一、平稳性

检验在进行金融时间序列分析之前，需要对数据的平稳性进行检验，若用非平稳的数据来建模，会出现“伪回归”的问题。因此，对非平稳数据需要做数据的预处理，转化为平稳序列后再建模。本文利用Eviews对序列做ADF的单位根检验。我国期货市场日成交额数据在5%的显著性水平下，单位根检验的t=-3.989489<-3.415536，且伴随概率P=0.0094<0.05，远远小于5%的显著性水平，拒绝存在单位根的原假设，说明序列不存在单位根，是平稳序列。

二、均值方程的估计及ARCH效应的检验

1.均值方程的估计。由ACF的拖尾性及PACF的截尾性，建立AR，基本形式为：yt=c+ryt-3+ut(1)最小二乘估计的结果为：yt=7803283+0.894144yt-3+μt拟合的程度R2=0.802888，拟合程度较。

2.ARCH效应的检验

根据均值模型的残差序列的时序图呈现的聚类性，能初步判断是否存在ARCH效应。小波动集群部分中，开始的小波动后面紧跟的是较小的波动，显示出残差方差序列波动较小；而大波动集群部分中，残差序列一个大的波动后面就是一个大的波动，显示出残差序列波动加大。因此，日成交总额序列很可能存在ARCH效应。下面对估计出来的AR进行条件异方差的ARCH的Lagrange乘子检验(LM检验)。检验统计量LM为n*R2=115.8395>3.8415，且伴随概率P=0.0000<0.05，即在5%的显著性水平下拒绝同方差的原假设，说明估计出来的模型中存在ARCH效应。当先取更高阶滞后期时，发现LM统计量的相伴概率显著小于0.001，从而说明存在高阶的ARCH效应，进而可以判断这里存在GARCH效应。变换不同的滞后阶数得到的LM统计量和伴随概率值。我国期货市场日成交量的回归模型残差存在高阶的ARCH效应，由于低阶的GARCH模型就可以很好地解释高阶的ARCH效，本文选择最高阶数为3的GARCH模型做模型的估计，在对ARCH类模型进行最优模型选择时，根据AIC信息准则做判定，其中取qmax为3，且当AIC值越小越好。

三、ARCH模型的选择及估计

根据以上的分析，在Eviews中估计不同阶数的GARCH和EGARCH模型，得到的AIC数据。AIC值最小的是EGARCH模型，因此本文选取该模型分析我国期货市场的日成交额的波动性。

四、结语

本节对2009年1月5日至2012年2月6日我国期货市场的日成交额进行了分析，得出以下结论：

1.通过对数据的正态性检验，发现2009年1月5日至2012年2月6日我国期货市场的日成交额不服从正态分布，呈现尖峰厚尾的特性。

2.通过ARCH-LM检验显示数据具有波动的聚类特征，存在ARCH效应。

3.通过对所建立的EGARCH模型的分析，说明外界的干扰对我国期货市场日成交额的波动性呈现出非对称效应，并且正的干扰比负的干扰对条件方差的影响大。

4.建立的EGARCH模型对我国期货市场日成交额具有较好地估计和预测作用。

作者：李华吕敏红张蒙单位：西安航空学院理学院