沪深300股指期货对A股市场波动性实证研究.docVIP

PAGE  PAGE 7 沪深300股指期货对A股市场波动性实证研究 　　摘 要：文章对沪深300指数日收盘价日收益率建立ARMA模型，并使用GARCH模型和EGARCH模型分析引入股指期货对A股市场波动性的影响，发现引入股指期货减轻了A股的波动性及非对称型。 　　关键词：股指期货；A股市场波动性；GARCH模型；EGARCH模型 　　中图分类号：F830 文献标识码：A 文章编号：1008-4428（2016）08-101 -03 　　一、引言 　　股指期货是一种金融衍生工具， 以股票价格指数为标的，买卖双方根据事先约定， 在未来某一特定时间以约定价格进行股指期货交易的一种标准化协议。 　　一般而言， 股指期货的推出会产生额外交易， 同时吸引新资金入场交易。股指期货的套利交易及投资组合使得期货与现货之间的关系更为稳定。 　　2005年4月8号沪深300指数开始发布，2010年4月16号沪深300股指期货正式推出，我国股指期货市场迅速发展起来。沪深300股指期货的推出对沪深300指数波动性影响问题成为了研究人员和投资者普遍关注的问题。 　　文章通过研究2005年4月8号到2016年5月6号的沪深300指数的收盘数据，分析沪深300股指期货推出对股票现货市场波动性的影响，通过对沪深300指数日收益率数据建立ARMA模型并对该模型的残差在引入虚拟变量的情况下建立GARCH模型和EGARCH模型来分析股指期货的推出对现货市场波动性和杠杆效应的影响，并阐述了出现该现象的原因，这对于投资者制定投资策略以及政府机构出台金融政策稳定市场都具有很好的参考价值。 　　二、数据选取与统计描述 　　（一）数据选取 　　文章使用沪深300指数日收益率数据作实证分析。选取2005年4月8号到2016年5月6号沪深300指数日收盘价（Ct）作为原始数据，数据来源为Wind数据库，共2693个数据。日收益率用指数收盘价的对数之差表示：Rt=lnCt-l-lnCt-1，故沪深300指数的日收益率数据共2692个。 　　（二）描述性统计 　　图1反映了日收益率序列的分布情况。右边为样本的描述统计量值。 　　由表1可知， 序列Rt的偏度S=-0.5165603， 其与标准正态分布（S=0，K=3）相比，日收益率序列略微左偏并为尖峰厚尾形态。 　　（三）沪深300指数日收益率序列平稳性检验 　　文章运用的是ADF单位根检验方法。ADF值小于给定显著水平下的临界值时， 表明该时间序列没有单位根， 即该序列为平稳序列。反之，则为非平稳序列，需要对序列进行差分处理， 以使序列平稳。 　　使用Eviews8.0软件对日收益率序列进行单位根检验。检验结果如表2所示，ADF=-23.85910，小于1%显著性水平下的临界值-3.4358即样本时间序列不存在单位根，可见日收益率序列是平稳序列， 可对其建立ARMA模型。 　　三、实证分析 　　（一）沪深300指数日收益率序列ARMA模型的建立 　　1.自回归移动平均方程的建立 　　设收益率序列的ARMA模型方程为： 　　使用AIC准则和SC准则对模型阶数进行选择， 通过Eviews8.0软件对序列分别进行ARMA（1，1）、ARMA（1，2）、ARMA（2，1）、ARMA（2，2）回归分析， ARMA（2，2）模型由于不满足宽平稳的条件，不予考虑。表3中第一行的AIC值和SC值最小，所以选ARMA（1，1）较为合适。 　　2.参数估计 　　使用Eviews8.0对沪深300指数收益率数据建立ARMA（1，1）模型，进行参数估计，结果如表4。所以得到的模型为： 　　3.ARCH效应检验 　　通过ARCH-LM检验来判断该模型残差序列是否存在条件异方差。再对其残差进行滞后8阶的ARCH-LM检验，结果如表5所示。 　　表5中LM统计量（Obs*R-squared）的相伴概率为0，表明模型残差序列存在高阶ARCH效应， 故选择对ARMA（1，1）模型残差建立GARCH模型。 　　（二）GARCH模型的选择与建立 　　对收益率序列ARMA模型的残差建立GARCH模型。通过AIC准则、SC准则来确定模型的阶数，结果如表6，应该选择 GARCH（1，1）模型。 　　表6 不同阶数的GARCH的AIC值和SC值 　　对ARMA（1，1）模型残差建立GRACH（1，1）模型之后，对该GARCH（1，1）模型的残差进行卡方检验以检验其相关性，结果GARCH模型的残差序列相互独立，不存在相关性，说明GARCH模型已经成功提取了ARMA模型残差中的信息，使得GARCH模型的残差成为白噪声。再对GARCH模型的残差进行ARCH效应的LM检验，分别进行1阶和8阶检验，结果如下，