中国股市季节效应研究

2024-07-19

中国股市季节效应研究（精选6篇）

中国股市季节效应研究篇1

引言

中国股市自上世纪90年代建立以来, 已踏入第18个年头, 股权分置改革后的涅磐重生, 使当今中国股市步入“新兴加转轨”的特殊阶段, 更加快了其国际化发展的脚步, 中国股市与国际股市的联动效应日趋明显。在此轮牛市中, 上证综指从2006年1月4日的1163点起步, 此后随着全球牛市的热火朝天节节攀升, 一度在2007年10月16日达到6124点的历史最高位, 其中2007年“2·27”、“5·30”的全球股市暴跌, 更是中国股市与国际股市联动的明显征兆。但随着2007年第三季度美国次贷危机的进一步扩大, 各国股市均处在金融风暴漩涡中, 中国股市根本无法独善其身, 上证综指在经历6124点的巅峰一瞬后, 4个月内狂泻3000多点, A股市值缩水近1/2, 10万多亿元市值灰飞烟灭。广大中国投资者在经历了这样的惨痛教训后, 深知在股市的跌宕起伏中联动效应的重要性, 即使是新股民也早已习惯性地在每日开盘前先关注美、欧等主要国际股市的隔夜表现, 进而调整自己的投资策略。

联动效应, 是资本市场形成以来普遍存在的现象, 它的影响远远高于各市场基本面因素所能解释的程度。研究联动效应所得到的市场彼此的长期关联性和股价波动的短期相关性, 不仅能体现各资本市场的国际化程度, 引导全球资金的跨国流动和资源配置, 更对市场的融资功能、投资策略、监管机制等问题具有重要的现实意义。

对于股市的联动效应研究一直受到国内外学者的高度关注。如Becker、Finnerty和Gupta (1990) 研究了美国股市和日本股市间的跨期关联, 得出在不考虑交易成本的情况下, 利用基于美国股市的指引而得到的对日本股市的预期, 可成功地在日本股市获得超额收益, 从而揭示国际股市联动的重要经济意义。King和Wadhwani (1990) 基于对1987年10月全球股市暴跌的研究而对联动现象提出了一种解释:市场传染。对伦敦、纽约和东京三大股市的研究结果不仅证实不完全披露均衡会导致传染效应, 还显示传染效应会随着国外股价波动幅度的增大而增大, 从而反映出波动本身会自我加强和持续的特性, 这也是市场传递机制的最大特点。Hamao、Masulis和Ng (1990) 提出了波动溢出效应模型, 并发现纽约、伦敦和东京三大股市间存在收益波动溢出。Karolyi和Stulz (1996) 发现市场间收益的相关性会随着市场波动的增加而增加, 他们将此解释为支持经济传染假说的证据。当然, 不仅仅是美国、日本、英国、加拿大和德国等成熟股市间存在联动效应, Roca、Selvanathan和Shepherd (1998) 还研究了东南亚各新兴股市间的关联性, 结论是除印度尼西亚以外, 马来西亚、新加坡、台湾和菲律宾等股市间均存在着显著的短期联动效应。Connolly和Wang (2003) 基于美国、英国和日本的股票指数收益以及14种宏观经济信息公告, 建立了以国外信息的波动为条件, 以股市收益为应变量的线性和非线性信息模型, 并对当日收益和隔夜收益的残差项建立不对称GARCH模型, 用以模拟现实中不对称的波动集群效应。研究结果确认了国际股市间强有力的联动效应, 特别是美英日3国的国外当日收益与国内隔夜收益间的同期关联性, 并且得出大多数可观测的国际股市联动现象, 都无法归因于公共信息等基本面因素, 而国外收益的变化中显然包含着不同于基本面的有价值信息。因此, 对未来国际股市联动原因的探索, 不应围绕公共信息等基本面, 而应重点鉴别是源于经济传染还是源于私募信息交易。刘金全、崔畅 (2002) 运用Johansen协整关系检验和ARCH类模型等方法发现中国沪深股市间存在长期协整关系和相异的短期波动模式。吴世农、潘越 (2005) 证实红筹股、H股和内地股市之间存在着长期稳定的协整关系, 这一均衡关系在B股开放之后进一步增强。邹功达、陈浪南 (2002) 运用CAPM模型, 同样证实我国A、B股市场在很大程度上是一体化的。黄永兴 (2005) 进一步证明, 自B股市场向境内居民的开放后, 我国A、B股市场的传染性更为明显, 且大致说来, 两市场间的相互作用, 一般在2～4个交易日内即可达到最大值。

国内研究股市联动的绝大多数文献, 主要局限于中国沪深股市和香港股市, 即使考虑了与国际主要股市间的联动性, 也很少考虑市场间的交易时间差和地理位置远近所带来的影响。本文通过运用ARCH类模型与向量自回归 (VAR) 模型, 对中国沪深股市与香港、日本、英国和美国等主要国际股市之间的关系进行实证研究, 从股指价格和收益两个方面分析中国股市和国际股市间的联动效应, 并将收益分为隔夜收益序列和当日收益序列两类, 从而在考虑了市场间的交易时间差和地理位置远近的基础上, 探讨是否存在长期稳定的均衡关系、短期波动的相关性和溢出效应, 进而分析新生扰动在股市间的传播和蔓延。

1 样本选择和数据处理

1.1 样本选择

采用来自雅虎财经的1995年1月3日至2007年12月28日上证综指、深证成指、恒生指数、S&P500、FTSE 100和Nikkei 225的日数据作为样本, 并截掉了各个市场未同时开市的数据, 故样本容量为2788。

令Pi, t表示市场i在第t日的收盘指数的对数, 令R $_{i ‚ t}^{Ι D}$ 和R $_{i ‚ t}^{Ο Ν}$ 分别表示市场i在第t日的当日股指收益与隔夜股指收益, 其中i=CSH (中国上海) , CSZ (中国深圳) , CHK (中国香港) , JP (日本) , UK (英国) , US (美国) , 计算方法如下:

当日收益R $_{i ‚ t}^{Ι D}$ =ln (第t日收盘指数) -ln (第t日开盘指数) ;

隔夜收益R $_{i ‚ t}^{Ο Ν}$ =ln (第t日开盘指数) -ln (第t-1日收盘指数)

1.2 数据处理

本文所采用的时间序列数据是否具有平稳性, 直接影响到实证部分各个检验结果的有效性。例如, 协整检验要求各序列非平稳且为同阶单整, 否则很有可能为谬误回归;VAR模型则要求各序列平稳或各序列之间存在协整关系, 以保证VAR模型是稳定的系统。因此, 应首先做单位根检验以探明各序列的平稳性。对各序列做ADF检验的结果显示, 各市场的Pi序列的水平值均是非平稳的, 而其一阶差分序列均是平稳的, 即Pi～I (1) 收益序列R $_{i}^{Ι D}$ , R $_{i}^{Ο Ν}$ ～I (0) , i=CSH, CSZ, CHK, JP, UK, US.。

此外, 大量经验研究表明, 金融时间序列 (尤其是收益率序列) 的分布多数呈现宽尾特性, 作为风险度量的方差或协方差随时间的变化而变化, 且经常呈现波动集聚性, 这一特性对金融资产的定价起着至关重要的引导作用, 故本文采用ARCH类模型以拟合各收益序列的波动特性。

由自相关检验中显著的Q值和单位根检验的结果知, 各R $_{i}^{Ι D}$ , RONi序列均平稳且存在自相关性, 故用ARMA过程来描述各收益序列。根据各序列相关图中的自相关系数 (acf) 和偏自相关系数 (pacf) 以及节省性原则, 从而确定各ARMA过程的阶数, 通过分别对选取的ARMA方程做回归, 并分别对其残差进行ARCH效应的拉格朗日乘数检验, 即ARCH-LM检验, 结果显示, 除了R $_{J Ρ}^{Ο Ν}$ 和R $_{U S}^{Ο Ν}$ 之外, 其他所有收益序列ARMA过程的残差均在5%的显著性水平下存在ARCH效应。因此, 对除了RONJP和R $_{U S}^{Ο Ν}$ 之外的所有序列采用极大似然估计法对残差项ut方差方程拟合如下的EARCH模型:

估计结果如表1所示, 括号中为Z统计量的值。

从表1中的估计结果看出, 除了R $_{C S Η}^{Ι D}$ 和R $_{C S Ζ}^{Ι D}$ 在EGARCH (1, 1) 模型中的γ系数在5%的显著性水平下不显著以外, 其他所有参数的估值均是显著的。这表明 (以下结论均排除日本和美国的隔夜收益R $_{J Ρ}^{Ο Ν}$ 和R $_{U S}^{Ο Ν}$ ) :

(1) 波动集群性。表1中所有的α估值均为正, 表明所有股市的当日收益和隔夜收益都呈现集群现象, 即过去收益的波动扰动对自身市场未来收益的波动有着正向而减缓的影响, 大幅波动和小幅波动分别集中于不同的时段。

(2) 波动持续性。所有EGARCH (1, 1) 模型中β的估值都非常接近于1, 对H0∶β=1进行Wald检验的结果表明:除了英国当日收益R $_{U Κ}^{Ο Ν}$ 外, 对其他市场的检验结果均在5%的显著性水平下拒绝原假设, 这意味着只有英国当日市场的股指收益波动是持久性的, 其他市场的收益波动虽然可以持续几期, 但毕竟不能持久。

(3) 杠杆效应。所有EGARCH (1, 1) 中γ的估值除了中国上证和深证当日收益R $_{C S Η}^{Ι D}$ 、R $_{C S Ζ}^{Ι D}$ 的该项系数不显著以外, 其他各市场的γ值均显著为负, 这意味着上证和深证的隔夜收益市场以及其他市场股指收益的波动均存在杠杆效应, 即“坏消息”与“好消息”对于股市的波动影响是不对称的, “坏消息” (负的收益扰动) 比相同规模的“好消息” (正收益扰动) 产生更大的波动, 这是因为较低的股本价值将增加债务/权益比, 增加持股风险, 从而导致更大的波动性。这就是常说的“利空消息”比“利好消息”对股市收益率的影响更强。

2 实证研究及结果分析

2.1 中国沪深股市与主要国际股市之间的协整关系检验

从检验结果表2可看出, 6个市场的股指价格序列在5%的显著性水平下存在一个协整关系, 即协积秩r=1。由此可以估计出如下的具有标准化系数的协整方程:

其中, 残差 $\hat{u}_{t}$ 为平稳序列, 括号内数字为t值。

注: (1) 根据SC准则, 确定滞后阶数p=2, 并选择无确定趋势但存在截距项的协整方程 (CE) 形式; (2) *表示在5%的显著性水平上拒绝原假设。

协整方程 (2) 说明中国上证、深证股市与中国香港、日本、英国和美国股市间存在着一种长期稳定的均衡关系。在1995～2007年之间, 上证与深证、香港和英国的同期股指变动率呈正相关, 而与日本和美国的同期股指变动率呈负相关。对此结论究其原因主要还是与各个国家的经济地位、各个股票市场的市值规模和成熟程度有关。1995年以来, 美国和日本一直是全球第一和第二大经济强国, 两者强大的经济实力也为它们长期保持国际金融中心的地位奠定了坚实的基础。从13年间这6个股市市值分别占全球总市值的比重来看, 美国占40%左右, 毫无疑问雄踞世界第一, 日本占15%左右列第二, 英国占不到10%列第三, 而除日本以外的亚洲股市 (包括香港和中国内地股市) 只占5%左右。由此可见, 美国和日本股市的总市值超过了全球的一半, 而英国、香港、上证、深证这4个市场的总市值还不到全球的15%, 如此悬殊的市场规模同时也体现出这两个股市阵营的融资能力、资本配置效率、信息传导与甄别能力、监督管理制度的规范健全程度等方面的差异。因而, 反应在同期股指的变动率上, 上证与深证、香港和英国呈正相关, 而与日本和美国这两大世界最成熟的股市有一定的背离。此外, 该协整方程还表明, 虽然各国的经济政治体制、经济发展程度不同, 股市规模和运作环境更是大相径庭, 但是各国股指的动态变化却受共同随机项ut影响, 从而形成一个长期稳定的整体。

根据上步中确定的滞后阶数p=2, 建立如下的VAR (2) 模型:

Yt=m+A1Yt-1+A2Yt-2+εt (3)

其中Yt=[PCSH, t, PCSZ, t, PCHK, t, PJP, t, PUK, t, PUS, t]′, Ai是6×6系数矩阵, m是6×1常数向量, εt=[ε1, t, ε2, t, ε3, t, ε4, t, ε5, t, ε6, t]′为白噪声向量。式 (3) 经参数重组后形成如下的误差纠正模型:

ΔYt=m-A2ΔYt-1-ΠYt-1+εt (4)

其中Π=I-A1-A2=αβ′, 特别地, 令β′为标准化协积向量, 则误差纠正项ECMt-1=β′Yt-1, 它反映了变量之间长期均衡关系在t-1期的短期随机变化。式 (4) 估计结果如下:

$(\begin{array}{l} Δ Ρ_{C S Η ‚ t} \\ Δ Ρ_{C S Ζ ‚ t} \\ Δ Ρ_{C Η Κ ‚ t} \\ Δ Ρ_{J Ρ ‚ t} \\ Δ Ρ_{U Κ ‚ t} \\ Δ Ρ_{U S ‚ t} \end{array}) = (\begin{array}{l} - 0.0005 \\ 0.0020 \\ 0.0035^{*} \\ - 0.0016^{*} \\ 0.0015^{*} \\ - 0.0011 \end{array}) E C Μ_{t - 1} + (\begin{matrix} 0.0939^{*} & - 0.0851^{*} & 0.0266 & 0.0341 & - 0.0201 & 0.0579 \\ 0.0847^{*} & - 0.0616 & 0.0014 & 0.0370 & - 0.0091 & 0.0678^{*} \\ - 0.0081 & - 0.0029 & - 0.0840^{*} & - 0.0976^{*} & 0.1504^{*} & 0.5082^{*} \\ - 0.0064 & - 0.0009 & - 0.0407^{*} & - 0.0725^{*} & 0.1205^{*} & 0.3825^{*} \\ - 0.0050 & - 0.0042 & - 0.0124 & - 0.0553^{*} & - 0.1580^{*} & 0.3605^{*} \\ - 0.0072 & - 0.0041 & - 0.0081 & - 0.0245 & 0.0240 & 0.0028 \end{matrix}) (\begin{array}{l} Δ Ρ_{C S Η ‚ t - 1} \\ Δ Ρ_{C S Ζ ‚ t - 1} \\ Δ Ρ_{C Η Κ ‚ t - 1} \\ Δ Ρ_{J Ρ ‚ t - 1} \\ Δ Ρ_{U Κ ‚ t - 1} \\ Δ Ρ_{U S ‚ t - 1} \end{array}) + (\begin{array}{l} 0.0007^{*} \\ 0.0009^{*} \\ 0.0002 \\ - 0.0003 \\ 0.0002 \\ 0.0004^{*} \end{array})$

注:*表示该系数在5%的显著性水平下显著异于零。

从以上结果可以看出, 误差纠正项ECMt-1分别对香港恒生、日经225以及英国FTSE100指数影响显著, 而对上证综指、深证成指以及美国S&P500的影响不显著。也就是说, 当六大市场间的长期均衡关系在短期内受到干扰时, 会引起香港恒生、日经225以及英国FTSE100指数的短期波动, 需对3个市场的偏差进行短期调整。其中, 日本股市的校正系数为-0.0016, 说明成熟股市具有对短期偏差进行迅速回调的能力;而香港和英国的校正系数为正, 说明在短期内, 偏差仍会有小幅加强的惯性持续, 回调有所滞后, 这也表现出香港和英国股市对于信息干扰的甄别能力弱于日本。

此外, 中国上证和深证股市短期内与其他4个市场的关联性较弱, 两个市场的短期波动主要受制于它们自身滞后一期的股指波动率之间地相互影响。如滞后一期的上证股指波动率和深证股指波动率对当期上证股指波动率的影响分别为0.0939和-0.0851, 深证股指波动率仅仅受制于前一期上证股指波动率的影响, 其影响系数为0.0847, 从这一点可以看出上证市场在中国内地的主导作用, 其实在2000年以前, 上证与深证相对趋同, 但2000年之后的4年里, 深证停止了新股发行, 2004年深证才开始发行中小企业的股票, 到目前为止, 深证的总市值还不到上证的1/3, 因而影响力更是小于上证的主板市场。

香港、日本和英国股市的短期波动相互影响显著, 美国市场对它们的短期影响也显著, 但上证和深证股指短期波动对它们的影响不显著。美国股市的短期波动只会单向显著影响其他各股市 (上证除外) , 却不受其他各股市的影响, 这一点与美国的全球霸主地位密不可分。长期以来, 美国的经济总量一直处于世界领导地位, 2007年其GDP总量约占世界总量的1/4, 是排名第二的日本GDP的2.6倍, 并且超过日本、中国、德国这紧随其后的3个国家GDP总和, 如此雄厚的经济实力奠定了美国作为全球第一大国际金融中心的地位。因此, 美国股票市场在全球资本配置上一直处于主导地位, 它的短期波动在当今的信息技术发达社会中会迅速波及全球, 对无资本流动限制的较成熟股市的影响更为明显。同时, 作为全球最大的成熟股市, 美国也能对其他国家的短期干扰迅速甄别和消化。而中国内地股市则处于相对封闭的状态, 资本流动的管制制度在一定程度上阻止了外界波动对内地股市的干扰。

2.2 中国沪深股市与主要国际股市之间收益率序列的波动溢出效应检验

由于时差等因素, 6个股市每天的交易时段不同, 有的交叉重叠, 有的先后错开, 只有上证和深证的交易时段完全相同。例如就开市时间与中国内地股市相比, 日本提前1个半小时, 香港晚半小时, 英国晚6小时 (夏时令) , 美国晚整整半天12个小时 (夏时令) ;而就闭市时间与中国内地股市相比, 日本提前1小时, 香港晚1小时, 英国和美国则一个在北京时间深夜一个在北京时间凌晨, 与中国内地第二天的开市时间更临近。大量经验研究表明, 这种交易时间上的交错, 使得各国股市的联动性表现最明显的地方, 不是在同期股指变动率上, 而是在国外股市滞后一期的隔夜收益和当日收益对交易时间临近股市当期的隔夜收益和当日收益的影响上。例如, 美国等股市在北京时间前一天深夜的交易状况, 很有可能对中国内地股市第二天早晨开盘甚至全天的交易状况有一定的影响。

首先根据数据处理部分中所揭示的各个R $_{i}^{Ι D}$ , R $_{i}^{Ο Ν}$ 收益序列波动特性, 采用Hamao (1990) 提出的波动溢出效应模型, 分析各市场收益的波动, 除了受到自身前期波动的影响外, 是否还受到其他市场前期收益波动的影响, 即呈现“波动溢出效应”, 从而探究短期内市场间信息传递的途径和短期收益波动的关联性, 然后再使用VAR模型, 以及脉冲响应函数和方差分解等方法, 进一步分析各收益序列间的相关性以及新生扰动在股市间的传播和蔓延。

数据处理部分的结果显示, 除了R $_{J Ρ}^{Ο Ν}$ 和R $_{U S}^{Ο Ν}$ 之外, 其他所有收益序列ARMA过程的残差均存在ARCH效应, 以各ARMA方程作为所对应收益序列的均值方程, 并使用均值方程残差项的平方u $_{t - 1}^{2}$ 代表各收益序列在第t-1期的绝对扰动, 这也是在第t期时已实现的绝对波动程度。方差方程为如下形式:

σ $_{A ‚ t}^{2}$ =ω+αu $_{A ‚ t - 1}^{2}$ +βσ $_{A ‚ t - 1}^{2}$ +δu $_{B ‚ t - 1}^{2}$ (5)

其中, u $_{B ‚ t - 1}^{2}$ 表示来自B收益序列滞后一期的绝对扰动, 若系数δ显著, 则说明存在从B收益序列向A收益序列的短期波动溢出效应。

注:表中*表示该系数δ在5%的显著性水平下显著异于零。

从系数δ的估计结果表3可看出, 中国沪深股市间存在双向的收益波动溢出效应, 香港、日本、英国、美国4个成熟股市彼此间也存在双向的收益波动溢出效应, 4个成熟股市对中国沪深股市大多表现为单向溢出。特别地, 上证当日收益的短期波动对除香港隔夜收益外的所有成熟股市的当日和隔夜收益的波动均存在溢出效应, 且英美股市对上证的溢出效应明显比香港、日本对上证的溢出效应强, 说明随着中国金融市场的逐步开放, 作为中国内地股市主板市场的上证, 和国际接轨的程度越来越强, 当然, 其中所渗透的投机性也颇为明显, 香港、日本市场和上证的交易时间大部分重叠, 波动的溢出效应较小可能是因为信息传递的时间有限, 降低了波动的敏感性。而英美股市的交易时间正好处在上证隔夜收益的发生期中, 故上证投资者在开盘前已对英美股市收益波动中所传达的信息了解得较为充分, 投机性的投资者会更为灵活地将此运用到投资策略中, 从而影响上证开盘及随后全天当日收益的波动。

2.3 中国沪深股市以及主要国际股市收益率序列的脉冲响应函数和方差分解

对6个股市的当日收益R $_{i}^{Ι D}$ 、隔夜收益R $_{i}^{Ο Ν}$ 这12个收益序列拟合VAR模型, 并进行脉冲响应函数和方差分解, 可以体现出长期均衡系统内部的各变量间的动态联系, 分析一个变量的新生扰动对所有内生变量在当期和未来产生的连锁反应, 以及对它们预测误差方差的贡献程度, 探讨各股市短期波动的传递和蔓延模式, 进而揭示各股市信息传导和定价机制的完善程度。同时, VAR模型作为一种非结构化建模方法, 对所有变量对称处理, 避免了结构化模型中包含内生变量滞后值所产生的一系列相关问题, 因而能更好地反映系统内部各变量间的动态特性。

根据AIC、SC、HQ、FPE等准则, 确定出滞后阶数p=1, 建立6个股市的当日收益R $_{i}^{Ι D}$ 、隔夜收益R $_{i}^{Ο Ν}$ 这12个收益序列的VAR (1) 模型, Xt=C+B1Xt-1+εt。从系数矩阵B1的估计结果表4可看出, 在六大市场隔夜收益、当日收益与其自身及其他市场滞后一期间的相关性中, 香港、日本、英国、美国市场间的相关系数较多呈现为显著, 中国上证和深证市场间的相关系数也较多呈现为显著。由此可以粗略的推断, 这六大股市几乎被分割为两个板块, 香港、日本、英国、美国同为成熟股市, 股指收益间的互相联动颇为明显, 然而中国上证和深证毕竟还是新兴股市, 国际化接轨程度并不高, 与成熟市场间股指收益的联动较为微弱, 更多的是国内市场之间的联动性。

注:*表示该系数在5%的显著性水平下显著异于零。

2.3.1 脉冲响应函数

脉冲响应函数, 是VAR模型中用于衡量来自随机扰动项的一个标准差新生 (冲击) 对内生变量当前和未来取值的影响。

如图1所示, 中国上证综指隔夜收益R $_{C S Η}^{Ο Ν}$ 对其自身的一个标准差正交新生立刻产生较强反应, 在第1个交易日收益率增加了0.0110, 但影响的时间很短, 第2个交易日已回落到0.0006, 第3个交易日以后近乎为0。该序列对来自其他序列的正交新生在第1个交易日均没有反应, 却对以下序列的一个标准差正交新生的反应在第2个交易日达到峰值, 从大到小依次为:R $_{C S Η}^{Ι D}$ 、R $_{C Η Κ}^{Ι D}$ 、R $_{C S Ζ}^{Ο Ν}$ 、R $_{U S}^{Ο Ν}$ 、R $_{C Η Κ}^{Ο Ν}$ 、RIDCSZ、R $_{U S}^{Ι D}$ , 其中对上证当日R $_{C S Η}^{Ι D}$ 的反应最大为0.002, 其他为0.0007以下。上证隔夜收益, 主要反映当日开盘相对于前一日收盘的高低状况, 影响最大的还是自身当日的冲击, 但同样明显受到上证市场前一个交易日收盘时的相对状况即上证当日收益的影响, 此外, 深证与上证交易时间相同, 香港前一日闭市比上证滞后一小时, 美国前一日隔夜收益的时间跨度包含上证前一日交易时间, 美国前一日当日收益的交易时间又正好处在上证隔夜收益的时间跨度内, 从而前一个交易日香港、深证、美国当日和隔夜收益均对上证隔夜收益影响显著。

类似图1, 还可以分别得到其他11个收益序列R $_{C S Η}^{Ι D}$ 、R $_{C S Ζ}^{Ο Ν}$ 、R $_{C S Ζ}^{Ι D}$ 、R $_{C Η Κ}^{Ο Ν}$ 、RIDCHK、R $_{J Ρ}^{Ο Ν}$ 、R $_{J Ρ}^{Ι D}$ 、R $_{U Κ}^{Ο Ν}$ 、R $_{U Κ}^{Ι D}$ 、R $_{U S}^{Ο Ν}$ 、R $_{U S}^{Ι D}$ 的脉冲响应函数图 (由于篇幅限制原因, 文中未列出这些脉冲响应函数图)

从对脉冲响应函数的分析知, 各个收益序列 (深证除外) 都对自身冲击最为敏感, 在当期即产生较大反应, 但随后反应减弱, 第3个交易日以后反应几乎消失。特别地, 深证隔夜收益对上证隔夜收益冲击的反应, 以及深证当日收益对上证当日收益冲击的反应都比自身冲击的反应还强烈, 这再次证实了前面VEC模型中的结论:上证市场在中国内地股市中起主导作用。在股指收益的短期波动中, 美股的新生扰动对其他股市影响显著且持续时间较长, 这充分说明在全球股市中, 美国股市的领头羊地位, 其新生扰动波及全球主要股市。同为成熟股市的香港、日本、英国间新生冲击的短期相互影响明显但持续时间不长, 说明对一个冲击而言, 各股市都能在短期内将其迅速消化, 体现了成熟股市对信息的甄别能力。而中国内地股市毕竟是一个新兴市场, 上证、深证和香港股市间新生冲击的互相影响较为明显, 而美国、日本、英国的冲击对中国沪深股市的影响较小 (其中对美国冲击的反应略强) , 这一方面限制了全球股市的坏消息在中国内地股市的蔓延, 但另一方面也体现出中国内地股市的信息传导和定价机制不完善, 国际化程度差, 离成熟股市还有很远的距离。

2.3.2 方差分解

如表5所示, 上证综指隔夜收益R $_{C S Η}^{Ο Ν}$ 的预测误差方差的96.1%由其自身的新生冲击解释, 3.2%由R $_{C S Η}^{Ι D}$ 的新生冲击解释, 而RONCSZ、R $_{C Η Κ}^{Ι D}$ 和R $_{U S}^{Ο Ν}$ 的新生冲击对其的解释力度分别为0.2%、0.3%和0.1%。而上证当日收益R $_{C S Η}^{Ι D}$ 的预测误差方差的99.2%由其自身的新生冲击解释, 而R $_{C S Ζ}^{Ο Ν}$ 、RIDCSZ和R $_{J Ρ}^{Ι D}$ 的新生冲击对其的解释力度分别为0.3%、0.3%和0.1%。

类似表5, 还可以分别得到其他5个股市即深圳、香港、日本、英国、美国股市的当日和隔夜收益序列的方差分解表, 并依次得到如下结果:

对于深证成指隔夜收益R $_{C S Ζ}^{Ο Ν}$ 预测误差方差, 仅有25.9%由自身的新生冲击解释, 却有68.7%由R $_{C S Η}^{Ο Ν}$ 的新生冲击解释, 4.8%由R $_{C S Η}^{Ι D}$ 的新生冲击解释, 此外, R $_{C S Ζ}^{Ι D}$ 、R $_{C Η Κ}^{Ι D}$ 、R $_{U S}^{Ο Η}$ 的新生冲击对其的解释力度均为0.1%。同样深证当日收益R $_{C S Ζ}^{Ι D}$ 的预测误差方差, 仅有27.6%由自身的新生冲击来解释, 却有71.6%由R $_{C S Η}^{Ι D}$ 的新生冲击解释, 且R $_{C S Η}^{Ο Ν}$ 、RONCSZ的新生冲击对其的解释力度均为0.3%。由此可见, 上证市场收益对深证同期市场收益的影响占主导地位。

对于恒生指数隔夜收益的预测误差方差的70.3%由自身的新生冲击解释, 16.5%由R $_{U S}^{Ι D}$ 解释, 10.8%由R $_{U Κ}^{Ι D}$ 解释, 而R $_{C Η Κ}^{Ι D}$ 、R $_{C S Ζ}^{Ο Ν}$ 、R $_{C S Ζ}^{Ι D}$ 、R $_{C S Η}^{Ι D}$ 、R $_{J Ρ}^{Ο Ν}$ 、R $_{C S Η}^{Ο Ν}$ 、R $_{U S}^{Ο Ν}$ 的新生冲击对其的解释力度从大到小分别为0.5%到0.1%不等。而恒生当日收益RIDCHK预测误差方差的97.3%由自身的新生冲击来解释, 而R $_{C S Η}^{Ι D}$ 、R $_{J Ρ}^{Ι D}$ 、R $_{C Η Κ}^{Ο Ν}$ 、R $_{U Κ}^{Ι D}$ 、RIDUS、R $_{C S Ζ}^{Ι D}$ 的新生冲击对其的解释力度从大到小分别为0.7%到0.1%不等。

日经225指数隔夜收益R $_{J Ρ}^{Ο Ν}$ 预测误差方差的67.2%由自身的新生冲击解释, 11.6%由R $_{U S}^{Ι D}$ 解释, 10.2%由R $_{U Κ}^{Ι D}$ 解释, 9.8%由R $_{C Η Κ}^{Ο Ν}$ 解释。而日本当日收益R $_{J Ρ}^{Ι D}$ 预测误差方差的86.2%由自身的新生冲击来解释, 7.0%由R $_{C Η Κ}^{Ι D}$ 解释, 而R $_{C Η Κ}^{Ο Ν}$ 、R $_{U Κ}^{Ι D}$ 和R $_{U S}^{Ι D}$ 的新生冲击对其的解释力度分别为2.7%、1.6%和1.6%。由此可见, 国际其他股市收益的新生冲击对日本股市收益具有显著影响。

英国金融时报100指数隔夜收益R $_{U Κ}^{Ο Ν}$ 预测误差方差的76.0%由自身的新生冲击解释, 18.4%由R $_{C Η Κ}^{Ο Ν}$ 解释, 2.8%由R $_{U S}^{Ι D}$ 解释, 1.6%由R $_{J Ρ}^{Ο Ν}$ 解释。而英国当日收益R $_{U Κ}^{Ι D}$ 预测误差方差的85.0%由自身的新生冲击来解释, 7.9%由R $_{U S}^{Ι D}$ 的新生冲击解释, 而R $_{C Η Κ}^{Ι D}$ 、R $_{U Κ}^{Ο Ν}$ 和R $_{J Ρ}^{Ι D}$ 的新生冲击对其的解释力度分别为3.7%、1.4%和1.2%。由此可见, 国际其他股市收益的新生冲击对英国股市收益具有显著影响。

美国标准普尔500指数隔夜收益R $_{U S}^{Ο Ν}$ 预测误差方差的64.2%由自身的新生冲击解释, 20.5%由R $_{C Η Κ}^{Ο Ν}$ 解释, 10.9%由R $_{U Κ}^{Ο Ν}$ 解释, 3.1%由R $_{J Ρ}^{Ο Ν}$ 解释。而美国当日收益R $_{U S}^{Ι D}$ 预测误差方差的75.7%由自身的新生冲击来解释, 20.5%由R $_{U Κ}^{Ι D}$ 的新生冲击解释, 而R $_{U S}^{Ο Ν}$ 和R $_{C Η Κ}^{Ι D}$ 的新生冲击对其的解释力度分别为1.3%和1.2%。由此可见, 美国股市的隔夜收益受香港和英国隔夜收益的新生冲击影响显著, 而美国当日收益的波动主要取决于自身和英国当日市场。

方差分解的结果表明, 长期中对各股市收益的变动而言, 贡献率最高的通常还是自身的新生扰动 (深证除外) , 其次是同期中地理位置较近的股市, 再其次就是一个股市的隔夜 (当日) 收益对交易时间相隔最近的另一股市当日 (隔夜) 收益的影响。其中, 香港、日本、英国、美国等成熟股市间的新生扰动对收益变动的贡献颇高, 尤其是美国的新生扰动, 这进一步证明美国作为全球第一大国际金融中心, 引领国际资本的跨国配置, 在全球股市中处于主导地位。而在中国, 国际股市的新生冲击对上证和深证收益变动的贡献率较为微弱, 特别地, 上证扰动对深证的影响比深证自身扰动的影响还要重要, 这说明在中国境内, 上证股市是风向标, 对整个中国股市起着支配性作用。

3 结论

本文采用1995年1月3日至2007年12月28日的上证综指、深证成指、香港恒生、日经225、英国FTSE 100和美国S&P500的日数据作为样本, 经过一系列实证研究得出如下结论:

(1) 研究各股市隔夜和当日收益波动模式的结果表明, 除美国和日本的隔夜市场外, 美、日当日收益和其他各股指收益均表现为显著的波动集群性和短期持续性, 特别地, 英国当日收益的波动存在长期持久性。此外, 杠杆效应, 即“坏消息”对股市波动性的影响大于“好消息”对股市波动性的影响的现象, 显著存在于中国内地股市的隔夜市场, 美国和日本的当日市场, 以及香港、英国的隔夜和当日市场中。

(2) 六大股指间显著存在协整关系, 这意味着中国股市和国际股市间存在着长期稳定均衡关系。但当这种长期均衡在短期内受到干扰时, 会迅速显著影响香港、日本和英国股市的短期波动, 却对中国内地和美国股市在短期内不会产生多少影响。此外, 中国上证和深证股市间的短期波动相互影响显著, 香港、日本和英国股市间的短期波动也存在着显著的相互影响。然而美国股市的短期波动只会单向地显著影响其他各股市 (上证除外) , 却不受其他各股市的影响。

(3) 各市场当日和隔夜收益的波动溢出效应显示, 中国沪深股市间存在双向的收益波动溢出效应, 香港、日本、英国、美国4个成熟股市彼此间也存在双向的收益波动溢出效应, 4个成熟股市对中国沪深股市多表现为短期单向溢出。特别地, 上证当日收益的短期波动对除香港隔夜收益外的所有成熟股市的当日和隔夜收益的波动均存在溢出效应, 且英美股市对上证的溢出效应明显比香港、日本对上证的溢出效应强, 说明随着中国金融市场的逐步开放, 作为中国内地股市主板市场的上证, 和国际接轨的程度越来越强, 但其中所渗透的投机性也颇为明显。

(4) VAR模型的脉冲响应函数和方差分解的结论表明, 长期中对各股市收益的变动而言, 贡献率最高的通常是自身的新生扰动 (深证除外) , 其次是同期中地理位置较近的股市, 再其次就是一个股市的隔夜 (当日) 收益对交易时间相隔最近的另一股市当日 (隔夜) 收益的影响。特别地, 上证扰动对深证的影响比深证自身扰动的影响还要重要, 这说明在中国境内, 上证股市是风向标, 对整个中国股市起着支配性作用。而成熟股市间, 香港、日本、英国、美国间新生冲击的连锁反应一般只会持续两期, 这体现了成熟股市具有对外界新生冲击的迅速消化能力和对信息的甄别能力。

综上所述, 中国股市和国际股市间确实存在着一定的联动效应, 在股指价格上也和成熟股市间存在着长期均衡关系, 但在价格短期波动和收益变动率上, 还主要局限于上证、深证和香港之间。而中国香港和日本、英国、美国等世界主要股市相互间的联动效应非常明显, 表现出成熟股市共有的特征, 其中美股处于明显的领头羊地位。这一切说明目前中国内地股市毕竟还属于新兴股市, 和国际股市接轨的程度还远远不够, 对世界股市的影响更是微乎其微, 即使有也是极其短暂的。所以说, 中国股市的国际化发展还有很远的路要走。

中国股市行业动量效应研究篇2

现代金融理论可以基于完美的假设, 从而构造出一个理想的均衡有效市场, 但是现实的金融市场却往往不是那么有效, 通常存在一些明显的异象, 例如日历效应、一月效应、动量效应等。因为股票动量现象的存在, 投资者可以通过买入过去收益率排名靠前的股票, 同时卖出过去收益率排名靠后的股票来构建投资组合, 从而获得无风险收益, 这种利用动量效应构造的投资组合策略称为动量投资策略。

但在动量效应是否存在于中国股市这一问题上, 学术研究和市场投资者却有着相反的结论。有些学术研究认为动量效应并不存在, 也有些研究认为动量效应存在但不明显。然而, 实际投资者的直观感觉与多数研究者的经验结论相矛盾。这些促使我们考虑, 到底投资者的这种感觉是一种错觉, 还是说已有的学术研究没有能选取合适的研究方法和角度来辨别动量效应的存在。

本文首先对我国股市行业动量效应的存在性进行实证检验, 然后提出行业动量投资策略并对其投资收益进行检验。

二、文献综述

行业动量方面最重要的文献是Moskowitz and Grinblatt (1999) 发表的, 研究的数据来自1963年6月到1995年6月的美国股票市场, 涵盖了NYSE、AMEX和Nasdap。研究结果表明, 行业动量是动量效应的主要来源。

Lewllen (2002) 研究表明, 行业、公司规模和净资产市值比三者构成的资产组合也存在动量效应, 并且在某些时候比个股动量效应和行业动量效应更强。Swinkels (2002) 的研究表明, 在美国和欧洲市场都存在行业动量效应, 但日本市场却不存在。

除日本外, 行业动量效应在亚洲市场的研究依然不多。Fu and Kang (2009) 利用Lo and Mackinlay (1990) 的研究方法对1995-2007年的台湾股票市场进行了考察, 实证结果表明台湾股市的行业动量效应并不明显, 但具有自相关收益为正的行业动量效应会更明显一些。

Giannikos和Ji (2007) 研究了美国以及其他35个国家的证券资本市场, 结论再次表明, 行业动量效应的存在是一个普遍的现象, 并且证明了个股动量效应和行业动量效应是相关的。

从行业角度研究中国股市动量现象的文献并不多, 主要有以下几篇:

陈乔、汪强 (2003) 研究结果表明, 行业组合的动量效应是存在的, 当形成期为1周、持有期为4周等投资组合中表现较为明显;但单纯买入赢者组合或卖出输者组合不能带来超额收益。该文缺点为数据时间区间较短, 所得结论没有足够的说服力, 并且数据处理方面出现了明显的错误。

杜敏杰、林寅 (2005) 选择中信行业指数为研究对象, 时间区间为1997年到2003年, 以周为排序期和持有期的时间单位, 考察超短期内中国行业动量投资策略的盈利性。研究结果表明:行业动量效应是存在的, 当形成期和持有期在1周和24周之间时较为明显。樊澎涛 (2006) 选取了A股市场1995-2003年的股票数据, 考察了行业动量交易策略的盈利特征。实证结果显示:我国股市存在明显的短期行业动量效应, 但在对股市数据进行了分期考察后, 发现不同阶段的结果并不一样, 由此可以看出投资者受市场状况的影响。该文还对比分析了整体股票市场和分行业角度下个股动量投资策略的异同。

张华 (2006) 。研究结论为:1) 行业动量效应是明显存在的, 短期动量投资策略可获得显著的累计超额收益;2) 动量投资策略在中期也能获得明显的超额收益, 这点与之前的研究结论都不相同;3) 当动量组合中仅包含一个赢家行业和一个输家行业时, 其累计超额收益最大, 大于包含所有行业的投资组合;4) 牛市中行业动量投资策略获得的显著累计超额收益次数明显多于熊市。

石江伟 (2007) 研究指出:我国股市存在明显的短期行业动量现象, 当持有期小于2周时较为显著, 持有期在2-6周时存在但不显著。多数行业动量策略组合的统计结果不显著。通过区分牛市和熊市, 发现动量现象的强弱与大盘特征相关。该文的主要贡献是改进了陈、汪 (2003) 和樊澎涛 (2006) 中的数据处理问题。

三、实证分析

(一) 行业动量效应的存在性

在行业的划分方面, 我们采用申银万国行业分类标准, 将A股所有股票分为23个一级行业。

参考之前的文献及结论, 本文使用了Jegadeesh and Titman (1993) 和Moskowitz and Gorinblatt (1999) 中使用的方法来构建行业动量投资策略。

1、从统计结果来看, 只要持有期在8周之内, 投资组合都取得了正的超额收益。

只有在持有期到12、16周时, 才出现了少量负的超额收益, 证明了短中期存在明显的行业动量效应, 长期会出现反转效应。之前的研究结论支持短期有动量效应, 但是较多支持中期并不存在。

2、得出的行业动量效应超额收益明显要大于之前的文献研究所得出的结果。

张华 (2006) 和石江伟 (2007) 中得出的超额收益最大值约为0.6%, 而本文得出的最大值为1.61%, 且大于1%的投资组合存在7组。这说明, 在我国股市, 行业动量是动量效应的重要来源。

3、在显著性方面, 短期的投资组合表现较好, 共有 (2,

2) 、 (2、3) 、 (3, 2) 、 (6, 3) (6, 4) 、 (6, 6) 、 (6, 8) 7组投资组合通过了1%的双尾检验。结果明显好过之前石江伟 (2007) 的研究结果, 和张华 (2006) 的结论相近。形成期到了12周之后, 显著性明显开始下降, 也和张华 (2006) 之前的结论相同。

4、超额收益随着持有期的延长, 呈现出先增加后减少的趋势, 一般在第6周或者第8周达到最高, 然后开始衰减。

超额收益和形成期之间的关系略微复杂一些, 总体还是先增加后减少, 但是具体对应的高点阶段会随着形成期的变化而变化。

(二) 行业动量效应投资策略实证检验

我们仍然采用前面构建零成本自融资投资组合的投资策略来检验实际投资效果, 但加入了交易费用的设定。然后, 考虑到卖空限制, 通过只买入赢家组合的方式来检验实际投资效果。

1、零成本自融资投资组合策略

时间是从2001年1月至2009年12月, 交易策略和前面一样, 买入涨幅最高的行业做为赢家组合, 同时卖出跌幅最多的行业构建输家组合, 交易费用设定为0.2%。形成期和持有期选择IM超额收益最大的 (6, 8) 组合。

从实证结果可以看出, 零成本自融资投资组合的远远跑赢了WIND全A指数, 2001年-2009年累计超额收益为621.2%, 说明我国股市中行业动量效应的超额收益是相当明显的。

分阶段来看, 2005年8月-2007年10月的一轮大牛市贡献了最多的超额收益, 约占全部超额收益的78%。这也符合前面的结论, 牛市的行业动量效应更加明显。从分阶段结果可以发现, 行业动量无论是在熊市还是在牛市都可以获得正的超额收益, 但是在熊市阶段跌幅也明显较大。

2、只买入赢家组合的交易策略

由于我国市场存在卖空机制的限制, 所以只能通过买入赢家组合来获得行业动量效应所带来的收益。这里只计算买入赢家组合的累积超额收益, 持有期和形成期为组合 (6, 4) 。交易成本为0.2%。

从实证结果可以看出, 即使考虑到卖空限制, 只买入赢家组合依然能获得明显的超额收益, 2001年-2009年累计超额收益率为237.9%。

从分阶段结果可以看出, 超额收益最大的阶段依然为牛市, 2005年8月-2007年10月的牛市超额收益为93.4%, 约占全部超额收益的39%。此外, 2008年11月-2009年12月只买入赢家组合的投资策略超额收益率超过了买入赢家组合同时卖出输家组合所构建零成本自融资组合的超额收益, 这说明了在这一阶段输家组合开始呈现反转效应。

(三) 相关案例

近几年, 由于金融工程在我国学术界和实务界的迅速发展, 很多机构也纷纷推出了基于量化投资策略的产品, 例如国泰君安资产管理公司发行了多款理财产品, 其中较多的运用了量化选股的思路, 并在其产品说明中的投资策略里明确提到会把动量因子做为重要的参考因素, 但由于其模型的驱动因素较多, 无法单独衡量加入动量因子对投资组合业绩的贡献。此外, 由于具体的投资策略牵涉到了相关投资机构的商业机密, 也无法获取其直接的相关投资模型, 只能从侧面加以参考。

财通基金发行了一份名为财通价值动量的产品, 在其招募说明书, 我们可以看到如下描述:“在非完全有效市场中, 本基金将通过追踪大类资产、行业和个股的动量特征, 把握价格围绕价值中枢波动、动量特征等运行规律, 动态调整投资组合。”不难看出, 该基金对动量投资策略非常重视。

观察其业绩也可以发现, 该基金自从发行以来的收益率明显高于同期沪深300指数和上证指数。截至2012年4月6日, 今年业绩排名在同类159名基金中排14位, 取得了相当好的业绩。虽然不能证明其超额收益和动量投资策略之间的直接关系, 但是也可以从侧面说明动量投资策略运用得当是可以带来超额收益的。

四、结论

本文结论如下:

(一) 我国股市短中期存在明显的行业动量效应, 长期会出现反转效应。

之前的研究大多支持短期存在行业动量效应, 但没有指出过中期6周左右也存在。且行业动量效应的显著性也较为明显。

(二) 通过对行业动量实际交易策略的实证检验, 结果表

明行业动量效应投资策略可以获得明显的超额收益, 即使考虑到交易费用和卖空限制, 只买入赢家组合的投资策略依然可以获得较高的超额收益。这说明行业动量投资策略具有明显的实际操作意义。通过案例分析, 也可以从侧面证明动量投资策略的有效性。

由于论文写作时间和个人研究水平的局限, 本文还存在较多的不足之处, 对动量现象的成因机制和投资策略还有很多地方可以进一步深入研究。例如本文检验了行业动量投资策略的在实际中的操作效果, 也通过案例分析从侧面进行了证明。但建立的投资策略模型较为简单, 未来的研究可以在本文的基础上, 对包含行业动量因子的投资策略进行更加深入的研究。

摘要：动量效应是行为金融研究的一个热点问题, 并且对投资者也是一种主动管理的投资方式。本文根据申银万国研究所制定的一级行业分类指数, 从行业动量的角度对2001年-2009年的中国股市进行了研究。研究结果表明, 中国股市在短中期存在明显的行业动量效应, 其中部分投资组合能获得显著的超额收益, 具有较强的投资参考意义。并且, 本文通过对行业动量实际交易策略进行实证检验, 结果表明行业动量效应投资策略可以获得明显的超额收益, 即使考虑到交易费用和卖空限制, 只买入赢家组合的投资策略依然可以获得较高的超额收益。

关键词：动量效应,行业动量,行为金融,投资策略

参考文献

[1]Lewllen, Momentum and autocorrelation in stock returns[J].The Review of Finnancial Studies15 (2) , 2002, 533-563

[2]Moskowitz Tobias J.and Makr Grinblatt, 1999, Do industries explain momentum?[J].Journal of Finance 54, 2000, 1249-1290

[3]Swinkels, L., 2002, International industry momentum[J].Journal of Asset Management3, 2000, 124-141

[4]杜敏杰, 林寅.行业动量盈利性分析[J].经济与管理研究, 2005 (1) :45-48

[5]樊澎涛.中国股市的行业动量交易策略研究[D].重庆大学硕士学位论文, 2006

中国股市季节效应研究篇3

法玛 (Fama) 在1965年提出有效市场假说 (EMH) , 认为价格服从随机游走过程, 没有人能够利用公开信息持续的获取超额回报。然而国内外的大量研究文献研究发现, 大多数国家的股票市场上存在小公司效应、市盈率效应、一月份效应、周一效应、周五效应、节日效应等在内的市场异常现象, 这些异常现象的存在意味着投资者可以通过运用某些特定的投资策略而获得超额的收益。

就上述异常的现象, 本文将特别针对中国股票市场的月份效应和法定假日进行检验, 即验证中国股票市场上某个特定的月份和特定的法定假日是否具有超额的回报, 即验证法定假日的前后是否存在着超额的回报。虽然已经有一些论文做了相关性的研究, 但其采用的数据都比较的老, 随着中国股票市场股权分置改革完成以后以及机构投资者的不断引入导致市场结构发生变化, 我们认为有必要重新对股票市场的月份效应和节日效应进行检验。

二、研究方法和数据

本文研究使用的数据为1997年1月1日至2010年3月31日期间上证综合指数每日的日收益率。

(一) 相关检验

1. 序列平稳性检验

首先运用ADF检验每日收益率的序列是否平稳, 以决定是否需要差分, 检验结果如下:

由P值知, 拒绝单位根原假设, 该序列是一个平稳序列。

2. 序列相关性检验

借助Q统计量、自相关系数和偏自相关系数图, 对序列进行相关和自相关检验, 发现每日收益率序列不存在自相关性关系。如图1所示:

(二) 月份效应检验

由于采用普通最小二乘法 (OLS) 进行分析时, 残差异方差的存在, 因此使用以下GARCH模型来检验中国股票市场上是否存在月份效应:

其中, 为上证综合指数每日的收益率, 为一年中月份的虚拟变量, =1, 2, …, 12。例如如果所观察的收益率为1月份某日的收益率, 则取=1, 其它的=0。代表的是一年中第个月的日平均收益率。为条件方差, 并且对误差项采取广义误差分布 (GED) 的假设, 可以解决时间序列存在的“尖峰厚尾”问题。

通过GARCH模型检验各月的平均收益率, 回归得到表2的结果:

从上表中我们发现1月份的日平均收益率为0.2194%, 是最大值, 且Z检验显著。表明中国市场也同国外市场一样具有显著的一月效应。要验证1月份异常收益的存在, 我们用下面的模型进行检验:

其中表示一年中第3个月的日平均收益率, 而其它的, 代表1月份的平均收益与其它各月份的日平均收益之差。该模型用于检验1月份的日平均收益是否显著。如果所有的参数在统计上不同时为零, 那么就表明存在显著的“1月份效应”。

通过表3的回归检验结果知, 不可能同时为零, 例如显著不为零。因此, 中国股票市场上存在一月效应, 即一月份的平均收益率比一年中其它任何月份的

平均收益率要高的多。

(三) 节日效应检验

我国法定的节假日休市的时间比较长, 因此我们将研究法定假日前后三天股市的表现,

研究节假日的存在能否获得超额的收益。

同样我们使用以下的GARCH模型来检验中国股票市场上是否存在节假日效应:

为上证综合指数每日的收益率, 为虚拟变量、分别表示节前的第三天、第二天、第一天, 节后的第一天、第二天、第三天。例如如果观察的收益率为节假日前3天的收益率, 则=1, 其它的取零。其他的取值方法同理。为残差项, 为条件方差。

从表4中知, 上证综合指数在样本期间日平均收益为0.053%, 而春节前的第二天和春节后的第一天日收益率为1.09%和1.06%, 分别是样本期间日平均收益的21倍和20倍。另外, 劳动节前后一天也与所有交易日的日平均收益率有显著的差异, 节前一天收益率达到1.1%, 节后收益率为0.9%。而在其他节假日中, 我们发现节前、节后存在高于日平均收益的现象。通过上述的GARCH模型通过回归, 得到下表:

通过上述的GARCH模型通过回归, 得到下表:

如春节节前第一天日收益率为1.02%, 节后第一天、第三天日收益率分别达到0.95%和1.18%, 且它们都通过显著性检验, 说明春节前后存在超额回报的现象非常明显。同样, 在其它节日前后几天中, 也存在日收益率的异常, 并部分通过5%显著性水平的检验。 (四) 月份效应和节假日效应的解释

(四) 月份效应和节假日效应的解释

目前, 针对月份效应和节假日效应, 国内外学者从各个不同的方面给出了一些解释。就一月效应而言, 有些学者从公司行为上解释认为, 公司在年底需要进行年末决算, 因此从股市抽回资金, 造成股市收益率的下降, 而决算完成之后这部分资金又回流到股市引起一月的收益率提高;还有些学者赋税的角度上分析, 认为基金的管理者在年底抛售全年表现不佳的股票, 从而使税负降到最低。而针对于节假日效应, 部分学者从央行的货币政策上进行解释, 特别是对于春节, 由于春节期间居民的流动性需求增加, 央行会增加向市场投放的货币, 资金的供给增加, 引起股市的收益率上升。还有学者从行为金融学的角度解释, 认为节日来临时, 投资者的情绪更加的积极乐观, 对风险的承受能力增加, 会增加对股票这类风险性资产的持有, 因此引起股市日收益率的上升。

三、结论

通过上述的检验, 我们发现我国A股市场也同国外市场一样, 存在显著的正一月效应和节假日效应, 这意味着投资者可以凭借这些策略来获得超额收益, 其中劳动节前两天和后一天的收益率高达2.5%, 收益率非常可观, 而春节前两天和后一天的收益率为2.8%, 节假日效应也很明显。

摘要：本文利用上证综合指数每日收益率的数据, 使用虚拟变量和GARCH模型对中国股市月份效应和节日效应进行检验, 发现中国股市一月效应和春节效应非常显著, 投资者可以利用这些市场异常现象获取超额收益。最后本文对市场异常现象做一些简单的解释。

中国股市季节效应研究篇4

随着改革开放的不断深入和经济的不断发展，中国股票市场在各方面都取得了迅速的发展，其在国民经济成长中的支持和辅助作用日益形成，分析和研究中国股票市场的发展规律，对于实现中国金融市场的持续健康、稳定发展具有重要的现实意义。股票市场波动具有非对称性的特征：同等程度的“利好消息”与“利空消息”对股票市场的影响程度不同。Black (1976) 最先提出了股市波动的“杠杆效应”：股价波动率对市场下跌的反应比对市场上升的反应更加迅速。杠杆效应是对股市非对称性形成机制的一种很好解释，并在此后在世界各国的股票市场得到了证实。对我国股市波动杠杆效应的研究，不仅为货币金融政策的制定提供指导意义，而且也有助于中国股市更好地融入世界经济之中。近年来频繁爆发的金融危机为研究开放经济下中国股市波动的杠杆效应提出了现实要求。

一、文献综述

Black (1976) 最先发现了股市波动的杠杆效应，在此后的研究中，这种由杠杆效应所产生的股市波动的非对称性在美国等一些国家得到了证实。Koutmos、Booth (1995)在研究日本、伦敦和纽约股票市场之间的波动传导机制时，发现收益波动存在潜在的非对称性;Koutmos (1996) 研究发现欧洲各国股票收益波动也存在非对称性。

国内对股市波动的非对称性和杠杆效应的研究起步较晚。国内学者的实证分析都认为我国股票市场的价格波动存在着不对称性，但学者对于是否存在杠杆效应依然存在比较大的争议。

（一）中国股市波动存在显著的“杠杆效应”

胡永宏、陆忠华(2005)运用EGARCH模型对沪深股市的杠杆效应进行了实证分析，结果表明，日收益存在着明显的杠杆效应;闫涛、孙涛(2009)通过对我国上海股票市场建立ARCH、TARCH、EGARCH模型进行实证检验分析，得出上海股票市场的波动具有非对称性和杠杆效应，坏消息会导致比好消息更大波动性的结论。

（二）中国股市波动不存在显著的“杠杆效应”

文忠桥、冯德海(2010)通过实证分析发现，我国股市股票价格指数的波动存在非对称效应，并且在2006年1月4日至2008年3月12日这段时间内，“利好消息”对股票价格指数的冲击要大于“利空消息”，即存在“反杠杆效应”，而在2008年10月15日至2009年9月15日这段时间内，“利空消息”对股票价格指数的冲击要大于“利好消息”对股票价格指数的冲击，即存在“杠杆效应”。

（三）中国股市波动存在“反杠杆效应”

陈芳平、岳宏远(2008)运用非对称ARCH族模型对两轮牛市作了非对称性定量的比较分析，发现沪市均呈现出“反杠杆效应”，即“利好消息”对股票价格指数的冲击要大于“利空消息”;雷钧(2008)通过运用非对称的TARCH及EGARCH模型，对我国沪市股票价格的非对称效应做出实证分析，发现“利好消息”对股指所产生的波动要大于等量“利空消息”所产生的波动。

造成不同学者对与研究得出不同甚至截然相反的结论可能有很多种原因，比如说所选数据的不同以及在模型运用中的其他问题。(朱灿，2011)

二、变量选择及指标设定

本文采用大多文献的常规做法，即选取上海沪市日收盘指数的自然对数序列作为研究对象，以收益的条件方差度量动态风险，时间区间选择为2001年12月11日至2011年12月16日，即中国“入世”十年，共2427个数据(数据来源：金翼赢家智信版软件)。之所以这样选择变量和指标，是基于以下的考虑：

(1)沪市开市早、市值高，对于各种冲击的反应也比较敏感，选择沪市收盘指数作为研究对象更能反映中国股市波动的情况，具有一定的代表性;

(2)由于在金融市场中，信息是连续地影响着证券市场价格的变化，所以高频数据比低频数据包含有更多的信息;

(3)对沪市日收盘指数取自然对数是为了减少误差;

(4)选择中国“入世”十年数据是由于中国“入世”之后中国才真正步入国际化，中国股市才真正走入国际经济之中。所以中国“入世”十年的数据才能真正反映开放经济下中国股市的波动情况。

三、实证分析

（一）稳定性检验和ARCH检验

假设序列{Pt}是2001年12月11日至2011年12月16日沪市日收盘指数，序列{yt}代表取自然对数后的沪市日收盘指数，即yt=lnPt。由于股票收盘指数常常表现出随即游走的单位根过程，所以先建立下面的基本模型形式：

利用OLS估计上式，得到结果：

这个方程的拟合效果是很好的，而且各项统计量都比较显著。通过对残差进行单位根检验(结果见图1)，可以看出在1%的显著性水平下拒绝原假设，接受不存在单位根的备选假设，即残差序列是平稳序列。

通过观察回归方程的残差图(见图2)，我们发现残差的波动具有明显的“成群聚堆”现象，说明回归方程的误差项很可能具有条件异方差性。

因此，需要对模型进行ARCH检验。

图3给出了滞后阶数p=2时的ARCH LM检验结果，从中可以看出，不管是F统计量还是T×R2统计量，p值均为0，所以显著拒绝不存在ARCH效应的原假设，接受具有ARCH效应的备选假设。

从以上的分析可以看出，可以运用ARCH模型对上面的基本模型进行改进。

（二）非对称的ARCH模型估计结果及分析

本文利用2001年12月11日至2011年12月16日沪市日收盘指数的自然对数序列{yt}，分别建立TARCH模型和EGARCH模型进行估计，估计结果如下：

(1) TARCH模型估计结果

(2) EGARCH模型估计结果

（三）非对称的信息冲击曲线

图4是基于EGARCH模型估计结果而绘制出的非对称的信息冲击曲线。

（四）结果分析

首先，在TARCH模型中，杠杆效应项的系数为γ=0.0416，显著大于0，这说明我国股市的波动具有显著的“杠杆效应”：“利空消息”对股票收盘指数的冲击要大于“利好消息”对股票收盘指数的冲击。当“利好消息”出现时，ut-1>0, dt-1=0，所以该冲击只对股票收盘指数带来一个α=0.0543倍的冲击，而当“利空消息”出现时，ut-1<0, dt-1=1，则这个“利空消息”会带来一个倍的冲击。所以，等量的“利空消息”比“利好消息”产生更大的波动。

杠杆效应在EGARCH模型中也得到佐证。在EGARCH模型中，当“利好消息”(ut-1>0)时，该信息冲击对条件方差的对数有一个α+γ=0.1594+ (-0.0236) =0.1358倍的冲击;当“利空消息”(ut-1<0)时，该信息冲击对条件方差的对数有一个α+γ× (-1) =0.1594+ (-0.0236) × (-1) =0.183倍的冲击。

从非对称的信息冲击曲线中我们也可以清晰地看到，当受到负冲击时曲线较陡峭，而当受到正冲击时曲线较平缓，进一步证明杠杆效应的存在。

四、政策建议

以上的实证分析得出，“入世”以来中国股市的波动具有十分显著的“杠杆效应”，即等量的“利空消息”要比等量的“利好消息”产生更大的波动性。基于此事实，本文提出以下两点建议：

(1)由于“杠杆效应”的存在，股市非对称性的效果是使得波动加大，这对于起步较晚、发展不完善的我国股市是极为不利的，而且在开放经济下，这种“杠杆效应”也不利于国外资金向中国的流动。加强股市信息的披露，以使人们面对“利空消息”能形成理性预期，可以在一定程度上减轻杠杆效应所带来的不利波动。所以，信息公开和披露制度建设应该摆在政策制定者的头条。

(2)“杠杆效应”限制了“利好消息”的波动反馈效应，所以“利好消息”对股市的刺激作用还有待于其它市场干预的积极配合。要积极加强建设股票市场和其它市场的联动机制，以放大“利好消息”对股市的积极刺激作用。

参考文献

[111][1]John Y Campbell, Andrew W Lo, A Craig Mackinlay.The econometrics of Financial Markets[C].Princeton University Press, Princeton New Jersey, 1997.

[2]Tim Bollerslev, Ray Y Chou, Kenneth F Kroner.ARCH Modeling in finance[J].Journal of Econometrics, 1992.

[3]Koutmos, G.Modeling the Dynamic Interdependence of Major European Stock Market[J].Journal of Business Finance and Accounting, 1996.

[4]陆蓉, 徐龙炳.牛市和熊市对信息的不平衡性反应研究[J].经济研究, 2004 (03) .

[5]陈浪南, 黄杰鲲.中国股票市场波动非对称性的实证研究[J].金融研究, 2002 (05) .

[6]唐齐鸣, 陈健.中国股市的ARCH效应分析[J].世界经济, 2001 (03) .

中国股市季节效应研究篇5

中国股票交易市场建立至今, 股市的大起大落似乎成为一种常态。特别是近几年, 随着我国股票市场股权分置改革的逐步完成, 上证综指从2005年到2007年涨幅为513.49%。2007年股票交易印花税从1‰调至3‰后5个交易日, 上证综指跌幅为21.49%, 市场波动幅度之大, 在全球股市中也是少见的。2007年10月到2008年6月, 次贷危机源头的美国标准普尔指数总跌幅不过11%, 英国金融时报100指数下跌幅度不到8%;同样是新兴市场的俄罗斯RTS指数下跌了15%, 印度孟买SENSEX30指数下跌了12%, 巴西圣保罗交易所指数只下跌不到8%。鉴于中国股市这一特殊性, 研究其波动特征便具有重要的现实意义。目前关于中国股票市场波动性的文献, 基本上是围绕股权分置改革以前进行的研究, 涉及到股权分置改革以后的研究较少。特别是缺乏对从2005年6月6日跌至最低点后指数反转向上到2007年10月16日达到最高点再反转向下至今这段时间的研究。因此, 本文选取2005年6月6日至2008年8月l日的上证综指日度收盘数据作为样本, 来分析这段时间内我国股票市场的波动性特征, 具体包括波动的程度和波动的非对称效应两个方面的内容。

二、文献综述

(一) 国外文献

股票市场波动性一直受到理论界和实务界的极大关注。Black (1976) 发现了股价波动具有明显的非对称效应, 即未预期的价格下降和未预期的价格上升对波动率的影响是非对称的。Christie (1982) 指出对于股价反向冲击所产生的波动性, 大于等量正向冲击产生的波动性。Nelson (1991) 提出了EGARCH (指数GARCH) 模型, 描述了股票市场波动的非对称效应。Campell和Hentschel (1992) 提出了波动反馈效应, 认为“利好”消息连续出现的可能将增大股票价格的未来波动, 这反过来会提高投资者对股票的预期回报, 降低股票价格, 削弱“利好”消息对股价波动的正向效应。反之, “利空”消息的冲击, 引起股价下跌, 与会降低股票价格效应相叠加, 增加了“利空”消息对股价波动的负向效应。Koutmos和Booth (1995) 在研究日本、伦敦和纽约股票市场之间的波动传导机制时, 发现收益波动存在潜在的非对称性。Koutmos (1996) 发现欧洲各国主要股票常见股价指数报酬率波动也存在不对称的特性。

(二) 国内文献

陈泽中等 (2000) 使用GARCH模型对1997年1月5日至1999年12月30日的上证综指与深证成指日收盘数据分析后指出了我国深市比沪市波动更为剧烈。陈泽忠、杨启智与胡金泉 (2000) 运用EGARCH-M模型对1997年1月2日至1999年12月30日的上证综指与深证成指的日收盘数据进行了实证分析, 但是结论与国外却相反, 即正冲击对条件方差的影响要大于负冲击的影响。唐齐鸣与陈健 (2001) 通过EGARCH-t模型对上证综指与深证成指在1993年1月4日至2000年4月7日之间的每日收盘数据进行了实证分析, 结果表明非对称效应与国外相同, 即负冲击所带来的波动性更大, 但t不显著。陈浪南和黄杰鲲 (2002) 指出我国股市自1993年至2001年存在波动的非对称效应, 坏消息对未来波动率的影响更大, 仅在1993年至1997年间存在反向的波动非对称性。曹剑和刘璐 (2006) 对我国2000年至2006年上证综指日收盘数据采用EGARCH模型分析, 指出我国股票市场确实存在波动的非对称性、集群性以及持续性。周学农和彭丹 (2007) 将1997年至2005年间上证综合指数按照时间段分为两个子样本, 采用GARCH和EGARCH模型研究发现, 在大力发展机构投资者后, 股指收益率波动性减少, 波动的非对称效应也在减弱。

三、研究设计

(一) 研究模型

本文采用GARCH (广义自回归条件异方差) 模型与EGARCH (指数GARCH) 模型对中国股票市场的波动性进行实证研究。GARCH (1, 1) 模型为:yt=xt'λ+ut (均值方程) ;σt2=α0+αu2t-1+βσ2t-1 (条件方差方程) 。其中, α0>0, α和β均大于或等于0。EGARCH模型就是将上述条件方差方程变为: 。其中, α是ARCH效应系数, 衡量过去期间内关于波动性的信息对当期波动性的效应。γ是杠杆效应系数, 如果为负值, 意味着负面消息对股价波动性的影响比正面消息更大。ARCH和杠杆效应系数之和意味着冲击对股指波动的影响程度。

(二) 样本选取和数据来源

本文选取上证综指作为我国股票市场的代表, 以2005年6月6日至2008年8月l日的上证综指的每日收盘数据作为样本进行实证检验。而从大的阶段特征来看, 从2005年6月6日跌至最低点后指数重新启动到2007年10月16日达到最高点是第一个阶段, 而从2007年10月17日至2008年8月1日则是另一个阶段。据此, 首先将所有数据分为全样本 (ALLSZ) 、子样本1 (SZPART1) 、子样本2 (SZPART2) 。在本文中, 所有数据取自然对数后进入计算, 分别以LALLSZ、LSZPART1、LSZPART2表示。

四、实证结果分析

(一) 股价序列建立随机游走模型ADF检验

本文对全样本股价序列建立随机游走模型:Lallsz=Lallsz (-1) +ε做ADF检验, 结果显示 (表2) 残差序列是平稳序列。进一步的ARCH—LM检验结果显示:序列存在高阶ARCH效应。因此, 需要引入GARCH或EGARCH模型来刻画各指数的波动性特征。

(二) 波动性的数量特征

利用GARCH (1, 1) 模型对各组样本进行估计后, 得到各组样本条件方差的统计特征, 见 (表3) 。 (表3) 表明了这三组样本的波动性水平。从均值来看, 股市在2007年10月16日达到最高点下降过程中, 波动水平比前期上涨过程中的波动水平要大 (11662.66>8284.46) , 同时比整个阶段的波动性水平也要大 (11662.66>9844.13) 。由 (表4) 可见, 在不同阶段, α+β的值是不同的, 根据GARCH (1, 1) 模型的原理, α+β<1的结果说明该阶段指数具有有限方差, 即属于弱平稳过程。同时, 它表明波动最终会衰减。如果它大于1, 那么波动产生的影响是持久的, 不会衰减。因此, 从波动的影响力看, 全样本以及子样本1期间外生冲击对波动产生的影响是持久的, 并趋于发散;子样本2期间则属于弱平稳过程, 表明外生冲击对波动产生的影响趋于收敛, 最终会衰减。

说明:“*”表示在1%水平显著

说明:“*”表示在1%的概率水平下显著

(三) 波动性的杠杆效应

在上述结果的基础上, 使用EGARCH模型说明这段时间内股市波动的非对称效应。EGARCH模型与GARCH模型最大的不同在于EGARCH不仅刻画了波动的条件方差, 还很好地描述了投资者对负面信息与正面信息的不同反应, 下文着重分析不同阶段股市波动的杠杆效应特征的变化。为了得到可做参照的结论, 将子样本1中再单独拿出一个时间段 (2006年1月4日至于2007年5月30日) 作为子样本3 (SZPART3, 取自然对数后为LSZPART3) , 之所以将这个阶段单独拿出来分析, 是因为股指在经过前期几个月的低位徘徊后, 从2006年初开始正式进入平稳上涨行情, 而2007年5月30日这一天国家出台政策将证券交易印花税从1‰调至3‰, 其后5个交易日沪综指下跌931点, 跌幅为21.49%。可以说, 子样本3这个区间内的股指基本上是一个不受干扰的纯粹上涨行情。从 (表5) 可以看出, 在全样本时间范围内上证综指确实存在非对称性的“杠杆效应”, 而且负面消息对股价波动性的影响比正面消息更大, 这与大量的国际经验是相一致的。但如果分阶段来看, 情况却不是如此简单。其中子样本2和子样本3的γ>0, 表明在这两段时间范围内正面消息对股价波动性的影响比负面消息更大, 而这两段时间恰恰都有一个共同的特征见 (图1) 和 (图2) :单边行情。只不过一个是单边下跌, 一个是单边上涨。因此, 从波动的非对称性看, 全样本时间范围内上证综指确实存在非对称性的“杠杆效应”, 而且负面消息对股价波动性的影响比正面消息更大, 这与大量的国际经验是相一致的。但在子样本2和子样本3这两段时间范围内正面消息对股价波动性的影响比负面消息更大。

综上所述, 本文认为从2005年6月6日至2008年8月l日这段时间内上证综指的波动具有典型的阶段性特征, 其中在子样本2和子样本3两个单边行情中具有特别值得注意和思考的特点。

五、结论与政策建议

(一) 研究结论

根据上述实证检验的结果, 可以得到以下结论:第一, 在样本区间内中国股市经历了少有的大起大落行情, 起伏的剧烈不仅从直观的股指数据上得到反映, 更为精密的实证模型也印证了这一点。整个期间股指的波动对外生冲击都非常敏感, 换句话说, 一点风吹草动都会带来行情的大幅波动, 而且影响时间还非常持久。从这点看, 中国股市还很不成熟和稳健。第二, 在这个形似过山车的行情里, 股市在2007年10月16日之后的下跌过程中波动性更大, 这可以结合这期间的一些政策来观察。2008年以来, 随着A股市场持续调整, 市场观望气氛愈加浓厚, 管理层欲借新基金发行吸引新资金入场提升人气的意图也非常明显, 从年初以来获批的新基金数量已经达到65只。特别是进入到4月份, 随着市场重心不断下移, 新基金的审批速度也不断加快, 当月共新批12只基金, 成为2008年以来新基金发行最密集的时期;6月份以来共新发行和成立29只基金, 其中偏股型基金26只。而2007年全年一共才有38只新基金获批发行。本来管理层的意图是想借这些机构投资者稳定市场, 但从本文的实证结果看, 这段时间却是市场最不稳定的时候。对于机构投资者是否能够起到稳定市场的作用, 一直处于争论之中, 本文的实证结果或许可以提供另外一个视角。第三, 在两个单边行情中, 正面消息对股价波动性的影响比负面消息更大, 这是一个相当有现实意义的结论。单边上涨阶段, 正是我国股票市场结束了长达3年的“熊市”, 渐渐步入“牛市”之际, 随之而来的还有投资者的热情。这种热情在股票市场中的表现就是强大的“做多”力量, 这种做多力量忽略了市场中与生俱来的风险。当投资者沉浸于股市繁荣所带来的超额收益时, 对“利空消息”并不敏感, 甚至以“利空出尽是利好”来掩盖隐藏的风险。当市场有“利好消息”时, 由于投资者的“过度热情”, 这种“利好”的作用被放大, 导致股指出现更大波动。而在单边下跌阶段, 形势发生逆转, 投资者行为完全相反, 急于减持。尽管管理层多次出面给市场吹暖风, 但每一次利好, 只是给了大量的“庄家”和机构投资者出货的机会带来短暂的反弹, 随后则带来更加惨烈的下跌。这一涨一跌中投资者的表现和所谓的价值投资相去甚远。当去年股指还站在5000点上方的时候, 基金经理们毫无理性地唱多、看多, 而今年股指跌到3000点的时候, 仍在大力砸盘。天相统计数据显示, 从2007年第四季度开始, 基金就已经主动减仓, 2008年上半年则一直在加速减仓, 仓位从年初的78.42下降至6月末的70.54%。中国保监会日前公布的数据显示, 保险公司投资股票的资金由一季度的3477.9亿元减少到2905.4亿元, 减少了572.5亿元。综合以上观点, 本文认为这轮大起大落行情的波动特征充分反映了我国股市的脆弱, 投资行为中的“羊群效应”仍然很明显, 关键时刻, 机构投资者也没能担负起稳定市场的大任, 相反还凭借自己的专业素养和信息优势对市场大势起到推波助澜的作用。这些都表明, 虽然经过股改部分解决了困扰资本市场发展的重大问题, 但解决的还很不彻底, 遗留问题已经在发挥巨大的负面影响, 其他的考验仍然层出不穷。

(二) 政策建议

面对这一复杂局面, 管理层不能仅仅依靠一两个利好救市, 而应下大力气推动制度变革, 彻底解决股市运行中的深层次问题:第一, 采取积极措施, 改善市场预期, 推进市场信心的转变。股市的发展离不开投资者信心的恢复和重振。很难想象, 一个信心丧失殆尽的市场, 会有怎样的发展前途。而要扭转投资者信心, 防止非理性暴跌和财富缩水对实体经济产生冲击, 有关方面必须整肃市场, 严厉打击各种伤害投资者信心的违法违规行为, 强化信息披露、提高上市公司透明度、加强上市公司并购行为监管、增强股价异动的敏感性监控等。特别是当市场因过度悲观造成信心崩溃时, 有关方面应果断表明态度, 并切实采取增强投资者信心的一篮子救市举措。如果这时政策面态度暧昧, 既不宣示, 也不澄清往往会带来更大程度的波动。以美国为例, 虽然一直号称是自由市场经济体制, 但次贷问题发生后, 美联储、财政部、证券交易委员会等相关部门迅速采取各项措施稳定市场, 并最终通过了总额高达7000亿美元的救市方案。第二, 努力实现股市的融资功能向投资功能的转变。股票市场不应仅仅是企业的融资场所, 更应是民众分享经济增长成果、增加财产性收入的重要投资领域。无视市场承受力而过分强调市场融资功能, 一味听任企业过分地从股市疯狂抽血, 不注重上市公司的分红回报, 不提高上市公司的长期投资价值, 股市不仅会沦为上市公司的提款机, 还会变身为投机资金的乐园。在这样的市场中, 无论是散户还是曾经被管理层给予厚望的机构投资者都无法起到真正稳定市场的作用, 因为长期投资永远无法获得短线炒作带来的回报, 这样的市场不仅会助长市场的投机, 也与中国资本市场的发展方向背道而驰。第三, 采取有效措施, 保护投资者特别是中小投资者权益, 坚决打击内幕交易和市场操纵行为。大股东在决策和获取信息上占据优势, 其参与内幕交易套利可能性在加大。并且随着市场结构的变化, 机构投资者的地位和影响不断上升, 上市公司选择性信息披露的现象将非常突出, 大股东与机构投资者合谋进行市场操纵和利益输送的可能性也在增加。在融资融券制度的实施和其他金融衍生工具的推出之后, 上市公司大股东内幕交易的手法还将更具多样性和隐蔽性。在这一背景下, 管理层更应该采取有效措施, 保护中小投资者的合法权益。第四, 积极稳妥地推进证券市场创新。我国目前的股票市场上没有引入做空机制。这意味着所有的市场参与者只能通过“低买高卖”才能赚取利润, 这使得我国的股票市场经常出现单边市场。机构可能为了获取利润抬拉股价, 使股价严重偏离其合理价格, 而卖空机制的引入可以有效纠正这种价格的偏离, 因此卖空机制以及金融衍生品的发展可以促进金融系统功能完善, 进而稳定市场。

摘要：本文选取了2005年6月6日至2008年8月l日的上证综指日度收盘数据为样本, 使用GARCH和EGARCH模型实证检验了这段时间内我国股票市场的波动程度和波动的非对称效应。结果发现:该期间以上证综指为代表的股票市场的波动具有典型的阶段性特征, 股市在2007年以来的大幅下跌过程中, 波动水平比前期上涨过程中要大, 同时比整个阶段的波动性水平也要大。全样本时间范围内上证综指确实存在非对称性的“杠杆效应”, 负面消息对股价波动性的影响比正面消息更大, 但在其中两个时间段内正面消息的影响却比负面消息更大, 而这两个时间段都属于单边行情。

关键词：上证综指,波动,GARCH模型,EGARCH模型

参考文献

[1]易丹辉:《数据分析与Eviews应用》, 中国统计出版社2002年版。

[2]陈泽忠、杨启智、胡金泉:《中国股票市场的波动性研究:EGARCH—M模型的应用》, 《决策借鉴》2O00年第5期。

[3]唐齐鸣、陈健:《中国股市的ARCH效应分析》, 《世界经济》2002年第3期。

[4]陈浪南、黄杰鲲:《中国股票市场波动非对称性的实证研究》, 《金融研究》2002年第5期。

[5]曹剑、刘璐:《我国深沪股票市场波动的对比分析》, 《浙江金融》2006年第5期。

[6]周学农、彭丹:《机构投资者对中国股市波动性影响的实证研究》, 《系统工程》2007年第12期。

[7]雷钧:《我国沪市股票价格波动非对称性分析》, 《金融发展研究》2008年第3期。

[8]Campell J Hentschel L.No News is good news:Asymmetric model of changing volatility in stock returns.Princeton University npublished Manuscript, 1992.

中国股市季节效应研究篇6

经过大量的实证研究和经验数据表明, 证券市场中确实存在无法用有效市场理论和现有定价模型来解释的异常现象, 诸如封闭式基金折价现象、日历效应、小公司效应等。“节前效应”是近年来最受关注的市场异象之一, 它是指证券市场上节日前交易日的平均收益率与其他交易日平均收益率相比存在超额收益的现象, 即当日对金融市场波动产生了一定的影响。这一市场异象首先由Fields在美国股市中发现, 随即引起了广泛的研究, 并在各国的股票市场中得到证实。

众多市场异象在对传统金融理论和“理性人”假设造成冲击的同时, 也推动了经济学的发展, 行为金融学就是在实证探讨和解释金融市场“异象”的基础上发展起来的。

国内对“节前效应”的研究虽然取得了较为丰硕的研究成果, 但是由于起步较晚, 研究成果并不全面。首先, 以往的研究仅仅就这一效应是否存在进行验证, 并未对其发展规律做出深入分析, 而且对“节前效应”的实证检验有的采用节日当天, 有的采用节前一、二天的数据, 界定标准不一。其次, 缺乏对特定节日效应的研究, 仅有的“春节效应”的文献也因缺乏数据支持而难以具有说服力。最后, 对“节前效应”产生原因方面的研究较少, 缺乏定量研究。因此, 本文针对“春节”这一在中国最具广泛影响力的节日, 在回顾已有研究成果的基础上, 从行为金融学角度对“春节效应”进行明确界定, 随后应用主成分分析法构建投资者情绪综合指标, 并建立面板数据模型, 并从行业层面实证检验投资者情绪对此市场异象的解释。

二、文献综述与研究现状

学术界对“节前效应”的研究主要分为两个方向:一是应用各国股市经验数据, 对节前是否存在超额收益现象进行实证检验;二是对节前效应产生的原因进行研究, 在提出不同假设进行解释的同时应用经验数据进行验证。

国外对“节前效应”的研究已经相当成熟, 并形成了大量的研究成果。在Fields之后, 不同学者从多个角度对欧美股票市场的这一市场异象进行验证, 几乎都得出了与之相同的结论。

Fosback、Lakonishok和Smidt、Fabozzi等分别采用S&P500指数、道琼斯工业指数和期货市场数据对美国证券市场的“节前效应”进行研究, 均得出了节前平均收益率比其他交易日平均收益率要高的结论。Barone、Ziemba、Arsad、Paul分别在意大利、日本、英国和香港股市中也证实了这一发现。

国内对“节前效应”的研究起步较晚, 但也形成了一定的研究成果。仪垂林、刘淄 (2005) 采用法定节日前后三天、传统节日前后两天的数据进行虚拟变量回归分析, 发现上海股市在三大法定节假日 (春节、五一节、国庆节) 前后均有显著的高收益现象存在, 其中传统节日春节的效应最为明显。陆磊、刘思峰 (2008) 应用上证综指节日前后各一个交易日的数据展开研究, 也验证了这一效应。江一涛、杨林燕 (2009) 通过比较不同节日当天的收益率与其他日期的平均收益率, 发现国内节日对中国股市具有显著的节日效应而国外节日没有。胡跃红、陈兰 (2010) 同样采用节日前后各一天的数据进行分析, 得出了“中国股市节前效应是稳健的, 但是节后效应并不显著”的结论, 他们认为是否存在节后效应在一定程度上取决于模型的选择。

在“节前效应”产生原因的研究方面, 陆磊总结了国内外文献, 归纳为以下五个主要观点: (1) 节前效应与其他日历效应有关; (2) 与股票市场休市有关; (3) 与小公司效应有关; (4) 与市场交易制度有关; (5) 与节前投资情绪和心理状态有关。遗憾的是, 国内外对前四个原因的实证检验均没有得出支持性的结论:Paul、陆磊分别就香港和大陆的股市进行实证检验, 结果发现日历效应与节前效应并无显著关系, Ariel、江一涛等的研究均不支持节前效应与股票市场休市有关的假设, Kim等、Keim分别就节前效应与小公司效应、市场交易制度有关的假设进行检验, 同样没有得出支持性的结论。

与此同时, 行为金融学的发展为从投资者行为与心理角度研究提供了较为完备的理论支持, 相对由“异象解释异象”而言, 投资者情绪的解释显然更具有说服力。Fabozzi等、Brockman和Michayluk都曾从投资者情绪角度对节前效应进行解释。他们已经认识到股票市场是由众多个体参与博弈的市场, 无数投资者组成了整个市场, 因而投资者情绪成为影响股市的重要因素, 这实际就是行为金融学对“节前效应”的解释思路。

行为金融学首先抛弃了标准金融学“理性人”的假设, 认为“大多数投资者在绝大多数情况下并非如标准金融学所言, 按照经济理性最大化的原则进行投资决策, 而是受制于某些心理规律和行为偏差”。其次, 行为金融学对市场有效性的假设提出了质疑, 认为在有效市场条件下是不会出现股票收益异常规律的, 因为投资者可以利用这些规律进行套利, 获得超额回报, 经过长时间的交易, 当所有投资者都这样做时, 所有投资者就只能获得平均回报, 各种市场异像因此被根除。然而众多学者对证券市场异象的跟踪研究发现, 一些广为人知的“市场异象”在股市中是长期存在的。Mark Haug等和Vergin分别对美国股市的“一月效应”和“节前效应”进行再检验, 发现超额收益现象依然存在。行为金融学认为在投资者并非完全理性、市场并非完全有效的股市中, 投资者作为市场参与者, 是影响股市走势的重要因素。市场信心的描述——“市场永远不缺少资金, 缺少的是信心”, 即是投资者情绪市场作用的重要表现, 投资者情绪的特定发展规律, 足以在某种程度上左右市场走势和收益水平, 并促使“节前效应”等市场异象的产生。

三、“春节效应”的概念

由于对“节前效应”的概念和形成机制并未形成统一的认识, 不同学者应用不同的界定标准和模型展开研究时, 得出的结论亦有较大差别。因此, 在对“春节效应”展开研究前, 有必要对其概念进行明确的定义。遵循行为金融学的思路, “节前效应”来自于节日临近的愉悦和较高的情绪, 投资者积极情绪普遍高涨, 进而影响投资行为, 推高节前收益。

考虑到“普遍的”春节前情绪高涨不可能在一天内暴涨而又同一天内迅速消退, 积极情绪从产生到普遍影响市场再到消退需要一个过程。因此, 本文延长了节前效应的考察区间, 定义“春节效应”为股票市场上春节前5个交易日的平均收益率与其他交易日平均收益率相比, 存在较大正向差异, 即存在超额收益的现象。

本文选用1991~2013年的上证综指数据对中国股市的“春节效应”进行检验。表1给出了春节前5个交易日和全年所有交易日日收益率均值的统计数据, 其中, 日收益率采用百分比数据, 即:

注:通过wind数据库上证综指每日收盘价计算得出。

表1显示, 2002年至2013年, “春节效应”定义区间居然在12年间全部取得了正回报, 同年的平均日收益只有5年为正值, 而且与节前收益率相比较, 收益相差巨大。这一统计结果与以往“节前效应”的研究结论一致:投资者只要在春节前5个交易日购入上证综指相关金融产品, 并在节前最后一个交易日卖出, 就有极大可能获得超额收益。在将考察范围扩大到股市建立之初时发现, 1991~2001年中有6年节前日收益率均值大于全年均值, 占考察数据的一半以上, 但是并未显示明显的规律性, 至少说明中国股市早期的“春节效应”并非稳健存在。

假设“春节效应”是随着中国股市的发展而产生的, 那么其时间序列应该具有稳定性和规范性, 因此, 本文采用以下方法探求其发展轨迹:

首先, 定义“倍数”指标为日收益率节前均值与年度均值的比, 此指标反映了“春节效应”的强弱水平;然后, 采用简单时间序列平滑法, 对不同区间做均值处理, 使“倍数”指标变得平滑, 剔除序列中的随机波动, 以反映其基本演化规律。处理结果如表2。

图1是表2时间序列的折线图, 横轴为相应的时间区间, 以横轴为倍数指标值。该图显示了“春节效应”具有明显随中国股市发展而发展的特征。由于中国股市早期并不成熟, 且春节假期在1996年前后才开始在全国普及, 2002年以前的“春节效应”并不明显, 倍数指标折线图比较平缓, 平均值约为1.50, 甚至出现了一个小于1的比值。而倍数指标小于1说明出现了负效应, 即出现了节前收益率均值低于全年收益率均值的现象。尤为重要的是, 这一阶段的折线图变化方向不定, 说明此时的“春节效应”并不稳定, 处于“试探”阶段, 还未形成确定的趋势。2002年以后, “春节效应”则呈现明显的单一发展趋势, 折线只有在2008年股市暴跌之后出现了一个明显的下降, 效应逐渐稳定、增强。

值得一提的是, Ryan Chong等 (2005) 的研究发现, 美国、英国、香港股市中的“节前效应”都有着随时间推移而减弱的趋势, 其中美国的减弱效果显著。中国股市“春节效应”是否有类似的现象值得学者深入研究。

表2和图1显示出“春节效应”虽在增强, 但近年来增强速度有放缓的趋势, 2009年以后的折线图出现了“上凸型”的走势。但是这种变化并不明显, 效应是否减缓、甚至出现减弱, 需要2014年以后的数据以及更为严谨的方法进行再次检验。

四、春节效应与投资者情绪关系的实证研究

(一) 变量选取与数据说明

1.春节效应。本文采用大智慧软件的行业分类标准, 选用31个行业春节前5日的日收益率 (Ri, t) 作为因变量, 对投资者情绪在春节前超额收益现象中的作用进行实证检验。

由于不同板块指数开始发布的时间不同, 为了保持数据的可比性, 并避免2007年、2008年股市暴涨、暴跌非经常性数据的干扰, 样本采用2009年到2014年的数据。由于2014年缺少全年数据, 因此统计区间为2009~2013年。

表3统计了不同行业春节前5日和全年的日收益率均值数据, 并以倍数指标显示“春节效应”强弱。

表3显示“春节效应”具有明显的行业差别, 其中钢铁行业数据奇异, 倍数高达3 591.13。深入分析发现, 其节前日收益率均值约为0.78, 在31个行业中并不突出, 但钢铁行业的熊市行情使得年均日收益率水平极低 (为0.000 2) , 导致出现奇高的倍数指标。这一奇异数据从侧面证实了“春节效应”的存在:即使在市场持续下行的钢铁行业, 春节临近仍有高收益的存在。

2.投资者情绪。本文借鉴张宗新、王海亮 (2013) 的方法, 选择投资者情绪代理变量, 通过主成分分析法进行降维, 构建投资者情绪综合指标 (SENT) 。情绪代理变量指标如表4所示。

为了将“春节效应”的行业差别考虑进模型, “换手率”和“振幅”两个指标选择了31个行业的分行业数据, 因此, 与后三个时间序列指标不同, 成为了面板数据。

由于面板数据主成分分析的研究尚处空白, 没有软件可以直接对此进行分析, 因此主成分分析做以下处理:将前两个指标面板数据的每个横截面与后三个指标进行主成分分析, 分别得到31个行业情绪代理变量的主成分结果, 并在此基础上构建“投资者情绪综合指标”面板数据。

应用Eviews 7.0对31个行业分别进行主成分分析, 前两个主成分贡献率的描述性统计如下:

各行业第一主成分的特征值方差贡献率均不高, 平均为43.89%, 只有选择前两个主成分时才会较好的 (累积贡献率>65%) 代表5个原始情绪代理变量, 因此, 所有行业均选择前两个主成分来构建投资者情绪综合指标。

以房地产行业为例, 将“换手率”、“振幅”面板数据中房地产这一截面摘出, 与后三个指标进行主成分分析。结果显示, 第一主成分贡献率为44.73%, 第二主成分贡献率为22.29%, 累积贡献率为67.02%, 因此, 选择前两个主成分来代替原始变量, 提取的主成分表达式为:

将选择的两个主成分按照各自解释百分比进行加权, 构造房地产行业投资者情绪综合指标 (SENT) :

(二) 回归分析

建立面板数据模型之前, 为确保回归估计的有效性首先对序列进行单位根检验, 以避免伪回归问题。各种单位根检验方法均显示Ri, t和SENTi, t两个序列在1%的显著性水平上是平稳的。因此, 建立面板数据模型:

其中, i代表31个行业, t代表2009年至2014年春节前5个交易日日期, 共计30期。αi为截距项, 表示除投资者情绪以外的影响节前收益率的因素, 反映行业内部差异。βi为系数项, 表示不同行业对投资者情绪的敏感程度。uit为随机误差项。

由于面板数据分析中, 样本数据的统计特征、研究假设不同, 回归前需要对模型进行修正。在判断与检验误差分解是固定效应还是随机效应时, Hausman检验统计量在1%的显著性水平上拒绝了“横截面应建立随机效应模型”的原假设, 随后, 不同模型下的F统计量显示应建立变系数模型。因此本文建立固定效应变系数模型进行回归分析, 回归结果如下:

注:c为αi的均值, αi-c反映个体对总体平均状态的偏离。

所有行业的回归系数都为正值, 说明投资者情绪在不同行业春节前高额收益现象中均有正向作用, 验证了行为金融学对此的解释:春节前投资者情绪高涨, 推高收益率。当所有系数的符号都为正时, 我们更加关注的是影响强度的大小, 即不同行业对投资者情绪反应程度的差异。表6显示绝大多数行业对投资者情绪的敏感系数在1和2之间, 系数超过2的有三个行业, 分别为计算机、外贸和有色金属;低于1的有五个行业:银行类、保险、酿酒食品、通信、交通设施。

为进一步研究不同行业对投资者情绪反应程度差异与“春节效应”行业差别之间的关系, 首先对表3数据进行聚类分析, 结果见表7和图2。

聚类分析将教育传媒、银行类等15个行业归为第一类, 占样本总数的一半。图2显示此类的“春节效应”最弱, 因为这一类行业不仅春节前5日的收益水平最低, 而且年均日收益率最高。即便如此, 此类平均仍有高达6.53的倍数指标, 超额回报仍然可观。第二类包含保险、电力等9个行业, 此类的“春节效应”最强, 因为此类的节前收益虽然不是最高, 但是年均日收益率是三类中最低的, 平均倍数指标为17.18。钢铁行业就属于此类中的极端情况。第三类包含6个行业, 年前日收益率最高, 但是同样较高的年均日收益率稀释了此类的“春节效应”, 倍数指标均值约为14.42。

综合变系数模型回归结果和“春节效应”行业差别的聚类结果发现:对投资者情绪敏感度越高的行业, 其“春节效应”越明显。敏感系数大于2的三个行业中, 外贸、有色金属均属于节前收益最高的行业类别, 且这两个行业αi-c的符号均为正值, 说明当控制了“投资者情绪”时, 由于板块特征和基本收益水平不同, 超额收益现象的个体效应也高于平均水平。系数小于1的五个行业情况则刚好相反, 不仅系数小于1, 对投资者情绪的反应较弱, αi-c符号也为负, 与第三类相比春节前超额收益都不高, 之所以在“春节效应”行业差别的聚类分析中分属第一、第二两个类别, 是由于年均收益水平的差别。因此, 投资者在利用“春节效应”进行套利时, 应密切关注市场情绪的变化, 适当地多关注第三类行业而规避第一类行业。

五、结论

本文在回顾节前效应研究现状的基础上, 从行为金融学角度对中国股市的“春节效应”进行了比较全面的研究。对上证综指数据的分析发现, 中国股市在传统节日春节前存在明显的超额收益现象, 这一市场异象在早期并不明显, 但是随着股市的发展而逐渐稳健。以往的研究已经得出了包括春节在内的、中国传统节日存在“节前效应”的结论, 因此本文未对此结论进行严格的模型检验。1991~2013年上证综指长达23年的统计数据, 足以为投资者利用这一市场异象进行套利活动, 提供有力的经验证据支持。

对投资者情绪与“春节效应”关系的实证研究发现, 投资者情绪对春节前超额收益具有明显的正向作用, 验证了行为金融学基于投资者行为与心理角度对“节前效应”的解释。进一步的分析发现, 不同行业的“春节效应”具有明显的行业差别, 且对投资者情绪反应越敏感的行业其超额收益现象越明显。一方面, 进一步验证了投资者情绪理论在解释“节前效应”中的合理性;另一方面, 为投资者针对行业差别和投资风格, 区别利用“春节效应”进行套利提供了思路。

摘要：本文根据19912013年的上证综指数据, 对中国股市春节是否存在“节前效应”进行研究。结果发现, 春节前超额收益现象在早期并不稳健, 但是随着中国股市的发展而逐渐增强。随后应用主成分分析法构建投资者情绪综合指标, 并建立面板数据模型, 针对行为金融学关于“节前效应”的解释进行实证检验, 发现投资者情绪对春节前超额收益具有明显的正向作用, 且不同行业对投资者情绪的敏感程度不同, 导致了“春节效应”的行业差别。

关键词：节前效应,投资者情绪,面板数据,行业差别

参考文献

[1] .Fields M J.Security prices and stock exchange holidays in relation to short selling.Journal of Business, 1934;7

[2] .胡跃红, 陈兰.中国股票市场节日效应的比较研究.统计与决策, 2010;18

[3] .陆磊, 刘思峰.中国股市具有“节日效应”吗?.金融研究, 2008;2

[4] .饶育蕾, 盛虎.行为金融学.北京:机械工业出版社, 2012

[5] .张宗新, 王海亮.投资者情绪、主观信念调整与市场波动.金融研究, 2013;4

【中国股市季节效应研究】推荐阅读：

中国股市收益09-18

中国股市操作体会02-01

经济转型期的中国股市01-01

中国股市九次暴涨暴跌论文05-24