A股从3887到3967：市场波动量化分析

案例背景

近期A股市场出现显著短期波动，上证指数从3887点上行至3967点，区间涨幅约2.06%，区间振幅则达到3.2%。在此期间，日均成交额维持在1.6万亿元以上，融资融券规模突破1.9万亿元，市场活跃度处于近年高位。从板块表现看，钢铁、医药生物、通信等行业涨幅居前，而银行、公用事业等防御性板块表现相对落后，呈现明显的「顺周期搭台、成长唱戏」特征。与此同时，外部环境复杂多变——美联储议息会议预期、中美贸易谈判进展、大宗商品价格波动等因素交织，导致市场风险偏好波动加大。本轮从3887到3967的波动虽幅度不大，但内部结构分化显著，行业轮动加速，为市场波动的量化分析提供了典型案例。如何在看似温和的指数波动中识别结构性风险与机会，是投资管理和风险控制的关键课题。

核心分析

一、波动率的统计度量与分解

波动率是衡量市场风险的核心指标。对3887至3967区间的日收益率序列，分别计算历史波动率（HV）和已实现波动率（RV）。历史波动率采用20日滚动窗口的标准差，计算公式为HV = σ × √252，其中σ为日收益率标准差。测算显示，该区间年化历史波动率为18.7%，高于近三年均值15.2%。已实现波动率采用5分钟高频数据的二次变差计算，结果为16.3%，与HV存在2.4个百分点的差异，反映出日内波动与日间波动的不对称性。进一步将波动率分解为系统性波动和特质性波动：以沪深300指数收益率为市场基准，对个股收益率进行CAPM回归，截距项为超额收益，残差的标准差即为特质波动率。分解结果显示，系统性波动占比62%，特质性波动占比38%，说明本轮波动主要由宏观因素驱动。采用EGARCH模型刻画波动的非对称性，发现杠杆效应参数γ为-0.087且统计显著，表明「利空消息引发的波动大于等量利好消息」，这一特征在下跌阶段尤为明显。波动率分解的实践意义在于：当系统性风险占主导时，资产分散化的效果有限，应通过衍生品对冲管理风险而非简单增加持仓数量。

二、收益率分布特征与正态性检验

金融市场收益率通常不服从正态分布，而是呈现「尖峰厚尾」特征。对该区间日收益率序列进行描述性统计：均值为0.038%，标准差为1.12%，偏度为-0.34，峰度为4.87。偏度为负表明左偏，即下跌幅度大于上涨幅度；峰度大于3说明存在厚尾，极端事件发生概率高于正态分布的预测。采用Jarque-Bera统计量进行正态性检验，JB = N×(S²/6 + (K-3)²/24)，计算结果约为67.8，远超5%显著性水平下的临界值5.99，拒绝正态分布假设。进一步使用Kolmogorov-Smirnov检验，同样在1%水平下拒绝正态性。这一统计特征意味着：传统的基于正态假设的风险度量方法（如VaR的方差-协方差法）可能低估尾部风险。采用Cornish-Fisher展开式对VaR进行修正，考虑偏度和峰度调整后，99%置信水平下的日度VaR从正态假设的2.61%上调至3.14%，调整幅度达20%。此外，采用极值理论（EVT）中的Hill估计量估算尾指数α，得到α=2.8，属于厚尾分布（α<3），进一步确认了极端风险被低估的可能性。对投资组合风险管理而言，忽视分布的非正态特征将导致风险准备金不足，Cornish-Fisher修正和EVT方法是更审慎的替代方案。

三、波动集聚效应与GARCH模型预测

金融时间序列具有波动集聚特征——大波动后往往跟随大波动，小波动后跟随小波动。对收益率平方序列进行Ljung-Box Q检验，Q(10) = 28.7，p值 < 0.01，拒绝「无自相关」假设，确认存在ARCH效应。据此构建GARCH(1,1)模型：σ²(t) = ω + α·ε²(t-1) + β·σ²(t-1)。最大似然估计结果为ω=0.00003、α=0.087、β=0.905，α+β=0.992，接近1但小于1，满足平稳性条件，表明波动具有高持续性——当前冲击对未来波动的影响衰减缓慢。模型的半衰期计算为 ln(0.5)/ln(β) ≈ 6.9个交易日，即一个波动冲击的影响约需7个交易日衰减一半。基于GARCH模型向前一步预测，下个交易日的条件波动率为1.18%（日度），对应年化约18.7%。对比不同模型的市场预测能力：GARCH(1,1)的MAE为0.87%，优于简单历史平均法的1.03%和EWMA法的0.95%。引入外生变量构建GARCH-X模型，加入成交额变化率作为外生变量后，拟合优度提升约8%，说明交易量信息对波动预测有增量贡献，这与「量价关系」的市场经验一致。此外，行业间波动率相关性矩阵显示，钢铁与医药的相关系数仅为0.32，而通信与医药的相关系数高达0.71，提示行业间波动传导具有非对称性，组合配置应优先选择低相关性的行业对以实现有效分散。

管理启示

市场波动的量化分析为投资决策提供了数据驱动框架：第一，波动率分解（系统性vs特质性）指导资产配置——当系统性风险占主导时，分散化的效果有限，应通过衍生品对冲而非单纯增加持仓数量来管理风险。第二，正态性检验提醒管理者不要低估尾部风险，Cornish-Fisher修正后的VaR更能反映真实风险水平。第三，GARCH模型的半衰期分析揭示了波动冲击的持续期，为动态调仓节奏提供了量化依据——在波动高持续性环境下，不宜频繁交易，而应等待波动衰减信号。

其他思考

1. 从3887到3967的波动中，板块分化显著。如何用统计方法量化「顺周期搭台、成长唱戏」这一市场特征？
2. GARCH模型预测的波动率是否包含了政策信息？如何将政策事件作为虚拟变量纳入波动率模型？
3. 融资融券规模突破1.9万亿对市场波动的影响是正面的还是负面的？如何用Granger因果检验加以验证？

关键词：波动率分析、GARCH模型、正态性检验
来源：Wind、同花顺、证券时报 | 整理：经管讲堂