2009金融危机下中国证券市场的变异特征

金融危机下中国证券市场的变异特征 张　虎　谢　香 (中南财经政法大学) 【摘要】2006 年以来 , 由美国的次级贷款引发的金融危机对我国经济及金融市 场产生了重大冲击。本文分析了整个样本期内的风险特征 , TARCH 模型表明 , 在 此期间市场不存在信息的非对称性效应 , 信息在市场上有较高的持续性。另外 , 本 文以上证综指的最高点为界 , 将自 2005 年 6 月起的上海股票市场分段 , 分析上海 证券市场在次贷危机前后的风险变异性特征。其中“牛市”阶段股市收益率用 GARCH 模型可以很好地拟合 ; 而在“熊市”阶段 , 收益率表现为平均期望收益率 为负的非正态分布 , 说明在此阶段股价的不可预测性和市场的相对有效性。同时 , “熊市”阶段波动性相对于“牛市”阶段也更为剧烈。同时 , 将美联储的加息政策 事件作为事件窗口 , 通过检验发现 , 中国股市受美国金融市场的影响较深 , 市场具 有有效性。 关键词 　A RCH 效应 　非对称性 　市场有效性 中图分类号 　C812 　　文献标识码 　A The Variational Characteristics of Chinapis Securities Market under the Financial Crisis 　　Abstract : In 2006 , t he financial crisis caused by sub2loans f rom United States had a great impact on Chinapis economy and financial market1 Firstly , t his paper an2 alyzed t he holistic risk characteristics in Shanghai stock market1 TA RCH model showed t hat there was no effect of asymmet ric information in t he stock market dur2 ing t his period , and t he information had permanent sustainability1 Secondly , it sep2 arated t he time which began in J une 2005 and ended in March 2009 into two p hases , respectively naming“bull market”and“bear market”1 This division was based on t he borderline of t he highest point of t he SSE Composite Index1 Comparatively speaking , t he volatility of“bear market”p hase was more intense t han t hat of“bull market”1 At last , t his paper regarded Federal Reservepis policy event of raising in2 terest rates in Sep 18 , 2007 as an event window , using event st udy met hod , and found that Chinapis stock market suffered a deep impact by t he United Statespifinan2 cial market s , and chinapis market was not efficient in this period1 Key words : A RCH Effect ; Asymmet ric Character ; Market Efficiency ·431· 《数量经济技术经济研究》2009 年第 9 期 引 　　言 2006 年春季 , 一场规模巨大的金融危机———次贷危机开始逐步显现 , 于 2007 年 8 月席 卷美国、欧盟和日本等世界主要金融市场。美国经济 2007 年全年仅增长了 212 % , 为 2002 年以来最低 (第四季度甚至仅增长 016 %) , 而 2009 年一季度增长甚至为负 , 全年最乐观的 估计也在 2 %左右 ; 欧盟预计增长 2 % , 远低于预测的 214 %的水平 ; 最新预测 , 日本 2008 年增长可能在 111 % , 比 2 月份预测值又低了 016 个百分点。另外 , 全球股市普遭重创 , 半 年内 , 道琼斯工业指数 (DJ I) 下跌 15 %、日经指数 OSA 和新加坡海峡时报指数 SES 跌幅 均在 20 %左右。毫无疑问 , 次贷危机对全球经济、金融已经造成了实质性危害。同样 , 在 此次浩劫中 , 中国也难幸免 , 美国次贷危机不仅对中国贸易而且对中国金融也已经产生了实 质性冲击。 2007 年 , 中国股票市场一路走高 , 1 月末上证指数只有 2786 点 , 到 8 月 23 日 , 短短半 年多的时间 , 上证指数就突破 5000 点大关 , 10 月 15 日又站上了 6000 点的历史高位 , 10 月 16 日达到 6124 点 , 再创历史新高。但此后股指一路走低 , 截至 2008 年 4 月 11 日 , 上证指 数为 3493 点 , 下跌 2500 多点 , 跌幅超过 40 % , 是今年以来全球跌幅最大的证券市场。我 们认为 , 在本次大调整中 , 至少有 40 %与美国次贷危机、世界经济不确定性增加有关 , 即 至少有 1000 点跌幅与美国次贷危机的直接或间接影响有关。随着股指的大幅下挫 , 沪深股 市总市值也急剧缩水。2007 年 11 月 5 日 , 随着中国石油的上市 , 沪深股市总市值一度达到 3316 万亿元 , 但随着股指一路下滑 , 目前两市总市值约为 23 万亿元 , 缩水 10 万亿元 , 蒸 发速度之快为世界罕见。半年来 , 沪深股指巨幅下挫 , 一举推翻了此前有人认为的“中国股 市受全球及美国股市影响并不大 , 甚至存在背离现象”的观点 , 让社会各界深切感受到次贷 危机引发的全球性金融危机对中国资本市场的影响。 本文在第一部分 , 着重分析了在金融危机的背景下 , 中国股市的风险相比以前有哪些变 异性特征 , 对风险的新认识将有助于我们深入了解市场的缺陷以及对外部冲击的反映 , 对于完善市场制度、提高市场效率具有明显的现实意义。数据采集从 2005 年 6 月 7 日开始 , 以上证指数最高点为界 , 将上海股票市场划分为“牛市”和“熊市”两个阶段 , 采用 GA RCH 模型实证研究我国股票市场在两个阶段的风险变异性特征 , 并将两个阶段的风险特 征进行比较分析。 本文第二部分检验市场的有效性方面的特征 , 2007 年 9 月 18 日为应对愈演愈烈的次贷 危机以及可能的经济衰退后果 , 美联储决定降息 015 个百分点。从此 , 美联储进入“降息周 期”。一般意义上将这次金融危机的开始时间定义在 9 月 18 日美国减息开始 , 对股票市场影 响比较大。一般来说 , 美联储减息会导致股市升温。在此 , 采用事件研究法 ( Event Study) 分析美国金融危机爆发所引起的美国减息政策这一重大事件在短期内是如何通过市场主体的 行为作用到中国股票市场上的 , 同时得到一些中国股市有效性方面的信息。 一、股市风险变化特征分析 11 条件异方差模型介绍 自 1982 年 Engle 提出自回归条件异方差 (ARCH) 模型来刻画股市中常见的条件异方 差现象以来 , ARCH 模型的一些扩展模型也相继被提出 , 如 GARCH 模型、TA RCH 模型、 EGA RCH 模型、A RCH – M 模型等。我国学者在此方面也做出了众多的研究 , 如史代敏 ·531·金融危机下中国证券市场的变异特征 (2002) 运用 A R2GA RCH 模型研究发现 , 实行涨停板交易制度 , 上海和深圳两个证券市场 波动有所减小。陈蓉、徐龙炳 (2004) 研究发现 , “牛市”和“熊市”对不平衡信息的反应 是不同的 , 表现出“强市恒强、弱市恒弱”的现象。刘晓、李益民 ( 2005) 通过各种 ARCH 模型的对比 , 发现 EGARCH (3 , 1) 模型相对较好地拟合了深成指的波动性。从以 往的研究来看 , A RCH 类模型在我国股市中得到了较好的应用。 金融市场波动性的研究历来是经济和金融领域研究的热点。准确地度量和预测资产价值 的波动性不仅是资产定价、投资组合选择和风险管理的基础 , 也是国家制定宏观经济政策和 金融市场政策的需要。然而 , 波动性并不是可以直接观测到的变量 , 学者们常将金融市场收 益率的方差来表示该收益率所应承担的风险。 (1) ARCH 模型。若一个平稳随机变量 X t可以表示为 A R ( p) 形式 , 其随机误差项的 方差可用误差项平方的 q阶分布滞后模型描述 , X t =β0 +β1 X t - 1 +β2 X t - 2 +βp X t - p + ut (1) σ2t = E ( u2t ) =α0 +α1 ut - 1 +α2 ut - 2 + ⋯+αq u t - q (2) 其中 , ut 满足独立同分布 , 且有期望 E ( ut ) = 0 , D ( ut ) =σ2t 。则称 ut 服从 q 阶的 ARCH 过程 , 记作 ut～A R C H ( q) 。 1 - β1 L - β2 L 2 - ⋯-βpL p = 0 (3) 其中式 (1) 称为均值方程 , 式 (2) 称为 ARCH 方程 , 式 (3) 的根应在单位圆之外。 在 A R C H ( p) 中 , 如果滞后期 p 值很大 , 那么 , 误差项的方差依赖于很多时刻之前的 变化量。在金融领域中 , 采用日数据来估计股票收益的应用就是如此。这样 , 我们必须估计 很多参数 , 而这一点很难精确做到。同时 , 为了保证条件方差为正、参数要求为正 , 当参数 过多时 , 用实际数据估计出的模型往往不能满足这一要求。从而 A R C H ( p) 模型不具有实 用性。但是 , 我们发现 A R C H 模型的方程不过是条件方差的分布滞后模型 , 我们能够用少 数几个条件方差的滞后值来替代许多平方的滞后值。由此便产生了广义自回归异方差模型 ( Generalized Autoregressive Conditional Heteroscedasticity , GARCH) 。 (2) GARCH 模型。1986 年 , Bollerslev 提出的 GA RCH 模型表述如下 : 设 y t 是一个 内生变量或被预测变量 , 它基于 t 时刻信息集 I t - 1的条件分布为 y t / I t - 1～ N ( x Ttγ, σ2t ) 。其 中 , x t = 1 , x1 t , x2 t , ⋯, x kt T 是一些外生变量或被预测变量的滞后值构成的向量。γ= γ0 , γ1 , ⋯, γk T是待定参数。此时一个 GA R C H ( p , q) 过程如下 : y t =γ0 +γ1 x1 t + ⋯+γk x kt + ut σ2t = ω+ ∑ q i = 1 αi u2t - i + ∑ p j = 1 βjσ2t- j (4) ut / I t - 1～N (0 , σ2t ) 其中 , p 是 GARCH 项的阶数 , q是 ARCH 项的阶数。 参数满足α0 > 0 , 0 ≤αi ( i = 1 , 2 , ⋯, q) < 1 , 0 ≤βj ( i = 1 , 2 , ⋯, p) < 1 , ∑ q i = 1 αi + ∑ p j = 1 βj < 1。 这里σ2t 的表达式σ2t =ω+ ∑ q i = 1 αi u2t - i + ∑ p j = 1 βjσ2t - j , 描述了金融市场价格波动的“集簇现 ·631· 《数量经济技术经济研究》2009 年第 9 期 象”, 当滞后期的波动很剧烈时 , 当期的波动必然很大 , 即 y t 在 t 期的一个大的跳跃很可能 导致它在 t + 1 期的大波动 , 反之亦然。这样 , 内生变量 y t 的波动特征被精确地刻画出来。 回归阶数 q决定了波动的影响存留于后继误差方差项中的时间长度 , q 值越大 , 波动持续的 时间就越长。 (3) TA RCH 模型。TA RCH 或者门限 ( Threshold) ARCH 模型由 Zakoian (1990) 和 Glosten , J afanathan , Runkle (1993) 独立的引入。条件方差指定为 : σ2t =ω+αu2t - 1 +γu2t - 1 dt - 1 +βσ2t - 1 (5) 其中 , 当 ut < 0 时 , dt = 1 ; 否则 , dt = 0。 在这个模型中 , 当实际收益率高于预计收益率时 , 表示有利好消息传出 , 此时用 ut > 0 表示 ; 相应的 , 当实际收益率低于预计收益率时 , 表示有利空消息传出 , 用 ut < 0 表示。利 好信息与利空信息对条件方差有不同的影响 : 好消息有一个α的冲击 , 利空消息有一个α+ γ的冲击。如果γ≠0 , 则表示信息是非对称的 ; 如果γ> 0 , 我们说存在杠杆效应 , 非对称 效应的主要效果是使得波动加大 ; 如果γ< 0 , 则非对称效应的作用使得波动减小。许多研 究人员发现了股票价格行为的非对称的实例 ———负的冲击似乎比正的冲击更容易增加波动。 因为较低的股价减少了相对公司债务的股东权益 , 股价的大幅下降增加了公司的杠杆作用从 而提高了持有股票的风险。 (4) EGARCH 模型。EGA RCH 模型由 Nelson 于 1991 年提出 , 其形式为 : lnσ2t =α0 + ∑ q i = 1 ut - i σt - i + ∑ q i = 1 γi ut- iσt - i + ∑ p j = 1 λj lnσ2t- j (6) 其中 , ut - iσt - i 是 A R C H 项。 ut - i σt - i 描述利好、利空的差异。 与 GARCH 相比 , 模型的优点在于可以区别正信息和负信息的不同影响。正信息表示 “利好”, 负信息表示“利空”。虽然正信息和负信息的绝对值相同 , 但 EGA RCH 模型可以 区别正、负信息对波动的不同影响。 (5) EGARCH - M 模型。EGARCH - M 模型为波动项进入均值方程的 EGA RCH 模 型。这些模型不仅仅用来描述自回归条件异方差过程 , 而且把波动项引入相对应的回归或均 值方程。这种模型可以描述金融资产的回报除了受其他一些因素影响外 , 也受对回报波动的 大小影响。比如随机误差项的方差的对数 L n ( σ2t ) 也作为解释变量进入回归模型 , 得到 均值方程 : y t = x′tβ+ 0 1 , ut - 1 < 0 R2 = 010098 　D W = 11979 　A I C = - 51040 　S C = - 51013 从模型上分析得知 , 在样本期内收益率有着四阶自相关性 , 当滞后四期的收益率变化 1 个单位时 , 当期收益率产生了 0101 个单位的波动。同时 , 从 TA RCH 模型可以看出 , 对于 利空与利好的不同影响的区别系数在统计上不显著 , 说明在整个样本期内 , 利空与利好消息 在市场上并没有引起大的不对称波动。从条件方差序列方程中可以知道 , 滞后一期的条件方 差对当期方差的影响是比较大的 , 影响系数为 01945 , 表现出收益率波动受前期信息的影响 作用比较大 , 信息在市场上的反应时间比较长。 (2) 2005 年以来的“牛市”与“熊市”两阶段的风险差异。 ·931·金融危机下中国证券市场的变异特征 ①两阶段收益率的统计特征比较。分别记“牛市”阶段与“熊市”阶段的收益率序列为 rt1 和 rt2 , 计算两阶段的收益率分布统计量 , 得到表 2。从表 2 可知 , 在两阶段里日收 益率收益最小值比较接近 , 峰度系数均大于 3 , 表明日收益率数据存在尖峰厚尾的分布特 征。但“牛市”阶段收益率比“熊市”阶段略高 , 收益率的均值在“牛市”里大于零 , 这说 明大盘普遍行情较好。而在“熊市”阶段里 , 平均收益率小于零。此外 , “熊市”里收益率 的标准差更大 , 说明股市波动较“牛市”剧烈。 表 2 “牛市”与“熊市”两阶段收益率 均值 最大值 最小值 标准差 偏度 峰度 “牛市”阶段 01003 01052 - 01093 01017 - 11160 71730 “熊市”阶段 - 01003 01090 - 01080 01027 01181 31818 　　在对收益率时间序列进行预测时 , 需要检验时序数据是否是平稳的。本文用 Eviews 软 件对收益率序列 rt1 和 rt2 进行 ADF 平稳性检验 , 检验结果见表 3。通过检验发现两段时 间中的收益率都是平稳的。此时 , 对股票收益率可以建模来分析其运动规律。 ②“牛市”阶段收益率 rt1 的分析。收益率序列 rt1的自相关图及 Q 统计量表现出一定 的自相关性 , 因此 , 需要对收益率 rt1 的自相关性进行刻画。用自回归移动平均模型拟合收 益率 rt1的波动 , 比较不同的模型阶数下的优劣 , 根据信息判别 , A IC 和 SC 准则作为判别依 据 , 最终选取 ARMA (5 , 4) 作为收益率 rt1的均值方程。 表 3 两阶段中收益率的平稳性检验 T 统计量 P 值 1 %的置信水平 5 %的置信水平 10 %的置信水平 “牛市”阶段 “熊市”阶段 - 23101485 - 18178563 010001010000 - 31442098- 31449389 - 21866614- 21869825 - 21569533- 21571253 　　注 : ①通过做时序图判断两次检验均采用无截距的模型形式 ; ②“牛市”检验的最大滞后期为 18 期 , “熊市”检验的最大滞后期为 15 期。 对 rt1均值方程的残差进行 A RCH 效应检验和拉格朗日乘数 (L M) 检验。经检验 , 残 差项不存在序列相关 , 说明用 A RMA (5 , 4) 对收益率 rt 建立模型是比较合适的。而对残 差的 ARCH - L M 检验统计量 L M = T ×R2 = 30184837 , 伴随概率 P 值小于 0101 , 通过了假 设检验 , 即认为残差项有很明显的 ARCH 效应。由于股票收益率的方差具有时变性 , 因此 有必要用 A RCH 模型对这一性质进行刻画 , 来提高模型预测的准确性。 在用极大似然法估计模型参数时 , 需要先对残差分布加以假定 , 经过检验发现残差不服 从正态分布 , 而为一个尖峰厚尾的分布。此时用一个比正态分布尾巴更厚的 t 分布来代替正 态分布作为残差的分布假设。最后 , 在对条件方差模型进行定阶时 , 结合 rt1 的自相关函数 与偏自相关函数 , 并以 A IC 和 SC 准则作为选用模型的判别准则。 最终 , 估计的 GARCH (1 , 3) 模型拟合方程为 : rt1 = 01003 + 11012 ut - 1 + 01085 ut - 4 - 01963 rt1 - 1 + 01077 rt1 - 5 t = (4127) (22198) (2112) 　 ( - 20122) 　 (21015) (9) σ2t = 6133 ×10 - 6 + 01169 u2t - 1 + 01 25σ2t - 1 - 01259σ2t - 2 + 01826σ2t - 3 　　　　　(2105) 　　 (6158) 　 (15198) ( - 14187) (33130) ·041· 《数量经济技术经济研究》2009 年第 9 期 R2 = 01021 　A I C = - 5153 　S C = - 5145 对拟合后的模型残差再作 A RCH 效应检验 , 已没有 ARCH 效应。表示用 GARCH (1 , 3) 模型拟合较好 , 可以很好地刻画序列 rt1中的 ARCH 效应。 从估计的模型可以知道 , 上海证券市场 2007 年 10 月前的收益率序列有着较弱的自回归 现象 , 即在研究期间内 , 前五期的收益率对当期收益率有着 01160 的正效应 , 前一期的收益 率对当期收益率有着 01917 的负效应 , 而前一期的预测误差对当期收益率有 01961 的正效 应 , 前四期的预测误差对当期收益率有 01137 的正效应。这说明 , 当前一期的预测误差增大 时 , 对当期的波动性造成近一个单位的影响。 同时 , GA RCH (1 , 3) 模型较好地模拟了股市的波动性。其中 , 随机扰动的平方项系 数为 01 169 , 说明前期的随机波动对后期的波动有着正向的影响。这正反映了价格波动的集 群性特征 , 当前期波动较大时 , 也引起了后期更大的波动 ; 反之 , 当前期波动较小时 , 对后 期波动的影响较小。同时 , 前三期的条件方差对当期条件方差的影响系数较大 , 为 01826。 GA RCH (1 , 3) 将收益率的条件方差的变化特征进行量化 , 其解释变量系数之和 ∑ p i = 1 αi + ∑ q j = 1 βj = 01986 , 即为衰减系数。衰减系数小于 1 , 说明 GA RCH 模型是平稳的 , 模型具有 可预测性 , 同时反映了冲击对收益率波动率影响具有较长的持续性。从而知道上海证券市场 的滞后效应很明显 , 股市对信息的反应具有持久性。在这种情况下 , 政策对股市的影响是长 期的。 ③“熊市”阶段收益率 rt2的分析。对 rt2 进行具体分析 , 从其自相关图 (见图 3) 看 出 , 收益率的滞后期直到十期都不存在自相关性。同时 , 相应的 Q 统计量检验表明 , 不能 拒绝白噪声的原假设。说明从 2007 年 10 月 16 日至 2009 年 3 月 13 日的这段时间 , 股票指 数收益率是一个平稳的白噪声序列。 为检验此白噪声中是否存在异方差性 , 对 rt2 的平方序列再进行自相关性检验 , 同样 不能拒绝白噪声的假设。 综上所述 , 本文认为 , 在所选样本期 , 即“熊市”阶段 , 上证综合指数收益率序列是一 个纯随机的白噪声序列 , 不再包含任何公开信息可以用来套利 , 说明此时上海证券市场应是 弱式有效的 , 收益率的变化没有相关性 , 而是纯随机的 , 无规律可循 , 因此 , 收益率不可预 测。 ④两阶段收益率的风险波动性比较。根据对“牛市”阶段收益率 rt1 的 GARCH 模型分 析 , 可以计算 rt1的无条件方差为 : σ21 = c 1 - ( ∑ 1 i = 1 αi + ∑ 1 j = 1 βj ) = 6133 ×10 - 6 01014 = 4152 ×10 - 4 相应的 ,“熊市”阶段里收益率 rt2没有条件异方差性 , 是一个纯随机的非正态分布 , 计 算其无条件方差为 : σ22 = 010277332 = 7169 ×10 - 4 通过比较来看 , σ22 >σ21 , 说明“熊市”阶段里收益率的波动性大于“牛市”阶段里股票 波动性。即在“熊市”里 , 股市的波动性比之前加剧了。 ·141·金融危机下中国证券市场的变异特征 图 4 　“熊市”里收益率 r t2 的自相关图 二、股市有效性检验 股市是一国宏观经济的“晴雨表”, 在一个有效的股票市场上 , 宏观经济的变动必然会 迅速地通过股票价格反映出来 , 其表现形式就是整个股票市场收益率的波动。因而 , 在有效 市场的前提下 , 研究股票收益率的波动 , 继而判断分析该波动的内在原因 , 从而把握整个宏 观经济趋势 , 显得尤为重要。在引起股票市场波动的众多因素中 , 既有市场参与主体的行为 活动带来的市场内部风险因素 , 也有对市场产生影响的外部风险因素。这两种因素相互联 系 , 共同影响了股票市场的走势。在有效市场上 , 市场主体能将宏观经济信息有效地吸收消 化 , 保证股市的灵敏度和资源配置的有效性 , 保证股市对宏观经济运行和调控起到良好的指 示作用 ; 在无效市场上 , 市场主体间存在着信息不对称 , 宏观经济信息通过市场主体的行为 被歪曲地表达在股票价格上 , 股市资源配置和宏观经济指示器的作用难以发挥。 11 事件研究法简述 事件研究法最早是 J mes Dloley 在 1933 年发表的《股票拆分对股价影响》一文中提出 的 , 其后通过众多学者的研究和改进 , 目前已被普遍应用于与企业有关事件和经济类事件的 分析 , 如公司的兼并重组、债券或新股票的发行、宏观经济面的政策变化或政策消息的发 布 , 宏观经济指标 , 如 CPI、GDP、利率等的变动等事件对股票价格的影响。其原理是根据 研究目的 , 选择某一特定事件以研究该事件发生前后某一段时间内对股票价格或收益率的影 响。这种影响的程度是用异常收益 (abnormal ret urn , AR) 来计算的 , 故又称之为累积异 常收益率 (cumulative abnormal ret urn , CA R) 。 事件研究法的突出特点是 , 其研究过程具有简单、明了的逻辑线索 , 即直接研究某事件 的发生是否影响了股票的价格序列。 本文利用事件研究法 , 对美联储减息信息发布的后 20 天、当天及前 20 天的上证综指的 异常收益率 AR 和累积异常收益率 CAR 进行分析和 t 检验 , 详尽地考察了减息这一宏观经 济信息的发布对上海证券交易市场的影响。 21 实证研究 (1) 事件及事件窗口。运用事件研究法 , 首先要定义事件 (即对所要研究的事件进行定 义) , 并确定涉及该事件影响的考察时期 (一般称这个时期为“事件窗口” ( Event Win2 ·241· 《数量经济技术经济研究》2009 年第 9 期 dow) ) 。本文将信息的发布定义为事件 , 将信息发布日定为事件日 T0 , 将事件日前 20 天和 后 20 天定义为事件窗口 , 其中前 20 天为事前期间 , 用 T - 20 —T - 1表示。后 20 天为事后期 间 , 用 T1 —T20表示。 (2) 样本选择和数据来源。由于上证 50 指数是从上证 180 指数的成分股中选取的规模 大、流动性强的排名前 50 只股票 , 它们受市场信息的影响与反映更具代表性。因此 , 本文 选择 2007 年 8 月 21 日至 2007 年 10 月 23 日上证 50 指数所包含的样本股 (在此区间有 49 只股票为稳定的样本股 , 另外一只样本股有增减性变动) , 样本考察期共 41 个信息公布日 , 采集股市行情的历史数据即每只样本股的收盘价。数据来源于巨灵终端数据库。 (3) 正常收益和异常收益的度量。为了评价事件对所研究的样本的个体 i 收益水平的影 响 , 需要对异常收益 (abnormal ret urn , A R) 进行度量。假设事件没有发生或没有这个事 件 , 此时个体 i 的收益称为正常收益 (normal ret urn) , 一般用事件没有发生时的预期收益 E R it / I t 来表示。但现在事件发生了 , 其收益成为事后收益或实际收益 R it 。异常收益 A R it 就是事件窗口中的事后收益 R it (实际收益) 减去正常收益 (预期收益) E R it / I t , 即对第 i 个样本和事件窗中 T1 , T2 中的 t 时刻 , 有 A R it = R it - E R it / I t , t ∈ T1 , T2 显然 , 合理地

设计

领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计

和选择计算正常收益的模型是整个事件研究法中最为关键的步骤 , 同 时该模型的确立对实证结果也会产生重大影响。最常用的正常收益率的计算模型有两种 : 常 数均值模型和市场模型。 常数均值模型假定个体 i 在事件窗口内的正常收益为常数。 E R it / I t =μi , t ∈ T1 , T2 市场模型则认为 , 市场中任何证券的收益与市场投资组合的收益存在相关性。 E R it / I t =αi +βi R mt , t ∈ T1 , T2 市场模型是对常数均值收益模型的一种改进模型 , 它通过剔除与市场收益变化有关的收 益部分 , 减少了异常收益的方差 , 增强了检测事件效应的能力。但在运用市场模型时也必须 充分考虑其局限性。市场模型反映的是某只股票与某种市场指数之间的协变关系 , 而本文考 察的正是宏观经济信息美国的利率政策对股市的影响 , 所选样本正是各个信息公布日前后若 干天的市场指数上证综指 , 不可能再使用市场模型。 基于上述考虑 , 本文股市收益率选择随机游走模型 : R it = R it - 1 +εit E(εit ) = 0 , V ar (εit ) =σ2it 这里 , R it为第 i 个样本在事件窗 T - 20 , T20 内第 t 天的股票收益率 , 采用对数收益率 计算 , R it = ln ptp t - 1 = ln pt - ln pt - 1 , 其中 , t ∈ T - 20 , T20 , pt 为第 t 天的股票收盘价。 则第 i 个样本在事件窗内第 t 天的异常收益 A R it为 : A R it = R it - E R it / I t = R it - R it - 1 , t ∈ T - 20 , T20 (10) 选择随机游走模型为股票收益率模型的逻辑在于 : 在相隔较短的连续时间内 , 股市价格 ·341·金融危机下中国证券市场的变异特征 不会大起大落 , 变动应该是平滑的 , 今天的股市价格包含了昨天的信息 , 并且历史是可以重 演的。这种假设也正是支撑今天股票市场技术分析的基础。 根据式 (10) , 求出事件期 41 个交易日内每天的异常收益率 A R it , 然后求出全部 49 个 样本第 t 日的平均异常收益率 A A R t 为 : A A R t = 149 ∑ 49 i = 1 A R it , t ∈ T - 20 , T20 (11) 为了考察减息的公布对我国证券市场的累积影响效应 , 进一步地计算出全部 49 个样本 在截止到 t 时刻的平均累积异常收益率 CA R t 为 : CA R t = ∑ t τ= - 3 A A Rτ , t ∈ T - 20 , T20 (12) 根据 (10) 、(11) 、(12) 式 , 计算得出上证 50 指数的样本股在减息信息发布的事件窗 口期 T - 20 , T20 每天的平均异常收益率 AARt , 和各时间段内的累积平均异常收益率 CARt , 见表 4。 表 4 平均异常收益率和累积平均异常收益率及相应的统计量 t A A R t t 统计量 CA R t t 统计量 - 20 - 0103818 - 8111267 - 019832 - 12132 - 15 - 0100293 - 014996 - 0107362 - 4187 - 10 - 0103541 - 6113242 - 0193023 - 11184 - 5 - 0106189 - 1015947 - 1155407 - 11183 - 4 01061632 12148442 11580405 12132 - 3 01003363 01570649 - 0100565 - 015 - 2 - 0101185 - 2141454 - 0129063 - 11194 - 1 01013669 21937945 01376879 12156 0 - 0102362 - 4168651 - 0159456 - 13 1 - 0101029 - 1164867 - 013021 - 9 2 0102925 51012608 01736453 11112 3 - 010231 - 4138635 - 0159016 - 12169 4 01014704 21710343 01365145 10133 5 - 01023 - 4110757 - 0161823 - 11178 10 - 0100309 - 0142941 - 0104653 - 2189 15 - 0101692 - 1190939 - 0143742 - 12195 20 01045364 71185807 11081888 11139 (4) 实证结果和检验。①实证结果。为了全面分析美联储减息的发布短期内对股票市场 的日影响效应和累积影响效应 , 可以对事件窗口内各个股票的平均异常收益率 A A R t 曲线和 累积平均异常收益率 CA R t 曲线随时间 t 的变化规律进行考察。分别以 A A R t 和 CA R t 为纵 轴 , 时间 t 为横轴制图 5 和图 6。 ·441· 《数量经济技术经济研究》2009 年第 9 期 图 5、图 6 都反映出我国股市对美联储减息的事前反应比较剧烈 , 事后反应比较轻微的 特征。由 AAR 图 (见图 5) 可以看到在美联储减息信息发布的前五天 , 股市的平均异常收 益率由前五天的负收益 - 0106189 急剧上升至峰值 01061632 , 然后在前四天急剧下跌至第二 天的负收益 - 0101185 , 接着在信息公布日再次振荡到 - 0102362 , 之后便围绕零值随机 游走。 与之相对应 , 股市的累积异常收益率 CA R (见图 6) 的走势与 AA R 大致相同 , 也是在 信息公布日后 , 围绕着零收益上下振荡。这种趋势表明 , 股市对美联储减息这一敏感信息的 把握可能存在着不对称性。 美联储减息公布前异常收益率的大幅震荡可能是市场主体利用所得的信息不断调整预 期 , 进而对行为做出修正的结果。交易者占有的私人信息不同导致了对股价预期价值的不一 致 , 从而产生了不同的甚至是完全相反的交易策略和交易行为 , 从而对股价的波动产生了冲 击影响 , 加剧了股价的波动。首先是在信息公布的前 20 天 , 股市收益率一直走低 , 多数情 况维持在负收益率的水平 , 而后在信息公布的前 4 天 , 由于减息政策的提前泄露 , 这一利好 政策增加了市场信心 , 让市场上的知情投资者大量买入股票 , 使得股票价格一路走高 , 而不 ·541·金融危机下中国证券市场的变异特征 完全知情交易者从资产价格的运动中推出知情交易者的部分信息 , 从而跟进 , 使得异常收益 达到峰值。之后 , 股市对预期做出重新调整 , 股价开始反向修正 , 美联储的减息政策并没有 如预计所料给市场带来长久的趋动力 , 在减息政策发布后 , 因为市场上的投资者都充分掌握 了该公共信息 , 因此不可能再有投资者利用该信息获取异常收益 , 从而异常收益率出现平稳 态势。由图 5 和图 6 还可知 , 与平均异常收益 A A R t 在信息公布后的小幅振荡相似 , 累积异 常收益 CA R t 在信息公布后出现了平稳波动的特征。②结果的检验。我们还需对事件窗内每 天的异常收益 A A R t 和各个时间段内的累积异常收益 CA R t 的显著性做出检验 , 即检验上述 两个指标是否显著异于零。这样做的目的是进一步检验中国股市对减息政策的发布是否存在 信息不对称 , 换言之 , 检验中国股市是否是有效的。其依据的基本假设是 , 在有效市场上信 息是完全对称的 , 所有经济事件的影响都会迅速地反映到股票价格上来 , 所有信息都会被所 有的市场交易者瞬间同步获得并利用 , 因而股市的异常收益应当围绕零随机波动 , 不会出现 显著异于零的情况。 这里 , 我们运用 t 检验法分别对 A A R t 和 CA R t 进行检验 , 零假设为 : H0 : A A R t = 0 (或CA R t = 0) 其检验统计量为传统的 t 检验 , 分别为 : TAA R = A A R t S A A R t / N (或 TCA R = CA R t S CA R t / N ) 　　其中 , S AA R t 2 = 1N - 1 ∑ N i =1 AR it - AA R t 2 (或 S CA R t 2 = 1N - 1 ∑ N i =1 CA R it - CA R t 2 ) CA R it = ∑ t τ= - 3 A R it为第 i 个样本截止到 t 时刻的累积异常收益率 , t ∈ T - 20 , T20 。 据此 , 列出信息发布的事件窗内每天平均异常收益 A A R t 和累积平均异常收益 CA R t , 在 10 %显著性水平下的 t 检验值 , 见表 4。 由表 4 中 A A R t 的 T 检验量容易看出 , 在 5 %的置信水平下 , 在事前及事后的大部分时 间里 , 都不能通过异常收益率为零的原假设。也就是说 , 美国的减息政策使股市中仍有异常 收益率存在 , 中国的股票市场是非弱式有效的。 再对累积异常收益 CA R t 进行检验。与 A A R t 反映减息公布对股市的日效应不同 , CA R t 反映的是一段时间内减息的公布对股市的总效应。因为 CA R t 所有的 T 统计量的绝对 值都大于临界值 , 因此总体上减息对股市的稍长期影响都比较显著。这表明 , 在减息信息发 布前后的某些天或某段时间内 , 减息的发布可能会引起股市的较大波动 , 使得股市出现较明 显的正或负的异常收益。 三、结论与建议 本文首先应用 A RCH 模型对 2005 年以后我国的上证综合指数的收益率进行分阶段的实 证分析 , 得到关于中国股市的一些风险特征。同时 , 通过分析上证 50 指数中的 49 只样本股 的收益率 , 以美联储的减息事件为窗口 , 检验中国股市的有效性特征。 第一 , 在整个样本期内 , 上海股市的日收益率波动比较剧烈 , 但一般围绕在零点上下波 动 , 同时显现出市场波动的集聚性。同时 , 由整个样本期的 TARCH 模型可知 , 利空与利 好消息在市场上并没有引起大的不对称波动。从条件方差序列方程中可以知道 , 滞后一期的 ·641· 《数量经济技术经济研究》2009 年第 9 期 条件方差对当期方差的影响是比较大的 , 影响系数为 01945 , 表现出收益率波动受前期信息 的影响作用比较大 , 信息在市场上的反应时间比较长。 第二 , 关于收益率的特征 , 从 2007 年 10 月 16 日至 2009 年 3 月 13 日的“熊市”阶段 里 , 收益率 rt2是一个平稳的纯随机序列。说明此阶段股票市场是相对有效的 , 收益率的分 布图显示 , 收益率均值小于零 , 说明在股市大跌的背景下 , 投资者的平均收益率为负。收益 率的尾部比正态分布更厚 , 有更多的奇异值 , 表明在股市的下跌阶段里有更多的极端情况的 负收益。而在上海证券市场的“牛市”阶段 , 即 2005 年 6 月 7 日至 2007 年 10 月 16 日 , 收 益率序列 rt1有较弱的自回归现象 , 当期收益率受前一期的收益率及前一期的预测误差的影 响较大。此时的股市呈现出明显的短期作用特征。 第三 , 关于波动性方面的情况 , 在“牛市”阶段里 , GARCH (3 , 1) 模型较好地模拟 了股指收益率 rt1的波动性。其中 , 前期的随机波动对后期的波动有着正向的影响 , 相比之 下 , 前三期的条件方差对当期条件方差的影响作用更大一些 , 为 01826。其小于 1 的衰减系 数表明 GARCH 模型的稳定性以及收益率的可预测性。另一方面 , 也反映出上海证券市场 的滞后效应很明显 , 股市对信息的反应阶段时间较长。这是由于我国股市是个政策市 , 信息 在股市具有较长的持久作用性。 同时 , 比较两个阶段的收益率的波动性 , 可知在所选的样本期的“熊市”阶段 , 波动大 于“牛市”阶段下的收益率的波动。这也印证了上海证券市场受到世界金融危机的负面冲击 的表现之一。 第四 , 应用事件研究法 , 分析了 2007 年 9 月 18 日美联储减息政策发布对中国股市的影 响。其中 , 以上证 50 指数的 49 只样本股为代表进行实证检验 , 得到结论 : 中国股市在减息 信息发布之前极短的时间里 , 股价大幅波动 , 收益率呈现出显著的异常收益特征 , 这表明中 国股市有效性不足。信息在投资主体之间是不对称的 , 重要的经济信息发布前可能存在泄露 问题 , 事后股市对信息的消化吸收也相对缓慢。 本文通过以上分析 , 在防范金融风险、提高市场有效性方面提出以下相关建议 : 首先 , 要继续稳步推进金融市场化改革。调整金融结构 , 规范发展资本市场 , 通过发展 资本市场吸纳和配置“热钱”, 使其为中国经济增长方式转变服务。应继续推进国家银行股 份化改造 , 优化银行资产负债结构 , 降低银行脆弱性 ; 打破国家银行垄断地位 , 允许民营资 本进入银行领域 , 实现各类资本公平竞争 ; 发展多样化的非银行金融机构 , 满足多层次的投 资者需求。 其次 , 从交易

机制

综治信访维稳工作机制反恐怖工作机制企业员工晋升机制公司员工晋升机制员工晋升机制图

上来看 , 我国股票市场目前还缺乏双边机制或做空机制 , 这决定了我 国股票价格变化方向上的不对称性 , 加剧了市场价格单向波动趋势。同时 , 由于缺乏一些常 用的避险手段 , 如股票期货、指数期货或期权等金融衍生工具 , 投资者无法进行套期保值和 风险规避。因此 , 我国应积极改进交易机制 , 完善信息披露机制。另外 , 政府的适度干预依 然必要。应首先确保中央银行及其货币政策独立性 , 以降低国际货币冲击带来的危害。 参 考文 献 [1 ] 陈毅恒 :《时间序列与金融数据分析》[ M ] , 黄长全译 , 中国统计出版社 , 2004。 [2 ] 孙敬水、马淑琴 :《计量经济学》[ M ] , 清华大学出版社 , 2004。 [3 ] 易丹辉 :《数据分析与 Eviews 应用》[ M ] , 中国统计出版社 , 2003。 ·741·金融危机下中国证券市场的变异特征 [4 ] 陆懋祖 :《高等时间序列经济计量学》[ M ] , 上海人民出版社 , 1999。 [5 ] 周爱民、徐辉、田翠杰 :《金融计量学》[ M ] , 经济管理出版社 , 2005。 [6 ] James D1 Hamiltion :《时间序列分析》[ M ] , 刘明志译 , 中国社会科学出版社 , 2001。 [7 ] 李华中、杨湘豫 :《中国证券市场股指波动的条件异方差特性分析》[J ] ,《经济数学》2002 年第 6 期。 [8 ] 刘晓、李益民 :《GARCH 族模型在股市中的应用 ———深圳成分指数波动性研究》 [J ] ,《技术经济 与管理研究》2005 年第 5 期。 [ 9 ] 何晓光、朱永军 :《中国 A 股市场收益波动的非对称性研究》[J ] ,《数理统计与管理》2007 年第 1 期。 [10 ] 陈健 :《ARCH 类模型研究及其在沪