张可可

摘要：股票市场收益率的波动一直是国内外学者们研究的重点，大量的实证研究结果表明股票市场上收益率波动存在着非对称的现象。本文以中国股票市场上沪深300指数2008年1月2日至2020年3月31日的日收益率序列数据为样本，利用GARCH族模型对数据进行拟合，分析信息冲击对股票市场收益率波动的影响。

关键词：信息冲击  股票市场  波动

一、引言

自1973年Peker K.Clark首次提出股票价格波动的混合分布假说理论，有关市场信息流与股票价格波动间的关系就一直是研究的重点。在股票市场中，收益率受外部信息干扰而产生的波动是尤为重要的特征。在有效市场理论的假设下，同等数量的信息将引起收益率的对称波动。然而，我国股票市场历史时间不长，发展仍不成熟，信息冲击对于股票市场波动的影响还需要进一步分析。

控制论创始人维纳认为，信息是人们与外部社会实施相互反馈的桥梁。在资本市场中，信息更多被当成投资者进行投资决策的有效数据。1948年，数学家香农提出，信息可被用来消除随机不定性。基于这一观点，资本市场中的不确定性实质则可认为是由于信息不完全所产生的。若基于投资者的角度看待信息冲击，剡亮堯等人（2014）认为当市场上存在两类交易者：在一段时间内没有新的信息产生时，主要是不知情交易者之间相互交易。一般来说，知情交易者基于新信息的出现交易，能够引起资产价格的波动。当市场上知情交易者占多数时，可判定资本市场受到信息冲击（谭地军，田益祥，黄文光，2009）。而张琳等学者（2020）则从市场的角度结合理性预期学说，认为信息冲击应该是信息发布时市场未能预期到并据此做出反应的部分。

Pierluigi Balduzzi，Edwin J.Elton，and T.Clifton Green（1996）通过研究债券市场中新闻事件发布的时点，发现公告附近时点的交易异常激烈，从而使公共新闻所包含的信息能迅速通过交易被纳入到资产的价格中。李伟，沙芳（2007）认为金融市场上的信息传导机制始于金融主体披露信息，通过中介服务机构等传递到投资者，投资者则将收集到的信息通过交易反馈给市场。而陈耿，陈诚（2010）认为宏观政策等因素通过信息的披露向市场传递，进而影响投资者信心和市场参与的行为。而高研，张新雨（2014）在研究金融危机传染机制的过程中发现，理性预期都是以信息一次性披露作为假设条件。

以研究对象为主线梳理有关信息冲击对股市波动的影响的文献。张萌（2017）发现信息冲击之所以会对我国股市波动造成影响，其根本原因是我国股票市场投资主体以散户为主，缺乏专业的技术分析能力。而张琳，熊海芳（2016）将股票收益因新信息造成的非预期冲击依据方向区别为“利好”与“利空”，发现了股市收益率波动的对称性反应。

Hossein Asgharian等人（2013）发现月度宏观经济数据与市场联系更为密切。而Ivan Indriawan（2018）认为宏观经济新闻的发布会迫使投资者修正对公司未来现金流量和折现率的预期，从而调整其投资和风险管理策略。Linda H.Chena，George J.Jiangb，Kevin X.Zhu（2018）发现企业的信息不确定性越高，宏观经济新闻公告产生的影响也会越大。

目前，针对我国股票市场波动的研究主要建立在GARCH族模型上，例如杜冰（2019）选取DCC-GARCH模型，张双妮等人（2019）则选用GARCH（1，1）模型。

二、研究设计

资产收益率波动模型。在GARCH模型中，要考虑两个不同的设定：其一是条件均值，其二则是条件方差。以标准化的GARCH（1，1）模型为例：

其中，xt是外生变量向量，γ是系数向量，因此在均值方程是带有误差项的外生变量函数。而σt2是依赖过去信息的一期向前預测方差，即条件方差。在条件方差方程中，α+β可以用来测定冲击对于金融时间序列数据造成的波动持续性。若α+β趋向于1，即可证明，冲击造成的波动具有持续性。

Nelson在1991年提出EGARCH模型，作为非对称的GARCH模型之一，它不对模型中参数的非负性进行约束，更好地分析了信息波动的非对称性，条件方差方程如下：

在条件方差方程中，参数α测度冲击影响的程度，参数γ测度信息冲击对条件方差的影响是否对称。对于一个给定的信息冲击，波动的持续性可以用β来表示。当β大于零，条件方差方程能够捕捉到时间序列的波动集聚现象，前一期的波动性会对后一期的波动产生正面影响。

三、信息冲击对股市造成的波动的实证研究

（一）数据选取

本文选择沪深300指数的日收盘价作为样本数据，主要研究该股的日收益率，以此来代表中国股票市场的波动特征。鉴于本文研究的是信息冲击对于股票市场造成的影响，故而将样本数据的起点选在2008年1月，样本数据的终点则是2020年3月。本文中的所有数据来源于Wind数据库。为了避免股价变动和股价水平之间的依赖关系，本文通过对数差分的形式对日收盘价的原始数据进行转换。

（二） 收益率序列的描述性统计

自2008年以来我国股票市场的波动情况相对稳定，并在一定程度上表现出波动的聚集性。综合整个样本期间，2008年前后表现得最为明显，主要原因可能是金融危机的爆发和蔓延，我国股票市场发生剧烈震荡。为了减轻危机带来的负面影响，政府采取一系列的经济刺激计划，但过程较长，恢复较为缓慢。2014年开始，我国股市再次经历下跌，股票市场出现明显波动。2019年，受中美贸易摩擦的影响，贸易战升级增加了我国企业盈利水平的不确定性，股票市场形成剧烈波动。之后，随着新冠疫情在资本市场的发酵，股票市场的波动愈演愈烈。

沪深300指数的日收益率序列的偏度为-0.504857，峰度为7.058182，J-B统计量为2170.743，表现出明显的尖峰厚尾现象。由于偏度的统计值小于零，表现出负偏性，这说明沪深300指数的日收益率小于均值的交易日较多。通过对日收益率序列数据的分析，可以认定GARCH族模型适用于模拟分析我国的股市波动。

（三） 数据检验

本文使用ADF检验来验证沪深300指数日收益率序列的平稳性问题。t统计量的取值为-53.24242，远小于1%的显著性水平下的临界值，因此不能认为沪深300指数的日收益率序列存在单位根，即沪深300指数的样本数据是平稳的。

对序列进行自相关性检验，发现自相关值（AC）和偏相关值（PAC）接近于零，说明可能存在弱相关性;而Q统计量的值随着滞后阶数的增加不断增大，对应的P值在滞后阶数达到6时趋于0.001，这说明该时间序列数据存在相关性。

本文采用ARCH-LM检验模型估计得到的残差序列是否存在ARCH效应，F统计量为39.98287，T*R2统计量为353.5019，取值较大，且P值近似于零，这说明沪深300指数日收益率序列数据存在ARCH效应。

（四）模型估计

首先，对沪深300指数日收益率序列数据进行ARCH建模。在实施ARCH-LM检验时，通过对滞后残差平方的t统计量的P值的观察发现，可以对残差建立ARCH（5）模型，存在着高阶ARCH效应，可以用GARCH族模型来拟合日收益率的残差序列。本文主要考虑的模型为GARCH（1，1）和EARCH（1，1），拟合结果如下表所示：

可以看出各系数均能通过5%的显著性水平的检验，这说明模型的拟合是有意义的。在用GARCH（1，1）模拟时，沪深300指数的波动持续性接近于1，这说明股票市场中条件方差的波动冲击性是持久的。一旦股票市场受到信息冲击，在短时间内不能完全消除。在EGARCH（1，1）模型的估计结果中，非对称项系数的估计值为-0.0209，这说明信息冲击对于股价波动存在着显著的非对称现象。若外界环境产生一个正向的信息冲击，那么对日收益率波动的影响为0.1314;若为负向，影响为0.1732。

（五）信息冲击曲線

为了进一步说明我国股票市场存在的波动非对称性，观察正负冲击对波动的影响，绘制出EGARCH模型的信息冲击曲线，如下图所示：

从图中可以看出，左右两侧的信息冲击曲线较为光滑，但左侧信息冲击曲线斜率的绝对值略大于右侧的斜率，这印证了EGARCH（1，1）模型中的结论。

四、结论与建议

本文利用沪深300指数日收益率序列，采用GARCH族模型进行波动性建模拟合，得到结论如下：

第一，沪深300指数的日收益率序列存在明显的波动集群性特征，表现出尖峰厚尾的特征，这说明我国股票市场尚未成熟，市场风险较大。

第二，从GARCH族模型的拟合结果来看，我国股票市场上波动的非对称现象一直存在。当外界信息冲击产生并造成股票市场波动时，短时间内波动不会消失。此外，无论是非对称项的系数还是信息冲击曲线的斜率，都说明了负向信息冲击的影响大于正向。

鉴于我国股票市场起步较晚，发展尚不健全，投资者尚未形成系统的投资理念，对外界信息的判别能力各有高低，这些因素使得外部信息冲击给股票市场带来很大的波动起伏。为了促进我国股票市场的良好发展，应建立公平、公正、公开的市场规则。一是完善股票市场结构，减少政府的过度干预。虽然国家的宏观调控在股票市场的发展过程中有着重要作用，但应尽量避免频繁的调节，让市场充分发挥自主调节功能。二是完善信息披露制度，加大市场监管力度。在我国股票市场发展过程中，利用内幕信息操纵股价的行为时有发生，信息的传导偏离正常轨道从而造成冲击，以至于市场资源配置效率低下。只有加强信息公开，完善信息披露制度，才能构建合理透明的金融市场。

参考文献

[1]Asgharian，Hossein，Hou，Ai Jun，Javed，Farrukh.The Importance of the Macroeconomic Variables in Forecasting Stock Return Variance ：A GARCH-MIDAS Approach[J].Journal of Forecasting，2013，32（7）.

[2]Balduzzi P ，Elton E J ，Green T C .Economic News and the Yield Curve：Evidence From the U.S.Treasury Market[J].New York University Leonard N Stern School Finance Department Working Paper Seires，1996.

[3]Chen L H ，Jiang G J ，Zhu K X .Total Attention：The Effect of Macroeconomic News on Market Reaction to Earnings News[J].Journal of Banking & Finance，2018.

[4]Indriawan I .Market quality around macroeconomic news announcements：Evidence from the Australian stock market[J].Pacific Basin Finance Journal，2018.

[5]陈耿，陈诚.信息披露质量与资本市场抗冲击能力：国际比较研究[J].经济问题探索，2010，000（003）：119-125.

[6]杜冰.股市震荡期间我国股市波动性研究[J].行政事业资产与财务，2019（22）.

[7]高研，张新雨，程棵，等.信息逐渐披露下的金融传染[J].管理科学学报，2014（03）：7-18.

[8]李伟，沙芳.信息传导机制与金融风险防范 [J].科技信息，2007，000（007）：13-14.

[9]剡亮亮，何众志，徐龙炳.双向交易机制、信息传导与股票价格[J].经济管理，2014，036（012）：106-115.

[10]谭地军，田益祥，黄文光.有信息冲击、无信息冲击与波动率非对称性[J].管理工程学报，2009，23（02）：92-98.

[11]张琳，熊海芳."利好"和"利空"消息对深证成指周收益率波动的冲击研究[J].金融经济月刊，2016.

[12]张琳，张军，王擎.宏观经济信息发布对股票市场收益率及其波动的影响[J].系统工程理论与实践，2020，40（06）：1439-1451.

[13]张萌.信息冲击、非理性投资与股市联动——基于沪深市场交易数据的实证检验[J].南方金融，2017，000（002）：32-39.

[14]张双妮，张双兰.研究美国股市对我国股市的波动溢出效应——基于VAR模型和GARCH（1，1）模型[J].中国集体经济，2019，000（022）：166-168.