论文部分内容阅读
摘要:本文基于GARCH模型和EGARCH模型对中证500指数2008年1月2日至2015年12月31日的日收益率进行实证研究,深入反映沪深证券市场内小市值公司的整体状况,并对2016年1月至5月进行预测。
关键词:中证500;EGARCH模型;GARCH模型;预测一、引言
中证500指数是中证指数有限公司所开发的指数中的一种,其样本空间内股票是扣除沪深300指数样本股及最近一年日均总市值排名前300名的股票,剩余股票按照最近一年(新股为上市以来)的日均成交金额由高到低排名,剔除排名后20%的股票,然后将剩余股票按照日均总市值由高到低进行排名,选取排名在前500名的股票作为中证500指数样本股。
中证500指数综合反映沪深证券市场内小市值公司的整体状况。通过研究中证500指数能进一步了解中小市值公司的发展状况。
二、GARCH模型、EGARCH模型和GARCH-M模型
(一)ARCH模型。ARCH模型的全称是自相关条件异方差模型,它是ENGLE于1982年在分析英国通货膨胀率序列是提出的残差平方自相关模型。
(二)GARCH模型。GARCH模型是Bollerslov在1985年提出的广义自回归条件异方差模型,结构如下:
GARCH模型在ARCH模型的基础上,增加考虑了异方差函数的p阶自相关性形成的,它可以有效地拟合具有长期记忆性的异方差函数。
(三)EGARCH模型。EGARCH模型是指数GARCH模型,是不要求非负的限制的一种模型,能对正负扰动项进行非对称处理。EGARCH是放松了对GARCH模型的参数非负约定。
(四)GARCH-M模型。GARCH-M模型是Engle、Lilien、Robins于1978年引入ARCH模型,允许序列的均值依赖于它的波动性。构造思想是序列均值与条件方差之间具有某种相关关系,这是可以把条件标准差作为附加回归因子建模。
三、实证检验
(一)样本数据。本文选取中证500 2008年1月2日至2015年12月31日共1946个数据进行处理,运用EVIEWS8.0完成,在分析时,将每日的收盘价用[x]进行表示,将日收益率用[rt]进行表示,为减少人为误差对数据取对数,rt=log(x)-(log(x))(-1)并以rt作为自变量进行估计。其中数据来自新浪财经。
(二)建立初步模型日收益率时序图
通过rt=log(x)-(log(x))(-1)对收盘价进行处理,由时序图可以看出日收益率具有一定的波动,且近似平稳,下面进行ADF平稳性检验。
由ADF检验可以看出日收益率平稳。在5%的水平下不存在单位根。此序列近似平稳。
根据标准正态分布图可知,偏度为-0.7333,峰度为5.5648,JB值为707.4183,P值为0.0000,模型呈现出明显的尖峰厚尾性,出现波动率的聚集现象,说明该序列的波动较大,且该残差项可能具有条件异方差项,在95%的显著水平下拒绝原序列为正态分布的假设。
由自相关图可知:自相关系数除一阶外均在两倍标准差以内,而偏自相关系数除一阶以外也均在两倍标准差以内,因此序列为平稳的非白噪声序列。
故建立模型:AR(1) MA(1) ARMA(1,1)三个模型模型系数显著性是否拒绝原假设AICSBCAR(1) 显著拒绝0.00749-4.8373-4.8344MA(1) 显著拒绝0.00829-4.8381-4.8353ARMA(1,1)显著拒绝0.01076-4.8395-4.8338根据越大越好,AIC SBC越小越好的原则进行综合考虑,认为ARMA(1)模型拟合的更好。建立如下均值模型:
有残差图和ARCH检验可知,P值<0.05,因此拒绝原假设,认为其残差序列还具有一定的自相关性此模型还存在异方差,且此时间序列存在长期的自相关性,需要建立GARCH模型。
(三)建立GARCH模型模型ARMA(1)AICSBC模型
由残差图可以看出,拟合后的模型残差为白噪声序列,说明信息已经提取充分。此GARCH模型不再具有异方差,模型拟合成功。
(四)基于EGARCH模型的杠杆效应分析。股票价格的波动常常表现为杠杆效应现象。相同单位的利空消息对波动的影响常常比利好消息来得大,这种非对称影响称为杠杆效应,而EGARCH模型能有效地分析杠杆效应。模型ARMA(1)AICSBC模型
在EGARCH模型中,参数c(5)显著不为0,说明中证500确实存在着信息的不对称性,而且参数c(5)显著小于0,说明坏消息对它的冲击大于好消息对它的冲击,对应的P-Value (五)基于GARCH-M模型的风险溢价分析。在金融领域中,风险厌恶型的投资者会要求资产的收益率于它的波动性相匹配:风险投资期望收益=无风险收益+风险溢价,人们用收益率的方差与标准差来衡量金融资产的风险,用GARCH-M模型将条件方差放入均值方程中,考虑建立ARMA(1,1)- GARCH-M(1,1)。
由模型的残差图可以看出,模型拟合效果很好,残差为白噪声,信息提取很充分。方程中条件方差项系数为3.9661,意味着每增加一单位的风险,增加3.9661单位的回报,反映了收益与风险之间呈正相关关系。
四、趋势预测
本文基于中证500指数2008年1月2日至2015年12月31日的1946个数据先进行预测,从上面实证分析中可以看出ARMA(1,1)中的GARCH(1,1),EGARCH(1,1,1),EGARCH(1,2,2)三个模型拟合较好,虽对三个进行预测选取最优的模型,主要从动态和静态两方面进行预测。
关键词:中证500;EGARCH模型;GARCH模型;预测一、引言
中证500指数是中证指数有限公司所开发的指数中的一种,其样本空间内股票是扣除沪深300指数样本股及最近一年日均总市值排名前300名的股票,剩余股票按照最近一年(新股为上市以来)的日均成交金额由高到低排名,剔除排名后20%的股票,然后将剩余股票按照日均总市值由高到低进行排名,选取排名在前500名的股票作为中证500指数样本股。
中证500指数综合反映沪深证券市场内小市值公司的整体状况。通过研究中证500指数能进一步了解中小市值公司的发展状况。
二、GARCH模型、EGARCH模型和GARCH-M模型
(一)ARCH模型。ARCH模型的全称是自相关条件异方差模型,它是ENGLE于1982年在分析英国通货膨胀率序列是提出的残差平方自相关模型。
(二)GARCH模型。GARCH模型是Bollerslov在1985年提出的广义自回归条件异方差模型,结构如下:
GARCH模型在ARCH模型的基础上,增加考虑了异方差函数的p阶自相关性形成的,它可以有效地拟合具有长期记忆性的异方差函数。
(三)EGARCH模型。EGARCH模型是指数GARCH模型,是不要求非负的限制的一种模型,能对正负扰动项进行非对称处理。EGARCH是放松了对GARCH模型的参数非负约定。
(四)GARCH-M模型。GARCH-M模型是Engle、Lilien、Robins于1978年引入ARCH模型,允许序列的均值依赖于它的波动性。构造思想是序列均值与条件方差之间具有某种相关关系,这是可以把条件标准差作为附加回归因子建模。
三、实证检验
(一)样本数据。本文选取中证500 2008年1月2日至2015年12月31日共1946个数据进行处理,运用EVIEWS8.0完成,在分析时,将每日的收盘价用[x]进行表示,将日收益率用[rt]进行表示,为减少人为误差对数据取对数,rt=log(x)-(log(x))(-1)并以rt作为自变量进行估计。其中数据来自新浪财经。
(二)建立初步模型日收益率时序图
通过rt=log(x)-(log(x))(-1)对收盘价进行处理,由时序图可以看出日收益率具有一定的波动,且近似平稳,下面进行ADF平稳性检验。
由ADF检验可以看出日收益率平稳。在5%的水平下不存在单位根。此序列近似平稳。
根据标准正态分布图可知,偏度为-0.7333,峰度为5.5648,JB值为707.4183,P值为0.0000,模型呈现出明显的尖峰厚尾性,出现波动率的聚集现象,说明该序列的波动较大,且该残差项可能具有条件异方差项,在95%的显著水平下拒绝原序列为正态分布的假设。
由自相关图可知:自相关系数除一阶外均在两倍标准差以内,而偏自相关系数除一阶以外也均在两倍标准差以内,因此序列为平稳的非白噪声序列。
故建立模型:AR(1) MA(1) ARMA(1,1)三个模型模型系数显著性是否拒绝原假设AICSBCAR(1) 显著拒绝0.00749-4.8373-4.8344MA(1) 显著拒绝0.00829-4.8381-4.8353ARMA(1,1)显著拒绝0.01076-4.8395-4.8338根据越大越好,AIC SBC越小越好的原则进行综合考虑,认为ARMA(1)模型拟合的更好。建立如下均值模型:
有残差图和ARCH检验可知,P值<0.05,因此拒绝原假设,认为其残差序列还具有一定的自相关性此模型还存在异方差,且此时间序列存在长期的自相关性,需要建立GARCH模型。
(三)建立GARCH模型模型ARMA(1)AICSBC模型
由残差图可以看出,拟合后的模型残差为白噪声序列,说明信息已经提取充分。此GARCH模型不再具有异方差,模型拟合成功。
(四)基于EGARCH模型的杠杆效应分析。股票价格的波动常常表现为杠杆效应现象。相同单位的利空消息对波动的影响常常比利好消息来得大,这种非对称影响称为杠杆效应,而EGARCH模型能有效地分析杠杆效应。模型ARMA(1)AICSBC模型
在EGARCH模型中,参数c(5)显著不为0,说明中证500确实存在着信息的不对称性,而且参数c(5)显著小于0,说明坏消息对它的冲击大于好消息对它的冲击,对应的P-Value
由模型的残差图可以看出,模型拟合效果很好,残差为白噪声,信息提取很充分。方程中条件方差项系数为3.9661,意味着每增加一单位的风险,增加3.9661单位的回报,反映了收益与风险之间呈正相关关系。
四、趋势预测
本文基于中证500指数2008年1月2日至2015年12月31日的1946个数据先进行预测,从上面实证分析中可以看出ARMA(1,1)中的GARCH(1,1),EGARCH(1,1,1),EGARCH(1,2,2)三个模型拟合较好,虽对三个进行预测选取最优的模型,主要从动态和静态两方面进行预测。