股票市场价格波动特征实证分析

股票市场价格波动特征实证分析

摘要：本文以长安汽车的股票作为研究对象，以股票市场价格波动作为研究的核心和出发点，运用Eviews6.0统计分析软件作为主要分析工具建立ARIMA模型。在实证的基础上，分析股票市场价格波动的特征和规律，并预测出其下一阶段时期的价格走势，进一步根据其实际情况提出一些合理，可行的建议和措施。

关键词：股票市场价格波动实证分析ARIMA模型

一、问题提出

股票市场自诞生以来，在资源配置、构建现代企业制度、信息传导等方面一直发挥着其独特的作用，股票市场的建立和发展对解决国有企业筹集资金、国有企业改革转制起了积极的作用，有力地推动了中国经济的发展。股票市场价格的波动对居民和公司的资产变动的影响日益扩大，所以当前人们对于股票价格下一段时期的走势是非常关注的。

然而我国证券市场处于发展的初级阶段，其波动幅度和风险性大大高于国外成熟的市场，尤其是异常波动和超常波动更是频繁出现。长期以来，股票市场价格波动特征的研究已成为学者们和投资者所关注的焦点问题。时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。其中，ARIMA模型是应用最广，最重要的模型之一。本文就是要通过建立ARIMA模型来分析万科A的股价，从而把握其价格波动的特征和规律，并预测出其下一阶段时期的价格走势，进一步根据其实际情况提出一些合理，可行的建议和措施。

二、文献综述

（一）国外文献回顾

Engle于1982年提出了现在得到广泛应用的ARCH模型，ARCH模型假定收益率随机误差项服从条件期望为零，条件方差为以前若干期收益率随机误差项平方的函数的条件正态分布。1986年，Bollserlev对ARCH模型进行了推广，将收益率随机误差项的条件方差的函数推广为包含了以前若干期收益率随机误差方差的函数，并提出)

p

GARCH模型。由

,

(q

于证券的收益率中包含对证券的风险报酬，所以证券的预期收益率与该证券的风险程度密切相关，为了解决证券风险对证券收益率的影响，Engle等人又于1987年引入了M

GARCH

模型,在该模型方程中加入证券收益的条件波动作为证券风险的衡量方法。Black于1976年最先发现股价波动的“杠杆效应”，即利空消息和利好消息对波动的影响是非对称的。针对这一现象Glosten,Jagan.nathan&Runkle（1992），Zakoian（1994）,Nelson（1990）对A R C H 模型进行修正，提出了TGARCH和EARCH两个非对称模型。此后研究者利用这些模型进行了大量的研究，表明ARCH,GARCH模型及其扩展形式对描述金融时间序列的波动性具有非常好的效果。Engle and Ng(1993)比较了GARCH，EGARCH，VGARCH等模型解决波

动非对称性的能力，并应用日本TOPIX 指数收益率进行实证；Chiang and Doong （2001）应用GARCH TAR -对亚洲七个股票交易所的日收益率、周收益率和月收益率分别建模进行估计；Crouhy and Rockinger （1997）应用ATGARCH 和HGARCH 模型对全球21个主要股票市场的波动性进行了实证研究。

（二）国内文献回顾

1999年，吴长风利用回归GARCH 模型对我国沪深股市的分析，得出指数收益率的条件方差序列都是“长记忆”型的。同年，陆金海通过对上海A 股指数以及样本股票的日、周、月收益率的统计分析，证实了我国股票市场上股票价格的尖峰、厚尾特征的存在。陈泽忠、杨启智和胡金泉于2000年将M GARCH -和EGARCH 模型结合在一起，分析我国股市波动性的特点，得出我国股市波动存在非对称ARCH 效应。胡海鹏以1996年12月16日至2001年9月28日上证综指和深圳成指收盘价为样本，利用M EARCH AR --模型对中国股市波动性进行了拟合分析，并对实证结果给予了解释。研究表明，中国股市最近几年实施的交易机制发挥了很好的作用，使以往股市的暴涨猛跌现象在一定程度上得到了抑制，风险传导机制也在逐渐发展起来，但股市仍存在着许多不足。沪深两市的市场组织结构还不能有效地控制和处理偶发事件对股市所造成的强烈冲击，仍需要进一步加强和完善。2002年，陈浪南和黄杰鲤以中国深市作为研究对象，采用M GJARCH -模型从实证的角度分析了利好消息和利空消息对股票市场的非对称影响，结果发现，中国股票市场在分时段考察下，利好和利空消息对于市场价格波动性的影响是不同的，并且其表现出来的“杠杆效应”也有着不同于其他国家的特点。丁华于2003年运用拉格朗日乘数法对沪、深指数收益率序列进行ARCH 现象检验，利用GARCH 模型对上证、深证综指的条件方差进行估计，结果表明条件方差具有明显的聚集性及共动性。

由于我国股票市场正式建立至今只有十几年的时间，在上个世纪关于证券市场方面的研究还基本上是一片空白，专门对股指波动特征进行研究还寥寥无几，实质性研究还屈指可数。因此，本文在扩大样本量的基础上，以长安汽车股票为研究对象，采用时间序列分析，拟合ARIMA 模型，通过分析得到了更为接近实际情况的结论。

三、ARIMA 模型分析的基本思想

股票价格的数据都是时间序列数据，所以对数据采用的定量分析法一般就是时间序列分析法，用到的主要模型是ARIMA 模型。下面简单介绍一下ARIMA 模型的基本思想。

当序列中存在趋势性时，可通过某些阶数的差分处理使序列平稳化。这样的序列被称为是一种准平稳的序列，而相应的分析模型被概括为),,(q d p ARIMA 。其中，d 表示平稳

化过程中的差分阶数；p ，q 分别是偏自相关函数和自相关函数值显著不为零的最高阶。

如果差分阶数0=d ，模型为),0,(q p ARIMA ，即),(q p A

R M A 。ARMA 模型是ARIMA 模型的基础，它是自回归模型(AR )和移动平均模型(MA )有效组合和搭配的结果，称为自回归移动平均模型。对ARMA 模型的理解可分别从自回归模型AR 和移动平均模型MA 的理解开始。