基于GARCH族模型对中国股市波动分析与预测.docVIP

基于GARCH族模型对中国股市波动分析与预测 　　 摘 要：运用GARCH类模型对沪深300指数序列的波动性、收益率进行了实证研究，并且对序列做了拟合与预测，获得了不错的效果。除此，还证实了中国股市存在着显著的非对称效应。 　　 关键词：GARCH模型；波动性；收益率；分析；预测 　　 中图分类号：F830.91 文献标志码：A 文章编号：1673-291X（2011）34-0074-05 　　 　　 在证券市场上，由于价格的大幅度波动，也由于证券的高度投机性，股票价格表现出不确定性，价格的涨落难以预测，股票价格可能会因为一个利好消息，因为强大的向上的动力，因为投资者美好的未来预期心理大幅上涨，也可能会因为一个不利消息，因为价格已涨得较高，上升动力不足，因为投资者预期的收益下降，这些因素都使股票市场的不确定性和风险性大大增加[1]。 　　 ARCH模型由美国加州大学圣迭哥分校罗伯特#8226;恩格尔教授[2]1982??在《计量经济学》杂志的一篇论文中首次提出。此后在计量经济领域中得到迅速发展。 　　 所谓ARCH模型，按照英文直译是自回归条件异方差模型。粗略地说，该模型将当前一切可利用信息作为条件，并采用某种自回归形式来刻划方差的变异，对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，利用ARCH 模型，可以刻划出随时间而变异的条件方差。 　　 作为一种全新的理论，ARCH模型在近十几年里取得了极为迅速的发展，已被广泛地用于验证金融理论中的规律描述以及金融市场的预测和决策。 　　 ARCH模型的应用分析，从1982年开始就一直没有间断，经济学家和计量经济学家们，力图通过不断挖掘这个模型的潜力，来不断增强我们解释和预测市场的能力。从国外的研究情况来看，大致有两个研究方向： 　　 一是研究ARCH模型的拓展，完善ARCH模型。自ARCH模型始创以来，经历了两次突破。一次是Bollerslev [3] 提出广义GARCH（Generalized ARCH），即GARCH 模型，从此以后，几乎所有的ARCH 模型新成果都是在GARCH模型基础上得到的。二是将ARCH模型作为一种度量金融时间序列数据波动性的有效工具，并应用于与波动性有关广泛研究领域。包括政策研究、理论命题检验、季节性分析等方面。 　　 有许多学者应用ARCH模型描述中国股票报酬波动，俞乔（1994）[4]以GARCH模型刻画上海和深圳股市波动，徐剑刚、唐国兴（1995）[5]在《中国股票报酬与波动的GARCH-M模型》中以GARCH-M模型描述股票报酬和波动的关系。这些研究都是基于股票报酬条件分布服从正态分布的假设。王美今和王华（2002）[6]通过比较分析后认为t分布假定下的GARCH模型较之正态分布能更好的描述厚尾性。陈守东等（2002） [7] 对沪深股市进行分析后认为t分布和GED分布假定下的GARCH模型较能够更好地反映市场的收益特性。龚锐等（2005）[8]、魏宇（2007）[9]分别使用了GARCH模型的一些扩展形式，分析了GARCH模型的应用。 　　 可以预见，未来的研究将会在方法论和工具论两个方向进一步展开，特别是其应用研究还在不断拓展，特别是伴随着市场微观结构理论的成熟，采用ARCH模型来模拟波动性，将会对股票交易制度设计，风险控制制度设计和投资组合风险管理策略研究，提供一个更为广阔的研究空间。 　　 一、理论模型 　　 GARCH类模型通常由两部分构成，分别是条件均值方程和条件方差方程，其一般形式为： 　　 rt=0+irt-i+t-it-i，t=tt （1） 　　 2t=ω+αiα2 t-i+βjσ2 t-j （2） 　　 在（1）式和（2）式中，自回归移动平均模型ARMA（p，q）反映条件均值，广义自回归条件异方差模型GARCH（p，q）刻画其条件方差，其中{rt}位收益率序列，{αt}是白噪声序列，i、i分别为均值方程的系数项，2t为条件方差，t为零均值、独立同分布的随机变量，t与t相互独立，ω为截距项，αi为ARCH项α2 t-i的系数，βj为ARCH项σ2 t-j的系数。 　　 GARCH族模型描述了金融时间序列的自相关行，反映了市场波动的时变特性。在现实中，金融时间序列的波动通常呈现出一种非对称性，反映这种非对称性效应的模型主要有EGARCH、PARCH等模型。 　　 EGARCH模型的条件方差公式为： 　　 ln（σ2）=ω+αi+βjln（σ2 t-i）+γk （3） 　　 左边条件方差取对数形式隐含着杠杆效应是指数的而不是二次的，并保证了条件方差是非负的。若γ≠0说明信息作用非对称；γ0，δ≥0，αj≥0（j=1，…，p），βi≥0（i=1，…，p），-10，非