1. 研究目的与意义
沪深300指数作为市场上的主流指数，覆盖了沪深股市约60%的市值，并具有良好的流动性，因此市场上有很多基于沪深300指数的指数型基金，同时很多基金都拿沪深300指数作为业绩衡量标准，2010年4月推出的沪深300指数期货更是国内市场上唯一指数期货，开启了中国股票市场的做空时代。
随着围绕沪深300指数开发的产品越来越多，沪深300指数的重要性也越来越大，研究其抗操纵性就变得越来越重要。
目前关于沪深300指数的抗操纵性的讨论有很多，不过大部分都集中在个股权重是否过于集中这个角度，对于个股与指数相关性的讨论并不多，然而实际操纵指数都是通过操纵个股间接进行的。
2. 研究内容和预期目标
研究内容
搜集近期沪深300指数数据，运用AR(n)-XARCH模型对沪深300指数及其权重股时间序列的自相关性和ARCH效应进行处理，将由此得到的序列经概率积分变换后作为Copula模型拟合序列。拟解决的关键问题：沪深300指数结构相关性是否较高，是否可以通过操纵沪深300指数中的权重股来操纵指数。写作提纲：一、研究的目的与意义二、相关问题研究现状及文献综述三、模型说明四、基于AR(n)-XARCH-Copula的沪深300指数结构相关性实证研究（一）样本选取及处理（二）时间序列边缘分布拟合（三）基于Copula理论的时间序列相关性测度五、结论及展望六、参考文献
3. 国内外研究现状
Copula理论从提出到现在已经超过50年，但由于受到各种限制在20世纪90年代之前并没有得到广泛的应用。随着数学建模理论的成熟和计算机技术的进步，Copula理论在金融领域的应用得到飞速的发展。特别是近年来，金融全球一体化的倾向越来越明显，各金融市场、各金融产品之间的相关关系变得越来越复杂，原有的一些有关相关性的分析方法已经不再适用，而Copula函数却可以用来分析各种复杂的相关关系，包括非对称和非线性等相关模式。这一特点使得Copula函数被广泛应用到金融风险管理，资产定价和保险定价等各方面。Copula理论最早由Sklar（1959）提出，Nelsen（1998）系统的介绍了Copula函数的定义，构建方法和阿基米德Copula函数及其相关性。随着计算机技术、统计理论和数学建模技术的完善，Copula作为相关性分析工具，开始应用到金融领域。Jondeau等（2006）研究了条件相依模型及其在股票市场中的应用。L.K.Hotta等（2008）将Copula函数与极值理论相融合，研究表明Copula极值理论在描述资产风险方面明显优于传统的风险计算方法。Okimoto(2008)运用Copula函数对金融资本市场的非对称相依结构进行了研究。国内也有众多学者对Copula理论在金融领域中的运用进行研究。崔百胜(2011)用Vines-Copula模型研究了欧元对美元、人民币、港元和日元四种货币汇率波动的相关性。易文德（2011）利用向量回归误差修正模型，并由Copula理论建立VAR-Copula模型研究股市指数与交易量之间的Granger因果关系和相依结构以及组合资产条件相依性模型。赵喜仓等（2011）利用Copula技术对我国开放式基金市场的投资组合进行了风险分析，建立了半参数的多元Copula-GARCH模型。于文华等（2013）将极值理论与时变Symmetrized Joe-Clayton Copula相结合，对股市间的尾部极值动态相依系数进行研究。吴建华等（2014）阐述了在相关性分析中不同Copula函数的选择问题。毕俊（2015）运用Copula函数进行了收益率相关性的实证分析，对创业板指数和上证指数的相关性进行了刻画。闫中义等（2016）将基于参数自助的似然准则检验方法和基于参数自助的拟合优度检验方法进行了对比分析，研究Copula函数在相关性研究模型上的准确性。
4. 计划与进度安排
（1）2022年11月，提交论文选题。
（2）2022年1月15日前，进行相关材料的收集与研读，完成开题报告。
（3）2022年3月25日前，完成论文初稿，提交中期检查表。
5. 参考文献
[1]吴恒煜, 胡锡亮, 吕江林, 等. 我国行业风险的决定因素及传递机制研究--来自沪深 300 细分行业的经验证据[J]. 当代经济科学, 2014, 36(5): 70-80.[2]林宇, 陈王, 王一鸣, 等. 典型事实, 混合 Copula 函数与金融市场相依结构研究[J]. 中国管理科学, 2015, 23(4): 20-29.[3]李战江, 张昊, 苏金梅, 等. 基于 COPULA 的沪深 300 股指期货与现货间相关性模型[J]. 内蒙古农业大学学报: 自然科学版, 2015 (1): 159-162.[4]黄友珀, 唐振鹏, 唐勇. 基于藤 copula#8211;已实现 GARCH 的组合收益分位数预测[J]. 系统工程学报, 2016, 1: 005.[5]郭文伟. 国内外股市相依结构演化及其危机传染效应研究[J]. 国际金融研究, 2016 (10): 63-73.[6]闫海梅, 王波. 沪深 300 指数与沪深股市尾部相关性分析[J]. 数学的实践与认识, 2010, 40(22): 50-55.[7]潘娜, 周少甫. 基于 Copula-MEM 模型的沪深 300 指数日内波动率序列间动态相关性分析[J]. 财会通讯: 综合 (中), 2011 (11): 4-5.[8]干尧. 基于 Garch-M 模型的我国沪深 300 指数研究[J]. 商, 2015 (43): 192-192.[9]宋华. 股指期货与标的指数波动的关联性研究--来自沪深 300 指数的经验证据[J]. 兰州大学学报: 社会科学版, 2013, 41(3): 101-105.[10]胡开基. 基于 Copula 函数的沪深 300 指数成份股相关性研究[D]. 上海交通大学, 2012.[11]赵艳, 周洋洋, 石大义. 沪深 300 与其成份股关联性的实证分析[J]. 现代商业, 2013 (35): 63-63.[12]黄长青, 陈伟忠. 中国股票市场指数效应的实证研究[J]. 同濟大學學報 (自然科學版), 2005, 33(2): 269-274.[13]周晋. 从上证指数和沪深 300 的相关性看权重股的影响[J]. 上海工程技術大學學報, 2008, 22(4): 358-361.[14]王平平, 肖智兰. 沪深 300 样本股动量效应实证研究[J]. 統計與決策, 2008, 2008(18): 79-81.[15]张尧庭. 连接函数 (copula) 技术与金融风险分析[J]. 统计研究, 2002 (4): 48-51.[16]唐齐鸣, 陈健. 中国股市的 ARCH 效应分析[J]. 世界经济, 2001, 3: 29-36.[17]封文丽, 刘晓磊. 沪深股市指数效应的行为金融学解释[J]. 山東經濟, 2009, 25(3): 76-80.[18]史道济, 关静. 沪深股市风险的相关性分析[J]. 统计研究, 2003 (10): 45-48.[19]贾韩梅. 股票市场相关性的复杂网络结构分析[D]. 安徽财经大学, 2011.[20]闫海梅, 王波, 韩艳艳. 基于 Copula 理论的尾部相关性分析[J]. 统计与决策, 2011 (21): 149-152.
