中国股票市场信息流对股价波动的影响分析.pptxVIP

中国股票市场信息流对股价波动的影响分析（吴世农）;一、文献回顾;一、文献回顾;一、文献回顾;一、文献回顾;一、文献回顾;一、文献回顾;一、文献回顾;本文研究特色;二、理论基础、研究方法与模型;（二）GARCH 模型 Lamoureux 和Lastrapes（1990）使用GARCH(1,1)模型研究成交量与价格波动的关系。根据国内外学者的研究资料，GARCH(1,1)模型足以反映大多数经济类时间序列的条件方差，本文也采用GARCH(1,1)模型作为研究模型。本文的研究模型如下： ;根据MDH 理论，当期成交量作为新信息的替代指标，对价格波动h t具有重要影响，因此成交量可以作为外生变量直接加入GARCH 模型的条件方差方程（Lamoureux 和Lastrapes，1990），于是方程(7)可以表达为：;（三）EGARCH 模型 GARCH 模型隐含了这样一个假设：同等程度（即绝对值相等）的正冲击和负冲击所引起的波动（条件方差）是相同的，即条件方差对正、负冲击的反应是对称的。但是，Black（1976）注意到正面信息(实际报酬率大于预期报酬率)和负面信息(实际报酬率小于预期报酬率)对于股价波动性的明显不同，即存在着杠杆效应（Leverage Effect）。 Nelson（1991）提出的指数GARCH 模型（Exponential GARCH，简称EGARCH）可以较好地模拟这种非对称性，他的研究验证了杠杆效应的存在。;本文将运用EGARCH 模型描述价格波动的情况。将方程(7)替换为方程(9)：;三、样本选择与数据处理;（二）样本期间的选择和划分 样本区间确定为1997 年7 月2 日至2002 年12 月31日，并进一步将其划分为三个不同的市场波动阶段，期间选取如下： 盘整期：自1997 年7 月2 日至1999 年5 月18 日，共456 组数据。基本上处于盘整状态。 多头期：自1999 年5 月19 日科技股板块带动大盘上涨至2001 年6 月26 日股指达到历史最高点，共506 组数据。上海股票市场在这段时期基本处于稳步上扬状态。 空头期：从2001 年6 月27 日大盘开始下跌到2002 年12 月31 日，共366 组数据。上海市场总体上呈现空头市场走势。;（三）收益率序列的统计特征;各阶段的收益率序列均有这些特征：（1）表现出正偏度，拒绝均值为零的原假设；（2）表现出过度峰度，Kurtosis3；（3）Jarque-Bera 正态检验统计量拒绝正态分布的原???设。 中国股市在多头期的平均收益率明显高于其他三个时期，而空头期的平均报酬率最低且为负值。 四组数据的标准差反映出中国股市在空头期的波动性更大，而盘整期的波动最小。 图中盘整期的偏度为负值，其他为正值，且空头和多头期的数值较大。 从峰度的数据来看，四个时期收益率的分布均呈现明显的厚尾特征，并且在均值处的波峰很尖。Jarque-Bera 正态检验的结果证实了股票指数每日收益的分布不是正态分布。;收益率序列的相关性检验;;;;;由表1-4 发现，在大部分时滞上，各样本期收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具自相关，因此，在条件期望方程中不需要引入自相关性的描述部分，而是采用ARMA（0,0）的形式，收益率可以用方程(6)表示。 Ljung-Box-Pierce Q 检验的结果说明收益率序列不存在明显的序列相关。但是收益率平方序列具有很强的序列相关性。 对收益率序列的ARCH—LM 检验，证实收益率的二阶矩存在显著的ARCH 效应，因此，用GARCH 建模是合适的。;（四）成交量的调整 为了将内生增长从序列中剔除，本文先对成交量取自然对数，而后做散点图，发现对数成交量近似呈现线性趋势。然后使用简单但较为有效的50 阶移动平均法生成对数成交量的长期趋势，再从对数成交量中剔除长期趋势。对剔除后的序列进行平稳性检验。 结果表明：该序列能显著通过ADF 单位根检验，存在单位根的原假设被拒绝，说明去除长期增长趋势的对数成交量序列是平稳序列，将该序列作为本文使用的成交量数据。;四、实证研究结果;在不包含成交量的GARCH(1,1)模型中： 在全样本期，α 1 + β 1接近于1，说明股市具有很强的波动持续性； 在盘整期，ARCH 效应并不明显； 在多头期，ARCH 效应十分明显，其波动展现出很强的持续性和聚类性； 在空头期，α 1 +β 1的系数和略大于1，表明空头期收益率序列的条件方差不能满足平稳性要求，说明在市场下跌阶段，预测价格波动仅仅依靠过去方差的记忆是不够的，还存在“其他未知的影响市场变动的因素”。;在包含成交量的GARCH(1,1)模型中： 我们发现在三种市场态势中，成交量系数γ在1%的显著性水平上均为正值，说明中国