2021年情绪周期解释股市波动 波动的杠杆效应和股市周期.docx

2021年情绪周期解释股市波动_波动的杠杆效应和股市周期情绪周期解释股市波动_波动的杠杆效应和股市周期

　　摘要:对股市波动率的研究是研究股票市场的主要方面,而且在不一样的股市周期中股票市场的波动特征也不尽相同。对波动率的研究能够明确股市特征,把握股市动态发展趋势。利用波动特征的经典模型对沪深300指数进行波动率分析,进而探讨好消息和坏消息的波动杠杆效应的差异,而且从多头期和空头期分别进行分析,比较杠杆效应在不一样阶段的不一样特征。
　　关键词:波动率;GARCH;GJR-GARCH;t分布;杠杆效应;股市周波
　　中图分类号:文件标志码:A文章编号:1673-291X(2021)21-0057-02
　　波动率作为研究证券市场的主要方面,不管在理论研究还是实证分析全部有大量的文件。尤其是自从Engle提出ARCH模型后,有关波动率模型而衍生出的文章层出不穷。而且ARCH模型推广为GARCH模型后,产生了一个研究条件波动率的新的研究方向。
　　在波动率特征的研究方面,集聚性、尖峰态、长记忆性及不对称性已经成为了资本市场中研究波动率所普遍接收的四大特征。通常的GARCH模型就能很好地表现集聚性和尖峰态。对于不对称性的研究也由来已久,包括不对称性的模型也很多。本文以下内容就是对不对称特征进行实证分析和比较。
　　另外,因为中国股票市场起步较晚,对于引发波动的信息的反应就有很多本身的特点。同时,中国股票市场不可避免地含有一些新兴市场的特点,如小道消息频繁出现、波动比较猛烈,波动的周期性差异比较大等。这就使得其波动的特征可能会和国外市场的实证结论有所不一样,因此本文在分析了股票波动的不对称性以后,将结论在多头期和空头期进行分别进行建模分析。
　　一、文件综述
　　Engle(1982)提出了著名的ARCH模型,用以描述波动率的前后相关关系,它也能表现波动率的集聚现象。其后,Bollerslev(1986)提出了更灵活的GARCH模型,能够用更少的参数反应方差的连续性。Nelson1(1991)提出的EGARCH模型和Glosten、Jagannathan和Runkle2(1993)提出的GJR-GARCH模型能反应好消息和坏消息对波动影响。后者在描述波动的非对称行为和预计能力上全部优于前者。用于描述波动不对称性的模型还有QGARCH、TARCH、APARCH、FIEGARCH、FIAPGARCH等。
　　实证研究中发觉,模型中对残差服从正态分布的假设不如t分布有效。严定琪和李育锋3(2021)在研究沪深股市波动率的时候指出t分布在拟合效果上比正态分布更加好。本文用t分布对残差进行拟合分析。
　　对于中国股市的杠杆效应也存在大量的实证研究,陈浪南和黄杰鲲4(2021)的研究结果表明,在不一样的时间区间波动的不对称性质不一样。李胜利5(2021)的研究表明,上海股市只有在空头期才存在波动的杠杆效应和非对称反转效应,其它期间存在反向杠杆效应。陆熔和徐龙炳6(2021)的研究显示在上涨阶段存在反向杠杆效应,下跌阶段则相反。
　　二、数据及模型
　　我们选择沪深300指数从2021年4月14日至2021年3月1日的数据,以收盘价计算对数收益率。为了表现结论的显著特征,我们在计算出的对数收益率上乘以100,公式为:r=(log(p)-log(p))*100。
　　对于日收益率序