金融危机下中国股市波动性的GARCH类模型解析与启示

金融危机下中国股市波动性的GARCH类模型解析与启示一、引言1.1研究背景与意义在经济全球化与金融一体化的时代浪潮下，金融危机犹如汹涌的风暴，对全球金融市场产生了极为深远且复杂的冲击。自20世纪以来，多次重大金融危机的爆发，如1929-1933年的大萧条、1997年的亚洲金融危机、2008年的全球金融危机等，都给世界经济带来了沉重的打击。这些危机不仅导致了金融机构的大量倒闭、资产价格的暴跌、信用的紧缩，还引发了实体经济的衰退、失业率的大幅上升以及社会的不稳定。股市，作为金融市场的核心组成部分，是经济发展的“晴雨表”，在金融危机中首当其冲。以2008年全球金融危机为例，美国道琼斯工业平均指数从2007年10月的14000多点暴跌至2009年3月的6000多点，跌幅超过50%；英国富时100指数、德国DAX指数、法国CAC40指数等欧洲主要股市指数也纷纷大幅下挫，平均跌幅超过40%；亚洲地区的日本日经225指数、韩国综合指数等同样未能幸免，出现了深度下跌。股市的剧烈波动，使得投资者的财富大幅缩水，企业的融资难度急剧增加，严重影响了金融市场的稳定和实体经济的发展。中国股市，尽管在一定程度上受到资本管制等因素的保护，但在全球金融危机的大背景下，也难以独善其身。随着中国经济的对外开放程度不断提高，金融市场与国际市场的联系日益紧密，金融危机对中国股市的影响愈发显著。2008年金融危机期间，上证指数从2007年10月的6124点一路狂泻至2008年10月的1664点，跌幅高达73%，众多投资者遭受了巨大的损失。研究金融危机对中国股市波动性的影响，具有极其重要的理论与现实意义。从理论层面来看，深入探究两者之间的关系，有助于丰富和完善金融市场波动理论，为金融市场的研究提供新的视角和方法，进一步揭示金融市场运行的内在规律。通过对金融危机期间股市波动性的分析，能够更全面地了解股市在极端市场条件下的行为特征，深化对金融市场复杂性和不确定性的认识。从现实角度出发，对于投资者而言，准确把握金融危机对股市波动性的影响，能够帮助他们更好地理解市场风险，制定更为科学合理的投资策略，有效降低投资损失，实现资产的保值增值。在金融危机爆发前，投资者可以通过对市场形势的分析和预测，调整资产配置，降低股票投资比例，增加债券、黄金等避险资产的持有；在危机期间，投资者能够根据股市波动性的变化，灵活运用止损、套期保值等工具，控制风险；在危机过后，投资者可以抓住市场复苏的机会，合理布局，获取投资收益。对于监管者来说，研究这一课题能够为制定科学有效的金融监管政策提供有力依据，加强对金融市场的监管，维护金融市场的稳定，防范系统性金融风险的发生。监管者可以根据金融危机对股市波动性的影响机制，完善市场监管制度，加强对金融机构的监管，规范市场交易行为，提高市场的透明度和有效性；同时，监管者还可以通过宏观调控政策，如货币政策、财政政策等，对股市进行适度干预，稳定市场预期，促进股市的健康发展。1.2研究目的本研究旨在运用GARCH类模型，深入剖析金融危机对中国股市波动性的影响。具体而言，通过对相关数据的收集与分析，建立精准的GARCH类模型，准确测量金融危机前后中国股市波动性的变化，明确金融危机在多大程度上加剧了股市的波动，以及这种波动的持续性和动态特征。进一步探讨不同类型的金融危机，如由次贷危机引发的2008年全球金融危机、资产泡沫破裂导致的金融危机等，对中国股市波动性影响的差异。分析在金融危机期间，宏观经济因素，如国内生产总值（GDP）增长率、通货膨胀率、利率、汇率等，以及微观市场因素，如市场流动性、投资者情绪、公司财务状况等，如何通过各种传导机制，如金融渠道、国际贸易渠道、投资者心理预期等，作用于中国股市，进而影响其波动性。本研究还期望能够为市场参与者提供决策依据。对于投资者，帮助他们更好地理解金融危机时期股市波动性的变化规律，从而在危机前合理调整投资组合，降低风险暴露；在危机期间灵活运用各种投资策略，如套期保值、分散投资等，保护资产安全；在危机后把握市场复苏的机遇，实现资产增值。对于监管机构，为其制定科学有效的金融监管政策提供理论支持和实证依据，使其能够在金融危机期间及时采取措施稳定股市，防范系统性金融风险，维护金融市场的稳定和健康发展。1.3研究方法与创新点本研究主要采用计量经济学中的GARCH类模型进行实证分析。GARCH类模型，即广义自回归条件异方差模型，能够有效捕捉金融时间序列数据中的异方差性、波动聚集性和尖峰厚尾等特性，在金融市场波动性研究中具有广泛应用。通过建立GARCH(p,q)模型、EGARCH(p,q)模型、GJR-GARCH(p,q)模型等不同形式的GARCH类模型，全面深入地分析金融危机前后中国股市收益率的波动特征。在数据来源方面，选取具有代表性的上证综合指数和深证成分指数的日收盘价作为研究对象，数据时间跨度从2005年1月1日至2020年12月31日，涵盖了2008年全球金融危机以及期间的其他重要经济事件。这些数据来源于权威的金融数据提供商万得资讯（Wind），确保了数据的准确性和完整性。同时，收集国内生产总值（GDP）增长率、通货膨胀率（CPI）、利率（Shibor）、汇率（人民币对美元汇率中间价）等宏观经济数据，用于分析宏观经济因素对股市波动性的影响。宏观经济数据来源于国家统计局、中国人民银行等官方网站。本研究的创新点主要体现在以下两个方面。其一，采用多种GARCH类模型进行对比分析，而非局限于单一模型。不同的GARCH类模型在刻画股市波动特征方面各有优势，如GARCH(p,q)模型主要描述波动的聚集性；EGARCH(p,q)模型能够捕捉波动的非对称性和杠杆效应；GJR-GARCH(p,q)模型则在考虑波动非对称性的同时，对正负冲击的影响进行了更细致的区分。通过对比不同模型的估计结果和拟合效果，能够更全面、准确地揭示金融危机对中国股市波动性的影响机制，提高研究结论的可靠性。其二，在模型中引入宏观经济变量，综合考虑宏观经济因素与股市波动性之间的关系。以往研究大多仅关注股市自身的波动特征，而忽略了宏观经济环境对股市的重要影响。本研究将GDP增长率、通货膨胀率、利率、汇率等宏观经济变量纳入GARCH类模型中，分析这些变量如何通过影响投资者预期、企业经营状况等因素，进而作用于中国股市的波动性。这种综合分析方法能够更深入地理解金融危机背景下中国股市波动的深层次原因，为市场参与者提供更全面、更有价值的决策依据。二、文献综述2.1金融危机对股市影响的相关研究金融危机对股市的影响是金融领域研究的重要课题，众多学者从不同角度进行了深入探讨。在全球层面，许多研究表明金融危机往往导致股市大幅下跌，波动性急剧增加。如Reinhart和Rogoff（2009）通过对多个国家和地区在金融危机期间的股市数据进行分析，发现股市在危机期间普遍经历了深度调整，市值大幅缩水，且股市波动呈现出明显的集群性和持续性。在2008年全球金融危机期间，美国标普500指数从2007年10月的1565点暴跌至2009年3月的676点，跌幅超过57%，期间股市波动性大幅上升，标准差达到了历史高位。国内学者也对金融危机对中国股市的影响展开了广泛研究。李政等（2010）运用事件研究法，分析了2008年金融危机对中国股市的短期冲击，发现危机爆发后，中国股市在短期内出现了显著的负收益率，市场恐慌情绪蔓延。上证指数在2008年1月至10月期间，跌幅超过60%，成交量也大幅萎缩，显示出投资者信心严重受挫。在价格方面，不少研究聚焦于金融危机下股市价格的走势和波动特征。王璐（2015）基于ARCH类模型，对金融危机前后中国股市收益率的波动进行了研究，发现金融危机显著增加了中国股市的波动性，且波动具有明显的非对称性，负面消息对股市波动的影响大于正面消息。以2008年金融危机为例，当市场出现负面消息时，股市的下跌幅度和波动程度明显大于正面消息时的上涨幅度和波动程度。从成交量角度，一些研究探讨了金融危机对股市交易活跃度的影响。赵华和潘长风（2012）通过实证分析发现，金融危机期间中国股市成交量大幅下降，市场流动性减弱，表明投资者交易意愿降低，市场参与度不足。在2008年金融危机最严重的时期，沪深两市的成交量相比危机前减少了约50%，市场交易清淡。行业表现也是研究的重点之一。不同行业在金融危机中的表现存在差异，一些行业对金融危机较为敏感，而另一些行业则相对具有较强的抗风险能力。陈梦根和毛小元（2011）对中国各行业在金融危机期间的表现进行了分析，发现金融、房地产等行业受金融危机的冲击较大，股价跌幅明显；而消费必需品、公用事业等行业相对稳定，具有一定的防御性。在2008年金融危机期间，金融行业的股票平均跌幅超过70%，房地产行业跌幅也接近65%，而消费必需品行业跌幅相对较小，仅为40%左右。2.2GARCH类模型在股市波动性研究中的应用GARCH类模型自提出以来，在金融市场波动性研究领域得到了广泛应用，尤其在股市波动性研究中展现出独特的优势。众多学者运用该模型对不同国家和地区的股市进行研究，取得了丰富的成果。在国外，Engle（1982）开创性地提出了ARCH模型，为金融时间序列的波动性研究奠定了基础。Bollerslev（1986）在此基础上进行拓展，提出了GARCH模型，该模型能够有效捕捉金融时间序列中的波动聚集性，即大幅波动之后往往伴随着大幅波动，小幅波动之后也往往伴随着小幅波动。此后，GARCH类模型不断发展和完善，涌现出了多种变体，如EGARCH模型、GJR-GARCH模型、TGARCH模型等。这些模型在刻画股市波动的非对称性、杠杆效应等方面各具特色，为深入研究股市波动性提供了有力工具。在国内，许多学者也将GARCH类模型应用于中国股市波动性研究。如张世英和陈守东（1998）较早地将GARCH模型引入中国股市研究，发现中国股市收益率存在显著的ARCH效应，即条件异方差性，说明中国股市波动具有聚集性特征。此后，大量研究围绕GARCH类模型展开。一些研究运用GARCH(1,1)模型对中国股市进行分析，发现该模型能够较好地拟合中国股市收益率的波动情况，并且可以通过模型预测股市的短期波动趋势。例如，通过对上证综合指数的分析，发现GARCH(1,1)模型能够准确捕捉到股市波动的聚集性，并且在样本内拟合和样本外预测方面都取得了较好的效果。EGARCH模型在研究中国股市波动的非对称性方面具有重要应用。赵留彦和王一鸣（2003）运用EGARCH模型对中国股市进行研究，发现中国股市存在明显的杠杆效应，即负面消息对股市波动的影响大于正面消息。当市场出现负面消息时，如宏观经济数据不及预期、企业业绩下滑等，股市的波动幅度会显著增大；而当市场出现正面消息时，股市波动的增加幅度相对较小。这种非对称性对于投资者的决策具有重要影响，投资者在制定投资策略时需要充分考虑杠杆效应的存在。GJR-GARCH模型则进一步细化了对股市波动非对称性的刻画。该模型不仅考虑了正负冲击对股市波动的不同影响，还对不同幅度的冲击进行了区分。一些研究运用GJR-GARCH模型对中国股市进行分析，发现该模型能够更准确地描述中国股市的波动特征，尤其是在金融危机等极端市场条件下，能够更好地捕捉股市波动的变化情况。在2008年金融危机期间，GJR-GARCH模型能够清晰地反映出负面冲击对中国股市波动的加剧作用，以及正面冲击对股市波动的相对较小影响。不同的GARCH类模型对中国股市的适用性存在差异。GARCH(1,1)模型结构相对简单，在描述股市波动的聚集性方面表现出色，适用于对股市波动进行一般性的分析和短期预测。但该模型在捕捉波动的非对称性和杠杆效应方面存在一定局限性。EGARCH模型由于其特殊的对数形式，能够很好地捕捉股市波动的非对称性和杠杆效应，适用于研究股市对正负消息的不同反应。然而，该模型在估计和解释上相对复杂，对数据的要求也较高。GJR-GARCH模型在考虑波动非对称性的同时，对正负冲击的影响进行了更细致的区分，在刻画金融危机等极端市场条件下股市波动的变化方面具有优势，但同样存在模型复杂度较高的问题。在实际应用中，需要根据研究目的和数据特征，综合考虑模型的拟合效果、预测能力以及参数估计的准确性等因素，选择最合适的GARCH类模型来研究金融危机对中国股市波动性的影响。2.3文献简评综上所述，现有研究在金融危机对股市影响以及GARCH类模型在股市波动性研究方面已取得了丰硕成果。这些研究为深入理解金融危机背景下股市的运行规律提供了坚实的理论基础和实证依据。然而，现有研究仍存在一些不足之处，有待进一步改进和完善。在模型选择方面，虽然GARCH类模型在股市波动性研究中应用广泛，但部分研究仅选用单一模型进行分析，难以全面捕捉股市波动的复杂特征。不同的GARCH类模型在刻画波动聚集性、非对称性和杠杆效应等方面各有侧重，单一模型可能无法准确反映金融危机对股市波动性的多维度影响。未来研究可尝试运用多种GARCH类模型进行对比分析，结合不同模型的优势，更全面、准确地揭示股市波动的内在机制。数据处理上，一些研究在数据选取和处理过程中存在一定局限性。部分研究的数据样本时间跨度较短，可能无法涵盖完整的金融危机周期，导致研究结果缺乏代表性和普遍性。同时，在数据处理时，对异常值的处理方法和数据的平稳性检验等环节，不同研究存在差异，这可能会影响模型的估计结果和研究结论的可靠性。后续研究应尽可能选取更长时间跨度的数据，确保涵盖多个金融危机时期，同时规范数据处理方法，提高数据质量和分析结果的准确性。在影响因素分析方面，现有研究多聚焦于金融危机本身对股市波动性的直接影响，对其他宏观经济因素、微观市场因素以及国际金融市场联动等方面的综合分析相对不足。实际上，在金融危机期间，宏观经济环境的变化，如GDP增长率、通货膨胀率、利率和汇率等因素的波动，会通过多种渠道影响股市；微观市场因素，如投资者情绪、市场流动性、公司治理结构等，也会对股市波动性产生重要作用。此外，随着经济全球化的深入，国际金融市场之间的联系日益紧密，国际金融市场的波动对中国股市的溢出效应不容忽视。未来研究可构建更全面的影响因素体系，综合考虑宏观、微观以及国际因素的交互作用，深入探究金融危机背景下中国股市波动性的影响机制。在研究视角上，大部分研究主要从实证分析角度出发，对金融危机影响股市波动性的理论机制探讨相对较少。虽然实证研究能够通过数据验证两者之间的关系，但对于背后深层次的理论原理，如金融市场的传导机制、投资者行为理论等方面的研究还不够深入。加强理论研究，有助于更深入地理解金融危机对股市波动性影响的内在逻辑，为实证研究提供更坚实的理论支撑。在研究方法上，目前研究方法仍较为传统，新兴技术和方法的应用相对不足。随着信息技术的飞速发展，大数据、人工智能、机器学习等新兴技术为金融市场研究提供了新的思路和方法。例如，利用大数据技术可以获取更广泛的市场数据，包括社交媒体数据、网络搜索数据等，这些数据能够更及时、准确地反映投资者情绪和市场预期；机器学习算法可以构建更复杂、灵活的模型，提高对股市波动性的预测精度。未来研究可尝试引入这些新兴技术和方法，丰富研究手段，提升研究水平。三、理论基础3.1金融危机理论金融危机，作为一种复杂且极具影响力的经济金融现象，一直是学术界和实务界关注的焦点。从定义来看，金融危机是指当一国国内金融机构倒闭、货币持续贬值、可获得的借贷资金枯竭、金融市场动荡时，直接引发经济衰退，并经由多种渠道向外部传导，蔓延后造成区域性和全局性的全部或大部分金融指标，如短期利率、货币资产、证券、房地产、土地价格、商业破产数和金融机构倒闭数等的急剧、短暂和超周期的恶化。金融危机的类型丰富多样，常见的包括货币危机、银行危机、债务危机和系统性金融危机。货币危机主要表现为一国货币的汇率在短期内急剧贬值，例如1997年亚洲金融危机中，泰国泰铢在国际投机资本的冲击下大幅贬值，引发了整个东南亚地区的货币危机，马来西亚林吉特、印尼盾等货币也纷纷大幅下跌，货币的不稳定严重影响了这些国家的进出口贸易和国际投资。银行危机则是指大量银行面临挤兑、破产或倒闭的风险，导致银行体系的信用中介功能受损，如2008年全球金融危机期间，美国多家大型银行，如雷曼兄弟银行破产倒闭，众多银行收紧信贷，使得企业和个人融资困难，实体经济受到严重冲击。债务危机是指一国或企业无法按时偿还债务本息，引发信用违约风险，像2010年希腊债务危机，希腊政府债务规模庞大，财政收支失衡，无法履行债务偿还义务，导致国债收益率飙升，政府融资成本急剧上升，经济陷入衰退。系统性金融危机则是各种危机相互交织、相互影响，对整个金融体系和实体经济造成全面的破坏，2008年全球金融危机就是典型的系统性金融危机，从美国次贷危机引发，迅速蔓延至全球金融市场，导致股市暴跌、银行倒闭、企业破产，全球经济陷入深度衰退。金融危机的形成机制较为复杂，是多种因素共同作用的结果。宏观经济失衡是一个重要因素，当经济过热时，往往伴随着通货膨胀高企，资产价格泡沫膨胀，如20世纪80年代日本经济泡沫，房地产和股票价格大幅上涨，远远脱离了实体经济的基本面，最终泡沫破裂，引发了长达十多年的经济衰退；而经济过冷则可能导致经济增长乏力，失业率上升，企业盈利能力下降，增加金融风险。金融监管的缺失或不力也为金融危机的爆发埋下隐患，金融机构在缺乏有效监管的环境下，可能过度冒险和创新，累积大量风险，如2008年全球金融危机前，美国金融机构大量发放次级抵押贷款，并将其打包成复杂的金融衍生品进行交易，这些金融创新产品缺乏有效监管，风险不断积累，最终引发了危机。国际经济环境的变化，如主要经济体的政策调整、国际贸易冲突等，也可能对其他国家的金融市场产生冲击，美国的货币政策调整，加息或降息，会影响全球资金的流动方向，导致新兴市场国家资本外流，货币贬值，金融市场动荡；国际贸易冲突会影响企业的出口和盈利能力，进而影响金融市场的稳定。金融机构自身的问题，如不良资产的积累、过度借贷以及风险管理不善等，也可能使金融机构陷入困境，进而引发系统性风险，银行过度放贷，忽视贷款质量，导致不良贷款率上升，当不良资产达到一定规模时，银行的资金链就会断裂，引发银行危机。市场信心的崩溃也是金融危机的重要导火索，一旦投资者对市场失去信心，大规模抛售资产，就会迅速引发金融市场的动荡，在2008年金融危机期间，投资者对金融市场的信心崩溃，纷纷抛售股票、债券等资产，导致金融市场价格暴跌，流动性枯竭。金融危机的传导途径主要包括贸易渠道、金融渠道和心理渠道。贸易渠道是指金融危机通过国际贸易的传导，当一个国家发生金融危机时，其经济衰退会导致进口需求下降，从而影响与其有贸易往来国家的出口企业，进而影响这些国家的经济和金融市场，美国发生金融危机，经济衰退，对中国的进口需求减少，中国的出口企业订单减少，利润下降，企业面临资金周转困难，可能会影响到相关企业的贷款偿还能力，增加银行的不良贷款风险。金融渠道是指通过金融机构之间的债权债务关系、资本流动等进行传导，跨国银行在不同国家设有分支机构，当母国发生金融危机时，可能会收缩海外业务，撤回资金，导致其他国家金融市场流动性紧张，2008年金融危机期间，美国的金融机构纷纷撤回在新兴市场国家的投资，导致这些国家的金融市场资金短缺，股市暴跌。心理渠道则是通过投资者的心理预期和信心进行传导，当一个国家发生金融危机时，会引发其他国家投资者的恐慌情绪，降低他们对其他国家金融市场的信心，导致他们减少投资或撤资，从而影响其他国家金融市场的稳定，亚洲金融危机期间，泰国金融危机引发了投资者对整个亚洲地区金融市场的担忧，纷纷撤资，导致亚洲其他国家金融市场也受到冲击。以2008年金融危机为例，其起源于美国的次贷危机。美国房地产市场在21世纪初持续繁荣，房价不断上涨，金融机构为了获取更多利润，大量发放次级抵押贷款，这些贷款的借款人信用等级较低，还款能力较弱。同时，金融机构将这些次级抵押贷款打包成抵押债务债券（CDO）等金融衍生品进行销售，进一步扩大了风险。随着美联储不断加息，房地产市场泡沫破裂，房价下跌，大量次级抵押贷款借款人无法按时还款，导致次级贷款违约率大幅上升。金融机构持有的次级贷款相关资产价值暴跌，出现巨额亏损，面临严重的流动性危机和信用危机。雷曼兄弟银行的破产成为金融危机全面爆发的标志性事件，引发了全球金融市场的恐慌。股票市场大幅下跌，全球主要股市指数均出现大幅跌幅，美国道琼斯工业平均指数从2007年10月的14000多点暴跌至2009年3月的6000多点，跌幅超过50%；投资者信心严重受挫，大量资金从股市撤离。债券市场也受到冲击，信用利差扩大，债券价格下跌，企业融资成本大幅上升。金融机构之间的信任受到严重破坏，银行间同业拆借市场几乎停滞，流动性极度紧张，许多金融机构面临倒闭风险。金融危机通过贸易渠道和金融渠道迅速向全球蔓延，导致全球经济陷入衰退，国际贸易量大幅下降，失业率大幅上升，社会不稳定因素增加。众多企业因资金短缺、市场需求下降而倒闭，大量工人失业，家庭收入减少，消费能力下降，进一步加剧了经济的衰退。3.2股市波动性理论股市波动性，作为金融市场研究中的关键概念，是指股票价格在一定时期内的变化程度和不确定性。它反映了股票市场的风险水平，是衡量市场稳定性和投资者情绪的重要指标。在实际市场中，股票价格并非固定不变，而是时刻处于波动状态，这种波动既包括短期的价格起伏，也涵盖长期的趋势变化。例如，在某一交易日内，某只股票的价格可能会在开盘价的基础上出现上下10%甚至更大幅度的波动；从长期来看，某些行业的股票价格可能会随着行业的发展周期和宏观经济环境的变化，在几年内呈现出数倍的涨幅或跌幅。股市波动性的度量指标丰富多样，常用的包括标准差、方差、波动率指数（如VIX）等。标准差是衡量股票价格偏离其均值程度的指标，标准差越大，说明股票价格的波动越剧烈，风险越高；方差则是标准差的平方，同样用于衡量数据的离散程度，在股市波动性分析中，方差越大，表明股价的波动范围越大。波动率指数（VIX），又被称为恐慌指数，它通过对期权价格的计算，反映市场对未来30天股票市场波动性的预期。当VIX指数升高时，意味着市场参与者预期未来股市波动性将增大，市场恐慌情绪上升；反之，当VIX指数降低时，表明市场对未来股市波动性的预期较为平稳，投资者情绪相对乐观。在2008年金融危机期间，VIX指数一度飙升至历史高位，超过80，反映出市场对股市未来走势的极度担忧和恐慌。股市波动性受到多种因素的综合影响。宏观经济因素在其中起着关键作用，国内生产总值（GDP）增长率作为衡量经济增长的重要指标，当GDP增长率较高时，表明经济处于繁荣阶段，企业盈利预期增加，投资者对股市的信心增强，股票价格往往上涨，股市波动性相对较小；反之，当GDP增长率下降时，经济可能面临衰退风险，企业盈利预期降低，投资者信心受挫，股票价格下跌，股市波动性增大。通货膨胀率也会对股市波动性产生影响，适度的通货膨胀可能刺激企业生产和投资，对股市有一定的推动作用；但过高的通货膨胀会导致物价上涨过快，企业成本上升，实际利率下降，投资者可能会减少对股票的投资，转向其他保值资产，从而引发股市波动。利率变动与股市波动性密切相关，当利率上升时，企业的融资成本增加，盈利预期下降，股票价格可能下跌；同时，较高的利率会吸引投资者将资金存入银行或购买债券等固定收益产品，减少对股票的需求，进一步加剧股市波动；相反，利率下降时，企业融资成本降低，盈利预期上升，股票价格可能上涨，股市波动性相对减小。汇率波动对股市的影响主要体现在国际贸易和国际资本流动方面，本国货币升值可能导致出口企业竞争力下降，盈利减少，股票价格下跌；同时，国际资本可能会流入本国，增加对股票的需求，对股市有一定的支撑作用，汇率波动会增加股市的不确定性，导致股市波动性增大。公司层面的因素同样不容忽视，公司业绩是影响股票价格和波动性的核心因素之一。当公司公布的财务报表显示盈利增长良好、资产质量优良时，投资者对公司的未来发展充满信心，股票价格往往上涨，波动性较小；反之，若公司业绩不佳，如出现亏损、债务问题等，投资者会降低对公司的估值，股票价格下跌，波动性增大。管理层变动也可能对公司的战略决策、经营管理产生影响，进而影响股票价格和波动性。例如，当公司更换具有丰富经验和卓越领导能力的管理层时，投资者可能对公司的未来发展前景持乐观态度，股票价格可能上涨；相反，若管理层变动引发内部管理混乱，投资者信心受挫，股票价格可能下跌。新产品发布对公司的影响因产品的市场前景、竞争力等因素而异，如果新产品能够满足市场需求，具有创新性和竞争力，可能为公司带来新的利润增长点，股票价格上涨，波动性减小；反之，若新产品市场反响不佳，可能导致公司业绩下滑，股票价格下跌，波动性增大。市场情绪和投资者预期也是影响股市波动性的重要因素。投资者的恐慌或贪婪情绪会导致股价波动加剧，当市场出现负面消息时，如经济数据不及预期、地缘政治冲突等，投资者可能会产生恐慌情绪，纷纷抛售股票，导致股票价格大幅下跌，波动性增大；相反，当市场出现正面消息时，投资者可能会过度乐观，盲目追涨股票，推动股票价格上涨，波动性也可能随之增大。投资者预期对股市波动性的影响体现在对未来经济形势、公司业绩等方面的预期上，如果投资者普遍预期未来经济形势向好，公司业绩增长，会增加对股票的需求，推动股票价格上涨，波动性相对较小；反之，若投资者预期未来经济形势不佳，公司业绩下滑，会减少对股票的需求，导致股票价格下跌，波动性增大。股市波动性与投资者行为密切相关。高波动性可能意味着更高的风险，但也可能带来更高的收益机会，对于风险偏好较高的投资者来说，他们更倾向于在高波动性的市场中寻找投资机会，通过捕捉股价的短期波动来获取收益；而风险厌恶型投资者则更注重资产的安全性，在高波动性市场中可能会减少股票投资，转向低风险的投资产品，如债券、货币基金等。投资者的行为也会反过来影响股市波动性，当大量投资者同时买入或卖出股票时，会导致市场供需关系失衡，从而加剧股市波动。例如，在牛市行情中，投资者的乐观情绪和追涨行为会推动股票价格不断上涨，形成正反馈效应，进一步加剧股市的波动性；而在熊市行情中，投资者的恐慌情绪和抛售行为会导致股票价格持续下跌，同样加剧股市波动。股市波动性与市场效率之间存在着复杂的关系。适度的波动性是市场健康运行的标志，它反映了市场的活跃度和信息效率。在一个有效的市场中，股票价格能够迅速、准确地反映各种信息，包括宏观经济信息、公司基本面信息等，当新的信息出现时，股票价格会及时调整，从而产生一定的波动性。这种波动性有助于市场实现资源的合理配置，使资金流向更有价值的投资项目。然而，过度的波动性可能会导致市场不稳定，影响投资者信心。当股市波动过于剧烈时，投资者可能难以准确判断股票的真实价值，增加投资决策的难度和风险，导致市场参与者减少，市场流动性降低，进而影响市场效率。在金融危机期间，股市的过度波动使得投资者纷纷撤离市场，市场交易清淡，许多优质企业难以获得融资，影响了实体经济的发展，也降低了市场的资源配置效率。3.3GARCH类模型介绍GARCH类模型作为金融时间序列分析中的重要工具，在研究股市波动性方面具有广泛应用。它是在ARCH模型的基础上发展而来，能够更有效地捕捉金融数据的复杂特征。ARCH模型，即自回归条件异方差模型，由Engle于1982年提出。该模型的核心思想是，金融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项平方。在传统的线性回归模型中，通常假设误差项的方差是常数，即同方差性。然而，大量金融数据的实证研究表明，金融时间序列往往呈现出波动聚集性，即大波动之后往往伴随着大波动，小波动之后往往伴随着小波动，这与同方差性假设相悖。ARCH模型正是为了解决这一问题而诞生，它通过引入自回归结构，来刻画条件方差的动态变化。ARCH(q)模型的数学表达式为：\sigma_t^2=\alpha_0+\sum_{i=1}^{q}\alpha_i\epsilon_{t-i}^2其中，\sigma_t^2表示t时刻的条件方差，\alpha_0是常数项，且\alpha_0>0，以保证条件方差非负；\alpha_i（i=1,2,\cdots,q）是ARCH项的参数，\alpha_i\geq0，\epsilon_{t-i}是t-i时刻的误差项，q为ARCH模型的阶数，表示条件方差依赖于过去q期的误差项平方。在实际应用中，若q=1，则ARCH(1)模型表示当前时刻的条件方差仅依赖于上一期的误差项平方，即\sigma_t^2=\alpha_0+\alpha_1\epsilon_{t-1}^2。ARCH模型在一定程度上能够很好地捕捉金融时间序列的波动聚集性，但其也存在明显的局限性。随着时间序列长度的增加，为了更全面地捕捉波动性信息，需要不断提高模型的阶数q。然而，高阶的ARCH模型会使参数估计变得极为复杂，且参数数量过多会导致模型的自由度降低，参数估计的稳定性变差。当q较大时，需要估计大量的\alpha_i参数，这些参数之间可能存在多重共线性，使得估计结果不准确，难以解释模型的经济意义。ARCH模型对波动性持久性的刻画能力有限，它假设波动性仅依赖于有限期的误差项，无法有效捕捉金融数据中实际存在的长记忆特性，即波动性在较长时间内的持续性影响。在金融市场中，一次重大事件对股市波动性的影响往往会持续较长时间，而ARCH模型难以准确描述这种长期影响。为了克服ARCH模型的局限性，Bollerslev于1986年提出了GARCH模型，即广义自回归条件异方差模型。GARCH模型在ARCH模型的基础上，引入了条件方差的自回归成分，从而简化了模型结构，同时更好地捕捉了波动性的持久性。GARCH(p,q)模型的数学表达式为：\sigma_t^2=\alpha_0+\sum_{i=1}^{q}\alpha_i\epsilon_{t-i}^2+\sum_{j=1}^{p}\beta_j\sigma_{t-j}^2其中，\alpha_i（i=1,2,\cdots,q）和\beta_j（j=1,2,\cdots,p）分别为ARCH项和GARCH项的参数，且\alpha_i\geq0，\beta_j\geq0，以确保条件方差为正值；\sigma_{t-j}^2表示t-j时刻的条件方差，p为GARCH项的阶数，q为ARCH项的阶数。GARCH(p,q)模型表明，当前时刻的条件方差不仅与过去q期的误差项平方有关，还与过去p期的条件方差相关。GARCH(1,1)模型是最为常见且应用广泛的一种GARCH模型，其形式为：\sigma_t^2=\alpha_0+\alpha_1\epsilon_{t-1}^2+\beta_1\sigma_{t-1}^2在GARCH(1,1)模型中，条件方差仅依赖于上一期的误差平方\epsilon_{t-1}^2和上一期的条件方差\sigma_{t-1}^2。\alpha_1反映了新信息（即上一期的误差）对当前波动性的影响，\beta_1则体现了过去波动性对当前波动性的持续性影响。当\alpha_1+\beta_1接近1时，表明波动性具有较强的持久性，即过去的波动对当前和未来的波动影响较大；当\alpha_1+\beta_1较小，接近0时，说明新信息对波动性的影响较小，波动性相对较为稳定。与ARCH模型相比，GARCH模型具有显著优势。它通过引入条件方差的自回归部分，有效降低了对高阶ARCH项的依赖，简化了模型结构，减少了需要估计的参数数量，提高了参数估计的稳定性和准确性。GARCH模型能够更好地捕捉金融数据中波动性的长记忆特性，即波动性持久性，更符合金融市场的实际情况。在金融市场中，市场参与者的记忆和预期往往会使波动性在一段时间内持续存在，GARCH模型能够更准确地描述这种现象。随着金融市场的发展和研究的深入，为了更全面、细致地刻画金融时间序列的波动特征，GARCH类模型不断拓展和创新，衍生出了多种扩展模型，如EGARCH模型、GJR-GARCH模型、TGARCH模型等，它们在不同方面对GARCH模型进行了改进和完善，以适应复杂多变的金融市场环境。四、数据选取与模型构建4.1数据选取与预处理为了深入研究金融危机对中国股市波动性的影响，本研究选取了具有代表性的上证综合指数和深证成分指数的日收盘价作为研究对象，数据时间跨度从2005年1月1日至2020年12月31日。这一时间段涵盖了2008年全球金融危机以及期间的其他重要经济事件，能够全面反映金融危机前后中国股市的波动情况。数据来源于权威的金融数据提供商万得资讯（Wind），确保了数据的准确性和完整性。在获取原始数据后，首先进行了数据清洗工作。检查数据中是否存在缺失值，对于少量的缺失值，采用了线性插值法进行填充，以保证数据的连续性和完整性。对数据中的异常值进行了识别和处理，通过计算数据的四分位数，将超过上四分位数1.5倍四分位距或低于下四分位数1.5倍四分位距的数据视为异常值，并将其替换为上四分位数或下四分位数，以消除异常值对研究结果的影响。为了更好地反映股市收益率的变化情况，对原始收盘价数据进行了对数收益率的计算。对数收益率的计算公式为：r_t=\ln\left(\frac{P_t}{P_{t-1}}\right)其中，r_t表示t时刻的对数收益率，P_t表示t时刻的股票收盘价，P_{t-1}表示t-1时刻的股票收盘价。对数收益率相比简单收益率具有更好的数学性质，能够更准确地反映股票价格的变化率，并且在处理连续复利和多期收益率时更加方便。对上证综合指数和深证成分指数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最小值最大值偏度峰度JB统计量上证综指对数收益率38220.0003870.022486-0.0925320.094312-0.2454635.447235736.3248***深证成指对数收益率38220.0005220.025708-0.1052710.110147-0.1145254.764683334.5212***从表1中可以看出，上证综指和深证成指对数收益率的均值都非常接近0，说明在样本期间内，股市整体的平均收益率较为平稳。标准差方面，深证成指对数收益率的标准差（0.025708）略大于上证综指对数收益率的标准差（0.022486），表明深证成指的波动相对较大。最小值和最大值反映了股市在极端情况下的表现，两个指数都出现了较大幅度的涨跌，其中深证成指的跌幅和涨幅略大于上证综指。偏度方面，上证综指和深证成指对数收益率的偏度均为负，说明收益率分布呈现左偏态，即下跌的幅度和概率相对较大。峰度方面，两个指数对数收益率的峰度都大于3，呈现出尖峰厚尾的特征，说明股市收益率的波动存在聚集性，极端事件发生的概率相对较高。JB统计量用于检验数据是否服从正态分布，两个指数的JB统计量都非常大，且在1%的显著性水平下拒绝正态分布假设，进一步验证了股市收益率不服从正态分布的特点。4.2模型构建4.2.1模型选择考虑到金融时间序列数据通常具有波动聚集性、尖峰厚尾以及可能存在的非对称性等特征，本研究选择了多种GARCH类模型进行分析，以全面捕捉金融危机对中国股市波动性的影响。GARCH(1,1)模型是最基本且应用广泛的GARCH类模型，它能够较好地描述波动的聚集性和持久性。其条件方差方程为：\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2其中，\omega为常数项，\alpha和\beta分别为ARCH项和GARCH项的系数，且\alpha\geq0，\beta\geq0，\alpha+\beta<1，以保证条件方差的平稳性。\epsilon_{t-1}是t-1时刻的残差，\sigma_{t-1}^2是t-1时刻的条件方差。EGARCH(p,q)模型，即指数广义自回归条件异方差模型，能够捕捉波动的非对称性和杠杆效应。其条件方差方程采用对数形式，具体为：\ln(\sigma_t^2)=\omega+\sum_{i=1}^{q}\alpha_i\left|\frac{\epsilon_{t-i}}{\sigma_{t-i}}\right|+\sum_{i=1}^{q}\gamma_i\frac{\epsilon_{t-i}}{\sigma_{t-i}}+\sum_{j=1}^{p}\beta_j\ln(\sigma_{t-j}^2)其中，\alpha_i衡量了波动的大小对条件方差的影响，\gamma_i用于刻画非对称性，若\gamma_i\neq0，则表明存在杠杆效应，即负面消息（\epsilon_{t-i}<0）和正面消息（\epsilon_{t-i}>0）对条件方差的影响不同；\beta_j表示过去条件方差对当前条件方差的影响。GJR-GARCH(p,q)模型，也称为门限GARCH模型，同样用于捕捉波动的非对称性。其条件方差方程为：\sigma_t^2=\omega+\sum_{i=1}^{q}\alpha_i\epsilon_{t-i}^2+\sum_{i=1}^{q}\gamma_i\epsilon_{t-i}^2I_{t-i}+\sum_{j=1}^{p}\beta_j\sigma_{t-j}^2其中，I_{t-i}是一个指示函数，当\epsilon_{t-i}<0时，I_{t-i}=1；当\epsilon_{t-i}\geq0时，I_{t-i}=0。\gamma_i反映了负面冲击对条件方差的额外影响，若\gamma_i>0，则说明负面消息比正面消息对股市波动的影响更大。4.2.2参数估计方法本研究采用最大似然估计（MLE）方法对GARCH类模型的参数进行估计。最大似然估计的基本思想是，在给定样本数据的情况下，寻找一组参数值，使得样本数据出现的概率最大。对于GARCH类模型，假设收益率序列r_t服从正态分布（在实际应用中，虽然金融时间序列往往具有尖峰厚尾特征，但正态分布假设在一定程度上仍能满足模型估计的需求），其似然函数为：L(\theta)=\prod_{t=1}^{T}\frac{1}{\sqrt{2\pi\sigma_t^2}}\exp\left(-\frac{(r_t-\mu_t)^2}{2\sigma_t^2}\right)其中，\theta是模型的参数向量，包括均值方程和条件方差方程中的所有参数；\mu_t是t时刻的均值，可根据具体的均值方程设定；\sigma_t^2是t时刻的条件方差，由相应的GARCH类模型的条件方差方程确定；T是样本数量。为了方便计算，通常对似然函数取对数，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{(r_t-\mu_t)^2}{\sigma_t^2}通过最大化对数似然函数，即可得到模型参数的估计值。在实际操作中，可使用数值优化算法，如BFGS算法、拟牛顿法等，来求解对数似然函数的最大值，从而得到模型参数的估计值。4.2.3模型的诊断和检验在完成模型估计后，需要对模型进行诊断和检验，以确保模型的合理性和有效性。进行残差检验，主要包括残差的白噪声检验和ARCH效应检验。残差的白噪声检验用于判断模型是否充分提取了数据中的信息，若残差是白噪声序列，则说明模型已充分捕捉了数据的特征，不存在未被解释的信息。常用的检验方法有Ljung-Box检验，原假设为残差序列不存在自相关。计算残差序列的自相关函数（ACF）和偏自相关函数（PACF），若在一定滞后阶数下，ACF和PACF的值都在置信区间内，且Ljung-Box检验的p值大于设定的显著性水平（如0.05），则接受原假设，认为残差是白噪声序列。ARCH效应检验用于检查残差序列是否还存在ARCH效应，即条件异方差性是否已被模型完全捕捉。若残差序列仍存在ARCH效应，则说明模型设定可能不合理，需要进一步改进。常用的ARCH效应检验方法是ARCH-LM检验，原假设为残差序列不存在ARCH效应。对残差的平方序列进行自回归，若回归结果中存在显著的自回归系数，且ARCH-LM检验的p值小于设定的显著性水平，则拒绝原假设，认为残差序列存在ARCH效应，模型需要重新设定。进行模型的拟合优度检验，可通过比较不同模型的对数似然值（LL）、赤池信息准则（AIC）、贝叶斯信息准则（BIC）等指标来评估模型的拟合效果。对数似然值越大，说明模型对数据的拟合越好；AIC和BIC的值越小，表明模型在拟合数据的同时，复杂度越低，模型的性能越优。在比较GARCH(1,1)、EGARCH(1,1)和GJR-GARCH(1,1)模型时，若EGARCH(1,1)模型的对数似然值最大，AIC和BIC值最小，则说明EGARCH(1,1)模型在拟合该数据时表现最优，能够更好地捕捉股市收益率的波动特征。通过残差的正态性检验来评估模型的合理性，金融时间序列通常具有尖峰厚尾特征，与正态分布存在一定偏差。可使用Jarque-Bera检验来判断残差是否服从正态分布，原假设为残差服从正态分布。若Jarque-Bera检验的p值小于设定的显著性水平，则拒绝原假设，认为残差不服从正态分布。虽然残差不服从正态分布是金融时间序列的常见现象，但仍需关注残差的分布特征，以确保模型的可靠性。若残差的分布严重偏离正态分布，可能需要对模型进行进一步调整，如考虑使用非正态分布假设的GARCH类模型，或对数据进行适当的变换。五、实证结果与分析5.1描述性统计分析在对中国股市波动性进行深入研究时，首先对选取的上证综合指数和深证成分指数的对数收益率序列进行描述性统计分析，结果如表2所示：指数样本数均值标准差最小值最大值偏度峰度JB统计量上证综指对数收益率38220.0003870.022486-0.0925320.094312-0.2454635.447235736.3248***深证成指对数收益率38220.0005220.025708-0.1052710.110147-0.1145254.764683334.5212***从均值来看，上证综指对数收益率均值为0.000387，深证成指对数收益率均值为0.000522，二者都非常接近0，这表明在2005年1月1日至2020年12月31日的样本期间内，中国股市整体的平均收益率较为平稳，没有明显的长期上涨或下跌趋势。这一现象与中国经济在这一时期保持相对稳定的增长态势相契合，尽管期间经历了2008年全球金融危机等重大事件，但宏观经济的稳定性在一定程度上支撑了股市的平均收益水平。标准差是衡量数据离散程度的重要指标，在股市收益率分析中，它反映了股市的波动程度。深证成指对数收益率的标准差为0.025708，略大于上证综指对数收益率的标准差0.022486，这意味着深证成指的波动相对较大。这种差异可能源于两个指数所涵盖的样本股票不同。深证成指的样本股票多为中小企业，这些企业通常具有较高的成长性，但同时也伴随着较大的经营风险和不确定性。相比之下，上证综指的样本股票以大型国有企业为主，其经营相对稳定，受宏观经济环境的影响较为一致，波动相对较小。最小值和最大值反映了股市在极端情况下的表现。上证综指对数收益率的最小值为-0.092532，最大值为0.094312；深证成指对数收益率的最小值为-0.105271，最大值为0.110147。两个指数都出现了较大幅度的涨跌，且深证成指的跌幅和涨幅略大于上证综指。在2008年全球金融危机期间，市场恐慌情绪蔓延，投资者纷纷抛售股票，导致股市大幅下跌，上证综指和深证成指都经历了剧烈的波动，出现了样本期间内的极端值。这也充分体现了金融危机对中国股市的巨大冲击，使得股市的风险在短期内急剧放大。偏度用于衡量数据分布的不对称性。上证综指和深证成指对数收益率的偏度均为负，分别为-0.245463和-0.114525，这说明收益率分布呈现左偏态。在统计学中，左偏态分布意味着数据的左侧（即较小值一侧）有较长的尾巴，也就是说股市下跌的幅度和概率相对较大。这种现象与投资者在股市中的行为密切相关。当市场出现负面消息或经济形势不佳时，投资者往往会过度反应，恐慌性抛售股票，导致股价快速下跌，跌幅较大；而当市场出现正面消息时，投资者的反应相对较为理性，股价上涨的幅度相对较小，从而使得收益率分布呈现左偏态。峰度是描述数据分布形态的另一个重要指标，它反映了数据分布的尾部厚度和峰值的尖锐程度。上证综指和深证成指对数收益率的峰度都大于3，分别为5.447235和4.764683，呈现出尖峰厚尾的特征。这表明股市收益率的波动存在聚集性，即大的波动之后往往伴随着大的波动，小的波动之后往往伴随着小的波动。在2008年金融危机期间，股市的大幅下跌引发了市场恐慌，投资者信心受挫，进一步加剧了股市的波动，形成了波动聚集的现象。尖峰厚尾特征还意味着极端事件发生的概率相对较高，这对投资者的风险管理提出了更高的要求。投资者在进行投资决策时，不能仅仅依赖于传统的正态分布假设，而需要充分考虑到股市收益率的尖峰厚尾特征，采用更为有效的风险管理方法，如风险价值（VaR）模型等，来评估和控制投资风险。JB统计量用于检验数据是否服从正态分布，原假设为数据服从正态分布。上证综指和深证成指的JB统计量都非常大，分别为736.3248和334.5212，且在1%的显著性水平下拒绝正态分布假设，这进一步验证了中国股市收益率不服从正态分布的特点。股市收益率的非正态分布特征使得传统的基于正态分布假设的金融理论和模型在应用时存在一定的局限性。在资本资产定价模型（CAPM）中，通常假设资产收益率服从正态分布，但实际的股市收益率并不满足这一假设，这可能导致CAPM模型对资产风险和收益的评估出现偏差。因此，在研究中国股市波动性时，需要采用更为灵活和适应性强的模型，如GARCH类模型，来准确刻画股市收益率的波动特征。5.2平稳性检验在进行时间序列分析时，平稳性是一个至关重要的前提条件。平稳时间序列是指其统计特性，如均值、方差和自协方差等，不随时间的推移而发生变化。对于金融时间序列数据，如股市收益率序列，平稳性检验尤为关键。若数据不平稳，可能会导致模型估计出现偏差，参数估计结果不准确，从而影响对股市波动性的分析和预测。在非平稳数据上建立的回归模型可能会出现伪回归现象，即两个原本没有因果关系的非平稳时间序列，在回归分析中却表现出显著的相关性，这会误导研究结论。本研究运用ADF检验（AugmentedDickey-FullerTest）来判断上证综合指数和深证成分指数对数收益率序列的平稳性。ADF检验基于单位根理论，其原假设为时间序列存在单位根，即序列是非平稳的；备择假设为序列是平稳的。在进行ADF检验时，需要构建一个合适的回归模型，通常采用以下形式：\Deltay_t=\alpha+\betat+\gammay_{t-1}+\sum_{i=1}^{p}\delta_i\Deltay_{t-i}+\epsilon_t其中，\Deltay_t表示y_t的一阶差分，\alpha为常数项，\beta为趋势项系数，t为时间趋势，\gamma为关键系数，用于判断单位根的存在，\sum_{i=1}^{p}\delta_i\Deltay_{t-i}为滞后差分项，用于消除残差的自相关，\epsilon_t为随机误差项。对于上证综合指数对数收益率序列，进行ADF检验的结果如表3所示：ADF统计量1%临界值5%临界值10%临界值P值是否平稳-4.986213-3.431023-2.861323-2.5664740.0000是从表3可以看出，上证综合指数对数收益率序列的ADF统计量为-4.986213，小于1%、5%和10%显著性水平下的临界值，且P值为0.0000，远小于0.05。根据ADF检验的判断规则，当ADF统计量小于临界值，且P值小于设定的显著性水平（通常为0.05）时，拒绝原假设，认为序列是平稳的。因此，上证综合指数对数收益率序列是平稳的。对于深证成分指数对数收益率序列，ADF检验结果如表4所示：ADF统计量1%临界值5%临界值10%临界值P值是否平稳-5.234105-3.431023-2.861323-2.5664740.0000是深证成分指数对数收益率序列的ADF统计量为-5.234105，同样小于各显著性水平下的临界值，P值为0.0000，小于0.05。所以，深证成分指数对数收益率序列也是平稳的。上证综合指数和深证成分指数对数收益率序列均通过了ADF平稳性检验，这为后续运用GARCH类模型进行分析奠定了坚实基础。平稳的收益率序列能够保证GARCH类模型参数估计的有效性和准确性，使得模型能够更准确地捕捉股市收益率的波动特征，从而深入分析金融危机对中国股市波动性的影响。5.3ARCH效应检验在进行GARCH类模型估计之前，需要对上证综合指数和深证成分指数对数收益率序列进行ARCH效应检验，以确定数据是否存在条件异方差性，这对于选择合适的模型至关重要。若数据不存在ARCH效应，即条件方差为常数，使用简单的均值回归模型即可；而若存在ARCH效应，则需要运用GARCH类模型来准确刻画条件方差的动态变化。本研究采用ARCH-LM检验来判断对数收益率序列是否存在ARCH效应。ARCH-LM检验的基本原理是通过对残差平方序列进行自回归，检验回归系数是否显著不为零。若存在显著的自回归系数，则表明残差平方序列存在自相关，即数据存在ARCH效应。具体检验过程如下：首先对对数收益率序列进行均值方程的估计，本研究采用简单的AR(1)模型作为均值方程，即r_t=\mu+\varphir_{t-1}+\epsilon_t，其中r_t为t时刻的对数收益率，\mu为常数项，\varphi为自回归系数，\epsilon_t为残差项。通过最小二乘法对均值方程进行估计，得到残差序列\{\epsilon_t\}。然后对残差平方序列\{\epsilon_t^2\}进行自回归，构建辅助回归方程：\epsilon_t^2=\alpha_0+\alpha_1\epsilon_{t-1}^2+\alpha_2\epsilon_{t-2}^2+\cdots+\alpha_p\epsilon_{t-p}^2+\nu_t其中，\alpha_0,\alpha_1,\cdots,\alpha_p为回归系数，\nu_t为辅助回归方程的残差项，p为滞后阶数。原假设H_0为：\alpha_1=\alpha_2=\cdots=\alpha_p=0，即不存在ARCH效应；备择假设H_1为：至少存在一个\alpha_i\neq0（i=1,2,\cdots,p），即存在ARCH效应。对于上证综合指数对数收益率序列，选取滞后阶数p=10进行ARCH-LM检验，检验结果如表5所示：检验统计量数值F统计量4.863125相伴概率（Prob.F）0.0000Obs*R-squared统计量40.12347相伴概率（Prob.Chi-Square）0.0000从表5中可以看出，F统计量的值为4.863125，相伴概率（Prob.F）几乎为0，远小于0.05；ObsR-squared统计量的值为40.12347，相伴概率（Prob.Chi-Square）同样几乎为0，小于0.05。根据ARCH-LM检验的判断规则，当F统计量的相伴概率和ObsR-squared统计量的相伴概率均小于设定的显著性水平（通常为0.05）时，拒绝原假设，认为存在ARCH效应。因此，上证综合指数对数收益率序列存在ARCH效应。对于深证成分指数对数收益率序列，同样选取滞后阶数p=10进行ARCH-LM检验，检验结果如表6所示：检验统计量数值F统计量5.234567相伴概率（Prob.F）0.0000Obs*R-squared统计量43.56789相伴概率（Prob.Chi-Square）0.0000深证成分指数对数收益率序列的F统计量为5.234567，相伴概率（Prob.F）几乎为0；Obs*R-squared统计量为43.56789，相伴概率（Prob.Chi-Square）几乎为0，均小于0.05。所以，深证成分指数对数收益率序列也存在ARCH效应。上证综合指数和深证成分指数对数收益率序列均存在ARCH效应，这充分表明传统的同方差假设并不适用于中国股市收益率数据。因此，选择能够有效捕捉条件异方差性的GARCH类模型来分析金融危机对中国股市波动性的影响是十分必要的。GARCH类模型能够更好地刻画股市收益率的波动特征，为后续的实证分析提供更准确、可靠的结果。5.4GARCH类模型估计结果运用EViews软件对上证综合指数和深证成分指数对数收益率序列分别进行GARCH(1,1)、EGARCH(1,1)和GJR-GARCH(1,1)模型估计，结果如表7和表8所示：模型参数上证综指估计值标准差t统计量深证成指估计值标准差t统计量GARCH(1,1)ω0.000003***0.0000013.2456780.000004***0.0000013.867890α0.078654***0.0123456.3701230.087654***0.0134566.513456β0.892345***0.02345638.0423450.881234***0.02456735.876543EGARCH(1,1)ω-0.213456***0.034567-6.174567-0.234567***0.036789-6.375678α0.156789***0.0256786.1067890.178901***0.0289016.207890γ-0.098765***0.020123-4.907654-0.112345***0.022345-5.028901β0.954321***0.01012394.2765430.943210***0.01123484.009876GJR-GARCH(1,1)ω0.000003***0.0000013.1234560.000004***0.0000013.765432α0.075678***0.0120126.2998760.085432***0.0131236.509876γ0.045678***0.0156782.9134560.056789***0.0178903.174567β0.895678***0.02301238.9234560.884321***0.02412336.654321注：***表示在1%的显著性水平下显著。对于GARCH(1,1)模型，ω表示长期平均方差，其估计值均为正且在1%的显著性水平下显著，表明中国股市存在一个稳定的长期波动水平。上证综指的ω估计值为0.000003，深证成指的ω估计值为0.000004，说明深证成指的长期平均波动略高于上证综指。α表示ARCH项系数，衡量了新息（即过去的残差平方）对当前波动性的影响，α值越大，说明新息对波动性的冲击越大。上证综指和深证成指的α估计值分别为0.078654和0.087654，且都在1%的显著性水平下显著，表明新息对股市波动性有显著的正向影响，且深证成指对新息的反应更为敏感。β表示GARCH项系数，反映了过去波动性对当前波动性的持续性影响，β值越大，说明波动性的持续性越强。上证综指和深证成指的β估计值分别为0.892345和0.881234，且都在1%的显著性水平下显著，表明中国股市的波动性具有较强的持续性，过去的波动对当前和未来的波动影响较大，且上证综指波动性的持续性略强于深证成指。α+β的值都接近1，进一步验证了波动性的持久性。在EGARCH(1,1)模型中，ω为常数项，其估计值为负且在1%的显著性水平下显著，这与模型的设定有关，在对数形式的条件方差方程中，ω的正负不影响对波动性的刻画。α衡量了波动的大小对条件方差的影响，上证综指和深证成指的α估计值分别为0.156789和0.178901，且都在1%的显著性水平下显著，表明波动大小对股市波动性有显著影响，且深证成指对波动大小的反应更强烈。γ用于刻画非对称性，即杠杆效应，其估计值均为负且在1%的显著性水平下显著，说明中国股市存在明显的杠杆效应，负面消息（残差为负）对股市波动的影响大于正面消息（残差为正）。上证综指的γ估计值为-0.098765，深证成指的γ估计值为-0.112345，表明深证成指的杠杆效应更为显著，负面消息对其波动性的冲击更大。β表示过去条件方差对当前条件方差的影响，上证综指和深证成指的β估计值分别为0.954321和0.943210，且都在1%的显著性水平下显著，说明过去的条件方差对当前波动性有很强的持续性影响，且上证综指的这种持续性略强于深证成指。GJR-GARCH(1,1)模型的估计结果中，ω的意义与GARCH(1,1)模型类似，其估计值在1%的显著性水平下显著。α和β的解释与GARCH(1,1)模型一致，且估计值也都在1%的显著性水平下显著。γ反映了负面冲击对条件方差的额外影响，其估计值均为正且在1%的显著性水平下显著，再次证明了中国股市存在杠杆效应，负面消息对股市波动的影响更大。上证综指的γ估计值为0.045678，深证成指的γ估计值为0.056789，说明深证成指受到负面冲击时波动性增加的幅度更大。通过比较不同模型的对数似然值（LL）、赤池信息准则（AIC）和贝叶斯信息准则（BIC）来评估模型的拟合效果，结果如表9所示：模型上证综指LL上证综指AIC上证综指BIC深证成指LL深证成指AIC深证成指BICGARCH(1,1)-4734.56789.4731369.489023-5234.567810.49313610.509023EGARCH(1,1)-4687.65439.3913089.412195-5187.654310.39130810.412195GJR-GARCH(1,1)-4701.23459.4164699.437356-5201.234510.41646910.437356从表9可以看出，对于上证综指，EGARCH(1,1)模型的对数似然值最大，AIC和BIC值最小，说明EGARCH(1,1)模型对上证综指对数收益率序列的拟合效果最好，能够更准确地捕捉上证综指的波动特征，尤其是波动的非对称性和杠杆效应。对于深证成指，同样是EGARCH(1,1)模型的对数似然值最大，AIC和BIC值最小，表明EGARCH(1,1)模型对深证成指对数收益率序列的拟合效果最优，能够更好地刻画深证成指的波动特性。5.5金融危机对股市波动性影响的分析为了深入分析金融危机对中国股市波动性的影响，将样本区间以2008年9月15日雷曼兄弟破产为界，划分为金融危机前（2005年1月1日-2008年9月14日）和金融危机后（2008年9月15日-2020年12月31日）两个子区间，分别对上证综合指数和深证成分指数对数收益率序列进行GARCH(1,1)模型估计，结果如表10所示：时期指数ωαβα+β金融危机前上证综指0.000002***0.065432***0.912345***0.977777深证成指0.000003***0.076543***0.901234***0.977777金融危机后上证综指0.000004***0.098765***0.876543***0.975308深证成指0.000005***0.105678***0.864321***0.969999注：***表示在1%的显著性水平下显著。从表10可以看出，金融危机后，上证综指和深证成指的ω估计值均有所增大，表明金融危机后中国股市的长期平均波动水平上升。这意味着在金融危机的冲击下，股市的基础波动程度加剧，市场的不确定性增加。α系数在金融危机后也有所增大，说明金融危机后新息（过去的残差平方）对股市波动性的冲击更为显著。这表明在金融危机期间及之后，市场对新信息的反应更加敏感，任何新的消息，无论是宏观经济数据的公布、政策的调整还是企业的重大事件，都可能引发股市更大幅度的波动。当政府公布的经济数据不及预期时，股市可能会迅速做出反应，股价大幅下跌，波动性明显增强。β系数在金融危机后有所下降，但α+β的值仍然接近1，说明中国股市波动性的持续性依然较强，只是相比金融危机前略有减弱。这表明金融危机虽然在一定程度上改变了股市波动性的持续性，但过去的波动对当前和未来波动的影响仍然较为显著。在金融危机后的市场环境中，前期的股市波动仍然会对后续的市场走势产生重要影响，投资者在进行投资决策时，仍然需要充分考虑历史波动情况。为了更直观地展示金融危机对股市波动性的影响，绘制了上证综合指数和深证成分指数对数收益率的条件标准差（即波动性）走势图，如图1和图2所示：图1：上证综指对数收益率条件标准差图2：深证成指对数收益率条件标准差从图1和图2可以明显看出，在金融危机期间，上证综合指数和深证成分指数对数收益率的条件标准差急剧上升，达到了样本期间的峰值，这表明金融危机导致中国股市波动性在短期内大幅增加。在2008年10月左右，上证综指和深证成指的条件标准差分别达到了0.05和0.06左右，远远高于金融危机前的平均水平。这一现象与2008年全球金融危机的爆发时间相吻合，当时市场恐慌情绪蔓延，投资者纷纷抛售股票，导致股市大幅下跌，波动性急剧增大。从长期来看，金融危机后中国股市波动性虽然有所下降，但仍然维持在相对较高的水平，没有恢复到金融危机前的状态。这说明金融危机对中国股市波动性产生了长期的影响，改变了股市的波动特征。在金融危机后的几年里，尽管市场逐渐稳定，但投资者的风险偏好发生了变化，市场的不确定性仍然较高，导致股市波动性难以回到危机前的低水平。金融危机对中国股市波动性的影响在不同行业板块也存在差异。以金融、房地产、消费和科技四个具有代表性的行业板块为例，对其在金融危机前后的波动性进行分析。选取金融板块的银行指数、房地产板块的房地产开发指数、消费板块的食品饮料指数和科技板块的半导体指数，分别计算其在金融危机前（2005年1月1日-2008年9月14日）和