0 引言

创业板是我国资本市场的重要组成部分，不仅在中小企业融资、社会投资等方面发挥了积极的作用，而且为我国经济产业结构调整和升级提供了有利条件。但与主板市场不同的是创业板股票市场中上市公司的门槛相对较低，蕴藏的市场风险较大，市场价格变动频繁，使得股市的波动加剧。研究创业板股市的波动规律及特征，并采取有效措施降低这些波动带来的不利影响具有重要的现实意义。

从图3可以看出，钛渣苏打焙烧水洗后得到Na12MgTi13O33，Na1.65Al1.65Si0.35O4， CaMg(SiO4)2，FeSiO3等物相[11-13]。通过XRD检测测试出晶体的衍射峰，可以看出钛渣中的主要含钛相—黑钛石，在苏打焙烧后已经消失，同时含Si相在经过苏打焙烧后也变成酸浸时可选择性溶出的物相。XRD检测分析说明苏打焙烧时钛渣中的黑钛石与苏打发生了反应。

社会的发展越来越快，人们生活的节奏也开始越来越快，社会激烈的竞争使得人才的需求也越来越多，与之相对的是要求也越来越高。所以人们如果想要适应这个社会，那么就应该让自己去适应社会的需求。现在社会考验的是人的综合素质，例如团队合作能力、协调能力、沟通能力等，而这些能力都是可以通过体育拓展来培养的。体育拓展迎合的社会的需要，培养出的人才也迎合了市场的需要，所以只有让这些学生在拓展训练中不断的突破自己，培养自己的综合素质和意志力，才能更好的适应社会的发展。

GARCH模型也被称为广义ARCH模型，是由Bollerslev提出并不断发展而来的[1，2]。GARCH 族模型可以有效提取市场波动的异方差性，是研究资本市场波动性的常用模型。除去和普通回归模型相同的之处，GARCH模型对残差的方差进行了进一步的建模，特别适用于波动性的分析和预测。GARCH模型可显著的估量出风险对模型本身造成影响的程度，以及风险持续的时间。故本文拟利用GARCH族模型对创业板指数收益率进行实证研究，寻找创业板指数收益率的波动规律。

1 GARCH族模型简介

自Engle（1982）首次提出ARCH模型以来，统计学家们对其进行了进一步的推广，陆续提出了一系列GARCH族模型。

1.1 GARCH模型

GARCH模型是一种研究异方差的方法，该模型一般由一个条件均值方程和条件方差方程组成。模型一般可以表示为：

 

其中 f（t，xt-1，xt-2，…）为序列的确定性信息拟合模型，ht是条件方差，et是随机变量。

1.2 E-GARCH模型

在股市的波动中，股价往往存在着波动性，1976年Black发现，股票价格的变化和股市波动成负相关的关系，即股票价值上升市场总体呈一种较稳定上升波动率相对较小的景象。但是在股价下跌情况下，股市呈现一种远比价格上升要剧烈得多的波动。因此，1991年，Nelson提出专门研究这种非对称性的E-GARCH模型[3]：

 

在模型中，式中，f（t，xt-1，xt-2，…）为序列的确定性信息拟合模型；

Inht是条件方差的对数，可以是正数，也可以是负数。后面的表达式中的参数不需要任何非负的假定。

1.3 GARCH-M模型

由表1可知，收益率DF统计量为-37.88，相伴概率为0.0000，即该序列是平稳的。就成熟市场而言，与欧美发达国家的金融市场比较，都具有相同的特征：即金融资产的价格一般是非平稳的，而收益率序列通常是平稳的[6]。从表1结果分析可得，我国创业板也已经有了上述的两个特点。

 

式中，f（t，xt-1，xt-2，…）为序列的确定性信息拟合模型

2 基于GARCH模型的实证分析

仪器共享则是以仪器设备为主体进行的共享活动，国家之间可以进行仪器共享，市县区甚至是个人之间也可以进行仪器共享。大型科学仪器设备成本高、投入大，切不能当做“一次性”产品来购置和使用，提高投入与产出的比例非常重要。

采用统计学SPSS22.0软件进行数据处理。卡方用以检验计数资料，t值用以检验计量资料，经P值判定组间差异，以P＜0.05具有统计学意义。

2.1 数据的检验

2.2.1 描述性统计分析及正态分布检验

从图1可以看出“集群”现象在对数收益率的波动中十分显著，从而可以推测出该误差项存在条件异方差性。由图2可知创业板股指平均收益率并不高，仅为0.035%，而标准差却为2.11%。由此可看出，创业板整体表现出长期收益均衡，通过长线投资并不能获得多少收益，但是单日收益波动大，投资风险也相对较大。峰度为4.922＞3，说明尾部较正态分布要更为粗长，即出现偏离平均的收益的可能性也较正态分布要大；从图2可以明显看出收益率曲线右偏，则表明最大亏损要大于最大收益；Jarque-Bera统计量为347.32，p值为0.00000，则表示创业股指完全不满足正态分布。

  

图1 收益率序列

  

图2 收益率序列的直方图

均值方程：

构式语法理论能为军事英语词汇的教学模式提供一种新的选择。军事英语词汇教学对象不再是一个个孤立的词，而是要考虑到词和词之间的内在联系。语言的创造性功能是语言的根本属性。学生只要将语块与新的语境结合，将新的信息进行嫁接，就能输出相关的创造性词块和灵活的表达方式，易于记忆。

为了运用GARCH族模型对创业板股指收益率序列的波动性进行实证分析，有必要对该序列的平稳性进行检验。本文运用ADF方法进行平稳性检验，结果如表1所示。

Engle等人将风险溢价思想引入ARCH模型，允许序列均值依赖于它的波动性，提出了GARCH-M模型[4]。GARCH-M模型的构造思想是序列的均值和条件方差具有某种相关关系，这时把条件标准差作为附加回归因子建模。模型表达式为：

 

表1 序列稳定性检验表

  

t-统计量 伴随概率ADF检验值 -37.877780 0.0000检验临界值1%level -3.435002 5%level -2.863040 10%level -2.567616

2.1.3 ARCH效应检验

由Eviews软件对序列进行自相关检验，并根据AIC准则，在进行多次拟合比较后发现收益率均值模型为：

 

由表2，ARCH-LM检验可以观察到F统计量和R方统计量的p值都等于0，由此在5%的显著水平下p＜0.05，所以拒绝原假设，则创业板股指的残差值具有ARCH效应，进一步验证了图1的观测结果。

 

表2 ARCH-LM检验表

  

异方差检验：ARCH F-statistic 91.88848 Prob.F（1,1693） 0.0000 Obs*R-Squared 87.26090 Prob.Chi-Square（1） 0.0000

接下来对回归模型（4）的残差序列进行ARCH检验。检验结果如表2所示。

2.2 建模与分析

2.2.1 GARCH模型选择

建模时，在确定滞后数的同时，也要从GARCH族中选取最优的模型。接下来选取GARCH族中的GARCH，GATCH-M以及EGARCH-M进行建模，观察发现三者的GED值显著＜2，所以大胆假设扰动项分布为GED。具体情况如表5。

本文截取创业板指2010年6月1日至2017年5月26日的数据，数据来源于网易财经，共1697组。创业板作为市场行情的急先锋，往往先于A股市场对风险做出反应，有反应时间快，波动率大的特点，所以说研究创业板指数一定程度上也研究了市场的整体风险。由于股票市场的收益率具有变化小的特点，为了减小误差，将其对数化，于是有（Rt为日收益率，Pt为当日收盘价，Pt-1为前日收盘价）[5]。

由于创业板股指存在明显的ARCH效应，所以对残差序列进行GARCH模型的确定。选择4种模型 GARCH(1,1）,GARCH(2,1）,GARCH(1,2）,GARCH(2,2），根据 AIC 准则以及模型系数的显著性，对GARCH模型进行最优选择结果如表3和表4所示。

 

表3 GARCH（1,1）模型参数估计和检验结果

  

变量参数标准差z统计量P值AR（1） -0.527345 0.200024 -2.636409 0.0084 MA（1） 0.603695 0.189027 3.193704 0.0014方差方程C 2.20E-06 5.35E-07 3.770701 0.0002 RESID（-1）^2 0.010327 0.041337 0.005603 0.0000 GARCH（-1） 0.953227 0.021042 177.8292 0.0000

 

表4 GARCH族AIC比较表

  

GARCH（1,1） GARCH（2,1） GARCH（1,2） GARCH（2,2）AIC -5.089070 -5.087893 -5.087895 -5.085719

由表4可知各GARCH模型AIC值差别较小，但只有GARCH（1，1）模型各参数估计显著(此处只给出 GARCH（1，1）模型的估计结果，见表 3，所以选择 GARCH（1，1）模型进行建模。

（2）对《张家口市水文水资源手册》推理公式方法中设计净雨推求部分进行了调整，发现调整后设计洪水计算成果与水文站成果较为一致，可以作为防洪评价依据。

为了验证假设的正确性并确定模型规格，对选定的GARCH族模型在Normal（Gaussian），Students（t）和 Generalized Error（GED）的三种分布假设下，以 AIC，SC（Schwarz Criterion）和 H-QC（Hannan-Quinn criterion）的数值大小为评判标准，获得数据如表6所示。

 

表5 GARCH族GED参数比较

  

GARCH（1,1） GARCH（1,1）-M E-GARCH（1,1）-M GED参数 1.521286 1.532851 1.518640

观察GARCH族分布表5容易看出：在GED环境下，当选取GARCH（1，1）-M为模型时，AIC，SC，H-QC各自取得了最小值，即说明GED-GARCH（1，1）-M即为所选模型。GED-GARCH（1,1)-M模型如下：

2.1.2 平稳性检验

(4) 基于熵值法的客观权重的确定。依据表5中数据，对各个指标进行归一化处理，可得到评价指标与灾害点的评判矩阵pij。根据式(9)求得各指标熵值e1=0.914，e2=0.951，e3=0.995，e4=0.965，e5=0.975，e6=0.989，e7=0.896，总熵值E=6.685，根据式(10)得各指标权重Ws={0.237，0.156，0.016，0.111，0.079，0.035，0.330}。

方差方程：

最后对GARCH模型进行再进行ARCH-LM检验，检验结果如表7所示。由表7检验可看出，F统计量为0.251333，对应p值为0.6162；R方为0.251593，对应p值为0.6160，故残差序列已不存在ARCH效应。因此，有理由认为GED-GARCH（1，1）-M模型可以较为准确的刻画创业板指数对数收益率的异方差现象。

 

表6 GARCH族分布表

  

模型 分布 AIC SC H-QC GARCH（1，1）Gaussian -5.083002 -5.073391 -5.079444 Student-t -5.104709 -5.091894 -5.099965 GED -5.100679 -5.087864 -5.095934 GARCH（1，1）-M Gaussian -5.081305 -5.068491 -5.076561 Student-t -5.103905 -5.087887 -5.097975 GED -5.109707 -5.088364 -5.103533 EGARCH（1，1）-M Gaussian -5.085731 -5.069713 -5.079801 Student-t -5.109873 -5.090592 -5.102696 GED -5.104607 -5.085385 -5.097490

 

表7 残差Arch-lm检验表

  

异方差检验:ARCH F-statistic 0.251333 Prob.F(1,1693) 0.6162 Obs*R-squared 0.251593 Prob.Chi-Square(1) 0.76160

 

表8 GED-GARCH(1,1)-M模型的估计结果

  

变量参数标准差z统计量 P值ARCH 0.037777 0.024364 1.550520 0.1210 AR(1) -0.661342 0.123232- 5.366635 0.0000 MA(1) 0.737814 0.111112 6.640300 0.0000方差方程C 2.20E-06 9.10E-07 2.215515 0.0267 RESID(-1)^2 0.048072 0.009253 5.195082 0.0000 GARCH(-1) 0.947093 0.008642 109.5981 0.0000

2.2.2 模型分析

确立GED-GARCH(1,1)-M模型后，对模型参数估计结果如表8所示。由表8可知，ARCH系数为0.048072；GARCH 系数为 0.947093。 设前者为 α，后者为 β，有 α，β＞0，α+β=0.995415＜1，且趋近于 1 可得，可知模型整体趋于平稳。由α+β=0.995415趋近于1，可知过去的波动率对当前创业股指造成或多或小的持续性的影响，且波动剧烈，总体风险较大；由α=0.048072可得在区间内当外部冲击时，冲击对内部有影响，但影响较小，不会对创业板短期内造成大规模的影响；由β=0.947093＜1，可看出在长期内冲击会慢慢减弱，最后趋近于0，即再无影响。

3 结论

本文对创业股指收益率进行了实证分析，结果表明GARCH族模型可以很好的描述了序列的波动性。通过几种GARCH族模型比较可知：GED-GARCH（1，1）-M模型的拟合效果最佳，该模型很好的刻画了创业板股指的行情和存在的异方差现象。

每一个行业中均会存在人员流动问题，这一点属于不可控因素，而工程建设单位也同样会面临此种问题，且人员流动所带来的损失也相对较大。工程造价管理工作较为繁杂，多数工作人员基于长时间忍受巨大的工作量而脱离此行业。工程造价管理具有着一定的地域性特征，也就是在不同的区域中工程造价管理工作形式存在着较大的差异，在同一个团队的长期运作下会形成一种独立的模式，一旦出现人员流动交接工作会面临着诸多难题，且流动人员去往一个全新的单位后也需要接受全新的工作模式以及工程计价方式，从这一点来看，人员流动对原有工作的开展及其自身均会造成较大的影响[5]。

参考文献：

不过，根策尔博士也在电子邮件中表示，要想做出比现有成就更高的发现，恐怕是颇为困难了。目前，对我们这个“从银河系乡下来的小男孩”来说，能把400万个太阳质量的物质压缩到体积半径不高于45天文单位的空间中去，已经是一个相当了不起且值得我们深入研究许久的壮举了。

［1］ BOLLERSLE T.Generalized Autoregressive Conditional Heteroscedasticity［J］.Journal of Econometrics,1986(31):307-327.

［2］程小亮.基于GARCH模型族对上证指数波动性的实证分析［J］.商业经济,2013(14):29-31.

［3］ NELSON,DANIELB:ConditionalHeterosdasticity in Asset Returns:A New Approach［J］.Econometrica,1991(59):347-370.

［4］ ENGLE R F,LILIEN D M,ROBINS R P.Estimating Time Varying Risk Premia in the Term Structure:The Arch-M Model［J］.Econometrica,1987,55(2):391-407.

［5］王吉培,张哲.基于GED-GARCH模型的沪深基金收益率波动性研究［J］.现代经济:现代物业下半月,2008,7(10):12-14.

城乡学生功能指标比较（表2）调查显示，城市男生肺活量、脉搏、收缩压、舒张压等功能指标与农村男生差异无统计学意义（P＞0.05），城市女生肺活量高于农村女生，差异有统计学意义（P＜0.01）。

［6］杨红超.我国创业板市场有效性实证研究［D］.河南大学,2015:17.