证券市场显著特征
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇证券市场显著特征范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
证券市场显著特征范文第1篇
关键词：上海证券市场；价量关系；信息交易量；Granger因果检验
中图分类号：F830．91文献标识码：A文章编号：1000．176X（2008）02．0065．06
在微观金融理论中，价格和交易量作为证券交易的基础性变量，蕴含了市场交易过程中的主要信息。Karpoff对价量关系研究的理论和现实价值作出了深刻的概括：首先，价量之间的真实关系有助于人们了解证券市场的信息流动机制和微观结构；其次，价量关系研究有助于推进证券市场事件研究；再次，价量关系研究对解释证券价格分布状态具有决定性影响；最后，价量关系研究有助于解释技术分析的有效性并为投资者提供有价值的信息[1]。
价量关系研究在国外可以追溯到Clark利用低频数据所进行价量关系的相关性分析[2]，其后Epps、Karpoff、Smirlock、Gallant和Campell等学者利用不同方法深化了这一研究[3．6]。国外在解释价量之间存在的紧密联系方面具有代表性的理论可分为三类:第一类是交易理论模型，它强调交易者的交易行为是解释价量正相关性的关键，认为交易者倾向于在市场交投活跃时进行交易，因此交易量和价格波动在时间上存在集群性[7]；第二类是理念分散模型，该模型认为交易者对市场信息理解的分歧越大，引起价格的波动和交易量也越大[8]；第三类是信息理论模型，它指出信息是交易量和价格波动的共同驱动因素，这与市场微观结构理论所坚持的价格波动主要源于新信息不断到达市场并融入到交易过程中的观点相一致，加之获得了更多的实证研究的支持，信息理论模型目前已经成为解释价量关系的主流模型[9]。
近年我国一些学者基于国外研究成果对我国证券市场价量关系进行了有益的探索。张维、闫冀楠针对上海证券市场的研究发现价格对交易量具有显著的线性因果关系，而交易量对短期价格波动不具有线性因果关系，但长期却存在非线性因果关系[10]；陈良东利用线性Granger因果检验对上海证券市场价量关系进行了剖析，发现交易量的变化与绝对价格收益之间存在显著的正相关关系[11]；陈怡玲、宋逢明通过研究发现交易量与价格变化绝对量、价格变化本身线性正相关，并且存在非对称的价量关系[12]；魏巍贤对上海证券市场价格与交易量进行协整分析，得出两者间存在长期均衡的结论[13]；范钛、张明善利用Granger因果关系检验法和VAR模型对我国A、B、H股市场分割下价量关系的表现特征和内在规律进行研究[14]。
国内价量关系实证研究存在以下不足之处需要加以改进：首先，现有研究在对交易量的处理上不够细致，有些仍直接运用原始交易量序列进入模型，而未将其进行进一步的甄别和分离，从而削弱了研究成果的揭示能力；其次，在分析时段选取上较为随意，并且多为单阶段静态分析，没有充分考虑数据分段特征的变化，也未能从动态对比角度揭示价量关系的演进；最后，对于价量关系实证结果的剖析仍有待深入，未能深入到交易机制层面，因而对于市场发展的实践指导作用相对有限。本文在甄选已有国内外价量关系研究成果的基础上，通过对交易量序列的分解、提取信息交易量作为实证分析的数据基础，并运用信息理论模型中的混合分布假说作为理论基础，在结合市场制度变迁实践的基础上进行两时段价量关系实证分析，从对比分析中谋求更深入地揭示上海证券A股市场价量关系以及该市场交易机制存在的不足，据此提出具有针对性的改进对策。
一、理论基础和研究方法
（一）信息理论模型概述
信息理论模型从信息引起交易需求和交易供给变化的角度解释交易量与价格波动间存在的正相关关系，认为新信息流到达市场的强度和频率决定了市场交易的活跃程度和交易量、价格的波动程度。信息理论模型中具有代表性的混合分布假说(MDH)认为价格波动与交易量的联合分布由一个潜在的、被假定为信息流的混合变量共同驱使，市场中存在着一种反映信息在市场传播速度的潜在性因素，新信息流进入市场产生影响并引起交易量和价格同期变动，并且价格波动和交易量分别与信息流的速率正相关，继而形成价格波动与交易量正相关[15]。在MDH框架下，交易量与价格波动的动态特征仅仅依赖于信息流到达过程的时间序列特征，因此交易量序列可以作为信息流的指标并成为产生价格持续性波动的因素；反之亦然。
（二）研究方法
1．交易量的分解
根据MDH的观点交易量包含两部分――信息交易量和非信息交易量，前者是基于新信息到达诱发信息交易而增加的交易量，后者一般是噪声交易而引起的交易量。信息交易量作为新信息到达并对交易量产生冲击的体现，基于新信息随机、不连续的特征，信息交易量变化较为随机、不具稳定性；而从长期看基于噪声交易因素产生的非信息交易量则相对较为稳定。据此非信息交易量是交易量中可以预测的成分，可由交易量的平均值――预期交易量来表示；信息交易量则无法从历史交易量序列中予以解释并由非预期交易量来表示。用式(1)剔除交易量序列中的线性和非线性趋势的影响。
二、上海证券市场价量关系实证分析
（一）数据特征
1．数据来源
1996年12月16日上海证券交易所开始实行交易价格涨跌幅限制（涨跌停板制度），其后在2006年6月份开始分批推进的股权分置改革进入实施阶段，从市场微观结构理论出发，有理由相信交易机制转换和制度变迁会导致市场交易特征和交易行为产生较为明显的差异，因此有必要以1996年12月16日和2006年5月31日为分水岭将不同特征的市场数据进行分段处理，以避免数据结构转变所带来的分析谬误。据此将检验的样本期分为两个时段进行分析:1990．12．19―1996．12．15为第一时段；1996．12．16―2006．05．31为第二时段。选取上证A股综合指数（简称“上证综指”，下同）日收益率及日交易金额数据为价量关系指标分析对象，数据源自国泰安公司开发的CSMAR数据库，分析中使用计量经济学软件SPSS和Eviews。
2．数据描述
（1）上证综指日收益率序列统计特征
记Pt为日收盘指数，Rt为日(对数)收益率，则Rt=lnPt．lnPt．1,应用SPSS软件对其进行单变量频数分布分析得出上数变量的统计量特征，见表1。
（2）上证综指日交易量序列统计特征
以上证综指日交易额序列为原始交易量序列，对其进行单变量频数分布分析和序列自相关检验，结果分别见表2、表3。
（3）统计分析
从以上的统计特征中可以发现上海证券市场两时段价量指标具有显著的差异，笼统使用全部时间序列数据可能会导致模型设立上的错误并影响分析结论的正确性，分时段考察更为适宜。同时原始交易量序列的自相关系数明显超出了置信区间、存在着显著的自相关，说明原始交易量序列具有高度的可预测性，与将其分解为预期交易量和非预期交易量的要求相一致。
（二）上海证券市场价格与交易量Granger因果检验
1．交易量的处理
去除原始交易量中的线性、非线性时间趋势，得到了去势交易量；然后经过比较，分别选择ARMA (8,0)以及ARMA (9,0)去除了v′t中的序列相关性，得到了非预期交易量v1t；最后用去势交易量v′t减去非预期交易量v1t得到预期交易量v2t。考查期内的相关性检验结果见表4。
通过对各交易量之间相关系数的分析发现预期交易量v1t和原始交易量vt相关性很高，非预期交易量v2t与原始交易量vt的相关性较低。
对上海证券市场收益率（Rt）及其绝对值（|Rt|）、原始交易量（vt）、预期交易量（v1t）、非预期交易量（v2t）各序列进行ADF单位根检验。上述序列ADF检验值分别为．58．19468、．46．08381、．10．71768、．61．51139和．11．69868，均在1%的显著性水平下拒绝存在单位根的原假设，从而表明上述序列都是平稳过程。基于上海证券市场所有收益变量和交易量变量都为平稳过程，可以进行变量间的Granger因果检验。
2．Granger因果检验
依据AIC准则选取滞后阶数位4，进行价量间两时段Granger因果检验，检验结果见表5和表6，继而归纳两时段Granger因果检验显著性程度，见表7和表8。
表5第一时段Granger因果检验值统计
三、上海证券市场价量关系解析
（一）上海证券市场价量关系分析
在MDH分析框架下，从交易机制层面上可以对上海证券市场价量关系做较为深入的剖析。
Rt、|Rt|在两时段分析中始终能在1%的显著性水平下构成vt、v1t、v2t的Granger原因。这说明在MDH分析框架下，上海证券市场中的价格变量与交易量变量相比较是更为有效的信息流变量替代指标，即价格变量所拥有的信息含量高于交易量变量。需要注意的是在两阶段中，对于vt、v1t、v2t的解释能力强于|Rt|，说明上海证券市场价量关系存在非对称性，这在一定程度上可以归结于卖空限制的存在，缺乏主动性做空机制导致负面信息生成交易、融入价格的能力弱于正面信息，从而影响了市场信息吸收的广度。
v2t在第二时段能够在较高的显著性水平下构成Rt、|Rt|的Granger原因，并且v2t对于vt、|Rt|的解释能力强于vt、v1t，这说明非信息交易量相对于信息交易量和原始交易量具有更强的价格预测能力，前述交易量分解思路得到了实证检验的支持。对于第一时段v2t较低的价格解释能力，可以从上海证券市场发展初期的市场运行特征上寻找原因，在该阶段市场总体规模较小、流动性较低，并且证券价格操纵特征明显，在市场流动性较弱的背景下噪声交易会导致市场出现较为明显的价格波动，价格波动的信息含量和市场价格发现效率明显偏低。其后随着市场规模不断提升、信息披露机制不断完善和市场运作逐步规范化，非预期交易量在整体交易量中所占比重呈上升趋势，其对市场的影响和对价格的解释能力也显著增强。
（二）上海证券市场交易机制改进对策
针对上海证券市场价量分析所揭示的问题，应当进一步推进交易机制的变革。
1．建立混合驱动交易机制
进一步增强市场流动性建设可以有效地降低基于噪声交易和价格操纵所带来的价格过度波动，从而提升市场价格生成的信息含量。在流动性建设中，可以在现有指令驱动交易机制基础上引入报价驱动交易机制，由合格机构充当做市商，并赋予其在收取买卖价差基础上针对市场非常态下出现的流动性瓶颈承担提供流动性的义务，从而建立起常态市场环境下以订单驱动交易机制为主体、在非常态市场环境下以报价驱动交易机制为有效补充的混合驱动交易机制。
2．完善信息披露机制
为了使市场交易能够真实反映证券内在价值，需要进一步加大信息交易在整体交易中所占比重，这就需要不断完善现有的信息披露机制，即在强化现有的常规性信息披露义务的同时，针对市场价格异常波动有效地拓展非常规性信息披露的强度和深度，使市场交易能够及时地反映市场信息并使市场信息的披露能够及时有效地修正市场交易，从而进一步压缩虚假信息的散布空间、平抑其对市场的影响，为有效地提升市场交易的信息含量奠定良好的基础。在这方面应当在进一步规范临时停牌制度的同时，有效地拓宽信息披露范围，将股权分制改革后可能出现的大宗交易激增所需要的冰山订单、交易对手信息等内容囊括到信息披露机制建设中来。
3．建立两层次的市场做空机制
针对价量关系的非对称性，需要建立有效的做空机制来增加负面信息融入市场交易的能力。可以考虑在现有的权证交易基础上，针对市场整体适时推出股指期货交易和针对市场权重证券推出融券卖空交易，从而建立起两层次的市场做空机制体系，起到有效地拆除市场自发性信息屏蔽、拓展信息流进入市场的广度和效率。
四、结 论
本文基于MDH，在运用Granger因果关系检验法对上海证券市场价量关系进行分时段分析的基础上，得出结论认为上海证券市场通过交易机制变革在一定程度上推进了市场整体运行效率的提升，交易量特别是信息交易量对于价格变动的解释能力逐步增加，存在价量之间双向的Granger因果关系。从市场发展的角度，进一步增加市场流动性、加大信息交易在整体交易中所占比重和提升价格的信息含量是当前市场交易机制改进的内在要求，具体地应当建立混合驱动交易机制、完善信息披露机制和引入做空机制。
参考文献：
［1］ Karpoff J M．The relation between price changes and trading volume: A survey［J］．Journal of Financial and Quantitative Analysis , 1987, Vol．22, No．1：109．126．
［2］ Clark P K ．A Subordinated Stochastic Process Model with Finite Variance for Speculative Prices ［J］．Econometric，1973，41(Jan)：135．155．
［3］ Epps T W．Security Price Changes and Transaction Volumes: Some Additional Evidence ［J］．Journal of Financial and Quantitative Analysis，1977，12 (March)：141．146．
［4］ Smirlock M, Startks L．An empirical analysis of the stock prices and trading volume［J］．Journal of Banking and Finance,1988， (12)：269．283．
［5］ Gallant A, Ronal, Peter E．Stock Price and Volume, Review of Financial Studies，1992， (5)：199．242．
［6］ Wang．A model of competitive stock trading volumes ［J］．Journal of Political Economy, 1994， (102)：127．168．
［7］ Admati A P, Pfleiderer．A theory of intraday patterns:Volume and Price variability［J］．The review of Financial Studies,1988， (1)：3．40．
［8］ Shalen C T．Volume,volatility,and the dispersion of beliefs ［J］．Review of Financial Studies，1993，（6）： 405．434．
［9］ Harris L．Cross．security tests of the mixture of distribution hypothesis［J］．Joumal of Financial and Quantitative Analysis,1986， (21)：39．46．
［10］ 张维，闫冀楠．关于上海股市量价因果关系的实证探测［J］．系统工程理论与实践，1998，(6)：111．114．
［11］ 陈良东．上海股市价量关系的实证分析［J］．上海财经大学学报，2000，（3）：37．41．
［12］ 陈怡玲，宋逢明．中国股市价格变动与交易量关系的实证研究［J］．管理科学学报，2000，（2）：62．68．
［13］ 魏巍贤，康朝锋．上海股市价量关系的实证分析［J］．预测，2001，(6)：63．68．
［14］ 范钛，张明善．中国证券市场分割的VAR模型检验［J］．华东经济管理，2003，(5)：52．58．
［15］ Thomas W．The Stochastic Dependence of Security Price Changes and Transaction Volumes: Implications for the Mixture of Distributions Hypothesis［J］,Econometrica, 1976， (44)：211．305．
证券市场显著特征范文第2篇
【关键词】β系数；稳定性；市场风险
一、关于β系数的稳定性研究
贝塔系数是用于衡量证券市场系统风险的一个重要概念。通过对贝塔系数的估计，投资者可以预测证券未来的市场风险。但是，贝塔系数必须要用过去的数据来估计。所以，除非贝塔系数具有相对的稳定性，否则，它就无法作为证券市场未来系统风险性的无偏差估计。
Blume于1971年在《Beta and Their Regression Tendencies》一文，研究了1926年1月到1968年6月间在纽约证券交易所上市的所有股票。他以每7年为一个时间段，用月收益率数据估计出各个时间段的β系数，然后以统计学的相关分析法为基础，对β系数的稳定性作了深入的研究，最后得出如下结论：在一个时期里估计出来的β系数是其未来估计值的有偏估计；组合规模越大，估计时间段越长，其未来的β系数越能被准确地预测。
靳云汇、李学于2000年在《中国股市β系数的实证研究》一文中，对沪深两市51种1992年以前上市的股票进行了研究，研究结果表明：股票β系数随着上市时间增加基本上趋于不稳定，利用β系数的历史数据来预测未来β系数的可靠性较差。
在关于β系数稳定性的研究中，绝大多数研究认为证券的β系数不具有稳定性，虽然可以借助于组合的方式来获得较为稳定的β系数，但对于大多数的个人投资者来讲，这意味着不能简单地用过去时期数据所估计的β系数作为当前和未来时期的预测值。
二、关于β系数的影响因素研究
从国内外的研究来看，对影响股票风险因素的研究主要集中在分析公司基本特征和行业因素这两个方面。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。
Beaver从公司基本特征入手研究股票β值的影响因素，研究结果表明：在1947年至1956年和1957年至1965年这两个期间，纽约证券市场上307家上市公司单个股票和5种股票的组合的系统风险与盈利变动性、股利支付率、会计贝塔系数和财务杠杆这4个会计变量之间一致且显著相关；对于每个变量，组合的相关程度高于个股的相关程度；系统风险与成长性、规模和流动比率这3个会计变量之间的关系与理论假设不一致或显著无关。
Bildersee研究了1956年至1966年期间纽约证券市场制造业和零售业的71家公司的系统风险与11个会计变量之间的相互关系，最后指出了与系统风险相关的6个会计变量――负债比率、优先股与普通股的比例、销售与权益资本的比例、流动比率、市盈率的标准差、会计贝塔系数，并建立了多元线性回归模型。
Rosenberg和Marathe（1975）进一步把39个行业哑变量加入股票β值的分析模型中，来解释股票β值的差异，形成著名的集个股市场特征、公司基本因素和行业性质于一体的“罗森伯格系统”（Rosenberg’s system）。
吕长江，赵岩于2003年在《中国证券市场中Beta系数的存在性及其相关特性研究》一文中经过研究发现：中国证券市场中Beta系数并不存在显著的行业差异，但在按照是否被纳入计算成份类指数的标准将股票进行分类，即分为成份股和非成份股，这两大类股票的Beta系数存在显著的差异。
刘永涛于2004年在《上海证券市场β系数相关特性的实证研究》一文中指出：就我国目前的五行业分类方法来看，β系数在行业间的区分并不明显；在证监会的CSRC行业分类标准下，β系数在各行业的区分整体上表现出差别性，但两两之间β系数的差别不具有统计学意义。
三、关于β系数的预测性研究
由于经验研究已经证明β系数具有不稳定性，因此，如何准确地预测未来的β值就成为至关重要的问题。对未来β系数的预测主要有两条不同的思路：一是基于时间序列关系的预测；二是基于差异性影响因素的预测。
Blume于1971年在《Beta and Their Regression Tendencies》一文中指出，如果β估计值向均值回归的速度不随时间改变，就可以在估计β系数时围绕这一趋势修正估计值。他采用简单线性模型β2=a+bβ1，来估计相邻两期β估计值之间的回归关系，用此回归关系修正对其将来值的估计。
Vasicke于1973年在《关于在证券β系数的贝叶斯估计中运用横截面信息的一项注释》一文中根据β系数的回归趋势，把贝叶斯决策方法引入β系数的估计中，提出了贝叶斯调整法。Vasicke认为仅仅依据样本的信息来估计β系数是不够的，如果能把有关β系数先验分布的资料与样本的信息结合起来，就能降低估计误差。
基于差异性影响因素的预测方法主要有基础β系数法和罗森伯格系统。基础β系数是根据公司基本特征的变化来估计未来的β系数，模型中的自变量为反映公司特征的财务和会计变量。罗森伯格（Rosenberg）在1973年和1975年以及随后的研究中，集历史β系数、个股市场特征、公司基本因素和行业特征于一体，对β系数的差异性进行研究，并据此对未来的β系数进行预测，建立了著名的“罗森伯格系统”。罗森伯格系统试图将历史β系数和基础β系数两种分析思路综合到一个模型中，以提高β系数预测的准确度。
四、总结及后期研究方向
许多西方学者从理论和实证的角度对会计变量与β系数的关系都作了深入的探讨，他们发现β系数确实和一些反映公司风险状况的会计变量有非常密切的联系，但是不同学者的研究结果并不完全一致。对于究竟哪些因素对β系数有影响作用，学术界仍存在一些争议。因此，对于这一方面的进一步研究仍是有必要的。
我国关于股票预期β系数及其影响因素的研究并不多见。从公司基本特征出发，通过实证研究，利用相关分析、多元回归分析方法研究各公司前一年度的会计变量对后一年度的β系数的影响，可以弥补以往研究的不足，同时也能为投资者和证券监管部门的决策提供理论参考和依据。
参考文献
[1]靳云汇,李学.中国股市β系数的实证研究[J].数量经济技术经济研究,2000(1).
[2]吕长江,赵岩.中国证券市场中Beta系数的存在性及其相关特性研究[J].南开管理评论,2003(1).
[3]袁皓.中国证券市场β系数稳定性:一个大样本的检验[J].中大管理研究,2007,2(2).
[4]朱晓青,李兴国,姜文超.我国股市行业β系数稳定性的实证分析[J].时代金融,2007,358.
[5]Bildersee.J.“The Association Between a Market-Determined Measure of Risk and Alternative measures of Risk.”The Accounting Review(January 1975).
证券市场显著特征范文第3篇
关键词：股票市场；价格冲击；传导机制
中图分类号：F830-91文献标识码：A
文章编号：1000176X（2014）07005107
一、引言
作为全球重要的新兴市场经济体，中国、俄罗斯和印度三国（以下简称中俄印三国）地缘相近，无论在政治和经济方面，还是在社会、文化、军事和科技等方面的联系都非常紧密，对世界和地区的发展与稳定影响巨大。2003年10月高盛公司发表的一份全球经济报告估计，到2050年世界经济格局将会经历剧烈洗牌，全球新的六大经济体将变成中国、美国、印度、日本、巴西和俄罗斯[1]，中俄印三国位列其中。目前，中国是世界第二大经济体、第一大出口国和第二大进口国，是经济成长最快的国家之一。俄罗斯地跨亚欧，拥有丰富的矿产与能源资源，据2012年4月IMF的世界经济最新排名，俄罗斯现为世界第九大经济体。印度作为世界上发展最快的国家之一，已是国际软件业强国，也是金融、研究、技术服务的重要出口国。长期以来，中俄、中印、印俄双边关系密切，特别是2008年国际金融危机爆发后，在金砖国家机制下中俄印三国经济政治合作进一步加强。同时，中俄印三国也是国际投资和热钱关注的重点地区。国际股票市场价格联动问题是当前金融研究中的热点之一，随着中俄印三国经济与贸易往来的不断增多，金融联系也日益密切，深入考察中俄印三国股票市场之间的价格冲击传导效应具有重要的实际意义。
二、理论与文献回顾
一般地，股票市场联动效应（Co-movement effect）可看做不同证券价格之间的连锁反应，即不同市场、同一市场不同板块或不同个股的收益率呈现显著的相关性，形成明显的长期均衡关系或同步运动趋势。在经济全球化的背景下，不同国家或地区间股票市场价格联动效应问题受到研究人员的密切关注。例如，Premaratneb和Balaa[2]的研究表明，美国、英国、日本、中国香港和新加坡证券市场联动特征显著，但相互之间关联程度各有差别，小型经济体对美国和英国等主要经济体证券市场的传导作用不容忽视。Contessi等[3]的研究也发现类似证据，欧元的引入和欧洲各国经济结构的趋同，使得欧洲各国股票市场近年来联动效应显著增强。
目前，对证券市场联动效应的研究主要可以分为三个层次：资产价格均等化研究、证券市场联动的经济机理研究以及危机期间证券市场联动的国际传播机制研究[4]。资产价格均等化理论从资产定价角度探寻证券市场联动，从资产的风险特征入手考察不同市场上资产价格或收益率的差异性与趋同性，侧重于研究联动程度。证券市场联动的经济机理研究拓展了资产价格均等化理论的研究范畴，将研究视角由金融领域扩展到贸易投资、证券市场特征和地理文化等领域，考察证券市场联动背后的各种因素，是一种机理或动因分析。危机期间证券市场联动的国际传播机制研究则是在时间上的深化，将研究的时间焦点集中在金融危机期间，考察特定时期下证券市场联动不同于一般时期的传播特征与机制。
现有文献对国际证券市场联动效应的理论解释，代表性观点主要有两类：基本面因素引发的联动效应和行为因素引发的联动效应[5]。其中，基本面因素引发的联动效应（fundamentals-based comovement effect）以有效市场假说为基础，认为证券之间收益的联动必然来自于基本面因素的联动，也被称作经济基础假说（economic fundamental hypothesis）。具体到股票市场，基本面因素主要是现金流或折现率变动的相关性，预期现金流变动的相关性源于经济政策变化或重大事件发生对部分证券预期收益或盈利能力产生了同质影响，折现率变动的相关性则源于利率或相关折算方法的变动，或是对某些证券风险预期的同质变动。基本面因素联动理论与经济结构关系密切，可用来解释关系密切的经济体之间、行业之间或同一行业板块内的联动效应。例如，Bekaert和Harvey[6]以及Chinn和Forbes[7]的研究表明，贸易是解释股票市场特别是新兴市场联动性的重要因素。实际上，正如Gerrits和Yuce[8]所指出的，随着全球贸易的高速增长以及各国政府跨区域合作的增加，商品、服务、金融资产以及人力资本自由流动的障碍越来越少，全球金融市场的联动性越来越强。
行为因素引发的联动效应（behavior-induced comovement effect）认为投资者的特定行为会形成某种交易模式，引发不同证券的需求发生变动，从而导致证券收益的联动效应，又被称为交易诱导型联动效应或市场传染假说（market contagion hypothesis）。例如，Connolly和Wang[9]的研究发现，投资者会从股票市场收益率中提取出未观察到的全球信息，从而调整他们的投资决策，最终导致不同股票市场收益率的相关性。有效市场假说的前提是投资者理性，区别于上述基本面因素联动理论，行为因素联动理论中“羊群行为”是一种特殊的非理，是引起联动效应最典型的行为因素[10]。行为金融学定义了两类具有特定行为的投资者：类别投资者和范围投资者，两类投资者不同投资策略下的投资行为都可能导致证券价格联动现象。类别投资联动理论[11]认为，投资者在选择投资组合时会将资产根据某种特征分为不同类别，然后按不同类别分配其资金，当类别投资者将资金在各种类别的资产之间进行转移投资时可能影响其价格，从而引发联动效应。范围偏好联动理论[12]认为，投资者在投资时可能由于交易成本、空间限制和信息缺乏等因素，只能选择所有可得证券中的小部分进行投资，而当风险厌恶程度或情绪发生变化时，会在其偏好的投资范围内调整资金投向，于是在这些偏好范围内的证券之间导入了一个共同因素，从而导致证券价格联动现象。
针对中国股票市场与境外市场的联动关系，已有部分研究人员开展了相关研究。韩非和肖辉[13]研究表明，中美股票市场2000―2004年间的相关性很弱。陈漓高等[14]证实，美国证券市场相对于亚洲新兴证券市场而言具有很强的独立性，日本证券市场与亚洲新兴证券市场存在较高的相关性，中国证券市场仍具有很强的外生性。胡坚和吕鹏博[15]对上海股票市场和香港股票市场的研究发现，两市之间并不存在长期稳定的均衡关系，彼此之间并未受共同因素影响。但是，西村友作[16]却发现，中国股票市场对美国股票市场存在单方向波动溢出效应，美国股票市场也已开始影响中国股票市场。张兵等[17]的研究表明，中国股票市场与美国股票市场虽然不存在长期均衡关系，走势相对独立，但美国股票市场对中国股票市场的波动溢出呈现不断增强之势。值得特别关注的是，李晓广和张岩贵[18]的研究表明，次贷危机发生后中国与国际股票市场的联动性有逐渐增强的趋势，尤其是与英国和中国香港等市场的联动性在不断提高。仪垂林和张翠玉[19]对亚洲六个主要股票市场的研究也发现，在次贷危机发生之前中国内地股票市场受其他经济体股票市场波动的影响较大，次贷危机之后中国内地股票市场对其他股票市场的影响变大。
总的来看，国内相关研究存在两个特点：一是现有文献较多地关注中国股票市场与美国、日本等发达国家股票市场或中国港台地区市场之间的联动性，对中国与其他新兴经济体股票市场之间的冲击传导效应关注较少；二是已有研究多是仅检验不同国家或地区股票市场之间是否存在联动性，并未深入考察不同股票市场价格冲击的传导机制问题。
三、研究方法
（二）经验分析
1-初步分析
从相关分析来看，上证综合指数与俄罗斯RTS指数周收益率的相关系数为0-0947，上证综合指数和印度孟买SENSEX30指数周收益率的相关系数为0-1488，俄罗斯RTS指数和印度孟买SENSEX30指数周收益率的相关系数为0-3651，可见样本期内中俄印三国股票市场周收益率序列之间呈现弱的正相关性。
Granger因果检验通过研究变量之间的引导关系，能够反映不同变量之间相互作用的方向，由此确定中俄印三国股票市场收益序列的相互预测效力。表2列出了对样本序列的Granger因果检验结果，滞后阶数依据AIC和SC信息准则确定。结果显示，RU对SH存在Granger单向引导关系，SH和IN之间不存在Granger引导关系，而RU和IN在5%的显著性水平下存在双向Granger引导关系。
2-脉冲响应分析
根据脉冲响应函数，若在第1期给某个序列施加一个单位标准差的脉冲，VAR系统中各变量将在随后各期做出反应，图1分别显示了各变量前12期的累积反应情况。主要有以下特征：
第一，从反应时间上看，当受到单位标准差冲击后，VAR系统中各变量在前5周的累积反应大小不断变化，表明此时存在价格冲击反应增量，累积反应值大约在第6或第7周趋于稳定，在第8周后基本不再发生变化，迅速收敛并趋于稳定，表明新息对价格的影响大约持续5周或6周，其后影响极小，持续到第8周后新息基本上被完全消化。可见，从时间上看，中俄印三国股票市场中某一市场价格冲击对其他国家股票市场的影响大约持续5―6周。
第二，从反应过程来看，VAR系统各变量对外部冲击的反应模式（例如，反应方向与大小）存在明显差异，一般对自身冲击的累积反应最为剧烈，方向都为正，对外部市场冲击的累积反应更为平淡，且中俄印三国股票市场对不同国家价格冲击的反应方向与大小存在差异。
第三，从最终收敛水平来看，VAR系统对价格冲击的累积反应幅度存在显著差异。其中上海股票市场对来自自身、俄罗斯和印度市场的冲击，累积反应分别收敛于0-0415、0-0066和0-0052左右，全部做出正向反应；俄罗斯股票市场对来自自身和上海股票市场的冲击做出正向反应，分别收敛于0-0710和0-0055左右，对来自印度股票市场的冲击累积反应收敛于-0-0054，即做出负向反应；印度股票市场对来自自身和俄罗斯股票市场的冲击反应分别收敛于0.0354和0.0075左右，对来自中国股票市场的冲击反应极其平淡，几乎收敛于0。可见，上海股票市场受俄罗斯与印度股票市场冲击的影响比较相近；俄罗斯股票市场受中国与印度股票市场冲击的影响差异较大，反应方向相反；印度股票市场几乎不受中国股票市场的影响，但俄罗斯股票市场对其有一定影响。
第四，从传导机制来看，VAR系统各变量对新冲击的传导模式各不相同，三个序列对不同冲击的单期反应有正有负，但似乎并没有明显的规律性，具体而言：（1）上海股票市场对于来自俄罗斯股票市场的冲击在第2―4期做出正向反应，第5期反应为负值，第6期和第7期反应仍为正值，第8期及其后的反应已经很小；对于来自印度股票市场的冲击，在第2期和第3期做出正向反应后，第4期做出负向反应，第5―7期做出正向反应，此后快速收敛。（2）俄罗斯股票市场对于来自上海股票市场的冲击在第2、3、5期和第6期做出正向反应，在第4期和第7期做出负向反应，此后各期的反应幅度快速下降；对于来自印度股票市场的冲击，先做出两期正向反应，接着在第4―7期全部是负向反应，此后各期反应的绝对值已经很小。（3）印度股票市场对于来自俄罗斯股票市场的冲击在第2―4期做出正向反应，在第5期和第6期则为负向反应，第7期再次变为正向反应，此后快速收敛；对来自中国股票市场的冲击，单期反应值均很小，前12期中第2、4、7期和第10期反应为负，其余各期做出正向反应。
3.方差分解分析
方差分解能给出对VAR系统变量产生影响的每个随机扰动的相对重要性信息，可据此评估不同因素在价格冲击传导机制中的重要性。方差分解结果（如表3所示）主要有如下特征：
第一，VAR系统中各样本序列的预测误差中由自身所解释的方差份额最大。根据算法要求，第一步预测误差全部来自该方程的新息，即由序列自身解释的方差份额为100%，在后续预测期中，预测误差将受VAR系统所有变量的新息影响，但总的来说，变量自身所解释的方差份额占绝对主导，比重超过97%。这个结果表明，中俄印三国股票市场尽管存在一定的相互影响，但更多地取决于自身特征，具有显著的独立性。
第二，一般而言，从第7期和第8期后方差分解结果基本稳定，之后的数值维持在相近水平。这一结果与脉冲响应分析结果非常一致，VAR系统中中俄印三国股票市场中新冲击对股票价格的影响一般持续6周左右，第8周后则基本完全被市场消化。
第三，纵观整个预测期内，某一变量方差分解结果中其他变量所占份额在前12期一直呈上升趋势，但总的来看，VAR系统非自身变量所占方差份额相对比较稳定（特别是第4期以后），并未随预测期的延伸而发生大的变化，即在预测时间上并不敏感。
第四，从相对方差贡献率的最大值分布来看，非自身变量的方差份额最大值均出现在第12期，其中SH序列方差分解结果中RU份额最大值为2.0342%，IN最大值为0.7809%；RU序列方差分解结果中SH的最大值为0.8608%，IN的最大值为0.7878%；IN序列方差分解结果中RU的最大值为1.4603%，SH的最大值为0.1540%。因此，VAR系统中各变量冲击的作用传导机制存在一定差异，各国股票市场受其他市场价格冲击的影响大小各异，相对重要性也各不相同，俄罗斯股票市场对其他两个市场的影响相对更为显著，而中国股票市场对俄罗斯市场的影响要高于印度股票市场。
4.稳健性检验
2008年国际金融危机对全球金融市场产生了巨大而深远的影响，基于稳健性的考虑，我们以2008年1月作为分界点将全样本划分为子样本1和样本2分别进行比较分析，各有494和252个观测值。结果显示，子样本2中外部价格冲击对本国股票市场价格的影响更为显著，敏感性上升，反应幅度增大。具体来看，主要有如下结论：
第一，从相关分析结果来看，子样本1结果显示中俄、中印和俄印股票收益序列相关系数分别为0.0598、0.0965和0.2439，子样本2中各自分别为0.1495、0.2196和0.6150，可见在后一阶段中俄印三国股票市场之间相关性明显增大。
第二，Granger因果检验结果中，第一阶段仅IN对RU存在Granger引导关系，第二阶段SH对RU与IN均存在单向Granger引导关系，RU与IN存在双向Granger引导关系。
第三，脉冲响应分析结果显示：（1）子样本1中中俄印三国股票市场对新冲击的反应持续5―6周左右，其后快速收敛并趋于稳定，但子样本2并未表现出明显的收敛性，外部冲击对本国股票市场的影响呈明显的不稳定性，这或许也从另一个侧面证实2008年国际金融危机对各国金融市场的巨大影响。（2）从对新冲击的反应幅度上看，子样本2要明显大于子样本1。（3）从反应方向上看，上海股票市场在两个阶段子样本中对来自俄罗斯与印度股票市场价格冲击均做出正向反应；俄罗斯股票市场在前一阶段对来自中国与印度股票市场价格冲击的累积反应先为正然后逐步转为负并趋于稳定，在后一阶段中对来自中国股票市场价格冲击的累积反应一直为正，而对印度股票市场冲击的反应仍然先为正后转为负；印度股票市场对来自中国股票市场价格冲击的累积反应在子样本1中一直为负，而在子样本2中一直为正，对来自俄罗斯股票市场价格冲击的反应在两个子样本中均为正，但在后一阶段幅度明显增大。
第四，分阶段子样本方差分解的分析结果与全样本结果类似，各国股票市场自身所解释方差份额占主导，外部股票收益变量所占方差份额最大值也出现在第12期。对于子样本1，SH方差分解中RU所占最大方差份额为2.3299%，IN为0.7335%；RU方差分解中SH最大份额为1.0526%，IN为1.2389%；IN方差分解中SH最大份额为0.4846%，RU为2.6953%。对于子样本2，SH方差分解中RU所占最大方差份额为4.7059%，IN为3.4877%；RU方差分解中SH最大份额为5.1878%，IN为3.0448%；IN方差分解中SH最大份额为1.1675%，RU为2.8793%。由此可见，后一阶段外部股票收益变量所占方差份额与前一阶段相比明显增大，中国因素在俄罗斯和印度股票收益中所解释的方差份额更是大幅上升，表明2008年国际金融危机爆发后外部股票市场价格波动对各国股价的预测能力增强，特别是中国股票市场对俄罗斯与印度股票市场的影响显著提高，这与李晓广和张岩贵[18]以及仪垂林和张翠玉[19]的研究结论一致。
五、主要结论
国际股票市场之间的价格联动效应与冲击传导机制已成为金融研究人员关注的一个热点问题。本文以1998年1月至2012年12月上证综合指数、俄罗斯RTS指数和印度孟买SENSEX30指数周收盘价为样本，考察了中俄印三国股票市场之间的价格冲击传导效应。结果表明，三个市场之间存在相互影响，但各国股价波动更多地取决于国内因素，具有显著的独立性。中俄印三国股票市场间新冲击的影响一般要持续5―6周，在第8周后则基本完全被市场消化，各国股票市场价格冲击对其他市场产生影响的效应传导机制存在显著差异。相对而言，俄罗斯股票市场对其他两个市场的影响更为显著，而中国股票市场对俄罗斯市场的影响则高于印度股票市场对其的影响。进一步的分阶段子样本研究表明，2008年国际金融危机爆发之后外部市场价格冲击对各国股票市场价格波动的影响更为显著，敏感性上升，反应幅度也增大，特别是中国股票市场对国外市场的影响显著提高。
参考文献：
[1]高盛公司.与金砖四国一起梦想：展望2050年[R].高盛全球经济报告，2003.
[2]Premaratneb，G.，Balaa，L.Stock Market Volatility： Examining North America，Europe and Asia[R].National University of Singapore Working Papers，No.1，2004.
[3]Contessi，S.，De Pace， P.，Francis，J.The Cyclical Properties of Disaggregated Capital Flows[R].Federal Reserve Bank of St.Louis Working Paper，No.2008-041C，2010.
[4]Grieb，T.，Reyes，M.G.The Temporal Relationship Between Large- and Small-Capitalizations Stock Returns： Evidence from the UK[J].Review of Financial Economics，2002，（11）：109-118.
[5]杨绮霞.内地与香港股票市场金融板块的联动性研究[D].北京：对外经济贸易大学硕士学位论文，2007.
[6]Bekaert，G.，Harvey，C.R.Foreign Speculators and Emerging Equity Markets[R].Working Paper of William Davidson Institute at the University of Michigan，Series 79，1997.
[7]Chinn，M.，Forbes，K.A Decomposition of Global Linkages in Financial Markets over Times[J].Review of Economics and Statistics，2004，86（3）：705-722.
[8]Gerrits，R.J.，Yuce，A.Short- and Long-Term Links among European and U.S.Stock Markets[J].Applied Financial Economics，1999，9（1）：1-9.
[9]Connolly，R.A.，Wang，F.A.On Stock Market Return Co-Movement： Macroeconomic News，Dispersion of Beliefs and Contagion[R].Working Paper ofUniversity of North Carolina，2002.
[10]易志高，茅宁.股票市场过度联动理论研究综述[J].经济学动态，2008，（8）：111-115.
[11]Barberis， N.，Shleifer，A.Style Investing[J].The Journal of Financial Economics，2003，68（2）：161-199.
[12]Lee，C.，Shleifer，A.，Thaler，R.Investor Sentiment and the Closed-End Fund Puzzle[J].The Journal of Finance，1991，46（1）：75-109.
[13]韩非，肖辉.中美股票市场间的联动性分析[J].金融研究，2005，（11）：117-129.
[14]陈漓高，吴鹏飞，刘宁.国际证券市场联动程度的实证分析[J].数量经济技术经济研究，2006，（11）： 124-132.
[15]胡坚，吕鹏博.上海股票市场与香港股票市场的联动分析[J].山西财经大学学报，2008，（12）：93-98.
[16]西村友作.中美两国股票市场联动性研究[J].经济评论，2009，（2）：43-49.
[17]张兵，范致镇，李心丹.中美股票市场的联动性研究[J].经济研究，2010，（11）：141-151.
证券市场显著特征范文第4篇
关键词:股市;羊群行为;行为金融
一、引言
羊群行为又称群体心理、社会压力、传染等。经济学家用羊群行为描述金融市场中的一种非理,指投资者趋向于忽略自己的私有信息,而跟从市场中大多数人的决策方式。最早提出羊群行为的经济学家是凯恩斯,他提出“在投资收益日复一日的波动中,显然存在某种莫名的群体偏激,甚至是一种荒谬的情绪在影响整个市场的行为”。
伴随着我国股票市场的发展,学者们对我国股票市场的羊群行为进行了大量研究。宋军、吴冲锋(2001)对我国证券市场的羊群行为进行实证研究,并与美国市场作比较,发现我国证券市场存在较高程度的羊群行为。常志平、蒋馥(2002)研究发现:在上涨行情中,我国深圳证券市场与上海证券市场均不存在羊群行为;但在下跌行情中,深圳证券市场与上海证券市场均存在羊群行为,且深圳证券市场更明显。张宗强、金志国、伍海华(2005)运用CSAD 法对上证180 指数的样本股票进行的实证检验,发现市场上涨期间的羊群行为要强于下跌期间的羊群行为。艾冬青(2006)对我国中小企业板市场进行了研究,最后得出结论:在股价下跌时,中小企业板块表现出明显的羊群效应。本文运用CSAD法,以沪深300指数的样本股(2005年7月11日至2009年3月3日)为研究对象,发现我国股票市场在上涨和下跌阶段均存在明显的羊群行为,且上涨阶段的羊群行为特征更为明显,这与常志平、蒋馥(2002)以及艾冬青(2006)等的研究结果正好相反,造成这种反差的直接原因是样本股选择的差异,更深层次的原因可能在于各个时期投资理念的差异。另外,本文的数据覆盖了股市暴涨以及随后次贷危机所带来的暴跌阶段,而股市剧烈变化与投资者行为密切相关,也是造成本文研究结果与已有结论差异的重要原因。
二、检验方法
对于羊群行为的实证研究,主要分为对基金经理和个体投资者的投资行为的研究。本文是对我国股票市场个体投资者羊群行为的实证研究,这里主要介绍关于后者的研究方法,即CSAD法。其具体设计如下:
根据sharp(1964)提出的资本资产定价模型(CAPM),股票 的期望收益率等于无风险利率加上风险溢价,即有:
Et(Ri)=γ0=βi[Et(Rm)-γ0],i=1,•••,N(5)
其中,Et(Ri)表示市场组合t时间的预期收益率,Ri为任意资产i的收益率,Rm为市场证券组合的收益率,γ0为无风险利率,βi为股票 的系统风险衡量指标。
对(5)式变形后可以得到:
Et(Ri)-Et(Rm)=(βi-1)[Et(Rm)-γ0](6)
由于股市存在风险溢价(risk premium),因此市场组合的预期收益率Et(Rm)将大于无风险利率γ0,对(6)式取绝对值后得到:
Et(Ri)-Et(Rm)=(βi-1)[Et(Rm)-γ0](7)
对(7)式加总求和得到:
1N∑Ni-1Et(Ri)-Et(Rm)=1N∑Ni-1(βi-1)[Et(Rm)-γ0](8)
(8)式的左边即为横截面绝对偏离度的期望值E( CSADt),因此可得到如下关系:
E( CSADt)=1N∑Ni-1(βi-1)[Et(Rm)-γ0](9)
对(9)式分别求取Et(Rm)的一阶导数和二阶导数后可以得到:
E(CSADt)Et(Rm)=1N 1N∑Ni-1│(βi-1)│>0、E(CSADt)Et(Rm)2=0(10)
即一阶导数大于零,二阶导数等于零,说明在理性资本资产定价模型中个股收益率的绝对差值(CSAD)与市场收益率(Rm)为线性递增关系。由于 E(CSADt)和Et(Rm)都是不可测的,因此用 E(CSADt)和Et(Rm)分别代替 和 ,即为:
CSADt=1N 1N∑Ni-1│(βi-1)│(Rm,t-γ0)(11)
当市场存在羊群行为时,由于市场参与者的行为一致性,个股收益率与市场收益率的绝对差值和市场收益率之间的线性递增关系将不再存在,而会表现为一种非线性的递减增长,在羊群行为严重时甚至变为绝对市场收益的减函数。为描述这种特征,可在上述理性线性关系中加入二次项,即:
CSADt=α+γ1│Rm,t│+γ2R2m,t+εt(12)
其中为εt残差项。检验分散度与市场收益率之间的线性关系, 等价于检验上式中回归二次项系数在统计学意义上是否为显著为零。若二次项系数显著不为零,则当二次项系数为负时,市场上存在明显的羊群行为。
考虑到市场上涨和下跌时羊群行为的程度可能有所不同,因此我们对上涨市场和下跌市场分别进行研究,即分别对下面两个方程进行回归分析:
CSADupt=α+γup1│Rupm,t│+γup2(Rupm,t)2+εt(13)
CSADdownt=α+γdown1│Rdownm,t│+γdown2(Rdownm,t)2+εt(14)
其中,CSADupt和Rupm,t分别为市场上涨时的横截面绝对偏离度和市场收益率,而CSADdownt和Rdownm,t分别为市场下跌时的横截面绝对偏离度和市场收益率。它们的检验原理同(12)式相同。
三、数据说明与实证分析
(一)数据说明及处理
本文以沪深300样本股为研究对象,包括从2005年7月11日至2009年3月3日之间共886个交易日的数据。根据我国股市走势,分别对上涨和下跌阶段进行分析,即2005年7月11日至2007年10月16日为上涨阶段,2007年10月17日至2009年3月3日为下跌阶段。
为了使实证结果能更加真实的反映我国股票市场的总体特征,本文对沪深300指数所包含的样本股票进行了筛选,剔除了变动较大以及数据不全的股票,最终留下了212只样本股。为了研究样本之间的差异,将这212只股票按即有标准分成金融地产、工业、原材料、可选消费、公用事业、能源、电信业务、医药卫生、信息技术、主要消费十个行业。所用数据来自wind数据库。相关结果利用eviews5.0和excel软件计算得出。
根据(4)式,先求出CSAD,再根据(13)、(14)式,分别进行回归分析,并对回归参数进行显著性检验,结果如表1、表2所示。
表1:各板块分散度
上涨行情数据 下跌行情数据
CSAD(%) 排序 股票个数 CSAD(%) 排序 股票个数
金融地产 2.0147 2 26 2.2842 2 26
工业 1.9327 6 44 2.0261 9 44
原 材 料 2.0783 1 49 2.2151 4 49
可选消费 1.9918 3 29 2.0892 7 29
公用事业 1.7151 10 18 2.0046 10 18
能源 1.8268 9 14 2.3016 1 14
电信业务 1.8793 8 3 2.1522 6 3
医药卫生 1..8836 7 7 2.2411 3 7
信息技术 1.9569 5 8 2.0718 8 8
主要消费 1.9854 4 14 2.1862 5 14
数据来源:WIND资讯
表2:各板块回归结果
上涨行情结果 下跌行情结果
γ2估计值T检验值检验结果γ2估计值T检验值检验结果
金融地产 -0.03076 -2.81719 显著 -0.02078 -2.27553 显著
工业 -0.02515 -2.71911 显著 -0.03338 -5.17732 显著
原 材 料 -0.02775 -2.49005 显著 -0.03219 -4.27196 显著
可选消费 -0.04031 -3.83702 显著 -0.02948 -3.78473 显著
公用事业 -0.02645 -2.21388 显著 -0.01878 -2.06621 显著
能源 -0.03216 -2.40842 显著 -0.02291 -2.13545 显著
电信业务 -0.02447 -1.28272 不显著 -0.03803 -2.6327 显著
医药卫生 -0.02401 -1.70739 不显著 -0.00984 -0.81591 不显著
信息技术 -0.01852 -1.33144 不显著 -0.01281 -1.10053 不显著
主要消费 -0.03905 -3.1333 显著 -0.03032 -3.28303 显著
(置信度水平为5%),数据来源:WIND资讯
表1 给出了沪深300指数各个行业的分散度水平,并对其进行排序,结果表明我国股票市场各个行业之间的羊群行为程度存在明显差异。同时,研究发现各个行业在上涨阶段的分散度水平明显小于下跌阶段的分散度水平。
表2给出了γ2的估计值,并对其显著性进行检验,得出了T检验值,并对γ2估计值是否显著为负进行判断。研究表明,在股市上涨阶段,γ2的估计值均为负,显著性检验表明电信业务、医药卫生及信息技术板块的γ2值不显著为负;在股市下跌阶段,γ2的估计值同样均为负,显著性检验表明医药卫生和信息技术板块的γ2值不显著为负。另外,除了工业和原材料板块,其他板块的γ2值在上涨阶段明显小于下跌阶段,这表明在市场大幅上涨时,CSADt的递减速度更快,即表现出更为明显的羊群行为。
(二)实证结果分析
由表1、表2可以看出,我国股票市场在上涨阶段的羊群行为特征较下跌行情更为明显。即我国股市有更明显的“追涨”特征。从2005年7月11日到2007年10月16日,我国股市总体上一路高歌猛进,上证综指累计涨幅高达500%,曾一度突破6000点大关,是名副其实的大“牛”市。在这个阶段,受股权分置改革的推行,宏观经济向好,企业利润大幅增加,党的十七大召开,以及08年奥运会等诸多利好因素的影响,股市开始呈现牛市行情直至暴涨,广大学者以及证券分析人士亦对我国证券市场前景普遍看好。随着股指接连创新高,受股市乐观情绪的影响,大批中小投资者投入股市,几乎形成全民炒股的热潮。统计表明,2007年,新入市的投资者平均每天13万户,最多单日开户数达到90多万户,新开户数为3269万户,是2006年A股开户数的10倍,投资者开户数突破1亿大关。但我国中小投资者往往缺乏股票方面的专业知识,获取的有关股市的信息有限,不能对股市进行理性分析,因此他们往往通过观察他人的行为进行投资决策,从而产生从众行为。在这种情况下,一些所谓“庄家”利用投资者的心理,通过一些虚假消息或者采取其他“坐庄”的技术手段,诱使别人跟从自己的交易。由于市场缺乏做空机制,投资者只能通过做多来获益,即使知道相关信息可靠性较低,投资者还是加入到做多的交易中去,从而股市表现出很强的“追涨”倾向。
另外,在这种罕见的大“牛”市环境下,广大投资者在追随他人的投资决策时,往往能从股市上涨中分得一杯羹,即从投资股票中获益。这就使追随者产生一种错觉,即无需掌握充分的股市信息,无需理性的分析,仅仅依据他人的行为进行投资决策就能获得相当的收益。从而客观上纵容了这种从众行为,使我国股市在该阶段呈现较为明显的羊群行为特征。
从2007年10月17日到2009年3月3日,我国股市总体上处于下跌阶段,研究显示,该时期羊群行为特征较上涨期间弱,说明投资者在沪深300指数股票投资上存在“惜售”现象。这可能与沪深300指数样本股的构成以及投资者投资理念的转变有关。沪深300指数是由上海和深圳证券市场中选取300只A股作为样本,选择标准为规模大、流动性好的股票,集中了一批质地较好的公司。样本覆盖了沪深市场六成左右的市值,具有良好的代表性。因此沪深300指数的样本股基本为A股市场上的大盘股、蓝筹股。2002年以来,开放式基金、社保基金、QFⅡ等机构投资者大力倡导价值投资理念,价值投资理念逐渐深入人心。根据价值投资的原则,投资者加大了对国企大盘股、蓝筹股的投资力度,而这些股票绝大部分是以沪深300指数样本股为代表的。价值投资的原则之一是长期持有,因此,投资者在沪深300指数股票投资上存在“惜售”现象,导致下跌期间的羊群行为特征较弱。
从各个板块来看,无论是股市上涨还是下跌阶段,医药卫生和信息技术板块的T检验均不显著。这两个板块T检验不显著的原因如下:信息技术产业的生命周期相对而言较长,由不确定性造成的风险很大,一旦投资项目的成长性和市场前景发生变化,未来的收益预期就会迅速改变,因而投资风险比较大。我国投资者投资理念还不成熟,往往陷入单纯题材炒作的误区,“科技股”、“网络股”神话的破灭是最好的证明。经过多年的讨论,虽然万众关注,翘首以盼,但是医改方案仍然没有能如期推出,导致投资者对医药卫生板块的投资热情不高。研究发现电信业务板块在上涨阶段的T检验并不显著。我国电信行业在这个阶段开始走亲民、低价、优质的路线,这是竞争的必然结果,挤掉水分的电信行业自然挤掉了部分超长收益,使价值逐步回归,不再成为投机者的宠爱。之所以在股市下跌阶段重新引起投资者的关注,是因为人们认识到该板块价值的回归,加之该板块样本股票均为大盘股,在整个股市处于熊市的形式下,自然成为投资者青睐的对象。
四、政策建议
我国股市在2007年的暴涨以及金融危机以来的大跌,羊群行为在其过程中均起了推波助澜的作用。因此要维护我国股票市场的稳定,必须减少羊群行为的发生,应从以下几个方面进行改进:
(1)减少监管部门对证券市场的过度干预
频繁的行政干预破坏了市场的价格发现功能和资源配置功能,导致股价的异常波动。因此,随着市场运行机制的逐渐完善以及管理经验的不断积累,监管层应将重点放在改善股价运行机制和市场信息获得效率上,真正让市场机制决定股市运行,使投资者能够获得较为稳定的长期投资收益预期。
(2)完善信息披露制度
完善市场信息披露制度,增加信息的透明度,完备与上市公司相关的微观信息的,彻底改善一些公司故意隐瞒信息和延迟信息的情况。完善的市场信息披露制度有助于改善投资者中信息不对称的情况,减少“庄家”利用虚假信息来诱导投资者根据其投资行为进行跟风操作,有利于市场稳定。
(3)完善市场运行机制
我国股市由于缺乏卖空机制,投资者只能通过做多来获得收益,这会导致投资者过度投机,导致市场不稳定。因此可以尝试在市场中引入做空机制,利用卖空策略的套利功能对追涨行为进行制约,完善价格发现机制,也可以为价值投资者提供一种套期保值的工具。
参考文献:
[1] 宋军、吴冲锋,基于分散度的金融市场的羊群行为研究[J],经济研究,2001(1)
[2] 孙培源、施东晖,基于CAPM 的中国股市羊群行为研究[J],经济研究,2002(2)
[3] 常志平、蒋馥,基于上证30 及深圳成指的我国股票市场“羊群行为”的实证研究[J],预测,2002(3)
[4] 张宗强、伍海华,基于上证180指数股票的羊群行为实证研究[J],财经理论与实践,2005(1)
[5] Delong, Shleifer, Summers, and Waldmann. Noise Trader Risk in Financial Markets[J],Journal of Political Economy ,1999 ,98 :703～738.
[6] Banerjee,Abhijit.A Simple Model of Herd Behavior [J],Quarterly Journal of Economics,1992,107 :797～818.
[7] Avery, Christopher and Peter Zemsky. Multidimensional Uncer2tainty and Herd Behavior in Financial Markets[J],American Economic Review ,1998 , 88 :724～748.
证券市场显著特征范文第5篇
关键词：有效市场假说周末效应收益率波动性
周末效应，又周日效应，顾名思义，就是指股票的收益与风险在周内各交易日表现出不同的特征。国外的研究比较早，Cross(1973年)、French(1980年)、Gibbons和Hess(1981年)对美国纽约股票市场研究发现，周一股票的平均收益率显著为负值，且比同周内其他交易日都低；周五的收益率比其他交易日都高，且风险相对较小，即存在周末效应。随后Jaffe和Westerfield等又对欧洲和亚洲新兴的股票市场进行研究分析，同样发现澳大利亚、瑞士、中国香港、中国台湾、韩国、菲律宾、新加坡、马来西亚的股票市场显著表现出周末效应，只是最低的平均收益率不是发生在周一而是周二。关于我国上海和深圳股市是否存在周末效应，国内不少学者也进行了研究，认为我国沪深两市和其他新兴市场一样，存在显著的周末效应：周五的平均收益率大于周内其他交易日，而风险最小；周二的平均收益率小于周内其他交易日，风险却是最大。但是，1998年12月29日《证券法》正式颁布，标志着中国股票市场结束试点，正式进入规范发展的新阶段，对规范上市公司行为、保护投资者利益、规范证券市场制度有极为深远的影响，是一个长期性的信息。《证券法》的颁布是我国证券发展史上的一个里程碑，其出台的前后市场特征是明显有差别的，因此本文着重研究《证券法》出台后我国股市的周末效应现象，主要考虑两个方面的问题，即是否还存在周末效应？如果存在的话，是否仍表现为显著为负的“周二效应”和显著为正的“周五效应”？
周末效应的描述性统计分析
考虑到《证券法》的颁布时间，本文所选取的数据是1999年1月4日——2004年8月27日的每日收盘价，上海股市以上证A股指数（股票代码000002）为考察对象，深圳股市以成份A股指数（股票代码399002）为考察对象，所有的历史数据都来源于“证券之星”网站（）的历史数据库。收益率采用指数法计算，即股票收益率
pt
Rt=100*LN(——)，
Pt-1
因为当Rt很小时，指数收益率与百分比收益率相差很小，几乎相等，且指数收益率具有简单相加性，只要将各期的收益率相加就可计算连续几期的收益率。
对表1的描述统计量初步分析显示：
两市从总体上比较，沪市的平均收益率较大，风险较小；沪市收益率的平均值小于中值，有点向左偏斜；而深市收益率的平均值大于中值，有点向右偏斜。
沪市中，负收益率出现在周一、四、五，正收益率出现在周二、三。其中周一收益率的均值是一周内最低的，标准偏差是最大的；周二的平均收益率是周内各交易日中最高的，标准偏差相对较小，低于收益率同样为正的周三；有趣的是，周五的平均收益率为负值，且是负收益率中最大的，标准偏差却是周内各交易日中最小的。因此，沪市周一的收益率比较符合周末效应的特征“收益率最小，风险最大”，初步说明负的“周一效应”较显著；不能说明存在明显的“周二效应”和“周五效应”，但表明存在一定程度正的“周二效应”和负的“周五效应”，这与以往的学者研究结果正好相反。
深市周内各交易日的收益率与风险分布，与沪市的特征差不多，只是显著性稍微差一点。周一、四、五的收益率也为负值，周二、三的收益率为正值；周一的平均收益率最低，波动性最大；而周三的平均收益率最高，周五的波动性最小。因此，深市也可以初步认为存在较显著的负的“周一效应”，一定程度上存在正的“周二效应”和负的“周五效应”(收益与风险的对比见图1和图2)。
以上分析表明：上海股市和深圳股市在一定程度上都缺乏对信息反映的有效性，且上海的有效程度低于深圳。
周末效应的标准偏差分析
建立检验假设H0:σi=σ0（i=1,2,3,4,5，其中0表示总体），即检验周内各交易日的标准偏差与整体收益率的标准偏差是否存在显著差异，也就是检验各交易日与市场整体的风险是否一致。
从表2的检验结果可以看出，各交易日的风险与市场整体的风险一致性检验时，沪深两市的周一、五均拒绝原假设，其他三个交易日均接受原假设。这说明周一、五的风险与市场风险整体上并不一致，周一的风险偏大，周五的风险偏小；而周二、三、四的风险与市场整体风险的一致性表现显著。
进一步检验各交易日之间的标准偏差是否显著相等H0:σi=σj(i，j＝1,2,3,4,5)，从检验结果的P值(见表2)可以看出，在显著水平α=5%下，沪市的周一、五的波动性显著不同于其它各交易日，周四的波动性与其他各交易日也存在差异，但显著性没有周一、五明显；深市的周五的波动性明显不同于其他交易日，周一的波动性与周二、三、五存在显著差异，而与周四差异性不显著。
因此，F方差检验的结论是：周内的各交易日中，周一的风险最大，周五的风险最小。
周末效应的均值分析
提出待检假设H0:μi=μ0（i=1,2,3,4,5），即检验周内各交易日的收益率均值是否与整体收益率的均值相等，也就是检验各交易日的平均收益率与整体收益率是否存在显著差异。
t检验结果可知，在5%的显著性检验水平下，沪深两市中各交易日都接受原假设，即各交易日的平均收益率都与整体收益率之间的差异不显著。进一步检验各交易日之间的平均收益率是否存在显著差异H0:σi=σj（i，j＝1,2.,3,4,5），从均值t检验的P值（见表3）可知：在5%的显著水平下，都接受各交易日收益率均值显著相等的假设。因此t检验认为：沪深两市中，周内每日的期望收益率之间不存在显著差异，这是我国证券市场有效性提高的表现。
以上实证研究表明：我国股市中，周内各交易日的平均收益率与市场整体收益率一致性显著，各日之间的平均收益率也没有表现出差异性；而周一的波动性偏大，周五的波动性偏小，其他各交易日的风险与市场风险整体上一致。因此本文的结论是：1998年底《证券法》出台以来，我国股市周内各交易日的收益率大致相等，并没有表现出“周末收益率效应”，却存在“周末波动性效应”，即周一波动性大，周五波动性小，且上海股市的“周末波动性效应”比深圳股市的显著。研究中没有发现以上学者所说的负“周二效应”，可能在于：投资者素质提高，投资理性化成份增加，获取信息的渠道增多，尤其是互联网在中国的飞速发展；《证券法》颁布后，证券市场监管力度增强，上市公司披露的信息量增多、及时性提高、虚假性有所减少等。从而，我国股市周一波动性最大，类似于西方发达国家的股票市场，而不是滞后到周二才发生较大的波动。本人认为这是我国证券市场成熟化的表现，虽然这种周末效应仍有悖于Roberts的市场有效假说。
参考文献：
1.郑振农，汪孔亮，陈蓉，李建斌.中国证券发展简史[M].北京：经济科学出版社，2000
2.戴国强，陆蓉.中国股票市场的周末效应[J].金融研究，1999(4)
