《表4 各状态持续时间：中国股市的时变波动性——基于长记忆性、杠杆效应视角》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《中国股市的时变波动性——基于长记忆性、杠杆效应视角》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从表2和表3 MRS-APGARCH模型的估计结果可知，上证综指和深圳成指周收益率波动的均值方程分别与下跌，盘整和上涨三种状态一一对应。从ωi和μi的对应情况可以看出，状态1对应下跌状态即高波动状态，状态2为股市的调整状态，状态3是上涨状态即低波动状态。从参数估计值可以看出，股价的快速上升或者快速下降都会引起股市较大幅度的波动，不同状态下系数的估计值存在较大差异，这说明股指波动的动力学特征在不同状态下是不尽相同的。表2和表3中，γi在各状态下的估计值均显著为负，这说明中国股市存在着“非对称效应”，即“杠杆效应”。收益率波动对市场下跌的反应比对市场上升的反应更加迅速，负的冲击比正的冲击更容易加剧波动幅度。这是因为较低的股价减少了股东权益，股价的大幅下降增加了公司的杠杆作用，进而增加了持有股票的风险。从γi和μi及ωi的对应关系来看，低波动状态时的非对称效应更强烈些。事实上，在股市的极端波动期，过高的波动水平反而会降低市场参与者的感知能力，从而导致他们对“好消息”和“坏消息”的反应差别并不大。而当市场进展较为平缓时，信息进程不至于太过杂乱无章，股市参与者会逐渐恢复对“信息”的判断并做出相应的反馈，这也说明利空消息对于处于上涨状态的市场的冲击要大于利好消息对于处于下跌状态的市场的冲击。幂参数可由生成数据估计出来，这是MRS-APGARCH模型区别于MRS-GARCH类模型的主要之处。由表2和表3可以看出，在三种状态下，上证综指和深圳成指的幂参数的估计值均统计显著，与前述研究保持一致，收益序列本身并没有表现出“长记忆性”，这种“长记忆性”主要体现在绝对收益序列及其幂变换中。同时也看到，不仅结构转换会导致这种长记忆性，在每种机制内部也存在着长记忆性，盘整状态和上涨状态下幂参数估计值的差别不是很大，下跌状态时幂参数的估计值略大些，一种机制下所体现的“长记忆性”要较另一种机制下的“长记忆性”稍短些。除此之外，MRS-APGARCH模型中关于pii的估计都在1%的统计水平上显著，股市在盘整状态时的持续时间最长，在下跌状态的持续时间最短。各状态持续时间的计算结果如表4所示，与王娟和李锐的研究结论保持一致[21]。