基于沪深综合指数的我国股票市场价格波动性深度剖析与实证研究

基于沪深综合指数的我国股票市场价格波动性深度剖析与实证研究一、引言1.1研究背景与意义近年来，我国股票市场经历了显著的发展与变革，在金融市场体系中的地位愈发重要。随着经济全球化和金融市场开放程度的加深，我国股票市场与国际市场的联动性增强，市场环境更加复杂多变。股票市场作为经济的“晴雨表”，其价格波动不仅反映了市场参与者对宏观经济形势、企业盈利预期等因素的综合判断，还对实体经济的发展产生着重要影响。沪深综合指数是我国股票市场的重要风向标，它涵盖了上海证券交易所和深圳证券交易所的众多股票，能够综合反映我国股票市场的整体表现。通过对沪深综合指数的研究，我们可以更好地把握股票市场价格波动的规律和特征。从投资者角度来看，准确理解市场波动规律有助于制定科学合理的投资策略，降低投资风险，提高投资收益。例如，在市场波动较大时，投资者可以根据波动规律调整资产配置，避免因市场大幅下跌而遭受重大损失；在市场处于上升趋势时，投资者能够把握机会，实现资产的增值。对于监管部门而言，深入研究市场波动规律是制定有效监管政策的基础。监管部门可以通过对沪深综合指数的分析，及时发现市场中存在的问题和风险，采取相应的监管措施，维护市场的稳定和健康发展。比如，当市场出现异常波动时，监管部门可以依据对波动规律的了解，判断波动的原因，进而出台针对性的政策，防止市场过度波动对投资者信心和经济稳定造成负面影响。研究我国股票市场价格波动性，尤其是以沪深综合指数为例，对于深入理解市场运行机制、指导投资者决策以及完善市场监管体系都具有重要的理论和现实意义，能够为市场参与者提供有价值的参考依据，促进我国股票市场的持续、稳定、健康发展。1.2国内外研究现状在国外，对股票市场价格波动性的研究起步较早且成果丰硕。早期，学者们主要运用传统的时间序列分析方法来研究股票价格波动。如法国数学家L.巴施利叶（Bachelier）于1900年发表的博士论文《投机理论》，创造性地提出了股票价格波动和布朗运动之间的关系，得到的股价波动方程与描述布朗粒子运动的方程相似，为后续研究奠定了重要基础。随后，保罗・萨缪尔森（PaulSamuelson）对巴施利叶的模型进行修正，以股票的回报代替原模型中的股票价格，进一步推动了该领域的理论发展。随着金融市场的发展和计量经济学的进步，ARCH类模型在股票市场波动性研究中得到广泛应用。Engle（1982）提出的ARCH模型，能够有效捕捉金融时间序列的异方差性，即波动集聚现象，为量化分析股票价格波动的时变特征提供了有力工具。Bollerslev（1986）在此基础上进行拓展，提出了广义自回归条件异方差模型（GARCH），该模型不仅考虑了过去的波动对当前波动的影响，还能更好地刻画股票市场波动的持续性和长记忆性。此后，众多学者基于ARCH类模型进行了一系列拓展和应用研究，如EGARCH模型、TGARCH模型等，这些模型分别从不同角度对股票市场的非对称波动等特征进行了深入分析。在对股票市场波动影响因素的研究方面，国外学者也取得了丰富成果。Fama（1970）提出的有效市场假说认为，股票价格已经反映了所有可获得的信息，市场是有效的，价格波动是对新信息的合理反应。但后续研究发现，股票市场存在诸多与有效市场假说相悖的现象，如动量效应、反转效应等。行为金融学的兴起为解释这些现象提供了新的视角，Kahneman和Tversky（1979）提出的前景理论指出，投资者的决策并非完全理性，会受到心理因素和认知偏差的影响，从而导致股票价格的异常波动。此外，宏观经济因素对股票市场波动的影响也受到广泛关注，学者们通过实证研究发现，利率、通货膨胀率、经济增长等宏观经济变量与股票价格波动之间存在显著的相关性。国内对股票市场价格波动性的研究相对较晚，但近年来随着我国股票市场的快速发展，相关研究也日益丰富。早期研究主要集中在对国外理论和方法的引进与应用，学者们运用ARCH类模型、GARCH类模型等对我国股票市场的波动性进行实证分析，发现我国股票市场具有明显的波动集聚性、非对称性等特征。例如，陈灯塔和洪永淼（2003）运用GARCH-M模型对我国股票市场的波动性进行研究，结果表明我国股票市场存在显著的风险溢价，且波动具有明显的时变特征。随着研究的深入，国内学者开始关注我国股票市场的特殊制度背景和市场结构对价格波动的影响。股权分置改革是我国股票市场发展中的重要事件，许多学者对股权分置改革前后股票市场波动性的变化进行了研究。研究发现，股权分置改革在一定程度上改善了我国股票市场的运行机制，降低了市场的波动性，提高了市场的有效性。此外，国内学者还对宏观经济政策、投资者行为、信息披露等因素与我国股票市场价格波动的关系进行了深入研究。如孙华妤和马跃（2003）通过实证分析发现，货币政策对我国股票市场价格波动有显著影响，货币供应量的变化会引起股票价格的波动。尽管国内外在股票市场价格波动性研究方面取得了丰硕成果，但仍存在一些不足之处。现有研究在模型选择和应用上存在一定的局限性，不同模型对股票市场波动特征的刻画能力存在差异，且模型的假设条件往往与实际市场情况不完全相符。在研究影响因素时，虽然考虑了宏观经济因素、投资者行为等多方面因素，但对于各因素之间的相互作用机制以及这些因素在不同市场环境下对股票价格波动的影响差异研究还不够深入。针对我国股票市场，结合我国独特的市场制度和发展阶段，对股票市场价格波动的长期趋势和短期波动规律进行系统性研究还相对缺乏。本文将在已有研究的基础上，以沪深综合指数为例，运用更合适的模型和方法，深入研究我国股票市场价格波动性及其影响因素，以期为相关研究和市场参与者提供更有价值的参考。1.3研究方法与创新点本研究主要采用了实证分析与对比分析两种研究方法。在实证分析方面，通过收集沪深综合指数的历史数据，运用计量经济学方法进行深入分析。具体而言，运用ARCH类模型中的GARCH模型对沪深综合指数的收益率序列进行建模，以精确刻画股票市场价格波动的时变特征，如波动集聚性和持续性。利用单位根检验、协整检验等方法，对宏观经济变量与沪深综合指数之间的关系进行检验，分析宏观经济因素对股票市场价格波动的影响，从而为研究提供量化的实证依据。对比分析则体现在两个方面。一方面，将我国股票市场与国外成熟股票市场在价格波动性特征和影响因素等方面进行对比，借鉴国外成熟市场的经验和教训，为我国股票市场的发展提供参考。例如，对比美国、英国等成熟股票市场与我国股票市场在ARCH效应的表现强度、波动的持续性等方面的差异，分析我国股票市场的独特之处。另一方面，对不同时期我国股票市场价格波动性进行对比，研究市场在经历重大事件或政策调整前后波动性的变化，如股权分置改革前后市场波动性的差异，深入探讨市场发展过程中的规律和问题。在研究过程中，本研究体现了多方面的创新点。在模型选择上，针对我国股票市场的特点，综合考虑多种因素后选用GARCH模型，并对模型进行适当的改进和扩展。结合我国股票市场的交易制度、投资者结构等实际情况，在模型中引入虚拟变量来反映这些特殊因素对市场波动的影响，使模型能够更准确地描述我国股票市场价格波动的特征，克服传统模型在应用于我国市场时的局限性。数据处理方面，本研究采用了更为精细的数据处理方法。在数据收集阶段，不仅收集了沪深综合指数的收盘价、成交量等常规数据，还广泛收集了宏观经济数据、政策信息以及市场情绪指标等多维度数据。在数据清洗过程中，运用多种数据质量控制方法，如异常值检测、数据缺失值处理等，确保数据的准确性和可靠性。通过采用高频数据进行分析，能够捕捉到市场价格波动的短期变化特征，为研究市场的短期波动规律提供更丰富的信息，弥补以往研究中主要使用低频数据的不足。二、相关理论基础2.1股票市场价格波动理论股票市场价格波动是金融领域研究的重要课题，其背后涉及多种复杂的经济和金融理论。股票价格波动的基本原理与多种因素相关，其中供需关系是影响股价波动的基础因素。在股票市场中，当对某只股票的需求增加，而供给相对稳定或减少时，股价往往会上涨；反之，若供给大幅增加而需求不变或减少，股价则可能下跌。例如，当一家公司发布业绩超预期的财报时，投资者对其股票的需求会增加，进而推动股价上升；若公司陷入负面事件，投资者可能纷纷抛售股票，导致供给增加，股价下跌。市场情绪也是导致股价波动的关键因素。市场情绪反映了投资者对未来市场走势的预期和信心。积极的市场情绪会促使投资者大量买入股票，推动股价上涨；而悲观情绪则可能引发抛售行为，导致股价下跌。例如，在经济数据表现良好、政策利好等情况下，投资者信心增强，市场情绪积极，股票市场往往呈现上涨趋势；反之，在经济衰退预期、地缘政治冲突等不确定性因素增加时，投资者情绪悲观，股票价格容易出现下跌。宏观经济指标对股票市场价格波动也有着重要影响。GDP增长率、通货膨胀率、失业率等宏观经济指标反映了整体经济的健康状况，进而影响投资者的信心和投资决策。经济增长预期强劲时，企业盈利前景乐观，投资者更倾向于投资股票，推动股价上涨；而在经济衰退期，企业盈利可能下滑，投资者信心受挫，股票价格往往下跌。通货膨胀率的变化会影响企业的成本和利润，也会对股票价格产生影响。适度的通货膨胀可能刺激企业生产和投资，对股价有一定的支撑作用，但过高的通货膨胀可能导致企业成本上升，利润下降，股价也会受到负面影响。有效市场假说（EfficientMarketsHypothesis，EMH）是解释股票价格波动的重要理论之一，由美国经济学家尤金・法玛（EugeneF.Fama）于1970年深化并提出。该假说认为，在一个证券市场里，如果价格完全反映了所有能够获取的信息，那么这个市场就是有效的。有效市场假说可细分为三个层次：弱式有效市场、半强式有效市场和强式有效市场。在弱式有效市场中，以往价格的所有信息已完全体现在当前价格里，依靠分析历史价格信息的技术分析法无法获取超额收益。这意味着股票价格已经充分反映了过去的价格走势、成交量等技术指标所包含的信息，投资者无法通过对历史价格图表的分析来预测未来股价的走势。在半强式有效市场里，除了证券市场以往的价格信息，还涵盖发行证券企业的年度报告、季度报告等所有公开信息，此时依靠公开信息进行的基础分析法也难以获得超额利润。因为市场参与者能够迅速获取和分析这些公开信息，并将其反映在股票价格中，使得基于公开信息的投资策略无法持续获得高于市场平均水平的回报。强式有效市场最为严格，其中的信息既包含所有公开信息，也囊括所有内幕信息，即便掌握内幕信息的投资者，也无法持续获取非正常收益。在这种市场假设下，市场是完全公平和透明的，所有信息都能及时、准确地反映在股票价格上。有效市场假说与股票价格波动性密切相关。在有效市场中，资产价格应迅速且准确地反映所有相关信息，一旦有新信息出现，价格会立刻做出调整。这意味着股票价格的波动是对新信息的合理反应，是市场有效性的体现。如果市场是有效的，那么股票价格的波动将是随机的，因为新信息的出现是不可预测的。当公司发布盈利公告、宏观经济数据公布或政策调整等新信息时，股票价格会迅速调整到反映这些新信息的合理水平。然而，在现实市场中，股票价格波动更为复杂，常常出现与有效市场假说相悖的现象。部分股票的价格走势与公司基本面变化、宏观经济形势之间的关系并非完全符合有效市场假说。有时公司发布利好消息，股价却未立刻上涨；或者市场整体走势与经济数据背离，存在滞后性。这可能是由于市场中存在信息不对称、投资者非理性行为等因素，导致股票价格不能及时、准确地反映所有信息，从而产生价格波动偏离有效市场假说的情况。2.2波动性测度模型2.2.1ARCH模型ARCH模型，即自回归条件异方差模型（AutoregressiveConditionalHeteroscedasticityModel），由Engle于1982年提出，是金融时间序列分析中用于刻画波动性的重要模型。该模型的核心思想是，金融时间序列的误差项方差并非固定不变，而是随时间变化，且依赖于过去误差的平方。这一特性使得ARCH模型能够有效捕捉金融市场中常见的波动集群现象，即较大的波动往往会聚集在一起，较小的波动也会集中出现。在ARCH模型中，假设时间序列y_t满足如下线性回归方程：y_t=\beta_0+\beta_1x_{1t}+\cdots+\beta_kx_{kt}+\varepsilon_t，其中\varepsilon_t为误差项。ARCH模型对误差项的方差做出了特殊假设，即\varepsilon_t的条件方差\sigma_t^2满足\sigma_t^2=\omega+\sum_{i=1}^p\alpha_i\varepsilon_{t-i}^2，这就是ARCH(p)模型的表达式。其中，\omega>0，\alpha_i\geq0（i=1,2,\cdots,p），p为ARCH模型的阶数，表示模型中考虑的滞后项数量。\omega是常数项，代表长期平均方差；\alpha_i是模型参数，反映了过去i期残差平方\varepsilon_{t-i}^2对当前条件方差\sigma_t^2的影响程度。当\alpha_i的值较大时，说明过去i期的波动对当前波动的影响更为显著，波动集群性更强。以股票市场为例，若某一时期股票价格出现大幅波动，即\varepsilon_{t-i}^2较大，根据ARCH模型，这会使得当前时期的条件方差\sigma_t^2增大，意味着未来短期内股票价格仍有较大波动的可能性，体现了波动的集群性。ARCH模型通过这种方式，能够将历史波动信息作为条件，采用自回归形式刻画波动的变化。对于一个时间序列而言，在不同时刻包含的历史信息不同，相应的条件方差也不同，从而为研究金融时间序列的波动性提供了有效的工具。2.2.2GARCH模型GARCH模型，即广义自回归条件异方差模型（GeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Bollerslev于1986年提出，是对ARCH模型的重要扩展。尽管ARCH模型能够刻画波动集群性，但在实际应用中发现，它往往需要较高的阶数p才能较好地拟合数据，这会导致参数估计数量过多，增加模型的复杂性和估计难度。GARCH模型通过引入条件方差的滞后项，有效解决了这一问题。GARCH(p,q)模型的条件方差\sigma_t^2表达式为\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\omega>0，\alpha_i\geq0（i=1,2,\cdots,p），\beta_j\geq0（j=1,2,\cdots,q），p和q分别为ARCH项和GARCH项的阶数。与ARCH模型相比，GARCH模型不仅考虑了过去误差平方\varepsilon_{t-i}^2对当前条件方差的影响，还纳入了过去条件方差\sigma_{t-j}^2的作用。这使得GARCH模型能够更全面地捕捉波动的持续性，即当前的波动不仅受近期波动的影响，还与过去较长一段时间的波动状况相关。在金融市场中，波动的持续性表现为市场在经历一段时间的高波动后，往往会继续保持较高的波动水平；反之，在低波动时期后，波动水平也倾向于维持在较低状态。GARCH模型能够很好地刻画这种现象，通过\sum_{j=1}^q\beta_j\sigma_{t-j}^2这一项，体现了过去波动对当前波动的长期影响。当市场出现一次大幅波动时，\sigma_{t-j}^2增大，会使得后续时期的\sigma_t^2也相应增大，从而反映出波动的持续性。GARCH模型在处理金融时间序列的厚尾分布方面也具有优势。实际金融市场中的收益率分布往往呈现出尖峰厚尾的特征，即与正态分布相比，分布的峰值更高，尾部更厚，这意味着极端事件发生的概率比正态分布所预测的要高。GARCH模型通过对条件方差的动态建模，能够更好地捕捉到这种厚尾特征，更准确地描述金融市场收益率的分布情况，为风险度量和投资决策提供更可靠的依据。2.2.3其他相关模型除了ARCH模型和GARCH模型，在金融时间序列波动性研究中，还有一些其他相关模型，它们从不同角度对波动特征进行刻画，丰富了波动性测度的方法体系。EGARCH模型，即指数广义自回归条件异方差模型（ExponentialGeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Nelson于1991年提出。该模型在捕捉波动非对称性方面具有独特优势。在金融市场中，波动非对称性表现为利好消息（正的收益率冲击）和利空消息（负的收益率冲击）对市场波动的影响程度不同。EGARCH模型通过将条件方差设定为对数形式，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\gamma_i反映了波动的非对称性。当\gamma_i\neq0时，说明正负冲击对波动的影响存在差异。若\gamma_i<0，则表明利空消息引起的波动大于同等程度利好消息引起的波动，这种现象在许多股票市场中都有体现，被称为杠杆效应，即公司股价下跌时，其杠杆率上升，风险增加，从而导致股价波动加剧。TARCH模型，即门限广义自回归条件异方差模型（ThresholdGeneralizedAutoregressiveConditionalHeteroscedasticityModel），由Zakoian于1990年和Glosten、Jagannathan以及Runkle于1993年分别独立提出。TARCH模型同样用于捕捉波动的非对称性，它在ARCH项中引入了一个虚拟变量I_{t-1}，当\varepsilon_{t-1}<0时，I_{t-1}=1；否则I_{t-1}=0。其条件方差表达式为\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衡量了非对称效应的大小，当\gamma_i\neq0时，体现了正负冲击对波动影响的差异。与EGARCH模型不同的是，TARCH模型通过这种方式更直观地反映了正负冲击对条件方差的不同影响，便于理解和解释波动的非对称性。这些模型在不同方面对ARCH和GARCH模型进行了拓展和改进，使得研究者能够根据金融时间序列的具体特征和研究目的选择合适的模型，更深入地分析股票市场价格波动的规律和特征。三、沪深综合指数概述3.1指数编制方法上证指数，全称为上海证券综合指数，其样本选取范围涵盖了上海证券交易所上市的全部股票，包括A股和B股，旨在全面反映上海证券市场的整体股价表现。在编制过程中，上证指数采用加权平均法进行计算，权重的确定依据各成份股的总市值。具体计算公式为：报告期指数=（报告期样本总市值/除数）×100。其中，除数是一个重要参数，会根据样本股的股本变动、分红派息等情况进行调整，以确保指数的连续性和可比性。例如，当有新的股票上市或现有股票进行股本扩张时，除数会相应调整，使得指数能够准确反映市场的真实变化。以某一时刻为例，假设有三只在上海证券交易所上市的股票A、B、C被纳入上证指数样本股。股票A的总市值为500亿元，股票B的总市值为300亿元，股票C的总市值为200亿元，那么总市值为1000亿元。若此时除数为10，则该时刻上证指数为（1000/10）×100=10000点。若股票A进行了股本扩张，总市值变为600亿元，除数调整为11，那么新的上证指数为（600+300+200）/11×100≈10000点，虽然各股票市值发生了变化，但通过除数的调整，指数能保持相对稳定，准确反映市场整体情况。新上市的证券并非立即被纳入指数，需要满足一定条件，如上市满三个月或一年（具体要求根据相关规定执行），以确保其股价经过一定时间的市场检验，具有代表性。若某证券被实施风险警示（如ST、*ST），将从指数中剔除，因为这类股票通常面临较大的经营风险和不确定性，可能会对指数的稳定性和代表性产生不利影响；一旦该证券撤销风险警示，经营状况恢复正常，则重新计入指数。当证券退市时，也会从指数中剔除，以保证指数样本始终反映市场中正常交易的股票情况。深证成指，即深圳成份股指数，其样本选取标准更为严格，从深圳证券交易所上市的所有股票中，选取市值大、流动性好的500家上市公司的股票作为计算对象，以反映深交所多层次市场的整体表现。深证成指采用实际可交易市值加权的计算方法，也就是以自由流通股本为权数，以加权平均法进行计算。自由流通股本是指公司总股本中剔除了国家股、法人股、内部职工股等非流通股后的部分，这使得指数更能反映市场中实际可交易股票的价格变动对整体市场的影响。深证成指以1994年7月20日为基日，基日指数定为1000点。样本股会定期调整，定于每年1月和7月的第一个交易日施行，通常在前一年的12月和当年6月的第二个完整交易周的第一个交易日提早发布样本调整计划。调整的目的是为了保证指数能够及时反映市场结构的变化，纳入表现优秀、更具市场代表性的股票，剔除不符合条件的股票。当某家公司的市值规模、流动性等指标不再满足入选标准，或者公司发生重大资产重组、业绩大幅下滑等情况时，可能会被调出样本股；而一些新兴行业的优质公司，随着其市值增长和市场影响力扩大，若符合条件，则可能被调入样本股，从而使深证成指始终能够准确反映深圳证券市场的主要趋势和结构特征。3.2指数在我国股票市场中的地位和作用沪深综合指数在我国股票市场中占据着举足轻重的地位，是反映市场整体走势的关键指标。上证指数全面涵盖了上海证券交易所上市的所有股票，包括A股和B股，通过市值加权的方式，将不同规模、不同行业的股票纳入计算，能够直观地呈现上海证券市场的总体运行态势。当上证指数上涨时，表明上海证券市场中多数股票价格上升，市场整体处于上升趋势，投资者对市场前景较为乐观，资金流入市场的意愿增强；反之，若上证指数下跌，则意味着市场整体下行，投资者情绪趋于谨慎，资金可能流出市场。深证成指选取深圳证券交易所上市的市值大、流动性好的500家上市公司股票作为样本，以自由流通股本为权数进行加权计算，精准反映了深圳证券市场的主要趋势和结构特征。由于样本股涵盖了深圳市场不同行业、不同发展阶段的优质企业，其走势能够体现深圳市场的活力和创新能力。当深证成指上扬，说明深圳证券市场中具有代表性的企业表现良好，市场活力充沛；若深证成指下跌，则可能暗示深圳市场面临一定的压力或调整。沪深综合指数为投资者决策提供了重要依据。投资者可以依据沪深综合指数的走势判断市场整体风险和机会。在指数持续上涨阶段，市场处于牛市行情，投资者可适当增加股票资产配置，选择优质股票进行投资，以获取更高收益。如在2014-2015年上半年的牛市行情中，沪深综合指数大幅上涨，许多投资者抓住机会，通过合理配置股票资产实现了资产的增值。当指数处于下跌趋势，市场进入熊市，投资者可考虑降低股票投资比例，增加债券、货币基金等相对稳健的资产配置，以规避风险。投资者还能将自己的投资组合收益与沪深综合指数对比，评估投资策略的有效性。若投资组合收益跑赢指数，说明投资策略较为成功，可继续保持或优化；若落后于指数，则需反思投资策略，查找原因并进行调整。对于市场监管而言，沪深综合指数是重要的参考指标。监管部门通过观察指数的波动情况，能及时发现市场中存在的问题和风险。当指数出现异常波动，如短期内大幅上涨或下跌，可能意味着市场存在过度投机、信息不对称等问题，监管部门可据此采取相应的监管措施，如加强信息披露监管、打击内幕交易和操纵市场行为等，以维护市场的稳定和公平。在市场波动剧烈时，监管部门可以加强对上市公司信息披露的审核，确保投资者能够获取真实、准确、完整的信息，避免因信息不对称导致市场恐慌和过度波动。指数的走势还能反映宏观经济政策的实施效果，为监管部门制定和调整政策提供依据。若宏观经济政策出台后，指数逐渐企稳回升，说明政策对市场起到了积极的刺激作用；反之，若指数未能如预期般变化，监管部门则可考虑调整政策方向或力度，以促进市场的健康发展。3.3历史走势回顾为了更直观地了解沪深综合指数的波动情况，我们对其历史走势进行回顾。通过绘制2000年1月至2024年12月期间沪深综合指数的收盘价走势（见图1），可以清晰地看到其在不同阶段呈现出的显著特征和波动变化。图1：2000年1月-2024年12月沪深综合指数收盘价走势[此处插入沪深综合指数收盘价走势折线图，横坐标为时间（年-月），纵坐标为指数收盘价][此处插入沪深综合指数收盘价走势折线图，横坐标为时间（年-月），纵坐标为指数收盘价]在2000年初，沪深综合指数处于相对平稳的波动阶段，指数在一定区间内上下波动，反映出市场处于相对稳定的运行状态，投资者情绪较为平稳，市场对宏观经济和企业盈利预期也相对稳定。随着市场的发展，2005-2007年期间，沪深综合指数经历了一轮大幅上涨行情，指数从2005年6月的低点998点一路飙升至2007年10月的历史高点6124点。这一阶段的上涨主要得益于多方面因素。宏观经济层面，中国经济保持高速增长，GDP增长率持续保持在较高水平，企业盈利大幅提升，为股市上涨提供了坚实的基本面支撑。政策层面，股权分置改革的推进解决了长期困扰中国股市的制度性问题，增强了市场信心，吸引了大量资金流入股市。市场层面，投资者对股市的预期不断改善，投资热情高涨，大量新增资金涌入市场，推动股价持续上涨。在这一阶段，市场成交量显著放大，反映出市场交易活跃，投资者积极参与市场。然而，在2007年10月达到高点后，沪深综合指数迅速进入下跌通道，在2008年10月跌至1664点的低点，短短一年时间跌幅超过70%。这一暴跌主要是受到全球金融危机的冲击。金融危机导致全球经济衰退，中国经济也受到严重影响，出口大幅下滑，企业盈利预期恶化。投资者对经济前景和企业盈利的担忧加剧，纷纷抛售股票，导致市场恐慌情绪蔓延，股价大幅下跌。市场成交量在下跌过程中也有所放大，显示出投资者的恐慌抛售行为。2009-2010年，沪深综合指数出现了一定程度的反弹，从1664点回升至3478点附近。这一反弹主要是由于政府出台了一系列经济刺激政策，以应对金融危机的冲击。大规模的投资计划和宽松的货币政策刺激了经济的复苏，企业盈利状况有所改善，市场信心得到一定程度的恢复。随着经济刺激政策的逐步退出和宏观经济增速的放缓，2011-2013年沪深综合指数再次进入调整阶段，指数在低位震荡，市场整体表现较为低迷。2014-2015年上半年，沪深综合指数又迎来一轮快速上涨行情，指数从2000点左右迅速攀升至5178点。这一阶段的上涨受到多种因素的共同作用。一方面，宏观经济结构调整过程中，市场对新兴产业的发展前景充满期待，新兴产业相关股票受到投资者的追捧。另一方面，融资融券等金融创新工具的发展，使得市场杠杆资金大幅增加，进一步推动了股价的上涨。市场上出现了大量的融资买入行为，投资者通过杠杆资金放大投资收益，市场交易异常活跃，成交量屡创新高。但在2015年6月之后，沪深综合指数再次大幅下跌，在短短几个月内跌至2850点附近。这主要是因为前期市场过度上涨积累了较大的泡沫，随着监管部门加强对杠杆资金的监管，市场杠杆资金迅速撤离，引发了市场的恐慌性抛售，股价大幅下跌。许多股票出现连续跌停，市场流动性急剧下降，投资者损失惨重。近年来，沪深综合指数整体呈现出震荡波动的态势，指数在不同的区间内波动，市场走势受到宏观经济形势、政策变化、国际市场波动等多种因素的综合影响。宏观经济增速的换挡、中美贸易摩擦、新冠疫情等事件都对市场产生了不同程度的冲击，导致指数出现相应的波动。在新冠疫情爆发初期，市场对疫情的不确定性感到担忧，沪深综合指数大幅下跌；随着疫情防控措施的有效实施和经济的逐步复苏，指数又逐渐回升。四、实证研究设计4.1数据选取与预处理本研究选取2000年1月4日至2024年12月31日期间的沪深综合指数日数据作为研究样本，数据来源于Wind数据库。这一时间段涵盖了我国股票市场多个重要发展阶段和关键事件，如股权分置改革、全球金融危机、金融创新工具的推出等，能够全面反映我国股票市场的发展变化和价格波动特征。在数据预处理阶段，为了更准确地刻画股票市场价格波动情况，我们对原始数据进行了对数收益率转换。对数收益率的计算公式为：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期的沪深综合指数收盘价，P_{t-1}表示第t-1期的收盘价。采用对数收益率具有多方面优势，它在数学上具有更好的性质，能够使数据更加平稳，符合一些统计模型的假设条件，便于后续的分析和建模。对数收益率还能够反映资产价格的相对变化，更准确地衡量投资收益和风险，相比简单收益率，能更好地体现股票市场价格波动的特征。在数据处理过程中，我们对数据进行了严格的清洗和筛选。检查数据的完整性，确保没有缺失值或异常值。若存在缺失值，根据前后数据的变化趋势，采用线性插值法或均值填充法进行补充。对于异常值，通过设定合理的阈值范围进行识别和处理。当对数收益率的绝对值超过一定阈值（如5倍标准差）时，将其视为异常值，并结合市场情况和相关事件进行分析，判断是否为真实的市场波动或数据录入错误。若为数据录入错误，进行修正；若为真实的市场异常波动，则保留数据，并在后续分析中予以关注。通过这些数据预处理步骤，保证了数据的质量和可靠性，为后续的实证分析奠定了坚实的基础。4.2模型选择与设定在对沪深综合指数的价格波动性进行研究时，根据前文对数据特征的分析以及研究目的，我们选择GARCH(1,1)模型作为主要的波动性测度模型。选择该模型主要基于以下几方面考虑。沪深综合指数收益率序列呈现出明显的波动集群性，即较大的波动往往会聚集在一起，较小的波动也会集中出现。GARCH(1,1)模型能够很好地捕捉这一特征，通过对条件方差的建模，反映出过去的波动对当前波动的影响，从而准确刻画波动集群现象。金融时间序列通常具有厚尾分布特征，沪深综合指数收益率序列也不例外，实际数据中极端事件发生的概率比正态分布所预测的要高。GARCH(1,1)模型通过考虑条件方差的时变性，能够更好地拟合这种厚尾分布，为风险度量提供更准确的依据。相较于其他高阶的GARCH模型，GARCH(1,1)模型形式相对简洁，参数数量适中，既能够有效捕捉波动特征，又能避免因参数过多导致的过拟合问题，在保证模型准确性的同时，提高了模型的可解释性和估计效率。GARCH(1,1)模型的具体设定如下：均值方程为R_t=\mu+\varepsilon_t，其中R_t为第t期的沪深综合指数对数收益率，\mu为收益率的均值，\varepsilon_t为随机误差项。条件方差方程为\sigma_t^2=\omega+\alpha\varepsilon_{t-1}^2+\beta\sigma_{t-1}^2，其中\sigma_t^2为第t期的条件方差，\omega为常数项，表示长期平均方差；\alpha和\beta分别为ARCH项和GARCH项的系数，且满足\omega>0，\alpha\geq0，\beta\geq0，\alpha+\beta<1。\alpha反映了过去一期的残差平方\varepsilon_{t-1}^2对当前条件方差的影响程度，\beta则体现了过去一期的条件方差\sigma_{t-1}^2对当前条件方差的作用。当\alpha较大时，说明近期的波动冲击对当前波动影响较大；\beta较大则表明波动具有较强的持续性，过去的波动状态对当前波动的影响较为持久。通过对这些参数的估计和分析，可以深入了解沪深综合指数价格波动的特征和规律。4.3研究假设提出基于前文对沪深综合指数的理论分析和相关研究背景，提出以下研究假设，以便更深入地探讨我国股票市场价格波动性的特征和影响因素。假设1：沪深综合指数收益率序列具有显著的ARCH效应：即过去的波动对当前波动存在显著影响，表现出波动集群性。在金融市场中，信息的传递和投资者的行为往往具有一定的持续性，当市场出现较大波动时，这种波动不会立即消失，而是会在后续一段时间内持续影响市场，导致波动聚集出现。例如，当某一重大宏观经济事件发生时，如经济数据不及预期，市场投资者会对未来经济形势产生担忧，这种担忧情绪会在市场中持续传播，使得股票价格在一段时间内出现较大波动，并且这种波动会相互影响，呈现出波动集群的特征。因此，我们假设沪深综合指数收益率序列存在ARCH效应，这将为后续使用ARCH类模型进行分析提供理论基础。假设2：GARCH(1,1)模型能够较好地拟合沪深综合指数收益率序列的波动性：考虑到GARCH(1,1)模型在捕捉波动集群性和持续性方面的优势，以及沪深综合指数收益率序列的特点，我们认为该模型能够有效刻画沪深综合指数收益率的波动特征。GARCH(1,1)模型不仅考虑了过去的残差平方对当前条件方差的影响（即ARCH效应），还纳入了过去条件方差的作用，能够更全面地反映波动的持续性。许多实证研究也表明，GARCH(1,1)模型在金融时间序列波动性分析中具有良好的表现，能够准确地拟合金融市场的波动情况。所以，我们假设GARCH(1,1)模型能够较好地拟合沪深综合指数收益率序列的波动性，通过对该模型的参数估计和分析，可以深入了解沪深综合指数价格波动的规律。假设3：宏观经济因素对沪深综合指数价格波动有显著影响：宏观经济因素如GDP增长率、通货膨胀率、利率等是影响股票市场的重要基本面因素。当GDP增长率上升时，表明经济处于扩张阶段，企业盈利预期增加，投资者对股票的需求上升，推动股票价格上涨，从而影响沪深综合指数的波动。通货膨胀率的变化会影响企业的成本和利润，进而影响股票价格。较高的通货膨胀率可能导致企业成本上升，利润下降，股票价格下跌；而较低的通货膨胀率则可能对股票价格产生积极影响。利率的调整会改变资金的流向，当利率上升时，债券等固定收益类资产的吸引力增加，资金可能从股票市场流出，导致股票价格下跌；利率下降时，情况则相反。基于这些理论和实际经济现象，我们假设宏观经济因素对沪深综合指数价格波动有显著影响，通过实证分析可以进一步验证这些因素与股票市场波动之间的具体关系。假设4：市场情绪对沪深综合指数价格波动有显著影响：市场情绪反映了投资者对市场的信心和预期，乐观的市场情绪会促使投资者增加投资，推动股票价格上涨；悲观的市场情绪则会导致投资者减少投资或抛售股票，使股票价格下跌。社交媒体的发展使得信息传播更加迅速，投资者的情绪更容易受到各种消息的影响。当市场上出现大量正面消息时，投资者情绪乐观，纷纷买入股票，推动沪深综合指数上升；反之，当负面消息充斥市场时，投资者情绪悲观，大量抛售股票，导致沪深综合指数下跌。所以，我们假设市场情绪对沪深综合指数价格波动有显著影响，研究市场情绪与股票市场波动之间的关系，有助于更好地理解市场行为和预测市场走势。五、实证结果与分析5.1描述性统计分析对2000年1月4日至2024年12月31日期间的沪深综合指数对数收益率数据进行描述性统计，结果如表1所示。表1：沪深综合指数对数收益率描述性统计|统计量|数值||----|----||均值|0.00032||标准差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera统计量|289.456||概率|0.000||统计量|数值||----|----||均值|0.00032||标准差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera统计量|289.456||概率|0.000||----|----||均值|0.00032||标准差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera统计量|289.456||概率|0.000||均值|0.00032||标准差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera统计量|289.456||概率|0.000||标准差|0.0198||最小值|-0.0925||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera统计量|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统计量|289.456||概率|0.000||最大值|0.0967||偏度|-0.214||峰度|5.368||Jarque-Bera统计量|289.456||概率|0.000||偏度|-0.214||峰度|5.368||Jarque-Bera统计量|289.456||概率|0.000||峰度|5.368||Jarque-Bera统计量|289.456||概率|0.000||Jarque-Bera统计量|289.456||概率|0.000||概率|0.000|从均值来看，沪深综合指数对数收益率的均值为0.00032，表明在该时间段内，平均每日的收益率相对较低。这与股票市场的风险特征相符，虽然股票市场具有较高的潜在收益，但长期平均下来，每日的收益并不高，且受到多种复杂因素的影响，难以实现稳定的高额收益。标准差为0.0198，反映出收益率的波动程度较大。这意味着沪深综合指数的价格波动较为频繁且幅度较大，投资者面临着较高的风险。在实际投资中，较大的标准差意味着投资者的收益具有较大的不确定性，可能在短期内获得高额收益，也可能遭受重大损失。例如，在市场行情较好时，投资者可能获得较高的正收益；但在市场出现大幅调整时，投资者的资产可能会大幅缩水。最小值为-0.0925，最大值为0.0967，说明在研究期间，沪深综合指数经历了较大幅度的涨跌。这种极端值的出现进一步证实了股票市场的高风险性和波动性。在某些特殊时期，如金融危机、重大政策调整或突发的重大事件时，股票市场可能会出现剧烈波动，导致指数出现大幅上涨或下跌。偏度为-0.214，表明收益率分布呈现左偏态。这意味着收益率分布的左侧（负收益一侧）尾部比正态分布更长，即出现大幅负收益的概率相对较高，而出现大幅正收益的概率相对较低。在股票市场中，这种左偏态分布反映了市场风险的不对称性，投资者面临着更大的下行风险。当市场出现不利因素时，如经济衰退、企业业绩下滑等，股票价格更容易出现大幅下跌，导致投资者遭受较大损失。峰度为5.368，大于正态分布的峰度值3，呈现尖峰厚尾特征。这表明沪深综合指数收益率序列出现极端值的概率比正态分布所预测的要高，即市场中更容易出现极端事件。尖峰厚尾特征使得股票市场的风险度量变得更加复杂，传统的基于正态分布假设的风险度量方法可能无法准确评估市场风险。在实际投资中，投资者需要更加关注极端事件的发生概率和影响，采取有效的风险管理措施，以降低极端事件对投资组合的冲击。Jarque-Bera统计量为289.456，对应的概率为0.000，这强烈拒绝了收益率序列服从正态分布的原假设。这与之前分析的偏度和峰度结果一致，进一步说明沪深综合指数对数收益率序列不服从正态分布，具有非正态性特征。在金融市场中，收益率序列的非正态性是普遍存在的，这对投资决策和风险管理具有重要影响。投资者在进行投资分析和决策时，不能简单地假设收益率服从正态分布，而需要采用更加适合非正态分布数据的分析方法和模型，以提高投资决策的准确性和风险管理的有效性。5.2平稳性检验在进行时间序列分析时，确保数据的平稳性至关重要。许多时间序列模型，如ARMA、ARIMA等，都要求数据具有平稳性。若数据不平稳，直接使用这些模型可能会导致参数估计不准确、模型预测效果不佳等问题。为了确保后续分析的可靠性，我们对沪深综合指数对数收益率序列进行了ADF单位根检验，结果如表2所示。表2：沪深综合指数对数收益率ADF单位根检验结果|检验类型（C,T,K）|ADF统计量|1%临界值|5%临界值|10%临界值|P值|是否平稳||----|----|----|----|----|----|----||（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||检验类型（C,T,K）|ADF统计量|1%临界值|5%临界值|10%临界值|P值|是否平稳||----|----|----|----|----|----|----||（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，检验类型（C,T,K）分别表示检验模型中是否包含常数项（C）、时间趋势项（T）以及滞后阶数（K）。在本次检验中，滞后阶数K根据AIC准则确定，以保证检验结果的准确性。AIC准则是一种衡量统计模型拟合优良性的标准，通过最小化AIC值来选择最优的滞后阶数，使模型既能充分捕捉数据的特征，又避免过拟合。从检验结果可以看出，在三种检验类型下，ADF统计量均大于相应的临界值，且P值均大于0.05。这表明我们不能拒绝原假设，即沪深综合指数对数收益率序列存在单位根，是非平稳的。非平稳的时间序列可能会导致模型估计的偏差和虚假回归问题，因此需要对数据进行处理，使其满足平稳性条件。在实际应用中，若使用非平稳的时间序列进行建模，可能会得出错误的结论。例如，在预测股票价格走势时，若使用非平稳数据建立的模型进行预测，可能会高估或低估股票价格的未来变化，导致投资者做出错误的投资决策。为了使数据平稳，我们对沪深综合指数对数收益率序列进行一阶差分处理。一阶差分是一种常用的数据平稳化方法，通过计算相邻两个观测值之间的差值，消除时间序列中的趋势和季节性成分，使其更接近平稳序列。对一阶差分后的序列再次进行ADF单位根检验，结果如表3所示。表3：一阶差分后沪深综合指数对数收益率ADF单位根检验结果|检验类型（C,T,K）|ADF统计量|1%临界值|5%临界值|10%临界值|P值|是否平稳||----|----|----|----|----|----|----||（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||检验类型（C,T,K）|ADF统计量|1%临界值|5%临界值|10%临界值|P值|是否平稳||----|----|----|----|----|----|----||（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|经过一阶差分处理后，在三种检验类型下，ADF统计量均小于相应的临界值，且P值均小于0.05。这表明我们可以拒绝原假设，即一阶差分后的沪深综合指数对数收益率序列不存在单位根，是平稳的。平稳的时间序列满足大多数时间序列模型的基本假设，为后续使用GARCH(1,1)模型进行波动性分析提供了可靠的数据基础。在使用GARCH(1,1)模型时，平稳的数据能够使模型更准确地估计参数，更好地捕捉数据的波动特征，从而提高模型的预测能力和解释能力。5.3ARCH效应检验在使用GARCH(1,1)模型对沪深综合指数收益率序列进行建模之前，需要先检验序列是否存在ARCH效应。若不存在ARCH效应，使用GARCH类模型可能并不合适。ARCH效应检验的目的是判断时间序列的条件异方差是否存在，即过去的波动对当前波动是否有显著影响。如果存在ARCH效应，则说明序列的方差随时间变化，且与过去的波动相关，适合使用ARCH类模型进行分析。本文采用ARCH-LM检验来判断沪深综合指数对数收益率序列是否存在ARCH效应。ARCH-LM检验通过建立辅助回归模型，检验残差平方序列是否存在自相关。具体步骤如下：首先对沪深综合指数对数收益率序列进行均值方程的估计，得到残差序列\varepsilon_t；然后对残差平方序列\varepsilon_t^2进行自回归，建立辅助回归方程\varepsilon_t^2=\omega+\sum_{i=1}^p\alpha_i\varepsilon_{t-i}^2+\mu_t，其中\mu_t为新的残差项，p为滞后阶数。在实际检验中，根据AIC准则确定滞后阶数p的值，以保证检验结果的准确性和可靠性。对沪深综合指数对数收益率序列进行ARCH-LM检验，结果如表4所示，设定滞后阶数p=5。表4：沪深综合指数对数收益率ARCH-LM检验结果|检验统计量|数值||----|----||F统计量|5.684||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||检验统计量|数值||----|----||F统计量|5.684||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||----|----||F统计量|5.684||Prob(F-statistic)|0.000||Obs*R-squared|25.468||Prob(Chi-Square(5))|0.000||F统计量|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|从检验结果可以看出，F统计量的值为5.684，对应的Prob(F-statistic)值为0.000，远小于0.05；Obs*R-squared统计量的值为25.468，Prob(Chi-Square(5))值也为0.000，同样远小于0.05。这表明在5%的显著性水平下，强烈拒绝原假设，即认为沪深综合指数对数收益率序列存在ARCH效应。这一结果与假设1相符，说明过去的波动对当前波动存在显著影响，呈现出波动集群性，为后续使用GARCH(1,1)模型进行分析提供了有力的支持。由于存在ARCH效应，使用GARCH(1,1)模型能够更好地捕捉沪深综合指数收益率序列的波动性特征，准确刻画波动的时变规律，从而为研究我国股票市场价格波动提供更有效的工具。5.4模型估计结果使用Eviews软件对GARCH(1,1)模型进行估计，得到的参数估计结果如表5所示。表5：GARCH(1,1)模型参数估计结果|参数|估计值|标准差|t统计量|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||参数|估计值|标准差|t统计量|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的估计值为0.00035，t统计量为2.9167，P值为0.0036，在1%的显著性水平下显著。这表明沪深综合指数对数收益率的均值显著不为零，平均来看，在样本期间内，沪深综合指数每日的对数收益率约为0.00035。从经济意义上讲，该均值反映了股票市场在长期内的平均收益水平，虽然数值较小，但体现了股票市场作为一种投资渠道所提供的潜在收益。在条件方差方程中，\omega的估计值为0.000002，t统计量为2.0000，P值为0.0455，在5%的显著性水平下显著。\omega表示长期平均方差，其值虽然较小，但反映了即使在没有新的波动冲击时，沪深综合指数收益率仍存在一定的固有波动。这部分波动可能来自于市场的基本不确定性、投资者的日常交易行为等因素，是市场固有的风险水平。\alpha的估计值为0.1256，t统计量为3.8765，P值为0.0001，在1%的显著性水平下显著。\alpha是ARCH项的系数，它反映了过去一期的残差平方\varepsilon_{t-1}^2对当前条件方差的影响程度。\alpha值越大，说明过去的波动冲击对当前波动的影响越大。在本研究中，\alpha显著不为零且具有一定的数值，表明沪深综合指数收益率序列的波动具有明显的集群性，即过去的波动会对当前波动产生显著影响。当市场在某一时期出现较大波动时，这种波动会在后续短期内持续影响市场，导致波动聚集出现。\beta的估计值为0.8523，t统计量为39.6419，P值为0.0000，在1%的显著性水平下显著。\beta是GARCH项的系数，体现了过去一期的条件方差\sigma_{t-1}^2对当前条件方差的作用。\beta值较大且显著，说明波动具有较强的持续性。当市场出现一次波动后，这种波动状态会持续一段时间，过去的波动对当前波动的影响较为持久。在实际市场中，当市场受到某种冲击导致波动加剧时，后续一段时间内市场仍会保持较高的波动水平，直到有新的因素打破这种状态。此外，\alpha+\beta=0.1256+0.8523=0.9779，非常接近1。这表明沪深综合指数收益率的波动具有很强的持续性，当前的波动不仅受到近期波动冲击的影响，还与过去较长一段时间的波动状况密切相关，且这种波动持续性较强，市场波动一旦形成，很难在短期内迅速消失。5.5波动性特征分析5.5.1波动的集群性根据GARCH(1,1)模型的估计结果，ARCH项系数\alpha为0.1256，且在1%的显著性水平下显著，这表明沪深综合指数收益率序列存在明显的波动集群性。波动集群性是指在股票市场中，较大的波动往往会聚集在一起，较小的波动也会集中出现，呈现出一种波动的聚集现象。当市场在某一时期出现较大幅度的涨跌时，这种波动不会立即消失，而是会在后续一段时间内持续影响市场，导致波动聚集出现。在市场受到重大宏观经济事件影响时，如经济数据公布不及预期，投资者对未来经济形势产生担忧，这种担忧情绪会在市场中持续传播，使得股票价格在一段时间内出现较大波动，并且这种波动会相互影响，呈现出波动集群的特征。从市场机制角度来看，波动集群性的产生与信息的传递和投资者行为密切相关。在股票市场中，信息的传播并非瞬间完成，而是存在一定的时滞和扩散过程。当新的信息出现时，投资者需要时间来收集、分析和消化这些信息，然后根据自己的判断做出投资决策。这种信息处理的过程导致投资者的行为具有一定的一致性和持续性，从而使得市场波动呈现出集群性。当市场上出现利好消息时，投资者会纷纷买入股票，推动股价上涨，这种上涨趋势会吸引更多的投资者跟风买入，进一步推动股价上涨，形成一个正向的波动集群；反之，当利空消息出现时，投资者会恐慌抛售股票，导致股价下跌，这种下跌趋势又会引发更多投资者的抛售行为，形成一个负向的波动集群。波动集群性还与市场的流动性和交易成本有关。在市场波动较大时，投资者的交易行为会更加频繁，市场流动性可能会受到影响，交易成本也可能会增加。较高的交易成本会使得投资者更加谨慎地进行交易，从而进一步加剧了波动的集群性。当市场波动较大时，买卖价差可能会扩大，投资者进行买卖交易时需要支付更高的成本，这使得他们在交易时会更加谨慎，不会轻易进行频繁的买卖操作，导致市场波动在一段时间内持续保持在较高水平，形成波动集群。5.5.2波动的持续性GARCH项系数\beta的估计值为0.8523，在1%的显著性水平下显著，且\alpha+\beta=0.9779非常接近1，这表明沪深综合指数收益率的波动具有很强的持续性。波动持续性是指当前的波动不仅受到近期波动冲击的影响，还与过去较长一段时间的波动状况密切相关，且这种波动持续性较强，市场波动一旦形成，很难在短期内迅速消失。当市场出现一次波动后，这种波动状态会持续一段时间，过去的波动对当前波动的影响较为持久。在实际市场中，当市场受到某种冲击导致波动加剧时，后续一段时间内市场仍会保持较高的波动水平，直到有新的因素打破这种状态。当市场受到突发的重大事件冲击，如金融危机爆发，市场信心受到严重打击，股票价格大幅下跌，这种下跌趋势会持续一段时间，市场在较长时间内都处于高波动状态。即使在事件发生后的一段时间内，宏观经济基本面没有发生明显变化，但市场投资者的恐慌情绪依然存在，他们对市场前景的担忧导致交易行为更加谨慎，买卖双方的博弈使得市场波动持续维持在较高水平。波动持续性对市场有着重要的影响。从投资者角度来看，波动持续性增加了投资决策的难度和风险。由于市场波动持续存在，投资者很难准确判断市场何时会恢复平稳，从而难以把握投资时机。在市场处于高波动持续期时，投资者如果贸然买入股票，可能会面临股价继续下跌的风险；而如果选择卖出股票，又可能错过市场反弹的机会。波动持续性也为投资者提供了一定的交易机会。对于那些擅长把握市场趋势的投资者来说，他们可以利用波动持续性，在市场波动初期做出正确的投资决策，从而获取收益。从市场整体角度来看，波动持续性会影响市场的稳定性和有效性。长期的高波动持续性可能会导致市场信心下降，投资者对市场的信任度降低，从而影响市场的正常运行。波动持续性还可能引发市场的过度反应，使得市场价格偏离其内在价值，降低市场的有效性。在市场波动持续上升阶段，投资者的过度乐观情绪可能会导致股价被高估，形成市场泡沫；而在波动持续下降阶段，投资者的过度悲观情绪又可能导致股价被低估，市场资源配置效率降低。5.5.3波动的非对称性为了进一步研究沪深综合指数收益率波动的非对称性，我们引入EGARCH模型进行分析。EGARCH模型能够有效捕捉金融市场中利好消息（正的收益率冲击）和利空消息（负的收益率冲击）对市场波动的不同影响。对沪深综合指数收益率序列进行EGARCH(1,1)模型估计，结果如表6所示。表6：EGARCH(1,1)模型参数估计结果|参数|估计值|标准差|t统计量|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||参数|估计值|标准差|t统计量|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