-ascent
我国股票市场成交量与收益率关系的计量分析
摘要
:
本文
用上证综合指数代表了市场组合的各种指数,
通过对上其研究,
采用
VAR
模型来分析我国股票市场股票价格的变动,来研究股
票成交量与收益
率之间的关系。
关键词:股票成交量
股票收益率
VAR
模型
计量分析
一.引言
股票市场的成交量和收益率
是描述股票收益和风险的最基本变量而量价关
系研究的主要目的是探索两者之间的统计表
现特征及内在规律联系,
反映了市场
中信息的传递方式和投资者
对信息的获取及价格发现的过程。
二.文献综述
以前也有很多学者来研
究股票市场成交量与收益率之间的关系。
如
Campbell<
/p>
等认为随着大成交量的价格变化将导致价格的反转;
Copela
nd
提出的信息顺序到
达模型发现股票价格和交易量之间存在正
向因果关系;
Blume
等认为由于市场存
在信息不对称和市场噪音,投资者无法单独从价格信号中获取所需的全部信息,
因此
必须将成交量作为分析价格信息的额外参考变量;
Hasbrouck
< br>将交易和报价
调整写成向量自回归模型,
通过研究交易对
价格冲击的滞后期研究信息的各种特
征;
Engle
将时间加入到
VAR
模型中。而国内对股票市场交
易量与收益率之间的
关系的研究主要集中在量价的相关性分析上。
陈良东利用线性
Granger
因果检验
对沪市价量关系进行了初步分析;
徐信忠、
郑纯毅的研究中
对成交量与收益惯性
的关系进行了检验,
但由于研究的目的和侧
重点不同,
他们的研究着重分析换手
率对
1
个月以上的股票却是效应的影响,
而不是专门探讨成交量与
收益率序列相
关性的关系及成因。
本
文将在前面各种理论研究的基础上,
对中国股市中成交量与股票收益率序
列相关性的关系进行研究。
三.模型的设计思路及数据的采集与处理
数据来源:国泰安数据库。
样本选取
:
本文选取了
2000
年
1
月
1
日至
2011
年
12
月
31
日上证综合指数
的日收盘价和成交量,共
p>
2901
个交易日的数据。
收益率的计算方法有简单收益率和对数差分收益率两种。对数差分收益率可
以
满足收益的累加性,
分布更接近于正太分布,
所以本文选用的就
是对数差分收
益率的方法来计算:
P
=ln(P
t
/P
t-1
)
×
100
P
t
表示
t
时刻的收盘指数
。
成交量序列采用取自然对数的方法,
V=ln(V
t
)
< br>V
t
来表示原始成交量序列。
分析工具:
Eviews6.0
软件<
/p>
在此需要说明一点的是,
由于中国股市
节假日的问题,
导致股票数据不连续,
所以本文将数据导入
p>
Eviews
时选择的是截面数据类型。
(一)描述性检验
对对数收益率
p>
P
和成交量
V
进行
描述性统计结果如下:
(表
1
)
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
P
0.015420
0.070508
9.400787
-9.256154
1.670004
-0.103245
6.960964
1900.935
V
12.58247
12.58563
22.83148
6.499501
1.195915
0.279049
4.934211
489.6948
通过上表可以看出,由于正态分布的偏度应
该是
0
,而收益率
P
< br>的偏度为
-0.103245
,所以收益率的数据分布向
右偏;正态分布的峰度应该为
3
,而
P
的
是
6.960964
,故收益率曲线具有尖峰宽尾的特征。
(二)
A
DF
检验
由于
VAR
模型要求变量序列本身是平稳的或者序列之间存在协整关系,所
以在建模之前先要对交易量序列和收益率序列进行平稳性检验。
对数收益率
P
的
ADF
p>
检验如下:
(表
2
)
Null
Hypothesis: P has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC,
MAXLAG=27)
t-Statistic
-53.20406
-3.961208
-3.411357
-3.127525
Coefficient
-0.988679
0.046629
-2.17E-05
Std. Error
0.018583
0.062112
3.71E-05
t-Statistic
-53.20406
0.750719
-0.584628
Prob.*
0.0000
Prob.
0.0000
0.4529
0.5588
0.000327
2.348492
3.865344
3.871524
3.867571
1.997939
Augmented
Dickey-Fuller test statistic
Test
critical values:
1% level
5% level
10% level
*MacKinnon
(1996) one-sided p-values.
Dependent Variable: D(P)
Method: Least Squares
Date:
03/19/12
Time:
19:42
Sample (adjusted): 3 2901
Augmented
Dickey-Fuller Test Equation
Included
observations: 2899 after adjustments
Variable
P(-1)
C
@TREND(1)
R-squared
Adjusted R-squared
S.E. of
regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.494296
Mean
dependent var
0.493947
S.D. dependent var
1.670656
Akaike info criterion
8083.001
Schwarz criterion
-5599.816
Hannan-Quinn criter.
1415.336
Durbin-Watson stat
0.000000
p>
成交量
V
的
ADF
检验如下:
(表
3
)
Null Hypothesis: V has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 7 (Automatic based on SIC,
MAXLAG=27)
t-Statistic
-5.870113
-3.961214
-3.411360
-3.127527
Coefficient
-0.072629
-0.571801
-0.394198
-0.287218
-0.215462
-0.160059
-0.110611
-0.061028
0.792692
8.42E-05
Std. Error
0.012373
0.021082
0.023351
0.024076
0.024060
0.023435
0.021970
0.018552
0.135574
1.70E-05
t-Statistic
-5.870113
-27.12299
-16.88162
-11.92965
-8.955025
-6.829966
-5.034622
-3.289520
5.846925
4.964173
Prob.*
0.0000
Prob.
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0010
0.0000
0.0000
0.000621
0.479035
1.020360
1.040997
1.027797
2.006674
Augmented
Dickey-Fuller test statistic
Test
critical values:
1% level
5% level
10% level
*MacKinnon
(1996) one-sided p-values.
Dependent Variable: D(V)
Method: Least Squares
Date:
03/19/12
Time:
22:02
Sample (adjusted): 9 2901
Augmented
Dickey-Fuller Test Equation
Included
observations: 2893 after adjustments
Variable
V(-1)
D(V(-1))
D(V(-2))
D(V(-3))
D(V(-4))
D(V(-5))
D(V(-6))
D(V(-7))
C
@TREND(1)
R-squared
Adjusted R-squared
S.E. of
regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.296804
Mean
dependent var
0.294609
S.D. dependent var
0.402330
Akaike info criterion
466.6686
Schwarz criterion
-1465.951
Hannan-Quinn criter.
135.2060
Durbin-Watson stat
0.000000
p>
由上面表
2
和表
3
可以看出,
对数收益率
P
和成交量
V
都不存在单位根,
都
表现为平稳序列,可作进一步分析。
四.实证结果与分析
(一)
VAR
模型的建立
对
于收益率
P
和成交量
V
构建标准型
VAR
模型:
其中
e
1t
与
e
2t
为随
机干扰项。
通过
AIC
最小准则,经反复验证,判断出最佳滞后期为
6
期。
经
Eviews
得出的结果如下:
(表
4
)
Vector
Autoregression Estimates
Date:
03/19/12
Time:
22:03
Sample (adjusted): 8 2901
Included observations: 2894 after
adjustments
Standard errors in ( ) &
t-statistics in [ ]
P(-1)
P(-2)
P(-3)
P(-4)
P(-5)
P(-6)
P
0.000204
(0.01885)
[ 0.01083]
-0.022981
(0.01923)
[-1.19538]
0.028895
(0.01916)
[ 1.50772]
0.042446
(0.01904)
[
2.22942]
-0.002261
(0.01892)
[-0.11952]
-0.039606
(0.01871)
V
0.050362
(0.00450)
[ 11.1972]
0.018642
(0.00459)
[ 4.06365]
0.011165
(0.00457)
[ 2.44152]
-0.003321
(0.00454)
[-0.73107]
-0.002881
(0.00451)
[-0.63822]
-0.012301
(0.00447)
-ascent
-ascent
-ascent
-ascent
-ascent
-ascent
-ascent
-ascent
-
上一篇:2019年一年级小学生写给老师的一封信
下一篇:蝶阀设计原则