论文部分内容阅读
摘 要：股市是市场资产配置的重要方式，也是一个国家或地区经济发展状况的晴雨表。股市波动率是企业、股票投资者及监管部门的重要关注对象。本文从波动率的测算、波动的特征和波动的影响因素三个方面，对GARCH族模型的股市波动性研究进行梳理，发现GARCH族模型对股市波动具有良好的预测能力，其中GARCH（1， 1）模型的应用最广。现有研究表明，我国股市波动性存在高波动性、长记忆性、非对称性等特征，尤其是非对称性最为显著，而且波动性还受宏观经济波动、融资融券制度等多种复杂因素的影响。由于持续的股市波动会使投资者承受更大的风险，而股市波动性的相关研究能使投资者了解股市波动的规律，帮助企业和投资者预测未来，从而保障投资者的利益，具有一定的现实意义。
关键词：股市;波动性;GARCH模型
本文索引：刘金全，刘艺萍.<变量 2>[J].中国商论，2021（20）：-113.
中图分类号：F832 文献标识码：A 文章编号：2096-0298（2021）10（b）--04
自从股市诞生，投资者对波动率的关注就从未停止。人们试图用一种或多种方法来测算股市波动，研究其规律，以便早日采取行动，规避风险，取得收益。而我国资本市场的形成较晚，在20世纪90年代才开始组建多层次的资本市场，至今仅有将近30年的时间，但发展起点较高，是在各国的经验基础上操作的。正因为我国股票市场飞速发展，相关部门对市场监管、交易制度、投资者资格审查等方面仍表现得不成熟，股票价格受经济因素（宏观经济发展）和非经济因素（企业所有制和经济体制）的影响较大，导致股市波动较大。由于我国特殊的经济体制背景，股票市场很大程度受政府干预的影响，政策对股市波动的影响往往比市场本身的作用要大，这对于股票投资者和企业的决策而言是一种不确定性。因此，寻求一种方法来拟合并预测波动率成为研究股票市场和企业决策的学者们最关注的问题。
人们采用了各种模型来拟合并预测波动率。这些繁多的模型主要分成三大类：一是历史波动法，即通过历史信息来预测未来股市的波动，其中最常用的是GARCH族模型，被证实能有效地适用于各地的资本市场。二是隐含波动率，是根据期权价格来推算出未来的股市波动，其中美国芝加哥期权交易所编制的波动率指数VIX，又称“投资者恐慌指数”，最受国际市场关注。三是实现波动率，又称未来波动率，度量了期权有效时间内投资回报率的波动。由于我国目前还未推出期权交易，具有期权性质的权证——长虹CWB1在2011年8月11日落幕，而具有期权性质的可转债由于偏离价格，无法满足隐含波动率和实现波动率的计算方法。
1 波动率的测算
目前测算波动率的主要方法有：传统回归分析法、时间序列分析法、马尔可夫转换概率法、网络神经元模型法、自勉门限自回归分析法、在险价值模型法、资产组合分析法、资本资产定价模型法以及GARCH族模型法等。Brooks and Garrett（2002）运用自勉门限自回归（SETAR）模型对英国FTSE100指数和股指期货市场的波动性与信息传递机制进行研究。Brooks and Persand（2003）利用在险价值模型（Var模型）对股票指数收益的非对称性进行研究，发现股指收益对利空消息和利好消息的反应不一样。Torous等（2004）用近似单整解释变量预测股票指数的收益率。Lim and Lin（2003）借助SWARCH模型讨论了我国台湾地区股票指数收益的波动性。伍海华等（2003）采用了BP神经元网络预测模型拟合并预测了2001年上证指数的收盘价，结果表明BP神经元网络预测模型具有良好的预测性能。
近年来，学者们认为GARCH族模型能较好地拟合股市波动率。Engle（1982）提出ARCH模型。Bollerslev（1986）对ARCH模型的方差进行线性化扩展，提出GARCH模型。Nelson（1991）补充了条件分布，建立EGARCH模型（又称为指数型GARCH模型）。Zakoian （1994）将GARCH模型进行扩展，成为TGARCH模型，更好地解释了波动的非对称性。Akgiray（1989）利用ARCH模型和GARCH模型预测美国股票指数的波动，并将预测结果与其他模型的结果相比较，发现GARCH模型更优。Pagan and Schwert（1990）以美国股票为研究对象，分别采用GARCH模型、EGARCH模型、马尔可夫区制转换模型和其他3种非参数模型进行预测，结果显示，GARCH类模型预测性能最佳，且EGARCH模型明显优于GARCH模型，但其他模型的效果较差。Brailsford and Faff（1996）利用包含随机游走、短期和长期移动平均、指数平滑、指数加权平均、线性回归等模型在内的传统预测模型以及GJR和GARCH模型对澳大利亚月股指进行预测，发现GJR和GARCH模型的预测效果显著优于其他模型。Dueker （1997）利用Markov-GARCH转换模型研究了股指的可变性， 结果发现区制转换模型的预测能力比GARCH模型更优。Gwilym等（1999）运用GARCH族模型研究了不同金融期货合约和股指期货价格走势的非线性特征。
由于我国股市仅有近三十年的历史，因此股市波动的相关研究起步也较晚。魏巍贤和周晓明（1999）、刘国旗（2000）运用EGARCH模型对我国股市波动性进行考察。李亚静等（2003）利用GARCH族模型（GARCH模型、EGARCH模型、TGARCH模型）分析了上证30指数、上证综合指数以及深证成份指数等的波动性，进一步预测了香港恒生指数。邓超、光辉（2005）利用上证综合指数2000年3月17日至2003年12月31日之间的收盘价数据， 分别采用ARCH、GARCH、GARCH-M和EGARCH模型来预测股市的波动性， 结果显示，EGARCH（1， 1）较好地模拟预测了上证综指。魏宇（2007）以上证综合指数为研究样本，构建了各类历史波动率和实现波动率模型，通过滚动时间窗的样本外预测法表明，基于ARFIMA的实现波动率模型和随机波动模型的预测性能最佳。郑振龙和黄薏舟（2010）运用GARCH（1， 1）模型预测了香港恒生指数，发现GARCH（1， 1）模型预测一周波动率的能力更强，而隐含波动率模型预测一个月波动率的表现更佳，且隐含波动率的预测能力随着期权市场交易频率的增加而增强。王芳（2011）在T分布和正态分布的假设下，对我国上证房地产股指采用GARCH模型和FIGARCH模型进行建模，结果发现，上证房地产股指波动具有长记忆性，并且得到FIGARCH模型优于GARCH模型，T分布假设优于正态分布的结论。李航和何枫（2017）以滬深300指数的高频数据为样本，采用GARCH族模型对股市波动性进行预测，并利用滚动时间窗的样本外预测技术和模型信度检验（MCS）来评估模型的预测精度。 2 波动性的特征
股市波动性的长记忆性、高波动性、异方差性、非对称性等特征也受到学者们的关注。汤果等（1999）利用FLGARCH模型检验了我国股市收益的长记忆性。刘金全和崔畅（2002）利用GARCH模型等非对称性方法对沪市和深市股票收益率进行分析，发现两市之间存在显著的波动“溢出效应”和“杠杆效应”。刘汉等（2015）基于动态条件相关双曲记忆GARCH模型分析了金砖四国的股市波动特征，发现金砖四国股市均具有显著的波动聚类性和长记忆性，并且俄罗斯和巴西的非对称性特征也顯著存在。严定琪和李育锋（2018）在T分布和正态分布的假设下，采用GARCH族模型对我国沪深300指数波动率进行拟合预测，结果发现，沪深300指数波动具有长记忆性和异方差性，且基于T分布的GARCH（1，1）模型具有最优的拟合预测效果。宋小宇和候为波（2019）以上证综合指数2008年10月至2018年9月期间的日收盘价为研究样本，借助GARCH模型讨论了上证指数的波动性，研究表明，上证综指具有持续高波动性。
在关于股市波动特征的文献中，波动的非对称性是主要的研究对象。最早Black（1976）验证了美国股市的市场收益率具有非对称性。Engle（1991）借助EGARCH模型讨论了市场波动的非对称性，并选取日本TOPIX指数数据进行实证分析，验证了新兴股票市场波动的非对称性。Brooks等（2002）采用多元非对称GARCH模型和Bootstrap方法研究了金融期货套期保值的时变性与非对称性。Brooks and Persand（2003）利用在险价值模型（Var模型）对股票指数收益的非对称性进行研究，发现股指收益对利空消息和利好消息的反应不一样。Ahmed等（2011）利用GARCH模型对苏丹股票市场2006年1月至2010年11月的日收益率进行分析，结果显示非对称模型较对称模型更具预测能力。陆蓉和徐龙炳（2004）采用EGARCH模型讨论了我国股市在“牛市”和“熊市”时对“利好”和“利空”信息的不平衡反应特征，并从投资者预期、结构、心理和交易机制等方面指出这种反应的原因。朱钧钧和谢识矛（2011）在MS-TGARCH模型的基础上，采用MCMC方法估计上证综指的波动率，结果显示，我国股市存在显著的双重不对称性，即高波动时，“好消息”的影响大于“坏消息”，反之依然。严俊宏（2013）借助EGARCH模型对我国上海股市的波动性进行分析，结果表明我国股市收益波动确实存在非对称性，并且投资者情绪是重要的影响因素，其中悲观情绪作用更大。姜翔程和熊亚敏（2017）利用GARCH族模型分析了我国股市波动特征，结果表明，GARCH族模型可拟合预测股市波动，通过研究发现，我国股市波动具有显著的非对称性，即投资者对“好消息”的反应比“坏消息”的反应小。孙礼俊和王晶（2019）通过GARCH族模型对房地产股票的日最高价和最低价的平均值数据进行分析，表明房地产股市具有显著的条件异方差和“杠杆”效应，且受“利空”影响较小。以上研究均表明，我国股市具有非对称性，即“坏消息”的影响比“好消息”大。具体来说，在“牛市”时，“好消息”的作用比“坏消息”大;而在“熊市”时，“坏消息”的冲击更大。
3 波动性的影响因素
关于股市波动性的影响因素，早期研究主要从交易市场本身的各个方面出发考虑两者的关系。Clark（1973）和Blume等（1994） 认为波动率是股票交易产生的结果。还有学者从金融市场微观结构（Amihud and Mandelson， 1986， 1991）、市场流动性（Clarke et al.， 2006）、成交量（Kim and Rhee， 1997）、投资者保护程度（Teoh et al.， 2006）、交易所价格限制（宋逢明和江婕， 2003）、信息披露状况（董锋和韩立岩， 2006）、投资者结构（祁斌等， 2006; 胡大春和金赛男， 2007）、股权分置改革（谢世清和邵宇平， 2011）等角度研究了其对波动性的影响。
由于股票市场处于复杂的经济环境下，不仅受自身波动及企业基本面的影响，还受到宏观经济波动的影响。目前，大多数文献都讨论了宏观经济与股市波动的关系。早期美国学者King（1966）、Blume（1968）、Officer（1973）和Fama and Schwert（1990）从宏观经济因素出发，讨论了其与股票市场波动的关系，认为宏观经济因素显著影响了股市波动。此后，Engle等（2013）利用美国长期宏观经济变量与股市波动的数据进行回归分析，也验证了宏观经济因素显著影响股市波动。Conrad and Loch（2015） 使用GARCH-MIDAS模型研究了美国股市长期风险与宏观经济环境之间的关系。在前人研究的基础上，引入了实际GDP增速、失业率、企业利润率、GDP平减指数、经济周期和投资者信心等宏观经济变量，结果表明，宏观经济变量是股市波动长期成分的重要决定因素，并且期限利差、房屋开工数、企业利润和失业率对股市长期波动的预测能力最高。陈朝旭和刘金全（2010）采用Granger因果检验对股市收益率和宏观经济的关系进行分析，研究发现2003年以前股市收益率与宏观经济确实存在一定的关联性，而在2003年以后两者的关系出现背离，表明这两者的关系依赖于经济周期的阶段性。郑挺国和尚玉皇（2014）利用多因子广义自回归条件异方差-混频数据抽样模型（GARCH-MIDAS）研究了我国股市日度波动率，发现GARCH-MIDDAS模型比单因子模型对长期信息的获取能力更佳，比标准GARCH模型的预测效果更好，此外，估计结果显示，宏观经济波动对股市波动有正向作用。
此外，Santos等（2006）对劳动收入和股票指数收益之间的关系进行研究，发现投资者持有股票所需的风险溢价会随着投资者工资收入比例的波动而变化。股票回报和劳动收入与消费比率也具有显著的关系。Marfatia（2014） 考察了不确定性对股票收益率的影响。利用时变参数（TVP）模型下估计了标准普尔500指数股票收益率对货币政策惊喜的反应，结果表明，不确定性水平与标准普尔500指数股票回报对利率意外变化的时变反应之间存在显著的负相关关系。不确定性越高，货币政策冲击对股市的影响就越小。结果对于不同的不确定性度量是稳健的。张学勇和陶醉（2014）考察了收入差距对股市波动率的影响，发现收入不平等程度越高，股市波动越大，且在发展中国家表现更明显。陈海强和范云菲（2015）运用面板数据政策效应评估方法，考察了融资融券交易制度对我国股市波动率的影响，发现融资融券制度能够有效降低个股波动率，但融资与融券制度对股市的作用具有非对称性，即融资交易制度降低了波动率，而融券交易提高了波动率。然而，李锋森（2017）从股市波动非对称性的角度出发，基于EGARCH模型研究了融资融券对我国股市波动的影响，研究发现，我国股市确实存在股市波动的非对称性，但融资融券对股市波动的非对称性并无显著作用。曹栋和张佳（2017）选取了沪深300指数2007年8月1日至2015年4月23日的日收益率数据，借助GARCH-M模型分析了股指期货对股市波动性的影响，发现在股指期货推出前后，我国股市呈现不同程度的波动，且这种波动具有显著的“集群”效应。此外，研究表明，股指期货对股市波动具有稳定作用，但影响有限。 4 結语
GARCH族模型是根据历史信息来判断未来，通过建立起合适的模型和历史信息预测未来。学者们利用GARCH族模型，如ARCH模型、GARCH模型、EGARCH模型、TGARCH模型、GARCH（1， 1）模型对股市波动率进行测量，目前得到统一的结论，即GARCH（1， 1）模型的能力更强，因此GARCH（1， 1）模型在相关研究中也成为最常用的模型。此外，股市波动性还具有长记忆性、高波动性、异方差性、非对称性等特征，其中非对称性是目前文献的主要研究对象，研究证明，GARCH族模型能更好地模拟股市波动性的特征，也能更好地预测股市波动。
由于股票市场处于复杂的环境中，股市波动性受宏观经济、劳动收入、不确定性与融资融券制度等多种因素的影响，因此加强对股市波动性的研究，有助于投资者更好地了解股市波动性的规律，更好地帮助企业和投资者预测未来，从而保障投资者的利益。
参考文献
Engle R.F.Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation[J].Econometrica，1982，50（7）： 203-224.
Bollerslevb T.Generalized Autoregressive Conditional Heteroskedasticity[J]. Eeri Research Paper，1986，31（3）：307-327.
郑振龙，黄薏舟.波动率预测：GARCH模型与隐含波动率[J].数量经济技术经济研究，2010，27（1）：140-150.
刘金全，崔畅.中国沪深股市收益率和波动性的实证分析[J].经济学（季刊），2002（3）：885-898.
Black F. Studies in Stock Price Volatility Changes. Proceedings of the 1976 Business Meeting of the Business and Economic Statistics， American Statistical Association. Washington DC， 1976： 177-181.
陆蓉，徐龙炳.“牛市”和“熊市”对信息的不平衡性反应研究[J].经济研究，2004（3）：65-72.
朱钧钧，谢识予.中国股市波动率的双重不对称性及其解释——基于MS-TGARCH模型的MCMC估计和分析[J].金融研究， 2011（3）：134-148.
李锋森.我国融资融券助涨助跌了吗？——基于波动非对称性视角[J].金融研究，2017（2）：147-162.
Literature Review of GARCH Model on Stock Market Volatility
School of Economics and Statistics， Guangzhou University
LIU Jinquan LIU Yiping
Abstract： Stock market is an important way of asset allocation in the market and also a barometer of the economic conditions of a country or region. Stock market volatility is an important concern of enterprises， stock investors and regulatory authorities. In this paper， from three aspects of volatility measurement， characteristics and influencing factors of volatility， the GARCH model of stock market volatility research is sorted out， and it is found that the GARCH model has a good ability to predict the stock market volatility， among which the GARCH（1， 1） model is the most widely used. Existing studies show that the volatility of China’s stock market is characterized by high volatility， long-term memory， asymmetry and other characteristics， especially the most significant asymmetry. Moreover， the volatility is also affected by a variety of complex factors such as macroeconomic fluctuations and margin system and other complicated factors. Since the continuous volatility of stock market will make investors bear greater risks， and the relevant research on stock market’s volatility enables investors to understand the law of stock market’s volatility， helps enterprises and investors to predict the future， so as to protect the interests of investors， which has certain practical significance.
Keywords： stock market; volatility; GARCH model
关键词：股市;波动性;GARCH模型
本文索引：刘金全，刘艺萍.<变量 2>[J].中国商论，2021（20）：-113.
中图分类号：F832 文献标识码：A 文章编号：2096-0298（2021）10（b）--04
自从股市诞生，投资者对波动率的关注就从未停止。人们试图用一种或多种方法来测算股市波动，研究其规律，以便早日采取行动，规避风险，取得收益。而我国资本市场的形成较晚，在20世纪90年代才开始组建多层次的资本市场，至今仅有将近30年的时间，但发展起点较高，是在各国的经验基础上操作的。正因为我国股票市场飞速发展，相关部门对市场监管、交易制度、投资者资格审查等方面仍表现得不成熟，股票价格受经济因素（宏观经济发展）和非经济因素（企业所有制和经济体制）的影响较大，导致股市波动较大。由于我国特殊的经济体制背景，股票市场很大程度受政府干预的影响，政策对股市波动的影响往往比市场本身的作用要大，这对于股票投资者和企业的决策而言是一种不确定性。因此，寻求一种方法来拟合并预测波动率成为研究股票市场和企业决策的学者们最关注的问题。
人们采用了各种模型来拟合并预测波动率。这些繁多的模型主要分成三大类：一是历史波动法，即通过历史信息来预测未来股市的波动，其中最常用的是GARCH族模型，被证实能有效地适用于各地的资本市场。二是隐含波动率，是根据期权价格来推算出未来的股市波动，其中美国芝加哥期权交易所编制的波动率指数VIX，又称“投资者恐慌指数”，最受国际市场关注。三是实现波动率，又称未来波动率，度量了期权有效时间内投资回报率的波动。由于我国目前还未推出期权交易，具有期权性质的权证——长虹CWB1在2011年8月11日落幕，而具有期权性质的可转债由于偏离价格，无法满足隐含波动率和实现波动率的计算方法。
1 波动率的测算
目前测算波动率的主要方法有：传统回归分析法、时间序列分析法、马尔可夫转换概率法、网络神经元模型法、自勉门限自回归分析法、在险价值模型法、资产组合分析法、资本资产定价模型法以及GARCH族模型法等。Brooks and Garrett（2002）运用自勉门限自回归（SETAR）模型对英国FTSE100指数和股指期货市场的波动性与信息传递机制进行研究。Brooks and Persand（2003）利用在险价值模型（Var模型）对股票指数收益的非对称性进行研究，发现股指收益对利空消息和利好消息的反应不一样。Torous等（2004）用近似单整解释变量预测股票指数的收益率。Lim and Lin（2003）借助SWARCH模型讨论了我国台湾地区股票指数收益的波动性。伍海华等（2003）采用了BP神经元网络预测模型拟合并预测了2001年上证指数的收盘价，结果表明BP神经元网络预测模型具有良好的预测性能。
近年来，学者们认为GARCH族模型能较好地拟合股市波动率。Engle（1982）提出ARCH模型。Bollerslev（1986）对ARCH模型的方差进行线性化扩展，提出GARCH模型。Nelson（1991）补充了条件分布，建立EGARCH模型（又称为指数型GARCH模型）。Zakoian （1994）将GARCH模型进行扩展，成为TGARCH模型，更好地解释了波动的非对称性。Akgiray（1989）利用ARCH模型和GARCH模型预测美国股票指数的波动，并将预测结果与其他模型的结果相比较，发现GARCH模型更优。Pagan and Schwert（1990）以美国股票为研究对象，分别采用GARCH模型、EGARCH模型、马尔可夫区制转换模型和其他3种非参数模型进行预测，结果显示，GARCH类模型预测性能最佳，且EGARCH模型明显优于GARCH模型，但其他模型的效果较差。Brailsford and Faff（1996）利用包含随机游走、短期和长期移动平均、指数平滑、指数加权平均、线性回归等模型在内的传统预测模型以及GJR和GARCH模型对澳大利亚月股指进行预测，发现GJR和GARCH模型的预测效果显著优于其他模型。Dueker （1997）利用Markov-GARCH转换模型研究了股指的可变性， 结果发现区制转换模型的预测能力比GARCH模型更优。Gwilym等（1999）运用GARCH族模型研究了不同金融期货合约和股指期货价格走势的非线性特征。
由于我国股市仅有近三十年的历史，因此股市波动的相关研究起步也较晚。魏巍贤和周晓明（1999）、刘国旗（2000）运用EGARCH模型对我国股市波动性进行考察。李亚静等（2003）利用GARCH族模型（GARCH模型、EGARCH模型、TGARCH模型）分析了上证30指数、上证综合指数以及深证成份指数等的波动性，进一步预测了香港恒生指数。邓超、光辉（2005）利用上证综合指数2000年3月17日至2003年12月31日之间的收盘价数据， 分别采用ARCH、GARCH、GARCH-M和EGARCH模型来预测股市的波动性， 结果显示，EGARCH（1， 1）较好地模拟预测了上证综指。魏宇（2007）以上证综合指数为研究样本，构建了各类历史波动率和实现波动率模型，通过滚动时间窗的样本外预测法表明，基于ARFIMA的实现波动率模型和随机波动模型的预测性能最佳。郑振龙和黄薏舟（2010）运用GARCH（1， 1）模型预测了香港恒生指数，发现GARCH（1， 1）模型预测一周波动率的能力更强，而隐含波动率模型预测一个月波动率的表现更佳，且隐含波动率的预测能力随着期权市场交易频率的增加而增强。王芳（2011）在T分布和正态分布的假设下，对我国上证房地产股指采用GARCH模型和FIGARCH模型进行建模，结果发现，上证房地产股指波动具有长记忆性，并且得到FIGARCH模型优于GARCH模型，T分布假设优于正态分布的结论。李航和何枫（2017）以滬深300指数的高频数据为样本，采用GARCH族模型对股市波动性进行预测，并利用滚动时间窗的样本外预测技术和模型信度检验（MCS）来评估模型的预测精度。 2 波动性的特征
股市波动性的长记忆性、高波动性、异方差性、非对称性等特征也受到学者们的关注。汤果等（1999）利用FLGARCH模型检验了我国股市收益的长记忆性。刘金全和崔畅（2002）利用GARCH模型等非对称性方法对沪市和深市股票收益率进行分析，发现两市之间存在显著的波动“溢出效应”和“杠杆效应”。刘汉等（2015）基于动态条件相关双曲记忆GARCH模型分析了金砖四国的股市波动特征，发现金砖四国股市均具有显著的波动聚类性和长记忆性，并且俄罗斯和巴西的非对称性特征也顯著存在。严定琪和李育锋（2018）在T分布和正态分布的假设下，采用GARCH族模型对我国沪深300指数波动率进行拟合预测，结果发现，沪深300指数波动具有长记忆性和异方差性，且基于T分布的GARCH（1，1）模型具有最优的拟合预测效果。宋小宇和候为波（2019）以上证综合指数2008年10月至2018年9月期间的日收盘价为研究样本，借助GARCH模型讨论了上证指数的波动性，研究表明，上证综指具有持续高波动性。
在关于股市波动特征的文献中，波动的非对称性是主要的研究对象。最早Black（1976）验证了美国股市的市场收益率具有非对称性。Engle（1991）借助EGARCH模型讨论了市场波动的非对称性，并选取日本TOPIX指数数据进行实证分析，验证了新兴股票市场波动的非对称性。Brooks等（2002）采用多元非对称GARCH模型和Bootstrap方法研究了金融期货套期保值的时变性与非对称性。Brooks and Persand（2003）利用在险价值模型（Var模型）对股票指数收益的非对称性进行研究，发现股指收益对利空消息和利好消息的反应不一样。Ahmed等（2011）利用GARCH模型对苏丹股票市场2006年1月至2010年11月的日收益率进行分析，结果显示非对称模型较对称模型更具预测能力。陆蓉和徐龙炳（2004）采用EGARCH模型讨论了我国股市在“牛市”和“熊市”时对“利好”和“利空”信息的不平衡反应特征，并从投资者预期、结构、心理和交易机制等方面指出这种反应的原因。朱钧钧和谢识矛（2011）在MS-TGARCH模型的基础上，采用MCMC方法估计上证综指的波动率，结果显示，我国股市存在显著的双重不对称性，即高波动时，“好消息”的影响大于“坏消息”，反之依然。严俊宏（2013）借助EGARCH模型对我国上海股市的波动性进行分析，结果表明我国股市收益波动确实存在非对称性，并且投资者情绪是重要的影响因素，其中悲观情绪作用更大。姜翔程和熊亚敏（2017）利用GARCH族模型分析了我国股市波动特征，结果表明，GARCH族模型可拟合预测股市波动，通过研究发现，我国股市波动具有显著的非对称性，即投资者对“好消息”的反应比“坏消息”的反应小。孙礼俊和王晶（2019）通过GARCH族模型对房地产股票的日最高价和最低价的平均值数据进行分析，表明房地产股市具有显著的条件异方差和“杠杆”效应，且受“利空”影响较小。以上研究均表明，我国股市具有非对称性，即“坏消息”的影响比“好消息”大。具体来说，在“牛市”时，“好消息”的作用比“坏消息”大;而在“熊市”时，“坏消息”的冲击更大。
3 波动性的影响因素
关于股市波动性的影响因素，早期研究主要从交易市场本身的各个方面出发考虑两者的关系。Clark（1973）和Blume等（1994） 认为波动率是股票交易产生的结果。还有学者从金融市场微观结构（Amihud and Mandelson， 1986， 1991）、市场流动性（Clarke et al.， 2006）、成交量（Kim and Rhee， 1997）、投资者保护程度（Teoh et al.， 2006）、交易所价格限制（宋逢明和江婕， 2003）、信息披露状况（董锋和韩立岩， 2006）、投资者结构（祁斌等， 2006; 胡大春和金赛男， 2007）、股权分置改革（谢世清和邵宇平， 2011）等角度研究了其对波动性的影响。
由于股票市场处于复杂的经济环境下，不仅受自身波动及企业基本面的影响，还受到宏观经济波动的影响。目前，大多数文献都讨论了宏观经济与股市波动的关系。早期美国学者King（1966）、Blume（1968）、Officer（1973）和Fama and Schwert（1990）从宏观经济因素出发，讨论了其与股票市场波动的关系，认为宏观经济因素显著影响了股市波动。此后，Engle等（2013）利用美国长期宏观经济变量与股市波动的数据进行回归分析，也验证了宏观经济因素显著影响股市波动。Conrad and Loch（2015） 使用GARCH-MIDAS模型研究了美国股市长期风险与宏观经济环境之间的关系。在前人研究的基础上，引入了实际GDP增速、失业率、企业利润率、GDP平减指数、经济周期和投资者信心等宏观经济变量，结果表明，宏观经济变量是股市波动长期成分的重要决定因素，并且期限利差、房屋开工数、企业利润和失业率对股市长期波动的预测能力最高。陈朝旭和刘金全（2010）采用Granger因果检验对股市收益率和宏观经济的关系进行分析，研究发现2003年以前股市收益率与宏观经济确实存在一定的关联性，而在2003年以后两者的关系出现背离，表明这两者的关系依赖于经济周期的阶段性。郑挺国和尚玉皇（2014）利用多因子广义自回归条件异方差-混频数据抽样模型（GARCH-MIDAS）研究了我国股市日度波动率，发现GARCH-MIDDAS模型比单因子模型对长期信息的获取能力更佳，比标准GARCH模型的预测效果更好，此外，估计结果显示，宏观经济波动对股市波动有正向作用。
此外，Santos等（2006）对劳动收入和股票指数收益之间的关系进行研究，发现投资者持有股票所需的风险溢价会随着投资者工资收入比例的波动而变化。股票回报和劳动收入与消费比率也具有显著的关系。Marfatia（2014） 考察了不确定性对股票收益率的影响。利用时变参数（TVP）模型下估计了标准普尔500指数股票收益率对货币政策惊喜的反应，结果表明，不确定性水平与标准普尔500指数股票回报对利率意外变化的时变反应之间存在显著的负相关关系。不确定性越高，货币政策冲击对股市的影响就越小。结果对于不同的不确定性度量是稳健的。张学勇和陶醉（2014）考察了收入差距对股市波动率的影响，发现收入不平等程度越高，股市波动越大，且在发展中国家表现更明显。陈海强和范云菲（2015）运用面板数据政策效应评估方法，考察了融资融券交易制度对我国股市波动率的影响，发现融资融券制度能够有效降低个股波动率，但融资与融券制度对股市的作用具有非对称性，即融资交易制度降低了波动率，而融券交易提高了波动率。然而，李锋森（2017）从股市波动非对称性的角度出发，基于EGARCH模型研究了融资融券对我国股市波动的影响，研究发现，我国股市确实存在股市波动的非对称性，但融资融券对股市波动的非对称性并无显著作用。曹栋和张佳（2017）选取了沪深300指数2007年8月1日至2015年4月23日的日收益率数据，借助GARCH-M模型分析了股指期货对股市波动性的影响，发现在股指期货推出前后，我国股市呈现不同程度的波动，且这种波动具有显著的“集群”效应。此外，研究表明，股指期货对股市波动具有稳定作用，但影响有限。 4 結语
GARCH族模型是根据历史信息来判断未来，通过建立起合适的模型和历史信息预测未来。学者们利用GARCH族模型，如ARCH模型、GARCH模型、EGARCH模型、TGARCH模型、GARCH（1， 1）模型对股市波动率进行测量，目前得到统一的结论，即GARCH（1， 1）模型的能力更强，因此GARCH（1， 1）模型在相关研究中也成为最常用的模型。此外，股市波动性还具有长记忆性、高波动性、异方差性、非对称性等特征，其中非对称性是目前文献的主要研究对象，研究证明，GARCH族模型能更好地模拟股市波动性的特征，也能更好地预测股市波动。
由于股票市场处于复杂的环境中，股市波动性受宏观经济、劳动收入、不确定性与融资融券制度等多种因素的影响，因此加强对股市波动性的研究，有助于投资者更好地了解股市波动性的规律，更好地帮助企业和投资者预测未来，从而保障投资者的利益。
参考文献
Engle R.F.Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation[J].Econometrica，1982，50（7）： 203-224.
Bollerslevb T.Generalized Autoregressive Conditional Heteroskedasticity[J]. Eeri Research Paper，1986，31（3）：307-327.
郑振龙，黄薏舟.波动率预测：GARCH模型与隐含波动率[J].数量经济技术经济研究，2010，27（1）：140-150.
刘金全，崔畅.中国沪深股市收益率和波动性的实证分析[J].经济学（季刊），2002（3）：885-898.
Black F. Studies in Stock Price Volatility Changes. Proceedings of the 1976 Business Meeting of the Business and Economic Statistics， American Statistical Association. Washington DC， 1976： 177-181.
陆蓉，徐龙炳.“牛市”和“熊市”对信息的不平衡性反应研究[J].经济研究，2004（3）：65-72.
朱钧钧，谢识予.中国股市波动率的双重不对称性及其解释——基于MS-TGARCH模型的MCMC估计和分析[J].金融研究， 2011（3）：134-148.
李锋森.我国融资融券助涨助跌了吗？——基于波动非对称性视角[J].金融研究，2017（2）：147-162.
Literature Review of GARCH Model on Stock Market Volatility
School of Economics and Statistics， Guangzhou University
LIU Jinquan LIU Yiping
Abstract： Stock market is an important way of asset allocation in the market and also a barometer of the economic conditions of a country or region. Stock market volatility is an important concern of enterprises， stock investors and regulatory authorities. In this paper， from three aspects of volatility measurement， characteristics and influencing factors of volatility， the GARCH model of stock market volatility research is sorted out， and it is found that the GARCH model has a good ability to predict the stock market volatility， among which the GARCH（1， 1） model is the most widely used. Existing studies show that the volatility of China’s stock market is characterized by high volatility， long-term memory， asymmetry and other characteristics， especially the most significant asymmetry. Moreover， the volatility is also affected by a variety of complex factors such as macroeconomic fluctuations and margin system and other complicated factors. Since the continuous volatility of stock market will make investors bear greater risks， and the relevant research on stock market’s volatility enables investors to understand the law of stock market’s volatility， helps enterprises and investors to predict the future， so as to protect the interests of investors， which has certain practical significance.
Keywords： stock market; volatility; GARCH model