我国股票市场波动时变性及原因探析.docVIP

我国股票市场波动时变性及原因探析中图分类号：F830 文献标识码：A 内容摘要：ARCH模型诞生后，关于资产价格波动性的实证研究大量涌现。研究者们从不同市场、不同数据频率、不同时段等角度选取数据，对股票指数的波动特征进行实证研究。本文采用大事件与成交量相结合的方法划分不同时段，对股权分置改革开始至今的股票市场的收益与波动进行实证分析，比较各时段波动差异，并从引发市场变迁的多个方面（政策、市场机制、宏观经济）对波动变化作出解释。研究表明：我国股票市场的波动持续性和记忆性较强；融资融券和股指期货交易后股市的波动集群性降低；我国股市存在杠杆效应（收益与同期波动的负相关关系），2008年四万亿刺激政策出台后杠杆效应尤为显著。 关键词：收益 波动 GARCH模型 股权分置改革 杠杆效应 相关文献综述 现存文献中资本市场的波动特性研究主要针对股票和期货市场。Nelson（1989）采用EGARCH研究Standard90指数日收益的波动；Chiang and Doong（2001）应用TAR-GARCH模型对亚洲七个股票交易所的日收益率、周收益率、月收益率分别建模，验证了波动非对称性；陈浪南、黄杰鲲（2002）采用GJR GARCH-M模型，应用ICSS法则将股市从1993-2001年的数据分为四段，从实证的角度分析了利好消息和利空对股票市场的非对称影响。沈小燕、杨旭辉（2006）利用ARCH类模型对大连期货市场“黄豆一号”价格波动性的分析表明，我国农产品期货市场也存在国外成熟期货市场的特征，即“波动集聚”、“尖峰厚尾”、“杠杆效应”等。但是以上研究没有涉及股权分置改革后的市场，大多也并未分析波动特性产生的原因。 模型建立与数据选择 （一）模型建立 GARCH(p,q)模型： （1）式中α0、αi、βj为待估参数，本文使用GARCH(1,1)模型，α1与β1之和反映波动的持续性。 EGARCH(1,1)模型： （2）式中α0、α1、γ、λ为待估参数，α1≠0则说明波动具有非对称性，如果α1显著0，代表坏消息的影响大于好消息，反之则好消息的影响大于坏消息。 （二）数据选择 本文采用沪深300指数作为数据来源，理由是：沪深300样本股包含了沪深两市300个上市公司，从而反映中国证券市场股票价格变动的整体概貌和运行状况，并被广泛的作为投资业绩的评价标准。由于中国股票市场是新兴市场，一直处于快速扩容状态，这样综合指数的波动就不完全来自股票价格的波动，一定程度上受新股上市的影响。沪深300指数包括的上市公司大多是上市一定时间的权重股，能较合理反映市场走势。 整体数据是从2005年4月29日股改之日起至2011年12月7日的沪深300日收盘价Pt。本文综合大事件和成交量变化周期两个方面，将以上时间区间划分为三个波动时段。时段一从 2005年4月29日到2008年12月12日，即从股改开始，2008年12月15日中央实施财政4万亿刺激计划的前一个交易日止，期间成交量波动恰好完成一个周期；时段二从2008年12月15日到2010年3月30日，即从4万亿刺激政策开始至2010年3月30日（融资融券正式推出日的前一交易日），成交量经历一个起伏周期；时段三从2010年3月31日至今，在此期间市场持续振荡。 定义每日连续复合收益率，得到指数收益率序列{Rt}： Rt=lnPt-lnPt-1 (t=2,3,4,...,N) （3） 实证分析 （一）指数收益率序列的描述性统计 沪深300指数日收益率的波动情况（2005年4月29日-2011年12月7日）如图1所示。从图1可知，指数的收益序列存在明显的波动集群现象，一个大波动之后容易出现持续一定时间的较大波动。另外，超过5%的异常收益率中，负值的频次明显要大于正值的频次。 指数收益序列的描述性统计如表1所示。从表1可知：三个阶段的指数收益波动（标准差）明显依次递减，第二时段较第一时段下降10%以上，第三阶段指数收益的波动较第二时段变化更大，下降20%以上。指数收益序列在三个时段都表现出负偏度，但数值很小。从峰度数据可以发现，收益序列都表现出“尖峰肥尾”特征，J-B统计量（J-B统计量服从自由度为2的卡方分布，在5%的置信度下临界值为5.99）也都拒绝正态分布的原假设，证实了收益序列不服从正态分布。检验收益序列自相关性的Q1统计量结果表明，在10%置信度下三个阶段都存在明显的收益率自相关性，因此在平稳性检验通过后可以使用自回归移动平均ARMA方程来描述。 （二）数据的平稳性检验 在建立ARMA模型分析前，本文首先在Eviews软件中对数据序列作平稳性检验，结果显示所有时段的数据序列都平稳，这也符合我们对收益序列的直观认识。 （三）G