《基于Garch模型对我国股票市场的经验分析》由会员分享,可在线阅读,更多相关《基于Garch模型对我国股票市场的经验分析(10页珍藏版)》请在金锄头文库上搜索。
1、基于Garch模型对我国股票市场的经验分析摘要:波动性是股票市场的一大显著特征。本文以1990 年12月19日到2022年12月23 日间每交易日each trading day的收盘价settlement price作为样本,运用ARCH,GARCH,EGARCH,TARCH模型分析了上证股市的波动特征,以求得出我国股票市场存在的缺陷。Volatility is one of the most remarkable features in the stock market .The study based on the data which are from settlement price
2、 of each trading day between 1990-12-23 and 2009-12-23, making the analysis with the model of ARCH,GARCH,EGARCH,TARCH,in order to get the defect of stock market.一、 研究背景及理论综述股票定价理论是一种以不确定性条件下股票资产定价及股票市场均衡为主要研究对象的理论,金融市场证券价格波动具有随时间变化的特点,有时相当稳定,有时波动异常剧烈,因其在现实生活中具有广阔的应用领域,已成为近几十年来经济学中最为活泼的一个分支,吸引了许多专家学者
3、致力于这方面的研究。恩格尔( Engle) 于1982 年提出自回归条件异方差(Autoregressive Conditional Heteroskedastic) 模型对方差进行建模,来描述股票市场的波动聚类性和持续性。1986 年波勒斯勒夫Bollerslev 提供了一个对干扰方程限制较小的设定形式, 这就是广义自回归条件异方差性模型 Generalised Autoregressive Conditional Heteroscedasticity , GARCH p,q。现如今,我国股票市场通过采用GARCH 模型方法进行研究的,主要集中在对沪、深两市的收益率进行拟合以检验股市的波动性
4、。其中重要的有吴长凤(1999)利用二元非对称ARCH(1) 模型初步探讨了我国深沪股市中非对称信息的互相传播作用;陈千里(2022)运用GARCH 模型对上证综合指数进行分析,结果显示我国股市存在显著的星期一高波动性现象;刘晓、李益民(2022)将GARCH族各类模型比照分析,并将其应用在深圳成分指数波动性的研究;陈朝旭、许骏(2022)利用四种GARCH 模型实证分析了上海股票市场的波动性,结果说明上海股市具有较为明显的ARCH 效应,波动持续时间长,波动存在显著的非对称性和杠杆效应;姚燕云(2022)运用GARCH - M模型对沪深收益序列进行检验,结果说明沪深两市的风险都具有时变、正偏
5、、顶峰、波动聚集性和长记忆性等特点,负面消息会加剧市场的波动;李双成、邢志安(2022)运用GARCH模型的一种新形式来验证中国股票市场是否符合量价关系的主流理论一混合分布假说理论;边一斐(2022)通过基于正态分布和t 分布的GARCH 模型对上证指数的波动性进行分析,实证结果说明基于t分布的GARCH模型更能精确的描述股市的波动性;邓晓益、郭庆春(2022)通过GARCH 模型研究沪市日成交量对复合收益率的波动性影响,结果说明当期交易量变化率能明显削弱收益率条件方差的波动性,而滞后一期的成交量只通过当期的成交量间接的影响复合收益率;吴庆田、尹媛媛(2022)运用GARCH 模型对中国银行和
6、中国工商银行上市对我国股市产生的波动性影响进行实证分析,得出了中国银行的上市降低了股市的波动性,而中国工商银行的上市加剧了股市的波动性的结论。ARCH理论是目前国际上非常前沿的用于金融市场资产定价的理论。与传统的CAPM、APT理论相比,ARCH是一种动态非线性的股票定价模型,它突破了传统的方法论和思维方式,摒弃了风险与收益呈线性关系的假定,反映了随机过程的一个特殊性质方差随时间变化而变化。由于ARCH模型反映和刻划了经济变量之间方差时变性的特殊的不确定形式,因而它在经济和金融领域具有广阔的应用前景。也正因为如此,ARCH模型在诞生后短短的不到二十年时间里已取得了极为迅速的开展,目前正受到日益
7、广泛的关注和瞩目。 我国证券市场从成立至今仅有缺乏十年的时间,但其开展速度非常迅猛,目前已成为刺激投资,推动我国经济开展的一个必不可少的局部。然而,正是由于时间过短,仍然存在着很多不完善之处,比方法制建设不健全,市场监管不力等;同时实证工作的开展更是远远落后于股市的开展。这些都造成了我国股票市场不同于西方兴旺国家的一个鲜明特征投机色彩非常浓厚。因而用ARCH理论对我国股票市场进行实证研究主要有以下几个目的:第一,吸收西方国家先进的金融计量经济学理论,力争为推动我国股票市场实证研究工作的向前迈进作出一点奉献,以使其更趋标准,更趋严谨,同时对实践也能起到更好的引导作用。第二,通过模型的实证结果力争
8、揭示我国股票市场的总体特征,并为其标准和完善提出一些合理化的建议。二模型介绍1ARCH模型ARCH模型描述了在前t-1期的信息集合给定的条件下随机误差项的分布。恩格尔最初的ARCH模型表述如下: 其中,以确保条件方差。在ARCH回归模型中,的条件方差是滞后误差项不考虑其符号的增函数,因此,较大小的误差后面一般紧接着较大小的误差。回归阶数q决定了冲击的影响存留于后续误差项方差中的时间长度,q值越大,波动持续的时间也就越长。2GARCH模型1986年,波勒斯勒夫Bollerslev提出了条件方差函数的拓展形式,即广义ARCH模型GARCHGeneralized AutoRegressive Con
9、ditional Heteroskedasticity,这被证明是对实际工作的开展非常有价值的一步。GARCH模型的条件方差表达如下 : 为保证条件方差,要求 用GARCHp, q来表示阶数为p和q的GARCH过程。相对于ARCH,GARCH模型的优点在于:可以用较为简单的GARCH模型来代表一个高阶ARCH模型,从而使得模型的识别和估计都变得比拟容易。3GARCHM模型由恩格尔Engle、利立安Lilien和罗宾斯Robins提出的ARCH-MARCH-in-mean模型提供了一个估计和检验时变型风险补偿的新方法,模型表示如下: 其中,。是条件方差的单调函数,且。在金融模型中,表示风险补偿,
10、因此,收益率方差的增加导致预期收益率的增加。根据取ARCH或GARCH形式而称之为ARCH-M或GARCH-M模型。在条件均值等式中参加条件方差的函数项是该模型的特点所在。另外,模型提供了一个估计和检验时变型风险补偿的新方法。研究说明,时模型的估计效果较好。4EGARCH模型非对称EGARCH or Exponential GARCH model 由奈尔逊 (Nelson,1991)提出的。那么称服从EGARCH过程EGARCH模型中的一个重要特征是在条件方差中引入了参数g,这使得条件方差在随机干扰项取值为正、负值时有不同程度的变化,从而能更准确地描述金融产品价格波动的情况。比方,在股票市场中
11、,假设将利好消息看作是对股价的正干扰,将利空信息看作是负干扰,人们注意到,股价往往对同样程度的副干扰的反响更加强烈。1这种正负干扰反映的不对称性可以由EGARCH模型来描述。2假设参数g取值为负数,且大于-1时,那么一个负干扰所引起的条件方差的变化,比相同程度的正干扰引起条件方差的变化那么更大;3假设g大于0,同样程度的正干扰引起条件方差的变化那么更大;4假设g=0,那么条件方差对于正负干扰的变化是对称的。5TGARCH模型非对称正干扰和负干扰的非对称的后果也可通过对线性GARCH框架的简单修正给出。TGARCH(Threshold ARCH)模型由 Zakoian (1990)以及Glost
12、en, Jaganathan, and Runkle (1993)提出。TGARCH(1,1)模型如下:1如果,且,那么非负条件成立。2好消息和坏消息对条件方差会有不同的效应,即好消息,正干扰下的影响为:坏消息,负干扰下的影响为:3如果,杠杆效应存在,如果,信息影响是不对称的三实证分析1数据的选择“上证综指全称“上海证券交易所综合股价指数,是上海证券交易所编制的,以上海证券交易所挂牌的全部股票为计算范围,以发行量为权数的加权综合股价指数,是国内外普遍采用的反映上海股市总体走势的统计指标。该指数以1990年12月19日为基准日,基日指数定为100点,自1991年7月15日开始发布。该指数反映上海
13、证券交易所上市的全部A股和全部B股的股份走势。其计算方法与深综合指数大体相同,不同之处在于对新股的处理。在本文中,我们使用上证综指来表示上海股票市场的走势情况。因此本文选取1990 年12月19日到2022年12月23 日间每交易日的收盘价作为样本, 样本数为4663 实证分析的结果通过 EVIEWS3.1 软件获得。主要是研究上证指数收益率。收益率定义:2分析过程:1.上证综合指数收益率根本特征:1上证综合指数收益率线图:从上图可以很清楚看到数据很平稳2Descriptive statistics Histogram and stas标准正太分布的偏度skewness为0,峰度kurtosi
14、s为3,从表中skewness=3.9406080Kurtosis=100.3874不等于3。2.对数据进行平稳性检验:ADF Test Statistic-28.18520 1% Critical Value*-3.4349 5% Critical Value-2.8627 10% Critical Value-2.5674*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(X)Metho
15、d: Least SquaresDate: 01/01/10 Time: 21:16Sample(adjusted): 6 4600Included observations: 4595 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. X(-1)-0.9100830.032289-28.185200.0000D(X(-1)-0.1137720.029216-3.8941330.0001D(X(-2)-0.1062540.025770-4.1231420.0000D(X(-3)-0.0339370.021060-1.6114020.1072D(X(-4)-0.0282120.014730-1.9153010.0555C0.0002730.0001831.