中国股票市场波动非对称性特征研究
股票市场波动非对称性的实证研究
３ ＨＵ ＋Ｉ Ｆ Ｉ Ｙ ＂ Ｔ ｔＣ ４ Ｒｔ Ｉ ： ） ＋ ｔ
Ｒ 是 每 日股票 收益 率 ；ＵＥ 、 Ｄ 、 ｌ Ｔ ｔＷＥ ｔ
验 残 差 的 异 方 差 Ｔ Ｕ 、 ＲＩ是 虚拟 变量 ， ＵＥ 是在 一个 Ｈ ｔＦ ｔ Ｔ ｔ
性， 若存 在 异方 差 序列 ， 在周 二时对 应 的变量 是 １ 其 他都 ， ， Ｄ 在周三 时对应 的变量是 １其 ， 性 ， 进一 步拟 和 为 ０ＷＥ ｔ 则
好消息对波 动的影响更大 。最 的 杰 出的研 究 成 果 而获 得 了 且在 与相同大小 的利 好消息相
后从投资者结构 、心理和交易 ２０ 年 度的诺 贝尔经济 学奖 。 比．利空消息对波动性 的影响 ０３ 机制等方 面解 释这种现象 ，
一
一
Ｚｋ ｉ ａｏａ （ ９ ） 和 ｎ Ｉ ４ ９
而 对 股 市 收 益 率 做 中国股 市的 日收益率不服从正态分布 ，
出 描 述 性 统 计 分 传统 的线 形 回归模 型又以独立 同方 差为
析， 分析 收益 率序 前 提 ， 因此普通线性 回归模 型不适合本文
在研究上海 和深圳股市收益率是 列 的特点 ， 后分 的研究。 然
必须根据收益率 自身 离周 内效应 ， 之后 否存在周 内效应时 ，
不相同。本文 针对我国上海股 ｄ ｎｌ Ｈ ｔｏ ｋｄｓ ｅ 和 称性 ，国外许多学 者提出各种 ｃａ ｅ ｒ ｅ ａｆ ｉ ｅｓ ｉ啪
票市场嫒动 的非 对称性展开深 Ｇ Ｒ Ｈ（ｅ ｅ 】 ｄ Ｒ Ｉ模 型 模 型对 世界备个金 融市场进行 Ａ Ｃ Ｇ ｎｒ ｃ ｛ ａ Ａ １
ｅ ｎ１９ 测 ｓ Ｇ ＲＨ 应 Ｇ Ｒ Ｈ模型对 上海 也反应 金融贤产 （ 如股票 ） 价格 Ｎａｏ（９ １ 提出了 Ｅ Ａ Ｃ 象 ． 用 Ｅ Ａ ｃ
上海股票市场波动的非对称性和杠杆效应研究
金 融 市 场 的波 动 性 受 到 众 多 学 者 和 从 业 者 的 极 大
关 注 。Ｅ ｇｅ （ ９ ２ 和 Ｂｏｌｒｌｖ （ ９ ６ 先 后 提 出 ｎｌ １８） ｌ ｓｅ １ ８ ） ｅ
响 ，其 研 究 具 有 一 定 局 限性 。 魏娜 （０ ６ ２ ０ ）通 过 对 深
和 坏 消 息 的非 对 称 信 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 速 ，因 此 被 称 为 “ 杆 效 应 ” Ｚ ｋ ｉ （ ９ ０ 以 及 Ｇ ｏｔ 、Ｊ— 杠 。 ａｏａ １９ ） ｎ ｌｓ ｎ ａ ｅ ｇｎ ｈｎ ｕ ｌｅ （９ ３ 在 Ａ Ｃ 模 型 的 基 础 上 提 ａ￣ ａ 、Ｒ ｎ ｄ １９ ） Ｒ Ｈ
上 海 股 票 市 场 波 动 的 非 对 称 性 和 杠 杆 效 应 研 究
闰 涛 孙 涛
（ 南京航 空航 天大 学经 济与 管们 对股 票 市场 波 动 “ 利好 ” “ 坏 ”消 息 反应 程度 的不 同 ，本 文利 用 国外 证 券市 场 比较 成熟 的 利 非 对称 Ａ Ｈ族 理 论 ，对 我 国上 海股 票 市场 建 立 了 ＡＲ Ｈ、Ｔ Ｃ ＲＣ Ｃ ＡＲ Ｈ、Ｅ ＲＣ ＧＡ Ｈ模 型进 行 实证 检 验 分 析 ，得 出上 海 股票 市场 的波 动具有 非对 称性 和杠 杆效 应 ，坏消 息会 导致 比好 消息更 大 波动性 的结 论 。
沪 深 股 市 收 益 率 之 间存 在 较 强 相 关 性 并 且 都 存 在 显 著 的风 险 溢 价 ，波 动 性 则 表 现 出 非 对 称 的溢 出效 应 。陆
中国股票市场的信息反应曲线和股票价格波动的非对称性
金融 时间序列 的大量计量 研 究都 在关 注 资产
收 益 率 序 列 的 动 态 特 征 和 随 机 波 动 性 。 由 于 通 ’
在 我 国股 票 市 场 的运 行 中 ， 否 也存 在 市场 是 消息 或 者市 场 冲击对 股票 收益 率 波动 性作 用 的非
对 称 性 呢 ？ 目前 的 一 些 研 究 对 此 尚 未 给 出 比 较 明
维普资讯 ຫໍສະໝຸດ 第 ３卷第 ３ 期 ２０ ０ ６年 ５月
Ｖｏ ． ． １ ３ Ｎｏ ３
Ｍ ａｖ ２０ ０６
中国股票市场 的信息反应 曲线和 股票价格 波动 的非对称性
刘金 全 于 冬 崔 畅
（ 吉林 大 学数量 经济研 究 中心）
摘要 ： 股票价格波动对 于市场信息的反应过程具有 非对称性 。 通过利用 多种 非对称性ＧＡＲ Ｈ Ｃ 模 型， 述和检 验 了沪市股 票 日收益 率序 列的条件波动 性 ， 描 并通 过对股 票 市场信 息影响 曲线 的分 析， 发现 沪市股票价格波动 中存在 显著 的非对称性反应 。 这说 明股市波动对于不 同的政 策干预和信 息冲击具有 不 同程度 的反应 ， 利好 消息” “ 对股 市的刺 激作用仍然 需要 其他市场干预 的配合 才能发 挥 出来 。
关键词 ： 波动性 ； 非对称 性 ； ＧＡＲＣ 模型 ； Ｈ 信息影响曲线
中图分类 号 ： ２ ４ ０ Ｆ ２ ． 文献标识码 ： Ａ 文章编号 ：６ ２ ８ ２ ０ ）３ ２ ２ ４ １ ７ —８ ４ ｘ（ ０ ６ ０ —０ ６ —０
Ｉ ｏｒ ａ ｉ ｎ Ｒ ｅ ｐ ｓ ｕ ｖ ｓ ａ ｄ Ｉｓ Ａｓ ｍ ｍ ｅ ｒ ｆＳｔ ｋ Ｐｒｃ ｕ ｔ ａ ｉ ｎ ｉ ｎｆ ｍ ｔｏ ｓ ｏｎ ｅ Ｃ ｒ ｅ ｎ ｔ ｙ ｔ ｙ ｏ ｏｃ ｉ ｅ Ｆｌ ｃ ｕ ｔｏ ｎ Ｃｈｉ ｏ ｋ Ｍ ａ ｋｅ ｓ ｎａ Ｓｔ ｃ ｒ ｔ
我国股票市场非线性特征的检验与分形验证
我国股票市场非线性特征的检验与分形验证梁秋霞葛腾飞金道政摘要：长期以来，资本市场理论一直为线性范式所主宰，市场被认为是静态的、均衡的、有效的。
然而随着一些异常现象的出现和非线性理论的发展，人们开始逐渐认识到线性范式的缺陷和失灵，非线性的理论和方法正在成为资本市场研究方法的主角。
本文先对我国股票市场的非线性特征进行定性分析，然后通过实证检验说明我国股票市场不服从传统理论假定的正态分布，最后验证我国股票市场具有分形特征。
关键词：非线性；正态分布；分形特征一、问题的提出有效市场理论(EMH)一直在股票市场研究领域占据着主导地位。
有效市场理论认为股票市场上股票价格在各交易日的收益是彼此独立的，价格变动过程是一个随机游走过程，其概率分布服从正态分布]1[。
建立在有效市场理论基础之上的传统经典资本市场理论：马柯威茨的均值——方差模型、资本资产定价模型(CAPM)、套利定价模型(APT)、Black-Scholes期权定价模型(OPM)等都依赖于以下几个核心假设：理性投资者、有效市场、随机游动。
其特点是对正态分布及有限方差的存在有着很强的依赖，即特别强调序列独立（不相关）。
然而股票市场的参与者不一定在任何时候都回避风险，市场也不是一直井然有序，如“季节效应”和“小公司效应”的普遍存在，在实际生活中人们往往以一种非线性方式对信息做出反应。
这表明股票市场收益率正态分布假说和有效市场假定的失效。
本文先对我国股票市场的非线性特征进行定性分析，然后通过对上证综指和深圳成指日收益率、周收益率、月收益率的基本统计量、J-B和K-S检验、直方图与正态分布的拟合、正态性检验的P-P图等角度进行检验，说明我国股票市场不服从正态分布，最后通过R/S分析方法验证我国股票市场具有分形特征。
二、我国股票市场非线性特征的定性分析传统股票市场理论认为股票市场是一个均衡的线性系统。
当没有外生变量因素的影响时，股票市场的价格不会发生变动；在受到扰动时，股票的价格将偏离均衡产生相应的变动。
中国股市流动性风险的非对称效应分析
由于风 险表 现 为一 种 不确 定 性 ， 动 率 能够 很 波
好地 对其进 行描 绘 ， 因此 ， 流动 性 风险 的估计可 以 对 通过波 动率 的计 量 来 实 现 。 已有 的研 究 共 识 是 ， 很 多金 融变量 例 如股票 收益率 等 的波动 率存 在条件 异 方差性 和波 动聚 集性 （ ｌ ｉｔ ｌｓ ｒ ｇ ， 且 往 Ｖｏ ｔｉ Ｃ ｕｔ ｉ ） 并 ａ ｌｙ ｅｎ 往 还伴 随一种 非对 称 效 应 ， 即 正 负 扰 动对 变 量 冲 也
击 是 不一样 的 。非对称 效应最 初 是在研 究 资本市 场
的资产 收益率 运 动 中被 认 识 到 的 ］表 现 为 收益 ， 率 的条 件方 差对股 价下跌 的反 应 比对股 价上 升 的反
应更 加剧 烈 ， 已被广 泛 认 为 是金 融 资产 价 格行 为 其
的一 个事 实特 征 。
的动 态演变规 律 ， 能有效 地 防范 和管理 风险 ， 机 才 对
Ｅ Ｒ 型 （ 数 Ｇ ＡＣ 、 Ａ Ｈ 模 型 （ ＧＡ Ｃ 指 Ｒ Ｈ） ＱＧ ＲＣ 二 次 式 Ｇ Ｃ ）以 及 ＨＧ Ｃ 模 型 （ 方 差 ＡＲ Ｈ ＡＲ Ｈ 异
Ｇ ＲＣ 。就 现 有 的 研 究 结 果 来 看 ， 般 地 认 为 ， Ａ Ｈ） 一
于没考 虑方差 的时 变性 ， 而其 预 测 的 有效 性 大 打 因
折扣 ， 而动 态 估 计 方 法 可 以极 大 地 弥 补 此 种 缺 陷 。 尽管对 市场 流动 性 的 日内模 式 、 效应 等 已有 相 关 周 的研究 成果 ， 门针 对 流 动 性 风 险进 行 动 态研 究 的 专 文献却 不多 见 ， 文是 对该 领域 的一个 有益 补充 。 本 动态地研 究 流动性 风 险的演 变特征 对 中 国的股
中国股票市场羊群效应的非对称性研究
经济观察２０２３年第２期中国股票市场羊群效应的非对称性研究崔海蓉㊀李㊀铭㊀储小俊摘㊀要羊群效应扩大了股市的涨跌幅，加剧了股市波动，降低了市场有效性，准确识别股市中的羊群行为对稳定金融市场，防范系统性金融风险具有重要意义㊂基于ＣＣＫ模型研究上证５０指数成分股中的羊群效应，着重分析上涨和下跌两种不同市场状态下羊群效应的非对称性，以及市场情绪和新冠疫情对羊群效应的非对称性影响，研究发现，上证５０指数成分股中存在显著的羊群效应，且这种羊群效应具有非对称性；在上涨市场和下跌市场中羊群效应的表现是不同的，当市场处于下跌状态时，羊群效应更强；相对于上涨市场，在下跌市场中市场情绪和新冠疫情对羊群效应的影响更大，积极的市场情绪会增强羊群效应，而新冠疫情则减弱了羊群效应㊂关键词羊群效应㊀中国股票市场㊀市场情绪㊀新冠肺炎疫情㊀ＣＳＡＤ㊀ＣＣＫ模型作者简介：崔海蓉，管理学博士，南京信息工程大学管理工程学院副教授；李铭，南京信息工程大学管理工程学院硕士研究生；储小俊，管理学博士，南京信息工程大学管理工程学院教授㊂基金项目：江苏高校哲学社会科学研究重点项目 投资者情绪高频指数的构建及其对股价崩盘影响研究 （２０１８ＳＪＺＤＩ０７１）；江苏省社会科学基金项目 基于大数据的股市系统性崩盘风险监测预警研究 （１８ＧＬＢ００１）；江苏省高校哲学社会科学基金项目 基于互联网金融框架的科技金融创新与发展机制研究 （２０１９ＳＪＡ０１５３）①ＳｕｓｈｉｌＢｉｋｈｃｈａｎｄａｎｉ，ＤａｖｉｄＨｉｒｓｈｌｅｉｆｅｒ，ＩｖｏＷｅｌｃｈ， Ａｔｈｅｏｒｙｏｆｆａｄｓ，ｆａｓｈｉｏｎ，ｃｕｓｔｏｍ，ａｎｄｃｕｌｔｕｒａｌｃｈａｎｇｅａｓｉｎｆｏｒｍａｔｉｏｎａｌｃａｓｃａｄｅｓ ，ＪｏｕｒｎａｌｏｆＰｏｌｉｔｉｃａｌＥｃｏｎｏｍｙ，ｖｏｌ．１００，ｎｏ．５（１９９２）．㊀㊀一㊁引㊀言当投资者观察到之前市场参与者的行为后，放弃私有信息并跟随先行者的行为被称为羊群行为或羊群效应㊂羊群行为是一种特殊的非理性行为，①它会导致市场价格扭曲㊁系统性风险增加等问题，已经成为中国金融监管的一大难题㊂中国股票市场具有显著的羊群效应㊂一方面，中国股市虽然已经运行３０多年，但与发达国家的成熟市场相比，投资者仍以散户为主，个人投资者成交量占比高达８２％，这种３２１阅江学刊２０２３年第２期以散户为主的投资者结构正是导致中国股市羊群效应显著的重要原因㊂另一方面，中国股市在设立之初就肩负着作为股份制改革配套措施的使命，在后来的发展过程中，由于担忧急涨急跌带来的负面社会影响，部分媒体和管理部门干预股市运行，使投资者认识到中国股市具有明显的政策市特征，这加速了投资者一致投资行为的形成，进而导致羊群效应㊂中国股市的发展历程表明，散户热衷于跟风和利用短期趋势预测未来市场走势，股价暴涨暴跌，市场熊长牛短㊂任泽平等指出，羊群行为不仅会引起股价暴涨暴跌，引发泡沫，使市场运行效率低下，而且也会使市场系统性风险不断增大㊂①２０２１年中央经济工作会议针对如何正确认识和把握防范化解重大风险问题提出，化解风险要有充足资源，要广泛配合，完善金融风险处置机制㊂②在此背景下，深入探讨中国股市羊群效应的特征和影响因素，有助于化解因羊群效应引发的重大市场风险，进而维护市场稳定㊂对羊群效应的早期研究主要关注其存在性问题㊂ＷｉｌｌｉａｍＧ．Ｃｈｒｉｓｔｉｅ等认为，在发达国家尤其是美国股票市场不存在明显的羊群行为，但在新兴市场中存在显著的羊群行为㊂③中国股市作为新兴市场的代表，存在显著的羊群行为，④中国股票分析师和基金经理均表现出羊群行为，⑤机构投资者的羊群行为比个人投资者的羊群行为更强㊂⑥近年来，羊群效应的影响因素研究受到学界的关注㊂现有文献表明，市场类型㊁公司规模㊁公司产权性质㊁市场的涨跌波动等因素都会对Ａ股市场羊群效应产生影响㊂比如公司 财务因子 ⑦能够抑制股票市场羊群行为㊂值得注意的是，在不同情形下羊群效应的强度存在差异，换句话说就是一些因素如市场高波动和低波动等对羊群效应的影响具有非对称性㊂郑挺国等发现Ａ股羊群效应在高波动区制下更强，⑧顾荣宝等证实深圳股市下跌时的羊群效应强于上涨时的羊群效应㊂⑨但是上述羊群效应的非对称性研究通常基于Ａ股或Ｂ股市场，对其他类型市场或子市场中羊群效应非对称性的研究尚不充分㊂考虑到市场类型也可能对羊群效应产生非对称影响，比如上证超大盘和央企市场存在羊群４２１①②③④⑤⑥⑦⑧⑨任泽平㊁马图南㊁黄思佳：‘Ａ股如何从暴涨暴跌到慢牛长牛？ 中美股市对比“，ｈｔｔｐｓ：／／ｗｗｗ．ｄｊｙａｎｂａｏ．ｃｏｍ／ｐｒｅｖｉｅｗ／２５７６４３７？ｆｒｏｍ＝ｓｅａｒｃｈ＿ｌｉｓｔ㊂邹伟㊁韩洁：‘运筹帷幄定基调，步调一致向前进 二ʻ二一年中央经济工作会议侧记“，‘人民日报“，２０２１年１２月１２日㊂ＷｉｌｌｉａｍＧ．Ｃｈｒｉｓｔｉｅ，ＲｏｇｅｒＤ．Ｈｕａｎｇ， Ｆｏｌｌｏｗｉｎｇｔｈｅｐｉｅｄｐｉｐｅｒ：Ｄｏｉｎｄｉｖｉｄｕａｌｒｅｔｕｒｎｓｈｅｒｄａｒｏｕｎｄｔｈｅｍａｒｋｅｔ？ ，ＦｉｎａｎｃｉａｌＡｎａｌｙｓｔｓＪｏｕｒｎａｌ，ｖｏｌ．５１，ｎｏ．４（１９９５）．刘湘云㊁张应㊁林岚：‘Ａ股与Ｂ股跨市场羊群效应：基于ＣＣＫ模型的实证检验“，‘金融理论与实践“，２０１４年第８期㊂朱菲菲㊁李惠璇㊁徐建国等：‘短期羊群行为的影响因素与价格效应 基于高频数据的实证检验“，‘金融研究“，２０１９年第７期㊂张大永㊁刘倩㊁姬强：‘股票分析师的羊群行为对公司股价同步性的影响分析“，‘中国管理科学“，２０２１年第５期㊂黄诒蓉㊁白羽轩：‘网络传染是 真羊群 还是 伪羊群 ？ 网络传染程度对资本市场定价效率的影响“，‘中国管理科学“，２０２１年第９期㊂姚禄仕㊁吴宁宁：‘基于ＬＳＶ模型的机构与个人羊群行为研究“，‘中国管理科学“，２０１８年第７期㊂杨明高㊁尹亚华㊁刘荣芹：‘羊群效应的异质性研究 基于财务因子与非线性结构的面板实证“，‘财经科学“，２０１９年第９期㊂郑挺国㊁葛厚逸：‘中国股市羊群效应的区制转移时变性研究“，‘金融研究“，２０２１年第３期㊂顾荣宝㊁蒋科学：‘深圳股票市场的羊群行为及其演化 基于一个改进的ＣＣＫ模型“，‘南方经济“，２０１２年第１０期㊂经济观察行为，小规模企业和民营企业市场不存在羊群行为㊂①因此，即使Ａ股或Ｂ股市场的羊群效应得到证实，在其他类型市场或子市场中羊群效应的强度及影响因素仍然值得研究㊂根据上海证券交易所２０２１年发布的公告，以大盘蓝筹股为主的上证５０指数成分股的市值在沪深股市总市值中的占比为４１．７３％，在Ａ股市场中占据重要地位㊂研究上证５０指数成分股的羊群效应，一方面能够深入了解中国大盘蓝筹股股市羊群效应的特性，另一方面对于应对羊群效应的不利影响具有一定参考价值㊂鉴于此，本文研究上证５０指数成分股中的羊群效应，并分析了市场情绪和新冠疫情对羊群效应的非对称性影响㊂后文的安排如下：第二部分为实证模型，第三部分为数据及描述性统计，第四部分为实证结果分析，第五部分为结论和政策建议㊂㊀㊀二、实证模型㊀㊀（一）羊群行为的测度现有研究主要采用ＣＨ模型和ＣＣＫ模型来检验羊群效应㊂ＣＨ模型由ＷｉｌｌｉａｍＧ．Ｃｈｒｉｓｔｉｅ等提出，②主要用于测度极端市场情形下的羊群行为㊂该模型利用股票收益的横截面标准差（ＣＳＳＤ）来衡量股票市场的羊群行为，但是ＣＳＳＤ指标存在一定的局限性，其前提条件是在考察期内股价有大幅波动，因此在市场平静期ＣＳＳＤ很可能不能有效测度羊群行为㊂③在ＣＨ模型的基础上，ＥｒｉｃＣ．Ｃｈａｎｇ等提出用收益的横截面绝对偏差（ＣＳＡＤ）来衡量羊群行为，④具体计算公式如下：ＣＳＡＤｔ＝１ＮðＮｉ＝１Ｒｉ，ｔ－Ｒｍ，ｔ（１）其中，ＣＳＡＤｔ表示市场在ｔ日收益的横截面绝对偏差，Ｒｉ，ｔ是股票ｉ在ｔ日的收益，Ｒｍ，ｔ是市场在ｔ日的平均收益，Ｎ表示市场的个股数量㊂与收益的横截面绝对偏差对应的羊群效应测度模型称为ＣＣＫ模型：ＣＳＡＤｔ＝α＋γ１Ｒｍ，ｔ＋γ２Ｒ２ｍ，ｔ＋εｔ（２）其中，α㊁γ１㊁γ２为模型参数，εｔ为随机扰动㊂在资本资产定价模型（ＣＡＰＭ）的框架下，ＥｒｉｃＣ．Ｃｈａｎｇ等通过理论推导发现，ＣＳＡＤｔ随着市场收益（Ｒｍ，ｔ）的增加而线性增加㊂但是，如果市场存在羊群行为，个股收益率与市场收益率将趋于一致，即ＣＳＡＤｔ与市场收益的关系将由线性增加转变为非线性增加；如果市场的羊群行为显著，ＣＳＡＤｔ将随着市场收益的增加而下降㊂因此，常用γ２显著为负作为市场上存在明显羊群效应的判断条件㊂相比于ＣＨ模型，ＣＣＫ模型能够测度各种市场收益分布下的羊群效应㊂此外，ＣＣＫ模型还引入了非线性项（Ｒ２ｍ，ｔ）来捕捉羊群行为，这使得ＣＣＫ模型能够充分考虑市场收益的５２１①②③④袁军：‘中国Ａ股市场羊群行为的实证分析“，‘金融理论与实践“，２０２０年第２期㊂ＷｉｌｌｉａｍＧ．Ｃｈｒｉｓｔｉｅ，ＲｏｇｅｒＤ．Ｈｕａｎｇ， Ｆｏｌｌｏｗｉｎｇｔｈｅｐｉｅｄｐｉｐｅｒ：Ｄｏｉｎｄｉｖｉｄｕａｌｒｅｔｕｒｎｓｈｅｒｄａｒｏｕｎｄｔｈｅｍａｒｋｅｔ？ ，ＦｉｎａｎｃｉａｌＡｎａｌｙｓｔｓＪｏｕｒｎａｌ，ｖｏｌ．５１，ｎｏ．４（１９９５）．程子悦㊁巴曙松：‘股市羊群行为的ＣＳＡＤ指标的探究与应用“，‘金融理论与实践“，２０２１年第１１期㊂ＥｒｉｃＣ．Ｃｈａｎｇ，ＪｏｓｅｐｈＷ．Ｃｈｅｎｇ，ＡｊａｙＫｈｏｒａｎａ， Ａｎｅｘａｍｉｎａｔｉｏｎｏｆｈｅｒｄｂｅｈａｖｉｏｒｉｎｅｑｕｉｔｙｍａｒｋｅｔｓ：Ａｎｉｎｔｅｒｎａｔｉｏｎａｌｐｅｒｓｐｅｃｔｉｖｅ ，ＪｏｕｒｎａｌｏｆＢａｎｋｉｎｇ＆Ｆｉｎａｎｃｅ，ｖｏｌ．２４，ｎｏ．１０（２０００）．阅江学刊２０２３年第２期离差与收益的共同运动（Ｃｏ－ｍｏｖｅｍｅｎｔ），因而更加灵活㊁准确㊂因此，本文采用ＣＣＫ模型来检验羊群效应㊂㊀㊀（二）上涨和下跌两种市场状态下羊群行为的测度在不同市场状态下，羊群行为可能存在非对称性，即羊群效应的强度存在差异㊂比如，在上涨市场和交易量高时，Ａ股与Ｂ股跨市场中的羊群效应强度更大㊂①因此，有必要研究羊群行为在上涨和下跌两种市场状态下的差异㊂当Ｒｍ，ｔȡ０时，将相应的市场定义为上涨市场；当Ｒｍ，ｔ＜０时，将相应的市场定义为下跌市场㊂为研究不同市场涨跌状态下羊群效应的差异性，将模型（２）拆分为上涨市场下的模型（３）和下跌市场下的模型（４）：ＣＳＡＤＵｔ＝α＋γＵ１Ｒｍ，ｔ＋γＵ２Ｒ２ｍ，ｔ＋εｔ（３）ＣＳＡＤＤｔ＝α＋γＤ１Ｒｍ，ｔ＋γＤ２Ｒ２ｍ，ｔ＋εｔ（４）系数γＵ２（γＤ２）显著为负就表明上涨市场（下跌市场）中存在明显的羊群效应，并且当γＵ２（γＤ２）的值越小时，个股收益和市场收益的离散程度越小，羊群效应越强㊂γＵ２与γＤ２的大小关系反映了上涨市场与下跌市场之间羊群行为强度存在的差异，进而反映了羊群效应的非对称性㊂若γＵ２小于γＤ２，则上涨市场的羊群效应更强；反之，下跌市场的羊群效应更强㊂㊀㊀（三）市场情绪对羊群行为的影响羊群行为是一种特殊的非理性行为，容易受到投资者情绪影响㊂因而在模型（２）㊁模型（３）和模型（４）中引入市场情绪指标，研究市场情绪对上证５０指数成分股羊群行为的影响㊂市场情绪指标的构建方式主要分为两类㊂一类是直接法，即采用问卷调查方式对市场情绪进行调研，直接获取投资者对未来市场行情的预期；另一类是间接法，即以金融市场产生的客观数据作为情绪的替代指标㊂郑瑶等借助文本挖掘技术，从东方财富网股吧中提取情绪关键词构建投资者情绪指标，发现Ａ股市场中前期的悲观情绪会增强当期的羊群效应㊂②贾丽娜等和张本照等均构建复合情绪指标，证实投资者情绪会对基金羊群效应产生影响㊂③但是，这些基于股市基本面构建情绪指标的方法均存在计算复杂㊁时效性差等缺陷㊂随着信息技术的发展，不同类型资本市场（如衍生品市场和现货市场）之间的信息传递和扩散现象加剧，联动性增强㊂期权市场作为衍生品市场的一个重要组成部分，其隐含信息具有前瞻性，这一本质特征决定了期权价格能够反映市场参与者对标的资产价格的预期㊂所以，期权隐含信息在满足客观性的同时还具有一定的前瞻性，如果能够有效利用期权的这一特征，就可以提升市场情绪代理指标的质量㊂ＪｉａｎｐｉｎｇＬｉ等研究表明，当投资者在股票市场中获得与某一事件有关的积极信息时，对看涨期权的需求就会增加，这将导致期权市场中看涨期权的价格相对于看跌期权被高６２１①②③刘湘云㊁张应㊁林岚：‘Ａ股与Ｂ股跨市场羊群效应：基于ＣＣＫ模型的实证检验“，‘金融理论与实践“，２０１４年第８期㊂郑瑶㊁董大勇㊁朱宏泉：‘谁更能解释股市羊群效应：信息传播还是投资者情绪？“，‘数学的实践与认识“，２０１６年第１１期㊂贾丽娜㊁扈文秀：‘投资者情绪对基金羊群效应的影响研究“，‘运筹与管理“，２０１３年第６期㊂张本照㊁李邦国㊁李国栋：‘经济政策不确定性㊁投资者情绪与基金羊群效应“，‘上海金融“，２０２１年第２期㊂经济观察估，从而使得看涨期权的隐含波动率高于看跌期权的隐含波动率，形成隐含波动率差（ＩＶＳ），①也称为买卖权平价关系偏离㊂②ＣｈａｒｌｅｓＣａｏ等通过证实发现，市场情绪和隐含波动率差之间显著正相关，因此隐含波动率差在反映期权市场价格压力的同时也反映了市场情绪㊂③基于此，本文将从期权价格中提取的隐含波动率差作为市场情绪的替代变量，并将其纳入模型（２）㊁模型（３）和模型（４），得到如下模型：ＣＳＡＤｔ＝α＋γ１Ｒｍ，ｔ＋γ２Ｒ２ｍ，ｔ＋γ３ＩＶＳｔ＋εｔ（５）ＣＳＡＤＵｔ＝α＋γＵ１Ｒｍ，ｔ＋γＵ２Ｒ２ｍ，ｔ＋γＵ３ＩＶＳｔ＋εｔ（６）ＣＳＡＤＤｔ＝α＋γＤ１Ｒｍ，ｔ＋γＤ２Ｒ２ｍ，ｔ＋γＤ３ＩＶＳｔ＋εｔ（７）其中，ＩＶＳｔ代表ｔ日期权的隐含波动率差，γ３㊁γＵ３㊁γＤ３为新增的模型参数，其他变量及参数含义同前㊂当γ３（γＵ３㊁γＤ３）显著为负时，市场情绪越积极，羊群效应就越强㊂通常采用具有相同到期日和行权价格的看涨㊁看跌期权隐含波动率的加权平均差来计算隐含波动率差，主要有持仓量加权和交易量加权两种加权方法㊂④本文将基于持仓量加权的指标ＩＶＳｏ，ｔ用于模型分析，而将基于交易量加权的指标ＩＶＳｖ，ｔ用于稳健性检验㊂利用持仓量加权计算隐含波动率差的公式为：ＩＶＳｏ，ｔ＝ðＮｏ，ｔｊ＝１ｗｊ，ｏ，ｔ（ＩＶｃａｌｌｊ，ｔ－ＩＶｐｕｔｊ，ｔ）（８）其中，ＩＶｃａｌｌｊ，ｔ㊁ＩＶｐｕｔｊ，ｔ依次代表ｔ日第ｊ份合约对应的看涨期权的隐含波动率和看跌期权的隐含波动率，Ｎｏ，ｔ代表ｔ日看涨期权和看跌期权未平仓合约的总量，ｗｊ，ｏ，ｔ代表ｔ日第ｊ份合约持仓量在当日总合约持仓量中的占比㊂利用交易量加权计算的隐含波动率差公式为：ＩＶＳｖ，ｔ＝ðＮｖ，ｔｊ＝１ｗｊ，ｖ，ｔ（ＩＶｃａｌｌｊ，ｔ－ＩＶｐｕｔｊ，ｔ）（９）其中Ｎｖ，ｔ代表ｔ日看涨期权和看跌期权的总交易量，ｗｊ，ｖ，ｔ代表ｔ日第ｊ份合约的交易量在当日总合约交易量中的占比㊂㊀㊀（四）新冠疫情期间羊群行为的测度新冠疫情作为突发性公共卫生事件对全球金融市场产生了较大冲击，很多学者研究了新冠疫情对羊群效应的影响，但并未得出一致结论㊂比如，有学者认为新冠疫情期间不７２１①②③④ＪｉａｎｐｉｎｇＬｉ，ＹａｎｚｈｅｎＹａｏ，ＹｉｂｉｎｇＣｈｅｎ，ｅｔａｌ， Ｏｐｔｉｏｎｐｒｉｃｅｓａｎｄｓｔｏｃｋｍａｒｋｅｔｍｏｍｅｎｔｕｍ：ＥｖｉｄｅｎｃｅｆｒｏｍＣｈｉｎａ ，ＱｕａｎｔｉｔａｔｉｖｅＦｉｎａｎｃｅ，ｖｏｌ．１８，ｎｏ．９（２０１８）．崔海蓉㊁李晶晶㊁鲁训法：‘买卖权平价关系偏离能预测现货市场收益吗？ 基于上证５０ＥＴＦ期权的实证研究“，‘金融发展研究“，２０２１年第８期㊂ＣｈａｒｌｅｓＣａｏ，ＴｉｍｏｔｈｙＳｉｍｉｎ，ＨａｎＸｉａｏ， Ｐｒｅｄｉｃｔｉｎｇｔｈｅｅｑｕｉｔｙｐｒｅｍｉｕｍｗｉｔｈｔｈｅｉｍｐｌｉｅｄｖｏｌａｔｉｌｉｔｙｓｐｒｅａｄ ，ＪｏｕｒｎａｌｏｆＦｉｎａｎｃｉａｌＭａｒｋｅｔｓ，ｖｏｌ．５１，ｎｏ．ｃ（２０２０）．Ｙａｗ－ＨｕｅｉＷａｎｇ，ＡｎｅｅｌＫｅｓｗａｎｉ，ＳｔｅｐｈｅｎＪ．Ｔａｙｌｏｒ， Ｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎｓｅｎｔｉｍｅｎｔ，ｒｅｔｕｒｎｓａｎｄｖｏｌａｔｉｌｉｔｙ ，ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＦｏｒｅｃａｓｔｉｎｇ，ｖｏｌ．２２，ｎｏ．１（２００６）．ＬｉｕＭｉｎｇ－Ｙｕ，ＣｈｕａｎｇＷｅｎ－Ｉ，ＬｏＣｈｉｅｎ－Ｌｉｎｇ， Ｏｐｔｉｏｎｓ－ｉｍｐｌｉｅｄｉｎｆｏｒｍａｔｉｏｎａｎｄｔｈｅｍｏｍｅｎｔｕｍｃｙｃｌｅ ，ＪｏｕｒｎａｌｏｆＦｉｎａｎｃｉａｌＭａｒｋｅｔｓ，ｖｏｌ．５３，ｎｏ．ｃ（２０２１）．阅江学刊２０２３年第２期存在羊群行为，①而ＧｕｏｓｏｎｇＷｕ等研究发现，新冠疫情期间中国股市的羊群效应减弱了㊂②同时，相关研究仅涉及羊群效应的存在性及强度，并未深入探讨不同市场状态下新冠疫情对羊群效应的具体影响㊂新冠疫情期间全球股市涨跌幅度较大，投资者决策行为很可能与以往存在较大差异，因此，有必要专门分析新冠疫情对羊群效应的影响在上涨行情和下跌行情之间存在的差异性㊂将新冠疫情作为一个虚拟变量纳入模型（５）㊁模型（６）和模型（７），可以得到：ＣＳＡＤｔ＝α＋γ１Ｒｍ，ｔ＋γ２Ｒ２ｍ，ｔ＋γ３ＩＶＳｔ＋γ４ＤＣＯＶＩＤ－１９ˑＲ２ｍ，ｔ＋εｔ（１０）ＣＳＡＤＵｔ＝α＋γＵ１Ｒｍ，ｔ＋γＵ２Ｒ２ｍ，ｔ＋γＵ３ＩＶＳｔ＋γＵ４ＤＣＯＶＩＤ－１９ˑＲ２ｍ，ｔ＋εｔ（１１）ＣＳＡＤＤｔ＝α＋γＤ１Ｒｍ，ｔ＋γＤ２Ｒ２ｍ，ｔ＋γＤ３ＩＶＳｔ＋γＤ４ＤＣＯＶＩＤ－１９ˑＲ２ｍ，ｔ＋εｔ（１２）其中，ＤＣＯＶＩＤ－１９代表新冠疫情虚拟变量，以２０２０年１月２３日离汉通道关闭为界限，该日期之前ＤＣＯＶＩＤ－１９＝０，该日期之后ＤＣＯＶＩＤ－１９＝１，γ４㊁γＵ４和γＤ４为新增的模型参数㊂㊀㊀三、数据及描述性统计上证５０指数是从上海证券交易市场中挑选出规模大㊁流动性好的５０只股票组成样本股并通过加权方法计算得到的股票价格指数，用于综合反映上海证券交易市场最具影响力的优质大盘股的整体价格水平及其变动趋势㊂上证５０ＥＴＦ期权于２０１５年２月９日在上海证券交易所上市，是以上证５０交易型开放式指数证券投资基金（５０ＥＴＦ）为标的的期权，而上证５０指数就是上证５０交易型开放式指数证券投资基金的跟踪标的㊂因此，上证５０ＥＴＦ期权能够反映上证５０指数成分股的市场情绪㊂本文选取２０１５年２月９日至２０２１年１２月３１日作为上证５０指数成分股以及上证５０ＥＴＦ期权的样本期㊂在该样本期，如果上证５０指数成分股发生变更，那么应该用新的成分股替换被剔除的成分股㊂在处理期权数据时，剔除了日成交量小于５张的期权合约，以避免流动性缺失问题，同时删除剩余期限小于５天的合约，最终共得到１６５３份可用的期权数据，数据来源于国泰安数据库（ＣＳＭＡＲ）㊂在主要变量的测度指标选择方面，首先，考虑到ＣＳＳＤ对于市场收益的极端值比较敏感，并且不适合测度市场平静期的羊群行为，因而选用ＣＳＡＤ作为羊群行为的测度指标；其次，考虑到隐含波动率差能够反映市场价格压力，③与市场情绪正相关，④同时计算方便㊁时效性强，因而利用隐含波动率差来测度市场情绪㊂目前提取期权隐含信息的方法大体分为模型法和非模型法两种㊂⑤ＢＳ定价模型是模型法中较为常见的一种方法㊂大多数学者认为，当期权的行权价格数据量较少并且接近８２１①②③④⑤ＳａｎｄｒａＦｅｒｒｅｒｕｅｌａ，ＴａｎｉａＭａｌｌｏｒ， Ｈｅｒｄｉｎｇｉｎｔｈｅｂａｄｔｉｍｅｓ：Ｔｈｅ２００８ａｎｄＣＯＶＩＤ－１９ｃｒｉｓｅｓ ，ＴｈｅＮｏｒｔｈＡｍｅｒｉｃａｎＪｏｕｒｎａｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＦｉｎａｎｃｅ，ｖｏｌ．５８，ｎｏ．ｃ（２０２１）．ＧｕｏｓｏｎｇＷｕ，ＢｏｘｉａｎＹａｎｇ，ＮｉｎｇｒｕＺｈａｏ， ＨｅｒｄｉｎｇｂｅｈａｖｉｏｒｉｎＣｈｉｎｅｓｅｓｔｏｃｋｍａｒｋｅｔｓｄｕｒｉｎｇＣＯＶＩＤ－１９ ，ＥｍｅｒｇｉｎｇＭａｒｋｅｔｓＦｉｎａｎｃｅａｎｄＴｒａｄｅ，ｖｏｌ．５６，ｎｏ．１５（２０２０）．ＪｉａｎｐｉｎｇＬｉ，ＹａｎｚｈｅｎＹａｏ，ＹｉｂｉｎｇＣｈｅｎ，ｅｔａｌ， Ｏｐｔｉｏｎｐｒｉｃｅｓａｎｄｓｔｏｃｋｍａｒｋｅｔｍｏｍｅｎｔｕｍ：ＥｖｉｄｅｎｃｅｆｒｏｍＣｈｉｎａ ，ＱｕａｎｔｉｔａｔｉｖｅＦｉｎａｎｃｅ，ｖｏｌ．１８，ｎｏ．９（２０１８）．ＣｈａｒｌｅｓＣａｏ，ＴｉｍｏｔｈｙＳｉｍｉｎ，ＨａｎＸｉａｏ， Ｐｒｅｄｉｃｔｉｎｇｔｈｅｅｑｕｉｔｙｐｒｅｍｉｕｍｗｉｔｈｔｈｅｉｍｐｌｉｅｄｖｏｌａｔｉｌｉｔｙｓｐｒｅａｄ ，ＪｏｕｒｎａｌｏｆＦｉｎａｎｃｉａｌＭａｒｋｅｔｓ，ｖｏｌ．５１，ｎｏ．ｃ（２０２０）．梁朝晖㊁郭翔：‘基于期权隐含波动率的股市风险预警研究“，‘上海金融“，２０２０年第７期㊂经济观察当前标的资产价格时，适合采用ＢＳ定价模型提取隐含波动率，而非模型法对期权行权价格数据的要求相对较高㊂鉴于上证５０ＥＴＦ期权上市时间不长，可获得的数据量有限，因此选用ＢＳ定价模型来提取隐含波动率，进而计算隐含波动率差㊂表１给出了各指标的描述性统计以及平稳性检验结果㊂从表１可知，ＣＳＡＤ均值为０．５６３，标准差为０．３２６㊂Ｒｍ，ｔ均值为０．０２２，标准差为１．４４９㊂市场收益的变异系数大于ＣＳＡＤ的变异系数，因而市场收益的波动幅度更大㊂在两种隐含波动率差中，ＩＶＳｏ，ｔ的均值小于ＩＶＳｖ，ｔ的均值㊂ＡＤＦ㊁ＰＰ两种平稳性检验的结果均在１％的显著性水平下一致拒绝序列有单位根的假设，所以ＣＳＡＤ㊁Ｒｍ，ｔ㊁ＩＶＳｏ，ｔ㊁ＩＶＳｖ，ｔ均为平稳序列㊂表１ 变量的描述性统计及平稳性检验结果变量名样本数平均值中位数标准差最小值最大值ＡＤＦＰＰＣＳＡＤ１６５４０．５６３０．４６８０．３２６０．１３４２．７３９－５．７１２∗∗∗－２３．６７６∗∗∗Ｒｍ，ｔ１６５４０．０２２０．０３０１．４４９－９．３８２７．８３９－２９．７１４∗∗∗－４０．２５９∗∗∗ＩＶＳｏ，ｔ１６５４－０．０２１－０．００２０．０９３－０．９８５０．３７０－９．５２４∗∗∗－１０．４３６∗∗∗ＩＶＳｖ，ｔ１６５４－０．０１１－０．００２０．０９８－０．９０００．８８５－１０．１６３∗∗∗－１３．０５５∗∗∗㊀㊀注：ＰＰ和ＡＤＦ依次表示检验单位根的ＰＰ检验法和ＡＤＦ检验法，∗∗∗㊁∗∗分别表示在１％㊁５％的显著水平下通过检验，下表同㊂㊀㊀从图１可见，ＣＳＡＤ是随时间变化的，因而当ＣＳＡＤ较小时并不代表股票市场一定存在羊群行为，而可能是投资者对某个市场消息有类似的反应，从而使得个股收益与市场收益之间的离差减小㊂因此，要通过ＣＳＡＤ与市场回报之间的关系来检验羊群效应的存在性㊂图１㊀ＣＳＡＤ随时间的变化趋势图２刻画了ＣＳＡＤ与市场收益（Ｒｍ，ｔ）的关系㊂可见，在中国股市ＣＳＡＤ与市场收益之间并不存在严格的线性关系，非线性关系在市场收益分布的两端尤为明显，说明适合采用ＣＣＫ模型㊂图３描绘了隐含波动率差（ＩＶＳｏ，ｔ）的年度变化㊂可见，在整个样本期，隐含波动率差存在较大的波动幅度，大部分时段明显不为０，表明市场情绪是波动的㊂当隐含９２１阅江学刊２０２３年第２期图２㊀ＣＳＡＤ与市场收益（Ｒｍ，ｔ）的关系波动率差大于０时，说明看涨期权的隐含波动率大于看跌期权的隐含波动率，即看涨期权的价格相对于看跌期权被高估，此时买方压力大于卖方压力，市场情绪是积极的；反之，市场情绪是消极的㊂图３中有两次大幅波动㊂第一次是在２０１５ ２０１６年，隐含波动率差出现大幅波动，甚至达到最小值－０．９８５，这可能与２０１５年的股市大跌有关㊂在此背景下，投资者信心受挫，市场情绪较为悲观㊂第二次是在２０２０ ２０２１年，受新冠疫情的冲击，隐含波动率差又出现大幅波动，且一度下跌到－０．４附近，市场信心受到重创，但是随着一系列行之有效的防疫政策的实施，新冠疫情得到有效控制，市场信心逐渐恢复，隐含波动率差逐渐上升，且波动幅度逐渐减小㊂另外，在２０１９年，隐含波动率出现小幅下跌，这可能是中美贸易摩擦升级导致的结果，投资者对相关行业股票的未来走势较为悲观，因而市场上存在一定程度的悲观情绪㊂总的来看，隐含波动率差的变化与市场情绪的波动是一致的㊂图３㊀隐含波动率差随时间的变化趋势㊀㊀四、实证结果分析㊀㊀（一）羊群效应的存在性根据模型（２）检验上证５０指数成分股中的羊群效应，回归结果见表２㊂０３１经济观察表２㊀对羊群效应的检验结果变量模型（２）常数项０．３７８２∗∗∗（０．００００）Ｒｍ，ｔ０．２２９９∗∗∗（０．００００）Ｒ２ｍ，ｔ－０．０１８６∗∗∗（０．００００）ＡｄｊｕｓｔｅｄＲ２０．２３１２㊀㊀注：括号内为ｐ值，下表同㊂㊀㊀从表２可见，市场收益平方项（Ｒ２ｍ，ｔ）的系数γ２取值为－０．０１８６，且在１％的显著水平下通过检验，这说明上证５０指数成分股中存在显著的羊群效应㊂与美国股市等成熟市场相比，中国股市以散户投资者为主，散户投资者交易量在整个市场交易量中的占比超过８０％，而散户投资者相比于机构投资者，获得信息的成本较高，缺乏进行科学投资决策应具备的专业知识，他们习惯于观察其他投资者的交易行为，根据市场整体的短期走势制定自己的交易策略，因此中国股市更容易出现羊群行为㊂㊀㊀（二）上涨和下跌市场中的羊群行为不同市场涨跌状态下的羊群效应可能存在差异，或者说市场涨跌状态对羊群行为的影响可能存在非对称性㊂表３分别给出了在上涨市场和下跌市场状态下对羊群效应的检验结果㊂表３㊀不同市场涨跌状态下对羊群效应的检验结果变量模型（３）（上涨市场）模型（４）（下跌市场）常数项０．３９２１∗∗∗０．３５７７∗∗∗（０．００００）（０．００００）Ｒｍ，ｔ０．２１４５∗∗∗０．２５１０∗∗∗（０．００００）（０．００００）Ｒ２ｍ，ｔ－０．０１９７∗∗∗－０．０２００∗∗∗（０．００００）（０．００００）ＡｄｊｕｓｔｅｄＲ２０．１９３００．２６７１㊀㊀可以看出，市场收益平方项（Ｒ２ｍ，ｔ）的系数γＵ２和γＤ２均在１％的显著水平下通过检验，这表明无论市场上涨还是下跌，中国股市投资者均表现出显著的羊群行为㊂从γＵ２与γＤ２取值的大小来看，－０．０２００＜－０．０１９７，即γＤ２＜γＵ２，这说明与上涨市场相比，下跌市场中的羊群效应更强，因此在不同市场涨跌状态下，上证５０指数成分股的羊群效应具有非对称性㊂这在一定程度上表明，投资者对市场下跌的反应更激烈，损失厌恶心理更强烈，短期放弃自己私有信息并模仿市场整体交易行为的行为特征更明显㊂１３１阅江学刊２０２３年第２期㊀㊀（三）市场情绪与羊群效应市场情绪可能对羊群效应产生影响，表４是将ＩＶＳｏ，ｔ作为市场情绪测度指标时所对应的检验结果㊂表４ 市场情绪（ＩＶＳｏ，ｔ）对羊群效应的影响变量模型（５）（整体市场）模型（６）（上涨市场）模型（７）（下跌市场）常数项０．３７３６∗∗∗０．３９０２∗∗∗０．３５４４∗∗∗（０．００００）（０．００００）（０．００００）Ｒｍ，ｔ０．２２６３∗∗∗０．２０７４∗∗∗０．２５２９∗∗∗（０．００００）（０．００００）（０．００００）Ｒ２ｍ，ｔ－０．０１８５∗∗∗－０．０１９１∗∗∗－０．０２０３∗∗∗（０．００００）（０．００００）（０．００００）ＩＶＳｏ，ｔ－０．２３５６∗∗∗－０．２９８７∗∗∗－０．１７０６（０．００２０）（０．００２４）（０．１５７２）ＡｄｊｕｓｔｅｄＲ２０．２３４４０．２００８０．２６８０㊀㊀从表４可见，纳入市场情绪指标后，反映羊群效应的系数γ２㊁γＵ２和γＤ２的估计值依次为－０．０１８５㊁－０．０１９１和－０．０２０３，且全部通过显著水平为１％的检验，因此市场仍存在显著的羊群效应㊂市场情绪的系数γ３和γＵ３取值依次为－０．２３５６和－０．２９８７，且在１％的显著水平下通过检验，但在市场下跌状态下，市场情绪的系数γＤ３（－０．１７０６）没有通过显著性检验㊂这说明市场情绪对上涨市场中羊群效应的影响是显著的，对下跌市场中羊群效应的影响不显著，但是从整体市场来看市场情绪对羊群效应的影响仍表现为显著㊂同时，市场情绪越积极，其对上证５０指数成分股羊群效应的影响越强，市场情绪对羊群效应的影响呈现非对称性㊂出现非对称性影响可能有两方面原因㊂一方面，在上涨市场中，当市场情绪高涨时，为了追求市场整体的收益率水平，投资者会模仿其他成功投资者的投资行为，从而增强了股市的羊群效应，而当市场情绪消极时，投资者更倾向于相信自己的投资组合，不轻易买卖新的股票，以避免产生损失，此时市场上的羊群效应在一定程度上减弱了㊂另一方面，在下跌市场中，由于处置效应的存在，投资者更倾向于持有亏损的股票而不进行任何新的投资操作，因而市场情绪的影响较弱㊂值得注意的是，当把市场情绪引入回归模型后，整体市场回归模型调整后的拟合优度（ＡｄｊｕｓｔｅｄＲ２）由０．２３１２上升到０．２３４４，上涨市场回归模型调整后的拟合优度由０．１９３０上升到０．２００８，下跌市场调整后的拟合优度由０．２６７１上升到０．２６８０，这说明引入市场情绪指标后，提高了模型的解释力，能够更好地描述上证５０指数成分股中的羊群效应㊂为了避免由于隐含波动率差计算方法的选择问题导致回归结果产生偏差，这里用基于交易量的隐含波动率差ＩＶＳｖ，ｔ来替换ＩＶＳｏ，ｔ，进行稳健性检验，结果见表５㊂可以看到，表５与表４的结果大体上是一致的，因而采用ＩＶＳｏ，ｔ进行回归分析得到的结果是稳健的㊂２３１。
我国沪市股票价格波动非对称性分析
非 对称 效 应 。即 未 预 期 的 价 格 下 降 和 未 预 期 的 价 格 上 升 对 波 动率 的影 响是 非对 称 的。克 里斯 汀 （ ｈ １ ｔ ｅ。 Ｃ １ ｒＳ ｎ １ ８ ） 曾 经 指 出 ，当 股 票 价 格 下 跌 时 ，资 本 结 构 中附 加 在 ９２ 债 务 上 的权 重 增 加 ，如 果 债 务 权 重 增 加 的 消 息 泄 露 以 后 ． 资 产 持 有 者 和 购 买 者 就 会 产 生 “ 来 资 产 收 益 率 将 导 致 更 未 高 波 动 性 ” 的预 期 ，从 而 导 致 该 资 产 的 股 票 价 格 波 动 ，因
二 、 相 关 指标 及 数 据 选 取 为 了检 验 我 国 股 票 市 场 股 票 价 格 波 动 是 否 具 有 非 对 称
陈 泽 忠 、杨 启 智 与 胡 金 泉 （ ０ ０ ２ ０ ）运 用 Ｅ Ａ Ｃ － Ｇ Ｒ Ｈ Ｍ模 型 对
上 证 综 指 与 深 证 综 指 进 行 了 实 证 分 析 ，但 是 结 论 与 国 外 却 相 反 ， 即正 冲 击 对 条 件 方 差 的 影 响 要 大 于 负 冲 击 的 影 响 。
唐齐鸣与陈健 （ ０ １ ２ ０ ）通 过 Ｅ Ａ Ｃ － Ｇ Ｒ Ｈ ｔ模 型 对上 证综 指 与
深 证 成 指 进 行 了 实 证 分 析 ，结 果 表 明 非 对 称 效 应 与 国 外 相 同 ， 即 负 冲 击 所 带 来 的 波 动 性 更 大 ， 但 是 ｔ不 显 著 。 王 玉 荣 （０ ２ ２ ０ ）使 用 了 Ａ Ｃ Ｒ Ｈ模 型 族 来 分 析 我 国 股 市 收 益 率 波 动 的 情 况 ， 指 出 中 国 股 市 波 动 存 在 聚 类 性 和 非 对 称 性 。 陈
我国股市非对称反应影响因素的实证分析
—
国内对股票市场信息反应非对称性的研究相对较少。李胜利（０２ 运用 Ｇ ｒ 、 Ｊ Ｇ ｒ 和 Ｖ ２０ ） ａ ｈ ＧＲ— ａ ｈ ｅ ｅ Ｓ Ｇ ｒｈ分 析 了上证 综 指 ， 为 我 国股票 市 场 中只 有 空 头市 场 才 存 在 杆 杠 效 应 和 波 动不 对 称 性 反 转 现 ａｅ 认
一
、
文献回顾
Ｎ ｌ ｎ（９ １ 运用 Ｅ ａ ｈ 型发现美 国股市报酬波动具有不对称性 的现象。Ｃｍ ｂｌ和 Ｈ ｎ ｅ ｏ １９ ） ｓ ｇｒ 模 ｃ ａ ｐｅ ｌ ｅｔ —
ｓｈｌ１９ ） ｃｅ（９２ 运用 Ｑ ａｒｔ ａｃ 型发 现美 国股 票 月 报 酬 与 日报酬 的 负偏 和 尖 峰 的特 性 。Ｒ ｂｍａ ｕｄａｉ Ｇ ｒｈ模 ｃ ａｅ — ｎｎ ｒ Ｚｋｌ （ ９３ 运用 Ｔ—Ｇ ｒｈ模 型研究 法 国股 票 市 场 的报 酬 ， 现 条件 波 动有 不 对 称 性 的证 ａｊ ａ和 ａｏｎ １９ ） ａ ｉ ａ ｃ 发
关键词 ： 非对称 性反 应 ； 消息 ； 消 息 ； 好 坏 Ｔ—Ｇ ｒｈ—Ｍ ａｃ
有效市场理论认为 ， 股票价格的波动是对各种信息的反应 ， 投资者对信息的理解不受其他外在因素 的影 响 ， 而总 是能理 性 地做 出理解 判 断 。如果投 资者 对信 息 的理解 是非 对称 性 的和不 稳 定 的 ， 就对 有 这 效市场理论 的基础提出了质疑。另外 ， 各种金融衍生产 品定价都需要计算基础资产的波动率 ， 波动率计 算 的准确性 对衍 生产 品定 价 的影 响非 常 大 。现 在 对衍 生 产 品定 价 时往 往 假设 基 础 资 产 的 波 动 是对 称 的， 而实际中这些资产波动都是非对称的， 这样往往低估 了波动率和衍生产品的价值 。因此 ， 研究股 市 的信息非对称反应现象对提高衍生产品定价的准确性有较大意义 ， 同时对构造有效对 冲组合和实施风 险管理 也有 较大 的意 义 。
股市收益分布的非对称性研究
（ ｋ ｗｎ ｓ 系数 、峰度 （ ｕｔｓ 系数 、 ｓ ｅ ｅ ｓ） ｋｒ ｉ ｏ ｓ）
Ｊ ｒｕ — ｅａ检验 及其 单样 本 Ｋ Ｓ检验 。 ａｑ ｅ Ｂ ｒ —
股 收 分 市 益 布 非 性研究 对称
■ 胡恩兰 常 理（ 西南财经大学金融 学院 成都 ６ １３ １ １０）
是从 １９ ９ ５年 ８月 ２ ２日到 ２ １ ０ ９月 ３ １年 ０
日， ３ ０ 个 日数据 ， 共 ９３ 这些样本数据之 间
都 存 在 一 定 的 偏 态 分 布 特 征 ，正 负 超 额 收 益 并 没 有 相 互 影 响 ，仍 然 保 持 自 己的 独 立 性 ； 同 时 收 益 分 布 因为 周 一 和 周 四 出 现 了严 重 偏 斜 与 尖峰 分 布 情 况 ；在 剔 除影 响 收益 的 星期 数后 ，收 益 分 布 逐 渐 靠 近 了 正 态 分 布 。 最 后 文 章 提 出 了投 资 者 可依 据 收 益 分 布 情 况 进
入 或 退 出 市场 。
被假 定为独立同分布。所有样本来源于 中
国经 济研 究中心（ ＣＥ 股票市场高频数 Ｃ Ｒ） 据库 。
的水平和计量单位不 同的影 响 ，实际工作
中是利用四阶 中心矩与 。 的比值作为衡量 峰度的指标 ， 太分布 的峰度系数 为０， 正 当 Ｋ ０ ＞ 时为尖峰分布 ， 当Ｋ ０ ＜ 时为扁平分 布。 ３Ｊ ｒｕ — ｅａ检验 。总体分 布的正 ．ａｑ ｅ Ｂ ｒ
◆ 中图分 类号 ：Ｆ ３ ． 文献标识码 ：Ａ ８ ２５
合指数 ， ５ ９ 个 １数据；深证综合指数 共 ０４ ９
内容 摘 要 ： 本 文 对 上 证 综 合 指 数 与 深 证 综 合 指 数 收 益 分 布 情 况 进 行 了检 验 验 证 ， 两 个 指 数 收 益 分 布 与 正 态相 比
股票市场波动性研究——基于ARMA-TGARCH-M模型的实证分析
股票市场波动性研究——基于ARMA-TGARCH-M模型的实证分析刘湖;王莹【摘要】通过构建ARMA-TGARCH-M模型,并同时利用上证综合指数和深圳成份指数的低频日收益率和5分钟高频收益率数据,对中国股票市场的波动性问题进行了实证研究.结果表明:中国股票市场存在着大幅度高频率波动,市场总体风险较大,而且收益率波动也存在着波动集群性、尖峰后尾性和非对称分布等特征,深圳股票市场在各方面的特征也都比上海股票市场突出.此外,低频日收益率序列和5分钟高频收益率序列都存在着显著的平稳性、自相关性和ARCH效应,中国股票市场还存在着较长的外部冲击波动持续期,且杠杆效应显著.GARCH族模型能够很好地拟合中国股票市场的波动性问题.【期刊名称】《北京航空航天大学学报（社会科学版）》【年(卷),期】2017(030)004【总页数】11页(P56-66)【关键词】股票市场;价格波动性;ARMA-TGARCH-M模型;高频数据;风险;沪深股市【作者】刘湖;王莹【作者单位】陕西师范大学国际商学院,陕西西安 710100;陕西师范大学国际商学院,陕西西安 710100【正文语种】中文【中图分类】F830.91自深圳宝安县联合投资公司首次公开募股以来，中国的股票市场已走过30年的发展历史。
然而与西方国家发达的资本市场相比，中国的股票市场仍然很不完善，在整个中国都处于制度变迁的大背景下，在某些特定时期中还会出现频繁剧烈的波动。
而保持股票价格及收益率的相对稳定，防止股票价格的大幅度波动，是任何一个股票市场健康运行的内在要求。
因此，一直以来监管机构和各类投资者都十分关注中国股票市场的波动性特征及其影响因素，而掌握股票市场波动性的基本特征与一般规律不仅有利于监管机构的高效规范管理，更有利于各类投资者进行科学的风险防范和理性投资。
鉴于此，股票市场波动性问题研究对于揭示股票市场运行规律，促进中国股票市场健康发展有着积极的促进作用。
金融危机下我国股票市场波动非对称性的实证研究
（ 安徽 财经大学 金 融学院， 安徽 蚌埠 ２ ３４ ） ３０ １
摘
要： 采用 Ｅ Ａ Ｃ Ｇ Ｒ Ｈ模型 ， 对我国股票 市场 的非对 称效应进行 实证分 析。在 划分 时段分别建模 的基础上 ， 发现金
融危机爆发 前后 中国股票市场存在 不同的非对称 效应。我 国股 市由金融危机 前的“ 利好 消息” 对股票价格 指数 的
为 研 究 对 象 ，根 据 迭 代 累 积 平 方 和 法 则 将 总 样 本 分 为 三 个 子 样 本 ，建 立 Ｇ Ｒ —ＧＡＲＣ —Ｍ 模 型 ，指 出 我 Ｊ Ｈ 国股 市 自 １ ９ ９ ３年 至 ２ ０ ０ １年 存 在 波 动 的 非 对 称 效 应 ，坏 消 息 对 未 来 波 动 率 的 影 响 更 大 ， 在 １ ９ 仅 ９ ３至 １ ９ ９７ 年 间 ，存 在 反 向 的 波 动 非 对 称 性 ］ 唐 齐 鸣 与 陈 健 （ ０ １ 。 ２ ０ ）通 过 ＥＧ ＡＲＣ —ｔ 型 对 上 证 综 指 与 深 证 成 指 Ｈ 模 进 行 了实 证 分 析 ，结 果 表 明 非 对 称 效 应 与 国外 相 同 ，即 负 冲 击 所 带 来 的 波 动 性 更 大 ， 是 ｔ 显 著 。 陈 但 不 泽 忠 、 启 智 与 胡 金 泉 （ ０ ０ 运 用 ＥＧ 杨 ２０ ） ＡＲＣ —Ｍ 模 型 对 上 证 综 指 与 深 证 综 指 进 行 了 实 证 分 析 ，但 是 结 论 Ｈ
冲击大干“ 利空消息” 对股 票价格指数 的冲击 而转 变为 金融危机 后“ 利空消 息” 对股 票价格 指数 的冲 击大 于“ 利好
消息” 对股票价格指数的冲击。对此进行 了相关分析并从投资者 、 贷资金 以及 金融监 管等方 面提 出相 关政策建 信
基于高频数据的股市收益波动的非对称性研究
关 键 词 ：股 票 市 场 ；非 对 称 性 ；杠 杆 效 应 ；ＥＧＡＲＣ Ｈ；Ｔ ＡＲＣ Ｈ 中 图 分 类 号 ：Ｆ８ ０９１ ３． 文 献 标 识 码 ：Ａ 文 章 编 号 ： ６ ２ ０ ４ （ ０ ８） ２ ０ ３ — ３ １７ — ５ ７ ２ ０ ０ — ０ ８ ０
存 在 反 向非 对 称 效 应 ， 但 上 证 综 合 与 上 证 Ｂ 股 市 场 杠 杆
效应 不确定 。
展了 Ｔ ＡＲＣ 门 限 ＡＲＣ ） 型 。 Ｈ（ Ｈ 模
１２ 删 ． Ｃ日 模 型
ＥＧ ＡＲＣ 模 型 是 由 Ｎ ｌ０ Ｈ ｅｓｎ于 １９ 年 提 出 的 ， 称 为 ９１ 又 指 数 Ｇ ＲＣ Ｅ ｐ ｎ ｎｉｌ ＡＲＣ ｏ 其 条 件 方 差 方 程 为 ： Ａ Ｈ（ ｘ ｏ ｅ ｔ ａＧ Ｈ
型 ； ａ ｏａ （ ９ ０） Ｇ ｏ ｔｎ Ｊ ｇ ｎ ａｈ ｎ Ｒ ｎ ｌ （ ９ ３） Ｚ ｋ ｉ １ ９ 和 ｌｓｅ ，ａ ａ ｎ ｔａ ， ｕ ｋｅ １ ９ 发 ｎ
性 ， 我 国 尚 处 于 起 步 阶 段 。 浪 南 、 杰 琨 （ ０ ２） 择 深 在 陈 黄 ２０ 选 圳 成 指 日 收 益 率 证 明 了 １ ９ — ０ １年 中 国 股 票 市 场 波 动 ９ ３ ２０ 存 在 波 动 的 非 对 称 性 ， 工 孟 ， 萌 （０ ３） 别 利 用 Ａ、 陈 芮 ２０ 分 Ｂ 股 和 综 合指 数 日数据 证 明 了上 证 Ａ股 ９ 年 至 ９ １ ７年 波 动
差 方 程 。 （ 表 明 交 易 者 是 根 据 长 期 平 均 数 （ 数 项 ） 式 ２） 常 ， 上 期 预 测 方 差 ０（ ＡＲＣ 项 ） 上 期 观 测 到 的 有 关 波 动 Ｇ Ｈ 和 的信息 ｕ （ 三 ＡＲＣ 项 ） 加 权 平 均 来 预 测 本 期 方 差 。 Ｈ 的
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 Ｅ Ａ Ｃ 模型 Ｔ Ｒ Ｈ 型 行 为金融理论 ＧＲＨ Ａ ｃ模
中图分类号 ：Ｆ ３ ．１ ８ ０ ９
文献标识码 ：Ａ
文章编号 ：４ － ６８ Ｆ （０ ０ ０ － ０ ２ ０ ４ １ １／ ２ １ ）２ ０ ４ — 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 ，Ｔ Ｒ Ｈ Ａ Ｃ 模型理 论 Ａ Ｃ 和Ｅ Ｒ Ｈ （ ）Ｔ ＲＣＨ 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
上海股票市场价格波动的非对称性研究
果表 明， 海股票市场价格 自１９ 上 ９ ２年 ５月 ２ １日以 来存 在 着 比 较 显 著 的 非 对 称 性 波 动 ， 即杠 杆 效 应 。但 是 ， １ ９ 在 ９ ５年 １
月 １日～１ ９ ９ ６年 １ ２月 １ 日时 间段 上 存 在 微 弱 的反 向 非 对 称 性 ． 利 好 信 息 对 市 场 的 冲 击 大于 利 空 信 息 的 冲 击 ４ 即
票 价 格 下 降 的 负 向效 应 因 国 内很 多 学 者 利 用 不 同 的 方 法 处 理 数 据 ． 利 用 相 同模 型 得 出 的结 论 不 尽 相 同 故 这使 得 关 于 股 市 波 动 的非 对 称 性 研 究 很 有 必 要 继 续 下
波 动 性 是 股 票 价 格 的 主要 特 征 之 一 ．也 一 直 是 金 融 研 究 的重 点 很 多 学 者 研 究 表 明 ， 票 价 格 的波 动 具 股
【 关键 词 】 杆 效 应 杠
Ｔ ＲＣＨ 模 型 Ａ．
Ｅ ＲＣ 模 型 ＧＡ Ｈ
【 图分 类 号 】８ ０９ 【 献 标 识 码 】 【 章 编 号 】０ ６ ２ ２ （００ ０ — ０ ９ ０ 中 Ｆ ３ ．１ 文 Ａ 文 １０ — ０５ ２ １ ）９ ０ ０ － ４
一
、Байду номын сангаас
引 言
低 当 前 股 票 价 格 。削 弱 利 好 信 息 对 股 票 价 格 上 涨 的 正 向效 应 ； 反 ， 空 消 息 冲 击 。 票 价 格 下 跌 ， 相 利 股 与增 加 的 波 动 引 起 价 格 下 跌 效 应 相 叠 加 ．增 加 了利 空信 息 对 股
加 其 债 务 ／ 益 比率 ．进 而 增 加 持 股 风 险 和 波 动 性 ： 权 股 票 价 格 的上 涨 将 增 加 公 司 的 价 值 ． 降低 债 务／ 益 比 权 率 ， 而 减 小 持 股 风 险和 波 动性 是 “ 动 反馈 效 应 ” 从 二 波
中国股票市场非对称反应研究
非对称 反 转效 应 （ ｅｅ ｉ ｓｉ ｔ ｙ ｍ ｔｃＢ ｔｖ ｒｏ Ｒ ｖｒｏ ｎ ｈ Ａ ｍ ｅｉ ｅ ｉ ｓ ｎ ｅｓ ｒ ｍ ｏ ｆ
ｔ ｏ ｔｔ ， ｈ Ｖｌｉｙ 利好 消息对 于未来 波动反应 的影响大于 利 ｅ ａｌ ） ｉ
不同国家的股票市 场数据使用 不 同的计量模 型进行 实证 分析 。结果显示其提 出的 Ｖ —Ｌ Ｒ Ｈ模型能够捕捉股票 Ｓ ＡＣ 市场 中存在 的非对称反转效应 （ ｅｅ ｉ ｙ ｅ－ Ｒ ｖｒｏ ｉ ｔ Ａ ｍｍ ｔ ｓｎ ｎ ｈ ｓ ｓ ｅ
ｒ ｈ ｖ ｒ ｆ ｈ ｏ ｔｉ ） 】 ｉ Ｂ ａ ｏ ｔ Ｖ ｌ ｌｙ ［ 。 ｃｅ ｉ ｏ ｅ ａ ｔ ３ ｉ
周少 甫 、陈 千里 （０２ ［ 利 用非 对 称 Ｇ Ｒ Ｈ类 模 型 ， ２０ ） Ｊ ９ ＡＣ
以我 国沪市或者深市 Ａ股 市场为研 究对象 ，考察 了其市 场收益的条件波动性 ，研 究结论 大致相 同 ，认 为我 国沪
深两市 Ａ股市场的波动性具有非对称条件异方差特征 。
我们在借鉴前人研究成 果的基 础上采 用 了较 为前 沿 的非 对称 反应 检验技术 （ Ｓ Ａ Ｖ模型） ，系统地 检验和分 析 了我 国沪深两 市 Ａ股市场 的市 场非对 称反 应模 式。Ａ Ｖ Ｓ
界 信 息 的反 应 模 式 不 仅 存 在 非 对 称 性 ，而 且 这 种 非 对 称 反 应 特 征 还 具 有 阶 段 性 ：即 在 股 市 发 展 前 期
（９３ ９６ １９ —１９ ）市场波动反 应具有非对称反 转效应 （ ｅｅ ｉ ｓｎｔ ｓｙ ｎｔｅ ｅａｉ ｔ ｏ ｔ ｔ ；在 Ｒ ｖｒｏ ｉ ｈ ｓｎ ｅＡ ｒ ｅｉ Ｂ ｈｖ ｒ ｆｈ ｌｉ ｙ ｍ ｒ ｏ ｏ ｅＶ ａｌ ） ｉ
我国股票价格波动非对称性分析
＝ －
（ － ４ ０ ７ ）
（ ３ ０ ６ ３ ２ ）
Ｒ ＝０ ． ９ ９ １ ６对 数 似然 值 ：３ ３ ２ ８ ． ７ ５ ＡＩ Ｃ ＝－ ５． ４ ２’ Ｓ Ｃ
５． ４０
在Ｅ ＡＲＣ Ｈ模型 中， 。 【 的估 计值 为０ ． １ ２ ， 非对 称项 ｖ的估计
均值 方程 ：
均值 方程 ： 方差方 程 ：
５ ５８＋ ０ ‘ ９ ２８ ） ００ ｓ ｐ，
＝
．
ｆ＿
＋
ｚ ２ ０ ７ ０） ｚ＝ ｆ ４ ． ３ ８ １ ） （ ． ６
：
．
ｌ ｎ （ ） ： 一 ０ ． １ ７ ＋ ０ ． １ ２ １ ／ ５ ／ ． １ — ０ ０ ３ （ ／ ５ ， 一 ／ ａ ， ） ＋ ０ ． ９ ９ １ ｎ （ ａ ［ ）
金融视线 Ｉ Ｆ ｉ ｎ ａ ｎ ｃ ｉ ａ ｌ Ｖｉ ｅ ｗ
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 ２ ５ ｏ ｏ １ ４
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Ｅ Ｇ Ａ ｇ Ｃ Ｈ 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 ； Ｇ Ａ ｇ Ｃ Ｈ ； Ｅ Ａ ｇ Ｃ Ｈ
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 。 Ｅｎ ｇ ｌ ｅ 在１ ９ ８ ２ 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 。Ｂｏ ｌ ｌ ｅ ｒ ｓ ｌ ｅ ｖ 在 此 基 础 上 提 出 了广义 白回归条 件 异 方差 模 型（ ＯＡＲＣＨ模型 ） 。
股票市场收益序列尖峰和非对称特征研究
・
证 券与投 资 ・
股票市场收益序列尖峰和非对称特征研究
万 军 熊 一 鹏 ，
（ ． 西财 经 大 学 公 共 管 理 学 院 ， 西 南 昌 １江 江 ３ ０ １ ；． 国平 安 财 产 保 险 股 份 有 限公 司 ， ３０ ３２ 中 北京 １０３） ００２ 。
摘 要 ： 于 Ｐａｓｎ分 布 ， 用 一 种 新 的检 验 方 法 Ｒ ｏＳｏｅ 验 对 股 票 市 场 １ 基 ｅｒ ｏ 运 ａ ｃｒ 检 ９只 个 股 进 行 实证 研 究
ｉ Ｇ ａｃ ｔ 和 ｉ ｏｔ 正 态 分 布 的混 合 模 型 ， ｎ的 正 ｃ ｏ的 Ｋｏ
显偏离 正态 分布 ， 现厚 尾 特性 … 。股票 收 益 分 布 呈
出现厚 尾是 由于 出现 大事 件 （ １ ８ 如 ９ ７美国 股 灾 ） 并
态分 布离 散混 合模 型 和 Ｔ ｋ ｙ的 ｇ和 ｈ分 布都被 用 ｕｅ
中国的股票 市 场 经 过 十多 年 的发 展 ， 已经 取 得 了令人 瞩 目的成就 。在市 场参 与者 各方 的共 同努 力 之下 ， 场 日渐走 向成熟 和完善 ， 中 国股票 市场 的 市 对
都集 中此 处 ， 即分 布的尾 部 ， 仅仅少 数学者对 收益 而
率分 布 的 中 央部 分 和非 对 称 性 进 行 了讨 论 。Ｍａ — ｎ ｄ ｌｒｔ 收益 率 中央 部 分 的研 究 采 用 的是 列 维 稳 ｅ ｏ对 ｂ
维普资讯
第２ ９卷 第 １ ３期 ５ ２０ ０ ８年 ５月
财 经 理 论 与 实践 （ 月 刊 ） 双
ＴＨＥ ＴＨＥＯＲＹ ＡＮＤ ＰＲＡＣＴＩ ＣＥ ＯＦ ＮＡＮＣＥ ＦＩ ＡＮＤ Ｅ∞ ＮＯＭ Ｉ ＣＳ
Ｖｏ ．２ ＮＯ １ ３ Ｉ ９ ． ５ Ｍａ ｙ． ２ ０８ ０
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。
信息冲击曲线和A+H股价格波动的非对称性研究
流 通 股 本 规 模 是 影 响 其 中 的一 个 重 要 因 素． Ａ 从 ＋Ｈ 股 份 的 股 本结 构 来 看 ， 即便 在 内地 部 分 限 售
股 解 禁 之 后 ， Ｈ 股 股 本 大 于 对 应 流 通 Ａ 股 股 本 其
的公 司数 量 也还 占了一 半 ． 重 上市 公 司 ， 同市 双 不
第 １卷 ８
第 ｌ 期
兰 州 工 业 高 等 专 科 学 校 学 报
Ｊ ｕ ｎ ｌｏ ｎ ｈ ｕ Ｐ ｌ ｔ ｃ ｎ ｃ Ｃｏ ｌｇ ｏ ｒ ａ ｆＬａ ｚ ｏ ｏ ｙ ｅ ｈ ｉ ｌ ｅ ｅ
Ｖｏ ． ８， ． １ １ Ｎｏ １
Ｆｅ ｂ．， ０１ ２ １
２ １年 ２月 Ｏ１
场 的 流 通 股 本 规 模 不 同 ， 同 市 场 股 价 波 动 的 规 不
据恒生 Ａ＋ Ｈ 溢 价指 数 的历 史 数 据 记 录 ， ０ ７年 ２０
上 半 年 Ａ 股 平 均 比 Ｈ 股 溢 价 ３ ． ９
律也 不 同 ， 么 ， 那 这些 不 同点 究竟 是 如何 影 响 ＡＨ 股价 格关 系 的呢 ？而 且通 过 Ａ十Ｈ 股 价 格波 动 不
息 冲击 不 对 称 曲线 ， 且 对 几 个 信 息 冲 击 不 对 称 并
曲线 做 对 比 分 析 ， 中 得 出重 要 结 论 ， 解 释 Ａ＋ 从 为
Ａ股 ， 中国 出现特 有 的“ 资股 折 价 ” 象 ． 种 特 外 现 这
＊ 收 稿 日期 ： ０ ０ １ — ６ ２ １ — ２ １
对 称性 比较 ， 牛 市和 熊 市 ， 在 Ａ十 Ｈ 股 价 格 差 距 是 如 何 变 化 的 呢 ？ 澄 清 这 些 问 题 对 投 资 者 和 监 管 调 控 层 以及 上市 企业 都具 有相 对突 出的重 要性 ． 本 文 是 在 总 结 前 人 研 究 的 ６ ２ １ ） ｌ ０ ２ —０ １ ０ — ２ ９（ ０ １ ０ 一 ０ ３ ５
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@。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第34卷第9期2004年9月数学的实践与认识M A TH EM A T I CS I N PRA CT I CE AND TH EO R YV o l 134 N o 19 Sep.,2004 中国股票市场波动非对称性特征研究任 彪1,2, 李双成2(1.天津大学管理学院,天津 300072)(2.河北经贸大学数学与统计学学院,石家庄 050061)摘要: 利用三种GA RCH 2M 模型实证分析了中国股票市场不同发展阶段波动的非对称性特征.结果发现,中国股票市场存在显著的波动非对称性,并且在不同阶段呈现不同特点.对三种模型进行比较的结果显示,EGA RCH -M 模型是描述中国股市波动非对称性特征的最优模型.关键词: 中国股票市场;波动非对称性;GA RCH 2M 模型1 引 言收稿日期:2004203203基金项目:国家自然基金项目资助(70271006);国家自然科学基金资助(70271071);河北省教育厅人文社会科学研究计划项目资助(S 03206) 股票价格和价格波动的关系长期以来一直是金融研究者感兴趣的重要课题.大量的实证研究表明,收益和下一期收益的条件方差负相关,也就是说,负的(正的)收益常常和条件方差的向上(向下)修正联系起来,这种现象称为波动的非对称性[1,2].在股票市场崩溃时期,非对称波动现象尤为明显,股票价格大的下跌常常伴随着股市波动的显著增加.B lack[3]和Ch ristie [4]是最早证实并解释美国证券市场个股收益的非对称波动特征的.他们提出了两种广为流行的解释非对称波动的理论:杠杆效应假说和波动反馈效应假说.杠杆效应假说认为,股票价值的降低(负收益)增加了金融杠杆,使股票风险加大,从而加剧了股票价格的波动;预期市场波动的增加,将提升投资者对股票较高收益的需求,因此交易者常常不愿意购买而愿意去卖股票,为了平衡买卖交易,股票价格必然下降,这样预期波动的增加导致股价的即刻下跌,这种情况人们称为“波动反馈效应”.这两种假说揭示的因果关系不同:杠杆效应假说认为收益冲击引起了条件方差的波动,而波动反馈假说主张条件方差的波动导致了收益的冲击.Guo jun W u [5]建立了一个非对称波动模型,模型包含了两个最流行的解释理论:杠杆效应和波动反馈效应,实证结果表明,杠杆效应和波动反馈效应对非对称波动的产生都起着重要的作用.目前对中国股票市场的波动非对称性特征的研究成果相对较少[6,7],本文利用GA RCH 2M 类模型对沪深股市进行研究,考察利好消息和利空消息对中国股市波动的非对称影响,以期获得对收益波动特征的全新认识.2 研究方法与金融计量模型从研究方法上,GA RCH 模型将时变方差定义为滞后回报的平方与滞后条件方差的确定性函数,能够成功地捕捉金融时间序列波动的条件异方差性和序列相关性动态特征,因此46数 学 的 实 践 与 认 识34卷用GA RCH模型研究股票市场的波动性将是很好的选择.本文选取了三种具有代表性的GA RCH2M模型对中国股票市场的波动性进行实证研究.211 GARCH(1,1)-M模型Engle在1982年首先提出了自回归条件异方差(A RCH)模型对时间序列方差进行建模;1986年Bo llerslev将A RCH模型推广成为广义A RCH模型,即GA RCH模型.考虑到条件方差作为时变风险的度量,将风险与收益紧密联系在一起,Engle和Bo llerslev在1986年又提出了GA RCH in m ean(GA RCH2M)模型,GA RCH(1,1)2M模型的表达式如下:y t=Λt+ΡtΕt Εt～N ID(0,1)Ρ2t=Ξ+ΑΕ2t-1+ΒΡ2t-1 (Ξ>0,Α,ΒΕ0)Λt=Μ+∆Ρ2t其中,Α为误差系数,Β为滞后系数.这是递归的形式,等价于一个无限的A RCH模型.与GA RCH(1,1)条件方差相对应的无条件方差是:Ρ2=Ξ (1-Α-Β),说明Α与Β的和小于1,蕴含了GA RCH过程为二阶弱平稳.Α和Β之和反应了波动的持续性,值越接近于1,说明波动的持续时间越长.212 指数GARCH(1,1)-M模型(EGARCH(1,1)-M)N elson[8]将线性A RCH模型拓展到非线性的形式,提出了一类基于非线性变换的指数GA RCH模型,也即EGA RCH模型.N elson指出GA RCH模型中对系数参数的非负性约束太强,过度地限制了条件方差的动态性,而在EGA RCH模型中参数不受此约束.其条件方差以对数形式表示:lnΡ2t=Α+g(z t-1)+ΒlnΡ2t-1 其中,z t=Εt Ρt,服从标准正态分布,并且,g(z t)=Ξz t+Χ z t -2 Π,其中, g( )为非对称的响应函数,它提供了杠杆作用.Χ<0时反应回报的负冲击要比同等程度的正冲击导致更大的条件方差.许多研究表明,EGA RCH模型对金融数据拟合的非常好,但该模型比其它模型更难构造波动性预测.213 GJR GARCH(1,1)-M模型Glo sten,Jagannathan,and R unk le[9]建立了描述波动非对称性的GJR GA RCH模型,其条件方差的方程如下:h t=Ξ+Βh t-1+ΑΕ2t-1+Χs-t-1Ε2t-1 其中,s-t-1是反映利好消息与利空消息的虚拟变量,利好消息时(即Εt-1>0),令虚拟变量s-t-1=0,对条件方差的冲击为Α;利空消息(即Εt-1<0)时,令虚拟变量s-t-1=1,对条件方差的冲击为Α+Χ.因此如果Χ的值显著不等于零,则利好消息和利空消息对收益波动的影响存在非对称性;Χ显著为正说明利空消息比利好消息对市场的冲击更大.理论上,为了保证条件方差h t为正,并且非预期收益Εt服从宽平稳过程,条件方差方程中各项系数需满足:Ξ>0,Β>0,Α>0,Α+Χ>0且Α+Β+Χ 2<1.3 数据、波动时段的划分及数据统计特征鉴于1993年之前,中国股市规模较小、操作也不甚规范,本文选取1993年1月3日至2003年12月31日的上证指数和深证成分指数的每日收盘指数为样本数据.数据均来自证券之星.由于制度的变迁和投资者投机行为等因素,使得中国股票市场发展呈现出一定的阶段性特征.1996年12月16日涨跌停板制度的实施对于中国股票市场发展有着重要的影响,因此本文以1996年12月16日为界,将上证指数和深证成分指数划分为两个时段, 1993.1.3～1996.12.15为第一阶段(Peri od ),1996.12.16～2003.12.31为第二阶段(Peri od ).上证指数和深证成分指数日收益率的描述统计特征如表1所示:表1 上证指数和深证成分指数各时段收益率的基本统计特征指数划分阶段观测数均值(%)标准差(%)偏度峰度J-B正态检验上证Peri od 996-0.02063.541.3314.495766.480指数Peri od 16920.02381.61-0.239.693172.338深证Peri od 9660.05742.861.0714.235251.956成分指数Peri od 1690-0.00481.79-0.1878.672268.498 注:J-B正态检验统计量服从自由度为2的ς2分布,该统计量在5%的显著水平的临界值为5199.由表1可知:两个市场指数收益率的样本均值都非常小,样本方差相对较大,说明股市存在一定的风险;第二时段的标准差明显小于第一时段,说明中国股票市场总体波动在逐步减小;市场指数收益率均表现出非零偏态和尖峰特征,拒绝正态性假定,这也可由Jarque2 B era检验统计量显著大于临界值因此拒绝正态分布假设得到证实.进入GA RCH类模型的时间序列要求必须是平稳序列,因此首先要对市场指数收益序列的平稳性进行检验.本文基于两种广泛使用的单位根检验方法:增广迪克2富勒(AD F)检验和菲利普斯2拜容(P2P)检验对股票收益序列的平稳性进行了检验.结果显示上证指数和深证成分指数的日收益序列均为平稳序列.4 实证结果与分析本部分给出三类GA RCH2M模型的参数估计结果,分别见表2、表3和表4.表2 GARCH(1,1)-M模型参数的估计结果指数划分阶段∆ΞΑΒΑ+ΒA I C L oglikelihood上证指数Peri odPeri od0.017763(1.152)5.6936(2.755)3331.169747(8.391)3330.161265(8.151)3330.176065(9.417)3330.250719(14.083)3330.737817(29.236)3330.714407(43.362)3330.9130.9655.1093.530-2537.0-2980.0深证成分指数Peri odPeri od0.014589(0.854)0.039471(2.070)331.046727(5.221)3330.053122(6.016)3330.243747(6.826)3330.113099(14.721)3330.654470(12.370)3330.874695(175.28)3330.8990.9844.7353.703-2279.4-3122.4 注:括号内的值为t统计量,3表示10%的显著性水平,335%的显著性水平,3331%的显著性水平569期任 彪,等:中国股票市场波动非对称性特征研究 表2的实证结果表明,①上证指数和深证成分指数第一阶段的∆值为正值,但统计不显著.第二时段的∆值显著为正,说明在第二阶段收益与波动正相关,即高风险对应高收益.②上证指数和深证成分指数的Α和Β值都显著为正;且Α与Β的和都接近于1,说明沪、深证券市场的波动都具有很高的持续性,当证券市场一旦受到冲击出现异常波动,则在短期内很难消除.表3给出GJR GA RCH(1,1)2M模型的参数估计结果.表3 GJR GARCH(1,1)-M模型参数的估计结果指数划分阶段∆ΞΑΒΧA I C L oglikelihood上证指数Peri odPeri od0.015113(0.969)5.3359(2.570)331.038859(7.838)3330.160549(8.336)3330.129605(4.782)3330.211664(12.080)3330.793003(31.927)3330.719722(42.966)333-0.056856(-0.411)0.062547(2.340)335.1053.530-2533.5-2978.7深证成分指数Peri odPeri od0.019752(1.066)0.033360(1.744)31.092397(5.286)3330.050031(5.961)3330.287750(6.130)3330.087220(11.508)3330.643062(11.387)3330.878618(186.48)333-0.079359(-1.690)30.045186(3.522)3334.7343.701-2278.7-3119.612 注:括号内的值为t统计量,3表示10%的显著性水平,335%的显著性水平,3331%的显著性水平从表4结果可以看出:①上证指数和深证成分指数第一阶段的∆值为正值,但统计不显著.第二时段的∆值显著为正,这与表3的结论一致.②参数Ξ、Α和Β在1%显著水平下显著为正,Α+Χ>0且Α+Β+Χ 2<1,保证条件方差为正且非预期收益率服从宽平稳过程.③第一时段的Χ值为负,根据GJR GA RCH2M模型的参数意义,在1993～1996年,利好消息相对于相同程度的利空消息,倾向于能引起股票市场更大的波动.第二时段的Χ值在1%的显著性水平下显著为正,说明沪深两市波动在第二时段存在杠杆效应,这与成熟资本市场的相关研究结论一致.表4给出EGA RCH(1,1)2M模型的参数估计结果.表4 EGARCH(1,1)-M模型参数的估计结果指数划分阶段∆ΞΑΒΧA I C L oglikelihood上证综指Peri odPeri od0.023476(1.598)6.162116(3.049)333-0.007226(0.312)-0.606274(-9.319)3330.297998(10.419)3330.296806(13.246)3330.908300(62.28)3330.954555(141.68)3330.001613(0.095)-0.040304(-3.383)3333.5433.513-2536.3-2964.2深证成分指数Peri odPeri od0.026105(1.582)0.029568(1.791)3-0.015087(-0.583)-0.151103(-13.938)3330.357444(9.342)3330.227621(16.715)3330.875684(34.647)3330.979423(277.98)3330.031117(1.452)-0.029993(-3.585)3334.7203.695-2271.4-3114.766数 学 的 实 践 与 认 识34卷 由表4可以看出:①沪、深两市的∆的估计值均大于0,在第二时段1%水平上显著为正,这与表3、表4的结论一致.②非对称效应系数Χ在第一阶段的估计值均为正值,但在统计上并不十分显著,尤其是上证指数;而第二波动时段Χ的估计值在1%水平上都显著小于0,根据EGA RCH 模型的参数意义,沪深股市股指的波动在第二个阶段存在“杠杆效应”.根据A I C 准则和对数似然L og likelihood 准则的判别标准,A I C 值越小,对数似然函数值越大,模型拟合效果越好.对三个模型的A I C 值和对数似然函数值进行比较发现,EGA RCH 模型和GJR GA RCH 模型均优于GA RCH 模型,而EGA RCH 模型比GJR GA RCH 模型拟合效果更好,因此EGA RCH 模型为研究中国股市波动的首选模型.5 结 论根据上述分析结果,可得出以下结论:1)我国股市收益序列呈现明显的集群效应和波动持续性特征.2)时变波动方差对预期收益的影响系数∆在第一时段不显著,而在97年之后显著为正.这暗示97年之后条件方差所表现出的风险立即在预期收益中得到反映,表明了中国股票市场的风险传递机制正在不断完善;第二时段的∆值大于第一时段,意味着我国股市投资者的风险意识在不断增强,对风险的补偿在不断增加,中国股市投资者正日趋由过去的盲目跟从逐渐转为理性投资.3)EGA RCH 2M 和GJR GA RCH 2M 模型对我国股票市场波动非对称性的实证研究结论一致.沪深股市在96年之前,反应非对称效应的参数并不十分显著,从它们的系数值来看,与第二时段的数值符号相反,表明了投资者在两个阶段的投资理念和投资行为上的差异.无论沪市还是深市,第一个阶段利好消息对股市波动的影响程度倾向于比利空消息的影响程度大些,这与发达资本市场的研究结论不同.一般认为,这是由于中国股市早期制度的不健全造成的.中国股市发展初期,投资者因为对政府托市存在预期,所以表现出较强烈的追逐好消息的行为,加之中国股市中充斥着大量的“热钱”,当股市出现利好消息时,这部分人(噪声交易者)便会将钱投入到股市中以获取高的回报,所以表现出利好消息对股市的冲击要比利空消息的影响大.第二阶段,杠杆因子Χ的估计值在统计上显著,其意义均表明利空消息要比同等程度的利好消息对股市波动的冲击更大,与成熟资本市场的表现一致,这可由“杠杆效应”假说和“反馈效应”假说来解释,说明中国股票市场在不断的成熟和完善.4)对三个模型的研究结果进行比较发现,EGA RCH 2M 模型是研究中国股票市场波动非对称性特性的最优模型.参考文献:[1] Engle R F ,N g V K .M easuring and testing the i m pact of new s on vo latility [J ].Journal of F inance ,1993,48:1749—1801.[2] Zako ian J M .T h resho ld hetero skedastic models [J ].Journal of Econom ic D ynam ics and Contro l ,18:931—955.[3] B lack F .Studies of Stock P rice Changes ,P roceeding of the 1976M eeting of the Am erican Statistical A ssociati on[EB ].Business and Econom ical Statistics Secti on ,177—181.[4] Ch ristie A A .T he stochastic behavi o r of common Stock variance 2value ,leverage and interest rate effects [J ].Journal of F inancial Econom ics,10:407—432.[5] Guo jun W u .T he determ inants of A symm etric vo latility [J ].T he review of F inancial Studies ,2001,14(3):837—769期任 彪,等:中国股票市场波动非对称性特征研究86数 学 的 实 践 与 认 识34卷859.[6] 陈浪南,黄杰鲲.中国股票市场波动非对称性实证研究[J].金融研究,2002,263(5):67—73.[7] 宋逢明,江婕.中国股票市场波动特性的实证研究[J].金融研究,2003,274(4):13—22.[8] N elson D B.Conditi onal hetero scedasticity in asset returns:A new app roach[J].Econom etrica,1991,59(2):347—370.[9] Glo sten L R,Jagannathan R,R unk le D E.O n the relati on betw een the expected value and the vo latility of nom inalexcess return on stock s[J].Journal of F inance,1993,48:1779—1801.Study on A sy mm etr ic Volatility of Ch i na Stock M arketRRN B iao1,2, L I Shuang2cheng2(1.Schoo l of M anagem en t,T ian jin U n iversity,T ian jin300072,Ch ina)(2.H ebei U n iversity of Econom ic and T rade,Sh ijiazhuang050061,Ch ina)Abstract: U sing th ree k inds of models of GA RCH2M,th is paper investigates asymm etricvo latility of Ch ina stock m arket.T he conclu si on show s asymm etric vo latility characteristic isex ist sign ifican tly and differen t in differen t peri pared w ith th ree models,EGA RCH2Mmodel is mo st app rop riate fo r descri p ti on of asymm etric vo latility of Ch ina stock m arket.Keywords: Ch ina stock m arket;asymm etric vo latility;GA RCH2M。