滬深股市收益和風險分析

摘要：通過采用ECM模型及GARCH模型對滬深股市進行了研究，結果發現兩市波動性存在非對稱性和杠桿效應，滬深兩市對的利空消息反應均大于利好消息的反應，但是深市風險大于滬市風險，當然其收益率也比較高。

關鍵詞：收益；風險；誤差修正模型；滬深股市

中圖分類號：F830.91文獻標志碼：A文章編號：1673-291X（2011）10-0076-02

引言

中國A股市場經過十幾年的發展，市場逐漸在規范，但是上市公司整體所表現出來的股市市值規模仍然較小，2005年開始的股權分置改革，使A股市場的發展迎來了新的機遇，走出了多年的熊市，有了較快的發展，處于上升的行情之中，但是與之相伴的卻是股市激烈的波動。此外，由于諸多因素的影響和限制，中國A股市場投機氣氛較濃。自從2008年世界金融危機以來，股市還出現了市場不確定性因素增多和市場風險加劇的趨勢。

當前出現了大量的研究資產收益率方面的文獻，有的定量研究波動性的非對稱反應機制（李珠，呂明光，2001；胡永紅，陸忠華，2005；周立、王東，2005），有的對波動性的形成方式與來源進行了分解（仲黎明等，2003；樊智、張世英，2005），有的研究了兩市IPO的版塊效應（王燕鳴、楚慶豐，2009），這些研究具有一定的針對性，對我們研究金融市場運行機制與風險控制具有一定的啟發意義。此外，有Engle等人開創ARCH和GRACH計量（Engel，1982），Grange（1988）的因果檢驗已經用在了許多經濟金融模型檢驗中（如高輝、趙敬文，2006），使研究者對金融市場有了更多的認識。

本文主要采用誤差修正模型（Error correct model）即ECM模型，檢驗兩市短期波動模式的異同，判斷兩市對市場沖擊的短期調整及反應程度，描述兩市向均衡收斂的過程。同時利用兩種Garch模型檢驗兩市波動性之間的關系，判斷兩市的風險特征與風險轉移過程，檢驗兩市之間的“溢出效應”（spillover effect）和“杠桿效應”（leverage effect）。

一、變量選擇和數據處理

在現有的可以衡量滬深股市的指數中，我們分別選擇了上證A股綜合指數和深圳A股綜合指數作為指標。樣本時間的選擇，我們選擇從2006年2月17日至2007年11月1日，這段時間，剔除節假日，共計樣本416個。

我們將股市指數收益率Rt定義為股票指數的對數的一階差分：Rt=ln（Pt）-ln（Pt-1），其中Pt是股票指數價格。當股票指數波動不是十分劇烈的時候，它近似等于股票指數的日收益率，對應著股票市場的整體收益水平。

許多的學者研究結果傾向表明中國股市處于弱有效形式（王智波，2004；黃澤先等，2008）。因此，本文對股票指數收益率序列Rt、股票指數絕對日收益率序列|Rt|、日均方收益率序列R2t的變化情況進行考察。當樣本容量比較大的時候，根據大數定理與市場弱型有效，可知樣本區間的整體收益率均值為：Rt=Rt≈0，其中T是樣本容量。假設εt表示滬深兩市A股指數日收益率與樣本均值的偏離，則有εt=Rt-Rt≈Rt，εt=Rt-≈Rt，ε2t=（Rt-Rt）2≈R2t。

因此，滬深兩市A股指數日收益率Rt、日絕對收益率Rt、日均方收益率R2t分別表示股指收益率分別圍繞均值的雙向變動，絕對變動，均方波動，他們體現了波動性逐漸增強的特點。

二、模型的建立

通過對滬深股市價格指數和收益率作單位根檢驗，Granger因果關系檢驗和協整檢驗，我們發現：（1）滬指和深指對數序列均為一階單整I（1），指數收益率序列為平穩序列；（2）上海股票市場指數是深圳股市指數的Granger原因，但反之不成立；（3）滬深股指之間存在著協整關系（檢驗結果在附錄）。基于檢驗結果，本文可以建立以下模型：

（一）誤差修正模型

通過平穩檢驗，可以對滬深股指的收益率序列間建立誤差修正模型，結果如下：

Rsht=0.7884Rszt+0.0957Rsh t-1+0.0288Rsh t-2-0.0974Rsz t-1-0.0787Rsz t-2-

0.0006+εsh t

（41.6471） （1.9558） （0.58988） （-2.26068） （-1.82970）

（-1.15173）

Rszt=01.0273Rsht+0.1121Rsz t-1+0.0577Rsz t-2-0.1128Rsht-1-0.0191Rsht-2-

0.0002+εsz t

（41.6471）（2.2821）（1.1734）（-2.02089）（-0.34466）

（-0.46366） （1）

其中，sh表示上海綜指，sz表示深圳綜指，t表示時間，t-1表示t期滯后一階。根據上述誤差修正方程計算，如果仍然引入非顯著的回歸項，那么求解收益率序列的無條件數學期望，可以得到兩市收益率水平分別為：=0.00371，=0.00428。可見兩市的長期收益率有顯著差異。兩市收益率均受到長期均衡關系的顯著影響，但是修正項對滬深股市收益率是負的邊際貢獻。在ECM模型中，存在滬深兩市股票價格收益率的交互影響，因為滯后系數出現部分顯著與不顯著，體現了短期波動之間的相互影響。

因此，ECM模型表明，滬深兩市股票收益率之間存在長期的協整趨勢，但是它們的短期波動過程存在著相異的波動模式。

（二）GARCH模型和溢出效應模型的估計與檢驗

我們采用GARCH模型檢驗收益率序列的條件異方差性，首先利用偏自相關函數（PACF）和自相關函數（ACF）決定均值方程中的AR過程與MA過程的階數，然后根據絕對殘差序列的特性，然后確定方差方程中的ARCH 項和GARCH項的階數。在經過不斷試錯的情況下，GARCH（1，1）都能比較好地進行解釋，其SC和AIC值也比較小。

滬深市場的GARCH－M模型和溢出效應模型估計（括號中為Z統計量值）：

Rsht=0.1789Rsht-0.0597Rsh t-1+ε t

（3.338219） （1.15366）（2）

hsht=0.0000105-0.08（εsht-1）2+0.899hsht-1

（1.7415）（3.6922） （31.7933）

Rszt=0.18Rszt-0.0122Rsz t-1+ε t

（3.5721） （0.2446） （3）

hszt=0.00005-0.08（εsht-1）2+0.899hsht

（1.75）（3.66） （31.71）

上述GARCH－M模型的均值方程和溢出效應模型估計結果顯示，中國滬深股市存在一定的風險，波動性增加了當前收益率；兩市的風險激勵0.18和0.1789相近，且兩市都存在顯著的正向風險溢價。風險與收益相伴，高收益，伴隨著高風險，高風險也伴隨著高收益，體現出兩個市場上的投資者都有一定程度的風險偏好。以上情況也表明：中國滬深股市經過近幾年來的發展，已經逐漸成熟，成交量放大，其收益率水平和波動性能夠起到一定的示范作用，其波動性形成了一定程度的“溢出效應”。

（三）杠桿效應模型估計

滬深股市A股指數的T-GARCH模型估計結果為（括號中為Z統計量值）：

Rsht=0.2094hsht-0.0433Rsh t-1+ε t

（3.7429） （0.8633）

hsht=0.133762（εsht-1）2+0.932536hsht-1-0.102942Dsht（εsh t-1）2

（-2.6543） （4）

Rszt=0.2019hszt-0.0433Rsz t-1+ε t

（3.823） （0.1687）

hszt=0.1028（εsz t-1）2+0.9363hszt-1-0.7956Dszt（εsz t-1）2

（-2.4389） （5）

從上述估計結果中可以看出，啞變量前的系數均為負值，并且在5%均十分顯著，說明兩市存在的“杠桿效應”十分顯著，市場利空消息的影響明顯強于利好消息的影響。這是中國滬深股市波動性的重要特征，也和國內其他學者的研究及國外學者對股市研究相一致。雖然對滬深兩市的影響因素來源基本相同，但由于兩市上市公司結構差異較大，滬市主要側重大型國企，而深市則側重中小板塊，因此，企業規模的差異也影響了兩市波動性的程度，即波動性的非對稱性程度并不一致，且差異較大（由啞變量的系數大小0.102942和0.7956可以看出），滬市受利空消息影響的波動程度明顯比深市要好很多。

結論

我們通過ECM模型和GARCH模型，分析中國滬深兩市的關聯性，也對收益率和波動性進行統計檢驗，得到的結論上面已經有了說明，下面總結如下：

首先，通過ECM模型，我們認為滬深兩市的長期收益率幾乎沒有顯著差異。兩市收益率均受到長期均衡關系的顯著影響，同時修正項為負的，這一反饋機制起到了保持長期均衡的作用。其次，我們發現，滬深兩市指數收益率和波動性之中存在較為明顯的非線性與非對稱性。GARCH模型中顯著的ARCH和GARCH項表明，兩市的收益率序列存在一定的波動聚類與持續性。GARCH-M模型估計結果顯示，市場存在一定的風險溢價，波動性增加了當前收益率。其中兩地存在著相似的的風險溢價，且風險溢價是正向的，兩個市場上的投資者都有一定程度的風險偏好。最后，通過T-GARCH模型檢驗結果，看到兩市存在一定的“杠桿效應”，市場利好消息的影響弱于利空消息的影響，市場的波動性對消息影響呈現一定程度的非對稱性。兩市存在的利空消息均大于利多消息的作用，尤其是受利空消息的影響時，深市的波動幅度明顯大于滬市。

參考文獻：

[1]樊智，張世英.非線性協整建模研究及滬深股市實證分析[J].管理科學學報，2005，(2).

[2]高輝，趙進文.期貨價格收益率與波動性的實證研究[J].財經問題研究，2007，(2).

[3]黃澤先，曾令華，江群.市場有效性傳統及其演進和反思[J].數量經濟技術經濟研究，2008，(2).

[4]胡永宏，陸忠華.滬深股市杠桿效應的實證分析[J].數學的實踐與認識，2005，(3).

[5]李姝，呂光明.中國股市股價指數變動的協整研究[J].遼寧師范大學學報，2001，(9).

[6]史代敏.滬深股市股指波動的協整性研究[J].數量經濟技術經濟研究，2002，(9).

[7]王智波.1970年以后的有效市場假說[J].世界經濟，2004，(8).

[8]王燕鳴，楚慶豐.滬深股市IPO行業版塊研究[J].金融研究，2009，(1).

[9]仲黎明，劉海龍，吳沖鋒.深發展與深成指協整和引導關系的實證檢驗[J].預測，2003，(2).

[10]周立，王東.滬深股市的互動[J].統計與決策，2005，(8).

[11]Engle.R，1982，“Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation”，Economitrics，Volume 50，Issue 4，pp：987-1007.

[12]Granger.C，1980，“Testing for causality： A personal viewpoint”，Journal of Economic Dynamics and Control，Volume 2，Issue 1，pp： 329-352.

[13]Johansen，S.1988，“Statistical Analysis of Cointegration Vectors”，Journal of Economic Dynamics and Control，Volume 12，Issue 2-3，pp：231-254.[責任編輯 陳麗敏]