基于滬深綜合指數(shù)的我國(guó)股票市場(chǎng)價(jià)格波動(dòng)性深度剖析與實(shí)證研究一、引言1.1研究背景與意義近年來(lái)，我國(guó)股票市場(chǎng)經(jīng)歷了顯著的發(fā)展與變革，在金融市場(chǎng)體系中的地位愈發(fā)重要。隨著經(jīng)濟(jì)全球化和金融市場(chǎng)開(kāi)放程度的加深，我國(guó)股票市場(chǎng)與國(guó)際市場(chǎng)的聯(lián)動(dòng)性增強(qiáng)，市場(chǎng)環(huán)境更加復(fù)雜多變。股票市場(chǎng)作為經(jīng)濟(jì)的“晴雨表”，其價(jià)格波動(dòng)不僅反映了市場(chǎng)參與者對(duì)宏觀經(jīng)濟(jì)形勢(shì)、企業(yè)盈利預(yù)期等因素的綜合判斷，還對(duì)實(shí)體經(jīng)濟(jì)的發(fā)展產(chǎn)生著重要影響。滬深綜合指數(shù)是我國(guó)股票市場(chǎng)的重要風(fēng)向標(biāo)，它涵蓋了上海證券交易所和深圳證券交易所的眾多股票，能夠綜合反映我國(guó)股票市場(chǎng)的整體表現(xiàn)。通過(guò)對(duì)滬深綜合指數(shù)的研究，我們可以更好地把握股票市場(chǎng)價(jià)格波動(dòng)的規(guī)律和特征。從投資者角度來(lái)看，準(zhǔn)確理解市場(chǎng)波動(dòng)規(guī)律有助于制定科學(xué)合理的投資策略，降低投資風(fēng)險(xiǎn)，提高投資收益。例如，在市場(chǎng)波動(dòng)較大時(shí)，投資者可以根據(jù)波動(dòng)規(guī)律調(diào)整資產(chǎn)配置，避免因市場(chǎng)大幅下跌而遭受重大損失；在市場(chǎng)處于上升趨勢(shì)時(shí)，投資者能夠把握機(jī)會(huì)，實(shí)現(xiàn)資產(chǎn)的增值。對(duì)于監(jiān)管部門而言，深入研究市場(chǎng)波動(dòng)規(guī)律是制定有效監(jiān)管政策的基礎(chǔ)。監(jiān)管部門可以通過(guò)對(duì)滬深綜合指數(shù)的分析，及時(shí)發(fā)現(xiàn)市場(chǎng)中存在的問(wèn)題和風(fēng)險(xiǎn)，采取相應(yīng)的監(jiān)管措施，維護(hù)市場(chǎng)的穩(wěn)定和健康發(fā)展。比如，當(dāng)市場(chǎng)出現(xiàn)異常波動(dòng)時(shí)，監(jiān)管部門可以依據(jù)對(duì)波動(dòng)規(guī)律的了解，判斷波動(dòng)的原因，進(jìn)而出臺(tái)針對(duì)性的政策，防止市場(chǎng)過(guò)度波動(dòng)對(duì)投資者信心和經(jīng)濟(jì)穩(wěn)定造成負(fù)面影響。研究我國(guó)股票市場(chǎng)價(jià)格波動(dòng)性，尤其是以滬深綜合指數(shù)為例，對(duì)于深入理解市場(chǎng)運(yùn)行機(jī)制、指導(dǎo)投資者決策以及完善市場(chǎng)監(jiān)管體系都具有重要的理論和現(xiàn)實(shí)意義，能夠?yàn)槭袌?chǎng)參與者提供有價(jià)值的參考依據(jù)，促進(jìn)我國(guó)股票市場(chǎng)的持續(xù)、穩(wěn)定、健康發(fā)展。1.2國(guó)內(nèi)外研究現(xiàn)狀在國(guó)外，對(duì)股票市場(chǎng)價(jià)格波動(dòng)性的研究起步較早且成果豐碩。早期，學(xué)者們主要運(yùn)用傳統(tǒng)的時(shí)間序列分析方法來(lái)研究股票價(jià)格波動(dòng)。如法國(guó)數(shù)學(xué)家L.巴施利葉（Bachelier）于1900年發(fā)表的博士論文《投機(jī)理論》，創(chuàng)造性地提出了股票價(jià)格波動(dòng)和布朗運(yùn)動(dòng)之間的關(guān)系，得到的股價(jià)波動(dòng)方程與描述布朗粒子運(yùn)動(dòng)的方程相似，為后續(xù)研究奠定了重要基礎(chǔ)。隨后，保羅?薩繆爾森（PaulSamuelson）對(duì)巴施利葉的模型進(jìn)行修正，以股票的回報(bào)代替原模型中的股票價(jià)格，進(jìn)一步推動(dòng)了該領(lǐng)域的理論發(fā)展。隨著金融市場(chǎng)的發(fā)展和計(jì)量經(jīng)濟(jì)學(xué)的進(jìn)步，ARCH類模型在股票市場(chǎng)波動(dòng)性研究中得到廣泛應(yīng)用。Engle（1982）提出的ARCH模型，能夠有效捕捉金融時(shí)間序列的異方差性，即波動(dòng)集聚現(xiàn)象，為量化分析股票價(jià)格波動(dòng)的時(shí)變特征提供了有力工具。Bollerslev（1986）在此基礎(chǔ)上進(jìn)行拓展，提出了廣義自回歸條件異方差模型（GARCH），該模型不僅考慮了過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)的影響，還能更好地刻畫股票市場(chǎng)波動(dòng)的持續(xù)性和長(zhǎng)記憶性。此后，眾多學(xué)者基于ARCH類模型進(jìn)行了一系列拓展和應(yīng)用研究，如EGARCH模型、TGARCH模型等，這些模型分別從不同角度對(duì)股票市場(chǎng)的非對(duì)稱波動(dòng)等特征進(jìn)行了深入分析。在對(duì)股票市場(chǎng)波動(dòng)影響因素的研究方面，國(guó)外學(xué)者也取得了豐富成果。Fama（1970）提出的有效市場(chǎng)假說(shuō)認(rèn)為，股票價(jià)格已經(jīng)反映了所有可獲得的信息，市場(chǎng)是有效的，價(jià)格波動(dòng)是對(duì)新信息的合理反應(yīng)。但后續(xù)研究發(fā)現(xiàn)，股票市場(chǎng)存在諸多與有效市場(chǎng)假說(shuō)相悖的現(xiàn)象，如動(dòng)量效應(yīng)、反轉(zhuǎn)效應(yīng)等。行為金融學(xué)的興起為解釋這些現(xiàn)象提供了新的視角，Kahneman和Tversky（1979）提出的前景理論指出，投資者的決策并非完全理性，會(huì)受到心理因素和認(rèn)知偏差的影響，從而導(dǎo)致股票價(jià)格的異常波動(dòng)。此外，宏觀經(jīng)濟(jì)因素對(duì)股票市場(chǎng)波動(dòng)的影響也受到廣泛關(guān)注，學(xué)者們通過(guò)實(shí)證研究發(fā)現(xiàn)，利率、通貨膨脹率、經(jīng)濟(jì)增長(zhǎng)等宏觀經(jīng)濟(jì)變量與股票價(jià)格波動(dòng)之間存在顯著的相關(guān)性。國(guó)內(nèi)對(duì)股票市場(chǎng)價(jià)格波動(dòng)性的研究相對(duì)較晚，但近年來(lái)隨著我國(guó)股票市場(chǎng)的快速發(fā)展，相關(guān)研究也日益豐富。早期研究主要集中在對(duì)國(guó)外理論和方法的引進(jìn)與應(yīng)用，學(xué)者們運(yùn)用ARCH類模型、GARCH類模型等對(duì)我國(guó)股票市場(chǎng)的波動(dòng)性進(jìn)行實(shí)證分析，發(fā)現(xiàn)我國(guó)股票市場(chǎng)具有明顯的波動(dòng)集聚性、非對(duì)稱性等特征。例如，陳燈塔和洪永淼（2003）運(yùn)用GARCH-M模型對(duì)我國(guó)股票市場(chǎng)的波動(dòng)性進(jìn)行研究，結(jié)果表明我國(guó)股票市場(chǎng)存在顯著的風(fēng)險(xiǎn)溢價(jià)，且波動(dòng)具有明顯的時(shí)變特征。隨著研究的深入，國(guó)內(nèi)學(xué)者開(kāi)始關(guān)注我國(guó)股票市場(chǎng)的特殊制度背景和市場(chǎng)結(jié)構(gòu)對(duì)價(jià)格波動(dòng)的影響。股權(quán)分置改革是我國(guó)股票市場(chǎng)發(fā)展中的重要事件，許多學(xué)者對(duì)股權(quán)分置改革前后股票市場(chǎng)波動(dòng)性的變化進(jìn)行了研究。研究發(fā)現(xiàn)，股權(quán)分置改革在一定程度上改善了我國(guó)股票市場(chǎng)的運(yùn)行機(jī)制，降低了市場(chǎng)的波動(dòng)性，提高了市場(chǎng)的有效性。此外，國(guó)內(nèi)學(xué)者還對(duì)宏觀經(jīng)濟(jì)政策、投資者行為、信息披露等因素與我國(guó)股票市場(chǎng)價(jià)格波動(dòng)的關(guān)系進(jìn)行了深入研究。如孫華妤和馬躍（2003）通過(guò)實(shí)證分析發(fā)現(xiàn)，貨幣政策對(duì)我國(guó)股票市場(chǎng)價(jià)格波動(dòng)有顯著影響，貨幣供應(yīng)量的變化會(huì)引起股票價(jià)格的波動(dòng)。盡管國(guó)內(nèi)外在股票市場(chǎng)價(jià)格波動(dòng)性研究方面取得了豐碩成果，但仍存在一些不足之處?，F(xiàn)有研究在模型選擇和應(yīng)用上存在一定的局限性，不同模型對(duì)股票市場(chǎng)波動(dòng)特征的刻畫能力存在差異，且模型的假設(shè)條件往往與實(shí)際市場(chǎng)情況不完全相符。在研究影響因素時(shí)，雖然考慮了宏觀經(jīng)濟(jì)因素、投資者行為等多方面因素，但對(duì)于各因素之間的相互作用機(jī)制以及這些因素在不同市場(chǎng)環(huán)境下對(duì)股票價(jià)格波動(dòng)的影響差異研究還不夠深入。針對(duì)我國(guó)股票市場(chǎng)，結(jié)合我國(guó)獨(dú)特的市場(chǎng)制度和發(fā)展階段，對(duì)股票市場(chǎng)價(jià)格波動(dòng)的長(zhǎng)期趨勢(shì)和短期波動(dòng)規(guī)律進(jìn)行系統(tǒng)性研究還相對(duì)缺乏。本文將在已有研究的基礎(chǔ)上，以滬深綜合指數(shù)為例，運(yùn)用更合適的模型和方法，深入研究我國(guó)股票市場(chǎng)價(jià)格波動(dòng)性及其影響因素，以期為相關(guān)研究和市場(chǎng)參與者提供更有價(jià)值的參考。1.3研究方法與創(chuàng)新點(diǎn)本研究主要采用了實(shí)證分析與對(duì)比分析兩種研究方法。在實(shí)證分析方面，通過(guò)收集滬深綜合指數(shù)的歷史數(shù)據(jù)，運(yùn)用計(jì)量經(jīng)濟(jì)學(xué)方法進(jìn)行深入分析。具體而言，運(yùn)用ARCH類模型中的GARCH模型對(duì)滬深綜合指數(shù)的收益率序列進(jìn)行建模，以精確刻畫股票市場(chǎng)價(jià)格波動(dòng)的時(shí)變特征，如波動(dòng)集聚性和持續(xù)性。利用單位根檢驗(yàn)、協(xié)整檢驗(yàn)等方法，對(duì)宏觀經(jīng)濟(jì)變量與滬深綜合指數(shù)之間的關(guān)系進(jìn)行檢驗(yàn)，分析宏觀經(jīng)濟(jì)因素對(duì)股票市場(chǎng)價(jià)格波動(dòng)的影響，從而為研究提供量化的實(shí)證依據(jù)。對(duì)比分析則體現(xiàn)在兩個(gè)方面。一方面，將我國(guó)股票市場(chǎng)與國(guó)外成熟股票市場(chǎng)在價(jià)格波動(dòng)性特征和影響因素等方面進(jìn)行對(duì)比，借鑒國(guó)外成熟市場(chǎng)的經(jīng)驗(yàn)和教訓(xùn)，為我國(guó)股票市場(chǎng)的發(fā)展提供參考。例如，對(duì)比美國(guó)、英國(guó)等成熟股票市場(chǎng)與我國(guó)股票市場(chǎng)在ARCH效應(yīng)的表現(xiàn)強(qiáng)度、波動(dòng)的持續(xù)性等方面的差異，分析我國(guó)股票市場(chǎng)的獨(dú)特之處。另一方面，對(duì)不同時(shí)期我國(guó)股票市場(chǎng)價(jià)格波動(dòng)性進(jìn)行對(duì)比，研究市場(chǎng)在經(jīng)歷重大事件或政策調(diào)整前后波動(dòng)性的變化，如股權(quán)分置改革前后市場(chǎng)波動(dòng)性的差異，深入探討市場(chǎng)發(fā)展過(guò)程中的規(guī)律和問(wèn)題。在研究過(guò)程中，本研究體現(xiàn)了多方面的創(chuàng)新點(diǎn)。在模型選擇上，針對(duì)我國(guó)股票市場(chǎng)的特點(diǎn)，綜合考慮多種因素后選用GARCH模型，并對(duì)模型進(jìn)行適當(dāng)?shù)母倪M(jìn)和擴(kuò)展。結(jié)合我國(guó)股票市場(chǎng)的交易制度、投資者結(jié)構(gòu)等實(shí)際情況，在模型中引入虛擬變量來(lái)反映這些特殊因素對(duì)市場(chǎng)波動(dòng)的影響，使模型能夠更準(zhǔn)確地描述我國(guó)股票市場(chǎng)價(jià)格波動(dòng)的特征，克服傳統(tǒng)模型在應(yīng)用于我國(guó)市場(chǎng)時(shí)的局限性。數(shù)據(jù)處理方面，本研究采用了更為精細(xì)的數(shù)據(jù)處理方法。在數(shù)據(jù)收集階段，不僅收集了滬深綜合指數(shù)的收盤價(jià)、成交量等常規(guī)數(shù)據(jù)，還廣泛收集了宏觀經(jīng)濟(jì)數(shù)據(jù)、政策信息以及市場(chǎng)情緒指標(biāo)等多維度數(shù)據(jù)。在數(shù)據(jù)清洗過(guò)程中，運(yùn)用多種數(shù)據(jù)質(zhì)量控制方法，如異常值檢測(cè)、數(shù)據(jù)缺失值處理等，確保數(shù)據(jù)的準(zhǔn)確性和可靠性。通過(guò)采用高頻數(shù)據(jù)進(jìn)行分析，能夠捕捉到市場(chǎng)價(jià)格波動(dòng)的短期變化特征，為研究市場(chǎng)的短期波動(dòng)規(guī)律提供更豐富的信息，彌補(bǔ)以往研究中主要使用低頻數(shù)據(jù)的不足。二、相關(guān)理論基礎(chǔ)2.1股票市場(chǎng)價(jià)格波動(dòng)理論股票市場(chǎng)價(jià)格波動(dòng)是金融領(lǐng)域研究的重要課題，其背后涉及多種復(fù)雜的經(jīng)濟(jì)和金融理論。股票價(jià)格波動(dòng)的基本原理與多種因素相關(guān)，其中供需關(guān)系是影響股價(jià)波動(dòng)的基礎(chǔ)因素。在股票市場(chǎng)中，當(dāng)對(duì)某只股票的需求增加，而供給相對(duì)穩(wěn)定或減少時(shí)，股價(jià)往往會(huì)上漲；反之，若供給大幅增加而需求不變或減少，股價(jià)則可能下跌。例如，當(dāng)一家公司發(fā)布業(yè)績(jī)超預(yù)期的財(cái)報(bào)時(shí)，投資者對(duì)其股票的需求會(huì)增加，進(jìn)而推動(dòng)股價(jià)上升；若公司陷入負(fù)面事件，投資者可能紛紛拋售股票，導(dǎo)致供給增加，股價(jià)下跌。市場(chǎng)情緒也是導(dǎo)致股價(jià)波動(dòng)的關(guān)鍵因素。市場(chǎng)情緒反映了投資者對(duì)未來(lái)市場(chǎng)走勢(shì)的預(yù)期和信心。積極的市場(chǎng)情緒會(huì)促使投資者大量買入股票，推動(dòng)股價(jià)上漲；而悲觀情緒則可能引發(fā)拋售行為，導(dǎo)致股價(jià)下跌。例如，在經(jīng)濟(jì)數(shù)據(jù)表現(xiàn)良好、政策利好等情況下，投資者信心增強(qiáng)，市場(chǎng)情緒積極，股票市場(chǎng)往往呈現(xiàn)上漲趨勢(shì)；反之，在經(jīng)濟(jì)衰退預(yù)期、地緣政治沖突等不確定性因素增加時(shí)，投資者情緒悲觀，股票價(jià)格容易出現(xiàn)下跌。宏觀經(jīng)濟(jì)指標(biāo)對(duì)股票市場(chǎng)價(jià)格波動(dòng)也有著重要影響。GDP增長(zhǎng)率、通貨膨脹率、失業(yè)率等宏觀經(jīng)濟(jì)指標(biāo)反映了整體經(jīng)濟(jì)的健康狀況，進(jìn)而影響投資者的信心和投資決策。經(jīng)濟(jì)增長(zhǎng)預(yù)期強(qiáng)勁時(shí)，企業(yè)盈利前景樂(lè)觀，投資者更傾向于投資股票，推動(dòng)股價(jià)上漲；而在經(jīng)濟(jì)衰退期，企業(yè)盈利可能下滑，投資者信心受挫，股票價(jià)格往往下跌。通貨膨脹率的變化會(huì)影響企業(yè)的成本和利潤(rùn)，也會(huì)對(duì)股票價(jià)格產(chǎn)生影響。適度的通貨膨脹可能刺激企業(yè)生產(chǎn)和投資，對(duì)股價(jià)有一定的支撐作用，但過(guò)高的通貨膨脹可能導(dǎo)致企業(yè)成本上升，利潤(rùn)下降，股價(jià)也會(huì)受到負(fù)面影響。有效市場(chǎng)假說(shuō)（EfficientMarketsHypothesis，EMH）是解釋股票價(jià)格波動(dòng)的重要理論之一，由美國(guó)經(jīng)濟(jì)學(xué)家尤金?法瑪（EugeneF.Fama）于1970年深化并提出。該假說(shuō)認(rèn)為，在一個(gè)證券市場(chǎng)里，如果價(jià)格完全反映了所有能夠獲取的信息，那么這個(gè)市場(chǎng)就是有效的。有效市場(chǎng)假說(shuō)可細(xì)分為三個(gè)層次：弱式有效市場(chǎng)、半強(qiáng)式有效市場(chǎng)和強(qiáng)式有效市場(chǎng)。在弱式有效市場(chǎng)中，以往價(jià)格的所有信息已完全體現(xiàn)在當(dāng)前價(jià)格里，依靠分析歷史價(jià)格信息的技術(shù)分析法無(wú)法獲取超額收益。這意味著股票價(jià)格已經(jīng)充分反映了過(guò)去的價(jià)格走勢(shì)、成交量等技術(shù)指標(biāo)所包含的信息，投資者無(wú)法通過(guò)對(duì)歷史價(jià)格圖表的分析來(lái)預(yù)測(cè)未來(lái)股價(jià)的走勢(shì)。在半強(qiáng)式有效市場(chǎng)里，除了證券市場(chǎng)以往的價(jià)格信息，還涵蓋發(fā)行證券企業(yè)的年度報(bào)告、季度報(bào)告等所有公開(kāi)信息，此時(shí)依靠公開(kāi)信息進(jìn)行的基礎(chǔ)分析法也難以獲得超額利潤(rùn)。因?yàn)槭袌?chǎng)參與者能夠迅速獲取和分析這些公開(kāi)信息，并將其反映在股票價(jià)格中，使得基于公開(kāi)信息的投資策略無(wú)法持續(xù)獲得高于市場(chǎng)平均水平的回報(bào)。強(qiáng)式有效市場(chǎng)最為嚴(yán)格，其中的信息既包含所有公開(kāi)信息，也囊括所有內(nèi)幕信息，即便掌握內(nèi)幕信息的投資者，也無(wú)法持續(xù)獲取非正常收益。在這種市場(chǎng)假設(shè)下，市場(chǎng)是完全公平和透明的，所有信息都能及時(shí)、準(zhǔn)確地反映在股票價(jià)格上。有效市場(chǎng)假說(shuō)與股票價(jià)格波動(dòng)性密切相關(guān)。在有效市場(chǎng)中，資產(chǎn)價(jià)格應(yīng)迅速且準(zhǔn)確地反映所有相關(guān)信息，一旦有新信息出現(xiàn)，價(jià)格會(huì)立刻做出調(diào)整。這意味著股票價(jià)格的波動(dòng)是對(duì)新信息的合理反應(yīng)，是市場(chǎng)有效性的體現(xiàn)。如果市場(chǎng)是有效的，那么股票價(jià)格的波動(dòng)將是隨機(jī)的，因?yàn)樾滦畔⒌某霈F(xiàn)是不可預(yù)測(cè)的。當(dāng)公司發(fā)布盈利公告、宏觀經(jīng)濟(jì)數(shù)據(jù)公布或政策調(diào)整等新信息時(shí)，股票價(jià)格會(huì)迅速調(diào)整到反映這些新信息的合理水平。然而，在現(xiàn)實(shí)市場(chǎng)中，股票價(jià)格波動(dòng)更為復(fù)雜，常常出現(xiàn)與有效市場(chǎng)假說(shuō)相悖的現(xiàn)象。部分股票的價(jià)格走勢(shì)與公司基本面變化、宏觀經(jīng)濟(jì)形勢(shì)之間的關(guān)系并非完全符合有效市場(chǎng)假說(shuō)。有時(shí)公司發(fā)布利好消息，股價(jià)卻未立刻上漲；或者市場(chǎng)整體走勢(shì)與經(jīng)濟(jì)數(shù)據(jù)背離，存在滯后性。這可能是由于市場(chǎng)中存在信息不對(duì)稱、投資者非理性行為等因素，導(dǎo)致股票價(jià)格不能及時(shí)、準(zhǔn)確地反映所有信息，從而產(chǎn)生價(jià)格波動(dòng)偏離有效市場(chǎng)假說(shuō)的情況。2.2波動(dòng)性測(cè)度模型2.2.1ARCH模型ARCH模型，即自回歸條件異方差模型（AutoregressiveConditionalHeteroscedasticityModel），由Engle于1982年提出，是金融時(shí)間序列分析中用于刻畫波動(dòng)性的重要模型。該模型的核心思想是，金融時(shí)間序列的誤差項(xiàng)方差并非固定不變，而是隨時(shí)間變化，且依賴于過(guò)去誤差的平方。這一特性使得ARCH模型能夠有效捕捉金融市場(chǎng)中常見(jiàn)的波動(dòng)集群現(xiàn)象，即較大的波動(dòng)往往會(huì)聚集在一起，較小的波動(dòng)也會(huì)集中出現(xiàn)。在ARCH模型中，假設(shè)時(shí)間序列y_t滿足如下線性回歸方程：y_t=\beta_0+\beta_1x_{1t}+\cdots+\beta_kx_{kt}+\varepsilon_t，其中\(zhòng)varepsilon_t為誤差項(xiàng)。ARCH模型對(duì)誤差項(xiàng)的方差做出了特殊假設(shè)，即\varepsilon_t的條件方差\sigma_t^2滿足\sigma_t^2=\omega+\sum_{i=1}^p\alpha_i\varepsilon_{t-i}^2，這就是ARCH(p)模型的表達(dá)式。其中，\omega>0，\alpha_i\geq0（i=1,2,\cdots,p），p為ARCH模型的階數(shù)，表示模型中考慮的滯后項(xiàng)數(shù)量。\omega是常數(shù)項(xiàng)，代表長(zhǎng)期平均方差；\alpha_i是模型參數(shù)，反映了過(guò)去i期殘差平方\varepsilon_{t-i}^2對(duì)當(dāng)前條件方差\sigma_t^2的影響程度。當(dāng)\alpha_i的值較大時(shí)，說(shuō)明過(guò)去i期的波動(dòng)對(duì)當(dāng)前波動(dòng)的影響更為顯著，波動(dòng)集群性更強(qiáng)。以股票市場(chǎng)為例，若某一時(shí)期股票價(jià)格出現(xiàn)大幅波動(dòng)，即\varepsilon_{t-i}^2較大，根據(jù)ARCH模型，這會(huì)使得當(dāng)前時(shí)期的條件方差\sigma_t^2增大，意味著未來(lái)短期內(nèi)股票價(jià)格仍有較大波動(dòng)的可能性，體現(xiàn)了波動(dòng)的集群性。ARCH模型通過(guò)這種方式，能夠?qū)v史波動(dòng)信息作為條件，采用自回歸形式刻畫波動(dòng)的變化。對(duì)于一個(gè)時(shí)間序列而言，在不同時(shí)刻包含的歷史信息不同，相應(yīng)的條件方差也不同，從而為研究金融時(shí)間序列的波動(dòng)性提供了有效的工具。2.2.2GARCH模型GARCH模型，即廣義自回歸條件異方差模型（GeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Bollerslev于1986年提出，是對(duì)ARCH模型的重要擴(kuò)展。盡管ARCH模型能夠刻畫波動(dòng)集群性，但在實(shí)際應(yīng)用中發(fā)現(xiàn)，它往往需要較高的階數(shù)p才能較好地?cái)M合數(shù)據(jù)，這會(huì)導(dǎo)致參數(shù)估計(jì)數(shù)量過(guò)多，增加模型的復(fù)雜性和估計(jì)難度。GARCH模型通過(guò)引入條件方差的滯后項(xiàng)，有效解決了這一問(wèn)題。GARCH(p,q)模型的條件方差\sigma_t^2表達(dá)式為\sigma_t^2=\omega+\sum_{i=1}^p\alpha_i\varepsilon_{t-i}^2+\sum_{j=1}^q\beta_j\sigma_{t-j}^2，其中\(zhòng)omega>0，\alpha_i\geq0（i=1,2,\cdots,p），\beta_j\geq0（j=1,2,\cdots,q），p和q分別為ARCH項(xiàng)和GARCH項(xiàng)的階數(shù)。與ARCH模型相比，GARCH模型不僅考慮了過(guò)去誤差平方\varepsilon_{t-i}^2對(duì)當(dāng)前條件方差的影響，還納入了過(guò)去條件方差\sigma_{t-j}^2的作用。這使得GARCH模型能夠更全面地捕捉波動(dòng)的持續(xù)性，即當(dāng)前的波動(dòng)不僅受近期波動(dòng)的影響，還與過(guò)去較長(zhǎng)一段時(shí)間的波動(dòng)狀況相關(guān)。在金融市場(chǎng)中，波動(dòng)的持續(xù)性表現(xiàn)為市場(chǎng)在經(jīng)歷一段時(shí)間的高波動(dòng)后，往往會(huì)繼續(xù)保持較高的波動(dòng)水平；反之，在低波動(dòng)時(shí)期后，波動(dòng)水平也傾向于維持在較低狀態(tài)。GARCH模型能夠很好地刻畫這種現(xiàn)象，通過(guò)\sum_{j=1}^q\beta_j\sigma_{t-j}^2這一項(xiàng)，體現(xiàn)了過(guò)去波動(dòng)對(duì)當(dāng)前波動(dòng)的長(zhǎng)期影響。當(dāng)市場(chǎng)出現(xiàn)一次大幅波動(dòng)時(shí)，\sigma_{t-j}^2增大，會(huì)使得后續(xù)時(shí)期的\sigma_t^2也相應(yīng)增大，從而反映出波動(dòng)的持續(xù)性。GARCH模型在處理金融時(shí)間序列的厚尾分布方面也具有優(yōu)勢(shì)。實(shí)際金融市場(chǎng)中的收益率分布往往呈現(xiàn)出尖峰厚尾的特征，即與正態(tài)分布相比，分布的峰值更高，尾部更厚，這意味著極端事件發(fā)生的概率比正態(tài)分布所預(yù)測(cè)的要高。GARCH模型通過(guò)對(duì)條件方差的動(dòng)態(tài)建模，能夠更好地捕捉到這種厚尾特征，更準(zhǔn)確地描述金融市場(chǎng)收益率的分布情況，為風(fēng)險(xiǎn)度量和投資決策提供更可靠的依據(jù)。2.2.3其他相關(guān)模型除了ARCH模型和GARCH模型，在金融時(shí)間序列波動(dòng)性研究中，還有一些其他相關(guān)模型，它們從不同角度對(duì)波動(dòng)特征進(jìn)行刻畫，豐富了波動(dòng)性測(cè)度的方法體系。EGARCH模型，即指數(shù)廣義自回歸條件異方差模型（ExponentialGeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Nelson于1991年提出。該模型在捕捉波動(dòng)非對(duì)稱性方面具有獨(dú)特優(yōu)勢(shì)。在金融市場(chǎng)中，波動(dòng)非對(duì)稱性表現(xiàn)為利好消息（正的收益率沖擊）和利空消息（負(fù)的收益率沖擊）對(duì)市場(chǎng)波動(dòng)的影響程度不同。EGARCH模型通過(guò)將條件方差設(shè)定為對(duì)數(shù)形式，即\ln(\sigma_t^2)=\omega+\sum_{i=1}^p\alpha_i\frac{|\varepsilon_{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{\varepsilon_{t-i}}{\sqrt{\sigma_{t-i}^2}}，其中\(zhòng)gamma_i反映了波動(dòng)的非對(duì)稱性。當(dāng)\gamma_i\neq0時(shí)，說(shuō)明正負(fù)沖擊對(duì)波動(dòng)的影響存在差異。若\gamma_i<0，則表明利空消息引起的波動(dòng)大于同等程度利好消息引起的波動(dòng)，這種現(xiàn)象在許多股票市場(chǎng)中都有體現(xiàn)，被稱為杠桿效應(yīng)，即公司股價(jià)下跌時(shí)，其杠桿率上升，風(fēng)險(xiǎn)增加，從而導(dǎo)致股價(jià)波動(dòng)加劇。TARCH模型，即門限廣義自回歸條件異方差模型（ThresholdGeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Zakoian于1990年和Glosten、Jagannathan以及Runkle于1993年分別獨(dú)立提出。TARCH模型同樣用于捕捉波動(dòng)的非對(duì)稱性，它在ARCH項(xiàng)中引入了一個(gè)虛擬變量I_{t-1}，當(dāng)\varepsilon_{t-1}<0時(shí)，I_{t-1}=1；否則I_{t-1}=0。其條件方差表達(dá)式為\sigma_t^2=\omega+\sum_{i=1}^p\alpha_i\varepsilon_{t-i}^2+\sum_{j=1}^q\beta_j\sigma_{t-j}^2+\sum_{i=1}^p\gamma_i\varepsilon_{t-i}^2I_{t-1}。\gamma_i衡量了非對(duì)稱效應(yīng)的大小，當(dāng)\gamma_i\neq0時(shí)，體現(xiàn)了正負(fù)沖擊對(duì)波動(dòng)影響的差異。與EGARCH模型不同的是，TARCH模型通過(guò)這種方式更直觀地反映了正負(fù)沖擊對(duì)條件方差的不同影響，便于理解和解釋波動(dòng)的非對(duì)稱性。這些模型在不同方面對(duì)ARCH和GARCH模型進(jìn)行了拓展和改進(jìn)，使得研究者能夠根據(jù)金融時(shí)間序列的具體特征和研究目的選擇合適的模型，更深入地分析股票市場(chǎng)價(jià)格波動(dòng)的規(guī)律和特征。三、滬深綜合指數(shù)概述3.1指數(shù)編制方法上證指數(shù)，全稱為上海證券綜合指數(shù)，其樣本選取范圍涵蓋了上海證券交易所上市的全部股票，包括A股和B股，旨在全面反映上海證券市場(chǎng)的整體股價(jià)表現(xiàn)。在編制過(guò)程中，上證指數(shù)采用加權(quán)平均法進(jìn)行計(jì)算，權(quán)重的確定依據(jù)各成份股的總市值。具體計(jì)算公式為：報(bào)告期指數(shù)=（報(bào)告期樣本總市值/除數(shù)）×100。其中，除數(shù)是一個(gè)重要參數(shù)，會(huì)根據(jù)樣本股的股本變動(dòng)、分紅派息等情況進(jìn)行調(diào)整，以確保指數(shù)的連續(xù)性和可比性。例如，當(dāng)有新的股票上市或現(xiàn)有股票進(jìn)行股本擴(kuò)張時(shí)，除數(shù)會(huì)相應(yīng)調(diào)整，使得指數(shù)能夠準(zhǔn)確反映市場(chǎng)的真實(shí)變化。以某一時(shí)刻為例，假設(shè)有三只在上海證券交易所上市的股票A、B、C被納入上證指數(shù)樣本股。股票A的總市值為500億元，股票B的總市值為300億元，股票C的總市值為200億元，那么總市值為1000億元。若此時(shí)除數(shù)為10，則該時(shí)刻上證指數(shù)為（1000/10）×100=10000點(diǎn)。若股票A進(jìn)行了股本擴(kuò)張，總市值變?yōu)?00億元，除數(shù)調(diào)整為11，那么新的上證指數(shù)為（600+300+200）/11×100≈10000點(diǎn)，雖然各股票市值發(fā)生了變化，但通過(guò)除數(shù)的調(diào)整，指數(shù)能保持相對(duì)穩(wěn)定，準(zhǔn)確反映市場(chǎng)整體情況。新上市的證券并非立即被納入指數(shù)，需要滿足一定條件，如上市滿三個(gè)月或一年（具體要求根據(jù)相關(guān)規(guī)定執(zhí)行），以確保其股價(jià)經(jīng)過(guò)一定時(shí)間的市場(chǎng)檢驗(yàn)，具有代表性。若某證券被實(shí)施風(fēng)險(xiǎn)警示（如ST、*ST），將從指數(shù)中剔除，因?yàn)檫@類股票通常面臨較大的經(jīng)營(yíng)風(fēng)險(xiǎn)和不確定性，可能會(huì)對(duì)指數(shù)的穩(wěn)定性和代表性產(chǎn)生不利影響；一旦該證券撤銷風(fēng)險(xiǎn)警示，經(jīng)營(yíng)狀況恢復(fù)正常，則重新計(jì)入指數(shù)。當(dāng)證券退市時(shí)，也會(huì)從指數(shù)中剔除，以保證指數(shù)樣本始終反映市場(chǎng)中正常交易的股票情況。深證成指，即深圳成份股指數(shù)，其樣本選取標(biāo)準(zhǔn)更為嚴(yán)格，從深圳證券交易所上市的所有股票中，選取市值大、流動(dòng)性好的500家上市公司的股票作為計(jì)算對(duì)象，以反映深交所多層次市場(chǎng)的整體表現(xiàn)。深證成指采用實(shí)際可交易市值加權(quán)的計(jì)算方法，也就是以自由流通股本為權(quán)數(shù)，以加權(quán)平均法進(jìn)行計(jì)算。自由流通股本是指公司總股本中剔除了國(guó)家股、法人股、內(nèi)部職工股等非流通股后的部分，這使得指數(shù)更能反映市場(chǎng)中實(shí)際可交易股票的價(jià)格變動(dòng)對(duì)整體市場(chǎng)的影響。深證成指以1994年7月20日為基日，基日指數(shù)定為1000點(diǎn)。樣本股會(huì)定期調(diào)整，定于每年1月和7月的第一個(gè)交易日施行，通常在前一年的12月和當(dāng)年6月的第二個(gè)完整交易周的第一個(gè)交易日提早發(fā)布樣本調(diào)整計(jì)劃。調(diào)整的目的是為了保證指數(shù)能夠及時(shí)反映市場(chǎng)結(jié)構(gòu)的變化，納入表現(xiàn)優(yōu)秀、更具市場(chǎng)代表性的股票，剔除不符合條件的股票。當(dāng)某家公司的市值規(guī)模、流動(dòng)性等指標(biāo)不再滿足入選標(biāo)準(zhǔn)，或者公司發(fā)生重大資產(chǎn)重組、業(yè)績(jī)大幅下滑等情況時(shí)，可能會(huì)被調(diào)出樣本股；而一些新興行業(yè)的優(yōu)質(zhì)公司，隨著其市值增長(zhǎng)和市場(chǎng)影響力擴(kuò)大，若符合條件，則可能被調(diào)入樣本股，從而使深證成指始終能夠準(zhǔn)確反映深圳證券市場(chǎng)的主要趨勢(shì)和結(jié)構(gòu)特征。3.2指數(shù)在我國(guó)股票市場(chǎng)中的地位和作用滬深綜合指數(shù)在我國(guó)股票市場(chǎng)中占據(jù)著舉足輕重的地位，是反映市場(chǎng)整體走勢(shì)的關(guān)鍵指標(biāo)。上證指數(shù)全面涵蓋了上海證券交易所上市的所有股票，包括A股和B股，通過(guò)市值加權(quán)的方式，將不同規(guī)模、不同行業(yè)的股票納入計(jì)算，能夠直觀地呈現(xiàn)上海證券市場(chǎng)的總體運(yùn)行態(tài)勢(shì)。當(dāng)上證指數(shù)上漲時(shí)，表明上海證券市場(chǎng)中多數(shù)股票價(jià)格上升，市場(chǎng)整體處于上升趨勢(shì)，投資者對(duì)市場(chǎng)前景較為樂(lè)觀，資金流入市場(chǎng)的意愿增強(qiáng)；反之，若上證指數(shù)下跌，則意味著市場(chǎng)整體下行，投資者情緒趨于謹(jǐn)慎，資金可能流出市場(chǎng)。深證成指選取深圳證券交易所上市的市值大、流動(dòng)性好的500家上市公司股票作為樣本，以自由流通股本為權(quán)數(shù)進(jìn)行加權(quán)計(jì)算，精準(zhǔn)反映了深圳證券市場(chǎng)的主要趨勢(shì)和結(jié)構(gòu)特征。由于樣本股涵蓋了深圳市場(chǎng)不同行業(yè)、不同發(fā)展階段的優(yōu)質(zhì)企業(yè)，其走勢(shì)能夠體現(xiàn)深圳市場(chǎng)的活力和創(chuàng)新能力。當(dāng)深證成指上揚(yáng)，說(shuō)明深圳證券市場(chǎng)中具有代表性的企業(yè)表現(xiàn)良好，市場(chǎng)活力充沛；若深證成指下跌，則可能暗示深圳市場(chǎng)面臨一定的壓力或調(diào)整。滬深綜合指數(shù)為投資者決策提供了重要依據(jù)。投資者可以依據(jù)滬深綜合指數(shù)的走勢(shì)判斷市場(chǎng)整體風(fēng)險(xiǎn)和機(jī)會(huì)。在指數(shù)持續(xù)上漲階段，市場(chǎng)處于牛市行情，投資者可適當(dāng)增加股票資產(chǎn)配置，選擇優(yōu)質(zhì)股票進(jìn)行投資，以獲取更高收益。如在2014-2015年上半年的牛市行情中，滬深綜合指數(shù)大幅上漲，許多投資者抓住機(jī)會(huì)，通過(guò)合理配置股票資產(chǎn)實(shí)現(xiàn)了資產(chǎn)的增值。當(dāng)指數(shù)處于下跌趨勢(shì)，市場(chǎng)進(jìn)入熊市，投資者可考慮降低股票投資比例，增加債券、貨幣基金等相對(duì)穩(wěn)健的資產(chǎn)配置，以規(guī)避風(fēng)險(xiǎn)。投資者還能將自己的投資組合收益與滬深綜合指數(shù)對(duì)比，評(píng)估投資策略的有效性。若投資組合收益跑贏指數(shù)，說(shuō)明投資策略較為成功，可繼續(xù)保持或優(yōu)化；若落后于指數(shù)，則需反思投資策略，查找原因并進(jìn)行調(diào)整。對(duì)于市場(chǎng)監(jiān)管而言，滬深綜合指數(shù)是重要的參考指標(biāo)。監(jiān)管部門通過(guò)觀察指數(shù)的波動(dòng)情況，能及時(shí)發(fā)現(xiàn)市場(chǎng)中存在的問(wèn)題和風(fēng)險(xiǎn)。當(dāng)指數(shù)出現(xiàn)異常波動(dòng)，如短期內(nèi)大幅上漲或下跌，可能意味著市場(chǎng)存在過(guò)度投機(jī)、信息不對(duì)稱等問(wèn)題，監(jiān)管部門可據(jù)此采取相應(yīng)的監(jiān)管措施，如加強(qiáng)信息披露監(jiān)管、打擊內(nèi)幕交易和操縱市場(chǎng)行為等，以維護(hù)市場(chǎng)的穩(wěn)定和公平。在市場(chǎng)波動(dòng)劇烈時(shí)，監(jiān)管部門可以加強(qiáng)對(duì)上市公司信息披露的審核，確保投資者能夠獲取真實(shí)、準(zhǔn)確、完整的信息，避免因信息不對(duì)稱導(dǎo)致市場(chǎng)恐慌和過(guò)度波動(dòng)。指數(shù)的走勢(shì)還能反映宏觀經(jīng)濟(jì)政策的實(shí)施效果，為監(jiān)管部門制定和調(diào)整政策提供依據(jù)。若宏觀經(jīng)濟(jì)政策出臺(tái)后，指數(shù)逐漸企穩(wěn)回升，說(shuō)明政策對(duì)市場(chǎng)起到了積極的刺激作用；反之，若指數(shù)未能如預(yù)期般變化，監(jiān)管部門則可考慮調(diào)整政策方向或力度，以促進(jìn)市場(chǎng)的健康發(fā)展。3.3歷史走勢(shì)回顧為了更直觀地了解滬深綜合指數(shù)的波動(dòng)情況，我們對(duì)其歷史走勢(shì)進(jìn)行回顧。通過(guò)繪制2000年1月至2024年12月期間滬深綜合指數(shù)的收盤價(jià)走勢(shì)（見(jiàn)圖1），可以清晰地看到其在不同階段呈現(xiàn)出的顯著特征和波動(dòng)變化。圖1：2000年1月-2024年12月滬深綜合指數(shù)收盤價(jià)走勢(shì)[此處插入滬深綜合指數(shù)收盤價(jià)走勢(shì)折線圖，橫坐標(biāo)為時(shí)間（年-月），縱坐標(biāo)為指數(shù)收盤價(jià)][此處插入滬深綜合指數(shù)收盤價(jià)走勢(shì)折線圖，橫坐標(biāo)為時(shí)間（年-月），縱坐標(biāo)為指數(shù)收盤價(jià)]在2000年初，滬深綜合指數(shù)處于相對(duì)平穩(wěn)的波動(dòng)階段，指數(shù)在一定區(qū)間內(nèi)上下波動(dòng)，反映出市場(chǎng)處于相對(duì)穩(wěn)定的運(yùn)行狀態(tài)，投資者情緒較為平穩(wěn)，市場(chǎng)對(duì)宏觀經(jīng)濟(jì)和企業(yè)盈利預(yù)期也相對(duì)穩(wěn)定。隨著市場(chǎng)的發(fā)展，2005-2007年期間，滬深綜合指數(shù)經(jīng)歷了一輪大幅上漲行情，指數(shù)從2005年6月的低點(diǎn)998點(diǎn)一路飆升至2007年10月的歷史高點(diǎn)6124點(diǎn)。這一階段的上漲主要得益于多方面因素。宏觀經(jīng)濟(jì)層面，中國(guó)經(jīng)濟(jì)保持高速增長(zhǎng)，GDP增長(zhǎng)率持續(xù)保持在較高水平，企業(yè)盈利大幅提升，為股市上漲提供了堅(jiān)實(shí)的基本面支撐。政策層面，股權(quán)分置改革的推進(jìn)解決了長(zhǎng)期困擾中國(guó)股市的制度性問(wèn)題，增強(qiáng)了市場(chǎng)信心，吸引了大量資金流入股市。市場(chǎng)層面，投資者對(duì)股市的預(yù)期不斷改善，投資熱情高漲，大量新增資金涌入市場(chǎng)，推動(dòng)股價(jià)持續(xù)上漲。在這一階段，市場(chǎng)成交量顯著放大，反映出市場(chǎng)交易活躍，投資者積極參與市場(chǎng)。然而，在2007年10月達(dá)到高點(diǎn)后，滬深綜合指數(shù)迅速進(jìn)入下跌通道，在2008年10月跌至1664點(diǎn)的低點(diǎn)，短短一年時(shí)間跌幅超過(guò)70%。這一暴跌主要是受到全球金融危機(jī)的沖擊。金融危機(jī)導(dǎo)致全球經(jīng)濟(jì)衰退，中國(guó)經(jīng)濟(jì)也受到嚴(yán)重影響，出口大幅下滑，企業(yè)盈利預(yù)期惡化。投資者對(duì)經(jīng)濟(jì)前景和企業(yè)盈利的擔(dān)憂加劇，紛紛拋售股票，導(dǎo)致市場(chǎng)恐慌情緒蔓延，股價(jià)大幅下跌。市場(chǎng)成交量在下跌過(guò)程中也有所放大，顯示出投資者的恐慌拋售行為。2009-2010年，滬深綜合指數(shù)出現(xiàn)了一定程度的反彈，從1664點(diǎn)回升至3478點(diǎn)附近。這一反彈主要是由于政府出臺(tái)了一系列經(jīng)濟(jì)刺激政策，以應(yīng)對(duì)金融危機(jī)的沖擊。大規(guī)模的投資計(jì)劃和寬松的貨幣政策刺激了經(jīng)濟(jì)的復(fù)蘇，企業(yè)盈利狀況有所改善，市場(chǎng)信心得到一定程度的恢復(fù)。隨著經(jīng)濟(jì)刺激政策的逐步退出和宏觀經(jīng)濟(jì)增速的放緩，2011-2013年滬深綜合指數(shù)再次進(jìn)入調(diào)整階段，指數(shù)在低位震蕩，市場(chǎng)整體表現(xiàn)較為低迷。2014-2015年上半年，滬深綜合指數(shù)又迎來(lái)一輪快速上漲行情，指數(shù)從2000點(diǎn)左右迅速攀升至5178點(diǎn)。這一階段的上漲受到多種因素的共同作用。一方面，宏觀經(jīng)濟(jì)結(jié)構(gòu)調(diào)整過(guò)程中，市場(chǎng)對(duì)新興產(chǎn)業(yè)的發(fā)展前景充滿期待，新興產(chǎn)業(yè)相關(guān)股票受到投資者的追捧。另一方面，融資融券等金融創(chuàng)新工具的發(fā)展，使得市場(chǎng)杠桿資金大幅增加，進(jìn)一步推動(dòng)了股價(jià)的上漲。市場(chǎng)上出現(xiàn)了大量的融資買入行為，投資者通過(guò)杠桿資金放大投資收益，市場(chǎng)交易異?；钴S，成交量屢創(chuàng)新高。但在2015年6月之后，滬深綜合指數(shù)再次大幅下跌，在短短幾個(gè)月內(nèi)跌至2850點(diǎn)附近。這主要是因?yàn)榍捌谑袌?chǎng)過(guò)度上漲積累了較大的泡沫，隨著監(jiān)管部門加強(qiáng)對(duì)杠桿資金的監(jiān)管，市場(chǎng)杠桿資金迅速撤離，引發(fā)了市場(chǎng)的恐慌性拋售，股價(jià)大幅下跌。許多股票出現(xiàn)連續(xù)跌停，市場(chǎng)流動(dòng)性急劇下降，投資者損失慘重。近年來(lái)，滬深綜合指數(shù)整體呈現(xiàn)出震蕩波動(dòng)的態(tài)勢(shì)，指數(shù)在不同的區(qū)間內(nèi)波動(dòng)，市場(chǎng)走勢(shì)受到宏觀經(jīng)濟(jì)形勢(shì)、政策變化、國(guó)際市場(chǎng)波動(dòng)等多種因素的綜合影響。宏觀經(jīng)濟(jì)增速的換擋、中美貿(mào)易摩擦、新冠疫情等事件都對(duì)市場(chǎng)產(chǎn)生了不同程度的沖擊，導(dǎo)致指數(shù)出現(xiàn)相應(yīng)的波動(dòng)。在新冠疫情爆發(fā)初期，市場(chǎng)對(duì)疫情的不確定性感到擔(dān)憂，滬深綜合指數(shù)大幅下跌；隨著疫情防控措施的有效實(shí)施和經(jīng)濟(jì)的逐步復(fù)蘇，指數(shù)又逐漸回升。四、實(shí)證研究設(shè)計(jì)4.1數(shù)據(jù)選取與預(yù)處理本研究選取2000年1月4日至2024年12月31日期間的滬深綜合指數(shù)日數(shù)據(jù)作為研究樣本，數(shù)據(jù)來(lái)源于Wind數(shù)據(jù)庫(kù)。這一時(shí)間段涵蓋了我國(guó)股票市場(chǎng)多個(gè)重要發(fā)展階段和關(guān)鍵事件，如股權(quán)分置改革、全球金融危機(jī)、金融創(chuàng)新工具的推出等，能夠全面反映我國(guó)股票市場(chǎng)的發(fā)展變化和價(jià)格波動(dòng)特征。在數(shù)據(jù)預(yù)處理階段，為了更準(zhǔn)確地刻畫股票市場(chǎng)價(jià)格波動(dòng)情況，我們對(duì)原始數(shù)據(jù)進(jìn)行了對(duì)數(shù)收益率轉(zhuǎn)換。對(duì)數(shù)收益率的計(jì)算公式為：R_t=\ln(P_t)-\ln(P_{t-1})，其中R_t表示第t期的對(duì)數(shù)收益率，P_t表示第t期的滬深綜合指數(shù)收盤價(jià)，P_{t-1}表示第t-1期的收盤價(jià)。采用對(duì)數(shù)收益率具有多方面優(yōu)勢(shì)，它在數(shù)學(xué)上具有更好的性質(zhì)，能夠使數(shù)據(jù)更加平穩(wěn)，符合一些統(tǒng)計(jì)模型的假設(shè)條件，便于后續(xù)的分析和建模。對(duì)數(shù)收益率還能夠反映資產(chǎn)價(jià)格的相對(duì)變化，更準(zhǔn)確地衡量投資收益和風(fēng)險(xiǎn)，相比簡(jiǎn)單收益率，能更好地體現(xiàn)股票市場(chǎng)價(jià)格波動(dòng)的特征。在數(shù)據(jù)處理過(guò)程中，我們對(duì)數(shù)據(jù)進(jìn)行了嚴(yán)格的清洗和篩選。檢查數(shù)據(jù)的完整性，確保沒(méi)有缺失值或異常值。若存在缺失值，根據(jù)前后數(shù)據(jù)的變化趨勢(shì)，采用線性插值法或均值填充法進(jìn)行補(bǔ)充。對(duì)于異常值，通過(guò)設(shè)定合理的閾值范圍進(jìn)行識(shí)別和處理。當(dāng)對(duì)數(shù)收益率的絕對(duì)值超過(guò)一定閾值（如5倍標(biāo)準(zhǔn)差）時(shí)，將其視為異常值，并結(jié)合市場(chǎng)情況和相關(guān)事件進(jìn)行分析，判斷是否為真實(shí)的市場(chǎng)波動(dòng)或數(shù)據(jù)錄入錯(cuò)誤。若為數(shù)據(jù)錄入錯(cuò)誤，進(jìn)行修正；若為真實(shí)的市場(chǎng)異常波動(dòng)，則保留數(shù)據(jù)，并在后續(xù)分析中予以關(guān)注。通過(guò)這些數(shù)據(jù)預(yù)處理步驟，保證了數(shù)據(jù)的質(zhì)量和可靠性，為后續(xù)的實(shí)證分析奠定了堅(jiān)實(shí)的基礎(chǔ)。4.2模型選擇與設(shè)定在對(duì)滬深綜合指數(shù)的價(jià)格波動(dòng)性進(jìn)行研究時(shí)，根據(jù)前文對(duì)數(shù)據(jù)特征的分析以及研究目的，我們選擇GARCH(1,1)模型作為主要的波動(dòng)性測(cè)度模型。選擇該模型主要基于以下幾方面考慮。滬深綜合指數(shù)收益率序列呈現(xiàn)出明顯的波動(dòng)集群性，即較大的波動(dòng)往往會(huì)聚集在一起，較小的波動(dòng)也會(huì)集中出現(xiàn)。GARCH(1,1)模型能夠很好地捕捉這一特征，通過(guò)對(duì)條件方差的建模，反映出過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)的影響，從而準(zhǔn)確刻畫波動(dòng)集群現(xiàn)象。金融時(shí)間序列通常具有厚尾分布特征，滬深綜合指數(shù)收益率序列也不例外，實(shí)際數(shù)據(jù)中極端事件發(fā)生的概率比正態(tài)分布所預(yù)測(cè)的要高。GARCH(1,1)模型通過(guò)考慮條件方差的時(shí)變性，能夠更好地?cái)M合這種厚尾分布，為風(fēng)險(xiǎn)度量提供更準(zhǔn)確的依據(jù)。相較于其他高階的GARCH模型，GARCH(1,1)模型形式相對(duì)簡(jiǎn)潔，參數(shù)數(shù)量適中，既能夠有效捕捉波動(dòng)特征，又能避免因參數(shù)過(guò)多導(dǎo)致的過(guò)擬合問(wèn)題，在保證模型準(zhǔn)確性的同時(shí)，提高了模型的可解釋性和估計(jì)效率。GARCH(1,1)模型的具體設(shè)定如下：均值方程為R_t=\mu+\varepsilon_t，其中R_t為第t期的滬深綜合指數(shù)對(duì)數(shù)收益率，\mu為收益率的均值，\varepsilon_t為隨機(jī)誤差項(xiàng)。條件方差方程為\sigma_t^2=\omega+\alpha\varepsilon_{t-1}^2+\beta\sigma_{t-1}^2，其中\(zhòng)sigma_t^2為第t期的條件方差，\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)和GARCH項(xiàng)的系數(shù)，且滿足\omega>0，\alpha\geq0，\beta\geq0，\alpha+\beta<1。\alpha反映了過(guò)去一期的殘差平方\varepsilon_{t-1}^2對(duì)當(dāng)前條件方差的影響程度，\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。當(dāng)\alpha較大時(shí)，說(shuō)明近期的波動(dòng)沖擊對(duì)當(dāng)前波動(dòng)影響較大；\beta較大則表明波動(dòng)具有較強(qiáng)的持續(xù)性，過(guò)去的波動(dòng)狀態(tài)對(duì)當(dāng)前波動(dòng)的影響較為持久。通過(guò)對(duì)這些參數(shù)的估計(jì)和分析，可以深入了解滬深綜合指數(shù)價(jià)格波動(dòng)的特征和規(guī)律。4.3研究假設(shè)提出基于前文對(duì)滬深綜合指數(shù)的理論分析和相關(guān)研究背景，提出以下研究假設(shè)，以便更深入地探討我國(guó)股票市場(chǎng)價(jià)格波動(dòng)性的特征和影響因素。假設(shè)1：滬深綜合指數(shù)收益率序列具有顯著的ARCH效應(yīng)：即過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)存在顯著影響，表現(xiàn)出波動(dòng)集群性。在金融市場(chǎng)中，信息的傳遞和投資者的行為往往具有一定的持續(xù)性，當(dāng)市場(chǎng)出現(xiàn)較大波動(dòng)時(shí)，這種波動(dòng)不會(huì)立即消失，而是會(huì)在后續(xù)一段時(shí)間內(nèi)持續(xù)影響市場(chǎng)，導(dǎo)致波動(dòng)聚集出現(xiàn)。例如，當(dāng)某一重大宏觀經(jīng)濟(jì)事件發(fā)生時(shí)，如經(jīng)濟(jì)數(shù)據(jù)不及預(yù)期，市場(chǎng)投資者會(huì)對(duì)未來(lái)經(jīng)濟(jì)形勢(shì)產(chǎn)生擔(dān)憂，這種擔(dān)憂情緒會(huì)在市場(chǎng)中持續(xù)傳播，使得股票價(jià)格在一段時(shí)間內(nèi)出現(xiàn)較大波動(dòng)，并且這種波動(dòng)會(huì)相互影響，呈現(xiàn)出波動(dòng)集群的特征。因此，我們假設(shè)滬深綜合指數(shù)收益率序列存在ARCH效應(yīng)，這將為后續(xù)使用ARCH類模型進(jìn)行分析提供理論基礎(chǔ)。假設(shè)2：GARCH(1,1)模型能夠較好地?cái)M合滬深綜合指數(shù)收益率序列的波動(dòng)性：考慮到GARCH(1,1)模型在捕捉波動(dòng)集群性和持續(xù)性方面的優(yōu)勢(shì)，以及滬深綜合指數(shù)收益率序列的特點(diǎn)，我們認(rèn)為該模型能夠有效刻畫滬深綜合指數(shù)收益率的波動(dòng)特征。GARCH(1,1)模型不僅考慮了過(guò)去的殘差平方對(duì)當(dāng)前條件方差的影響（即ARCH效應(yīng)），還納入了過(guò)去條件方差的作用，能夠更全面地反映波動(dòng)的持續(xù)性。許多實(shí)證研究也表明，GARCH(1,1)模型在金融時(shí)間序列波動(dòng)性分析中具有良好的表現(xiàn)，能夠準(zhǔn)確地?cái)M合金融市場(chǎng)的波動(dòng)情況。所以，我們假設(shè)GARCH(1,1)模型能夠較好地?cái)M合滬深綜合指數(shù)收益率序列的波動(dòng)性，通過(guò)對(duì)該模型的參數(shù)估計(jì)和分析，可以深入了解滬深綜合指數(shù)價(jià)格波動(dòng)的規(guī)律。假設(shè)3：宏觀經(jīng)濟(jì)因素對(duì)滬深綜合指數(shù)價(jià)格波動(dòng)有顯著影響：宏觀經(jīng)濟(jì)因素如GDP增長(zhǎng)率、通貨膨脹率、利率等是影響股票市場(chǎng)的重要基本面因素。當(dāng)GDP增長(zhǎng)率上升時(shí)，表明經(jīng)濟(jì)處于擴(kuò)張階段，企業(yè)盈利預(yù)期增加，投資者對(duì)股票的需求上升，推動(dòng)股票價(jià)格上漲，從而影響滬深綜合指數(shù)的波動(dòng)。通貨膨脹率的變化會(huì)影響企業(yè)的成本和利潤(rùn)，進(jìn)而影響股票價(jià)格。較高的通貨膨脹率可能導(dǎo)致企業(yè)成本上升，利潤(rùn)下降，股票價(jià)格下跌；而較低的通貨膨脹率則可能對(duì)股票價(jià)格產(chǎn)生積極影響。利率的調(diào)整會(huì)改變資金的流向，當(dāng)利率上升時(shí)，債券等固定收益類資產(chǎn)的吸引力增加，資金可能從股票市場(chǎng)流出，導(dǎo)致股票價(jià)格下跌；利率下降時(shí)，情況則相反。基于這些理論和實(shí)際經(jīng)濟(jì)現(xiàn)象，我們假設(shè)宏觀經(jīng)濟(jì)因素對(duì)滬深綜合指數(shù)價(jià)格波動(dòng)有顯著影響，通過(guò)實(shí)證分析可以進(jìn)一步驗(yàn)證這些因素與股票市場(chǎng)波動(dòng)之間的具體關(guān)系。假設(shè)4：市場(chǎng)情緒對(duì)滬深綜合指數(shù)價(jià)格波動(dòng)有顯著影響：市場(chǎng)情緒反映了投資者對(duì)市場(chǎng)的信心和預(yù)期，樂(lè)觀的市場(chǎng)情緒會(huì)促使投資者增加投資，推動(dòng)股票價(jià)格上漲；悲觀的市場(chǎng)情緒則會(huì)導(dǎo)致投資者減少投資或拋售股票，使股票價(jià)格下跌。社交媒體的發(fā)展使得信息傳播更加迅速，投資者的情緒更容易受到各種消息的影響。當(dāng)市場(chǎng)上出現(xiàn)大量正面消息時(shí)，投資者情緒樂(lè)觀，紛紛買入股票，推動(dòng)滬深綜合指數(shù)上升；反之，當(dāng)負(fù)面消息充斥市場(chǎng)時(shí)，投資者情緒悲觀，大量拋售股票，導(dǎo)致滬深綜合指數(shù)下跌。所以，我們假設(shè)市場(chǎng)情緒對(duì)滬深綜合指數(shù)價(jià)格波動(dòng)有顯著影響，研究市場(chǎng)情緒與股票市場(chǎng)波動(dòng)之間的關(guān)系，有助于更好地理解市場(chǎng)行為和預(yù)測(cè)市場(chǎng)走勢(shì)。五、實(shí)證結(jié)果與分析5.1描述性統(tǒng)計(jì)分析對(duì)2000年1月4日至2024年12月31日期間的滬深綜合指數(shù)對(duì)數(shù)收益率數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)，結(jié)果如表1所示。表1：滬深綜合指數(shù)對(duì)數(shù)收益率描述性統(tǒng)計(jì)|統(tǒng)計(jì)量|數(shù)值||----|----||均值|0.00032||標(biāo)準(zhǔn)差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||統(tǒng)計(jì)量|數(shù)值||----|----||均值|0.00032||標(biāo)準(zhǔn)差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||----|----||均值|0.00032||標(biāo)準(zhǔn)差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||均值|0.00032||標(biāo)準(zhǔn)差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||標(biāo)準(zhǔn)差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||偏度|-0.214||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||峰度|5.368||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||Jarque-Bera統(tǒng)計(jì)量|289.456||概率|0.000||概率|0.000|從均值來(lái)看，滬深綜合指數(shù)對(duì)數(shù)收益率的均值為0.00032，表明在該時(shí)間段內(nèi)，平均每日的收益率相對(duì)較低。這與股票市場(chǎng)的風(fēng)險(xiǎn)特征相符，雖然股票市場(chǎng)具有較高的潛在收益，但長(zhǎng)期平均下來(lái)，每日的收益并不高，且受到多種復(fù)雜因素的影響，難以實(shí)現(xiàn)穩(wěn)定的高額收益。標(biāo)準(zhǔn)差為0.0198，反映出收益率的波動(dòng)程度較大。這意味著滬深綜合指數(shù)的價(jià)格波動(dòng)較為頻繁且幅度較大，投資者面臨著較高的風(fēng)險(xiǎn)。在實(shí)際投資中，較大的標(biāo)準(zhǔn)差意味著投資者的收益具有較大的不確定性，可能在短期內(nèi)獲得高額收益，也可能遭受重大損失。例如，在市場(chǎng)行情較好時(shí)，投資者可能獲得較高的正收益；但在市場(chǎng)出現(xiàn)大幅調(diào)整時(shí)，投資者的資產(chǎn)可能會(huì)大幅縮水。最小值為-0.0925，最大值為0.0967，說(shuō)明在研究期間，滬深綜合指數(shù)經(jīng)歷了較大幅度的漲跌。這種極端值的出現(xiàn)進(jìn)一步證實(shí)了股票市場(chǎng)的高風(fēng)險(xiǎn)性和波動(dòng)性。在某些特殊時(shí)期，如金融危機(jī)、重大政策調(diào)整或突發(fā)的重大事件時(shí)，股票市場(chǎng)可能會(huì)出現(xiàn)劇烈波動(dòng)，導(dǎo)致指數(shù)出現(xiàn)大幅上漲或下跌。偏度為-0.214，表明收益率分布呈現(xiàn)左偏態(tài)。這意味著收益率分布的左側(cè)（負(fù)收益一側(cè)）尾部比正態(tài)分布更長(zhǎng)，即出現(xiàn)大幅負(fù)收益的概率相對(duì)較高，而出現(xiàn)大幅正收益的概率相對(duì)較低。在股票市場(chǎng)中，這種左偏態(tài)分布反映了市場(chǎng)風(fēng)險(xiǎn)的不對(duì)稱性，投資者面臨著更大的下行風(fēng)險(xiǎn)。當(dāng)市場(chǎng)出現(xiàn)不利因素時(shí)，如經(jīng)濟(jì)衰退、企業(yè)業(yè)績(jī)下滑等，股票價(jià)格更容易出現(xiàn)大幅下跌，導(dǎo)致投資者遭受較大損失。峰度為5.368，大于正態(tài)分布的峰度值3，呈現(xiàn)尖峰厚尾特征。這表明滬深綜合指數(shù)收益率序列出現(xiàn)極端值的概率比正態(tài)分布所預(yù)測(cè)的要高，即市場(chǎng)中更容易出現(xiàn)極端事件。尖峰厚尾特征使得股票市場(chǎng)的風(fēng)險(xiǎn)度量變得更加復(fù)雜，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)確評(píng)估市場(chǎng)風(fēng)險(xiǎn)。在實(shí)際投資中，投資者需要更加關(guān)注極端事件的發(fā)生概率和影響，采取有效的風(fēng)險(xiǎn)管理措施，以降低極端事件對(duì)投資組合的沖擊。Jarque-Bera統(tǒng)計(jì)量為289.456，對(duì)應(yīng)的概率為0.000，這強(qiáng)烈拒絕了收益率序列服從正態(tài)分布的原假設(shè)。這與之前分析的偏度和峰度結(jié)果一致，進(jìn)一步說(shuō)明滬深綜合指數(shù)對(duì)數(shù)收益率序列不服從正態(tài)分布，具有非正態(tài)性特征。在金融市場(chǎng)中，收益率序列的非正態(tài)性是普遍存在的，這對(duì)投資決策和風(fēng)險(xiǎn)管理具有重要影響。投資者在進(jìn)行投資分析和決策時(shí)，不能簡(jiǎn)單地假設(shè)收益率服從正態(tài)分布，而需要采用更加適合非正態(tài)分布數(shù)據(jù)的分析方法和模型，以提高投資決策的準(zhǔn)確性和風(fēng)險(xiǎn)管理的有效性。5.2平穩(wěn)性檢驗(yàn)在進(jìn)行時(shí)間序列分析時(shí)，確保數(shù)據(jù)的平穩(wěn)性至關(guān)重要。許多時(shí)間序列模型，如ARMA、ARIMA等，都要求數(shù)據(jù)具有平穩(wěn)性。若數(shù)據(jù)不平穩(wěn)，直接使用這些模型可能會(huì)導(dǎo)致參數(shù)估計(jì)不準(zhǔn)確、模型預(yù)測(cè)效果不佳等問(wèn)題。為了確保后續(xù)分析的可靠性，我們對(duì)滬深綜合指數(shù)對(duì)數(shù)收益率序列進(jìn)行了ADF單位根檢驗(yàn)，結(jié)果如表2所示。表2：滬深綜合指數(shù)對(duì)數(shù)收益率ADF單位根檢驗(yàn)結(jié)果|檢驗(yàn)類型（C,T,K）|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)||----|----|----|----|----|----|----||（C,T,1）|-2.7865|-3.4395|-2.8650|-2.5689|0.1432|否||（C,0,1）|-2.6548|-3.4335|-2.8620|-2.5676|0.1793|否||（0,0,1）|-0.1235|-2.5673|-1.9414|-1.6163|0.6348|否||檢驗(yàn)類型（C,T,K）|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)||----|----|----|----|----|----|----||（C,T,1）|-2.7865|-3.4395|-2.8650|-2.5689|0.1432|否||（C,0,1）|-2.6548|-3.4335|-2.8620|-2.5676|0.1793|否||（0,0,1）|-0.1235|-2.5673|-1.9414|-1.6163|0.6348|否||----|----|----|----|----|----|----||（C,T,1）|-2.7865|-3.4395|-2.8650|-2.5689|0.1432|否||（C,0,1）|-2.6548|-3.4335|-2.8620|-2.5676|0.1793|否||（0,0,1）|-0.1235|-2.5673|-1.9414|-1.6163|0.6348|否||（C,T,1）|-2.7865|-3.4395|-2.8650|-2.5689|0.1432|否||（C,0,1）|-2.6548|-3.4335|-2.8620|-2.5676|0.1793|否||（0,0,1）|-0.1235|-2.5673|-1.9414|-1.6163|0.6348|否||（C,0,1）|-2.6548|-3.4335|-2.8620|-2.5676|0.1793|否||（0,0,1）|-0.1235|-2.5673|-1.9414|-1.6163|0.6348|否||（0,0,1）|-0.1235|-2.5673|-1.9414|-1.6163|0.6348|否|其中，檢驗(yàn)類型（C,T,K）分別表示檢驗(yàn)?zāi)Ｐ椭惺欠癜?shù)項(xiàng)（C）、時(shí)間趨勢(shì)項(xiàng)（T）以及滯后階數(shù)（K）。在本次檢驗(yàn)中，滯后階數(shù)K根據(jù)AIC準(zhǔn)則確定，以保證檢驗(yàn)結(jié)果的準(zhǔn)確性。AIC準(zhǔn)則是一種衡量統(tǒng)計(jì)模型擬合優(yōu)良性的標(biāo)準(zhǔn)，通過(guò)最小化AIC值來(lái)選擇最優(yōu)的滯后階數(shù)，使模型既能充分捕捉數(shù)據(jù)的特征，又避免過(guò)擬合。從檢驗(yàn)結(jié)果可以看出，在三種檢驗(yàn)類型下，ADF統(tǒng)計(jì)量均大于相應(yīng)的臨界值，且P值均大于0.05。這表明我們不能拒絕原假設(shè)，即滬深綜合指數(shù)對(duì)數(shù)收益率序列存在單位根，是非平穩(wěn)的。非平穩(wěn)的時(shí)間序列可能會(huì)導(dǎo)致模型估計(jì)的偏差和虛假回歸問(wèn)題，因此需要對(duì)數(shù)據(jù)進(jìn)行處理，使其滿足平穩(wěn)性條件。在實(shí)際應(yīng)用中，若使用非平穩(wěn)的時(shí)間序列進(jìn)行建模，可能會(huì)得出錯(cuò)誤的結(jié)論。例如，在預(yù)測(cè)股票價(jià)格走勢(shì)時(shí)，若使用非平穩(wěn)數(shù)據(jù)建立的模型進(jìn)行預(yù)測(cè)，可能會(huì)高估或低估股票價(jià)格的未來(lái)變化，導(dǎo)致投資者做出錯(cuò)誤的投資決策。為了使數(shù)據(jù)平穩(wěn)，我們對(duì)滬深綜合指數(shù)對(duì)數(shù)收益率序列進(jìn)行一階差分處理。一階差分是一種常用的數(shù)據(jù)平穩(wěn)化方法，通過(guò)計(jì)算相鄰兩個(gè)觀測(cè)值之間的差值，消除時(shí)間序列中的趨勢(shì)和季節(jié)性成分，使其更接近平穩(wěn)序列。對(duì)一階差分后的序列再次進(jìn)行ADF單位根檢驗(yàn)，結(jié)果如表3所示。表3：一階差分后滬深綜合指數(shù)對(duì)數(shù)收益率ADF單位根檢驗(yàn)結(jié)果|檢驗(yàn)類型（C,T,K）|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)||----|----|----|----|----|----|----||（C,T,1）|-4.5687|-3.4398|-2.8652|-2.5690|0.0005|是||（C,0,1）|-4.4892|-3.4338|-2.8622|-2.5678|0.0008|是||（0,0,1）|-12.5634|-2.5675|-1.9416|-1.6164|0.0000|是||檢驗(yàn)類型（C,T,K）|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)||----|----|----|----|----|----|----||（C,T,1）|-4.5687|-3.4398|-2.8652|-2.5690|0.0005|是||（C,0,1）|-4.4892|-3.4338|-2.8622|-2.5678|0.0008|是||（0,0,1）|-12.5634|-2.5675|-1.9416|-1.6164|0.0000|是||----|----|----|----|----|----|----||（C,T,1）|-4.5687|-3.4398|-2.8652|-2.5690|0.0005|是||（C,0,1）|-4.4892|-3.4338|-2.8622|-2.5678|0.0008|是||（0,0,1）|-12.5634|-2.5675|-1.9416|-1.6164|0.0000|是||（C,T,1）|-4.5687|-3.4398|-2.8652|-2.5690|0.0005|是||（C,0,1）|-4.4892|-3.4338|-2.8622|-2.5678|0.0008|是||（0,0,1）|-12.5634|-2.5675|-1.9416|-1.6164|0.0000|是||（C,0,1）|-4.4892|-3.4338|-2.8622|-2.5678|0.0008|是||（0,0,1）|-12.5634|-2.5675|-1.9416|-1.6164|0.0000|是||（0,0,1）|-12.5634|-2.5675|-1.9416|-1.6164|0.0000|是|經(jīng)過(guò)一階差分處理后，在三種檢驗(yàn)類型下，ADF統(tǒng)計(jì)量均小于相應(yīng)的臨界值，且P值均小于0.05。這表明我們可以拒絕原假設(shè)，即一階差分后的滬深綜合指數(shù)對(duì)數(shù)收益率序列不存在單位根，是平穩(wěn)的。平穩(wěn)的時(shí)間序列滿足大多數(shù)時(shí)間序列模型的基本假設(shè)，為后續(xù)使用GARCH(1,1)模型進(jìn)行波動(dòng)性分析提供了可靠的數(shù)據(jù)基礎(chǔ)。在使用GARCH(1,1)模型時(shí)，平穩(wěn)的數(shù)據(jù)能夠使模型更準(zhǔn)確地估計(jì)參數(shù)，更好地捕捉數(shù)據(jù)的波動(dòng)特征，從而提高模型的預(yù)測(cè)能力和解釋能力。5.3ARCH效應(yīng)檢驗(yàn)在使用GARCH(1,1)模型對(duì)滬深綜合指數(shù)收益率序列進(jìn)行建模之前，需要先檢驗(yàn)序列是否存在ARCH效應(yīng)。若不存在ARCH效應(yīng)，使用GARCH類模型可能并不合適。ARCH效應(yīng)檢驗(yàn)的目的是判斷時(shí)間序列的條件異方差是否存在，即過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)是否有顯著影響。如果存在ARCH效應(yīng)，則說(shuō)明序列的方差隨時(shí)間變化，且與過(guò)去的波動(dòng)相關(guān)，適合使用ARCH類模型進(jìn)行分析。本文采用ARCH-LM檢驗(yàn)來(lái)判斷滬深綜合指數(shù)對(duì)數(shù)收益率序列是否存在ARCH效應(yīng)。ARCH-LM檢驗(yàn)通過(guò)建立輔助回歸模型，檢驗(yàn)殘差平方序列是否存在自相關(guān)。具體步驟如下：首先對(duì)滬深綜合指數(shù)對(duì)數(shù)收益率序列進(jìn)行均值方程的估計(jì)，得到殘差序列\(zhòng)varepsilon_t；然后對(duì)殘差平方序列\(zhòng)varepsilon_t^2進(jìn)行自回歸，建立輔助回歸方程\varepsilon_t^2=\omega+\sum_{i=1}^p\alpha_i\varepsilon_{t-i}^2+\mu_t，其中\(zhòng)mu_t為新的殘差項(xiàng)，p為滯后階數(shù)。在實(shí)際檢驗(yàn)中，根據(jù)AIC準(zhǔn)則確定滯后階數(shù)p的值，以保證檢驗(yàn)結(jié)果的準(zhǔn)確性和可靠性。對(duì)滬深綜合指數(shù)對(duì)數(shù)收益率序列進(jìn)行ARCH-LM檢驗(yàn)，結(jié)果如表4所示，設(shè)定滯后階數(shù)p=5。表4：滬深綜合指數(shù)對(duì)數(shù)收益率ARCH-LM檢驗(yàn)結(jié)果|檢驗(yàn)統(tǒng)計(jì)量|數(shù)值||----|----||F統(tǒng)計(jì)量|5.684||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||檢驗(yàn)統(tǒng)計(jì)量|數(shù)值||----|----||F統(tǒng)計(jì)量|5.684||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||----|----||F統(tǒng)計(jì)量|5.684||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||F統(tǒng)計(jì)量|5.684||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||Prob(Chi-Square(5))|0.000|從檢驗(yàn)結(jié)果可以看出，F(xiàn)統(tǒng)計(jì)量的值為5.684，對(duì)應(yīng)的Prob(F-statistic)值為0.000，遠(yuǎn)小于0.05；Obs*R-squared統(tǒng)計(jì)量的值為25.468，Prob(Chi-Square(5))值也為0.000，同樣遠(yuǎn)小于0.05。這表明在5%的顯著性水平下，強(qiáng)烈拒絕原假設(shè)，即認(rèn)為滬深綜合指數(shù)對(duì)數(shù)收益率序列存在ARCH效應(yīng)。這一結(jié)果與假設(shè)1相符，說(shuō)明過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)存在顯著影響，呈現(xiàn)出波動(dòng)集群性，為后續(xù)使用GARCH(1,1)模型進(jìn)行分析提供了有力的支持。由于存在ARCH效應(yīng)，使用GARCH(1,1)模型能夠更好地捕捉滬深綜合指數(shù)收益率序列的波動(dòng)性特征，準(zhǔn)確刻畫波動(dòng)的時(shí)變規(guī)律，從而為研究我國(guó)股票市場(chǎng)價(jià)格波動(dòng)提供更有效的工具。5.4模型估計(jì)結(jié)果使用Eviews軟件對(duì)GARCH(1,1)模型進(jìn)行估計(jì)，得到的參數(shù)估計(jì)結(jié)果如表5所示。表5：GARCH(1,1)模型參數(shù)估計(jì)結(jié)果|參數(shù)|估計(jì)值|標(biāo)準(zhǔn)差|t統(tǒng)計(jì)量|P值||----|----|----|----|----||\(\mu\)|0.00035|0.00012|2.9167|0.0036||\(\omega\)|0.000002|0.000001|2.0000|0.0455||\(\alpha\)|0.1256|0.0324|3.8765|0.0001||\(\beta\)|0.8523|0.0215|39.6419|0.0000||參數(shù)|估計(jì)值|標(biāo)準(zhǔn)差|t統(tǒng)計(jì)量|P值||----|----|----|----|----||\(\mu\)|0.00035|0.00012|2.9167|0.0036||\(\omega\)|0.000002|0.000001|2.0000|0.0455||\(\alpha\)|0.1256|0.0324|3.8765|0.0001||\(\beta\)|0.8523|0.0215|39.6419|0.0000||----|----|----|----|----||\(\mu\)|0.00035|0.00012|2.9167|0.0036||\(\omega\)|0.000002|0.000001|2.0000|0.0455||\(\alpha\)|0.1256|0.0324|3.8765|0.0001||\(\beta\)|0.8523|0.0215|39.6419|0.0000||\(\mu\)|0.00035|0.00012|2.9167|0.0036||\(\omega\)|0.000002|0.000001|2.0000|0.0455||\(\alpha\)|0.1256|0.0324|3.8765|0.0001||\(\beta\)|0.8523|0.0215|39.6419|0.0000||\(\omega\)|0.000002|0.000001|2.0000|0.0455||\(\alpha\)|0.1256|0.0324|3.8765|0.0001||\(\beta\)|0.8523|0.0215|39.6419|0.0000||\(\alpha\)|0.1256|0.0324|3.8765|0.0001||\(\beta\)|0.8523|0.0215|39.6419|0.0000||\(\beta\)|0.8523|0.0215|39.6419|0.0000|在均值方程中，\mu的估計(jì)值為0.00035，t統(tǒng)計(jì)量為2.9167，P值為0.0036，在1%的顯著性水平下顯著。這表明滬深綜合指數(shù)對(duì)數(shù)收益率的均值顯著不為零，平均來(lái)看，在樣本期間內(nèi)，滬深綜合指數(shù)每日的對(duì)數(shù)收益率約為0.00035。從經(jīng)濟(jì)意義上講，該均值反映了股票市場(chǎng)在長(zhǎng)期內(nèi)的平均收益水平，雖然數(shù)值較小，但體現(xiàn)了股票市場(chǎng)作為一種投資渠道所提供的潛在收益。在條件方差方程中，\omega的估計(jì)值為0.000002，t統(tǒng)計(jì)量為2.0000，P值為0.0455，在5%的顯著性水平下顯著。\omega表示長(zhǎng)期平均方差，其值雖然較小，但反映了即使在沒(méi)有新的波動(dòng)沖擊時(shí)，滬深綜合指數(shù)收益率仍存在一定的固有波動(dòng)。這部分波動(dòng)可能來(lái)自于市場(chǎng)的基本不確定性、投資者的日常交易行為等因素，是市場(chǎng)固有的風(fēng)險(xiǎn)水平。\alpha的估計(jì)值為0.1256，t統(tǒng)計(jì)量為3.8765，P值為0.0001，在1%的顯著性水平下顯著。\alpha是ARCH項(xiàng)的系數(shù)，它反映了過(guò)去一期的殘差平方\varepsilon_{t-1}^2對(duì)當(dāng)前條件方差的影響程度。\alpha值越大，說(shuō)明過(guò)去的波動(dòng)沖擊對(duì)當(dāng)前波動(dòng)的影響越大。在本研究中，\alpha顯著不為零且具有一定的數(shù)值，表明滬深綜合指數(shù)收益率序列的波動(dòng)具有明顯的集群性，即過(guò)去的波動(dòng)會(huì)對(duì)當(dāng)前波動(dòng)產(chǎn)生顯著影響。當(dāng)市場(chǎng)在某一時(shí)期出現(xiàn)較大波動(dòng)時(shí)，這種波動(dòng)會(huì)在后續(xù)短期內(nèi)持續(xù)影響市場(chǎng)，導(dǎo)致波動(dòng)聚集出現(xiàn)。\beta的估計(jì)值為0.8523，t統(tǒng)計(jì)量為39.6419，P值為0.0000，在1%的顯著性水平下顯著。\beta是GARCH項(xiàng)的系數(shù)，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。\beta值較大且顯著，說(shuō)明波動(dòng)具有較強(qiáng)的持續(xù)性。當(dāng)市場(chǎng)出現(xiàn)一次波動(dòng)后，這種波動(dòng)狀態(tài)會(huì)持續(xù)一段時(shí)間，過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)的影響較為持久。在實(shí)際市場(chǎng)中，當(dāng)市場(chǎng)受到某種沖擊導(dǎo)致波動(dòng)加劇時(shí)，后續(xù)一段時(shí)間內(nèi)市場(chǎng)仍會(huì)保持較高的波動(dòng)水平，直到有新的因素打破這種狀態(tài)。此外，\alpha+\beta=0.1256+0.8523=0.9779，非常接近1。這表明滬深綜合指數(shù)收益率的波動(dòng)具有很強(qiáng)的持續(xù)性，當(dāng)前的波動(dòng)不僅受到近期波動(dòng)沖擊的影響，還與過(guò)去較長(zhǎng)一段時(shí)間的波動(dòng)狀況密切相關(guān)，且這種波動(dòng)持續(xù)性較強(qiáng)，市場(chǎng)波動(dòng)一旦形成，很難在短期內(nèi)迅速消失。5.5波動(dòng)性特征分析5.5.1波動(dòng)的集群性根據(jù)GARCH(1,1)模型的估計(jì)結(jié)果，ARCH項(xiàng)系數(shù)\alpha為0.1256，且在1%的顯著性水平下顯著，這表明滬深綜合指數(shù)收益率序列存在明顯的波動(dòng)集群性。波動(dòng)集群性是指在股票市場(chǎng)中，較大的波動(dòng)往往會(huì)聚集在一起，較小的波動(dòng)也會(huì)集中出現(xiàn)，呈現(xiàn)出一種波動(dòng)的聚集現(xiàn)象。當(dāng)市場(chǎng)在某一時(shí)期出現(xiàn)較大幅度的漲跌時(shí)，這種波動(dòng)不會(huì)立即消失，而是會(huì)在后續(xù)一段時(shí)間內(nèi)持續(xù)影響市場(chǎng)，導(dǎo)致波動(dòng)聚集出現(xiàn)。在市場(chǎng)受到重大宏觀經(jīng)濟(jì)事件影響時(shí)，如經(jīng)濟(jì)數(shù)據(jù)公布不及預(yù)期，投資者對(duì)未來(lái)經(jīng)濟(jì)形勢(shì)產(chǎn)生擔(dān)憂，這種擔(dān)憂情緒會(huì)在市場(chǎng)中持續(xù)傳播，使得股票價(jià)格在一段時(shí)間內(nèi)出現(xiàn)較大波動(dòng)，并且這種波動(dòng)會(huì)相互影響，呈現(xiàn)出波動(dòng)集群的特征。從市場(chǎng)機(jī)制角度來(lái)看，波動(dòng)集群性的產(chǎn)生與信息的傳遞和投資者行為密切相關(guān)。在股票市場(chǎng)中，信息的傳播并非瞬間完成，而是存在一定的時(shí)滯和擴(kuò)散過(guò)程。當(dāng)新的信息出現(xiàn)時(shí)，投資者需要時(shí)間來(lái)收集、分析和消化這些信息，然后根據(jù)自己的判斷做出投資決策。這種信息處理的過(guò)程導(dǎo)致投資者的行為具有一定的一致性和持續(xù)性，從而使得市場(chǎng)波動(dòng)呈現(xiàn)出集群性。當(dāng)市場(chǎng)上出現(xiàn)利好消息時(shí)，投資者會(huì)紛紛買入股票，推動(dòng)股價(jià)上漲，這種上漲趨勢(shì)會(huì)吸引更多的投資者跟風(fēng)買入，進(jìn)一步推動(dòng)股價(jià)上漲，形成一個(gè)正向的波動(dòng)集群；反之，當(dāng)利空消息出現(xiàn)時(shí)，投資者會(huì)恐慌拋售股票，導(dǎo)致股價(jià)下跌，這種下跌趨勢(shì)又會(huì)引發(fā)更多投資者的拋售行為，形成一個(gè)負(fù)向的波動(dòng)集群。波動(dòng)集群性還與市場(chǎng)的流動(dòng)性和交易成本有關(guān)。在市場(chǎng)波動(dòng)較大時(shí)，投資者的交易行為會(huì)更加頻繁，市場(chǎng)流動(dòng)性可能會(huì)受到影響，交易成本也可能會(huì)增加。較高的交易成本會(huì)使得投資者更加謹(jǐn)慎地進(jìn)行交易，從而進(jìn)一步加劇了波動(dòng)的集群性。當(dāng)市場(chǎng)波動(dòng)較大時(shí)，買賣價(jià)差可能會(huì)擴(kuò)大，投資者進(jìn)行買賣交易時(shí)需要支付更高的成本，這使得他們?cè)诮灰讜r(shí)會(huì)更加謹(jǐn)慎，不會(huì)輕易進(jìn)行頻繁的買賣操作，導(dǎo)致市場(chǎng)波動(dòng)在一段時(shí)間內(nèi)持續(xù)保持在較高水平，形成波動(dòng)集群。5.5.2波動(dòng)的持續(xù)性GARCH項(xiàng)系數(shù)\beta的估計(jì)值為0.8523，在1%的顯著性水平下顯著，且\alpha+\beta=0.9779非常接近1，這表明滬深綜合指數(shù)收益率的波動(dòng)具有很強(qiáng)的持續(xù)性。波動(dòng)持續(xù)性是指當(dāng)前的波動(dòng)不僅受到近期波動(dòng)沖擊的影響，還與過(guò)去較長(zhǎng)一段時(shí)間的波動(dòng)狀況密切相關(guān)，且這種波動(dòng)持續(xù)性較強(qiáng)，市場(chǎng)波動(dòng)一旦形成，很難在短期內(nèi)迅速消失。當(dāng)市場(chǎng)出現(xiàn)一次波動(dòng)后，這種波動(dòng)狀態(tài)會(huì)持續(xù)一段時(shí)間，過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)的影響較為持久。在實(shí)際市場(chǎng)中，當(dāng)市場(chǎng)受到某種沖擊導(dǎo)致波動(dòng)加劇時(shí)，后續(xù)一段時(shí)間內(nèi)市場(chǎng)仍會(huì)保持較高的波動(dòng)水平，直到有新的因素打破這種狀態(tài)。當(dāng)市場(chǎng)受到突發(fā)的重大事件沖擊，如金融危機(jī)爆發(fā)，市場(chǎng)信心受到嚴(yán)重打擊，股票價(jià)格大幅下跌，這種下跌趨勢(shì)會(huì)持續(xù)一段時(shí)間，市場(chǎng)在較長(zhǎng)時(shí)間內(nèi)都處于高波動(dòng)狀態(tài)。即使在事件發(fā)生后的一段時(shí)間內(nèi)，宏觀經(jīng)濟(jì)基本面沒(méi)有發(fā)生明顯變化，但市場(chǎng)投資者的恐慌情緒依然存在，他們對(duì)市場(chǎng)前景的擔(dān)憂導(dǎo)致交易行為更加謹(jǐn)慎，買賣雙方的博弈使得市場(chǎng)波動(dòng)持續(xù)維持在較高水平。波動(dòng)持續(xù)性對(duì)市場(chǎng)有著重要的影響。從投資者角度來(lái)看，波動(dòng)持續(xù)性增加了投資決策的難度和風(fēng)險(xiǎn)。由于市場(chǎng)波動(dòng)持續(xù)存在，投資者很難準(zhǔn)確判斷市場(chǎng)何時(shí)會(huì)恢復(fù)平穩(wěn)，從而難以把握投資時(shí)機(jī)。在市場(chǎng)處于高波動(dòng)持續(xù)期時(shí)，投資者如果貿(mào)然買入股票，可能會(huì)面臨股價(jià)繼續(xù)下跌的風(fēng)險(xiǎn)；而如果選擇賣出股票，又可能錯(cuò)過(guò)市場(chǎng)反彈的機(jī)會(huì)。波動(dòng)持續(xù)性也為投資者提供了一定的交易機(jī)會(huì)。對(duì)于那些擅長(zhǎng)把握市場(chǎng)趨勢(shì)的投資者來(lái)說(shuō)，他們可以利用波動(dòng)持續(xù)性，在市場(chǎng)波動(dòng)初期做出正確的投資決策，從而獲取收益。從市場(chǎng)整體角度來(lái)看，波動(dòng)持續(xù)性會(huì)影響市場(chǎng)的穩(wěn)定性和有效性。長(zhǎng)期的高波動(dòng)持續(xù)性可能會(huì)導(dǎo)致市場(chǎng)信心下降，投資者對(duì)市場(chǎng)的信任度降低，從而影響市場(chǎng)的正常運(yùn)行。波動(dòng)持續(xù)性還可能引發(fā)市場(chǎng)的過(guò)度反應(yīng)，使得市場(chǎng)價(jià)格偏離其內(nèi)在價(jià)值，降低市場(chǎng)的有效性。在市場(chǎng)波動(dòng)持續(xù)上升階段，投資者的過(guò)度樂(lè)觀情緒可能會(huì)導(dǎo)致股價(jià)被高估，形成市場(chǎng)泡沫；而在波動(dòng)持續(xù)下降階段，投資者的過(guò)度悲觀情緒又可能導(dǎo)致股價(jià)被低估，市場(chǎng)資源配置效率降低。5.5.3波動(dòng)的非對(duì)稱性為了進(jìn)一步研究滬深綜合指數(shù)收益率波動(dòng)的非對(duì)稱性，我們引入EGARCH模型進(jìn)行分析。EGARCH模型能夠有效捕捉金融市場(chǎng)中利好消息（正的收益率沖擊）和利空消息（負(fù)的收益率沖擊）對(duì)市場(chǎng)波動(dòng)的不同影響。對(duì)滬深綜合指數(shù)收益率序列進(jìn)行EGARCH(1,1)模型估計(jì)，結(jié)果如表6所示。表6：EGARCH(1,1)模型參數(shù)估計(jì)結(jié)果|參數(shù)|估計(jì)值|標(biāo)準(zhǔn)差|t統(tǒng)計(jì)量|P值||----|----|----|----|----||\(\mu\)|0.00033|0.00011|3.0000|0.0027||\(\omega\)|-0.1256|0.0356|-3.5281|0.0004||\(\alpha\)|0.0856|0.0214|4.0000|0.0001||\(\beta\)|0.9023|0.0185|48.7730|0.0000||\(\gamma\)|-0.0568|0.0123|-4.6179|0.0000||參數(shù)|估計(jì)值|標(biāo)準(zhǔn)差|t統(tǒng)計(jì)量|P值||----|----|----|----|----||\(\mu\)|0.00033|0.00011|3.0000|0.0027||\(\omega\)|-0.1256|0.0356|-3.5281|0.0004||\(\alpha\)|0.0856|0.0214|4.0000|0.0001||\(\beta\)|0.9023|0.0185|48.7730|0.0000||\(\gamma\)|-0.0568|0.0123|-4.6179|0.0000||----|----|----|----|----||\(\mu\)|0.00033|0.00011|3.0000|0.0027||\(\omega\)|-0.1256|0.0356|-3.5281|0.0004||\(\alpha\)|0.0856|0.0214|4.0000|0.0001||\(\beta\)|0.9023|0.0185|48.7730|0.0000||\(\gamma\)|-0.0568|0.0123|-4.6179|0.0000||\(\mu\)|0.00033|0.00011|3.0000|0.0027||\(\omega\)|-0.1256|0.0356|-3.5281|0.0004||\(\alpha\)|0.0856|0.0214|4.0000|0.0001||\(\beta\)|0.9023|0.0185|48.7730|0.0000||\(\gamma\)|-0.0568|0.0123|-4.6179|0.0000||\(\omega\)|-0.1256|0.0356|-3.5281|0.0004||\(\alpha\)|0.0856|0.0214|4.0000|0.0001||\(\beta\)|0.9023|0.0185|48.7730|0.0000||\(\gamma\)|-0.0568|0.01