中美贸易战背景下A股市场股价波动研究——基于广义条件异方差模型_开题报告

文献综述

（一）国内研究现状

•••    中国国内股票市场发展缓慢，对股票波动性的分析也只是局限于利用西方国家学者提出的模型，结合中国市场的实际进行实证研究。

严俊宏[1]引入行为金融学投资者情绪的模型研究了我国上证股市的波动性。结果表明，投资者情绪是影响沪市收益波动非对称性的系统性因子，外部信息通过投资者情绪的传导，加剧了股市收益波动的非对称性。宋燕等[2]等基于2011－2017 年我国药品价格月度数据，采用ARCH类模型，对药品价格波动进行实证分析。结果表明，我国药品价格总体呈波动上升趋势，特别是2015 年药品价格改革之后，价格上升趋势较为明显。药品价格波动的幅度和频率比较均匀，价格波动不具有集簇性，没有显著的信息冲击效应，但药品价格波动的记忆性较强。韩超[3]以GARCH族模型为基础，选取了代表上海证券市场中最具影响力的龙头企业的上证50指数作为研究对象，并对其日收益率进行了波动性分析。实证结果表明，该序列呈现出尖峰厚尾的特征，波动的突变性与集群性明显，相比于长期投资的方式，短期投机更加受到投资者的青睐，并且日收益率序列不具有显著的杠杆效应，利好消息与利空消息带来的波动基本上没有太大的差异。尤靖琛[4]运用GARCH模型对上证综指收益率波动进行实证分析，结果表明，2015年投资上海股市亏损的可能性较大，且收益率序列的波动存在ARCH效应，GARCH(1,1)模型对上证股票指数序列的拟合效果较好。薛涵予[5]以深证成指为研究对象，搜集了2015年1月5日至2016年6月8的日收盘价数据，运用GARCH模型对深证成指收益率的波动性和特点进行研究。研究结果表明，深市的日收益率存在自回归条件异方差的特征，GARCH模型能够较好地拟合深证成指收益率的波动。汤祥凤[6]以上证指数和深圳成指为研究对象，运用GARCH类模型对沪深两市的波动性、非对称性以及波动溢出效应进行了实证分析研究。实证表明：（1）两市存在显著的ARCH效应，且深市的风险溢价要高于沪市；（2）两市的杠杆效应较为显著，表明沪深市场上坏消息比好消息更能引起股市的剧烈波动；（3）两市存在单向的波动溢出效应，且沪市的波动会导致深市的波动。金建成[7]选取2012年至2017年沪深两市中国A股上市公司中的1285只股票为研究样本，以修正后的资金流测度模型为自变量，以股票收益率反映股价波动为因变量，进行平衡面板数据模型的构建。通过A股大盘指数的回归分析，研究发现修正后资金流测度决策模型与股票收益率之间存在一种正向的关系。在此基础上，建立了SOSFF（5）模型为投资者理性分析投资行为提供理论指导。

以上研究中还未有关于中美贸易战背景下，我国A股市场的波动性相关研究。

（二）国外研究现状

••••    国际上对股票市场波动性的研究已经非常成熟，目前主流的研究方法是ARCH类模型。国外学者通过运用各种类模型对各个金融市场的波动特征进行了实证研究，结果表明大多数股票市场表现出波动集聚性、尖峰厚尾、异方差性和波动非对称性特征。其中股票市场的波动非对称性效应是金融实证研究的重点，而且实证结果表明大多数股票市场的波动非对称性效应表现为杠杆效应，即同等程度下，股市波动率对利空消息冲击的反应比利好消息更加迅速和剧烈。

在金融时间序列的早期研究中，大多数学者认为金融时间序列的波动属于常数，并在建模过程中将残差的方差假定为恒定常数。然而随着金融理论研究的发展，人们发现许多金融时间序列残差的方差并不是固定不变的，而是一个变量，表现出时变性特征，并且依赖于过去随机扰动项的变化。为了能够解释和反映金融时间序列表现出的波动集聚性现象和条件异方差性问题，Engle[8]于1982年提出了自回归条件异方差模型（ARCH模型），该模型假设金融时间序列样本数据的方差呈自相关，它能较好地拟合金融时间序列的波动性变化特性，成为研究金融时间序列波动性的最重要和基础的理论之一。但ARCH模型对参数要求严格，适用性较差。之后，Bollerslev[9]于1986年在模型的基础上对方差做进一步扩展，提出了广义自回归条件异方差模型（GARCH模型），该模型简化了参数估计，具有较高的概括能力，能较为简洁地解释金融时间序列的波动集聚性和条件异方差性特征。但是ARCH模型和GARCH模型由于自身模型假定的限制，不能较好地解释金融时间序列波动的非对称性现象。于是Zakoian[10]于1990年提出了门限模型（TARCH模型），该模型在ARCH模型的基础上引入了虚拟变量作为门限，使得模型能够区分正负冲击对波动的影响，有效描述了波动的非对称性效应。Nelson[11]于1991年也提出了另一个非对称模型—指数模型（EGARCH模型），该模型将条件方差定义为对数形式，能更有效地反映波动的非对称性效应。并且Nelson运用模型研究了1928年到1956年美国指数的收益率波动性问题，研究结果表明美国股市收益率波动存在显著的非对称性效应。Braun[12]等运用EGARCH模型也对美国股市进行了分析，再次验证了股市波动非对称性效应的存在。随着股票市场波动非对称性研究的不断深入发展，更多的模型组合被应用到实际研究当中。

Engel和Ng绘制了信息冲击曲线，用曲线的形式更直观地描述外部正负消息对股指波动的非对称性效应[13]，并以日本TOPIX指数1980年至1988年的收益率序列为样本数据，全面比较了GARCH和EGARCH等模型的实证效果，结果表明并不是所有的模型均能够显著地描述股指波动的非对称性现象。Glosten等[14]运用标准GARCH-M、修正GARCH-M以及EGARCH-M模型对纽约证券交易所1951年至1989年期间加权股价指数的月度收益进行比较实证分析，通过调整标准模型发现股票超额收益的条件均值与条件方差之间存在显著的负相关关系，外部正负信息冲击对条件方差存在非对称性影响。Fornari和Mele[15]利用GJR-GARCH模型、波动转换GARCH模型实证研究了美国、英国、意大利、日本、新加坡、香港、南非等国家的股票市场，发现大多数股票市场表现出波动非对称性特征。

上述研究均表明，世界各个股票市场普遍存在着不同程度的波动非对称性现象，而且大多数股票市场表现出杠杆效应。另外，大量的实证研究也表明族模型能够有效地描述金融时间序列的波动性成为研究世界各个股票市场波动性的重要理论。

^范文提纲

一、研究背景及意义

（一）研究背景

（二）研究意义

二、国内外相关研究综述

(一)国外相关研究现状

(二)国内相关研究现状

三、股市波动性理论模型

（一）ARCH模型

（二）GARCH模型

（三）TARCH模型

（四）EGARCH模型

四、A股市场波动性的描述性分析

（一）样本选取和阶段划分

（二）A股市场波动性的描述性统计比较分析

五、基于GARCH族模型的A股市场波动性实证研究

（一）GARCH族模型对我国股票市场的适用性检验

1.平稳性检验

2.自相关性检验

3.自回归移动平均模型(ARMA模型)初步估计

4.ARCH效应检验

（二）A股市场波动性建模分析

1. A股市场总体收益率序列GARCH族模型估计与分析

2. 贸易战后A股市场收益率序列GARCH族模型估计与分析

六、结论、原因分析与政策建议

（一）结论

（二）原因分析

（三）政策建议

七、参考文献

八、致谢

参考文献

严俊宏．基于投资者情绪的股市波动非对称性研究技术与市场[J]，2013（5）：333-335.

宋燕，韩志琰等．基于ARCH(自回归条件异方差) 模型的我国药品价格波动的实证分析[J]．中华医学图书情报杂志，2017，26（12）：21-25.

韩超．基于GARCH 模型的上证50 指数收益率波动性分析[J]．金融经济，2015，（12）：161-163.

尤靖琛．基于GARCH模型的上证综指收益率波动的实证分析[J]．现代商业，2017，（12）：91-92.

薛涵予．基于GARCH 模型的深圳股市波动性研究[J]．中国市场，2017，（27）：35-35.

汤祥凤．基于GARCH 族模型的我国股市波动性分析[J]．山东青年政治学院学报，2016,32（3）：104-108.

金建成．中国A 股市场资金流与股价波动研究[J].学术论坛，2018，（3）：83-89.

Engle R．Antoregressive conditional heteroskedasticity with estimates of the　Variance of UK inflation[J]．Econometrica，1982，50：987-1008．

Bollerslev,T．“Generalized Autoregressive Conditional Heteroskedasticiy”[J]．Journal of Econometrics，1986，3 1：307-327．

Zakoian，J．M．Threshold Heteroske．dastic model[J]．Journal of Economic Dynamics and Control，1 990，1 8：93 1-955．

Nelson，Daniel B．“Conditional Heteroskedasticity in Asset Returns：A New Approach”[J]．Econometrica,1991，59：347-370．

Braun PA，Nelson D B，Sunier A M．Good news，bad news，volatility and Betas[J]．Journal of Finance，1995，50(5)：1575-1 603．

Engle R F，Ng V K．Measuring and testing the impact of news on volatility[J]．Journal of Finance，1993，48(20)：1749-1778．

Glosten,L．R．，Jagannathan R．，Runkle，D．E．“On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks”[J]．the Jounal of Finance，1993，48：1779—1801．

Fornari，Mele．Sign·and volatility—switching ARCH models：theory and applications to international stock markets[J]．Journal of Applied Econometrics，1997(12)：49-65．