深市停发新股对沪深

深市停发新股对沪深 波动溢出效应的影响:向量GARCH模型方法 王一鸣 赵留彦 北京大学经济学院金融系 100871 联系方式: 王一鸣 北京大学法学楼4层北京大学经济学院 100871 电话: E-mail: ymwang@sohu.com 赵留彦 北京大学法学楼4层北京大学经济学院 100871 电话: E-mail: zigary@sina.com 1 深市停发新股对沪深 波动溢出效应的影响:向量GARCH模型方法 摘要:本文使用沪市和深市日市场收益率序列，通过向量GARCH模型考察沪深两个市场间收益率波动的 溢出效应。两市收益率二阶矩的条件相关系数表明，相对于股市设立的早期阶段，1997年以后沪深的相关 性更强且更为稳定。模型结果显示:2000年10月深市停止IPO对沪深在中国证券市场中的相对地位有决 定性影响，此前深市上期收益波动对沪市当期波动存在显著影响，而沪市向深市的波动溢出不明显;此后 溢出效应则逆转为沪市向深市的单向溢出。即是说，深市停发新股事件改变了两市间的信息传导方向，使 得沪市起到了信息先导作用。 关键词:深市停发新股 波动溢出效应 向量GARCH模型 Multivariate GARCH Modeling of Volatility TransmissionAcross Shenzhen and Shanghai Equity Markets in Pre- and Post-Oct. 2000 periods Zhao Liuyan (School of Economics， Peking University) Abstract: We examine the volatility spillover effect of daily returns in Shanghai and Shenzhen stock markets by multivariate GARCH model. Through the time-varying cross-market correlations of variances, we find that there is a stronger pertinency between the two markets in the post-1997 period than before. The more important findings are as following: The event of IPO ceasing in October 2000 has a fateful influence to Shenzhen stock market. Before October 2000, Shenzhen had a prominent one-way volatility spillover effect to Shanghai, but Shanghai has been had a one-way spillover effect since Shenzhen ceased IPO in Oct. 2000. That is to say, the event reversed the direction of volatility spillover and since then Shanghai market plays a dominant position in terms of information transmission. 2 深市停发新股对沪深 波动溢出效应的影响:向量GARCH模型方法 摘要:本文使用沪市和深市日市场收益率序列，通过向量GARCH模型考察沪深两个市场间收益率波动的溢出效应。两市收益率二阶矩的条件相关系数表明，相对于股市设立的早期阶段，1997年以后沪深的相关性更强且更为稳定。模型结果显示:2000年10月深市停止IPO对沪深两市在中国证券市场中的相对地位有决定性影响，此前深市上期收益波动对沪市当期波动存在显著影响，而沪市向深市的波动溢出不明显;此后溢出效应则逆转为沪市向深市的单向溢出。即是说，深市停发新股事件改变了两市间的信息传导方向，使得沪市起到了信息先导作用。 关键词:深市停发新股 波动溢出效应 向量GARCH模型 一 引言 国际间或市场间收益率一阶矩的相关性以及线性格兰杰因果关系长期以来一直是金融市场中一个重要的研究领域 (如Panton等, 1976; Koch等, 1991)。而1960年代资本资产定价模型(CAPM)的出现进一步将资产的收益与风险直接联系起来，这促使了有关金融时间序列的方差(或曰波动性)模型的发展。Mandelbrot (1963)和 Fama (1965)首先 总结 初级经济法重点总结下载党员个人总结TXt高中句型全总结.doc高中句型全总结.doc理论力学知识点总结pdf 了金融资产波动的特征，最为引人注目的一个特点是波动具有正的序列自相关性或者说是聚类性。即“大的波动与大的波动相随，小的波动与小的波动相随”(Mandelbrot, 1963)。 在最近二十年间针对二阶矩的新的计量工具迅速发展，其中最为常用也是最为重要的工具之一是自回归条件异方差(ARCH)模型(Engle,1982)，它通过对条件方差使用自回归方式设定一个线性 函 关于工期滞后的函关于工程严重滞后的函关于工程进度滞后的回复函关于征求同志党风廉政意见的函关于征求廉洁自律情况的复函 数形式来模拟这些不可观测的二阶矩变动。许多研究者已通过应用ARCH或更一般形式的GARCH模型(Bollerslev,1986)对金融市场波动呈现出的聚类现象(即ARCH效应)进行研究。以上一般称为单变量GARCH (univariate GARCH)模型，这类模型很好地 1刻划了金融市场波动的时变特征因而得到极为广泛的应用。 以往研究普遍认为，一个金融市场的波动程度不仅受自身过去几期波动程度的影响，还会受到别的市场波动程度的制约，同产生市场间收益率线性关系的原因类似，这也是由于这些市场同时受制于同样的信息集，或者受某个占主导地位市场的影响。 已有较多文献考察市场间波动的相互作用关系。例如，King等 (1990)对1987年10月美国股市暴跌事件的研究认为，即使信息仅是对其中某个特定市场实用，市场间也可以通过股价波动的变化传递价格信息，这是因为其他市场会对这个市场的事件过度反应而不顾该信息可能对其自身并没有意义，这就是股市间的“传染效应”。King等 (1994)还发现市场间的协方差仅有一小部分能够为利率、汇率等基本经济因素所解释，这意味着不应该将经济因素的一致变动作为市场间收益波动相关性的唯一解释因素。Hamao等 (1990)对1987年10月前美英日三国的波动溢出的考察表明，波动仅是纽约到东京、伦敦到东京、纽约到伦敦的溢出而不是相反，即溢出是单向的，美国股市在其中起到了信息先导作用。Ng等 (1991)对美国和亚洲市场波动溢出的考察表明，只有在亚洲国家放松对国际投资的限制时才会存在国家间的波动溢出。 对波动溢出效应的考察并不局限于市场大盘中，也有少数研究者对个股的波动溢出效应进行考察，例如Lau和Diltz (1994)考察了7个同时在东京和纽约股票交易所上市的公司， 1二十年来ARCH模型已经发展成为一个庞大的模型体系，已有大量的文献探讨其统计特征以及在实证中的应用能力，对该类模型的综述见Bollerslev等 (1992)。 3 发现股票前一日在纽约市场的收益对次日该股票东京市场的开盘价有显著影响，而在东京市场的收益也影响到该股票当日在纽约市场的开盘价(纽约市场开盘在东京市场收盘之后)。 根据Ross (1989)，波动与信息流动是密切相关的。研究者常常可以从其他市场的波动变化中推断某一市场与波动相关的信息，即市场间可能存在波动性的传导或者说格兰杰因果关系，这种波动性的传导称为“波动溢出(volatility spillover)”或外部性。总体而言，现有的文献认为不少市场间存在收益率及其波动的正相关性以及溢出效应。不过这些文献多以美国市场为主要考察对象，关于发达市场与发展中市场间以及发展中市场之间波动溢出效应的实证文献并不多见，这固然是由于发展中市场具有不同于成熟市场的特征，例如规模小、流动性差，另一方面也是因为高的交易成本以及国际投资壁垒使得发展中市场信息的有效性较差。 我国自1990年代初相继设立沪深两个股票交易所，两市在大盘走势、上市公司服务以及市场成交额上竞争激烈，直至2000年10月深圳A股IPO被停止，才使得沪市在上市公司数量、流通市值方面大幅度超过深市从而形成“沪强深弱”局面。十多年间，沪深两市的相对主导地位几经转换，然而关于沪深两市间波动的相关性以及溢出效应的考察文献笔者注意到的仅有刘金全和崔畅(2002)，该文采用Hamao等(1990)的方法，先分别估计两个市场的单变量GARCH模型，然后取一个市场前一期的残差平方作为对该期市场收益波动程度的度量指标，来考察该波动对另一市场当期波动幅度的影响系数从而 检测 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 收益率波动在两市间的溢出效应。 事实上，单变量GARCH模型尽管能够充分刻画合单个金融市场波动的时变特征，在考察两个或者多个市场二阶矩间的相互作用时效率却较差。Hamao等(1990)的方法中，首先不得不将两个市场分割开来考察各自条件波动性，这就损失了两个市场相关性中所包含的有效信息。为了更准确地研究深沪两市之间波动的相互关系，本文使用一个新方法——多元的向量GARCH (multivariate GARCH)模型。当多个金融市场呈现出共同的波动趋势时，在一个向量GARCH模型的框架内分析金融市场间波动关系能够充分利用残差的方差协方差矩阵所蕴涵的信息，从而能够形成更为精确的参数估计值。单从统计学角度看，这也可以避免割裂联立方程系统所会导致的“生成自变量(generated regressor)”问题(见Pagan,1984)。 本文以下的结构安排是:第二部分简要介绍沪深两市收益率的计算以及两个收益率序列的统计特征;第三部分介绍了向量GARCH模型，这是本文考察沪深两市之间信息传导方向或者说波动溢出效应所使用的实证方法;第四部分详细讨论了利用二维向量GARCH模型得出的实证结果;最后是总结性结论。 二 数据 2本文使用数据包括1993年初,2003年初上证综合指数和深证成分指数(收盘值)。其中1993,2001年股指数据来自《中国股票市场交易数据库查询系统》，2002年以后两市指数由作者对照“搜狐”和“证券之星”两个网站相关数据整理而得，为了考察沪深两个市场的关系，首先进行样本匹配，只取两个市场都能获得股指的交易日作为样本日期，这样调整后共2444对样本。 股市大盘收益率得计算采用对数之差(百分比)，计算公式为: Pit, (1) ,100*log()Rit,P,it,1 21993年前我国股市上市公司数量不过几十个，而且运作不太规范，另外1993年1月份深圳交易所仅12个交易日，因此我们取样自1993.2.01始，至本文初稿时的2003.1.24。 4 其中R代表收益率，P代表股市收盘指数，下标i分别代表沪市和深市。 表1 沪深两市日收益率的主要统计特征 (1993.2.01-2003.1.24，2444个样本) 沪市 深市 均值 0.0049 0.00047 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 差 2.575 2.322 偏度 1.337 0.724 峰度 21.95 15.397 Q(20) 63.12 [0.00] 32.66 [0.03] 2Q(20) 776 [0.00] 376 [0.00] -0.015 [0.47] 0.022 [0.27] ρ(收益率) 0.145 [0.00] 0.128 [0.00] ρ(平方收益率) 2注: Q(20)为股市收益率滞后20阶的Ljung-Box Q统计量(服从自由度为20的卡方分布)，Q(20)为平方 2收益率滞后20阶的Ljung-Box Q统计量(服从自由度为20的卡方分布)，Q(20)和Q(20)分别用以表明两个序列的高阶自相关性。两个ρ分别指收益率和平方收益率的一阶自相关系数，分别用以表明两个序列的低阶自相关性。中括号中为第一类错误(拒绝不存在序列相关的原假定所犯错误)的概率。 表1列出了利用公式(1)计算而得的两市收益率的主要统计特征。表中显示，1993年初,2003年初11年间，对于日均回报率两个市场均略微为正。两个市场日收益率的标准差或者说波动幅度相似，略大于2,，这一波动幅度高于成熟市场，原因在于2003年初两市指数虽然接近于1993年初水平，但其间股指经历了大幅的攀升和回落。由峰度来看，两市收益率都表现出显著的肥尾(fat-tailed)特征，因而不是正态分布的(正态分布的峰度为3)。Q(20)统计量表明每个市场的收益率序列都存在序列相关，不过一阶自相关系数并不显著(二阶自相关系数也不显著，表中没有列出)，说明收益率可能存在高阶相关，例如这种相关可 32能是由于周末效应引起。而平方收益率的ρ以及Q(20)统计量都在1,置信水平上显著，表明收益率存在明显的ARCH效应，有必要引入GARCH模型来刻画这种时变方差特征。 三 向量GARCH模型 考察两个市场收益率条件均值的变动及其相互作用无疑具有重要意义，然而本文的目的在于考察收益率二阶矩间的关系。类似于Bollerslev(1990)以及Kearney(2000)对EMS 4各国汇率二阶矩间关系的考察，我们假定沪深两市收益率的变动服从简单的鞅过程: Rc,，, (2.1) itiit,, Rc这里，为t日市场i的收益率，i,1、2(其中1为沪市，2为深市);为市场i收益率it,i ,的均值(长期的漂移系数);为市场i在t期的残差项。这样对于沪深两个市场，均值方it, 3 对收益率相关系数的进一步考察可发现，滞后5阶的Q统计量较为显著，说明周末效应可能是造成这种序列相关性的主要原因。 4 当然也可以假定条件均值服从ARMA或者VARMA过程，然而这种假定会使得模型的估计更为复杂。根据Nelson (1990)，均值方程中滞后阶数的选择对条件方差方程的参数估计不产生实质影响，因此我们这里作出鞅假定以简化方程形式。 5 程组设定形式为: R,,,,,,,,1,1,tt1 (2.2) ,，,,,,,,R,,2,2,tt2,,,,,, ,|~(0,),NH,定义为残差向量，假定每个市场的残差均服从条件正态分布，，ttt,1t H,其中为方差,协方差矩阵，表示时刻的信息集。 t,1tt,1 为了模拟时变方差现象，我们在一个向量模型框架内同时估计均值方程组和条件方差矩 H阵。关于向量GARCH模型条件方差矩阵的设定有几种不同的形式，Bollerslev, Engle和t HWooldridge(1988)提出如下的Vech()形式: t pq'vechHvechCBvechHAvech()()()(),，，,, (3) ,,,,,titijtjtj,,11ij 1/2,,HaaiidNI, ~ (0,)H这里，代表条件方差,协方差矩阵，，定义为向量维数，Nttttt AB和均为[(1)/2]NN，维方阵，为对称矩阵。方差方程的这种设定形式使得参数数Cji 目较多——例如即使是二维的向量GARCH(1,1)模型，也有21个参数——从而使得参数估计很困难。因而实际中往往对该模型予以对角形式简化，例如，如果假定条件方差服从 5abi(1,2,3),ABGARCH(1，1)过程，对于二维情形，若和均为对角阵，令、分别iiii11 AB代表矩阵和的对角元素，则(3)式可以分拆写作(以下称为“对角ARCH”设定形式): 11 2hcabh,，，, (3.1)ttt,,11,11111,11111,1 hcabh,，， (3.2),,tttt,,,12,12221,12,12212,1 2hcabh,，， (3.3),ttt,,22,22332,13322,1 这种表达形式假定每个市场的条件方差仅依赖于该市场自身过去值和残差平方的过去值，两个市场之间的条件协方差也仅依赖于过去的条件协方差以及两市残差乘积。这种简化减少了待估参数，符合计量模型中的“简约”(parsimonious)原则，然而它仅能使我们考察两个市场波动性的相关系数，而无法考察市场之间波动的格兰杰因果关系或者说波动溢出关 H系。Vech()形式更重要的缺陷在于即使我们在方差方程中限制所有参数都为正值，这t 时的方差协方差矩阵也未必正定。 6因此本文中我们使用BEKK(Engle和Kroner,1993)设定形式。BEKK模型克服了上述Vech模型的缺陷。如果条件方差服从GARCH(1,1)过程，则BEKK对方差方程的设定形式如下: 5 关于GARCH族类模型滞后阶数的选取尚缺乏为大家共同接受的标准，不过以往的研究一般认为GARCH项和ARCH项滞后阶数都取为1便足以描述金融市场的波动状况。例如，Lamoureux等(1993)认为GARCH(1,1)或者EGARCH(1,1)形式能够很好地评估条件方差，其他支持GARCH(1,1)形式的证据可见Hamilton(1994)。如下文所述，向量GARCH(1,1)形式对于我国市场也是合适的。 6 该模型因最初由Baba, Engle, Kroner, Kraft提出而得名。 6 'HKBHBAA,，，'',, (4) tttt,,,111 该模型的优点在于K正定便可保证H正定，而如果K可以写为形式(是上三,,',t 角矩阵)，那么K便是正定的。对于我们考察沪深股市关系的向量GARCH(1,1)情形，(4)式仅有11个待估参数，条件方差矩阵可以分开写作: 2222222hhhh,，，，，，，22 (4.1),,,,,,,,,,,,,tttttttt,,,,,,,11,111111,1112112,12122,1111,111211,12,1212,1 22222222,, (4.2)hhhh,，，，，，，，22,,,,,,,,,,,,t,222,1ttttttt,,,,,,22,21221211,1122212,12222,1121,112221,12,1 2hhhh,，，，，，(),,,,,,,,,,,,,ttttt,,,,12,1121111211,11221112212,1212222,111121,1 2，，， (4.3) () ,,,,,,,,,ttt,,,211211221,12,121222,1 ,,, 这里，、、分别为矩阵、、的第()个元素。三个条件方差和协ij,,ABijijij 方差方程右侧每项的系数都是三个参数矩阵中某些元素的非线性组合，例如沪市条件方差方 h程中的系数是参数矩阵B中第(1,1)元素的平方。如果参数矩阵中每个元素都是无偏11,1t, ,的，则直接求这些元素非线性组合的值便得到系数的无偏估计值，例如只需将平方即得11 h到沪市条件方差方程中项系数的估计值。然而要确定这些非线性约束是否显著则困难11,1t, 7得多，一方面因为Wald检验结果在非线性限制形式下是不稳定的，另一方面也在于BEKK h模型的设定形式本身:考察条件协方差方程中系数的显著性同时，也就给条件方差方程12,t hhh和中的系数施加了一定限制。例如考察中ARCH项系数是否为0时11,t22,t12,t H: 0,,,,，,()，实际上就是假定参数矩阵的一个对角元素和一个非对角元A021121122 素同时为0，而限制一个对角元素为0，便是假定一个市场中的条件方差不受该市场过去残差平方的影响——这是有悖于ARCH模型初衷的。 因而，为了考察收益率波动在沪深两个市场间的溢出效应，本文中我们采用针对矩阵元 A素的似然比检验和Wald检验方法。检验两市之间不存在直接的溢出效应时，即是假定矩阵1B和非对角元素均为0，形成对角ARCH。而仅检验深市对沪市不存在直接溢出效应时，原1 H: 0, 0,,,,假定为:，这时(4.1),(4.3)简化为: 02121 2222hh,，，,,,, (5.1)ttt,,11,111111,1111,1 22222222，，2 (5.2),,,,,,hhhh,，，，，，2,,,,,,,,tttt,,,,112221,12,1222,1tttt,,,22,21221211,1122212,12222,1121, 2hhh,，，，， (5.3),,,,,,,,,,,,,tttttt,,,,,12,1121111211,1112212,111121,111221,12,1 H: 0, 0,,,, 同理，仅检验沪市对深市不存在直接溢出效应时，原假定为:，01212即是假定深市条件方差仅受自身过去ARCH项和GARCH项的影响。这样，就可以构造如 7,,,1,,,1/比如，与是等价的限制形式，然而对这两种形式进行Wald检验时很有可能发现前者1212 显著而后者不显著这种结果不一致现象(详细的讨论见Davidson 和Mackinnon, 1993, Chapter 13)。 7 下形式似然比统计量: 2LRll,,,,2()~() , (6) ru l这里，l和分别表示受限制和未受限制下的对数似然值。原假定为对角ARCH时，ur 卡方分布自由度为4，原假定为不存在一个市场向另一个市场的单向溢出效益时，卡方分布自由度为2。 假定方程(2)中的条件残差向量服从二元正态分布，对数似然函数可写作(不考虑常数调整项): T1'1,lHH,,,,,，()(ln||) (7) ,tttt2,1t 这里，T为样本总量，为待估参数向量，由于GARCH模型的对数似然函数形式是非, 线性的，估计过程中我们使用Marquardt算法。对于二维向量GARCH(1,1)模型的参数估计，我们首先对沪深两市分别估计单变量GARCH(1,1)模型，取其参数(正的平方根)作为向量GARCH模型中对应参数(矩阵、、相应对角元素)的初始值，而非对角元素初始,AB 值设定为0。参数的收敛准则定为0.001，即前后两次迭代参数向量模的变化率小于0.1%时便认为达到收敛。限于篇幅，本文中不列出两个市场单变量GARCH模型的估计结果。 四 结果 表2中的A栏列出了整个样本区间(1993.2.01-2003.1.24)内二维向量GARCH模型的参数最大似然估计结果。以下我们称参数矩阵和均为对角矩阵(即矩阵和所有非对ABAB角元素均为0)时的模型设定形式为“对角ARCH”，而不对矩阵元素施加任何限制的设定形式为“矩阵ARCH”。该栏显示，在两种设定形式下矩阵和的对角线元素均在1,水AB 平上显著，表明对于每个市场，收益率的波动都存在着明显的持续性和聚类性，或者说存在ARCH效应，这与前面表1中的有关结果一致。 如前所述，对角ARCH假定每个市场的条件方差仅依赖于该市场自身过去值，而不直接受对方市场过去波动的影响。相对于矩阵ARCH，如果对角ARCH的似然值没有明显下降，则可以认为两个市场之间不存在波动溢出，这就是似然比检验的基本思想。类似地，如 H: 0,,,,果仅有原假定成立，我们认为不存在深市向沪市的单向溢出效应;如果02121 H: 0,,,,成立，则不存在沪市向深市的单向溢出。 01212 8表3中A栏列出了两市之间波动溢出效应的似然比检验和Wald检验结果。参数约束检验结果表明，就1993年初至2003年初的整个样本区间而言，三个原假定都被拒绝，说明沪深股市之间可能存在双向的波动溢出效应，即沪市的收益率波动程度受到深市前一日波动的影响，反过来，沪市的波动也影响深市以后的波动程度。 表2 二维向量GARCH(1,1) 模型参数最大似然估计结果 8 理论上，这两种参数的显著性检验方法是渐进一致的。 8 R,,,,,,,,1,1,tt1 均值方程:,，,,,,,,R,,2,2,tt,,2,,,, 'HBHBAA,,,，，''',,方差矩阵:，其中，为对称矩阵;对于“矩阵ARCH”形式，,tttt,,,111 ab和为 矩阵，和分别为每个矩阵的元素;对于“对角ARCH”形式，()ij(, j=1, 2)iAB22，Aijij 和为对角阵。 B B栏 C栏 A栏 (1993.2.01-2000.9.29) (2000.10.09-2003.1.24) (1993.2.01-2003.1.24) 参数 矩阵ARCH 对角ARCH 矩阵ARCH 对角ARCH 矩阵ARCH 对角ARCH -0.0046 0.0175 0.0080 0.0331 -0.0225 -0.0171 , 1(-0.16) (0.63) (0.21) (0.87) (-0.48) (-0.36) -0.0364 -0.0104 -0.0389 -0.0089 -0.0430 -0.0363 , 2(-1.19) (-0.35) (-0.98) (-0.22) (-0.85) (-0.714) 0.369 0.247 0.487 0.315 0.327 0.372 , 11(19.45***) (19.81***) (17.09***) (17.98***) (8.17***) (11.58***) 0.402 0.288 0.553 0.396 0.355 0.338 , 21(19.52***) (19.50***) (18.89***) (19.64***) (8.02***) (10.11***) 0.039 0.058 0.071 0.089 -7.87E-05 0.083 , 22(4.16***) (6.98***) (4.49***) (5.59***) (-3.37E-05) (4.58***) 0.938 0.945 0.941 0.941 0.963 0.883 , 11(221.95***) (561.37***) (172.06***) (426.71***) (14.50***) (61.19***) -0.022 -0.030 -0.101 , 21(-4.44***) (-3.84***) (-1.61) -0.020 -0.008 -0.014 , 12(-5.49***) (-1.50) (-0.21) 0.930 0.938 0.903 0.925 0.881 0.906 , 22(185.02***) (472.74*** ) (104.66***) (311.44*** ) (14.12***) (70.46***) 0.4000 0.348 0.373 0.355 0.518 0.394 , 11(24.36***) (54.68***) (19.68***) (47.42***) (4.96***) (14.87***) -0.005 -0.011 -0.027 , 21(-0.29) (-0.49) (-0.29) 0.095 0.038 0.350 , 12(6.34***) (2.09**) (3.65***) 0.311 0.356 0.373 0.376 0.140 0.353 , 22(17.74***) (56.59***) (15.90***) (49.44***) (1.60) (12.85***) 对数似然值 -3848.86 -3862.51 -3660.90 -3668.18 -140.31 -154.36 注:小括号内为相应参数渐进 t统计量。*表示在10,水平上显著，**表示在5,水平上显著，***表示在1%水平上显著，下同。 表3 沪深两市间波动溢出效应检验 A栏 B栏 C栏 (1993.2.01-2003.1.24) (1993.2.01-2000.9.29) (2000.10.09-2003.1.24) 9 原假定 LR统计量 Wald统计量 LR统计量 Wald统计量 LR统计量 Wald统计量 H: 0,,,,,02121 27.20*** 148.7*** 14.57*** 44.37*** 28.10*** 92.12*** 0,,,,1212 14.42*** 43.98*** 11.36*** 30.55*** 2.49 3.25 H: 0,,,, 02121 5.43** 40.88*** 0.88 4.44 13.58*** 14.77*** H: 0,,,, 01212 H: 0, 0,,,,,,,,注:“”代表对角ARCH的原假定，即两市之间不存在直接的波动021211212 H: 0,,,,溢出效应，备择假设为该四个元素中任何一个不为0;“”代表不存在深市向沪市溢02121 H: 0,,,,出效应的原假定;“”代表不存在沪市向深市溢出效应的原假定。 01212 根据表2中A栏参数值，由式(4.1)-(4.3)可求沪深两市的条件方差以及协方差。图1中， h实线(var_Y1)表示沪市的条件方差序列()，虚线(var_Y2)表示深市的条件方差序列11,t h()。该图显示，中国股市后一阶段(例如1997年后)的波动幅度明显小于前阶段，而22,t 且相对于前阶段，后一阶段沪深两市的波动状况更趋于一致。这一点也可以由两市间收益率方差的条件相关系数来表明，沪深两市间收益率二阶矩的条件相关系数的计算如式(8): h12,t (8) corr,12,thh11,22,tt h这里，也由式(4.1)-(4.3)所定义。图2给出了整个样本区间内条件相关系数的ijt. 折线图，由图中可以看出，我国股市发展的前期，两市相关系数较小，而且很不稳定;而在后一段时间相关系数接近于1且甚为稳定。这表明我国股市初设立的几年中，沪深两市相对独立，不过这种独立性正随股市发展变得越来越弱。对这种现象一个可能的解释是:一般而言，每个市场都更多地吸纳本地股，即深圳及其周围公司倾向于在深市上市，上海及其周围公司倾向于在沪市上市，从而使得两市上市公司具有不同的地域特征，不同地域的经济形势分别影响了沪深两市各自的收益率波动;而随着我国股市的发展，越来越多的其他地区公司在两个市场上市，尤其是1997,2000年间沪深轮流上市的不成文规定，使得这种地域特征越来越不明显。表现在相关系数上，即是后期相关系数较前期大且更为稳定。 图1 插入此处 图2 插入此处 10 以往相关文献表明，中国股市设立时间虽然不长，其间却经历了几个阶段性的变化(马向前和任若恩，2002;张亦春，2001)，这既是源于股市十年间的快速发展，也受宏观经济形势和政府经济政策变动影响。十年发展过程中，沪深两市的相对主导地位也几经转换。 自90年代初期沪深两个交易所成立，整个90年代两市在大盘走势、上市公司服务以及市场成交额上全面竞争。仅从交易额来看，1995年3月上交所开始超过深交所，而深交易所通过努力1996年8月成交额又超过上交所，并且该年度深圳股市取得了174.92%的全球最高涨幅。由于1997年后证监会设立了“上海先上一家，深圳再上一家”的不成文规定，上交所又开始赶超深交所。至2000年10月深市停发新股前夕，沪深两市上市公司数目接近，分别有521和495家。 然而2000年之后深市停发新股无疑是对沪深在中国证券市场中的相对地位影响最大的事件。2000年10月深圳A股IPO被停止后，大量资金开始流入上海，最近两年多时间里，沪市上市新股近200只，这样使得沪市在上市公司数量、流通市值等方面都迅速超过深市。对比深市停发新股前后的2000年和2001年:从收益率来看，而2000年沪深两市接近，上市公司加权平均每股收益分别为0.2185元和0.2008元，而2001年两市的这个指标分别变为0.176元和0.06元;从筹资额来看，2001年我国证券市场筹资总额为1192.22亿元，其中由于深市依靠再融资筹资234.73亿元，比2000年减少394.20亿元，仅占当年融资总额的19.69,。 为了考察深交所停发新股对两个市场相对地位的影响，我们再单独考察2000年10月前后两市的波动溢出状况。以2000年10月初为界将样本分为前后两个子样本区间，每个子样本区间的向量GARCH模型的参数估计值列在表2的B、C两栏中。同整个样本区间的结果类似的是，无论是矩阵ARCH还是对角ARCH设定形式，矩阵和对角线元素均显著，AB 说明这时每个市场收益率波动的持续性和聚类性仍然明显。对停发新股前后两个样本区间有关波动溢出效应的参数检验结果(表3中B、C两栏)显示，相对于对角ARCH，矩阵ARCH仍更为有效地描述了市场的波动特征。然而进一步的参数检验表明，停发新股前后，沪深两 9市的波动溢出方向是不同的:此前主要是深市向沪市的溢出，而此后主要是沪市向深市的溢出。换言之，停发新股这一事件在降低深市收益率和交易额的同时决定了我国证券市场中沪深两市的相对地位，使得深市效率降低，从此沪市在信息方面起到了先导作用。 表4列出了整个样本区间以及深市停止IPO前后两个子样本区间中“矩阵ARCH(1, 1)”模型的检验结果。对于三个样本区间，两市的收益率乘积序列都呈现出高度的自相关性。我们知道，如果均值方程的残差平方序列存在显著自相关现象，则表明存在ARCH效应，这时有必要引入单变量ARCH模型。类似地，两个序列乘积的自相关性表明了使用向量GARCH模型的必要性。每个样本区间下，向量GARCH(1,1)模型中两个市场的标准化残差乘积序列在任何滞后阶数上都不再存有自相关现象。因此可以认为，文中所设定的向量GARCH(1,1)模型能够很好地描述沪深两个市场的波动状况。 表4 “矩阵ARCH (1, 1)”模型的残差检验 1993.2.01-2003.1.24 1993.2.01-2000.9.29 2000.10.09-2003.1.24 两市收益率 两市标准化 两市收益率 两市标准化 两市收益率 两市标准化 乘积 残差乘积 乘积 残差乘积 乘积 残差乘积 0.106 [0.00] 0.002 [0.92] 0.104 [0.00] 0.002 [0.93] 0.051 [0.23] -0.015 [0.72] ρ 9 停止IPO之前，深市上市的新股板块较沪市的新股板块大，深市累计上市新股对流通市值的贡献也一直领先于沪市，这些可能使得2000年之前深市效率相对较高。Fung(2000)等人利用格兰杰因果检验方法对1997年前沪深两市B股的市场收益率研究也表明，这一阶段深市对于沪市起到了信息先导作用，而沪市对深市的先导作用不明显。 11 Q(10) 412.5 [0.00] 1.472 [0.99] 312.9 [0.00] 1.296 [0.99] 30.61 [0.00] 6.226 [0.79] Q(20) 436.4 [0.00] 2.838 [1.00] 327.8 [0.00] 2.682 [1.00] 39.64 [0.01] 21.82 [0.35] 注:1. ρ表示一阶自相关系数，Q(10)和Q(20)分别代表序列的滞后10阶和滞后20阶Ljung-Box Q统计量，这三个统计指标分别表示序列的低阶和高阶自相关性。对于每个样本区间，第一列为沪深两市的收益率乘积序列的有关统计量，如果这些统计量显著，则表明有必要引入向量GARCH模型;第二列为向量GARCH模型中两市的标准化残差的乘积序列的有关统计量，如果向量GARCH的阶数选取恰当，能够充分描述两个市场的波动状况，则标准化残差乘积序列不存在自相关。 2. 中括号中为拒绝原假定(H:在相应阶数上不存在自相关)犯错误的概率。 0 五 结论 本文通过二维向量GARCH模型考察了沪深两个市场间收益率波动的溢出效应或者说信息传导方向。每个市场的收益率都表现出显著的肥尾特征，收益率平方序列显著的自相关性说明存在ARCH效应，即每个市场的收益率波动都具有高度的持续性。残差检验结果显示，假定两市收益率的变动分别服从简单鞅过程时，向量GARCH(1,1)模型能够恰当地描述我国沪深两个市场的波动状况。 对整个样本区间(1993.2.01-2003.1.24)的考察表明，1997年以后沪深市场收益率波动的相关性相对于股市发展的早期阶段更强且更为稳定。整个样本区间的参数检验表明，沪深股市之间存在双向的波动溢出效应，即沪市的收益率波动程度受到深市前一日波动的影响，反过来，沪市的波动也影响深市以后的波动程度。 进而为了考察2000年10月深市在A股市场停发新股对沪深波动溢出效应地影响，我们以此为界将样本分为前后两个子样本区间，进一步的结果表明，深市停发新股对沪深两市在中国证券市场中的相对地位有决定性影响，它改变了两市间的信息传导方向:此前深市上期收益波动对沪市当期收益波动存在显著影响，而沪市向深市的溢出效应不明显;此后溢出效应则逆转为沪市向深市的单向溢出。即是说，停发新股事件使得沪市起到了信息先导作用。这种结果可能同人们的知觉一致，因为两年多时间的停发新股使得深市无论是在上市公司数量、交易额，还是日均大盘收益率方面都远远落后于沪市。可以确定的是，随着停发新股时间的延续，两市市场规模还将迅速拉大，以后沪市对深市的单向溢出效应或者说信息的这种单向传导会更为明显。 参考文献 Bollerslev, T., 1986, Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, vol. 31, 307-327. Bollerslev, T., 1990, Modeling the coherence in short-run nominal exchange rates: A multivariate generalized ARCH approach , Review of Economics and Statistics vol. 72, 498-505. Bollerslev, T., Engle R.F. and Nelson D., 1994, Handbook of Econometrics, Vol. IV, Chapter 49, Elsevier Science. Bollerslev, T., Engle R.F. and J. M. Wooldridge, 1988, A capital asset pricing model with time-varying covariance, Journal of Political Economy, vol. 96, 116-131. Bollerslev, Tim, Ray Y. Chou, and Kenneth F. Kroner, 1992, ARCH modeling in finance: A review of the theory and empirical evidence, Journal of Econometrics vol. 52, 5-59. Davidson, Russell and James G. Mackinnon, 1993, Estimation and Inference in Econometrics, Oxford University Press. Engle, R.F., 1982, Autoregressive conditional heteroskedasticity with estimates of the variance of U.K. inflation, 12 Econometrica, vol. 50, 987-1008. Engle, R.F. and K. F. Kroner, 1993, Multivariate simultaneous generalized ARCH, Unpublished manuscript, University of California-San Diego. Fama, E. F., 1965, The behavior of stock market prices, Journal of Business vol. 38, 34-105. Hamao, Y., Masulis, R.W. and Ng, V., 1990, Correlations in price changes and volatility across international stock markets, Review of Financial Studies, vol. 3, 281–307. Hamilton, James D., 1994, Time Series Analysis. Princeton University Press. Fung Hung-Gay, Wai Lee and W. K. Leung, 2000, Segmentation of the A- and B- share Chinese equity markets, The Journal of Financial Research, vol. 23, 179-195. Kearney, C., and Andrew Patton, 2000, Multivariate GARCH modeling of exchange rate volatility transmission in the European monetary system, The Financial Review, vol. 41, 29-48. King, M., Sentana, E. and Wadhwani, S. 1994, Volatility and links between national stock markets, Econometrica, vol. 62, 901–933. King, M., and Wadhwani, S. 1990, Transmission of volatility between stock markets, The Review of Financial Studies, vol. 3, 5–33. Koch, P.D. and Koch, T.W. 1991, Evolution in dynamic linkages across national stock indices, Journal of International Money and Finance, vol. 10, 231–251. Lamoureux, Christopher G., and William D. Lastrapes, 1993, Forecasting stock return variance: Toward an understanding of stochastic implied volatilities, Review of Financial Studies vol. 5, 293-326. Lau, S.T. and Diltz, J.D., 1994, Stock returns and the transfer of information between the New York and Tokyo stock exchanges, Journal of International Money and Finance, vol. 13, 211–222. Mandelbrot, B., 1963, The variation of certain speculative prices, Journal of Business vol. 36, 394-419. Nelson, D. B., 1990, Stationary and persistence in the GARCH(1, 1) model, Econometric Review, vol. 6, 318-34. Ng, V.K., Chang, R.P. and Chou, R.Y. 1991, An examination of the behaviour of Pacific-Basin stock market volatility, Pacific-Basin Capital Markets Research, vol. 2, 245–260. Pagan, A. R., 1984, Econometric issues in the analysis of regression with generated regressors, International Economic Review, vol. 25, 221-247. Panton, D.B., Lessig, V.P. and Joy, O.M. 1976, Co-movement of international equity markets: A taxonomic approach, Journal of Financial and Quantitative Analysis, vol. 11, 415-432. Ross, S. A., 1989, Information and volatility: The no-arbitrage martingale approach to timing and resolution irrelevancy, Journal of Finance, vol. 44, 1-17. 刘金全、崔畅，“中国沪深股市收益率和波动性的实证分析”，《经济学季刊》，2002年第1卷第4期，885-898 页。 马向前、任若恩，“基于市场效率的中国股市波动和发展阶段划分”，《经济科学》，2002年第1期，66-72 页。 张亦春、周颖刚、郑学军，“中国股市变迁三阶段论专题系列”，《福建金融》，2001年第8(44-46页)、9 (38-41页)、10(37-41页)、11(37-39页)期。 13 200 VAR_Y1VAR_Y2 160 120 80 40 0 93.1 95.1 97.1 99.1 01.1 03.1 图1 沪深两市的条件方差序列(1993.1-2003.1) 14 1.0 0.8 0.6 0.4 0.2 0.0 93.1 95.1 97.1 99.1 01.1 03.1 图2 沪深两市的条件相关系数估计值(1993.1-2003.1) 15