首页 > 论文范文 > 社会科学论文 > 经济学论文 > 金融论文 > 疫情背景下科创板股票指数的波动性研究

疫情背景下科创板股票指数的波动性研究

2021-03-27 404 上传者：管理员

摘要：新冠疫情的到来使我国股票市场环境发生了较大变化，不确定因素的增加、投资者偏好和预期的改变、企业生产困难的增加等都影响着股票市场的波动。科创板作为我国股票市场的新兴力量，有其独特的优点，在应对疫情时表现出自身的优势。本文以科创板股票作为研究对象，构建简易股票指数，对疫情前和疫情期间的股指波动率做比较分析。希望对证券市场的投资者和相关政策制定者应对疫情的出现有所帮助。

关键词：
ARIMA-GARCH模型
波动性
疫情
科创板
股票指数
加入收藏

1、样本数据选取及股指体系构建

由于科创板刚刚在我国上市不久，还没有发布官方的股票指数，因此首先需要选取合适的样本构建股票指数。虽然科创板的股指还未发布，但已经确定出“科创50”指数对应的50家公司，此次样本就从这50家公司中挑选出10家最具有代表性的公司，主要考虑的指标有公司市值和股票的流动性，这也是参考“上证50”的指标进行选取的。此外，所选取的科创板公司还应考虑上市时间，此次优先考虑首批上市的公司，也就是在2019年7月22日上市的公司。结合以上指标，共遴选出以下10支股票：睿创微纳(688002)，乐鑫科技(688018)，心脉医疗(688016)，安集科技(688019)，南微医学(688029)，虹软科技(688088)，澜起科技(688008)，中国通号(688009)，中微公司(688012)，嘉园科技(688388)。此次选取的全时间轴样本区间为2019.07.23—2020.06.19，疫情期间样本区间为2019.12.02—2020.06.19。

采用加权综合法计算股票指数。将全时间轴的股票价格指数计算出来后，对股指序列进行平稳化处理，一般可以通过取对数或者做差分的方式使序列平稳，本文选用差分方法来消除序列的不平稳性。一阶差分后，得到序列DP:DP=P1-Pt-1。对序列进行ADF检验，其检验结果如表1所示。

对于表1中全时间轴的序列，在三个不同的临界值水平下，其ADF统计量的值小于临界值，且P值小于0.01，说明即使在99%的置信水平下，也可以拒绝存在单位根的原假设，因此序列是平稳的。同样，疫情期间数据在进行了一阶差分后的ADF检验结果也显示不存在单位根，即序列是平稳的，由此可以对这两个时间序列进行建模分析。

2、基于ARIMA-GARCH模型科创板股票市场的实证分析

2.1ARMA-GARCH模型的估计和检验

2.1.1ARIMA模型的估计及残差检验

将一阶差分后的股指序列做自相关和偏自相关检验，得到如图1所示的ACF和PACF图。

从图1可以看到，P值都小于0.05，说明一阶差分后的股指序列为非白噪声序列。由ACF图和PACF图可以看到，p可能等于1、2,q可能等于1。因此分别建立ARIMA(1,1,1)和ARIMA(2,1,1)模型。ARIMA(1,1,1)模型AIC为6.437884,SC数值为6.487150,ARIMA(2,1,1)模型AIC数值为6.434243,SC数值为6.478274。根据AIC、SC准则，应当选取数值最小的模型，因此最终选择ARIMA(2,1,1)模型，模型的具体结果如表2所示。

从模型的结果来看，模型参数的P值均小于0.05，表明模型参数都显著不为0。模型的结果用公式表述为：

公式（1）

2.1.2ARCH效应检验

通过上文的一系列分析，得出一阶差分后的股指序列可能存在异方差性，因此需要对其进行ARCH-LM检验，其检验结果如表3所示。

从表3可以看出，统计量的P值均小于0.05，拒绝“残差序列不存在异方差性”的原假设，说明残差序列存在异方差性，即ARCH效应，需要进一步建立GARCH模型。

2.1.3ARIMA-GARCH模型的估计及检验

本次研究选用GARCH(1,1)建立残差模型。利用ARIMA(2,1,1)-GARCH(1,1)模型对数据进行拟合，得到的结果如表4所示。

可以看到模型估计的系数的P值均小于0.05，说明模型系数显著。根据表4中结果，其公式表述为：

公式（2）

建立好模型后，对模型再次进行ARCH-LM检验，观察其是否已经消除了异方差性。由检验结果得知统计量的P值均大于0.05，不拒绝“残差项不存在ARCH效应”的原假设，因此表明已经消除了ARCH效应，模型通过检验。

2.2全时间轴与疫情期间股指模型的比较分析

疫情期间股指模型的估计及检验。将疫情期间的股指序列数据做与上文类似的处理：先通过一阶差分让序列平稳，接着通过其ACF图和PACF图判定p、q可能的阶数分别为0、1和1，因此分别建立ARIMA(1,1,1)模型和ARIMA(0,1,1)模型，并根据AIC和SC最小选择ARIMA(0,1,1)模型，模型结果如表5所示。

表1一阶差分后的ADF检验

表2ARIMA(2,1,1)模型参数估计结果

表3ARIMA模型参数估计的ARCH-LM检验

表4ARIMA-GARCH模型的参数估计结果

表5疫情期间股指序列的ARIMA模型参数估计

表6疫情期间股指序列的ARIMA模型参数估计的ARCH-LM检验

由表5可以看出模型系数的P值小于0.05，通过检验。模型的公式表述如下：

接下来同样对其进行ARCH-LM检验，检验结果如表6所示。

检验的统计量P值都大于0.05，因此不存在ARCH效应，不需要进一步建立GARCH模型。最终模型确定为ARIMA(0,1,1)。

3、结论与建议

3.1主要研究结论

本文选取科创板中最具代表性的10支股票构成股票指数作为样本，并将其样本区间划分为疫情前和疫情期间，总的样本区间称为全时间轴，对全时间轴、疫情期间两个时间序列分别用EViews做分析，建立相应模型，并对序列的集群性找到主要原因，对比模型的预测效果，得到结论如下。

对于科创板的股票指数，在疫情前和疫情期间两个独立的时间区间内都是不存在异方差性的，但在整个时间轴区间内存在异方差性，说明疫情因素很有可能是引起异方差性的重要原因。

通过疫情期间和全时间轴模型的预测数据对比可知，虽然全时间轴模型消除了股指波动的异方差性，但其预测效果仍然不如疫情期间的数据模型。

GARCH模型对发达国家的成熟股票市场是一个良好且实用的模型，但对于我国这种新型股票市场，GARCH模型同样消除了股指序列的异方差性，也具有较好的实用性，并且可以结合ARIMA模型进行短期预测，预测效果比较可观。

3.2相关建议

对于投资者而言，疫情期间由于各种不确定因素的存在，导致股票市场的波动相较于以往更为剧烈。但疫情期间在家又有更多的时间参与金融投资，因此在进行投资决策时，要考虑多方面的因素，可以结合股票的技术分析、构建模型进行股价预测等方法来制定投资策略。

对于相关政策的制定者而言，需要注意以下几点。

一是要加强信息公开。使投资者充分理解金融市场的各种情况，减少不理性操作，充分发挥市场的调节功能。

二是要完善风险管理制度。如建立涨跌到一定程度强制停止涨跌程度，大户进行持仓需要报告制度等以尽量规避风险。

三是要完善证券市场的法律法规。由于我国金融市场发展时间较短，许多的监管政策还不够完善，导致市场出现投机者通过市场监管漏洞进行获利进而伤害证券市场，因此完善证券市场的法制，才能减少市场投机者，规范市场交易。

四是要丰富我国金融衍生品。如上证50，沪深300等指数是丰富我国衍生品市场的巨大进步。金融衍生品可以完善我国金融市场体系，且具有稳定我国金融市场的作用，对于提高我国金融市场的竞争力有巨大帮助。投资者需要规避风险时，通过资产组合可以降低投资风险。所以，丰富我国金融衍生品对我国金融市场的发展有着重要意义。

参考文献：

[1]黄剑,林细雁,潘昌辉.科创板涨跌幅限制新规影响股价波动率吗[J].金融经济学研究,2020,35(02):18-28.

[2]金郁林.科创板简易指数编制与波动率分析[J].金融视线,2020(06):66-69.

[3]吴玉霞,温欣.基于ARIMA模型的短期股票价格预测[J].统计与决策,2016(23):83-86.

[4]许舒雅,梁晓莹.基于ARIMA-GARCH模型的股票价格预测研究[J].河南教育学院学报(自然科学版),2019,28(04):20-24.

王艺诺.疫情背景下科创板股票指数的波动性研究[J].商展经济,2021(06):79-81.