結(jié)構(gòu)突變對(duì)股市收益波動(dòng)性的影響

摘要：采用修正的ICSS算法檢測(cè)我國(guó)滬深股市收益波動(dòng)的結(jié)構(gòu)突變點(diǎn)，并使用引入虛擬變量和標(biāo)準(zhǔn)差過濾的方法消除結(jié)構(gòu)突變的影響，建立GARCH和FIGARCH模型檢驗(yàn)結(jié)構(gòu)突變對(duì)我國(guó)股市收益波動(dòng)的實(shí)際影響。研究發(fā)現(xiàn)：滬深股市的收益波動(dòng)表現(xiàn)出顯著的長(zhǎng)記憶性，且結(jié)構(gòu)突變將導(dǎo)致對(duì)收益波動(dòng)長(zhǎng)記憶性的高估，表明我國(guó)股市還未達(dá)到弱式有效的水平，建立在“有效市場(chǎng)假說”基礎(chǔ)上的金融數(shù)量模型并不完全適用于我國(guó)證券市場(chǎng)；采用修正的ICSS算法能夠有效地捕捉到波動(dòng)的結(jié)構(gòu)突變點(diǎn)，引入虛擬變量和采用標(biāo)準(zhǔn)差過濾均能較好地消除結(jié)構(gòu)突變的影響，而采用標(biāo)準(zhǔn)差過濾的方法的實(shí)證效果相對(duì)更好；我國(guó)股市收益波動(dòng)存在顯著的結(jié)構(gòu)突變，且結(jié)構(gòu)突變發(fā)生的時(shí)間均與重大政策或市場(chǎng)事件相對(duì)應(yīng)，表明我國(guó)證券市場(chǎng)受到經(jīng)濟(jì)政策和市場(chǎng)活動(dòng)的影響顯著。為此，應(yīng)盡可能保持政策的相對(duì)穩(wěn)定，減少過度的行政干預(yù)，促進(jìn)股市的市場(chǎng)化運(yùn)行，并密切關(guān)注國(guó)內(nèi)外經(jīng)濟(jì)發(fā)展形勢(shì)對(duì)證券市場(chǎng)的可能沖擊。

關(guān)鍵詞：結(jié)構(gòu)突變；結(jié)構(gòu)突變點(diǎn)；股市收益；收益波動(dòng)性；波動(dòng)長(zhǎng)記憶性；波動(dòng)聚類性；日收益率；FIGARCH模型；修正的ICSS算法

中圖分類號(hào)：F830.91；F224.0 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：16748131（2013）04003810

一、引言

股市收益波動(dòng)性刻畫了收益的變動(dòng)水平，反映了投資的潛在風(fēng)險(xiǎn)，是影響投資決策的重要變量之一。準(zhǔn)確捕捉收益波動(dòng)性，對(duì)于正確評(píng)判收益水平、有效規(guī)避投資風(fēng)險(xiǎn)具有重要意義。收益波動(dòng)性的典型特征主要包括波動(dòng)聚類性與長(zhǎng)記憶性（或稱為持續(xù)性）。長(zhǎng)記憶性（long memory）反映了時(shí)間序列在一個(gè)較長(zhǎng)的時(shí)間跨度上仍然表現(xiàn)出高度的自相關(guān)性，收益波動(dòng)的長(zhǎng)記憶性表示波動(dòng)性不僅隨時(shí)間的推移而變化，而且常常在某一時(shí)間段中連續(xù)出現(xiàn)偏高或偏低的現(xiàn)象。因此，長(zhǎng)記憶性刻畫了外部沖擊對(duì)波動(dòng)性的持續(xù)影響，反映歷史信息對(duì)波動(dòng)的可預(yù)測(cè)性。如果波動(dòng)存在長(zhǎng)記憶性，則意味著可以利用歷史信息對(duì)收益波動(dòng)性進(jìn)行預(yù)測(cè)；顯然，這是對(duì)“有效市場(chǎng)假說”的背離，從而預(yù)示著建立在這一假設(shè)基礎(chǔ)上的各種金融數(shù)量模型（如資本資產(chǎn)定價(jià)模型等）的分析都將歸于無效。可見，準(zhǔn)確刻畫收益波動(dòng)性，特別是對(duì)波動(dòng)的長(zhǎng)記憶性進(jìn)行有效捕捉，對(duì)于風(fēng)險(xiǎn)評(píng)估與投資決策具有重要的現(xiàn)實(shí)指導(dǎo)價(jià)值。

對(duì)收益波動(dòng)性，特別是對(duì)波動(dòng)的長(zhǎng)記憶性的捕捉研究，需要充分關(guān)注結(jié)構(gòu)突變的影響。由重大的政策或市場(chǎng)行為所引起的結(jié)構(gòu)突變，常常對(duì)收益波動(dòng)產(chǎn)生重要影響，特別是導(dǎo)致對(duì)波動(dòng)的長(zhǎng)記憶性的高估，產(chǎn)生所謂的“偽長(zhǎng)記憶”。 McMillan等（2011）實(shí)證研究發(fā)現(xiàn)忽略結(jié)構(gòu)突變會(huì)高估波動(dòng)的長(zhǎng)記憶性，而考慮了結(jié)構(gòu)突變點(diǎn)的波動(dòng)模型則能提高對(duì)股市的預(yù)測(cè)效果。因此，圍繞股市收益波動(dòng)性的建模分析和對(duì)股市結(jié)構(gòu)突變的檢測(cè)，國(guó)內(nèi)外學(xué)者展開了豐富的研究。

張文愛：結(jié)構(gòu)突變對(duì)股市收益波動(dòng)性的影響

關(guān)于收益波動(dòng)性的研究，最早見于Engle（1982）所提出的ARCH模型，該模型將時(shí)變方差建立成歷史擾動(dòng)的函數(shù)，以反映金融時(shí)間序列的波動(dòng)性。Bollerslev（1986）提出GARCH模型后，研究股市收益波動(dòng)的理論模型不斷發(fā)展，資產(chǎn)收益的尖峰厚尾性及波動(dòng)集群性特征得到了較好的捕捉。此后，人們進(jìn)一步發(fā)現(xiàn)許多情形下條件方差過程中存在明顯的持續(xù)性，針對(duì)這一現(xiàn)象，Engle 等（1986）提出了IGARCH 模型。在IGARCH 模型中，條件方差的擾動(dòng)對(duì)未來的影響是永續(xù)的；但在實(shí)際應(yīng)用中，人們發(fā)現(xiàn)更多的情形是擾動(dòng)對(duì)于波動(dòng)性存在長(zhǎng)期但并非永續(xù)的影響，表現(xiàn)為分?jǐn)?shù)階差分平穩(wěn)，這就是波動(dòng)的長(zhǎng)記憶性。為捕捉這種長(zhǎng)記憶性，Baillie等（1996）提出了分?jǐn)?shù)階協(xié)整的GARCH模型，即FIGARCH模型。FIGARCH模型的提出，大大拓展了GARCH模型族的適用范圍，特別是在股市收益波動(dòng)的長(zhǎng)記憶性研究方面，F(xiàn)IGARCH模型得到了大量的應(yīng)用。

鑒于時(shí)間序列的結(jié)構(gòu)突變對(duì)時(shí)間序列建模分析的重要性，學(xué)者們很早就開始了對(duì)結(jié)構(gòu)突變的捕捉與分析，包括均值突變檢測(cè)和方差突變檢測(cè)。關(guān)于均值突變點(diǎn)的檢測(cè)，較經(jīng)典的有Bai 等（1998）提出的用最小二乘法估計(jì)均值突變點(diǎn)；此后，Bai等（2003）基于動(dòng)態(tài)規(guī)劃的原則提出全局最小化殘差平方和循序檢驗(yàn)法，該方法應(yīng)用更為廣泛，有效拓展了均值結(jié)構(gòu)突變的檢測(cè)方法。而關(guān)于方差結(jié)構(gòu)突變的檢測(cè)方法，最早見于Hsu 等（1974），其主要針對(duì)單個(gè)方差突變點(diǎn)進(jìn)行檢測(cè)；Brown等（1975）首次提出累積平方和（CUSUMSQ）算法，考察多個(gè)方差結(jié)構(gòu)突變點(diǎn)；Inclan 等（1994）改進(jìn)了CUSUMSQ算法，在假定殘差服從獨(dú)立正態(tài)同分布的條件下，提出迭代累計(jì)平方和（ICSS）算法；Sansó 等（2004）則進(jìn)一步放寬對(duì)殘差的假定條件，提出了修正的ICSS算法，該算法提出后，在實(shí)證研究中受到廣泛重視和運(yùn)用。Fang 等（2009）運(yùn)用修正的ICSS算法檢驗(yàn)了六個(gè)國(guó)家GDP增長(zhǎng)率序列方差的結(jié)構(gòu)突變點(diǎn)，Korkmaz 等（2009）運(yùn)用修正的ICSS算法檢驗(yàn)了伊斯坦布爾股市的突變點(diǎn)。國(guó)內(nèi)用修正的ICSS算法來考察結(jié)構(gòu)突變的文獻(xiàn)相對(duì)較少，楊成（2009）采用該算法對(duì)我國(guó)滬深A(yù)、B股四個(gè)市場(chǎng)結(jié)構(gòu)突變點(diǎn)進(jìn)行了檢驗(yàn)。

綜上所述，出于理論與實(shí)踐的重要意義，考察結(jié)構(gòu)突變對(duì)股市收益波動(dòng)影響的研究在國(guó)外方興未艾；但國(guó)內(nèi)研究相對(duì)較少，特別是采用修正的ICSS算法對(duì)結(jié)構(gòu)突變進(jìn)行識(shí)別，并檢驗(yàn)其對(duì)波動(dòng)及波動(dòng)的長(zhǎng)記憶性影響的研究尚不多見。針對(duì)這一現(xiàn)狀，本文擬在前述研究的基礎(chǔ)上，采用修正的ICSS算法對(duì)我國(guó)滬深股市波動(dòng)性的結(jié)構(gòu)突變點(diǎn)進(jìn)行識(shí)別，并建立GARCH和FIGARCH模型對(duì)經(jīng)過與未經(jīng)過修正的收益序列進(jìn)行比較，進(jìn)而檢驗(yàn)結(jié)構(gòu)突變對(duì)我國(guó)股市的波動(dòng)性，特別是波動(dòng)的長(zhǎng)記憶性的實(shí)際影響，以期能為有關(guān)研究和投資決策提供參考。

二、模型與方法

1.GARCH和FIGARCH模型

設(shè){yt}為一時(shí)間序列，則GARCH（p，q）模型（Bollerslev，1986）的一般形式表述如下：

不是以指數(shù)函數(shù)衰減，參數(shù)d反映了序列的長(zhǎng)記憶性。

2.結(jié)構(gòu)突變點(diǎn)的識(shí)別：修正ICSS算法

Inclan等（1994）提出ICSS算法，用以檢驗(yàn)隨機(jī)過程無條件方差的多個(gè)突變點(diǎn)。設(shè)時(shí)間序列{rt}，中心化后得到序列{εt}，t=1，2…，T。為了檢驗(yàn)序列無條件方差為常數(shù)的原假設(shè)，設(shè){εt}服從正態(tài)分布且相互獨(dú)立，檢驗(yàn)統(tǒng)計(jì)量為：

IT=supkT/2Dk（6）

式（6）中，Dk=CkCT-kT，D0=DT=0；Ck=kt=1ε2t，k=1，2…，T，是εt的累積平方和。在方差為常數(shù)的原假設(shè)下，IT統(tǒng)計(jì)量近似服從于一個(gè)布朗橋（Brownian Bridge）。如果IT統(tǒng)計(jì)量的值大于預(yù)先給定的臨界值D*，則拒絕原假設(shè)，表明序列{εt}至少存在一個(gè)方差突變點(diǎn)；否則接受原假設(shè)，認(rèn)為序列的方差是常數(shù)，沒有突變點(diǎn)。

ICSS算法要求{εt}服從正態(tài)分布且相互獨(dú)立，即εt～iidN（0，σ2t）。Sansó等（2004）指出，對(duì)于大量的時(shí)間序列，尤其是金融時(shí)間序列，常常具有尖峰厚尾的性質(zhì)，因此，采用IT統(tǒng)計(jì)量檢驗(yàn)突變點(diǎn)，可能造成檢驗(yàn)水平的扭曲，產(chǎn)生偽結(jié)構(gòu)突變點(diǎn)。為此，Sansó等人提出了修正的統(tǒng)計(jì)量AIT：

消除結(jié)構(gòu)突變的影響的第二種方法是運(yùn)用Granger等（1999）提出的標(biāo)準(zhǔn)差過濾法。首先，分別在每一個(gè)機(jī)制內(nèi)，對(duì)收益率序列rt建立標(biāo)準(zhǔn)的GARCH（p，q）模型，得到每一個(gè)機(jī)制內(nèi)收益率的條件標(biāo)準(zhǔn)差τi。

然后，對(duì)收益率序列rt做以下處理：r*t=rt/τj，當(dāng)rt∈機(jī)制j時(shí)，j=1，2，…，k+1，則{r*t}即為消除結(jié)構(gòu)突變影響后的收益率序列。

最后，對(duì)經(jīng)過標(biāo)準(zhǔn)差過濾的收益率序列{r*t}建立標(biāo)準(zhǔn)的GARCH（p，q）和FIGARCH（p，d，q）模型，據(jù)此即可對(duì)收益波動(dòng)的聚集性和長(zhǎng)記憶性進(jìn)行分析。

三、數(shù)據(jù)來源及統(tǒng)計(jì)描述

1.數(shù)據(jù)來源

為實(shí)證考察中國(guó)滬深股市的結(jié)構(gòu)突變對(duì)收益波動(dòng)性的影響，本文分別以“上證綜指”和“深證成指”的日收盤價(jià)格指數(shù)作為研究指標(biāo)。眾所周知，為推進(jìn)我國(guó)證券市場(chǎng)的規(guī)范化，促進(jìn)市場(chǎng)健康穩(wěn)定發(fā)展，滬深股市于1996年12月26日開始實(shí)施漲跌停板制度。為了保證研究期間股市基本制度的一致性，本文實(shí)證研究起點(diǎn)取于實(shí)施漲跌停板制度以后。具體的數(shù)據(jù)范圍為1997年1月2日至2009年12月4日，共計(jì)3 124×2個(gè)價(jià)格指數(shù)。數(shù)據(jù)來源為長(zhǎng)城證券交易系統(tǒng)，日收益率序列為連續(xù)復(fù)利，即對(duì)數(shù)收益率，收益率序列有3 123×2個(gè)樣本數(shù)據(jù)。其具體計(jì)算公式為：

Rt=（Ln（Pt）-Ln（Pt-1））×100（11）

式（11）中，Rt表示對(duì)數(shù)收益率；Pt和Pt-1分別為第t日和第t-1日的收盤指數(shù)。本文的數(shù)據(jù)處理及程序工具為Splus軟件。

2.數(shù)據(jù)的統(tǒng)計(jì)描述

經(jīng)整理，得到日收益率的樣本數(shù)據(jù)，樣本數(shù)據(jù)的統(tǒng)計(jì)描述如表1。從表1對(duì)收益率的統(tǒng)計(jì)描述中看到，不論是滬市還是深市，收益率序列均表現(xiàn)出非正態(tài)性的特征：其峰度分別為7.147 6和6.475 6，與正態(tài)分布有較大差異，尖峰特征十分明顯；偏度系數(shù)分別為-0.215 4和-0.184 1，有一定的左偏性，但不嚴(yán)重；JarqueBera統(tǒng)計(jì)量很大，在1%水平上高度顯著，也表明收益率序列不滿足正態(tài)分布；ADF檢驗(yàn)和PP檢驗(yàn)均表明序列是平穩(wěn)的；ARCH效應(yīng)檢驗(yàn)顯示滯后12階的統(tǒng)計(jì)量在1%水平上顯著，表明收益率序列具有高階ARCH效應(yīng)。以上統(tǒng)計(jì)分析結(jié)果表明，對(duì)樣本收益率序列采用GARCH族模型分析是合適的。

四、實(shí)證分析

1.收益波動(dòng)性結(jié)構(gòu)突變檢測(cè)

為考察我國(guó)股市收益波動(dòng)的結(jié)構(gòu)突變，本文采用修正的ICSS算法分別對(duì)滬深股市收益波動(dòng)的結(jié)構(gòu)突變點(diǎn)進(jìn)行識(shí)別，實(shí)證檢測(cè)結(jié)果如圖1。

圖1（a）和（b）分別描述了上證綜指和深證成指收益率的波動(dòng)結(jié)構(gòu)。采用±3個(gè)標(biāo)準(zhǔn)差的帶寬刻畫每個(gè)結(jié)構(gòu)突變點(diǎn)所定義的區(qū)間大小，結(jié)果顯示上證指數(shù)收益率序列和深證成分指數(shù)收益率序列在樣本期內(nèi)各有四個(gè)突變點(diǎn)，因而各有五個(gè)波動(dòng)機(jī)制。

導(dǎo)致收益率序列結(jié)構(gòu)突變的原因，主要在于政府重大政策的實(shí)施和市場(chǎng)行為的積累。對(duì)于中國(guó)這樣的轉(zhuǎn)型中國(guó)家的新興股票市場(chǎng)，政府政策對(duì)股市有強(qiáng)大的影響。表2給出了突變點(diǎn)對(duì)應(yīng)的日期附近主要政策及市場(chǎng)事件，反映了市場(chǎng)突變的主要原因。從中可以看出：（1）滬市和深市的突變模式非常一致，各有四次結(jié)構(gòu)突變點(diǎn)，且突變點(diǎn)發(fā)生的時(shí)間高度接近；但整體而言，滬市的變動(dòng)滯后于深市，說明深市對(duì)于政策及市場(chǎng)事件的反映更為靈敏。（2）大的政策事件是導(dǎo)致我國(guó)股市發(fā)生結(jié)構(gòu)突變的根本原因。不論滬市還是深市，每一次發(fā)生結(jié)構(gòu)突變，都對(duì)應(yīng)著附近日期的重大的直接關(guān)系證券市場(chǎng)的政策的出臺(tái)或宣布，這充分說明我國(guó)股市的“政策市”特點(diǎn)依然十分明顯。（3）大的市場(chǎng)活動(dòng)也是影響股市的重要因素，其累積的結(jié)果常常也可能導(dǎo)致股市收益波動(dòng)的結(jié)構(gòu)性變動(dòng)。

2.結(jié)構(gòu)突變對(duì)股市波動(dòng)影響的實(shí)證結(jié)果

基于樣本數(shù)據(jù)，采用Splus統(tǒng)計(jì)軟件，分別擬合滬深股市的波動(dòng)率模型。其中，根據(jù)對(duì)收益率序列的自相關(guān)函數(shù)（ACF）的分析，兩市收益率序列均值方程均設(shè)定為ARMA（1，1）過程，而對(duì)波動(dòng)性分別建立GARCH（1，1）和FIGARCH（1，d，1）模型。估計(jì)結(jié)果如表3和表4。

表3和表4的實(shí)證結(jié)果表明模型具有良好的統(tǒng)計(jì)性質(zhì)。從各回歸系數(shù)的概率p值看，上述模型的各主要回歸系數(shù)均具有統(tǒng)計(jì)顯著性。檢驗(yàn)?zāi)Ｐ蜌埐钚蛄械臏?2階的ARCH效應(yīng)以及經(jīng)標(biāo)準(zhǔn)化的殘差平方序列的滯后12階的相關(guān)性檢驗(yàn)（即Q檢驗(yàn)統(tǒng)計(jì)量），結(jié)論表明殘差序列不存在ARCH效應(yīng)，殘差平方序列不存在自相關(guān)。因此，上述模型能較好地刻畫滬深股市的收益率序列的波動(dòng)特征。

從表3 可知，對(duì)于GARCH（1，1）模型，在進(jìn)行修正前，滬深股市的回歸系數(shù)之和（即α+β）分別為0.990 5和0.990 4，近似為1，表明在忽略結(jié)構(gòu)突變的情形下，滬深股市波動(dòng)近似服從IGARCH過程，即其外部沖擊對(duì)波動(dòng)性存在永續(xù)性影響。而分別采用引入虛擬變量和標(biāo)準(zhǔn)差過濾的方法，在消除結(jié)構(gòu)突變的影響后，不論是滬市還是深市，回歸系數(shù)之和均有所下降，說明忽略結(jié)構(gòu)突變將會(huì)高估波動(dòng)聚集的持續(xù)性。這與國(guó)內(nèi)外相關(guān)理論及實(shí)證研究的結(jié)論相一致。

從表4中看到，采用FIGARCH（1，d，1）模型，在未消除結(jié)構(gòu)突變的影響前，滬深股市的長(zhǎng)記憶性參數(shù)d分別為0.493 3和0.524 8，這兩個(gè)參數(shù)均統(tǒng)計(jì)顯著且接近甚至大于0.5，表明忽略結(jié)構(gòu)突變時(shí)，滬深股市的波動(dòng)性表現(xiàn)出強(qiáng)長(zhǎng)記憶性。在采用虛擬變量法消除結(jié)構(gòu)突變的影響后，滬深股市的長(zhǎng)記憶性參數(shù)分別為0.392 3和0.356 3；而在用標(biāo)準(zhǔn)差過濾后，二者分別為0.382 9和0.343 7。可見，消除結(jié)構(gòu)突變的影響后長(zhǎng)記憶性參數(shù)d有了明顯下降，且參數(shù)均小于0.5。

比較消除結(jié)構(gòu)突變影響的兩種方法（引入虛擬變量和采用標(biāo)準(zhǔn)差過濾），可知兩種方法均能較好地消除結(jié)構(gòu)突變對(duì)波動(dòng)性的影響，使得模型估計(jì)更加準(zhǔn)確可靠；但相對(duì)而言，后者具有更好的擬合效果。這主要體現(xiàn)在采用標(biāo)準(zhǔn)差過濾后模型的AIC和BIC有顯著下降，說明模型采用此種估計(jì)方法更加有效。

五、結(jié)論及啟示

1.主要結(jié)論

本文采用修正的ICSS算法，實(shí)證檢測(cè)了我國(guó)滬深股市收益波動(dòng)性的結(jié)構(gòu)突變點(diǎn)，并分別采用引入虛擬變量和標(biāo)準(zhǔn)差過濾的方法消除結(jié)構(gòu)突變的影響，建立GARCH和FIGARCH模型，比較研究修正前后股市收益的波動(dòng)性特征，以檢驗(yàn)結(jié)構(gòu)突變對(duì)股市收益波動(dòng)的實(shí)際影響。研究獲得以下主要結(jié)論：

（1）由于政策變動(dòng)和市場(chǎng)行為的影響，我國(guó)股市收益波動(dòng)性存在顯著的結(jié)構(gòu)突變，且結(jié)構(gòu)突變發(fā)生的時(shí)間均與重大政策或市場(chǎng)事件相對(duì)應(yīng)。結(jié)構(gòu)突變對(duì)收益的波動(dòng)性建模分析有重要影響，特別是將導(dǎo)致對(duì)收益波動(dòng)的長(zhǎng)記憶性的高估，影響人們對(duì)收益波動(dòng)性特別是其長(zhǎng)記憶性的正確判斷。

（2）采用修正的ICSS算法進(jìn)行突變點(diǎn)的檢驗(yàn)，能夠有效地捕捉到波動(dòng)的結(jié)構(gòu)突變點(diǎn)；通過引入虛擬變量和采用標(biāo)準(zhǔn)差過濾的方法，均能較好地消除結(jié)構(gòu)突變的影響，使得模型的參數(shù)估計(jì)更加準(zhǔn)確可靠，而采用標(biāo)準(zhǔn)差過濾的方法的實(shí)證效果相對(duì)更好。

（3）不論是對(duì)原始序列建模，還是消除結(jié)構(gòu)突變的影響后建模，滬深股市的收益波動(dòng)性均表現(xiàn)出顯著的長(zhǎng)記憶性。這表明，現(xiàn)階段我國(guó)股市的發(fā)展還未達(dá)到弱式有效的水平，進(jìn)而預(yù)示著建立在“有效市場(chǎng)假說”基礎(chǔ)上的金融數(shù)量模型（如馬柯維茨的投資組合理論、資本資產(chǎn)定價(jià)模型、套利定價(jià)理論和Black-Scholes期權(quán)定價(jià)模型）等，并不完全適用于我國(guó)證券市場(chǎng)。

2.政策啟示

（1）股市結(jié)構(gòu)突變與股市重大政策出臺(tái)時(shí)間高度契合的事實(shí)說明，我國(guó)滬深股市具有典型的“政策市”特點(diǎn)，政策制度的不穩(wěn)定是股市結(jié)構(gòu)性變動(dòng)的根本原因。為此，應(yīng)盡可能保持政策的相對(duì)穩(wěn)定，減少不必要的、過度的行政干預(yù)，促進(jìn)股市的市場(chǎng)化運(yùn)行，以減少股市的劇烈波動(dòng)，促進(jìn)我國(guó)證券市場(chǎng)的健康發(fā)展。

（2）股市結(jié)構(gòu)變動(dòng)同樣受到重大的市場(chǎng)行為的影響，表明加強(qiáng)股市的市場(chǎng)化運(yùn)行并不是對(duì)股市放任不管。在當(dāng)前全球金融一體化的背景下，市場(chǎng)管理者需要更加密切關(guān)注國(guó)內(nèi)宏觀經(jīng)濟(jì)形勢(shì)和國(guó)際金融狀況等國(guó)內(nèi)外經(jīng)濟(jì)金融重大事件對(duì)我國(guó)證券市場(chǎng)的可能影響，及時(shí)調(diào)整政策以消除或緩解證券市場(chǎng)的劇烈波動(dòng)或結(jié)構(gòu)突變，維護(hù)股市的穩(wěn)定發(fā)展。

（3）收益波動(dòng)的長(zhǎng)記憶性的存在，表明可以利用歷史信息對(duì)收益波動(dòng)性進(jìn)行有效預(yù)測(cè)。因此，對(duì)市場(chǎng)的投資者來說，在進(jìn)行證券投資時(shí)，需要充分關(guān)注市場(chǎng)的波動(dòng)特征，挖掘潛在的市場(chǎng)風(fēng)險(xiǎn)和機(jī)會(huì)，并據(jù)此構(gòu)建交易策略。這對(duì)于減少投資活動(dòng)的不確定性、抗擊風(fēng)險(xiǎn)、減少投資損失具有重要意義。

參考文獻(xiàn)：

楊成.2009.我國(guó)證券市場(chǎng)結(jié)構(gòu)突變與波動(dòng)性實(shí)證研究[J].南京師大學(xué)報(bào)（社會(huì)科學(xué)版）（3）：5762.

BAI J，PERRON P. 1998. Estimating and Testing Linear Models with Multiple Structural Changes[J]. Econometrica，66（1）：4778.

BAILLIE R T，BOLLERSLEV T，MIKKELSEN H O. 1996. Fractionally Integrated Ggeneralized Autoregressive Conditional Heteroskedasticity[J]. Journal of Econometriccs，74：330.

BOLLERSLEV T. 1986. Generalized Autoregressive Conditional Heteroscedasticity[J]. Journal of Econometrics，31：307327.

BOLLERSLEV T，MIKKELSEN H O. 1996. Modeling and Pricing Long Memory in Stock Market Volatility[J]. Journal of Econometrics，73：151184.

BROWN R L，DUTHIN J，EVANS J M. 1975. Techniques for Testing the Constancy of Regression Relationships Over Time[J]. Journal of the Royal Statistical Society，37：149163.

ENGLE R F，BOLLERSLEV T. 1986. Modeling the persistence of conditional variances[J]. Econometric Reviews，5：150.

FANG W，MILLER S M，LEE C S. 2008. CrossCountry Evidence on Output Growth Volatility：Nonstationary Variance and GARCH Models[J]. Scottish Journal of Political Economy，55：509541.

GRANGER C W J，HYUNG N. 1999. Occasional Structural Breaks and Long Memory[R]. UCSD Discussion Paper（9914）：132.

HSU D A，MILLE R B，WICHERN D W. 1974. On the Stable Paretian Behavior of Stock Market Prices[J]. Journal of the American Statistical Association，69：108113.

INCLAN C，TIAO G C. 1994. Use of Cumulative Sums of Squares for Retrospective Detection of Changes of Variance[J]. Journal of the American Statistical Association，89：913923.

KORKMAZ T，CEVIK E I，OZATAC N. 2009. Testing for Long Memory in ISE Using ARFIMAFIGARCH Model and Structural Break Test[J]. International Research Journal of Finance and Economics，26：186191.

MCMILLAN D，THUPAYAGALE P. 2011. Measuring Volatility Persistence and Long Memory in the Presence of Structural Breaks Evidence From African Stock Markets[J]. Managerial Finance，37（3）：219241.

NEWEY W K，WEST K D. 1994. Automatic Lag Selection in Covariance Matrix Estimation[J]. Review of Economic Studies，61：631653.

SANDRINE L，VALERIE M. 2004. Term Premium and LongRange Dependence in Volatility：A FIGARCHM Estimation on Some Asian Countries[J]. Journal of Emerging Market Finance（3）：119.

SANSó A，ARRAGó V，Carrion J L. 2004. Testing for Change in the Unconditional Variance of Financial Time Series[J]. Revista de Economiá Financiera（4）：3253.

（編輯：南北；段文娟）