海南师范大学硕士学位论文基于ADL模型干预模型和VAR 模型的量价关系研究姓名：朱冬和申请学位级别：硕士专业：应用数学指导教师：胡晓华2011-04
摘要本文采用ADL模型、干预模型和VAR模型对上证综合指数和深圳成分指数与成交量(股)进行研究，先对股票指数与成交量进行协整分析，然后对两市场的月数据（2000年1月到2010年9月）建立了ADL模型和干预模型，再对两市场的日数据（2008年1月2日到2010年10月18日）建立VAR模型，并利用软件进行参数估计、短期预测、脉冲响应分析和方差分解。结果表明：1，对月数据：上海(深圳)市场成交量每增加1%，大盘指数就增长%(%)；上证综指主要受到滞后第3期成交量和自身滞后1期的影响；深成指主要受到滞后第3期成交量、自身滞后1期和滞后第5期的影响，两市场指数均受到干预项（金融危机）的影响；ADL模型结合干预模型拟合预测效果更加理想。2，对日数据：大盘成交量和大盘指数之间确实存在联动关系。上海股市成交量当期值受到指数和成交量自身滞后1期,2期,3期的影响，并且随着滞后期的增加它们对当期成交量的影响越来越弱；反之，上证综指当期值也受到成交量和自身滞后1期,2期,3期的影响，滞后1期的成交量对其影响最大。深圳成交量当期值却是受到自身和指数滞后1至4期的影响，反之，深成指也是受到成交量和自身滞后1至4期的影响，但其滞后期的影响没有明显的规律。3，脉冲响应分析（日数据）表明：上海(深圳)市场成交量对指数的一个标准差新息立刻增加（）个单位成交量，对成交量自身一个标准差新息立刻增加（）个单位成交量；两市指数对成交量的一个标准差新息第二期才有较强的反应，增加（）个单位指数，对指数自身一个标准差新息立刻增加（）个单位指数。在方差分解（日数据）上表明上海股市的稳定性比深圳股市的好。关键词：ADL模型；干预模型；VAR模型I
AbstractInthispaper,ADLmodel,interventionmodelandtheVARmodel,theShanghaiCompositeIndexandShenzhenComponentIndexandTradingVolume(shares)study,thefirstvolumeforthestockindexandcointegration,andthentwomonthsthemarketdata(January2000toSeptember2010)establishedtheADLmodelandinterventionmodel,andthenthetwo-daymarketdata(January2,2008toOctober18,2010)-termforecasting,:First,formonthlydata:Shanghai(Shenzhen)forevery1percentincreaseinmarketturnover,;ShanghaiCompositemainlybythevolumeandlag3lagoneoftheirown;deepintoreferstothemainvolumebylag3,(financialcrisis)theimpact;,thedailydata:,2,3,effects,andincreasewiththelagimpactoftheircurrenttradingvolumemoreandmoreweak;theotherhand,theShanghaiComposite currentturnoverandtheirownvalueslaggedby1,2,3,-4,onthecontrary,ShenzhenComponentIndexalsosubjecttovolumeanditslaggedimpactof1-4,,theimpulseresponseanalysis(dailydata)indicatethat:Shanghai(Shenzhen)Index,()aunitofvolume,()unitvolume;thetwocitiesonthevolumeindexofastandarddeviationoftheinnovationhaveaII
strongresponsetothesecondphase,()indexunits,()(dailydata):ADLmodel;Interventionmodel;VARmodelIII
独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。除文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得海南师范大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：日期：学位论文著作权声明本论文作者声明：□本论文全部成果均为本人和指导教师合作研究取得，本人和指导教师都有权使用本成果学术内容（有第三方约定者除外）。□本论文为指导教师指导下，本人独自完成。本人独自享有本论文的全部著作权。学位论文作者签名：指导教师签名：日期：日期：学位论文版权使用授权书本学位论文作者完全了解海南师范大学有关保留、使用学位论文的规定，即：海南师范大学有权保留并向国家有关部门或机构送交学位论文的复印件和电子文本，允许论文被查阅和借阅。本人授权海南师范大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其它复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：指导教师签名：日期：日期：
第一章绪论第一章绪论研究背景及意义在当代社会，经济融化在经济全球一体化趋势的发展和世界范围内金融管理制度放松的引导下，其程度在不断的深化。这种变化程度主要表现为:①金融关系化的经济关系；②金融资产化的社会资产；③越来越突出的融资资本化倾向。在这种情况下，股票市场的发展状况不仅在金融业内部产生了巨大的影响，而且也给社会经济、政治、生活等领域带来了不同程度的影响。因此，目前世[1]界各国对股票市场和它对宏观经济的影响给予了高度关注。在资本市场理论研究中，许多学者一直把股票价格的波动研究作为研究的焦点，其原因是股票的价格不仅受其内在价值的影响，而且和宏观经济因素有着密切的联系，主要表现为:(l)宏观经济指标的好坏会影响到股票价格的走势。[2](2)股票指数对经济周期有预测性。当今证券市场中，量价关系的研究一直是证券业界关注的对象，同时也是学术界研究的热点。大量的研究表明,成交量与价格波动正相关,“量比价（指数）先行”。成交量的变化往往孕育了股价（指数）的变化，成交量一直被看作[3]影响股价变动的重要因素,目前对成交量的研究,只是研究成交量的概率分布、成交量与价格的关系、成交量与股价波动率的关系、成交量与收益率的自相关性的影响等问题。大部分的实证研究只是说明成交量与股价之间有很紧密的联系,这些研究只是把成交量当成一个单独的变量进行研究。但股价变动如何影响成交量的变化？这方面的研究一直是一缺陷。量价关系的双向影响或相互作用就是本文所要研究的内容，用到的数学模型是VAR模型。本文在股价的基础上把成交量引入模型，研究成交量和股价间的联动关系，其研究具有重要的实际指导意义和经济价值。国内外研究现状国外大量学者对量价关系的研究结论,大都支持成交量与价格波动正相关,大的成交量伴随着大的价格波动，支持这一结论的具有说服力的假说为混合分1
海南师范大学硕士学位论文布假说。华尔街有一句古老的谚语:“价走量先行”。长期以来,成交量一直被看作影响价格变动的重要因素,技术分析中使用的“价量配合理论”就是一个[4]例子。目前对成交量的研究,只是研究成交量的概率分布、成交量与价格的关系、成交量与股价波动率的关系、成交量与收益率的自相关性的影响等问题。大部分的实证研究只是说明成交量与价格之间有很紧密的联系,这些研究只是把成[5]交量当成一个单独的变量进行研究。那么是否可以考虑研究股票指数和成交量之间的关系呢？把成交量与股票指数结合起来,利用数学模型把成交量的信息真正融入到股价序列中去分析股票指数的行为，这就是本文所要研究的。研究方法与创新之处一直以来，股票成交量和股票价格的关系是金融领域研究的热点课题，它的研究结论不仅适用于股票市场，而且还可以应用于金融和经济的许多领域，[6]所以研究量价关系具有重要的学术地位和研究价值。由于影响股票指数波动的因素较多，所以建立一个能够准确预测股指波动的数学模型比较困难，大部分的实证研究只是说明成交量与价格之间有很紧密[7]的联系,这些研究只是把成交量当成一个单独的变量进行研究。量价关系的双向影响或相互作用就是本文所要研究的内容，用到的数学模型是ADL模型、干预模型和VAR模型。本文在股价的基础上把成交量引入模型，把ADL模型和干预模型结合在一起研究成交量和股价间的关系，VAR模型分析了成交量和股票指数间的联动关系，力图比较全面的研究股票指数和成交量之间的关系，以及作为相应的比较和预测。2
第二章研究模型的理论介绍第二章研究模型的理论介绍模型理论介绍[8]模型系统概述Jorgenson(1966)提出的自回归分布滞后（ADL：AutoregressiveDistributedLag）模型应用更加广泛。（p，q）阶自回归分布滞后模型的基本表达式为：τi`y=α+φy+φy+⋯+φy+βx+u−θu−θu−⋯−θu（）t1t−12t−2pt−p∑it−it1t−12t−2qt−qi=0式中，x是滞后i期的外生变量向量，且每个外生变量的最大滞后阶数为τ；t−ii`β是参数向量。i显然，ARMA模型只是上式的一个特例。如果该式中不存在移动平均项，则可以采用OLS法估计各参数；若模型中有移动平均项，线性OLS估计将是非一致性估计，应采用非线性最小二乘估计。在动态计量经济建模过程中，通常从一个结构比较复杂的ADL模型开始，经过一些对参数的线性或非线性条件约束，去掉一些变量，最终得到一个具有良好性质的表达简练的模型。这就是“从一般到简单”的建模过程。作为上述模型的特例，比较常见的有分布滞后模型及自回归模型。如果在xx回归模型中不仅含有解释变量的当前值而且含有的滞后值，它就称为分布滞后模型（Distributed-LagModel），如y=α+βx+βx+βx+⋯+βx+εt0t1t−12t−2pt−pt（）如果模型中包含一个或若干个因变量的滞后值，它就称为自回归模型（AutoregressiveModel），如：y=α+βx+Φy+εttt−1t（）就是一个自回归模型。分布滞后模型与自回归模型都属于滞后变量回归模型，它在经济领域有广泛的应用。一个当前的经济指标，经常受到过去某些经济指标的影响，这是件很常见很容易理解的事情。3
海南师范大学硕士学位论文[9]模型的系统估计对几何滞后模型的一阶自回归形式：y=α+βx+φy+ε（）t1tt−1t2作出参数估计。如果误差ε满足标准条件即ε=(ε,⋯,ε)~N(0,σI)，则1Ttxt可以对参数γ=(α,β,φ)`作出最小二乘估计。然而，由于是随机的，y又与1t−1y相关，因此LSE将不是最佳线性无偏估计。当然如果这些假定不满足，那就t不是一致性估计了。但这时我们可以采用工具变量法。我们看到，分布滞后回归模型与一阶自回归模型有着密切联系，而一阶自回归基本上属于时间序列分析的内容。ADL模型只是动态计量经济学模型的起点，其一般形式是误差修正模型，从反映数据生成过程的ADL模型到经典的动态计量经济学模型，是动态模型的主要技术任务。变量之间存在协整关系是建立误差修正模型的前提。实际应用中常用的许多经验模型都是ADL模型的特例，如将x作为内生变量处理，则可t得到比ADL模型更具一般性的向量自回归模型，即向量自回归（VAR）模型模型原理1980年Sims提出向量自回归模型（VectorAuto-Regressivemodel，VAR）。这种模型采用多方程联立的形式，它不以经济理论位基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后值进行回归，从而估计全部内生变量的动态关系。在向量自回归模型中，由模型内的方程所确定的变量称为内生（endogenous）变量，完全由模型外部确定的变量为外生（exogenous）变量。向量自回归模型统称用于多变量时间序列系统的预测和描述随机扰动对变量系统的动态影响。其实际上是向量自回归移动平均（VARMA）模型的简化，后[10]者因参数过多带来很多问题而少有应用。在一个含有n个方程（被解释变量）的VAR模型中，每个被解释变量都对自身以及其它被解释变量的若干期滞后值回归，若令滞后阶数为k，则VAR模型的一般形式可用下式表示：4
第二章研究模型的理论介绍k（）Z=AZ+Vt∑it−iti=1其中，Z表示由第t期观测值构成的n维列向量，A为n*n系数矩阵，Vtit是由随机误差项构成的n维列向量，其中随机误差项V（i=1,2,…n）为白噪音t≠过程，且满足E(V,V)=0(i,j=1,2,…,n,且ij)。itjt[11]模型定义VAR模型是自回归模型的联立形式，所以称向量自回归模型。假设y，y1t2t之间存在关系，如果分别建立两个自回归模型y=f(y,y,...)1,t1,t−11,t−2y=f(y,y,...)2,t2,t−12,t−2则无法捕捉两个变量之间的关系。如果采用联立的形式，就可以建立起两个变量之间的关系。VAR模型的结构与两个参数有关。一个是所含变量个数N，一个是最大滞后阶数k.。最一般的VAR(p)模型如下：y=Ay+...+Ay+Bx+...+Bx+ε（）t1t−1pt−p1trt−rt式中，y是m维内生变量向量；x是d维外生变量向量；A…A和B…B11rttp是待估计的参数矩阵，内生变量和外生变量分别有p和r阶滞后期；ε是随机t扰动项，同期之间可以相关，但不能有自相关，不能与模型右边的变量相关。以两个变量y，y滞后1期的VAR模型为例，1t2ty=µ+πy+πy+u⎧1,,t−,t−11,t（）⎨y=µ+πy+πy+u2,,t−,t−12,t⎩2其中u，u~IID(0,),Cov（u，u）=0。写成矩阵形式是，σ1,t2,t1,t2,tyyu⎡⎤⎡⎤⎡⎤µπ,π⎡⎤⎡⎤1,t1,t−11,=++（）⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥yµπ,πyu2,t⎣2⎦⎣⎦2,t−12,t⎣⎦⎣⎦⎣⎦5
海南师范大学硕士学位论文yu⎡⎤⎡⎤µπ,π⎡⎤⎡⎤1,t1,设，，，，，Y=μ=Π=u=⎢⎥⎢⎥t1t⎢⎥⎢⎥yµπ,π,t⎣⎦⎣⎦2,t⎣⎦⎣⎦则，Y=μ+ΠY+ut1t−1t那么，含有N个变量滞后k期的VAR模型表示如下：Y=μ+ΠY+ΠY+...+ΠY+u,u~IID(0,Ω)（）t1t−12t−2kt−ktt其中，Y=(y,y,...,y)'t1,t2,tN,tμ=(µ,µ,...,µ)'12N⎡⎤π,π,...,π⎢⎥Π=π,π,...,π,j=1,2,...,k⎢⎥⎢⎥π,π,...,π⎣⎦u=(u,u,...,u)'t1,t2,tN,t，Y为阶时间序列列向量。为阶常数项列向量。均N×1μN×1Π,Π,...,Πt12k为阶参数矩阵，u~IID(0,Ω)是阶随机误差列向量，其中每一个元N×NN×1t素都是非相关的，但这些元素，即不同方程对应的随机误差项之间可能存在相关。因VAR模型中每个方程的右侧只含有内生变量的滞后项，它们与u是不相t关的，所以可以用OLS法依次估计每一个方程，得到的参数估计量都具有一致性。[12]脉冲响应函数和方差分解由于VAR模型参数的普通最小二乘法估计量只是具有一致性，单个参数估计值的经济解释是很困难的。要想对一个VAR模型做出分析，通常是观察系统的脉冲响应函数和方差分解。（1）脉冲响应函数脉冲响应函数描述一个内生变量对误差冲击的反应。具体地说，它描述的是在随机误差项上施加一个冲击后对内生变量的当期值和未来值所带来的影响。6
第二章研究模型的理论介绍建立在VAR模型基础上的脉冲响应分析，可以揭示组成VAR系统内生变量间动态影响规律，而方差分解能够刻画来自某个内生变量的新息冲击对自身及其他内生变量影响的相对重要程度。对于形如：Y=μ+ΠY+ΠY+...+ΠY+u,u~IID(0,Ω)的k阶VAR模型，t1t−12t−2kt−ktt若{u}为向量白噪声序列，满足tE(u)=0tΩ t=τ⎧N×N'E(uu)=⎨tτ0 t≠τ N×N⎩kk−1k−2Ω其中是一个对称正定矩阵。若满足|Iλ−Πλ−Πλ−...−Π|=0n12k的所有特征根都在单位圆以内，则VAR是协方差平稳的，并且VAR(k)可以表λ∞达为VMA()模型y=μ+u+Ψu+Ψu+...=μ+Ψ(L)u()tt1t−12t−2t显然，系数矩阵Ψ的第i行、第j列元素表示第i个变量对由变量j产生s的单位冲击的s期滞后的反映，即VAR中变量i对变量j的s期脉冲响应。把∂yt+s这个量=Ψ定义为脉冲响应函数函数（impulse-responsefunction）。s'∂ut它是一个与s有关的函数，描述了某个时刻某个新息的一个冲击对内生变量现在和未来的影响。对脉冲响应函数的解释出现困难源于误差项从来都不是完全非相关的。当误差项相关时，它们有一个共同的组成部分，不能被任何特定的变量所识别。为处理这一问题，常引入一个变换矩阵M与u相乘。tν=Mu~(0,Ω)ttΩ从而把的方差协方差矩阵变换为一个对角矩阵。现在有多种方法。其ut中一种变换方法称作乔利斯基（Cholesky）分解法，从而使误差项正交。（2）方差分解7
海南师范大学硕士学位论文脉冲响应分析是研究变量间动态影响关系的一种方法，而另一个评价VAR模型的方法是方差分解，其主要思想是，把系统中每个内生变量（共m个）的波动（k步预测均方误差）按其成因分解为与各方程新息相关联的m个组成部分，从而了解各新息对VAR模型内生变量的相对重要性信息。因此，两种分析方法都能揭示系统的动态变化规律，两者相辅相成。∞可以利用向量MA()模型y=μ+u+Ψu+Ψu+...=μ+Ψ(L)u()tt1t−12t−2t对未来s期进行预测，得到预测的误差为Λy−y=u+Ψu+...+Ψu()t+st+s|tt+s1t+s−1s−1t+1因此，可以进一步求得向前s期预测的均方误差为ΛΛΛMSE(y)=E[(y−y)(y−y)']t+s|tt+st+s|tt+st+s|t =Ω+ΨΩΨ'+...+ΨΩΨ'11s−1s−1而Ω=E(uu')=E(Pvv'P')=PE(vv')P'=PP'=pp'+pp'+...+pp'tttttt1122nnΩ将代入，则前s期预测的MSE可写成一个n项和，其中每一项由一个新息v（已正交化）得到，即j,tnΛMSE(y)=(PP'+ΨPP'Ψ'+...+ΨPP'Ψ')()∑t+s|tjj1jj1s−1jjs−1j=1Λ对于一个协方差平稳的VAR模型，当时，有（Γ为s→∞MSE(y)→Γt+s|t00向量y的无条件方差）。因此，令s足够大，就可以求出y的总方差中归因于ti新息v的部分，即可以计算第j个新息对前s期预测的MSE的方差贡献率（rateiofvariancecontribution）为s−1(ΨPP'Ψ')∑kjjkk=0i式中(•)代表矩阵的第i个主对角线元素。RVC(s)=ijins−1(ΨPP'Ψ')∑∑kjjkj=1k=0i8
第三章构建ADL模型干预模型第三章构建ADL模型干预模型协整检验对上证综合指数、深圳成分指数与成交量月数据进行协整检验，以2000年1月到2010年9月的月数据作为研究对象，序列zhsh和chjl分别表示综合指数和其成交量，为避免数据的剧烈波动，先对各序列进行对数化处理，新序列分别记为lzhsh和lchjl,对其进行检验，得到序列lchjl和lzhsh具有协整关系。故可建立误差修正模型。误差修正模型：上证综合指数与成交量lzhsh和lchjl的误差修正模型：lzhsh=−++−+ε（）tt−1tt−1t整理移项的：∇lzhsh=−+∇lchjl− ( zhsh−)+ε（）ttt−1t−1t深圳成分指数与成交量误差修正模型为lzhsh=+++ε()tt−1tt−1t整理移项的：∇lzhsh=+∇lchjl− ( zhsh−)+ε()ttt−1t−1t方程即为ECM，其中zhsh−是误差修正项，记为ecm。模型解t−1t−1释了lzhsh的短期波动∇lzhsh是如何被决定的，一方面，它受自变量短期波动tt∇lchjl的影响，另一方面取决于ecm。两变量的长期关系可表示为：tzhsh=。tt由协整方程说明从长期均衡看，股票指数与成交量呈正相关关系，由修正模型公式中说明的波动，上证成交量每增加1%，股票指数就增长%，深圳成分指数成交量每增加1%，股票指数就增长%，上证、深圳股票指数和成交量的非均衡误差分别以和对本期的成交量做−−出修正，符合相反修正机制。9
海南师范大学硕士学位论文干预模型实证研究模型建立以2000年1月到2010年9月的上证综合指数与成交量月数据作为研究对象，以lzhsh为因变量，lchjl为自变量建立ADL模型，利用普通最小二乘法在EViews窗口输入命令，建立如下自回归分布滞后模型：Lslzhshclzhsh(-1)lzhsh(-2)lzhsh(-3)lzhsh(-4)lzhsh(-5)lchjllchjl(-1)lchjl(-2)lchjl(-3)lchjl(-4)lchjl(-5)由上面的命令得到分布滞后模型的结果，但是根据一般模型中解释变量的系数t检验结果，逐步剔除不显著变量，最终得到简单模型的估计结果如图1：图1ADL模型估计结果经过简化的自回归分布滞后模型不仅各解释变量都高度显著，而且整体拟2R合效果相对于一般模型并没下降，模型调整后的仍高达，综上所述，该简化模型可作为反映长期上证综合指数和成交量关系的自回归分布滞后模型，模型为：10
第三章构建ADL模型干预模型lzhsh=+−++εtt−1t−4t−5t−3t()根据上面所得自回归分布滞后模型我们知道只有滞后3期的成交量对上证综合指数的影响比较明显，还可以利用该模型对下一月的上证综合指数进行预测。但是由于经济政策的变化或突发事件给经济带来的影响不能忽视，并且随着时间的推延，可能继续发展。所以本文对ADL模型进行扩展，加入干预项，建立ADL干预模型。干预分析模型经济政策、突发事件等的实施或干预，必将对经济发展过程产生影响，甚至改变经济结构。2008年金融危机对中国的影响是明显的，特别对我国股票影响是很明显的。近几年,时间序列分析方法的研究和应用飞速发展,特别在经济界,越来越多的实际工作者开始了解并运用时间序列分析方法。可是经济行为往往会受到特殊事件及态势的影响,诸如政治事件、自然灾害、国家政策等等,这[1]些事件我们称之为干预。干预分析模型的研究始于本世纪七十年代。自1975年美国威斯康辛大学统计系教授博克斯与泰奥联合发表“经济与环境间题的干预分析及应用”一文以后,就引起人们的重视,而且被应用去描绘经济政策的变化或突发事件给经济带来的影响作定量分析。2008年金融危机对中国的影响是多重的，有直接影响、间接影响和心理影响，甚至会产生思想认识方面的影响。因此，中国经济受到的间接影响不能忽视，并且随着时间的推延，可能继续发展。此次危机对我国股票影响是很明显的，特别是2008年。而干预模型在数学上具有如下的一般形式:X=Z+uttt其中,Z表示干预函数,u代表了“噪声”项,它是原始序列X与干预项tttZ的差项,表示在没有干预影响时对序列X的观测背景。tt在进行干预分析时，要假设干预事件发生于时间序列的某个已知时点，研究与该事件想联系的被研究序列X中是否发生明显的变化，是否有预期的影t响。用传递函数模型来模拟干预影响的特征，并估计干预影响的量级，从而解11
海南师范大学硕士学位论文释在时间序列中与事件有关、可能出现的非正常现象。[1]干预变量的形式干预分析模型的基本变量是干预变量，有两种常见的干预变量：一种是持续性的干预变量，表示T时刻发生以后,一直有影响，这时可以用阶跃函数表示，形式是：0,干预事件发生之前(t≤T）⎧TS=⎨t1,干预事件发生之后(t>T)⎩第二种是短暂性的干预变量，表示在某时刻发生,仅对该时刻有影响,用单位脉冲函数表示，形式是：'⎧1,干预事件发生时（t=T）TP=⎨t'0，其他时间（t≠T）⎩本文中选取我国股票指数和成交量的月数据作为数据资料。并选定了08年金融危机作为干预因素。此次危机对我国消费者的干预作用是显而易见的,并且其作用是长期的,从而这种干预序列的取值可表示为：1,t在2009年11月之后S={t0,t在2009年11月之前干预模型建立根据2000年1月到2007年12月，即前96个历史数据，对股票指数和成交量建立ADL模型，先对数据取对数，以lzhsh为因变量，lchjl为自变量建立ADL模型，利用普通最小二乘法在EViews窗口输入命令，建立如下自回归分布滞后模型：Lslzhshclzhsh(-1)lzhsh(-2)lzhsh(-3)lzhsh(-4)lzhsh(-5)lchjllchjl(-1)lchjl(-2)lchjl(-3)lchjl(-4)lchjl(-5)由上面的命令可以得到分布滞后模型的结果，但是根据一般模型中解释变量的系数t检验结果，逐步剔除不显著变量，最终得到简单模型的估计结果如图2：12
第三章构建ADL模型干预模型图2ADL模型估计结果经过简化的自回归分布滞后模型不仅各解释变量都高度显著，而且整体拟2R合效果相对于一般模型并没下降，模型调整后的仍高达，综上所述，该简化模型可作为反映长期上证综合指数和成交量关系的自回归分布滞后模型，模型为：lzhsh=−+++εtt−1t−2t()并通过软件我们可以预测出的股票数据数据如表1表1ADL模型预测日200200200200200200200期8-1-318-2-298-3-318-4-308-5-308-6-308-7-31分布滞后8309080174237632344294883027643228807755522255852预测7722461日200200200200200200200期8-8-298-9-268-10-318-11-288-12-319-1-239-2-27分布滞后预测265264977121813
海南师范大学硕士学位论文日200200200200200200200期9-3-319-4-309-5-279-6-309-7-319-8-319-9-30分布滞后预测8898863334921日200200200201201201201期9-10-309-11-309-12-310-1-290-2-260-3-310-4-30分布滞后4934893615159589833932701516571075873623479757369预测2442999日201201201201201201期0-5-310-6-300-7-300-8-310-9-300-10-29分布滞后预测干预模型参数估计然后用实际值减去预测值，得到的差值就是金融危机产生的效益值，记为S，具体数值如表2所示：表2干预序列t时间t123456效益值975124463982764279652881346071542302997993465602时间t789101112效益值93894149468976470233126197475063483022581815602时间t131415161718效益值213232478903816189499256888312027429677699485504时间t192021222324效益值89759038743460948556853144366323920793829510787时间t252627282930效益值242233133357387331533297352935216054618556297117时间t313214
第三章构建ADL模型干预模型效益值7468770775047533运用表中的数据可建立出干预模型：=−−+,t=1,2,3⋯()建立拟合模型净化序列是指消除了干预影响的序列，它由实际的观察序列值减去干预影响值得到，利用eviews软件建立ADL模型，其预测期内使用的预测公式为：lzhsh=−+++ε()tt−1t−2t拟合结果如图3图3ADL模型拟合结果利用以上所得的结果组建ADL干预模型为：⎧⎪S=−−+,t=1,2,3⋯t2()⎨t⎪lzhsh=−+++S+ε⎩tt−1t−2tt15
海南师范大学硕士学位论文根据上面所得自回归分布滞后模型可得股票指数除了受到滞后2期的成交量的影响外还受到自身滞后1期的影响和2008年金融危机的持续影响，并且自身滞后1期的影响比较明显。由模型所得到数据与原始数据做回归可得图4：图4预测数据与原始数据拟合结果图2R上图可以看出模型的预测数据与原始数据的拟合优度高达（=）利用上面的干预模型进行预测可得到2010年8月和9月的股票月数据分别为和而原始数据中8月和9月的数据分别为和，从预测拟合图像、样本内预测值与真实值对照表以及样本外预测的预测值与真实值对照可以看出，将分布滞后分析、干预分析、协整分析进行整合，建立的ADL干预模型对上证股票指数进行趋势预测，取得了良好的预测效果。该方法既考虑到成交量在不同时点对股票指数的动态影响，又兼顾到股票自身过去信息对未来值的影响，因而预测效果非常不错。这与模型的高度拟合一致，所以此ADL干预模型可作为股票的预测模型，由模型可预测出10月的股票指数为（实际数据），误差为%。16
第四章沪深两市指数与成交量构建VAR模型第四章沪深两市指数与成交量构建VAR模型格兰杰因果检验对短期的上证综合指数与成交量进行研究，以2008年1月2日到2010年10月18日的日数据作为研究对象，序列zhsh和chjl分别表示上证综合指数和其成交量，为避免数据的剧烈波动，先对各序列进行对数化处理，新序列分别记为lzhsh和lchjl,对lzhsh和lchjl进行格兰杰因果检验，检验结果如图5：图5lzhsh和lchjl进行格兰杰因果检验从检验的结果来看，成交量是上证综合指数的Granger成因，反之亦然，所以我们认为上证综合指数与成交量具有Granger因果关系。可以考虑建立VAR模型。模型实证研究由上面的格兰杰因果检验结果知道短期的上证综合指数与成交量之间是相互影响的，相互制约的，从协整检验表中我们可以看出lzhish和lchjl的检验17
海南师范大学硕士学位论文t统计量值分别为和，lzhsh序列的t统计量值小于显著性水平为10%的临界值，所以lzhsh序列和lchjl序列是平稳的，所以我们也可以考虑建立VAR模型。下面我们就对数据lch和lsh.进行模型的建立。最大阶数的确定最大阶数的确定，可以在对序列进行VAR估计中进行，得到的结果如图6所示：图6滞后阶数判断结果表9给出了0~8阶VAR模型的LR,FPE,AIC,SC和HQ值，并以“*”标记出依据相应准则选择出来的滞后阶数。可以看到有超过一半的准则选出来的滞后阶数为3阶，可以将VAR模型的滞后阶数定义为3阶。模型参数估计模型的阶数已经确定，接下来对模型的参数进行估计如图7。18
第四章沪深两市指数与成交量构建VAR模型图7VAR模型参数估计结果图10中包括三大部分：模型的参数估计，估计系数标准差（系数估计值下面的圆括号内）以及t检验统计量值（系数估计值下面的方括号内）。从表中我们可以得出模型是显著的。我们将参数估计结果写成方程形式：LCHJL=+ + +tt−1t−2t−3（）+ +εt−1t−2t−31,tLZHSH= +tt−1t−2t−3()+ +εt−1t−2t−32,t输出的各个子方程的相关检验结果如表3所示：表3VAR模型各方程检验结果19
海南师范大学硕士学位论文22从表10中可以看出调整后拟合优度很高（R=和R=）。窗口的最后一部分是针对VAR系统整体而言的各种检验评价值，其中包括决定性残差协方差，对数似然函数值和AIC与SC信息量。模型建立后可以利用它进行预测、脉冲响应函数与方差分解。脉冲响应函数分析对所建立的VAR模型进行脉冲响应分析。利用Eviews软件进行脉冲响应.Lchjl对lchjl和lzhsh对lchjl的脉冲响应结果如图8：图8Lchjl对lchjl和lzhsh对lchjl脉冲响应结果20
第四章沪深两市指数与成交量构建VAR模型图11中第一个图是LCHJL对自身的一个标准差新息的脉冲响应，第二个图是LZHSH对LCHJL的一个标准差新息的脉冲响应。实线表示随着预测期数的增加，虚线表示在相应脉冲响应图像两侧加减两倍标准差置信带。分析可知，成交量对其自身的一个标准差新息立刻有较强的反应，产出增加了约，但是影响的时间比较长，从第二期就迅速回落到,后面的就继续缓慢回落，到第十期已经剩下。收盘指数对成交量的一个标准差新息也是立刻做出反应，影响时间也是比较长的，而且都是正向的缓慢增加，从第一期的到第十期已经到了。图9脉冲响应数据结果图9查看的是脉冲响应具体数据的结果，可以得出的结果和图8的结论是一致的。Lchjl对lzhsh和lzhsh对lzhsh的脉冲响应结果如图10：21
海南师范大学硕士学位论文图10Lchjl对lzhsh和lzhsh对lzhsh的脉冲响应结果图10中第一个图是LCHJL对LZHSH的一个标准差新息的脉冲响应，第二个图是LZHSH对自身的一个标准差新息的脉冲响应。实线表示随着预测期数的增加，虚线表示在相应脉冲响应图像两侧加减两倍标准差置信带。图10脉冲响应数据结果22
第四章沪深两市指数与成交量构建VAR模型分析可知，成交量对收盘指数的一个标准差新息没有立刻做出反应，而是到第二期的时候有了较强的反应，产出增加了约，而且影响的时间比较长，第十期回落到。收盘指数对其自身的一个标准差新息立刻有较强的反应，产出增加了约,影响时间也是比较长的，第五期之后就已经趋于平稳状态，产出增加约而且都是正向的。方差分解利用Eviews软件进行方差分解结果如图11：图11方差分解输出结果Lchjl和lzhsh进行方差分解到输出结果如图12：23
海南师范大学硕士学位论文图12方差分解具体数据输出结果图12包括4列。第一列是预测期，.中数据为变量LCHJL的各个预测标准误差，后两列是百分数，分别代表LCHJL和LZHSH为因变量的方程新息对各期预测误差的贡献度。从输出结果我们可以看出，从第二期开始，方差分解基本上是稳定的。从表中我们可以看出来自第一个方程新息的影响占LCHJL预测误差的九成，因此该变量最重要。从第一个图我们也看以看出，第一个方程的新息对于内生变量LCHJL也是最重要的，其对预测误差的贡献度达92%。而第二个方程新息的影响和第一个类似，对内生变量LZHSH也是最重要的，其对预测误差的贡献度达91%实证结果的分析对成交量和股票指数进行Granger因果检验得出成交量和股票指数具有Granger因果关系，所以我们考虑建立VAR模型得到了下面的模型：LCHJL=+ + +tt−1t−2t−+ +εt−1t−2t−31,t()LZHSH= +tt−1t−2t−+ +εt−1t−2t−32,t()24
第四章沪深两市指数与成交量构建VAR模型从我们所建立的模型来看，在LCH的方程中，其t期的预测值受到了本身前3期的影响，并且离t期越近影响程度越高，从t-1期的到t-3期的；LSH对其也存在滞后3期的影响。在LSH的方程中，得出其对本身和LCH同样存在滞后3期的影响。说明成交量和股票指数对成交量和股票指数都存在滞后3期的影响，但是成交量对自身的影响是越接近影响力越大；而股票指数并没有像成交量那样存在越接近影响力越大的特点。模型得到的结果说明成交量和股价之间确实存在联动关系，而且是双向影响和相互作用的，前期成交量对下期股票价格的变动有直接的影响，不仅成交量对股票价格的变化有影响，而且股票价格的变动对成交量也有影响。这和我们前面介绍的成交量的变化往往孕育了股价的变化，成交量一直被看作影响股价变动的重要因素是一致的。也回答了股价变动如何影响成交量的变化这个问题。22从拟合优度这个角度来看R=和R=，也是很高的，拟合的效果很好。深圳成分指数的量价研究模型建立对短期的深圳成分指数与成交量进行研究，以2008年1月2日到2010年10月18日的日数据作为研究对象，序列zhsh和chjl分别表示深圳成分指数和其成交量，为避免数据的剧烈波动，先对各序列进行对数化处理，新序列分别记为lzhish和lchjl,利用同样的方法对深圳成分指数与其成交量可建立VAR模型，模型方程形式：LCHJL=++ +tt−1t−2t−3（）++t−4t−1t−2t− ++εt−41,tLZHSH=++-tt−1t−2t−++ -（）t−4t−1t−2t−+εt−42,t2模型的拟合优度为=。从我们所建立的模型来看，在LCHJL的R25
海南师范大学硕士学位论文方程中，其t期的预测值受到了本身前4期的影响，并且离t期越近影响程度越高，从t-1期的到t-4期的；LZHSH对其也存在滞后4期的影响。在LZHSH的方程中，得出其对本身和LCHJL同样存在滞后4期的影响。说明成交量和股票指数对成交量和股票指数都存在滞后4期的影响，但是成交量对自身的影响是越接近影响力越大；而股票指数并没有像成交量那样存在越接近影响力越大的特点。脉冲响应函数分析由模型脉冲响应结果分析可知，成交量对其自身的一个标准差新息立刻有较强的反应，产出增加了约，但是影响的时间比较长，从第二期就迅速回落到,后面的就继续缓慢回落，到第十期已经剩下。收盘指数对成交量的一个标准差新息也是立刻做出反应，影响时间也是比较长的，而且都是正向的缓慢增加，从第一期的到第十期已经到了。成交量对收盘指数的一个标准差新息没有立刻做出反应，而是到第二期的时候有了较强的反应，产出增加了约，而且影响的时间不长，第四期已经回落到。收盘指数对其自身的一个标准差新息立刻有较强的反应，产出增加了约,影响时间也是比较长的，第五期之后就已经趋于平稳状态，产出增加约而且都是正向的。方差分解对所建立的VAR模型进行方差分解分析。从方差分析结果看以看出，第一个方程的新息对于内生变量LCH也是最重要的，其对预测误差的贡献度达95%。而第二个方程新息的影响和第一个类似，对内生变量LSH也是最重要的，其对预测误差的贡献度达86%。模型得到的结果说明成交量和股价之间确实存在联动关系，而且是双向影响和相互作用的，前期成交量对下期股票价格的变动有直接的影响，不仅成交量对股票价格的变化有影响，而且股票价格的变动对成交量也有影响。这和我们前面介绍的成交量的变化往往孕育了股价的变化，成交量一直被看作影响股价变动的重要因素是一致的。也回答了股价变动如何影响成交量的变化这个问26
第四章沪深两市指数与成交量构建VAR模型题。模型预测及比较模型求解出来以后我们要对其进行预测。将协整分析、分布滞后分析和向量自回归分析进行整合，建立的VAR模型对上证综合指数、深圳成分指数和其成交量的进行趋势预测，取得了良好的预测效果。该方法既考虑到成交量在不同时点对股票指数的动态影响，又兼顾到股票自身过去信息对未来值的影响，同时也考虑到股票指数在不同时点对成交量的动态影响，也兼顾到成交量本身过去信息对未来值的影响，因而预测效果很好。所以我们可以利用求解出来的模型预测滞后一期的数据。对于股票预测来说，想用一个模型进行长期预测是很困难的，本文VAR模型也只是作为短期的预测，那么利用这个模型可以预测上证综合指数下一期（原始数据）的股票指数和成交量分别为2963（3001）和22895646960（19866782400），绝对误差为%和%；深圳成分指数与其成交量分别为12679（12970）和2170848359（1891632640）。如果想对以后进行预测的话就用这个方法从新计算出其参数并进行预测，绝对误差为%和%。沪深两市VAR模型的比较相同点：两个市场都通过了格兰杰因果检验，可以建立VAR模型。从脉冲响应来看成交量对其自身的一个标准差新息都立刻有较强的反应，而且影响的时间比较长，从第二期起缓慢回落。收盘指数对成交量的一个标准差新息也是立刻做出反应，影响时间也是比较长的，而且都是正向的缓慢增加。成交量对收盘指数的一个标准差新息没有立刻做出反应，而是到第二期的时候才有较强的反应，而且影响的时间不长。收盘指数对其自身的一个标准差新息立刻有较强的反应，影响时间也是比较长的并且都是正向的。从方差分析看两个模型中的方程对各自的内生变量都是很重要的。不同点：从模型是建立来看，上证综合指数滞后3期，而深圳成分指数滞后4期，说明深圳成分指数与成交量的影响时间比较长。虽然两个模型中的方程对各自的内生变量都是很重要的，但是其对预测误差的贡献度是不同的。27
第五章结论：对全文的研究内容进行总结第五章结论本文的工作包括理论介绍与实证研究两个方面。在理论研究方面，主要是介绍ADL模型、干预模型、VAR模型的有关原理及模型的检验，并给出了脉冲响应函数和方差分解的介绍。在实证研究方面，结合上证综合指数中月数据和日数据的股票指数和成交量，运用协整分析、Granger因果检验，ADL模型、干预模型、VAR模型，脉冲响应函数和分解函数，得到了很好的预测效果。实际经济系统中，经济变量往往既受到自身历史信息的影响，又会与其他经济变量相互联系，还受到经济政策、突发事件等的实施或干预，有的甚至与其他经济变量过去或将来的某一时刻的关系更为密切。本文利用协整分析、ADL分析、干预分析和VAR模型对上证综合指数的成交量和指数收盘价进行有机整合，对上证综合指数中月数据建立了ADL干预模型，对上证综合指数和深圳成分指数日数据建立VAR模型。ADL干预模型模型结果表明，根据所得ADL干预模型知道在长期数据中除了滞后3期的成交量对上证综合指数有影响外，2008年的金融危机给上证指数带来的影响也不能忽视，并且随着时间的推延而持续影响，还受到股票指数自身滞后1期的影响，而且自己滞后1期的比重的比较大的。预测结果表明，运用多ADL干预模型进行预测，拟合效果非常好，具有较其他预测模型难以比拟的优越性。VAR模型结果表明成交量和股价（指数）之间确实存在联动关系，而且是双向影响和相互作用的，前期成交量对下期股票价格的变动有直接的影响，不仅成交量对股票价格的变化有影响，而且股票价格的变动对成交量也有影响。运用VAR模型进行预测，拟合效果非常好。本文的方法能为预测和决策提供更为广阔的思考空间，但是我国股票市场尚未成熟，股票价格的走势是由多种因素决定的，其中包括股票市场内部因素和各种政策等外部因素。本文只考虑了股价与成交量的双向影响，这是不够全面的，有待进一步研究。29
参考文献参考文献[1]徐国祥.统计预测与决策[M].上海:上海财经大学出版社，2005,171-184.[2]冯文权.政策干预或突发事件影响的统计分析模型［J］.统计与决策，1990，19（3）：5-10.[3]易丹辉.数据分析与Eviews应用[M].北京:中国人民大学出版社，2008.[4]国家统计局网站.
海南师范大学硕士学位论文securitypricechangesandtransactionvolumes:,305-321.[19]吴冲锋,吴文锋.基于成交量的股价序列分析[J]系统工程理论方法应用.2001第一卷[20]魏巍贤,周晓明.中国股票市场波动的非线性GARCH预测模型[J].预测,1999,(5):47～49.[21]张维，门冀楠.关于上海股巾量价因果关系的实证探测[Jl系统工程理论与实践，1998,18(6):111-114[22]陈怡玲，宋逢明.中国股市价格变动与交易量关系的实证研究[Jl管理科学学报，2000,3(2):62-68[23](英)特伦斯.C.米尔斯，金融时间序列的经济计量学模型.经济科学出版社，200232
攻读硕士学位期间取得的研究成果一、已发表（包括已接受待发表）的论文，以及已投稿、或已成文打算投稿、或拟成文投稿的论文情况（只填写与学位论文内容相关的部分）：相当于学被索作者（全体序发表或投稿刊发表的卷期、位论文的引收作者，按顺题目号物名称、级别年月、页码哪一部分录情序排列）（章、节）况《基于二次指数平滑的干海南师范大学1朱冬和第三章预模型在CCI中的应用》学报（省级）2注：在“发表的卷期、年月、页码”栏：1如果论文已发表，请填写发表的卷期、年月、页码；2如果论文已被接受，填写将要发表的卷期、年月；3以上都不是，请据实填写“已投稿”，“拟投稿”。不够请另加页。二、与学位内容相关的其它成果（包括专利、著作、获奖项目等）33
致谢论文写到致谢，也就意味着即将向我的硕士研究生生涯说再见了，回首这过去三年的学习经历，想想完成这篇论文的一年光阴，心中感慨良多。三年的岁月，在求知、积累、历练中，这段岁月让我逐渐褪去了本科刚出校门的稚气和冲动，多了几分成熟与冷静。它是我人生的一个重要的缓冲和积累过程，使我的心灵得到了锤炼，学业也得到了升华，让我可以充满自信，以饱满的激情投入到人生新的阶段。我满怀着一颗感恩的心面对身边所有的家人、老师、同学和朋友。感谢我的导师胡晓华教授，一个才华横溢的学者，一个宽厚仁慈的长辈，一个可以谈心的朋友，我从您身上学到的东西足够我受益终身。在我论文的每一次修改过程中，胡老师帮助我开拓研究思路，精心点拨、热忱鼓励，并为我指点迷津，才使得我在面对各种问题的时候得以豁然开朗。不仅授我以文，而且教我做人，虽历时三载，却给以终生受益无穷之道。对胡老师的感激之情是无法用言语表达的，学生只有通过不断汲取和学习作为对老师的回报。感谢各位老师对我的教育和培养，感谢我的同学们，这个集体团结友爱，志向高远，我能成为这个大家庭中的一员感到非常的荣幸。正是因为有了这样一批兄弟姐妹，才使我在求学的路上感到充满力量。感谢我的室友们，在像家一样温暖的宿舍里，我们彼此关爱，同喜同悲，一同渡过了生命中重要的时光，希望未来的日子里大家都能幸福！感谢我的爸爸、妈妈，一直那样爱我，呵护我，理解我，在家庭最困难的情况下，毅然坚定的支持我去读硕士；现在我要毕业了，我要成为爸爸、妈妈的依靠，让他们放心，安心，开心的度过每一天！最后，想对自己说，硕士研究生学习的结束是又一个新的生活的开始，在今后的岁月里，不论做任何事情，都要认真、努力，不断成就自己的梦想和更加精彩的人生！仅以此文献给所有在我人生的大道上曾经支持、鼓励、帮助过我的人，谢谢你们！34
