利用SVCJ模型，我们可以估计出基于收益和波动的潜在共同的历史跳跃次数和跳跃大小，在此基础上，我们可以对样本进行重新划分，并将其分别分为（去除跳跃的）正常波动部分和（仅含有跳跃的）异常波动部分。这样，我们得到了两组时间序列，通过这两组序列，我们可以分别来研究正常波动情况下股指期货和股票现货市场之间的信息传递关系，以及异常波动情况下的股指期货和股票现货市场之间的信息传递关系。为此，我们构建四个模型：第一，建立线性回归模型，以刻画正常波动或异常波动情况下股指期货和股票现货市场收益之间的价格引导关系或波动之间的溢出效应；第二，建立基于好消息和坏消息的非对称效应；第三，建立溢出大小指标和信息贡献度模型，用来刻画正常波动和异常波动情况下股指期货和股票现货市场之间的溢出大小；第四，给出基于正常波动和异常波动的信息贡献度模型。
4.2.2.1 基于股指期货和股票现货市场间信息传递的回归模型
正常（或异常）波动下的股指期货和股票现货市场的收益分别表示为Rf，t和Rs，t，正常波动下（或异常波动下）的股指期货和股票现货市场的波动分别为Vf，t和Vs，t。那么，基于正常波动下（或异常波动下）的股指期货和股票现货市场收益之间的关系可进行如下检测：
式中：εt＝（εf，t，εs，t）′，εt｜Ωt-1～N（0，Σt）[6]，用来刻画Rf，t和Rs，t的厚尾特征；εf，t和εs，t分别为方程（4.8）和（4.9）的残差项；Σt为2×2阶的条件协方差矩阵；Ωt-1为t-1时刻的信息集。
那么，向量误差修正模型的对数似然函数可设定为
式中：Θ1为待估参数向量；T1为观测数；Σt为条件方差协方差矩阵。
类似地，我们可以构建正常（或异常）波动下的股指期货和股票现货市场波动之间关系的检测模型：
式中：et＝（ef，t，es，t）′，et｜It-1～N（0，Σt），用来刻画Vf，t和Vs，t的厚尾特征；ef，t和es，t分别为方程（4.11）和（4.12）的残差项；Σt为2×2阶的条件协方差矩阵；It-1为t-1时刻的信息集。
那么，向量误差修正模型的对数似然函数可设定为
式中：Θ1为待估参数向量；T1为观测数；Σt为条件方差协方差矩阵。
4.2.2.2 股指期货和股票现货市场间基于好消息和坏消息的非对称回归模型
为进一步检测一个市场的好消息和坏消息对另一市场（或同一市场）的非对称性，我们构建了基于好消息和坏消息的正常（或异常）波动情况下的股指期货和股票现货市场收益之间的关系模型：
那么，向量误差修正模型的对数似然函数可设定为
式中：Θ1为待估参数向量；T1为观测数；Ht为条件方差协方差矩阵。
类似地，我们构建基于好消息和坏消息的正常波动情况下（或异常波动情况下）的股指期货和股票现货市场波动之间的关系模型：
那么，向量误差修正模型的对数似然函数可设定为
式中：Θ1为待估参数向量；T2为观测数；Ht为条件方差协方差矩阵。
4.2.2.3 正常和异常波动情况下股指期货和股票现货市场之间的溢出大小指标
股指期货和股票现货市场之间的溢出大小（size of jump spillover，SJS）是指股指期货（或股票现货）市场的溢出概率能够引起股票现货（或股指期货）市场溢出概率的实际幅度。这样，正常和异常波动情况下的股指期货和股票现货市场之间的溢出大小指标可分别表示为：
正常波动情况下的
异常波动情况下的
4.2.2.4 基于正常和异常波动的信息贡献度模型
为检测股指期货或股票现货市场正常和异常波动情况下的信息贡献度，我们将正常或异常波动情况下的信息贡献度的测度公式表达为跳跃溢出概率与跳跃大小之积，然后除以总溢出概率与跳跃大小之积。即，股指期货或股票现货市场正常和异常波动情况下的信息贡献度可分别表示为：
正常波动的信息贡献度
异常波动的信息贡献度
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。
