- 10 -
 http://www.sinoss.net

其次，针对能源类大宗商品与国内外股票之间的联动性，图 5 与图 6 别展示了天然橡胶
与沪深 300 指数和标普 500 指数动态相关系数的走势。就与国内股票市场而言，由图 5 可知，
它们之间具有明显的时变性，且仔细对比后发现，天然橡胶与国内股票市场的时变相关特征，
与金属类大宗商品相似，基本上与整体大宗商品市场即大宗商品指数的多段循环“V”字走
势一致。然而，同一时期内，天然橡胶与标普 500 指数之间的动态相关系数的波动则是不同
的。由图 6 可以看到，抛去 2008 出现的断崖式下降，其余绝大多数时间内都在 0.1 上下波
动，可以认为，正常运行情况下，天然橡胶与国外股票市场存在较为稳定的正相关关系。需
要注意的是，2008 年昙花一现的异常现象，主要是由于全球金融危机导 致，并不会对天
然橡胶与国外股票市场的整体上的时变相关特征产生影响，这里对比其他具体类型的大宗商
品，之所以天然橡胶异变明显，可能是与商品本身的异质性相关。

图 7 大豆与沪深 300 指数的动态相关系数

图 8 大豆与标普 500 指数的动态相关系数

最后，针对农产品类大宗商品与国内外股票之间的联动性。图 7 与图 8 分别为大豆与
沪深 300 指数和标普 500 指数的动态相关系数图。由图可知，农产品与国内外股票市场之间
的相关性随时间推移变化地较为平缓。大豆与沪深 300 指数和标普 500 指数的动态相关系数
走势基本平稳，总体上分别在均值 0.04 和 0.01 处上下波动，除了在外部经济环境不稳定时，
没有出现强烈的波动，大部分时期都在零值以上，可以看出农产品商品市场与国内外股票市
场之间具有一定的正相关性，但总体上时变联动性不如大宗商品整体市场表现突出, 这可能
[14]
与中国农业领域国际化程度较低的事实相关 。

5. 结论
本文采用 DCC-GARCH 模型研究了 2004 年 6 月至 2020 年 12 月中国大宗商品期货市场与
股票市场的联动关系，主要结论包括：（1）不管从综合指数层面还是具体类别商品层面，
实证结果均表明了中国大宗商品市场与股票市场之间存在显著的时变联动性，正常状态下呈
正相关，并且中国大宗商品市场与国内股票市场的联动性要明显大于国外股票市场。（2）
平均而言，在三种具体类别商品中，铜与沪深 300 指数、标普 500 指数的动态相关系数最大，
天然橡胶次之，大豆最小，说明中国大宗商品市场与股票市场的联动性出现了显著的分层化，

- 11 -
 http://www.sinoss.net

大宗商品金融化程度存在不一致性，即金融类商品的金融化较高，能源类商品的金融化次之，
农产品类商品的金融化程度最低，可以考虑在投资组合中配置不同的商品组合以减少风险。
（3）金融危机后部分商品市场与股票市场的联动性大于金融危机前，当金融市场突发重大
影响事件时，大宗商品市场与股票市场的联动性会增强，不仅相关系数强度会出现大幅波动，
方向也会迅速改变。

参考文献

［1］Irwin S H, Sanders D R. Index funds, financialization, and commodity futures markets[J]. Ap

plied Economic Perspectives and Policy, 2011, 33(1): 1-31.

［2］Domanski D, Heath A. Financial investors and commodity markets[J]. BIS quarterly review,
March, 2007. (March), p: 53 –67.

［3］Tang K, Xiong W. Index investment and the financialization of commodities[J]. Financial Anal
ysts Journal, 2012, 68(6): 54-74.

［4］钟腾,汤珂.中国商品期货投资属性研究[J].金融研究,2016(04):128-143.

［5］Öztek M F, Öcal N. Financial crises and the nature of correlation between commodity and s
tock markets[J]. International Review of Economics & Finance, 2017, 48: 56-68.

［6］许祥云,余聪,李立恒.中国金融市场波动如何影响国际大宗商品价格[J].金融学季刊,2018,12(04):146-1
74.

［7］Bollerslev T. Modelling the coherence in short-run nominal exchange rates: a multivariate ge

neralized ARCH model[J]. The review of economics and statistics, 1990: 498-505.

［8］Engel, R. Dynamical Conditional Correlation A Simple Class of Multivariate Generalized Autor

egressive Conditional Heteroskedasticity Models[J]. Journal of Business & Economic Statistics,200
2,(20).

［9］Zhang Y J, Chevallier J, Guesmi K. “De-financialization” of commodities? Evidence from stoc

k, crude oil and natural gas markets[J]. Energy Economics, 2017, 68: 228-239.

［10］Akkoc U, Civcir I. Dynamic linkages between strategic commodities and stock market in Tur
key: Evidence from SVAR-DCC-GARCH model[J]. Resources Policy, 2019, 62: 231-239.

［11］朱天箭. 基于 DCC-MVGARCH 模型的中国大宗商品价格联动关系研究[D].湖南大学,2016.

［12］韩恒怡. 大宗商品金融化背景下国内外股市对我国大宗商品市场的溢出效应研究[D].南京大学,2018.

［13］Bollerslev T,CHOU R Y,KRONER K F.ARCH modeling in finance: a review of the theory a

nd empirical evidence[J]. Journal of Econometrics,1992,52(1-2):5-59

［14］Ruolan Ouyang, Xuan Zhang .Financialization of agricultural commodities: Evidence from Ch

ina[J] Economic Modelling,2020, 85(02):381-389.

- 12 -
 http://www.sinoss.net

The Dynamic Linkage Change among Chinese commodity market and

stock market

Xiong Zhengde Li Chaonan

(Business School,Hunan University, Changsha, 410082)

Abstract： To investigate the dynamic linkage change among the commodity market and the stock
market, this paper uses the DCC-GARCH model, selects the sample data from June 1, 2004 to
December 31, 2020.The results show that there is a significant correlation between the returns of
Chinese commodity market and stock market, and the correlation is time-varying significantly, which
normally has a positive correlation.The correlation between Chinese commodity market and stock
market shows an inverted "pyramid" type, with financial commodities at the top, energy commodities in
the middle, and agricultural commodities at the bottom.When a major impact event occurs in the
financial market, the strength and direction of the linkage between the commodity market and the stock
market will change rapidly. After the occurrence of the financial crisis, the linkage between some
commodity markets and the stock market is greater than that before the financial crisis.

Keywords: DCC-GARCH Model, commodity market, Dynamic Linkage Change

- 13 -