中国股票市场信息流对股价波动的影响分析.ppt

《中国股票市场信息流对股价波动的影响分析.ppt》由会员分享，可在线阅读，更多相关《中国股票市场信息流对股价波动的影响分析.ppt（38页珍藏版）》请在三一办公上搜索。

1、中国股票市场信息流对股价波动的影响分析（吴世农）,大连理工大学财务管理研究所李延喜,一、文献回顾,在股票市场上，股价的波动性特征一直是金融经济学研究的热点问题。许多股价序列都具有时变方差(Time-varying Variance)的特征，即在一些时期的波动十分剧烈，而在另一些时期的波动又相对平缓。为了刻画时间序列的这一特征，2003年诺贝尔经济学奖获得者Engle于1982 年提出了自回归条件异方差（Autoregressive ConditionalHeteroskedasticity）模型，即ARCH模型。,一、文献回顾,Bollerslev（1986）进一步提出了广义自回归条件方差（G

2、eneralized ARCH）模型，即GARCH 模型。此后，模型不断得到扩展和改进，形成了ARCH 族模型。国外学者利用这些模型进行了大量的实证研究，表明GARCH 模型及其扩展形式能有效地描述股票价格的波动性。虽然ARCH 族模型能够很好地刻画股价波动的特征，但只能说明价格波动受其自身历史波动的制约，却不能解释有哪些外生变量引起股价的波动。究竟什么因素驱动股价产生波动？根据市场微观结构理论（Theory of Microstructure），价格的波动主要是由于新的信息不断到达市场且新信息在被市场价格吸收的过程中产生的。,一、文献回顾,Clark（1973）最早提出解释股价波动和成交量相

3、关性的混合分布假说（Mixture Distribution Hypothesis）支持MDH 理论的研究Lamoureux 和Lastrapes（1990）将成交量作为信息流的替代指标，加入到GARCH 的条件方差方程中，通过对美国市场上20 只股票的分析，研究包含信息流的GARCH 模型中ARCH 效应的解释效力。认为代表市场信息流的成交量指标能够吸收大部分的ARCH 效应，成交量是由产生价格波动的相同因素驱动的。Brailsford（1996）、Phylaktis 和Kavussanos（1996）、Omran 和Mckenzie（2000）以及Marsh 和Wagner（2000）对不

4、同国家市场的实证研究都得出类似的结论。,一、文献回顾,反对MDH 理论的研究Lamoureux 和Lastrapes（1994）的研究发现，成交量的纳入并没有消除ARCH 效应的影响Sharma 等人（1996）估计了ARCH效应的解释效力，通过对纽约股票交易指数的分析，研究市场收益的分布情况。他们的研究表明即使将成交量包含在GARCH 模型中，ARCH 效应对波动性仍然具有很强的解释效力。Locke 和Sayers（1993）对S&P500 指数期货波动性的研究结论与Sharma 等人（1996）的一致，他们认为成交量代表的市场信息流最多只是有助于解释ARCH 效应。,一、文献回顾,为进一步

5、探明这一原因，日本学者Miyakosh Tatsuyoshi（2002）将东京股票指数（TOPIX）分成两个阶段进行分析，其结论不一致。Miyakosh 对这一现象进行深入的剖析，认为成交量作为信息流的代表，可以分成两部分。一部分通过自回归过程可以得到解释，另一部分则是潜在的、不可预测的信息，也就是说，当期成交量是由过去的信息和当期或未来的信息所共同决定的。因此，当期成交量既能够解释由ARCH 刻画的波动持续性即过去波动的记忆过程（Volatility Persistence），也能够说明新信息对价格波动的冲击。当成交量被结合进条件方差方程时，它所包含的旧信息被ARCH 过程吸收，因此，在包含

6、成交量的股价波动方程中，成交量代表的是到达市场的新信息，而ARCH 效应反映的是旧信息对价格波动的影响。,一、文献回顾,早在1994 年，国内学者俞乔就指出上海指数存在 ARCH 现象，其后不少学者运用不断发展的ARCH 族模型对中国股票市场的波动特征进行了初步的研究。丁华（1999），唐齐鸣等（2001），李胜利（2002）都证实了中国股市的收益率具有明显的波动聚类性（Volatility Clustering）和持续性。近年来，国内学者对量价关系的研究可以分为：股价变化的绝对量与成交量之间的关系（张维、闫冀楠，1998；陈怡玲、宋逢明，2000）股价变动与成交量之间的关系（王承炜、吴冲锋，

7、2002）和价格波动方差与成交量之间的关系（Xu，2000；赵留彦，王一鸣，2003）。吴冲锋等（2001，2002）进一步将成交量纳入股价序列中，研究成交量如何驱动价格变化。,一、文献回顾,王承炜、吴冲锋（2001）在研究A、B股互自相关中发现，A、B股在考虑成交量后的GARCH(1,1)模型结果中有所不同。李双成等（2002）的研究结果表明，在GARCH(1,1)模型中，将成交量作为信息流的替代指标能够显著降低价格波动的持续性，ARCH效应明显减弱。支持MDH理论。王春峰等（2002）运用GARCH-M模型研究深沪股市时却发现，加入成交量后，中国股票市场波动性的ARCH效应降低的程度远低于

8、国外成熟市场。,本文研究特色,研究对象有所不同将中国股票市场1997 年7月至2002 年12 月期间划分为盘整期、多头期和空头期，分别研究在三种不同市场态势中国股市的价格波动与市场信息流之间的关系。研究内容有所延伸不仅验证MDH 理论在中国股票市场是否有效，而且进一步分析了不同市场态势中股价波动究竟是受旧信息（ARCH 效应）的影响还是受新信息（当期成交量）的影响，以考察市场在不同阶段对新旧信息的吸收和反映程度。研究模型有所拓展不仅采用GARCH模型，而且采用EGARCH 模型研究信息流对股价波动的影响，从而更为全面地揭示了不同市场态势中股价波动受信息流影响的特征。,二、理论基础、研究方法与

9、模型,（一）混合分布假说（MDH）Clark（1973）提出的混合分布假说是研究价格波动与市场信息流关系的理论基础。该假说认为：价格变动和成交量是由一个潜在的、不可观测的信息流共同决定的。根据MDH 理论，股价变化的动态特征依赖于信息流达到过程的时间序列的行为。对于既定的m，中心极限定理认为日价格变动近似正态分布，其方差与m 成比例。因此，日价格变动的条件方差可以认为是到达市场的新信息的单调增函数。由此可以推断，成交量与日价格变动之间呈正相关关系。换言之，由于成交量和价格的分布都服从于信息事件数m 的随机分布，因此，成交量和价格的波动是由市场信息流联合决定。,（二）GARCH 模型Lamour

10、eux 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：,其中，r t 是日收益率；t 1是过去价格变化的条件均值；t是一日内未预期的价格变化，也是日内逐次价格变化之和；ht表示价格波动；0 0，1 和1 均 0，1+1反映了序列波动的持续性，即序列在过去时波动的大小特征在当前时刻被“继承”下来的多少，越接近于 1，“继承”的就越多，整个序列的波动就越大。偏低的情况。1和 1代表ARCH 效应，说明

11、价格的波动在很大程度上依赖于旧信息的影响。,（6）,（7）,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h t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：,其中，V t表示第t日的成交量。根据 MDH 理论，如果成交量序列存在序列相关，当 0且显著，ARCH 效应将明显减弱，甚至可能从式（8）中消失。,（8）,（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

12、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（Leverage Effect）。Nelson（1991）提出的指数GARCH 模型（Exponential GARCH，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)：,（9）,其中，1测量波动持续性；是杠杆效应系数，若为负数，且-1 0，那么负冲击所引起的波动大于相同程度的正冲击所 引起的波动；反之，若为正数，则相同程

13、度的正 冲击所引起的波动更大，若=0，则波动性对正、负冲击的反应是对称的。此外，由于在EGARCH 模型中，条件方差h t被表示成指数形式，因而对模型中的参数没有任何约束，这也是EGARCH 模型的一大优点。,三、样本选择与数据处理,（一）数据来源数据来源于香港理工大学和深圳国泰君安信息公司提供的市场交易数据库(CSMAR)，采用的样本是上海股票市场1997 年7 月2 日至2002 年12 月31 日A 股每日收盘指数和成交量的数据，共计1328 个交易日数据。股市指数收益率采用连续复利率的对数收益率即 r t=ln(P t/P t 1)*100，其中 P t为第t天的收盘指数。,（二）样本

14、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

15、：（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，Kurtosis3；（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,表1-4 分别列示各时期收益率序列和收益

16、率平方序列的自相关函数（ACF）和偏自相关函数（PACF）以及Ljung-Box-Pierce Q 检验的结果，检验收益率序列的相关性。,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-Pierce Q 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ARCHLM 检验，证实收益率的二阶矩存在显著的ARCH 效应，因此，用GARC

17、H 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,（一）GRACH 模型的估计结果利用GRACH（1,1）模型和包含成交量的GRACH（1,1）模型对上证A 股指数波动的拟合结果见表6。,在不包含成交量的GAR

18、CH(1,1)模型中：在全样本期，1+1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，1+1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、

19、多头期乃至全样本期，持续性参数（1+1）都几乎保持不变，仍然十分显著，ARCH 效应和新信息流共同解释价格的波动性。但在空头期，考虑成交量之后，持续性参数从略大于1 减少为0.7014，ARCH 过程趋于平稳，说明成交量是“其他未知的影响市场变动的因素”之一。,（二）EGRACH 模型的估计结果运用EGARCH（1,1）模型和包含成交量的EGARCH（1,1）模型对股价波动的估计结果见表7。,第一，在不包含成交量的EGRACH（1,1）模型中，盘整期、多头期、空头期和全样本期的持续性参数1 均接近于1，说明中国股市具有很明显的ARCH 效应，其波动展现出很强的持续性和聚类性。其中，盘整期的持续

20、性参数相对而言仍然较低。第二，在不包含成交量EGARCH(1,1)模型中，盘整期和空头期的杠杆效应系数为负，并且大于-1，说明利空消息（负冲击）引起的股价波动大于相同程度的利好消息（正冲击）引起的股价波动，利空消息的作用大于利好消息。但在多头期，杠杆效应系数为正，说明相同程度的利好消息所引起的股价波动更为剧烈，利好消息的作用大于利空消息。此外，在空头期时，EGARCH 模型中的杠杆效应不明显。,第三，在包含成交量的EGARCH(1,1)模型中，成交量前的系数估计值均显著为正。在不同的市场态势中，成交量所代表的新信息与股价波动的相关程度并不相同：在盘整期，相关程度最低；在多头期，相关程度要高于盘

21、整期；在空头期，新信息与股价波动的正相关性最为明显。第四，在包含成交量的EGARCH(1,1)模型中，考虑成交量之后，ARCH 效应在不同市场态势中的变化程度有所不同：在盘整期和多头期，ARCH 效应几乎没有发生变化，ARCH 效应与成交量所代表的新信息流共同解释股价的波动；但在空头期，ARCH 效应显著降低，这意味着股价波动对旧信息冲击的依赖性明显减弱，新信息对当期波动的影响加强，市场对新信息的吸收更为充分有效。,在三种不同的市场态势中，新旧信息对中国股市波动的不同影响程度,五、剔除成交量时间趋势的模型及其检验,把剔除时间趋势后的成交量序列纳入GARCH（1，1）模型和EGARCH（1，1）

22、模型，估计结果如表9 和表10 所示。,从表9 和表10 可以看出：第一，无论哪个时期，无论是使用GARCH（1，1）模型或EGARCH（1，1）模型，剔除时间趋势的成交量对价格波动程度都具有显著的影响；第二，无论哪个时期，无论是使用GARCH（1，1）模型或EGARCH（1，1）模型，代表新信息的剔除时间趋势的成交量纳入模型后，都导致ARCH 效应下降，其中这种下降在空头期特别明显。成交量在剔除时间趋势后，并没有改变本文上述研究的基本结论。,六、研究结论与启示,（一）研究结论（1）中国股市的波动存在明显的“杠杆效应”，而且这种“杠杆效应”在不同市场态势中的表现有所不同。在盘整期和空头期，利空

23、消息（负冲击）比利好消息（正冲击）造成股价更大的波动；但在多头期情况恰好相反，相同程度的利好消息所引起的股价波动更为剧烈。（2）将成交量融入价格序列之后，模型结果表明在三种波动态势中国股市的价格波动与代表新信息的成交量均显著正相关，其中空头期的成交量与股价波动的相关程度最高。（3）中国股市的价格波动与新旧信息之间的关系在三种不同的市场态势中表现出二种明显的差异：在盘整期和多头期，代表旧信息的ARCH 效应与代表新信息的成交量共同解释股价的波动；但在空头期，ARCH 效应显著降低，说明股价波动对旧信息的依赖性明显减弱，新信息对当期波动的影响加强，市场对新信息的吸收更为充分有效。,（二）启示本文的研究揭示了中国股市波动性的基本特征，有助于投资者和股市监管者了解和掌握我国股市波动性的变化规律、影响因素和形成机制，对其在不同市场态势下制定相应的投资策略和风险监控具有重要的参考价值。第一，由于中国股市的波动性不但受旧信息而且受新信息成交量的影响，因此投资者在进行股市风险分析以及投资决策时应重视成交量指标和股市前期的波动性。在空头期，成交量对股市波动性影响特别显著。第二，中国股市的风险大小或波动程度是由股市的成交量和过去的波动性所共同决定的。在股市下跌过程中，代表成交量的新信息对股市的波动性影响最为显著；对比出现正面信息，在负面信息出现的情况下，股市波动更加激烈。,结束！,