我國股市是否有杠桿現象嗎

導語：我國股市是否有杠桿現象嗎一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：不同學者研究中國股票市場的“杠桿效應”，得出的結論并不一致。針對這一問題，本文借助于GJR-GARCH和EGARCH，以一定的樣本為初始樣本，然后逐個擴大樣本容量，研究樣本的變動對結論造成的影響，得出中國股票市場不存在“杠桿效應”的結論。

關鍵詞：GJR-GARCHEGARCH杠桿效應

一、問題的提出

金融市場的波動對投資、證券定價、風險管理和貨幣政策制定來說是至關重要的，許多學者長期關注這一問題。波動率研究領域已經形成多種波動率模型，從早期的方差標準差發展到今天的ARCH族的條件異方差模型。人們在研究中發現，金融時間序列的波動具有集群性，即隨機擾動往往在較大幅度波動后面伴隨著較大幅度的波動，在較小幅度波動之后面緊接著較小幅度的波動。早期波動率模型要求隨機擾動項是同方差，不能夠捕捉到這種現象，直到1982年Engle提出ARCH模型，后來由Bollerslev（1986）推廣形成GARCH模型。由于在ARCH和GARCH模型中，方差對不同方向的沖擊對稱地起反應，因為只有沖擊的平方映射到條件方差，結果造成上一期價格變化的符號所包含的信息被失去。Black(1976)注意到負面沖擊比同等程度的正面沖擊的波動率要高，他首次使用“杠桿效應”這一術語來描述這種現象，指的是股價變動和波動性負相關，同等強度的利空消息比利好消息導致的市場波動更大。人們做了許多研究試圖把非對稱信息包括到條件方差中，如Glosten,Jagannathan和Runkle（1993）的GJR-GARCH模型、Nelson（1990）的指數GARCH（EGARCH）模型和Zakoian(1994)的門限ARCH模型(TARCH)。許多學者嘗試用這些模型對中國證券市場實證分析，但是結果相異，具體如表1。

表1關于中國股市杠桿效應的實證研究

作者結論樣本模型

Yeh，Lee（2001）股票波動對利好消息的反應比利空消息大，沒有杠桿效應1992.5.22－1996.8.27期間的上證綜指、上海B股指數、深圳綜合指數和深圳B股指數GJR-GARCH

李勝利（2002）上證指數在空頭市場具有杠桿效應，其他時期正面消息的波動大于負面消息的波動上證綜指

多頭期：1999.5.19-2001.6.29

空頭期：1993.2.16-1994.7.30

盤整期：1994.11.1-1996.9.30GJR-GARCH

胡海鵬,方兆本

（2002）杠桿效應明顯1996.12.16—2001.9.28期間的上證綜指和深證成指EGARCH

陳千里，周少甫（2002）壞消息引起的波動比好消息要大，有杠桿效應，1997.1.3-2000.12.28期間的上證綜指TARCH，EGARCH

岳朝龍（2001）具有杠桿效應1997.9.23－1999.12.30期間的上證綜指EGARCH

從表1可以看出，許多學者借助于GJR-GARCH，EGARCH和TARCH模型對中國股票市場的“杠桿效應”進行了有益的探索，但是他們的結論并不一致，不禁產生疑問：他們所得出的不同結論，是否是由于樣本選取的不同，而得出片面的結論，也就是說，當樣本不同時，得出的結論也就不同，以至于對同一個市場的研究而得出迥然不同的結論，這樣必然會對投資組合、證券定價、風險管理造成一定的影響，會使頭寸暴露在不必要的風險中。本文將克服上述缺陷，以一定的樣本為初始樣本，然后逐個擴大樣本容量，研究樣本的變動是否會對結論造成影響，以期得出中國股票市場“杠桿效應”的一般性結論。

二、GJR-GARCH和EGARCH模型

測度非對稱信息的主要有三種模型，即GJR-GARCH模型、EGARCH模型和TARCH。TARCH模型和GJR-GARCH模型分別由Zakoian(1990)和Glosten,Jaganathan,Runkle（1993）獨立提出，二者設定比較類似，甚至有的文章把它們歸為一個模型，因此，本文僅僅使用GJR-GARCH模型。考慮一階自回歸均值收益率方程

（1）

（2）

在GJR-GARCH(1,1)模型中，條件方差滿足

（3）

這里，當時，，當時，。表明具有利好的消息或者正面沖擊，而表明具有利空的消息或負面沖擊，二者對條件方差具有不同的影響。利好消息對條件方差的影響是，而利空消息的影響是。因此，如果，我們說存在杠桿效應，如果，股票市場對好消息的反應程度高于利空消息。

EGARCH模型通過對條件方差的對數建模放松了參數約束，即（4）模型中的符號捕捉了非對稱信息的影響。若參數為負數，那么負面沖擊所引起的波動大于相同程度的正面沖擊所引起的波動；反之，若為正數，則相同程度的正沖擊所引起的波動更大；若=0，則波動性對正、負沖擊的反應是對稱的。在EGARCH模型中條件方差被表示成指數形式，因而對模型中的參數沒有任何約束，這也是EGARCH模型的一大優點。

三、數據與實證分析

1．數據描述與分析方法

由于上海股票市場和深圳股票市場受到相同政策的影響，二者之間具有聯動特征，因此，本文采用上證綜指來描述中國股市波動，考慮到波動率估計的大樣本性質，我們采用日收盤價數據。不同的交易制度下市場的波動會產生顯著的不同，不宜跨不同的交易制度選擇數據（陳珍珍和趙華，2003）。從1996年12月16日至今，中國股市實行有10％漲跌停板限制的T+1交易制度，本文數據的時間周期從1997年1月2日至2004年12月31日，共1928個日數據，數據來源于萬德資訊。交易機制的實施在很大程度上抑制了股市的暴漲暴跌現象，使股市的波動性較實施漲跌停板交易制度之前有明顯的減少，因而采用這段時間的數據能減少異常值的干擾，提高模型的擬合精度。對于股票指數收益率的計算，當研究收益率的時期行為時，常采用連續復利收益率或對數收益率。

（5）

這里表示上證綜指第期的日收益率，表示上證綜指和深證綜指第期的日收盤價。圖1分別描繪了上海股市日收盤價收益率的波動，波動具有隨時間變化的特征，有時相當穩定，有時波動異常激烈，大的波動緊隨著大的波動，形成了收益率的波動聚集性，在不同時間上收益率的波動各不相同，顯示了收益率的時變方差特征。

GJR-GARCH和EGARCH模型都是通過最大似然函數進行估計，并假定殘差服從條件正態分布。當不是正態分布時，估計量或者稱為準最大似然估計量(quasi-maximumlikelihoodestimator)。然而，金融時間序列中常常出現極端值，表現出非正態性，造成不是正態的，這時準最大似然估計量并不是有效的，它的漸進協方差矩陣也不是最小的。Bollerslev和Wooldridge(1992)描述了一種方法可以用來計算準最大似然協方差和標準誤，得到的參數估計和協方差估計仍是有效的，本文使用Bollerslev和Wooldridge(1992)程序計算穩健的t統計量。

2、GJR-GARCH和EGARCH模型的實證分析

為了消除樣本變化導致出現謬誤結論的可能性，本研究以1997年1月2日至1997年12月31日為初始樣本，記為，樣本容量234；第二個樣本在第一個樣本的基礎上增加一個數據，記為，樣本容量244；這樣……；第1685個樣本的時間從1997年1月2日至2004年12月31日，樣本容量1928。通過Eviews5.0編程分別對樣本建模，共建立1685個GJR-GARCH模型和EGARCH模型，實證分析結果分別如圖2－圖5。

四、實證結論

1．對1685個GJR-GARCH模型分析，得到股票市場GJR-GARCH模型的估計參數t統計量（圖2）和估計參數圖（圖3）。可以看出，當樣本容量較小時，系數和系數統計量較小，隨著樣本容量的擴大，兩個系數逐漸變得顯著，股票市場表現出顯著的條件異方差現象。反映非對稱信息的γ系數大于零（圖3中圖），說明中國股票市場存在杠桿效應，但是其相應的統計量（圖2中圖）幾乎完全位于1以下，中國股票市場的杠桿效應在統計上并不顯著，因此通過GJR-GARCH模型分析，中國股票市場沒有“杠桿效應”。EGARCH模型的估計參數統計量和相應的估計參數如圖4和圖5所示。雖然反映非對稱信息的系數τ幾乎完全小于零，但是它在所建立的1685個中并不顯著（圖4中圖），所以EGARCH模型的實證結論也表明中國股票市場不存在“杠桿效應”。

2．國外的許多學者對成熟股市的分析表明，成熟股市普遍存在波動的非對稱性，負沖擊對股價波動的影響大于同等幅度的正沖擊對股票市場的影響。而中國股市反映非對稱信息的系數并不顯著，中國股市不存在顯著的杠桿效應。這是因為中國股票市場不存在賣空機制，當出現利空消息時，雖然投資者預期股價將進一步下跌，但是只有持有股票的投資者對此作出反應，而其余投資者不能夠通過賣空股票作出反應，因此不會出現成熟股市顯著的杠桿效應。并且中國股市是一個新興市場，在信息分布、信息加工和信息傳遞等方面都存在著許多不足，股市波動幅度大于成熟股市，市場交易者的行為非理性和大量的噪聲交易，使證券市場價格產生劇烈波動，造成非對稱信息的影響與波動相比，作用不是十分顯著。中國股市與成熟股市相比，還有一定的距離，需要各方人士的共同培育，促進其健康成長。一方面，嚴格執行《證券法》，加強監管，加大信息披露的透明度，減少人為因素造成的劇烈波動，另一方面，盡早引入賣空機制，為投資者提供多樣化投資的機會和風險規避手段，為市場提供連續性，增加證券市場的流動性，并能夠實現證券市場的價值發現功能、優化資源配置功能。

參考文獻：

[1]Black,F.,1976,“Studiesofstockmarketvolatilitychanges[A]”.ProceedingsoftheAmericanStatisticalAssociationBusinessandEconomicStatisticsSection,AmericanStatisticalAssociation,177-181.

[2]Bollerslev,T.1986,“Generalizedautoregressiveconditionalheteroskedasticity[J]”.JournalofEconometrics,31,307-327.

[3]Bollerslev,T.,andJ.M.Wooldridge,1992,“Quasi-maximumlikelihoodestimationandinferenceindynamicmodelswithtimevaryingcovariances[J]”.EconometricReviews,11,143-172.

[4]Engle,R.F.,1982,“AutoregressiveconditionalheterskedasticitywithestimatesofthevarianceofUnitedKingdominflation[J]”.Econometrica,50,987-1007.

[5]Glosten,L.,R,Jagannathan,andD.Runkle,1993,“Ontherelationsbetweentheexpectedvalueandthevolatilityonthenominalexcessreturnsonstocks[J]”.JournalofFinance,48,1779-1801.

[6]Nelson,D.B.,1990,“Conditionalheteroskedasticityinassetreturns:anewapproach[J]”.Econometrica.59,347-370.

[7]Zakoian,J.M.,1994,“Thresholdheteroskedasticmodels[J]”.JournalofEconomicDynamicsandControl,18,931-955.

[8]Yeh,Yin-HuaandTsun-SiouLee,2000,“TheinteractionandvolatilityasymmetryofunexpectedreturnsinthegreaterChinastockmarkets[J]”.GlobalFinanceJournal,11,129-149.

[9]陳千里，周少甫.上海指數收益的波動性研究[J].數量經濟技術經濟研究，2002，（6）：122-125.

[10]陳珍珍，趙華.不同交易制度下CAPM的統計檢驗[J].廈門大學學報（哲社版），2003,(3):26-32.

[11]李勝利.中國股票市場杠桿效應研究[J].證券市場導報，2002，（10）：10-14.

[12]胡海鵬,方兆本.用AR-EGARCH-M模型對中國股市波動性的擬合分析[J].系統工程，2002，（4）：31-36.

[13]岳朝龍.上海股市收益率GARCH模型族的實證研究[J].數量經濟技術經濟研究，2001，（6）：126-129.