前言：中文期刊网精心挑选了证券市场显著特征范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
证券市场显著特征范文1
关键词： 证券市场；波动溢出；时变Copula模型
中图分类号： F830.91 文献标识码： A 文章编号：1003-7217(2011)06-0048-05
一、引 言
伴随着中国金融对外开放力度的加大，中国证券市场与国际证券市场之间的资金流动与信息传播不断加强，波动溢出特征愈来愈明显。对中国证券市场与国际证券市场间的波动溢出进行研究显得尤为迫切。
Copula函数在不要求具有相同边缘分布形式的情况下，可以将金融市场随机变量的边缘分布与联合分布连接起来构造灵活实用的多元分布，并且由此导出相关性测度。因此近年来有学者提出运用Copula模型对金融市场间的波动溢出进行研究。Wen和Liu利用Copula模型对随机变量间的相关性进行测度，证明Copula模型能较好地描述随机变量间的相关性［1］。Zhang和Paya的研究结果则表明Copula模型可以较好捕捉各证券市场之间的尾部相关性［2］。但是目前将Copula模型应用于证券市场间波动溢出分析的文献多为静态研究，很少有文献对证券市场间波动的尾部相关性进行研究。同时，在运用Copula模型对波动溢出问题进行研究时，多是对波动溢出大小进行研究，很少考虑波动溢出的方向，而波动溢出是一个矢量概念，既包括方向也包括大小。因而本文结合Granger因果检验，将时变二元Copula模型引入到证券市场波动溢出研究，不仅能分析证券市场波动溢出的方向，还能描述证券市场间波动溢出的时变性，同时也能捕捉到波动溢出的尾部结构。
二、证券市场波动溢出的Copula模型选取
本文主要运用两种时变相关二元Copula模型对证券市场间波动溢出进行分析。
(一) 时变相关二元正态Copula模型
时变相关二元正态Copula模型能够较好的描述证券市场之间在正常情况下的时变相关特性。分布函数为［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(•)表示标准正态分布函数的逆函数；ρ∈(－1,1)，表示相关参数；u,v分别表示经过概率积分变换后得到的两个证券市场波动序列。
为了描述两个证券市场波动序列之间随外部环境变化而变化的时变相关性，本文采用如下时变相关参数演进方程：
ρt=Λωρ+βρρt-1+αρ×
1q∑qi=1Φ-1(ut-iΦ-1(νt-i)(2)
其中函数Λ(x)=1－e－x1+e－x，该函数的引入能保证相关参数ρt始终处于(－1,1)区间之内。
(二) 时变相关二元SJC Copula模型
时变相关二元SJC Copula模型的分布函数为［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分别为估计的两个证券市场波动序列的上尾相关性系数和下尾相关性系数。当τU=τL，连接函数为尾部对称。
由于证券市场处于一个不断变化波动的环境之中，这将导致证券市场波动序列之间的尾部相关性也会随着时间而发生不断的变化。为了更好地描述这种特征，本文运用ARMA(1,10)的过程来描述SJC Copula 模型的上尾和下尾相关关系：
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，函数Λ(•)为Logistic转换函数，Λ(x)=(1+e－x)－1，这个函数的应用能够确保证券市场波动序列之间的条件上尾相关系数和条件下尾相关系数在任意时刻都处于(0,1)区间；βUτUt－1与βLτLt－1分别为上尾相关系数与下尾相关系数的自回归项；110∑10j=1ut－j－uv－j为外生变量。本文选用滞后10阶经过概率积分转换后的波动序列差的绝对值的均值作为外生变量，这样SJC Copula模型就具有了时变特征。
三、证券市场波动溢出的实证研究
以下将运用时变相关二元Copula模型分别研究金融安全期与金融危机期的中国与美国证券市场之间的波动溢出效应。
（一）样本选择与数据来源
本文主要考察中国证券市场与美国证券市场之间的波动溢出效应。选取标准普尔500指数作为美国证券市场的代表指数。选取上证综合指数反映中国证券市场的波动。
本文把2003年5月26日QFII获批作为样本开始期，以2007年7月10日穆迪、标准普尔宣布次级债降级为界限将样本期划分为两段。其中2003年5月27日~2007年7月9日为金融安全样本时期，2007年7月10日~2010年6月30日为金融危机样本时期。由于中国证券市场与美国证券市场因节假日而休市的日期有所不同，故在对节假日的处理上本文依据Hamao的做法，对于任一市场休市，而其他证券市场没有休市的情况给予删除当日记录的方式来处理［5］。整理后每个证券市场最终得到1627个样本数据。其中，金融安全期共包含941个样本数据，金融危机期共包含686个样本数据。由于不同证券市场指数的基数不同，需要将证券市场指数转换为日收益率，本文采用对数差分计算证券市场收益率。分别用RSSEC与RS&P代表中国和美国证券市场的收益率序列。本文所使用的证券市场收盘价来自上海证券交易所(省略/)和雅虎财经( 省略/)。
（二）金融安全期证券市场间的波动溢出研究
1. 波动度量的结果及分析。
通过ARCH LM检验，发现金融安全期中国与美国证券市场收益率残差平方序列中均存在ARCH效应，而GARCH(1,1)模型可以较好的消除残差序列中的条件异方差性。因此，将分别运用GARCH(1,1)-normal、GARCH(1,1)-t和GARCH(1,1)-GED模型来对证券市场收益率序列的波动进行度量。
研究发现，对于中国证券市场而言，GARCH(1,1)-normal与GARCH(1,1)-t模型中，各参数中除了μ外均为统计显著，而GARCH(1,1)-GED模型中μ和参数均为统计不显著，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1，参数ν显著，说明外来冲击对中国证券市场收益率具有较持久的影响，即证券市场波动具有长记忆性，并且具有显著的厚尾特征。此外，与GARCH(1,1)-normal模型相比，GARCH(1,1)-t模型具有更大的极大似然值，因此，选取GARCH(1,1)-t模型作为金融安全期中国证券市场的波动度量模型。
通过比较分析，选取GARCH(1,1)-normal模型作为金融安全期美国证券市场的波动度量模型。其中，α+β=0.931855，说明外来冲击对美国证券市场的影响比外来冲击对中国证券市场影响的持续时间短，这在一定程度上反映了美国证券市场比中国证券市场更为完善和成熟，能在更短的时间内吸收和处理外来冲击的影响。
2. 金融安全期的证券市场波动溢出分析。
通过Granger因果检验发现，美国证券市场的波动是中国证券市场波动的Granger原因，中国证券市场波动并不是美国证券波动的Granger原因。即在金融安全期，美国证券市场对中国证券市场存在波动溢出。
(1)基于时变二元正态Copula模型的估计结果及分析。
从图1可以发现，金融安全期美国证券市场对中国证券市场的波动溢出系数常值为0.0746，说明美国证券市场对中国证券市场的波动溢出强度较小。但是从长期来看，随着中国金融对外开放力度的加大，中美两国在经济、政治、文化等各方面交流的深入，美国证券市场对中国证券市场波动溢出的强度有加大的趋势。在2007年3月中旬到4月上旬这个时间段，美国证券市场对中国证券市场的波动溢出强度急剧上升。这主要是由于2007 年3 月13 日，美国第二大次级抵押贷款机构――新世纪金融公司，因濒临破产，被纽约证券交易所停牌，标志着次贷危机的正式爆发，造成美国证券市场指数急剧暴跌。外部投资预期的恶化，一定程度上影响了投资者对中国证券市场的投资预期，造成了中国证券市场的波动，因而两个证券市场间的波动溢出在这个时间段有显著提高。然而，由于中国证券市场在这个时间段总体上仍然处于牛市行情中，所以短期的剧烈波动以后又回复平稳发展趋势，因而美国证券市场对中国证券市场的波动溢出强度有所回落。
(2)基于时变二元SJC Copula模型的估计结果及分析。
金融安全期美国证券市场对中国证券市场波动溢出的尾部特征如图2、图3所示。通过matlab计算得到的金融安全期美国证券市场对中国证券市场波动溢出的上尾强度为0.0718、下尾强度为0.0843。对图2分析发现在金融安全期，因美国证券市场暴涨引起的波动对中国证券市场的波动溢出强度基本保持在一个比较稳定的状态，且总体上呈现上升趋势。对图3分析可以发现，因美国证券证券市场暴跌引起的波动对中国证券市场波动溢出强度在2007年3月份左右急剧上升，这主要是由于2007 年3 月13 日次贷危机正式爆发造成了美国证券市场指数暴跌，而美国证券市场的暴跌在较大程度上引起了中国证券市场投资者的恐慌，因此在这个时间段美国证券市场暴跌引起的波动对中国证券市场存在较大的波动溢出。
（三）金融危机期证券市场间的波动溢出研究
1. 金融危机期证券市场波动的度量。
通过比较分析，选取GARCH(1,1)-normal模型作为金融危机期中国证券市场的波动度量模型。其中， α+β=0.987281接近于1，说明外来冲击对中国证券市场指数收益率具有较持久的影响；与金融安全期的值相比该值有所下降，说明经过一段时间的发展，伴随着中国金融经济体制的不断完善，中国证券市场更加规范和成熟，吸收和消化外来冲击的能力得到进一步增强。
选取基于GARCH(1,1)-t模型作为金融危机期美国证券市场的波动度量模型。其中α+β=0.9929，与金融安全期的值相比，该值有所上升，说明此次起源于美国次贷危机的金融危机对美国证券市场造成了持久的影响，该影响在一定时期内将长期存在。此外，通过与中国证券市场相比可以发现，中国证券市场的值小于美国证券市场的值，说明此次金融危机对美国证券市场的影响更为深远，美国证券市场需要更长的时间来消化和吸收此次金融危机带来的负面影响。
2. 金融危机期基于Copula模型的证券市场波动溢出分析。
通过Granger因果检验发现，美国证券市场对中国证券市场存在波动溢出，这说明在全球金融危机的影响下，美国证券市场的波动会以较快的速度溢出到中国证券市场。
(1)基于时变二元正态Copula模型估计结果及分析。
金融危机期美国证券市场对中国证券市场的波动溢出强度常值为0.2051。具体对图4分析可以发现，在2008年9月上旬至2008年10月上旬这一时间段，美国证券市场对中国证券市场的波动溢出强度有所降低。这主要是由于在这一时间段美国标准普尔指数经历了自20世纪30年代经济危机以来的最差表现，指数呈现暴跌趋势，而中国证券市场的上证指数在这一时间段主要呈现震荡下行趋势，但是下跌的幅度不大。然而自2008年10月中旬开始，美国证券市场波动对中国证券市场的波动溢出强度开始增大，并保持在0.34左右。这主要是由于在这个时间段，金融危机的影响全面显现出来，美国证券市场波动通过贸易渠道、金融市场渠道以及心理预期机制传导到中国证券市场，造成了中国证券市场的较大波动［6］。
(2) 基于时变二元SJC Copula模型的估计结果及分析。金融危机期美国证券市场对中国证券市场波动溢出的尾部特征如图5和图6所示。对图5和图6分析发现，金融危机期美国证券市场对中国证券市场波动溢出的上尾强度为0.0430、下尾强度为0.1901。下尾强度大于上尾强度，其中波动溢出下尾强度表现出明显的时变特征，最高超过了0.8，意味着当美国证券市场出现由暴跌引起的波动时，极易引起中国证券市场波动。这说明金融危机的爆发极大地增强了证券市场之间波动溢出效应，并且因证券市场暴跌引起的波动溢出强度要大于因证券市场暴涨引起的波动溢出强度。随着此次次贷危机演变为全球金融危机，其破坏性的影响逐渐显现，因证券市场暴跌引起的波动更容易溢出到中国证券市场。
（四）金融安全期与金融危机期证券市场间波动溢出对比分析
通过时变二元正态Copula模型就美国证券市场对中国证券市场的波动溢出分析发现，在金融安全期与金融危机期美国证券市场对中国证券市场波动溢出系数常值分别为0.0746与0.2051，说明在金融危机期美国证券市场对中国证券市场的波动溢出强度提高了175%。通过时变二元SJC Copula模型就美国证券市场对中国证券市场波动溢出的尾部结构分析发现，金融危机期的上尾强度及下尾强度与金融安全期相比也都有显著提高，并且下尾强度要大于上尾强度。这说明金融危机时期，美国证券市场对中国证券市场的波动溢出有较大幅度的提高，当美国证券市场出现由暴跌引起的波动时，极易引起中国证券市场暴跌造成的大幅波动。
首先，这是因为此次全球金融危机起源于美国次贷危机。在美国本土，受金融危机的影响，美国证券市场指数呈暴跌趋势，标准普尔500指数下降到20世纪30年代经济危机时期的水平，证券市场整体呈现剧烈波动的态势。其次，美国证券市场在国际证券市场上处于主导地位，跨国投资者会根据美国证券市场的表现重新形成对全球证券市场的投资预期。次贷危机影响下，跨国投资者普遍表现出悲观情绪。随着此次次贷危机演变为全球金融危机，其破坏性的影响逐渐显现，由于中国证券市场已经逐渐开始融入全球金融体系之中，跨国投资者的这种悲观情绪也会从中国证券市场的表现上得以反映。因而美国证券市场暴跌引起的波动更容易溢出到中国证券市场，造成美国证券市场对中国证券市场波动溢出的增强。最后，次贷危机爆发以后，美国政府为了刺激经济增长出台了总额为7870亿元的救市政策。这些政策会带来两方面后果，一方面该经济刺激方案中包含大量购买美国国货的贸易保护措施，将会掀起新一轮的贸易保护战，最终将加剧国际金融危机；另一方面将会直接导致美元贬值，而中国持有大量的美元资产，如果美元贬值，将引起中国外汇资产的大幅缩水，影响中国经济的发展，最终将引起作为国民经济晴雨表的证券市场动荡。同时由于中国仍然是出口导向型经济为主，美元的贬值将降低中国产品出口竞争力，因而会引起相关行业恶化，进而引起证券市场的波动。
四、结 论
以上在分析证券市场波动溢出形成机理的基础上，利用Granger因果检验以及时变相关二元Copula模型对金融安全期与金融危机期中国证券市场与国际证券市场的波动溢出进行了实证研究。发现金融安全期美国证券市场对中国证券市场的波动溢出较小；金融危机期美国证券市场对中国证券市场的波动溢出较金融安全期而言有所增强。这是由于当美国的次贷危机演变成全球金融危机以后，美国证券市场波动通过贸易渠道、金融市场渠道以及心理预期机制传导到中国证券市场，造成了对中国证券市场波动溢出的加强。
参考文献：
［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］曾志坚，陈川，龙端.证券市场危机预警研究［J］.湖南大学学报(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
证券市场显著特征范文2
关键词：有效性市场；正态性；随机性
一、有效市场理论假说
在学术上，一般认为，有效性理论是由芝加哥大学商学院的尤金・法玛教授于1965年率先提出的，所谓的有效市场假说，是指如果在一个证券市场中，价格完全反映了所有可获得的信息，那么就称这样的市场为有效市场。“有效市场假说”有两个突出的特点：一是任何信息传播无时滞性，二是任何交易者均不对价格波动构成大的影响。
依据有效市场说理论，学术界一般依据股票价格对三类不同资料的反映程度，将证券市场区分为三种类型：
1 弱式有效市场，指证券价格被假设完全反映包括它本身在内的过去历史的证券价格资料。
2 半强式有效市场，指所有公开的可用信息假定都被反映在证券价格中，不仅包括证券价格序列信息，还包括公司财务报告信息、经济状况的通告资料和其他公开可用的有关公司价值的信息，公布的宏观经济形式和政策方面的信息。
3 强式有效市场，指所有相关信息(包括内部信息和公开信息)都在证券价格中反映出来。
在有效市场内，价格波动由大量随机因素共同作用而形成的随机变量――应服从正态分布。按有效市场假说的理论，证券市场的价格波动不论在时间上还是在空间上，均由大量随机因素共同影响而形成，因此应服从正态分布。
二、数据背景分析
本次数据的区间为1992年2月7日至2009年7月31日，根据证券监管机构对市场管理政策的不同，本文将上述期间分为三个时间段。
第一阶段：1992年2月7日至1992年5月20日，共47个交易日上证综合指数数据。此期间上海证券市场实行1％日涨跌幅限制。此阶段是中国证券市场的初创阶段，证券监管部门对证券的价格波动给予了极大的关注并对日涨跌限幅给予了严格的限制。1％日涨跌限幅使得证券市场表现出持续稳健增长态势，而证券市场应有的随机性波动几乎没有表现。为了激活市场，使其恢复应有的随机波动，监管部门于1992年5月21日取消了涨跌限。
第二阶段：1992年5月21日至1996年12月13日，共1153个交易日上证综合指数数据。此期间监管部门为促进证券市场的投资交易，取消了任何涨跌幅限制。取消涨跌幅限制后，上证综合指数表现出高振幅的噪声特征。这一变化说明证券市场出现了极强的投机现象。为解决这一问题，监管部门于1996年12月16日起调整了监管措施。
第三阶段：1996年12月16日至2009年7月31日，共3052个交易日上证综合指数数据。证券市场实行10％的日涨跌幅限制。为控制过度投机，监管部门恢复涨跌幅限制，但为避免再次出现第一阶段的问题，涨跌幅限由原来1％变为10％。从指数的波动情况初步分析，10％的涨跌幅限有助于稳定市场，并同时保有市场自身的随机波动性。
三、各阶段股票价格分布
1 第一阶段日涨跌对数收益
用EXCEL做频数统计，并在splus中做图1“第一阶段日涨跌对数收益分布图”。图中反映出，初建阶段过度的监管与许多硬、软件条件的不成熟使当时的中国上证市场价格波动产生了较大的畸变，分布完全不具备钟型的特点，缺少连续性，且分布明显偏离正态性。
2 第二阶段日涨跌对数收益
从第二阶段日涨跌对数收益分布图(如图2所示)可以看出，分布趋向于钟型且连续性得到较大改善。图中双尾的频数明显高于正态分布而两腰则明显偏低。以上特征明显的表现出市场中存在着人为操纵的投机行为。
3 第三阶段的日涨跌对数收益
第三阶段市场涨跌分布的峰度有明显的降低，分布的形态明显像钟型改善。虽然峰度和双尾仍高于正态分布，且两腰仍然偏低。因此分布仍然不是正态分布。但直观上，市场自身波动的规律略有加强。第三阶段日涨跌对数收益分布图如图3所示。
四、数据正态性检验
本文对三个阶段日涨跌对数收益率进行非参数单样本的Kolmogorov-Smirnov检验。结果发现，在显著性水平为0.01的情况下，三个阶段日涨跌对数收益率均拒绝原假设：样本来自于正态总体，p-值均为0，000。数据分析的结果也表明，第一阶段1％的涨跌停限过于强烈的干预了证券市场自身规律，使其涨跌变化与正态分布具有较大差异；而第二阶段和第三阶段则是因为人为地拉升和打压使得短期对数收益率与正态分布产生较大的差异。但随着市场发展的日益成熟及监管措施的日益完善，使第三阶段的k-s检验统计量值有所减小。三个阶段的p-值及Kolmogorov-Smirnov(简称：K-S)检验统计量值显示于表1中。
这些p值表明，在三个阶段上，均没有证据显示上证综合指数的分布是正态分布的。
五、数据随机性检验
下面将通过随机游程检验的方法，对上证综合指数的随机性进行进一步的研究。
随机游程的基本概念是：对在原假设成立的情况下(游程检验的原假设为日涨跌对数收益率分布是随机的)，游程数应服从二项分布。在整体数据个数确定的情况下，游程数不应过少，太少说明股票价格的趋势性过强；游程数太多说明人为的干扰对股票价格的影响过大。
对三个阶段的日涨跌对数收益率进行游程检验以测定其涨跌变化的随机性。同时，本文分别对三个阶段的数据进行随机重排，进一步研究同组数据因时间序列排布的不同对随机性产生的不同影响。数据列于表2，分析表中数据可以看出：
1 第一阶段，涨跌序列在任何显著水平下可以拒绝随机性假设，但重排后不能拒绝，p-值高达0.98；
2 第二阶段，涨跌序列在5％的显著水平下可以拒绝随机性假设，但重排后在10％的显著水平下不能拒绝随机性假设；
3 第三阶段，在10％的显著水平下不能拒绝原涨跌序列随机性假设，但重排后的随机性仍有所提高。
上述结果表明，在第一阶段市场的涨跌与随机波动发生明显的偏离。在第二阶段价格波动的随机性有所改善，但数据之间仍存在较强的关联性。第三阶段的结果则表明，在随机性进一步改善的情况下，日涨跌数据之间仍存在趋势性。
综上所述，利用随机游程检验，证明上海证券市场股票价格变化并不具有随机性，而是呈现出一定程度的正相关性，股价上涨或下跌具有较大的惯性。导致这一现象的原因有两个：一是投资者群体之间存在信息不对称性，股价并不能对信息流动产生及时和完全的反应；二是投资者在错误一学习的动态调整过程中具有股价记忆的能力，从而导致价格变化具有一定程度的相关性。这表明股价对信息流动的反应并不是及时、完全的，而是有一定的粘滞性。因此中国资本市场的弱有效性是不充分的。
六、结论
通过上面的分析，我们可以得出以下结论：
通过对上证综合指数分析，说明中国的证券市场是一个非有效性市场；
证券市场显著特征范文3
公司特质风险（idiosyncratic risk），或称公司特质波动①（idiosyncratic volatility），是指按照现有资本定价模型，除了所有能够被定价的影响因素以外，与公司层面特质有关的，未被定价的误差项。Campbell、Lettau、Malkiel和Xu（2001）（以下简称CLMX（2001））对美国证券市场公司特质风险的研究使得其逐渐成为金融经济学的研究热点，但国内学界对于该领域的研究却涉猎较少。
公司特质风险研究不论在理论上还是在实务中都具有重要意义。首先，公司特质波动意味着公司特质信息，而个股波动中的公司特质风险水平将会对资本配置具有重要的影响（Wurgler，2000；Hamao、Mei和Xu,2003：Durnev、Morck和Yeung.2004a,2004b）。其次，随着金融市场的发展，公司特质风险逐渐成为个股风险的主要来源，投资分散效益（gain from portfolio diversification）不断下降，迫使投资者不得不承担较高的特质风险，因而特质风险的定价成为金融经济学的一个关注重点（Goyal和Santa-Clara,2003；Ang、Liu、Xing和Zhang,2008，2009）。再次，随着金融市场的发展和对公司特质风险被定价的研究成果的不断丰富，开发与非系统风险相关的金融产品，利用公司特质风险来获取合理回报率的金融创新也逐渐成为可能。最后，公司特质风险的变化无论是公司投资方面（Panousi和Papanikolaou，2009；John和Kadyrzhanova，2008）还是股利支付政策方面（Hoberg、Prabhala，2005），都会对公司的经营与管理产生重要影响。因此，对于公司管理者而言，如何应对公司特质风险的变化成为重要议题，他们必须谨慎的对待公司层面的特殊风险，其中包括股权价格风险（Jones，1991；Burgstahler和Dichev，1997）。
本文主要研究我国证券市场中公司特质风险从1995年到2010年以来的时间序列趋势特征，并在此基础上从证券市场总体的角度分析公司特质风险对于市场收益的预测与解释能力。本文结构安排如下：（1）就公司特质风险的相关内容做出文献综述，包括公司特质风险的测度、对股票收益的预测与解释等三个方面；（2）就现有的公司特质风险测度方法，如CAPM模型的间接分解法或F-F三因素模型的直接分解法，本文指出它们的不足，并提出新的测度方法，即“非模型分解法”；（3）利用我国证券市场所有A股的数据进行实证分析，包括利用“非模型分解法”测度市场平均公司特质风险的时间趋势，并在Goyal、Santa-Clara（2003）以及Bali、Cakici、Levy（2008）研究成果的基础上构建公司特质风险对市场收益的预测模型；（4）对本文的实证分析进行总结，并就实证结果提出进一步的研究展望。
二、文献回顾
对于公司特质风险的研究，目前国内学者涉及该领域的很少，国外的研究文献主要集中于公司特质风险的测度、时间趋势分析和定价三个方面。
（一）公司特质风险的时间趋势
CLMX（2001）将美国证券市场的个股波动分解成市场层面波动、行业层面波动和公司特质波动，发现公司特质波动水平在1962年至1997年间呈现出明显的上升趋势，而市场层面风险和行业层面风险在样本期间则相对稳定。Malkiel、Xu（2003）利用1952-1998年间的NYSE交易数据，得到与CLMX（2001）相似的结果，即20世纪80年代后美国股市特质波动存在明显上升的趋势。Wei、Zhang（2003）也发现公司特质波动存在明显上升的趋势。但是，也有一些学者的实证研究得出了不同的结论。Guo、Savickas（2008）对G7国家的股市进行了研究，他们在CLMX（2001）的基础上，将样本期间扩展到2003年，发现虽然一直到1990年代末，特质波动在G7国家的股票市场中呈现出显著的上升趋势，但随后却呈现出下降趋势。另外，他们将G7国家中最大500家上市公司作为样本，不论采用等权重还是市值权重估计特质波动，都没有明显的上升趋势。Brandt、Brav、Graham和Kumar（2008）运用和CLMX（2001）相同的研究方法，但将样本数据延长到2007年，发现从1962年到1997年间的特质波动趋势的确是上升过程，但之后，特质波动趋势开始反转，不断下降，到2007年，特质波动的幅度下降到了上世纪90年代以前的水平。因此，他们认为，上世纪90年代，美国股市的特质波动上升现象只是一个阶段现象（episodic phenomenon），而不是一个趋势现象（time trend）。
国内学者对于公司特质风险时间趋势的研究很少，主要包括黄波、李湛和顾孟迪（2006）、陈健（2010）等。黄波、李湛和顾孟迪（2006）限于我国证券市场建立时间较短，仅研究了1998年到2003年间我国A股市场公司特质风险时间趋势的变化，实证结果认为，1996至1999年间我国证券市场的公司特质风险水平较高，但2000年之后逐渐下降，因此他们认为我国证券市场上市公司质量有待提高。陈健（2010）在分析从1995年到2005年间的趋势变化后则认为，从2004开始，我国特质风险水平在逐渐提高，股价中反映公司特质信息的含量在增加。可以看出，上述两个研究文献的结论存在差异，本文认为这主要由于两个原因：其一，两人选取测度公司特质风险的方法不同，黄波、李湛和顾孟迪（2006）运用Fama-French三因素模型的直接分离法测度公司特质风险，而陈健（2010）则是利用CLMX（2001）的间接分离法；其二，两者所选择的样本期间不相同，黄波、李湛和顾孟迪（2006）是从1998年到2003年，而陈健（2010）则相对较长，选择的期间是1995年到2005年。本文为了避免由于模型选择导致的测度误差，以及样本选择的限制，采用的是不依赖于资产定价模型的测度方法，对我国证券市场长达15年的公司特质风险平均值的变化趋势进行测度和分析。
（二）公司特质风险的测度
由于公司特质风险具有不可观测性，在分解和测度时需要借助于模型的选择，根据模型选择的不同可以分为两种方法：一是CLMX（2001）基于CAPM模型的间接分解法；二是：Malkiel和Xu（2003）以Fama-French三因素模型为基础的直接分解法。间接分解法认为，个股收益来自于不同的影响层面，即市场层面、行业层面和公司特质层面，计算时，将个股超额收益率按照不同影响层面进行分解，然后计算不同层面收益率之差，并求其方差，把行业层面和公司特质层面超额收益之差对应的波动率用来测度公司特质风险，也称为间接分离法。直接分离法最主要的优点，首先，就是简单实用，便于应用，很少需要较为复杂的模型；其次，不需 要考虑变量间的协方差和估计行业与公司的β值。但是，它的缺点也是来自于它的优点，正是由于不需要考虑变量间的协方差，不需要考虑股票收益的序列相关性，即公司的β值，必然存在一定的误差。直接分解法则是直接利用Fama-French三因素模型的误差项计算公司特质波动，以测度公司特质风险。Malkiel、Xu（2003）和AHXZ（2006，2009）通过Fama-French三因素模型（以下简称F-F三因素模型）的残差估计来计算公司特质波动。这种方法相对间接分解法而言，在考虑市场风险因素的情况下，也去除了账面价值比因素、规模因素，因此计算出的公司特质波动误差较小，但这个方法需要估计的变量较多，尤其是公司的β值的估算较为困难。
对于以CLMX（2001）为代表的直接分离法和Fama-French三因素模型的间接分离法之间的比较，Malkiel、Xu（2003）认为，由于CLMX（2001）的基于CAPM思想的间接分离法仅仅考虑了市场因素的定价，而不是像Fama-French三因素模型那样，进一步考虑了规模因素和账面市值比因素的定价问题，因此，间接分离法所度量的特质波动率往往高于基于Fama-French三因素模型的直接分离法的度量结果，存在着“高估”倾向。这两种方法如果从适用角度上考虑，间接分离法存在着变量要求少的特点，并且计算的可靠性较高，能够避免较大的估计误差。但是，在估算公司特质波动时，是否考虑公司特征因素的影响，到现在仍是一个有争议的问题。丛建波（2009）认为，特质波动应只排除市场因素的影响，而不应排除公司自身特征因素的影响，因为公司规模和账面市值比等因素都是公司特征，由此引发的定价异动应属于公司的特质波动。笔者认为，公司特质波动的估算应该考虑到公司层面已知的影响因素，原因很简单，在F-F三因素模型中，公司特征因素对个股收益具有较强的解释和预测能力，应该被定价，而公司特质波动的定义则是针对定价模型中不能定价的误差项。
（三）公司特质风险的被定价
早期Lintner（1965）、Douglas（1969）、Miller和Scholes（1972）虽然发现市场风险并不能完全解释市场收益，包括公司特质风险在内的非系统风险也应该被定价，但Fama-MacBeth（1973）提出的横截面检验则拒绝了非系统风险被定价的可能性。在CLMX（2001）发现美国证券市场上的平均公司特质风险从60年代到90年代呈现出明显的上升趋势后，公司特质风险的被定价再次成为学者关注的重点。目前，无论国内还是国外，均认为公司特质风险在横截面上与股票收益存在重要的关系，如Ang、Hodrick、Xing、Zhang（2006，2009）（以下简称AHXZ（2006，2009））提出“特质波动之谜”现象，②随后Guo、Savickas（2006c）、Hin、Pandher（2007）、Han、Kumar（2008）等的研究均支持了AHXZ（2006，2009）的观点。在国内，杨华蔚、韩立岩（2009）、陈国进、涂宏伟、林辉（2009）、左浩苗、林辉、涂宏伟（2010）也发现了我国证券市场中同样存在“特质波动之谜”现象。
证券市场中，平均公司特质风险能否对市场收益具有解释能力，这个问题目前仍然没有定论。Goyal和Santa-Clara（2003）利用美国证券市场1963年8月至1999年12月的交易数据进行实证分析，发现平均个股收益方差和市场收益间具有相关性，而市场收益方差和市场收益间不具备相关性，由此间接得出公司特质风险应该和收益间具有一定的相关性。Bali、Cakici（2005）的研究结果却否定了Goyal和Santa-Clara（2003）的观点，他们认为，公司特质风险和市场收益间并没有关联，Wei和Zhang（2005）也支持了这一结论。有趣的是，Guo、Savickas（2006）利用美国证券市场1963-2002年的交易数据，分别采用直接分解法、间接分解法来测度公司特质风险，结果发现按照市值权重计算出的市场风险和公司特质风险与市场收益间具有不同的相关性：市场层面风险和市场收益问呈现出与CAPM类似的正相关性，即“风险收益相权衡”的关系；公司特质风险与市场收益间则表现出与AHXZ（2006，2009）横截面研究类似的负向相关性，即与“特质波动之谜”现象相像。国内学者对于公司特质风险在我国证券市场中的平均水平与市场收益问的关系研究，也是相互矛盾的。黄波等（2006）的研究结果认为，我国证券市场总体公司特质风险与市场收益间不存在相关性，但市场层面风险则与市场收益间存在权衡关系。陈健（2010）的研究结论则相反，认为市场层面风险在回归模型中的系数显著性不稳健，公司特质风险具有显著的市场收益预测能力。上述两个研究文献均存在一定的局限，黄波（2006）虽然根据投资者风险偏好的不同建立基于风险偏好的资产定价模型，但所选取的样本期间过短，不足以反映两者的相关性；陈健（2010）则是将非系统风险等同于公司特质风险，没有考虑公司特征等因素，采用CAPM模型的间接分解法进行测度，因此计算结果未免误差会增加，妨碍了公司特质风险与市场收益的相关性研究。
本文在文献回顾的基础上，借鉴Bali、Cakici、Levy（2008）的思想，采用“非资产定价模型分解法”对我国证券市场中的公司特质风险进行测度，分析其时间趋势特征，并构建实证模型，检验公司特质风险和市场收益之间的相关性问题。
三、公司特质风险的测度与趋势分析
（一）“非资产定价模型分解法”的提出
以CAPM模型为例，我们知道该定价模型的运用，有两个最基本的条件：（1）投资者持有风险资产的比重相同；（2）投资者的风险偏好中性。然而，现实的资本市场环境并非是一个理想状态，在理论上就意味着，运用CAPM模型分解个股波动就存在着不合理之处。另一方面，CLMX（2001）在运用CAPM模型分解个股波动时，本身也存在问题：首先，在计算行业超额收益③时的权重如何选择，使得权重和相应的系数满足所列的规则性条件；其次，在CLMX（2001）进行个股超额收益波动的方差分解时，由于现实条件的制约，很难满足各层面风险因素与残差的正交假定，即两者的协方差为零的假设。④
本文根据方差均值组合理论和组合分散收益原理的思想，引入“非资产定价模型分解法”。“非资产定价模型分解法”并非指在不建立模型的条件下，计算和测度公司特质风险，这是不可能做到的，而是指借助于组合分散效应（gain from portfolio diversificatio n）的思想（Markowitz，1952，1959），在不依赖于任何资产定价模型的基础上，构建测度整个证券市场中平均公司特质风险的计算方法。按照这种方法，就不需要估计协方差系数，以及行业层面或者公司层面系数。
“非资产定价模型分解法”的原理和构建过程。假设一个投资组合有两种情况：一种是组合中的个股相关性均为1，即具有完全相关性，这种组合不存在任何分散效应，我们称之为“无分散的组合”（nodiversified portfolio）；另一种情况是该组合具有充分的分散效应，足以使得公司特质风险完全抵消，组合收益只受到系统风险的影响，我们称之为“完全分散的组合”（fuⅡy-diversified fortfolio）。⑤那么，这两种组合收益的方差之差便是所求的证券市场平均公司特质风险测度值。按照Markowitz（1952，1959）的均值方差组合理论（the mean-variance fortfolio theory），在一个数量为n的组合中，组合期望收益为：
上述过程是为了描述“非资产定价模型分解法”的构建原理，先将个股总体风险分解为市场风险和特质风险，这里的特质风险包括行业层面风险和公司特质风险。为了本文的研究目的，以下过程运用该方法，将个股总体风险分解为市场层面波动、行业层面波动和公司层面特质波动。
假设在证券市场内存在N个行业，那么市场的超额收益为：
假设在行业i内有n家公司，那么行业i的超额收益就为：
（二）基于“非资产定价模型分解法”的测度
1.数据样本选取与来源。本文选取从1995年5月30日到2010年5月30日所有在沪深两市A股上市的公司，剔除所有ST上市公司和上市时间不超过3个月的上市公司，并按照2001年中国证监会《上市公司分类指引》将样本公司分为13个大类共56个二级行业。为了计算个股层面风险的需要，对交易期内上市公司个数少于3家、个股在月度内交易不足7个交易日的交易数据进行删除，由此进行筛选和对比，共选取其中的52个行业。另外，在深沪两市进行稳健性检验过程中，按照上述原则进行筛选后，深圳证券交易市场选取了38个行业，上海证券交易市场选取了38个行业。对于所选取的行业和个股数据，考虑到上市首日和复牌首日不设涨停限制，因此剔除了上市交易日数据。个股日超额收益率为：其中，为行业i中上市公司i在第t日的收盘价格，为无风险收益率。采用同期银行人民币一年存款基准利率，并折算成日收益率，无风险收益率从1995年6月1日到2010年5月30日，人民币一年期存款基准利率调整了20次。在计算行业i日超额收益和市场超额收益时，分别用总市值、A股市值和等权重加权平均。以上数据均来自于Wind数据库和CSMAR金融数据库。
2.数据统计结果描述。本文采用“非资产定价模型测度法”，分别计算出我国证券市场加权平均市场风险、行业层面风险和公司特质风险，其中，MKT、IND、FIRM分别代表市场风险、行业层面风险和公司特质风险，而_AV、_TV和_EV则分别代表A股市值权重、总市值权重和等市值权重，统计结果见表1。
从表1的统计结果来看，无论是采用什么样的权重，公司特质风险的均值超过了市场风险，并远远大于行业层面风险。公司特质风险均值在个股总波动中的比例均超过了50%，其中，按照A股市值权重计算，比例最高的为58.06%；按照等权重计算，比例最低的为53.05%。因此，公司特质风险已经成为个股风险来源的主要部分。市场风险占个股波动的比例稳定在40%左右，最高值为按等权重计算所得的45.41%，最低值为按A股市值计算所得的40.72%。行业层面风险在个股总波动中的比例相对最小，按照等权重计算的结果仅为4.5%。这说明，从相对值上来看，我国证券市场接近了发达国家证券市场各种风险占比的关系。⑥然而，仅根据综合性的统计结果，我们还不能完全了解个股总体风险中各个层面风险的变化，还需要通过分析各层面的时间趋势加以了解。
从图1和图2可以看到，按照“非资产定价模型分解法”测度的公司特质波动的时间趋势，与CLMX（2001）对美国三大证券市场的公司特质波动的时间趋势分析存在很大的不同。从1962年到1997年，美国股市上的公司特质波动呈现出明显的上升趋势。我国的公司特质波动的时间趋势特征大致经历了一个“U”型的先下降后上升的变化过程。以A股市值权重所测度的数据为例，从1997年8月到2003年3月间呈现不断下降的趋势，但在2000年1月至2001年3月间出现一个波动增加的区间现象。其中，公司特质波动在1997年5月达到最高值（0.03719），虽然从2000年开始出现一个短暂的上升趋势，并于2001年2月达到一个次高峰值（0.02815），但从1996到2003年这段时间内总体上是趋于下降的势态，并于2003年1月下降到0.002396。在这一阶段内，公司特质波动最高峰值与公司特质波动最低峰值之间相差15.52倍。2003年3月到2009年4月，我国沪深股市的平均公司特质波动呈现出上升趋势，之后出现下降的微动，尽管从2004年10月到2005年10月出现轻微下降和调整，但到2007年12月公司特质波动峰值仍达到0.02921，为2003年1月最低值的12.2倍。其中，值得我们关注的是，从2006年开始，以总市值为权重的平均公司特质波动的上升和下降的变动趋势均不如以A股市值权重或者等权重计算出的证券市场公司特质波动时间趋势那么明显。
从图3可以看出，除了1996年12月、2001年3月、2008年3月等少数月份以外，大多数月份的公司特质波动幅度均大于市场层面波动。公司特质波动小于市场层面波动的月份有48个，占比为26.7%，这种情况多集中于1995年6月至1996年5月之间和2008年4月至2010年1月之间。行业层面风险占比较低，直观来看，仅有2007年和2008年较高。为了进一步描述公司特质风险的变化趋势，表2给出了1996-2010年按绝对量进行简单计算得到的各层面风险占个股总体风险的相对比例的变化趋势。从中可以看出，公司特质波动除了1996年、1997年和2009年不足50%以外，其余各年平均值均超过了50%，尤其是在1999年和2001年，公司特质波动占比达到或超过了70%，2009年出现大幅下降，但2010年上半年重新上升到50%以上，说明公司特质波动逐渐成为个股收益风险的主要来源。按照Durnev、Morck、Yeung（2004）、Durnev、Morck、Yeung（2004）、游家兴（2007）、张博（2009）的观点，公司特质波动的相对比例越高，反映出 股价信息含量越丰富，股价同步性则越低。按照此逻辑，当股价信息含量越丰富时，即市场定价效率越高时，公司特质风险应该能够具有市场收益预测能力，或者说能够被定价。下面我们通过构建相关实证模型来检验在我国证券市场上，公司特质风险是否能够被定价。
为了符合实证检验的要求，需要对公司特质波动率的时间序列进行平稳性检验。我们采用ADF检验方法。原假设是两种方法所测度的公司特质波动存在单位根，是非平稳序列，备择假说是公司特质波动时间序列为平稳序列。ADF检验在无截距项、有截距项和趋势项三种情况下给出两种测度方法所计算的公司特质波动均满足了平稳条件。
四、中国证券市场公司特质风险被定价的经验数据
但是，在上述测度统计过程中发现，市场层面风险、行业层面风险和公司特质风险之间存在一定的相关性，就A股权重测度所得的公司特质风险与市场层面风险、行业层面风险的相关系数分别达到0.62和0.55。因此，本文将行业层面风险和市场层面风险加入到模型之中，并且分别对公司特质风险、行业层面风险和市场层面风险取对数形式⑦构建第三个计量模型：
在表4所列示的Model1的回归结果中，可以很明显地看到，虽然为38.5122，但并不具有显著性，因此，公司特质波动对市场超额收益不具备预测能力。将市场层面风险和行业层面风险加入模型后构建起的Model2中，'为22.7619，t值水平为0.7481，表现出其对市场超额收益的预测能力并不存在。与Model1和Model2的结果一致，在Model3中，公司特质波动的系数为0.0377，但t值水平仅为0.4509，仍然表现出对市场超额收益不具有预测能力。由上述三个计量模型的计算结果可知，行业层面风险虽然在Model2中的系数为21.7465，并且具有一定的显著性，但在Model3中行业层面风险的系数发生变化，由正为负，且不具有显著性，因此，行业层面风险对于市场收益的预测能力并不稳健。唯一值得肯定的是，市场风险在Model2中的系数为-12.43，并且显著性较强，同时在Model3中的系数为-0.085，t值为-2.9814，具有一定的显著性水平，因此，市场风险对市场超额收益具有一定的预测能力。总而言之，由于我国证券市场目前仍然具备“新兴+转轨”的市场特征，与发达国家证券市场具有较多的不同之处，因此，在股价波动的各个层面的风险定价方面，市场风险能够被市场超额收益定价，但行业层面风险和公司特质风险是不能够被市场收益定价的。
五、稳健性检验
我们的结果与黄波等（2006）的实证检验结果相类似，他们利用“基于双侧矩和高阶距偏好的资产定价模型”测度了我国整个A股市场的公司特质风险，检验了市场平均公司特质风险对市场超额收益的预测能力，结果恰恰相反，他们认为，市场层面风险对市场超额收益具有预测能力，而公司特质风险则不具备预测能力，即没有被市场收益定价。⑧陈健（2010）的观点与此不同，他的实证结果则认为“非系统风险作为个股风险的最大来源，能够被市场超额收益所定价，对其具有一定的预测能力”。为了进一步验证本文的结果，我们将个股样本分为深市和沪市，再次分别测度两个市场的市场层面风险、行业层面风险和公司特质风险，并运用上述三个模型再次检验公司特质波动对市场超额收益的预测能力。由表5可以看出，深沪两市的各个层面风险的时间序列均符合平稳性检验的要求。
从表6可以看出，在Modell以沪市A股为样本的回归分析中，公司特质风险的系数为14.829，具有显著性水平，但在Model2和Model3中的结果都不具备显著性水平的系数。在以深市A股为样本的回归分析中，三个计量模型的分析都表明，公司特质风险不具有对市场超额收益的预测能力。虽然以深市A股为样本的Model2中行业层面风险系数的显著性为16.4735，但在Model3模型中并没有表现出对市场超额收益具有显著的预测能力，因此，行业层面风险对市场超额收益不具有显著的被定价。市场风险无论是以深市还是沪市A股为样本的回归分析中，都表现出对市场超额收益显著的预测能力。
六、研究结论及前景展望
本文在总结前人关于公司特质风险研究成果的基础上，采用“非资产定价模型分解法”，将我国深沪股市1995-2010年所有A股个股波动分解为市场层面风险、行业层面风险和公司特质风险，检验了三个层面风险的变动趋势。在借鉴GS（2003）和BCYZ（2005）模型的基础上，建立定价回归模型，从证券市场平均风险的角度研究了三个层面风险对市场收益的预测关系。我们的结论可以概括为：公司特质风险除了少数年份，如1996年、1997年和2009年之外，均超过了50%，逐渐成为个股风险的主要组成部分，公司特质风险能否被市场收益定价由此成为一个值得探讨的问题。但是，从宏观角度上我们发现，证券市场平均公司特质风险对于市场收益的预测能力并不存在，只有市场风险表现出对市场收益较强的预测能力。
上述实证结果给我们提出一个问题，即公司特质风险到底意味着什么？按照Dumev、Morck、Yeung（2004）、Durnev、Morek、Yeung（2004）的观点，公司特质风险代表着公司层面特质信息，而公司特质风险在个股风险中的占比则意味着股价信息含量的高低，股价信息含量越丰富，市场定价效率越高，公司特质风险越能够被市场收益所定价。因此，上述两个结论形成了一个悖论。按照Hsin（2010）的观点，由于新兴市场国家证券市场和发达国家证券市场在制度、市场环境等因素上的巨大差异，公司特质风险无论在绝对量还是相对量上都难以作为股价信息含量的代表，它只是反映出公司层面信息不确定性的程度。而能够解释这种悖论的，只能从我国证券市场这种“新兴+转轨”的特征中寻求答案。因此，公司特质风险的信息本质是什么，即到底是代表着公司层面的特质信息还是公司层面信息的不确定性，并且在我国证券市场目前的市场环境和制度特征下，到底是什么因素驱动着公司特质风险或者公司特质波动的时间趋势变化，这是本文进一步研究的方向和内容。
注释：
①对于“Idiosyncratic risk/idiosyncratic volatility”的翻译有不同版本，也称为“非系统风险/非系统波动”或者“特异性风险/特异性波动”。本文援引蒋殿春（《金融经济学》，中国统计出版社，2003年）的观点，将其翻译为“特质风险/特质波动&rd quo;。
②AHXZ（2006）利用1963年7月至2000年12月的NYSE、AMEX、NASDAQ的股票样本，通过F-F三因素模型残差测度公司特质波动，并根据滞后一期公司特质波动从低到高将股票样本分组，形成5等分的投资组合并持续一个月。在控制了相关的公司特征值后，特质波动最高组的平均收益为-0.02%，而最低组的平均收益为1.04%，两个组别之间的预期收益相差-1.06%。这表明，承受高特质波动风险不能得到相应的高风险回报，即公司特质波动与横截面收益间呈现出负相关现象。进一步，AHXZ（2009）发现，其他23个发达国家的股票市场也同样存在这种负相关现象，而且在控制了规模、账面价值比、流动性、动能效应、偏斜率、分析师预测偏差等因素变量时，这种现象依然存在。这明显违背了传统资产定价理论的核心思想——风险收益相权衡对应的观点，因此，他们将这种现象称之为“特质波动之谜”，也称为特质风险定价异质性现象。
④CLMX（2001）在将市场修正模型“market-adjusted model”引入分解过程的时候，假定公司层面回归残差与行业收益间正交，市场收益与行业回归残差间正交。
⑤按照标准金融学的观点，也可称之为“市场组合”。
⑥施东辉（1996）的数据表明，发达国家证券市场中，系统风险即市场风险占总风险的比例一般为20%到40%，但他的实证检验也表明，我国上海证券交易市场中的系统风险比例在1993年到1995年间高达81.37%。
证券市场显著特征范文4
关键词：融资融券；市场波动率；CCC-GARCH； 条件相关系数；小波分析
1. 引言
融资融券交易又称为保证金交易，是指投资者向具有融资融券业务资格的证券公司提供担保物，借入资金买入证券或借入证券并卖出的行为。在国内证券市场，上海和深圳证券交易所于2010年3月30日向6家试点券商发出通知，在2010年3月31日起接受融资融券交易申报，融资融券交易进入实质性的操作阶段。2015年5月6日，转融通标的证券扩大到893只股票。截至2016年6月17日，沪深两市融资余额和融券余额分别达到了8340.84亿元和8363.83亿元，随着融资融券业务规模的扩大，其对市场的影响也越来愈大。在2014和2015年，国内A股市场发生了较大的波动，上证指数一度从2014年7月22日的2173点上涨至2015年6月12日的5410点，上涨幅度达到149%。在随后的几个月内，指数一路下行至2015年8月26日的3066点，下跌幅度高达43%。市场巨幅波动虽然与政策导向和经济环境等因素有一定的关系，一些学者认为融资融券业务也在一定程度上加剧了市场的暴涨暴跌，但也有学者认为融资融券作为投资和风险管理工具，有助于提高市场定价效率，降低市场的波动率。融资融群提高了市场波动率，还是降低了市场的波动率？目前相关研究还没有得到一致的结论。回答这一问题有助于更好地理解国内证券市场的波动特点以及规范融资融券业务的发展。
一些学者对融资融券业务与市场波动的关系展开了一系列研究，其中不少文献认为，融资融券业务会有利于股票的价值发现，提高股票定价效率，从而降低市场波动。Zhao， Li 和Xiong （2014）运用事件研究法，观察了2010年2月-2013年8月中国融资融券对市场波动的影响，他们发现融资交易容易导致个股泡沫出现，融券交易能够使得证券价格趋于稳定[1]。肖浩和孔爱国（2014）的研究结果表明融资融券交易降低了标的股票的特质波动率[2]。李科，徐龙炳和朱伟骅（2014）认为卖空限制导致了股价高估，融资融券制度等做空机制有助于矫正高估的股价，提高市场定价效率[3]。陈海强和范云菲（2015）通过对比真实波动率与构造的反事实波动率路径，发现融资融券制度的推出有效地降低了融资融券标的个股波动率[4]。李志生， 杜爽和林秉旋（2015）认为融资融券交易显著降低了股票价格的跳跃风险，有利于防止股票价格的暴涨暴跌和过度投机[5]。佟孟华，孟照康（2015）认为融资融券交易能够显著降低股票市场的波动性[6]。也有文献认为融资融券业务可能会诱发金融风险，加剧市场的波动，如刘志洋和宋玉颖（2015）指出融资融券交易会给金融体系稳定带来威胁，可能引发系统性的金融风险[7]。吴国平和谷慎（2015）融资融券业务在整体上加剧了股市的波动[8]。此外，部分学者认为，融资融券业务对市场的影响并不明显。郑晓亚，闫慧和刘飞（2015）结合收益率波动特征，将融资融券业务作为虚拟变量引入GARCH与EGARCH模型进行定量分析，其结果表明融资融券业务对我国股票市场长期波动性影响并不显著[9]。吴国平和谷慎（2015）发现融资交易加剧了股市波动，而融券交易则减小了股市波动[8]。刘烨等（2016）构建了外生信息冲击的门限自回归条件密度（TARCD-X）模型，发现融资融券余额的变动没有显著增加市场的波动性和暴涨暴跌的频繁性[10]。黄虹等（2016）利用TARCH模型着重分析“两融”是否为投资者情绪影响股指波动的放大器，他们的研究结果表明“两融”并不会加大投资者情绪对股指波动的影响[11]。
从以上研究可知，目前有关融资融券与证券市场波动率的关系已有了一定的讨论，但由于已有研究在研究方法和研究样本等方面不一致，所得到的结论也有较大的差异。大多数现有研究在对融资融券与证券市场关系进行研究时忽略了原始交易信息中的噪音成分，由非理易者产生噪音信息会扰乱融资融券与证券市场波动率之间的关系，针对已有研究的这一局限，本文拟从新的角度来展开研究，具体来说：一是将证券市场和融资融券交易信息进行分解，从原始信息中分离出高频成分和低频成分，对原始数据进行去噪处理，在多尺度下探寻融资融券与证券市场波动率的关系；二是将融资融券交易行为与证券市场的量价变化综合考虑，从而得到更全面和准确的结论。
2. 融资融券交易对证券市场波动率影响的理论分析
一方面，融资融券通过价格发现机制会降低市场波动率。证券价格随着供求关系变化而动态调整，当股票价格被低估时候，市场理性投资者会预期股票价格会上涨到均衡价格，他们将通过融资交易买入被价值被低估的股票，而股票价格的上升会使得投机交易者跟风买入，此时股票需求上升，在供给不变的情况下，股票价格将不断上升，直到理性投资者预期股票价格已接近或等于内在价值。而当股票价格被高估时，理性投资者预期股票价格会下跌，他们会进行融券交易，股票价格因为供给的增加而出现下跌，而市场上的投机交易者看到交易机会，也会卖出股票，从而导致价格的进一步下跌。不同类型的投资者根据市场信息不断调整交易行为，而交易行为的调整又直接引起了证券供求关系的变化，使得证券价格围绕价值动态调整，不至于使股票价格大幅度偏离其基本价值，因此，存在融资融券交易制度的市场，证券价格出现大幅波动的概率相对较小，市场稳定性也对较强。此外，如Hong和Stein （2003）提出的异质经济人模型所指出，在市场缺乏融资融券的交易机制的条件下，卖空交易者所拥有的坏消息将不能有效释放，他们不能运用掌握的信息进行交易，而必须等到市场下跌时才能进行交易，此时利空消息的释放会加大市场下跌的幅度，甚至会导致股灾的出现[12]。
另一方面，融资融券交易可能通过杠杆交易提高市场波动率。在市场繁荣初期，杠杆交易往往能带来财富效应，随着资产价格的进一步上涨，越来越多的投资者参与杠杆交易，从而推动证券价格出现新高。在此过程中，即使是相对理性的机构投资者也会因为业绩压力和声誉效应等因素而参与杠杆交易，从而加快市场泡沫的形成。当政策面趋紧，或基本面有所恶化时，市场恐惧情绪会上升，投资者会卖出资产，此时市场压力进一步增大，一部分投资者选择进行卖空交易获取利润，另一部分前期看多的杠杆投资者可能会被强制平仓，多种因素的综合作用下，市场会对坏消息过度反应，因此融资融券交易行为可能通过杠杆交易机制导致市场波动率提高。
中国证券市场尚不成熟，市场受政策影响较大，投资者结构以散户为主，市场投机氛围较重，在这样的市场环境下，融资融券交易对证券市场波动率的影响是以价格发现功能为主，还是以杠杆交易机制为主，目前还没有一致的结论，本文将以小波CCC-GARCH模型为基础，运用国内证券市场的数据，对融资融券与市场波动率的关系进行实证检验，从而为判定融资融券对市场波动率影响的主导作用机制。
3. 时间序列的小波分解及分析
3.1 实证研究样本
2010年3月31日起接受融资融券交易申报，融资融券交易进入实质性的操作阶段，本文以此时间作为研究样本的起始时间，样本结束时间为2016年7月21日，数据粒度为周数据。样本数据来源于WIND数据库。图1中，a，b，e，d，e和f分别代表了上证指数、深圳指数、上海证券交易所周成交量（元）、深圳证券交易所周成交量（元）、市场融资买入额（亿元）和融资卖出额（亿元）的时序变化情况。图2中，ra，rb，rc，rd，re和rf分别代表了序列a，b，e，d，e和f的对数变化率。
从图1和图2可以发现，融资融券交易量与市场指数和交易量的变化轨迹相似程度较高，可以初步判定融资融券交易与市场波动可能存在某种程度的关联。
3.2 市场信息和融资融券交易时间序列的小波分解及分析
在经济金融信号的分析过程中，有些信号表现为低频信号或是比较平稳的信号，而噪声信号通常表现为高频信号。在中国证券市场，由于投资者投机氛围较严重，投资者情绪引发的证券收益率存在较大的波动，使得证券价格常常偏离基本价值，价格与内在价值的偏差通常通过噪音信息或高频信息表现出来，因此本文将市场信息以及融资融券交易信息进行分解，将这些原始的时间序列数据分解为高频成分和低频成分，以更准确地判断各事件序列之间的关系。由于小波变换具有时频局部化特性和多分辨率特性，使得小波消噪能够在去噪同时保留信号的突变部分，因而可以保留原始信号的特征，因此本文通过小波分析来对信号进行去噪处理，通过在信号的噪声部分进行高频信号的分解，得到融资融券和市场收益信号的高频和低频成分。
（1）
其中yi为含噪的原始信号，为上证指数、深圳指数、市场成交量以及融资融券交易额的原始序列变化率数据，它们分别为ra， rb， rc， rd， re和rf。zi为独立同分布的高斯白噪声，zi～iidN（0，1），σ为噪声水平，信号长度为n。本文将小波分解层数设定为5，用门限阈值对小波系数进行处理，得到原始信号的高频成分和低频成分如图3所示。
图3中，第1-6幅小图分别为ra， rb， rc， rd， re和rf的小波分解结果，原始信号为序列ra， rb， rc， rd ，re和rf的变化轨迹，而低频信号和高频信号分别为小波分解后的低频成分和高频成分。高频信号与原始信号的波动轨迹较为一致，反映出市场收益和成交量以及融资融券交易行为的变化主要由短期因素所驱动，而反映中长期趋势的低频信号则波动较小，表明市场的中长期波动率相对较为稳定。
4. CCC-GARCH模型的参数估计及条件相关系数分析
CCC-GARCH模型不仅涵盖了单变量模型的波动特性，而且可以刻画不同变量间的相关系数，变量间的协方差由常相关系数乘以变量的条件标准偏差形成，在描述变量间相关关系时，CCC-GARCH模型还可以较容易保证正定方差矩阵。设定条件协方差矩阵（Conditional correlation matrix）：
从表1中可以发现，针对原始信号和高频信号的时间序列，CCC-GARCH模型的参数大多在99%的置信水平下显著，模型较好的拟合了原始数据，可以运用构建的CCC-GARCH模型判断融资融券交易与股票市场波动率之间的关系。而对于低频信号，模型的拟合不甚理想。根据CCC-GARCH模型，得到融资融券交易与市场波动之间的相关系数如表2所示。表2第1列中的数字1-6分别代表了上证指数、深圳指数、上海证券市场交易量、深圳证券市场交易量、融资额、融券额的波动率，ρ（i，j）代表了时间序列i和j的条件相关系数。从表2中可以发现，对于不同原始信号、低频信号和高频信号，融资交易和市场信息的相关系数均显著，值得注意的是，虽然一部分基于低频信号数据的CCC-GARCH模型参数不显著，但融资交易与市场波动的相关系数仍然显著。总体来看，融资交易行为与市场收益率的波动和成交量的波动均存在紧密的联系。而融券交易与市场信息的相关系数则有所差异，融券交易与上证指数和深圳指数波动率的关系不显著，而与两个市场成交量的波动率显著相关。国内证券市场的融资融券交易制度虽然已实施，但是多年卖空限制条件下形成的多头（牛市）思维还比较明显，融资交易与融券交易一直呈不对称发展，在样本期，融券周平均交易额为146.47亿元，而融资周平均交易额为1615.88亿元，融券交易额只占到融资交易额的9%，虽然存在制度等客观因素，但投资者对于卖空交易思维的培养还应加强。同时，CCC-GARCH模型的结果还表明：对于不同频率的信号，相关系数的大小也有一定的差异，其中，高频信号之间的相关系数相对更大，且更显著，如对于高频信号，上证指数与融资交易波动率之间的相关系数为0.3299（5.0133），大于原始信号相关系数0.3207（4.9349），也大于低频信号之间的相关系数，同时，基于低频信号的CCC-GARCH模型拟合效果欠佳，实证结论表明融资交易与市场波动之间的相关系数主要由高频信号所驱动，而非反映中长期市场波动状况的低频信息驱动。高频信息通常由市场噪音所产生，这与投资者的非理易行为或投资者情绪紧密相连，国内证券市场经过多年的发展已逐渐成熟，但散户比例仍然过高，在融资融券市场，截至2015年6月底，融资融券个人账户高达375.5万户，而机构账户为6464户，在散户占主导的市场中，散户的非理容易导致市场偏差，使得价格偏离证券内在价值，集聚市场情绪因素，导致价格的非理性和大幅波动。此外，在互联网和即时通信工具飞速发展的背景下，投资者更容易受短期短息的驱动，投资者心理变化更趋敏感，这也在一定程度上加剧了融资融券隐含的高频信息对市场波动的影响。
5. 结论及启示
本文运用小波CCC-GARCH模型对融资融券交易与证券市场波动率之间的关系进行了实证检验，研究结果表明融资交易行为对证券市场收益率和成交量的波动均有较显著的影响，而融券交易对市场波动率的影响则不显著，同时，融资交易行为对市场的影响主要由高频信号所驱动，投资者短期非理或噪音交易对市场波动的影响较大。有鉴于此，为了促进证券市场的健康发展，首先应均衡融资融券业务的发展，只有融资融券业务同时发展，其价格发现功能才能更好地发挥，融资或融券业务一类发展过快，可能会导致市场暴涨或暴跌，从而不利于证券市场的稳定。其二，应加快机构投资者的发展，培养理性投资者，理性机构投资者的发展有利于更合理的使用融资融券进行交易，在运用融资融券交易过程中防范风险，降低噪音交易，提高市场定价的准确性，提高市场效率。其三，监管部门应加强投资者风险警示，管理部门应大力加强融资融券业务知识的普及，并对投资者进行充分的风险提示，促使投资者形成正确的投资思维，减少市场的非理性投机行为，从而维护市场稳定。其四，应加强融资融券交易行为数据库的建设，运用大数据分析技术，将市场上融资融券交易的相关数据进行分析，及时掌握市场运行的动态，为市场波动率降低以及市场稳定提供及时准确地决策参考信息。
参考文献
[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， 孔爱国. 融资融券对股价特质性波动的影响机理研究： 基于双重差分模型的检验[J]. 管理世界， 2014， （8）： 30-43， 187-188.
[3] 李科， 徐龙炳， 朱伟骅. 卖空限制与股票错误定价――融资融券制度的证据[J]. 经济研究， 2014， 10：165-178.
[4] 陈海强， 范云菲. 融资融券交易制度对中国股市波动率的影响――基于面板数据政策评估方法的分析[J]. 金融研究， 2015， （6）：159-172.
[5] 李志生， 杜爽， 林秉旋. 卖空交易与股票价格稳定性――来自中国融资融券市场的自然实验[J]. 金融研究， 2015， （6）： 173-188
[6] 佟孟华， 孟照康. 融资融券交易对我国股市波动性影响的实证研究[J]. 数学的实践与认识， 2015， （24）： 96-107.
[7] 刘志洋， 宋玉颖. 融资融券的系统性风险管理研究.上海经济研究， 2015， （7）： 3-8， 71.
[8] 吴国平， 谷慎. 融资融券交易对我国股市波动性影响的实证研究. 价格理论与实践， 2015， （10）： 105-107
[9] 郑晓亚， 闫慧， 刘飞. 融资融券业务与我国股票市场长期波动性[J]. 经济与管理评论， 2015， （2）： 87-93.
[10] 刘烨， 方立兵， 李冬昕， 李心丹. 融资融券交易与市场稳定性：基于动态视角的证据[J].管理科学学报， 2016， （1）： 102-116.
[11] 黄虹， 张恩焕， 孙红梅， 刘江会. 融资融券会加大投资者情绪对股指波动的影响吗？[J].中国软科学， 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
证券市场显著特征范文5
关键词：证券投资基金；证券市场；稳定发展
伴随着我国经济的全面发展与投资者投资意识的不断提升，证券投资基金成为如今证券市场的核心构成环节。因为证券投资基金的资金筹措方式具有较为独有的特征，在资金方面也有明显的优势。与此同时，基金管理人员大多都拥有较为丰富的投资与资金管控能力和经验。这诸多正向化因素的共同影响，有力证明了证券投资基金借助证券市场可以获得一定的效益。
一、证券投资基金与证券市场稳定的关系解析
（一）证券投资基金的整体介绍
证券投资基金，是指通过发售基金份额募集资金形成独立的基金财产，由基金管理人管理、基金托管人托管，以资产组合方式进行证券投资，基金份额持有人按其所持份额享受收益和承担风险的投资工具。证券投资基金的特点主要有以下几个方面：1．由专家进行专业化管理证券投资基金由专业的基金管理公司来运作管理，基金管理公司的管理人员一般都受过高等教育和专业训练，具有丰富的证券投资实践经验，提高资产的运作效率。2．投资费用低投资者是通过购买基金而间接投资于证券市场的。由基金管理人来具体管理和运作基金资产，进行证券买卖活动。3．组合投资，风险分散投资人只要买了一份基金，就等于买了几十种或几百种股票和债券，分散了风险。4．流动性强封闭式基金可以在证券交易所或者柜台市场上市交易，开放式基金的投资者可以直接进行赎现。5．收益稳定基金的投资者按照持有的“基金单位”份额分享基金的增值效益，收益比较稳定。证券投资基金的投资范围为股票、债券等金融工具。目前我国的基金主要投资与国内依法公开发行上市的股票、非公开发行股票、国债、公司债券和金融债券、公司债券、货币市场工具、资产支持证券、权证等。经过数十年的全面发展，证券投资基金已逐步演变成为核心的投资模块，其迅速扩张的势头甚至已经展现出欲取代以中小型投资为核心的投资市场模式，所以能否在相关规定允许的范畴内开展行之有效的投资，对证券专业市场的长期发展无疑有着非常关键的影响。
（二）证券投资基金与证券专业市场的平稳性关系解析
在国内的专业证券市场之中，证券投资基金便是最为核心的机构投资者，对于证券专业市场稳定的影响核心体现在以下几个方面：1．证券投资基金的规模效应与证券专业市场平稳性的关系证券投资基金可以将相关投资方的非集中资金进行有效的聚合，因此自身的运作能力非常可观。因为基金所运作资金的体量通常较大，在运作阶段需要极为谨慎，并且由于基金更为关注价值与长期投资，因此通常对上市公司开展专项的解析，全面吸收一定程度上被低估的股票，将高估的股票进行卖出操作，以有效控制证券市场产生比较大的波动性。不过由于基金的运作规模较为可观，因此无法排除其会产生操控市场的违规行为，从而造成证券市场波动的进一步加剧。2．证券投资基金专业分工优势与证券专业市场平稳性的关系证券投资基金本质上是金融市场专业化发展的产品，证券投资基金配备有专业化的资产管理人员，此类人员都具有着较为丰富的投资经验，对于资本市场的专业化探究也较为深刻。倘若公司基础面产生改变，相关的信息可能会导致证券市场的股价产生剧烈波动，而证券投资基金因自身信息运作开发成本和技术把控难度相对较低的显著特征，从而可以更为精准化地把控信息优势。所以在专业证券市场当中，基金一般处于优势地位，因其可进行高抛低吸的操作，这也有效推动了证券专业市场的平稳运作。不过证券专业市场自身的不确定性，还会让套利活动存在着显著的风险性特征，基金成本和风险也相对较大。这需要借助自有的技术方面优势，来预判投资者今后的买与卖的普遍行为，造成股票价格尽管很高，但仍然会持续购进股票，以进一步提升股票的价格，从而出现高估股票的情况。3．证券投资基金的委托关系与证券专业市场平稳性之间的关系首先，证券投资基金属于间接投资，有别于直接投资，存在着委托的关联性。证券投资基金的拥有者将资产交付由专业的基金管理人员进行规范化投资，此种委托关系可能会产生道德风险，因此需要借助基金有关的内外部管控机制对风险进行有针对的防控。有效的管控机制可以保证基金管理人依据委托人的利益开展相关的投资决策，同时其行为对于其他投资人员也可以起到一定的示范作用，这对于推动证券专业市场的稳定性也具有很重要的价值。4．证券投资基金的组合投资模式与证券专业市场平稳性之间的关系投资组合是证券投资基金经常运用的投资方式，其借助创建有针对性的投资组合来达到收益与风险互为平衡的效果。此种投资方式对于证券市场的长期稳定性也有着积极的推动作用。如果证券市场有效性、股票投资价值等环节出现负面影响，则势必会导致此种投资方式的作用力大幅度下降。
二、证券投资基金对证券专业市场平稳发展的作用解析
（一）基本分析法推动证券专业市场的平稳发展
在探究证券投资基金的具体阶段中，基本分析方创建行之有效的分析结构，以保障分析机制与解析框架体系有关新型的关联性都可以得到全面落实。在证券投资基金分析法的体系之中，公司价值是最为基础的探究基础，相关的探究工作人员需要全面统筹经济学、财务管理学等专业内容，同时落实投资学的相应要求，整体化解析公司现阶段的运作情况与发展前景，对公司内部的价值开展科学评估，从而融合影响股票价格的全局经济趋势，立足于相关解析，以期对被探究的上市公司安全范围等进行全面的估算与评定。与此同时，在证券投资的基金体系之中，可以规范化筹措体量可观的资金，以更好支持上市公司的流通股票，可以让融资或资产重组中具有否决权，让公司的治理情况与公司所有权结构之间可以形成较为有效的互动关系。换而言之，公司内部的有关所有权结构对公司日常化治理的运作机制与运作目标皆会产生一定程度上的影响。上市公司只有持续提升其运作水准，才可以形成有效的公司运作机制与基金收益体系之间的有效循环。例如，运用较为普遍的方式包括有指数型基金、价值型基金等。立足于此，证券投资基金的基础解析方式便是为投资者在挑选具体投资项目后创建长效性投资行为的根本，作为机构投资类体系。证券投资基金不但展现了机构投资的多样化运作目标，也可为公司内外部管理构架非常重要的平台，形成正向的互补与融合模式，为证券专业市场的平稳发展提供有效保障。
（二）技术分析法推动证券专业市场的平稳发展
技术分析法相比基本分析法而言，最为显著的区别是探究的目标不同，在证券投资基金技术分析法体系中，会将股票的具体价格作为探究的基础，融合相关的基础证券专业学内容，依据股票市场的波动图像等基础类数据作为参考，对市场今后的走势做行之有效的预测，同时科学化评定存在的价格波动趋势。需要尤为关注的是，在技术解析具体运用的阶段，市场的最终交易价格、市场内部的成交体量变化等都是非常关键的探究数据。有关的投资专业人士需要对其开展系统化的解析与探究，从而针对指定问题创建相应的专业化技术解析理论。现阶段，在相对成熟化的技术理论当中，比如技术指标理论、切线理论等都成为涉及面较为广泛的理论模型。在技术解析机制创建之后，有关的专业工作人员便会对市场行为开展评定，也就是市场行为可预判，具体的走势便可以依据定量解析形成有效的预测。在证券投资基金的发展过程之中，机构投资队伍持续扩张，且投资结构也发生显著的变化，这也切实改变了散户占据相对较多盘口的投资运作现状。也因为证券投资基金的技术解析方式极为专业，同时展现出专家模式，可以在充分保障信息资料数据相对完善的基础之上，运用合理化的投资方式来有效指导具体的投资行为。所以，证券投资基金不仅可以保障中小投资者进行专业化的投资服务，同时也可以有效引导证券投资基金机构树立较为正向的投资理念，以顺应不断变化的投资市场，全面落实证券投资运作的可管控性与平稳性目标，在具体的发展历程中推动证券专业市场达到较为均衡的状态，以更好发挥调控功能价值。
（三）演化分析法推动证券专业市场平稳化发展
在证券投资基金的发展运作中，运用演化分析法可以全面探究股市的具体波动情况，它的基础理论依托便是演化证券学，将波动与生命运动特征进行有机融合，并且充分考究股票市场的变异性等，全面解析规律性要求，从而维护探究的实际价值与优势。需尤为关注的是在证券投资基金运用演化分析法开展判定的阶段中，需要全面依据数理模型与信息终端数值模拟体系，有效运用市场数据实时化追踪多样化类型的基金空间，以切实保障直观解析的有效性，并且，将基础性信息与投资者投资信息进行第一时间的公布，基础性投资之中需要设计证券的估值、运作并创建有针对性的举措等，可以创建基础性数据解析结构与对应的解析模型，从而显著提升数据融合信息的完善性。值得深入关注的是，在信息化演化分析的基础之上，便可以有效为投资人给予更为合理化的认知角度与观察解析指导。举例而言，在证券投资基金的专项管理项目之中，开放式基金便可以在每日对净值变化开展有效的披露，同时在所有季度中，都需要集中公开持仓的基础化结构与实际的投资数据解析项目等。证券投资基金的演化分析法，创建更为合理且完善的观察视角，这也为证券投资基金赋予了较为清晰的逻辑解析架构，同时更为相关投资者创建了优异的空间判定依据，显著提升了投资解析阶段的完善性与实效性，以切实保障信息的可靠性且具有很强的运用价值。在专业证券市场当中，演化分析法为投资行为资源调配给予了关键的保证，可以为证券投资基金机构同时提供全面提升合理化投资效率与资源调配效率的改进建议，这无疑在很大程度上推动了证券专业市场的长期良性化发展。融合国内证券投资基金的具体特点与相应的发展需求，其的关键价值便显得尤为突出，其作为核心的机构投资者是保障市场平稳化运作的基础支持，也可以为其和谐进一步带来积极的影响作用。不管是基本分析法、技术分析法亦或者是演化分析法，都是互为贯通的，依据交叉化运用互为验证，以实现全面的推进。正是因为投资金额本身的份额相对有限，所以，运用多样化投资结构与管控模式，以全面提升其富集水平，切实维护好证券专业市场管控运作的实效性，全面落实整合较大规模资金的相关方针与政策，健全了利益共享与风险共同承担的集合性投资规划。伴随着如今证券投资基金规模的持续扩张，倘若想要切实从本质上健全机构投资者的整体市场价值，便需要对市场运行趋势开展明晰的把控，融合资源新型与运作维护管理举措。专业市场中的有关投资机构在证券专业市场中开展激烈博弈，在多项市场因素的共同影响之下，市场之中的相关问题便会陆续出现，证券投资基金投资阶段也会面对投资市场内的不对称情况等，倘若实现整体化有效发展，则需要对价格差异化等问题进行第一时间的调整。依据市场运作的具体发展需求，证券投资基金有效展现出其应有的价值，在融合资金结构与投资框架体系的基础之上，为证券专业市场的平稳化发展方面给以关键保障，以更好实现市场可持续发展的长远目标，并全面推动证券专业市场的繁荣发展。
三、结语
综上所述，在专业市场持续发展的过程中，证券投资基金需要进一步展现出其独有的价值，在充分融合管理流程的同时，展现出自身的具体机制，转变以往的投资运作理念，对投资取向进行有针对性的科学指导，创建更为多样化的市场投资类型。与此同时，相关维护管控工作的全面落实，也可以有效为证券专业市场赋予正确的走向，健全其机制化与结构化功能，推动证券市场平稳化发展的同时，也可有效为我国经济长期良性发展打下坚实的基础。
参考文献：
［1］孙传捷，袁照珺，卓坤霖，等．浅析证券投资基金对证券市场稳定发展的作用［J］．时代金融，2017（23）：210，214．
［2］谢冰冰．我国股票市场稳定性与证券投资基金的关联性研究［J］．吉林工商学院学报，2019，35（3）：89－92．
［3］刘峻．试析证券投资基金的风险预防策略［J］．中国市场，2019（27）：51，53．
［4］魏浩成．我国当前证券投资基金业现状、问题及对策［J］．现代商业，2016（27）：101－102．
［5］罗琳鋆．浅析证券投资基金对证券市场稳定发展的作用［J］．全国流通经济，2019（22）：157－158．
［6］樊纪明．证券投资基金对证券市场运行的价值探析［J］．农村经济与科技，2017，28（S1）：91－92．
［7］孟真真．浅析证券市场与证券投资基金的关系［J］．商展经济，2020（11）：44－46．
证券市场显著特征范文6
【关键词】收益协同性 行为金融 上证180指数
一、引言
资产收益在某种经济或心理因素支配下的共同变化称为协同性（Comovement）。协同性经常出现在一些具有某种共性的证券中，如小公司股票、行业板块、指数样本股都有可能发生不同程度的协同性。传统理论以Fama的有效市场假说和Sharpe的资本资产定价模型为代表，认为收益协同性反应基础价值的协同性。理论和实证表明基础价值协同性观点能解释一些收益共同变化的现象。然而，某些证券的基本面根本不相关，为什么它们的收益会协同变化呢？例如，对于小市值股票、封闭式基金、指数样本股出现的协同性，基础价值协同性难以给出令人满意的解释，这就促使学界去探寻基本面之外的影响因素，20世纪80～ 90年代兴起的行为金融理论提供了新的解释。
本文的目的在于通过理论分析和实证检验，对中国证券市场的收益协同性进行较为系统的探讨，论证交易行为是收益协同变化的重要原因。
二、文献综述
国外学者从不同角度提出各种不同于基础价值协同性的观点。Fama和French (1995) 研究收益率的三因素模型，发现某些证券收益的协同性与基础价值的协同性无关。
随着行为金融学的兴起和发展，Delong和Shleifer（1990）等人提出了噪声交易者模型(DSSW模型)，认为套利受到限制，噪声交易者风险是系统性风险，并且将对股价产生长期均衡的影响，因此，在受到同样的噪声交易者情绪变化的影响时，基本面不相关的证券也会出现协同性。
Lee，Shleifer和Thaler (1991) 提出协同性的偏好理论：有些证券仅由部分特定的投资者（如个人投资者）控制，随着风险偏好和情绪的变化，投资者改变所持风险资产的比例，从而形成这些证券收益的共同因子。他们的理论适合解释小市值股票和封闭式基金的协同性，因为这两类资产几乎完全由个人投资者持有。
Barberis和Shleifer (2002)提出协同性的类别理论（Category）：投资者往往是在类别层面上选择投资，而不是单只证券层面。因此，当他们随着情绪的变化将资金在不同类别之间转移投资时，在同一类别的证券之间引入了一个共同的因素，从而给这些证券收益之间带来协同性。
Barberis，Shleifer和Wurgler（2005）总结已有的研究成果，将协同性的类别理论、偏好理论进行概括并进一步提出协同性的行为理论：除基本面因素外，投资者的交易模式也会通过引发对某些证券需求的相关变动，促使证券收益协同变化。这种协同性又被称为交易诱导协同性。协同性的行为理论对基础价值协同理论做出了补充和修正，丰富了协同性理论，使之更为系统，从而能够更好地解释证券市场上各种协同性的来源和性质，具有较强的理论意义和现实意义。
指数调整事件已引起国内学者的广泛关注，如黄长青、陈伟忠（2005）对中国股票市场指数效应进行实证研究，宋逢明等（2005）实证检验了上证180和深成指的指数调整效应，发现上证180指数效应逐步凸显，但其价格效应和成交量效应并没有一致性。国内已有不少文献探讨指数调整时股票的价格效应和成交量效应，并对指数效应的起因进行了具体分析，但很少探讨收益协同性。何芳（2004）首次对国内不同证券间收益的联动效应（即协同性）进行较为系统的探讨，借助对上证180指数第一次样本股调整事件的研究，发现在国内证券市场上，收益协同性并未呈现固定模式，交易行为协同性表现并不显著。何芳的研究仅涉及上证180指数的第一次调整事件，时间短、样本少，结论的可靠性有待进一步验证。
综上所述，国外学者对收益协同性的根源提出诸多解释，多数文献支持交易行为产生收益协同性的观点。国内很少有文献探讨协同性的根源，对交易行为与收益协同性的研究尚处于起步阶段。中国证券市场是新兴的转轨市场，其收益协同性是否与国外成熟市场具有相似特征，指数调整是否存在收益协同性，这些问题都有待进一步探讨。
三、模型与变量
为探讨中国证券市场收益协同性的存在性及根源，本文实证分析上证180指数调整事件。上证180指数对多数投资者来说是一种自然分类，上证180指数主要反映中国经济整体状态，而不是提供未来现金流的信号。上证180指数中增加股票既不改变股票现金流的特征，也不直接反映这种变化。
本文以2002年7月1日～2006年5月30日间上证180指数调整的股票为研究对象，在此期间上证180指数共调整了7次，每次分别加入与剔除18只成份股，累计调进股票126只，调出股票126只（见表1）。
本文研究的期间内，不考虑由并购、分立、破产等事件引起的指数成份股调整事件，全部是证券交易所的定期成份股调整。剔除大量包含现金流的股票，调入事件去除38个，删除事件去除14个。上证180指数调整事件的有效样本中含88个调入事件，112个删除事件。
本研究采用收市价，价格与交易量信息主要来源于联合证券分析系统，指数调整公告来源于上海证券交易所网站，流通市值等权重数据来自巨灵信息系统，数据处理用SPSS11.5计量分析软件。
本文采用事件研究法（Event study）分析指数调整事件中的收益协同性。公告日是指在公开媒体上公布调整具体信息的日期，调整日是指该信息所披露的调整日期。参考国内外研究人员的经验，本文选用的事件窗为公告日前20个交易日及调整日后20个交易日，公告日至调整日之间约10个交易日不在事件窗内。
本文考虑用单变量回归分析模型：
其中Rj，t表示股票j在时间t的收益，RS180，t表示同期上证180指数收益，所有收益均用对数收益率计算：
指数中删除股票，?茁和R2都不会减少。
四、实证结果
实证研究表明：在2002~2006年间的调入事件中，?茁值平均增加0.038，R2平均增加0.043。该结论与国外同类研究结论具有一定的相似性（?茁值和R2都有增加）。Vijh (1994) 研究S&P500指数调整（1975~1989），股票纳入指数后?茁值增加0.08。Barberis和Shleifer (2003) 发现股票纳入指数后（1976~2000），股票与S&P500的贝塔增加0.151。
五、结论
本文以收益协同性研究为核心，对交易行为与收益协同性的关系进行了较为系统的探讨，将行为金融学的最新成果应用于中国的研究中，利用中国证券市场的数据，实证分析得出以下结论。
上证180指数调整时，股票一旦加入指数，该股票与指数中其它股票的协同性变强，与非指标股的协同性变弱；删除股票时情况相反。结论表明指数调整事件存在收益协同性，由于指数调整事件并没有传递基础价值信息，因此上述协同性并不是由基础价值因素引起，而是交易行为产生了收益的协同性。
市场对调出股票的关注远胜于调入股票。上证180指数调整事件表现出明显的特征：市场对调出股票的关注远胜于调入股票。股票加入上证180指数，短期内贝塔值有所增加（贝塔值为0.038,显著性水平为10%）。对于剔除股票，在实施日之后贝塔显著降低（贝塔值为-0.108,显著性水平高达1%）。因此，在公告日之后，及时卖出剔除股票可以规避进一步下跌的风险。
与国内文献的比较：何芳（2004）发现在国内证券市场上存在交易行为诱导的收益协同性但协同性并未呈现固定模式，行为协同性的表现并不十分显著。本文实证发现国内市场不仅存在收益协同性，而且协同性表现出很强的特征，进一步说明交易行为是产生收益协同性的重要原因。
中国证券市场是成立不到20年的新兴市场，与国外成熟市场比较可能存在不少差异。Barberis，Shleifer和Wurgler（2005）表明从1976~2000年，S&P500指数调整事件的协同性呈加强的趋势，上证180指数却无此规律。上证180指数从2002年7月正式公布至今有4年时间，虽然整体呈现收益协同性并与国外成熟市场有相似之处，但个别年份出现协同性异常现象，如单变量回归分析中，2005年调入事件的贝塔值不升反而下降，2004年删除事件的贝塔值不降反升。
（注：本文为2005年广东省自然科学基金项目，项目号：5006057。）
【参考文献】
[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：证券间收益的联动效应及实证研究[J]．武汉大学硕士论文，2004。
