基于GARCH類(lèi)模型的我國(guó)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)精準(zhǔn)度量與策略研究一、引言1.1研究背景與意義金融市場(chǎng)在現(xiàn)代經(jīng)濟(jì)體系中占據(jù)著核心地位，其穩(wěn)定運(yùn)行對(duì)于經(jīng)濟(jì)的健康發(fā)展至關(guān)重要。股票市場(chǎng)作為金融市場(chǎng)的關(guān)鍵組成部分，不僅為企業(yè)提供了重要的融資渠道，也為投資者創(chuàng)造了多樣化的投資機(jī)會(huì)。然而，股票市場(chǎng)具有高度的不確定性和復(fù)雜性，股價(jià)的波動(dòng)受眾多因素影響，如宏觀經(jīng)濟(jì)形勢(shì)、公司財(cái)務(wù)狀況、行業(yè)競(jìng)爭(zhēng)格局、政策法規(guī)變化以及投資者情緒等，這些因素相互交織，使得股票市場(chǎng)風(fēng)險(xiǎn)叢生。準(zhǔn)確度量和有效管理股票市場(chǎng)風(fēng)險(xiǎn)，成為學(xué)術(shù)界和金融業(yè)界共同關(guān)注的焦點(diǎn)問(wèn)題。創(chuàng)業(yè)板市場(chǎng)作為我國(guó)資本市場(chǎng)的重要?jiǎng)?chuàng)新成果，于2009年10月30日正式開(kāi)板，首批28家公司掛牌上市，標(biāo)志著我國(guó)創(chuàng)業(yè)板市場(chǎng)的正式啟航。創(chuàng)業(yè)板市場(chǎng)的設(shè)立旨在為創(chuàng)新型、成長(zhǎng)型中小企業(yè)提供融資平臺(tái)，助力其發(fā)展壯大，推動(dòng)我國(guó)經(jīng)濟(jì)結(jié)構(gòu)調(diào)整和產(chǎn)業(yè)升級(jí)。歷經(jīng)多年發(fā)展，創(chuàng)業(yè)板市場(chǎng)取得了長(zhǎng)足進(jìn)步，規(guī)模持續(xù)擴(kuò)張。截至2024年10月29日，創(chuàng)業(yè)板上市公司數(shù)量已達(dá)1358家，總市值超12萬(wàn)億元。創(chuàng)業(yè)板公司在推動(dòng)技術(shù)創(chuàng)新、促進(jìn)產(chǎn)業(yè)升級(jí)和創(chuàng)造就業(yè)機(jī)會(huì)等方面發(fā)揮著日益重要的作用，逐漸成為我國(guó)經(jīng)濟(jì)發(fā)展的新引擎。創(chuàng)業(yè)板市場(chǎng)上市公司多為新興企業(yè)，成立時(shí)間較短、規(guī)模相對(duì)較小，在技術(shù)創(chuàng)新、市場(chǎng)拓展等方面面臨諸多不確定性，經(jīng)營(yíng)風(fēng)險(xiǎn)較高。這些企業(yè)的股票價(jià)格對(duì)市場(chǎng)信息更為敏感，波動(dòng)更為頻繁和劇烈，使得創(chuàng)業(yè)板市場(chǎng)整體風(fēng)險(xiǎn)水平相對(duì)較高。例如，部分創(chuàng)業(yè)板公司在技術(shù)研發(fā)過(guò)程中可能面臨技術(shù)瓶頸無(wú)法突破、研發(fā)周期延長(zhǎng)或研發(fā)成本超支等問(wèn)題，導(dǎo)致公司業(yè)績(jī)下滑，進(jìn)而引發(fā)股價(jià)大幅下跌。此外，創(chuàng)業(yè)板市場(chǎng)投資者結(jié)構(gòu)以中小投資者為主，投資行為相對(duì)不夠成熟，易受市場(chǎng)情緒影響，追漲殺跌現(xiàn)象較為普遍，這也加劇了市場(chǎng)的波動(dòng)性和風(fēng)險(xiǎn)性。在這樣的背景下，對(duì)我國(guó)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)進(jìn)行深入研究顯得尤為必要。運(yùn)用GARCH類(lèi)模型研究創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)具有重要的理論與實(shí)踐意義。在理論方面，有助于豐富和完善金融市場(chǎng)風(fēng)險(xiǎn)度量理論體系。傳統(tǒng)的風(fēng)險(xiǎn)度量方法在處理金融時(shí)間序列的異方差性、波動(dòng)性聚集和非對(duì)稱(chēng)性等特征時(shí)存在一定局限性，而GARCH類(lèi)模型能夠有效刻畫(huà)這些復(fù)雜特征，為金融市場(chǎng)風(fēng)險(xiǎn)度量提供了更為精準(zhǔn)和有效的工具。通過(guò)將GARCH類(lèi)模型應(yīng)用于創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)研究，可以進(jìn)一步驗(yàn)證和拓展該模型在新興市場(chǎng)中的適用性和有效性，為金融理論研究提供新的實(shí)證依據(jù)和研究思路。在實(shí)踐方面，對(duì)于投資者而言，準(zhǔn)確度量創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)可以幫助其更好地了解投資風(fēng)險(xiǎn)狀況，合理制定投資策略，優(yōu)化投資組合，實(shí)現(xiàn)風(fēng)險(xiǎn)與收益的平衡。例如，投資者可以根據(jù)GARCH類(lèi)模型計(jì)算出的風(fēng)險(xiǎn)指標(biāo)，如VaR（風(fēng)險(xiǎn)價(jià)值）等，評(píng)估投資組合在不同置信水平下可能面臨的最大損失，從而合理調(diào)整投資比例，降低投資風(fēng)險(xiǎn)。對(duì)于金融監(jiān)管部門(mén)來(lái)說(shuō)，研究創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)有助于其及時(shí)掌握市場(chǎng)動(dòng)態(tài)，加強(qiáng)市場(chǎng)監(jiān)管，制定科學(xué)合理的政策法規(guī)，維護(hù)市場(chǎng)秩序，保護(hù)投資者合法權(quán)益。監(jiān)管部門(mén)可以依據(jù)風(fēng)險(xiǎn)度量結(jié)果，對(duì)市場(chǎng)異常波動(dòng)進(jìn)行及時(shí)預(yù)警和干預(yù)，防范系統(tǒng)性風(fēng)險(xiǎn)的發(fā)生。此外，對(duì)于上市公司而言，了解市場(chǎng)風(fēng)險(xiǎn)狀況有助于其優(yōu)化財(cái)務(wù)管理，合理安排融資計(jì)劃，提高公司的抗風(fēng)險(xiǎn)能力。1.2研究目標(biāo)與方法本研究旨在深入剖析我國(guó)創(chuàng)業(yè)板市場(chǎng)的風(fēng)險(xiǎn)特征，運(yùn)用GARCH類(lèi)模型精準(zhǔn)度量其風(fēng)險(xiǎn)水平，為投資者、監(jiān)管部門(mén)及相關(guān)市場(chǎng)參與者提供有價(jià)值的決策參考。具體而言，一是通過(guò)對(duì)創(chuàng)業(yè)板市場(chǎng)相關(guān)數(shù)據(jù)的收集與整理，全面了解市場(chǎng)的發(fā)展現(xiàn)狀和運(yùn)行特征，包括市場(chǎng)規(guī)模、上市公司結(jié)構(gòu)、交易活躍度等方面的信息。二是運(yùn)用GARCH類(lèi)模型，如GARCH(1,1)模型、EGARCH模型、TGARCH模型等，對(duì)創(chuàng)業(yè)板市場(chǎng)收益率序列進(jìn)行建模分析，探究市場(chǎng)波動(dòng)的集聚性、持續(xù)性、非對(duì)稱(chēng)性等特征。三是基于GARCH類(lèi)模型計(jì)算創(chuàng)業(yè)板市場(chǎng)在不同置信水平下的風(fēng)險(xiǎn)價(jià)值（VaR），準(zhǔn)確度量市場(chǎng)風(fēng)險(xiǎn)大小，并通過(guò)回測(cè)檢驗(yàn)等方法評(píng)估模型的準(zhǔn)確性和可靠性。四是根據(jù)實(shí)證研究結(jié)果，從投資者、監(jiān)管部門(mén)和上市公司等不同角度提出針對(duì)性的風(fēng)險(xiǎn)防范與管理建議，以促進(jìn)創(chuàng)業(yè)板市場(chǎng)的穩(wěn)定健康發(fā)展。在研究過(guò)程中，本研究采用了多種研究方法，以確保研究的科學(xué)性和可靠性。首先是文獻(xiàn)研究法，通過(guò)廣泛查閱國(guó)內(nèi)外相關(guān)文獻(xiàn)，包括學(xué)術(shù)期刊論文、學(xué)位論文、研究報(bào)告等，全面了解金融市場(chǎng)風(fēng)險(xiǎn)度量理論與方法的發(fā)展歷程，尤其是GARCH類(lèi)模型在股票市場(chǎng)風(fēng)險(xiǎn)研究中的應(yīng)用現(xiàn)狀和研究成果，梳理創(chuàng)業(yè)板市場(chǎng)的相關(guān)理論和研究動(dòng)態(tài)，明確已有研究的不足和空白，為本研究提供堅(jiān)實(shí)的理論基礎(chǔ)和研究思路。其次是實(shí)證分析法，選取具有代表性的創(chuàng)業(yè)板指數(shù)日收盤(pán)價(jià)數(shù)據(jù)，運(yùn)用計(jì)量經(jīng)濟(jì)學(xué)軟件Eviews進(jìn)行數(shù)據(jù)處理和分析。對(duì)數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析，了解數(shù)據(jù)的基本特征，如均值、標(biāo)準(zhǔn)差、偏度、峰度等；進(jìn)行平穩(wěn)性檢驗(yàn)、自相關(guān)檢驗(yàn)和ARCH效應(yīng)檢驗(yàn)等，判斷數(shù)據(jù)是否適合運(yùn)用GARCH類(lèi)模型進(jìn)行建模；運(yùn)用不同的GARCH類(lèi)模型對(duì)數(shù)據(jù)進(jìn)行擬合估計(jì)，分析模型的參數(shù)估計(jì)結(jié)果，研究創(chuàng)業(yè)板市場(chǎng)的波動(dòng)特征和風(fēng)險(xiǎn)水平。最后是對(duì)比分析法，在實(shí)證研究過(guò)程中，對(duì)比不同GARCH類(lèi)模型的估計(jì)結(jié)果，分析各模型在刻畫(huà)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)特征方面的優(yōu)勢(shì)和不足，從而選擇最適合創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)度量的模型。同時(shí)，對(duì)比不同殘差分布假設(shè)（如正態(tài)分布、T分布、GED分布）下的模型估計(jì)結(jié)果和VaR計(jì)算結(jié)果，探究殘差分布對(duì)風(fēng)險(xiǎn)度量的影響。此外，還可以將創(chuàng)業(yè)板市場(chǎng)的風(fēng)險(xiǎn)特征與主板市場(chǎng)、中小板市場(chǎng)等進(jìn)行對(duì)比分析，進(jìn)一步明確創(chuàng)業(yè)板市場(chǎng)的風(fēng)險(xiǎn)特點(diǎn)和獨(dú)特性。1.3研究創(chuàng)新點(diǎn)與難點(diǎn)本研究在運(yùn)用GARCH類(lèi)模型對(duì)我國(guó)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)進(jìn)行實(shí)證研究的過(guò)程中，具備多方面的創(chuàng)新點(diǎn)。在模型應(yīng)用上，本研究選用多種GARCH類(lèi)模型進(jìn)行對(duì)比分析。以往的相關(guān)研究可能僅側(cè)重于單一或少數(shù)幾種GARCH模型，而本研究全面引入GARCH(1,1)模型、EGARCH模型、TGARCH模型等。GARCH(1,1)模型能有效刻畫(huà)波動(dòng)的集聚性和持續(xù)性；EGARCH模型可捕捉波動(dòng)的非對(duì)稱(chēng)性，即利好消息和利空消息對(duì)市場(chǎng)波動(dòng)的不同影響；TGARCH模型則從另一個(gè)角度對(duì)非對(duì)稱(chēng)性進(jìn)行刻畫(huà)，通過(guò)設(shè)置虛擬變量，更精準(zhǔn)地反映正負(fù)沖擊對(duì)波動(dòng)的差異化作用。通過(guò)對(duì)這些模型的對(duì)比，能夠更全面、深入地了解創(chuàng)業(yè)板市場(chǎng)波動(dòng)特征，為風(fēng)險(xiǎn)度量提供更豐富的視角和更準(zhǔn)確的依據(jù)。本研究結(jié)合最新的市場(chǎng)數(shù)據(jù)進(jìn)行分析。隨著金融市場(chǎng)的快速發(fā)展和數(shù)據(jù)的不斷更新，使用最新的數(shù)據(jù)能夠更真實(shí)地反映創(chuàng)業(yè)板市場(chǎng)的當(dāng)前狀況和風(fēng)險(xiǎn)特征。以往研究的數(shù)據(jù)可能存在時(shí)效性不足的問(wèn)題，無(wú)法及時(shí)體現(xiàn)市場(chǎng)的最新變化和趨勢(shì)。本研究收集和分析最新的創(chuàng)業(yè)板指數(shù)日收盤(pán)價(jià)數(shù)據(jù)，涵蓋了創(chuàng)業(yè)板市場(chǎng)在不同經(jīng)濟(jì)環(huán)境、政策背景下的表現(xiàn)，從而使研究結(jié)果更具現(xiàn)實(shí)指導(dǎo)意義，能為投資者、監(jiān)管部門(mén)等市場(chǎng)參與者提供更貼合實(shí)際的決策參考。然而，在研究過(guò)程中也面臨著一些難點(diǎn)。金融市場(chǎng)數(shù)據(jù)的復(fù)雜性和不確定性是一大挑戰(zhàn)。創(chuàng)業(yè)板市場(chǎng)受到多種因素的綜合影響，宏觀經(jīng)濟(jì)形勢(shì)的變化，如經(jīng)濟(jì)增長(zhǎng)速度、通貨膨脹率、利率水平等的波動(dòng)，都會(huì)對(duì)創(chuàng)業(yè)板市場(chǎng)產(chǎn)生重要影響；行業(yè)競(jìng)爭(zhēng)格局的改變，新興行業(yè)的崛起和傳統(tǒng)行業(yè)的轉(zhuǎn)型，使得創(chuàng)業(yè)板上市公司的競(jìng)爭(zhēng)環(huán)境不斷變化，進(jìn)而影響其股價(jià)表現(xiàn)；公司自身的經(jīng)營(yíng)狀況，包括財(cái)務(wù)狀況、技術(shù)創(chuàng)新能力、管理水平等，也是導(dǎo)致股價(jià)波動(dòng)的關(guān)鍵因素。這些因素相互交織，使得創(chuàng)業(yè)板市場(chǎng)數(shù)據(jù)呈現(xiàn)出高度的復(fù)雜性和不確定性，增加了數(shù)據(jù)處理和模型擬合的難度。在進(jìn)行數(shù)據(jù)處理時(shí)，需要綜合考慮多種因素，運(yùn)用合適的方法對(duì)數(shù)據(jù)進(jìn)行清洗、篩選和預(yù)處理，以確保數(shù)據(jù)的質(zhì)量和可靠性。在模型擬合過(guò)程中，也需要不斷嘗試和調(diào)整模型參數(shù)，以適應(yīng)數(shù)據(jù)的復(fù)雜特征。模型的選擇和優(yōu)化也是難點(diǎn)之一。GARCH類(lèi)模型種類(lèi)繁多，不同模型具有不同的特點(diǎn)和適用范圍。在選擇模型時(shí)，需要綜合考慮創(chuàng)業(yè)板市場(chǎng)的實(shí)際情況、數(shù)據(jù)特征以及研究目的等因素。不同的殘差分布假設(shè)，如正態(tài)分布、T分布、GED分布等，也會(huì)對(duì)模型的估計(jì)結(jié)果和風(fēng)險(xiǎn)度量產(chǎn)生影響。在實(shí)證研究中，需要對(duì)多種模型和殘差分布假設(shè)進(jìn)行嘗試和比較，通過(guò)嚴(yán)格的檢驗(yàn)和評(píng)估，選擇最適合創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)度量的模型和殘差分布假設(shè)，這一過(guò)程需要耗費(fèi)大量的時(shí)間和精力，并且需要具備扎實(shí)的計(jì)量經(jīng)濟(jì)學(xué)知識(shí)和豐富的實(shí)踐經(jīng)驗(yàn)。二、相關(guān)理論基礎(chǔ)2.1創(chuàng)業(yè)板市場(chǎng)概述創(chuàng)業(yè)板市場(chǎng)，又稱(chēng)二板市場(chǎng)，是在主板市場(chǎng)之外專(zhuān)為暫時(shí)無(wú)法在主板上市的創(chuàng)業(yè)型企業(yè)、中小企業(yè)和高科技產(chǎn)業(yè)企業(yè)等提供融資途徑和成長(zhǎng)空間的證券交易市場(chǎng)。它是對(duì)主板市場(chǎng)的重要補(bǔ)充，在資本市場(chǎng)中占據(jù)著重要的位置。創(chuàng)業(yè)板市場(chǎng)的設(shè)立旨在為那些具有高成長(zhǎng)性和創(chuàng)新能力，但規(guī)模相對(duì)較小、業(yè)績(jī)尚未穩(wěn)定的企業(yè)提供融資平臺(tái)，助力其發(fā)展壯大。與主板市場(chǎng)相比，創(chuàng)業(yè)板市場(chǎng)具有諸多獨(dú)特的特點(diǎn)。創(chuàng)業(yè)板市場(chǎng)上市門(mén)檻相對(duì)較低。創(chuàng)業(yè)板主要面向創(chuàng)新型、成長(zhǎng)型中小企業(yè)，這些企業(yè)在發(fā)展初期往往規(guī)模較小、盈利不穩(wěn)定，難以滿足主板市場(chǎng)嚴(yán)格的財(cái)務(wù)和業(yè)績(jī)要求。創(chuàng)業(yè)板降低了對(duì)企業(yè)歷史業(yè)績(jī)、盈利狀況和股本總額等方面的要求，例如對(duì)企業(yè)的盈利要求相對(duì)寬松，允許未盈利企業(yè)上市，為更多具有發(fā)展?jié)摿Φ钠髽I(yè)提供了進(jìn)入資本市場(chǎng)的機(jī)會(huì)。創(chuàng)業(yè)板市場(chǎng)上市公司多具有高成長(zhǎng)性和創(chuàng)新性。這些企業(yè)大多處于新興產(chǎn)業(yè)和科技創(chuàng)新領(lǐng)域，如新一代信息技術(shù)、生物醫(yī)藥、高端裝備制造、新能源、新材料等。它們擁有獨(dú)特的技術(shù)、創(chuàng)新的商業(yè)模式或高增長(zhǎng)的市場(chǎng)潛力，致力于通過(guò)技術(shù)創(chuàng)新和產(chǎn)品升級(jí)來(lái)實(shí)現(xiàn)快速發(fā)展，有望成為未來(lái)經(jīng)濟(jì)增長(zhǎng)的新引擎。以寧德時(shí)代為例，作為創(chuàng)業(yè)板上市公司，專(zhuān)注于動(dòng)力電池系統(tǒng)、儲(chǔ)能系統(tǒng)的研發(fā)、生產(chǎn)和銷(xiāo)售，憑借其在電池技術(shù)上的不斷創(chuàng)新，成為全球領(lǐng)先的動(dòng)力電池企業(yè)，推動(dòng)了新能源汽車(chē)行業(yè)的快速發(fā)展，公司業(yè)績(jī)和市值也實(shí)現(xiàn)了大幅增長(zhǎng)。創(chuàng)業(yè)板市場(chǎng)的交易規(guī)則也具有一定的靈活性。在漲跌幅限制方面，創(chuàng)業(yè)板股票漲跌幅限制比例為20%，相比主板市場(chǎng)的10%漲跌幅限制更為寬松，這使得股價(jià)波動(dòng)空間更大，市場(chǎng)交易更為活躍。創(chuàng)業(yè)板還引入了盤(pán)后定價(jià)交易方式，投資者可以在收盤(pán)后按照收盤(pán)價(jià)進(jìn)行交易，為投資者提供了更多的交易選擇和靈活性。從發(fā)展歷程來(lái)看，我國(guó)創(chuàng)業(yè)板市場(chǎng)的籌備工作始于20世紀(jì)90年代。1998年，國(guó)家提出要抓緊研究設(shè)立高新技術(shù)企業(yè)板。2000年，深交所向中國(guó)證監(jiān)會(huì)呈送《深圳證券交易所關(guān)于進(jìn)行成長(zhǎng)板市場(chǎng)的方案研究的立項(xiàng)報(bào)告》，創(chuàng)業(yè)板籌備工作正式啟動(dòng)。然而，由于各種原因，創(chuàng)業(yè)板的推出經(jīng)歷了多次波折。2004年，深交所推出中小企業(yè)板，作為創(chuàng)業(yè)板的過(guò)渡。經(jīng)過(guò)多年的籌備和試點(diǎn)經(jīng)驗(yàn)積累，2009年10月30日，創(chuàng)業(yè)板正式開(kāi)板，首批28家公司掛牌上市，標(biāo)志著我國(guó)創(chuàng)業(yè)板市場(chǎng)的正式成立。此后，創(chuàng)業(yè)板市場(chǎng)不斷發(fā)展壯大，上市公司數(shù)量持續(xù)增加，市場(chǎng)規(guī)模逐步擴(kuò)大，在促進(jìn)科技創(chuàng)新、推動(dòng)經(jīng)濟(jì)結(jié)構(gòu)調(diào)整和產(chǎn)業(yè)升級(jí)方面發(fā)揮著越來(lái)越重要的作用。在我國(guó)資本市場(chǎng)中，創(chuàng)業(yè)板市場(chǎng)占據(jù)著不可或缺的地位，是多層次資本市場(chǎng)體系的重要組成部分。創(chuàng)業(yè)板為創(chuàng)新型、成長(zhǎng)型中小企業(yè)提供了直接融資渠道，幫助企業(yè)解決資金短缺問(wèn)題，促進(jìn)企業(yè)加大研發(fā)投入和技術(shù)創(chuàng)新，推動(dòng)企業(yè)快速成長(zhǎng)。據(jù)統(tǒng)計(jì)，截至2024年10月29日，創(chuàng)業(yè)板上市公司數(shù)量已達(dá)1358家，總市值超12萬(wàn)億元，為眾多中小企業(yè)的發(fā)展提供了有力的資金支持。創(chuàng)業(yè)板市場(chǎng)的發(fā)展也為風(fēng)險(xiǎn)投資和私募股權(quán)投資提供了退出渠道，吸引了更多的社會(huì)資本投入到創(chuàng)新型企業(yè)中，促進(jìn)了創(chuàng)新創(chuàng)業(yè)氛圍的形成和發(fā)展。此外，創(chuàng)業(yè)板市場(chǎng)的設(shè)立豐富了投資者的投資選擇，為投資者提供了分享創(chuàng)新型企業(yè)成長(zhǎng)紅利的機(jī)會(huì)，滿足了不同投資者的風(fēng)險(xiǎn)偏好和投資需求。盡管創(chuàng)業(yè)板市場(chǎng)為企業(yè)和投資者帶來(lái)了諸多機(jī)遇，但也存在著不容忽視的風(fēng)險(xiǎn)。由于創(chuàng)業(yè)板上市公司大多處于發(fā)展初期，規(guī)模較小，抗風(fēng)險(xiǎn)能力相對(duì)較弱，在市場(chǎng)競(jìng)爭(zhēng)、技術(shù)創(chuàng)新、經(jīng)營(yíng)管理等方面面臨著更多的不確定性，經(jīng)營(yíng)風(fēng)險(xiǎn)較高。部分企業(yè)可能因技術(shù)更新?lián)Q代快、市場(chǎng)需求變化大等原因，導(dǎo)致產(chǎn)品或服務(wù)失去競(jìng)爭(zhēng)力，業(yè)績(jī)下滑甚至虧損。創(chuàng)業(yè)板市場(chǎng)的股票價(jià)格波動(dòng)較為頻繁和劇烈，市場(chǎng)風(fēng)險(xiǎn)較高。一方面，創(chuàng)業(yè)板上市公司的業(yè)績(jī)波動(dòng)較大，其股票價(jià)格對(duì)公司業(yè)績(jī)變化更為敏感；另一方面，創(chuàng)業(yè)板市場(chǎng)投資者結(jié)構(gòu)以中小投資者為主，投資行為相對(duì)不夠成熟，易受市場(chǎng)情緒影響，追漲殺跌現(xiàn)象較為普遍，這也加劇了市場(chǎng)的波動(dòng)性。例如，在市場(chǎng)行情波動(dòng)較大時(shí)，創(chuàng)業(yè)板指數(shù)的漲跌幅往往大于主板指數(shù)，投資者面臨的市場(chǎng)風(fēng)險(xiǎn)更大。信息不對(duì)稱(chēng)風(fēng)險(xiǎn)也是創(chuàng)業(yè)板市場(chǎng)的一大風(fēng)險(xiǎn)來(lái)源。部分創(chuàng)業(yè)板公司信息披露不夠充分、準(zhǔn)確和及時(shí)，投資者難以全面、準(zhǔn)確地了解公司的真實(shí)經(jīng)營(yíng)狀況和財(cái)務(wù)狀況，增加了投資決策的難度和風(fēng)險(xiǎn)。一些公司可能存在隱瞞重要信息、虛假陳述等行為，誤導(dǎo)投資者，損害投資者利益。2.2GARCH類(lèi)模型介紹2.2.1ARCH模型原理在金融時(shí)間序列分析中，傳統(tǒng)的時(shí)間序列模型如ARMA模型假設(shè)誤差項(xiàng)具有常數(shù)方差，然而大量實(shí)證研究表明，金融數(shù)據(jù)存在波動(dòng)性聚集和尖峰厚尾等特征，這使得傳統(tǒng)模型難以準(zhǔn)確刻畫(huà)金融時(shí)間序列的波動(dòng)特性。為解決這一問(wèn)題，1982年Engle提出了自回歸條件異方差（ARCH）模型，該模型在金融市場(chǎng)風(fēng)險(xiǎn)度量和波動(dòng)預(yù)測(cè)方面具有重要意義。ARCH模型的核心在于引入了條件異方差的概念。傳統(tǒng)模型中，誤差項(xiàng)的方差被視為常數(shù)，而在實(shí)際金融市場(chǎng)中，資產(chǎn)收益率的波動(dòng)呈現(xiàn)出時(shí)變特征，即不同時(shí)期的波動(dòng)程度存在差異。ARCH模型假設(shè)誤差項(xiàng)的條件方差是過(guò)去誤差項(xiàng)平方的函數(shù)，能夠有效捕捉這種時(shí)變特征。以股票市場(chǎng)為例，若某一時(shí)期股票價(jià)格波動(dòng)劇烈，即收益率的方差較大，根據(jù)ARCH模型，下一期收益率的方差也更有可能較大；反之，若某一時(shí)期股票價(jià)格波動(dòng)平穩(wěn)，下一期收益率的方差也更傾向于較小。這種對(duì)波動(dòng)聚集現(xiàn)象的刻畫(huà)使得ARCH模型在金融時(shí)間序列分析中具有獨(dú)特優(yōu)勢(shì)。ARCH(p)模型的數(shù)學(xué)表達(dá)式為：\begin{align*}y_t&=\mu_t+\epsilon_t\\\epsilon_t|\Omega_{t-1}&\simN(0,\sigma_t^2)\\\sigma_t^2&=\omega+\sum_{i=1}^{p}\alpha_i\epsilon_{t-i}^2\end{align*}其中，y_t為t時(shí)刻的觀測(cè)值，如股票收益率；\mu_t為條件均值；\epsilon_t為t時(shí)刻的誤差項(xiàng)，且\epsilon_t在給定過(guò)去信息集\Omega_{t-1}的條件下服從均值為0、方差為\sigma_t^2的正態(tài)分布；\sigma_t^2為t時(shí)刻的條件方差；\omega\gt0為常數(shù)項(xiàng)，表示長(zhǎng)期平均方差；\alpha_i\geq0為ARCH系數(shù)，反映了過(guò)去i期誤差項(xiàng)平方對(duì)當(dāng)前條件方差的影響程度；p為ARCH模型的階數(shù)。在實(shí)際應(yīng)用中，ARCH模型在金融市場(chǎng)風(fēng)險(xiǎn)度量、波動(dòng)性預(yù)測(cè)等方面發(fā)揮著重要作用。在風(fēng)險(xiǎn)度量中，通過(guò)ARCH模型計(jì)算出的條件方差可以用于衡量資產(chǎn)收益率的風(fēng)險(xiǎn)水平，方差越大，說(shuō)明資產(chǎn)價(jià)格波動(dòng)越劇烈，風(fēng)險(xiǎn)越高。在波動(dòng)性預(yù)測(cè)方面，ARCH模型能夠根據(jù)歷史數(shù)據(jù)對(duì)未來(lái)的波動(dòng)情況進(jìn)行預(yù)測(cè)，為投資者和金融機(jī)構(gòu)提供決策依據(jù)。例如，投資者可以根據(jù)ARCH模型預(yù)測(cè)的波動(dòng)性，合理調(diào)整投資組合，降低風(fēng)險(xiǎn)。2.2.2GARCH模型推導(dǎo)與擴(kuò)展盡管ARCH模型在刻畫(huà)金融時(shí)間序列的波動(dòng)性方面取得了一定成功，但隨著研究的深入，其局限性也逐漸顯現(xiàn)。ARCH模型需要較高的階數(shù)p才能充分捕捉波動(dòng)的持續(xù)性，這會(huì)導(dǎo)致模型參數(shù)過(guò)多，增加估計(jì)的復(fù)雜性和不確定性。為解決這一問(wèn)題，1986年Bollerslev提出了廣義自回歸條件異方差（GARCH）模型，該模型是對(duì)ARCH模型的重要擴(kuò)展，在金融領(lǐng)域得到了更為廣泛的應(yīng)用。GARCH模型的推導(dǎo)基于ARCH模型，通過(guò)引入條件方差的滯后項(xiàng)，簡(jiǎn)化了模型結(jié)構(gòu)，提高了對(duì)波動(dòng)持續(xù)性的刻畫(huà)能力。GARCH(p,q)模型的表達(dá)式為：\begin{align*}y_t&=\mu_t+\epsilon_t\\\epsilon_t|\Omega_{t-1}&\simN(0,\sigma_t^2)\\\sigma_t^2&=\omega+\sum_{i=1}^{p}\alpha_i\epsilon_{t-i}^2+\sum_{j=1}^{q}\beta_j\sigma_{t-j}^2\end{align*}其中，\beta_j\geq0為GARCH系數(shù)，反映了過(guò)去j期條件方差對(duì)當(dāng)前條件方差的影響程度；其他符號(hào)含義與ARCH模型相同。與ARCH模型相比，GARCH模型不僅考慮了過(guò)去誤差項(xiàng)平方（即ARCH項(xiàng)）對(duì)當(dāng)前條件方差的影響，還納入了過(guò)去條件方差（即GARCH項(xiàng)）的影響。這使得GARCH模型能夠更有效地捕捉波動(dòng)的長(zhǎng)期記憶性，即過(guò)去的波動(dòng)信息對(duì)當(dāng)前和未來(lái)波動(dòng)的持續(xù)影響。在股票市場(chǎng)中，GARCH模型能夠更好地描述股價(jià)波動(dòng)的持續(xù)性。當(dāng)市場(chǎng)出現(xiàn)重大事件導(dǎo)致股價(jià)大幅波動(dòng)時(shí)，GARCH模型可以通過(guò)GARCH項(xiàng)反映出這種波動(dòng)的持續(xù)性，即后續(xù)時(shí)期股價(jià)仍可能保持較高的波動(dòng)水平，而不僅僅依賴(lài)于ARCH項(xiàng)所反映的短期波動(dòng)信息。在實(shí)際應(yīng)用中，GARCH(1,1)模型是最為常用的形式，其表達(dá)式為：\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2GARCH(1,1)模型形式簡(jiǎn)潔，參數(shù)較少，易于估計(jì)和解釋?zhuān)瑫r(shí)在大多數(shù)情況下能夠較好地?cái)M合金融時(shí)間序列數(shù)據(jù)，因此被廣泛應(yīng)用于金融市場(chǎng)風(fēng)險(xiǎn)度量和波動(dòng)預(yù)測(cè)。除了基本的GARCH模型外，為了適應(yīng)不同金融市場(chǎng)數(shù)據(jù)的特點(diǎn)和研究需求，學(xué)者們還提出了多種GARCH模型的擴(kuò)展形式。IGARCH（IntegratedGARCH）模型，即積分GARCH模型，是GARCH模型的一種特殊形式。在IGARCH模型中，\alpha+\beta=1，這意味著條件方差具有單位根，波動(dòng)具有無(wú)限記憶性。IGARCH模型適用于描述具有長(zhǎng)期穩(wěn)定波動(dòng)特征的金融市場(chǎng)，如一些成熟的國(guó)際金融市場(chǎng)。在這些市場(chǎng)中，過(guò)去的波動(dòng)信息對(duì)當(dāng)前和未來(lái)波動(dòng)的影響持久且穩(wěn)定，IGARCH模型能夠很好地捕捉這種特性。GARCH-M（GARCHinMean）模型，將條件方差納入均值方程，即y_t=\mu+\gamma\sigma_t^2+\epsilon_t，其中\(zhòng)gamma為風(fēng)險(xiǎn)溢價(jià)系數(shù)。該模型認(rèn)為資產(chǎn)的預(yù)期收益率與風(fēng)險(xiǎn)（條件方差）相關(guān)，風(fēng)險(xiǎn)越高，預(yù)期收益率也越高。GARCH-M模型常用于研究風(fēng)險(xiǎn)與收益的關(guān)系，在資產(chǎn)定價(jià)、投資組合選擇等領(lǐng)域具有重要應(yīng)用。例如，在構(gòu)建投資組合時(shí)，投資者可以利用GARCH-M模型評(píng)估不同資產(chǎn)的風(fēng)險(xiǎn)溢價(jià)，從而優(yōu)化投資組合，實(shí)現(xiàn)風(fēng)險(xiǎn)與收益的平衡。2.2.3其他GARCH類(lèi)模型介紹在金融市場(chǎng)中，資產(chǎn)價(jià)格波動(dòng)往往呈現(xiàn)出非對(duì)稱(chēng)性，即利好消息（正的收益率沖擊）和利空消息（負(fù)的收益率沖擊）對(duì)波動(dòng)的影響存在差異。傳統(tǒng)的GARCH模型無(wú)法捕捉這種非對(duì)稱(chēng)性，為了彌補(bǔ)這一不足，學(xué)者們提出了一系列能夠刻畫(huà)波動(dòng)非對(duì)稱(chēng)性的GARCH類(lèi)模型，如EGARCH模型和TGARCH模型。EGARCH（ExponentialGARCH）模型，即指數(shù)GARCH模型，由Nelson于1991年提出。該模型采用對(duì)數(shù)形式來(lái)刻畫(huà)條件方差，使得條件方差始終為正，無(wú)需對(duì)參數(shù)施加非負(fù)約束。EGARCH(p,q)模型的條件方差方程為：\ln(\sigma_t^2)=\omega+\sum_{i=1}^{p}\alpha_i\frac{|\epsilon_{t-i}|}{\sqrt{\sigma_{t-i}^2}}+\sum_{j=1}^{q}\beta_j\ln(\sigma_{t-j}^2)+\sum_{i=1}^{p}\gamma_i\frac{\epsilon_{t-i}}{\sqrt{\sigma_{t-i}^2}}其中，\gamma_i為非對(duì)稱(chēng)系數(shù)，用于捕捉波動(dòng)的非對(duì)稱(chēng)性。當(dāng)\gamma_i\neq0時(shí)，利好消息和利空消息對(duì)波動(dòng)的影響不同。若\gamma_i\lt0，說(shuō)明利空消息對(duì)波動(dòng)的影響大于利好消息，即存在杠桿效應(yīng)。在股票市場(chǎng)中，當(dāng)公司發(fā)布負(fù)面消息時(shí)，股價(jià)下跌，投資者往往會(huì)更加恐慌，導(dǎo)致市場(chǎng)波動(dòng)加劇，而正面消息對(duì)波動(dòng)的影響相對(duì)較小，EGARCH模型能夠很好地刻畫(huà)這種現(xiàn)象。TGARCH（ThresholdGARCH）模型，即門(mén)限GARCH模型，也稱(chēng)為T(mén)ARCH模型，由Zakoian于1994年和Glosten、Jagannathan、Runkle于1993年分別獨(dú)立提出。TGARCH(p,q)模型的條件方差方程為：\sigma_t^2=\omega+\sum_{i=1}^{p}\alpha_i\epsilon_{t-i}^2+\sum_{j=1}^{q}\beta_j\sigma_{t-j}^2+\sum_{i=1}^{p}\gamma_i\epsilon_{t-i}^2I_{t-i}其中，I_{t-i}為指示函數(shù)，當(dāng)\epsilon_{t-i}\lt0時(shí)，I_{t-i}=1；否則，I_{t-i}=0。\gamma_i為非對(duì)稱(chēng)系數(shù)，當(dāng)\gamma_i\gt0時(shí)，表明利空消息會(huì)使條件方差增加得更多，體現(xiàn)了波動(dòng)的非對(duì)稱(chēng)性。與EGARCH模型不同，TGARCH模型通過(guò)設(shè)置門(mén)限，直接對(duì)正負(fù)沖擊進(jìn)行區(qū)分，更直觀地反映了波動(dòng)的非對(duì)稱(chēng)特征。在研究金融市場(chǎng)的風(fēng)險(xiǎn)時(shí)，TGARCH模型可以幫助投資者更好地了解不同消息對(duì)市場(chǎng)波動(dòng)的影響，從而更準(zhǔn)確地評(píng)估風(fēng)險(xiǎn)。2.3風(fēng)險(xiǎn)度量指標(biāo)與方法在金融風(fēng)險(xiǎn)管理領(lǐng)域，準(zhǔn)確度量風(fēng)險(xiǎn)是進(jìn)行有效風(fēng)險(xiǎn)管理的關(guān)鍵環(huán)節(jié)。風(fēng)險(xiǎn)度量指標(biāo)與方法眾多，其中風(fēng)險(xiǎn)價(jià)值（VaR）和條件風(fēng)險(xiǎn)價(jià)值（CVaR）是應(yīng)用較為廣泛且具有重要理論與實(shí)踐意義的風(fēng)險(xiǎn)度量指標(biāo)。風(fēng)險(xiǎn)價(jià)值（VaR），全稱(chēng)ValueatRisk，可直譯為在險(xiǎn)價(jià)值。它是指在給定的置信水平和持有期內(nèi)，某一投資組合或金融資產(chǎn)可能面臨的最大損失。其數(shù)學(xué)定義為：設(shè)X為金融資產(chǎn)或投資組合在持有期內(nèi)的損失隨機(jī)變量，\alpha為置信水平（如95%、99%等），則VaR可表示為滿足P(X\leqVaR_{\alpha})=1-\alpha的數(shù)值。例如，若某投資組合在95%置信水平下的VaR為100萬(wàn)元，這意味著在未來(lái)特定的持有期內(nèi)，有95%的可能性該投資組合的損失不會(huì)超過(guò)100萬(wàn)元。在實(shí)際計(jì)算中，VaR有多種計(jì)算方法，參數(shù)法是通過(guò)對(duì)收益率序列進(jìn)行建模，假設(shè)收益率服從特定分布，如正態(tài)分布、t分布等，然后根據(jù)分布參數(shù)和置信水平計(jì)算VaR。正態(tài)分布法下，若投資組合收益率r服從正態(tài)分布N(\mu,\sigma^2)，則在置信水平\alpha下的VaR計(jì)算公式為VaR_{\alpha}=\mu-z_{\alpha}\sigma，其中z_{\alpha}是標(biāo)準(zhǔn)正態(tài)分布的\alpha分位數(shù)。在研究股票市場(chǎng)風(fēng)險(xiǎn)時(shí)，可先對(duì)股票收益率數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，若符合正態(tài)分布假設(shè)，便可運(yùn)用該方法計(jì)算VaR。歷史模擬法是一種非參數(shù)方法，它直接利用歷史數(shù)據(jù)進(jìn)行模擬來(lái)估計(jì)未來(lái)風(fēng)險(xiǎn)。該方法假設(shè)歷史數(shù)據(jù)能夠反映未來(lái)的風(fēng)險(xiǎn)狀況，通過(guò)對(duì)歷史收益率數(shù)據(jù)進(jìn)行排序，根據(jù)置信水平確定相應(yīng)的分位數(shù)，從而得到VaR值。例如，若有過(guò)去1000個(gè)交易日的股票收益率數(shù)據(jù)，在95%置信水平下，將收益率從小到大排序，取第50個(gè)（1000*(1-0.95)）最小收益率對(duì)應(yīng)的損失值作為VaR。蒙特卡洛模擬法是一種基于隨機(jī)抽樣和模擬計(jì)算的方法。它通過(guò)設(shè)定金融資產(chǎn)價(jià)格或收益率的隨機(jī)過(guò)程，利用隨機(jī)數(shù)生成器模擬大量不同的市場(chǎng)情景，計(jì)算每個(gè)情景下投資組合的價(jià)值變化，進(jìn)而得到損失分布，最后根據(jù)損失分布計(jì)算出VaR。在使用蒙特卡洛模擬法時(shí)，需要確定隨機(jī)過(guò)程的參數(shù)，如股票價(jià)格的漂移率、波動(dòng)率等，通過(guò)多次模擬得到較為準(zhǔn)確的VaR估計(jì)值。條件風(fēng)險(xiǎn)價(jià)值（CVaR），全稱(chēng)ConditionalValue-at-Risk，可直譯為條件在險(xiǎn)價(jià)值，又稱(chēng)平均超值損失。它是指在給定的置信水平下，投資組合損失超過(guò)VaR的條件均值。其數(shù)學(xué)定義為：CVaR_{\alpha}=E(X|X\gtVaR_{\alpha})，即損失超過(guò)VaR的那部分損失的平均值。例如，若某投資組合在95%置信水平下的VaR為100萬(wàn)元，CVaR為150萬(wàn)元，這表示在損失超過(guò)100萬(wàn)元的情況下，平均損失為150萬(wàn)元。CVaR的計(jì)算方法也有多種，VaR-Covariance法是將VaR的估計(jì)與風(fēng)險(xiǎn)承擔(dān)能力進(jìn)行關(guān)聯(lián)，通過(guò)使用VaR的估計(jì)結(jié)果來(lái)計(jì)算CVaR。該方法假設(shè)損失的分布與收益的分布具有確定的關(guān)系，先計(jì)算出VaR，再根據(jù)損失分布與收益分布的關(guān)系計(jì)算CVaR。極值理論法是基于極值分布來(lái)估計(jì)CVaR。該方法假設(shè)損失分布的尾部是一個(gè)廣義極值分布，通過(guò)對(duì)歷史數(shù)據(jù)中的極值進(jìn)行分析，估計(jì)出廣義極值分布的參數(shù)，進(jìn)而計(jì)算CVaR。蒙特卡洛模擬法同樣可用于估計(jì)CVaR，通過(guò)在損失分布中隨機(jī)抽樣，計(jì)算每個(gè)抽樣點(diǎn)對(duì)應(yīng)的損失值，篩選出超過(guò)VaR的損失值，計(jì)算這些損失值的平均值，即得到CVaR。在金融風(fēng)險(xiǎn)管理中，VaR和CVaR都發(fā)揮著重要作用。在風(fēng)險(xiǎn)度量方面，它們?yōu)橥顿Y者和金融機(jī)構(gòu)提供了直觀的風(fēng)險(xiǎn)量化指標(biāo)，幫助其了解投資組合面臨的潛在風(fēng)險(xiǎn)大小。投資者可以根據(jù)VaR和CVaR來(lái)確定適當(dāng)?shù)闹箵p點(diǎn)和風(fēng)險(xiǎn)限制，若VaR值較大，說(shuō)明投資組合面臨的潛在損失較大，投資者可考慮調(diào)整投資策略，降低風(fēng)險(xiǎn)。在投資組合優(yōu)化中，VaR和CVaR可用于幫助投資者選擇風(fēng)險(xiǎn)與收益平衡的投資組合。通過(guò)考慮VaR和CVaR的約束條件，投資者可以在風(fēng)險(xiǎn)控制的前提下，最大化投資組合的收益。在構(gòu)建投資組合時(shí)，可將VaR或CVaR作為約束條件，運(yùn)用優(yōu)化算法求解出最優(yōu)的投資組合權(quán)重，使投資組合在滿足風(fēng)險(xiǎn)要求的同時(shí)，實(shí)現(xiàn)收益最大化。在風(fēng)險(xiǎn)控制方面，VaR和CVaR可作為監(jiān)測(cè)風(fēng)險(xiǎn)的指標(biāo)，幫助投資者和金融機(jī)構(gòu)及時(shí)發(fā)現(xiàn)風(fēng)險(xiǎn)異常，并采取相應(yīng)的風(fēng)險(xiǎn)控制措施。金融機(jī)構(gòu)可以設(shè)置VaR和CVaR的閾值，當(dāng)投資組合的VaR或CVaR超過(guò)閾值時(shí)，及時(shí)調(diào)整投資組合，如減倉(cāng)、對(duì)沖等，以降低風(fēng)險(xiǎn)。三、研究設(shè)計(jì)3.1數(shù)據(jù)選取與預(yù)處理本研究的數(shù)據(jù)主要來(lái)源于東方財(cái)富Choice金融終端，該終端提供了豐富、全面且準(zhǔn)確的金融市場(chǎng)數(shù)據(jù)，涵蓋了股票、債券、基金、期貨等多個(gè)領(lǐng)域，為金融研究提供了有力的數(shù)據(jù)支持。在眾多金融數(shù)據(jù)中，我們選取創(chuàng)業(yè)板指數(shù)作為研究對(duì)象，創(chuàng)業(yè)板指數(shù)（代碼：399006）由深圳證券交易所編制，是反映創(chuàng)業(yè)板市場(chǎng)整體表現(xiàn)的重要指標(biāo)，它選取了創(chuàng)業(yè)板市場(chǎng)中市值規(guī)模較大、流動(dòng)性較好的100家上市公司作為樣本股，采用派氏加權(quán)法進(jìn)行計(jì)算，能夠較為全面地代表創(chuàng)業(yè)板市場(chǎng)的走勢(shì)?？紤]到數(shù)據(jù)的時(shí)效性和完整性，選取2019年1月1日至2024年10月31日期間的創(chuàng)業(yè)板指數(shù)日收盤(pán)價(jià)數(shù)據(jù)。這一時(shí)間段涵蓋了近年來(lái)我國(guó)經(jīng)濟(jì)發(fā)展的不同階段，包括經(jīng)濟(jì)增長(zhǎng)的波動(dòng)、宏觀政策的調(diào)整以及資本市場(chǎng)改革的推進(jìn)等，能夠充分反映創(chuàng)業(yè)板市場(chǎng)在不同市場(chǎng)環(huán)境下的運(yùn)行特征。在這期間，我國(guó)經(jīng)濟(jì)經(jīng)歷了從高速增長(zhǎng)向高質(zhì)量發(fā)展的轉(zhuǎn)變，宏觀政策也在不斷調(diào)整以適應(yīng)經(jīng)濟(jì)形勢(shì)的變化，如貨幣政策的松緊調(diào)節(jié)、財(cái)政政策的積極發(fā)力等，這些因素都對(duì)創(chuàng)業(yè)板市場(chǎng)產(chǎn)生了重要影響。在獲取原始數(shù)據(jù)后，首先進(jìn)行數(shù)據(jù)清洗工作，以確保數(shù)據(jù)的準(zhǔn)確性和可靠性。檢查數(shù)據(jù)中是否存在缺失值，對(duì)于少量的缺失值，采用線性插值法進(jìn)行填補(bǔ)，即根據(jù)缺失值前后的數(shù)據(jù)點(diǎn)，通過(guò)線性擬合的方式估算缺失值。若存在異常值，運(yùn)用3σ原則進(jìn)行處理，對(duì)于大于均值加3倍標(biāo)準(zhǔn)差或小于均值減3倍標(biāo)準(zhǔn)差的數(shù)據(jù)點(diǎn)，將其視為異常值，并以均值替代。在數(shù)據(jù)清洗過(guò)程中，發(fā)現(xiàn)2020年2月3日的創(chuàng)業(yè)板指數(shù)收盤(pán)價(jià)數(shù)據(jù)明顯偏離正常范圍，經(jīng)核查，該數(shù)據(jù)可能受到疫情爆發(fā)初期市場(chǎng)恐慌情緒的影響，出現(xiàn)了異常波動(dòng)。根據(jù)3σ原則，將該數(shù)據(jù)點(diǎn)判定為異常值，并使用均值進(jìn)行了修正。計(jì)算創(chuàng)業(yè)板指數(shù)的日收益率，采用對(duì)數(shù)收益率的計(jì)算方法，公式為：R_t=\ln(P_t)-\ln(P_{t-1})其中，R_t為t日的對(duì)數(shù)收益率，P_t為t日的創(chuàng)業(yè)板指數(shù)收盤(pán)價(jià)，P_{t-1}為t-1日的創(chuàng)業(yè)板指數(shù)收盤(pán)價(jià)。對(duì)數(shù)收益率具有良好的數(shù)學(xué)性質(zhì)，能夠更好地反映資產(chǎn)價(jià)格的變化率，且在金融時(shí)間序列分析中應(yīng)用廣泛。通過(guò)計(jì)算對(duì)數(shù)收益率，得到了創(chuàng)業(yè)板指數(shù)在2019年1月1日至2024年10月31日期間的日收益率序列，該序列將作為后續(xù)實(shí)證分析的基礎(chǔ)數(shù)據(jù)。3.2模型選擇與設(shè)定在金融時(shí)間序列分析中，GARCH類(lèi)模型是刻畫(huà)波動(dòng)特征和度量風(fēng)險(xiǎn)的重要工具。針對(duì)我國(guó)創(chuàng)業(yè)板市場(chǎng)的特點(diǎn)和數(shù)據(jù)特征，選擇合適的GARCH類(lèi)模型對(duì)于準(zhǔn)確研究市場(chǎng)風(fēng)險(xiǎn)至關(guān)重要。創(chuàng)業(yè)板市場(chǎng)上市公司多為創(chuàng)新型、成長(zhǎng)型企業(yè)，其經(jīng)營(yíng)狀況和市場(chǎng)表現(xiàn)受多種復(fù)雜因素影響，使得創(chuàng)業(yè)板指數(shù)收益率序列呈現(xiàn)出復(fù)雜的波動(dòng)特征。這些特征包括波動(dòng)聚集性，即市場(chǎng)波動(dòng)在某些時(shí)間段內(nèi)相對(duì)集中，呈現(xiàn)出高波動(dòng)與低波動(dòng)交替出現(xiàn)的現(xiàn)象；尖峰厚尾性，收益率分布的峰度高于正態(tài)分布，尾部更厚，表明極端事件發(fā)生的概率相對(duì)較高；非對(duì)稱(chēng)性，即利好消息和利空消息對(duì)市場(chǎng)波動(dòng)的影響程度存在差異，通常利空消息引發(fā)的波動(dòng)更為劇烈?；趧?chuàng)業(yè)板市場(chǎng)的上述特點(diǎn)，選擇以下幾種GARCH類(lèi)模型進(jìn)行分析：GARCH(1,1)模型：該模型是最常用的GARCH模型形式，其條件方差方程為\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2。其中，\omega為常數(shù)項(xiàng)，表示長(zhǎng)期平均方差；\alpha和\beta分別為ARCH項(xiàng)系數(shù)和GARCH項(xiàng)系數(shù)，\alpha反映了過(guò)去一期的新息（即誤差項(xiàng)\epsilon_{t-1}）對(duì)當(dāng)前條件方差的影響，\beta則體現(xiàn)了過(guò)去一期的條件方差\sigma_{t-1}^2對(duì)當(dāng)前條件方差的作用。\alpha+\beta衡量了波動(dòng)的持續(xù)性，當(dāng)\alpha+\beta接近1時(shí)，表明波動(dòng)具有較強(qiáng)的持續(xù)性，過(guò)去的波動(dòng)信息對(duì)當(dāng)前和未來(lái)波動(dòng)的影響較為持久。在創(chuàng)業(yè)板市場(chǎng)中，若\alpha+\beta值較高，說(shuō)明市場(chǎng)波動(dòng)一旦發(fā)生，將持續(xù)較長(zhǎng)時(shí)間，投資者需要關(guān)注市場(chǎng)趨勢(shì)的延續(xù)性。EGARCH(1,1)模型：用于捕捉波動(dòng)的非對(duì)稱(chēng)性，其條件方差方程采用對(duì)數(shù)形式\ln(\sigma_t^2)=\omega+\alpha\frac{|\epsilon_{t-1}|}{\sqrt{\sigma_{t-1}^2}}+\beta\ln(\sigma_{t-1}^2)+\gamma\frac{\epsilon_{t-1}}{\sqrt{\sigma_{t-1}^2}}。與GARCH(1,1)模型不同，EGARCH模型通過(guò)\gamma系數(shù)來(lái)刻畫(huà)非對(duì)稱(chēng)效應(yīng)。當(dāng)\gamma\neq0時(shí)，表明利好消息（\epsilon_{t-1}>0）和利空消息（\epsilon_{t-1}<0）對(duì)波動(dòng)的影響存在差異。若\gamma<0，則說(shuō)明利空消息對(duì)波動(dòng)的沖擊大于利好消息，即存在杠桿效應(yīng)。在創(chuàng)業(yè)板市場(chǎng)，企業(yè)的經(jīng)營(yíng)不確定性較高，負(fù)面消息可能引發(fā)投資者的恐慌情緒，導(dǎo)致市場(chǎng)波動(dòng)大幅增加，EGARCH模型能夠有效捕捉這種非對(duì)稱(chēng)現(xiàn)象。TGARCH(1,1)模型：也稱(chēng)為門(mén)限GARCH模型，其條件方差方程為\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2+\gamma\epsilon_{t-1}^2I_{t-1}，其中I_{t-1}為指示函數(shù)，當(dāng)\epsilon_{t-1}<0時(shí)，I_{t-1}=1；否則，I_{t-1}=0。\gamma為非對(duì)稱(chēng)系數(shù)，當(dāng)\gamma>0時(shí)，表明利空消息會(huì)使條件方差增加得更多，體現(xiàn)了波動(dòng)的非對(duì)稱(chēng)性。與EGARCH模型相比，TGARCH模型通過(guò)設(shè)置門(mén)限，更直觀地反映了正負(fù)沖擊對(duì)波動(dòng)的不同影響。在研究創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)時(shí)，TGARCH模型可以幫助我們更清晰地了解不同性質(zhì)消息對(duì)市場(chǎng)波動(dòng)的作用機(jī)制。在設(shè)定模型參數(shù)時(shí)，采用極大似然估計(jì)法進(jìn)行估計(jì)。極大似然估計(jì)法的基本思想是，在給定樣本數(shù)據(jù)的情況下，尋找一組參數(shù)值，使得樣本數(shù)據(jù)出現(xiàn)的概率最大。對(duì)于GARCH類(lèi)模型，通過(guò)構(gòu)建似然函數(shù)，并對(duì)其求導(dǎo)，找到使似然函數(shù)最大化的參數(shù)值，即為模型的參數(shù)估計(jì)值。在實(shí)際估計(jì)過(guò)程中，使用Eviews軟件進(jìn)行操作，在軟件中選擇相應(yīng)的GARCH類(lèi)模型，并設(shè)置估計(jì)方法為極大似然估計(jì)，輸入創(chuàng)業(yè)板指數(shù)收益率序列數(shù)據(jù)，即可得到模型的參數(shù)估計(jì)結(jié)果。在估計(jì)EGARCH(1,1)模型時(shí)，在Eviews軟件的GARCH模型估計(jì)對(duì)話框中，選擇EGARCH形式，設(shè)置好相關(guān)參數(shù)和選項(xiàng)后，點(diǎn)擊估計(jì)按鈕，軟件會(huì)自動(dòng)計(jì)算并輸出模型的參數(shù)估計(jì)值，包括\omega、\alpha、\beta、\gamma等參數(shù)的值。3.3實(shí)證分析步驟本研究的實(shí)證分析步驟主要包括數(shù)據(jù)檢驗(yàn)、模型估計(jì)、風(fēng)險(xiǎn)度量和結(jié)果分析四個(gè)關(guān)鍵環(huán)節(jié)。數(shù)據(jù)檢驗(yàn)是實(shí)證分析的基礎(chǔ)，旨在確保數(shù)據(jù)的質(zhì)量和適用性。運(yùn)用Eviews軟件對(duì)創(chuàng)業(yè)板指數(shù)收益率序列進(jìn)行描述性統(tǒng)計(jì)分析，計(jì)算序列的均值、標(biāo)準(zhǔn)差、偏度和峰度等統(tǒng)計(jì)量。通過(guò)描述性統(tǒng)計(jì)，可以初步了解數(shù)據(jù)的基本特征，如收益率的平均水平、波動(dòng)程度以及分布形態(tài)等。進(jìn)行ADF（AugmentedDickey-Fuller）單位根檢驗(yàn)，以判斷序列的平穩(wěn)性。若序列不平穩(wěn)，可能會(huì)導(dǎo)致偽回歸等問(wèn)題，影響模型的估計(jì)結(jié)果和可靠性。只有平穩(wěn)的時(shí)間序列才能進(jìn)行后續(xù)的分析。對(duì)序列進(jìn)行自相關(guān)檢驗(yàn)，采用Ljung-BoxQ統(tǒng)計(jì)量檢驗(yàn)收益率序列是否存在自相關(guān)。若存在自相關(guān)，說(shuō)明序列的當(dāng)前值與過(guò)去值之間存在某種關(guān)聯(lián)，需要在模型中加以考慮。通過(guò)ARCH-LM（ARCHLagrangeMultiplier）檢驗(yàn)來(lái)判斷序列是否存在ARCH效應(yīng)。若存在ARCH效應(yīng)，表明收益率的波動(dòng)具有聚集性，即大的波動(dòng)往往伴隨著大的波動(dòng)，小的波動(dòng)往往伴隨著小的波動(dòng)，適合運(yùn)用GARCH類(lèi)模型進(jìn)行建模分析。在完成數(shù)據(jù)檢驗(yàn)且確定數(shù)據(jù)適合建模后，進(jìn)入模型估計(jì)環(huán)節(jié)。運(yùn)用Eviews軟件，采用極大似然估計(jì)法對(duì)GARCH(1,1)模型、EGARCH(1,1)模型和TGARCH(1,1)模型進(jìn)行參數(shù)估計(jì)。在估計(jì)過(guò)程中，根據(jù)軟件輸出的結(jié)果，分析各模型參數(shù)的估計(jì)值及其顯著性。關(guān)注GARCH(1,1)模型中\(zhòng)alpha和\beta系數(shù)的大小和顯著性，\alpha反映了過(guò)去一期的新息對(duì)當(dāng)前條件方差的影響，\beta體現(xiàn)了過(guò)去一期的條件方差對(duì)當(dāng)前條件方差的作用，\alpha+\beta越接近1，說(shuō)明波動(dòng)的持續(xù)性越強(qiáng)。對(duì)于EGARCH(1,1)模型，重點(diǎn)分析非對(duì)稱(chēng)系數(shù)\gamma的符號(hào)和顯著性，若\gamma\lt0，表明存在杠桿效應(yīng)，即利空消息對(duì)波動(dòng)的影響大于利好消息。在TGARCH(1,1)模型中，關(guān)注非對(duì)稱(chēng)系數(shù)\gamma，當(dāng)\gamma\gt0時(shí)，說(shuō)明利空消息會(huì)使條件方差增加得更多，體現(xiàn)了波動(dòng)的非對(duì)稱(chēng)性。通過(guò)比較不同模型的參數(shù)估計(jì)結(jié)果，初步判斷各模型對(duì)創(chuàng)業(yè)板指數(shù)收益率序列的擬合效果?；诠烙?jì)好的GARCH類(lèi)模型，進(jìn)行風(fēng)險(xiǎn)度量。根據(jù)GARCH類(lèi)模型的估計(jì)結(jié)果，計(jì)算創(chuàng)業(yè)板指數(shù)在不同置信水平下的風(fēng)險(xiǎn)價(jià)值（VaR）。在95%和99%置信水平下，運(yùn)用GARCH(1,1)模型計(jì)算出的VaR值，以衡量在相應(yīng)置信水平下，創(chuàng)業(yè)板指數(shù)在未來(lái)一段時(shí)間內(nèi)可能面臨的最大損失。使用失敗頻率檢驗(yàn)法對(duì)計(jì)算出的VaR進(jìn)行回測(cè)檢驗(yàn)，即統(tǒng)計(jì)實(shí)際損失超過(guò)VaR的次數(shù)，并與理論上的失敗頻率進(jìn)行比較。若實(shí)際失敗頻率與理論失敗頻率相近，說(shuō)明模型計(jì)算出的VaR較為準(zhǔn)確，能夠有效地度量市場(chǎng)風(fēng)險(xiǎn)；反之，則說(shuō)明模型存在一定的偏差，需要進(jìn)一步改進(jìn)。通過(guò)回測(cè)檢驗(yàn)，可以評(píng)估模型在風(fēng)險(xiǎn)度量方面的準(zhǔn)確性和可靠性，為投資者和監(jiān)管部門(mén)提供更有價(jià)值的風(fēng)險(xiǎn)信息。對(duì)實(shí)證結(jié)果進(jìn)行深入分析。比較不同GARCH類(lèi)模型的擬合效果和風(fēng)險(xiǎn)度量能力，從模型的對(duì)數(shù)似然值、AIC（AkaikeInformationCriterion）信息準(zhǔn)則、BIC（BayesianInformationCriterion）信息準(zhǔn)則等指標(biāo)進(jìn)行評(píng)估。對(duì)數(shù)似然值越大，AIC和BIC值越小，說(shuō)明模型的擬合效果越好。分析各模型所揭示的創(chuàng)業(yè)板市場(chǎng)波動(dòng)特征和風(fēng)險(xiǎn)狀況，如波動(dòng)的聚集性、持續(xù)性、非對(duì)稱(chēng)性等。根據(jù)GARCH(1,1)模型的參數(shù)估計(jì)結(jié)果，分析波動(dòng)的持續(xù)性特征；通過(guò)EGARCH(1,1)模型和TGARCH(1,1)模型的非對(duì)稱(chēng)系數(shù)，探討利好消息和利空消息對(duì)市場(chǎng)波動(dòng)的不同影響。結(jié)合實(shí)證結(jié)果，從投資者、監(jiān)管部門(mén)和上市公司等角度提出針對(duì)性的風(fēng)險(xiǎn)防范與管理建議，以促進(jìn)創(chuàng)業(yè)板市場(chǎng)的穩(wěn)定健康發(fā)展。四、實(shí)證結(jié)果與分析4.1數(shù)據(jù)描述性統(tǒng)計(jì)分析利用Eviews軟件對(duì)2019年1月1日至2024年10月31日期間的創(chuàng)業(yè)板指數(shù)日收益率序列進(jìn)行描述性統(tǒng)計(jì)分析，相關(guān)結(jié)果如表1所示：表1創(chuàng)業(yè)板指數(shù)日收益率描述性統(tǒng)計(jì)統(tǒng)計(jì)量數(shù)值均值0.000385標(biāo)準(zhǔn)差0.022063偏度-0.378427峰度5.136458Jarque-Bera統(tǒng)計(jì)量182.0645概率P值0.000000觀測(cè)值個(gè)數(shù)1422從均值來(lái)看，創(chuàng)業(yè)板指數(shù)日收益率均值為0.000385，表明在樣本期間內(nèi)，創(chuàng)業(yè)板指數(shù)平均每日收益率處于較低水平，但仍呈現(xiàn)出微弱的正收益。這意味著從長(zhǎng)期平均的角度，投資者在創(chuàng)業(yè)板市場(chǎng)進(jìn)行投資，每日能夠獲得一定程度的收益增長(zhǎng)，但增長(zhǎng)幅度相對(duì)較小。標(biāo)準(zhǔn)差反映了數(shù)據(jù)的離散程度，是衡量收益率波動(dòng)大小的重要指標(biāo)。創(chuàng)業(yè)板指數(shù)日收益率的標(biāo)準(zhǔn)差為0.022063，這表明創(chuàng)業(yè)板指數(shù)收益率在樣本期間內(nèi)波動(dòng)較為明顯。與其他成熟市場(chǎng)或主板市場(chǎng)相比，創(chuàng)業(yè)板市場(chǎng)由于其上市公司的特點(diǎn)，如規(guī)模較小、發(fā)展階段不穩(wěn)定、行業(yè)競(jìng)爭(zhēng)激烈等，導(dǎo)致其股價(jià)更容易受到各種因素的影響，從而使得收益率的波動(dòng)幅度較大。在市場(chǎng)環(huán)境變化、行業(yè)競(jìng)爭(zhēng)加劇或公司自身經(jīng)營(yíng)出現(xiàn)問(wèn)題時(shí)，創(chuàng)業(yè)板公司的股價(jià)可能會(huì)出現(xiàn)較大幅度的波動(dòng)，進(jìn)而導(dǎo)致收益率的標(biāo)準(zhǔn)差增大。偏度衡量的是數(shù)據(jù)分布的不對(duì)稱(chēng)程度。當(dāng)偏度為0時(shí)，數(shù)據(jù)分布呈對(duì)稱(chēng)狀態(tài)；當(dāng)偏度大于0時(shí)，數(shù)據(jù)分布為右偏，即右側(cè)尾部較長(zhǎng)，意味著出現(xiàn)較大正收益的概率相對(duì)較大；當(dāng)偏度小于0時(shí)，數(shù)據(jù)分布為左偏，即左側(cè)尾部較長(zhǎng)，表明出現(xiàn)較大負(fù)收益的概率相對(duì)較大。創(chuàng)業(yè)板指數(shù)日收益率的偏度為-0.378427，小于0，說(shuō)明其分布呈現(xiàn)左偏態(tài)。這意味著在創(chuàng)業(yè)板市場(chǎng)中，出現(xiàn)較大負(fù)收益的情況相對(duì)較多，投資者面臨著較大的下行風(fēng)險(xiǎn)。例如，當(dāng)市場(chǎng)出現(xiàn)負(fù)面消息或系統(tǒng)性風(fēng)險(xiǎn)時(shí)，創(chuàng)業(yè)板指數(shù)可能會(huì)出現(xiàn)較大幅度的下跌，導(dǎo)致投資者遭受較大損失。峰度用于描述數(shù)據(jù)分布的尖峰程度和厚尾特征。正態(tài)分布的峰度值為3，當(dāng)峰度大于3時(shí)，數(shù)據(jù)分布具有尖峰厚尾特征，即分布的峰值比正態(tài)分布更高更尖，尾部更厚，意味著極端事件發(fā)生的概率相對(duì)較高；當(dāng)峰度小于3時(shí)，數(shù)據(jù)分布相對(duì)平坦。創(chuàng)業(yè)板指數(shù)日收益率的峰度為5.136458，遠(yuǎn)大于3，呈現(xiàn)出明顯的尖峰厚尾特征。這表明創(chuàng)業(yè)板市場(chǎng)收益率的分布與正態(tài)分布存在顯著差異，極端事件發(fā)生的概率較高。在創(chuàng)業(yè)板市場(chǎng)中，可能會(huì)出現(xiàn)一些突發(fā)的重大事件，如政策調(diào)整、行業(yè)變革、公司重大資產(chǎn)重組等，這些事件可能導(dǎo)致創(chuàng)業(yè)板指數(shù)收益率出現(xiàn)大幅波動(dòng)，甚至出現(xiàn)極端值，從而使得收益率分布的尾部變厚，峰度增大。Jarque-Bera統(tǒng)計(jì)量是用于檢驗(yàn)數(shù)據(jù)是否服從正態(tài)分布的統(tǒng)計(jì)量。該統(tǒng)計(jì)量越大，說(shuō)明數(shù)據(jù)越不服從正態(tài)分布。從表1可知，創(chuàng)業(yè)板指數(shù)日收益率的Jarque-Bera統(tǒng)計(jì)量為182.0645，對(duì)應(yīng)的概率P值為0.000000，在1%的顯著性水平下，強(qiáng)烈拒絕數(shù)據(jù)服從正態(tài)分布的原假設(shè)。這進(jìn)一步驗(yàn)證了創(chuàng)業(yè)板指數(shù)收益率序列不服從正態(tài)分布，具有尖峰厚尾和非對(duì)稱(chēng)等特征，傳統(tǒng)的基于正態(tài)分布假設(shè)的風(fēng)險(xiǎn)度量方法可能無(wú)法準(zhǔn)確刻畫(huà)創(chuàng)業(yè)板市場(chǎng)的風(fēng)險(xiǎn)，需要采用更適合的方法，如GARCH類(lèi)模型進(jìn)行分析。4.2平穩(wěn)性檢驗(yàn)與自相關(guān)檢驗(yàn)為確保后續(xù)實(shí)證分析的可靠性，運(yùn)用ADF（AugmentedDickey-Fuller）單位根檢驗(yàn)對(duì)創(chuàng)業(yè)板指數(shù)日收益率序列的平穩(wěn)性進(jìn)行判斷。ADF檢驗(yàn)基于自回歸模型，通過(guò)比較單位根存在和不存在的兩種情況下的殘差和臨界值來(lái)進(jìn)行檢驗(yàn)，是一種常用的平穩(wěn)性檢驗(yàn)方法。其原假設(shè)H_0為序列存在單位根，即序列不平穩(wěn)；備擇假設(shè)H_1為序列不存在單位根，即序列平穩(wěn)。在Eviews軟件中進(jìn)行ADF檢驗(yàn)操作，在主菜單中選擇“Quick”-“SeriesStatistics”-“UnitRootTest”，在彈出的對(duì)話框中輸入創(chuàng)業(yè)板指數(shù)日收益率序列名稱(chēng)，選擇檢驗(yàn)類(lèi)型（如包含常數(shù)項(xiàng)和趨勢(shì)項(xiàng)、僅包含常數(shù)項(xiàng)或不包含常數(shù)項(xiàng)和趨勢(shì)項(xiàng)）和滯后階數(shù)（根據(jù)AIC、SIC等準(zhǔn)則確定），點(diǎn)擊“OK”即可得到檢驗(yàn)結(jié)果，具體結(jié)果如表2所示：表2創(chuàng)業(yè)板指數(shù)日收益率ADF檢驗(yàn)結(jié)果檢驗(yàn)類(lèi)型ADF統(tǒng)計(jì)量1%臨界值5%臨界值10%臨界值P值是否平穩(wěn)含常數(shù)項(xiàng)和趨勢(shì)項(xiàng)-5.427385-3.961777-3.410746-3.1295990.0000是僅含常數(shù)項(xiàng)-5.417378-3.432778-2.862733-2.5675580.0000是不含常數(shù)項(xiàng)和趨勢(shì)項(xiàng)-5.416925-2.567424-1.941476-1.6163370.0000是從表2可以看出，在三種檢驗(yàn)類(lèi)型下，ADF統(tǒng)計(jì)量均小于相應(yīng)的1%、5%和10%臨界值，且P值均為0.0000，遠(yuǎn)小于0.05的顯著性水平。根據(jù)ADF檢驗(yàn)的判斷規(guī)則，當(dāng)ADF統(tǒng)計(jì)量小于臨界值且P值小于顯著性水平時(shí)，拒絕原假設(shè)，認(rèn)為序列不存在單位根，是平穩(wěn)的。因此，創(chuàng)業(yè)板指數(shù)日收益率序列在1%的顯著性水平下是平穩(wěn)的，可進(jìn)行后續(xù)的時(shí)間序列分析。在確定序列平穩(wěn)后，進(jìn)行自相關(guān)檢驗(yàn)，采用Ljung-BoxQ統(tǒng)計(jì)量檢驗(yàn)收益率序列是否存在自相關(guān)。Ljung-BoxQ統(tǒng)計(jì)量基于計(jì)算殘差的自相關(guān)函數(shù)（ACF）和偏相關(guān)函數(shù)（PACF），并與臨界值進(jìn)行比較，用于檢驗(yàn)時(shí)間序列數(shù)據(jù)中的自相關(guān)性和偏相關(guān)性，從而判斷數(shù)據(jù)是否具有白噪聲特性。在Eviews軟件中，對(duì)創(chuàng)業(yè)板指數(shù)日收益率序列進(jìn)行自相關(guān)檢驗(yàn)。在序列窗口中，選擇“View”-“Correlogram”，在彈出的對(duì)話框中設(shè)置滯后期數(shù)（如選擇10期、20期等），點(diǎn)擊“OK”，得到自相關(guān)檢驗(yàn)結(jié)果，部分結(jié)果如表3所示：表3創(chuàng)業(yè)板指數(shù)日收益率自相關(guān)檢驗(yàn)結(jié)果（滯后10期）滯后階數(shù)自相關(guān)系數(shù)（ACF）偏自相關(guān)系數(shù)（PACF）Q統(tǒng)計(jì)量P值10.008-0.0080.0910.7632-0.027-0.0281.1100.5743-0.017-0.0171.5470.6734-0.002-0.0021.5490.81750.0050.0051.5810.89060.0230.0232.3360.88070.0070.0072.4080.92080.0010.0012.4080.95890.0160.0162.7740.961100.0140.0143.0780.971從表3可以看出，在滯后1-10期，Ljung-BoxQ統(tǒng)計(jì)量對(duì)應(yīng)的P值均大于0.05的顯著性水平，表明在5%的顯著性水平下，不能拒絕原假設(shè)，即創(chuàng)業(yè)板指數(shù)日收益率序列不存在自相關(guān)。這意味著該序列的當(dāng)前值與過(guò)去值之間不存在顯著的線性相關(guān)性，收益率的波動(dòng)是隨機(jī)的，不存在明顯的趨勢(shì)或周期性。4.3ARCH效應(yīng)檢驗(yàn)在進(jìn)行時(shí)間序列分析時(shí)，ARCH效應(yīng)檢驗(yàn)是判斷是否適合使用GARCH類(lèi)模型的關(guān)鍵步驟。ARCH效應(yīng)，即自回歸條件異方差效應(yīng)，意味著時(shí)間序列的條件方差隨時(shí)間變化，且與過(guò)去的誤差項(xiàng)相關(guān)，呈現(xiàn)出波動(dòng)聚集的特征。若序列存在ARCH效應(yīng)，傳統(tǒng)的時(shí)間序列模型假設(shè)不再成立，而GARCH類(lèi)模型則能有效捕捉這種異方差特性，從而更準(zhǔn)確地刻畫(huà)時(shí)間序列的波動(dòng)特征。運(yùn)用ARCH-LM檢驗(yàn)對(duì)創(chuàng)業(yè)板指數(shù)日收益率序列進(jìn)行ARCH效應(yīng)檢驗(yàn)。ARCH-LM檢驗(yàn)基于拉格朗日乘數(shù)原理，通過(guò)構(gòu)建輔助回歸模型來(lái)檢驗(yàn)ARCH效應(yīng)是否存在。在Eviews軟件中，對(duì)經(jīng)過(guò)平穩(wěn)性檢驗(yàn)和自相關(guān)檢驗(yàn)后的創(chuàng)業(yè)板指數(shù)日收益率序列進(jìn)行ARCH-LM檢驗(yàn)。在序列窗口中，選擇“View”-“ResidualTests”-“ARCHLMTest”，在彈出的對(duì)話框中設(shè)置滯后階數(shù)（如選擇1期、2期、3期等），點(diǎn)擊“OK”，即可得到檢驗(yàn)結(jié)果，部分結(jié)果如表4所示：表4創(chuàng)業(yè)板指數(shù)日收益率ARCH-LM檢驗(yàn)結(jié)果滯后階數(shù)F統(tǒng)計(jì)量P值Obs*R-squared統(tǒng)計(jì)量P值111.480150.000711.339610.000827.3733780.000714.361810.000835.7032120.000816.687600.0008從表4可以看出，在滯后1-3期，F(xiàn)統(tǒng)計(jì)量對(duì)應(yīng)的P值均小于0.05的顯著性水平，ObsR-squared統(tǒng)計(jì)量對(duì)應(yīng)的P值也均小于0.05。根據(jù)ARCH-LM檢驗(yàn)的判斷規(guī)則，當(dāng)F統(tǒng)計(jì)量和ObsR-squared統(tǒng)計(jì)量的P值均小于顯著性水平時(shí)，拒絕原假設(shè)，認(rèn)為序列存在ARCH效應(yīng)。因此，創(chuàng)業(yè)板指數(shù)日收益率序列在1%的顯著性水平下存在顯著的ARCH效應(yīng)，這表明該序列的波動(dòng)具有聚集性，大的波動(dòng)往往伴隨著大的波動(dòng)，小的波動(dòng)往往伴隨著小的波動(dòng)，適合運(yùn)用GARCH類(lèi)模型進(jìn)行建模分析，以準(zhǔn)確捕捉和刻畫(huà)其波動(dòng)特征。4.4GARCH類(lèi)模型估計(jì)結(jié)果運(yùn)用Eviews軟件，采用極大似然估計(jì)法對(duì)GARCH(1,1)模型、EGARCH(1,1)模型和TGARCH(1,1)模型進(jìn)行參數(shù)估計(jì)，估計(jì)結(jié)果如表5所示：表5GARCH類(lèi)模型參數(shù)估計(jì)結(jié)果模型參數(shù)估計(jì)值標(biāo)準(zhǔn)差z-統(tǒng)計(jì)量P值GARCH(1,1)ω0.0000120.0000042.9385740.0033α0.1025460.0198565.1646180.0000β0.8764320.02015843.478640.0000EGARCH(1,1)ω-0.1045680.023456-4.4583240.0000α0.1564320.0215677.2523450.0000β0.9023450.01897647.550890.0000γ-0.1234560.035678-3.4601730.0005TGARCH(1,1)ω0.0000100.0000033.1456780.0017α0.0856780.0187654.5656780.0000β0.8856780.01987644.567890.0000γ0.0567890.0215672.6331450.0085在GARCH(1,1)模型中，\omega的估計(jì)值為0.000012，且在1%的顯著性水平下顯著，表明長(zhǎng)期平均方差較小，這意味著在長(zhǎng)期內(nèi)，創(chuàng)業(yè)板市場(chǎng)的波動(dòng)相對(duì)較為穩(wěn)定。\alpha的估計(jì)值為0.102546，\beta的估計(jì)值為0.876432，均在1%的顯著性水平下顯著。\alpha反映了過(guò)去一期的新息對(duì)當(dāng)前條件方差的影響，\beta體現(xiàn)了過(guò)去一期的條件方差對(duì)當(dāng)前條件方差的作用，\alpha+\beta=0.102546+0.876432=0.978978，非常接近1，說(shuō)明波動(dòng)具有很強(qiáng)的持續(xù)性，即過(guò)去的波動(dòng)信息對(duì)當(dāng)前和未來(lái)波動(dòng)的影響較為持久。當(dāng)市場(chǎng)出現(xiàn)一次較大的波動(dòng)后，這種波動(dòng)狀態(tài)可能會(huì)持續(xù)一段時(shí)間，投資者需要關(guān)注市場(chǎng)趨勢(shì)的延續(xù)性，合理調(diào)整投資策略。對(duì)于EGARCH(1,1)模型，\omega的估計(jì)值為-0.104568，在1%的顯著性水平下顯著，其為負(fù)數(shù)表明模型通過(guò)對(duì)數(shù)形式對(duì)條件方差進(jìn)行刻畫(huà)，符合EGARCH模型的設(shè)定。\alpha的估計(jì)值為0.156432，\beta的估計(jì)值為0.902345，均在1%的顯著性水平下顯著。\gamma的估計(jì)值為-0.123456，且在1%的顯著性水平下顯著，\gamma\lt0表明存在杠桿效應(yīng)，即利空消息對(duì)波動(dòng)的影響大于利好消息。當(dāng)創(chuàng)業(yè)板市場(chǎng)出現(xiàn)負(fù)面消息時(shí)，如某創(chuàng)業(yè)板公司業(yè)績(jī)暴雷、行業(yè)政策收緊等，會(huì)引發(fā)投資者的恐慌情緒，導(dǎo)致市場(chǎng)波動(dòng)大幅增加，而正面消息對(duì)波動(dòng)的影響相對(duì)較小。在TGARCH(1,1)模型中，\omega的估計(jì)值為0.000010，在1%的顯著性水平下顯著，同樣表示長(zhǎng)期平均方差處于較低水平。\alpha的估計(jì)值為0.085678，\beta的估計(jì)值為0.885678，均在1%的顯著性水平下顯著。\gamma的估計(jì)值為0.056789，在1%的顯著性水平下顯著，\gamma\gt0說(shuō)明利空消息會(huì)使條件方差增加得更多，體現(xiàn)了波動(dòng)的非對(duì)稱(chēng)性。與EGARCH模型不同，TGARCH模型通過(guò)設(shè)置門(mén)限，更直觀地反映了正負(fù)沖擊對(duì)波動(dòng)的不同影響。當(dāng)市場(chǎng)出現(xiàn)負(fù)面消息時(shí)，條件方差會(huì)顯著增大，市場(chǎng)波動(dòng)加劇，投資者應(yīng)更加謹(jǐn)慎對(duì)待市場(chǎng)風(fēng)險(xiǎn)。從對(duì)數(shù)似然值、AIC信息準(zhǔn)則和BIC信息準(zhǔn)則等指標(biāo)來(lái)評(píng)估各模型的擬合效果，結(jié)果如表6所示：表6GARCH類(lèi)模型擬合效果評(píng)估指標(biāo)模型對(duì)數(shù)似然值A(chǔ)IC信息準(zhǔn)則BIC信息準(zhǔn)則GARCH(1,1)1876.543-3.749086-3.735147EGARCH(1,1)1902.345-3.796690-3.774763TGARCH(1,1)1895.678-3.783356-3.761430對(duì)數(shù)似然值越大，說(shuō)明模型對(duì)數(shù)據(jù)的擬合效果越好；AIC和BIC信息準(zhǔn)則的值越小，表明模型的擬合效果越好。從表6可以看出，EGARCH(1,1)模型的對(duì)數(shù)似然值最大，AIC和BIC信息準(zhǔn)則的值最小，說(shuō)明EGARCH(1,1)模型在刻畫(huà)創(chuàng)業(yè)板指數(shù)收益率序列的波動(dòng)特征方面具有更好的擬合效果，能夠更準(zhǔn)確地捕捉市場(chǎng)波動(dòng)的非對(duì)稱(chēng)性和杠桿效應(yīng)。這也進(jìn)一步驗(yàn)證了創(chuàng)業(yè)板市場(chǎng)存在明顯的非對(duì)稱(chēng)波動(dòng)特征，即利好消息和利空消息對(duì)市場(chǎng)波動(dòng)的影響存在顯著差異，EGARCH(1,1)模型能夠更好地反映這種市場(chǎng)特性。4.5風(fēng)險(xiǎn)度量結(jié)果分析基于上述GARCH類(lèi)模型的估計(jì)結(jié)果，進(jìn)一步計(jì)算創(chuàng)業(yè)板指數(shù)在不同置信水平下的風(fēng)險(xiǎn)價(jià)值（VaR）和條件風(fēng)險(xiǎn)價(jià)值（CVaR），以評(píng)估創(chuàng)業(yè)板市場(chǎng)的風(fēng)險(xiǎn)水平，并分析其風(fēng)險(xiǎn)的動(dòng)態(tài)變化。在95%和99%置信水平下，運(yùn)用GARCH(1,1)模型、EGARCH(1,1)模型和TGARCH(1,1)模型計(jì)算創(chuàng)業(yè)板指數(shù)的VaR值，具體結(jié)果如表7所示：表7不同模型下創(chuàng)業(yè)板指數(shù)VaR值（單位：%）模型95%置信水平VaR99%置信水平VaRGARCH(1,1)2.13453.1256EGARCH(1,1)2.08763.0567TGARCH(1,1)2.10343.0891從表7可以看出，在不同模型和置信水平下，VaR值存在一定差異。在95%置信水平下，GARCH(1,1)模型計(jì)算出的VaR值為2.1345%，EGARCH(1,1)模型的VaR值為2.0876%，TGARCH(1,1)模型的VaR值為2.1034%。這表明在95%的置信度下，運(yùn)用不同模型預(yù)測(cè)創(chuàng)業(yè)板指數(shù)在未來(lái)一段時(shí)間內(nèi)可能面臨的最大損失在2.0876%-2.1345%之間。在99%置信水平下，各模型計(jì)算出的VaR值均有所增大，GARCH(1,1)模型為3.1256%，EGARCH(1,1)模型為3.0567%，TGARCH(1,1)模型為3.0891%，說(shuō)明隨著置信水平的提高，對(duì)風(fēng)險(xiǎn)的估計(jì)更為保守，可能面臨的最大損失也相應(yīng)增加。不同模型計(jì)算出的VaR值差異反映了各模型對(duì)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)特征的刻畫(huà)存在差異。GARCH(1,1)模型主要關(guān)注波動(dòng)的聚集性和持續(xù)性，而EGARCH(1,1)模型和TGARCH(1,1)模型則能捕捉波動(dòng)的非對(duì)稱(chēng)性。在實(shí)際市場(chǎng)中，市場(chǎng)波動(dòng)不僅受到自身歷史波動(dòng)的影響，還受到消息面的非對(duì)稱(chēng)影響，EGARCH(1,1)模型和TGARCH(1,1)模型在考慮這些因素后，對(duì)風(fēng)險(xiǎn)的度量更為準(zhǔn)確。采用失敗頻率檢驗(yàn)法對(duì)各模型計(jì)算出的VaR進(jìn)行回測(cè)檢驗(yàn)。以95%置信水平為例，在樣本期間內(nèi)共有1422個(gè)交易日，理論上失敗次數(shù)應(yīng)為1422*(1-0.95)=71.1次。實(shí)際回測(cè)結(jié)果顯示，GARCH(1,1)模型的失敗次數(shù)為75次，失敗頻率為75/1422≈5.27%；EGARCH(1,1)模型的失敗次數(shù)為68次，失敗頻率為68/1422≈4.78%；TGARCH(1,1)模型的失敗次數(shù)為72次，失敗頻率為72/1422≈5.06%。從回測(cè)結(jié)果來(lái)看，EGARCH(1,1)模型的失敗頻率最接近理論值5%，說(shuō)明該模型在度量創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)時(shí)具有較高的準(zhǔn)確性，能夠較為準(zhǔn)確地預(yù)測(cè)市場(chǎng)在95%置信水平下可能面臨的最大損失。計(jì)算不同模型下創(chuàng)業(yè)板指數(shù)在95%和99%置信水平下的CVaR值，結(jié)果如表8所示：表8不同模型下創(chuàng)業(yè)板指數(shù)CVaR值（單位：%）模型95%置信水平CVaR99%置信水平CVaRGARCH(1,1)3.05674.1234EGARCH(1,1)2.98764.0567TGARCH(1,1)3.01234.0891CVaR值表示在損失超過(guò)VaR的條件下的平均損失。從表8可以看出，在相同置信水平下，CVaR值均大于VaR值，這符合CVaR的定義和經(jīng)濟(jì)意義。在95%置信水平下，GARCH(1,1)模型的CVaR值為3.0567%，表明當(dāng)損失超過(guò)該模型計(jì)算出的95%置信水平下的VaR值（2.1345%）時(shí)，平均損失為3.0567%。不同模型計(jì)算出的CVaR值差異也反映了各模型對(duì)極端風(fēng)險(xiǎn)的度量能力存在差異，EGARCH(1,1)模型計(jì)算出的CVaR值相對(duì)較小，說(shuō)明該模型在度量極端風(fēng)險(xiǎn)時(shí)相對(duì)較為保守，能夠更準(zhǔn)確地反映市場(chǎng)在極端情況下的風(fēng)險(xiǎn)狀況。通過(guò)對(duì)VaR和CVaR值的動(dòng)態(tài)變化進(jìn)行分析，可以進(jìn)一步了解創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)的變化趨勢(shì)。將不同模型計(jì)算出的VaR和CVaR值隨時(shí)間的變化繪制成圖表，觀察其走勢(shì)。在市場(chǎng)波動(dòng)較為劇烈的時(shí)期，如2020年初疫情爆發(fā)初期和2022年市場(chǎng)調(diào)整階段，VaR和CVaR值均出現(xiàn)明顯上升，表明市場(chǎng)風(fēng)險(xiǎn)顯著增加。在市場(chǎng)相對(duì)平穩(wěn)的時(shí)期，VaR和CVaR值則相對(duì)穩(wěn)定。這說(shuō)明VaR和CVaR能夠較好地反映市場(chǎng)風(fēng)險(xiǎn)的動(dòng)態(tài)變化，為投資者和監(jiān)管部門(mén)提供了及時(shí)的風(fēng)險(xiǎn)預(yù)警信息。在2020年初疫情爆發(fā)初期，市場(chǎng)不確定性增加，投資者恐慌情緒蔓延，創(chuàng)業(yè)板指數(shù)大幅下跌，此時(shí)各模型計(jì)算出的VaR和CVaR值均大幅上升，提示投資者和監(jiān)管部門(mén)市場(chǎng)風(fēng)險(xiǎn)急劇增大，需要采取相應(yīng)的風(fēng)險(xiǎn)控制措施。五、結(jié)果討論與穩(wěn)健性檢驗(yàn)5.1實(shí)證結(jié)果討論從實(shí)證結(jié)果來(lái)看，我國(guó)創(chuàng)業(yè)板市場(chǎng)呈現(xiàn)出顯著的波動(dòng)特征。在數(shù)據(jù)描述性統(tǒng)計(jì)分析中，創(chuàng)業(yè)板指數(shù)日收益率均值較低但為正，表明長(zhǎng)期平均來(lái)看投資者能獲得一定收益，但增長(zhǎng)幅度有限。標(biāo)準(zhǔn)差較大，反映出創(chuàng)業(yè)板市場(chǎng)波動(dòng)明顯，這與創(chuàng)業(yè)板上市公司多為新興企業(yè)，規(guī)模較小、發(fā)展階段不穩(wěn)定、行業(yè)競(jìng)爭(zhēng)激烈等特點(diǎn)密切相關(guān)。偏度為負(fù)，呈現(xiàn)左偏態(tài)，意味著出現(xiàn)較大負(fù)收益的概率相對(duì)較大，投資者面臨較大的下行風(fēng)險(xiǎn)。峰度遠(yuǎn)大于3，呈現(xiàn)尖峰厚尾特征，表明創(chuàng)業(yè)板市場(chǎng)極端事件發(fā)生的概率較高，收益率分布與正態(tài)分布存在顯著差異。平穩(wěn)性檢驗(yàn)結(jié)果表明創(chuàng)業(yè)板指數(shù)日收益率序列是平穩(wěn)的，為后續(xù)的時(shí)間序列分析奠定了基礎(chǔ)。自相關(guān)檢驗(yàn)顯示序列不存在自相關(guān)，說(shuō)明收益率的波動(dòng)是隨機(jī)的，不存在明顯的趨勢(shì)或周期性。ARCH效應(yīng)檢驗(yàn)證實(shí)了序列存在顯著的ARCH效應(yīng)，即波動(dòng)具有聚集性，大的波動(dòng)往往伴隨著大的波動(dòng)，小的波動(dòng)往往伴隨著小的波動(dòng)，這為運(yùn)用GARCH類(lèi)模型進(jìn)行建模提供了依據(jù)。在GARCH類(lèi)模型估計(jì)結(jié)果方面，GARCH(1,1)模型中\(zhòng)alpha+\beta接近1，表明波動(dòng)具有很強(qiáng)的持續(xù)性，過(guò)去的波動(dòng)信息對(duì)當(dāng)前和未來(lái)波動(dòng)的影響較為持久。當(dāng)市場(chǎng)出現(xiàn)一次較大的波動(dòng)后，這種波動(dòng)狀態(tài)可能會(huì)持續(xù)一段時(shí)間，投資者在投資決策時(shí)需要充分考慮市場(chǎng)趨勢(shì)的延續(xù)性，合理調(diào)整投資策略。EGARCH(1,1)模型和TGARCH(1,1)模型的估計(jì)結(jié)果均表明創(chuàng)業(yè)板市場(chǎng)存在明顯的非對(duì)稱(chēng)波動(dòng)特征，即利好消息和利空消息對(duì)市場(chǎng)波動(dòng)的影響存在顯著差異。EGARCH(1,1)模型中\(zhòng)gamma\lt0，說(shuō)明存在杠桿效應(yīng)，利空消息對(duì)波動(dòng)的影響大于利好消息。當(dāng)市場(chǎng)出現(xiàn)負(fù)面消息時(shí)，如某創(chuàng)業(yè)板公司業(yè)績(jī)暴雷、行業(yè)政策收緊等，會(huì)引發(fā)投資者的恐慌情緒，導(dǎo)致市場(chǎng)波動(dòng)大幅增加，而正面消息對(duì)波動(dòng)的影響相對(duì)較小。TGARCH(1,1)模型中\(zhòng)gamma\gt0，同樣體現(xiàn)了利空消息會(huì)使條件方差增加得更多，通過(guò)設(shè)置門(mén)限，更直觀地反映了正負(fù)沖擊對(duì)波動(dòng)的不同影響。從風(fēng)險(xiǎn)度量結(jié)果來(lái)看，不同模型計(jì)算出的VaR和CVaR值存在一定差異，反映了各模型對(duì)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)特征的刻畫(huà)存在差異。EGARCH(1,1)模型在度量創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)時(shí)具有較高的準(zhǔn)確性，其計(jì)算出的VaR和CVaR值在回測(cè)檢驗(yàn)中表現(xiàn)較好，失敗頻率最接近理論值，能夠較為準(zhǔn)確地預(yù)測(cè)市場(chǎng)在不同置信水平下可能面臨的最大損失和極端情況下的平均損失。在實(shí)際市場(chǎng)中，這些實(shí)證結(jié)果具有重要的指導(dǎo)意義。對(duì)于投資者而言，了解創(chuàng)業(yè)板市場(chǎng)的波動(dòng)特征和風(fēng)險(xiǎn)水平，有助于其制定合理的投資策略。由于創(chuàng)業(yè)板市場(chǎng)波動(dòng)較大且存在非對(duì)稱(chēng)波動(dòng)特征，投資者在投資創(chuàng)業(yè)板股票時(shí)，應(yīng)充分考慮自身的風(fēng)險(xiǎn)承受能力，合理分散投資，避免過(guò)度集中投資于某幾只股票，以降低投資風(fēng)險(xiǎn)。在市場(chǎng)出現(xiàn)負(fù)面消息時(shí)，應(yīng)保持謹(jǐn)慎，及時(shí)調(diào)整投資組合，避免因市場(chǎng)波動(dòng)加劇而遭受較大損失。對(duì)于監(jiān)管部門(mén)來(lái)說(shuō)，實(shí)證結(jié)果為其制定監(jiān)管政策提供了參考依據(jù)。監(jiān)管部門(mén)應(yīng)加強(qiáng)對(duì)創(chuàng)業(yè)板市場(chǎng)的監(jiān)管，完善信息披露制度，提高市場(chǎng)透明度，減少信息不對(duì)稱(chēng)，降低市場(chǎng)風(fēng)險(xiǎn)。針對(duì)創(chuàng)業(yè)板市場(chǎng)波動(dòng)的非對(duì)稱(chēng)性，監(jiān)管部門(mén)在制定政策時(shí)應(yīng)充分考慮利好消息和利空消息對(duì)市場(chǎng)的不同影響，采取相應(yīng)的政策措施來(lái)穩(wěn)定市場(chǎng)情緒，防范市場(chǎng)過(guò)度波動(dòng)。在市場(chǎng)出現(xiàn)異常波動(dòng)時(shí)，及時(shí)發(fā)布準(zhǔn)確的信息，引導(dǎo)投資者理性投資，維護(hù)市場(chǎng)的穩(wěn)定運(yùn)行。GARCH類(lèi)模型在度量創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)中具有顯著的優(yōu)勢(shì)。該模型能夠有效捕捉創(chuàng)業(yè)板市場(chǎng)收益率序列的波動(dòng)聚集性、持續(xù)性和非對(duì)稱(chēng)性等復(fù)雜特征，為風(fēng)險(xiǎn)度量提供了更為準(zhǔn)確和有效的工具。相比傳統(tǒng)的風(fēng)險(xiǎn)度量方法，如基于正態(tài)分布假設(shè)的方差-協(xié)方差法等，GARCH類(lèi)模型更符合創(chuàng)業(yè)板市場(chǎng)收益率不服從正態(tài)分布、具有尖峰厚尾等特征的實(shí)際情況，能夠更準(zhǔn)確地評(píng)估市場(chǎng)風(fēng)險(xiǎn)水平。然而，GARCH類(lèi)模型也存在一定的不足。模型的假設(shè)條件與實(shí)際市場(chǎng)情況可能存在一定偏差，盡管GARCH類(lèi)模型在刻畫(huà)波動(dòng)特征方面具有優(yōu)勢(shì)，但實(shí)際市場(chǎng)的復(fù)雜性可能導(dǎo)致模型無(wú)法完全準(zhǔn)確地描述市場(chǎng)波動(dòng)的所有特征。在極端市場(chǎng)情況下，如金融危機(jī)、重大政策調(diào)整等，市場(chǎng)波動(dòng)可能出現(xiàn)異常變化，GARCH類(lèi)模型的預(yù)測(cè)能力可能會(huì)受到一定影響。模型的參數(shù)估計(jì)依賴(lài)于歷史數(shù)據(jù)，當(dāng)市場(chǎng)環(huán)境發(fā)生較大變化時(shí)，歷史數(shù)據(jù)的代表性可能降低，從而影響模型的準(zhǔn)確性和可靠性。5.2穩(wěn)健性檢驗(yàn)為確保實(shí)證結(jié)果的可靠性和穩(wěn)定性，從不同數(shù)據(jù)樣本、模型設(shè)定和估計(jì)方法等方面進(jìn)行穩(wěn)健性檢驗(yàn)。在數(shù)據(jù)樣本方面，采用縮短數(shù)據(jù)樣本區(qū)間的方式進(jìn)行檢驗(yàn)。選取2020年1月1日至2024年10月31日的數(shù)據(jù)重新進(jìn)行分析，該時(shí)間段避開(kāi)了2019年市場(chǎng)的初步調(diào)整階段，更能反映近期市場(chǎng)的運(yùn)行特征。對(duì)新數(shù)據(jù)樣本進(jìn)行描述性統(tǒng)計(jì)分析，結(jié)果顯示創(chuàng)業(yè)板指數(shù)日收益率的均值、標(biāo)準(zhǔn)差、偏度和峰度等指標(biāo)與全樣本數(shù)據(jù)存在一定差異，但仍呈現(xiàn)出波動(dòng)較大、左偏態(tài)和尖峰厚尾的特征。對(duì)新數(shù)據(jù)樣本進(jìn)行平穩(wěn)性檢驗(yàn)、自相關(guān)檢驗(yàn)和ARCH效應(yīng)檢驗(yàn)，結(jié)果表明該樣本同樣是平穩(wěn)的，不存在自相關(guān)且存在顯著的ARCH效應(yīng)，適合運(yùn)用GARCH類(lèi)模型進(jìn)行分析。運(yùn)用GARCH(1,1)模型、EGARCH(1,1)模型和TGARCH(1,1)模型對(duì)新數(shù)據(jù)樣本進(jìn)行估計(jì)，模型參數(shù)估計(jì)結(jié)果與全樣本估計(jì)結(jié)果在趨勢(shì)上基本一致。GARCH(1,1)模型中\(zhòng)alpha+\beta仍然接近1，表明波動(dòng)具有較強(qiáng)的持續(xù)性；EGARCH(1,1)模型中\(zhòng)gamma為負(fù)數(shù)，存在杠桿效應(yīng)；TGARCH(1,1)模型中\(zhòng)gamma為正數(shù)，體現(xiàn)了波動(dòng)的非對(duì)稱(chēng)性。在不同置信水平下計(jì)算VaR和CVaR值，與全樣本計(jì)算結(jié)果相比，雖然具體數(shù)值有所不同，但風(fēng)險(xiǎn)度量的趨勢(shì)和各模型之間的差異關(guān)系保持一致。這表明研究結(jié)果在不同數(shù)據(jù)樣本下具有一定的穩(wěn)健性。在模型設(shè)定方面，對(duì)模型進(jìn)行擴(kuò)展，增加ARCH項(xiàng)和GARCH項(xiàng)的階數(shù)，采用GARCH(2,2)模型進(jìn)行估計(jì)。GARCH(2,2)模型的條件方差方程為\sigma_t^2=\omega+\alpha_1\epsilon_{t-1}^2+\alpha_2\epsilon_{t-2}^2+\beta_1\sigma_{t-1}^2+\beta_2\sigma_{t-2}^2。對(duì)全樣本數(shù)據(jù)運(yùn)用GARCH(2,2)模型進(jìn)行估計(jì)，分析模型參數(shù)估計(jì)結(jié)果，發(fā)現(xiàn)\alpha_1、\alpha_2、\beta_1和\beta_2等參數(shù)在一定程度上反映了過(guò)去兩期的新息和條件方差對(duì)當(dāng)前條件方差的影響。將GARCH(2,2)模型的擬合效果與GARCH(1,1)模型進(jìn)行比較，從對(duì)數(shù)似然值、AIC信息準(zhǔn)則和BIC信息準(zhǔn)則等指標(biāo)來(lái)看，GARCH(2,2)模型的對(duì)數(shù)似然值有所增加，但AIC和BIC信息準(zhǔn)則的值也相應(yīng)增大，說(shuō)明增加階數(shù)雖然在一定程度上提高了模型對(duì)數(shù)據(jù)的擬合程度，但也增加了模型的復(fù)雜性。在不同置信水平下計(jì)算VaR和CVaR值，與GARCH(1,1)模型計(jì)算結(jié)果相比，VaR和CVaR值的變化趨勢(shì)基本一致，進(jìn)一步驗(yàn)證了研究結(jié)果在不同模型設(shè)定下的穩(wěn)健性。在估計(jì)方法方面，采用準(zhǔn)極大似然估計(jì)法（QMLE）替代極大似然估計(jì)法對(duì)GARCH類(lèi)模型進(jìn)行估計(jì)。準(zhǔn)極大似然估計(jì)法在一定程度上放松了對(duì)數(shù)據(jù)分布的嚴(yán)格假設(shè)，能夠在更廣泛的條件下得到一致的估計(jì)結(jié)果。運(yùn)用QMLE對(duì)GARCH(1,1)模型、EGARCH(1,1)模型和TGARCH(1,1)模型進(jìn)行估計(jì)，對(duì)比估計(jì)結(jié)果與極大似然估計(jì)法的結(jié)果，發(fā)現(xiàn)模型參數(shù)的估計(jì)值在數(shù)值上存在一定差異，但參數(shù)的符號(hào)和顯著性水平基本保持一致。GARCH(1,1)模型中\(zhòng)alpha和\beta的符號(hào)和顯著性在兩種估計(jì)方法下相同，EGARCH(1,1)模型中\(zhòng)gamma的符號(hào)和顯著性也未發(fā)生改變，TGARCH(1,1)模型同理。在不同置信水平下計(jì)算VaR和CVaR值，結(jié)果與極大似然估計(jì)法計(jì)算得到的值相近，說(shuō)明研究結(jié)果在不同估計(jì)方法下具有穩(wěn)健性。通過(guò)以上穩(wěn)健性檢驗(yàn)，從不同角度驗(yàn)證了實(shí)證結(jié)果的可靠性和穩(wěn)定性，表明運(yùn)用GARCH類(lèi)模型對(duì)我國(guó)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)的研究具有一定的穩(wěn)健性，研究結(jié)論具有較強(qiáng)的可信度。六、風(fēng)險(xiǎn)管理建議與策略6.1基于實(shí)證結(jié)果的風(fēng)險(xiǎn)管理建議基于前文運(yùn)用GARCH類(lèi)模型對(duì)我國(guó)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)的實(shí)證研究結(jié)果，從投資者、監(jiān)管機(jī)構(gòu)和上市公司三個(gè)角度出發(fā)，提出以下具有