基于GARCH类模型沪深股市波动性分析.docVIP

基于GARCH类模型沪深股市波动性分析 　　[摘 要]以2001年6月14日至2008年2月29日间上证综合指数和深圳成分指数的日收盘价为数据样本，运用GARCH类模型对上海和深圳股市日收益率的波动性进行了实证分析，研究结果表明沪深股市具有明显的异方差、存在明显的风险溢价、且两市波动性存在因果关系等。 　　[关键词]波动性 GARCH模型 　　 　　一、引言 　　随着中国股票市场的发展，学者对这方面的研究也越来越多。而股票市场波动性是该领域中较为活跃的一个课题，这主要是因为波动性是影响期票价格和交易的一个重要因素，而且波动性对于相关的风险管理也是是很重要的。 　　在理论研究和实证分析中，一般用收益率的方差或标准差来表示股票市场的波动性。但近年来，广义自回归条件异方差模型(General Autoregressive Conditional Heteroskedasticity，GARCH)被专门用于波动性的建模和预测。广义自回归条件异方差模型的前身自回归条件异方差模型(ARCH)最早由Engle(1982)提出，Bollerslev(1986)把它扩展为GARCH模型，即广义自回归条件异方差模型。Engle、Lilien和Robins(1987)则把条件方差引入均值方程中，提出了条件异方差均值模型(GARCH-M)。为了克服GARCH模型在处理金融时间序列数据时的一些不足之处，还许多学者对GARCH模型提出改进，如Nelson(1991)提出的指数GARCH (EGARCH)模型，Tsay(1987)的条件异方差自回归移动平均模型(CHARMA)等。 　　国内学者对GARCH类模型也做了很多介绍，并且用GARCH类模型对我国证券市场价格行为与收益报酬的关系进行了一些探索性的研究工作。如：马超群和陈牡妙(1998)等对ARCH和GARCH以及其它GARCH类模型做了介绍和评述；唐齐鸣和陈健(2001)用GARCH(1,1)和EGARCH(1,1)模型分析了沪深股市的GARCH效应等。这些介绍和应用无疑对我国证券市场的研究和健康发展起到了积极而重要的促进作用。 　　本文在前人的基础上，合理利用GARCH类模型对2001年6月14日至2008年2月29日上证综合指数和深圳成分指数收益率的波动性进行了实证分析。 　　 　　二、GARCH模型 　　Bollerslev(1986)在Engle（1982）的ARCH模型上提出了GARCH模型的系统框架。GARCH模型的基本思想是：(1)尽管资产收益的随机误差项不存在序列相关性，但并不独立；(2)随机误差项之间的依赖性可以由其滞后变量的简单二次函数来描述。 　　（一）GARCH(p,q)模型 　　一个GARCH(p,q)模型可以表示如下： 　　 　　如果δ是正的且具有统计显著性，那么由条件方差增加所给定的风险增加会导致均值收益的上升。因此，δ被解释为风险报酬。 　　（三）TGARCH(p,q)模型 　　TGARCH(Threshold ARCH, Glostein et al, 1993)模型用来考虑好消息( 0)和坏消息( 0)对波动性的非对称性影响。其均值方程为式(1)和(2)，其方差方程为 　　 （7） 　　在这里，为虚拟变量，当0时为1，否则为0。 　　 　　三、实证分析 　　（一）数据特征 　　2001年6月14日上证综指盘中创下了2245.43点，从此中国股市进入了新一轮的下跌上涨周期，本文分别选取了上证综合指数和深圳成分指数从2001年6月14日到2008年2月29日这段时间的日收盘数据作为我们的研究对象，共1622个观测值。如果用Pt表示t时刻的收益率，那么 就是日收益率。 　　表1中的统计量分别说明了上证综指日收益率和深圳成指日收益率是服从非正态分布的。正态分布的偏度应该为0，而上证综指日收益率和深成指数日收益率的偏度分别为-0.070999和0.017147，这表明上证综合指数收益率是左偏峰分布的，而深圳成分指数收益率是右偏峰分布的。它们的峰度分别为7.557395和6.798751，表明其为尖峰分布（Leptokurtic Distribution）或宽尾分布（Fat-Tailed Distribution），而Jarque-Bera值检验也拒绝了上证综合指数和深圳成分指数日收益率服从正态分布的零假设。 　　 　　图1(a) 上证综合指数日收益率图 　　 　　图1(b) 深圳成份指数日收益率 　　表1 上证综指和深圳成指日收益率分布的描述性统计量 　　 　　（二）ARCH效应检验 　　从图1中，可发现收益率的波动在某段时间内较小，而在另一段时间内较大，这就是金融数据中一个普遍的特征――波动的集聚性。这表明