中国股票市场信息流对股价波动的影响分析

中国股票市场信息流对股价波动的影响分析（吴世农）大连理工大学财务管理研究所李延喜一、文献回顾在股票市场上，股价的波动性特征一直是金融经济学研究的热点问题。许多股价序列都具有时变方差(Time-varyingVariance)的特征，即在一些时期的波动十分剧烈，而在另一些时期的波动又相对平缓。为了刻画时间序列的这一特征，2003年诺贝尔经济学奖获得者Engle于1982年提出了自回归条件异方差（AutoregressiveConditionalHeteroskedasticity）模型，即ARCH模型。一、文献回顾Bollerslev（1986）进一步提出了广义自回归条件方差（GeneralizedARCH）模型，即GARCH模型。此后，模型不断得到扩展和改进，形成了ARCH族模型。国外学者利用这些模型进行了大量的实证研究，表明GARCH模型及其扩展形式能有效地描述股票价格的波动性。虽然ARCH族模型能够很好地刻画股价波动的特征，但只能说明价格波动受其自身历史波动的制约，却不能解释有哪些外生变量引起股价的波动。究竟什么因素驱动股价产生波动？根据市场微观结构理论（TheoryofMicrostructure），价格的波动主要是由于新的信息不断到达市场且新信息在被市场价格吸收的过程中产生的。一、文献回顾Clark（1973）最早提出解释股价波动和成交量相关性的混合分布假说（MixtureDistributionHypothesis）支持MDH理论的研究Lamoureux和Lastrapes（1990）将成交量作为信息流的替代指标，加入到GARCH的条件方差方程中，通过对美国市场上20只股票的分析，研究包含信息流的GARCH模型中ARCH效应的解释效力。认为代表市场信息流的成交量指标能够吸收大部分的ARCH效应，成交量是由产生价格波动的相同因素驱动的。Brailsford（1996）、Phylaktis和Kavussanos（1996）、Omran和Mckenzie（2000）以及Marsh和Wagner（2000）对不同国家市场的实证研究都得出类似的结论。一、文献回顾反对MDH理论的研究Lamoureux和Lastrapes（1994）的研究发现，成交量的纳入并没有消除ARCH效应的影响Sharma等人（1996）估计了ARCH效应的解释效力，通过对纽约股票交易指数的分析，研究市场收益的分布情况。他们的研究表明即使将成交量包含在GARCH模型中，ARCH效应对波动性仍然具有很强的解释效力。Locke和Sayers（1993）对S&P500指数期货波动性的研究结论与Sharma等人（1996）的一致，他们认为成交量代表的市场信息流最多只是有助于解释ARCH效应。一、文献回顾为进一步探明这一原因，日本学者MiyakoshTatsuyoshi（2002）将东京股票指数（TOPIX）分成两个阶段进行分析，其结论不一致。Miyakosh对这一现象进行深入的剖析，认为成交量作为信息流的代表，可以分成两部分。一部分通过自回归过程可以得到解释，另一部分则是潜在的、不可预测的信息，也就是说，当期成交量是由过去的信息和当期或未来的信息所共同决定的。因此，当期成交量既能够解释由ARCH刻画的波动持续性即过去波动的记忆过程（VolatilityPersistence），也能够说明新信息对价格波动的冲击。当成交量被结合进条件方差方程时，它所包含的旧信息被ARCH过程吸收，因此，在包含成交量的股价波动方程中，成交量代表的是到达市场的新信息，而ARCH效应反映的是旧信息对价格波动的影响。一、文献回顾早在1994年，国内学者俞乔就指出上海指数存在ARCH现象，其后不少学者运用不断发展的ARCH族模型对中国股票市场的波动特征进行了初步的研究。丁华（1999），唐齐鸣等（2001），李胜利（2002）都证实了中国股市的收益率具有明显的波动聚类性（VolatilityClustering）和持续性。近年来，国内学者对量价关系的研究可以分为：股价变化的绝对量与成交量之间的关系（张维、闫冀楠，1998；陈怡玲、宋逢明，2000）股价变动与成交量之间的关系（王承炜、吴冲锋，2002）和价格波动方差与成交量之间的关系（Xu，2000；赵留彦，王一鸣，2003）。吴冲锋等（2001，2002）进一步将成交量纳入股价序列中，研究成交量如何驱动价格变化。一、文献回顾王承炜、吴冲锋（2001）在研究A、B股互自相关中发现，A、B股在考虑成交量后的GARCH(1,1)模型结果中有所不同。李双成等（2002）的研究结果表明，在GARCH(1,1)模型中，将成交量作为信息流的替代指标能够显著降低价格波动的持续性，ARCH效应明显减弱。支持MDH理论。王春峰等（2002）运用GARCH-M模型研究深沪股市时却发现，加入成交量后，中国股票市场波动性的ARCH效应降低的程度远低于国外成熟市场。本文研究特色研究对象有所不同将中国股票市场1997年7月至2002年12月期间划分为盘整期、多头期和空头期，分别研究在三种不同市场态势中国股市的价格波动与市场信息流之间的关系。研究内容有所延伸不仅验证MDH理论在中国股票市场是否有效，而且进一步分析了不同市场态势中股价波动究竟是受旧信息（ARCH效应）的影响还是受新信息（当期成交量）的影响，以考察市场在不同阶段对新旧信息的吸收和反映程度。研究模型有所拓展不仅采用GARCH模型，而且采用EGARCH模型研究信息流对股价波动的影响，从而更为全面地揭示了不同市场态势中股价波动受信息流影响的特征。二、理论基础、研究方法与模型（一）混合分布假说（MDH）Clark（1973）提出的混合分布假说是研究价格波动与市场信息流关系的理论基础。该假说认为：价格变动和成交量是由一个潜在的、不可观测的信息流共同决定的。根据MDH理论，股价变化的动态特征依赖于信息流达到过程的时间序列的行为。对于既定的m，中心极限定理认为日价格变动近似正态分布，其方差与m成比例。因此，日价格变动的条件方差可以认为是到达市场的新信息的单调增函数。由此可以推断，成交量与日价格变动之间呈正相关关系。换言之，由于成交量和价格的分布都服从于信息事件数m的随机分布，因此，成交量和价格的波动是由市场信息流联合决定。（二）GARCH模型Lamoureux和Lastrapes（1990）使用GARCH(1,1)模型研究成交量与价格波动的关系。根据国内外学者的研究资料，GARCH(1,1)模型足以反映大多数经济类时间序列的条件方差，本文也采用GARCH(1,1)模型作为研究模型。本文的研究模型如下：1;tttr(0,)ttINh201111ttthh其中，rt是日收益率；µt−1是过去价格变化的条件均值；εt是一日内未预期的价格变化，也是日内逐次价格变化之和；ht表示价格波动；α00，α1和β1均≥0，α1+β1反映了序列波动的持续性，即序列在过去时波动的大小特征在当前时刻被“继承”下来的多少，越接近于1，“继承”的就越多，整个序列的波动就越大。偏低的情况。α1和β1代表ARCH效应，说明价格的波动在很大程度上依赖于旧信息的影响。（6）（7）根据MDH理论，当期成交量作为新信息的替代指标，对价格波动ht具有重要影响，因此成交量可以作为外生变量直接加入GARCH模型的条件方差方程（Lamoureux和Lastrapes，1990），于是方程(7)可以表达为：其中，Vt表示第t日的成交量。根据MDH理论，如果成交量序列存在序列相关，当γ0且显著，ARCH效应将明显减弱，甚至可能从式（8）中消失。201111tttthhV（8）（三）EGARCH模型GARCH模型隐含了这样一个假设：同等程度（即绝对值相等）的正冲击和负冲击所引起的波动（条件方差）是相同的，即条件方差对正、负冲击的反应是对称的。但是，Black（1976）注意到正面信息(实际报酬率大于预期报酬率)和负面信息(实际报酬率小于预期报酬率)对于股价波动性的明显不同，即存在着杠杆效应（LeverageEffect）。Nelson（1991）提出的指数GARCH模型（ExponentialGARCH，简称EGARCH）可以较好地模拟这种非对称性，他的研究验证了杠杆效应的存在。本文将运用EGARCH模型描述价格波动的情况。将方程(7)替换为方程(9)：1/21/21/20111111111log(/[//])logttttttttthhhEhhV（9）其中，β1测量波动持续性；φ是杠杆效应系数，若φ为负数，且-1φ0，那么负冲击所引起的波动大于相同程度的正冲击所引起的波动；反之，若φ为正数，则相同程度的正冲击所引起的波动更大，若φ=0，则波动性对正、负冲击的反应是对称的。此外，由于在EGARCH模型中，条件方差ht被表示成指数形式，因而对模型中的参数没有任何约束，这也是EGARCH模型的一大优点。三、样本选择与数据处理（一）数据来源数据来源于香港理工大学和深圳国泰君安信息公司提供的市场交易数据库(CSMAR)，采用的样本是上海股票市场1997年7月2日至2002年12月31日A股每日收盘指数和成交量的数据，共计1328个交易日数据。股市指数收益率采用连续复利率的对数收益率即rt=ln(Pt/Pt−1)*100，其中Pt为第t天的收盘指数。（二）样本期间的选择和划分样本区间确定为1997年7月2日至2002年12月31日，并进一步将其划分为三个不同的市场波动阶段，期间选取如下：盘整期：自1997年7月2日至1999年5月18日，共456组数据。基本上处于盘整状态。多头期：自1999年5月19日科技股板块带动大盘上涨至2001年6月26日股指达到历史最高点，共506组数据。上海股票市场在这段时期基本处于稳步上扬状态。空头期：从2001年6月27日大盘开始下跌到2002年12月31日，共366组数据。上海市场总体上呈现空头市场走势。（三）收益率序列的统计特征各阶段的收益率序列均有这些特征：（1）表现出正偏度，拒绝均值为零的原假设；（2）表现出过度峰度，Kurtosis3；（3）Jarque-Bera正态检验统计量拒绝正态分布的原假设。中国股市在多头期的平均收益率明显高于其他三个时期，而空头期的平均报酬率最低且为负值。四组数据的标准差反映出中国股市在空头期的波动性更大，而盘整期的波动最小。图中盘整期的偏度为负值，其他为正值，且空头和多头期的数值较大。从峰度的数据来看，四个时期收益率的分布均呈现明显的厚尾特征，并且在均值处的波峰很尖。Jarque-Bera正态检验的结果证实了股票指数每日收益的分布不是正态分布。收益率序列的相关性检验表1-4分别列示各时期收益率序列和收益率平方序列的自相关函数（ACF）和偏自相关函数（PACF）以及Ljung-Box-PierceQ检验的结果，检验收益率序列的相关性。由表1-4发现，在大部分时滞上，各样本期收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具自相关，因此，在条件期望方程中不需要引入自相关性的描述部分，而是采用ARMA（0,0）的形式，收益率可以用方程(6)表示。Ljung-Box-PierceQ检验的结果说明收益率序列不存在明显的序列相关。但是收益率平方序列具有很强的序列相关性。对收益率序列的ARCH—LM检验，证实收益率的二阶矩存在显著的ARCH效应，因此，用GARCH建模是合适的。（四）成交量的调整为了将内生增长从序列中剔除，本文先对成交量取自然对数，而后做散点图，发现对数成交量近似呈现线性趋势。然后使用简单但较为有效的50阶移动平均法生成对数成交量的长期趋势，再从对数成交量中剔除长期趋势。对剔除后的序列进行平稳性检验。结果表明：该序列能显著通过ADF单位根检验，存在单位根的原假