中小板股指收益率波动的非对称性研究
- 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)。
Vol.28No.12
Dec2012
赤峰学院学报(自然科学版)JournalofChifengUniversity(NaturalScienceEdition)第28卷第12期(下)
2012年12月1
引言
随着中国股票市场发展的日益成熟以及计量经济工具的不断发展,关于股指波动性的文献近年来数量激增.刘金全、崔畅研究了中国沪、深股市的收益率波动特征[1].谢家泉、杨招军通过GARCH模型的扩展形式对上证指数收益率序列建模,根据实际市场波动情况,引入虚拟变量考察股票市场的有效性[2].沈豪杰、黄峰通过构建一个非流动性指标,对中国沪深股市的市场流动性进行计量,发现中国股市的流动性风险存在明显的非对称效应,流动性风险表现出“强时愈强,弱时愈弱”的特征[3].大量实证研究表明,GARCH类模型特别适合于对金融时间序列数据的波动性和相关性进行建模,估计或预测波动性和相关性[4].目前的研究成果主要侧重沪、
深两市大盘指数,对中小板指数的研究则显得较弱.中小板指数就其收益率年化波动率的绝对值而言,一直处于较高水平,而高换手率和高开盘收益率则说明,中小公司由于流动性较弱,容易受到资金炒作.因此,研究中小板指数的波动性对把握中小板市场的风险具有重要意义.2
理论模型介绍
2.1门限GARCH模型(TGARCH)
Glosten、Zakoian[5]
等人(1993)较早地提出了TGARCH
模型的应用.所谓TGARCH模型,即门限GARCH模型,就是指利用虚设变量(dummy
variable)来设置一个门限
(Threshold),用以区分正的和负的冲击对条件波动性的影响.
TGARCH(p,q)模型表达式为
σt
2
=α0+q
i=1
Σ(αi+γiNt-i)a2t-i
+p
j=1
Σβjσ2t-j
式中:Nt-i为虚拟变量,Nt-i=
1,at-i<00,at-i≥Σ
0
对于TGARCH(1,1)模型,正的价格变动对方差的影响为α1a2t-1,但相同幅度负的变动影响为(α1+γ1)a2t-1.因此,若γ1>0成立,后者将大于前者,即坏消息对于价格变动的影响大于好消息.TGARCH模型解决了价格变动信息不对称问题,但未解决非负性问题.
2.2指数GARCH模型
(EGARCH)Nelson(1991)提出了另一种非对称GARCH模型,即E-GARCH模型.EGARCH模型的全称为“ExponentialGARCH”,即指数GARCH模型,其方差等式分析的不是σt2,而是lnσt2,并且分别使用均值等式的扰动项和扰动项的绝对值与扰动项的标准差之比来捕捉正负冲击给波动性带来的非对称影响.其表达式为
lnσt
2
=α0+p
j=1Σβjln(σ2t-j
)+q
i=1
Σ(αi|at-i|σt-i+γiat-iσt-i)
式中:只要γi≠0,表示信息作用非对称;当γi<0时,负的冲击比正的冲击更易增加波动,即存在杠杆效应.由于采用对数形式,可完全保证条件方差的非负性.2.3GARCH-M模型
Engle、Lilie和Robbins(1987)提出了均值GARCH回归
中小板股指收益率波动的非对称性研究
魏
波
(北方民族大学
信息与计算科学学院,宁夏
银川
750021)
摘
要:本文运用GARCH类模型分析中小板指数日收益率波动的非对称性,研究表明:在描述中小板市场波动率的杠
杆效应时,TARCH(1,1)和EGARCH(1,1)模型的估计结果均表明中小板市场具有非对称性,然而对于中小板指数收益率,这种非对称效应似乎并不明显.
关键词:GARCH模型;收益率;非对称性中图分类号:F202文献标识码:A文章编号:1673-260X(2012)12-0128-03
基金项目:北方民族大学科学研究项目(2010Y040)资助
128--
模型(GARCH-in-MeanModel,GARCH-M).GARCH-M模型不仅描述自回归条件异方差过程,而且把条件方差作为回归因子引入相应的回归或均值过程.这种模型可以描述金融资产的收益率除了受其他因素影响外,也受收益率本身波动大小的影响.
GARCH-M模型的表达式为:
yt=μt+ρσt+at
at=σtεt
σt
2
=α0+q
i=1
Σα2t-i
αi+p
j=1
Σβjσ2t-j
Σ
ΣΣΣΣΣΣΣΣΣΣΣΣΣΣ
式中:若ρ显著为正,说明收益和风险正相关,风险越高,投资者要求的回报也越高.3
实证分析
本文研究的时间段为2006年1月2日至2010年3月31日,除去休市等非交易日数据后,共有1079个交易日数据,日收益率用ri表示,所有数据均采用Eviews6.0处理.图1为中小板指数日收益率统计分布图,从图中可以发现,样本期内中小板的收益率均值为0.11%,标准差为2.33%,偏度为-0.57,
峰度为4.56,高于正态分布的峰值度3,说明收益率具有尖峰和厚尾特征.J-B正态性检验也证实了这点,统计量为168.27,
表明收益率序列显著异于正态分布.将中小板指数日收益率序列进行ADF检验,得到ADF值为-30.65,在1%的显著性水平下,收益率拒绝随机游
走的假设,是平稳的时间序列.
对估计残差做ARCH-LM检验(见表1),发现F和LM统计量对应的P值均为0,小于0.05,故拒绝原假设,认为收
益率序列的残差存在着高阶ARCH效应,该序列适合用GARCH模型进行分析.3.1
非对称的GARCH模型分析
为了考察中小板指数收益率序列是否存在非对称性,即利空消息对市场造成的下跌影响是否会超过利好消息对市场带来的上升幅度,本文运用了TGARCH、EGARCH和GARCH-M(1,1)模型来分别进行估计.综合运用AIC和SC信息准则,经过反复测算和比较各种GARCH类模型的AIC、
SC值以及残差检验的相伴概率,以此确定GARCH类模型的滞后阶数.最终判断滞后阶数(p,q)=(1,2)时,拟合效果最好,参数估计时,采用均值方程和波动率方程联合的极大似然估计,TGARCH(1,1)、EGARCH(1,1)和GARCH-M(1,1)模型估计结果如下:
3.1.1TGARCH(1,1)模型
均值方程:
rt=0.0779rt-1+0.0656rt-41-0.0667rt-44+at
(2.4509)(2.3893)(-2.4672)方差方程:
σ2t=1.87×10-5+0.0986a2t-1+0.0211a2t-1Nt-1+0.8621σ2t-1
(2.3645)(3.0906)
(0.5898)
(29.0555)
AIC=-4.7894,SC=-4.7512,对数似然值=2484.1493.1.2EGARCH(1,1)模型
均值方程:
rt=0.071rt-1+0.0717rt-41-0.0659rt-44+at
(2.258)(2.651)
(-2.4932)
方差方程:
lnσ2t=-0.5171+0.222|at-1/σt-1|-0.0314(at-1/σt-1)+0.954ln(σ2t-1)
(-3.5842)(4.9913)(-1.3856)(56.6672)
AIC=-4.7936,SC=-4.7554,对数似然值=2486.286在TGARCH模型中,杠杆效应项的系数γi=0.0211,说明股票价格的波动具有“杠杆效应”:“利空消息”能比等量的“利好消息”产生更大的波动.当出现“利好消息”时,at-1>0,则Nt-1=0,所以该冲击只会对股票价格指数带来一个0.0986(α1的估计值)倍的冲击,而出现“利空消息”时,at-1<0,此时Nt-1=1,则这个“利空消息”会带来一个0.1197(α1和γ1的估计值之和)倍的冲击.这个利空消息能比等量的利好消息产生更大的波动性的结果在EGARCH
模型中也能
图1中小板指数日收益率统计分布图
ARCH(q)F 统计量P 值
T*R 2
P 值
结论
q=312.2740.000035.68540.0000存在异方差q=57.9830.000038.63980.0000存在异方差q=10 5.9060.000056.41250.0000存在异方差q=24
3.275
0.000074.63830.0000存在异方差
表1
中小板指数收益率序列的LM异方差检验
129--