ARI-TGARCH-M-GED建模分析微信理财通收益率
尹美玲
（南京财经大学应用数学学院，江苏南京210046）
摘 要： 选取2013-12-11至2019-2-1期间的微信理财通七日年化收益率为研究对象，通过ADF检验、白噪声检验和ARCH效应检验，发现微信理财通收益率序列具有非平稳和自相关性，其一阶差分序列是平稳的非白噪声序列，且具有尖峰后尾和条件异方差等特征.基于此选择ARI-TGARCH-M-GED分布对数据进行建模，发现微信理财通收益率序列具有反杠杆效应，同时建立ARI-EGARCH-M-GED模型进一步证实该反杠杆效应的存在，最后分别对政府、互联网理财产品公司、投资者三方给予了相应的规避风险的措施建议.
关键词： 微信理财通收益率；ARI-TGARCH-M-GED模型；ARCH效应；ADF检验；反杠杆效应
自Engle首次利用ARCH模型来刻画条件异方差随时间的变化以来，自回归条件异方差模型得到了广泛的应用及发展，尤其是在金融市场及金融衍生品等领域[1].Bollerslev对美国通货膨胀的估计上，通过对ARCH模型进行多种改进，最终发现将其模型的干扰项的条件方差构成了一个ARMA过程，也即称为GARCH模型，它能准确描述时间序列的条件异方差性和波动聚集性[2].Markowitz第一次利用GARCH模型研究证券投资组合的风险[3].郑尧天和杜子平利用ARIMA模型对银行间同业拆借利率进行分析和预测，结果表明，ARIMA模型的短期预测效果很好[4].王天兴和张建以港元与美元等的汇率的对数的一阶差分数据为对象进行分析，分别采用ARCH、GARCH、EGARCH、GARCH-M 和IGARCH模型，揭示了汇率存在明显的ARCH效应，需要借助GARCH族模型对其波动率进行分析[5].Babai等针对欧洲一个超市的两阶段销售数据，构建非平稳的ARIMA模型，结果表明ARIMA模型的拟合值几乎等于其真实值[6].Bowden和Payne以MISO hubs的电力价格为研究对象，建立ARIMA、ARIMA-EGARCH及ARIMA-EGARCH-M模型分别对电力价格进行短期预测，发现ARIMA模型中存在自回归条件异方差性，且EGARCH模型表现出电力价格序列具有反杠杆效应[7].Qiu等人研究了德国的DAX指数和中国的上证指数和深证指数的波动性等特征，发现德国的DAX指数呈现杠杆效应，而中国的指数呈现反杠杆效应[8-9].陈晶晶利用GARCH、TGARCH和EGARCH模型研究了沪深指数收益率的波动聚集等特性，以两个指数各自的最高点为分界点，发现两个波动阶段的存在不同的杠杆效应，随着我国股市不断成熟发展，收益率慢慢地从反杠杆效应转变为杠杆效应[10].成城利用EGARCH模型在对上证对数收益率的波动性研究中发现，在2001年到2008年段，上证对数收益率具有反杠杆效应[11].梁恒和肖俊翔采用非对称的TGARCH模型研究上证指数和深圳指数的波动性和非对称性，结果发现在熊市阶段，两个指数都表现出杠杆效应，但是在牛市阶段则表现出反杠杆效应[12-13].刘书真等人通过对余额宝收益率序列进行EMD分解，然后根据频率分为高频、低频和残差序列，最后建立GARCH模型进行分析，结果显示EMD-GARCH模型要比GARCH模型的预测效果好[14].卢婷艳通过建立GARCH模型对余额宝收益率进行研究，发现该序列存在严重的自相关、波动聚集性和条件异方差性[15].
随着“互联网+”、4G网络、智能手机和即将来临的5G网络的发展，很多行业都呈现出新的发展态势，其中互联网金融行业的发展尤其迅速，各种互联网理财产品、互联网支付等的出现给人们生活带来了极大的便利.由于互联网产品具有收益高、资金流动性强、平民化、操作简单便捷等优势，使得投资者可以获取比一般银行存款还要多的利息，并且可以随时使用在线支付，对于小型客户来说，其平民化优势更为显著，投资者可以用一些小额度钱进行投资.互联网金融产品的众多优势使其在我国金融市场中迅速发展，深受广大人民的喜爱，但是由于我国互联网金融市场还处于发展阶段，相关制度体系还不够完善和成熟，其中存在很多不稳定因素，市场利率波动较大.2017年7月14日召开的第五次全国金融工作会议明确指出要深化金融改革，创新和完善金融调控，健全金融法制，促进金融市场的健康发展.因此，有必要对互联网金融理财产品进行量化分析，深入分析其利率波动特征，从而正确认识互联网金融产品的各种特性，使投资者合理地进行投资，促进金融市场的健康发展.
1 模型形式的设定与计量方法
本文从天天基金网（http://fund.eastmoney.com）选取2013年12月11日到2019年2月1日期间的微信理财通七日年化收益率共1 863个数据进行分析.定义yt为在t时刻微信理财通的七日年化收益率.对于时间序列数据，经常存在趋势性，图1即为微信理财通七日年化收益率yt的时间序列图.
图1 七日年化收益率y t的时序图
由图1的折线图可以看出，该收益率时序图上下波动幅度较大，而且大的波动一般紧跟在大的波动后面，小的波动紧跟小的波动，这说明微信理财通七日年化收益率的时间序列数据不稳定，可能存在一定的趋势性和异方差.对数据进行基本的描述统计分析，结果如图2所示.
(4)地热水是多方补给来源的水体混合后的结果，通过D同位素高程效应计算的补给区高程是一个多方补给高程的综合平均值，双顶山区域是该地热田的主要的补给源，而并非是唯一的补给源。
图2 y t数据的基本描述
图8的残差正态Q-Q图也说明AR回归模型的残差序列是非正态的.
进一步对微信理财通七日年化收益率序列进行单位根检验（ADF检验）以判断该时间序列的平稳性，结果见表1.
表1 y t的单位根检验结果表
由表1的单位根检验结果可以看出，微信理财通七日年化收益率序列yt的ADF的检验统计量的值为-2.938 514，在5%和10%的水平下，分别小于其临界值-2.862 907和-2.567 544，拒绝原假设，认为该序列不存在单位根，但是在1%的水平下大于其对应的临界值-3.433 701，故接受原假设，认为该序列存在单位根，微信理财通七日年化收益率序列是非平稳序列.为了在三个水平下都拒绝原假设，对微信理财通七日年化收益率yt数据进行处理，让其成为比较平稳的时间序列.常用的方法有差分和取对数等，在此采用一阶差分的方法，记一阶差分之后的数据为 x t，则xt=yt-yt-1.
对AR-TGARCH-M-GED模型估计结果进行检验.首先对模型残差的自相关性进行检验，作残差的自相关图，得到图9.观察图9可知，残差序列的自相关和偏相关值都接近于0，Q统计量的值不显著，则接受假设，认为残差序列是纯随机序列，不存在自相关性，故说明改进后的混合模型效果显著.然后对残差序列进行ARCH效应检验，检验混合模型ARI-TGARCH-M-GED是否还存在条件异方差性，结果如表8所示.
图3 x t的直方图
由图3可知该序列的偏度为0.236 643，峰度为30.219 48，JB统计量的值为57 498.87，其对应的p值为0.000 000，说明该数据一阶差分之后的分布仍然不是正态分布，而且峰度值远远也大于临界值3，该指标说明新的x t序列存在严重的尖峰现象，由此可知该序列xt的分布明显具有“尖峰”的现象.
其次，从图形的角度序列xt也不服从正态分布（图4）.由正态QQ图图4可以看出一阶差分序列值具有较强的波动集聚性，而且还存在较多离群值，进一步说明序列xt的分布是非正态分布.
教育是未来的事业，儿童是民族的未来。教师要把一个不懂事的孩子培养成国家的栋梁，民族的脊梁，要付出毕生的精力。教师工作是平凡的，每天上课下课、备课、批改作业，为学生解惑排难；但教师的职业又是伟大的，教师要把儿童这个幼苗培育成参天大树。古人说：“十年树木，百年树人。”说明创造物质是比较容易的，塑造人、铸造人的精神是要经过几代人的努力。因此，教师要满怀对学生的真心关爱，以学生的发展为本，甘为人梯，乐于奉献，用心灵和汗水一点一滴地滋润学生的心田，把全部精力和满腔热情献给教育事业。
强化水利水电施工设计是提高水利水电施工水平的重要举措，只有合理的设计水利水电施工，才能促进水利水电工程更加顺利的进行。强化施工设计主要是确保各个施工步骤不存在矛盾与冲突，确保施工流程顺畅。
图4 x t的QQ图
图5 x t的时序图
语文课堂，尤其是小学的语文课堂，是希望让学生在感悟语言文字魅力的同时，能够产生对于我们国家博大精深的文化的兴趣。在兴趣中逐步形成运用语言的能力。并且多种的教学手段、方法都是在围绕这一教学理念。具体的语文情景的建设，让学生和老师互相配合，产生相互的能动的过程。这不仅符合新课改要求下的教学理念，更能够根据学生的年龄特点进行教学，解决了语文教育标准里的重难点的学习，也可以培养学生语文素养。
表2 x t序列的平稳性检验
由表2的ADF检验结果可知，微信理财通七日年化收益率一阶差分序列xt的ADF的检验统计量的值为-15.997 12，在1%、5%和10%的水平下，都小于其临界值对应的临界值-3.434 514、-2.863 266和-2.567 737，故拒绝原假设，认为该序列不存在单位根，即认为x t序列是平稳，微信理财通七日年化收益率序列经过一阶差分之后变成平稳时间序列.
对于新序列xt的平稳性，可作出其波动时序图（图5）.
在针铁矿配入量为15 g、液固比为0.4、固化时间为3 d条件下，飞灰浸出毒性浸出结果见表2。可以看出，飞灰经过针铁矿固化后，各重金属元素的浸出量显著减少，均能满足生活垃圾填埋场进场要求。
从图5可以看出，新序列xt的数值围绕某一值上下波动，该现象说明此序列是平稳时间序列，但从图中也可以看出该波动具有集聚性，且xt值的变化随着时间的变化无明显规律性，说明该序列可能存在异方差.对该序列进行平稳性检验的结果见表2.
综上可知，微信理财通七日年化收益率数据（yt）经过简单的一阶差分之后变成了平稳的非白噪声序列（xt）.下面对一阶差分之后的数据进行经济建模分析.先选取简单的AR(m)模型进行分析.由于序列存在严重的拖尾现象，对于上述的金融时间序列，对其滞后一阶和七阶进行回归分析，即m值为1和7，回归分析的汇总结果见表3.
实验过程中,首先对p型GaN(0001)表面进行化学清洗,目的是为了去除表面的油脂等污染物;然后在超高真空系统中对样品进行710 ℃高温热净化,加热时长20 min,以去除GaN(0001)表面的C、O等附着物;最后,自然冷却样品至室温后对其进行激活实验。成功激活后,利用光谱响应测试仪[15-16]测试了阴极的光谱响应,测试曲线如图3所示。
式中，n为样本容量，ρ̑k2为样本序列滞后k阶的自相关系数，h为被检验的滞后阶数.Q近似服从卡方分布，即Q～χ21-α(h)，由此可以进行假设检验，该检验原假设为纯随机序列（白噪声序列），在给定一定的置信水平下，当Q值小于临界值时，接受原假设，认为该序列为白噪声序列.对新序列xt作自相关函数图得到图6.
图6 x t的自相关函数图
由图6的自相关函数图可知xt序列的纯随机性检验都很显著，其p值都为0.000，在此情况下，拒绝原假设，认为该序列为非白噪声序列.同时从图中可以看出xt序列滞后七阶的自相关系数很大，说明该时间序列具有长记忆性.
从统计推断和经济建模的角度来说，数据之间的关联性是分析数据的基础，只有数据之间存在某种关联性，才能依此去探讨数据的某些变化特征.对于时间序列数据，通常需要检验该序列的历史数据对未来是否存在影响，这种检验称为纯随机性检验，即检验序列是否为纯随机性序列，也称为白噪声序列.常用的统计量为Q统计量，表示如下：
表3 AR模型回归结果统计表
由表3可得如下回归方程：
对AR模型估计的残差进行分析，作残差平方的时序图（图7）.
图7 AR模型残差平方的时序图
从图7可以看出残差呈现大小波动现象，并且该波动现象具有跟随性，也即，大波动后紧跟也是大波动，此现象与之前的时序图很类似，说明了残差波动具有集聚性，进一步表明残差分布是非对称的，且可能存在条件异方差.为了证明这一猜想，在此基础上进行条件异方差检验，也即对残差进行ARCH效应的检验，检验结果如表4所示.
表4 AR回归模型残差的ARCH检验
表4是对AR回归模型的残差进行了一个1阶滞后的ARCH效应检验结果，其p值均为0.000 0，明显小于显著性水平0.05，故拒绝原假设，认为残差ARCH效应显著，并且存在高阶的ARCH效应，即存在明显的条件异方差，验证了之前的猜想.
由图2可知，该序列数据的均值为0.039 351，中位数为0.040 270，偏度为0.680 939，峰度为3.448 957，JB统计量的值为159.618 3，其对应的p值为0.000 000，说明微信理财通七日年化收益率的分布不是正态分布，而且偏度显著大于0，说明该事件序列存在右后尾的现象，峰度也大于临界值3，该指标说明yt序列存在严重的尖峰现象，由此可知该序列yt的分布明显具有“尖峰后尾”和非对称的现象，这也符合金融时间序列常有的尖峰后尾特征.
图8 残差序列的Q-Q图
综合上面的分析结果可知，AR模型的残差序列存在异方差性、非对称性和非正态性.以往的研究大都集中在假设随机误差项服从正态分布，在本文中假设均值方程的随机扰动项服从广义误差分布（GED分布，同时在此分析的基础上选择将波动项加入均值方程中，即Engle等人提出的GARCH-M模型[16].这些模型不仅可以用来描述自回归条件异方差过程，而且把波动项引入到相应的回归方程中，除了可以描述影响金融资产的回报的一些其他因素之外，还可以体现回报波动大小对金融资产收益率的影响.
因此，在经过多种GARCH族模型的选择后，本文最终选择了TGARCH-M模型，即，以AR回归为均值方程、TGARCH-M模型建立方差方程，得到AR-TGARCH(1,1)-M-GED模型估计结果（表5）.
例2中的标题使用了暗喻的修辞格。该文是美国著名专利法学者Chisum教授批评前述美国最高法院关于商业方法专利判例（Bilksi案）不足的论文，他将专利法上可专利客体的法律制度比喻成一座花园，在这座花园里，多年来生长出了大量杂草。他批评最高法院错过了清除这些杂草的时机；但同时，他又认为该判例也为专利法播下了非常有益的种子，对专利权保护范围的界定具有重要积极意义。
表5 AR-TGARCH-M-GED模型参数估计的结果
根据表5可以写出AR-TGARCH-M模型的均值方程和方差方程分别为：
根据表5中各个参数对应的p值可知，模型中的各个系数显著不为0，其中TGARCH模型中的dt-1是关于εt-1的一个示性函数，当εt-1大于0时，表示利好消息，此时dt-1的值为0，反之则为1.针对本文的微信理财通一阶差分序列建模结果可知，-0.299 019明显不为0，说明条件方差对冲击的反应的非对称的，也即利好消息和利坏消息对条件方差的影响是不一样的，且存在“反杠杆效应”，当微信理财通的收益率增加（利好消息），即系统冲击εt＞0时，ε2t-1对方差的影响是0.330 396，当即系统冲击εt＜ 0 时 ，ε2t-1对方差的影响是0.031 377（即0.330396-0.299019）.根据梁恒等人的研究分析可知该序列存在反杠杆效应也是合理的，说明人们对微信理财通的投机行为有些过度，因此，随着收益率的上涨，人们争相进行交易[8-9,12-13].当收益率下跌时，人们在交易中不活跃，等待微信理财通收益率的上涨，这也说明了中国的微信理财通市场可能尚处于非稳态状态.从金融市场的角度来看金融市场中一方面是资金与资金的互动，另一方面就是人与人的沟通和交流，人与人之间会产生信任和期望等情绪，这些情绪会影响人在金融市场的交易，比如“跟风”现象就是一个很好的例子.由于近几年腾讯推出的社交软件微信深受大众喜爱，导致全国几乎所有人都在玩微信，故当微信理财通的收益率上涨时，经过亲朋好友的介绍之后，大部分的人都会选择去投资微信理财通，然而却不具备系统的金融经济学知识，获取信息也不全面，缺乏风险意识等等，这都可能导致部分人就会跟风去投资.为了进一步证明该反杠杆效应的存在，对数据采用AR-EGARCHM-GED模型进行建模，其模型的估计结果如表6所示，根据表中参数估计结果可得均值方程和方差方程为：
由表6中各个参数对应的p值可知，模型中的各个系数显著不为0，其中EGARCH(1,1)-M模型中
的系数为0.087 634，说明利好信息和利信息对波动的影响不同，且系数值大于0进一步说明该模型中存在反杠杆效应，这与前面TGARCH-M模型得出相同的结论.当微信理财通的收益率增加（利好消息），即系统冲击εt＞0时，对波动的影响是0.568 609（即0.480975+0.087634），当微信理财通收益率减少（利坏消息），即系统冲击εt＜0时，对波动的影响是0.393 341（即0.480975-0.087634）.综合上面分析可得出微信理财通收益率序列确实存在反杠杆效应.根据两个模型的评价标准进行模型选择，结果如表7所示.
表6 AR-EGARCH-M-GED模型参数的估计结果
表7 模型评价标准的比较
比较表7中的数据可知，两个模型的AIC、SC和HQC的值相差不大，但是AR-TGARCH-M-GED模型对应的值全部小于AR-EGARCH-M-GED模型对应的值，故本文选择AR-TGARCH-M-GED模型对微信理财通的一阶差分序列进行分析.
首先对序列xt进行简单的描述，从数值的角度了解其分布特征，如图3所示.
表8 AR-TGARCH-M-GED模型残差序列的ARCH效应检验
表8的结果表明，混合AR-TGARCH-MGED模型残差的ARCH LM检验中，p值显著大于显著性水平10%，则在显著性水平为1%、5%和10%下，都接受原假设，说明改进后的模型的残差不存在条件异方差性.
图9 残差平方自相关图
综上，得到对微信理财七日年化收益率采用ARI-TGARCH(1,1)-M-GED混合模型后的残差序列是平稳的白噪声序列，该混合模型很好的消除了之前模型中存在的不平稳和条件异方差性等问题，说明能够准确估计出微信理财通七日年化收益率的波动规律，而且改进后的ARI-TGARCH-M模型的AIC值为-11.799 53，SC值为-11.772 72，该值都比之前建立的ARI模型的AIC(-10.10374)和SC(-10.09480)的值小，再一次表明新模型ARITGARCH-M比AR模型对微信理财通七日年化收益率序列描述更准确.
2 结论与建议
本文从天天基金数据库中选取2013年12月11日到2019年2月1日期间的微信理财通七日年化收益率数据作为样本，通过对微信理财通七日年化收益率数据的分析，最终选择ARI-TGARCH-MGED模型对微信理财通七日年化收益率序列建模，对微信理财通七日年化收益率的波动性进行了研究.结果表明我国微信理财通七日年化收益率序列具有明显的“尖峰后尾”“非对称性”和“反杠杆效应”，这可能是因为我国微信理财通市场上市时间较短，还处于发展阶段，市场以及其相关的政策还不够完善，而且投资者获取信息不对称，可能存在盲目或者跟风的现象.本文模型中得出的反杠杆效应并不与金融时间序列中常存在的杠杆效应相矛盾.正如很多学者证明的当股票市场处于牛市时，其中存在反杠杆效益，处于熊市时，存在杠杆效应.在我国经济上行期间，微信理财通收益率波动较小，在我国经济下行期间，微信理财通收益率波动较大.当投资者预期微信理财通收益率增加，则杠杆效应就会减弱，甚至可能成为反杠杆效应.
伴随着“互联网+金融”、4G网络、智能手机和即将来临的5G网络的发展，以及互联网理财产品本身具有的低门槛和高利率等的优势，迅速扩大了互联网金融市场的发展，金融市场的“高利率高风险”特征表明互联网理财产品所面临的风险也在增加，对此，相关政府部门和公司以及投资者应该采取相应规避风险的措施：
图1是500 hPa位温误差与降水场的关系。由图1a、b可知,在预报6 h、12 h时,位温误差大值中心几乎与降水中心一致,范围集中在降水大值区范围之内;随着预报时间的增加,预报18 h、24 h后(图1c、d),扰动位温的误差大值区不只集中在降水大值区,而是沿着降水大值中心向四周扩散,范围明显增大。由此说明湿对流区域是此次飑线过程中误差易快速增长地区,也是预报不稳定区域所在。
4.把握好证券投资等资本项目对外开放的步伐。越来越多的现实情况导致IMF等国际组织对新兴经济体适当的资本管制采取支持态度。从实证结果来看，人民币汇率预期对证券投资跨境资金流入的影响显著，表明在逐渐开放的资本市场中，“人民币汇率预期波动—股价等资产价格波动—证券投资跨境资金波动”等风险传导路径更为顺畅，同时也放大了汇率预期变化对跨境资金流动的影响。因此在资本项目改革的进程中，应坚持稳步、适度的原则，切忌改革措施力度过大，引发全面的金融风险，同时，在实施对外开放政策的过程中，应加强对证券投资跨境资金流动的监管，密切关注市场预期的变化，避免因跨境资金异常波动对国内证券市场造成的负面影响。
（1）对于互联网理财产品公司而言，可以适当提高投资门槛，准确掌握资金的流动方向，加强相关从业人员的素质培训与考核，加强企业信息披露的自律性，强化互联网金融支付功能，努力构建完善、安全的网络交易系统，以确保交易的安全性与保密性.再者，互联网企业进入金融市场之后必须遵守相应的法律法规，要以身作则，明确自身的责任，保护好每一位用户投资者的个人信息，提高企业自身的社会信誉，降低信用度风险.
（2）对于政府而言，应该加快相关法律法规体系的建设与完善.网络信息时代的快速发展促使多种多样的互联网产品迅速发展，对此制定科学严谨的制度是必要的.同时也要加强互联网企业的监督与管理，时刻控制企业自身的风险，引导互联网金融企业与客户之间建立正确、安全的交易流程，对其潜在风险也要高度重视，努力寻求合理的预防解决措施，政府部门在为互联网金融企业营造良好的发展环境的同时也要给予适当的优惠政策，积极推进市场利率化，鼓励互联网金融企业的创新发展.
（3）对于投资者来说，要正确认识金融产品的波动特性，全面了解相关信息，并依此对未来金融市场的形势有合理的判断和预测.但是互联网金融产品的收益率序列是非平稳的，这在一定程度上对模型的预测带来了困难，再者我国互联网金融市场的发展还不是很成熟，这些使得投资者不能准确预测未来的收益.因此，投资者在作出行动之前一定要理性看待其存在的优势和弊端，增加自己对金融产品知识的了解，在投资之前一定要深入了解产品特性；提高自身的风险意识，不可忽视金融产品背后存在的高风险性，做好风险规避的准备；树立正确的理财观念，根据自己的实际情况来选择合适的理财方式，不可盲目跟风去购买各种理财产品.
参考文献：
[1] ENGLE R F.Autoregressive conditional heteroscedasticity with estimates of the variance of UK inflation[J].Econometrica,1982,50(4):987-1007.
[2] BOLLERSLEV T.A conditionally heteroskedastic time series model for speculative prices and rates of return[J].The Review of Economicsand Statistics,1987,69(3):542-547.
[3] MARKOWITZ H.Portfolio Section[J].Journal of Finance,1952,7(1):77-91.
[4] 郑尧天,杜子平.ARIMA模型在同业拆借利率预测中的应用[J].太原师范学院学报(自然科学版),2007(1):45-47.
[5] 王天兴,张建.ARCH/GARCH类模型对汇率波动率的研究：基于汇丰银行的实证研究[J].金融经济,2006(24):84-86.
[6]BABAI M Z,ALI M M,BOYLAN JE,et al.Forecasting and inventory performance in atwo-stage supply chain with ARIMA(0,1,1)demand:Theory and empirical analysis[J].International Journal of Production Economics,2013,143:463-471.
[7] BOWDEN N,PAYNEJE.Short term forecasting of electricity prices for MISO hubs:Evidence from ARIMAEGARCH models[J].Energy Econmics,2008,30(6):3186-3197.
[8]QIU T,ZHENG B,REN F.Return-volatility correlation in financial dynamics[J].Phys Rev E,2006,73(6):065103.doi:10.1103/PhysRevE.73.065103.
[9] QIU T,ZHENG B,REN F,et al.Statistical properties of German Dax and Chinese indices[J].Physica A:Statistical Mechanicsand Its Applications,2007,378(2):387-398.
[10]陈晶晶.沪深股市的波动特征和非对称性研究：基于GARCH族模型[D].大连:东北财经大学,2011.
[11]成城.基于GARCH模型的上证指数波动率特征分析[D].济南:山东大学,2014.
[12]梁恒.基于GARCH族模型的我国沪深股市波动非对称性研究[D].合肥:安徽大学,2014.
[13]肖俊翔.不同市场态势下股市行业波动非对称性实证研究[D].长沙:湖南大学,2016.
[14]刘书真,封惠子,袁铮.基于ARMA模型对余额宝未来收益的预测[J].时代金融,2014(12):17-18.
[15]卢婷艳.基于GARCH类模型的余额宝日收益率波动研究[J].经济研究导刊,2018(15):92-94.
[16]ENGLE R F,LILIEN D M,ROBINSR P.Estimating time varying risk premia in the term structure:the ARCH-M model[J].Econometrica,1987,55(2):391-407.
ARI-TGARCH-M-GED Model for the Analysis of WeChat Financial Returns
YIN Meiling
(Collegeof Applied Mathematics,Nanjing University of Financesand Economics,Nanjing,Jiangsu 210046,China)
Abstract: The seven-day annualized yield of WeChat financial returnsfrom 11th December of 2013 to 11th January of 2019 was studied.By ADFtest,white noise test and ARCH effect test,it isfound that the seriesisnon-stable and auto-correlation,and the first order difference sequence isa smooth,non-white noise sequence which hasthe characteristicsof the rear end of the peak and conditional heteroscedasticity.Based on this,ARI-TGARCH-M-GED distribution wasselected to model the data,and the result findsthat the return rate sequence of WeChat financial communication hasthe anti-leverage effect.Meanwhile,the establishment of ARI-EGARCH-M-GED model further explained the existence of the anti-leverage effect.Finally,corresponding suggestions to thegovernment,Internet financial product companiesand investorson how to avoid risksweregiven.
Keywords: WeChat financial returns;ARI-TARCH-GED model;ARCH effect;ADFtest;anti-leverage effect
中图分类号： F224.9
文献标志码： A
文章编号： 1671-5365(2019)06-0086-07
DOI: 10.19504/j.cnki.issn1671-5365.20190313.001
引用格式： 尹美玲.ARI-TGARCH-M-GED建模分析微信理财通收益率[J].宜宾学院学报,2019,19(6):86-92.
Cite it as：YIN ML.ARI-TGARCH-M-GED Model for the Analysisof WeChat Financial Returns[J].Journal of Yibin University,2019,19(6):86-92.
综上所述，《汉志·诗赋略》前三种赋按照“二级分类原则”进行划分更为合理。首先以“楚辞体系”之别，分“前三种赋”为“楚辞体系之赋(屈原赋)”与“非楚辞体系之赋(陆贾赋、荀卿赋)”，进而以“文质轻重”之别，分“非楚辞体系之赋”为“重文之赋(陆贾赋)”与“重质之赋(荀卿赋)。
收稿日期： 2019-03-01 修回：2019-03-13
基金项目： 江苏省研究生科研与实践创新计划项目（KYCX18_11386KYCX18_1387）
第一作者： 尹美玲（1995-），女，硕士研究生，研究方向为应用统计与经济建模
【编校：许洁】
标签：微信理财通收益率论文; ARI-TGARCH-M-GED模型论文; ARCH效应论文; ADF检验论文; 反杠杆效应论文; 南京财经大学应用数学学院论文;