基于garch模型的滬深300指數(shù)收益率波動(dòng)性分析

成都理工大學(xué)本科畢業(yè)論文（設(shè)計(jì)）本科畢業(yè)設(shè)計(jì)論文基于GARCH模型的滬深300指數(shù)收益率波動(dòng)性分析

摘要股票價(jià)格的波動(dòng)性在理論界和實(shí)務(wù)界都是一個(gè)熱點(diǎn)問(wèn)題。本文借鑒發(fā)達(dá)市場(chǎng)的研究文獻(xiàn)，運(yùn)用GARCH模型作為工具,檢驗(yàn)了滬深300指數(shù)日收益率的波動(dòng)性的變化。研究結(jié)果表明：滬深300指數(shù)日收益率波動(dòng)從時(shí)間上呈現(xiàn)出明顯的可變性和集簇性,序列分布呈現(xiàn)尖峰厚尾等特點(diǎn),并且存在明顯的GARCH效應(yīng)，表明過(guò)去的波動(dòng)對(duì)未來(lái)的影響是逐漸衰減的；模型還存在明顯的GARCH-M效應(yīng)，說(shuō)明收益有正的風(fēng)險(xiǎn)溢價(jià)；通過(guò)建立TARCH模型和EARCH模型，發(fā)現(xiàn)滬深300指數(shù)收益率存在明顯的杠桿效應(yīng)，這反映出在我國(guó)股指期貨市場(chǎng)上壞消息引起的波動(dòng)要大于好消息引起的波動(dòng)。關(guān)鍵詞：股指波動(dòng)性ARCH模型GARCH模型CSI300IndexVolatilityBasedonGARCHModelAnalysisAbstract:Stockpricefluctuationsisahotspotinboththeoreticalcirclesandcommunityofpractice.Basingontheliteraturesearchofdevelopedmarkets,thisarticletriestouseGARCHmodelastools,totestthedailyreturnvolatilitychangesofCSI300index.AndtheresultsindicatethatCSI300indexdailyreturnvolatilityshowvariabilityfromthetimeandaclearsetofclustersofthesequenceshowedafattaildistributioncharacteristics,andthereexistssignificantGARCHeffect,whichindicatesthatthevolatilityofthepastinfluencethefuturegraduallydecay.What’smore,therealsoexistsobviousGARCH-Meffect,whichshowsthattheriskpremiumincomedoesexist.ThroughtheestablishmentofthemodelEARCHandTARCH,wefoundCSI300indexsignificantleverageeffectexists,whichreflectsthevolatilityofthestockindexfuturesmarketinChinacausedbybadnewseasierthangoodnews.Keywords:Stockindexfuturesvolatility;ARCHmodel;GARCHmodel目錄第1章前言 31.1選題的背景和研究意義 31.2研究對(duì)象 31.3本文框架結(jié)構(gòu) 3第2章相關(guān)理論文獻(xiàn)綜述 32.1國(guó)外研究成果 32.2國(guó)內(nèi)研究成果 3第3章研究思路與實(shí)證分析 33．1研究思路和方法 33.1.1ARCH模型 33.1.2GARCH模型 33.2實(shí)證分析 33.2.1數(shù)據(jù)說(shuō)明及統(tǒng)計(jì)性描述 33.2.2滬深300指數(shù)收益率序列的平穩(wěn)性檢驗(yàn) 33.2.3ARCH效應(yīng)檢驗(yàn) 33.2.4GARCH類模型建模 3第4章結(jié)論與分析 3致謝 3參考文獻(xiàn) 3附錄 3第1章前言1.1選題的背景和研究意義在2010年4月16日推出以滬深300指數(shù)為標(biāo)的的股指期貨合約之前，我國(guó)的股票市場(chǎng)還是一個(gè)單邊做多的市場(chǎng)，投資者參與股市的方式只有一個(gè)，先買入，再賣出，并以此實(shí)現(xiàn)贏利。對(duì)于一個(gè)市場(chǎng)而言，這樣的模式本身就有很大的缺陷。研究結(jié)果顯示，如果一個(gè)市場(chǎng)缺乏賣空機(jī)制，一般會(huì)存在股價(jià)被高估的現(xiàn)象。推出滬深300指數(shù)的關(guān)鍵在于引入一種做空機(jī)制，投資者贏利不一定以股價(jià)上升為前提，相反股價(jià)下降也可能是投資者贏利的途徑，也就是說(shuō)股價(jià)的波動(dòng)為投資者帶來(lái)了更多獲利的機(jī)會(huì)。投資者可以通過(guò)度量波動(dòng)率來(lái)猜測(cè)他們可能接觸到的風(fēng)險(xiǎn)有多大，同時(shí)了解波動(dòng)性有助于其將股價(jià)界定在一個(gè)可能的范圍內(nèi)，當(dāng)投資者認(rèn)識(shí)到股價(jià)波動(dòng)的規(guī)律，他就會(huì)對(duì)他的投資作出明智的決定。這就是為什么我們對(duì)估計(jì)股市的波動(dòng)性充滿興趣。綜合以上分析，研究滬深300指數(shù)收益率的波動(dòng)性特征，有利于我們進(jìn)一步探究產(chǎn)生波動(dòng)性的原因并且使我們更好地規(guī)避風(fēng)險(xiǎn)。就滬深300指數(shù)收益率的波動(dòng)性研究方法而言，根據(jù)國(guó)內(nèi)外研究結(jié)果可以發(fā)現(xiàn)許多金融時(shí)間序列都將GARCH模型作為解釋金融數(shù)據(jù)的經(jīng)驗(yàn)規(guī)律。因此，本文以2006年10月30日到2010年4月15日每個(gè)交易日收盤價(jià)作為原始數(shù)據(jù)，運(yùn)用GARCH模型檢驗(yàn)滬深300指數(shù)日收益率的波動(dòng)性變化，希望借此可以發(fā)現(xiàn)滬深300指數(shù)波動(dòng)性特征并分析其原因。1.2研究對(duì)象我國(guó)股票市場(chǎng)作為世界新興市場(chǎng)之一，市場(chǎng)波動(dòng)性與成熟市場(chǎng)相比有所不同。而針對(duì)我國(guó)金融市場(chǎng)波動(dòng)性的研究主要集中在把滬深兩市分開(kāi)研究或者單獨(dú)分析某個(gè)市場(chǎng)，難以全面概括金融市場(chǎng)的整個(gè)狀況；另一方面，滬深兩市規(guī)模不一樣，非同步性交易也會(huì)對(duì)分析結(jié)果形成干擾因素。滬深300指數(shù)陶佶.滬深300股指期貨理論和實(shí)務(wù)[M].中國(guó)發(fā)展出版社2008年5月第一版.113是以在上交所和深交所所有上市的股票中選取規(guī)模大和流動(dòng)性強(qiáng)的最具代表性的300家成分股作為編制對(duì)象，并以這些成分股的自由流通量為權(quán)數(shù)，以2004年12月31日為基準(zhǔn)日、基準(zhǔn)點(diǎn)數(shù)1000點(diǎn)的股價(jià)指數(shù)。2005年4月8日，滬深300陶佶.滬深300股指期貨理論和實(shí)務(wù)[M].中國(guó)發(fā)展出版社2008年5月第一版.113以滬深300指數(shù)作為研究對(duì)象正好可以彌補(bǔ)我國(guó)波動(dòng)性研究的缺陷，使檢驗(yàn)結(jié)果更加具有真實(shí)性和完整性。具體來(lái)講，滬深300指數(shù)具備以下特點(diǎn)：樣本選擇標(biāo)準(zhǔn)嚴(yán)格，指數(shù)代表性強(qiáng)；以自由流通量為權(quán)數(shù)，采用分級(jí)靠檔法確定權(quán)重，抗市場(chǎng)非正常波動(dòng)強(qiáng)；市場(chǎng)覆蓋率高，抗市場(chǎng)操縱性強(qiáng)；行業(yè)分布均勻，抗行業(yè)周期性波動(dòng)強(qiáng)；成分股基本面優(yōu)勢(shì)強(qiáng)，是機(jī)構(gòu)投資者乃至整個(gè)市場(chǎng)的投資取向標(biāo)桿。1.3本文框架結(jié)構(gòu)本文共分為五章。第一章是前言，主要介紹研究背景和意義，研究對(duì)象，以及框架結(jié)構(gòu)等。第二章是相關(guān)理論綜述，主要介紹了國(guó)內(nèi)外關(guān)于股票指數(shù)和股指期貨波動(dòng)性研究具有代表性的理論和實(shí)證成果。第三章是實(shí)證分析過(guò)程，目標(biāo)是分析滬深300指數(shù)收益率的波動(dòng)性以及非對(duì)稱性。第四章是結(jié)論和政策建議。

第2章相關(guān)理論文獻(xiàn)綜述金融市場(chǎng)價(jià)格變化的波動(dòng)性是現(xiàn)代金融研究的核心問(wèn)題之一，Daly(2008)Daly(2008)認(rèn)為，波動(dòng)率常作為風(fēng)險(xiǎn)的同義詞。指出了人們研究和關(guān)注金融市場(chǎng)風(fēng)險(xiǎn)可能的原因。首先，短期類資產(chǎn)價(jià)格的劇烈波動(dòng)，很難讓投資者相信這種變動(dòng)是源于基本經(jīng)濟(jì)因素，從而會(huì)降低其投資積極性，轉(zhuǎn)而投資其它市場(chǎng)。其次，投資者非常關(guān)注被投資公司的違約概率，而公司價(jià)值的波動(dòng)率越大表明其違約概率一般也越大。再次，風(fēng)險(xiǎn)溢價(jià)的一個(gè)重要決定因素就是波動(dòng)率，波動(dòng)率越大，風(fēng)險(xiǎn)溢價(jià)一般也越大。而諸如保險(xiǎn)產(chǎn)品等對(duì)沖金融工具，其價(jià)格一般也是波動(dòng)率的增函數(shù)。最后，經(jīng)濟(jì)和金融理論認(rèn)為投資者一般是風(fēng)險(xiǎn)厭惡的，某投資項(xiàng)目的波動(dòng)率越大只會(huì)減少其投資參與度。Daly(2008)認(rèn)為，波動(dòng)率常作為風(fēng)險(xiǎn)的同義詞。出于上述動(dòng)機(jī)，特別是在1987年美國(guó)股市大崩盤的實(shí)質(zhì)觸動(dòng)下，研究者開(kāi)始關(guān)注和追蹤研究時(shí)變金融市場(chǎng)風(fēng)險(xiǎn)的度量方法，并建立了大量的波動(dòng)率模型。目前比較常用的波動(dòng)率模型有三大類：一是ARCH類模型，二是TARCH模型，三是隨機(jī)波動(dòng)模型。以下是國(guó)內(nèi)外關(guān)于波動(dòng)性研究的實(shí)證結(jié)論。2.1國(guó)外研究成果Engle和Ng（1993）Engle,R.F.andV.K.Ng,Measuringandtestingtheimpactofnewsonvolatility[J].JournalofFinance.1993(48),1749-1778.選取日本的股票市場(chǎng)做研究，繪制了好消息和壞消息的非對(duì)稱信息曲線，并同時(shí)使用EARCH、AGARCH、NGARCH、VGARCH和GJRGARCH模型，證實(shí)發(fā)現(xiàn)日本股票市場(chǎng)確實(shí)呈現(xiàn)波動(dòng)度不對(duì)稱的效果，這種非對(duì)稱性是十分有用的，因?yàn)樗试S波動(dòng)率對(duì)市場(chǎng)下跌的反應(yīng)比對(duì)市場(chǎng)上升的反應(yīng)更加迅速，因此被稱為“杠桿效應(yīng)”。在反應(yīng)不對(duì)稱效果上，以GJRGARCH模型最好。Engle,R.F.andV.K.Ng,Measuringandtestingtheimpactofnewsonvolatility[J].JournalofFinance.1993(48),1749-1778.Gallant等（1994）Gallant,A.R.,D.HsiehandG.Tauchen,Estimationofstochasticvolatilitymodelswithsuggestivediagnostics.DukeUniversity,WorkingPaper.1994用1928-1987年S&P合成指數(shù)的日觀測(cè)值估計(jì)單變量模型，用1977-1992年的日觀測(cè)值估計(jì)S&PNYSE指數(shù)、德國(guó)馬克對(duì)美元匯率和三個(gè)月期歐元匯率的三變量模型。他發(fā)現(xiàn)，對(duì)于股價(jià)和利率，隨機(jī)波動(dòng)率模型可與非參數(shù)ARCH得分的Gallant,A.R.,D.HsiehandG.Tauchen,Estimationofstochasticvolatilitymodelswithsuggestivediagnostics.DukeUniversityZakoian（1994）Zakojan,J.M.,Thresholdheteroskedasticmodels[J].JournalofEconomicDynamicsandControl,1994(18),931-955以法國(guó)股票市場(chǎng)為研究標(biāo)的，并利用TARCH模型依賴于逐段線性逼近來(lái)估計(jì)條件方差函數(shù)的方法研究，發(fā)現(xiàn)法國(guó)的股票市場(chǎng)確實(shí)呈現(xiàn)不對(duì)稱的情形，并且指出不對(duì)稱情形會(huì)因沖擊程度的大小不同而反轉(zhuǎn)。Zakojan,J.M.,Thresholdheteroskedasticmodels[J].JournalofEconomicDynamicsandControl,1994(18),931-955Danielson（1994）Danielson,J.,Stochasticvolatilityinassetprices:Estimationwithsimulatedmaximumlikehood[J].Econometrics1994(64),375-400發(fā)現(xiàn)對(duì)于1980年到1987年的S&P500指數(shù)的日數(shù)據(jù)，EARCH（2,1）模型比ARCH（5）、GARCH（1,2）、IGARCH（1,1,0）模型表現(xiàn)更好。同時(shí)，它還優(yōu)于用模型最大似然法估計(jì)的簡(jiǎn)單SV模型。動(dòng)態(tài)SV模型與EGARCH對(duì)數(shù)似然值之間的差額是25.5，支持了4個(gè)參數(shù)的SV模型優(yōu)于5個(gè)參數(shù)的EGARCHDanielson,J.,Stochasticvolatilityinassetprices:Estimationwithsimulatedmaximumlikehood[J].Econometrics1994(64),375-4002.2國(guó)內(nèi)研究成果仝玉民（2009）仝玉民：《股票市場(chǎng)波動(dòng)性——來(lái)自滬深300指數(shù)的證據(jù)》，金融經(jīng)濟(jì)，

2009年06期采用ARCH類模型對(duì)基于滬深300指的股票市場(chǎng)的長(zhǎng)期波動(dòng)性進(jìn)行動(dòng)態(tài)分析和實(shí)證檢驗(yàn)，采用ARMA模型刻畫條件均值方程，實(shí)證分析結(jié)果表明ARMA（1,1）-GARCH（1,1）模型擬合效果較好，可以解釋波動(dòng)性存在的持續(xù)性、叢集性和杠桿效應(yīng)等特征。TARCH（1,1）和EGARCH（仝玉民：《股票市場(chǎng)波動(dòng)性——來(lái)自滬深300指數(shù)的證據(jù)》，金融經(jīng)濟(jì)，

2009年06期陳艷，韓立磊（2009）陳艷，韓立磊：《滬深300指數(shù)收益波動(dòng)性實(shí)證研究》，金融經(jīng)濟(jì)，

2009年14期利用自回歸條件異方差A(yù)RCH族模型對(duì)滬深300指數(shù)進(jìn)行實(shí)證研究，分析我國(guó)股票市場(chǎng)近年日收益率波動(dòng)的特性。結(jié)果表明滬深300指數(shù)日收益率波動(dòng)呈現(xiàn)明顯的叢聚性和持續(xù)性，序列分布呈現(xiàn)尖峰后尾等特點(diǎn)，同時(shí)發(fā)現(xiàn)EGARCH（1,1）模型能夠較好擬合滬深300陳艷，韓立磊：《滬深300指數(shù)收益波動(dòng)性實(shí)證研究》，金融經(jīng)濟(jì)，

2009年14期陳麗娟（2010）陳麗娟：《基于EGARCH-M模型和滬深300指數(shù)的股市風(fēng)險(xiǎn)分析》，東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2010年第2期

從描述我國(guó)股市收益序列的基本統(tǒng)計(jì)特征出發(fā)，分別運(yùn)用基于廣義誤差（GED）分布，t分布以及正態(tài)分布的EGARCH（1，1）-M模型計(jì)量了滬深300指數(shù)的日對(duì)數(shù)收益率序列的VaR值，并與基于正態(tài)分布的GARCH（1，1）模型進(jìn)行了比較。通過(guò)統(tǒng)計(jì)分析和后驗(yàn)測(cè)試等實(shí)證研究表明，基于GED分布的EGARCH（1，1陳麗娟：《基于EGARCH-M模型和滬深300指數(shù)的股市風(fēng)險(xiǎn)分析》，東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2010年第2期

何紅霞（2010）何紅霞

：《中國(guó)股市價(jià)格的波動(dòng)性研究——基于滬深300指數(shù)的GARCH族模型》，和田師范專科學(xué)校學(xué)報(bào)，2010年03期對(duì)2005年4月8日至2009年5月22何紅霞

：《中國(guó)股市價(jià)格的波動(dòng)性研究——基于滬深300指數(shù)的GARCH族模型》，和田師范?？茖W(xué)校學(xué)報(bào)，2010年03期第3章研究思路與實(shí)證分析3．1研究思路和方法ARCH模型由Engle（1982）提出，并由Bollerslev(1986)發(fā)展成為GARCH(GeneralizedARCH)——廣義自回歸條件異方差。這些模型被廣泛的應(yīng)用于經(jīng)濟(jì)學(xué)的各個(gè)領(lǐng)域，尤其在金融時(shí)間序列分析中。3.1.1ARCH模型ARCH的核心是時(shí)刻t的ε的方差（）依賴于時(shí)刻（t-1）的平方誤差的大小，即依賴于。QUOTE（1）并假設(shè)在時(shí)刻(t-1)所有信息的條件下，干擾項(xiàng)的分布是：QUOTE（2）即QUOTE遵循以0為均值，QUOTE為方差的正態(tài)分布。由于（2）中的QUOTE的方差依賴于前期的平方干擾，我們稱它為ARCH(1)過(guò)程。然而，容易加以推廣，一個(gè)ARCH(p)過(guò)程可以寫為：QUOTE（3）如果誤差方差中沒(méi)有自相關(guān)，就會(huì)有QUOTE：QUOTE。這時(shí)QUOTE，從而得到誤差方差的同方差性情形。恩格爾曾表明容易通過(guò)以下的回歸去檢驗(yàn)上述虛擬假設(shè)：（4）其中，QUOTE表示從原始回歸模型（1）估計(jì)得到的OLS殘差。GARCH（1，1）模型在標(biāo)準(zhǔn)化的GARCH(1,1)模型中：QUOTE（3-1）（3-2）（3-1）中給出的均值方程是一個(gè)帶有誤差項(xiàng)的外生變量函數(shù)。由于QUOTE是以前一期的信息為基礎(chǔ)的預(yù)測(cè)方差，所以它被叫做條件方差。（3-2）中給出的條件方差方程是一個(gè)下面三項(xiàng)的函數(shù)：①均值：QUOTE；②用均值方程的殘差平方的滯后來(lái)度量從前期得到的波動(dòng)性的信息：（ARCH項(xiàng)）；③上一期的預(yù)測(cè)方差：（GARCH項(xiàng)）。GARCH(1,1)中的(1,1)是指階數(shù)為1的GARCH項(xiàng)（括號(hào)中的第一項(xiàng)）和階數(shù)為1的ARCH項(xiàng)（括號(hào)中的第二項(xiàng)）。普通的ARCH模型是GARCH模型的特例，即在條件方差方程中不存在滯后預(yù)測(cè)方差的說(shuō)明。ARCH—M模型方程（3-1）中的x代表在均值方程中引入的外生或先決變量。如果我們把條件方差引進(jìn)到均值方程中，就可以得到ARCH—M模型(Engle,Lilien,Robins,1987)：QUOTE（3-3）ARCH—M模型的另一種不同形式是將條件方差換成條件標(biāo)準(zhǔn)差。ARCH—M模型通常用于關(guān)于資產(chǎn)的預(yù)期收益與預(yù)期風(fēng)險(xiǎn)緊密相關(guān)的金融領(lǐng)域。預(yù)期風(fēng)險(xiǎn)的估計(jì)系數(shù)是風(fēng)險(xiǎn)收益交易的度量。GARCH（p,q）模型高階GARCH模型可以通過(guò)選擇大于1的p或q得到估計(jì)，記作GARCH(p,q)。其方差表示為：QUOTE（3-4）這里，p是GARCH項(xiàng)的階數(shù)，q是ARCH項(xiàng)的階數(shù)。3.1.2GARCH模型TARCH模型TARCH或者門限（Threshold）ARCH模型由Zakoian(1990)和Glosten，Jafanathan，Runkle(1993)獨(dú)立的引入。該該模型能較好地捕捉金融市場(chǎng)回報(bào)變動(dòng)而引起的“杠桿效應(yīng)”，它具有如下形式的條件方差：（3-5）其中，當(dāng)QUOTE時(shí)，QUOTE；否則，QUOTE。在這個(gè)模型中，好消息(QUOTE)和壞消息(QUOTE)對(duì)條件方差有不同的影響：好消息有一個(gè)QUOTE的沖擊；壞消息有一個(gè)對(duì)QUOTE的沖擊。如果QUOTE，我們說(shuō)存在杠桿效應(yīng)；如果QUOTE，則信息是非對(duì)稱的。模型中的TARCH項(xiàng)，即杠桿效應(yīng)項(xiàng)(QUOTE)是由輸出結(jié)果中的（RESID<0）*ARCH(1)項(xiàng)描述。EGARCH模型EGARCH或指數(shù)（Exponential）GARCH模型由Nelson（1991）提出。Nelson敏銳地發(fā)現(xiàn)對(duì)稱的條件方差函數(shù)并不能夠準(zhǔn)確地描述資產(chǎn)收益率的波動(dòng)，特別是它不能表現(xiàn)負(fù)債情況下前期收益與市場(chǎng)波動(dòng)的負(fù)相關(guān)關(guān)系的影響。為避免對(duì)參數(shù)的非負(fù)性假設(shè)，他在GARCH模型基礎(chǔ)上將條件方差被指定為：QUOTE（3-6）等式左邊是條件方差的對(duì)數(shù)，這意味著杠桿影響是指數(shù)的，而不是二次的，所以條件方差的預(yù)測(cè)值一定是非負(fù)的。杠桿效應(yīng)的存在能夠通過(guò)QUOTE的假設(shè)得到檢驗(yàn)。如果QUOTE，則影響是非負(fù)的。杠桿效應(yīng)項(xiàng)(QUOTE)在輸出結(jié)果中記作RES/SQR[GARCH](1)。3.2實(shí)證分析3.2.1數(shù)據(jù)說(shuō)明及統(tǒng)計(jì)性描述指標(biāo)和數(shù)據(jù)選取本文以中國(guó)金融期貨交易所的滬深300指數(shù)2006年10月30日到2010年4月15日每個(gè)交易日收盤價(jià)為原始數(shù)據(jù)，共1086個(gè)數(shù)據(jù)樣本。為了減少誤差，在估計(jì)時(shí)根據(jù)每個(gè)交易日的收盤價(jià)對(duì)日收益率進(jìn)行自然對(duì)數(shù)處理，即將收益率是根據(jù)公式：QUOTE，即滬深300指數(shù)收盤價(jià)對(duì)數(shù)的差分計(jì)算出來(lái)。數(shù)據(jù)來(lái)源于新浪財(cái)經(jīng)股指期貨頻道/qizhi/index.shtml。實(shí)證分析是基于eviews3.1軟件和excel軟件完成的。/qizhi/index.shtml描述性統(tǒng)計(jì)分析圖表3SEQ圖表\*ARABIC\s12滬深300指數(shù)日收益率RSH000300波動(dòng)圖圖表3SEQ圖表\*ARABIC\s12為滬深300指數(shù)日收益率RSH000300波動(dòng)圖，由圖可以看出日收益率的波動(dòng)表現(xiàn)出時(shí)變性、突發(fā)性和集簇性特征。圖表3SEQ圖表\*ARABIC\s11滬深300指數(shù)收益率RSH000300的描述性統(tǒng)計(jì)圖觀察這些數(shù)據(jù)，我們可以發(fā)現(xiàn)樣本期內(nèi)滬深300指數(shù)收益率RSH000300均值為0.0777%，標(biāo)準(zhǔn)差為2.2698%，偏度為-0.452647，左偏峰度為4.627367，遠(yuǎn)高于正態(tài)分布的峰度值3，收益率r具有尖峰、厚尾特征。JB正態(tài)性檢驗(yàn)也證實(shí)了這點(diǎn)，統(tǒng)計(jì)量為156.7772，說(shuō)明在極小水平下，收益率r顯著異于正態(tài)分布。因此說(shuō)明序列無(wú)法利用F檢驗(yàn)等基于正態(tài)分布的統(tǒng)計(jì)方法檢驗(yàn)該收益率序列的3.2.2滬深300指數(shù)收益率序列的平穩(wěn)性檢驗(yàn)關(guān)于平穩(wěn)性的檢驗(yàn)，最常用的方法是兩位美國(guó)統(tǒng)計(jì)學(xué)家迪基（D.A.Dickey）和富勒（W.A.Fuller）在20世紀(jì)70年代提出的單位根方法，也就是判斷自相關(guān)性系數(shù)是否等于1的方法。經(jīng)過(guò)學(xué)術(shù)界近30年的研究，這一方法最終被歸納為增廣迪基富勒（AugmentedDickey-Fuller）檢驗(yàn)法，簡(jiǎn)稱ADF檢驗(yàn)。從上面的描述性統(tǒng)計(jì)分析可以看出，收益率序列圍繞在均值周圍波動(dòng)，不存在趨勢(shì)（RSH000300Mean=0.000777）。因此對(duì)該序列進(jìn)行ADF單位根檢驗(yàn)，選擇滯后4階，帶截距項(xiàng)而無(wú)趨勢(shì)項(xiàng)，檢驗(yàn)結(jié)果如下：表格31滬深300指數(shù)收益率rsh000300ADF單位根檢驗(yàn)結(jié)果NullHypothesis:RSH000300hasaunitrootExogenous:ConstantLagLength:4(Fixed)t-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-13.65637

0.0000Testcriticalvalues:1%level-3.4361885%level-2.86400610%level-2.568134*MacKinnon(1996)one-sidedp-values.從檢驗(yàn)結(jié)果看，在1%、5%、10%三個(gè)顯著性水平下，單位根檢驗(yàn)的Mackinnon臨界值分別為-3.436188、-2.864006、-2.568134，t檢驗(yàn)統(tǒng)計(jì)量值-13.65637，小于相應(yīng)臨界值，從而拒絕QUOTE，表明滬深300指數(shù)收益率（RSH000300）不存在單位根，是平穩(wěn)序列，即服從I(o)過(guò)程。3.2.3ARCH效應(yīng)檢驗(yàn)滯后階數(shù)的選擇以及均值方程的確定本文采用時(shí)間序列模型分析，因此要先對(duì)收益率的自回歸的滯后階數(shù)進(jìn)行選擇。滬深300指數(shù)收益率QUOTE的均值方程都采用如下形式：QUOTE（3-7）分別對(duì)滯后1、2、3、4期進(jìn)行回歸，結(jié)果如表格3-2所示表格32自回歸滯后階數(shù)選擇LagAkaikeinfocriterionF-statistic1-4.7301380.5472992-4.7292380.4046513-4.7303132.5684694-4.732195.553899根據(jù)AIC和F統(tǒng)計(jì)量判斷可以看出滯后4期為最優(yōu)，故選滯后階數(shù)為4，則公式可以寫成：QUOTE（3-8）殘差序列自相關(guān)檢驗(yàn)圖表3SEQ圖表\*ARABIC\s13滬深300指數(shù)收益率RSH000300殘差項(xiàng)的自相關(guān)系數(shù)AC值和PAC值圖表3SEQ圖表\*ARABIC\s14滬深300指數(shù)收益率rsh000300殘差平方的自相關(guān)系數(shù)AC值和PAC值作序列殘差和殘差平方自相關(guān)圖，結(jié)果表明滬深300指數(shù)收益率RSH000300的殘差不存在顯著的自相關(guān)，而殘差平方有顯著的自相關(guān)。對(duì)殘差平方做線性圖圖表3SEQ圖表\*ARABIC\s15滬深300指數(shù)收益率RSH000300殘差平方線狀圖對(duì)殘差平方做線性圖，可見(jiàn)該回歸方程的殘差的波動(dòng)具有“成群”現(xiàn)象：波動(dòng)在一些較長(zhǎng)的時(shí)間內(nèi)非常小，在其他一些較長(zhǎng)的時(shí)間內(nèi)非常大,即具有明顯的時(shí)間可變性（timevarying）和集簇性（clustering）,這說(shuō)明殘差序列存在高階ARCH效應(yīng)，適合用GARCH類模型來(lái)建模，而且可以觀察到股指期貨上市這一年波動(dòng)性明顯減弱。對(duì)殘差進(jìn)行ARCH-LMTest（滯后10階）表格33對(duì)滬深300指數(shù)殘差進(jìn)行ARCH-LMTest結(jié)果ARCHTest:F-statistic6.081819Probability0.000000Obs*R-squared58.11494Probability0.000000對(duì)序列線性回歸的殘差作ARCH-LM檢驗(yàn)，F(xiàn)統(tǒng)計(jì)量是對(duì)所有滯后平方殘差聯(lián)合顯著性所作的檢驗(yàn)。Obs*R2統(tǒng)計(jì)量是LM檢驗(yàn)統(tǒng)計(jì)量,它是觀測(cè)值數(shù)T乘以檢驗(yàn)回歸R2。給定顯著性水平QUOTE和自由度10，LM的值為58.11494大于給定的值18.307，伴隨概率P為0.000000，小于0.05，拒絕原假設(shè)，說(shuō)明收益率序列存在明顯的異方差現(xiàn)象，殘差中ARCH效應(yīng)是很顯著的，因此用GARCH模型來(lái)擬合數(shù)據(jù)是合理3.2.4GARCH類模型建模滬深300指數(shù)收益率的波動(dòng)性研究GARCH(1,1)模型估計(jì)結(jié)果表格34garch(1,1)模型估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHSample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter24iterationsCoefficientStd.Errorz-StatisticProb.C0.0010810.0006131.7639620.0777RSH000300(-4)0.0300820.031580.9525540.3408VarianceEquationC7.78E-062.40E-063.2464450.0012ARCH(1)0.0587010.010215.7493910.0000GARCH(1)0.926870.01229975.359240.0000QUOTE（3-9）(1.763962)(0.952554)（3-10）(3.246445)(5.749391)(75.35924)Loglikelihood=2619.379,AIC=-4.836964,SC=-4.813903可見(jiàn)，滬深300指數(shù)收益率條件方差方程中ARCH項(xiàng)和GARCH項(xiàng)都是高度顯著的，表明收益率序列具有顯著的波動(dòng)集簇性。滬深300指數(shù)收益率ARCH項(xiàng)和GARCH項(xiàng)之和為0.981665，小于1，滿足參數(shù)約束條件。由于系數(shù)之和非常接近于1，表明一個(gè)條件方差所受的沖擊是持久的，即它對(duì)所有的未來(lái)預(yù)測(cè)都有重要作用，因此GARCH(1,1)過(guò)程是平穩(wěn)的，另外其條件方差表現(xiàn)出均值回復(fù)（MEAN-REVERSION），即過(guò)去的波動(dòng)對(duì)未來(lái)的影響是逐漸衰減。GARCH-M(1,1)模型估計(jì)結(jié)果表格35garch-m(1,1)模型估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHSample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter15iterationsCoefficientStd.Errorz-StatisticProb.GARCH3.1230182.8966841.0781360.281C-0.0003040.001423-0.2133630.831RSH000300(-4)0.0334730.0323681.0341390.3011VarianceEquationC7.05E-062.41E-062.9208790.0035ARCH(1)0.0568910.0105015.4178250.0000GARCH(1)0.9294430.01262573.621390.0000QUOTE（3-11）(-0.213363)(1.034139)(1.078136)（3-12）(2.920879)(5.417825)(73.62139)Loglikelihood=2617.984,AIC=--4.832534,SC=-4.804861可見(jiàn)，滬深300指數(shù)收益率均值方程中條件方差項(xiàng)GARCH的系數(shù)估計(jì)為QUOTE，而且都是顯著的，這反映了收益與風(fēng)險(xiǎn)的正相關(guān)關(guān)系，說(shuō)明收益有正的風(fēng)險(xiǎn)溢價(jià)。而且滬深300指數(shù)收益率ARCH項(xiàng)和GARCH項(xiàng)之和為0.986334，小于1，滿足平穩(wěn)條件。滬深300指數(shù)收益波動(dòng)非對(duì)稱性的研究TARCH模型估計(jì)結(jié)果表格3-6tarch模型估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHSample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter31iterationsCoefficientStd.Errorz-StatisticProb.C0.0009520.0006581.4472890.1478RSH000300(-4)0.0391970.032021.224120.2209VarianceEquationC1.18E-053.08E-063.8220970.0001ARCH(1)0.0425630.0151322.8128470.0049(RESID<0)*ARCH(1)0.0363120.0169242.1455420.0319GARCH(1)0.9144680.01461162.585880.0000QUOTE（3-13）(1.447289)(1.224120)（3-14）(3.822097)(2.812847)(2.145542)(62.58588)QUOTE=0.003972,D.W.=1.957869Loglikelihood=2620.728,AIC=-4.837610,SC=-4.809937在TARCH中，杠桿效應(yīng)項(xiàng)由結(jié)果中的(RESID<0)*ARCH(1)描述，項(xiàng)的系數(shù)估計(jì)值為QUOTE，大于0，是顯著為正的，所以存在非對(duì)稱影響，同時(shí)說(shuō)明股票價(jià)格的波動(dòng)具有“杠桿”效應(yīng)：利空消息引起的波動(dòng)比同等大小的利好消息引起的波動(dòng)要大：當(dāng)出現(xiàn)“利好消息”時(shí)，即當(dāng)QUOTE時(shí)，有一個(gè)QUOTE的沖擊；而出現(xiàn)“利空消息”時(shí)，即當(dāng)QUOTE時(shí)，則會(huì)帶來(lái)QUOTE的沖擊EARCH模型估計(jì)結(jié)果表格3-7earch模型估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHSample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter54iterationsCoefficientStd.Errorz-StatisticProb.C0.0008730.0006451.3529910.1761RSH000300(-4)0.0438820.0318081.3795790.1677VarianceEquationC-0.3570960.072667-4.9141340.0000|RES|/SQR[GARCH](1)0.1492910.0245186.0889620.0000RES/SQR[GARCH](1)-0.033330.012009-2.7755130.0055EGARCH(1)0.9682480.008093119.63570.0000QUOTE（3-15）(1.352991)(1.379579)QUOTE（3-16）(-4.914134)(6.088962)(-2.775513)(119.6357)QUOTE=0.004309,D.W.=1.958307Loglikelihood=2621.661,AIC=-4.839335,SC=-4.811663利空消息能比等量的利好消息產(chǎn)生更大的波動(dòng)的結(jié)果在EGARCH模型中也能夠得到印證，在EGARCH模型中，QUOTE，其非對(duì)稱項(xiàng)的系數(shù)顯著小于零，QUOTE，說(shuō)明在樣本期間滬深300指數(shù)收益率存在杠桿效應(yīng)。當(dāng)QUOTE時(shí)，有一個(gè)的沖擊；而出現(xiàn)“利空消息”時(shí)，即當(dāng)QUOTE時(shí)，則會(huì)帶來(lái)的沖擊。第4章結(jié)論與分析通過(guò)分析，基本可以得出了以下結(jié)論：第一，滬深300指數(shù)收益率都存在明顯的GARCH效應(yīng)，而且過(guò)去的波動(dòng)對(duì)未來(lái)的影響是逐漸衰減。在滬深300指數(shù)市場(chǎng)中，一般持有5天以上就可算長(zhǎng)線操作。這種持有期的縮短必然使得交易更為頻繁。大量的股指期貨參與者是日間交易者，往往當(dāng)天頻繁買入賣出，并且不持有合約過(guò)夜。滬深300指數(shù)的頻繁交易使得股指期貨市場(chǎng)具有高流動(dòng)性，這種高流動(dòng)性也是造成指數(shù)波動(dòng)的一大成因。第二，滬深300指數(shù)存在明顯的GARCH-M效應(yīng)，說(shuō)明收益有正的風(fēng)險(xiǎn)溢價(jià)。滬深股市日收益和波動(dòng)呈現(xiàn)顯著的正相關(guān)關(guān)系,波動(dòng)的集聚性特征明顯,充分說(shuō)明我國(guó)股市投機(jī)氛圍濃厚,投資者的短期投資偏好明顯,因此政府應(yīng)對(duì)上市公司加強(qiáng)監(jiān)管,加強(qiáng)信息披露的程度和力度,為廣大投資者形成正確的投資理念打下堅(jiān)實(shí)的基礎(chǔ)。第三，通過(guò)建立TARCH模型和EGARCH模型發(fā)現(xiàn)滬深300指數(shù)收益率存在明顯的杠桿效應(yīng)，也反映出在我國(guó)股指期貨市場(chǎng)上壞消息引起的波動(dòng)要大于好消息引起的波動(dòng)。究其原因，滬深300指數(shù)實(shí)行T+0交易，可以進(jìn)行合約的做空和做多雙向交易。這就使得一般投資者非理性投機(jī)的心理和行為很難在短期內(nèi)得到改變，從而放大金融風(fēng)險(xiǎn)。同時(shí)，風(fēng)險(xiǎn)管理制度不健全，一些大投機(jī)者很容易受利益驅(qū)使，試圖利用自身實(shí)力等優(yōu)勢(shì)來(lái)非法操縱市場(chǎng)。這種違規(guī)行為可能會(huì)擾亂市場(chǎng)次序，扭曲市場(chǎng)價(jià)格，造成不公平競(jìng)爭(zhēng)，損害其他交易者利益。致謝首先誠(chéng)摯的感謝我的指導(dǎo)老師——老師，感謝您對(duì)我的論文的悉心指導(dǎo)，不管是論文選題，相關(guān)資料收集，還是論文設(shè)計(jì)和撰寫的各個(gè)環(huán)節(jié)，您都不時(shí)地與我討論并指點(diǎn)我正確的方向，使我獲益匪淺。老師對(duì)學(xué)問(wèn)的嚴(yán)謹(jǐn)更是我輩學(xué)習(xí)的典范。本論文的完成另外亦得感謝商學(xué)院經(jīng)濟(jì)系的全體老師的大力協(xié)助。因?yàn)橛心銈兊闹笇?dǎo)及幫助，使得本論文能夠更加完整而嚴(yán)謹(jǐn)。再次，感謝眾位同學(xué)的共同砥礪，你們的陪伴讓四年的大學(xué)生活變得絢麗多彩。四年的時(shí)光，校園里有我們共同的生活點(diǎn)滴，感謝你們不厭其煩的指出我生活和學(xué)習(xí)中的缺失，且總能在我迷惘時(shí)為我解惑，在我困頓時(shí)給我?guī)椭?，這一切我都會(huì)銘感于心。最后，謹(jǐn)以此文獻(xiàn)給我摯愛(ài)的雙親，你們?cè)诒澈蟮哪С指俏仪斑M(jìn)的動(dòng)力，沒(méi)有父母的體諒、包容，相信這四年的生活將是很不一樣的光景。

參考文獻(xiàn)[1]嚴(yán)寶玉，蔣虹.股指期貨研究:以小博大之股民必讀[M].北京:中國(guó)社會(huì)科學(xué)出版社.2008:16-292[2]楊丹.股指期貨投資[M].廣州：暨南大學(xué)出版社.2004：247-287[3]李子奈，潘文卿.計(jì)量經(jīng)濟(jì)學(xué)（第二版）[M].北京:高等教育出版.2004：93－117[4]龐皓,計(jì)量經(jīng)濟(jì)學(xué)[M].北京：科學(xué)出版社.2007：16-174[5]陶佶.滬深300股指期貨:理論和實(shí)務(wù)[M].北京：中國(guó)發(fā)展出版社.2008:81-218[6]劉鴻儒.股指期貨熱點(diǎn)問(wèn)答[M].北京：中國(guó)金融出版社.2009：51-70[7]肖輝，劉文財(cái).股票指數(shù)現(xiàn)貨市場(chǎng)與期貨市場(chǎng)關(guān)系研究[M].北京：中國(guó)金融出版社.2006：247-263．[8]仝玉民.股票市場(chǎng)波動(dòng)性——來(lái)自滬深300指數(shù)的證據(jù)[J].金融經(jīng)濟(jì).2009（6）：81－83[9]陳艷，韓立磊.滬深300指數(shù)收益波動(dòng)性實(shí)證研究[J].金融經(jīng)濟(jì).2009（14）：70－72[10]陳麗娟.基于EGARCH-M模型和滬深300指數(shù)的股市風(fēng)險(xiǎn)分析[J].東北財(cái)經(jīng)大學(xué)學(xué)報(bào).2010（2）

：12－18[11]何紅霞.中國(guó)股市價(jià)格的波動(dòng)性研究——基于滬深300指數(shù)的GARCH族模型[J].和田師范?？茖W(xué)校學(xué)報(bào).2010（3）：10－12[12]萬(wàn)蔚，江孝感.我國(guó)滬、深股市的波動(dòng)性研究——基于ARCH族模型[J].價(jià)值工程.2007（10）：14-18.[13]江曉東.滬深股市收益率波動(dòng)特征研究[D].廈門大學(xué).2001年：6-28.[14]黃道平.基于ARCH族模型的中國(guó)股市波動(dòng)性研究[D].暨南大學(xué).2006年：11-28.[15]王睿.中國(guó)股票市場(chǎng)波動(dòng)性研究[D].中南大學(xué).2010年：16-37.[16]Zakojan,J.M.,Thresholdheteroskedasticmodels[J].JournalofEconomicDynamicsandControl,1994(18),931-955[17]Engle,R.F.andNgV.K.Measuringandtestingtheimpactofnewsonvolatility[J].JournalofFinance.1993(48),1749-1778[18]HamiltonJamesD.andSusmelR.,

Autoregressiveconditionalheteroskedasticityandchangesinregime

[J].JournalofEconometrics.1994(10),307-333[19]Engle,R.F.,AutoregressiveconditionalheteroskedasticitywithestimatesofthevarianceofUnitedKingdominflation

[J].Econometrica.1982(50),987–1008[20]BollerslerT.,GeneralizedAutoregressiveConditionalHeteroskedasticity[J].JournalofEconometrics.1986,(31):307-327

附錄表格1滬深300指數(shù)收益率平穩(wěn)性檢驗(yàn)NullHypothesis:RSH000300hasaunitrootExogenous:ConstantLagLength:4(Fixed)t-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-13.65637

0.0000Testcriticalvalues:1%level-3.4361885%level-2.86400610%level-2.568134*MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(RSH000300)Method:LeastSquaresDate:05/23/11Time:23:14Sample(adjusted):71086Includedobservations:1080afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

RSH000300(-1)-0.8934700.065425-13.656370.0000D(RSH000300(-1))-0.0854800.059739-1.4308890.1528D(RSH000300(-2))-0.1044950.052302-1.9979370.0460D(RSH000300(-3))-0.0570350.042652-1.3372260.1814D(RSH000300(-4))0.0120940.0305090.3964260.6919C0.0006610.0006930.9550030.3398R-squared0.492907

Meandependentvar-1.06E-05AdjustedR-squared0.490547

S.D.dependentvar0.031806S.E.ofregression0.022702

Akaikeinfocriterion-4.727222Sumsquaredresid0.553500

Schwarzcriterion-4.699529Loglikelihood2558.700

Hannan-Quinncriter.-4.716736F-statistic208.7913

Durbin-Watsonstat2.001342Prob(F-statistic)0.000000表格SEQ表格\*ARABIC2滯后一期檢驗(yàn)結(jié)果DependentVariable:RSH000300Method:LeastSquaresDate:05/26/11Time:19:59Sample(adjusted):31086Includedobservations:1084afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

C0.0007480.0006901.0842910.2785RSH000300(-1)0.0224820.0303890.7397970.4596R-squared0.000506

Meandependentvar0.000766AdjustedR-squared-0.000418

S.D.dependentvar0.022706S.E.ofregression0.022710

Akaikeinfocriterion-4.730138Sumsquaredresid0.558058

Schwarzcriterion-4.720935Loglikelihood2565.735

Hannan-Quinncriter.-4.726654F-statistic0.547299

Durbin-Watsonstat1.999341Prob(F-statistic)0.459584表格SEQ表格\*ARABIC3滯后二期檢驗(yàn)結(jié)果DependentVariable:RSH000300Method:LeastSquaresDate:05/26/11Time:20:00Sample(adjusted):41086Includedobservations:1083afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

C0.0007720.0006911.1178900.2639RSH000300(-2)-0.0193410.030404-0.6361220.5248R-squared0.000374

Meandependentvar0.000757AdjustedR-squared-0.000551

S.D.dependentvar0.022714S.E.ofregression0.022721

Akaikeinfocriterion-4.729238Sumsquaredresid0.558043

Schwarzcriterion-4.720028Loglikelihood2562.883

Hannan-Quinncriter.-4.725751F-statistic0.404651

Durbin-Watsonstat1.952609Prob(F-statistic)0.524832表格SEQ表格\*ARABIC4滯后三期檢驗(yàn)結(jié)果DependentVariable:RSH000300Method:LeastSquaresDate:05/26/11Time:20:00Sample(adjusted):51086Includedobservations:1082afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

C0.0007200.0006911.0426100.2974RSH000300(-3)0.0487080.0303921.6026440.1093R-squared0.002373

Meandependentvar0.000758AdjustedR-squared0.001449

S.D.dependentvar0.022725S.E.ofregression0.022708

Akaikeinfocriterion-4.730313Sumsquaredresid0.556927

Schwarzcriterion-4.721096Loglikelihood2561.099

Hannan-Quinncriter.-4.726823F-statistic2.568469

Durbin-Watsonstat1.960228Prob(F-statistic)0.109306表格SEQ表格\*ARABIC5滯后四期檢驗(yàn)結(jié)果DependentVariable:RSH000300Method:LeastSquaresDate:05/26/11Time:20:01Sample(adjusted):61086Includedobservations:1081afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

C0.0006980.0006901.0105770.3124RSH000300(-4)0.0715580.0303642.3566710.0186R-squared0.005121

Meandependentvar0.000753AdjustedR-squared0.004199

S.D.dependentvar0.022735S.E.ofregression0.022687

Akaikeinfocriterion-4.732190Sumsquaredresid0.555368

Schwarzcriterion-4.722965Loglikelihood2559.748

Hannan-Quinncriter.-4.728697F-statistic5.553899

Durbin-Watsonstat1.960332Prob(F-statistic)0.018618表格SEQ表格\*ARABIC6對(duì)滬深300指數(shù)收益率殘差進(jìn)行ARCH-LM檢驗(yàn)ARCHTest:F-statistic6.081819Probability0.000000Obs*R-squared58.11494Probability0.000000TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:05/26/11Time:21:06Sample(adjusted):161086Includedobservations:1071afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C0.0002584.70E-055.5010570.0000RESID^2(-1)0.0717540.0306002.3448940.0192RESID^2(-2)0.0163430.0306730.5328000.5943RESID^2(-3)0.0721200.0305912.3575730.0186RESID^2(-4)0.0434610.0306051.4200510.1559RESID^2(-5)0.0055220.0305360.1808360.8565RESID^2(-6)0.0806620.0305362.6414910.0084RESID^2(-7)0.0656410.0306092.1444820.0322RESID^2(-8)0.0744700.0305972.4339350.0151RESID^2(-9)-0.0182510.030676-0.5949470.5520RESID^2(-10)0.0868630.0306032.8383760.0046R-squared0.054262Meandependentvar0.000516AdjustedR-squared0.045340S.D.dependentvar0.000984S.E.ofregression0.000961Akaikeinfocriterion-11.04600Sumsquaredresid0.000980Schwarzcriterion-10.99489Loglikelihood5926.132F-statistic6.081819Durbin-Watsonstat1.999913Prob(F-statistic)0.000000上證綜合指數(shù)收益率序列和滬深300指數(shù)收益率的波動(dòng)性研究表格SEQ表格\*ARABIC7garch(1,1)模型估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHDate:05/26/11Time:21:13Sample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter24iterationsCoefficientStd.Errorz-StatisticProb.C0.0010810.0006131.7639620.0777RSH000300(-4)0.0300820.0315800.9525540.3408VarianceEquationC7.78E-062.40E-063.2464450.0012ARCH(1)0.0587010.0102105.7493910.0000GARCH(1)0.9268700.01229975.359240.0000R-squared0.003162Meandependentvar0.000753AdjustedR-squared-0.000544S.D.dependentvar0.022735S.E.ofregression0.022741Akaikeinfocriterion-4.836964Sumsquaredresid0.556461Schwarzcriterion-4.813903Loglikelihood2619.379F-statistic0.853193Durbin-Watsonstat1.956962Prob(F-statistic)0.491611表格SEQ表格\*ARABIC8garch-m(1,1)估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHDate:05/26/11Time:21:14Sample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter15iterationsCoefficientStd.Errorz-StatisticProb.GARCH3.1230182.8966841.0781360.2810C-0.0003040.001423-0.2133630.8310RSH000300(-4)0.0334730.0323681.0341390.3011VarianceEquationC7.05E-062.41E-062.9208790.0035ARCH(1)0.0568910.0105015.4178250.0000GARCH(1)0.9294430.01262573.621390.0000R-squared0.000648Meandependentvar0.000753AdjustedR-squared-0.004000S.D.dependentvar0.022735S.E.ofregression0.022780Akaikeinfocriterion-4.832534Sumsquaredresid0.557865Schwarzcriterion-4.804861Loglikelihood2617.984F-statistic0.139346Durbin-Watsonstat1.946048Prob(F-statistic)0.983107(二)上證綜合指數(shù)和滬深300指數(shù)收益波動(dòng)非對(duì)稱性的研究表格SEQ表格\*ARABIC9TARCH模型估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHDate:05/26/11Time:21:14Sample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter31iterationsCoefficientStd.Errorz-StatisticProb.C0.0009520.0006581.4472890.1478RSH000300(-4)0.0391970.0320201.2241200.2209VarianceEquationC1.18E-053.08E-063.8220970.0001ARCH(1)0.0425630.0151322.8128470.0049(RESID<0)*ARCH(1)0.0363120.0169242.1455420.0319GARCH(1)0.9144680.01461162.585880.0000R-squared0.003972Meandependentvar0.000753AdjustedR-squared-0.000661S.D.dependentvar0.022735S.E.ofregression0.022742Akaikeinfocriterion-4.837610Sumsquaredresid0.556009Schwarzcriterion-4.809937Loglikelihood2620.728F-statistic0.857370Durbin-Watsonstat1.957869Prob(F-statistic)0.509252表格SEQ表格\*ARABIC10EARCH模型估計(jì)結(jié)果DependentVariable:RSH000300Method:ML-ARCHDate:05/26/11Time:21:15Sample(adjusted):61086Includedobservations:1081afteradjustingendpointsConvergenceachievedafter54iterationsCoefficientStd.Errorz-StatisticProb.C0.0008730.0006451.3529910.1761RSH000300(-4)0.0438820.0318081.3795790.1677VarianceEquationC-0.3570960.072667-4.9141340.0000|RES|/SQR[GARCH](1)0.1492910.0245186.0889620.0000RES/SQR[GARCH](1)-0.0333300.012009-2.7755130.0055EGARCH(1)0.9682480.008093119.63570.0000R-squared0.004309Meandependentvar0.000753AdjustedR-squared-0.000322S.D.dependentvar0.022735S.E.ofreg