中国股市股指收益序列的结构性变点与重大事件反应基于ICSS

1中国股市股指收益序列的结构性变点与重大事件反应——基于ICSS：MV算法的实证研究赵昌文杜江杨记军**赵昌文，美国密西根大学商学院富布赖特（Fulbright）高级研究学者，四川大学工商管理学院教授，博士生导师；杜江，四川大学经济学院副教授，日本广岛大学计量经济学博士学位侯选人；杨记军，四川大学工商管理学院金融投资方向博士研究生。通信地址：四川省成都市望江路29号，四川大学工商管理学院，610064，电话：[phone]。E-mail:[e-mail],[e-mail].我们特别感谢美国阿拉巴马州大学TheodoreBos教授的热情帮助，以及芝加哥大学GeorgeC.Tiao教授与CarlaInclan博士的有益建议。当然，所有文责自负。2中国股市股指收益序列的结构性变点与重大事件反应——基于ICSS：MV算法的实证研究内容提要：本文采用Bos和Hoontrakul（2002）提出的ICSS:MV算法，对中国沪、深股市的A股指数从1992年10月到2002年12月的收益序列进行了方差和均值结构性变点的检测。检测结果表明，上证A股有39个变点，深证A股有36个变点，且这些变点基本上都是方差变点。进一步地，本文把这些结构性变点与可能影响中国股市股指序列结构性变动的国内外重大的经济和政治事件进行比较分析，发现国内有关股市的重大经济事件对股市结构性变动的影响最大，其次是国际经济事件，最后是国内外的重大政治性事件与其他事件。另外，在中国股市早期，股指的结构性变动很难找到公开性的重大事件与之对应。但在后期，股市的结构性变动与重大的事件高度吻合，股市的结构性波动基本上可以用公开性重大事件的发生来解释。关键词：中国股市结构性变点重大事件ICSS:MV算法JEL分类：G100，G140StructuralBreakpointsofSeriesofShareIndicesReturnsinChinaStockMarketsandSignificantEvents:AnApplicationoftheIteratedCumulativeSumsofSquaresforBreakpointsofMeanandVarianceChang-wenZhao,JiangDu,Ji-junYang(BusinessSchoolofSichuanUniversity,Chengdu,610064)Abstract：Inthisarticle,weusethealgorithmofIteratedCumulativeSumsofSquaresforchangesofMeanandVariance(ICSS:MV)toestimatestructuralbreakpointsofseriesofshareindicesreturnsinChina’sShanghaiandShenzhenstockmarkets.Wefindthere’re39changesforShanghaiCompositeA-StockIndex,and36forShenzhenCompositeA-StockIndex,whilethebreakpointsalmostarebreakpointsofvariance.Moreover,wefindmostofbreakpointsareconsistentwiththeevents,andthedomesticallyeconomiceventshavethegreatestimpacts,theninternationaleconomicevents,andthendomesticallyandinternationalpoliticalevents.AlsointhelaterperiodofChina’sStockMarkets,thestructuralbreakpointsaremoreconsistentwiththepublicsignificantevents.KeyWords：ChinaStockMarkets；StructuralBreakpoint；Events；ICSS:MVJELClassification:G100,G1403一、引言股票指数收益率，作为描述股票市场整体特征的一个基本变量，其时间序列隐含了各个时期股票市场的各种信息，特别是股票价格的波动性。研究金融资产收益的波动性，一直是金融风险管理中的主要问题之一。从目前国内、外对股市股指收益序列的研究现状来看，已有的文献除了很多对收益率时间序列的波动性质（如运用GARCH模型等）进行了各种检验外，在许多方面的研究还很不深入。近30多年以来，有关金融时间序列结构性变点的实证研究，在国际金融学界方兴未艾。但是，在对中国股市结构性变点的实证研究方面，除陈浪南和黄杰鲲（2002），以及徐剑刚、单耀文（2004）外，尚未发现有其他更为系统的研究,而仅有的这些研究也存在着一些不足。鉴于此，本文试图对此问题进行较为系统的研究。Mandelbrot(1963)认为，“…大的波动往往跟随着大的变动，而小的波动也往往跟随着小的变动…”，即金融资产收益率序列具有波动聚集的性质。或者说，在序列方差变化的过程中，幅度较大的变化相对地集中在某些时段里，而幅度较小的变化也会集中在另一些时段。实际上，许多时间序列，特别是金融时间序列，其方差并不服从现有多数时间序列模型所提出的同方差的假设，而具有时变特征。因此，本文假设，金融时间序列表现为这样一种行为：从某个时刻开始，其方差一直保持不变；接着，在某一时刻，其方差突然发生变化，达到另一数值；然后，其方差又在这一水平上保持稳定，直到又在某一新的时刻，再次发生突变；接着，又保持不变……。这里，这些方差发生突变的时刻便称为序列的方差结构性变点①。从文献上看，对时间序列结构性变点有贡献的研究开始于Chow(1960)。但是，当无法确定时间序列存在结构性变点时，依赖于主观判断的Chow检验便值得怀疑。对此，Quandt（1960）建议使用Quandt-Chow统计量，即所有可能的变点中的Chow统计量的最大值（或者称为SupF），来解决这一问题。后来，Andrews（1993）、Andrews和Polberger（1994）给出了Quandt-Chow统计量渐进分布的临界值。实际上，Quandt-Chow统计量并不渐进于一般的F分布，从而使其难以应用于实际。另外，Andrewsetal.（1996）、Bai和Perron（1998）等相继提出了检验时间序列可能存在多个结构性变点的方法。然而，这些方法多数只能检验线性方程中估计参数的结构性变动，而并不适合于检验方差的结构性变动。最早对时间序列结构性方差变点的研究则开始于Hsu,Miller和Wichern（1974）。鉴于之前的研究针对股指收益序列表现出“厚尾”特征而常用帕累托分布（ParetoDistribution）来拟合股指收益序列分布这种情况，他们提出了可用在某些不规则时点上方差呈变化的正态分布模型来替代帕累托分布模型。随后，Booth和Smith（1982）采用贝叶斯比率（BayesRatio）来判断时间序列是否在某一未知时刻存在某一单个方差变点。Hsu（1982）也在其以前研究的基础上进一步对时间序列在某一未知时刻存在的某一方差变点的测量进行了研究。由于测量多个变点的计算量太大，他把重点集中在对单个变点的测量上。Worsley（1986）则运用最大似然法检验了以各种独立指数型变量所构成的序列中存在的一个均值变点的情况，他不仅给出了该均值变点的位置，而且还提供了相应的置信区间。针对自相关序列，Wichern，Miller和Hsu（1976）研究了一阶自回归模型中在某一未知时刻存在某一单个方差变点的情况。Abraham和Wei（1984）则在贝叶斯框架下解决了同样的问题。Baufays和Rasson（1985）运用最大似然方法对自相关序列中存在的一个或多个方差变点的情况进行了测量。他们的算法通过降低计算量从而改进了Wichern，Miller和Hsu（1976）的测量技术。Tsay（1988）则讨论了自回归移动平均模型中存在某一方差变点的情况。①在金融时间序列中，均值通常情况下为常数。但是，在某些情况下，均值也有可能发生变化。如果均值也发生了变化，那么，我们称均值发生变化的时刻为均值结构性变点。关于均值发生变化的情况，见后文。4另一方面，研究者们又提出可用累积平方和（CUmulativeSUMsofSQuares，CUSUM-SQ）算法来对时间序列中存在的多个结构性方差变点进行测量。Brown，Dubin和Evans（1975）首次提出了这一算法。Inclan和Tiao（1994）极大地改进了Brownetal.（1975）的累积平方和算法，他们改进后的算法称为迭代累积平方和算法（IterativeCumulativeSumsofSquares，ICSS）。ICSS算法一经提出后，便被越来越多的研究者运用在金融时间序列，特别是股指收益序列的方差变点的测量中，例如，Aggrawal，Inclan和Leal（1999）、Morris（2001），以及Huang和Yang(2001)等。当然，也有个别研究者指出，将ICSS算法运用在金融时间序列分析，尤其是条件异方差序列时，存在一定的缺陷，即ICSS算法会引起序列峰度的规模扭曲（SizeDistortion），这种缺陷在一定程度上降低了ICSS算法的有效性（Sanso，Arago和Carrion，2002）。Bos和Hoontrakul（2002）在肯定ICSS算法的基础上认为，ICSS算法所测量出的结构性变点既可能是方差发生变化所引起的，也可能是均值发生变化所引起的，原始的ICSS算法仅仅测量出了时间序列存在的一些结构性变点，而这些变点是方差变点还是均值变点并没有从理论上予以区分。因此，他们用改进后的ICSS算法，即ICSS:MV（这里，M表示均值，V表示方差）算法，对ICSS算法测量出的变点进行进一步的类型区分②。中国股市，作为一个新兴市场，由于法制建设滞后、市场机制不完善以及投资者心理不成熟等原因，导致其易受外界各种因素的影响而呈现出较大的波动。但如前所述，从现有的实证研究看，针对中国股市市场波动的研究，除运用诸如GARCH模型等进行拟合检验以及其他相关方面的研究外，至今仍缺乏对股市结构性变动较为系统的实证研究。实际上，已有关于中国股市结构性变动方面的研究，大都站在较为宏观的角度来考察。例如，钟蓉萨、顾岚（1999）根据交收制度以及有无涨停板限价等制度性因素，来对中国股市进行了阶段性划分；Chen，Kwok和Rui（2001）认为中国从1994年开始实行了较紧的货币政策以及《公司法》的颁布等这些因素对投资者的行为产生了深刻的影响，因而将1994年作为划分中国股市的一个重要分界线。陈浪南、黄杰鲲（2002）则认为，从市场股指收益序列本身入手，找出序列中结构性变点的位置，并将其作为中国股市阶段性的划分标准较为客观，可以克服传统事件定性分析方法的主观局限性。在陈、黄（2002）的文献中，他们对深证成份股指数从1993年初到2001年底的日收益率数据采用了Inclan和Tiao（1994）的ICSS算法，并依据检测出的3个结构性变点把该时期的中国股市分为4个阶段。徐剑刚、单耀文（2004）也采用Bai和Perron（1998）以及Lavielle和Moulines（2000）的提出的方法，通过寻找中国股市内生性结构变动点，并依据寻找出的结构性变点，来对中国股市进行宏观意义上的阶段性划分。通过对上证综合指数从1992年6月至2003年9月之间的每周三日数据的变点分析，徐、单（2004）检测出1个结构性变点，认为1996年12月实行的涨停板制度是中国股市发生重要变动的结构性变点。本文采用Bos和Hoontrakul（2002）提出的ICSS:MV算法，对中国沪、深股市的A股指数从1