前言：中文期刊網精心挑選了證券市場顯著特征范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
證券市場顯著特征范文1
關鍵詞： 證券市場；波動溢出；時變Copula模型
中圖分類號： F830.91 文獻標識碼： A 文章編號：1003-7217(2011)06-0048-05
一、引 言
伴隨著中國金融對外開放力度的加大，中國證券市場與國際證券市場之間的資金流動與信息傳播不斷加強，波動溢出特征愈來愈明顯。對中國證券市場與國際證券市場間的波動溢出進行研究顯得尤為迫切。
Copula函數在不要求具有相同邊緣分布形式的情況下，可以將金融市場隨機變量的邊緣分布與聯合分布連接起來構造靈活實用的多元分布，并且由此導出相關性測度。因此近年來有學者提出運用Copula模型對金融市場間的波動溢出進行研究。Wen和Liu利用Copula模型對隨機變量間的相關性進行測度，證明Copula模型能較好地描述隨機變量間的相關性［1］。Zhang和Paya的研究結果則表明Copula模型可以較好捕捉各證券市場之間的尾部相關性［2］。但是目前將Copula模型應用于證券市場間波動溢出分析的文獻多為靜態研究，很少有文獻對證券市場間波動的尾部相關性進行研究。同時，在運用Copula模型對波動溢出問題進行研究時，多是對波動溢出大小進行研究，很少考慮波動溢出的方向，而波動溢出是一個矢量概念，既包括方向也包括大小。因而本文結合Granger因果檢驗，將時變二元Copula模型引入到證券市場波動溢出研究，不僅能分析證券市場波動溢出的方向，還能描述證券市場間波動溢出的時變性，同時也能捕捉到波動溢出的尾部結構。
二、證券市場波動溢出的Copula模型選取
本文主要運用兩種時變相關二元Copula模型對證券市場間波動溢出進行分析。
(一) 時變相關二元正態Copula模型
時變相關二元正態Copula模型能夠較好的描述證券市場之間在正常情況下的時變相關特性。分布函數為［3］：
Cu,v;ρ=∫Φ－1(u)－
SymboleB@ ∫Φ－1(v)－
SymboleB@ 12π1－ρ2
exp －(r2+s2－2ρrs)2(1－ρ2)drds(1)
其中，Φ－1(•)表示標準正態分布函數的逆函數；ρ∈(－1,1)，表示相關參數；u,v分別表示經過概率積分變換后得到的兩個證券市場波動序列。
為了描述兩個證券市場波動序列之間隨外部環境變化而變化的時變相關性，本文采用如下時變相關參數演進方程：
ρt=Λωρ+βρρt-1+αρ×
1q∑qi=1Φ-1(ut-iΦ-1(νt-i)(2)
其中函數Λ(x)=1－e－x1+e－x，該函數的引入能保證相關參數ρt始終處于(－1,1)區間之內。
(二) 時變相關二元SJC Copula模型
時變相關二元SJC Copula模型的分布函數為［4］：
CSJCu,v;τUt,τLt=0.5(CJC(u,v;τUt,τLt)+
CSJC(1－u,1－v;τUt,τLt)+u+v－1)(3)
其中，τL和τU分別為估計的兩個證券市場波動序列的上尾相關性系數和下尾相關性系數。當τU=τL，連接函數為尾部對稱。
由于證券市場處于一個不斷變化波動的環境之中，這將導致證券市場波動序列之間的尾部相關性也會隨著時間而發生不斷的變化。為了更好地描述這種特征，本文運用ARMA(1,10)的過程來描述SJC Copula 模型的上尾和下尾相關關系：
τUt=ΛωU+βUτUt－1+αU•110∑10j=1ut－j－uv－j(4)
τLt=ΛωL+βLτLt－1+αL•110∑10j=1ut－j－uv－j(5)
其中，函數Λ(•)為Logistic轉換函數，Λ(x)=(1+e－x)－1，這個函數的應用能夠確保證券市場波動序列之間的條件上尾相關系數和條件下尾相關系數在任意時刻都處于(0,1)區間；βUτUt－1與βLτLt－1分別為上尾相關系數與下尾相關系數的自回歸項；110∑10j=1ut－j－uv－j為外生變量。本文選用滯后10階經過概率積分轉換后的波動序列差的絕對值的均值作為外生變量，這樣SJC Copula模型就具有了時變特征。
三、證券市場波動溢出的實證研究
以下將運用時變相關二元Copula模型分別研究金融安全期與金融危機期的中國與美國證券市場之間的波動溢出效應。
（一）樣本選擇與數據來源
本文主要考察中國證券市場與美國證券市場之間的波動溢出效應。選取標準普爾500指數作為美國證券市場的代表指數。選取上證綜合指數反映中國證券市場的波動。
本文把2003年5月26日QFII獲批作為樣本開始期，以2007年7月10日穆迪、標準普爾宣布次級債降級為界限將樣本期劃分為兩段。其中2003年5月27日~2007年7月9日為金融安全樣本時期，2007年7月10日~2010年6月30日為金融危機樣本時期。由于中國證券市場與美國證券市場因節假日而休市的日期有所不同，故在對節假日的處理上本文依據Hamao的做法，對于任一市場休市，而其他證券市場沒有休市的情況給予刪除當日記錄的方式來處理［5］。整理后每個證券市場最終得到1627個樣本數據。其中，金融安全期共包含941個樣本數據，金融危機期共包含686個樣本數據。由于不同證券市場指數的基數不同，需要將證券市場指數轉換為日收益率，本文采用對數差分計算證券市場收益率。分別用RSSEC與RS&P代表中國和美國證券市場的收益率序列。本文所使用的證券市場收盤價來自上海證券交易所(省略/)和雅虎財經( 省略/)。
（二）金融安全期證券市場間的波動溢出研究
1. 波動度量的結果及分析。
通過ARCH LM檢驗，發現金融安全期中國與美國證券市場收益率殘差平方序列中均存在ARCH效應，而GARCH(1,1)模型可以較好的消除殘差序列中的條件異方差性。因此，將分別運用GARCH(1,1)-normal、GARCH(1,1)-t和GARCH(1,1)-GED模型來對證券市場收益率序列的波動進行度量。
研究發現，對于中國證券市場而言，GARCH(1,1)-normal與GARCH(1,1)-t模型中，各參數中除了μ外均為統計顯著，而GARCH(1,1)-GED模型中μ和參數均為統計不顯著，因此首先排除GARCH(1,1)-GED模型。在GARCH(1,1)-t模型中，α+β=0.996691，接近于1，參數ν顯著，說明外來沖擊對中國證券市場收益率具有較持久的影響，即證券市場波動具有長記憶性，并且具有顯著的厚尾特征。此外，與GARCH(1,1)-normal模型相比，GARCH(1,1)-t模型具有更大的極大似然值，因此，選取GARCH(1,1)-t模型作為金融安全期中國證券市場的波動度量模型。
通過比較分析，選取GARCH(1,1)-normal模型作為金融安全期美國證券市場的波動度量模型。其中，α+β=0.931855，說明外來沖擊對美國證券市場的影響比外來沖擊對中國證券市場影響的持續時間短，這在一定程度上反映了美國證券市場比中國證券市場更為完善和成熟，能在更短的時間內吸收和處理外來沖擊的影響。
2. 金融安全期的證券市場波動溢出分析。
通過Granger因果檢驗發現，美國證券市場的波動是中國證券市場波動的Granger原因，中國證券市場波動并不是美國證券波動的Granger原因。即在金融安全期，美國證券市場對中國證券市場存在波動溢出。
(1)基于時變二元正態Copula模型的估計結果及分析。
從圖1可以發現，金融安全期美國證券市場對中國證券市場的波動溢出系數常值為0.0746，說明美國證券市場對中國證券市場的波動溢出強度較小。但是從長期來看，隨著中國金融對外開放力度的加大，中美兩國在經濟、政治、文化等各方面交流的深入，美國證券市場對中國證券市場波動溢出的強度有加大的趨勢。在2007年3月中旬到4月上旬這個時間段，美國證券市場對中國證券市場的波動溢出強度急劇上升。這主要是由于2007 年3 月13 日，美國第二大次級抵押貸款機構――新世紀金融公司，因瀕臨破產，被紐約證券交易所停牌，標志著次貸危機的正式爆發，造成美國證券市場指數急劇暴跌。外部投資預期的惡化，一定程度上影響了投資者對中國證券市場的投資預期，造成了中國證券市場的波動，因而兩個證券市場間的波動溢出在這個時間段有顯著提高。然而，由于中國證券市場在這個時間段總體上仍然處于牛市行情中，所以短期的劇烈波動以后又回復平穩發展趨勢，因而美國證券市場對中國證券市場的波動溢出強度有所回落。
(2)基于時變二元SJC Copula模型的估計結果及分析。
金融安全期美國證券市場對中國證券市場波動溢出的尾部特征如圖2、圖3所示。通過matlab計算得到的金融安全期美國證券市場對中國證券市場波動溢出的上尾強度為0.0718、下尾強度為0.0843。對圖2分析發現在金融安全期，因美國證券市場暴漲引起的波動對中國證券市場的波動溢出強度基本保持在一個比較穩定的狀態，且總體上呈現上升趨勢。對圖3分析可以發現，因美國證券證券市場暴跌引起的波動對中國證券市場波動溢出強度在2007年3月份左右急劇上升，這主要是由于2007 年3 月13 日次貸危機正式爆發造成了美國證券市場指數暴跌，而美國證券市場的暴跌在較大程度上引起了中國證券市場投資者的恐慌，因此在這個時間段美國證券市場暴跌引起的波動對中國證券市場存在較大的波動溢出。
（三）金融危機期證券市場間的波動溢出研究
1. 金融危機期證券市場波動的度量。
通過比較分析，選取GARCH(1,1)-normal模型作為金融危機期中國證券市場的波動度量模型。其中， α+β=0.987281接近于1，說明外來沖擊對中國證券市場指數收益率具有較持久的影響；與金融安全期的值相比該值有所下降，說明經過一段時間的發展，伴隨著中國金融經濟體制的不斷完善，中國證券市場更加規范和成熟，吸收和消化外來沖擊的能力得到進一步增強。
選取基于GARCH(1,1)-t模型作為金融危機期美國證券市場的波動度量模型。其中α+β=0.9929，與金融安全期的值相比，該值有所上升，說明此次起源于美國次貸危機的金融危機對美國證券市場造成了持久的影響，該影響在一定時期內將長期存在。此外，通過與中國證券市場相比可以發現，中國證券市場的值小于美國證券市場的值，說明此次金融危機對美國證券市場的影響更為深遠，美國證券市場需要更長的時間來消化和吸收此次金融危機帶來的負面影響。
2. 金融危機期基于Copula模型的證券市場波動溢出分析。
通過Granger因果檢驗發現，美國證券市場對中國證券市場存在波動溢出，這說明在全球金融危機的影響下，美國證券市場的波動會以較快的速度溢出到中國證券市場。
(1)基于時變二元正態Copula模型估計結果及分析。
金融危機期美國證券市場對中國證券市場的波動溢出強度常值為0.2051。具體對圖4分析可以發現，在2008年9月上旬至2008年10月上旬這一時間段，美國證券市場對中國證券市場的波動溢出強度有所降低。這主要是由于在這一時間段美國標準普爾指數經歷了自20世紀30年代經濟危機以來的最差表現，指數呈現暴跌趨勢，而中國證券市場的上證指數在這一時間段主要呈現震蕩下行趨勢，但是下跌的幅度不大。然而自2008年10月中旬開始，美國證券市場波動對中國證券市場的波動溢出強度開始增大，并保持在0.34左右。這主要是由于在這個時間段，金融危機的影響全面顯現出來，美國證券市場波動通過貿易渠道、金融市場渠道以及心理預期機制傳導到中國證券市場，造成了中國證券市場的較大波動［6］。
(2) 基于時變二元SJC Copula模型的估計結果及分析。金融危機期美國證券市場對中國證券市場波動溢出的尾部特征如圖5和圖6所示。對圖5和圖6分析發現，金融危機期美國證券市場對中國證券市場波動溢出的上尾強度為0.0430、下尾強度為0.1901。下尾強度大于上尾強度，其中波動溢出下尾強度表現出明顯的時變特征，最高超過了0.8，意味著當美國證券市場出現由暴跌引起的波動時，極易引起中國證券市場波動。這說明金融危機的爆發極大地增強了證券市場之間波動溢出效應，并且因證券市場暴跌引起的波動溢出強度要大于因證券市場暴漲引起的波動溢出強度。隨著此次次貸危機演變為全球金融危機，其破壞性的影響逐漸顯現，因證券市場暴跌引起的波動更容易溢出到中國證券市場。
（四）金融安全期與金融危機期證券市場間波動溢出對比分析
通過時變二元正態Copula模型就美國證券市場對中國證券市場的波動溢出分析發現，在金融安全期與金融危機期美國證券市場對中國證券市場波動溢出系數常值分別為0.0746與0.2051，說明在金融危機期美國證券市場對中國證券市場的波動溢出強度提高了175%。通過時變二元SJC Copula模型就美國證券市場對中國證券市場波動溢出的尾部結構分析發現，金融危機期的上尾強度及下尾強度與金融安全期相比也都有顯著提高，并且下尾強度要大于上尾強度。這說明金融危機時期，美國證券市場對中國證券市場的波動溢出有較大幅度的提高，當美國證券市場出現由暴跌引起的波動時，極易引起中國證券市場暴跌造成的大幅波動。
首先，這是因為此次全球金融危機起源于美國次貸危機。在美國本土，受金融危機的影響，美國證券市場指數呈暴跌趨勢，標準普爾500指數下降到20世紀30年代經濟危機時期的水平，證券市場整體呈現劇烈波動的態勢。其次，美國證券市場在國際證券市場上處于主導地位，跨國投資者會根據美國證券市場的表現重新形成對全球證券市場的投資預期。次貸危機影響下，跨國投資者普遍表現出悲觀情緒。隨著此次次貸危機演變為全球金融危機，其破壞性的影響逐漸顯現，由于中國證券市場已經逐漸開始融入全球金融體系之中，跨國投資者的這種悲觀情緒也會從中國證券市場的表現上得以反映。因而美國證券市場暴跌引起的波動更容易溢出到中國證券市場，造成美國證券市場對中國證券市場波動溢出的增強。最后，次貸危機爆發以后，美國政府為了刺激經濟增長出臺了總額為7870億元的救市政策。這些政策會帶來兩方面后果，一方面該經濟刺激方案中包含大量購買美國國貨的貿易保護措施，將會掀起新一輪的貿易保護戰，最終將加劇國際金融危機；另一方面將會直接導致美元貶值，而中國持有大量的美元資產，如果美元貶值，將引起中國外匯資產的大幅縮水，影響中國經濟的發展，最終將引起作為國民經濟晴雨表的證券市場動蕩。同時由于中國仍然是出口導向型經濟為主，美元的貶值將降低中國產品出口競爭力，因而會引起相關行業惡化，進而引起證券市場的波動。
四、結 論
以上在分析證券市場波動溢出形成機理的基礎上，利用Granger因果檢驗以及時變相關二元Copula模型對金融安全期與金融危機期中國證券市場與國際證券市場的波動溢出進行了實證研究。發現金融安全期美國證券市場對中國證券市場的波動溢出較??；金融危機期美國證券市場對中國證券市場的波動溢出較金融安全期而言有所增強。這是由于當美國的次貸危機演變成全球金融危機以后，美國證券市場波動通過貿易渠道、金融市場渠道以及心理預期機制傳導到中國證券市場，造成了對中國證券市場波動溢出的加強。
參考文獻：
［1］Wen F G., Liu Z F. A copula-based correlation measure and its application in Chinese stock market［J］. International Journal of Information Technology and Decision Making, 2009, 8(4): 787-801.
［2］Zhang S H, Paya I, Peel D A. Linkages between Shanghai and Hong Kong stock indices［J］. Applied Financial Economics, 2009, 23(11): 1847-1857.
［3］Bouyé E, Durrleman V, Nikeghbali A, et al. Copula: an open field for risk management［R］. City University Business School Working Paper series with No. wp01-01, 2001.
［4］Patton A. Modeling asymmetric exchange rate dependence［J］. International economic review, 2006, 47(2): 527-556.
［5］Hamao Y, Masulis R W, Ng V. Correlations in price changes and volatility across international stock markets［J］. Review of Financial Studies, 1990, 3(2): 281-307.
［6］曾志堅，陳川，龍端.證券市場危機預警研究［J］.湖南大學學報(社科版),2011,(5):59-63.
A Study on the Effect of Financial Crisis on Volatility Spillover between Securities Markets
ZENG Zhijian, XU Di, ZUO Nan
(College of Business Administration, Hunan University, Changsha 410082,China)
Abstract：Volatilities in different securities markets demonstrate the characteristcs of time varying, nonsymmetrical as well as nonlinear related, especially under some extreme circumstances, there are always some kinds of tail correlations among different securities markets. The volatility spillover among different securities markets is examined with time varying copula model in the context of subprime crisis. The empirical results show there is volatility spillover from the U.S. securities market to China's mainland securities market, at the same time, this volatility spillover is greatly strengthened during the financial crisis period.
Key words：Securities market; Volatility spillover; Copula model
收稿日期： 2011-09-20
證券市場顯著特征范文2
關鍵詞：有效性市場；正態性；隨機性
一、有效市場理論假說
在學術上，一般認為，有效性理論是由芝加哥大學商學院的尤金?法瑪教授于1965年率先提出的，所謂的有效市場假說，是指如果在一個證券市場中，價格完全反映了所有可獲得的信息，那么就稱這樣的市場為有效市場?！坝行袌黾僬f”有兩個突出的特點：一是任何信息傳播無時滯性，二是任何交易者均不對價格波動構成大的影響。
依據有效市場說理論，學術界一般依據股票價格對三類不同資料的反映程度，將證券市場區分為三種類型：
1 弱式有效市場，指證券價格被假設完全反映包括它本身在內的過去歷史的證券價格資料。
2 半強式有效市場，指所有公開的可用信息假定都被反映在證券價格中，不僅包括證券價格序列信息，還包括公司財務報告信息、經濟狀況的通告資料和其他公開可用的有關公司價值的信息，公布的宏觀經濟形式和政策方面的信息。
3 強式有效市場，指所有相關信息(包括內部信息和公開信息)都在證券價格中反映出來。
在有效市場內，價格波動由大量隨機因素共同作用而形成的隨機變量――應服從正態分布。按有效市場假說的理論，證券市場的價格波動不論在時間上還是在空間上，均由大量隨機因素共同影響而形成，因此應服從正態分布。
二、數據背景分析
本次數據的區間為1992年2月7日至2009年7月31日，根據證券監管機構對市場管理政策的不同，本文將上述期間分為三個時間段。
第一階段：1992年2月7日至1992年5月20日，共47個交易日上證綜合指數數據。此期間上海證券市場實行1％日漲跌幅限制。此階段是中國證券市場的初創階段，證券監管部門對證券的價格波動給予了極大的關注并對日漲跌限幅給予了嚴格的限制。1％日漲跌限幅使得證券市場表現出持續穩健增長態勢，而證券市場應有的隨機性波動幾乎沒有表現。為了激活市場，使其恢復應有的隨機波動，監管部門于1992年5月21日取消了漲跌限。
第二階段：1992年5月21日至1996年12月13日，共1153個交易日上證綜合指數數據。此期間監管部門為促進證券市場的投資交易，取消了任何漲跌幅限制。取消漲跌幅限制后，上證綜合指數表現出高振幅的噪聲特征。這一變化說明證券市場出現了極強的投機現象。為解決這一問題，監管部門于1996年12月16日起調整了監管措施。
第三階段：1996年12月16日至2009年7月31日，共3052個交易日上證綜合指數數據。證券市場實行10％的日漲跌幅限制。為控制過度投機，監管部門恢復漲跌幅限制，但為避免再次出現第一階段的問題，漲跌幅限由原來1％變為10％。從指數的波動情況初步分析，10％的漲跌幅限有助于穩定市場，并同時保有市場自身的隨機波動性。
三、各階段股票價格分布
1 第一階段日漲跌對數收益
用EXCEL做頻數統計，并在splus中做圖1“第一階段日漲跌對數收益分布圖”。圖中反映出，初建階段過度的監管與許多硬、軟件條件的不成熟使當時的中國上證市場價格波動產生了較大的畸變，分布完全不具備鐘型的特點，缺少連續性，且分布明顯偏離正態性。
2 第二階段日漲跌對數收益
從第二階段日漲跌對數收益分布圖(如圖2所示)可以看出，分布趨向于鐘型且連續性得到較大改善。圖中雙尾的頻數明顯高于正態分布而兩腰則明顯偏低。以上特征明顯的表現出市場中存在著人為操縱的投機行為。
3 第三階段的日漲跌對數收益
第三階段市場漲跌分布的峰度有明顯的降低，分布的形態明顯像鐘型改善。雖然峰度和雙尾仍高于正態分布，且兩腰仍然偏低。因此分布仍然不是正態分布。但直觀上，市場自身波動的規律略有加強。第三階段日漲跌對數收益分布圖如圖3所示。
四、數據正態性檢驗
本文對三個階段日漲跌對數收益率進行非參數單樣本的Kolmogorov-Smirnov檢驗。結果發現，在顯著性水平為0.01的情況下，三個階段日漲跌對數收益率均拒絕原假設：樣本來自于正態總體，p-值均為0，000。數據分析的結果也表明，第一階段1％的漲跌停限過于強烈的干預了證券市場自身規律，使其漲跌變化與正態分布具有較大差異；而第二階段和第三階段則是因為人為地拉升和打壓使得短期對數收益率與正態分布產生較大的差異。但隨著市場發展的日益成熟及監管措施的日益完善，使第三階段的k-s檢驗統計量值有所減小。三個階段的p-值及Kolmogorov-Smirnov(簡稱：K-S)檢驗統計量值顯示于表1中。
這些p值表明，在三個階段上，均沒有證據顯示上證綜合指數的分布是正態分布的。
五、數據隨機性檢驗
下面將通過隨機游程檢驗的方法，對上證綜合指數的隨機性進行進一步的研究。
隨機游程的基本概念是：對在原假設成立的情況下(游程檢驗的原假設為日漲跌對數收益率分布是隨機的)，游程數應服從二項分布。在整體數據個數確定的情況下，游程數不應過少，太少說明股票價格的趨勢性過強；游程數太多說明人為的干擾對股票價格的影響過大。
對三個階段的日漲跌對數收益率進行游程檢驗以測定其漲跌變化的隨機性。同時，本文分別對三個階段的數據進行隨機重排，進一步研究同組數據因時間序列排布的不同對隨機性產生的不同影響。數據列于表2，分析表中數據可以看出：
1 第一階段，漲跌序列在任何顯著水平下可以拒絕隨機性假設，但重排后不能拒絕，p-值高達0.98；
2 第二階段，漲跌序列在5％的顯著水平下可以拒絕隨機性假設，但重排后在10％的顯著水平下不能拒絕隨機性假設；
3 第三階段，在10％的顯著水平下不能拒絕原漲跌序列隨機性假設，但重排后的隨機性仍有所提高。
上述結果表明，在第一階段市場的漲跌與隨機波動發生明顯的偏離。在第二階段價格波動的隨機性有所改善，但數據之間仍存在較強的關聯性。第三階段的結果則表明，在隨機性進一步改善的情況下，日漲跌數據之間仍存在趨勢性。
綜上所述，利用隨機游程檢驗，證明上海證券市場股票價格變化并不具有隨機性，而是呈現出一定程度的正相關性，股價上漲或下跌具有較大的慣性。導致這一現象的原因有兩個：一是投資者群體之間存在信息不對稱性，股價并不能對信息流動產生及時和完全的反應；二是投資者在錯誤一學習的動態調整過程中具有股價記憶的能力，從而導致價格變化具有一定程度的相關性。這表明股價對信息流動的反應并不是及時、完全的，而是有一定的粘滯性。因此中國資本市場的弱有效性是不充分的。
六、結論
通過上面的分析，我們可以得出以下結論：
通過對上證綜合指數分析，說明中國的證券市場是一個非有效性市場；
證券市場顯著特征范文3
公司特質風險（idiosyncratic risk），或稱公司特質波動①（idiosyncratic volatility），是指按照現有資本定價模型，除了所有能夠被定價的影響因素以外，與公司層面特質有關的，未被定價的誤差項。Campbell、Lettau、Malkiel和Xu（2001）（以下簡稱CLMX（2001））對美國證券市場公司特質風險的研究使得其逐漸成為金融經濟學的研究熱點，但國內學界對于該領域的研究卻涉獵較少。
公司特質風險研究不論在理論上還是在實務中都具有重要意義。首先，公司特質波動意味著公司特質信息，而個股波動中的公司特質風險水平將會對資本配置具有重要的影響（Wurgler，2000；Hamao、Mei和Xu,2003：Durnev、Morck和Yeung.2004a,2004b）。其次，隨著金融市場的發展，公司特質風險逐漸成為個股風險的主要來源，投資分散效益（gain from portfolio diversification）不斷下降，迫使投資者不得不承擔較高的特質風險，因而特質風險的定價成為金融經濟學的一個關注重點（Goyal和Santa-Clara,2003；Ang、Liu、Xing和Zhang,2008，2009）。再次，隨著金融市場的發展和對公司特質風險被定價的研究成果的不斷豐富，開發與非系統風險相關的金融產品，利用公司特質風險來獲取合理回報率的金融創新也逐漸成為可能。最后，公司特質風險的變化無論是公司投資方面（Panousi和Papanikolaou，2009；John和Kadyrzhanova，2008）還是股利支付政策方面（Hoberg、Prabhala，2005），都會對公司的經營與管理產生重要影響。因此，對于公司管理者而言，如何應對公司特質風險的變化成為重要議題，他們必須謹慎的對待公司層面的特殊風險，其中包括股權價格風險（Jones，1991；Burgstahler和Dichev，1997）。
本文主要研究我國證券市場中公司特質風險從1995年到2010年以來的時間序列趨勢特征，并在此基礎上從證券市場總體的角度分析公司特質風險對于市場收益的預測與解釋能力。本文結構安排如下：（1）就公司特質風險的相關內容做出文獻綜述，包括公司特質風險的測度、對股票收益的預測與解釋等三個方面；（2）就現有的公司特質風險測度方法，如CAPM模型的間接分解法或F-F三因素模型的直接分解法，本文指出它們的不足，并提出新的測度方法，即“非模型分解法”；（3）利用我國證券市場所有A股的數據進行實證分析，包括利用“非模型分解法”測度市場平均公司特質風險的時間趨勢，并在Goyal、Santa-Clara（2003）以及Bali、Cakici、Levy（2008）研究成果的基礎上構建公司特質風險對市場收益的預測模型；（4）對本文的實證分析進行總結，并就實證結果提出進一步的研究展望。
二、文獻回顧
對于公司特質風險的研究，目前國內學者涉及該領域的很少，國外的研究文獻主要集中于公司特質風險的測度、時間趨勢分析和定價三個方面。
（一）公司特質風險的時間趨勢
CLMX（2001）將美國證券市場的個股波動分解成市場層面波動、行業層面波動和公司特質波動，發現公司特質波動水平在1962年至1997年間呈現出明顯的上升趨勢，而市場層面風險和行業層面風險在樣本期間則相對穩定。Malkiel、Xu（2003）利用1952-1998年間的NYSE交易數據，得到與CLMX（2001）相似的結果，即20世紀80年代后美國股市特質波動存在明顯上升的趨勢。Wei、Zhang（2003）也發現公司特質波動存在明顯上升的趨勢。但是，也有一些學者的實證研究得出了不同的結論。Guo、Savickas（2008）對G7國家的股市進行了研究，他們在CLMX（2001）的基礎上，將樣本期間擴展到2003年，發現雖然一直到1990年代末，特質波動在G7國家的股票市場中呈現出顯著的上升趨勢，但隨后卻呈現出下降趨勢。另外，他們將G7國家中最大500家上市公司作為樣本，不論采用等權重還是市值權重估計特質波動，都沒有明顯的上升趨勢。Brandt、Brav、Graham和Kumar（2008）運用和CLMX（2001）相同的研究方法，但將樣本數據延長到2007年，發現從1962年到1997年間的特質波動趨勢的確是上升過程，但之后，特質波動趨勢開始反轉，不斷下降，到2007年，特質波動的幅度下降到了上世紀90年代以前的水平。因此，他們認為，上世紀90年代，美國股市的特質波動上升現象只是一個階段現象（episodic phenomenon），而不是一個趨勢現象（time trend）。
國內學者對于公司特質風險時間趨勢的研究很少，主要包括黃波、李湛和顧孟迪（2006）、陳健（2010）等。黃波、李湛和顧孟迪（2006）限于我國證券市場建立時間較短，僅研究了1998年到2003年間我國A股市場公司特質風險時間趨勢的變化，實證結果認為，1996至1999年間我國證券市場的公司特質風險水平較高，但2000年之后逐漸下降，因此他們認為我國證券市場上市公司質量有待提高。陳?。?010）在分析從1995年到2005年間的趨勢變化后則認為，從2004開始，我國特質風險水平在逐漸提高，股價中反映公司特質信息的含量在增加?？梢钥闯觯鲜鰞蓚€研究文獻的結論存在差異，本文認為這主要由于兩個原因：其一，兩人選取測度公司特質風險的方法不同，黃波、李湛和顧孟迪（2006）運用Fama-French三因素模型的直接分離法測度公司特質風險，而陳健（2010）則是利用CLMX（2001）的間接分離法；其二，兩者所選擇的樣本期間不相同，黃波、李湛和顧孟迪（2006）是從1998年到2003年，而陳健（2010）則相對較長，選擇的期間是1995年到2005年。本文為了避免由于模型選擇導致的測度誤差，以及樣本選擇的限制，采用的是不依賴于資產定價模型的測度方法，對我國證券市場長達15年的公司特質風險平均值的變化趨勢進行測度和分析。
（二）公司特質風險的測度
由于公司特質風險具有不可觀測性，在分解和測度時需要借助于模型的選擇，根據模型選擇的不同可以分為兩種方法：一是CLMX（2001）基于CAPM模型的間接分解法；二是：Malkiel和Xu（2003）以Fama-French三因素模型為基礎的直接分解法。間接分解法認為，個股收益來自于不同的影響層面，即市場層面、行業層面和公司特質層面，計算時，將個股超額收益率按照不同影響層面進行分解，然后計算不同層面收益率之差，并求其方差，把行業層面和公司特質層面超額收益之差對應的波動率用來測度公司特質風險，也稱為間接分離法。直接分離法最主要的優點，首先，就是簡單實用，便于應用，很少需要較為復雜的模型；其次，不需 要考慮變量間的協方差和估計行業與公司的β值。但是，它的缺點也是來自于它的優點，正是由于不需要考慮變量間的協方差，不需要考慮股票收益的序列相關性，即公司的β值，必然存在一定的誤差。直接分解法則是直接利用Fama-French三因素模型的誤差項計算公司特質波動，以測度公司特質風險。Malkiel、Xu（2003）和AHXZ（2006，2009）通過Fama-French三因素模型（以下簡稱F-F三因素模型）的殘差估計來計算公司特質波動。這種方法相對間接分解法而言，在考慮市場風險因素的情況下，也去除了賬面價值比因素、規模因素，因此計算出的公司特質波動誤差較小，但這個方法需要估計的變量較多，尤其是公司的β值的估算較為困難。
對于以CLMX（2001）為代表的直接分離法和Fama-French三因素模型的間接分離法之間的比較，Malkiel、Xu（2003）認為，由于CLMX（2001）的基于CAPM思想的間接分離法僅僅考慮了市場因素的定價，而不是像Fama-French三因素模型那樣，進一步考慮了規模因素和賬面市值比因素的定價問題，因此，間接分離法所度量的特質波動率往往高于基于Fama-French三因素模型的直接分離法的度量結果，存在著“高估”傾向。這兩種方法如果從適用角度上考慮，間接分離法存在著變量要求少的特點，并且計算的可靠性較高，能夠避免較大的估計誤差。但是，在估算公司特質波動時，是否考慮公司特征因素的影響，到現在仍是一個有爭議的問題。叢建波（2009）認為，特質波動應只排除市場因素的影響，而不應排除公司自身特征因素的影響，因為公司規模和賬面市值比等因素都是公司特征，由此引發的定價異動應屬于公司的特質波動。筆者認為，公司特質波動的估算應該考慮到公司層面已知的影響因素，原因很簡單，在F-F三因素模型中，公司特征因素對個股收益具有較強的解釋和預測能力，應該被定價，而公司特質波動的定義則是針對定價模型中不能定價的誤差項。
（三）公司特質風險的被定價
早期Lintner（1965）、Douglas（1969）、Miller和Scholes（1972）雖然發現市場風險并不能完全解釋市場收益，包括公司特質風險在內的非系統風險也應該被定價，但Fama-MacBeth（1973）提出的橫截面檢驗則拒絕了非系統風險被定價的可能性。在CLMX（2001）發現美國證券市場上的平均公司特質風險從60年代到90年代呈現出明顯的上升趨勢后，公司特質風險的被定價再次成為學者關注的重點。目前，無論國內還是國外，均認為公司特質風險在橫截面上與股票收益存在重要的關系，如Ang、Hodrick、Xing、Zhang（2006，2009）（以下簡稱AHXZ（2006，2009））提出“特質波動之謎”現象，②隨后Guo、Savickas（2006c）、Hin、Pandher（2007）、Han、Kumar（2008）等的研究均支持了AHXZ（2006，2009）的觀點。在國內，楊華蔚、韓立巖（2009）、陳國進、涂宏偉、林輝（2009）、左浩苗、林輝、涂宏偉（2010）也發現了我國證券市場中同樣存在“特質波動之謎”現象。
證券市場中，平均公司特質風險能否對市場收益具有解釋能力，這個問題目前仍然沒有定論。Goyal和Santa-Clara（2003）利用美國證券市場1963年8月至1999年12月的交易數據進行實證分析，發現平均個股收益方差和市場收益間具有相關性，而市場收益方差和市場收益間不具備相關性，由此間接得出公司特質風險應該和收益間具有一定的相關性。Bali、Cakici（2005）的研究結果卻否定了Goyal和Santa-Clara（2003）的觀點，他們認為，公司特質風險和市場收益間并沒有關聯，Wei和Zhang（2005）也支持了這一結論。有趣的是，Guo、Savickas（2006）利用美國證券市場1963-2002年的交易數據，分別采用直接分解法、間接分解法來測度公司特質風險，結果發現按照市值權重計算出的市場風險和公司特質風險與市場收益間具有不同的相關性：市場層面風險和市場收益問呈現出與CAPM類似的正相關性，即“風險收益相權衡”的關系；公司特質風險與市場收益間則表現出與AHXZ（2006，2009）橫截面研究類似的負向相關性，即與“特質波動之謎”現象相像。國內學者對于公司特質風險在我國證券市場中的平均水平與市場收益問的關系研究，也是相互矛盾的。黃波等（2006）的研究結果認為，我國證券市場總體公司特質風險與市場收益間不存在相關性，但市場層面風險則與市場收益間存在權衡關系。陳健（2010）的研究結論則相反，認為市場層面風險在回歸模型中的系數顯著性不穩健，公司特質風險具有顯著的市場收益預測能力。上述兩個研究文獻均存在一定的局限，黃波（2006）雖然根據投資者風險偏好的不同建立基于風險偏好的資產定價模型，但所選取的樣本期間過短，不足以反映兩者的相關性；陳?。?010）則是將非系統風險等同于公司特質風險，沒有考慮公司特征等因素，采用CAPM模型的間接分解法進行測度，因此計算結果未免誤差會增加，妨礙了公司特質風險與市場收益的相關性研究。
本文在文獻回顧的基礎上，借鑒Bali、Cakici、Levy（2008）的思想，采用“非資產定價模型分解法”對我國證券市場中的公司特質風險進行測度，分析其時間趨勢特征，并構建實證模型，檢驗公司特質風險和市場收益之間的相關性問題。
三、公司特質風險的測度與趨勢分析
（一）“非資產定價模型分解法”的提出
以CAPM模型為例，我們知道該定價模型的運用，有兩個最基本的條件：（1）投資者持有風險資產的比重相同；（2）投資者的風險偏好中性。然而，現實的資本市場環境并非是一個理想狀態，在理論上就意味著，運用CAPM模型分解個股波動就存在著不合理之處。另一方面，CLMX（2001）在運用CAPM模型分解個股波動時，本身也存在問題：首先，在計算行業超額收益③時的權重如何選擇，使得權重和相應的系數滿足所列的規則性條件；其次，在CLMX（2001）進行個股超額收益波動的方差分解時，由于現實條件的制約，很難滿足各層面風險因素與殘差的正交假定，即兩者的協方差為零的假設。④
本文根據方差均值組合理論和組合分散收益原理的思想，引入“非資產定價模型分解法”。“非資產定價模型分解法”并非指在不建立模型的條件下，計算和測度公司特質風險，這是不可能做到的，而是指借助于組合分散效應（gain from portfolio diversificatio n）的思想（Markowitz，1952，1959），在不依賴于任何資產定價模型的基礎上，構建測度整個證券市場中平均公司特質風險的計算方法。按照這種方法，就不需要估計協方差系數，以及行業層面或者公司層面系數。
“非資產定價模型分解法”的原理和構建過程。假設一個投資組合有兩種情況：一種是組合中的個股相關性均為1，即具有完全相關性，這種組合不存在任何分散效應，我們稱之為“無分散的組合”（nodiversified portfolio）；另一種情況是該組合具有充分的分散效應，足以使得公司特質風險完全抵消，組合收益只受到系統風險的影響，我們稱之為“完全分散的組合”（fuⅡy-diversified fortfolio）。⑤那么，這兩種組合收益的方差之差便是所求的證券市場平均公司特質風險測度值。按照Markowitz（1952，1959）的均值方差組合理論（the mean-variance fortfolio theory），在一個數量為n的組合中，組合期望收益為：
上述過程是為了描述“非資產定價模型分解法”的構建原理，先將個股總體風險分解為市場風險和特質風險，這里的特質風險包括行業層面風險和公司特質風險。為了本文的研究目的，以下過程運用該方法，將個股總體風險分解為市場層面波動、行業層面波動和公司層面特質波動。
假設在證券市場內存在N個行業，那么市場的超額收益為：
假設在行業i內有n家公司，那么行業i的超額收益就為：
（二）基于“非資產定價模型分解法”的測度
1.數據樣本選取與來源。本文選取從1995年5月30日到2010年5月30日所有在滬深兩市A股上市的公司，剔除所有ST上市公司和上市時間不超過3個月的上市公司，并按照2001年中國證監會《上市公司分類指引》將樣本公司分為13個大類共56個二級行業。為了計算個股層面風險的需要，對交易期內上市公司個數少于3家、個股在月度內交易不足7個交易日的交易數據進行刪除，由此進行篩選和對比，共選取其中的52個行業。另外，在深滬兩市進行穩健性檢驗過程中，按照上述原則進行篩選后，深圳證券交易市場選取了38個行業，上海證券交易市場選取了38個行業。對于所選取的行業和個股數據，考慮到上市首日和復牌首日不設漲停限制，因此剔除了上市交易日數據。個股日超額收益率為：其中，為行業i中上市公司i在第t日的收盤價格，為無風險收益率。采用同期銀行人民幣一年存款基準利率，并折算成日收益率，無風險收益率從1995年6月1日到2010年5月30日，人民幣一年期存款基準利率調整了20次。在計算行業i日超額收益和市場超額收益時，分別用總市值、A股市值和等權重加權平均。以上數據均來自于Wind數據庫和CSMAR金融數據庫。
2.數據統計結果描述。本文采用“非資產定價模型測度法”，分別計算出我國證券市場加權平均市場風險、行業層面風險和公司特質風險，其中，MKT、IND、FIRM分別代表市場風險、行業層面風險和公司特質風險，而_AV、_TV和_EV則分別代表A股市值權重、總市值權重和等市值權重，統計結果見表1。
從表1的統計結果來看，無論是采用什么樣的權重，公司特質風險的均值超過了市場風險，并遠遠大于行業層面風險。公司特質風險均值在個股總波動中的比例均超過了50%，其中，按照A股市值權重計算，比例最高的為58.06%；按照等權重計算，比例最低的為53.05%。因此，公司特質風險已經成為個股風險來源的主要部分。市場風險占個股波動的比例穩定在40%左右，最高值為按等權重計算所得的45.41%，最低值為按A股市值計算所得的40.72%。行業層面風險在個股總波動中的比例相對最小，按照等權重計算的結果僅為4.5%。這說明，從相對值上來看，我國證券市場接近了發達國家證券市場各種風險占比的關系。⑥然而，僅根據綜合性的統計結果，我們還不能完全了解個股總體風險中各個層面風險的變化，還需要通過分析各層面的時間趨勢加以了解。
從圖1和圖2可以看到，按照“非資產定價模型分解法”測度的公司特質波動的時間趨勢，與CLMX（2001）對美國三大證券市場的公司特質波動的時間趨勢分析存在很大的不同。從1962年到1997年，美國股市上的公司特質波動呈現出明顯的上升趨勢。我國的公司特質波動的時間趨勢特征大致經歷了一個“U”型的先下降后上升的變化過程。以A股市值權重所測度的數據為例，從1997年8月到2003年3月間呈現不斷下降的趨勢，但在2000年1月至2001年3月間出現一個波動增加的區間現象。其中，公司特質波動在1997年5月達到最高值（0.03719），雖然從2000年開始出現一個短暫的上升趨勢，并于2001年2月達到一個次高峰值（0.02815），但從1996到2003年這段時間內總體上是趨于下降的勢態，并于2003年1月下降到0.002396。在這一階段內，公司特質波動最高峰值與公司特質波動最低峰值之間相差15.52倍。2003年3月到2009年4月，我國滬深股市的平均公司特質波動呈現出上升趨勢，之后出現下降的微動，盡管從2004年10月到2005年10月出現輕微下降和調整，但到2007年12月公司特質波動峰值仍達到0.02921，為2003年1月最低值的12.2倍。其中，值得我們關注的是，從2006年開始，以總市值為權重的平均公司特質波動的上升和下降的變動趨勢均不如以A股市值權重或者等權重計算出的證券市場公司特質波動時間趨勢那么明顯。
從圖3可以看出，除了1996年12月、2001年3月、2008年3月等少數月份以外，大多數月份的公司特質波動幅度均大于市場層面波動。公司特質波動小于市場層面波動的月份有48個，占比為26.7%，這種情況多集中于1995年6月至1996年5月之間和2008年4月至2010年1月之間。行業層面風險占比較低，直觀來看，僅有2007年和2008年較高。為了進一步描述公司特質風險的變化趨勢，表2給出了1996-2010年按絕對量進行簡單計算得到的各層面風險占個股總體風險的相對比例的變化趨勢。從中可以看出，公司特質波動除了1996年、1997年和2009年不足50%以外，其余各年平均值均超過了50%，尤其是在1999年和2001年，公司特質波動占比達到或超過了70%，2009年出現大幅下降，但2010年上半年重新上升到50%以上，說明公司特質波動逐漸成為個股收益風險的主要來源。按照Durnev、Morck、Yeung（2004）、Durnev、Morck、Yeung（2004）、游家興（2007）、張博（2009）的觀點，公司特質波動的相對比例越高，反映出 股價信息含量越豐富，股價同步性則越低。按照此邏輯，當股價信息含量越豐富時，即市場定價效率越高時，公司特質風險應該能夠具有市場收益預測能力，或者說能夠被定價。下面我們通過構建相關實證模型來檢驗在我國證券市場上，公司特質風險是否能夠被定價。
為了符合實證檢驗的要求，需要對公司特質波動率的時間序列進行平穩性檢驗。我們采用ADF檢驗方法。原假設是兩種方法所測度的公司特質波動存在單位根，是非平穩序列，備擇假說是公司特質波動時間序列為平穩序列。ADF檢驗在無截距項、有截距項和趨勢項三種情況下給出兩種測度方法所計算的公司特質波動均滿足了平穩條件。
四、中國證券市場公司特質風險被定價的經驗數據
但是，在上述測度統計過程中發現，市場層面風險、行業層面風險和公司特質風險之間存在一定的相關性，就A股權重測度所得的公司特質風險與市場層面風險、行業層面風險的相關系數分別達到0.62和0.55。因此，本文將行業層面風險和市場層面風險加入到模型之中，并且分別對公司特質風險、行業層面風險和市場層面風險取對數形式⑦構建第三個計量模型：
在表4所列示的Model1的回歸結果中，可以很明顯地看到，雖然為38.5122，但并不具有顯著性，因此，公司特質波動對市場超額收益不具備預測能力。將市場層面風險和行業層面風險加入模型后構建起的Model2中，'為22.7619，t值水平為0.7481，表現出其對市場超額收益的預測能力并不存在。與Model1和Model2的結果一致，在Model3中，公司特質波動的系數為0.0377，但t值水平僅為0.4509，仍然表現出對市場超額收益不具有預測能力。由上述三個計量模型的計算結果可知，行業層面風險雖然在Model2中的系數為21.7465，并且具有一定的顯著性，但在Model3中行業層面風險的系數發生變化，由正為負，且不具有顯著性，因此，行業層面風險對于市場收益的預測能力并不穩健。唯一值得肯定的是，市場風險在Model2中的系數為-12.43，并且顯著性較強，同時在Model3中的系數為-0.085，t值為-2.9814，具有一定的顯著性水平，因此，市場風險對市場超額收益具有一定的預測能力。總而言之，由于我國證券市場目前仍然具備“新興+轉軌”的市場特征，與發達國家證券市場具有較多的不同之處，因此，在股價波動的各個層面的風險定價方面，市場風險能夠被市場超額收益定價，但行業層面風險和公司特質風險是不能夠被市場收益定價的。
五、穩健性檢驗
我們的結果與黃波等（2006）的實證檢驗結果相類似，他們利用“基于雙側矩和高階距偏好的資產定價模型”測度了我國整個A股市場的公司特質風險，檢驗了市場平均公司特質風險對市場超額收益的預測能力，結果恰恰相反，他們認為，市場層面風險對市場超額收益具有預測能力，而公司特質風險則不具備預測能力，即沒有被市場收益定價。⑧陳?。?010）的觀點與此不同，他的實證結果則認為“非系統風險作為個股風險的最大來源，能夠被市場超額收益所定價，對其具有一定的預測能力”。為了進一步驗證本文的結果，我們將個股樣本分為深市和滬市，再次分別測度兩個市場的市場層面風險、行業層面風險和公司特質風險，并運用上述三個模型再次檢驗公司特質波動對市場超額收益的預測能力。由表5可以看出，深滬兩市的各個層面風險的時間序列均符合平穩性檢驗的要求。
從表6可以看出，在Modell以滬市A股為樣本的回歸分析中，公司特質風險的系數為14.829，具有顯著性水平，但在Model2和Model3中的結果都不具備顯著性水平的系數。在以深市A股為樣本的回歸分析中，三個計量模型的分析都表明，公司特質風險不具有對市場超額收益的預測能力。雖然以深市A股為樣本的Model2中行業層面風險系數的顯著性為16.4735，但在Model3模型中并沒有表現出對市場超額收益具有顯著的預測能力，因此，行業層面風險對市場超額收益不具有顯著的被定價。市場風險無論是以深市還是滬市A股為樣本的回歸分析中，都表現出對市場超額收益顯著的預測能力。
六、研究結論及前景展望
本文在總結前人關于公司特質風險研究成果的基礎上，采用“非資產定價模型分解法”，將我國深滬股市1995-2010年所有A股個股波動分解為市場層面風險、行業層面風險和公司特質風險，檢驗了三個層面風險的變動趨勢。在借鑒GS（2003）和BCYZ（2005）模型的基礎上，建立定價回歸模型，從證券市場平均風險的角度研究了三個層面風險對市場收益的預測關系。我們的結論可以概括為：公司特質風險除了少數年份，如1996年、1997年和2009年之外，均超過了50%，逐漸成為個股風險的主要組成部分，公司特質風險能否被市場收益定價由此成為一個值得探討的問題。但是，從宏觀角度上我們發現，證券市場平均公司特質風險對于市場收益的預測能力并不存在，只有市場風險表現出對市場收益較強的預測能力。
上述實證結果給我們提出一個問題，即公司特質風險到底意味著什么？按照Dumev、Morck、Yeung（2004）、Durnev、Morek、Yeung（2004）的觀點，公司特質風險代表著公司層面特質信息，而公司特質風險在個股風險中的占比則意味著股價信息含量的高低，股價信息含量越豐富，市場定價效率越高，公司特質風險越能夠被市場收益所定價。因此，上述兩個結論形成了一個悖論。按照Hsin（2010）的觀點，由于新興市場國家證券市場和發達國家證券市場在制度、市場環境等因素上的巨大差異，公司特質風險無論在絕對量還是相對量上都難以作為股價信息含量的代表，它只是反映出公司層面信息不確定性的程度。而能夠解釋這種悖論的，只能從我國證券市場這種“新興+轉軌”的特征中尋求答案。因此，公司特質風險的信息本質是什么，即到底是代表著公司層面的特質信息還是公司層面信息的不確定性，并且在我國證券市場目前的市場環境和制度特征下，到底是什么因素驅動著公司特質風險或者公司特質波動的時間趨勢變化，這是本文進一步研究的方向和內容。
注釋：
①對于“Idiosyncratic risk/idiosyncratic volatility”的翻譯有不同版本，也稱為“非系統風險/非系統波動”或者“特異性風險/特異性波動”。本文援引蔣殿春（《金融經濟學》，中國統計出版社，2003年）的觀點，將其翻譯為“特質風險/特質波動&rd quo;。
②AHXZ（2006）利用1963年7月至2000年12月的NYSE、AMEX、NASDAQ的股票樣本，通過F-F三因素模型殘差測度公司特質波動，并根據滯后一期公司特質波動從低到高將股票樣本分組，形成5等分的投資組合并持續一個月。在控制了相關的公司特征值后，特質波動最高組的平均收益為-0.02%，而最低組的平均收益為1.04%，兩個組別之間的預期收益相差-1.06%。這表明，承受高特質波動風險不能得到相應的高風險回報，即公司特質波動與橫截面收益間呈現出負相關現象。進一步，AHXZ（2009）發現，其他23個發達國家的股票市場也同樣存在這種負相關現象，而且在控制了規模、賬面價值比、流動性、動能效應、偏斜率、分析師預測偏差等因素變量時，這種現象依然存在。這明顯違背了傳統資產定價理論的核心思想——風險收益相權衡對應的觀點，因此，他們將這種現象稱之為“特質波動之謎”，也稱為特質風險定價異質性現象。
④CLMX（2001）在將市場修正模型“market-adjusted model”引入分解過程的時候，假定公司層面回歸殘差與行業收益間正交，市場收益與行業回歸殘差間正交。
⑤按照標準金融學的觀點，也可稱之為“市場組合”。
⑥施東輝（1996）的數據表明，發達國家證券市場中，系統風險即市場風險占總風險的比例一般為20%到40%，但他的實證檢驗也表明，我國上海證券交易市場中的系統風險比例在1993年到1995年間高達81.37%。
證券市場顯著特征范文4
關鍵詞：融資融券；市場波動率；CCC-GARCH； 條件相關系數；小波分析
1. 引言
融資融券交易又稱為保證金交易，是指投資者向具有融資融券業務資格的證券公司提供擔保物，借入資金買入證券或借入證券并賣出的行為。在國內證券市場，上海和深圳證券交易所于2010年3月30日向6家試點券商發出通知，在2010年3月31日起接受融資融券交易申報，融資融券交易進入實質性的操作階段。2015年5月6日，轉融通標的證券擴大到893只股票。截至2016年6月17日，滬深兩市融資余額和融券余額分別達到了8340.84億元和8363.83億元，隨著融資融券業務規模的擴大，其對市場的影響也越來愈大。在2014和2015年，國內A股市場發生了較大的波動，上證指數一度從2014年7月22日的2173點上漲至2015年6月12日的5410點，上漲幅度達到149%。在隨后的幾個月內，指數一路下行至2015年8月26日的3066點，下跌幅度高達43%。市場巨幅波動雖然與政策導向和經濟環境等因素有一定的關系，一些學者認為融資融券業務也在一定程度上加劇了市場的暴漲暴跌，但也有學者認為融資融券作為投資和風險管理工具，有助于提高市場定價效率，降低市場的波動率。融資融群提高了市場波動率，還是降低了市場的波動率？目前相關研究還沒有得到一致的結論?；卮疬@一問題有助于更好地理解國內證券市場的波動特點以及規范融資融券業務的發展。
一些學者對融資融券業務與市場波動的關系展開了一系列研究，其中不少文獻認為，融資融券業務會有利于股票的價值發現，提高股票定價效率，從而降低市場波動。Zhao， Li 和Xiong （2014）運用事件研究法，觀察了2010年2月-2013年8月中國融資融券對市場波動的影響，他們發現融資交易容易導致個股泡沫出現，融券交易能夠使得證券價格趨于穩定[1]。肖浩和孔愛國（2014）的研究結果表明融資融券交易降低了標的股票的特質波動率[2]。李科，徐龍炳和朱偉驊（2014）認為賣空限制導致了股價高估，融資融券制度等做空機制有助于矯正高估的股價，提高市場定價效率[3]。陳海強和范云菲（2015）通過對比真實波動率與構造的反事實波動率路徑，發現融資融券制度的推出有效地降低了融資融券標的個股波動率[4]。李志生， 杜爽和林秉旋（2015）認為融資融券交易顯著降低了股票價格的跳躍風險，有利于防止股票價格的暴漲暴跌和過度投機[5]。佟孟華，孟照康（2015）認為融資融券交易能夠顯著降低股票市場的波動性[6]。也有文獻認為融資融券業務可能會誘發金融風險，加劇市場的波動，如劉志洋和宋玉穎（2015）指出融資融券交易會給金融體系穩定帶來威脅，可能引發系統性的金融風險[7]。吳國平和谷慎（2015）融資融券業務在整體上加劇了股市的波動[8]。此外，部分學者認為，融資融券業務對市場的影響并不明顯。鄭曉亞，閆慧和劉飛（2015）結合收益率波動特征，將融資融券業務作為虛擬變量引入GARCH與EGARCH模型進行定量分析，其結果表明融資融券業務對我國股票市場長期波動性影響并不顯著[9]。吳國平和谷慎（2015）發現融資交易加劇了股市波動，而融券交易則減小了股市波動[8]。劉燁等（2016）構建了外生信息沖擊的門限自回歸條件密度（TARCD-X）模型，發現融資融券余額的變動沒有顯著增加市場的波動性和暴漲暴跌的頻繁性[10]。黃虹等（2016）利用TARCH模型著重分析“兩融”是否為投資者情緒影響股指波動的放大器，他們的研究結果表明“兩融”并不會加大投資者情緒對股指波動的影響[11]。
從以上研究可知，目前有關融資融券與證券市場波動率的關系已有了一定的討論，但由于已有研究在研究方法和研究樣本等方面不一致，所得到的結論也有較大的差異。大多數現有研究在對融資融券與證券市場關系進行研究時忽略了原始交易信息中的噪音成分，由非理易者產生噪音信息會擾亂融資融券與證券市場波動率之間的關系，針對已有研究的這一局限，本文擬從新的角度來展開研究，具體來說：一是將證券市場和融資融券交易信息進行分解，從原始信息中分離出高頻成分和低頻成分，對原始數據進行去噪處理，在多尺度下探尋融資融券與證券市場波動率的關系；二是將融資融券交易行為與證券市場的量價變化綜合考慮，從而得到更全面和準確的結論。
2. 融資融券交易對證券市場波動率影響的理論分析
一方面，融資融券通過價格發現機制會降低市場波動率。證券價格隨著供求關系變化而動態調整，當股票價格被低估時候，市場理性投資者會預期股票價格會上漲到均衡價格，他們將通過融資交易買入被價值被低估的股票，而股票價格的上升會使得投機交易者跟風買入，此時股票需求上升，在供給不變的情況下，股票價格將不斷上升，直到理性投資者預期股票價格已接近或等于內在價值。而當股票價格被高估時，理性投資者預期股票價格會下跌，他們會進行融券交易，股票價格因為供給的增加而出現下跌，而市場上的投機交易者看到交易機會，也會賣出股票，從而導致價格的進一步下跌。不同類型的投資者根據市場信息不斷調整交易行為，而交易行為的調整又直接引起了證券供求關系的變化，使得證券價格圍繞價值動態調整，不至于使股票價格大幅度偏離其基本價值，因此，存在融資融券交易制度的市場，證券價格出現大幅波動的概率相對較小，市場穩定性也對較強。此外，如Hong和Stein （2003）提出的異質經濟人模型所指出，在市場缺乏融資融券的交易機制的條件下，賣空交易者所擁有的壞消息將不能有效釋放，他們不能運用掌握的信息進行交易，而必須等到市場下跌時才能進行交易，此時利空消息的釋放會加大市場下跌的幅度，甚至會導致股災的出現[12]。
另一方面，融資融券交易可能通過杠桿交易提高市場波動率。在市場繁榮初期，杠桿交易往往能帶來財富效應，隨著資產價格的進一步上漲，越來越多的投資者參與杠桿交易，從而推動證券價格出現新高。在此過程中，即使是相對理性的機構投資者也會因為業績壓力和聲譽效應等因素而參與杠桿交易，從而加快市場泡沫的形成。當政策面趨緊，或基本面有所惡化時，市場恐懼情緒會上升，投資者會賣出資產，此時市場壓力進一步增大，一部分投資者選擇進行賣空交易獲取利潤，另一部分前期看多的杠桿投資者可能會被強制平倉，多種因素的綜合作用下，市場會對壞消息過度反應，因此融資融券交易行為可能通過杠桿交易機制導致市場波動率提高。
中國證券市場尚不成熟，市場受政策影響較大，投資者結構以散戶為主，市場投機氛圍較重，在這樣的市場環境下，融資融券交易對證券市場波動率的影響是以價格發現功能為主，還是以杠桿交易機制為主，目前還沒有一致的結論，本文將以小波CCC-GARCH模型為基礎，運用國內證券市場的數據，對融資融券與市場波動率的關系進行實證檢驗，從而為判定融資融券對市場波動率影響的主導作用機制。
3. 時間序列的小波分解及分析
3.1 實證研究樣本
2010年3月31日起接受融資融券交易申報，融資融券交易進入實質性的操作階段，本文以此時間作為研究樣本的起始時間，樣本結束時間為2016年7月21日，數據粒度為周數據。樣本數據來源于WIND數據庫。圖1中，a，b，e，d，e和f分別代表了上證指數、深圳指數、上海證券交易所周成交量（元）、深圳證券交易所周成交量（元）、市場融資買入額（億元）和融資賣出額（億元）的時序變化情況。圖2中，ra，rb，rc，rd，re和rf分別代表了序列a，b，e，d，e和f的對數變化率。
從圖1和圖2可以發現，融資融券交易量與市場指數和交易量的變化軌跡相似程度較高，可以初步判定融資融券交易與市場波動可能存在某種程度的關聯。
3.2 市場信息和融資融券交易時間序列的小波分解及分析
在經濟金融信號的分析過程中，有些信號表現為低頻信號或是比較平穩的信號，而噪聲信號通常表現為高頻信號。在中國證券市場，由于投資者投機氛圍較嚴重，投資者情緒引發的證券收益率存在較大的波動，使得證券價格常常偏離基本價值，價格與內在價值的偏差通常通過噪音信息或高頻信息表現出來，因此本文將市場信息以及融資融券交易信息進行分解，將這些原始的時間序列數據分解為高頻成分和低頻成分，以更準確地判斷各事件序列之間的關系。由于小波變換具有時頻局部化特性和多分辨率特性，使得小波消噪能夠在去噪同時保留信號的突變部分，因而可以保留原始信號的特征，因此本文通過小波分析來對信號進行去噪處理，通過在信號的噪聲部分進行高頻信號的分解，得到融資融券和市場收益信號的高頻和低頻成分。
（1）
其中yi為含噪的原始信號，為上證指數、深圳指數、市場成交量以及融資融券交易額的原始序列變化率數據，它們分別為ra， rb， rc， rd， re和rf。zi為獨立同分布的高斯白噪聲，zi～iidN（0，1），σ為噪聲水平，信號長度為n。本文將小波分解層數設定為5，用門限閾值對小波系數進行處理，得到原始信號的高頻成分和低頻成分如圖3所示。
圖3中，第1-6幅小圖分別為ra， rb， rc， rd， re和rf的小波分解結果，原始信號為序列ra， rb， rc， rd ，re和rf的變化軌跡，而低頻信號和高頻信號分別為小波分解后的低頻成分和高頻成分。高頻信號與原始信號的波動軌跡較為一致，反映出市場收益和成交量以及融資融券交易行為的變化主要由短期因素所驅動，而反映中長期趨勢的低頻信號則波動較小，表明市場的中長期波動率相對較為穩定。
4. CCC-GARCH模型的參數估計及條件相關系數分析
CCC-GARCH模型不僅涵蓋了單變量模型的波動特性，而且可以刻畫不同變量間的相關系數，變量間的協方差由常相關系數乘以變量的條件標準偏差形成，在描述變量間相關關系時，CCC-GARCH模型還可以較容易保證正定方差矩陣。設定條件協方差矩陣（Conditional correlation matrix）：
從表1中可以發現，針對原始信號和高頻信號的時間序列，CCC-GARCH模型的參數大多在99%的置信水平下顯著，模型較好的擬合了原始數據，可以運用構建的CCC-GARCH模型判斷融資融券交易與股票市場波動率之間的關系。而對于低頻信號，模型的擬合不甚理想。根據CCC-GARCH模型，得到融資融券交易與市場波動之間的相關系數如表2所示。表2第1列中的數字1-6分別代表了上證指數、深圳指數、上海證券市場交易量、深圳證券市場交易量、融資額、融券額的波動率，ρ（i，j）代表了時間序列i和j的條件相關系數。從表2中可以發現，對于不同原始信號、低頻信號和高頻信號，融資交易和市場信息的相關系數均顯著，值得注意的是，雖然一部分基于低頻信號數據的CCC-GARCH模型參數不顯著，但融資交易與市場波動的相關系數仍然顯著?？傮w來看，融資交易行為與市場收益率的波動和成交量的波動均存在緊密的聯系。而融券交易與市場信息的相關系數則有所差異，融券交易與上證指數和深圳指數波動率的關系不顯著，而與兩個市場成交量的波動率顯著相關。國內證券市場的融資融券交易制度雖然已實施，但是多年賣空限制條件下形成的多頭（牛市）思維還比較明顯，融資交易與融券交易一直呈不對稱發展，在樣本期，融券周平均交易額為146.47億元，而融資周平均交易額為1615.88億元，融券交易額只占到融資交易額的9%，雖然存在制度等客觀因素，但投資者對于賣空交易思維的培養還應加強。同時，CCC-GARCH模型的結果還表明：對于不同頻率的信號，相關系數的大小也有一定的差異，其中，高頻信號之間的相關系數相對更大，且更顯著，如對于高頻信號，上證指數與融資交易波動率之間的相關系數為0.3299（5.0133），大于原始信號相關系數0.3207（4.9349），也大于低頻信號之間的相關系數，同時，基于低頻信號的CCC-GARCH模型擬合效果欠佳，實證結論表明融資交易與市場波動之間的相關系數主要由高頻信號所驅動，而非反映中長期市場波動狀況的低頻信息驅動。高頻信息通常由市場噪音所產生，這與投資者的非理易行為或投資者情緒緊密相連，國內證券市場經過多年的發展已逐漸成熟，但散戶比例仍然過高，在融資融券市場，截至2015年6月底，融資融券個人賬戶高達375.5萬戶，而機構賬戶為6464戶，在散戶占主導的市場中，散戶的非理容易導致市場偏差，使得價格偏離證券內在價值，集聚市場情緒因素，導致價格的非理性和大幅波動。此外，在互聯網和即時通信工具飛速發展的背景下，投資者更容易受短期短息的驅動，投資者心理變化更趨敏感，這也在一定程度上加劇了融資融券隱含的高頻信息對市場波動的影響。
5. 結論及啟示
本文運用小波CCC-GARCH模型對融資融券交易與證券市場波動率之間的關系進行了實證檢驗，研究結果表明融資交易行為對證券市場收益率和成交量的波動均有較顯著的影響，而融券交易對市場波動率的影響則不顯著，同時，融資交易行為對市場的影響主要由高頻信號所驅動，投資者短期非理或噪音交易對市場波動的影響較大。有鑒于此，為了促進證券市場的健康發展，首先應均衡融資融券業務的發展，只有融資融券業務同時發展，其價格發現功能才能更好地發揮，融資或融券業務一類發展過快，可能會導致市場暴漲或暴跌，從而不利于證券市場的穩定。其二，應加快機構投資者的發展，培養理性投資者，理性機構投資者的發展有利于更合理的使用融資融券進行交易，在運用融資融券交易過程中防范風險，降低噪音交易，提高市場定價的準確性，提高市場效率。其三，監管部門應加強投資者風險警示，管理部門應大力加強融資融券業務知識的普及，并對投資者進行充分的風險提示，促使投資者形成正確的投資思維，減少市場的非理性投機行為，從而維護市場穩定。其四，應加強融資融券交易行為數據庫的建設，運用大數據分析技術，將市場上融資融券交易的相關數據進行分析，及時掌握市場運行的動態，為市場波動率降低以及市場穩定提供及時準確地決策參考信息。
參考文獻
[1] Zhao Zhongkuang， Li Shuqi， Xiong Heping. Short Sale Constraints， Disperse Pessimistic Beliefs and Market Efficiency Evidence from the Chinese Stock Market[J]. Economic Modelling， 2014， 42： 333-342
[2] 肖浩， 孔愛國. 融資融券對股價特質性波動的影響機理研究： 基于雙重差分模型的檢驗[J]. 管理世界， 2014， （8）： 30-43， 187-188.
[3] 李科， 徐龍炳， 朱偉驊. 賣空限制與股票錯誤定價――融資融券制度的證據[J]. 經濟研究， 2014， 10：165-178.
[4] 陳海強， 范云菲. 融資融券交易制度對中國股市波動率的影響――基于面板數據政策評估方法的分析[J]. 金融研究， 2015， （6）：159-172.
[5] 李志生， 杜爽， 林秉旋. 賣空交易與股票價格穩定性――來自中國融資融券市場的自然實驗[J]. 金融研究， 2015， （6）： 173-188
[6] 佟孟華， 孟照康. 融資融券交易對我國股市波動性影響的實證研究[J]. 數學的實踐與認識， 2015， （24）： 96-107.
[7] 劉志洋， 宋玉穎. 融資融券的系統性風險管理研究.上海經濟研究， 2015， （7）： 3-8， 71.
[8] 吳國平， 谷慎. 融資融券交易對我國股市波動性影響的實證研究. 價格理論與實踐， 2015， （10）： 105-107
[9] 鄭曉亞， 閆慧， 劉飛. 融資融券業務與我國股票市場長期波動性[J]. 經濟與管理評論， 2015， （2）： 87-93.
[10] 劉燁， 方立兵， 李冬昕， 李心丹. 融資融券交易與市場穩定性：基于動態視角的證據[J].管理科學學報， 2016， （1）： 102-116.
[11] 黃虹， 張恩煥， 孫紅梅， 劉江會. 融資融券會加大投資者情緒對股指波動的影響嗎？[J].中國軟科學， 2016， （3）： 151-161
[12] Hong H， Stein J. Differences of opinion， short-sales constraints， and market crashes [J]. Review of Financial Studies， 2003， （16）： 487 - 525.
An Empirical Study on the Relationship between Margin Trading Business and Volatility of Security Market based on Wavelet CCC-GARCH Models
證券市場顯著特征范文5
關鍵詞：證券投資基金；證券市場；穩定發展
伴隨著我國經濟的全面發展與投資者投資意識的不斷提升，證券投資基金成為如今證券市場的核心構成環節。因為證券投資基金的資金籌措方式具有較為獨有的特征，在資金方面也有明顯的優勢。與此同時，基金管理人員大多都擁有較為豐富的投資與資金管控能力和經驗。這諸多正向化因素的共同影響，有力證明了證券投資基金借助證券市場可以獲得一定的效益。
一、證券投資基金與證券市場穩定的關系解析
（一）證券投資基金的整體介紹
證券投資基金，是指通過發售基金份額募集資金形成獨立的基金財產，由基金管理人管理、基金托管人托管，以資產組合方式進行證券投資，基金份額持有人按其所持份額享受收益和承擔風險的投資工具。證券投資基金的特點主要有以下幾個方面：1．由專家進行專業化管理證券投資基金由專業的基金管理公司來運作管理，基金管理公司的管理人員一般都受過高等教育和專業訓練，具有豐富的證券投資實踐經驗，提高資產的運作效率。2．投資費用低投資者是通過購買基金而間接投資于證券市場的。由基金管理人來具體管理和運作基金資產，進行證券買賣活動。3．組合投資，風險分散投資人只要買了一份基金，就等于買了幾十種或幾百種股票和債券，分散了風險。4．流動性強封閉式基金可以在證券交易所或者柜臺市場上市交易，開放式基金的投資者可以直接進行贖現。5．收益穩定基金的投資者按照持有的“基金單位”份額分享基金的增值效益，收益比較穩定。證券投資基金的投資范圍為股票、債券等金融工具。目前我國的基金主要投資與國內依法公開發行上市的股票、非公開發行股票、國債、公司債券和金融債券、公司債券、貨幣市場工具、資產支持證券、權證等。經過數十年的全面發展，證券投資基金已逐步演變成為核心的投資模塊，其迅速擴張的勢頭甚至已經展現出欲取代以中小型投資為核心的投資市場模式，所以能否在相關規定允許的范疇內開展行之有效的投資，對證券專業市場的長期發展無疑有著非常關鍵的影響。
（二）證券投資基金與證券專業市場的平穩性關系解析
在國內的專業證券市場之中，證券投資基金便是最為核心的機構投資者，對于證券專業市場穩定的影響核心體現在以下幾個方面：1．證券投資基金的規模效應與證券專業市場平穩性的關系證券投資基金可以將相關投資方的非集中資金進行有效的聚合，因此自身的運作能力非?？捎^。因為基金所運作資金的體量通常較大，在運作階段需要極為謹慎，并且由于基金更為關注價值與長期投資，因此通常對上市公司開展專項的解析，全面吸收一定程度上被低估的股票，將高估的股票進行賣出操作，以有效控制證券市場產生比較大的波動性。不過由于基金的運作規模較為可觀，因此無法排除其會產生操控市場的違規行為，從而造成證券市場波動的進一步加劇。2．證券投資基金專業分工優勢與證券專業市場平穩性的關系證券投資基金本質上是金融市場專業化發展的產品，證券投資基金配備有專業化的資產管理人員，此類人員都具有著較為豐富的投資經驗，對于資本市場的專業化探究也較為深刻。倘若公司基礎面產生改變，相關的信息可能會導致證券市場的股價產生劇烈波動，而證券投資基金因自身信息運作開發成本和技術把控難度相對較低的顯著特征，從而可以更為精準化地把控信息優勢。所以在專業證券市場當中，基金一般處于優勢地位，因其可進行高拋低吸的操作，這也有效推動了證券專業市場的平穩運作。不過證券專業市場自身的不確定性，還會讓套利活動存在著顯著的風險性特征，基金成本和風險也相對較大。這需要借助自有的技術方面優勢，來預判投資者今后的買與賣的普遍行為，造成股票價格盡管很高，但仍然會持續購進股票，以進一步提升股票的價格，從而出現高估股票的情況。3．證券投資基金的委托關系與證券專業市場平穩性之間的關系首先，證券投資基金屬于間接投資，有別于直接投資，存在著委托的關聯性。證券投資基金的擁有者將資產交付由專業的基金管理人員進行規范化投資，此種委托關系可能會產生道德風險，因此需要借助基金有關的內外部管控機制對風險進行有針對的防控。有效的管控機制可以保證基金管理人依據委托人的利益開展相關的投資決策，同時其行為對于其他投資人員也可以起到一定的示范作用，這對于推動證券專業市場的穩定性也具有很重要的價值。4．證券投資基金的組合投資模式與證券專業市場平穩性之間的關系投資組合是證券投資基金經常運用的投資方式，其借助創建有針對性的投資組合來達到收益與風險互為平衡的效果。此種投資方式對于證券市場的長期穩定性也有著積極的推動作用。如果證券市場有效性、股票投資價值等環節出現負面影響，則勢必會導致此種投資方式的作用力大幅度下降。
二、證券投資基金對證券專業市場平穩發展的作用解析
（一）基本分析法推動證券專業市場的平穩發展
在探究證券投資基金的具體階段中，基本分析方創建行之有效的分析結構，以保障分析機制與解析框架體系有關新型的關聯性都可以得到全面落實。在證券投資基金分析法的體系之中，公司價值是最為基礎的探究基礎，相關的探究工作人員需要全面統籌經濟學、財務管理學等專業內容，同時落實投資學的相應要求，整體化解析公司現階段的運作情況與發展前景，對公司內部的價值開展科學評估，從而融合影響股票價格的全局經濟趨勢，立足于相關解析，以期對被探究的上市公司安全范圍等進行全面的估算與評定。與此同時，在證券投資的基金體系之中，可以規范化籌措體量可觀的資金，以更好支持上市公司的流通股票，可以讓融資或資產重組中具有否決權，讓公司的治理情況與公司所有權結構之間可以形成較為有效的互動關系。換而言之，公司內部的有關所有權結構對公司日?；卫淼倪\作機制與運作目標皆會產生一定程度上的影響。上市公司只有持續提升其運作水準，才可以形成有效的公司運作機制與基金收益體系之間的有效循環。例如，運用較為普遍的方式包括有指數型基金、價值型基金等。立足于此，證券投資基金的基礎解析方式便是為投資者在挑選具體投資項目后創建長效性投資行為的根本，作為機構投資類體系。證券投資基金不但展現了機構投資的多樣化運作目標，也可為公司內外部管理構架非常重要的平臺，形成正向的互補與融合模式，為證券專業市場的平穩發展提供有效保障。
（二）技術分析法推動證券專業市場的平穩發展
技術分析法相比基本分析法而言，最為顯著的區別是探究的目標不同，在證券投資基金技術分析法體系中，會將股票的具體價格作為探究的基礎，融合相關的基礎證券專業學內容，依據股票市場的波動圖像等基礎類數據作為參考，對市場今后的走勢做行之有效的預測，同時科學化評定存在的價格波動趨勢。需要尤為關注的是，在技術解析具體運用的階段，市場的最終交易價格、市場內部的成交體量變化等都是非常關鍵的探究數據。有關的投資專業人士需要對其開展系統化的解析與探究，從而針對指定問題創建相應的專業化技術解析理論?，F階段，在相對成熟化的技術理論當中，比如技術指標理論、切線理論等都成為涉及面較為廣泛的理論模型。在技術解析機制創建之后，有關的專業工作人員便會對市場行為開展評定，也就是市場行為可預判，具體的走勢便可以依據定量解析形成有效的預測。在證券投資基金的發展過程之中，機構投資隊伍持續擴張，且投資結構也發生顯著的變化，這也切實改變了散戶占據相對較多盤口的投資運作現狀。也因為證券投資基金的技術解析方式極為專業，同時展現出專家模式，可以在充分保障信息資料數據相對完善的基礎之上，運用合理化的投資方式來有效指導具體的投資行為。所以，證券投資基金不僅可以保障中小投資者進行專業化的投資服務，同時也可以有效引導證券投資基金機構樹立較為正向的投資理念，以順應不斷變化的投資市場，全面落實證券投資運作的可管控性與平穩性目標，在具體的發展歷程中推動證券專業市場達到較為均衡的狀態，以更好發揮調控功能價值。
（三）演化分析法推動證券專業市場平穩化發展
在證券投資基金的發展運作中，運用演化分析法可以全面探究股市的具體波動情況，它的基礎理論依托便是演化證券學，將波動與生命運動特征進行有機融合，并且充分考究股票市場的變異性等，全面解析規律性要求，從而維護探究的實際價值與優勢。需尤為關注的是在證券投資基金運用演化分析法開展判定的階段中，需要全面依據數理模型與信息終端數值模擬體系，有效運用市場數據實時化追蹤多樣化類型的基金空間，以切實保障直觀解析的有效性，并且，將基礎性信息與投資者投資信息進行第一時間的公布，基礎性投資之中需要設計證券的估值、運作并創建有針對性的舉措等，可以創建基礎性數據解析結構與對應的解析模型，從而顯著提升數據融合信息的完善性。值得深入關注的是，在信息化演化分析的基礎之上，便可以有效為投資人給予更為合理化的認知角度與觀察解析指導。舉例而言，在證券投資基金的專項管理項目之中，開放式基金便可以在每日對凈值變化開展有效的披露，同時在所有季度中，都需要集中公開持倉的基礎化結構與實際的投資數據解析項目等。證券投資基金的演化分析法，創建更為合理且完善的觀察視角，這也為證券投資基金賦予了較為清晰的邏輯解析架構，同時更為相關投資者創建了優異的空間判定依據，顯著提升了投資解析階段的完善性與實效性，以切實保障信息的可靠性且具有很強的運用價值。在專業證券市場當中，演化分析法為投資行為資源調配給予了關鍵的保證，可以為證券投資基金機構同時提供全面提升合理化投資效率與資源調配效率的改進建議，這無疑在很大程度上推動了證券專業市場的長期良性化發展。融合國內證券投資基金的具體特點與相應的發展需求，其的關鍵價值便顯得尤為突出，其作為核心的機構投資者是保障市場平穩化運作的基礎支持，也可以為其和諧進一步帶來積極的影響作用。不管是基本分析法、技術分析法亦或者是演化分析法，都是互為貫通的，依據交叉化運用互為驗證，以實現全面的推進。正是因為投資金額本身的份額相對有限，所以，運用多樣化投資結構與管控模式，以全面提升其富集水平，切實維護好證券專業市場管控運作的實效性，全面落實整合較大規模資金的相關方針與政策，健全了利益共享與風險共同承擔的集合性投資規劃。伴隨著如今證券投資基金規模的持續擴張，倘若想要切實從本質上健全機構投資者的整體市場價值，便需要對市場運行趨勢開展明晰的把控，融合資源新型與運作維護管理舉措。專業市場中的有關投資機構在證券專業市場中開展激烈博弈，在多項市場因素的共同影響之下，市場之中的相關問題便會陸續出現，證券投資基金投資階段也會面對投資市場內的不對稱情況等，倘若實現整體化有效發展，則需要對價格差異化等問題進行第一時間的調整。依據市場運作的具體發展需求，證券投資基金有效展現出其應有的價值，在融合資金結構與投資框架體系的基礎之上，為證券專業市場的平穩化發展方面給以關鍵保障，以更好實現市場可持續發展的長遠目標，并全面推動證券專業市場的繁榮發展。
三、結語
綜上所述，在專業市場持續發展的過程中，證券投資基金需要進一步展現出其獨有的價值，在充分融合管理流程的同時，展現出自身的具體機制，轉變以往的投資運作理念，對投資取向進行有針對性的科學指導，創建更為多樣化的市場投資類型。與此同時，相關維護管控工作的全面落實，也可以有效為證券專業市場賦予正確的走向，健全其機制化與結構化功能，推動證券市場平穩化發展的同時，也可有效為我國經濟長期良性發展打下堅實的基礎。
參考文獻：
［1］孫傳捷，袁照珺，卓坤霖，等．淺析證券投資基金對證券市場穩定發展的作用［J］．時代金融，2017（23）：210，214．
［2］謝冰冰．我國股票市場穩定性與證券投資基金的關聯性研究［J］．吉林工商學院學報，2019，35（3）：89－92．
［3］劉峻．試析證券投資基金的風險預防策略［J］．中國市場，2019（27）：51，53．
［4］魏浩成．我國當前證券投資基金業現狀、問題及對策［J］．現代商業，2016（27）：101－102．
［5］羅琳鋆．淺析證券投資基金對證券市場穩定發展的作用［J］．全國流通經濟，2019（22）：157－158．
［6］樊紀明．證券投資基金對證券市場運行的價值探析［J］．農村經濟與科技，2017，28（S1）：91－92．
［7］孟真真．淺析證券市場與證券投資基金的關系［J］．商展經濟，2020（11）：44－46．
證券市場顯著特征范文6
【關鍵詞】收益協同性 行為金融 上證180指數
一、引言
資產收益在某種經濟或心理因素支配下的共同變化稱為協同性（Comovement）。協同性經常出現在一些具有某種共性的證券中，如小公司股票、行業板塊、指數樣本股都有可能發生不同程度的協同性。傳統理論以Fama的有效市場假說和Sharpe的資本資產定價模型為代表，認為收益協同性反應基礎價值的協同性。理論和實證表明基礎價值協同性觀點能解釋一些收益共同變化的現象。然而，某些證券的基本面根本不相關，為什么它們的收益會協同變化呢？例如，對于小市值股票、封閉式基金、指數樣本股出現的協同性，基礎價值協同性難以給出令人滿意的解釋，這就促使學界去探尋基本面之外的影響因素，20世紀80～ 90年代興起的行為金融理論提供了新的解釋。
本文的目的在于通過理論分析和實證檢驗，對中國證券市場的收益協同性進行較為系統的探討，論證交易行為是收益協同變化的重要原因。
二、文獻綜述
國外學者從不同角度提出各種不同于基礎價值協同性的觀點。Fama和French (1995) 研究收益率的三因素模型，發現某些證券收益的協同性與基礎價值的協同性無關。
隨著行為金融學的興起和發展，Delong和Shleifer（1990）等人提出了噪聲交易者模型(DSSW模型)，認為套利受到限制，噪聲交易者風險是系統性風險，并且將對股價產生長期均衡的影響，因此，在受到同樣的噪聲交易者情緒變化的影響時，基本面不相關的證券也會出現協同性。
Lee，Shleifer和Thaler (1991) 提出協同性的偏好理論：有些證券僅由部分特定的投資者（如個人投資者）控制，隨著風險偏好和情緒的變化，投資者改變所持風險資產的比例，從而形成這些證券收益的共同因子。他們的理論適合解釋小市值股票和封閉式基金的協同性，因為這兩類資產幾乎完全由個人投資者持有。
Barberis和Shleifer (2002)提出協同性的類別理論（Category）：投資者往往是在類別層面上選擇投資，而不是單只證券層面。因此，當他們隨著情緒的變化將資金在不同類別之間轉移投資時，在同一類別的證券之間引入了一個共同的因素，從而給這些證券收益之間帶來協同性。
Barberis，Shleifer和Wurgler（2005）總結已有的研究成果，將協同性的類別理論、偏好理論進行概括并進一步提出協同性的行為理論：除基本面因素外，投資者的交易模式也會通過引發對某些證券需求的相關變動，促使證券收益協同變化。這種協同性又被稱為交易誘導協同性。協同性的行為理論對基礎價值協同理論做出了補充和修正，豐富了協同性理論，使之更為系統，從而能夠更好地解釋證券市場上各種協同性的來源和性質，具有較強的理論意義和現實意義。
指數調整事件已引起國內學者的廣泛關注，如黃長青、陳偉忠（2005）對中國股票市場指數效應進行實證研究，宋逢明等（2005）實證檢驗了上證180和深成指的指數調整效應，發現上證180指數效應逐步凸顯，但其價格效應和成交量效應并沒有一致性。國內已有不少文獻探討指數調整時股票的價格效應和成交量效應，并對指數效應的起因進行了具體分析，但很少探討收益協同性。何芳（2004）首次對國內不同證券間收益的聯動效應（即協同性）進行較為系統的探討，借助對上證180指數第一次樣本股調整事件的研究，發現在國內證券市場上，收益協同性并未呈現固定模式，交易行為協同性表現并不顯著。何芳的研究僅涉及上證180指數的第一次調整事件，時間短、樣本少，結論的可靠性有待進一步驗證。
綜上所述，國外學者對收益協同性的根源提出諸多解釋，多數文獻支持交易行為產生收益協同性的觀點。國內很少有文獻探討協同性的根源，對交易行為與收益協同性的研究尚處于起步階段。中國證券市場是新興的轉軌市場，其收益協同性是否與國外成熟市場具有相似特征，指數調整是否存在收益協同性，這些問題都有待進一步探討。
三、模型與變量
為探討中國證券市場收益協同性的存在性及根源，本文實證分析上證180指數調整事件。上證180指數對多數投資者來說是一種自然分類，上證180指數主要反映中國經濟整體狀態，而不是提供未來現金流的信號。上證180指數中增加股票既不改變股票現金流的特征，也不直接反映這種變化。
本文以2002年7月1日～2006年5月30日間上證180指數調整的股票為研究對象，在此期間上證180指數共調整了7次，每次分別加入與剔除18只成份股，累計調進股票126只，調出股票126只（見表1）。
本文研究的期間內，不考慮由并購、分立、破產等事件引起的指數成份股調整事件，全部是證券交易所的定期成份股調整。剔除大量包含現金流的股票，調入事件去除38個，刪除事件去除14個。上證180指數調整事件的有效樣本中含88個調入事件，112個刪除事件。
本研究采用收市價，價格與交易量信息主要來源于聯合證券分析系統，指數調整公告來源于上海證券交易所網站，流通市值等權重數據來自巨靈信息系統，數據處理用SPSS11.5計量分析軟件。
本文采用事件研究法（Event study）分析指數調整事件中的收益協同性。公告日是指在公開媒體上公布調整具體信息的日期，調整日是指該信息所披露的調整日期。參考國內外研究人員的經驗，本文選用的事件窗為公告日前20個交易日及調整日后20個交易日，公告日至調整日之間約10個交易日不在事件窗內。
本文考慮用單變量回歸分析模型：
其中Rj，t表示股票j在時間t的收益，RS180，t表示同期上證180指數收益，所有收益均用對數收益率計算：
指數中刪除股票，?茁和R2都不會減少。
四、實證結果
實證研究表明：在2002~2006年間的調入事件中，?茁值平均增加0.038，R2平均增加0.043。該結論與國外同類研究結論具有一定的相似性（?茁值和R2都有增加）。Vijh (1994) 研究S&P500指數調整（1975~1989），股票納入指數后?茁值增加0.08。Barberis和Shleifer (2003) 發現股票納入指數后（1976~2000），股票與S&P500的貝塔增加0.151。
五、結論
本文以收益協同性研究為核心，對交易行為與收益協同性的關系進行了較為系統的探討，將行為金融學的最新成果應用于中國的研究中，利用中國證券市場的數據，實證分析得出以下結論。
上證180指數調整時，股票一旦加入指數，該股票與指數中其它股票的協同性變強，與非指標股的協同性變弱；刪除股票時情況相反。結論表明指數調整事件存在收益協同性，由于指數調整事件并沒有傳遞基礎價值信息，因此上述協同性并不是由基礎價值因素引起，而是交易行為產生了收益的協同性。
市場對調出股票的關注遠勝于調入股票。上證180指數調整事件表現出明顯的特征：市場對調出股票的關注遠勝于調入股票。股票加入上證180指數，短期內貝塔值有所增加（貝塔值為0.038,顯著性水平為10%）。對于剔除股票，在實施日之后貝塔顯著降低（貝塔值為-0.108,顯著性水平高達1%）。因此，在公告日之后，及時賣出剔除股票可以規避進一步下跌的風險。
與國內文獻的比較：何芳（2004）發現在國內證券市場上存在交易行為誘導的收益協同性但協同性并未呈現固定模式，行為協同性的表現并不十分顯著。本文實證發現國內市場不僅存在收益協同性，而且協同性表現出很強的特征，進一步說明交易行為是產生收益協同性的重要原因。
中國證券市場是成立不到20年的新興市場，與國外成熟市場比較可能存在不少差異。Barberis，Shleifer和Wurgler（2005）表明從1976~2000年，S&P500指數調整事件的協同性呈加強的趨勢，上證180指數卻無此規律。上證180指數從2002年7月正式公布至今有4年時間，雖然整體呈現收益協同性并與國外成熟市場有相似之處，但個別年份出現協同性異?，F象，如單變量回歸分析中，2005年調入事件的貝塔值不升反而下降，2004年刪除事件的貝塔值不降反升。
（注：本文為2005年廣東省自然科學基金項目，項目號：5006057。）
【參考文獻】
[1] Barberis, N., Shleifer, A., Wurgler, J.. Comovement [J]. Journal of Financial Economics , 2005（75）。
[2] Delong, B., Shleifer A., Summers, L., 1990, "Noise Trader Risk in Financial Markets", Journal of Political Economy 98。
[3] Fama, E., French, K.. Size and Book-to-Market Factors in Earnings and Returns [J]. Journal of Finance，1995(50)。
[4] 何芳：證券間收益的聯動效應及實證研究[J]．武漢大學碩士論文，2004。
