導(dǎo)語：中國股票交易場所的主要事件一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

基于信息沖擊分布特征的實(shí)證研究

內(nèi)容摘要：本文研究了中國股票市場的信息沖擊和產(chǎn)生這些信息沖擊的重要事件。在嚴(yán)格檢驗(yàn)分布的共軛性的基礎(chǔ)上，利用廣義誤差分布來識別信息沖擊最為劇烈的時期，并分析這些時期的重要事件。分布檢驗(yàn)運(yùn)用了CHENG(2002)提出的基于GARCH模型殘差的特征函數(shù)的檢驗(yàn)方法。主要結(jié)論歸納為：我國股市的信息沖擊具有高峰厚尾特征，但其變化服從正態(tài)分布，其中最重要的信息沖擊來源于宏觀經(jīng)濟(jì)；政府救市往往發(fā)生在信息沖擊最劇烈的時期，且起到了穩(wěn)定股市的積極作用；基于股市波動最小化的原則，政策延續(xù)性比政策本身更加重要。

關(guān)鍵詞：信息沖擊；GARCH模型；廣義誤差分布；“5.19”事件

一、前言

我國股票市場成立以來發(fā)生了一些重要事件。1997年以來，國內(nèi)股市已經(jīng)發(fā)生的重要事件包括“5.19”事件、國有股減持、國有股減持停止、B股對境內(nèi)投資者開放、開設(shè)中小企業(yè)板塊等等。這些事件引起了股票市場的大幅波動，其中一些事件改變了股市趨勢，時至今日仍然是證券市場的熱門話題。研究它們對深入了解中國股市的運(yùn)行規(guī)律具有重要的理論、現(xiàn)實(shí)和政策意義，然而，目前仍然存在如下一些模糊認(rèn)識：對中國股市影響最大的事件具有什么樣的特征？這些事件的條件和概率是什么?如何客觀評價“5.19”事件對國內(nèi)股市的影響？等等。本文試圖通過分析股市信息沖擊的分布特征來澄清這些問題。

目前研究中國股市重要事件的文獻(xiàn)就方法而言，主要可以分為兩類，一類是事件窗方法，另一種方法是GARCH類模型或者SV模型（隨機(jī)波動模型）。事件窗方法從已知事件出發(fā)，判斷股市收益率的分布形態(tài)在事件前后是否發(fā)生了變化，如果發(fā)生了變化，則認(rèn)為事件產(chǎn)生了重要影響，否則認(rèn)為事件是不重要的，在實(shí)證方面，范龍振等(2001)研究了轉(zhuǎn)配股上市事件的影響，樓迎軍（2002）研究了B股對境內(nèi)投資者開放事件的影響，劉力等（2004）研究了股票名稱變更事件的市場反應(yīng)，等等。該方法的局限性在于主要針對特定事件進(jìn)行研究，無法窮盡所有可能（隱蔽）的重要事件，更重要的是，它無法判斷事件對股市的影響方向，難以明確肯定事件起到了穩(wěn)定股市或增加股市波動性的作用。GARCH類模型或者SV模型是一類廣泛應(yīng)用于金融現(xiàn)象研究的模型,但這一方法的研究重點(diǎn)是股票價格的形成過程，對信息沖擊和重要事件并沒有作太多的深入探討，目前這方面的論文很多，見張思奇等（2001）、胡海鵬等（2002）、陳健(2003)等等，其中一些研究存在瑕疵，徐龍炳（1999，2001），莫揚(yáng)（2004）做了評論。本文運(yùn)用GARCH類模型對上證指數(shù)進(jìn)行實(shí)證研究，但研究重心從股票價格的形成過程轉(zhuǎn)移到信息沖擊和重要事件方面，通過詳細(xì)檢驗(yàn)和分析標(biāo)準(zhǔn)差序列的分布特征來識別最為強(qiáng)烈的信息沖擊，并分析產(chǎn)生這些信息沖擊的重要事件。這一方法正好是事件窗方法的逆方法，但避免了它的局限性，在方法論上具有一定的借鑒意義。對分布的檢驗(yàn)運(yùn)用了CHENG(2002)提出的一種基于殘差分布的特征函數(shù)的檢驗(yàn)方法，發(fā)現(xiàn)GED和t分布是合理的。主要結(jié)論為：我國股市的信息沖擊具有高峰厚尾特征，但其變化服從正態(tài)分布，其中最重要的信息沖擊來源于宏觀經(jīng)濟(jì)；政府救市往往發(fā)生在信息沖擊最劇烈的時期，且起到了穩(wěn)定股市的積極作用；基于股市波動最小化的原則，政策延續(xù)性比政策本身更加重要。

二、條件概率分布的共軛性檢驗(yàn)

Engle(1982)和Bollerslev(1986)先后提出了ARCH(自回歸條件異方差)和GARCH(廣義自回歸條件異方差)模型，以模擬金融時間序列分布的波動集群特征（volatilityclustering）。參數(shù)型GARCH模型的表達(dá)式為：

其中為股票收益率序列，由收益率的滯后序列和其他外生解釋變量組成，是在t期的條件均值，是在t期的條件方差，是未知參數(shù)。Nelson(1991)提出了EGARCH模型，該模型模擬了分布的有偏性，而且相對GARCH模型具有放寬參數(shù)限制和方差的動態(tài)模型更為靈活等優(yōu)點(diǎn)，在實(shí)踐中被證明具有很好的預(yù)測能力。本文選擇了EGARCH模型，設(shè)條件均值方程為：

其中為表示星期日數(shù)（weekdays）的虛擬變量，包括了周日和周末效應(yīng)。條件方差方程為：

其中參數(shù)描述了收益率的波動集群現(xiàn)象，參數(shù)模擬分布的有偏性，參數(shù)描述了星期效應(yīng)。方程（2）（3）構(gòu)成了的數(shù)據(jù)生成過程（Datagenerateprocess，簡稱DGP），是GARCH類模型估計的重點(diǎn)。由于DGP可以利用一定方法估計出來，并被市場預(yù)期，因此實(shí)際是證券市場的公開信息或者半公開信息，最終將反映在股票價格當(dāng)中。是均值為0，方差為1的標(biāo)準(zhǔn)新息過程。的概率分布刻畫了證券市場的信息沖擊的特征。分析股市的重要事件，必然要從異常信息沖擊開始，可見的概率分布而不是DGP是本文分析的重點(diǎn)，接下來考慮四種概率分布對模擬中國股市的適用性。

GARCH模型最常采用的分布假定是標(biāo)準(zhǔn)正態(tài)分布，其密度函數(shù)為：

標(biāo)準(zhǔn)正態(tài)分布的含義是，每一時刻的信息沖擊都是獨(dú)立同分布（i.i.d）的隨機(jī)變量,且不同時刻的信息沖擊相互獨(dú)立，這意味著信息沖擊在整個期間內(nèi)是均勻分布的，然而，Mandelbrot(1963)發(fā)現(xiàn)許多金融變量的分布有高峰厚尾特征（leptokurtosisandfat-tail），且其峰度往往要遠(yuǎn)大于3，因此正態(tài)分布與實(shí)際情況不符，但為了與其他分布對比，下文仍然保留了對正態(tài)分布的分析。關(guān)于的其他分布包括了廣義誤差分布（GED），logistic分布、t分布。t分布的密度函數(shù)為：

邏輯斯特分布（logisticdistribution）的密度函數(shù)為

廣義誤差分布是正態(tài)分布的擴(kuò)展，其密度函數(shù)為：

其中Γ（.）是Γ函數(shù)，λ為一常數(shù)，。v是一個正的參數(shù)，決定著尾部的厚度。當(dāng)v=2，λ=1時，上式退化為標(biāo)準(zhǔn)正態(tài)分布的密度函數(shù)，如果v<2，那么其密度就比正態(tài)分布有更厚的尾部，如果v>2，那么它就有更薄的尾部。已知股市收益率的分布有明顯的“高峰厚尾”特征，因此預(yù)期v值將小于2。

BOXandPierce(1970)提出的Q統(tǒng)計量和BrockDechertandScheinkman(1987)提出的BDS統(tǒng)計量是診斷GARCH類模型最常用的兩個指標(biāo)。Q統(tǒng)計量主要用于檢驗(yàn)時間序列的序列相關(guān)性，如果時間序列是獨(dú)立同分布（i.i.d）的，那么它的平方序列也應(yīng)該是i.i.d的，因此，Q統(tǒng)計量實(shí)際可檢驗(yàn)殘差序列的獨(dú)立性。BDS檢驗(yàn)的基本思想是，如果是i.i.d過程，那么任意兩個相異之間的距離小于特定值的概率為常數(shù)。在實(shí)踐中，BDS往往用于檢驗(yàn)Q統(tǒng)計量沒有檢測到的序列相關(guān)性。如果模型通過了這兩個檢驗(yàn)，一般認(rèn)為DGP已經(jīng)正確設(shè)定了。

然而，Q檢驗(yàn)和BDS檢驗(yàn)僅僅檢驗(yàn)了i.i.d性質(zhì)，這對判斷的分布的合理性是遠(yuǎn)遠(yuǎn)不夠的。依據(jù)Bayes學(xué)派的觀點(diǎn)，的分布應(yīng)為共軛分布，即其先驗(yàn)分布與標(biāo)準(zhǔn)差序列的實(shí)際分布（后驗(yàn)分布）應(yīng)當(dāng)為同一種概率分布。如果設(shè)定的分布是非共軛的，那么模型將存在檢驗(yàn)假設(shè)和檢驗(yàn)結(jié)果之間的邏輯矛盾，國內(nèi)采用GARCH模型的很多研究均存在這一瑕疵。為了避免這一問題，下面考慮條件分布的共軛性檢驗(yàn)。Jarque-Bera(1980)檢驗(yàn)是最常見的檢驗(yàn)概率分布的統(tǒng)計量，但這一檢驗(yàn)僅適合于高斯分布。為了檢驗(yàn)其他分布設(shè)定，文獻(xiàn)中最常采用的是Kolmogorov-Smirnov檢驗(yàn)和Pearson的檢驗(yàn)，或者檢驗(yàn)擬合優(yōu)度的其他經(jīng)典方法，但這些方法不一定適合于條件異方差模型（ARCHMODEL）的檢驗(yàn)。首先，多數(shù)經(jīng)典方法均是基于無條件的分布檢驗(yàn)，而GARCH類模型是一類條件期望和條件方差方程。其次，很多方法具有特定的內(nèi)容，由于利用了很少的信息來判斷兩個分布是否一致，因此不適合于嚴(yán)格的統(tǒng)計檢驗(yàn)。比如，Kolmogorov-Smirnov檢驗(yàn)提示人們?nèi)舾煽傮w的中心可能不全相等，但這些總體在除中心之外的其他方面可能存在差異，因此，通過KS檢驗(yàn)并不能嚴(yán)格說明它們的概率分布是一致的。最后，這些方法要求標(biāo)準(zhǔn)差序列為i.i.d，且參數(shù)較為簡單，但實(shí)際上，非高斯分布還很可能含有其他未知的參數(shù)，而且Q統(tǒng)計量和BDS統(tǒng)計量只能提供對標(biāo)準(zhǔn)差序列的i.i.d性質(zhì)的有限保證，。為了避免經(jīng)典方法可能存在的問題，下面介紹Chen(2002，2004)提出的一種基于GARCH模型殘差分布的特征函數(shù)的檢驗(yàn)辦法。

任意隨機(jī)變量的的概率分布F的特征函數(shù)均可以表示如下：

其中虛數(shù)部分決定了分布的對稱性，實(shí)數(shù)部分決定了分布的離散程度。如果F是一個對稱分布，那么有，這一條件等價于，即特征函數(shù)是一個實(shí)函數(shù)和偶函數(shù)，Lucas(1970)。設(shè)>0為權(quán)重函數(shù)，滿足條件以及下式

對分布F定義對稱性指標(biāo)和離散度指標(biāo)如下：

其中，如果F是對稱分布，很容易推出。用于甄別大小不同的在對稱性和離散度方面的差異，如設(shè)，則，，在時取得極大值，隨著的增大而下降，因此對值的選擇可以控制、的大小，以體現(xiàn)較大值和較小值在對稱性和離散性方面的差異。

設(shè)F是GARCH模型設(shè)定的先驗(yàn)分布，G（.，k）為殘差的實(shí)際概率分布(后驗(yàn)概率分布)，其中k是未知的參數(shù)，用F模擬G（.，k），如果F與G（.，k）互為共軛分布，這意味著二者具有相同的特征函數(shù)（由（8）式表示），因此根據(jù)（9）式計算的對稱性和離散性指標(biāo)不應(yīng)當(dāng)存在具有統(tǒng)計顯著性的差異。具體方法是，為了檢驗(yàn)F與G（.，k）是否互為共軛分布，可以根據(jù)F計算出的對稱性指標(biāo)和離散度指標(biāo)是否接近于根據(jù)G計算出的對稱性指標(biāo)和離散度指標(biāo)來實(shí)現(xiàn)，其中為在拔靴法（bootstrapt）的在第t次重新抽樣中獲得的偽隨機(jī)數(shù)（pseuaderandom），R表示重新抽樣（Resample）的次數(shù)。Chen(2002)證明，當(dāng)R趨于無窮大時，統(tǒng)計量漸近趨于正態(tài)分布，其中是向量矩陣的漸近協(xié)方差。相應(yīng)的，統(tǒng)計量漸近服從自由度為2的分布，其中是的一致估計量。由于比較了兩個總體的特征函數(shù)的差異，因此它利用了分布的全部信息而不是部分信息，對兩個總體是否服從同一種分布形態(tài)的檢驗(yàn)是嚴(yán)格的。而且這一方法對G與F具體為哪一種概率分布沒有要求，因此避免了對總體的分布設(shè)定錯誤的影響，具有較好的穩(wěn)健性。

三、實(shí)證研究

(一)樣本區(qū)間和數(shù)據(jù)說明

以上證綜指每日收盤指數(shù)為研究對象，數(shù)據(jù)來源于中國證券市場網(wǎng)，樣本區(qū)間為1997年1月2日到2005年4月29日，共計1982個有效樣本。按照公式建立日收益序列，其中為日收盤指數(shù)，用Augunmented-DickyFuller方法檢驗(yàn)收益率序列的單位根，結(jié)果拒絕單位根存在的假設(shè)，說明收益率序列是平穩(wěn)的。設(shè)定虛擬變量（i=1，2，3，4，5）來消除weekdays對股價的干擾，的賦值規(guī)則如下：當(dāng)交易日為星期i時，設(shè)相應(yīng)的的為1，其余的數(shù)值設(shè)為0。

(二)實(shí)證結(jié)果及檢驗(yàn)

方程（2）（3）構(gòu)成了本文的計量模型，分別考慮設(shè)服從正態(tài)分布、Logistic分布、t分布和廣義誤差分布的情況。應(yīng)用QMEL（偽極大似然法）估計正態(tài)分布假定的參數(shù)，極大似然法(Most-Likelihood)估計其他分布假定的參數(shù)，估計結(jié)果見表一，軟件為eviews。

表一、參數(shù)估計結(jié)果

參數(shù)GEDTLogisticNORMAL

GARCH0.1288（3.801）0.2117(3.33)0.3862(3.29)0.1283(2.80)

W20.1213（3.30）0.1044(2.75)0.1130(2.81)0.0900(2.08)

C-0.1298（-4.83）-0.2087(-4.24)-0.1184(-4.34)-0.1287(-3.41)

AR(3)0.0489（2.35）0.0656(3.13)0.0567(2.60)-

MA(21)-0.0532（3.09）-0.0520(-2.95)-0.0563(-3.13)-0.0607(-2.90)

δ0-0.1905（-4.30）-0.1717(-3.69)-0.3700(-3.61)-0.2533(-3.74)

δ110.2724（8.04）0.2740(8.14)0.1945(6.21)0.2925(7.09)

δ21-0.0606（-3.16）-0.0800(-3.97)-0.0449(-2.60)-0.0386(-1.02)

δ310.9467（77.54）0.9432(75.21)0.9315(60.1)0.9466(69.48)

δ410.2078*（1.70）-0.3005(2.64)0.3256(2.01)

δ42-0.3398（-2.93）-0.3926(-3.17)-0.3297(-2.37)-

參數(shù)1.1980（28.39）4.7607

AIC2.49422.48532.57212.5844

上表顯示，不同分布估計出的參數(shù)較為接近，說明股指收益率的DGP大致相同，EGARCH過程的參數(shù)都非常顯著，說明股市波動存在波動集束現(xiàn)象，有偏性特征。

表二、獨(dú)立性診斷結(jié)果

Q(10)Q(20)Q^2(10)Q^2(20)BDS(2)BDS(3)BDS(4)BDS(5)BDS(6)

GED7.527318.324.468.440.0003610.0004140.0018180.0020930.001053

T7.201618.0013.93087.22310.000550.0005240.0017440.0019490.00099

NORMAL7.972719.085.672311.1310.00023300.0011050.0013270.00036

LOGISTIC8.841219.2665.337913.136-0.00049-0.000390.0014860.0021680.00123

對所有殘差序列進(jìn)行獨(dú)立性的診斷檢驗(yàn)，原假設(shè)H0為：Zt～iid。表二中的Q（10）、Q（20）分別是殘差序列滯后10期和20期的Ljung-BoxQ統(tǒng)計量，Q^（20）是殘差的平方序列滯后20期的Ljung-BoxQ統(tǒng)計量，BDS（i）(i=2,…,6)為2到6個自由度的BDS統(tǒng)計量，所有Q統(tǒng)計量和Q平方統(tǒng)計量、BDS統(tǒng)計量均不顯著，因此接受原假設(shè)，即殘差項(xiàng)已經(jīng)是i.i.d過程。用Lagrange-multiplier方法檢驗(yàn)各殘差項(xiàng)的異方差性，結(jié)果顯示所有殘差項(xiàng)都不存在明顯的異方差，ARCH現(xiàn)象已被消除。

用D統(tǒng)計量檢驗(yàn)分布的共軛性，原假設(shè)H0為：先驗(yàn)分布與標(biāo)準(zhǔn)差序列的實(shí)際分布的特征函數(shù)相同。應(yīng)用拔靴法計算各殘差序列的對稱性指標(biāo)和分散性指標(biāo)，重新抽樣次數(shù)分別設(shè)為R＝500，1000，2000，權(quán)重系數(shù)β分別設(shè)為1，2，計算結(jié)果列于表三。

表三分布共軛性的診斷結(jié)果

b=1b=2

T=500T=1000T=2000T=500T=1000T=2000

Ged0.18690.14900.18230.18880.16380.1577

T0.37410.47740.44090.16270.19600.2212

Logistic28.556**28.5779**28.3700**28.2266**28.4974**28.4367**

Normal28.2553**28.3415**28.6309**28.0101**27.6788**27.8524**

如表所示，D統(tǒng)計量在1%的顯著性水平上拒絕了logistic分布和標(biāo)準(zhǔn)正態(tài)分布的原假設(shè)，但沒有拒絕GED和t分布的原假設(shè)，說明logistic分布和標(biāo)準(zhǔn)正態(tài)分布為非共軛分布，不適合于模擬上證指數(shù)，GED和t分布為共軛分布，應(yīng)該選擇GED或t分布。為了獲得這一結(jié)論的直觀印象，圖一繪出了它們模擬標(biāo)準(zhǔn)差序列的真實(shí)密度函數(shù)（用kernel表示）的情況。如圖所示，標(biāo)準(zhǔn)正態(tài)分布和logistic分布模擬的密度函數(shù)與kernel曲線存在較大差距，相對而言具有“低峰厚尾”特征，尤其logistic分布的這一特征異常明顯，說明logistic分布較標(biāo)準(zhǔn)正態(tài)分布更不適合于模擬中國股市數(shù)據(jù)；GED和t分布模擬的密度函數(shù)幾乎與kernel曲線重合，說明它們的模擬效果很好。

綜合以上診斷結(jié)果，GED和t分布通過了獨(dú)立性和共軛性檢驗(yàn)，是合理的。我國股市的v值非常顯著(見表一)，其數(shù)值(1.198)遠(yuǎn)小于2。GED的參數(shù)v描述了分布的“厚尾”程度，v的數(shù)值越小，出現(xiàn)強(qiáng)烈的信息沖擊的概率越高，在多數(shù)情況下，這是由于股市發(fā)生了無法預(yù)期的重要事件造成的，因此，我們可以通過v值的變化來研究各個時期的重要事件。

四、分析重要事件

采用移動子樣本的辦法獲得v值隨時間變化的信息。基于統(tǒng)計顯著性的考慮，選取子樣本的容量為24個月的數(shù)據(jù)，依月度移動，例如，第一個子樣本區(qū)間為1997年1月到1998年12月，第二個子樣本區(qū)間為1997年2月到1999年1月，依次類推。按照這一方法可以得到76個子樣本，每一個子樣本進(jìn)行一次回歸，共計得到76個v值。運(yùn)用如下方法來判斷股市的重要事件:如果相鄰子樣本的v值發(fā)生了顯著變化，這意味著股票市場必然發(fā)生了某一重要事件，引起了信息沖擊的異常變化，由于相鄰子樣本數(shù)據(jù)的差異僅僅在于前一子樣本的第一個月和后一子樣本的最后一個月（兩者相隔25個月），因此，重要事件必然發(fā)生在這兩個月份或者其中之一。這正好是事件窗方法的逆方法，但沒有遺漏引起信息沖擊異常變化的任何事件，而且，根據(jù)v值大小及其經(jīng)驗(yàn)分布還可以進(jìn)一步判斷事件的影響方向及出現(xiàn)概率。有必要說明的是，DGP的結(jié)構(gòu)變化不會影響這一方法的可靠性。一方面，孫金麗和張世英（2003），佟孟華等（2004）發(fā)現(xiàn)我國股市的DGP在1997年以后一直保持結(jié)構(gòu)穩(wěn)定；另一方面，本文采用移動子樣本的辦法計算v值，實(shí)際已經(jīng)消除了可能存在的DGP結(jié)構(gòu)變化導(dǎo)致的v值失真。

計量模型由方程（1）（2）組成，采取GED為先驗(yàn)分布，對所有76個子樣本進(jìn)行回歸，計算結(jié)果用圖二表示。這些v值的JB統(tǒng)計量為0.574，說明它們服從正態(tài)分布，。如果把v視為隨機(jī)變量，則它偏離均值－標(biāo)準(zhǔn)差的概率小于15.87％，偏離均值標(biāo)準(zhǔn)差的概率小于2.28％。圖二用A到F標(biāo)出了顯著偏離均值的六個點(diǎn)，其中A、E點(diǎn)的v值小于均值標(biāo)準(zhǔn)差，為典型的小概率事件，C點(diǎn)v值小于均值－標(biāo)準(zhǔn)差，D點(diǎn)v值接近均值－標(biāo)準(zhǔn)差,由于這四個點(diǎn)向下偏離均值，說明出現(xiàn)強(qiáng)烈的信息沖擊的概率上升，因此值得特別關(guān)注。

表四重要事件列表

異常點(diǎn)月份重要事件月份重要事件

A/B1997年5月無1999年5月份5?19行情

C1999年6月無2001年6月份2001年06月14日，國有股減持籌建社保資金辦法出臺

D2002年6月2002年6月23日，停止國有股減持2004年6月無

表四列出了與A、B、C、D點(diǎn)對應(yīng)的重要事件。如表所示，1999年5月份發(fā)生的“5.19事件”，應(yīng)是A/B點(diǎn)的v值異常的原因?！?.19事件”前后v值從A點(diǎn)跳到B點(diǎn)，在短短兩個月內(nèi)上升45%，變動幅度之大在樣本區(qū)間內(nèi)絕無僅有，因此這一事件是1997年以后對股市影響最大的事件。從圖二來看，A點(diǎn)以前的五個點(diǎn)的v值均很低，說明我國股市的信息沖擊最為強(qiáng)烈的時期為1999年5月以前，“5.19事件”迫使v值上升而不是下降，說明強(qiáng)烈信息沖擊的概率下降，換言之,股市的自發(fā)波動性減弱，可見“5.19事件”實(shí)際起到了穩(wěn)定股市的作用；c點(diǎn)的v值異常說明1999年6月或者2001年6月份可能存在重要事件，由于c點(diǎn)以前的v值呈下降趨勢，以后的v值呈上升趨勢，因此2001年6月份的“國有股減持事件”是造成異常波動的原因；D點(diǎn)說明2002年6月或者2004年6月出現(xiàn)了異常，由于2004年6月沒有特殊事件，因此2002年6月的“停止國有股減持”事件是造成v值異常的原因，由于E點(diǎn)的v值小于均值標(biāo)準(zhǔn)差，從偏離均值的程度看，“停止國有股減持”事件還是影響僅次于“5.19事件”的事件。

五、結(jié)論

綜上所述，得到以下幾個結(jié)論：

首先，我國股市最強(qiáng)烈的信息沖擊來自于宏觀經(jīng)濟(jì)，為“股市是宏觀經(jīng)濟(jì)的晴雨表”提供了一種詮釋。股市存在異常強(qiáng)烈的信息沖擊在世界各國都是一個普遍現(xiàn)象，但中國的情況特別嚴(yán)重,來自于宏觀經(jīng)濟(jì)的事件是造成這種情況的主要原因?！?.19事件”和“國有股減持”事件都是源自于宏觀經(jīng)濟(jì)的事件,前者產(chǎn)生的信息沖擊的概率小于2.28％，是典型的小概率事件，后者產(chǎn)生的信息沖擊的概率小于15.87%，均超出了國內(nèi)股市的運(yùn)行常態(tài)，甚難被市場預(yù)期?！?.19事件”的初衷是為了激活當(dāng)時處于極度低迷狀態(tài)的國內(nèi)股票市場，為國內(nèi)經(jīng)濟(jì)增長和國企改革服務(wù)，“5.19事件”以后股市出現(xiàn)了一段繁榮時期，股市的融資額和入市資金都大幅增長，這對當(dāng)時的國內(nèi)經(jīng)濟(jì)增長和經(jīng)濟(jì)改革起到了積極作用?！皣泄蓽p持”的直接目的是為社?；I集資金，間接目的是實(shí)現(xiàn)國有企業(yè)在合適條件下從競爭性行業(yè)的戰(zhàn)略退出，因此也是源于宏觀經(jīng)濟(jì)的事件。除了這些事件以外，來自宏觀經(jīng)濟(jì)的其他沖擊也是股市波動的重要源泉，如2004年我國能源供應(yīng)相對緊張，促使煤炭、電力類上市公司的股價出現(xiàn)大幅上漲等等，只不過這些事件對股市的影響不如“5.19事件”和“國有股減持”事件而已。除此之外，為完善證券市場而在市場內(nèi)部進(jìn)行的一些改革措施，如降低交易稅費(fèi)，B股市場開放，QFII，QDII，放寬股票質(zhì)押貸款政策等等，盡管也是重要的信息沖擊來源,但它們的影響很難同來自宏觀經(jīng)濟(jì)的沖擊相比，引起股市異常大幅的波動，甚至導(dǎo)致趨勢反轉(zhuǎn)。從政策面分析，我國是一個處于計劃經(jīng)濟(jì)向市場經(jīng)濟(jì)轉(zhuǎn)型時期的發(fā)展中大國，不確定的宏觀經(jīng)濟(jì)是股市潛在的信息沖擊的來源，因此穩(wěn)定股市不是僅僅通過完善證券市場建設(shè)可以完成的,而是一項(xiàng)長期而艱巨的工作。

其次，政府救市起到了穩(wěn)定股市的積極作用?！?.19事件”和“國有股減持停止事件”是我國股市曾經(jīng)發(fā)生過的政府救市事件。一些意見認(rèn)為這些事件增大了國內(nèi)股市的波動性，因?yàn)椤?.19事件”和“國有股減持停止事件”之后股價均出現(xiàn)了大幅振蕩,增加了股票投資的風(fēng)險,這一觀點(diǎn)值得商榷。一般而言,概率分布是較方差更科學(xué)的判斷波動程度的方法,如果信息沖擊的概率分布變得“峰更高，尾更厚”，那么就認(rèn)為股價的自發(fā)波動變得更劇烈了。只有在少數(shù)情況下，比如假定信息沖擊服從正態(tài)分布時，均值和方差才是概率分布的合適，但我們知道股價運(yùn)動不服從正態(tài)分布，而是有高峰厚尾特征,因此方差實(shí)際上不適合度量股價的波動程度?！?.19事件”和“國有股減持停止事件”確實(shí)產(chǎn)生了異常強(qiáng)烈的信息沖擊，但這并不意味著增加了股市風(fēng)險,相反，v值在兩個事件之后均大幅上升，說明信息沖擊的分布形態(tài)獲得了改善，強(qiáng)烈的信息沖擊的概率下降,股市因此變得更加穩(wěn)定。就“5.19事件”而言,我國股市的信息沖擊最為強(qiáng)烈的時期為1999年5月以前，“5.19事件”在整體上降低了股市的波動性,恢復(fù)了市場生機(jī),影響持續(xù)至今。直觀來看，“5.19事件”之后，股票市場的參與者不論在層次還是在數(shù)量上都出現(xiàn)了質(zhì)的發(fā)展，股市籌資額和投資額也創(chuàng)出了歷史新高，如果市場參與者是理性的，那么除了股市自發(fā)波動減弱,投資風(fēng)險降低以外，很難用其他原因來解釋這一現(xiàn)象。此外，我們還可以初步判斷出政府救市的條件，“5.19事件”和“國有股減持停止事件”對應(yīng)于圖二中的A點(diǎn)和E點(diǎn)，均是信息沖擊異常強(qiáng)烈且為小概率事件的時期。日前上證指數(shù)在千點(diǎn)附近徘徊，關(guān)于政府救市的呼聲日漸高漲起來，但目前的v值高于歷史均值（F點(diǎn)附近），不完全具備出現(xiàn)政府救市事件的條件。

再次，政策的延續(xù)性比政策本身更重要?！皣泄蓽p持”事件提供了一個有說服力的例子?！皣泄蓽p持”事件啟動了股權(quán)分置改革程序，在這一事件之后，股市從升勢轉(zhuǎn)向跌勢，而“國有股減持停止”只不過是“國有股減持”事件的延續(xù)，因此一般認(rèn)為“國有股減持”事件對股市的影響較“國有股減持停止”更大。然而，“國有股減持”產(chǎn)生的信息沖擊反而不如“國有股減持停止”產(chǎn)生的信息沖擊大，可見后者對股市的影響更大，這稍微糾正了對這兩個事件的一般看法。直觀的理解是：市場參與各方?jīng)]有預(yù)期到“國有股減持”事件的后果，因此股市出現(xiàn)了大幅波動，但這一政策竟然會被叫停，更是出乎了普遍的預(yù)期，致使股市出現(xiàn)異常幅度的波動。事實(shí)上，“國有股減持停止”事件嚴(yán)重違背了中國股市的運(yùn)行常態(tài)，為小概率事件沒，引起異常信息沖擊并不足為奇。從政策面分析，這里蘊(yùn)含了一個富有啟發(fā)性的觀點(diǎn)：基于股市波動最小化的原則，政策的延續(xù)性比政策本身更為重要。

最后，有必要說明的是，中國股票市場的重大事件是一個復(fù)雜的題目，存在多種研究視角和研究方法，本文的結(jié)論仍然有待其他研究的進(jìn)一步證實(shí)。此外，本文在上海股市檢驗(yàn)到了顯著的風(fēng)險溢價效應(yīng)和ARCH現(xiàn)象，這是一個被以往多數(shù)文獻(xiàn)證實(shí)了的結(jié)論，限于篇幅，不再贅述，有興趣的讀者可以參考莫揚(yáng)（2004），張思奇等（2001）的論文。

參考文獻(xiàn)：

莫揚(yáng)（2004）：《股市波動性的國際比較研究》，《數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究》第10期

劉力,田雅靜(2004)：《沒有信息,也有反應(yīng):中國A股市場股票名稱變更事件的市場反應(yīng)研究》,《世界經(jīng)濟(jì)》第1期

孫金麗，張世英(2003)：《具有結(jié)構(gòu)轉(zhuǎn)換的GARCH模型及其在中國股市中的應(yīng)用》，《系統(tǒng)工程》第6期

徐宏源(2003)：《股市為何背離宏觀經(jīng)濟(jì)》,《中國證券報》2003年08月29日第五版

胡海鵬,方兆本（2002）：《用AR-EGARCH-M模型對中國股市波動性的擬合分析》，《系統(tǒng)工程》第7期

徐龍炳（2001）：《中國股票市場股票收益穩(wěn)態(tài)特性》，《金融研究》第6期

張思奇等（2000）:《股票市場風(fēng)險、收益與市場效率:——ARMA-ARCH-M模型》，《世界經(jīng)濟(jì)》第5期

1997年到2004年《中國金融統(tǒng)計年鑒》

Chen,Y.-T.(2003),OntheDiscriminationofCompetingGARCH-typeModelsforTaiwanStockIndexReturns,AcademiaEconomicPapers,31,pp.369--405.

ChenY.-T.,ChouR.Y.andKuanC.-M.(2000),TestingforTimeReversibilitywithoutMomentRestrictions,JournalofEconometrics,95,pp.199--218.

Nelson，DanielB.(1991),ConditionalHeteroskedasticityinAssetReturns:ANewapproach，econometrica,59,pp:347-70

Nelson，D.B.(1990),StationarityandPersistenceintheGARCH(1，1)Model，EconometricTheory，6，pp.318-334

Bollerslev(1988),OntheCorrelationStructurefortheGeneralizedAutoregressiveConditionalHeteroskedasticProcess，JournalofTimeSeriesAnalysis，9，pp.121-131

BollerslevT.(1986),Generaliedautoregressiveconditionalheteroskedasticity，JournalofEconometrics,31,pp:307-327

FamaE.F.,FisherL.,JensenM.andRollR.(1969),TheAdjustmentofStockPricestoNewInformation.,InternationalEconomicReview,10,pp.1-21.