|
|
摘要：本文选取新华富时中国A25指数ETF认沽期权、认购期权交易量比值和上证综指日收益率为研究对象，考察这两个时间序列的联动关系及两个市场的波动溢出关系，力图证明该ETF期权认购期权交易量与认沽期权交易量的比值能够在一定程度上预测中国上证综指的走势。向量自回归模型表明，多空比值与指数收益率之间存在长期均衡关系，且多空比值是收益率的格兰杰因。之后提取VECM中的误差修正项，带入双变量EC-EGARCH-M模型，结果表明，两市场存在时间序列波动聚集性、非对称性和波动溢出效应。最后，本文利用前述结果总结并建立指数投资策略。在样本时间范围内，该类投资策略能够获得比大盘更高的收益。
关键词：VAR模型 格兰杰因果检验双变量 EC-EGARCH-M模型 多空比值
一、问题提出与文献回顾
新华富时中国A25指数包含了流动性高且市值较大的25只红筹股，较为平均地覆盖了各个行业，与上证综指有很高的相关性。2004年底，以该指数为标的资产的指数ETF基金在纽约证券交易所挂牌交易，成为首只供美国投资者投资中国市场的ETF，这只基金90%以上的仓位分配给这25只股票。此后，芝加哥期权交易所推出这只基金的期权。由于认购期权的持有者预期资产价格将会上涨，认沽期权的持有者则预期资产价格将有不好的表现，所以该ETF认沽期权与认购期权交易量的比值能很好地反映市场对中国市场指数的预期。而市场预期在很大程度上会影响甚至决定市场的走向，于是，本文提出如下的猜想：新华富时A25指数ETF期权认购期权交易量与认沽期权交易量的比值（以下简称多空比）能够在一定程度上预测中国上证综指的走势。 代写论文 http://
简单观察上证综指收益率与新华富时A25指数ETF多空比不难发现，前一天该ETF期权多空比对下一个交易日上证综指的收益率有较强的预测作用，尤其是当多空比值出现异常的时候。这里定义异常值为多空比大于4或小于0.25的情况，此时市场看多（看空）情绪明显大于另一方。以2009年3月至2011年3月为例，一共有10个交易日多空比超过4，在这些交易日样本中，下一个交易日上证综指上涨的次数有6次；一共有45个交易日多空比低于0.25，而下一个交易日股指下跌的次数多达42次。很明显，无论是多空比出现数值大于4的异常，还是数值小于0.25的异常，对下一个交易日股市走势预测的成功率均超过60%。
Kroner和Sultan（1993）的研究结果证明双变量误差修正GARCH模型可以提高现货套期保值的效果。而Shawky H.，Marathe A.和Barrett C.（2003）发展了Nelson（1991）提出的EGARCH模型，并用以研究美国纽约商品交易所期货现货之间的价格动态关系。Tse和So（2004）利用信息比率、永久瞬时模型及GARCH-M模型研究了香港恒生指数、恒生股指期货及盈富基金之间的动态关系，并得出三个市场之间存在长期协整关系, 但市场之间的信息溢出程度是彼此不同的结论。刘庆富（2006）用双变量EC- GARCH模型考察了我国金属期货、现货市场之间的相互影响, 发现两个市场之间具有长期均衡关系和波动溢出效应。 论文网 http://
本文首先使用时间序列分析方法考察新华富时A25指数EFT多空比与上证综指收益率之间的联动关系，并在此基础上构建EC-EGACH-M模型，考察两市场之间的波动溢出效应。
二、数据处理及理论模型
（一）数据处理及描述
文本选取自2009年3月16日至2011年3月15日，共478个交易日的数据，以该指数基金多空比和上证综指为研究对象。其中，Xt序列为t期多空比值的自然对数值，Yt序列为t期上证综指收益率，即Yt= ln(Pt)-ln(Pt-1)，其中Pt是上证综指t期时刻的指数价格。
分析数据样本发现，多空比均值和中值均为负，说明在样本时间内看空量基本多于看多量，市场预期较为悲观，而收益率总体为正，体现了从金融危机中缓慢恢复的特点。多空比呈向右偏特点，而收益率则向左偏。两市场数据均有尖峰的特征，且两序列均不服从正态分布。
（二）时间序列分析模型
1.平稳性检验
为防止出现伪回归现象，并保证统计序列的自身性质和统计结果的可靠性，首先进行稳定检验。本文运用ADF单位根检验对Xt和Yt进行平稳性检验，并将将检验统计量与模拟出的临界值进行比较，即可得出平稳性检验结果。
2. VAR模型与格兰杰因果检验 http://
建立多空比与收益率的向量自回归模型。这个模型能够很好地解决向量的内生性问题，即不必考虑哪个是解释变量，哪个是被解释变量。从系数的符号和显著性可以分析一个序列对另一个序列的影响。为了防止因果倒置的现象产生，运用格兰杰因果检验的方法，具体分析两个时间序列的领先之后关系。其中滞后阶数使用VAR模型中的最优滞后阶数。
（三）波动性检验EC-EGACH-M模型
EGARCH模型能够很好反映波动的聚集性和非对称性，选择该模型对预测并研究两市场的波动性质十分有利，且协整残差有较强的预测能力（Lee，1994）。另外，GARCH-M模型成功地把波动引入均值方程，刻画了波动率影响均值的性质。同时，联立方程组同时考察两市场的波动信息能够更准确地刻画其特性。综合以上分析，文本建立双变量EC-EGARCH-M模型，考察两市场之间的动态波动关系。下式中，X代表新华富时A25多空比值，Xt是该序列均值，Y代表上证综指收益率，Yt是收益率均值。 代表t时期所拥有的变量历史值，描述了t-1时刻的信息集，et-1为从（4）式提取出的协整序列残差，模型具体形式如下：
（1）
其中，残差序列服从以0为均值、X,Y序列的方差-协方差矩阵为方差的正态分布。波动率方程为： http://
（2）
这里，2是预测波动率，也就是条件方差，zt-1是标准化后的残差，
在上述概率分布下，由最大似然函数估计各项参数。联立方程组中的各项参数均有其经济含义：在式（1）中，表示均值方程中的常数项，是序列均值确定中的一部分；是GARCH-M项系数，表示波动率对均值的影响；是协整残差项的系数，其显著性反映了协整残差项的预测能力；是均值方程残差，假设其服从以0为均值、以协方差矩阵为方差的正态分布。在式（2）中，是常数项，表现了波动聚集性，若显著大于0，则可证明该时间序列存在波动聚集性的特征，即大的波动后往往跟随较大的波动，反之，小的波动往往跟随较小的波动。和表现出波动对信息的反应，也就是波动的非对称性，若0，0，则波动的非对称性存在。是检验非对称效应的参数，当=0时，波动对好消息和坏消息的反应一致，预期0，此时负冲击对波动的影响小于正冲击的影响，体现了波动的非对称性，因为在样本时间范围内，市场预期普遍偏差，对能够增加市场乐观情绪的消息反应将更为敏感。是协整残差项的系数，刻画了协整残差对序列条件方差的预测能力。反映了两市场间的影响程度，本文预期为负，即负冲击增加市场的波动，正冲击减小市场的波动。 论文代写 http://
三、实证结果
中国 |
|
发表于 2018-7-14 09:11:20