互联网金融概念股收益率的统计分析.docx

?

?

互联网金融概念股收益率的统计分析

?

?

摘要：利用新兴的广义自回归得分（GeneralizedAutoregressiveScore，GAS）模型同时对浙江省三大互联网金融概念股同花顺、生意宝和恒生电子日收益率序列的均值和波动率建模，结合描述性统计分析，得到收益率序列均存在典型的尖峰厚尾非正态性，且收益率序列本身平稳，波动率时变性显著，收益率序列之间具有较强相关性和联动特征。未来可以进一步进行收益和波动率的预测分析，为完善我国，尤其是浙江省互联网金融市场的功能提供参考信息，以利于更好地控制市场风险，稳定市场。

关键词：互联网金融;收益率;均值;波动率;GAS

：F23：Adoi：10.19311/j.cnki.1672-3198.2019.09.062

0引言

在飞速发展的电子科技推动下，互联网金融应运而生，并且得到了迅猛发展。互联网金融的快速发展打破了传统金融的经营模式，降低了交易成本，提高了资源配置率，加强了资金的流动性，提升了金融服务的效率，实现了为实体经济服务的目的。然而，从目前发展状况来看，互联网金融经营模式存在诸多风险，随着国家的监管力度越来越强，互联网金融的问题开始逐渐暴露，有必要进行风险控制和预警，有众多学者对此进行了研究，大多是从构建和完善互联网银行监管框架、监管政策网络、监管体系等角度分析的。

波动率反映了股价在一段时间内变化的不确定性，在风险管理、资产配置等许多金融领域均有重要应用，估计和预测资产收益率序列的波动率是金融计量的一个重要课题。波动率可以在一定程度上反映金融市场的风险程度，平均收益可以反映金融产品的盈利能力。鉴于此，本文另辟蹊径从平均收益率和波动率的动态变化中，探讨互联网金融市场的效率和风险，为我国尤其是浙江省的互联网金融市场监管政策的调整等，提供一定的参考。

目前有大量文献讨论金融市场收益率及其波动性，例如：乔高秀等（2014）采用跳-扩散随机波动率模型研究沪深300股指期货上市对现货市场波动的影响。邹新颖（2017）以余额宝为考察对象，对互联网金融的风险收益进行统计分析。然而讨论互联网金融市场的收益及其波动性和相关性的文献非常少。因此，本论文以互联网金融概念股市场为例，研究互联网金融市场金融资产收益率及其波动性和相关性特征，为完善互联网金融市场功能提供有益启示。

1研究方法

GAS模型（Creal，Koopman和Lucas（2013））是一类观测驱动（Observation-driven）的时间序列模型，通过密度函数的滞后得分（Laggedscore）更新时变参数，其优点是比单纯依赖均值和高阶矩的模型更能充分利用完整的密度结构来实时驱动时变参数。目前有关GAS模型的文献还较少。程明明（2016）利用GAS模型对我国上证指数波动率进行了实证研究，沈银芳和严鑫（2018）基于GAS模型展开对沪深300股指期货的推出对中国股市波动率的影响研究，进一步地沈银芳和严鑫（2018）讨论沪深300股指期货对中国股市平均收益和波动的综合影响，并且将GARCH和GAS模型得到的沪深300股指期货的推出对中国股市波动率影响进行了比较分析，GAS模型较GARCH模型对捕捉波动更敏感，能更好地拟合现货市场的波动性。此外GAS模型较GARCH模型还有一个突出优点，就是可以实现序列均值和波动率的同时刻画，避免了传统的时间序列方法ARMA和GARCH分开建模，带来参数估计和模型效率等各方面弊端。因此本论文利用GAS模型，分析讨论互联网金融概念股市场收益率及其波动的动态变化。

假设资产收益率Rt的密度函数p（Rt|ft，Ft;θ），其中ft代表随时间可变的模型参数，通常为均值和波动率参数，Ft代表t时刻的信息集，而θ代表不随时间变化的静态参数。ft的时变演化模式为由比例得分向量驱动的自回归形式，具体如下：

ft+1=κ+∑pi=1Aist-i+1+∑qi=1Bjft-j+1（1）

st=St·SymbolQC@

t（2）

SymbolQC@

t=lnp（εt|ft，Ft;θ）ft（3）

St=S（t，ft，Ft;θ）（4）

其中S（·）是一个矩阵函数，S由Fisher信息矩阵构造。式（1）-（4）给出了阶数为p，q的广义自回归得分模型，简记为GAS（p，q）。本文中取St为单位矩阵，且p=q=1。

在金融资产收益率的分布建模中，正态分布和t分布是最常见的两种分布。正态分布无法刻画金融资产收益率的厚尾特征，容易低估风险，t分布能够灵活地捕捉厚尾特征。故论文选取波动模型是基于t分布的GAS模型，简记为GAS-t，通过极大似然法估计模型参数。

2实证分析

2.1样本选取和描述性统计分析

本文选取同花顺、生意宝和恒生电子三大互联网金融概念股日收盘价序列，以rt=lo