ARCH族模型（共6篇）
ARCH族模型 篇1
一、引言
汇率波动一直是国家关注的问题, 汇率水平决定了一个国家的经济和宏观经济政策的制定, 在一国的国内市场均衡和国外市场均衡中起着重要作用, 它作为市场的价格在资源配置上, 经济的逐渐加强。
二、ARCH族模型介绍
为了精确估计异方差函数, 恩格尔首先提出了自回归条件异方差模型, 简称ARCH模型, 其主要思想是时刻t的方差与之前某些时刻的扰动项平方的大小相关。
1.ARCH模型。ARCH模型的一般形式为:
但是, 当ARCH模型的阶数需要取一个很大值时, ARCH模型的应用存在一定的局限性。于是出现了广义自回归条件异方差模型即GARCH模型来分析这些时间序列。
现实中常见的与金融相关的大多时间序列都可以在GARCH模型中得到描述, 因此GARCH模型在我们处理时间序列波动性问题时得到了广泛的应用。但是不可避免的是, 这一模型也有自己的弊端。最主要的一点是其没有考虑到正、负外部冲击所产生的不同效果, 在现实中的使用遭到了限制。
为此, 经济学家们又提出TARCH和EGARCH模型。这两个模型在解决不同的外部冲击对时间序列波动的影响的非对称效果上作出了很大的改进。
3.TARCH模型。TARCH或者门限ARCH模型条件方差指定为:
其中, dt-1是虚拟变量:当μt-1<0时, dt-11;否则, dt-1=0。
在这个模型中, 好消息有一个α的冲击;坏消息有一个α+γ的冲击。如果γ>0, 就说明存在杠杆效应, 此时的非对称效应的作用是使得金融市场波动增强;相反的, 如果γ<0, 非对称效应则会使得金融市场的波动减弱。
由于该式是以对数形式给出, 因此得到的条件方差预测值都为正数。当γ<0时, 好消息有一个α+γ的冲击;坏消息有一个对α+γ× (-1) 的冲击。如果γ≠0, 则信息是非对称的。
因此, 与TARCH模型类似, EGARCH模型也可以对非对称性进行一定的描述。除此之外, EARCH模型的的一大优势是其条件方差的指数形式使得其对模型中的参数没有任何约束。
三、汇率及汇率收益率的实证分析
1.样本选取。2005年7月21日起, 人民币汇率开始实行浮动汇率制度, 不再单一地盯住美元, 这是人民币汇率制度的一大转折点。因此, 本文选取自2005年7月22日至2015年12月31日的2543个人民币/美元的中间汇率价数据 (全部数据均来源于中国国家外汇管理局网站) , 用r表示人民币/美元日汇率的序列, 通过研究人民币兑美元汇率的变动趋势来分析人民币汇率的波动特征。
2.数据特征。我们首先来看人民币/美元的中间汇率波动情况。自进行汇率改革后, 人民币对美元的汇率大致呈上升的趋势, 在这10年间, 人民币累计升值约24.54%。但是期间, 人民币并非一直处于升值状态, 也曾有过多次反弹, 最大的一次贬值是2015年8月11日央行为增加人民币兑美元汇率中间价的市场程度和基准性而对汇率进行调整, 使得人民币/美元汇率有了一定的下降。同时2008年金融危机的发生也给人民币汇率产生了巨大的冲击, 在此之后的一段时间人民币汇率经历了一段较为平稳的走势。总的来说, 在我国进行人民币汇率改革后, 人民币对美元汇率大致表现出升值、有较大弹性且有较大波动的特点。
上图是yt序列趋势图, 从图中我们可以看出日收益率yt序列大致平稳且呈集群分布, 表现出一定的异方差性。
3.ARCH族模型的实证分析。既然模型存在ARCH效应, 我们就需要建立ARCH族模型对收益率序列yt建立模型。
(1) GARCH (1, 1) 模型研究结果。经过在EViews软件的数据处理, 我们得到了人民币对美元汇率收益率的GARCH (1, 1) 模型:
结果显示方程中的ARCH项、GARCH项系数对应的p值都是显著的, 表明该模型对数据的拟合效果更好。同样的, 我们对该方程做ARCH-LM检验, 可得下表中的残差序列在p=1时的检验结果:
结果显示P值为0.7046, ARCH项和GARCH项的系数和也满足小于1的参数约束条件, 说明GARCH模型帮助我们消除了异方差效应。同时自相关系数和偏自相关系数都为接近于0的程度, 进一步表明该残差序列的ARCH效应已经不存在了。
在金融市场上, 收益率的波动性差的消息多是好消息, 这就是波动的不对称性, 也被称为“杠杆效应”。接下来, 我们使用TARCH和E-GARCH模型检验和分析非对称性和杠杆的人民币汇率对美元的影响。
(2) TARCH模型研究结果。由E-Views软件输出的结果, TARCH (1, 1) 模型为:
(3) EGARCH模型的研究结果。然后我们可以用另一种方法再次检验人民币汇率波动的非对称性, 即利用EGARCH模型。通过EViews得到EGARCH模型方程如下:
四、结语
本文通过分析人民币/美元汇率的波动性, 发现在2005年汇改后的10年中, 人民币/美元的汇率大致表现出升值、有较大弹性且有波动较大的特性。进一步地, 我们利用ARCH族模型进行更加深入的研究, 发现人民币的汇率波动具有很大的集群性特点, 进而其残差有很大可能表现出条件异方差性。接下来对人民币兑换美元的收益率建立GARCH模型, 回归结果的残差具有ARCH效应。最后, 通过对TARCH和EGARCH模型的检验分析可得, 人民币对美元的汇率收益率存在杠杆效应, 表现出明显的非对称性。
在对GARCH模型的检验过程中, 我们发现人民币对美元的汇率有较为剧烈的波动, 外汇市场依旧处于非成熟阶段, 进入这一市场时要加强个人的风险防范意识。而通过对TARCH和EGARCH模型的检验, 表明人民币汇率波动具有“杠杆”效应。利空消息比利好消息会造成更大的汇率波动, 也就是说, 与导致人民币贬值相关的信息, 导致人民币升值的相关信息将导致更大的货币波动。因此, 应该合理地看待人民币对美元汇率的变动, 目前人民币汇率保持在一个基本稳定的状态, 符合中国的根本利益。
基于上述分析, 这一系列的人民币汇率给金融机构和企业带来了一定的风险。从这个角度看, 央行在外汇市场上应该扮演一个角色, 作为一个中介, 灵活的干预政策, 人民币的波动在一定范围内控制, 以避免热钱对中国外汇市场的影响, 促进中国外汇市场的稳定发展。
摘要：本文使用人民币汇率改革后约10年的人民币兑换美元的日汇率值对人民币的汇率波动性进行实证研究, 通过建立GARCH模型来分析人民币/美元汇率收益率的ARCH效应以及通过建立TARCH和EARCH模型来分析人民币汇率市场的非对称性和杠杆效应, 同时提出相应的政策建议。
关键词：GARCH,人民币汇率,TARCH,EARCH,杠杆效应
ARCH族模型 篇2
改革开放以来,随着整个经济体制和投资体制改革的逐渐深入,农业投资主体发生了显著的变化,从过去的国家、集体为主的单一投资组合转变为以国家财政投入为导向的农村集体和农户个人投资为基础的多元化投资新格局(杨明洪2000)。20世纪80年代中期以来,农户已经成为农业投资的基本主体(刘承芳 张林秀 樊胜根2002)。然而,农户投资占农业总投资的比例在1987年达到高峰以后开始下降 (马晓河2001)。显然,收入因素是这一现象的一个重要的解释变量,由于农民对未来收入预期信心不足而缺乏对生产性固定资产投入的热情,收入增长缓慢也导致了农户生产性固定资产投资的能力呈下降趋势。林毅夫等(1994)发现对土地重新分配的忧虑并不明显地妨碍生产性投资。刘承芳等(2002)的研究表明,农业生产性投资行为还受到家庭在非农就业、经营耕地面积、使用住房价值、农业生产性资产存量、学杂费支出等随机性因素的影响。Feder(1992)还发现农户对住房的投资远比生产性固定资产投资多得多。随着2002年中国农村建房高峰期的过去,在预期收入增长不快的情况下,农户对住房的投资必然呈弱化趋势。那么哪些随机性因素对农户的投资行为造成的影响及变化趋势,则需要进一步研究与分析。
二、研究方法
1982年Engle在分析英国通货膨胀序列时,为了处理残差序列异方差对拟合精度的影响时,提出自回归条件异方差模型(ARCH)模型,当误差平方序列自相关系数不恒为零,就可以通过构造残差平方序列的自回归模型来拟合异方差函数(王燕 2005)。ARCH实质是使用误差平方序列的q阶移动平均拟合当期异方差函数。由于移动平均模型具有自相关系数q阶截尾性,所以只适用于短期自相关过程。对于有些残差序列具有长期自相关性的异方差函数,使用ARCH拟合异方差函数时会产生很高的移动平均阶,这会增加参数估计难度并影响拟合精度,为了修正这个问题Bollerslov在1985年提出了广义自回归模型(GARCH模型):
undefined
其中:f为{xt}回归函数;eundefined≈N(0,1)
在使用过程中,如果回归函数f(t,xt-1,xx-2…)不能充分地提取原序列{εt}中相关信息,残差序列可能具有自相关性,而不是纯随机的。这时需要对{εt}先行进行拟合自回归模型,后再运用GARCH模型,即构成AR-GARCH模型:
undefined
其中:f为{xt}回归函数;eundefined≈N(0,1)
尽管GARCH模型是至今为止最常用、最可靠的异方差序列拟合模型。但GARCH模型通常须满足“参数非负”和“参数有界”约束。Nelson于1991提出了EGARCH模型作为GARCH的修正模型,放宽了“参数非负”约束:
undefined
其中:f为{xt}回归函数;eundefined≈N(0,1);γ一般等于1
此时,如果考虑残差序列可能具有自相关性,那么,就要构造AR-EGARCH模型进行拟合:
undefined
其中:f为{xt}回归函数;eundefined≈N(0,1);γ一般等于1
ARCH族模型还有方差无穷IGARCH和依均值GARCH-M模型等。本文将建立一系列ARCH族模型对中国农户个人固定资产投资时间序列进行实证和分析。
三、中国农户固定资产投资分析
中国的农户既是一个生产单元,又是一个独立的经济核算单位,所以农村居民个人投资即等效于农户投资。所引用的数据源自于《中国统计年鉴》自1984-2005年度的关于中国农村居民个人固定资产投资数据。着力讨论中国农村居民个人固定资产投资总额(记为变量TT)、住宅投资额(ZT)以及生产性固定资产投资(ST)的变化趋势。在分析过程中为了改善异方差的影响,对各变量进行了对数变换。
(一)中国农户固定资产投资总额序列拟合与检验
从图1时序图显示固定资产投资总额序列具有显著的递增趋势,通过构造无常数项的线性自回归函数,使用最小二OLS估计。拟合参数显著不为零(见表1),DW对残差检验显示TT残差序列显著正相关(见表2),但 Q和LM指标同时显示残差序列存在异方差;所以考虑运用AR-GARCH模型对TT残差序列拟合,采用AR(1)-GARCH(1,2)最大似然估计显示,除了EARCH0与EARCH1不显著外,其他变量均显著,整个模型的R2高达0.9998,拟合效果好(SBC=-28.820684,AIC=-36.132341),且正态性检验不显著(P值为0.4167),即GARCH的残差函数服从正态分布假设不能拒绝,从图2也可以发现拟合效果非常好。最终模型口径为①:
undefined
undefined,其中:et服从N(0,0.01239)
(二)中国农户住宅建筑投资序列拟合与检验
时序图显示住宅投资序列同样具有显著的递增趋势(见图3),通过构造无常数项的线性自回归函数,初步的拟合参数显著不为零(见表3),DW对残差检验显示ZT残差序列显著正相关(见表4),但 Q和LM指标同时显示残差序列存在异方差;采用AR(1)-EGARCH(2,2)最大似然估计显示,除了ARCH2与GARCH1不显著外,其他变量均显著,整个模型的R2高达0.9998,拟合效果好(SBC=-21.386544,AIC=-29.742724),且正态性检验不显著(P值为0.2206),图4显示拟合效果非常理想,最终模型口径为:
(三)中国农户生产性固定资产投资序列拟合与检验
时序图显示ST序列具有显著的递增趋势(见图6),无常数项的线性自回归函数拟合参数显著不为零(见表5),DW对残差检验显示ZT残差序列不相关(见表6),但 Q和LM指标同时显示残差序列仍存在异方差;采用EGARCH(1,1)最大似然估计显示,所有变量均显著,整个模型的R2高达0.9958,拟合效果好(SBC=12.581,AIC=7.358),且正态性检验不显著(P值为0.9042),即不能拒绝EGARCH的残差函数服从正态分布假设。最终模型口径为:
四、结论与进一步研究的问题
ARCH模型已广泛应用于经济现象的分析研究中,并取得了良好的效果,而目前ARCH模型在农业经济领域的应用还较少。显然应用Engle的ARCH族模型对时间序列进行分析,通常会比应用建立在独立同方差假设基础上的传统线性回归模型更有效,获得更为准确的信息。通过ARCH族模型研究,可以得出如下结论:
首先,农户个人的固定资产投资总体上在缓慢增长(TT趋势函数初步拟合系数,以及在考虑残差的自相关与异方差因素后最终拟合系数较小)。相应地,农户个人投资于住宅和生产性固定资产的资金增长幅度都明显地快于固定资产总投资额。说明农户的固定资产投资结构上发生了调整。其中的主要原因在于,近年来国家加强了对农村公共物品的投入,另外,农户收入的增加也使得农户有更多的资金投入到住宅建设和生产性固定资产购置方面。农村青壮年劳力外出务工,也使得生产性固定资产需求增加。
其次,住宅投资序列残差产生自相关拟合现象符合现实情况:一方面,固定资产投资额度较大,另一方面,农户自有资金并不富裕的客观事实也导致住宅建设期拉长,所以容易产生自回归问题。生产性固定资产投资残差分析表明,当前农户的生产性固定资产投入到一些建设周期较短的设备上。异方差现象表明,农村对住宅和生产性设备的需求差异日趋复杂。
当然,投资是拉动经济增长的“三驾马车”之一,那么,作为农村固定资产投资的主体的农户个人的投资对经济贡献是不言而喻的,但农户个人的固定资产投资却波动和日趋弱化。所以讨论农户家庭收入变化对固定资产投资的影响是笔者今后研究的一个方向。农户个人投资的变化趋势,以及机制是什么?这个问题有待今后进一步研究与分析。
参考文献
[1]林毅夫.制度、技术与中国农业发展[M].上海:上海人民出版社,1994:107-135.
[2]Feder,Gershon and T.Onchan.1987,"LandOwnership,Security and Farm Investment in Thai-land",American Journal of Agricultural Economics69(1 February):311-320
[3]刘承芳,张林秀,樊胜根.农户农业生产性投资影响因素研究[J].中国农村观察,2002(4):33-42.
[4]中国社会科学院农业研究所.1999-2000年:中国农村经济形式分析与预测[M].北京:社会科学文献出版社,2000.
[5]牛若峰.中国农业的变革与发展[M],北京:中国统计出版社,1997.
[6]杨明洪.农业增长方式中的农业投资问题研究[J].,投资研究,2000(4).
[7]屈艳芳郭敏.农户投资行为实证研究[J]上海经济研究2002(4):17-20.
ARCH族模型 篇3
中国是世界上最大的猪肉生产国和消费国, 猪肉是中国人民肉食的最重要的来源, 年人均猪肉消费量在人均肉类消费量中所占的比重一直在60%左右。1985年之前, 中国政府采取统销统购的政策对猪肉市场进行价格管制, 猪肉的价格水平在这个时期维持平稳。随着中国经济体制改革的推进, 1985年以后中国的猪肉市场逐渐放开, 市场中的供给和需求情况对猪肉价格具有决定性作用, 这个时期开始中国的猪肉市场经历了频繁的大幅度的价格波动。如2006年猪肉价格的大跌, 跌至10.71元/kg, 2007年猪肉价格的大涨, 涨至22.95元/kg, 尤其在2008年1月时猪肉价格达到最高的25.53元/kg。而一年后, 在2009年6月时猪肉价格又降到15.46元/kg这样个低谷, 进入2011年以后猪肉价格又开始反弹, 出现大幅度的上涨, 在9月时达到30.35元/kg的顶峰。这种大幅度和频繁的猪肉价格波动, 一方面极大地干扰了消费者的生活, 另一方面对猪肉生产者的生产活动产生深远的影响, 且在传到机制的作用下对猪肉生产的产前和产后的相关行业产生影响, 甚至波及整个产业链。可见, 从现实社会需求来看, 很有必要对猪肉价格波动的特点进行分析借以提出维持猪肉价格稳定的政策建议。
二、文献综述
猪肉价格波动问题一直备受关注, 很多学者从不同的角度进行了研究, 成果也颇丰。
(一) 关于猪肉价格波动的周期性特征的研究
徐磊、侯扶江 (2010) 的研究认为, 在1985-2006年间的中国猪肉价格波动在年度内呈现出类似于U型的两头高中间低的季节性变化规律, 而各年间的猪肉价格则出现“调整-波动”这种周期性循环的变化趋势, 且伴随调整期逐渐缩短以及上下波动幅度不断加剧的特征;吴瑛 (2011) 根据1996年至2007年间中国的月度生猪 (猪肉) 价格数据, 运用“蛛网模型”对生猪 (猪肉) 价格波动的周期性进行分析, 研究结果显示, 1996年至2007年间的生猪 (猪肉) 价格波动顺次表现为趋于收敛型蛛网波动、趋于封闭型蛛网波动和趋于发散型蛛网波动。
(二) 关于猪肉价格波动的影响因素研究
张磊、王娜、谭向勇 (2008) 在深入调查和剖析猪肉产业链中各关联主体的基础上, 认为生猪养殖环节是产生猪肉价格上下波动的主要源头;张美珍, 薛继亮, 罗创国 (2010) 认为中国猪肉价格频繁大幅度波动的深层次原因是生猪养殖过渡分散, 集约化效益难以实现, 产业化程度低下, 无法实现规模经济;韩晓虎、黄大乾、吴宇婷 (2011) 认为年度内猪肉价格波动主要受季节性因素影响, 猪肉价格的整体上涨是由饲料成本上升导致, 而猪肉价格的循环性波动则是由生猪养殖分散、生产周期长和信息不对等造成, 并在不断变化的宏观环境及动物疫情等突发情况的影响下进一步放大。栾淑梅、寿金、吕杰、王娟 (2011) 基于VAR模型对省际间价格波动机制进行分析, 认为在短期内主产省份的猪肉价格波动在极大程度上受到主销省份的猪肉价格波动的带动作用影响, 存在逆向传导机制。
(三) 关于猪肉价格波动产生的影响研究
高中理、邵祥东 (2010) , 运用增益谱频域分析法对猪肉、粮食、水产品等7种食品价格周期波动对CPI周期波动的增益贡献, 结果显示:在短期内, CPI周期性波动受到猪肉价格周期性波动所带来的偶发冲击作用的效应显著, 从长期来看, CPI周期波动受到猪肉价格周期波动增益贡献的影响比例维持在13%-18%之间, 低于粮食价格和水产品价格波动对CPI周期波动的增益贡献;韩一杰、刘秀丽 (2011) 运用综合改进的投入产出价格影响模型, 测算了猪肉价格变动对CPI的影响程度, 结果表明, 猪肉价格对CPI的影响较为显著, 且随时间递增, 猪肉价格上涨20%时, 1个月和3个月后CPI分别上涨0.72%和0.85%, 猪肉价格上涨50%时, 1个月和3个月后CPI分别上涨1.75%和2.12%。
(四) 关于猪肉价格波动预测方面的研究
马雄威、朱再清 (2008) 在分析猪肉价格波动特征的基础上, 根据2006年4月至2007年11月中国猪肉的平均价格数据, 运用灰色神经网络组合模型 (CGNN) 对接下来十个月的猪肉价格进行预测, 并且证实预测结果是可信的;冀德刚、周静、李春兰 (2008) 运用ARIMA时间序列模型分析方法对河北唐山市猪肉价格进行预测;罗军、万忠等 (2011) , 采用指数平滑预测法对我国猪肉价格的发展趋势进行预测, 指出我国猪肉价格的基本趋势是上升的。
因ARCH类模型在波动分析上的优势, 能对时间序列变量的波动进行准确模拟, 国外学者常采用该方法对价格波动问题进行分析。而在国内, ARCH类模型主要被应用于期货市场和股票市场的分析方面, 鲜少有运用此方法对猪肉市场进行分析的文献。据此, 本文在研究猪肉价格波动的相关特性时, 将采用ARCH类模型的分析方法, 主要从以下几个方面展开: (1) 猪肉价格波动有表现出集簇性的特征吗? (2) 猪肉市场存在高风险高报酬的特征吗? (3) 猪肉价格的波动是否具有非对称性?在本文中, 集簇性的含义为大的价格波动后面常紧随大的价格波动, 而小的价格波动后面常紧随小的价格波动;非对称性的含义为由价格上涨信息带来的波动与由价格下跌信息带来的波动在程度上不对等。
三、研究方法与数据描述性统计
(一) 研究方法
1. 波动分析
本文将先对猪肉的价格序列与价格收益率序列予以说明和描述统计分析并用ADF法进行平稳性检验, 之后对均值方程进行设定和ARCH-LM检验, 接着完成GARCH模型与GARCH-M模型的建立。GARCH模型是对于波动集簇性的检验;GARCH-M模型是对于猪肉市场有无存在高风险高报酬特点的检验。
(1) 表示均值方程, 被解释变量用Rt表示, 于本文指猪肉的价格收率, 解释变量用X表示, 于本文仅含Rt的滞后项; (2) 表示方差方程, ht代表ut于t时的条件方差, 于本式中它由残差滞后项的加权平方和构成。为使得条件方差ht>0, (2) 式中, 代表ARCH项, 若ARCH项高度显著, 可知猪肉价格收益率表现出明显的波动集簇性。
Bollerslev在1986年对ARCH模型的方差方程 (2) 式进行拓展, 将条件方差自身的滞后项引入 (2) 式, 提出了广义自回归条件异方差 (简写为“GARCH”) 模型:
在 (3) 式中, 代表ARCH项, 代表GARCH项, 它们的滞后阶数分别用p与q表示, 若ARCH项与GARCH项都高度显著, 可知猪肉价格收益率表现出明显的波动集簇性。为使得条件方差ht≥0, 一般要求系数αi≥0与βj≥0, 然要求系数为非负数的条件仅是使得该模型有意义的充分条件却不是必要条件。在GARCH模型中, 产生波动的来源被划分为变量过去的波动ht-j与外部冲击u2t-i这两个部分, 它们对本期波动ht的影响强度分别用αi和βj表示。
波动的持续性从模型的系数之和的大小中体现。若, 表明冲击的影响将不断扩散;若, 表明冲击的影响将渐渐消失。与ARCH模型相比, GARCH模型有自身的优点:对较为复杂的高阶ARCH模型, 用比较简单的GARCH模型进行替换, 从而使得模型的识别与估计都更加容易实现。
(G) ARCH-M模型。Engle, Lilien and Robins于1987年将ht引入到 (G) ARCH模型中的均值方程 (1) 式, 从而提出了 (G) ARCH-M模型:
在 (4) 式中, λ为条件标准差的一个倍数, 如果λ (29) 0, 则表示因风险的增加市场参与主体会要求获得更高的收益, 下文以该参数检验高风险高回报的特征是否存在于我国猪肉市场。
2. 波动非对称性分析
本文在分析猪肉价格收益率波动的非对称性时, 采用门限ARCH (简写为“TARCH”) 模型分析方法与指数GARCH (简写为“EGARCH”) 模型分析方法, 并运用两个模型的估计结果以相互验证对方。
TARCH模型。Zakoǐan于1990年和Glosten, Jagannathan, Runkle于1993年提出TARCH模型, 其条件方差方程可表示为:
在 (5) 式中, dt-1表示虚拟变量, 若ut-1<0, 则dt-1=1, 否则, dt-1=0。在该模型中, α1表示价格上涨信息 (ut≥0) 对条件方差的影响, α1+φ表示价格下跌信息 (ut<0) 对条件方差的影响。若φ≠0, 则说明波动表现出非对称性特征。若φ≠0, 则说明相比于价格上涨信息的影响, 价格下跌所带来的波动更大;若φ<0, 则说明相比于价格下跌信息的影响, 价格上涨信息带来的波动更大。
(2) EGARCH模型。Nelson于1991年提出EGARCH模型, 其条件方差方程可表达为:
(6) 式中, α+γ表示价格上涨信息 (ut-1≥0) 对的影响, 而α-γ表示价格下跌信息 (εt-1<0) 对的影响。若γ≠0, 则表明波动表现出非对称性特征。若γ>0, 则说明相比于价格下跌信息的影响, 价格上涨信息带来的波动更大。若γ<0, 则说明相比于价格上涨信息的影响, 价格下跌所带来的波动更大。
(二) 数据说明与描述统计
本文使用的是2000年1月至2011年12月的集贸市场月度价格 (元/公斤) 数据, 具体根据中国畜牧业信息网和《中国农产品价格调查年鉴》资料整理得到。
价格收益率以相邻月份猪肉价格的对数一阶差分表示, 即Rt (28) Lnpt-Lnp t-1, 其中, pt和pt-1分别代表第t月与第t-1月的猪肉价格。猪肉价格收益率的描述统计结果见表1。据该表可知, 猪肉价格收益率的峰度为4.5564, 比正态分布的峰度值3大, 说明猪肉价格收益率表现出尖峰与厚尾特点;且JB正态性检验也证实猪肉价格收益率与正态分布相异。
价格收益率的变化由图1可见, 猪肉价格存在波动的集聚效应和异方差效应。为准确判断该序列究竟有无异方差效应, 下文将对其进行ARCH-LM检验。
四、模型估计结果
ADF平稳性检验结果显示:猪肉价格序列是非平稳的, 而其价格收益率序列则是平稳的。且ARCH-LM检验结果显示:对猪肉而言, 当滞后阶数为2时, 检验概率P值小于0.0, 可知残差序列有异方差效应。而至少存在2阶的ARCH效应, 意味着需估计的参数有多个, 可以用一个低阶的GARCH模型代替, 以减少待估参数个数。据此, 本文对存在显著异方差效应的猪肉市场建立ARCH模型。
猪肉市场的ARCH类模型估计结果见表2:
(一) GARCH模型的估计结果
猪肉价格收益率方差方程中, α1与1β在1%的水平下都显著, 可知猪肉价格收益率序列具有显著的波动集簇性, 价格的过去波动对当前的波动造成冲击, 较大的波动之后常常紧接着持续时间更久的波动。α1与1β之和为0.98, 小于1, 因此, 过去的波动对未来的影响逐渐消失。而产生波动集簇性的原因, 可能有两个方面, 一方面, 猪肉价格波动与我国的宏观经济形势相联系, 猪肉价格波动的集簇性是由信息生成过程中的序列相关性造成;另外一方面, 随着我国猪肉市场化政策的实施与推进, 市场参与主体不断增多, 人们对信息的理解方式有很大的不同, 这导致猪肉价格波动集簇性的产生。
(二) GARCH-M模型的估计结果
猪肉价格收益率均值方程中, λ估计值是0.08, 却不显著, 可知猪肉市场未表现出高风险高报酬的特点。从这一点上可以看出, 在我国猪肉市场中, 相比于理性因素, 非理性因素对大部分交易者的决策产生的影响更大。我国猪肉市场还存在很多不足, 许多方面有待进一步发展和完善。
(三) TARCH与EGARCH模型的估计结果
在TARCH模型中, φ的估计值小于零, 为-0.07, 且在10%的水平下显著。在EGARCH模型中, γ的估计值大于零, 为0.23, 且在1%的水平下显著。由此可知, 相比于价格下跌信息对价格波动的影响, 由价格上涨信息所带来的波动要大得多, 猪肉价格波动表现出明显的非对称性特征。而这与French, Schwert and Stambaugh (1987) 和Campell and Hentschel (1992) 在研究股票市场波动非对称性时, 提出了波动反馈效应相异, 究其原因, 可能猪肉市场比较特殊, 人们更关注价格上涨信息, 存在“跌价无人问, 涨价多头管”的现象。
五、总结和政策建议
本文通过应用ARCH类模型对我国猪肉市场价格波动进行分析, 得出以下结论:我国猪肉价格波动表现出明显的集簇性;在我国猪肉市场中, 高风险高报酬的特征并不存在;我国猪肉价格波动表现出显著的非对称性, 相对于价格下跌信息对波动的影响而言, 由价格上涨信息所带来的波动要大得多。
(一) 完善预警系统
上文的模型估计结果显示, 我国猪肉价格波动表现出明显的集簇性, 大的价格变动后面常紧随大的价格变动, 而小的价格变动后面紧随的是小的价格变动。这说明, 在一定程度上猪肉价格是可以预测的。相关部门应履行职责切实做好监控工作, 形成一套行之有效的预警系统。政府可以通过这个系统发布相关的信息, 预测市场的变化趋势, 从而调整相关政策。多年来, 政府在这方面做了大量工作, 目前已有较好的基础, 但还有待规范和完善;各有关部门可以在数据的收集整理、挖掘分析以及权威性预警报告的发布等方面, 进一步加强努力。
(二) 提高对引起猪肉价格上涨的因素的关注度和警惕性
在我国猪肉市场中, 价格波动表现出显著的非对称性, 相对于价格下跌信息对价格波动的影响而言, 由价格上涨信息所带来的波动要大得多。基于此, 为稳定我国猪肉市场, 对能引发猪肉价格上涨的因素, 如生猪疫情蔓延、生猪饲养原料价格上涨、劳工成本增加以及突发性需求增加等情况, 各政府相关部门、猪肉生产企业以及消费者等主体应给予特别的关注, 提前采取应对措施, 预防猪肉价格大幅度上涨。
(三) 金融化推进
对于猪肉市场波动带来的产业系统性风险, 还可以运用包括信贷、保险以及期货等现代金融工具进行防范。探索建立和完善生猪期货市场, 通过期货的价格发现和风险规避功能, 使得生猪养殖者能够根据期货市场现有的交易行情, 对未来生猪市场的价格变化趋势有更加准确和及时的了解, 进而合理调整养殖生猪的规模和饲养周期, 使得猪肉市场供给与需求相均衡。此外, 还应建立生猪发展基金, 促进生猪养殖业规模化、集约化发展, 以稳定猪肉市场市场价格, 避免价格的大幅波动。
参考文献
[1]徐磊, 侯扶江.以草地农业系统观分析猪肉价格问题[J].草业科学, 2010 (06) :123-128.
[2]吴瑛.基于蛛网理论的我国近10年生猪价格波动分析[J].广东农业科学, 2011 (03) :106-108.
[3]张美珍, 薛继亮, 罗创国.基于分工演进视角下的规模不经济和中国猪肉价格波动[J].畜牧经济, 2010 (06) :23-27.
[4]韩晓虎, 黄大乾, 吴宇婷.全球视野下的中国猪肉价格波动及调控研究—基于2000-2010年月度价格数据[J].世界农业, 2011 (03) :61-64.
[5]栾淑梅, 寿金, 吕杰, 王娟.省际间猪肉价格波动的动态关系研究—基于VAR模型分析[J].农业经济, 2011 (08) :87-88.
[6]高中理, 邵祥东.偶发冲击与增益分解:猪肉价格周期波动效应检验[J].农业现代化研究, 2010 (11) :670-673.
[7]韩一杰, 刘秀丽.中国猪肉价格波动对其他部门产品价格及CPI的影响测算[J].中国农村经济, 2011 (05) :12-20.
[8]马雄威, 朱再清.灰色神经网络模型在猪肉价格预测中的应用[J].内蒙古农业大学学报 (人文社会科学版) , 2008 (04) :91-93.
[9]冀德刚, 周静, 李春兰.时间序列分析在对猪肉价格的预测分析中的应用[J].商场现代化, 2008 (13) :320.
[10]罗军, 万忠等.近期我国猪肉价格大幅度上涨的原因及趋势分析[J].广东农业科学, 2011 (17) :165-168.
ARCH族模型 篇4
股票市场在优化资源配置、促进产业结构调整方面起着越来越重要的作用。随着融资的资本化, 股票市场所带来的影响已经不仅仅局限于金融领域, 而是广泛涉及到了经济、政治和生活的各个方面, 在某种程度上, 一个国家股市发展的状况和规模能够反映出该国的经济实力和发展状况。因此, 对股票市场进行深入研究, 探寻其发展的内在规律, 使之能够更好的为国家经济发展服务就显得尤为重要。
本文通过对2006年上证日收盘价序列的分析, 利用ARCH-M模型进行了实证研究, 结果表明上证日收盘价序列具有条件异方差特性以及非正态分布的特征, 并应用该模型进行了短期预测, 预测结果能够较好的反应实际情况, 这进一步说明ARCH-M模型价能够很好地反映上证日收盘价序列的变化特征。
二、上证日收盘价序列波动特性的实证研究
Engle于1985年首先提出ARCH-M模型[5], 1987年正式发表, 是ARCH模型考虑到条件方差作为时变风险的度量这一重要用途, 而将风险与收益紧密联系在一起产生的, 它同时使条件异方差能够直接影响收益均值, 可以说是ARCH与实际直接相结合的一个例子, 是ARCH的重要分支。其形式如下:
其中, (1) 式为时变预期收益, (2) 式为时变波动方程, (3) 式为均值方程, 时变预期收益公式中d量了时变波动与预期收益的影响。
本文的样本数据取自2006年1月14日~2007年1月16日, 共250个数据, 其中前240个数据用来建立模型, 最后10个数据用于预测时的对比分析。
数据来源:港澳资讯
数据类型:上证日收盘价指数
分析工具:Eviews专业统计分析软件
(1) 上证收盘价序列的统计特征上证日收盘价序列随时间变化特征如图1所示, 从图中可以明显看出, 该序列随着时间的变化呈指数增长形式, 具有明显的非平稳特征。为此, 本文采用一阶差分的方法对该序列进行了平稳化处理, 其随时间变化趋势如图2所示, 从图2可以看出经过处理后的该序列围绕一个均值上下波动, 具有明显的平稳性特征, 其单位根检验结果如表1所示, 由单位根检验结果可以看出, 经过一阶差分后的日收盘价的ADF统计量值在1%、5%和10%的显著性水平下均小于相应的金麦农临界值, 故认为日收盘价序列经过一阶差分后为一平稳序列。对上证日收盘价序列的正态特性检验结果如图3所示, 从图中可以看出, 上证日收盘价序列具有非正态的特性, 峰度K=4.315339>3, 偏度S=1.175646>0, 与正态分布 (K=3, S=0) 相比具有尖峰、厚尾的特征。
(2) 上证日收盘价序列的自相关性检验结果
经过平稳化处理后的日收盘价序列的自相关检验结果如图4所示:
由图4可以看出经过一阶差分后序列的在1、2、4、5阶有明显的自相关性, 而偏自相关函数在1、2、5、6阶相关比较明显, 这些信息将为下一步进行模型阶数确定提供有力帮助。
(3) 上证日收盘价序列模型的建立
由前面的分析可知, 经过一阶差分后上证日收盘价序列是一个平稳序列, 并有正弦衰减的拖尾特征。因此, 可以初步判定该序列适合于ARMA (p, q) 模型, 模型的阶数p和q可以根据赤池 (Akaike) 信息准则 (AIC) 来判断[6], 经过反复比较最终确定p=3, q=5时AIC准则数最小 (如表2) , 即选定模型ARIMA (3, 1, 5) 模型。用Eviews软件进行参数估计得到的模型为:
然后对所建立的模型进行检验, 从图5中可以看出, 在5%的显著性水平下, 残差序列以较大的概率接受残差序列不相关的原假设, 从而说明本文在建立模型时充分考虑了影响股价波动的主要因素, 也即是对上证收盘价一阶差分序列所建立的模型是合理的。进一步对残差进行检验发现残差序列存在异方差效应, 说明应该在上述均值方程的基础上建立反映股价波动率的异方差模型 (如ARCH或GARCH模型) 。残差序列的条件异方差检验结果如表3所示:
由表3可以看出, 在5%的显著性水平下LM统计量值为12.91725, 大于相应的临界值7.815, 并在5%显著性水平下, 残差序列不存在异方差效应的概率为0.001567, 综上判断可以确定模型残差序列的确存在ARCH效应。这说明有必要对所建立进行修正, 即需要在均值方程的基础上加入考虑异方差效应的ARCH模型, 以比较全面地反映股价波动的本质特征。
(4) 波动率模型的建立
由于ARCH模型是用残差平方序列来刻画的, 所以在建立ARCH模型前先要考察均值方程拟合的残差平方序列的相关性, 并以此来确定ARCH模型的阶数。残差平方序列的自相关图表如图6所示。
从图6中可以看出, 残差平方序列在5%的显著性水平下序列不相关原假设成立的概率为零, 这也进一步说明了有必要对残差平方序列的这种相关性进行考察, 即有必要建立ARCH模型。从图中还可以看出, 自相关图一、二、四阶相关性比较显著。同时本文在建立ARCH模型时将考察条件异方差对均值方程的直接影响, 即建立ARCH-M模型。用Eviews软件对各种模型的AIC准则数进行计算 (如表4) , ARCH (2) -M模型的AIC准则数最小, 因此本文选用ARCH (2) -M模型来刻画上证日收盘价的波动特征。用Eviews软件进行参数估计得到的改进模型为:
其中为模型残差, 为条件异方差。
(5) 用所建立的模型对上证日收盘价序列进行预测
用所建立的模型对未来一周的上证日收盘价进行预测, 并与实际观测到的真实值进行比较, 进而计算出误差百分率。预测结果如下表5所示:
由表5可以看出, 预测值与实际观测值之间的最大误差为3.94%, 远小于10%误差允许范围, 对于影响因素复杂的股票市场来说这样的预测已经相当的精确, 这说明本文所建立的模型对短期内的预测是合理的和有效的。预测误差带的分布如图7所示:
从图7预测带的分布图上也可以清楚地看出, 在短期预测的情况下, 预测带的宽度比较窄, 说明预测值与真实值之间的上下误差范围比较小, 随着预测时间的增加, 预测带变得越来越宽, 这说明, 越是进行长期的预测误差也就越大, 这一点恰好符合了股票市场瞬息万变的特征, 因为当前的市场特征受到最新信息的影响比较大, 而近期的市场信息也只能对未来较短的一段时期是有效的。
三、结论
在对上证日收盘价序列进行分析研究时发现, 日收盘价序列明显不服从正态分布, 从分布直方图上可以看出该序列的分布有两个峰值, 说明该序列并不符合一般建立模型所采用的正态性假定;通过进一步分析还发现该序列具有非平稳、条件异方差的特征。
考虑到股价波动影响因素的复杂性, 本文在对模型进行修正时, 在均值方程中加入了扰动项。这样做的目的是将各种外界的影响因素以综合的风险因子的形式, 反映其与收盘价均值之间的紧密联系, 本文拟合出了用于反映股价波动的均值方程和波动率方程ARCH-M模型。
ARCH-M模型中d值为1.382342, 这说明收盘价期望值与时变波动呈现较强的正相关特性, 风险越高期望越高, 这说明上证股市投机氛围比较浓, 风险也比较大, 所以和一些相对较成熟的证券市场相比, 上证股市经常会呈现大起大落的现象。
从本文对所建立模型的预测结果来看, 该模型能充分反映上证日收盘价序列的波动特征, 可以用该模型对短期的未来进行预测, 为人们的投资决策行为提供参考价值。另外, 应当注意到中国股市受到政府监管部门的政策影响比较大, 股市对各个方面的政策信息反映比较敏感, 这就容易使得投资者的行为受到影响, 会进一步增加投资风险。
摘要：股票价格的频繁波动是股票市场最明显的特征之一。本文利用ARCH-M模型对上证日收盘价序列进行了分析和实证研究, 结果表明上证股价指数存在条件异方差特性, 并表现出非正态性。然后用该模型对上证日收盘价进行了短期预测, 结果表明该模型能够较好地反映上证股价指数的变化特征。
关键词：股价波动,条件异方差,ARCH-M模型
参考文献
[1]、王军波, 邓述慧.利率成交量对股价波动的影响.系统工程理论与实践, 1999 (9) :49-56
[2]、叶青, 易丹辉.中国股票市场价格波动与经济波动.预测, 1996 (6) :7-10
[3]、刘俊山, 张陶伟.成交量与股价波动ARCH效应的实证研究.财经科学, 2004 (3) :8-15
[4]、卢忠孝.沪市股指收益率波动性研究.财政金融, 2006 (4) :186-188
[5]、Engle R F, Lilien D M, Robins R P.Estimating time varying risk premia in the term structure:The ARCH-M model.Econometrica, 1987, 55 (2) :391-407
ARCH族模型 篇5
2005年7月21日人民币汇率制度实行了重大改革, 从单一盯住美元的汇率机制转向实行以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度。人币汇率的改革, 引起了外汇市场、股票市场和整个金融市场的紊乱, 人民币汇率弹性加大, 汇率与股价的关系也真正呈现市场化关联, 并且随着股权分置改革的完成和人民币的不断升值, 汇率对股价的影响也日趋明显, 因此研究汇率对股价的影响具有较大的现实意义。
1.文献综述
国内外学者从理论和实证上对汇率与股价之间的关系进行了广泛的研究。Christopher K.MA和G.Wenchi.Kao (1990) 研究了股票价格对美元汇率变化的反应, 得出一种高汇率的强势货币对股价有利好作用, 同时汇率变化对以进口为主的国家的股市产生利好作用而对以出口为主的国家的股价则产生利坏作用。Oskooee和Sohrabian (1992) 运用协整理论对1973年7月到1988年12月的美元汇率与道格拉斯500指数进行了研究, 得出两者在短期内具有相互作用的关系。张碧琼、李越 (2002) 用1993年12月27日至2001年4月17日的每日数据对人民币对美元的汇率与股价的关系做了实证检验, 结论为人民币兑美元汇率与沪深股市的两个A股指数之间存在协整关系。
人民币汇率形成机制改革对股市产生了较深刻的影响, 大量学者就这一问题进行了广泛研究。陈雁云和何维达 (2006) 对汇率改革前2001-2005的1069个交易日数据进行ARCH效应检验与建模分析, 得出人民币对美元名义汇率与股价之间存在正向关系。陈亮和夏亮 (2007) 选取2005年7月22日到2006年6月12日的数据进行了汇率与股价的协整检验, 得出汇率改革后人民币对美元汇率与沪、深两市A、B股指数之间不存在协整关系。本文希冀通过对改革前后高频数据的分析, 就汇率改革对股市产生的影响做出具有一定普适性和说服力的解释。
2.ARCH模型族
金融时间序列通常具有不稳定的特点, 较大幅度的波动之后往往伴随持续的较大幅度的波动, 较小幅度波动之后则伴随着持续的较小幅度的波动, 即时间序列呈现波动的积聚性和持续性。为此, 恩格尔 (Robert F.Enger) 在1982提出了自回归条件异方差模型 (即ARCH模型) 。1986年Bollerslev在此基础上对方差的表现形式进行了直接的线性扩展, 形成了应用更为广泛的GARCH模型。由于GARCH (1, 1) 模型就能充分描述足够多的金融数据, 故在实际应用中只需建立GARCH (1, 1) 模型就能解释现象了。标准GARCH (1, 1) 模型为:
undefined
另外, 对于股票市场的研究发现, 股价下跌和上涨的幅度相同时, 股价下跌过程往往会伴随着更剧烈的波动性。为解释此现象, Nelson在1991年提出了非对称的ARCH模型——EGARCH模型。其条件方差方程如下:
undefined
之后随着对上述模型的不断完善和扩展, 还形成了ARCH-M、IGARCH、分整GARCH等模型, 我们将之统称为ARCH模型族。
3.数据
数据包括股价指数和汇率两部分。由于人民币汇率改革是从单一盯住美元转向参考一篮子货币, 因此选择人民币对美元的汇率作为研究对象, 这样更能反映改革产生的影响, 所分析的结果对现实具有更好的解释作用。同时, 上证指数与深圳成指或综指的变化趋势是基本一致的, 本文选择上证A股指数的每日收盘价作为中国股价的代表。
2005年7月21日中国人民银行宣布实施人民币汇率形成机制改革, 为了充分解释改革的效应, 本文选择改革日至今的数据进行实证研究。最后确定数据时间跨度为2003年10月14日至2007年4月30日, 并以改革日为界, 分成两阶段, 改革前 (2003年10月14日至2005年7月20日) 和改革后 (2005年7月21日至2007年4月30日) 。汇率数据来源于中国外汇管理局网站, 上证A股指数来源于新浪网站。
由于时间序列具有趋性和非平稳性, 不宜直接处理, 先对其取自然对数, 并以LSTO、LRAT分别表示取自然对数后的上证股指、美元对人民币名义汇率中间价。分析三个样本区间序列的统计特征 (如表1) , 都呈现偏态分布, 除总体LSTO具有尖峰厚尾特征, 其余序列均具有低峰薄尾特征, 再从Jarque-Bera统计量考察, 序列都不服从正态分布。可以初步判断各时间序列可能存在ARCH现象。
4.模型与实证
本文选择用计量经济分析软件Eviews3.1进行数据分析。通过对股价指数和汇率的第一时段、第二时段以及总体样本序列的自相关函数 (ACF) 和偏自相关函数 (PACF) 进行判断, 并利用Ljung—Box Q统计量诊断, 最后估计出股价指数关于自身滞后二阶项和汇率的分布滞后模型:
undefined
根据软件输出结果, 模型对两阶段和总体的拟合优度都在98%以上, 各系数的均通过99%置信度水平的显著性检验, 且AIC和SC值都很小, 整体效果不错。由于模型包含因变量的滞后项, 所以D.W.检验失效, 改用残差序列自相关的LM检验来代替。对残差作LM检验时, 得到的相伴概率都小于0.05, 故模型存在自相关。进一步对模型进行ARCH效应检验, 即ARCH-LM检验。检验结果显示三个模型均存在高阶的ARCH效应, 于是分别建立GARCH (1, 1) 模型。
①改革前模型
LSTO=-1078.1867+0.9812*LSTO (-2) +160.4976*LRAT (模型1)
σ2=0.00006+0.1834×uundefined+0.6367×σundefined
R2=0.9822, Adjusted-R2=0.9821, AIC=-5.2252, SC=-5.1714
结果中, ARCH项与GARCH项系数之和为0.8201<1, 模型满足稳定条件。而且拟合优度达到0.9822, 全部系数都在99%的置信度水平上具有显著性, AIC和SC值也很小, 故认为模型较好地拟合了数据。经ARCH-LM检验 (结果如表2) , 相伴概率为0.0913>0.05, 模型已不再具有ARCH效应。
②改革后模型
LSTO=7.9318+0.9555*LSTO (-2) -1.1372*LRAT (模型2)
σ2=0.000009+0.1983×uundefined+0.7970×σundefined
R2=0.9969, Adjusted-R2=0.9969, AIC=-5.2456, SC=-5.1918
方差方程中ARCH项系数与GARCH项系数之和为0.9953<1, 满足稳定条件。ARCH-LM检验相伴概率为0.2067>0.05, 模型已消除了ARCH效应, 各系数检验均通过99%置信度水平的显著性检验, 拟合优度达0.9969, 因此可认为模型较好地拟合了数据。
③总体模型
LSTO=1.7314+1.0006*LSTO (-2) -0.2587*LRAT
σ2=0.0001+0.3437×uundefined+0.3327×σundefined
R2=0.9954, Adjusted-R2=0.9954, AIC=-5.2027, SC=-5.1713
方差方程中ARCH项系数与GARCH项系数之和为0.6864<1, 满足稳定条件。ARCH-LM检验的相伴概率为0.7258, 显著大于置信水平0.05, 模型已不具有ARCH效应。各项判定系数均通过检验, 模型较好地拟合了数据。
(注:括号内为Z统计量。)
对比三个GARCH (1, 1) 模型回归结果 (如表3) , 汇率的系数都较显著地不为零, 说明汇率对股价具有一定的影响, 就改革后方程而言, 汇率的系数为-1.1372, 表明当名义汇率下降1%时, 股价指数会相应地上涨1.1372%。而且, 改革后汇率对股份的影响要大于总体。
从系数的符号可以得出, 在改革前汇率与股价具有正向关系, 而改革后汇率对股价却成反向关系, 这说明汇率改革对我国股价产生了重大影响。从总体方程看, 名义汇率与股价成反向关系, 也就是人民币币值与股价指数成正向关系。
比较分析模型1、2, 可以看出两个模型在参数大小与符号上具有较大差异, 说明改革导致汇率与股指之间的关系发生了结构性变化, 为说明改革对股价带来的冲击, 在标准的EGARCH模型基础上引入虚拟变量Dt, 并令汇率改革正式实施之前为Dt=0, 正式实施之后为Dt=1。模型表达式如下:
LSTO=1.6095+1.0019*LSTO (-2) -0.2420*LRAT
Z= (6.3758) (363.8666) (-6.8766)
In (σ2) =-2.9636+0.6832*Inundefined
R2=0.9954, AIC=-5.2082, SC=-5.1663
方差方程中undefined, 满足稳定条件。杠杆效应系数γ=0.5301, 说明股价的波动具有“杠杆”效应, 而且下冲击引起条件方差的对数变化要大于负冲击的影响, 即当出现“利好消息” (ut-1>0) 时, 该信息冲击对条件方差的对数有一个0.4599[ (-0.0712) +0.5301]的冲击;而当出现“利空消息” (ut-1<0) 时, 该信息冲击对条件方差的对数有一个 (-0.6.021) [ (-0.0712) +0.5301* (-1) ]的冲击。同时汇率改革对股价带来了一个0.0189的冲击, 即汇率改革后, 信息对股价指数的冲击将加大0.0189。
5.结论
通过实证研究, 可能得出以下结论:
(1) 汇率改革后, 名义汇率与股价为显著的反向关系, 即人民币币值与股价为显著的正向关系, 人民币升值对股票价格起到了利好的作用。人民币升值虽然不利于上市公司产品出口, 降低了国际竞争力。但汇率改革后, 大量外资流入境内, 进行房地产、金融领域的投资, 促进了相关行业的发展, 致使股价指数在地产、金融等板块的带动下有了较大升幅。
(2) 汇率改革以来, 汇率波动不断加大, 股票价格与人民币汇率也逐渐呈现市场化关联, 汇率对股价的影响增强, 但还很微弱。这从一个侧面也反映出人民币汇率的形成还受到政府宏观调控的干预, 其金融市场工具的作用还没有充分发挥出来;同时我国股市的价格背离其实际价值, 股价具有泡沫。
摘要：本文对人民币汇率形成机制改革前后人民币对美元名义汇率与股价的交易日数据进行ARCH效应检验, 并建立相应的ARCH模型, 得出在改革前人民币对美元名义汇率与股价指数具有正向关系, 而改革后却具有反向关系;就整个研究期间, 汇率与股价成反向关系, 即人民币币值与股价呈正向关系, 汇率改革更加大了汇率对股价的影响。
关键词：汇率,股价,ARCH模型族
参考文献
[1]Mohsen Bahmani-oskooee, Ahmad Sohrabian.Stockprices and effective exchange rate of the dollar[J].Ap-plied Economics, 1992 (24) :459-464.
[2]Christopher K.MA, G.Wenchi.Kao.On exchange ratechanges and stock price reactions[J].Journal of busi-ness finance and accounting, 1999, 17 (3) :441-449.
[3]张碧琼, 李越.汇率对中国股票市场的影响是否存在:从自回归分布滞后模型 (ARDL—ecm) 得到的证明[J].金融研究, 2002, (7) :26-35.
[4]陈然方.论汇率和股价的相互作用.财经理论与实践.1999, (2) :54-57.
[5]陈雁云, 何维达.人民币汇率与股价的ARCH效应检验与模型分析[J].集美大学学报, 2006, 19 (1) :72-75.
ARCH族模型 篇6
(一) 模型选择
Tar ch模型在Gar ch模型的基础上引入了一个虚拟变量, 通过虚拟变量系数的变动来描述不同信息对金融资产价格的影响程度。在本研究中建立Tarch模型的目的就是为了通过虚拟变量的系数的大小来检验房地产市场上的利好消息和利空消息对房价波动的影响以及定量研究影响程度。
Tar ch模型基本公式:
其中dt-1为虚拟变量, 且满足当ut-1>0时, dt-1=0, 反之dt-1=1。设好消息时ut-1>0, 坏消息时ut-1<0, 所以当出现好消息时, 有a1的冲击, 当出现坏消息时, 有a1+r的冲击。当r=0时, 信息是完全对称的, 反之信息不对称。当r≠0时, 不对称效应使得波动增大, 反之使得波动减小, 即存在杠杆效应。
本研究猜想:在房地产市场上同样存在杠杆效应。且与股票市场上具有想同性质的杠杆效应, 在股票市场上虚拟变量的系数r≠0, 房地产市场的虚拟变量系数也为正值, 即坏消息对房地产市场的冲击作用要大于好消息对房价的影响。
(二) 模型检验
本文选取了太原市2005年1月至2013年12月的房地产企业营业利润和缴纳的土地税共108对数据为研究对象, 房地产企业的收入用y表示, 税收用x表示, 为了增加估计的精确性, 对两组数据取自然对数。即以lny为因变量, lnx为自变量进行估计。本文首先对选取的变量进行ADF单位根检验, 确定了所选取的所有变量滞后一阶是平稳的。在此基础上对残差进行LM检验, 检验结果间下表1。
由上表可知:在滞后阶数p=1, 5%的显著水平上拒绝原假设, 即残差序列存在Arch效应。
Tar ch检验:
方差方程中, 非对称效应项系数r=0.0557, 说明太原市房地产价格的波动具有非对称效应, 即具有杠杆效应, 且r大于零说明房市上的利空消息对房价的冲击作用大于利好消息的作用。
(三) 结果分析
研究表明太原市房地产价格具有较强的Arch效应, 即房价的波动具有显著地集聚效应。原因是由于:太原市房地产的投资需求大, 进而引起的投资需求弹性较大, 而实际住房需求不足, 房地产泡沫现象较为严重。根据Tarch模型, 太原市房地产存在杠杆效应, 即投机现象、尤其是盲目投机、蜂群现象比较严重。由于r为正值, 利率对房地产的价格有较强的调节作用。且利空消息比利好消息能带来更大的冲击。即对于房价的波动, 利率上升的利空消息比利率下降的利好消息更有效, 在控制房价时提高利率起到的作用更大更持久。
二、政策建议
(一) 建立房地产发展的长期、有效调控机制
首先、中央要建立房地产调控的相应体系, 明确规定房地产调控的目标, 参考的经济变量, 以及相应的技术手段。其次各级地方政府额要积极配合中央的调控体系, 结合各地区的区域特点、产业结构、居民生活水平等因素, 在国家宏观调控体系下, 建立自身多特有的微观调控体系。
(二) 合理的规划城市化进程
房地产业的发展是为了满足居民最基本的生活需求, 而城市化进程是为了使居民的生活更加的便捷。两者之间不存在任何矛盾, 但城市化进程的加快必然会带来土地价格的上涨, 从而会推动房价的上升。这个过程如果超过了合理的经济发展平均水平限度就会造成房地产泡沫, 由此合理规划城市化进程对于房地产业的健康发展是十分必要的。
(三) 政府加大房地产业的调控
城市化并不等于造城运动。当造城的速度远远超过经济增长时, 就会出现所谓的“鬼城”, 普通老百姓只能生活在所能承受得起的棚户区里。因此政府要更加注重解决弱势群体的住房问题, 加大保障性住房的开发力度, 保障低收入人群的住房权利。
(四) 政府要合理的运用税收工具控制房价
我国目前房地产方面的税收种类主要包括占有税和交易税两种。从表面上看交易税是施加给房地产企业的, 但房地产企业最终会以高房价的形似将这部分税收转嫁给购买者。因此交易税的增加也间接的推动了房价的上升。相反占有税对于控制房价有着较好的作用。目前我国的占有税仅有两项, 房地产企业几乎处于零占有税的环境下, 造成了房地产企业肆无忌惮的建房而不关心是否能卖得出去。占有税种类和税率的增加, 可以提高房地产企业持有空房的时间成本, 会促使房企不但关心造房的成本更加关心售房的时间, 从而有利于促进房价的理性回归。
(五) 完善土地供给政策, 增加商品房土地供给
房价的上升从源头上来说是由于土地价格的上升。造成土地价格上升的原因有两点:土地市场化, 2004年之后我国所有经营性土地实行公开竞价出让, 公开竞价的结果就是土地价格的不断攀升;开发商为获得高额利润, 囤积土地, 等待升值, 降低了土地的利用效率。近年来, 国家加大了保障性住房的土地供给, 但商品房土地供给不足, 这也造成了房价的居高不降。
参考文献
[1]Nelson Daniel B.ARCH models as diffusion approximations.Journal of Econometrics, 1990.
[2]胡岳岷.我国房地产价格影响因素及其作用效应的计量检验[J].税务与经济, 2011.