基于ＧＡＲＣＨ模型的沪市波动性的实证研究.docVIP

基于ＧＡＲＣＨ模型的沪市波动性的实证研究 　　摘 要:资产收益率的波动问题是现代金融投资研究的重要问题之一。自回归条件异方差(ARCH)族模型作为近年来兴起的理论模型,由于其在刻画金融时间序列波动特征方面的良好效果而受到广泛关注。文章采用1999年至今的上证指数收益率作为样本数据进行建模实证分析,分析上证指数收益率的特征,结果表明上证指数收益率具有明显的方差聚集性、波动性和尖峰厚尾特征。 　　关键词:ARCH模型 上证指数 波动性 　　中图分类号:F830.91 文献标识码:A 　　文章编号:1004-4914(2009)09-089-03 　　 　　一、引言 　　 　　2003年,著名的计量经济学家――美国纽约大学的罗伯特?恩格尔(Robert Engle)教授和加州大学圣迭哥分校的克莱夫?格兰杰(Clive Granger)教授成为诺贝尔经济学奖的两位新得主。两位学者抓住了经济时间序列的两个核心性质:时变性(time-varying volatility)和非平稳性(nonstationarity),并由此开创了一套新的统计分析方法。两位学者在上世纪80年代初针对描述金融市场波动性的方差的时变性特征提出了自回归条件异方差(Auto Regressive Conditional Heteroscedasticity,即ARCH)模型,此后,随着实践的深入,ARCH模型的一些扩展模型也被相继提出,如GARCH模型、EGARCH、TARCH模型等,并且这些模型在解释金融时间序列的特性中得到广泛应用。 　　我国股市经过20多年的发展,取得了巨大的成就。特别是近年来,市场规模大幅增加,沪深证券市场与整个国民经济的相关程度显著增强,两市总市值占GDP的比重越来越大,沪深股票市场与宏观经济的联动效应正日益加强。然而,我国证券市场尚处于发展的初级阶段,其波动幅度和风险大大高于国外成熟市场,尤其是异常波动更是频繁出现。对金融市场波动性的研究主要是源于对资产选择和资产定价的需要,所以长期以来,股价波动的特征及其影响因素研究是学者们和投资者所关注的焦点问题。投资者总是希望能凭借自己对股市波动性的充分认识来获得超额报酬。因此,如何去寻找较能真实刻画和衡量股价波动性特征的研究已经成为如今数理金融学不可分割的一部分。 　　在国内对股票市场的波动性研究中,大多以沪深两市的综合指数为对象。结论普遍认为中国股市存在较剧烈的波动,与西方国家尤其是美国等较发达的国家股市相比,中国股市的波动性显著大于其市场波动。我国股票市场作为一个新兴的、高速成长的市场,其股价指数的波动具有哪些统计特征?如何将现在较为先进的ARCH族模型与我国股票市场的自身特点相结合?ARCH族模型是否能够较好地拟合我国股票市场股指波动特征?笔者选取我国上海证券交易所综合指数日收益率为研究对象,以研究我国股票市场价格指数的波动规律和特点。 　　 　　二、数据与模型 　　 　　(一)样本数据 　　 　　(二)ARCH族模型 　　异方差不但存在于截面数据中,在时间序列数据中,同样也会存在异方差。像股票价格、通货膨胀率、外汇汇率等金融经济变量,根据它们的时间序列建立模型所做的预测,其误差项也不是同方差的,而是一种特殊的异方差形式――误差项的方差主要依赖于前一段时间误差的变化程度,也即存在着自相关性。 　　1.ARCH模型。ARCH(Autoregressive Conditional Heteroseedastieity)模型最初是由美国圣迭哥大学经济学家恩格尔(Engle)教授于1982年提出的,主要用于具有“簇集性”及方差波动性特点的经济类时间序列数据的回归分析及预测。最简单的ARCH(P)模型为ARCH(1),其形式为: 　　σ2t=α0+α1ε2t-1 　　εt的方差σ2t依赖于前一期误差的平方。更一般的情况下,如果εt与多个时期的误差项有关,则ARCH模型的一般形式为: 　　σ2t=α0+α1ε2t-1+α2ε2t-2+…+αpε2t-p 　　上式记为ARCH(P);如果αi(i=1,2,…p)中至少有一个显著不为零,则称误差项存在ARCh效应。 　　2.GARCH模型。由于ARCH(P)在实际中为了得到较好的效果需要引入较大的之后阶数P,估计过程很困难。1986年,Bollerslev在ARCH(P)的方差解释项中巧妙滞后项,ARCH(P)模型进一步扩展为: 　　σ2t=α0+α1ε2t-1+α2ε2t-2+…+αpε2t-p+β1σ2t-1+β2σ2t-2+…+βpσ2t-q 　　(α00,αi≥0,βi≥0) 　　上式记为GARCH(1,1)。GARCH模型比ARCH模型更恰当地描述和预测金融市场变化的行业特征。同时,相对于ARC