股票市场波动性研究——基于ARMA-TGARCH-M模型的实证分析

doi:10.13766/j.bhsk.1008-2204.2015.0350

北京航空航天大学学报（社会科学版） ›› 2017, Vol. 30 ›› Issue (4): 56-66.DOI: 10.13766/j.bhsk.1008-2204.2015.0350

股票市场波动性研究——基于ARMA-TGARCH-M模型的实证分析

刘湖, 王莹

陕西师范大学国际商学院, 陕西西安 710100

收稿日期:2015-06-23 出版日期:2017-07-25 发布日期:2017-07-21
作者简介:刘湖(1963-),男,陕西子洲人,副教授,博士,研究方向为现代服务业.
基金资助:
西安市科技局2012年社会发展引导计划-软科学研究项目（SF1230-3）；西安市2013年度社会科学规划基金资助项目（13J106）

Study on Volatility of Stock Market:Empirical Analysis Based on ARMA-TGARCH-M Model

LIU Hu, WANG Ying

International Business School, Shaanxi Normal University, Xi'an Shaanxi 710100, China

Received:2015-06-23 Online:2017-07-25 Published:2017-07-21

摘要/Abstract

摘要：

通过构建ARMA-TGARCH-M模型，并同时利用上证综合指数和深圳成份指数的低频日收益率和5分钟高频收益率数据，对中国股票市场的波动性问题进行了实证研究。结果表明：中国股票市场存在着大幅度高频率波动，市场总体风险较大，而且收益率波动也存在着波动集群性、尖峰后尾性和非对称分布等特征，深圳股票市场在各方面的特征也都比上海股票市场突出。此外，低频日收益率序列和5分钟高频收益率序列都存在着显著的平稳性、自相关性和ARCH效应，中国股票市场还存在着较长的外部冲击波动持续期，且杠杆效应显著。GARCH族模型能够很好地拟合中国股票市场的波动性问题。

关键词: 股票市场, 价格波动性, ARMA-TGARCH-M模型, 高频数据, 风险, 沪深股市

Abstract:

This paper conducts an empirical test of the volatility of the stock market in China, by building the ARMA-TGARCH-M model, and using the data of low-frequency daily yield and high-frequency five minutes yield of Shanghai Composite Index and Shenzhen Component Index simultaneously. The empirical results show that there is a substantial high-frequency fluctuation in China's stock market, and that the overall market risk is high. Moreover, there are characters of volatility clustering, peaky kurtosis and thick trail and asymmetric distribution in the yield volatility of stock market in China; and the stock market in Shenzhen is more prominent in all those characteristics than the stock market in Shanghai. In addition, there are significant stability, self-correlation and ARCH effect, long external shock volatility duration, and the significant leverage effect as well. GARCH Models can be fitted well to the problem of the volatility of the stock market in China.

Key words: stock market, price volatility, ARMA-TGARCH-M, high frequency data, risk, shanghai and shenzhen stock market

中图分类号:

F830.91

刘湖, 王莹. 股票市场波动性研究——基于ARMA-TGARCH-M模型的实证分析[J]. 北京航空航天大学学报（社会科学版）, 2017, 30(4): 56-66.

LIU Hu, WANG Ying. Study on Volatility of Stock Market:Empirical Analysis Based on ARMA-TGARCH-M Model[J]. JOURNAL OF BEIJING UNIVERSITY OF AERONAUTICS AND A, 2017, 30(4): 56-66.

参考文献

[1] BLACK F. Studies of stock market volatility changes[R].Proceedings of the American Statistical Association, Business and Economic Statistical Section, 1976:177-181.
[2] ENGLE F. Autoregressive conditional heteroskedasticity with estimates of the variance United Kingdom inflation[J]. Econometrica, 1982(4):987-1008.
[3] BOLLERSLEV T. Generalized autoregressive conditional hetero-skedasticity[J]. Journal of Econometrics, 1986(3):307-327.
[4] NELSON B. Conditional heteroskedasticity in asset returns-a new approach[J]. Econometrica, 1991(3):47-70.
[5] ZAKOIAN J. Threshold heteroskedastic models[J]. Journal of Economic Dynamics and Control, 1994(18):202-226.
[6] CLARK K Y,THOMAS S H. The integration and efficiency of international bond markets[J]. Journal of Business, 1973(4):31-50.
[7] TAYLOR S. Modeling financing time series[M]. New York:Wiley, 1986:62-95.
[8] TAUCHEN H,PITTS M. Threshold models in nonlinear time series analysis[J]. Springer,1983(35):271-290.
[9] KIM S,SHEPHARD N. Comment of bayesian analysis of stochastic volatility[J]. Journal of Business and Economics Statistics,1998(4):371-471.
[10] KOOPMAN S,USPENSKY E. The Stochastic volatility in mean model:Empirical evidence from international stock market[J]. Journal of Applied Econometrics,2002(6):667-689.
[11] LO A W. Long-term memory in stock market prices[R]. Cambridge,Massachusetts:National Bureau of Economic Research, 1989:NO.2984.
[12] KAROLYI G A. A multivariate garch model of international transmissions of stock returns and volatility:The case of the United States and Canada[J]. Journal of Business and Economic Statistics, 1995(1):11-25.
[13] ANDERSEN T G, BOLLERSLEV T,DIEBOLD F X, et al. Exchange rate returns standardized by realized volatility are gaussian[J].Multinational Finance Journal, 2000(3):159.
[14] FORNARI F, MELE A. Financial volatility and economic activity[J].Journal of Financial Management,Markets and Institutions,2013,1(2):155-198.
[15] 翁黎炜,黄薇.中国股市ARCH效应分析——基于沪市A股实证分析[J]. 财经界(学术版),2010(2):18-19.
[16] 张婧. 基于上证指数的中国股市ARCH效应分析[J]. 价值工程,2014(32):230-231.
[17] 文凤华,刘晓群,唐海如,等.基于LHAR-RV-V模型的中国股市波动性研究[J].管理科学学报,2012,15(6):59-67.
[18] 邓晓益,郭庆春.证券市场成交量对收益率波动性影响的实证分析[J].上海金融学院学报,2007(3):27-31.
[19] 周孝华,吴命.基于EC-EGARCH-M模型的沪深股市波动性研究[J].软科学,2010(1):126-130.
[20] 陈其安,张媛,刘星.宏观经济环境、政府调控政策与股票市场波动性——来自中国股票市场的经验证据[J].经济学家,2010(2):90-98.
[21] 梁益年.股票市场波动性传递的多维GARCH分析[D].杨凌:西北农林科技大学,2009.
[22] 郑冲.中国股市波动性的影响因素研究——基于多因素交互效应的视角[D].北京:北京交通大学,2012.
[23] 鲁万波.基于非参数GARCH模型的中国股市波动性预测[J].数理统计与管理,2006(4):455-461.
[24] 杨二鹏,张德生,李文静.基于非参数模型的沪深300指数波动性研究[J].纺织高校基础科学学报,2010(1):42-45.
[25] BAILLIE R T. Long-memory processes and fractional integration in econometrics[J]. Journal of Econometrics,1996(1):5-59.
[26] HANNAN E,RISSANEN J. Recursive estimation of mixed autoregressive-moving average order[J].Biometrika, 1982(1):81-94.
[27] ENGLE R, LILIEN D, ROBBINS R. Estimating time varying risk premia in the term structure:The ARCH-M Model[J]. Journal of the Econometric Society, 1987(2):391-407.
[28] 蒋祥林,王春峰,吴晓霖.基于状态转移ARCH模型的中国股市波动性研究[J].系统工程学报,2004(3):273.

股票市场波动性研究——基于ARMA-TGARCH-M模型的实证分析

Study on Volatility of Stock Market:Empirical Analysis Based on ARMA-TGARCH-M Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	曾润喜, 朱利平. 网络舆论动员:内涵、过程及其治理[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(6): 47-52.
[2]	刘浩然. 利益满意、安全忧虑对敏感性工程支持度影响——基于合法感知的中介效应分析[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(6): 69-76,91.
[3]	顾广耀, 魏法杰. 基于SEM的大型工程建设项目社会稳定风险分析[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(6): 83-91.
[4]	张芸. 变与不变:论网络信息时代有相对人意思表示的生效[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(5): 35-41.
[5]	陈自强. 合同法风险负担初探[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(3): 1-6.
[6]	王娟, 李锐. 中国股市的时变波动性——基于长记忆性、杠杆效应视角[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(3): 57-65,79.
[7]	阳义南, 肖建华. 医疗保险基金欺诈骗保及反欺诈研究[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(2): 41-51.
[8]	詹国彬, 许杨杨. 邻避冲突及其治理之道:以宁波PX事件为例[J]. 北京航空航天大学学报（社会科学版）, 2019, 32(1): 46-56.
[9]	陈军. 风险社会背景下行政决策合法性之检视——以城市垃圾焚烧选址为切入点[J]. 北京航空航天大学学报（社会科学版）, 2018, 31(4): 27-35.
[10]	任建超, 韩青. 消费者食品安全风险感知偏差形成原因探析——基于信息供求视角的理论解释与实践验证[J]. 北京航空航天大学学报（社会科学版）, 2018, 31(4): 75-82.
[11]	魏法杰, 都本正, 田爽, 李权葆. 多品种小批量物料采购延迟交付预测[J]. 北京航空航天大学学报（社会科学版）, 2018, 31(3): 78-83.
[12]	任若恩, 王超. 基于股指期权的股指期货交易风险管理[J]. 北京航空航天大学学报（社会科学版）, 2018, 31(2): 75-83.
[13]	李栗燕. 熵理思维视角下的科学立法探析[J]. 北京航空航天大学学报（社会科学版）, 2017, 30(3): 63-67.
[14]	罗立. 基于计划行为理论的核电接受度模型研究[J]. 北京航空航天大学学报（社会科学版）, 2017, 30(2): 109-113.
[15]	李元, 李晓畅. 股权市场环境、投资者监督与公司治理绩效——基于关联信号模型的分析[J]. 北京航空航天大学学报（社会科学版）, 2016, 29(6): 54-61.