中國股票交易場所的主要事件

導語：中國股票交易場所的主要事件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。

基于信息沖擊分布特征的實證研究

內容摘要：本文研究了中國股票市場的信息沖擊和產生這些信息沖擊的重要事件。在嚴格檢驗分布的共軛性的基礎上，利用廣義誤差分布來識別信息沖擊最為劇烈的時期，并分析這些時期的重要事件。分布檢驗運用了CHENG(2002)提出的基于GARCH模型殘差的特征函數的檢驗方法。主要結論歸納為：我國股市的信息沖擊具有高峰厚尾特征，但其變化服從正態分布，其中最重要的信息沖擊來源于宏觀經濟；政府救市往往發生在信息沖擊最劇烈的時期，且起到了穩定股市的積極作用；基于股市波動最小化的原則，政策延續性比政策本身更加重要。

關鍵詞：信息沖擊；GARCH模型；廣義誤差分布；“5.19”事件

一、前言

我國股票市場成立以來發生了一些重要事件。1997年以來，國內股市已經發生的重要事件包括“5.19”事件、國有股減持、國有股減持停止、B股對境內投資者開放、開設中小企業板塊等等。這些事件引起了股票市場的大幅波動，其中一些事件改變了股市趨勢，時至今日仍然是證券市場的熱門話題。研究它們對深入了解中國股市的運行規律具有重要的理論、現實和政策意義，然而，目前仍然存在如下一些模糊認識：對中國股市影響最大的事件具有什么樣的特征？這些事件的條件和概率是什么?如何客觀評價“5.19”事件對國內股市的影響？等等。本文試圖通過分析股市信息沖擊的分布特征來澄清這些問題。

目前研究中國股市重要事件的文獻就方法而言，主要可以分為兩類，一類是事件窗方法，另一種方法是GARCH類模型或者SV模型（隨機波動模型）。事件窗方法從已知事件出發，判斷股市收益率的分布形態在事件前后是否發生了變化，如果發生了變化，則認為事件產生了重要影響，否則認為事件是不重要的，在實證方面，范龍振等(2001)研究了轉配股上市事件的影響，樓迎軍（2002）研究了B股對境內投資者開放事件的影響，劉力等（2004）研究了股票名稱變更事件的市場反應，等等。該方法的局限性在于主要針對特定事件進行研究，無法窮盡所有可能（隱蔽）的重要事件，更重要的是，它無法判斷事件對股市的影響方向，難以明確肯定事件起到了穩定股市或增加股市波動性的作用。GARCH類模型或者SV模型是一類廣泛應用于金融現象研究的模型,但這一方法的研究重點是股票價格的形成過程，對信息沖擊和重要事件并沒有作太多的深入探討，目前這方面的論文很多，見張思奇等（2001）、胡海鵬等（2002）、陳健(2003)等等，其中一些研究存在瑕疵，徐龍炳（1999，2001），莫揚（2004）做了評論。本文運用GARCH類模型對上證指數進行實證研究，但研究重心從股票價格的形成過程轉移到信息沖擊和重要事件方面，通過詳細檢驗和分析標準差序列的分布特征來識別最為強烈的信息沖擊，并分析產生這些信息沖擊的重要事件。這一方法正好是事件窗方法的逆方法，但避免了它的局限性，在方法論上具有一定的借鑒意義。對分布的檢驗運用了CHENG(2002)提出的一種基于殘差分布的特征函數的檢驗方法，發現GED和t分布是合理的。主要結論為：我國股市的信息沖擊具有高峰厚尾特征，但其變化服從正態分布，其中最重要的信息沖擊來源于宏觀經濟；政府救市往往發生在信息沖擊最劇烈的時期，且起到了穩定股市的積極作用；基于股市波動最小化的原則，政策延續性比政策本身更加重要。

二、條件概率分布的共軛性檢驗

Engle(1982)和Bollerslev(1986)先后提出了ARCH(自回歸條件異方差)和GARCH(廣義自回歸條件異方差)模型，以模擬金融時間序列分布的波動集群特征（volatilityclustering）。參數型GARCH模型的表達式為：

其中為股票收益率序列，由收益率的滯后序列和其他外生解釋變量組成，是在t期的條件均值，是在t期的條件方差，是未知參數。Nelson(1991)提出了EGARCH模型，該模型模擬了分布的有偏性，而且相對GARCH模型具有放寬參數限制和方差的動態模型更為靈活等優點，在實踐中被證明具有很好的預測能力。本文選擇了EGARCH模型，設條件均值方程為：

其中為表示星期日數（weekdays）的虛擬變量，包括了周日和周末效應。條件方差方程為：

其中參數描述了收益率的波動集群現象，參數模擬分布的有偏性，參數描述了星期效應。方程（2）（3）構成了的數據生成過程（Datagenerateprocess，簡稱DGP），是GARCH類模型估計的重點。由于DGP可以利用一定方法估計出來，并被市場預期，因此實際是證券市場的公開信息或者半公開信息，最終將反映在股票價格當中。是均值為0，方差為1的標準新息過程。的概率分布刻畫了證券市場的信息沖擊的特征。分析股市的重要事件，必然要從異常信息沖擊開始，可見的概率分布而不是DGP是本文分析的重點，接下來考慮四種概率分布對模擬中國股市的適用性。

GARCH模型最常采用的分布假定是標準正態分布，其密度函數為：

標準正態分布的含義是，每一時刻的信息沖擊都是獨立同分布（i.i.d）的隨機變量,且不同時刻的信息沖擊相互獨立，這意味著信息沖擊在整個期間內是均勻分布的，然而，Mandelbrot(1963)發現許多金融變量的分布有高峰厚尾特征（leptokurtosisandfat-tail），且其峰度往往要遠大于3，因此正態分布與實際情況不符，但為了與其他分布對比，下文仍然保留了對正態分布的分析。關于的其他分布包括了廣義誤差分布（GED），logistic分布、t分布。t分布的密度函數為：

邏輯斯特分布（logisticdistribution）的密度函數為

廣義誤差分布是正態分布的擴展，其密度函數為：

其中Γ（.）是Γ函數，λ為一常數，。v是一個正的參數，決定著尾部的厚度。當v=2，λ=1時，上式退化為標準正態分布的密度函數，如果v<2，那么其密度就比正態分布有更厚的尾部，如果v>2，那么它就有更薄的尾部。已知股市收益率的分布有明顯的“高峰厚尾”特征，因此預期v值將小于2。

BOXandPierce(1970)提出的Q統計量和BrockDechertandScheinkman(1987)提出的BDS統計量是診斷GARCH類模型最常用的兩個指標。Q統計量主要用于檢驗時間序列的序列相關性，如果時間序列是獨立同分布（i.i.d）的，那么它的平方序列也應該是i.i.d的，因此，Q統計量實際可檢驗殘差序列的獨立性。BDS檢驗的基本思想是，如果是i.i.d過程，那么任意兩個相異之間的距離小于特定值的概率為常數。在實踐中，BDS往往用于檢驗Q統計量沒有檢測到的序列相關性。如果模型通過了這兩個檢驗，一般認為DGP已經正確設定了。

然而，Q檢驗和BDS檢驗僅僅檢驗了i.i.d性質，這對判斷的分布的合理性是遠遠不夠的。依據Bayes學派的觀點，的分布應為共軛分布，即其先驗分布與標準差序列的實際分布（后驗分布）應當為同一種概率分布。如果設定的分布是非共軛的，那么模型將存在檢驗假設和檢驗結果之間的邏輯矛盾，國內采用GARCH模型的很多研究均存在這一瑕疵。為了避免這一問題，下面考慮條件分布的共軛性檢驗。Jarque-Bera(1980)檢驗是最常見的檢驗概率分布的統計量，但這一檢驗僅適合于高斯分布。為了檢驗其他分布設定，文獻中最常采用的是Kolmogorov-Smirnov檢驗和Pearson的檢驗，或者檢驗擬合優度的其他經典方法，但這些方法不一定適合于條件異方差模型（ARCHMODEL）的檢驗。首先，多數經典方法均是基于無條件的分布檢驗，而GARCH類模型是一類條件期望和條件方差方程。其次，很多方法具有特定的內容，由于利用了很少的信息來判斷兩個分布是否一致，因此不適合于嚴格的統計檢驗。比如，Kolmogorov-Smirnov檢驗提示人們若干總體的中心可能不全相等，但這些總體在除中心之外的其他方面可能存在差異，因此，通過KS檢驗并不能嚴格說明它們的概率分布是一致的。最后，這些方法要求標準差序列為i.i.d，且參數較為簡單，但實際上，非高斯分布還很可能含有其他未知的參數，而且Q統計量和BDS統計量只能提供對標準差序列的i.i.d性質的有限保證，。為了避免經典方法可能存在的問題，下面介紹Chen(2002，2004)提出的一種基于GARCH模型殘差分布的特征函數的檢驗辦法。

任意隨機變量的的概率分布F的特征函數均可以表示如下：

其中虛數部分決定了分布的對稱性，實數部分決定了分布的離散程度。如果F是一個對稱分布，那么有，這一條件等價于，即特征函數是一個實函數和偶函數，Lucas(1970)。設>0為權重函數，滿足條件以及下式

對分布F定義對稱性指標和離散度指標如下：

其中，如果F是對稱分布，很容易推出。用于甄別大小不同的在對稱性和離散度方面的差異，如設，則，，在時取得極大值，隨著的增大而下降，因此對值的選擇可以控制、的大小，以體現較大值和較小值在對稱性和離散性方面的差異。

設F是GARCH模型設定的先驗分布，G（.，k）為殘差的實際概率分布(后驗概率分布)，其中k是未知的參數，用F模擬G（.，k），如果F與G（.，k）互為共軛分布，這意味著二者具有相同的特征函數（由（8）式表示），因此根據（9）式計算的對稱性和離散性指標不應當存在具有統計顯著性的差異。具體方法是，為了檢驗F與G（.，k）是否互為共軛分布，可以根據F計算出的對稱性指標和離散度指標是否接近于根據G計算出的對稱性指標和離散度指標來實現，其中為在拔靴法（bootstrapt）的在第t次重新抽樣中獲得的偽隨機數（pseuaderandom），R表示重新抽樣（Resample）的次數。Chen(2002)證明，當R趨于無窮大時，統計量漸近趨于正態分布，其中是向量矩陣的漸近協方差。相應的，統計量漸近服從自由度為2的分布，其中是的一致估計量。由于比較了兩個總體的特征函數的差異，因此它利用了分布的全部信息而不是部分信息，對兩個總體是否服從同一種分布形態的檢驗是嚴格的。而且這一方法對G與F具體為哪一種概率分布沒有要求，因此避免了對總體的分布設定錯誤的影響，具有較好的穩健性。

三、實證研究

(一)樣本區間和數據說明

以上證綜指每日收盤指數為研究對象，數據來源于中國證券市場網，樣本區間為1997年1月2日到2005年4月29日，共計1982個有效樣本。按照公式建立日收益序列，其中為日收盤指數，用Augunmented-DickyFuller方法檢驗收益率序列的單位根，結果拒絕單位根存在的假設，說明收益率序列是平穩的。設定虛擬變量（i=1，2，3，4，5）來消除weekdays對股價的干擾，的賦值規則如下：當交易日為星期i時，設相應的的為1，其余的數值設為0。

(二)實證結果及檢驗

方程（2）（3）構成了本文的計量模型，分別考慮設服從正態分布、Logistic分布、t分布和廣義誤差分布的情況。應用QMEL（偽極大似然法）估計正態分布假定的參數，極大似然法(Most-Likelihood)估計其他分布假定的參數，估計結果見表一，軟件為eviews。

表一、參數估計結果

參數GEDTLogisticNORMAL

GARCH0.1288（3.801）0.2117(3.33)0.3862(3.29)0.1283(2.80)

W20.1213（3.30）0.1044(2.75)0.1130(2.81)0.0900(2.08)

C-0.1298（-4.83）-0.2087(-4.24)-0.1184(-4.34)-0.1287(-3.41)

AR(3)0.0489（2.35）0.0656(3.13)0.0567(2.60)-

MA(21)-0.0532（3.09）-0.0520(-2.95)-0.0563(-3.13)-0.0607(-2.90)

δ0-0.1905（-4.30）-0.1717(-3.69)-0.3700(-3.61)-0.2533(-3.74)

δ110.2724（8.04）0.2740(8.14)0.1945(6.21)0.2925(7.09)

δ21-0.0606（-3.16）-0.0800(-3.97)-0.0449(-2.60)-0.0386(-1.02)

δ310.9467（77.54）0.9432(75.21)0.9315(60.1)0.9466(69.48)

δ410.2078*（1.70）-0.3005(2.64)0.3256(2.01)

δ42-0.3398（-2.93）-0.3926(-3.17)-0.3297(-2.37)-

參數1.1980（28.39）4.7607

AIC2.49422.48532.57212.5844

上表顯示，不同分布估計出的參數較為接近，說明股指收益率的DGP大致相同，EGARCH過程的參數都非常顯著，說明股市波動存在波動集束現象，有偏性特征。

表二、獨立性診斷結果

Q(10)Q(20)Q^2(10)Q^2(20)BDS(2)BDS(3)BDS(4)BDS(5)BDS(6)

GED7.527318.324.468.440.0003610.0004140.0018180.0020930.001053

T7.201618.0013.93087.22310.000550.0005240.0017440.0019490.00099

NORMAL7.972719.085.672311.1310.00023300.0011050.0013270.00036

LOGISTIC8.841219.2665.337913.136-0.00049-0.000390.0014860.0021680.00123

對所有殘差序列進行獨立性的診斷檢驗，原假設H0為：Zt～iid。表二中的Q（10）、Q（20）分別是殘差序列滯后10期和20期的Ljung-BoxQ統計量，Q^（20）是殘差的平方序列滯后20期的Ljung-BoxQ統計量，BDS（i）(i=2,…,6)為2到6個自由度的BDS統計量，所有Q統計量和Q平方統計量、BDS統計量均不顯著，因此接受原假設，即殘差項已經是i.i.d過程。用Lagrange-multiplier方法檢驗各殘差項的異方差性，結果顯示所有殘差項都不存在明顯的異方差，ARCH現象已被消除。

用D統計量檢驗分布的共軛性，原假設H0為：先驗分布與標準差序列的實際分布的特征函數相同。應用拔靴法計算各殘差序列的對稱性指標和分散性指標，重新抽樣次數分別設為R＝500，1000，2000，權重系數β分別設為1，2，計算結果列于表三。

表三分布共軛性的診斷結果

b=1b=2

T=500T=1000T=2000T=500T=1000T=2000

Ged0.18690.14900.18230.18880.16380.1577

T0.37410.47740.44090.16270.19600.2212

Logistic28.556**28.5779**28.3700**28.2266**28.4974**28.4367**

Normal28.2553**28.3415**28.6309**28.0101**27.6788**27.8524**

如表所示，D統計量在1%的顯著性水平上拒絕了logistic分布和標準正態分布的原假設，但沒有拒絕GED和t分布的原假設，說明logistic分布和標準正態分布為非共軛分布，不適合于模擬上證指數，GED和t分布為共軛分布，應該選擇GED或t分布。為了獲得這一結論的直觀印象，圖一繪出了它們模擬標準差序列的真實密度函數（用kernel表示）的情況。如圖所示，標準正態分布和logistic分布模擬的密度函數與kernel曲線存在較大差距，相對而言具有“低峰厚尾”特征，尤其logistic分布的這一特征異常明顯，說明logistic分布較標準正態分布更不適合于模擬中國股市數據；GED和t分布模擬的密度函數幾乎與kernel曲線重合，說明它們的模擬效果很好。

綜合以上診斷結果，GED和t分布通過了獨立性和共軛性檢驗，是合理的。我國股市的v值非常顯著(見表一)，其數值(1.198)遠小于2。GED的參數v描述了分布的“厚尾”程度，v的數值越小，出現強烈的信息沖擊的概率越高，在多數情況下，這是由于股市發生了無法預期的重要事件造成的，因此，我們可以通過v值的變化來研究各個時期的重要事件。

四、分析重要事件

采用移動子樣本的辦法獲得v值隨時間變化的信息。基于統計顯著性的考慮，選取子樣本的容量為24個月的數據，依月度移動，例如，第一個子樣本區間為1997年1月到1998年12月，第二個子樣本區間為1997年2月到1999年1月，依次類推。按照這一方法可以得到76個子樣本，每一個子樣本進行一次回歸，共計得到76個v值。運用如下方法來判斷股市的重要事件:如果相鄰子樣本的v值發生了顯著變化，這意味著股票市場必然發生了某一重要事件，引起了信息沖擊的異常變化，由于相鄰子樣本數據的差異僅僅在于前一子樣本的第一個月和后一子樣本的最后一個月（兩者相隔25個月），因此，重要事件必然發生在這兩個月份或者其中之一。這正好是事件窗方法的逆方法，但沒有遺漏引起信息沖擊異常變化的任何事件，而且，根據v值大小及其經驗分布還可以進一步判斷事件的影響方向及出現概率。有必要說明的是，DGP的結構變化不會影響這一方法的可靠性。一方面，孫金麗和張世英（2003），佟孟華等（2004）發現我國股市的DGP在1997年以后一直保持結構穩定；另一方面，本文采用移動子樣本的辦法計算v值，實際已經消除了可能存在的DGP結構變化導致的v值失真。

計量模型由方程（1）（2）組成，采取GED為先驗分布，對所有76個子樣本進行回歸，計算結果用圖二表示。這些v值的JB統計量為0.574，說明它們服從正態分布，。如果把v視為隨機變量，則它偏離均值－標準差的概率小于15.87％，偏離均值標準差的概率小于2.28％。圖二用A到F標出了顯著偏離均值的六個點，其中A、E點的v值小于均值標準差，為典型的小概率事件，C點v值小于均值－標準差，D點v值接近均值－標準差,由于這四個點向下偏離均值，說明出現強烈的信息沖擊的概率上升，因此值得特別關注。

表四重要事件列表

異常點月份重要事件月份重要事件

A/B1997年5月無1999年5月份5?19行情

C1999年6月無2001年6月份2001年06月14日，國有股減持籌建社保資金辦法出臺

D2002年6月2002年6月23日，停止國有股減持2004年6月無

表四列出了與A、B、C、D點對應的重要事件。如表所示，1999年5月份發生的“5.19事件”，應是A/B點的v值異常的原因。“5.19事件”前后v值從A點跳到B點，在短短兩個月內上升45%，變動幅度之大在樣本區間內絕無僅有，因此這一事件是1997年以后對股市影響最大的事件。從圖二來看，A點以前的五個點的v值均很低，說明我國股市的信息沖擊最為強烈的時期為1999年5月以前，“5.19事件”迫使v值上升而不是下降，說明強烈信息沖擊的概率下降，換言之,股市的自發波動性減弱，可見“5.19事件”實際起到了穩定股市的作用；c點的v值異常說明1999年6月或者2001年6月份可能存在重要事件，由于c點以前的v值呈下降趨勢，以后的v值呈上升趨勢，因此2001年6月份的“國有股減持事件”是造成異常波動的原因；D點說明2002年6月或者2004年6月出現了異常，由于2004年6月沒有特殊事件，因此2002年6月的“停止國有股減持”事件是造成v值異常的原因，由于E點的v值小于均值標準差，從偏離均值的程度看，“停止國有股減持”事件還是影響僅次于“5.19事件”的事件。

五、結論

綜上所述，得到以下幾個結論：

首先，我國股市最強烈的信息沖擊來自于宏觀經濟，為“股市是宏觀經濟的晴雨表”提供了一種詮釋。股市存在異常強烈的信息沖擊在世界各國都是一個普遍現象，但中國的情況特別嚴重,來自于宏觀經濟的事件是造成這種情況的主要原因。“5.19事件”和“國有股減持”事件都是源自于宏觀經濟的事件,前者產生的信息沖擊的概率小于2.28％，是典型的小概率事件，后者產生的信息沖擊的概率小于15.87%，均超出了國內股市的運行常態，甚難被市場預期。“5.19事件”的初衷是為了激活當時處于極度低迷狀態的國內股票市場，為國內經濟增長和國企改革服務，“5.19事件”以后股市出現了一段繁榮時期，股市的融資額和入市資金都大幅增長，這對當時的國內經濟增長和經濟改革起到了積極作用。“國有股減持”的直接目的是為社保籌集資金，間接目的是實現國有企業在合適條件下從競爭性行業的戰略退出，因此也是源于宏觀經濟的事件。除了這些事件以外，來自宏觀經濟的其他沖擊也是股市波動的重要源泉，如2004年我國能源供應相對緊張，促使煤炭、電力類上市公司的股價出現大幅上漲等等，只不過這些事件對股市的影響不如“5.19事件”和“國有股減持”事件而已。除此之外，為完善證券市場而在市場內部進行的一些改革措施，如降低交易稅費，B股市場開放，QFII，QDII，放寬股票質押貸款政策等等，盡管也是重要的信息沖擊來源,但它們的影響很難同來自宏觀經濟的沖擊相比，引起股市異常大幅的波動，甚至導致趨勢反轉。從政策面分析，我國是一個處于計劃經濟向市場經濟轉型時期的發展中大國，不確定的宏觀經濟是股市潛在的信息沖擊的來源，因此穩定股市不是僅僅通過完善證券市場建設可以完成的,而是一項長期而艱巨的工作。

其次，政府救市起到了穩定股市的積極作用。“5.19事件”和“國有股減持停止事件”是我國股市曾經發生過的政府救市事件。一些意見認為這些事件增大了國內股市的波動性，因為“5.19事件”和“國有股減持停止事件”之后股價均出現了大幅振蕩,增加了股票投資的風險,這一觀點值得商榷。一般而言,概率分布是較方差更科學的判斷波動程度的方法,如果信息沖擊的概率分布變得“峰更高，尾更厚”，那么就認為股價的自發波動變得更劇烈了。只有在少數情況下，比如假定信息沖擊服從正態分布時，均值和方差才是概率分布的合適，但我們知道股價運動不服從正態分布，而是有高峰厚尾特征,因此方差實際上不適合度量股價的波動程度。“5.19事件”和“國有股減持停止事件”確實產生了異常強烈的信息沖擊，但這并不意味著增加了股市風險,相反，v值在兩個事件之后均大幅上升，說明信息沖擊的分布形態獲得了改善，強烈的信息沖擊的概率下降,股市因此變得更加穩定。就“5.19事件”而言,我國股市的信息沖擊最為強烈的時期為1999年5月以前，“5.19事件”在整體上降低了股市的波動性,恢復了市場生機,影響持續至今。直觀來看，“5.19事件”之后，股票市場的參與者不論在層次還是在數量上都出現了質的發展，股市籌資額和投資額也創出了歷史新高，如果市場參與者是理性的，那么除了股市自發波動減弱,投資風險降低以外，很難用其他原因來解釋這一現象。此外，我們還可以初步判斷出政府救市的條件，“5.19事件”和“國有股減持停止事件”對應于圖二中的A點和E點，均是信息沖擊異常強烈且為小概率事件的時期。日前上證指數在千點附近徘徊，關于政府救市的呼聲日漸高漲起來，但目前的v值高于歷史均值（F點附近），不完全具備出現政府救市事件的條件。

再次，政策的延續性比政策本身更重要。“國有股減持”事件提供了一個有說服力的例子。“國有股減持”事件啟動了股權分置改革程序，在這一事件之后，股市從升勢轉向跌勢，而“國有股減持停止”只不過是“國有股減持”事件的延續，因此一般認為“國有股減持”事件對股市的影響較“國有股減持停止”更大。然而，“國有股減持”產生的信息沖擊反而不如“國有股減持停止”產生的信息沖擊大，可見后者對股市的影響更大，這稍微糾正了對這兩個事件的一般看法。直觀的理解是：市場參與各方沒有預期到“國有股減持”事件的后果，因此股市出現了大幅波動，但這一政策竟然會被叫停，更是出乎了普遍的預期，致使股市出現異常幅度的波動。事實上，“國有股減持停止”事件嚴重違背了中國股市的運行常態，為小概率事件沒，引起異常信息沖擊并不足為奇。從政策面分析，這里蘊含了一個富有啟發性的觀點：基于股市波動最小化的原則，政策的延續性比政策本身更為重要。

最后，有必要說明的是，中國股票市場的重大事件是一個復雜的題目，存在多種研究視角和研究方法，本文的結論仍然有待其他研究的進一步證實。此外，本文在上海股市檢驗到了顯著的風險溢價效應和ARCH現象，這是一個被以往多數文獻證實了的結論，限于篇幅，不再贅述，有興趣的讀者可以參考莫揚（2004），張思奇等（2001）的論文。

參考文獻：

莫揚（2004）：《股市波動性的國際比較研究》，《數量經濟與技術經濟研究》第10期

劉力,田雅靜(2004)：《沒有信息,也有反應:中國A股市場股票名稱變更事件的市場反應研究》,《世界經濟》第1期

孫金麗，張世英(2003)：《具有結構轉換的GARCH模型及其在中國股市中的應用》，《系統工程》第6期

徐宏源(2003)：《股市為何背離宏觀經濟》,《中國證券報》2003年08月29日第五版

胡海鵬,方兆本（2002）：《用AR-EGARCH-M模型對中國股市波動性的擬合分析》，《系統工程》第7期

徐龍炳（2001）：《中國股票市場股票收益穩態特性》，《金融研究》第6期

張思奇等（2000）:《股票市場風險、收益與市場效率:——ARMA-ARCH-M模型》，《世界經濟》第5期

1997年到2004年《中國金融統計年鑒》

Chen,Y.-T.(2003),OntheDiscriminationofCompetingGARCH-typeModelsforTaiwanStockIndexReturns,AcademiaEconomicPapers,31,pp.369--405.

ChenY.-T.,ChouR.Y.andKuanC.-M.(2000),TestingforTimeReversibilitywithoutMomentRestrictions,JournalofEconometrics,95,pp.199--218.

Nelson，DanielB.(1991),ConditionalHeteroskedasticityinAssetReturns:ANewapproach，econometrica,59,pp:347-70

Nelson，D.B.(1990),StationarityandPersistenceintheGARCH(1，1)Model，EconometricTheory，6，pp.318-334

Bollerslev(1988),OntheCorrelationStructurefortheGeneralizedAutoregressiveConditionalHeteroskedasticProcess，JournalofTimeSeriesAnalysis，9，pp.121-131

BollerslevT.(1986),Generaliedautoregressiveconditionalheteroskedasticity，JournalofEconometrics,31,pp:307-327

FamaE.F.,FisherL.,JensenM.andRollR.(1969),TheAdjustmentofStockPricestoNewInformation.,InternationalEconomicReview,10,pp.1-21.