证券市场显著特征范文

导语：想要提升您的写作水平，创作出令人难忘的文章？我们精心为您整理的5篇证券市场显著特征范例，将为您的写作提供有力的支持和灵感！

篇1

证券监管博弈模型的博弈双方是证券监管者和被监管者。从证券监管的实践来看，证券监管者是多元化的，可以是国家也可以是证券业协会或者证券交易商协会，还可以是证券交易所或者别的什么机构。不过几乎各国的证券监管都是由政府部门、行业协会和证券交易所共同完成。我国采取的也是这种模式:由中国证券监督管理委员会及其派出机构代表政府进行强制性监管，证券交易所和证券业协会等自律性组织进行自主监管。至于被监管者，笼统的说就是整个证券市场，即证券市场的参与者以及他们在证券市场上的活动和行为。不过绝大多数国家都把证券监管的直接对象定位于证券市场的参与者，具体包括发行各种证券的筹资者(政府、企业)、投资各种证券的投资者(政府、企业、个人)、为证券发行和证券投资提供各种服务的中介机构(证券公司、证券交易所、证券登记结算公司、证券托管公司、证券投资咨询公司、证券律师、会计师和评估师)，以及为证券发行和证券投资提供各种融资、融券业务的机构和个人。

实施证券监管对于监管者是有成本的，即监管者的行政成本。为了实施监管，监管者需要设立监管部门来专门负责制定和实施有关条例和细则(如证券发行审核、证券稽查等)，这一过程中自然需要耗费人力、物力以及监管人员进行知识更新所必需的时间和精力，并且监管越严格行政成本越高，为了分析方便，假设监管者只有两种纯策略选择，分别为低成本(low cost)的普通监管(监管成本为cl)和高成本(high cost)的严格监管(监管成本为ch.chcl) 。

实施证券监管对于被监管者也是有成本的，即被监管者的奉行成本。被监管者为了遵守或者符合有关监管规定不得不承担额外成本，如为按照规定保留记录而雇佣专人的费用、提供办公设施和材料的费用、聘请专门中介机构的费用等，只不过这种奉行成本以抵减收益的形式存在。在利益的驱使下，被监管者有可能为了增加收益(包括一非法收人)、降低成本(包括奉行成本)而进行违规操作。所以假设被监管者的纯策略选择是遵纪守法或违规操作。若遵纪守法则可稳定获得收益凡(已扣除了证券监管的奉行成本);若违规操作且未被查处，则可获得超额收益(违法所得或降低的奉行成本)r ( reward )，但若被查处则不但要没收非法所得，而且还会被处以罚款，此时的罚没总成本为p( punishment )。进一步假定，在被监管者出现违规行为的情况下，低成本的普通监管是查不出来的，而一旦监管部门采用高成本的严格监管，就一定能予以查处并处以罚款。

基于前述假设，考虑到证券市场上博弈双方得益信息的可获得性，建立证券市场上监管者与被监管者的完全信息静态博弈，并用矩阵形式示如表1。

利用划线法可以很容易地找出该博弈的纯策略纳什均衡:监管者实施普通监管，被监管者进行违规操作。最终结果是:监管者虽然付出了一定的监管成本却毫无作用;一部分被监管者违规操作获得了超额收益但却使其它的证券参与者遭受损失。显然，这是一个低效率的组合，只会加重证券市场的不规范性，违背了实施证券监管的初衷。

二、对监管者实施监管的证券监管博弈

若我们对证券监管部门实施监管，那又会是个什么样子呢?这里让我们进一步假设，如果监管者通过严格监管查处了被监管者的违规行为，就会得到一定的鼓励b(bonus)，这种鼓励既可以表现为物质奖励(比如来自违规者的罚款，用以增加办公经费)，也可以表现为社会公众对其褒扬带来的精神鼓励，或者兼而有之;但是如果监管者为了节省成本(或偷懒)只进行了普通监管而导致被监管者的违规操作得以成功，则要对其施以一定的惩罚f(fine)，这种惩罚可以是行政上的、法律上的或是经济上的。如此一来，上述博弈模型就发生了较大变化，新的博弈模型的得益矩阵如表2。

仍然利用划线法进行分析，可以看出当对监管者的监管力度较大、使得对其的鼓励与惩罚的量化绝对值之和大于监管者实施普通监管和严格监管的成本差时(即f+b>c-c})，该博弈不存在纯策略纳什均衡，从而避免了(普通监管，违规操作)这种低效率策略组合的出现。这种情形下，博弈双方都将在博弈中采取混合策略，即监管者和被监管者各自以一定的概率随机选择严格监管或是违规操作。让我们定义:监管者进行严格监管的遨纤二几登三寻多笼罐熟:弓多雀诺态咬乏导铸泉录名室圣聆多石杀涟返络题透汉蛋定召砖罗亨恶璧三兮概率为r，进行普通监管的概率为(1-r);被监管者选择违规操作的概率为e，遵纪守法的概率为(1-e)。

给定e，监管者选择普通监管r=0和严格监管二1的期望收益分别为:

即，若被监管者违规的概率小于(c‑-c,)/(f+b)，监管者会选择普通监管;若被监管者违规的概率大于(c‑-c洲(f+b)，则监管者选择严格监管;若被监管者违规的概率等于(c‑-c,)/(f+b)，监管者就随机地选择普通监管或者是严格监管。

给定r被监管者选择遵纪守法e=o和违规操作e=i的期望收益分别为:

即，若监管者进行严格监管的概率小于r/(r+p)，被监管者的最优选择为违规;若监管者进行严格监管的概率大于r/(r+p)，被监管者的最优选择为遵纪守法;若监管者进行严格监管的概率等于r/(r十p)，被监管者则可能违规也可能遵纪守法。

因此，混合策略纳什均衡是:r=r/ (r+p).e=(c,}c,)/(f+b)即，监管者以r/(r+p)的概率进行严格监管，被监管者以(c‑c,)/(f+b)的概率选择违规也可以解释为，市场上大量的被监管者中(c,}-c}/(f十b)比例的被监管者选择违规，(f+b-c‑+c,)/(f+b)比例的被监管者选择遵纪守法;监管者随机地对r/(r+p)比例的被监管者进行高成本的严格监管，而对剩余的被监管者则仅采取普通监管。

篇2

中图分类号：F830．91文献标识码：A文章编号：1000．176X（2008）02．0065．06

在微观金融理论中，价格和交易量作为证券交易的基础性变量，蕴含了市场交易过程中的主要信息。Karpoff对价量关系研究的理论和现实价值作出了深刻的概括：首先，价量之间的真实关系有助于人们了解证券市场的信息流动机制和微观结构；其次，价量关系研究有助于推进证券市场事件研究；再次，价量关系研究对解释证券价格分布状态具有决定性影响；最后，价量关系研究有助于解释技术分析的有效性并为投资者提供有价值的信息[1]。

价量关系研究在国外可以追溯到Clark利用低频数据所进行价量关系的相关性分析[2]，其后Epps、Karpoff、Smirlock、Gallant和Campell等学者利用不同方法深化了这一研究[3．6]。国外在解释价量之间存在的紧密联系方面具有代表性的理论可分为三类:第一类是交易理论模型，它强调交易者的交易行为是解释价量正相关性的关键，认为交易者倾向于在市场交投活跃时进行交易，因此交易量和价格波动在时间上存在集群性[7]；第二类是理念分散模型，该模型认为交易者对市场信息理解的分歧越大，引起价格的波动和交易量也越大[8]；第三类是信息理论模型，它指出信息是交易量和价格波动的共同驱动因素，这与市场微观结构理论所坚持的价格波动主要源于新信息不断到达市场并融入到交易过程中的观点相一致，加之获得了更多的实证研究的支持，信息理论模型目前已经成为解释价量关系的主流模型[9]。

近年我国一些学者基于国外研究成果对我国证券市场价量关系进行了有益的探索。张维、闫冀楠针对上海证券市场的研究发现价格对交易量具有显著的线性因果关系，而交易量对短期价格波动不具有线性因果关系，但长期却存在非线性因果关系[10]；陈良东利用线性Granger因果检验对上海证券市场价量关系进行了剖析，发现交易量的变化与绝对价格收益之间存在显著的正相关关系[11]；陈怡玲、宋逢明通过研究发现交易量与价格变化绝对量、价格变化本身线性正相关，并且存在非对称的价量关系[12]；魏巍贤对上海证券市场价格与交易量进行协整分析，得出两者间存在长期均衡的结论[13]；范钛、张明善利用Granger因果关系检验法和VAR模型对我国A、B、H股市场分割下价量关系的表现特征和内在规律进行研究[14]。

国内价量关系实证研究存在以下不足之处需要加以改进：首先，现有研究在对交易量的处理上不够细致，有些仍直接运用原始交易量序列进入模型，而未将其进行进一步的甄别和分离，从而削弱了研究成果的揭示能力；其次，在分析时段选取上较为随意，并且多为单阶段静态分析，没有充分考虑数据分段特征的变化，也未能从动态对比角度揭示价量关系的演进；最后，对于价量关系实证结果的剖析仍有待深入，未能深入到交易机制层面，因而对于市场发展的实践指导作用相对有限。本文在甄选已有国内外价量关系研究成果的基础上，通过对交易量序列的分解、提取信息交易量作为实证分析的数据基础，并运用信息理论模型中的混合分布假说作为理论基础，在结合市场制度变迁实践的基础上进行两时段价量关系实证分析，从对比分析中谋求更深入地揭示上海证券A股市场价量关系以及该市场交易机制存在的不足，据此提出具有针对性的改进对策。

一、理论基础和研究方法

（一）信息理论模型概述

信息理论模型从信息引起交易需求和交易供给变化的角度解释交易量与价格波动间存在的正相关关系，认为新信息流到达市场的强度和频率决定了市场交易的活跃程度和交易量、价格的波动程度。信息理论模型中具有代表性的混合分布假说(MDH)认为价格波动与交易量的联合分布由一个潜在的、被假定为信息流的混合变量共同驱使，市场中存在着一种反映信息在市场传播速度的潜在性因素，新信息流进入市场产生影响并引起交易量和价格同期变动，并且价格波动和交易量分别与信息流的速率正相关，继而形成价格波动与交易量正相关[15]。在MDH框架下，交易量与价格波动的动态特征仅仅依赖于信息流到达过程的时间序列特征，因此交易量序列可以作为信息流的指标并成为产生价格持续性波动的因素；反之亦然。

（二）研究方法

1．交易量的分解

根据MDH的观点交易量包含两部分――信息交易量和非信息交易量，前者是基于新信息到达诱发信息交易而增加的交易量，后者一般是噪声交易而引起的交易量。信息交易量作为新信息到达并对交易量产生冲击的体现，基于新信息随机、不连续的特征，信息交易量变化较为随机、不具稳定性；而从长期看基于噪声交易因素产生的非信息交易量则相对较为稳定。据此非信息交易量是交易量中可以预测的成分，可由交易量的平均值――预期交易量来表示；信息交易量则无法从历史交易量序列中予以解释并由非预期交易量来表示。用式(1)剔除交易量序列中的线性和非线性趋势的影响。

二、上海证券市场价量关系实证分析

（一）数据特征

1．数据来源

1996年12月16日上海证券交易所开始实行交易价格涨跌幅限制（涨跌停板制度），其后在2006年6月份开始分批推进的股权分置改革进入实施阶段，从市场微观结构理论出发，有理由相信交易机制转换和制度变迁会导致市场交易特征和交易行为产生较为明显的差异，因此有必要以1996年12月16日和2006年5月31日为分水岭将不同特征的市场数据进行分段处理，以避免数据结构转变所带来的分析谬误。据此将检验的样本期分为两个时段进行分析:1990．12．19―1996．12．15为第一时段；1996．12．16―2006．05．31为第二时段。选取上证A股综合指数（简称“上证综指”，下同）日收益率及日交易金额数据为价量关系指标分析对象，数据源自国泰安公司开发的CSMAR数据库，分析中使用计量经济学软件SPSS和Eviews。

2．数据描述

（1）上证综指日收益率序列统计特征

记Pt为日收盘指数，Rt为日(对数)收益率，则Rt=lnPt．lnPt．1,应用SPSS软件对其进行单变量频数分布分析得出上数变量的统计量特征，见表1。

（2）上证综指日交易量序列统计特征

以上证综指日交易额序列为原始交易量序列，对其进行单变量频数分布分析和序列自相关检验，结果分别见表2、表3。

（3）统计分析

从以上的统计特征中可以发现上海证券市场两时段价量指标具有显著的差异，笼统使用全部时间序列数据可能会导致模型设立上的错误并影响分析结论的正确性，分时段考察更为适宜。同时原始交易量序列的自相关系数明显超出了置信区间、存在着显著的自相关，说明原始交易量序列具有高度的可预测性，与将其分解为预期交易量和非预期交易量的要求相一致。

（二）上海证券市场价格与交易量Granger因果检验

1．交易量的处理

去除原始交易量中的线性、非线性时间趋势，得到了去势交易量；然后经过比较，分别选择ARMA (8,0)以及ARMA (9,0)去除了v′t中的序列相关性，得到了非预期交易量v1t；最后用去势交易量v′t减去非预期交易量v1t得到预期交易量v2t。考查期内的相关性检验结果见表4。

通过对各交易量之间相关系数的分析发现预期交易量v1t和原始交易量vt相关性很高，非预期交易量v2t与原始交易量vt的相关性较低。

对上海证券市场收益率（Rt）及其绝对值（|Rt|）、原始交易量（vt）、预期交易量（v1t）、非预期交易量（v2t）各序列进行ADF单位根检验。上述序列ADF检验值分别为．58．19468、．46．08381、．10．71768、．61．51139和．11．69868，均在1%的显著性水平下拒绝存在单位根的原假设，从而表明上述序列都是平稳过程。基于上海证券市场所有收益变量和交易量变量都为平稳过程，可以进行变量间的Granger因果检验。

2．Granger因果检验

依据AIC准则选取滞后阶数位4，进行价量间两时段Granger因果检验，检验结果见表5和表6，继而归纳两时段Granger因果检验显著性程度，见表7和表8。

表5第一时段Granger因果检验值统计

三、上海证券市场价量关系解析

（一）上海证券市场价量关系分析

在MDH分析框架下，从交易机制层面上可以对上海证券市场价量关系做较为深入的剖析。

Rt、|Rt|在两时段分析中始终能在1%的显著性水平下构成vt、v1t、v2t的Granger原因。这说明在MDH分析框架下，上海证券市场中的价格变量与交易量变量相比较是更为有效的信息流变量替代指标，即价格变量所拥有的信息含量高于交易量变量。需要注意的是在两阶段中，对于vt、v1t、v2t的解释能力强于|Rt|，说明上海证券市场价量关系存在非对称性，这在一定程度上可以归结于卖空限制的存在，缺乏主动性做空机制导致负面信息生成交易、融入价格的能力弱于正面信息，从而影响了市场信息吸收的广度。

v2t在第二时段能够在较高的显著性水平下构成Rt、|Rt|的Granger原因，并且v2t对于vt、|Rt|的解释能力强于vt、v1t，这说明非信息交易量相对于信息交易量和原始交易量具有更强的价格预测能力，前述交易量分解思路得到了实证检验的支持。对于第一时段v2t较低的价格解释能力，可以从上海证券市场发展初期的市场运行特征上寻找原因，在该阶段市场总体规模较小、流动性较低，并且证券价格操纵特征明显，在市场流动性较弱的背景下噪声交易会导致市场出现较为明显的价格波动，价格波动的信息含量和市场价格发现效率明显偏低。其后随着市场规模不断提升、信息披露机制不断完善和市场运作逐步规范化，非预期交易量在整体交易量中所占比重呈上升趋势，其对市场的影响和对价格的解释能力也显著增强。

（二）上海证券市场交易机制改进对策

针对上海证券市场价量分析所揭示的问题，应当进一步推进交易机制的变革。

1．建立混合驱动交易机制

进一步增强市场流动性建设可以有效地降低基于噪声交易和价格操纵所带来的价格过度波动，从而提升市场价格生成的信息含量。在流动性建设中，可以在现有指令驱动交易机制基础上引入报价驱动交易机制，由合格机构充当做市商，并赋予其在收取买卖价差基础上针对市场非常态下出现的流动性瓶颈承担提供流动性的义务，从而建立起常态市场环境下以订单驱动交易机制为主体、在非常态市场环境下以报价驱动交易机制为有效补充的混合驱动交易机制。

2．完善信息披露机制

为了使市场交易能够真实反映证券内在价值，需要进一步加大信息交易在整体交易中所占比重，这就需要不断完善现有的信息披露机制，即在强化现有的常规性信息披露义务的同时，针对市场价格异常波动有效地拓展非常规性信息披露的强度和深度，使市场交易能够及时地反映市场信息并使市场信息的披露能够及时有效地修正市场交易，从而进一步压缩虚假信息的散布空间、平抑其对市场的影响，为有效地提升市场交易的信息含量奠定良好的基础。在这方面应当在进一步规范临时停牌制度的同时，有效地拓宽信息披露范围，将股权分制改革后可能出现的大宗交易激增所需要的冰山订单、交易对手信息等内容囊括到信息披露机制建设中来。

3．建立两层次的市场做空机制

针对价量关系的非对称性，需要建立有效的做空机制来增加负面信息融入市场交易的能力。可以考虑在现有的权证交易基础上，针对市场整体适时推出股指期货交易和针对市场权重证券推出融券卖空交易，从而建立起两层次的市场做空机制体系，起到有效地拆除市场自发性信息屏蔽、拓展信息流进入市场的广度和效率。

四、结 论

本文基于MDH，在运用Granger因果关系检验法对上海证券市场价量关系进行分时段分析的基础上，得出结论认为上海证券市场通过交易机制变革在一定程度上推进了市场整体运行效率的提升，交易量特别是信息交易量对于价格变动的解释能力逐步增加，存在价量之间双向的Granger因果关系。从市场发展的角度，进一步增加市场流动性、加大信息交易在整体交易中所占比重和提升价格的信息含量是当前市场交易机制改进的内在要求，具体地应当建立混合驱动交易机制、完善信息披露机制和引入做空机制。

参考文献：

［1］ Karpoff J M．The relation between price changes and trading volume: A survey［J］．Journal of Financial and Quantitative Analysis , 1987, Vol．22, No．1：109．126．

［2］ Clark P K ．A Subordinated Stochastic Process Model with Finite Variance for Speculative Prices ［J］．Econometric，1973，41(Jan)：135．155．

［3］ Epps T W．Security Price Changes and Transaction Volumes: Some Additional Evidence ［J］．Journal of Financial and Quantitative Analysis，1977，12 (March)：141．146．

［4］ Smirlock M, Startks L．An empirical analysis of the stock prices and trading volume［J］．Journal of Banking and Finance,1988， (12)：269．283．

［5］ Gallant A, Ronal, Peter E．Stock Price and Volume, Review of Financial Studies，1992， (5)：199．242．

［6］ Wang．A model of competitive stock trading volumes ［J］．Journal of Political Economy, 1994， (102)：127．168．

［7］ Admati A P, Pfleiderer．A theory of intraday patterns:Volume and Price variability［J］．The review of Financial Studies,1988， (1)：3．40．

［8］ Shalen C T．Volume,volatility,and the dispersion of beliefs ［J］．Review of Financial Studies，1993，（6）： 405．434．

［9］ Harris L．Cross．security tests of the mixture of distribution hypothesis［J］．Joumal of Financial and Quantitative Analysis,1986， (21)：39．46．

［10］ 张维，闫冀楠．关于上海股市量价因果关系的实证探测［J］．系统工程理论与实践，1998，(6)：111．114．

［11］ 陈良东．上海股市价量关系的实证分析［J］．上海财经大学学报，2000，（3）：37．41．

［12］ 陈怡玲，宋逢明．中国股市价格变动与交易量关系的实证研究［J］．管理科学学报，2000，（2）：62．68．

［13］ 魏巍贤，康朝锋．上海股市价量关系的实证分析［J］．预测，2001，(6)：63．68．

［14］ 范钛，张明善．中国证券市场分割的VAR模型检验［J］．华东经济管理，2003，(5)：52．58．

篇3

一、网络技术对证券市场有效性的正面

有序高效的证券市场其特征或准确地讲界定指标，包括证券交易成本、流动性、波动性及透明度四个指标。合理的微观结构的设计正是力图在减少资本市场资金配置的交易成本前提下，实现其更优的配置效率。

而人类行为的不确定性、机会主义行为以及信息不对称是造成交易成本或引致“交易费用”的根本原因。网络技术在证券市场的，恰恰成为减少交易过程的障碍和信息壁垒的技术因素。机处理能力的增强提高了证券交易的撮合效率，网络传输能力的提高加快了信息的交换效率。因此，全球信息共享成为现实，传统上的机构与个人投资者信息、交易工具上的优劣对比将大为改变。证券市场的透明度基于网络技术的平台将更趋加强，从而证券市场对信息反应的灵敏度将有很大提高。

同时，证券发行与交易方式大大改进。发行领域网络技术的运用，减少了证券市场的中间环节，传统的券商中介将由无形市场代替，证券交易速度大大提高，这些都极大地降低了成本。

更为显著的是，信息获取成本的降低及交易费用的大幅缩减，使得创造与运用更为复杂、更为精细化的组合交易工具成为可能。而网络的实时性、同步性、跨市场组合性同样成为交易工具创新的技术支撑。

进一步，机构投资者与中小投资者的力量对比的拉近，以及深入到生活更广泛领域的网络技术对投资理念的传播，也将极大地动员社会的闲置资金。如前所述，交易费用的减少对这部分闲置资金进入资本市场也将起到和促进作用。

综上所述，信息壁垒的打破，发行交易成本的极大降低，机构与个人投资者力量对比的拉近，交易工具极大丰富后投资者中介机构选择集的扩展，凡此种种，正体现了构建于网络技术上的证券市场微观结构在突破了信息成本和交易费用的制约后，在市场的深度、广度、速度及透明度上具有了传统证券市场无可比拟的优势，也使资本市场规模的扩展和资金的高效配置成为可能。

二、网络技术对证券市场微观结构有效性的挑战

网络技术在给证券市场带来前所未有的机遇的同时，也将对其微观结构设计理念构成严峻的挑战。

正是基于网络技术的跨时空“握手”的特质，证券市场在深度、广度扩展的同时，也为短线、超短线资金的跨地区、跨市场集中与高速流动客观上创造了条件。而在Internet环境下，数万亿美元的短线资金的无规则流动，对任何局部地区的证券市场都会带来灾难性的市场冲击，震荡乃至崩溃。

加剧市场波动的另一个原因在于网络技术突出体现的点对点的中介服务改变了整个证券市场的人格化特征，即由传统的机构投资者为主的市场主体特征改变为个性化色彩浓厚的市场。个性化色彩一方面表明了个人选择集的扩展与个体意识在证券市场的体现，而另一方面，作为市场稳定力量的机构投资者的地位下降，势必引致证券市场的频繁波动。与前述的冲击相互作用，证券市场的波动性显著放大，金融风险累积并高启，而这最终将危及证券市场的稳定，损害证券市场的效率。

如果说上述的挑战是针对整个证券市场的共有冲击的话，那么网络技术平台上的经济，姑且称作网络经济的特征，同样将各个局部市场的生存发展置于更为严峻的环境中。

具有如下特征：规模越大，用户越多；机遇优先，首发效应显著；路径依赖，锁定效应。而所有这些特征的结果就是网络经济的“赢者通吃”现象。

基于网络经济平台上的各个局部证券市场，由于网络环境下产品与服务的趋同性，其竞争也具有这种“你死我活”的特征，因而网络环境下，各证券市场间的过度竞争难以避免，而过度竞争的直接后果无疑是效率的损失，福利的减少。

以上是基于证券市场的角度，而网络环境下的证券市场其技术层面的网络安全也决不可忽略，用于网络安全的投入可能将成为证券市场微观结构设计中继技术因素后构成交易成本的重要组成部分。

可见，网络技术在改善证券市场微观结构、提升资金配置效率的同时，也引致证券市场的波动性的加大与可控性的恶化，各市场过度竞争和网络安全的也势必成为证券市场微观结构设计必须面对和急需扩展的方向。

篇4

资本市场上存在这样一类交易者，他们根据资产过去的价格而不是对未来价格的预期来构建投资组合。这类投资者在行为金融中称为反馈交易者，根据对过去价格的不同反应分为正反馈交易者和负反馈交易者。在中国资本市场上存在“追涨杀跌”和“低买高卖”说法，前者对应于正反馈交易，后者对应于负反馈交易。

一般说来如果市场上存在足够多的反馈交易者，资本市场的收益将表现出自相关的特征。当有大量的正反馈交易者存在，股票价格相对于它的基础价值会被高估并表现出过高的波动率。因此当市场上存在大量的正反馈交易者的时候，市场会变得不稳定(Delongetal．．1990)；相反，如果市场上存在大量的负反馈交易者，相对于基础价值被低估的股票受到负反馈交易者的追捧，其价格会接近基础价值，当价格被高估时，大量的负反馈交易者抛出被高估的股票，使价格降低至接近基础价值的水平。因此，大量负反馈交易者的存在能够稳定市场，减少市场的波动。

sentana和Wadhwani(1992)扩展了Delong的分析逻辑，考察了反馈交易、收益率自相关和波动率能关系。他们在shiller(1984)的成果的基础上将三者的关系用Sh¨ler-Sentana—Wadhwani模型的形式表述出来。Bohl和siklos(2004)基于shiller-Sentana—Wadhwani模型，用不同的GARCH模型来估计条件力差检验了成熟市场和新兴市场上的反馈交易。检验结论认为，在两个市场上都存在正反馈和负反馈交易行为，但反馈交易行为在新兴市场表现更为明显。在两个市场上，正反馈均随波动率的增加而增强，但新兴市场增强的程度要小一些。唐或等人(2001)也基于shiller－Sentana－Wadhwani模型验证了沪市上证综合指数日收益率自相关和反馈交易之间的关系。他们采用GARCH(1，1)来处理收益波动率的异方差性，实证结果表明沪市存在正反馈引起的序列自相关，且相关系数的绝对值随波动增大而增大。

二、反馈交易的理论模型

sentana和wadhwani(1992)在用投资者的反馈交易行为解释股票收益率的序列相关时，提出一个包含基于对股票基础价值的预期进行投资的交易者(SmartMoney)和反馈交易者的两群体的市场模型。假定第一个群体对资产的需求函数具有以下形式：

S，表示由第一类投资者(SmartMoney)持有的资产的比例。Et-1(rt)表示在t-1时刻对t时刻资产回报率rt的预期，是一个基于t-1时刻所有信息基础上的条件期望。α是无风险资产的收益率(Merton，1980)，当期望收益率为a时，这类投资者不持有该资产。μt表示t时刻投资者持有风险资产的风险溢价，它是条件方差σt2的非降函数。

反馈交易者是根据过去资产的价格而不是对未来的预期来决定对该资产的持有量。假定当期t(期)的持有量由上期(t-1期)的收益水平来决定：Ft=γrt-1

(2)Ft表示反馈交易者的资产持有比例；γ＞0表示反馈交易者是正反馈交易型，即“追涨杀跌”；当丫当两类投资者的相互作用达到均衡时有St+Ft=1，代入(1)式和(2)式有下面均衡时的定价模型：Et-1(γt)=α+μ(σt2)-γμ(σt2)γt-1(3)和标准的资本资产定价模型相比，该定价模型多了一项γμ(σt2)γt-1。由于反馈交易者的存在，第一类投资者对持有资产的风险溢价发生了改变。当市场上有反馈交易者存在时，收益率表现出一阶相关的特征。这种相关的方式取决于反馈交易者的类型，当反馈投资者是正反馈型时，收益率存在一阶负序列相关；当反馈投资者是负反馈型时，收益存在一阶正序列相关。Sentana等人认为，市场上同时存在正反两种反馈交易者，两种反馈交易强度随着波动率的变化而变化：当风险比较小的时，反馈交易者主要采取“低买高卖”的负反馈策略，第一类投资者对市场的影响比较大；当风险较大的时候，第一类投资者的风险厌恶偏好决定了他们要求较高的期望收益因而部分退出市场，反馈交易者对市场的影响增大。当风险大到一定程度，反馈交易投资者表现出风险厌恶特性，采取“追涨杀跌”的正反馈策略。简化考虑，将反馈交易的程度看成是波动率σ12的简单线性函数，(3)式简化为：Et-1(γt)=α+μ(σt2)-(γ0γ1σt2)γt-1(4)虽然这个理论模型最先提出来是用反馈交易行为解释收益序列相关。但是，该模型解释了第一类投资者和反馈交易者之间相互作用的模式，为检验反馈交易行为提供了可能(Bohl和Siklos，2004)。

三、经济计量方法

在金融实证分析中发现，股票收益率的条件方差呈非对称分布，Glosten、Jagannathan和Runkle(1993)及Zakoian(1994)提出了描述这种波动性呈非对称的模型(TGARCH)。Engle(1993)认为取一阶的GARCH模型就能很好的描述收益率的条件波动特征。本文在实证分析中选择TGARCH(1，1)来对收益率的条件方差建模。在检验中国资本市场反馈交易特征存在性方面，联合估计下面的模型：

h1，表示条件方差，εt服从均值为0,方差为h1的条件正态分布。在(6)式和(7)式中，条件方差是过去残差平方和过去条件方差的函数。方差方程的平稳性要求满足：β1β2和β3非负，β1+β2+β3＜1和β1+β2≥0。但是结合回归模型，条件方差不但是残差平方和过去条件方差的函数，也间接是参数α1、α2和α3的函数。考虑到回归方程，条件方差的稳定性条件要更复杂。这个模型是TGARCH-M的变种形式，目前文献还没有给出这个模型条件方差平稳的分析性条件。β2度量了条件异方差非对称的程度，当该系数不为0时，表示上期正的残差和负的残差对当期的条件异方差有不通的影响，当该系数为0时，表明条件异方差不存在非对称现象，可以使用一般的GARCH模型来估计条件异方差。我国学者在检验中国资本市场上反馈交易行为的存在性时，主要用GARH(1，1)模型来预测和估计波动率(唐或等，2002；任波和杨宝臣，2002)。实证检验发现，GARCH(1，1)模型估计中国资本市场的波动率的效果并不是很好,TGARH模型或EGARCH模型对市场的波动率解释能力更强一些，实证也发现，TGARCH模型的效果要比EGARH模型的效果更好(郑梅，苗佳和王升，2005年；郭晓亭，2006)。

(5)式和(6)式构成的联合模型比一般意义上的条件方差模型要复杂。在回归模型(5)式中，除了用滞后的收益率来解释收益率外，还用市场的波动率(条件方差)来解释收益，由于反馈交易的存在，条件方差成为滞后收益率的系数，当这项α3为0时，就成为一般的GARCH-M模型(Chou，1988)，有标准的软件能够处理。由于反馈交易者的存在，该项不为零，不能用标准的统计软件处理这个模型。

四、数据及实证结果

本文研究的样本数据来自于上海证券市场上海综合指数。选择1996年1月5日到2006年8月3日的每个交易日收盘价格指数，样本容量为2554。数据来源于“分析家”软件的在线数据接受系统。两个市场上的收益率按公式

计算，pt表示t时期上海综合指数价格数据。参数估计采用极大似然方法，参数估计结果列于表1中。表1中，+表示参数在1％的置信水平下是显著的；**表示参数在5％的显著性水平下是显著的；***表示参数在10％的显著性水平下是显著；没有标注的表示该参数在10％的显著性水平下是不显著的。

表1中的第二、三栏是本文使用非对称GARCH模型拟和条件异方差的结果，第四、五栏是文献[2]中使用一般GARCH模型拟和条件异方差的结果。从第二栏和第三栏的数据来看，模型的各个参数在10％的水平下都是显著的，不存在进一步改进的可能。特别是参数β2显著不为0，表明上海股市上证综合指数的波动存在明显的非对称现象，说明使用TGARCH模型拟和会比单纯使用GARCH模型更能拟和综合指数的波动。参数α2、α2的估计值都显著不为0，说明上海证券市场存在比较明显的反馈交易行为，这个结论和唐或等人的结论一致，但是在反馈交易行为特征上和唐或等人的结论存在比较大的差距。在使用TGARCH模型时，参数α2的符号为正，和使用GARCH模型时一致(虽然该参数没有通过显著性检验)，表明在风险较低的时候，上海证券市场上的反馈交易行为表现出负反馈的特征。参数α2的符号为负，说明随着市场风险的增加，上海证券市场上反馈交易者更多的采用正反馈的交易行为。而在文献[2]中，使用GARCH模型拟和市场波动，得到的相应参数却为正，说明随着市场风险的增加，上海证券市场上反馈交易者更多的采用负反馈交易行为。

表1：上海证券市场反馈交易行为实证检验结果

唐或等人参数拟和的结果显示，部分参数在10％的显著性水平下是不能通过检验的，需要进一步的调整，至少参数α2可以从模型中去掉。本文的模型至少在两个方面的表现要比唐或等人的模型好。首先，该模型参数均能通过显著性检验，表明该模型不可能进一步改进；其次，TGARCH模型中的参数β2，显著不为0，表明上海股市综合指数确实存在比较明显的非对称现象，使用非对称GARCH模型来拟和波动更合理。

将本文的结论和Bohl等人的结论比较，可以看到和成熟证券市场、其他新兴证券市场都存在较大的区别。Bohl的结论认为：成熟市场在风险较低的时候存在，反馈交易者表现出正反馈的交易特征，随着风险的增加，反馈交易者表现出负反馈的交易特征；新兴市场上，当风险较低的时候，反馈交易者表现出轻度的负反馈交易特征，随着风险的增加，负反馈交易行为也增加，但是幅度普遍要大于成熟市场。

五、结论

篇5

一、关于β系数的稳定性研究

贝塔系数是用于衡量证券市场系统风险的一个重要概念。通过对贝塔系数的估计，投资者可以预测证券未来的市场风险。但是，贝塔系数必须要用过去的数据来估计。所以，除非贝塔系数具有相对的稳定性，否则，它就无法作为证券市场未来系统风险性的无偏差估计。

Blume于1971年在《Beta and Their Regression Tendencies》一文，研究了1926年1月到1968年6月间在纽约证券交易所上市的所有股票。他以每7年为一个时间段，用月收益率数据估计出各个时间段的β系数，然后以统计学的相关分析法为基础，对β系数的稳定性作了深入的研究，最后得出如下结论：在一个时期里估计出来的β系数是其未来估计值的有偏估计；组合规模越大，估计时间段越长，其未来的β系数越能被准确地预测。

靳云汇、李学于2000年在《中国股市β系数的实证研究》一文中，对沪深两市51种1992年以前上市的股票进行了研究，研究结果表明：股票β系数随着上市时间增加基本上趋于不稳定，利用β系数的历史数据来预测未来β系数的可靠性较差。

在关于β系数稳定性的研究中，绝大多数研究认为证券的β系数不具有稳定性，虽然可以借助于组合的方式来获得较为稳定的β系数，但对于大多数的个人投资者来讲，这意味着不能简单地用过去时期数据所估计的β系数作为当前和未来时期的预测值。

二、关于β系数的影响因素研究

从国内外的研究来看，对影响股票风险因素的研究主要集中在分析公司基本特征和行业因素这两个方面。理论上，公司规模的大小、资本结构、经营收入的周期性及公司的负债比例等基本特征的变化将改变公司的风险特性，从而影响公司所发行股票的风险。因此，学术界对公司的基本特征变量是否会影响其股票的系统性风险系数展开研究。

Beaver从公司基本特征入手研究股票β值的影响因素，研究结果表明：在1947年至1956年和1957年至1965年这两个期间，纽约证券市场上307家上市公司单个股票和5种股票的组合的系统风险与盈利变动性、股利支付率、会计贝塔系数和财务杠杆这4个会计变量之间一致且显著相关；对于每个变量，组合的相关程度高于个股的相关程度；系统风险与成长性、规模和流动比率这3个会计变量之间的关系与理论假设不一致或显著无关。

Bildersee研究了1956年至1966年期间纽约证券市场制造业和零售业的71家公司的系统风险与11个会计变量之间的相互关系，最后指出了与系统风险相关的6个会计变量――负债比率、优先股与普通股的比例、销售与权益资本的比例、流动比率、市盈率的标准差、会计贝塔系数，并建立了多元线性回归模型。

Rosenberg和Marathe（1975）进一步把39个行业哑变量加入股票β值的分析模型中，来解释股票β值的差异，形成著名的集个股市场特征、公司基本因素和行业性质于一体的“罗森伯格系统”（Rosenberg’s system）。

吕长江，赵岩于2003年在《中国证券市场中Beta系数的存在性及其相关特性研究》一文中经过研究发现：中国证券市场中Beta系数并不存在显著的行业差异，但在按照是否被纳入计算成份类指数的标准将股票进行分类，即分为成份股和非成份股，这两大类股票的Beta系数存在显著的差异。

刘永涛于2004年在《上海证券市场β系数相关特性的实证研究》一文中指出：就我国目前的五行业分类方法来看，β系数在行业间的区分并不明显；在证监会的CSRC行业分类标准下，β系数在各行业的区分整体上表现出差别性，但两两之间β系数的差别不具有统计学意义。

三、关于β系数的预测性研究

由于经验研究已经证明β系数具有不稳定性，因此，如何准确地预测未来的β值就成为至关重要的问题。对未来β系数的预测主要有两条不同的思路：一是基于时间序列关系的预测；二是基于差异性影响因素的预测。

Blume于1971年在《Beta and Their Regression Tendencies》一文中指出，如果β估计值向均值回归的速度不随时间改变，就可以在估计β系数时围绕这一趋势修正估计值。他采用简单线性模型β2=a+bβ1，来估计相邻两期β估计值之间的回归关系，用此回归关系修正对其将来值的估计。

Vasicke于1973年在《关于在证券β系数的贝叶斯估计中运用横截面信息的一项注释》一文中根据β系数的回归趋势，把贝叶斯决策方法引入β系数的估计中，提出了贝叶斯调整法。Vasicke认为仅仅依据样本的信息来估计β系数是不够的，如果能把有关β系数先验分布的资料与样本的信息结合起来，就能降低估计误差。

基于差异性影响因素的预测方法主要有基础β系数法和罗森伯格系统。基础β系数是根据公司基本特征的变化来估计未来的β系数，模型中的自变量为反映公司特征的财务和会计变量。罗森伯格（Rosenberg）在1973年和1975年以及随后的研究中，集历史β系数、个股市场特征、公司基本因素和行业特征于一体，对β系数的差异性进行研究，并据此对未来的β系数进行预测，建立了著名的“罗森伯格系统”。罗森伯格系统试图将历史β系数和基础β系数两种分析思路综合到一个模型中，以提高β系数预测的准确度。

四、总结及后期研究方向

许多西方学者从理论和实证的角度对会计变量与β系数的关系都作了深入的探讨，他们发现β系数确实和一些反映公司风险状况的会计变量有非常密切的联系，但是不同学者的研究结果并不完全一致。对于究竟哪些因素对β系数有影响作用，学术界仍存在一些争议。因此，对于这一方面的进一步研究仍是有必要的。

我国关于股票预期β系数及其影响因素的研究并不多见。从公司基本特征出发，通过实证研究，利用相关分析、多元回归分析方法研究各公司前一年度的会计变量对后一年度的β系数的影响，可以弥补以往研究的不足，同时也能为投资者和证券监管部门的决策提供理论参考和依据。

参考文献

[1]靳云汇,李学.中国股市β系数的实证研究[J].数量经济技术经济研究,2000(1).

[2]吕长江,赵岩.中国证券市场中Beta系数的存在性及其相关特性研究[J].南开管理评论,2003(1).

[3]袁皓.中国证券市场β系数稳定性:一个大样本的检验[J].中大管理研究,2007,2(2).

[4]朱晓青,李兴国,姜文超.我国股市行业β系数稳定性的实证分析[J].时代金融,2007,358.