鄭駿駿
由于新冠肺炎疫情影響,選取上證380醫(yī)藥衛(wèi)生指數(shù)進行時間序列模型實證分析。首先,對指數(shù)序列進行描述性統(tǒng)計分析,建立ARMA模型,然后通過模型檢驗發(fā)現(xiàn)模型的殘差存在條件異方差性,再進行GARCH模型的建模,隨后通過AIC值選擇得到ARMA(2,3)-GARCH(1,1)模型,最后通過檢驗得到充分的模型確定其有效性,得出上證380醫(yī)藥衛(wèi)生指數(shù)的日對數(shù)收益率序列存在波動聚集性和ARMA-GARCH也使用于板塊指數(shù)分析的結(jié)論。
一、引言
伴隨著我國科技水平的不斷發(fā)展,我國醫(yī)療質(zhì)量水平持續(xù)改善,醫(yī)療技術(shù)能力不斷提升,人們對醫(yī)療服務(wù)的需求也越來越高。同時,新型冠狀病毒肺炎疫情之下,廣大股市投資者對于醫(yī)療板塊的股票關(guān)注度有所提升。股票市場的波動性一直以來都是統(tǒng)計學(xué)的熱點研究領(lǐng)域,基于近期的醫(yī)療板塊股票的大幅波動和關(guān)注度的提升,并且以往的學(xué)者在這方面的研究涉及較少。因此,本文選取醫(yī)療板塊指數(shù)的股價數(shù)據(jù)作為研究對象是具有一定價值的。
在金融市場中存在著諸多不確定性,股票收益的波動幅度也就是風(fēng)險是隨著時間的變化而變化的。Engle(1982)提出了首個波動率建模的系統(tǒng)框架,即一種自回歸條件異方差模型(ARCH),該模型中Engle用誤差項表示為前一時刻的函數(shù),由此得到當(dāng)前時間的誤差項條件方差。Bollerslev(1986)在ARCH模型的基礎(chǔ)上進行了改進,提出了一個推廣形式的ARCH模型,被稱為GARCH模型。本文基于ARMA-GARCH模型研究醫(yī)藥板塊股票的對數(shù)收益率序列的波動率。
二、模型簡介
(一)ARMA(p,q)模型
自回歸滑動平均(ARMA)模型是由統(tǒng)計學(xué)家BOX和Jenkins在20世紀(jì)70年代提出的一種較高精度的時間序列模型。其模型可表示為:
其中是{Yt}是收益率序列,{εt}是白噪聲序列,即是一個具有有限均值和有限方差的獨立同分布隨機變量序列,p和q是非負(fù)整數(shù),分別表示自回歸項和滑動平均項的項數(shù)。ARMA模型是AR模型和MA模型的結(jié)合,其中包含AR項和MA項。
(二)ARCH效應(yīng)及GARCH(m,s)模型
ARCH模型的基本思想是基于先前的信息集合下,某一時刻的噪聲服從一個分布,它的方差是一個隨時間變化的量(即為條件異方差),擾動項本身是序列不相關(guān)的,但是序列是相互不獨立的。假設(shè)at服從ARCH(m)模型,若at滿足下式
其中{t}是均值為0、方差為1的獨立同分布隨機變量序列,其中a0>0,對i>0有ai≥0。GARCH模型是ARCH模型的推廣形式,對于一個對數(shù)收益率序列rt,令at=rt-μt為t時刻的新息,假設(shè)at服從GARCH(m,s)模型,若at滿足下式:
其中{t}是均值為0、方差為1的獨立同分布隨機變量序列,這里a0>0,ai≥0(αi+βi)<1。αi和βi分別表示ARCH項和GARCH項的參數(shù)。
三、實證分析過程
(一)數(shù)據(jù)選取與預(yù)處理
本文選取上證380醫(yī)藥衛(wèi)生指數(shù)作為研究對象并運用R統(tǒng)計軟件進行數(shù)據(jù)分析,選取2015年5月27日至2020年5月26日的日收盤價,共計1218個樣本數(shù)據(jù),樣本數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫。本文對上證380醫(yī)藥衛(wèi)生指數(shù)日收盤價先取對數(shù)再作差分處理,即計算對數(shù)收益率序列。對數(shù)收益率序列計算公式如下:
其中,Pt表示t時刻的指數(shù)收盤價,表Pt-1示時刻的指數(shù)收盤價,rt表示日對數(shù)收益率。
(二)描述性統(tǒng)計分析
根據(jù)預(yù)處理之后的日對數(shù)收益率序列作描述性統(tǒng)計,統(tǒng)計結(jié)果見表1:
根據(jù)表1可以看出,通過JB檢驗統(tǒng)計量對對數(shù)收益率序列的正態(tài)性檢驗的結(jié)果顯示,p值<2.2e-16遠(yuǎn)小于0.05,即表示對數(shù)收益率序列不服從正態(tài)分布。
從圖1可以看出,上證380醫(yī)藥衛(wèi)生指數(shù)日對數(shù)收益率序列具有明顯的非堆成性并且在0附近波動,且存在簇集特征,即大的波動伴隨著大的波動,小的波動伴隨著小的波動。
(三)單位根檢驗
在建立ARMA模型前需要對序列的平穩(wěn)性進行檢驗,本文采用單位根檢驗法(ADF檢驗)檢驗對數(shù)收益率序列的平穩(wěn)性。
H0:日對數(shù)收益率序列存在單位根(即序列非平穩(wěn))
H1:日對數(shù)收益率序列不存在單位根
經(jīng)過計算ADF檢驗統(tǒng)計量的p值為0.01小于顯著水平α=0.05,故拒絕原假設(shè),序列不存在單位根,即為平穩(wěn)時間序列。
(四)自相關(guān)性和偏相關(guān)性檢驗
本文采用R統(tǒng)計軟件的系統(tǒng)自動定階函數(shù),根據(jù)AIC值來進行模型選擇。最終,擬合得到ARMA(2,3)模型,結(jié)果如表2所示。
由表2的結(jié)果可知,模型的系數(shù)均是顯著的,然后進行模型的診斷,對殘差序列進行Box.test檢驗,得到的p值為0.3318,大于顯著性水平α=0.05,故不拒絕原假設(shè),說明模型是充分的。
(五)ARCH效應(yīng)檢驗
從上文中繪制的日對數(shù)收益率序列的時序圖中發(fā)現(xiàn)序列可能存在異方差性。于是,考慮建立波動率模型。首先要進行ARCH效應(yīng)的檢驗,本文采用Ljung-Box統(tǒng)計量Q(m)對序列{}進行檢驗。
H0:序列不存在ARCH效應(yīng)
H1:序列存在ARCH效應(yīng)
通過R統(tǒng)計軟件的檢驗,Q(m)統(tǒng)計量的p值<2.2e-16,小于顯著性水平α=0.05,故拒絕上證380醫(yī)藥衛(wèi)生日對數(shù)收益率序列不存在ARCH效應(yīng)原假設(shè),可以繼續(xù)建立波動率方程。
(六)條件方差GARCH族模型
由上面的檢驗得知,上證380醫(yī)藥衛(wèi)生日對數(shù)收益率序列具備GARCH效應(yīng),假設(shè)殘差序列服從t分布,這里只討論模型的低階的情況,分別建立低階GARCH模型,根據(jù)AIC值選擇最優(yōu)模型。建模的過程具體如下: