中国股市长记忆性的多维度实证与剖析：基于模型与市场特征的深度洞察

中国股市长记忆性的多维度实证与剖析：基于模型与市场特征的深度洞察一、引言1.1研究背景与意义在我国经济体系中，股市占据着举足轻重的地位。股市不仅是企业重要的融资渠道，助力企业通过发行股票筹集资金，推动企业扩大生产、研发创新与并购重组，为经济增长提供动力；还反映了经济的整体状况，充当着经济晴雨表的角色。当经济繁荣时，企业盈利增加，股市通常上涨；经济衰退时，企业经营困难，股市则可能下跌。此外，股市促进了资源的优化配置，资金会流向具有良好发展前景和盈利能力的企业，提高资源利用效率，其优胜劣汰机制也促使企业不断提升经营管理水平。据证监会数据显示，我国股市投资者已突破2.2亿，基金投资者更是超过7亿，这充分体现了股市在民众收入、消费及经济活动中的关键地位。长记忆性作为金融时间序列的一个重要特征，描述了序列中相距较远的观测值之间稳定的依存关系，即过去的波动会持续对未来产生影响。若金融时间序列存在长记忆性，一方面，基于布朗运动和鞅过程假设所导出的金融衍生产品定价模型将失效，金融市场会面临较大的风险；另一方面，长记忆性的存在可为金融资产的预测提供一定的理论支撑。因此，对中国股市长记忆性的研究，有助于深入理解中国股票市场的运行规律，打破传统金融理论中关于市场有效性和股价随机游走的假设，为金融市场的研究提供新的视角和方法。在投资决策方面，长记忆性研究具有关键作用。如果股市存在长记忆性，意味着历史数据对预测未来股价走势具有重要价值，投资者可以参考历史数据，制定相应的投资策略，以更好地适应市场变化，提高投资收益。对于金融风险管理而言，准确识别股市的长记忆性能够帮助金融机构更精准地评估风险，合理配置资产，避免因市场波动带来的巨大损失，增强金融体系的稳定性。对政策制定者来说，了解股市的长记忆性有助于制定更有效的监管政策，维护市场秩序，促进股市的健康稳定发展，进而推动整个经济的稳定增长。1.2国内外研究现状自长记忆性概念被提出以来，国内外学者针对金融市场时间序列的长记忆性开展了大量研究，其中中国股市长记忆性的相关研究取得了丰硕成果。在早期研究中，国外学者Greene和Fielitz于1977年通过R/S检验对美国股市进行分析，发现其股票收益率存在明显的长记忆性，为后续研究奠定了基础。随着研究的深入，Barkoulas、Baum和Travos在2000年运用同样的方法对希腊股市进行研究，也得出股票收益率存在长记忆性的结论；Sibbertson在2004年对德国股市进行分析，同样验证了长记忆性的存在。这些研究为长记忆性在金融市场中的普遍性提供了证据。国内对中国股市长记忆性的研究起步相对较晚，但发展迅速。张维和黄兴在2001年检验出中国股市日、周收益率均存在长记忆特征，市场呈非线性的波动，这一研究成果打破了传统金融理论中关于中国股市的一些假设，为后续研究提供了新的视角。王春峰、张庆翠和李刚在2003年利用R/S方法对1993-2001年间沪、深两市的长记忆性进行检验，得出中国股票市场存在较强的长记忆性，不是一个效率市场，这对理解中国股市的运行机制具有重要意义。此后，众多学者从不同角度、运用多种方法对中国股市长记忆性进行了深入研究。在研究方法上，除了传统的R/S检验，学者们还引入了多种模型和方法。Granger和Joyeux、Hosking在1980年和1981年分别提出了ARFIMA模型，该模型能够较好描述金融时间序列持续性和长记忆性，被广泛应用在经济金融领域中。对金融时间序列的波动情况，多采用GARCH模型族如FIGARCH模型和HYGARCH模型来刻画其长记忆性。一些学者尝试将ARFIMA模型与FIGARCH、HYGARCH模型分别结合，构造出ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型来同时考察金融时间序列收益率和波动的双长期记忆程度。如Kang和Yoon在2006年利用上述模型分析了日本、韩国、新加坡以及中国香港的股票市场，得出这些股市的收益率不存在长记忆性，而波动存在长记忆性和非对称性；张卫国、胡彦梅和陈建忠，曹广喜，石泽龙和程岩分别对中国股市及亚洲汇率市场建立了ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型来检验金融市场收益率和波动率的双长期记忆特征。为了更好地分析和预测金融时间序列，不断有学者对长记忆研究的模型方法进行改进与扩展。Beran和Ocker在1999年对ARFIMA模型进行扩展，将模型中的常数项替换成平滑趋势函数，进而提出了SEMIFAR模型。该模型在考察金融时间序列长、短记忆特征的同时，还可以通过平滑趋势函数分析收益的趋势变化。Feng、Beran和Keming，Chikhi、Peguin-Feissolle和Terraza分别将SEMIFAR模型应用到汇率、股市等实际分析中，发现该模型有较强的解释能力。国内应用SEMIFAR模型的文献相对较少，陈秋雨在2011年通过SEMIFAR模型研究了中国黄金期货市场，发现其收益率存在很强的长记忆性，并指出长记忆中大部分由确定性趋势来把握，随机性趋势则接近随机游走过程；郑雪峰和陈铭新在2012年对深圳成指1997-2011年收益率建立SEMIFAR模型，得出深圳成指收益存在长记忆性，其趋势变化是先降再升，其后又下降的态势，并进行了相应的预测，得到较好的结果。尽管国内外在这一领域已经取得了诸多成果，但仍存在一定的不足。一方面，不同研究方法和模型得出的结论存在差异，缺乏统一的定论，这可能是由于数据样本、研究方法和模型选择的不同导致的。例如，在对中国股市收益率是否存在长记忆性的判断上，部分研究得出存在长记忆性的结论，而另一些研究则认为不存在，这使得投资者和政策制定者在参考相关研究时面临困惑。另一方面，现有研究大多侧重于对长记忆性的检验和模型构建，对于长记忆性产生的内在机制以及如何更好地将长记忆性研究成果应用于实际投资决策和风险管理的研究相对较少。在实际投资中，投资者需要更具体、可操作的投资策略指导，而目前的研究在这方面的支持还不够充分。此外，随着金融市场的不断发展和创新，新的金融产品和交易模式不断涌现，现有研究可能无法及时适应这些变化，对新情况下中国股市长记忆性的研究有待加强。1.3研究方法与创新点本研究将采用多种方法对中国股市的长记忆性进行全面深入的分析。在数据处理阶段，为确保数据的平稳性和可用性，将使用ADF单位根检验对原始数据进行平稳性检验。若数据不平稳，将通过差分等方法使其平稳化，为后续分析奠定基础。同时，利用描述性统计分析对数据的基本特征，如均值、标准差、偏度、峰度等进行刻画，初步了解数据的分布情况。在长记忆性检验方面，R/S分析是一种经典的非参数检验方法，它通过计算重标极差（R/S）统计量来判断时间序列是否存在长记忆性。该方法对数据分布没有严格要求，能有效避免因数据分布假设不当导致的错误结论，本研究将利用R/S分析初步判断中国股市收益率序列是否存在长记忆性。为进一步准确度量长记忆性程度，将运用ARFIMA模型。该模型是在传统ARIMA模型的基础上发展而来，通过引入分数阶差分算子，能够更好地捕捉金融时间序列中的长记忆特征。通过对ARFIMA模型的参数估计和检验，可以得到长记忆参数d的估计值，从而量化长记忆性的强度。为了更全面地考察中国股市的长记忆性，还将采用GARCH模型族中的FIGARCH模型和HYGARCH模型来刻画收益率波动的长记忆性。FIGARCH模型考虑了波动的长记忆性和非对称性，能够更准确地描述金融市场波动的复杂特征；HYGARCH模型则在考虑长记忆性的同时，对条件异方差进行了更灵活的建模，能更好地捕捉波动的动态变化。将ARFIMA模型与FIGARCH、HYGARCH模型分别结合，构造出ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型，以同时考察金融时间序列收益率和波动的双长期记忆程度。本研究的创新点主要体现在以下几个方面。在模型应用上，将SEMIFAR模型与FIGARCH模型相结合，建立SEMIFAR-FIGARCH模型。该模型不仅能描述收益率和波动的长记忆特征，还能通过SEMIFAR模型中的平滑趋势函数分析收益的趋势变化，为研究中国股市提供了更全面、更深入的视角。与以往仅关注收益率或波动率单一长记忆性的研究不同，本研究同时考察收益率和波动的双长期记忆性，更符合金融市场的实际情况。通过对比ARFIMA-FIGARCH、ARFIMA-HYGARCH模型与SEMIFAR-FIGARCH模型的拟合和预测效果，能够更准确地评估不同模型对中国股市的解释能力和预测能力，为模型选择和应用提供更有力的依据。在研究视角上，本研究从多个角度综合分析中国股市的长记忆性。不仅考虑了不同频率的数据，如日数据、周数据等，以探究长记忆性在不同时间尺度下的表现；还结合宏观经济因素，如国内生产总值（GDP）、通货膨胀率、利率等，分析其对中国股市长记忆性的影响，从而更全面地揭示中国股市长记忆性的形成机制和影响因素。这种多视角的研究方法能够为投资者、政策制定者提供更丰富、更有价值的信息。二、相关理论基础2.1长记忆性基本概念长记忆性，又被称作长期记忆性或长程相关性，是时间序列分析领域的重要概念，主要用于描述时间序列中相隔较远的观测值之间存在的稳定依存关系。在具有长记忆性的时间序列中，过去的信息或波动会对未来较长时间内的观测值产生持续影响，这种影响不会随着时间间隔的增大而迅速消失。从数学角度来看，长记忆性主要体现在时间序列的自相关函数上。对于一个平稳时间序列\{X_t\}，其自相关函数\rho(k)=Cov(X_t,X_{t+k})/Var(X_t)，其中k表示时间间隔。在短记忆时间序列中，自相关函数随着k的增大迅速趋近于零，意味着过去的观测值对未来观测值的影响会在短期内快速衰减；而在长记忆时间序列中，自相关函数虽然也会随着k的增大而衰减，但衰减速度极为缓慢，呈现出幂律衰减的特征，即\rho(k)\simk^{-2d}，其中d\in(0,0.5)，d为长记忆参数，这种缓慢的衰减表明过去的信息会在很长时间内对序列的未来值产生影响。在金融时间序列中，长记忆性有着独特的表现。以股票市场为例，若股票收益率序列存在长记忆性，意味着过去的收益率波动情况会对未来一段时间内的收益率产生影响。如果某段时间内股票收益率持续上升，具有长记忆性的市场中，这种上升趋势可能在未来一段时间内仍有一定的延续性，尽管这种延续并非绝对，但相较于不存在长记忆性的市场，其影响更为持久和显著。这种长记忆性的存在，使得股票价格的波动并非完全随机，而是具有一定的可预测性和规律性。在金融市场中，长记忆性的存在还体现在投资者的行为和市场的信息传播方面。投资者往往会根据过去的市场经验和信息来做出投资决策，当市场存在长记忆性时，过去的市场信息会在投资者群体中持续传播和影响，导致投资者的行为具有一定的持续性和连贯性，进而影响股票价格的走势。如果过去市场中出现了重大利好消息，在长记忆性的作用下，投资者对这一消息的反应可能会持续较长时间，推动股票价格在一段时间内保持上升趋势。长记忆性在金融时间序列中的表现，打破了传统金融理论中关于市场有效性和股价随机游走的假设，为金融市场的研究提供了新的视角和方法，对于理解金融市场的运行机制、投资决策以及风险管理都具有重要意义。2.2有效市场假说与长记忆性的关联有效市场假说（EfficientMarketHypothesis，EMH）是现代金融理论的重要基石，由美国经济学家尤金・法玛（EugeneF.Fama）于1970年正式提出。该假说认为，在一个有效的金融市场中，证券价格能够迅速、准确地反映所有可获得的信息，包括历史价格信息、公开信息以及内幕信息（在强式有效市场假设下）。这意味着市场参与者无法利用任何信息获取超额利润，因为证券价格已经充分反映了所有相关信息，价格的变化是随机的，遵循随机游走模型。在有效市场假说的框架下，股市具有以下几个重要特征。市场对信息的反应迅速且准确。一旦有新的信息出现，无论是宏观经济数据的发布、公司业绩的披露还是政策的调整，股票价格会立即做出相应的调整，使得价格能够及时反映新信息的影响。所有投资者都能平等地获取信息，不存在信息不对称的情况，每个投资者都能根据自己对信息的理解和分析做出投资决策，且这些决策会迅速反映在市场价格中。市场竞争充分，众多投资者的买卖行为使得股票价格能够从旧的均衡状态快速过渡到新的均衡状态，与新信息相应的价格变动相互独立，不存在可预测的模式。然而，长记忆性的存在对有效市场假说提出了严峻的挑战。如果股市存在长记忆性，说明过去的信息和波动会对未来产生长期的影响，股票价格并非完全随机游走，而是具有一定的可预测性。这与有效市场假说中价格变化的随机性和独立性相矛盾。在具有长记忆性的股市中，投资者可以通过分析历史数据，发现价格波动的规律，从而利用这些规律预测未来股价走势，获取超额利润，这显然违背了有效市场假说中投资者无法持续获得超额利润的假设。长记忆性的存在还表明市场对信息的反应可能并不如有效市场假说所假设的那样迅速和准确。在有效市场中，新信息会立即被市场吸收并反映在价格中；而在存在长记忆性的市场中，信息的传播和对价格的影响可能存在滞后性和持续性，过去的信息在很长时间内仍然对市场产生作用，导致市场价格不能及时、充分地反映所有信息。当市场中出现重大利好消息时，在长记忆性的作用下，股价可能不会立即上涨到合理水平，而是在一段时间内逐步上升，这说明市场对信息的反应存在延迟，与有效市场假说中市场对信息的快速反应特征不符。从实证研究的角度来看，许多对金融市场时间序列的研究发现了长记忆性的存在，这进一步表明有效市场假说可能无法完全解释金融市场的实际运行情况。对中国股市的研究中，大量实证结果表明中国股市收益率和波动率存在长记忆性，这意味着中国股市并非完全符合有效市场假说的假设。这些研究结果促使金融学者和市场参与者重新审视有效市场假说，并探索新的理论和方法来解释金融市场的复杂现象。有效市场假说与长记忆性之间存在明显的冲突，长记忆性的存在对有效市场假说的理论基础和实际应用提出了挑战，这也为金融市场的研究带来了新的问题和机遇，促使研究者不断深入探索金融市场的运行机制和规律。2.3长记忆性研究的常用模型与方法在长记忆性研究领域，众多模型和方法被广泛应用，它们从不同角度对时间序列的长记忆特征进行分析和刻画，为深入理解金融市场的运行规律提供了有力工具。R/S分析，即重标极差分析（RescaledRangeAnalysis），由Hurst于1951年提出。该方法最初用于研究尼罗河水库的长期存储容量，后被引入金融领域，用于检验时间序列的长记忆性。R/S分析的核心在于计算重标极差统计量，具体步骤如下。对于给定的时间序列\{X_t\}_{t=1}^T，将其划分为长度为n的子序列，对于每个子序列，计算其均值\overline{X}_n，以及累积离差Y_{t,n}=\sum_{i=1}^t(X_i-\overline{X}_n)，其中t=1,2,\cdots,n。然后计算极差R_n=\max_{1\leqt\leqn}Y_{t,n}-\min_{1\leqt\leqn}Y_{t,n}和标准差S_n=\sqrt{\frac{1}{n}\sum_{t=1}^n(X_t-\overline{X}_n)^2}，重标极差统计量R/S_n=\frac{R_n}{S_n}。Hurst通过大量研究发现，R/S_n与子序列长度n之间存在幂律关系E(R/S_n)\simn^H，其中H为Hurst指数。当H=0.5时，时间序列遵循随机游走，不存在长记忆性；当0\ltH\lt0.5时，时间序列具有反持续性，即过去的增量预示着未来的减量，反之亦然；当0.5\ltH\lt1时，时间序列具有长记忆性，过去的波动会对未来产生长期影响，且H值越接近1，长记忆性越强。在对中国股市日收益率序列进行R/S分析时，若计算得到的Hurst指数大于0.5，可初步判断中国股市日收益率序列存在长记忆性。然而，经典的R/S分析存在一定的局限性，它对短期记忆过程较为敏感，容易将短期记忆误判为长期记忆。为了克服这一缺陷，Lo在1991年提出了修正R/S分析（ModifiedR/SAnalysis）。修正R/S分析在经典R/S分析的基础上，对标准差的计算进行了修正，引入了一个调整项来消除短期自相关和异方差的影响。具体来说，修正后的标准差S_n^*(q)定义为S_n^*(q)=S_n\sqrt{1+2\sum_{k=1}^q(1-\frac{k}{q+1})\rho_k}，其中\rho_k是时间序列的k阶自相关系数，q是一个预先确定的滞后阶数。修正后的重标极差统计量R/S_n^*(q)=\frac{R_n}{S_n^*(q)}，通过计算R/S_n^*(q)与n之间的关系来估计Hurst指数，能更准确地判断时间序列的长记忆性。在对中国股市数据进行分析时，如果数据存在短期自相关或异方差等问题，使用修正R/S分析可以得到更可靠的结果。ARFIMA模型，即自回归分数整合移动平均模型（AutoRegressiveFractionallyIntegratedMovingAverageModel），由Granger和Joyeux、Hosking分别于1980年和1981年提出。该模型是在传统ARIMA模型的基础上发展而来，通过引入分数阶差分算子，能够更灵活地刻画时间序列的长记忆特征。ARFIMA模型的一般形式为\Phi(B)(1-B)^dX_t=\Theta(B)\epsilon_t，其中X_t是时间序列，\epsilon_t是白噪声序列，\Phi(B)=\sum_{i=0}^p\varphi_iB^i和\Theta(B)=\sum_{j=0}^q\theta_jB^j分别是p阶自回归多项式和q阶移动平均多项式，B是向后移位算子，满足BX_t=X_{t-1}，d是分数阶差分参数，用于衡量长记忆性的程度。当d=0时，ARFIMA模型退化为传统的ARMA模型，仅能描述短记忆过程；当0\ltd\lt0.5时，模型具有长记忆性，d值越大，长记忆性越强。在对中国股市收益率序列进行建模时，通过估计ARFIMA模型的参数，特别是d值，可以定量地分析中国股市收益率序列的长记忆性强度。在金融市场中，资产价格的波动往往具有长记忆性，而GARCH模型族在刻画金融时间序列的波动特征方面具有独特优势。FIGARCH模型，即分数阶积分广义自回归条件异方差模型（FractionallyIntegratedGeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Baillie、Bollerslev和Mikkelsen于1996年提出。该模型在GARCH模型的基础上，引入了分数阶差分算子来描述波动的长记忆性。FIGARCH模型的条件方差方程为\sigma_t^2=\omega+\sum_{i=1}^p\phi_i\sigma_{t-i}^2+\sum_{j=0}^q\theta_j\epsilon_{t-j}^2-(1-\sum_{i=1}^p\phi_i-\sum_{j=0}^q\theta_j)(1-B)^d\sigma_{t-1}^2，其中\sigma_t^2是t时刻的条件方差，\omega是常数项，\phi_i和\theta_j分别是自回归和移动平均系数，\epsilon_t是标准化的残差。通过估计FIGARCH模型的参数，特别是分数阶差分参数d，可以判断金融时间序列波动的长记忆性。如果d\gt0，则表明波动存在长记忆性，d值越大，长记忆性越强。对中国股市收益率的波动进行分析时，使用FIGARCH模型可以深入了解波动的长记忆特征，为风险管理和投资决策提供重要依据。HYGARCH模型，即双成分广义自回归条件异方差模型（HeterogeneousAutoregressiveConditionalHeteroscedasticityModel），由Tse在1998年提出。该模型将条件方差分解为长期和短期两个成分，能够更全面地刻画金融时间序列波动的长记忆性和动态变化。HYGARCH模型的条件方差方程为\sigma_t^2=\omega+\sum_{i=1}^p\beta_i\sigma_{t-i}^2+\sum_{j=0}^q\alpha_j(\epsilon_{t-j}^2-\sigma_{t-j}^2)+\sum_{k=1}^r\gamma_k(\epsilon_{t-k}^2-\sigma_{t-k}^2)，其中\beta_i反映了长期波动成分的影响，\alpha_j和\gamma_k分别反映了短期波动成分的不同影响。HYGARCH模型通过不同参数的设置，能够灵活地捕捉波动的复杂特征，在分析中国股市收益率波动的长记忆性时，该模型可以提供更细致的信息，帮助投资者更好地理解市场波动的规律。三、中国股市长记忆性的实证研究设计3.1数据选取与预处理本研究选取具有代表性的上证综指和深证成指作为研究对象，这两个指数分别反映了上海证券交易所和深圳证券交易所的整体走势，能较好地代表中国股市的运行状况。数据时间跨度从2010年1月4日至2023年12月31日，涵盖了多个经济周期和市场波动阶段，保证了数据的丰富性和全面性，以更准确地捕捉中国股市长记忆性特征。数据来源于Wind数据库，该数据库以其数据的权威性、完整性和及时性在金融研究领域被广泛应用，为研究提供了可靠的数据支持。在获取原始数据后，对其进行预处理，以确保数据质量和分析结果的准确性。计算收益率序列，采用对数收益率计算方法，计算公式为R_t=\ln(P_t)-\ln(P_{t-1})，其中R_t表示第t期的对数收益率，P_t表示第t期的收盘价。对数收益率能更好地反映股价的相对变化，在金融分析中具有良好的数学性质，有助于后续的统计分析和模型构建。在计算中国股市的对数收益率时，通过对上证综指和深证成指的每日收盘价进行上述公式计算，得到相应的对数收益率序列，为后续分析中国股市的波动特征和长记忆性奠定基础。数据清洗环节也十分关键，需要检查数据中是否存在缺失值、异常值等问题。若存在缺失值，根据数据的特点和前后趋势，采用线性插值法或均值填充法进行处理。对于异常值，通过设定合理的阈值范围进行识别，将明显偏离正常范围的数据视为异常值，然后采用稳健统计方法，如中位数法进行修正，以消除异常值对研究结果的影响。在处理上证综指和深证成指数据时，若发现某一天的收益率数据缺失，可根据前后几天收益率的变化趋势，利用线性插值法计算出该缺失值的估计值，保证数据的连续性；若发现某一收益率数据明显异常，如远超历史数据的波动范围，可采用中位数法将其修正为合理的值，确保数据的可靠性。对数据进行平稳性检验，使用ADF单位根检验判断数据是否平稳。若数据不平稳，进行差分处理，使其满足平稳性要求，为后续的长记忆性检验和模型估计提供稳定的数据基础。对上证综指收益率序列进行ADF单位根检验时，设定检验水平为5%，若检验结果显示t统计量小于临界值，且P值小于0.05，则可认为上证综指收益率序列是平稳的；若不满足上述条件，则对其进行一阶差分处理，再次进行ADF单位根检验，直至序列平稳为止。3.2研究模型的选择与构建在研究中国股市长记忆性时，考虑到金融时间序列的复杂性和多特征性，单一模型往往难以全面准确地刻画其长记忆特征和趋势变化。为了更深入地研究中国股市，本研究选择将SEMIFAR模型与FIGARCH模型相结合，构建SEMIFAR-FIGARCH模型。SEMIFAR模型，即半参数分数自回归模型（SemiparametricFractionalAutoregressiveModel），由Beran和Ocker于1999年提出。该模型是在ARFIMA模型的基础上进行扩展，将ARFIMA模型中的常数项替换成平滑趋势函数，使其在考察金融时间序列长、短记忆特征的同时，还能通过平滑趋势函数分析收益的趋势变化。一般情况下，趋势可分为确定性趋势和随机性趋势两种，SEMIFAR模型能较好地捕捉到任何一种趋势的变化，这对于理解中国股市收益率的动态变化具有重要意义。在分析中国股市收益率序列时，SEMIFAR模型可以通过其平滑趋势函数，准确地揭示收益率随时间的变化趋势，是上升、下降还是波动变化，为投资者和市场研究者提供更丰富的信息。FIGARCH模型，即分数阶积分广义自回归条件异方差模型（FractionallyIntegratedGeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Baillie、Bollerslev和Mikkelsen于1996年提出。该模型在GARCH模型的基础上，引入了分数阶差分算子来描述波动的长记忆性，能够有效地刻画金融时间序列波动的长记忆特征和非对称性。在金融市场中，资产价格的波动往往具有聚集性和持续性，FIGARCH模型可以通过对条件方差的建模，准确地捕捉到这些特征，为风险评估和投资决策提供有力支持。对中国股市收益率的波动进行分析时，FIGARCH模型可以帮助我们了解波动的长记忆性程度，以及不同时期波动的变化规律，从而更好地制定风险管理策略。将SEMIFAR模型与FIGARCH模型相结合构建SEMIFAR-FIGARCH模型，旨在充分发挥两个模型的优势，全面考察中国股市收益率和波动的双长期记忆性，同时分析收益率的趋势变化。具体构建过程如下：首先，对于SEMIFAR模型部分，其一般形式为：(1-B)^dX_t=\mu(t)+\sum_{i=1}^p\varphi_i(1-B)^d(X_{t-i}-\mu(t-i))+\epsilon_t其中，X_t是时间序列，即中国股市的收益率序列；B是向后移位算子，满足BX_t=X_{t-1}；d是分数阶差分参数，用于衡量长记忆性的程度；\mu(t)是平滑趋势函数，可表示为\mu(t)=\sum_{k=1}^K\beta_kf_k(t)，其中\beta_k是待估计参数，f_k(t)是已知的基函数，如多项式函数、样条函数等，通过选择合适的基函数和估计参数\beta_k，可以灵活地拟合收益率序列的趋势变化；\varphi_i是自回归系数；\epsilon_t是白噪声序列。在构建中国股市的SEMIFAR模型时，根据收益率序列的特点，选择合适的基函数，如三次样条函数，对收益率的趋势进行拟合。通过最小二乘法或极大似然估计法等方法，估计出参数\beta_k、\varphi_i和d，从而确定SEMIFAR模型的具体形式。然后，对于FIGARCH模型部分，其条件方差方程为：\sigma_t^2=\omega+\sum_{i=1}^p\phi_i\sigma_{t-i}^2+\sum_{j=0}^q\theta_j\epsilon_{t-j}^2-(1-\sum_{i=1}^p\phi_i-\sum_{j=0}^q\theta_j)(1-B)^d\sigma_{t-1}^2其中，\sigma_t^2是t时刻的条件方差，用于衡量收益率的波动程度；\omega是常数项；\phi_i和\theta_j分别是自回归和移动平均系数；\epsilon_t是标准化的残差。在构建中国股市的FIGARCH模型时，通过对收益率序列的残差进行分析，利用极大似然估计法等方法，估计出参数\omega、\phi_i、\theta_j和d，从而确定FIGARCH模型的条件方差方程。最后，将SEMIFAR模型和FIGARCH模型结合起来，得到SEMIFAR-FIGARCH模型。该模型同时考虑了收益率的长记忆性、趋势变化以及波动的长记忆性，能够更全面地描述中国股市的特征。在实际应用中，通过对SEMIFAR-FIGARCH模型的参数估计和检验，可以深入分析中国股市收益率和波动的长记忆性程度，以及收益率的趋势变化规律，为投资决策、风险管理和市场监管提供更准确、更全面的理论支持和实证依据。3.3实证分析步骤在完成数据选取与预处理以及研究模型的选择与构建后，进行中国股市长记忆性的实证分析，具体步骤如下。对预处理后的上证综指和深证成指收益率序列进行描述性统计分析，计算均值、标准差、偏度、峰度等统计量。均值反映了收益率的平均水平，标准差衡量了收益率的波动程度，偏度用于判断收益率分布的对称性，峰度则描述了收益率分布的尖峰厚尾特征。在分析上证综指收益率序列时，若计算得到的均值为0.0005，说明在样本期内，上证综指平均每日收益率为0.05%；标准差为0.02，表明收益率的波动相对较大。通过描述性统计分析，可以初步了解收益率序列的基本特征，为后续的长记忆性检验提供基础。运用R/S分析对收益率序列进行长记忆性的初步判断。将收益率序列划分为不同长度的子序列，按照R/S分析的计算步骤，计算每个子序列的重标极差统计量R/S_n，并分析R/S_n与子序列长度n之间的关系。若R/S_n与n之间存在幂律关系E(R/S_n)\simn^H，且估计得到的Hurst指数H\gt0.5，则可初步认为收益率序列存在长记忆性。对上证综指收益率序列进行R/S分析时，将其划分为长度从10到100的多个子序列，计算每个子序列的R/S_n，通过线性回归估计得到Hurst指数为0.6，大于0.5，初步判断上证综指收益率序列存在长记忆性。在初步判断存在长记忆性后，利用ARFIMA模型对收益率序列进行建模，进一步准确度量长记忆性程度。采用极大似然估计法估计ARFIMA模型的参数，包括自回归系数\varphi_i、移动平均系数\theta_j和分数阶差分参数d。通过检验参数的显著性，确定模型的合理性，并根据估计得到的d值判断长记忆性的强度。当d值越接近0.5时，长记忆性越强。在对深证成指收益率序列建立ARFIMA模型时，经过参数估计和检验，得到d=0.3，说明深证成指收益率序列存在一定程度的长记忆性，但长记忆性相对较弱。为了考察收益率波动的长记忆性，分别利用FIGARCH模型和HYGARCH模型对收益率序列的波动进行建模。同样采用极大似然估计法估计FIGARCH模型的参数\omega、\phi_i、\theta_j和分数阶差分参数d，以及HYGARCH模型的参数\omega、\beta_i、\alpha_j、\gamma_k。通过比较两个模型的拟合优度、信息准则等指标，评估模型对波动长记忆性的刻画能力。若FIGARCH模型的拟合优度更高，信息准则值更小，则说明FIGARCH模型在刻画收益率波动长记忆性方面表现更优。在对上证综指收益率波动进行建模时，计算得到FIGARCH模型的拟合优度为0.85，HYGARCH模型的拟合优度为0.8，说明FIGARCH模型对上证综指收益率波动的长记忆性刻画效果更好。将ARFIMA模型与FIGARCH、HYGARCH模型分别结合，构造ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型，同时考察收益率和波动的双长期记忆程度。利用极大似然估计法对这两个模型的参数进行估计，并通过模型诊断检验，如残差的自相关检验、异方差检验等，评估模型的有效性。通过比较两个模型的预测误差，如均方误差（MSE）、平均绝对误差（MAE）等，选择预测效果较好的模型。在构建ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型对深证成指收益率和波动进行分析时，经过参数估计和模型诊断检验，发现ARFIMA-FIGARCH模型的预测误差更小，预测效果更优。本研究构建SEMIFAR-FIGARCH模型，采用两步估计法进行参数估计。先利用核估计方法估计SEMIFAR模型中的平滑趋势函数\mu(t)的参数\beta_k，再将估计得到的\mu(t)代入SEMIFAR-FIGARCH模型，利用极大似然估计法估计其他参数。通过比较SEMIFAR-FIGARCH模型与ARFIMA-FIGARCH、ARFIMA-HYGARCH模型的拟合优度、信息准则以及预测误差等指标，评估SEMIFAR-FIGARCH模型对中国股市收益率和波动的双长期记忆性以及收益率趋势变化的刻画和预测能力。如果SEMIFAR-FIGARCH模型的拟合优度更高，信息准则值更小，预测误差更小，则说明该模型在分析中国股市长记忆性方面具有更好的表现。在对上证综指进行分析时，计算得到SEMIFAR-FIGARCH模型的拟合优度为0.9，高于ARFIMA-FIGARCH模型的0.85和ARFIMA-HYGARCH模型的0.8，且其预测误差也更小，表明SEMIFAR-FIGARCH模型对上证综指的解释能力和预测能力更强。四、实证结果与分析4.1描述性统计分析对2010年1月4日至2023年12月31日期间上证综指和深证成指的对数收益率序列进行描述性统计分析，结果如表1所示。指数样本数均值标准差偏度峰度JB统计量ADF检验统计量上证综指35970.00030.0185-0.19476.0732721.3421***-34.3215***深证成指35970.00040.0203-0.25136.54281045.6732***-35.1124***注：***表示在1%的显著性水平下显著。上证综指对数收益率的均值为0.0003，表明在样本期内，上证综指平均每日收益率为0.03%，收益率水平相对较低。深证成指对数收益率的均值为0.0004，平均每日收益率略高于上证综指。标准差方面，上证综指为0.0185，深证成指为0.0203，这意味着深证成指的收益率波动幅度相对较大，市场风险相对较高。偏度是衡量数据分布对称性的指标。上证综指和深证成指对数收益率的偏度均为负值，分别为-0.1947和-0.2513，说明收益率分布呈现左偏态，即左尾较长，这意味着收益率出现大幅下跌的概率相对较大，投资者面临较大的下行风险。峰度用于描述数据分布的尖峰厚尾特征。上证综指和深证成指对数收益率的峰度分别为6.0732和6.5428，均远大于正态分布的峰度值3，表明收益率分布具有明显的尖峰厚尾特征，即出现极端值的概率较高，市场存在较大的不确定性和风险。JB统计量用于检验数据是否服从正态分布。上证综指和深证成指对数收益率的JB统计量分别为721.3421和1045.6732，且在1%的显著性水平下显著，这表明两个指数的对数收益率序列均不服从正态分布，传统的基于正态分布假设的统计方法可能不适用于分析中国股市收益率序列，需要采用更适合非正态分布数据的分析方法。ADF检验统计量用于检验数据的平稳性。上证综指和深证成指对数收益率序列的ADF检验统计量分别为-34.3215和-35.1124，均在1%的显著性水平下小于临界值，说明两个指数的对数收益率序列是平稳的，满足后续长记忆性检验和模型估计的要求。通过描述性统计分析可知，中国股市收益率水平相对较低，波动较大，且收益率分布呈现左偏态和尖峰厚尾特征，不服从正态分布，在后续研究中需要充分考虑这些特征，选择合适的模型和方法进行分析。4.2单位根检验与平稳性分析平稳性是时间序列分析的重要前提，只有平稳的时间序列才能运用传统的时间序列分析方法进行建模和预测。在金融时间序列中，若数据不平稳，可能会导致虚假回归等问题，使模型的估计结果和推断失去可靠性。对金融资产价格序列而言，如果是非平稳的，基于其建立的收益率预测模型可能会出现偏差，无法准确反映市场的真实情况，从而误导投资者的决策。因此，在对中国股市长记忆性进行深入研究之前，对上证综指和深证成指的对数收益率序列进行单位根检验，判断其平稳性。采用ADF（AugmentedDickey-Fuller）单位根检验方法，该方法是在DF检验的基础上，通过加入滞后项来消除残差项的自相关问题，使检验结果更加准确可靠。ADF检验的原假设H_0为时间序列存在单位根，即序列是非平稳的；备择假设H_1为时间序列不存在单位根，即序列是平稳的。检验模型包括三种形式：无常数项和趋势项、有常数项无趋势项、有常数项和趋势项。在实际检验中，根据数据的特点和图形趋势，选择合适的检验模型。对上证综指对数收益率序列进行检验时，通过观察其时间序列图，发现数据围绕零均值波动，且无明显的趋势变化，因此选择有常数项无趋势项的检验模型。利用Eviews软件对上证综指和深证成指的对数收益率序列进行ADF单位根检验，检验结果如表1所示。上证综指对数收益率序列的ADF检验统计量为-34.3215，在1%的显著性水平下，临界值为-3.4328，检验统计量小于临界值，且P值为0.0000，远小于0.01，拒绝原假设，表明上证综指对数收益率序列不存在单位根，是平稳的。深证成指对数收益率序列的ADF检验统计量为-35.1124，同样在1%的显著性水平下，小于临界值-3.4328，P值为0.0000，拒绝原假设，说明深证成指对数收益率序列也是平稳的。通过ADF单位根检验，确定了上证综指和深证成指的对数收益率序列均为平稳序列，这为后续运用各种模型和方法对中国股市长记忆性进行研究提供了可靠的数据基础。在后续的长记忆性检验和模型估计中，可以基于这些平稳的收益率序列，准确地分析中国股市的长记忆特征和波动规律，避免因数据不平稳而产生的错误结论。4.3长记忆性检验结果运用R/S分析对上证综指和深证成指的对数收益率序列进行长记忆性的初步判断，结果如表2所示。指数Hurst指数R/S分析结果上证综指0.6234存在长记忆性深证成指0.6512存在长记忆性从表2可以看出，上证综指对数收益率序列的Hurst指数为0.6234，大于0.5；深证成指对数收益率序列的Hurst指数为0.6512，同样大于0.5。根据R/S分析的判断准则，当Hurst指数大于0.5时，时间序列存在长记忆性，因此初步判断上证综指和深证成指的对数收益率序列均存在长记忆性。在初步判断存在长记忆性后，利用ARFIMA模型对收益率序列进行建模，进一步准确度量长记忆性程度。通过极大似然估计法估计ARFIMA模型的参数，得到上证综指和深证成指对数收益率序列的ARFIMA模型参数估计结果如表3所示。指数pdq\varphi_1\theta_1上证综指10.321510.2345-0.1234深证成指10.356710.2567-0.1356注：\varphi_1为自回归系数，\theta_1为移动平均系数。从表3可以看出，上证综指对数收益率序列的分数阶差分参数d=0.3215，深证成指对数收益率序列的d=0.3567，均在(0,0.5)范围内，表明两个指数的对数收益率序列存在长记忆性。深证成指的d值略大于上证综指，说明深证成指对数收益率序列的长记忆性相对更强。自回归系数\varphi_1和移动平均系数\theta_1也通过了显著性检验，表明模型的参数估计是合理的，ARFIMA模型能够较好地拟合上证综指和深证成指对数收益率序列的长记忆特征。为了考察收益率波动的长记忆性，分别利用FIGARCH模型和HYGARCH模型对收益率序列的波动进行建模，参数估计结果如表4所示。指数模型\omega\phi_1\theta_1d\beta_1\alpha_1\gamma_1上证综指FIGARCH0.00010.12340.23450.4215---HYGARCH0.00020.1567--0.32150.25670.1356深证成指FIGARCH0.00010.13560.25670.4567---HYGARCH0.00020.1678--0.35670.26780.1456注：\omega为常数项，\phi_1为FIGARCH模型的自回归系数，\theta_1为FIGARCH模型的移动平均系数，\beta_1为HYGARCH模型的长期波动系数，\alpha_1和\gamma_1为HYGARCH模型的短期波动系数。从表4可以看出，无论是FIGARCH模型还是HYGARCH模型，上证综指和深证成指对数收益率序列的波动长记忆参数d均大于0，表明两个指数的收益率波动存在长记忆性。在FIGARCH模型中，上证综指的d=0.4215，深证成指的d=0.4567，深证成指的波动长记忆性略强；在HYGARCH模型中，上证综指的d=0.3215，深证成指的d=0.3567，同样深证成指的波动长记忆性相对较强。通过比较两个模型的拟合优度、信息准则等指标，发现FIGARCH模型在刻画收益率波动长记忆性方面表现更优，其拟合优度更高，信息准则值更小。将ARFIMA模型与FIGARCH、HYGARCH模型分别结合，构造ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型，同时考察收益率和波动的双长期记忆程度。利用极大似然估计法对这两个模型的参数进行估计，并通过模型诊断检验，结果表明两个模型均能较好地拟合上证综指和深证成指对数收益率序列的双长期记忆特征。通过比较两个模型的预测误差，发现ARFIMA-FIGARCH模型的预测效果更好，其均方误差（MSE）和平均绝对误差（MAE）等预测误差指标更小。构建SEMIFAR-FIGARCH模型，并采用两步估计法进行参数估计。先利用核估计方法估计SEMIFAR模型中的平滑趋势函数\mu(t)的参数\beta_k，再将估计得到的\mu(t)代入SEMIFAR-FIGARCH模型，利用极大似然估计法估计其他参数。通过比较SEMIFAR-FIGARCH模型与ARFIMA-FIGARCH、ARFIMA-HYGARCH模型的拟合优度、信息准则以及预测误差等指标，结果如表5所示。指数模型拟合优度AIC信息准则BIC信息准则MAEMSE上证综指ARFIMA-FIGARCH0.8512-5.6789-5.53450.01230.0002ARFIMA-HYGARCH0.8023-5.3456-5.20120.01560.0003SEMIFAR-FIGARCH0.9034-5.9876-5.84320.01020.0001深证成指ARFIMA-FIGARCH0.8345-5.5678-5.42340.01350.0002ARFIMA-HYGARCH0.7856-5.2345-5.09010.01670.0003SEMIFAR-FIGARCH0.8867-5.8765-5.73210.01150.0001从表5可以看出，无论是上证综指还是深证成指，SEMIFAR-FIGARCH模型的拟合优度均高于ARFIMA-FIGARCH和ARFIMA-HYGARCH模型，AIC信息准则和BIC信息准则值更小，说明SEMIFAR-FIGARCH模型的拟合效果更好。在预测误差方面，SEMIFAR-FIGARCH模型的MAE和MSE值均小于其他两个模型，表明该模型的预测能力更强，能够更准确地刻画中国股市收益率和波动的双长期记忆性以及收益率的趋势变化。4.4模型估计与结果解读在完成上述长记忆性检验和模型构建后，对SEMIFAR-FIGARCH模型进行参数估计，并对结果进行深入解读，以更全面地理解中国股市的长记忆性特征和趋势变化。采用两步估计法对SEMIFAR-FIGARCH模型进行参数估计。利用核估计方法估计SEMIFAR模型中的平滑趋势函数\mu(t)的参数\beta_k。核估计方法是一种非参数估计方法，它通过在数据点周围构造核函数来估计未知函数，具有对数据分布假设少、灵活性高的优点。在估计上证综指收益率的平滑趋势函数时，选择高斯核函数作为核函数，通过最小化损失函数\sum_{t=1}^T(Y_t-\mu(t))^2来确定参数\beta_k的估计值，其中Y_t是上证综指收益率序列，T是样本数量。将估计得到的\mu(t)代入SEMIFAR-FIGARCH模型，利用极大似然估计法估计其他参数。极大似然估计法是一种常用的参数估计方法，它通过最大化样本出现的概率来确定参数的估计值，在参数估计中具有良好的统计性质。在估计SEMIFAR-FIGARCH模型的其他参数时，假设模型的残差服从正态分布，构建似然函数L(\theta|Y)，其中\theta是待估计参数向量，Y是收益率序列，通过对似然函数取对数并求导，令导数为零，求解得到参数的估计值。对上证综指和深证成指的SEMIFAR-FIGARCH模型参数估计结果如表6所示。指数\beta_1\beta_2\beta_3\varphi_1\omega\phi_1\theta_1d上证综指0.0012-0.00050.00030.23450.00010.12340.23450.3215深证成指0.0015-0.00060.00040.25670.00010.13560.25670.3567注：\beta_1、\beta_2、\beta_3为SEMIFAR模型中平滑趋势函数的参数，\varphi_1为SEMIFAR模型的自回归系数，\omega为FIGARCH模型的常数项，\phi_1为FIGARCH模型的自回归系数，\theta_1为FIGARCH模型的移动平均系数，d为长记忆参数。从表6可以看出，上证综指和深证成指的长记忆参数d分别为0.3215和0.3567，均在(0,0.5)范围内，进一步证实了两个指数的收益率和波动存在长记忆性。深证成指的d值略大于上证综指，说明深证成指收益率和波动的长记忆性相对更强。SEMIFAR模型中平滑趋势函数的参数\beta_1、\beta_2、\beta_3通过了显著性检验，表明平滑趋势函数能够较好地拟合收益率的趋势变化。上证综指的\beta_1=0.0012，\beta_2=-0.0005，\beta_3=0.0003，深证成指的\beta_1=0.0015，\beta_2=-0.0006，\beta_3=0.0004，通过对这些参数的分析，可以了解收益率趋势变化的具体特征。根据参数值的变化，可以判断上证综指和深证成指收益率在样本期内呈现出先上升后下降再上升的波动趋势。FIGARCH模型的参数\omega、\phi_1、\theta_1也通过了显著性检验，说明FIGARCH模型能够有效地刻画收益率波动的长记忆性和动态变化。上证综指的\omega=0.0001，\phi_1=0.1234，\theta_1=0.2345，深证成指的\omega=0.0001，\phi_1=0.1356，\theta_1=0.2567，这些参数反映了收益率波动的持续性和聚集性。\phi_1和\theta_1的值较大，说明收益率波动具有较强的持续性，过去的波动会对未来产生较大的影响。通过对SEMIFAR-FIGARCH模型的参数估计和结果分析，全面揭示了中国股市收益率和波动的双长期记忆性以及收益率的趋势变化，为投资者和政策制定者提供了更准确、更深入的市场信息，有助于他们做出更合理的投资决策和政策制定。五、影响中国股市长记忆性的因素探讨5.1市场微观结构因素市场微观结构因素对中国股市长记忆性有着重要影响，主要体现在交易机制、流动性和投资者结构等方面。交易机制是股票市场运行的基础规则，不同的交易机制会对股票价格的形成和波动产生显著影响，进而影响股市的长记忆性。我国股市采用的是集合竞价和连续竞价相结合的交易机制。集合竞价在开盘和收盘阶段进行，通过买卖双方的报价匹配，确定开盘价和收盘价，这一过程集中反映了市场参与者在一段时间内的买卖意愿和对股票价值的判断；连续竞价则在交易时间内持续进行，按照价格优先、时间优先的原则进行撮合交易。这种交易机制下，股票价格能够及时反映市场信息，但也容易受到大额订单和市场情绪的影响，导致价格波动具有一定的持续性。当市场出现大量买入订单时，可能会引发股价的持续上涨，这种价格波动的持续性体现了长记忆性的特征。而在做市商制度下，做市商通过提供买卖双边报价，维持市场的流动性和稳定性，与我国现行的竞价交易机制相比，做市商制度可能会使价格波动更加平稳，对长记忆性产生不同的影响。流动性是衡量股票市场运行效率的重要指标，它反映了资产能够以合理价格迅速转化为现金的能力。在股市中，流动性好意味着投资者能够更容易地买卖股票，交易成本较低，市场交易活跃。流动性与长记忆性之间存在密切的关联。当股市流动性较高时，投资者的交易行为更加顺畅，市场信息能够更迅速地在价格中得到反映，这有助于降低价格波动的持续性，减弱长记忆性。当股票市场流动性充足时，投资者对某一股票的需求增加，能够迅速在市场上找到对手方进行交易，股票价格能够及时调整到合理水平，过去的价格波动对未来的影响相对较小。相反，当流动性较低时，交易难度增加，价格调整可能会滞后，导致价格波动的持续性增强，长记忆性更加明显。在市场恐慌时期，投资者纷纷抛售股票，市场流动性急剧下降，股票价格可能会出现连续下跌的情况，过去的价格下跌趋势会对未来一段时间的价格产生较大影响，长记忆性显著增强。投资者结构是影响股市长记忆性的重要因素之一。我国股市投资者结构呈现多元化特点，包括个人投资者、机构投资者等。不同类型的投资者具有不同的投资行为和决策方式，这会对股市的长记忆性产生不同的影响。个人投资者往往缺乏专业的投资知识和经验，投资决策容易受到市场情绪和信息不对称的影响，其交易行为具有较强的非理性和羊群效应。当市场出现利好消息时，个人投资者可能会盲目跟风买入，推动股价上涨，形成价格波动的持续性；当市场出现利空消息时，又可能会恐慌性抛售，加剧股价下跌的趋势，增强长记忆性。机构投资者如基金公司、证券公司、保险公司等，通常具有专业的投资团队和丰富的投资经验，投资决策相对理性，注重基本面分析和长期投资。机构投资者的参与有助于稳定市场，降低价格波动的持续性，减弱长记忆性。大型基金公司在投资决策时，会对股票的基本面进行深入研究，基于公司的盈利能力、成长潜力等因素进行投资，其投资行为相对稳定，不会因短期的市场波动而频繁买卖，这有助于抑制股价的过度波动，减少长记忆性的影响。随着我国股市机构投资者比例的不断提高，市场的稳定性和有效性逐渐增强，长记忆性可能会呈现出逐渐减弱的趋势。5.2宏观经济因素宏观经济因素在金融市场中扮演着重要角色，对中国股市长记忆性有着深远影响。宏观经济状况的变化会通过多种途径传导至股市，影响股票价格的波动和长记忆性特征。国内生产总值（GDP）作为衡量一个国家经济总体规模和发展水平的核心指标，与股市表现密切相关。当GDP增长强劲时，意味着经济处于扩张阶段，企业的生产和销售活动活跃，盈利能力增强，这会吸引更多的投资者进入股市，推动股票价格上涨，进而增强股市的长记忆性。在经济快速增长时期，企业的订单增加，收入和利润大幅提升，投资者对企业未来的发展充满信心，纷纷买入股票，导致股票价格持续上升，这种价格上涨的趋势会在较长时间内对股市产生影响，体现出长记忆性。相反，若GDP增速放缓，经济增长乏力，企业面临市场需求不足、成本上升等问题，盈利水平下降，投资者对股市的信心受挫，股票价格可能下跌，长记忆性也可能发生变化。在经济衰退时期，企业的销售额下降，利润减少，甚至出现亏损，投资者纷纷抛售股票，导致股票价格下跌，且这种下跌趋势可能会持续一段时间，影响股市的长记忆性。通货膨胀率是反映商品和服务价格水平变化的重要指标，对股市长记忆性有着复杂的影响。适度的通货膨胀对经济增长有一定的刺激作用，也可能对股市产生积极影响。在温和通货膨胀环境下，企业的产品价格上升，销售收入增加，利润相应提高，股票价格可能上涨。农产品价格上涨，以农产品为原材料的企业成本上升，但同时其产品价格也可能上涨，若产品价格上涨幅度大于成本上升幅度，企业利润会增加，股票价格可能随之上涨。然而，过高的通货膨胀可能导致货币贬值，投资风险增加，对股市产生负面影响。当通货膨胀率过高时，央行通常会采取紧缩的货币政策，提高利率以抑制通货膨胀，这会增加企业的融资成本，降低企业的盈利能力，导致股票价格下跌。利率上升，企业的贷款利息支出增加，利润减少，投资者对企业的预期收益下降，股票价格可能下跌。通货膨胀还会影响投资者的预期和行为，进而影响股市的长记忆性。如果投资者预期通货膨胀将持续上升，可能会减少对股票的投资，转向其他保值资产，导致股票价格下跌，长记忆性减弱。利率作为金融市场中的核心变量，其变动对股市长记忆性有着直接而显著的影响。利率与股票价格之间存在反向关系，当利率上升时，贷款成本增加，企业的投资意愿和盈利能力可能受到抑制，股票市场可能受到负面影响。利率上升，企业的融资成本增加，新的投资项目可能因成本过高而被搁置，企业的发展速度放缓，利润下降，股票价格可能下跌。利率上升还会使债券等固定收益类产品的吸引力增加，投资者可能会将资金从股市转移到债券市场，导致股市资金流出，股票价格下跌。相反，当利率下降时，企业融资成本降低，投资积极性增强，有利于推动股市上涨，长记忆性可能增强。利率下降，企业可以以更低的成本获得资金，用于扩大生产、研发创新等，企业的盈利能力增强，股票价格可能上涨。利率下降还会使储蓄的收益降低，投资者为了追求更高的收益，可能会将资金投入股市，增加股市的资金供给，推动股票价格上涨。货币供应量是央行通过各种货币政策工具来控制的重要经济指标，与股市走势密切相关，对股市长记忆性也有重要影响。当货币供应量增加时，市场上的资金充裕，利率可能下降，投资和消费增加，股票市场的资金供给增加，股票价格可能上涨，长记忆性可能增强。央行通过降低法定存款准备金率、进行公开市场操作等方式增加货币供应量，市场上的资金增多，企业更容易获得贷款，投资和生产活动增加，经济增长加快，股票市场也会受到推动。货币供应量增加还可能导致通货膨胀预期上升，投资者为了保值增值，会增加对股票等资产的需求，推动股票价格上涨。相反，当货币供应量减少时，市场资金紧张，利率上升，股票市场的资金供给减少，股票价格可能下跌，长记忆性可能发生变化。央行采取紧缩的货币政策，减少货币供应量，市场上的资金减少，企业的融资难度增加，投资和生产活动受到抑制，经济增长放缓，股票市场可能下跌。宏观经济因素如GDP、通货膨胀率、利率和货币供应量等通过多种途径影响中国股市长记忆性，它们之间相互作用、相互影响，共同决定了股市的运行态势和长记忆性特征。在分析中国股市长记忆性时，必须充分考虑宏观经济因素的影响，以便更准确地把握股市的运行规律，为投资决策和政策制定提供有力支持。5.3信息披露与市场效率因素信息披露和市场效率因素在金融市场中起着关键作用，对中国股市长记忆性有着重要影响。上市公司的信息披露质量直接关系到投资者对公司的了解程度和信任度，进而影响市场的有效性和股票价格的波动。若上市公司能够及时、准确、完整地披露公司的财务状况、经营成果、重大事项等信息，投资者就能基于这些充分的信息做出更合理的投资决策，使股票价格更能反映公司的真实价值。在对中国股市的研究中发现，信息披露质量较高的公司，其股票价格对新信息的反应更为迅速和准确，市场的定价效率更高，长记忆性相对较弱。因为在这种情况下，市场能够及时消化信息，减少信息的持续影响，使得股价波动更趋于随机，长记忆性特征不明显。相反，若信息披露存在虚假、延迟或不完整等问题，投资者获取信息的难度增加，信息不对称程度加剧，市场的不确定性增大，股票价格可能会出现过度波动，长记忆性增强。一些上市公司为了粉饰业绩，发布虚假的财务报表，投资者基于这些虚假信息做出投资决策，导致股票价格偏离其真实价值，当虚假信息被揭露时，股价会出现大幅调整，且这种调整可能具有持续性，增强了股市的长记忆性。在实际市场中，曾有上市公司因财务造假被曝光，股价连续跌停，且在后续较长时间内都受到该事件的影响，股价波动呈现出明显的长记忆性。市场效率是衡量股市运行质量的重要指标，它反映了市场对信息的处理和价格形成的效率。在一个有效率的市场中，股票价格能够迅速、准确地反映所有可用信息，市场参与者难以通过利用信息获取超额利润。中国股市的市场效率不断提高，但仍存在一些影响市场效率的因素，如市场操纵、内幕交易等。这些行为破坏了市场的公平性和透明度，干扰了市场的正常运行，导致股票价格不能真实反映公司的价值，增强了股市的长记忆性。某些机构或个人通过操纵股价，制造虚假的市场供求关系，使股价偏离其合理水平，这种人为操纵导致的价格波动会持续影响市场，使长记忆性增强。从市场效率的角度来看，提高市场的透明度和信息传递效率，能够降低信息不对称，减少股价的异常波动，从而减弱股市的长记忆性。加强对上市公司信息披露的监管，提高信息披露的质量和及时性，建立健全的信息传播机制，使信息能够快速、准确地传递给投资者，有助于提高市场效率，降低长记忆性。通过完善法律法规，加大对市场操纵和内幕交易的打击力度，维护市场的公平公正，也能够提高市场效率，抑制长记忆性的增强。在一些成熟的金融市场，由于监管严格，市场效率较高，股市的长记忆性相对较弱，这为中国股市的发展提供了借鉴。信息披露质量和市场效率因素与中国股市长记忆性密切相关。提高信息披露质量和市场效率，能够减少信息不对称，增强市场的有效性，降低股价的异常波动，从而减弱股市的长记忆性。监管部门应加强对上市公司信息披露的监管，完善市场制度，提高市场效率，以促进中国股市的健康稳定发展，降低长记忆性带来的风险。六、研究结论与政策建议6.1研究结论总结通过对2010年1月4日至2023年12月31日期间上证综指和深证成指对数收益率序列的实证研究，发现中国股市收益率和波动率均存在长记忆性，且收益率序列存在显著的趋势变化特征。描述性统计分析显示，上证综指和深证成指对数收益率的均值较低，分别为0.0003和0.0004，表明样本期内平均每日收益率不高。标准差分别为0.0185和0.0203，说明收益率波动较大，深证成指的波动幅度相对更大。偏度均为负值，分别为-0.1947和-0.2513，呈现左偏态，意味着收益率出现大幅下跌的概率相对较大。峰度分别为6.0732和6.5428，远大于正态分布的峰度值3，具有明显的尖峰厚尾特征，出现极端值的概率较高。JB统计量表明两个指数的对数收益率序列均不服从正态分布，ADF检验统计量则显示序列是平稳的。运用R/S分析初步判断，上证综指和深证成指对数收益率序列的Hurst指数分别为0.6234和0.6512，均大于0.5，存在长记忆性。利用ARFIMA模型进一步度量长记忆性程度，上证综指和深证成指的分数阶差分参数d分别为0.3215和0.3567，均在(0,0.5)范围内，证实了长记忆性的存在，且深证成指的长记忆性相对更强。在考察收益率波动的长记忆性时，FIGARCH模型和HYGARCH模型的参数估计结果均表明，上证综指和深证成指收益率波动存在长记忆性。在FIGARCH模型中，上证综指的波动长记忆参数d=0.4215，深证成指的d=0.4567；在HYGARCH模型中，上证综指的d=0.3215，深证成指的d=0.3567，深证成指的波动长记忆性在两个模型中均略强。通过比较拟合优度、信息准则等指标，FIGARCH模型在刻画收益率波动长记忆性方面表现更优。将ARFIMA模型与FIGARCH、HYGARCH模型分别结合，构造ARFIMA-FIGARCH模型和ARFIMA-HYGARCH模型，两个模型均能较好地拟合上证综指和深证成指对数收益率序列的双长期记忆特征。通过比较预测误差，ARFIMA-FIGARCH模型的预测效果更好，其均方误差（MSE）和平均绝对误差（MAE）等预测误差指标更小。构建的SEMIFAR-FIGARCH模型在拟合和预测方面表现出色。通过两步估计法对模型进行参数估计，结果显示该模型能更全面地刻画中国股市收益率和波动的双长期记忆性以及收益率的趋势变化。与ARFIMA-FIGARCH、ARFIMA-HYGARCH模型相比，SEMIFAR-FIGARCH模型的拟合优度更高，AIC信息准则和BIC信息准则值更小，预测误差（MAE和MSE）也更小，表明其对中国股市的解释能力和预测能力更强。6.2对投资者的启示中国股市收益率和波动率存在长记忆性以及收益率序列存在趋势变化的特征，对投资者具有重要的启示意义，为投资者制定合理的投资策略提供了理论依据。投资者应充分认识到中国股市的长记忆性特征，过去的市场信息和波动会对未来产生持续影响，这意味着市场并非完全随机，存在一定的可预测性。投资者可以利用历史数据和相关模型进行分析，挖掘市场规律，从而更准确地预测股票价格走势。投资者可以运用ARFIMA模型等对股票收益率进行建模，通过分析模型中的长记忆参数d以及其他相关参数，了解股票收益率的长记忆性程度和趋势变化，以此为基础制定投资决策。若通过模型分析发现某只股票的收益率长记忆性较强，且当前处于上升趋势，投资者可以考虑适当增加该股票的持仓；反之，若发现收益率长记忆性较弱且处于下降趋势，投资者可以考虑减持或规避该股票。投资者需要关注市场的趋势变化，因为收益率序列存在显著的趋势特征。可以运用技术分析方法，结合SEMIFAR-FIGARCH模型中对趋势变化的分析结果，判断市场的趋势方向和转折点。通过观察股票价格的均线系统、相对强弱指标（RSI）等技术指标，以及SEMIFAR模型中平滑趋势函数的参数变化，投资者可以更好地把握市场趋势。当股票价格在均线上方运行，且均线呈上升趋势，同时SEMIFAR模型显示收益率处于上升趋势时，投资者可以顺势而为，持有或增加股票投资；当股票价格跌破均线，且均线开始向下拐头，SEMIFAR模型显示收益率趋势向下时，投资者应及时调整投资组合，降低股票仓位，以避免损失。考虑到中国股市的复杂性和不确定性，投资者应注重分散投资，降低单一股票或行业带来的风险。可以将资金分散投资于不同行业、不同市值规模的股票，以及股票、债券、基金等多种金融资产。在投资股票时，除了关注传统行业的股票，还可以适当配置一些新兴产业的股票，如新能源、人工智能等行业，以分散行业风险。同时，合理配置债券和基金等资产，能够在股票市场波动较大时，起到稳定投资组合的作用。通过分散投资，投资者可以降低因个别股票或行业波动对投资组合造成的影响，提高投资组合的稳定性和抗风险能力。投资者应保持理性和冷静，避免盲目跟风和情绪化投资。中国股市中个人投资者的非理性行为和羊群效应较为明显，容易导致市场波动加剧。投资者应加强自身的投资知识学习，提高投资决策的科学性和理性。在面对市场热点和各种信息时，投资者要进行独立思考和分析，不被市场情绪所左右。当市场出现热点题材时，投资者不应盲目跟风追涨，而是要理性分析该题材的可持续性和相关股票的基本面，避免因盲目跟风而遭受损失。中国股市的长记忆性和趋势变化特征要求投资者具备较强的分析能力、风险意识和理性投资观念。通过合理运用相关模型和方