中美股市杠杆效应及波动溢出效应.doc

中美股市杠杆效应及波动溢出效应［内容摘要］本文基于极大似然函数值准则和赤池信息准则，从众多非对称GARCH模型中选择最优模型来研究中美股市杠杆效应和波动溢出效应。结果表明：沪市和深市都表现出显著的杠杆效应，与美国股市相比沪市和深市杠杆效应较弱；沪市和深市之间存在显著的双向波动溢出效应，且沪市对深市的波动溢出效应更显著；美国股市与中国股市之间不存在显著的波动溢出效应。 ［关键词］股票市场；GARCH模型； 杠杆效应； 溢出效应 随着经济全球化的发展，世界各国经济被紧紧地联系在了一起。金融市场之间的互动和相互影响表现得尤为突出，金融市场的开放使单个市场波动很容易迅速地扩散到另一个市场，进而引起全球金融市场的波动。 Engle(1982)通过建立自回归条件异方差模型（ARCH）证明了金融时间序列存在波动聚集现象。［1］(987-1008)Engle和Ng(1993)绘制出了“利好”消息和“利空”消息的非对称性信息曲线，证明了资产市场的冲击存在非对称效应，即杠杆效应。［2］(1022-1082)韩非、肖辉（2005）研究了2000年到2004年中国股市与美国股市之间的联动性，发现中国股市和美国股市的相关性很弱。［3］(117-129)周孝华、黄斌贝（2008）对上证综合指数和深证综合指数之间波动的关系进行了研究，结果表明沪深两个市场之间相互引导，信息在两个市场之间能迅速传递，沪深两市存在双向波动溢出效应，并表现出波动的聚集性和非对称性特征。［4］(77-82)董秀良、曹凤岐（2009）研究了我国股市与美国和日本股市之间的波动溢出效应，结果表明只有香港股市对沪市具有显著的波动溢出效应，美国和日本股市对沪市的波动溢出不显著。［5］(1091-1099)张兵、范致镇和李心丹（2010）以上证指数和道琼斯指数为样本研究了中美股市之间的联动性，结果表明在价格和波动溢出方面，中国股市对美国股市的引导作用很弱；在QDII实施滞后，美国股市对中国股市的开盘价和收盘价均有显著的引导作用，美国股市对中国股市的波动溢出呈现不断增强之势。［6］(141-151) 关于股票市场杠杆效应和波动溢出效应，国外的研究较早也较为深入。相比而言，国内的研究较少。从已有的国内研究文献来看，都几乎一致地假设模型扰动项服从正态分布。但是大量的实证研究发现，即使GARCH模型能在一定程度上拟合股票收益率序列的尖峰分布特征，但是模型残差检验也往往拒绝正态分布假设。因此，模型扰动项正态分布假设的估计结果可能并非最优，甚至得出的结论缺乏稳健性。本文基于极大似然函数值准则和赤池信息准则，从众多备选模型中挑选出最优的模型对中美股市杠杆效应和波动溢出效应进行研究。 二、模型介绍、模型估计及数据 （一） 模型介绍 Bollerslev(1986)对ARCH模型进行了修正并提出了广义自回归条件异方差模型，即GARCH模型。［7］(307-327)完整GARCH（p,q）模型由一个条件均值方程和条件方差方程组成： y?t=x′?t +? ? 2?t= +∑qj=1?? 2??t-j?+∑pi=1?? 2??t-i? t=1,2,…T（1） 式中，x?t(x??1t?,x??2t?,…，x??kt?)′是解释变量向量， (? 1,? 2,…，??)′是系数向量，? 2?t为条件方差。 随着研究的不断深入，研究者们发现股票市场对“利好”和“利空”消息的反应存在非对称性，即”杠杆效应”。为了研究股票市场中的“杠杆效应”，Nelson(1991)提出了EGARCH或指数GARCH模型。［8］(347-370)该模型表示如下： y?t=x′?t +? ln? 2?t= +n? 2??t-1?+B(|〗??-1???-1?+?X(〗??-1???-1? t=1,2,…T（2） 当悖 0且显著时，表明存在“杠杆效应”。比起纯粹的GARCH模型来说，EGARCH模型有几个优点。首先，建立了对数模型，即使参数估计值为负数，方差项也能保证为正数。所以不需要对模型参数施加非负约束；其次，如果波动性和收益之间呈负相关关系，则悖 0，所以，EGARCH模型可以解释股票市场“杠杆效应”。?① 另外，Glosten、Jagannathan和Runkle(1993)提出了TGARCH模型，有时也称GJR模型。［9］(1779-1801) y?t=x′?t +? ? 2?t= +?2??t-1?+?2??t-1?d??t-1?+?2??t-1? t=1,2,…T（3） 该式中d??t-1?是一个虚拟变量，当??-1?＜0时，d??t-1?=1；否则d??t-1?=0。若 0，则存在“杠杆效应”。上式中，条