基于GARCH模型的上證綜合指數(shù)收益率波動的實證研究

【摘要】文章選取上證綜合指數(shù)2012年1月4日至2012年12月31日的日收盤數(shù)據(jù)為研究對象，針對其收益率序列，運用GARCH模型對上證綜合指數(shù)進(jìn)行擬合和檢驗。分析結(jié)果表明，上證綜合指數(shù)收益率序列具有明顯的異方差性、波動性和持續(xù)性，同時上證綜指有較高的風(fēng)險溢價現(xiàn)象。

【關(guān)鍵詞】GARCH模型 收益率 上證綜合指數(shù)

前言

股票資產(chǎn)收益波動性的研究是當(dāng)前股票市場研究的核心問題之一。由于上證綜指具有跨期性、杠桿性、聯(lián)動性、高風(fēng)險性等顯著特點，且各種風(fēng)險因素相互關(guān)聯(lián)，難以獨立的評估和預(yù)測。GARCH模型非常適和分析和預(yù)測的金融波動性，對投資者的決策有很重要的指導(dǎo)作用[1]。因此，文章希望通過對上證綜指的GARCH性質(zhì)以及波動性的研究，挖掘其內(nèi)在規(guī)律，對市場風(fēng)險和指數(shù)進(jìn)行簡單評估和預(yù)測，有助于投資者進(jìn)行比較和決策，減少投資者的風(fēng)險和損失。

一、GARCH模型的簡介

GARCH模型是對ARCH模型的改進(jìn)和完善，自從Engle提出ARCH模型之后，Bollerslev在Engle基礎(chǔ)上提出了GARCH模型，GARCH（p，q）模型公式為[2]：

ARCH模型實際上只適用于異方差函數(shù)短期自相關(guān)過程，相比于ARCH模型，GARCH模型更能反映實際數(shù)據(jù)中的長期記憶性質(zhì)。（1-1）式稱為條件均值方程；（1-2）式稱為條件方差方程，說明時間序列條件方差的變化特征。

二、上證綜合指數(shù)收益率數(shù)據(jù)特征統(tǒng)計分析

本文選取上海證券交易所2012年1月4日到2012年12月31日的日收盤價格數(shù)據(jù)，利用EXCEL做簡單的公式轉(zhuǎn)換求出上證股票的收益率2012年1月4日到2012年12月31日的242個數(shù)據(jù)作為研究對象。股票的收益率用收盤價格的指數(shù)的對數(shù)差來表示，公式為：

其中St-表示上證綜合指數(shù)的收盤價，Rt-表示收益率。

首先對上證綜指數(shù)收盤價數(shù)據(jù)做基本分析，通過圖1可以直觀地觀察上證綜合指數(shù)的股票收盤價格走勢圖。

圖2可以看出，上證綜指收益率具有明顯的波動集群現(xiàn)象，某些時間段內(nèi)波動性較大，某些時間段內(nèi)波動性較小。為了更深入地分析數(shù)據(jù)，我們做如下數(shù)據(jù)基本統(tǒng)計分析。

由圖3基本統(tǒng)計特征可知，股票收益率的峰度（Kurtosis）為4.649013，大于正態(tài)分布的峰度值3，由此可以看出上證綜合指數(shù)的收益率序列的特征有尖峰和厚尾的特性。P值為0.00000，拒絕上證綜指收益率序列服從正態(tài)分布的假設(shè)。

圖4收益率的Q-Q圖中，直線代表正態(tài)分布，收益率序列在中段接近直線而在兩端偏離直線，這是厚尾分布的特征。厚尾特征的出現(xiàn)一般而言有兩方面原因：一是信息集中出現(xiàn)導(dǎo)致指數(shù)大幅波動；二是信息的作用沒有立刻在期貨市場顯示出來，大量信息的積累導(dǎo)致了大幅的波動。

三、上證綜合指數(shù)收益率模型的建立

（一）平穩(wěn)性檢驗

數(shù)據(jù)變量的平穩(wěn)性是傳統(tǒng)的計量經(jīng)濟分析的基本要求之一。只有模型中的變量滿足平穩(wěn)性要求時，傳統(tǒng)的計量經(jīng)濟分析方法才是有效的。而在模型中含有非平穩(wěn)時間序列式，基于傳統(tǒng)的計量經(jīng)濟分析方法的估計和檢驗統(tǒng)計計量將失去通常的性質(zhì)，從而推斷得出的結(jié)論可能是錯誤的。因此，在建立模型之前有必要檢驗數(shù)據(jù)的平穩(wěn)性。

對上證綜合指數(shù)收益率時間序列進(jìn)行平穩(wěn)性檢驗，檢驗結(jié)果如表1所示：

表1 上證綜合指數(shù)收益率ADF檢驗

由表1可知，-16.23493<-3.4574，因此上證綜合指數(shù)收益率時間序列為平穩(wěn)序列。

（二）相關(guān)性檢驗

對已求出的242個上證股票收益率做相關(guān)性檢驗，結(jié)果如下圖：

由相關(guān)檢驗圖可以看出，收益率序列的自相關(guān)系數(shù)（AC）和偏自相關(guān)系數(shù)（PAC）都在兩倍標(biāo)準(zhǔn)差之間，由此可以看出收益率序列不存在自相關(guān)性和偏自相關(guān)性。考慮到收益率序列不存在相關(guān)性，因此在均值方程中不存在均值回歸因子，可以用線性方程來擬合。

（三）收益序列ARCH效應(yīng)檢驗

以上證綜合指數(shù)序列{S1}為基礎(chǔ)，為了減少舍入誤差在估計時對序列{S1}進(jìn)行自然對數(shù)處理，將處理的結(jié)果{ln（St-1）}最為因變量進(jìn)行估計。估計的基本形式假定為[3]：

ln（St）=c+ρ×ln（St-1）+μt （3-1）

其中c為常數(shù)，利用最小二乘法估計得到如下方程：

ln（St）=0.019+0.997×ln（St-1）+μt

（0.0083）（0.000）

R-squared=0.9971 Log likelihood=11644.2

AIC=-4.983 SC=-4.981

從擬合結(jié)果可以看出擬合程度非常顯著，系數(shù)的和小于1，并且殘差經(jīng)過檢驗平穩(wěn)。

觀察殘差圖，可以注意到波動的成群現(xiàn)象明顯，這說明誤差項可能具有條件異方差性。

因此，需要運用ARCH-LM檢驗（3-1）式的條件異方差。

在此檢測中，原假設(shè)為：回歸方程的隨機誤差滿足同方差性。對立假設(shè)為：回歸方程的隨機誤差滿足異方差性。判斷原則為：如果nR^2>chi^2（k-1），則原假設(shè)就要被否定，即回歸方程滿足異方差性。

對收益率序列進(jìn)行不同滯后期的進(jìn)行回歸方程以后殘差序列進(jìn)行此項檢驗，結(jié)果匯總?cè)缦拢?/p>

表2中P值為0拒絕原假設(shè)，因此認(rèn)為收益率序列存在ARCH效應(yīng)，并且由5階ARCH-LM檢驗結(jié)果來看P值仍然很小，即殘差序列存在高階ARCH效應(yīng)，應(yīng)考慮建立GARCH（p，q）模型。

（四）模型的選擇

為確定GARCH模型的階數(shù)，以下列出不同的系數(shù)組合所得到的AIC和SC。

通過AIC和SC的比較可知，在上述模型中，GARCH（2，3）和GARCH（1，1）是上述模型中較好的兩個模型，為了降低參數(shù)估計的復(fù)雜程度，我們選擇GARCH（1，1）模型進(jìn)行參數(shù)估計?；貧w結(jié)果表示為：

ln（St）=0.033+0.996×ln（St-1）+×μt （3-2）

（0.00）（0.00）

σ2t=4.46×10-6+0.9118×σ2t-1+0.0775×μ2t-1 （3-3）

（0.000） （0.000） （0.000）

AIC=-5.6603 SC=-5.3436

R-squared=0.99712 Log likelihood=12487.7

相比較最小二乘法的結(jié)果，對數(shù)似然值有所增加，AIC和SC都有所減小，說明GARCH（1，1）模型能夠較好地擬合數(shù)據(jù)，對方程（3-2）進(jìn)行ARCH-LM檢驗，殘差序列的統(tǒng)計結(jié)果：

由表4可知，此時該序列不存在ARCH效應(yīng)，說明利用GARCH（1，1）模型消除了方程的殘差序列的條件異方差性。

殘差檢驗結(jié)果圖如下：

由圖7可知自相關(guān)系數(shù)和偏自相關(guān)系數(shù)都極小，近似等于0，Q統(tǒng)計量大于顯著程度，說明不顯著，同時也證明了殘差序列不存在ARCH效應(yīng)。

方差方程式中ARCH項和GARCH項之和為0.988小于1，滿足參數(shù)的約束條件。因為系數(shù)之和比較接近1，由此說明條件方差所受的沖擊是持久的。

四、結(jié)論

由GARCH（1，1）模型參數(shù)估計結(jié)果可知，GARCH項的系數(shù)為0.988，同時通過了顯著性檢驗，由此證明上證綜合指數(shù)的股票價格具有“長久的記憶性”，也就是前期股票價格的波動對后期股票價格波動的大小有一定的影響；同時表明上證綜指有較高的風(fēng)險溢價現(xiàn)象，即股市波動越大，其存在的風(fēng)險也越大，同時收益率也越高。

分析結(jié)果表明，上證綜合指數(shù)收益率序列具有明顯的異方差性、波動性和持續(xù)性，同時上證綜指有較高的風(fēng)險溢價現(xiàn)象，即股市波動越大，其存在的風(fēng)險也越大，收益率也越高。

方差方程式中ARCH項和GARCH項之和為0.988小于1，滿足參數(shù)的約束條件。因為系數(shù)之和比較接近1，由此說明條件方差所受的沖擊是持久的。

另外模型的ARCH項和GARCH項的系數(shù)都是正數(shù)，由此說明股票過去的價格波動對未來股市的波動有著正向而減緩的作用，表現(xiàn)出波動性的集中出現(xiàn)。

參考文獻(xiàn)

[1]韋艷華，張世英.金融市場的相關(guān)性分析——Copula-GARCH模型及其應(yīng)用[J].系統(tǒng)工程，2004，（4）：7-12.

[2]李基梅，劉青青.VaR-GARCH模型在我國股指期貨風(fēng)險管理中的應(yīng)用[J].山東理工大學(xué)學(xué)報（自然科學(xué)版），2009，（4）：73-76.

[3]王玉榮.中國股票市場波動性研究-ARCH模型族的應(yīng)用[J].河南金融管理干部學(xué)院學(xué)報，2002，（5）：25-38.

基金項目：院級科研項目（2012zrky09）及廣西教育廳項目（2013LX144）。

作者簡介：江偉（1972-），男，漢族，廣西賀州人，講師，研究方向：金融統(tǒng)計。