股市波动经济发展（精选7篇）
股市波动经济发展 篇1
0 引言
股市是经济发展到一定阶段的产物,其加快了全球经济的进程,改变了经济发展的形式。自上海证券交易所和深圳证券交易所成立以来,我国股市走过了风风雨雨的二十来年,对我国的经济发展发挥了很大的作用,也逐渐成为我国社会主义市场经济不可分割的一部分。
波动性是股市与生俱来的属性,要想让股市的作用发挥到最大,就必须让股市进行合理的波动。幅度过大的波动会引起经济的恐慌和混乱,不利于经济的发展。所以,对于股市波动的研究分析就显得十分重要。股市波动的影响因素很多,本文仅从经济增长水平角度来对股市波动进行相应的实证分析研究,论证股市波动与宏观经济之间的关系以及股市是否可作为宏观经济的“晴雨表”。
1 文献回顾
国外对股市波动的研究较早,芝加哥大学的Fama利用美国1953—1987年月度、季度和年度的数据进行分析,发现股市收益率和未来产出的增长率之间有显著的正相关关系,认为股市在美国起到了经济晴雨表的作用。Schwert(1989)采用向量自回归模型研究了名义通货膨胀率、工业生产值等宏观经济变量波动性和股市波动性之间的关系,发现股票市场的波动性能够很好地预测宏观经济变量的波动[1]。Morelli(2002)采用ARCH/GARCH模型以及VAR模型,研究了英国股市条件波动性和宏观经济条件波动性(包括工业生产、货币供应量、通货膨胀率汇率和实际零售额)之间的关系,发现宏观经济中的汇率波动对股市波动性的预测能力是显著的,但是这些宏观变量波动性对股市波动性的联合解释能力比较弱。Jakob B.Madsen、FRU and EPRU(2009)研究了基于宏观模型的预测股价和红利的预测模型。这个模型分析了技术冲击、供给冲击、信用市场的缺陷,税率的变化对股票价格的影响,以及股票在长期中是否比在短期中风险更大[2]。
国内的研究起步较晚,叶青(2000)运用Granger因果检验和协整检验研究了股市波动与经济增长之间的关系。通过研究发现,股市波动和经济增长之间没有长期均衡的,并且股市波动存在自相关性。王春峰等(2003)的研究表明,股市波动性只对物价指数、出口额增长率、进口额增长率的未来波动有显著解释能力,对其他的宏观经济变量,特别是对实体经济运行的主要指标——工业生产总值增长率的未来波动没有显著的预测能力。晏艳阳等(2004)研究了中国股市波动与部分宏观经济因素之间的协整关系,发现股票指数与GDP、CPI的关系较弱,股市还深受其他因素的影响。马进等(2006)对股票市场、宏观经济这两者之间的关系进行了分析,肯定了股票市场在我国经济发展中的重要性,并进一步得出我国当前股票市场与宏观经济存在一定的长期稳定关系,但其互相影响的程度较小的结论[3]。申小刚(2010)运用协整分析方法,实证研究了宏观经济与GDP之间的长期关系。研究发现:中国的股市与经济增长之间不存在协整关系,股票市场还不具备促进经济增长的作用[4]。
3 样本选择与研究设计
3.1 股市波动的影响因素的选取
宏观经济因素众多,由于利率等指标在经济政策方面的表现更加明显,所以本文采取能够反映宏观经济增长的指标,即GDP、CPI、PPI增长率作为自变量来解释股市波动。对于因变量,股市波动的衡量指标有很多,由于上证指数在很大层面上具有一定的代表性,因而选取上证指数为被解释变量。最后本文选取了2007年到2011年12月31日期间数据,以GDP、CPI、PPI指标的增长率以及每年年底上证指数的收盘价来进行研究,具体如下:
Y:上证指数,以2007年到2011年12月31日的收盘价为取值标准;X1:GDP增长率,X2:CPI增长率,X3:PPI增长率,均以2007年到2011年12月31日的年度增长率为取值标准。
本文研究以《中国统计年鉴》为基础,结合中国统计局官方网站、锐思数据库的数据整理而得,选取2007—2011年五年间的数据作为研究依据。
3.2 研究方法
本文利用spss软件对3个变量因子与股市波动进行了多元回归分析,回归方程如下:Y=e+aX1+bX2+cX3+ε,其中,e为常数项,a、b、c分别为X1、X2、X3的回归系数,ε为随机扰动项。
4 实证分析
运用SPSS17.0统计软件,对所选区间的数据进行了处理分析。
表一是对各变量之间相关性的一个检验。从表中我们可以发现,上证指数和GDP增长率之间呈正相关关系,与CPI增长率、PPI增长率呈负相关关系。而p值(sig),只有GDP增长率与上证指数的值、CPI增长率与PPI增长率的值是小于0.05,因而也就解释了两者间的关系是显著的。另一方面,表明上证指数与GDP增长率相关性最高,与CPI增长率和PPI增长率相关性不明显。我们还可以看到,各相应自变量之间呈现的是正相关的关系。
表二中的标准估计的误差表明,自变量不能预测因变量的程度。358.77433说明用GDP增长率、CPI增长率和PPI增长率预测上证指数时,回归方程在预测上证指数时平均偏离大约358.77。这也表示了这三个自变量不能很好地用来解释上证指数的波动。
从表三方差分析中,p值为0.168大于0.05,再一次说明回归方程并不能显著地描述和预测上证指数的波动。
根据表四数据,我们可以得到上证指数变动的回归方程:Y=-2794.729+579.786*X1+55.243*X2-148.427*X3。由于我们的目的是对结果进行解释,所以,选取标准系数来对结果进行描述。GDP增长率的β权重为0.903,CPI增长率的β权重为0.109,PPI增长率的β权重为-0.549。这表示当GDP、CPI增长时,上证指数也呈增长趋势;而当PPI增长时,上证指数则呈现出下降的趋势。当然因变量随自变量的变化而变化,这些情况都是在假定其他两个自变量不变的前提下出现的。
用GDP增长率、CPI增长率和PPI增长率三个变量建立一个多元回归模型来描述和解释股市波动,总的来说这个模型并不是很显著,F(3,1)=18.762,p>0.05,R2=0.98。在被调查的变量中,GDP增长率(β=0.903,t(1)=6.043,p>0.05),CPI增长率(β=0.109,t(1)=0.271,p>0.05),PPI增长率(β=-0.549,t(1)=-1.414,p>0.05)不是显著的预测量,但GDP增长率对上证指数的波动却有很大的相关性。
4 结束语
通过多元线性模型对数据进行研究分析,总体而言,股市波动与CPI以及PPI之间有负相关的关系,但影响不明显;而与GDP增长率之间存在着一定的正相关关系。与此同时,GDP走势与CPI、PPI相一致。这些都表明,我国经济的发展带动了工业制成品和消费品的增加,也促进了股市的发展,但也展现了物价水平的上涨以及工业制成品价格的攀高造成了股市的低迷现象。可以看到,宏观经济发展与股市波动的走势是一致的,但不排除股市波动与宏观经济存在着背离现象。所以,股市是宏观经济的“晴雨表”这一表述在我国并没有完全展现。
总之,本文所选择的对于表现宏观经济增长的几个变量,从一方面反映出了对股市波动的影响,而并不能解释对股市波动的整体影响,只能作为一个参考。现在中国股市处于“后金融危机”时代,股市波动剧烈,鉴于宏观经济与股市波动之间的影响力,需要政府完善调控手段,促使股市健康地发展。
参考文献
[1]罗建春.中国股市波动和宏观经济波动的实证研究[D].天津:天津大学,2002.
[2]于扬.中国证券市场波动性的实证分析[D].大连:东北财经大学,2007.
[3]马进,关伟.我国股票市场与宏观经济关系的实证分析[J].财经问题研究,2006(,08):71-75.
[4]申小刚.我国股票市场与经济增长的长期关系——基于协整的实证研究[J].技术经济,2010(,08):93-97.
[5]侯丽华.我国GDP与上证综合指数的关系探讨[J].研究与探索,2009(,10).
[6]国家统计局官方网站.
[7](美)罗纳德·D·约克奇,著.刘超,吴铮,译.SPSS其实很简单[M].北京:中国人民大学出版社,2010.
股市波动经济发展 篇2
关键词：股市波动,会计稳健性,融资规模
一、文献回顾
李远鹏(2006)通过实证方式证明我国上市公司存在会计稳健性。Watts(2003)认为稳健的会计信息有利于借款人做出正确的贷款决策,并给债权人监督借款人的偿债能力提供信号;Ahmed et al.(2002)认为会计稳健性越高,公司债务规模越低;全宏杰(2009)发现会计稳健性水平与债务成本的关系为负。苏逶妍(2009)认为采用稳健会计政策的公司其债务资本成本低,即研究结论得出我国上市公司存在会计稳健性,同时,会计稳健性会降低权益融资成本和债务成本。但会关于计稳健性对公司融资规模方面的研究比较少,本文希望在这方面有所贡献。作为股市的主体,公司微观的融资行为与整个股票市场存在联系,在做出融资决策时,公司既要考虑到决策可行性,同时还要考虑宏观层面的政策因素,如产业、财政、货币政策,这些政策可以很好地反映在股市的波动上。
二、研究设计
(一)研究假设一般而言,上市公司在股市下跌期,为了获取融资额,管理层采取稳健的会计政策以获得股权投资者和债权人的青睐,即稳健性越高时融资规模才会越大;股市上涨期,在会计政策选择上,管理层会采取激进的方式,即会计稳健性越低,融资规模越大。因此提出:
假设1:股市上涨周期,会计稳健性与融资规模负相关
假设2:股市下跌周期,会计稳健性与融资规模正相关
(二)样本选择与数据来源本文采用BB股市周期分割点确认法,客观地划分我国股票市场的股市上涨周期和股市下跌周期,当分割点处在会计年度中间,则比较期末股价与期初股价,如果期末股价低于期初股价,则某一会计年度处于下跌周期,如果期末股价高于期初股价,则某一会计年度处于上涨周期。综合可得,2003年、2006年、2007年和2009年为股市上涨周期,2004年、2005年、2008年、2010年和2011年为股市下跌周期。研究样本选取沪市交易所公布的2003年 ~2011年度A股上市公司,剔除金融保险类上市公司、ST、*ST等上市公司以及数据不全的上市公司。具体数据来源为,上涨周期共有3349个样本,剔除285个样本后,剩余3064个样本;下跌周期共有4344个样本,剔除468个样本后剩余3876个样本。研究数据取自于国泰安数据库(CSMAR)的上市公司治理、股东研究、财务报表和财务报表附注四大数据库。
(三)变量选取为了检验假设,选取会计稳健性作为因变量,以融资规模作为自变量。本文选取公司规模(LNSIZE)、高管平 均年龄 (OLD)、高管性 别比例(GENDER)、独立董 事比例 (INDEP)、股权制 衡度(TWOFIVEONE)、现金(CASH)、净资产收益率(ROE)和股权性质(STATE)等八个重要影响因素作为控制变量进行检验。融资包括股权融资和债权融资,根据本文研究股市波动的特征,通过计算吸收权益性投资收到的现金加上发行债券收到的现金占总资产的比例衡量融资规模。公司规模较大,面临的政治成本也较大,因此规模大的公司会倾向于采用较为稳健的会计政策,以此来减少会计盈余,从而降低政治成本,所以规模大的公司具有稳健性的财务报告动机。用总资产来控制公司规模,将总资产取对数得到LNSIZE。相关研究表明,管理者并非总是理性的,成长环境及经历不同则会选择不同的行为,进而产生不同的公司绩效。通过计算高管年齡之和除以高管人数得到高管平均年龄的比例;计算高管中男性人数总和除以女性人数总和得到高管性别比例。通过计算董事会中独立董事占全部董事的比值得到独立董事的比例。2001年8月证监会发布的独立董事指导意见规定独立董事占董事会全体成员的比例不得低于三分之一,独立董事中至少包括一名具有高级职称或注册会计师资格的会计专业人士。这就为独立董事监督公司会计稳健性奠定了基础。通常独立董事的比例越大,发挥的监督功能会越强。股权制衡度是通过计算第二第三第四第五位股东的持股比例之和与第一大股东的持股比例之间的比值。比值越大则股权间制衡度越高。股权制衡度高能对第一大股东的控股权形成制衡作用,改善公司的治理环境,从而提高会计稳健性。现金控制变量是通过计算经营活动产生的现金净流量除以平均总资产得到,用来反映资产的流动性。资产流动性好,即持有现金量高的公司则有能力采用较稳健的会计政策。由于净资产收益率是总资产收益率、资产周转率和权益乘数的综合反映,因此可以衡量公司的盈利能力。净资产收益率高则公司盈利能力强,公司净资产收益率低则其盈利能力弱,会降低投资者对公司盈利能力的评价,进而影响会计稳健性。通过计算期末净利润占期末净资产总额的比例,得到净资产收益率。在我国特殊的制度环境下,不同股权性质的公司可能采用不同的会计政策。相关的研究表明,国家作为第一大股东的上市公司的会计稳健性程度较低。当样本为国有控股时取值为l,非国有控股取值为O。
(四)模型构建根据假设1和假设2,模型设计如下:
模型 (1) 以CSCORE作为因变 量 , 将融资规 模(FINANCE)作为自变量,将公司规模(LNSIZE)、高管平均年龄 (OLD)、高管性别比例 (GENDER)、独立董事比例(INDEP)、股权制衡度(TWOFIVEONE)、现金(CASH)、净资产收益率(ROE)和股权性质(STATE)等八个因素作为控制变量进行统计回归。其中,i为第i个公司,t为第t年,α0~α9为模型的回归系数。
本文通过C分值法计算出每个公司的会计稳健性数值,并将该数值用作实证回归中的数据来源。C分值法计算公式为:
其中,Ei,t为第i个公司第t年的市盈率的倒数;Di,t为第i个公司第t年根据年股票盈利率设置的哑变量;SRi,t为第i个公司第t年的股票盈利率;SIZEi,t为第i个公司第t年的公司规模;PBi,t为第i个公司第t年的市净率;LEVi,t为第i个公司第t年的资产 负债率 ;β0,β1,α0~α4,γ1~γ4,δ1~δ6,为系数,ε为随机变量。
其中,CSCOREi,t为第i个公司第t年的C分值;SIZEi,t为第i个公司第t年的公司规模;PBi,t为第i个公司第t年的市净率;LEVi,t为第i个公司第t年的资产负债率;γ1,γ2,γ3,γ4为系数。各变量的相关定义是:市盈率的倒数E = 每股收益 / 期末股价的收盘价P;SR代表年度股票盈利率;D为哑变量,如果SR <0,则D=1,否则D=0;SIZE为公司规模;PB为市净率;LEV为资产负债率;CSCORE为t期公司的稳健性程度。在采用公式2按每年分别计算出系数γ1,γ2,γ3,γ4,然后将其代入公式3计算出每个公司各个年度的稳健性指数CSCORE。由于规模SIZE、市净率PB、财务杠杆LEV这些反映公司特征的指标每年都会发生变化,因此每个公司每年的会计稳健性也会发生变化。CSCORE反映的是一个增加值,即会计利润与股价的相关程度在不好消息状态下与好消息状态下的增加值。
三、实证检验分析
(一)描述性统计表(1)和表(2)分别是模型1在股市上涨周期和下跌周期的描述性统计量表。从表(1)和表(2)可以看出 ,在股市上 涨周期的3064个样本中 ,融资(FINANCE)的均值是1.9206E8即1.92亿,在股市下跌周期的3876个样本中,融资(FINANCE)的均值是2.7177E8即2.72亿。公司平均融资额在下跌周期比上涨周期高。现金(CASH)在股市上涨周期为0.650,明显小于股市下跌周期的6.1800,即股市下跌周期股权平均融资额和债权平均融资额均高于股市上涨周期的相应金额。即在股市下跌期,为了获取所需融资额,管理层会采取积极稳健的会计政策,而当股市处于上涨期时,管理层则会对会计稳健性采取激进的政策。
(二)回归分析模型1的回归结果部分按股市上涨周期和股市下跌周期分别列示模型汇总表、方差分析表和系数表。表(3)和表(4)分别为模1在股市上涨周期和下跃周期的模型汇总表。从表(3)和表(4)可以看出,模型的相关系数R在上涨周期为0.106,在下跌周期为0.183。通常认为相关系数在0.5左右即可认为模型拟合度较好,但在经济类的研究中相关系数在0.2左右也被认为是模型的拟合度通过检验,因此模型1的拟合度通过检验。关于模型是否存在自相关性的检验,由于模型1在上涨周期和下跌周期的D.W值分别是1.940和1.511均小于2,因此,模型1在上涨周期和下跌周期均不存在自相关。表(5)和表(6)分别为模型1在股市上涨周期和下跌周期的方差分析表。通过回归结果中的方差分析表评价模型是否通过检验时,可以通过P值是否小于0.10和0.05两种评价标准,本文选取更加严格的0.05评价标准。从表(5)和表(6)可以看出,股市上涨周期和股市下跌周期的模型P值分别为0.000和0.000,均小于0.05,说明模型1通过检验,即模型具有统计意义。表(7)和表(8)分别为模型1在股市上涨周期和下跌周期的系数表。从表(7)可以看出,在股市上涨周期,模型1的常量与会计稳健性的P值为0.057,因此表明会计稳健性与融资规模负相关,即会计稳健性减弱程度越大公司融资规模越大。影响因素中,公司规模(LNSIZE)、高管平均年龄(OLD)、高管性别比例(GENDER)、独立董事(INDEP)占全部董事的比例、股权制衡度 (TWOFIVEONE)、现金(CASH)持有量、净资产收益率(ROE)和股权性质(STATE)与会计稳 健性的P值分别是0.336、0.186、0.258、0.682、0.934、0.702、0.531和0.125,均大于0.05的判断标准,因此表明公司规模越小(LNSIZE)、高管平均年龄(OLD)越小、高管性别比例(GENDER)中男性占的比例越小、独立董事(INDEP) 占全部董 事的比例 越小、股 权制衡度(TWOFIVEONE) 中第二至第五大股东持股比例之和与第一大股东持股比例的比值越小,即股权制衡度越低、现金(CASH)持有量越低、净资产收益率(ROE)越低和股权性质(STATE)非国有股占的比例越低,公司融资规模越大。从表(8)可以看出,在股市下跌周期,模型1的常量与会计稳健性的P值为0.000,因此表明会计稳健性与融资规模正相关,即会计稳健性增强程度越强公司融资规模越大。影响因素中 , 高管性别 比例 (GENDER)、股权制 衡度(TWOFIVEONE)、现金(CASH)持有量、股权性质(STATE)与会计稳健性的P值分别为0.111、0.070、0.095和0.431,均大于0.05的判断标 准 , 因此表明 高管性别 比例(GENDER) 中男性占 的比例越 小、股权 制衡度(TWOFIVEONE) 中第二至第五大股东持股比例之和与第一大股东持股比例的比值越小,即股权制衡度越低、现金(CASH)持有量越低和股权性质(STATE)中国有股占的比例越低,会计稳健性增强程度越强,公司融资规模越小。影响因素中,公司规模(LNSIZE)、高管平均年龄(OLD)、独立董事(INDEP)占全部董事的比例、净资产收益率(ROE)与会计稳健性的P值分别为0.000、0.000、0.000、0.000,均小于0.05的判断标准,因此表明公司规模越大(LNSIZE)、高管平均年龄(OLD)越大、独立董事(INDEP)占全部董事的比例越大、净资产收益率(ROE)越高,会计稳健性增强程度越强,公司融资规模越小。同时,本部分对模型1是否存在多重共线性进行了关注。多重共线性的诊断方法是特征根判定法,即当VIF(方差扩大因子)≥10时,就说明某一自变量与其余自变量之间有严重多重共线性。模型1的VIF值均未超过10,因此可以得出自变量之间不存在多重共线性问题。
注 :a . 预 测 变 量 :( 常 量 ),STATE ,FINANCE ,CASH ,INDP ,TWOFIVEONE,GENDER,ROE,AGE,LNSIZE。b. 因变量:CSCORE(下同)
四、结论
股市波动经济发展 篇3
1.1 文献综述
大量实证研究表明 (Mills T.C., 1999) , GARCH类模型特别适合于对金融时间序列数据进行建模, 估计和预测波动性和相关性。国内也已经有多篇文章 (刘金全等, 2002;陈守东等, 2003) 使用GARCH类模型分别对上海和深圳股票市场的收益率进行了建模和分析, 考查沪深股票市场之间的相互影响和溢出效应。但是考虑的均是一元情形和日度数据样本, 不能充分反应市场之间时变的波动和相互影响。
对于市场波动的日度数据和其短期趋势, 如果基于传统的相关系数, 市场间波动的相关性并不显著, 为此本文尝试研究一个市场的波动区制对另一个市场波动的影响程度, 进而用于波动预测与风险度量。
Hamilton (1996) 对股市波动和经济周期的区制关联性进行分析, 通过研究了月度股票收益率和工业增加值变化率的时间序列, 发现股票收益率序列具有持续期达1年以上的高波动特征, 这些高波动时期被相对较长的稳定期分隔开来。另一方面, 实际产出的增长, 主要是受了与经济衰退相关的一些突变的影响。基于二元向量区制转移模型中, 这两大变化是由相关的不可观测变量驱动, 并得出结论:经济衰退是导致股票收益波动不断变化的主要驱动因素, 并证明, 这一框架用于预测股票波动以及识别和预测经济拐点都是有效的。Edwards等 (1998, 2002) 分别通过使用一组主要发达国家的股市收益率数据和一组拉丁美洲国家股市周数据来分析波动的区制关联性问题。其关注了是否一个市场的高波动期与其他国家的高波动期相关。同时使用关于单变量和双变量区制转移模型, 研究结果不依赖于原序列的简单相关系数, 但依赖于二者的波动性区制, 发现高波动性的时期是短暂的, 持续2～12个星期;以及国家间波动共同趋势的强有力证据, 特别是在拉美南方共同市场国家。但是其结果并不完全支持波动传染。
本文研究的对象是我国2005年汇改以来股市和汇率波动的日度数据, 基于二元向量模型分析股市与汇率波动的区制关联性, 并加以比较。采用Edwards (1998) 的向量SWARCH模型的实证结果并不理想, 似然比检验并不支持这种波动方差的区制关联性, 这可能是由于基于单变量方差区制转移模型的关联分析中相关系数并没有达到Edwards (1998) 采用单变量区制模型研究主要股市波动方差间区制相关性的显著水平Hamilton (1996) 中方法进行研究, 这样可以具体研究汇率波动的均值区制变化对股市波动方差区制的影响, 即研究汇率的升值快慢对我国股市波动的影响。
1.2 模型描述
1.2.1 ARCH类模型
Engle引入自回归条件异方差 (ARCH) 模型描述波动性, Bollerslev将这类模型推广到广义的自回归条件异方差模型 (GARCH) , Nelson引入了EGARCH模型;Zakoian引入了TGARCH模型。ARCH类模型能很好的刻画股市收益率数据的异方差性, 非对称性和波动聚类特征等。
收益序列{yt}由下述过程描述:
yt=ω+ϕyt-1+ut (1)
ut是一个随机变量, 并遵循下述随机过程:
ut=vtσt
vt～i.i.d., E (Vt) =0, var (vt) =1 (2)
可以采用不同的模型合理描述σundefined。Engel的ARCH (q) 模型中σundefined表示为扰动滞后{ut-i}平方的线性函数[1], 即
undefined
Bollerslev提出了广义ARCH模型, 即GARCH (p, q) 模型:
undefined
1.2.2 SWARCH模型
Hamilton和Susmel (1994) 对美国股票市场的研究发现, ARCH类模型虽然能较好地描述波动性的持续性特征, 但对波动性的预测能力较差;同时为了解决ARCH类模型高估波动率聚集的持续性问题, 他们提出了含区制转移的ARCH模型 (SWARCH) , 将波动分解为不同的波动区制, 取得了良好的效果。应用SWARCH模型描述股票市场的波动性, 可以刻画收益率序列剧烈的波动和波幅大小的转换, 从而避免GARCH模型高估波动聚集的持续性问题。
Hamilton提出了含区制转移的ARCH模型, 这个模型对残差 以如下的方式建模:
undefined
这里, undefinedt服从标准的ARCH (q) 过程
undefined, vt～idd (0, 1)
undefinedt-1undefinedundefined (6)
如果ut-1≤0, 那么dt-1=1;如果ut-1>0, 那么dt-1=0。
变量st定义为一个表示区制的随机变量, 取离散的值1, 2, …, K。假设st能用一个马尔可夫链过程描述:
Prob (st=jst-1=i, st-2=k, …, yt-1, yt-2, …) =Prob (st=jst-1=i) =pij (7)
i, j=1, 2, …, K。
将转移概率定义为 (K×K) 矩阵:
(8)
这里, j是行数, i是列数, undefined。
当st处在由st=1代表的区制时, ARCH (q) 过程的变量undefinedt与常数undefined相乘;当st=2时, 与undefined相乘, 依此类推。g1正规化为g1=1, 其它gj≥1, j=2, 3, …, k。因此, 区制的变化简化为比例因子过程的变化。在当前和过去的状态已知的条件下, 残差ut的隐含条件方差是:
E (uundefinedst, st-1, …, st-q, ut-1, ut-2, …, ut-q) =gst{a0+a1· (uundefined/gst-1) +a2· (uundefined/gst-2) +…+aq· (uundefined/gst-q) }≡σ2t (st, st-1, …st-q) (9)
将ut过程称为K状态、q阶马尔可夫区制转移ARCH过程, 即ut～SWARCH (K, q) , 本文将研究vt～t (0, 1, v) (均值为0, 方差为1, 自由度为v) 的t分布。
根据上述模型建立起样本的对数似然函数见文献[4], 对数似然函数为:
undefinedyt-1, yt-2, …, yt-3) (10)
在限制条件g1=1, undefined, i=1, 2, …, K, 0≤pij≤1, i, j=1, 2, …, K下, 上式对参数α, ϕ, a0, a1, a2, …, aq, b, p11, p12, …, pKK, g1, g2, …, gK, ζ和v进行数值最大化计算, 可以得到参数的估计值和对数似然函数值, 并且能够对t时刻区制变量st所处的特定区制作出推断。当推断基于时刻t观察到的所有信息时, 称之为滤波概率 (filter probability) :
p (st, st-1, …, st-qyt, yt-1, …, yt-3) (11)
式 (1.11) 表示的是区制变量在时刻t的值为st, t-1时刻的值为st-1, …, t-q时刻的值为st-q的联合条件概率, 而这个概率是基于时刻t所观察到的样本值推断。
而基于全样本构建的是平滑概率 (smoothed probability) :
p (styT, yT-1, …, y-3) (12)
上式表示的是基于全样本推断出的在时刻t的区制变量处于某一区制的概率。
1.2.3 MS方差模型
Kim和Nelson (1999) 进一步发现当ARCH效应不显著时, (MS) 方差模型就能对股票市场波动的异方差性有很好的描述。陈守东, 王晨, 孙叶萌 (2008) 对中国股票市场的上证指数、深证成指和沪深300指数的日连续复合收益率数据研究发现MS方差模型较SWARCH模型对中国股票市场的波动区制有更好的识别, 对VaR有更好的度量。
当ARCH效应不显著时, 假定 (1) 式中的残差ut～t (0, σundefined, v) (均值为0, 方差为σt2, 自由度为v的t分布) , 则有:
σundefined=σundefinedS1t+σundefinedS2t+σundefinedS3t (13)
如果St=k, 那么Skt=1;否则, Skt=0 k=1, 2, 3 (14)
Pr[St=jSt-1=i]=pij, i, j=1, 2, 3 (15)
undefined
σundefined<σundefined<σundefined (17)
MS方差模型中区制变量的估计方法与2.2中SWARCH模型相同, 这里不再重复。
1.2.4 向量区制转移模型
Hamilton (1996) 就经济周期与股市波动的关联研究中采用了向量区制转移模型, 并作合理简化:
假设经济周期的区制变量为S1和股市波动的区制变量为S2由同一马尔可夫链驱动。
并考察了3种区制变量间的滞后关系, 即:
Sundefined=Sundefined, 股市波动的区制变量依赖于经济周期区制变量的1阶滞后; (18)
Sundefined=Sundefined, 经济周期的区制变量依赖于股市波动区制变量的1阶滞后; (19)
Sundefined=Sundefined, 经济周期的区制变量与股市波动区制变量同步。 (20)
这样就可以比较经济周期与股市波动的相互影响关系, 和向量区制转移模型在对各变量时间序列拟合和预测效果的优劣。
同时在包含转移概率矩阵的模型参数估计方法上就与前述单变量区制转移模型相同, 计算复杂程度得到大大简化。
2 汇率对我国股市波动预测影响的实证研究
本节我们采用了向量AR-ARCH区制转移模型Hamilton (1996) 的研究方法, 假设汇率和股市波动率的区制转移模型的转移概率矩阵由同一不可观测变量的马尔可夫链驱动。同时与其他3种模型结构比较可以考察汇率的波动率均值的区制变化对股市波动率方差区制变化的影响、二者的区制关联性以及波动性预测效果。本节这里比较了股市和汇市波动率的转移概率矩阵0阶和1阶滞后的两种情况, 并对向量区制转移模型中刻画股市波动率的SWARCH (K, q) 模型比较了ARCH项阶数q从1到3, 和均值方程中的自回归阶数从1到3的各种情况, L表示当非对称系数显著时的杠杆效应等具体形式。根据AIC和SC准则, 由于包括非对称系数的ARCH项均不显著, 本文选用二元向量MS-AR模型, 其中利率波动率模型为均值区制转移模型, 股市波动率模型为方差区制转移模型。并与Hamilton (1996) 的研究中发现ARCH效应不显著的情形基本一致, 不同的是他采用的是美国股市的月度数据, 其模型中股市波动的非对称系数仍显著, 采用的是二元AR-SWARCH模型结构。
2.1.2 实证结果分析
(1) 参数估计结果
表1和表2分别给出了模型结构1的向量AR-ARCH区制转移模型和二元向量AR区制模型的估计结果, 转移概率矩阵的驱动变量0阶滞后, 其中本文对汇率波动的均值区制模型中的AR项比较了4阶自回归项;对股市波动的SWARCH模型中的均值方程也考查了4阶自回归项, 波动方差考虑了3阶ARCH项和有无非对称系数。其中表1是向量AR-ARCH区制转移模型的参数估计中似然值最优的结果, 从中可见, 即使是在单变量区制转移模型中有时还较显著的非对称系数, 这里均不显著。为此本节进一步采用向量AR区制转移模型, 表2是二元向量AR区制转移模型的参数估计中似然值最优的结果, “*”表示在95%置信度下显著, 下同。
由公式undefined得, P11=0.97734178, P22=0.97838199。汇率升值较快和股市波动较大区制的持续性平均为1/ (1-P11) =44天, 汇率升值较慢和股市波动较小区制的持续性平均为1/ (1-P22) =47天, 同时前者股市波动的方差是后者的10倍以上。
由表3可见, 根据AIC和SC准则3, 对于模型结构1, 向量AR区制转移模型优于向量AR-ARCH区制转移模型。
(2) 区制关联性分析
这里本文对模型结构1和4的估计结果进行分析, 对不存在区制的原假设作似然比检验, 模型结构1的似然值为-1982.7724, 模型结构4的似然值为-1998.1406, 因此似然比统计量为2× (-1982.7724+1998.1406) =30.73, 其服从X2 (4) 分布的P值为3×10-6, 拒绝原假设, 即考虑区制关联性的模型结构1较合理。具体方法参见Hamilton (1996) 中区制特征的检验方法。
如果不考虑汇率波动率的均值区制, 股市波动率的R2减为g/ (p11+g×p22) ==0.0729/ (0.48825318+0.51174682×0.0729) =0.14。具体公式推导参见Hamilton (1996) 中相对R2计算部分。这说明我国2005年汇改以来, 汇率波动率的均值区制变化对股市波动率的方差有超过80%的解释力。这与下文股市波动的样本内和样本外一步预测的优劣比较结果相一致。从2005年7月人民币汇改到2007年末, 汇率波动率的均值区制变化对股市波动率的预测有着重要的影响 (图1、图2) 。模型结构1的区制平滑概率图, 区制1为股市波动高方差区制和汇率较快升值区制 (图1) , 区制2为股市波动低方差区制和汇率较慢升值区制 (图2) 。
(3) 预测结果比较
由表4和表5的汇率和股市波动的一步预测结果比较发现, 向量区制转移模型, 即模型结构1在对股市波动的一步预测结果中, 无论是样本内还是样本外都是最好的;在对汇率波动的一步预测结果中, 仅样本外预测是最好的。
2.2 不同样本对我国股市波动预测的比较
由上面的数据比较发现, 含汇率较含利率的向量区制转移模型对股市波动的拟合和预测有更好的结果。下面进一步对不同长度的估计样本分别为:560个数据 (样本1a和样本1c) 和810个数据 (样本2a和样本2c) 的实证结果进行比较。本节的参数估计结果和区制平滑概率图是样本2a和样本2c的最后一步移动窗预测的实证结果。
2.2.1 参数估计的比较分析
表6和表7给出了模型结构1的向量AR-ARCH区制转移模型和二元向量AR区制转移模型的估计结果。
由公式P (i, j) =vundefined=∑jvundefined得, P11=0.97734178, P22=0.97838199;汇率升值较快和股市波动较大的区制1的持续性平均为1/ (1-P11) =45天, 汇率升值较慢和股市波动较小的区制2的持续性平均为1/ (1-P22) =46天, 区制1的方差是区制2的10倍以上。
通过对样本2a和样本2c的最后一步移动窗的估计结果, 表7, 相比样本1a和样本1c的最后一步移动窗的估计结果, 表2, 系数r0和u2均显著, 这主要由于样本2a和样本2c的估计区间长度更长, 估计结果稳定, 对区制的划分更明显。
由表8可以发现, 在对样本2a和样本2c的最后一步移动窗的估计结果同对样本1a和样本1c的最后一步移动窗的估计结果一样, 向量AR区制转移模型均优于向量AR-ARCH区制转移模型。
2.2.2 区制划分的比较分析
图3、图4是对样本2a和样本2c的最后一步移动窗由含汇率的向量MS模型估计得出的区制平滑概率图, 区制1为股市波动率的高方差区制和汇率波动率的较快升值区制 (图3) , 区制2为股市波动率的低方差区制和汇率波动率的较慢升值区制 (图4) , 相比样本1a和样本1c的最后一步移动窗的估计结果, 见图1、图2, 并无明显差别, 这说明向量区制转移模型对不同样本区间的估计结果均较稳定, 区制划分的特征均明显。
3 结 论
2005年7月汇改以来, 汇率波动率的均值区制和股市波动率的方差区制间关联性通过显著性检验, 汇率波动率的均值区制变化对股市波动率的方差区制有较大影响;汇率波动率的均值区制变化对股市波动的方差有超过80%的解释力;二者的向量区制转移模型对股市波动率的拟合和预测效果均较好。结构为汇率波动率均值区制和股市波动率方差区制的向量区制转移模型, 对我国日度数据的各样本, 估计结果均稳定, 区制划分特征明显, 波动性预测效果良好。
摘要：本文基于二元向量区制转移模型, 分析股市和汇率波动率的区制关联性, 并依据4种模型结构对我国股市波动性的预测效果进行比较。结果表明2005年7月汇改以来, 汇率波动率的均值区制和股市波动率的方差区制间关联性通过显著性检验, 汇率波动率的均值区制变化对股市波动率的方差区制有较大影响;汇率波动率的均值区制变化对股市波动的方差有超过80%的解释力;二者的向量区制转移模型对股市波动率的拟合和预测效果均较好。
关键词：汇率,股市波动,VaR,向量区制转移模型
参考文献
[1].Engle, R.F.Autoregressive conditional heteroskedasti-city with estimates of the variance of the United Kingdom inflation[J].Econometrica, 1982, 50:987~1007
[2].Bollerslev, T.Generalized autoregressive conditionalheteroskedasticity[J].Journal of Econometrics, 1986, 31:307~327
[3].Hamilton, J.D., Susmel, R.Autoregressive condi-tional heteroskedasticity and changes in regime[J].Journal of E-conometrics, 1994, 64:307~333
[4].Hamilton, J.D., Gang, Lin.Stock Market Volatilityand the Business Cycle[J].Journal of Applied Econometrics, 1996, 11 (5)
[5].Kim, Chang Jin, and Charles R.Nelson.State-SpaceModels with Regime Switching[M].MIT, Cambridge, Mas-sachusetts, 1999
[6].Sebastian Edwards, Raul Susmel.Volatility dependenceand contagion in emerging equity markets[J].Journal of Devel-opment Economics, 2001, (66) :505~532
[7].陈守东, 俞世典.基于GARCH模型的VaR方法——对中国股市的分析[J].吉林大学社会科学学报, 2002, (4) :11~17
[8].陈守东, 王晨, 孙叶萌.中国股市波动性的MS方差模型和SWARCH模型比较研究[C].中国现场统计研究会第十三届学术年会论文集, 武汉, 2007
2015年股市波动思考 篇4
关键词：涨停板,股指期货,配资
2015年, 对于中国广大股民和机构投资者来说, 注定是一个不平凡的一年。在年初, 股市在去年已经大幅上涨的基础上, 股价继续疯狂上涨, 达到了5100多点, 许多投资者和机构, 对后市充满了乐观, 有的人甚至预测股市将会达到1万多点。然而, 在大家都十分信心爆满的时候, 股市却掉头而下。经过短暂的拉锯, 在2015年6月份, 短短的一个月, 股市从5100多点, 一直下降到3300多点, 速度之快, 下降的幅度之大, 在中国股市历史上都是从来没有过的。面对这次的快速下降, 国家和政府部门采取了强有力的措施, 包括了政策面、资金面的各种救市措施, 经过各方面的努力, 股价现在终于平稳下来了。目前基本稳定在4000点左右, 虽然如此, 但这次股价波动, 还是给广大投资者和机构带来了相当大的损失, 使大家对中国的资本市场的信心和发展, 产生了许多疑问, 影响了我们后面的一系列措施的推出。通过对整个过程的回顾和思考, 我们认为, 不能从一般的意义上去理解这一次的股市波动, 因为它是中国资本市场发展历史中, 股市波动是前所未有的一次, 不能用以前的波动原因来解释。
对这次股市波动的原因中, 其中有一部分人就认为是因为股指期货的做空机制, 造成了这次股价的快速下跌和波动。这种分析, 目前看来是站不住脚的, 而且是比较浅显的。因为从整个世界资本市场的发展过程来看, 无论是中国的香港, 还是美国和欧洲资本市场, 在资本市场的发展过程中, 一直伴随着股指期货, 也就是做空机制, 并没有造成股市的剧烈波动, 反而起到了一个相对稳定的作用。这次中国股市波动的原因, 我们认为主要是由于中国新出现的融资融券机制和配资机制, 所造成的结果。因为在境外的市场中, 比如香港和美国, 由于涨停板的限制取消, 不存在中国的涨停板限制, 所以融资的功能是十分薄弱的。反而是融券的功能, 也就是做空是十分强大的, 这点和我们中国是完全不相同的, 而我们是恰恰相反, 融资的功能十分强大, 融券的功能, 却十分弱小。这样就造成了一种不平衡, 表现在股市剧烈下跌的过程中, 存在比较多的强行平仓要求, 从而造成连锁效应, 使股价快速下跌。目前管理层也已经看到了问题, 采取了一些措施, 但这些措施恐怕还是不够的, 要想中国资本市场健康发展, 还必须有一些强有力的措施。具体来说, 可以从以下几个方面入手:
1 消涨停板的限制
中国的股市, 原来是没有涨停板限制, 在20世纪90年代初的时候, 只是后来因为各种原因, 开始设立的涨停板制度, 从当初设立的初衷, 是为了防止股价的剧烈波动。但是, 从各个国家和中国台湾的历史发展来看, 从整体上讲, 是做不到和效果比较差的。就以台湾为例, 在资本市场的发展过程中, 也采取了的涨停板制度, 但是效果并不理想, 甚至费尽心思推出过上涨10%、下跌5%的涨停板限制, 都没有什么作用, 最后又不得不取消。而且涨停板制度, 对广大散户来说也是不公平的, 因为通过人为的限制, 现在的股价不能一步到位, 不能正确及时反映股票的价值, 容易造成大盘的剧烈上涨和下跌, 容易造成我们看到的千股涨停和千股跌停现象。因此, 通过这一次的股市波动, 我们应该吸取教训, 因为放开涨停板之后, 个股股价会一步到位, 个股下跌会一步到位, 这样就根本上消灭了融资和配资的基础, 配资的发展受到了极大的限制, 使股市能够健康的发展。
2 加快推出各种股指期货品种
加快推出各种股指期货也是十分重要的, 目前的我们股指期货, 目前有上证50、沪深300、中证500, 品种是十分单一的。有些观点认为, 是股指期货造成了股价的快速下跌, 这种观点是十分浅薄的, 也是错误的。我们认为, 恰恰由于中国的做空机制比较薄弱, 所以在股市疯狂上涨的时候, 没有什么力量能够限制和制约股价的疯狂上涨, 从而造成了许多个股的股价偏高, 整个股市表现为泡沫化的状况。比如, 创业板的股价疯狂上涨, 靠一些概念, 许多个股都已经上涨了好几倍, 被称为神创板。许多人把它归之为个股的疯狂炒作, 但是我们仔细想一想, 如果我们有创业板的股指期货, 有一定的做空机制, 这种疯狂炒作, 是不是会得到某种程度的限制。虽然目前我们有中证500, 但是它还不等于创业板, 是针对中证500指数。因此, 针对这次股价波动的教训, 我们应该大力发展各种股指期货品种, 比如说针对创业板的, 针对中小板股指期货, 甚至是针对B股的股指期货等等。这样的话, 在以后的资本市场中, 股指期货的做空机制, 能够有力的抑制股价的快速上涨, 避免泡沫的形成和膨胀。同时, 降低股指期货的门槛, 对广大散户来说也是十分公平的, 由于中国的股指期货门槛过高, 广大散户一直指责为是一种不公平的现象, 和一种不公平的制度;门槛降低之后, 品种增加之后, 散户和机构投资者, 站在同样一个起跑线上, 同样具有做空、做多的机制。个股的疯狂炒作会得到抑制, 价值投资会得到提倡。
3 对配资的清理和融资的限制
特别对配资清理和限制, 也是我们应该吸取的教训之一。虽然国家目前采取一些措施, 比如说, 关闭了某些软件的接口, 切断了它们的渠道;但是从根本上来说, 国家还应该制定相关的政策和法规, 进行规范化的运作, 对某些确实符合条件的, 运作比较规范的, 资金规模比较大的配资公司, 应该容许它们的存在, 关键是能够在规范、透明的条件下运作, 而不能野蛮生长。可以通过券商的渠道, 在严格监管条件下, 开展配资业务, 其业务规模和种类, 配资的总额, 应该得到严格的监管。对于目前券商的融资规模也应该得到一定的控制, 进一步放宽融券的范围。只有这样, 通过上面采取的一系列措施, 双管齐下, 融资、配资规范化运作, 中国的资本市场, 才能够正确的运用有关的杠杆;世界各国资本市场发展过程中, 都要面对杠杆工具的使用, 中国也不例外。只要我们正确面对, 中国股市一定能在良好的环境中, 得到健康快速的发展。
参考文献
[1]王子豪.股市波动的特征与原因分析[J].现代商业, 2015, (2) .
[2]王仲兵.超越市盈率——简论股票投资价值评价[J].山东经济, 2011, (3) .
杠杆效应与股市的波动行为研究 篇5
与此相对照的是,在“去杠杆”操作时股市又呈现急剧下跌的态势。例如2015年1月16日证监会对12家券商采取监管措施,随之股市次交易日沪指暴跌逾8%,创近8年最大跌幅,跌近300点,深证成指跌近8%[1]。2015年6月12日证监会又发文向场外配资开刀,加紧打击股市配资力度,削弱部分场外资金入市。随之,2015年6月15日至7月8日,短短18个交易日内,上证指数最大跌幅高达34.85%,沪深指数几乎是连续性地出现了“千股跌停”的状况,为A股史上所罕见。
有鉴于此,本文拟选取颇具代表性的上海证券市场的相关交易数据为研究对象,就杠杆效应(以及去杠杆效应)对股市波动的影响进行实证分析,试图充分且深入地研究“加杠杆”及“去杠杆”操作与股市波动之间复杂的关系。这不仅有利于更好地理解本轮股市的猛涨暴跌,更重要的是能够更加清晰地认识金融杠杆,促进金融杠杆的合理使用,通过适度的金融杠杆促进我国金融和经济的快速发展[2],具有重要的理论和现实意义。
论文余下的部分主要有以下安排:第1节为文献综述,主要就国内外研究现状进行概述,并从中发掘出可扩展的空间;第2节为杠杆效应(以及去杠杆效应)对股市波动影响的理论分析,分别从“加杠杆”和“去杠杆”操作这两方面对股市波动的影响进行分析;第3节为实证研究部分,运用时间序列分析法和事件分析法进行定量分析;第4节为结论及政策建议部分,总结实证研究结果并提出相应的政策建议。
1 文献综述
融资融券和场外配资业务等杠杆类投资工具通过“以小博大”的方式为投资者提供了一种新式的投资途径,作为股市中一种重要的信用交易机制是不可或缺的。国内外对其给予极大的重视,致力于对杠杆效应(以及去杠杆效应)的研究。梳理总结现有的研究成果,对于本文接下来的理论分析及实证分析具有重要的借鉴意义。
在早期的国外文献中,Bogen等[3]通过对“金字塔效应—反金字塔效应”的解释分析,认为当股票价格上涨时投资者利用杠杆工具可以以较少的保证金为代价融得更多的资金买进股票,能够在一定程度上刺激需求,加速股票价格的上升。King[4]通过理论及实证分析也得出类似结论:在融资杠杆的作用下,很容易导致股市的过度上涨,产生泡沫价格,短期的波动率上升。Garbade[5]认为当股价上涨的时候,融资交易可以向证券公司融资买入股票,由于杠杆效应,刺激投资者购买股票的欲望,从而促进了股价的上扬,最后导致股票的价格大大高于其内在价值,一定程度上通过杠杆效应加大了股市的波动。Albaity等[6]采用GARCH-M模型对1999年1月至2007年10月期间道琼斯指数、道琼斯可持续发展指数、金融时报股票交易所指数等日数据进行分析,所有筛选指标都显示股市波动在产生负面消息时更为剧烈。Bhat等[7]采用GARCH模型族对孟买证券交易所2002年1月1日至2013年12月31日日数据进行分析,结果显示股市对利空消息的反应程度更为显著。同样地,Liu等[8]通过对S&P100指数波动率的分析,得出类似的结论。
国内文献对此研究起步较晚,林然[9]通过对成熟市场的经验总结以及对A股市场的个案分析,认为融资规模的快速增长成为本次股市上涨的助推器。宋奕青[10]在对2014年7月22日至2015年1月6日股市及融资融券规模的现状进行定性分析中明确指出融资融券杠杆在这轮股市上涨的行情中起了至关重要的作用,通过融资“高杠杆交易”的投资者与日俱增,撬动一轮“疯牛”行情。赵洋[11]定义本轮股市是一轮“加杠杆”的股市,其波动大正是杠杆市的显著特征。而“1·19”黑色星期一的大跌正是“去杠杆”操作的预演,证券会对券商融资融券业务违规行为的处罚被认为是主要诱因。许一力[12]也认为这次行情的发动和融资融券、银行信贷、伞形信托、P2P股票配资、分级基金这些具备“杠杆”性质的资金都脱不了干系。助推“疯牛”的,正是活跃在股市中迅速扩张的“杠杆资金”。
通过以上对文献的梳理可以发现,目前的研究中仍然存在一些可拓展的空间:
其一,虽然现有文献关于“加杠杆”对股市波动影响的定性理论研究已有一些,但是结合实际数据的实证研究仍然非常缺乏。
其二,相比较而言,对“去杠杆”操作对股市波动影响的研究不仅在实证分析方面十分缺乏,而且在理论分析方面也较为粗糙。
其三,同时考虑“加杠杆”以及“去杠杆”操作对股市波动的影响,且从不同期限(不同的时期)进行的分析更是少之又少。
因此,本文针对上述问题,展开理论及实证研究,并给出相关的一些政策建议。
2 杠杆效应对股市波动影响的理论分析
2.1“加杠杆”对股市波动的影响
“加杠杆”,或者称为“高杠杆”,包括场内融资、场外配资、伞形信托等多种形式,是指经济参与者在进行投资的过程中利用少量资本买入远多于其资本所能购买到的资产价值的过程。在本轮资金推动型牛市中,A股市场的杠杆率不断升高,入市资金来源也颇为多样。
下面主要就杠杆力度最低的融资交易对股市波动的影响进行理论分析。融资交易又称为“做多”,就是投资者利用手中的股票或者资金作为抵押,向具有融资业务资格的证券公司借入资金,购买预期价格上涨的股票并在高价卖出,投资者到期无论是获得收益还是发生亏损,都要向证券公司归还所借资金和利息的行为。
杠杆效应是融资杠杆交易的一个重要的特点。投资者可以通过一定比例的杠杆获得远大于自有资金数额的资金购买股票,它可使证券市场的交易量逐步成倍地放大。此外,从成交量不断攀升的态势中可以发现,本轮股市并不缺乏资金面的支持,股市暴涨本质上是由充裕的增量资金借助杠杆推动的。
助推本轮股市行情的增量资金的来源是多方面的:多次降准降息、改革提速以及对市场的逆回购操作等方面因素的驱动;受股市高收益及“赚钱效应”的影响,大量资金自实体经济中撤出,逐渐流入金融资产;融资余额规模不断地扩张,其杠杆率成倍地推动股市成交量等。股市上涨行情启动乃至出现暴涨行情的过程主要有以下几个步骤:首先受基本面的驱动,权重股的股价开始上升,在投资者携资金进入股市进一步推高股价的过程中,吸引更多的投资者进入股市。股市开始出现火热的局面,形成“赚钱效应”。但更重要的是,杠杆在其中起着重大的作用,大量投资者选择通过融资杠杆操作以成倍地扩大股市交易量,这促使更多的资金进入股市。
由上述分析可以发现,杠杆力度最低的融资杠杆尚且能够撬动股市的上涨,更不用说杠杆率高于融资交易数倍的伞形信托及场外配资对股市的助推力度了。“加杠杆”以一种缓慢积累的方式逐步扩大股市交易量,引起股市的上涨,因此需要从长期角度对“加杠杆”对股市波动的影响进行实证分析。
2.2“去杠杆”对股市波动的影响
“去杠杆”就是把原先通过各种方式或工具“借”到的钱退还出去,减少使用金融杠杆的过程。前期催生大牛市的大资金主要来源于融资融券和场外配资业务的高杠杆行为,那么在“去杠杆”操作过程中资金面的大幅缩水就可能会对市场造成极大的冲击和影响。当股市开始转为下跌趋势时,融资买入的投资者就会主动降杠杆并偿还融资,这样股市杠杆投机泡沫需求趋弱的同时,市场主体卖出获利了结,其他正常股票供给也在释放,由此股市将会在短时间内释放出大量的股票供给,从而导致股市出现买卖力量发生不平衡的结果,这将会对股价施以一个向下的压力,股市由此可能会出现大幅下跌的情况。
“去杠杆”操作引起股市下跌的传导路径主要有以下几个环节:第一步,配资机构降杠杆。监管层对融资融券及场外配资业务违规行为的监管致使资金面严重缩水:以融资融券余额为例,2015年6月18日融资融券余额高达2.27万亿,而至7月9日,融资融券余额下降37%,仅1.44万亿。许多配资机构纷纷降杠杆,市场预期发生逆转,加之获利盘的集中出逃,股市出现恐慌性下跌,引发大盘大幅的下挫,个股大面积的跌停。第二步,杠杆爆仓。个股大面积跌停引发高杠杆资金被强制平仓。股市微微的下跌可能会触发一部分“加杠杆”进入股市的投资者的强制平仓,大规模的杠杆资金撤离加速股市的下跌。同时强制平仓会导致较为严重的连锁反应。第三步,资金“踩踏”。股市的下跌又进一步触发更多杠杆资金被强制平仓,更多股票跌停,股市出现的大幅下跌动摇了投资者的情绪,采取高杠杆进入股市的投资者可能会不顾一切逃出市场,大量投资者不计成本地抛售股票,市场发生践踏效应,从而进一步助推了股市的下跌。第四步,市场压垮并崩盘股灾。股灾风险从高杠杆的场外配资逐步传导到场内融资:首先场外配资爆仓被强平、引发恐慌杀跌,促使伞形信托爆仓被强平,以至近期券商两融濒临爆仓。大面积的杠杆资金被强行平仓,进一步加剧市场恐慌。
由上述分析可以发现,“去杠杆”操作可能能够在短期内迅速地引起股市的下跌,因此需要从短期角度对“去杠杆”操作对股市波动的影响进行实证分析。
3 杠杆效应对股市影响的实证研究
3.1 长期内“加杠杆”对股市上涨的影响
根据前文就杠杆效应(以及去杠杆效应)对股市波动影响的理论分析可知,“加杠杆”是一个逐步累积的过程,需要在一个相对较长的时间范围内进行观察,因此本文选用时间序列分析法对“加杠杆”对股市波动的长期影响进行实证分析。
3.1.1 模型的设定
本文主要研究杠杆效应对股市波动的影响。为反应股市波动和杠杆力度,采用上证A股指数和融资交易额两个指标度量,分别以变量sza、rz表示,并且以shibor和rq表示上海银行间同业拆借利率和融券交易额来作为解释变量融资交易额的控制变量。由于数据的自然对数变换不改变原来的协整关系,为减少异方差的影响,对sza、rz、shibor和rq取自然对数,分别以ln sza、ln rz、ln shibor和ln rq表示。具体模型构建如下:
其中:α0为常数,α1,α2,α3为弹性系数,εt为误差项。
3.1.2 数据选取及处理
本文利用时间序列分析法从长期的角度研究“加杠杆”对股市波动的影响。按选取的数据能够反映本次股市大致情况以及对杠杆工具具有代表性的原则,本文实证研究中选取的变量包括上证A股指数(sza)、融资交易额(rz)、上海银行间同业拆借利率(shibor)以及融券交易额(rq)。
1)上证A股指数(sza):因为上证指数和深证指数两者具有较强的相关性,在此本文选取上证指数中代表性较大的上证A股指数(sza)来反映股市波动的大致情况。
2)融资交易额(rz):场内融资是杠杆资金的重要来源,本文以融资交易额来表示融资杠杆的杠杆量。因此本文选取融资交易额(rz)代表股市“加杠杆”的程度。
3)上海银行间同业拆借利率(shibor)和融券交易额(rq):因为上证A股指数受多方面的影响,在此选取上海银行间同业拆借利率(shibor)和融券交易额(rq)作为控制变量。
以上数据的样本取自2014年11月3日至2015年4月28日的交易日数据,共123个交易数据,数据来源于网易财经网以及同花顺i Fin D金融数据库。
3.1.3 数据的平稳性检验
本文采用ADF(Augmented Dickey-Fuller)单位根检验法对上证A股指数(sza)、融资交易额(rz)、上海银行间同业拆借利率(shibor)以及融券交易额(rq)进行平稳性检验,结果如表1所示。
注:①检验类型(C,T,L)中的C、T、L分别表示序列的截距项、趋势项和ADF检验滞后项,0表示没有C或T;②Ln为对数符号,表示变量经过对数处理;③D为差分算法,表示序列取一次差分;④***表示统计量在1%水平上显著,**表示统计量在5%水平上显著,*表示统计量在10%水平上显著。
由表1可知,上证A股指数、融资交易额、上海银行间同业拆借利率以及融券交易额水平序列均非平稳,一阶差分在1%显著性水平上均拒绝存在单位根的原假设,因而各变量均为一阶单整序列,即I(1)。确定各时间序列量均为同阶平稳后,还需要进行协整检验以判断各变量间是否存在协整关系,如此才有避免发生“伪回归”问题的可能性。
3.1.4 杠杆的累积对股市上涨较为长期的影响
本文涉及到多个变量,因此选用Johansen协整检验对上文各变量进行分析以判断杠杆的累积与股市上涨之间的长期关系。通过无约束VAR模型确定最佳的滞后阶数为3期,即VAR(3)。确定滞后阶数之后,采用最大特征值检验和迹统计量来检验各变量是否具有长期均衡关系,Johansen协整检验结果,如表2所示。
最大特征值检验和迹检验均表明在5%的显著性水平下存在1个协整关系,因此变量间存在协整关系,协整方程为
注:*表示在5%的显著性水平下拒绝原假设,存在协整关系。
均衡方程显示,长期内融资交易额、上海银行间同业拆借利率与上证A股指数正相关,而融券交易额与上证A股指数负相关。在长期内,融资交易额对上证A股指数具有助推作用。为增强模型的精度,需要通过建立向量误差修正模型及进行因果关系检验以进一步考察杠杆累积与股市上涨之间的关系。
3.1.5杠杆累积与股市上涨之间关系的进一步研究
本文通过向量误差修正模型与因果关系检验进一步研究杠杆累积与股市上涨之间的关系。因此在上文协整检验的基础上构造向量误差修正模型,模型如下所示:
由公式(3)可以看出,模型中误差修正项的系数为负,符合误差修正项反向修正机制,说明模型具备了误差修正机制,进一步证明了变量之间存在长期均衡关系。模型中误差修正项的系数为-0.014 8,表明当上证A股指数偏离均衡时,将会受到反向修正调整,使上证A股指数以1.48%左右的速度调整至均衡,使其向长期均衡状态收敛。但协整分析只能说明变量之间长期内至少存在单向的因果关系,但不能对各变量长期与短期之间相互的关系进行全面的分析,因此在协整分析的基础上,进一步检验上证A股指数与融资交易额之间的关系,如表3所示。
注:上表3个数据分别表示系数、P值以及t检验值。
根据表3可以发现,在长期,以Δln szat为被解释变量时,误差修正项系数在5%的显著性水平下的t检验显著不为零,因此长期内,融资交易额是上证A股指数的原因;以Δln rzt为被解释变量时,误差修正项系数在5%的显著性水平下的t检验不显著,因此长期内,上证A股指数不是融资交易额的原因。
综合上述分析,上证A股指数与融资交易额在长期存在因果关系,即融资规模的扩大能够推动上证A股指数的增长。即“加杠杆”能够在很大程度上助推股市的上涨。由上述因果关系检验得到融资交易额与上证A股指数之间存在因果关系,而脉冲响应分析和方差分解可以对具有因果关系的变量进行分析,因此从动态的角度继续进行观察。
3.1.6 杠杆累积与股市上涨的动态交互响应分析
为了能更好地理解融资交易额对上证A股指数影响的相对影响程度,本文采用脉冲响应分析及方差分解对杠杆累积与股市上涨的动态关系进行分析。脉冲响应分析描述了对解释变量、控制变量一个标准差冲击对上证A股指数当前值和未来值的影响,如图1所示。
图1报告了冲击发生后10期内上证A股指数反应的动态机制。从图1(2)中可以看出,融资交易额一个标准差的冲击对上证A股指数产生正的冲击,并且在第2期之后冲击逐渐增强。即融资交易额的增加会对上证A股指数产生持续的推动作用,并且推动作用在第2期之后逐渐增强。
接着利用方差分解继续分析,如表4所示。表4报告了冲击发生后10期的方差分解结果。上证A股指数被其自身解释的比例最大,但呈逐渐减弱的趋势;所选取的一个解释变量和2个控制变量对上证A股指数波动的误差扰动都存在贡献率,但其中上证A股指数被融资交易额的解释比例呈现较快上升的趋势,且高于另2个控制变量的比重,并在第10期达到5.64%。表明上证A股指数的预期误差主要受自身的影响,融资交易额对上证A股指数的影响力逐期增强,与另2个控制变量上海各银行同业拆借利率与融券交易额相比影响最为显著。即“加杠杆”对股市的上涨影响显著。
3.2 短期内“去杠杆”对股市的冲击
根据前文就杠杆效应(以及去杠杆效应)对股市波动影响的理论分析可知,“去杠杆”操作可能在短时间内就引发股市的暴跌,需要观察其短时间内对股市产生的影响,因此本文选用事件分析法对股市波动的短期影响进行实证分析。
本文试图运用事件分析法通过“去杠杆”操作发生前后上证A股指数的非正常收益来度量“去杠杆”操作对股市波动的影响程度。
3.2.1 事件的定义
事件1:2015年1月16日是政策去杠杆化的开始,证监会为规范杠杆资金的使用,宣布暂停3家券商新开融资融券账户3个月,并特别强调券商不得向证券资产低于50万元的客户融资融券。据同花顺i Find金融数据显示,2015年1~5日至1月16日,新增融资融券账户数为98 411户,平均日新增账户数为9 841户,而回调融资融券资产门槛的首个交易日即2015年1月19日,新增融资融券账户数骤减至5 463户。与此同时,2015年1月19日股市暴跌,陡降至3 265.34点,与股市前一交易日3 538.42点相比,跌幅高达7.72%,创近8年最大单日跌幅。
事件2:2015年6月12日证监会发文向场外配资开刀,加紧打击股市配资力度,削弱部分场外资金入市。2015年6月15日之后股市出现暴跌行情,至7月8日上证A股指数的收盘价已跌至3 675.64点,短短18个交易日内,上证指数最大跌幅高达34.85%,为A股史上所罕见。
3.2.2“去杠杆”操作发生前的正常收益
为判断2次“去杠杆”操作对股市的影响,有必要对“去杠杆”操作发生前的正常收益和“去杠杆”操作发生后的非正常收益进行计算。正常收益就是该事件未发生时,股市可能带来的期望收益。期望收益由计算经济模型测算。本文为了处理方便,采用均值调整法,即:以估计窗口内的平均收益作为正常收益率。事件窗口的正常收益率公式为
因此,估算出事件1的正常收益为0.5495%、事件2的正常收益为0.5175%。
3.2.3“去杠杆”操作发生后的非正常收益
非正常收益就是该事件发生后实际收益(或日平均超额收益率)与正常收益之差。超额收益就是超过“正常收益率”的收益率。
日超额收益率为
日平均超额收益率为
其中:i表示事件1、事件2,t表示事件前后时点。
查询数据并计算得到,2015年1月16日上证A股指数为3 538.42点,2015年1日与19日为3 265.34点,实际收益率为-7.7176%;2015年6月15日~7月8日的正常收益率为0.5175%,日超额收益率为-43.3679%,日平均超额收益率为-2.7105%,如表5所示。
单位:%
根据表5可知:两事件发生后上证A股指数的实际收益率远低于事件发生前的正常收益率。
上述分析可以直观地发现:监管层的“去杠杆”操作对于股市的波动影响较大,是较强的利空消息,两次股市暴跌很大程度上是由监管层“去杠杆”操作的结果引起的。因此可以根据股指在监管层“去杠杆”操作前后巨大的波动可以推测出本次股市的暴跌在很大程度上是由“去杠杆”操作引起的。
4 结论及政策建议
本文通过时间序列分析法和事件分析法对“去杠杆”操作对股市波动影响的研究,得出下列结论。
第一,上证A股指数与融资交易额之间存在着长期协整关系,进一步证明了杠杆累积与股市上涨之间的长期均衡关系。同时,融资交易额对上证A股指数影响显著,能够产生持续的推动作用,并且推动作用逐渐增强。即说明了“加杠杆”对股市的上涨影响显著。
第二,融资交易额与上证A股指数在长期存在因果关系表明,融资规模的扩大能够推动上证A股指数的增长。即进一步说明“加杠杆”能够在很大程度上助推股市的上涨。
第三,在利用事件分析法的分析中可以发现:股市对“去杠杆”操作的反应程度更加显著。这说明“去杠杆”操作对投资者具有实质性的冲击,投资者容易改变投资组合,一系列的连锁反应会使得股市产生较大幅度的波动。因此股市会对“去杠杆”操作产生剧烈的反应。
实证结果显示,杠杆效应(以及去杠杆效应)在很大程度上引起了本次股市的波动:“加杠杆”在很大程度上引起股市上涨,“去杠杆”操作在很大程度上引起股市下跌。股市猛涨暴跌的行情可能会带给我国股市及经济较大的负面影响,因此研究杠杆效应(以及去杠杆效应)对我国股市的健康稳定具有重大的现实意义。以下,根据本文研究结论,提出几点针对性的建议:
协调“两融”业务的结构。从上述实证研究中也暴露出一个问题:融券交易对股指的影响并不显著,融资融券业务中融资与融券业务的比例是严重失衡的。因此协调好“两融”业务内部的结构,将融券业务的积极作用发挥出来是很有必要的。
规范杠杆业务。本文虽从短期角度对“去杠杆”操作对股市波动影响进行实证分析,但“去杠杆”的过程是长期的。市场监管层需要将场外配资纳入管理范围并加大对杠杆业务的管控力度,建立风险预警机制及控制机制,避免在无类似熔断机制的保护机制下粗暴“去杠杆”操作的情况发生,严惩扰乱股市秩序的行为,严格限制市场过度投机,逐步完善杠杆业务,为投资者创造一个健康的投资环境,让投资者能够无后顾之忧,更好地发挥杠杆为投资者带来的积极正面的影响,以促进我国证券市场的健康发展。
发展实体经济以承托高杠杆的虚拟经济。由近期监管层“去杠杆”操作的事实可以发现,采取强硬办法的“去杠杆”操作会引发股市的暴跌及经济的震荡。因此可采取“反向”思维,以适度的虚拟经济与实体经济相互借力的方式逐步消化高杠杆问题。
需要说明的是,本文更多的强调了短期内“去杠杆”操作对股市波动的影响。事实上,“去杠杆”操作在长期对股市波动的影响同样需要得到重视。因此,接下来将会对“去杠杆”操作对宏微观经济的长期影响进行更深入的研究。
摘要：自2014年11月以来,我国股市行情先是急剧上涨,又以暴跌的形式急剧下跌,对整个国民经济造成很大的影响。究其实质,发现“加杠杆”以及“去杠杆”操作在其间扮演着非常重要的角色。通过对“加杠杆”以及“去杠杆”操作对股市波动影响进行的分析,并运用多种实证方法从长期和短期等不同角度对“加杠杆”对股市波动的影响,以及“去杠杆”操作对股市波动的冲击进行研究,较好地揭示杠杆效应(以及去杠杆效应)对中国股市波动的影响,并给出一些针对性的建议。
关键词：杠杆,去杠杆,传导理论分析
参考文献
[1]张明.企业去了杠杆是否与股市涨跌有什么关联[EB/OL].[2015-07-15].http://mt.sohu.com/20150715/n416838310.shtml.
[2]宫显会.美国金融的杠杆化分析[D].哈尔滨:哈尔滨工业大学,2010:1-2.
[3]BOGEN J I,KROOSS H E.Security credit:its economic role and regulation[M].New Jersey:Prentice-Hall,1960:443-444.
[4]WILLIAMS A W,KING R R,SMITH V,et al.The robustness of bubbles and crashes in experimental stock markets[M].New York:Oxford University Press,1993:183-200.
[5]GARBADE K D.Securities markets[J].Encyclopedia of Corporate Social Responsibility,1982,58(2):638-642.
[6]ALBAITY M,AHMAD R.Return performance and leverage effect in islamic and socially responsible stock indices evidence from dow jones(DJ)and financial times stock exchange(FTSE)[J].African Journal of Business Management,2011,5(16):6927-6939.
[7]BHAT S A,NAIN M Z.Modelling the conditional heteroscedasticity and leverage effect In the BSE sectoral indices[J].Iup Journal of Financial Risk Management,2014(2):49-61.
[8]LIU H C,HUNG J C.Forecasting S&P-100 stock index volatility:The role of volatility asymmetry and distributional assumption in GARCH models[J].Expert Systems with Applications,2010,37(7):4928-4934.
[9]林然.《股市动态分析》策略回顾:从“借来的牛市”到“战略性撤退”[J].股市动态分析,2015(4):16-16.
[10]宋奕青.撬起大盘的杠杆[J].中国经济信息,2015(2):44-45.
[11]赵洋.股市”去杠杆”意在引导资金流向[J].中国金融家,2015(2):118-119.
债市和股市波动非对称性 篇6
债券和股票作为证券市场中主要的投资品种, 已成为投资者构建投资组合的重要组成部分, 研究股票与债券波动的关联性对于投资组合构建有重要影响。Fleming、Kirby和Ostdick (1998) 将影响市场的信息因素分为两个方面:一是共同信息对金融市场产生的影响; 二是由于套期保值行为所导致的的信息溢出效应, 投资者的跨市场投资时, 当其中的一个市场的信息发生改变时, 会直接改变他的投资预期, 投资者就会重新调整其投资组合来达到利益最大化[1]。对金融资产收益序列而言, 信息冲击引起的价格波动存在非对称性。负的冲击很可能比相同强度的正的冲击引起更大的波动, 即杠杆效应。股票市场和债券市场当受到共同信息或跨市场套期保值者行为所带来的信息冲击时, 债券和股票的价格呈同方向或反方向变化。
对成熟资本市场的股票与债券的相关性研究取得了丰硕的成果。Bolleslev等 (1988) 通过构建对角VECH模型来分析债券和股票市场之间的波动性, 并对CAPM模型进行检验[2]。Fleming、Kirby和Ostdiek (1998) 研究影响股票和债券市场之间波动溢出效应的信息, 认为溢出效应是受到共同信息的预期和跨市场的套期保值行为所导致的信息溢出两方面的[1]。Chan等 (1997) 通过对债券市场和股票市场的研究, 发现至少存在一种非静态的因素推动股票和债券价格的波动, 随时间的变化, 两者的价格会出现背离[3]。Goeij等 (2004、2009) 通过对美国的国债市场和股票市场构建二元ADVECH模型, 研究了债券和股票市场在同时受到同方向和反方向的信息冲击时, 债券和股票之间的条件方差 (协方差) 的非对称效应效应[4,5]。随着我国资本市场的发展, 学者对中国股票市场与债券市场间的相关性也展开了实证研究。刘建春 (2005) 分别从宏观层面与微观层面分析了股票与债券的相关性[6]。万军等 (2007) 运用多变量EGARCH模型研究利率与沪深股市间波动溢出效应, 发现利率与沪深股市存在显著的双向波动溢出[7]。王璐等 (2008) 在构建股市和债市DVAR模型的基础上研究发现两市存在波动溢出效应, 但整体溢出影响较低[8]。曾志坚等 (2007) 研究表明股票市场和债券市场的收益之间存在领先-滞后关系, 认为债券市场和股票市场的月度收益之间是时序相关的[9]。袁超等 (2008) 使用非对称的动态条件相关系数模型, 研究股票与债券之间动态条件相关系数和两个市场对冲击的不同反应程度, 研究发现相关系数受到联合负冲击的影响要大于联合正冲击的影响[10]。
目前, 对我国股票与债券在信息冲击下非对称性研究, 考虑到信息冲击下两者价格同向变动, 而尚未考虑反向影响效应。某一信息冲击对于股市的冲击是负的而对于债券来说是正的, 从而使得资产之间在非对称效应的作用下波动溢出效应也会发生变化。王璐 (2008) 研究得出, 国民经济发展促使股市和债市反方向波动[11]。Goeij和Marquering (2004) 研究表明, 当资产之间存在条件方差的非对称性, 那么条件协方差也极有可能存在非对称性[4]。袁超等 (2008) 已实证得出了我国股市和债市之间的条件方差存在非对称性, 但没有对两市之间的协方差非对称效加以实证研究[10]。本文在以上研究的基础上, 运用Goeij和Marquring (2004) 拓展的非对称对角GARCH模型 (ADVECH模型) [4]来研究股票市场与债券市场之间的波动溢出相关性及信息冲击下的波动溢出的不对称性。
2 研究方法
2.1 DVECH-GJR模型
为了考察金融资产收益之间的不对称性, Nelson等 (1995) 运用二元EGARCH模型来估计股票市场不同行业之间β系数的非对称性[12]。Glosten等 (1993) 在GARCH模型的条件方差方程中加入虚拟变量来考察负面信息冲击下价格波动的杠杆效应, 拓展为GJR模型[13]。根据Glosten等 (1993) 的思路[13], 在二元对角VECHGoeij、Marquering (2004) 在DVECH-GJR模型的基础上拓展了广义的二元GJR-GARCH模型 (ADVECH模型) [4], 除了考虑到资产之间的方差不对称性之外, 还加入了资产间协方差的不对称性。二元ADVECH-GJR模型的条件方差方程形式为:
其中, Iεt为虚拟变量, 当εt<0时, 其取值为1; 在其它情况下, 其取值为0。ADVECH模型中, 根据εt的取值取不同, 方程 (3) 中的虚拟变量的组合分别为:Q1= (1, 1) , Q2= (0, 0) , Q3= (1, 0) , Q4= (0, 1) 。 因此, ADVECH模型中包含的三类非对称项:Q1= (1, 1) , Q2= (0, 0) 即为Iεi, tIεj, t项, 表示当资产i和资产j同时受到同方向的信息冲击时的非对称效应, 即当两类资产同时受到负面或者同时受到正面信息冲击时的非对称效应。Q3= (1, 0) 为Iεi, t (1-Iεj, t) 项, 表示当资产i受到负面信息冲击, 而资产j受到正面信息冲击时的非对称效应。Q4= (0, 1) 为 (1-Iεi, t) Iεj, t项表示当资产i受到正面信息冲击, 而资产j受到负面信息冲击时两者的非对称效应。当资产之间存在方差的不对称很可能会存在协方差的不对称性, 从而, 把协方差非对称效应加以考虑, 能够更好的得出债市和股市间的波动相关性。根据虚拟变量的不同取值, 二元ADVECH模型的条件方差方程等价于为下面形式:
其中, cij、aij、bkij (i, j=1, 2;k=1, 2, 3, 4) 分别为对称矩阵C、A、Bk的第 (i, j) 个元素。aij、b1ij项用来考察资产之间的波动溢出效应;I2ε1, tε21, t 、I2ε2, tε22, t两项表示在受到信息冲击时两个市场自身条件方差的非对称性;Iε1, tε1, tIε2, tε2, t、Iε1, tε1, t (1-Iε2, t) ε2, t、 (1-Iε1, t) ε1, tIε2t, tε2, t两个市场之间的条件协方差的非对称性。从方程 (4) 中可以看出, 待估系数为14个[14]。此外, 为了考察估计系数的显著性, 本文将对估计的矩阵元素进行Wald王璐等的研究结果 (2008) [8]相一致。说明债券 (股票) 市场的价格波动会使得股票 (债券) 市场的价格发生相应的变化, 投资者会根据两个市场之间的价格变化来调整自身投资组合的构成。
②方差的非对称效应
对于金融时间序列, 负的冲击往往可能比相同程度的正的冲击引起更大的波动, 也就是杠杆效应。例如, 对于股票收益而言, 负的冲击会导致公司的财务杠杆比率上升, 从而增加了持有该股票公司持有者的风险, 进而引起股票价格的剧烈波动。上证国债指数与沪深300指数之间的条件方差非对称效应在条件方差方程中所对应的是 ( (I2εi, tε2i, t) , i=1, 2) 项。从表3的结果中可以看出, DVECH模型的方差非对称项I2ε2, tε22, t在1%的置信水平下显著, 而I2ε1, tε21, t项系数没有通过显著性检验, ADVECH模型的方差非对称项I2ε1, tε21, t、I2ε2, tε22, t在10%和1%的置信水平下显著, 说明股债市场在受到负面信息冲击下比正面信息冲击下的波动幅度更加剧烈。因而, 说明在考察股市和债市间的波动溢出时要考虑协方差非对称。此外, 两个模型中债券的杠杆效应 (I2ε1, tε21, t) 分别为0.0419、0.061大于股票的杠杆效应 (I2ε2, tε22, t) 为-6.82e-03、-0.007, 说明在样本区间内, 债券在受到负面信息冲击下比在相同情况下股票的冲击波动更加剧烈, 对于信息冲击更加敏感。
③协方差的非对称效应
表3的估计结果表明, 不仅方差而且协方差也表现出了显著的不对称效应。当债市和股市都受到负面信息冲击, 其协方差对应项为Iε1, tε1, tIε2, tε2, t, 正估计参数说明当两市同时受到负面信息冲击时产生的价格波动要大于同时受到正面信息冲击时产生的价格波动。债市受到负面信息冲击, 而股票受到正面信息冲击时, 其所对应的非对称效应项为Iε1, tε1, t (1-Iε2, t) ε2, t负的参数估计量说明当债券市场受到正面信息的冲击而股票市场受到负面信息冲击的时, 比债券市场受到负面信息冲击的而股票市场受到正面信息冲击时两者之间的条件协方差收益更加高。对于股票与债券两个市场之间对于同一信息下非对称项 (Iε1, tε1, tIε2, tε2, t) 和当债市受到正面信息冲击, 而股票受到负面信息冲击时所对应的非对称效应项 (1-Iε1, t) ε1, tIε2, tε2, t没有通过显著性检验。债市受到负面信息冲击, 而股票受到正面信息冲击时, 其所对应的非对称效应项为Iε1, tε1, t (1-Iε2, t) ε2, t, 该参数在10%的置信水平下显著。正的参数估计量说明当债券市场受到负面信息的冲击而股票市场受到正面信息冲击的时, 比债券市场受到正面信息冲击的而股票市场受到负面信息冲击时两者之间的条件协方差收益更加高。当投资者的投资组合中相应的资产价格变动时, 投资者会增加安全资产, 进而减少对风险较大资产的投资, 而本文的实证研究结果验证了这一现象的存在。
④非对称效应的检验
通过条件方差方程的系数估计, 我们发现了债券和股票两个市场之间的方差非对称效应显著, 而在协方差非对称效应系数中, 只有 (1-Iε1, t) ε1, tIε2, tε2, t项系数显著, 因而我们对回归系数的显著性进行检验。从表4可以看出, W3的值没有通过显著性检验, W1的值在1%的置信水平下显著, 债券与股票两市之间总体上存在非对称效应。W2的值在%的置信水平下显著, 说明债券和股票两市之间的方差存在非对称效应, 对于负面信息的冲击, 两个市场都会出现较大的收益波动。由于ADVECH-GJR模型包含了DEVECH-GJR模型, 所以根据估计的似然函数值, 就可以对模型的进行似然比 (LR) (3) 检验, 其LR值为7.98, 在5%的置信水平下显著, 说明了在研究股市和债市的波动性要考虑协方差的非对称效应。对于投资者而言, 不仅要关注债券市场和股票市场受同一信息冲击下价格同向变动, 也要关注债券市场和股票市场同一信息冲击下价格反方向的变动, 从而更好的调整投资组合。
4 结论
由于在信息冲击下非对称效应的存在, 使得金融市场不仅方差存在非对称效应, 而且协方差也存在非对称效应。本文使用加入非对称项的对角VECH (ADAECH) 模型, 实证研究债券市场与股票市场波动的非对称效应。研究发现, 当债券和股市受到同方向冲击和反方向冲击时, 存在显著的非对称效应。债券市场和股票市场存在条件方差非对称效应, 而债券市场和股票市场间对同一信息呈反方向变动的协方差非对称效应也在一定程度上显著存在。
摘要：由于在信息冲击下非对称效应的存在, 使得金融市场不仅方差存在非对称效应, 而且协方差也存在非对称效应。运用加入非对称项的对角VECH (ADAECH) 模型, 实证研究债券市场与股票市场波动的非对称效应。研究发现, 债券市场和股票市场存在显著条件方差非对称效应, 而债券市场和股票市场间对同一信息呈反方向变动的协方差非对称效应也在一定程度上显著存在。
中国沪深股市波动的实证分析 篇7
人们一直都在探究金融市场上金融产品的价格变化特征和趋势,曼德勃罗和法玛研究发现了金融产品价格变化具有“波动聚类”的特性。[1]股票市场的波动性不仅随着时间而变化,而且波动具有长记忆性和持续性———如果当期市场波动幅度较大,那么紧随之后的也往往是大波动;反之,如果当期市场波动幅度较小,则下一期的波动一般也会比较小。[2]为了分析这些波动特性,很多模型被开发并改进。En-gle[3]给出了ARCH模型来描述股市波动的聚类性与持续性;在此基础上,Bollerslev[4]提出了改进的ARCH模型———GARCH模型来刻画波动随时间变化所产生的异方差性;之后,Nelson引进了EGARCH模型来反映信息波动非对称①的影响;Crouhy和Rockinger运用ATARCH和HGARCH模型比较分析了全球21个主要股票市场的波动特征。[5]
近些年来,对于国内股票市场的研究持续不断。在应用GRACH模型时,主要集中于运用单变量的GRACH模型对沪深股市的收益率进行拟合,以此检验股市波动性的特征。王承炜和吴冲锋研究发现,沪深股市A、B股之间是即时正相关的。另外,还利用EGRACH模型对市场波动的不对称性和“杠杆效应”进行检验。胡永宏、陆忠华等人运用这一模型进行了实证分析,结果表明,沪深股市的日收益率存在着明显的杠杆效应,收益率对波动强度的影响具有非对称性。[6]
与国外成熟股票市场相比,我国沪深股市表现出更高的复杂性和不可预测性。因此,对我国沪深股市波动非对称性进行研究具有重要的理论意义与现实意义。文章旨在运用GRACH族模型来对中国沪深股市的波动性进行刻画研究,通过比较不同模型之间的差异,得到能够较好地描述中国股票市场波动性的工具。
2 数据基本特征及诊断性信息
2.1 数据的基本统计资料
根据张剑等(2002)研究发现,1996年年底实行的涨跌停板制度对我国股市的波动产生了很大的影响,因此本文主要研究的是1997年之后我国股市波动性的特征,选取了1999年1月2日至2010年5月21日上证综合指数和深圳成分股的收盘价,共2904个观测值。
假设pt为t期的收盘指数,在探究金融产品价格变化时通常使用对数收益率来衡量:
pt-1为上一期的股票指数,从而计算得到2904个沪深股市的收益率序列rsht和rszt。
注:*,**,***分别是在10%,5%和1%的水平下显著。
从表中可以看出,沪深两个市场的峰度达6.0以上,并且都带有一定的负偏态,但相比而言,沪市比深市的股指收益率分布的峰度更高,偏度更小。另外,两市收益率曲线都呈现较为明显的尖峰厚尾特征。沪市平均收益率要低于深市,但两市的最大最小值很相近,在波动性上沪市波动性略小。而从J-B统计量上可以得出,两市收益率序列都不服从正态分布。
2.2 数据平稳性和自相关检验
对收益率序列进行平稳性检验,考虑到异方差性的影响,相比用ADF方法检验平稳性,选用PP检验的效果更好。PP检验结果显示沪深两市收益率序列都是平稳的,可进行预测。同时,由滞后35期的自相关图与偏自相关图可知上证收益率5阶以上都有较强的自相关性,且Q检验统计量很大,因此上证综合指数收益率并不是白噪声序列。而深圳成分指数收益率从3阶开始表现出较强的相关性,并一直持续到35期自相关。综上所述,沪深两市股票收益率序列都不是白噪声,缺失平稳的时间序列,可以做相关的预测。
3 实证研究
3.1 对收益率序列建立均值方程
由于沪市收益率与深市收益率的相关系数为0.938,因此沪深股市的收益率之间的相关性很强,另外,从收益率曲线图中也可以直观地看出沪深收益率具有相同的走势。
在建立上市收益率的均值方程时,应该加入深市收益率作为解释变量。同样地,在对深市收益率做回归时也要将上证指数收益率作为解释变量。
从两市的收益率方程可以看出,上证指数收益率与深圳成分指数收益率的当期值表现出较强的正相关关系,其回归系数为0.848,但与其自身滞后一期的系数不显著;而深圳成分指数与其滞后一期的系数显著,有一定负自相关,同时,当期沪市对深市收益率的影响作用的回归系数为1.038。可以看出,相比较而言,沪市对深市的影响要更为显著一些。综上可以得出,股市当前的股价信息对后来的股价走势的影响是很显著的。
残差的PP检验显示,当最大滞后期为27时,两市的残差t统计量的p值远远小于1%,说明残差序列是平稳的,同时也表明对收益率进行拟合的均值方程是恰当的。再者,采用ARCH-LM检验对沪深市场收益率回归方程残差序列进行检验,当回归滞后期为10时,LM统计量和F统计量值都很大,p值远远小于1%,因此在显著性水平为1%下拒绝原假设,即认为残差具有异方差性。而对于异方差性的处理,本文进一步使用GARCH模型来进行拟合,以此使得方程参数的估计精度提高,从而令预测更加准确。
3.2 GRACH模型的建立
在由上可知收益率序列存在ARCH效应的前提下,文章利用GRACH模型来对残差的波动性进行拟合。由于收益率的残差并不服从正态分布,因此在对参数进行似然估计时,需要采用一定的厚尾分布。
通过多次拟合得出多个方程,再根据AIC和SC等信息判断准则对模型进行筛选,最终选择一个最优的拟合模型。
上证综指收益率的拟合模型为:
从上述模型可以看出,模型除常数项以外的各项系数之和小于1,表明残差的平方项是趋于平稳的。而在深市的条件方差模型中,出现了系数项为负的情况,说明模型的拟合不当,因此在文章中不予展现,从另一个方面也可以看出GARCH模型的缺陷。GARCH模型要求参数必须非负,然而在现实情况中这种非负约束往往是不能满足的。[7]
3.3 关于中国股市非对称性的研究
为了研究上证综指与深证成指对利好与利空消息的不同反应,文章选用EGRACH这一非对称模型。EGRACH相比GARCH模型有几个优点:第一,指数函数去除了ARCH和GARCH模型所要求的估计系数必须为正的限制;第二,GRACH模型对于许多金融时间序列中经常存在的明显负向不对称是非容忍的,因为该模型的条件方差由随机误差项的数值大小而非符号方向所决定,而EGRACH模型则很好地解决了这一问题,EGRACH将标准化后的残差作为方程中的移动平均回归因子,同时还保留了数量效应的估计。
上证综合指数收益率的EGARCH(1,1)模型:
由EGARCH模型可以看出,利好消息出现时,对上证指数波动率的影响系数为0.14,利空消息对波动率的影响系数为-0.18;同理可以求出,利好消息出现时,对深证指数波动率的影响系数为0.17,利空消息对波动率的影响系数为-0.15。
在面对利好消息和利空消息时,上证指数收益率和深证成分指数收益率反应程度有所差距,在对利好消息的反应上,深证成分指数比上证综合指数强;而在对利空消息的反应上,深证指数的反应程度稍弱一些。
4 结论
基于GARCH类模型对国内股票市场的实证分析可以得到以下结论:
(1)通过建立均值方程,可以看出,股市中当天的信息对未来的价格走势有着显著的影响;此外,沪深两市的收益率序列的残差存在异方差性,两者都随时间而变化,明显表现出收益率波动存在一定的集聚性。
(2)运用GARCH模型分析上证收益率的波动性,各项系数之和即衰减系数为Σα+β=0.996,这一系数表示信息衰减的速度很慢,当期信息对未来走势的影响作用具有持续性的特点。并且,滞后一期的条件方差对当期条件方差的影响系数为0.916,影响作用很大。相比之下,滞后一期波动的残差平方项对当期条件方差的影响作用较小。
(3)利用EGARCH模型对上证指数和深圳成指进行探究,发现上证指数收益率和深证成分指数收益率对待不同信息时具有相同趋势的反应,但程度有所差别。由此得出,沪深市场都存在显著的“非对称效应”,但比较而言,上海证券市场中非对称效应更明显一些。
参考文献
[1]聂富强,宋国军.沪、深股市波动不对称性的实证分析[J].数理统计与管理,2007(1):172-175.
[2]李亚静,朱宏泉,彭育威.基于GARCH模型族的中国股市波动性预测[J].数学的实践与认识,2003(11):65-69.
[3]Engle R F.Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom Inflation[J].Econometrica,1982(5):987-1006.
[4]Bollerslev T.Generalized Autoregressive conditional heteroskedasticity[J].Journal of Econometrics,1986(3):307-327.
[5]Crouhy and Rockinger.Volatility Clustering,Asymmetry ang Hysteresis in Stock Returns:International Evidence[J].Financial Engineering and the Japanese Markets,1997(4):1-35.
[6]马明.基于GRACH模型的股市波动特征及相关性分析[D].南京:南京理工大学硕士学位论文,2007.
【股市波动经济发展】推荐阅读：
经济周期对股市的影响07-11
经济波动期05-25
宏皓：经济和股市转型趋势正在形成10-16
西部经济周期波动10-21
新疆经济增长波动分析06-03
股市泡沫05-22
股市特征06-04
股市分析09-08
股市现状09-11
股市诗词07-27