《深沪两市开放式指数基金价格变动的互动关系实证研究13000字（论文）》

第第I页共28页深沪两市开放式指数基金价格变动的互动关系实证研究内容摘要本文试图分析深沪两市开放式指数基金价格变动的互动关系，从实证角度论证我国基金市场的发展及其存在的不足。在参考前人的文献下，以上海50ETF和深圳100ETF2020-2021年的数据为基础，通过单位根检验、协整检验、误差修正模型和格兰杰因果关系检验等方法来分析了上证50ETF和深证100ETF这两个变量之间的长期关系和短期关系。通过研究可以发现，这两个变量之间既存在着长期的协整的关系，又存在因果关系。基于上述实证分析，为评价我国证券市场的主要特征和投资者行为提供指导，并为政府制定相应的监管策略提供一定的帮助，更好地发挥了股票市场的重要功能。关键词：ETF;协整分析;误差修正模型;格兰杰因果检验目录TOC\o"1-3"\h\u22935第一章绪论 1173891.1研究背景 184281.2研究意义 184761.3国内外研究现状 2229001.3.1国外研究现状 2190401.3.2国内研究现状 270901.4研究目的及方法 396451.4.1研究目的 339271.4.2研究方法 330519第二章ETF基金概述 4240452.1ETF基金的定义 4266222.2ETF基金的特点 5932第三章时间序列基本理论 5260703.1时间序列的定义 5142713.2平稳时间序列的定义及意义 6206613.2.1平稳时间序列的定义 6125973.2.2白噪声序列 7182373.2.3平稳时间序列的意义 7135423.3平稳时间序列的检验 8201293.3.1检验样本自相关函数及其图形 856883.3.3平稳性的单位根检验 932527第四章协整理论与方法 11194294.1协整分析理论 12155504.1.1单整的定义 12235094.1.2协整的定义 126664.2协整检验方法 13141694.2.1EG两步法 13159724.3误差修正模型概念 146171第五章实证模型的构建和实证过程 15251815.1数据的选取与处理 15208825.1.1数据的导入 15239245.1.2深证100ETF的ADF检验 1689535.1.3上证50ETF的ADF检验 18301695.2协整检验 20138535.3格兰杰因果检验 2384735.4模型的结果分析 246525第六章结论与不足 2436376.1结论 24144856.2不足 2531054参考文献 2711079附录 29绪论1.1研究背景自邓小平提出的改革开放以来，特别是90年代之后，我国资本市场每年都在发展和成熟。但随着资本市场的快速发展，也出现了一些问题。在这种情况下，交易型开放式指数基金正在成为新兴市场的产物。绝大部分金融的时间序列都拥有两个特征，即非平稳性和时变波动性。非平稳性这个特点许多诸如开放式指数基金的变量都具有，它是指时间序列不能以常数或线性轨迹的形式表现出明显的趋势。所以传统统计检验、假设分析的准确性等都在一定程度上受到它的影响。一般来说，经济时间序列在定量经济研究中是不稳定的，在不稳定的情况下，往往会出现“伪回归”的问题。金融系统往往需要分析时间序列不同组成部分之间的相关性，如短期信息。为了综合短期信息的一致性和长期信息的一致性，我们需要分析两个或多个不稳定时间序列之间的长期均衡，即一个或多个时间序列之间的长期均衡。但是我国的基金市场仍存在很多不足，最突出的问题是基金投资结构单一、风险难以分散。本文试图从实证的角度分析上海两市开放式指数基金价格波动之间的关系，论证了我国基金市场的演变及其缺陷。基金价格变动选用深沪两市开放式指数基金指数这一指标。1.2研究意义本文介绍了协整理论，通过对我国开放式指数基金的实证分析，可以有效把握深沪两个市场的开放式指数基金价格变动之间的互动关系。具体来说，分析开放式指数基金的协整关系有以下几点意义：1、实际意义。如果我们把基金市场的指数时间序列联系起来，即其具有长期的均衡关系。这一信息对个人和机构在这方面具有一定的理论和技术价值，对整个基金市场进行有效的、合理的内部沟通投资也有一定的鉴定意义。2、理论意义。文章将从理论角度出发，运用统计分析描述经济发展的现状及演变趋势，并基于时间序列数据，运用协整分析、误差修正模型等方法检验了开放式指数基金的协整性。进而为投资者决策提供理论依据。提出一些建设性的意见。总而言之,交易型开放式指数基金其作为一种新的资本管理工具，在我国的资本市场上逐渐的发展。而资本市场最稳定的关键指标——协整关系的存在，对基金的所有参与者都有着巨大的意义。1.3国内外研究现状1.3.1国外研究现状上世纪90年代，全球第一只交易所交易基金在多伦多交易所诞生。直到1993年，美国出现了一种交易所交易基金标准，即普尔存托凭证（SPDRs）。伴随着越来越多金融产品的出现，ETF在全国甚至于全球都在飞速发展中。2003年，全世界发行的ETF加起来一共有281只，根据数据可以得到，在当时的情况下，ETF它的资产规模就已经有2100亿美元。截止到目前的情况下，ETF已经拥有30年的历史了，并且在这一年里，ETF也有了巨大的进步，全世界ETF的净流入资金已经达到了2380多亿美元。目前，全球ETF规模已达30亿美元。根据彭博所预测到的数据，截止到2025年，全球ETF的整体规模将达到60亿美元。。1.3.2国内研究现状在国家政策的指导下，中国证券监督管理委员会在2001年的第二季度成功与道富集团达成合作。经过不断地努力尝试，编制成功了ChinaNationalIndex指数，这个指数运用了交易所交易基金的产品模式，是以香港富基金为理念设计而成。之后，华夏基金管理公司在2003年10月又与道富集团合作，达成技术协议。中国华夏基金管理公司于2004年推出了第一只ETF，也就是华夏上证50ETF，经过五年的市场测试，在2009后，一系列ETF产品陆续出现，如风格指数ETF、主题ETF指数等产品。到2016年3月18日为止，我国ETF共分为八类：宽基基金、行业基金、亚太基金、债券基金、主题基金、策略基金、欧美基金以及风格基金。1.4研究目的及方法1.4.1研究目的文章从现实情况入手，获取沪深两市开放式指数基金的相关数据，实证剖析两者影响关系，并从结构视角进行全方位、全角度的阐述，得出分析结果。在此基础上，针对研究结果并结合当今实际的社会经济状况，进一步讨论分析，提出合理、适用的政策和建议。通过实证分析，能够明晰沪深两市开放式指数基金它们间的长期作用关系和短期波动情况。同时，依据格兰杰因果检验可以了解它们之间存在的因果关系，这对于了解我国现阶段的证券市场情况有着十分重要的作用。总而言之，本文旨在明晰沪深两市开放式指数基金的相互影响作用，并综合分析结果提出一些相对应的建议。1.4.2研究方法文章主要利用时间序列分析、协整理论与方法和统计学工具，通过建立计量模型对相关问题进行实证分析和讨论，从而求证沪深两市开放式指数基金的影响关系。（1）文献研究法根据研究目的或主题，通过对文献的研究和筛选，分析并且总结出国内和国外的最新研究理论成果，深入了解和剖析国内与国外的现阶段研究发展现状、观点和统计方法。（2）计量经济法根据收集到的时间序列的统计描述和相关的实证研究，研究结果以这些数据为单位，进行单位根检验、协整检验和格兰杰因果检验，研究的目的是确定研究对象与研究对象之间关系的具体情况，为进一步的分析打下坚实的基础；（3）经验分析法在实践中，结合理论方法，对研究现状进行了分析。阐明研究者之间的互动机制，以确定促进可持续经济增长的途径。综上，本文主要在理论分析的基础上结合了实证研究的分析方法。既结合前人的研究成果和理论观点，也根据实证结果对现阶段的经济状况进行全面分析。为了提高文献的可靠性，本文采用了综合的研究方法，编制了有效可靠的实证研究报告。ETF基金概述ETF基金的定义ETF一般被称为交易型交易基金。但其全称为交易型开放式指数基金，简称ETF（Exchange-TradedFunds）。其作为一种创新的衍生金融产品，弥补了封闭式基金无法换股所带来的不足，也弥补了开放式基金不允许在证券交易所入市的劣势，所以ETF具有具有独特的交易风格。ETF作为一种指数型基金，它的的独特的地方就在于它拥有着被动式的投资管理方法，具体而言就是拟合一个指数为最终标的。作为在交易所上市交易的基金，它的交易方式同单只股票大体相似，是在交易所里用一篮子证券交易。这种投资方式结合了开放式基金和封闭式基金的优点，是投资者的共同选择；作为ETF快速增长和发展的基地，美国吸引了大量投资者，目前，全球交易型指数基金70%的净资产都以美国的为主。正是因为ETF在美国的成功经验，让其他地区也意识到ETF的巨大潜力，然后开始闻风而动，ETF在多家证券交易所上市。至2013年12月31日，全球共有4900多只ETF，总财富值为21.1亿美元。ETF在成熟资本市场运作的巨大成功也影响到了中国资本市场，2004年12月30日，ETF在中国市场的里程碑式开盘：华夏上证50etf作为中国第一只ETF，开始在上海证券交易所上市。自此之后，我国的ETF也逐渐开始向美国、欧洲等成熟资本市场的ETF靠拢。至2013年12月31日，我国共上市交易80只ETF，规模资产提高到1548.74亿元。由此看来，我国ETF的发展即将表露出光明的前景。ETF的类型也呈现了多样性。其类型划分如下表所示：ETF类型划分方法股票型商品型债券型选择程序完全复制型抽样复制型——投资风格积极管理型消极管理型——跟踪指数国际指数型部门指数型基准指数型跟踪标的指数跟踪型包裹型——ETF基金的特点近年来，交易型基金作为一种新兴的投资工具，因其具有诸多优势而受到世界各国投资者的关注。特别是在以下方面：第一，分散风险。ETF主要采用完全复制和选择性复制两种方法来有效复制跟踪指标，对于ETF基金而言，系统性风险必须与上述指数一致，排除了非系统性风险的干扰，这样就可以让基金的收益率与标的指数的收益率大概相同。第二，基金容易管理。由于ETF的投资策略是一种被动的投资策略，基金经理不必遵守所有的投资目标，只需要密切关注各项指标以减少跟踪误差，这可以减轻基金经理的负担，有利于快速有效地管理基金。同时ETF机制是一种实时的申购和回收机制，这并不需要大量的现金，所以基金管理者可以持有高仓位，更方便于拥有良好的跟踪标的指数。第三，ETF实施一级与二级市场并存的交易制度。投资者既可以向基金管理公司申购或赎回基金份额，同时，又可以像封闭式基金一样在二级市场上按市场价格买卖ETF份额。由于同时存在二级市场交易和申购赎回机制，投资者可以在ETF市场价格与基金单位净值之间存在差价时进行套利交易。套利机制的存在，使得ETF避免了封闭式基金普遍存在的折价问题。。第四，ETF资金门槛低、费用低。ETF的申购赎回成本只需是100倍的整数费，包括管理成本、交易成本等，只有遵循目标并保持适当的份额，才不会导致显著的交易成本，另外，目标市场的研究和分析成本也应该降低，这些都会降低基金的资金管理成本。时间序列基本理论3.1时间序列的定义假设有一个时间集命名为T，当t∈T时，xt为随机变量，那么对于所有{xt，t∈T}，当T取连续集时，例如T={−∞,+∞}或者T={0,∞}，…，称{xt}为随机过程；而当T取离散集时，如T={1,2,…}，或T={1,2,…,n}，则把{x一般来说，一个随机的时间序列的样本序列x1,x2,…,xn是通过搜集和整理得来的，我们常常将其称作随机序列{xt}的一个现实。我们通常能够依据时间序列来观察社会经济中的一些发展变化过程，讨论其发展走向和发展快慢，并努力摸清客观事物的发展规律，综合运用过去的历史数据对生活中存在的经济现象进行展望和预测，这对于统计研究都有着重大意义。3.2平稳时间序列的定义及意义在经济问题的研究中，平稳时间序列式最常见的时间序列，简单来说，在这里，“平稳性”是指序列的统计特征，这些特征在时间上没有变化。但是，在实践中，时间序列并不总是稳定的，但为了了解数据的规律性，往往要求时间序列是稳定的。可以理解的是，平稳性意味着通过样本时间序列得到的拟合曲线可以在下一个周期中沿着惯性的形式继续下去。3.2.1平稳时间序列的定义具体定义为，假设一组随机变量xt1,xt2，…，xtn，对于任意正整数n，时间序数t1<F(xt1,xt2，…，xtn)=F(xt1+τ,x然后，将符合上述特征的时间序列称为平稳时间序列，通常意义上称之为“严平稳时间序列”。可在解决一些现实问题时，一般不要求时间序列的全部阶矩都为平稳的，仅仅需要它的一、二阶矩平稳即可，这种情况下，便将此序列称为弱平稳时间序列。它指的是时间序列{xt}，关于任意一个整数t，都有E[x（1）存在着任意t,都有[E(xt（2）Var(xt)=σx2（3）对于任意整数t和k,有γt,t+k=γ此时，符合以上所有性质的平稳时间序列，我们通常称其为二阶平稳序列。如前所述，若是时间序列中有二阶矩，那么严格平稳序列一定是弱的平稳的时间序列。弱平稳序列不一定非常稳定，它不同于稳定时间序列。如果时间序列的统计特性随时间变化，则时间序列是不稳定的。3.2.2白噪声序列如果时间序列{xt}对任意xt和xsCov(xt,xs)δt,s=1(t=sδt,s=0则称时间序列{xt}为白噪声序列，假设时间序列中的随机变量是独立且均匀分布的，然后将序列定义为一个单一且一致的分布序列，正态白噪声序列是一个单一且均匀分布的序列，即独立同分布序列。3.2.3平稳时间序列的意义检验时间序列平稳性的目的是保证序列不存在随机的或者确定的趋向，不然会出现“伪回归”现象。伪回归是指，数据之间很多时候并不存在真实的关联，却由于它们随着时间一起上升或者下降，从而表现出了高度的相关。但是，这些数据中的季节项和趋势项因无法消除，故在分析过程中可能会产生偏差。传统的基于最小二乘估计的渐近理论是基于变量的平稳性，然而现实中的大多数时间序列，包括旅游收入、能源消费和农产品价格指数等重要的变量往往都是非平稳的，若是利用不稳定的时间序列进行回归分析得出不准确的结论，就称此现象为假回归。因此，只有在通过时间序列稳定性检验的假设前提下，才能具有统计分析的意义，才能更好地应用于实践分析，才能更准确地研究序列之间的关系和各种经济问题。需要明确的是，伪回归现象不仅仅只出现于拥有单整阶数相同的时间序列之间，当序列的单整阶数不同时，也会出现伪回归现象。3.3平稳时间序列的检验为了确定随机时间序列的稳定性，我们可以从时间轴上粗略推断出它们并观察时间序列，如果时间序列不平稳，则时间不同时，平均值也会不同，它将不断增加或减少，图3-1左图显示的是时间序列不平稳的过程；如果时间序列是稳定的，即它将围着均值上下波动如图表3-1右图。图3-1平稳时间序列与非平稳时间序列图Figure3-1Stabletimeseriesandnon-stationarytimeseriesdiagram3.3.1检验样本自相关函数及其图形对于平稳序列，其方差为γt,t=γ0=E[(xt-μ)其自相关函数ACF为ρk=这是一个关于滞后期k的递减函数。当k=0时有ρ0=1，且ρk=ρ−k，因而又被称之为偶函数，对于任意滞后期k都有|ρk由于随机过程只有一个实现，因此只计算自相关函数的样本。而时间序列的样本自相关函数被这样定义：其中可以发现，样本自相关函数值随着k的增加而逐渐减少并向零趋近，但是非平稳时间序列的下降速度与平稳时间序列的相比，还是非常迅速。因此，非平稳或者平稳时间序列可以用序列的ACF图来区分。通过观察图3-2可知，随着滞后期k的增大，平稳时间序列的ACF值迅速减小，而非平稳时间序列的ACF值缓慢减小。因此，ACF表示序列的“存储器”长度。图3-2平稳时间序列与非平稳时间序列样本相关图3.3.3平稳性的单位根检验单根检验是一种通过判断时间序列是否具有单位根来检验大多可以展现出较为鲜明的记忆性和持续的波动性，如果没有单位根，则序列便是平稳的。平稳序列往往可由非平稳序列通过差分法消除单位根而得到。随机序列{xt},t=1,2,...xt=ρxt−1+其中ρ=1，{εtE[εt]=0，Var(εt)=σ2<∞，Cov(εt,这里τ=1,2。特别地，如果{εt}为独立同分布，且E[εt]=0,Var(εt)=σ具体的单位根检验方法如下：DF检验对于一个序列{yt}yt=ρyt−1+ut，y0=0，μ想检验序列{yt}其中，ϕ=DF检验涉及不同状况下的单位根检验模型如下：其中，这三种情况都与DF检验的三种情况一一对应，都是指待检验序列是含有单位根的随机游走序列。但是备择假设却与DF检验的情况不一样。第一种情况指的是平稳序列它的均值是0，第二种情况指代的是它的均值不等于0，第三种情况指的是平稳时间序列它的时间趋势为t。因为数据的生成过程是及其细碎而繁杂的，所以如果将一阶自回归模型用来拟合数据序列的话，往往会出现残差之间具有自相关性的结果，所以，在一般情况下我们会用高阶自回归模型来拟合数据序列，这样就可以消除其随机自相关新的性质，以排除干扰来确定它是一个白噪声序列。当序列{yt}用于单位根检验的模型有以下三种：其中，令ϕ=ρ−1，这种检验称为ADF检验，它的原理是通过增加变量的滞后项，去消除残差的自相关。其中，DF检验是ADF检验的一种特殊形式，仅仅在AR（1）中适用；而ADF检验作为DF检验的一种扩展，对于大范围的数据生成尤其合适。协整理论与方法在定量经济建模中，一般的条件都假设时间序列为平稳的。若时间序列不平稳，运用最小二乘估计得到的结果往往证实推断是不正确的，该回归很有可能是没有意义的“伪回归”。而现实中常用的经济、金融时间序列大多不平稳，因此，需要仔细思考它们的建模，从而防止“伪回归”发生。上述问题致使学者们努力探索变换数据的方法，以达到平稳性要求。其中，最常用的方法是用差分法，然后建立不同差分序列的模型。然而，这将失去一些持久的可利用信息。这个时候协整理论结合了数量经济长期均衡的优点和短期动态方法的特点，为分析多维时间序列提供了科学有效的理论和方法，也为建模理论提供了巨大的支撑。4.1协整分析理论4.1.1单整的定义如果时间序列包含不确定分量，并且在d阶差分后，这个序列是可逆稳定的。但这个序列在D-1差分时，它是不稳定的，那么该序列就存在d阶单整性。且将其记作{xt}~I(d)对于多维时间序列{Xt}，如果在它的每个分量序列里，他们的单整阶数都不相同并且最大阶数为d，，即xit∽I(di),i=1,2,...n，其中d=max(d1,d2,...,dn),那就称{Xt}为d阶单整的，并记作{Xt}~I(d)。依照所述方面，我们可以得出可以知道平稳的时间序列它的单整阶数是零，所以记作I(0)。但如果4.1.2协整的定义协整关系主要是针对经济问题来分析的，细致阐述了其中具有的长期均衡关系，他的想法是用时间序列的线性组合来解释变量之间的平衡。可定义为：如果存在一个m维向量时间序列{Xt}，（1）{Xt}的分量时间序列是d阶单整序列（2）存在一个向量α≠0，使得，b>0；那么我们就称{Xt}的分量时间序列具有(d,b)阶协整关系，并将其以{Xt}~CI(d,b)表示。其中，{X当m=2时，向量时间序列{Xt}只存在一个协整关系；然而，对于m>2，就会有很多协整变量α。在这种情况下，如果存在线性无关的、独立的的r个α，那么把这些向量排列起来，便出现了一个m×r维的协整关系矩阵α，这样，矩阵的秩就是协整的秩。总而言之，这一定义充分解释了平稳分量序列与平稳分量序列的长期均衡。我们在实际中常常遇到的最简单的情况是，两个I(1)序列{Xt}和{yt那么，由于μi~I(0)，{Xt}和{yt}两个序列之间具有的长期均衡关系便可用yt=αx4.2协整检验方法通常情况下，面对非平稳时间序列的协整性研究，传统的方法是采取EG两步法，但两步法只能说明：多变量之间是否存在一个协整关系的情况。因而一般情况下多变量的协整性研究最常用的方法是Johnson检验方法，但由于本文主要运用方法为EG两步法，所以在这就不多赘述。4.2.1EG两步法EG两步法最常用于单一方程协整关系的检验中，它在向量时间序列唯独仅有一个协整关系的时候是很有作用的。而当向量时间序列变成二维时，刚好就有唯一的协整关系。基此，我们下面就考虑二维向量时间序列{Xt}={(x1t,x2t)T}的状况。给定一个二维向量的时间序列{Xt}={(x1t,x2t)T}，其中{xit}=I(1)(i=1,2)，且有Xt~CI(1,1)这种情况下，EG两步法在以下两个步骤中完成：（1）对分量序列x1t和x根据观测数据，我们可以通过最小二乘法来获得参数估计量和残差序列。接着，需要检测残差序列的单整阶数，假若残差序列符合零阶单整，那么x1t和x2t便是CI(1,1)协整。最后，运用残差序列来估计误差校正项（2）通过将上述向量四舍五入到时间序列{Xt}的误差修正模型中，然后用最为普遍的如果二维向量的时间序列可以用k阶向量的自回归形式表示，并且没有常数的话，那么EG两步法的普遍过程为：（1）对时间序列{X其中{μt}是随机误差序列。首先，要获取α的估计值以及残差序列，就要运用最小二乘法来估计。其次，我们需要检查这个残差序列是否具有稳定的特性。如果有单位根并且其存在于残差序列的话，则它们之间没有(2）如果时间序列的估计分量序列都符合一阶单整的话，则可以得到误差修正的估计项，并将估计项带入误差修正模型。得到将上述模型的参数向量与参数矩阵用θ标记后，关于上式重复采用最小二乘估计法，可获取参数的估计量。因而，能够设定并创建与之对应的误差修正模型。4.3误差修正模型概念误差修正模型（ECM）是能表现协整关系的一种有效形式，它不仅能够避免伪回归，同时还能对向量时间序列间的短期特征和长期表现作出合理解释。从经济角度来看，这意味着当相关变量之间拥有着长期的均衡关系时，其短期变动则是对长期关系作出一些局部调整，而ECM便恰好体现了这种思想。如果m维向量时间序列{Xt（4-9）那么{Xt}就会具有误差修正的表现形式。其中{εt}是一个平稳的m维随机序列，A(L)是一个矩阵多项式，它里面含有滞后算子L，而Zt=(z1t,z2t,...,zγt)从而得到{Xt}的误差修正模型的一般形式即（4-16）其中γ是m×r维的系数矩阵，α是m×r维的的{Xt}协整矩阵，而Xt−k称为误差修正项。假若{Xt}的分量序列之间没有协整关系，那么式（4-16）所表示的模型是非平衡的；相反，如果协整关系存在于{X实证模型的构建和实证过程5.1数据的选取与处理5.1.1数据的导入我们选取了2020年4月9日-2021年4月9日上证50ETF和深证100ETF的日收盘价序列为研究对象，用h表示上证50ETF日收盘价序列，z表示深证100ETF日收盘价构成的时间序列；D(h)是h的一阶差分，D(z)是z的一阶差分。首先，我们在Eviews软件上导入数据:第一步：在Eviews中点击File--Open--ForeignDataasworkfile，在弹出的对话框中选中数据文件——论文数据.xls，单击完成。结果如图5.1所示：5.1导入数据图第二步：为了处理时间不连续的数据，单击workfile对话框的Range。第三步：在弹出的对话框中选择Dated-specificedbydateseries，这是Eviews为我们提供的处理费规范日期数据的工具。在DateSeries中输入你导入的数据中中属于日期的列名，其列名为time。结果如图5.2所示：图5.2处理时间不连续数据5.1.2深证100ETF的ADF检验我们在进行数据的定量分析之前，必须防止由于数据不稳定而导致的错误回归，即“伪回归”问题。有必要先检验变量的稳定性。为此，本文运用的便是ADF单位根检验法。点击Eviews的quick--seriesstatistics--unitroottest,输入深证100ETF的变量名z，如图5.3所示：图5.3ADF检验流程ADF检验结果如图5.4所示：5.4深证100ETF的ADF检验因为p值为0.9782>0.05,所以拒绝原假设，由此可以推出序列不平稳，所以我们运用了ADF检验对深证100ETF进行差分，结果如图5-2所示：5.5D(z)的ADF检验因为p值小于0.05，所以D（z）平稳。5.1.3上证50ETF的ADF检验点击Eviews的quick--seriesstatistics--unitroottest,输入深证100ETF的变量名h，如图5.6所示：图5.6ADF检验流程对上证50ETF进行检验，结果如图5.7所示：5.7上证50ETF的ADF检验因为p值为0.0882>0.05,所以拒绝原假设，所以该序列是不稳定的，根据以上情况我们对上证ETF进行差分，然后再进行ADF检验。图5.8D(h)的ADF检验因为p值小于0.05，所以D（h）也是平稳的由上面检验结果可知，原时间序列z和h两个序列都存在着单位根，因此可以得出他们是非平稳序列。但是两个序列在一阶差分以后，呈现出平稳序列的特性，即各个序列都是一阶单整序列，并且存在协整关系。因此我们能够对两个序列继续进行协整分析。5.2协整检验根据上文可知，z和h均为一阶单整序列，故可对其通过Engle-Granger两步法来分析存在的协整关系。协整回归的估计模型结构如下：其中，yt代表上证50ETF，xt代表深圳100ETF。对协整回归的残差序列进行平稳性检验，采用如下不带常数项的自回归模型：通过Eviews，得到的协整检验如图5.9：图5.9协整检验得到协整方程：z=16.4002-4.8089h+在对残差做ADF检验，结果如图5.10所示：图5-6残差的ADF检验由图5-6可以看出，残差的p值小于0.05，所以残差序列ui~I(0)，上式表示上证50ETF时间序列与深证100ETF时间序列两者之间存在着长期的均衡关系，并且协整向量为（1，-4.8089）即使两个变量间有着长期的均衡关系，可是在短期变化中，也许会发生失衡现象，因此，为更准确地研究，进一步提高模型精度，我们下面建立了误差修正模型，综合分析其长期和短期的变化，如表所示：图5-7误差修正模型从表中可以看出，模型的对数似然值较高，为171.9835，而AIC和SC值均较小，分别为-1.414088和-1.37045，这充分表明该模型整体具有较好的解释力。5.3格兰杰因果检验为了分析我国沪深两市交易所交易基金是否存在相互的因果关系以及作用方向如何，接下来要对h和z进行Granger因果检验。为了消除趋势因素对检验造成的影响，我们要对时间序列h、z两个序列取自然对数，然后得到的序列分别以lnh、lnz表示，并对lnh、lnz进行Granger因果关系检验。。应用Eviews中的检验方法进行研究，其结果显示如图5-8：5-8格兰杰因果检验上述统计检验的结果表明，在α=0.05的显著性水平下拒绝原假设，从而上证50ETF与深证100ETF在Granger意义下互为因果关系。综上所述，上交所与深交所的互动关系在债权人与股市之间建立了共同的因果关系，两者的股票市场相互影响。5.4模型的结果分析（一）样本的ADF检验结果表明，上证50ETF、深证100ETF每日收盘价所构成的时间序列是非平稳的，并且符合随机游走模型，说明沪深股市的弱有效性。（二）总的来说这些协整方程表明，上证50ETF、深证100ETF之间存在长期均衡关系，两个指标之间存在相互作用，另外，上海股市的社会经济条件和交易制度是相同的。投资者结构和上市公司结构是非常“统一”的，资本可以在两个市场之间自由流动。这也更加证实了这两个市场之间有着牢固和稳定的关系。（三）以上对中国沪深两市相关性和协整性的实证研究，为更好地评价我国股票证券市场的基本特征和投资者的基本行为提供了一定程度上的参考价值，也有助于国家政府能够更准确地制定股票市场的监管策略，更好地发挥股票市场的重要功能。第六章结论与不足6.1结论本文运用协整检验和误差修正模型，通过格兰杰因果关系检验和方差分解等方法，实证研究了我国2020-2021年沪深两市ETF之间的关系，得出研究结论如下：从长期来看，我国的沪深两市存在着稳定的均衡关系，且在协整方程中，深证100ETF系数为负，这表明两者呈现反向变化，并在长期发展中处于此消彼长的关系。从短期趋势来看，通过向量误差修正模型能够得出，深市对沪市的影响都没有在长期下的显著，这表明两者的作用周期较长。总之,股市是国民经济的晴雨表,深沪两市作为中国大陆资本市场的重要组成部分，已经与国民经济息息相关。作为反映这两个证券市场运行情况的上证50ETF和深证100ETF在股市的运行过程中也发挥了其重要作用。6.2不足本文在协整理论和借鉴国外成熟资本市场时间序列研究的基础上实证分析了上证50ETF和深证100ETF的协整关系，但这是在一定的假定条件下进行的实证分析，鉴于个人有限的知识和能力，本文的研究在前人的研究基础上进行了有限的改进创新，还有大量的工作待后续的研究，这就使得本文存在一些不足和可以继续改进研究的方面，具体包括：首先对于投资目标的选择，本文只选取了产品流动性和市场反应最好的主力合约，但对非主力合约的期现套利模型并未研究和进行对比分析；本文的研究只是在理论上进行了探讨并取得了一些可以在投资实践中应用的策略，但是本文得到的策略与模型并未进行真实的市场交易，待国内的股指期货期现套利交易研究成熟后方可为机构投资者提供用以直接交易的模型；本文的写作处在中国ETF的初期，待成熟后中国的ETF市场是否还存在机会值得继续研究和探讨。参考文献ADDINCNKISM.Bib[1]赵文娟.我国交易型开放式指数基金（ETF）跟踪误差的研究[D].对外经济贸易大学,2006.[2]朱平芳,刘弘,姜国麟.上证综合指数、上证30指数与协整性[J].数量经济技术经济研究,1998(1):27-30.[3]刘基良.时间序列协整理论在证券指数中的实证分析[D].电子科技大学,2008.[4]高鹏.浅谈沪深股市协整性[J].中国外资,2011,237(6):135.[5]曹凡.基于时间序列数据的中国经济增长影响因素协整分析[D].长江大学,2018.[6]郄欣.上证综指和恒生指数的协整性研究[J].时代经贸(下旬刊),2008,112(8):144-145.[7]吴军.基于股指期货与ETF协整关系的期现套利研究[D].湖南大学,2011.[8]王春丽,林茜.中国A、B股市场相关性与协整性的实证研究[J].辽宁工程技术大学学报(社会科学版),2006(5):471-473.[9]冯定雄.沪深A股收盘指数的协整性分析[J].商业时代,2007,376(9):78.[10]李峰.沪深股市A指数协整性研究[J].当代经济,2006(9):130-131.[11]高兰.我国交易型开放式指数基金绩效的实证研究[D].东北农业大学,2014.[12]史代敏.沪深股市股指波动的协整性研究[J].数量经济技术经济研究,2002(9):103-105.ADDINCNKISM.Ref.{757DBC1259DA4f46BA749C7A4A8ED320}胡光耀.我国债券交易型开放式指数基金发展路径相关探讨[J].营销界，2019.刘文芳.中国封闭式基金市场协整性和价格波动性的实证分析[D].中南大学,2008.高加璐.基于协整方法的沪深300ETF与股指期货配对研究[D].华侨大学，2016.吴娣;喻文琴;王明宇.ETF基金绩效评价研究-基于2020年股票型上市ETF基金数据[J].中国商论，2021.伍德华.支持向量机与时间序列在ETF风险度量的应用[D].华中科技大学，2019.吴偎立;常峰源.ETF、股票流动性与流动同步性[J].经济学，2021.5.张雪.我国国债期货价格波动的实证研究[D].兰州大学，2021赵彦勇.非参数协整和误差修正模型及其在金融中的应用[D].重庆理工大学，2013.李国璋;江金荣;陈敏.协整理论与误差修正模型在实证问题中几个问题的研究[J].统计与信息论坛，2010.杨宏林;詹峰.协整理论和ECM在我国经济增长因素中的应用[J].统计教育，2004.吕海飞.基于协整理论在经济中的应用[D].哈尔滨工程大学,2009.刘盈江.ETF基金投资交易系统研究[D].兰州大学,2011.刘基良.时间序列协整理论在证券指数中的实证分析[D].电子科技大学,2008.闫屹,冯欣海,唐祯祯.基于DEA模型的ETF与其他开放式基金绩效比较研究[J].河北大学学报(哲学社会科学版),2019,44(03):51-60.于会鹏.中国股票市场板块及其与国外主要市场间的联动性的实证研究[D].南京理工大学,2009.何娇娇.四地股票市场协整关系的实证研究[J].经济师,2010(07):88+90.崔珍,丁一桐.沪深股市之间的联动性研究[J].江苏商论,2020(02):90-93.薛璇，交易型开放式指数基金跟踪误差研究[D].西北农林科技大学,2016.附录日期深证100ETF收盘价上证50ETF收盘价2020/4/137.411.6682020/4/147.541.6922020/4/157.541.692020/4/167.631.6792020/4/177.691.6972020/4/207.581.7012020/4/217.461.6972020/4/227.521.6942020/4/237.431.6962020/4/247.441.6862020/4/277.221.6922020/4/287.221.6882020/4/297.341.7012020/4/307.421.7142020/5/67.351.7292020/5/77.61.7152020/5/87.491.7232020/5/117.381.7232020/5/127.31.722020/5/137.561.732020/5/147.541.7062020/5/157.261.722020/5/187.31.7152020/5/197.841.712020/5/207.851.712020/5/218.181.6982020/5/228.081.6722020/5/258.161.6952020/5/267.951.6722020/5/278.151.6752020/5/288.151.6732020/5/298.411.6632020/6/18.471.7132020/6/28.841.7122020/6/38.851.7232020/6/49.091.7062020/6/58.851.7142020/6/88.631.7212020/6/98.471.7252020/6/108.491.7142020/6/118.511.7022020/6/128.551.6992020/6/158.351.6822020/6/168.191.6992020/6/178.231.6912020/6/188.541.6992020/6/198.51.712020/6/228.721.7272020/6/238.631.722020/6/248.561.7262020/6/298.351.7172020/6/308.221.7292020/7/18.391.782020/7/28.281.8292020/7/38.31.8862020/7/68.522.0392020/7/78.582.0382020/7/88.332.0692020/7/98.462.0672020/7/108.532.022020/7/138.342.0392020/7/148.312.0142020/7/158.051.9752020/7/167.861.9042020/7/177.71.922020/7/207.551.9882020/7/217.61.9772020/7/227.551.9742020/7/237.491.9752020/7/247.51.9182020/7/277.421.8952020/7/287.531.9052020/7/297.371.952020/7/307.381.9352020/7/317.311.9332020/8/37.31.9622020/8/47.241.9762020/8/57.151.9652020/8/67.241.9882020/8/77.231.9882020/8/107.371.9962020/8/117.381.9672020/8/127.431.9752020/8/137.391.9762020/8/147.391.9922020/8/177.362.0562020/8/187.222.052020/8/197.242.0322020/8/207.162.0052020/8/217.182.0112020/8/247.312.022020/8/257.3622020/8/267.321.9872020/8/277.311.9772020/8/287.212.0052020/8/317.282.0012020/9/17.322020/9/27.281.9912020/9/37.321.992020/9/47.271.9762020/9/77.411.9612020/9/87.51.9672020/9/97.351.962020/9/107.361.9512020/9/117.251.952020/9/147.161.9462020/9/157.091.9732020/9/166.971.9662020/9/177.141.9612020/9/187.012.0092020/9/216.931.9952020/9/226.871.9652020/9/236.841.9662020/9/246.981.9382020/9/257.021.9392020/9/287.051.9452020/9/296.941.9472020/9/306.991.9422020/10/97.041.9572020/10/127.061.9892020/10/137.111.9752020/10/147.041.9692020/10/156.821.9762020/10/166.631.992020/10/196.631.9882020/10/206.561.982020/10/216.571.9732020/10/226.551.982020/10/236.681.9932020/10/266.621.9662020/10/276.671.9532020/10/286.751.9472020/10/296.621.9632020/10/306.641.9282020/11/26.71.9182020/11/36.651.95520