中小板股指收益率波动的非对称性研究
- 格式:pdf
- 大小:764.76 KB
- 文档页数:3
股票指数收益率的波动性研究摘要:本文应用GARCHEGARC以及APARC对我国不同股票指数收益率的非对称波动进行了实证研究, 结果显示不同股指波动性特征存在差异性,小盘股的不对称性最明显,这一结果与预期一致,但不论市值大小的差异还是价值型或成长型,好消息的影响对市场的作用均大于坏消息,这与国外成熟市场不同,市场依然存在跟风追求利益而忽视风险、内部信息交易、操纵股价等现象,我国股市的市场化发展任重而道远。
关键词:波动性非对称性GARCH族模型股票指数一、引言中国股市的规模日益扩大,越来越多人参与其中。
股价大幅波动影响一国经济的稳定发展,如何有效监管股票市场、避免股市过度动荡是管理层亟待解决的问题,因此股票市场的波动性有着实际意义。
国外许多学者针对股票市场收益率波动的非对称性问题进行研究,运用不同模型对世界各金融市场进行了实证研究,结果表明在大多数发达国家的股票市场均存在显著的收益率波动非对称性,而且与相同大小的利好消息相比,利空消息对收益率波动性的影响更大。
国内学者对中国市场进行了一系列研究,股票市场存在波动集聚性的观点基本一致,但在非对称性上的表现存在分歧,有的认为利好消息的作用大于利空,持相反意见的学者认为利空消息带来的影响大于利好,还有人认为我国股票市场的非对称性不是很明显。
学术界对其具体表现还有争论,对其成因、影响和现实意义分析尚不充分。
从已有的研究来看,研究内容的侧重点不同采用的方法也各有不同。
早期研究主要是线性模型的回归分析,有OLS回归、协整模型、VAF模型等;后随着问题的复杂化,线性模型不再适用,非线性方法被广泛使用,也渐渐由单元模型向多元模型转变。
二、研究数据选取与处理(一)数据选取本文选取了2006年10月9日至2017年1月的大盘成长股指数、中盘成长股指数、小成长股指数、大盘价值股指数、中盘价值股指数、小盘价值股指数,选取了日度数据,数据来源于wind,数据处理和模型拟合使用了R语言。
股市行业波动的非对称性研究引言股市行业波动的非对称性是指在股市行业间存在着不同程度的波动差异。
作为金融领域的重要研究课题,股市行业波动的非对称性不仅对投资者的决策和风险管理具有重要影响,同时也为监管部门提供了重要的参考依据。
本文旨在对股市行业波动的非对称性进行深入研究,探讨其成因和影响,并通过实证分析来验证其存在和影响程度。
一、股市行业波动的非对称性成因分析股市行业波动的非对称性的成因主要包括市场结构、行业特性、投资者行为和宏观经济影响等多方面因素。
1. 市场结构股市行业波动的非对称性与市场结构密切相关,市场中存在的垄断或者寡头垄断情况会导致不同行业之间的波动程度不同。
在垄断行业中,一旦行业巨头发生变化或者行业政策发生变动,往往会引发整个行业内外部环境的迅速变化,进而带来行业波动的非对称性。
2. 行业特性不同行业的特性也会影响其波动的非对称性。
一些特定行业可能受到季节因素、技术创新、政策调整等特殊影响,导致其波动程度不同于其他行业。
比如农业、能源等行业受自然环境和政策影响较大,波动非对称性就较为显著。
3. 投资者行为投资者的情绪和行为也是导致股市行业波动的非对称性的重要原因之一。
不同行业受到投资者情绪和行为的影响程度不同,一些热门行业可能受到过度投机而波动明显,而一些传统行业则相对稳定。
4. 宏观经济影响宏观经济的影响也会导致不同行业波动的非对称性。
比如通货膨胀、利率变动、政策调整等因素都可能导致某些行业的波动程度明显高于其他行业。
1. 风险分散效果股票投资者通常会通过配置多种行业的股票来降低投资风险,然而若不同行业之间波动的非对称性过大,可能会降低风险分散效果,增加整体投资风险。
2. 投资组合构建非对称性的波动也会影响投资者的投资组合构建。
在面对波动非对称性问题时,投资者需要更加注重行业间的相对波动情况,采取更加合理的组合配置策略。
3. 风险管理对于资产管理机构和投资者而言,波动的非对称性也会直接影响风险管理的效果。
股市行业波动的非对称性研究股市行业波动的非对称性是指不同行业在股市中的波动性存在差异的现象。
具体而言,当整个股市出现波动时,一些行业的股票价格变动较大,而另一些行业的股票价格变动较小,这就表明了非对称性。
非对称性的存在可以影响投资者的投资决策和风险管理策略。
非对称性的存在也影响投资组合的构建和风险管理策略的制定。
通过研究和分析股市行业波动的非对称性,投资者可以根据不同行业的风险水平合理配置资金,并选择适当的风险管理策略。
在市场波动较大时,投资者可以增加对表现稳定的行业的投资比重,以降低整个投资组合的风险。
非对称性的研究可以从多个角度进行。
一种常用的方法是利用统计学上的相关系数和协方差来分析不同行业的相关性和波动性。
通过计算股票收益之间的相关系数或协方差,可以研究不同行业之间的关联程度和波动程度。
另一种方法是利用时间序列模型(如ARCH、GARCH、EGARCH等)来对股市行业波动的非对称性进行建模和分析。
这些模型可以从统计学的角度揭示非对称性的存在和特征,并对未来的行业波动进行预测。
非对称性的研究也需要注意一些限制和挑战。
由于股市行业波动受多个影响因素的综合作用,研究非对称性的解释和预测可能存在困难。
非对称性的存在也可能受到市场交易机制、市场流动性和信息传播等因素的影响,这些因素也需要纳入考虑范畴。
非对称性的研究需要大量的数据和统计方法来支撑和证实研究结果,因此数据收集和研究方法上的限制也是需要克服的。
股市行业波动的非对称性是一项重要的研究课题,对投资者和市场参与者具有重要意义。
通过研究非对称性,投资者可以更好地理解和认识不同行业的风险水平,并制定相应的投资决策和风险管理策略。
非对称性的研究也需要深入探索和研究,以更好地应对股市行业波动带来的挑战和风险。
股市行业波动的非对称性研究摘要:股市行业波动的非对称性是指不同行业在股市中的波动性质和波动幅度存在差别。
本文通过对股市行业波动的非对称性进行研究,探讨了其成因和影响因素,并提出了相应的对策和建议。
关键词:股市、行业波动、非对称性、成因、影响因素、对策、建议一、引言股市是一个高度不确定的市场,股票价格的波动受到多种因素的影响。
不同行业的股票价格波动性质和波动幅度存在差异,即股市行业波动的非对称性。
研究股市行业波动的非对称性对于投资者制定投资策略和风险管理具有重要意义。
二、股市行业波动的非对称性的成因1.宏观经济因素:宏观经济因素对股市行业波动的非对称性有重要影响。
不同行业对宏观经济的敏感程度不同,因此在经济形势良好时,一些行业的股价可能出现较大涨幅,而在经济形势不佳时,一些行业的股价可能大幅下跌。
2.行业内部因素:行业内部因素也是导致股市行业波动的非对称性的重要原因。
不同行业的发展阶段、市场竞争程度、盈利能力等因素都会影响行业股票的价格波动性质和波动幅度。
三、股市行业波动的非对称性的影响因素1.行业特性:行业特性是影响股市行业波动的非对称性的重要因素。
一些高科技行业和新兴产业由于其高风险和高回报的特点,股价波动性较大;而一些传统行业由于其稳定的盈利和市场地位,股价波动性较小。
2.市场情绪:市场情绪对股市行业波动的非对称性也有较大影响。
股市投资者对不同行业的情绪反应不同,一些行业在市场情绪好的时候可能出现较大涨幅,而在市场情绪不佳时可能大幅下跌。
四、应对股市行业波动的非对称性的对策和建议1.分散投资:根据股市行业波动的非对称性,投资者可以通过分散投资的方式降低风险。
选择不同行业的股票组合进行投资,可以有效分散股票价格波动的风险。
2.灵活调整持仓:根据市场情绪的变化和行业特性的差异,投资者可以灵活调整持仓,及时买入或卖出股票,以获取更好的投资回报和风险管理效果。
3.关注宏观经济:投资者应密切关注宏观经济的变化,特别是一些对行业有重大影响的宏观经济指标。
股市行业波动的非对称性研究
在股票市场中,不同行业之间的波动性往往存在着非对称性,即某些行业的股价波动
往往比其他行业更为剧烈。
这种非对称性波动会对投资者带来很大风险和挑战。
本文将探
讨股市行业波动的非对称性问题。
一、原因分析
1.行业性质不同
不同行业具有不同的商业性质,不同的业务结构、利润模式和周期性。
例如,金融行
业的股价波动性往往要比其他行业的股价波动性更大,这是由于金融行业受到宏观经济形势、货币政策、利率、汇率和资产价格等影响更加显著。
2.行业规模
行业规模较小的公司股票波动性往往更大,这是因为市场环境对小公司的影响更加明显。
小公司经营的不稳定性、生命周期短暂等因素均构成了其股价波动较大的主要特征。
另外,行业巨头的稳定性通常更高,股价波动的幅度较小。
3.市场影响
市场波动是导致行业波动非对称性的一个重要因素。
行业的股价波动受到整个市场的
影响,市场走势强劲时,在不同行业中表现良好的公司股票往往可以取得更好的表现。
4.公司财务状况和业绩表现
公司自身的经营状况及其业绩水平对其股价波动性也有很大的影响。
业绩强劲的公司
股价波动往往相对较小,而业绩疲软的公司股价波动会加剧。
二、行业波动对投资者的影响
行业波动的非对称性会影响投资组合的风险和收益。
投资者应该通过分散投资的方式,降低单个行业对投资组合的影响。
此外,投资者应该关注公司自身的财务状况和业绩表现,避免过度依赖某些行业或公司。
三、结论。
股市行业波动的非对称性研究随着全球化和互联网技术的发展,股市行业波动已成为金融领域的热点研究课题之一。
股市行业波动的非对称性是指在市场上行情波动的情况下,不同行业的股票价格波动表现出不同的非对称性特征。
非对称性研究是股市领域中一个极具挑战性的问题,对于深入理解市场波动的本质和特征具有重要意义。
一、股市行业波动的背景和意义二、股市行业波动的非对称性特征1. 行业间波动的差异性不同行业的股票价格波动具有明显的非对称性特征。
一些行业的股票价格波动比较平稳,波动幅度较小,而另一些行业的股票价格波动则相对较大,波动幅度不规律。
这种差异性表现为不同行业的股票价格波动呈现出非对称性的特征。
2. 单一行业内波动的不对称性不同行业的结构特征不同,因此股票价格波动的非对称性也在一定程度上受到行业结构的影响。
一些行业的结构特征比较稳定,行业内企业数量较少,市场份额比较集中,因此股票价格波动相对较平稳;而另一些行业的结构特征则相对较为复杂,行业内企业数量较多,市场份额分布不均衡,因此股票价格波动较为剧烈。
3. 行业政策的导向性政府的宏观调控政策也会对不同行业的股票价格波动产生一定影响。
一些行业受到政府政策的支持和扶持,因此股票价格波动相对较平稳;而另一些行业受到政府政策的打压和制约,股票价格波动则较为剧烈。
1. 投资决策的不确定性股市行业波动的非对称性使得投资决策更加不确定。
由于不同行业的股票价格波动呈现出不同的非对称性特征,因此投资者在进行投资决策时需要更加谨慎,以免造成投资损失。
2. 投资风险的增加3. 投资效益的提高深入研究股市行业波动的非对称性,有助于提高投资效益。
只有深入了解股市行业波动的非对称性特征,投资者才能更准确地把握市场行情,提高投资效益。
1. 基于大数据的深度分析随着信息技术的发展,大数据已成为一个重要的研究手段。
将大数据技术应用于股市行业波动的非对称性研究中,可以更加深入地了解不同行业的股票价格波动规律和特征,为投资者提供更准确的投资决策信息。
股市收益分布的非对称性研究本文对上证综合指数与深证综合指数收益分布情况进行了检验验证,两个指数收益分布与正态相比都存在一定的偏态分布特征,正负超额收益并没有相互影响,仍然保持自己的独立性;同时收益分布因为周一和周四出现了严重偏斜与尖峰分布情况;在剔除影响收益的星期数后,收益分布逐渐靠近了正态分布。
最后文章提出了投资者可依据收益分布情况进入或退出市场。
关键词:收益分布非对称性正态性检验引言“偏态”一词由统计学家皮尔逊于1985年首次提出,用来测度数据分布的对称性。
后又出现尖峰分布等统计性描述。
近年来的金融市场研究也开始广泛应用到这些词,在早期的市场研究中,Amado Peiro(1999)在股票收益的偏度研究中对十个指数收益分布采用离散混合及非参数检验的方法发现大多数的市场收益是对称性分布,存在偏斜度主要是因为负超额收益出现的频率过高导致,但是他也没有找到解决非正态的有效方法。
国内研究中,利用高阶矩来研究金融市场的学者较少,主要有王鹏、王建琼和魏宇(2009)运用SV-M模型,研究了实行涨跌幅限制制度前后中国股市收益与波动关系的不同状况,中国股市的收益与同期波动之间存在负相关关系。
本文就上证综合指数与深证综合指数的收益分布情况进行分析,提出了投资者可依据收益分布情况进入或退出市场。
数据说明及处理分析本文选择的样本数据来自于1990年12月19日到2011年9月30日的上证综合指数,共5094个日数据;深证综合指数是从1995年8月22日到2011年9月30日,共3903个日数据,这些样本数据之间被假定为独立同分布。
所有样本来源于中国经济研究中心(CCER)股票市场高频数据库。
日收益率由对数函数X=log(It/It-1)计算得到,其中,It表示T日的收盘价,It-1表示前一日的收盘价,其中T≥2,应用SPSS与Eviews进行数据处理。
上证综合指数与深证综合指数收益分布情况分析(一)图像分析从图1可以看出,相对于正态分布曲线,都出现了尖峰分布和厚尾分布情况,上证综合指数频数概率分布还出现严重的左偏,深证综合指数出现了严重的尖峰分布。
Vol.28No.12Dec2012赤峰学院学报(自然科学版)JournalofChifengUniversity(NaturalScienceEdition)第28卷第12期(下)2012年12月1引言随着中国股票市场发展的日益成熟以及计量经济工具的不断发展,关于股指波动性的文献近年来数量激增.刘金全、崔畅研究了中国沪、深股市的收益率波动特征[1].谢家泉、杨招军通过GARCH模型的扩展形式对上证指数收益率序列建模,根据实际市场波动情况,引入虚拟变量考察股票市场的有效性[2].沈豪杰、黄峰通过构建一个非流动性指标,对中国沪深股市的市场流动性进行计量,发现中国股市的流动性风险存在明显的非对称效应,流动性风险表现出“强时愈强,弱时愈弱”的特征[3].大量实证研究表明,GARCH类模型特别适合于对金融时间序列数据的波动性和相关性进行建模,估计或预测波动性和相关性[4].目前的研究成果主要侧重沪、深两市大盘指数,对中小板指数的研究则显得较弱.中小板指数就其收益率年化波动率的绝对值而言,一直处于较高水平,而高换手率和高开盘收益率则说明,中小公司由于流动性较弱,容易受到资金炒作.因此,研究中小板指数的波动性对把握中小板市场的风险具有重要意义.2理论模型介绍2.1门限GARCH模型(TGARCH)Glosten、Zakoian[5]等人(1993)较早地提出了TGARCH模型的应用.所谓TGARCH模型,即门限GARCH模型,就是指利用虚设变量(dummyvariable)来设置一个门限(Threshold),用以区分正的和负的冲击对条件波动性的影响.TGARCH(p,q)模型表达式为σt2=α0+qi=1Σ(αi+γiNt-i)a2t-i+pj=1Σβjσ2t-j式中:Nt-i为虚拟变量,Nt-i=1,at-i<00,at-i≥Σ0对于TGARCH(1,1)模型,正的价格变动对方差的影响为α1a2t-1,但相同幅度负的变动影响为(α1+γ1)a2t-1.因此,若γ1>0成立,后者将大于前者,即坏消息对于价格变动的影响大于好消息.TGARCH模型解决了价格变动信息不对称问题,但未解决非负性问题.2.2指数GARCH模型(EGARCH)Nelson(1991)提出了另一种非对称GARCH模型,即E-GARCH模型.EGARCH模型的全称为“ExponentialGARCH”,即指数GARCH模型,其方差等式分析的不是σt2,而是lnσt2,并且分别使用均值等式的扰动项和扰动项的绝对值与扰动项的标准差之比来捕捉正负冲击给波动性带来的非对称影响.其表达式为lnσt2=α0+pj=1Σβjln(σ2t-j)+qi=1Σ(αi|at-i|σt-i+γiat-iσt-i)式中:只要γi≠0,表示信息作用非对称;当γi<0时,负的冲击比正的冲击更易增加波动,即存在杠杆效应.由于采用对数形式,可完全保证条件方差的非负性.2.3GARCH-M模型Engle、Lilie和Robbins(1987)提出了均值GARCH回归中小板股指收益率波动的非对称性研究魏波(北方民族大学信息与计算科学学院,宁夏银川750021)摘要:本文运用GARCH类模型分析中小板指数日收益率波动的非对称性,研究表明:在描述中小板市场波动率的杠杆效应时,TARCH(1,1)和EGARCH(1,1)模型的估计结果均表明中小板市场具有非对称性,然而对于中小板指数收益率,这种非对称效应似乎并不明显.关键词:GARCH模型;收益率;非对称性中图分类号:F202文献标识码:A文章编号:1673-260X(2012)12-0128-03基金项目:北方民族大学科学研究项目(2010Y040)资助128--模型(GARCH-in-MeanModel,GARCH-M).GARCH-M模型不仅描述自回归条件异方差过程,而且把条件方差作为回归因子引入相应的回归或均值过程.这种模型可以描述金融资产的收益率除了受其他因素影响外,也受收益率本身波动大小的影响.GARCH-M模型的表达式为:yt=μt+ρσt+atat=σtεtσt2=α0+qi=1Σα2t-iαi+pj=1Σβjσ2t-jΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣ式中:若ρ显著为正,说明收益和风险正相关,风险越高,投资者要求的回报也越高.3实证分析本文研究的时间段为2006年1月2日至2010年3月31日,除去休市等非交易日数据后,共有1079个交易日数据,日收益率用ri表示,所有数据均采用Eviews6.0处理.图1为中小板指数日收益率统计分布图,从图中可以发现,样本期内中小板的收益率均值为0.11%,标准差为2.33%,偏度为-0.57,峰度为4.56,高于正态分布的峰值度3,说明收益率具有尖峰和厚尾特征.J-B正态性检验也证实了这点,统计量为168.27,表明收益率序列显著异于正态分布.将中小板指数日收益率序列进行ADF检验,得到ADF值为-30.65,在1%的显著性水平下,收益率拒绝随机游走的假设,是平稳的时间序列.对估计残差做ARCH-LM检验(见表1),发现F和LM统计量对应的P值均为0,小于0.05,故拒绝原假设,认为收益率序列的残差存在着高阶ARCH效应,该序列适合用GARCH模型进行分析.3.1非对称的GARCH模型分析为了考察中小板指数收益率序列是否存在非对称性,即利空消息对市场造成的下跌影响是否会超过利好消息对市场带来的上升幅度,本文运用了TGARCH、EGARCH和GARCH-M(1,1)模型来分别进行估计.综合运用AIC和SC信息准则,经过反复测算和比较各种GARCH类模型的AIC、SC值以及残差检验的相伴概率,以此确定GARCH类模型的滞后阶数.最终判断滞后阶数(p,q)=(1,2)时,拟合效果最好,参数估计时,采用均值方程和波动率方程联合的极大似然估计,TGARCH(1,1)、EGARCH(1,1)和GARCH-M(1,1)模型估计结果如下:3.1.1TGARCH(1,1)模型均值方程:rt=0.0779rt-1+0.0656rt-41-0.0667rt-44+at(2.4509)(2.3893)(-2.4672)方差方程:σ2t=1.87×10-5+0.0986a2t-1+0.0211a2t-1Nt-1+0.8621σ2t-1(2.3645)(3.0906)(0.5898)(29.0555)AIC=-4.7894,SC=-4.7512,对数似然值=2484.1493.1.2EGARCH(1,1)模型均值方程:rt=0.071rt-1+0.0717rt-41-0.0659rt-44+at(2.258)(2.651)(-2.4932)方差方程:lnσ2t=-0.5171+0.222|at-1/σt-1|-0.0314(at-1/σt-1)+0.954ln(σ2t-1)(-3.5842)(4.9913)(-1.3856)(56.6672)AIC=-4.7936,SC=-4.7554,对数似然值=2486.286在TGARCH模型中,杠杆效应项的系数γi=0.0211,说明股票价格的波动具有“杠杆效应”:“利空消息”能比等量的“利好消息”产生更大的波动.当出现“利好消息”时,at-1>0,则Nt-1=0,所以该冲击只会对股票价格指数带来一个0.0986(α1的估计值)倍的冲击,而出现“利空消息”时,at-1<0,此时Nt-1=1,则这个“利空消息”会带来一个0.1197(α1和γ1的估计值之和)倍的冲击.这个利空消息能比等量的利好消息产生更大的波动性的结果在EGARCH模型中也能图1中小板指数日收益率统计分布图ARCH(q)F 统计量P 值T*R 2P 值结论q=312.2740.000035.68540.0000存在异方差q=57.9830.000038.63980.0000存在异方差q=10 5.9060.000056.41250.0000存在异方差q=243.2750.000074.63830.0000存在异方差表1中小板指数收益率序列的LM异方差检验129--够得到印证.在EGARCH模型中,α1的估计值为0.222,非对称项γ1的估计值为-0.0314.当at-1>0时,该信息冲击对条件方差的对数有一个0.222+(-0.0314)=0.1906倍的冲击;at-1<0时,它给条件方差的对数带来的冲击大小为0.222+(-0.0314)×(-1)=0.2534倍.但是从统计上看中小板指数收益率序列的非对称性并不显著.3.1.3GARCH-M(1,1)模型由于人们一般认为金融资产的收益率与其风险存在着正相关关系,为了考察中小板市场是否也存在这种关系,可以把风险项引进均值方程,即建立GARCH-M模型看其是否成立.引入风险项后的均值方程如下:rt=0.0118σt+0.0672rt-1+0.0567rt-41-0.0699rt-44+at(4.1564)(2.1261)(2.1128)(-2.64)方差方程:σ2t=1.89×10-5+0.1136a2t-1+0.8605σ2t-1(2.3436)(4.0603)(27.8926)AIC=-4.8041,SC=-4.7659,对数似然值=2491.732估计出的模型参数在5%的显著性水平下显著,并且系数之和小于1,满足平稳条件.均值方程中的σt的系数ρ为0.118,表明当中小板市场中的预期风险增加一个单位时,就会导致其收益率也相应地增加0.118个百分点.4结论本文在抛开基本面分析的前提下,通过GARCH类模型对中小板股指收益率的波动进行实证分析,得出了如下结论:4.1中小板指数序列是不平稳的,是随机游走过程,但中小板指数收益率序列是平稳的.经比较,在单纯描述中小板指数波动率时,t-分布更能反映中小板指数收益率序列具有尖峰厚尾特征,能更准确地描述中小板市场的波动性.4.2一般认为GARCH(1,1)模型即可全面描述金融市场的波动特性,研究结果也正如此,综合运用AIC准则和SC准则,在滞后项p和q不超过2的情况下逐个检验.经过筛选,最后选择GARCH(1,1)模型,GARCH(1,1)模型中ARCH项和GARCH项系数之和接近于1,说明中小板市场收益率的波动具有长记忆性.4.3从GARCH类模型的拟合结果可以看出,GARCH-M(1,1)模型是所有模型中拟合效果最好的.这也说明在当前研究的时期内中小板市场波动风险和收益率之间存在显著关系,即风险与收益正相关,高风险会带来高收益,反之亦然.4.4在描述中小板市场波动率的杠杆效应时,TARCH(1,1)和EGARCH(1,1)模型的估计结果均表明中小板市场具有非对称性,“利空消息”能比等量的“利好消息”产生更大的波动.然而对于中小板指数收益率,这种非对称效应似乎并不明显.———————————————————参考文献:〔1〕刘金全,崔畅.中国沪深股市收益率的波动性的实证分析[J].经济研究,2002(1):885-898.〔2〕谢家泉,杨招军.基于GARCH模型的股票市场有效性的实证研究[J].统计与信息论坛,2005(5):57-60.〔3〕沈豪杰,黄峰.中国股市流动性风险的非对称效应分析[J].统计与信息论坛,2010,25(4):93-98.〔4〕张成思.金融计量学—时间序列分析视角[M].大连:东北财经大学出版社,2008.188-211.〔5〕高铁梅.计量经济分析方法与建模:Eviews应用及实例[M].北京:清华大学出版社,2009.130--。