中国股市收益GARCH模型与实证分析.docVIP

中国股市收益GARCH模型与实证分析 　　摘要:GARCH模型引入观测数据方差自相关假设,有力地刻划和解释了金融数据的异方差特性。本文介绍了GARCH模型及其特点,并利用这一模型对上证A股指数和深证成指进行实证分析。 　　关键词:异方差;GARCH模型 　　 　　1、引言 　　 　　由于股票市场波动的异方差性,Engle(1982)引入了条件方差的概念来分析方差变化的原因,并提出了自回归条件异方差(autoregressive conditional heteroscedasticity,ARCH)模型。ARCH模型假设观测数据的方差呈现自相关,即观测误差的方差是其滞后值的函数。随后Bollerslev(1986)在ARCH模型的基础上提出了广义自回归条件异方差(general autoregressive conditional heteroscedasticity,GARCH)模型。GARCH模型比传统的方差齐次模型更准确地刻画了金融市场的波动过程。 　　 　　2、ARIMA -GARCH模型 　　 　　ARIMA模型和GARCH模型分别从一阶(价格序列)和二阶(方差序列)上来刻画波动的相关性,因此二者是相互独立和互不包含的,可以把它们结合进行建模研究,以全面刻画金融时间序列的波动特性。因此提出ARIMA -GARCH模型: 　　式中,是时刻t-1及t-1之前的全部信息, 独立同分布,且参数满足条件: 　　E(Vt)=0,D(Vt)=1 　　E(vtv?s)=0(t≠1);p0,q0,α?00,α?i≥0,i=1,2,L,q,β?j≥0,j=1,2,L,P。L为滞后算子,(εt)为白噪声序列,(1-L)?d为分数差分算子, φ(L)和θ(L) 分别为r阶与s阶平稳的自回归滞后算子和可逆的滑动平均滞后算子,其所有的特征根都在单位圆外。 　　 当r=s=0时,式(1)退化为I(d)-GARCH;当s=0时,式(1)退化为ARI-GARCH。 　　3、实证分析 　　3.1 数据选取和基本统计分析 　　为了研究我国股票市场价格波动的异方差特性,故本文选取2002年1月4日至2008年12月10日每个交易日的上证综指收盘指数(共1743个数据)和2002年1月4日至2008年10月18日每个交易日的深证成指每日收盘价格(共1683个数据)。数据来源于http://vip.stock.finance.省略,使用的软件是Eviews。设收盘指数序列为 ,对其进行自然对数处理,得到两个 序列。 　　 下表给出了序列 的基本统计特征: 　　表1 　　上证指数 深证成指 　　均值 7.512249 8.467427 　　中位数 7.348878 8.140613 　　最大值 8.714741 9.879766 　　最小值 6.919189 7.871703 　　标准差 0.450546 0.598295 　　偏度 1.159754 1.114591 　　峰度 3.173048 2.742178 　　Jarque-Bera正态检验 392.4553 353.1303 　　P值 0 0 　　样本数 1743 1683 　　由上表可知,上证指数和深证成指序列{ln(pt)}均表现出左偏度,Jarque-Bera正态检验统计量也拒绝正态分布的原假设,因而序列{ln(pt)}不服从正态分布。 　　3.2 序列{ln(pt)}的平稳性检验 　　利用ADF检验法对序列{ln(pt)}进行平稳性检验。结果显示{ln(pt)}是l(1)的。检验结果见下表: 　　表2 　　序列 ADF统计量 1%临界值 5%临界值 10%临界值 结论 　　上证指数 ln(pt)-1.042545 -3.963326 -3.412394 -3.128140 不平稳 　　上证指数 dln(pt)-41.69268 -3.963329 -3.412395 -3.128141 平稳 　　深证成指ln(pt) 0.987559 -2.566338 -1.941012 -1.616573 平稳 　　深证成指 dln(pt)-39.59254 -2.566338 -1.941012 -1.616573 平稳 　　 　　3.3建立ARIMA-GARCH模型 　　3.3.1经过上面的检验可知,可尝试用随机游走模型模拟: 　　ln(pt)=αln(p??t-1?)+εt(2) 　　其中α为待估参数,εt为残差并假设服从条件正态分布。利用最小二乘法估计的结果为上证指数: 　　ln(pt)=?1.000019?(24650.65)×ln(p??t-1?)+εt(3) 　　R?2=0.998 对数似然值=455