本书同时采用了二元动态N-Copula和t-Copula两种模型，在进行Copula建模时，笔者采用对应的序列进行拟合，如沪市的HAR序列和港市的HAR序列为一组、沪市的HAR-J和港市的HAR-J为对应的一组，依此类推，4种长记忆模型和日数据，一共考虑了5组数据，即同时对这5组数据运用动态N-Copula和t-Copula进行建模。2013年1月至2016年12月间沪港股市之间运用动态N-Copula和t-Copula具体的估计结果如表6-4和表6-5所示。同时，也对日收益率运用Copula进行建模对比分析。

表6-4　2013年1月至2016年12月动态N-copula估计结果

注：括号内为参数估计的标准差，L-Likelihood为对数似然函数值，加粗为最小的AIC、BIC对应模型。

表6-5　2013年1月至2016年12月动态t-Copula估计结果(www.daowen.com)

注：括号内为参数估计的标准差，L-Likelihood为对数似然函数值，加粗为最小的AIC、BIC对应模型。

从表6-4和表6-5可见，在2013年至2016年间，无论是正态N-Copula还是t-Copula，HAR模型均具有最小的AIC和BIC，因此，可判断基于HAR模型的Copula方法更能够刻画沪港两市之间的相关性。同时对比表6-4和表6-5发现，在各种模型下，t-Copula较N-Copula均具有较低的AIC和BIC，由此可以判断动态的二元t-Copula较动态二元N-Copula能够更加准确刻画沪港股市之间的相关性。这是由于刻画t分布自由度的参数均在5％的水平上显著（除SHAR模型在10％水平上显著），因此，t-Copula充分刻画了两市极端波动之间的相关性。从表中我们还可发现，直接采用日收益率建模的方式对两市之间相关性的刻画能力最弱。