沪深股市收益和风险分析

jz1316868

沪深股市收益和风险分析


摘要：通过采用ECM模型及GARCH模型对沪深股市进行了研究，结果发现两市波动性存在非对称性和杠杆效应，沪深两市对的利空消息反应均大于利好消息的反应，但是深市风险大于沪市风险，当然其收益率也比较高。
　　关键词：收益；风险；误差修正模型；沪深股市

　　引言
　　中国A股市场经过十几年的发展，市场逐渐在规范，但是上市公司整体所表现出来的股市市值规模仍然较小，2005年开始的股权分置改革，使A股市场的发展迎来了新的机遇，走出了多年的熊市，有了较快的发展，处于上升的行情之中，但是与之相伴的却是股市激烈的波动。此外，由于诸多因素的影响和限制，中国A股市场投机气氛较浓。自从2008年世界金融危机以来，股市还出现了市场不确定性因素增多和市场风险加剧的趋势。
　　当前出现了大量的研究资产收益率方面的文献，有的定量研究波动性的非对称反应机制（李珠，吕明光，2001；胡永红，陆忠华，2005；周立、王东，2005），有的对波动性的形成方式与来源进行了分解（仲黎明等，2003；樊智、张世英，2005），有的研究了两市IPO的版块效应（王燕鸣、楚庆丰，2009），这些研究具有一定的针对性，对我们研究金融市场运行机制与风险控制具有一定的启发意义。此外，有Engle等人开创ARCH和GRACH计量（Engel，1982），Grange（1988）的因果检验已经用在了许多经济金融模型检验中（如高辉、赵敬文，2006），使研究者对金融市场有了更多的认识。
　　本文主要采用误差修正模型（Error correct model）即ECM模型，检验两市短期波动模式的异同，判断两市对市场冲击的短期调整及反应程度，描述两市向均衡收敛的过程。同时利用两种Garch模型检验两市波动性之间的关系，判断两市的风险特征与风险转移过程，检验两市之间的“溢出效应”（spillover effect）和“杠杆效应”（leverage effect）。
　　一、变量选择和数据处理
　　在现有的可以衡量沪深股市的指数中，我们分别选择了上证A股综合指数和深圳A股综合指数作为指标。样本时间的选择，我们选择从2006年2月17日至2007年11月1日，这段时间，剔除节假日，共计样本416个。
　　我们将股市指数收益率Rt定义为股票指数的对数的一阶差分：Rt=ln（Pt）-ln（Pt-1），其中Pt是股票指数价格。当股票指数波动不是十分剧烈的时候，它近似等于股票指数的日收益率，对应着股票市场的整体收益水平。
　　许多的学者研究结果倾向表明中国股市处于弱有效形式（王智波，2004；黄泽先等，2008）。因此，本文对股票指数收益率序列Rt、股票指数绝对日收益率序列|Rt|、日均方收益率序列R2t的变化情况进行考察。当样本容量比较大的时候，根据大数定理与市场弱型有效，可知样本区间的整体收益率均值为：Rt=Rt≈0，其中T是样本容量。假设εt表示沪深两市A股指数日收益率与样本均值的偏离，则有εt=Rt-Rt≈Rt，εt=Rt-≈Rt，ε2t=（Rt-Rt）2≈R2t。
　　因此，沪深两市A股指数日收益率Rt、日绝对收益率Rt、日均方收益率R2t分别表示股指收益率分别围绕均值的双向变动，绝对变动，均方波动，他们体现了波动性逐渐增强的特点。
　　二、模型的建立
　　通过对沪深股市价格指数和收益率作单位根检验，Granger因果关系检验和协整检验，我们发现：（1）沪指和深指对数序列均为一阶单整I（1），指数收益率序列为平稳序列；（2）上海股票市场指数是深圳股市指数的Granger原因，但反之不成立；（3）沪深股指之间存在着协整关系（检验结果在附录）。基于检验结果，本文可以建立以下模型：
　　（一）误差修正模型
　　通过平稳检验，可以对沪深股指的收益率序列间建立误差修正模型，结果如下：
　　Rsht=0.7884Rszt+0.0957Rsh t-1+0.0288Rsh t-2-0.0974Rsz t-1-0.0787Rsz t-2-
　　0.0006+εsh t
　　（41.6471） （1.9558） （0.58988） （-2.26068） （-1.82970）
　　（-1.15173）
　　Rszt=01.0273Rsht+0.1121Rsz t-1+0.0577Rsz t-2-0.1128Rsht-1-0.0191Rsht-2-
　　0.0002+εsz t
　　（41.6471）（2.2821）（1.1734）（-2.02089）（-0.34466）
　　（-0.46366） （1）
　　其中，sh表示上海综指，sz表示深圳综指，t表示时间，t-1表示t期滞后一阶。根据上述误差修正方程计算，如果仍然引入非显著的回归项，那么求解收益率序列的无条件数学期望，可以得到两市收益率水平分别为：=0.00371，=0.00428。可见两市的长期收益率有显著差异。两市收益率均受到长期均衡关系的显著影响，但是修正项对沪深股市收益率是负的边际贡献。在ECM模型中，存在沪深两市股票价格收益率的交互影响，因为滞后系数出现部分显著与不显著，体现了短期波动之间的相互影响。
　　因此，ECM模型表明，沪深两市股票收益率之间存在长期的协整趋势，但是它们的短期波动过程存在着相异的波动模式。
　　（二）GARCH模型和溢出效应模型的估计与检验
　　我们采用GARCH模型检验收益率序列的条件异方差性，首先利用偏自相关函数（PACF）和自相关函数（ACF）决定均值方程中的AR过程与MA过程的阶数，然后根据绝对残差序列的特性，然后确定方差方程中的ARCH 项和GARCH项的阶数。在经过不断试错的情况下，GARCH（1，1）都能比较好地进行解释，其SC和AIC值也比较小。
　　沪深市场的GARCH－M模型和溢出效应模型估计（括号中为Z统计量值）：
　　Rsht=0.1789Rsht-0.0597Rsh t-1+ε t
　　 （3.338219） （1.15366）（2）
　　hsht=0.0000105-0.08（εsht-1）2+0.899hsht-1
　　 （1.7415）（3.6922） （31.7933）
　　Rszt=0.18Rszt-0.0122Rsz t-1+ε t
　　 （3.5721） （0.2446） （3）
　　hszt=0.00005-0.08（εsht-1）2+0.899hsht
　　 （1.75）（3.66） （31.71） 　　上述GARCH－M模型的均值方程和溢出效应模型估计结果显示，中国沪深股市存在一定的风险，波动性增加了当前收益率；两市的风险激励0.18和0.1789相近，且两市都存在显著的正向风险溢价。风险与收益相伴，高收益，伴随着高风险，高风险也伴随着高收益，体现出两个市场上的投资者都有一定程度的风险偏好。以上情况也表明：中国沪深股市经过近几年来的发展，已经逐渐成熟，成交量放大，其收益率水平和波动性能够起到一定的示范作用，其波动性形成了一定程度的“溢出效应”。
（三）杠杆效应模型估计
　　沪深股市A股指数的T-GARCH模型估计结果为（括号中为Z统计量值）：
　　Rsht=0.2094hsht-0.0433Rsh t-1+ε t
　　 （3.7429） （0.8633）
　　hsht=0.133762（εsht-1）2+0.932536hsht-1-0.102942Dsht（εsh t-1）2
　　（-2.6543） （4）
　　Rszt=0.2019hszt-0.0433Rsz t-1+ε t
　　（3.823） （0.1687）
　　hszt=0.1028（εsz t-1）2+0.9363hszt-1-0.7956Dszt（εsz t-1）2
　　 （-2.4389） （5）
　　从上述估计结果中可以看出，哑变量前的系数均为负值，并且在5%均十分显著，说明两市存在的“杠杆效应”十分显著，市场利空消息的影响明显强于利好消息的影响。这是中国沪深股市波动性的重要特征，也和国内其他学者的研究及国外学者对股市研究相一致。虽然对沪深两市的影响因素来源基本相同，但由于两市上市公司结构差异较大，沪市主要侧重大型国企，而深市则侧重中小板块，因此，企业规模的差异也影响了两市波动性的程度，即波动性的非对称性程度并不一致，且差异较大（由哑变量的系数大小0.102942和0.7956可以看出），沪市受利空消息影响的波动程度明显比深市要好很多。
　　结论
　　我们通过ECM模型和GARCH模型，分析中国沪深两市的关联性，也对收益率和波动性进行统计检验，得到的结论上面已经有了说明，下面总结如下：
　　首先，通过ECM模型，我们认为沪深两市的长期收益率几乎没有显著差异。两市收益率均受到长期均衡关系的显著影响，同时修正项为负的，这一反馈机制起到了保持长期均衡的作用。其次，我们发现，沪深两市指数收益率和波动性之中存在较为明显的非线性与非对称性。GARCH模型中显著的ARCH和GARCH项表明，两市的收益率序列存在一定的波动聚类与持续性。GARCH-M模型估计结果显示，市场存在一定的风险溢价，波动性增加了当前收益率。其中两地存在着相似的的风险溢价，且风险溢价是正向的，两个市场上的投资者都有一定程度的风险偏好。最后，通过T-GARCH模型检验结果，看到两市存在一定的“杠杆效应”，市场利好消息的影响弱于利空消息的影响，市场的波动性对消息影响呈现一定程度的非对称性。两市存在的利空消息均大于利多消息的作用，尤其是受利空消息的影响时，深市的波动幅度明显大于沪市。
　　参考文献：
　　[1]樊智，张世英.非线性协整建模研究及沪深股市实证分析[J].管理科学学报，2005，(2).
　　[2]高辉，赵进文.期货价格收益率与波动性的实证研究[J].财经问题研究，2007，(2).
　　[3]黄泽先，曾令华，江群.市场有效性传统及其演进和反思[J].数量经济技术经济研究，2008，(2).
　　[4]胡永宏，陆忠华.沪深股市杠杆效应的实证分析[J].数学的实践与认识，2005，(3).
　　[5]李姝，吕光明.中国股市股价指数变动的协整研究[J].辽宁师范大学学报，2001，(9).
　　[6]史代敏.沪深股市股指波动的协整性研究[J].数量经济技术经济研究，2002，(9).
　　[7]王智波.1970年以后的有效市场假说[J].世界经济，2004，(8).
　　[8]王燕鸣，楚庆丰.沪深股市IPO行业版块研究[J].金融研究，2009，(1).
　　[9]仲黎明，刘海龙，吴冲锋.深发展与深成指协整和引导关系的实证检验[J].预测，2003，(2).
　　[10]周立，王东.沪深股市的互动[J].统计与决策，2005，(8).
　　[11]Engle.R，1982，“Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation”，Economitrics，Volume 50，Issue 4，pp：987-1007.
　　[12]Granger.C，1980，“Testing for causality： A personal viewpoint”，Journal of Economic Dynamics and Control，Volume 2，Issue 1，pp： 329-352.
　　[13]Johansen，S.1988，“Statistical Analysis of Cointegration Vectors”，Journal of Economic Dynamics and Control，Volume 12，Issue 2-3，pp：231-254转