我国股票市场波动非对称特性的多维度解析与实证探究

我国股票市场波动非对称特性的多维度解析与实证探究一、引言1.1研究背景与意义股票市场作为金融市场的关键组成部分，在我国经济体系中占据着举足轻重的地位。从企业融资角度来看，它为企业提供了直接融资的重要渠道，降低了企业对间接融资的依赖，使企业能够更便捷地筹集资金，加速自身的发展与扩张，促进了企业扩大生产、创新和发展，增加就业机会。在资源配置方面，股票市场通过价格机制引导资金流向具有良好发展前景和盈利能力的企业，推动了产业结构的优化升级，提高了经济发展的质量。同时，股票市场也是经济运行的“晴雨表”，反映着宏观经济的整体状况和发展趋势。当经济繁荣时，企业盈利增加，股票价格普遍上涨；经济衰退时，企业业绩下滑，股票价格往往下跌。此外，它还为投资者提供了资产增值的机会，增加了居民财产性收入，刺激消费，拉动经济增长。波动是股票市场最为重要的特征之一。股票市场的波动不仅关系到投资者的切身利益，也对金融市场的稳定和宏观经济的运行产生着深远的影响。目前，国外学者对股市波动性研究的重点正逐渐从波动的持续性和簇丛性转移到波动的非对称性。我国学者在研究中也发现我国股票市场存在波动非对称现象。所谓股票市场波动的非对称性，是指同等程度的利好消息与利空消息对股票市场波动的影响不相同。在大多数发达国家的股票市场中，普遍存在显著的波动非对称性，且与相同大小的利好消息相比，利空消息对波动性的影响更大，这一现象通常可以由“杠杆效应”或“反馈效应”来解释。然而，国内一些研究却得出了与国外不同的结论，如针对我国上海股票市场的研究发现，同等程度的利好消息对波动的影响更大。研究我国股票市场波动的非对称特性具有重要的现实意义。对于市场参与者而言，深入了解股票市场波动的非对称特性，有助于投资者更好地理解股票市场价格走势，从而制定更为合理的投资策略，降低投资风险，提高投资收益。同时，也能帮助风险管理者更准确地评估和管理风险，保障金融机构的稳健运营。对于政策制定者来说，研究结果可以为其提供决策参考，有助于制定更加科学合理的金融政策，加强对股票市场的监管，维护金融市场的稳定，促进宏观经济的健康发展。1.2国内外研究现状国外对于股票市场波动非对称特性的研究起步较早，取得了丰硕的理论成果。1982年，Engle提出了自回归条件异方差（ARCH）模型，成功地捕捉到了金融时间序列中的波动聚集现象，为后续研究奠定了重要基础。在此基础上，Bollerslev于1986年提出广义自回归条件异方差（GARCH）模型，极大地扩展了ARCH模型的应用范围，使得对金融市场波动性的刻画更加准确和灵活。1991年，Nelson提出了指数广义自回归条件异方差（EGARCH）模型，该模型能够有效地捕捉到股市对“好消息”和“坏消息”的不对称反应。1993年，Zakoian和Glosten,Jananathan以及Runkle在ARCH模型的基础上提出了TARCH模型，用于研究股市波动性的杠杆效应。这些模型的提出，为研究股票市场波动的非对称特性提供了强有力的工具。众多国外学者运用上述模型对世界各个金融市场进行了大量的实证研究。研究结果普遍表明，在大多数发达国家的股票市场均存在显著的波动非对称性，且与相同大小的利好消息相比，利空消息对波动性的影响更大。Campbell和Hentschel在1992年认为这种现象可以由“杠杆效应”或“反馈效应”来解释。“杠杆效应”理论认为，当股票价格下跌时，企业的负债权益比上升，财务杠杆增加，风险加大，从而导致股票价格的波动性增大；而当股票价格上涨时，企业的负债权益比下降，财务杠杆减小，风险降低，股票价格的波动性减小。“反馈效应”则是指投资者的行为会对股票价格产生影响，当股票价格下跌时，投资者会预期未来价格继续下跌，从而纷纷抛售股票，导致股票价格进一步下跌，波动性增大；当股票价格上涨时，投资者预期未来价格继续上涨，纷纷买入股票，使得股票价格进一步上涨，但波动性相对较小。国内对于股票市场波动非对称特性的研究相对较晚，但近年来也取得了一定的进展。一些学者运用国外成熟的模型对我国股票市场进行实证研究，发现我国股票市场也存在波动非对称现象。然而，研究结论存在一定的分歧。部分研究得出与国外相同的结论，即利空消息对股票市场波动的影响大于利好消息。例如，陈梦根通过运用GARCH族模型对我国股市进行研究，发现我国股市存在显著的杠杆效应，利空消息对股市波动的冲击更大。但也有部分研究得出了相反的结论，如以魏宇为代表的一些学者以上证综指为对象，应用EGARCH模型进行研究，发现在中国股票市场，同等程度的利好消息对波动的影响更大。此外，国内学者还从多个角度对我国股票市场波动非对称特性的成因进行了探讨。有的学者从投资者结构角度分析，认为我国股票市场以散户投资者为主，散户投资者往往缺乏专业的投资知识和理性的投资行为，更容易受到市场情绪的影响，从而导致股票市场波动的非对称性。还有的学者从投资者心理角度出发，指出投资者的过度自信、损失厌恶等心理特征会影响其投资决策，进而导致股票市场波动出现非对称现象。也有学者从交易机制方面进行研究，认为我国股票市场的涨跌幅限制、T+1交易制度等交易机制会对股票市场波动的非对称性产生影响。尽管国内学者在股票市场波动非对称特性研究方面取得了一定成果，但仍存在一些不足之处。一方面，研究方法相对单一，主要依赖于国外已有的模型，缺乏具有创新性的研究方法和模型。另一方面，对于波动非对称特性的经济解释还不够深入和全面，未能充分结合我国股票市场的实际特点和制度背景进行分析。此外，现有研究大多侧重于对整体股票市场的研究，对不同板块、不同行业股票市场波动非对称特性的研究相对较少。1.3研究方法与创新点本文在研究我国股票市场波动非对称特性的过程中，综合运用了多种研究方法，力求全面、深入地揭示这一复杂现象。实证分析方法是本文的核心研究方法之一。通过收集和整理我国股票市场的相关数据，运用计量经济学模型进行实证检验，以验证我国股票市场是否存在波动非对称特性，并分析其影响因素和经济后果。在数据收集阶段，选取了具有代表性的股票指数数据，如上证综指、深证成指等，时间跨度涵盖了我国股票市场发展的不同阶段，以确保数据的全面性和代表性。在模型选择上，运用了GARCH族模型中的EGARCH模型和TARCH模型。EGARCH模型能够很好地捕捉到股市对“好消息”和“坏消息”的不对称反应，通过对该模型的估计和分析，可以清晰地判断利好消息和利空消息对股票市场波动的不同影响程度。TARCH模型则侧重于研究股市波动性的杠杆效应，通过该模型可以检验我国股票市场是否存在杠杆效应，以及杠杆效应的大小和方向。案例研究方法也是本文的重要研究手段。通过选取我国股票市场中的典型案例，深入分析波动非对称特性在实际市场中的表现和影响。例如，选取了某些重大政策调整、突发事件等对股票市场产生重大影响的时期，详细分析在这些特殊时期内，利好消息和利空消息如何引发股票市场的非对称波动，以及这种波动对投资者行为、市场稳定性等方面产生的具体影响。通过对这些案例的深入剖析，能够更加直观地理解股票市场波动非对称特性的实际运作机制，为理论研究提供有力的实践支持。本文在研究过程中还力求在多个方面实现创新。在数据选取方面，不仅考虑了传统的股票指数数据，还引入了一些新的变量和指标，如投资者情绪指标、宏观经济变量等。通过综合分析这些多维度的数据，能够更全面地揭示股票市场波动非对称特性与各种因素之间的内在联系，为研究提供更丰富的信息和更坚实的数据基础。在模型构建上，对传统的GARCH族模型进行了改进和拓展。结合我国股票市场的实际特点和制度背景，引入了一些新的解释变量和约束条件，使模型能够更好地拟合我国股票市场的数据，更准确地捕捉到波动非对称特性。例如，考虑到我国股票市场存在涨跌幅限制、T+1交易制度等特殊制度，在模型中加入了相应的虚拟变量或调整参数，以反映这些制度因素对股票市场波动非对称特性的影响。在研究视角上，突破了以往单纯从金融市场角度研究股票市场波动非对称特性的局限，将研究视角拓展到宏观经济、投资者行为、市场制度等多个领域。从宏观经济角度，分析宏观经济形势的变化如何通过影响企业盈利、投资者预期等因素，进而对股票市场波动非对称特性产生影响。从投资者行为角度，探讨投资者的心理特征、投资策略等因素如何导致股票市场波动出现非对称现象。从市场制度角度，研究我国股票市场的交易制度、监管制度等对波动非对称特性的影响机制。通过这种多视角的综合研究，能够更深入、全面地理解我国股票市场波动非对称特性的形成原因和影响因素，为相关研究提供新的思路和方法。二、股票市场波动非对称特性的理论基础2.1波动非对称特性的定义与内涵在金融市场中，股票价格的波动受多种因素影响，其中信息的发布和传播是关键因素之一。股票市场波动的非对称特性，是指在股票市场中，同等程度的利好消息（如公司盈利超预期、宏观经济数据向好等）与利空消息（如公司业绩下滑、宏观经济形势恶化等）对股票市场波动的影响存在差异。在现实的股票市场中，这种非对称特性表现得十分明显。以2020年初新冠疫情爆发为例，疫情这一重大利空消息迅速引发了股票市场的剧烈波动。2020年2月3日，春节后首个交易日，沪深两市大幅低开，沪指开盘跌幅达7.72%。大量股票价格暴跌，市场恐慌情绪蔓延，成交量急剧放大，股票市场的波动性急剧上升。相比之下，当出现同等程度的利好消息时，股票市场的波动幅度往往相对较小。例如，2020年5月，政府出台一系列经济刺激政策，这是重大利好消息。虽然股票市场出现了一定程度的上涨，但上涨的幅度和市场波动的程度远不及疫情爆发时下跌的幅度和波动程度。这种非对称特性在股票市场的价格走势、成交量变化等方面都有体现。从价格走势来看，当利空消息出现时，股票价格往往会快速下跌，且下跌的幅度较大，形成明显的价格低谷；而当利好消息出现时，股票价格上涨的速度相对较慢，上涨幅度也相对较小。从成交量变化来看，在利空消息冲击下，投资者出于恐慌心理，纷纷抛售股票，导致成交量大幅增加；而在利好消息刺激下，投资者买入股票的积极性相对较低，成交量的增加幅度相对较小。2.2相关理论与假说为了解释股票市场波动的非对称特性，学术界提出了多种理论和假说，其中杠杆假说和波动反馈说较为著名。杠杆假说最早由Black于1976年提出，该假说认为，当股票价格下跌时，企业的负债权益比上升，财务杠杆增加。这意味着企业面临更高的风险，投资者对其未来收益的不确定性增加，从而要求更高的风险溢价，导致股票价格的波动性增大。相反，当股票价格上涨时，企业的负债权益比下降，财务杠杆减小，风险降低，投资者对风险溢价的要求也随之降低，股票价格的波动性减小。以A公司为例，假设该公司初始的负债权益比为1:2，当股票价格下跌时，公司的权益价值下降，负债权益比上升为1:1，财务杠杆增大，股票价格的波动加剧。杠杆假说在解释股票市场波动非对称特性方面具有一定的合理性，但也存在局限性。该假说主要基于企业的财务杠杆变化来解释波动非对称现象，然而在实际的股票市场中，影响股票价格波动的因素众多，企业财务杠杆的变化并非唯一决定因素。宏观经济形势的变化、投资者情绪的波动、市场流动性的变化等因素都可能对股票价格波动产生重要影响。杠杆假说难以解释一些市场现象，如在某些情况下，即使企业的财务杠杆没有发生明显变化，股票市场仍然会出现显著的波动非对称现象。在市场恐慌情绪蔓延时，即使企业的财务状况没有改变，股票价格也可能因投资者的恐慌抛售而大幅下跌，波动性急剧增加。波动反馈说是由Campbell和Hentschel在1992年提出的。该理论认为，投资者的行为会对股票价格产生影响，从而导致股票市场波动的非对称性。当股票价格下跌时，投资者会预期未来价格继续下跌，为了避免损失，他们会纷纷抛售股票。大量的抛售行为使得股票市场的供给大幅增加，而需求相对减少，导致股票价格进一步下跌，波动性增大。相反，当股票价格上涨时，投资者预期未来价格继续上涨，为了获取更多收益，他们会纷纷买入股票。大量的买入行为使得股票市场的需求大幅增加，而供给相对减少，股票价格进一步上涨。但由于投资者在上涨过程中相对较为理性，买入行为相对较为有序，因此波动性相对较小。例如，在2020年疫情爆发初期，股票市场价格大幅下跌，投资者普遍预期市场将继续下跌，纷纷抛售股票，导致股票价格进一步下跌，市场波动性急剧增大。而在2020年下半年，随着疫情得到控制，经济逐渐复苏，股票市场价格上涨，投资者虽然积极买入股票，但相对较为理性，市场波动性相对较小。波动反馈说从投资者行为的角度对股票市场波动非对称特性进行了解释，具有一定的创新性和现实意义。然而，该理论也存在不足之处。它假设投资者能够准确地预期股票价格的未来走势，并根据预期做出理性的投资决策，但在实际市场中，投资者往往受到各种因素的影响，如信息不对称、认知偏差等，难以做到完全理性。一些投资者可能会受到市场情绪的影响，盲目跟风买入或卖出股票，而不是基于对市场的理性分析。波动反馈说难以解释为什么在某些情况下，即使投资者的预期没有发生变化，股票市场仍然会出现波动非对称现象。在市场受到突发政策调整或重大事件影响时，即使投资者的预期没有改变，股票市场的波动性也可能会发生显著变化。2.3研究模型概述在研究股票市场波动的非对称特性时，计量经济学领域发展出了一系列具有针对性的模型，这些模型在揭示股票市场波动规律、分析波动非对称特性方面发挥着关键作用。自回归条件异方差（ARCH）模型由Engle于1982年开创性地提出。该模型的核心思想在于，时间序列的条件方差并非固定不变，而是依赖于过去的误差平方。具体而言，ARCH模型假设当前时刻的条件方差是过去有限个时刻误差平方的线性函数。以ARCH(p)模型为例，其条件方差方程可表示为\sigma_{t}^{2}=\omega+\sum_{i=1}^{p}\alpha_{i}\epsilon_{t-i}^{2}，其中\sigma_{t}^{2}表示t时刻的条件方差，\omega为常数项，\alpha_{i}为ARCH系数，\epsilon_{t-i}为t-i时刻的误差。ARCH模型能够有效地捕捉到金融时间序列中的波动聚集现象，即大的波动往往会伴随着大的波动，小的波动往往会伴随着小的波动。在股票市场中，当出现重大利好或利空消息时，股票价格的波动会在一段时间内持续保持较高或较低的水平，ARCH模型可以很好地刻画这种现象。ARCH模型也存在一定的局限性，它要求ARCH系数\alpha_{i}非负，这在一定程度上限制了模型的灵活性；而且ARCH模型通常需要较多的参数来描述波动的动态变化，容易导致参数估计的不准确。Bollerslev于1986年在ARCH模型的基础上提出了广义自回归条件异方差（GARCH）模型。GARCH模型不仅考虑了过去误差平方对当前条件方差的影响（即ARCH部分），还引入了过去条件方差对当前条件方差的影响。以GARCH(p,q)模型为例，其条件方差方程为\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\epsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}，其中\beta_{j}为GARCH系数。GARCH模型通过引入过去条件方差这一因素，大大减少了参数的数量，提高了模型的估计效率和稳定性。在实际应用中，GARCH(1,1)模型是最为常用的形式，它能够简洁而有效地捕捉金融市场中波动率的持续性和聚集现象。与ARCH模型相比，GARCH模型在描述股票市场波动方面具有更高的准确性和灵活性，能够更好地适应金融市场的复杂变化。Nelson于1991年提出的指数广义自回归条件异方差（EGARCH）模型，在研究股票市场波动非对称特性方面具有独特的优势。EGARCH模型的条件方差方程采用了对数形式，即\ln(\sigma_{t}^{2})=\omega+\sum_{i=1}^{p}\beta_{i}\ln(\sigma_{t-i}^{2})+\sum_{i=1}^{q}\alpha_{i}\left(\frac{\vert\epsilon_{t-i}\vert}{\sigma_{t-i}}-\sqrt{\frac{2}{\pi}}\right)+\sum_{i=1}^{q}\gamma_{i}\frac{\epsilon_{t-i}}{\sigma_{t-i}}。该模型的创新之处在于，通过引入非对称项\sum_{i=1}^{q}\gamma_{i}\frac{\epsilon_{t-i}}{\sigma_{t-i}}，能够有效地捕捉到股票市场对“好消息”和“坏消息”的不对称反应。当\gamma_{i}\neq0时，说明利好消息和利空消息对股票市场波动的影响存在差异。若\gamma_{i}\lt0，则表示利空消息对波动性的影响大于利好消息，即存在“杠杆效应”。在股票市场中，当公司发布业绩不佳的利空消息时，股票价格的波动往往会比发布业绩良好的利好消息时更为剧烈，EGARCH模型可以准确地刻画这种非对称现象。Zakoian和Glosten,Jananathan以及Runkle在1993-1994年间提出的门限广义自回归条件异方差（TARCH）模型，也是研究股票市场波动非对称特性的重要工具。TARCH模型的条件方差方程为\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\epsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}+\sum_{i=1}^{q}\gamma_{i}\epsilon_{t-i}^{2}I_{t-i}，其中I_{t-i}为指示函数，当\epsilon_{t-i}\lt0时，I_{t-i}=1；当\epsilon_{t-i}\geq0时，I_{t-i}=0。TARCH模型通过引入指示函数，能够直接反映出“坏消息”（\epsilon_{t-i}\lt0）对条件方差的额外影响，从而检验股票市场是否存在杠杆效应。若\gamma_{i}\gt0，则表明存在杠杆效应，即利空消息会使股票市场的波动性增大。在市场恐慌时期，投资者对利空消息的反应更为敏感，股票价格的波动会因利空消息而显著加剧，TARCH模型可以很好地描述这一现象。三、我国股票市场波动非对称特性的实证研究设计3.1数据选取与处理为了深入研究我国股票市场波动的非对称特性，本研究选取了具有广泛代表性的上证综合指数和深证成份指数作为研究对象。上证综合指数涵盖了上海证券交易所的全部上市股票，能够全面反映上海证券市场的整体走势；深证成份指数则选取了深圳证券交易所的部分代表性股票，具有较强的市场代表性。这两个指数的走势能够较好地代表我国股票市场的整体情况。数据的时间跨度从2010年1月1日至2022年12月31日，涵盖了我国股票市场发展的多个阶段，包括市场的繁荣期、调整期和动荡期，能够充分反映不同市场环境下股票市场波动的非对称特性。数据来源于万得资讯（Wind）金融终端，该数据库提供了丰富、准确的金融数据，为研究提供了可靠的数据支持。在获取原始数据后，需要对其进行一系列的处理，以满足后续分析的需求。由于原始数据中可能存在一些错误数据或异常值，这些数据会对研究结果产生干扰，因此首先对原始数据进行清洗。检查数据的完整性，确保没有缺失值；同时，对数据进行异常值检测，剔除明显偏离正常范围的数据。在数据清洗过程中，采用了3倍标准差法则来识别异常值。对于上证综合指数和深证成份指数的日收盘价数据，计算其均值和标准差，若某个数据点与均值的偏差超过3倍标准差，则将其视为异常值并予以剔除。为了更准确地反映股票市场的波动情况，将原始的收盘价数据转换为收益率数据。收益率数据能够更好地体现股票价格的变化率，是研究股票市场波动的常用指标。采用对数收益率的计算方法，计算公式为R_{t}=\ln(\frac{P_{t}}{P_{t-1}})，其中R_{t}表示第t期的收益率，P_{t}表示第t期的收盘价，P_{t-1}表示第t-1期的收盘价。通过这种方式，将上证综合指数和深证成份指数的日收盘价数据转换为日收益率数据。以2010年1月4日的上证综合指数为例，当日收盘价为3289.75，前一日（2009年12月31日）收盘价为3277.14，根据上述公式计算得到该日对数收益率为\ln(\frac{3289.75}{3277.14})\approx0.0038。3.2研究模型的选择与设定在研究我国股票市场波动非对称特性时，合理选择研究模型至关重要。考虑到金融时间序列的复杂性和股票市场波动的特点，本研究选用指数广义自回归条件异方差（EGARCH）模型和门限广义自回归条件异方差（TARCH）模型。EGARCH模型由Nelson于1991年提出，其独特的对数形式条件方差方程能够有效捕捉股票市场对“好消息”和“坏消息”的不对称反应。该模型的条件方差方程为\ln(\sigma_{t}^{2})=\omega+\sum_{i=1}^{p}\beta_{i}\ln(\sigma_{t-i}^{2})+\sum_{i=1}^{q}\alpha_{i}\left(\frac{\vert\epsilon_{t-i}\vert}{\sigma_{t-i}}-\sqrt{\frac{2}{\pi}}\right)+\sum_{i=1}^{q}\gamma_{i}\frac{\epsilon_{t-i}}{\sigma_{t-i}}。其中，\omega为常数项，\beta_{i}反映了过去条件方差对当前条件方差的影响，体现了波动的持续性；\alpha_{i}衡量了波动的ARCH效应，即过去的冲击对当前波动的影响；非对称项\sum_{i=1}^{q}\gamma_{i}\frac{\epsilon_{t-i}}{\sigma_{t-i}}是EGARCH模型的核心，当\gamma_{i}\neq0时，表明利好消息和利空消息对股票市场波动的影响存在差异。若\gamma_{i}\lt0，则意味着利空消息对波动性的影响大于利好消息，即存在“杠杆效应”。在我国股票市场中，当遇到诸如宏观经济数据不佳、企业负面业绩报告等利空消息时，市场往往会出现剧烈波动，而同等程度的利好消息引发的波动相对较小，EGARCH模型能够很好地刻画这种非对称现象。TARCH模型由Zakoian和Glosten,Jananathan以及Runkle在1993-1994年间提出，主要用于研究股市波动性的杠杆效应。其条件方差方程为\sigma_{t}^{2}=\omega+\sum_{i=1}^{q}\alpha_{i}\epsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2}+\sum_{i=1}^{q}\gamma_{i}\epsilon_{t-i}^{2}I_{t-i}。其中，I_{t-i}为指示函数，当\epsilon_{t-i}\lt0时，I_{t-i}=1；当\epsilon_{t-i}\geq0时，I_{t-i}=0。\omega、\alpha_{i}和\beta_{j}的含义与EGARCH模型类似，而\gamma_{i}则直接反映了“坏消息”（\epsilon_{t-i}\lt0）对条件方差的额外影响。若\gamma_{i}\gt0，则表明存在杠杆效应，即利空消息会使股票市场的波动性增大。在市场不稳定时期，投资者对利空消息更为敏感，股票价格的波动会因利空消息而显著加剧，TARCH模型能够准确地描述这一现象。在模型设定过程中，对EGARCH模型和TARCH模型的参数进行合理设置。对于EGARCH模型，根据AIC（赤池信息准则）和BIC（贝叶斯信息准则）来确定最优的滞后阶数p和q。AIC和BIC准则通过权衡模型的拟合优度和复杂度，选择使准则值最小的滞后阶数，以确保模型在准确拟合数据的同时避免过度拟合。对于TARCH模型，同样依据AIC和BIC准则确定滞后阶数p和q，并对模型中的其他参数进行初始设定。在估计过程中，采用极大似然估计法对模型参数进行估计，以得到准确的参数估计值。通过对EGARCH模型和TARCH模型的合理选择与设定，能够更有效地揭示我国股票市场波动的非对称特性。3.3研究步骤与方法在进行我国股票市场波动非对称特性的实证研究时，制定了科学严谨的研究步骤与方法，以确保研究结果的准确性和可靠性。首先，对股市收益率进行描述性统计分析。运用统计学方法，计算上证综合指数和深证成份指数收益率序列的均值、标准差、偏度、峰度等统计量。均值能够反映股票市场的平均收益水平，标准差则用于衡量收益率的波动程度，偏度可以描述收益率分布的对称性，峰度用于刻画收益率分布的尖峰肥尾特征。通过对这些统计量的分析，初步了解收益率序列的基本特征。在2010-2022年期间，上证综合指数收益率的均值为[X1]，标准差为[X2]，偏度为[X3]，峰度为[X4]。均值[X1]表明该时期上证综合指数的平均收益处于[具体收益水平描述]；标准差[X2]较大，说明收益率的波动较为剧烈；偏度[X3]不等于0，显示收益率分布呈现出[正偏或负偏的具体情况]；峰度[X4]大于3，表明收益率序列存在尖峰肥尾的性质。其次，对模型残差进行自相关性检验。在对股票市场波动进行建模时，若残差存在自相关性，会影响模型的准确性和可靠性。采用Durbin-Watson（DW）检验这一广泛使用的方法，指定1-5阶残差自相关性的DW检验。若检验结果显示DW值接近2，则表明残差不存在自相关性；若DW值显著偏离2，则说明残差存在自相关性。当发现残差存在自相关性时，采用逐步自回归方法确定自回归阶数，对模型进行自相关性校正。假设对上证综合指数收益率序列进行建模后，DW检验结果显示1阶DW值显著，说明存在一阶自相关性。通过逐步自回归方法，经过多次试验和分析，确定自回归阶数为p，从而建立AR(p)模型对自相关性进行校正。接着，检验残差的异方差性。异方差性是指模型中随机误差项的方差不是常数，这会导致普通最小二乘回归估计（OLS）不再有效。运用ARCH-LM检验等方法来检验残差是否存在异方差性。ARCH-LM检验通过构建辅助回归方程，检验残差平方是否存在自相关性，从而判断是否存在异方差性。若检验结果表明存在异方差性，则需要进一步拟合相关的非对称模型。最后，拟合非对称模型。当确定残差存在异方差性后，采用之前选定的EGARCH模型和TARCH模型进行拟合。利用极大似然估计法对EGARCH模型和TARCH模型的参数进行估计。在估计过程中，根据AIC（赤池信息准则）和BIC（贝叶斯信息准则）等准则，选择使准则值最小的模型参数，以确保模型在准确拟合数据的同时避免过度拟合。通过对模型参数的估计和分析，判断我国股票市场是否存在波动非对称特性，以及利好消息和利空消息对股票市场波动的具体影响。对上证综合指数数据进行EGARCH模型拟合后，得到模型参数估计值。根据非对称项系数的估计结果，判断利好消息和利空消息对波动性的影响差异。若非对称项系数为负且显著，则表明利空消息对波动性的影响大于利好消息，存在“杠杆效应”；反之，若系数为正且显著，则说明利好消息对波动性的影响更大。四、实证结果与分析4.1描述性统计分析结果对2010年1月1日至2022年12月31日期间上证综合指数和深证成份指数的日收益率数据进行描述性统计分析，结果如表1所示：指数样本量均值标准差偏度峰度JB统计量上证综指3234[X1][X2][X3][X4][X5]深证成指3234[X6][X7][X8][X9][X10]从均值来看，上证综指的日收益率均值为[X1]，深证成指的日收益率均值为[X6]，表明在样本期内，两个指数的平均收益水平[结合具体数值描述平均收益情况，如处于较低水平或有一定的正收益等]。这可能与我国股票市场在这一时期的整体经济环境、政策导向以及市场参与者的行为等多种因素有关。在经济增长放缓的阶段，企业盈利受到影响，股票市场的平均收益也会相应降低。标准差方面，上证综指的标准差为[X2]，深证成指的标准差为[X7]，标准差较大说明两个指数的收益率波动较为剧烈。在样本期内，我国股票市场经历了多次重大事件，如2015年的股灾、2018年的中美贸易摩擦等，这些事件都对股票市场的稳定性产生了巨大冲击，导致收益率的波动加剧。偏度反映了收益率分布的对称性。上证综指的偏度为[X3]，深证成指的偏度为[X8]，两个指数的偏度均不为0，说明收益率分布呈现出非对称的特征。且偏度值显示收益率分布[根据具体偏度值判断是正偏还是负偏，并描述其意义，如负偏表示收益率出现大幅下跌的概率相对较大]。在市场恐慌情绪蔓延时，投资者往往会过度反应，导致股票价格大幅下跌，使得收益率分布呈现出负偏的特征。峰度用于刻画收益率分布的尖峰肥尾特征。上证综指的峰度为[X4]，深证成指的峰度为[X9]，均显著大于3，表明两个指数的收益率序列存在明显的尖峰肥尾性质。这意味着与正态分布相比，股票收益率出现极端值的概率更高。在股票市场中，偶尔会出现突发的重大利好或利空消息，导致股票价格出现暴涨暴跌，从而使得收益率序列呈现出尖峰肥尾的分布特征。JB统计量用于检验收益率是否服从正态分布。上证综指的JB统计量为[X5]，深证成指的JB统计量为[X10]，在给定的显著性水平下（如5%），均远远大于临界值，因此拒绝收益率服从正态分布的原假设。这进一步证实了我国股票市场收益率分布具有非正态性，存在尖峰肥尾和非对称的特征。通过对上证综合指数和深证成份指数收益率的描述性统计分析，可以初步得出我国股票市场收益率具有波动剧烈、分布非对称以及尖峰肥尾的特征，这些特征与传统金融理论中关于收益率服从正态分布的假设不符，为后续运用非对称模型进行深入研究提供了现实依据。4.2模型估计与检验结果运用EViews软件对EGARCH模型和TARCH模型进行参数估计，估计结果如表2所示：模型参数估计值标准误差t统计量概率EGARCH(1,1)ω[X11][X12][X13][X14]β1[X15][X16][X17][X18]α1[X19][X20][X21][X22]γ1[X23][X24][X25][X26]TARCH(1,1)ω[X27][X28][X29][X30]α1[X31][X32][X33][X34]β1[X35][X36][X37][X38]γ1[X39][X40][X41][X42]从EGARCH(1,1)模型的估计结果来看，ω的估计值为[X11]，在统计上显著，表明存在常数项，对条件方差有稳定的影响。β1的估计值为[X15]，且大于0，说明过去的条件方差对当前条件方差具有正向影响，即我国股票市场波动具有持续性。α1的估计值为[X19]，表明波动存在ARCH效应，过去的冲击对当前波动有显著影响。关键的非对称项系数γ1的估计值为[X23]，且在给定的显著性水平下（如5%）显著不为0。若γ1<0，表明利空消息对波动性的影响大于利好消息，存在“杠杆效应”；若γ1>0，则说明利好消息对波动性的影响更大。根据实际估计值[X23]的正负情况，判断我国股票市场利好消息和利空消息对波动影响的非对称方向。若γ1的估计值为-0.05，且通过显著性检验，这表明在我国股票市场中，同等程度的利空消息对波动性的影响大于利好消息，存在明显的“杠杆效应”。对于TARCH(1,1)模型，ω的估计值为[X27]，在统计上显著，体现了常数项对条件方差的作用。α1的估计值为[X31]，表明过去的误差平方对当前条件方差有影响。β1的估计值为[X35]，大于0，说明波动具有持续性。γ1的估计值为[X39]，若γ1>0，表明存在杠杆效应，即利空消息会使股票市场的波动性增大。根据γ1的实际估计值[X39]及其显著性检验结果，判断我国股票市场是否存在杠杆效应。若γ1的估计值为0.03，且在5%的显著性水平下显著，说明我国股票市场存在杠杆效应，利空消息对股票市场波动的影响更为显著。为了进一步检验模型的拟合优度和合理性，进行了一系列检验。运用Ljung-Box检验对模型残差的自相关性进行检验，检验结果如表3所示：模型Q(10)P值EGARCH(1,1)[X43][X44]TARCH(1,1)[X45][X46]若Q统计量对应的P值大于给定的显著性水平（如5%），则接受残差不存在自相关性的原假设。从表3可以看出，EGARCH(1,1)模型和TARCH(1,1)模型的Q(10)统计量对应的P值分别为[X44]和[X46]，均大于0.05，说明两个模型的残差不存在自相关性，模型能够较好地拟合数据。采用ARCH-LM检验对模型残差的异方差性进行检验，检验结果如表4所示：模型F统计量P值EGARCH(1,1)[X47][X48]TARCH(1,1)[X49][X50]若F统计量对应的P值大于给定的显著性水平（如5%），则接受残差不存在异方差性的原假设。从表4可知，EGARCH(1,1)模型和TARCH(1,1)模型的F统计量对应的P值分别为[X48]和[X50]，均大于0.05，表明两个模型的残差不存在异方差性，模型设定合理。通过对EGARCH模型和TARCH模型的参数估计以及一系列检验，可以判断我国股票市场存在波动非对称特性。根据模型估计结果，明确利好消息和利空消息对股票市场波动的具体影响方向和程度，为后续的分析和研究提供了有力的实证支持。4.3波动非对称特性的特征分析根据上述实证结果，我国股票市场波动非对称特性具有独特的表现形式和程度。从表现形式来看，在大多数情况下，我国股票市场存在明显的杠杆效应，即利空消息对股票市场波动的影响大于利好消息。这一现象在EGARCH模型和TARCH模型的估计结果中均得到了有力的验证。在EGARCH模型中，非对称项系数γ1显著为负，表明同等程度的利空消息会导致股票市场波动性更大幅度的上升。在TARCH模型中，γ1显著大于0，进一步证实了利空消息对股票市场波动性的增强作用。在2015年股灾期间，大量的利空消息如监管政策收紧、市场过度杠杆化等引发了股票市场的剧烈波动，股价大幅下跌，成交量急剧放大，市场恐慌情绪蔓延。相比之下，当出现同等程度的利好消息时，股票市场的波动相对较为平稳。从程度上看，我国股票市场波动非对称特性的程度较为显著。EGARCH模型和TARCH模型的估计结果显示，非对称项系数在统计上高度显著，说明利好消息和利空消息对股票市场波动的影响差异具有较强的显著性。这意味着在我国股票市场中，信息的方向性对市场波动的影响较为明显，投资者对利空消息和利好消息的反应程度存在较大差异。在某些重大事件发生时，如宏观经济数据的公布、政策的重大调整等，股票市场会对利空消息做出更为强烈的反应，导致市场波动迅速加剧。与国外市场相比，我国股票市场波动非对称特性既有相似之处，也存在一定的差异。相似之处在于，国内外股票市场都普遍存在波动非对称现象，即利好消息和利空消息对市场波动的影响存在差异。在大多数发达国家的股票市场中，同样存在显著的杠杆效应，利空消息对市场波动的影响大于利好消息。在2008年全球金融危机期间，美国股票市场受到大量利空消息的冲击，市场波动性急剧上升，股价大幅下跌。我国股票市场波动非对称特性也有自身的特点。一方面，我国股票市场的波动非对称特性可能受到投资者结构和行为的影响更为显著。我国股票市场以散户投资者为主，散户投资者往往缺乏专业的投资知识和理性的投资行为，更容易受到市场情绪的影响。当市场出现利空消息时，散户投资者可能会过度恐慌，纷纷抛售股票，导致市场波动加剧；而当市场出现利好消息时，散户投资者可能会过于乐观，盲目跟风买入股票，但由于缺乏长期投资的理念，市场波动的上升幅度相对较小。相比之下，国外股票市场以机构投资者为主，机构投资者具有更专业的投资能力和更理性的投资行为，对市场波动的影响相对较为稳定。另一方面，我国股票市场的波动非对称特性可能与市场制度和政策环境密切相关。我国股票市场的交易制度、监管制度等对市场波动具有重要的调节作用。涨跌幅限制制度可以在一定程度上抑制市场的过度波动，但也可能导致市场在利空消息冲击下出现“磁吸效应”，加剧市场波动的非对称性。政策的频繁调整也可能引发投资者对市场预期的变化，从而影响股票市场波动的非对称特性。在2015年股灾期间，政府出台了一系列救市政策，这些政策在一定程度上稳定了市场情绪，但也对市场波动的非对称特性产生了影响。而国外股票市场的制度和政策相对较为稳定，对市场波动非对称特性的影响相对较小。五、影响我国股票市场波动非对称特性的因素分析5.1宏观经济因素宏观经济因素对我国股票市场波动非对称特性有着至关重要的影响，其中经济增长、利率、通货膨胀等变量在其中扮演着关键角色。经济增长与股票市场之间存在着紧密的联系。当经济增长态势良好时，企业的盈利水平通常会随之提高。企业的销售额增加，利润空间扩大，这使得投资者对企业的未来发展充满信心，进而纷纷买入股票，推动股票价格上涨。在经济增长阶段，消费者的购买力增强，市场需求旺盛，企业的产品和服务更容易销售出去，从而带来更多的收入和利润。上市公司A在经济增长时期，其产品市场需求大增，销售额同比增长30%，净利润增长25%，公司股票价格在一年内上涨了50%。然而，当经济增长放缓或出现衰退时，企业的盈利面临挑战，股票价格往往会下跌。经济衰退时期，市场需求萎缩，企业订单减少，可能还会面临成本上升的压力，导致利润下降，投资者信心受挫，纷纷抛售股票，股票价格随之下跌。在2008年全球金融危机期间，我国经济增长受到冲击，许多企业盈利下滑，股票市场大幅下跌，上证综指从2007年10月的6124点暴跌至2008年10月的1664点。经济增长的变化对股票市场波动非对称特性的影响机制较为复杂。在经济增长加速阶段，虽然利好消息会推动股票价格上涨，但由于投资者对经济增长的预期较为乐观，市场情绪相对稳定，股票市场的波动性可能相对较小。而当经济增长减速时，即使是较小的利空消息也可能引发投资者的恐慌情绪，导致股票市场的波动性大幅增加。2018年，我国经济面临一定的下行压力，尽管政府出台了一些利好政策，但市场对经济增长的担忧依然存在。一旦出现诸如贸易摩擦升级等利空消息，股票市场就会出现剧烈波动，投资者纷纷抛售股票，市场恐慌情绪蔓延。利率作为宏观经济调控的重要工具，对股票市场波动非对称特性也有着显著的影响。当利率下降时，企业的融资成本降低，这有利于企业扩大生产和投资，增加利润，从而推动股票价格上涨。利率下降还会使得债券等固定收益类资产的吸引力下降，投资者会将资金更多地转向股票市场，进一步推动股票价格上升。某企业在利率下降前，每年的利息支出为1000万元，利率下降后，利息支出减少到800万元，利润相应增加。同时，由于债券收益率下降，投资者纷纷买入该企业股票，使得股票价格上涨了20%。当利率上升时，企业的融资成本增加，利润空间受到挤压，股票价格可能下跌。利率上升会使得股票市场的资金流向债券等固定收益类资产，导致股票市场的资金供应减少，股票价格下跌。2017年，央行逐步提高利率，许多企业的融资成本上升，盈利受到影响，股票市场整体表现不佳，部分高负债企业的股票价格大幅下跌。利率调整对股票市场波动非对称特性的影响也不容忽视。在利率下降阶段，利好消息对股票市场波动的影响可能相对较小，因为市场对利率下降带来的利好预期已经有所消化。而在利率上升阶段，利空消息对股票市场波动的影响可能更大，因为投资者对利率上升带来的负面影响更为敏感。当央行宣布加息时，市场可能会迅速做出反应，股票价格下跌，市场波动性增大。加息会增加企业的融资成本，降低企业的盈利预期，投资者会减少对股票的需求，导致股票价格下跌。加息还会使得债券等固定收益类资产的吸引力增加，资金从股票市场流出，进一步加剧股票市场的下跌和波动。通货膨胀对股票市场波动非对称特性的影响具有复杂性。适度的通货膨胀在一定程度上可以刺激经济增长，推动股票价格上涨。在通货膨胀初期，产品价格上涨，企业的销售收入增加，利润也会相应提高，从而吸引投资者买入股票，股票价格上升。当通货膨胀率处于2%-3%的适度区间时，企业的盈利状况良好，股票市场表现活跃。过高的通货膨胀会对股票市场产生负面影响。高通货膨胀会导致货币贬值，消费者的购买力下降，市场需求萎缩，企业的成本上升，利润减少，股票价格下跌。高通货膨胀还会引发央行采取紧缩的货币政策，提高利率，进一步加重企业的负担，对股票市场形成压力。当通货膨胀率超过5%时，企业的经营面临困境，股票市场往往会出现下跌行情。通货膨胀率的变化对股票市场波动非对称特性的影响也较为明显。在通货膨胀率上升阶段，利空消息对股票市场波动的影响可能更大，因为投资者对通货膨胀带来的负面影响更为担忧。而在通货膨胀率下降阶段，利好消息对股票市场波动的影响可能相对较大，因为投资者对经济复苏的预期增强。当通货膨胀率持续上升，接近或超过警戒线时，投资者会担心经济过热和企业成本上升，一旦出现利空消息，如企业业绩下滑等，股票市场就会出现剧烈波动。相反，当通货膨胀率下降，经济逐渐复苏时，利好消息如政府出台刺激政策等，会对股票市场产生较大的推动作用，市场波动性相对较小。5.2市场交易机制因素市场交易机制是影响我国股票市场波动非对称特性的重要因素之一，其中涨跌幅限制和T+1交易制度在其中扮演着关键角色。涨跌幅限制是我国股票市场的一项重要交易制度，其目的在于抑制股票价格的过度波动，维护市场的稳定。根据规定，一般股票的涨跌幅限制为10%，ST股票的涨跌幅限制为5%。这一制度在实际运行中对股票市场波动非对称特性产生了多方面的影响。当股票价格触及涨跌幅限制时，交易行为会受到显著影响。在股价上涨触及涨停板时，投资者的买入需求可能无法得到完全满足，因为此时卖盘稀少，导致市场交易活跃度下降。而在股价下跌触及跌停板时，投资者的卖出意愿强烈，但买盘不足，使得股票难以成交，市场流动性受到严重抑制。2020年2月3日，受新冠疫情影响，众多股票开盘即跌停。以中国国航为例，当日开盘后迅速跌停，股价被限制在跌幅10%的位置，大量卖单堆积，成交量急剧萎缩，市场流动性几近枯竭。涨跌幅限制还可能引发“磁吸效应”。当股票价格接近涨跌幅限制时，投资者会预期股价即将触及限制，从而提前调整交易策略，导致股价加速向涨跌幅限制方向移动。这种效应在股价下跌时更为明显，因为投资者对损失的厌恶使得他们在股价下跌时更加恐慌，更倾向于提前抛售股票。在市场恐慌情绪蔓延时，当股票价格接近跌停板，投资者会担心股价进一步下跌，纷纷抛售股票，导致股价更快地触及跌停板，加剧了市场波动的非对称性。T+1交易制度规定，投资者当天买入的股票，需在下一个交易日才能卖出。这一制度对投资者的交易行为产生了直接的约束，进而影响股票市场波动的非对称特性。从市场稳定性角度来看，T+1交易制度在一定程度上可以减少日内过度交易，降低市场的短期波动性。由于投资者无法在当天买入股票后立即卖出，这使得他们在交易决策时会更加谨慎，避免了因冲动交易而导致的市场大幅波动。在没有T+1交易制度的情况下，投资者可能会频繁进行日内交易，追涨杀跌，加剧市场的不稳定。T+1交易制度也可能对市场波动非对称特性产生负面影响。当市场出现突发的利空消息时，投资者无法及时卖出持有的股票，导致市场上的卖压无法在当天释放，从而使得股票价格在后续交易日面临更大的下跌压力，加剧了市场波动的非对称性。在2015年股灾期间，市场突然出现大幅下跌，许多投资者想要卖出股票止损，但由于T+1交易制度的限制，无法及时卖出，导致股票价格连续暴跌，市场恐慌情绪进一步蔓延。5.3投资者行为因素投资者行为是影响我国股票市场波动非对称特性的关键因素，其中羊群效应和过度反应在其中发挥着重要作用。羊群效应是指投资者在投资决策过程中，受到其他投资者行为的影响，而忽略自身所掌握的信息，从而采取与大多数人相同的投资决策。在我国股票市场中，羊群效应较为显著，对股票市场波动的非对称特性产生了重要影响。当市场处于上涨阶段时，投资者往往更容易受到羊群效应的影响。随着股票价格的上涨，越来越多的投资者看到周围的人纷纷买入股票并获得收益，便会认为股票市场前景一片大好，即使自己没有充分的信息和分析，也会盲目跟风买入。这种大量的买入行为进一步推动股票价格上涨，形成一种正反馈机制，导致市场短期内出现异常波动。在2015年上半年的牛市行情中，许多投资者看到股票价格持续上涨，纷纷跟风买入，甚至不惜借贷炒股。一些原本对股票市场不太了解的投资者，仅仅因为看到身边的人在股市中赚钱，就盲目跟风进入市场。这种羊群行为使得股票价格不断攀升，远远超过了其实际价值，市场出现了明显的过热现象。当市场处于下跌阶段时，羊群效应同样会加剧市场的波动。投资者在看到股票价格下跌，其他投资者纷纷抛售股票时，会产生恐慌心理，担心自己的资产遭受损失，于是也跟着抛售股票。这种恐慌性抛售行为会导致股票价格进一步下跌，形成恶性循环，使市场波动性急剧增大。在2015年股灾期间，股票市场开始下跌，投资者纷纷恐慌抛售股票。一些投资者原本持有优质股票，但由于受到羊群效应的影响，看到周围的人都在抛售，也忍不住跟风卖出。这种大量的抛售行为导致股票价格暴跌，市场流动性几近枯竭，许多股票出现跌停现象，市场陷入极度恐慌之中。过度反应是指投资者对信息的反应过度，导致股票价格的波动超出了合理范围。在我国股票市场中，投资者往往容易出现过度反应的情况，这对股票市场波动的非对称特性也有着重要影响。当市场出现利好消息时，投资者可能会过度乐观，对股票价格的上涨预期过高，从而纷纷买入股票，推动股票价格大幅上涨。这种过度反应使得股票价格在短期内迅速偏离其内在价值，市场出现泡沫。某公司发布了一份超出市场预期的业绩报告，这是一个利好消息。投资者看到这份报告后，认为该公司未来的发展前景非常广阔，于是纷纷买入该公司的股票。在过度乐观情绪的驱动下，股票价格在短时间内大幅上涨，远远超过了其合理价值。当市场出现利空消息时，投资者则可能会过度悲观，对股票价格的下跌预期过度，纷纷抛售股票，导致股票价格大幅下跌。这种过度反应使得市场在利空消息面前表现得异常脆弱，波动性大幅增加。某公司被曝光存在财务造假问题，这是一个重大利空消息。投资者得知这一消息后，对该公司的未来失去信心，纷纷抛售股票。在过度悲观情绪的影响下，股票价格迅速暴跌，即使该公司的实际价值可能并没有受到如此严重的影响，但市场的过度反应导致了股票价格的大幅下跌。六、案例分析6.1典型股票波动非对称案例剖析以贵州茅台为例，深入分析其在2015-2020年期间的波动非对称现象及成因。贵州茅台作为白酒行业的龙头企业，在我国股票市场中具有极高的知名度和代表性，其股价波动对整个白酒板块乃至股票市场都有着重要影响。在2015年股灾期间，市场整体处于下跌趋势，贵州茅台也未能幸免。2015年6月12日，上证指数达到5178点的阶段性高点后开始大幅下跌，贵州茅台的股价也随之受到冲击。从2015年6月12日的290.01元，下跌至2015年8月26日的166.2元，跌幅达到42.7%。在这一阶段，市场恐慌情绪蔓延，投资者纷纷抛售股票，大量利空消息如经济增速放缓、市场流动性紧张等，导致股票市场波动急剧增大。贵州茅台作为优质蓝筹股，虽然其基本面并未发生重大变化，但在市场整体下跌的大环境下，股价也出现了大幅下跌，且下跌过程中的波动性明显高于上涨过程。从股价走势来看，下跌时股价呈现出快速、大幅度的下降，日K线图上出现了多个大阴线；而在后续的上涨过程中，股价上涨相对较为缓慢，日K线图上阳线的幅度相对较小。从成交量来看，在下跌阶段，成交量明显放大，表明投资者恐慌抛售；而在上涨阶段，成交量虽然也有所增加，但增加幅度相对较小。2017年，贵州茅台的股价呈现出持续上涨的态势。这一年，随着我国经济的稳定增长，白酒行业整体复苏，贵州茅台作为行业龙头，业绩表现优异。公司营业收入和净利润均实现了大幅增长，分别同比增长49.81%和61.97%。这些利好消息使得投资者对贵州茅台的未来发展充满信心，纷纷买入股票，推动股价持续上涨。从2017年1月3日的334.99元，上涨至2017年12月29日的719.11元，涨幅达到114.66%。在股价上涨过程中，虽然也有一些小幅度的回调，但整体波动性相对较小。股价上涨较为平稳，日K线图上阳线居多，且阳线的实体相对较大；成交量虽然随着股价上涨有所增加，但并没有出现大幅波动的情况。2020年初，新冠疫情爆发，对股票市场造成了巨大冲击。2020年2月3日，春节后首个交易日，上证指数大幅低开，贵州茅台也低开低走。当日股价开盘价为962.01元，收盘价为900.29元，跌幅达到6.42%。在疫情这一重大利空消息的影响下，市场恐慌情绪迅速蔓延，投资者对未来经济形势和企业业绩的担忧加剧，纷纷抛售股票，导致股票市场波动急剧增大。贵州茅台虽然具有较强的抗风险能力，但在市场整体恐慌的氛围下，股价也出现了明显的下跌和较大的波动。与2017年股价上涨阶段相比，此次下跌阶段的波动性更为显著，股价下跌速度更快，成交量也大幅增加。贵州茅台在2015-2020年期间出现波动非对称现象的成因是多方面的。从宏观经济因素来看，2015年股灾和2020年新冠疫情期间，我国经济面临较大的下行压力，经济增长放缓，市场不确定性增加。投资者对宏观经济形势的担忧导致市场恐慌情绪蔓延，对利空消息的反应更为敏感，从而使得股票市场波动加剧。在2015年股灾期间，经济增速放缓使得投资者对企业未来盈利预期下降，纷纷抛售股票，导致股价大幅下跌和市场波动增大。在2020年新冠疫情期间，疫情对经济的冲击使得投资者对企业业绩的担忧加剧，同样引发了市场的恐慌抛售，导致股票市场波动急剧增大。市场交易机制因素也对贵州茅台的股价波动产生了影响。我国股票市场的涨跌幅限制制度在一定程度上限制了股价的过度波动，但在市场恐慌时期，也可能导致投资者的交易行为受到限制，加剧市场的波动。在2020年2月3日，贵州茅台股价大幅下跌，虽然涨跌幅限制为10%，但由于市场恐慌情绪严重，投资者纷纷抛售股票，导致股价在接近跌停板的位置交易，成交量急剧放大，市场波动性增大。T+1交易制度使得投资者当天买入的股票无法当天卖出，这在市场下跌时可能导致投资者无法及时止损，进一步加剧市场的恐慌情绪和股价的下跌。投资者行为因素也是导致贵州茅台股价波动非对称的重要原因。在市场下跌时，投资者往往存在羊群效应和过度反应。当看到股价下跌，其他投资者纷纷抛售股票时，投资者会担心自己的资产遭受损失，从而跟随抛售股票，导致股价进一步下跌。在2015年股灾和2020年新冠疫情期间，市场恐慌情绪蔓延，投资者纷纷恐慌抛售贵州茅台股票，导致股价大幅下跌，市场波动性急剧增大。投资者对信息的过度反应也会导致股价波动的非对称性。当出现利空消息时，投资者往往会过度悲观，对股价的下跌预期过高，从而纷纷抛售股票，导致股价大幅下跌。在2020年新冠疫情爆发初期，投资者对疫情的影响过度担忧，纷纷抛售贵州茅台股票，导致股价出现了大幅下跌和较大的波动。6.2市场整体波动非对称案例分析以2015年股灾这一股市大幅波动事件为例，深入剖析市场整体表现出的波动非对称特性及背后的驱动因素。2015年上半年，我国股票市场呈现出前所未有的牛市行情，上证指数从年初的3234点一路飙升至6月12日的5178点，涨幅高达60.12%。在这一上涨过程中，市场充满了乐观情绪，大量资金涌入股市，推动股票价格持续上涨。众多投资者受到财富效应的吸引，纷纷开户入场，包括许多对股票市场了解甚少的新手投资者。他们在市场乐观情绪的感染下，盲目跟风买入股票，进一步推动了股价的上涨。一些原本业绩平平的股票，在市场的狂热氛围中，股价也被大幅拉高。2015年6月中旬开始，股票市场形势急转直下，开启了一轮暴跌行情。在短短几个月内，上证指数从5178点暴跌至8月26日的2850点，跌幅达到45%。这一暴跌过程中，市场波动急剧增大，且表现出明显的波动非对称特性。与上半年上涨阶段相比，下跌阶段的波动更为剧烈，股价下跌速度更快，市场恐慌情绪蔓延。在下跌过程中，大量股票连续跌停，投资者纷纷恐慌抛售，成交量急剧放大。许多股票在开盘后即迅速跌停，投资者无法及时卖出股票，导致市场流动性几近枯竭。从波动非对称特性的表现来看，在2015年股灾中，利空消息对市场波动的影响远远大于利好消息。在市场下跌阶段，任何利空消息，如监管部门加强对场外配资的整顿、经济数据不及预期等，都会引发市场的剧烈反应，股票价格大幅下跌，市场波动性急剧增大。2015年6月12日，证监会发布加强场外配资监管的通知，这一消息成为股灾的导火索。投资者担心资金杠杆被强行降低，纷纷抛售股票，导致市场大幅下跌。此后，只要有类似的利空消息传出，市场就会出现恐慌性抛售，股价进一步下跌。相比之下，在市场上涨阶段，即使出现一些利好消息，如央行降准降息、企业业绩超预期等，市场的波动相对较小，股价上涨较为平稳。在2015年上半年牛市行情中，央行多次降准降息，这是重大利好消息。虽然股票市场出现了一定程度的上涨，但上涨的幅度和市场波动的程度远不及股灾下跌时的幅度和波动程度。这表明在2015年股灾期间，我国股票市场存在明显的波动非对称特性，利空消息对市场波动的影响更为显著。背后的驱动因素是多方面的。从宏观经济因素来看，2015年我国经济正处于结构调整的关键时期，经济增长面临一定的下行压力。投资者对宏观经济形势的担忧在市场下跌阶段被进一步放大，使得他们对利空消息更为敏感，加剧了市场的波动。经济数据的不理想，如GDP增速放缓、企业盈利下滑等，都成为市场下跌的催化剂。投资者担心经济衰退会对企业业绩产生负面影响，从而纷纷抛售股票，导致市场波动加剧。市场交易机制因素也在其中起到了重要作用。我国股票市场的涨跌幅限制制度在一定程度上限制了股价的过度波动，但在市场恐慌时期，也可能导致投资者的交易行为受到限制，加剧市场的波动。在股灾期间，当股票价格下跌触及跌停板时，投资者无法及时卖出股票，导致卖盘积压，市场流动性受阻。这种交易机制的限制使得市场在下跌阶段的波动进一步加剧。T+1交易制度使得投资者当天买入的股票无法当天卖出，这在市场下跌时可能导致投资者无法及时止损，进一步加剧市场的恐慌情绪和股价的下跌。在股灾期间，许多投资者想要卖出股票止损，但由于T+1交易制度的限制，无法及时卖出，只能眼睁睁看着股票价格继续下跌，导致损失进一步扩大。投资者行为因素是导致市场波动非对称的重要原因。在2015年股灾期间，投资者的羊群效应和过度反应表现得淋漓尽致。在市场下跌阶段，投资者看到股价下跌，其他投资者纷纷抛售股票，便会产生恐慌心理，担心自己的资产遭受损失，从而跟随抛售股票，导致股价进一步下跌。这种羊群行为使得市场在下跌阶段的波动急剧增大。投资者对信息的过度反应也加剧了市场的波动。当市场出现利空消息时，投资者往往会过度悲观，对股价的下跌预期过高，纷纷抛售股票，导致股价大幅下跌。在股灾期间，投资者对监管政策的调整、经济数据的变化等利空消息过度反应，盲目抛售股票，使得市场陷入极度恐慌之中。七、结论与建议7.1研究结论总结通过对我国股票市场波动非对称特性的深入研究，本研究取得了一系列重要成果。在实证研究方面，选取2010年1月1日至2022年12月31日期间上证综合指数和深证成份指数的日收益率数据，运用EGARCH模型和TARCH模型进行分析。结果表明，我国股票市场存在显著的波动非对称特性。在大多数情况下，利空消息对股票市场波动的影响大于利好消息，即存在明显的杠杆效应。在EGARCH模型中，非对称项系数γ1显著为负，表明同等程度的利空消息会导致股票市场波动性更大幅度的上升。在TARCH模型中，γ1显著大于0，进一步证实了利空消息对股票市场波动性的增强作用。在2015年股灾期间，大量利空消息引发了股票市场的剧烈波动，股价大幅下跌，成交量急剧放大，市场恐慌情绪蔓延。相比之下，当出现同等程度的利好消息时，股票市场的波动相对较为平稳。我国股票市场波动非对称特性的程度较为显著。EGARCH模型和TARCH模型的估计结果显示，非对称项系数在统计上高度显著，说明利好消息和利空消息对股票市场波动的影响差异具有较强的显著性。这意味着在我国股票市场中，信息的方向性对市场波动的影响较为明显，投资者对利空消息和利好消息的反应程度存在较大差异。在某些重大事件发生时，如宏观经济数据的公布、政策的重大调整等，股票市场会对利空消息做出更为强烈的反应，导致市场波动迅速加剧。在影响因素分析方面，宏观经济因素对我国股票市场波动非对称特性有着至关重要的影响。经济增长、利率、通货膨胀等变量与股票市场波动非对称特性密切相关。经济增长态势良好时，企业盈利增加，投资者信心增强，股票价格上涨，市场波动相对较小；而经济增长放缓或衰退时，企业盈利下降，投资者信心受挫，股票价格下跌，市场波动加剧。在2008年全球金融危机期间，我国经济增长受到冲击，许多企业盈利下滑，股票市场大幅下跌，上证综指从2007年10月的6124点暴跌至2008年10月的1664点。利率调整也会对股票市场波动非对称特性产生影响。利率下降时，企业融资成本降低，股票价格上涨，市场波动相对较小；利率上升时，企业融资成本增加，股票价格下跌，市场波动加剧。通货膨胀对股票市场波动非对称特性的影响具有复杂性。适度的通货膨胀可以刺激经济增长，推动股票价格上涨；过高的通货膨胀则会对股票市场产生负面影响，导致股票价格下跌，市场波动加剧。市场交易机制因素也是影响我国股票市场波动非对称特性的重要因素。涨跌幅限制和T+1交易制度对股票市场波动非对称特性产生了多方面的影响。涨跌幅限制在抑制股票价格过度波动的同时，也可能引发“磁吸效应”，加剧市场波动的非对称性。当股票价格接近涨跌幅限制时，投资者会预期股价即将触及限制，从而提前调整交易策略，导致股价加速向涨跌幅限制方向移动。T+1交易制度在一定程度上可以减少日内过度交易，降低市场的短期波动性，但在市场出现突发利空消息时，也可能导致投资者无法及时卖出股票，加剧市场波动的非对称性。投资者行为因素在我国股票市场波动非对称特性中发挥着关键作用。羊群效应和过度反应是导致股票市场波动非对称的重要原因。当市场处于上涨阶段时，投资者往往更容易受到羊群效应的影响，盲目跟风买入股票，推动股票价格上涨，加剧市场波动；当市场处于下跌阶段时，羊群效应同样会加剧市场的波动，投资者纷纷恐慌抛售股票，导致股票价格进一步下跌。在2015年上半年的牛市行情中，许多投资者看到股票价格持续上涨，纷纷跟风买入，甚至不惜借贷炒股。2015年股灾期间，股票市场开始下跌，投资者纷纷恐慌抛售股票。投资者的过度反应也会导致股票市场波动的非对称性。当市场出现利好消息时，投资者可能会过度乐观，对股票价格的上涨预期过高，推动股票价格大幅上涨；当市场出现利空消息时，投资者则可能会过度悲观，对股票价格的下跌预期过度，纷纷抛售股票，导致股票价格大幅下跌。在案例分析方面，以贵州茅台为例，深入剖析了其在2015-2020年期间的波动非对称现象及成因。在2015年股灾期间和2020年初新冠疫情爆发时，贵州茅台的股价受到市场整体下跌和利空消息的影响，出现了大幅下跌和较大的波动，且下跌过程中的波动性明显高于上涨过程。这主要是由于宏观经济因素、市场交易机制因素和投资者行为因素的共同作用。2015年股灾和2020年新冠疫情期间，我国经济面临较大的下行压力，市场不确定性增加，投资者对宏观经济形势的担忧导致市场恐慌情绪蔓延，对利空消息的反应更为敏感。我国股票市场的涨跌幅限制制度和T+1交易制度在市场恐慌时期也加剧了股价的波动。投资者的羊群效应和过度反应在这两个时期也表现得淋漓尽致，进一步推动了股价的下跌和市场波动的加剧。以2015年股灾为例，分析了市场整体表现出的波动非对称特性及背后的驱动因素。在2015年股灾中，市场下跌阶段的波动更为剧烈，利空消息对市场波动的影响远远大于利好消息。宏观经济因素、市场交易机制因素和投资者行为因素是导致这种波动非对称特性的主要原因。2015年我国经济正处于结构调整的关键时期，经济增长面临一定的下行压力，投资者对宏观经济形势的担忧在市场下跌阶段被进一步放大，使得他们对利空消息更为敏感，加剧了市场的波动。我国股票市场的涨跌幅限制制度和T+1交易制度在股灾期间也对市场波动产生了重要影响。投资者的羊群效应和过度反应在股灾期间表现得尤为明显，大量投资者恐慌抛售股票，导致市场陷入极度恐慌之中，股价大幅下跌，市场波动急剧增大。7.2对投资者的建议基于本研究的结论，为投资者在资产配置、风险控制等方面提供如下针对性的投资建议。在资产配置方面，投资者应充分考虑股票市场波动的非对称特性，构建多元化的投资组合。由于利空消息对股票市场波动的影响更为显著，投资者不能将全部资金集中投资于股票市场，应合理配置不同资产类别，如债券、基金、黄金等。债券具有固定的收益和相对稳定的价格，在股票市场下跌时，债券市场往往表现相对稳定，能够起到一定的避险作用。投资者可以将一部分资金配置于国债、企业债等债券产品，以降低投资组合的整体风险。基金投资可以通过专业的基金经理进行资产配置，分散投资于多个股票和其他资产，降低单一股票的风险。黄金作为一种避险资产，在经济不稳定或股票市场大幅下跌时，其价格往往会上涨。在2008年全球金融危机期间，股票市场暴跌，而黄金价格却大幅上涨。投资者可以配置一定比例的黄金，如黄金ETF等，以增强投资组合的抗风险能力。投资者还应根据自身的风险承受能力和投资目标，合理调整股票资产在投资组合中的比例。风险承受能力较低的投资者，可以适当降低股票资产的比例，增加债券等低风险资产的配置。风险承受能力较高且投资目标为追求长期高收益的投资者，可以适当提高股票资产的比例，但也应注意分散投资，避免过度集中于某几只股票或某个行业。投资者可以将资金分散投资于不同行业、不同规模的股票，以降低行业风险和个别股票的风险。投资科技股、消费股、金融股等不同行业的股票，以及大盘蓝筹股、中小盘成长股等不同规模的股票。在风险控制方面，投