论文部分内容阅读
长期以来对证券价格与交易量关系的研究一直是金融研究领域的热点课题。最近几年来,对交易量(Trading Volume)的研究越来越受到关注,交易量可能是解释收益率波动性的最重要因素之一,可以说价格与交易量的互动关系(简称量价关系)是理解收益率波动性的关键。然而交易规模(Size of Trades)、交易频率(Number of Trades)与收益率波动性(Price Volatility)的相关性研究一直是有待探讨的问题。目前,在国内外基于交易规模、交易频率与收益率波动性的相关性研究还没有一致结论,因此,有必要进一步对我国股市量价关系做出合理的解释。本文首先选取2012.9—2013.3期间深证100指数前50指的高频分笔数据,利用Python编程技术,将它们处理成时间间隔为每30分钟的高频分时数据。其次,利用Eviews6.0软件对深证前50指的每30分钟的交易规模、交易频率和收益率序列依次进行了ADF检验、Phillips-Perron检验和自相关检验。再次,基于GARCH(1,1)模型构建了4个研究模型。其中,第4个研究模型考虑收益率日内“U型”现象,加入了两个虚拟变量。最后,对交易规模、交易频率和收益率序列之间的动态关系进行了Grange因果关系检验。通过构建4个不同的GARCH模型,本文发现:交易量对收益率波动性的关系是正的相关关系,交易量对收益率波动性的持续性有很好的解释作用,这也验证了混合分布假说模型;与交易量相比,交易频率对收益率波动性的正相关关系更显著,交易频率可以更好地解释收益率波动性的持续性;然而,我们发现交易规模和收益率波动性之间呈现出负相关关系,这与国外发达证券市场的研究是不同的。因此,我们得出交易频率可以替代交易量作为解释收益率波动性的重要因素,交易频率才是我国证券市场量价正相关关系中真正的主角。通过Grange因果关系检验模型,本文发现:交易规模是收益率的Grange因果,收益率是交易规模的微弱的Grange因果;交易频率与收益率之间有双向的强烈Grange因果;交易频率是交易规模微弱的Grange因果,而交易规模是交易频率强烈的Grange因果。本文利用高频数据构建4种不同的GARCH模型具有一定的创新性,对证券市场量价关系的研究具有一定的理论意义。同时,本文的研究结论有利于市场投资者对证券市场风险和市场微观结构形成全面的了解,有利于市场投资者对证券市场风险采取相应的预防措施,有利于金融监管机构建立起更加有效的金融风险防控体系。