基于EGARCH-M模型的日历效应研究
基于GARCH模型对股票市场进行分析预测
Statistics and Application 统计学与应用, 2021, 10(2), 223-234Published Online April 2021 in Hans. /journal/sahttps:///10.12677/sa.2021.102022基于GARCH模型对股票市场进行分析预测贾雪，吴芷婧，孙佳萍，欧圆，耿帅，白晓东*大连民族大学，辽宁大连收稿日期：2021年3月21日；录用日期：2021年4月5日；发布日期：2021年4月20日摘要本文研究了上海证券综合指数和深圳成分股指数，发现两者趋势十分相似，波动特征几乎相同。
为了更好的预测股票发展，我们对两者对数收益率进行统计分析，建立GARCH模型。
结果表明，我国股票对数收益率波动具有较高持续性，投机因素较强，具有一定的风险。
关键词时间序列分析，描述性统计分析，GARCH模型The Analysis and Forecast of Stock MarketBased on GARCH ModelXue Jia, Zhijing Wu, Jiaping Sun, Yuan Ou, Shuai Geng, Xiaodong Bai*Dalian Minzu University, Dalian LiaoningReceived: Mar. 21st, 2021; accepted: Apr. 5th, 2021; published: Apr. 20th, 2021AbstractThis paper studies Shanghai Composite Index and Shenzhen Component Index, and finds that they have similar trends and almost identical fluctuation characteristics. In order to better predict the stock development, we make statistical analysis on the logarithmic returns of the two, and estab-lish GARCH model. The results show that the fluctuation of logarithmic return rate of Chinese stock has high persistence, strong speculative factors and certain risks.*通讯作者。
6GARCH模型分析与应用解析
6GARCH模型分析与应用解析GARCH （Generalized Autoregressive Conditional Heteroscedasticity）模型是一种用于分析金融时间序列数据的统计模型。
它是以ARCH (Autoregressive Conditional Heteroscedasticity) 模型为基础，将条件方差建模推广为同时考虑过去观测值和条件方差的函数的形式。
GARCH模型的基本形式可以表示为：r_t=μ+ε_tε_t=σ_t*z_tσ_t^2=ω+α*ε_(t-1)^2+β*σ_(t-1)^2其中，r_t是观测值，μ是均值，ε_t是残差，σ_t是条件标准差，z_t是一个符合标准正态分布的随机变量。
GARCH模型的关键在于对条件方差进行建模，其中的参数ω、α和β权衡了过去残差平方值和过去条件方差对当前条件方差的影响。
GARCH 模型的主要优势是能够捕捉金融时间序列数据中的波动特性，尤其是在存在异方差（heteroscedasticity）的情况下。
相比于传统的回归模型，GARCH 模型在考虑了条件方差的情况下能够更准确地进行预测和推断。
此外，由于 GARCH 模型考虑了过去观测值和条件方差的影响，它能够较好地解释金融市场波动性的特征，为投资决策提供更准确的参考。
在金融领域，GARCH模型常用于金融风险管理、期权定价和金融资产组合优化等领域。
特别是在金融风险管理中，GARCH模型可以通过对未来条件方差的预测，提供投资组合的波动性估计，从而帮助投资者选择适合的资产配置和风险对冲策略。
然而，GARCH模型也有一些限制和缺点。
首先，GARCH模型对数据的正态性假设较为敏感，而金融数据通常不符合严格的正态分布。
其次，GARCH模型可能对一些极端事件的预测能力较弱，无法很好地捕捉尾部风险。
最后，GARCH模型需要对模型参数进行估计，参数估计的不准确性可能影响模型的预测能力。
在实际应用中，研究者通常会根据数据的特点和需求来选择不同的GARCH 模型。
garch原理范文
garch原理范文
GARCH模型又称EGARCH（指数加权GARCH），是改进型的GARCH模型，是一种时间序列分析方法，旨在模拟金融时间序列数据的平稳性，并且可
以用于捕获金融市场的不确定性和波动。
是一种应用在金融市场的模型，
用于描述市场风险的变化和收益率之间的关系。
GARCH模型，是一种以金融收益率模型，它不仅考虑收益率数据的短
期行为，而且能够捕捉数据中的非线性行为。
它是在时间序列分析中使用
的重要模型，用于模拟金融时间序列数据的平稳性，以及捕获金融市场的
不确定性和波动。
GARCH模型和ARIMA模型更相近，它们都用于描述收益率数据的变化，但GARCH模型更加关注收益率的变化以及不确定性和波动的捕捉。
ARIMA
模型是一种建立分析收益率行为的线性模型，而GARCH模型像传统的ARIMA模型一样，也要考虑收益率序列的行为。
但是GARCH模型不仅考虑
收益率序列的行为，而且还考虑收益率序列的非线性行为，以及不确定性
和波动。
GARCH模型从市场上诞生，其假设存在收益率序列上的非线性行为，
以及收益率序列本身的不确定性和波动。
主要目的是在模拟数据可靠性的
同时捕获不确定性和波动。
GARCH模型内部包含了一个参数，可以捕获市
场价格的波动和不确定性。
EWMA—GARCH模型与GARCH模型在估计收益率波动上的差异的实证及理论分析
EWMA—GARCH模型与GARCH模型在估计收益率波动上的差异的实证及理论分析作者：陈立等来源：《价值工程》2012年第32期摘要： VaR作为衡量风险的指标，其核心则在于对波动，亦即方差的估计。
基于时间序列，关于条件方差的经典模型是GARCH模型，尽管后来又衍生出了EGARCH， PARCH等复杂模型，但在实务中GARCH模型仍占有重要的地位。
文章分析了一种比较新的结合了EWMA模型的GARCH模型（以下称为EWMA-GARCH模型）计算VaR的参数估计方法，以检验其在估计波动上的实用性，并对实证检验结果做了理论分析。
分析结果表明，尽管该结合模型缺乏完整的理论支持，但是其计算效果仍比较良好，当然这样良好的结果是建立在因缺乏理论依据而导致的对模型的其他要求之上的. 至于是采用受理论支持的模型还是并不输实践价值的模型，文章也给出了一定的建议。
Abstract： As an indicator of risk measurement， the kernel of VaR is to estimate the fluctuation， or the variance. Based on time series， the classical model regarding conditional variance is GARCH model， which is playing an important role even though other more complicated model such as EGARCH and PARCH were proposed. A relatively new GARCH model combining with EWMA model （hereafter called EWMA-GARCH model） is analyzed as a tool for estimating parameters in calculation of VaR. Its validity of estimating fluctuation is examined and the results of the empirical examination are also analyzed theoretically. Results suggest that this model is efficient for such estimation although it is not supported perfectly by theory， and this efficiency is after all based on the other hypothesis on the model due to the imperfect theoretical support. Some suggestions are proposed for adopting whether the theoretically well supported model or the one bearing certain practical values.关键词： GARCH模型；EWMA模型；波动估计；VaRKey words： GARCH model；EWMA model；estimation of fluctuation；VaR中图分类号：F272 文献标识码：A 文章编号：1006-4311（2012）32-0169-041 介绍风险价值（Value at Risk，VaR）是指资产组合在持有期间内在给定的置信度下由于市场价格变动所导致的最大预期损失的数值。
基于GARCH—VaR模型对股市风险研究
基于GARCH—VaR模型对股市风险研究一、引言股市是一种充满风险的投资方式，投资者在进行股市投资时，除了要关注收益外，更需关注股市的风险情况。
股市风险的研究对投资者进行风险管理和决策提供了重要的依据，而GARCH—VaR模型是一种用来研究股市风险的重要工具。
本文将基于GARCH—VaR模型对股市风险进行研究，以期为投资者提供有益的参考。
二、GARCH—VaR模型的理论基础GARCH模型是Generalized Autoregressive Conditional Heteroskedasticity的缩写，是对时间序列数据中的异方差性进行建模的一种方法。
GARCH模型假设时间序列数据的波动率在时间上是变化的，并且与之前一段时间内的观测值的波动率相关。
而Value at Risk （VaR）则是对金融资产或投资组合未来一段时间内可能出现的最大损失进行估计的一种方法，在风险管理中被广泛应用。
GARCH—VaR模型将GARCH模型和VaR方法结合起来，通过GARCH模型对股票价格的波动进行建模，再结合VaR方法对未来投资组合的风险进行预测。
通过GARCH—VaR模型，投资者可以更加精准地估计未来一段时间内可能出现的最大损失，以此来进行风险管理和决策。
1. 数据准备在使用GARCH—VaR模型进行股市风险研究之前，首先需要对相关数据进行准备。
通常会选择某一只股票的历史价格数据，或者选择某个股票指数的历史价格数据。
数据的选择应该充分考虑到所研究的股市风险的具体情况，并且应该包含足够长的时间跨度，以便能够充分反映股市的波动情况。
2. GARCH模型的建立在选定了需要研究的股票或股票指数的历史价格数据后，下一步是建立GARCH模型。
GARCH模型的建立是对股票价格波动的建模，通常可以使用计量经济学中的相关软件来进行估计。
通过对历史价格数据的建模，可以得到GARCH模型的参数，这些参数将会成为后续进行VaR预测的重要依据。
egarch的stata语句
egarch的stata语句EGARCH模型是一种用于建模时间序列波动率的统计方法，它建立了波动率的方程，可以用于预测资产收益率的波动性。
下面是一些在Stata中估计EGARCH模型的语句和示例：1.导入数据：```use datafile, clear```2.估计EGARCH模型：```egarch returns, arch(1) garch(1) df(2)```上述语句中，“returns”是资产收益率的变量名，“arch(1)”表示ARCH部分的滞后阶数，“garch(1)”表示GARCH部分的滞后阶数，“df(2)”表示条件波动率的残差服从自由度为2的t分布。
3.查看估计结果：```estat archlm```上述语句用于检验ARCH效应的显著性。
4.查看波动率的预测：```predict volat, variance```上述语句将EGARCH估计出的波动率保存在名为“volat”的新变量中。
EGARCH模型可以通过拓展引入更多的滞后阶数、其它条件波动率模型或者考虑异方差性的条件因子。
下面示例是一个可能的拓展：```egarch returns, arch(1 2) garch(1 2) df(2) leverage(1) ```上述语句中，“arch(1 2)”表示ARCH部分引入了滞后阶数为1和2，“garch(1 2)”表示GARCH部分引入了滞后阶数为1和2，“leverage(1)”表示考虑了杠杆效应。
这只是一个简单的示例，实际的EGARCH模型可能需要更多的调整和优化，根据具体研究问题进行模型的选择和拓展。
EVIEWS的garch模型族操作
03
Eviews中GARCH模型族的实现
导入数据
打开Eviews软件，选择“File” 菜单中的“Open”选项，找到
需要导入的数据文件，点击 “Open”。
在弹出的对话框中选择数据文件 的类型和格式，确保与实际数据 文件匹配，然后点击“OK”。
在数据表视图中，可以看到导入 的数据文件，可以进行后续操作。
除了基本的预测值，我们还需要对预测结果进行检验。例如，我们可以使用t检验或z检验等方法来检验 预测值的显著性。如果预测值显著不为零，则说明预测结果具有统计意义。
05
GARCH模型族在金融领域的应用案
例
股票波动率预测
总结词
通过使用GARCH模型，可以预测股票市场的波动率，从而为投资者提供决策 依据。
评估预测精度
使用均方误差、平均绝对误差等指标评估模型的预测精度。
将模型应用于实际决策
根据模型预测结果，为风险管理、投资组合优化等提供决策支持。
THANKS
感谢观看
根据研究目的选择合适的GARCH模型：例如， GARCH(1,1)、EGARCH等。
2
使用AIC、BIC等准则进行模型选择，以选择最优 模型。
3
进行残差诊断测试，如Jarque-Bera检验、残差 图等，以评估模型的适用性。
结果解释与决策应用
解释模型参数
解释GARCH模型中的参数，如滞后阶数、波动率等，以理解其对 预测的影响。
它提供了丰富的数据处理、图表绘制、 模型估计等功能，支持多种回归分析、 时间序列分析和计量经济学模型。
Eviews软件特点
界面友好
01
Eviews的用户界面简洁直观，易于上手，适合初学者和专业人
士使用。
GARCH模型及应用简介
GARCH模型与应用简介目录0. 前言(随机序列的条件均值与条件方差简介)11. ARCH与GARCH模型41.1. 概述41.2 ARCH(p)模型.41.3. GARCH(Generalized ARCH) 模型:62. GARCH模型的参数估计72.1. 概述72.2. ARCH模型的参数估计82.2.1. 最小二乘法估计82.2.2. 极大似然估计102.3. GARCH模型的参数估计122.3.1. 极大似然估计122.3.2. 最小二乘估计123 模型检验133.1. 条件异方差性检验133.2. ARCH模型检验143.3. GARCH模型阶数检验154. GARCH模型的应用154.1. 在(自)回归分析中的应用154.2. 在区间预报中的应用164.3. 在风险预测中的应用184.4. 在风险分位值中的应用195. 实例196 某些新进展216.1 某些改进模型216.1.1. β-GARCH模型216.1.2 指数GARCH模型:216.1.3. 多元GARCH模型:216.2. GARCH模型的重尾概率特性226.3. 对VaR的改进23参考文献23附录〔SAS〕：230. 前言(随机序列的条件均值与条件方差简介)考察严平稳随机序列{y t},且E|y t|<∞. 记其均值Ey t=μ,协方差函数γk=E{(y t-μ)(y t+k-μ)}. 其条件期望(或条件均值):E(y t∣y t-1,y t-2,…)≡ϕ(y t-1,y t-2,…), (0.1)依条件期望的性质有Eϕ(y t-1,y t-2,…)=E{E(y t∣y t-1,y t-2,…)}= Ey t =μ.(0.2)记误差(或残差):e t≡y t -ϕ(y t-1,y t-2,…).(0.3)由(0.1)(0.2)式必有:Ee t=Ey t-Eϕ(y t-1,y t-2,…)=Ey t-Ey t=0, (0-均值性) (0.4)及Ee t2=E[y t -ϕ(y t-1,y t-2,…)]2=E{(y t-μ)-[ϕ(y t-1,y t-2,…)-μ]}2 (中心化)=E(y t-μ)2+E[ϕ(y t-1,y t-2,…)-μ]2-2E(y t-μ)[ϕ(y t-1,y t-2,…)-μ]=γ0+Var{ϕ(y t-1,y t-2,…)}-2EE{(y t-μ)[ϕ(y t-1,y t-2,…)-μ]∣y t-1,y t-2,…}( 根据Ex=E{E[x∣y t-1,y t-2,…]} )=γ0+Var{ϕ(y t-1,y t-2,…)}-2E{[ϕ(y t-1,y t-2,…)-μ]E[(y t-μ)∣y t-1,y t-2,…]}( 再用E[x⨯ψ( y t-1,y t-2,…)∣y t-1,y t-2,…]=ψ( y t-1,y t-2,…) E[x∣y t-1,y t-2,…];并取x= (y t-μ), ψ( y t-1,y t-2,…)=[ϕ(y t-1,y t-2,…)-μ];由(0.1)(0.2)可得)=γ0+Var{ϕ(y t-1,y t-2,…)}-2E[ϕ(y t-1,y t-2,…)-μ]2=γ0-Var{ϕ(y t-1,y t-2,…)}. (0.5)即有:γ0=Var(y t)=Var(ϕ(y t-1,y t-2,…))+Var(e t). (0.6)此式说明, y t的方差(=γ0)可表示为: 回归函数的方差(Var(ϕ(y t-1,y t-2,…)), 与残差的方差(Var(e t))之和.下边讨论e t的条件均值与条件方差.为了符号简便, 以下记F t-1={y t-1,y t-2,…}.首先考虑e t的条件均值:E(e t∣F t-1)=E{y t-ϕ( y t-1,y t-2,…) ∣ F t-1}=E(y t∣ F t-1)-E{ϕ( y t-1,y t-2,…) ∣ F t-1}=ϕ( y t-1,y t-2,…)-ϕ( y t-1,y t-2,…)=0.(0.7)再看条件方差:Var(e t∣F t-1)=E{[e t- E(e t∣F t-1)]2∣ F t-1}= E{e t2∣ F t-1} (用(0.7)式)≡S2(y t-1,y t-2,…). (0.8)此处S2(y t-1,y t-2,…)为条件方差函数. 注意, e t的条件均值是零, 条件方差是非负的函数S2(y t-1,y t-2,…), 它不一定是常数!依(0.3)式, 平稳随机序列{y t}总有如下表达式:y t=ϕ( y t-1,y t-2,…)+e t, (0.9)其中ϕ(y t-1,y t-2,…)被称为自回归函数, 不一定是线性的. {e t}可称为新息序列, 与线性模型的新息序列不同, 除非{y t}是正态序列. 顺便指出, 满足(0.4)式的{e t}为鞅差序列, 因为对它的求和是离散的鞅序列. 由于{y t}是严平稳随机序列, 且E|y t|<∞,上述推演是严格的, 从而{e t}是严平稳的鞅差序列. 当{y t}有遍历性时, 它也是遍历的.此处所涉及的抽象概念可不必深究. 现在将e t标准化, 即令εt≡e t/S(y t-1,y t-2,…).那么有,E(εt∣F t-1)=E[e t/S(y t-1,y t-2,…)∣F t-1]={1/S(y t-1,y t-2,…)}E[e t∣F t-1]=0. (依(0.7)式) (0.10)以及E(εt2∣F t-1)=E[e t2/S2(y t-1,y t-2,…)∣F t-1]={1/S2(y t-1,y t-2,…)}E[e t2∣F t-1] (用(0.8))={S2(y t-1,y t-2,…)}/{S2(y t-1,y t-2,…)}=1. (a.s.) (0.11)由此可见, {εt}也是平稳鞅差序列, 与{e t}相比, {εt}的条件方差为常数1. 于是(0.9)式可写为: y t=ϕ( y t-1,y t-2,…) + S(y t-1,y t-2,…)εt,(0.12)此式可称为条件异方差自回归模型〔ARCH〕,所谓条件异方差就是指: 条件方差S2(y t-1,y t-2,…)不为常数.请注意, 条件异方差自回归模型与下文中的自回归条件异方差模型是不同的概念!* 还有一点很重要, 如果(0.9)模型具有可逆性, 那么,Var(e t∣F t-1)=Var(e t∣y t-1,y t-2,…)=Var(e t∣e t-1,e t-2,…)≡h(e t-1,e t-2,…).(0.13)因此, 模型(0.12)式又可些成y t=ϕ( y t-1,y t-2,…) + h1/2(e t-1,e t-2,…)εt. (0.14)请注意, 模型(0.12)(0.14)式是普遍适用(或称万用)的模型!但是, 为便于研究建模理论, 在(0.12)式中还附加假定: εt与{y t-1,y t-2,…}相互独立!此假定是实质性的, 人为的.它对{y t}的概率分布有实质性的限制.还须指出: 假设在(0.9)式中直接假定e t与{y t-1,y t-2,…}独立, 此假定除了上述的人为性含义外, 还增多了如下假定:Var(e t2∣y t-1,y t-2,…) =Var(e t2)=常数. (0.15)这里用了条件期望的一条性质, 即当X与Y独立时,E(X∣Y)= EX.大家要问, 为什么加这些人为的假定呢" 让我们回忆一下这些假定演变的历程吧.在文献中(0.9)式e t先后被假定为:"i.i.d. 且N(0,σ2)〞，〔1943--〕"i.i.d. 且0-均值-方差有穷〞，〔1960--〕"鞅差序列，且条件方差S2(...)=常数〞，〔1970--〕"e t=S(y t-1, y t-2, … )εt，但{εt}为i.i.d. N(0,σ2)序列,而且S(y t-1, y t-2, … )为有限参模型〞,〔1982--〕"e t=S(y t-1, y t-2, … )εt, 但{εt}为i.i.d.序列而且S(y t-1, y t-2, … )为有限参模型〞。
- 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)。
基于EGARCH-M模型的日历效应研究
股市的日历效应证实了市场非有效,在假设市场有效的理论和模型指导下投资必定会产生很大风险,而我国股市发展极为迅速,投资者也日渐益多,因此深入研究日历效应有重要意义。
而日历效应的研究仍多是停留在静态的均值收益和波动方差的方面,而本文将从更全面的角度研究日历效应,同时利用日历效应引导投资者进行市场时机抉择,研究方法主要包括描述统计分析和计量分析。
描述统计分析包括：均值、方差、偏度和峰度；计量模型主要利用到序列t 分布下的EGARCH-M模型,模型分析主要包括波动非对称性、预期风险影响、滞后期收益影响、滞后期波动和杠杆效应。
本文研究思路和具体内容主要如下：本文研究思路是由选题背景→相关文献综述→概念和模型理论阐述→数据处理和模型选择→描述统计和计量模型的实证分析及总结→日历效应成因分析及对投资者影响→提出市场时间抉择和政策建议。
文章内容共分七个章节,具体如下：第一章主要是阐述了选题的背景。
我国股市发展迅速,而股民知识欠缺,投资交易表现非理性,市场呈现非有效特征：日历效应。
因过去研究日历效应主要集中于静态均值收益和方差,而动态的杠杆效应、预期风险、非对称波动等都会影响到投资收益的分布,如果未考虑到相关理论和模型当中,必然会产生很大的不确定性风险。
同时很多研究理论都假设市场有效,模型假设数据服从正态分布,而实际证明却是相反,因此利用非正态模型研究日历效应对于风险控制和理论模型的更新有重要意义。
第二章主要是相关文献综述。
主要阐述了国内外日历效应研究成果。
文献综述主要从星期效应、月份效应和季节效应进行总结归纳国内外研究情
况。
阐述了日历效应被发现到不断发展变化的过程,同时对比分析了我国日历效应的研究方法和结论。
第三章主要是相关概念和模型理论。
主要阐述了日历效应的概念、非正态度量值中的偏度和峰度、行为金融学中的损失厌恶和羊群效应等行为、非对称性波动理论和图形、EGARCH模型的由来和发展。
这章的概念和模型理论主要是服务于后文的日历效应实证分析和原因分析。
第四章主要是数据处理和模型选择,本文选取了沪深两市具有代表性的两个指数：上证综合指数和深证成份指数。
样本选取中考虑了涨停板对正态性和波动性的影响,后期研究将会剔除涨停板限制前数据。
因EGARCH-M模型主要测量具有非对称厚尾性和ARCH效应的序列,同时模型拟合时间序列要求序列平稳,因此数据处理包括序列正态性检验、平稳性检验和ARCH效应检验。
正态性检验用JB和K-S检验、平稳性检验用单位根检验、ARCH检验主要是检验序列残差平方的自相关性。
在模型选择中,分别在GED分布和t分布下用TARCH-M和EGARCH-M模型拟合了两个指数,发现t分布下EGARCH-M模型最优,因此选取该模型为后期实证分析模型。
第五章是文章的实证分析部分。
本章主要利用描述统计和计量模型研究日历效应,包括星期效应、月份效应和季节效应特征分析,主要从均值收益、波动方差、偏度、峰度、预期风险、滞后期收益、非对称性波动、杠杆效应、波动集聚性方面综合阐述日历效应特征,最后进行研究总结。
第六章主要分析了日历效应原因分析及对投资者的影响。
主要认为过度反应、羊群效应、损失厌恶、资金流松紧度、春节效应、财务报表公布、投资行为习惯
等是造成日历效应的原因。
因为日历效应存在,证明市场非有效,因此在假设市场有效的理论和模型指导下,投资者需要承担更大风险。
第七章主要是提出时机选择策略和相关政策建议,本章主要思想是利用实证分析所得的日历效应结论指导实践,引导投资者找准时机切入市场,并建议管理者制定法规管理市场,使市场更为完善和有效。
本文在投资者角度上阐述了短期投资利用星期效应策略、中期投资者利用月份效应投资策略、长期投资者利用季节效应的投资策略。
同时因为市场非有效,因此建议相关部门从四个方面管理市场：避免信息公布的积聚性、避免政策公布规律性、规范金融市场信息披露制度、提高投资者的专业知识和风险防范意识。
本文研究日历效应主要结论如下：1、星期效应：(1)均值收益：周三均值收益最高、周四均值收益最低(2)波动方差：周一波动方差最大、周四波动方差最小(3)偏态：周二偏度左偏最严重、周三右偏最严重(4)峰度：周一尖峰厚尾最弱、周二尖峰厚尾最严重(5)滞后期收益：周一收益显著受到滞后一期的显著正面影响,周五收益显著受到滞后一期的负面影响(6)非对称性波动：非对称性波动和滞后期波动没有表现出显著的星期效应。
2、月份效应：(1)均值收益：2月、3月和4月收益均较高,2月均值收益最高,8月收益最低(2)波动方差：2月波动最大,12月波动最小(3)偏态：5月最左偏,9月最右偏(4)峰度：2月尖峰厚尾性最强,12月最弱(5)预期风险：3月、5月和7月收益均显著受到预期风险的影响(6)滞后期收益：3月和5月均显著受到滞后期影响(7)3月、8月明显存在杠杆效应,12月明显不存在杠杆效应(8)滞后期波动：1月、4月、6月和8月波动受到滞后期影响较小,其他月份受到影响较为显著。
3、季节效应：(1)均值收益：一季度收益最高,三季度收益最低(2)波动方差：
二季度波动最大,四季度波动最小(3)偏态：四季度右偏,其他季度均左偏(4)峰度：一季度尖峰厚尾性最强,四季度最弱(5)预期风险：一季度、二季度、三季度收益均显著受到预期风险的影响(6)滞后期收益：滞后期收益对当期收益影响不显著存在季节效应(7)三季度和四季度明显存在杠杆效应(8)滞后期波动：所有季度当期波动均显著受到滞后期波动影响。
本文主要创新如下：1、本文从更全面的角度研究日历效应,包括静态的均值收益、波动方差、偏度、峰度,也包括动态的预期风险、滞后期收益、非对称性波动、杠杆效应和波动集聚性。
2、考虑涨停板限制对样本正态性的影响,并提出子样本检验非正态问题。
根据总体样本的均值进行筛选子样本进行研究其偏度和峰度,得出结果与总体检验方法一致,说明总体样本非正态性存在的绝对性。
3、本文利用TARCH-M、EGARCH-M模型拟合上证综指和深证成指,所得结果发现EGARCH-M模型拟合的非对称性较强,且测出风险波动比TARCH-M模型大,模型拟合度也较优。
同时所加入的风险度量变量能够在条件均值条件下能够直观看出预测风险和收益之间关系。
使计算预期收益更为方便,也使投资者能够更有效的管理风险。
4、本文认为日历效应成因主要源于以下几个方面：(1)投资者对信息的反应过度、对股价追涨杀跌的羊群效应以及损失厌恶的情绪。
(2)春节效应使市场零售业和金融行业利好消息增加。
(3)财务报表所披露的利空和利好消息使投资者反映不一致。
(4)政策公布时间的集中和规律性。
(5)投资者的资金流松紧度。
(6)投资者的投资习惯。
5、本文利用日历效应指导投资者进行市场时机抉择,很多学者只是研究了日历效应的现状和原因分析,但是没有学者研究其对市场的
影响、投资者如何利用日历效应指导投资。
而本文提出针对短期投资者的星期效应投资法、针对中期投资者的月份效应投资法和针对长期投资者的季节效应投资法,并提出政府介入管理,建议政府避免信息集中和有规律的公布、规范市场信息的披露制度、培养投资者的专业知识和风险防范意识。