摘要：本文选取2019年12月28日至2025年12月31日沪深300指数日收盘价数据为研究样本，立足全面注册制改革落地实施的市场背景，构建GARCH、TARCH、EGARCH、PARCH四类GARCH类模型，结合VaR风险度量方法，分别在正态分布、t分布、GED分布三种假设条件下开展证券市场波动特征与风险水平实证研究。通过平稳性检验、自相关检验、异方差检验、模型参数估计与Kupiec有效性检验，得出核心结论：（1）注册制改革后我国A股市场收益率呈现显著的尖峰厚尾、波动聚集特征，存在明显非对称杠杆效应，利空消息对市场波动的冲击强度显著高于利好消息；（2）t分布下的GARCH（1,1）模型能够最优拟合注册制背景下A股市场的风险波动特征，适配度最高；（3）GED分布假设下模型的VaR预测精度最优，四类模型中PARCH模型对A股市场极端风险的预测准确性显著优于其他模型。基于实证结果，结合注册制改革市场特征，提出我国证券市场高质量发展的优化路径。

关键词：注册制改革；证券市场；高质量发展；GARCH类模型；VaR风险度量

一、引言

近年来，我国资本市场改革持续深化，2023年全面股票发行注册制正式落地实施，彻底终结核准制时代，实现资本市场基础性制度的颠覆性变革。注册制改革以信息披露为核心，大幅提升资本市场包容性与市场化程度，有效畅通科技、资本、产业良性循环，成为推动证券市场高质量发展的核心引擎。但与此同时，市场化准入门槛放宽、上市公司数量扩容、市场交易主体多元化，也使得A股市场波动特征、风险结构发生显著变化，市场震荡频率提升、极端风险暴露增多，对市场稳健运行与高质量发展形成新的挑战。

从市场发展现状来看，注册制落地以来，我国证券市场规模持续扩容、结构持续优化。据Wind数据统计，2021-2025年A股新增上市公司1444家，累计募资1.63万亿元，其中高新技术企业占比超90%，科技板块市值占比突破四分之一，战略性新兴产业成为市场核心主体，资本市场服务实体经济、科技创新的能力显著提升。截至2025年末，A股总市值突破百万亿元，千亿市值上市公司数量达167家，市场体量与核心竞争力持续攀升。但相较于成熟资本市场，我国证券市场仍存在波动非对称性显著、风险防控体系不完善、市场定价效率不足、投资者结构失衡等问题，制约市场高质量发展进程。

当前宏观经济环境复杂多变，全球经济复苏乏力、国际资本市场波动加剧、国内经济转型升级压力较大，多重外部冲击叠加内部改革阵痛，使得证券市场风险防控压力持续上升。中央经济工作会议多次强调，要持续深化资本市场改革，健全资本市场风险防控机制，推动资本市场高质量发展。在此背景下，精准识别注册制改革后我国证券市场的波动特征、量化分析市场风险水平、厘清市场发展痛点，对探索适配新制度环境的高质量发展路径具有重要的理论与现实意义。本文基于GARCH类模型与VaR风险度量方法，实证分析注册制下A股市场的波动规律与风险特征，为我国证券市场提质增效、稳健发展提供数据支撑与路径参考。

二、相关文献综述

（一）GARCH类模型与市场风险研究

金融时间序列波动研究的核心模型体系源于ARCH模型，Engle（1982）首次提出自回归条件异方差模型，有效解决了金融序列异方差性的实证难题，为市场波动量化研究奠定基础。Bollerslev（1986）拓展构建GARCH模型，通过引入滞后方差项，以低阶模型实现高阶ARCH模型的拟合效果，大幅提升金融波动预测效率。但基础GARCH模型无法识别市场波动的非对称性，难以解释利空、利好消息的差异化冲击效应。基于此，Nelson（1991）、Zakoian（1994）先后构建EGARCH、TARCH非对称模型，精准刻画金融市场的杠杆效应，完善了非对称波动研究体系。后续学者进一步优化，衍生出PARCH模型，实现对金融序列幂次波动特征的精准拟合。

国外实证研究层面，Basel等（2005）对标普500指数波动研究发现，对称GARCH模型适用于平稳市场环境，而非对称EGARCH、PARCH模型对震荡市场的拟合与预测效果更优。Sabiruzzaman等（2010）以港股指数为样本实证得出，非对称信息环境下，TGARCH模型的风险预测精度显著优于基础GARCH模型。国内研究中，王美今、王华（2002）证实非正态分布条件下GARCH模型易低估市场风险，t分布能够有效拟合金融序列厚尾特征。王朋吾（2020）研究发现沪深股市收益率存在显著非对称特征，t分布下GARCH模型的估计效果最优。

（二）VaR风险度量方法研究

VaR在险价值模型是当前金融市场主流的风险度量工具，核心理论源于Markowitz（1952）的均值-方差资产组合理论。1994年J.P Morgan推出Risk Metric模型，系统界定VaR的概念、测算逻辑与应用场景，推动VaR方法广泛应用于金融风险管理领域。Kupiec（1995）提出LR似然比检验法，成为验证VaR测算结果有效性的经典方法，解决了模型风险高估、低估的检验难题。后续Christoffersen、Danielsson等学者持续优化检验体系，完善了VaR模型的精度校验机制。

国内VaR研究起步于20世纪90年代末，前期研究以理论引入为主，郑文通（1997）、牛昂（1997）系统介绍了VaR模型的核心原理、测算方法与应用场景。姚刚（1998）、刘宇飞（1999）进一步细化资产组合VaR测算逻辑，梳理了模型在金融监管、风险防控中的应用价值。后续实证研究逐步深化，陈守东等（2002）引入t分布、GED分布优化VaR测算，解决了传统正态分布假设的拟合偏差问题。叶青（2000）、吴剑（2011）通过对比多种测算方法，证实GARCH模型与半参数法结合、蒙特卡洛模拟法能够有效提升A股市场VaR测算精度。

（三）注册制与证券市场高质量发展研究

国内关于注册制改革与资本市场发展的研究成果丰富。学界普遍认为，注册制改革通过重构资本市场发行、上市、交易、退市全链条制度，提升了市场市场化、法治化水平，优化了资本市场资源配置效率，助力资本市场服务科技创新与实体经济。部分学者研究发现，注册制扩容背景下，A股市场上市公司质量持续提升，科创属性显著增强，但同时市场波动加剧、尾部风险凸显，风险防控难度加大。现有研究多聚焦于制度改革的定性分析，较少通过实证模型量化分析注册制落地后的市场波动与风险特征，本文以此为切入点，弥补现有研究短板。

三、理论研究

（一）金融时间序列核心特征

证券市场收益率序列具备区别于普通时间序列的特殊特征，也是GARCH类模型适配市场研究的核心依据。一是波动聚集性，市场大幅波动后往往伴随持续震荡，小幅波动后趋于平稳，使得收益率分布呈现尖峰厚尾特征，偏离标准正态分布；二是异方差性，市场波动幅度随时间动态变化，方差并非固定常数，传统回归模型无法精准拟合；三是长记忆性，历史市场波动信息会长期影响当期市场走势，远期数据存在显著关联性；四是非对称性（杠杆效应），市场对利空、利好消息的反馈力度存在差异，通常利空消息引发的市场波动更为剧烈，这也是非对称GARCH模型的核心研究基础。基于上述特征，本文选取正态分布、t分布、GED分布三种假设，全面拟合市场厚尾特征，同时引入四类GARCH模型捕捉市场对称与非对称波动。

（二）GARCH类模型核心原理 

本文研究采用的四类GARCH类模型，均包含均值方程与方差方程两大核心模块，具体原理以文本形式表述如下：

1. ARCH模型：分为均值等式与方差等式。均值等式反映被解释变量与解释变量的线性关联，误差项服从零均值、单位方差的独立同分布；方差等式核心为当期误差方差依赖于上一期误差平方值，能够初步捕捉市场波动聚集特征，但高阶拟合存在参数约束难题。

2. GARCH（p,q）模型：在ARCH模型基础上优化，方差等式同时纳入滞后误差平方项（ARCH项）与滞后条件方差项（GARCH项），以低阶参数实现高阶波动拟合，计算效率更高，能够精准刻画市场波动的持续性特征，适用于对称市场波动研究。

3. TARCH（p,q）模型：在GARCH模型基础上增设非对称效应项，通过虚拟变量区分正负消息冲击。利好消息仅产生基础波动冲击，利空消息会叠加非对称效应冲击，以此量化市场杠杆效应，精准识别波动非对称性。

4. EGARCH（p,q）模型：通过对数形式构建方差等式，规避参数非负约束难题，通过非对称参数刻画消息冲击差异，参数不为零即代表市场存在非对称波动效应。

5. PARCH（p,q）模型：引入幂次参数优化波动拟合形式，突破传统模型固定平方波动的约束，能够适配金融序列差异化的波动幂次特征，对极端市场风险的拟合精度更高。

（三）VaR风险度量与检验原理

1. VaR核心测算逻辑：VaR即一定置信水平下，资产在固定持有期内的最大可能损失。核心逻辑为：资产损失超过VaR值的概率等于预设显著性水平。本文选取95%、99%两类常用置信水平，结合GARCH模型测算的动态标准差，计算各模型下的动态VaR值，精准度量市场实时风险水平。

2. Kupiec有效性检验：为验证VaR测算结果的准确性，采用Kupiec LR似然比检验。核心原理为：统计样本期内实际损失超过VaR值的失效天数，计算实际失效率，与预设显著性水平对比。若检验接受原假设，说明模型VaR测算结果精准，能够有效度量市场风险；若拒绝原假设，则模型存在风险高估或低估问题。

四、实证分析

（一）数据选取与预处理

本文选取全面注册制改革落地后的市场数据为研究样本，时间区间为2019年12月28日至2025年12月31日，以沪深300指数日收盘价为核心研究变量，覆盖注册制试点到全面落地的完整周期，能够精准反映改革后A股市场波动与风险特征。数据来源于Wind金融终端，最终获取有效日度数据1462组。

为消除数据异方差性、提升序列平稳性，本文采用沪深300指数日对数收益率开展实证研究，通过当期收盘价与上一期收盘价的对数差值计算得到，预处理后得到有效收益率数据1461组，运用Eviews10软件完成统计分析、模型构建与参数测算。

（二）收益率基本统计特征

通过Eviews10对沪深300指数日对数收益率序列进行描述性统计，结果显示：收益率序列均值为0.000287，趋近于0，符合金融收益率序列基本特征；标准差为0.018926，表明注册制下A股市场整体波动幅度适中，存在常态化波动风险；偏度为-0.683521，序列呈左偏分布，说明市场下跌波动的概率与幅度高于上涨波动；峰度为7.126893，远高于正态分布峰度值3，证实收益率序列具备显著的尖峰厚尾特征，不符合正态分布假设，需采用t分布、GED分布开展后续拟合研究。

（三）平稳性检验

时间序列实证分析的前提是序列平稳，本文采用ADF单位根检验法对收益率序列进行平稳性检验。结合收益率序列时序走势，选取含截距项、无时间趋势的检验形式，检验结果如下表所示：

由检验结果可知，收益率序列ADF检验统计量绝对值远大于1%、5%、10%显著性水平临界值，且P值趋近于0，强烈拒绝序列存在单位根的原假设，证明沪深300指数日对数收益率序列为平稳序列，可直接开展后续自相关、异方差检验与模型构建。

（四）自相关检验

本文采用Ljung-Box Q检验法对收益率序列进行自相关性检验，检验结果显示：序列一阶自相关系数与偏相关系数为0.108，对应P值小于0.05，拒绝无自相关原假设，存在微弱一阶自相关性；高阶滞后项自相关系数与偏相关系数数值极小，且均处于2倍标准差范围内，无显著自相关特征。基于该结果，本文构建AR(1)均值方程，消除序列自相关性对模型拟合的干扰。

（五）异方差（ARCH）效应检验

为验证收益率序列是否具备ARCH效应，适配GARCH类模型建模条件，本文采用ARCH-LM检验法，对1-4阶滞后项开展检验，结果如下表所示：

检验结果显示，各阶滞后项的F统计量、卡方统计量P值均为0，在1%显著性水平下强烈拒绝无ARCH效应的原假设，证明注册制下A股市场收益率序列存在显著的条件异方差性，适配GARCH类模型建模条件，可开展后续模型参数估计。

（六）GARCH类模型参数估计

基于AIC、SC信息准则，本文选取最优的GARCH（1,1）、TARCH（1,1）、EGARCH（1,1）、PARCH（1,1）模型，分别在正态分布、t分布、GED分布三种假设下完成参数估计，核心结果如下列表格所示。

表3 t分布假设下模型参数估计结果

注：*代表参数在5%显著性水平下显著性较弱

结合三组模型参数结果分析：第一，三类分布下所有模型的核心参数均满足非负约束与平稳性约束，α1+β1数值均小于1且趋近于1，证明注册制下A股市场波动具备显著的持续性与聚集性；第二，t分布自由度n稳定在5.1左右、GED分布尾部参数v稳定在1.25左右，均不符合正态分布特征，再次验证市场收益率尖峰厚尾属性；第三，EGARCH、TARCH模型非对称参数γ1均显著为正，说明市场存在显著杠杆效应，利空消息对A股波动的冲击强度显著高于利好消息；第四，对比AIC、SC准则数值，t分布下GARCH（1,1）模型的信息准则值最小，拟合效果最优，最适配注册制下A股市场风险特征。

（七）VaR测算与模型有效性检验

基于最优模型参数，分别测算三类分布、两种置信水平下四类模型的VaR值，统计失败天数、失败率与LR检验统计量，验证模型预测精度，结果如下：

注：**表示1%显著性水平下拒绝原假设，模型失效

通过三组VaR检验结果对比得出核心结论：第一，正态分布假设下，99%高置信度下所有模型均拒绝原假设，存在风险低估问题，无法适配市场厚尾风险；第二，t分布、GED分布下，两类置信水平的所有模型均通过Kupiec检验，测算结果有效，能够精准拟合注册制下A股市场风险；第三，横向对比LR统计量数值，GED分布下模型检验精度优于t分布，且四类模型中PARCH模型LR统计量最小，预测精度最优。

五、研究结论与发展路径建议

（一）核心研究结论

本文基于2019-2025年沪深300指数日度数据，通过GARCH类模型与VaR风险度量实证分析注册制改革背景下我国证券市场波动与风险特征，得出三大核心结论：

1. 注册制改革后我国A股市场收益率具备显著的金融时间序列特征，整体呈现尖峰厚尾、波动聚集、异方差性，不服从标准正态分布，市场波动具备持续性，极端尾部风险常态化。

2. 我国证券市场存在显著的非对称杠杆效应，注册制落地后市场对利空消息的敏感度远高于利好消息，负面信息更容易引发市场大幅震荡，是市场风险波动的核心诱因。拟合模型对比显示，t分布下的GARCH（1,1）模型最适配当前A股市场的风险波动特征，拟合效果最优。

3. 从风险预测精度来看，GED分布假设下的模型对A股市场风险的预测效果优于正态分布与t分布；四类模型中，PARCH模型对市场极端风险的捕捉能力最强，预测精确度最高，能够有效度量注册制下A股市场的动态风险水平。

（二）证券市场高质量发展路径建议

结合实证研究结论与注册制改革的制度特征、市场现状，从风险防控、制度完善、市场主体培育、市场结构优化四个维度，提出我国证券市场高质量发展路径。

1. 健全市场化风险防控体系，精准化解非对称波动风险

针对A股市场利空消息冲击更强、极端风险常态化的特征，构建差异化、精准化的风险防控机制。一是依托GARCH、PARCH等量化模型建立市场动态风险监测体系，实时捕捉市场波动与尾部风险，提前预警极端行情，弥补传统静态风控模式的短板；二是完善市场负面信息管控机制，规范上市公司信息披露行为，杜绝集中披露利空消息、虚假利空炒作等乱象，降低负面信息对市场的冲击强度；三是优化市场对冲工具，丰富股指期货、期权等风险对冲产品，为机构与个人投资者提供风险对冲渠道，缓解市场单边波动压力，平抑市场非对称波动。

2. 深化注册制配套制度改革，夯实市场发展制度根基

以全面注册制为核心，完善资本市场全链条基础性制度。一是严格落实以信息披露为核心的注册制要求，细化上市公司信息披露标准，强化信息披露真实性、准确性、完整性监管，从源头减少信息不对称引发的市场波动；二是完善退市常态化机制，畅通劣质企业出清渠道，优化上市公司整体质量，降低市场劣质资产带来的系统性风险；三是优化资本市场定价机制，提升市场化定价效率，减少市场非理性震荡，推动市场估值体系合理化，适配科技创新企业、中小企业的融资发展需求。

3. 培育多元化市场主体，优化投资者结构与投资行为

当前A股市场散户占比偏高、非理性投资行为较多，加剧了市场波动与风险放大效应。一是强化投资者教育，常态化开展风险科普、投资知识培训，引导投资者理性投资、长期投资、价值投资，降低跟风炒作、追涨杀跌等非理性行为；二是大力培育机构投资者，提升公募基金、社保基金、保险资金、外资机构的市场占比，优化投资者结构，增强市场稳定性；三是压实上市公司主体责任，引导上市公司完善治理结构、提升经营质量，强化分红回报机制，提升市场长期投资价值，弱化短期消息面波动对市场的影响。

4. 优化资本市场服务实体经济功能，推动市场提质增效

立足注册制服务科技创新、实体经济的核心定位，推动资本市场高质量发展。一是聚焦高新技术企业、专精特新企业，优化上市融资服务，提升资本市场对科技创新的赋能能力，持续提高A股市场科创属性；二是优化资本市场资源配置效率，引导社会资本向战略性新兴产业、高端制造业集聚，助力产业转型升级；三是统筹市场发展与风险防控，在保持市场活力、包容性的同时，守住不发生系统性金融风险的底线，实现资本市场规模、质量、风险防控协同发展，持续推进我国证券市场规范化、市场化、国际化高质量发展。

参考文献

[1]张成思.金融计量学：时间序列分析视角（第二版）[M].北京：中国人民大学出版社，2016.

[2]Engle,R.F. Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K[J]. Inflation. Econometrica, 1982, 50: 987-1007.

[3]Bollerslev T.Generalized Autoregressive Conditional Heteroskedasticity［J］．Journal of Econometrics，1986，31（2）：307-327.

[4]Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347–370.

[5]Zakoian J M. Threshold heteroskedastic models[J]. Journal of Economic Dynamics and control, 1994, 18(5): 931-955.

[6]Basel M.A. Awartani, Valentina Corradi. Predicting the Volatility of the S&P-500 Stock Index via GARCH Models: the Role of Asymmetries [J]. International Journal of Forecasting, 2005,(1):167-183.

[7]Md. Sabiruzzaman, etc. Modeling and Forecasting Trading Volume Index: GARCH versus TGARCH Approach[J]. The Quarterly Review of Economics and Finance, 2010, (2): 141-145.