互联网金融概念股票收益波动是否具有特殊性?——基于ARCH模型族的检验

张延良，李凡浩，于旭升

(1.山东财经大学金融学院，山东 济南 250014；2.招商银行股份有限公司东营分行，山东东营 257000)

股票市场在资本市场中的重要地位不言而喻，是各国经济发展的“晴雨表”。随着经济的进一步发展，股票市场对上市公司甚至一国经济的渗透力和影响力日益增强。一个活跃的股票市场可以为企业提供良好的融资平台，促进经济走向繁荣；而一个低迷的股票市场可能会导致股价下跌，资金外逃，甚至经济萧条。进入21世纪以来，随着互联网技术的不断成熟和完善，“互联网＋金融”这种全新的金融模式得到了前所未有的突破与发展，并且逐渐对金融业的发展方向产生了影响。关于互联网金融概念上市公司股票收益波动性的研究，可以帮助我们把控新兴模式下资本市场的发展规律。

一、文献综述

早在20世纪60年代，Fama[1]就意识到股票市场收益率具有时变性和聚集性的特征。自此之后，越来越多的经济学家开始了对金融资产收益率波动的研究，并建立了一系列的波动模型。Engle[2]于1982年在对方差的研究文献中首先采用了ARCH计量模型。为了更准确地估计和预测金融时间序列的波动性和相关性，1986年Bollerslev[3]提出广义的ARCH模型，即GARCH计量模型，在研究金融时间序列的波动性和相关性中被国内外学者广泛运用。ARCH模型假定收益率误差项服从特定函数的条件正态分布，该类特定函数具有条件期望为零、条件方差为以前若干期收益率误差平方的特点，其性质与金融市场的波动集束及异方差等特征相吻合。

在研究金融价格的传统时间序列过程中，Peters等[4]实证发现金融价格时间序列的波动呈现集聚的现象，股市中信息的出现和传递不是连续平稳的，从而影响价格的波动有时相当稳定，有时异常激烈，投资者对信息的反应存在滞后性，投资者的“羊群”行为导致收益率的变化常呈现出一种非正态性，即尖峰厚尾的特征。Mcculloch[5]通过CAPM多变量稳态情形论述了金融领域中稳态分布的应用。

我国学者也对收益率的这种非正态分布做了大量的实证研究，众多学者认为GARCH模型可以准确描述收益率的尾部特征。王美今和王华[6]在研究上海股票市场风险的度量时，认为收益率的尾部特征可以被GARCH模型准确描述，而正态假设的静态模型却效果不佳，由此可见，条件分布的设定对研究股票市场的收益率波动来说至关重要。陈守东[7]、冷军[8]、姜翔程[9]、林勇[10]等，均通过实证分析得出了沪深股市收益率具有非正态性，即尖峰厚尾特征，但是由于分析这一特征的角度不同，在非正态性的具体表现形式上有一些不同的结论。

国内对于收益波动性的研究大致分为两个方向:对大盘指数的收益波动性研究和某个行业板块的股票收益波动性研究。在对大盘指数收益波动性的研究方面，赵莉[11]把沪深300指数作为研究对象，运用了GARCH模型进行研究发现，沪深300指数的收益率波动序列分布具有可变性和波动集簇性，而且其波动性呈现尖峰厚尾的特征。随后，安起光和郭喜兵[12]等通过运用GARCH类模型对我国沪市的日收益进行分阶段分析，得出在熊市和牛市的不同时期，利空和利好消息对我国股市的影响是不同的。在此基础上，张瑛倩[13]进一步对沪市股票收益率的杠杆效应进行分析研究，把沪市分为牛市、熊市和混合市，在这三个阶段中分别对比分析整个沪市收益率波动的特征，表明“利空消息”和“利好消息”的杠杆效应具有明显区别，但是外部信息产生的这种效应是非对称的。李新光和左硕之[14]利用GARCH-BVAR模型对我国股票、债券和期货市场波动的溢出效应进行实证研究，结果发现，股票市场与期货市场均对来自自身冲击影响的反应比较强烈，期货市场的冲击对股票市场的影响较小但是持续时间长，股票市场的冲击对期货市场的影响较弱。

在对某个行业板块的股票收益波动性研究方面，王吉恒和张贺泉[15]利用大豆、菜籽期货的每日收盘价数据，运用ARCH模型族对我国油料作物期货价格波动进行了实证分析，结果表明，大豆、菜籽期货的价格波动具有显著的集聚性以及非对称性，并且大豆和菜籽期货市场都不具有高风险高回报的特征。也有学者对非金融领域的股票收益率进行了研究，唐韵捷和曲林迟[16]对A股市场九家航运企业的股票收益率波动进行对比分析，将样本进行分类，并且把全样本数据与上证指数数据波动进行对比，得出外部信息对其影响较大，收益率波动存在异方差性、持续性、非对称性和投资者缺乏理性的结论，研究得较为全面。

国内对于互联网金融概念股的研究较少，李红梅和王青[17]认为，互联网金融是将传统金融业、信息通信技术以及互联网技术相结合的一种新型金融服务，他们通过对以余额宝为代表的互联网金融产品进行研究，得到余额宝收益率数据确实具有一般金融时序数据的自相关性及聚集效应的特征，进一步作图发现，GARCH型残差控制图比传统控制图更敏感、更有效，从而实现对余额宝更加有效的监控与预警，这与Pérez-Rave等[18]在2017年的研究结果类似。郭品和沈悦[19]通过构建植入互联网金融的商业银行风险承担模型，认为互联网金融的冲击加剧了商业银行风险承担，且该效应在不同类型商业银行的表现具有异质性。褚冉冉[20]选取了26只互联网金融概念股作为样本，考虑非系统风险的影响因素对于非系统风险的解释能力，发现互联网金融概念股票的定价效率普遍偏低，且有逐年下滑的趋向，认为我国应进一步对互联网金融市场进行完善。

目前，学术界对于我国股票市场收益波动性的研究主要集中在沪深两市的总体波动上，对单个行业尤其是金融行业研究较少。此外，本文除对互联网金融概念股票全样本进行研究之外，还把互联网金融概念具体分为互联网券商概念和P2P平台概念，并与沪深300股价指数进行对比研究，因此具有一定的理论价值和现实意义。本文运用ARCH模型族，选取2014—2016年间26只互联网金融概念上市公司股票的每日收盘价以及同时期的沪深300指数作为样本，对互联网金融概念上市公司的股票收益波动性进行实证检验，一方面验证互联网金融概念股票的市场波动性是否具有股票市场的一般特征，另一方面通过对比互联网金融概念股票与市场整体收益率波动的差异，分析找出互联网金融概念类股票收益率波动的特殊性，并给出相关建议，为互联网金融概念上市公司股票市场风险的监测和监管提供参考。

二、研究设计

(一)股票收益波动性理论分析

在频繁的经济交易和构建的理性框架前提下，实体经济活动的健康程度较大程度地影响着股票的价格水平，而股票价格又为实体经济的健康运行提供指示性功效，两者紧密相连，互相影响，不可分割。究其根本原因，未来实际交易活动在很大程度上影响着未来现金流的可靠运行，而未来现金流的反馈信息却主要在当期股票价格的上下波动中体现出来。在当今实际交易活动中，短周期内的股票价格影射出未来实际交易活动的大量信息，这为很多当前还未发生的交易活动提供了可靠的指导性基础。从另外一个层面上来说，股票的贴现率实时影响着股票价格的波动，基于其对实际产出影响反应缓慢的实际情况，可能会导致实体经济发生变化的时间比股票价格晚一步。因此，股票价格发生变化所诱发的财富效应会导致需求与消费的变动，进一步使产出在未来的一段时间内发生显著变化。

在对股票收益波动性研究的影响因素中，股票价格的波动性与交易量两者之间的联系尤为显著。信息流理论模型认为市场上存在的各种信息均会不同程度地影响着交易量，而信息流主要受价格波动的影响和反映。因此，两者均基于信息流的变化而发生变化，进而将两者之间的联系建立起来。而信息非对称模型理论认为，基于市场不完善等因素，信息的不对称普遍存在于市场交易行为中。交易双方由于掌握信息不对称，往往会导致其对交易的大小、股票的内在价值等多方面判断发生不一致，进而导致股票价格波动性的形成。对于单笔交易行为而言，交易量与价格变化的绝对值之间存在着一定的正相关关系。除了交易量会对股票收益波动性产生影响外，内幕交易也会加剧股价的波动，内幕信息通过“衍生知情交易机制”直接影响股价的剧烈波动。当内部人员利用内部信息影响到股票交易行为时，交易行为会发生特殊变化，未拥有内幕信息的投资者会了解到这种情况，跟随并带动其他投资者效仿内幕人员的操作，最终引发股市波动。

众多学者文献的实证研究显示，收益率序列是一个随机的过程，需要加入对数处理。所以本文不再使用简单收益率进行计算，而是采用对数收益率。对数收益率认为时间序列是一个连续型的，计算的是复利条件下的收益率，数据处理比较简单，因此目前绝大多数学者都倾向于采用这种方法。收益率计算公式为:

其中，p(t)表示在时刻t的收盘指数，rt表示收益率，时间标度τ为1日。

(二)研究变量的选取和数据说明

本文选取2014—2016年26只互联网金融概念上市公司股票共计734个每日收盘价以及同时期的沪深300指数作为样本数据，并计算出个股收益率及全样本收益率，数据均来源于Wind数据库。由于2014—2016年间，我国股市经历了一个从复苏到繁荣再到衰退的较为完整的周期，因此选取本时间段的样本数据进行研究能够减少异常值的干扰，提高模型的拟合优度。沪深300指数能够较为充分地反映市场主流投资的收益状况，并成为投资机构进行投资评级的重要依据，具有较强的市场代表性，因此本文选取其作为对比样本。

在“互联网＋”的大趋势下，互联网已经涉及到金融、农业、教育、医疗等众多行业，本文选取了26只互联网金融概念上市公司股票为研究对象，这些股票都是互联网概念股，而且发展相对比较成熟，主营业务突出，同时与互联网金融概念的关联度相对更高。

本文选取的26只互联网金融概念上市公司股票中，东方财富、同花顺和大智慧三大互联网券商平台，均是国内较早发展起来的金融信息服务公司，财经领域覆盖全面，是多数投资者认可并使用的证券投资分析平台，具有较强的市场影响力。因此，本文将东方财富、同花顺与大智慧三家公司作为互联网券商行业的代表。从2013年起，大多P2P公司撮合个人对个人贷款从线下转移到线上，开始发展互联网P2P概念，并出现了P2P互联网上市公司概念股。而腾邦国际等八只股票跟P2P概念的关联度相对比较高，本文用来代表P2P互联网金融平台概念。

(三)实证模型及研究方法

ARCH模型被认为是最能集中反映方差变化特点而被广泛应用于金融时间序列分析的模型。该模型解释了收益率序列的变化是否具有规律性，并且说明了这种变化前后依存的内在传导是来自某一特定类型的非线性结构，从而可以较好地刻画外部冲击形成的波动集聚性。若ARCH(q)模型的阶数q过大，在样本有限的情况下，参数估计的效率会发生明显变化。为弥补这一弱点，我们引入广义ARCH模型——GARCH模型。

假设 ARCH(q)过程中，独立同分布，且有νt～(0，1)，t＝1，2，˙˙˙，T。 令 ARCH 过程的阶数q→∞，这种情况下的条件异方差ht可表示为:ht＝α0＋π(L)ε2t；这里，π(L)为无穷阶滞后多项式:

此时，条件方差不仅受前p个时刻信息的影响，而且还受到其自身滞后值的影响，可有效地拟合具有长期记忆性的异方差函数，从而使得模型的识别和估计都变得比较容易，同时GARCH模型还可以较好地描述金融时间序列的尖峰厚尾性。

Harvey[21]发现ARCH和GARCH模型的对称性缺陷。一方面，对称性缺陷的增加和减少非常明显地影响股票的收益，条件方差不能有效地表示出来。GARCH模型解释股票收益的杠杆效应不精确，因为变量都是平方处理过的；另一方面，当参数受到限制时，GARCH对系数的估计不能很好地确定置信度。因此，为了避免和克服这些缺陷和不足，1990年Nelson[22]在文献中使用了指数GARCH计量模型，本文介绍以下三种:

1.ARCH-M模型

ARCH-M模型在等号的右边增加了一项ht，此时的表达式为:

其中，ht服从GARCH计量模型。假设GARCH计量模型可以用来解释金融资产的回报率，因为每个投资者都期望资产回报率与风险度密切联系，而增加的这种条件方差ht就代表了期望风险。因而ARCH-M计量模型适合于描述那些期望回报与期望风险关联度相对较高的金融资产。

2.TARCH模型

Zakoian[23]实证研究得出TARCH计量模型，在这个模型中的条件方差如下:

其中，dt是一个名义变量。

由于引入dt，股价上涨信息(εt＜0)和下跌信息(εt＞0)对条件方差的作用效果不同。股价变大时，它造成的变化程度可用系数α代表，股价变小时为α＋γ。若γ≠0，则说明信息作用是非对称的；而当γ＞0时，认为存在杠杆效应。

3.EGARCH模型

Nelson[24]研究提出的EGARCH计量模型，有效地描述了条件方差ht对市场中正、负干扰情况下非对称性的表现形式。与其他计量模型的一个显著的区别就是，条件方差ht和延迟扰动项εt-1互为反对称:

因为对模型中条件方差进行了自然对数处理，所以杠杆效应是指数型的。若φ≠0，说明信息的作用是非对称的；若φ＜0，杠杆的效应是非常显著的。国内外众多学者的文献研究表明，EGARCH计量模型非常适合描述金融市场中的非对称性。

本文将采用GARCH、EGARCH、TARCH以及ARCH-M四个模型来对互联网金融概念股票收益波动性进行检验。ARCH模型族可以通过反映方差变化特点来对金融时间序列进行分析，不仅可以得到收益率序列的变化是否具有规律性，而且可以说明这种变化前后依存的内在传导是来自某一特定类型的非线性结构，从而较好地刻画外部冲击形成的波动集聚性。通过对已有文献的分析，采用ARCH模型族确实可以很好地对股票市场的收益波动性进行描述，但这四种方法又有其各自不同的侧重点。GARCH模型主要用来检验收益率序列的波动聚集性以及外界冲击对收益率波动的影响效应，TARCH模型以及EGARCH模型主要用来检验收益率序列的非对称效应以及杠杆效应，ARCH-M模型通常用来检验收益与风险的匹配程度。结合采用这四种方法对互联网金融概念股票收益波动性进行研究，可以更加全面地得出收益率波动的特征，从而使研究结论更加可靠。

三、互联网金融概念股票收益率波动性实证检验

(一)互联网金融概念上市公司股票收益率的基本统计特征分析

通过运用ARCH模型族对互联网金融概念上市公司全样本收益率序列、沪深300指数收益率序列、互联网券商收益率序列及P2P互联网平台收益率序列进行实证检验，得到以下实证检验结果。

1.正态性检验

通过对互联网金融概念上市公司股票收益率序列进行描述性统计，回归结果如表1所示。分析发现，全部26家互联网金融概念上市公司个股收益率偏度均小于0，表现为左偏，其中12家公司的股票收益率左偏程度较大，偏度绝对值超过3；同时26只股票收益率分布的峰度均大于3，说明选取的分析样本股票收益率波动幅度较大且波动频繁；从所选取的样本公司个股的均值和标准差来看，有10家公司股票收益率序列的标准差较大，超过0.05，说明这几只股票收益率波动幅度较大，且从标准差与均值的匹配程度上来看，均值与标准差匹配程度在合理范围内，收益与风险匹配得当，符合一般规律。

表1 互联网金融概念上市公司股票收益率描述性统计

续表1

在所选的样本期内，从股票收益率序列的最大值与最小值之差来看，四组样本从大到小排序为互联网券商、P2P互联网平台、全样本、沪深300指数，与四组标准差从大到小排列顺序一致，这表明四组样本股票收益率波动幅度与波动频率方向一致，较高的波动频率伴随较大的波动幅度。从峰度与偏度统计量来看，四组样本收益率序列偏度值均为负，且峰度值均大于3，因此均呈现出尖峰厚尾的特征，并且四组样本均呈现出明显的波动集聚性。说明样本股票收益率波动幅度较大且波动频繁，并且大都存在大涨大跌的现象，具有非常典型的金融数据特征。其中，与正态分布相比，互联网券商与沪深300指数收益率序列偏离程度较大，而全样本与P2P互联网平台收益率序列偏离程度较小。

图1展示了四组样本核密度与正态分布的对比，其中沪深300指数收益率核密度曲线顶端偏离正态分布曲线的程度最大，而全样本收益率核密度曲线较其他三组收益率序列来说较为柔和，偏离正态分布曲线程度较小，反映出沪深300指数具有较大的市场带动效应，波动持续时间较长。从图2四组样本的收益率时间趋势对比中可以看出，四者的波动集聚性都非常显著，四组样本的收益率均经历了由相对平稳向巨幅波动再到相对平稳的过程；再与时间坐标相结合，不难看出2015年是股票收益率波动最为剧烈的时期，股市发生频繁变动对股票收益率产生较大冲击。总体来看，从图1和图2中可以更加直观地看出样本的股票收益率序列特征，四个样本组收益率随时间不断变化，聚集区交替产生、伴随出现，具有明显的波动聚集性，同时又体现出时变方差的特征。因此，四组样本收益率均具有尖峰厚尾的特征，不符合正态分布。

表2 Shapiro-Wilk检验结果

对4组样本收益率进行Shapiro-Wilk检验，结果见表2。从检验结果中可以明显地看出，四组样本收益率序列的正态检验统计量较大，且p值均为0，说明其收益率显著异于正态分布。该检验结果证实了互联网金融概念股时间序列呈现出明显的尖峰厚尾的非正态特征，且样本数据分布峰值较大。

图1 四个样本组收益率序列核密度

图2 四个样本组收益率序列时间趋势

2.平稳性检验

为防止出现“伪回归”现象，在模型估计之前，还需要对收益率时间序列进行平稳性检验。检验结果如表3所示，四组样本收益率序列均在1%的显著性水平下拒绝随机游走的原假设，即不存在单位根，说明收益率的时间序列是平稳的，不存在随机游走现象，可以建立一个平稳的模型来预测收益率序列。

3.ARCH-LM检验

在做实证模型之前，首先要通过ARCH-LM检验来验证四组样本具有ARCH效应。如表4所示，四组样本的收益率序列均通过了ARCH-LM效应检验，除互联网券商的p值接近0之外，其余p值均为0，即拒绝原假设。因此，四组样本的收益率序列均存在ARCH效应，适合用ARCH模型族进行实证研究。

表3 ADF检验结果

表4 ARCH-LM检验结果

(二)ARCH族模型检验

1.GARCH模型检验

运用GARCH模型对四组样本收益率序列进行回归，回归结果如表5所示，四组样本的收益率序列条件方差方程中ARCH项的系数α1均为正值，表明四组样本的收益率序列波动聚集性非常明显，其中互联网券商GARCH模型的ARCH系数最大，约为0.61，沪深300样本次之，P2P平台与全样本收益率序列相差不大。说明作为影响力较大的互联网券商与沪深300指数收益率波动联动影响较强，即收益率能够对外界的冲击(比如新经济政策的发布或上市公司本身发生重大事件等)做出灵敏反应，而P2P互联网平台对一些外在的冲击反应稍显迟钝，波动集聚性稍差。同时，计算ARCH项系数α1与GARCH项系数β1之和可以得出，四组样本的α1与β1之和均小于1，说明四组样本受到外部冲击导致的收益率序列波动随着时间的推移而慢慢衰减，冲击的影响逐渐减弱；但通过比较系数和的数值，可以看出全样本系数和最大，达到0.997，其次为P2P互联网平台，再次为沪深300指数与互联网券商。通常来说，ARCH项与GARCH项系数之和越接近1，越表明该收益率序列受到外界冲击的时间持续性更长。因此，通过比较来看，作为新兴股票品种的P2P平台股票以及互联网金融概念上市公司股票综合的收益率对随机冲击的反应时间持续较长，这说明当市场中出现某种事件使得P2P上市公司股票收益率发生剧烈波动时，其“恢复时间”较长，影响消除缓慢；而互联网券商以及沪深300指数所表现出的收益率波动反应在相对短的时期内，由于发展较为成熟，其运行规律本身包含自我调节功能，因此随机冲击对互联网券商与沪深300指数的冲击影响能在短时期内得到“恢复”，与先前对四组样本收益率反应敏捷程度的分析相匹配。

表5 互联网金融概念上市公司GARCH模型系数

2.TARCH模型

表6展示了TARCH模型对四组样本收益率序列的回归结果，可以看出，所有的非对称项系数α1的符号均在5%的显著性水平上为正值，说明四组样本收益率序列均存在非对称效应。但通过比较四组样本的θ系数可以看出，沪深300指数、互联网券商与全样本的θ系数均为负数，只有P2P互联网平台的θ系数为正值。因此，实证结果表明，P2P互联网平台股票收益率存在明显的杠杆效应，而其他三者的杠杆效应均不明显。对于P2P互联网平台股票收益率来说，当市场出现利好消息时，其冲击倍数为0.2376721，而当出现利空消息时，其冲击倍数为0.2545349(0.2376721＋0.0168628)；但对于其他三组样本来说，由于θ系数为负值，利空消息并不会使得股票收益率序列波动更大，因此这三组样本几乎不存在杠杆效应。这意味着对于P2P互联网平台上市公司股票收益率的波动情况，“利空消息”能够产生比等量的“利好消息”更大的波动，并且利空与利好之比较大(系数与系数截距项和之比)，说明P2P互联网平台上市公司股票样本的收益率不但有杠杆效应，而且利空利好的冲击效果比较明显。这应该与投资者对新兴事物所抱有的观望态度有关，有相当一部分人对P2P互联网平台并没有完全了解，因此同等程度的利空消息会加剧人们的不确定心理，使人们的投资行为缺乏更多依据和数据来参考分析，无法做出恰当的判断，致使利空消息的杠杆效应产生。反观互联网券商及沪深300指数收益率序列波动情况，由于具有较多的投资经验，或者有更多的历史数据可以参考，投资者能够做出更加理性的投资选择，对利空消息与利好消息能够进行恰当的分析和判断，因此带来了成熟股票显现出的特征，即对利空消息反应的敏感程度较低。

表6 互联网金融概念上市公司TARCH模型系数

3.EGARCH模型

表7 互联网金融概念上市公司EGARCH模型系数

从表7可以看出，选取的四组样本运用EGARCH模型进行回归后，系数的p值在5%的水平上显著，α1系数显著不为零且均为正值，说明非对称效应存在于四组样本的收益率序列中，同时θ系数的符号与上述的TARCH模型回归结果相同，除P2P互联网平台的θ系数为负值以外，其他三组样本的θ系数均为正值。因此，可以得到与TARCH相同的结论:P2P互联网平台股票收益率的波动具有杠杆效应，且利空利好的冲击效果比较明显；而互联网券商、沪深300指数及全样本的收益率序列杠杆效应并不显著，利空消息不会对股票收益率波动产生更大的冲击效果。这也表明，作为新兴的P2P互联网行业仍处在发展初期，投机色彩也比较浓厚，投资风险较大，应当对该行业进行适当地引导规范，逐步发展其与互联网券商市场类似的较为成熟的投资氛围。

4.ARCH-M模型

运用与TARCH模型相同的回归方程分别对四个样本收益率序列波动性进行ARCH-M建模，以修正检验各公司股票收益率波动性规律，得出四组样本的ARCH-M模型回归结果。从表8可以看出，各条件方差项系数显著为正，说明互联网金融概念公司股票收益率与期望风险呈正相关关系，符合经济学中收益与风险成正比的一般性结论。其中，互联网券商的条件方差项系数最大，约为0.613，说明互联网券商的收益与风险匹配程度最高，其次为沪深300指数，而P2P互联网平台收益率与全样本收益率序列风险和收益的对应程度最低，也反映了投资者的不确定心理。

表8 互联网金融概念上市公司ARCH-M模型系数

以上四个模型从不同的角度对四个样本组序列股票收益波动性进行研究，虽然得到的结果有相似之处，但也有各自的侧重点。总体而言，四组样本的收益率序列波动聚集性非常明显，并且均存在非对称效应。进一步来看，互联网券商股票收益率与P2P互联网平台收益率检验结果差异较大，互联网券商股票收益率可以对外界冲击做出灵敏的反应，并且对随机冲击的反应持续时间较短，自我调节功能较强，收益与风险匹配程度较高，杠杆效应较弱；而P2P互联网平台收益率对一些外在的冲击反应稍显迟钝，波动集聚性稍差，对随机冲击的反应“恢复时间”较长，影响消除缓慢，不但具有杠杆效应，而且利空利好的冲击效果也比较明显，同时其收益率风险和收益的对应程度较低。这说明新兴市场相对于成熟市场来说有其独特的特点，不仅对外界的随机冲击比较脆弱，而且风险较大，具有杠杆效应。同样，互联网金融概念股票属于新兴的股票市场，其相对于沪深300等传统行业来说，股票收益率的脆弱性、杠杆性、风险性都较强，投机色彩也比较浓厚，所以应当对该行业进行适当地引导规范，逐步发展其与沪深300市场类似的较为成熟的投资氛围。

四、研究结论与对策建议

(一)研究结论

本文运用ARCH模型族，以2014—2016年26只互联网金融概念上市公司股票的每日收盘价数据为样本，分为四个样本组序列进行对比分析，实证研究了我国互联网金融概念上市公司股票收益率波动性，得出以下结论:

第一，互联网金融概念上市公司股票收益率序列呈现尖峰厚尾的特征，不符合正态分布，符合金融时间序列的一般规律。沪深300指数收益率序列和互联网券商收益率序列与正态分布存在显著差异，其股票收益率波动会左右投资者的投资决策；而P2P互联网平台股票收益率序列与互联网金融概念行业综合股票收益率序列偏离程度较小，因这两者为新兴行业，其市场带动效应相对较小，很少出现大规模投资者同时收益或同时亏损的现象，暴发户与暴跌户在这两类行业中出现较多。

第二，四个样本组收益率序列均为平稳时间序列，不存在单位根。且均通过了ARCH-LM模型检验，存在ARCH模型效应，适合用ARCH模型族建模进行实证研究。

第三，四个样本组收益率序列均存在明显的波动集聚性，对外部随机冲击反应时间持续性均有限。其中，沪深300指数收益率序列与互联网券商收益率序列的波动集聚性更强，受到外界随机冲击后，股票收益率表现出短时期内的频繁波动；而P2P互联网平台与互联网金融概念行业综合股票收益率序列的波动集聚性相对稍小，对外界随机冲击的反应程度相对不敏感，股票收益率出现波动时间较长，即其自身调节风险的能力较弱。

第四，四个样本组收益率序列均存在非对称效应。其中P2P互联网平台收益率序列存在杠杆效应，即相对利好消息，P2P互联网平台股票更易受同等程度利空消息的影响，其冲击效应更大，反映出P2P互联网平台股票尚未成熟，投资者对该行业存在观望心理和投机心理，信息公开与反馈效率不足。

第五，四个样本组收益率序列的风险与收益均存在正相关关系。其中，互联网券商与沪深300指数因其发展相对成熟，其风险与收益匹配程度较好；而P2P互联网平台与互联网金融概念行业的股票收益率风险与收益匹配程度一般，需引导投资者进行理性投资，使得预期收益和风险匹配程度达到合理的范围。

(二)对策建议

1.加强互联网金融监管。互联网金融虽然是一种新型的金融服务，但其实质脱离不开金融的本质，其数据仍然具有自相关性及聚集性等金融时序数据的特点，时而波动剧烈，时而波动平缓。目前，互联网金融呈爆发式发展趋势，而对于互联网金融的监管手段相对滞后，潜在风险不容忽视，决策者应加强对互联网金融监管方法方面的研究。

2.提高投资者风险意识。在互联网金融的大背景下，投资者应理性分析互联网金融概念股票的收益与风险。现阶段互联网金融概念股票发展不成熟，尤其是受到外界冲击时，股票收益率波动时间较长，自身调节风险的能力较弱，如果投资者不提高风险意识，一旦发生系统性金融风险，不仅会带来巨大的经济损失，而且还有可能造成社会的动荡。因此，投资者需要更为有效、敏感的风险预警手段来防范未知风险。

3.互联网金融产品多元化。创新是一个企业发展的巨大动力，只有不断创新才能源源不断地为企业注入新鲜血液，在激烈的竞争中拔得头筹，促进企业的长远发展。互联网金融给企业提供了广阔的平台和多元的客户群，广大企业应以此为契机，稳抓创新，不断推出新产品、新业务，适应广大群体的多元化要求。互联网金融的突出特点就是依托网络平台进行交易，要充分利用网络资源，建立属于企业独树一帜的网络优势，也是促进互联网金融企业不断持续健康发展、避免股价大起大落的重要途径。