著性检验,因此从方程中剔除。Р我们再来看看残差图。见下图6。Р 图6 OLS估计的残差图Р 从图6我们可以看出,残差的波动呈现出一定的集群特征,存在异方差现象,即创业板市场收益率序列存在ARCH效应。Р 5.建立GARCH(1,1)模型Р 由于模型的残差项具有ARCH效应,可考虑建立GARCH(1,1)模型并对其进行估计。结果如图6所示。Р图6 GARCH(1,1) 模型输出结果Р 输出结果上部为均值方程的系数估计结果,中间为条件方差方程的系数估计结果,下部为各种指标的报告。由GARCH模型输出结果可知,常数项没有通过显著性检验,去掉常数项。GARCH(1,1)模型与OLS估计结果相比较,虽然拟合优度并没有改善,但是AIC和SC有一定程度的变小,说明GARCH(1,1)模型对OLS估计有所改善。Р6.ARCH效应检验Р为了检验GARCH(1,1)模型是否已经消除ARCH效应,我们对残差序列做ARCH—LM检验。结果如图7所示。Р Р图7 ARCH—LM 检验Р可以看到ARCH—LM统计量的相伴概率为0.67,大于0.05,接受没有ARCH效应的原假设,说明残差序列不存在ARCH效应,即 GARCH(1,1) 模型拟合后的残差序列不存在自回归条件异方差。Р结论与建议Р基于GARCH模型对2012年01月04日至2012年08月31日中国创业板指数数据的实证研究发现:Р1.通过对中国创业板市场收益率的分析,可知并不存在明显的自回归现象,即在检验期间内,以前各期的收益率对现期的影响程度逐渐减小。Р2.收益率的波动存在较为明显的条件异方差性,GARCH(1,1)模型结果明显地好于OLS拟合结果,因此获得更好的参数估计。Р虽然中国创业板价格的波动出现了异方差性,但GARCH(1,1)模型模拟估计的有显著的效果,从而可以指导投资者的行为更加趋于理性,不能盲目投资。这一结果,一方面印证了
全文预览
