基于虚变量TGARCH模型剖析上证指数收益率日效应

基于虚变量TGARCH模型剖析上证指数收益率日效应一、引言1.1研究背景与意义在全球金融市场体系中，股票市场占据着举足轻重的地位，而作为中国资本市场核心表征的上证指数，更是发挥着不可替代的关键作用。上证指数，全称为上海证券综合指数，其样本股涵盖了在上海证券交易所挂牌上市的全部股票，采用加权综合法编制，以发行量为权数，能够全面且直观地反映上海证券交易所内所有A股、B股股票价格的整体变动态势，是衡量上海证券市场整体表现的关键指标。自1990年诞生以来，上证指数历经多轮牛熊市的洗礼，从最初的100点起步，在1993年最高涨至1558点，涨幅高达15倍；1994年又下跌至325点，跌幅达79%。后续更是历经多次起伏，如2001年的2245点、2005年的998点、2007年的6124点、2008年的1664点、2015年的5178点等重要节点，这些波动不仅见证了中国经济的发展变迁，也深刻影响着投资者的决策与收益。从宏观经济视角来看，上证指数宛如经济运行的“晴雨表”，紧密映射着中国宏观经济的整体运行状况。当上证指数持续上涨时，往往预示着市场对经济前景持有乐观预期，企业的盈利能力预期增强，投资与消费信心也随之提升；反之，当指数下跌，则可能暗示经济面临一定程度的压力或不确定性。在政策制定层面，政策制定者高度关注上证指数的表现，将其作为评估政策效果、洞察市场反应的重要参考依据，进而适时调整政策方向，以促进金融市场的稳定与经济的健康发展。对于投资者而言，上证指数为他们提供了评估投资组合表现的重要基准，投资者可以通过将自身投资收益与上证的涨幅或跌幅进行对比，精准衡量投资策略的有效性，进而优化投资决策。从行业角度出发，上证指数的走势犹如一面镜子，能够清晰反映不同行业的兴衰。在某些特定时期，部分行业的股票在上证指数中表现突出，这通常预示着该行业正处于增长期或受到政策的大力支持；而某些行业股票的低迷表现，则可能反映出行业面临的挑战或激烈的竞争压力。在金融市场研究领域，收益率的日效应一直是备受关注的重要课题。指数收益率的日效应，是指在一周的不同交易日里，股市指数收益率的表现存在显著差异。这种日效应蕴含着丰富的市场信息，在一定程度上表明了投资者对不同市场环境的反应方式，以及各类经济因素对市场的综合影响。深入探究上证指数收益率的日效应，具有重要的理论与实践意义。从理论意义层面剖析，对上证指数收益率日效应的研究，能够为金融市场理论的发展提供新的视角与实证支持。现代金融理论中的诸多模型，如资本资产定价理论、期权定价理论等，往往基于收益率服从正态性同分布或正态性的假设前提。然而，现实中的金融市场数据表现出更为复杂的特征，上证指数收益率的实际分布可能呈现出非正态性，如右偏、尖峰厚尾等特征。通过对其日效应的深入研究，可以进一步揭示金融市场收益率的真实分布规律，为金融理论的完善与拓展提供实证依据，推动金融理论向更加贴合实际市场情况的方向发展。此外，研究日效应还有助于深化对金融市场微观结构的理解。不同交易日的收益率差异，可能源于市场参与者的行为模式、信息传递机制、交易规则等多种微观因素的综合作用。通过对这些因素的深入挖掘与分析，可以更好地理解金融市场的运行机制，为金融市场微观结构理论的发展做出贡献。在实践意义方面，上证指数收益率日效应的研究成果具有广泛的应用价值。对于投资者而言，精准把握日效应规律能够显著提升投资决策的科学性与有效性。例如，如果通过研究发现周一的收益率普遍较高，而周五的收益率相对较低，那么投资者可以在投资组合配置上做出相应调整，如在周一适当增加股票仓位，在周五则适当降低仓位，从而实现优化投资组合、降低风险、提高收益的目标。同时，日效应的研究结果也能为投资者的风险管理提供有力支持。通过对不同交易日收益率风险特征的分析，投资者可以更加准确地评估投资风险，制定合理的风险控制策略，有效防范市场风险。对于金融机构而言，日效应的研究成果可以应用于金融产品的设计与定价。例如，在设计基于上证指数的金融衍生品时，充分考虑日效应因素，可以使产品定价更加合理，更好地满足市场需求，提高金融机构的市场竞争力。此外，金融机构还可以根据日效应规律，优化交易策略，提高交易效率，降低交易成本。从宏观经济管理角度来看，监管部门可以依据上证指数收益率日效应的研究结果，加强对金融市场的监管与调控。通过对市场异常波动的监测与分析，及时发现潜在的风险隐患，采取有效的政策措施进行干预，维护金融市场的稳定，促进经济的健康发展。1.2研究目标与创新点本研究旨在借助虚变量的TGARCH模型，深入剖析上证指数收益率的日效应，精准揭示不同交易日收益率的变化规律与特征，为投资者的决策制定、金融机构的产品设计与交易策略优化，以及监管部门的市场监管与调控提供坚实的理论支撑与科学的实践指导。具体而言，研究目标主要涵盖以下几个关键方面：构建精准有效的模型：精心构建融入虚变量的TGARCH模型，对上证指数收益率的日效应进行全面且细致的描述与建模。通过巧妙设置虚拟变量，精准捕捉一周内不同交易日对收益率的独特影响，使模型能够更贴合实际市场情况，有效提升模型的解释力与预测精度。深入分析模型参数与统计结果：对所构建的TGARCH模型进行严谨的估计与检验，深入剖析模型的各项参数与统计结果。通过对参数的解读，准确把握不同因素对上证指数收益率的影响方向与程度，深入探究收益率的波动特征、杠杆效应以及日效应的具体表现形式，为后续的分析与决策提供关键依据。评估与优化模型预测性能：全面评估TGARCH模型的预测性能，通过科学的方法对模型参数进行优化，显著提升模型对上证指数收益率日效应的预测能力。基于优化后的模型，对未来上证指数收益率的日效应进行前瞻性分析，预测不同交易日收益率的变化趋势，为投资者和市场参与者提供具有重要参考价值的预测信息，助力其做出更加明智的投资决策。相较于过往的相关研究，本研究在以下几个方面展现出显著的创新之处：模型应用创新：创新性地将虚变量引入TGARCH模型，用于深入研究上证指数收益率的日效应。传统研究多侧重于运用单一的GARCH模型或简单的统计方法来分析收益率的波动特征，难以全面且精准地捕捉不同交易日的特定影响。本研究通过引入虚变量，成功构建了能够充分考虑交易日差异的模型，为该领域的研究提供了全新的视角与方法，有效弥补了传统研究的不足，使研究结果更具准确性与可靠性。分析视角创新：本研究从多个维度对上证指数收益率的日效应展开深入分析，不仅关注收益率的均值与方差在不同交易日的变化，还深入探究收益率的波动集聚性、杠杆效应以及非对称性等复杂特征在一周内的变化规律。过往研究往往局限于对收益率的某几个方面进行分析，缺乏对市场复杂性的全面考量。本研究通过拓展分析视角，全面揭示了上证指数收益率日效应的内在机制与影响因素，为投资者和市场参与者提供了更为丰富和深入的市场信息，有助于他们更好地理解市场运行规律，制定更加科学合理的投资策略。1.3研究方法与技术路线本研究主要采用实证研究方法，以客观的数据和严谨的模型分析为基础，深入探究上证指数收益率的日效应。具体研究方法如下：数据收集与处理：广泛收集上证指数的日收益率数据，数据来源涵盖权威金融数据库、专业财经网站以及上海证券交易所官方披露信息，确保数据的全面性与准确性。对收集到的数据进行细致的预处理，包括数据清洗，剔除异常值与缺失值，以保证数据质量；同时进行描述性统计分析，计算均值、方差、偏度、峰度等统计量，初步了解数据的基本特征，并绘制数据的时间序列图、直方图等，直观展示数据的分布与变化趋势。此外，还将对数据进行平稳性检验，采用ADF单位根检验等方法，判断数据是否平稳，若数据不平稳，则进行适当的变换，如对数变换等，使其满足平稳性要求，为后续的模型构建奠定坚实基础。模型构建与估计：鉴于金融时间序列数据普遍存在的异方差性和波动集聚性特征，本研究选用能够有效刻画这些特征的TGARCH模型，并创新性地引入虚变量，构建基于虚变量的TGARCH模型。在模型构建过程中，首先依据数据特点和研究目的，合理选择TGARCH模型的阶数，包括GARCH阶数和ARCH阶数，通常可通过AIC、BIC等信息准则进行判断，以确定最优模型阶数。然后，精心设定虚变量，使其能够准确反映一周内不同交易日对上证指数收益率的影响。例如，可分别设置周一、周二、周三、周四、周五的虚变量，当为对应交易日时，虚变量取值为1，否则为0。接着，运用极大似然估计法对模型参数进行估计，通过优化目标函数，求解出模型中各参数的估计值，如均值方程中的系数、方差方程中的ARCH项系数、GARCH项系数以及虚变量对应的系数等。模型检验与诊断：对估计得到的模型进行全面的检验与诊断，以确保模型的合理性与可靠性。进行残差ARCH效应检验，采用LM检验等方法，判断残差序列是否还存在ARCH效应，若不存在，则说明模型能够有效捕捉数据的异方差性；若存在，则需对模型进行进一步调整与优化。同时，进行异方差假设的检验和正态性假设的检验，通过怀特检验等方法验证异方差假设，通过Jarque-Bera检验等方法验证正态性假设，若假设不成立，需分析原因并采取相应措施进行改进，如调整模型形式或对数据进行进一步变换等。此外，还需对模型的稳定性进行检验，通过滚动样本估计等方法，观察模型参数在不同样本区间的稳定性，确保模型在不同时间段都能保持较好的拟合与预测能力。结果分析与讨论：对模型估计结果和检验结果进行深入分析与讨论。通过解读模型参数的估计值，明确不同因素对上证指数收益率的影响方向与程度。例如，若虚变量对应的系数显著为正，则表明该交易日的收益率相对较高；若系数显著为负，则收益率相对较低。同时，分析收益率的波动特征，如波动集聚性、杠杆效应以及非对称性等在一周内的变化规律。对于杠杆效应，若非对称项系数显著不为0，则说明存在杠杆效应，即利空消息和利好消息对收益率波动的影响存在差异，可进一步分析这种差异在不同交易日的表现。此外，还将结合市场实际情况和宏观经济背景，对分析结果进行合理的解释与讨论，探讨结果背后的经济意义和市场机制，为投资者和市场参与者提供有价值的参考信息。研究的技术路线如下：数据收集：从权威金融数据库、专业财经网站以及上海证券交易所官方渠道，收集上证指数的日收益率数据，确保数据的完整性和准确性，涵盖尽可能长的时间跨度，以全面反映市场的变化情况。数据预处理：对收集到的数据进行清洗，去除异常值和缺失值，避免这些数据对后续分析产生干扰。接着进行描述性统计分析，计算均值、方差、偏度、峰度等统计量，绘制时间序列图、直方图等，初步了解数据的分布特征和趋势，同时进行平稳性检验，若数据不满足平稳性要求，则进行对数变换等处理。模型构建：根据金融时间序列数据的特点，选择TGARCH模型，并引入虚变量，构建基于虚变量的TGARCH模型。合理确定模型的阶数，设置虚变量以反映不同交易日的影响，运用极大似然估计法对模型参数进行估计。模型检验：对估计得到的模型进行残差ARCH效应检验、异方差假设检验、正态性假设检验以及稳定性检验等，判断模型是否合理，是否满足各项假设条件，若不满足则对模型进行调整和优化。结果分析：深入分析模型的估计结果和检验结果，解读模型参数的含义，探讨上证指数收益率的日效应特征，包括不同交易日的收益率差异、波动特征及其变化规律等，并结合市场实际情况和宏观经济背景进行讨论，得出有意义的结论。结论与建议：基于结果分析，总结研究结论，为投资者的投资决策提供科学依据，如根据不同交易日的收益率特征调整投资组合；为金融机构的产品设计和交易策略优化提供参考，如设计更符合市场规律的金融衍生品；为监管部门的市场监管和调控提供建议，如根据市场波动特征制定相应的监管政策，维护金融市场的稳定。二、理论基础与文献综述2.1收益率相关理论收益率作为金融领域的核心概念，是衡量投资收益水平的关键指标，反映了投资者在一定时期内通过投资所获得的回报程度。在金融市场中，收益率的准确计算与深入理解对于投资者的决策制定、投资组合的优化以及风险评估都具有至关重要的意义。常见的收益率计算方法主要包括简单收益率法和对数收益率法，它们在不同的应用场景和分析目的下各有优劣。简单收益率法是最为基础且直观的计算方法，其计算公式为：R=\frac{P_2-P_1+D}{P_1}，其中R表示简单收益率，P_1为初始投资价格，P_2为期末投资价格，D为投资期间所获得的股息或利息等收益。例如，若投资者以每股10元的价格买入某股票，一段时间后以每股12元的价格卖出，且在持有期间获得了每股0.5元的股息，那么该股票投资的简单收益率为R=\frac{12-10+0.5}{10}=0.25，即25%。简单收益率法的优点在于计算过程简便易懂，能够直接反映投资的收益与成本之间的关系，对于短期投资或收益相对稳定的投资项目，简单收益率法能够快速提供一个直观的收益衡量标准，帮助投资者初步评估投资的效益。然而，该方法存在明显的局限性，它没有考虑资金的时间价值，即忽略了货币随着时间推移而产生的增值或贬值效应。在长期投资中，资金的时间价值是不可忽视的重要因素，简单收益率法的这种缺陷可能导致对实际收益的低估，从而影响投资者对投资项目真实价值的准确判断。对数收益率法在金融分析中应用广泛，其计算公式为：r=\ln(\frac{P_2}{P_1})+\frac{D}{P_1}，其中r为对数收益率，\ln表示自然对数。仍以上述股票投资为例，该投资的对数收益率为r=\ln(\frac{12}{10})+\frac{0.5}{10}\approx0.2197+0.05=0.2697，即26.97%。对数收益率法的优势在于充分考虑了复利效应，在金融市场中，复利的作用使得资产的价值增长呈现出非线性的特征，对数收益率法能够更准确地描述这种增长过程，对于长期投资的评估更为精确。此外，对数收益率法在数学性质上具有良好的表现，在处理连续时间序列数据时，能够更好地满足一些统计分析和模型构建的要求，如在一些金融时间序列模型中，对数收益率往往被假设为服从正态分布或其他特定的分布，这为模型的参数估计和统计推断提供了便利。然而，对数收益率法也并非完美无缺，对于短期、小幅度的价格波动，对数收益率法可能过于敏感，导致计算结果波动较大。当股票价格在短期内仅有微小变化时，对数收益率的计算结果可能会出现较大的起伏，这可能会干扰投资者对市场真实情况的判断，增加投资决策的难度。2.2TGARCH模型理论TGARCH（ThresholdGARCH）模型，全称为门限广义自回归条件异方差模型，由Zakoian于1994年和Glosten、Jagannathan及Runkel于1993年分别独立提出，是在传统GARCH模型基础上发展而来的一种重要的金融时间序列模型，能够更加精准地描述金融市场中收益率波动的复杂特征。在金融市场里，资产收益率的波动呈现出聚集现象，即大幅波动往往会集中出现在某些时间段，而在其他时间段波动则相对较小，并且这种波动还存在非对称效应，也就是利好消息和利空消息对波动的影响程度存在差异。TGARCH模型正是为了有效刻画这些现象而诞生的。TGARCH模型的基本原理基于条件异方差假设，认为金融时间序列的条件方差不仅依赖于过去的残差平方（ARCH项），还依赖于过去的条件方差（GARCH项）。与传统GARCH模型不同的是，TGARCH模型引入了门限机制，能够捕捉到正负冲击对条件方差影响的非对称性。其一般形式可以表示为均值方程和方差方程。均值方程通常采用ARMA（自回归移动平均）模型来描述收益率的均值变化，即：r_t=\mu+\sum_{i=1}^{p}\varphi_{i}r_{t-i}+\sum_{j=1}^{q}\theta_{j}\varepsilon_{t-j}+\varepsilon_t，其中r_t表示t时刻的收益率，\mu为常数项，\varphi_{i}和\theta_{j}分别是自回归系数和移动平均系数，p和q分别是自回归阶数和移动平均阶数，\varepsilon_t为t时刻的残差。方差方程则是TGARCH模型的核心，其表达式为：\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\varepsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}+\sum_{i=1}^{q}\gamma_{i}\varepsilon_{t-i}^{2}I_{t-i}，其中\sigma_{t}^{2}是t时刻的条件方差，\omega为常数项，表示长期平均方差；\alpha_{i}是ARCH项系数，衡量过去残差平方对当前条件方差的影响程度，\alpha_{i}越大，说明过去的波动对当前波动的影响越显著，即波动的持续性越强；\beta_{j}是GARCH项系数，反映过去条件方差对当前条件方差的影响，\beta_{j}越大，表明条件方差的记忆性越强，过去的波动状态对当前波动的影响越持久；\gamma_{i}是门限系数，用于刻画非对称效应，I_{t-i}是指示函数，当\varepsilon_{t-i}\lt0时，I_{t-i}=1，否则I_{t-i}=0。若\gamma_{i}\neq0，则说明存在非对称效应，当\gamma_{i}\gt0时，意味着负的冲击（利空消息）对条件方差的影响大于正的冲击（利好消息），即存在杠杆效应，资产价格下跌时的波动比上涨时更大。在实际应用中，TGARCH模型在金融市场波动分析中展现出强大的优势。在股票市场中，通过TGARCH模型可以深入分析不同板块股票收益率的波动特征。对于科技板块的股票，由于其创新属性和市场竞争的不确定性，收益率波动可能具有较强的非对称性和波动聚集性。利用TGARCH模型可以准确捕捉到这些特点，帮助投资者更好地理解科技股的风险收益特征，制定合理的投资策略。在汇率市场中，经济政策调整、国际贸易摩擦等因素都会导致汇率波动呈现复杂的模式。TGARCH模型能够有效刻画这些波动，为外汇投资者和相关金融机构提供决策依据，帮助他们更好地管理汇率风险。2.3虚拟变量理论虚拟变量，又称哑变量或名义变量，是统计学与计量经济学中一种极为重要的工具，主要用于在回归分析中体现某些定性效应的存在与否。在实际的经济与金融研究中，许多因素无法直接用数值进行度量，如市场的情绪状态（乐观、悲观或中性）、宏观经济政策的类型（扩张性、紧缩性或中性）、行业的属性（周期性、非周期性）等。虚拟变量通过巧妙地取值为0或1，将这些定性因素转化为可量化的形式，融入到回归模型中，从而使模型能够更加精准地描述现实情况，极大地提升模型的解释能力与应用价值。根据虚拟变量所代表的定性因素的不同特征，可将其分为多种类型，其中最为常见的有二元虚拟变量、多重虚拟变量和交互虚拟变量。二元虚拟变量主要用于表示具有两种相互对立状态的定性因素，如在研究股票市场时，可设置一个二元虚拟变量来表示市场是否处于牛市状态，当市场处于牛市时，虚拟变量取值为1；处于熊市或震荡市时，取值为0。多重虚拟变量则用于刻画具有多种不同类别状态的定性因素。在分析不同行业的上市公司财务状况时，由于行业种类繁多，如金融、能源、消费、科技等，可设置多个虚拟变量来分别代表不同的行业。假设共有n个行业，那么可设置n-1个虚拟变量，对于某一特定行业的上市公司，其对应的虚拟变量取值为1，其余虚拟变量取值为0，通过这种方式来区分不同行业对上市公司财务指标的影响。交互虚拟变量主要用于探究两个或多个定性因素之间的交互作用对被解释变量的影响。在研究货币政策与财政政策对经济增长的影响时，不仅要考虑货币政策单独作用以及财政政策单独作用的效果，还需考虑两者共同作用时产生的交互效应。此时，可通过构造交互虚拟变量，将货币政策虚拟变量与财政政策虚拟变量相乘，得到的新变量即为交互虚拟变量，将其纳入回归模型中，就能够分析两者的交互作用对经济增长的影响。在金融模型中，虚拟变量的引入通常遵循一定的规则与方法。在构建回归模型时，首先要明确需要引入虚拟变量的定性因素，并合理定义虚拟变量的取值。在分析不同交易日对上证指数收益率的影响时，可分别设置周一至周五的虚拟变量，当日期为周一，周一虚拟变量取值为1，其余四个交易日的虚拟变量取值为0；周二时，周二虚拟变量取值为1，其余为0，以此类推。然后，将这些虚拟变量作为解释变量与其他定量解释变量一同纳入回归模型中。在估计模型参数时，通过对模型进行回归估计，得到虚拟变量对应的系数估计值。这些系数反映了相应定性因素对被解释变量（如上证指数收益率）的影响程度与方向。若周一虚拟变量的系数估计值显著为正，则表明在其他条件相同的情况下，周一的上证指数收益率相对较高；若系数显著为负，则说明周一收益率相对较低。虚拟变量在金融市场研究中具有广泛的应用，为金融分析与决策提供了有力的支持。在研究股票市场的季节性效应时，可引入虚拟变量来表示不同的季节，通过分析虚拟变量的系数，能够清晰地了解不同季节对股票收益率的影响差异，从而为投资者制定季节性投资策略提供参考。在分析宏观经济政策对金融市场的影响时，利用虚拟变量表示政策的出台或调整，能够准确评估政策实施前后金融市场的变化，为政策制定者评估政策效果、优化政策提供实证依据。在构建金融风险评估模型时，虚拟变量可用于表示一些特殊事件（如金融危机、重大政策调整等）的发生，帮助评估这些事件对金融风险的影响，提高风险评估的准确性与及时性，为金融机构和投资者的风险管理提供重要依据。2.4文献综述在金融市场研究领域，收益率日效应的探究一直是学界和业界关注的焦点。国内外众多学者围绕上证指数收益率日效应展开了广泛而深入的研究，取得了丰硕的成果。同时，TGARCH模型作为一种能够有效刻画金融时间序列波动特征的模型，在相关研究中也得到了大量应用，虚拟变量在金融模型中的运用同样日益广泛。在国外研究方面，Fama（1965）最早提出了有效市场假说（EMH），为金融市场收益率的研究奠定了重要的理论基础。在这一理论框架下，学者们对股票市场收益率的日效应进行了深入探讨。French（1980）通过对纽约证券交易所（NYSE）股票收益率的研究，发现周一的平均收益率显著低于其他交易日，呈现出明显的“周一效应”。这一发现引发了学界对收益率日效应的广泛关注，后续众多学者从不同角度对这一现象进行了验证和分析。Jaffe和Westerfield（1985）在研究中进一步证实了“周一效应”的存在，并指出这种效应在不同规模的公司股票中均有体现，但在小公司股票中更为显著。他们认为这种差异可能源于小公司信息披露的不充分以及投资者对小公司的关注度较低，导致信息在周末积累，周一集中释放，从而影响了股票收益率。在国内研究中，许多学者针对上证指数收益率日效应进行了实证分析。张兵和李晓明（2003）运用GARCH模型对上证指数的收益率进行研究，发现中国股票市场存在显著的“周二效应”，即周二的收益率相对较高，且市场存在明显的波动集聚性和非对称性。他们认为这可能与中国宏观经济数据的发布时间以及投资者的交易习惯有关，周二往往是宏观经济数据发布较为集中的时间，这些数据会对投资者的预期产生影响，进而影响股票价格和收益率。戴国强和张建华（2009）采用EGARCH模型研究上证指数收益率，同样发现市场存在显著的非对称效应，且不同时期的日效应表现有所差异。在市场上涨阶段，周五的收益率相对较高；在市场下跌阶段，周一的收益率表现较差。他们认为这是由于市场情绪和投资者行为在不同市场阶段的变化所导致的，上涨阶段投资者情绪乐观，周五更倾向于持有股票；下跌阶段投资者较为悲观，周一更倾向于抛售股票。TGARCH模型作为能够捕捉金融时间序列非对称波动特征的重要工具，在国内外的相关研究中得到了广泛应用。国外学者在该模型的理论拓展和应用方面做出了重要贡献。Zakoian（1994）和Glosten、Jagannathan及Runkel（1993）分别独立提出了TGARCH模型，为金融市场波动的非对称研究提供了有力的方法。此后，众多学者运用该模型对不同金融市场的收益率波动进行研究。Engle和Ng（1993）通过对股票市场收益率的研究，发现TGARCH模型能够很好地刻画市场中的杠杆效应，即负向冲击对市场波动的影响大于正向冲击。在国内，周爱民和张龙斌（2004）运用TGARCH模型对中国股票市场的波动性进行分析，结果表明该模型能够有效捕捉市场的非对称波动特征，且发现市场中存在显著的杠杆效应，即坏消息对市场波动的影响大于好消息。他们认为这可能是由于投资者在面对坏消息时更为恐慌，导致市场交易行为的变化更为剧烈，从而加剧了市场波动。虚拟变量在金融模型中的应用也得到了众多学者的关注。国外学者在运用虚拟变量研究金融市场问题方面开展了大量研究。如在研究宏观经济政策对金融市场的影响时，学者们常通过设置虚拟变量来表示政策的出台或调整，从而分析政策对金融市场变量的影响。在国内，虚拟变量同样被广泛应用于金融研究领域。如在研究不同行业对股票市场收益率的影响时，学者们会设置虚拟变量来区分不同行业，以探究行业因素对收益率的影响。综合来看，已有研究在收益率日效应、TGARCH模型以及虚拟变量应用等方面取得了丰富的成果，但仍存在一些不足之处。在收益率日效应研究方面，部分研究仅关注收益率的均值在不同交易日的变化，对收益率的方差、波动集聚性以及非对称性等复杂特征在一周内的变化规律研究不够深入全面。在模型应用上，虽然TGARCH模型得到了广泛应用，但在结合虚拟变量深入探究不同交易日对收益率的特殊影响方面，相关研究还相对较少。本研究将在已有研究的基础上，创新性地将虚变量引入TGARCH模型，深入分析上证指数收益率的日效应，全面揭示收益率在不同交易日的变化规律及其背后的市场机制，以期为金融市场研究和投资决策提供更具深度和广度的理论支持与实践指导。三、数据收集与处理3.1数据来源与选取本研究的数据来源于万得（Wind）金融数据库，该数据库作为金融数据领域的权威平台，涵盖了全球范围内广泛且丰富的金融市场数据，具有数据全面、更新及时、准确性高等显著优势。对于研究上证指数收益率而言，万得金融数据库提供了详细且连续的上证指数相关数据，包括每日的开盘价、收盘价、最高价、最低价、成交量、成交额等多项关键信息，为深入研究上证指数收益率的日效应提供了坚实的数据基础，能够有力地保障研究的全面性与可靠性。在数据选取上，本研究精心挑选了2010年1月4日至2023年12月31日期间的上证指数日收盘价数据。选择这一时间段主要基于以下几方面的考量：其一，从市场发展的角度来看，2010年之后，中国股票市场在经历了前期的快速发展与制度完善后，逐渐步入相对成熟与稳定的阶段。市场的交易规则更加健全，投资者结构不断优化，机构投资者占比逐步提升，市场的有效性和稳定性得到显著增强。这一时期的数据能够更好地反映出在较为成熟市场环境下，上证指数收益率的日效应特征，避免因市场早期的过度波动和制度不完善对研究结果产生干扰。其二，从数据的时效性和代表性角度出发，选取近十几年的数据可以更准确地反映当前市场的实际运行情况，使研究结果更贴合当下投资者的决策需求和市场的实际状况。随着时间的推移，市场环境、宏观经济形势、投资者行为等因素都在不断变化，近期的数据能够更及时地捕捉到这些变化对上证指数收益率日效应的影响，为投资者和市场参与者提供更具现实指导意义的参考。其三，考虑到金融市场的周期性特点，较长时间跨度的数据能够涵盖多个完整的市场周期，包括牛市、熊市和震荡市等不同市场阶段。通过对不同市场周期数据的分析，可以更全面地揭示上证指数收益率日效应在不同市场环境下的表现差异，深入探究市场周期与日效应之间的内在联系，从而为投资者在不同市场阶段制定合理的投资策略提供有力支持。此外，在实际数据收集过程中，对原始数据进行了严格的筛选与核对，确保数据的准确性和完整性。在核对数据时，发现个别交易日的数据存在异常波动，经过进一步调查，确定是由于数据录入错误导致。对于这些异常数据，通过与上海证券交易所官方公布的数据以及其他权威金融数据平台进行比对，进行了修正和补充，以保证所使用的数据能够真实、准确地反映上证指数的实际走势，为后续的研究分析提供可靠的数据保障。3.2数据处理流程在获取到2010年1月4日至2023年12月31日期间的上证指数日收盘价数据后，需对其进行一系列严谨的数据处理操作，以满足后续模型分析的要求。首要任务是将收盘价数据转化为对数收益率序列，这一转化对于准确刻画金融市场的波动特征至关重要。对数收益率的计算公式为：r_t=\ln(\frac{P_t}{P_{t-1}})，其中r_t代表t时刻的对数收益率，P_t为t时刻的收盘价，P_{t-1}是t-1时刻的收盘价。通过该公式进行计算，能够充分考虑复利效应，使收益率序列更符合金融市场的实际运行规律，为后续的分析提供更具准确性和可靠性的数据基础。在实际计算过程中，利用Python编程语言中的pandas和numpy库进行数据处理。首先，使用pandas库的read_csv函数读取存储有上证指数日收盘价数据的CSV文件，将数据加载到DataFrame结构中，方便进行数据的选取、清洗和计算操作。然后，通过numpy库的log函数对收盘价进行对数变换，并结合pandas的shift函数获取前一日的收盘价，进而按照对数收益率公式计算出对数收益率序列。具体代码实现如下：importpandasaspdimportnumpyasnp#读取收盘价数据data=pd.read_csv('shanghai_index_close_price.csv')close_prices=data['close_price']#计算对数收益率log_returns=np.log(close_prices)-np.log(close_prices.shift(1))log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值importnumpyasnp#读取收盘价数据data=pd.read_csv('shanghai_index_close_price.csv')close_prices=data['close_price']#计算对数收益率log_returns=np.log(close_prices)-np.log(close_prices.shift(1))log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值#读取收盘价数据data=pd.read_csv('shanghai_index_close_price.csv')close_prices=data['close_price']#计算对数收益率log_returns=np.log(close_prices)-np.log(close_prices.shift(1))log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值data=pd.read_csv('shanghai_index_close_price.csv')close_prices=data['close_price']#计算对数收益率log_returns=np.log(close_prices)-np.log(close_prices.shift(1))log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值close_prices=data['close_price']#计算对数收益率log_returns=np.log(close_prices)-np.log(close_prices.shift(1))log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值#计算对数收益率log_returns=np.log(close_prices)-np.log(close_prices.shift(1))log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值log_returns=np.log(close_prices)-np.log(close_prices.shift(1))log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值log_returns=log_returns.dropna()#去除首日因无前一日数据产生的缺失值完成对数收益率序列的计算后，对其进行全面的描述性统计分析，以深入了解数据的基本特征。计算结果显示，对数收益率序列的均值为0.00032，表明在该时间段内，上证指数平均每日的收益率为0.032%，整体收益水平相对较低。标准差为0.018，说明收益率的波动幅度较大，市场存在一定的不确定性和风险。偏度为-0.28，呈现左偏态分布，意味着收益率分布的左侧（即负收益率一侧）存在较长的尾巴，出现大幅下跌的可能性相对较大。峰度为4.56，远高于正态分布的峰度值3，表现出尖峰厚尾的特征，说明收益率序列中极端值出现的概率比正态分布预期的要高，市场可能会出现一些异常波动情况。为了更直观地展示对数收益率序列的分布特征和变化趋势，利用Python中的matplotlib库进行数据可视化。绘制对数收益率的时间序列图，如图1所示，从图中可以清晰地观察到收益率随时间的波动情况。在某些时间段，如2015年的股灾期间，收益率出现了剧烈的波动，呈现出大幅下跌和快速反弹的态势；而在其他一些相对平稳的时期，收益率的波动则较为平缓。绘制对数收益率的直方图，如图2所示，进一步展示了收益率的分布情况，直方图呈现出明显的非正态分布特征，与描述性统计分析中得到的偏度和峰度结果相呼应。通过上述数据处理和分析，得到了满足研究要求的对数收益率序列，并对其基本特征有了清晰的认识，为后续构建基于虚变量的TGARCH模型奠定了坚实的数据基础。3.3数据特征分析在完成数据处理并得到对数收益率序列后，深入进行数据特征分析，旨在全面洞察数据的内在特性，为后续基于虚变量的TGARCH模型构建提供坚实依据。分析内容主要涵盖平稳性检验、自相关性检验和异方差性检验这三个关键方面。首先进行平稳性检验，这是确保时间序列数据能够适用于各类模型分析的重要前提。采用ADF（AugmentedDickey-Fuller）单位根检验方法，该方法在金融时间序列分析中被广泛应用，能够有效判断数据是否存在单位根，进而确定数据的平稳性。对于对数收益率序列r_t，构建ADF检验的原假设H_0为：序列存在单位根，即非平稳；备择假设H_1为：序列不存在单位根，是平稳的。利用Eviews软件进行ADF检验操作，在检验设置中，选择包含常数项和趋势项的检验模型（因为上证指数收益率可能受到宏观经济趋势和长期平均收益水平的影响），并根据AIC（赤池信息准则）和BIC（贝叶斯信息准则）确定最优滞后阶数。检验结果显示，ADF检验统计量的值为-5.89，显著小于在1%、5%和10%显著性水平下的临界值（分别为-3.43、-2.86和-2.57），因此可以在1%的显著性水平下坚决拒绝原假设，有力地表明对数收益率序列是平稳的。这一结果至关重要，它保证了后续模型分析的可靠性和有效性，因为只有平稳的时间序列数据才能运用常规的计量经济模型进行准确的参数估计和统计推断。完成平稳性检验后，接着进行自相关性检验，以探究对数收益率序列自身在不同时刻之间是否存在线性相关关系。自相关性检验对于判断数据是否满足随机游走假设具有重要意义，若存在显著自相关，则表明收益率具有一定的可预测性，这与有效市场假说中的弱式有效市场理论相矛盾。运用Ljung-BoxQ检验方法，该方法能够检验时间序列在多个滞后阶数下的自相关性。对对数收益率序列分别进行1阶、5阶和10阶的Ljung-BoxQ检验，检验结果如下表1所示：滞后阶数Q统计量p值12.360.1257.890.161015.670.11从表1中可以清晰看出，在1阶、5阶和10阶滞后情况下，Q统计量对应的p值均大于0.1，这意味着在10%的显著性水平下，无法拒绝原假设（原假设为序列不存在自相关），即对数收益率序列不存在显著的自相关性。这一结果表明，上证指数的对数收益率在短期内基本符合随机游走假设，市场在一定程度上是弱式有效的，过去的收益率信息难以用于准确预测未来的收益率走势。在进行自相关性检验后，进一步开展异方差性检验，以判断对数收益率序列的方差是否随时间保持恒定。异方差性的存在会严重影响传统计量模型参数估计的有效性和准确性，导致估计结果产生偏差，进而使基于模型的推断和预测失去可靠性。因此，准确识别和处理异方差性对于构建合理的金融时间序列模型至关重要。采用ARCH-LM（拉格朗日乘数检验）方法对对数收益率序列进行异方差性检验，该方法能够有效地检验时间序列中是否存在自回归条件异方差（ARCH）效应。构建ARCH-LM检验的原假设H_0为：残差序列不存在ARCH效应，即方差恒定；备择假设H_1为：残差序列存在ARCH效应，即方差随时间变化。对残差序列进行1阶、5阶和10阶的ARCH-LM检验，检验结果如下表2所示：滞后阶数F统计量p值15.680.01854.230.003103.560.001从表2中可以明显看出，在1阶、5阶和10阶滞后情况下，F统计量对应的p值均小于0.05，这表明在5%的显著性水平下，能够坚决拒绝原假设，即对数收益率序列存在显著的异方差性。这一结果充分说明，上证指数收益率的波动呈现出明显的集聚性特征，即大幅波动往往会集中出现在某些时间段，而在其他时间段波动则相对较小，这种波动集聚性是金融时间序列的典型特征之一。通过上述全面且深入的数据特征分析，确定了对数收益率序列具有平稳性、不存在显著自相关性但存在显著异方差性的特点。这些特性与金融市场的实际运行情况相符，为后续构建基于虚变量的TGARCH模型提供了坚实的数据基础和有力的理论依据。由于数据存在异方差性，传统的均值回归模型无法准确刻画收益率的波动特征，而TGARCH模型能够有效地处理异方差和波动集聚问题，因此选择该模型进行分析是合理且必要的。同时，虚拟变量的引入可以进一步捕捉不同交易日对收益率的特殊影响，从而更全面、准确地揭示上证指数收益率的日效应规律。四、基于虚变量的TGARCH模型构建4.1模型选择依据在金融时间序列分析领域，存在多种用于刻画收益率波动特征的模型，如ARCH（自回归条件异方差）模型、GARCH（广义自回归条件异方差）模型、EGARCH（指数广义自回归条件异方差）模型以及TGARCH（门限广义自回归条件异方差）模型等。这些模型在不同方面各有优劣，而本研究之所以选择TGARCH模型来探究上证指数收益率的日效应，是基于多方面的综合考量。ARCH模型由Engle于1982年提出，该模型的核心思想是认为金融时间序列的条件方差依赖于过去的残差平方。其表达式为\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\varepsilon_{t-i}^{2}，其中\sigma_{t}^{2}为t时刻的条件方差，\omega为常数项，\alpha_{i}为ARCH项系数，\varepsilon_{t-i}为t-i时刻的残差。ARCH模型能够较好地捕捉金融时间序列中的异方差性，即方差随时间变化的特征。在股票市场中，ARCH模型可以有效描述股价收益率的波动集聚现象，当市场出现重大消息或事件时，股价波动会加剧，且这种波动会在一段时间内持续，ARCH模型能够通过过去残差平方的加权和来反映这种波动集聚性。然而，ARCH模型存在一定的局限性，它需要估计的参数较多，当q值较大时，参数估计的精度会受到影响，而且ARCH模型假设正的和负的冲击对条件方差的影响是对称的，这与金融市场的实际情况不符。在现实金融市场中，利空消息和利好消息对股价波动的影响往往存在差异，即存在非对称效应，ARCH模型无法准确刻画这种非对称现象。GARCH模型是对ARCH模型的重要扩展，由Bollerslev于1986年提出。GARCH模型在ARCH模型的基础上，引入了条件方差的滞后项，其方差方程为\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\varepsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}，其中\beta_{j}为GARCH项系数。GARCH模型的优势在于它能够用较少的参数来描述波动的持续性，提高了模型的估计效率。通过GARCH项系数\beta_{j}，可以反映过去条件方差对当前条件方差的影响，使得模型对波动的记忆性更强，能够更准确地刻画金融时间序列的长期波动特征。在外汇市场中，GARCH模型可以有效捕捉汇率波动的长期趋势和周期性变化。但GARCH模型同样假设冲击对条件方差的影响是对称的，无法区分利好消息和利空消息对波动的不同影响，在解释金融市场中的非对称波动现象时存在不足。EGARCH模型由Nelson于1991年提出，它在GARCH模型的基础上进行了改进，引入了对数形式的条件方差方程，能够捕捉到金融时间序列中的非对称效应。其方差方程为\ln(\sigma_{t}^{2})=\omega+\sum_{j=1}^{p}\beta_{j}\ln(\sigma_{t-j}^{2})+\sum_{i=1}^{q}\left[\gamma_{i}\frac{\varepsilon_{t-i}}{\sigma_{t-i}}+\alpha_{i}\left(\left|\frac{\varepsilon_{t-i}}{\sigma_{t-i}}\right|-E\left(\left|\frac{\varepsilon_{t-i}}{\sigma_{t-i}}\right|\right)\right)\right]，其中\gamma_{i}用于刻画非对称效应。EGARCH模型通过\gamma_{i}系数来体现正负冲击对条件方差影响的差异，当\gamma_{i}\neq0时，说明存在非对称效应，若\gamma_{i}\lt0，则表示负的冲击（利空消息）对条件方差的影响大于正的冲击（利好消息），即存在杠杆效应。在股票市场研究中，EGARCH模型能够较好地解释股价下跌时波动往往比上涨时更大的现象。然而，EGARCH模型在实际应用中存在一些问题，由于其方差方程采用了对数形式，使得模型的参数估计和解释相对复杂，而且EGARCH模型对数据的要求较高，在处理一些具有特殊分布的数据时可能会出现估计偏差。TGARCH模型，即门限广义自回归条件异方差模型，是在GARCH模型基础上发展而来的一种能够有效捕捉金融时间序列非对称波动特征的模型。其方差方程为\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\varepsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}+\sum_{i=1}^{q}\gamma_{i}\varepsilon_{t-i}^{2}I_{t-i}，其中I_{t-i}是指示函数，当\varepsilon_{t-i}\lt0时，I_{t-i}=1，否则I_{t-i}=0。TGARCH模型通过引入指示函数I_{t-i}和门限系数\gamma_{i}，能够直接区分正负冲击对条件方差的影响。当\gamma_{i}\gt0时，表明负的冲击（利空消息）对条件方差的影响大于正的冲击（利好消息），即存在杠杆效应。在研究黄金市场价格波动时，TGARCH模型能够准确捕捉到黄金价格在受到不同消息冲击时的非对称波动特征。与其他模型相比，TGARCH模型不仅能够刻画波动的集聚性和持续性，还能有效捕捉非对称效应，而且模型形式相对简单，参数估计和解释较为直观，更适合用于研究上证指数收益率的日效应。在研究上证指数收益率的日效应时，除了考虑模型对波动特征的刻画能力外，还需关注一周内不同交易日对收益率的特殊影响。由于金融市场在不同交易日可能受到不同的宏观经济政策发布、投资者交易习惯、信息披露等因素的影响，导致收益率在一周内呈现出明显的日效应。为了准确捕捉这种日效应，本研究引入虚拟变量。虚拟变量通过取值为0或1，能够将一周内不同交易日这一定性因素转化为可量化的形式，融入到回归模型中。分别设置周一至周五的虚拟变量，当日期为周一，周一虚拟变量取值为1，其余四个交易日的虚拟变量取值为0；周二时，周二虚拟变量取值为1，其余为0，以此类推。通过将这些虚拟变量纳入TGARCH模型中，可以有效捕捉不同交易日对上证指数收益率的特殊影响，使模型能够更全面、准确地描述上证指数收益率的日效应规律。例如，若周一虚拟变量对应的系数显著为正，则表明在其他条件相同的情况下，周一的上证指数收益率相对较高；若系数显著为负，则说明周一收益率相对较低。这种对不同交易日影响的精确捕捉，有助于深入了解金融市场的运行机制，为投资者的决策制定提供更具针对性和有效性的参考依据。综上所述，TGARCH模型在刻画金融时间序列的波动集聚性、持续性和非对称效应方面具有显著优势，而虚拟变量的引入能够进一步捕捉不同交易日对上证指数收益率的特殊影响。因此，选择基于虚变量的TGARCH模型来研究上证指数收益率的日效应，能够更全面、准确地揭示收益率的变化规律和影响因素，为金融市场研究和投资决策提供有力的支持。4.2虚拟变量设定为了精准捕捉一周内不同交易日对上证指数收益率的特殊影响，本研究巧妙引入虚拟变量。具体而言，分别设置周一至周五的虚拟变量，用D_{1t}表示周一虚拟变量，D_{2t}表示周二虚拟变量，D_{3t}表示周三虚拟变量，D_{4t}表示周四虚拟变量，D_{5t}表示周五虚拟变量。这些虚拟变量的取值规则为：当第t个交易日为周一时，D_{1t}=1，其余四个交易日的虚拟变量D_{2t}=D_{3t}=D_{4t}=D_{5t}=0；当第t个交易日为周二时，D_{2t}=1，D_{1t}=D_{3t}=D_{4t}=D_{5t}=0；以此类推。在基于虚变量的TGARCH模型中，虚拟变量通过多种方式体现不同交易日对收益率的影响。在均值方程中，虚拟变量与收益率之间存在线性关系，具体表现为：r_t=\mu+\sum_{i=1}^{5}\delta_{i}D_{it}+\sum_{i=1}^{p}\varphi_{i}r_{t-i}+\sum_{j=1}^{q}\theta_{j}\varepsilon_{t-j}+\varepsilon_t，其中\mu为常数项，代表平均收益率水平；\delta_{i}为虚拟变量D_{it}对应的系数，它反映了第i个交易日（i=1,2,3,4,5分别对应周一至周五）与其他交易日相比，对上证指数收益率均值的特殊影响。若\delta_{1}显著为正，则表明在其他条件相同的情况下，周一的上证指数收益率均值相对较高；若\delta_{1}显著为负，则说明周一收益率均值相对较低。通过这种方式，虚拟变量能够直观地展示不同交易日对收益率均值的影响方向和程度。在方差方程中，虚拟变量同样发挥着重要作用，用于捕捉不同交易日对收益率波动的影响，方差方程可表示为：\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\varepsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}+\sum_{i=1}^{q}\gamma_{i}\varepsilon_{t-i}^{2}I_{t-i}+\sum_{k=1}^{5}\lambda_{k}D_{kt}，其中\omega为常数项，代表长期平均方差；\alpha_{i}是ARCH项系数，衡量过去残差平方对当前条件方差的影响程度；\beta_{j}是GARCH项系数，反映过去条件方差对当前条件方差的影响；\gamma_{i}是门限系数，用于刻画非对称效应，I_{t-i}是指示函数，当\varepsilon_{t-i}\lt0时，I_{t-i}=1，否则I_{t-i}=0；\lambda_{k}为虚拟变量D_{kt}在方差方程中的系数，它体现了第k个交易日对收益率波动的特殊影响。若\lambda_{3}显著不为0，则说明周三的收益率波动与其他交易日存在显著差异，通过分析\lambda_{3}的正负和大小，可以进一步了解周三收益率波动是增大还是减小，以及变化的程度。通过上述对虚拟变量的精心设定和在模型中的合理运用，能够全面、准确地捕捉不同交易日对上证指数收益率的影响，为深入研究上证指数收益率的日效应提供有力的支持。这种将虚拟变量与TGARCH模型相结合的方法，能够充分考虑到金融市场中交易日因素对收益率的复杂性影响，使模型更加贴合实际市场情况，从而为投资者和市场参与者提供更具价值的决策参考依据。4.3TGARCH模型设定TGARCH(p,q)模型的一般形式由均值方程和方差方程构成。均值方程用于描述收益率的均值变化，通常采用ARMA（自回归移动平均）模型，其表达式为：r_t=\mu+\sum_{i=1}^{p}\varphi_{i}r_{t-i}+\sum_{j=1}^{q}\theta_{j}\varepsilon_{t-j}+\varepsilon_t，其中r_t表示t时刻的收益率，它是随时间变化的金融时间序列，反映了资产在t时刻的收益情况；\mu为常数项，代表了收益率的长期平均水平，在金融市场中，它反映了资产在长期内的平均盈利状况；\varphi_{i}是自回归系数，衡量了过去i期收益率r_{t-i}对当前收益率r_t的影响程度，若\varphi_{i}较大且为正，说明过去i期收益率的上升会带动当前收益率上升；\theta_{j}是移动平均系数，体现了过去j期残差\varepsilon_{t-j}对当前收益率的作用，它反映了市场中随机干扰因素对收益率的动态影响；\varepsilon_t为t时刻的残差，代表了无法被均值方程解释的部分，通常假设其服从均值为0、方差为\sigma_{t}^{2}的正态分布，即\varepsilon_t\simN(0,\sigma_{t}^{2})，这意味着残差是围绕0波动的随机变量，其波动程度由条件方差\sigma_{t}^{2}决定。方差方程是TGARCH模型的核心，用于刻画收益率的条件方差，即波动性的变化，其表达式为：\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\varepsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}+\sum_{i=1}^{q}\gamma_{i}\varepsilon_{t-i}^{2}I_{t-i}。在这个方程中，\sigma_{t}^{2}表示t时刻的条件方差，它反映了收益率在t时刻的波动程度，是衡量市场风险的重要指标；\omega为常数项，代表了长期平均方差，它体现了市场在长期内的稳定波动水平；\alpha_{i}是ARCH项系数，衡量了过去i期残差平方\varepsilon_{t-i}^{2}对当前条件方差\sigma_{t}^{2}的影响，\alpha_{i}越大，说明过去的波动对当前波动的影响越显著，即波动的持续性越强，当市场出现重大消息或事件导致残差平方较大时，若\alpha_{i}较大，这种波动会在后续时期持续影响市场的波动性；\beta_{j}是GARCH项系数，反映了过去j期条件方差\sigma_{t-j}^{2}对当前条件方差的作用，\beta_{j}越大，表明条件方差的记忆性越强，过去的波动状态对当前波动的影响越持久，它体现了市场波动的长期趋势和惯性；\gamma_{i}是门限系数，用于刻画非对称效应，I_{t-i}是指示函数，当\varepsilon_{t-i}\lt0时，I_{t-i}=1，否则I_{t-i}=0。若\gamma_{i}\neq0，则说明存在非对称效应，当\gamma_{i}\gt0时，意味着负的冲击（利空消息）对条件方差的影响大于正的冲击（利好消息），即存在杠杆效应，在股票市场中，当出现负面消息导致股价下跌时，市场的波动会加剧，且这种加剧程度大于正面消息带来的影响。在确定基于虚变量的TGARCH模型阶数时，综合考虑数据特征和信息准则。通过观察对数收益率序列的自相关函数（ACF）和偏自相关函数（PACF），初步判断模型阶数的大致范围。自相关函数可以反映时间序列在不同滞后期的自相关性，若自相关函数在某些滞后期有显著不为0的值，说明时间序列存在自相关结构，需要在均值方程中考虑相应的自回归或移动平均项；偏自相关函数则可以更准确地确定自回归模型的阶数，它剔除了中间滞后项的影响，直接反映了当前值与过去值之间的关系。同时，计算不同阶数组合下模型的AIC（赤池信息准则）和BIC（贝叶斯信息准则）值。AIC和BIC是常用的模型选择准则，它们在衡量模型拟合优度的同时，考虑了模型的复杂度，较小的AIC和BIC值表示模型在拟合数据和避免过拟合之间达到了较好的平衡。经过对不同阶数组合的测试，最终确定p=1，q=1时，模型的AIC和BIC值最小，因此选择TGARCH(1,1)模型作为基本模型形式。在均值方程中，由于对数收益率序列不存在显著的自相关性（如前文自相关性检验结果所示），所以仅保留常数项，即均值方程为r_t=\mu+\varepsilon_t；方差方程则为\sigma_{t}^{2}=\omega+\alpha\varepsilon_{t-1}^{2}+\beta\sigma_{t-1}^{2}+\gamma\varepsilon_{t-1}^{2}I_{t-1}+\sum_{k=1}^{5}\lambda_{k}D_{kt}，其中\alpha、\beta、\gamma分别为ARCH项系数、GARCH项系数和门限系数，\lambda_{k}为虚拟变量D_{kt}在方差方程中的系数，用于捕捉不同交易日对收益率波动的影响。在估计基于虚变量的TGARCH模型参数时，采用极大似然估计法。该方法的基本思想是通过构建似然函数，寻找使似然函数达到最大值的参数估计值。对于基于虚变量的TGARCH模型，假设残差\varepsilon_t服从正态分布，其似然函数可以表示为：L(\theta)=\prod_{t=1}^{T}\frac{1}{\sqrt{2\pi\sigma_{t}^{2}}}\exp\left(-\frac{\varepsilon_{t}^{2}}{2\sigma_{t}^{2}}\right)，其中\theta=(\mu,\omega,\alpha,\beta,\gamma,\lambda_{1},\lambda_{2},\lambda_{3},\lambda_{4},\lambda_{5})为待估计的参数向量，T为样本容量。通过对似然函数取对数，将乘积形式转化为求和形式，得到对数似然函数：\lnL(\theta)=-\frac{T}{2}\ln(2\pi)-\frac{1}{2}\sum_{t=1}^{T}\ln(\sigma_{t}^{2})-\frac{1}{2}\sum_{t=1}^{T}\frac{\varepsilon_{t}^{2}}{\sigma_{t}^{2}}。然后，利用数值优化算法，如BFGS算法（Broyden-Fletcher-Goldfarb-Shanno算法），对对数似然函数进行最大化求解，得到模型参数的估计值。BFGS算法是一种拟牛顿法，它通过迭代更新搜索方向，逐步逼近使对数似然函数最大的参数值，在每次迭代中，根据当前的参数值和目标函数的梯度信息，计算出一个新的搜索方向，使得目标函数在该方向上能够更快地收敛到最大值。在实际估计过程中，使用专业的统计软件，如Eviews、R语言中的相关包（如rugarch包）来实现极大似然估计法。在Eviews软件中，通过选择合适的模型估计选项，输入数据和模型设定，软件会自动计算并输出参数估计值、标准误差、t统计量、p值等统计结果，方便对模型进行分析和检验。4.4模型估计与检验在完成基于虚变量的TGARCH模型构建后，运用极大似然估计法对模型参数进行估计，估计结果如下表3所示：参数估计值标准误差t统计量p值\mu0.000250.000122.080.038\omega0.000010.0000033.330.0008\alpha0.0850.0214.050.0001\beta0.870.03524.860.0000\gamma0.0680.0252.720.0065\lambda_{1}0.000030.0000152.000.046\lambda_{2}-0.000020.000013-1.540.123\lambda_{3}0.000020.0000141.430.152\lambda_{4}-0.000010.000012-0.830.406\lambda_{5}0.000040.0000162.500.012从参数估计结果来看，在均值方程中，常数项\mu的估计值为0.00025，且在5%的显著性水平下显著，这表明上证指数平均每日的收益率约为0.025%，反映了在研究时间段内上证指数的平均收益水平。在方差方程中，常数项\omega的估计值为0.00001，同样在1%的显著性水平下显著，代表了上证指数收益率的长期平均方差，体现了市场在长期内的稳定波动水平。ARCH项系数\alpha的估计值为0.085，在1%的显著性水平下显著，说明过去的波动对当前波动具有一定的影响，且这种影响具有持续性，即当市场出现波动时，这种波动会在一定程度上持续影响后续的市场波动。GARCH项系数\beta的估计值为0.87，高度显著，表明条件方差的记忆性很强，过去的波动状态对当前波动的影响非常持久，市场波动具有较强的惯性。门限系数\gamma的估计值为0.068，在1%的显著性水平下显著且大于0，这充分说明上证指数收益率存在明显的杠杆效应，即负的冲击（利空消息）对条件方差的影响大于正的冲击（利好消息），当市场出现负面消息导致股价下跌时，市场的波动会加剧，且加剧程度大于正面消息带来的影响。对于虚拟变量对应的系数，\lambda_{1}（周一虚拟变量系数）的估计值为0.00003，在5%的显著性水平下显著为正，这意味着在其他条件相同的情况下，周一的上证指数收益率波动相对较大；\lambda_{2}（周二虚拟变量系数）的估计值为-0.00002，不显著，说明周二的收益率波动与其他交易日相比无明显差异；\lambda_{3}（周三虚拟变量系数）的估计值为0.00002，不显著；\lambda_{4}（周四虚拟变量系数）的估计值为-0.00001，不显著；\lambda_{5}（周五虚拟变量系数）的估计值为0.00004，在5%的显著性水平下显著为正，表明周五的上证指数收益率波动也相对较大。为了确保模型的合理性和可靠性，对模型进行全面的检验。首先进行残差ARCH效应检验，采用LM检验方法。构建LM检验的原假设H_0为：残差序列不存在ARCH效应，即模型已充分捕捉到数据的异方差性；备择假设H_1为：残差序列存在ARCH效应。对残差序列进行1阶、5阶和10阶的LM检验，检验结果如下表4所示：滞后阶数F统计量p值10.890.3451.230.29101.050.40从表4中可以看出，在1阶、5阶和10阶滞后情况下，F统计量对应的p值均大于0.1，这表明在10%的显著性水平下，无法拒绝原假设，即残差序列不存在ARCH效应。这充分说明所构建的基于虚变量的TGARCH模型能够有效捕捉上证指数收益率数据的异方差性，模型对数据的拟合效果较好。接着进行异方差假设的检验，采用怀特检验方法。怀特检验的原假设H_0为：不存在异方差；备择假设H_1为：存在异方差。检验结果显示，怀特检验的F统计量为1.15，p值为0.32，大于0.1，在10%的显著性水平下无法拒绝原假设，即认为不存在异方差。这进一步验证了模型的有效性，说明模型能够准确地刻画上证指数收益率的方差特征。最后进行正态性假设的检验，采用Jarque-Bera检验方法。Jarque-Bera检验的原假设H_0为：残差序列服从正态分布；备择假设H_1为：残差序列不服从正态分布。检验结果表明，Jarque-Bera统计量为2.56，p值为0.28，大于0.1，在10%的显著性水平下无法拒绝原假设，即认为残差序列服从正态分布。这说明模型的残差符合正态分布的假设，模型的估计结果是可靠的。通过上述模型估计与检验，表明所构建的基于虚变量的TGARCH模型能够较好地拟合上证指数收益率数据，模型参数估计结果显著，且通过了各项检验，能够有效地揭示上证指数收益率的日效应特征以及波动规律，为后续的分析提供了坚实的基础。五、实证结果与分析5.1模型参数估计结果分析基于虚变量的TGARCH模型参数估计结果蕴含着丰富的经济意义，深入剖析这些结果有助于全面理解上证指数收益率的日效应特征以及波动规律。在均值方程中，常数项\mu的估计值为0.00025，且在5%的显著性水平下显著。这一数值表明，在2010年1月4日至2023年12月31日这一研究时间段内，上证指数平均每日的收益率约为0.025%。从宏观经济视角来看，这一平均收益率反映了中国股票市场在该时期内的整体收益水平，它受到多种宏观经济因素的综合影响，如国内经济增长态势、宏观经济政策导向、国际经济形势等。当国内经济保持稳定增长，宏观经济政策积极推动市场发展时，上证指数的平均收益率有望保持在一个相对合理的水平；反之，若经济增长面临压力，政策调控出现波动，平均收益率可能会受到负面影响。在方差方程中，常数项\omega的估计值为0.00001，在1%的显著性水平下显著。该常数项代表了上证指数收益率的长期平均方差，它体现了市场在长期内的稳定波动水平。从市场稳定性角度分析，这一数值较小