丁揚(yáng)愷

(浙江師范大學(xué)數(shù)理信息學(xué)院，浙江 金華，321004)

隨著金融市場(chǎng)的急劇發(fā)展，大量的理論和實(shí)證研究發(fā)現(xiàn)了金融資產(chǎn)的收益率和波動(dòng)率的一些特征，這些金融資產(chǎn)的波動(dòng)率在期權(quán)定價(jià)以及金融風(fēng)險(xiǎn)管理等領(lǐng)域有著重要的作用。然而，我們?cè)谘芯拷鹑谑袌?chǎng)時(shí)卻發(fā)現(xiàn)，大多數(shù)時(shí)間序列的誤差項(xiàng)序列線性無(wú)關(guān)，這就使得經(jīng)典的最小二乘法失效。1982年Engle提出了自回歸條件異方差模型[1?2]，1986年Bollerslev提出了廣義 ARCH模型[3]，他們均很好地模擬了這種波動(dòng)性。考慮到金融資產(chǎn)中收益率與風(fēng)險(xiǎn)成正比，即風(fēng)險(xiǎn)越大，收益率就越高，人們?cè)贕ARCH模型的基礎(chǔ)上，引進(jìn)了GARCH-M模型[4]。為了貼近現(xiàn)實(shí)，人們還提出了EGARCH模型[5]，因?yàn)榻鹑谫Y產(chǎn)的價(jià)格下跌比相同幅度的價(jià)格上漲對(duì)資產(chǎn)價(jià)格波動(dòng)的沖擊更大，人們通常認(rèn)為負(fù)的沖擊比正的沖擊對(duì)收益率的波動(dòng)影響更大[6?7]。此外，CARCH模型[8]可以很好地模擬條件方差的均值。如今ARCH模型族已成為衡量金融市場(chǎng)波動(dòng)性的強(qiáng)有力工具。

一 、金融時(shí)間序列模型概述

1.ARCH模型

ARCH模型的主要思想是：擾動(dòng)項(xiàng)μt的條件方差依賴(lài)于它的前期值μt?1的大小。假設(shè)預(yù)測(cè)誤差 yt為實(shí)隨機(jī)變量，隨機(jī)誤差項(xiàng)的條件方差與其誤差項(xiàng)滯后的平方有關(guān)，則一個(gè)ARCH(p)過(guò)程如下：

若檢驗(yàn)?zāi)Ｐ凸烙?jì)結(jié)果所得的殘差序列的條件方差存在上面的形式，則表明其具有ARCH效應(yīng)。

2.GARCH模型

GARCH模型在誤差項(xiàng)的條件方差中加上了誤差項(xiàng)條件方差的滯后項(xiàng)，從而可以體現(xiàn)更為靈活的滯后結(jié)構(gòu)。GARCH(p,q)的方差方程定義為：

GARCH 模型的優(yōu)點(diǎn)在于它考慮到了金融事件序列的波動(dòng)集群性，并且可以有效地排除資產(chǎn)收益率中的過(guò)度峰值(Excess kurtosis)。為了準(zhǔn)確表示金融中高風(fēng)險(xiǎn)高回報(bào)，將金融資產(chǎn)收益率的條件方差引入到GARCH模型的均值方程中，得到GARCH-M模型：

條件方差 σt代表了期望風(fēng)險(xiǎn)的大小。所以GARCH-M模型適合描述一些期望回報(bào)與期望風(fēng)險(xiǎn)密切相關(guān)的金融資產(chǎn)。

3.EGARCH模型

EGARCH模型被稱(chēng)為指數(shù)GARCH模型。為了簡(jiǎn)單說(shuō)明，考慮EGARCH(1,1)模型，其將條件方差設(shè)定為如下形式：

上式即使參數(shù)估計(jì)是負(fù)數(shù)，條件方差2ts仍然是正數(shù)。如果參數(shù)γ<0，則表明存在杠桿效應(yīng)；如果參數(shù)γ=0，則表明不存在非對(duì)稱(chēng)效應(yīng)。

二、實(shí)證分析

本文選取深證成指(399001)日收盤(pán)價(jià)作為研究對(duì)象，數(shù)據(jù)截取時(shí)間自1991年11月4日到2011年5月16日，總共4760個(gè)數(shù)據(jù)，數(shù)據(jù)來(lái)源于中信金通證券有限責(zé)任公司。

為了減少估計(jì)時(shí)的舍入誤差，我們?nèi)∩钭C成指日收盤(pán)價(jià)的自然對(duì)數(shù)序列，建立隨機(jī)游走模型，用Eviews6.0得如下模型估計(jì)結(jié)果：

即：

其中R2=0.998805。圖1給出了深證成指日收盤(pán)價(jià)的自然對(duì)數(shù)收益率時(shí)序。

從圖1中可以看到，回歸方程的殘差表現(xiàn)出波動(dòng)“聚集性”，即大的波動(dòng)后面常常伴隨著較大的波動(dòng)，較小的波動(dòng)后面的波動(dòng)也較小，殘差序列的這種特性表明其可能存在條件異方差性，即ARCH效應(yīng)。接下來(lái)我們采用 ARCH-LM 檢驗(yàn)該隨機(jī)游走模型殘差的ARCH效應(yīng)。

圖2中F統(tǒng)計(jì)量=41.10343，其概率值P非常小，表明檢驗(yàn)輔助回歸方程中的所有滯后殘差平方項(xiàng)是聯(lián)合顯著的；ARCH效應(yīng)的檢驗(yàn)統(tǒng)計(jì)量是 Obs*R-squared，其值等于 703.2013，相應(yīng)的概率值P非常小，即可認(rèn)為殘差序列存在條件異方差。下面用GARCH-M模型、EARCH模型分別來(lái)刻畫(huà)這種特性。

圖1 深證成指日收盤(pán)價(jià)的自然對(duì)數(shù)收益率時(shí)序

圖2 深證成指日收盤(pán)價(jià)(ARCH-LM檢驗(yàn))

首先根據(jù)收益率 r的分布直方圖3，深圳成指收益率序列具有尖峰(Kurtosis=9.32443>3)，非對(duì)稱(chēng)性(Skewness=0.197>0)，以及零均值(對(duì)均值為零做假設(shè)檢驗(yàn))等特征，這些特征對(duì)一般金融資產(chǎn)收益率也是普遍存在的。由于深圳成指收益率表現(xiàn)出“尖峰厚尾”，即比正態(tài)分布具有更厚的“尾巴”，所以對(duì)μt用 GED分布(廣義誤差分布)能夠比正態(tài)分布假設(shè)更好地描述收益率序列的這種厚尾特征。假設(shè)投資者應(yīng)該為承擔(dān)額外的風(fēng)險(xiǎn)而獲得更高的收益，我們將深圳成指收益率的條件方差引入到GARCH模型的均值方程中，得到GARCH-M(1，1)的估計(jì)結(jié)果，見(jiàn)表(1)。

估計(jì)出的方程的所有系數(shù)都很顯著，并且ARCH及GARCH項(xiàng)之和接近于1，即收益的波動(dòng)沖擊影響會(huì)持續(xù)很長(zhǎng)一段時(shí)間才會(huì)逐漸衰減；其次均值方程中的σt的系數(shù)δ為0.112480，表明市場(chǎng)中的預(yù)期風(fēng)險(xiǎn)增加一個(gè)單位，就會(huì)導(dǎo)致收益率也相應(yīng)地增加0.112480個(gè)百分點(diǎn)。同時(shí)還可以畫(huà)出GARCH-M模型的條件方差(見(jiàn)圖4)。從圖4中看到從700～1400時(shí)間段(即1994年7月28日至1997年6月23日)條件方差較大，從而表明深圳成指在這段時(shí)間內(nèi)存在較大波動(dòng)；從1401～4000(即1997年6月21日至2008年3月28日)條件方差波動(dòng)較小。

圖3 深證成指日收盤(pán)價(jià)分布直方圖

盡管GARCH-M模型能夠很好地解釋深圳成指收益率序列的波動(dòng)“聚集性”，但它不能解釋深圳成指收益率序列存在的“杠桿效應(yīng)”，即利空消息(收益率的下跌)是否比同樣程度的利好消息(收益率的上漲)產(chǎn)生更大的波動(dòng)。因此需利用ARCH模型族中的EGARCH模型來(lái)合理檢驗(yàn)深圳成指收益率的“杠桿效應(yīng)”，見(jiàn)表2。

圖4 深證成指日收盤(pán)價(jià)的條件方差

由表(2)可以看出，α的估計(jì)值為0.270791，非對(duì)稱(chēng)項(xiàng) γ的估計(jì)值為?0.018678，兩者的統(tǒng)計(jì)量都很顯著。當(dāng)μt?1>0(利好消息)時(shí)，該信息沖擊對(duì)條件方差的對(duì)數(shù)有一個(gè)0.270791+(?0.018678)=0.2521倍的沖擊；而當(dāng)μt?1<0(利空消息)時(shí)，它給條件方差的對(duì)數(shù)帶來(lái)的沖擊為0.270791+(?0.018678)*(?1)= 0.2895倍。

表1

表2

為了清晰地表明利好消息與利空消息沖擊的影響，我們根據(jù) EGARCH模型的結(jié)果，繪制出相應(yīng)的信息影響曲線，見(jiàn)圖5。從圖5中可以看到，這條曲線在信息沖擊小于 0時(shí)(代表利空消息)比信息沖擊大于 0(代表利好消息)稍微陡峭點(diǎn)。這就說(shuō)明了利空消息的沖擊使得波動(dòng)性的變化更加大一些。

圖5 深證成指日收盤(pán)價(jià)的信息沖擊曲線

三、結(jié)語(yǔ)

以深圳成指1991年11月4日至2011年5月16日收盤(pán)價(jià)為樣本，對(duì)ARCH效應(yīng)、波動(dòng)聚集性、杠桿效應(yīng)分別進(jìn)行合理的模型分析中可以得出以下結(jié)論。

首先，深圳成指價(jià)格波動(dòng)非常大，呈現(xiàn)非正態(tài)分布，具有非對(duì)稱(chēng)性及波動(dòng)集簇性；其次深圳成指具有明顯的ARCH效應(yīng)，用GARCH-M模型估計(jì)可知當(dāng)市場(chǎng)中的預(yù)期風(fēng)險(xiǎn)增加一個(gè)單位，就會(huì)導(dǎo)致收益率也相應(yīng)地增加 0.112480個(gè)百分點(diǎn)，收益的波動(dòng)沖擊影響會(huì)持續(xù)很長(zhǎng)一段時(shí)間之后才會(huì)逐漸衰減。再次，通過(guò) EGARCH模型分析可知利空消息的沖擊使得波動(dòng)性的變化更加大一些，這也為之后更好地運(yùn)用VAR等工具進(jìn)行期貨市場(chǎng)的風(fēng)險(xiǎn)管理奠定了較好的基礎(chǔ)。最后我們發(fā)現(xiàn)，GARCH-M 模型的對(duì)數(shù)似然值為11621.67，AIC為?4.8819，SC為?4.8751；而EGARCH模型的對(duì)數(shù)似然值為11802.98，AIC為?4.9581，SC為?4.9513。故實(shí)際中投資者應(yīng)選取EGARCH模型對(duì)深圳成指的預(yù)測(cè)較為理想。

[1]Engle,Robert.Autoregressive conditional heteroskedasticity with estimates of the variance of U.K [J].Econometrica,1982(50): 987?1008.

[2]Engle,RUSSELL J.Autoregressive conditional duration: a new model for irregular spaced transaction data [J].Econometrica,1998(66):1127?1162.

[3]Bollerslev,Tim.Generalized autoregressive conditional heteroskedasticity [J].Journal of Economics,1986(31):307?327.

[4]萬(wàn)蔚.我國(guó)滬,深股市的波動(dòng)性研究—基于 GARCH族模型[J].價(jià)值工程,2007(10):14?18.

[5]鄧堯天,杜子平.EGARCH 模型在同業(yè)拆借利率預(yù)測(cè)中的應(yīng)用[J].湖北民族學(xué)院學(xué)報(bào),2007,25(2):234?237.

[6]楊妍妍,岳宏遠(yuǎn).我國(guó)中小企業(yè)板非對(duì)稱(chēng)性的實(shí)證研究[J].時(shí)代金融,2008(4): 51?53.

[7]吳毅芳,彭丹.我國(guó)股票市場(chǎng)價(jià)格波動(dòng)的非對(duì)稱(chēng)性及其國(guó)際比較[J].中南大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2007,13(5): 568?572.

[8]EVDOKIA X,STAVROS D.ARCH Models for Financial Applications [M].Athens University of Economics and Business,Greece,2010:19?55.