摘 要：利用新兴的广义自回归得分（Generalized Autoregressive Score，GAS）模型同时对浙江省三大互联网金融概念股同花顺、生意宝和恒生电子日收益率序列的均值和波动率建模，结合描述性统计分析，得到收益率序列均存在典型的尖峰厚尾非正态性，且收益率序列本身平稳，波动率时变性显著，收益率序列之间具有较强相关性和联动特征。未来可以进一步进行收益和波动率的预测分析，为完善我国，尤其是浙江省互联网金融市场的功能提供参考信息，以利于更好地控制市场风险，稳定市场。

关键词：互联网金融;收益率;均值;波动率;GAS

中图分类号：F23 文献标识码：Adoi：10.19311/j.cnki.1672-3198.2019.09.062

0 引言

在飞速发展的电子科技推动下，互联网金融应运而生，并且得到了迅猛发展。互联网金融的快速发展打破了传统金融的经营模式，降低了交易成本，提高了资源配置率，加强了资金的流动性，提升了金融服务的效率，实现了为实体经济服务的目的。然而，从目前发展状况来看，互联网金融经营模式存在诸多风险，随着国家的监管力度越来越强，互联网金融的问题开始逐渐暴露，有必要进行风险控制和预警，有众多学者对此进行了研究，大多是从构建和完善互联网银行监管框架、监管政策网络、监管体系等角度分析的。

波动率反映了股价在一段时间内变化的不确定性，在风险管理、资产配置等许多金融领域均有重要应用，估计和预测资产收益率序列的波动率是金融计量的一个重要课题。波动率可以在一定程度上反映金融市场的风险程度，平均收益可以反映金融产品的盈利能力。鉴于此，本文另辟蹊径从平均收益率和波动率的动态变化中，探讨互联网金融市场的效率和风险，为我国尤其是浙江省的互联网金融市场监管政策的调整等，提供一定的参考。

目前有大量文献讨论金融市场收益率及其波动性，例如：乔高秀等（2014）采用跳-扩散随机波动率模型研究沪深300股指期货上市对现货市场波动的影响。邹新颖（2017）以余额宝为考察对象，对互联网金融的风险收益进行统计分析。然而讨论互联网金融市场的收益及其波动性和相关性的文献非常少。因此，本论文以互联网金融概念股市场为例，研究互联网金融市场金融资产收益率及其波动性和相关性特征，为完善互联网金融市场功能提供有益启示。

1 研究方法

GAS模型（Creal，Koopman和Lucas（2013））是一类观测驱动（Observation-driven）的时间序列模型，通过密度函数的滞后得分（Lagged score）更新时变参数，其优点是比单纯依赖均值和高阶矩的模型更能充分利用完整的密度结构来实时驱动时变参数。目前有关GAS模型的文献还较少。程明明（2016）利用GAS模型对我国上证指数波动率进行了实证研究，沈银芳和严鑫（2018）基于GAS模型展开对沪深300股指期货的推出对中国股市波动率的影响研究，进一步地沈银芳和严鑫（2018）讨论沪深300股指期货对中国股市平均收益和波动的综合影响，并且将 GARCH 和 GAS 模型得到的沪深300股指期货的推出对中国股市波动率影响进行了比较分析，GAS 模型较 GARCH 模型对捕捉波动更敏感，能更好地拟合现货市场的波动性。此外 GAS 模型较 GARCH 模型还有一个突出优点，就是可以实现序列均值和波动率的同时刻画，避免了传统的时间序列方法 ARMA和GARCH 分开建模，带来参数估计和模型效率等各方面弊端。因此本论文利用GAS模型，分析讨论互联网金融概念股市场收益率及其波动的动态变化。

假设资产收益率Rt的密度函数p（Rt|ft，Ft;θ），其中ft代表随时间可变的模型参数，通常为均值和波动率参数，Ft代表t时刻的信息集，而θ代表不随时间变化的静态参数。ft的时变演化模式为由比例得分向量驱动的自回归形式，具体如下：

ft+1=κ+∑pi=1Aist-i+1+∑qi=1Bjft-j+1（1）

st=St·SymbolQC@

t（2）

SymbolQC@

t=lnp（εt|ft，Ft;θ）ft（3）

St=S（t，ft，Ft;θ）（4）

其中S（·）是一个矩阵函数，S由Fisher信息矩阵构造。式（1）-（4）给出了阶数为p，q的广义自回归得分模型，简记为GAS（p，q）。本文中取St为单位矩阵，且p=q=1。

在金融资产收益率的分布建模中，正态分布和t分布是最常见的两种分布。正态分布无法刻画金融资产收益率的厚尾特征，容易低估风险，t分布能够灵活地捕捉厚尾特征。故论文选取波动模型是基于t分布的GAS模型，简记为GAS-t，通过极大似然法估计模型参数。

2 实证分析

2.1 样本选取和描述性统计分析

本文选取同花顺、生意宝和恒生电子三大互联网金融概念股日收盘价序列，以rt=logPt-logPt-1，即t-1期到t期的连续复合收益率为主要研究分析对象，样本区间是2009年12月25日至2018年9月10日。剔除了样本期内交易时间不一致的相关数据后，共得到三个市场交易时间相匹配的2035个数据，数据来源于Wind资讯金融终端。所有分析结果由R统计软件得到。

如表1，从收益率的描述性统计量可以看出，所有序列均不服从正态分布，且负偏，峰度远超过3，收益率序列具有波动集聚和尖峰厚尾特征。

2.2 实证分析

2.2.1 平稳性檢验

首先使用ADF单位根检验对价格序列及其收益率序列进行平稳性检验，得到收益率序列的P-值均小于0.01，由此收益率序列在1%的显著性水平下拒绝了存在单位根的原假设，这说明收益率序列均为平稳序列。同时价格序列在1%的显著性水平下无法拒绝存在单位根的原假设，因此价格序列是不平稳序列。

2.2.2 波动率时变性检验

以恒生电子为例，通过收益率及其平方序列的时序图、自相关和偏自相关图进行分析。

2.2.3 GAS模型估计

利用GAS（1，1）-t 模型对同花顺、生意宝和恒生电子收益率均值和波动率同时作联合多元估计和分析。

3 结论

本文以浙江省三大互联网金融概念股同花顺、生意宝和恒生电子为例，利用其日收盘价数据，首先基于描述性统计分析得到收益率序列均存在典型的尖峰厚尾非正态性，收益率序列之间存在中高强度的相关性和联动特征。同时由自相关图和时序图可得，收益率序列本身平稳，而收益率平方序列具有较强的长期自相关性。其次利用新兴的广义自回归得分 GAS 模型对收益率序列的均值和波動率建模，由参数估计结果和动态均值图、波动率图，得到收益率序列均值相对平稳，波动率序列的动态时变性显著，由此进一步证实了描述性统计分析得到的相关结论。因而在促进互联网金融发展的同时，要加强对互联网金融的监管，以维护金融市场的稳定。

未来可以进一步进行收益率和波动率序列的预测分析，为完善我国，尤其是浙江省互联网金融市场的功能提供相关参考信息，以利于更好地控制市场风险，稳定市场。

参考文献

[1]乔高秀，刘强，张茂军.沪深300股指期货上市对现货市场连续波动和跳跃波动的影响[J].中国管理科学，2014，22（10）：9-18.

[2]邹新颖.互联网金融风险收益的模型构建与实证[J].统计与决策，2017，（14）：161-163.

[3]唐勇，朱鹏飞，林玉婷.中国金融市场间波动溢出效应研究[J].浙江金融，2018，（1）：9-16.

[4]程明明.我国上证综指波动率实证研究—基于GAS模型[J].现代商贸工业，2016，（14）：87-88.

[5]沈银芳，严鑫.沪深300股指期货的推出对中国股市波动率的影响研究—基于GAS模型[J].现代商贸工业，2018，（35）：118-119.

[6]沈银芳，严鑫.沪深300股指期货对现货市场的影响研究[J].经贸实践，2018，（11）：12-13.

[7]Creal，D.，Koopman，S.J.and Lucas，A.Generalized autoregressive score models with applications[J].Journal of Applied Econometrics，2013，（28）：777-795.