中国股市波动特征实证分析.docVIP

中国股市波动特征的实证分析 　　【摘要】波动性是股票市场与生俱来的基本属性，一个成熟稳定的股票市场应该具有适度的波动性。我国股市至成立以来，股价一直处于异常波动之中。本文借鉴ARCH簇来分析我国股票波动性的特征，发现中国股市确实存在非对称性和杠杆效应。 　　 　　传统的时间序列模型都是假定残差序列固定，以便于研究。但实际上，许多时间序列的资料都显示残差的变化并非固定，而是随着时间的变动而变动。Mandelbrot（1963）和Fama（1965）的研究发现金融资产价格变化往往具有“大的波动性后跟随大的波动性，小的波动性之后往往跟随小的波动性”的波动聚积性（Volatility Clustering）特性。Engle（1982）提出自回归条件异方差模型（Autoregressive Conditional Heteroskedasticity, ARCH），此模型允许条件方差为过去残差的函数，因此变异率能够随着时间的改变而变化，因而能够很好地刻画金融资产的变异聚类特征。 　　一、ARCH簇模型描述 　　1.ARCH 模型 　　在金融时间序列文献中广泛运用的一种特殊非线性模型是称之为ARCH模型。 　　若一个平稳随机变量Xt可以表示为AR(P)形式，其随机误差项的方差可用误差项平方的P阶分布滞后模型描述， 　　其中，满足独立同分布，且有期望=0，=。则称服从阶的ARCH过程，记作～。其中式(1)称为均值方程，式(2)称为ARCH方程。 　　2.GARCH模型 　　1986年，Bollerslev 提出的GARCH 模型表述如下：设是一个内生变量或被预测变量，它基于t时刻信息集It-1的条件分布为N(0,)。标准的GARCH(1,1)模型如下： 　　(3) 　　为保证条件方差＞0，要求＞0，，,＜1 　　GARCH模型作为ARCH模型的扩展，具有ARCH模型的一些特点，同时其条件方差不仅仅是滞后残差平方的线性函数，而且是滞后条件方差的线性函数。可以用较为简单的GARCH模型来代表一个高阶ARCH模型，从而使得模型的识别和估计都变得比较容易。但与此同时，GARCH模型也存在着一些不足。比如，因为其条件方差是过去残差平方的函数，故无法解决股票收益率和收益变化波动之间出现负相关现象的问题。但据有关经验研究表示，当不利消息出现时，人们预期股票收益率下降，于是波动会趋向于增大。 　　3.TGARCH模型 　　人们对股票市场研究时发现，股价下跌和上涨的幅度相同时，股票价格下跌过程通常会伴随着更加剧烈的波动性。为了解释这一现象，Engle和Ng(1993)绘制出好消息和坏消息的非对称信息曲线，同时，认为资本市场中的冲击常常表现出一种非对称效应。TARCH模型由Zakoian(1990)及Glosten，Jagannathanan，Runkle(1993)提出。这个模型被设定为： 　　 (4) 　　其中：是虚拟变量，当＜0时，试=l；否则，=O。只要≠0，就存在非对称效应。 　　式(4)中，条件方差方程中的项被称为非对称效应项。式(4)表明依赖于前期的残差平方和条件方差的大小。并且，好消息(＞0)和坏消息(＜0)对条件方差有不同的影响:好消息会有一个倍的冲击，即＞0时，=O，式()中的非对称项不存在，故好消息只有一个倍的冲击；而坏消息有一个()倍的冲击。若＞0，说明存在杠杆效应，非对称效应的主要效果使波动加大；若＜0，非对称效应的作用使波动减小。 　　4.EGARCH模型 　　尽管GARCH模型是处理实际金融数据的常用模型，但是此类模型也有不足之处：第一，模型对系数参数的非负约束；第二，外部冲击对条件方差的影响程度只取决于外部冲击的绝对值大小，而与冲击的符号无关。而在现实的金融市场特别是股票市场上，往往出现这种情况，价格波动受负外部冲击的影响比同等幅度的正外部冲击要大，正负冲击反映具有非对称性，即所谓的杠杆效应。Nelson引入指数GARCH模型(EGARCH)来处理正负冲击反映的非对称性比较有效，这个模型被设定为： 　　比起GARCH模型来讲，该模型有几个优点。首先由于建立了模型，那么即使参数是负的，也将是正的。因此不需再人为地对模型参数施加非负性约束；其次，如果波动性和收益之间的关系是负相关的，将是负的，所以在EGARCH模型下能够解释非对称性。 　　二、实证分析 　　1.样本选择 　　中国股市从1996年12月16日开始实行涨、跌停板限价交易，该交易机制的实施在很大程度上抑制了股市的暴涨、暴跌现象，使沪、深两市的波动较实施涨、跌停板限价交易之前有明显的减少，为了排除这一措施对股市波动的影响，采取1997年之后的数据能减少异常值的干扰，提高模型拟合的精确度。模型估计样本数据的时间跨度为1997年