|
在5%置信水平下都显著，说明对上证综指指数收益率的具有较好的拟合效果，且在各模型 基础上对其残差项进行异方差效应的LM 检验，其P 值普遍大于0.05，指数的条件异方差现 象得到消除，从而充分说明了各模型对于上证综指收益率序列异方差特征的优良拟合性。其 125 次由于ARCH 项和GARCH 项的系数之和反映了条件方差所受冲击的持久性，表4 中α和 β分别表示ARCH 项和GARCH 项的系数，通过计算可得各模型在不同分布假设下α+β均 小于1，其均值为0.967,可见系数之和都非常接近于1，可见上海股票市场的波动影响性较 大，剧烈波动的冲击性具有持久性，在短期内很难消除。最后γ作为TARCH 模型中的非对 称效应项的系数，其显著性反映了指数序列的的非对称效应，由表4 中可以看出杠杆因子系 130 数γ不等于0，其通过显著性水平的检验，说明外部冲击对上证指数收益率波动率的影响具 有非对称性，具有显著的刚刚效应，又因为γ>0，说明利空消息对收益率波动性的冲击比同 等的利好消息的冲击性更巨大。 综上可知，GARCH 类模型对上证综指指数的拟合效果良好，为了进一步验证其预测能 力，则分别选择95%和99%的置信水平，计算指数序列的日均VaR 值，并用2010 年1 月4 135 日到2011 年5 月31 日的数据进行Kupiec 回测检验。 表5 上证综指在三种分布假设下VaR 统计结果 Tab. 5 The VaR Statistical results of Shanghai Composite Index in three distribution hypothesis 模型 置信度（%) VaR 均值 VaR 标准差 N N/T LR GARCH(1,1)-n 95 -0.023 0.004 17 4.79% 0.015 GARCH(1,1)-M-n 95 -0.022 0.004 17 4.79% 0.015 TARCH(1,1)-n 95 -0.023 0.005 17 4.79% 0.015 EGARCH(1,1)-n 95 -0.023 0.004 17 4.79% 0.015 GARCH(1,1)-n 99 -0.032 0.062 7 1.97% 1.146 GARCH(1,1)-M-n 99 -0.032 0.062 7 1.97% 1.146 TARCH(1,1)-n 99 -0.033 0.007 8 2.25% 1.805 EGARCH(1,1)-n 99 -0.033 0.062 7 1.97% 1.146 GARCH(1,1)-t 95 -0.023 0.004 17 4.79% 0.015 GARCH(1,1)-M-t 95 -0.023 0.004 17 4.79% 0.015 TARCH(1,1)-t 95 -0.023 0.005 17 4.79% 0.015 EGARCH(1,1)-t 95 -0.023 0.004 17 4.79% 0.015 GARCH(1,1)-t 99 -0.033 0.006 7 1.97% 1.146 GARCH(1,1)-M-t 99 -0.033 0.006 7 1.97% 1.146 TARCH(1,1)-t 99 -0.033 0.007 8 2.25% 1.805 EGARCH(1,1)-t 99 -0.033 0.062 7 1.97% 1.146 GARCH(1,1)-GED 95 -0.023 0.004 17 4.79% 0.015 GARCH(1,1)-M-GED 95 -0.023 0.004 17 4.79% 0.015 TARCH(1,1)-GED 95 -0.023 0.005 17 4.79% 0.015 EGARCH(1,1)-GED 95 -0.023 0.004 17 4.79% 0.015 GARCH(1,1)-GED 99 -0.032 0.006 7 1.97% 1.146 GARCH(1,1)-M-GED 99 -0.033 0.006 7 1.97% 1.146 TARCH(1,1)-GED 99 -0.033 0.007 8 2.25% 1.805 EGARCH(1,1)-GED 99 -0.033 0.062 7 1.97% 1.146 注：N 表示样本中损失高于VaR 的失败次数，N/T 表示失败率 145 从表5 中可以看出，首先在相同的置信度水平下，四种GARCH 模型的VaR 均值水平 没有显著的差异，TARCH 模型的VaR 标准差略大于其他三种模型，且失败率和LR 值基本 一致。其次VaR 各指标值在三种不同的分布假设下的区别不显著，说明不同的分布特点对 上证综指收益率波动性风险不存在显著性影响，且在5%置信水平下，VaR 均值约为-0.023， 150 其标准差为0.004，失败率在5%水平上，而在1%置信水平下，VaR 均值约为0.033，其标 准差为0.006，失败率在2%水平上。最后关于LR 值得判别，在置信度为95%时，四种模型 的LR 值都小于3.841,即显著小于其临界值水平，所以模型均通过Kupiec 检验，同样在置信 度为99%时，四种模型的LR 值显著小于7.725 的临界值水平，所以模型在1%置信水平下 同样通过检验。 155 3.4.2 深证成指指数分析 表6 深证成指在三种分布假设下模型参数估计结果 Tab. 6 the parameter estimation results of Shenzhen Component Index in three distribution hypothesis 模型 ω α β γ D.F ν GARCH(1,1)-n 0.000 0.092 0.899 GARCH(1,1)-M-n 0.000 0.093 0.897 TARCH(1,1)-n 0.000 0.075 0.899 0.035 EGARCH(1,1)-n -0.267 -0.023 0.985 0.192 GARCH(1,1)-t 0.000 0.103 0.886 5.432 GARCH(1,1)-M-t 0.000 0.106 0.883 5.294 TARCH(1,1)-t 0.000 0.083 0.883 0.048 5.487 EGARCH(1,1)-t -0.312 -0.029 0.981 0.211 5.624 GARCH(1,1)-GED 0.000 0.096 0.893 1.296 GARCH(1,1)-M-GED 0.000 0.099 0.888 1.278 TARCH(1,1)-GED 0.000 0.078 0.892 0.039 1.300 EGARCH(1,1)-GED -0.290 -0.024 0.983 0.199 1.312 注：D.F 为t-分布的自由度，ν 为GED-分布的尾部参数，表中各模型的系数在5%水平下显著。 160 从表6 中可以看出，首先在三种不同的分布假设下，四种GARCH 模型的参数估计结果 在5%置信水平下都显著，说明对深证成指指数收益率具有较好的拟合效果，且对其残差项 进行异方差效应的LM 检验，其P 值大于0.05，指数的条件异方差现象得到消除，充分说明 了各模型对于深证成指收益率序列异方差特征的优良拟合性。其次表6 中α和β作为ARCH 165 项和GARCH 项的系数，通过计算可得各模型在不同分布假设下α+β均小于1，其均值为 0.976 ,系数之和同样非常接近于1，可见深圳股票市场的波动影响性较大，剧烈波动的冲击 性具有持久性，在短期内很难消除。最后由表6 中可以看出杠杆因子系数γ不等于0，其通 过显著性水平的检验，说明外部冲击对深证成指指数收益率波动率的影响具有非对称性，具 有显著的刚刚效应，又因为γ>0，说明利空消息对收益率波动性的冲击比同等的利好消息的 170 冲击性更巨大。 为了进一步检验GARCH 模型对于深证成指的预测能力，如上同样求得深证成指的VaR 水平并进行LR 检验。 表7 深证成指在三种分布假设下VaR 统计结果 175 Tab. 7 The VaR Statistical results of Shenzhen Component Index in three distribution hypothesis 模型 置信度（%) VaR 均值 VaR 标准差 N N/T LR GARCH(1,1)-n 95 -0.027 0.005 18 5.07% 0.002 GARCH(1,1)-M-n 95 -0.027 0.005 18 5.07% 0.002 TARCH(1,1)-n 95 -0.027 0.006 19 5.35% 0.039 EGARCH(1,1)-n 95 -0.027 0.005 18 5.07% 0.002 GARCH(1,1)-n 99 -0.038 0.008 8 2.25% 1.805 GARCH(1,1)-M-n 99 -0.038 0.008 8 2.25% 1.805 TARCH(1,1)-n 99 -0.039 0.008 8 2.25% 1.805 EGARCH(1,1)-n 99 -0.039 0.007 8 2.25% 1.805 GARCH(1,1)-t 95 -0.027 0.006 18 5.07% 0.002 GARCH(1,1)-M-t 95 -0.027 0.006 18 5.07% 0.002 TARCH(1,1)-t 95 -0.028 0.006 19 5.35% 0.039 EGARCH(1,1)-t 95 -0.028 0.005 18 5.07% 0.002 GARCH(1,1)-t 99 -0.039 0.008 8 2.25% 1.805 GARCH(1,1)-M-t 99 -0.039 0.008 8 2.25% 1.805 TARCH(1,1)-t 99 -0.039 0.009 7 1.97% 1.146 EGARCH(1,1)-t 99 -0.039 0.007 7 1.97% 1.146 GARCH(1,1)-GED 95 -0.027 0.005 19 5.35% 0.039 GARCH(1,1)-M-GED 95 -0.027 0.006 19 5.35% 0.039 TARCH(1,1)-GED 95 -0.027 0.006 19 5.35% 0.039 EGARCH(1,1)-GED 95 -0.027 0.005 18 5.07% 0.002 GARCH(1,1)-GED 99 -0.038 0.008 8 2.25% 1.805 GARCH(1,1)-M-GED 99 -0.038 0.008 8 2.25% 1.805 TARCH(1,1)-GED 99 -0.039 0.008 8 2.25% 1.805 EGARCH(1,1)-GED 99 -0.039 0.007 8 2.25% 1.805 注：D.F 为t-分布的自由度，ν 为GED-分布的尾部参数，表中各模型的系数在5%水平下显著。 从表7 中可以看出，首先四种GARCH 模型在相同的置信度水平的VaR 均值水平没有 显著的差异，EGARCH 模型的VaR 标准差略低于其他三种模型，且失败率和LR 值没有显 180 著差异。其次与上证综指类似，VaR 各指标值在三种不同的分布假设下的区别不显著，说 明不同的分布特点对深证综指收益率波动性风险不存在显著性影响，且在5%置信水平下， VaR 均值约为-0.027，其标准差为0.006，失败率在5.4%水平上，而在1%置信水平下，VaR 均值约为-0.038，其标准差为0.008，失败率在2.25%水平上。最后关于LR 值得判别，在置 信度为95%时，四种模型的LR 值都小于3.841,即显著小于其临界值水平，所以模型均通过 185 Kupiec 检验，同样在置信度为99%时，四种模型的LR 值显著小于7.725 的临界值水平，所 以模型在1%置信水平下同样通过检验。 4 结论 通过以上的实证分析，详细比较了四种GARCH 模型在三种不同假设分布下的参数估 计，并且比较其VaR 值的不同，可以得到以下结论： 190 第一，无论是上证综指还是深证综指，四种GARCH 模型的参数在不同假设分布下都在 5%置信水平上显著，说明GARCH 类模型对于我国股票市场收益率的波动性的拟合具有良 好的效果。 第二，针对上证综指和深证综指的刚刚因子系数显著大于0，说明外部冲击对于我国的 股票市场收益率的波动性影响具有持久性，短期内无法消除，尤其是利空消息的冲击性要明 195 显大于利好消息的影响，因此对于政策调控部门而言，在政策的实行上要有所侧重，尤其是 针对市场上不利消息时，由于其持久性和巨大的冲击性，调控部门必须注意政策的连续性。 同样对于投资者而言，在市场上充满利空消息时，由于其投资风险显著提高，更要谨慎投资。 第三，通过比较相同分布假设下，同一置信水平的上证综指和深证成指的VaR 值，可 以看出无论VaR 均值还是标准差水平，深证综指都略高于上证成指的指数水平，表明就我 200 国两个股票交易市场而言，深证股票市场的波动风险要大于上海股票市场。 [参考文献] (References) [1] 王楚明，张留禄.基于VaR 的我国股市市场风险度量[J].金融市场，2010,3：63-65 [2] 史天雄，钱锦晔.VaR 方法及其在中国股票市场的风险度量研究[J]. 中国地质大学学报（社会科学版）， 205 2010,10（4）：119-124 [3] 戴兰兰，潘冠中.基于GARCH 族模型的上证综合指数波动性分析[J]. 经营管理者，2011,9: 184-185 [4] 赵国健，刘静.基于GARCH 模型的上海股票市场波动性研究[J].企业导报，2010,12:29-30 [5] 陈林奋，王德全.基于GARCH 模型及VaR 方法的证券市场风险度量研究[J].工业技术经济，2009,28（11）： 128-137 学术论文网Tag：代写经济论文 代写代发论文 论文发表 代发论文 代写实证论文 |
