国际股市波动的长期记忆性实证研究.docVIP

国际股市波动的长期记忆性实证研究 西南财经大学统计学院 李伟 摘要：本文通过对国内外七家交易所主要指数的数据，采用修正R/S分析、GHP检验和FIEGARCH模型实证研究发现，除了日本东京股市外，其余六家股市包括沪深股市的波动均存在着明显得杠杆效应和长期记忆性，股市前期的波动对未来一定时期内股市的走势都有或多或少的影响。这意味着这六家股市的效率并不高，投资者可以利用历史数据来预测未来股市的波动并据此获取投机利润。因此，投资者在制定投资计划时，应充分考虑各国股市的特点和发展规律以获取较高的投资回报。 关键词：波动，长期记忆，修正R/S，FIEGARCH模型 Key words: volatilities，long memory，modified R/S，FIEGARCH model 一、引言与文献回顾 对金融资产收益率分布特征的研究最早可追溯于1900年，当时的法国经济学家路易.巴舍利耶（Louis Bachelier)在博士论文中（long memory）。本文拟探讨的就是金融资产波动的长期记忆性问题。 传统的时间序列模型如AR(p)、ARMA(p，q)、GARCH(p，q)等均假定：时间序列服从I(0)分布，即远距离的观测值之间相互独立，自相关函数按照指数率快速地衰减，也就是说时间序列呈现短期记忆的特征。但这个假设往往与事实不符，观测值之间常常存在着一定的自相关性。如果假定时间序列服从I(1)分布，即按照线性速度缓慢地地衰减，也就意味着历史事件将会永远对未来产生影响，这既不一定符合事实同时也会给模型的估计造成较大的困难。而长期记忆性概念的建立则较好的解决了上述问题。 所谓时间序列的长期记忆性是指时间序列的自相关函数既不是按照指数率迅速地衰减，也不是按照线性速度缓慢地衰减，而是呈现按照负幂指数（双曲线）速度下降，也就是说时间序列相隔较远的观测值之间仍具有一定的相关性，历史事件在较长时期内仍会对未来产生影响，但这种影响不是无限的。这也就意味着时间序列服从分数布朗运动(fractional Brownian motion)。 长期记忆性的数学定义可用自相关函数的分布特征来表示： 假设时间序列{}的k阶自相关函数为r(k)，如果自相关函数r(k)满足以下条件：自相关函数r(k)随着滞后阶数k的增大而依负幂指数（双曲线）缓慢下降，即，其中C 为常数，～表示收敛数度相同，则称{}为长记忆时间序列。如果{}为长记忆时间序列，那么0d1/2 ，即01-2d1；当d0 时，称{}为中等记忆时间序列。从上述定义可知，如果{}为长记忆时间序列，那么自相关函数的绝对值之和趋近于无穷大，即。 对长期记忆性最早进行研究的是英国水利学家赫斯特（Hurst），他在1951年研究当时世界上最大的水利工程――埃及阿斯旺水坝的资料时发现，尼罗河长期的洪水之后往往会出现长期的干旱，他据此推断水文时间序列数据普遍存在着长期记忆性。1968 年Mandelbrot 对分数布朗运动及分形的定义则为长期记忆分析奠定了扎实的数学基础。此后，对时间序列长期记忆的研究在物理学、气象学、地理学等自然科学领域也得到了广泛的应用。而近二十年来研究金融资产是否具备长期记忆性则也成了国外金融理论界的一个热门话题。显然这具有十分重要的意义：首先，金融资产收益率具有长期记忆性，也就意味着可以利用过去的历史收益情况对未来的收益率进行推测，这对于更准确地分析和预测金融市场走势、控制投资风险等具有十分重要的意义；其次，也意味着以往只刻画金融资产短期记忆性的AR(p)、MA(q)、ARMA(p，q)、GARCH(p，q)等存在着缺陷，因此必须进行一定的修正（王明照，2005）。最后，长期记忆性表明经济金融系统的运行具有复杂性、非线形性和多重关联性等特征，这为混沌理论和分形理论等的发展提供了崭新的视野和空间。 对金融资产长期记忆性的研究可划分为对收益率长期记忆性和波动长期记忆性这两个主要方面。在收益率长期记忆性研究方面，主要采用的是由Granger Joyeux在1980年首先提出来的分整自回归移动平均模型广义自回归条件异方差（GARCH） 的极差R（n）与标准差S(n)： 令，可以证明，当n时，， 其中c为常数，H即为Hurst指数。可以证明：当 0H0.5 时，时间序列为短记忆；当H=0.5时，序列为白噪声序列；当0.5H1时，时间序列为长记忆；当H 1时，序列具有无限方差，是非平稳的。 然而其后的研究发现，经典R/S分析存在一些不足，包括序列包含短期记忆和序列非平稳等，为了弥补经典R/S分析的不足，Lo(1991， 1999)对经典R/S分析作了修正，提出了一个新的统计量――修正的R/S分析，，该统计量可以解决上述缺陷，目前已成为