中国股市长记忆性和趋势变化研究.docVIP

中国股市长记忆性和趋势变化研究 　　摘 要：文章对中国股市的长记忆性进行研究，在研究中将SEMIFAR模型与FIGARCH模型相结合，建立了既能反映收益率趋势变化情况又能描述收益率和波动长记忆特征的SEMIFAR-FIGARCH模型，利用该模型对我国沪、深两市的收益率和波动率的长记忆性及趋势变化进行实证分析，并与ARFIMA-FIGARCH、ARFIMA-HYGARCH模型结果比较拟合及预测效果。研究结果表明：我国沪、深两市的收益率和波动率均存在长记忆性；其收益率序列存在显著的趋势变化特征；SEMIFAR-FIGARCH模型的拟合和预测效果优于ARFIMA-FIGARCH、ARFIMA-HYGARCH模型，表明SEMIFAR-FIGARCH模型对我国股市有较好的模型解释能力和预测能力。 　　关键词：SEMIFAR-FIGARCH模型；趋势；长记忆；核估计方法 　　作者简介：张金凤，女，天津财经大学博士研究生，天津工业大学理学院教师，从事非参数计量经济学研究；马薇，女，天津财经大学理学院博士生导师，从事非参数非线性计量经济学研究。 　　基金项目：全国统计科学研究项目“大数据条件下金融风险测度的方法研究”，项目编号：2014LY003 　　中图分类号：F830.91 文献标识码：A 文章编号：1000-7504（2015）06-0055-07 　　金融时间序列的长记忆性也称为长期相关性，描述了金融时间序列中相距较远的观测值之间稳定的依存关系。Mandelbrot最早提出了长记忆性的概念，并将其应用在资产收益的研究中，此后，在金融领域长记忆性得到广泛的应用。对金融时间序列而言，具有长记忆性意味着过去会持续影响着未来。如果金融时间序列存在长记忆性，一方面基于布朗运动和鞅过程假设所导出的金融衍生产品定价模型将失效，金融市场会面临较大的风险；另一方面长记忆性的存在可为金融资产的预测提供一定的理论支撑。因此，关于金融时间序列长记忆性的检验与研究，逐渐成为近年来金融领域研究的一个热点和重点问题，特别对金融市场的风险控制、价格预测、市场监管等方面都有着重要的理论意义与应用价值。 　　目前关于金融时间序列长记忆性的检验与研究主要有统计方法和模型方法两大类。从20世纪80年代以来，国内外学者关于长记忆性进行了大量实证研究。Greene和Fielitz（1977）[1]，Barkoulas、Baum和Travos（2000）[2]，Sibbertson（2004）[3]通过R/S检验表明美国、希腊、德国等国家的股票收益率存在明显的长记忆性；王春峰、张庆翠和李刚（2003）[4]利用R/S方法对我国1993―2001年间沪、深两市的长记忆性进行检验，得出我国股票市场存在较强的长记忆性，不是一个效率市场；张维和黄兴（2001）[5]检验出中国股市日、周收益率均存在长记忆特征，市场呈非线性的波动。在模型方法上，Granger和Joyeux（1980）[6]，Hosking（1981）[7]提出了能够较好描述金融时间序列持续性和长记忆性的ARFIMA模型，并广泛应用在经济金融领域中。对金融时间序列的波动情况，目前多采用GARCH模型族如FIGARCH模型和HYGARCH模型来刻画其长记忆性。一些学者还尝试将ARFIMA模型与FIGARCH、HYGARCH模型分别结合，构造出ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型来同时考察金融时间序列收益率和波动的双长期记忆程度，如Kang和Yoon（2006）[8]利用上述模型分析了日本、韩国、新加坡以及中国香港的股票市场，得出这些股市的收益率不存在长记忆性，而波动存在长记忆性和非对称性；张卫国、胡彦梅和陈建忠（2006）[9]，曹广喜（2009）[10]，石泽龙和程岩（2013）[11]分别对我国股市及亚洲汇率市场建立了ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型来检验金融市场收益率和波动率的双长期记忆特征。此外不断有学者对上述长记忆研究的模型方法进行改进与扩展，以达到更好地分析和预测效果。Beran和Ocker（1999）[12]对ARFIMA模型进行扩展，将模型中的常数项替换成平滑趋势函数，进而提出了SEMIFAR（semiparametric fractional autoregressive model）模型。SEMIFAR模型在考察金融时间序列长、短记忆特征的同时，还可以通过平滑趋势函数分析收益的趋势变化，一般情况下，趋势可分为确定性趋势和随机性趋势两种，因此SEMIFAR模型能较好地捕捉到任何一种趋势的变化。随后，Beran和Feng（2002）[13]系统地总结了SEMIFAR模型的估计方法，简单地讨论了模型的预测能力，并指出SEMIFAR模型