我国沪市股价波动性的实证分析
开篇：润墨网以专业的文秘视角，为您筛选了一篇我国沪市股价波动性的实证分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
一、引言
波动性是指随机变量的离散程度。资本市场的波动性通常用收益率的标准差来度量，也称为波动率。大量研究表明股票收益率表现为在某个时间段波动大，而在另一个时间段收益率波动又比较小的现象，同样在许多其他金融时间序列中也常常遇到。对于这种具有“高峰厚尾、微弱但持久记忆、波动集群”等现象的时间序列，传统经济计量方法要求同方差性的条件得不到满足，因此利用传统的回归模型进行建模并由此而进行统计推断往往会产生严重的影响。针对此，Engle于1982年首先提出了ARCH模型（Auto Regressive Conditional Heteroskedasticity Model）,为解决这类问题提供了新的思路。1986年Bollerslev在Engle基础上对异方差的表现形式进行了直接的线性扩展，形成了应用更为广泛的GARCH模型，随后又有一些经济学家对上述模型进行了扩展和完善，形成了如GARCH-M模型、TARCH模型、EGARCH模型等，最终形成了一个所谓的GARCH模型族。
本文以上证综指为研究对象，选取1999年1月4日至2005年10月28日的日股价收盘指数，共1636个交易日数据，分别采用上述模型来研究股指的收益率的波动特性。采用近期的最新样本数据，旨在发现、寻找新的规律和特征。所使用的分析软件为E?鄄views3.1。资料来源于广东证券中天网。股价指数的日收益率用相邻两天股指对数的一阶差分来表示，其计算方法如下：
设Pt为第t天的收盘指数，则从t-1时刻到t时刻股市的收益率Rt为Rt＝lnPt-lnPt-1
下面我们对日收益率序列进行相关实证分析。
（一） 对样本的日收益率进行基本统计分析，结果如下：
1.表现出正偏度，表明收益率明显右偏；2.表现出过度峰度。峰度远大于3，表明更多的收益率取值聚集在均值周围，同时部分收益率又远离均值，即日收益率分布与正态分布相比呈现出尖峰厚尾的分布特征，即回报处于高回报和高亏损区域的概率大于正态分布概率，反映出股市存在暴涨暴跌现象；3.Jarque-Bera正态检验统计量拒绝正态分布的原假设。
（二） 对样本的日收益率进行单位根检验（采用ADF(Augmented Dickey-Fuller)）检验，结果如下：
通过对上表分析发现，在1％的显著性水平下，两市日收益率的ADF检验T统计量的值远小于MaeKinnon临界值，拒绝原假设，即上证综指日收益率序列不存在单位根，是平稳的。
（三）检验样本日收益率序列的相关性
对上证综指日收益率序列作自相关性检验（滞后期n＝[根号下1653]＝40），结果表明，在大部分时滞上，收益率的自相关函数和偏相关函数值都很小，均小于0.1，自相关系数中最大值为0.058，最小值为-0.054，表明上证综指日收益率序列并不具自相关。
（四）选择模型
为了准确度量上证指数日收益率的异方差，在试算的基础上，根据赤池信息准则（Akaike Information Criterion，A-IC）来确定模型的阶数。
经过上面的分析，我国上证综指从1999年1月4日至2005年10月28日的日收益率序列是平稳序列。经过AIC值的比较，它服从AR（4）过程。
上证综指日收益率回归方程如下：
Rt=-4.831245537e-05 + 0.01698972407Rt-1 - 0.02934055904Rt-2 +
（-0.136167）（0.685672） （-1.186093）
0.06091107958t-3 + 0.01078366042t-4
（2.461019）（0.434817）
可以看到，在上述回归模型中，其滞后3期在5％水平下是显著的（括号内的数字是t值）。
我们对它的残差序列进行自相关性检验（滞后期n＝[根号下1631]＝40），结果表明，在大部分时滞上，收益率序列残差的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列残差并不具自相关。
（五）对收益率残差进行ARCH检验
对收益率残差进行ARCH检验，检验其是否具有ARCH效应，ARCH(1)、ARCH(2)、ARCH(3)检验结果如下表：
上面检验结果中LM统计量Obs'R-squared值的伴随概率小于显著性水平0.05，拒绝原假设，认为残差存在ARCH（1）、ARCH（2）、ARCH(3)效应，通过进一步分析我们还发现，ARCH（4，5，6）检验的LM统计量Obs'R-squared值的伴随概率也小于显著性水平0.05，这说明收益率残差序列存在高阶ARCH效应，适宜采用GARCH模型。
（六）对GARCH模型族进行参数估计
由于GARCH（1，1）是刻画条件异方差最简洁形式，且可以较好地拟合许多金融时间序列（Christopher等，1990），因此我们在实证中采用这一模型。下面是实证得出的残差的GARCH模型族参数的估计结果（表3）：
三、结论
（一）GARCH模型族的β1的系数都比较大，说明股价波动具有“长记忆性”，即过去价格的波动与其无限长期价格波动的大小都有关系。α1也通过了显著性检验，说明股票价格具有明显的波动聚集性。两市α1＋β1都接近于1，这说明股市波动对外部冲击的反应函数以一个相对较慢的速度递减。可见上证综指日收益率的持续特征非常明显，也就是说，股市的波动还十分剧烈，总体风险很大。另外，由于GARCH（1，1）、TARCH(1,1)和GARCH(1,1)-M模型中α1＋β1小于1，说明收益率条件方差序列是平稳的，模型具有可预测性。这说明市场环境，如政府政策对股票市场的影响将是长期的。
（二）用EGARCH模型和TARCH模型反映出不同性质的冲击对预期收益的影响是显著不同的，在EGARCH中γ＜0，在TARCH中γ＞0，显示出杠杆效应的存在。显然在中国股市上坏消息引起的波动比同等大小的好消息引起的波动要大，这说明投资者对损失的敏感性要高于同等程度的赢利的敏感性，人们更在乎已经得到的东西。这与美国经济学家卡尼曼的理论是相吻合的。在TARCH模型的估计结果中，好消息对log（ht）条件方差的影响为0.067083，而坏消息的影响分别是0.195247，不对称效应是明显的。
（三） GARCH（1，1）-M模型中的参数δ在1％的显著性水平下显著，其值大于0，这表明日收益率与市场风险水平呈
（四） 弱正相关关系，验证了高风险对应于高收益的投资组合理论。
[参考文献]
[1]李亚静.朱宏泉.彭育威．基于GARCH模型族的中国股市波动性预测．数学的实践与认识．2003（11）：65-71．
[2]张兵．中国股票市场有效性研究．南京大学出版社．2004年5月：157-164．
[3]易丹辉．数据分析与Eviews应用[M]．北京：中国统计出版社，2002年10月