【沪深股市收益率波动性的实证研究10000字（论文）】

沪深股市收益率波动性的实证研究摘要我国的股票市场起步较晚，各方面体制机制发展尚不完善，股市存在着较大波动性。在过去10年里，我国股市就曾于2006年、2008年和2014年发生大幅度异常波动。这些波动一方面使得我国股民缺乏投资信心，造成股市的低迷，另一方面也不利于经济的平稳运行。在此背景下，为了准确捕捉我国股市收益波动的特征，并对我国股市收益风险进行合理调控，本文以沪深股市为例，选用GARCH及其相关模型，运用收集到的沪深股市2011年1月1日至2020年12月31日收益率数据对其波动性展开实证研究。从实证分析结果来看，我国股市表现出较强的波动性，存在一定的杠杆效应和溢出效应，其中以深圳股市更为明显，也就是说，深圳股市的投资者对风险的厌恶程度更高，要求的风险收益也更高。另由此可知，目前我国缺乏长期有效地抑制股市收益波动的机制。要想降低股市收益波动风险，需要从加强市场监管、完善法律法规、健全行业内规则、提高决策透明度等多个角度出发，综合运用多种方式对股市波动进行预测，并及时采取有效政策措施，将风险控制在合理区间，从而提高我国股市运行的平稳性。关键词：收益率；波动率；GARCH族模型目录1导论 11.1选题背景与意义 11.2国内外文献综述 11.3论文的研究方法 31.4论文结构及主要内容 32沪深股市收益率波动性模型及拓展 42.1GARCH模型 42.2GARCH模型的拓展 53沪深股市收益率波动性研究设定 64沪深股市收益率波动性研究分析 74.1数据来源及描述性统计分析 74.2沪深股市收益率非线性结构突变检验 84.3沪深股市收益率杠杆效应检验 124.4股市联动效应检验 155结论及启示 15参考文献 181导论1.1选题背景与意义1.1.1研究背景自1990年我国股票市场创建至今，已走过了三十多年的旅程。尽管其在调节市场资金流动的过程中起到了一定的作用，但由于其成立时间短、政策措施不够完善、法律法规不够健全等原因，也产生了诸如波动性较大、非对称性较强、溢出效应严重等问题。我国在2006年11月——2007年10月、2008年以及2014年7月——2015年8月曾发生过三次大规模的股市大幅度异常波动，这不但影响着我国股市的持续健康发展，也影响着我国金融业以及整个经济的平稳运行。在金融领域中，波动就意味着风险，风险大将导致投资者投资情绪不高。尤其在当前我国正处于经济转型跨越发展新时期的背景下，存在更多影响股市运行的不稳定因素，这将使我国股票市场面临更大风险，可能导致金融市场可预测性降低，股票市场系统性风险难以控制，投资者情绪波动，进而影响其投资意愿。有鉴于此，提高股票市场活力，增强股市在资源再分配中的效率，有效控制股市运行中的各种风险，通过股市波动性特征合理判断风险，预测股市走向，从而提高股市抗风险能力显得愈加重要。1.1.2研究意义在股票市场中，价格在合理区间上下波动是符合传统的价值理论的，这也是市场参与者实现收益的理论基础。但是，受到国内外各种因素的影响，我国股市存在大量潜在的异动现象，这将直接导致我国股票市场的风险加剧，影响到投资者的投资判断。如何预测不同消息对于股市收益波动的影响，如何引导投资者的这些行为，对于推动股市持续健康发展，促进投资者正确决策有极为重要的意义。现有研究中，学者多以正态分布为基础研究股票市场异动。然而，大量的实践表明，股市收益率序列并不符合正态分布。因而利用何种模型能够更为准确地刻画出股票的收益率分布特征，成为了一个值得探索与研究的命题。本文基于GARCH及其相关理论模型，对我国沪深股市2011年1月1日至2020年12月31日的收益率进行了实证研究，结果显示：我国股市存在较大的波动性，具有一定的杠杆效应和联动效应。由此可以得到降低股市收益率风险的措施，具体包括加强市场监管、完善法律法规、制定行业内信息准则、加强信息决策透明度等。1.2国内外文献综述1.2.1国内的研究状况对我国股市收益率波动性的研究，一直就是学者们研究的热点。在股市波动效应方面，近年来，许多学者分析了不同因素对股市波动性的影响，这些因素大致可以分为微观证券样本和宏观经济政策两个方面的内容。葛宇晨（2020），王莉莉（2020），章弈（2020）以及钟立新、姚前、王聪聪（2020）三位学者主要从宏观经济政策因素出发，通过建立模型，以实证分析的方式展示了政策性因素对于股市收益波动的影响，结果显示宏观经济政策在我国股市中发挥着强有力的控制风险的作用。从微观层面来看，目前刘洋（2020），姜浩然（2020），王文召、贺炎林（2020），以及时丽娜（2020）主要通过选取不同的债券和股指期货等，研究了样本选取对股市的影响，并发现不同的债券及股指期货对于股票市场的波动性影响存在差异。在杠杆效应和非对称性研究方面，现有学者张陈、周新苗（2020）侧重分析股指期货对股市非对称性的影响，而王乙迪（2020），罗雅兰（2020），周祎歌（2019）多从投资者情绪等角度分析了目前股市存在的杠杆效应及非对称性情况。根据他们的研究结果可知，沪深两市在发生结构突变时段前后自身的波动性特征变化非常明显，但综合比较两个股市变化的趋势却基本相同。两个股市都表现出较强的非对称性特征，也就是说在这两个股市中，人们对利空消息反应更为剧烈。在联动效应的研究方面，张国胜、林宇（2020）以及李志辉、田伟杰（2020）主要研究了我国不同地区股票市场相互间的联动效应。侯县平、傅春燕、林子枭、林宇（2020）以及周婉玲（2020）研究的是我国股市与债市之间的联动效应，而蒋彧、张玖瑜（2019）则侧重研究中国与世界主要股市之间发生大幅波动时的联动效应。此外，部分学者，如周亮、李红权（2019），黄嵩、肖一、金寿鹏（2018）以及戚逸康、袁圆、李连发（2018）则分别从金融业、现货与期货、个别板块与整体股市角度研究了相互之间的联动性，结果显示我国金融业相互间的波动溢出效应非常强，股市上涨的幅度越大，股市之间的联动性也就越强。1.2.2国外的研究状况由于国外股票市场起源较早，且较之我国更为发达，因而国外关于股票市场收益率波动性的研究也更为深入。在杠杆效应研究方面，Lee（2014）研究了不同指数的收益率数据，发现其变动将引起投资者情绪的变化，并进而影响他们的投资判断。在联动效应研究方面，Golosnoy等(2015)以及Gamba－Santamaria等(2016)分别选取美国、德国、日本三个国家以及美国和四个拉美国家股市的收益数据作为样本，发现在金融危机时段内，美国与其他国家股市间的联动效应明显增强。据此可知，跨国股市间也存在溢出效应，且这种效应在金融危机期间更为突出。Yarovaya（2016），Hao等（2019）分别对不同国家的股指期货市场的联动效应进行了研究，由他们的研究结果可知，相较于股市，股指期货市场的联动效应更为明显。因而，不同的股票市场、不同的时间样本，基于波动性问题的研究可能会得到不同的结论。综上所述，对于股市收益的波动效应、非对称性以及溢出效应的研究，许多学者已经取得了一些成果。然而纵观整个股票市场，其波动较大的问题仍未得到根本性解决，导致股市运行风险增加、发展速度缓慢，同时也给投资者进行投资活动造成了不容忽视的影响。在经济高质量发展态势下如何降低股市波动风险，提升股市活力，依然是一个值得深究的课题。1.3论文的研究方法1.3.1文献分析法 通过已有国内外文献，掌握关于股市收益率波动及相关问题的研究现状，并在学者研究的基础上深入探索目前此方面实证研究存在的缺陷，从而根据发现的问题进行完善方法的探索，提出对降低股市收益波动的完善意见、配套措施和具体的实施方法。1.3.2比较分析法通过建立GARCH模型与其他模型的比较，分析对研究股市波动最合理的模型；通过与国外研究股市波动所取得的结论相比较，分析我国股市在控制波动中存在的不足，并结合具体国情加以完善。1.3.3实证分析法通过建立GARCH及其相关模型，运用沪深股市收益率时间序列数据对其波动性进行实证研究，分析目前股市波动存在的具体问题及具体完善措施。1.4论文结构及主要内容1.4.1论文结构1导论1.1选题背景与意义1.2国内外文献综述1.3论文的研究方法1.4论文结构及主要内容2沪深股市收益率波动性模型及拓展2.1GARCH模型2.2GARCH模型的拓展3沪深股市收益率波动性研究设定4沪深股市收益率波动性研究分析4.1数据来源及描述性统计分析4.2沪深股市收益率非线性结构突变检验4.3沪深股市收益率杠杆效应检验4.4股市联动效应检验5结论及启示1.4.2主要内容第一章为导论部分，从宏观方面简要阐述股市收益率波动研究的现状并剖析当前研究存在的问题，并说明本文的结构内容及研究方法。第二章为理论分析部分，介绍股市收益率波动性研究的理论前提，即股市具有波动性的原因与影响因素，并提出专门用于股市波动性研究的GARCH模型及其拓展。第三章为模型设定部分，根据收集到的数据，设定契合度最高的模型。第四章为实证研究部分，从沪深股市非线性结构突变检验、杠杆效应检验以及联动效应检验三个方面进行实证分析。第五章为结论与启示部分，总结前文实证研究的相关结论，并从监管角度对中国股市存在的收益率波动较大的问题提出可行性建议。2沪深股市收益率波动性模型及拓展由所学可知，许多解释股票价格甚至收益率的回归模型都具有非常严重的异方差性，而且这些方差异常的序列点往往成聚集趋势。所以，如何对方差建模也成为了计量学中非常重要的研究问题。同时这些研究成果也在衍生品交易中也得到了广泛应用。金融市场的一个重要理念就是在追求收益的同时，更要注重对风险的识别和管理。而对风险管理的前提就是要对风险的变化有一个非常清晰的量化认知。在现实的金融序列中，大多都没有恒定的均值，在相对平稳的同时也伴随着剧烈的波动性，具有尖峰厚尾、波动聚集和杠杆效应的特征。在金融计量模型中，由于GARCH模型能够较好地解决金融时间序列的异方差问题，因而在分析金融资产波动性方面，该模型具有极大的优势，能够快速捕捉聚类性波动，并反映其内在的风险，因而GARCH模型被学者们广泛应用于量化估计金融资产或资产组合的风险以及研究价格和收益的波动性层面。2.1GARCH模型本节内容参见张成思著《金融计量学——时间序列分析视角》一书本节内容参见张成思著《金融计量学——时间序列分析视角》一书2.1.1GARCH模型的来源——ARCH模型在ARCH(q)过程中，由于εt是随机的，εt2为非负，所以对于{εt}要求varεt=σ2=α0+i=1在标准的GARCH(1,1)模型中，前一个“1”是指自回归项的最高阶数；后一个“1”是指原来ARCH模型中保留下来的变量的最高滞后阶数。其模型如下：yt=βht=var(因而，当该方程不存在滞后预测方差时，此时GARCH(0,1)模型也就是ARCH模型。2.1.2高阶GARCH(p,q)模型在ARCH模型的基础上，进行进一步的拓展，就得到了高阶GARCH(p,q)模型，在此模型中，p代表GARCH项阶数，q代表的是ARCH项阶数。其条件方差表示为：ht其中，α0＞0，αi≥0，βj≥0。2.1.3GARCH-M(GARCH-in-mean)模型在上述模型的基础上，若将其刻画残差项时使用的方差方程转换为条件方差，以此来预测风险，则得到了如下的GARCH-M(1,1)模型。其表达式为：yt=λhht=α0λ表示市场的相对风险厌恶，当风险（波动性）增加，收益要求增加时，方程中对应的条件方差的系数λ＞0；当风险增加，收益要求减少时，对应的条件方差系数λ＜0。一般而言，金融市场中λ＞0，越大表示越为厌恶风险，要求更高的风险补偿。2.2GARCH模型的拓展本节内容参见张成思著《金融计量学——时间序列分析视角》一书本节内容参见张成思著《金融计量学——时间序列分析视角》一书在应用GARCH模型之前，首先需要回答这个模型能不能用GARCH模型来研究，所以需要进行一些GARCH效应的检验。2.2.1ARCH效应检验ARCH效应检验的原假设是残差序列中直到q阶都不存在该效应，该检验实质上是一个辅助的回归检验，其表达式如下：Hσ2由于原假设不存在ARCH效应，所以如果拒绝原假设，则认为存在ARCH效应；如果不拒绝原假设，也就是说存在ARCH效应。2.2.2GARCH模型的拓展许多学者在传统的GARCH模型基础上做了各种各样的拓展和变化，这些拓展模型大多数是对GARCH有关条件的改变，从而产生了不同的GARCH类的扩展模型。（一）非对称的GARCH模型非对称的GARCH模型主要包括两种，也就是TGARCH模型以及EGARCH模型。TGARCH模型在传统GARCH模型的基础上，加入一个表示绝对残差变化方向的二元变量来解释可能存在的非对称性的附加项，即构成TGARCH模型，也就是所谓的阈值GARCH模型，它的模型形式如下：ht其中，当ω<0时，Dt=1，否则Dt=0。进一步地，如果ω≠02.EGARCH模型与之相类似的，EGARCH模型也就是所谓的指数GARCH模型，它的功能也是检验这种非对称的效应，EGARCH模型的形式为：lnh由这个式子可以看出，若γ＜0，则说明存在杠杆效应。只要γ≠0，冲击的影响就是非对称的，也就是说坏消息的反应更为剧烈。因而，TGARCH模型和EGARCH模型，它的功能虽然一样，但实际上它的许多方面并不一样，例如：TGARCH模型是一个线性的模型，而EGARCH模型是非线性的。在TGARCH模型中，ω＞0则存在杠杆效应；而在EGARCH模型中，γ＜0才存在杠杆效应。（二）单整GARCH模型单整GARCH模型也称IGARCH模型。在此模型中，若干扰项εt服从GARCH(p,q)过程，则其方差为：varεk0>0，若要varεt3沪深股市收益率波动性研究设定本章节内容在前文所述基础GARCH模型的基础上，结合我国股市的现状及其影响因素，进行了部分修正，以最大程度的契合所选取的数据，构建拟合优度最高的实证模型。首先，将股票价格指数的日收盘价格指数（Pt）依据下式转换为对数收益率（rrt因此，本文所研究的沪深股市日收益率的GARCH(p,q)模型的均值过程表达式为：rt方差方程表达式为：σt其中ω>0，αi≥0，β进一步地，在上式的基础上，利用条件方差来预测风险，则构成GARCH-M模型，其表达式为：rtλ是条件方差的系数，表示市场的相对风险厌恶程度。当λ＞0时，表明风险增加，收益要求增加；当λ＜0时，则表明风险增加，收益要求减少。一般而言，金融市场中λ＞0，并且越大表示越为厌恶风险，要求更高的受益。此时，加入一个解释非对称性的附加项，则构成TGARCH模型，也就是所谓的阈值GARCH模型，其表达式如下：σt依前文可知，Dt是一个二元变量。当εt−i<0时，Dt=1与之相类似的，另一种检验这种非对称效应的模型——EGARCH模型，在本次实证分析中，EARCH(p,q)模型的表达式为：lnσt其中，只要γi≠0，则表明外部信息所引起的波动是非对称的。当γ本文将采用以上GARCH及其相关模型，来探讨沪深股市收益率波动性问题。4沪深股市收益率波动性研究分析4.1数据来源及描述性统计分析4.1.1数据来源上证指数和深圳成指作为我国股市的代表，能够很好地反映出我国股市的运行情况。因而，本次实证研究选取2011年1月1日至2020年12月31日上证综指和深圳成指的交易日收盘价数据，用于分析其股市波动性情况。本文所有数据均来自锐思金融数据库。4.1.2描述性统计分析打开Eviews导入数据后，首先绘制原始价格序列图，得到如图4-1所示的结果。图4-1上证综指和深圳成指收益原始价格序列图从图中可以看出，上证综指和深圳成指一样，都存在非常严重的非线性关系。所以采用（10）式对沪深股市日收益率进行数据处理，在后续实证分析过程中使用对数收益率。数据处理完成后分别绘制两个市场指数对数收益率的分布和描述性统计图。图4-2上证综指（左）和深圳成指（右）对数收益的分布和描述性统计图由上图可以发现两个序列分布都不符合正态分布，其极端情况出现的概率要高于正态分布的预测，并且靠近均值的样本更多，偏离正态分布，呈现出了明显的尖峰厚尾的特征。4.2沪深股市收益率非线性结构突变检验针对上述问题，继续进行平稳性检验（UnitRootTest），结果如下表4-1、表4-2所示。表4-1上证指数单位根检验结果表表4-2深圳成指单位根检验结果表由结果可知，两个序列都不存在单位根，这是由于对数收益率理论上就是对数价格的差分，所以如果原对数价格一阶单整，收益率就不会存在单位根。根据相关理论，下面应继续进行自相关系数的检验，观察其自相关（AC）和偏自相关（PAC）系数，并且计算Q统计量的值。结果如表4-3、4-4所示。表4-3上证指数自相关系数检验表表4-4深圳成指自相关系数检验表由表4-3、表4-4所示的上证综指及深圳成指的自相关系数检验表中数据值可以发现，该序列明显存在ARCH效应，且两个股市的对数收益率都不存在自相关性。绘图观察后得到如图4-3所示的沪深股市的收益率波动聚集图。图4-3上证指数（左）和深圳成指（右）收益率波动聚集图观察图4-3可以发现：两个股市都分别较为严重的波动率聚集现象，说明沪深两市的波动较大且成聚集状。因此，接下来可以直接进行ARCH效应检验。表4-5上证指数ARCH效应检验结果表表4-6深圳成指ARCH效应检验结果表由表4-5和表4-6对于沪深股市ARCH效应的检验结果表可以发现：两个市场的残差平方可以解释下一期的残差平方，也就是说两个股市都存在非常明显的明显的ARCH效应。因而这个检验结果满足GARCH模型建模的要求，所以可以进行波动率建模。以GARCH(1，1)模型建模。表4-7上证指数GARCH模型建模结果表表4-8深圳成指GARCH模型建模结果表由表4-7、4-8的建模 结果可见，使用该模型建模后，ARCH项和GARCH项系数之和均是小于1的，并且结果值是高度显著的，表明使用该模型建模后，检验结果是平稳的。同时观察表中结果值可以看出，该序列波动性较大且显著聚集。此外，观察该序列的条件方差可以看到，该序列表现出均值回复特性，也就是说，波动随着时间的推移逐渐减弱，越来越趋近平稳值。接下来，利用GARCH-M模型进行建模，此处以GARCH-M（1,1）模型为例，建模结果如表4-9、4-10所示。 表4-9上证指数GARCH-M（1,1）模型建模结果表表4-10深圳成指GARCH-M（1,1）模型建模结果表由结果可见，使用该模型建模后，GARCH项的系数并不显著，这说明股市收益有正的风险溢价，而且相比于上海股市，深圳股市更高，说明深圳股市的投资者对于风险的厌恶程度更高，要求获得更高的收益进行补偿。4.3沪深股市收益率杠杆效应检验基于之前的建模结果可以发现，沪深股市收益率序列分布波动较大且存在比较明显聚集现象，因此，使用GARCH（1,1）建模是显著的，但GARCH-M（1,1）模型却不显著。事实上，由于收益率序列波动特征的复杂性，GARCH模型有非常多的变化类型。其中，由于分布有偏而导致的波动率非对称的模型是非常常用的一类。本章节将主要使用TGARCH和EGARCH两类模型，以其在沪深股市收益率波动非对称性研究中的建模结果进行分析和解读。在Eviews中打开数据文件，由于对收益率序列的预先处理已经完成，所以可以直接进行波动性建模。首先用TGARCH模型进行建模，结果如表4-11、4-12所示。表4-11上证指数TGARCH模型建模结果表4-12深圳成指TGARCH模型建模结果由此可以发现估计的方差方程中多了一项，滞后残差平方乘以滞后残差小于0，其中后者是布尔数据类型，如果不等式成立则为1，否则为0，因此这项就衡量了残差为负时下方波动的斜率增量。不过看模型并不显著。再对我国深圳市场进行建模，可以发现，该项在深成指数上是显著的，说明深圳市场存在比较明显的波动率不对称性。然后开始对两市波动率建模所用TGARCH模型的其他阶数进行尝试，不过需要注意的是门限T值最好小于等于ARCH值，因为新增门限项的本质是ARCH的交乘，所以一般情况下无法独立出现。最后再对深圳市场也进行尝试，同时也实验更高的GARCH阶数，但结果都不显著。一般而言，为防止数据挖掘，保证结果稳健性，尽量选择简洁模型，所以最后得到的结论是：沪市波动率使用GARCH（1,1）模型即可，而深市波动率使用1阶TGARCH（1,1）比较能合理刻画其波动率非对称性。然后继续使用非线性的EGARCH进行建模。基于之前TGARCH的结果，此次使用1阶模型进行建模分析。表4-13上证指数EGARCH模型建模结果表表4-14深圳成指EGARCH模型建模结果表可以发现，C(4)即为非对称项，值均为负，符合理论预期。同时在此结果中，沪市不显著而深市显著，进一步佐证了之前的判断。在此样本中，深市表现出更加显著的非对称性。4.4股市联动效应检验前文分别对沪市和深市的波动率建模进行了研究，得到了初步的分析结论。本节将对两个市场在波动率维度的交互情况进行研究，即在波动率层面对两个股市进行联动效应分析。一般而言，当一个股票市场出现大幅度异常波动时，就会引起投资者投资行为的改变，这样就将该股市的波动传递到了其他股市，也就在两个股市之间产生了联动效应。接下来，将检验沪深两市的波动率是否存在联动效应。在金融理论层面，格兰杰因果检验方法多被用于刻画溢出效应。因此，可以利用该方法首先在收益率层面对其进行研究，观察其在收益率层面是否存在联动效应。将两个市场的对数收益率成组打开进行格兰杰因果检验（GrangerCausalityTest）表4-15沪深两市对数收益率格兰杰因果检验结果表可以发现，不能拒绝原假设，即至少在收益率层面，无法检测出溢出效应。并且通过选择不同阶数，发现都不能拒绝原假设。因此，继续在波动率层面进行建模分析。依然分别构建两个市场的GARCH（1,1）模型，而后将模型估计结束后的方差序列提取出来。处理结束后再将其用组打开进行格兰杰因果检验，并变换不同阶数。表4-16沪深两市波动率格兰杰因果检验结果表几次尝试下都可以拒绝原假设，即在波动率层面双方互为格兰杰因果关系。对比之前收益率的结果，可以发现波动率层面的互动要显著的多，这也是为什么海外市场有利用波动率建模来预测价格走势的做法，从波动率的维度的确可以更加敏感地捕捉信息和情绪的异动。5结论及启示本文基于2011/01/01至2020/12/31的样本期内上证指数和深圳成指收益率数据，采用GARCH及其相关模型对这一序列进行了实证检验，研究得到：第一，在波动效应方面，沪深两个股市一样存在非常严重的非线性关系，其序列分布都不符合正态分布，指金融资产收益呈现厚尾，呈现明显的尖峰厚尾特征。也就是说该序列极端情况出现的概率要高于正态分布的预测，在均值处呈现过度尖峰，靠近均值的样本更多，偏离正态分布，并且其收益率序列具有显著的波动聚集性，条件方差表现出均值回复特性，即过去的波动对未来的影响逐渐衰减。又由沪深两市均值方差中条件方差项GARCH的系数都是不显著的，但值都为正，可以看出：两市的收益都有正的风险溢价，而且深圳股市相较于上海要更高，也就是说深圳股市的投资者对风险的厌恶程度更高，要求市场收益也更高。据笔者估计，这与城市的历史传统有关：上海相较于深圳开放时间更早，开放程度更高，因而其投资者也就更加偏好风险。第二，在杠杆效应方面，对于沪市波动率，使用GARCH（1,1）模型即可合理刻画其波动率的非对称性，而在刻画深市波动率时，则需要使用1阶TGARCH（1,1）模型。由检验结果可以看出：沪市不显著而深市显著，意即在此样本中，深市的非对称性更强，也就是说，深圳股市的人们对于利空消息的反应更为剧烈。第三，在联动效应方面，在运用格兰杰因果检验方法对沪深股市收益溢出效应进行研究时，发现在收益率层面，无法检测出溢出效应。并且通过选择不同阶数，发现都不能拒绝原假设。而在波动率层面进行建模分析。发现几次尝试下都可以拒绝原假设，也就是说在波动率层面双方互为格兰杰因果关系，从波动率的维度的确可以更加敏感地捕捉信息和情绪的异动。通过本文的研究，从监管角度提出如下建议：首先，我国必须加强对股市的监督管理力度，完善股市监管体制机制，建立健全行业内的行为准则，从而使每个市场主体都能够各司其职，提高股市运行的效率和安全性，从制度层面加强对股市的管理。其次，在股市出现非对称性问题时，金融监管当局要及时发现并迅速做出调整，加强对投资者的引导和监督，培育入市合格投资者，让他们能够自觉遵循市场规律做出反应，确保其对市场消息反应均衡，防范其在非理性状态下实施过度恶意投机行为，从而降低股市非对称性风险。最后，金融监管当局还应在部分股市发生异常波动时特别关注其溢出效应，控制股市大幅波动所带来的风险扩散。在制定政策举措时要着眼于整个市场，统筹兼顾，协调发展。此外，作为股市的安全保障者，其还应进一步推动相关法律法规的完善，采用新的风控手段，提高市场准入门槛。参考文献[1]张国胜,林宇.结构突变下投资者情绪与股市收益间的非线性溢出效应研究[J/OL].数理统计与管理:1-14.[2]张陈,周新苗.股指期货对股市波动性及非对称性的影响——基于EGARCH模型的实证研究[J].生产力研究,2020(10):23-27+44+161.[3]侯县平,傅春燕,林子枭,林宇.极端风险溢出效应的定量测度及非对称性——来自中国股市与债市的经验证据[J].管理评论,2020,32(09):55-67.[4]李志辉,田伟杰.股票市场开放、系统性风险与溢出效应[J].现代经济探讨,2020(08):45-56.[5]葛宇晨.引入经济政策不确定性的波动率预测模型[D].哈尔滨工业大学,2020.[6]周婉玲.中美贸易摩擦下汇市、股市和债市间的风险溢出效应研究[J].中国证券期货,2020(03):14-16.[7]钟立新,姚前,王聪聪.政策因素会长期影响股市波动吗?——基于GARCH-MIDAS模型的分析[J].财经论丛,2020(06):51-62.[8]刘洋.融资融券对股市波动性的影响[D].沈阳工业大学,2020.[9]王莉莉.宏观经济对股市波动性的影响[D].安徽财经大学,2020.[10]王乙迪.投资者情绪、股市波动性与股市流动性[D].吉林大学,2020.[11]罗雅兰.投资者情绪对于我国股票市场收益率、波动性以及流动性影响的实证研究[D].湖南师范大学,2020.[12]章奕.货币政策对股市波动的影响研究[D].江南大学,2020.[13]姜浩然.沪港通对我国股市流动性和波动性的影响研究[D].山东大学,2020.[14]王文召,贺炎林.融资融券资格对标的股票波动性的影响——基于我国股市的实证研究[J].西南民族大学学报(人文社科版),2020,41(02):170-177.[15]时丽娜.股指期货对股市波动性的影响分析[J].商讯,2020(03):95.[16]蒋彧,张玖瑜.中国与世界主要股市间的波动溢出效应研究——基于2002-2017年样本的实证检验[J].中国经济问题,2019(06):28-43.[17]周亮,李红权.金融业系统性风险溢出的非对称性研究[J].