鄧?yán)?+王志強(qiáng)++熊海芳

摘要：跳躍因子的引入能夠準(zhǔn)確解釋波動(dòng)的非對(duì)稱特征，同時(shí)跳躍中還含有關(guān)于波動(dòng)率的未知信息。為了更有效地改進(jìn)波動(dòng)率的預(yù)測(cè)，利用基于高頻數(shù)據(jù)的非參數(shù)波動(dòng)估計(jì)和跳躍檢測(cè)方法，在波動(dòng)的非對(duì)稱性基礎(chǔ)上對(duì)跳躍作進(jìn)一步分解，考察具有不同風(fēng)險(xiǎn)特征的跳躍成分對(duì)未來波動(dòng)率的影響，并對(duì)2009-2014年上證綜指及其行業(yè)指數(shù)的面板數(shù)據(jù)進(jìn)行實(shí)證分析。實(shí)證研究發(fā)現(xiàn)：周期性行業(yè)指數(shù)的系統(tǒng)性跳躍對(duì)其波動(dòng)率有顯著的預(yù)測(cè)效力，大盤指數(shù)與行業(yè)指數(shù)之間存在高度相關(guān)性；而非周期性行業(yè)指數(shù)幾乎沒有表現(xiàn)出明顯的杠桿效應(yīng)，與大盤指數(shù)的相關(guān)性也較低。

關(guān)鍵詞：高頻數(shù)據(jù)；波動(dòng)率；非對(duì)稱性；系統(tǒng)性跳躍

中圖分類號(hào)：F830.9文獻(xiàn)標(biāo)志碼：A文章編號(hào)：

10085831（2017）03003510

一、引言及文獻(xiàn)回顧

金融資產(chǎn)收益的波動(dòng)率一直是現(xiàn)代經(jīng)濟(jì)金融研究的重要變量，波動(dòng)率的精確估計(jì)和預(yù)測(cè)已經(jīng)成為衍生資產(chǎn)定價(jià)、投資組合決策和風(fēng)險(xiǎn)評(píng)估管理的關(guān)鍵，也吸引了大量學(xué)者的關(guān)注。以往的研究對(duì)如何進(jìn)行波動(dòng)率的估計(jì)給出了很多模型，采用不同的方法和數(shù)據(jù)得到的結(jié)論不盡相同，在一定程度上也反映了各類模型自身可能存在的缺陷。

傳統(tǒng)的GARCH族和SV族模型基于歷史低頻數(shù)據(jù)建模，其中日收益率的估計(jì)值和真實(shí)值之間的差異會(huì)給波動(dòng)率的預(yù)測(cè)帶來大量誤差，同時(shí)模型設(shè)定的偏誤也可能造成波動(dòng)率估計(jì)的不一致。近年來，隨著技術(shù)手段的發(fā)展和高頻數(shù)據(jù)的廣泛應(yīng)用，金融市場(chǎng)高頻時(shí)間序列的波動(dòng)性逐漸成為研究熱點(diǎn)。Andersen等基于等間隔時(shí)間序列分割提出已實(shí)現(xiàn)波動(dòng)率的概念，并證明它是積分波動(dòng)率的一致估計(jì)[1-2]；該方法直接從當(dāng)期高頻數(shù)據(jù)中提取信息，從而避免了模型的設(shè)定和復(fù)雜的參數(shù)估計(jì)。收益的整體波動(dòng)不僅具有連續(xù)性特征，還具有瞬時(shí)、高強(qiáng)度的跳躍行為特征。Barndorff-Nielsen和Shephard提出非參數(shù)的跳躍檢驗(yàn)方法（BNS），在將已實(shí)現(xiàn)波動(dòng)率分解為連續(xù)路徑變差和離散跳躍方差的基礎(chǔ)上實(shí)現(xiàn)了對(duì)跳躍行為的直接測(cè)度[3-4]。高頻數(shù)據(jù)采集周期短，信息損失相對(duì)較小，比低頻數(shù)據(jù)包含更豐富的日內(nèi)波動(dòng)信息，基于高頻數(shù)據(jù)的波動(dòng)率和跳躍的估計(jì)在市場(chǎng)微觀結(jié)構(gòu)理論的實(shí)證研究中也表現(xiàn)出更好的預(yù)測(cè)能力。

在已實(shí)現(xiàn)波動(dòng)率序列特征的研究基礎(chǔ)上，許多學(xué)者提出基于高頻數(shù)據(jù)的波動(dòng)率建模方法。Corsi根據(jù)異質(zhì)市場(chǎng)假說提出不同波動(dòng)率驅(qū)動(dòng)成分的簡(jiǎn)單疊加模型HAR-RV[5]，Andersen等進(jìn)一步將其擴(kuò)展成HAR-RV-CJ模型，分別研究了跳躍成分和連續(xù)成分對(duì)波動(dòng)率預(yù)測(cè)精度的影響[6]。Ghysels等的研究表明絕對(duì)冪變差可以有效地對(duì)波動(dòng)率進(jìn)行預(yù)測(cè)[7]。Brandt和Jones提出的高低極差能顯著提高波動(dòng)率的預(yù)測(cè)精度[8]。Engle和Gallo將已實(shí)現(xiàn)波動(dòng)率應(yīng)用于GARCH模型，利用高頻數(shù)據(jù)中的日內(nèi)波動(dòng)信息提高了預(yù)測(cè)效果[9]。國(guó)內(nèi)學(xué)者對(duì)基于高頻數(shù)據(jù)的波動(dòng)率的研究也有不少成果。張偉等對(duì)中國(guó)市場(chǎng)個(gè)股的已實(shí)現(xiàn)波動(dòng)率進(jìn)行了估計(jì)[10]。徐正國(guó)和張世英[11]、唐勇和劉峰濤[12]通過實(shí)證比較得出已實(shí)現(xiàn)波動(dòng)率的預(yù)測(cè)能力優(yōu)于GARCH模型和SV模型。陳國(guó)進(jìn)和王占海對(duì)滬深300指數(shù)的分析表明A股市場(chǎng)波動(dòng)的連續(xù)成分和跳躍成分均具有顯著的滯后自相關(guān)性[13]。

大量實(shí)證研究表明，利空消息的沖擊大于利好消息，即收益的大幅負(fù)向變動(dòng)對(duì)未來波動(dòng)率的影響要大于同等幅度的正向變動(dòng)，這種現(xiàn)象稱為波動(dòng)的非對(duì)稱性或杠桿效應(yīng)。經(jīng)驗(yàn)分析中，通常采用TARCH和EGARCH等經(jīng)典模型來研究波動(dòng)的非對(duì)稱特征，但這樣的設(shè)定可能無法解釋極端的價(jià)格變化對(duì)股市波動(dòng)的影響，而這樣的極端情況通常伴隨著跳躍行為的發(fā)生，跳躍因子的引入能夠更準(zhǔn)確地檢驗(yàn)價(jià)格波動(dòng)的非對(duì)稱性，提高波動(dòng)率的預(yù)測(cè)效果。Eraker等通過連續(xù)時(shí)間的隨機(jī)波動(dòng)率模型（SVCJ）的研究發(fā)現(xiàn)跳躍行為能很好地解釋股市的異常波動(dòng)[14]。孫堅(jiān)強(qiáng)和陳浪南在對(duì)混合GARCH跳躍模型的研究中發(fā)現(xiàn)上證指數(shù)、納斯達(dá)克指數(shù)等全球主要股指的跳躍行為具有時(shí)變特征，且跳躍與條件波動(dòng)率之間也存在相互回饋效應(yīng)[15]。左浩苗和劉振濤首次將基于非參數(shù)估計(jì)的跳躍風(fēng)險(xiǎn)指標(biāo)應(yīng)用到波動(dòng)的非對(duì)稱性檢驗(yàn)中，并指出跳躍尤其是負(fù)向跳躍中還包含有能夠預(yù)測(cè)波動(dòng)率的其他信息[16]，但并沒有給出這些額外信息的具體特征。

上述研究?jī)H反映了跳躍風(fēng)險(xiǎn)不同于連續(xù)性風(fēng)險(xiǎn)的定價(jià)特征，沒有考慮跳躍中可能包含的額外預(yù)測(cè)因素；除了波動(dòng)的非對(duì)稱性研究之外，對(duì)不同性質(zhì)的跳躍成分及其預(yù)測(cè)能力幾乎沒有加以區(qū)分。本文的創(chuàng)新之處在于將系統(tǒng)性和非系統(tǒng)性跳躍因子引入波動(dòng)率的預(yù)測(cè)模型，考察具有不同風(fēng)險(xiǎn)特征的跳躍行為對(duì)未來波動(dòng)率的影響。首先根據(jù)BNS方法估計(jì)波動(dòng)率和各類跳躍風(fēng)險(xiǎn)指標(biāo)，驗(yàn)證當(dāng)期波動(dòng)對(duì)上一期正向跳躍和負(fù)向跳躍的非對(duì)稱性反應(yīng)；在此基礎(chǔ)上發(fā)現(xiàn)系統(tǒng)性跳躍行為對(duì)下一期波動(dòng)率具有顯著影響，大盤指數(shù)的跳躍能夠?yàn)橥顿Y者提供更多預(yù)測(cè)信息，這與相關(guān)性分析的結(jié)果也是一致的，從而有效地改進(jìn)了對(duì)波動(dòng)率的預(yù)測(cè)。

本文第二部分根據(jù)非參數(shù)方法理論，在給定假設(shè)下構(gòu)建了波動(dòng)率和各類跳躍風(fēng)險(xiǎn)的測(cè)度指標(biāo)；第三部分基于不同風(fēng)險(xiǎn)性質(zhì)的跳躍成分對(duì)波動(dòng)率的預(yù)測(cè)模型進(jìn)行了改進(jìn)；第四部分為由樣本數(shù)據(jù)得到的實(shí)證分析結(jié)果；最后第五部分是主要結(jié)論與建議。

三、實(shí)證模型的改進(jìn)

為反映一個(gè)持續(xù)時(shí)間段內(nèi)的整體趨勢(shì)，我們對(duì)上述基于高頻數(shù)據(jù)估計(jì)的RV，BV和RJ等日度數(shù)據(jù)在月內(nèi)求和，得到月度數(shù)據(jù)，用月度變量來建立模型，用下標(biāo)t表示月度頻率。

國(guó)內(nèi)外學(xué)者對(duì)金融市場(chǎng)收益率的波動(dòng)非對(duì)稱性進(jìn)行了大量的研究。陳浪南和黃杰鯤[17]，陸蓉和徐龍炳[18]，吳毅芳和彭丹[19]等借助GARCH族模型的分析表明中國(guó)股市波動(dòng)具有顯著的杠桿效應(yīng)特征。同時(shí)也有很多結(jié)論相反的研究成果，如曹國(guó)華和何燕[20]同樣利用ARCH模型對(duì)中國(guó)房地產(chǎn)上市公司個(gè)股收益率的波動(dòng)情況進(jìn)行了實(shí)證研究，卻發(fā)現(xiàn)利好消息比同等程度利空消息引起的收益率波動(dòng)幅度更大，一定程度上反映了目前中國(guó)房地產(chǎn)市場(chǎng)的不成熟屬性。為了克服上述傳統(tǒng)模型的不足，部分國(guó)外研究考慮利用更精確的高頻數(shù)據(jù)對(duì)波動(dòng)的非對(duì)稱性問題進(jìn)行建模。Bollerslev和Zhou基于已實(shí)現(xiàn)波動(dòng)率對(duì)國(guó)外市場(chǎng)波動(dòng)進(jìn)行檢驗(yàn)并得到了顯著的非對(duì)稱性[4]。Visser提出用向下絕對(duì)冪變差來改進(jìn)GARCH模型的預(yù)測(cè)效果[21]。Barndorff-Nielse等在波動(dòng)率預(yù)測(cè)的建模中引入已實(shí)現(xiàn)半方差度量下方風(fēng)險(xiǎn)并研究波動(dòng)的非對(duì)稱性[22]。本文基于高頻收益數(shù)據(jù)，利用非參數(shù)方法直接進(jìn)行已實(shí)現(xiàn)波動(dòng)率的估計(jì)和跳躍的檢驗(yàn)。類似于TARCH模型，首先考慮下述設(shè)定：

RVt=α0+βRVt-1+γ1Rt-1+γ2Rt-1dt-1+εt（10）

其中Rt為月度收益率；dt是虛擬變量，當(dāng)Rt<0時(shí)，dt=1，否則dt=0。γ2是波動(dòng)非對(duì)稱性的一個(gè)刻畫指標(biāo)，即若γ2顯著為正，則利空消息的影響大于利好消息的影響。對(duì)RV進(jìn)行分解可得：

RVt=α0+β1BVt-1+β2RJt-1+γ1Rt-1+γ2Rt-1dt-1+εt（11）

由于收益率考慮的是所有幅度的價(jià)格變動(dòng)，而在杠桿效應(yīng)的檢驗(yàn)中我們更關(guān)心的是波動(dòng)對(duì)大幅度極端價(jià)格沖擊的非對(duì)稱反應(yīng)，模型（11）可能無法對(duì)非對(duì)稱性作出準(zhǔn)確的檢驗(yàn)。大幅度的收益變動(dòng)通常表現(xiàn)為價(jià)格的跳躍行為，Patton和Sheppard在將已實(shí)現(xiàn)波動(dòng)率分解為正向波動(dòng)和負(fù)向波動(dòng)的基礎(chǔ)上，通過構(gòu)造符號(hào)跳躍估計(jì)量證明跳躍對(duì)波動(dòng)有重要預(yù)測(cè)作用，且負(fù)向跳躍的影響持續(xù)更久[23]。因此，考慮將跳躍因子引入模型：

RVt=α0+β1BVt-1+β2RJt-1+γ1Rt-1+γ2Rt-1dt-1+φ1PJt-1+φ2NJt-1+εt （12）

其中PJt表示第t月正向跳躍的月度變量；NJt表示第t月負(fù)向跳躍的月度變量。

左浩苗和劉振濤在波動(dòng)的非對(duì)稱性基礎(chǔ)上指出跳躍尤其是負(fù)向跳躍中還包含可以預(yù)測(cè)波動(dòng)率的因素，考慮這些額外因素可以有效提高對(duì)波動(dòng)率的預(yù)測(cè)效力[16]。本文在此基礎(chǔ)上對(duì)跳躍特征作了進(jìn)一步描述。根據(jù)Gilder等的命名方法，若某次跳躍與大盤指數(shù)跳躍同時(shí)發(fā)生，則稱之為系統(tǒng)性跳躍，否則稱為非系統(tǒng)性跳躍[24]。當(dāng)覆蓋市場(chǎng)整體的政策或信息發(fā)布時(shí)，往往會(huì)引起大多數(shù)股票價(jià)格發(fā)生共同跳躍行為，并最終表現(xiàn)為整體大盤指數(shù)的跳躍現(xiàn)象。系統(tǒng)性跳躍行為一定程度上反映了市場(chǎng)風(fēng)險(xiǎn)因素，與度量整體波動(dòng)風(fēng)險(xiǎn)的已實(shí)現(xiàn)波動(dòng)率有關(guān)聯(lián)；同時(shí)經(jīng)驗(yàn)研究表明波動(dòng)具有聚類效應(yīng)，當(dāng)期波動(dòng)對(duì)下一期波動(dòng)有影響。因此，系統(tǒng)性跳躍風(fēng)險(xiǎn)與未來股市波動(dòng)率有一定關(guān)聯(lián)，本文據(jù)此對(duì)模型（11）作了進(jìn)一步拓展：

RVt=α0+β1BVt-1+β2RJt-1+γ1Rt-1+γ2Rt-1dt-1+φ1PJt-1+ρ1NSJt-1+ρ2NNSJt-1+εt（13）

這里NSJt表示負(fù)向系統(tǒng)性跳躍的月度數(shù)據(jù)；NNSJt表示負(fù)向非系統(tǒng)性跳躍的月度數(shù)據(jù)。

四、實(shí)證分析

本文選取上證綜指和6個(gè)上證行業(yè)指數(shù)2009年4月至2014年10月期間的高頻交易數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)分析，采樣頻率為五分鐘，以減小市場(chǎng)微觀結(jié)構(gòu)噪聲的干擾。其中日度數(shù)據(jù)的計(jì)算包含隔夜收益率；月度收益率采取對(duì)數(shù)收益率的形式，即對(duì)月末數(shù)據(jù)的對(duì)數(shù)進(jìn)行差分計(jì)算：

Rt=lnPt-lnPt-1，t=1，2，…，N。

所有樣本數(shù)據(jù)均來自于標(biāo)普永華高頻數(shù)據(jù)庫(kù)。

（一）描述性統(tǒng)計(jì)特征

1相關(guān)系數(shù)與聚類特征

圖1和圖2表明上證綜指的波動(dòng)率和跳躍指標(biāo)均具有一定的持續(xù)性。其中包含連續(xù)性波動(dòng)成分的RV和BV自相關(guān)系數(shù)高達(dá)065與070，跳躍變差RJ的自相關(guān)系數(shù)也達(dá)到031。同時(shí)，負(fù)向跳躍NJ的持續(xù)性（自相關(guān)系數(shù)029）也要強(qiáng)于正向跳躍PJ（018）。由圖3可以看出負(fù)向跳躍的聚類特征更明顯，即股價(jià)的負(fù)向連續(xù)大幅下跌較之正向上升更容易發(fā)生，這跟實(shí)際金融活動(dòng)中投資者的風(fēng)險(xiǎn)態(tài)度有關(guān)。大多數(shù)投資者屬于風(fēng)險(xiǎn)厭惡者，股價(jià)大幅下跌時(shí)會(huì)出現(xiàn)恐慌性拋售以求減少損失的局面，這必將導(dǎo)致股市的進(jìn)一步下跌；而股價(jià)處于大幅上升階段時(shí)，有一部分投資者會(huì)放棄繼續(xù)持有，選擇賣出股票獲取超額收益，從而在一定程度上制約了股市繼續(xù)上揚(yáng)的勢(shì)頭。

另外，上證各行業(yè)指數(shù)的系統(tǒng)性跳躍 （PSJ和NSJ） 自相關(guān)系數(shù)普遍高于非系統(tǒng)性跳躍（PNSJ和NNSJ），意味著在系統(tǒng)性的大幅跳躍之后通常還伴隨系統(tǒng)性跳躍的發(fā)生。這些描述性特征表明將波動(dòng)率中的跳躍成分尤其是系統(tǒng)性負(fù)向跳躍成分進(jìn)行分離并引入回歸是有實(shí)際意義的。

從各指數(shù)與上證綜指的相關(guān)系數(shù)表可以看出，材料、電信、金融和能源這4個(gè)指數(shù)與綜指的相關(guān)系數(shù)均達(dá)到了80%以上，其中材料指數(shù)高達(dá)91%，而消費(fèi)指數(shù)和醫(yī)藥指數(shù)與大盤指數(shù)的關(guān)聯(lián)程度相對(duì)較弱。以材料指數(shù)和消費(fèi)指數(shù)為例，從圖4和圖5可以直觀地觀察到相關(guān)程度的差別。

（二）不同性質(zhì)的跳躍成分在波動(dòng)率預(yù)測(cè)中的應(yīng)用

跳躍對(duì)波動(dòng)率的影響包含兩個(gè)方面：一方面是考察正向和負(fù)向跳躍的影響，驗(yàn)證負(fù)向跳躍對(duì)下一期波動(dòng)率具有更顯著的影響，即波動(dòng)的非對(duì)稱性；另一方面，在此基礎(chǔ)上提取負(fù)向跳躍中關(guān)于波動(dòng)的進(jìn)一步信息，即將跳躍按不同的風(fēng)險(xiǎn)性質(zhì)分解為系統(tǒng)性跳躍與非系統(tǒng)性跳躍成分，并考察其對(duì)波動(dòng)率的預(yù)測(cè)能力。

表3對(duì)上證綜指進(jìn)行了波動(dòng)的非對(duì)稱性檢驗(yàn)，其中回歸3、回歸4和回歸6分別對(duì)應(yīng)模型（10）、模型（11）和模型（12）的估計(jì)結(jié)果，擬合優(yōu)度均為調(diào)整后的R2（百分比）。從表中可以看出，回歸2比回歸1的調(diào)整后R2高出3%左右，表明將RV分解為BV和RJ能夠改進(jìn)對(duì)已實(shí)現(xiàn)波動(dòng)率的預(yù)測(cè)?；貧w6中正向跳躍的系數(shù)γ1為001，負(fù)向跳躍的系數(shù)γ2為-003且統(tǒng)計(jì)顯著，說明無論是正向跳躍還是負(fù)向跳躍都會(huì)導(dǎo)致下一期波動(dòng)風(fēng)險(xiǎn)的增加，且負(fù)向跳躍的影響大于正向跳躍，這正是波動(dòng)非對(duì)稱性的表現(xiàn)；而僅考慮一般收益率的回歸3和回歸4則無法準(zhǔn)確地反映這一點(diǎn)，在未引入跳躍因素的情況下系數(shù)γ2甚至顯著為負(fù)。

為了進(jìn)一步考察系統(tǒng)性跳躍和非系統(tǒng)性跳躍對(duì)波動(dòng)率的作用，本文選取上證材料、電信、金融、能源、消費(fèi)和醫(yī)藥等6個(gè)不同行業(yè)的指數(shù)為研究對(duì)象，對(duì)模型（11）-（13）進(jìn)行估計(jì)?；跀?shù)據(jù)特征，我們對(duì)樣本區(qū)間作了分段考察。表4和表5分別報(bào)告了材料指數(shù)和電信指數(shù)2010年12月至2014年10月的OLS估計(jì)結(jié)果；表6報(bào)告了能源指數(shù)2009年5月至2013年7月的OLS估計(jì)結(jié)果?；貧w2、回歸3和回歸4分別代表模型（11）、模型（12）和模型（13）。

表4至表6的實(shí)證結(jié)果表明，回歸2中的指征系數(shù)γ2均沒有表現(xiàn)出顯著為正的特征，能源指數(shù)甚至出現(xiàn)顯著為負(fù)的結(jié)果，與Rabemananjara和Zakoian[25]一致，說明在價(jià)格變動(dòng)幅度較小時(shí)存在正向價(jià)格變動(dòng)對(duì)波動(dòng)率的影響更大的可能；而在引入跳躍因素的回歸3中，材料和能源等指數(shù)則一致表現(xiàn)出顯著的杠桿效應(yīng)，表明跳躍成分確實(shí)能夠解釋波動(dòng)的非對(duì)稱特征，提高模型的預(yù)測(cè)能力。需要注意的是表5中系數(shù)φ1顯著為正而φ2卻不顯著，即電信指數(shù)的正向跳躍對(duì)未來波動(dòng)率的影響大于負(fù)向跳躍，表現(xiàn)出與其他指數(shù)相反的非對(duì)稱性特征，這與電信行業(yè)的經(jīng)濟(jì)非周期性有關(guān)，因此考慮將模型（13）修正為如下形式：

RVt=α0+β1BVt-1+β2RJt-1+γ1Rt-1+γ2Rt-1dt-1+λ1PSJt-1+λ2PNSJt-1+φ2NSJt-1+εt（14）

即表5中的回歸4代表模型（14）而不是模型（13）。

行業(yè)指數(shù)的跳躍行為本質(zhì)上是該行業(yè)內(nèi)一定數(shù)量個(gè)股的共同跳躍。根據(jù)Gilder等的研究，系統(tǒng)性共同跳躍中所包含的個(gè)股數(shù)量顯著高于非系統(tǒng)性共同跳躍，大盤指數(shù)的跳躍與其成分股的共同跳躍之間有很強(qiáng)的聯(lián)系[24]，行業(yè)指數(shù)的系統(tǒng)性跳躍對(duì)其波動(dòng)率的影響要大于非系統(tǒng)性跳躍?？梢钥吹?，回歸4中的系數(shù)ρ1和λ1均統(tǒng)計(jì)顯著，表明大盤指數(shù)的跳躍行為對(duì)材料、能源和電信等行業(yè)指數(shù)的波動(dòng)都具有較強(qiáng)的預(yù)測(cè)效力，這與它們?cè)谙嚓P(guān)性分析（表2）中的表現(xiàn)也是一致的。同時(shí)，調(diào)整后的R2也有不同程度的提高，尤其是材料指數(shù)，回歸4的調(diào)整后R2比回歸3高出了8%左右。

表7報(bào)告了金融指數(shù)2009年12月至2012年12月的實(shí)證結(jié)論。由于數(shù)據(jù)在殘差分析中存在不同程度的異方差特征，我們進(jìn)一步給出了ARCH效應(yīng)的回歸結(jié)果。如表7，回歸1-3和回歸4-6分別對(duì)應(yīng)了模型（11）-（13）的OLS估計(jì)結(jié)果和ARCH估計(jì)結(jié)果。

可以看到回歸4-6中代表GARCH效應(yīng)的ξ1和η1都是顯著的，即存在GARCH效應(yīng)。與OLS結(jié)果相比，金融指數(shù)的GARCH回歸具有明顯優(yōu)勢(shì)：第一，回歸4已經(jīng)表現(xiàn)出顯著的波動(dòng)非對(duì)稱性特征，即月度負(fù)向收益變動(dòng)對(duì)下月已實(shí)現(xiàn)波動(dòng)率的影響大于正向收益變動(dòng)，但回歸1的結(jié)果并不顯著；第二，考慮跳躍因素后，回歸2依然不顯著，但回歸5中的系數(shù)φ2顯著，即下月已實(shí)現(xiàn)波動(dòng)率對(duì)當(dāng)月跳躍有非對(duì)稱反應(yīng)；第三，回歸3和回歸6中的系數(shù)ρ2都顯著，說明金融指數(shù)的非系統(tǒng)性跳躍對(duì)未來波動(dòng)率的影響大于系統(tǒng)性跳躍，這一點(diǎn)與其他指數(shù)是不同的，這要?dú)w結(jié)于金融股的特殊性。中國(guó)市場(chǎng)的政策調(diào)控性比較強(qiáng)，金融股本身作為權(quán)重股，也是政策股，在維持價(jià)格理性和市場(chǎng)穩(wěn)定方面有著重要地位，這樣的特點(diǎn)決定了金融股在大盤強(qiáng)勢(shì)漲跌期間經(jīng)常處于“潛伏”狀態(tài)，如2014年7月至2015年5月在各路題材全線大漲的環(huán)境下，銀行板塊表現(xiàn)疲軟，銀行股和券商股集體表現(xiàn)出滯后市場(chǎng)的反應(yīng)。

表8提示消費(fèi)指數(shù)和醫(yī)藥指數(shù)均沒有檢驗(yàn)出波動(dòng)的非對(duì)稱性，大盤指數(shù)的跳躍行為對(duì)其波動(dòng)也無顯著作用，這是由行業(yè)的非周期性決定的。消費(fèi)和醫(yī)藥行業(yè)屬于典型的非周期性行業(yè)，提供的產(chǎn)品大都是生活必需品，其需求變動(dòng)一般不受宏觀經(jīng)濟(jì)走勢(shì)的影響。在表2中也可以看到，它們和大盤綜指之間的相關(guān)系數(shù)也相對(duì)較低。

五、結(jié)論與建議

本文利用基于高頻數(shù)據(jù)的非參數(shù)方法來估計(jì)已實(shí)現(xiàn)波動(dòng)率和跳躍風(fēng)險(xiǎn)的月度指標(biāo)，在此基礎(chǔ)上進(jìn)一步研究不同性質(zhì)的跳躍成分對(duì)波動(dòng)率的預(yù)測(cè)作用。

通過實(shí)證研究我們發(fā)現(xiàn)：首先，上證綜指及各周期性行業(yè)指數(shù)在發(fā)生大幅跳躍行為時(shí)不同程度地具有杠桿效應(yīng)的特征，這與國(guó)內(nèi)外大多數(shù)關(guān)于波動(dòng)的非對(duì)稱性研究觀點(diǎn)是相符的。其中電信指數(shù)的波動(dòng)率呈現(xiàn)相反特征的非對(duì)稱性，可能與行業(yè)的經(jīng)濟(jì)非周期性有關(guān)。其次，材料、電信和能源等指數(shù)的系統(tǒng)性跳躍行為對(duì)下一期波動(dòng)率的影響普遍大于非系統(tǒng)跳躍行為，表現(xiàn)出與大盤較強(qiáng)的關(guān)聯(lián)性，這與Gilder等[24]關(guān)于共同跳躍的結(jié)論一致。但金融指數(shù)的結(jié)果卻與此相異，其非系統(tǒng)性跳躍反而表現(xiàn)出顯著影響，造成這種差異的原因在于金融股自身的特殊性。最后，代表非周期性行業(yè)的消費(fèi)指數(shù)和醫(yī)藥指數(shù)則表現(xiàn)不明顯，與大盤走勢(shì)也沒有必然聯(lián)系。

綜上所述，股市跳躍行為對(duì)未來波動(dòng)率普遍存在非對(duì)稱的回饋效應(yīng)，且系統(tǒng)性跳躍對(duì)下一期波動(dòng)率具有顯著影響，說明跳躍尤其是負(fù)向跳躍中確實(shí)包含可以預(yù)測(cè)波動(dòng)率的額外信息，據(jù)此對(duì)預(yù)測(cè)模型進(jìn)行的改進(jìn)也是有效的。

在中國(guó)股市經(jīng)常起伏不定的背景下，提取高頻金融收益數(shù)據(jù)中的信息來識(shí)別波動(dòng)中的各種跳躍成分，可以幫助投資者更準(zhǔn)確地分析日內(nèi)波動(dòng)的典型特征并改進(jìn)波動(dòng)的預(yù)測(cè)，從而構(gòu)造最優(yōu)的投資組合，達(dá)到規(guī)避風(fēng)險(xiǎn)與提高收益的目的。同時(shí)，對(duì)波動(dòng)規(guī)律的研究也是市場(chǎng)管理部門制定政策以促進(jìn)證券市場(chǎng)健康發(fā)展和資本合理配置的有力依據(jù)。參考文獻(xiàn)：

[1]ANDERSEN T G，BOLLERSLEV T M，DIEBOLD F X，et al.The distribution of realized stock return volatility[J].Joural of Financial Economics，2001，61（1）：43-76.

[2]ANDERSEN T G，BOLLERSLEV T M，DIEBOLD F X，et al.Modelling and forecasting realized volatility[J].Econometrica，2003，71（2）：579-625.

[3]BARNDORFF-NIELSEN O，SHEPHARD N.Power and bipower variation with stochastic volatility and jumps[J].Journal of Financial Econometrics，2004，2（1）：1-37.

[4]BARNDORFF-NIELSEN O，SHEPHARD N.Economics of testing for jumps in financial economics using bipower variation[J].Journal of Financial Econometrics，2006，4（1）：1-30.

[5]CORSI F.A simple long memory model of realized volatility[R].Working paper，University of Lugano，2004：1-28.

[6]ANDERSEN T G，BOLLERSLEV T M，DIEBOLD F X.Roughing it up： Including jump components in the measurement，modelling and forecasting of return volatility[J].The Review of Economics and Statistics，2007，89（4）：701-720.

[7]GHYSELS E，SANTA-CLARA P，VALKANOV R.Predicting volatility：Getting the most out of return data sampled at different frequencies[J].Journal of Econometrics，2006，131（1/2）：59-95.

[8]BRANDT M W，JONES C S.Volatility forecasting with rangebased EGARCH models[J].Journal of Business and Economic Statistics，2006，24（4）：470-486.

[9]ENGLE R F，GALLO G M.A multiple indicators model for volatility using intradaily data[J].Journal of Econometrics，2006，131（1/2）：3-27.

[10]張偉，李平，曾勇.中國(guó)股票市場(chǎng)個(gè)股已實(shí)現(xiàn)波動(dòng)率估計(jì)[J].管理學(xué)報(bào)，2008，5（2）：269-273.

[11]徐正國(guó)，張世英.調(diào)整“已實(shí)現(xiàn)”波動(dòng)率與GARCH及SV模型對(duì)波動(dòng)的預(yù)測(cè)能力的比較研究[J].系統(tǒng)工程，2004，22（8）：60-63.

[12]唐勇，劉峰濤.金融市場(chǎng)波動(dòng)測(cè)量方法新進(jìn)展[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2005，4（1）：48-53.

[13]陳國(guó)進(jìn)，王占海.我國(guó)股票市場(chǎng)連續(xù)性波動(dòng)與跳躍性波動(dòng)實(shí)證研究[J].系統(tǒng)工程理論與實(shí)踐，2010，30（9）：1554-1562.

[14]ERAKER B，JOHANNES M，PLOSON N.The impact of jumps in volatility and returns[J].Journal of Finance，2003，58（3）：1269-1300.

[15]陳浪南，孫堅(jiān)強(qiáng).股票市場(chǎng)資產(chǎn)收益的跳躍行為研究[J].經(jīng)濟(jì)研究，2010（4）：54-66.

[16]左浩苗，劉振濤.跳躍風(fēng)險(xiǎn)度量及其在風(fēng)險(xiǎn)—收益關(guān)系檢驗(yàn)中的應(yīng)用[J].金融研究，2011 （10）： 170-184.

[17]陳浪南，黃杰鯤.中國(guó)股票市場(chǎng)波動(dòng)非對(duì)稱性的實(shí)證研究[J].金融研究，2002（5）：67-73.

[18]陸蓉，徐龍炳.“牛市”和“熊市”對(duì)信息的不平衡性反應(yīng)研究[J].經(jīng)濟(jì)研究，2004（3）：65-72.

[19]吳毅芳，彭丹.我國(guó)股票市場(chǎng)價(jià)格波動(dòng)的非對(duì)稱性及其國(guó)際比較[J].中南大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2007，13（5）：568-572.

[20]曹國(guó)華，何燕.中國(guó)房地產(chǎn)上市公司股票收益率波動(dòng)實(shí)證研究[J].重慶大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2011，17（6）：39-46.

[21]VISSER M P.Forecasting S&P 500 daily volatility using a proxy for downward price pressure[R].Working paper，University of Amsterdam，2008：1-31.

[22]BARNDORFFNIELSEN O E，KINNERBROCK S，SHEPHARD N.Measuring downside riskrealised semivariance[C]//BOLLERSLEV T，RUSSELL J，WATSON M.Volatility and time series econometrics：Essays in honor of Robert F.Engle.New York：Oxford University Press，2009：1-21.

[23]PATTON A J，SHEPPARD K.Good volatility，bad volatility：Signed jumps and the persistence of volatility[J].The Review of Economics and Statistics，2015，97（3）：683-697.

[24]GILDER D，SHACKLETON M B，TAYLOR S J.Cojumps in stocks prices：Empirical evidence[J].Journal of Banking & Finance，2014，40：443-459.

[25]RABEMANANJARA R，ZAKOIAN J M.Threshold arch models and asymmetries in volatility[J].Journal of Applied Economics，1993，8（1）： 31-49.