论文部分内容阅读
摘要：基于1996年12月至2013年7月间的日度时间数据，并加入异常值对方差的结构突变检测影响，运用修正的ICSS算法探究中国股市波动的结构突变性。实证表明，异常值的产生往往与一些政策事件相关，这印证了中国资本市场的“政策市”特点；剔除异常值的影响后，沪深股市收益的波动分别出现了5次结构突变，波动存在轻微的伪持续性现象，突变的时点也与一些重大经济事件相对应，这反映出中国资本市场的不稳定性及政策效应。因此，监管层有必要完善市场机制建设，谨慎应对各种国内外政策冲击等引起的市场风险。
关键词：股市；GARCH；异常值；结构突变
文章编号：2095-5960（2014）02-0043-07；中图分类号：F830；文献标识码：A
一、引言与文献综述
波动性是金融理论的核心，精确刻画金融资产收益的波动性对开展金融活动至关重要。然而，一些诸如政策调整或金融危机等经济冲击事件往往会造成金融系统短期内剧烈震荡，使资产收益率出现异常变化甚至改变其波动预期。这种异常变化极有可能引起资产收益的无条件方差出现时变特性，即改变波动的持续性。而以往大多数的研究，均使用一个稳定的ARCH（GARCH）[1][2]过程对金融市场的收益率进行波动性建模，显然忽略了这种结构性变化产生的影响。
事实上，20世纪90年代以来一些学者便开始注意到波动的时变特性（Diebold，1986；Lamoureux&Lastrapes，1990）[3]]4]。Mikosch&Sarica（2004）[5]强调，忽略了波动的结构突变性将导致GARCH模型的估计结果出现偏误，过高的估计波动的持续性，即出现伪持续现象。Malik & Hassan（2004）[6]、Rapach & Strauss（2008）[7]等指出，通过ICSS算法检测出的结构突变时点往往与一些重要经济冲击事件相关，这些政策事件可能是波动出现结构突变的诱导因素。Malik、Ewing&Payne（2005）[8]、Kang、Cho&Yoon（2009）[9]、Kumar&Maheswaran（2012）[10]等研究发现，股票市场的结构突变性不仅存在于发达国家市场，还广泛存在于诸如东欧、亚洲等一些新兴市场国家中，且这种波动的结构性变化较之更为频繁，这也与新兴市场国家更容易受到国内政策的干预和国外经济冲击等现状相符，市场表现出不稳定的特点。更进一步，这些经济冲击事件同时也会导致金融时间序列的收益出现异常观测值（Outliers）。而Rodrigues&Rubia（2011）[11]最近的研究则表明，异常值的存在会严重影响基于ICSS算法下的结构突变检测结果，降低其检验势甚至检测出错误的突变时点。国内研究方面，王芳和张文爱（2012）[12]探究了中国股票市场的双记忆性与结构突变性，发现波动的结构突变会影响长记忆特性。谢赤和赵丹（2012）[13]的实证结果表明，人民币汇率在对其他几种主要货币存在不同程度的伪持续性现象，而加入结构突变点后有效降低了波动的伪持续性。李宇浩和顾锋娟（2013）[14] 运用GARCH模型，对2005年1月至2012年6月国际股票市场、国际债券市场、国际外汇市场和资本流入对我国沪深300指数的传导影响进行研究。实证分析表明，“世界因素”对我国股市收益率 （yield）存在显著传导影响，我国股市收益率超过1/4的波动可以从“世界因素”中得到解释，这说明当前国际金融市场风险已经成为我国股市波动的重要源头。夏芳（2012）[15]研究发现，管理者盈余管理使得股价同步性降低，而投资者情绪波动使得股价同步性上升；但是，两者均导致股票收益的“惯性”或“反转”效应增强，即市场信息效率下降。
就中国而言，股票市场受政策干预较多，这使得收益率出现异常值的现象更为突出，而以上文献中较少注意到异常值的存在对结构突变的影响。因此，本文在Rodrigues&Rubia（2011）的基础上，在研究中加入异常值对结构突变的影响，一方面探究中国股票市场的政策特性，另一方面则通过剔除异常值的影响，探究股市波动的结构突变特性，进而提出相应的政策建议。
二、计量方法介绍
（一）结构突变检验——修正的ICSS算法
表2中还给出了这些异常值附近时点上所产生的一些经济、政治等冲击事件。可以看出，在整个样本期内有近75%的异常值出现均与政府对市场的干预直接相关，这可能是由于中国资本市场刚起步，市场行为还未趋于规范，因而“政策市”的特点比较明显。例如1996年为抑制股市过度投机，《人民日报》刊登的社论引发股市一轮较大幅度的调整，1999年为搞活市场的六项政策则引爆了著名的“5·19”行情，2000年以后的新股配售制度、国有股减持办法等。这些政策的出台，不仅仅在当天影响到股市价格，还影响股市日后的走势。另外，金融全球化背景下，中国股市逐渐受到全球金融市场的影响。金融危机初期，全球股市下挫触发“中国资产价值重估”，2008年1月22日随着平安融资消息发布，两市重挫7%，近千只个股跌停，并由此伴随世界股市一路下跌。
需要说明的是，2008年9月20日至2013年7月5日期间近5年内并未检测出其他异常值，通过统计分析发现，这段时期内股市日收益率的绝对值在2008年9月22日最大，日收益为7.7%。该时点紧邻最后一个异常值点（当天日收益为9.45%），因此具有很强的惯性因素，而非政策冲击。若将临界值放宽至C=8，以上证指数为例，则检测出39个异常值，其中有5个异常值位于2008年9月20日后的时段，取绝对值处理，最小值为6.05%，从冲击的程度上看，有4个异常值小于之前检测结果的最低水平7.61%。本文对异常值检测采用了较高的临界值，更多的是关注那些对股市影响程度较为剧烈的冲击事件，检测结果与实际情况一致。2008年9月19日之后中国股市出现异常波动的情况有所下降，这与波动的结构突变特性也是相一致的，即波动相继进入低波动机制内。 （三）方差的结构突变检验
对数据进行异常值修正后，我们通过结构突变检验发现，上证A股指数与深成指数的波动性在样本期内均出现了5次结构突变现象，将样本序列划分为6个不同的机制（Regime）。图1、2中，分别用个标准差的带宽刻画每个结构突变点所定义的区间。另外，与Malik & Hassan（2004）、Rapach & Strauss（2008）等一样，我们还在表3中列出了这些结构突变时点附近选取的一些重要经济冲击事件。
四、结论与政策建议
综上所述，结构突变的引入对于正确认识中国股市的波动特征至关重要。本文通过引入异常值检验，剔除异常值对结构突变检测的影响之后，对中国股市1996年12月16日至2013年7月5日这17年间收益率的波动性进行实证分析，发现：
在异常值检测上，上证A股存在16个异常观测值，深成指数存在13个异常观测值，绝大多数异常观测值的出现往往与一些政策事件相关，从另一方面印证了中国股市的“政策市”特点。此外，2007年以后中国股票市场也开始更多地受到全球市场的影响，国际金融市场上的突发性剧烈动荡也会影响中国股市收益的波动状况。
剔除异常值对结构突变检测的影响之后，沪深股市收益的波动特征在样本期内各出现了5次结构突变，而在2005年之后这种突变现象较频繁。这表明中国资本市场仍是一个不成熟的市场，存在着波动的不稳定性，且政策冲击、制度变迁和金融危机等冲击事件对市场的影响较为明显，而这些冲击事件可能是引起市场收益的波动出现结构突变的诱因。
最后，在伪持续现象上，中国股市收益波动的持续性较长，即一旦出现较大的冲击，金融系统表现出比较明显的不稳定性，且这种动荡的持续时间也较长，这也符合新兴市场国家资本市场特点。
尽管中国经济总量已跃居世界第二，但中国资本市场的发展依然相对滞后。在金融自由化和全球化浪潮下，监管者应准确把握金融市场的波动特性及其时变特性。一方面，应当完善制度建设，通过出台相关政策法规，从法理上规范资本市场的正常秩序，维护广大普通投资者的合法权益，并加强对广大投资者的引导，积极引导投资者回归理性投资，方可有效降低资本市场的非理性波动。另一方面，在干预市场时，监管者还应密切关注国内外宏观经济形势，评估这些冲击因素对中国资本市场的影响，方可制定有效的政策方案来应对其可能对中国资本市场造成的结构性变化影响以及潜在的极端市场风险，降低这种影响程度并减少由此造成的潜在损失。
参考文献：
[1] Engle，R. F.Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation [J]. Econometrica，1982.50（4）：987-1007.
[2] Bollerslev，T. Generalized autoregressive conditional heteroskedasticity [J].Journal of Econometrics，1986，31（3）：307 – 327.
[3] Diebold，F. X. Modeling the persistence of conditional variance： a comment [J].Econometric
Reviews，1986，5（1）：51-56.
[4] Lamoureux，C. G. and W. D. Lastrapes. Persistence in Variance， Structural Change， and the
GARCH Model [J] . Journal of Business and Economic Statistics，1990，8（2）：225-234.
[5] Mikosch，T. and C. Sarica. Nonstationarities in financial time series， the long range dependence， and the IGARCH effects [J] . Review of Economics and Statistics，2004，86（1）：378-390.
[6] Malik，F. and S. A. Hassan. Modeling volatility in sector index returns with GARCH models using an iterated algorithm [J] . Journal of Economics and Finance，2004，28（2）：211-225.
[7] Rapach，D. E. and J. K. Strauss. Structural breaks and GARCH models of exchange rate volatility [J].Journal of Applied Economics，2008，23（1）：382-416.
[8] Malik，F.，B. T. Ewing and J. E. Payne. Measuring volatility persistence in the presence of sudden changes in the variance of Canadian stock returns [J].Canadian Journal of Economics，2005，38（3）：1037-1056.
[9] Kang，S. H.，H. G. Cho and S. M. Yoon. Modeling sudden volatility changes： Evidence from Japanese and Korean stock markets [J] . PHYSICA，2009，388（17）：3543-3550. [10] Kumar，D. and S. Maheswaran. Modelling asymmetry and persistence under the impact of sudden changes in the volatility of the Indian stock market [J].IIMB management Review，2012，24（4）：123-136.
[11] Rodrigues，P. M. and A. Rubia. The Effects of Additive Outliers and Measurement Errors when Testing for Structural Breaks in Variance [J] . Oxford Bulletin of Economics and Statistics，2011，73（4）：449-468.
[12]王芳，张文爱.中国股票市场结构突变与双长记忆的实证分析 [J].统计与决策，2012（7）：152-155.
[13]谢赤，赵丹. 结构突变会影响人民币汇率收益率波动特性吗？[J].南方经济，2012（9）：102-115.
[14]李宇浩，顾锋娟.风险传导、资本流入与股市波动——基于沪深300指数的实证研究[J].证券市场导报，2013（4）：34-38.
[15]夏芳.盈余管理、投资者情绪与股价“同涨同跌” [J].证券市场导报，2012（8）：49-56.
[16] Sanso，A，V. Arrago and J. L. Carrion. Testing for change in the unconditional variance of financial time series [J] . Revistade Economia Financiera，2004（ 4）：32-53.
[17] Inclan，C. and G. C. Tiao. Use of cumulative sums of squares for retrospective detection of changes in Variance [J] . Journal of the American Statistical Association，1994，89（427）：913-923.
[18] Andreou，E. and E. Ghysels. Detecting Multiple Breaks in Financial Market Volatility Dynamics [J] . Journal of Applied Econometrics，2002，17（5）：579-600.
[19] Newey，W.K. and K. D. West. Automatic Lag Selection in Covariance Matrix Estimation [J] . Review of Economic Studies，1994，61（4）：631-653.
[20] Aggarwal，R.，C. Inclan and R. Leal .Volatility in Emerging Stock Markets [J] . The Journal of Financial and Quantitative Analysis，1999，34（1）：33-55.
[21] Franses，P. H. and H. Ghijsels. Additive outliers， GARCH and forecasting volatility [J] . International Journal of Forecasting，1999，15（1）：1-9.
关键词：股市；GARCH；异常值；结构突变
文章编号：2095-5960（2014）02-0043-07；中图分类号：F830；文献标识码：A
一、引言与文献综述
波动性是金融理论的核心，精确刻画金融资产收益的波动性对开展金融活动至关重要。然而，一些诸如政策调整或金融危机等经济冲击事件往往会造成金融系统短期内剧烈震荡，使资产收益率出现异常变化甚至改变其波动预期。这种异常变化极有可能引起资产收益的无条件方差出现时变特性，即改变波动的持续性。而以往大多数的研究，均使用一个稳定的ARCH（GARCH）[1][2]过程对金融市场的收益率进行波动性建模，显然忽略了这种结构性变化产生的影响。
事实上，20世纪90年代以来一些学者便开始注意到波动的时变特性（Diebold，1986；Lamoureux&Lastrapes，1990）[3]]4]。Mikosch&Sarica（2004）[5]强调，忽略了波动的结构突变性将导致GARCH模型的估计结果出现偏误，过高的估计波动的持续性，即出现伪持续现象。Malik & Hassan（2004）[6]、Rapach & Strauss（2008）[7]等指出，通过ICSS算法检测出的结构突变时点往往与一些重要经济冲击事件相关，这些政策事件可能是波动出现结构突变的诱导因素。Malik、Ewing&Payne（2005）[8]、Kang、Cho&Yoon（2009）[9]、Kumar&Maheswaran（2012）[10]等研究发现，股票市场的结构突变性不仅存在于发达国家市场，还广泛存在于诸如东欧、亚洲等一些新兴市场国家中，且这种波动的结构性变化较之更为频繁，这也与新兴市场国家更容易受到国内政策的干预和国外经济冲击等现状相符，市场表现出不稳定的特点。更进一步，这些经济冲击事件同时也会导致金融时间序列的收益出现异常观测值（Outliers）。而Rodrigues&Rubia（2011）[11]最近的研究则表明，异常值的存在会严重影响基于ICSS算法下的结构突变检测结果，降低其检验势甚至检测出错误的突变时点。国内研究方面，王芳和张文爱（2012）[12]探究了中国股票市场的双记忆性与结构突变性，发现波动的结构突变会影响长记忆特性。谢赤和赵丹（2012）[13]的实证结果表明，人民币汇率在对其他几种主要货币存在不同程度的伪持续性现象，而加入结构突变点后有效降低了波动的伪持续性。李宇浩和顾锋娟（2013）[14] 运用GARCH模型，对2005年1月至2012年6月国际股票市场、国际债券市场、国际外汇市场和资本流入对我国沪深300指数的传导影响进行研究。实证分析表明，“世界因素”对我国股市收益率 （yield）存在显著传导影响，我国股市收益率超过1/4的波动可以从“世界因素”中得到解释，这说明当前国际金融市场风险已经成为我国股市波动的重要源头。夏芳（2012）[15]研究发现，管理者盈余管理使得股价同步性降低，而投资者情绪波动使得股价同步性上升；但是，两者均导致股票收益的“惯性”或“反转”效应增强，即市场信息效率下降。
就中国而言，股票市场受政策干预较多，这使得收益率出现异常值的现象更为突出，而以上文献中较少注意到异常值的存在对结构突变的影响。因此，本文在Rodrigues&Rubia（2011）的基础上，在研究中加入异常值对结构突变的影响，一方面探究中国股票市场的政策特性，另一方面则通过剔除异常值的影响，探究股市波动的结构突变特性，进而提出相应的政策建议。
二、计量方法介绍
（一）结构突变检验——修正的ICSS算法
表2中还给出了这些异常值附近时点上所产生的一些经济、政治等冲击事件。可以看出，在整个样本期内有近75%的异常值出现均与政府对市场的干预直接相关，这可能是由于中国资本市场刚起步，市场行为还未趋于规范，因而“政策市”的特点比较明显。例如1996年为抑制股市过度投机，《人民日报》刊登的社论引发股市一轮较大幅度的调整，1999年为搞活市场的六项政策则引爆了著名的“5·19”行情，2000年以后的新股配售制度、国有股减持办法等。这些政策的出台，不仅仅在当天影响到股市价格，还影响股市日后的走势。另外，金融全球化背景下，中国股市逐渐受到全球金融市场的影响。金融危机初期，全球股市下挫触发“中国资产价值重估”，2008年1月22日随着平安融资消息发布，两市重挫7%，近千只个股跌停，并由此伴随世界股市一路下跌。
需要说明的是，2008年9月20日至2013年7月5日期间近5年内并未检测出其他异常值，通过统计分析发现，这段时期内股市日收益率的绝对值在2008年9月22日最大，日收益为7.7%。该时点紧邻最后一个异常值点（当天日收益为9.45%），因此具有很强的惯性因素，而非政策冲击。若将临界值放宽至C=8，以上证指数为例，则检测出39个异常值，其中有5个异常值位于2008年9月20日后的时段，取绝对值处理，最小值为6.05%，从冲击的程度上看，有4个异常值小于之前检测结果的最低水平7.61%。本文对异常值检测采用了较高的临界值，更多的是关注那些对股市影响程度较为剧烈的冲击事件，检测结果与实际情况一致。2008年9月19日之后中国股市出现异常波动的情况有所下降，这与波动的结构突变特性也是相一致的，即波动相继进入低波动机制内。 （三）方差的结构突变检验
对数据进行异常值修正后，我们通过结构突变检验发现，上证A股指数与深成指数的波动性在样本期内均出现了5次结构突变现象，将样本序列划分为6个不同的机制（Regime）。图1、2中，分别用个标准差的带宽刻画每个结构突变点所定义的区间。另外，与Malik & Hassan（2004）、Rapach & Strauss（2008）等一样，我们还在表3中列出了这些结构突变时点附近选取的一些重要经济冲击事件。
四、结论与政策建议
综上所述，结构突变的引入对于正确认识中国股市的波动特征至关重要。本文通过引入异常值检验，剔除异常值对结构突变检测的影响之后，对中国股市1996年12月16日至2013年7月5日这17年间收益率的波动性进行实证分析，发现：
在异常值检测上，上证A股存在16个异常观测值，深成指数存在13个异常观测值，绝大多数异常观测值的出现往往与一些政策事件相关，从另一方面印证了中国股市的“政策市”特点。此外，2007年以后中国股票市场也开始更多地受到全球市场的影响，国际金融市场上的突发性剧烈动荡也会影响中国股市收益的波动状况。
剔除异常值对结构突变检测的影响之后，沪深股市收益的波动特征在样本期内各出现了5次结构突变，而在2005年之后这种突变现象较频繁。这表明中国资本市场仍是一个不成熟的市场，存在着波动的不稳定性，且政策冲击、制度变迁和金融危机等冲击事件对市场的影响较为明显，而这些冲击事件可能是引起市场收益的波动出现结构突变的诱因。
最后，在伪持续现象上，中国股市收益波动的持续性较长，即一旦出现较大的冲击，金融系统表现出比较明显的不稳定性，且这种动荡的持续时间也较长，这也符合新兴市场国家资本市场特点。
尽管中国经济总量已跃居世界第二，但中国资本市场的发展依然相对滞后。在金融自由化和全球化浪潮下，监管者应准确把握金融市场的波动特性及其时变特性。一方面，应当完善制度建设，通过出台相关政策法规，从法理上规范资本市场的正常秩序，维护广大普通投资者的合法权益，并加强对广大投资者的引导，积极引导投资者回归理性投资，方可有效降低资本市场的非理性波动。另一方面，在干预市场时，监管者还应密切关注国内外宏观经济形势，评估这些冲击因素对中国资本市场的影响，方可制定有效的政策方案来应对其可能对中国资本市场造成的结构性变化影响以及潜在的极端市场风险，降低这种影响程度并减少由此造成的潜在损失。
参考文献：
[1] Engle，R. F.Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation [J]. Econometrica，1982.50（4）：987-1007.
[2] Bollerslev，T. Generalized autoregressive conditional heteroskedasticity [J].Journal of Econometrics，1986，31（3）：307 – 327.
[3] Diebold，F. X. Modeling the persistence of conditional variance： a comment [J].Econometric
Reviews，1986，5（1）：51-56.
[4] Lamoureux，C. G. and W. D. Lastrapes. Persistence in Variance， Structural Change， and the
GARCH Model [J] . Journal of Business and Economic Statistics，1990，8（2）：225-234.
[5] Mikosch，T. and C. Sarica. Nonstationarities in financial time series， the long range dependence， and the IGARCH effects [J] . Review of Economics and Statistics，2004，86（1）：378-390.
[6] Malik，F. and S. A. Hassan. Modeling volatility in sector index returns with GARCH models using an iterated algorithm [J] . Journal of Economics and Finance，2004，28（2）：211-225.
[7] Rapach，D. E. and J. K. Strauss. Structural breaks and GARCH models of exchange rate volatility [J].Journal of Applied Economics，2008，23（1）：382-416.
[8] Malik，F.，B. T. Ewing and J. E. Payne. Measuring volatility persistence in the presence of sudden changes in the variance of Canadian stock returns [J].Canadian Journal of Economics，2005，38（3）：1037-1056.
[9] Kang，S. H.，H. G. Cho and S. M. Yoon. Modeling sudden volatility changes： Evidence from Japanese and Korean stock markets [J] . PHYSICA，2009，388（17）：3543-3550. [10] Kumar，D. and S. Maheswaran. Modelling asymmetry and persistence under the impact of sudden changes in the volatility of the Indian stock market [J].IIMB management Review，2012，24（4）：123-136.
[11] Rodrigues，P. M. and A. Rubia. The Effects of Additive Outliers and Measurement Errors when Testing for Structural Breaks in Variance [J] . Oxford Bulletin of Economics and Statistics，2011，73（4）：449-468.
[12]王芳，张文爱.中国股票市场结构突变与双长记忆的实证分析 [J].统计与决策，2012（7）：152-155.
[13]谢赤，赵丹. 结构突变会影响人民币汇率收益率波动特性吗？[J].南方经济，2012（9）：102-115.
[14]李宇浩，顾锋娟.风险传导、资本流入与股市波动——基于沪深300指数的实证研究[J].证券市场导报，2013（4）：34-38.
[15]夏芳.盈余管理、投资者情绪与股价“同涨同跌” [J].证券市场导报，2012（8）：49-56.
[16] Sanso，A，V. Arrago and J. L. Carrion. Testing for change in the unconditional variance of financial time series [J] . Revistade Economia Financiera，2004（ 4）：32-53.
[17] Inclan，C. and G. C. Tiao. Use of cumulative sums of squares for retrospective detection of changes in Variance [J] . Journal of the American Statistical Association，1994，89（427）：913-923.
[18] Andreou，E. and E. Ghysels. Detecting Multiple Breaks in Financial Market Volatility Dynamics [J] . Journal of Applied Econometrics，2002，17（5）：579-600.
[19] Newey，W.K. and K. D. West. Automatic Lag Selection in Covariance Matrix Estimation [J] . Review of Economic Studies，1994，61（4）：631-653.
[20] Aggarwal，R.，C. Inclan and R. Leal .Volatility in Emerging Stock Markets [J] . The Journal of Financial and Quantitative Analysis，1999，34（1）：33-55.
[21] Franses，P. H. and H. Ghijsels. Additive outliers， GARCH and forecasting volatility [J] . International Journal of Forecasting，1999，15（1）：1-9.