股票市场收益率波动（通用9篇）
股票市场收益率波动 篇1
一、引言
传统的资本市场理论在对市场收益率进行实证分析时, 所建立的计量经济模型一般都有收益率方差保持不变的基本假设。这一模型与有效市场理论较为一致, 使用起来也比较方便, 经常用于证券市场价格的估计与预测。但利用该模型对很多实际问题进行实证分析之后, 我们发现有些前提假定并不甚合理。因此, 许多专家学者开始尝试建立新的模型以寻求对证券市场的价格波动行为进行更为准确和合理的描述。其中, Engle (1982) 提出的ARCH (Auto-regressive Conditional Heteroskedastic) 自回归条件异方差模型, 被认为是最能反映数据方差的变化特点的模型, 因而被广泛应用于金融时序数据的分析当中。
国内研究方面, 也有很多学者运用ARCH模型对我国股市的波动率进行了实证分析。但基本上都是针对沪市的时序数据来分析我国股市波动率特点的。而把ARCH模型用于深证指数来实证分析我国股市波动率的文献很少, 因此, 本文试图将ARCH模型用于深证指数进行系统的实证分析, 从另一个侧面揭示我国的股票市场波动率的特征。
二、ARCH模型简介
(一) 自回归条件异方差 (ARCH) 模型
目前对于ARCH过程还没有统一的定义。1982年Engle给的定义如下:
其中{αj}是未知参数。满足上面的的过程被称为q—阶自回归条件异方差模型, 记为ARCH (q) 。为了保证条件方差是正数, 要求α0>0, αj≥0, j=1, 2….q。为了保证{εt2}平稳, 要求α1+......+αq<1。冲击的影响留存在后续误差项方差中的长度是由回归阶数q决定的, q如果越大, 后续波动所持续的时间也就越长。
ARCH模型最主要的特征就是可以体现波动时变特性和集群特性, 其方法就是通过设置随机干扰项的方差受以往随机波动正的影响来实现的。
(二) 广义向量自回归 (GARCH) 模型
GARCH模型称为广义ARCH模型, 是ARCH模型的拓展, 由Bollerslev (1986) 发展起来的。表述如下:
为了保证条件方差为正, 要求αi>0, βj>0。为了保证模型时宽平稳的, 存在参数约束条件α1+......+αq+β1+......βq<1.
此外, ARCH模型还有其他的拓展变形, 如TARCH, EGARCH, GARCH-M等等。
三、实证分析
(一) 数据的选取和描述分析
1. 数据选取
本文的数据选取了深证交易所2009年1月1日至2012年12月15日的综合指数的日收盘价, 共1620个数据。用相邻两天收盘指数的对数的一阶差分来代表股票的日收益率指标, 计算公式如下:
2. 时序序列的描述分析
本文运用计量分析软件EVIEWS6.0进行相应的统计分析。把股指日收益率Rt组成的新时序数列进行了描述统计分析, 分析结果如下所示。
由表1可以看出, 时序序列的偏度为0.346813, 说明其分布的偏态有轻微的右偏, 这时收益率会表现出一个向右的拖尾, 但分布是比较对称的;峰度为6.184725, 说明分布的峰度呈现尖峰分布的特点。如果用JB统计量的检验结果显示时间序列得分布状态, 概率值为0, 因此拒绝原假设, 认为序列不服从正态分布。
从表1可以看出大的收益率的波动比较频繁且波动幅度较大、连续性较强, 大小波动连续性较强, 可以看出日收益率时序数据具有明显的集群特征。
(二) 基于ARCH模型的实证分析
通过对时序序列Rt的自相关函数和偏自相关函数进行分析, 发现收益率是一个3阶自回归过程。对Rt建立AR (3) 模型。所以估计收益率关于自身滞后项的自回归模型为:
因此, 在运用ARCH模型建模前, 先对残差序列的条件异方差性进行检验分析。我们通过对残差序列时序效应进行LM检验, 发现残差序列有高阶的序列向量自回归特性。
既然残差序列有高阶的序列向量自回归特性, 我们就可以建立与之相符合的GARCH模型。综合分析, 我们可以利用GARCH (1, 1) 模型进行时序分析, 其均值方程和条件方差方程可以表示为:
从分析的结果可以清楚的看到, 所有的参数都是是显著的, 说明我们前面所观察的收益率序列Rt的集群特征确实很明显的存在, 而条件方差中的系数和<1, 证明GARCH (1, 1) 模型具有较为平稳的协方差, 也就是说过去对未来的影响是会逐渐的减弱, 因此使模型的预测能力得到了大大的加强。
(三) 基于TARCH模型的实证分析
下面我们继续使用TARCH模型对时序序列的杠杆性进行检验, 其标准差和和协方差方程可以表示为:
其中dt是一个虚拟变量, 当εt<0, d=1;当εt≥0。dt=0。dt的存在, 说明股价涨高 (εt≥0) 和股价降低 (εt<0) 对自回归的作用是不一样的。涨高时Øε2t-1dt-1=0, 其影响力大小可以用代表;降低时其大小可以用来表示。若Ø≠0, 说明股市中信息不对等;当Ø>0时就说明存在了明显的杠杆特性。
参数估计结果为
从分析结果可以看出, 在我们所选择使用TARCH (1, 1) 模型的时候, 覬的估计值为0.826349。其t统计量值为5.79, 通过显著性检验, 因此, 明确的显示了我国股市的信息不对称特征和杠杆特性。
四、结论与政策建议
虽然价格波动有利于股市的正常发展, 但价格变动幅度太大就会带来较大风险, 从而对股市产生不利影响。我国股市的发展时间相对国外发达国家时间很短, 而且还处在不断的改革发展和变化之中。历史发展环境的制约, 模式上的特殊性, 运行机制上的特殊性, 这些特性都决定了股票市场价格波动所特有的风险的存在。本文的实证分析表明, 我国股票市场价格的波动对股市信息反应过于迟钝, 信息传输时差过大, 但有向好的方向变化的趋势。
我国股票市场的发展还很不完善, 目前股票市场存在很多不良的交易者, 他们对市场的反应能力很弱, 反应的时差很大, 动作过于迟缓。再加上我国股票市场上存在明显的“羊群效应”, 市场投资者投资和风险理念很不成熟。所以, 这时必须特别强调政府在股市政策的建立与维护, 避免出现因股票价格大幅度波动所带来的市场危机。此外, 还需建立信息的发布以及及时传递机制, 确保股市信息能及时、快速、高效的进行传递, 尽最大可能消除信息不对称带来的弊端, 从而保证我国股市的良性发展。
摘要：本文运用GARCH模型对深圳证券综合指数进行系统的实证研究, 结果表明中国股票市场的收益率具有较为明显的尖峰厚尾分布, 并且其波动具有集群的特征。
关键词：GARCH模型,综合指数,波动率
参考文献
[1]潘红宇.时间序列分析[M].对外经济贸易大学出版社, 2006.
[2]张兵.中国股票市场有效性研究[M].南京大学出版社, 2004.
[3]刘俊山, 张陶伟.成交量与股价波动ARCH效应的实证研究[J].财经科学, 2004 (3) .
[4]史代敏.沪深股市股指波动的协整性研究[J].数量经济技术经济研究, 2002 (9) .
股票市场收益率波动 篇2
[关键词] 波动率非线性建模 GARCH-M模型 EC-GARCH模型
一、引言
对金融市场波动性的研究主要是源于对资产选择和资产定价的需要。国外对此研究已有很长一段历史,早在20世纪60年代, Fama就观察到投机性价格的变化和收益率的变化具有稳定时期和易变时期, 即价格波动呈现集群性, 方差随时间变化。此后, 国外对投机性价格波动特征进行了大量的研究，其中最成功地模拟了随时间变化的方差模型由Engle首先提出的自回归条件异方差性模型(即ARCH模型)。ARCH模型将方差和条件方差区分开来，并让条件方差作为过去误差的函数而变化，从而为解决异方差问题提供了新的途径，开辟了对波动率非线性建模的先河。
二、数学模型
1.线性模型
一般地，考虑一时间序列xt，假定观察的时间间隔是等距的。记{xt|t=1,…,T}为观测值，T是样本容量。一个纯随机的时间序列xt称为线性的，如果它能表示成其中μ是常数,是实数，{at}是独立同分布随机变量序列。由定义可知市场的收益率可以表述为rt=μt+εt,εt是在时间t的序列偏差，市场波动描述体现εt。此类线性模型描述相对平稳时使用较多，如AR模型、MA模型等，但由于其描述市场的收益过于简单，不能为其他计量金融工具提供准确的波动率刻画及预测，显然满足不了风险投资者对金融市场风险准确估算、测量的要求。
2.非线性模型
对应线性模型,设Ft-1是由t-1时刻已有信息产生的σ域,典型的Ft-1由中的元素线性组合而成的。对于给定的Ft-1,xt的条件均值和条件方差是:。这样，,其中是标准化的抖动。非线性模型的发展就在于算式中的两个方程的扩展:(1)f(.)是随时间变化的，則称xt为方差非线性，这里以EC-GARCH模型为例进行介绍;(2)g(.)是非线性的，xt称为是均值非线性，以GARCH-M模型为例进行介绍。
(1)EC-GARCH模型。EC-GARCH模型的一般表述为:
;
;
;
其中Z为标准正态分布,，是条件方差，是在时间t-1时所有历史信息的集合。
经过这样刻画，可以看出资产收益波动率具备以下特征：第一，存在波动率聚类，波动率可能在一些时间段上高，而在另一些时间段上低;第二，波动率以连续方式随时间变化，波动率跳跃是很少见的;第三，波动率不发散到无穷，波动率是在固定的范围内变化;第四，波动率对价格大幅上升和价格的大幅下降的反应不同。
(2)GARCH-M模型。GARCH-M模型着重体现在对收益模型的改进上，将其表述为rt=μt+cht2+εt;εt同样遵循GARCH过程。其中,参数C叫做风险溢价参数，C为正直意味着收益率与过去的波动率成正相关。此式蕴涵了收益率序列存在前后相关，这种前后相关性是由波动过程的前后相关性导致的。风险溢价的存在是历史市场收益率具有前后相关性的另一不可忽视的原因,由此便将市场回报和风险（波动)联系在一起,可以以此研究两个市场的波动与收益的关系。
假设模型旨在解释一项金融资产的回报率，那么增加ht的原因是每个投资者都期望资产回报率是与风险度密切联系的，而条件方差ht代表了期望风险的大小。所以GARCH-M模型适合于描述那些期望回报与期望风险密切相关的金融资产，这一理论的发展,对金融资产的在险价值和套期保值比率研究有着深远的影响。
三、结论
在金融研究领域，波动率的估计一直是一个比较重要的课题，通过本文的分析可以得出广义自回归条件异方差(GARCH)模型实现了刻画时间序列受自身方差影响的特征, EGARCH模型能更准确地描述金融产品价格波动的客观实际情况如波动率聚类、波动率随时间变化连续、波动率变化范围有界性等,而GARCH-M模型,完成了对刻画金融市场中的风险与收益关系的需要。基于以上模型的不同特征,建议投资者在实践操作中有区别的使用以上三种预测方法抵御金融风险，实现企业价值的最大化。
参考文献:
[1]吴冲锋钱宏伟吴文锋:期货套期保值理论与实证研究[J].系统工程理论方法应用,1998(4)
[2]Johnson L.:The theory of hedging and speculation in commodity futures[J].Review of Economic Studies,1960(27)
[3]Ruey S.Tsay:金融时间序列分析[M].北京:机械工业出版社,2006
[4]田华曹家和:中国股票市场报酬与波动的GARCH-M模型[J].系统工程理论与实践, 2003(8)
股票市场收益率波动 篇3
如果时间序列当中的确存在长期记忆性效应的话, 将直接意味着由布朗运动及鞅过程等假设而进一步推导出的标准衍生品定价模型彻底失效。如果某一时间序列当中具有长期依赖性或者说是非周期循环性的长期记忆特征的话, 那么非线性结构必然是该时间序列存在长期依赖性的累积结果。
正是因为长期记忆性特征具有极其重要的理论意义和现实意义, 因此目前大量的相关研究集中于分析和检验诸多金融时间序列及经济时间序列当中是否存在长期记忆性特征。Sibbertsen通过不同视角的相关研究发现了一些支持在雅典等国家中的股票收益率时间序列当中具有显著长期记忆性特征的可靠证据。国内的学者李红权和马超群以及金秀和姚瑾分别运用修正R/S统计量分析方法及Hurst指数分析方法的实证研究, 基本上都不支持在金融资产收益率时间序列当中存在显著长期记忆性特征的论断。Hosking利用分数差分噪声模型进而首次构建了ARFIMA模型, 此ARFIMA模型能够很好地捕捉到金融时间序列及经济时间序列当中可能出现的长期记忆性特征。另一方面, Engle和Bollerslev在GARCH模型的基础之上, 进一步提出了IGARCH模型。So等强调, 与IGARCH模型相比较, FIGARCH模型具有更强的解释能力。在国内的相关研究当中, 王春峰等及王春峰和张庆翠等学者分别通过构建ARFIMA模型及FIGARCH模型, 对我国上证综合指数及深证综合指数指数时间序列数据进行了系统地研究。此外Teyssiere把ARFIMA模型视作FI-GARCH模型中的条件均值方程, 从而构建出ARFIMA-FIGARCH模型。在国内的相关研究中, 张卫国等基于ARFIMA-FIGARCH模型具体检验了深圳股市收益时间序列及其波动率时间序列当中是否存在长期记忆性特征。
本文基于Student-t分布取代正态分布来具体描述国外原油市场收益率时间序列中所显著具有的“尖峰厚尾”分布性质, 进而通过构建ARFIMA模型、FI-GARCH模型及ARFIMA-FIGARCH模型来系统检验Brent原油现货价格对数收益率时间序列及其波动率时间序列中是否存在显著的长期记忆性特征。
二、国际原油市场收益率序列及其波动率序列的长期记忆性分析方法
Hosking等学者利用分数差分噪声模型进一步首次构建了ARFIMA模型, 该ARFIMA模型能够准确拟合时间序列中具有的强持续性和长期记忆性, 基本的线性ARFIMA (p, d, q) 模型可以表示为
其中, 和θ (L) =1-θ1L-…-θqLq分别代表p阶以及q阶的滞后多项式, 而L代表滞后算子多项式, rt代表可以观测到的样本时间序列, μ代表均值, 扰动项ut~iid N (0, σ2) , 分整算子 (1-L) d可以进一步由二项式进行展开, 如下
其中, Γ代表伽玛函数。
为了识别和刻画时间序列的波动率过程中是否存在长期记忆性特征, Baillie等利用分数差分算子 (1-L) d来替换I-GARCH模型中的一阶差分算子 (1-L) , 0
或者可以进一步表示为
Teyssiere将包含时变条件异方差的ARFIMA模型视作FIGARCH模型中的条件均值方程, 从而构造ARFIMA-FI-GARCH模型, 以期测度时间序列及其波动率时间序列中的双长期记忆性效应。本文将基于ARFIMA-FIGARCH模型测度国际原油市场收益率时间序列及其波动率时间序列的长期记忆性特征。在此, 我们假设原油市场收益率时间序列为{rt}Tt=1, 则ARFIMA (p, dm, q) -FIGARCH (r, dv, s) 模型为
其中, ut代表均值, ω代表常数项。
三、国际原油市场收益率序列及其波动率序列的长期记忆性实证检验
我们选取2003年1月至2013年3月期间范围内的欧洲Brent原油现货价格月度数据 (Pt) 来具体度量国际原油价格。进一步计算国际原油市场对数收益率时间序列rt=100[ln (Pt) -ln (Pt-1) ], 从而对此收益率时间序列的动态过程进行分析, 旨在识别国际原油市场收益率时间序列及其波动率时间序列中是否具有长期记忆性效应特征。数据来自于美国能源情报署网站 (http://www.eia.doe.gov) 。
(一) 国际原油市场收益率时间序列及其波动率时间序列的长期记忆性检验
为了分析Brent原油现货价格对数收益率的均值过程当中是否存在长期记忆性效应, 我们首先基于前文所构建的ARFIMA模型进行具体测度。在此, 我们需要遵循Akaike (AIC) 及Schwartz (BIC) 信息准则来最终确定ARFIMA模型的最优滞后阶数。
我们通过比较所构建的ARFIMA模型在不同的滞后阶数下而获得的AIC准则值及BIC准则值的具体估计结果发现, 当p=0、q=1时, 基于ARFIMA模型估计Brent原油现货价格对数收益率时间序列长期记忆性效应时最优。表1具体列示出了最优ARFIMA (0, d, 1) 模型各个参数的最终估计结果。我们发现, 从参数d的具体估计值及与其相对应的显著性结果可以很容易地判断, Brent原油现货价格对数收益率时间序列均值过程当中不存在显著的长期相依性特征。此外, 观察表征尾部分布特征的参数ν的具体估计值及与其相对应的显著性结果能够进一步判断, 在此考虑采用Student-t分布十分适合。
注: () 内数值为参数估计值的对应标准差;“**”、“*”和“+”分别表示在1%、5%和10%水平下显著。
我们运用FIGARCH模型具体判断Brent原油现货价格对数收益率波动率时间序列当中是否具有长期记忆性特征。在不同的滞后阶数下而获得的AIC准则值及BIC准则值的具体估计结果表明, 当r=0、s=1时, 基于FIGARCH模型估计Brent原油现货价格对数收益率波动率时间序列长期记忆性效应时最优。表2具体列出了最优FIGARCH (0, d, 1) 模型各个参数的最终估计结果, 我们发现, 从参数d的具体估计值及与其相对应的显著性结果可以很容易地判断, Brent原油现货价格对数收益率波动率时间序列具有当中具有极为显著的长期相依性特征。此外, 观察表征尾部分布特征的参数ν的具体估计值及与其相对应的显著性结果能够进一步判断在此采用Student-t分布极为恰当。
我们通过构建ARFIMA-FIGARCH模型具体测度Brent原油现货价格对数收益率时间序列及其波动率时间序列当中是否存在双长期记忆性特征。在不同的滞后阶数下获得的AIC准则值及BIC准则值的具体估计结果表明, 当p=0、q=1、r=0、s=1时, 基于ARFIMA-FIGARCH模型估计Brent原油现货价格对数收益率时间序列及其波动率时间序列双长期记忆性效应时最优。表3具体列出了最优ARFIMA (0, dm, 1) -FIGARCH (0, dv, 1) 模型各个参数的最终估计结果, 我们发现, 从参数dm的具体估计值、与其相对应的显著性结果, 以及参数dv的具体估计值、与其相对应的显著性结果可以很容易地判断, Brent原油现货价格对数收益率时间序列当中不存在显著的长期相依性特征, 但是Brent原油现货价格对数收益率波动率时间序列当中却具有极为显著的长期相依性特征。此外, 观察表征尾部分布特征的参数的具体估计值及与其相对应的显著性结果能够进一步判断, 在此采用Student-t分布极为恰当。
四、基本结论
基于上述研究, 本文获得如下认识和判断。
一方面, 基于ARFIMA模型的估计, Brent原油现货价格对数收益率时间序列均值过程当中不存在显著的长期相依性特征。基于FIGARCH模型的估计, Brent原油现货价格对数收益率波动率时间序列具有当中具有极为显著的长期相依性特征。基于ARFIMA-FIGARCH模型的估计, Brent原油现货价格对数收益率时间序列当中不存在显著的长期相依性特征, 但是Brent原油现货价格对数收益率波动率时间序列当中却具有极为显著的长期相依性特征。
另一方面, J-B正态检验统计量估计结果及与J-B正态检验统计量相应的概率P值的具体结果说明, Brent原油现货价格对数收益率时间序列显著拒绝服从正态分布的原假设。然而, 通过具体估计所构建的ARFIMA模型、FIGARCH模型以及ARFIMA-FIGARCH模型尾部参数值及其显著性结果表明, 本文采用Student-t分布代替正态分布来刻画Brent原油现货价格对数收益率时间序列及其波动率时间序列的“尖峰厚尾”分布性质是极为恰当的。
注: () 内数值为参数估计值的对应标准差;“**”、“*”和“+”分别表示在1%、5%和10%水平下显著。
股票市场收益率波动 篇4
[关键词] 上证综指；股票收益率；波动性；GARCH模型
一、引言
美国学者罗伯特·恩格尔和克菜夫·格兰杰于上世纪80年代首先提出了ARCH模型来对证券市场的波动性特征进行描述，随后，Bollerslev在ARCH基础上对模型进行了改进，形成了应用更加广泛的GARCH模型，此后研究不断发展深入，这些模型在金融领域得到了广泛的应用。中国股票市场起步较晚，受我国自身特殊情况的影响，在发展的过程中历经艰难险阻，在给我国经济带来繁荣的同时，也曾带来过不小的冲击，但是，总体来看，我国股市的发展状态是良好的，其中在2006年迎来了中国的大牛市，之后股票市场规模明显扩大，上市公司质量不断提高。当前，沪深股市作为宏观经济的晴雨表的作用越来越显著，但是，和西方发达国家相比，我国证券市场发展还很不完善，市场的风险和波动性要远远高于国外市场，因此，越来越多的学者开始研究如何较为合理的描述股票市场的波动性。本文运用GARCH模型，对上证综指的收益率波动性进行实证分析，进而探讨股票收益率的波动特征。
二、方法介绍
自回归条件异方差（ARCH）模型作为最简单条件的异方差模型，广泛应用于金融时间序列分析中，其核心思想是误差项在时刻t的方差依赖于时刻（t-1）的误差平方的大小。而GARCH模型作为广义自回归条件异方差模型，具有更加一般性的特点，ARCH模型可以看做是GARCH模型的特例，并且GARCH模型特别适用于对波动性的分析和预测，几乎是为金融数据量身定做的回归模型，随着时间的推移，到1991年，Nelson提出了非对称的EGARCH模型，即指数GARCH模型，使用均值等式的扰动项和扰动项的绝对值和扰动项的标准差之比来描述正负冲击给波动性带来的非对称影响，在波动性研究方面都是很大的突破。本文选用GARCH模型来研究上证综指的收益率波动性问题。
三、数据选取
本文以上证综指为研究对象，选取2007年4月23日到2011年4月21日的上证综指收盘价数据，所选取数据避开了金融危机时期，更能够有效地反应的其特征。运用GARCH模型来研究我国股票市场的波动特征，GARCH模型作为ARCH模型的特例，可以说是专门针对金融数据打造的回归模型，不仅否定了传统的收益率方差不变这一假设，而且对误差的方差进一步建立了模型。本文数据全部来源于CSMAR数据库，在对日收益率数据的处理上，本文采用对数收益率，即Rt=lnpt-lnpt-lnpt-1，其中，Rt表示t时刻的收益率，Pt表示t时刻的收益率，Pt表示t时刻上证综指的收盘价。
四、实证分析
（一）数据特征
由上证综指收益率R的各项统计结果可知，因为R表现出负的偏度，表明收益率明显呈现右偏的特点；峰度系数为4.99，显著大于正态分布的峰度值3，表明比正态分布垂直方向有更高的收益率，有着尾部较厚的特征，即呈现出“尖峰厚尾”的分布特征，说明股市存在着暴涨暴跌的极端现象，表现并不稳定；J-B的正态性检验也证实了这一点，J-B统计量较大，说明明显不是正态分布。
（二）ADF检验
由上表可知，在显著性水平为1%时，ADF检验的T值为-31.06，远小于与临界值-3.43，说明上海证券市场的收益率不符合随机游走的假设，属于平稳的时间序列数据。
（三）自相关检验
对上证综指日收益率序列的10阶滞后量求自相关函数值与偏自相关函数值，如图2，可知上证综指的对数日收益率之间并不显著。
（四）ARCH—LM检验
本文采用拉格朗日乘数法（LM检验）来验证收益率是否有ARCH效应。由图3可知，LM检验的F值为14.12526，远大于其对应的临界值，相伴概率P接近于0，说明上证综指收益率存在明显的ARCH效应，因此，宜于采用GARCH模型。
（五）建立GARCH模型
本文采用GARCH（1，1）模型来拟合上证综指收益率时间序列数据，结果如图4、图5所示，可知，在GARCH（1，1）模型中，上证综指收益率条件方差中GARCH项为93.26631，高度显著，表明收益率序列具有显著地波动集簇性，由GARCH项系数0.939323可知，GARCH（1，1）过程是平稳的，其条件方差表现出均值回复，即过去的波动对未来的影响是逐渐衰减的。加之 项的系数估计值大于0，且均显著，这说明上海证券交易市场中坏消息引起的波动比同等大小的好消息引起的波动要大，即存在杠杆效应。在EGARCH模型中，由于 项的系数估计值为-0.054634小于零，且显著，说明存在明显的杠杆效应。
五、结论
本文以上证综指收益率为研究对象，运用自回归条件异方差族模型，对我国沪市股票价格波动的GARCH效应进行研究，发现，上证综指的收益率存在明显的尖峰厚尾特性，且其波动性对未来市场波动有着正向的影响，且影响是减缓的，说明投资者有着追涨杀跌的心理，同时，由上述结果可以看出市场冲击对未来预测有着相当程度地持续性，具有“长记忆”特征，这种影响在短时间比较难以消除，即若投资者受较大负面消息影响，短时间内信心很难恢复；同时，上海证券市场有着强烈的风险溢价现象，投资者可以看作是风险厌恶的，对风险的回报要求较高，并且显著的杠杆效应反应出利空消息引起的股市及股价波动大于利好消息引起的波动。作为投资者，应该注意防范政策风险，避免政策的变动导致股市剧烈波动，同时，合理利用股市的规律性来规避市场风险。当然，在方法适用上，本文仍然存在一定的缺陷，一方面在模型假设方面，许多约束造成了随机波动行为的不真实性，对于实证结果产生了一定的影响，另一方面，模型的运用方面还存在一定的欠缺，没有更加深刻的对波动性进行深入分析，在数据选取方面也没有运用到最新的数据，因此，还需要进一步的对上证综指的收益率波动性进行探索和研究。
【参考文献】
【1】张晓峒.Eviews使用指南与案例[M].北京：机械工业出版社，2007.
【2】高铁梅.计量经济分析方法与建模——Eviews应用及实例[M].北京：清华大学出版社，2002.
【3】李存行，张敏，陈伟.自回归条件方差模型在我国沪市的应用研究[J].管理科学.2008，（4）.
【4】陈千里， 周少甫. 上证指数收益的波动性研究[J].数量经济技术研究， 2002（6） .
【5】陈艳， 韩立磊. 沪深300 指数收益波动性实证研究[J].金融经济： 理论版， 2009（7） .
【6】[ 美] 克里斯·布鲁克斯. 金融计量经济学导论[M].邹宏元，译. 成都： 西南财经大学出版社， 2005.
股票收益波动率预测模型比较研究 篇5
关键词：股票收益波动率,GARCH模型,SV模型,神经网络,灰色模型,支持向量机
一、股票收益波动率预测模型研究现状
如何对股票收益波动率进行准确的描述与预测?这一直以来都是金融学领域探讨的热点问题之一。把握股票收益波动率的特征及趋势, 对投资者测度、规避和管理股市风险具有极其重要的理论和实际意义。因此, 长期以来许多学者运用各类预测模型对股票收益率波动性进行实证分析和预测, 希望能够从中得到有益的启示和可以遵循的规律。目前, 从国内外的相关文献来看, 尽管对股票收益波动率进行预测的模型有很多种, 但依据其建模理论不同, 可将模型划分为两个大类:一类是以统计原理为基础的传统型的波动率预测模型, 目前较为流行且具有代表性的模型包括ARCH类模型和SV类模型;另一类是以神经网络 (ANN) 、灰色理论 (GM) 、支持向量机 (SVM) 等为基础的创新型预测模型。国外学者运用GARCH和SV模型进行预测, 其预测效果好于国内的同类预测。Campbll, Hetschel, Engle, Ng, Pagan, Schwert等证实GARCH能够提供较理想的数据模拟与预测效果。Jun、Yu利用基本SV模型对新西兰股市进行了预测分析, 发现基本SV模型具有很好的预测能力。G..B.Durham利用SV-mix模型对标准普尔500指数做了预测, 认为预测效果较好。国内学者如魏巍贤、张永东、钱浩韵、张世英等分别运用GARCH和SV对我国股市进行预测, 效果不是十分理想。而利用创新型预测模型 (ANN, GM, SVM) 对股市进行预测, 国内外文献显示预测效果都比较理想。Hill等将神经网络与六种传统的统计预测方法作了对比, 他们用了111个时间序列进行预测, 结论是:采用短期 (月度、季度) 数据预测时, 神经网络明显优于传统的统计模型;采用长期 (年度) 数据时, 预测结果相差不多。李敏强、吴微、胡静等许多学者实证研究结果表明:人工神经网络应用于我国股票市场的预测是可行和有效的。陈海明、段进东、施久玉、胡程鹏、覃思乾应用灰色GM (1, 1) 模型对股票价格进行短期预测, 效果很好。W.Huang等用支持向量机预测股票市场运动方向。P.Pai等将ARIMA (autoregresssive integrated moving average) 模型和SMV模型结合起来, 提出一种组合模型来进行股票价格预测, 得出该组合模型优于单个ARIMA或SVM的结论。国内的杨一文、杨朝军利用SMV对上海证券综合指数序列趋势做较准确的多步预测。李立辉等将SMV应用到我国上证180指数预测中。周万隆、姚艳、赵金晶等实验结果表明, SVM预测精度很高。
总之, 比较国内外学者的研究状况, 至少可以得出以下两个结论:一是国外学者采用美国或其他西方国家股市的相关数据带入GARCH类或SV类模型进行数据拟合或预测, 其效果普遍要好于国内学者采用国内股市相关数据进行的同类研究;二是我国学者运用创新型预测模型进行股市方面预测的文献多于传统的统计模型, 而且从预测效果上看, 创新型预测模型的预测精确度要高于传统型统计类预测模型。
二、基于统计原理的预测模型与创新型预测模型的比较分析
1. 建模的理论基础不同。
传统的基于统计原理的股票收益波动率预测模型是建立在统计分析理论基础之上的。而处理基于概率统计的随机过程, 是要求样本量越大越好, 原始数据越完整、越明确越好。但事实上, 在实际中, 即使有了大样本量, 也不一定找到规律, 即使有了统计规律也不一定是典型的。创新型预测模型则是完全脱离统计理论的基础, 以一种创新型的建模思维, 来建立预测模型。例如灰色模型是建立在灰色理论基础之上的, 依据广义能量变化规律, 将历史资料做累加处理, 使其呈现出指数变化规律, 然后建模。而人工神经网络模型是建立在神经网络理论基础之上的, 它通过模仿人脑神经系统的结构及信息处理和检索等功能, 建立神经网络模型进行预测。支持向量机则依据的是统计学习的机器学习理论, 通过凸优化, 使得局部解一定是最优解, 克服了神经网络收敛速度慢和局部极小点等缺陷。
2. 对数据的要求与处理不同。
基于统计原理的预测模型要求样本量大并有很好的分布规律, 无论是GARCH类还是SV类模型, 只有在样本量足够大, 且分布较好的情况下, 其预测效果才会比较理想。例如, 运用GARCH模型对美国股指进行预测要比对国内股指进行预测效果理想, 原因是我国股市发展的时间相对较短, 期间由于宏观调控和股改等原因, 造成股指大起大落, 导致数据分布规律性不强, 因此我国运用这类模型存在一定局限。而创新型预测模型对样本量的要求和分布程度的要求均较低。例如灰色模型, 只要拥有7、8个数据就可对下一个数据进行预测。在处理技术上, 灰色模型要对原始数据进行累加处理, 使表面杂乱无章的数据呈现出明显的指数规律, 建模计算之后, 再进行累减还原。神经网络模型则采用数据驱动, 黑箱建模, 无需先验信息, 能够在信息资源不完整、不准确等复杂的数据环境下, 通过自身结构的调整, 提取数据特征, 并对未来进行有效预测。
3. 模型结构的稳定性与适应性不同。
基于统计原理的预测模型一经建立, 其模型结构具有较强的稳定性, 模型变量之间存在一个稳定的内在关系。无论是GARCH模型还是SV模型, 模型结构都相对稳定、简单, 而且都是单因素模型。但在实际中, 预测环境是复杂多变的, 一旦系统变量之间出现新的关系, 该类模型则无法调整和适应。创新型预测模型则是一种或者多因素、或者可以变结构的模型, 其计算相对复杂, 但其适应能力要好于基于统计原理的预测模型。例如灰色模型, 除了有基本的GM (1, 1) 模型, 对于高阶系统, 灰色理论通过GM (1, n) 模型群解决, 并且可以综合考虑多种因素的影响。而神经网络和支持向量机都是变结构模型, 通过网络对新样本的学习, 调整其内部结构, 从而适应系统变量的变化。对于非线性高维、高阶问题神经网络和支持向量机会发挥得更好。
4. 预测精准度与外推性强弱不同。
相比较而言, 基于统计原理的预测模型误差较大, 外推性差。因为基于统计原理的预测模型对数据样本没有再处理或学习的过程, 因此对样本的拟合性较低, 由此导致其外推性也较差。而创新型预测模型相对而言精确度较高, 外推性强。原因是创新型预测模型对数据具有再处理或学习的过程。灰色模型是对数据进行了累加处理;而神经网络模型和支持向量机是对数据进行了学习, 然后进行推理、优化。因此, 创新型预测模型的拟合度和外推能力都要高于统计类模型。
5. 预测难度与预测时间长度不同。
基于统计原理的预测模型技术比较成熟, 预测过程相对简单。无论是GARCH类还是SV类预测模型, 其建立模型依据的理论基础坚实, 模型构造相对简单, 计算难度相对较低。由于这类模型采用的数据是较长时间的历史数据, 因此可以对未来进行较长时间的预测。而创新型预测模型预测技术还有改进的余地, 且预测难度较大。如利用神经网络进行股票收益波动率预测, 其过程相对较难, 因为神经网络需要设定隐层, 权重;其隐层和权重设置合理与否, 直接导致预测结果的合理与准确。用支持向量机方法进行预测, 涉及到核函数的确定。核函数的确定难度较大。由于创新型预测模型对数据要求度不高, 一般是小样本量预测, 因此, 适用于对预测对象进行短期预测。
三、我国股票收益波动率预测模型发展方向
1. 创新型的智能化预测模型将成为我国股票收益率预测的一个发展方向。
首先, 创新型预测模型能够克服我国股市数据不完整、波动大、分布不合理等缺点, 采用小样本数据对股市进行短期预测, 预测的精准度相对高于传统的统计类预测模型。其次, 创新类模型中的智能化模型能够模仿或部分模仿人工智能, 对影响股市的多种因素进行复杂的非线性变结构处理, 既能克服单因素模型包含信息不充分的缺点, 也能克服固定结构模型无法处理突发性事件的缺点, 能尽量充分地反映影响股市的多种信息和复杂变化, 从而增加预测的准确度。
2. 组合预测模型将成为我国股票收益率预测模型发展的另一个发展方向。
组合预测是将不同预测模型的预测结果依据一定的原则赋予不同的权重, 然后进行加权平均, 得出最终的预测结果。这种预测方法可以克服单一预测模型信息量不充分的缺点, 充分发挥不同预测模型的优势, 最大限度获取不同角度的信息量, 提高股票收益率预测水平。
3. 包含各种非量化信息的预测模型将成为我国股票收益率预测模型的一个重要发展方向。
目前股票收益率预测模型都属于数量化预测模型, 非量化的因素无法融入到模型之中, 这就导致预测中丢失了大量的非量化信息, 预测的精准度受到很大影响。如何能将各种影响股市的非定量化信息进行技术处理后转变成量化信息, 使之能够被加入到股票收益率预测的模型当中, 从而充分反映政策因素、心理因素、突发事件等非量化因素对股票收益率的影响, 提高预测的精确度, 是股票收益率预测模型的一个重要发展方向。
参考文献
[1]张永东毕秋香:2003上海股市波动性预测模型的实证比较.管理工程学
[2]Engle R F:Autoregressive conditional heteroskedasticity with estimates of the variance of U.K.inflation[J].Econometrica, 1982 (50) :987～1008
股票市场收益率波动 篇6
纵观石油价格波动起伏的历史，每次的油价波动对股票市场造成的影响不容小觑。随着我国经济的快速发展，与国外经济交流日益活跃，我国经济不可避免地受到国际石油价格波动的影响。虽然我国股票市场起步较晚，发展并不完善，但国际油价的波动已经渗透到我国的各行各业，从而对股票市场造成了不小的影响。本文试图通过研究国际石油价格波动对深圳股票市场上的股票指数的影响，来揭开油价对股票市场影响的神秘面纱。
一、数据选取
本文选取深证综指、深圳行业分类指数作为研究股票市场的对象。这两种股票指数发布时间较早，编制较为科学合理，其中深证综指包含了深交所上市的所有股票，深圳行业分类指数则是包含各行业所有在深交所上市的股票。因此，我们可以从总体和部分两个方面对深圳股票市场进行分析。石油价格选择美国纽约商品交易所的俄克拉何马州库欣低硫轻质三个月原油期货价格，该合约是目前流动性最强和价格最透明的合约之一，它的价格也是国际石油定价的基准之一。之所以选择石油期货价格而不是现货价格，是因为石油期货的蓬勃发展使石油期货价格已经成为世界油价的风向标。我们为了更好地模拟现实经济中油价与股票收益的影响，又加入了三个变量，分别为汇率、工业产值、短期利率。石油价格可以通过这三个变量影响股票收益，而这三个变量也可以影响石油价格。
二、数据的分析和处理
本文所有选取变量的数据期间为2001年8月至2008年12月，均为月度数据。其中选取股票指数月收益为研究对象，数据来源于锐思金融数据库;短期利率选取银行间61-90天同业拆借利率;汇率选取人民币对美元加权平均利率，数据来源于中经网统计数据库。由于数据库中的工业产值没有不变价格，因此我们对其进行了平减，同时为了防止季节性波动带来的影响，对所有宏观月度数据进行了X-12季节调整。本文在利用VAR模型建模时，使用的变量如下：石油期货价格的对数loil，股票指数收益率rsr，工业产值对数lp，短期利率的对数lr，汇率的对数为le，与此对应的一阶差分为dloil, dlp, dlr, dle。
分别对上述变量进行单位根检验，通过ADF和PP检验，结果发现股票指数收益是平稳的，短期利率的对数是平稳的，石油期货价格的对数、工业产值的对数和汇率的对数都是一阶平稳的。根据上述检验结果我们对loil, le, lp进行协整检验。根据Johansen协整检验的结果可知，在5%的显著性水平下，loil、lp、le不存在协整关系。
三、模型的建立
根据数据的分析和检验结果，本文建立模型，并用方差分解来分析他们之间的动态联系，其中滞后阶数由AIC和SBC决定。方差分解是通过分析每一个结构冲击对内生变量变化的贡献程度来评价不同结构冲击的重要性。下面本文利用方差分解来分析石油价格冲击对各股票指数变动的贡献程度。下表即是根据方差分解整理得出的结果，给出了石油价格冲击分别在1个月、6个月、一年、两年时对各股票指数变动的贡献程度。
四、结果分析
由上表可以看出，对于所有的股票指数，石油价格冲击在一个月后对采掘指数的变动贡献最大，为2.71%，对深证综指的变动贡献最小，为0，对其他指数的变动贡献也很小，因此石油价格冲击对各股票指数一个月后的影响基本上可以忽略不计。六个月后石油价格冲击对股票指数的变动贡献显著增强，其中对采掘指数的变动贡献最大，约为8.09%，对传播指数的变动贡献最小，为1.12%，对深证综指的变动贡献为4.23%。另外，石油价格冲击在六个月后对地产指数、服务指数、木材指数、金属指数、电子指数的变动贡献也不小，分别为6.62%、5.76%、4.85%、4.76%、4.65%。一年后石油价格冲击对股票指数的变动贡献缓慢上升，其中对采掘指数的变动贡献最大，为8.40%，对传播指数的变动贡献最小，为1.34%，对深证综指的变动贡献为5.43%。另外对股票指数变动贡献在5%以上的还有电子指数、地产指数、服务指数、机械指数、木材指数、批零指数、水电指数，分别为5.49%、8.12%、6.81%、5.31%、5.04%、5.05%、5.45%。两年后，石油价格冲击对股票指数的变动贡献与一年后的变动贡献相比变化不大。另外油价冲击在两年后对采掘指数变动贡献最显著，为8.39%，对传播指数变动贡献最小，为1.35%，对深证综指的变动贡献为5.48%。
五、结论
由以上结果可以看出，石油价格对深圳股票市场中各股票指数的影响是滞后的，最初影响很小，可忽略不计，但经过一年影响逐渐显著，在第二年时的影响与第一年基本持平。其中采掘业受到的影响较大，传播业影响较小，这与经济事实相符。采掘业主要包括石油开采企业和煤炭开采企业，这些企业与石油产业有极大的相关性，因此受油价波动的影响较大，而传播业与石油产业的联系很小，因此受到的影响较小。纵观所有股票指数，我们还发现油价冲击对深圳股票市场的综合影响在5%左右。
参考文献
[1]唐风.新能源战争[M].中国商业出版社.2008, (12)
[2]沃尔特·恩德斯著:杜江, 谢志超译.应用计量经济学:时间序列分析[M].第二版.北京:高等教育出版社, 2006.6, 345-349
[3]金洪飞, 金荦.石油价格与股票市场的溢出效应[J].金融研究, 2008, (2)
股票市场收益率波动 篇7
配对交易为两种类型: 一类是基于统计套利的配对交易[1],一类是基于风险套利的配对交易。
基于统计套利的配对交易策略是一种市场中性策略,是指从市场上找出历史股价走势相近的股票进行配对,当配对的股票价格差偏离历史均值时,则做空股价较高的股票同时买进股价较低的股票,等待他们回归到长期均衡关系,由此赚取两股票价格收敛的报酬。
目前国内外的配对交易方法主要有三种,分别是最小化偏差平方和法则、协整理论方法和随机价差模型方法。这些方法利用统计学公式根据价格序列生成股票对,但是交易的过程与配对的过程没有关联,收益与配对也没有关联。本文利用股票对的最终收益给股票配对,并以此考证该配对的算法是否可行。
在应用配对交易策略时,投资者需要进行两个步骤: 第一步是股票组合( 配对股票) 的选择; 第二步进行模拟交易,即当配对股票的投资收益偏差到多大程度时进行买入或卖出时间的选择。第二步主要用于检测股票组合选择的合理性。本文对配对交易理论的研究,主要针对上述两个步骤[2]。
1基于累计收益的配对交易模型分析
我们以基于累计涨跌幅( 累计收益) 的配对交易为基本策略,不考虑行业等各种因素,只是对所有股票两两组合进行配对交易。研究分为两步: t ∈ ( t0,tn) 为股票组合选择阶段,t ∈ ( tn +1,tN) 为验证阶段。
1. 1股票组合选择阶段
由于股票间价格水平的不同,直接用股票收盘价之间的价差来衡量收益会导致没有实际意义,在配对形成期间,本文将研究股票收益率,即收益额/原始投资额,可知收益率只与股票价格有关。本文只考虑股票每日收盘价,则收益率可通过下式计算:
其中,closetA表示股票A第t日的收盘价,closetArade表示股票A买入时的价格。trade记录的是股票A最近一次买入的时间点。由推导公式可知,profittA可用来表示股票A从最近一次买入时到t时刻的收益率。
式( 1) 可用来计算一支股票的收益率,而两支股票的收益率的差值,可认为是两支股票收益率的相对波动fluctuationtAB, 可按下式来计算:
其中,fluctuationtAB表示股票A与股票B在trade时刻( 最近一次买入股票A或B的时间点) 到t这个时间段内的收益率之差,如果fluctuationtAB为0. 2,则表示从trade时刻到当前时间点t时刻, 股票A比股票B的收益率多20% 。从长期来看,一支股票可以有很大涨幅,也可能有很大跌幅,比如A的收益率为800% ,B的收益率为 - 60% ,则fluctuationtAB= 8 - ( - 0. 6) = 8. 6。由此可知, fluctuationtAB的取值范围非常大。但我们的算法希望股票的收益率相对波动达到一定幅度时进行交换操作从而实现获利,所以,不需要考虑如此大的取值范围。
算法的核心思想如下:
在t0时刻选择了股票A和股票B作为投资组合并买入股票A,到t1时刻时,相对t0时刻,如果股票A的收益率为4% ,股票B的收益率为 - 2% ,则fluctuationtAB为6% 。如果我们此时卖出A而买入同样数量的B,则我们保持股票数量不变,但拥有了更多现金。如果t2时刻( 相对t1时刻) fluctuationtAB达到了 - 6% ,则卖出B而买入同样数量的A,那么,相对t0时刻,我们持有相同数量的股票,但拥有更多现金,从而实现获利。
以上所说的6% 仅为举例,我们可以发现,如果阈值取值较小,则可以实现更多次数的交换,但由于卖出了涨势好的股票, 因此可能放弃了股票继续上涨带来的利润; 如果阈值取值较大, 则可在单次交换时实现更大获利,但减少了交换次数。如何找到合理的阈值是我们需要解决的核心问题,我们希望能通过股票的历史数据找到一个最合理的阈值,从而实现最大获利。
算法具体描述如下:
首先选择一个fluctuationtAB的范围( 如3% 到20% ) 作为阈值集合,在这个集合中选取一个阈值D。t时刻股票组合是否交换需要通过比较fluctuationtAB和被选取的阈值D值,主要通过下列买入卖出规则来判断的:
在t时刻,如果fluctuationtAB> D并且持仓A,那么先卖出A, 然后买入股票B,如果fluctuationtAB< - D并且持仓B,此时先卖出B,然后买入A 。
下面用一个例子描述典型配对交易过程,收益率的相对波动fluctuationtAB的曲线见图1所示。图1中,横坐标是交易日,纵坐标是股票A相对股票B的收益率波动。图1中最上面的一条水平虚线表示我们设定的相对波动上限,波动曲线突破此上限时触发股票的交换操作。同理,最下面的一条水平虚线表示我们设定的相对波动下限,波动曲线突破此下限时触发股票的交换操作。
t0时刻开始买入股票A,到了t1时刻,收益率的相对波动突破了上限D,则将A卖掉买入B。因为相对波动根据t时刻相对买入时刻计算,所以,t1时刻收益率的相对波动曲线回到0。此时, 波动曲线继续往上走,表示股票A相对B在继续涨,再次突破了上限D,但此时持仓B,所以不交换。过了一段时间,股票A相对B下跌,从而收益率的相对波动曲线突破了 - D ,此时可再交换。详细的交换过程可见表1所示。
首先定义各符号如下:
remaint表示在t时刻的交易前的剩余资金。 At表示t时刻买入的A的股票数量。
At表示t时刻买入的A的股票数量。
Bt表示t时刻买入的B的股票数量。
假定总资金M,在t = t1时刻,fluctuationtA1B> D并且持仓At0( 持仓数量为) ,此时卖出股票A,买入股票B,t = t2时刻, fluctuationtA2B< - D( 此时持仓B) ,卖出B,买入A,t = t3时刻fluctuationtA3B> D,此时卖出A,买入B 。如表1所示。
t时刻买入股票的数量用当前总资金( 包括t时刻的现金加上t时刻的股票变现) 除以t时刻该股票的价格得到。t时刻的收益为t时刻的现金加上t时刻持有的股票的价值减去初始总资金得到。
通过上述过程,利用股票A和股票B在t ∈ ( t0,tn) 的历史数据,在阈值范围( 3% 到20% ) 内,每隔0. 1% 选一个阈值D, 即选取的可能值为0. 03,0. 031,0. 032,0. 033,…,0. 198,0. 199, 0. 2,对以上所有可能的阈值D进行配对交易,计算最后的收益率,从而可得到( 20 - 3) /0. 1 + 1 = 171个收益率,在其中选最高的收益率,并记录其对应的阈值D 。
同理,股票A和股票C配对也进行以上操作,并得到一个收益率和对应的阈值。
股票A和股票D、股票A和股票E 、……
股票B和股票C、股票B和股票D、股票B和股票E 、……
对于证券市场上所有股票进行两两配对,找到每个配对的最大收益及对应阈值。并对收益按从大到小排序,选取其中收益最高的10个股票对( 但不包含重复股票,也即要找到20支股票) ,作为我们的股票组合,进行后续验证操作。
1. 2验证阶段
利用t ∈ ( t0,tn) 的历史数据选出股票组合之后,利用t ∈ ( tn +1,tN) 的历史数据执行相应的股票交易策略进行验证。在实际交易时,这个阶段是针对当前股票价格指导买入卖出操作。 股票交易策略的卖出、买入、止损规则介绍如下:
验证阶段的买入卖出两个规则的具体过程与股票组合选择阶段介绍的典型配对交易过程的买入卖出规则一致。
止损规则: 股票组合的配对交易过程,在fluctuationtAB值越过了阈值D后,可能继续偏离。此时为了避免出现极端偏离情况 ( 此后一直都不可能回到 - D或者要很长时间以后才能会到 - D) 而导致的算法失败,需设定止损线[3]。比如设置2D为止损线,那么即当持有股票A,fluctuationtAB< - 2D或者持有股票B而fluctuationtAB> 2D的时候,卖出所持有的股票,结束股票配对交易过程,并另外重新选择股票对进行交易。
通过上述的买入卖出规则,得到股票组合在t ∈ ( tn +1,tN) 的样本上的收益率,与同时间段内的上证指数涨跌幅对比,考察收益率是否符合期望。
2配对交易算法
2. 1基于累计收益的配对交易算法描述
假设某股票对由股票A、股票B配对组成,算法步骤如下:
( 1) 输入数据。输入配对股票交易的时间段,在时间段T内,获取股票A与B的日线收盘价保存在数组closeA与closeB中。
( 2) 处理输入的价格序列。将数组closeA与closeB中单一日期数据消除,即如果某一天A或B停牌,因为该交易日只有A或B交易,无法配对交易,则从数组中将类似的交易日的数据删除。处理好closeA与closeB数据后,根据式( 1) 计算出数组profitA与profitB,A和B初始持有股票都为0,根据式( 2) 计算出每个时刻的相对波动收益率,存入数组fluctuationAB。
( 3) 股票配对搜寻最高收益率及对应的阈值。
选取阈值的可能值: 0. 03,0. 031 ,…,0. 198,0. 199,0. 2,开始搜寻过程,过程描述如下:
找到最高收益率,并记录对应的D 。
以上的D的扫描范围从0. 03到0. 2,这个上限和下限可由用户自己设置。
( 4) 获得最终股票组合。对所有的股票对及其收益率,按收益率从高到低排序,选择其中收益最高的10对股票进入股票池。如果选择某个股票对时,其中的一支股票已经在股票池中, 则放弃该配对,另外选择。
( 5) 模拟交易。利用以上过程之后的历史数据进行模拟交易,从而得到20支股票的组合收益率,并将该收益率与同期上证指数的涨跌幅进行对比,以验证算法的有效性。
2. 2算法时间效率的分析与优化
1) 提高并发率
在股票配对阶段,需要计算所有股票组合的收益来排序,为了提高并发效率,每对股票组合的收益计算都由一个独立的线程完成,即所有股票组合的收益计算都是并发执行而非串行。 由于股票组合数量很大,会导致需要创建大量的线程数量,线程之间的切换时间代价太大,所以引用C#中的线程池技术。线程池缩短了应用程序中的响应时间,在线程池方式下,CLR不必为每个生存期短暂的任务创建一个全新线程,并在结束时回收该资源。同时,线程池会根据系统当前运行的进程,优化线程时间片[4]。一部分线程并发,多余的线程全部放入线程池中,由线程池调度,减少时间消耗。
2) 收益计算的算法时间优化
本文中计算算法的基本操作重复执行的次数( 频度) 作为算法的时间复杂度[5]。
当股票数量是n时,完成股票配对工作所需的次数N即为:
仅就国内A股来说,目前有2000支左右股票,则计算次数约1 999 000次,而美国股市的股票,2013年的统计数字是有5. 4万上市公司,给这些股票配对,则数量级是十亿。另外每一次在样本内计算股票对的收益来验证相关性的工作量也很大, 如果时间周期很长,那么计算量更大; 如果时间周期短,则计算量相对较少,但是十亿级别的计算量仍然是一个很大的工作量。 在具体测试中发现,在普通PC机上,用一年的日线数据为样本来做股票配对需要几小时到数十小时。这个时间比较难以接受。为节省算法时间,考虑以下优化方案:
仔细分析股票配对程序的计算过程,发现在获取两只股票的行情数据的时候,过于频繁的访问数据库了。比如当在验证股票600000与股票的600004时候,会从数据库读取这两只股票的行情数据,但是当验证600000与600005的时候,600000的行情数据又被读了一遍,这种情况导致许多的数据被重复的读取,而且是重复的从磁盘中读取,所以损失了部分性能,解决方案是用内存存储从数据库读取的数据。数据结构Stock Data用来存储这些数据,其结构如表2所示。
利用Stock Data中的symbol字段来判断是否某只股票数据已经读出,然后利用data数组从内存中获取该股票的数据。当然此种方法会有一定缺陷,那就是当行情数据较多的时候,会占据较多的内存空间。以A股为例,Stockdata中,symbol是6个字节,data中float数据是4个字节,一年以250工作日来计算的话,那么一只股票一年的行情数据是4 × 250 + 6,2 000只股票就是2000 × ( 4 × 250 + 6) = 2 × 106即200 MB的空间。对于50 000只股票的美国股市而言,存储量约5000 MB,配置稍微好一点的电脑也可以完成计算工作。
3配对交易系统设计与实现
配对交易系统的软件架构如图2所示。该系统主要由三个子系统组成,即配对生成器,通道分配器和交易对冲系统[6]。
如图2所示,配对生成器输入股票对,输出的是最佳匹配的股票组合,以文档和数据库形式储存,以界面展示。通道分配器给每对股票组合分配独立线程来做算法交易,保持组合之间的并发性。交易系统模块给股票组合提供交易算法,来实现配对交易,计算收益。
配对生成器的类图设计如图3所示。
从类图上看,该模块主要是由策略类和数据源类构成[7]。
4实验分析
4. 1实验目的
利用上述基于累计收益率的配对交易方法考察A股市场, 验证该策略的效果。
4. 2数据选择与样本区间说明
准备2010年1月1日到2014年1月1日的日收盘价使用这个时间段内的数据筛选股票,得到股票组合,并模拟交易查看收益率,验证算法的有效性。因为要将预测期的收益与上证指数对比。所以预测期的时间段分好几种情况。
第一阶段为2010年7月1日到2010年11月8日,此间上证指数从2373. 79点涨到3159. 51点,涨幅0. 33099,属于市场多头时期。选股时段为2010年3月1日到2010年6月30日。
第二阶段为2011年3月1日到2011年3月31日,此间上证指数从2918. 82点涨到2928. 11点,涨幅0. 0032,属于市场震荡期。选股时段为2011年2月1日到2011年2月28日。
第三阶段为2010年4月15日到2010年7月15日,上证指数从3164. 97点跌到2424. 3点,涨幅 - 0. 2340,属于市场空头时期[8]。选股时段为2010年1月15日到2010年4月14日。
4. 3执行交易
( 1) 以上三个时间段,利用相应选股时间段的行情数据按照2. 1节中配对交易中配对生成器的算法步骤( 1) 到步骤( 4) 获取初始股票组合,即10对股票。
( 2) 以上三个时间段,利用预测期时间段的行情数据进行模拟交易计算收益率,并与上证指数比较。
实验结果与分析如表3和图4所示。
从表3的实验结果看,上证指数大涨时,股票对收益率极好,上证指数震荡和上证指数大跌时,股票对收益率优于上证指数,但是收益率急剧减少,为了增加测试的可信度,再选取三个不同的预测时间段来测试本策略。
第一阶段为2012年12月3日到2013年2月6日,此间上证指数从2373. 79点涨到3159. 51点,涨幅0. 33099,属于市场多头时期。选股时段为2012年10月3日到2012年12月2日。
第二阶段为2010年12月29日到2011年1月28日,此间上证指数从2751. 53点涨到2752. 75点,涨幅0. 0004,属于市场震荡期。选股时段为2010年11月29日到2010年12月28日。
第三阶段为2011年4月13日到2011年10月21日,上证指数从3050. 4点跌到2317. 28点,涨幅 - 0. 24033,属于市场空头时期。选股时段为2010年10月13日到2011年4月12日。
三个阶段的收益由表4和图5来展示。
从两个试验结果看,该配对交易策略的效果确实是在大盘上涨的时候表现优秀,在大盘盘整和下跌的时候,投资的收益减少,但是收益率仍然很好。
5结语
本文基于统计套利的思想,讨论的配对交易方法是不同于当前主流的三种方法的。抛弃统计学中的相关性定义,从一个新的视角来解释股票之间的相关性。从实验结果看,这种基于历史收益的配对方法也能取得较好的收益。由于股市中的股票数量巨大导致本策略计算量大这一问题,提出若干优化方案,具体效果要进一步研究。
需要注意的是,本策略选出的股票组合并不能保证每对股票对都盈利,甚至在大盘大跌时,也不能保证股票组合盈利。
所以在真正投资交易时,最好能增加其他策略辅助才可彻底放心,如加入基本面分析来判断大盘走向,加入止损规则来减小损失等。
摘要：配对交易是统计套利的一个部分。当前配对交易对于股票对的选取大都基于统计学相关性理论,股票对的选取理论与交易对冲系统的策略无关联。主要介绍一种基于累计收益的配对方法,该方法使用累计收益的价差(相对波动)为依据来考察股票之间的相关性,通过历史收益率来确定股票之间的相关性。该方法的目标是:找到相关程度高且股价相对波动幅度大的股票对,在股价波动过程中反复套利,从而达到赢利的目的。经过模拟交易测试发现,交易策略在上证指数大涨时收益很好,在上证指数震荡和下跌时,收益依然令人满意。
股票市场收益率波动 篇8
当前, 为应对全球气候变化, 碳排放权交易是国内外减少二氧化碳排放普遍采用的市场机制。截至2015年年底, 上海碳交易市场全年配额与CCER累计交易量合计2837.1万吨, 占全国总量41.9%。上海碳配额交易价格振幅也是最大的。针对金融产品的价格风险, 风险价值度 (Va R) 是被广泛用来测度风险的变量。相比传统方法, 通过GARCH簇模型能更有效捕捉收益率序列中存在的波动聚集性。Engle首次提出自回归条件异方差模型 (ARCH) , 适用于波动率随时间变化而变化的时间序列。Bollerslev提出广义自回归条件异方差模型 (GARCH) , 对原模型扩展为将条件方差自身作为自回归项引入方差方程。国外学者对碳市场的实证研究有很多。Thupayagale的研究结果显示, 具有长期记忆性和不对称效应的波动率模型能较好进行Va R估计和预测。Liu等通过对碳价格波动性的研究, 发现GARCH衍生模型能很好地捕捉收益率中的长期记忆性, 但没有对模型分布进行深入探讨。Zeitlberger针对欧盟碳交易体系第一阶段的碳现货和期货收益率数据, 通过建立GARCH模型实证发现, 服从具有厚尾效应的广义误差分布模型拟合效果显著。目前, 国内关于金融市场的收益率的研究, 主要是基于GARCH簇模型对收益率波动建模分析。荆克迪等利用APARCH模型对Bluenext碳交易市场的EUA的波动率进行实证分析, 结果表明其模型是对ARCH的改进, 但由于大多数金融序列呈非正态性, 模型正态性分布假设并不适当。吕勇斌和邵律博通过GARCH族模型研究, 发现碳排放权价格的波动存在区域差异性, 但均表现波动集聚的特点。李刚通过GARCH建模发现, 外部冲击对碳期货收益率具有持续的不对称影响, 且t分布能有效反映碳期货的异方差特性, 但对模型在波动性和风险预测评价鲜有涉及。
从当前研究看, 有关我国碳交易现货市场和碳价格波动的系统性研究相对较少, 有必要综合全面地利用计量工具对碳资产采取有效的风险管理手段和措施。本文分析了CCER收益率的波动特性, 采用五种GARCH簇模型及四种不同分布的组合建立波动率模型, 并通过对Va R进行样本外检验得到最优模型。
二、实证分析
1. 数据来源
本文以环交所2013年11月26日至2016年1月31日每个交易日的一单位CCER (中国核证减排量) 每日平均价格变化为依据。由图1可知2013年至2014年5月份, 碳价稳中有升, 波动较小。自2014年7月份, 显现下跌趋势且波动剧烈, 2015年8月, 下跌至历史最低。随着环境交易市场规模扩大, 流动性不断增强, 剧烈波动加剧了市场风险。
2. 统计分析
本文以交易市场的日收益率为考察变量, 即:。CCER价格原始数据对数一阶差分后 (图2) 较为平稳, 根据ADF检验, 在1%、5%和10%的显著性水平下ADF检验的t值均位于相应的临界值的左侧, 因此将CCER日均价取对数一阶差分后, 无单位根现象, 但有明显波动集群现象。由表1看出, 样本峰度为17.75137, Jarque-Bera检验及ShapiroWilk检验可知其不满足正态分布, 总体呈现尖峰后尾的特点。
3. GARCH簇模型定阶及其分布
GARCH簇模型拟合波动率, 首先使用信息准则确定模型阶数。CCER收益率的ARCH项和GARCH项的阶数均为1时信息准则最小。本文选取GARCH、I-GARCH、GJR-GARCH、E-GARCH及AP-GARCH五种模型以及对应的正态分布 (norm) 、学生t分布 (std) 、广义误差分布 (ged) 和广义双曲线分布 (ghyp) 四种分布。
4.GARCH簇-Va R模型估计过程
实证分为两部分:第一, 拟合GARCH模型及其各衍生模型, 获得估计参数;第二, 通过上一步样本估计过程, 利用剩余样本进行多种Va R模型样本外测试。
由结果可知, 在正态分布、t分布以及广义双曲线分布下, 1%Va R回顾测试均大于理论值, 即模型低估了实际风险。而5%Va R回顾测试结果显示, 服从t分布和广义双曲线分布下, 各模型的失败率大于理论值, 而正态分布和广义误差分布则偏小于理论值, 但在广义误差分布下, 1%Va R回顾测试结果较显著, 各模型失败率与理论值相差最小。若综合比较回顾测试结果发现, 当残差服从t分布的5%Va R回顾测试下, 只有AP-ARCH模型的失败次数比较接近5%, 因此初步判断仅有APARCH通过模型检验。图3为APARCH在四种不同的分布下1%Va R的回顾测试图。
本文利用Kupiec的失败频率检验方法对Va R模型的准确性进行返回检验。根据检验结果, 只有APARCH通过残差服从t分布下的5%Va R检验, 其LR检验值为1.616, 对应P值为0.204。而GARCH、IGARCH和GJR-GARCH的LR检验值均拒绝原假设。因此, 本文将着重探讨APARCH在四种不同分布下的模型对比。
5. 不同分布下APARCH模型拟合及检验
由参数估计结果可知 (表2) , 基于APARCH的四种不同分布模型中, 仅有服从广义误差分布的模型的ω参数0.156统计显著, 其他模型中ω参数均不显著。各模型其余参数均通过假设检验。通过加权Ljung-Box检验和ARCH-LM检验, 各模型的标准残差平方项不存在序列相关性, 消除了异方差性。APARCH在广义误差分布下, 标准残差和标准残差平方的各阶滞后ACF/PACF最小, 几乎不存在相关性。因此拟合效果较优。进一步通过分析APARCH服从不同分布下的标准残差的Q-Q图 (图4) , 模型仅在广义误差分布下, 实际分布与理论假设分布相符。而其他分布下, 其实际值分布偏离理论直线较多。
根据以上各模型的拟合结果, 我们计算了Va R。以ged分布为例, 在95%的置信度下, Va R均值为-12.7%。其经济学解释为, 在一天中, 持有一单位CCER有95%的可能由于价格波动带来的损失不会超过12.7%。而在正态分布和t分布下, Va R均值分别为12.9%和11.0%, 即在一天中, 持有一单位的CCER有95%的可能由于价格波动带来的损失不会超过12.9%和11.0%。持久性, 即长期记忆性, 用来衡量波动衰减的速度。持久性越接近于1, 衰减速度越慢。实证表明, 无论模型服从何种分布, CCER收益率的波动持久性均较高, 使得对未来期间的预测更有价值。
本文对APARCH的信息冲击曲线比较研究 (图5) 结果表明, 不利消息引起的收益率的波动明显大于有利消息的冲击, 说明CCER收益率序列存在杠杆效应, 即收益率的波动对信息存在显著的不对称效应。
三、结论与建议
一是CCER收益率表现尖峰厚尾特性, 正态分布假设下的模型不足以对Va R的测量提供可靠依据。而对于在t分布和广义误差分布下, 无论1%Va R还是5%Va R均倾向于低估收益率风险。而各模型服从广义误差分布下的1%Va R能较准确地预测风险, 对于5%Va R则有高估的倾向。本文认为金融中介机构应积极配合, 共同参与开发碳金融创新产品, 合理管控碳资产价格的波动性风险, 也有利于提高碳现货市场流动性, 吸引更多企业参与碳交易。二是APARCH (1, 1) 在服从广义误差分布下模型各系数均显著, 且相比于其他分布, 有较大的对数似然值和较小的信息准则, 最能有效拟合上海环交所CCER收益率的波动率。利用计量方法和模型对我国未来碳市场发挥监控和预测功能, 为政策制定者提供管理的依据和建议。三是CCER收益率波动率存在显著的长期记忆性, 即本期收益率受前期各滞后项的影响很大, 历史事件的发生会持续影响未来波动, 使得拟合优良的模型对碳资产的价格风险管理有重要意义。四是CCER收益率数据存在显著的杠杆效应, 即负面信息的冲击更容易对其收益率产生较大程度波动, 反映了碳交易市场在形成初期, 市场信息流通不充分。
参考文献
[1]Engle, Robert F.Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation[J].Econometrica:Journal of the Econometric Society, 1982:987-1007.
[2]Bollerslev, Tim.Generalized autoregres-sive conditional heteroskedasticity[J].Jour-nal of econometrics, 1986, 31 (3) :307-333.
[3]Thupayagale P.Evaluation of GARCH-based models in value-at-risk estimation:Evidence from emerging equity markets[J].Investment Analysts Journal, 2010, 39 (72) :13-29.
[4]Liu H H, Chen Y C.A study on the vol-atility spillovers, long memory effects andinteractions between carbon and energymarkets:The impacts of extreme weather[J].Economic Modelling, 2013 (35) :840-855.
[5]Zeitlberger A C, Brauneis A.Modelingcarbon spot and futures price returns withGARCH and Markov switching GARCHmodels[J].Central European Journal of Operations Research, 2016, 24 (1) :149-176.
[6]荆克迪, 安虎森, 田柳.国际碳交易市场收益波动率研究及其对中国的启示——基于APARCH模型的Bluenext碳交易市场的实证分析[J].南京社会科学, 2014 (3) :24-32.
[7]吕勇斌, 邵律博.我国碳排放权价格波动特征研究——基于GARCH族模型的分析[J].价格理论与实践, 2015 (12) :62-64.
股票市场收益率波动 篇9
中国大陆作为世界头号铜、铝、橡胶消费国，2012年消费量分别占全球的40%[1]。例如，个人投资者会优先购买其在新闻、异常交易量或异常收益中注意到的股票，也会优先出售其持有的股票[2]；个人投资者会卖出可以赚钱的资产，而持有会产生损失的资产，其交易行为存在严重的处置效应；Foucault等（2011）发现个人投资者容易忽视购买并持有低费用、多样化投资组合的建议，而持有那些具有高可分散风险的、被媒体和过去经验过度影响的、单一的投资组合[3]。也就是说，非知情个人投资者的交易行为会增大市场价格波动，降低市场交易价格的影响力，延迟股指期货市场的价格发现，但是随着机构投资者成交量占总成交量比例逐渐增大，股指期货与现货市场之间的信息流动和相关性会得到显著提升[4]。Basak和Pavlova(2013）发现机构投资者参与股指期货市场交易，可以使期货价格比现货价格包含更多的信息，并且对资产价格具有稳定效应[5]。Richards(2005）通过比较香港、台湾、东京等新兴期货市场的境内机构投资者与境外机构投资者的交易行为，发现境外机构投资者比境内机构投资者更具有信息优势，对期货市场价格走势拥有更大的影响力[6]。
国内学者运用理论分析和数理模型等方法，发现相比个人投资者，机构投资者具有更强的信息优势，投资行为更理性[7]。王郧和华仁海（2012）通过分析投资者行为与期货价格波动之间的关系，发现在期货市场上，具有信息优势的投资者（机构投资者）偏好采用反转交易模式，具有信息劣势的投资者（散户投资者）偏好采用惯性交易模式[8]。黄运成等（2007）通过比较对冲基金、期货投资基金、投资银行等不同类型机构投资者，在不同期货市场的投资行为特点，建议加强对机构投资者的培育，降低其参与成本，有序引导不同类型的投资者进入我国期货市场，有利于促进期货市场的价格发现和套期保值功能[9]。姚兴涛（2000）通过比较美国、韩国、香港和台湾等境外成熟期货市场的机构投资者发展历程，建议加快我国期货市场对外开放，引入境外机构投资者[10]。据此提出本文的第一个和第二个假设：
H1：机构投资者可以促进我国商品期货价格发现并缓解期货价格波动。
H2：个人投资者的交易行为会加剧我国商品期货价格波动。
2.2 套期保值者与投机者交易行为对期货市场效率的影响
期货市场具有重要的风险转移和价格发现功能，而投机者为套期保值者对冲风险发挥了重要作用。在期货价格波动方面，Wang(2003）在控制美国期货市场的风险因素后，发现投机者存在逆向交易行为，与市场情绪和非正常超额收益正相关，但其预测未来价格的能力较差；套期保值者存在正反馈交易行为，但与市场情绪和非正常超额收益负相关，具有稳定期货市场价格的作用[11]。杨阳和万迪昉（2010）发现法人投资者的套期保值账户和做空机制有助于降低股指期货市场的价格波动，建议引入境外合格机构投资者，优化股指期货市场的套期保值与投机结构[12]。但是，Miffre和Brooks(2013）认为对冲基金等投机者的交易行为，并未引起其持有的投资组合资产的价格波动，也未改变其持有的投资组合与标的资产的关联性[13]。那么，套期保值者和投机者如何影响我国商品期货市场的价格波动呢？据此提出本文第三、第四和第五个假设：
H3：套期保值者的交易行为有助于缓解我国商品期货市场价格波动。
H4：投机者的交易行为会加剧我国商品期货市场价格波动。
H5：大型投机者的交易行为可以缓解我国商品期货市场价格波动。
在期货价格发现方面，Houthakker(1957）发现大型投机者的交易行为能够反映未来价格走势；小型投机者虽然通过多头交易可以获得利润，但不能预测空头方向的价格走势[14]。Tornell和Yuan(2012）认为投机者的仓位变化可以反映价格的延续变动，套期保值者的仓位变化可以反映价格的反转变动[15]。但是，Chang等（2013）以台湾外汇期货市场为研究对象，发现套期保值者未依据信息进行交易而延迟价格发现，投机者的交易规模与价格发现呈正向非线性关系，而且当其持仓量占比低于20%时，可以提高期货市场效率[16]。Irwin等（2009）认为没有证据表明只做多头的指数基金等投资者的仓位变化，总能引导商品期货价格的走势。但是商品期货市场价格的剧烈波动往往伴随着严重的投机行为[17]。Büyüksahin和Harris(2011）认为能源期货的价格变化，早于对冲基金和其他非商业投机者的仓位变化[18]。由此可知，机构投资者参与套期保值或投机交易时，对期货市场价格发现的影响尚且存在争议。那么，套期保值者和投机者如何影响我国商品期货市场的价格发现功能呢？据此提出本文的第六个假设：
H6：套期保值者的交易行为可以促进我国商品期货价格发现。
3 样本选择与研究设计
3.1 样本选择与数据来源
基于上海期货交易所投资者账户的两种分类方式，本文将从个人与机构投资者、套期保值者与投机者两个角度，分析不同类型投资者的交易行为对期货市场收益和价格波动的影响。本文选择铝、铜、燃料油和橡胶四类期货交易品种，从2007年1月4日至2012年12月31日，每个交易日的开盘价、收盘价、成交量、持仓量，以及套期保值者、投机者、个人投资者和机构投资者各自的空头与多头成交量与持仓量。数据来自上海期货交易所。鉴于2012年12月31日之前，我国尚未允许国外机构投资者直接参与商品期货市场，故本文研究的机构投资者均为国内机构投资者。另外，根据《上海期货交易所套期保值交易管理办法》（根据上期所[2013]14号公告修订）的规定，只有生产类、加工类和贸易类企业才可以申请套期保值账户，因此，本文研究的套期保值者均为法人账户，投机者包括法人和自然人账户。
考虑到在同一个交易日内，同一期货品种有多个不同到期日的合约同时进行交易，因此必须选定一类合约作为代表性合约用于实证分析。基于投资者交易行为在市场信息融入资产价格的价格发现过程中所起到的关键性作用，本文借鉴Zhong等（2004)[19]和Tse等（2006)[20]的数据筛选办法，以日交易量最大作为代表性合约的选择标准。通常情况下，铝、铜、燃料油和橡胶四类期货品种日交易量最大的合约均为当月合约，但在临近交割日时投资者一般会提前将交易转移至下月合约，导致下月合约成为日交易量最大的合约，代表性合约也就从当月合约转移至下月合约，由此代表性合约的日收盘价可以构成连续的商品期货价格序列。
3.2 不同类型投资者期货交易失衡对期货收益的影响
Easley等（1998）认为买多或卖空方向的成交量比总成交量包含更多未来价格走势的信息[21]。Chordia和Subrahmanyam(2004）认为与总成交量（总持仓量）等指标相比，订单交易失衡暗示投资者存在过度交易，并且更能反映投资者存货数量的变化，最终影响投资者收益和未来价格走势[22]。因此，为了分析不同类型投资者期货合约交易失衡对期货收益的影响，借鉴Chordia和Subrahmanyam(2004)[22]对商品期货交易失衡的定义如下：
其中，TIBjt表示第t交易日投资者类型j的勤货交易失衡程度。如果TIBjt>0，则表明第t交易日投资者类型j的期货交易呈现净买入（净多头）；若TIBjt<0，则表明第t交易日投资者类型j的期货交易呈现净卖出（净空头）。Bjt表示第t交易日投资者类型j买入的成交量或多头持仓量。Sjt表示第t交易日投资者类型j卖出的成交量或空头持仓量。
借鉴Pan和Poteshman(2006)[23]、Chang等（2009)[24]的经验研究模型，本文通过构建如下方程，检验不同类型投资者期货合约交易失衡对期货收益的影响。
其中，α为常数项，Rt+K表示第t+K交易日的期货收益，控制变量Rt+K-1表示第t+K-1交易日的期货收益，εt+K表司第t+K交易日期货收益的残差。此外，TIBjt的系数βKj表示投资者类型j在第t交易日的交易失衡可能对未来K天的期货收益产生连续影响。这意味着该类型投资者相比其他类型投资者拥有更多的私人信息，这与Llorente等（2004)[25]的研究成果相一致，即如果某投资者掌握能够影响价格走势的私人信息，并在信息扩散前采取行动，那么该投资者的交易行为会对未来几个交易日的价格产生影响。
3.3 不同类型投资者交易活动对期货价格波动蹬影响
为了分析不同类型投资者买多或卖空的成交量（持有的多头或空头头寸）对商品期货价格波动的影响，本文借鉴Bollerslev(1986)[26]提出的GARCH(p,q）模型分析个人与机构投资者、套期保值者与投机者各自的交易活动，如何影响我国商品期货市场的价格波动。不同品种商品期货收益的均值方程ARMA(a,b）、条件方差方程GARCH(p,q）具体形式分别为：
其中，μ和ω0代表常数项，Rt表示第t交易日期货市场的日收益，It-1表示第t交易日期货市场上拥有的所有信息，ε2t-m表示残差项εt的滞后m阶的平方项，σt2表示基于第t交易日期货市场上拥有的信息对εt的预测方差，即条件方差。ηt表示服从分布为Ft的独立同分布随机变量序列，均值为0，方差为1。a、b分别为AR和MA部分的阶数，p为ARCH项的阶数，q为GARCH项的阶数。TAjt表示投资者类型j在第t交易日的交易活动，即投资者每个交易日买多和卖空成交量之和（多头和空头持仓量之和）占当日总成交量（总持仓量）的百分比。此外，TAjt的系数θjt表示不同类型投资者的交易活动对期货市场价格波动的影响程度，θjt>0表示该类型投资者的交易活动会加剧期货市场的价格波动，θjt<0表示该类型投资者的交易活动有助于缓解期货市场的价格波动。
根据Jarque-Bera检验可知，铝、铜、燃料油和橡胶期货的收益序列均呈现非正态分布。并且ADF检验和Phillips-Perron检验都显著拒绝了四种期货收益序列有一个单位根的假设，由此可知铝、铜、燃料油和橡胶期货的收益序列都是平稳的。从自相关和偏自相关函数图可以看出，铝和燃料油滞后两期的收益对当期收益具有显著影响，铜和橡交滞后一期的收益序列对当期收益具有显著影响。依据调整R2最大、AIC和SC准则最小窄则，铝和燃料油期货收益的均值方程设定为：
铜和橡胶期货收益均值方程设定为：
通过对铝、燃料油、铜和橡胶期货收益的均值方程进行回归分析，发现四类期货收益序列的回归系数均显著异于0，残差序列的自相关性检验（Breusch-Godfrey LM检验）均在10%置信水平不显著，表明自相关性已被模型充分揭示，残差中已不具有自相关性。但是，滞后10阶的残差异方差性检验（ARCH LM检验）均在1%置信水平显著，表明残差具有高阶的异方差现象，因此适合用GARCH族模型来拟合残差中的异方差。
运用Bollerslev和Wooldridge(1992)[27]提出的基于稳健标准差的最大似然估计方法，依据调整R2最大、AIC和SC准则最小原则，GARCH(1,1）能够较好拟合铜和橡胶期货收益序列残差，故铜和橡胶期货条件方差方程设定为：
GARCH(1,2）能够较好拟合铝和燃料油期货收益序列的残差，故铝和燃料油期货的条件方差方程设定为：
4 经验研究结果
4.1 描述性统计
表1根据上海期货交易所的两种投资者账户分类方式，统计了不同类型投资者每个交易日期货合约的平均交易数量。从成交量来看，个人投资者（投机者）的成交量占铝、铜、橡胶和燃料油总成交量的比例分别为86.40%、87.11%、92.00%和94.28%(98.97%、99.71%、99.37%和99.94%）。由此可知，在我国铝、铜、橡胶和燃料油期货市场，个人投资者和投机者为流动性提供者。从持仓量来看，机构投资者（套期保值者）的持仓量占铝、铜、橡胶和燃料油总持仓量的比例分别为64.48%、43.37%、39.06%和21.16%(16.74%、5.41%、8.34%和0.71%）。这意味着虽然机构投资者占有较大比例的持仓量，但大部分机构投资者以投机交易为主。机构投资者和套期保值者的持仓量均大于其成交量，个人投资者和投机者的持仓量均小于其成交量。这说明机构投资者和套期保值者更愿意冒险持有期货头寸，个人投资者和投机者存在过度投机，这与Chou等（2011)[28]结论一致，即个人投资者普遍存在日内交易。
表2从成交量和持仓量两个方面统计了不同类型投资者进行铝、橡胶、铜和燃料油期货合约交易时，各自的交易失衡情况。其中，从铝和橡胶期货合约来看，个人投资者的成交量（持仓量）均值呈现净买多（净多头），机构投资者的成交量（持仓量）均值呈现净卖空（净空头）；对铜和燃料油期货合约来说，个人投资者的成交量（持仓量）均值呈现净卖空（净空头），机构投资者的成交量（持仓量）均值呈现净买多（净多头）。这说明个人投资者与机构投资者常常表现出相反的交易意愿，这与Kuo等（2015)[29]的结论一致。
对铝、橡胶、铜和燃料油四种期货合约来说，套期保值者的成交量（持仓量）均值呈现净卖空（净空头），投机者的持仓量均值呈现净多头。但是，投机者在铝和橡胶期货市场的成交量均值呈现净买多，在铜和燃料油期货市场的成交量均值呈现净卖空。这说明从持仓量来看，套期保值者和投机者呈现相反的交易意愿；从成交量来看，套期保值者和投机者在铝和橡胶期货市场呈现相反的交易意愿，在铜和燃料油期货市场呈现相同的交易意愿。
4.2 不同类型投资者期货合约交易失衡对期货收益的影响
表3从成交量和持仓量两个方面展示了个人和机构投资者进行铝、铜、燃料油和橡胶期货合约交易时，各自的交易失衡对期货收益的影响。Panel A中，个人投资者铝和橡胶的成交量、铜和燃料油的成交量与持仓量系数β0（即Day K=0）均显著为正。但是个人投资者的铜持仓量系数β1和成交量系数β2与β3、燃料油成交量系数β2与β3、橡胶成交量系数β1与β2（即Day K=1,2,3）均显著为负。这说明我国商品期货市场个人投资者在某个交易日当天呈现净买入（净卖出）时，该交易日当天的期货价格会进一步上涨（下跌），但是在随后几个交易日，期货价格会下降（上升）。也就是说，在某个交易日当天，个人投资者存在明显的过度投机和羊群行为[30]。并且随后几个交易日的期货价格变动趋势表明个人投资者寻找最佳买多或卖空时点的能力不足。这意味着个人投资者的交易行为不能预测我国商品期货市场价格的变动趋势。这与Barber和Odean(2011)[1]认为个人投资者属于噪音交易者的结论一致。
Panel B中，机构投资者铝、铜和燃料油的持仓量系数β0均显著为负，也就是说机构投资者为净多头（净空头）时，期货价格会下降（上升）。但是Panel A中个人投资者铜和燃料油的持仓量系数β0均显著为正。这也进一步印证了在某个交易日当天机构投资者和个人投资者的持仓量常常表现出相反的交易意愿[29]。另外，Panel B中机构投资者的铜和燃料油成交量系数β0均显著为正，铜持仓量系数β1显著为正，而且除铝持仓量系数β3外，虽然铝、铜、燃料油和橡胶持仓量系数β1、β2、β3不显著，但是均为正数。即机构投资者为净买入或净卖出（净多头或净空头）时，期货价格会上涨或下跌。这说明在某个交易日当天，机构投资者表现出与个人投资者相反的交易意愿后，商品期货价格在随后几个交易日中的变动趋势说明了机构投资者具有一定的信息优势，能够较好的把握买入与卖出时机，并在一定程度上预测商品期货价格的未来走势。因此，假设H1得到验证。
注：*、**、***分别表示在10%、5%、1%的统计水平下显著。
表4从成交量和持仓量两个方面，描述了套期保值者和投机者进行铝、铜、燃料油和橡胶期货合约交易时，各自交易失衡对期货市场收益的影响。Panel C中套期保值者的铜成交量系数β0显著为负，铜成交量系数β1、持仓量系数β1和β2显著为正。即在某个交易日当天，套期保值者为净买入和净多头（净卖出和净空头）时，期货价格会下跌（上涨），但在随后几个交易日，期货价格会上涨（下跌）。这说明套期保值者具有一定的信息优势，能够较好的预测商品期货价格的未来走势，把握商品期货合约的交易时机，假设H6得到验证。
Panel D中投机者的铜成交量系数β0显著为正，铜持仓量系数β1、β2、β3和成交量系数β2、β3均显著为负。燃料油成交量系数β3、橡胶成交量系数β1、β2也都显著为负。也就是说，在某个交易日当天，投机者为净买入和净多头（净卖出和净空头）时，期货价格会上涨（下跌），但是在随后几个交易日，期货价格会下降（上升）。这说明在某个交易日当天，投机者存在明显的过度投机和羊群行为，推动商品期货价格进一步上涨或下跌，价格波动较大。但是随后几个交易日期货价格的变动趋势表明投机者寻找最佳买多或卖空时点的能力不足，不能预测商品期货价格未来变动趋势，这与Wang(2003)[11]的结论一致。
注：*、**、***分别表示在10%、5%、1%的统计水平下显著。
4.3 不同类型投资者交易活动对期货价格波动的影响
表5从成交量和持仓量两个方面，描述了个人与机构投资者的买多、卖空、多头、空头等交易活动，对商品期货市场价格波动的影响。Panel E中个人投资者的铝成交量和持仓量、橡胶成交量系数θj均显著为正，铜和橡胶持仓量系数θj虽然不显著，但是均为正数，这说明个人投资者的交易活动会加剧商品期货市场的价格波动程度，假设H2得到验证。Panel F中除了铜持仓量系数θj不显著为负，机构投资者的铜成交量、铝、燃料油和橡胶成交量与持仓量系数θj均显著为负，这说明机构投资者的交易活动有助于缓解商品期货市场的价格波动，假设H1得到验证。
表6从成交量和持仓量两个方面，描述了套期保值者和投机者不同交易方向的成交量和持仓量变动，对商品期货市场价格波动的影响。Panel G中套期保值者的铝和橡胶成交量与持仓量、铜成交量系数θj均显著为负，铜持仓量、燃料油成交量与持仓量系数θj虽然不显著，但也是负数，这说明套期保值者的交易活动可以降低商品期货市场的价格波动程度，假设H3得到验证。Panel H中投机者的铝成交量与持仓量、铜成交量、橡胶持仓量系数θj均显著为正，这说明投机者交易活动会加剧商品期货市场的价格波动程度，假设H4得到验证。
注：*、**、***分别表示在10%、5%、1%的统计水平下显著。
注：*、**、***分别表示在10%、5%、1%的统计水平下显著。
此外，从表5和表6可以看出，个人投资者和投机者的燃料油成交量和持仓量系数θj均显著为负，究其原因是：与铝、铜和橡胶期货相比，燃料油期货市场中机构投资者的成交量（持仓量）占总成交量（总持仓量）的比例为5.68%(21.16%），套期保值者的成交量（持仓量）占总成交量（总持仓量）的比例为0.01%(0.71%），是四类期货交易品种中最低的。这意味着参与燃料油期货交易的大部分机构投资者在参与投机交易。这种情况下，燃料油期货市场上投机者的风险分担与传递额外信息的功能所带来的正面效应，超过其“噪音”信息所导致的负面效应，起到缓解燃料油期货市场价格波动的作用。这说明大型机构投机者的交易行为可以缓解商品期货价格波动，假设H5得到验证。这与Miffre和Brooks(2013)[13]的结论相一致。
5 结论与政策建议
本文在我国商品期货市场投资者结构失衡、投机过度、套期保值不足、价格发现功能较差和缺乏全球大宗商品定价权的背景下，运用经验研究方法，分析个人投资者、机构投资者、套期保值者和投机者的交易行为，对上海期货交易所铝、铜、橡胶和燃料油期货市场效率的影响。研究的主要结论和相关政策建议如下：
(1)相比个人投资者和投机者，机构投资者和套期保值者更愿意冒险持有期货头寸。机构投资者虽然占有较大比例的持仓量，但是大部分的机构投资者参与投机交易。此外，从成交量和持仓量来看，个人投资者与机构投资者常常表现出相反的交易意愿。从持仓量来看，套期保值者和投机者呈现相反的交易意愿；从成交量来看，套期保值者和投机者在铝和橡胶期货市场呈现相反的交易意愿，在铜和燃料油期货市场呈现相同的交易意愿。
(2)我国商品期货市场个人投资者和投机者存在明显的过度投机和羊群行为，其寻找最佳买多或卖空时点的能力不足，属于噪音交易者，其交易行为不能预测商品期货价格的变动趋势。而机构投资者和套期保值者具有一定的信息优势，能够在一定程度上预测商品期货价格的未来走势，较好的把握买入与卖出时机。
(3)机构投资者和套期保值者的交易活动有助于缓解我国商品期货市场价格波动。在铝、铜和橡胶期货市场上，个人投资者和投机者的交易活动会增大期货市场的价格波动程度。但是燃料油期货市场的数据表明，大型投机者的交易行为也可以缓解期货价格波动。
总体来看，有套期保值需求的机构投资者最有利于促进我国商品期货市场价格发现，并降低期货价格波动风险。大型投机者的交易活动可以缓解商品期货价格的波动程度。基于此，为了改善我国商品期货市场套期保值不足、投机过度的现状，提高其价格发现和风险对冲功能，一方面需要大力培育国内机构投资者，进一步完善现有的商品期货交易机制，降低机构投资者的交易成本，以吸引尽可能多的机构投资者，特别是有套期保值需求的法人投资者进入我国商品期货市场；另一方面加快商品期货市场的对外开放，引入境外机构投资者，增强我国商品期货市场的国际影响力，以提高其对国际大宗商品的定价权。
摘要：基于上海期货交易所铝、铜、橡胶和燃料油期货合约的两种投资者分类账户数据,分析不同类型投资者的交易活动对我国商品期货市场收益、价格发现与波动的影响。结果表明:与个人投资者和投机者相比,机构投资者和套期保值者更愿意冒险持有头寸,但大部分机构投资者参与投机交易;个人投资者和投机者存在明显的过度投机和羊群行为,会加剧商品期货价格波动,并且他们寻找最佳买多或卖空时点的能力不足;机构投资者和套期保值者常常表现出与个人投资者和投机者相反的交易意愿,有助于缓解商品期货价格波动;商品期货价格的变动趋势表明机构投资者和套期保值者具有一定的信息优势,能够在一定程度上预测商品期货价格的未来走势,较好地把握买入与卖出时机。此外,燃料油期货的交易数据表明大型投机者的交易活动也可以缓解期货价格波动。