新冠“黑天鹅”下中美股票市场波动趋势探讨

吴凌睿

摘要：受新冠肺炎疫情的影响，2020年后全球金融市场发生剧烈动荡。在此背景下，本文基于GARCH模型的应用建模和研究设计，探讨新冠“黑天鹅”对中美股票市场的波动性特征冲击问题。本文具体估计了GARCH模型参数，并结合四个月的窗口期对比研究了疫情前、中、后期中美股票市场的波动趋势特征和表现。结果表明：新冠疫情对中美两国股市都造成了严重冲击，疫情后期的股市波动相对于前中期更为剧烈，同时疫情后中国股票市场的波动性趋势特征强于美国。最后，本文对中美股指收益率及其波动率序列进行因果关系检验，发现存在美股走势对中国股市的单向Granger原因。基于研究结论，本文提出了加强市场风险监测、完善资本市场制度建设、关注国际资本市场联动性等政策建议。

关键词：新冠疫情;黑天鹅;金融波动;中美股票市场;GARCH模型

一、引言

2020年3月9日，受新冠疫情冲击，全球股票市场发生了联动式暴跌。美国标普500指数盘中一度下挫7%，日经225指数暴跌5.07%，恒生指数收跌4.23%，上证指数下跌772%，皆创近年单日最大跌幅纪录：此外，英法德股指全线跌超7%，巴西基准股指更是下跌10%直接触发熔断。随着后续新冠疫情的漫延和逐步控制，各国股市在后续时间也经历了下跌、动荡和探底回升。对比新冠疫情前，2020年至今的两年内，全球股市的波动频度和幅度表现突出，一定程度上反映新冠这一重大突发事件对投资者情绪和各国股市的持续性影响。

在高度全球化的今天，全球金融市场间的相互依赖性不断增强，以至于一个区域的金融市场波动会快速地延伸到其他区域，加大金融市场的共振风险。作为当今世界重要的经济参与体，中美两国的经济往来日趋紧密，两国经济金融市场的趋势走向对于世界经济具有一定的导向作用。本文对疫情发生后中美股市波动趋势进行实证建模和计量分析，旨在进一步量化新冠疫情这类重大突发事件对中美股票市场的冲击、影响，同时为疫情后期我国金融市场的监管和稳健发展提供政策参考。

查阅了与本文相关的文献，下文从金融波动的定义、度量和“黑天鹅”事件对金融市场的影响三部分分别进行评述。

已有文献研究关于金融波动的专门定义并不多见。国内学者张红伟（2003）认为：狭义的金融波动是因客观环境的变化或者主观决策的失误等其他原因而导致的，经济主体在融资时，使金融机构的资产和信誉等处于一种不稳定的状态：广义的金融波动是由于一些实际经济因素以及金融自身因素改变所造成的金融突变量上下起伏交替的变动。王宇新（2006）从股票市场角度出发将金融波动具体定义为股票价格的波动性：所谓股票价格的波动性，一般是指未来股票价格会背离其期望值的一种可能性。

金融波动度量模型的研究最初是在国外学术界中掀起热潮的。在20世纪80年代初期，Engle（1982）在分析通货膨胀模型时发现预测误差的方差中存在某种相关性，为了刻画这种相关性，他提出了ARCH模型，也被称为自回归条件异方差模型。随后，BOLlerslev（1986）在其基础上提出允许条件方差依赖自身前期的广义ARCH模型，即GARCH模型，后者能够较好地解决ARCH模型在应用中的待估参数较多的问题。国内學者主要倾向于在上述金融波动模型基础上进行实证应用。谭加劲（2003）结合GARCH模型来研究证券交易印花税下降对我国A股市场波动性影响;舒俊（2005）引入ARCH族模型对上证指数的日收益率序列进行拟合研究。

伴随着社会学家和经济学家对突发事件问题的研究，“黑天鹅”这一概念频繁出现在相关文献研究中。Talb（2008）认为“黑天鹅”事件是指那些发生概率极小但实际却发生了的事件，它处于意料之外，可改变一切。Estrada（2008）指出“黑天鹅”事件一旦发生，会对金融市场造成严重的冲击，而且会对投资者预期收益造成巨大的影响。刘庆富、周程远和张婉宁（2011）关注了突发性地震灾难对中国股票市场的冲击效应，研究发现这一冲击效应在股票市场各行业的收益和风险中表现出差异性.Maillet和Michel（2005）探讨了9.11恐怖袭击事件对美国股票市场的影响，强调了这一冲击的负向效应。

可以看到，已有文献结合不同思路就金融市场波动性、重大突发事件对金融市场的影响和冲击进行了研究，并得到了诸多有益的结论。新冠肺炎疫情的发生对全球金融市场及其走势造成了持续性和联动性影响，已有文献关于新冠疫情对我国和其他国家股市的冲击分析和对比研究较少。鉴于此，本文运用GARCH模型研究新冠疫情下中美两国股市波动趋势，进一步量化新冠疫情对两国股票市场的冲击和联动影响。后文框架安排如下：第二部分阐述了金融波动的定义并具体介绍度量金融波动的GARCH模型;第三部分为新冠疫情下中美股市波动特征建模;第四部分进一步探讨新冠疫情下中美股市波动的因果关系：第五部分为全文总结和建议。

二、理论基础

（一）金融波动度量

金融波动是指金融市场中各要素处于一种不稳定的状态，通常外化为金融资产价格指标在一段时间内的上下起伏变动，文献研究中通常采用金融资产的波动率对其度量。简单来看，资产的波动率表现为资产价格波动的程度，可以用标准差直接衡量。我们同样可以用收益率的标准差来衡量股市波动率，不过，由于股票市场的群集波动和时变特征，难以结合全部样本固定地进行标准差的统计度量，后文结合计量模型中的条件方差方程对其进行刻画。

GARCH模型中的条件方差方程可以用以有效衡量资产收益率的波动状况，条件方差越大说明资产收益率的波动率越大。结合GARCH模型建模，可以有效测度和分析股票市场的波动性风险，并已有较多文献结合该类模型进行了股票市场波动问题的研究（叶青2019;贾子腾2020;张盼2020）。借鉴已有研究，本文结合GARCH模型的建模设计刻画疫情冲击背景下股票市场的波动特征，由此量化评估和对比中美股市的波动趋势和风险特征。

（二）ARCH和GARCH模型介绍

在过去几十年里，研究金融波动特征及波动率估计的最主要研究方法是ARCH模型和GARCH模型，下面本文对其进行简要介绍。

1.ARCH模型

Engle（1982）提出的ARCH模型被广泛地运用于金融时间序列分析。ARCH类模型由条件均值方程和条件方差方程组成，该模型把条件方差看作是前期误差（偏离不变的无条件方差大小）的函数，设定条件方差随时间变化。ARCH（p）模型的均值和方差方程分别如下式（1-2）

其中，y：和X分别表示因变量和自变量，t表示无序列相关的随机扰动项，p表示模型的滞后阶数。为了保证方差方程中的方差为正，要求回归参数a》0，且1+o2+…+o《1。在该模型中假定随机扰动项序列不相关，但的方差序列可能相关。所以在建立ARCH均值模型后要对其残差序列进行ARCH检验，判断是否有异方差效应。在应用回归估计中，通常滞后阶数p越高，模型拟合效果才越好，因此ARCH（p）模型滞后阶数很大。但这样需要估计很多参数，同时会出现类似于解释变量的多重共线性等问题。

2.GARCH模型

为突破ARCH模型的局限，BOLlerslev（1986）提出了GARCH模型。该模型在ARCH（p）模型中增加了q个残差平方滞后项得到，记为GARCH（q，p）模型。GARCH（q，p）模型的均值方程与式（1）保持一致，方差方程如下：

其中，0》0，1≥0（i=1，…，p），B≥0（j=1，…，q）。为保证GARCH模型是弱平稳的，有-，乌，IP，1的约束条件。

GARCH（q，p）模型对应ARCH（∞）模型，由于待估参数的大幅减少，能较好地解决ARCH（p）模型在应用中参数估计繁琐的问题。后文主要基于GARCH模型对新冠疫情背景下中美股票市场波动趋势进行实证分析。

三、新冠疫情下中美股票市场波动特征建模

（一）新冠疫情下的中美股市走势

2020年新冠肺炎疫情的爆发和蔓延给我国金融市场带来了严重冲击，加大了人民币汇率和资本市场的波动。图1所示，在2020年2月1日前期，中国股票市场受到明显冲击，深证成指大幅下跌，上证指数也能够观察到有下跌的趋势。A股在2月3日开盘后，在短时间内将近有3000只股票跌停，上证指数下跌了7.72%，深证成指下跌了8.45%，并在短时间内波动性下滑，主要原因是疫情爆发正值中国的春节期间，证券市场处于休市中，疫情的快速发展和网络媒体的渲染，导致民众悲观情绪不断加重，并在春节后的第一个交易日里集体释放。随后，由于我国疫情防控措施实施效果显著，3月开始的新增确诊人数逐渐减少，加上各种政策的支持，3月中下旬后我国经济态势逐步恢复，股指开始向上反弹

在2020年的2月份之前，新冠疫情主要集中在中国和邻近的几个亚洲国家。但从2月下旬开始，疫情在欧美迅速扩散。在图2中，可以观察到大概在3月1日左右，美国两大股指出现明显下挫，且在3、4和5月份标普500股指和纳斯达克100股指表现出明显的波动聚集性和长记忆性。2020年3月9日，全球金融市场发生了罕见的暴跌，标普500指数盘中一度暴跌7%，直接触发一级熔断机制。3月19日，美股10天内第四次熔断，历史上第五次。之后随着美股筑底和后续美国政府的不断量化宽松政策，美股后续开始在波动中不断恢复向上走势。

（二）股指收益率的描述性分析

本文以对数化股指收益率（R）为考察指标进行股市波动

特征的探讨，构建公式如下：

上式中p、P-分别表示指数的第t、t-1日收盘价。后文对中国股市波动特征的建模研讨建立在上证综指（SH）和深证成指（SZ）的对数化收益率之上，对美国股市波动特征的建模基于标准普尔500指数（BP），研究区段为2019年7月1日至2020年12月31日，数据来源为：英为财情（https：/cn.in-vesting.com）。

表1归纳了Eviews10对上证指数、深证成指和标普500指数的日收益率序列做出的描述性统计量，结果如下：

对于收益率为正态分布的金融时间序列，理论上的偏度值为0，峰度为3。从表1可以看出，三大股指的偏度均不为0。其中，上证指数的日收益率偏度大于0，存在明显的右偏特征：深证成指和美国标准普尔500指数均小于0，存在明显的左偏特征。上证指数、深证成指和美国标准普尔500指数的峰度均大于3。因此，三大股指的收益率序列存在着明显的“尖峰厚尾”的分布特征，均不是正态分布。此外，三者的標准差也较小，进一步蕴含了可能的群集波动特征。

另外，表1对三大股指的日收益率序列（R）和股指走势序列（In（p）进行ADF单位根检验，结果表明，在1%和5%的显著性水平下，三大股指In（p）序列的ADF统计量大于临界值，且P值不显著，说明在样本研究期间三大股指都不平稳，有明显的波动：而三大股指的日收益率序列的ADF统计量值都远远小于临界值，并且P值都小于0.01，说明日收益率序列在样本研究期间是平稳的，可以基于其进行股指波动特征的建模分析。

（三）GARCH模型实证建模

对对数化收益率R进行GARCH建模前，我们结合ARCH-LM法对其一阶自回归残差进行ARCH检验，判断序列是否存在明显的异方差特征。表2显示SH、SZ、BP收益率指标的ARCH-LM检验量在5%的显著性水平下拒绝同方差原假设，说明残差序列具有显著的ARCH效应。为了更好地解释现实中美股指收益率波动问题，将外生变量广义货币供应量（M2）加入均值方程（1），由此建立GARCH（1，1）模型如下：

用上述GARCH模型对上证指数、深证成指和美国标准普尔500指数收益率序列进行拟合，参数估计结果如表3所示。

首先，三个GARCH模型下的ARCH项和GARCH项估计值之和均小于等于1，满足参数估计的约束条件，同时也表明我国上证指数、深证成指和美国标准普尔500指数的冲击波动随时间衰减，但在未来可能持续多期。其次，SH的模型估计结果中ARCH项和GARCH项的Z统计量较BP更大，深证成指与其接近，说明中国股票市场的波动性比美国股票市场的波动性更加剧烈。最后，从新冠肺炎疫情期间M2同比系数对于股票市场影响的方面来看，M2对中国股市收益率波动值的影响不大，对美国股票市场收益率波动产生显著影响，较M2对中国股票市场的促进作用，美国股票市场的作用效果较大。

（四）新冠疫情下中美股市波动的分期对比

GARCH模型中的条件方差方程可以用来衡量资产收益率的波动变化情况。条件方差越大说明资产收益率的波动率越大，偏离期望方差的程度越大。因此，下文使用GARCH模型估计的疫情前期（2019年9月至12月）、中期（2020年1月至4月）、后期（2020年5月至8月）上证指数和标普500指数收益率的条件方差序列进行折线图呈现，直观刻画出不同时期的中美股票市场的波动趋势和特征。

图3展示了疫情前、中、后期中国上证股指波动率的分期表现。可以观察到，疫情前期上证综指的波动很平稳，GARCH模型估测到的条件方差序列表现平稳且取值较小，表明该时期股票市场较为稳定。疫情发生后，图中显示，2020年1月末至2月初产生一次剧烈波动（条件方差在0.35%），并在3月份呈现明显的持续性波动趋势。从4月份开始，伴随着新冠防控效果的不断显现和经济生活的恢复，中国股票市场波动值开始下滑，整体条件方差在009%以下。随后的7月到8月份，股市在上涨回升中的波动趋势有一定加强，但整体取值明显低于疫情中期表现。最后，对比图3疫情前后期的条件方差表现，疫情后上证指数的波动程度比疫情前期更加剧烈。

图4显示了疫情前后美国标准普尔500指数波动率走势。从疫情爆发中期的走势表现观察到，标普500指数的条件方差序列在2月底开始出现上下波动，并在3月中旬达到峰值，条件方差接近0.016，表明疫情对于美国股票市场的冲击是在2020年2月底持续至4月，波动浮动较为剧烈。从疫情爆发的前后四个月的窗口期来看，除2019年10月和2020年6月中发生两次剧烈波动之外，标准普尔500指数的条件方差序列平稳，但疫情后期的条件方差序列取值明显高于前期，疫情较大程度加剧了股票市场的波动趋势。

四、进一步探讨：新冠疫情下中美股市的因果关系检验从上文实证研究中，我们可以发现新冠疫情对中美股票市场走势及波动特征均造成了冲击，疫情发生带来的金融系统非确定性和波动性在股票市场表现明显。为进一步探讨新冠疫情下中美股票市场间的内在联动性，如下结合Granger因果检验对上证股指（RSH）和标普500股指收益率序列（RBP）进行计量检验。

Granger因果关系检验是由经济学家Granger于2003年所开创，尽管Granger检验得出的因果关系不是经济活动的实际因果关系，但可有效检验某一变量的滞后值（过去的信息）对于另一被解释变量信息是否有预测能力，从而反应考察变量的内在关联。我们使用Eviews10对SH、BP的日收益率序列和基于GARCH模型得出的条件方差序列进行Granger因果关系检验，检验结果如表4和表5所示。

表4第一行检验量的P值小于0.05，检验结果拒绝原假设，说明RBP是RSH的Granger原因，即美国标准普尔500指数对上证指数的日收益率有预测能力，美股的上涨和下跌对中国股市具有很大的导向作用。表4第二行的检验结果接受相应原假设，说明RSH不是RBP的Granger原因，即上证指数对美国标准普尔500指数的日收益率序列没有预测能力。另外，表5显示RBP和RSH之间的因果关系不是很明显。这意味着两者尽管存在表4所示的收益率走势的“因果关系”，但从波动趋势特征来看，双向关联性并不突出，这意味着中美股指的波动表现更可能是源于外部市场情绪带来的协同共振，时间影响前后导向上并不明显。综上所述，新冠疫情下中美股指波动性走势的双向因果关系不显著，两者存在同向共振：股指收益率序列则存在美股到A股的明显单向因果关系。不论是公共卫生领域，还是金融领域，中美两国都不可能是两个封闭独立的个体。在探讨新冠“黑天鹅”对双方金融系统的冲击效应中，需要联动协调地看待。

五、全文结论

本文选取2019年7月1日至2020年12月31日的上证指数、深证成指和美国标普500指数的日收盘指数为代表性样本，借助Eviews10软件，使用GARCH模型来研究中美股票市场股票收益率的波动特征。根据上文实证分析能得到以下结论：

（1）从新冠肺炎疫情期间M2同比系数对于股票市场影响的方面来看，较M2对中国股票市场的促进作用，美国股票市场的作用效果较大。其原因可能是中国间接融资规模较大，资本市场没有美国资本市场发达，资金使用效率不高，且中國人民储蓄意愿较强烈，因此在疫情期间的资金使用效率不高。

（2）新冠疫情“黑天鹅”事件对中美两国的金融市场都产生了剧烈冲击，使它们的股票市场产生剧烈波动，且两者在疫情后期的波动更为剧烈。比较两者疫情中后期的股票市场波动趋势，中国股票市场的波动更为剧烈。

（3）新冠疫情下的中美股票市场有一定的内在联动性。疫情对美国股票市场造成的冲击进一步会影响中国股票市场的波动趋势。

结合本文研究结论，笔者提出如下政策建议：

第一，我国金融市场信息披露制度、市场监管制度和法律法规建设不够完善。相比欧美的发达国家，我国上市公司信息披露不健全，这导致投资者不能获得完善的公司信息。此外，我国股票市场发展的时间短，还未形成一套系统完善的监管制度，会导致市场出现投机者，避开市场监管买卖资产进行牟利。因此，要尽快完善金融市场信息披露制度、市场监管制度和法律法规，规范市场交易。

第二，加强金融市场的风险监测。“预期”是影响资本市场的一个重要因素，容易导致“羊群效应”和“过度反应”。对于金融市场监管部门，应加强完善预期管理，合理引导市场情绪。无论是抗击疫情期间还是之后，都应以此契机进一步审视和完善国内的预期性管理;顺应事态的发展，动态调整逆周期政策力度，稳定市场情绪。因此，必须加大对金融市场预期的引导，同时加强对金融市场的风险监测。

第三，关注国际资本市场的联动性。前文的因果关系检验表明，美国股票市场的走势对中国股票市场具有一定的单向因果关系。随着全球一体化和我国资本市场国际化进程的加快，我国资本市场与世界经济的联系也日益密切。因此，我国要进一步关注国内资本市场与国际资本市场的内在联动性，同时配合审慎监管，维护资本市场的稳定性。

第四，完善资本市场制度建设。资本市场中的交易机制、信息流以及投资者对于投资活动的认识等都会对资本市场的波动趋势产生影响。因此，我们在加快资本市场改革的同时，要加强对资本监管和监控、完善资本市场的制度改革以及放稳资本市场对外开放的脚步，减弱外界市场对中国股票市场的干扰和市场情绪方面的影响，培育资本市场理性。

（指导老师：于寄语）

参考文献：

[1]Engle Robert F.Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation[J]. Econometrica，1982，50（4）：987-1007.

[2]BOLlerslev Tim.Generalized Autoregressive Conditional Het-eroskedasticity[J].Eeri Research Paper，1986，31（3）：307-327.

[3]Nassim NichOLas Taleb.The Black Swan：The Impact of the

Highly Improbable [M].the United States of America PenguinBooks Ltd，2008.

[4]Estrada J.Black Swans in Emerging Markets[J].The journal ofin-vesting，2008，（2）.

[5]Bertrand B.Maillet，Thierry L.Michel.The Impact of the 9/11Events on the American and French Stock Markets[J].Review of International Economics，2005，13（3）：597-611.

[6]張红伟.论金融波动及其特征[J]天府新论，2002，（1）：25-28.

[7]王宇新.度量金融波动的方法和模型及其应用[D]天津大学，2006.

[8]谭加劲.证券交易印花税率下降对我国A股市场波动性影响的实证分析[J].暨南大学，2003.

[9]舒俊.中国股市日收益率波动特征研究[D].华中科技大学，2005

[10]刘庆富，周程远，张婉宁.地震灾难对中国股票市场的冲击效应[J].财经问题研究，2011，（4）：61-67.

[11]叶青.沪深300股指期货对股票市场波动影响分析[J].厦门大学，2019.

[12]贾子腾.我国科创板市场风险实证研究[J].苏州大学，2020.

[13]张盼.基于GARCH族模型的沪深300指数与恒生指数波动性的对比研究[J].江西财经大学，2020.