基于ARCH类模型中国沪市股指波动性研究.docVIP

基于ARCH类模型中国沪市股指波动性研究 　　摘要:金融市场的波动一直是经济分析人员和投资者关注的焦点。以沪市综合指数为研究对象，分别运用ARCH模型、GARCH模型进行初步研究，分析中国沪市股价波动的动态特征，结果表明，GARCH模型对中国沪市有较好的拟合效果。 　　关键词：ARCH模型；GARCH模型；沪市波动性 　　中图分类号：F830.9文献标志码：A文章编号：1673-291X（2011）03-0068-02 　　 　　引言 　　博弈股市，投资者要想获利就必须研判大势，即大盘的涨跌。如果交易过于频繁，天天买进卖出或卖出买进，一方面要耗费投资者大量精力、财力（佣金，税金），另一方面也将冒很大风险（并非天天有行情），所以应选择一定时间段进行集中交易，这样研究大盘指数波动的规律就成为必然，具有重要的实际指导意义和经济价值。 　　本文将利用自回归条件异方差模型，即ARCH类模型对上海股市大盘指数的波动进行实证分析，为投资者进行大盘收盘指数的预测并规避风险提供决策依据。 　　一、理论模型 　　经典的最小二乘回归假定误差序列无关，误差的方差为一常数，然而研究金融市场时却发现大多数时间序列的误差序列无关，但误差的平方序列相关，即误差的方差或波动随时间变化。为了模拟这种波动，提高预测精度，1982年Engle构造了方差随时间变化的自回归条件异方差ARCH模型。此后随着实践的深入，ARCH模型的一些扩展模型也被相继提出，如GARCH模型等，并在解释货币和金融时间序列的行为中得到广泛应用。 　　（一）ARCH（q）模型 　　εt/Ψt-1 N（0，σ2t） （1） 　　εt=Ztσt，Zt为i.i.d.，且E（Zt）=0,Var（Zt）=1（2） 　　σ2t=α0+αiε2 t-i（3） 　　其中，εt序列无关，Ψt-1为t-1期获得的信息集，σ2t为εt的条件方差，α0＞0，αi≥0（i=1，2，……q）。 　　ARCH（q）模型有以下特点： 　　1.式（3）表明过去的波动扰动ε2 t-i对市场未来波动有着正向而减缓的影响，因此波动会持续一段时间，从而模拟了市场波动的集群性现象，但没有说明波动的方向。 　　2.利用ARCH模型可以更精确地估计参数，提高预测精度。当存在ARCH效应时，若仍使用方差为常数的普通最小二乘法来估计参数，就会???生偏差，掩盖预测的不确定性。若使用ARCH 模型，则不仅可以提高预测值的精度，还可以知道预测值的可靠性。 　　3.ARCH模型的主要贡献在于发现了经济时间序列中比较明显的变化是可以预测的，并且说明了这种变化是来自某一特定类型的非线性依赖性，而不是方差的外生结构变化。 　　（二）GARCH（p，q）模型 　　1986 年，Bollerslev在ARCH（q）模型的基础上提出了扩展模型：GARCH（p，q）模型，由（1）式、（2）式和下式构成： 　　σ2t=α0+αiε2 t-i+βjσ2 t-j 　　其中，p≥0，q＞0，α0＞0，αi≥0（i=1，2，……q），βj≥0（j=1，2，……q）。 　　当p = 0 时，GARCH（p，q） 模型即为ARCH（q）模型，因此ARCH（q）模型是GARCH（p，q）模型的特例，同样具有ARCH（q）模型的特点，能模拟价格波动的集群性现象。两者的关键区别在于：GARCH模型的条件方差不仅是滞后残差平方的线性函数，而且是滞后条件方差的线性函数。因此，利用GARCH模型，能在计算量不大时，更合适更方便地描述高阶的ARCH过程，因而具有更大的适用性。 　　二、实证分析 　　我们选取了上证综合指数每日收盘价SPt，数据时间跨度为2008年8月11日至2010年8月11日，共731个数据，数据来源于中信建投通达信，主要通过Eviews3.0实现。 　　为了减少舍入误差，在估计时对｛spt｝进行自然对数处理，即将序列｛lnspt｝作为因变量进行估计。 　　（一）ADF单位根检验 　　为了防止非平稳序列造成虚假回归的出现，我们先对序列lnspt进行ADF单位根检验，结果如下：ADF值为- 8.316697，而在1%显著水平下的MacKinnon值为- 3.4419，因此拒绝存在单位根的原假设，说明序列lnspt是平稳的。 　　（二）OLS自回归和统计特征 　　1.先用OLS做自回归。lnspt=c+βlnspt（-1）+ε（* ），估计结果如下： 　　LNSPT = 0.03354036123 + 0.9957420251*LNSPT(-1) 　　R2=0.991603，Log likelihood=1953.254，AIC=-5.34590， 　　SC=-5.33331。可以看出该方程统计量很显著，拟合度