波动状态转移（精选4篇）
波动状态转移 篇1
0 引言
资产组合的风险价值测度是指在某一置信水平下，该资产组合可能遭受的最大损失，从统计学的角度讲，它是在给定的持有期限内，资产组合收益率损失分布函数的特定分位点的估计值。资产组合的风险价值测度的传统估计方法是假设收益率遵循条件正态分布的方差-协方差矩阵法，但这种方法的假设条件与现实不符，实践上经常会导致风险价值测度估计的偏差。
国外大量证据表明，证券资产收益率分布通常是尖峰、厚肥[1,2]（Hsieh,1988;Meese,1986），这主要是来自资产收益率时间序列的跳跃、震荡和波动持续性。资产收益率时间序列的波动持续性通常是用ARCH或GARCH模型来描述，其无条件尖峰分布源自于条件方差的持续性所产生的波动集簇。在JP Morgan的风险矩阵模型中，波动性是用指数加权移动平均法来估计的，这种方法更强调新近收益率数据在波动估计中的权重，其实质是GARCH模型的一个特例[3]（Phelan,1995）。这种模型与历史模拟法、蒙特卡洛模拟法、学生t分布法[4]（Rogalski和Vinso,1978）、跳跃扩散过程[5]（Akgiray和Booth,1988）、GARCH模型[6]（Bollerslev et al.，1992）、混沌模型（Brock和Sayers,1988;Frank、Gencay和Anderson1991）、平稳的非标准类随机过程[7]（Mandelbrot,1963）和从属随机过程[8,9]（Clark,1973;Geman and Ane,1996），均不能描述证券资产收益率的跳跃现象，只能部分解决收益分布的尖峰与肥尾问题，不能完全克服风险的低估[10]（Longerstay,1996），即不能控制收益率分布尾部的风险估计问题。
Hamilton(1989）、Hansen(1991）和Lam(1990）提出恒定转换概率的区制转换模型[11]，Filardo(1992）和Ghysels(1992）建立转换概率随时间变动的区制转移模型，通过改进对收益率分布的预测来提高对风险价值估计的精确度，Rockinger(1994）、Van Norden和Schaller(1993）运用随机波动转移概率模型于股票市场收益率的肥尾分布研究，这类模型有效解决资产收益率的条件非正态分布、波动持续性和相对不频繁事件影响等问题，类似JP Morgan提出的度量风险价值尖峰与偏斜修正混合分布模型，差别是刻画这种波动区制转移随机变量由k阶马尔科夫链产生，而不是贝努利变量，用马尔科夫链变量刻画波动机制的优点是能够反映收益率预测中的条件信息影响和收益率持续性特征，更现实地描述了资产收益率尾部分布。
我国有关风险控制模型与方法研究也有不少，如：陈建国和宋铁波（1998）运用VaR模型提高信贷风险损失的控制水平，并提出了系统性市场风险水平调整问题[12]，王春峰、万海辉和李刚（2000）针对风险价值计算中主流方法的缺陷，提出了马尔科夫链-蒙特卡洛模拟计算方法，以克服传统蒙特卡洛模拟的高维和静态性缺陷，提高风险估算精确度。[13]邱阳和林勇（2002）比较并运用了历史模拟法、风险矩阵法和蒙特卡罗方法评估股票风险价值。[14]李朋根、肖春来（2007）运用CVAR模型克服了VAR忽略分布尾部极值点的风险计量问题。[15]王晨（2007）运用马尔可夫区制转移的方差模型（MS var）和ARCH模型（SWARCH），分别计算在不同样本区间和置信度水平下的上证指数和沪深300指数日收益率的VaR，发现区制转移模型明显优于传统的GARCH(1,1）模型估计结果。[16]
本文将选用10只股票型基金日交易数据，运用Hamilton(1989）提出的机制转换模型，改进我国股票型基金收益率波动风险控制方法与预测途径，较为有效地解决了我国股票型基金日收益率的条件非正态分布、波动持续性和相对不频繁事件影响等问题。
1 研究方法
我国股票型基金风险波动模式并不是一成不变的，它受各种系统与非系统因素影响，其中可能包含收益率波动的随机不连续转移因子，这种风险转移因子的影响在风险管理中是值得考虑的。本文将运用马尔可夫波动转移模型描述收益率随机波动转移特性。
(1）波动区制转移模型：
其中：Rt=ln(Pt/Pt-1）；εt～IIN(0,1）;Pt是股票型基金净值或基金市场指数；st是k阶马尔科夫链，其区制转移概率矩阵为∏。
特别，当k=2时，有：
其区制转移概率矩阵为：
其中：参数p、q分别表示资产波动性在下一考察期仍旧处于高波动区制与低波动区制的概率，模型中收益分布的均值与方差仅仅随着给定期间内离散事件而改变。对于随机离散转换，使用马尔科夫链而不用贝努利变量的优点是允许条件信息用于预测过程，解释了资产收益时间序列的集束效应，能够有效地提高预测准确性。这主要是因为波动转换机制模型产生了一个有条件的预测分布而非无条件的预测分布。
假设k=2,a为条件分布的关键值，则SSRM模型的风险价值VAR定义为：
这里：N（*）是正态分布；It是t日可获信息集；Pr(St+h│It）可由Hamilton(1994）的数值合理化算法和高斯过渡概率平滑化程序获得。μ（St+h）和σ2(St+h）分别是时间条件正态分布的均值与方差，且满足：
(2）波动区制转移贝塔模型：该模型是通过资产特定风险与市场指数波动风险的区制转移关系，来刻画资产收益率波动规律；它优于单因素套利定价模型，是在资产收益率中引入市场指数的波动区制转移机制和资产特定风险的区制转移机制；即：
这里：st和sit是两条独立的马尔科夫链；εt和εit都是独立的标准正态分布。
某种风险资产收益率的条件均值为该种资产收益率的内在均值μt(sit）加上市场贝塔系数βt(st,sit）与市场收益率均值的乘积，βt(st,sit）是对特定资产市场风险的补偿，即与市场因子协方差高的资产收益需要高的风险溢价。特定资产收益率的方差是由市场贝塔系数加权的市场指数方差加上自身的方差。
现假设马尔科夫链为2阶，则有：
其中：N是正态分布；
It是t日可获信息集，Pr(St+h,Si,t+h│It）可通过Hamilton(1994）的数值合理化算法和高斯过渡概率平滑化程序获得。
(3）多变量机制转移模型：这是多种风险资产组合条件下的波动区制模型，其中每一种资产都用一条马尔科夫链刻画其波动区制。此类模型定义如下：
其中：st和sjt,j=1，…，N均是独立的马尔科夫链；εt和εjt(j=1，…，N）是独立的标准正态分布；不同资产之间的相关关系取决于贝塔系数与市场方差。例如，按照上述模型选取2种资产组合，其相关系数取决于两种资产的贝塔系数与市场方差，若st=s1t=0,s2t=1，则该两种资产的方差与协方差矩阵为：
此类模型设定不同资产之间协方差与市场模型相似地取决于组合中每种资产与市场指数的贝塔系数；任何N种资产组合的风险价值用多变量区制转移模型都求解。如选取两种资产组合，风险价值为：
其中：W是这两种资产的投资比重向量；μ（St+h,S1,t+h,S2,t+h）是风险组合资产收益的均值，其计算公式类似于波动转换机制贝塔模型，但多变量机制转移模型存在所估计模型参数个数随着组合中资产个数成指数倍增长的计算复杂化缺陷。
(4）因素转移机制模型：解决MSRM模型估计问题的方法是忽略组合中资产的特定风险波动的马尔科夫区制转移，同时扩大系数性风险源，这种方法可以称为因子转移机制模型，是与具有机制转移波动风险因子的套利定价理论一致的。
其中：Fjt代表因子j在t时刻的值；βi(sjt）是资产i相对具有马尔科夫机制转移过程的因子j的贝塔系数，且sjt(j=1，…，g）是独立的马尔科夫链；εjt(j=1，…，g）、εit(i=1，…，N）的分布是独立的。FSRM模型估计较MSRM模型更为可行，组合中每增加一种资产，仅需增加估计参数g+2，且此模型更适合于组合中资产个数较多、多样化特定风险对冲的情形。此模型的方差与协方差矩阵及均值矩阵分别为：
2 研究样本与实证分析
(1）数据和样本选择。
本研究样本选取10只股票型基金每个交易日净值收益率的历史行情数据（股票型基金代码、统计日期、单位净值、复权净值、累积净值、净值日增长率），样本期间为2004年1月1日至2007年12月31日的816个观测日。数据来自中国经济研究数据库中开放式基金研究模式，缺失值采用插值法补充。
图1为股票型基金（003003）的日收益率时间序列与一阶差分图，可以看出其存在不同的波动状态，一阶差分日收益率波动幅度表现为有所下降和平滑度增强。样本其它股票型基金均可以看到同样的特征。
表1为股票型基金样本时间序列的平稳性和正态性检验，可以看出所有10只股票型基金净值日收益率时间序列均无法通过Jarque-Beta正态性检验（JB在5%置信区间下的临界值是10.59），表现出具有偏左和长尾的分布特征；单位根检验采取一般常用的ADF单位根检验方法，表1给出30个序列中10只基金的单位根检验结果，ADF表示不含截距和趋势项，ADFc表示只含截距项，ADFt表示含截距和趋势项，检验数据表明不管是否含有截距或趋势项，所有样本序列均是不存在单位根的平稳序列。
(2）股票型基金日收益率执行风险价值估计分析。
(1)设定上述所有模型的区制转换概率恒定且遵循一阶马尔科夫过程，区制0代表低波动机制，区制1代表高波动机制，采用最大似然估计、Hamilton过滤法和平滑化概率估计上述各种模型参数，运用Hamilton(1989）提出的一种根据前一时刻区制概率估计后一时刻所处区制概率的循环优化程序（波动机制转换概率推导详见Hamilton(1994）的过滤与平滑化算法[4]），估计结果取决于过滤器的参数设定。运行过滤器可以取得所估计参数的对数似然值，过滤器按照参数设定的显著水平逐步循环合理化，直到取得估计参数最大似然值，并据以给出时间序列处于某一个区制下的概率。对样本选取的10只股票型基金分别运用Hamilton过滤与平滑化算法估计区制转移概率和不同区制下的参数，过滤器自动合理化循环次数平均达到30次，最大对数似然值落在区间[100,200]内，不同区制下的参数μi(0），μi(1）和σi(0），σi(1）的估计结果差异较大，且同种区制下参数估计值比较稳定。
图2为基金市场综合指数在2006年2月23日至2007年3月25日期间在0区制下的波动区制转移概率图，显示了基金市场综合指数日收益率的波动呈现出高波动与低波动两种变动区制，高波动和低波动区制下的均值和方差均存在明显的差异，两种区制的稳定概率值分别为0.8412和0.9844，而且高波动区制占据整个观测期区90%以上，这与观测样本期间内股票市场的高波动特征相吻合。本文选取的10只股票型基金的区制转移概率估计结果表明低波动区制与高波动区制之间的转移，从频繁的低波动变为频繁的高波动，部分时段显示了高收益率水平存在低波动而低收益率水平存在高波动的情形。
(2)为了避免模型误设而导致参数估计失实，本文运用Hansen(1992）似然比检验对包含不可识别噪声参数p和q的波动区制模型参数的显著性进行检验，克服了引入噪声参数后传统的似然比检验统计量渐近有偏于传统的经典分布而不能适合于模型的有效性检验的局限性，并运用Wald检验区制参数估计的稳定性。表2为因子区制转移模型参数的估计结果、模型估计的对数似然值和Hansen检验统计量与Wald检验统计量的数值，发现不同波动区制下的均值、方差、贝塔系数和扰动项在统计上存在显著差异。对于不同的因子区制转移模型分析的样本点数，高收益区制下的波动水平明显高于低收益区制下的离散程度,持续处于高波动区制下的概率低于持续处于低波动区制下的概率。随着样本点数增加，模型参数估计的对数似然值呈现单调递增，显示了模型参数估计具有较高稳定性和模型设定的变量特征关系准确性。
(3)将600个观测日分为两个系列：前200个观测日和以后其余观测日。基于前200个观测值估计第二个子系列在不同置信水平1%、2.5%和5%的每日风险价值，且样本每增加30个观测日，模型参数运用Hamilton过滤法与平滑化算法重新估计，但模型参数估计忽略波动区制转移的期间依赖性而用相同的模型参数和日间区制转换概率，如图3。表2因子区制转移模型参数的Hansen稳定性检验结果表明各参数检验统计量都在99%水平下显著，从而佐证了区制转移模型参数设定的稳定性。而市场风险贝塔系数模型也执行相同方案的风险价值估计。模型的风险价值VaRi=βi,mVaRm；其中：VaRm是基金市场指数的风险价值；βi,m是股票型基金i相对于基金市场指数的β系数。运用极大似然方法估计波动区制模型，对所选样本期间10只股票型基金日收益率数据估计结果表明，所有参数和检验统计量都在99%置信水平上显著。
注：所有估计结果均在99%水平下显著，对庆的P值均<0.0005。
(4)对波动区制模型和贝塔系数模型所估计的风险价值执行例外观测值分析，并对不同模型在200个观测日基础上的风险价值估计在1%、2.5%和5%的水平上观测其例外观测比率是否于理论置信度相符。
单因素波动区制转移模型的风险价值控制曲线比市场贝塔系数模型能够更快速准确地控制收益率的波动区制变化，区制模型估计的风险价值敏感区间平均在30个观测日内，而贝塔模型估计的风险价值敏感区间平均在50个观测日，图4显示了不同市场波动区制伴随着不同的收益率水平，体现了嵌套贝塔模型的区制模型刻画的不同区制转移特征能够更精确地描述风险变动的规律，弥补了贝塔模型缺乏考虑市场区制波动因素而降低了风险波动的捕获能力。
表3数据表明两种模型在1%和2.5%置信水平上均低估了风险水平，在5%置信水平上高估了风险水平，但单因素波动区制转移模型对风险估计的偏误程度较低。通过比较例外观测值在估计风险价值约束条件下置信水平和理论置信水平值的均值绝对误差，可得出区制转移模型风险价值估计值相当精确地接近于理论值，且在不同置信水平下不会持续低估或高估风险水平，而市场贝塔模型刻画的股票型基金日收益率例外观测值显著偏离理论值，即意味着高估或低估了风险。
通过计算两种模型在预测区间风险价值的均值与标准方差，单因素区制转移模型的均值和标准方差为3.3632、3.7311、4.0431和0.4524、0.3747、0.4246，市场贝塔系数模型的均值和标准方差为3.3518、3.7010、3.9166和0.5404、0.4207、0.4398，这意味着单因素区制转移模型具有更稳定、更准确的风险控制能力。
3 结论
本文应用马尔科夫波动区制转移模型分析股票型基金非正态收益率分布的风险价值估计和预测。采用10只股票型基金日收益率数据和波动区制转移模型估计不同置信度水平的风险价值，并与市场贝塔系数模型估计结果比较发现，波动区制转移模型对于每一个置信水平和每一种股票型基金的风险价值估计结果相当接近于理论值，并对每一个置信水平没有持续低估或高估风险，表明单因素区制转移模型的风险价值估计精度优于市场风险贝塔系数模型，意味着波动区制转移模型能够较好地解决我国股票型基金日收益率的条件非正态分布、波动持续性和相对不频繁事件影响等问题，同时也表明在预测过程中引入条件信息，能够更好地拟合时间序列，刻画波动区制聚簇的持续性特征，借助时间条件预测分布能够提供更精确的波动拟合与预测。本文提出的波动区制转移模型是市场贝塔系数模型的改进和推广，更好地揭示了收益率时间序列非正态分布的向下风险的控制和拟合。
尽管本文在方法研究上获得一定的进步，但是在提供市场风险的更精确控制手段方面不乏存在许多不足，如从理论的角度阐明不同区制下均值的形成机理、马尔科夫区制个数的设定检验、波动误差项是否存在自回归、拓展单因素区制转移模型至多因素波动区制转移模型，实时地更新模型参数的配套估计值，模型引入波动区制误差项的振动因素和聚簇因素，因此这些不足方面也将成为笔者有待深入研究的攻艰课题。
摘要：运用马尔科夫区制转移模型对我国股票型开放式基金收益率波动进行了风险评估和短期预测。采用晨星评级净值收益率前10只股票型基金跨期四年共816日交易数据,进行风险价值计量;并将计量结果与市场贝塔系数模型进行比较分析。通过失败比例测试证实了波动状态转移风险控制模型的风险度量与控制能力显著优于市场贝塔系数模型,丰富与提升了资本资产定价理论的内涵,一定程度上提高了我国投资组合风险波动的控制、拟合和预测的精确性。
关键词：股票型基金,波动状态转移,马尔可夫链,风险价值
波动状态转移 篇2
1.1 文献综述
大量实证研究表明 (Mills T.C., 1999) , GARCH类模型特别适合于对金融时间序列数据进行建模, 估计和预测波动性和相关性。国内也已经有多篇文章 (刘金全等, 2002;陈守东等, 2003) 使用GARCH类模型分别对上海和深圳股票市场的收益率进行了建模和分析, 考查沪深股票市场之间的相互影响和溢出效应。但是考虑的均是一元情形和日度数据样本, 不能充分反应市场之间时变的波动和相互影响。
对于市场波动的日度数据和其短期趋势, 如果基于传统的相关系数, 市场间波动的相关性并不显著, 为此本文尝试研究一个市场的波动区制对另一个市场波动的影响程度, 进而用于波动预测与风险度量。
Hamilton (1996) 对股市波动和经济周期的区制关联性进行分析, 通过研究了月度股票收益率和工业增加值变化率的时间序列, 发现股票收益率序列具有持续期达1年以上的高波动特征, 这些高波动时期被相对较长的稳定期分隔开来。另一方面, 实际产出的增长, 主要是受了与经济衰退相关的一些突变的影响。基于二元向量区制转移模型中, 这两大变化是由相关的不可观测变量驱动, 并得出结论:经济衰退是导致股票收益波动不断变化的主要驱动因素, 并证明, 这一框架用于预测股票波动以及识别和预测经济拐点都是有效的。Edwards等 (1998, 2002) 分别通过使用一组主要发达国家的股市收益率数据和一组拉丁美洲国家股市周数据来分析波动的区制关联性问题。其关注了是否一个市场的高波动期与其他国家的高波动期相关。同时使用关于单变量和双变量区制转移模型, 研究结果不依赖于原序列的简单相关系数, 但依赖于二者的波动性区制, 发现高波动性的时期是短暂的, 持续2～12个星期;以及国家间波动共同趋势的强有力证据, 特别是在拉美南方共同市场国家。但是其结果并不完全支持波动传染。
本文研究的对象是我国2005年汇改以来股市和汇率波动的日度数据, 基于二元向量模型分析股市与汇率波动的区制关联性, 并加以比较。采用Edwards (1998) 的向量SWARCH模型的实证结果并不理想, 似然比检验并不支持这种波动方差的区制关联性, 这可能是由于基于单变量方差区制转移模型的关联分析中相关系数并没有达到Edwards (1998) 采用单变量区制模型研究主要股市波动方差间区制相关性的显著水平Hamilton (1996) 中方法进行研究, 这样可以具体研究汇率波动的均值区制变化对股市波动方差区制的影响, 即研究汇率的升值快慢对我国股市波动的影响。
1.2 模型描述
1.2.1 ARCH类模型
Engle引入自回归条件异方差 (ARCH) 模型描述波动性, Bollerslev将这类模型推广到广义的自回归条件异方差模型 (GARCH) , Nelson引入了EGARCH模型;Zakoian引入了TGARCH模型。ARCH类模型能很好的刻画股市收益率数据的异方差性, 非对称性和波动聚类特征等。
收益序列{yt}由下述过程描述:
yt=ω+ϕyt-1+ut (1)
ut是一个随机变量, 并遵循下述随机过程:
ut=vtσt
vt～i.i.d., E (Vt) =0, var (vt) =1 (2)
可以采用不同的模型合理描述σundefined。Engel的ARCH (q) 模型中σundefined表示为扰动滞后{ut-i}平方的线性函数[1], 即
undefined
Bollerslev提出了广义ARCH模型, 即GARCH (p, q) 模型:
undefined
1.2.2 SWARCH模型
Hamilton和Susmel (1994) 对美国股票市场的研究发现, ARCH类模型虽然能较好地描述波动性的持续性特征, 但对波动性的预测能力较差;同时为了解决ARCH类模型高估波动率聚集的持续性问题, 他们提出了含区制转移的ARCH模型 (SWARCH) , 将波动分解为不同的波动区制, 取得了良好的效果。应用SWARCH模型描述股票市场的波动性, 可以刻画收益率序列剧烈的波动和波幅大小的转换, 从而避免GARCH模型高估波动聚集的持续性问题。
Hamilton提出了含区制转移的ARCH模型, 这个模型对残差 以如下的方式建模:
undefined
这里, undefinedt服从标准的ARCH (q) 过程
undefined, vt～idd (0, 1)
undefinedt-1undefinedundefined (6)
如果ut-1≤0, 那么dt-1=1;如果ut-1>0, 那么dt-1=0。
变量st定义为一个表示区制的随机变量, 取离散的值1, 2, …, K。假设st能用一个马尔可夫链过程描述:
Prob (st=jst-1=i, st-2=k, …, yt-1, yt-2, …) =Prob (st=jst-1=i) =pij (7)
i, j=1, 2, …, K。
将转移概率定义为 (K×K) 矩阵:
(8)
这里, j是行数, i是列数, undefined。
当st处在由st=1代表的区制时, ARCH (q) 过程的变量undefinedt与常数undefined相乘;当st=2时, 与undefined相乘, 依此类推。g1正规化为g1=1, 其它gj≥1, j=2, 3, …, k。因此, 区制的变化简化为比例因子过程的变化。在当前和过去的状态已知的条件下, 残差ut的隐含条件方差是:
E (uundefinedst, st-1, …, st-q, ut-1, ut-2, …, ut-q) =gst{a0+a1· (uundefined/gst-1) +a2· (uundefined/gst-2) +…+aq· (uundefined/gst-q) }≡σ2t (st, st-1, …st-q) (9)
将ut过程称为K状态、q阶马尔可夫区制转移ARCH过程, 即ut～SWARCH (K, q) , 本文将研究vt～t (0, 1, v) (均值为0, 方差为1, 自由度为v) 的t分布。
根据上述模型建立起样本的对数似然函数见文献[4], 对数似然函数为:
undefinedyt-1, yt-2, …, yt-3) (10)
在限制条件g1=1, undefined, i=1, 2, …, K, 0≤pij≤1, i, j=1, 2, …, K下, 上式对参数α, ϕ, a0, a1, a2, …, aq, b, p11, p12, …, pKK, g1, g2, …, gK, ζ和v进行数值最大化计算, 可以得到参数的估计值和对数似然函数值, 并且能够对t时刻区制变量st所处的特定区制作出推断。当推断基于时刻t观察到的所有信息时, 称之为滤波概率 (filter probability) :
p (st, st-1, …, st-qyt, yt-1, …, yt-3) (11)
式 (1.11) 表示的是区制变量在时刻t的值为st, t-1时刻的值为st-1, …, t-q时刻的值为st-q的联合条件概率, 而这个概率是基于时刻t所观察到的样本值推断。
而基于全样本构建的是平滑概率 (smoothed probability) :
p (styT, yT-1, …, y-3) (12)
上式表示的是基于全样本推断出的在时刻t的区制变量处于某一区制的概率。
1.2.3 MS方差模型
Kim和Nelson (1999) 进一步发现当ARCH效应不显著时, (MS) 方差模型就能对股票市场波动的异方差性有很好的描述。陈守东, 王晨, 孙叶萌 (2008) 对中国股票市场的上证指数、深证成指和沪深300指数的日连续复合收益率数据研究发现MS方差模型较SWARCH模型对中国股票市场的波动区制有更好的识别, 对VaR有更好的度量。
当ARCH效应不显著时, 假定 (1) 式中的残差ut～t (0, σundefined, v) (均值为0, 方差为σt2, 自由度为v的t分布) , 则有:
σundefined=σundefinedS1t+σundefinedS2t+σundefinedS3t (13)
如果St=k, 那么Skt=1;否则, Skt=0 k=1, 2, 3 (14)
Pr[St=jSt-1=i]=pij, i, j=1, 2, 3 (15)
undefined
σundefined<σundefined<σundefined (17)
MS方差模型中区制变量的估计方法与2.2中SWARCH模型相同, 这里不再重复。
1.2.4 向量区制转移模型
Hamilton (1996) 就经济周期与股市波动的关联研究中采用了向量区制转移模型, 并作合理简化:
假设经济周期的区制变量为S1和股市波动的区制变量为S2由同一马尔可夫链驱动。
并考察了3种区制变量间的滞后关系, 即:
Sundefined=Sundefined, 股市波动的区制变量依赖于经济周期区制变量的1阶滞后; (18)
Sundefined=Sundefined, 经济周期的区制变量依赖于股市波动区制变量的1阶滞后; (19)
Sundefined=Sundefined, 经济周期的区制变量与股市波动区制变量同步。 (20)
这样就可以比较经济周期与股市波动的相互影响关系, 和向量区制转移模型在对各变量时间序列拟合和预测效果的优劣。
同时在包含转移概率矩阵的模型参数估计方法上就与前述单变量区制转移模型相同, 计算复杂程度得到大大简化。
2 汇率对我国股市波动预测影响的实证研究
本节我们采用了向量AR-ARCH区制转移模型Hamilton (1996) 的研究方法, 假设汇率和股市波动率的区制转移模型的转移概率矩阵由同一不可观测变量的马尔可夫链驱动。同时与其他3种模型结构比较可以考察汇率的波动率均值的区制变化对股市波动率方差区制变化的影响、二者的区制关联性以及波动性预测效果。本节这里比较了股市和汇市波动率的转移概率矩阵0阶和1阶滞后的两种情况, 并对向量区制转移模型中刻画股市波动率的SWARCH (K, q) 模型比较了ARCH项阶数q从1到3, 和均值方程中的自回归阶数从1到3的各种情况, L表示当非对称系数显著时的杠杆效应等具体形式。根据AIC和SC准则, 由于包括非对称系数的ARCH项均不显著, 本文选用二元向量MS-AR模型, 其中利率波动率模型为均值区制转移模型, 股市波动率模型为方差区制转移模型。并与Hamilton (1996) 的研究中发现ARCH效应不显著的情形基本一致, 不同的是他采用的是美国股市的月度数据, 其模型中股市波动的非对称系数仍显著, 采用的是二元AR-SWARCH模型结构。
2.1.2 实证结果分析
(1) 参数估计结果
表1和表2分别给出了模型结构1的向量AR-ARCH区制转移模型和二元向量AR区制模型的估计结果, 转移概率矩阵的驱动变量0阶滞后, 其中本文对汇率波动的均值区制模型中的AR项比较了4阶自回归项;对股市波动的SWARCH模型中的均值方程也考查了4阶自回归项, 波动方差考虑了3阶ARCH项和有无非对称系数。其中表1是向量AR-ARCH区制转移模型的参数估计中似然值最优的结果, 从中可见, 即使是在单变量区制转移模型中有时还较显著的非对称系数, 这里均不显著。为此本节进一步采用向量AR区制转移模型, 表2是二元向量AR区制转移模型的参数估计中似然值最优的结果, “*”表示在95%置信度下显著, 下同。
由公式undefined得, P11=0.97734178, P22=0.97838199。汇率升值较快和股市波动较大区制的持续性平均为1/ (1-P11) =44天, 汇率升值较慢和股市波动较小区制的持续性平均为1/ (1-P22) =47天, 同时前者股市波动的方差是后者的10倍以上。
由表3可见, 根据AIC和SC准则3, 对于模型结构1, 向量AR区制转移模型优于向量AR-ARCH区制转移模型。
(2) 区制关联性分析
这里本文对模型结构1和4的估计结果进行分析, 对不存在区制的原假设作似然比检验, 模型结构1的似然值为-1982.7724, 模型结构4的似然值为-1998.1406, 因此似然比统计量为2× (-1982.7724+1998.1406) =30.73, 其服从X2 (4) 分布的P值为3×10-6, 拒绝原假设, 即考虑区制关联性的模型结构1较合理。具体方法参见Hamilton (1996) 中区制特征的检验方法。
如果不考虑汇率波动率的均值区制, 股市波动率的R2减为g/ (p11+g×p22) ==0.0729/ (0.48825318+0.51174682×0.0729) =0.14。具体公式推导参见Hamilton (1996) 中相对R2计算部分。这说明我国2005年汇改以来, 汇率波动率的均值区制变化对股市波动率的方差有超过80%的解释力。这与下文股市波动的样本内和样本外一步预测的优劣比较结果相一致。从2005年7月人民币汇改到2007年末, 汇率波动率的均值区制变化对股市波动率的预测有着重要的影响 (图1、图2) 。模型结构1的区制平滑概率图, 区制1为股市波动高方差区制和汇率较快升值区制 (图1) , 区制2为股市波动低方差区制和汇率较慢升值区制 (图2) 。
(3) 预测结果比较
由表4和表5的汇率和股市波动的一步预测结果比较发现, 向量区制转移模型, 即模型结构1在对股市波动的一步预测结果中, 无论是样本内还是样本外都是最好的;在对汇率波动的一步预测结果中, 仅样本外预测是最好的。
2.2 不同样本对我国股市波动预测的比较
由上面的数据比较发现, 含汇率较含利率的向量区制转移模型对股市波动的拟合和预测有更好的结果。下面进一步对不同长度的估计样本分别为:560个数据 (样本1a和样本1c) 和810个数据 (样本2a和样本2c) 的实证结果进行比较。本节的参数估计结果和区制平滑概率图是样本2a和样本2c的最后一步移动窗预测的实证结果。
2.2.1 参数估计的比较分析
表6和表7给出了模型结构1的向量AR-ARCH区制转移模型和二元向量AR区制转移模型的估计结果。
由公式P (i, j) =vundefined=∑jvundefined得, P11=0.97734178, P22=0.97838199;汇率升值较快和股市波动较大的区制1的持续性平均为1/ (1-P11) =45天, 汇率升值较慢和股市波动较小的区制2的持续性平均为1/ (1-P22) =46天, 区制1的方差是区制2的10倍以上。
通过对样本2a和样本2c的最后一步移动窗的估计结果, 表7, 相比样本1a和样本1c的最后一步移动窗的估计结果, 表2, 系数r0和u2均显著, 这主要由于样本2a和样本2c的估计区间长度更长, 估计结果稳定, 对区制的划分更明显。
由表8可以发现, 在对样本2a和样本2c的最后一步移动窗的估计结果同对样本1a和样本1c的最后一步移动窗的估计结果一样, 向量AR区制转移模型均优于向量AR-ARCH区制转移模型。
2.2.2 区制划分的比较分析
图3、图4是对样本2a和样本2c的最后一步移动窗由含汇率的向量MS模型估计得出的区制平滑概率图, 区制1为股市波动率的高方差区制和汇率波动率的较快升值区制 (图3) , 区制2为股市波动率的低方差区制和汇率波动率的较慢升值区制 (图4) , 相比样本1a和样本1c的最后一步移动窗的估计结果, 见图1、图2, 并无明显差别, 这说明向量区制转移模型对不同样本区间的估计结果均较稳定, 区制划分的特征均明显。
3 结 论
2005年7月汇改以来, 汇率波动率的均值区制和股市波动率的方差区制间关联性通过显著性检验, 汇率波动率的均值区制变化对股市波动率的方差区制有较大影响;汇率波动率的均值区制变化对股市波动的方差有超过80%的解释力;二者的向量区制转移模型对股市波动率的拟合和预测效果均较好。结构为汇率波动率均值区制和股市波动率方差区制的向量区制转移模型, 对我国日度数据的各样本, 估计结果均稳定, 区制划分特征明显, 波动性预测效果良好。
摘要：本文基于二元向量区制转移模型, 分析股市和汇率波动率的区制关联性, 并依据4种模型结构对我国股市波动性的预测效果进行比较。结果表明2005年7月汇改以来, 汇率波动率的均值区制和股市波动率的方差区制间关联性通过显著性检验, 汇率波动率的均值区制变化对股市波动率的方差区制有较大影响;汇率波动率的均值区制变化对股市波动的方差有超过80%的解释力;二者的向量区制转移模型对股市波动率的拟合和预测效果均较好。
关键词：汇率,股市波动,VaR,向量区制转移模型
参考文献
[1].Engle, R.F.Autoregressive conditional heteroskedasti-city with estimates of the variance of the United Kingdom inflation[J].Econometrica, 1982, 50:987~1007
[2].Bollerslev, T.Generalized autoregressive conditionalheteroskedasticity[J].Journal of Econometrics, 1986, 31:307~327
[3].Hamilton, J.D., Susmel, R.Autoregressive condi-tional heteroskedasticity and changes in regime[J].Journal of E-conometrics, 1994, 64:307~333
[4].Hamilton, J.D., Gang, Lin.Stock Market Volatilityand the Business Cycle[J].Journal of Applied Econometrics, 1996, 11 (5)
[5].Kim, Chang Jin, and Charles R.Nelson.State-SpaceModels with Regime Switching[M].MIT, Cambridge, Mas-sachusetts, 1999
[6].Sebastian Edwards, Raul Susmel.Volatility dependenceand contagion in emerging equity markets[J].Journal of Devel-opment Economics, 2001, (66) :505~532
[7].陈守东, 俞世典.基于GARCH模型的VaR方法——对中国股市的分析[J].吉林大学社会科学学报, 2002, (4) :11~17
[8].陈守东, 王晨, 孙叶萌.中国股市波动性的MS方差模型和SWARCH模型比较研究[C].中国现场统计研究会第十三届学术年会论文集, 武汉, 2007
波动状态转移 篇3
金融市场的波动性一直是金融研究中的热点问题, 这种波动性通常被看作是对风险的度量。2007年至2008年中国股市在宏观经济坏境、政策因素等综合影响下经历了大起大落的时期。上证指数从2006年底的2000点下方开始发力并迅速上扬, 并在2007年5月9日成功站上4000点。自5月30日印花税由1%升为3%开始, 政府陆续出台了一系列政策抑制股市泡沫的不断放大。但股指仅在短暂调整后继续上扬, 并在2007年10月16日到达6124点的历史最高位。随后指数迅速回调, 并在国家紧缩的货币政策, 大小非解禁, 市场扩容等诸多利空因素的影响下进一步走低, 加上全球金融危机的爆发更是加剧了上证指数的下跌。这段时期的历史数据为研究我国股市波动性的非对称, “好消息”与“坏消息”在不同市场形态中对波动性的影响具有十分重要的价值。本文的主要目的在于综合股市形态、个股特征和时间因素的影响, 运用EGARCH模型通过对不同历史时期, 尤其在2006年至2008年的大牛市和大熊市中沪深指数波动性的研究, 找寻我国股市波动性的最新特点、影响因素和成因。
二、文献综述
(一) 国外文献
在对于资本市场的不断研究中人们发现随机游走模型无法解释实际市场中的许多复杂现象。Engle (1982) 提出ARCH模型, 认为市场的波动是有条件的, 并很好地解释了波动集群性等特性的内在规律。Bollerslev (1986) 在此基础上提出的GARCH模型解决了ARCH模型在处理高阶滞后项时的不足, 使条件异方差的模型更加完善。随后Glosten (1991) 的Threshold GARCH (TGARCH) 和Nelson (1991) 的Exponential GARCH (EGARCH) 等模型的出现, 更加充分地揭示了市场波动性的内在规律和本质特点, 给研究者提供了更多可以选择的预测波动性的工具。TGARCH和EGARCH很好地解释了波动性的另一个重要特征:对于信息反应的不对称性。研究发现, 股票市场对于“坏消息”的反应程度大于对“好消息”的反应, 也就是现在已经被公认的“杠杆效应”。这种股市中“坏消息”作用大于“好消息”作用的非对称性吸引了各国家学者的实证研究和分析, 并在美国等许多国家的一些股价指数序列当中得到验证。Nelson (1991) 运用Egarch模型发现美国股市报酬波动具有不对称性的现象。Cheung和Ng (1992) 发现在美国, Koutmos (1992) 发现在加拿大、法国、日本, Poon和Taylor (1992) 发现在英国的股票市场均存在对“好消息”和“坏消息”非对称性反应的现象。
(二) 国内文献
近几年国内学者也围绕沪深指数的波动性进行了研究, 但是由于研究方法和样本的不一样, 得到的结论并不完全一致。陈浪南、黄杰鲲 (2002) 研究股市不同发展阶段条件波动的非对称反应可能有差异, 利用GJR-M模型发现深证股市存在显著的“杠杆效应”、负向冲击比正向冲击引发的条件波动更大。陆蓉、徐龙炳 (2004) 考察不同市场态势下条件波动的非对称反应, 基于以EGARCH模型对上证股市牛、熊市阶段波动非对称性的研究, 发现牛市阶段“好消息”引发的波动更大、熊市阶段“坏消息”引发的波动更大。刘毅、张宏鸣 (2006) 进一步运用TGARCH-M模型探究了我国股市非对称性的影响因素, 指出“坏消息”的影响在熊市中大于牛市, 而“好消息”在牛市中的影响大于熊市, 高市盈率股票对于“坏消息”的反应对于低市盈率股票。但是他们将市场形态的影响与个股特征的影响分开研究, 没有探求之间的相互联系, 对于股票盘子大小的影响并没有给出合理的解释。张兵 (2006) 基于滚动样本检验的方法, 发现中国证券市场的波动不对称性是随着时间而演变的, 与市场所处的状态无关。这一发现区别于之前多数人的研究。
三、研究设计
(一) EGARCH模型
与GARCH模型一样, EGARCH模型认为收益率的方差可预测, 条件方差不仅取决于最新的信息, 也取决于以前的条件方差。具体方程为:。其中:xt是1× (k+1) 维外生变量向量, γ是 (k+1) ×1维系数 向量。式中使用条件方差的对数, 放松了对模型系数非负性的限 制。等式左边是条件方差的对数, 这意味着杠杆影响是指数的, 且条件方差的预测值一定是非负的。当γ=0时, 不存在反应的不对称性, 反之则认为收益率的方差存在不对称性;当γ>0, ut-1>0时条件方差大于ut-1<0时的条件方差的值, 表现为“好消息”对波动性的影响大于“坏消息”;当γ<0, ut-1>0时条件方差小于ut-1<0时的条件方差的值, 即“坏消息”的冲击大于“好消息”。更高阶的EGARCH (p, r, q) 模型为:log (σ2t-1) =ω+jqΣ=1βjlog (σ2t-1) +ipΣ=1α|σutt--11|+rrΣ=1γuiσtt--11。
(二) 样本选取和数据来源
以上证指数达到6124点的日期为分界点, 选取2006年8月1日至2007年10月16日为股市单边上扬的“牛市”时期, 选取2007年10月17日至2008年12月31日为股市单边下挫的“熊市”时期。再选取1996年1月20日至2001年6月14日的“牛市”以及2001年6月15日至2003年1月6日的“熊市”时期作为对照来更好的说明研究结果。分别提取这两个牛熊周期的上证指数和深证指数每日的收盘价格作为研究数据, 本文的数据来源为聚源数据库。实证分析结果主要通过Eviews5.0获得。
(三) 模型建立
EGARCH是对股票收益率模型的残差进行分析的, 首先要建立股票收益率的模型, 获得非预期的股票收益。本文按照Pagan和Schwert (1990) 的方法, 通过建立含有定性变量的多元回归消除股票收益率的周末效应。股票的日收益率Rt应取自然对数收益率。Rt=ln (Pt/Pt-1) =ln Pt-ln Pt-1。其中Pt为每日上证和深证指数的收盘价格。股市交易只在周一到周五进行, 人们对周末不能交易的两天的消息的预期往往会影响周末的股指走势, 而周一又会对周末发生的消息进行弥补修正, 这称之为“周末效应”。因此建立模型时应当采用设置虚拟变量的方法, 区分出周一到周五的收益率。建立收益率模型:Rt=φ0+φ1TUE+φ2WED+φ3THU+φ4FRI+εt。其中Rt是每日股票收益率, TUE、WED、THU、FRI是虚拟变量, TUE= (1, 周二;0, 其他) ;WED= (1, 周三;0, 其他) ;THU= (1, 周四;0, 其他) ;FRI= (1, 周五;0, 其他) 。
四、实证结果分析
(一) 不同时期市场效应检验
对Rt进行ARCH效应检验发现其在第十阶ARCH效应依然显著, 存在高阶ARCH效应, 同时为表现出波动的不对成性, 用EGARCH模型建模。对沪深指数在牛市一 (96.01.20—01.06.14) 、熊市一 (01.06.15—03.01.06) 、牛市二 (06.08.01—07.10.16) 、熊市二 (07.10.17—08.12.31) , 建立EGARCH (1, 1) 模型, 得到各系数估计值如 (表1) 所示。方差模型中的各参数的估计值除牛市二中的α和β外, 其余都十分显著。对模型残差再次进行ARCH效应检验, 发现除牛市二之外模型的残差均以不存在ARCH效应, 说明方差模型方程可以很好的描述股市收益率方差的特征, 可以通过其分析波动的不对称性。牛市二的EGARCH模型检验发现在滞后三阶ARCH效应依然显著, 因此对其使用如下EGARCH (2, 1, 1) 建立模型 。得到结果如 (表2) 所示。在对模型残差进行检验发现滞后10阶均无ARCH效应, 说明对于牛市二, 使用EGARCH (2, 1) 模型比EGARCH (1, 1) 模型更好。对此可能的解释是, 在这个时期股市由1600点涨至6100点。从前面的宏观环境分析可知, 政府在这一时期出台一系列如提高印花税率、升息等一系列对股市影响重大的政策, 加上大牛市阶段, 交易活动频繁、参与人数众多, 因此这些消息对于股市波动性的影响持续时间更长, 所以使用滞后阶数更多的EGARCH (2, 1) 模型能够更好地拟合模型。按照这一思路, 对牛市二时期的深证指数用EGARCH (2, 1) 模型, 发现模型各个系数的显著性比EGARCH (1, 1) 模型都有了明显的提高, 说明深证指数也在这一时期表现出对消息的更持久的影响见 (表3) 。分析建模结果可知见 (表3) , 对于上证指数在牛市一γ>0, 说明好消息对波动性的影响大于坏消息;熊市一γ<0, 表现为坏消息的影响大于好消息。这一点与多数国内学者的研究结果是一致的。在牛市二γ<0, 说明坏消息的影响大于好消息, 在熊市二γ>0, 反映出好消息的影响大于坏消息。这一结果与以往牛市和熊市对于波动性的影响的研究结果均不一致, 由于还没有其他学者对这一最近时期的波动性进行研究, 因此本文将对这一现象进行研究, 找出可能的原因。
(二) 各种风格指数在不同市场状态下的EGARCH模型检验
分别对上证50指数、中小盘综合指数、高市盈率、低市盈率、绩优股、亏损股、高价股、低价股指数在牛市 (06.08.01—07.10.16) 建立EGARCH (2, 1) 模型, 在熊市 (07.10.17—08.12.31) 建立EGARCH (1, 1) 模型, 得到各系数估计值如 (表4) 所示。
由模型方程可知, 当好消息发生, μt-1>0时, 方差方程右边的增量 的系数为 (α+γ) ;当坏消息发生, μt-1<0时, 方差方程右边的增量 的系数为 (α-γ) , 据此得到信息反应参数如 (表5) 所示。EGARCH模型中方差是通过对数形式表示的, 得到的方差始终为正值, 因此消息反应参数的大小表示了消息对方差的影响大小, 值越大则表示对方差的影响程度越大, 使波动性增强的越多。由于高价股股指在熊市阶段的模拟方程参数值很不显著, 因此反应参数的实际意义不大, 不在本文考虑之列。
五、结论
本文对在不同股市的形态, 即牛市和熊市下波动性的不同规律以及形成原因进行了初步探究, 得到结论如下:第一, 我国股市波动性表现出对坏消息的反应大于好消息的“杠杆效应”, 沪深指数多数情况下表现出在牛市中对好消息的反应大于坏消息, 而在熊市中坏消息对波动的影响大于好消息的影响。而在2006年8月至2007年10月的大牛市中, 上证指数表现恰好相反, 即牛市中坏消息影响大于好消息, 而熊市中好消息的影响大于坏消息。第二, 分别对个股盘子大小、市盈率大小、股价高低、上市公司盈利情况等因素在牛市和熊市的环境下建模并得到了反应参数。除大盘股外所有风格股指均表现出在牛市中好消息对波动性的影响大, 熊市中坏消息的影响大。第三, 市盈率高的股票比市盈率低的股票的波动性大, 股价低的股票比股价高的股票波动性大, 亏损股比绩优股的波动性大, 这些结论符合本文对于股票市场中投资者理性的预期。第四, 大盘股与同时期的上证指数波动性特征相同。由于上证50中多为权重股, 在上证指数中所占的权重很高, 本文认为很可能是这些大盘股的走势和波动特征决定了上证指数的走势。有反应参数表可知大盘股比中小盘股表现出了更大的波动性, 这与刘毅、张宏鸣 (2006) 对于其他时期样本的研究结果是一致的。本文通过分别将大盘股和中小盘股在牛市熊市中建模发现, 在牛市中大盘股对坏消息的反应更大, 在熊市中对好消息的反应更大。这是可能是由于大盘股的流通股数量很大, 仅凭散户、游资甚至是几家机构的力量是不可能决定其走势的, 大盘股的走势主要是众多机构间相互博弈的结果, 因此大盘股的走势更加“理性”。本文中这种“理性”表现为其波动性的规律与其他风格分类的股票相反, 即在牛市环境下坏消息的影响大, 熊市环境下好消息的作用强, 并不像多数类型的股票在牛市中看不到坏消息的风险, 而在熊市中又过分放大坏消息的影响。这种逆势的行为说明大盘股在牛市中不追涨, 在熊市中不杀跌, 因此通过引入大盘股来起到稳定股市的目的是正确的。
摘要：本文使用EGARCH模型对沪深指数在不同市场状态下波动的不对称性及其影响因素进行了实证研究。结果表明:各种风格指数的波动性表现出不同的特点, 除代表大盘股的上证50指数外, 均在牛市时期对好消息的反应大, 而在熊市时期对坏消息的反应大。上证50指数的波动性恰好相反, 这也与同时期上证指数的波动性规律一致, 股票规模的大小对股市波动影响重大, 大盘股对稳定股市波动起到积极作用。
关键词：EGARCH,不对称性,好消息,坏消息
参考文献
[1]陈浪南、黄杰鲲:《中国股票市场波动非对称性的实证研究》, 《金融研究》2002年第5期。
[2]陆蓉、徐龙炳:《“牛市”和“熊市”对信息的不平衡性反应研究》, 《经济研究》2004年第3期。
[3]刘毅、张宏鸣:《我国股市非对称反应影响因素的实证分析》, 《财贸研究》2006年第3期。
[4]李胜利:《中国股票市场杠杆效应研究》, 《证券市场导报》2002年第10期。
[5]张兵:《证券市场波动不对称性的动态研究》, 《管理学报》2006年第5期。
[6]郑梅、苗佳、王升:《预测沪深股市市场波动性》, 《系统工程理论与实践》2005年第11期。
[7]邹建军、张宗益、秦拯.:《GARCH模型在计算我国股市风险价值中的应用研究》, 《系统工程理论与实践》2003年第5期。
[8]Engle R F.Autoregressive conditional heteroskedasticity with estimates of the variance of UK inflation.Econometrics, 1982.
[9]HENTSCHELL.All in the family:nesting symmetric and asymmetric Garch models.Journal of Finance Economics.1995.
[10]Engle, R.F., and Victor K.N g, Measuring and testing the impact of news on volatility, Journal of Finance, 1993.
波动状态转移 篇4
搜集我院2007年8月-2009年8月期间糖尿病患者（符合1999年世界卫生组织制定的糖尿病诊断标准）的病历资料。记录年龄、性别、所患非糖尿病疾病及病程。血糖监测方法即：日8次 (即三餐前、三餐后、22时、3时）、日6次（空腹、三餐后、22时、3时）、间隔每小时、每2h，监测数值及治疗措施。
目标值：达标：空腹血糖：4.4-6.1 mol/L[1]餐后2h血糖：4.4-8.8mol/L[1]危重病人血糖控制指标：7.8-10 mol/L[2]明显高血糖>11.1mol/L[3]严重高血糖>16.7 mol/L[3]血糖波动：日内血糖波动>3 mol/L，频率>6次/日[4]。
2结果
非内分泌专科医师在调整血糖过程因应用糖皮质激素、预混胰岛素、危重不能自主进食及需要静脉营养、低血糖发生的患者处理欠合理而易于发生血糖波动、高血糖状态。具体见下表：
3讨论
3.1血糖波动、高血糖状态的危害
血糖波动是血糖水平在峰值和谷值之间震荡的非稳定状态[5]。是由多种因素引起的高血糖和低血糖所组成。其导致糖尿病并发症的机制是触发氧化应激及损伤血管内皮功能。急性血糖波动可抑制内皮依赖的血管扩张及减弱，内皮一氧化氮的产生还可能激活血栓形成，增加可溶性黏附分子（ICAM-1、VCAM-1和E-selectin）的循环水平[6]。血糖不稳对糖尿病慢性并发症危险性的作用可能超过血糖绝对水平的作用[4]。
若糖尿病患者长期处于高血糖状态，即使降低血糖水平后，仍然易患糖尿病相关并发症。这种现象被称为"代谢记忆"[7]。Ihnat和Ceriello等[7]认为：细胞内高血糖诱导线粒体过量产生超氧化物，随后激活多元醇通路和氨基己糖通路，晚期糖基化终末产物（AGEs）形成增多，蛋白激酶C和NF-ΚB的激活。在高血糖环境中线粒体蛋白糖基化，诱导线粒体产生过量超负氧离子，造成细胞、组织的结构和功能障碍导致并发症的方生。
具有里程碑意义的糖尿病控制和并发症实验（DCCT）及其后续的糖尿病干预和并发症流行病学研究 (EDIC) 、英国前瞻性糖尿病研究（UKPDS）及其后续研究发现[4,6]：血糖波动、高血糖的"代谢记忆"效应在糖尿病并发症的发生过程中起着重要作用。
相关治疗措施探讨：
第一：糖皮质激素是对糖代谢影响最大的药物。长期或单次应用均可促发或加重糖尿病。这种作用通常是剂量依赖性的。糖尿病患者在应用糖皮质激素时，典型血糖谱为相对正常的空腹血糖及逐渐升高的餐后血糖。其最有效的治疗是胰岛素[1]。具体到临床所应用的糖皮质激素因其种类、作用时间、血糖升高的峰值时间及糖尿病患者个体的不同而不同。因对糖皮质激素升高血糖的作用认识不充分，习惯性被动跟随血糖调整治疗，致使血糖忽高忽低，甚至高血糖状态持续时间过长。故建议：当静脉或肌肉注射糖皮质激素时，应每1～2h监测血糖。口服糖皮质激素时应日8次血糖监测。并适时静脉或皮下注射胰岛素调整血糖，使之维持于7.8-10 mol/L。
第二：糖尿病人应用预混胰岛素的适应症是：病情相对平稳，饮食、进餐时间相对固定，肝、肾功能正常。另外，预混胰岛素的剂型在疾病的不同时期也是不同的。不能当疾病发生了变化还仍然沿用原预混胰岛素的剂型。应根据病情适时更换基础胰岛素+餐前大剂量治疗方案。待病情平稳后再根据患者的病情、机体的功能状态而决定是否还适合应用预混胰岛素以及其适合的剂型、剂量。另外其比例及量的调整应注意22时、0时、3时血糖及空腹、餐前、餐后血糖的监测以明确血糖波动产生的原因是夜间胰岛素剂量不足之黎明现象还是胰岛素过多所致Somogyi现象。
第三：危重患者因机体功能状态及并发疾病的复杂性，处理是存在一定的难度。现认为小剂量胰岛素持续静脉应用是安全、有效的，且有利于胰岛素的剂量调整[3]。即开始时以每小时0.1U/kg体重持续静脉滴入。并经典的方式是采用双通道分别输注胰岛素与葡萄糖液。每1～2h监测血糖，当血糖下降的幅度≥30%则按原剂量继续滴注，否则调整胰岛素与葡萄糖的配比比例[8]。使血糖维持在7.8～10 mol/L。并且葡萄糖以5～10克/h的速度24h内均匀地静脉滴入。应摒弃胰岛素与葡萄糖共同静脉输入的极化液方法及阶梯式降糖方法。因其间断应用可能造成血糖忽高忽低[9]。对于已渡过危险期能自主进食的患者则采用规范化基础胰岛素+餐前大剂量方案。另外，在疾病24h内除补葡萄糖、离子及维生素外，避免胃肠外高营养是必需的。病情平稳后给与适当合理的能量和营养物质，避免肌肉分解是非常重要的[3]。
第四：防止低血糖的发生是至关重要的：多个循证医学实验研究已经证明：低血糖引起的交感神经兴奋反应：包括脉搏增快、血压升高，对于本身具有心血管隐患的病人十分危险。一次严重的医源性低血糖或由此诱发的心血管事件可能会抵消一生维持血糖在正常范围所带来的益处。所以一定要严防低血糖的发生。2007年版《中国2型糖尿病防治指南》已经明确指出对于糖尿病患者静脉血浆葡萄糖≤3.9mol/L即为低血糖。血糖监测应注意：危重患者尤其是循环衰竭、低血压的患者的末梢血糖明显高于静脉血糖，末梢血糖值与静脉血糖值相差可达3.3～4.3mol/L（正常人相差0.8 mol/L）。所以难以发现无症状性低血糖。其次是危重患者常伴随严重贫血，如此末梢血糖比静脉血糖相差可达5～10%。还有在血液浓缩时末梢血糖比静脉血糖相差可达10～30%。因此危重患者采用末梢血糖测定是极不准确的。建议采用血气血测定血糖是比较准确的[3]。另针对低血糖的处理2007年版《中国2型糖尿病防治指南》已经明确指出：意识清楚的患者可口服15～20g糖类食品（葡萄糖为佳）15min监测血糖一次。若血糖仍≤3.9mol/L，重复上述程序，直至血糖>3.9mol/L。意识障碍者予以50%葡萄糖20 ml静注或胰高血糖素0.5mg～1mg肌注。15min监测血糖一次，若血糖仍≤3.9mol/L, 50%葡萄糖60 ml静注后，继以5～10%葡萄糖静注。当血糖>3.9mol/L但距离下一次就餐时间在60min以上应进食含淀粉或蛋白质食物。
总之，现阶段，糖尿病已成为危害人类健康的第三大慢性非传染性疾病。其慢性并发症是致残、致盲、致死的主要原因。及早、平稳、有效、安全调整血糖可使糖尿病患者长久获益。非内分泌专业医师对糖尿病的干预意识还远远不够，他们习惯于被动跟随血糖阶段性应用胰岛素调整血糖。临床医师面对糖尿病患者，不仅要注意本专业疾病，还应最大限度地降低因医源性所导致并发症发生的风险。因为我们面对的是患者，而不是疾病。
参考文献
[1]杨文英.重视预防, 规范管理-2007年版《中国2型糖尿病控制指南》.中华内分泌代谢杂志, 2008, 24:121-122.
[2]苏本利.危重患者高血糖的识别与处理.中国实用内科杂志, 2008, 28 (4) :257～258.
[3]张波, 杨文英.血糖四分体的新主角-血糖波动性.中国实用内科杂志, 2009, 29:759-760.
[4]周吉珍, 张丹丹, 母义明.血糖波动的口服药物治疗.中国实用内科杂志, 2009, 29:761-762.
[5]康怡, 陆菊明.血糖波动:糖尿病治疗的新靶点.国际内分泌代谢杂志, 2009, 29 (3) :193
[6]方冬虹, 李延兵.高血糖的代谢记忆".`中华内分泌代谢杂志, 2009, 25 (1) :1a-7-1a-8
[7]廖二元, 超楚生.内分泌学, 人民卫生出版社, 2004年4月第1版第3次印刷:1536