深证成指周收益率波动及预测实证研究.docVIP

深证成指周收益率波动及预测实证研究 　　【摘 要】 文章以1996—2012年深证成指（399001）周收盘价为对象，就我国股市波动情况进行实证研究。研究结果表明，我国深成指周收益率序列不存在自相关；对比GARCH（1，1）模型和GARCH-M（1，1）模型，不含常数项的GARCH-M（1，1）模型优于捕捉深成指周收益率的波动性。文章最后对其波动性进行了预测分析。 　　【关键词】 深证成分指数； ARCH效用； GARCH模型； GARCH-M模型 　　一、引言 　　（一）文献概述 　　一般来说，金融资产的收益率序列常常会表现出“波动聚集性”、“尖峰厚尾”以及“杠杆效应”等特性。对此，恩格尔（Engle，R.，1982）最早提出了自回归条件异方差模型（ARCH模型），由博勒斯莱文（Bollersle，T.1986）发展成为广义自回归条件异方差模型（GARCH模型），恩格尔（Engle）、利林（Linlien）和罗宾（Robins）（1987）引入了利用条件方差表示预期风险的ARCH-M模型。目前，在学术界ARCH模型已经有多种扩展形式（高铁梅，2009），比如TARCH、EGARCH以及PARCH等非对称ARCH模型。 　　很多国内学者已经用ARCH模型族对金融时间序列进行了实证分析和研究。比如，庄彬惠、曾五一（2006）认为我国股市存在较显著的杠杆效应，并且认为EGARCH（1，1）模型最合适预测我国上证综指的收益率序列波动。干晓蓉、胡晓华（2007）认为TARCH（1，1）模型和EGARCH（1，1）模型能有效地描述上海股市收盘指数的周收益率。洪潇（2010）认为非对称CARCH模型能更好地描述我国股票市场暂时的非对称效应。姚战琪（2012）运用CARCH模型对上证综指日收益率进行研究，结果表明其呈现明显波动集群性特征，且认为我国股票市场存在显著的信息非对称性和杠杆效应。 　　（二）背景和意义 　　目前，国内学者对我国股票市场收益率波动研究大都是以上证综合指数的日收益率为对象，而以深证成分指数的周收益率作为研究对象缺乏深入研究。一般来说，日收益率的波动性更大；周收益率相对稳定；月收益率时间跨度大，反应迟钝。在实际走势中，特别是在牛市，深证成指往往会领先上证综指。本文以我国深证成分指数（399001）为研究对象，运用GARCH和GARCH-M模型对其周收益率波动进行分析和预测，这样更能让投资者把握我国股票市场投资行情，进而规避市场系统性风险。 　　二、模型概述、数据选取和研究方法 　　（一）模型概述 　　1.ARCH模型 　　经典线性回归模型通常假定随机误差项是同方差的，线性回归模型一般为： 　　2.GARCH模型 　　3.GARCH-M模型 　　GARCH-M模型表达为：其中：参数？籽是条件方差σ2t衡量的，能观测到预期风险波动对yt的影响程度，它代表了风险和收益之间的一种权衡。 　　（二）数据选取与分析方法 　　本文选取1996年12月27日至2012年12月31日深证成指（399001）周收盘价，共802个样本实际观测值，样本数据来源于钱龙软件数据系统，对比分析GARCH和GARCH-M两种模型。本文的实证分析用EViews6.0完成。 　　三、实证分析与预测 　　（一）均值方程的拟合 　　先假定{spt}为深成指周收盘价，并对{spt}取自然对数，进而建立随机游走模型为：式中，spt、spt-1分别表示第t、t-1期深证成指每周的收盘价。现利用最小二乘法估计式，结果如下： 　　这个方程的统计量很显著，R2=0.995069，表明方程的拟合效果很好。作出该回归方程的残差图，如图1。从图1中可以看到其波动表现出“聚集性”，表明可能存在ARCH效应。 　　（二）ARCH效应检验 　　1.ARCH-LM检验 　　对（*）进行条件异方差ARCH-LM检验，得到滞后为20阶的ARCH-LM检验结果，见表1。 　　2.残差平方相关图 　　计算（*）的残差平方的自相关（AC）和偏自相关（PAC）系数，如图2。从图2可知：AC和PAC不为0，并Q统计量非常显著，所以（*）的残差序列存在着高阶ARCH效应。 　　（三）模型估计分析 　　对波动率进行预测，实际的样本值范围1996年12月27日至2012年12月31日，假设用于估计模型样本范围为1996年12月27日至2010年12月31日，共602个样本。剩下的样本用于预测。先对深证成指周收盘价进行一阶自然对数差分，得到。 　　1.周收益率序列相关图 　　假设深成指周收益率序列的滞后长度为20阶，估计数值如图3。从图3可知，深成指周收益率序列AC和PAC的值接近于0，Q统计量值不显著，且其相应的概率很小。因此，深成指周收益率序列