基于非对称ARCH模型的上海股市波动特征分析

合集下载

ARCH模型族的应用——沪市波动性特征研究

以很好地描述上海股票市场的波动状况。上海股市具有对信息反应的非对称性，波动的聚居性和波动的持续
性等特点。
［关键词］波动性；ＲＨ模型；ＧＲＨ模型；ＡＣＥＡＣ非对称性［中图分类号］Ｆ３．１８０９［文献标识码］Ｂ［文章编号］１０ —２８（０８０ —０３０１２８０２０）７１３— ３３
期值大小。ＡＣ（）ＲＨＰ模型形式为：ａ（）；。Ｖｒ＝＝ａ＋ｌ一＋２㈡＋…＋ａ㈨。其中服从均值为０ａ：ｌ口２２，
方差为；的条件正态分布，参数ａ ≥０ｉ，，，（＝０１２ …Ｐ）。
如果扰动项的条件方差不存在自相关，就有ａ＝ａ。＝…
［券市场］证
ＡＣ型族的应用ＲＨ模
沪市波动性特征研究
文Ｕ蜀Ｕ士
（徽财经大学，徽蚌埠２多经济和金融研究的一个重要方面。ＡＨ模型适用于具有群集性和方差时变性ＲＣ
出了自回归条件异方差模型— — ＡＣＲＨ模型，的一个最它大特点就是突破了传统方法中收益与风险线性关系的假定，应了方差的时变特点。随着ＡＣ反ＲＨ类模型的不断应用，本身的形式也不断得以发展，现了非对称的它出ＡＣ模型。ＲＨ
模型。
、
ＡＣＲＨ模型及其扩展模型介绍
１ＡＣ．ＲＨ模型和ＧＣＲＡＨ模型

上证指数收益率的ARCH族模型与实证分析

（）１
２模型
２１ＡＲＨ模型．Ｃ
ＡＲＨ模型表达式如下：Ｃ
Ｙ一＋
ＧＡＣＲＨ模型的优点在于：以用低阶的ＧＡＣ可ＲＨ模型来代表高阶ＡＣ模型，而使模型的识别ＲＨ从和估计都比较容易．金融风险分析中，ＡＲＨ在ＧＣ
２１０１年ｌ２月
郧阳师范高等专科学校学报
ＪｕｎｌｆＹｕｙｎａｈｒｏｌｇｏｒａｎａｇＴｅｃｅｓＣｌｅｏｅ
Ｄｅ．２Ｏｌｃ１
第３卷第６ｌ期
Ｖｏ．１Ｉ３ＮＯ６．
上证指数收益率的ＡＲＣＨ族模型与实证分析
递减，上海指数收益率的持续特征明显，沪市的总
体波动很大．
第４模型的ＡＩ，Ｃ和ＳＣ值都较小，以认为可
该模型较好的拟合了数据．
第２参数估计显著，明收益率序列，表
｛Ｒ）具有显著的波动机群性．
回归结果显示只有ＡＲ（）ＡＲ（４，６，１）ＡＲ（５，１）
ＡＲ（９的系数是显著的．２）因此，计收益率序列估
关于自身之后项的自回归模型为：
Ｒ，＝Ｒ６ＪＲ１４Ｒ１４岛Ｒ２４￡（）９。－４１－６－。－４
综指的日收盘价，计１１共９８个观察值．据来源数于搜狐证券网．文所有数据均通过Ｅｉｗ５０本ｖｅｓ．进行统计处理．票市场日收益率以相邻两天收股

上证综指股票收益率波动特点分析

上证综指股票收益率波动特点分析以自回归条件异方差（ARCH）族模型为基础，结合上海证券市场的特点，试图拟合我国股票市场的波动特征，同时研究股票价格指数的波动规律和特点。

标签：上证综指；股票收益率波动；GARCH模型1 引言上世纪80年代，美国学者罗伯特·恩格尔和克莱夫·格兰杰提出了ARCH模型来描述证券市场波动性方差的时变性特征，此后不断发展深入，其相关拓展模型也相继推出，比如GARCH模型，TARCH模型等等。

这些模型在金融领域得到了广泛的应用。

中国股票市场仅仅20多年，从无到有，取得了巨大的成就。

特别是06年以来，股票市场规模不断扩大，上市公司质量也不断提高，沪深股市作为宏观经济晴雨表的作用越来越明显。

然而，我国证券市场毕竟处于发展初期，市场的波动性和风险要远远高于国外市场，特别是欧美等成熟市场。

因此，如何较为真实刻画和衡量股价波动成为广大学者研究的重点。

2 模型和数据2.1 模型介绍（1）ARCH模型。

美国学者罗伯特·恩格尔于1982年提出了ARCH模型，其具体形式如下yt=xtβ+ε（1）σ2t=α0+α1ε2t-1+α2ε2t-2+…+αqε2t-q（2）为保证条件方差σ2t＞0，要求α0＞0，αi＞0（i=1，2…，q）式1称之为均值方程，式2称之为条件方差方程。

基本的ARCH模型又衍生出许多变形，下面具体介绍GARCH模型、TARCH模型和EGARCH模型。

（2）GARCH模型。

罗伯特·恩格尔提出ARCH模型来描述误差的条件方差中可能存在的某种关联。

通过该模型，可以预测经济时间序列中基于某种非线性依赖的大变化。

GARCH模型的一般表示如下:yt=xtβ+ε（1）εt=ht·vt（2）h1=α0+α1ε2t-1+…+αt-1ε2t-q+β1ht-1+…+βpht-p=α0+qi=1αiε2t-1+pj=1βjh t-j（3）其中，p是GARCH项的最大滞后阶数，q是ARCH项的最大滞后阶数。

基于GARCH模型的沪市波动性特征分析

Ｏ引言．长期以来．股票市场资产收益率的波动性问题一直是学者们所关注的焦点，批Ｌ市波动如何脚寸间变化鲫哩解也是投资者在决自酰曜中面临的—个主要问题。而波动率作为测量股市风险的重要工具．一直受到业界的广泛关注与重视，人们也一直在探索着测量波动率的工具与模型国外对股票市场价格的波动性研究已有很长一段历史．早在２Ｏ世纪６年代．ａａ１６）ＯＦｍ（５就观察到投机性价格的变化和收益率的变９化具有稳定时期和易变时期．的报酬紧连着大的报酬的报酬紧大小连着小的报酬，为波动集群性（ａｄｌｒ，６；ｍ，６）称Ｍｎｅｏ１３ａａ９５。波动集ｂｔ９Ｆ１群性表明股票报酬波动是时变的，即价格波动呈现集群性．差随时方间变化而变化。此后，国外对投机性价格波动特征进行了大量的研究其中最成功地模拟了随时间变化的方差模型由Ｅｇｅ１８）ｎｌ（９２首先提出的自回归条件异方差性模型（ＡＣ即ＲＨ模型）它更好地捕获条件异方。差性以及尖峰厚尾性．ＲＨ模型将方差和条件方差区分开来．并让ＡＣ条件方差作为过去误差的函数而变化．而为解决异方差问题提供了从新的途径。这个模型很好地拟合了波动率聚类现象．当然．也存在一些不足，比如参数的选择和估计会比较麻烦，为此，ｏｌｒｅ（９６在此Ｂｌｓｖ１８）ｅｌ基础上提出了广义自回归条件异方差ｆＡｃ膜型。ＧＲＨ这两个模型可对金融时间序列的“ 尖峰厚尾” 及有偏性进行成功的计量与刻画．特别是基于他们发展起来的以ＧＲＨ１１ＡＣ（．１模型在金融资产收益率的波动性研究中得到了较为广泛的应用。近两年．国一些学者也应用ＧＣ我ＡＲＨ模型对我国的股市波动性特征进行了研究。如王玉荣（０２２０）使用了ＡＨ类模型模拟了我国股市收益率波动状况．出了中国股市波动ＲＣ指存在聚类性和非对称性。宋逢明等（０３．２０）采用多种方法研究了深圳股市的稳定性．认为深圳股市的稳定性在１９９７年后有所下降．同成熟但股市（它以ＳＰ０作为对比）＆５０整个股市的系统性风险偏大１Ｒ．ＧＡＣＨ模型简介Ｅｇｅ于１８ｎｌ９２年提出了自回归条件异方差（ｕｏｅｒｓｉｅＡｔｒｇｅｓｖＣｎｉｏａＨｔｋｄｓｃｙ模型，ｏｄｔｎｌｅｅｅａｔｉ）ｉｍｓｉｔ简称ＡＨ模型。简单地说，ＲＣ该模型将当前一切可利用信息作为条件．并采用某种自回归形式来刻画方差的变异，对于—个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，ＡＣ利用ＲＨ模型，可以刻画出随时间而变异的条件方差。在ＡＲＨ模型的基础上．ｏｌｒｖ在１８ＣＢｌｌｅｅ９６年提出了广义ＡＨＲＣ（ｎｒｉｄｕｒｒｓｅｏｄｉａｈｔｏｅａｉｔｇｅｌｅｔｅｅｉｎｉｏｌｅｒｋｄｓｃｙｅａｚａｏｇｓｖｃｔｎｅｓｔｉ）即ＧＲＨ模ＡＣ型，他在条件方差的方程中加入了滞后项。标准的ＧＲＨ１）ＡＣ（．模型为：１Ａ，ｘ（带有误差项的外生变量的均值方程）

基于ARCH类模型对沪市波动性的实证研究

【ｅｏｄ］Ｓｏｐｓｅｎｅ；ＲＨｍｄｌＧＲＨｍｄｌＡＣｏｅＬｎｒｅｏＫｙｗｒｓＳＥｃｍｏｔｉｘＡＣｏｅＡＣｏｅＴＲＨｍｄｌｏｇｅｍｍ￣ｉｄ；；；ｔｍ
当ｐＯ时，ＡＣ即上述的ＡＣ＝ＧＲＨＲＨ模型，ＡＣ是ＲＨ模型的特例，实质上．ＡＣＧＲＨ过程是无限价的ＡＣＲＨ过程，在计算量不大的时候，股票市场的建立和发展有力地推动了中国经济的发展．股价的不用ＧＡＣＲＨ模型更合理断波动对整个股票市场以及上市公司的影响非常大，以长期以来人所１ＴＲＣ．３ＡＨ模型．这是用来处理非对称的一种方法．误差项的方差们都非常关注股票市场的波动。但是，我国的证券市场刚刚起步，股票为：ｃ＋ｌ２＋７一ｔ１Ａｏ２。２卜＝１ｌ２＋－ｌ一ｔ价格的波动幅度较大．尤其是超常波动的情况出现地比较频繁长期其中，ｆｄ＿是一个虚拟变量，ｓ＞０，。Ｏ，＜当Ｉ时：当Ｏ时，。＝以来．人们一直对股票价格波动和影响其波动的因素进行研究。投资者可以通过对股票市场的波动性进行研究来寻找价差．以此来获得利１这两种分别称为利好消息和利空消息，，利好消息影响力为Ｏ，Ｌ利空消．益所以，通过怎么的方法和模型能够描述股票市场的波动己成为金息影响力为Ｏ，Ｌ当ｙ＃０，１则股票市场存在不对称的冲击。融学界的热点问题研究股票市场的波动主要是以股票价格作为主要的研究对象．研２数据选取及其研究究股票市场在价格上的波动．它是用来衡量股票市场波动性的最重要２１样本的数据选取本文的数据是选取上证指数作为代表．对这些．指标本文首先对上证综指日收益率时间系列进行样本区间的选择．数据进行一系列研究．对从２０年２１选取数据的每日０５００收盘价建然后对筛选出的样本区间进行ＡＣＲＨ类模型拟合．刻画出对沪综依此立模型．从２００５年６月到２００７年１０月．上证综指的涨幅达到指的实证检验５３４％．２０１．９到０８年１０月．证综指累计下跌７．３到２１上２８％．００年４月．幅达到１９０％，涨０．４在这段时间内．票的市场价格波动幅度较股１研究方法综述大．故选择这段时间的收盘价作为样本来分析上海股票的波动性。上经典股票市场理论在描述股票市场波动时．利用的模型都是以一证指数的收益率是：ｌｇ￣ｌ（ｃ）Ｒ＝ｏ（）ｏｐ＿Ｐ一ｇ１定的假设条件为基础．即在假定影响收益率的每一种因素相互独立且实证发现．ＲＨ模型和ＧＲＨ模型的收益率为白噪声系列．ＡＣＡＣ方差总是保持不变的前提下进行的．随着实证研究的深人发展．研究回归残差也为白噪声，ＡＲＨ特征。本文不对，８有Ｃ讨论，选择系表明方差并不是一直独立而且是不断变化的因此这些模型在描述股票市场价格波动方面存在着一定的不足．为此．一些研究学者利用不列Ｐ讨论其异方差性

ARCH模型族对上证综指收益波动的实证分析

通常是平稳的。（）ＲＣＨ— Ｍ效应检验。３ＡＬ上面对收益率序列的ＡＣＨ效Ｒ应有了初步的判断，在用拉格朗日乘数检验进行正式的检验现
本文选取的数据为上证综合指数每日的收盘价，时间数据
起始于２００５年７月２１目中国汇率形成机制改革至２０年１０９０月２０日。对上证综指取自然对数，股票市场的日收益率用相邻营业曰上证综揩对数的一阶差分表示，：Ｚｌ（ｓ）ｌ（ｓ。即Ｉｎｐｚ一ｎｐｚ＂＝Ｓ）
息曲线，认为资本市场中的冲击常常表现出一种非对称效应。
它允许波动率对市场下跌的反应比对市场上升的反应更加迅
由表２可知：在显著性水平为５和１％％的条件下，序列ｌｔｎｖ的ＡＤＦ检验值小于相应的临界值，明序列Ｉｐ是非平稳；说ｎｔ而
示，序列ｒｔｓ有高峰后尾的分布特征（ｚ序列呈现偏态、峰度系数
大于３．ｒｕ－ｅ检验显示非正态性，些初步表明，）ＪｑｅＢｒａａ这收益率序列ｒｓ可能存在ＡｚＲＣＨ或ＧＲＣＨ现象。Ａ
表１收益率序列的统计特征Ｍ
（）２单位根检验。在进行ＡＲＣＨ或ＧＲＣＨ效应检验之Ａ
方差的表现形式进行了直接的现行扩展，形成了应用更为广泛
前，需要对收益率序列进行单位根检验，本文采用的方法为扩大的迪克一福勒检验（Ｄ检验）ＡＦ。
表２对数序列和收益率序列的单位根检验结果

上海市房地产价格波动特征分析——基于EARCH模型

ＴｅＩｄｓｒｌｔｄｌ产业研究ｈｕｔｉｕｙｎａＳ
上海市房地产价格波动特征分析
ｒ ‘ Ｌ
— —
ｈ
＝
ａ
基于ＥＲＨ型ＡＣ模
斗
、，，
李雷武
张翔
上海大学管理学院
上海２０４０４４
摘要：本文利用１９ — Ｏ１８２１年的中房上海住房指数的时间序列数据，９建立ＥＲＨ型进行实证分析，究结果表明中房Ａｃ模研上海住房指数具有显著的ＥＩＨＡＣ效应，ｇ并且波动具有非对称性和杠杆效应，好消息会导致比坏消息更大波动性。关键词：价波动；Ａ￣Ｈ型；对称性；杆效应房ＥＰ模Ｃ非杠
策划思路和创：［１１吴寿仁，李湛，王荣．世界企业孵化器发展的沿革、现状与趋势研究［］Ｊ．外国经济与管理，２０（２．０２１）２Ｐｓａａｋ．ＢｓｏｋＰａｔｅ ’ ｎｓｅｓｃｂｔｎｃＢｎＩｏ失败 ” 的优秀文化，使学生在实践中大胆创新，在团队合作【］ｕｔｍＬｌａａ ‘ｅｔｒｃｉｓｉｕｉｓｎｕａｉ：并Ｌｏｓ（ｅｔｂ）ＬａｎｄＥｐａＵｉｎ — Ｂｌｉｎｅｓｎｙｔｏｅｓｅｅ．ｕｏｅｎｎｏｒｒｅｇａ中，达到个体发展力和群体创造力的良性整合。ＰｒｓｄｎｙＩｔｒａｉｎｌＣｏｆｒｎｅｎＢｕｉｅｓｅｉｅｃｎｅｎｔｏａｎｅｅｃｏｓｎｓＣｅｔｒＡｃｏｓｎｅｓ．ｔｒ（）二发挥政府的引导作用，做好外部的催化ｏｏｍｉｏａ政府要充分做到 “ 弛有度 ” ，张在适当参与孵化器运作的ｆｒＥｃｎｏｃ＆ＳｃｉＮｏｅｅ２００１．ｖｍｂｒ同时，给予其一定的独立发展空间，并通过与外部企业的有机结【ＪａｇＳｋｅｎＪｒｍｓＯｔｒｏｎ．Ａｏｐｒｏｆ３ＳｎｕＬｅｄｅｏｅ．ｓｅｙｕｇａＣｍａｉｎｓｏ合，建立有效的创新网络，从而不断强化孵化器自身的市场性及ＣｒｔｃｌＳｕｃｓＦａｔｒｆｒＥｆｅｔｖＯｐｒｔｏｓｏＵｎｖｅｓｔｉｉａｃｅｓｃｏｓｏｆｃｉｅｅａｉｎｆｉｒｉｙ创新性。此外，政府应不断强化其外部支持与间接引导作用，在ＢｓｅｓｎｕａｏｓｎｈｎｅＳａｅｎｏｅ［］ＪｕｎｌｕｉｓｃｂｔｒｔｅｉｄｔｔｓｄｒａＪ．ｏｒａｎＩｉＵｔａＫ加强孵化器硬件条件建设，化企业的同时，孵制定相关的优惠政ｏｍｌＢｓｅｓＭｎｇｍｎ０４４（）４４６ｆＳａｕｉｓａａｅｅｔ２０２４：ｌｎ１８２．策，为新创企业的成长壮大提供便利条件。【】斌，孙莉，侯天伟．国内外大学科技园发展模式比较４曹（）三发挥孵化器的载体作用，营造良好的孵化环境研究【】Ｊ．科技管理研究，２０（）．０３５１、在孵化器内部实现孵化对象之间的交叉催化。处于孵【］寿仁，李湛，王荣．中、美、法、韩四国企业孵化器５吴化器内部的孵化对象依托外部的孵化条件实现自我催化，同时的比较研究［】上海经济研究，０５２．Ｊ．２０（）它们之间又通过协同合作，发生了交叉催化的作用，加速了孵化［】俊杰．海企业孵化器发展现状的实例研究［】上海经６唐上Ｊ．系统内部的物质、能量和信息的交换，７从而实现智力资产和济研究，２０（２．［】０６１）信息资产的共享和互补。这种竞争与合作的关系大大促进了创【】黎明，朱禾申，付春满．７赵科技企业孵化器发展探讨［］Ｊ．业团队以及内部成员的快速成长，高了其适应环境变革的能天津大学学报（提社会科学版）０９Ｉ．，２０（）力，并在竞争与合作中感悟必备的创业技能。［】灵机，黄亲国，周建设，余鑫．高校创业孵化器与创８肖２、高素质的管理团队。除了提供一般性管理咨询服务以业精神教育研究［】南昌航空工业学院学报（会科学版）Ｊ．社，外，国创业孵化器应当不断的扩大专家库，我提高管理队伍的素２０（）０５４．质，一方面满足孵化对象的专业需求，另一方面，使创业者在专家（企业家、咨询师、创业投资家等）的评定指导下学习锻炼，启发作者简介：思路，不断提高自身的管理咨询，分析决策以及融投资等创业能杜蕾（９６）女，南焦作，族，海大学管理学院企业管１８一，河汉上力。专家可以通过有针对性的提炼一些成功的案例，剖析成果的理专＿２１级在读硕士，究方向：力资源管理。，ＯＥＯ研人

ARCH族模型研究及其在沪市A股中的应用

收稿日期：２０— ０２０７１—４
作者简介：魏婷（９４，女，重庆涪陵人，在读硕士研究生，从事金融数学研究．Ｅｍａ：ｗｉｎｇ６ｑｕｅｕｏ１８一）－ｉｅｉｇＯ＠ｃｎ．．ｌｔｄｎ
维普资讯
高师理科学刊
１月
Ｊｎ２０ａ．０８
文章编号：１０ — ８１（０８ｌ０３ —４０７９３２０）０一０３０
ＡＣＲＨ族模型研究及其在沪市Ａ股中的应用
（重庆师范大学数学与计算机科学学院．重庆４０４）００７
摘要：介绍了ＡＲＣＨ模型、ＧＲＣ模型、ＥＡＡＨＧＲＣＨ模型、ＴＡＲＣ模型，分析这些模型的特Ｈ
－ｌｆ～Ｎ（，ｔｌ（３）
０∑ 三＋
ｉ＝１
其中：序列无关；Ｈ为ｒｌ＿期所获得的信息集；
ｑ）．１２ＧＣＨ（．ＡＲＰ，ｑ）型模
为的条件方差；００，，＞
０（＝，，ｉ１２ …，
Ｐ
０
＋ｆ ∑ ，三 ∑ ｆ＋ｆ二
ｉ１＝』ｌ＝
（）４
其中：Ｐ≥０ｑ ≥０；０＞０，ｉ０（ｉ１２ …， ≥ ＝，，ｑ）；ｆ０（Ｊ，２ …，）．＝１，Ｐ
当Ｐ时，ＧＲＨ（，）模型即为ＡＣ（＝０ＡＣＰｑＲＨＰ）模型，同样具有ＡＣ（ＲＨＰ）模型的特点，能模拟价格波动的集群性现象．ＧＲＨ模型的条件方差不仅是滞后残差平方的线性函数，而且是滞后条件方差的线性函数．利用ＡＣ

用ARCH模型研究中国股市的波动特征

机制和规律，为建设成熟的股票市场提供实证依据。所谓的波动聚集现象＿２］，是指来自金融市场中的时间序列数据通常具有不稳定性，在某一段时间里
会聚集出现幅度较大的波动，而在另一段时间里会聚集小幅度波动。传统的计量经济模型认为收益时问序列的样本方差是不变，但大量的实证研究表明这一假设并不合理，它无法客观准确的描述出金融市场随时间变化的这个特点Ｅ３］。Ｅｎｇｌｅ在１９８２年提出了ＡＲＣＨ模型，Ｂｏｌｌｓｅｒｌｅｖ于１９８６年提出了ＧＡＲＣＨ（Ｐ，ｑ）模型，这些模型较好地解决了条件异方差问题。ＧＡＲＣＨ模型也被称作广义自回归条件异方差模型，具
间变化的工具。以上证综合指数为对象，采用ＧＡＲＣＨ类模型对中国股市波动情况进行实证研
究，为股市收益的尖峰厚尾特点、波动的集簇性、时变性提供了实证证据，并对实证结果作了一些初步的探讨。关键词：中国股市；上证综指；波动性；ＧＡＲＣＨ族模型中图分类号：Ｆ８３２．５文献标志码：Ａ
１模
型
１．１ＡＲＣＨ模型
由均值方程和和条件方差方程所给出
Ｙ＝＋，
ｖａｒ［ｆｌＱｚ一１］＝ｈｌ：ｏ０＋０１一１＋ｒ上２ｓ一２＋… ＋口￡２一。．其中口。，， …， Ⅱ ＞０，且ｎ＋０：＋… ＋Ⅱ ＜１，～ＡＲＣＨ（ｑ），即误差项服从ｇ阶自回归条件异方

基于成交量的我国沪深股市波动性特征分析

（）ＥＡＣ模型一ＧＲＨ
（）对成交量数据的处理二本文以后所使用的模型都要求数据序列不能含有单位根以及时间趋势，所以首先要对含有固定时间趋势的成交量序列剔除时间趋势，然后对去势成交量进行单位根检验从成交量的数据来看，两市的成交量都明显的随着时间推移而逐渐上升趋势，以前的研究表明成交量序列既含有线性趋势又含有非线性趋势（ａｌｎ．ｏｓ￣Ｔｕｈｎ１９）ｃｅ２０）含有二次时间趋ＧｌａｔＲｓｉａｃｅ．９２ｈｎ（０１用势项的模型回归了成交量序列。我们这里利用ｃｅ的方法，假定ｈｎ我国股票市场的成交量同时含有线性趋势和非线性趋势，即：
击。
表１说明：ｑ和 ‘表示两市剔除时间趋势后的成交量，（，，ｃＴＫ）表示ＡＦ验是否包含常数项，时间趋势项以及滞后期Ｄ检数。ｅ：ｖｈｔ从ＡＦＤ检验结果看，两市去趋势后的成交量序列是平稳的，不含有单位根。（）砒和 “：自相关识别和残差的ＡＣ效应检验三的ＲＨ１去趋势成交量相关性识别．模型中条件方差采用了自然对数形式，意味着非负且杠杆从沪深股市去势成交量序列的自相关函数（Ｃ）偏自相关函ＡＦ和效应是指数型的。若ｇ≠０，说明信息作用非对称。当ｇ＜０时，数（ＡＦ图，并利用ＬｕｇＢｘ－ＰＣ）ｊｎ－ｏＱ统计量诊断，发现沪市和深市则认为存在杠杆效应显著，即负的冲击对波动的影响大于正的冲的去势成交量存在很强的自相关性，说明数据信息还需进一步挖ＥＡＣ模型，即指数ＧＲＨ型，由Ｎｌｏ在１９１提出。模ＧＲＨＡＣ模ｅｓｎ９年型的条件方差表达式为：

沪深股市收益率的波动性、非对称性以及溢出效应

沪深股市收益率的波动性、非对称性以及溢出效应作者：陆俞廷来源：《商情》2016年第16期【摘要】本文基于ARCH族模型，选取2007-2014年沪深股市每日收盘价格指数，对沪深股市收益率的波动性、非对称性以及溢出效应进行了研究。

研究发现，沪深股市的收益率具有显著的波动性和非对称性，通过Granger因果关系检验我们发现，沪深股市存在溢出效应，即深市的波动将会引起沪市的波动，而沪市的波动对深市的波动同样会产生显著影响。

针对中国沪深股市存在的问题，本文提出了相应的政策建议。

【关键词】ARCH族模型；波动性；非对称性；溢出效应；收益率引言1990年12月19日上海证券交易所的成立以及1991年7月3日深圳证券交易所的成立标志着中国股票市场的诞生。

中国股票市场经过将近20年的发展，已经初具规模，在优化资源配置，筹集资金和支持经济建设方面作出了巨大的贡献。

但不可否认的是，我国的股票市场与发达国家相比仍然有较大的差距，主要表现为政府对股市的过分干预、信息不对称、监管薄弱以及市场投机成分高等特点，这也导致了中国股票价格的大幅度波动和不稳定。

股票价格的波动是股市最基本的特征之一。

金融市场的有效性理论认为金融资产的价格是一种无规律的随机波动，然而，现代金融理论研究表明金融资产价格的波动不仅仅是一种随机变化，而表现出更加复杂的特性。

首先，金融资产的收益率表现出一种“尖峰厚尾”的特征。

实证研究发现，金融资产收益率，尤其是股票、证券收益率的分布显著的异于正态分布，即其偏度与峰度值均异于正态分布，偏值为非零，而峰值则大于3。

波动的群集性也是金融资产价格的一个显著的特点，金融资产的波动表现出聚类现象，即在一个较大幅度波动后面往往跟随着较大的波动，一个小幅度波动后亦跟随着较小的波动。

一、模型的设定、数据的采集与统计分析（一）模型的设定金融市场中的时间序列数据往往会表现出“波动群集”和“高峰厚尾”的特征，为了分析沪深股市收益率的波动性、非对称性以及溢出效应，我们引入ARCH族模型对资产收益率的方差进行估计。

基于ARCH模型的我国股票市场收益波动性研究

本文以我国上海证券交易所的上证综合指数为研究对象，选取１９９６年１２月２６日至２１年３月２０１１日上证综合指数的收盘价。主要由于我国涨跌停板制度在１９９６年１２月１３日发布，９６年１１９２月２６日开始实施，了避为
ＡｂｔａｔＴｉａｅｓｓＡＲＣｍｏｅｏｍａｅａｍｐｒａｎｌｓｓｏａｌｔｃｒｅａｎｎｓｒｔｎｔｏａｉｔｎｓｒｃｈｓｐｐｒｕｅＨｄｌｔｋｎｅｉｉｌａａｙｉｆｄｉｓｏｋｍａｋｔｅｒｉｇａｉａｄｉｖｌｔｉｉｃｙｏｓｌｙＣｈｎ．ＴｅａａｙｉｐｉｔｔｖｄｎｏａｉｔｎｄｉａｉｇａｉｆＳＥＣｍｐｓｔｎｅｉａｈｎｌｓｏｎｓｏｅｉｅｔｖｌｔｉｉａｌｅｒｎｓｒｔｏＳｏｏｉｅＩｄｘ，ａｄｔｕｈｎｓｓｌｙｙｎｏｎｈｓＣｉｅｅＪ
二、析模型、据和研究方法分数
现有的理论研究表明，国际股票市场日收益率的波动性具有波动聚类性、收益与风险同方向变动以及非对称性等特点，本文采用ＡＣＲＨ模型与ＧＲＨ模型的分析方法，察中国股票市场收益率波动的特点及动因。本文ＡＣ考设定基本模型为：
《贵州财经学院学报）０２年第４期２１
总第１９期５
文章编号：０６３（０２００５ — ６中图分类号：４７文献标识码：１３— ６６２１）４— ０２０；０Ｆ２；Ａ

中国股票市场价格波动非对称性效应研究

偏差是导致其对 “ 空消息”反应过度的根本原因。利关键词：波动非对称性ＥＡＣ模型ＴＲＨ型行为金融理论ＧＲＨＡｃ模
中图分类号：Ｆ３．１８０９
文献标识码：Ａ
文章编号：４－６８Ｆ（０００－０２０４１１／２１）２０４ — ３
息和 “ 空 ”消息。在有效市场状态下，金融资产股市参与者行为因素的角度，对我国股市异常波动的利价格将包含所有的历史信息，任何用于预测资产价格成因进行分析，认为非理性投资者的厌恶损失的心理走势的信息一定已经反应在资产价格中，资产未来价和对股市波动反应过度认知偏差是导致股市异常波动
格走势只与将来市场上出现的新信息有关，因此 “ 利的主要原因。
多 ”消息会带来资产价格向上的波动， “ 利空 ”信息
会带来资产价格向下的波动，且这两种消息对金融市场的影响是相对称的。然而，大量的实证研究表明，
二，ＴＲＨＡＣ模型理论ＡＣ和ＥＲＨ（）ＴＲＣＨ一Ａ模型
ｃ丫，市场假说的基础之上的，它不能对资产价格波动的非的冲击；利空消息则有一个ｏ＋的冲击。如果丫≠０，，我们说存在杠杆效应，非对称效应的这种现象进行合理的解释。因此，本文应则信息是非对称的：１＞０
作者简介ｔ杨仁美，华南理工大学经济与贸易学院数量经济学硕士研究生；王靖，华南理工大学经济与贸易学院产业经济学硕士研究生。
为研究样本，对中国股票市场价格波动的非对称效应进行了实证分析，研究表明了中国股票市场存在对信息反应的不对称，即 “ 空消息”对股票价格的冲击大于 “ 多消息”对股票价格的冲击。并进利利

我国股票价格波动非对称性分析

ｚ＝（一５２６）（６９５）
＝－
（－４０７）
（３０６３２）
Ｒ＝０．９９１６对数似然值：３３２８．７５ＡＩＣ＝－５．４２’ ＳＣ
５．４０
在ＥＡＲＣＨ模型中，。【的估计值为０．１２，非对称项ｖ的估计
均值方程：
均值方程：方差方程：
５５８＋０ ‘ ９２８）００ｓｐ，
＝
．
ｆ＿
＋
ｚ２０７０）ｚ＝ｆ４．３８１）（．６
：
．
ｌｎ（）：一０．１７＋０．１２１／５／．１ — ００３（／５，一／ａ，）＋０．９９１ｎ（ａ［）
金融视线ＩＦｉｎａｎｃｉａｌＶｉｅｗ
我国股票价格波动非对称性分析
赵怡爽山东财经大学统计学院山东济南２５ｏｏ１４
摘要：股票市场中好消息和坏消息对价格的冲击往往是不对称的。好消息对价格的冲击没有坏消息对价格冲击的
程度大。本文通过运用非对称的ＥＧＡｇＣＨ模型，对我国上证指数收盘价的非对称效应做出实证分析。关键词：非对称性；ＧＡｇＣＨ；ＥＡｇＣＨ
一
，
引言
股票市场波动研究对投资者来说是至关重要的。金融时间序列实证分析发现，波动具有集群性。在一般回归分析和时间序列分析中，通常要求随机扰动项是同方差，但金融序列随机扰动项的条件方差却是变化的，这样导致参数标准差不准确，使回归效果难以评估。Ｅｎｇｌｅ在１９８２年首次提出了条件波动，建立了自回归条件异方差模型（ＡＲＣＨ模型）。模型的主要思想是：收益率ｔ的条件方差依赖于它的前期值ｔ－１的大小。Ｂｏｌｌｅｒｓｌｅｖ在此基础上提出了广义白回归条件异方差模型（ＯＡＲＣＨ模型）。

基于非对称GARCH-MIDAS模型的上证指数波动性分析

基于非对称GARCH-MIDAS模型的上证指数波动性分析摘要：随着中国股市的进步，上证指数作为中国股市的重要指标之一，其波动性的分析对于投资者和决策者有着重要的意义。

本文基于非对称GARCH-MIDAS模型，对上证指数的波动性进行分析。

通过对过去十年的上证指数数据进行建模和猜测，我们得出了一些关于上证指数波动性的结论。

引言：随着中国资本市场的快速进步，上证指数已成为国内投资者和决策者关注的焦点之一。

了解和猜测上证指数的波动性对于投资者和决策者有着重要的意义。

传统的GARCH模型在探究上证指数波动性时，假设波动性是对称的，轻忽了波动性对不同情境的反应可能存在的非对称性。

而MIDAS（Mixed Data Sampling）模型则能够抓取到不同时间标准的数据的信息，为对上证指数波动性进行综合分析提供了有效的工具。

1. GARCH模型与MIDAS模型的理论基础1.1 GARCH模型的原理与应用1.2 MIDAS模型的原理与应用2. 数据处理与模型拟合2.1 数据来源与选择2.2 数据处理方法2.3 非对称GARCH-MIDAS模型的拟合3. 模型结果与分析3.1 GARCH模型的参数预估与统计检验3.2 非对称GARCH-MIDAS模型的参数预估与统计检验3.3 模型猜测与波动性分析4. 结果谈论与风险管理建议4.1 结果谈论：上证指数的波动性特征4.2 风险管理建议：基于波动性分析的投资策略结论：本文基于非对称GARCH-MIDAS模型对上证指数的波动性进行了综合分析。

通过对过去十年的上证指数数据建模与分析，我们发现上证指数的波动性存在非对称特征，并进行了对比分析和猜测。

这一探究为投资者和决策者提供了关于上证指数波动性的重要信息和风险管理建议。

随着金融市场的进步和全球化程度的加深，对于资产价格的波动性探究也变得越来越重要。

波动性是指资产价格在一定时间内的变动幅度，对于投资者和决策者来说，了解和猜测资产价格的波动性对于制定合理的投资策略和风险管理分外关键。

沪市股指收益率及波动性研究

沪市股指收益率及波动性研究应用自回归条件异方差(ARCH)模型对上海股市在2007年4月27日至2008年4月28日股指日对数收益率进行建模分析：结果反映沪市股指收益率具有明显的波动聚集性和尖峰厚尾的特征；均值模型适合ARMA过程，且不符合股市弱有效的特征，回归模型具备预测能力；无条件期望收益率不受到当期风险的影响；条件方差具有明显的非对称性和杠杆效应。

标签：条件异方差；股市弱有效；非对称性；波动率1 引言股票市场价格的波动性主要体现在未来价格偏离期望值的可能性，其中对期望价格的偏离有价格上涨的上偏离和价格下跌的负偏离。

股票的波动性代表了其未来价格的不确定性，这种不确定性一般用收益率的方差或标准差来刻画。

股票波动率的一个特殊性是它不能被直接观测，尽管如此，波动率的一些特征往往是在资产收益率序列中能看到。

首先，存在波动率聚类。

第二，波动率以连续方式随时间变化，即波动率跳跃是很少见的。

第三，实证结果呈现收益的经验分布显著不同于独立正态同分布，表现为尖峰厚尾特征。

第四，波动率不发散到无穷，即波动率是在固定的范围内变化。

从统计角度说，这意味着波动率往往是平稳的。

第五，波动率对价格的大幅上升和价格大幅下降的反应不同，称为“杠杆效应”。

2 数据描述构造收益率序列的方法是对股票市场价格取对数，然后做一次差分。

2.1 收益率{Rt}的正态分布检验{Rt}序列的261个观察值的均值为0.000253，样本方差为0.024452。

收益率序列的偏度为-0.5015——呈现负偏态，有一个较长的左尾，即出现极端正收益率的概率要大于出现极端负收益率的可能性。

峰度大于3——呈现尖峰厚尾，表明收益率出现异常值的概率要大于正态分布时的概率。

JB统计量的先验概率为0%，拒绝原假设：序列满足正态分布。

不满足正态分布、呈现尖峰厚尾，初步表明：序列可能存在异常值成群出现的现象。

2.2 收益率{Rt}的平稳性检验序列{Rt}在水平值下进行单位根检验，ADF值为-15.67，而在1%的水平下临界值为-3.46，所以在1%的显著性水平下拒绝原假设：存在单位根，即{Rt}序列是平稳的。

中国股市波动的非对称性研究

中国股市波动的非对称性研究近年来，中国股市的波动一直是学术界和投资者关注的焦点。

对于股市波动的研究，学者们一直致力于探索其非对称性。

非对称性是指股市在上涨和下跌过程中的波动幅度不一致，即当市场上涨时，波动幅度较小，而当市场下跌时，波动幅度较大。

本文将对中国股市波动的非对称性进行研究。

首先，中国股市波动的非对称性可以从市场情绪角度解释。

根据行为金融学的理论，投资者在面对利好消息时更加乐观，容易导致市场上涨，而在面对利空消息时更加悲观，容易导致市场下跌。

因此，当市场上涨时，投资者的情绪较为积极，对市场的波动有一定的抑制作用；而当市场下跌时，投资者的情绪较为消极，对市场的波动有一定的放大作用。

其次，中国股市波动的非对称性还可以从资金流动角度解释。

在中国股市中，个人投资者占据了相当大的比例，其中包括许多散户投资者。

这些散户投资者在市场上涨时倾向于追涨杀跌，追逐热门品种，导致市场上涨的幅度相对较小；而在市场下跌时，散户投资者更容易恐慌抛售，导致市场下跌的幅度相对较大。

此外，中国股市波动的非对称性还可以从市场机制角度解释。

中国股市采用了涨跌停板机制，即当股价涨跌幅达到一定限制时，停止交易，导致市场上涨或下跌的幅度受到限制。

当市场上涨时，涨停板的限制导致波动幅度较小；而当市场下跌时，跌停板的限制对波动幅度的放大起到了一定的作用。

综上所述，中国股市波动的非对称性可以从市场情绪、资金流动和市场机制角度进行解释。

这些因素相互作用，共同影响着股市的波动。

研究股市波动的非对称性有助于投资者更好地理解市场行为，制定更为合理的投资策略。

然而，需要注意的是，股市波动的非对称性是一个复杂的问题，还有许多其他因素需要进一步研究和探索。

基于不同分布的股指波动非对称性实证分析

ＹＡｏＹｕａｎ
（ｎａｎｖｒｉｙ，ＫａｆｎＨｅｎＵｉｅｓｔｉｅｇ，Ｈｅａｎｎ，Ｃｈｉｎａ）
Ａｂｔａｔｎｔｉｐｐｒｓｒｃ：Ｉｈｓａｅ，ＴｈｅＡＲＭＡ— ＧＡＲＣＨ、ＡＲＭＡ— ＧＡＲＣＨｎＥａｄＡＲＭＡ— ＴＡＲＣＨｄｌｎｍｏｅ — ｕ
ｓｏｋｒｔｒａｅ）ｉｈａｉｍｋｌｏｄｎｒｎｒｎｉｌｓｏＣ，ＡＲＭＡ— ｔｃｅｕｎｒｔ；２ｎｔｅＭｘｍｕＬｉｅｉｏｏｍｓａｄｐｉｃｐｅｆＡＩｈＥＧＡＲＣＨｓｉ
第６第６期卷２００９年６月
管
理
学
报
Ｖｏ１６ＮＯ．．６
ＣｈｎｓｏｒａｆａａｅｎｉｅｅＪｕｎｌｎｇｍｅｔｏＭ
Ｊｎ２０ｕ．０９
基于不同分布的股指波动非对称性实证分析
彩已远
ＧＩｏＳＴＥＮ等、ＮＥＬＳＯＮ和ＺＡＫＯＩＡＮ【对
的波动率不能被直接观测，是它的一些特征但在收益率序列中是可以看到的：存在波动聚 ①
类，波动可能在一段时间高，在另一段时间即而
数的日收益率波动性进行实证分析。结果显示：沪深２市股指日收益率都存在着波动非对称性；极大似然准则和ＡＩ原则下，最好地描述中国Ａ股市场指数波动的模型为ＡＲ在Ｃ能ＭＡ—

非对称随机波动模型的有效估计方法及沪深股市的应用研究

2008年数量经济学年会·宁波第1组计量经济理论与方法非对称随机波动模型的有效估计方法及沪深股市的应用研究郑挺国刘金全(吉林大学数量经济研究中心，130012)内容摘要：非对称随机波动(SV)模型是当前金融计量学研究的一个重要课题。

本文在Yu (2005)的非对称SV模型设定下，按照Kim et al. (1998)对SV模型进行对数平方转换，给出了一种基于扩展Kalman滤波和前向滤波、后向抽样(FFBS)算法的马尔科夫链蒙特卡罗(MCMC)估计方法。

为考察该MCMC估计方法的有限样本性质，本文构建了随机模拟实验，结果表明杠杆效应系数模拟结果与Yu (2005)及Kawakatsu (2007)的模拟结果相似，且明显优于Jacquier et al. (2004)的模拟结果，其余参数的模拟结果随样本长度变大趋于真实值。

最后，我们对我国沪深股市收益率进行了应用研究，证实了该估计方法的有效性、准确性，并获得了存在杠杆效应的经验证据。

关键词：非对称SV模型；杠杆效应；MCMC估计；FFBS算法；扩展Kalman滤波作者简介：郑挺国，男，1979年6月，吉林大学数量经济学专业博士研究生，已在《China Economic Review》、《Frontiers of Economics in China》、《经济研究》、《管理世界》和《世界经济》等国内外经济学杂志上发表学术论文18篇。

Email信箱：jluztg@或zhengtg1979@。

通讯地址：吉林省长春市前进大街2699号，吉林大学数量经济研究中心，邮编130012。

刘金全，男，1964年6月，博士，吉林大学数量经济学专业教授、博士生导师，已在《Frontiers of Economics in China》、《中国社会科学》、《经济研究》、《管理世界》和《世界经济》等国内外经济学杂志上发表学术论文100多篇。

Email信箱：jluztg@或zhengtg1979@。