基于改進(jìn)的RiskMetrics模型的股票市場(chǎng)風(fēng)險(xiǎn)度量

周東海, 陳濱霞, 蔣遠(yuǎn)營(yíng)

(桂林理工大學(xué) 理學(xué)院, 廣西 桂林 541006)

0 引 言

股票價(jià)格受到經(jīng)濟(jì)、 市場(chǎng)、 政策以及投資者行為等多種復(fù)雜因素交織影響, 股票價(jià)格的頻繁變動(dòng)引起市場(chǎng)投機(jī)性活動(dòng)不斷發(fā)生, 同時(shí)也帶來(lái)了很多潛在的金融風(fēng)險(xiǎn)。尤其隨著中國(guó)經(jīng)濟(jì)發(fā)展和改革開(kāi)放的不斷深入, 國(guó)內(nèi)股票市場(chǎng)更容易受到國(guó)際主要股票市場(chǎng)風(fēng)險(xiǎn)傳染, 因此度量股票市場(chǎng)價(jià)格風(fēng)險(xiǎn)成為當(dāng)前必須正視的問(wèn)題。為了更全面地反映市場(chǎng)主流投資的收益情況, 國(guó)內(nèi)外經(jīng)常發(fā)布反映市場(chǎng)整體走勢(shì)的綜合指數(shù)和成份指數(shù), 但也面臨著新的問(wèn)題: 不同的市場(chǎng)指數(shù)對(duì)沖擊的反應(yīng)速度和持久性有何不同?受到利好和利空消息的影響是否有所不同?為了系統(tǒng)性地回答上述問(wèn)題, 本研究首先考察2007—2018年滬深300指數(shù)(CSI300)、 恒生指數(shù)(HSI)和標(biāo)普500指數(shù)(S&P500)價(jià)格(收盤(pán)價(jià))的波動(dòng)情況(圖1)。滬深300指數(shù)整體走勢(shì)波動(dòng)較大, 受到美國(guó)次貸危機(jī)和國(guó)內(nèi)利空消息等多重壓力影響, 在2007年10月至2008年11月引發(fā)了股市大動(dòng)蕩。相似的是, 該期間恒生指數(shù)同樣受到國(guó)內(nèi)外多重壓力下暴跌, 并且下降幅度遠(yuǎn)高于滬深300指數(shù), 這說(shuō)明香港作為金融中心, 股市價(jià)格比內(nèi)地股市價(jià)格波動(dòng)更為劇烈。標(biāo)普500指數(shù)整體走勢(shì)穩(wěn)中上攀, 經(jīng)歷了金融危機(jī)最嚴(yán)重時(shí)刻后, 標(biāo)普500指數(shù)觸及盤(pán)中低位后一路反彈。

圖1 三類(lèi)指數(shù)收盤(pán)價(jià)走勢(shì)波動(dòng)情況

總體來(lái)看, 滬深300指數(shù)和恒生指數(shù)的走勢(shì)極為相似, 說(shuō)明中國(guó)內(nèi)地股市與香港股市的內(nèi)在聯(lián)動(dòng)性緊密。內(nèi)地股市作為新興市場(chǎng), 與成熟的美股市場(chǎng)和港股市場(chǎng)有許多相似之處, 尤其在金融經(jīng)濟(jì)動(dòng)蕩時(shí)期有共同的漲退趨勢(shì), 但三類(lèi)市場(chǎng)又有制度上的不同之處。為進(jìn)一步考察市場(chǎng)指數(shù)對(duì)沖擊的反應(yīng)速度和持久性, 以及利好和利空消息的影響是否有所區(qū)別, 需要度量不同市場(chǎng)指數(shù)收益率序列的在險(xiǎn)價(jià)值, 對(duì)比三者對(duì)沖擊的反應(yīng)速度和持久性, 并分析受到利好和利空消息的影響是否有所不同。

1 文獻(xiàn)論述

由于風(fēng)險(xiǎn)管理機(jī)制不完善, 近20年來(lái), 發(fā)生了許多金融災(zāi)難。風(fēng)險(xiǎn)價(jià)值(VaR)是衡量市場(chǎng)風(fēng)險(xiǎn)的定量方法, 已被銀行、 金融公司和政策監(jiān)管機(jī)構(gòu)等廣泛采用。在金融中最常用的風(fēng)險(xiǎn)度量是對(duì)資產(chǎn)波動(dòng)率的測(cè)量, 一般來(lái)說(shuō)資產(chǎn)波動(dòng)率不能直接觀測(cè), 但是它的重要特征可以通過(guò)其資產(chǎn)收益率看出。1952年， Markowitz[1]創(chuàng)造性地提出以資產(chǎn)收益率的方差作為風(fēng)險(xiǎn)度量的指標(biāo), 風(fēng)險(xiǎn)研究取得重大突破； Engle[2]和Bollerslev[3]提出的ARCH與GARCH模型, 為風(fēng)險(xiǎn)的量化提供了主要工具。此外, Black[4]和Christie[5]發(fā)現(xiàn)股市中存在顯著的杠桿效應(yīng)； 為量化金融時(shí)間序列中普遍存在的波動(dòng)不對(duì)稱現(xiàn)象, Nelson[6]提出了EGARCH模型, Glosten等[7]和Zakoian[8]緊接著提出了TGARCH模型。自1994年摩根公司引入VaR以來(lái), 相關(guān)的學(xué)術(shù)研究極度活躍。1996年， 摩根公司推出風(fēng)險(xiǎn)度量控制模型(RiskMetrics)[9], 將其應(yīng)用于VaR的計(jì)算。RiskMetrics模型有兩個(gè)前提假設(shè): 假設(shè)1, 經(jīng)過(guò)標(biāo)準(zhǔn)化處理的收益率服從正態(tài)分布; 假設(shè)2, 條件異方差服從一個(gè)指數(shù)加權(quán)移動(dòng)平均模型(EWMA)。顯然, 由于資產(chǎn)收益率通常具有偏度及尖峰厚尾性, 故假設(shè)1與現(xiàn)實(shí)情況不符, 采用正態(tài)分布假設(shè)估計(jì)真實(shí)市場(chǎng)風(fēng)險(xiǎn)會(huì)存在一定偏差。為了克服非正態(tài)性問(wèn)題, Baillie等對(duì)RiskMetrics進(jìn)行了相關(guān)研究[10], 指出假設(shè)2中EWMA模型實(shí)質(zhì)上是一種特殊的GARCH模型, 因此， GARCH族模型是對(duì)其最好的修正[11-12]。

在實(shí)證方面對(duì)VaR研究的文獻(xiàn)較多, Beder[13]為比較多種因素對(duì)VaR的影響, 利用多種方法進(jìn)行了分析； Liu等[14]對(duì)S&P-100指數(shù)序列的日波動(dòng)率進(jìn)行預(yù)測(cè), 實(shí)證結(jié)果表明, TGARCH模型實(shí)現(xiàn)了最準(zhǔn)確的波動(dòng)預(yù)測(cè), 其次是EGARCH模型, 說(shuō)明建立非對(duì)稱的模型更有效。鄭文通[15]和姚剛[16]對(duì)VaR的背景及意義進(jìn)行了系統(tǒng)的探索； 徐煒等[17]研究發(fā)現(xiàn)， 基于學(xué)生t分布的GARCH模型可以更好刻畫(huà)我國(guó)股市的尖峰厚尾性； 李世君等[18]利用GARCH族模型對(duì)我國(guó)行業(yè)板塊指數(shù)的風(fēng)險(xiǎn)進(jìn)行度量, 實(shí)證發(fā)現(xiàn)在不同置信水平下, 基于有偏的t分布所建立的波動(dòng)模型風(fēng)險(xiǎn)度量效果較好； 張波等[19]運(yùn)用隨機(jī)波動(dòng)族模型與GARCH族模型對(duì)中國(guó)股市高頻數(shù)據(jù)建模, 研究發(fā)現(xiàn)SV族模型得到的VaR更為精確與穩(wěn)定, 此后擴(kuò)展到了半?yún)?shù)貝葉斯隨機(jī)波動(dòng)模型[20]與非參數(shù)貝葉斯隨機(jī)波動(dòng)模型[21]； 姚萍等[22]利用多種分布對(duì)原油收益率的“尖峰肥尾”、 偏斜和非對(duì)稱性特征進(jìn)行刻畫(huà), 同時(shí)利用TGARCH模型對(duì)原油市場(chǎng)波動(dòng)率進(jìn)行建模， 通過(guò)對(duì)比發(fā)現(xiàn), 加入杠桿效應(yīng)的TGARCH模型對(duì)下行風(fēng)險(xiǎn)預(yù)測(cè)效果明顯優(yōu)于一般的GARCH 類(lèi)模型。

綜合上述研究成果, 國(guó)內(nèi)學(xué)者對(duì)國(guó)內(nèi)單一股票指數(shù)某一特征的研究較多, 而對(duì)多個(gè)對(duì)象的復(fù)雜特征研究較少。本文對(duì)RiskMetrics模型的兩個(gè)假設(shè)同時(shí)作出改進(jìn), 并對(duì)國(guó)內(nèi)外3種重要股票指數(shù)進(jìn)行長(zhǎng)時(shí)間跨度實(shí)證研究, 此舉對(duì)于各國(guó)股市特征對(duì)比與風(fēng)險(xiǎn)測(cè)量具有重要的實(shí)際意義。具體地， 首先利用不同假設(shè)分布下的GARCH模型捕捉序列中的波動(dòng)信息, 再利用VaR進(jìn)行回測(cè)檢驗(yàn), 最后建立SGED-TGARCH與SGED-EGARCH模型來(lái)研究證券市場(chǎng)中的波動(dòng)的非對(duì)稱性。

2 研究方法及理論

2.1 RiskMetrics模型

摩根公司于1996年推出RiskMetrics模型[9], 并用于VaR風(fēng)險(xiǎn)測(cè)度中。RiskMetrics模型可以表示為

(1)

VaR1-τ=z1-τσt+1,

(2)

式中:z1-τ是標(biāo)準(zhǔn)高斯分布的1-τ分位數(shù), 如τ=0.05時(shí), 有VaR0.95=1.645σt+1。Bollerslev[3]提出GARCH模型是對(duì)RiskMetrics模型的一種改進(jìn), 一般的GARCH(p,q)模型可以表示為

(3)

2.2 非對(duì)稱GARCH模型

在門(mén)限GARCH模型中, 經(jīng)過(guò)改進(jìn)的條件異方差為

(4)

(5)

EGARCH模型具有兩大優(yōu)點(diǎn): 1)參數(shù)αi、βj、γi都可取非正數(shù); 2)用來(lái)反映“杠桿效應(yīng)”的參數(shù)αi取負(fù)數(shù)時(shí), 可以確認(rèn)模型存在不對(duì)稱效應(yīng)。當(dāng)νt-i≥0,νt-i帶來(lái)的震蕩性貢獻(xiàn)是(γi+αi)|νt-i|; 當(dāng)νt-i≤0,νt-i所帶來(lái)的震蕩性貢獻(xiàn)是(γi-αi)|νt-i|。

2.3 SGED密度函數(shù)

為了充分刻畫(huà)股市中存在的尖峰厚尾特性, 引入廣義誤差分布(GED)。本文模型改進(jìn)是將式(4)、 式(5)中ε的分布擴(kuò)展到GED分布和SGED分布。其中, GED的隨機(jī)變量ε密度函數(shù)分布形式為

(6)

該分布由3個(gè)參數(shù)決定； 位置參數(shù)ν是服從GED的隨機(jī)變量的期望均值； 尺度參數(shù)σ是服從GED的隨機(jī)變量的標(biāo)準(zhǔn)差; 尾部參數(shù)ν控制分布的尖峰厚尾性(如果ν=2, 則上述GED分布退化為高斯分布； 如果ν<2, 則GED分布具有厚的尾部)[23]。

將式(6)進(jìn)行拓展, 得到SGED分布的概率密度函數(shù)的表達(dá)式, 其中γ是偏度參數(shù),γ∈(0, ∞), 當(dāng)γ>1時(shí)函數(shù)右偏, 當(dāng)0<γ<1時(shí)函數(shù)左偏, 具體形式為

(7)

3 CSI300-R、 HSI-R和S&P500-R實(shí)證分析

3.1 數(shù)據(jù)說(shuō)明

本文選取2007年1月初至2018年9月底的國(guó)內(nèi)外股票指數(shù), 分別是滬深300指數(shù)(CSI300)、 恒生指數(shù)(HSI)、 標(biāo)普500指數(shù)(S&P500)的日收盤(pán)價(jià)數(shù)據(jù)作為研究對(duì)象, 時(shí)間跨度覆蓋2008年金融危機(jī)與2015年中國(guó)股災(zāi), 這3類(lèi)股指在世界范圍都有很強(qiáng)的代表性和影響力, 故具有普適性和代表性。其中收益率計(jì)算公式為rt=lnPt-lnPt-1, CSI300-R、 HSI-R、 S&P500-R分別表示3個(gè)股票指數(shù)的收益率序列(表1)。

表1 三大股票指數(shù)收益率數(shù)據(jù)描述性統(tǒng)計(jì)

3.2 統(tǒng)計(jì)分析

由收益率序列概率密度看出(圖2), 相對(duì)于以其自身的均值和方差所構(gòu)建的正態(tài)分布(曲線)而言, 該密度分布的“尖峰厚尾”特征明顯。從ARCH效應(yīng)檢驗(yàn)結(jié)果(表2)和自相關(guān)函數(shù)分析(圖3)可以看出， 序列都明顯存在相關(guān)關(guān)系。3個(gè)收益率序列與其自身滯后項(xiàng)的自相關(guān)現(xiàn)象十分明顯, 特別是港股和美股的ACF值高達(dá)0.4, 且3個(gè)股指自相關(guān)特征具有長(zhǎng)期持久性。

圖2 三大股票指數(shù)的收益率序列概率密度圖

圖3 CSI300-R、 HSI-R和S&P500-R的ACF與PACF

表2 ARCH效應(yīng)檢驗(yàn)

3.3 CSI300-R、 HSI-R和S&P500-R尖峰厚尾特征分析

對(duì)CSI300-R、 HSI-R和S&P500-R可能的分布類(lèi)型分別作Norm分布、 Skewed-norm分布、 學(xué)生分布、 Skewed-t分布、 GED分布和Skewed-GED分布等假設(shè), 并結(jié)合AIC、 BIC信息準(zhǔn)則和極大似然估計(jì)值選出較優(yōu)模型。根據(jù)CSI300-R、 HSI-R和S&P500-R可能的分布類(lèi)型對(duì)比檢驗(yàn)結(jié)果(估計(jì)結(jié)果備索), 三大股票指數(shù)收益率序列的 SGED-GARCH模型的AIC值與BIC值是最小的, 極大似然估計(jì)值最大。但經(jīng)過(guò)對(duì)比發(fā)現(xiàn), 全部假設(shè)情況下的AIC、 BIC和極大似然估計(jì)值基本上都很接近, 因此選取最初的Norm-GARCH與SGED-GARCH模型進(jìn)行建模分析。

3.4 Norm-GARCH和SGED-GARCH模型參數(shù)估計(jì)

從表3的參數(shù)估計(jì)結(jié)果可以看出, 在Norm分布和SGED分布下, 三大股票指數(shù)收益率序列的α與β系數(shù)之和均小于1且接近1, 表明收益率序列波動(dòng)都具有明顯的聚集效應(yīng), 持續(xù)性特征明顯; 對(duì)參數(shù)α的估計(jì)值, S&P500-R最大, HSI-R次之, CSI300-R最小, 說(shuō)明國(guó)際市場(chǎng)中S&P500-R的波動(dòng)對(duì)沖擊的反應(yīng)比其他兩個(gè)股票指數(shù)收益率波動(dòng)迅速; 而β值的排序則相反, CSI300-R第一, HSI-R次之, S&P500-R第三, 說(shuō)明CSI300-R指數(shù)對(duì)沖擊的持久性最好, S&P500-R最差?？偟膩?lái)說(shuō), 三大股票指數(shù)對(duì)沖擊的反應(yīng)速度和對(duì)沖擊的持久性排序剛好相反, 若對(duì)沖擊的反應(yīng)最快則其對(duì)沖擊的持久性就最差, 反之亦然; 并且在SGED分布的條件下, 三大股票指數(shù)的收益率序列自由度均小于2, 說(shuō)明三大股票指數(shù)的收益率序列呈“尖峰厚尾”特性。同時(shí), 3個(gè)變量的偏度系數(shù)均小于1, 說(shuō)明3個(gè)股票市場(chǎng)的日收益率序列存在偏斜特征, 以左偏為主。

表3 三大股票指數(shù)的收益率序列GARCH參數(shù)估計(jì)

3.5 VaR值回測(cè)對(duì)比分析

由表4的VaR值回測(cè)對(duì)比分析可知, 在α=5%的置信水平下, CSI300-R服從SGED分布時(shí)比服從Norm分布時(shí)高估了風(fēng)險(xiǎn)值, 擬合成功率從98.03%降為88.00%; 對(duì)比HSI-R和S&P500-R服從Norm分布和SGED分布時(shí)的擬合成功率, 二者擬合成功率分別從89.28%提高至96.15%, 89.28%提高至98.00%。在α=1%的置信水平下, 3個(gè)股票指數(shù)擬合成功率均顯著提高, 印證了CSI300-R、 HSI-R和S&P500-R存在“尖峰厚尾”特性。

表4 三大股票指數(shù)的VaR值回測(cè)對(duì)比

參考姚萍等[24]返回檢驗(yàn)方法, 本文采用Kupiec無(wú)條件覆蓋檢驗(yàn)和Christoffersen條件覆蓋檢驗(yàn)(分別用UC和CC表示)。在5%和1%顯著性水平下,若p值分別大于相應(yīng)顯著性水平,則通過(guò)檢驗(yàn)。

從表5看出, 在Norm分布的1%顯著性水平下,3個(gè)變量都沒(méi)有通過(guò)UC與CC檢驗(yàn); 而在SGED分布下3個(gè)變量都通過(guò)了1%水平下的UC與CC檢驗(yàn),再次驗(yàn)證CSI300-R、HSI-R和S&P500-R具有“尖峰厚尾”特性。

表5 三大股票指數(shù)的VaR返回檢驗(yàn)結(jié)果

4 CSI300-R、 HSI-R和S&P500-R杠桿效應(yīng)

4.1 SGED-TGARCH和SGED-EGARCH模型參數(shù)估計(jì)

從表6可見(jiàn)， CSI300-R在SGED-TGARCH模型中參數(shù)γ值為1.15×10-2， 標(biāo)準(zhǔn)差為9.77×10-3， 因此該參數(shù)值并不顯著； 在SGED-EGARCH模型中反應(yīng)不對(duì)稱因子的α系數(shù)也不顯著, 認(rèn)為CSI300-R的杠桿效應(yīng)不明顯, 這與楊建輝等[25]、 蔣遠(yuǎn)營(yíng)[26]的研究結(jié)論相似。 HSI-R在擬合SGED-TGARCH模型中的非對(duì)稱系數(shù)γ為0.078 6, 且在1%的水平下顯著, 符號(hào)為正, 與預(yù)期猜測(cè)的符號(hào)相同, 說(shuō)明HSI-R波動(dòng)性對(duì)利空消息的反應(yīng)大于利好消息。

表6 三大股票指數(shù)的收益率序列TGARCH和EGARCH參數(shù)估計(jì)

由上述結(jié)果可知, 當(dāng)產(chǎn)生一個(gè)正沖擊時(shí), 波動(dòng)率以0.027 2倍的倍數(shù)增加, 當(dāng)產(chǎn)生一個(gè)負(fù)的波動(dòng)率時(shí), 波動(dòng)率將會(huì)以0.078 6+0.027 2=0.105 8的倍數(shù)增加, 可知負(fù)沖擊是正沖擊的3.889 7倍。HSI-R在擬合SGED-EGARCH模型中反映非對(duì)稱效應(yīng)的系數(shù)為-0.061 8, 說(shuō)明利空消息對(duì)HSI-R的波動(dòng)性的影響大于利好消息, 這個(gè)結(jié)果與SGED-TGARCH模型的估計(jì)結(jié)果一致,νt-1為正數(shù)表示正沖擊的影響,νt-1的總影響是-0.061 8+0.137 0=0.075 2。νt-1為負(fù)數(shù)表示負(fù)沖擊的影響, 計(jì)算出νt-1總影響是0.061 8+0.137 0=0.198 8?？芍?fù)沖擊是正沖擊的2.643 6倍, HSI-R的杠桿效應(yīng)較大。S&P500-R在SGED-TGARCH模型中α=0,γ=0.254, 這種特殊情況可解釋為, 若產(chǎn)生一個(gè)正的沖擊, 其對(duì)S&P500-R的波動(dòng)率無(wú)顯著影響, 但產(chǎn)生負(fù)沖擊時(shí), 波動(dòng)率將以0.254的倍數(shù)疊加。在SGED-EGARCH模型中α=-0.19,γ=0.171, 從而得到|α|>|γ|, 同樣可說(shuō)明負(fù)沖擊的影響遠(yuǎn)遠(yuǎn)大于正沖擊, 上述兩個(gè)模型充分說(shuō)明S&P500-R的杠桿效應(yīng)非常特殊, 即正沖擊對(duì)S&P500-R的影響非常接近于0, 負(fù)沖擊對(duì)其影響非常大。圖4—6為CSI300-R、 HSI-R、 S&P500-R的Norm-GARCH(1,1)、 SGED-TGARCH(1,1)、 SGED-EGARCH(1,1)模型的新息影響曲線, 3個(gè)股票指數(shù)收益率的Norm-GARCH(1,1)新息影響曲線是對(duì)稱的, 而SGED-TGARCH(1,1)、 SGED-EGARCH(1,1)模型的新息影響曲線是非對(duì)稱的, 其中, CSI300-R對(duì)利空消息與利好消息的反應(yīng)區(qū)別不明顯, HSI-R對(duì)利空消息的反應(yīng)比利好消息更強(qiáng)烈, S&P500-R對(duì)利空消息的反應(yīng)十分強(qiáng)烈。

圖4 不同風(fēng)險(xiǎn)度量模型的CSI300-R新息影響曲線

圖5 不同風(fēng)險(xiǎn)度量模型的HSI-R新息影響曲線

圖6 不同風(fēng)險(xiǎn)度量模型的S&P500-R新息影響曲線

表7 三大股票指數(shù)VaR值回測(cè)對(duì)比分析

4.2 VaR值回測(cè)對(duì)比分析

由于CSI300-R杠桿效應(yīng)不明顯, 無(wú)論是α=5%還是α=1%的置信水平下, SGED-TGARCH 和SGED-EGARCH的VaR值回測(cè)與SGED-GARCH模型相比都未得到明顯改善; HSI-R在SGED-TGARCH模型中表現(xiàn)最好, 擬合成功率在α=5%和α=1%的置信水平下分別為100%、 90%, 相較于SGED-GARCH擬合成功率有了很大的提高, 說(shuō)明SGED-TGARCH模型最能夠刻畫(huà)其風(fēng)險(xiǎn); S&P500-R在SGED-EGARCH模型中表現(xiàn)最好, 擬合成功率在α=5%和α=1%的置信水平下分別為96%、 100%, 在α=1%的置信水平下, 相較于SGED-GARCH, SGED-EGARCH擬合成功率從90%提高至100%, 說(shuō)明刻畫(huà)S&P500-R尾端風(fēng)險(xiǎn)的準(zhǔn)確性有了明顯提升。進(jìn)一步, 通過(guò)表8的VaR返回檢驗(yàn)結(jié)果看出, 在不同分布和顯著性水平下, 3個(gè)變量絕大部分通過(guò)了UC與CC檢驗(yàn)。

表8 三大股票指數(shù)VaR返回檢驗(yàn)結(jié)果

5 結(jié)論與建議

通過(guò)對(duì)國(guó)內(nèi)外股票指數(shù)2007年1月至2018年9月長(zhǎng)時(shí)間跨度的日收益率波動(dòng)特征分析, 結(jié)果顯示: (1)美國(guó)股市對(duì)利空消息的反應(yīng)非常劇烈; 滬深股市與香港股市之間具有趨同性, 但兩者的對(duì)新息沖擊的反應(yīng)有所不同, 滬深股市對(duì)利空消息與利好消息的反應(yīng)區(qū)別不明顯, 而香港股市對(duì)利空消息的反應(yīng)明顯強(qiáng)于利好消息, 杠桿作用非常明顯。由此看出, 美國(guó)股市與香港股市在杠桿效應(yīng)方面存在著相似性。(2)與發(fā)達(dá)國(guó)家的股票市場(chǎng)一樣, 我國(guó)的內(nèi)地股票市場(chǎng)和香港股票市場(chǎng)指數(shù)收益率也存在著波動(dòng)的聚集性和持久性; 另外, 3類(lèi)指數(shù)的收益率序列均呈“尖峰厚尾”的特性, 因此要防范股市極端現(xiàn)象出現(xiàn)。(3)股票價(jià)格波動(dòng)對(duì)沖擊的反應(yīng)速度由高到低依次是美國(guó)股市、 香港股市、 內(nèi)地股市, 而對(duì)沖擊的持久性由強(qiáng)至弱的排序則恰恰相反, 說(shuō)明美國(guó)股市對(duì)沖擊的響應(yīng)最明顯, 但不具有明顯的持久性, 進(jìn)而表明美國(guó)股市對(duì)沖擊帶來(lái)的影響可以快速的吸收和平復(fù); 內(nèi)地股市對(duì)沖擊的響應(yīng)最不敏感, 但最具持久性。

基于上述分析, 本文提出以下建議: (1)由于滬深股市與香港股市之間具有高度趨同性, 我國(guó)應(yīng)該加快協(xié)調(diào)推進(jìn)內(nèi)地與香港股市的一體化進(jìn)程。香港市場(chǎng)在開(kāi)放性和信息及時(shí)性方面都具有明顯的優(yōu)勢(shì), 在鞏固和提升香港作為國(guó)際金融中心地位的同時(shí)有效地推動(dòng)內(nèi)地金融市場(chǎng)更加國(guó)際化發(fā)展。(2)內(nèi)地股市對(duì)沖擊的反應(yīng)速度較慢, 并且沖擊效應(yīng)持久性較強(qiáng), 因此我國(guó)需要平穩(wěn)推進(jìn)金融市場(chǎng)改革, 新增投資工具的種類(lèi)并主動(dòng)擴(kuò)展投資渠道, 以增強(qiáng)市場(chǎng)吸引力和分散風(fēng)險(xiǎn)的能力, 同時(shí)最大程度減弱市場(chǎng)信息不對(duì)稱的風(fēng)險(xiǎn)。