基于GARCH族模型股指期货波动性研究.docVIP

基于GARCH族模型股指期货波动性研究 　　摘 要 本文分别用最具有代表性的3类广义自回归条件异方差模型:GARCH、TGARCH、EGARCH,在正态分布、t分布和GED分布假设下,分析了与我国沪深300股指期货相仿的新华富时A50指数期货,结果表明基于广义误差分布下的EGARCH模型拟合效果最优,同时也表明新华富时A50股指期货具有较强不对称效应,等量利空信息是利好信息冲击的3-4倍。 　　关键词 GARCH模型 股指期货 波动性 自回归条件异方差 　　中图分类号:F830文献标识码:A 　　 　　自中金所2006年10月推出的沪深300股指期货仿真交易,经过三年多的运行结成正果,沪深300股指期货合约终于在2010年4月16日正式挂牌上市,其未来发展趋势已成为重要的研究内容。在中国市场上其波动性如何,是一个值得研究的问题。由于沪深300股指期货上市交易不久,数据量非常有限。而沪深300指数成分股涵盖了新华富时A50指数的成分股,两者走势是高度相关的,因此对新华富时A50股指期货的研究,对我国沪深300指数期货的研究具有很强的借鉴意义。本文拟采用GARCH族模型在不同分布下对新华富时A50股指期货进行研究分析,对未来分析我国沪深300股指期货的波动情况提供参考。 　　一、GARCH 族模型及模型选择 　　本文分别选择了具有代表性的GARCH、TGARCH、EGARCH模型在正态分布、学生-T分布、广义差分分布(GED)下,对新华富时A50股指期货波动性及对称性进行分析。 　　GARCH(q,p)模型称为广义ARCH模型,由Bellerslev(1986)通过在条件方差方程的右边加入条件方差的一个时滞结构得来,可以很好地刻画金融时间序列的异方差性和波动聚集现象。对于模型的滞后阶数p,q值的确定,可以通过赤池信息准则AIC和极大似然值等指标进行分析来确定。其形式如下: 　　(1) 　　(2) 　　其中, 　　TGARCH模型引入了虚拟变量 ,可以用来描述资产的非对称效应,即负的冲击比正的冲击更加容易使得资产价格波动。该模型是由Zakoianhe(1990)和Glosten(1993)提出,其形式为: 　　(3) 　　其中, 是一个虚拟变量,当 0时, =1;否则, =0。只要 ,就存在非对称效应。 　　EGARCH 模型由Nelson(1991)提出,是将条件方差表示为指数形式,所以对模型中的参数没有任何限制,具有TGARCH模型所不具有的优点。其形式为: 　　(4) 　　二、GARCH模型参数估计 　　(一)数据的选取。 　　本文采用eviews5进行统计分析。样本数据是从新华富时A50指数期货上市交易以后至2010年4月20日,共882个交易数据。数据源自wind资讯金融数据库。用表示新华富时 A50 指数期货第t期的收益率,定义为t期的收盘价与t-1期收盘价的对数差,即,为当日新华富时 A50 指数收盘价格,为前一日收盘价格。 　　(二)数据基本分析。 　　1、对收益率作出线性图,可以看出收益率序列波动较为平稳,没有大幅度波动。但的异常值集中在某些特定时期,表现出波动性集聚现象。收益率的一般统计量的偏度值为-0.302(负偏),峰度值为4.378(厚尾),且JB统计量为83.1478,该序列不呈正态分布。 　　2、对进行自相关与平稳性检验。通过自相关检验,表明自相关性不显著,但高阶之后呈弱相关。单位根平稳检验如表1,该收益率序列是平稳的。 　　表1单位根检验 　　 　　3、对序列进行ARCH-LM检验,检验自回归条件异方差性。对均值方程关于常数项的最小二乘回归残差序列进行滞后3阶的ARCH-LM检验,结果如表2。残差序列存在ARCH效应,因此选择GARCH族模型进行估计是合适的。 　　表2ARCH-LM检验 　　 　　(三)在不同分布下的估计结果。 　　GARCH(q,p)模型取q=1,p=1就能取得很好的估计结果,本文采用GARCH(1,1)模型,在正态分布、学生-T分布、广义差分分布(GED)下估计结果如表3。 　　表3GARCH参数估计结果 　　 　　注:粗体为5%显著水平下显著不为0 　　从上表可以看出,在不同分布下GARCH(1,1)参数估计结果都显著不为0,但在广义差分分布下的AIC、AC最小,似然估计值最大。对估计结果残差进行ARCH-LM检验,发现ARCH效应已然消除,所以在GED分布下GARCH(1,1)模型估计结果最佳。模型的系数之和 1+ 1=0.985712,十分接近1,表明新华富时A50股指期货的收益率某时刻信息冲击将有持续影响,波动率的衰减较慢。 　　三、非对称效应 　　考虑到资本市场的不对称效应,利用TGARCH模型在正