| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 金融/投资 |
| 我国新能源汽车股票风险度量分析 |
| 第775期 作者：□文/潘美希 周晓林 时间：2026/4/16 11:46:19 浏览：194次 |
［提要］ 在全球能源转型与“双碳”目标推动下，新能源汽车产业成为资本市场关注的热点。然而，该行业股票价格波动剧烈，风险较高。本文基于中证新能源汽车指数日收益率数据，运用GARCH-VaR模型，分别在正态分布、t分布和GED分布假设下，对我国新能源汽车股票市场风险进行动态测度与比较分析，为新能源汽车板块风险度量与投资决策提供理论依据与实践参考。
关键词：量化金融；新能源汽车；风险度量分析
中图分类号：F83 文献标识码：A
收录日期：2025年12月17日
引言
在全球能源转型与“双碳”目标的推动下，新能源汽车产业作为战略性新兴产业，已成为带动全球经济绿色复苏和引领科技竞争的关键引擎。近年来，在我国政策支持与技术创新的双重驱动下，新能源汽车产业实现了爆发式增长，资本市场对该板块的关注度与投资热情也持续升温。然而，高成长性往往伴随着高波动性，该板块在资本市场上的剧烈波动，在孕育潜在高收益的同时，也隐藏着显著的金融风险。因此，对这类高成长行业的股价走势进行分析，对投资者把握投资时机、优化配置决策具有重要意义。
金融量化分析是指应用数学和统计方法，利用大量的金融数据对金融市场进行研究和分析的过程。量化分析可以揭示金融市场的模式、趋势和规律，并基于这些信息制定投资策略和风险管理模型，这一过程有助于金融机构更准确地识别和度量风险，从而制定更为科学的风险管理策略，提高风险管理的效率和准确性。国内量化分析研究起步晚、实践少，但随市场发展逐步完善。为适应本土市场特点，需构建适用中国的量化模型。傅晓媛等（2014）利用支持向量回归改进特征提取，增强了模型稳健性与预测能力；刘宇轩等（2022）引入GARCH合成的金融状况指数至多因子选股模型，发现其能提高收益率。这些研究都基于我国产业发展现状，构建出与我国市场更匹配的模型，这对于我国的经济市场具有十分重要的意义。
而风险价值（VaR）就是金融量化分析中的评估指标之一，尽管VaR方法已成为金融市场风险管理的标准工具，但其有效性在很大程度上依赖于有效市场假说（EMH）这一理论基础。然而，大量的实证研究揭示，新能源汽车股票价格不仅受到公司基本面、技术迭代和市场竞争的影响，更对宏观经济政策、补贴退坡、国际原油价格等因素极为敏感，导致其收益率序列常呈现出典型的尖峰厚尾、波动聚集等非线性特征。这些特征使得传统VaR模型的风险测度精度受到挑战。
一、样本选取及检验
（一）样本选取。本文选取中证新能源汽车指数（代码：399976）作为实证分析的核心研究对象。该指数由中证指数有限公司编制，是中国A股市场中最具代表性和影响力的新能源汽车产业主题指数之一，旨在全面反映新能源汽车相关上市公司的整体表现。该指数精准刻画了A股新能源汽车板块的综合走势，既为投资者提供了重要的业绩基准与投资标的，也是市场参与者观察和投资中国新能源汽车板块的核心工具。
该指数具备高度的市场代表性，由A股市场中市值规模大、流动性好的50只新能源汽车产业链核心股票构成，其成分股全面覆盖了从上游锂资源、中游电池材料与部件，到下游整车制造及充电运营等全产业链环节，能够有效规避单一股票的特有风险，系统性地刻画整个板块的综合走势。而且符合量化建模的数据要求，作为权威机构发布的官方指数，其日度收益率数据具有公开、连续、可靠的优点，为精确估计模型参数和进行严谨的回测检验提供了高质量的数据基础。本文用2015年10月26日至2025年10月24日新能源汽车指数日收盘指数作为拟合模型的样本区间，样本数据源于万德数据库。股指收益率采用几何收益率的形式，即Rt=lnPt-lnPt-1。图1为对数收益率分布图。（图1）
（二）相关统计检验。从图1可以看出，新能源汽车指数的对数收益率（Rt）一般在0附近波动，但其对数收益率的波动性在某些时期显著增加，达到极值后迅速减少，是典型的扩散负增长。基于这些观察，可以初步得出Rt是一个稳定的时间序列的结论。然后，使用Python软件执行Rt的描述性统计分析，如表1所示。对数收益率Rt的偏度值小于0，具有一定的负偏斜；峰度大于3，为明显的尖峰效应，说明收益率分布曲线尾部较正态分布稍显肥厚。（表1）
1、正态性检验。从表1可以看出，该序列的偏度值为-0.057743，峰度为3.150676，大于正态分布的3，说明其具有尖峰厚尾特征，JB统计量检验的p值计算为0，因此拒绝了原始假设，即Rt不服从正态分布。
2、平稳性检验。本文使用单位根测试来控制序列的稳定性。经检验，日对数收益率序列的 ADF统计量为-48.137282，低于1%、5%和10%的显著性临界值，对应的p值小于0.05，所以拒绝原假设，该序列不存在单位根，是一个平稳的时间序列。
3、自相关性检验。根据新能源汽车指数对数收益率序列的自相关函数（ACF）和偏自相关函数（PACF）。采用40阶滞后量，计算得到各阶滞后的ACF值和PACF值均落在95%置信区间内，未发现明显的尖峰，初步判断序列可能不存在自相关性，基于PACF显著性的阶数为1，基于AIC准则和BIC准则的推荐阶数为1。
4、自回归条件异方差（ARCH效应检验）。上文检测到尖峰分布（峰度＞3），初步推断可能存在ARCH效应。运用ARCH模型对该对数收益率序列进行研究，由于新能源汽车指数的对数收益率之间显著不相关，设立模型Rt=c1＋c2Rt-1＋ut做线性回归，并对其残差进行ARCH检验。
结果显示，在不同滞后阶数（q=5、10、15）下，LM统计量与F统计量均十分显著，对应的p值均为0.0000。这表明该序列在多个滞后阶数上均强烈拒绝“不存在ARCH效应”的原假设，即收益率序列具有显著的ARCH效应，其波动表现出明显的聚集性和时变性。因此，该序列适合采用GARCH类模型进行进一步建模与分析。
经过上述对序列Rt的一系列检验可以得出结论，新能源汽车指数系列是一个平稳的时间序列，不服从正态分布，不显示显著的自相关性，但具有显著的ARCH效应，即波动性差异。因此，可以使用GARCH系列模型来模拟序列的波动性。
（三）GARCH模型构建
1、模型阶数确定。在金融领域，常见的GARCH模型是GARCH（1，1）模型，尽管是一个低阶模型，但通常能够很好地拟合金融时间序列中的波动性特征。基于前文ACF、PACF的显著性阶数，初步建议使用GARCH（1，1）模型，接下来使用Python拟合不同阶数的GARCH模型，基于AIC和BIC准则的最优模型均为GARCH（1，1）。
对GARCH（1，1）进行模型参数估计，得出：常数项（ω）为0.000008；ARCH项（α）为0.050000；GARCH项系数（β）为0.930000；波动率持久性（α＋β）为0.980000；所有参数p值均小于0.05。
通过以上数据可知，这些参数在统计上显著，模型设定合理。波动率持久性小于1，表明模型是平稳的，波动率具有均值回归特性，不会无限扩散。基于参数显著性、模型平稳性，该GARCH（1，1）模型拟合效果良好，初步判断可以用于描述对数收益率的波动率特征。检验标准化残差的p值＜0.05，判断无显著ARCH效应。
综上所述，GARCH（1，1）模型参数统计显著、无剩余ARCH效应，所以最终选择的GARCH模型阶数为GARCH（1，1）。
2、建立GARCH模型。假设残差符合正态分布、t分布和GED分布的情况分别拟合GARCH（1，1）模型。将要拟合的模型为：
rt=μ+εt
σt2=ω+αεt-12βσt-12
（1）正态分布GARCH（1，1）模型：
均值方程：Rt=-0.000008+εt
方差方程：σt2=0.000008+0.050000εt-12+0.930000σt-12
（2）t分布GARCH（1，1）模型：
均值方程：Rt=0.001228+εt
方差方程：σt2=0.003849+0.520352εt-12+0.207058σt-12
（3）GED分布GARCH（1，1）模型：
均值方程：Rt=-0.000139+εt
方差方程：σt2=0.000008+0.049995εt-12+0.929906σt-12
在三种假设分布下，公式中系数α和β的总和小于1，这与模型参数约束条件一致。说明正态分布、t分布和GED分布下的GARCH（1，1）模型都解决了原序列的ARCH效应。
（四）VaR风险值预测
1、VaR计算。根据公式VaR=Zασγ■分别得到95%、97.5%、99%置信水平下的VaR。其中，正态分布、t分布、GED分布下95%置信水平对应的Zα分别为1.645、2.015、1.420；97.5%置信水平下分别为1.960、2.532、2.074；99%置信水平下分别为2.326、3.365、2.147。σγ为上证指数对数收益率的标准差；■为持有期，此时考虑计算的是新能源车证券综合指数一天的VaR，则令Δt=1。
2、准确性检验。对前文构建的三种分布模型进行回溯检验，即通过模型计算的VaR与实际发生的损益进行比较，以检验模型的准确性、可靠性。回溯检验用于评估风险测量模型的适用性，以确定参数的合理性、数据完整性和计算模型的有效性。该方法还为评估现有风险建模模型的优化或更新提供了重要基础。本文进行检验的方法是检验失效率，失效率是在给定样本中，VaR被超越的次数。如果示例大小为n，异常为x，则无效=x/n。在给定的置信水平p下，误差必须是p的公正估计。表2显示了修改后的三种分布模型的输入误差控制结果，其置信区间为95%、97.5%、99%。（表2）
测试结果表明，GARCH（1，1）模型的实际效率非常接近正态分布的预期效率，表明模型对未来收益的预测是最准确的。在97.5%的置信度下良好，在反映模型复杂性和适应性之间最佳平衡的多个置信度下具有最高的确认系数。相比之下，GARCH（1，1）模型假设t和GED分布预测的异常远小于实际观察到的数目，这表明两种模型都高估了该序列的风险。
二、结论及建议
本文基于中证新能源汽车指数的日收益率数据，构建GARCH-VaR模型，系统比较了正态分布、t分布和GED分布三种假设下的风险度量效果。研究结果显示，新能源汽车板块收益率序列具有显著的尖峰厚尾和波动聚集特征，不服从正态分布，但整体平稳且存在ARCH效应，适合运用GARCH类模型进行建模分析。
在三种分布设定中，基于正态分布的GARCH（1，1）模型在多个置信水平下的失效率与理论期望最为接近，显示出较好的预测精度，适合用于该板块的日常风险度量。与之相比，t分布和GED分布假设下的模型在回测中表现出了系统性高估风险的趋势，尤其在极端情况下未能准确反映收益率分布的尾部特征。
基于本研究的实证结论，分别为新能源汽车领域的投资者与相关企业提出如下对策建议：
对投资者而言，应树立风险优先的理念，充分认识该板块“尖峰厚尾”特征所隐含的极端风险。在实践中可采用基于正态分布假设的GARCH（1，1）-VaR模型作为核心风控工具，实现动态风险监测。当模型显示市场波动率上升时，应及时减仓、收紧止损，以规避“波动聚集”可能引发的连锁风险。在资产配置方面，宜将新能源汽车板块视为组合中的进攻性部分，严格控制其仓位占比，并通过与低相关性资产进行分散配置，在争取收益的同时有效管理下行风险。
对新能源汽车企业来说，资本市场的高波动性也反映了其经营环境的不确定性。为稳定估值、获取长期资本信任，企业应着力做好以下工作：一是加强信息披露与投资者关系管理，通过透明、主动的沟通降低信息不对称，避免突发负面信息引发股价剧烈震荡；二是坚持核心技术研发与创新，构筑稳固的品牌与技术护城河，以持续的价值成长抵御市场情绪波动；三是推行稳健的财务政策，保持健康的现金流与负债结构，并灵活运用资本市场工具，在市场出现非理性繁荣或低迷时，适时开展融资或回购，主动引导市场预期。
综上所述，本研究为投资者和金融机构提供了适用于新能源汽车板块的风险度量工具，有助于优化资产配置与风险管理策略。然而，模型在极端市场条件下的适应性仍有待进一步研究。未来可考虑引入极端值理论（EVT）或混合GARCH模型，以更准确地刻画尾部风险，提升模型在极端行情下的预测能力。通过量化模型与基本面管理的结合，投资者与企业可共同应对新能源汽车市场的高波动特性，推动产业与资本的良性互动与可持续发展。
（作者单位：长春理工大学）
主要参考文献：
［1］王敏，黄滢.中国的环境污染与经济增长［J］.经济学，2015.14（02）.
［2］李创，叶露露，王丽萍.新能源汽车消费促进政策对潜在消费者购买意愿的影响［J］.中国管理科学，2019（21）.
［3］苏治，傅晓媛.核主成分遗传算法与SVR选股模型改进［J］.统计研究，2013.30（05）.
［4］刘宇轩，金伟泽，袁亮.多因子量化选股模型优化与实证研究——引入金融周期指标的分析［J］.价格理论与实践，2022（04）.
［5］汲昌霖，刘艺宁.经济政策不确定性、权属性质与企业研发投入——以新能源行业为例［J］.世界经济与政治论坛，2020.01（05）.
|
|
|
|
