近年逐步发展和完善的金融市场进一步推动了实体经济发展,提高了资源的分配和利用效率,满足了企业和个人在资金方面的需求。健全和完善的金融体系,在市场经济体制中具有不可或缺的作用。金融市场中最繁荣、最有生机的市场是股票市场,对股票市场风险的计量经过较长时间的发展,其理论和方法也逐渐丰富。股票市场的风险主要表现为股票价格的不规则剧烈波动,且当一个国家或地区的股票价格出现大幅波动时,其他国家和地区的股票价格也会受到影响,这种波动的连锁反应,就是金融市场相关性的具体表现。度量金融市场的风险时,资产间的相关性是重要研究对象。皮尔逊相关系数主要研究变量间的线性相关关系,而股票收益率序列常具有尖峰厚尾的特征,不同资产间的相关关系,通常是动态变化的,并且可能出现非对称相关的情形。对于这种复杂情况,需利用copula函数进行相关性度量。现有文献中对行业间相关性的研究较少,且数据维度较低,因此本文根据申万一级行业指数,采用2017年至2019年期间的行业指数价格数据,研究多维行业间的相关关系。使用GARCH(1,1)模型、GARCH(1,1)-t模型对行业指数的对数收益率序列进行拟合,并将模型的标准残差经概率积分变换后作为copula模型的边缘分布。t-copula模型的Kendall秩相关系数显示各行业间没有极强相关性;轻工制造、电气设备、汽车、机械设备、化工、商业贸易、纺织服装与较多行业具有强相关性。上下尾相关系数表明,除银行业与十六个行业、食品饮料与七个行业的上尾相关系数大于下尾相关系数外,其余行业间的上尾相关系数均小于下尾相关系数,表明这些行业指数同时暴跌的可能性大于各行业指数同时上涨的可能性。在研究行业间动态的相关关系时,将GAS结构应用于因子copula模型,构建动态单因子copula模型。在因子copula模型中假设公共因子服从偏t分布,特异因子服从t分布,然后使用极大似然估计方法估计copula模型的各个参数。因子copula模型中因子负荷的变化趋势即反应行业间相关关系的动态变化。研究表明,不同行业间存在较强的相关性,且各分类的因子负荷在2018年9月末以后发生了显著变化。2017年至2018年三季度末,因子负荷虽然整体的波动较大,但受公共因子影响的程度几乎没有变化,公共因子对工业制造类的影响程度最强,对金融商贸类的影响程度最弱。随着中美贸易摩擦的进一步加剧,2018年10月至2019年末,因子负荷走势出现明显变化。其中化工矿产类的因子负荷值超过工业制造类,因子负荷的取值最大,化工矿产类受公共因子的影响最大;日常消费类的因子负荷取值小于金融商贸类,受公共因子的影响最小。