股票收益波动与Beta系数的时变性
金融市场β系数分析
金融市场β系数分析β系数是金融市场中常用的一个统计量，用于衡量一个资产对市场指数的变动敏感程度。
本文将探讨β系数的定义、计算方法以及其在金融市场分析中的应用。
首先，β系数是通过计算资产的收益率与市场指数的收益率之间的协方差来衡量的。
β系数的定义为：β = Cov(Asset, Market) / Var(Market)其中，Cov(Asset, Market)表示资产收益率与市场指数收益率的协方差，Var(Market)表示市场指数收益率的方差。
β系数的值可以为正数、负数或零。
当β系数大于1时，表示资产的价格变动比市场指数的变动更剧烈，即具有比市场更高的波动率。
反之，当β系数小于1时，资产的价格变动比市场指数的变动更为平缓。
计算β系数的方法有多种，其中最常用的方法是通过回归分析来计算。
具体而言，可以将资产的收益率作为因变量，市场指数的收益率作为自变量，通过最小二乘法来拟合线性回归模型，从而得到β系数的估计值。
在金融市场分析中，β系数具有广泛的应用。
首先，β系数可以帮助投资者评估资产的风险特征。
当一个资产的β系数较高时，表明该资产的价格波动与市场的波动密切相关，投资者在选择资产时需要考虑市场的整体情况。
相反，当一个资产的β系数较低时，表明其价格变动与市场指数的变动关系较弱，投资者可以将资产作为分散风险的一种策略。
其次，β系数还可以用于资产组合的构建和管理。
通过计算资产的β系数，投资者可以确定不同资产在组合中的权重，从而实现风险与收益之间的平衡。
在构建资产组合时，通常选择具有低β系数的资产来降低整体风险，同时选择具有较高β系数的资产来提高组合的收益。
此外，β系数还可以用于金融市场的预测和投资策略。
通过观察β系数的变化，投资者可以判断市场的趋势和资产的估值水平。
当市场的β系数高企时，可能表明市场热度较高，投资者可能需要警惕市场的过热情况。
反之，当市场的β系数较低时，可能标志着市场的冷清，此时投资者可以积极寻找低估值的投资机会。
影响beta值的因素
影响beta值的因素
影响Beta值的因素主要包括以下几个方面：
1. 市场波动性：Beta值是衡量个股相对于整个市场波动的指标，市场的波动性越大，个股的Beta值往往也会越大。
市场波动性可以通过统计股票和市场指数的历史数据来计算。
2. 业务风险：不同行业和公司的业务风险不同，业务风险越高，Beta值也往往越高。
例如，高科技行业的公司更容易受到技术变革和市场需求波动的影响，所以其Beta值一般较高。
3. 财务杠杆：财务杠杆是指公司在融资过程中借入的资本相对于股东自有资本的比例。
公司通过债务融资来扩大业务规模，增加负债风险，这会导致公司的股东所面临的风险增加，从而提高股票的Beta值。
4. 盈利能力：盈利能力是衡量公司经营状况的一个重要指标，盈利能力越高，公司的股票风险相对较小，其Beta值也相对较低。
5. 股票流通性：股票在市场上的流通性也会影响Beta值。
流通性越高，交易活跃度越大，市场反应更敏感，Beta值也会相应增加。
需要指出的是，Beta值是一个统计量，只能提供一个相对的参考，不能完全准
确地预测个股的风险水平。
在投资决策中，还需要综合考虑其他因素，如公司的财务状况、管理层能力等。
β系数的公式
β系数的公式β系数是金融和投资领域中一个重要的概念，用于衡量一种资产或投资组合相对于整个市场的波动性。
它的公式看起来可能有点复杂，但咱们一步步来，保证能搞明白。
咱们先来说说β系数的定义哈。
简单来说，β系数反映了一种资产的收益与市场整体收益之间的关系。
如果β系数大于 1，那就意味着这资产比市场更“活泼”，波动更大；要是β系数小于 1，就说明它相对市场比较“沉稳”，波动较小；而β系数等于 1 呢，就表示它和市场的波动基本同步。
β系数的公式是这样的：β = Cov(Ri, Rm) / Var(Rm) 。
这里面，Cov(Ri, Rm) 表示资产 i 的收益与市场收益的协方差，Var(Rm) 表示市场收益的方差。
咱举个例子来说明一下。
比如说有一只股票，咱就叫它“小强股”。
在过去一段时间里，市场整体上涨的时候，“小强股”涨得更猛；市场下跌的时候，它跌得也更惨。
咱们通过计算和分析它的历史数据，发现它的β系数大于 1 。
这就说明“小强股”的波动比整个市场要大，风险相对也高，但潜在的收益可能也更大。
再比如说，有另一只股票，叫“稳稳股”。
市场涨的时候，它涨得没那么多；市场跌的时候，它跌得也少。
算出来它的β系数小于 1 ，这就表明它相对市场比较稳定，风险较小。
我记得有一次，我和几个朋友一起研究投资。
其中一个朋友对β系数一知半解，就凭着感觉乱买股票。
结果呢，买的那些股票β系数都偏高，市场稍微有点波动，他就亏得叫苦连天。
这可给我们上了生动的一课，让我们深刻认识到，不搞清楚β系数，不了解自己投资的资产的风险特性，那可真是不行。
在实际应用中，β系数对于投资者制定投资策略非常重要。
如果您是个风险偏好型的投资者，可能会更倾向于选择β系数高的资产，追求高收益；要是您比较保守，那β系数低的资产可能更适合您，能让您晚上睡得安稳些。
总之，β系数的公式虽然看起来有点头疼，但只要咱们多琢磨琢磨，结合实际例子来理解，还是能掌握好这个重要工具的，帮助咱们在投资的道路上走得更稳当。
β系数详解
β系数β系数也称为贝他系数（Beta coefficient），是一种风险指数，用来衡量个别股票或股票基金相对于整个股市的价格波动情况。
β系数是一种评估证券系统性风险的工具，用以度量一种证券或一个投资证券组合相对总体市场的波动性，在股票、基金等投资术语中常见。
β（贝塔）系数简介贝塔系数是统计学上的概念，它所反映的是某一投资对象相对于大盘的表现情况。
其绝对值越大，显示其收益变化幅度相对于大盘的变化幅度越大；绝对值越小，显示其变化幅度相对于大盘越小。
如果是负值，则显示其变化的方向与大盘的变化方向相反；大盘涨的时候它跌，大盘跌的时候它涨。
由于我们投资于投资基金的目的是为了取得专家理财的服务,以取得优于被动投资于大盘的表现情况，这一指标可以作为考察基金经理降低投资波动性风险的能力。
在计算贝塔系数时,除了基金的表现数据外,还需要有作为反映大盘表现的指标。
根据投资理论，全体市场本身的β系数为1，若基金投资组合净值的波动大于全体市场的波动幅度，则β系数大于1。
反之，若基金投资组合净值的波动小于全体市场的波动幅度，则β系数就小于1。
β系数越大之证券，通常是投机性较强的证券。
以美国为例，通常以史坦普五百企业指数(S&P 500)代表股市，贝他系数为1。
一个共同基金的贝他系数如果是1.10，表示其波动是股市的1.10 倍，亦即上涨时比市场表现优10%，而下跌时则更差10%;若贝他系数为0．5，则波动情况只及一半。
β= 0.5 为低风险股票，β= l. 0 表示为平均风险股票，而β= 2. 0 → 高风险股票，大多数股票的β系数介于0.5到l.5间。
[1]贝塔系数衡量股票收益相对于业绩评价基准收益的总体波动性，是一个相对指标。
β 越高，意味着股票相对于业绩评价基准的波动性越大。
β 大于 1 ，则股票的波动性大于业绩评价基准的波动性。
反之亦然。
如果β 为 1 ，则市场上涨10 ％，股票上涨10 ％；市场下滑10 ％，股票相应下滑10 ％。
什么是β 贝塔系数？如何使用β 贝塔系数？β 贝塔系数在实战的应用 贝塔系数概述( β )
什么是β 贝塔系数？如何使用β 贝塔系数？β 贝塔系数在实战的应用贝塔系数概述（β）贝塔系数衡量股票收益相对于业绩评价基准收益的总体波动性，是一个相对指标。
β越高，意味着股票相对于业绩评价基准的波动性越大。
β大于 1 ，则股票的波动性大于业绩评价基准的波动性。
反之亦然。
如果β为 1 ，则市场上涨 10 ％，股票上涨 10 ％；市场下滑 10 ％，股票相应下滑 10 ％。
如果β为 1.1, 市场上涨 10 ％时，股票上涨 11%, ；市场下滑 10 ％时，股票下滑 11% 。
如果β为 0.9, 市场上涨 10 ％时，股票上涨 9% ；市场下滑 10 ％时，股票下滑 9% 。
贝塔系数（Beta coefficient）是一种评估证券系统性风险的工具，用以度量一种证券或一个投资证券组合相对总体市场的波动性。
在股票、基金等投资术语中常见。
贝塔系数是统计学上的概念，是一个在＋1至-1之间的数值，它所反映的是某一投资对象相对于大盘的表现情况。
其绝对值越大，显示其收益变化幅度相对于大盘的变化幅度越大；绝对值越小，显示其变化幅度相对于大盘越小。
如果是负值，则显示其变化的方向与大盘的变化方向相反；大盘涨的时候它跌，大盘跌的时候它涨。
由于我们投资于投资基金的目的是为了取得专家理财的服务,以取得优于被动投资于大盘的表现情况，这一指标可以作为考察基金经理降低投资波动性风险的能力。
在计算贝塔系数时,除了基金的表现数据外,还需要有作为反映大盘表现的指标。
β系数计算方式（注：杠杆主要用于计量非系统性风险）（一）单项资产的β系数单项资产系统风险用β系数来计量，通过以整个市场作为参照物，用单项资产的风险收益率与整个市场的平均风险收益率作比较，即：另外，还可按协方差公式计算β值，即注意：掌握β值的含义◆ β=1，表示该单项资产的风险收益率与市场组合平均风险收益率呈同比例变化，其风险情况与市场投资组合的风险情况一致；◆ β＞1，说明该单项资产的风险收益率高于市场组合平均风险收益率，则该单项资产的风险大于整个市场投资组合的风险；◆ β＜1，说明该单项资产的风险收益率小于市场组合平均风险收益率，则该单项资产的风险程度小于整个市场投资组合的风险。
证券系统β的含义及应用
证券系统β的含义及应用证券系统β是衡量股票或投资组合相对于市场整体的波动性的指标。
它反映了投资者在承担一定风险的情况下，可以获得的市场收益与市场平均收益之间的差异。
证券系统的β系数可以通过以下公式计算：β= (Pm - Rf) / [σp * (Rm - Rf)]其中，Pm表示市场组合的平均收益率，Rf表示无风险利率，σp表示市场组合的标准差，β表示证券的β系数。
β系数的含义和应用：1. 含义：- β系数的正负值代表了该证券相对于市场的波动性。
如果β系数为正值，则表示该证券的价格波动性大于市场平均水平；如果β系数为负值，则表示该证券的价格波动性小于市场平均水平。
- β系数的大小取决于证券的风险水平和市场的整体风险水平。
一般来说，风险较高的证券（如小盘股、高收益债券等）具有较高的β系数；而风险较低的证券（如蓝筹股、政府债券等）具有较低的β系数。
2. 应用：- 资产配置：投资者可以根据证券的β系数来进行资产配置。
当投资者希望追求更高的回报时，可以选择具有较高β系数的资产（即具有较高波动性），以期望获得超过市场平均水平的收益。
相反，当投资者更关注风险控制时，可以选择具有较低β系数的资产（即具有较低波动性）。
- 风险管理：证券的β系数可以用于评估投资组合的风险水平。
通过将不同证券的β系数加权求和，可以得到整个投资组合的β系数。
较高的投资组合β系数意味着较高的整体风险水平，而较低的投资组合β系数意味着较低的整体风险水平。
- 相对价值分析：通过比较不同证券的β系数，可以进行相对价值分析。
当投资者认为某只股票或债券相对于市场的波动性过高时，可能会认为其被高估，从而选择卖出该证券；相反，当投资者认为某只股票或债券相对于市场的波动性过低时，可能会认为其被低估，从而选择买入该证券。
举例说明：假设市场上有三只股票A、B和C，它们的收益率分别为10%、15%和20%。
根据上述公式，我们可以计算出它们的β系数：- A股票的β系数= (0.1 - 0) / [0.01 * (0.15 - 0)] = 0.15- B股票的β系数= (0.15 - 0) / [0.01 * (0.2 - 0)] = 0.3 - C股票的β系数= (0.2 - 0) / [0.01 * (0.25 - 0)] = 0.5 从这个例子可以看出，C股票具有最高的β系数，即最大的波动性；而A股票具有最低的β系数，即最小的波动性。
股票收益波动与Beta系数的时变性
文章编号:1003-207(2003)01-0010-04股票收益波动与Beta 系数的时变性赵桂芹(上海财经大学经济学院,上海 200083)摘 要:本文利用扩展的S -S 模型,对上海股市2000年间的日收益数据进行实证分析,以进一步探讨小公司股票、大公司股票收益波动和市场波动之间的关系。
研究结果发现,在市场波动加剧时大公司股票与小公司股票的反应是不同的,小公司的系统风险更易于增大。
因此在进行事件研究时,必须考虑到Beta 系数的时变性。
关键词:G J R -G ARCH 模型;Beta 系数;S -S 模型中图分类号:F830.9 文献标识码:A收稿日期:2002-07-18;修订日期:2002-12-03作者简介:赵桂芹(1975-),女(汉族),山东莱西人,上海财经大学经济学院博士生,研究方向:数量经济11 文献回顾关于资产定价模型中Beta 系数的时变性已经有很多文献讨论过(如Blume (1975),Fabozziand and Francis (1978),Gregory -Allen 等(1994))。
尽管单一Beta 系数的资本资产定价模型(CAPM )历经20多年仍具有强大的生命力,但目前学术界的共识是,对于刻画预期收益的模截面特性而言,单一因素是不充分的,其它因素如企业规模和账面市值比等对收益也有很强的解释能力,三因素模型已被证明比单因素CAPM 模型更符合经验数据。
估计股票收益的波动性对度量组合的系统风险很重要。
已有经验证据证明,Beta 系数与熊市牛市的市场条件也存在某些关系,熊市更易与同高波动相关联,而这增加了的不确定性将导致投资者调整他们的投资组合,比如减持小盘股,增持大般股。
因此在熊市或者牛市中,小盘股和大盘股的反应是不同的。
国外,Swhwert and Seguin (1990)利用单因子市场模型,得到了时变的beta 值。
他们发现均值调整收益与公司规模大小有关,若考虑到收益误差的异方差性,相关性更加明显。
浅谈贝塔系数
浅谈贝塔系数在现代财务和金融理论的研究中，风险被定义为不确定性，风险与投资的预期报酬紧紧地联系在一起，即通常所说的高风险高收益，低风险低收益。
风险分为系统性风险与非系统性风险。
系统性风险是指影响整个经济市场的风险（包括政治风险、自然风险、宏观经济风险等），非系统风险是指某些特定实体所具有的风险（包括经营风险、操作风险、财务风险等）。
市场往往只对系统风险给予投资回报，而不对非系统风险给予投资回报。
随着有关资本市场理论的建立和发展，经济学家们提出了一系列度量金融风险的方法，建立在CAPM基础上的贝塔(Beta，文中有时用β表示)系数就是其中一种广泛采用的风险度量标准，权益贝塔一般由对上市公司股票的市场价格进行回归统计得到的，对其卸载财务杠杆后可得到资产贝塔。
1952年，哈里﹒马克威茨(Harry M ．Markowitz)在Journal of Finance发表的文章“Portfolio Selection”中提出了均值——方差模型，开创性的利用数理统计语言描述了金融市场中投资者的行为，奠定了金融学定价模型的基础，成为现代金融理论的一个重要里程碑。
之后，它被人们广泛应用于实际投资组合决策。
在资产组合理论的前提下，威廉﹒夏普(William F．Sharpe) (1964)等人在Markowitz的基础上提出了CAPM理论，奠定了研究资本市场价格的理论框架。
之后，Fama(1970)提出了有效市场假说(Effective Market Hypothesis，EMH)，并给出了金融市场价格运动规律的实证检验思路。
而Black、Scholes(1973)以及Merton(1973)等人先后在CAPM的基础上提出了衍生金融品的定价模型，逐渐形成了现代金融系统中对资产定价领域内的研究框架结构。
资本资产定价模型(Capital Asset Pricing Model，CAPM)最早由Sharpe(1964)、Lintner(1965)、Mossin(1966)等人提出的，它是通过衡量某一种资产对风险的暴露而确定资产的价格，是一种寻求资产绝对价格的思路。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号:1003-207(2003)01-0010-04股票收益波动与Beta 系数的时变性赵桂芹(上海财经大学经济学院,上海 200083)摘 要:本文利用扩展的S -S 模型,对上海股市2000年间的日收益数据进行实证分析,以进一步探讨小公司股票、大公司股票收益波动和市场波动之间的关系。
研究结果发现,在市场波动加剧时大公司股票与小公司股票的反应是不同的,小公司的系统风险更易于增大。
因此在进行事件研究时,必须考虑到Beta 系数的时变性。
关键词:G J R -G ARCH 模型;Beta 系数;S -S 模型中图分类号:F830.9 文献标识码:A收稿日期:2002-07-18;修订日期:2002-12-03作者简介:赵桂芹(1975-),女(汉族),山东莱西人,上海财经大学经济学院博士生,研究方向:数量经济11 文献回顾关于资产定价模型中Beta 系数的时变性已经有很多文献讨论过(如Blume (1975),Fabozziand and Francis (1978),Gregory -Allen 等(1994))。
尽管单一Beta 系数的资本资产定价模型(CAPM )历经20多年仍具有强大的生命力,但目前学术界的共识是,对于刻画预期收益的模截面特性而言,单一因素是不充分的,其它因素如企业规模和账面市值比等对收益也有很强的解释能力,三因素模型已被证明比单因素CAPM 模型更符合经验数据。
估计股票收益的波动性对度量组合的系统风险很重要。
已有经验证据证明,Beta 系数与熊市牛市的市场条件也存在某些关系,熊市更易与同高波动相关联,而这增加了的不确定性将导致投资者调整他们的投资组合,比如减持小盘股,增持大般股。
因此在熊市或者牛市中,小盘股和大盘股的反应是不同的。
国外,Swhwert and Seguin (1990)利用单因子市场模型,得到了时变的beta 值。
他们发现均值调整收益与公司规模大小有关,若考虑到收益误差的异方差性,相关性更加明显。
在总体市场波动加剧时,小公司的系统风险易于增加,而大公司的系统风险易于减小。
这些发现意味着:在总体市场波动较高时,小公司和大公司之间的系统风险之差较大,而在总体市场波动较低时系统风险之差较小。
Episcopos (1996)借鉴Swhwert and Seguin (1990)的模型(以后简称S -S 模型),利用TSE300指数和11个工业指数的日收益数据考察了加拿大股票市场收益的时间序列特征。
发现TSE300综合指数的波动性与其中的三个工业指数的系统风险呈正相关关系,这意味着这三个指数的行为与小公司的反应类似。
K outmos 等(1994)和Reyes (1999)将S -S 模型应用到几个国际证券市场的股票指数收益上,发现世界市场的波动性和日本、美国股票市场的系统风险呈负相关关系,而与澳大利亚、德国、瑞士等市值较小的市场的系统风险却呈正相关关系。
Reyes (1999)考察了美国股票市场公司规模和Beta 时变性之间的关系。
通过将分析局限到一个市场,对时变的Beta 系数能够直接检验到规模效应。
通过对市场模型中收益残差的异方差重新建模,他推广了S -S 市场模型。
他认为,考虑到S -S 市场模型中波动的G ARCH 效应,Beta 系数的估计显著不同于忽略异方差时Beta 系数的估计,并讨论了这些结果对事件研究的意义。
Reyes and Grieb (2001)对巴西在1989-1995期间可投资的38只股票,利用扩展的S -S 市场模型考察公司规模和时变的Beta 系数之间的关系。
发现在总体市场波动加剧时,无论公司规模大小,股票的系统风险都易于增大。
市场波动与系统风险正相关。
国内,周文等(1999)以1995年1月5日前在上海证券交易所上市的50家公司为样本,对1996年到1998年8月期间上海股票市场的小公司效应进行实证检验,发现从整个检验期来看,上海股市具有显著的小公司效应。
尤其是1997年与1998年,除了个别组合出现异常外,公司规模与异常收益率呈反方向变动,具有明显的小公司效应。
第11卷 第1期2003年 2月 中国管理科学Chinese Journal of Management Science Vol.11,No.1Feb., 2003本文将对上海股市2000年间的日收益数据利用扩展的S-S模型进行实证分析,以进一步探讨小公司与大公司股票的系统风险和市场波动的关系。
2 数据样本区间为2000年1月1日到2000年12月30日。
利用上证综合指数作为市场组合,其波动情况大体反映了市场波动的程度。
再随机选择上海股票市场的50家小公司和50家大公司,其选择标准如下:截至1999年12月底,若该公司的流通股数低于3000万股,称之为小公司,若流通股数高于115亿股,称之为大公司。
在样本区间内,虽然有些公司实行了增资扩股,但由于与已经流通的公司股数相比规模较小,因此基本不影响本文的结论。
定义公司i不考虑现金红利的日个股收益计算由下面的公式给出:R i,t=P i,t(1+F i,t+S i,t)3C i,tP i,t-1+C i,t S i,t K i,t-1其中,P i,t是股票i在t日的收盘价;F i,t,S i,t, K i,t,C i,t分别为股票i在t日为除权日时的每股红股数,每股配股数,每股配股价,每股拆细数。
上证综合指数的日收益定义为R mt= P m,t/P m,t-1-1,其中P m,t为上证综合指数在t日的收盘价。
3 模型R i,t=αi+βi,t R m,t+e i,t(1)其中R i,t表示股票i在t日的收益,R m,t为t日的上证综指日收益,e i,t为误差项。
称βi,t为时变的Beta系数,将其表示如下:βi,t=βi+δi/σ2m,t(2)其中βi为不随时间变化的项,σ2m,t为t日的总体市场波动(本文用上证综指收益波动来代表总体市场波动),δi/σ2m,t就代表个股与大盘相关的部分,这是一个随时间t变化的项。
按照式(2),时变的Beta系数就包含一个常数项和一个时变项。
正的δi表示Beta系数与总体市场波动之间的负相关关系,而负的δi表示Beta系数与总体市场波动之间的正相关关系。
Swhwert and Seguin(1990)曾分析过美国股票市场,发现δ对小公司为负,对大公司为正,这意味着小公司与大公司之间的系统风险之差在市场波动较高时变大,而在市场波动较低时变小。
为估计式(2)中的σ2m,t,本文采用G ARCH类模型对条件波动建模。
很多研究表明,G ARCH类模型对股票收益异方差的度量是稳健的。
考虑到好消息和坏消息对市场冲击的不对称性,本文使用Grieb and Reyes(2001)使用的G J R-G ARCH模型。
利用Durbin-Portmanteau的Q统计量检验和La2 grange乘子检验,发现存在残差的条件异方差性,通过LM检验及模型选择,本文设定残差序列服从G ARCH(1,1)过程。
由于B-J检验拒绝误差项服从正态分布,考虑到收益率的“尖峰厚尾性”,因此设定误差项服从条件t(v)分布。
模型如下:R m,t=μ+z m,t(3)z m,t=σm,t e t(4)σ2m,t=w+a1z2m,t-1(1+γS1/2t-1)+b1σ2m,t-1(5)其中e t服从标准化的t(v)分布,v为自由度; z m,t为对应上证综指的日收益的误差项,若z m,t< 0,则S1/2t=1;否则为0。
Ωt-1表示在t-1日所有相关的和可获得的信息组成的信息集。
该模型假定滞后残差的平方对条件方差的影响在正冲击和负冲击时是不同的。
若γ>0,所有的负冲击被加权,并在以后的时期内产生与同样程度的正冲击不同的波动性,即负冲击比正冲击更能提高波动性。
Engle和Ng(1993)认为,在G ARCH模型族中,G J R-G ARCH模型对波动性能够提供最好的预测。
综合式(3),(4),(5),可得条件t分布的对数似然函数是l=∑Tt=1[logГ(v+12)-logГ(v2)-12log((v -2)σ2m,t)-12(v+1)log(1+z2m,tσ2m,t(v-2))]其中Г(・)表示gamma函数。
利用拟牛顿算法对该函数极大化,得到各参数估计,从而得到σ2m,t的估计值。
4 实证结果G J R-G ARCH模型中的参数估计结果如下:表1 G JR-G ARCH模型的参数估计结果μw a1b1γv 010021(010001)1169E26(013385)011183(010309)018748(<01001)116533(011502)411(<01001) (括号内为对应的p值) 由表1可以看出,γ的估计为正,证券收益波动呈现不对称性,负冲击引起的波动大于正冲击引起・11・第1期 赵桂芹:股票收益波动与Beta系数的时变性的波动。
现在利用扩展的S-S市场模型来考察大小公司的系统风险与市场波动的相关性。
对样本中的50个大公司,50个小公司,分别得到参数α,β,δ的估计,其横截面统计结果见表2。
由表2看出,小公司股票的beta系数均值高于大公司股票的beta系数均值,这是因为它们的风险更高,流动性更低,从而要求更高的风险补偿。
100只股票中,有49只股票的δ值估计为负,其中16只股票的估计在011的显著性水平下统计上显著。
在50只大公司股票中,有18只股票的δ估计为负,其中6只显著;而50只小公司股票中的31只δ估计为负,其中10只显著。
表2 应用S-S市场模型得到的参数估计的横截面统计结果αβδ表A大公司股票(50个)最大值0100703117961501000095最小值-01001960105772-01000062均值0100017019031701000011中位数-0100004018538901000017δ<0的个数18δ<0在011水平下显著的个数6表B小公司股票(50个)最大值0100415117961501000125最小值-0100145-1148358-01000100均值01000750198152-217995E26中位数01000551108467-519767E26δ<0的个数31δ<0在011水平下显著的个数10表C所有被考察的股票(100)最大值0100703117961501000125最小值-0100196-1148358-01000100均值01000460194234410592E26中位数01000230195928214961E26δ<0的个数49δ<0在011水平下显著的个数16 小公司股票中δ<0的个数远远大于大公司股票中δ<0的个数,表明小公司与市场波动的正相关关系更强。