起始时间：
结束时间：
栏　　目：
请选择栏目
作　　者：
关&键&字：&
您好，安信证券欢迎您！
您好，安信证券欢迎您！
A股系统性风险时变估计方法及实证研究
　　A股系统性风险时变估计方法及实证研究&
&&&&&&&&信达证券&刘景德&中国社科院研究院&张捷&
　　摘&要&
　　自次贷危机爆发以来，全球股市持续动荡，中国A股亦不能独善其身，最大跌幅高达72.83%。对于A股这样一个系统性风险尤甚的新兴市场，由监管部门或中介机构定期公布市场及个股的风险状况，给投资者提供基本的风险控制信息显得尤为必要。&
&&&&&&&&自William·Sharpe在1964年创立CAPM模型以来，Beta系数便成为系统性风险估计的主流方法。但目前国内应用的Beta系数估计方法大多属于静态方法，且未针对中国股票市场的制度性因素加以改进，Beta系数估计有偏，缺乏权威性。为此，本课题从四个方面对Beta系数及系统性风险的相关估计方法进行了改进。&
&&&&&&&&一是针对A股市场涨跌停板制度下个股收益率的审查特性，将Schwert和Seguin提出的时变Beta动态估计方法SS模型改进为审查SS模型，并在考察A股市场分形特征的基础上，将市场综合收益率的条件方差设定为能够更加全面刻画市场波动的时变性、聚集性、溢出效应、杠杆效应及分形特征的长记忆GARCH过程，提出了基于长记忆GARCH的审查SS模型的时变Beta估计方法；&
&&&&&&&&二是在时变Beta系数的估计中，鉴于市场综合收益率条件方差估计的重要性，提出了基于VaR的模型选取标准；&
&&&&&&&&三是在系统性风险比例的估计上，为避免估计模型选取不一致造成的偏误，提出了基于双变量GARCH模型的时变系统性风险比例估计方法；&
&&&&&&&&四是在考察A股市场系统性风险的内外部传递机制的过程中，构建了基于向量GARCH模型估计的条件异方差基础上的研究方法。&
&&&&&&&&本课题将系统性风险的内涵拓展为市场整体波幅和个股与市场走势的相关性两个层面。在第一个层面的研究中，本课题得到了以下重要研究结论。&
&&&&&&&&第一，将基于GARCH模型族估计的时变条件方差作为风险的量化表征，实证结果显示，A股市场收益率的平均波动幅度不仅远远大于欧美成熟市场，亦高于亚太主要新兴市场，具有大涨大落的特征且波动幅度亦具有较大的不规律性；&
&&&&&&&&第二，基于向量GARCH模型估计的风险量化表征-条件方差，借助Granger因果检验、协整方法、Pearson相关系数等，研究了A股市场风险内外部的传递机制，结果显示沪深A股市场风险具有相互的溢出效应，外围市场的下跌或上涨是影响A股走势的因素，但A股的波动幅度与外围市场的相关性较小；&
&&&&&&&&第三，对条件日相关系数进行了BP滤波处理，结果发现汇率制度改革后A股市场与外围市场的联动性呈现出明显的增大趋势；&
&&&&&&&&第四，A股日收益率与美股的Pearson相关系数统计表明，外围市场对于A股市场的影响主要是心理层面的，这种影响在市场下跌时表现得更为突出。&
&&&&&&&&在第二个层面上，本课题应用基于长记忆GARCH过程的审查SS模型的时变Beta系数的估计方法对个股Beta系数进行了估计，在此基础了运用非参数的Wilcoxon符秩检验等方法分析了A股系统性风险的股本特征、行业特征、股价特征、业绩特征等。研究表明A股的个股与大盘的走势非常紧密，呈现出明显的"同涨同落"特征。通过估计全部A+H股的时变Beta系数及系统性风险比例发现，A股市场的系统性风险比例远远高于香港市场，A股系统性风险比例的平均值为43.82%，而H股仅为11.86%。&
&&&&&&&&基于上述研究结论，结合中国资本市场发展的现实，本课题提出了以下政策建议：在目前的状况下，应该由监管部门或中介机构定期公布个股的Beta系数及系统性风险状况，给投资者提供基本的风险控制信息。而投资者应该加紧探索与市场走势相关性小，能够规避和对冲系统性风险的投资策略。&
&&&&&&&&本课题对Beta系数及系统性风险相关估计方法的改进，具有"时变性"和"针对性"两大特色。"时变性"即个股Beta系数、系统性风险比例的估计值、市场风险量化表征等都是时变的，从而可以非常方便地研究A股系统性风险的周期特征、制度特征，股价及业绩特征等。"针对性"即基于长记忆的GARCH过程的审查SS模型的时变Beta系数估计方法考虑了A股市场的涨停板制度和分形特征，估计方法较精细且具有针对性，可以为投资者进行资产配置和相关机构信息发布提供更为精确的Beta系数估计值。&
&&&&&&&&此外，本课题给出了相关程序的代码，方便后续研究者及投资机构的应用。&
　　关键词：系统性风险，时变Beta系数，审查SS模型，长记忆GARCH过程&
　　&
　　目&录&
　　1&导论&1&
　　1.1&国内关于系统性风险研究的现状&1&
　　1.2本课题的研究内容、方法及主要特色&2&
　　2&A股市场系统性风险实证研究之一：暴涨暴跌&3&
　　2.1基于GARCH模型族的系统性风险量化表征&4&
　　2.2&A股市场系统性风险的时变特征及传染机制&6&
　　2.2.1&A股市场系统性风险的时变制度特征&6&
　　2.2.2沪深A股系统性风险的传递效应&8&
　　2.3.3&A股与外围市场系统性风险的传染性&9&
　　3&A股市场系统性风险实证研究之二：同涨同落&12&
　　3.1估计模型及样本选择&12&
　　3.1.1基于CAPM的市场模型&12&
　　3.1.2市场组合替代物及样本选择&13&
　　3.2基于长记忆GARCH过程的审查-SS模型&14&
　　3.2.1&A股Beta系数的时变特征&14&
　　3.2.2&A股Beta系数的审查特征&15&
　　3.2.3&A股Beta系数的分形特征&16&
　　3.3基于向量GARCH模型的时变系统性风险比例估计方法&16&
　　3.4基于VaR的市场收益率条件方差估计模型选取&17&
　　3.4.1长记忆GARCH族适用性检验&18&
　　3.4.2基于Kupiec检定的长记忆GARCH族筛选&18&
　　3.5&A股市场系统性风险的实证结果&20&
　　3.5.1&A股系统性风险的股本特征&20&
　　3.5.2&A股系统性风险的行业特征&21&
　　3.5.3&A股系统性风险的股价特征&23&
　　3.5.4&A股与外围市场系统性风险特征比较&24&
　　4&结论&27&
　　附&录&30&
　　1.部分程序代码&30&
　　2.个股时变Beta系数估计结果&31&
　　1&导论&
　　1.1&国内关于系统性风险研究的现状&
　　次贷危机爆发后，全球股市持续动荡，中国A股亦不能独善其身，上证综指自2007年10月中下旬以来持续暴跌，最低下探到1664点，距离6124的高点最大跌幅高达72.83%，几乎将牛市成果吞没殆尽。国际金融危机的肆虐，A股市场的大开大阖再一次让人们深刻意识到资本市场所蕴含的巨大系统性风险。自Wi11iam·Sharpe在1964年创立CAPM模型以来，Beta系数成为系统性风险估计的主流方法，在美国、加拿大、英国等资本市场较为成熟的国家或地区，标准普尔、道琼斯等著名中介机构都定期公布各股票的Beta系数，向投资者揭示上市公司的系统性风险。目前国内有关系统性风险的研究也大多沿着CAPM的思路展开，建立在对个股Beta系数估计的基础上，研究主要集中于以下几个方面：(1)系统风险的相对比例构成。国内学者研究的总体结论是我国证券市场系统性风险比例整体上呈现下降趋势，但仍大大高于西方成熟证券市场（施东辉，1996；张人骥，2000；王宗军，2002；宋增基，2004）；(2)各个市场之间的风险传递机制研究。这方面的研究主要是运用格兰杰因果性检验和协整方法，在市场之间展开讨论（耿广棋，2002；薛昕，2007）；(3)对我国资本市场系统性风险成因的探讨。国内理论界虽然对系统风险的成因尚未达成共识，但这一领域的研究成果却十分丰硕，如马君潞(2004)，阎东明、张华伦（1996）等；（4）系统风险其他度量手段的研究。如基于混沌和分形理论的股市系统风险测度与监控的框架性方法（张梅琳，2008），基于在险价值的系统风险度量指标（曹雪平，2006）等。表1国内学者有关中国股市系统性风险研究结论&
　　年度&96&99&&平均&
　　张人骥等&69.27&62.80&52.03&41.47&27.51&*&*&*&50.62&
　　王宗军等&82.23&51.27&56.55&46.91&34.41&51.33&23.36&*&49.44&
　　宋增基等&*&61.20&45.15&44.01&43.62&53.46&28.82&*&46.04&
　　耿广棋&70.90&65.30&61.45&45.01&31.29&41.70&29.97&*&49.37&
　　徐国祥、檀向球&85.00&59.00&53.00&37.00&38.00&42.00&44.00&39.00&49.62&
　　田素华、吴士君&*&66.96&51.21&43.10&35.76&44.35&29.35&50.70&45.92&
　　资料来源：作者根据相关文献整理&
　　然而，目前国内研究及机构应用的Beta系数估计方法未针对中国股票市场的制度性因素加以改进，且大多是静态方法，估计方法的简单造成Beta系数估计有偏缺乏权威性，加之时间区间、样本选择、研究方法的差异，实证研究的结果存在较大差别。而且，对于A股这样一个系统性风险尤甚的新兴市场，由相关监管部门或中介机构定期公布个股的Beta系数及系统性风险状况，给投资者提供基本的风险控制信息尤为必要。而科学、准确、有针对性的Beta系数估计方法是开展有关A股市场系统性风险研究和使个股的Beta系数信息具有权威性的前提和基础。因此，有必要针对中国证券市场的具体情况，对现有Beta系数的估计方法加以改进，探索更加科学、准确的系统性风险估计方法，开展其基础上的有关A股市场系统性风险的相关研究。1.2本课题的研究内容、方法及主要特色&
　　前文提到，国内研究所存在的问题之一是Beta系数的估计大多是基于CAPM的静态方法，未对时间变动因素作深入研究，而国内外的大量研究表明，Beta系数具有时变特征，如levy(1974)和Black(1972)等就建议分别计算牛市和熊市的Beta值；Fabozzi和Frank(1977)等强调了不同市场态势下Beta值的差异，指出当市场状况从牛市转向熊市时，Beta值较不稳定；国内学者侯永建、周浩（2002），金晓斌等（2003），宋逢明，李翰阳（2004）等对中国股票市场的研究也得出了同样的结论。80年代以来，国外学者提出了时变Beta的动态估计方法及模型，其中最具代表性的是Schwert和Seguin(1990)。他们引进近年来在金融计量经济学中广泛使用的ARCH(自回归条件异方差)模型族度量证券的动态风险，建立了考虑市场收益波动异方差和Beta时间变动特性的SS市场模型&。然而，直接应用SS模型对我国A股市场系统风险进行估计会造成Beta估计值有偏。这是因为A股市场存在涨跌停板制度，真实的收益序列受涨跌停的限制而被截断。在这种情况下，用观测的收益序列代替真实的收益序列进行系统风险的估计则会产生偏差。SS模型还存在一个重要问题是其将市场或证券（组合）收益波动设定为GARCH过程，只对收益率非正态分布的宽尾部特征进行了修正，却无法刻画市场的分形市场特征。而国内的大量研究&表明，A股市场存在着长期记忆性具有分形特征。因此，有必要对SS市场模型针对以上两个方面进行进一步的拓展，以更好刻画A股市场的制度特征和分形特征。本课题依据涨跌停板制度下收益率的审查特性提出了审查-SS模型，针对A股市场的分形特征，将市场及证券（组合）收益波动设定为长记忆GARCH过程，以更加精细地刻画市场波动的时变性、聚集性、溢出效应、杠杠效应及长期记忆性。因为在时变Beta系数的估计中，综合市场收益率条件方差的估计至关重要，本课题提出了基于VaR的模型选取标准。在系统性风险比例的估计上，同样考虑了市场或证券收益率波动的异方差性，同时为了避免估计模型选取不一致造成的偏误，本课题提出了基于双变量GARCH模型的时变系统性风险比例估计方法。而对于A股市场系统性风险的内外部传递机制，本课题构建了基于向量GARCH模型估计条件异方差基础上的研究方法。本课题基于自身提出的方法，并综合运用多种其他金融计量手段，将系统性风险的内涵拓展为市场整体的波幅和个股与市场的相关性两个层面，从横向和纵向两个角度对A股市场的系统风险进行了全面的刻画和研究，希望有关实证研究的结论对机构投资者的资产配置及相关部门的监管提供参考和借鉴。2&A股市场系统性风险实证研究之一：暴涨暴跌&
　　2005年下半年起，中国A股市场经历了过山车般的大开大阖，然而这样巨幅的涨落已经不是第一次，A股市场的发展伴随着一轮又一轮的暴涨暴跌：日，中国股市从100点起步，一年半的时间中，上证指数就狂飙至1429点，暴涨1329%。随后便暴跌5个月，回落至400点下方。1992年底，上证指数从400点启航，3个月内最大涨幅达284%&。之后，股指调头持续阴跌达17个月之久，于日跌至最低333.92点。日，新一轮大开大阖再次启动，仅一个多月上证指数就猛窜至1053点，涨幅为215%。随后便展开了一轮更加漫长的熊市，上证指数在于日跌至512.80的最低点后，又在不到一年半的时间内暴涨1000点，于日创出了1510的高点后开始了长达两年的调整。1999年"5·19"&井喷行情中，在短短一个半月内，上证指数上涨将近70%，随后经过大幅回调后，在日冲向2245点。之后上证指数快速下跌，踏上了漫漫四年熊途，于日创下了历史最低998.23点，随后又是2005年下半年开始的前所未有的大牛市以及随后的史无前例的暴跌。&
&&&&&&&&2.1基于GARCH模型族的系统性风险量化表征&
　　从上面的回顾中，我们不难发现A股市场的显著特征之一即是"暴涨暴跌"，而这也是A股市场系统性风险的重要表现形式。为了量化A股市场的整体风险状况，本课题将基于GARCH模型族估计的市场综合收益率的条件异方差作为市场整体风险状况的量化表征。自哈瑞·马科维茨（1952）&提出资产组合理论以来，资产价格（收益率）的方差成为刻画和描述市场风险的重要工具。然而在传统金融理论中，一般假定资产收益率序列服从独立正态分布，方差是独立于时间的变量。但六十年代以来越来越多的实证研究表明，金融资产收益率波动特征体现出时变性、聚集性、溢出效应、杠杠效应等主要特征，由Engle(1982)、Bollerslev(1986)等提出的GARCH&(广义自回归条件异方差)模型成功地描述了以上特征。GARCH模型包括条件均值方程和条件方差两个方程，基本形式如下：&
　　其中，&是&的条件方差，&，&表示已知的信息集。&
　　从以上基本形式，我们可以看出GARCH模型能够刻画金融资产收益率的条件异方差特征，从而可以较好地描述风险的时变特征。另外在此基本形式上，Black(1976)，Christie(1982)，Nelson(1990)，Schwert(1990)等人进行了拓展，发展出能够刻画波动杠杆效应的指数GARCH模型，门限GARCH模型以及非线性GARCH模型等，Baillie（1996）对长记忆GARCH模型进行了开创性的研究，提出了能够刻画波动的长记忆特征的FIGARCH。之后，国内外的学者将长记忆扩展到现有的GARCH模型族，产生出一系列长记忆GARCH模型&。因此，本部分运用以上长、短两大类，共计二十八小类模型对股指收益率条件方差进行估计，并综合考虑似然函数、AIC信息准则、调整的可决系数等标准，选取出最佳模型估计市场收益率的条件异方差，将其作为市场整体风险状况的量化表征。我们选用上证综指和深证成指作为A股市场的代表，比较对象选取了全球主要股指，涵盖了欧美发达市场、亚太新兴市场，以横向进行比较。主要以调整后的月度收盘价数据作为研究对象，采用对数收益率，分别针对各大股指筛选出最适宜的GARCH模型，以其估计出的月度条件方差作为市场整体风险的表征，将A股市场的风险状况与全球主要市场进行了比较。此外，本部分还以调整后日收盘价数据作为研究对象，比较了A股市场与成熟市场（以美股为代表）的日内波幅，从长、短两个周期比较A股市场的相对风险状况，相关估计结果如表2。从表2我们不难看出，沪深A股的月收益率波动率远远大于外围市场。从平均值来看，美三大股指里比较高的是纳斯达克，这主要是因为其成分股主要是科技股，其股价具有较高的波动性。全部比较对象中，最高的是台湾加权指数和韩国综合指数，这也说明与欧美股市相比，亚太股市尤其是新兴市场具有较高的表2：中国A股与世界主要股指月收益率波幅比较&
　　指数&平均值&最大值&最小值&标准差&
　　上证综指&13.22%&22.64%&10.79%&0.0283&
　　深证成指&13.84%&22.12%&10.21%&0.0329&
　　道琼斯工业平均指数&4.45%&6.05%&3.76%&0.0061&
　　S&P500指数&5.53%&8.84%&4.53%&0.0100&
　　纳斯达克综合指数&7.07%&11.66%&4.34%&0.0199&
　　英金融时报指数&4.68%&6.86%&4.05%&0.0058&
　　法CAC40指数&6.64%&11.73%&5.30%&0.0146&
　　德国DAX30种股价指数&8.18%&9.76%&7.92%&0.0035&
　　韩国成份指数&10.53%&12.80%&7.84%&0.0129&
　　台湾加权指数&8.31%&13.16%&7.06%&0.0129&
　　新加坡海峡时报指数&5.80%&8.54%&4.74%&0.0088&
　　波动率。即使韩国成份指数和台湾加权指数的月波幅的平均值也仅为10.53%、8.31%，而沪深A股的平均月收益的波动幅度却分别高达13.22%，13.84%，而外围市场的平均水平仅为6.80%，比外围市场的平均水平高出了将近90%多。另外，从月波动率的最大、最小值来看，沪深A股都是最高的：沪市A股月收益的最小波动率分别是10.79%、10.21%，而外围市场里该统计指标最大的德国DAX30种股价指数，也仅为7.92%；就月收益的最大波动幅度而言，沪深A股分别达到了22.64%和22.12%，而外围市场里最大是台湾加权指数，也仅为13.16%。从中我们可以看出，不管是与欧美成熟的发达市场相比，还是与亚太的其他市场相比，不管从月收益率条件方差的平均值，还是最大、最小值来看，A股市场的整体波动幅度都远远高于其他，而我们看到的外在表象是在将近20年的发展历史中，A股总是处于暴涨暴跌的轮回中。而从标准差来看，沪深A股的0.9也是最高的。这反映了中国A股市场作为一个新兴的市场，不仅具有大涨大落的特征，涨落的幅度亦具有较大的不规律性。表3是对A股与美三大股指调整后的日收盘价收益率应用GARCH模型估计的条件异方差，从中我们看出，从日波幅来讲A股市场也远远大于成熟市场。上证综指和深证成指收益率的日波动幅度的平均值为2.33%和2.12%，而美三大股指分别为0.95%、0.98%和1.41%。从标准差一栏我们同样可以看出，不仅日收益率的波动幅度大，其波动率也呈现非常大的异变性。表3：中国A股与世界成熟市场日收益率波幅比较&
　　指数名称&平均值&最大值&最小值&标准差&
　　上证综指&2.34%&8.83%&0.50%&0.0192&
　　深证成指&2.13%&10.15%&1.06%&0.0095&
　　道琼斯工业平均指数&0.95%&4.59%&0.43%&0.0035&
　　S&P500指数&0.98%&6.25%&0.34%&0.0044&
　　纳斯达克综合指数&1.41%&7.34%&0.47%&0.0078&
　　2.2&A股市场系统性风险的时变特征及传染机制&
　　2.2.1&A股市场系统性风险的时变制度特征&
　　在中国A股市场将近20年的发展中，伴随着各种市场机制的推出、制度的完善以及政策调控等，其风险状况也呈现出明显的阶段特征。另外由于沪市和深市A股没有内在的分割机制，其走势及波动存在着紧密的关联性，其系统性风险必然存在着溢出效应，本部分运用向量GARCH模型，对沪深A股调整后的日收盘价收益率数据进行建模，基于模型估计出的条件方差、协方差、时变相关系数研究沪深A股时变特征、制度特征以及两个市场风险的传递机制、协同效应、溢出效应。Kraft和Engle（1983）、Bollerslev（1988）最早提出了向量GARCH模型、之后，发展成对角向量GARCH模型、BKKK模型、K因子向量GARCH模型等各类。因为BEKK模型具有较少的约束，能够涵盖更多的信息，本部分选取BEKK模型作为估计模型，其条件方差、协方差矩阵的形式如下：&
　　其中，&为下三角矩阵，&和&为无约束矩阵，&为条件方差、协方差对角矩阵。通过向量GARCH模型，我们可以估计出沪深A股收益率的条件方差、条件协方差和时变相关系数序列，结果如下图：&
　　图1：中国A股市场整体波动状况时序图&
　　从沪深A股收益率的条件方差序列来看，深市的日波幅略高于沪市，这主要因为沪市的上市公司相对深市，股本规模更大，尤其是大盘股较集中于上交所，因此其股价的波动性会较小。但是整体来讲，两市的波动幅度并不具有明显的差别，这也表明就整体风险状况而言，两市相差不大。另外沪深A股整体的风险状况表现出一定的趋势性。在资本市场的建立初期，两市的波动幅度都非常大，基本上可以划分为1994年以前，年，年以及2005年以后四个阶段。1994年以前，A股的整体状况是波动非常剧烈，尤其是1992年-1994年间，这主要是因为这一阶段上市公司数量比较少，股市流通市值比较小，市场操纵比较严重。另外市场在发展初期，各种制度、规章都不完善，市场的发展处于不规范阶段，因此市场整体的波动幅度非常大。而且有意思的是，此阶段沪市A股的整体波幅要高于深市。年间，A股市场得到了一定程度的扩容，相对前一阶段市场的波动幅度有所减小，但是期间伴随着两次剧烈的波动。1998年以后，随着涨跌停板制度的确立以及其他市场制度的完善，A股市场基本进入了规范发展阶段，市场的波动幅度明显减小，这说明涨跌停板制度确实对抑制过度投机以及减小市场波动起到了相应的作用。其间有两次较明显的大波动，一次是1999年5月-7月间由网络股引发的大行情以及经过大幅回调后2001年年中的大幅上涨。2005年以后，A股在前所未有的大牛大熊的戏剧性转化中，市场的波动幅度再次放大。但总的来说，1998年以后A股市场系统性风险呈明显下降趋势，整体的波动幅度明显收窄，我国股市进入了进一步规范和发展阶段，《证券法》的颁布，涨跌停板制度的建立等对市场的规范发展起到了非常重要的作用。2.2.2沪深A股系统性风险的传递效应&
　　从图1我们可以看出，沪深A股的相关性明显分为两个阶段：1998年以前，沪深A股的时变相关系数波动性非常大，但整体趋势是逐步增强；&1998年以后，A股两个市场的走势非常紧密，其相关系数基本稳定在0.99以上。我们对通过向量GARCH模型估计的A股收益率的条件异方差作格兰杰因果检验，结果表明在10%的置信水平下，沪深A股条件标准差互为对方的格兰杰因，这说明从短期来看，沪深A股的市场风险具有相互的溢出效应和协同效应。而在5%的置信水平下，沪市不是深市的格兰杰因，而深市的波动幅度是沪市的格兰杰因，这个结果出乎了我们的意料，也就是说市场的波动率或者系统风险的传递方向是从深圳A股市场传递到上海A股市场，其原因是可能由于沪市A股的市场规模、上市公司家数、流通市值都比深市A股要大，因而沪市A股具有更高的市场敏感度。另外，我们对A股收益率的条件异方差作了Johansen协整检验，结果表明二者之间存在着协整关系，这说明从长期来看，沪深A股系统性风险之间存在长期趋势的一致性。表4：沪深A股风险传递效应的格兰杰因果检验&
　　原假设&F统计量&概率&
　　深市不是沪市的格兰杰因&5.7&
　　沪市不是深市的格兰杰因&2.7&
　　2.3.3&A股与外围市场系统性风险的传染性&
　　随着资本市场的逐步开放，A股市场与全球市场之间的联动性也越来越紧密，国际投资者对A股市场开始显现其日益膨胀的影响力，虽然受资本项目管制的制约，国际资本实际入市资本规模有限，但在价值评估、心理预期等方面影响却不容小觑。此次金融危机的爆发也反映出经济、金融全球化大背景下，全球股市系统性风险呈现出日益紧密的多米诺骨牌式的连锁反应。因此，本部分选取了美三大股指作为外围市场的代表，对沪深A股和美三大股指的对数化日收盘价收益率两两进行了双变量GARCH模型估计，沿用上一部分的思路，对沪深A股与外围市场风险的传递机制、协同效应、溢出效应，A股与外围市场的联动性等作一研究。因为A股市场的开放呈现明显的阶段性特征，因此有必要分阶段进行研究。我国股票市场的国际化经历了B股发行、海外上市、外资参股、QFII、QDII机制实施等开放历程。本部分选取了2002年QFII机制实施和2005年汇率制度改革作为标志时点。这是因为QFII机制提供了资金进出A股市场的实际渠道，其实施是中国资本市场国际化进程中的一个重要举措。因此本部分将QFII制度正式实行的日作为阶段划分的第一个时间点。而2005年人民币汇率制度改革加大了境内外资本的流动，在人民币持续升值预期下，国际资本向国内大量涌入&。日起，我国开始实行以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度。因此此时间被确定为阶段划分的第二个时间点。我们对基于向量GARCH模型估计出的市场收益率的条件异方差进行了格兰杰因果检验，结果却并没有如我们想象的那样，外围市场是A股市场的格兰杰因，大部分结果在5%的置信水平下为否。这主要是因为，我们运用的条件方差的时间序列作因果检验，即市场的波幅作格兰杰因果检验，从上面的分析中我们可以看出，外围市场的下跌和上涨越来越成为影响中国A股的重要因素，但是对于市场的波动幅度，A股与美股却不呈现明显的相关性，也就是说外围市场的下跌或上涨是影响中国A股下跌或上涨的因素，但是A股的波动幅度却与外围市场相关性较小，表现出的是自身大幅的波动。这说明从短期来看，对于日收益率数据的波动幅度不能够解释A股市场的波动幅度，A股市场自身的波动呈现出自有的"大涨大跌"特征。而Johansen检验却表明A股的波幅与外围市场存在协整关系，这说明从长期来看，中国A股的波幅与外围市场存在着一致趋势，而这种趋势不管是在哪个阶段表现都非常明显。表5：中国A股与外围市场风险传递的格兰杰因果及协整检验&
　　指数名称&相关检验&上证综指&深证成指&
　　阶段一&阶段二&阶段三&阶段一&阶段二&阶段三&
　　道琼斯工业平均指数&格兰杰因果检验&否&否&是*&是&否&否&
　　协整检验&是&是&是&是&是&是&
　　S&P500指数&格兰杰因果检验&否&否&否&是&否&否&
　　协整检验&是&是&是&是&是&是&
　　纳斯达克综合指数&格兰杰因果检验&否&否&否&是*&否&否&
　　协整检验&是&是&是&是&是&是&
　　*表示在10%的置信水平下显著，其他表示在5%的置信水平下显著。&
　　基于双变量的GARCH模型，我们同样可以得出A股与美三大股指的时变相关系数，从表6中，我们可以看出无论是上证综指，还是深证成指，与三大股指的相关系数都是第三阶段最高，第一阶段次之，第二阶段最低。尤其是2005年表6：不同的发展阶段中国A股与外围市场时变相关系数&
　　发展阶段&统计指标&道琼斯工业平均指数&纳斯达克综合指数&S&P500指数&
　　上证综指&深证成指&上证综指&深证成指&上证综指&深证成指&
　　第一阶段&
　　平均值&0.6&0.0&0.0&
　　最大值&0.0&0.2&0.6&
　　最小值&-0.8&-0.5&-0.1&
　　第二阶段&
　　平均值&0.4&0.7&0.4&
　　最大值&0.8&0.6&0.1&
　　最小值&-0.9&-0.6&-0.7&
　　第三阶段&
　　平均值&0.1&0.9&0.4&
　　最大值&0.3&0.4&0.0&
　　最小值&-0.3&-0.8&-0.9&
　　汇率制度改革后中国与外围市场的相关系数明显增强，这说明汇率制度的改革是增强中国A股市场与外围市场联系的重要影响因素，而在第二阶段，正是中国股市正处于漫长的四年熊市中，此期间中国政府出台了QFII制&度，作为中国资本市场国际化的重要一步，QFII制度为A股提供了与外围市场的实体资金连接渠道，却未能显著增强A股与外围市场的联动性，此时的相关系数是最低的。这一方面是因为受额度限制QFII对A股的影响有限，同样再次表明在中国股市的发展中，其内在的趋势影响占据绝对的主导。因为相关系数的计算基于日数据，存在着很多的随机因素，所以我们对条件日相关系数进行了BP滤波处理，以过滤掉随机因素发现主要趋势。从下面图形我们可以看出，在第一和第二个阶段，中国A股市场与外围市场的相关系数并没有表现出明显的变化趋势，但是在第三个阶段，即汇率制度改革后A股市场与外围市场的相关系数呈现出明显的增大趋势。这说明QFII制度实行后，因为额度限制，QFII对中国A股市场的影响还是很小的，反倒是汇率制度改革后，随着人民币升值预期的增强，虽然我国的资本项目还未开放，但通过各种渠道涌入境内的热钱成为加强中国A股市场与外围市场联系的重要影响因素，因此从资本市场的安全角度考虑，亦需要加强对热钱的监管。&
　　图2：A股与道琼斯工业指数第二阶段时变相关系数&
　　图3：A股与道琼斯工业指数第三阶段时变相关系数&
　　另外，中国的A股市场还呈现出一个特点，随跌不随涨，即在外围市场大涨的时候，A股市场却涨幅不大甚至"独跌"，而在外围市场大跌的时候，却亦步亦趋，甚至下跌的幅度更大、更猛。因此本部分选取美股作为外围市场的代表，分别计算了美股上涨和下跌时，A股滞后一日的（因为美股开盘时间晚于A股）以收盘价计算的日收益率与美股的Pearson相关系数。从下表我们可以看出，上证综指在外围市场下跌时，与美三大股指的相关系数分别是0.067、0.082、0.046，而在外围市场上涨时，与美三大股指的相关系数分别是0.035、0.042、0.026，即下跌时的相关系数均大于上涨时的相关系数；对于深证成指，存在着类似的情况，下跌时为0.089、0.113、0.071，上涨时为0.015、0.031、0.031。这说明外围市场对于A股市场的影响主要是心理层面的，而这种心理层面的影响在市场下跌时表现得尤为突出，从而导致在外围市场下跌时，相关系数明显高于外围市场上涨时的相关系数，表现出特有的"随跌不随涨"的特点。表7：不同态势下中国A股与外围市场Pearson相关系数&
　　指数名称&道琼斯工业指数&S&P500指数&纳斯达克&
　　上涨&下跌&上涨&下跌&上涨&下跌&
　　上证综指&0.035&0.067&0.042&0.082&0.026&0.046&
　　深证成指&0.015&0.089&0.031&0.113&0.031&0.071&
　　3&A股市场系统性风险实证研究之二：同涨同落&
　　前一部分，基于单变量以及向量GARCH模型我们对沪深A股的波动特征进行了刻画，通过横向的比较我们可以看出，从长、短周期来看，作为市场整体状况的代表--上证综指和深证成指的收益率序列的波动幅度都非常巨大，其外在表象即暴涨暴跌，市场的整体风险很大。而如果个股与大盘走势亦步亦趋，较少能够走出独立行情，那么将加重个股的系统性风险。那么A股市场的个股与市场整体走势的关系到底如何，本部分利用时变Beta系数对此进行了研究。3.1估计模型及样本选择&
　　3.1.1基于CAPM的市场模型&
　　自William·Sharpe(1964)等创立的资本资产定价模型（CAPM）以来，Beta系数成为股票市场系统风险测定的主流方法，本研究也遵循这一经典方法，而证券市场线和市场模型是估计Beta的两个主要模型，其表达形式分别为：证券市场线：&，&
　　市场模型：&，&
　　从理论上来说，市场模型等于证券市场线&。由于标准CAPM模型建立在一系列严格假设基础上&，而市场模型理论基础较简单，认为证券价格或收益变动同涨同跌的联动关系是由于共同因素的影响（其最佳度量是市场收益），用Beta表示市场期望收益变动对证券期望收益变动的作用程度，描述了二者之间的关系。另外由于证券市场线还涉及无风险收益率，这在理论和数据操作上都存在问题&，所以我们选取市场模型进行估计。3.1.2市场组合替代物及样本选择&
　　（1）市场组合替代物的确定&
　　根据CAPM模型的假设，理论上的市场组合应包含了所有资产，其中还包括某些不上市交易的金融资产和不动产等。但是由于这些资产的收益是不可观测的，真正的市场组合收益根本无法直接度量，在实际估计中通常是采用市场指数的收益率作为市场组合收益率的替代。从理论上看，作为市场组合收益率替代物的市场指数收益率对Beta估计的影响一般来自市场指数中所包括证券的种数和代表性和指数的编制方法两方面。综合考虑"代表性"和"稳定性"这两个因素，本课题选择了上证综指和深证成指作为市场组合的替代物。（2）收益率的时间段--日收益率&
　　计量市场收益率和证券收益率的时间段有日、周、月、季、半年或年收益率等多种选择，但不同的时间段影响着Beta的估计&。考虑到一些重要的指标股（如中国石油、工商银行等）上市时间较短，为了扩大样本容量，提高估计的有效性，本研究采用日收益率数据以包括更多的观察值。由于采用了审查回归模型，修正了日收益率数据因价格调整滞后而导致的Beta估计偏差问题，同时由于引入了GARCH模型，也避免了日收益率分布非正态分布对估计造成的影响。由于涨跌停板的限幅经历了多次调整，从日才开始固定下来，因此本文将个股的样本时间区间的确定为日至日。3.2基于长记忆GARCH过程的审查-SS模型&
　　3.2.1&A股Beta系数的时变特征&
　　传统或标准的市场模型的设定为:&
　　&
　　其中，&为证券或组合&在&时刻的收益；&为综合市场在&时刻的收益；回归方程的斜率&即为证券或组合&的Beta系数，它是证券或组合的系统风险的衡量。在上式中，分子是证券收益与综合市场收益的协方差，分母是综合市场收益的方差，从中我们可以看出传统的市场模型给出的系统风险的估计是一个常数。大多数实证研究均表明，无论是对于发达国家中成熟股市，还是新兴市场而言，个股的Beta系数具有不稳定性，呈现出时变特征&，因此，Schwert和Seguin(1990)提出了能对时间变动Beta进行估计SS市场模型。SS市场模型的具体设定为：&
　　它需要估计三个参数:&、&和&。&是一个随时间变动而变化的量，它可以分解成二个部分:&。其中，&和&是一常数，&是综合市场收益的时间变动方差或条件方差(即综合市场收益是异方差的)，主要通过对综合市场收益设定的GARCH(广义自回归条件异方差)类模型估计而获得，因而&随个股和时间两个因素变化，SS市场模型为时变Beta估计方法。3.2.2&A股Beta系数的审查特征&
　　所谓审查指的是把变量的处于某一范围内的样本观测值都用同一个相同的值替代，当回归模型的因变量被审查时所设定的回归模型即为审查模型。它的设定为:&
　　其中，&为实际的因变量，&为被查了的因变量，&和&是一个固定值，代表了左右审查点，此模型也称为托宾双限制审查模型。目前，我国A股市场实行幅度为±10％（ST类个股为±5％）涨跌停板制度。实行涨跌停板制度时，所能获得的只是被截断的观测收益序列而非真实收益序列。在这种情况下，用观测的收益序列代替真实的收益序列进行系统风险的估计则会产生偏差。SS市场模型因为未考虑到涨跌停板制度这一制度性因素的影响，因此不适合于直接估计涨跌停板制度下的证券时变Beta。本课题组将托宾双限制审查法则引入到SS市场模型中，得到新的审查-SS模型。课题组通过样本内预测误差的比较证明，审查-SS模型可以较SS市场模型提供更为精确的Beta估计。审查-SS模型具体为：&
　　其中&为审查模型中的隐性因变量，即证券和其组合的真实收益率，它受以下双限制审查法则制约:&
　　&
　　3.2.3&A股Beta系数的分形特征&
　　在SS市场模型基础上，考虑到中国A股特殊的制度特征，融入了审查回归模型后，还存在一个问题，即资本市场的分形特征，体现在风险资产的收益率上即是长记忆特征&。国外大量的实证研究都表明股市收益率的波动往往存在着显著的长期记忆性&，国内学者如汤果、何晓群（1999）、王春峰、张庆翠（2004）等的实证研究也支持沪深A股存在着长期记忆性。因此在审查-SS模型基础上，在估计综合市场收益的条件方差时应采用长记忆的GARCH模型。长记忆GARCH模型由Baillie（1996）进行了开创性的研究，他首次提出了FIGARCH模型，其条件方差函数表示为：，&
　　其中，&，&分别是&滞后算子多项式&。之后，在其基础上，学者们发展出FIEGARCH模型（Nelson，1991）、FI-A-PARCH模型（Tse，1998）、HYGARCH模型（Davidson，2003）、Hyperbolic&A-PARCH模型（Schoffer，2003）等。本文应用四种长记忆GARCH模型估计综合市场收益的时变方差。另外通常的模型假设综合市场收益的残差服从正态分布，但大量的实证研究发现，资产价格的收益率序列一般不满足正态分布，存在着尖峰、厚尾性特征，因此进行估计时还应考虑资产收益率的分布偏离正态分布的程度。因此本课题在每种模型下分别假设&服从正态分布、T分布、偏峰T分布。3.3基于向量GARCH模型的时变系统性风险比例估计方法&
　　根据市场模型，证券资产或组合的收益率变动的方差表达式为：&
　　&
　　其中&为股票的收益率方差，为股票总体风险程度的度量，它包含两部分：&一是与市场整体波动相关的系统风险，另一部分为随机误差项方差，是每种股票都特有的，与系统风险无关，因此系统性风险比例的表达式为&。因为Beta系数的估计也可以写为:&，而且A股市场中的个股波动与市场综合指数联系非常紧密，因此在估计和比较个股的系统性风险比例时，为了避免在估计个股条件方差时模型选取可能存在的差异性问题，我们运用双变量的GARCH模型，对个股和市场指数各自的条件方差、协方差同时进行估计，利用下式计算个股系统性风险比例：&
　　利用双变量的GARCH模型对个股和市场指数估计后，可以得到协方差估计序列以及个股和市场指数收益率序列的条件方差和实际残差的标准差，本部分将实际残差的标准差的平方作为个股和市场综合指数收益率方差&，以模型得出的条件协方差作为&的估计值，splus估计程序如附录。3.4基于VaR的市场收益率条件方差估计模型选取&
　　本课题应用了FIGARCH&、FIEGARCH、FIAPARCH、HYGARCH四种长记忆GARCH模型，在每种模型下分别假设误差项服从正态分布、t分布、偏峰t分布，这样实际上有12种基本模型，那么选取最合适的模型成为一个重要问题。因为综合市场收益条件方差的估计在个股系统性风险的估计中至关重要，应用一般的模型选取标准（例如，似然函数标准、信息准则等）则显得简单和粗糙。因此在模型的选取上，本课题提出了基于VaR（在险价值）的模型选取方法。VaR模型作为一种全面测量复杂证券组合的市场风险的方法目前已成为风险管理和风险监控的重要工具和主流方法。本课题依据VaR模型进行模型的选取的具体思路是，通过各种备选的长记忆GARCH模型对市场收益率进行估计，运用一般的模型选取标准，对模型进行第一步的精化，包括滞后阶数的选取、控制变量的选择等；第二步，由之前筛选出来的模型估计市场的VaR值，并运用Kupiec（1995）检定，拒绝部分模型；第三步，在通过Kupiec检定无法拒绝的模型中，按照不同置信水平下估计的失败率的平均值进行排序，选取估计失败率最低的模型作为估计市场收益率条件方差的最佳模型。3.4.1长记忆GARCH族适用性检验&
　　因为对市场综合收益率方差的估计采用了长记忆的GARCH模型族，所以需要首先对上证综指与深证成指的日收益率LM异方差检验，以检验是否存在ARCH效应。我们首先对收益率序列进行了滞后一阶的自回归，之后对残差序列进行了滞后1阶、2阶、3阶、4阶的异方差检验，结果均显示日收益率序列存在异方差性。之后本文分别运用了经典和修正的R/S检验，对上证综指与深证成指收益率序列进行了是否存在长记忆现象的检验，修正的R/S检验针对不同的Q值进行了计算，两种方法在1%和5%的显著水平下都拒绝了不存在长记忆现象的原假设，从而我们运用长记忆GARCH模型进行估计是合适的。表8：上证综指与深证成指日收益率长记忆R/S&检验&
　　修正&R/S&检验&上证综指&深证成指&
　　Q=3&2.&
　　Q=5&2.714&2.6784&
　　Q=8&2.9&
　　Q=10&2.5&
　　Q=12&2.8&
　　Q=14&2.667&2.6349&
　　经典R/S&检验&2.743&2.7749&
　　3.4.2基于Kupiec检定的长记忆GARCH族筛选&
　　（1）根据Kupiec检定拒绝部分模型&
　　在确定应用长记忆GARCH模型较为合适后，运用各种备选模型对上证综指与深证成指的对数日收益率序列进行估计，随后运用一般的模型选取标准，如似然函数、AIC、Adjusted&R-squared等对模型进行第一步精化，主要包括滞后阶数的选取、控制变量的选择等。因为这一部分模型的估计需要反复测算、筛选，因此在这里不再给出估计结果。之后，将筛选出来的模型分别估计上证综指与深证成指的VaR值，并运用Kupiec（1995）检定进一步拒绝部分模型。表9给出了Kupiec(1995)检定法的&统计量及其&值。其中单元格中的第一个数字表示&统计量，第二个数字表示其对应的&值，带*的表示在5%的水平下&统计量不符合零假设，0、1、2分别代表正态分布、t分布、偏峰t分布。Kupiec（1995）检定是对VaR准确性测量的通行方法。他假定VaR估计具有时间独立性，实际损失超过VaR的估计记为失败，失败的期望概率为&(c为置信度)。对VaR模型准确性的评估就转化为检验失败频率&是否显著不同于&。Kupiec（19提出了似然比率检验统计量&，&为实际考察天数，&为失败天数。零假设条件下，以上统计量服从自由度为1的&分布。根据Kupiec(1995)失败频率检验法，对深证综指，我们在5%的水平下，拒绝了基于Student-t分布假设的HYGARCH，在1%的水平下，拒绝了基于正态分布假设的FIGARCH、FIEGARCH、FIAPARCH模型。表9：Kupiec检定的LR统计量及其P-Value&
　　置信水平&模型&FIGARCH&FIEGARCH&FIAPARCH&HYGARCH&
　　分布&0&1&2&0&1&2&0&1&2&0&1&2&
　　5%&
　　上证&
　　0.4816&
　　0.0&
　　0.9&
　　0.2&
　　0.6&
　　0.9&
　　0.7&
　　0.0&
　　0.9&
　　0.6&
　　0.9&
　　0.2&
　　0.7422&
　　深证&0.0006&
　　0.1&
　　0.8&
　　0.5&
　　0.6&
　　0.6&
　　0.9&
　　0.9&
　　0.6&
　　0.6&
　　0.4&
　　0.1&
　　0.8990&
　　2.5%&上证&0.4&0.4&0.9&0.9&0.8&0.4&0.8&0.5&0.4&0.4&0.9&0.4深证&1.5888&
　　0.0&
　　0.7&
　　0.3&
　　0.3&
　　0.8&
　　0.4&
　　0.0&
　　0.6&
　　0.0&
　　0.9&
　　0.7&
　　0.7888&
　　1%&上证&2.6000&
　　0.6&
　　0.4&
　　0.6&
　　0.1&
　　0.5&
　　0.7&
　　0.1&
　　0.1&
　　0.0&
　　0.3&
　　0.4&
　　0.0440&
　　深证&8.7655&
　　0.2&
　　0.3&
　　0.8&
　　0.7&
　　0.2&
　　0.7&
　　0.7&
　　0.1&
　　0.5&
　　0.5&
　　0.6&
　　0.3140&
　　（2）根据VaR估计失败率选取最优模型&
　　VaR估计失败率表给出了四个模型对两个指数收益率在5%、2.5%、1%、0.5%、0.25%五个置信水平下VaR估计的失败率表，"平均值"给出的是每个模型&的平均数，其平均数越小说明此模型的VaR估计的安全性越高。据此，对于上证综指VaR估计表现最好的是Student-t分布假设的FIEGARCH，对于深证综指是偏锋Student-t分布假设的HYGARCH，因此我们分别选取这两个模型估计市场综合收益率的条件方差。表10：不同置信水平下长记忆GARCH模型族VaR估计失败率表&
　　指数&置信水平&FIGARCH&FIEGARCH&FIAPARCH&HYGARCH&
　　上证综指&0&1&2&0&1&2&0&1&2&0&1&2&
　　5%&0.0&0.8&0.6&0.1&0.7&0.62.5%&0.1&0.6&0.1&0.6&0.5&0.11%&0.9&0.2&0.1&0.8&0.8&0.9&
　　0.5%&0.9&0.3&0.4&0.9&0.3&0.90.25%&0.5&0.4&0.9&0.4&0.9&0.5平均值&0.0&0.6&0.5&0.6&0.5&0.7排名&8&6&5&12&1&10&11&2&3&9&7&4&
　　深证成指&5%&0.5&0.2&0.7&0.0&0.1&0.62.5%&0.5&0.6&0.6&0.5&0.0&0.11%&0.8&0.2&0.8&0.8&0.2&0.90.5%&0.9&0.3&0.9&0.9&0.8&0.90.25%&0.9&0.9&0.9&0.9&0.9&0.9平均值&0.7&0.0&0.5&0.1&0.5&0.0排名&9&6&2&12&3&4&10&7&5&11&8&1&
　　3.5&A股市场系统性风险的实证结果&
　　3.5.1&A股系统性风险的股本特征&
　　为了研究A股系统性风险的股本特征，本部分将上证A股和深证A股按流通股排序从高到低的排序，选取了上证流通股本最大的前50只，最小的后20只，以及深证A股流通股本最大和最小的20只股票作为大公司样本(70只股票)和小公司样本(40只股票)。应用基于长记忆的GARCH过程的审查SS模型的时变Beta系数的估计方法对此110只样本股票的Beta进行了估计，得出其在样本区间内Beta估计的最大值、最小值、均值以及标准差。估计结果见附表1-4。为了研究系统性风险是否因股本不同而具有显著的差异，将大公司样本Beta的均值序列与小公司样本Beta的均值进行非参数的Wilcoxon符秩检验，得到的Z值为0.237，对应的双边显著性水平为0.813。可见公司规模对系统风险的均值并无显著影响。同样将大公司样本Beta的标准差序列与小公司样本审查-SS模型的估计Beta的标准差序列进行非参数的Wilcoxon符秩检验，得到的Z值为0.175，对应的双边显著性水平为0.861。可见公司规模对系统风险的波动也并无显著影响。表11是有关&估计结果的统计。从该表中可以看出，大公司样本和小公司样本估计值的绝对值的差别并不大。对两组样本，&估计值的绝对值序列进行非参数的Wilcoxon符秩检验得到的Z值为0.175，双边显著性水平为0.861。这表明市场波动对上市公司系统风险影响的绝对水平并不因公司规模的不同而存在差异。表11显示，大公司&估计均值的符号为负，而小公司的符号却是正的。具体到样本中的每一只股票而言，大公司样本的70只股票中，有30只股票的&系数是为负的，占到了42.86%（上证A股此比例为40.82%，深证为47.62%）；而小公司样本40只股票中，65.79%只有10只是小于0的，其余的20只则都是大于0的。也就是说，对于大公司而言，&系数是为负的有26只，比例为65.79%（上证A股此比例为55.56%，深证为75.00%）。大公司&较普遍，而小公司则是&更为普遍，也就是说大公司表现出更为明显的与大盘的同向波动性。表11：审查SS模型估计结果的相关统计&
　　统计指标&统计值&估计量&
　　大公司样本&小公司样本&
　　平均值&1.6.18E-04&
　　最大值&7.92E-04&1.71E-03&
　　最小值&-1.85E-03&-3.74E-03&
　　标准差&0..&
　　大于0&40&14&
　　小于0&30&26&
　　3.5.2&A股系统性风险的行业特征&
　　为了观察A股系统性风险的行业特征，我们根据中国证券监督管理委员会公布的《上市公司行业分类指引》，将全部上市公司分成20个行业，对各个行业的指数数据的时变Beta系数进行了估计，下表是依据估计值的平均值进行的排序。从中我们可以看出，最大的是传播文化，其次是房地产、电子行业。传播文化、房地产、电子行业、建筑业、批发零售、金融保险、信息技术、农林牧副渔、采掘业、机械设备的Beta估计值在1以上，是相对进攻型行业，而社会服务、制造业、纺织服装、水电煤气、造纸印刷、石化塑胶、综合类、医药生物、运输仓储、食品饮料时变Beta系数估计值的平均值均小于1，是相对保守型行业。表12：中国A股行业系统性风险估计&
　　排序&行业&估计量&
　　估计值&
　　平均值&最大值&最小值&标准差&
　　1&传播文化&1.70E-05&1.8&1.2&
　　2&房地产&1.20E-05&1.5&1.1&
　　3&电子&3.00E-05&1.5&0.1&
　　4&建筑业&6.00E-06&1.5&1.0&
　　5&批发零售&4.20E-05&1.2&0.1&
　　6&金融保险&-8.00E-06&1.1&0.6&
　　7&信息技术&2.00E-05&1.2&0.1&
　　8&农林牧副渔&1.90E-05&1.2&0.5&
　　9&采掘业&-1.30E-05&1.8&-0.6&
　　10&机械设备&6.00E-06&1.4&0.8&
　　11&社会服务&2.00E-06&0.7&0.3&
　　12&制造业&3.00E-06&0.6&0.7&
　　13&纺织服装&-2.00E-06&0.4&0.4&
　　14&水电煤气&-2.00E-05&0.8&-0.9&
　　15&造纸印刷&-1.60E-05&0.6&-0.4&
　　16&石化塑胶&1.30E-05&0.4&0.1&
　　17&综合类&1.00E-06&0.8&0.2&
　　18&医药生物&1.00E-06&0.2&0.6&
　　19&运输仓储&-1.20E-05&0.9&-0.6&
　　20&食品饮料&-3.00E-06&0.0&0.0&
　　但我们也可以看出，各个行业的Beta估计值都在1附近，这说明对于证券组合而言，其个股的个体性风险被互相对冲，剩下的仅为系统性风险，因此表现出与大盘更为紧密的相关性。此外，我们对20个行业的系统性风险的历年分布特征状况进行统计分析，并在95%的显著性水平下进行了分布检验。结果显示行业系统性风险无显著性的差异，都服从正态分布且分布幅度也比较小，这一点可以从分布变异系数可以看出。行业系统性风险的正态性检验说明，各行业系统性风险不具有显著差别，再好的投资组合也无法直接规避和降低系统性风险。3.5.3&A股系统性风险的股价特征&
　　表13：高价股时变Beta系数估计值&
　　股票名称&估计值&
　　估计值&
　　平均值&最大值&最小值&标准差&
　　苏宁电器&4..0&0.4&
　　贵州茅台&3..4&0.6&
　　中国船舶&-3..2&1.9&
　　中国平安&-6..6&-0.1&
　　山河智能&-1..5&-1.4&
　　盐湖钾肥&4..3&0.2&
　　驰宏锌锗&7..1&0.2&
　　山东黄金&1..4&0.5&
　　中金黄金&5..4&0.5&
　　为了分析系统性风险的股价特征，本部分选取了股价曾经超过百元的九只高价股，运用后复权的日收盘价数据，估计了时变的Beta系数得出结果如表13。从上表我们可以看出对于高价股，其Beta估计值没有呈现出整体的高于或低于平均水平的特征，对于流通股本更大的股票，例如中国平安，其Beta系数更接近1，表现出与大盘更大的相关性，而对于流通股本更小的股票，例如贵州茅台、苏宁电器等，其Beta估计值偏小，说明这类股票更容易演绎独立的行情。另外，通过将股价与Beta估计值进行比较，我们发现，无论股本如何，在股价较高的时期，Beta估计值更为稳定，且呈现出明显的降低特征。这说明对于高价股，在其股价非常高的时期，主要为机构持有和控制，在一定程度上机构的控制和操纵是个股系统性风险较低的原因之一。&
　　图4：贵州茅台时变Beta系数估计值&
　　&
　　图5：中国平安时变Beta系数估计值&
　　&
　　图6：苏宁电器时变Beta系数估计值&
　　3.5.4&A股与外围市场系统性风险特征比较&
　　为了比较A股与外围市场的证券的系统风险特征，本部分选取了同时在香港和内地上市的50多家公司，对其系统性风险进行了估计。因为香港不存在涨停板制度，因此对H股不适合采取审查回归模型，而对A股而言，如果同样用观测的日收益率序列代替真实的收益序列进行估计则会产生偏差，为了统一估计方法，避免由估计方法不一致造成的误差，本部分选用了经调整的周收盘价作为研究对象，计算H股系统性风险时，将恒生指数作为市场组合的替代物。之后，运用基于长记忆GARCH模型的SS模型时变Beta系数的动态估计方法，对全部A股+H股分别进行了估计。估计结果如附表5。从附表5中我们可以看出A股和H股的Beta估计值呈现出巨大的差异性，A股的估计值基本在1左右，说明其与大盘收益率的波动具有紧密的相关性，而H股的Beta在0.3-0.4之间，其个股与大盘的走势相关性远远低于A股。我们将A股Beta的均值序列与H股Beta的均值进行非参数的Wilcoxon符秩检验，得到的Z值为0.037，对应的双边显著性水平为0.813，从而显示A股和H股的系统性风险或说时变Beta值呈现出巨大的差异，A股的Beta值显著高于H股。另外，我们将A股与H股时变Beta估计值的标准差序列进行非参数的Wilcoxon符秩检验，得到的Z值为0.175，对应的双边显著性水平为0.861，也表明A股和H股时变Beta的波动同样呈现表14：基于向量GARCH模型的A+H股系统性风险比例估计&
　　A股&H股&
　　排序&均值&最大值&最小值&标准差&排序&均值&最大值&最小值&标准差&
　　建设银行&74.77%&80.00%&71.08%&0.0216&建设银行&33.83%&70.38%&5.22%&0.1402&
　　中国石油&71.35%&82.68%&43.23%&0.0611&中国银行&24.67%&61.00%&8.97%&0.1275&
　　中信银行&70.51%&84.20%&18.52%&0.0897&工商银行&22.08%&36.84%&11.11%&0.0725&
　　工商银行&66.30%&81.64%&42.43%&0.0682&招商银行&21.78%&45.97%&10.04%&0.1335&
　　交通银行&65.31%&79.58%&36.52%&0.0509&交通银行&21.70%&63.57%&13.05%&0.1473&
　　广深铁路&65.10%&83.86%&30.69%&0.0928&东方航空&20.62%&29.93%&12.00%&0.0561&
　　中国银行&64.06%&86.61%&23.74%&0.1322&中国神华&18.32%&68.08%&15.03%&0.1365&
　　中国中铁&62.91%&75.56%&48.87%&0.0578&中国人寿&17.66%&58.27%&15.00%&0.1543&
　　中国铝业&62.77%&81.30%&20.08%&0.1224&中海发展&17.00%&54.04%&9.21%&0.1454&
　　中国人寿&62.48%&78.86%&51.07%&0.0573&华能国际&16.88%&40.74%&14.26%&0.0983&
　　中国神华&57.41%&82.35%&9.22%&0.1372&中国平安&16.36%&54.22%&8.01%&0.1527&
　　中国石化&56.43%&92.14%&18.73%&0.1276&仪征化纤&16.03%&50.08%&9.03%&0.1351&
　　兖州煤业&56.43%&92.14%&18.73%&0.1276&上海石化&15.66%&58.97%&9.05%&0.1434&
　　中煤能源&56.33%&71.70%&42.08%&0.0599&马钢股份&15.52%&68.77%&11.00%&14.68%&
　　中海油服&54.57%&75.01%&7.18%&0.1078&中国铝业&15.02%&62.23%&9.00%&0.1119&
　　中国平安&54.00%&80.56%&19.96%&0.1014&大唐发电&14.93%&67.75%&9.00%&0.1511&
　　招商银行&53.61%&89.32%&45.01%&0.1333&中信银行&14.69%&27.35%&11.19%&0.0530&
　　中国国航&52.05%&73.90%&10.87%&0.1327&宁沪高速&14.21%&70.27%&9.08%&0.1456&
　　中国远洋&51.51%&71.34%&34.60%&0.1563&华电国际&13.38%&65.20%&11.01%&0.1268&
　　中海发展&48.08%&82.19%&25.80%&0.1490&中国远洋&13.29%&51.58%&10.32%&0.1251&
　　大唐发电&47.72%&72.53%&14.54%&0.1032&中国石化&12.26%&60.18%&8.01%&0.1159&
　　经纬纺机&47.19%&78.25%&23.01%&0.1639&中海集运&12.12%&36.09%&6.37%&0.0746&
　　江西铜业&46.60%&85.76%&24.21%&0.2097&中海油服&11.47%&41.80%&9.21%&0.0819&
　　广州药业&45.69%&84.10%&32.03%&0.1966&兖州煤业&10.71%&58.56%&8.89%&0.1321&
　　马钢股份&45.61%&82.99%&20.27%&0.1293&深&高&速&10.52%&41.80%&8.81%&0.0812&
　　华能国际&45.44%&76.17%&34.36%&0.1679&南方航空&10.27%&44.21%&7.02%&0.1018&
　　皖通高速&42.65%&79.18%&20.03%&0.1636&青岛啤酒&9.92%&46.89%&8.71%&0.0986&
　　华电国际&41.62%&87.62%&30.00%&0.2178&中国石油&9.86%&58.75%&7.20%&0.1006&
　　中海集运&39.86%&51.03%&32.33%&0.0376&中国国航&9.08%&55.56%&6.01%&0.0967&
　　创业环保&38.50%&82.54%&20.01%&0.2057&江西铜业&9.07%&67.41%&8.20%&12.37%&
　　仪征化纤&37.12%&70.58%&25.10%&0.1871&中煤能源&8.98%&23.13%&7.64%&0.0504&
　　深&高&速&36.81%&83.57%&28.12%&0.1965&经纬纺机&8.91%&41.85%&6.03%&0.0755&
　　广船国际&36.81%&83.57%&23.07%&0.1965&新华制药&8.49%&57.54%&5.00%&0.1174&
　　宁沪高速&36.64%&88.13%&21.11%&0.2022&北辰实业&8.43%&34.76%&6.32%&0.0995&
　　交大科技&36.27%&82.48%&19.80%&0.1967&创业环保&8.27%&46.77%&4.52%&0.0893&
　　青岛啤酒&36.21%&78.47%&23.31%&0.1542&海螺水泥&8.07%&50.18%&6.81%&0.0977&
　　海螺水泥&34.62%&88.55%&21.32%&0.1576&潍柴动力&8.02%&68.86%&7.09%&0.1163&
　　东方电机&34.22%&66.98%&26.00%&0.1345&广深铁路&6.71%&45.78%&5.23%&0.0829&
　　东北电气&30.97%&66.92%&20.01%&0.1180&重庆钢铁&6.27%&34.89%&4.10%&0.0640&
　　南京熊猫&30.97%&66.92%&24.01%&0.1180&广船国际&6.15%&19.87%&3.96%&0.0414%&
　　新华制药&28.66%&44.64%&16.26%&0.0862&交大科技&6.07%&47.71%&4.02%&0.0970&
　　北辰实业&27.15%&56.64%&16.26%&0.0862&洛耀玻璃&6.04%&45.43%&5.11%&0.0770&
　　中兴通讯&26.30%&68.32%&15.00%&0.1523&东北电气&5.74%&45.35%&4.23%&0.0920&
　　重庆钢铁&21.43%&47.01%&17.51%&0.0799&皖通高速&5.65%&43.24%&3.75%&0.0715&
　　东方航空&20.30%&48.68%&11.01%&0.1300&广州药业&5.17%&42.27%&4.12%&0.0683&
　　上海石化&19.09%&52.79%&16.29%&0.1175&南京熊猫&4.41%&33.38%&2.00%&0.0546&
　　北人股份&18.98%&51.82%&15.31%&0.1140&北人股份&3.87%&51.59%&1.89%&0.0681&
　　南方航空&13.04%&67.07%&10.01%&0.1483&中兴通讯&3.62%&57.15%&2.10%&0.0671&
　　潍柴动力&11.19%&45.30%&9.00%&0.0821&东方电机&3.16%&45.52%&1.00%&0.0574&
　　洛耀玻璃&6.01%&57.68%&3.00%&0.0818&中国中铁&2.25%&8.70%&1.210%&0.0247&
　　出显著的差异，A股Beta值的波动要高于H股。实证结果表明与外围市场相比，A股个股表现出相当明显的同涨同落特征，个股更不容易走出独立的行情，其走势受大盘影响非常大。而在不同的时期，系统性风险又表现出极大的波动性，个股受人为操作因素等的影响，其系统性风险特性具有很大的不稳定性。另外，对A股和H股上市公司系统性风险&估计值观察发现，两者并没有呈现出明显的差别或者特征，其符号也往往不一致。本部分运用基于向量GARCH模型的时变系统性风险比例估计方法，对A+H股系统性风险比例进行了估计，结果如表14。因为A股和H股属于同一家上市公司，其基本面相同，因此剔出了个股的差异性对系统性风险估计的影响，其结果能够更加真实反映两个市场系统性风险比例的不同状况。另外，A+H股的样本具有50多家，涵盖多个行业，股本规模有大有小，因此具有广泛的代表性。从估计结果来看，正如我们所预想的那样，A股市场的系统性风险比例远远高于香港市场，A股系统性风险比例的平均值为43.82%，而H股仅为11.86%。从而个股来看，无论行业、股本特征以及业绩，A股的系统性风险比例基本都高于H股，平均来讲，A股系统性风险比例是H股的3.74倍，而这一差距在股本规模大的上市公司表现得更为明显。另外，A股系统性风险比例也呈现出巨大的差异，最大值为建设银行的74.77%，最小值为洛耀玻璃的6.01%，总体来讲，系统性风险比例估计的标准差是0.1681。而对于H股而言，系统性风险比例最大的仅有33.83%（亦为建设银行），最小的中国中铁仅有2.25%，其标准差是0.063859，远远低于A股。另外通过按照系统性风险比例从高到低排名，我们看出无论A股还是H股，股本规模大的上市公司股票系统性风险比例较高。对于大盘股而言，系统性风险所占的比例较高，而股本较小的个股更多地呈现出自己的独立行情。4&结论&
　　对于A股这样一个系统性风险尤甚的新兴市场，由相关监管部门或中介机构定期公布个股的Beta系数及系统性风险状况，给投资者提供基本的风险控制信息尤为必要。然而目前国内研究及机构应用的Beta系数估计方法未针对中国股票市场的制度性因素加以改进且大多是静态方法，估计方法的简单造成Beta系数估计有偏缺乏权威性。本课题研究重点之一即是对Beta系数及相关系统性风险估计方法进行改进：第一，基于Schwert和Seguin(1990)的SS市场模型，本课题提出了基于长记忆GARCH过程的审查SS模型的时变Beta系数估计方法；第二，本课题在系统性风险比例的估计上，考虑了市场或证券（组合）收益率波动的异方差性，同时为了避免估计模型选取不一致造成的偏误，提出了基于双变量GARCH模型的时变系统性风险比例估计方法；第三，对于A股市场系统性风险的内外部传递机制，本课题构建了基于向量GARCH模型估计的条件异方差基础上的研究方法。本课题提出的系统性风险估计方法的主要特色是"时变性"和"针对性"，尤其是基于长记忆的GARCH过程的审查SS模型的时变Beta系数估计方法考虑了A股市场的分形特征以及涨跌停板制度下个股收益率的审查特性，能够全面刻画市场波动的时变性、聚集性、溢出效应、杠杠效应和长记忆性，课题组通过样本内预测误差的比较证明，此方法可以较SS市场模型提供更为精确的Beta估计。本课题将系统性风险的内涵拓展为"市场整体波幅"和"个股与市场走势的相关性"两个层面，从横向和纵向两个角度对A股市场的系统性风险进行了实证研究，得出了以下重要结论：第一，A股市场不仅具有大涨大落的特征，波动幅度亦具有较大的不规律性。本课题将基于GARCH模型族估计的市场综合收益率的条件异方差作为市场整体风险状况的量化表征，实证结果表明沪深A股的月收益率的平均波动幅度分别高达13.22%，13.84%，日收益率的波动幅度的平均值为2.33%和2.12%，而外围市场的平均水平仅为6.80%，其值不仅远远大于欧美成熟市场，亦高于亚太主要的新兴市场。第二，1998年后沪深A股整体波幅明显收窄，相关性显著增强，两市风险具有相互的溢出效应。本课题基于向量GARCH模型，对沪深A股的时变制度特征以及两个市场的风险传递机制进行了研究，实证结果表明1998年以后随着集中统一监管体制的建立以及《证券法》的颁布、涨停板制度的确立等，中国A股市场进入了进一步规范和发展阶段，整体的波动幅度明显收窄。从沪深A股系统性风险的传递效应来看，沪深A股的相关性明显分为两个阶段：1998年以前，沪深A股的时变相关系数波动性非常大，但整体趋势是逐步增强；1998年以后，A股两个市场的走势非常紧密，其相关系数基本稳定在0.99以上。我们对通过向量GARCH模型估计的A股收益率的条件异方差作格兰杰因果和协整检验表明，从短期和长期来看，沪深A股的市场风险均具有相互的溢出效应和协同效应。第三，外围市场对于A股市场的影响主要是心理层面的，A股的波动幅度与外围市场的相关性较小。本课题基于向量GARCH模型对A股与外围市场风险的溢出效应进行了研究，实证结果表明外围市场的下跌或上涨是影响A股走势的因素，但是A股的波动幅度与外围市场的相关性较小，自身表现出大幅的波动。对条件日相关系数进行了BP滤波处理后发现，QFII制度为A股提供了与外围市场的实体资金连接渠道，却未能显著增强A股与外围市场的联动性，汇率制度改革后A股市场与外围市场的联动性呈逐渐增强。此外A股滞后一日的以收盘价计算的日收益率与美股的Pearson相关系数统计表明，外围市场对于A股市场的影响主要是心理层面的，此影响在市场下跌时表现得尤为突出。第四，A股个股整体上呈现出明显的"同涨同落"特征。基于VaR的模型选取标准表明，上证综指市场综合收益率的条件方差的最佳估计模型是基于Student-t分布假设的FIEGARCH，深证综指是基于偏锋Student-t分布假设的HYGARCH。
基于此两模型估计的条件方差结果，运用审查SS模型的时变Beta系数估计方法对A股个股的Beta系数进行了估计，实证结果表明公司规模对系统风险的均值并无显著影响，公司规模对系统风险的波动也并无显著影响，大公司仅表现出更为明显的与大盘的同向波动性；各个行业的Beta估计值都在1附近，各行业系统性风险不具有显著差别；对于高价股，其Beta估计值没有呈现出整体的高于或低于平均水平的特征，在股价较高的时期，Beta估计值更为稳定且明显降低。各个角度的研究表明，A股的个股与大盘的走势非常紧密，整体上呈现出明显的"同涨同落"特征。第五，A股市场的系统性风险远大于外围市场（以香港市场为例）。为了进行横向比较，我们估计了全部A+H股的时变Beta系数，实证结果表明A股与H股的时变Beta系数特征呈现出巨大的差异性，H股与大盘的走势相关性远远低于A股。基于向量GARCH模型的时变系统性风险比例估计方法的结果表明，A股系统性风险比例的平均值为43.82%，而H股仅为11.86%，A股市场的系统性风险比例远远高于香港市场。由于中国资本市场仍然处于新兴加转轨的阶段，市场的一些体制性问题仍然存在，系统性风险远远大于其他市场，尤其是成熟发达市场，需要中国资本市场的法律和监管体系的完善加以解决。在目前的状况下，应该由相关监管部门或中介机构定期公布个股的Beta系数及系统性风险状况，给投资者提供基本的风险控制信息。而对于投资者来说，在这样的市场环境下，随着融资融券和股指期货的即将推出，应该加紧探索与市场走势相关性小，能够规避和对冲系统性风险的投资策略。&
　　附&录&
　　1.部分程序代码&
　　（1）时变Beta系数估计&
　　guiImportData(FileName&=&"",&FileTypes&=&"Excel&Worksheet&(xl?)",&TargetDataFrame&=&"SDF1",&ImportAsBigData&=&F,&TargetStartCol&=&"",)guiClose("data.frame",&"SDF1")&
　　hu.daily=timeSeries(pos=SDF1[,1],data=SDF1[,5])&
　　hu.return.daily=getReturns(hu.daily,type="continuous")&
　　hu.return.=garch(hu.return.daily~ar(1)+var.in.mean.,~p(1,2),leverage=T,trace=F)hu.return.daily.cov=&hu.return.&$sigma.t*&hu.return.&$sigma.thu.return.daily.rt=&hu.return.daily/&hu.return.daily.cov&
　　guiImportData(FileName&=&"",&FileTypes&=&"Excel&Worksheet&(xl?)",&TargetDataFrame&=&"SDF1",&ImportAsBigData&=&F,&TargetStartCol&=&"",)guiClose("data.frame",&"SDF1")&
　　zsyh.daily=timeSeries(pos=SDF1[,1],data=SDF1[,7])&
　　zsyh.return.daily=getReturns(zsyh.daily,type="continuous")&
　　zsyh.hu=&seriesMerge(zsyh.return.daily,hu.return.daily,hu.return.daily.rt,pos=positions(zsyh.daily)zsyh.hu.olsfit=OLS(X1.1&~&X1.2&+&X1.3,data&=&zsyh.hu)&
　　zsyh.hu.a=&zsyh.hu.olsfit&$coef[3]&
　　zsyh.hu.b=&zsyh.hu.olsfit&$coef[3]/&hu.return.daily.cov&
　　zsyh.hu.b=&zsyh.hu.olsfit&$coef[2]+&zsyh.hu.b&
　　zhl.&hu.b=&zsyh.hu.b&
　　zsyh.sta=c(&zsyh.hu.a&,mean(zsyh.hu.b),max(zsyh.hu.b),min(zsyh.hu.b),sqrt(var(zsyh.hu.b)))zsyh.sta&
　　（2）基于向量GARCH模型的时变系统性风险比例估计方法&
　　guiImportData(FileName&=&"",&FileTypes&=&"Excel&Worksheet&(xl?)",&TargetDataFrame&=&"SDF1",&ImportAsBigData&=&F,&TargetStartCol&=&"",)guiClose("data.frame",&"SDF1")&
　　heng.weekly=timeSeries(pos=SDF1[,1],data=SDF1[,7])&
　　hen.return.weekly=getReturns(heng.weekly,type="continuous")&
　　guiImportData(FileName&=&"",&FileTypes&=&"Excel&Worksheet&(xl?)",&TargetDataFrame&=&"SDF1",&ImportAsBigData&=&F,&TargetStartCol&=&"",)guiClose("data.frame",&"SDF1")&
　　zgpa.weekly=timeSeries(pos=SDF1[,1],data=SDF1[,7])&
　　zgpa.return.weekly=getReturns(zgpa.weekly,type="continuous")&
　　heng.portfolio=seriesMerge(hen.return.weekly,zgpa.return.weekly,pos=positions(zgpa.weekly))heng.portfolio.bekk=mgarch(heng.portfolio~1,~bekk(1,1))&
　　hen.return.weekly.cov=heng.portfolio.bekk$sigma.t&[,1]*heng.portfolio.bekk$sigma.t&[,1]zgpa.return.weekly.cov=heng.portfolio.bekk$&sigma.t&[,2]*heng.portfolio.bekk$sigma.t&[,2]b=heng.portfolio.bekk$S.t[,1,2]/&hen.return.weekly.cov&
　　b.rate=&b*b*&hen.return.weekly.cov/&zgpa.return.weekly.cov&
　　2.个股时变Beta系数估计结果&
　　附表1：上证A股流通股本前50时变Beta系数估计值&
　　名称&估计值&
　　估计值&
　　平均值&最大值&最小值&标准差&
　　民生银行&-6.46E-05&1.0&1.9&
　　宝钢股份&-2.27E-04&1.9&1.8&
　　交通银行&-3.69E-04&1.4&0.8&
　　工商银行&5.73E-04&0.2&0.0&
　　中国石化&2.82E-04&0.2&0.9&
　　中国联通&9.07E-06&0.3&0.1&
　　建设银行&-3.64E-05&0.9&0.4&
　　上港集团&1.13E-04&0.2&0.5&
　　招商银行&1.75E-05&1.1&1.0&
　　中信证券&1.13E-04&0.5&0.2&
　　中国银行&1.31E-04&0.3&0.4&
　　浦发银行&-1.30E-04&1.2&1.4&
　　长江电力&-5.96E-05&0.0&0.1&
　　中国中铁&3.38E-04&0.8&0.5&
　　大唐发电&4.20E-05&1.3&1.4&
　　国电电力&-7.30E-05&0.2&0.8&
　　中国石油&8.44E-05&0.3&0.9&
　　兴业银行&2.05E-04&1.8&1.1&
　　北京银行&2.72E-04&0.8&0.8&
　　中国铝业&-2.64E-05&1.6&1.3&
　　中国平安&-6.89E-04&1.3&1.2&
　　大秦铁路&1.31E-04&0.3&0.4&
　　东方明珠&1.87E-04&0.2&0.0&
　　武钢股份&3.91E-04&1.4&1.1&
　　申能股份&-1.85E-03&3.9&3.3&
　　华能国际&-1.61E-04&1.8&1.7&
　　广深铁路&4.05E-04&0.3&0.2&
　　包钢股份&1.98E-05&0.7&0.2&
　　邯郸钢铁&1.45E-05&0.1&0.3&
　　中国铁建&4.07E-05&0.0&0.4&
　　中国南车&7.50E-04&-0.3&-0.8&
　　中海集运&2.35E-04&0.0&0.5&
　　中信银行&6.02E-05&0.8&0.6&
　　华夏银行&-5.02E-06&1.8&1.1&
　　广州控股&-2.56E-05&1.6&1.3&
　　中国神华&-4.99E-04&1.5&1.2&
　　*ST梅雁&7.92E-04&0.2&0.3&
　　中国远洋&3.61E-04&1.4&1.8&
　　方正科技&4.28E-04&0.2&0.5&
　　西部矿业&5.23E-04&1.0&1.5&
　　上海汽车&-1.73E-04&1.6&1.8&
　　金地集团&3.55E-04&0.3&0.7&
　　中国国航&5.42E-05&1.7&1.6&
　　招商轮船&3.55E-05&1.7&0.7&
　　中煤能源&-1.32E-03&1.0&1.8&
　　振华港机&-2.00E-05&1.0&1.2&
　　南方航空&-2.09E-04&1.5&1.2&
　　北辰实业&-8.21E-05&1.0&1.9&
　　中国人寿&-9.02E-04&1.6&1.4&
　　附表2：深证A股流通股本前20时变Beta系数估计值名称&估计值&
　　估计值&
　　平均值&最大值&最小值&标准差&
　　万&科Ａ&7.55E-04&1.3&-0.2&
　　TCL&集团&-3.60E-05&0.9&-0.2&
　　深发展Ａ&7.28E-04&0.7&0.0&
　　五&粮&液&-1.45E-04&1.2&1.9&
　　攀钢钢钒&-1.02E-04&1.5&1.4&
　　金&融&街&7.52E-05&0.6&0.0&
　　唐钢股份&-1.25E-04&1.4&1.4&
　　太钢不锈&-2.31E-04&1.8&1.3&
　　美的电器&5.92E-06&1.6&1.4&
　　华侨城Ａ&-1.50E-04&1.3&1.9&
　　津滨发展&1.84E-04&0.0&0.2&
　　鞍钢股份&-3.60E-04&1.2&1.7&
　　首钢股份&2.20E-05&1.7&1.6&
　　华闻传媒&-3.67E-04&1.2&1.9&
　　韶钢松山&1.70E-04&0.7&0.2&
　　华菱钢铁&-3.54E-04&1.7&1.3&
　　苏宁电器&4.94E-04&0.1&0.4&
　　中集集团&1.48E-04&1.6&1.5&
　　宁波银行&-9.90E-05&0.4&0.6&
　　西山煤电&2.99E-04&1.6&1.0&
　　中粮地产&2.49E-04&1.6&1.9&
　　&
　　&
　　附表3：上证A股流通股本后20时变Beta系数估计值名称&估计值&
　　估计值&
　　平均值&最大值&最小值&标准差&
　　S*ST湖科&-6.15E-04&1.4&1.4&
　　上柴股份&-3.23E-05&1.4&1.5&
　　SST中纺&-1.83E-04&1.1&0.8&
　　浪莎股份&-3.09E-04&1.5&0.8&
　　四创电子&3.51E-04&0.8&0.7&
　　ST宝龙&-2.91E-04&1.1&0.2&
　　ST雄震&2.20E-05&0.5&0.6&
　　交大博通&-1.22E-04&1.5&0.8&
　　宝信软件&-8.40E-05&1.7&0.0&
　　太平洋&-1.37E-03&1.8&-1.6&
　　同达创业&-2.82E-04&0.0&0.2&
　　永生数据&-2.65E-04&0.3&0.2&
　　ST绵高&-3.79E-05&0.9&0.7&
　　*ST马龙&-2.34E-05&1.9&0.7&
　　*ST天宏&1.89E-04&0.6&0.8&
　　大江股份&2.98E-04&1.3&0.6&
　　ST百花&3.14E-05&0.5&0.9&
　　辽宁时代&3.90E-04&0.8&0.7&
　　ST渝万里&-1.59E-04&1.6&1.8&
　　S*ST湖科&-2.14E-04&1.5&1.9&
　　科大创新&4.36E-04&0.1&0.1&
　　华丽家族&3.14E-04&0.3&0.7&
　　附表4：深证A股流通股本后20时变Beta系数估计值股票名称&估计值&
　　估计值&
　　平均值&最大值&最小值&标准差&
　　川大智胜&4.72E-04&0.8&0.1&
　　澳洋顺昌&7.66E-04&1.4&0.7&
　　东方锆业&-2.14E-03&0.8&-4.0&
　　帝龙新材&-1.53E-03&0.1&-2.7&
　　江南化工&5.66E-04&1.2&0.7&
　　卫&士&通&-4.40E-04&-0.5&-0.2&
　　海隆软件&-9.60E-04&0.0&-1.4&
　　路翔股份&-1.36E-03&-0.1&-2.9&
　　东晶电子&-9.00E-04&0.8&-1.4&
　　拓维信息&-3.74E-03&-1.7&-8.3&
　　莱茵生物&-4.80E-04&1.7&0.1&
　　大华股份&1.71E-03&0.6&-0.7&
　　山&下&湖&-3.40E-04&0.7&0.7&
　　江特电机&-1.50E-03&0.3&-2.2&
　　彩虹精化&-3.70E-04&0.7&-0.2&
　　天宝股份&-5.20E-04&0.8&-0.1&
　　三&力&士&1.01E-03&1.5&0.2&
　　延华智能&-1.27E-03&0.3&-2.1&
　　新&嘉&联&-1.34E-03&0.6&-1.4&
　　方正电机&-2.56E-03&-0.6&-5.2&
　　附表5：A+H股时变Beta系数估计值&
　　股票名称&估计量&
　　平均值&
　　最大值&
　　最小值&
　　标准差&
　　A股&H股&A股&H股&A股&H股&A股&H股&A股&H股&
　　中国平安&5.04E-05&3.58E-05&1.5&5.2&1.6&0.5&
　　海螺水泥&1.12E-05&-4.97E-05&1.7&2.9&0.1&0.5&
　　中国人寿&-6.13E-05&1.69E-04&0.4&1.7&-4.7&0.3&
　　交通银行&4.17E-05&1.90E-04&1.8&4.2&0.4&0.3&
　　招商银行&2.68E-05&3.34E-04&1.9&3.2&0.5&0.7&
　　工商银行&3.39E-05&4.69E-04&1.8&4.7&0.3&0.2&
　　宁沪高速&-1.66E-05&1.35E-04&0.4&0.4&-0.8&0.6&
　　中兴通讯&1.44E-05&-9.04E-05&0.8&2.6&0.7&0.1&
　　建设银行&-8.21E-06&2.64E-04&0.6&0.2&0.1&0.2&
　　青岛啤酒&-2.05E-05&-1.38E-05&0.8&0.9&-1.1&0.0&
　　潍柴动力&-1.90E-05&-1.34E-04&0.0&0.8&-0.3&0.8&
　　东方电机&2.56E-05&-5.12E-05&1.3&3.9&0.6&0.2&
　　皖通高速&-6.78E-06&-4.04E-05&0.8&0.2&0.5&0.5&
　　中国神华&4.24E-05&9.17E-05&4.6&8.7&4.5&0.7&
　　中国银行&5.80E-06&2.68E-04&0.7&1.5&0.4&0.0&
　　广深铁路&1.51E-05&4.82E-05&1.4&2.8&0.6&0.9&
　　中海发展&3.54E-06&1.45E-04&1.7&1.9&1.3&0.6&
　　鞍钢新轧&3.54E-06&-7.84E-05&1.3&1.7&1.6&0.9&
　　华能国际&1.22E-06&5.79E-05&1.9&1.8&1.0&0.0&
　　中煤能源&-4.71E-05&-3.13E-04&0.3&1.3&-3.6&0.5&
　　中信银行&-1.79E-05&1.64E-04&0.0&1.4&-0.0&0.1&
　　中国石化&1.42E-05&9.17E-05&1.6&2.7&1.5&0.7&
　　大唐发电&-1.46E-05&-9.24E-05&1.4&1.0&-0.8&0.0&
　　中国国航&6.28E-06&-1.38E-04&1.0&1.1&1.8&0.8&
　　中国远洋&9.72E-06&-1.38E-04&1.0&2.1&1.8&0.8&
　　中国石油&-3.07E-05&9.17E-05&0.6&0.7&-2.5&0.7&
　　中国铝业&-4.21E-05&1.02E-04&1.0&1.0&-2.2&0.1&
　　中海油服&8.40E-05&3.56E-05&1.9&9.4&0.1&0.4&
　　江西铜业&-1.84E-05&-3.71E-05&1.7&1.0&-0.0&0.1&
　　深&高&速&-3.58E-06&1.34E-04&1.1&1.8&0.0&0.9&
　　洛阳玻璃&7.62E-05&1.34E-04&0.1&7.8&-0.0&0.9&
　　广州药业&3.53E-06&2.76E-05&1.1&1.6&1.9&0.0&
　　交大科技&3.04E-05&-3.80E-04&1.0&3.5&1.6&0.4&
　　南方航空&-6.32E-05&-3.87E-05&1.3&1.1&-4.3&0.8&
　　重庆钢铁&3.03E-04&-6.53E-05&2.6&29.5&0.0&2.2&
　　中海集运&3.96E-04&1.04E-04&2.8&38.3&0.3&2.9&
　　科龙电器&3.96E-04&4.93E-05&2.1&38.3&0.4&2.3&
　　北辰实业&1.71E-04&2.81E-05&2.1&17.9&1.4&1.2&
　　上海石化&-1.83E-06&2.91E-05&1.6&1.2&1.9&0.6&
　　东方航空&2.73E-05&1.63E-05&1.2&3.8&1.7&0.1&
　　北人股份&-2.59E-05&-1.17E-04&1.5&1.6&-0.7&0.7&
　　创业环保&-2.63E-05&-2.39E-04&1.6&1.4&-1.4&0.4&
　　经纬纺机&-9.79E-06&-1.45E-04&1.4&1.2&0.8&0.8&
　　南京熊猫&3.45E-05&-8.60E-05&1.7&4.3&1.0&0.2&
　　东北电气&3.45E-05&-4.50E-04&1.7&4.8&1.2&0.8&
　　仪征化纤&6.25E-05&-4.15E-05&1.8&6.2&0.6&0.0&
　　&
　　表：&
　　表1国内学者有关中国股市系统性风险研究结论&1&
　　表2：中国A股与世界主要股指月收益率波幅比较&5&
　　表3：中国A股与世界成熟市场日收益率波幅比较&6&
　　表4：沪深A股风险传递效应的格兰杰因果检验&9&
　　表5：中国A股与外围市场风险传递的格兰杰因果及协整检验&10&
　　表6：不同的发展阶段中国A股与外围市场时变相关系数&10&
　　表7：不同态势下中国A股与外围市场Pearson相关系数&12&
　　表8：上证综指与深证成指日收益率长记忆R/S&检验&18&
　　表9：Kupiec检定的LR统计量及其P-Value&19&
　　表10：不同置信水平下长记忆GARCH模型族VaR估计失败率表&20&
　　表11：审查SS模型估计结果的相关统计&21&
　　表12：中国A股行业系统性风险估计&22&
　　表13：高价股时变Beta系数估计值&23&
　　图：&
　　图1：中国A股市场整体波动状况时序图&7&
　　图2：A股与道琼斯工业指数第二阶段时变相关系数&11&
　　图3：A股与道琼斯工业指数第三阶段时变相关系数&11&
　　图4：贵州茅台时变Beta系数估计值&23&
　　图5：中国平安时变Beta系数估计值&24&
　　&
　　参考文献&
　　[1]施东辉.上海股票市场风险性实证研究[J].经济研究,-48..&
　　[2]张人骥,王怀芳,王耀东,朱海平.上海证券市场系统风险趋势与波动的实证分析[J].金融研究,-98..[3]王宗军,李志生,崔鑫.深圳证券市场系统风险分析[J].华中科技大学学报(自然科学版),-90.[4]宋增基,杨俊,李春红.证券市场风险与收益的实证研究[J].中国软科学-50.&
　　[5]耿广棋.中国股票市场系统风险的特征与传递机制[R].天同证券公司,2002.&
　　[6]徐国祥,檀向球.我国A股市场系统性风险的实证研究[J].统计研究,-40.&
　　[7]田素华,吴士君.中国证券市场风险特征的实证研究[J].经济科学,-30.&
　　[8]金晓斌,高道德,石建民,张志强.中国股票市场风险结构实证研究:[R].海通证券股份有限公司,2003.[9]宋逢明,李翰阳.中国股票波动性的分解实证研究[J].财经论丛,2004,(7)：23-28.&
　　[10]黄波,李湛,顾孟迪.基于风险偏好资产定价模型的公司特质风险研究[J].管理世界,2006,(11)：119-127.[11]薛昕卜、南扬、曹杰、朱子姝.系统风险及其传递效应--来自上海和香港股票市场的经验证据[J].国际金融研究2007,(8)：47-52.[12]马君潞.中国资本市场结构矛盾和系统风险[J].南开经济研究,2004,(1)：87-96.&
　　[13]胡朝霞,陈浪南,.涨跌停制度下时间变动Beta的估计--兼对中国股市系统风险的分析[J].金融研究,2007,(7)：111-127.[14]Kang&T,Brorsen&B&W,&Adam&B&D.&A&New&Efficiency&Criterion:&The&Mean&Seperated&Target&Deviations&Model[J].Journal&of&Economics&and&Business,):47-66.[15]Nicholas&Chan,Mila&Getmansky,Shane&M.Haas&and&Andrew&W.Lo,2005,"Systematic&Risks&and&Hedge&Funds",NBER&Working&Paper&No..[16]Campbell&John&Y,Martin&Lettau,&Burton&G&Malkiel,Yexiao&Xu.&Have&Individual&Stocks&Become&More&Volatile?&An&Empirical&Exploration&of&Idiosyncratic&Risk[J].Journal&of&Finance,):1-43.[17]YexiaoXu,Malkiel&Burton&G.Investigating&the&Behavior&of&Idiosyncratic&Volatility[J].&Journal&of&Business,):613-644.[18]Fama&Eugene,&Kenneth&French.&New&Lists:Fundamentals&and&Survival&Rates[J].&Journal&of&Financial&Economics,):229-269.[19]Hyunbae&Chun,Jung-Wook&Kim,&Jason&Lee,&Randall&Morck.&Creative&Destruction&and&Firm-Specific&Volatility[R].SSRN&Working&Paper,2005.[20]Wei&Steven&X,Chu&Zhang.Why&Did&Individual&Stocks&BecomeMore&Volatile?[J].Journal&of&Business,):259-292.[21]Amit&Goyal,&Pedro&Santa-Clara.&Idiosyncratic&Risk&Matters![J].The&Journal&of&Finance,):975-1008.[22]Turan&G&Bali,&Nusret&Cakici,&Xuemin&(sterling)&Yan,Zhe&Zhang.&Does&Idiosyncratic&Risk&ReallyMatter?[J].Journal&of&Finance,):905-929.[23]Steven&X&Wei,&Chu&Zhang.&Idiosyncratic&Risk&Does&Not&Matter:&A&Re-examination&of&the&Relationship&between&Average&Returns&and&Average&Volatilities&[J].Journal&of&Banking&&&Finance,):603-621.[24]Hui&Guo,Robert&Savickas.&Idiosyncratic&Volatility,Stock&Market&Volatility,&and&Expected&Stock&Returns[J].Journal&of&Business&and&Economic&Statistics,):43-56.[25]&Andrew&Ang,&Robert&JHodrick,&Yu&Hangxing,&Xiaoy-an&Zhang.&The&Cross-Section&of&Volatility&and&Expected&Returns[J].Journal&of&Finance,&):259-299.(11):119-127.[26]Alles&Lakshman&A.&Investment&Risk&Concepts&and&Measurement&of&Risks&in&Asset&Returns[J].Managerial&Finance,):15-25.[27]Guy&Kaplanski.&Traditional&Beta,&Downside&Risk&Beta&and&Market&Risk&Premiums[J].The&Quarterly&Review&of&Economics&and&Finance，):636-653.[28]Thierry&P,&Pim&V&V.&Downside&Risk&and&Asset&Pricing[J].Journal&of&Banking&and&Finance,):823-849.
声明：本公司网站提供的任何信息仅供参考，投资者使用请予以核实，风险自负。在本文作者所知情的范围内，本机构、本人以及财产
上的利害关系人与所评价的证券没有任何利害关系。
本公司开展网上证券委托业务已经中国证券监督管理委员会核准[ 粤ICP备号-2 ]
　股市有风险，入市须谨慎
安信证券股份有限公司 ESSENCE SECURITIES Co. Ltd.,}