基于面板数据模型的股价波动非同步性方法测度股价信息含量的有效性检验
袁知柱,鞠晓峰
(哈尔滨工业大学 管理学院,黑龙江哈尔滨150001)
摘 要:本文以1995-2007年中国上市公司的非平衡面板数据为研究样本,沿用并改进了Durnev et al.(2003)的研究方法,对股价波动非同步性方法测度中国上市公司股价信息含量的有效性进行了实证检验。在面板数据模型选择中,对个体固定效应模型、随机效应模型与普通OLS回归技术进行了准确检验与判断。实证结果表明:股价波动非同步性值越高,则股票价格反映未来会计盈余信息的能力越强。这一结果在行业和公司两个层面实证检验中均得到了支持,这样说明是公司层面信息对股价波动非同步性起到了决定性影响作用,而异质噪音只起到了较小影响作用,因此股价波动非同步性是一个有效的中国上市公司股价信息含量测度指标。
关键词:股价波动非同步性;股价信息含量;测度有效性;面板数据模型
中图分类号:F124.8 文献标识码:A 文章编号:1002-9753(2009)03-0174-12
The Va li d ity Test of Stock Pr i ce Non-synchron i c ity M ethod Used to M ea sure Stock Pr i ce I nforma ti veness Ba sed on Panel Da t a M odel
Y UAN Zhi-zhu,JU Xiao-feng
(School of M anage m ent,Harbin Institute of Technology,Harbin150001,China)
Abstract:Taking the unbalanced panel data of Chinese listed companies fr om1995t o2007as the study sa mp le,the pa2 per adop ts and i m p r oves Durnev’s,(2003)research method t o e mp irically investigate the validity of using st ock p rice non-synchr onicity method t o measure the st ock p rice inf or mativeness of Chinese listed companies.I n the p r ocess of panel data model choice,the individual fixed-effects model,random effects model and ordinary OLS regressi on model are analyzed and chosen accurately.The e mp irical results indicate:the higher of st ock p rice non-synchr onicity,the str onger the ability of current share p rices reflecting future accounting earnings;the results are supported by both indus2 try and company level e mp irical research.So it’s the cor porate level inf or mati on p laying a decisive r ole in st ock p rice non-synchr onicity and heter ogeneous noise only has a s mall i m pact.Consequently,st ock p rice non-synchr onicity is an effective indicat or of measuring the st ock p rice infor mativeness of Chinese listed companies.
Key words:st ock p rice non-synchr onicity;st ock p rice infor mativeness;the validity of measure ment;panel data model
一、引言
资本市场的基本功能是利用股票价格的信号机制实现资源最优配置,在一个运行有效的证券市场里,价格能有效引导稀缺资源实现最大的投资回报,发育良好的证券市场对国民经济具有巨大的促进作用(Beck,Levine和Loayza,2000[1])。
收稿日期:2008-10-16 修回日期:2009-02-19
基金项目:“技术、政策、管理”(TP M)国家哲学社会科学创新基地资助项目(htcsr06t06)
作者简介:袁知柱(1981-),男,湖北通山人,哈尔滨工业大学管理学院博士研究生,中国注册会计师。
471
股票价格引导资源优化配置作用的大小取决于其反映公司真实信息的能力,信息是证券市场中重要影响因素,股票价格的波动常常被认为是被某种信息所驱动,一般而言,从来源上看,影响股票价格的信息可以划分为3个层次:市场层面、行业层面与公司层面(Compbell et al.,2001[2])。市场层面和行业层面信息属于系统噪音,与公司价值无关,股票价格中包含公司层面信息量(即股价信息含量)越多,则股票价格越接近于企业实际价值,越能有效引导市场资源实现优化配置(Tobin, 1982[3])。正因为股价信息含量如此重要,一些学者尝试对股价波动进行分解,试图对其进行准确计量。Roll(1988)[4]创新性的提出股价波动非同步性计量方法,对证券市场价格信息效率研究做出了较大的贡献,而Morck、Yeung和Yu (2000)[5],W urgler(2000)[6]则引导了现代金融及会计学领域对股价信息含量研究序幕。Pi otroski 和Roulst one(2004)[7],Durnev、Morck和Yeung (2004)[8],J in和Myers(2006)[9],Hutt on、A lan和Hassan(2007)[10],A shbaugh、Gassen和Lafond (2006)[11],朱红军等(2007)[12]等大量文献均采用股价波动非同步性作为测度指标研究了股价信息含量问题。
尽管股价波动非同步性模型方法已经在金融及会计学领域得到了较多应用,然而关于它测度股价信息含量的有效性却一直处于不断的争论当中。Roll(1988)[4]认为股价波动非同步性与私人信息密切相关。一般来讲,反映公司价值信息进入股票价格的方式主要有两种:一种是通过公众信息的发布而直接反映到股价的变动中,如产业政策变化、利率变化、年度财务报表等;另一种是通过获取私人信息的风险套利者的套利行为把信息反映到股价中,并且只有当公司层面的特有信息能够提供足够的套利空间时,套利者才愿意花费资源去搜集并分析公司层面信息。Roll (1988)[4]在解释资本资产定价模型的低R2统计量时,发现公司层面股价波动与公众信息发布没有显著相关性,因此公司层面信息主要是通过套利者的套利行为被反映在股价中,当然他也承认他的实证结果存在两种可能解释,一种是私人信息的原因,另外一种就是由于股票价格中反映了一些与公司价值无关的狂热情绪、异质噪声等因素。
究竟哪种解释更加重要,是一个实证问题(Durnev et al.,2003[13])。随着实证分析的逐渐深入,信息内涵解释逐渐得到了大多数学者认可,即异质噪音只对股价波动非同步性方法测度结果产生较小影响。如Morck、Yeung和Yu(2000)[5], W urgler(2000)[6],Fox et al.,(2003)[14],Pi otroski 和Roulst one(2004)[7],J in和Myers(2006)[9],Hut2 t on、A lan和Hassan(2007)[10],Chen、Goldstein和J iang(2007)[15],Ferreira和Laux(2007)[16],Fer2 nandes和Ferreira(2008)[17]等,其中最直接的一篇是Durnev et al.,(2003)发表在全球著名会计期刊Journal of Accounting Research上的论文,他们发现股价波动非同步性与股票价格反映未来会计盈余能力(也是股价信息含量测度指标,见后文详述)表现为显著正相关。因此,对股价波动非同步性起决定影响的是公司层面信息而非异质噪音,这就为信息解释提供了最直接的证明[13]。该文也是近几年最重要的股价波动非同步性文献之一。根据Google Scholar统计结果,截至2008年10月3日止,共被106篇已发表或工作论文所引用。Dur2 nev、Morck和Yeung(2004)依据自己研究成果,更是提出反问,“如果股价波动非同步性不代表公司层面信息,那么它为什么能提高企业投资效率”[7]。Chen、Goldstein和J iang(2007)发现股价波动非同步性与未来经营绩效水平及成长能力显著正相关,这也充分支持了信息内涵解释[15]。
尽管如此,也有一些学者对股价波动非同步性方法信息内涵解释提出了质疑,W est(1988)建立的理论模型表明,公司层面收益波动程度越大,代表公司层面信息量越少,因为此时股价波动中包含的泡沫及噪声因素增多[18]。此外,股票价格共同波动也可能反映的是风格投资行为(Barbeis 和Shleifer,2003[19]),套利者的有限风险承受能力(Andrade,2005[20])等情况,在这些情形下,价格可能并不能包含公司层面有用信息,股价波动
571
非同步性代表的第2种解释异质噪音。A shbaugh、Gassen和Lafond(2006)通过采用6个主要发达国家的证券市场数据进行比较实证分析后,得出了“股价波动非同步性测度合理性在不同国家可能有显著差别”研究结论[11]。
国内方面,采用股价波动非同步性方法测度股价信息含量的文献尚不多见,仅有如下几篇。李增泉(2005)从产权经济学角度实证分析公司的所有权安排如何影响其股价波动非同步性[21],陈梦根、毛小元(2007)研究了股价波动非同步性与市场交易活跃程度的关系[22],朱红军等(2007)发现分析师盈利预测行为能有效提高股价信息含量[12],游家兴等(2007)实证分析了中国证券市场制度建设进程对股价波动非同步性的影响[23]。虽然这些文献实证成果均支持了股价波动非同步性的信息内涵解释,但他们均是间接支持,并没能如Durnev et al.(2003)直接从股价信息含量涵义的角度提供直接证明。由于中国股票市场的制度背景与国外股票市场有较大的差别,法律与公司治理环境也与国外明显不同,Morck、Yeung和Yu (2000)也发现,在世界40个主要经济体中,中国上市公司股价波动非同步性仅优于波兰位居倒数第二[5],因此,该指标是否适用于中国证券市场,尚需要进一步实证证明,尤其是当A shbaugh、Gas2 sen和Lafond(2006)得到“这种方法的测度合理性在不同国家有显著差别”结论后[11],这种检验就更加重要。国内目前非常缺乏这方面研究成果,这可能也正是国内在股价信息含量研究上比较滞后的重要原因。
本文试图做这方面尝试,沿用并改进了Dur2 nev et al.(2003)[13]的研究方法,以1995-2007年中国上市公司的非平衡面板数据为研究样本,对股价波动非同步性方法测度中国上市公司股价信息含量的有效性进行检验。同时考虑到Durnev et al.(2003)的行业层面研究可能会受到样本少的影响,我们引入了含交叉项的公司层面回归方法进行补充检验。研究思路是,先寻找另外一个能有效测度股价信息含量的指标(见后文的股票收益反映未来会计盈余能力指标),然后以股价波动非同步性为自变量,以该股价信息含量指标为
因变量进行面板回归分析,如果自变量回归系数显著为正,则表示股价波动非同步性值越高,股价信息含量越高,这样就是公司层面信息对股价波动非同步性起到了决定性影响作用,而异质噪音只产生了较小影响,因为异质噪音只会降低股价信息含量值,如果它对股价波动非同步性产生了显著影响,股价波动非同步性是不可能与股价信息含量显著正相关的,此时股价波动非同步性就能有效的测度股票价格中包含的公司层面信息量。论文后续部分安排如下:第二部分是研究设计,包含数据来源、方法介绍和回归模型设计;第三部分是面板回归分析过程及结果;第四部分是研究结论及启示。
二、研究设计
(一)样本选择及数据来源
我们选取深沪两市1995-2007年的A股上市公司作为研究样本。同时对样本做如下顺序调整:剔除金融、保险类上市公司;剔除当年IP O上市公司;剔除信息披露不充分或没有披露相关指标的上市公司;剔除被ST、PT上市公司;为了控制异常值对回归结果影响,剔除部分极端或异常值数据。数据资料来源于万得资讯数据库(W ind. Net)。根据数据选择原则,本文得到的是1995-2007年的非平衡面板数据,共计公司层面样本观测值为9534个。
本研究选择的是非平衡面板数据,这一方面可以综合考虑截面和时间序列两方面的信息,同时又可以通过一定的估计方法克服两种数据中容易出现的异方差、多重共线性以及自相关问题,使估计结果更为可靠;另一方面,可以扩大实证检验的样本量,提高检验结果的可信度。
(二)股价波动非同步性及股价信息含量的度量模型
1.股价波动非同步性的度量模型 Roll (1988)[4],Morck、Yeung和Yu(2000)[5]将股票收益表示为来自市场层面的共同收益r
m,t
和来自公
司层面的特有收益r
i,j,t
(下标j表示行业,公司i属于行业j),然后通过下列简化的资产定价模型计
671
算股价波动非同步性:
r i,j ,t =β0+β1r m ,t +β2r m ,t -1+β3r m ,t -2+εi,j ,t (1)其中r i,j ,t 表示公司i 第t 周的收益率,r m ,t 表示第t 周流通市值加权平均的市场收益率,方程中加入滞后一期、二期的r m ,t -1、r m ,t -2一方面是为了控制潜在可能的自相关问题,另一方面是因为市场信息进行公司层面可能是要耗费一定时间的,当期市场信息未必能及时进入公司股价。εi,j ,t 表示残差,它捕捉了市场信息无法解释的收益率。就个股而言,当公司层面信息对股票收益冲击越大,收益率离中趋势越明显,残差也越大,那么回归方程调整后可决定系数R 2
i,j 越小,从而就可以用1-R 2
i,j 来表示公司股价波动非同步性。股价波动非同
步性越高,表示公司层面收益波动不能被市场与行业层面收益所解释的比例越高。
由于1-R 2
i,j 取值区间为[0,1],在实证分析中作为因变量分析时不符合计量经济学分析的基本要求,因此我们采用Morck,Yeung 和Yu
(2000)
[5]
,Durnev,Morck 和Yeung (2004)
[8]和李
增泉(2005)
[21]
等学者的研究方法,对1-R 2
i,j 进行
对数转换,定义:
I N FO 1i,j
=ln (
1-R 2
i,j
R 2i,j
)
(2)
由方程(1)回归计算得到的1-R 2
i,j 是公司层面股价波动非同步性,要计算行业层面股价波动非同步性值,可以用方程(1)总离差平方和作为权数,采用加权平均方法来计算。用σ2
ε,i,j 表示方程
(1)的残差平方和,σ2
m ,i,j 表示回归平方和,则总离
差平方和为σ2ε,i,j +σ2
m ,i,j ,我们知道:
1-R 2
i,j =
∑ε2
i,j ,t ∑(r i,j ,t -r i,j ,t )
2
=
σ2
ε,i,j
σ2ε,i,j +σ2m ,i,j
(3)
这样,行业j 的股价波动非同步性值为:1
-R 2
j
=
∑i ∈j
(1-R 2i,j )(σ2ε,i,j +σ2
m ,i,j )
∑i ∈j
(σ2ε,i,j +σ2
m ,i,j )=∑i ∈j σ2
ε,i,j σ2ε,i,j +
σ2m ,i,j (σ2ε,i,j +σ2
m ,i,j )∑i ∈j
(σ2ε,i,j +σ2
m ,i,j )
=
∑i ∈j
σ2
ε,i,j
∑i ∈j
(σ2
ε,i,j +σ2
m ,i,j )(4)
同理,我们可以对1-R 2
j 进行对数转换,表示为I N F1,转换公式此处略。
Pi otr oski 和Roulst one (2004)[7]
,Chen 、Gold 2
stein 和J iang (2007)
[15]
对方程(1)进行了改进,他
们认为方程(1)中应该同时加入行业层面的收益率r j ,t ,因为有些公共信息是行业层面信息,且这些信息在各个行业是有显著差别的,因此这些行业层面公共信息对个股收益波动的解释能力应该是同时需要被考虑的,改进后的计量模型如下:
r i,j ,t =β0+β1r m ,t +β2r m ,t -1+β3r m ,t -2+β4r j ,t +
β5r j ,t -1+β6r j ,t -2+εi,j ,t
(5)
需要说明的是,在采用流通市值加权平均计算行业层面收益率r j ,t 时,剔除了计算股价信息含量的公司i,以减少公司层面收益r i,j ,t 与行业层面收益r j ,t 的虚假相关性,这一做法尤其是在当行业样本量较少时是非常重要的。对于方程(5),我们采用与方程(1)、(2)和(4)相同的方法计算出公司和行业层面股价波动非同步性值,分别表示为
I N FO2和I N F2。
2.股价信息含量的度量模型 我们用股票
收益反映未来会计盈余能力作为股价信息含量
度量模型指标,该方法由Collins et al .(1994)
[24]
提出,在Gelb 和Zarow in (2002)
[25]
,Lundhol m 和
M yers (2002)
[26]
,Dennis 和Zarow in (2007)
[27]
等
论文中得到了应用。该方法的理论基础是,由于会计盈余是最能有效代表公司层面信息的变量,这样股价信息含量就可理解为股票收益反映未来会计盈余信息的能力。具体地讲,假设预期股利的调整与预期盈余的调整是高度相关的,因此就可以把当期股票收益作为当期和未来非预期盈余的函数,这样当期收益反映未来盈余的能力就可代表股价信息含量。以股票年收益率为因变量,以公司当期和未来期间的每股盈余变化值
(即非预期值)做自变量进行回归分析,回归方程
见式(6)。
r t =a +b 0ΔE t +∑τb τΔE t +τ+∑τc τr t +τ+u t
(6)
其中r t 表示股票年收益率,ΔE t 表示公司第t 年的每股盈余变化值除以年初的股价,ΔE t +τ表示τ
7
71
年后公司的每股盈余变化值除以第t年年初的股价。为了减少盈余及时性和稳健性对会计盈余确认的影响,提高计量准确性,可用息税折旧前
盈余变化值ΔEB ITDA
t 来表示ΔE
t
,因为利息、税
收、折旧与摊销等项目很容易受到会计方法的影
响,而用ΔEB ITDA
t
来计量盈余可以有效避免这种影响。关于τ值的确定,本文采用Collins et al. (1994)[24]和Durnev et al.(2003)[13]的做法,
取值为3。r
t+τ
表示公司τ年后的股票年收益率,由于直接将每股收益变化值作为自变量会导致股票价格反映未来盈余信息能力的测度指标出现下偏估计,因此Collins et al.(1994)[24]建议将作为控制变量,以抵消这种下偏误差对结果的影响。
第1个表示股价信息含量的指标是在回归方程中加入未来盈余解释变量后回归方程解释能力R2的增强程度,表示为F I NC,则有:
F I N G=R2r
t =a+b
ΔE
t
+∑τbτΔE
t+τ
+∑τcτr
t+τ
+u
t
-R2
r
t =a+b
ΔE
t
+u
t
(7)
第2个可以用来表示股价信息含量的指标是是股票收益对未来盈余的反应系数,将未来几年会计盈余的反应系数值相加,表示为FERC,这样就有:
FERC=∑τbτ(8)
F I N C和FERC都反映了股票价格对未来盈余预测的准确程度,可以作为测度股价信息含量的指标。分年度分行业对方程(6)进行回归分析,即可计算得到F I N C和FERC值。行业按照中国证监会2001年《上市公司行业分类指引》进行分类,制造业按二级代码分类,其他行业按一级代码分类,共计22个行业,并剔除样本量较少的行业样本(样本量较少时,使用方程(6)回归时结果不可靠)及F I NC和FERC极端值样本,最后得到行业层面非均衡面板样本131个。
需要说明的是,尽管从定义来看,F I NC和FERC均是很好的股价信息含量测度指标,测度结果不会受到系统或异质噪音的影响,但这一方法有重要缺陷,它只能计算得到行业层面测度值,而无法得到公司层面测度值(股价波动非同步性指标最大的优点是能得到公司层面测度值),从而不
能进行公司间的横向比较,这也是为什么股价波动非同步性方法在实证研究中得到了较多应用,而F I NC和FERC仅受到较少关注,在实证研究中使用非常有限的主要原因。尽管这样,我们可以利用该方法来对股价波动非同步性测度有效性进行检验,证明股价波动非同步性的测度结果是有效的,从而用股价波动非同步性来测度股价信息含量。
(三)面板数据回归模型设计
由于面板数据同时具有截面和时间序列两个维度,适宜的回归模型将比单纯的截面数据的回归模型复杂得多。如果可观测解释变量控制了个体的所有相关特征,那将不会存在相关的非观测特征。在这种情况下,非观测效应被剔除,混合OLS回归可以合理地估计这个模型。如果可观测的解释变量并不能控制个体的所有相关特征,非观测效应与可观测的任何一个解释变量存在相关性,被解释变量对可观测变量的回归估计就会受到非观测异质性偏差的影响。即使是在非观测效应与任何一个可观测变量不相关的情况下,非观测效应的存在也会导致OLS产生低效估计和无效标准误差。在这种情况下,就要根据数据本身的特征采用固定效应或随机效应的回归方法进行估计。具体来说,我们按如下步骤进行回归模型选择:
①由F检验判断固定效应模型是否优于混合OLS回归。该检验的原假设H0为个体间的差异不显著,若H
为真,则采用混合OLS回归,否则采用固定效应模型。
检验统计量F=
(RRSS-URSS)/(N-1)
(1-URSS)/(U T-N-K)
～F
N-1,N T-N-K
(9)其中,RRSS为混合OLS回归的残差平方和,URSS 为固定效应模型回归的残差平方和,N为截面样本量, T为截面样本所拥有的时期平均数,K为解释变量个数。
②由LM检验判断随机效应模型是否优于混
合OLS回归。该检验的原假设H
为随机项不具
871
有随机性,若H 0为真,则采用混合OLS 回归,否则采用随机效应模型。检验统计量LM =
(N T )
2
2×((∑i T 2
i )-N T )
×(1-∑i (∑t εit )2
∑i ∑t ε2
it
)～χ2
(1)(10)
其中,T i 为截面样本i 所拥有的时期数(i =1,2,…,N ),εit 为混合OLS 回归的残差值,其他符号的定义同式(9)。
③由Haus man 检验判断固定效应模型是否优于随机效应模型。如果固定效应模型或者随机效应模型均优于混合OLS 估计,则需要进行Haus 2
man 检验,在两者间选择最终估计模型。该检验原
假设H 0为固定效应不存在,若H 0为真,则采用随机效应模型,否则采用固定效应模型。
检验统计量H =(βGLS -βLSLV )′×(V ar (βGLS )-V ar
(βLSDV ))
-1
×(βGLS -βLSDV )～
χ2(K )(11)
其中,βGLS 为随机效应下估计系数,βLSLV 为固定效应下估计系数,K 为解释变量个数。
为了实证分析股价波动非同步性与股票收益反映未来会计盈余能力指标F I NC 和FERC 的相关关系,我们建立如下2个面板数据变截距多元线性回归方程。
F I N C =β0+v +β1I N F +β2I +β3S IZE +β4STD E +β5BAL +β6L EV +β7PP&E +∑15
k =8
βk ×YEAR k +ε(12)
FERC =β0+v +β1I N F +β2I +β3S IZE
+β4STD E +β5BAL +β6L EV +β7PP&E +∑15
k =8
βk ×YEAR k +ε(13)
其中,I N F 表示行业层面股价波动非同步性值,v 表示个体效应,如果最终判断采用混合OLS 回归,则v 为0,否则v 代表个体固定效应或个体随机效应。我们关心的是I N F 回归系数的符号与显著程度,如果β1符号为正,且达到显著性水平要求,则股价波动非同步性越高,股票价格反映未来会计盈余的能力越强(即股价信息含量越高),此时是公司层面信息而非异质噪音对股价波动非同步性
起着决定性作用,因此股价波动非同步性能有效测度股价信息含量。方程中加入了年度虚拟变量
YEAR k ,用来控制年度宏观效应对回归结果的
影响。
此外,为了控制其他变量对股票收益反映未来盈余能力的影响,方程中同时包含了6个控制变量,各控制变量解释如下:各行业包含公司数的平方根
I,假定行业j 样本量为n,设定控制变量I =n,变量I 也可称为行业结构变量;行业规模S IZE;行业会计
盈余波动性STDE,先计算公司过去3年会计盈余标准差,即stdev (ΔEPS t /P t -1),然后将同一行业内盈余标准差值按公司规模进行加权平均,即得到行业均值STDE;股权制衡度BAL,企业股权制衡度=第
2、3、4和5大股东持股比例之和/第1大股东持股比
例,将同一行业内股权制衡度按公司规模进行加权平均,即得到行业层面平均值BAL;行业资产负债率
LEV;行业资本强度PP&E,将公司层面资本强度(固
定资产与总资产比值)按照公司规模加权平均,即得到行业资本强度PP&E 。选择这些变量作为控制变量的原因是因为它们对FI NC 和FERC 有显著影响,
具体可参见Collins et al .(1994)[24]
、Gelb 和Zar ow 2
in (2002)
[25]
和Durnev et al .(2003)[13]
等文献的
描述。
由于从行业层面考察股价波动非同步性与股价信息含量的相关关系时样本量较小,容易受到小样本回归估计偏误的影响,为了保证研究结果的稳健性,我们引入如下含交叉项的多元回归模型来进一步从公司层面来验证实证结果。
r t =a +v +b 0ΔE t +∑τb τ
ΔE t +τ×I N FO t +∑τc τr t +τ+∑15
k =8
a k ×YEAR k +u t (14)
其中,I N FO 表示经对数转换后的公司层面股价波动非同步性值,ΔE t 用息税折旧前利润变化值ΔEB ITDA t 来表示,v 表示个体效应,如果最终判断采用混合OLS 回归,则v 为0,否则v 代表个体固定效应或个体随机效应。方程中加入了年度虚拟变量YEAR k ,用来控制年度宏观效应对回归结果的影响。如果交叉项回归系数b τ显著大于0,表示股价波动非同步性值越高,股票收益反映未来期间会计盈余的能力越强,反之则反是。
9
71
三、面板模型检验过程及结果
(一)主要研究变量的计算及描述性统计
根据前述方法计算出股价波动非同步值I N2 FO1、I N FO2、I N F1和I N F2,股票收益反映未来盈余能力指标F I N C和FERC,主要变量的描述性统计结果如表1所示。
表1 主要变量的描述性统计
变量名观测值均值标准差最小值中位数最大值
I N F O195340.5280.1830.0440.5200.997
I N F O295340.5040.1850.0410.4980.999
I N F11310.2070.421-0.6230.2930.900
I N F21310.103-0.6620.3720.1520.736
F I N C1310.0350.137-0.6420.0360.310
FERC1310.1690.607-2.1510.156 2.380 I1317.046 2.039 3.162 6.85612.649 SI ZE13121.2310.30920.74021.16322.040 ST DE1310.0220.0090.0060.0200.045 BAL1310.4020.0920.1540.4140.561 LEV1310.4590.0690.3300.4490.642 PP&E1310.3580.1310.1050.3450.605 从表1可以看到,股票收益反映未来会计盈余能力的指标F I N C和FERC均显著大于0,说明中国上市公司的股票价格包含了较多的未来会计盈余信息。股价波动非同步性值I N F O1大于I N2 FO2,I N F1也大于I N F2,说明在计算股价波动非同步性时,包含行业收益率会得到较低的测度值,这是因为股票价格中包含了较多的行业层面信息,因此在方程(1)的自变量项中加上行业层面收益率是合理的。其他控制变量统计值与相关文献基本一致。
(二)行业层面面板模型回归分析结果
先以F I N C为因变量,用131个行业层面样本对方程(12)进行面板模型回归,结果见表2。
在表2中,模型(Ⅰ)、(Ⅱ)和(Ⅲ)以I N F1表示股价波动非同步性。先看模型(Ⅰ)的回归结果,模型(Ⅰ)仅包含行业公司数平方根I和行业规模SIZE这两个控制变量,固定效应F检验值为
表2 股价波动非同步性对F I N C影响的面板模型回归分析
自变量预符
以I N F1为股价波动非同步性以I N F2为股价波动非同步性
模型(Ⅰ)模型(Ⅱ)模型(Ⅲ)模型(Ⅳ)模型(Ⅴ)模型(Ⅵ)
I N F+0.163333
(3.10)
0.128333
(2.82)
0.121333
(2.71)
0.147333
(3.06)
0.126333
(2.66)
0.129333
(2.77)
I?0.018
(1.51)
-0.005
(-0.22)
0.016
(0.70)
0.002
(0.08)
-0.017
(-0.81)
0.005
(0.22)
SI ZE+
-0.030
(-0.56)
0.088
(1.22)
0.16233
(2.08)
0.002
(0.04)
0.103
(1.45)
0.17733
(2.33)
ST DE -1.016
(0.53)
2.683
(1.40)
0.767
(0.41)
2.488
(1.33)
BAL+0.54733
(2.51)
0.573333
(2.72)
0.55133
(2.60)
0.570333
(2.81)
LE V?-0.73533
(-2.14)
-0.73533
(-2.22)
PP&E?-0.747333
(-2.66)
-0.785333
(-2.85)
个体效应形式随机效应固定效应固定效应固定效应固定效应固定效应
固定效应F检验15.4233312.9733314.4333315.4133313.6933315.36333
随机效应LM检验33.9933317.1733317.1933323.9233314.0433315.03333 Haus man检验11.7226.3333330.1933318.5533329.7233332.33333
年度哑变量控制控制控制控制控制控制
方程整体显著性103.883338.073338.313338.503338.123338.52333
拟合优度0.4900.5230.5690.5050.5370.587
观测值131131131131131131
注:333,33,3分别表示检验值在1%,5%和10%水平上显著。当个体效应为固定效应时,表中(.)内为t统计量,相应方程整体显著性检验为F检验,当个体效应为随机效应时,表中(.)内为z统计量,相应的方程整体显著性检验为W ald Chi2检验。固定效应与随机效应方程的拟合优度均只报告了within R2,限于篇幅,省去常数项的回归结果,分析过程用Stata10.0统计软件完成。
081
15.42,在1%水平上显著为正,说明固定效应回归方法优于普通混合OLS估计,随机效应LM检验值为33.99,也在1%水平上显著为正,说明随机效应回归也优于普通OLS估计。进一步运用Haus man 检验来比较固定效应模型与随机效应模型的优劣,Haus man检验值11.72在10%水平上不显著,这就接受了原假设H
,即随机效应模型优于固定效应模型,因此模型(Ⅰ)最终选择随机效应模型进行回归。模型(Ⅰ)随机效应回归结果中,股价波动非同步性值I N F1回归系数0.163的z检验值为3.10,在1%水平上显著为正,因此股价波动非同步性越高,表示股票价格中包含较多的未来会计盈余信息,从而可以得到结论,异质噪音只对股价波动非同步性测度结果产生较小影响,是公司层面信息对股价波动非同步性起到了决定性作用,这与Durnev et al.(2003)美国上市公司研究结论一致[13]。另外,方程拟合优度值达到了0.490,方程整体拟合效果很好。模型(Ⅱ)增加了ST DE 和BAL这两个控制变量,模型(Ⅲ)则包含了全部6个控制变量,依据相同步骤对这两个模型进行回归方法选择,最终都选择固定效应方法,同样,这两个模型的I N F1回归系数t检验值均在1%水平上显著为正,这与模型(Ⅰ)的结果一致。
模型(Ⅳ)、(Ⅴ)和(Ⅵ)以I N F2表示股价波动非同步性,经过回归方程选择检验,这3个模型都选择了固定效应回归方法,且I N F2的回归系数都在1%水平上显著为正,因此I N F2的回归结果与I N F1一致,即I N F2值越大,也表示股票价格中包含未来盈余信息值量越大。
从控制变量回归结果来看,在模型(Ⅲ)和模型(Ⅵ)中,行业规模SI ZE、股权制衡度BAL回归系数分别在5%和1%水平上显著为正,因此行业规模越大,股票价格反映未来会计盈余能力越强,股权制衡度高的行业会计信息透明度也高,此时
表3 股价波动非同步性对FERC影响的面板模型回归分析
自变量预符
以I N F1为股价波动非同步性以I N F2为股价波动非同步性
模型(Ⅰ)模型(Ⅱ)模型(Ⅲ)模型(Ⅳ)模型(Ⅴ)模型(Ⅵ)
I N F+1.341333
(3.91)
1.312333
(3.80)
1.281333
(3.65)
1.350333
(4.10)
1.287333
(3.86)
1.211333
(3.58)
I?0.011
(0.23)
0.008
(0.17)
0.005
(0.10)
-0.023
(-0.50)
-0.020
(-0.40)
-0.021
(-0.40)
SI ZE+
-0.280
(-1.05)
-0.155
(-0.45)
-0.352
(-0.95)
-0.156
(-0.56)
0.023
(0.07)
-0.167
(-0.45)
ST DE-2.727
(0.23)
-0.515
(-0.04)
-0.889
(-0.07)
-3.268
(-0.27)
BAL+1.490
(1.39)
1.473
(1.33)
1.140
(1.08)
1.139
(1.03)
LE V?2.111
(1.37)
1.709
(1.13)
PP&E?1.552
(1.59)
1.436
(1.49)
个体效应形式随机效应随机效应随机效应随机效应随机效应随机效应
固定效应F检验 3.95333 3.64333 3.76333 3.37333 3.21333 3.26333
随机效应LM检验11.3333314.4133311.893339.4833310.773339.04333 Haus man检验7.237.0611.26 6.22 5.438.13
年度哑变量控制控制控制控制控制控制控制
方程整体显著性57.1533359.0333363.1933357.9033359.1733362.39333
拟合优度R20.3420.3470.3650.3420.3470.359
观测值131131131131131131
注:333,33,3分别表示检验值在1%,5%和10%水平上显著,表中(.)内为z统计量,相应的方程整体显著性检验为W ald Chi2检验。随机效应方程的拟合优度只报告了within R2,限于篇幅,省去常数项的回归结果,分析过程用Stata10.0统计软件完成。
181
会计盈余被操纵的可能性降低,F I N C值较大。行业负债率LEV和行业资本强度PP&E的系数值均显著为负,因此行业负债率或行业资本强度越高,股票价格反映未来盈余的能力越弱。另外,控制变量I和ST DE对股票收益反映未来盈余能力指标F I N C的影响不显著。
再以FERC为因变量,对方程(13)进行面板数据模型回归分析,回归结果见表3。从表3可以看到,6个模型经过方程选择检验,均选择了随机效应回归方法。从股价波动非同步性值回归系数来看,I N F1和I N F2的回归系数均在1%水平上显著为正,即股价波动非同步性越高,股票收益对未来盈余的反应系数值FERC越高,因此股价波动非同步性反映较多的是公司层面信息而非异质噪音,这就进一步支持了表2的分析结果。综合表2和表3,我们可以从行业层面得到初步结论,股价波动非同步性值越高,则股票价格包含公司层面信息量越多,而异质噪音的影响是较小的,因此股价波动非同步性是一个有效的股价信息含量测度指标。
我们通过改变方程(6)中τ值进行稳健性检验。在前面分析中,关于未来盈余计算期τ值确
表4 股价波动非同步性对股票收益反映未来盈余能力影响的交叉项面板模型回归分析
自变量预符
以I N F O1为股价波动非同步性以I N F O2为股价波动非同步性
模型(Ⅰ)模型(Ⅱ)模型(Ⅲ)模型(Ⅳ)模型(Ⅴ)模型(Ⅵ)
ΔE
0+
1.315333
(13.099)
1.330333
(13.361)
1.492333
(12.787)
1.499333
(16.053)
1.519333
(16.387)
1.728333
(15.607)
ΔE
1+
0.1613
(1.763)
0.21233
(2.332)
0.292333
(2.554)
0.17233
(1.998)
0.252333
(2.894)
0.332333
(3.005)
ΔE
2+
0.058
(0.799)
0.107
(1.037)
0.100
(1.448)
0.1643
(1.732)
ΔE
3+
0.19833
(2.419)
0.279333
(3.545)
ΔE
0×I N F O+
0.924333
(8.197)
0.905333
(8.105)
1.215333
(9.339)
0.732333
(6.492)
0.704333
(6.296)
1.028333
(7.609)
ΔE
1×I N F O+
0.22333
(2.177)
0.24433
(2.383)
0.1953
(1.870)
0.26233
(2.474)
0.26533
(2.516)
0.21133
(2.043)
ΔE
2×I N F O+
0.241333
(3.042)
0.23033
(2.051)
0.19033
(2.392)
0.1733
(1.716)
ΔE
3×I N F O+
0.461333
(4.913)
0.382333
(3.892)
RET1-0.039333
(4.715)
0.01933
(2.156)
0.017
(1.067)
0.038333
(4.578)
0.01733
(2.027)
0.012
(0.730)
RET2-0.058333
(-9.402)
-0.029333
(-3.231)
-0.058333
(-9.429)
-0.030333
(-3.333)
RET3--0.037333
(-5.851)
-0.038333
(-5.925)
个体效应形式固定效应固定效应固定效应固定效应固定效应固定效应
固定效应F检验 2.09333 2.11333 1.84333 1.77333 1.83333 1.65333
随机效应LM检验80.0233370.4433359.5533377.8033366.5733354.18333 Haus man检验324.76333365.13333402.33333341.59333378.46333406.30333
年度哑变量控制控制控制控制控制控制
方程显著性检验646.31333514.73333447.93333641.00333509.93333441.01333
拟合优度R20.5530.5610.6160.5510.5590.614
观测值718661095118718661095118
注:333,33,3分别表示检验值在1%,5%和10%水平上显著,表中(.)内为t统计量,相应方程整体显著性检验为F检验。固定效应方程的拟合优度只报告了within R2,限于篇幅,省去常数项的回归结果,分析过程用Stata10.0统计软件完成。
281
定,我们采用Collins et al.(1994)[24]和Durnev et al.(2003)[13]的做法,取值为3,这里我们将τ值改为4或2,改变未来盈余计算期数,发现研究结
果没有显著改变。
(三)公司层面交叉项回归方法的进一步检验
由于行业层面研究容易受到小样本回归估计偏误的影响,为了保证研究结果稳健性,以1995-2007年的公司层面样本对方程(14)进行面板数据模型回归分析,回归结果见表4。
从表4可以看到,所有6个模型的固定效应F 检验、随机效应LM检验和Haus man检验值均在1%水平上显著为正,因此个体固定效应方法是最优的回归方法。另外,6个模型的拟合优度均大于0.5,方程整体显著性水平的F检验值均大于400,说明方程拟合的整体显著性水平较高。从模型(Ⅰ)可以看到,I N F O1与未来一期的收益变化值ΔE
1
交叉项的回归系数在5%水平上显著为正,因此股价波动非同步性值越高,股票收益反映未来一期会计盈余的能力就越强。模型(Ⅱ)中加入了
ΔE
2
及其与I N FO1的交叉
项,ΔE
2
×I N F O1回归系数在1%水平上显著为正,这说明股价波动非同步性值越高,股票收益反映未来二期盈余的能力越强。模型(Ⅲ)中进一步加
入了未来三期收益变化值ΔE
3
及其与I N FO1的交叉项,交叉项回归系数仍然显著为正,因此股价波动非同步性值越高,股票收益反映未来第三期会计盈余的能力也越强,值得注意的是,此时模型
(Ⅲ)中的另外两个交叉项ΔE
1×I N F O1和ΔE
2
×
I N FO1系数仍然显著为正。模型(Ⅳ)、(Ⅴ)和(Ⅵ)以I N FO2表示股价波动非同步性,检验结果与模型(Ⅰ)、(Ⅱ)和(Ⅲ)基本相同。基于表4的公司层面检验结果,我们可以总结得到结论,股价波动非同步性值越高,股票收益反映未来一期、二期和三期会计盈余的能力越强,这样,对股价波动非同步性测度结果起决定性作用的是公司层面信息,异质噪音只对测度结果产生较小影响,因此,股价波动非同步性能有效测度中国上市公司的股价信息含量。
四、研究结论及启示
本文沿用并改进了Durnev et al.(2003)[13]的研究方法,以1995-2007年中国上市公司的非平衡面板数据为研究样本,对股价波动非同步性方法测度股价信息含量的有效性进行了检验。与Durnev et al.(2003)[13]相比较,本文主要有如下几点不同,第一,在面板数据模型选择中,对个体固定效应模型、随机效应模型与普通OLS回归技术进行了准确检验与判断。第二,由于行业层面研究容易受到小样本回归估计偏误的影响,为了保证研究结果稳健性,我们同时建立了交叉项面板回归模型从公司层面作了实证检验。第三,研究样本和时间区间不同,本文研究对象是1995-2007年的中国上市公司,而他们是1983-1995年的美国上市公司。
实证结果表明,股价波动非同步性值越高,股票收益反映未来会计盈余信息的能力越强,这一结果在行业和公司两个层面实证检验中均得到了支持,这就证明了是公司层面信息对股价波动非同步性起着决定性影响作用,异质噪音只对测度结果产生了较小影响,因为异质噪音只会降低股票收益反映未来盈余的能力,如果它对测度结果产生了显著影响,股价波动非同步性是不可能与F I N C和FERC显著正相关的。因此,股价波动非同步性方法能有效测度中国上市公司股价信息含量,这与Durnev et al.(2003)[13]的美国上市公司检验结果一致。
需要说明是的,本文检验方法及结果并不能完全排除股价波动非同步性中可能包含一定程度的异质噪音的影响,但这至少可以证明异质噪音对股价波动非同步性测度结果的影响是比较小的,是公司层面信息起到了决定性影响作用,因此不影响测度结果的有效性。尽管这样,未来可尝试分离出股价波动中的信息成分和异质噪音,对信息、异质噪音与股价波动非同步性的关系作更准确的检验,笔者使用Hasbrouck(1991)[28]的分离方法作了初步研究,结论与本文基本一致,限于篇
381
幅,这里不再介绍,感兴趣的读者可作进一步的深入研究。
由于在现实交易中股票价格会受到交易成本、羊群行为等因素的影响,从而使得股价波动中所反映出来的并不都是公司层面信息,还可能会存在一些市场信息及异质噪声。如何准确地从公司层面来测度股价所包含的公司信息量是比较困难的(Collins et al.1994[24]的行业层面指标的使用范围非常有限),也是多年来一直困扰国际金融及会计学领域的重要难题,迄今为止也没有一个完美无缺的方法。本文实证证明了股价波动非同步性方法对中国证券市场的适用性,相信将对未来中国证券市场股价信息含量实证研究起到一定促进作用。
参考文献:
[1]Beck T.Levine R,Loayza N.Finance and the Sources of Gr owth[J].Journal of Financial Econom ics,2000,58(1/ 2):261-300.
[2]Ca mpbell J,M Lettau,B GM alkiel,Y Xu.Have I ndivid2 ual St ocks become more Volatile?An E mp irical Exp l orati on of I di osyncratic R isk[J].Journal of Finance,2001,56(1):1 -43.
[3]T obin J.On the Efficiency of the Financial Syste m[J]. L l oyd’s Banking Revie w,1982,153:1-15.
[4]Roll,R.R2[J].Journal of Finance,1988,43(2):541 -566.
[5]Morck R,B Yeung,W Yu.The I nf or mati on Content of St ock Markets:W hy do E merging Markets have Synchr onous St ock Price Move ments?[J].Journal of Financial Econom ics, 2000,58(1/2):215-238.
[6]W urgler J.FinancialMarkets and the A ll ocati on of Cap ital [J].Journal of Financial Econom ics,2000,58(1/2):187-214.
[7]Pi otr oski J D,D T Roulst one.The I nfluence of Analysts,
I nstituti onal I nvest ors,and I nsiders on the I ncor porati on of Market,I ndustry,and Fir m-Specific I nf or mati on int o St ock Prices[J].The Accounting Review,2004,79(4):1119 -1151.
[8]Durnev A,R Morck,B Yeung.Value Enhancing Cap ital Budgeting and Fir m-s pecific St ock Return Variati on[J]. Journal of Finance,2004,59(1):65-105.
[9]J in L i,S C Myers.R2ar ound the World:Ne w Theory and New Tests[J].Journal of Financial Econom ics,2006,79 (2):257-292.
[10]Hutt on A,J A lan,T Hassan.Opaque Financial Reports and the D istributi on of St ock Returns[R].Working Paper, Bost on:Bost on College,2007.
[11]A shbaugh H,J Gassen,R Lafond.Does St ock Price Synchr onicity Rep resent Fir m-Specific I nf or mati on?The I n2 ternati onal Evidence[R].Working Paper,W isconsin:Uni2 versity of W isconsin-M adis on,2006.
[12]朱红军,何贤杰,陶 林.中国的证券分析师能够提高资本市场的效率吗———基于股价同步性和股价信息含量的经验证据[J].金融研究,2007,(3):110-121. [13]Durnev A,R Morck,B Yeung,P Zar owin.Does Greater Fir m-s pecific Return Variati on M ean More or Less I nf or med St ock Pricing?[J].Journal of Accounting Research,2003, 41(5):797-836.
[14]FoxM B,R Morck,B Yeung,A https://www.doczj.com/doc/9211833442.html, w,Share Price Accuracy,and Econom ic Perf or mance:the Ne w Evi2 dence[J].M ichigan La w Revie w,2003,102(3):331 -386.
[15]Chen Q i,I Goldstein,W ei J iang.Price I nf or mativeness and I nvest m ent Sensitivity t o St ock Price[J].Revie w of Fi2 nancial Studies,2007,20(3):619-650.
[16]Ferreira M iguel A,Laux Paul A.Cor porate Governance,
I di osyncratic R isk and I nf or mati on Fl ow[J].Journal of Fi2 nance,2007,62(2):951-989.
[17]Fernandes,N,M iguel A Ferreira.Does I nternati onal Cr oss-L isting I m p r ove the I nf or mati on Envir on ment[J]. Journal of Financial Econom ics,2008,88(2):216-244. [18]W est K.D ividend I nnovati ons and St ock Price Volatility [J].Econometrica,1988,56(1):37-61.
[19]Barberis N,A Shleifer.Style I nvesting[J].Journal of Financial Econom ics,2003,68(2):161-199.
[20]Andrade S,C Chang,M Seasholes.Predictable Rever2 sals,Cr oss-St ock Effects,and the L i m its of A rbitrage[R]. NBER Working Paper,Berkeley:U.C.Berkeley,2005. [21]李增泉.所有权结构与股票价格的同步性———来自中国股票市场的证据[J].中国会计与财务研究,2005,7 (3):57-100.
[22]陈梦根,毛小元.股价信息含量与市场交易活跃程度[J].金融研究,2007,(3):125-139.
481
[23]游家兴,张俊生,江 伟.制度建设、公司特质信息与股价波动的同步性———基于R2研究的视角[J].经济学季刊,2006,6(1):189-206.
[24]Collins D W,S P Kothari,J Shanken,R Sl https://www.doczj.com/doc/9211833442.html,ck of Ti m eliness and Noise as Exp lanati ons for the Low Contempora2 neous Return-Earnings A ss ociati on[J].Journal of Account2 ing and Econom ics,1994,18(3):289-324.
[25]Gelb D,P Zar owin.Cor porate D iscl osure Policy and the
I nfor mativeness of St ock Prices[J].Review of Accounting Studies,2002,7:33-52.
[26]Lundhol m R,L Myers.B ringing the Future For ward: The Effect of Voluntary D iscl osure on the Returns-Earnings Relati on[J].Journal of Accounting Research,2002,40(3): 809-840.
[27]Dennis R,P Zar owin.Cap italizati on of R&D and the I n2 for mativeness of St ock Prices[J].Eur opean Accounting Re2 vie w,2007,16:703-726.
[28]Hasbr ouck J.The Su mmary I nf or mativeness of St ock Trades:An Econometric Analysis[J].Revie w of Financial Studies,1991,4:571-595.
[29]潘慧峰,郑建明.股改前后中国A股市场有效性的广义谱方法检验[J].科学决策,2009,(2).
(本文责编:海 洋)
(上接第154页)
[23]KlausW ersching.Aggl omerati on in an I nnovative and D if2 ferentiated I ndustry with Heter ogeneous Knowledge Sp ill overs [R].REG ULAR ARTI CLE,2006.
[24]李 焱.知识共享中激励因素的实证研究[D].上海:上海交通大学,2007.
[25]李率锋.企业技术知识管理研究[D].东南大学,2007.
[26]M ichèle B ret ona,DésiréVencatachellu mb,Georges Zac2 courc.Dyna m ic R&D with Strategic Behavi or[J].Computers& Operati ons Research,2006,(33):426–437.
[27]Prahalad,Bettis.The Dom inant Logic:A New L inkage Bet w een D iversity and Perf or mance[J].Strategic Manage ment Journal,1986,(7).
[28]Grant R M.Pr os pering in Dyna m ically-competitive En2 vir on ments:O rganizati onal Capability as Knowledge I ntegrati on [J].O rganizati on Science,1996,(4):375-387.[29]Cum rnings Jeffrey L,B ing-Sheng Teng.Transfer R&D Knowledge:the Key Fact ors Affecting Knowledge Transfer Success[J].Journal of Engineering and Technol ogy M anage2 ment,2003,(20):39-68.
[30]刘海波,李黎明.知识产权产业初论[J].科学决策, 2009,(2).
[31]Gabriel Szulanski.Exp l oring I nternal Stickiness:I m pedi2 ments t o the Transfer of Best Practice within the Fir m[J].Stra2 tegic Manage ment Journal,1996,17(W inter S pecial Issue):27 -43.
[32]E I-Sayed Abou-Zeid.An Ont ol ogy-based App r oach t o I nter-organizati onal Knowledge Transfer[J].Journal of Gl obal I nf or mati on Technol ogy Management,2002,(3):32 -47.
(本文责编:海 洋)
581
Excel数据有效性（数据验证）应用详解 我们可以利用数据有效性制作表格模板，强制性要求其他人按规矩填写表格。 看课件： 1、利用数据验证为单元格的数据输入设置条件限制 在表格内输入数据时，我们可以利用数据验证来规范数据的类型，甚至限制输入数值的大小范围。我们先来利用有效性对基本工资这一列进行设置：规定只能填写整数，并且不低于3500 选中这一列，然后点击数据有效性
在【允许】下拉选项里选中整数（这里还有很多其他的项目，有兴趣的朋友可以抽空自己琢磨琢磨） 选中整数以后，下面会出现【数据】这个下拉选项，如果【允许】选择的是其他项目，下面的选项菜单也会发生相应变化。 最小值我们填入3500，点确定就好了
这时候如果输入的数据不符合我们的规定，就会弹出提示框。 接下来我们对身份证号码这一列进行设置，要求是长度必须等于18位，防止输入错误： 同样的，选择这一列，设置有效性：文本长度等于18.
当输入的号码不是18位的时候，同样会提示错误。 对于日期的输入，是不规范的情况最多的一类数据，我们同样可以使用数据有效性进行限制：只能输入2010年1月1日到2018年1月31日之间的日期，并且只能是标准的日期格式： 如图进行设置。 特别说明一点，如果在开始日期或者结束日期输入格式不对的日期时，是会报错的：
2018.1.31这种是最常见的错误格式。 日期超过范围会提示
日期格式不对也会提示 接下来对性别进行设置，只能输入男或者女： 注意，来源里的项目之间用英文的逗号分隔。 这样设置以后，就可以使用下拉菜单进行填表了。 再来对姓名进行设置，要求是不能出现重名，如果有重名的话，需要加数字进行区分。
C++程序设计中数据的有效性验证 l 数据有效性验证的意义 C 语言为了给程序员更大的空间，在编译时对语法限制并不严格，例如不会检查数组是否越界，也不检查类型是否匹配。编译通过的程序，在运行时可能会因为输入的数据与程序中期望的数据不一致而导致运行错误。例如在求三角形面积的程序中，需要用户输入三角形的三条边长，再根据边长求面积，用户输入的三个代表边长的数据有可能不能构成一个三角形，这样计算出来的就是一个没有意义的结果。通过验证用户输入数据的有效性，可以防止由于这类无效输入数据所导致的潜在问题，并有助于找到代码中的 bug。数据的有效性验证实际上就是检查数据是否在程序能接受的合理范围，下面就几种常见的数据有效性情况进行讨论。 2 数据有效性验验证的类别 2．1 验证数据类型 程序中每个变量在使用前都要先进行声明，即定义每个变量所属的类型，类型决定了变量中可存储的数据类型及分配的存储空间长度，例如定义存储年份、月份的变量一般为整型。变量的类型也决定了变量可以进行的运算，例如在算术运算中，通常是只能是整形、实型或字符型数据。如果用户输入的数据与程序中定义的变量类型不匹配就会导致运行异常。验证数据类型就是在给变量赋值时判断数据跟类型是否匹配，从根本上防止用户输入错误，即使发生了错误，也要在第一时间通知用户。 2．2 验证数据的范围 验证数据的范围，是指验证某一数据是否介于某一范围之间或不在某一范围之间，如表示年龄一般为正整数，表示时间中的月份的取值是 l一12，天数是 l一31，表示百分制成绩时一般在 0至 100范围，而性别的取值只能为“男”或“女”，输入口令时经常需要验证口令的长度是否满足一定要求，类似的例子还很多。 2.3 验证数据的合理性 有时输入的几个数据之间需满足一定的约束关系才是合理的，比如：输入三角形的三条边时需要验证这三个数是否能构成一个三角形，代表三角形的三条边长的三个数据之间必须满足的条件是：各条边的值都大于 0，且任两条边的和大于第三条边，任两条边的差小于第三条边。所以在求三角形面积之前必须先验证数据的合理性。现实生活中这样的例子还很多，如在录入用户信息的程序中，地址如果为北京，那么邮政编码就不应该是北京以外地区的邮编，还有出生日期和年龄这两个数据之间也存在一定的约束关系，在为学生分配宿舍时需要考虑与性别、所在班级这些数据之间的合理性。在程序中对于这些具有特定含义的数据很多时候都需要进行合理性验证。 2．4 数据的一致性 数据一致性通常指几个相互关联的数据之间的逻辑关系是否正确和完整。而数据不一致性是指数据之间相互矛盾。导致数据不一致的原因主要有以下几种：一是由于数据冗余造成的，出现这种情况往往是由于同一数据分别存储在不同地方，如果更新时没有对重复存放的数据进行一致性地更新，就会造成同一数据有多个不同的取值；二是由于并发控制不当造成的，这种情况是由于多用户共享数据，在多个用户同时对共享数据进行更新时，如果没有采取相应的同步措施，就会导致不同用户访问同一数据时结果不一致； 3 数据有效性验证的应用
检测方法及方法确认程序 l 目的 为保证检测结果的正确性和有效性，对检测活动中所采用的方法进行有效控制制定程序。 2 范围 适用于检测活动中检测方法的选用，以及检测方法的变更和偏离。 3 职责 3.1 技术负责人的职责 负责授权与客户签立检测合同或协议，批准检测作业指导书等文件，维护本程的有效性。 3.2 检测室负责人的职责 提出本检测部门的执行标准，制定本部门检测活动的检测程序及抽样、检测的职责和活动以及不确定度分析。 3.3 资料管理员的职责 负责对标准、规程及其他技术规范等有效性确认，建立检测标准管理档案。 4 工作程序 4.1 检测方法的选择 4.1.1 为减少检测风险，本检测中心的检测依据首选以下正式颁布的标准。其中优先选用国家标准、行业标准、地方标准：对新旧标准处于过渡期间并均可采用的，优先选择新版标准。 4.1.1.1 国际标用； 4.1.1.2 国家标准； 4.1.1.3 行业标准或政府发布的技术规范； 4.1.1.4 地方标准； 4.1.1.5 企业标用； 4.1.1.6 知名技术组织或科学书籍与期刊公布的方法： 4.1.1.7 制造商指定的方法； 4.1.1.8 自行制定的非标方法。 4.1.2 当老标准己经过期作废时，以上标准应当保证是现行有效的。为此资料管理员首先应当负责检索和收集、查新最新标准及其他技术规范，并按《文件控制程序》保持检测人员所用标准是最新有效版本；其次是每月向检测部门提供中文核心期刊题录，供检测人员参考。当使用外部企业标准检测时，要防止导致可能发生的所有权侵权问题。 4.1.3 当所用标准存在理解、操作等困难对，技术负责人应组织各个检测室负责人编写检测作业指导书，以保证对标准实施的一致性。检测作业指导书应形成正式的书面文件并应经过编制人、审核人和批准人的书面审批手续和保持该文件的
第五章数据库完整性 一、选择题 1．有一个关系：学生(学号，姓名，系别)，规定学号的值域是8个数字组成的字符串，这一规则属于__________。 A 实体完整性约束 B 参照完整性约束 C 用户自定义完整性约束 D 关键字完整性约束 【解答】C 2．完整性约束有两大类型，其中一种是静态约束，下面( c )不属于静态约束。 A．固有约束B．隐含约束C．语义约束D．显示约束 【解答】C 3．数据库的破坏一般来自四个方面，其中__________是属于完整性约束问题。 A．系统故障B．并发所引起的数据不一致C．人为的破坏 D．输入或更新数据库的数据有误，更新事务未遵守保持数据库一致性的原则 【解答】D 4. ________子句能够实现关系参照性规则。 A. PRIMARY KEY B. NOT NULL C. FOREIGN KEY D. FOREIGN KEY...REFERENCES... 【解答】D 二、填空题 1. 数据库的是指数据的正确性和相容性 【解答】完整性 2.完整性约束是指和。 【解答】实体完整性，参照完整性 3.实体完整性是指在基本表中，。 【解答】主属性不能取空值 4.参照完整性是指在基本表中，。 【解答】外码可以是空值或者另一个关系主码的有效值 5.SQL标准使用了一系列概念来描述完整性，包括关系模型的________ 、________和 ________完整性。 【解答】实体完整性参照完整性用户定义 6.数据库完整性的定义一般由SQL的________ 语句来实现。它们作为数据库模式的一部 分存入________中。
【解答】DDL 数据字典 7.关系模型的实体完整性在________ 中用________定义。 【解答】CREATE TABLE 、PRIMARY KEY 二、问答题 1.什么是数据库的完整性? DBMS的完整性子系统的功能是什么? 【解答】数据库完整性是指数据库中数据的正确性、有效性和相容性。DBMS 的完整性控制机制至少包括完整性约束的定义机制和完整性约束的检查机制。 DBMS完整性子系统的功能是： (1)监督事务的执行，并测试是否违反完整性规则； (2)如有违反，则采取恰当的操作，如拒绝、报告违反情况，改正错误等方法进行处理。2.完整性规则由哪几个部分组成?关系数据库的完整性规则有哪几类? 【解答】完整性规则由三部分组成： 触发条件：即什么时候使用规则进行检查； 约束条件：即要检查什么样的错误； ELSE子句：即查出错误后该如何处理。 完整性规则有以下三类： 域完整性规则，用于定义属性的取值范围； 域联系的规则，定义一个或多个关系中，属性值间的联系、影响和约束。 关系完整性规则，定义更新操作对数据库中值的影响和限制。 3.试详述SQL中的完整性约束机制？ 【解答】SQL中的完整性约束规则有主键约束、外键约束、属性值约束和全局约束等多种形式。 △主键约束。它是数据中最重要的一种约束。在关系中主键值不允许空，也不允许出现重复，体现了关系要满足实体完整性规则。主键可用主键子句或主键短语进行定义。 △外键约束。根据参照完整性规则，依赖关系中外键或者为空值，或者是基本关系（参照关系）中的该键的某个值。外键用外键关系子句定义，并考虑删除基本关系元组或修改基本关系的主键值的影响，依赖关系可按需要采用RESTRICT、SET NULL、CASCADE方式。△属性值约束。当要求某个属性的值不允许空值时，那么可以在属性定义后加上关键字：NOT NULL ，这是非空值约束。还可以用CHECK子句对一个属性值加以限制以及使用域约束子句CREAT DOMAIN 定义新域并加以属性值检查。 △全局约束。在关系定义时，可以说明一些比较复杂的完整性约束，这些约束涉及到多个属性间的联系或不同关系间的联系，称为全局约束。主要有基于元组的检查子句和断言。前者是对单个关系的元组值加以约束，后者则可对多个关系或聚合操作有关的完整性约束进行定义。 4. DBMS的完整性控制机制应具有哪些功能？
数据完整性检查要点 数据完整性 数据完整性（data integrity）：是指数据的准确性和可靠性，用于描述存储的所有数据值均处于客观真实的状态。 –并不是计算机化系统实施后才出现的 –适用于电子数据和手工（纸质）数据 –企业应当处于一种基于数据完整性风险的可接受控制状态数据的属性 基本原则 A（attributable）—可溯源 L（legible）—清晰 C（contemporaneous）—同步 O（original or true copy）—原始或真实复制 A（accurate）—准确 数据 人工观察填写的纸质记录 仪器、设备通过复杂的计算机化系统产生的图谱或电子记录。
纸质记录 对文件和记录版本（变更）进行控制 对原始空白记录进行控制 对空白记录的发放进行控制 对已填写记录的修改进行控制 图谱或电子记录 电子方式产生的原始数据采用纸质或PDF格式保存应当显示数据的留存过程，以包括所有原始数据信息、相关审计跟踪和结果文件、每一分析运行过程中软件/系统设置标准 一个给定的原始数据系列重建所需的所有数据处理运行情况（包括方法和审计跟踪），经过确认的复本。 一旦打印或转换成静态PDF，图谱记录则失去了其被再处理的能力，不能对基线或隐藏区域进行更详细的审核或检查。 以数据库格式存在的动态电子记录则可以进行追踪、趋势分析和查询、查看隐藏区域，放大基线以将积分情况查看的更清楚。 数据审计跟踪 数据审计跟踪（audit trial）：是一系列有关计算机操作系统、应用程
序及用户操作等事件的记录，用以帮助从原始数据追踪到有关的记录、报告或事件，或从记录、报告、事件追溯到原始数据。 如果计算机系统用于电子捕获、处理、报告或存贮原始数据，系统设计应能保持提供全面审计追踪的保存，能够显示对数据进行的所有更改。 对数据的所有更改，应可以显示做这些更改的人，更改均应有时间记录，并给出理由。 用户不应具备修订或关闭审计追踪的能力。 不需要包括每个系统活动（例如，用户登录/退出，键盘敲击等）。 通过对经过设计和验证的系统报告进行审核来达到目的。 必须是商业电子管理系统吗？只要能够达到GMP的要求，纸质追踪和半纸质半电子系统也能被接受。 值得关注的问题 对于数据完整性提出详细要求： –计算机化系统应当记录输入或确认关键数据人员身份
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)
CFD仿真验证及有效性指南 摘要 本文提出评估CFD建模和仿真可信性的指导方法。评估可信度的两个主要原则是：验证和有效。验证，即确定计算模拟是否准确表现概念模型的过程，但不要求仿真和现实世界相关联。有效，即确定计算模拟是否表现真实世界的过程。本文定义一些重要术语，讨论基本概念，并指定进行CFD仿真验证和有效的一般程序。本文目的在于提供验证和有效的重要问题和概念的基础，因为一些尚未解决的重要问题，本文不建议作为该领域的标准。希望该指南通过建立验证和有效的共同术语和方法，以助于CFD仿真的研究、发展和使用。这些术语和方法也可用于其他工程和科学学科。 前言 现在，使用计算机模拟流体的流动过程，用于设计，研究和工程系统的运行，并确定这些系统在不同工况下的性能。CFD模拟也用于提高对流体物理和化学性质的理解，如湍流和燃烧，有助于天气预报和海洋。虽然CFD模拟广泛用于工业、政府和学术界，但目前评估其可信度的方法还很少。这些指导原则基于以下概念，没有适用于所有CFD模拟的固定的可信度和精确度。模拟所需的精确度取决于模拟的目的。 建立可信度的两个主要原则是验证和有效（V&V）。这里定义，验证即确定模型能准确表现设计者概念模型的描述和模型解决方案的过程，有效即确定预期模型对现实世界表现的准确度的过程。该定义表明，V&V的定义还在变动，还没有一个明确的最终定义。通常完成或充分由实际问题决定，如预算限制和模型的预期用途。复合建模和计算模拟没有任何包括准确性的证明，如在数学分析方面的发展。V&V的定义也强调准确度的评价，一般在验证过程中，准确度以对简化模型问题的基准解决方法符合性确定；有效性时，准确度以对实验数据即现实的符合性确定。 通常，不确定性和误差可视为与建模和仿真准确度相关的正常损失。不确定性，即在任一建模过程中由于缺乏知识导致的潜在缺陷。知识缺乏通常是由对物理特性或参数的不完全了解造成的，如对涡轮叶片表面粗糙度分布的不充分描述。知识缺乏的另一个原因是物理过程的复杂性，如湍流燃烧。误差即在建模和
第八章监测数据的有效位数 监测数据报出的位数，对监测结果的准确性和数据资料的统计整理都是十分重要的。监测数据的有效位数应与测试系统的准确度相适应。记录测试数据时，只保留一位可疑数字。 1、大气监测数据（以mg/m3计） ⑴降尘（吨/月·平方公里）取小数点后一位；硫酸盐化速率（SO 3 mg/100cm2 碱片·日）、CO取小数点后二位；SO 2、NO X 、TSP、光化学氧化剂取小数点后三位。 ⑵其它用比色法分析的项目取小数点后三位。 ⑶气温（℃）、风速（m/s）、气压（hPa）取小数点后一位；湿度（%）保留整数位。 2、环境水质监测数据（以mg/l计）。 ⑴重量法分析项目：悬浮物测值<1000时取整数位，测值>1000时取三位有效数字。 ⑵容量法分析项目：溶解氧、总硬度取小数点后一位；高锰酸盐指数测值>10 时取小数点后一位，测值<10时取小数点后二位；COD cr 、BOD 5 测值>100时取三位 有效数字，100>测值>10时取小数点后一位，测值<10时取小数点后二位。 ⑶分光光度法分析项目：亚硝酸盐氮、挥发酚、氰化物、六价铬、总铬、砷、总磷、溶解性磷酸盐等取小数点后三位；硝酸盐氮、氨氮、氟化物、总氮、石油类、凯氏氮取小数点后二位。 ⑷原子吸收分光光度法分项目：铅、铁、镍、锰等取小数点后二位，石墨炉法测定时取小数点后四位；锌、镉取小数点后三位，镉用石墨炉法测定时取小数点后五位；钙、镁、钠、钾等取小数点后果二位。 ⑸冷原子吸收法测汞取小数点后四位，冷原子荧光法测汞取小数点后五位。 ⑹气相色谱法分析项目（以μg/l计）：DDT、六六六等取小数点后二位。 ⑺硫酸盐、氯化物测值取三位有效数字。 ⑻其它分析项目：盐度（%）、pH、氟化物（电极法）、电导率（μs/cm×100）、透明度（m）等取小数点后二位；水温和气温（℃）、水深（m）、气压（hPa）等取小数点后一位。 1、降水监测数据
FDA对数据完整性检查发现的主要缺陷 近年来，FDA在进行cGMP检查时发现涉及数据完整性的违规越来越多，数据完整性是保证药品安全性、有效性的重要组成部分，同时也是FDA保障公众健康的重要组成部分。 在联邦法规中涉及数据完整性的条款主要有： ①要求数据被完好保存以防丢失。（21CFR 212.110(b)） ②要求确保备份数据完整准确，防止数据被篡改、不慎删除或丢失。（21CFR211.68（b）） ③要求某些活动在执行时应即时记录，并且实验室控制应该是科学合理的。（21CFR211.100和21CFR211.160） ④要求保留原始记录、真实副本或者原始记录的准确复制。（21CFR211.180） ⑤要求记录所有执行的检验、所有检验的完整信息及数据。（21CFR211.188、21CFR211.194和21CFR 212.60（g）） FDA对数据完整性检查发现以下缺陷类型： 一、审计追踪功能关闭 1.什么是审计追踪？
审计追踪是一种安全的、由计算机生成的、有时间标识的电子记录，可重建电子记录的生成、修改或删除的整个过程。记录关于谁、什么、何时、为什么的时序表。 2.主要相关缺陷 ①在红外光谱仪中的原始数据被篡改或删除； ②未进行访问控制； ③未在红外光谱仪中进行动态的审计追踪； ④篡改文件名称。 3.警告信举例 2015年12月FDA基于对浙江HZ制药公司原料药现场检查发出警告信，其中违规行为包括FDA审查其HPLC电子记录，发现该企业审计追踪功能并没有激活，而工厂的检验员却在当日进样80次来进行含量测定和杂质检验，FDA将此违规行为列入警告信中。 二、未审查审计追踪 警告信举例 2016年1月29日，FDA向Ipca Laboratories发出警告信，其中违规行为包括该企业质量部门未审查其原始电子记录，以至于质量部门不能发现文件被改写、删除或覆盖，FDA将此违规行为列入警告信中。
带库备份数据一致性有效性验证方案 冯亚峰 2011/10/17 一.备份作业数据分析 通过对磁带备份服务器的备份作业进行考察，对正在运行的备份作业进行统计，目前正在运行的备份作业如下： 1、K3 备份内容：https://www.doczj.com/doc/9211833442.html, sql数据库 备份频率：每天 数据包大小：7.3G 生效日期：2008-6-11 2、xxx-pdm-sql 备份内容：xxx-pdmserver sql数据库 备份频率：每天 数据包大小：20.1G 生效日期：2009-2-24 3、xxx-erp-sql-完全 备份内容：https://www.doczj.com/doc/9211833442.html, sql数据库 备份频率：每周 数据包大小：0.96G 生效日期：2007-11-23 4、K3每周 备份内容https://www.doczj.com/doc/9211833442.html, sql数据库 备份频率：每周 数据包大小：7.3G 生效日期：2008-6-11 5、xxx-dlp 备份内容：https://www.doczj.com/doc/9211833442.html, sql\cobraDGServer库 备份频率：每周 数据包大小：54M 生效日期：2009-12-15 6、OA_Full 备份内容：Lotus Domino数据库\F:\program file\lotus\domino\data文件夹 备份频率：每周 数据包大小：144G 生效日期：2007-12-3
7、xxx-pdm-ftp 备份内容：xxx-pdmserver\I:\pdmftp文件夹 备份频率：每周 数据包大小：153G 生效日期：2009-2-24 8、eMail_Full 备份内容：\F:\program file\*.* /subdir |F:\*.* /subdir 备份频率：每周 数据包大小：数据量过大，从未成功备份过。 生效日期：2007-12-10 9、CAPP-SQL 备份内容：xxx-capp-sql sql数据库 备份频率：每周 数据包大小：8G 生效日期：2011-5-4 10、xxx-AD 备份内容：xxx-AD \系统状态\active dirctory\windows ntds xxx-AD \系统状态\com+ class registration database xxx-AD \系统状态\registry xxx-AD \系统状态\system files xxx-AD \系统状态\sysvol 备份频率：每周 数据包大小：1.4G 生效日期：2009-11-2 通过对磁带备份目前进行的10个作业进行分析，我们可以看到作业1、2、3、4、5、9这六项作业都是对系统SQL数据库进行备份，6号作业是对domino数据库进行备份，7、8号作业是对文件夹进行备份，其中8号作业由于数据量太大从未成功备份过，因此建议永久性停止该条作业。10号作业是对系统状态（文件）进行备份。 二、备份数据一致性和有效性检验分析 要对这些备份的数据进行一致性检验，确保备份数据和备份作业时的生产系统的数据完全一致，这种一致性检验是无需人工对每个数据表来校验核对的，只需要在备份策略上加上“备份后一致性检查”这条选项就能保证备份后的数据与生产系统完全一致，如果发现不一致，备份服务器校验后就会报错，技术人员再进行技术干预即可。由于备份后对备份数据进行一致性检查占用的系统资源较大，建议对现有的带库备份服务器进行内存升级，由目前的1G内存升级到4G内存即可。 而对备份后的数据进行有效性检验，只需要将备份的数据恢复到验证服务器上，恢复后的数据能正常访问就能证明备份数据有效。而这些有效的数据之前是已经进行过一致性检验
第四章线性回归模型检验方法拓展——三大检验作为统计推断的核心内容，除了估计未知参数以外，对参数的假设检验是实证分析中的一个重要方面。对模型进行各种检验的目的是，改善模型的设定以确保基本假设和估计方法比较适合于数据，同时也是对有关理论有效性的验证。 一、假设检验的基本理论及准则 假设检验的理论依据是“小概率事件原理”，它的一般步骤是 （1）建立两个相对（互相排斥）的假设（零假设和备择假设）。 （2）在零假设条件下，寻求用于检验的统计量及其分布。 （3）得出拒绝或接受零假设的判别规则。 另一方面，对于任何的检验过程，都有可能犯错误，即所谓的第一类错误 P（拒绝H |H0为真）=α 和第二类错误 P（接受H |H0不真）=β 在下图，粉红色部分表示P（拒绝H0|H0为真）=α。黄色部分表示P（接受H0|H0不真）=β。 而犯这两类错误的概率是一种此消彼长的情况，于是如何控制这两个概率，使它们尽可能的都小，就成了寻找优良的检验方法的关键。
下面简要介绍假设检验的有关基本理论。 参数显著性检验的思路是，已知总体的分布(,)F X θ，其中θ是未知参数。总体真实分布完全由未知参数θ的取值所决定。对θ提出某种假设 001000:(:,)H H θθθθθθθθ=≠><或，从总体中抽取一个容量为n 的样本，确定 一个统计量及其分布，决定一个拒绝域W ，使得0()P W θα=，或者对样本观测数据X ，0()P X W θα∈≤。α是显著性水平，即犯第一类错误的概率。 既然犯两类错误的概率不能同时被控制，所以通常的做法是，限制犯第一类错误的概率，使犯第二类错误的概率尽可能的小，即在 0()P X W θα∈≤ 0θ∈Θ 的条件下，使得 ()P X W θ∈，0θ∈Θ-Θ 达到最大，或 1()P X W θ-∈，0θ∈Θ-Θ 达到最小。其中()P X W θ∈表示总体分布为(,)F X θ时，事件W ∈{X }的概率，0 Θ为零假设集合（0Θ只含一个点时成为简单原假设，否则称为复杂原假设）。 0Θ-Θ为备择假设集合，并且0Θ与0Θ-Θ不能相交。由前述可知，当1H 为真时，它被拒绝（亦即H 0不真时，接受H 0）的概率为β，也就是被接受（亦即H 0不真时，拒绝H 0）的概率是1β-（功效），我们把这个接受1H 的概率称为该检验的势。在对未知参数θ作假设检验时，在固定α下，对θ的每一个值，相应地可求得1β-的值，则定义 =1()()P X W θβθ-∈
… 第3章 金融风险测度工具与方法 一、选择题 二、简答题 略 三、判断题 1.对 2.对 3.错 4.错 5.错 四、计算题 ~ 1.解：在1-c 的置信水平下，收益率服从正态分布时，风险价值的计算公式如式（3-57）所示，0c VaR v z σ=。0v 为资产的初始价值，c z 为正态分布在水平c 上的分位数，σ为样本时间段收益率的标准差。 根据风险的时间聚合性质，按每年252个工作日计算，股票A 收益率1天和1周的标准差d σ和w σ 分别为/d y σσ= 和/w y σσ=其中y σ为股票A 收益率的年标准差。 则得解： （1）在95%的置信水平下 样本观察时间段为1 天的0.05=100*z =1.65*30%/ 3.12VaR ≈（）万元； 样本观察时间段为1 周的0.05=100*z =1.65*30%/ 6.97VaR ≈（）万元。 （2）在99%的置信水平下 样本观察时间段为1 天的0.01=100*z =2.23*30%/ 4.21VaR ≈（）万元； … 样本观察时间段为1 周的0.01=100*z =2.23*30%/9.42VaR ≈（）万元。 2. 解:(1)由题意可知，该资产收益率小于等于-5%的概率为+=，即5%。根据风险价值的定义，在95%的置信水平下，此时风险价值即为收益率为-5%时的损失，即=10000*-5%=500VAR （）。 预期损失是在一定置信水平下，超过VaR 这一临界损失的风险事件导致的收益或损失的平均数或期望值。在95%的置信水平下，有预期损失为： 0.010.0410000*[*(10%)*(5%)]6000.010.040.010.04 ES =-+-=++ （2）若可能性1发生的概率不变，95%的置信水平下，风险价值依然为收益率为-5%时的损失500，预期损失为 VaR VaR VaR
数据完整性检查要点 本文通过梳理数据核查全过程，列出GMP 核查中数据完整性检查要点内容，包括：基本原则、数据记录（纸质、图谱或电子记录）、审计跟踪、计算机系统检查 4 个要点。并附上具体问题和小结，以供读者阅读讨论。 数据完整性 数据完整性（data integrity）：是指数据的准确性和可靠性，用于描述存储的所有数据值均处于客观真实的状态。 –并不是计算机化系统实施后才出现的 –适用于电子数据和手工（纸质）数据 –企业应当处于一种基于数据完整性风险的可接受控制状态数据的属性 基本原则- ALCOA A（attributable）—可溯源 L（legible）—清晰 C（contemporaneous）—同步 O（original or true copy）—原始或真实复制 A（accurate）—准确 数据记录 数据定义 人工观察填写的纸质记录 仪器、设备通过复杂的计算机化系统产生的图谱或电子记录 纸质记录 对文件和记录版本（变更）进行控制 对原始空白记录进行控制 对空白记录的发放进行控制 对已填写记录的修改进行控制 图谱或电子记录 电子方式产生的原始数据采用纸质或PDF格式保存应当显示数据的留存过程，以包括所有原始数据信息、相关审计跟踪和结果文件、每一分析运行过程中软件/系统设置标准 一个给定的原始数据系列重建所需的所有数据处理运行情况（包括方法和审计跟踪），经过确认的复本。 一旦打印或转换成静态PDF，图谱记录则失去了其被再处理的能力，不
能对基线或隐藏区域进行更详细的审核或检查。 以数据库格式存在的动态电子记录则可以进行追踪、趋势分析和查询、查看隐藏区域，放大基线以将积分情况查看的更清楚。 数据审计跟踪 数据审计跟踪（audit trial）：是一系列有关计算机操作系统、应用程序及用户操作等事件的记录，用以帮助从原始数据追踪到有关的记录、报告或事件，或从记录、报告、事件追溯到原始数据。 如果计算机系统用于电子捕获、处理、报告或存贮原始数据，系统设计应能保持提供全面审计追踪的保存，能够显示对数据进行的所有更改。但不需要包括每个系统活动（例如，用户登录/退出，键盘敲击等）。通过对经过设计和验证的系统报告进行审核来达到目的。 对数据的所有更改，应可以显示做这些更改的人，更改均应有时间记录，并给出理由。用户不应具备修订或关闭审计追踪的能力。 Q：必须是商业电子管理系统吗？ A：只要能够达到GMP 的要求，纸质追踪和半纸质半电子系统也能被接受。 对于数据完整性提出详细要求 –计算机化系统应当记录输入或确认关键数据人员身份 –只有经授权人员，方可修改已输入的数据 –每次修改已输入的关键数据均应当经过批准，并应当记录更改数据的理由 –人工输入关键数据时，应当复核输入记录以确保其准确性 –对于电子数据和纸质打印文稿同时存在的情况，应当有文件明确规定以电子数据为主数据还是以纸质打印文稿为主数据 –以电子数据为主数据时，应当满足以下要求： （一）为满足质量审计的目的，存储的电子数据应当能够打印成清晰易懂的文件。 （二）必须采用物理或者电子方法保证数据的安全，以防止故意或意外的损害。日常运行维护和系统发生变更（如计算机设备或其程序）时，应当检查所存储数据的可访问性及数据完整性。 （三）应当建立数据备份与恢复的操作规程，定期对数据备份，以保护存储的数据供将来调用。备份数据应当储存在另一个单独的、安全的地点，保存时间应当至少满足本规范中关于文件、记录保存时限的要求。
数据完整性检测工具：Tripwire 作者：nixe0n 综述 作为一个系统管理员，你需要保护自己的系统不被攻击者的侵入，但是系统非常庞大，这对你来说恐怕有些勉为其难了。Tripwire能够为你提供帮助，它不是为了抵御攻击者设计的，然而它能够帮助你判断系统的一些重要文件是否被攻击者修改。1992年，还在Purdue大学COAST实验室的 Gene H.Kim和Eugene H. Spafford开发了tripwire。它们的目的是建立一个工具，通过这个工具监视一些重要的文件和目录发生的任何改变。1997年，Gene Kim和W.Wyatt Starnes发起成立了Tripwire公司。他们成立这个公司的目的之一是发布一个能够用于更多平台的商业升级版本。Tripwire3的商业版本非常昂贵(这客观上促使aide的诞生)。 但是，到了2001年3月，情况发生了变化。Tripwire公司发布了Linux下的开放源码版本Tripwire-2.3.1，这个版本使用GPL作为许可证，代码是基于商业版的Tripwire-2.x。这无疑是一个好消息，最新的Redhat 7.x就包含了Tripwire-2.3.1的RPM软件包。 在1992年，Tripwire开发之初，只有很少的UNIX安全工具。 COPS (Computer Oracle and Password System)是一个能够支持很多UNIX平台的安全工具集。自从1989年，就开始自由分发，它使用CRC(循环冗余校验)监视系统的文件。但是，COPS有很多不足，例如：它不能监视文件索引节点(inode)结构所有的域。 TAMU是一个脚本集，以和COPS相同的方式扫描UNIX系统的安全问题。TAMU通过一个操作系统的特征码数据库来判断文件是否被修改。不过，它不能扫描整个文件系统，而且每当操作系统升级和修补之后，需要升级自己的特征码数据库。 Hobgoblin使用一个模板来检验文件系统，Hobgoblin运行时，会把系统文件和自己的数据库进行对比，以此来判断系统文件是否被修改。然而，如果文件系统改变，却没有办法对它的数据库进行升级。 ATP能够做一个系统快照并建立一个文件属性的数据库。它使用32位CRC和MD校验文件，而且每当检测到文件被修改，它会自动把这个文件的所有权改为root。和COPS、TAMU以及Hobgoblin相比，这个特征是独一无二的。
1 绪论 1.1 引言 现代金融理论的核心是研究在不确定条件下投资者以及市场如何对金融、货币及其他资产进行有效配置，从而获得最大的满足。金融分析方法的发展使金融理论内容逐渐形成了三个主要方面，正如学者兹维·博迪所总结的——现代金融分析的三大支柱分别是：跨时期最优化，主要研究投资者生命期资产配置、消费选择等；资产估值，涉及的有资本资产定价、衍生品定价、估值折现模型等；风险管理与组合选择，包括风险测度理论、投资组合选择模型等[28]。而本文研究主题就是三大支柱之一——金融风险管理和投资组合选择。 现代投资组合理论被认为是整个现代金融学的发端。该理论发端于1952年Markwitz在《Journal of Finance》上发表的一篇论述理性投资者为获得最大效用从而如何分配其资产的论文，其使用均值方差模型代表理性投资者共同的选择模型，从而得到了最佳的资产配置方案，第一次将风险资产的期望收益与代表风险的方差结合起来研究资产组合选择问题，从而为现代投资组合理论(modem portfolio theory，MPT)的发展奠定了基础[13]。其实分散化在经济和金融学届早有讨论，但都属于感性认知阶段，Markwitz这一理论的问世，使金融学开始摆脱了纯粹描述性的研究和单凭经验操作的状态，数量化方法开始进入金融领域，“鸡蛋不能同时放在一个篮子里”这句投资领域的俗语被众多学者通过不同的数学模型展示和理论上证明出来。但是不同模型所求得的最优组合解也存在差异，因而如何选择适合的风险度量工具作为约束条件，并高效地求解投资模型成为现代投资理论中极其重要的两个课题。 一方面，当深入考量市场参与者偏好、市场结构等因素时学者们发现以方差代表风险大小并不恰切[1]，因而风险度量理论随之兴起，其引发的就是半方差、平均绝对离差（MAD）、VAR、CVAR等度量工具以及一致风险测度、凸风险测度、谱风险测度等测度理论的相继出现。 另一方面，现实金融环境下小样本问题、资产历史收益数据波动问题（噪声）等对投资组合规划求解也构成了挑战。为此，部分学者结合计算数学与投资理论，在适当修正投资模型的基础上将遗传算法、蚁群算法等引入投资规划问题的计算；而另一部分学者则试图从理论上探讨特定风险度量工具约束下投资组合模型
国家重点监控企业污染源自动监测数据有效性审核办法 2009-05-11 第一章总则 第一条为了加强对国家重点监控企业（以下简称国控企业）污染源自动监测数据的使用和管理，规范环境监测管理部门对污染源自动监测数据的有效性审核工作，根据《中华人民共和国大气污染防治法》、《中华人民共和国水污染防治法》、《排污费征收使用管理条例》、《主要污染物总量减排监测办法》和《污染源自动监控管理办法》等有关规定，制定本办法。 第二条本办法所称的国控企业污染源自动监测数据是指通过国控企业安装的污染源自动监控设施获取的监测数据。 国控企业名单，由国务院环境保护主管部门定期公布。 第三条国控企业污染源自动监测数据有效性必须同时符合以下条件： （一）安装的自动监控设施经环境保护主管部门验收合格； （二）自动监控设施的运行经环境保护主管部门定期考核合格。 第四条验收合格、日常运行定期考核合格的污染源自动监控设施获取的自动监测数据，认定为通过有效性审核的污染源自动监测数据。 第五条通过有效性审核的污染源自动监测数据，是环境保护主管部门进行排污申报核定、排污许可证发放、排放总量核算、环境统计、排污费征收和环境执法等环境管理行为的依据。 第六条国控企业污染源自动监测数据有效性审核工作由市（地）级环境保护主管部门（以下简称市级责任环保部门）负责。 其中装机容量30万千瓦以上火电厂（包括热电联产电厂）的污染源自动监测数据有效性审核工作由省级环境保护主管部门（以下简称省级责任环保部门）负责。 第二章责任 第七条国控企业对污染源自动监测数据的准确性负责。
第八条国控企业安装污染源自动监控设施应当严格执行《水污染源在线监测系统安装技术规范（试行）HJ/T353-2007》、《固定污染源烟气排放连续监测技术规范（试行）HJ/T75-2007》和《污染源监控现场端建设规范》。 第九条国控企业的污染源自动监控设施必须与责任环保部门的污染源监控机构（指环保部门的监控中心、应急指挥中心或设在环境监察、环境监测或环境信息机构的监控平台等）联网。 第十条国控企业应当依据《水污染源在线监测系统运行与考核技术规范（试行）HJ/T 355-2007》和《固定污染源烟气排放连续监测技术规范（试行）HJ/T75-2007》要求，对污染源自动监控设施进行运行管理，建立健全相关制度和台帐信息，储存足够的备品备件。 第十一条国控企业按照有关技术规范要求对污染源自动监控设施进行巡检、维护保养、定期校准和校验，对异常和缺失数据进行标识和补充。 不论何种原因导致的污染源自动监测数据缺失，国控企业均应在8小时内报告责任环保部门。 在系统不能正常运行期间，国控企业要采取人工采样监测的方式向责任环保部门污染源监控机构报送数据，数据报送每天不少于4次，间隔不得超过6小时。进行人工监测的检测机构需具有相应的监测资质。 第十二条国控企业应当配合责任环保部门开展对污染源自动监测数据的有效性审核工作。 第十三条国控企业污染源自动监控设施由责任环保部门组织验收，国务院环境保护主管部门进行监督检查。 国控企业污染源自动监控设施已通过地市级以上环保部门验收的，经省级环保部门认定，报国务院环境保护主管部门备案。 第十四条责任环保部门对污染源自动监控设施验收时应当严格执行《国家重点监控企业污染源自动监控设施验收规程》。 第十五条责任环保部门依据《国家重点监控企业污染源自动监控设施考核规程》，对国控企业污染源自动监控设施进行考核。 第十六条责任环保部门的污染源监控机构在自动监测数据有效性审核中承担以下职责：
风险测度综述报告 罗小明（江西吉水二中，331600） 现有的风险测度大体经历了三个发展阶段。首先是以方差和风险因子为主要度量指标的传统风险测度阶段;其后是以现代国际标准风险测度工具VaR 为代表的现代风险测度阶段;第三是以ES 为代表的内在一致风险测度阶段。下简要介绍风险测度理论发展的历程、研究现状与问题。 一． 传统风险测度工具 传统风险测度工具包括方差、下偏矩LPM 、持续期（duration ）、凸性（convexity ）、beta 、delta 、gamma 、theta 、vega 、rho 等，这些指标分别从不同的角度反映了投资价值对风险因子的敏感程度，因此被统称为风险敏感性度量指标。Delta-Gamma 适用于期权，持续期适用于固定收入证券。Delta-Gamma 和持续期的主要不足是只能对投资组合对市场的敏感性进行近似性度量，beta 、delta 、gamma 、theta 、vega 、rho 等可以作为非线性金融工具对市场的敏感性度量的补充指标。 风险敏感性度量指标只能在一定程度上反应风险的特征，难以全面综合地度量风险，因此只能适用于特定的金融工具或在特定的范围内使用。如果仅用风险敏感性度量指标，将低估于来自市场风险，对应物缺乏，金融工具流动性的波动。Delta-Gamma 或beta 、持续期等风险敏感性分析不能充分解析现代金融风险，由于它们不能解决风险因子的波动问题。于是VaR 应运而生。 二．现代国际标准风险测度工具VaR 现代国际标准风险测度工具VaR 最初由J.P.摩根针对其银行业务风险管理的需要提出的。于是J.P.摩根的工作人员发明了用一个简单货币数量反映其风险程度的VaR 。 VaR 直译为“在险价值”，其正式定义则由Jordan 和Mackay 于1995年及Linsmerier 和Pearson 于1996年才给出的，Jorion （1997）给出的VaR 定义更为简洁。即在给定的置信度和时间间隔下，由正常市场变化引起的高于目标水平的最大损失。在数学上VaR 就是一个分位数，准确称为分位数VaR 。根据Jorion （1997）的定义，VaR 为给定置信度（习惯上称1-α为置信度，称α为损失概率）时可能发生的最大损失，即VaR 定义为随机变量X 的下分位数()d x α的相反数。 ()()d VaR X x αα=- （1） 当随机变量X 的概率分布不连续时，分位数的定义可能不是惟一的。一般地，分位数VaR 可定义为随机变量X 的任意分位数(;)q X α的相反数。 (;)(;)VaR X q X αα=- （2） VaR 在风险测度理论上取得突破性进展，具有许多优越性： VaR 度量风险的综合性；VaR 概念的简明性和直观性；VaR 拓展了风险测度的应用功能，实现了风险测度从仅作为风险排序工具到作为风险储备测度工具的突破，从而使其在实践中得以广泛应用。另外，VaR 分析还适用于具有非线性支付的金融工具和收益率不为正态分布的资产。已有更加先进的VaR 度量方法产生，更加复杂精确的分布，如GEV 分布。混合正态分布等也都应用于经验分析。尽管VaR 相对说来是一种新的风险管理方法，但也有许多关于VaR 的不足及其局限性的研究。Artzner 等（1997，1999）提出了内在一致风险测度（CRM ）概念，并不久就被广泛接受。 三．内在一致风险测度工具—ES