上证综指收益率实证分析.docVIP

上证综指收益率实证分析 　　摘 要：上海证券交易市场在我国资本市场中具有重要地位，其A股股票收益率整体走势可以代表着我国证券市场的整体行情。本文旨在利用上证综指收盘价计算对数收益率，建立ARMA-GARCH模型，进而对上证综指收益率进行预测，并针对其波动提出相关建议。数据选取以2006年6月1日至2015年6月1日上证综合指数收盘价为基础，计算对数收益率，检验序列的相关性，稳定性及异方差性。故本文采用ARMA模型模拟上证综指收益率序列，利用GARCH模型拟合残差序列，以此进行实证分析和预测。 中国论文网 /3/view-7162621.htm 　　关键词：上证综指；对数收益率；ARMA-GARCH模型 　　一、引言 　　上证综指反映了在上海证券交易所中挂牌的全部股票的总体走势，能够充分地反映我国沪市股票的总体行情。上证综指对样本股票进行加权计算股票价格，并且所选股票涉及各个行业，如金融、工业、材料、能源、医药、房地产，为广大投资者提供参考。从2015年1月29日沪指暴跌7.7%到2015年1月21日大涨百点，股市的跌宕起伏使人更加关心整个股市的总体走向。股票的收益率序列属于金融时间序列，有如下特征：首先，通常原始收益率序列并不平稳，需要进行一阶差分才能表现出平稳性。其次，股票的收益率序列呈现出非线性关系，但是平方之后，收益率序列表现出强自相关性。最后，股票收益率序列与正太分布相比，有尖峰厚尾特征。鉴于此，运用现代计量方法对股票收益率序列建立模型加以拟合，可对股市震荡加以防范。 　　二、文献综述 　　西方发达国家的证券交易市场起源较早，对金融时间序列的理论研究和计量分析也更为系统。Mandlebrot（1963）[1]首先发现股票收益率序列具有波动聚集效应。Engle（1982）[2]提出自回归条件异方差模型，对股票收益率序列的残差加以拟合，进一步描述了波动集群效应。Bollerslev（1986）[3]在ARCH模型基础上，推出广义的自回归条件异方差模型（GARCH），对金融时间序列的收益以及风险测量更为精确。20世纪90年代以来，西方理论界将GARCH簇模型广泛应用于金融领域，对股票收益率的波动性影响因素以及影响程度加以拟合。Zakoiao 和 Glosten，Jagannathan，Runkle 提出的TGARCH模型对股票收益率波动的影响因素进行长期分析，明确提出西方股票市场具有杠杆效应。EGARCH模型可对股票收益率所受冲击的波动性进行拟合，表明股票收益率波动具有非对称性。 　　国内理论界依据西方的现代金融计量经济学模型，针对我国的证券市场也做了大量研究。丁华[4]（1999）在其文中介绍了ARCH（P）模型的概念和检验方法，并采用1994年至1997年4年的上证A股综合指数进行实证分析，实证表明我国沪市股票收益率也存在异方差性。岳朝龙（2001）[5]对沪市股票收益率建立GARCH簇模型，研究表明上证股市具有杠杆效应。刘金全、崔畅[6]（2002）对沪深两市收益率序列进行对比分析，两市在短期的波动模式不同，但是在长期内均存在均衡关系。惠军、朱翠[7]（2010）利用ARMA模型拟合我国基金市场的平稳收益率，进而建立ARCH模型对收益率残差序列加以拟合，解决了方差时变条件下收益率波动时间序列建模问题，描述了基金序列的特性。 　　三、实证分析 　　（一）数据选取和描述性统计 　　本文样本取自国泰安数据库，以2006年6月1日到2015年6月1日上证综指收盘价为初始研究对象，共计2210个样本点。实证分析采用R软件。令Pt为上证综指第t个交易日的收盘价，则其日对数收益率为r=lnPt-lnPt-1。图1左侧为上证综指收盘价时序图，右侧为对数收益率时序图。观察左图发现，上证综合指数开始呈上升趋势，达到峰值之后迅速回落，之后持续波动，直到第2000个样本点之后有显著上升。而右侧的上证综指对数收益率序列在均值0上下剧烈波动，但序列波动幅度并不相同，显示出数据的波动集群现象。上证综指日收益率序列偏态值为20.101007，表明该序列右偏。峰态值为704.647899，表明该序列分布比正态分布尾更厚。 　　图1 上证综指日收盘价时序图和对数收益率时序图 　　（二）ARMA模型[9]建立 　　首先利用ADF检验对上证综指日收益率序列的平稳性加以检验。在5%的显著性水平下，p=0.01，接受备择假设，则该收益率序列平稳。 　　利用ACF图和PACF图检验日收益率序列的自相关性，发现该对数收益率序列存在四阶自相关。首先尝试采用模型ARMA（4，0）拟合该序列的均值方程，但发现在5%的显著性水平下，模型ARMA（4，0）中只有ar4项的系数显著，其余均不显著。在5%的显著性水平下，ARMA（3，3）模型的系数，除截