会计财务管理-股票价格波动的实证研究

引言股指期货交易对股票市场的波动性影响一直是学术界关注的重点。我国的股指期货市场起步较晚，2010年4月，我国方才推出首个跨市场的沪深300指数期货合约。股指期货的推出开启了我国股指期货的实践进程，终结了我国市场长期的单边交易模式。丰富投资者的投资工具，促进金融工具的创新，完善金融市场的内涵，具有划时代的意义。2016年4月16日，中证500指数期货和上证50指数期货的推出，填补了我国股指期货市场上中小市值企业板块的空白，对改善企业融资结构、优化社会资源配置、促进中国经济发展等方面起到了十分重要的作用。Chen,Roll和Ross（1986）研究发现可以显著解释股票收益率的因子有风险溢价变化以及通货膨胀率等；但消费支出、原油价格和股票收益率之间却没有明显关系。Mukherjee和Naka（1995）用误差修正模型研究了东京股票交易所（TSE）和日本宏观经济变量之间的动态关系。他们研究发现，TSE股票价格指数和六个宏观经济因子之间存在协整关系。而Binswanger（2000）对20世纪80年代以来的美国经济，用子样本滚动回归方法研究发现，股票收益率和实质经济活动之间的关系不成立。国内学者也在这方面进行了一些经验研究。谈儒勇（1999）研究了中国金融发展和经济增长之间的关系，其中涉及了股市发展和经济增长之间的实证研究。研究表明，我国股市发展的三个指标（市价总值/GDP、成交金额/GDP和成交金额/市价总值）在回归模型中都不显著，这意味着我国股市发展对经济增长的作用极其有限。郑江淮、袁国良等（2017）的经验研究认为，虽然我国股市规模对经济增长的作用效果不明显，但股市发展与储蓄之间的正相关关系表明存在股票市场对经济增长的作用机制。李广众（2018）的经验研究认为中国银行、股市发展的主要作用在于促进投资规模扩大，股市发展对经济增长的作用并不显著。从上述国内研究文献可以看出，研究重点大多放在金融发展和经济增长关系上，股票市场发展和经济增长之间的关系仅仅是研究中的一部分，很少涉及关于宏观经济和股票市场表现之间的经验检验。股票是国民资产配置中重要的一环，与实体经济有着密切的联系，所以学者对股票价格波动的研究非常关注。价格波动是股票市场的基本特征之一，通过考察股市波动的特征、变化及其与宏观经济因素的关系的研究，可以使得股票投资的风险降低，也可以增加整个金融市场的流动性，对国家的经济建设有着重要的意义。2相关概述界定2.1股指期货的概念股票指数期货（StockIndexFuture），简称股指期货，是指以股票价格指数为标的物的金融期货合约。即在未来某个特定的日期，合约双方根据预先约定的价格，买进或卖出约定数量的股票指数的一种标准化协议。股指期货属于金融衍生工具之一，它是依赖股票指数进行交易的。股指期货交易是对股票指数未来的价格的预期，在不考虑手续费的作用下，是交易双方之间的零和博弈。对未来股票指数走势预测准确的一方将获益，而另一方则会蒙受损失。2.2股票价格指数股票价格是虚拟的，它本身没有价值，实际上是一种所有权凭证。它能够流通交易的前提，是它能给持有者带来投资收益。利率就是资金的市场价格，相同数量的资金既可以投资于不同的市场，股票市场和借贷市场都在选择范围之内。如此情况下，利率就成为影响股票价格的一个十分敏感的因素，它对股票价格的影响过程和结果都极为复杂。理论上，股票价格与市场利率负相关，利率下降时股票价格应该上升；而利率水平上升，股票价格应该下降。可见，股票投资者可以根据利率的上下浮动作为参考，决定买入或沽出股票的时机。2.3股票回购的定价2016年4月16日，实施股票回购的一个关键因素即是确定股票的公允价格。流通股与非流通股的回购价格要区别对待。对国有股来说，其价格制定的关键，在于保证国有资产价值不受损失。一方面，回购价格不得低于每股净资产，只有这样股东的权益才能得以保障。但又不能单纯根据净资产定价，因为净资产值代表的是公司的历史成本，它无法体现资产未来的动态收益。另一方面，还要考虑公司的盈利水平和市场表现。当公司盈利状况良好时，制定回购价格时应在每股净资产值得基础上加上一定幅度的溢价。这样才能真实的反映出公司的经营水平，确保国有资产保值增值。流通股的定价分两种方式：（1）市场公开回购。在公开市场进行股票回购时，回购价格可参照以往交易日的收盘价。通常以回购前一个月的平均收盘价作为回购定价的底线，回购后的收盘价作为回购定价的上限。当公司遭遇不可控因素影响时，例如股票市场的暴跌等，定价以股票的净资产值为准。（2）要约回购。有针对性的向所有股东回购股份时，股票的定价基础是公司未来经营期所需要的现金流。3股指期货对股票市场波动影响的理论分析股指期货是建立在股票指数之上的衍生金融工具，两者之间在价格的长期走势上具有一致性。但是，股指期货具备交易费用低，可以做空等特征，这就会使得两者的价格波动存在差异。3.1价格引导机制股指期货的定价模型方式多种多样，其中最为常用的就是成本定价模型。现在资本市场上主要有三种参与者：投机者、套利者和套期保值者。不同的投资者会根据当时不同的市场环境做出不同的投资方式，执行不同的交易策略，从而产生不同的交易结果。因此，不同的交易行为可能会干预市场，导致价格出现异常变动。在经济学假设中，市场上的投资者都是理性投资者，市场价格也会根据市场信息的不同围绕其真实价值上下波动。但是在真实的市场运行过程中，市场价格一般都会背离其内在价值，表现出明显的高估或者低估。这种现象的内在原因按照行为金融学理论来说就是因为市场上存在大量投机者。股指期货在受到外界新消息冲击的情况下，其波动会通过溢出效应传导到现货市场，其中最为明显的例子就是到期日效应。一般来说，投资者为了盈利的交易将希望股票价格在过去的一个有利的转变之前和之后股指期货到期日期，所以将操纵价格的存在，这将导致股票市场的投标价格双方失衡，最终导致股价波动。3.2期限套利机制与市场上的非理性投资者相比，理性的投资者还是可以通过市场上的交易手段建立资产组合来规避价格的非理性波动。当资产价值低于期货价格的时候，投资者能够买进股票，出售期货合约来进行双向套利操作，反之也是一样。这种双向套利手段减小了市场价格脱离理论内在价值的幅度，有利于市场价格向其基本面的靠拢，并且降低了波动性效应。但是，期现套利机制的实际效果在不同地区交易还会存在差异，因为不同国家的期现套利机制不同，这就使得各国的期现套利成本存在差异，使得套利差额存在不同，在这种情况下，套利的实际效果也会存在不同。4股指期货对股票市场波动率影响的实证分析——以上证50指数为例4.1GARCH模型介绍Engle（1995）指出ARCH过程的一个缺陷是看上去比自回归过程更像一个移动平均过程。由此他认为可以将滞后的条件方差项放入自回归过程中。TimBollerslev于1986年正式提出了GARCH模型。GARCH（p，q）模型的一般形式如下：Yμh这说明方差的比例参数ℎt取决于以滞后残差平方项表示的冲击以及以自身的滞后项表示的历史。显然，当p=0时，模型将为ARCH（q）。GARCH（p，q）模型的最简形式为GARCH（1，1），它的方程为：h4.2样本选取与介绍中国上证50指数期货为2016年推出的指数期货，推出时间较短。本章将进行上证50指数期货推出对上证50指数是否产生影响、以及如何产生影响进行分析，针对上证50指数选取3个不同样本进行数据处理。4.2.1样本的选取既2010年4月16日（周五）中国第一支股指期货沪深300指数期货推出后，上证50指数期货于2016年4月16日（周四）同时推出。本文选择上证50指数期货进行新指数期货推出对股票市场波动影响的分析。由于上证50指数期货推出时间为2016年4月16日，选择2015年1月1日为样本起始时间，2017年8月31日为样本结束时间，前后时间长度相对对称；这32个月内上证50指数5分钟高频数据为全样本，样本总量为32448个，记为S，考察股指期货对股市波动的影响及作用方向；其中全样本记为Z，推出前子样本记为BZ，推出后子样本记为AZ。相关数据来自Wind金融数据库。4.2.2样本平稳性检验平稳性是时间序列重要的基础概念之一。时间序列的平稳性是时间序列经典回归分析的条件和基础，如果序列的平稳性无法满足，则许多经典回归分析的典型结论就是无效的。对非平稳的时间序列做回归毫无意义，通常被成为虚假回归或伪回归。本文对本章确定的上证50指数和中证500指数全样本和子样本进行数据平稳性检验如下：表4.1上证50指数全样本和子样本原始数据平稳性检验样本SBSASZBZAZProb.*0.56340.99990.34210.50471.00000.5322t-Statistic-1.4414522.074764-1.880065-1.5568723.467160-1.5031281%level-3.432852-3.434636-3.435523-3.435523-3.435523-3.4355235%level-2.862531-2.863320-2.863712-2.863712-2.863712-2.86371210%level-2.567343-2.567766-2.567977-2.567977-2.567977-2.567977通过单位根检验发现，时间序列不平稳时，通用做法是通过差分法使序列平稳化，即考察序列的一阶差分、二价差分……是否平稳，直到序列平稳为止。特别地，由于金融产品一般假设为服从对数正太分布，对原数据取对数并做一阶差分进行处理。由于样本的原数据为上证50指数5分钟高频数据中的收盘价，那么最后实证得到的结果即是上证50指数5分钟收益率。即：r表4.2上证50指数全样本和子样本对数化一阶差分平稳性检验样本DSDBSDASDZDAZDBZProb.*0.00010.00010.00010.00010.00010.0000t-Statistic-77.78201-70.87035-135.7759-61.03000-57.73181-43.873271%level-3.432852-3.434636-3.435523-3.435523-3.435523-3.4355235%level-2.862531-2.863320-2.863712-2.863712-2.863712-2.86371210%level-2.567343-2.567766-2.567977-2.567977-2.567977-2.56797通过对基础模型进行线性回归分析，并对计算结果进行校检，我们发现，数据之间并不存在序列相关性和方差关系.4.2.3方法设计1.向量自回归基本模型。向量自回归模型（VAR：VectorAutoregression）通常用于分析相关时间序列系统的相关性和随机扰动对系统的动态影响。因为它避免了结构方程中需要对系统中每个内生变量关于所有内生变量的滞后值函数的建模问题，所以运用更为广泛。VAR（r）的基本模型为：Yt=A1Yt-1+…+ArYt-r+B1X1+…+BSXt-S+εt （1）其中，Yt和Xt分别是内生变量向量和外生变量向量，Ai和Bi是待估参数矩阵，r和s是滞后期。一般根据AIC和SC信息量最小标准确定模型阶数，定义为：AIC=-2l/T+2k/T （2）SC=-2l/T+klogT/T（3）其中，k=m（rd+pm）是待估参数个数，n是观测值数目，而且： l=-mT（1+log2π）-TlogΨ （4） 2 2其中，Ψ=det1-r∑iεiε′i是残差方差矩阵。4.3上证50指数期货推出对上证50指数波动影响的实证检验为探究新推出指数期货股市波动的影响，本文以上证50指数期货为例，对上证50指数期货推出对上证50指数波动的影响进行分析。首先对上证50指数期货推出对上证50指数是否产生短期影响进行分析，其次区别期货推出前后分别进行具体分析。4.3.1上证50指数期货推出对上证50指数波动影响的GARCH检验GARCH模型分析需建立在确定均值方程的基础上，而ARMA模型（自回归移动平均模型）是金融时间序列常用的拟合方法。若自相关和偏相关函数没有呈现出上述变化趋势，就要借助AIC和SC准则进行判断。上述准则是目前通用的判断模型拟合优良性的方法，值越小，拟合效果越好。对上证50指数DS序列进行自相关和偏相关如下：图4.1上证50指数DS序列自相关图依据上图，AC和PAC分布随机，都围绕0左右小范围波动，且不存在几何衰减的趋势，其中AC数值多次达到0。因此，无法通过上图确定拖尾和截尾的阶数，即无法确定ARMA模型的阶数。表4.3上证50指数DS序列ARMA模型不同阶数下AIC/SC信息表ARMA模型AICSCAR（1）MA（1）-9.015475-9.014699AR（1）MA（2）-9.015657-9.014623AR（1）MA（3）-9.016244-9.014952AR（2）MA（1）-9.015637-9.014602AR（2）MA（2）-9.016527-9.015235AR（2）MA（3）-9.016470-9.014919AR（3）MA（1）-9.016190-9.014897AR（3）MA（2）-9.016465-9.014914AR（3）MA（3）-9.016456-9.014646综合上述拟合结果，方程AR（2）MA（2）的SC值最小，为-9.016527，AIC值也最小，为-9.015235，最后选择AR（2）MA（2）为沪深300指数S样本收益率指数拟合模型。为进一步确定模型拟合效果，对拟合函数各统计量检验如下：表4.4上证50指数DS序列AR（2）MA（2）模型拟合回归结果VariableCoefficientStd.Errort-StatisticProb.C1.05E-051.49E-050.7025950.4823AR（1）1.3545530.06067422.325010.0000AR（2）-0.6951410.060088-11.568730.0000MA（1）-1.3841620.057960-23.881350.0000MA（2）0.7273560.05732712.687860.0000R-squared0.002083Meandependentvar1.04E-05F-statistic16.93148Durbin-Watsonstat2.000041Prob（F-statistic）0.000000拟合函数的R2只有0.002083，但是已经为众ARMA模型中最高值（其余均在0.02以下），，R2大于0.8，在第一事件窗口，即包含货币政策宣布之时，观察宣布前最后一次交易至宣布后第一个交易日的开盘时点，股指对未及预期的政策调整表现为十分强烈的政策性波动，同时表现为十分明显的负面关系，表明股票市场的即期冲击效应对未预期的利率调整反映十分明显。而宣布后的30分钟交易周期里，股指波动性虽依旧巨烈，但其显著性呈衰竭之势，对未预期的利率变动开始呈现为正向关系。图4.2上证50指数DS序列残差平方序列自相关图依据上图可以发现，AC和PAC的值在没有在某处截断为0，无法确定残差平方序列的滞后长度。在进行ARCH效应检验时，滞后阶数要尽可能大，将残差序列的滞后长度定为20。确定滞后长度后，对残差序列进行ARCH-LM检验如下：表4.5上证50指数DS序列均值模型的ARCH检验F-statistic1.868313Prob.F（20，32420）0.0106Obs*R-squared37.35203Prob.Chi-Square（20）0.0106Obs*R-squared是ARCH检验的检验统计量，值为37.35203，对应P值接近0.01，拒绝原假设，说明残差序列存在ARCH效应，可以进行GARCH回归。本文选择GARCH模型对股票收益率的波动进行分析。依据以往经验，GARCH（p，q）模型中p、q取值均在3以下，即取值为1或2。引入虚拟变量DT，定义为事件上证50指数期货的推出，在上证50指数期货推出之前，DT=0；推出以后DT=1。表4.6上证50指数DS序列GARCH模型不同阶数下AIC/SC信息表GARCH模型AICSCGARCH（1，1）-9.908864-9.906538GARCH（1，2）-9.909356-9.906771GARCH（2，1）-9.912360-9.909775GARCH（2，2）-9.910905-9.908061依据上表结果，方程GARCH（2，1）的AIC值最小，为-9.912360，SC值也最小，为-9.909775，因此最后选择GARCH（2，1）方程作为最终回归方程。回归结果如下：表4.7上证50指数DS序列GARCH（2，1）回归结果VariableCoefficientStd.Errorz-StatisticProb.C2.10E-095.05E-104.1621200.0000RESID（-1）^20.1065040.00901511.814680.0000RESID（-2）^2-0.0868450.009032-9.6152610.0000GARCH（-1）0.9798870.0008211193.1230.0000DT-5.25E-104.91E-102.3342960.0196GEDPARAMETER1.0331200.005894175.28910.0000依据回归结果，各变量的Z统计量对应P值都小于0.05，说明显著性明显通过；误差分布项GED的值为1.033120，处于（0，2）区间内，回归结果效果较好。得到回归方程如下：σt2=2.10×10s.e.=5.05×10-100.0090150.0090320.0008214.91×10-10z=4.16212011.81468-9.6152611193.1232.334296式（4-1）为上证50指数期货推出的全样本GARCH方程的方差方程，虚拟变量DT的经济含义是上证50指数期货的推出，其系数为-5.25×10-10，负号表明上证50指数期货的推出对现货市场的波动起到了减缓作用，但是系数-5.25×10-10偏小，表明这种减缓作用影响有限。4.3.2上证50指数期货推出前上证50指数的GARCH检验首先对上证50指数期货推出前时间序列进行分析，对DBS序列进行自相关和偏相关检验如下：图4.3上证50指数DBS序列自相关图本文采用AIC和SC准则来确定模型滞后阶数，得到残差序列再进行后续相关检验。下表分别列出了ARMA模型不同阶数的AIC和SC值。表4.8上证50指数DBS序列ARMA模型不同阶数下AIC/SC信息表ARMA模型AICSCAR（1）MA（1）-9.298570-9.297044AR（1）MA（2）-9.299371-9.297337AR（1）MA（3）-9.299813-9.297270AR（2）MA（1）-9.299375-9.297341AR（2）MA（2）-9.300300-9.297758AR（2）MA（3）-9.300199-9.297148AR（3）MA（1）-9.299905-9.297363AR（3）MA（2）-9.300182-9.297130AR（3）MA（3）-9.300301-9.296741综合上述拟合结果，方程AR（2）MA（2）的AIC值接近最小，为-9.300300，与最小值仅相差0.001，SC值最小，为-9.297758。最后选择AR（2）MA（2）为上证50指数序列DBS的拟合模型。为进一步确定模型拟合效果，对拟合函数各统计量检验如下：表4.9上证50数DBS序列AR（2）MA（2）模型拟合回归结果VariableCoefficientStd.Errort-StatisticProb.C4.45E-051.83E-052.4332400.0150AR（1）-0.1857990.091870-2.0224150.0432AR（2）-0.6739990.081332-8.2870310.0000MA（1）0.1566290.0948762.3825720.0172MA（2）0.6414860.0852697.5231020.0000R-squared0.003201Meandependentvar4.44E-05F-statistic12.01580Durbin-Watsonstat2.004965Prob（F-statistic）0.000000与上证50全样本时间序列的ARMA回归相似，由于DBS时间序列的样本量达到了14976个，导致R2效果不理想。尽管拟合函数的R2只有0.003201，但是方程的F统计量为12.01580，P值远小于0.000001，各变量的T统计量也显著明显，说明方程的拟合效果显著。此外，对AR（2）MA（2）拟合后得到的残差序列进行自相关检验和偏自相关检验，发现AC和PAC值趋向于0，绝对值几乎小于0.01，说明残差序列不存在自相关性。图4.4上证50指数DBS序列残差平方序列自相关图依据上图可以发现，PAC的值在没有在某处截断为0，无法确定残差平方序列的滞后长度。在进行ARCH效应检验时，滞后阶数要尽可能大，将残差序列的滞后长度定为20。确定滞后长度后，对残差序列进行ARCH-LM检验如下：表4.10上证50指数DBS序列均值模型的ARCH检验F-statistic1.764376Prob.F（20，14948）0.0187Obs*R-squared35.26329Prob.Chi-Square（20）0.0187Obs*R-squared是ARCH检验的检验统计量，值为35.26329，对应P值接近0.01，拒绝原假设，说明残差序列存在ARCH效应。同样地，这里使用低阶的GARCH模型对股票收益率的波动进行分析。基于前期均值方程AR（2）MA（2），对上证50高频日收益率序列DBS进行GARCH模型不同滞后阶数的拟合，并依据AIC/SC原则，选择最优GARCH方程。表4.11上证50指数DBS序列GARCH模型不同阶数下AIC/SC信息表GARCH模型AICSCGARCH（1，1）-10.05997-10.05539GARCH（1，2）-10.06055-10.05546GARCH（2，1）-10.06564-10.06056GARCH（2，2）-10.07867-10.07307依据上表结果，方程GARCH（2，2）的AIC值最小，为-10.07867，SC值也最小，为-10.07307，因此最后选择GARCH（2，2）方程作为最终回归方程。回归结果如下：表4.12上证50指数DBS序列GARCH（2，2）回归结果VariableCoefficientStd.Errorz-StatisticProb.C4.64E-114.08E-11-2.2200980.0264RESID（-1）^20.1000000.00965510.357590.0000RESID（-2）^2-0.0984900.009520-10.345150.0000GARCH（-1）1.7332160.02472170.111040.0000GARCH（-2）-0.7347740.024534-29.948860.0000GEDPARAMETER1.1272640.009211122.38250.0000依据回归结果，各变量的Z统计量对应P值都小于0.05，说明显著性明显通过；误差分布项GED的值为1.127264，处于（0，2）区间内，回归结果效果较好。得到回归方程如下：σt2=4.64×s.e.=4.08×10-110.0096550.0095200.0247210.024534z=-2.22009810.35759-10.3451570.11104-29.94886µt-p2前系数αp被称为ARCH项系数，是前期可以观察到的变动信息，p项表示前第p期，代表信息对波动的冲击。GARCH模型成立的一个前提条件是α与β的系数和要小于1。式（4-2）为上证50指数期货推出前的子样本GARCH方程的方差方程。α项之和为0.001510，β项之和为0.998442，α+β为0.999952，符合GARCH方程的一般要求，4.3.3上证50指数期货推出后上证50指数波动影响的GARCH检验根据4.3.1的分析可知，上证50指数期货推出对上证50指数存在影响，为探究具体影响如何，以上证50指数期货推出为界，分别对指数推出前后上证50指数序列进行GARCH效应检验。图4.5上证50指数DAS序列自相关图本文采用AIC和SC准则来确定模型滞后阶数，得到残差序列再进行后续相关检验。表4.13分别列出了ARMA模型不同阶数的AIC和SC值。表4.13上证50指数DAS序列ARMA模型不同阶数下AIC/SC信息表ARMA模型AICSCAR（1）MA（1）-8.823949-8.822615AR（1）MA（2）-8.823934-8.822156AR（1）MA（3）-8.824505-8.822282AR（2）MA（1）-8.824118-8.822340AR（2）MA（2）-8.825659-8.823436AR（2）MA（3）-8.826079-8.823411AR（3）MA（1）-8.824518-8.822294AR（3）MA（2）-8.825453-8.822785AR（3）MA（3）-8.825606-8.822493综合上述拟合结果，方程AR（2）MA（3）的AIC值最小，为-8.826079，SC值也最小，为-8.823411。最后选择AR（2）MA（3）为上证50指数序列DBS的拟合模型。为进一步确定模型拟合效果，对拟合函数各统计量检验如下：表4.14上证50指数DAS序列AR（2）MA（3）模型拟合回归结果VariableCoefficientStd.Errort-StatisticProb.C-1.94E-052.16E-053.3026540.0010AR（1）0.5174170.002119244.17770.0000AR（2）-0.9943950.002120-469.04560.0000MA（1）-0.5452270.007860-69.370710.0000MA（2）1.0050980.004804209.20000.0000MA（3）-0.0234590.007609-3.0831060.0021R-squared0.003003Meandependentvar-1.94E-05F-statistic10.51982Durbin-Watsonstat1.999877Prob（F-statistic）0.000000同样地，时间序列DAS的样本量达到了17472，导致方程的R2结果不理想。尽管拟合函数的R2只有0.003003，但是方程的F统计量为10.51982，P值远小于0.000001，各变量的T统计量也显著明显，说明方程的拟合效果显著。首先，为判断残差是否具有ARCH效应，对AR（2）MA（3）拟合后得到的残差序列进行平方数的自相关检验和偏自相关检验，发现在滞后阶数达到18阶时，残差平方的自相关函数Q统计量值对应P值也都小于0.001，在统计上显著，残差序列存在ARCH效应。图4.6上证50指数DAS序列残差平方序列自相关图依据图4.6可以发现，PAC和AC的值在没有在某处截断为0，无法确定滞后阶数。在进行ARCH效应检验时，滞后阶数要尽可能大，将残差序列的滞后长度定为20。确定滞后长度后，对残差序列进行ARCH-LM检验，见表4.15。表4.15上证50指数DAS序列均值模型的ARCH检验F-statistic2.714812Prob.F（20，17443）0.0001Obs*R-squared54.20843Prob.Chi-Square（20）0.0001Obs*R-squared是ARCH检验的检验统计量，值为54.20843，对应P值为0.0001，小于0.01，拒绝原假设，说明残差序列存在ARCH效应。最后利用GARCH模型对时间序列DAS股票收益率的波动进行分析，这里同样选取低阶方程。表4.16上证50指数DAS序列GARCH模型不同阶数下AIC/SC信息表GARCH模型AICSCGARCH（1，1）-9.783672-9.779225GARCH（1，2）-9.785823-9.780931GARCH（2，1）-9.787127-9.782235GARCH（2，2）-9.785502-9.780165依据上表结果，方程GARCH（2，1）的AIC值最小，为-9.787127，SC值也最小，为-9.782235，因此最后选择GARCH（2，1）方程作为最终回归方程。回归结果见表4.17。表4.17上证50指数DAS序列GARCH（2，1）回归结果VariableCoefficientStd.Errorz-StatisticProb.C3.08E-095.38E-105.7303630.0000RESID（-1）^20.0967450.0113538.5216490.0000RESID（-2）^2-0.0692970.011433-6.0613390.0000GARCH（-1）0.9722650.001381703.97360.0000GEDPARAMETER1.0120060.007752130.55360.0000依据回归结果，各变量的Z统计量对应P值都小于0.01，说明显著性明显通过；误差分布项GED的值为1.012006，处于（0，2）区间内，回归结果效果较好。得到回归方程如下：σt2=3.08×10s.e.=5.38×10-100.0113530.0114330.001381z=5.7303638.521649-6.061339703.9736式（4-3）为上证50指数期货推出后的子样本GARCH方程的方差方程。α项之和为0.027448，β项之和为0.972265，α+β为0.999713，符合GARCH方程的一般要求，为对比上证50指数前后股票市场波动的差异性，将式（4-2）和式（4-3）GARCH方程具体系数列出，如下表所示：表4.18式（3-2）、（3-3）GARCH方程具体系数变化方程αβα+β式（4-2）0.0015100.9984420.999952式（4-3）0.0274480.9722650.999713依据上表，式（4-3）的α项系数大于式（4-2）的α项系数，式（4-3）的β项系数小于式（4-2）的β项系数，表明新信息的传播速度与波动冲击成正比，传输速度越快，对波动性的影响就越强，传输速度越慢，对波动性的影响就越弱，

5结论为探究新推出股指期货对股市波动的影响情况，本文以上证50指数期货为研究对象，选择5分钟高频收盘数据进行分样本的GARCH检验.可以对我国股票市场的现实运行情况得出一些基本的结论：买卖活动导致股价产生波动，这在股票市场里是十分正常的现象，但是如果出现暴涨暴跌，就如同2015年6月份我国股市的异常波动，沪深市场多次出现千股跌停，并造成流动性枯竭，这就不正常了。不健康不仅不能成为宏观经济的晴雨表，股市经济的运行了，甚至会对整个国民经济造成严重影响。因此，股票市场的运行发展，不仅与我们每个普通百姓息息相关，更关系到整个国家经济的平衡运行。所以，以法律为依据，运用有效的经济、政策和法律手段建设健康有序的资本市场，对振兴中华经济、实现中华民族的伟大复兴的战略意义非同寻常。这就解释了为什么政府积极发展股票市场，并实现股票市场的健康发展。一旦股票市场出现了问题，政府就必须出台救市政策，并完善相关的配套措施，以引导股票市场能够朝着健康的轨道发展。综合本文的理论分析和实证结果，在此提出如下建议：推动我国股票市场健康发展的决心不动摇。股票市场能否健康发展、其发展程度如何，直接影响到央行实施货币政策的有效性。因此，大力发展我国资本市场，建立多层次的资本市场体系具有十分重要的战略意义。一方面，应当加快立法，通过修订、建立等措施，形成完善的法律法规体系，为股票市场的健康发展提供有力的法律保障，实现依法治理，依法保障；另一方面，加强对投资者的培训、教育和引导，建立价值投资理念，加强风险防范意识，理性投资，同时要大力发展机构投资者，引入多元化的国内外专业投资机构，发挥机构投资者对股票市场的稳定作用，为实现资源的优化配置创造条件。

参考文献