沪深股市收益和风险分析

《沪深股市收益和风险分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、___________________________________________________________________________________________沪深股市收益和风险分析 摘要：通过采用ECM模型及GARCH模型对沪深股市进行了研究，结果发现两市波动性存在非对称性和杠杆效应，沪深两市对的利空消息反应均大于利好消息的反应，但是深市风险大于沪市风险，当然其收益率也比较高。 　　关键词：收益；风险；误差修正模型；沪深股市 　　引言 　　中国A股市场经过十几年的发展，市场逐渐在规范，但是上市公司整体所

2、表现出来的股市市值规模仍然较小，2005年开始的股权分置改革，使A股市场的发展迎来了新的机遇，走出了多年的熊市，有了较快的发展，处于上升的行情之中，但是与之相伴的却是股市激烈的波动。此外，由于诸多因素的影响和限制，中国A股市场投机气氛较浓。自从2008年世界金融危机以来，股市还出现了市场不确定性因素增多和市场风险加剧的趋势。 　　当前出现了大量的研究资产收益率方面的文献，有的定量研究波动性的非对称反应机制（李珠，吕明光，2001；胡永红，陆忠华，2005；周立、王东，2005），有的对波动性的形成方式与来源进行了分解（仲黎明等，

3、2003；樊智、张世英，2005），有的研究了两市IPO的版块效应（王燕鸣、楚庆丰，2009），这些研究具有一定的针对性，对我们研究金融市场运行机制与风险控制具有一定的启发意义。此外，有Engle等人开创ARCH和GRACH计量（Engel，1982），Grange（1988）的因果检验已经用在了许多经济金融模型检验中（如高辉、赵敬文，2006），使研究者对金融市场有了更多的认识。 　　本文主要采用误差修正模型（Errorcorrectmodel）即ECM模型，检验两市短期波动模式的异同，判断两市对市场冲击的短期调整及反应程度，

4、描述两市向均衡收敛的过程。同时利用两种Garch模型检验两市波动性之间的关系，判断两市的风险特征与风险转移过程，检验两市之间的“溢出效应”（spillovereffect）和“杠杆效应”（leverageeffect）。 　　一、变量选择和数据处理6______________________________________________________________________________________________________________________________________________

5、_______________________________________ 　　在现有的可以衡量沪深股市的指数中，我们分别选择了上证A股综合指数和深圳A股综合指数作为指标。样本时间的选择，我们选择从2006年2月17日至2007年11月1日，这段时间，剔除节假日，共计样本416个。 　　我们将股市指数收益率Rt定义为股票指数的对数的一阶差分：Rt=ln（Pt）-ln（Pt-1），其中Pt是股票指数价格。当股票指数波动不是十分剧烈的时候，它近似等于股票指数的日收益率，对应着股票市场的整体收益水平。 　　许多的学者研究结果倾向表

6、明中国股市处于弱有效形式（王智波，2004；黄泽先等，2008）。因此，本文对股票指数收益率序列Rt、股票指数绝对日收益率序列

7、Rt

8、、日均方收益率序列R2t的变化情况进行考察。当样本容量比较大的时候，根据大数定理与市场弱型有效，可知样本区间的整体收益率均值为：Rt=Rt≈0，其中T是样本容量。假设εt表示沪深两市A股指数日收益率与样本均值的偏离，则有εt=Rt-Rt≈Rt，εt=Rt-≈Rt，ε2t=（Rt-Rt）2≈R2t。 　　因此，沪深两市A股指数日收益率Rt、日绝对收益率Rt、日均方收益率R2t分别表示股指收益率分别围

9、绕均值的双向变动，绝对变动，均方波动，他们体现了波动性逐渐增强的特点。 　　二、模型的建立 　　通过对沪深股市价格指数和收益率作单位根检验，Granger因果关系检验和协整检验，我们发现：（1）沪指和深指对数序列均为一阶单整I（1），指数收益率序列为平稳序列；（2）上海股票市场指数是深圳股市指数的Granger原因，但反之不成立；（3）沪深股指之间存在着协整关系（检验结果在附录）。基于检验结果，本文可以建立以下模型： 　　（一）误差修正模型 　　通过平稳检验，可以对沪深股指的收益率序列间建立误差修正模型，结果如下： 　　Rsht

10、=0.7884Rszt+0.0957Rsht-1+0.0288Rsht-2-0.0974Rszt-1-0.0787Rszt-2- 　　0.0006+εsht 　　（41.6471）（1.9558）（0.58988）（-2.26068）（-1.82970） 　　（