中国股票市场信息流对股价波动的影响分析（吴世农）一、文献回顾一、文献回顾一、文献回顾一、文献回顾一、文献回顾一、文献回顾一、文献回顾本文研究特色二、理论基础、研究方法与模型（二）GARCH模型Lamoureux和Lastrapes（1990）使用GARCH(1,1)模型研究成交量与价格波动的关系。根据国内外学者的研究资料，GARCH(1,1)模型足以反映大多数经济类时间序列的条件方差，本文也采用GARCH(1,1)模型作为研究模型。本文的研究模型如下：根据MDH理论，当期成交量作为新信息的替代指标，对价格波动ht具有重要影响，因此成交量可以作为外生变量直接加入GARCH模型的条件方差方程（Lamoureux和Lastrapes，1990），于是方程(7)可以表达为：（三）EGARCH模型GARCH模型隐含了这样一个假设：同等程度（即绝对值相等）的正冲击和负冲击所引起的波动（条件方差）是相同的，即条件方差对正、负冲击的反应是对称的。但是，Black（1976）注意到正面信息(实际报酬率大于预期报酬率)和负面信息(实际报酬率小于预期报酬率)对于股价波动性的明显不同，即存在着杠杆效应（LeverageEffect）。Nelson（1991）提出的指数GARCH模型（ExponentialGARCH，简称EGARCH）可以较好地模拟这种非对称性，他的研究验证了杠杆效应的存在。本文将运用EGARCH模型描述价格波动的情况。将方程(7)替换为方程(9)：三、样本选择与数据处理（二）样本期间的选择和划分样本区间确定为1997年7月2日至2002年12月31日，并进一步将其划分为三个不同的市场波动阶段，期间选取如下：盘整期：自1997年7月2日至1999年5月18日，共456组数据。基本上处于盘整状态。多头期：自1999年5月19日科技股板块带动大盘上涨至2001年6月26日股指达到历史最高点，共506组数据。上海股票市场在这段时期基本处于稳步上扬状态。空头期：从2001年6月27日大盘开始下跌到2002年12月31日，共366组数据。上海市场总体上呈现空头市场走势。（三）收益率序列的统计特征各阶段的收益率序列均有这些特征：（1）表现出正偏度，拒绝均值为零的原假设；（2）表现出过度峰度，Kurtosis>3；（3）Jarque-Bera正态检验统计量拒绝正态分布的原假设。中国股市在多头期的平均收益率明显高于其他三个时期，而空头期的平均报酬率最低且为负值。四组数据的标准差反映出中国股市在空头期的波动性更大，而盘整期的波动最小。图中盘整期的偏度为负值，其他为正值，且空头和多头期的数值较大。从峰度的数据来看，四个时期收益率的分布均呈现明显的厚尾特征，并且在均值处的波峰很尖。Jarque-Bera正态检验的结果证实了股票指数每日收益的分布不是正态分布。收益率序列的相关性检验由表1-4发现，在大部分时滞上，各样本期收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具自相关，因此，在条件期望方程中不需要引入自相关性的描述部分，而是采用ARMA（0,0）的形式，收益率可以用方程(6)表示。Ljung-Box-PierceQ检验的结果说明收益率序列不存在明显的序列相关。但是收益率平方序列具有很强的序列相关性。对收益率序列的ARCH—LM检验，证实收益率的二阶矩存在显著的ARCH效应，因此，用GARCH建模是合适的。（四）成交量的调整为了将内生增长从序列中剔除，本文先对成交量取自然对数，而后做散点图，发现对数成交量近似呈现线性趋势。然后使用简单但较为有效的50阶移动平均法生成对数成交量的长期趋势，再从对数成交量中剔除长期趋势。对剔除后的序列进行平稳性检验。结果表明：该序列能显著通过ADF单位根检验，存在单位根的原假设被拒绝，说明去除长期增长趋势的对数成交量序列是平稳序列，将该序列作为本文使用的成交量数据。四、实证研究结果在不包含成交量的GARCH(1,1)模型中：在全样本期，α1+β1接近于1，说明股市具有很强的波动持续性；在盘整期，ARCH效应并不明显；在多头期，ARCH效应十分明显，其波动展现出很强的持续性和聚类性；在空头期，α1+β1的系数和略大于1，表明空头期收益率序列的条件方差不能满足平稳性要求，说明在市场下跌阶段，预测价格波动仅仅依靠过去方差的记忆是不够的，还存在“其他未知的影响市场变动的因素”。在包含成交量的GARCH(1,1)模型中：我们发现在三种市场态势中，成交量系数γ在1%的显著性水平上均为正值，说明中国股市的价格波动与成交量显著正相关，成交量代表的市场新信息流对价格波动存在显著的当期效应。加入成交量之后，盘整期、多头期乃至全样本期，持续性参数（α1+β1）都几乎保持不