成交量我国沪深股市波动性特征.docVIP

基于成交量的我国沪深股市波动性特征分析 【摘 要】本文以arma-garch和arma-egarch模型为基础，对我国沪深两市的成交量与波动性进行实证分析。得出我国股票成交量序列存在非对称波动性，而且正的外部冲击大于负的外部冲击。同时说明arma-egarch模型在描述我国股市非对称波动上更具优势。 【关键词】成交量；非线性趋势；adf检验；arma-egarch模型 一、引言 波动性一直是金融领域研究的核心问题之一，现代金融理论广泛地以波动性来衡量金融资产风险的大小。而收益率与成交量是股票市场上的两个最为根本的变量。由于收益率直接与股价相关，而现代金融的核心问题之一就是定价问题，所以对股票市场的研究几乎都是以收益率为核心。关于收益率及其波动相互关系的问题已经有了大量的研究。 而相比之下，对股票市场上成交量及其波动性进行的研究就比较少，当前研究股市波动普遍采用的模型是arch类模型，即自回归条件异方差模型。其中tarch模型能够刻画出利好消息和利空消息对成交量波动产生的不同影响，正是这些模型反映出了信息对股票收益率波动非对称影响的存在—杠杆效应的存在。基于此，本文以上证综和指数和深圳综指为研究对象，运用arma-tarch和arma-egarch模型来验证我国股市成交量及其波动性特征。这样做的目的是对数据的拟合更准确，从而更加真实刻画股市波动特性。 二、模型介绍 （一）egarch模型 egarch模型，即指数garch模型，由nelson在1991年提出。模型的条件方差表达式为： 模型中条件方差采用了自然对数形式，意味着非负且杠杆效应是指数型的。若≠0，说明信息作用非对称。当＜0 时，则认为存在杠杆效应显著，即负的冲击对波动的影响大于正的冲击。 （二）tarch模型简介 最常用的反应波动非对称性的模型就是tarch模型，tarch(threshold tarch模型)最先由zakoian(1990) 和glosten,jaganathan and runkle(1993) 提出的，其条件方差方程为： 是虚拟变量，当0，表明0比 ≥0对波动的影响更大；若0,表明≥0 比0对波动的 影响更大。 三、实证分析 （一）数据描述 本文以上证综指和深圳综数的日成交量数据为代表,数据跨度为，2000.01.03 至2010.12.31 共十一年数据，样本量为2657个，数据来源于wind咨询，实证分析的结果主要通过eviews3.0软件获得。 图1 上证综指成交量 图2 深圳综指成交量 （二）对成交量数据的处理 本文以后所使用的模型都要求数据序列不能含有单位根以及时间趋势，所以首先要对含有固定时间趋势的成交量序列剔除时间趋势，然后对去势成交量进行单位根检验从成交量的数据来看，两市的成交量都明显的随着时间推移而逐渐上升趋势，以前的研究表明成交量序列既含有线性趋势又含有非线性趋势（gallant,rossi和tauchen,1992）chen(2001)用含有二次时间趋势项的模型回归了成交量序列。我们这里利用 chen的方法，假定我国股票市场的成交量同时含有线性趋势和非线性趋势，即： 其中为股市的原始成交量序列，t为线性时间趋势，为非时间序列趋势。利用上式对两市成交量数据进行回归，各系数均显著，回归所得的残差估计值可以看做剔除时间趋势后的成交量，对其进行adf检验结果如下： 变量 差分次数 （c,t,k） dw值 adf值 5%的临界值 1%的临界值 结论 0 （0,0,1） 2.037479 -9.162279 -1.9394 -2.5665 i(0) 0 （0,0,1） 2.020919 -9.548501 -1.9394 -2.5665 i(0) 表1说明：和表示两市剔除时间趋势后的成交量，（c,t,k）表示adf检验是否包含常数项，时间趋势项以及滞后期数。 从adf检验结果看，两市去趋势后的成交量序列是平稳的，不含有单位根。 （三）和的自相关识别和残差的arch效应检验 1.去趋势成交量相关性识别 从沪深股市去势成交量序列的自相关函数(acf)和偏自相关函数(pacf) 图，并利用ljung-box q-统计量诊断，发现沪市和深市的去势成交量存在很强的自相关性，说明数据信息还需进一步挖掘。 2.异方差的产生 我们考虑用arma模型对其特性进行拟合。通过aic和sbc准则对模型进行筛选，我们最终选取arma(2,1)模型。基于ols的拟合结果如下： 沪市： （25.76113）（-7.867591）（-15.11070） 深市： （24.