沪深股市收益和风险分析
摘要：通过采用ECM模型及GARCH模型对沪深股市进行了研究，结果发现两市波动性存在非对称性和杠杆效应，沪深两市对的利空消息反应均大于利好消息的反应，但是深市风险大于沪市风险，当然其收益率也比较高。
关键词：收益；风险；误差修正模型；沪深股市
引言
中国A股市场经过十几年的发展，市场逐渐在规范，但是上市公司整体所表现出来的股市市值规模仍然较小，2005年开始的股权分置改革，使A股市场的发展迎来了新的机遇，走出了多年的熊市，有了较快的发展，处于上升的行情之中，但是与之相伴的却是股市激烈的波动。此外，由于诸多因素的影响和限制，中国A股市场投机气氛较浓。自从2008年世界金融危机以来，股市还出现了市场不确定性因素增多和市场风险加剧的趋势。
当前出现了大量的研究资产收益率方面的文献，有的定量研究波动性的非对称反应机制（李珠，吕明光，2001；胡永红，陆忠华，2005；周立、王东，2005），有的对波动性的形成方式与来源进行了分解（仲黎明等，2003；樊智、张世英，2005），有的研究了两市IPO的版块效应（王燕鸣、楚庆丰，2009），这些研究具有一定的针对性，对我们研究金融市场运行机制与风险控制具有一定的启发意义。此外，有Engle等人开创ARCH和GRACH计量（Engel，1982），Grange（1988）的因果检验已经用在了许多经济金融模型检验中（如高辉、赵敬文，2006），使研究者对金融市场有了更多的认识。
本文主要采用误差修正模型（Error correct model）即ECM模型，检验两市短期波动模式的异同，判断两市对市场冲击的短期调整及反应程度，描述两市向均衡收敛的过程。同时利用两种Garch模型检验两市波动性之间的关系，判断两市的风险特征与风险转移过程，检验两市之间的“溢出效应”（spillover effect）和“杠杆效应”（leverage effect）。
一、变量选择和数据处理
在现有的可以衡量沪深股市的指数中，我们分别选择了上证A股综合指数和深圳A股综合指数作为指标。样本时间的选择，我们选择从2006年2月17日至2007年11月1日，这段时间，剔除节假日，共计样本416个。
我们将股市指数收益率Rt定义为股票指数的对数的一阶差分：Rt=ln（Pt）-ln（Pt-1），其中Pt是股票指数价格。当股票指数波动不是十分剧烈的时候，它近似等于股票指数的日收益率，对应着股票市场的整体收益水平。
许多的学者研究结果倾向表明中国股市处于弱有效形式（王智波，2004；黄泽先等，2008）。因此，本文对股票指数收益率序列Rt、股票指数绝对日收益率序列|Rt|、日均方收益率序列R2t的变化情况进行考察。当样本容量比较大的时候，根据大数定理与市场弱型有效，可知样本区间的整体收益率均值为：Rt=Rt≈0，其中T是样本容量。假设εt表示沪深两市A股指数日收益率与样本均值的偏离，则有εt=Rt-Rt≈Rt，εt=Rt-≈Rt，ε2t=（Rt-Rt）2≈R2t。
因此，沪深两市A股指数日收益率Rt、日绝对收益率Rt、日均方收益率R2t分别表示股指收益率分别围绕均值的双向变动，绝对变动，均方波动，他们体现了波动性逐渐增强的特点。
二、模型的建立
通过对沪深股市价格指数和收益率作单位根检验，Granger因果关系检验和协整检验，我们发现：（1）沪指和深指对数序列均为一阶单整I（1），指数收益率序列为平稳序列；（2）上海股票市场指数是深圳股市指数的Granger原因，但反之不成立；（3）沪深股指之间存在着协整关系（检验结果在附录）。基于检验结果，本文可以建立以下模型：
（一）误差修正模型
通过平稳检验，可以对沪深股指的收益率序列间建立误差修正模型，结果如下：
Rsht=0.7884Rszt+0.0957Rsh t-1+0.0288Rsh t-2-0.0974Rsz t-1-0.0787Rsz t-2-
0.0006+εsh t
（41.6471） （1.9558） （0.58988） （-2.26068） （-1.82970）
（-1.15173）
Rszt=01.0273Rsht+0.1121Rsz t-1+0.0577Rsz t-2-0.1128Rsht-1-0.0191Rsht-2-
0.0002+εsz t
（41.6471）（2.2821）（1.1734）（-2.02089）（-0.34466）
（-0.46366） （1）
其中，sh表示上海综指，sz表示深圳综指，t表示时间，t-1表示t期滞后一阶。根据上述误差修正方程计算，如果仍然引入非显著的回归项，那么求解收益率序列的无条件数学期望，可以得到两市收益率水平分别为：=0.00371，=0.00428。可见两市的长期收益率有显著差异。两市收益率均受到长期均衡关系的显著影响，但是修正项对沪深股市收益率是负的边际贡献。在ECM模型中，存在沪深两市股票价格收益率的交互影响，因为滞后系数出现部分显著与不显著，体现了短期波动之间的相互影响。
因此，ECM模型表明，沪深两市股票收益率之间存在长期的协整趋势，但是它们的短期波动过程存在着相异的波动模式。
（二）GARCH模型和溢出效应模型的估计与检验
我们采用GARCH模型检验收益率序列的条件异方差性，首先利用偏自相关函数（PACF）和自相关函数（ACF）决定均值方程中的AR过程与MA过程的阶数，然后根据绝对残差序列的特性，然后确定方差方程中的ARCH 项和GARCH项的阶数。在经过不断试错的情况下，GARCH（1，1）都能比较好地进行解释，其SC和AIC值也比较小。
沪深市场的GARCH－M模型和溢出效应模型估计（括号中为Z统计量值）：
Rsht=0.1789Rsht-0.0597Rsh t-1+ε t
（3.338219） （1.15366）（2）
hsht=0.0000105-0.08（εsht-1）2+0.899hsht-1
（1.7415）（3.6922） （31.7933）
Rszt=0.18Rszt-0.0122Rsz t-1+ε t
（3.5721） （0.2446） （3）
hszt=0.00005-0.08（εsht-1）2+0.899hsht
（1.75）（3.66） （31.71）
