“特异性波动率之谜”在我国股市存在吗
——基于异质信念及卖空限制的解释
Does “idiosyncratic volatility puzzle” exist in China stock market?
An explanation based on heterogeneous beliefs and short sale
constraints
左浩苗张翼郑鸣
作者简介：
左浩苗, 通讯作者，厦门大学王亚南经济研究院09级博士生, 通讯地址：中国福建省厦门市厦门大学经济楼A310，邮编：361005， Email:zuohaomiao@https://www.doczj.com/doc/0f6348531.html,，研究领域；资产定价、实证金融、金融计量和宏观金融。
张翼, 任职于国泰君安证券股份有限公司企业融资部，通讯地址：上海市浦东新区银城中路168号上海银行大厦，邮编：200120，Email:crux_zhangyi@https://www.doczj.com/doc/0f6348531.html,。研究领域：金融工程、实证金融、固定收益证券和利率期限结构。
郑鸣，厦门大学金融系和厦门大学王亚南经济研究院教授，通讯地址：中国福建省厦门市厦门大学经济楼E401，邮编：361005，Email: zhengming@https://www.doczj.com/doc/0f6348531.html,，研究领域：金融机构与风险管理、公司金融政策与公司治理、投资银行。
致谢语：作者感谢在厦门大学财务会计与管理研究院讨论会上阮军、刘振涛和沈哲等的评论,《经济研究》编辑部与厦门大学管理学院举办的“新兴经济体公司财务与资本市场研讨会”评论人电子科技大学吴飞教授和与会嘉宾的点评，2010年中国金融国际年会资产定价实证专场主持人苏东蔚教授和参会嘉宾的意见，2010《中国金融评论》国际研讨会评论人上海交通大学朱祁教授和与会嘉宾的意见，美国加州大学河滨分校金融学助理教授李灿林(Canlin Li)、新加坡管理大学金融学助理教授傅方剑(Fangjian Fu)，厦门大学王亚南经济研究院郑挺国、黄诗城和张振轩等的意见。此版本为讨论稿，欢迎评论。当然，文责自负。
“特异性波动率之谜”在我国股市存在吗
——基于异质信念及卖空限制的解释
Does “idiosyncratic volatility puzzle” exist in China stock market?
An explanation based on heterogeneous beliefs and short sale
constraints
摘 要本文基于中国股票市场的数据，通过Fama-French三因素模型估计股票的特异性波动率，并采用GARCH、EGARCH、ARIMA等模型估计特异性波动率的预期值，利用Fama-MacBeth两步回归法和投资组合分析法对我国股票市场特异性波动率与横截面收益率的关系进行实证研究，探讨“特异性波动率之谜”是否存在。我们发现，在我国股票特异性波动率与横截面收益率也存在显著的负相关关系，但在控制了表征异质信念的换手率后，这种负相关关系消失了。进一步的研究表明，这种现象的产生主要是因为我国市场上存在着严格的卖空限制，在卖空限制和投资者异质性的共同作用下，资产价格会被高估从而降低未来的收益率，造成了我国市场上的特异性波动率之谜。
关键词：特异性风险；截面收益率；异质信念；卖空限制
JEL 分类号：G10;G12;G14
Abstract Based on China stock market, this article uses the Fama-French three-factor model to estimate the realized idiosyncratic volatility, and estimate the expected idiosyncratic volatility though GARCH, EGARCH and ARIMA model. Using Fama-MacBeth two-step regression method and investment portfolio analysis, we find the evidence of this puzzle. There is also a negative relation between cross-section returns and idiosyncratic volatility. After controlling for turnover as an indicator of difference in opinion, this relationship disappear. Further studies have shown that the emergence of this phenomenon was mainly due to the strict constraints on short-sale in China. Under short-sale constraints and heterogeneous belief, stocks may be overvalued and the future returns will decrease, resulting in the idiosyncratic volatility puzzle in China.
Keywords:Idiosyncratic Risk; the Cross-Section Returns; Difference in Opinion; Short-Sale Constraints
JEL codes: G10;G12;G14
1.研究背景和意义
风险与收益的关系是金融学理论的核心。经典的CAPM模型中影响资产均衡价格的因素只有系统性风险，而不包括公司特异性风险，股票特异性波动率和预期收益是无关的。近年来，很多实证研究都发现股票特异性波动率与横截面收益率有显著的负相关关系，这与经典资产定价模型和不完全信息的资本市场均衡模型结论都是不同的，由于目前还没有一种理论可以对这种现象做出很好的解释，因此有学者称之为“特异性波动率之谜”。
在理论方面，Miller(1977)指出，在投资者异质性和卖空限制的前提下，对未来持乐观态度的投资者将会买入和持有股票，而悲观的投资者却因为卖空限制而不能充分参与市场交易，其结果是股票价格主要反映了乐观投资者的意见，造成了股票价格相对其真实价值的高估。随着时间的推移，信息传递逐渐充分，投资者意见逐渐趋于一致时，价格会趋向于真实价值。因此，当期越是被高估的股票，未来收益越低，投资者异质性与股票预期收益有负相关关系。Merton(1987)提出了一个基于不完全信息的资本市场均衡模型，在均衡条件下，股票的特异性风险和预期收益率有正相关关系。
在实证研究中，对于特异性风险与预期收益的关系，学术界也没有达成一致的结论。Goyal和Santa‐Clara(2003)发现滞后的市场组合的波动率在预测收益率时并不显著，而滞后的股票平均波动率却是显著的，认为特异性风险对收益率的影响是显著的。Bali，Cakici，Yan 和Zhang(2005)认为Goyal和Santa‐Clara(2003)的结果主要是取决于风险计算方法以及样本区间选取，对波动率计算方法和样本区间进行改变后，特异性风险与收益率的相关关系均不显著。Ang等(2006)以1963年7月到2000年12月的NYSE，AMEX和NASDAQ的股票数据为样本，以三因素模型的残差项的标准差度量股票特异性波动率，发现股票特异性波动率与横截面预期收益存在显著的负相关关系，而且这种现象不能由公司规模、账面市值比、动量、流动性、公司财务杠杆、交易量、换手率、价差、协偏度、分析师预测分歧程度等因素解释。Ang等(2009)将实证检验的样本范围扩大，检验了23个发达国家市场，同样发现了这种异象。由于Ang等(2006，2009)的实证结论既不符合经典资产定价理论，也不符合基于不完全信息的资产定价理论，因此学术界称之为股票特异性波动率之谜，引起了极大的关注。
Chua等(2006)将特异性波动率分解为预期的和非预期的两部分，检验了非预期的特异性波动率和非预期的收益率之间的关系，发现二者之间是显著的正相关的。Brockman等(2007)研究了从1980年到2007年全球44个国家的股票市场，用EGARCH模型估计特异性波动率，也支持了Merton(1987)的结论。Jiang等(2009)从异质信念的角度解释了特异性波动率之谜，认为投资者对盈利能力差的公司的未来预期分歧会造成较大的交易量和较高的特异性波动率，在控制了盈利能力这个变量之后，特异性波动率与横截面收益率的关系就变得不显著了。Huang等(2010)检验了Ang等(2006)提出的特异性波动率之谜，发现特异性波动率之谜主要是由于存在收益率的反转效应所导致。Bali和Cakici(2008)发现用于估计特异性波动率的数据频率、计算投资组合收益率的权重选择、将股票划分为投资组合的分组数量、公司规模和流动性等指标都会影响估计结果，认为Ang等(2006)的结论并不是稳健的。Fu(2009)引入EGARCH 模型估计特异性风险，发现特异性风险与期望收益存在显著的正相关关系，并不存在所谓的特异性波动率之谜，支持了Merton(1987)的结论，同时Fu指出，Ang等(2006)的结果在很大程度上可以被反转效应解释。
国内关于股票市场风险与收益的研究主要集中在验证CAPM、FF三因素模型等在我国是否成立，以及股票收益率受哪些因素的影响上。陈浪南和屈文洲(2000)检验了CAPM在我国股票市场上的有效性。陈信元等(2001)对预期股票收益的决定因素进行了横截面分析，认为公司规模和账面市值比和流通股比例表现出显著的解释能力。汪炜和周宇(2002)利用上海证券交易所上市的股票建立小市值资产组合，认为中国股市显著地存在小公司效应。范龙振和单耀文(2004)，邓长荣和马永开(2005)认为FF三因素模型在我国证券市场上是成立的。石予友等(2008)通过对随机抽取的股票进行实证研究，发现贝塔不能完全代表影响股票收益的风险，应该同时考虑账面市值比、公司规模和权益比等因素。苏冬蔚和麦元勋(2004)，陈青和李子白(2008)运用不同流动性指标从不同角度研究和证实了我国证券市场存在着流动性溢价现象，认为在运用模型定价时应当考虑流动性风险因素。上述研究基本肯定了FF三因素
模型在中国股票市场的适用性，同时提出了三因素之外还应当考虑的定价因素，如流动性风险和权益比等。
目前国内学者对股票特异性风险与横截面收益率之间关系的系统性研究还很少，黄波等(2006)以1996年到2003年沪深两市A股为样本，研究发现股票特异性风险对横截面收益率具有一定程度的解释能力，但是并没有进一步报告两者之间的正负关系。杨华蔚和韩立岩(2009)以1994年12月至2005年12月沪深两市所有上市A股为研究样本，考察在中国股市横截面收益与特异性风险的关系，发现股票的特异性风险与横截面收益率有异常显著的负相关关系，并且在考虑了控制变量后，二者的负相关关系仍然是显著的。陈国进等(2007)以1997年至2007年沪深两市A股为样本，采用AR(2)模型估计预期的特异性波动率，验证了股票的特异性风险与横截面收益率显著负相关，并认为异质信念可以部分解释特异性波动率之谜。
本文的主要贡献在于首次应用最近发展起来的对特异性波动之谜的研究方法，对这一问题在中国的表现进行系统的研究，特别是系统采用了不同的预期特异性波动率的估计方法，并采用组合分析的方法，得到了一致的结论。与之前研究结论不同，在改进了特异性波动率的估计方法后，本文认为异质信念可以对特异性波动率之谜进行充分的解释，并结合中国股票市场的实际，给出了与美国市场表现差异的经济学解释。
本文分为以下几个部分：第一部分是简要介绍了文章的研究背景。第二部分是本文采用的研究方法，介绍了判断特异性风险与横截面收益率相关关系的Fama‐MacBeth两步回归法和投资组合分析法。第三部分是本文的实证部分和经济解释，并通过加入不同的控制变量检验了实证结果的稳定性。第五部分是本文的结论。
2. 研究方法
2.1 Fama-MacBeth 两步回归法与横截面回归
我们采用Fama ‐MacBeth 回归方法对股票收益率与公司的特异性风险之间的关系进行检验。首先，我们需要估计每只股票在每个月份的特异性风险，并估计期望的特异性风险，第二步，对于每一个月份的截面数据，我们以股票的月超额收益(f i r R ?)作为因变量，对股票的期望特异性波动率、三因素模型估计所得的系数并加入控制变量进行回归。具体的回归方程如下所示：
t K
k kit kt it t it t it t it t t ft it X h s EIV r R εγγγβγγγ++++++=?∑=5
43210 (1)
其中it R 表示股票i 在第t 月的收益率，ft r 表示第t 个月的无风险利率，it EIV 表示第t 月的期望特异性波动率，it β、it s 和it h 分别是股票i 在第t 月的市场因子、规模因子和价值因子的系数，kit X 表示对横截面预期收益率有影响的其他因素。为了减少异方差和序列相关的影响，本文用Newey 和West(1987)的方法修正t 统计量。最后，根据)......,,2,1(K k kt =γ的
估计值kt γ
?，计算均值和方差以及t 统计量判断各个因素是否显著影响股票的横截面收益率，特别是股票的预期特异性波动率的系数t 1γ。
2.2 预期特异性风险的估计
对于应该如何度量预期的特异性风险，文献中的方法主要分为两大类。第一类是直接利用滞后一期的实现特异性波动率作为预期。第二类方法是利用时间序列模型估计预期特异性波动率，本文分别采用两类方法对股票收益率与公司的特异性风险之间的关系进行分析。
2.2.1 在鞅过程假设下的特异性波动率
参照Fu(2009)的定义，特异性风险是指只与某一个公司相关的风险，它是独立于市场风险的。本文采用Fama ‐French(1993)三因素模型的残差估计股票的特异性风险。在每一个月内，我们对每一只股票估计Fama ‐French(1993)三因素模型，即利用股票超额收益率(f i r R ?)对市场因素(f m r R ?)、
规模因素(小公司股票组合与大公司股票组合收益率之差)和价值因素(高账面市值比股票组合与低账面市值比股票组合收益率之差)进行回归，回归方程如下：
τττττττεβαi it it f m it it f i HML h SMB s r R r R +++?+=?)( (2) 其中τi R 表示第i 只股票在第τ天的收益率，τf r 表示第τ天的无风险收益率，τm R 表示第τ天的市场组合的收益率，τSMB 和τHML 分别表示第τ天的规模因素和价值因素，it α、it β、
it s 和it h 分别表示第i 只股票在第t 个月的系数，τεi 是股票i 在t 月τ日的残差项。我们仿
照Fama ‐French(1993)的方法对公司的总市值和账面市值比进行分组计算规模因素SMB 和价值因素HML 。
根据回归结果，第i 只股票在第t 个月的实现的月度特异性波动率：
)(it it it Std n IV ε=
其中)(τεi Std 是残差项的标准差，it n 是当月的交易天数。
若第t ‐1月的特异性波动率为1?it IV ，
则在鞅过程的假设下，第t 月的预期特异性波动率
为11?=it it IV EIV 。
2.2.2利用GARCH 族模型估计特异性波动率
Engle(1982)，Bollerslev(1986)分别提出了ARCH 和GARCH 模型。Nelson(1991)进一步提出了EGRACH 模型，刻画了波动的非对称性，即价格下跌时的波动率大于价格上涨时的波动率。在本文中，我们分别采用GARCH(1，1)模型和EGARCH 模型，并用三因素模型作为均值方程估计股票的特异性波动率。对于GARCH(1，1)模型，我们对每一只股票估计如下的方程：
2
1
1)(??++==+++?+=?it i it i i it it
it it it
t it t it ft mt it it ft it h h h HML h SMB s r R r R εωδανεεβα (2)
其中，it ν服从独立的标准正态分布，模型的均值方程为Fama ‐French 三因素模型，残差项it ε的条件分布是均值为0，方差为it h 的正态分布。本文中，我们用月度数据对每一只股票逐月估计GARCH(1，1)模型，我们用第1个月到第t ‐1个月的数据估计GARCH(1,1)模型并
进行一步向前预测估计第t 月的特异性波动率的期望值t EIV 2，我们选择时间窗口为60个月进行滚动估计（t=60）。
对于EGARCH(1，1)模型，与GARCH(1，1)类似，其方程如下：
]
)2/([)()(log log )(2/111111πνγθνννωδανεεβα?+=++==+++?+=??????it it it it i it i i it it
it it it
t it t it ft mt it it ft it g g h h h HML h SMB s r R r R (3)
就如同之前利用GARCH 模型估计预期特异性波动率一样，我们用月度数据对每一只股票逐月估计EGARCH(1，1)模型，我们用第1个月到第t ‐1个月(滚动窗口为60个月)的数据估计第t 月的特异性波动率的期望值t EIV 3。同时，为了估计结果的稳健性，我们还应用SIC 准则在每次估计中挑选最适合的EGARCH(p ，q)模型 （31,31≤≤≤≤q p ），并估计了预期特异性波动率，估计值记为t EIV 4。
2.2.3 利用ARIMA 模型估计特异性波动率
考虑到特异性波动率的时间序列特征，参考Huang 等(2010)，我们采用ARIMA 过程对预
期值进行估计。我们首先用日数据估计每一只股票每一个月的三因素模型从而得到各个股票的实现月度特异性波动率的时间序列，之后再对这些时间序列分别采用拟和最优的ARMA （p,q ）过程(21,21≤≤≤≤q p 选择标准是SIC 准则)，以36个月的滚动的时间窗口中进行估计并进行一步向前预测，这个预测值记为t EIV 5。
2.3控制变量
为了检验特异性波动率对横截面预期收益的影响是否是由于没有被包含在三因素模型中的一些风险因素造成的，我们选取了下面的这些有可能影响股票收益率的因素做进一步的分析研究。
2.3.1 规模和账面市值比
规模和账面市值比代表了公司的市场特征和基本面特征，陈信元、张田余和陈冬华(2001)发现在我国规模和账面市值比对横截面收益率有显著的解释能力。本文采用的规模变量定义为每个月月初的股票总市值的对数。账面市值比变量定义为股票当年的账面价值与每个月月
初的总市值的比率，账面价值每年7月更新数据，总市值每月更新数据。
2.3.2 协偏度
Harvey 和Siddique(2000)指出仅用均值和方差不足以描述投资者的偏好，提出增加协偏度作为风险度量的一个因素，证明了协偏度风险因子有显著的负的风险溢价，即协偏度越高收益率越低。本文参照Harvey 和Siddique(2000)的方法衡量协偏度以及特异性偏度，用股票i 在第t 月每一个交易日的超额收益(ττf i r R ?)对市场组合的超额收益(ττf m r R ?)、市场组合超额收益的平方项(2)(ττf m r R ?)进行回归：
τττττττεi f m it f m it it f i r R c r R b a r R +?+?+=?2)()( (4)
则股票i 在第t 月的协偏度为系数it c ，特异性偏度为τεi 在第t 月的偏度。
2.3.3交易成本
一般认为，交易成本越高的股票，市场摩擦越大，投资者就会要求越高的收益进行补偿。本文采用Lesmond 、Ogden 和Trzcinka(1999)的方法衡量交易成本，即用日收益率为零的天数在一个月所有交易天数中所占的比例来度量交易成本。
2.3.4流动性
Amihud(2002)、Pastor 和Stambaugh(2003)在美国股市发现显著的流动性风险溢价；苏冬蔚和麦元勋(2004)等在中国股市也发现显著的流动性风险溢价。常见的度量流动性风险的指标有换手率、Amihud(2002)测度以及Pastor ‐Stambaugh(2003)测度。陈青和李子白(2008)认为换手率指标除了可以衡量流动性外，还含有异质信念方面的信息，不适合单独衡量流动性。梁丽珍等(2008)的研究表明Pastor ‐Stambaugh(2003)测度比较适合测度大规模公司，认为在我国Amihud(2002)测度优于其他测度。因此本文选择Amihud(2002)测度作为衡量流动性的指标。Amihud(2002)测度实际衡量的是股票的非流动性，具体来说，在第t 月股票i 的非流动性由该月内的日交易数据计算而得，即
∑==it N i i it it DVol R N Amihud 11ττ
τ
(5) 其中it N 为股票i 在第t 月的交易天数，τi R 是股票i 在t 月内第τ天的收益率，τi DVol 为股票i 在t 月内第τ天的交易量(以百万元为单位)。 2.3.5 前一个月的收益率
Jegadeesh 和Titman(1993)认为美国市场存在显著的中期动量效应的。中国股市动量溢价的研究结果与美国股市实证结果有较大差异，如朱战宇、吴冲锋和王承炜(2003)，周琳杰(2002)，马超群和张浩(2005)发现在中国市场只有形成期和持有期在4周内的周度周期策略中存在动量异常收益。本文选择过去一个月的持有期收益率作为衡量反转效应的指标。
2.3.6换手率
由于我国市场目前还是严禁卖空交易的，较为符合Miller(1977)理论中的假设条件，所以我们还需要验证异质信念是不是造成我国特异性波动率之谜的原因。异质信念常用的指标有交易量和换手率，但交易量指标在比较不同大小的公司股票时误差较大， 按照Boehme 等(2006)的建议选择股票的月换手率作为异质信念的控制变量。
2.3.7杠杆比例
石予友(2008)认为在分析股票收益率时，不能单以贝塔系数作为风险的指标，在我国还应考虑权益比等会计因素，一般来说，权益比例越大，公司的风险就越小，所以本文以公司的负债与所有者权益之比作为杠杆比例因素。
2.3.8股权集中度
Grossman和Hart(1980)认为如果公司股权过于分散，股东就不会有足够的激励来监督公司的管理层，所以股权集中度高的公司业绩要好与股权集中的低的公司。Shleifer和Vishny(1997)指出在股权相对分散的情况下公司股东倾向于采取搭便车的行为，所以股权相对集中有利于提高股东的监控动力，增加公司的价值。苏武康(2003)研究了我国沪深两市所有上市公司，认为股权集中度与公司绩效正相关。因此，股权集中度也是需要考虑的控制变量，本文选取前十大股东的持股比例作为指标。
2.4投资组合分析法
投资组合分析法就是根据某一指标构建不同的投资组合，检验不同组合持有期收益率是否存在显著的差别。具体来说，我们根据预期特异性波动率将所有股票由低到高排序，并分为五个投资组合持有一定的时间段，比较特异性波动率最高的一组和最低的一组之间的收益率，如果前者显著低于后者，则证明我国确实存在特异性波动率之谜。为了研究其他控制变量的影响，我们还需要用到二维分组的方法，即先按照一个指标分组，再在每一组内按照第二个指标继续分组。
3.数据及实证结果
3.1数据及特异性风险的估计结果
本文选取A股市场的股票作为研究对象，时间为1997年1月1日至2009年12月31日。收益率采用日对数收益率，剔除了上市首日、复牌首日等不设涨跌幅限制的交易日的数据和上市时间过短的股票数据。市场组合的收益率本文采用考虑现金红利再投资的综合日市场回报率(以总市值加权平均)代替。以上股票价格、交易量、总市值等股票数据和市场回报率数据均来自CSMAR金融数据库，无风险利率以及计算三因素模型所需的公司账面价值信息来自锐思金融研究数据库。前十大股东持股比例数据来源于万得资讯。由于估计三因素模型溢价需要用到公司财务数据，考虑到财务数据的可得性，我们根据前述的计算三因素溢价的方法，计算了1997年7月到2009年12月间估计Fama-French三因素模型所需的因素时间序列。
表1描述性统计
变量名 均值 中位数 标准差 25%分位数75%分位数偏度 峰度
Return 0.0093 0.0091 0.1589-0.0750.1008-0.1314 2.0696
IV 0.0855 0.0804 0.03990.05570.110.6917 0.6147
EIV1 0.0854 0.0803 0.040.05540.110.7037 0.6077
EIV2 0.0932 0.0877 0.03640.06680.11430.9434 2.1122
EIV3 0.0864 0.0806 0.03860.05880.10820.8891 1.3988
EIV4 0.0851 0.0789 0.03920.05690.10650.9325 1.3223
EIV5 0.0796 0.0781 0.02610.05920.09750.4888 1.1138
beta 0.9682 0.9671 0.21750.8333 1.09980.0227 1.2631
betasmb 0.6961 0.7636 0.59910.3256 1.1068-0.3507 0.2266
betahml 0.074 0.126 0.7829-0.39850.5995-0.4216 0.9051
mv 13.927 13.8402 1.132413.144914.61380.5441 0.777
bemv 0.419 0.3588 0.38030.21020.5812-1.8701 32.4708
Coskew -16.9532 -0.725 8733.909-7.6692 6.3369-188.729 58796.49
Cost 0.0309 0 0.045500.05 1.8816 5.0379
Idioskew 0.4102 0.408 0.7948-0.05390.8845-0.1249 1.261
Liquid 0.5449 0.146 14.56130.04840.4191191.7993 42950.16
Return1 0.011 0.0111 0.1596-0.0740.1035-0.1319 2.0579
turnover 0.4953 0.3491 0.45630.16410.6828 1.7739 4.6045
leverage 0.5765 0.524 1.57350.38550.648164.9171 5043.986
top10 54.4587 55.47 14.951544.3865.06-0.2203 -0.0957
注：return表示股票收益率，IV表示当期实现的特异性波动率，EIV1 表示滞后一期的实现的特异性波动率，EIV2表示用GARCH(1,1)模型估计的预期的特异性波动率，EIV3表示用EGARCH(1,1)模型估计的预期的特异性波动率，EIV4表示用EGARCH(p,q)模型估计的预期的特异性波动率，EIV5表示用ARIMA(p,q)模型估计的预期的特异性波动率，beta，betasmb，betahml分别表示Fama‐French 三因子模型中市场因素、规模因素和价值因素的系数，mv和bemv分别代表规模和帐面市值比指标，return1表示滞后一期的收益率，coskew表示协偏度，cost 代表交易成本，idioskew代表特异性偏度，Liquid，turnover，leverage分别代表流动性，换手率和杠杆比率，top10表示前十大股东持股比例。具体指标的计算详见正文。
表2 实现波动率自相关系数描述性统计
变量 均值 标准
差 5%分位
数
25%分位
数
50%分位
数
75%分位
数
95%分位
数
变异系
数
样本
数
相关系
数
0.307 0.239 ‐0.142 0.190 0.344 0.469 0.612 78.027 1333
注：相关系数表示实现的特异性波动率的一阶自相关系数，首先对样本内所有股票的以实现波动率序列求其相关系数，然后对所有的股票在横截面上计算其描述性统计量。
表1报告了文中所用指标的描述性统计量。表2给出了已实现的特异性波动率自相关系数的描述性统计，我们可以看到，所有股票的已实现特异性波动序列一阶自相关系数50%在0.34以下，95%在0.61以下，这与一般单位根过程自相关系数接近于1有很大区别，表明鞅假设并不合理。以下表3总结了本文所需的所有变量的相关性。从中可以看出股票的收益率与当期实现的特异性波动率正相关，而与预期的特异性波动率负相关。从收益率与公司规模和账面市值比的相关系数可以看出小公司效应以及价值效应。
3.2 Fama-MacBeth回归结果
这一节我们采用Fama‐MacBeth两步回归法检验预期特异性波动率(EIV)与横截面收益率的相关关系。同时，为了控制之前所述各种因素对特异性波动率的解释力的影响，我们将这些变量加入回归方程(1)中逐一检验。
3.2.1 EIV1作为自变量的回归结果
我们首先采用滞后一期的实现波动率(EIV1)表示预期特异性波动率，除了模型1，所有的方程均包括了账面市值比和规模这两个控制标量，模型3至模型10分别包括了其他某一个控制变量，在模型11中，我们将所有的控制变量都加入到回归方程中。我们利用月度数据对10个模型逐月进行估计，如果股票特异性波动率是横截面预期收益率的定价因素，则EIV1的系数应该在统计上是显著的，如果EIV1的系数符号为正，则股票特异性波动率与横截面预期收益有正相关关系，反之有负相关关系。回归结果如表2所示。
从表4中我们可以看出，在只考虑FF三因素模型系数的模型1中，EIV1的系数显著为负，说明特异性波动率与预期的超额收益率之间存在显著的负相关关系。在模型2中，我们加入了股票市值和账面市值比这两个自变量，可以看到表示公司规模的变量系数是显著为负的，而表示公司价值的变量系数显著为正，这与Fama的结论大致相同，小公司的业绩回报高于大公司，而价值型股票的业绩回报高于成长型股票，但这些并不能解释特异性波动率之谜。
在模型3到10中，我们分别加入协偏度、交易成本、特异性偏度、流动性等控制变量，其中前一个月的收益率、换手率以及前十大股东持有股票比例都会显著影响横截面收益率。前一个月的收益率的系数是显著为负的，说明我国股市存在着短期的反转效应，但EIV1的系数的显著性只是略微下降，仍然是显著为负的。换手率的系数也是显著为负的，说明高换手率会导致未来的低收益率，从异质信念的角度来讲，高换手率表示市场上的投资者存在着较大的分歧，但由于我国证券市场禁止卖空交易，悲观的投资者不能充分表达其估值，当前市场上的价格仅仅代表了乐观的投资者，就导致了股票价格的高估从而使得未来收益率降低。虽然在模型8中由于加入了换手率控制变量使得EIV1的系数及其显著性都有了较大幅度的下降，说明异质信念可以在一定程度上解释但不能完全解释特异
9
表3 变量相关系数矩阵
IV
EIV1
EIV2
EIV3
EIV4
EIV5 beta betasmb
betahml
mv bemv coskew
cost idioskew liquid
return1turnover leverage top10 return 0.216 -0.086-0.035 -0.018 -0.009-0.0590.023 0.038 0.018-0.016 -0.07 -0.081 -0.012 0.014 IV 1 0.3140.253 0.15 0.1310.3020.090.14 -0.065-0.116-0.156 -0.063-0.01 0.0290.06 0.238 0.069 0.016 EIV1 1 0.329 0.19 0.17 0.6270.0930.137 -0.068-0.091-0.191 -0.1250.09 -0.040.212 0.553 0.071 0.021 EIV2 1 0.522 0.3740.36 0.0460.29 -0.053-0.16-0.253 -0.059-0.066 0.093 0.318 0.124 -0.022 EIV3 1 0.3510.2310.0370.187 -0.027-0.108-0.162 -0.034-0.032 0.0570.048 0.189 0.078 -0.022 EIV4 1 0.2090.0460.163 -0.037-0.098-0.146 -0.03-0.03 0.0380.043 0.163 0.068 -0.016 EIV5 1 0.1510.203 -0.123-0.15-0.293
-0.1070.015 0.064 0.406 0.122 0.028 beta 1 -0.089-0.06 0.063 -0.034 -0.059 0.056 0.03 -0.088 betasmb 1 0.255 -0.707-0.193 -0.054
0.0450.018 0.182-0.023
0.175 0.184 -0.11 betahml 1 -0.0780.208 -0.0120.0760.028 0.029 -0.022 -0.035 mv 1 0.134 0.062-0.036-0.024 -0.2630.085 -0.162 -0.166 -0.049 bemv 1 -0.0110.0410.061 -0.114
-0.062
-0.111
-0.474
-0.098 coskew 1 -0.062
0.012 cost 1 0.01 -0.024-0.109 0.02 -0.048 idioskew 1 -0.0260.123 0.042 -0.032 -0.019 liquid 1 -0.036-0.129 0.083 0.032 return1 1 0.178 -0.013 turnover 1 0.046 -0.024 leverage 1 -0.055 top10
1
注：return 表示股票收益率，IV 表示当期实现的特异性波动率，EIV1 表示滞后一期的实现的特异性波动率，EIV2表示用GARCH(1,1)模型估计的预期的特异性波动率，EIV3表示用EGARCH(1,1)模型估计的预期的特异性波动率，EIV4表示用EGARCH(p,q)模型估计的预期的特异性波动率，EIV5表示用ARIMA(p,q)模型估计的预期的特异性波动率，beta ，betasmb ，betahml 分别表示Fama ‐French 三因子模型中市场因素、规模因素和价值因素的系数，mv 和bemv 分别代表规模和帐面市值比指标，return1表示滞后一期的收益率，coskew 表示协偏度，cost 代表交易成本，idioskew 代表特异性偏度，Liquid ，turnover ，leverage 分别代表流动性，换手率和杠杆比率，top10表示前十大股东持股比例。具体指标的计算详见正文。为简明起见，相关系数在5%的显著性水平下不异于零的已被去掉。此相关系数的计算是在每个时间点对横截面的数据进行计算然后再时间序列上取平均得到。
9
10
表4 Fama ‐MacBeth 回归结果(EIV1)
intercept beta EIV1 betasmb betahml mv bemv coskew cost idioskew liquid return1turnover leverage top10Adj R 21 1.421 1.124 ‐0.258 0.089 ‐0.142 0.158 [2.46] [0.91] [‐9.03] [0.15] [‐0.47] 2 5.119 1.104 ‐0.250 ‐0.221 ‐0.226 ‐0.218 0.283 0.169 [2.51] [0.89] [‐8.90] [‐0.33] [‐0.71] [‐1.70][1.93] 3 5.088 1.107 ‐0.250 ‐0.227 ‐0.213 ‐0.216 0.275 ‐0.006 0.172 [2.50] [0.90] [‐8.85] [‐0.34] [‐0.67] [‐1.69][1.87][‐0.97]
4 4.956
1.107 ‐0.248 ‐0.225 ‐0.232 ‐0.211 0.278 1.492 0.169 [
2.45] [0.90] [‐8.89] [‐0.34] [‐0.73] [‐1.65][1.89] [1.59] 5 4.984 1.111 ‐0.252 ‐0.215 ‐0.227 ‐0.212 0.267 0.030 0.171 [2.46] [0.90] [‐8.86] [‐0.33] [‐0.71] [‐1.66][1.85] [0.43] 6 5.182 1.077 ‐0.248 ‐0.215 ‐0.228 ‐0.222 0.265 ‐0.027 0.174 [2.52] [0.87] [‐8.69] [‐0.32] [‐0.72] [‐1.73][1.88] [‐0.18] 7
3.325 0.920 ‐0.232 ‐0.168 ‐0.191 ‐0.114 0.199 ‐0.048 0.183 [1.65] [0.74] [‐7.78] [‐0.25] [‐0.60] [‐0.91][1.45] [‐3.33] 8 5.529 1.184 ‐0.146 ‐0.163 ‐0.219 ‐0.243 0.284 ‐2.278 0.178 [2.75] [0.97] [‐5.50] [‐0.25] [‐0.70] [‐1.93][1.92] [‐5.02] 9
4.848 1.092 ‐0.250 ‐0.227 ‐0.230 ‐0.211 0.316 0.419 0.171 [2.42] [0.88] [‐8.90] [‐0.34] [‐0.72] [‐1.66][2.15] [1.36] 10
5.781 1.147 ‐0.254 ‐0.247 ‐0.238 ‐0.343 0.345 0.022 0.171
[2.82] [0.93] [‐9.15] [‐0.37] [‐0.75] [‐2.56][2.40] [5.74]
11 4.382 0.915 ‐0.138 ‐0.154 ‐0.202 ‐0.272 0.235 ‐0.010 1.104 0.039 ‐0.254 ‐0.045 ‐2.207 0.456 0.021 0.202
[2.24] [0.75] [‐5.23] [‐0.23] [‐0.64] [‐2.13][1.79][‐1.69][1.22][0.58] [‐1.46][‐3.09][‐5.08] [1.49] [5.39] 注：回归因变量是股票的月收益率，intercept 表示截距项，EIV1表示用滞后一期的特异性波动率作为预期的特异性波动率，beta 、betasmb 和betahml 分别表示三因素模型中市场因素、规模因素和价值因素的beta 值，mv 和bemv 分别表示公司的规模和账面市值比，coskew 、idioskew 表示协偏度和特异性偏度，cost 表示交易成本，liquid 表示流动性，return1表示过去一个月的收益率，turnover 表示换手率，leverage 表示公司的杠杆值，top10表示前十大股东持股比例的合计值，各指标的具体计算方法详见正文部分。Adj R 2表示调整后的R 2，[]内是Newey ‐West t 统计量。 10
11
性波动率之谜。在模型10中，前十大股东持股比例是显著为正的，这也与Grossman等(1980)和Shleifer等(1997)的研究结果一致，股权的集中有利于股东对公司管理层的监督，增加企业的价值。其他模型中控制变量的系数都是不显著的，但这些系数的符号还是符合我们的预期的，例如交易成本的系数符号为正，表示交易成本越高的股票投资者就会要求越高的收益率作为补偿，杠杆比例的系数同样为负，杠杆比例越高的公司风险相对越大，投资者也会要求更高的收益率补偿其承受的财务风险。
在模型11中，我们一次性加入所有的控制变量进行回归，各个自变量的系数显著性并没有明显的变化，虽然特异性波动率的系数的绝对值有明显的变小，但仍然是显著为负的，说明这些控制变量并不能完全解释特异性风险之谜。
表4的结果表明，与Ang等(2009)的结果相同，在我国确实也存在特异性风险之谜，但上述结果的前提是预期的特异性波动率可以用滞后一期的实现的特异性波动率表示，即特异性波动率是一个随机游走的过程，一旦条件不满足，我们的实证结果就会存在一定的误差。Fu(2009)据此认为Ang等(2006)的结果并不可靠，认为并不存在所谓的特异性波动率之谜，特异性风险与期望收益是显著的正相关关系。因此，下面我们采用EGARCH(p，q)模型估计预期的特异性波动率，再次检验我国是否存在特异性波动率之谜。
3.2.2 EIV4作为自变量的回归结果
在这一部分，我们采用EIV4作为预期的特异性波动率，然后对表4中的各个模型重新进行估计，估计结果如表5所示。由表5可以看出，EIV4的系数相对表4中EIV1的系数的绝对值有了很明显的下降。模型1中，系数虽然仍是显著的，但由‐0.258变为‐0.031，其t 值也由‐9.03变为‐3.33。在模型2到模型10中，我们逐一加入不同的控制变量，可以看到，与表4的结果稍有不同，除了前一个月的收益率、换手率以及前十大股东持有股票比例的系数显著外，交易成本的系数也变得显著了。特异性偏度的系数虽然不显著，但其符号为负，这与Harvey和Siddique(2000)证明的结果相符，即偏度越高收益率越低。从这些控制变量对EIV4的系数的影响来看，与表4相同，换手率的解释效果最为明显，反转效应次之。特别是当我们控制了换手率之后，EIV4的系数的t值下降为‐1.61，即使在10%的显著性水平下也是不显著的。在模型11中，我们同时加入了所有的
13
表5 Fama ‐MacBeth 回归结果(EIV4)
intercept beta EIV4 betasmb betahml mv bemv coskew cost idioskew liquid return1turnover leverage top10Adj R 210.086 0.764 ‐0.031 ‐0.100 ‐0.045 0.148 [0.16] [0.61] [‐3.33] [‐0.16] [‐0.15] 2 4.308 0.765 ‐0.026 ‐0.400 ‐0.165 ‐0.2390.453 0.160 [2.15] [0.62] [‐2.96] [‐0.60] [‐0.51] [‐1.85][3.19] 3 4.269 0.767 ‐0.026 ‐0.407 ‐0.152 ‐0.2370.446‐0.006 0.163 [2.13] [0.62] [‐2.95] [‐0.61] [‐0.47] [‐1.84][3.14][‐1.00]
4 4.021 0.784 ‐0.026
‐0.403 ‐0.178 ‐0.2280.441 3.187 0.160 [2.02] [0.63] [‐2.92] [‐0.60] [‐0.55] [‐1.77][3.11] [3.19] 5 4.272 0.771 ‐0.027 ‐0.394 ‐0.165 ‐0.2350.452 ‐0.102 0.162 [2.13] [0.62] [‐3.02] [‐0.59] [‐0.51] [‐1.83][3.21] [‐1.59] 6 4.196 0.744 ‐0.026 ‐0.403 ‐0.171 ‐0.2310.450 0.130 0.165
[2.08] [0.60] [‐2.98] [‐0.60]
[‐0.53] [‐1.79][3.27] [0.92] 7 2.339 0.689 ‐0.022 ‐0.303 ‐0.130 ‐0.1130.337 ‐0.069 0.175 [1.18] [0.55] [‐2.73] [‐0.44] [‐0.40] [‐0.89][2.54] [‐5.27] 8 3.011 1.221 ‐0.013 ‐0.217 ‐0.171 ‐0.2710.413 ‐1.074 0.173 [1.46] [1.02] [‐1.61] [‐0.33] [‐0.53] [‐2.05][2.88] [‐6.22] 9 4.045 0.751 ‐0.026 ‐0.406 ‐0.168 ‐0.2320.485 0.416 0.162 [2.05] [0.61] [‐2.99] [‐0.61] [‐0.52] [‐1.82][3.39] [1.33] 10 4.938 0.793 ‐0.026 ‐0.431 ‐0.179 ‐0.3580.518 0.0200.162 [2.44] [0.64] [‐2.93] [‐0.64] [‐0.55] [‐2.67][3.72] [5.32]
11 1.822 0.962 ‐0.009 ‐0.198 ‐0.168 ‐0.2910.336‐0.010 1.582
‐0.030 ‐0.308‐0.055‐0.999 0.495 0.0210.198 [0.91] [0.80] [‐1.22] [‐0.29] [‐0.52] [‐2.18][2.61][‐1.75][1.80][‐0.48] [‐1.63][‐3.79][‐5.70] [1.60] [5.25] 12 1.548 1.046 ‐0.011 ‐0.181 ‐0.167 ‐0.2480.362 1.758 ‐0.055‐0.955 0.0190.190
[0.77] [0.87] [‐1.42] [‐0.27] [‐0.52] [‐1.86][2.76] [1.98]
[‐3.80][‐5.34] [4.93] 13 1.192 1.025 ‐0.012 ‐0.151 ‐0.139 ‐0.1470.301 ‐0.054‐0.964 0.188
[0.59] [0.85] [‐1.57] [‐0.22] [‐0.43] [‐1.13][2.25] [‐3.74][‐5.33] 注：回归因变量是股票的月收益率，intercept 表示截距项，EIV4表示用EGARCH(p ，q)方法估计的预期特异性波动率，beta 、betasmb 和betahml 分别表示三因素模型中市场因素、规模因素和价值因素的beta 值，mv 和bemv 分别表示公司的规模和账面市值比，coskew 、idioskew 表示协偏度和特异性偏度，cost 表示交易成本，liquid 表示流动性，return1表示过去一个月的收益率，turnover 表示换手率，leverage 表示公司的杠杆值，top10表示前十大股东持股比例的合计值，各指标的具体计算方法详见正文部分。Adj R 2表示调整后的R 2，[]内是Newey ‐West t 统计量。 12
控制变量，预期特异性波动率的系数下降为‐0.011，t值为‐1.46，并不显著。在模型12中，
我们仅仅加入系数显著的四个控制变量，可以看到EIV4的显著性稍稍上升，但仍然是不显
著的。最后，在模型13中，我们只考虑作用较为明显的两个控制变量——换手率和过去一
个月的收益率，检验在控制了异质信念和反转效应后预期特异性波动率对横截面收益率的影
响，结果显示EIV4的系数为‐0.011，其t值为‐1.57，即预期特异性波动率与横截面收益率并
没有显著的线性关系。
由表5的结果可以看出，在我们按照Fu(2009)的方法重新估计预期的特异性波动率(EIV4)之后，如果只考虑FF三因素的beta值和EIV4，则得到的结果仍与Ang等(2009)相同，在我
国特异性波动率与截面收益率之间存在显著的负相关关系，而且这种负相关的关系在考虑股
票的规模因素和价值因素后仍然是显著的，并没有出现Fu(2009)二者显著正相关的结果，但
是这种负相关关系在控制了换手率这个变量之后就消失了。
3.2.3 EIV2、EIV3和EIV5作为自变量的回归结果
为了进一步检验上面的得到的结果，本小节我们采用其他几种方法估计预期特异性波动率，再一次对模型进行估计，估计结果如表6所示。
表6 Fama‐MacBeth回归结果(EIV2、EIV3和EIV5)
intercept beta EIV2 betasmb betahml mv bemv cost return1 turnover top10Adj R2 1 0.484 0.779 ‐0.080 0.061 ‐0.094 0.152 [0.87] [0.63] [‐3.79] [0.10] [‐0.31]
2 4.041 0.772 ‐0.067 ‐0.254 ‐0.196 ‐0.204 0.398 0.163
[2.03] [0.63] [‐3.42] [‐0.37] [‐0.61] [‐1.58] [2.81]
3 3.77
4 0.788 ‐0.066 ‐0.260 ‐0.208 ‐0.194 0.388 3.017 0.164 [1.91] [0.64] [‐3.34] [‐0.38] [‐0.65] [‐1.51] [2.75] [3.01]
4 2.196 0.734 ‐0.067 ‐0.208 ‐0.16
5 ‐0.087 0.281 ‐0.068 0.178 [1.11] [0.59] [‐3.58] [‐0.30] [‐0.51] [‐0.69] [2.16] [‐5.13]
5 2.861 1.173 ‐0.021 ‐0.151 ‐0.182 ‐0.254 0.39
6 ‐1.065 0.175 [1.41] [0.98] [‐1.12] [‐0.22] [‐0.57] [‐1.92] [2.80] [‐6.14]
6 4.672 0.801 ‐0.064 ‐0.289 ‐0.208 ‐0.325 0.464 0.020 0.165 [2.32] [0.65] [‐3.29] [‐0.42] [‐0.64] [‐2.40] [3.34] [5.30]
7 1.646 1.042 ‐0.021 ‐0.155 ‐0.178 ‐0.248 0.347 1.776 ‐0.054 ‐0.939 0.019 0.191 [0.83] [0.86] [‐1.22] [‐0.23] [‐0.55] [‐1.85] [2.71] [1.96] [‐3.75] [‐5.28] [5.01]
8 1.293 1.015 ‐0.026 ‐0.120 ‐0.154 ‐0.143 0.284 ‐0.054 ‐0.940 0.189 [0.65] [0.84] [‐1.53] [‐0.17] [‐0.48] [‐1.09] [2.17] [‐3.73] [‐5.23] intercept beta EIV3 betasmb betahml mv bemv cost return1 turnover top10Adj_R2 1 0.085 0.761 ‐0.029 ‐0.104 ‐0.047 0.149 [0.16] [0.61] [‐2.61] [‐0.17] [‐0.15]
2 4.269 0.764 ‐0.022 ‐0.412 ‐0.169 ‐0.239 0.454 0.160
[2.13] [0.62] [‐2.12] [‐0.61] [‐0.52] [‐1.85] [3.21]
3 3.986 0.783 ‐0.021 ‐0.416 ‐0.182 ‐0.228 0.443 3.190 0.161 [2.00] [0.63] [‐2.06] [‐0.62] [‐0.56] [‐1.77] [3.13] [3.15]
4 2.314 0.693 ‐0.019 ‐0.309 ‐0.137 ‐0.113 0.337 ‐0.069 0.17
5 [1.17] [0.55] [‐2.05] [‐0.45] [‐0.42] [‐0.90] [2.55] [‐5.30]
5 3.065 1.218 ‐0.00
6 ‐0.236 ‐0.172 ‐0.278 0.415 ‐1.086 0.173 [1.50] [1.01] [‐0.59] [‐0.36] [‐0.54] [‐2.10] [2.91] [‐6.26]
6 4.906 0.79
7 ‐0.021 ‐0.443 ‐0.182 ‐0.359 0.520 0.020 0.162 [2.43] [0.64] [‐2.04] [‐0.66] [‐0.56] [‐2.66] [3.74] [5.33]
7 1.624 1.055 ‐0.005 ‐0.195 ‐0.170 ‐0.257 0.364 1.783 ‐0.055 ‐0.964 0.019 0.190 [0.82] [0.87] [‐0.55] [‐0.29] [‐0.53] [‐1.93] [2.77] [1.98] [‐3.84] [‐5.39] [4.98]
8 1.251 1.027 ‐0.007 ‐0.164 ‐0.143 ‐0.153 0.303 ‐0.055 ‐0.971 0.188 [0.62] [0.85] [‐0.75] [‐0.24] [‐0.45] [‐1.18] [2.27] [‐3.80] [‐5.37] intercept beta EIV5 betasmb betahml mv bemv cost return1 turnover top10Adj_R2
1 1.400 0.466 ‐0.197 ‐0.063 0.123 0.182
[2.53] [0.49] [‐4.74] [‐0.13] [0.50]
2 7.825 0.317 ‐0.169 ‐0.407 0.089 ‐0.412 0.209 0.201
[3.46] [0.34] [‐4.25] [‐0.77] [0.35] [‐2.86] [1.60]
3 7.479 0.338 ‐0.165 ‐0.406 0.085 ‐0.396 0.202 1.756 0.201
[3.35] [0.36] [‐4.11] [‐0.77] [0.34] [‐2.77] [1.55] [1.41]
4 5.791 0.353 ‐0.161 ‐0.430 0.14
5 ‐0.291 0.097 ‐0.073 0.217
[2.52] [0.37] [‐4.06] [‐0.80] [0.56] [‐1.99] [0.75] [‐5.87]
5 6.097 0.468 ‐0.033 ‐0.330 0.105 ‐0.45
6 0.19
7 ‐1.031 0.213
[2.61] [0.51] [‐0.85] [‐0.63] [0.42] [‐3.11] [1.56] [‐5.70]
6 8.21
7 0.334 ‐0.174 ‐0.419 0.069 ‐0.484 0.240 0.012 0.202
[3.60] [0.36] [‐4.34] [‐0.80] [0.27] [‐3.19] [1.82] [3.21]
7 4.446 0.458 ‐0.046 ‐0.376 0.128 ‐0.391 0.116 0.662 ‐0.059 ‐0.931 0.011 0.231
[1.90] [0.49] [‐1.22] [‐0.70] [0.50] [‐2.55] [0.93] [0.57] [‐4.51] [‐5.11] [2.93]
8 4.425 0.436 ‐0.042 ‐0.370 0.158 ‐0.343 0.090 ‐0.058 ‐0.934 0.229
[1.89] [0.47] [‐1.11] [‐0.69] [0.61] [‐2.32] [0.73] [‐4.43] [‐5.15]
注：回归因变量是股票的月收益率，intercept表示截距项，EIV2、EIV3和EIV5分别表示用GARCH(1，1)、EGARCH(1，1)和ARIMA方法估计的预期特异性波动率，beta、betasmb和betahml分别表示三因素模型中市场因素、规模因素和价值因素的beta值，mv和bemv分别表示公司的规模和账面市值比，cost表示交易成本， return1表示过去一个月的收益率，turnover表示换手率，top10表示前十大股东持股比例的合计值，各指标的具体计算方法详见正文部分。Adj R2表示调整后的R2，[]内是Newey‐West t统计量。
我们在表6中只考虑了在前面模型中系数显著的控制变量。首先，从表6中我们注意到，利用EIV2和EIV3的估计结果和利用EIV4的结果是大体相似的。具体表现在，EIV2和EIV3
前面的系数均显著为负，在加入了控制变量后，其系数的绝对值有不同程度的下降，显著性
也有一定程度的下降，特别是换手率的作用尤为明显，当回归方程中包含换手率时，预期特
异性波动率的系数都是不显著的。同时，各主要变量前面系数的数值大体一致，如beta变
量前面的系数都是不显著的，表明收益率和beta之间的关系是平坦的，这与Fama和
French(1992)的结论是一致的。规模因素和帐面市值比因素均有被定价，其符号也与理论相
符。滞后一期的收益率前面的系数为负，再一次表明反转效应的确存在。交易成本因素和股
权集中度因素与之前同样，也是显著的。这个结果表明，我们的结论对于预期波动率估计方
法的变动是稳健的。其次，在利用EIV5的估计结果中，EIV5前面的系数绝对值明显大于其
他方法，相比之下更接近利用EIV1的估计结果。出现这一现象并不奇怪，究其根本，EIV1
和EIV5都是利用每日的交易信息来估计特异性波动率的，都需要先利用股票日收益率数据
估计出月度的实现特异性波动率。区别在于EIV1假设特异性波动率是一个随机游走的序列，
所以直接利用上一期实现的特异性波动率作为预测值，而EIV5放弃了这个假设，利用过去
36个月实现的特异性波动率的信息来进行预测。EIV2，EIV3和EIV4的估计方法与前面二者
不同，利用的是股票的月收益率数据拟和GARCH(1，1)，EGARCH(1，1)和EGARCH(p，q)，利
用波动率方程中的条件波动率的预期值作为特异性波动率的估计值。从本质上讲，它们利用
的数据频率是不同的，前者利用的是日数据和已经实现的特异性波动率进行预期值的估计，
而后者利用的是月数据和条件波动率的信息。但是EIV5与EIV1的估计结果也存在很大的不
同。特别是在引入了换手率这个控制变量后，EIV5前面的系数也变得不显著了，说明特异性
波动率之谜是可以得到解释的。因此，只要我们放松特异性波动率是一个鞅过程的假设，不
同的特异性波动率的估计结果是大体一致的，它们的趋势可以用相同的控制变量来解释。
到目前为止，我们都是采用Fama‐MacBeth两步回归法进行研究，在下一部分我们将要运用投资组合分析法以及二维分组的方法对特异性波动率之谜做进一步的稳健性检验。
3.3 投资组合分析法
3.3.1 利用EIV1分组的实证结果
我们首先采用最简单的投资组合构建策略检验Ang等(2006)提出的特异性波动率之谜是否存在，即用t‐1月的实现特异性波动率作为t月的预期特异性波动率(EIV1)将所有股票排序
并分为五组，其中组合1(组合5)包括了预期特异性波动率最低的(最高的)股票。我们将这些
投资组合持有一个月，并在每个月的月末，重新调整投资组合，不断重复这个过程。这样我
们就可以得到投资组合收益的时间序列，以及波动率高组和波动率低组收益率之差的时间序
列，同时我们还可以得到这个时间序列的t统计量，为了消除时间序列相关性和异方差的影
响，我们采用Newey‐West t统计量检验收益率之差是否显著异于零，结果如表7所示。
表7以EIV1分组的投资组合月平均收益率
投资组合 EIV1 r_vw r_ew mv return1turnover cost top10
1 4.349 0.848 1.46014.768‐0.77830.275 0.041 54.260
2 6.360 0.824 1.21414.7080.166 37.232 0.035 54.970
3 7.776 0.427 0.78314.686 1.62
4 41.740 0.032 55.296
4 9.454 0.163 0.19414.626 2.820 49.389 0.029 55.292
5 12.86
6 ‐0.606 ‐0.94214.579 5.79
7 69.416 0.024 55.245
5‐1 ‐1.453 ‐2.401
[‐2.92] [‐7.62]
注：r_vw表示以市值为权重的组合平均收益率(%)，r_ew表示等权重的组合平均收益率(%)，mv表示股票总市值的对数，return1表示过去一个月的收益率(%)，turnover表示
换手率(%)，cost表示交易成本，top10表示前十大股东持股比例的合计值(%)，各指标的
具体计算方法详见正文部分。组合5‐1表示组合5与组合1的收益率之差。[]内是
Newey‐West t统计量。
在表7中的第一列我们报告了五个投资组合的平均预期特异性波动率，第二列我们报告了以股票总市值为权重的持有期投资组合平均收益率，收益率从组合1的0.85%下降到组合2的0.82%，再下降到0.43%(组合3)，0.16%(组合4)，投资组合5的收益率更是下降至‐0.61%，其与投资组合1的月平均收益率相差1.45%，而且t值为‐2.92，因此高特异性风险投资组合的收益率是显著低于低特异性风险投资组合的收益率的，而且特异性波动率与组合平均收益率之间的确存在着负相关的关系。
我们得到的结果与Ang等(2006)和Fu(2009)等学者得到的结果类似，但又稍有区别。国外的研究结果表明，虽然组合5与组合1之间的加权平均收益率的差别是显著的，但主要是由于组合5的收益率突然大幅降低造成的，也就是说组合1到组合4之间的收益率并没有显著不同。但我国的数据结果显示组合加权平均收益率是随着特异性波动率的升高而稳步降低的。
国外有些学者（Bali和Cakici(2008)，Huang 等(2010)） 还发现高特异性波动率的投资组合所包含的股票的市值往往是比较小的，即二者是负相关的，认为特异性波动率之谜主要是由于这些高波动率低市值的股票造成的，所以采用不同的加权方法计算组合收益率会导致不同的结果。但如表7中的第三列等权重计算结果所示，可以看出组合5的月度平均收益率为‐0.94%，组合1的月度平均收益率为1.46%，二者之差为‐2.40%，其t值为‐7.62，相对于加权平均收益率更加显著。
如表7中第四列所示，投资组合的平均市值随着波动率的升高而逐渐变小，但是变化的幅度相对于国外的实证结果而言小很多，在美国，波动率最高股票构成的投资组合(组合5)只占所有股票总市值的2%左右，而波动率最低股票构成的组合(组合1)则占将近50%①，而在我国二者都是占总市值的五分之一左右，所以等权重与市值加权两种方法所得到的结果差别不大。
表7中第五列我们报告了投资组合形成期的以股票市值作为权重的组合平均收益率，可以看出从组合1到组合5，其收益率是单调增加的，这与持有期收益率正好完全相反，表现出较为明显的反转效应。表7中的第六到第八列分别报告了组合平均的换手率、交易成本和前十大股东持股比例。可以看到只有换手率的变化比较明显，从组合1的30.28%上升到组合5的69.42%，而交易成本和前十大股东持股比例变化并不明显，但其趋势是随着预期特异性波动率的升高而降低的，这些与我们前面的回归结果也是一致的。综上所述，如果采用EIV1作为预期特异性波动率，那么我国确实也存在着特异性波动率之谜。
3.3.2 利用EIV1和控制变量的二维分组实证结果
下面我们采用二维分组的方法研究加入控制变量后的影响，这里我们选取公司规模、账面市值比、过去一个月的收益率、交易成本、换手率和前十大股东持股比例这几个控制变量。由于在回归中，公司规模、账面市值比、交易成本和前十大股东持股比例并不能解释特
① Huang等（2010）
异性波动率之谜，限于篇幅略去。
最近的研究发现反转效应可以解释特异性波动率之谜，因此我们以组合形成期的收益率进行二维分组来控制反转效应。之前的文献对此存在不同的结论，Ang等(2006)指出在控制了形成期收益率之后，预期特异性波动率与持有其组合平均收益率仍然是显著负相关的；而Huang等(2010)采用与Ang(2006)相同的方法，发现在控制了过去的收益率水平之后特异性波动率之谜消失了。我们也采取与Ang等(2006)相同的二维分组法，结果如表8所示。
表8 以前一个月收益率二维分组的投资组合月平均收益率
投资组合 EIV1 r_vw r_ew
1 4.673 1.204 1.328
2 6.552 1.142 1.145
3 7.845 0.643 0.742
4 9.373 ‐0.026 0.187
5 12.443 ‐0.517 ‐0.692
5‐1 ‐1.721 ‐2.020
[‐4.33] [‐6.64]
注：r_vw表示以市值为权重的组合平均收益率(%)，r_ew表示等权重的组合平均收益率(%)，合5‐1表示组合5与组合1的收益率之差。[]内是Newey‐West t统计量。
从表8中可以看出，在控制了反转效应之后，等权重的组合5的平均收益率为‐0.69%，组合1的平均收益率为1.33%，二者之差为‐2.02%，t值为‐6.64，虽然t值较控制反转效应之前稍有下降，但仍然是显著的，而且以市值为权重计算的组合5与组合1平均收益率之差的t值为‐4.33，也是显著不为零的，所以在我国反转效应并不能解释特异性波动率之谜。如表7所示，在我国，按预期特异性波动率划分构成的五个投资组合的市值各占股市总市值的五分之一左右，与美国有显著不同。又因为组合5中包含的往往都是高收益或高亏损的股票，而且在美国，高收益的股票所占比重又远高于高亏损的股票，所以在加权平均时，这些高收益率股票的反转效应起主导作用，导致持有期整个组合的低收益率，从而造成在持有期内预期特异性波动率高而收益率低的现象。但在我国高收益率股票与低收益率股票的市值大致相等，二者的反转效应互相抵消。因此，正是我国股票市场区别于国外市场的特点，使得反转效应无法解释我国的特异性波动率之谜。类似地，我们发现在采用EIV1的情况下，换手率也不能解释特异性波动率之谜，与之前利用EIV1进行回归分析的结果大致相同，证明在我国也存在特异性波动率之谜。
3.3.3 不同预期特异性波动率估计值的分组实证结果
前面的投资组合分析法得到的结果同Fama‐MacBeth两步回归法一样隐含着特异性波动率是一个鞅过程的假设，下面我们采用其他几种方法预测的预期特异性波动率进行投资组合分析。
表9 以换手率二维分组的投资组合月平均收益率(EIV2、EIV3、EIV4、EIV5) 投资组合 1 2 3 4 5 5‐1 EIV2 r_vw 0.496 0.402 0.429 0.435 0.156 ‐0.340 [‐1.00] r_ew 0.570 0.503 0.611 0.703 0.317 ‐0.253 [‐0.90] EIV3 r_vw 0.563 0.348 0.072 0.240 0.451 ‐0.112 [‐0.37] r_ew 0.583 0.554 0.472 0.602 0.586 0.003
[0.02]
EIV4 r_vw 0.211 0.577 0.448 0.310 0.253 0.042
[0.18]
r_ew 0.487 0.626 0.540 0.580 0.477 ‐0.010 [‐0.05] EIV5 r_vw 0.452 ‐0.053 0.030 0.337 ‐0.326 ‐0.786 [‐2.29] r_ew 0.646 0.776 0.570 0.490 0.203 ‐0.386
[‐1.05] 注：r_vw表示以市值为权重的组合平均收益率(%)，r_ew表示等权重的组合平均收益率(%)，合5‐1表示组合5与组合1的收益率之差。[]内是Newey‐West t统计量。
从表9我们可以看出，在控制了换手率之后，除了采用EIV5分组的加权平均收益率之差，组合5与组合1的平均收益率之差都是不显著的。投资组合分析法的结果再一次验证了我们在前文中通过Fama‐MacBeth回归法得到的结论：我国确实存在着特异性波动率之谜的现象，而且不同的预期特异性波动率估计方法、不同的权重组合都不能消除这种现象，但是一旦控制了换手率这个因素，特异性波动率与横截面收益率之间的负相关关系就消失了，说明换手率基本可以解释我国的特异性波动率之谜。
前面的实证结果证实反转效应不能解释我国特异性波动率之谜是因为我国股票市值结构与国外不同，同时换手率能我国特异性波动率之谜也是源于我国市场自身的特点。与国外发达市场不同，我国股票市场上是禁止卖空交易的。Miller(1977)认为，市场上的投资者不是同质的，他们对于未来的预期分为悲观和乐观两种，悲观的投资者会认为该股票被高估，但是在卖空限制的前提条件下，悲观投资者无法卖空而不能参与市场交易，反之，乐观的投资者会认为这些股票是被低估的，他们会通过大量的买进股票进行套利活动，所以市场中的资产价格仅仅反映了乐观投资者的估值，这就造成了当期资产价格的高估，从而降低了未来的资产收益率水平。最近的一些研究结论也支持Miller的理论。Boehme，Danielsen和Sorescu (2006)指出当卖空限制和投资者异质性同时存在时，证券价格会被明显高估。投资者之间的分歧越大，资产价格越被高估，未来的收益率越低。同时，如果投资者之间的分歧越大，股票的交易量也就越大，这就造成了高换手率的现象。所以，换手率与未来的收益率是一种负相关的关系。另一方面，高换手率往往也伴随着较高的股价波动，从而导致较高的特异性波动率，这样，特异性波动率与未来的收益率就产生了一种负相关的关系。在我国，卖空限制和投资者对股票未来收益估计的分歧作用相对于国外成熟市场更加明显。首先，我国这样完全禁止卖空交易，当股票处于下跌状态时，投资者无法通过卖空股票来规避股票下跌的风险，使股价的负面信息难以及时的反映出来。同时，我国证券市场尚不成熟，机构投资者在股市中所占的比例较低，而个人投资者相对较高，投资者对股票未来收益的预期值的分歧也较成熟市场更为明显。
文章编号：１００５－３０２６（２００６）０９－１０４２－０４ 中国股票市场的流动性与波动性实证研究 王健，庄新田 （东北大学工商管理学院，辽宁沈阳１１０００４） 摘 要：通过对中国股票市场流动性指标和波动性指标的分析，发现市场具有较高的流动 性，市场波动程度略低于其他国家的股票市场．从上海股市和深圳股市的横向比较来看，近年来两 个市场的流动性没有显著的差异，两市波动序列的吻合程度非常高，波动具有很强的同步性，表明 在相同市场制度环境下，市场参与者行为的同质性最终决定了两市运行特征的相似性． 关键词：股票市场；流动性；波动性；市场质量；交易机制 中囝分类号：Ｆ ８３０．９１ 文献标识码：Ａ
Ｅｍｐｉｒｉｃａｌ Ｓｔｕｄｙ ｏｎ Ｌｉｑｕｉｄｉｔｙ ａｎｄ Ｖｏｌａｔｉｌｉｔｙ ｉｎ Ｃｈｉｎｅｓｅ Ｓｔｏｃｋ Ｍａｒｋｅｔ ＷＡＮＧ Ｊｉａｎ， ＺＨＵＡＮＧ Ｘｉｎ－ｔｉａｎ （Ｓｃｈｏｏｌ ｏｆ Ｂｕｓｉｎｅｓｓ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ， Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈｅｎｙａｎｇ １１０００４， Ｃｈｉｎａ． Ｃｏｒｒｅｓｐｏｎｄｅｎｔ： ＷＡＮＧ Ｊｉａｎ， Ｅ－ｍａｉｌ：ｗａｎｇｊｉａｎ８００８１６ ＠ １２６． ｃｏｒｎ Ａｂｓｔｒａｃｔ： Ｉｎ Ｃｈｉｎｅｓｅ ｓｔｏｃｋ ｍａｒｋｅｔ ｗｈｅｒｅ ａｌｌ ｔｈｅ ｓｔｏｃｋ ｂｕｙｉｎｇ／ｓｅｌｌｉｎｇ ａｃｔｉｏｎｓ ｈａｖｅ ｔｏ ｂｅ ｄｏｎｅ ｖｉａ ａｎ ｏｒｄｅｒ－ｃｏｍｍｉｓｓｉｏｎ ｓｙｓｔｅｍ，ｔｈｅ ｂｉｄ－ａｓｋ ｓｐｒｅａｄ ｉｓ ｒｅａｌｌｙ ａ ｍａｒｋｅｔ ｓｐｒｅａｄ ａｎｄ ｉｔ ｒｅｆｌｅｃｔｓ ｔｈｅ ｉｍｍｅｄｉａｔｅ ｔｒａｄｉｎｇ ｒｅｓｔｓ ｉｎ ｔｒａｎｓａｃｔｉｏｎｓ． Ｓｐｒｅａｄ ａｎｄ ｄｅｐｔｈ ａｒｅ ｔｈｅｔｗｏ ｉｍｐｏｒｔａｎｔ ｌｉｑｕｉｄｉｔｙ ｉｎｄｉｃｅｓ． Ａｎａｌｙｚｉｎｇ ｂｏｔｈ ｔｈｅ Ｓｈａｎｇｈａｉ ＆ Ｓｈｅｎｚｈｅｎ ｓｔｏｃｋ ｍａｒｋｅｔｓ， ｉｔ ｉｓ ｆｏｕｎｄ ｔｈａｔ ｉｎ Ｃｈｉｎｅｓｅ ｓｔｏｃｋｍａｒｋｅｔ ｔｈｅ ｌｉｑｕｉｄｉｔｙ ｉｓ ｒｅｌａｔｉｖｅｌｙ ｈｉｇｈｅｒ ａｎｄ ｖｏｌａｔｉｌｉｔｙ ｓｌｉｇｈｔｌｙ ｌｏｗｅｒ ｔｈａｎ ｏｔｈｅｒ ｃｏｕｎｔｒｉｅｓ． Ｗｈｅｎ ｃｏｍｐａｒｉｎｇ ｈｏｒｉｚｏｎｔａｌｌｙ， ｉｔ ｉｓｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｌｉｑｕｉｄｉｔｙ ｉｎ ｔｈｅ ｔｗｏ ｓｔｏｃｋ ｍａｒｋｅｔｓ ｈａｓ ｎｏ ｏｂｖｉｏｕｓ ｄｉｆｆｅｒｅｎｃｅ， ａｎｄ ｔｈｅ ｓｔｏｃｋ ｐｒｉｃｅ ｖｏｌａｔｉｌｉｔｉｅｓ ｉｎ ｔｈｅ ｔｗｏ ｍａｒｋｅｔｓａｒｅ ｍｕｃｈ ｓｙｎｃｈｒｏｎｉｚｅｄ． Ｉｔ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｅ ｈｏｍｏｇｅｎｅｉｔｙ ｏｆ ｉｎｖｅｓｔｏｒ＇ ｂｅｈａｖｉｏｒ ｍａｋｅｓ ｔｈｅ ｂｕｓｉｎｅｓｓ ｏｐｅｒａｔｉｏｎ ｏｆ ｔｈｅ ｔｗｏｍａｒｋｅｔｓ ｓｉｍｉｌａｒ ｅｖｅｎｔｕａｌｌｙ． Ｋｅｙ ｗｏｒｄｓ： ｓｔｏｃｋ ｍａｒｋｅｔ； ｌｉｑｕｉｄｉｔｙ； ｖｏｌａｔｉｌｉｔｙ； ｍａｒｋｅｔ ｑｕａｌｉｔｙ； ｔｒａｎｓａｃｔｉｏｎ ｍａｅｈａｎｉｓｍ （Ｒｅｃｅｉｖｅｄ Ｎｏｖｅｍｂｅｒ ２， ２００５）
中国股市价格波动因素分析 【摘要】： 中国股市价格形成机制比较特殊，该形成机制受到宏微观不同层面因素影响，可能存在比较大的波动性。虽然融资融券、沪深港通、强化监管等制度可能在一定程度上抑制股票市场价格波动，但是其作用发挥仍然受到市场环境约束，无法达到最佳效果。本文研究结合中国股市价格形成的基础理论，联系近年来中国股市价格波动的相关数据和案例整理，分析股市价格波动的主要原因。进而，探讨抑制股市价格过度波动的可行对策。希望通过这个研究可以找到可行的抑制股市价格波动的策略。 【关键词】： 中国股市；股价波动；影响因素；政策建议 【正文】： 引言 在2018年1月初到2018年2月上旬，全球股市都发生了非常大的股指波动现象。沪深股市在2018年2月1-9号的交易日内出现每日2-5%的剧烈波动、一改2018年初的股指走高态势，持续下滑。在2018年的3月20日开始到3月最后一个交易日，沪深股市波动较大，最低一度出现2980的指数，回升也只是在3165附近波动，与2017年均值3300的水平差异比较大。这反应了股市价格指数的波动性较大，对应上市公司股票价格也出现了非常剧烈的波动。这个情况有复杂的内外部原因，需要对股票价格波动有更准确的影响因素分析，才能更加理性地调节股市监管与相关的制度，逐步降低股市波动性，稳定股市发展。 一、股市价格形成机制 （一）股价的内在价值形成理论
Wi ll ia ms J.B.（1937）研究提出股利贴现模型，后续也有很多学者在这个模型基础上提出零增长股利贴现、固定增长鼓励贴现等模型，以股利贴现为核心探讨股票的价值评价问题。Sa vi te sh Ma d hu li ka S ha rm a.（2016）研究中验证了超常收益模型相对于现金流量模型，具备更强的实效性。借此证明股价是由其价值决定的，而长期投资者必须关注股票所代表的上市公司的价值。 市盈率评估模型：年末股价=年初每股净收益*（1+每股净收益年增长率）*行业平均市盈率 市净率评估模型为：年末股价=每股年初净资产*（1+每股净资产年增长率）*行业平均市净率 相对合理的投资区间，应该是当前股价在最小和最大值之间，具备增长空间。如果显著高于最大值，则不适宜投资。显著低于最小值，盈利空间大但是风险也会比较高，不排除操控市场等行为存在。 （二）股价形成的影响因素 投资者选择股票投资，最主要的目的就是获取买进、卖出的差额价值，而股票的当前价格是高于还是低于其应有价值，未来股票是会出现增长还是下跌可能，就成为投资者投资决策最终以的依据。而股票投资价值也就是投资者判断股票价格发展趋势的最关键一步。 股票投资价值的影响因素非常的多元化：宏观层面，国家经济或产业政策、证监会对市场的调控或监管制度的调整、利率变动等都可能影响股票投资价值。比如，雄县被定义为新的开发区，国家对其积极开发的大背景下，雄县相关板块上市公司全线飙升，就是政策利好的影响。证监会在2017年全面推动沪深港通发展，创造有助于沪深股市与港股的互通投资渠道，也在一定程度上抑制了市场价格过度波动的风险等。
中国股市有效性分析 【摘要】：中国股市的有效性一直是争论的热门话题,它具有很重要的理论价值和实践意义。本文总结了证券市场的效率类型，通过分析论证得出我国股市的有效性，并对提高股市有效性给出了一些意见。 【关键词】：中国股市市场有效性弱势有效半强势有效 【正文】：股市有效性体现了股票市场的运行效率，在股市满足有效性的情况下，股票价格能够反映公司的真实价值，为公司制定正确的经营战略提供准确的信号，投资者也因此能够选取最佳的股票进行投资，因此有效性的程度一直是金融学术界、业内人士和监管当局所关注的重要问题。 何为市场有效性？ 所谓市场有效性是指，在一个有效的市场中，价格总是能够完全反映所有可接受的信息，这被成为市场有效性假定（EMH）。规范而言，若市场价格并不因为向所有证券交易者公开了信息集而收到影响，那么就说该市场对信息集是有效率的，而且对信息集有效率意味着以此信息集为基础的证券交易不可能获得经济利润。 Fama （1970）给出了如下的模型来定义有效市场假说： E（pj，t+1|Φt）=[1+E（r j，t+1|Φt] pj，t 其中，p j，t 表示证券的价格，r j，t表示收益率，Φt 表示信息集。 令Xj，t+1=p j，t+1 - E（p j，t+1|Φt），于是，E（Xj，t+1）=0。定义序列{Xj，t+1} 是基于信息集的“公平博弈”。在此，价格充分反映可以获得的信息，即排除了可以获得超额利润的可能，市场是有效的。 如果E（pj，t+1）|Φt≥pj，t ，E（rj，t+1|Φt）≥0，那么就认为价格序列是基于信息集的下鞅过程。特别地，如果E（r j，t+1|Φt=0，那么价格序列是鞅过程。所以，有效市场假说是鞅假定。 市场有效性的分类 自Roberts（1967）以来，人们就一直习惯于按信息集的三种不同类型将市场效率区分为弱有效性、半强有效性和强有效性三种类型。弱有效性是指当前的股票价格充分地反应了所有的历史价格信息，半强有效性是指当前的股票价格反映了所有的公开信息（即公开可获得的、有关公司财务和发展前景方面的信息），强有效性是指当前的股票价格反映了所有的相关信息（包括内幕消息）。 从信息经济学角度看，有效性反映了证券市场的基本运行质量和效率，因此市场有效性假定构成了线代金融经济学的重要基石，是金融经济学研究中的核心理论，是线代金融投资理论（如CAPM、APT理论）的基础。
中国股票市场波动率的高频估计与特性分析 ＊黄后川 (南方基金管理公司 510200) 陈浪南(中山大学岭南学院与中山大学经济所 510275) 内容提要:本文旨在应用高频数据估计中国股市的已实现波动率。我们发现股票指 数与个股的高频交易数据中的微观摩擦影响正好相反,使用极高频的数据会大大增加个 股的波动率估计值,相反却会大大降低指数的波动率估计值。在计算各种频率的已实现 波动率的基础上,本文构造了一种较为精确的估计波动率的方法,可以更好地平衡测量误 差与微观结构误差。基于已实现波动率,本文研究了中国股市波动率不对称性和长期记 忆特性。 关键词:波动率 高频估计 特征 ＊ 本文是国家自然科学基金课题(79800010、70042005)、上交所2002年联合研究计划课题、教育部社科“十五”课题(01j b790026)及2002年厦门大学校级课题成果之一。 一、引言与先前该领域研究述评 近二十年来,对波动率模型的研究已成为金融经济学领域研究的重要内容之一。自Engle 于1982年提出ARCH 模型以来,经济学界已经发表了数千篇关于条件异方差或波动率的论文。特别是最近十年,一些学者提出用高频分时数据估计波动率的方法,这种方法可以得到比较准确的波动率估计值,称为“已实现波动率”(Realized Volatility )。以此为基础,众多学者在波动率的特性和预测两方面进行了更深入的研究,大大拓展了这个研究领域。 Andersen 、Bollerslev 、Diebold 、Ebens (1998,2001)等金融经济学家对这种高频估计方法以及“已实现波动率”的特性与预测进行了一系列研究,他们得出了如下几个主要结论(计算的波动率都是日波动率): (1)如果价格遵循普通的扩散过程,用此方法计算的已实现波动率,是无偏的。而且,当高频数据的时间间隔趋近于0时,已实现波动率的测量误差也趋于0。因此可以把已实现波动率当作一个观测值,它没有经典算法所带来的时间滞后。 (2)通过对外汇市场和道·琼斯工业股票的实证研究,发现:①股票市场中,正收益对后续波动率的影响不如负收益明显,即波动率具有杠杆效应。②已实现波动率的对数具有明显的长期记忆特性。③虽然已实现波动率明显向右倾斜,但已实现波动率的对数呈现正态分布。④虽然原始的收益率数据有明显的高峰和大尾巴,但收益率除已实现波动率呈现正态分布。⑤股票市场的波动率与相关度呈相同方向运动,降低了资产组合分散化在高波动率时的作用。 (3)依据(2)中的结论,用体现长期记忆的分数综合—移动平均自回归(Auto Regression Fractional Integrated Moving Average ,ARFI MA )方法可以得到更好的波动率预测。使用正态—对数正态混合分布可以得到很好的概率密度和分位数估计(例如VaR )。 已实现波动率的一个重要用途是作为对以前各类模型进行评价的基准。它的另一个更重要的用途是用于检验波动率的各种特性,并对未来波动率进行预测,因为已实现波动率可以直接当作波动率的一种观测值,因此可以采用一般的时间序列方法,无须像AR CH 模型一样通过模拟收益率序2003年第2期
中国股票市场波动及其影响因素 摘要】：基于股票市场波动的重要性和影响，本文详细分析了导致中国股票市 场波动的主要因素，包括三个方面：政府政策因素，宏观经济因素以及投资者行 为的因素，并对此进行了详细说明。三个因素如何影响股市波动的？大多数认为 股市波动是政治因素，宏观经济因素和投资者之间的行为因素之间的相互作用。 因此，本文主要从这三个方面的因素出发，分析其对我国股票市场造成怎么样的 影响。 【关键词】中国股票；市场波动；影响因素；相关 0.引言 长期以来，股票市场的波动一直是现代金融领域的主要研究问题，它也是全 球监管机构最重要的指标。波动性是二级股票市场的主要功能，即是价格披露和 资本配置的核心。与此同时，波动性与反映股票市场的指标有着密切的相关，例 如流动性、交易成本以及市场信息流。因此，波动率是可以全面的反映股票价格 的直接性行为，质量和效率的最简单，最有效的方式去做股票市场波动性影响因 素的科学理论分析。 2国家政策因素对于股票市场波动性影响 财政政策对股票市场波动的影响财政政策对股票市场具有重大影响，尤其是 在国债和税收方面。国债是银行信贷以外的金融信贷调整工具[1]。政府债务也对 股票市场产生重大影响。首先，政府债务本身占证券市场金融资产总额的很大一 部分。由于国债的高信誉度和低风险水平，大量发行的国库券将降低证券市场的 整体风险水平和收益。其次，政府债券利率的上升和下降严重影响了其他证券的 发行和价格。一般而言，政府债券市场和股票市场之间存在“摇摆”效应，即股票 价格下跌且资金流入市场。通常，当股票价格上涨时，资金将返回股票市场，从 而导致债券市场萎缩[2]。 2.1税收 公共财政可以通过改变收入和税收的总体结构，抑制对社会资产的总体需求 的扩大或弥补一些缺乏有效的投资需求来调节对证券和实际投资的投资。政府的 大规模扩张性财政政策会对我国股票市场的主要影响有以下三个方面 [3]：①减 少税收。减税率和减税可以增加公司收入，增加上市公司的利润，从而提高股价。 ②增加预算赤字并增加预算支出。公开市场的增长将为上市公司带来更高的利润和更高的股价。居民平均收入增加了，他们对证券市场的信心增强，股票的价格 自然就上涨。增加直接公共投资，例如对能源，基础设施和住房的投资，可以刺 激相关产业（水泥，钢铁，工程，铁路）的发展，提高相关上市公司的生产率并 提高股价。③进一步的增加政府财政补贴。财政补贴是政府税收支出的重要形式。财政补贴将增加相关上市公司的利润，提高股票价格。 2宏观经济因素对于股票市场波动性的影响 2.1国际资本流动对于股票市场波动性的影响 一方面，国际资本流动在补充中国股票市场方面发挥了有益的作用[4]。当中 国股票市场的效益增加时，就会意味着出现资金短缺，而国际资本的流入正在帮 助弥补这一市场的短缺。相反，当中国股市表现下降时，则意味着存在资金盈余 国际资本正帮助这我国股票市场的盈余现象的减少。由于国际资本在股票市场中 的流动，社会资源可以得到更有效的分配。因此，国际资本的正常流动在为我国 国家股票市场融资和补充方面都起着非常良好的作用。另一方面，国际资本的频
中国股市波动影响因素识别的实证研究 摘要:中国股票市场从20世纪90年代初建立至今已有二十余年的发展历程,然而在这一过程中股市大起大落,牛熊市反复无常。其中,宏观经济、政策等各种影响因素错综复杂,本文通过建立计量经济模型分析影响股价波动的主要因素,以便为政府决策部门在政策设计和选择有效的调控措施方面提供决策参考,也为股市参与者投资(或投机)策略的制定、实现盈利目标提供依据。 关键词:股市波动;影响因素;识别;实证研究 中图分类号:f832文献标识码:a 文章编号:1009-0118(2012)09-0220-02 一、引言 我国股票市场经历了20年的发展,总体规模不断扩大,板块结构逐步优化,政策体系日趋完善,股市对社会经济生活的影响越来越大。但是,伴随着我国股票市场的繁荣发展阶段,股价波动乃至过度波动现象仍很普遍。2005年6月,上证综指仅为998点,两年内一路上涨至2007年10月的6124点,涨幅超过500%;然后又连续下跌,在不到半年的时间里跌幅近半。2010年3月,上证综指下跌了20.14%,创下了1995年以来的当月最大跌幅。但是,股价过度波动时危害是巨大的:在股票价格超涨阶段,大量的资金从实体经济部门流入股票市场,使实体经济中投资严重不足,同时也抑制了消费;在股价超跌阶段,投资者手中的财富大大缩水;在股价超跌的时候,
一般都会发生信用危机,这将给金融系统带来剧烈冲击。正是在这种背景下,使得我们不得不思考:到底是何种因素影响了股市的波动。 二、文献综述 关于股票市场波动影响因素的探索一直备受国内外学者关注。从国内外研究来看,研究主要集中在宏观经济、政策、非理性因素与股价波动等方面,研究成果比较丰富,研究者队伍也日益壮大。如国外学者stenius(2000)以1980-1999年的数据为样本,研究了美国、日本、英国、德国四个主要的工业国家的金融市场波动性之间以及与工业生产之间的关系。hamilton(1996)认为,股票市场的波动性能够很好地预测总体的经济活动。 rigobon,sack(2002),schwarz(2006)检验了美国货币政策对股票 价格指数的影响,得出货币供应量与股票市场波动之间存在显著关系。edrzejbialkowski(2008)对oecd27个国家的股市研究发现政策出台的一周内指数收益方差的政策部分增加了一倍,有过度反应的趋势。mehmetumutlu等人(2010)认为,金融自由化影响政府政策,从而引起股市的总体波动,在新兴市场尤为显著。德朗、施利弗、萨默和沃尔德曼(delong,shleifer,summersandwaldmann,以下简 称dssw)建立了“噪声交易者模型”,引起了对封闭式基金中到底有没有噪声交易者的大量验证。李、施利弗和泰勒 (lee,shleiferandthaler,以下简称lst)在dssw模型基础上提出了
中国沪深股市收益率及波动性相关分析 陈守东 陈雷 刘艳武 1 (吉林大学数量经济研究中心 商学院，长春市，130012) 摘 要 沪深股市相似的结构和监管环境使得两市的股票收益率和波动性之间具有相互作用和影响。本文运用Granger 因果检验及GARCH-M 模型对两市的相关性进行了分析和检验，结果表明沪深股市收益率之间存在较大相关性并且都存在显著的风险溢价，波动性则表现出非对称的溢出效应。 关键字 收益率 波动性 溢出效应 GARCH Granger 因果检验 一、引言 在开放的资本市场，不同市场在资金流动、市场运作等方面联系的加强使得市场间的关联度增加,1987年10月以来，国际上的主要股票指数就呈现出了越来越明显的共同运动趋势（Jeon and Von Furstenberg 1990）。当一个国家的资本市场出现大幅度波动的时候，会通过投资者在另外资本市场上投资行为的改变，将这种市场的剧烈波动传到其他的市场，这就是所谓的“溢出效应”。Harmo(1990)提出波动“溢出效应”模型，分析了不同市场波动性之间的短期相依性和互动性。 同一地区的股市常常会因为地理位置的接近、密切的经济关系和政治的相似性而被紧密地联系到一起,因此共同的信息因素会影响到同一地区股票市场的收益和波动。Engle and Susmel(1993)指出在同一地区的市场具有相似的时变方差。Cheung,He,and Ng(1995)也发现在同一地区股市的收益具有显著的共同的可预测成分。由于中国的上海和深圳交易所同处中国大陆，所以研究这两个股市间的相关性与互动性对于分析与研究股市的结构和判断股市的走势及风险传递无疑具有重要的作用。陈守东等（1998）利用ARMA 模型得出了沪深股市同步性的结论，刘金全等（2002）利用溢出效应模型得出了沪深股市溢出效应的非对称性。本文将运用Granger 因果关系检验及GARCH-M 模型对沪深股市收益及波动的相关性进行分析和实证检验。我们依据沪深股市的基本数据，使用金融时间序列的计量经济模型及方法对两个市场关联性和波动性进行了分析，给出参数的估计结果及主要实证结论。 二、金融时间序列的计量经济模型及方法 1．ARCH 类模型 金融时间序列的一个显著特点是条件异方差性。Engel （1982）提出自回归条件异方差（ARCH ）模型，Bollerslev （1986）将其推广到广义ARCH 模型（GARCH ）。这些模型以线性形式刻画了误差项的条件二阶矩性质，通过条件异方差的变化来刻画波动的时间可变性(time varying)及集簇性(clustering)。Engle,Lilien,Robins(1987)提出了ARCH-M 模型来描述时变方差对收益的直接影响。ARCH 类模型现已被广泛应用于计量金融领域。 对于中国股市ARCH 效应的分析，很多学者进行了的研究，普遍认为中国股市的ARCH 效应显著[10][11]。为研究中国股市收益率及波动性的相关关系，我们用Granger 因果检验来考察沪深两市的相互影响，用GARCH （1，1）类模型模拟股市收益率，用模型残差项的条件方差描述股市的波动性。考虑如下模型 （1） GARCH(1,1) 模型,其定义由均值方程和条件方差方程给出 1211)(???++=Ψ=+′=t t t t t t t t h Var h X y βαεωεεβ （1） 1?Ψt 表示t-1时刻所有可得信息的集合，为条件方差。 t h 1作者简介：陈守东（1955—） 男 博士 吉林大学数量经济研究中心，商学院财务系教授，博士生导师 陈雷 （1978—） 男 吉林大学商学院数量经济学专业硕士研究生 刘艳武（1964—） 男 吉林大学商学院数量经济学专业博士研究生
我国股市有效性的检验 摘要：股票市场在资本市场中占据极其重要的地位,在当今市场经济的条件下,股票市场已经成为企业融资、大众投资的重要领域,是经济的晴雨表,对优化资源配置及经济发展起到极大的促进作用。多年来国内外学者热衷于对股市的研究,证券投资技术分析方法更是经常被投资大众津津乐道。技术分析常常带有神秘色彩，如，GARCH模型、Hurts指数、R_S分析法和随机游走模型等。这些吸引越来越多的学者对此进行研究,本文主要以两种种证券投资分析方法对我国近期的市场有效性进行研究，一种是比较经典的随机游走模型，另一种是GARCH模型。关键字：市场有效性、随机游走、GARCH模型 1.1我国股市有效性理解以及我国有效市场的弱势有效 股票市场的有效性是指任何与股票相关的信息(包括公开信息与内幕信息)都能够及时有效地反映到股票价格上，任何技术分析和信息的获得都无法使投资者获得超额收益。Roberts最早将EMH按证券价格反映的信息集不同分为了弱势有效、半强式有效和强势有效。弱势有效是证券市场效率的最低层次即投资者无法通过股票的历史信息获得超额收益，早期的验证方法是应用随机游走模型，随机游走模型是一种经典的方法但是却有其局限性，此模型比鞅假设要求更为严格，所以即使结果偏离随机游走模型，也并不能代表非弱势有效；半强式有效是指投资者无法通过股票的公开信息获得超额收益，目前通常用实践研究法加以检验；强有效市场指投资者无法通过任何信息包括内幕信息在市场上获得超额收益，检验研究对象为专业投资者或内幕人士的收益率。 我国股票市场的有效性研究主要从1994年俞乔发表的《市场有效、周期异动与股价波动》开始，1995年，宋颂兴、金伟根选用1993年1月第一周至1994年10月第现代经济信息以1992年至1999年上证综合指数为样本，用数理统计方法进行游程检验、自相关检验和正态性检验，结论是中国股市1996年前处于无效阶段，但有效性逐步增强，向弱式有效过渡，1997年后接近弱式有效，但离半强式有效甚远。之后多位研究者关于中国股票弱势有效性的分析，确定了我国如今的股票市场的弱势有效性。 1.2随机游走和市场有效性检验 随机游走和市场有效性假设认为如果股票市场股票价格是随机的，因此从该市场获得的收益将是不可预测的，因此我们接受市场是有效的相反，如果市场的收益是可以预测的，则价格是非随机游走的，该市场是无效的。对于市场的无效有以下几种原因，（1）Fam a(1970)的论文认为由于市场对信息反应的滞后造成；（2）Smith,Jefferis and Ryoo（2002）论文认为市场处于非均衡价格是由于资本定价和风险溢价的扭曲造成；（3）股票市场的交易制度也是该市场无效。 1.2.1数学方法的介绍 单位根检验是验证金融随机变量是否满足随机游走的有效方法，如果某时间序列存在单位根，则该序列的零假设是不可拒绝的，因而该序列满足随机游走。以下方法基于广义最小二乘法的趋势y d t ,我们有： 其中的(1) MZ d t =MZ d a *MSB (2)
中国股市波动性研究 阎海岩 （东北财经大学数量经济系 辽宁大连 116025） 摘 要：本文运用GARCH 族模型对上证指数和深证成指收益率的波动性进行研究，分析了我国股市波动性的特点。通过比较发现对于沪、深两市股指收益率的波动性，EGARCH(1,1)模型和EGARCH(1,1)-M 模型都能很好的拟合。同时还对两市股指收益率的波动性进行了预测分析。 关键词：中国股市；波动率；GARCH 族模型 The Volatility of Chinese Stock Market Yan Haiyan (Department of Quantitative Economics of Dong Bei University of Finance & Economics Liao ’ning Da ’lian 116025) Abstract: In the paper we establish the group of GARCH model for shangzheng index and shenzheng index. And we analyse the characteristics of the volatility of Chinese stock market .By comparing ,we conclude that EGARCH model and EGARCH-M model have almost the same efficiency in shanghai market and shenzhen market .Then we forecast the volatility of the two index ’s returns . Key words : China stock market ;Volatility ;GARCH model 一．引言 对金融市场波动性的研究主要是源于对资产选择和资产定价的需要。国外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) 就观察到投机性价格的变化和收益率的变化具有稳定时期和易变时期, 即价格波动呈现集群性, 方差随时间变化。此后, 国外对投机性价格波动特征进行了大量的研究。其中最成功地模拟了随时间变化的方差模型由Engle (1982)首先提出的自回归条件异方差性模型(即ARCH 模型) 。ARCH 模型将方差和条件方差区分开来，并让条件方差作为过去误差的函数而变化，从而为解决异方差问题提供了新的途径。Bollerslev （1986）在此基础上提出了广义自回归条件异方差(GARCH)模型。为了刻划时间序列受自身方差影响的特征,Engle,Lilien 和Robins （1987）提出了GARCH-M 模型。而当需要刻划证券市场中的非对称效应时，Nelson （1991）提出的EGARCH 模型能更准确地描述金融产品价格波动的情况。目前ARCH 族模型已经被广泛地应用于股票市场、货币市场、外汇市场、期货市场的研究中, 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。 本文将利用自回归条件异方差模型，即ARCH 模型族对中国上海与深圳股票市场的日收益率的波动进行实证分析，为政府部门监管股市及投资者预测并规避风险提供决策依据。 二．ARCH 模型族概述 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。GARCH 模型是ARCH 模型族中的一种带异方差的时间序列建模的方法。一般的GARCH 模型可以表示为： t t t x y εβ+' = (1) t t t v h ?= ε (2) p t p t q t q t t h h h ----++++++=θθεαεαα 1122110
可以从经济因素、市场因素、非经济因素三个方面,全面地考察影响我国股票市场价格波动的基本因素。 一、宏观经济因素 宏观经济因素从不同的方向直接或间接地影响到公司的经营及股票的获利能力和资本的增值,从不同的侧面影响居民收入和心理预期,而对股市的供求产生相当大的影响。 1.经济周期 经济周期表现为扩张和收缩的交替出现,在经济的收缩、复苏、繁荣和衰退四个阶段内,股市也随之周期性波动,成为决定股价长期走势的最重要因素。通过对国内生产总值GDP、经济增长率、通涨率、失业率、利率等指标的分析,判断出经济周期的发展阶段。有实证分析表明,我国股市波动比宏观经济周期的波动超前大约4—6个月。 2.通货变动 通货变动包括通货膨涨和通货紧缩。通货膨胀对经济的影响是多方面的,总的看来会影响收入和财产的再分配,改变人们对物价上涨的预期,影响到社会再生产的正常运行。因此,通货膨胀对股价的影响也是复杂的。而通货紧缩则会对经济产生负面影响。就我国股市而言,通货膨胀在适度范围内发生,股价波动与之呈现正相关关系,但通货膨胀严重时,股价波动与之呈反方向变动。1998年上半年开始的通货紧缩,使股价持续下跌,尽管1999年上半年有股市利好消息及管理层发表发展市场的言论,使沪深股指双双创出历史新高,但通货紧缩始终抑制着股价的进一步弹升。 3.国际贸易收支 当出口大于进口时,国际贸易对国内经济产生积极的影响,使股价上升。相反,则使股价下跌。1998年的东南亚金融危机,使我国的外贸出口增长大幅下降,影响了我国的经济增长,同时,直接对我国股票市场相关行业和上市公司产生负面影响。 4.国际收支 国际收支差额通过影响一国国内资金供应量,从而对股价产生间接影响。经常项目和资本项目保持顺差,大量的外汇储备,国内资金供应量增加,使可用于购买股票的资金来源扩大,促使股价上升。 5.国际金融市场 国际金融市场的剧烈动荡一方面直接使我国投资者产生心理恐慌,影响股票市场,另一方面从宏观面和政策面间接影响股票市场的发展。 二、宏观经济政策因素 我国股市作为一个初兴的市场,宏观经济政策因素对股市起着极为重要的作用。 1.货币政策 货币政策按照调节货币供应量的程度分为紧缩性的货币政策和扩张性的货币政策。在实行紧缩性的货币政策时,货币供给减少,利率上升,对股价形成向下压力,而实行扩张的货币政策意味着货币供给增加和利率下调,使股价水平趋于上升。我国中央银行具体的货币政策工具主要有:利率、存款准备金率、贷款规模控制、公开市场业务、汇率等。 (1)利率 利率对股市的影响是十分直接的。从七次降息和股价变动的关系看,我国股市与利率存在着高度的负相关性,但利率变动对股价的作用逐渐减弱。 (2)存款准备金率 中央银行调整存款准备金率,影响商业银行的资金来源,在货币乘数作用下,调整货币供应量,影响社会需求,进而影响股市的资金供给和股价。如1998年3月21日,中国人民银行将
我国股市波动的特点、成因及对策分析 陈召军,屈 超 (东北财经大学统计系,辽宁大连 116025) 摘 要:本文对中国股市波动的特点及影响中国股市价格波动的关联因素进行了分析,对规范我国股票市场提出了一些对策,有助于了解股市价格波动的规律和促进我国股市健康而稳定地发展。 关键词:股市;波动 中图分类号:F830191 文献标识码:A 文章编号:1007—6921(2003)06—0024—03 1 我国股市波动的特点 111 股价波动幅度大 从股价指数来看,日股指升跌点100以上时有发生,呈现剧烈的震荡行情。最近一次大的波动是在1998年8月17日,深证成分指数一日暴跌了220点,个股行情更是跌宕起伏,个股价格一日涨跌20%并不鲜见。例如1993年5月21日,上海轻工机械股票由前日收盘价36元暴涨至205105元,涨幅达47018%,创下了沪市之最。从长期波动来看, 1991～2002年间,深圳综合指数最低时为1991年4月的45166点,最高时为2001年6月的665156点,振幅达1357164%;上证指数最低时为1991年1月的95179点,最高时为2001年6月的2245144点,振幅达2244113%。中国股市在如此短的时间内,波幅如此之大,在世界股市中都是罕见的。 112 波动频率高 中国股市不仅波动幅度大,而且波动频率高。在1991年4月～1997年6月期间,深市发生了18次月内波动幅度不低于30%的波动,即平均不足4个月就要发生一次较大的月内波动,其中1992年4～6月、1993年7～8月、1994年8～9月连续出现了波幅不低于30%的月内波动。而在1991年4月至1996年6月,深市出现波幅在40%以上的波动高达15次之多,最大波幅高达583175%。这种上下振荡、频繁的波动,构成了中国股市波动中的显著特征。113 股市具有齐涨齐跌性 在成熟的股票市场,齐涨齐跌的现象是很少发生的。然而,无论长期还是短期,中国股市的齐涨齐跌现象则司空见惯。长期如1996年,深证综合指数上涨18916%,深市除下半年上市的新股外,其他股票全部上扬。短期如2002年6月21～24日,受停止国有股减持政策的影响,深、沪股市几乎所有股票都有不同幅度上扬。与股票齐涨性相同,中国股市亦经常出现齐跌。 114 成交量随股市上扬而逐步扩大,随股市下挫而依次减少 成交量是衡量中国股市波动状况的系列指标之一,纵观深沪股市,每次股指波峰几乎都是成交量的波峰,每次股指波谷都是成交量波谷。而在世界主要的成熟市场,成交量在通常情况下均较稳定,由于市场规模变化不大,股票价格指数基本上可以反映一个市场的总体变化状况。而中国股市除以股价指数来衡量市场变动状况之外,还需要一系列的辅助指标。如成交量、换手率、市盈率等。中国股市这种价涨量增、价跌量减充分证明了股价指数与成交量波动存在高度的正相关性。 115 股价受政策影响剧烈 2002年,政策市的特点尤为突出,2月4～7日的中央金融工作会议、2月20日第8次降息、下调佣金等政策的出台,对市场的运作,起到了重要的作用。2002年6月24日受国务院停止减持国有股政策的影响,上证指数全日上涨144159点,涨幅高达9134,而深圳成指则上涨了297118点,涨幅高达9134%。由此可见有关政策对中国股市影响,那么盯住政策仍旧是投资者必然的操作思路之一。 116 时代性特征太明显 2002年,房地产板块的上涨,顺应了第8次降息的市场预期;沪深本地重组股板块的上涨反映瀛深两市老股“老化的现实”,通过重组获得“新生”;新上海概念股折射了浦东的新一轮开发以及上海申办 ? 4 2 ?内蒙古科技与经济 2003年第6期
用GARCH模型预测股票指数波动率 目录 Abstract ....................................................................................................................................................... 1.引言 ......................................................................................................................................................... 2.数据 ......................................................................................................................................................... 3.方法 ......................................................................................................................................................... 3.1．模型的条件平均 ............................................................................................................................... 3.2. 模型的条件方差 ................................................................................................................................ 3.3 预测方法 ............................................................................................................................................. 3.4 业绩预测评价 ..................................................................................................................................... 4.实证结果和讨论 ..................................................................................................................................... 5.结论 ......................................................................................................................................................... References................................................................................................................................................... Abstract This paper is designed to make a comparison between the daily conditional variance through seven GRACH models. Through this comparison, to test whether advanced GARCH models are outperforming the standard GARCH models in predicting the variance of stock index. The database of this paper is the statistics of 21 stock indices around the world from 1 January to 30 November 2013. By forecasting one –step-ahead conditional variance within different models, then compare the results within multiple statistical tests. Throughout the tests, it is found that the standard GARCH model outperforms the more advanced GARCH models, and recommends the best one-step-ahead method to forecast of the daily conditional variance. The results are to strengthen the performance evaluation criteria choices; differentiate the market condition and the data-snooping bias. This study impact the data-snooping problem by using an extensive cross-sectional data establish and the advanced predictive ability test. Furthermore, it includes a 13 years’ period sample set, which is relatively long for the unpredictability forecasting studies. It is part of the earliest attempts to inspect the impact of the market condition on the forecasting performance of GARCH models. This study allows for a great choice of parameterization in the GARCH
中国股票市场有效性研究 规划研究部刘寒星李芮（执笔）1 市场有效性是金融学和投资学的重要概念，也是投资者进行资本市场投资策略选择的思考原点。对于投资者而言，市场有效性程度高低的判断，决定着其在主动管理和被动管理投资策略之间的权衡取舍。综合使用历史价格相关性、积极投资策略超额收益率和主动管理型基金超额收益率等指标衡量中国市场有效性情况发现，尽管目前有效性水平与发达国家市场相比还存在较为明显的差异，但由于投资者结构的变化、信息技术的进步、监管机制的逐步健全和交易品种的不断完善，中国股票市场的整体有效性程度在过去十几年间依旧得到了显著提高。中国股票市场有效性程度的持续提升，意味着秉承价值投资理念、以指数基金为依托、结合因子分析方法，并将获取市场整体“贝塔”收益作为目标的投资策略应成为今后机构投资者的主要选项。 1资产配置处宋论升对此文亦有贡献，本文在数据和模型上参考借鉴了中金、光大、海通、银河和申万宏 源等机构的研究报告。
目录 一、市场有效性的界定与衡量 (1) （一）市场有效性的概念 (1) （二）市场有效性的衡量 (2) 二、市场有效性的实证检验 (4) （一）中国证券市场有效性的历史变化 (4) （二）中国证券市场有效性的国际比较 (10) （三）中国证券市场有效性的驱动因素和趋势预测.. 12 三、结论与启示 (15) （一）初步结论 (15) （二）投资启示 (15)
一、市场有效性的界定与衡量 （一）市场有效性的概念 市场有效性或许是金融投资学领域最为重要、也是最富争议的概念之一。20世纪早期的一些学术研究发现，股票价格表现出某种随机游走的特征，因而难以预测。在此基础上，20世纪60年代芝加哥大学教授尤金?法玛（Eugene Fama,1965）正式提出了完整的市场有效性概念：证券市场中价格能够充分反映所有可以获得的信息，市场上的所有价格都是最公平合理的价格，任何投资者都不能战胜市场而取得超额收益。 市场有效性的成立建立在以下几个基本假设之上：一是所有关于证券价格的信息能够得到充分披露和传播，使得每位投资者能在同一时间得到等量等质的信息；二是投资者充分理性，使得同等信息导致一致性的分析和交易；三是证券交易无成本且传导机制顺畅，使得价格能够根据相关信息而迅速调整到位。 由于上述假设过于严格，因此现实中各类形形色色的证券市场几乎都未达到纯粹的市场有效性，而只是存在有效性程度的差异。根据证券价格对信息反映程度的不同，一般可以将市场有效性划分为三个层次：1）弱市场有效性，这种类型的市场中证券价格反映了所有的历史价格信息；2）半强市场有效性，该类市场中证券价格反映所有的公开信息；