我國股市是否有杠桿現象嗎

時間:2022-04-18 05:18:00

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。

我國股市是否有杠桿現象嗎

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.