均值-方差的分析方法由于忽视了三阶矩与四阶矩风险,常常会低估风险。与此同时,金融学传统的正态分布假设在具体的金融实践中不断受着冲击。经济学家开始关注金融资产收益的非正态分布特征,即金融资产的收益率并非像传统研究假设那样服从正态分布,而是存在着左偏与尖峰厚尾的特征。因此,高阶矩的建模逐渐受到广泛关注。传统的GARCH模型,引入了方差的时变性特征,但是并没有考虑偏度与峰度的时变性特征。随后的一些模型包括GARCHS、GARCHSK、NAGARCHSK等,开始关注偏度与峰度的时变性特征,并对其进行建模。文章目的在于研究中国股票市场总体与不同行业股票收益率高阶矩的动态特征。文章选取了2005年1月至2013年6月上交所日收盘综合指数、深交所日收盘综合指数、工业指数、商业指数、地产指数、公用指数,一共六种指数进行研究,每一种指数的样本容量均为2057。首先文章对六组时间序列数据的基本统计特征与时间序列特征进行分析,研究发现六种指数的对数收益率分布为非正态分布,存在着左偏与尖峰厚尾的特征。同时时间序列是平稳的,波动率、偏度、峰度均有显著的自相关特征,且存在着自回归条件异方差现象。因此,六种指数的对数收益率均适合运用GARCH类模型进行建模。本文所用的模型没有单独对条件偏度、条件峰度的时变特征进行建模,而是通过抛弃GARCH模型传统的正态分布的假设,假设经过标准差调整后的残差项服从动态化的Skewed-t分布,以此刻画偏度与峰度的时变特征。相比传统的t分布,动态化的Skewed-t分布加入了非对称性参数；相比静态的Skewed-t分布,动态化的Skewed-t分布突破了自由度、非对称性参数的静态的局限性。文中最终使用的模型为基于动态Skewed-t分布的ARMA(1,1)-GJR(1,1)模型,本模型能够较好的描述收益率左偏与尖峰厚尾的特征。随后,文章通过运用基于动态Skewed-t分布的ARMA(1,1)-GJR(1,1)模型的偏度、峰度的模拟结果对影响偏度、峰度的因素进行分析,并结合偏度、峰度的传导机制进行分析。通过以上分析,文章得出的主要结论有：一、中国股票市场存在着显著的三阶矩风险和四阶矩风险,且六种指数对数收益率的方差、偏度和峰度具有显著的时变性。二、通过模型比较,我们发现上证综指、深证综指、工业指数、商业指数、地产指数与公用指数在经过标准差调整后的残差项服从动态化的Skewed-t分布的ARMA(1,1)-GJR(1,1)的模型下比残差服从正态分布的ARMA(1,1)-GARCH(1,1)模型、残差服从正态分布的ARMA(1,1)-GJR(1,1)模型、残差服从t分布的ARMA(1,1)-GARCH(1,1)模型与残差服从t分布的ARMA(1,1)-GJR(1,1)模型的拟合度更好,更适合对高阶矩的动态特征进行建模。三、在偏度影响因素分析方面,整体上,滞后阶收益率、波动率、偏度与交易量对偏度有一定的解释力。而且Hong与Stein所提出的“利空信息揭示”效应可以解释中国股票市场的偏度的大小,同时,在中国股票市场存在着显著的波动反馈机制。四、在峰度影响因素分析方面,除了地产指数,其他五种指数的滞后阶收益率、波动率、偏度与交易量对峰度有几乎没有解释力。