内容摘要:为应对国际金融危机,中国政府于2008年11月5日公布了四万亿投资计划来提振经济。本文运用GARCH模型,通过考察该经济刺激计划公布前后中国股票市场不同的波动性特征,分析政府的投资承诺对市场有效性的影响。本文的数值分析表明:四万亿投资计划有效地降低了中国股票市场的异常波动,恢复了投资者信心,使得投资行为回到理性的轨道。
关键词:四万亿投资计划股市波动性政府承诺GARCH模型
问题提出
2008年下半年以来,国际金融海啸席卷全球,被誉为“世界工厂”的中国自然不能独善其身,对外贸易急剧萎缩。面对金融危机的严峻挑战,中国政府于2008年11月5日出台了四万亿投资计划,力图在稳住外需的同时,立足全面扩大内需。2009年我国国内生产总值为335353亿元,按可比价格计算,比上年增长8.7%,超额完成了年初所定下的“保八”目标。在这个过程中,四万亿投资计划的作用绝不仅仅是通过增加政府支出而生硬地拉动需求,更多的是通过政府的投资承诺来帮助投资者恢复信心,从而维护市场的稳定,使得经济活动重返健康的运行轨道。
股票市场常被人们看作一个国家经济活动的晴雨表,而股市的波动性则很大程度上反映了股票市场的稳定程度。因而波动性是股票市场最主要的特征之一,对股市波动性的研究始终是理论界关注的热点。
在传统的金融经济学中常用方差来度量波动性。然而这种静态的指标能够度量确定时间内收益率的波动情况,却无法体现金融资产收益率波动随时间变化的特征,无法满足人们实时监控的需求。这种困境直到1982年R.Engle提出了ARCH模型后才被打破。自回归异方差模型(即ARCH模型)以及广义自回归条件异方差模型(即GARCH模型)被大量地应用于金融市场的研究,来描述股票价格、利率、汇率、期货价格等金融时间序列的波动性特征。
本文运用GARCH模型,通过考察该经济刺激计划公布前后,中国股票市场不同的波动性特征,分析政府的投资承诺对市场有效性的影响。
GARCH模型介绍
对股票市场价格的波动性研究已有很长一段历史,早在20世纪60年代,Fama(1965)就观察到金融产品价格及收益率的变化率不但随时间t变化,而且常常在某一时段出现偏高或偏低的情况,即价格波动呈现集簇性,方差存在时变性。此后,学者们围绕着价格及收益率波动特征进行了大量的研究。其中,Engle(1982)提出的自回归异方差模型(即ARCH模型)以及它的扩展模型最成功地模拟了时变方差的特性。ARCH模型的主要贡献在于发现了经济时间序列中比较明显的变化是可以预测的,并且说明了这种变化是来自某一特定类型的非线性依赖性,而不是方差的外生结构变化。Bollersles(1986)将ARCH模型一般化,除了考虑误差的滞后项,还加入了误差项条件方差的滞后项,从而得出了广义自回归异方差GARCH模型。
一般的GARCH模型可以表示为(Bollerslev.T.,1986):
均值方程:
(1)
方差方程:
(2)
其中,是时刻t-1及t-1之前的全部信息;Vt独立同分布,且参数满足条件:这里ht可以理解为过去所有残差的正加权平均;这与波动率的聚集效应相符合,即:大的变化后倾向于有更大的变化,小的变化后倾向于有较小的变化。由于GARCH(p,q)模型是ARCH模型的扩展,因此GARCH(p,q)同样具有ARCH(q)模型的特点。但GARCH模型的条件方差不仅是滞后残差平方的线性函数,而且是滞后条件方差的线性函数。
GARCH模型运用不大的计算量,方便地描述了高阶的ARCH过程,因而具有更大的适用性。
实证分析
(一)样本选择
“上海证券综合指数(简称上证综指)”由上海证券交易所编制,以上海证券交易所挂牌上市的全部股票为计算范围,以发行量为权数综合。上证综指反映了上海证券交易市场的总体走势,具有覆盖面广、精确度高、连续性好等特点,被认为是中国股市的理想代表。
为了剔除1997年亚洲金融危机以及2005年中国股权分置改革影响的噪音,集中考察四万亿投资计划对中国股市波动性的影响,本次研究选取的样本是:2005年4月29日至2009年12月4日上海证券综合指数的日交易数据,共1120组数据。
(二)数据的平稳性检验和描述性统计
Granger于1981年指出,如果对不平稳的时间序列进行OLS回归,会产生伪回归(spuriousregression)的问题。Nelson和Plosser于1982年观察到,大多数经济数据时间序列都不平稳。因此,要在使用GARCH模型之前检验数据的平稳性并了解数据的基本统计特征。
1.平稳性检验。分别对四万亿投资计划公布前后上证综指收益率序列进行单位根检验,使用ADF(AugmentDickey-Fuller)检验。对收益率的ADF检验,选择滞后4阶,带截距项而无趋势项。结果如表1所示。四万亿投资计划公布前后的收益率序列(对指数序列作对数差分得到),在1%显著性水平下都拒绝了原假设,即不存在单位根,收益率序列是平稳的。
2.描述性统计。四万亿投资计划公布前,样本期内上证综指收益率均值为0.0454%,标准差为2.0927%,偏度为-0.361997,左偏。峰度为5.656990,远高于正态分布的峰度值3,说明样本期内上证综指收益率具有尖峰和厚尾特征。Jarque-Bera正态性检验也证实了这点,统计量为269.5396,P值接近于0,说明在极小水平下,收益率rt显著异于正态分布。
四万亿投资计划公布后,样本期内上证综指收益率均值为0.239%,标准差为2.0732%,偏度为-0.43857,左偏。峰度为4.242314,高于正态分布的峰度值3,说明样本期内上证综指收益率具有尖峰和厚尾特征。Jarque-Bera正态性检验也证实了这点,统计量为25.53627,P值接近于0,说明在极小水平下,收益率rt显著异于正态分布。
由上可知,上证综指收益率在四万亿投资计划公布前后,均是平稳序列且偏离正态分布。下面将确定均值方程并检验ARCH效应。
(三)均值方程确定及ARCH效应检验
本文将考察中国政府为扩大内需促进经济平稳较快增长而出台的四万亿投资计划对股市波动性的影响,因此,把样本期以四万亿投资计划公布的时点―2008年11月5日为界,分成前后两部分。下面分别确定四万亿投资计划公布前后上证综指收益率的均值方程。
1.上证综指收益率的均值方程。通过对收益率的自相关检验,以自相关函数结果的显著性为依据,并结合信息准则(informationcriteria)和股市运行规律进行判断,可以确定上证综指收益率在四万亿投资计划公布前后的自回归阶数分别为15阶与11阶。上证综指收益率在四万亿投资计划公布前后的均值方程分别可采用如下形式:
四万亿投资计划公布前:rt=c+art-15+εt
四万亿投资计划公布后:rt=c+art-11+εt
2.ARCH效应检验。四万亿投资计划公布前后上证综指收益率ARCH效应检验如表2、表3所示。从ARCH-LM检验结果可以看出,四万亿投资计划公布前上证综指收益率存在明显的自回归条件异方差(即ARCH)效应,计划公布后ARCH效应仍然存在。因此,计划公布前后上证综指收益率数据适用GARCH模型。
3.GARCH(1,1)实证检验。从描述性原始的GARCH模型对均值方程误差项采用正态分布的假定,但是,金融时间序列大多存在尖峰、厚尾的特性,因此在实际运用中要考虑其它的分布形式,比如t分布和广义误差分布(GenelizedErroerDistribution,GED)等。t分布的尾部要比标准正态分布肥大。当自由度趋于无穷大时,t分布的概率密度函数就等于标准正态分布的概率密度函数,因此,可以把t分布看作是广义的正态分布。广义误差分布则是由JPMorgan在RiskMetrics中提出的。
在对四万亿投资计划公布前后上证综指的均值方程误差项进行的描述性统计中,都发现了尖峰、厚尾的特征。通过检验采用不同条件误差分布的GARCH(1,1)模型的拟合结果,发现计划公布前t分布为条件误差分布的最佳设定,而在计划公布后,尖峰、厚尾的特征减弱,正态分布的假设较为合适(分析过程所使用的软件是EViews5.0)。
四万亿投资计划公布前后上证综指收益率的拟合结果如表4、表5所示。对表4、表5进行整理可得到表6。
综上,在四万亿投资计划公布之前,α1+β1等于1.00102,突破了GARCH模型稳定的条件,说明中国股市在政府出台扩大内需促进经济增长的计划之前具有非常强的波动持续性,市场信心不足,投资理性受到负面信息的严重影响。而在四万亿投资计划公布之后的一年多时间里,α1+β1下降到0.949161,说明政府扩内需的政策利好支持下,中国股市波动的持续性明显下降,市场信心得到恢复,非理性投资行为得到有效遏制。
结论及政策建议
(一)结论
历史经验表明,大多数金融危机本身并不具有决定性的摧毁力。但是,危机所引起的恐慌、投资者信心下降以及人们的非理性操作积聚在一起,形成了一种极其消极的预期。这种预期与现实的危机相互佐证,构成了超越各自本身力量的破坏力,给经济体造成额外的伤害。
2008年11月,面对日趋严峻的世界经济形势,中国政府开始实行积极的财政政策和适度宽松的货币政策。其中,四万亿投资计划正是政府为扩内需保增长而做出的重要努力,也是在市场失灵时,政府对投资者做出的一种承诺,其目的不仅在于实在的投资增量,更在于就此扭转民众对未来经济的悲观预期。
本文将股票市场作为一国经济活动的有效表征,并选取上海证券综合指数作为中国股市的代表,通过对该股票指数收益率在此四万亿投资前后波动性特征的研究,发现收益率的波动具有明显的ARCH效应。
本文的主要结论如下:
上海证券综合指数的收益率具有尖峰、厚尾的特征,在经济刺激计划公布前t分布比正态分布更能准确的描绘条件误差分布。上海证券综合指数收益率在经济刺激计划公布前后分别与其15阶和11阶滞后项有显著的自相关关系。上海证券综合指数收益率在整个样本期内都有显著的ARCH效应。上海证券综合指数收益率的波动持续性在四万亿投资计划公布后出现了显著的下降。
(二)政策建议
从本文的结论可以看出,上海证券综合指数收益率波动的持续性在四万亿投资计划公布后短期内出现了明显的减弱。这表明,在危机来临或扩散过程中,政府应该而且能够采取积极的财税政策来帮助人们重建合理的、符合市场规律的预期,从而避免因投资者自身非理的积聚与协同效应而造成的危机恶化。
参考文献:
1.Nelson,D.B.,&Cao,C.Q.(1992).InequalityconstrainsintheunivariateGARCHmodel.JournalofBusinessandEconomicStatistics,10,229-235
随着社会的进步，中国证券业日益发展和成熟，以及国际金融市场的不稳定性加剧，资本资产定价理论越来越受到专家学者的重视。β系数的测量是运用资本资产定价模型进行理论分析和实务操作的关键环节。β系数反映了某种（类）资产价格变动受市场上资本价格平均变动的影响程度。近年来，随着我国证券市场的发展，以及国际金融市场的不稳定性加剧，证券市场的系统性风险更多地引起了人们的注意。因此，对β系数的准确估计具有重要的现实意义，同时具有极其重要的理论价值。
二、国内外的主要研究
1971年3月，Blume在《金融学刊》上发表了“论风险的衡量”一文，研究了1926年1月到1968年6月间在纽约证券交易所挂牌上市的所有股票，估计出各时间段的β系数，然后以统计学的相关分析法为基础，对单个股票和不同规模组合的β系数的稳定性进行检验。他得出的主要结论是：①在一个时期内估计出来的风险系数是其未来估计值的有偏估计值；②组合规摸越大，未来的β系数能被更准确的预测；③高β系数的股票在下一期的β系数被动相对较小，而低β系数的股票在下一期间内则变动较大，并且低风险股票组合的β系数表现出的回归趋势比高风险股票组合的β系数更为显著。同一年，Levy研究了1960~1970年间在美国纽约证券交易所上市的500只股票，缩短了估计时间，采用周收益率为数据，并改变了前后估计段等长的传统做法，以52周为基期，后续期分别为52周、26周和13周。研究得出，在较短的时间段内（52周），单一股票的β系数是相当不稳定的，但组合β系数的稳定性有显著的提高。而且组合规模越大，估计时间段越长，β系数稳定性越高。Bos和Newbold（1984）、Collins与Ledolter和Rayburn（1987）等都对β系数的稳定性进行了研究。Groebewold和Fraser（1999）研究了澳大利亚上市公司的β系数的时变性。Estrada(2000)在研究欧洲的股票β系数的稳态状态后，指出，如果错误地指定β稳定，则可能低估总风险和系统性风险而高估风险调整后的收益。我国学者沈艺峰（1994）最早把“Chow检验法”用于β估计值的稳定性检验。他的研究结果表明：“在上海证券交易所上市的股票的β系数，绝大多数具有一定的稳定性”。沈艺峰和陈浪南（1995）利用同样的方法检验了自1992年6月至1993年10月深圳证券交易所上市的8种股票的β系数的稳定性，检验结果基本上是稳定的。陈周敏（1988）完成沿用了沈艺峰的做法，对上海证券交易所30种股票的β系数进行检验，增加了样本，但是在计算收益率时存在错误。马喜德和郑振龙（2006）使用深发展时间序列样本对β系数进行了研究，发现深发展的β系数遵循均值回归的过程。然而，该文章所研究的样本个数太少，说服力比较有限。陈学华和韩兆洲（2006）以按分析家中33个行业划分形成的股票组合为样本，采用CUSUMSQ统计量对β系数检验，发现各行业的股票组合普遍存在不稳定特征，采用基于卡尔曼滤波的市场模型有更好的预测效果，β系数的时变性可以用均值回复过程来描述。但是，该文章仅检验了均值回归过程的预测效果，并未对均值回归本身进行深入探讨。
三、中信证券的β系数的实证研究
（一）理论基础
在马柯维兹《投资组合的选择》一文的启发下，wlliiamsharpe在1964年的博士论文中提出了资本资产定价模型CAPM，在wlliiamsharpe之后，林特（1965年）和莫森（1966年）等人也相继提出资本资产定价模型。由于β系数的大小关系到投资组合的风险与收益，所以很多专家学者都对β系数的稳定性和实用性做了很多实证研究，所以本文对中信证券的β系数的回归和检验室具有预测价值。
（二）研究方法和数据收集
如图中证券特征线所示，横坐标代表的是市场收益率，纵坐标代表的是证券收益率，证券特征线(SCL,SecurityCharacteristicLine)通过这个坐标，其斜率即为β系数，本实证研究把上证综指从2004年8月31日至2010年10月15日的市场收益率设为自变量（X），把中信证券2004年8月31日至2010年10月15日的收益率作为因变量（Y），对其进行回归以后，对实证的结果进行了异方差、自相关和单位根的检验。搜集的数据如表1所示。
（三）模型的建立
1.运用Eviews软件，得出Y（中信证券利润率）与X（上证指数盈余率）的大致图形。由图2可以看出，Y和X大致满足线性关系。依据图中Y,X所呈现出的线性关系，建立一元线性回归模型：Yt=β1+β2Xt+ut被解释变量Y为中信证券利润率，X为上证指数盈余率，u为随机扰动项。根据折线图的分析可以得出中信证券与上证指数的大致走势趋同，通过散点图可以初步描绘出中信证券与上证指数之间的线性关系，为了能更好地得出他们之间的线性关系，我们将进行进一步的线性分析。
2.回归模型的检验。得出回归方程：Y^i=4.629186+1.401345Xit=2.8708039.419615R2=0.600620R2=0.593851F=88.72914DW=2.092790(1)拟合优度检验：从估计的结果可以看出，模型拟合的较好，样本决定系数R2=0.600620，表明模型整体拟合的较好。(2)t检验：对于C2而言,t统计量为9.419615。给定显著性水平α=0.05，查t分布表，在自由度为61-2=59下，得临界值t0.025(59)=2.001，由于各解释变量系数的t值均大于临界值，所以解释变量对被解释变量显著。
3.协方差和自相关检验。从表3可以看出，nR2=1.707522,由white检验可知，在a=0.05下，查X2分布表，得临界值X20.05（2）=5.9915，同时X和t检验值也显著。比较计算的统计量与临界值，因为nR2=1.707522<X20.05（2）=5.9915，所以拒绝备择假设，接受原假设，表明模型不存在异方差。由DW=2.009483，给定显著性水平=0.05，查DW表，当n=61，k=2时，得下限临界值dL=1.513，上限临界值dU=1.651，因为DW统计量为dU=1.651<2.009483<4-1.651=2.349，根据判定区域知不存在自相关。4.单位根检验。考虑到这组时间序列可能出现伪回归的情况，对数据Y和X分别进行单位根检验。(1)Y的单位根检验。由检验结果可以看出，Y的ADFTestStatistic=-3.904456，小于置信水平为1%时的-3.5437，说明此时Y的单位根检验通过。(2)X的单位根检验。由检验结果可以看出，X的ADFTestStatistic=-3.633247,小于置信水平为1%时的-3.5437，说明此X的单位根检验通过。所以可以得出结论：他们都是平稳的序列，不存在伪回归。通过以上的论述，可以得到最终的回归模型：Y=4.629186+1.401345X即上证指数每变动1个百分点，中信证券将会变动1.401345个百分点。
关键词：商业银行；次级债券；银行资本金；市场约束
中图分类号：F830.3文献标识码：A文章编号：1006-8937（2014）30-0119-02
1商业银行次级债券概述
1.1概念界定
商业银行次级债券，是指由商业银行发行的本金和利息的清偿顺序在商业银行存款和普通债券之后，而在普通股和优先股之前的一种兼有债券和股票特征的可流通债务工具，属于银行的附属资本。作为一种特殊的金融债券，商业银行次级债券的发行主要是为了补充银行资本金以满足监管要求，具有无担保、清偿顺序次于普通债券的特点。从法律权利上讲，次级债债权人只具有对企业资产的第二追索权，因此具有某种程度的资本属性和权益属性，相比其他普通类债券具有较高的信用违约风险。
1.2商业银行次级债券的市场约束机制
商业银行次级债券对银行的市场约束机制主要分为直接市场约束和间接市场约束。
直接市场约束是指通过一级市场激励银行控制风险。由于次级债投资者无法获得银行发展带来的超额利润，但是承担了较大的违约风险，致使次级债券的发行定价直接与银行风险程度相关。若银行处于高风险状态，则投资者会少购买或不购买该银行的次级债，导致其次级债发行数量较少甚至发行失败。如果要争取发行成功，则银行必须支付更高的收益率才能提高对投资者的吸引力，但这会提高银行的融资成本，当融资成本过高时，就会迫使银行调整自身过度的风险倾向，降低风险资产配置比例或暂停某些高风险业务，进而使银行经营回归稳定。因此，次级债券的发行成本对银行的风险承担水平有着直接约束作用。
间接市场约束作用是指通过二级市场激励银行控制风险。二级市场上次级债的交易价格及其变化一定程度上揭示了银行的风险状况，是债权持有者和监管部门采取相应行动的重要考虑因素之一。如果次级债市场价格持续下跌或波动幅度过大，持有者可能会采取后续行动，如少买或不买该行新发行的次级债、抛售目前持有的次级债，甚至限制与该行的其他交易。监管部门也可能会增加对其进行现场或非现场检查的频率或检查范围，限制其开展某些高风险业务及提高资本充足率等。因此，次级债券二级市场价格会对银行风险承担起到间接约束作用。
2实证研究
2.1模型设定
本文采取国际通用的次级债收益率市场约束利差模型进行实证分析，理论基础是次级债券发行价格与无风险利率的差价能够反映该债券的风险溢价水平，次级债券价格则主要取决于发行银行主体状况和债项特征。最终构建的模型如下：
SPREADit=？茁0+■■■？茁kXkit+■■■？茁iYkit+？着it。
2.2变量及样本选取
被解释变量为次级债券的风险溢价，用利差R（发行利率减无风险利率）表示。解释变量分为风险变量X组与控制变量Y组。前者包括：总资产报酬率X1（预期系数为负）、流动性指标X2（预期系数为负）、贷存比X3（预期系数为正）、不良贷款率X4（预期系数为正）、资本充足率X5（预期系数为正）、银行资产规模的自然对数X6（预期系数为负）、银行类别Xd（Xd=1为国有银行，Xd=0为非国有银行，预期系数为负）。后者包括：发债规模Y1（代表一次性发债规模的的自然对数，预期系数为正）、发行期限Yd（分别取值为10、15和20）、发行日期T（发行日期在2009年之前（含）的令T=0，之后的令T=1）。WIND数据库统计，2004年1月1日～2013年7月31日我国商业银行累计发行184期次级债，总规模11697.3亿元，其中国内上市银行发行94笔，占次级债发行规模的90.62%。本文以国内上市银行的94笔次级债为基础样本，筛选出该期间国内上市银行发行的固定利率（包括累进利率）次级债共64笔，发行规模占该期间国内银行总发行规模的75.2%。
2.3实证结果
本文运用普通最小二乘法对多元线性回归模型进行参数估计，首先对样本数据做整体回归估计，然后针对两类情况作两组对比检验。
2.3.1整体检验
将X1～X6，以及Y1和Yd做关于被解释变量R的多元线性回归分析，回归结果显示：方程整体可决系数R2=0.46，调整后的可决系数R2=0.38，整体拟合效果一般。F=5.89，P值为0.000019，即在1%的显著性水平下，模型总体线性关系显著成立。然而，大多数自变量的估计系数没有得到与市场约束效应预期一致的结果，或系数符号与理论预期相悖，或符号一致但t检验未通过。
其中，X1和X2的系数与预期相反，且在10%显著性水平下不显著，表明投资者对银行的盈利性指标和流动性指标不敏感；X3的系数与预期一致，但在10%显著性水平下不显著；X4系数符号与预期相悖，可能的解释为部分银行通过计提大额拨备、加快呆账核销等方式降低了账面不良率；X5的系数虽与预期一致，但在1%显著性水平下对R的影响不显著；X6的系数与预期一致且在1%显著性水平下对R的影响显著，表明投资者受到“大而不倒”政策预期的影响，且我国规模最大的前几家银行均为国有控股银行，政府隐性担保也对该指标产生了较大影响。发债规模Y1和发行期限Yd系数均与预期一致，Y1系数在10%的显著性水平下显著，Yd的系数不显著。所有解释变量中除了资产规模的对数指标X6、发债规模Y1外，其他变量均没有显著地通过影响利差起到市场约束作用。由此可见，我国银行次级债的市场约束作用仍然较弱。
2.3.2分组对比检验
为考察政府隐性担保问题及2009年前后监管政策变化对次级债券市场约束作用的影响，进行两组对照性检验。第一组将银行类别变量Xd加入模型中，Xd=1为国有银行，Xd=0为非国有银行，以检验不同银行所受的不同隐性担保对利差的影响。由于2009年的《关于完善商业银行资本补充机制的通知》规定，银行在计算资本充足率时应从计入附属资本的长期次级债务中全额扣减本行持有其他银行长期次级债务的额度，并按照“新老有别”原则执行，因此第二组将发行日期变量T加入模型，2009年（含）之前T=0，之后T=1。两组的回归分析结果如下：
第一组：仅加入银行类别变量Xd后整体拟合效果基本不变，可决系数R2=0.47，调整后的可决系数R2=0.38，F统计显著，且估计系数约为-0.3861也与理论预期符号一致，说明了国有控股银行和非国有控股银行相关指标对利差的敏感性不同，但是Xd的系数在10%的水平上并不显著，可能解释为估计样本中的非国有上市银行规模较大，控股股东为地方政府财政部门或国有企业，也存在显著的政府隐性担保现象。
第二组：仅在模型中加入发行日期的虚拟变量T后，发现模型拟合优度有明显改善，可决系数R2从0.46提高到0.54，F统计显著。变量T的系数约为0.5273且在1%的显著性水平下显著，说明银监会在2009年10月的新规在一定程度上打破了银行间为提高自身资本充足率而大量相互持有并降低彼此融资成本的默契。该项政策的有利于我国银行次级债市场形成更加合理的定价机制，因为多元化的投资主体将更为关注银行的风险水平。
3政策建议
3.1建立显性存款保险制度
商业银行次级债的市场约束是一种以市场投资者为基础的激励机制，只有当银行次级债市场的交易价格和数量能够对银行的风险信息做出逆向反应时才能有效约束银行下一步的风险承担行为。目前国有控股银行在政府隐性担保背景下，即使风险指标劣于其他股份制银行，也能以较低的利率吸引到投资者。因此，建立我国显性存款保险制度逐步替代隐性担保机制，是保证次级债市场约束作用得以发挥的重要因素。
3.2培育次级债市场多元投资主体
允许商业银行相互持有次级债券既促进了我国次级债市场的快速发展，也带来不少负面效应。银行间过度互持次级债券的实质是将他行的存款变为本行的附属资本，账面上提高了资本充足率，但并未实质增强银行业的抗风险能力。此外，由于发行利率大幅压低，也严重影响次级债券市场约束功能的发挥。建议进一步对互持现象加强监管，培育新的机构投资者如保险、信托、证券、基金等，发展多元化投资主体。
3.3创新商业银行次级债的结构设计策略
目前我国银行发行的次级债一般都附有赎回条款，赋予发行人一定时间可赎回债券的权利。建议监管当局可以考虑在次级债中设置卖方期权或出售期权，赋予投资者在一定时间内出售次级债的权利。如此，当投资者发现银行出现经营风险导致清偿力有问题时可执行期权卖出债券，即让投资者对银行风险承担水平有了发言权和控制权。再者，投资者出售债券后，如果银行未能在定期内成功发行新的次级债，则表明银行风险承担过度，提示监管当局应对其采取相应的监管措施。
参考文献：
[1]董晓林，靳瑾.我国商业银行次级债市场约束效应研究[J].经济学动态，2008，（11）.
[2]许友传.信息披露、市场约束与银行风险承担行为[J].财经研究，2009，（12）.
关键词：证券市场；波动溢出；时变Copula模型
中图分类号：F830.91文献标识码：A文章编号：1003-7217(2011)06-0048-05
一、引言
伴随着中国金融对外开放力度的加大，中国证券市场与国际证券市场之间的资金流动与信息传播不断加强，波动溢出特征愈来愈明显。对中国证券市场与国际证券市场间的波动溢出进行研究显得尤为迫切。
Copula函数在不要求具有相同边缘分布形式的情况下，可以将金融市场随机变量的边缘分布与联合分布连接起来构造灵活实用的多元分布，并且由此导出相关性测度。因此近年来有学者提出运用Copula模型对金融市场间的波动溢出进行研究。Wen和Liu利用Copula模型对随机变量间的相关性进行测度，证明Copula模型能较好地描述随机变量间的相关性［1］。Zhang和Paya的研究结果则表明Copula模型可以较好捕捉各证券市场之间的尾部相关性［2］。但是目前将Copula模型应用于证券市场间波动溢出分析的文献多为静态研究，很少有文献对证券市场间波动的尾部相关性进行研究。同时，在运用Copula模型对波动溢出问题进行研究时，多是对波动溢出大小进行研究，很少考虑波动溢出的方向，而波动溢出是一个矢量概念，既包括方向也包括大小。因而本文结合Granger因果检验，将时变二元Copula模型引入到证券市场波动溢出研究，不仅能分析证券市场波动溢出的方向，还能描述证券市场间波动溢出的时变性，同时也能捕捉到波动溢出的尾部结构。
二、证券市场波动溢出的Copula模型选取
本文主要运用两种时变相关二元Copula模型对证券市场间波动溢出进行分析。
(一)时变相关二元正态Copula模型
时变相关二元正态Copula模型能够较好的描述证券市场之间在正常情况下的时变相关特性。分布函数为［3］：
Cu,v;ρ=∫Φ－1(u)－
SymboleB@∫Φ－1(v)－
SymboleB@12π1－ρ2
exp－(r2+s2－2ρrs)2(1－ρ2)drds(1)
其中，Φ－1(•)表示标准正态分布函数的逆函数；ρ∈(－1,1)，表示相关参数；u,v分别表示经过概率积分变换后得到的两个证券市场波动序列。
为了描述两个证券市场波动序列之间随外部环境变化而变化的时变相关性，本文采用如下时变相关参数演进方程：
ρt=Λωρ+βρρt-1+αρ×
1q∑qi=1Φ-1(ut-iΦ-1(νt-i)(2)
其中函数Λ(x)=1－e－x1+e－x，该函数的引入能保证相关参数ρt始终处于(－1,1)区间之内。
(二)时变相关二元SJCCopula模型
时变相关二元SJCCopula模型的分布函数为［4］：
CSJCu,v;τUt,τLt=0.5(CJC(u,v;τUt,τLt)+
CSJC(1－u,1－v;τUt,τLt)+u+v－1)(3)
其中，τL和τU分别为估计的两个证券市场波动序列的上尾相关性系数和下尾相关性系数。当τU=τL，连接函数为尾部对称。
由于证券市场处于一个不断变化波动的环境之中，这将导致证券市场波动序列之间的尾部相关性也会随着时间而发生不断的变化。为了更好地描述这种特征，本文运用ARMA(1,10)的过程来描述SJCCopula模型的上尾和下尾相关关系：
τUt=ΛωU+βUτUt－1+αU•110∑10j=1ut－j－uv－j(4)
τLt=ΛωL+βLτLt－1+αL•110∑10j=1ut－j－uv－j(5)
其中，函数Λ(•)为Logistic转换函数，Λ(x)=(1+e－x)－1，这个函数的应用能够确保证券市场波动序列之间的条件上尾相关系数和条件下尾相关系数在任意时刻都处于(0,1)区间；βUτUt－1与βLτLt－1分别为上尾相关系数与下尾相关系数的自回归项；110∑10j=1ut－j－uv－j为外生变量。本文选用滞后10阶经过概率积分转换后的波动序列差的绝对值的均值作为外生变量，这样SJCCopula模型就具有了时变特征。
三、证券市场波动溢出的实证研究
以下将运用时变相关二元Copula模型分别研究金融安全期与金融危机期的中国与美国证券市场之间的波动溢出效应。
（一）样本选择与数据来源
本文主要考察中国证券市场与美国证券市场之间的波动溢出效应。选取标准普尔500指数作为美国证券市场的代表指数。选取上证综合指数反映中国证券市场的波动。
本文把2003年5月26日QFII获批作为样本开始期，以2007年7月10日穆迪、标准普尔宣布次级债降级为界限将样本期划分为两段。其中2003年5月27日~2007年7月9日为金融安全样本时期，2007年7月10日~2010年6月30日为金融危机样本时期。由于中国证券市场与美国证券市场因节假日而休市的日期有所不同，故在对节假日的处理上本文依据Hamao的做法，对于任一市场休市，而其他证券市场没有休市的情况给予删除当日记录的方式来处理［5］。整理后每个证券市场最终得到1627个样本数据。其中，金融安全期共包含941个样本数据，金融危机期共包含686个样本数据。由于不同证券市场指数的基数不同，需要将证券市场指数转换为日收益率，本文采用对数差分计算证券市场收益率。分别用RSSEC与RS&P代表中国和美国证券市场的收益率序列。本文所使用的证券市场收盘价来自上海证券交易所(省略/)和雅虎财经(省略/)。
（二）金融安全期证券市场间的波动溢出研究
1.波动度量的结果及分析。
通过ARCHLM检验，发现金融安全期中国与美国证券市场收益率残差平方序列中均存在ARCH效应，而GARCH(1,1)模型可以较好的消除残差序列中的条件异方差性。因此，将分别运用GARCH(1,1)-normal、GARCH(1,1)-t和GARCH(1,1)-GED模型来对证券市场收益率序列的波动进行度量。
研究发现，对于中国证券市场而言，GARCH(1,1)-normal与GARCH(1,1)-t模型中，各参数中除了μ外均为统计显著，而GARCH(1,1)-GED模型中μ和参数均为统计不显著，因此首先排除GARCH(1,1)-GED模型。在GARCH(1,1)-t模型中，α+β=0.996691，接近于1，参数ν显著，说明外来冲击对中国证券市场收益率具有较持久的影响，即证券市场波动具有长记忆性，并且具有显著的厚尾特征。此外，与GARCH(1,1)-normal模型相比，GARCH(1,1)-t模型具有更大的极大似然值，因此，选取GARCH(1,1)-t模型作为金融安全期中国证券市场的波动度量模型。
通过比较分析，选取GARCH(1,1)-normal模型作为金融安全期美国证券市场的波动度量模型。其中，α+β=0.931855，说明外来冲击对美国证券市场的影响比外来冲击对中国证券市场影响的持续时间短，这在一定程度上反映了美国证券市场比中国证券市场更为完善和成熟，能在更短的时间内吸收和处理外来冲击的影响。
2.金融安全期的证券市场波动溢出分析。
通过Granger因果检验发现，美国证券市场的波动是中国证券市场波动的Granger原因，中国证券市场波动并不是美国证券波动的Granger原因。即在金融安全期，美国证券市场对中国证券市场存在波动溢出。
(1)基于时变二元正态Copula模型的估计结果及分析。
从图1可以发现，金融安全期美国证券市场对中国证券市场的波动溢出系数常值为0.0746，说明美国证券市场对中国证券市场的波动溢出强度较小。但是从长期来看，随着中国金融对外开放力度的加大，中美两国在经济、政治、文化等各方面交流的深入，美国证券市场对中国证券市场波动溢出的强度有加大的趋势。在2007年3月中旬到4月上旬这个时间段，美国证券市场对中国证券市场的波动溢出强度急剧上升。这主要是由于2007年3月13日，美国第二大次级抵押贷款机构――新世纪金融公司，因濒临破产，被纽约证券交易所停牌，标志着次贷危机的正式爆发，造成美国证券市场指数急剧暴跌。外部投资预期的恶化，一定程度上影响了投资者对中国证券市场的投资预期，造成了中国证券市场的波动，因而两个证券市场间的波动溢出在这个时间段有显著提高。然而，由于中国证券市场在这个时间段总体上仍然处于牛市行情中，所以短期的剧烈波动以后又回复平稳发展趋势，因而美国证券市场对中国证券市场的波动溢出强度有所回落。
(2)基于时变二元SJCCopula模型的估计结果及分析。
金融安全期美国证券市场对中国证券市场波动溢出的尾部特征如图2、图3所示。通过matlab计算得到的金融安全期美国证券市场对中国证券市场波动溢出的上尾强度为0.0718、下尾强度为0.0843。对图2分析发现在金融安全期，因美国证券市场暴涨引起的波动对中国证券市场的波动溢出强度基本保持在一个比较稳定的状态，且总体上呈现上升趋势。对图3分析可以发现，因美国证券证券市场暴跌引起的波动对中国证券市场波动溢出强度在2007年3月份左右急剧上升，这主要是由于2007年3月13日次贷危机正式爆发造成了美国证券市场指数暴跌，而美国证券市场的暴跌在较大程度上引起了中国证券市场投资者的恐慌，因此在这个时间段美国证券市场暴跌引起的波动对中国证券市场存在较大的波动溢出。
（三）金融危机期证券市场间的波动溢出研究
1.金融危机期证券市场波动的度量。
通过比较分析，选取GARCH(1,1)-normal模型作为金融危机期中国证券市场的波动度量模型。其中，α+β=0.987281接近于1，说明外来冲击对中国证券市场指数收益率具有较持久的影响；与金融安全期的值相比该值有所下降，说明经过一段时间的发展，伴随着中国金融经济体制的不断完善，中国证券市场更加规范和成熟，吸收和消化外来冲击的能力得到进一步增强。
选取基于GARCH(1,1)-t模型作为金融危机期美国证券市场的波动度量模型。其中α+β=0.9929，与金融安全期的值相比，该值有所上升，说明此次起源于美国次贷危机的金融危机对美国证券市场造成了持久的影响，该影响在一定时期内将长期存在。此外，通过与中国证券市场相比可以发现，中国证券市场的值小于美国证券市场的值，说明此次金融危机对美国证券市场的影响更为深远，美国证券市场需要更长的时间来消化和吸收此次金融危机带来的负面影响。
2.金融危机期基于Copula模型的证券市场波动溢出分析。
通过Granger因果检验发现，美国证券市场对中国证券市场存在波动溢出，这说明在全球金融危机的影响下，美国证券市场的波动会以较快的速度溢出到中国证券市场。
(1)基于时变二元正态Copula模型估计结果及分析。
金融危机期美国证券市场对中国证券市场的波动溢出强度常值为0.2051。具体对图4分析可以发现，在2008年9月上旬至2008年10月上旬这一时间段，美国证券市场对中国证券市场的波动溢出强度有所降低。这主要是由于在这一时间段美国标准普尔指数经历了自20世纪30年代经济危机以来的最差表现，指数呈现暴跌趋势，而中国证券市场的上证指数在这一时间段主要呈现震荡下行趋势，但是下跌的幅度不大。然而自2008年10月中旬开始，美国证券市场波动对中国证券市场的波动溢出强度开始增大，并保持在0.34左右。这主要是由于在这个时间段，金融危机的影响全面显现出来，美国证券市场波动通过贸易渠道、金融市场渠道以及心理预期机制传导到中国证券市场，造成了中国证券市场的较大波动［6］。
(2)基于时变二元SJCCopula模型的估计结果及分析。金融危机期美国证券市场对中国证券市场波动溢出的尾部特征如图5和图6所示。对图5和图6分析发现，金融危机期美国证券市场对中国证券市场波动溢出的上尾强度为0.0430、下尾强度为0.1901。下尾强度大于上尾强度，其中波动溢出下尾强度表现出明显的时变特征，最高超过了0.8，意味着当美国证券市场出现由暴跌引起的波动时，极易引起中国证券市场波动。这说明金融危机的爆发极大地增强了证券市场之间波动溢出效应，并且因证券市场暴跌引起的波动溢出强度要大于因证券市场暴涨引起的波动溢出强度。随着此次次贷危机演变为全球金融危机，其破坏性的影响逐渐显现，因证券市场暴跌引起的波动更容易溢出到中国证券市场。
（四）金融安全期与金融危机期证券市场间波动溢出对比分析
通过时变二元正态Copula模型就美国证券市场对中国证券市场的波动溢出分析发现，在金融安全期与金融危机期美国证券市场对中国证券市场波动溢出系数常值分别为0.0746与0.2051，说明在金融危机期美国证券市场对中国证券市场的波动溢出强度提高了175%。通过时变二元SJCCopula模型就美国证券市场对中国证券市场波动溢出的尾部结构分析发现，金融危机期的上尾强度及下尾强度与金融安全期相比也都有显著提高，并且下尾强度要大于上尾强度。这说明金融危机时期，美国证券市场对中国证券市场的波动溢出有较大幅度的提高，当美国证券市场出现由暴跌引起的波动时，极易引起中国证券市场暴跌造成的大幅波动。
首先，这是因为此次全球金融危机起源于美国次贷危机。在美国本土，受金融危机的影响，美国证券市场指数呈暴跌趋势，标准普尔500指数下降到20世纪30年代经济危机时期的水平，证券市场整体呈现剧烈波动的态势。其次，美国证券市场在国际证券市场上处于主导地位，跨国投资者会根据美国证券市场的表现重新形成对全球证券市场的投资预期。次贷危机影响下，跨国投资者普遍表现出悲观情绪。随着此次次贷危机演变为全球金融危机，其破坏性的影响逐渐显现，由于中国证券市场已经逐渐开始融入全球金融体系之中，跨国投资者的这种悲观情绪也会从中国证券市场的表现上得以反映。因而美国证券市场暴跌引起的波动更容易溢出到中国证券市场，造成美国证券市场对中国证券市场波动溢出的增强。最后，次贷危机爆发以后，美国政府为了刺激经济增长出台了总额为7870亿元的救市政策。这些政策会带来两方面后果，一方面该经济刺激方案中包含大量购买美国国货的贸易保护措施，将会掀起新一轮的贸易保护战，最终将加剧国际金融危机；另一方面将会直接导致美元贬值，而中国持有大量的美元资产，如果美元贬值，将引起中国外汇资产的大幅缩水，影响中国经济的发展，最终将引起作为国民经济晴雨表的证券市场动荡。同时由于中国仍然是出口导向型经济为主，美元的贬值将降低中国产品出口竞争力，因而会引起相关行业恶化，进而引起证券市场的波动。
四、结论
以上在分析证券市场波动溢出形成机理的基础上，利用Granger因果检验以及时变相关二元Copula模型对金融安全期与金融危机期中国证券市场与国际证券市场的波动溢出进行了实证研究。发现金融安全期美国证券市场对中国证券市场的波动溢出较小；金融危机期美国证券市场对中国证券市场的波动溢出较金融安全期而言有所增强。这是由于当美国的次贷危机演变成全球金融危机以后，美国证券市场波动通过贸易渠道、金融市场渠道以及心理预期机制传导到中国证券市场，造成了对中国证券市场波动溢出的加强。
参考文献：
［1］WenFG.,LiuZF.Acopula-basedcorrelationmeasureanditsapplicationinChinesestockmarket［J］.InternationalJournalofInformationTechnologyandDecisionMaking,2009,8(4):787-801.
［2］ZhangSH,PayaI,PeelDA.LinkagesbetweenShanghaiandHongKongstockindices［J］.AppliedFinancialEconomics,2009,23(11):1847-1857.
［3］BouyéE,DurrlemanV,NikeghbaliA,etal.Copula:anopenfieldforriskmanagement［R］.CityUniversityBusinessSchoolWorkingPaperserieswithNo.wp01-01,2001.
［4］PattonA.Modelingasymmetricexchangeratedependence［J］.Internationaleconomicreview,2006,47(2):527-556.
［5］HamaoY,MasulisRW,NgV.Correlationsinpricechangesandvolatilityacrossinternationalstockmarkets［J］.ReviewofFinancialStudies,1990,3(2):281-307.
［6］曾志坚，陈川，龙端.证券市场危机预警研究［J］.湖南大学学报(社科版),2011,(5):59-63.
AStudyontheEffectofFinancialCrisisonVolatilitySpilloverbetweenSecuritiesMarkets
ZENGZhijian,XUDi,ZUONan
(CollegeofBusinessAdministration,HunanUniversity,Changsha410082,China)
Abstract：Volatilitiesindifferentsecuritiesmarketsdemonstratethecharacteristcsoftimevarying,nonsymmetricalaswellasnonlinearrelated,especiallyundersomeextremecircumstances,therearealwayssomekindsoftailcorrelationsamongdifferentsecuritiesmarkets.Thevolatilityspilloveramongdifferentsecuritiesmarketsisexaminedwithtimevaryingcopulamodelinthecontextofsubprimecrisis.TheempiricalresultsshowthereisvolatilityspilloverfromtheU.S.securitiesmarkettoChina'smainlandsecuritiesmarket,atthesametime,thisvolatilityspilloverisgreatlystrengthenedduringthefinancialcrisisperiod.
Keywords：Securitiesmarket;Volatilityspillover;Copulamodel
收稿日期：2011-09-20
[关键词]证券监管;市场波动率;政策有效性
近几年来,我国股票市场大起大落,严重影响了投资者对我国股票市场的判断,使得众多投资者倾向于投机。为克服这些不利因素,我国政府和证监会制定了多项政策以稳定我国的股票市场,但政策结果的好坏备受争议。因此,评判我国政府和证监会监管政策的有效性是一项重要的课题。
国内外经济学者对这一方面已经进行了较为细致的研究。其中,Rose(1985)[1]研究了美国新制定的货运监管政策对货运公司股票的影响。Macey(1994)[2]考察了美国证券市场在信息披露违规、未按规定保存记录及错误运用GAAP准则等方面监管的有效性,研究表明:证券价格对处罚的反应与违规处罚的严厉程度直接相关。Edmund(2006)[3]分析了1964法案对于被监管公司的股票价格的影响。
陈工孟、高宁(2005)[4]对我国证券市场的违规处理分析表明:我国证券市场对上市公司违规处理事件的反应是负面的。市场反应较为明显的有三类违规:夸大利润、虚假陈述和违规的信息披露。何兴强、李涛(2007)[5]考察了波动的非对称反应。其研究表明:牛、熊市下股市收益的均值回归特征具有显著差异――牛市阶段负收益均值回归的速度和幅度更大,呈反转趋势;正收益则具有一定持续性,熊市阶段正负收益均呈反转趋势。
一、事件研究与GARCH波动率模型
本文使用事件研究法和GARCH模型进行实证分析和评价。下面,我们对事件研究法和GARCH模型进行简要介绍。
(一)事件研究法(EventStudy)
根据CampbellandMackinlay(1997)[6]的总结,事件研究法通常有七步:
Ⅰ事件定义,在进行事件研究时,我们首先需要确定所要研究的“事件”,并确定事件窗口。
Ⅱ选择标准,确定所要研究的受事件影响的企业。
Ⅲ计算正常收益和超额收益(Normalandabnormalreturns)。
Ⅳ估计。
Ⅴ检验。
Ⅵ给出实证结果。
Ⅶ解释并给出结论。
为方便分析,我们记T0为估计窗口的起始日期,T1为估计窗口的终止日期,T2为事件窗口的起始日期,T3为事件窗口的终止日期。
在计算正常收益和异常收益时,本文将采用常均值模型(constant-mean-returnmodel),计算过程如下:Rt=μ+ζt
其中,E[ζt]=0,Var[ζt]=σ2i,ζt服从均值为0的正态分布,Rt表示资产组合在时刻t的收益率。
那么资产组合在时刻t的超额收益率为:
ARt=Rt-
其中,=1L1∑T1t-T0Rt,L1=T1-T0+1为估计窗口时间长度。①
资产组合的累积超额收益率为:CAR=∑T3t=T2ARt
为检验事件的影响,假设事件对资产组合的收益没有影响(即H0),则检验统计量为:SCAR=CAR
其中为累积超额收益标准差的估计值。
由常均值模型假设,可知SCAR服从自由度为T1-T的Student-t分布。
值得指出的是,在本文分析框架下事件专指证券监管政策。因此,一个事件的发生指的是一项新监管政策的执行。在此意义下,我们认为可以借助事件研究法在事后评价一项监管政策是否有效。我们的判断标准是:如果某一政策执行前后,其所要影响的股票收益朝预期方向变化,就可以认为该政策是有效的,否则就是无效的。这一标准对于判断是否存在内幕交易等事件有较好的效果。
同时,由于我国股票市场正处于发展阶段,政府监管股市的一个重要目标是稳定股票市场,以促进股市健康发展。因此,为了全面地评价我国证券监管政策,我们还应考察我国证券监管政策执行前后股市的波动有无降低。本文通过GARCH模型来度量我国监管政策执行前后股市波动率的变化。
(二)GARCH模型
该模型是Bollerslev(1986)在Engle(1982)ARCH模型基础上改进而成的,在预测金融资产收益波动性方面获得了广泛应用。GARCH(p,q)模型可表示如下:
p0,q>0εt|Ψt-1～N(0,ht)
ht=α0+∑qi=1αtε2t-i+∑pi=1βiht-i
其中,p0,q>0
α0>0,αi0,i=1,…,q
βi0,i=1,…,p
二、实证分析
(一)事件研究分析
在我国证券市场发展过程中,有多个重要监管政策出台,本小节我们对如下三个与监管有关的事件做出分析:
1.事件一。为推动我国股市健康发展,2004年2月1日,国务院《国务院关于推进资本市场改革开放和稳定发展的若干意见》。选择上证综指作为分析对象,我们试图分析2004年2月1日国务院所发文件对于上证综指是否存在显著影响。首先,我们选择事件发生前的一段时间作为估计窗口,给出上证综指的正常收益率。在计算中,我们选择2003年3月18日到2003年11月28日作为估计窗口。而事件窗口②选择为2004年1月2日到2004年3月2日。通过计算得平均收益率=-0.03%,累计超额收益率CAR=12.29%。检验统计量SCAR=12.14,该值显著大于95%显著水平下的关键值1.96。
2.事件二。为了保持市场稳定、保护投资者特别是公众投资者的合法权益,2005年4月29日,证监会《关于上市公司股权分置改革试点有关问题的通知》,并宣布启动股权分置改革试点工作。我们试图分析2005年4月29日证监会所发文件对于上证综指是否存在显著影响,首先选择2004年11月18日到2005年3月28日作为估计窗口,事件窗口选择为2005年3月29日到2005年5月30日。通过计算得到:平均收益率=-0.13%,累计超额收益率③CAR=-7.09%。检验统计量SCAR=-5.964,该值的绝对值显著大于95%显著水平下的关键值1.96。
3.事件三。为完善我国资本市场层次与结构,拓展资本市场深度与广度,并为数量众多的自主创新和成长型创业企业提供资本市场服务,以强化资本市场对国民经济发展的支持,2006年5月18日,《首次公开发行股票并上市管理办法》正式实施,“新老划断”全面启动。我们试图分析2006年5月18日证监会所发文件对于上证综指是否存在显著影响,选择2005年12月18日到2006年4月18日作为估计窗口,事件窗口选择为2006年4月19日到2006年6月19日。通过计算得到平均收益率=0.26%,累计超额收益率CAR=3.27%。检验统计量SCAR=3.49,该值显著大于95%显著水平下的关键值1.96。
(二)波动率估计
下面是我们使用GARCH(1,1)模型对2004年2月1日前后上证综指的日波动率计算的结果(结果如下表)。限于篇幅,使用GARCH(1,1)模型对2005年4月29日和2006年5月18日前后两年上证综指的日波动率计算结果略。
日期GARCH模型估计的波动率日期GARCH模型估计的波动率2004/1/61.436%2004/2/21.424%2004/1/71.384%2004/2/31.471%2004/1/81.349%2004/2/41.470%2004/1/91.354%2004/2/51.519%2004/1/121.379%2004/2/61.463%2004/1/131.457%2004/2/91.420%2004/1/141.402%2004/2/101.417%2004/1/151.385%2004/2/111.374%2004/1/161.335%2004/2/121.336%2004/1/291.308%2004/2/131.304%2004-1-301.343%2004/2/161.260%三、中国监管政策的有效性评价与对策
从计算结果来看,三次事件SCAR的绝对值均显著大于其关键值,表明我们假设三次事件对我国股市没有影响是不成立的。也就是说国务院和证监会的这三项政策对我国股市均有显著影响,且较大程度上促进了我国股市的增长。可以初步认为:由事件研究标准所得结论证明我国政府的监管政策是相对有效的。政策执行前后,我国上证综指收益率有较为显著地变化。
但是前文指出,我国证券监管政策还有一个目标是稳定股市。因此,不能由此断定我国政府的这一政策促进了我国股市的良性发展。事实上,2004年到2006年我国股市再次出现了大幅涨跌。我国政府试图稳定发展股市的政策并没有达到预期的效果。关于这一点,我们可以从三次事件前后上证综指的日波动率计算结果看出,在国务院和证监会稳定股市政策出台前后,我国股市波动率仍然较大。其中,在2004年2月1日之前一周内,由GARCH(1,1)所给出的上证综指波动率均在1.3%-1.46%之间,而在2004年2月1日之后一周,上证综指波动率均在1.3%-1.52%之间;在2005年4月29日之前一周内,由GARCH(1,1)所给出的上证综指波动率均在1.44%-1.63%之间,而在2005年4月29日之后一周,上证综指波动率均在1.35%-1.55%之间;在2006年5月18日之前一周内,由GARCH(1,1)所给出的上证综指波动率均在1.13%-2.08%之间,而在2006年5月18日之后一周,上证综指波动率均在1.81%-2.07%之间。
就其原因而言,我们认为,从根本上我国股市仍然是一个政策市、投机市。我们的实证分析也表明了这一点。要稳定股票市场,必须从根本上监管好上市公司的行为,如实行红利分配政策,增加投资者长期持有股票的收益。只有增加了投资者的持有收益才能从根本上减少我国股市的投机行为,进而从根本上稳定我国股票市场。具体政策上,我们认为:首先,我国政府应积极解决股权分置的问题,保护投资者特别是公众投资者的合法权益,并明确地界定公众投资者具体的范围;其次,制定行之有效的证券监管法规,加大对证券违规行为的判罚力度;规范证券从业人员的职业操守,彻底消除证券从业人员个人和亲属的炒股行为。四、结论
目前,已有的事后评价标准主要通过政策出台前后市场超额收益变化来判断,而鲜有对政策出台前后市场波动率的判断。为了更为全面地评价监管政策,本文一方面使用这一评价标准,另一方面考虑到降低股市波动率是我国政府监管政策的一个主要目标,对政策出台前后的股市波动率进行了评价。我们的分析表明:如果仅仅使用事件研究法,容易使人认为我国政府的监管政策是有效的。而事实上,这一结论恰恰表明了我国股市的政策市特征;从本文分析的三次事件发生前后上证综指的日波动率计算结果可以看出,监管政策稳定股市的根本目标并没有实现。
就其原因而言,我们认为从根本上我国股市仍然是一个投机市场。要稳定我国股票市场,就必须实行红利分配政策,增加投资者长期持有股票的收益。只有增加了投资者的持有收益,才能从根本上减少我国股市的投机行为,进而从根本上稳定我国股票市场。
注释:
①本文实证分析中使用2003年3月18日到2003年11月28日的上证综指收益率数据。
②我们对事件窗口的选择是为了使得我们的检验统计量满足大样本。而估计窗口的选择仅仅是为了获得上证综指的正常收益率,事实上,我们可以使用更多一点或更少一点的历史数据来获得。
③该累计超额收益率为负值,反映了股权分置改革对股市是利空消息。
主要参考文献:
[1]Rose,N.L.:“TheIncidenceofRegulatoryRentsintheMotorCarrier
Industry”,RandJournalofEconomics,Vol.16,1985.
[2]Macey,Jonathan:“AdministrativeAgencyObsolescenceandInterestGroupFormation:ACaseStudyoftheSECatSixty,"CardozoLawReview,15,909-949,1994.
[3]EdmundKitch:“WhyDidthe1964ActRaiseSecuritiesPrices?”,Regulation,Washington:Summer,Vol.29,59-62,2006.
[4]陈工孟,高宁.我国证券监管有效性的实证研究[J].管理世界,2005(7).
[5]何兴强,李涛.不同市场态势下股票市场的非对称反应――基于中国上证股市的实证分析[J].金融研究,2007(8).
[6]JohnY.CampbellandAndrewW.LoandA.CraigMackinlay:“TheEconometricsofFinancialMarkets",PrincetonUniversityPress,1997.
IdentifyingtheEfficiencyofRegulationonChineseSecuritiesMarket
――AnExpostCriteriaBasedontheExcessReturnandMarketVolatility
HaoXuguang1FanHonggang2ZhouZhiliAbstract:Theexistingbenchmarksthatdecidewhetherapolicy
iseffectivewere
关键词：非正态性；条件异方差；长记忆性；FIGARCH(1，d，1)模型
一、问题提出与文献回顾
由于金融类时间序列，如收益率时间序列，往往具有时变性特点和束性趋势，其方差会随着时间变化而变化，呈现出异方差特征。因此对金融类时间序列的刻画，主流的研究方法都是建立在ARCH类模型的基础上进行的。
国外的研究中，Brooks和Simon(1998)按照一定的标准选用特定的GARCH模型来预测美元汇率的收益波动情况；Aguilar，Nydahl(2000)使用GARCH模型来对汇率的波动性进行建模，取得了较好的拟合效果；Torhen、Bollerslev等人(2001)在基于德国马克和日元对美元的汇率值、每日汇率值、每日汇率的波动分布和相关性的基础上，完善了GARCH模型使用过程中对样本分布的限制条件。
在国内，惠晓峰等(2003)基于时间序列GARCH模型对人民币汇率进行预测，发现GARCH模型的预测汇率与实际汇率是非常接近的，拟合曲线几乎完全跟得上实际汇率走势；邹建军(2003)通过研究发现GARCH(1，1)模型对我国沪市收益波动性具有比较好估计和预测效果。牛方磊、卢小广(2005年)运用ARCH类模型对基金市场的波动性进行了研究，发现上证基金指数收益率表现出非正态性和条件异方差的特征，GARCH(1，1)模型对上证基金的波动具有很好的拟合效果。王佳妮、李文浩(2005)应用ARCH类模型分析了1999—2004年欧元、日元、英镑、澳元等四种货币兑美元的汇率。
以上研究表明，ARCH类模型能够比较准确地刻画金融类时间序列，特别是金融收益率时间序列的波动性。因此，本文对我国交易所国债市场波动率的研究，也是以ARCH类模型为基础，通过深入分析交易所国债市场波动率的内在特征，选取合适的模型对其进行刻画。
二、样本选取与统计特征分析
(一)样本选取和指标设计
由于上海证券交易所国债指数从总体上基本反映了上海证券交易所国债价格的变动情况。本文以上证国债指数作为研究对象，选取2003年2月24日至2006年4月18日的每日上证国债指数收盘价为样本，共计764个观测值，数据来源于上海证券交易所、湘财证券圆网等相关网站。
在确定研究的样本期后，再对上证国债指数的日收益率进行计算，计算公式为：
OX语言环境下TSM0．4软件包计算得出。
(二)统计描述及分析
首先，根据样本序列(见图1)，我们对其基本波动特征进行分析，依次进行自相关检验、单位根检验、正态性检验和异方差性检验。结果如下：
(1)根据Ljung-BoxQ统计量和对应P值(见表1)，可以判定样本序列在至少滞后25期内，不能拒绝没有自相关的零假设，说明样本序列存在自相关性。
(2)对样本序列进行ADF单位根检验，由于序列围绕零均值上下波动，故检验选择无常数项和趋势项类型，ADF检验的t统计量为－14．69335，明显小于显著性水平1％的Mackinnon临界值－3．4415，表明在1％的显著性水平下，拒绝样本序列存在单位根的原假设，说明样本序列具有平稳性。
(3)采用峰度(K)、偏度(S)以及JB检验联合判断样本序列的正态性(见表2)，结果表明样本序列显著异于正态分布，高峰厚尾现象明显。
(4)对样本序列异方差性的检验，采用ARCH-LM检验法，当取滞后阶数为1时，结果(见表3)显示样本序列在l％的显著性水平下，残差序列存在ARCH效应，说明样本序列具有异方差性，当滞后阶数取10、20时，结果一致。
其次，根据样本序列自相关ACF图，滞后阶数为200(见图2)，进行样本序列记忆性特征分析，我们可以发现，自相关函数前11阶下降的很快，而在其后则缓慢衰减，直至141阶才逐渐接近于0，可见自相关函数对以前的影响有很强的依赖性，而且它衰减的形式不是很快地以指数形式衰减，而是以双曲线的形式缓慢衰减，这表明条件方差受到的冲击具有很长的持久性，样本序列具有长记忆性特征，我们采用标准的GPH法对其进行检验。根据标准的GPH－估计量得出的样本序列的记忆参数d=0．43215(0．0162)，括号内为OLS估计检验统计量的P值，结果清楚地表明样本序列长记忆特征的存在。
三、上交所国债收益波动率模型的构建
首先对样本收益率序列建立辅助回归模型：
由于一般金融文献均认为GARCH(1，1)模型就能够描述大量的金融时间序列数据，因此，本文根据FIGARCH(1，d，1)模型对样本序列的条件异方差建模，模型的最终形式为：
四、实证研究
(一)参数估计
对模型参数估计方法采用拟极大似然估计(QMLE)。由于分数差分算子d是捕捉过程中长期记忆特征的，因此，在参数估计时，滞后阶数选用200阶。另外，由于样本序列具有非正态性特征，因此本文在参数估计过程中假定残差序列服从t分布。计算结果如表4所示：
模型的AIC值为－12．314，SC值为－12．243，都非常小，这说明FIGARCH模型能够较好地拟合数据。另外，采用Box－Pierce统计量，进一步检验建立模型后标准化参差序列及序列是否存在自相关性，其中K值为滞后阶数，取k=20，得出Q(K)=6．32(0．914)，Q2(20)=16．72(0．923)。结果显示在高概率水平下接受Ho假设，即序列不存在自相关。
(二)预测
我们对条件方差进行单步向前预测，在此采用平均预测误差平方和的平方根(RMSE)，平均绝对误差(MAE)和平均预测误差(MFE)三个衡量时间序列预测效果最常用的指标进行测量。为进一步检验所得FIGARCH模型对样本序列刻画的效果，我们同时对样本序列建立GARCH模型(具体形式略)，并与FIGARCH模型进行比较，预测的对象为样本外2006年4月19日至29日的10天数据，结果见表5。
结果显示FIGARCH模型在三项指标的预测值偏离度上都小于GARCH模型。这说明FIGARCH模型对条件方差波动的预测能力上明显优于GARCH模型。
五、结论
一、数据来源与分析方法(一)数据来源我国股票市场的证券交易税采用印花税这种形式。从1990年开征股票交易印花税以来，经历了多次调整，其中出于抑制股市泡沫目的而上调税率有两次:第一次是1997年5月10日将税率从3‰调高到5‰，第二次是2007年5月30日将税率从1‰调高到3‰。由于我国上海与深圳证券市场存在齐涨齐跌现象，B股在我国证券市场所占份额很小，我们采用上海证券市场A股的数据进行分析。本文的数据均来源于CSMAR中国证券市场交易数据库。(二)研究方法学术界对如何度量股市泡沫问题提出了各种度量模型和检验方法，但没有形成一致的看法，这主要是由于对如何度量股票的内在价值及其影响因素看法不一。市盈率是股票价格和每股收益的比率，是衡量股票投资价值的常用指标。如果一个股票市场平均市盈率太高，意味着存在股价泡沫，发生金融危机的可能性增大。本文通过比较证券交易税调整前后市盈率，判断证券交易税对股市泡沫是否有影响，能否起到控制股市泡沫的作用。常用的计算股票市场平均市盈率方法是用样本股票总股本作为加权平均数。由于中国股票市场存在大量的非流通股，而股票的市场价格仅由流通股形成，常用的方法不能体现股市的真实情况。因此，本文以流通股本作为加权平均数计算市盈率。为了分析印花税对泡沫是否有抑制作用，我们将印花税调整前后60个交易日的数据分阶段采用单因素方差分析法进行分析。二、实证结果分析(一)描述性统计我们首先计算1997年5月10日调整前后60日每天的平均市盈率。每天的流通股本总市值由CSMAR数据库中的37701个日个股流通市值数据按日加总而得。样本股票的每股收益采用1997年上市公司会计年报公布的调整后每股收益，可直接由CSMAR数据库获得，共282个数据。样本股票日流通股数的计算公式为:样本股票日流通股数=日个股流通市值日个股收盘价(2)由此我们得到37701个样本股票日流通股数的数据，将其乘以样本股票的每股收益，按日加总，即得每天的流通股本总收益。根据式(1)，可得每天的股市平均市盈率。同理可得2007年5月30日调整前后60日每天的平均市盈率。我们将两次调整前后60个交易日分别分为四个阶段，每个阶段时间长度为30日，然后考察各阶段市盈率的变化。对得到的数据分时段进行描述性统计分析1997年第二阶段市盈率均值比第一阶段上升了18%，说明股票市场泡沫膨胀速度很快。调高印花税率以后，第三阶段的市盈率比第二阶段下降了16%，第四阶段比第三阶段又下降了18%，表明印花税调整取得了很好的抑制泡沫的作用。2007年第一阶段市盈率均值为28．56，第二阶段市盈率均值为36．75，比第一阶段上升了29%，表明泡沫膨胀速度比1997年更快。调高印花税率以后，第三阶段的市盈率均值比第二阶段上升了2%，第四阶段比第三阶段上升了7%。尽管这次调整没能阻止市盈率的持续提高，但相对于原来急剧扩大的泡沫，印花税率的提高使得泡沫扩大的速度大大降低，也表明印花税调整取得了较好的抑制泡沫的作用。(二)单因素方差分析单因素方差分析可用于检验单个因素取不同水平时某因变量均值是否有显著的变化，其前提条件是各个水平下的总体服从方差相等的正态分布。我们首先对样本数据进行单样本K-S检验。原假设H0为市盈率服从正态分布。备择假设H1为市盈率不服从正态分布。从检验结果中可以看出，K-S检验的Z统计量所对应的相伴概率都大于显著性水平0．05，因此不能拒绝原假设，认为各阶段市盈率服从正态分布，可以进行方差分析。然后进行方差齐次性检验，检验结果见表3。表3中Levene统计量的相伴概率分别为0．000和0．012，小于显著性水平0．05，因此拒绝各组方差相等的假设。，1997年第一阶段和第二阶段两两比较的均值差为－13．02，相伴概率为0．000，说明第二阶段泡沫比第一阶段泡沫明显扩大。第二阶段和第三阶段市盈率的均值差为14．69，相伴概率为0．000，说明由于提高印花税率，泡沫有明显缩小。第三阶段和第四阶段的均值差为12．08，相伴概率为0．000，说明泡沫程度进一步明显下降。因此，此次调整起到了缩小泡沫的作用，取得了相当理想的效果。2007年第一阶段和第二阶段段市盈率两两比较的均值差为－8．19，相伴概率为0．000，有显著差别，说明第二阶段泡沫比第一阶段泡沫明显扩大。第二阶段和第三阶段的均值差为－0．601，相伴概率为0．950，两组之间没有显著差别，说明由于提高印花税率，泡沫没有明显扩大。第三阶段和第四阶段的均值差为－2．77，相伴概率为0．006，两组之间有显著差别，说明泡沫程度有明显上升。因此，此次调整在短期内起到了防止泡沫扩大的作用，但从更长的时间内来看，并没有能抑制泡沫的持续扩大。但这也不能否定印花税率提高的作用，因为在长期还有其他因素影响市盈率，市盈率的继续提高可能是由于其他因素造成的。四、结论及政策建议本文从我国1990年开征股票交易印花税以来的多次调整中选取出于抑制股市泡沫目的而上调税率的两次调整，采用上海证券市场A股的数据进行分析。通过比较证券交易税调整前后市盈率，发现证券交易税对抑制股市泡沫有显著影响，这种影响在短期内特别明显。从本文研究结论的政策含义是:政府可以通过调整证券交易税税率来抑制股市泡沫。在具体操作上，可以考虑将证券交易税税率与市盈率挂钩。首先需要确定合适的市盈率区间。海外成熟股票市场市盈率一般在20%～30%之间(深圳证券交易所综合研究所市场研究小组，2007)［7］。#p#分页标题#e#由于中国股票市场是新兴市场，经济增长率也很高，市盈率可以适当高些。假设对于中国股市来说，适当的市盈率区间是［a，b］，a＜b。那么可以根据市盈率来调整印花税率。当过去一个月市盈率每超过b的m%时，印花税率就上调n‰。同理，为了改变平均市盈率太低的状况，当过去一个月市盈率每低于a的p%时，印花税率就下调q‰。这里仅仅是提出一种方法，其中具体数值的确定需要政府部门进行测算后确定。这样就可以使投资者对证券交易税政策形成明确的预期，起到减少过度投机的作用。
摘要：本文结合稳定分布理论和长记忆模型ARFIMA，研究股价行为的长记忆特性和分布特征，从股票市场结构及有效性的角度，通过涨跌幅限制实施前后的对比，分析涨跌幅限制对我国沪深证券市场股价行为的影响。结果表明：在涨跌幅限制前后，沪深两市都具有非线性和分形结构，但涨跌幅限制对沪深二市的影响并不相同，上海证券市场有效性得到了提高，而深圳证券市场有效性没有显著提高，却有减弱的迹象。
关键词：股市有效性；非线性；ARFIMA模型；稳定分布
中图分类号：F830.91文献标识码：A
文章编号：1000-176X（2006）12-0054-05
一、引言
对于股市结构及有效性的研究，人们提出了许多理论，其中线性范式占有主导地位。所谓线性是指股价行为是受众多独立因素影响的结果，这种影响满足可加性，从而根据中心极限定理，股票收益率服从正态分布。然而，股票收益率正态分布作为重要的基础假设正遭受越来越多的质疑。
对数收益率序列可能表现出相关性，而这种相关可以是短期相关的，也可以是长期的。如果是短期相关（即短记忆的），我们可以将其解释为市场摩擦或者信息流的非均匀到达，收益率序列的一阶相关和二阶相关可分别由ARMA模型和GARCH模型刻画。这时，有效市场假说在一定程度上仍不失为一种合理的假设。如果序列的相关持续很长时期（即序列是长记忆的），市场摩擦或信息流的非均匀性的解释就不合适了，而可能是非线性结构或非线性动力系统的一种表现。同时，大量的经验研究表明，对数收益率序列多表现出尖峰、肥尾特征，这意味着股票市场可能存在着非线性结构，从而线性范式下的理论并不能恰当刻画股市行为。一些非线性研究方法如(G)ARCH模型，长记忆过程，稳定分布理论，分形分析，混沌理论等新方法逐渐发展起来，并大量应用于股市结构及有效性以及其他金融经济学问题的研究。
从制度上对证券价格波动加以直接或间接限制的初衷是为了消除价格的异常波动，减少虚拟经济泡沫以及避免恐慌性股市崩溃。但是学术界对涨跌幅限制的争论却非常激烈，许多学者对涨跌幅限制措施提出质疑，认为涨跌幅限制不会使波动稳定下来，反而会导致波动性溢出和价格扭曲等效应。吕继宏，赵振全（2000）对我国股市的涨跌幅限制进行了研究，认为长期来看涨跌停板制度降低了市场波动；[1]孙培源和施东晖（2001）认为我国的涨跌幅限制并没有降低股市波动和投资者过度反应。[2]沈根祥（2003）利用随机波动模型对上证综合指数进行了研究，认为涨跌停板制度降低了上海证券交易所综合指数收益波动性，却增加了指数收益相关性。[3]刘海龙，吴冲锋等（2004，2005）通过实证研究发现，恰当的涨跌幅限制约束了市场剧烈波动；不恰当的涨跌幅限制不仅对波动性没有约束，反而在一定程度上增加了波动性。[4][5]上述文献从不同的角度研究了涨跌幅限制对股票市场影响的不同方面，但没有从稳定分布和长记忆模型的角度研究对股市结构及其有效性的做充分的研究。李亚静等(2003)根据Granger关于长记忆的定义，分析了沪深股票市场的长记忆特征，但没有具体分析涨跌幅限制的影响。[6]
本文结合长记忆模型ARFIMA和稳定分布理论，在非线性范式下研究我国沪、深二市股价行为的长记忆特性和稳定分布特征，并从股票市场结构及其有效性的角度，通过涨跌幅限制实施前后的对比，分析涨跌幅限制对我国沪深证券市场股价行为的影响。
二、研究方法
对于股市结构及有效性的研究，分析股市价格的分布特征是一个基本方法，所以有必要对股市价格分布的尖峰、肥尾特征做进一步的分析。GARCH模型可以刻画尖峰、肥尾现象，但是它刻画的是股价行为的局部特征，人们往往利用它拟合协方差平稳的过程。市场有效性假设，即鞅模型并没有要求过程必须是协方差平稳的，所以GARCH模型是有严重的局限性的。完整反映序列分布特征的是分布函数或者特征函数。所以，收益率分布的拟合是本文选用的重要方法。ARFIMA模型则可以进一步将收益率的内在结构以模型参数的形式明确地表达出来。股价行为的分布类型以及描述这种分布的ARFIMA模型是研究股市结构及有效性有力工具。
（一）稳定分布(Stabledistribution)
针对于金融收益率序列的尖峰、肥尾特征，Mandelbrot提出用StableParetian分布（又称为分形分布、Pareto或Pareto-Levy分布）拟合股票收益率。实际描绘稳定分布通常是在Mandelbrot（1963）的方式下进行的，稳定分布的特征函数f(t)满足[8]：
三、实证分析
（一）样本数据
本文采用上证综合指数和深成指数的日收盘价格指数作为分析对象。参照沈根祥（2003），两个指数都从1992年5月21日开始选取，到1996年12月16日实施涨跌幅限制之前一个交易日即1996年12月13日为一个样本区间，称为限制前区间；考虑到我国股票市场是一个新兴市场，市场特性的变化可能相对较快，处于可比性，涨跌幅限制后区间并没有选择自实施日开始到当前的所有数据，而是根据实施前区间长度，选择为1996年12月16日至2001年9月7日，即保持涨跌幅限制实施前后的比较区间长度一致。收益率计算采用对数收益率：
（二）实证分析结果
1.分布特征的初步分析
首先分别对上证综合指数和深成指数的涨跌幅限制前后期间的原始数据进行初步检验分析。
表1沪市深市收益率统计值
由表1中结果可以看出，沪市和深市在涨跌幅限制实施前后收益率分布的偏态和峰态统计量都显著异于正态(正态下二者分别为0和3),而J-B统计量大于任意合理显著水平下的临界值，其尾概率接近于0。这反映了收益非正态和“尖峰厚尾”的分布特性，这一结论与许多关于国内、外金融市场的统计结果一致。这说明对于正态分布不能恰当的刻画我国股市收益率的分布特征。根据Mandelbrot的建议，下面利用稳定分布拟合我国股市收益率，分析其分布特征。
2.稳定分布特征分析
有多种方法可以估计稳定分布的特征参数α，β，δ，γ，例如log-log经验分布图形法，R/S分析的非参数估计法，极小化Kolmogorov距离法，稳定分布下的分位数法和极大似然法等，本文选用极大似然法进行估计，分别对沪、深市指数收益率在涨跌幅限制实施前后进行估计，结果如表2。
表2我国股市收益率稳定分布特征参数
由表2中的结果可以看到：所有区间上的尾部指数α∈（1，2），说明收益率的无条件二阶矩或总体方差无限或者不存在（或不是常数）。一个分布呈肥尾现象的充分必要条件是无限大处的规则变化。[7]所以，我国股市的超常剧烈波动具有一定的规律性。具体地，上证综合指数收益率分布在涨跌幅限制实施后，尾部特征指数α由1.279提高到1.478，偏斜度参数β由0.06变为-0.01，分别向正态分布的尾部指数2和偏度测度参数0接近，说明涨跌幅限制减弱了沪市的厚尾和有偏性，逐渐接近于正态分布，即上海证券市场有效性得到了提高。而深圳成分指数收益率分布在涨跌幅限制实施后，尾部特征指数α没有提高，反而有轻微下降；偏斜度参数β由0.幅减低为0.02，右偏斜程度降低，逐渐接近于对称，这说明涨跌幅限制没有减少波动的持续性，却很大程度地降低了波动的有偏性。由此可以看出，对于沪市和深市的影响是不同的，对于沪市，涨跌幅限制提高了市场有效性，而对于深市，涨跌幅限制是否提高了市场有效性还不能得出明确的结论。下文结合ARFIMA模型再做进一步分析。
由于无论对于沪市还是深市，涨跌幅限制实施前后收益率分布的尾部特征指数α都小于2，所以收益率的总体方差是无限大或不是常数，方差概念不能反映股市总体风险的大小，而用尺度调整参数γ来反映总体风险的大小。对于沪市，尺度调整参数γ由0.0142减少为0.00809，对于深市，尺度调整参数γ由0.014减少为0.00881，说明沪市和深市的总体风险得到了降低。
3.ARFIMA模型分析
ARFIMA模型可以进一步将收益率的内在结构明确地表达出来，分析序列的长期记忆特性。分别在涨跌幅限制实施前后的两个时期上，对上证综合指数收益率和深证成分指数收益率、收益率的平方r2以及绝对值|r|进行分析。之所以讨论收益率序列的平方r2和绝对值|r|，是因为研究这种变换后的序列的特征，对市场风险的度量有用。表3―1和表3―2分别给出了沪市、深市的分数差分参数d的估计以及检验结果。
（1）沪市结构及有效性分析
在涨跌幅限制前，上证综合指数收益率序列的分数差分参数，即分形维数d＝-0.198。对其进行单边检验，发现d在10%的显著性水平小于0，说明沪市收益率序列表现出一定程度上的反持续性，即具有比随机序列更强的突变性或易变性。这一点可以与收益率的稳定分布的特征指数α的表现相互印证。由于技术限制，本文没有估计尾部特征指数α的置信区间，但是可以对所估计的4组数据的特征指数α进行比较分析，说明这种反持续性的存在。在所估计的4组数据的特征指数α中，沪市涨跌幅限制前的尾部特征指数α最小，与1比较接近。由前述可知，对于尾部指数α，1是一个临界点：如果尾部指数α小于1，意味着分布不仅没有总体方差，而且总体均值也不存在（或不是一个常数）。这正是反持续性的另一种表述：序列频繁地返回其自身，试图去建立另一个均值！这说明了在实施涨跌幅限制之前，上海证券市场的波动十分剧烈，成为实施涨跌幅限制的一个现实原因。在涨跌幅限制实施之后，上证综合指数收益率序列的分形维数d在统计上不显著，说明序列不再存在持久性和反持久性，收益率序列不再是长记忆的。
上证综合指数收益率序列的两个非线性变换序列平方r2和绝对值|r|，在涨跌幅限制实施前后，其分形维数d＞0，且都表现出统计显著性，意味着长记忆性的存在，这暗示反映收益率的风险的波动具有持续性，市场具有非线性结构。对比涨跌幅限制实施前后，发现平方序列r2的持续性没有发生明显变化，而绝对值序列|r|的持续性得到了减弱。综合分析发现，涨跌幅限制实施后，沪市有效性得到了明显提高。这与上证综合指数收益率的稳定分布特征分析结论是一致的。
（2）深市结构及有效性分析
在涨跌幅限制前后，深圳成分指数收益率序列的分形维数都不显著，说明不存在长记忆性。而在涨跌幅限制后，收益率序列的平方r2和绝对值|r|序列的分形维数都显著增加。其中，收益率的平方序列的分形维数由涨跌幅限制实施前的不显著变为实施后的显著大于0。所以，涨跌幅限制后，深圳证券市场结构的非线性得到了加强，市场有效性被减弱。结合深成指数收益率序列的稳定分布特征分析，可以得出结论，虽然涨跌幅限制后，收益率序列分布的有偏性被减弱，但收益率的波动的持续性被加强，助长了收益率波动，总体效果是市场有效性被减弱。
四、结论及进一步的讨论
本文认为，GARCH模型是收益率过程的一个局部模型，带有有限条件方差的GARCH模型可能仅仅刻画了分形分布的局部特征，而整个分布可能具有无限无条件方差或者无条件方差不是常数；对应于分形过程的稳定分布刻画了其整体结构，而ARFIMA模型能对这种结构给出参数性的具体分析，从长记忆的角度明确分形过程的非线性结构。
本文结合稳定分布和ARFIMA模型两种方法，以1996年12月16日（即涨跌幅限制实施的第一个交易日）为界，对比分析了沪深两市股价指数日收益率的分布特征。结果发现，在涨跌幅限制前后，中国股市日收益率都具有尖峰肥尾特征，但尖峰肥尾特征不能仅仅由GARCH模型刻画，沪深两市都具有非线性和分形结构，从而需要结合稳定分布和ARFIMA模型才能对其进行全面刻画。
由于采用了不同的分析方法，关于涨跌幅限制对中国股市结构和有效性的影响分析得出了不同的结论。具体的分析表明，在涨跌幅限制前后，中国股市结构及有效性发生了显著变化。上海证券市场有效性得到了提高，而深圳证券市场有效性没有显著提高，却有减弱的迹象。涨跌幅限制对沪深二市的影响并不相同，甚至相反，这说明涨跌幅限制的作用依赖于市场的具体情况，而不能简单的肯定或否认涨跌幅限制的作用。
进一步对沪深二市作具体的对比分析，也许会发现为什么会有如此的差异，为如何发挥涨跌幅限制的积极作用提供一些线索。希望在以后的研究中能够继续对此问题进行分析。
来自中国沪市和深市的经验证据都表明，股票市场存在非线性和分形特征。这说明相对于正态分布，稳定分布似乎是研究股票收益与风险的更合理的分析基础。果真如此，以正态分布和线性假设为基础的经典资产组合理论、资本资产定价模型、套利定价理论以及Black－Scholes期权定价模型等都需要重新加以考察。另外，股市的这种非线性特征是随机系统的表现还是确定性混沌的结果，对于经典的金融经济理论也具有重大影响，这还有待于进一步的分析。
参考文献：
[1]吕继宏，赵振全.涨跌停板对股市波动的影响[J].吉林大学社会科学学报，2000，（5）.
[2]孙培源，施东晖.涨跌幅限制降低了股价波动吗？[J].证券市场导报，2001，（11）.
[3]沈根祥.股票收益随机波动模型研究[J].中国管理科学，2003，（2）.
[4]刘海龙，吴冲锋，吴文锋，陈占锋，等.涨跌幅限制与流动性研究[J].系统工程理论方法应用，2004，（1）.
[5]刘海龙，吴文锋，吴冲锋.涨跌幅限制对股票市场波动性的影响[J].上海交通大学学报，2005，（10）.
[6]李亚静，何跃，朱宏泉.中国股市收益率与波动性长记忆性的实证研究[J].系统工程理论与实践，2003，（1）.
[7]特伦斯.C.米而斯（Mills.T.C）,(1999).金融时间序列的经济计量学模型》（中译本）[M].北京：经济科学出版社，2002.
[8]Peters,e.,1994.FractalMarketAnalysis:ApplyingChaosTheorytoInvestmentandEconomics[M].JohnWiley&Son,Inc.
[9]RichardT.Baillie.(1996).LongMemoryProcessesandFractionalIntegrationinEconometrics[J].Journalofeconometrics,73,5-59.
[10]GewekeJ.andS.Porter-Hudak(1983).Theestimationandapplicationoflongmemorytimeseriesmodels[J].JournalofTimeSeriesAnalysis,4,221-238.
关键词：股票市场；协整检验；格兰杰因果检验；市场发展
作者简介：王晓芳(1958－)，女，陕西西安人，西安交通大学经济与金融学院副院长，金融学会理事，教授，博士生导师，主要从事金融市场、货币理论与政策研究；卢小兵(1974－)，男，河南南阳人，西安交通大学经济与金融学院博士研究生，主要从事金融市场理论与实务研究。
中图分类号：F830．9
文献标识码：A
文章编号：1006－1096(2007)02－0136－04
收稿日期：2007－01－11
一、引言
多年来，中国的证券市场一直以其特立独行的走势受到投资者的广泛关注并备受争议，由于证券市场长期以来既不反映经济发展的总体形势，也和世界证券市场的总体趋势几无相关，既不能作为反映经济增长的晴雨表，也无法将自己纳入对世界经济总体衡量的指标体系，再加上长期以来形成的对政策因素的过分敏感，已经被市场人士公认为“政策市”，成了非有效市场的典型代表。最近几年，随着我国政府对证券市场大力规范和整顿，证券市场法律法规不断完善，特别是随着股权分制改革的顺利实施，我国证券市场的市场化程度已大大加强。特别是近一段时间，上证综指和深证综指尾随美国道琼斯指数和香港恒生指数叠创新高，股票市场呈现出了同步的繁荣，中国股市和世界主要股市已表现出了一定程度的趋同现象，特别是在一些重大的趋势和事件影响下，表现出了相同的波动特征。
对股票市场关联性的研究，不仅能反映不同国家和经济体经济运行的相关性，而且在当前金融运行和资本流动越来越国际化的背景下，对投资者的资金配置和趋势投资具有重要的参考价值，同时，还可以通过市场的纯技术角度的模仿，不断向成熟市场国家看齐。
为了分析我国证券市场的市场表现是否实现了和世界证券市场的接轨，我们运用协整理论对我国证券市场和世界主要的证券市场总体走势的趋势特征进行实证分析，同时运用因果检验方法，分析我国证券市场和世界证券市场的相互影响关系，以此来分析我国证券市场和世界主要证券市场的关联状况。
二、数据的选取及依据
为了分析中国股市和世界股市的同步性以及其相互关系，我们选取几个有代表性的股票市场指数进行度量。美国纽约、英国伦敦和日本东京是世界上三个最大的金融交易市场，再加上其在国际金融市场所处的特有的地理位置，开闭市时间顺次连接，实现了不间断交易，所以通常对世界金融市场的研究多选择这三个市场。因本文对世界股市进行研究，我们拟按照惯例选择美国道琼斯指数、英国金融时报指数和日本日经225指数。但综合已有研究成果的结论，日经225指数对我国股指的相关性较小，因此在此仅选择美国道琼斯指数和英国金融时报指数，同时考虑到香港证券市场和大陆证券市场的密切联系，引入香港恒生指数。对于中国内地的股指选择，比较有代表性的主要是上海证券交易所的上证综合指数和深圳证券交易所的深证综合指数，但由于两市的关联性极强，具有明显的替代效应，且深交所在相当长一段时间停止了新股的发行，深综指不能有效反应证券市场发展的全貌，因此我们选取上海证券交易所的上证综合指数作为本次研究的指数选择。
在所选股指中，以SSEC代表上海证券交易所综合指数，以DJI代表美国道琼斯指数，FISE代表英国金融时报指数，以HSI代表香港恒生指数。
数据均来自雅虎财经网站，考虑到中国股市发展时间较短，在其初市场化程度较低并较易受到政策因素的影响，数据选取时段为1998年1月至2006年11月，同时为了简化数据处理，计量检验的数据采用周线数据。
三、实证分析的步骤和结果
(一)对各股指的单整性分析
为了考察所选各股指的单整性，分别做出所考察股指的时间序列图及其一阶差分序列图，注意到数据可能存在异方差性，对以上各股指数据取对数进行处理。
由图1可见，各股指变量的原始序列数据呈现出一定的非平稳性，而其一阶差分序列则比较平稳。但观察图形可以发现图形的波动幅度并不一致，可以粗略认为在不同的时段方差不同，即存在异方差现象，也说明股指波动存在着聚集现象。
由于仅当若干个非平稳变量具有协整性时，由这些变量建立的回归模型才有意义，所以，在此需要对各个时间序列进行平稳性检验，并判断其是否具有相同的单整阶数。
对时间序列的平稳性进行检验的常用方法为单位根检验，由于进行单位根检验涉及方程的设定和检验方法的选择，ADF检验法通过在回归方程中加入因变量的滞后差分项来控制高阶序列相关，这一点和股指走势影响的经济含义比较接近，可以进行相应的解释。因此，可以利用ADF检验法并对方程的对应情况进行依次检验。
ADF检验涉及到方程的三种形式，分别为既不包含截距项也不包含趋势项；仅包含截距项；既包含截距项又包含趋势项，其扩展定义将检验(公式无法输入)也就是说原假设为序列存在一个单位根，备择假设为不存在单位根序列。
从各个股指的对数原始时间序列图示分析，不存在明显的时间趋势，另外从股指设定和期间选择的角度考虑，一般股指都将基期指数定为100或1000，由此可以认定原始股指应该是符合包含常数项的方程，即满足方程
(公式无法输入)而对于一阶差分序列而言，由于其在0均值附近波动，可认为是既不存在常数项，又不包含时间序列的方程，即满足方程
(公式无法输入)分别对LNDJI、LNFTSE、LNHIS和LNSSEC进行原序列及其一阶差分序列的单位根检验，其结果如表1。
可见，各股指原序列的T统计量均大于显著性水平为，10％的临界值，可以认为其原对数序列为非平稳时间序列，对其一阶差分时间序列进行单位根检验，发现其T统计量均小于1％的临界值，可以认为其一阶差分序列为平稳时间序列。由检验结果可知，所选股指均为一阶差分平稳时间序列，即均为I(1)序列，满足协整检验的前提。
(二)所选主要股指的协整性分析
1．EG两步法：由协整的定义可知，如果N个时间序列存在协整关系，则非均衡误差必然是I(0)的，如果N个时间序列之间不存在协整关系，则非均衡误差必然是I(1)的。由此，可以用OLS建立回归模型，对其残差项进行单位根检验，通过分析残差项的特征来判断是否存在协整关系。
(1)协整回归：由于我们在考察各股指的协整关系时，主要目的是要了解中国股市与世界股市是否实现了同步波动，
因此，在此建立的回归模型必然是以LNSSEC作为因变量进行考察，所以，建立的回归模型如下
(公式无法输入)
通过对上式进行回归检验，可以发现其主要统计指标均比较理想，但在此的目的主要是考察残差项是否平稳，因此直接对残差项进行平稳性检验。
(2)残差项的AEG检验：根据回归模型生成残差序列e，残差序列的取值如图2：
对残差序列进行单位根检验：
检验结果显示，在1％的显著性水平下拒绝原假设，可以认为残差序列e基本上为平稳序列，表明LNSEC和LNDJI、LNFTSE以及LNHSI有协整关系。
(3)建立误差修正模型：由于协整关系表现的是变量之间的一种“长期均衡”关系，协整关系的存在表明了这种长期均衡关系的存在，而现实中的实际经济数据则是由“非均衡过程”生成的，这就暗含了存在一种对模型中偏离长期均衡趋势调整的力量，为了反映这种对长期均衡的调整力度我们建立各变量滞后1期的误差修正模型(各变量前的数字为系数，括号内为t检验值)
从上式中可以看出，误差修正模型的检验结果并不理想，各相关变量的检验值几乎都不显著，只有误差修整项的系数为负且检验显著，表明了该模型符合反向修正机制，说明了上证指数的当日波动受前两日非均衡误差的反向影响，如果前两日股指的增长率超过(或低于)均衡的股指增长率，则当日股指增长率会下降(或上升)，从而使其趋近均衡水平，调整速度约为1．74％。
由协整回归可知，在股市的长期均衡关系中，上海股市与所选择的世界三大股市均保持了正向的相关关系，但强度有所不同，长期来看受美国股市的影响较大，其次是香港股市，英国股市只有微弱的影响。从短期的波动特征来看，上海股市也受到以上各股指波动的影响，但影响因素均较小。总体来看，无论长期和短期，中国股市都保持了一种较为独立的走势。
2．向量自回归模型法(VAR)：由于EG两步法一般只假定有一个协整关系，忽略了其他协整关系的存在，由其所作的协整检验仅考虑了世界各股指对上证指数的影响，而忽略了各股市之间的相互关系。因此，我们采用VAR方法对其进行进一步检验。
(1)确定滞后期k：VAR方法的最大优点就是预先不设定检验的因变量，而是根据总体变量及其各期滞后逐个进行回归检验，并依据检验结果确定最终的变量关系，但在设定回归模型时首先要对其滞后期数进行确定。在此，可对滞后期数的选择采用依次试错的方法，分别对各统计量的值进行比较(表3)。
表3显示了不同滞后期数条件下所确定的各统计量的值，各最小值由下划线表示，按照简易的原则，我们选择滞后2期作为模型的选择。另外还可以通过Eviews的输出结果对VAR模型的滞后长度标准进行直接确定，显示结果如表4：
(2)确定协整向量个数：利用迹统计量和其临界值的比较确定协整向量的个数，具体的结果见表5。
根据所设定的原假设和检验结果，可以判断存在2个协整关系。
(3)建立VAR及向量误差修正模型：各股指的向量回归结果见表6，可以看出，在以各滞后两期的回归检验中，除了各自的滞后项对其的影响显著以外，LNFTSE的1、2期滞后对LNDJI和LNHSI的影响显著，另外，LNDJI对LNFTSE和LNH-SI也有一定的影响，但比较特别的是LNDJI的影响主要表现任其滞后2期的影响上，由此也可以判断，香港股市的走势在一定程度上有跟随美国股市的特征。
通过以上的分析可以看出，英国金融时报指数对美国道琼斯指数和香港恒生指数的影响较大，同时美国道琼斯指数对英国金融时报指数和香港恒生指数也产生了一定的影响，而中国的上证指数和世界各股指的关联性较小，这一点与用EG两步法得到的结论基本一致。可以判断，中国股市和世界股市虽然存在一定的关联性，但这种关联性不是很强，中国的股市依然保持了一种比较独立的走势。
(三)各地股指的因果关系检验
为考察各地股指的关联并验证上文的猜测，进一步考察四个市场之间的关系，对其进行格兰杰因果检验：在此以PairwiseGrangerCausality方法进行格兰杰因果检验，结果如表7：
由以上检验结果可知，英国金融时报指数对美国道琼斯指数和香港恒生指数有较强的影响，同时，PairwiseGrangerCausalityTests还认为英国金融时报指数对上证指数、美国道琼斯指数对香港恒生指数有一定的因果联系。
四、结论及影响因素分析
检验结果所给出的协整关系及因果关系可以看出，英国金融时报指数的走势对美国道琼斯指数和香港恒生指数的影响较大，同时美国道琼斯指数对英国金融时报指数和香港恒生指数也产生了一定程度的影响；中国股市和世界股市虽然存在一定的关联性，但这种关联性的检验结果并不显著，只有英国金融时报指数在1％的显著性水平下检验通过了对上证指数的影响。由此，我们可以认为，我国股市依然保持了一种较为独立的走势特征，但短期波动已呈现出了较强的均值回复现象，可以认为世界股指走势的信息传递已经对我国股市产生了影响。
对于世界股市这种相互影响的因素和关联关系，可以从世界股市的区位设置和市场微观结构以及市场的历史发展找到线索。伦敦和纽约作为世界两大金融中心，金融市场经历了百年的发展，其市场发展程度较为成熟，两个市场间的资本流动较为充分，因此使得两个市场必然呈现一定的关联性。另外从两个市场所处的世界时区来看，伦敦市场的收市时间刚好是纽约市场的开市时间，这种由于地理位置的原因导致的开闭市时间的巧合必然通过市场信息的传递影响下一个交易的进行。大量的对市场微观结构的研究发现，当前的交易价格受到前一期交易价格的影响，这也是英国金融时报指数对美国道琼斯指数的影响远大于后者对前者的影响的原因。香港金融市场的各种制度安排很大程度上沿袭了英国的模式，再加上历史的原因，无论是监管当局还是市场参与者，在对国际金融市场总体走势的判断上都会更多基于英国市场的状况作为分析的基础，因此，反映在股市上就表现为英国金融时报指数的波动对香港恒生指数有较强的影响而不是相反。
从中国证券市场的角度进行研究，上证指数虽然依旧保持了较为独立的走势特征，但通过计量检验结果可以看出其中也出现了一定程度的弱相关性。综合现有的研究发现，这种弱相关性主要来自市场信息传导的影响，其中又和近几年来我国企业海外上市密不可分。据统计，截止到2005年底，我国企业在海外上市的共有143家(不包含在香港主板和创业板上市的公司)，其中纽约证券交易所18家、美国纳斯达克市场28家、伦敦证券交易所13家，其余多选择在新加坡交易所和美国柜台交易市场交易。在为数众多的海外上市企业中，不乏两地同时上市的公司(其中4家公司实现四地同时上市，8家公司实现三地同时上市)，由于两地上市公司股价的比价效应，再加上当前便利的信息传播渠道，必然使得股指的波动呈现出一定的传递性，从而使各地的股指出现一定的关联。另外还有一个重要的因素就是我国近几年来实行的QFII和QDII制度，在一定程度上加快了国际和国内资本的流动和融合，也为国内和国外股市之间相互影响的加强提供了动力。
当然，对我国证券市场和世界市场整体走势的比照研究，其目的并不是为了追求一种和世界主要股市的同步或趋同，而是通过对现有股指的协同分析对我国股市的一些统计特征进行反映并进而分析考察我国证券市场的发展状况。从当前我国股市的发展现状看，规范和发展依然是我国证券市场的重中之重，而其中完善制度、健全法律又是当前最为重要的课题，对于属于由市场支配和反映市场特征的波动和趋势，则无需我们刻意为之，而是要靠市场这只无形之手去掌控和把握。
【关键词】β系数；宏观经济；影响因素
理论上，β系数的大小取决于两类因素：一类是与市场相关联的各类经济变量的不确定性因素及其程度，另一类是各类股票收益对经济变量的反应程度。比如说当企业改变其资本结构，增大财务杠杆时，该企业对各类经济变量的反应程度就将提高，其β系数值也将增大。因此，可以预期，在同一时期的不同证券的β系数及同一证券在不同时期的β系数都可能存在一定程度的差异，这也己为许多研究所证实。总的来看，研究普遍认同导致β系数差异的影响因素主要有三大类：宏观经济因素（如经济周期、利率、通货膨胀等）、公司的基本特征（如公司的规模、财务结构等）和公司的行业类别及所归属的经济部门。
1、宏观经济因素对β系数的影响
影响β系数的宏观经济因素主要有经济周期、利率、通货膨胀等因素。Robichek和Cohn在1974年的研究发现通胀率和收入增长率会影响证券的系统性风险；Francis和Fabozzi（1979）用哑变量模型分析经济扩张和缩减对证券β系数的影响，他们的结论支持了经济周期也是影响因素之一的观点。但Robichek和Cohn的研究与Francis和Fabozzi的研究存在一个共同的问题，即他们的模型都用离散型的虚拟变量而非连续型变量来度量经济条件的变化，这使得他们的研究无法分析影响因素对系统性风险的作用方式和影响程度。
Carl.Chen（1982）建立了一个因素模型对公用事业企业的β系数和几种影响因素的相关性作时间序列分析，他将β系数设为模型中的因变量，模型的独立变量包括微观和宏观指标，分别为资产的变动、财务杠杆、股利变化、通胀率、实际收入增长率，结果也发现实际收入增长率对β系数有较强的影响作用。
2、公司基本特征对β系数的影响
理论上，公司规模的大小、资本结构、经营收入的周期性及公司的负债比例等基本特征的变化将改变公司的风险特性，从而影响公司所发行股票的风险。因此，学术界对公司的基本特征变量是否会影响其股票的系统性风险系数展开研究。鉴于公司的会计资料能传递与公司基本特征有关的风险信息，在实证研究中，通常用会计变量作为反映公司基本特征的量化指标。
Lev（1974）选取电力行业的75家公司、钢铁行业的21家公司及石油行业的26家公司为样本，就公司经营杠杆与β系数之间的关系进行了深入的研究，结果表明经营杠杆与β系数显著正相关。
Bildersee在1975年研究了1956年至1966年间纽约证券市场制造业和零售业的71家公司的系统性风险与n个会计变量之间的关系，他采用逐步回归的方法，筛选出对β系数有重要解释能力的6个会计变量：负债比例、流动比率、优先股与普通股的比例、销售与权益资本的比例、市盈率的标准差、会计β系数，并建立了多元线性回归模型。
Rosenberg和Mekibben（1973）考察了基于会计变量和市场变量的风险因素与β系数之间的相关性，他们应用多元回归分析方法，检验了32个变量与β系数的关系。结果发现在因变量（β系数）和独立变量之间存在强相关关系，大多数变量与β系数的相关关系与预期方向相同，有13个变量与目系数有显著的关系，但作用方向与事先预计的有所不同。Rosenberg和Mckibben还发现不同行业股票的β系数存在持续的差异。随后，Rosenberg和Marathe（1975）进一步把39个行业哑变量加入模型中来解释股票β系数的差异，并构造了著名的“罗森伯格系统”（RosenbergSystem），该系统将个股的市场特征、公司基本因素和行业性质综合于一个模型中，较好地显示了β系数变动的各种可能原因。罗森伯格系统的一般形式是：
其中：为代表市场变动性的14个描述变量，包括历史β系数及股票的市场特征如交易量、股价的波动范围等；
为代表盈利变动性的7个描述变量，包括盈利变动性的度量、会计β系数以及不可预测盈利的度量如非正常盈利的数量等；
为代表公司经营成功性的8个描述变量，包括盈利的成长性、股票面值与股价之比、公司的相对优势及其它经营成功性的度量指标等；
为代表成熟性的9个描述变量，包括总资产、市场份额以及规模和经营时间的度量指标等；
为代表成长性的9个描述变量，包括股利发放率、市盈率和其它历史与预期成长性的度量指标等；
为代表财务风险的9个描述变量，包括财务杠杆、利息杠杆和流动性的度量指标等；
为代表公司特征的6个描述变量，包括股票的发行量和产业类别的反映指标等；
-为代表行业特征的虚拟变量。
Rosenberg和Marathe对该模型的首次检验表明模型对未来β系数的预测能力好于其它的预测模型。由于理论上的吸引力和检验结果的支持，用罗森伯格系统生成的β系数预测值得到广泛的认可，著名的BARRA咨询机构（由Rosenberg创建）就采用了这一系统。
Bowman（1979）分析了β系数与会计变量之间在理论上的相关性，他在一系列的假设前提下，证明了公司的财务杠杆与β系数存在着理论上的相关性，而β系数与盈利变动性、股利、公司规模和公司成长性之间不存在理论上的直接相关性。
Mandelker和Rhee（1984）选取255家生产型企业在1957年至1976年20的数据，分析经营杠杆系数和财务杠杆系数与市场β系数的关系，实证结果表明市场β系数与经营杠杆系数和财务杠杆系数显著正相关。
Rosenberg和Rudd（1987）的研究发现对β系数最具有解释或预测能力的4个会计变量是成长性、盈利变动性、财务杠杆和规模。他们的研究还发现不同行业类公司的β系数存在显著且持续的差异性。
相比于国外的研究而言，国内关于β系数的影响因素研究仍处于起步阶段。吴世农、冉孟顺等（1999）根据财务理论，在总结和借鉴Beaver等人（1970）和Bildersee（1975）所做研究的基础上，结合我国上市公司和证券市场的实际情况，在提出七个假设的前提下对我国上市公司系统风险与会计变量之间关系进行实证研究，经研究发现我国上市公司的总资产增长率、财务杠杆、股利支付率这3个会计变量对个股的系统风险均有显著影响，此外他们从组合后的回归分析来分析，发现流通规模对股票组合的β值具有显著影响，虽然这与个股β值的回归分析结果不一致，但一般认为组合修匀了数据，消除了一些偶然现象，其结果更具有稳定性。
李旭升（2002）对1996年至2000年间沪深市场中292家上市公司的β系数进行预测性研究，研究发现经营杠杆、现金股利支付率、盈利变动性、主营收入增长率，净资产收益率、年振幅和历史β系数是影响β系数的主要指标。
钟琳琳（2006年）对1997年至2004年间沪深市场中293家上市公司的A股股票的β系数进行研究，经研究发现个股β系数与会计变量的相关系数比较小，相关关系较弱，组合后的β系数与会计变量的相关系数普遍提高，相关关系显著增强。
张甲宇（2008）以沪深两市所有A股上市公司为研究样本，运用最小二乘回归分析方法计算样本公司2005年的β系数，在此基础上分析了β系数与32个相关财务变量的关系。研究结果显示：β系数只与其中的活动性比率、主营业务成本率、盈利变动率、流动资产周转率、流通比例、总股本赫菲德尔系数、销售现金比率、市盈率和销售成本率显著相关，最后他还建议今后的研究考虑上市公司的行业特性和宏观经济因素对系统风险的影响。
总的来看，研究虽然发现β系数与某些因素有显著的相关性，但实证研究的结果仍存在较大的差别，究竟是哪些因素对β系数有持续稳定的影响作用尚无法定论。
3、公司的行业类别及所归属的经济部门对β系数的影响
Rosenberg和Mckibben（1973）的研究发现不同行业股票的β系数之间存在持续的差异。Farrell（1974）计算了几个不同经济部门的β系数，其中增长型和周期型部门的β系数分别为1.24和1.11，高于平均值水平，而稳定型和能源型部门的β系数分别为0.9和0.85，低于平均值水平。
应该指出，β系数的影响因素研究具有重要的理论价值和现实意义，它不仅揭示了除市场因素之外，宏观经济条件、公司的基本特征等也是潜在影响β系数的重要因素，从而使得人们对β系数之所以不稳定及其变动特征的探究有了更为明确及合理的解释。同时，对β系数的影响因素研究还能区分不同影响因素的重要程度，确认其影响方式和影响程度，因此也为β系数的可预测性提供了科学的理论依据和分析方法。
参考文献
[1]钟琳琳.我国股票β系数与会计变量关系的实证研究[D].大连理工大学,2006.
[2]张甲宇.财务变量与预期贝塔系数关系的实证分析[J].财务月刊,2008(Nov.),13-14.
[3]许年行.中国上市公司股权分置改革的理论与实证研究[D].厦门大学,2007.
关键词：IPO抑价；股改；上市公司
中图分类号：F83文献标识码：A
IPO抑价，指首次公开发行的新股上市首日收盘价，相对其发行价格，不论在经济上还是统计上都存在显著为正的超额收益现象。经验研究表明，无论是在发达国家成熟的证券市场，还是在发展国家不太成熟的证券市场，IPO抑价现象始终都是存在的。
一、IPO抑价文献综述
国外对IPO抑价理论的研究始于20世纪七十年代中期，是建立在信息分布不同假设基础上的金融经济学理论，按照对信息是否对称的假设前提可以分为信息对称基础的IPO抑价理论和信息不对称基础的IPO抑价理论。后者认为，如果投资者对发行者拥有更多信息，发行者将要发行的股票就面临一个未知的市场，因此只能抑价发行。随着理论的假设条件逐渐接近现实，Rock（1986）提出了“胜者之咒”假说，Welch（1992）提出了“流行效应”假说，认为IPO发行中总是会存在要么认购不足，要么有巨大超额认购，很少有适度超额认购的相对均衡情况。Tinic（1988）、Hughes和Thakor（1992）提出避免诉讼假说，Booth、Chua（1996）、Brennan和Franks（1997）都曾提出股权分散假说，并且通过实证分析证明了IPO抑价程度越低则股权分散程度也越低。
国内学者对IPO抑价研究采用的方法主要是Rock模型、单因素方差分析和回归分析方法等，研究结论比较多见。陈工孟、高宁（2000）对我国沪深两市1991～1996年上市的480只A股和85只B股进行回归研究后得出A股平均发行抑价率达335%，对发行抑价的解释是，信息不均衡和其他风险因素并非发行抑价的主要原因。邹健（2004）提到承销商排名对IPO抑价率的影响，实证的结果表明在沪深两市，承销商排名均与IPO的抑价率有显著负相关关系。
本文仅就2006年以后，我国股票市场进行全面股权分置改革，重新启动IPO，发行并上市的新股IPO抑价率进行实证检验，以期得出在新的发售机制和新的外部环境下的抑价特征。
二、实证分析
1、数据来源与样本选择说明。本文的样本为2006年到2007年底在沪深交易所上市交易的IPO公司A股股票。样本为188家公司，其中上交所36家，占19.15%，深交所152家，占81.85%。变量数据主要来源于Wind资讯和中国证券业协会等。券商情况来源于中国证券业协会2007年数据。市场指数对应的是上交所和深交所的A股指数。采用的统计软件是Eviews5.0。
2、模型的构建。本文以新股初始超额收益率为被解释变量，对各解释变量进行回归，建立多元线性回归模型。因变量IR表示股票首日的收益率，即（收盘价-发行价）/发行价。自变量是：INDM和INDF分别是制造业和信息制造行业虚拟变量；DAY指资金申购日与上市日之间的时间间隔日；SIZE指新股发行募资规模，单位为亿元；PROP指流通股比例；PE指发行市盈率；LOTT指新股发行中签率；TURN指上市首日换手率；VIB指首日振幅，即（最高价-最低价）/最低价；REPU指是否由前10大证券承销商承销，若是，则赋值为1，否则，赋值为0；LIST指上市地虚拟变量，深交所取1，上交所取0；PMAR指新股发行前一个月市场指数的累计回报率。
3、回归结果与分析。尽管在模型中采用了多个变量来解释发行抑价率，本文经过对各解释变量进行相关分析，发现绝大多数解释变量间的相关系数都比较低，总体来看多重共线的问题并不明显。（表1）
在统计上影响不够显著的因素有：INDM、INDF、DAY、LOTT、REPU和LIST。尽管这些变量对首日新股上市当日收益率不很显著，但我们还是能够发现：在行业板块中，制造业、信息技术业可能要比其他行业的收益率偏低，新股发行间隔日的长短对收益率呈略微的负影响，中签率对收益率的影响系数非常大，且为负。间隔日时间越长，中签率越高，收益率越低。IPO公司的券商若是前10名的以及公司选择在深交所上市，其收益率可能会偏高。
在统计上影响较为显著的因素有：TURN、VIB、PMAR、PROP、SIZE和PE。新股发行的规模、流通比例以及发行时的市盈率越大，IPO的收益率越高，并且后者更为显著。首日换手率、首日上市的振幅和新股发行前一个月市场指数的累计回报率越大，新股上市当日的收益率会越高，并且呈高度的正向关系。前三个变量明显是属于证券市场的、非公司性质的因素，可以看出，它们能够反映当时市场上流动性过剩导致二级市场的狂热行情。
三、结论
本文通过对我国2006年到2007年底新股IPO抑价现象的实证分析，得出以下结论：
1、国内A股市场首日明显存在高额收益。股改后营造的牛市环境，以及长期以来的双顺差导致二级市场上的流动性非常，加上之前近一年的时间里，证监会关闭了新股发行的大门，多种因素共同导致流通市场上股票价格偏高，造成了股改后IPO抑价程度加剧的现象。
2、筹资规模、流通股比例、发行市盈率、首日换手率、首日振幅、上市前一个月的市场行情状况等对新股收益率有显著影响。尤其显著的是流通股比例、首日换手率、首日振幅、上市前一个月的市场行情状况这几个变量，能够表明我国IPO首日超常收益率的很大部分是由流动性过剩导致二级市场的狂热所形成的。
【关键词】股票市场；GARCH；VAR；股票风险；投资策略
1.引言
经过20多年的发展，我国证券市场不断扩大，上市公司日益增多，投资者积极性不断上升，股票日益成为一项重要的投资方式，因此如何根据现有的条件进行风险最小、获益最大的投资，成为投资者们最为关注的问题。上海证券交易所上证综合指数从2007年初的2715点开始上升，同年9月到达最高点6124点，然后一路下滑到最低1664点。这充分说明股指波动幅度大，股市蕴含很大的风险，剧烈的股市震荡会使大多数的普通股民亏损。因此如何有效分析和预测未来股票的风险成为投资者和学者们的首要问题。由此产生的各类用于分析股票的风险和预测未来的收益的模型中，GARCH模型及其扩展模型是被最广泛应用的。
2.数据选取和分析
本文选取上海股票市场上证指数2007年1月4日至2009年10月19日的共679个日收盘价格数据，为了方便数据分析，防止休市日数据空缺，将数据向前推移，形成连续的时间序列。其来源是软件的历史数据，选取上证日收盘指数。无论是对投资者还是融资者来说，收盘指数都是很重要的，更能反映上市股票的股份走势，从而具有引导投资者或者融资者的作用。日市场收益率，是反映日价格波动变化程度的指标，收益率的标准差或方差可以体现市场的波动特征和风险特征，因此选择日市场收益率来研究。本文中的所有数据建模和分析过程运用Eviews6.0和Mathtype软件。
3.实证分析
3.1上证综合指数收益率的描述性统计量
样本期内上证指数日收益率均值为0.0166%，标准差为0024401，偏度为0.337351，峰度为4.260489，高于正态分布的峰度值3，说明收益率rt具有尖峰和厚尾特征。JB正态性检验也证实了这点，统计量为57.74457，说明收益率rt显著异于正态分布。
3.2平稳性检验
0.01的显著性水平下，上证指数日收益率rt拒绝存在一个单位根的原假设，说明上证指数日收益率序列是平稳的。
3.3自相关性检验
通过样本自相关函数（ACF）和偏自相关函数（PACF）图可以看出，Q统计量不显著且P>0.05，所以日收益率序列本身的自相关性很弱，但是日收益率的平方却表现出很强的自相关性。令xt=rt2即xt表示日收益率的平方。通过伴随概率可以看出，在显著性水平0.05下，显著拒绝不存在自相关的原假设，判断出日收益率序列可能存在ARCH效应，有必要对其进行ARCH效应检验。
3.4序列残差ARCH效应检验
对时间序列进行GARCH类模型估计，首先必须满足序列残差服从ARCH分布，从而才能进行GARCH模型估计得到条件方差ht的估计方程。由上面分析可知，日收益率序列本身有很弱的自相关性，因此可把日收益率写成rt=c+at，其中c为常数项，at为误差项。使用LM检验法检验是否存在ARCH效应。可知P值为0.016
4.GARCH族模型建模
4.1当残差的分布分布形状为正太分布时，根据GARCH（1，1）的估计结果可知其模型为：
rt=c+at，h2t=0.001291+0.067289a2t-1+0.899702h2t-1
4.2残差的分布形状为t分布时，根据GARCH―t（1，1）的模型得出的估计结果为：
rt=c+at，h2t=0.002659+0.070185a2t-1+0.909685h2t-1
4.3当残差序列的分布服从广义误差分布时，GARCH（1，1）模型的估计结果为：rt=c+at
h2t=0.002961+0.069616a2t-1+0.903744h2t-1
5.VAR计算结果与分析
表195%和99%置信水平下的平均一天期的VaR值
置信水平1正态分布1t分布1GED分布95%139.05137.50139.0199%155.25161.65160.86通过整个建模及VaR的计算可知：t分布和GED分布假定下GARCH类模型比正态分布假定下的GARCH类模型能更好的反映出收益的风险特性。上海证券综合指数的平均VAR值相对并不是很大。
6.投资策略
根据以上分析过程可知，在基于GARCH模型的股票风险分析中，最好使用在t分布或者广义方差分布下的GARCH类模型，这样计算出来的VAR值更接近于实际损失，更能够表现出股票收盘价不同时刻的波动。基于GARCH（1，1）和VAR模型的股票风险的研究，更多的是为了能够为投资者或融资者在未来的投资或融资活动中把握主动，预测出未来的风险值，从而为使用者提供制定投资策略的基本及最可靠的依据。
参考文献：
[1]（美）詹姆斯.D.汉米尔顿.时间序列分析――EViews应用及实例[M].北京：清华大学出版社，2006：171198
[2]杨二鹏，张德生，李文静.基于GARCH模型的沪深300指数收益率统计预测研究[J].长江大学学报（自然科学版）.2010，7（1）：151153