我国股市波动的典型化特征与动态时变相关性研究教学文案文档格式.docx

我国股市波动的典型化特征与动态时变相关性研究教学文案文档格式.docx

《我国股市波动的典型化特征与动态时变相关性研究教学文案文档格式.docx》由会员分享，可在线阅读，更多相关《我国股市波动的典型化特征与动态时变相关性研究教学文案文档格式.docx（5页珍藏版）》请在冰点文库上搜索。

长记忆性；

非对称型；

动态条件相关

　　DOI：

10.16315/j.stm.2016.02.014

　　中图分类号：

F276.3

　　文献标志码：

A

　　StudyonthestylizedcharacteristicanddynaIniccorrelationoftheVOlatilityofChinastocknlarketWANGZhuo-yu，WANGY0ng-lian

　　Abstract：

WebuildDCC-FIAPARCHmodeltoanalvzethestylizedfactsanddvnamiccorrelationofChina'

sstockmarketvolatilitvwiththedataofA-shareandB-shareoftheShanghaiandShenzhenstockexchangesfrom17/12/1996to5/1/2015.Theresuhsofthemodelshowthatthereweresignificantcharacteristicofvolatilitvclustering.1ongmemoryandasymmetricintheVolatilityofChinastockmarket，inwhichthevolatilityclusterjngintheA-shareofShanghaistockexchange，theasymmetricinB-shareofShenzhenstockexchange，andthelongmemoryintheB-shareofShanghaistoekexchangearemoresignificant.TheresultsofthedynamiccorrelationshOWStheexistenceofsignificanttime-varyingcharacteristicsand1essVolati-lityastimesgoeson，andapttoinfluencebysomeimportanteconomicandfinancialevents.Whiletherearesomedifferencebetweenthedynamiccorrelations，becauseofthediffereneeofownershipstructure，investorsandmarketinformationinthetwostockexchange.

　　Keywords：

long-memory；

asymmetric；

dyhamicconditionalcorrelation

　　股票市场价格波动的典型化事实不仅可以为股市波动及相关金融产品的定价提供较为准确的估计，还能为金融时间序列的预测和投资行为提供解释，是近年金融市场波动实证研究的重点和热点问题。

异方差特征是股票市场价格波动的最显著特征之一，该特征可以采用Bollerslev提出的广义自回归条件异方差模型来刻画，且研究结果具有广泛的应用和一致的结论。

然而GARCH模型对股市价格波动所呈现出的长记忆性特征无法进行有效地描述，Baillie等采用的分数协整广义自回归条件异方差模型（FIGARCH）模型能够很好地刻画股市波动的长记忆性和异方差这2个特征。

此外，Granger等提出的ARFIMA模型可以很好地模拟收益率序列中的强持续性和长记忆性，是对GARCH模型中的均值模型的一个有效扩展。

我国股票市场的长记忆性的实证研究随着研究的样本区间和研究方法的不同，可能存在一些差异，但实证结果中表明长记忆性是我国股票市场的典型化事实之一。

　　随着研究的深入，人们发现我国股市价格波动除了存在异方差和长记忆性以外，还存在非对称性或杠杆效应的特征。

Tse提出的分数协整非对称自回归条件异方差模型（FIAPARCH）能够同时刻画股市波动的异方差性、长记忆性和非对称性这三大典型化事实，林宇等。

将其扩展模型用于金融市场动态风险的测度。

此外，针对股市中不同层面的消息（好消息和坏消息）对股市价格波动产生不同的影响，Bollerslev等提出了分数协整指数广义自回归条件异方差模型，该模型也能同时捕获股市波动的异方差、长记忆性和消息冲击的非对称所导致的杠杆效应这3种典型化事实特征。

但是，FIEGARCH存在条件收益率四阶矩假设的不合理性，模型估计的可靠性和精确性受到了质疑，David-sonll提出了双曲线记忆GARCH模型，克服了FIE-GARCH模型中四阶矩不存在问题，能从理论上捕获股市波动异方差性、长记忆性和杠杆效应三大典型化事实的理性模型，曹广喜、林宇、许林等均利用该模型的扩展模型研究了我国股市的上述典型化特征和投资风险等问题。

总而言之，上述FIA-PARCH模型、FIEGARCH模型和HYGARCH模型均能在一定条件下刻画股市波动的典型化特征，但是究竟哪个模型更适宜于刻画我国股市波动的典型化特征，需要采用信息准则进行具体判断。

　　最后，随着我国股票市场在近年来开放度越来越高，交易技术的提高，以及不同证券市场彼此间的收益和波动影响日益加剧，不同市场收益率和波动率之间的关联性的研究就变得非常有必要。

因此，描述我国沪深A、B股市具有显著差异的股票市场之间的时变影响关系在证券市场的研究中具有非常重要的理论和实际意义，所以既不能将不同的股票市场相互割裂开来进行研究，也不应该将其糅合成一体进行整体研究而抹杀其中的差异性。

本文在单变量股市价格波动的典型化事实的建模基础上，采用Engle的动态条件相关（DCC）模型刻画沪深A、B股市的收益率之间相关性的动态时变特征和一体化特征。

　　1.金融时间序列波动的典型化特征

　　下文分别介绍FIAPARCH模型、FIEGARCH模型和HYGARCH模型刻画我国股市波动的异方差性、长记忆性和非对称性的特征，并且给出Engle的DCC模型分析金融时间序列间的动态相关性特征。

　　1.1条件波动模型

　　上述ARFIMA模型是对条件均值过程进行建模，而股市收益条件波动σ1才是重点研究的对象，下面分别介绍FIAPARCH模型、FIEGARCH模型和HYGARCH模型。

这种假设在金融高频数据拟合中却受到极大质疑。

这主要是因为高频数据存在厚尾特征，其尾部概率值较大，这使得正态分布假定可能会造成模型设定误差。

为解决上述问题，Bollerslev提出了描述厚尾的Student-t分布的分布密度函数，Student-t分布密度函数可表示为

　　2.沪深股票市场收益率序列长期记忆性与动态相关性的实证分析

　　采用上述模型与方法，分别对沪深股市的A、B股综合指数样本的收益率波动的异方差、长记忆和非对称特征进行分析和检验，并采用DCC模型分析股指收率波动的动态关联性和一体化特征。

　　2.1样本选取与数据描述

　　为了避免1996年12月16日开始实施的股市涨跌幅限制政策对实证检验结果的影响，本文样本数据选取1996年12月17日至2015年1月5日期间，共计4366个交易日的上证A、B指和深证A、B指的日收盘价序列。

此外，为了避免数据的非平稳性对模型估计结果的影响，本文在实证研究中采用对数收益率进行建模和分析，即：

rt=ln（Pt）-ln（Pt-1）。

　　沪深股市的A、B股综合指数以及对数收益率序列的时间序列图，如图1、图2所示。

从对数收益率序列的时间动态来看，沪深股市收益率具有明显的波动聚类特征，即在一段时期内较大收益率变化紧随着较大的价格变化而变化，较小收益率变化紧随着较小的价格变化而变化。

另外，沪深两市综合指数基本呈现出较为一致的收益率变化过程，这说明两个股票市场具有明显的协同性，这个特征将在下文多元DCC的GARCH类模型中详细分析。

　　沪深A、B股指对数收益率序列的描述性统计量，如表1所示。

偏度统计量和峰度统计量表明对数收益率序列具有显著的尖峰厚尾特征，这表明在刻画收益率序列分布函数时应考虑比正态分布具有更厚尾部性质的学生Student-t分布。

J-B正态性检验统计量进一步对收益率序列的分布做出了解释，结果表明均显著拒绝正态性原假设，所以表明沪深A、B股指对数收益率序列是非正态的。

　　2.2ARMA（1，1）-FIAPARCH（1，d1，1）模型的极大似然估计

　　通过分别采用FIAPARCH模型、FIEGARCH模型和HYGARCH模型进行估计，发现HYGARCH模型中的参数α不显著，FIEGARCH模型在有些序列的估计中出现不收敛的情况，由于篇幅所限，本文未给出上述估计结果。

因此，本文在描述股市波动典型化特征的GARCH类模型的估计中，根据AIC和BIC信息准则选取了ARMA（1，1）-FIAPGARCH模型作为最终模型，具体估计结果，如表2所示。

　　从表2中可以看出，沪深A股和B股综合指数的ARMA（1，1）-FIAPARCH（1，d1，1）模型估计结果的主要参数d1、y和δ基本上都十分显著。

具体来说：

第一，分整参数d1的估计值基本稳定在0.39～0.46之间，且十分显著，这说明我国股票市场价格波动总体上呈现波动聚类的特征，说明股市波动的波动具有集聚效应，高波动股市价格波动往往会持续出现一段时间，其中沪市A股的这种特征相对较为突出；

第二，除了深证B股以外，其他3个股指的非对称性或杠杆效应所对应的参数y的估计值均显著大于零，这说明上期的坏消息（负收益率）将会导致当期更高的收益波动，其中深证A股综合指数的杠杆效应估计值最大，非对称性特征最为明显；

第三，长记忆参数6的估计值在1.7左右，且非常显著，这说明我国股市无论是沪市还是深市，无论是A股还是B股，股票价格波动的长记忆性特征均十分显著。

根据ARMA（1，1）-FIAPARCH（1，d1，1）模型的估计结果，沪深A股和B股指收益率波动的条件方差，如图3所示，从图3可以看出：

第一，图3的收益率波动的条件方差时间序列图的轨迹显示，除了2008年开始的金融危机期以外，收益率波动呈现平缓化的特征，这说明我国股市经过20多年的发展，股票市场在逐渐完善；

第二，收益率波动的条件方差存在显著的聚类特性，在东南亚金融危机期间和2008年开始的金融危机期间的波动均显著大于其他时期，这说明我国股市在抵御外来冲击和预防风险传染的能力还有待加强；

第三，无论是沪市还是深市，B股指数的收益波动的条件方差均显著大于A股指数的波动方差，这主要和A股和B股的股权结构和他们所面对的对象不同造成的；

第四，从图3中还可以明显看出波动的上升幅度快于下降幅度，体现一定程度的非对称性，且波动的高低阶段都存在一定时间的时滞，即当前处于高（低）波动阶段，则今后一段时间处于高（低）波动的可能性要远大与低（高）波动的概率，体现出股市收益率序列的长记忆性特征。

　　2.3DCC-FIAPARCH模型的估计结果

　　股市之间的相关性分析可用于投资组合的选择和风险管理等多种用途，这是从单变量GARCH波动建模向多变量GARCH建模的一个自然的扩展。

下文将对沪深A、B股之间的动态相关性进行分析，以期为投资者的资产组合和风险管理提供参考，并为两个市场的关联性提供经验结论。

沪深股市A股和B股间的6种动态条件相关的图形，如图4所示。

　　从图4中可以看出：

首先，我国沪深A、B股票指数间的动态条件相关总体呈现上升趋势，且波动幅度呈现微波化，这与我国股票市场体制和法制的健全和完善息息相关，也从侧面说明我国股票市场在逐渐发展与完善；

其次，四种股票指数的条件波动的动态条件相关在2001年以前的先关性都比较低，尤其是沪（深）股市A股和B股之间的动态条件先关相对较低，在亚洲金融危机期间，一度曾下降到0.1左右，究其原因主要有以下3点：

第一，所有权限制是导致A股和B股相关性差异的主要原因，从1992年B股市场开始建立到2001年B股市场向境内投资者开放，B股市场的投资者主要限于境外的投资者，而境内居民是不允许开立B股帐户和投资B股的，这显然会导致投资主体和投资行为的巨大差异，A、B股间的低相关性就不足为奇了；

第二，A股和B股的活跃程度差异巨大，B股长期处于低迷状态，尤其是1997红筹股和H股大量发行，而B股基本处于停滞状态，此外，B股还在信息获取中存在信息不对称，在汇率上存在风险都是导致A股和B股之间相关性较低的重要原因，也是图4右上角上证A指和深证A股之间的动态相关性显著高于图4右下角上证B指和深证B股之间的动态相关性的重要原因。

四散，金融危机期间金融市场遭到重创，股市间的作用机制和传导机制将受阻，动态相关性偏低，2008年国际金融危机阶段也出现类似的情况。

　　3.沪深股市典型化特征的实证结论

　　本文通过ARMA-FIAPARCH模型研究了沪深A、B综合指数的收益率波动的波动聚类性、长记忆性和非对称性三大典型化特征，并采用DCC模型进一步分析沪深A、B股间的动态相关性，得到如下几点结论：

　　首先，我国沪深A、B股综合指数的GARCH类模型的建模与实证研究表明：

沪深A、B股综合指数的对数收益率的波动存在显著的波动聚类性、长记忆性和非对称性三大特征，但是这种特征的显著程度和表现出的强弱程度存在一定的差异，其中波动聚类特征和长记忆性特征均是典型化特征，普遍存在于我国各类股票市场中，且沪市A股的波动聚类特征最为明显，沪市B股的长记忆性特征相对较为突出；

在非对称特征中，深证B股中没有得到体现，其他3个股指均存在上期的坏消息（负收益率）将会导致当期更高的收益波动的特征，且以深证A股表现最为明显。

　　其次，我国沪深A、B股指数收益率波动的条件方差，除金融危机时期所表现出的强波动剧烈特征为，均有随时间推移而趋于平稳化的特征，这说明我国股票市场在20多年的发展过程中逐步完善，但是在抵御外来冲击和风险传染方面还有待进一步加强。

同时，B股指数的收益波动的条件方差均显著大于A股指数的波动方差，这与A股和B股的股权结构和他们所面对的对象不同有直接相关；

此外，我国股市整体波动都存在上升幅度快于下降幅度的非对称特征，且波动的聚类特征具有较强的持续性和长记忆性。

　　再次，我国沪深A、B股综合指数的动态条件相关分析表明，我国沪深A、B股市间的动态条件相关总体呈现上升趋势，且波动幅度呈现微波化的特征。

但是，无论是在沪市还是在深市，A股和B股之间的动态相关性相对沪深A股间或沪深B股间要低得小，且波动大，这主要与A股和B股间的股权结构和B股市场中的投资主体，市场信息的不对称，以及外汇风险造成A股和B股间存在显著的差异，导致A、B股间的动态条件相关要大于两个股市间同类型股票之间的相关性。

　　最后，沪深A股和B股的波动特征和动态条件相关性都存在较为明显的阶段性，这与我国宏观经济的运行，宏观经济政策的调整密切相关，这说明我国股市典型化特征与我国宏观经济的阶段性显著相关，对我国宏观基本面的了解和深入分析有助于分析我国股票市场波动特征和动态相关性，这也是作者今后研究的方向。