基干GARCH模型及VAR模型中国股票市场实证探析.doc

基干GARCH模型及VAR模型中国股票市场实证探析 　　【摘要】本文以深圳成分指?滴?例，对深成指日收益率数据进行ARCH效应检验，GARCH建模，分别得出残差服从正态分布，t分布，GED分布的GARCH预测模型，并对三种模型的优劣进行比较，针对股市对利好，利坏消息的反映程度，在GARCH模型的基础上建立具有杠杆效应的TGARCH模型，探究市场对好消息和坏消息的敏感程度 【关键词】GARCH模型 VAR模型 股票市场 一、引言 中国股市在2015年的表现更是让人欢喜让人忧。从牛市起步到疯牛的形成，再到股灾爆发流动性完全丧失，监管当局出手救市后又遭人民币贬值预期打压，政府不得不全球安抚，这一切仅仅在半年多的时间内完成，如梦亦如幻。因此进一步把握股票市场的整体变化趋势，预测股票市场的未来走向，甚至分析不同股票市场的联动作用，对股票市场既在宏观上进行把控，又在微观上能够掌握是我们进行实证分析的目标。在此基础上，本文以实证分析较少但代表性较强的深圳成分股指数为研究对象，对深成指的日收益数据进行GARCH族模型预测，以期找到对其风险的合理预测模型 二、基于GARCH模型的实证分析 本文利用锐思数据库选择2014年到2016年3年的日收盘价数据作为样本数据，对日收盘价数据进行对数差分，即：Rt=lnPt -lnPt-1，计算连续复利情况下的日收益率。本文的统计分析软件为EVIEWS软件 对日收益率数据进行描述性统计分析，用Eviews软件做出时序图，发现日收益序列均在0附近波动，并且日波动具有明显的聚集现象，也就是说日波动具有明显的突发性，时变性，集簇性特征 通过正态性检验发现，深成指日收益序列不服从正态分布。进行ADF检验发现t统计量的绝对值很大为22.8178，显著拒绝日收益率序列存在单位根的原假设，日收益率序列平稳。可以进行时间序列数据的处理 对确定平稳后的日收益率序列进行GARCH建模，首先要确定日收益率序列是否存在ARCH效应，即自回归条件异方差效应，检验ARCH效应最经典的方法为Engle（1982）提出的拉格朗日乘数检验，即LM检验。这里本文用Eviews软件进行ARCH效应检验。发现沪深300股指日收益数据存在明显ARCH效应 通过对深成指日收益序列的ARCH效应检验，残差项存在明显的ARCH效应，为了更好的拟合残差项的波动，我们建立GARCH模型对深成指的日收益率序列进行描述 GARCH模型通常建立在正态分布假设的基础上。在正态GARCH模型中假定服从条件正态分布，其条件方差为，由于改变的条件方差允许回报序列存在更多的异常值或者非常大的观测值，所以回报序列的无条件分布是尖峰的，且比正态分布具有更厚的尾部。因此GARCH类模型特别适合对于金融时间序列数据的波动性进行建模。然而，对于高频数据，正态GARCH仍然不能充分地描述数据的尖峰厚尾性。因此，本文同时使服从t分布和广义误差分布GED分布。进行GARCH～N，GARCH～t，GARCH～GED的建模，以期比较不同模型之间的优劣 在对GARCH模型进行建模的过程中，利用最常用的GARCH（1，1）模型。利用Eviews软件进行建模，GARCH（1，1）-N的建模结果为： Rt=0.058995（Rt-1）+=00.083565+0.907943 其中AIC值为-5.3947 保持均值方程不变，令残差项服从t分布，同样建立GARCH（1，1）模型。得出GARCH（1，1）-t的建模结果为： Rt=0.052622（Rt-1）+，=00.078019+0.9128 其中，模型误差平方项和残差平方项前的系数和约为0.99，接近1，很好的展示了其波动性，方差方程的各显著性都比较好，在10%显著性水平上都能通过检验。AIC值为-5.4137. 利用同样能够描述后尾的GED分布，建立GARCH（1，1）-GED模型，保持均值方程不变，令残差项服从GRD分布，同样建立GARCH（1，1）模型。得出GARCH（1，1）-GED的建模结果为： Rt=0.050797（Rt-1）+，=00.080527+0.910527 通过模型预测得出均值方程和方差方程中个别系数的显著性没有正态分布时显著，这和本文之前的预计有偏差，同时可以看到误差平方项和残差平方项前的系数和约为0.991，接近1，很好的展示了其波动性，同时AIC值为-5.4227，AIC值比较好 因此，通过同时使服从t分布和广义误差分布GED分布。进行GARCH-N，GARCH-t，GARCH-GED的建模后，利用深成指的日收益率数据，通过对结果的实证分析，发现GARCH（1，