基于高频数据的中国股市量价日内特征分析.docVIP

基于高频数据的中国股市量价日内特征分析 　　摘 要：文章采用收集到的沪深两市的5分钟高频数据，基于剔除日内效应后的已过滤收益，研究证券市场的日内波动特征和高频数据下的股市量价的因果关系特征。同时，并结合成交量数据，采用TGARCH模型研究沪深两市的成交量与波动率的关系。 　　关键词：日内效应 已过滤收益 TGARCH 　　中图分类号：F830.91 文献标识码：A 　　文章编号：1004-4914(2007)10-106-02 　　 　　一、 引言 　　 　　股市成交量与价格变化的关系长期以来一直是金融理论界和实务界关注的焦点。研究量价关系有助于人们了解股票市场的信息传递机制和市场的微观结构，有助于监管部门对中国股市的规范管理。对量价关系的研究主要分析成交量和收益的关系，成交量和绝对收益的关系，以及成交量与收益的滞后关系。Crouch（1970）对纽约证交所的实证研究表明，成交量与收益之间存在正相关关系；Epps（1975）认为价格上涨时的交易量大于价格下跌时的交易量；Smirlock和Starks（1988）发现绝对收益与交易量存在滞后关系；Bhatia（1996）利用因果分析法发现价格变化先行于交易量；施东晖（2001）以上海股市为研究对象，利用Granger因果分析研究上证综合指数，发现沪市存在成交量与股价相互反馈的关系。 　　迄今为止，国内外学者对于量价关系的研究主要是基于日数据甚至是月数据这样的低频数据，很少有基于高频数据分析量价关系的微观结构。并且国外的研究结果表明， “U”型的日内波动模式广泛存在于欧美成熟市场，我们称之为日内效应。由于日内效应的存在，对高频的原始收益数据未加任何调整，直接分析量价关系，并用ARCH类模型来分析股市波动率显然是不合理的。Andersen和Bollerslev（1997）提出了一种FFF回归建模框架（Fourier Flexible Form regression framework），消除了高频数据的日内周期效应并分析其与波动率持续性的关系。Beltratti和Morana（1999）推广了FFF回归方法并结合卡尔曼滤波方法消除日内效应。刘勤、顾岚（2001）采用Andersen和Bollerslev（1997）的FFF回归方法研究个股的日内波动特征，发现交易日内存在“W”型波动模式，并且有显著的周末效应。刘建华（2006）采用Beltratti和Morana（1999）方法研究2003年沪深两市指数的日内波动特征。本文利用2006年沪深两市的高频数据研究证券市场的量价关系和日内波动模式，并基于已过滤收益，结合成交量数据，采用TGARCH模型研究成交量与波动率的关系。 　　 　　二、股市收益和成交量基本统计特征 　　 　　本文所用的数据时间跨度为从2004年3月16日至2006年9月15日的5分钟高频收盘数据，共612个交易日，包括指数5分钟收盘价、5分钟收益率和5分钟成交量（单位：百万）。样本量为29376。 　　图1、2分别为上证指数和深证成分指数从2004年3月16日至2006年9月15日的走势图。从图中可以看出，本文所选取的数据正时值中国股市由熊市转为牛市的阶段。两市股指走势较为吻合，这可能是因为沪深两市处在相同的环境之下，所受的社会、经济影响大致相同；多数的投资者在沪深两市均有投资，两市指数的走势反映了他们对股市未来共同的预期，因而表现是基本一致的。 　　表1为沪深两市指数5分钟收益率的基本描述统计量。从中我们看到平均收益率基本在零附近，峰度值都显著超过了3，两市的指数收益率均表现出了尖峰厚尾的特性。 　　造成股票市场收益率呈“尖峰厚尾”分布的，一种解释是，股票市场上的信息不是以连续平滑的方式出现，而是偶尔成堆出现，也就是说信息是聚集的。因此，市场对聚集的信息的反应将导致价格波动的聚集，从而出现收益率分布的“尖峰厚尾”分布。另一种解释是，投资者不是以线性，而是以非线性的方式对股票市场上的信息做出反应。当股票市场出现信息时，投资者并不是如有效市场假说（EMH）那样马上对信息做出反应，并使得股票价格迅速体现其应有的价值。投资者可能在当时并没有发现信息的价值，然而随着信息的不断累积，当信息水平越过了临界值后，投资者开始对以前忽略的所有信息做出反应。这种非线性或滞后的反应方式导致了投资者的羊群行为，造成波动聚集，从而出现收益率分布的“尖峰厚尾”分布。 　　我们以为沪深两市指数的5分钟绝对收益的自相关图中(图略)可以看到绝对收益的自相关系数均呈现明显的周期性，即在48的倍数的时候，相关系数有明显上升。 　　 　　三、沪深股市的日内波动特征分析 　　 　　图3、4为两市指数的日内平均收益、平均绝对收益和平均成交量的走势图。从图中我们看到沪深