论文导读:本文将利用广义自回归条件异方差模型,即GARCH模型族对中国深圳股票市场的日收益率的波动进行实证分析,为政府部门监管股市及投资者预测并规避风险提供决策依据。而中国股市反映非对称信息的系数并不显著,中国股市不存在显著的杠杆效应。
关键词:中国股市,波动率,GARCH模型
股票价格的频繁波动是证券市场的显著特点之一,它与证券市场的不确定性和风险直接相关,是证券组合理论、资本资产定价模型(CAPM)、套利定价模型(APT) 以及Black-Schole期权定价模型的核心变量[1]。同时,波动率对企业的投融资决策、消费者行为模式等也都有着重要的影响[2],因此,股票市场波动率的估计和预测一直是证券市场研究的热点问题。
本文将利用广义自回归条件异方差模型,即GARCH模型族对中国深圳股票市场的日收益率的波动进行实证分析,为政府部门监管股市及投资者预测并规避风险提供决策依据。论文检测。论文检测。
1问题的分析和模型的假设
1.1 GARCH模型
ARCH 模型的主要贡献在于发现了经济时间序列中比较明显的变化是可以预测的[3], 并且说明了这种变化是来自某一特定类型的非线性依赖性, 而不是方差的外生结构变化。GARCH模型是ARCH模型族中的一种带异方差的时间序列建模的方法。一般的GARCH模型可以表示为[4]:
1.2 EGARCH模型
2 数据及实证研究分析
2.1 模型GARCH
2.1.1 模型的建立
表1 自相关和白噪声检验
Autocorrelation Check for White Noise
To Lag Chi-Square DF Pr> ChiSqAutocorrelations
6 9999.99 6 <.00010.996 0.991 0.987 0.982 0.977 0.972
从表1自相关和白噪声检验中我们发现延迟8阶的自相关系数为0.96331,所以收盘价有高度的自相关性。对于ARCH效应的检验,最长采用的方法是Lagrange乘数法,即LM检验。
经反复试验,本文自回归方程的滞后阶数取1时在ARCH(1)效应。
表2 GARCH模型的数据检验
MSE:3099 RootMSE:55.66586
SBC:19264.558 AIC:19253.6006
RegressR-Square: 0.9929 TotalR-Square: 0.9929
Durbin h2.0361 Pr > h0.0209
Estimates ofAutoregressive Parameters Standard
LagCoefficientError t Value
可知整个模型的R-Square高达0.9929。
从表可知逐步自回归向后消除报告显示除了延迟1阶序列,延迟3阶序列值显著自相关外,延迟其他阶数的序列值均不具有显著的自相关。
表3 GARCH模型的数据检验
VariableDF EstimateError t Value Pr > |t|
Intercept19.40986.1141 1.540.1238
AR11 -0.04340.0267 -1.62 0.1042
AR31-0.04860.0245 -1.99 0.0469
ARCH110.1199 0.010611.33 <.0001
GARCH110.8555 0.010978.50 <.0001
2.1.2 最终模型
从上表中可知拟合的模型为:
从表3中我们发现,常数项的系数并不明显显著t检验的相伴概率为0.1238,但仍在可接受的范围内,故不去除。
2.2 模型EGARCH
2.2.1 模型的建立
通过实际拟合,反复验证得到以下结果;
表4 EGARCH模型ARCH效应检验
LagCoefficientError t Value
从表可知逐步回归向后消除报告显示除了延迟1阶序列,延迟3阶序列值显著自相关外,延迟其他阶数的序列值均不具有显著的自相关。
表5 EGARCH模型ARCH效应检验
VariableDF EstimateError t Value Pr > |t|
Intercept111.54675.8665 1.970.0490
AR11 -0.03990.0216 -1.84 0.0651
AR31 -0.05000.0121 -4.14<.0001
EARCH010.23440.0586 4.00<.0001
EARCH110.23590.0250 9.42<.0001
THETA1-0.02960.0569 -0.52 0.6025
2.2.2最终模型
从表5可知拟合的模型为:
从EGARCH模型的系数检验中我们发现THETA的系数不显著t检验的相伴概率为0.6025,即说明深圳成分指数的杠杆效应不显著。
3 结论
GARCH(p, q) 模型在应用于资产定价方面存在以下的不足:
(1) GARCH 模型不能解释股票收益和收益变化波动之间出现的负相关现象。GARCH (p, q) 模型假定条件方差是滞后残差平方的函数, 因此,残差的符号不影响波动, 即条件方差对正的价格变化和负的价格变化的反应是对称的。然而在经验研究中发现, 当利空消息出现时, 即预期股票收益会下降时,波动趋向于增大;当利好消息出现时, 即预期股票收益会上升时, 波动趋向于减小。GARCH(p, q) 模型不能解释这种非对称现象。
国外的许多学者对成熟股市的分析表明,成熟股市普遍存在波动的非对称性,负冲击对股价波动的影响大于同等幅度的正冲击对股票市场的影响。而中国股市反映非对称信息的系数并不显著,中国股市不存在显著的杠杆效应。这是因为中国股票市场不存在卖空机制,当出现利空消息时,虽然投资者预期股价将进一步下跌,但是只有持有股票的投资者对此作出反应,而其余投资者不能够通过卖空股票作出反应,因此不会出现成熟股市显著的杠杆效应。并且中国股市是一个新兴市场,在信息分布、信息加工和信息传递等方面都存在着许多不足,股市波动幅度大于成熟股市,市场交易者的行为非理性和大量的噪声交易,使证券市场价格产生剧烈波动,造成非对称信息的影响与波动相比,作用不是十分显著。中国股市与成熟股市相比,还有一定的距离,需要各方人士的共同培育,促进其健康成长。一方面,严格执行《证券法》,加强监管,加大信息披露的透明度,减少人为因素造成的剧烈波动,另一方面,尽早引入卖空机制,为投资者提供多样化投资的机会和风险规避手段,为市场提供连续性,增加证券市场的流动性,并能够实现证券市场的价值发现功能、优化资源配置功能。
通过对深圳成指的波动性的实证分析可以发现,我国股市的波动主要是由管理当局的政策干预造成的,所谓冲击大多属于政策冲击。管理当局在出台政策时应更加稳健,对市场的调控也更应从长远的角度考虑,把握好政策的调整力度。对于我国股票市场每日收益率而言,其GARCH效应仅有少部分同信息到达市场的速度有关;股市价格的波动与信息的到来有一定的关系,但价格对信息的反应并非十分灵敏,这是符合我国股市的实际现状的。我国股票市场发展至今,只有不足十年的时间,各方面还不够规范,在获知信息上集中地体现为¾¾信息的提前泄露。当一条可能引起股价波动的信息尚未完全到达市场时,已有相当一部分人从各种途径获知该信息并作出了反应,由此造成了信息的泄露。这样,当信息正式到达市场时,市场已将其基本消化,价格的波动性随时间已缓慢释放完毕,从而不会发生预想程度的波动,这使得价格与信息的到来不能表现出非常显著的相关性。论文检测。这也是市场不够透明、信息不对称的表现。
参考文献
[1]Black, F.“Studies of stock market volatility changes[A]”. Proceedings of the AmericanStatistical Association Business and Economic Statistics Section, AmericanStatistical Association, 1976, 177-181.
[2]Bollerslev,T.“Generalizedautoregressive conditional heteroske dasticity[J]”.Journal of Econometrics,1986, 31:07-327.
[3]Bollerslev, T.,Wooldridge. J. M. “Quasi-maximum likelihoodestimation and inference in dynamic models with time varying covariances[J]”.Econometric Reviews, 1992, 11:143-172.
[4] Engle, R. F.“Autoregressive conditional heterskedasticity with estimates of the variance ofUnited Kingdom inflation[J]”. Econometrica, 1982, 50: 987-1007.
[5] Glosten, L. R,Jagannathan, and D. Runkle. “On the relations between the expected value andthe volatility on the nominal excess returns on stocks[J]”. Journal ofFinance, 1993, 48:1779-1801.
[6] Nelson D. B.“Conditional heteroskedasticity in asset returns: a new approach[J]”. Econometrica.1990, 59:347-370.
[7] Zakoian J.M. “Thresholdheteroskedastic models[J]”. Journal of Economic Dynamics and Control,1994, 18:931-955.
|