结构突变对股市收益波动性影响.docVIP

结构突变对股市收益波动性影响 　　摘要：采用修正的ICSS算法检测我国沪深股市收益波动的结构突变点，并使用引入虚拟变量和标准差过滤的方法消除结构突变的影响，建立GARCH和FIGARCH模型检验结构突变对我国股市收益波动的实际影响。研究发现：沪深股市的收益波动表现出显著的长记忆性，且结构突变将导致对收益波动长记忆性的高估，表明我国股市还未达到弱式有效的水平，建立在“有效市场假说”基础上的金融数量模型并不完全适用于我国证券市场；采用修正的ICSS算法能够有效地捕捉到波动的结构突变点，引入虚拟变量和采用标准差过滤均能较好地消除结构突变的影响，而采用标准差过滤的方法的实证效果相对更好；我国股市收益波动存在显著的结构突变，且结构突变发生的时间均与重大政策或市场事件相对应，表明我国证券市场受到经济政策和市场活动的影响显著。为此，应尽可能保持政策的相对稳定，减少过度的行政干预，促进股市的市场化运行，并密切关注国内外经济发展形势对证券市场的可能冲击。 　　关键词：结构突变；结构突变点；股市收益；收益波动性；波动长记忆性；波动聚类性；日收益率；FIGARCH模型；修正的ICSS算法 　　中图分类号：F830.91；F224.0 文献标志码：A文章编号2013 　　一、引言 　　股市收益波动性刻画了收益的变动水平，反映了投资的潜在风险，是影响投资决策的重要变量之一。准确捕捉收益波动性，对于正确评判收益水平、有效规避投资风险具有重要意义。收益波动性的典型特征主要包括波动聚类性与长记忆性（或称为持续性）。长记忆性（long memory）反映了时间序列在一个较长的时间跨度上仍然表现出高度的自相关性，收益波动的长记忆性表示波动性不仅随时间的推移而变化，而且常常在某一时间段中连续出现偏高或偏低的现象。因此，长记忆性刻画了外部冲击对波动性的持续影响，反映历史信息对波动的可预测性。如果波动存在长记忆性，则意味着可以利用历史信息对收益波动性进行预测；显然，这是对“有效市场假说”的背离，从而预示着建立在这一假设基础上的各种金融数量模型（如资本资产定价模型等）的分析都将归于???效。可见，准确刻画收益波动性，特别是对波动的长记忆性进行有效捕捉，对于风险评估与投资决策具有重要的现实指导价值。 　　对收益波动性，特别是对波动的长记忆性的捕捉研究，需要充分关注结构突变的影响。由重大的政策或市场行为所引起的结构突变，常常对收益波动产生重要影响，特别是导致对波动的长记忆性的高估，产生所谓的“伪长记忆”。 McMillan等（2011）实证研究发现忽略结构突变会高估波动的长记忆性，而考虑了结构突变点的波动模型则能提高对股市的预测效果。因此，围绕股市收益波动性的建模分析和对股市结构突变的检测，国内外学者展开了丰富的研究。 　　张文爱：结构突变对股市收益波动性的影响 　　关于收益波动性的研究，最早见于Engle（1982）所提出的ARCH模型，该模型将时变方差建立成历史扰动的函数，以反映金融时间序列的波动性。Bollerslev（1986）提出GARCH模型后，研究股市收益波动的理论模型不断发展，资产收益的尖峰厚尾性及波动集群性特征得到了较好的捕捉。此后，人们进一步发现许多情形下条件方差过程中存在明显的持续性，针对这一现象，Engle 等（1986）提出了IGARCH 模型。在IGARCH 模型中，条件方差的扰动对未来的影响是永续的；但在实际应用中，人们发现更多的情形是扰动对于波动性存在长期但并非永续的影响，表现为分数阶差分平稳，这就是波动的长记忆性。为捕捉这种长记忆性，Baillie等（1996）提出了分数阶协整的GARCH模型，即FIGARCH模型。FIGARCH模型的提出，大大拓展了GARCH模型族的适用范围，特别是在股市收益波动的长记忆性研究方面，FIGARCH模型得到了大量的应用。 　　鉴于时间序列的结构突变对时间序列建模分析的重要性，学者们很早就开始了对结构突变的捕捉与分析，包括均值突变检测和方差突变检测。关于均值突变点的检测，较经典的有Bai 等（1998）提出的用最小二乘法估计均值突变点；此后，Bai等（2003）基于动态规划的原则提出全局最小化残差平方和循序检验法，该方法应用更为广泛，有效拓展了均值结构突变的检测方法。而关于方差结构突变的检测方法，最早见于Hsu 等（1974），其主要针对单个方差突变点进行检测；Brown等（1975）首次提出累积平方和（CUSUMSQ）算法，考察多个方差结构突变点；Inclan 等（1994）改进了CUSUMSQ算法，在假定残差服从独立正态同分布的条件下，提出迭代累计平方和（ICSS）算法；Sansó 等（2004）则进一步放宽对残差的假定条件，提出了修正的ICSS算