股票收益率时间序列模型分析.doc

 股票收益率时间序列模型分析 曹 洁 （北京交通大学 经济管理学院，北京 100044） 【摘 要】 文章在规范统计与计量检验基础上，建立上证综指收益率的相关的 GARCH 族模型。分析结果表明： EARCH模型对上海股市股票收益率具有较好的拟合效果，而上海股市收益率存在显著的杠杆效应。 【关 键 词】 上证综合指数；GARCH族模型；股票收益率 【中图分类号】F830.91 【文献标识码】A 【文章编号】1004- 2768（2011）11- 0061- 02 国内外对股指的模型定量化研究由来已久。国外，Akgiray （1989） 较早地利用 GARCH 模型及 ARCH 模型预测了美国股 指的波动，并将预测结果与传统的指数加权移动平均模型预测 结果进行了比较，发现 GARCH 模型预测结果要优于其它模型 的预测结果。Gwilym.Et.a1（1999）利用 GARCH 族模型检验了不 同金融期货合约及股指期货价格走势的非线性特征。Santos 和 Verones（i 2006）则研究了劳动收入与股指收益的关系。国内，魏 巍贤、周晓明（1999）利用非线性 GARCH 模型研究了中国股市 的波动性。 李亚静、朱宏泉、彭育威（2003）运用 GARCH、E- GARCH、TGARCH 模型实证分析了上证 30 指数、上证综合指 数和深证成份指数的波动性，并对香港恒生指数进行了模型预 测。邓超、光辉（2005）选用 2000 年 3 月 17 日至 2003 年 12 月 31 日之间的上证综指收盘价为研究样本，用 ARCH、GARCH、 GARCH—M、EGARCH 模型来预测股市的波动性，认为 E- GARCH（1，1）的预测效果最好。赵进文、王倩（2008）通过详细 的检验对上证 180 指数进行 GARCH 族模型进行仿真研究，试 图建立即将作为股指期货标的物的上证 300 指数的模型。 本文以上证 180 指数在 2000 年 1 月 4 日至 2008 年 12 月 31 日之间的日收盘价为分析样本，共含 2 150 个有效数据，在 进行规范的统计与计量检验基础上，建立相关的 GARCH 族模 型，试图选出适合的模型，以便服务投资者，预测未来沪市行 情。 一、模型的介绍 大量的金融时间序列实证分析表明，金融市场中的时间序 列数据通常表现出两大特点：第一个特点是波动集群性与持续 性，即如果当期市场是波动的，则下一期的波动将会大，而且它 会随当期收益率偏离均值的程度而加强或减弱；反之，如果当 期的波动小，则下一期的波动也会小，除非当期收益率严重偏 离均值。第二个特点是过度峰度，即金融时间序列分布大多呈 现非正态性和厚尾性特征，小概率事件发生的频率比较高。基 于此，Engle 于 1982 年首次提出了 ARCH 模型，ARCH 模型具 有良好的特性即持续的方差和处理厚尾的能力，能较好地描述 金融序列的波动特征。Bollerslev 于 1986 年提出了 GARCH 模 型，从而能用一个低阶的 GARCH 模型代替一个高阶的 ARCH 模型，具有良好的处理厚尾能力。此后，大量研究表明金融时间 序列的分布是有偏的，所以使用对称的 GARCH 模型就难以处 理这类问题。于是国外的一些学者提出了修正的 GARCH 模型， Zakoian 于 1990 年提出了 TARCH 模型，Nelson 于 1991 年提出 了 EGARCH 模型。这类非对称 GARCH 模型不仅保留了传统 GARCH 模型描述金融时间序列波动集群性和过度峰度的优 势，而且能描述金融时间序列的有偏分布。 （一）ARCH 模型 设 yt 为因变量，xt 为解释变量构成的列向量，它可包含 yt 的滞后因子，εt 为随机干扰项。对于回归方程： （1） yt=xt β+εt 如果 εt= h * v ，v ~NID（0，1）则： 姨 t t t 2 2 （2） ht=a0+a1εt-1 +…+aqεt-q 称序列服从 q 阶的 ARCH 过程，记作 εt~ARCH。 （二）GARCH 模型 GARCH 模型通常也用于对回归或自回归模型的随机干扰 项进行建模。若（2）式为以下形式： 2 2 （3） ht=a0+a1εt-1 +…+aqεt-q +θ1ht-1+…+θpht-p 其他限制条件不变，则称序列 εt 服从 GARCH（p，q）过程。 在 GARCH 模型中，由于只考虑到误差的绝对值大小，而没有考 虑到它们的符号，因此，该模型简单地假设正的波动和负的波 动对于条件方差的影响是相同的。但是，对于股票市场的研究 发现，股价下跌和上涨的幅度相同时，股价下跌过程会伴随更 剧 烈 的 波 动 性 。 为 解 释 这 种 现 象 ，Zakoian（199