互聯網金融概念股收益率的統計分析

摘 要：利用新興的廣義自回歸得分（Generalized Autoregressive Score，GAS）模型同時對浙江省三大互聯網金融概念股同花順、生意寶和恒生電子日收益率序列的均值和波動率建模，結合描述性統計分析，得到收益率序列均存在典型的尖峰厚尾非正態性，且收益率序列本身平穩，波動率時變性顯著，收益率序列之間具有較強相關性和聯動特征。未來可以進一步進行收益和波動率的預測分析，為完善我國，尤其是浙江省互聯網金融市場的功能提供參考信息，以利于更好地控制市場風險，穩定市場。

關鍵詞：互聯網金融;收益率;均值;波動率;GAS

中圖分類號：F23 文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2019.09.062

0 引言

在飛速發展的電子科技推動下，互聯網金融應運而生，并且得到了迅猛發展。互聯網金融的快速發展打破了傳統金融的經營模式，降低了交易成本，提高了資源配置率，加強了資金的流動性，提升了金融服務的效率，實現了為實體經濟服務的目的。然而，從目前發展狀況來看，互聯網金融經營模式存在諸多風險，隨著國家的監管力度越來越強，互聯網金融的問題開始逐漸暴露，有必要進行風險控制和預警，有眾多學者對此進行了研究，大多是從構建和完善互聯網銀行監管框架、監管政策網絡、監管體系等角度分析的。

波動率反映了股價在一段時間內變化的不確定性，在風險管理、資產配置等許多金融領域均有重要應用，估計和預測資產收益率序列的波動率是金融計量的一個重要課題。波動率可以在一定程度上反映金融市場的風險程度，平均收益可以反映金融產品的盈利能力。鑒于此，本文另辟蹊徑從平均收益率和波動率的動態變化中，探討互聯網金融市場的效率和風險，為我國尤其是浙江省的互聯網金融市場監管政策的調整等，提供一定的參考。

目前有大量文獻討論金融市場收益率及其波動性，例如：喬高秀等（2014）采用跳-擴散隨機波動率模型研究滬深300股指期貨上市對現貨市場波動的影響。鄒新穎（2017）以余額寶為考察對象，對互聯網金融的風險收益進行統計分析。然而討論互聯網金融市場的收益及其波動性和相關性的文獻非常少。因此，本論文以互聯網金融概念股市場為例，研究互聯網金融市場金融資產收益率及其波動性和相關性特征，為完善互聯網金融市場功能提供有益啟示。

1 研究方法

GAS模型（Creal，Koopman和Lucas（2013））是一類觀測驅動（Observation-driven）的時間序列模型，通過密度函數的滯后得分（Lagged score）更新時變參數，其優點是比單純依賴均值和高階矩的模型更能充分利用完整的密度結構來實時驅動時變參數。目前有關GAS模型的文獻還較少。程明明（2016）利用GAS模型對我國上證指數波動率進行了實證研究，沈銀芳和嚴鑫（2018）基于GAS模型展開對滬深300股指期貨的推出對中國股市波動率的影響研究，進一步地沈銀芳和嚴鑫（2018）討論滬深300股指期貨對中國股市平均收益和波動的綜合影響，并且將 GARCH 和 GAS 模型得到的滬深300股指期貨的推出對中國股市波動率影響進行了比較分析，GAS 模型較 GARCH 模型對捕捉波動更敏感，能更好地擬合現貨市場的波動性。此外 GAS 模型較 GARCH 模型還有一個突出優點，就是可以實現序列均值和波動率的同時刻畫，避免了傳統的時間序列方法 ARMA和GARCH 分開建模，帶來參數估計和模型效率等各方面弊端。因此本論文利用GAS模型，分析討論互聯網金融概念股市場收益率及其波動的動態變化。

假設資產收益率Rt的密度函數p（Rt|ft，Ft;θ），其中ft代表隨時間可變的模型參數，通常為均值和波動率參數，Ft代表t時刻的信息集，而θ代表不隨時間變化的靜態參數。ft的時變演化模式為由比例得分向量驅動的自回歸形式，具體如下：

ft+1=κ+∑pi=1Aist-i+1+∑qi=1Bjft-j+1（1）

st=St·SymbolQC@

t（2）

SymbolQC@

t=lnp（εt|ft，Ft;θ）ft（3）

St=S（t，ft，Ft;θ）（4）

其中S（·）是一個矩陣函數，S由Fisher信息矩陣構造。式（1）-（4）給出了階數為p，q的廣義自回歸得分模型，簡記為GAS（p，q）。本文中取St為單位矩陣，且p=q=1。

在金融資產收益率的分布建模中，正態分布和t分布是最常見的兩種分布。正態分布無法刻畫金融資產收益率的厚尾特征，容易低估風險，t分布能夠靈活地捕捉厚尾特征。故論文選取波動模型是基于t分布的GAS模型，簡記為GAS-t，通過極大似然法估計模型參數。

2 實證分析

2.1 樣本選取和描述性統計分析

本文選取同花順、生意寶和恒生電子三大互聯網金融概念股日收盤價序列，以rt=logPt-logPt-1，即t-1期到t期的連續復合收益率為主要研究分析對象，樣本區間是2009年12月25日至2018年9月10日。剔除了樣本期內交易時間不一致的相關數據后，共得到三個市場交易時間相匹配的2035個數據，數據來源于Wind資訊金融終端。所有分析結果由R統計軟件得到。

如表1，從收益率的描述性統計量可以看出，所有序列均不服從正態分布，且負偏，峰度遠超過3，收益率序列具有波動集聚和尖峰厚尾特征。

2.2 實證分析

2.2.1 平穩性檢驗

首先使用ADF單位根檢驗對價格序列及其收益率序列進行平穩性檢驗，得到收益率序列的P-值均小于0.01，由此收益率序列在1%的顯著性水平下拒絕了存在單位根的原假設，這說明收益率序列均為平穩序列。同時價格序列在1%的顯著性水平下無法拒絕存在單位根的原假設，因此價格序列是不平穩序列。

2.2.2 波動率時變性檢驗

以恒生電子為例，通過收益率及其平方序列的時序圖、自相關和偏自相關圖進行分析。

2.2.3 GAS模型估計

利用GAS（1，1）-t 模型對同花順、生意寶和恒生電子收益率均值和波動率同時作聯合多元估計和分析。

3 結論

本文以浙江省三大互聯網金融概念股同花順、生意寶和恒生電子為例，利用其日收盤價數據，首先基于描述性統計分析得到收益率序列均存在典型的尖峰厚尾非正態性，收益率序列之間存在中高強度的相關性和聯動特征。同時由自相關圖和時序圖可得，收益率序列本身平穩，而收益率平方序列具有較強的長期自相關性。其次利用新興的廣義自回歸得分 GAS 模型對收益率序列的均值和波動率建模，由參數估計結果和動態均值圖、波動率圖，得到收益率序列均值相對平穩，波動率序列的動態時變性顯著，由此進一步證實了描述性統計分析得到的相關結論。因而在促進互聯網金融發展的同時，要加強對互聯網金融的監管，以維護金融市場的穩定。

未來可以進一步進行收益率和波動率序列的預測分析，為完善我國，尤其是浙江省互聯網金融市場的功能提供相關參考信息，以利于更好地控制市場風險，穩定市場。

參考文獻

[1]喬高秀，劉強，張茂軍.滬深300股指期貨上市對現貨市場連續波動和跳躍波動的影響[J].中國管理科學，2014，22（10）：9-18.

[2]鄒新穎.互聯網金融風險收益的模型構建與實證[J].統計與決策，2017，（14）：161-163.

[3]唐勇，朱鵬飛，林玉婷.中國金融市場間波動溢出效應研究[J].浙江金融，2018，（1）：9-16.

[4]程明明.我國上證綜指波動率實證研究—基于GAS模型[J].現代商貿工業，2016，（14）：87-88.

[5]沈銀芳，嚴鑫.滬深300股指期貨的推出對中國股市波動率的影響研究—基于GAS模型[J].現代商貿工業，2018，（35）：118-119.

[6]沈銀芳，嚴鑫.滬深300股指期貨對現貨市場的影響研究[J].經貿實踐，2018，（11）：12-13.

[7]Creal，D.，Koopman，S.J.and Lucas，A.Generalized autoregressive score models with applications[J].Journal of Applied Econometrics，2013，（28）：777-795.