2023年金融危机下中美股市指数收益率分布及其联动性的实证分析.doc

包萍——金融危机下中美股市指数收益率分布及其联动性的实证分析 金融危机下中美股市指数收益率分布 及其联动性的实证分析 04163036 林超阳 04金融B班 摘　要：　本文通过对美国次贷危机以来上证综合指数、深圳成分指数、香港恒生指数、道琼斯工业平均指数日收益率分布特征和联动性的实证分析，发现中美两国证券市场根本不存在联动关系，它们都主要受自身的影响，受对方市场的影响很小。在此根底上，解释了存在这种现象的可能原因，并提出一些政策建议。 关键词：　中美股市　收益率分布特征　联动性检验 引 言 上证综指从2005年6月6日的最低点998一路上扬到2007年10月16日历史最高点6124,之后一路暴跌,截至2008年4月30日,收于3693.11点。根据亚洲银行相关分析报道：2008年1月21日，全球股市在美国次贷危机的背景下经历了“黑色星期一〞，23日又在美联储的降息救市措施中止跌回涨。这期间沪、深股市紧随全球股市，在21、22日两天内暴跌13%，23日随全球市场一道局部收复失地。这幕发生在我严格资本管制条件下的中国与全球股市联动，以及去年2月27日中国股市下跌时发生全球股市循环暴跌，使人们更加关注二者的关联程度，进而担忧日渐恶化的美国次贷危时机在多大程度上殃及中国股市。 本文选取了上证综指、深圳成指、恒生指数和道琼斯工业平均指数四个有代表性的指数〔以下简称上指、深指、恒指、道指〕进行实证研究，以期通过对四个指数收益率的分布特征分析及其联动性检验能够得出一些结论，从而解释一些现象，验证是否与理论相符合，尤其是美国次贷危机对美国股市和中国股市的影响。 一、样本选择 1.数据来源：本文中所采四个指数每日收盘价数据均来自于雅虎网 yahoo (财经局部)。 2.样本选取：本文选取上证综合指数、深圳成分指数和香港恒生指数、道琼斯工业平均指数来代表两国股市的总体走向，这是因为这四个指数最受投资者和媒体欢送,而且其走势对市场各方参与者都有巨大影响。 3.时段选择：本文选取从2005年6月6日至2008年4月30日的四个指数收盘价，其中又将这些数据分为两个阶段：第一阶段：2005年6月6日---2007年10月16日；第二阶段：2007年10月17日---2008年4月30日。根据节假日休市时间不同, 为保持四地的交易日一一对应, 剔除了一些日数据，最后得每地636个交易日的收盘价。其中，第一阶段为515个数据，第二阶段为121个数据。 4.分析工具：文中的实证分析均用EVIEWS 5.1版。 二、实证分析 （一） 收益率分布特征 1. 一些根本统计指标 本文选取如下几个根本统计指标来描述收益率分布特征： (1) 对数收益率 设为某资产第t 个交易日的收盘价,那么日对数收益率表示为： (2) 平均收益率 平均收益率是某种股票(或股指) t 时刻前n 个时段收益率的平均值,公式: (3) 标准差 标准差是反映收益率离散程度的指标,在金融分析中通常用来衡量金融风险的大小，其计算公式为： (4) 偏度 偏度是反映收益率分布密度对称性的指标。在概率统计中,经常遇到连续的单峰的不对称的密度函数,它在众数(密度函数在这一点到达最大值) 的一边形成长尾,另一边形成短尾。如果长尾在正的一边,那么 > 0 ，即该分布具有正的偏斜度(右偏) 。反之，长尾在负的一边,那么 < 0 即该分布具有负的偏斜度 (左偏)偏度值不仅反映偏斜的方向，而且能表示偏斜的程度，偏度的计算公式 (5) 峰度 峰度用来测定收益率分布的形状另一个重要指标，它反映密度函数曲线在众数附近的“峰〞的尖峭程度，通常以正态分布的峰度(其值为3) 为标准。如果一个分布的峰度大于3，那么该分布具有过度的峰度，表示分布具有“尖峰、厚尾〞的特征；假设一个分布的峰度小于3，该分布具有缺乏的峰度，表示分布具有“低峰、薄尾〞的特征。如果峰度值较大,是由大幅度偏离均值的异常值造成的，峰度的计算公式为： 2. 四个指数总体收益率分布特征分析 表1: 四个指数的一些根本指标统计特征 道指 上指 恒指 深指 Mean 0.031 0.186 0.097 0.239 Maximum 3.629 8.887 10.184 10.753 Minimum -3.349 -12.764 -14.695 -12.532 Std. Dev. 0.895 2.116 1.623 2.332 Skewness -0.245 -0.977 -1.054 -0.684 Kurtosis 4.903 8.281 17.533 7.621 Observations 636 636 636 636 从表1可做如下分析： (1) 从最大值和最小值的比拟可以看出，道指收益比拟稳定，而我国股市那么具有收益不稳定、暴涨暴跌特征。 (2) 从方差的比拟可以看到我国股市指数的方差要远大于道指的方差，这也说明我国股票市场的风险要比美国股票市场的风险大很多。 (3) 四个指数的峰度值都大于3，具有尖峰厚尾现象。偏度都不等于0，这说明四个指数收益率的分布都不是对称的。 (4) 四个指数偏度都小于0，说明它们都是左偏的，表现在股市上说明市场上出现负收益的时机比正收益的时机大。 (5) 从上面的比照中我们不难发现中国证券市场具有收益不稳定、风险高等新兴市场特点，而美国证券市场具有收益稳定、股市波动小等成熟市场的特点。 3. 两阶段四个指数收益率分布特征比照分析 表2： 四个指数第一阶段根本指标统计特征 道指 上指 恒指 深指 Mean 0.055 0.327 0.143 0.365 Maximum 2.476 7.902 5.759 10.753 Minimum -3.349 -11.304 -4.079 -12.105 Std. Dev. 0.760 1.830 1.106 2.070 Skewness -0.545 -1.088 -0.033 -0.650 Kurtosis 5.162 8.856 5.419 8.322 Observations 515 515 515 515 表3： 四个指数第二阶段根本指标统计特征 道指 上指 恒指 深指 Mean -0.068 -0.414 -0.097 -0.298 Maximum 3.628 8.887 10.184 9.162 Minimum -2.678 -12.764 -14.695 -12.532 Std. Dev. 1.326 2.983 2.942 3.174 Skewness 0.191 -0.387 -0.762 -0.369 Kurtosis 3.0857 5.384 7.958 5.030 Observations 121 121 121 121 从表2、表3第一阶段和第二阶段数据的比照可以看出： (1) 道指偏度在第二阶段表现为右偏，即在股市上获得正收益的时机比获得负收益的时机大，这就说明次贷危机和中国股市的暴跌并没有给美国股市带来多大的负面影响。 (2) 中国股市平均收益率在第二阶段全表现为负数，我国证券市场仍具有收益不稳定、风险高的特点。 (二) 联动性检验 1．相关系数 相关系数〔Covariance〕指标是最早用于检验证券市场联动性的指标，它通过测度不同证券市场收益率协相关系数的变化来检验联动性，通常被视作对证券市场联动的粗略检验方法。如果相关系数为正，那么说明二者间做同向的波动，如果相关系数为负那么说明二者做逆向波动。如果相关系数很小就说明我国股市的波动性根本不受其他股市波动性的影响。 〔1〕四个指数总体相关系数分析 表４： 四个指数总体相关系数 道指 上指 恒指 深指 1 0.0154 0.0775 0.0189 0.0154 1 0.4007 0.9172 0.0775 0.4007 1 0.3877 0.0189 0.9172 0.3877 1 从四个指数的总体相关系数看，道指与我国股市之间表现为正相关，但相关系数很小，因此可以认为两个市场之间根本没有影响。而我国沪深港三地股市指数收益率那么呈现明显的正相关，尤其上海和深圳两地股市相关系数到达了0.91，根本表现为齐涨共跌。 〔2〕四个指数两阶段相关系数比拟分析 表５： 四个指数第一阶段相关系数 道指 上指 恒指 深指 1 0.0927 0.1442 0.1015 0.0927 1 0.2677 0.9050 0.1442 0.2677 1 0.2679 0.1015 0.9050 0.2679 1 表６： 四个指数第二阶段相关系数 道指 上指 恒指 深指 1 -0.1189 0.0133 -0.1285 -0.1189 1 0.5484 0.9365 0.0133 0.5484 1 0.5362 -0.1285 0.9365 0.5362 1 从两个阶段的相关系数数据比照可以看出,第一阶段四个指数间表现为正相关,第二阶段上指和深指那么与道指表现为负相关,这也说明次贷危机和中国股市暴跌没有给美国股市带来负面影响,这和前面所得的分布特征相符。两个阶段的数据都说明，道指与恒指的相关性要比与上指和深指的相关性大，我国沪深港股市关联密切，尤其是上海和深圳两个市场。 2．Granger因果关系检验 通过上面相关系数分析,得出了中美证券市场根本不具有相关性,我国沪深港三个证券市场那么存在较高的相关性。下面使用Granger因果关系检验，考察四个指数间联动的导向性，即市场间的传递方向。根据Granger因果关系检验的原那么和样本数，取滞后期为4。 表7： 四个指数收益率Granger因果关系检验 Pairwise Granger Causality Tests Date: 09/04/09 Time: 16:15 Sample: 1 636 Lags: 4 Null Hypothesis: Obs F-Statistic Probability SZ does not Granger Cause DQS 632 2.21973 0.06548 DQS does not Granger Cause SZ 5.58337 0.00020 HK does not Granger Cause DQS 632 1.03557 0.38802 DQS does not Granger Cause HK 49.3445 0.00000 SC does not Granger Cause DQS 632 1.27830 0.27714 DQS does not Granger Cause SC 4.20456 0.00229 HK does not Granger Cause SZ 632 1.93924 0.10233 SZ does not Granger Cause HK 4.17515 0.00241 SC does not Granger Cause SZ 632 0.24785 0.91098 SZ does not Granger Cause SC 1.51458 0.19628 SC does not Granger Cause HK 632 3.919