论文部分内容阅读
摘要:为分析金融危机给我国股票市场带来的影响,本文采用GARCH模型和GARCH-M模型对沪深两市8种具有代表性的股票指数对数日收益率波动性进行研究。研究结果发现,各指数收益率均表现出“尖峰厚尾”性,GARCH(1,1)模型对我国股市日收益率数据有较好的拟合效果。金融危机发生后,除中小板综合指数外,其他指数收益率序列衰减系数均降低,表明过去的波动对未来的影响逐渐衰减,市场消化信息的能力得到了加强。
关键词:金融危机;上证综指;GARCH模型;波动性
中图分类号:F830.91文献标识码:A文章编号:1672-3309(2010)03-0069-03
一、引言
由美国次贷危机引起的全球性金融危机对全球金融市场造成了巨大的冲击。就中国股市最具代表性的沪市来看,短短一年多的时间里上证综指就从最高峰的接近6100点应声回落,跌到1700点的低位,金融危机对中国股票市场的影响不言而喻。这次全球经济危机带来的影响值得我们探究。
对股市波动性特征进行理论分析和应用研究是数量经济和系统科学的一个重要领域。波动性是反映证券市场的价格行为、衡量市场质量和效率的最重要的指标之一。它是市场行为的重要决定因素,是评判市场成熟与否的一个关键标准。
在对金融市场波动性的研究方面,Robert Engle(1982)[1]提出了著名的自回归条件异方差模型(ARCH模型)。随后Bollerslev(1986) [2]在Engle研究的基础上,在ARCH(p)模型中增加了q个自回归项,将其推广成广义自回归条件异方差模型(GARCH(p,q)模型)。为了描述资产预期收益与预期风险的关系,Engle、Lilien和Robins(1987)将干扰项的条件方差特征作为影响资产收益率的解释变量之一,引入到均值方程中,提出了GARCH-M模型。Nelson(1991)[3]和Koutmos与Booth(1995)[4]在实证研究中都发现了收益波动的非对称性。为了捕捉这种非对称性,Nelson和 Zakoian[5]分别提出了EGARCH模型和TGARCH模型。
迄今为止,国内学者对证券市场波动性进行了广泛的研究,但对本次金融危机给国内股票市场带来的冲击以及给我国证券市场波动性带来的影响的研究仍相对匮乏。本文将采用GARCH族模型中的对称性模型,选取上证综指、深证成指和部分行业指数的部分数据为样本,考察本次金融危机对我国股票市场波动性的影响。
二、研究方法概述
1、GARCH模型
GARCH模型是对ARCH模型的推广,它在ARCH模型的基础上加入了异方差性对时间序列波动率的影响。GARCH(p,q)模型的一般形式可以表示为:
rt =μt+at at =?滓t+?着t
?滓■=?琢0+■■■?琢i a■+■■■?茁j?滓■
其中{?着t}是一个独立同分布的随机变量序列,均值为0,方差为1, ?琢0>0,?琢i≥0,?茁j≥0,■■■ (?琢i+?茁i)<1 [6]。
2、GARCH-M模型
金融理论表明具有较高可观测到风险的资产可以获得更高的平均收益率,这源于人们通常拥有的金融资产的收益应当与其对应的风险成正比的观念。基于此种理论,Engle、Lilien和Robin于1987年提出了ARCH-M模型,该模型的思想在于利用条件方差表示预期风险[7]。经过扩展可以得到GARCH(p,q)-M模型,它在收益率序列中体现了风险溢价,其他则与GARCH模型完全相同,收益率序列的表达形式如下:
rt=μt+c?滓■+at
其中c被称为风险溢价参数。GARCH-M模型蕴涵了收益率序列rt存在前后相关性,这种前后相关性是由波动率过程{?滓■}的前后相关性导致的。因此,风险溢价的存在是历史股票收益率具有前后相关性的原因之一[8]。
三、样本选取及实证分析
本文选取包括上证综指和深证成指在内的沪深股市8种股票指数从2005年4月1日开始到2009年10月31日为止共1115个交易日的日收盘价为样本。并将这一时期的数据分为两个区间:金融危机发生前,即2005年4月1日至2007年7月31日;金融危机发生后,即2007年8月1日至2009年10月31日。文中使用的数据全部来自Wind数据库。本文将重点介绍上证综指的分析过程,其他股指的参数估计结论将以表格形式给出。
在估计和回归过程中,采用股票指数的对数日收益率,即令Rt=(lnPt-lnPt-1)×100,其中Pt表示指数第t日的收盘价,Rt表示指数t时刻的对数收益率。首先分别对金融危机发生前后指数对数收益率的分布特征进行检验,结果见表1。
从表中数据可以发现,金融危机发生后,上证综指的对数日收益率均值明显小于危机前的均值,而标准差则明显变大,这说明金融危机发生后市场信心遭到了打击,收益率严重下滑,市场波动性存在增加的趋势。考察收益率的偏度和峰度可以发现,金融危机前后沪指对数收益率都呈现出不同程度的左偏特征,且峰度系数明显大于3,说明两阶段序列均呈现“尖峰厚尾”特征。同时,J-B检验统计量远大于5%显著水平下的观测值?字■,说明收益率序列不服从正态分布。综合收益率序列图可以初步确定金融危机前后收益率序列均存在波动聚集现象。运用ADF方法对两阶段数据进行平稳性检验,可以发现其均为平稳序列。对序列进行自相关性检验,发现金融危机前,沪指日收益率序列对其6阶滞后项存在显著自相关,金融危机后收益率序列不存在自相关现象。
对序列进行ARCH-LM检验,检验结果拒绝残差项?着t不存在ARCH效应的假设,说明残差项存在明显的波动聚集现象,适宜采用GARCH族模型进行估计。
本文在实证中,运用GARCH、GARCH-M模型分别进行拟合后,发现对于金融危机前后的收益率序列,GARCH(1,1)模型的拟合效果均比较好,模型参数估计结果如下:
再次对残差项进行ARCH-LM检验发现,残差项接受不存在ARCH效应的原假设,最终拟合模型为:
金融危机前:Rt=0.207754-0.125717Rt-6+?着t
(4.1460)(-2.7127)
?滓■=0.024432+0.071791a■+0.924571?滓■
(1.6746)(5.0369)(64.6346)
金融危机后:Rt=0.108866+?着t
(1.1177)
?滓■=0.131060+0.072786a■+0.907384?滓■
(1.9569)(4.4193)(47.9765)
利用GARCH模型和GARCH-M模型对其他股票指数日收益率序列进行参数估计,得出最优拟合模型,具体数据见下表:
四、结论
通过实证研究可以发现,无论是金融危机发生前还是发生后,我国股票市场收益率序列均不服从正态分布,存在显著的“尖峰厚尾”特征,参数?琢1和?茁1在5%的置信水平下均显著,说明收益率序列都存在显著的波动聚集现象。总结实证分析数据得到以下结论:
1.从数值上分析,通过对上证综指的研究发现,金融危机发生前后,参数?琢1分别为0.071791和0.072786,?茁1从0.924571减小到0.907384。说明金融危机发生后,收益率的波动性受到前一期波动信息的影响略微增大,但上期预测条件方差对它的影响却明显降低。由于上期预测条件方差是先前多期波动信息的加权值,其参数变小意味着金融危机爆发后市场收益率序列的长期记忆性有减弱的倾向。
2.危机发生前后,上证综指衰减系数?琢1+?茁1分别为0.996362和0.980170,均小于1,对上证综指外的其他7类指数进行实证研究,结果发现除中小板综合指数外的其他6项指数也有近似结论,说明金融危机的爆发并没有改变市场收益率序列平稳性的特征。序列的条件方差表现出均值回复的特性,过去的波动对未来的影响是逐渐衰减的。通过衰减系数的计算可以发现,金融危机前,对于时刻T产生的冲击,经过120个交易日后,仍残留64.57%(0.996362120);金融危机后,残留比例变为9.04%(0.980170120)。这说明金融危机爆发后,市场波动性受外界冲击影响的持续性减弱,市场消化信息的能力得到了加强,信息在市场上充分发挥效力所需的时间缩短了。
3.中小板综合指数的实证研究结论则显示,危机发生后,该指数的波动性收益率受前期波动信息的影响变小,但受上期预测条件方差的影响显著提高。衰减系数增大,说明金融危机背景下,外部冲击对于中小板股票波动性影响的持续性增强了,同时显示在金融危机背景下中小板市场的信息不对称程度进一步加深,市场消化和反应信息的时间延长,市场风险和不透明程度加剧。这就需要政府在积极发展中小板市场的同时也应注意防控中小板市场的风险,对于这个特殊的板块建立合理的交易制度和监管制度,做好风险管控,在发展好市场的同时确保中小投资者的权益得到保护。
(责任编辑:吴之铭)
■
参考文献:
[1] Engle, R. E. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation [J]. Econometrica, 1982, 50, 987–1008.
[2] Bollerslev, T., Generalized autoregression conditional heteroskedasticity [J]. Journal of Econometrics, 1986, 31, 307-327.
[3] Nelson, D. B., Conditional Heteroskedasticity in Asset Returns: A New Approach [J]. Economitrica, 1991, 59, 347-370.
[4] Koutmos, G., Booth, G. G., Asymmetric volatility transmission in international stock markets [J]. Journal of International Money and Finance, 1995, 14, 747-762.
[5] Zakoian, J. M., Threshold Heteroskedastic Models [J]. Journal of Economic Dynamics and Control, 1994, 18, 931-944.
[6] Ruey S. Tsay. 潘家柱(译).金融时间序列分析[M].机械工业出版社,2007:61–93.
[7] Engle, R. E, David M. Lilien and Russell P. Robins. Estimatin Time Varying Risk Premia in the Term Structure: the ARCH-Model [J]. Econometrica, 1987, (55):391-406.
[8] 高铁梅.计量经济分析方法与建模[M].北京:清华大学出版社,2006 :178–180.
关键词:金融危机;上证综指;GARCH模型;波动性
中图分类号:F830.91文献标识码:A文章编号:1672-3309(2010)03-0069-03
一、引言
由美国次贷危机引起的全球性金融危机对全球金融市场造成了巨大的冲击。就中国股市最具代表性的沪市来看,短短一年多的时间里上证综指就从最高峰的接近6100点应声回落,跌到1700点的低位,金融危机对中国股票市场的影响不言而喻。这次全球经济危机带来的影响值得我们探究。
对股市波动性特征进行理论分析和应用研究是数量经济和系统科学的一个重要领域。波动性是反映证券市场的价格行为、衡量市场质量和效率的最重要的指标之一。它是市场行为的重要决定因素,是评判市场成熟与否的一个关键标准。
在对金融市场波动性的研究方面,Robert Engle(1982)[1]提出了著名的自回归条件异方差模型(ARCH模型)。随后Bollerslev(1986) [2]在Engle研究的基础上,在ARCH(p)模型中增加了q个自回归项,将其推广成广义自回归条件异方差模型(GARCH(p,q)模型)。为了描述资产预期收益与预期风险的关系,Engle、Lilien和Robins(1987)将干扰项的条件方差特征作为影响资产收益率的解释变量之一,引入到均值方程中,提出了GARCH-M模型。Nelson(1991)[3]和Koutmos与Booth(1995)[4]在实证研究中都发现了收益波动的非对称性。为了捕捉这种非对称性,Nelson和 Zakoian[5]分别提出了EGARCH模型和TGARCH模型。
迄今为止,国内学者对证券市场波动性进行了广泛的研究,但对本次金融危机给国内股票市场带来的冲击以及给我国证券市场波动性带来的影响的研究仍相对匮乏。本文将采用GARCH族模型中的对称性模型,选取上证综指、深证成指和部分行业指数的部分数据为样本,考察本次金融危机对我国股票市场波动性的影响。
二、研究方法概述
1、GARCH模型
GARCH模型是对ARCH模型的推广,它在ARCH模型的基础上加入了异方差性对时间序列波动率的影响。GARCH(p,q)模型的一般形式可以表示为:
rt =μt+at at =?滓t+?着t
?滓■=?琢0+■■■?琢i a■+■■■?茁j?滓■
其中{?着t}是一个独立同分布的随机变量序列,均值为0,方差为1, ?琢0>0,?琢i≥0,?茁j≥0,■■■ (?琢i+?茁i)<1 [6]。
2、GARCH-M模型
金融理论表明具有较高可观测到风险的资产可以获得更高的平均收益率,这源于人们通常拥有的金融资产的收益应当与其对应的风险成正比的观念。基于此种理论,Engle、Lilien和Robin于1987年提出了ARCH-M模型,该模型的思想在于利用条件方差表示预期风险[7]。经过扩展可以得到GARCH(p,q)-M模型,它在收益率序列中体现了风险溢价,其他则与GARCH模型完全相同,收益率序列的表达形式如下:
rt=μt+c?滓■+at
其中c被称为风险溢价参数。GARCH-M模型蕴涵了收益率序列rt存在前后相关性,这种前后相关性是由波动率过程{?滓■}的前后相关性导致的。因此,风险溢价的存在是历史股票收益率具有前后相关性的原因之一[8]。
三、样本选取及实证分析
本文选取包括上证综指和深证成指在内的沪深股市8种股票指数从2005年4月1日开始到2009年10月31日为止共1115个交易日的日收盘价为样本。并将这一时期的数据分为两个区间:金融危机发生前,即2005年4月1日至2007年7月31日;金融危机发生后,即2007年8月1日至2009年10月31日。文中使用的数据全部来自Wind数据库。本文将重点介绍上证综指的分析过程,其他股指的参数估计结论将以表格形式给出。
在估计和回归过程中,采用股票指数的对数日收益率,即令Rt=(lnPt-lnPt-1)×100,其中Pt表示指数第t日的收盘价,Rt表示指数t时刻的对数收益率。首先分别对金融危机发生前后指数对数收益率的分布特征进行检验,结果见表1。
从表中数据可以发现,金融危机发生后,上证综指的对数日收益率均值明显小于危机前的均值,而标准差则明显变大,这说明金融危机发生后市场信心遭到了打击,收益率严重下滑,市场波动性存在增加的趋势。考察收益率的偏度和峰度可以发现,金融危机前后沪指对数收益率都呈现出不同程度的左偏特征,且峰度系数明显大于3,说明两阶段序列均呈现“尖峰厚尾”特征。同时,J-B检验统计量远大于5%显著水平下的观测值?字■,说明收益率序列不服从正态分布。综合收益率序列图可以初步确定金融危机前后收益率序列均存在波动聚集现象。运用ADF方法对两阶段数据进行平稳性检验,可以发现其均为平稳序列。对序列进行自相关性检验,发现金融危机前,沪指日收益率序列对其6阶滞后项存在显著自相关,金融危机后收益率序列不存在自相关现象。
对序列进行ARCH-LM检验,检验结果拒绝残差项?着t不存在ARCH效应的假设,说明残差项存在明显的波动聚集现象,适宜采用GARCH族模型进行估计。
本文在实证中,运用GARCH、GARCH-M模型分别进行拟合后,发现对于金融危机前后的收益率序列,GARCH(1,1)模型的拟合效果均比较好,模型参数估计结果如下:
再次对残差项进行ARCH-LM检验发现,残差项接受不存在ARCH效应的原假设,最终拟合模型为:
金融危机前:Rt=0.207754-0.125717Rt-6+?着t
(4.1460)(-2.7127)
?滓■=0.024432+0.071791a■+0.924571?滓■
(1.6746)(5.0369)(64.6346)
金融危机后:Rt=0.108866+?着t
(1.1177)
?滓■=0.131060+0.072786a■+0.907384?滓■
(1.9569)(4.4193)(47.9765)
利用GARCH模型和GARCH-M模型对其他股票指数日收益率序列进行参数估计,得出最优拟合模型,具体数据见下表:
四、结论
通过实证研究可以发现,无论是金融危机发生前还是发生后,我国股票市场收益率序列均不服从正态分布,存在显著的“尖峰厚尾”特征,参数?琢1和?茁1在5%的置信水平下均显著,说明收益率序列都存在显著的波动聚集现象。总结实证分析数据得到以下结论:
1.从数值上分析,通过对上证综指的研究发现,金融危机发生前后,参数?琢1分别为0.071791和0.072786,?茁1从0.924571减小到0.907384。说明金融危机发生后,收益率的波动性受到前一期波动信息的影响略微增大,但上期预测条件方差对它的影响却明显降低。由于上期预测条件方差是先前多期波动信息的加权值,其参数变小意味着金融危机爆发后市场收益率序列的长期记忆性有减弱的倾向。
2.危机发生前后,上证综指衰减系数?琢1+?茁1分别为0.996362和0.980170,均小于1,对上证综指外的其他7类指数进行实证研究,结果发现除中小板综合指数外的其他6项指数也有近似结论,说明金融危机的爆发并没有改变市场收益率序列平稳性的特征。序列的条件方差表现出均值回复的特性,过去的波动对未来的影响是逐渐衰减的。通过衰减系数的计算可以发现,金融危机前,对于时刻T产生的冲击,经过120个交易日后,仍残留64.57%(0.996362120);金融危机后,残留比例变为9.04%(0.980170120)。这说明金融危机爆发后,市场波动性受外界冲击影响的持续性减弱,市场消化信息的能力得到了加强,信息在市场上充分发挥效力所需的时间缩短了。
3.中小板综合指数的实证研究结论则显示,危机发生后,该指数的波动性收益率受前期波动信息的影响变小,但受上期预测条件方差的影响显著提高。衰减系数增大,说明金融危机背景下,外部冲击对于中小板股票波动性影响的持续性增强了,同时显示在金融危机背景下中小板市场的信息不对称程度进一步加深,市场消化和反应信息的时间延长,市场风险和不透明程度加剧。这就需要政府在积极发展中小板市场的同时也应注意防控中小板市场的风险,对于这个特殊的板块建立合理的交易制度和监管制度,做好风险管控,在发展好市场的同时确保中小投资者的权益得到保护。
(责任编辑:吴之铭)
■
参考文献:
[1] Engle, R. E. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation [J]. Econometrica, 1982, 50, 987–1008.
[2] Bollerslev, T., Generalized autoregression conditional heteroskedasticity [J]. Journal of Econometrics, 1986, 31, 307-327.
[3] Nelson, D. B., Conditional Heteroskedasticity in Asset Returns: A New Approach [J]. Economitrica, 1991, 59, 347-370.
[4] Koutmos, G., Booth, G. G., Asymmetric volatility transmission in international stock markets [J]. Journal of International Money and Finance, 1995, 14, 747-762.
[5] Zakoian, J. M., Threshold Heteroskedastic Models [J]. Journal of Economic Dynamics and Control, 1994, 18, 931-944.
[6] Ruey S. Tsay. 潘家柱(译).金融时间序列分析[M].机械工业出版社,2007:61–93.
[7] Engle, R. E, David M. Lilien and Russell P. Robins. Estimatin Time Varying Risk Premia in the Term Structure: the ARCH-Model [J]. Econometrica, 1987, (55):391-406.
[8] 高铁梅.计量经济分析方法与建模[M].北京:清华大学出版社,2006 :178–180.