金融时间序列论文 不同ARCH模型对上证指数的分析.doc

基于不同ARCH模型的中国股市波动性预测 ----以上证综指为例 摘要：本文采用上证综合指数2000年1月4日到2010年5月31日的每日收盘价对数百分收益率为样本，通过拉格朗日检验(LM)，发现上海股市的日收益率服从ARCH过程。在此基础上，本文检验和对比四种ARCH模型对于我国上海股票市场波动性的预测能力，并利用三种预测误差度量指标比较了这四种模型的样本内及样本外预测能力。结果发现：TGARCH对于市场波动的预测结果是最佳的，而EGARCH和PARCH模型的预测结果也要好于GARCH(1，1)。这表明我国上海股票市场受坏消息的负面影响大于同等程度好消息的正面影响，而运用单边非对称的GARCH模型将更利于提高波动性预测的准确性。 关键词：波动性；条件方差；预测；GARCH模型；预测误差度量指标 前言 现代的金融体系，有着成千上万的参与者，因此由其自身所决定的某种均衡，势必会变得不规则。金融市场的这种干扰项，或称波动，成为了许多研究的目标。从资产定价理论来看，收益被表现为风险的函数，而波动程度经常被当作对风险的度量；并且准确的波动预测也是大多数金融衍生物的重要定价标准。而对于投资者而言，一个正确的波动性预测能控制风险获得良好收益。因此计量股市波动性的模型，一直以来受到了金融学者和证券投资者的相当关注。 在Engle(1982)的学术研究以前，人们一直以样本方差和协方差来度量股票收益的不确定性。而这种传统的假定波动性恒定不变的度量方法受到了挑战，首先从事股票价格、收益的研究者发现，股票收益时间序列的峰态明显大于正态分布的峰态，且收益的波动性不是长时间恒定不变的，大(或小)的收益接下来的是大(或小)的收益，也就是说大(或小)的波动是成群出现，而高(或低)的市场波动总是会持续一段时期。在Black(1976)对此现象的研究之后，现在已被公认为“杠杆效应”。波动的这种差异特征很可能是由于金融市场的波动受谣言、政局变动、政府货币与财政政策变化等因素的影响。Engle(1982)运用时间序列工具刻画条件方差的时变性，提出自回归条件异方差模型(ARCH)。Engle(1982)的ARCH和之后 Bollerslev(1986)提出的GARCH模型认为市场的波动是有条件的，而基于条件波动性的GARCH模型解决了股市收益分布峰态过大的问题。而之后随着GARCH模型的发展，包括Glosten et al.(1991)的Threshold GARCH (TGARCH) 和Nelson (1991) Exponential GARCH (EGARCH)模型等模型的出现，又帮助解释股市收益分布的另一显著特征：即分布的偏态问题。尽管有广泛的对发达市场(如美国、英国股市)的条件波动性的建模和预测，并且众多研究者认为股市的波动是可预测的，但迄今为止尚未就某种波动预测技术的优良性达成共识。如Ludger Hentschel (1995)曾应用各种GARCH模型(即 GARCH、EGARCH、TGARCH)对美国股市的非对称特征进行了分析。 新兴市场作为同时具备高风险及高收益之显著特征的市场，无论为了国际分散投资或是高收益投机的目的，都日益吸引了全球投资者的兴趣，因此建模和检验这些市场的波动性也尤为重要。包括中国在内的国际资本新兴市场常具有比发达市场更高的收益，但同时又具有比发达市场更高的市场波动性。同时由于新兴市场中的金融产品比较单一，往往缺少包括各种金融衍生物在内的风险规避工具，这就使得对于作为市场风险重要衡量指标的市场波动性的进行准确预测显得尤为重要，进而能够采取相应的风险规避措施。我国的万建强、文洲(2001)曾以ARIMA模型与ARCH模型对香港股指预测能力进行比较，认为ARIMA模型与ARCH模型在应用中并不存在绝对优劣的问题，而应在不同时期择拟合优度佳者用之。邹建军、张宗益、秦拯(2003)认为GARCH(1，1)模型比RiskMetrics和移动平均法能更准确地反映我国上海股市的风险。郑周(2004)在四种不同的分布假设(Normal、Student-t、GED)和 Skewed Student-t)下，对上证指数波动性进行了GARCH(1，1)模型预测能力的实证比较研究。 本文采用上证综合指数2000年1月4日—2010年5月31日的每日收盘价对数百分收益率为样本，运用应用四种不同的ARCH模型(GARCH(1，1)模型、TGARCH、EGARCH和PARCH模型)来检验我国的上海股市收益的波动性，并通过对未来一段时间的数据进行预测，检验和对比这些模型在中国市场的预测能力。最后利用三种预测误差度量指标比较了这四种模型的样本内及样本外预测能力。 数据来源说明和模型的建立 本文中采用上证综合指数为研究