发布时间:2023-09-28 10:30:40
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篇资产的相关系数范例,将为您的写作提供有力的支持和灵感!
交通运输业固定资产管理具有较为特殊性的性质,它和其他行业是有区别的,对于公路部门交通运输的固定资产要比其他行业的固定资产高很多,固定资产的会计规范有利于企业管理资产和获得更好的收益。由于公路部门交通运输固定资产存在相对的特性,怎样由《企业会计制度》和《企业会计准则――固定资产》中的内容做好核算工作,这些都是需要探讨的问题。
一、交通运输业固定资产的特殊性
(1)固定资产计价和折旧计提具有复杂性。交通运输业固定资产不仅有普通固定资产的共性,并且它还具有特殊性的特点[1]。例如,部分固定资产取得时没有及时办理相关权证,由《物权法》我们可知,未及时办理产权证不能确认其资产归属权,从而形成了一定潜在风险;另外也有一些资产产权虽然已经发生变化,但却为予以变更,这种情况的存在,很容易造成一些连带责任,造成不必要的经济损失。另外部分购置时间长、价值高的固定资产,已经长期不能使用,且目前处于报废状态,但由于价值高,却迟迟无法办理报废,给单位带来一些管理负担。例如,洪水会对线路和一些交通运输设施造一定的影响,一些暴雪,大雾等天气使得交通运输无法按正常安排运行等。在这一系列的情况下,固定资产的价值的降低就不仅仅是受使用、技术进步等因素的影响了,很多是由于自然条件引起的。所以,公路部门交通运输固定资产的利益实现方式和一般的工商业不同,计价和折旧也应有所区别[2]。
(2)固定资产具有普遍的共性的特点。交通运输业的一些固定资产如一般公路、港地等港务设施就具有普遍共性的特点。1993年,国家采取了一些政策改革了会计制度,从生产经营的资产角度对这些固定资产进行管理,但是却遇到了重重问题。又如从经济学角度出发,因为一个消费者在消费这些固定资产时和其周围的消费者的消费情况并没有关系,这些固定资产具有公共产品的性质。
二、有关交通运输业特殊固定资产减值问题的探讨
交通运输业中的一些固定资产在一定的条件下得到充分的组合,人们才能看到其有利的一面,也才能实现一些价值。例如,公路专用线、高速公路等,这些设施的存在极大提高了交通运输行业的固定资产的价值。《企业会计制度》中有这样的要求,即是企业对自身的固定资产要有一个清晰的了解,如果市价还是处在下跌的情况下,被投资单位也就不能很好地运营下去,又或者是技术陈旧或者在很长的一段时间里都处于闲置状态,在这种情况下就会出现可回收金额低于账面价值的情况,在这种情况下,准备是有一定方法的,也就是按照计提固定资产的方法来进行有关的准备工作的。怎样按照《企业会计制度》的要求对交通运输业的这种特殊的固定资产减值准备进行有效的计提,我们需要进一步探讨这个问题。
《国际会计准则第36号――资产减值》[3]中有这样的说法,假如有资产出现减值的现象,要根据要求对单个资产的可收回金额进行估计,如果单个资产的金额不能有效地得出的话,企业就可以根据资产所属的现金产出的可收回金额来进行计提工作。高速公路、铁路专用线等设施在活跃的交换市场条件下,市场价值也相应提高。
三、加强交通运输业固定资产管理的几点建议
首先,相关部门在取得固定资产时,必须及时办理相应的产权证。以此来保证合法取得能够得到应有的保障,避免不必要的风险发生。其次,相关部门将一些需要办理固定资产报废的资产及时完善批复手续。对于一些达到相应报废条件的固定资产,主管部门必须严格遵守分级负责的原则,完善报废批复手续,同时单位资产相关报表也要合理真实。
再次,还要注重交通运输业特殊固定资产减值问题。由于其行业的特殊性,一些固定资产只有科学合理的组合在一起才具备其应有的价值和作用,《企业会计制度》明确指出期末必须对固定资产进行逐项检查,对于一些因投资单位经营状况恶化、市价持续下跌,或长期闲置,技术陈旧等问题,导致的可收回金额低于账面价值时,必须科学计提固定资产减值准备。对于交通运输业这一特殊固定资产减值准备值得相关财务人员深入研究。
在固定资产管理中,还应该完善管理制度,实施分级管理,充分发挥投资效益,可以定期对公路进行管理,克服过去分散管理时,只知道使用,而不对公路管理维护以及工程完成无人问津的现象,而且实施公路固定资产管理,对保证资产的安全运行,减少事故,为工程提供质量,提高经济效益和社会效益也具有重要的意义。
最后还应该加强对固定资产的核算,掌握资金的去向,从而发挥固定资产的经济效益,并且在使用时一定要做好记录,以方便今后对业务核算、会计核算,从而通过核算能够了解固定资产管理中存在的问题,进而有效的解决问题,从而提高固定资产的使用效果,为企业创造良好的经济效益和社会效益。
四、结束语
本文通过对当前交通运输业固定资产特征总结了一些上述建议,希望能在交通运输业尝试运用,有关交通运输业固定资产的特殊性、特殊固定资产计价减值的问题是现代交通运输业固定资产会计中重要的问题。我们能够想到,交通运输业体制在逐渐完善,国家有关政策也在不断完善,政府转变了职能,为交通运输业固定资产相关问题的解决奠定了基础。当然,随着体制的不断完善,尤其是政府与行业的干预,交通运输业固定资产问题必定会有更好的解决措施。(作者单位:唐山市交通运输局)
参考文献
[1]邵瑞庆.水运企业大型固定资产按部件计价问题的探讨[J].财务与会计,2010(12):52-53.
妊娠分娩方法有阴道顺产和剖宫产术两种分娩方法,但剖宫产术是解决难产及高危妊娠的一种常见分娩方式。随着麻醉水平的提高及各种社会因素参与,使得剖宫产率逐年上升。但剖宫产是一种非生理性、有创伤性的分娩方式,故有发生感染的可能性,剖宫产术后切口感染一旦发生,轻者延长了住院时间,增加经济花费,影响床位周转,严重影响产妇的身心健康,若不及时处理,将会导致子宫切口裂开,继发出血,败血症,甚至危及生命的严重后果。为分析总结子宫下段横切口剖宫产术后发生切口感染的相关因素,回顾性分析了2010年5月——2012年8月我院实施剖宫产手术采取子宫下段横切口术后发生切口感染的资料,总结如下。
1 一般资料
1.1 一般资料 本组32例产妇,年龄21-41岁,平均26.3±3.2岁。经产妇2例,初产妇30例,符合剖宫产医学指征10例,社会因素实施破宫产22例。所有产妇采取腰-硬联合阻滞麻醉,在耻骨联合处2指处作下腹横切口,依次进腹,行子宫下段横切口取出胎儿。全部产妇术后发烧,手术切口红肿、热痛,挤压有脓性分泌物溢出,取分泌物做细菌培养,结果显示均有细菌生长。
1.2 感染的标准 根据《医院感染诊断标准》,切口有红、肿、热、痛或有脓性分泌物;由外科医师打开的切口,有脓性分泌物或伴有发热≥38℃,再次手术探查、组织病理学发现涉及切口脓肿或其他感染的证据[1]。
2 结果
子宫下段横切口剖宫产术后发生切口感染的相关因素有术前的基础疾病(妊娠合并糖尿病,妊高征等),术中的精细操作、手术时间的长短以及术后的合理应用抗生素预防等。
3 讨论
3.1 术前相关因素 产妇的基础疾病,贫血、营养不良、肥胖及社会综合因素等。贫血、营养不良引起切口感染的发生率为20%-25%[2]。故孕期保证营养平衡,及早治疗基础疾病,如控制好血压,血糖最好控制在8mmol/L以下,改善机体内环境,增强孕妇自身免疫力。积极治疗妇科炎症,节制性生活,减少不必要的妇科检查。有报道称肥胖在诸多影响剖宫产术后切口感染的相关因素中居首位。孕前及孕期营养摄入过剩导致肥胖,影响操作而延长手术时间,脂肪过厚,在切割时容易残留,导致缝合缺陷,坏死及渗液。
3.2 术中相关因素 手术精细操作及缩短手术时间、是防止手术切口感染的主要因素。手术时间的可信区间为51-63min[3]。长时间把手术切口暴漏在空气中就增加了细菌感染的机会,同时伤口的出血量也会增多,手术时间延长也会导致手术大夫过度疲劳而注意力不能集中,致使术中不能精心操作。术中术后失血量的可信区间为154-240ml[4],所以减少失血是预防感染的关键因素。医源性感染也不容忽视,有的医院对医疗器械、敷料包、手术室的物品和空气消毒处理不严密,常带来一定的医源性感染机会。
3.3 术后相关因素 术后出现皮下血肿及术中切口位置要正确。切口过高子宫肌壁较厚切口下缘厚薄不一,对合不良,将会影响子宫收缩,缝合时易出血[5]。但切口位置也不宜过低,因宫颈部组织主要由结缔组织构成,虽有平滑肌纤维,血液供应较差,切口不易愈合。
总之,子宫切口感染是多因素、多环节造成的结果,故围手术期的正确保健及手术精细操作、应用抗生素预防等共同降低剖宫产术切口感染的关键措施
参考文献
[1] 张淑侠.剖宫产切口感染的原因分析及控制措施[J].中国妇幼健康研究,2007(18)2:118-120.
[2] 宋兴红.剖宫产切口感染的原因分析与对策[J].健康必读,2010,3(12):38-39.
(二)实证方法构建多变量金融时序Copula函数的关键在于,建立单变量金融时序分布模型与选择合适的多元Copula函数[32]。多元正态Copula函数不能反映变量之间的联合厚尾特征[33-34]。多元t-Copula函数可以用于研究变量之间的联合厚尾特征,其自由度越小,表明联合厚尾特征越明显[35]。1.边缘分布的确定金融资产收益率序列具有异方差、尖峰厚尾、时变、右偏与杠杆效应,适合用AR(1)-GJR(1,1)模型拟合边缘分布。2.Copula函数的选用多元t-Copula函数尾部较厚,能很好地拟合尾部相关关系[37-39]。因此,从理论上可以推断,多元t-Copula函数能够更好地度量股价的联动关系。本文使用Q-Q图、K-S检验判断单个多元Copula函数的拟合情况。同时,引入经验分布函数,构建反映拟合误差大小的平方欧式距离指标。该平方欧式距离反映了多元Copula函数拟合原始数据的误差情况。该指标值越小,说明偏差越小。3.Copula函数的时变过程与估计对于C-藤分解结构下的时变条件相关系数,Engle(2002)提出了比较常用的描述其时变过程的DCC(1,1)模型其中,ρt是t时刻的条件相关系数;向量εt是由选定的时变Copula函数边际分布逆函数转换得到的标准化残差;Q軒t是一个p×p矩阵,该矩阵对角线上的元素是Qt的平方根,其他元素为0;Qt和R分别是残差项的样本协方差与相关系数;rt是在项数为m(m>p)的移动窗中残差的相关系数。该时变Copula函数的参数估计可以由两步极大似然估计法完成[43]。第一步先利用最大似然估计法,估计边际分布AR(1)-GJR(1,1)模型中的参数;第二步对残差做概率积分转换,再利用最大似然估计法,估计时变Copula函数的参数。4.基于Copula函数的相关性分析选择合适的Copula函数后,拟合估计出其参数值,就可以利用表1中的计算式,计算出各相关系数值。在静态Copula函数中,其参数是不变的,计算出来的是静态总体相关性;如果采用时变Copula函数,参数ρt(t=1,2,…,T)是时变参数,就可以利用表1中公式,一一对应地计算出总体线性相关系数、非线性相关系数及尾部相关系数的动态时变过程。
二、计算结果与分析
(一)研究样本根据企业之间存在的信用关联,选择宝钢股份(BGGF)、必和必拓(BHP)、力拓(RIO)、上海汽车(SHQC)、上港集团(SGJT)、山西煤电(SXMD)、青岛海尔(QDHE)和中国船舶(ZGCB)在内的几家企业作为研究样本,研究这些企业从2001年1月2日至2011年4月28日之间的股价联动。列出了6个样本企业股价收益率序列数据的描述统计指标。由表2可知,6个变量的峰度都在10以上,呈现尖峰分布,其中,SGJT收益率分布最尖;BHP、RIO、SHQC、SGJT的偏度都大于0,其中,SGJT收益率分布右偏程度最大;BGGF、XSMD的偏度小于0,说明与正态分布、t分布相比较,适合选用左偏的t分布拟合样本收益率数据。
(二)边际分布拟合检验根据white检验结果可知,3个统计量的P值都拒绝“不存在异方差”的原假设,说明异方差比较突出。表明收益率序列适合选用ARCH模型。本文中的边际分布选用带有杠杆效应的AR(1)-GJR(1,1)-Skewt模型。其模型估计的参数值如表3所示。从AIC、BIC、LL值看,AR(1)-GJR(1,1)-Skewt模型的有效性好于AR(1)-GJR(1,1)-t模型①。8个序列的自由度估计值都比较小,说明它们的分布都具有厚尾特征,其中上港集团的尾部最厚。另外,使用时变Copula函数估计时变条件相关系数时,需要把序列数据通过概率积分转换为U(0,1)分布序列。本文对边际分布拟合情况还进行了独立性检验与同分布检验。拉格朗日乘数检验结果表明,在5%显著水平下,这8个序列都不存在自相关,可以认为转换后的序列相互独立;非参数K-S检验结果表明,转换后的8个序列在5%显著水平上服从U(0,1)分布。这些结论表明,边际分布采用AR(1)-GJR(1,1)-Skewt模型非常合理。
(三)利用多元t-Copula函数静态度量股价的联动效应常用的固定参数多元Copula函数包括多元正态Copula函数和多元t-Copula函数。在这两个函数的Q-Q图中,本文无法区分其拟合优劣;而由多元正态Copula函数的K-S检验可知,在0.01显著水平上拒绝原假设,说明多元正态Copula函数不能很好地拟合多元时序数据;而多元t-Copula函数拟合该的多元数据序列。从Copula函数与经验分布函数之间的平方欧式距离来看,多元正态分布Copula函数的平方欧式距离为0.3873,多元t分布Copula函数的平方欧式距离为0.0568,多元t-Copula函数可以较好拟合该股价原始数据的经验分布情况,与理论分析一致。根据各样本收益率序列的条件边际分布,利用多元Skewt分布函数与多元t-Copula函数之间的关系,信用资产关联各企业股票收益率之间的多元t-Copula函数非线性相关系数如表4所示。从表4可以看出,受中外股市之间的一体化约束,宝钢股份(BGGF)与必和必拓(BHP)、力拓(RIO)之间,必和必拓(BHP)、力拓(RIO)与上海汽车(SHQC)、上港集团(SGJT)、山西煤电(SXMD)、青岛海尔(QDHE)、中国船舶(ZGCB)之间的相关系数都很低,但其他信用资产关联企业之间的相关系数都在0.5左右,存在中等程度的正相关联动现象。
(四)利用时变多元t-Copula函数度量股价的联动效应不同边际分布下时变t-Copula函数的相关系数时变方程参数估计值如表5所示。从AIC、BIC、LL值看,对于条件相关系数的时变过程G-DCC、t-DCC,边际分布选用AR(1)-GJR(1,1)-Skewt模型最合理,但时变G-DCC过程拟合效果最差,t-DCC过程则最好。本文选用AR(1)-GJR(1,1)-Skewt模型作为边际分布,选用时变过程为t-DCC的多元t-Copula函数为多元连接函数,动态拟合计算动态条件相关系数,得到8个按照C-藤结构分解的pair-copula函数的时变无条件相关拟合的AIC、BIC、LL值分别是-7158.6、-7141.7、3582.3。利用这28个时变Copula相关系数的时间序列数据,计算出相对应的时变等级相关系数、秩相关系数与尾部相关系数的时间序列,如表6所示。从表6可以看出,4个相关系数都显示出,股价呈现低度正相关性,具有弱板块效应;时变Copula相关系数的集中趋势值最大,尾部相关系数最小。但是,时变Copula相关系数的绝对离散波动程度、波动幅度最大;从离散系数、极差/平均值的结果可以看出,尾部相关系数的相对离散波动程度最大。从时变Copula相关系数可以看出,在C-藤结构下条件相关系数的均值在0.0583~0.7376之间,呈现出弱相关关系,因为条件相关系数有正值、负值,相关方向存在转换,正负抵消导致简均值的结果较小。其他16个条件相关系数均为正值,平均值在0.5左右,呈现出中等强度的相关性。从条件相关系数值的离散指标可以看出,标准差从0.0573~0.1042,绝对变化范围从0.2628~0.5706,最大相对幅度变化范围从0.4899~6.2644,说明条件相关系数的时变性较强。为了观察条件相关系数的时变特征,本文也分别在标准差最小与最大、离散系数最小与最大、波幅最小与最大等6种情况下,计算了时变Copula函数度量的4个时变相关系数,均表现出相同的变化趋势,而且在常态相关性走强时,股价板块效应的作用愈加强大,同时暴跌暴涨的相关性走强;在常态相关性走弱时,股价板块效应的作用减弱,由一家企业股价大幅涨跌引发的信用资产关联企业同时暴跌暴涨的相关性走强。
文章编号:2095-5960(2014)03-0032-07;中图分类号:F830;文献标识码:A
一、引言
资产定价问题是近几十年来金融理论中发展最快的一个领域,关于资产风险与收益关系的研究至今仍弥久不衰。Markovitz在1952年最早提出均值―方差理论,将资产投资的收益问题转变为一个给定目标函数和约束条件的线性问题。在此基础上,Sharpe(1964)[1]、Linter(1965)[2]和Black et al(1972)[3]进一步提出了资产定价模型(CAPM)。资产定价模型是现代金融学理论的基石之一,其核心思想是当处于均衡状态时,假如所有投资者都只持有无风险资产和市场组合, 则资产组合的预期收益等于无风险资产的收益与市场组合收益之和,即资产组合的预期收益与市场风险成正向线性关系。但学术界对于资产定价模型的估计结果和有关结论一直颇富争议。Fama & Macbeth(1973)[4]通过实证分析,证明1926―1968年美国证券市场股票的平均收益率与风险存在显著的正相关关系,并试图以当期估计的风险变量预测资产组合的未来收益率。French et al(1987)[5]在广义自回归条件异方差模型(GARCH)的框架下检验股票资产组合的月度数据,结果得到了正向的均值―方差关系,但未通过显著性检验。国内外许多学者通过对证券市场进行实证研究,提供大量证据支持资产收益与风险的正向关系(Ghysels et al.,2005;Hung & Glascock,2010;陈浪南和屈文州,2000;靳云汇和刘霖,2001;黄波等,2008;丁志国,2012;龚映清等,2013;陈梦根,2013)[6]-[13]。Fama & French(1992)[14] 采用与 Fama & Macbeth(1973)[4]相同的实证方法再次研究美国证券市场,而前者的研究却发现资产组合收益与风险不存在显著相关关系。另外,Campbell(1987)[15]、Bali et al(2005)[16]、Guo & Savickas(2006)[17]、丛剑波(2009)[18]等研究指出资产组合的风险与收益呈显著负相关。
学术界普遍认同市场总体风险是不可观测的,因此实证检验中往往利用资产组合风险来市场总体风险。Roll(1977)[19]对实证检验CAPM模型有效性的结果提出了质疑,他认为因为无法证明某个特定的资本组合即是有效市场组合,所以无法找到真正衡量系统风险的系数(Beta系数)。这就是著名的“罗尔批评”(Roll’s critique)。如果“罗尔批评”能够解释CAPM模型失效的原因,那么股票资产组合的风险变化不会引起市场总风险的变化,这是由于任何单个股票资产都会落在证券市场线上,而这是恒等变形,所以市场超额收益也不会受到影响。另外,如果回归检验是基于某种无效率的资产组合,则资产组合的收益与市场总风险可能出现负相关或不相关的情况。自此以后,各种新的检验方法和手段在资产定价研究领域的应用自然也受到学术界的广泛关注。Pollet & Wilson(2010)[20]的研究为解释市场总体风险和市场超额收益率提供了一个新的视角,该研究以美国主要股票市场中正常交易的500只大盘股票为例构建股票资产组合,运用股票资产组合的平均方差(average variance)和平均相关系数(average correlation)为变量来解释美国市场总风险,其结论为利用平均关系数作为美国市场总体风险的变量提供了一定的理论基础;另外,虽然实证分析发现股票组合平均方差也与市场总风险显著正相关,但是股票组合平均方差与市场超额收益率为负相关,而且对市场超额收益率的解释力有限。
在中国A股股票市场上,大盘股票组合的平均方差和平均相关系数能否用于解释市场总风险,二者与股票市场超额收益率的关系是正或负,以及在中国市场能否利用股票组合的风险变量来对股票市场的预期超额收益作有效的预测能力?至今尚未见从实证角度给予清晰地解答。本研究拟对资产定价领域的研究文献作有益的补充和贡献。针对之前研究的不足,本文以中国上海证券交易所和深圳证券交易所正常交易的300只大盘股票为成分股票构建沪深300股票组合,研究该股票组合的平均相关系数和平均方差对市场总风险和市场超额收益率的解释和预测能力。
二、理论模型及数据样本
(一)理论模型
(二)数据样本
本文选取1995年1月至2012年12月在上海证券交易所和深圳证券交易所A股上市的300只大盘股票作为样本构建沪深300股票组合,样本的选择标准为规模大的股票。市场收益率选用以沪深市场全部A股股票按流通市值计算的综合指数,因为该指数能够比较准确地反映整体市场行情的变化和股票市场整体的发展趋势,而且该指数是一种价值加权指数,比较符合CAPM所描述的市场组合构造的要求。本文选用三个月的定期储蓄存款利率无风险收益率。成分股票的日(或月)收益率均为股票的开盘价和收盘价的自然对数的差值。数据来源于国泰安信息技术有限公司的CSMAR数据库。
当基于股票市值打下选定沪深300股票组合的300只成分股票,则可按下式(13)估算出成分股票j在t月的方差2j,t。
三、实证分析
(一) 变量统计描述
本文构建的沪深300股票组合的描述性统计如表1所示,样本时间序列位于1995年1月到2012年12月之间,共计216个观察值。沪深300股票组合的平均相关系数ij,t与平均方差2t的均值分别为0.36 和0.07%。沪深300股票组合的平均系数和平均方差与市场超额收益率的相关系数分别为-0.20和0.13。利用ADF检验和KPSS检验两种单位根检验方法对时间序列进行检验,分析结果表明受测时间序列均为平稳时间序列,不存在单位根问题,因而不容易出现“伪回归”现象。
(二)回归估计方程的分析
表2给出了分析沪深300股票组合的平均方差和平均相关系数解释和预测市场总风险的稳健最小二乘回归检验(robust OLS)结果。虽然回归方程的拟合优度R2值不高,但是F检验结果显著,说明稳健最小二乘回归检验结果是可信的。表2第1列和第2列回归结果发现沪深300股票组合的平均相关系数与平均方差均与市场总风险成显著的正相关关系,在1%显著水平下高度显著。从拟合优度R2值来看,平均相关系数单个因素的解释度为12.4%,而平均方差的单个因素的解释度为38.3%,较平均相关系数的解释度更高。同时,还可以看出,平均相关系数与平均方差的交叉项也与市场风险成正相关关系,且显著。上述实证分析结果说明沪深300股票组合的平均方差和平均相关系数可以解释市场总风险的大小。从表2第6列回归检验结果发现,虽然股票组合当期的平均相关系数与预期市场总风险为正向关系,但结果并不显著。从表2第7列回归检验结果发现,当期股票组合的平均方差与预期市场总风险成显著的正相关关系。从回归结果来看,当期时刻沪深300股票组合的平均方差每增加10.0个百分点,那么预期市场总风险将增加2.6个百分点。上述实证结果说明,沪深300股票组合当期的平均方差对预期市场总风险的大小具有显著的预测能力,也就是说沪深300股票组合中的当期平均方差值越高,则预期市场的总风险越高的。
四、结论
本文以中国上交所和深交所A股市场上交易的300只大盘股票构建的沪深300股票组合为例,重点分析了股票组合的平均相关系数和平均方差对市场总风险和市场超额收益率的解释和预测能力。得到如下结论:
一是研究发现,可以通过计量沪深300股票组合的平均相关系数和平均方差来反映中国A股市场总风险的大小。沪深300股票组合的平均方差能够预示着市场总风险的信息,股票组合的当期平均方差的大小与预期市场总风险成正比。另外,虽然平均相关系数与预期市场总风险也成正相关关系,但结果不显著。
二是沪深300股票组合的平均方差对市场超额收益率同样具有较强的解释力,实证结果还说明未来超额收益率可以被资产组合的平均方差所预测。因此,实证分析为利用沪深300股票组合的平均方差作为中国A股市场总风险的变量提供了一定的理论基础。
三是与Pollet & Wilson(2010)[20]考察美国证券市场的结果不同,结果发现对市场总风险和超额收益率而言,股票组合的平均方差表现出比平均相关系数更显著的解释力和预测力。
四是实证研究结论与“罗尔批评”的观点相悖,支持了资产定价模型在中国A股市场是有效的这一学术观点。
参考文献:
[1]Sharpe W. Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk[J]. The Journal of Finance, 1964, 19(3): 425-442.
[2]Lintner J. The valuation of risky assets and the selection of risky investments in stock portfolios and capital budgets[J]. Review of Economics and Statistics, 1965, 1: 13-37.
[3]Black F, Jensen M, Scholes M. The capital asset pricing model: Some empirical tests. In Studies in the theory of capital markets[M], Ed Michael Jensen, New York: Praeger. 1972, 79-121.
[4]Fama E, MacBeth J. Risk, return and equilibrium: Empirical tests[J]. Journal of Political Economy, 1973, 3: 607-636.
[5]French K, Schwert W, Stambaugh R. Expected stock returns and volatility[J]. Journal of Financial Economics, 1987,19(1): 3-29.
[6]Ghysels E, Santa-Clara P, Valkanov R. There is a risk-return tradeoff after all[J]. Journal of Financial Economics, 2005,76(3): 509-548.
[7]Hung K, Glascock J. Volatilities and momentum returns in real estate investment trusts[J].The Journal of Real Estate Finance and Economics, 2010,41(2): 126-149.
[8]陈浪南, 屈文洲. 资本资产定价模型的实证研究[J].经济研究, 2000(4): 26-34.
[9]靳云汇,刘霖. 中国股票市场的CAPM实证研究[J]. 金融研究, 2001(7):106-115.
[10]黄波,李湛,顾孟迪. 基于风险偏好资产定价模型的公司特质风险研究[J]. 管理世界,2008(11):119-127.
[11]丁志国,苏治,赵晶.资产系统性风险跨期时变的内生性:由理论证明到实证检验[J]. 中国社会科学, 2012(4):83-102.
[12] 龚映清,陶鹂春. 国内券商研究发展困局与重构探索[J].证券市场导报,2013(5):4-9.
[13] 陈梦根. 算法交易的兴起及最新研究进展[J].证券市场导报,2013(9):11-16.
[14]Fama E, French K. The cross-section of expected stock returns[J]. The Journal of Finance, 1992,47(2): 427-465.
[15]Campbell J. Stock returns and the term structure[J]. Journal of Financial Economics, 1987,18(2): 373-399.
[16]Bali T, Nusret C, Yan X S, Zhang Z. Does idiosyncratic risk really matter?[J]. The Journal of Finance, 2005, 60(2): 905-929.
[17]Guo H, Savickas R. Idiosyncratic volatility, stock market volatility, and expected stock returns[J]. Journal of Business and Economic Statistics, 2006, 21(1):43-56.
[18]丛剑波, 祝滨滨. 我国股市的特质波动风险分析[J].经济纵横, 2009(5):85-87.
[19]Roll Richard. A critique of the asset pricing theory's tests part I: On past and potential testability of the theory[J]. Journal of Financial Economics, 1977,4(2): 129-176.
[20] Pollet, J M., Wilson M. Average correlation and stock market returns[J]. Journal of Financial Economics, 2010, 96(3): 364-380.
中图分类号:F830.9;F224.9 文献标志码:A 文章编号:16748131(2013)05007906
一、引言
创业板市场专门为成长性好、发展潜力大的高科技公司提供融资平台,是我国多层次资本市场的重要组成部分。中小板市场是我国特有的,专为满足我国中小企业融资需求而设立的。相对于主板市场而言,创业板与中小板市场具有上市公司市值规模小、价格波动大、市场风险高等特点,且二者均为为中小企业提供融资服务的资本市场平台。
根据国务院“九条意见”2004年国务院下发的《关于推进资本市场改革开放和稳定发展的若干意见》。 精神,我国建立多层次资本市场的条件正逐步成熟,创业型企业发行上市在股本总额和持续盈利记录等方面的限制将有所放宽;在条件成熟时,中小企业板块将从现有的市场中剥离,二者合并为新的创业板市场。由此可以看出,中小板市场是创业板市场的过渡产物。理论上,创业板市场有别于中小板市场,实际上,创业板市场与中小板市场表现出较强的趋同性。在这种背景下,通过计算两市场间的相关系数来考察二者间的动态相关性,对于投资者在两市场间进行资产配置或风险评估,甚至对资本市场的进一步改革无疑具有重要的现实意义。
静态相关系数无法反应不同市场间的资产价格或收益率的互动变化,而DCCGARCH模型和Copula模型计算的动态相关系数均能较好地描述市场间的动态相关关系。自Engle(2002)提出DCCGARCH模型,该模型得到广泛运用。游家兴等(2009)基于DCCGARCH模型对中国与亚洲、欧美7个股票市场的联动性进行分析,得到1991―2008年其联动性变化的动态过程以及联动性逐渐增加的结论;徐有俊等(2010)基于DCCGARCH模型,运用1997年1月到2009年3月的数据,研究中国股市与国际股票指数(MSCI印度指数、MSCI世界指数、MSCI亚太指数和MSCI亚洲新兴市场指数)之间的联动性,结果发现中印两国和亚洲新兴市场的联动性大于国际发达市场,而且中国与世界股票市场的联动性逐渐增强。近年来,Copula理论和方法在金融等相关领域的运用也取得了明显的进展。Patton(2006)构建了马克兑美元和日元兑美元汇率的对数收益的二元Copula模型,结果显示Copula模型可以较好地描述外汇市场之间的相关关系;韦艳华等(2004)运用Copula模型对上海股票市场各行业板块动态相关性进行了研究; Bartram等(2007)运用高斯时变Copula对欧元引入欧洲17个国家或地区的股票市场之间的相关性进行了研究;张自然等(2012)采用时变SJCCopula模型较好地描述了人民币汇率境内SPOT市场、DF市场和境外NDF市场之间的相关关系。
从已有研究文献来看,DCCGARCH模型和Copula模型均能较好地刻画金融市场间的动态关系,一般认为Copula模型的估算效果要好于前者。目前,运用以上两模型对于我国创业板市场与中小板市场间的动态相关关系的研究文献尚未发现,尤其是同时运用两方法进行比较分析更是没有。本文基于方法比较视角,运用DCCGARCH模型和Copula模型对我国创业板市场与中小板市场间的动态相关性进行研究,这不但可以进一步厘清创业板市场与中小板市场间的关系,而且能够进一步考察上述两种研究金融市场间关系的计量方法的效果及适用性。
二、相关理论与方法
1.DCCGARCH模型
设rt是一组白噪声随机变量组成的向量,满足以下条件:
(1)
其中,It-1为rt在时刻t-1时刻的信息集,Ht为条件协方差矩阵,表示为:
(2)
从单变量GARCH模型可以得到时变标准差矩阵Dt=diag{σi,t},Rt={ρij}t为动态条件相关系数矩阵。如果能够准确地估计Ht和Dt,代入上式(2),就可以计算出动态条件相关系数Rt。Rt的计算公式转化为:
(4)
(5)
便可求出动态相关系数。
2.Copula模型
根据Copula函数的相关理论,确定一个合适的边缘分布是构建多变量金融时间序列Copula模型的关键,根据金融时间序列的波动特征和分布的“尖峰厚尾”性,选取GARCHt模型来刻画两市场收益率的波动特征。
Rnt=μn+εnt
(6)
εnt=h1/2ntζnt
(7)
(9)
其中:CN(・)表示二元正态Copula函数,Tv1(・)、Tv2(・)分别表示均值为0、方差为1、自由度为v1和v2的正规化t分布函数。
二元正态Copula函数常用来描述两个变量间的相关关系,其分布函数为:
(10)
其中:φ-1(・)表示标准正态分布函数的逆函数,ρ(ρ∈(-1,1))为相关参数。相关参数可以有两种形式:一为常相关参数,二为时变相关参数。随着外部条件的变化,变量之间的相关系数也有可能发生波动,Patton(2006)提出可以由一个类似于ARMA(1,q)的过程来描述,他把时变相关参数演进方程扩展为一般形式:
(11)
其中:函数Λ(・)定义为Λ(x)=1-e-x1+ex,它是为了保证ρt始终处于(-1,1)之间;ut Tt = 1和vt Tt = 1是观测序列进行概率变换后得到的序列;滞后阶数q可以根据研究对象的特点自行选取,一般q小于等于10。
三、实证分析
1.数据来源与描述
为研究创业板市场与中小板市场之间的动态相关性,本文选取创业板指数(399006)和中小板指数(399005),分别以cybr和zxbr表示创业板指数收益率和中小板指数收益率;时间窗口为2010年6月1日至2012年5月31日,共484个数据数据;运用eviews6.0、winrats8.0和MATLAB等软件进行计算。
日收益率的计算公式为:
Rt=lnSt-lnSt-1
(12)
其中,Rt表示市场指数收益率,St为第t日的市场指数收盘价。对两市场指数日收益率的描述性统计分析结果见表1。
由表1可知,创业板指数及中小板指数收益率均值很小,几乎接近于0,且为负的,表明在此期间,投资两市的投资者均是亏损的。同时,两市股指收益率的分布均有左偏性,收益率的峰度值均大于正态分布的峰度值,通过JB统计量检验知,两市场指数收益率均不服从正态分布,具有“尖峰后尾”特征。在此基础上进一步分析表明两市场指数收益率均存在序列自相关和ARCH效应,并依据AIC及似然函数准则选用GARCHt 模型来拟合样本数据,表2是参数估计结果。α的估计值均大于0,且α+β
2.DCCGARCH模型估计结果及分析
由表3可以看出,创业板市场与中小板市场之间的相关系数均大于零,均值为0.888 427,最大值为0.945 926,最小值为0.729 338,两市场表现出较强的正相关性。另外,两市场的动态相关系数的标准差为0.037 687,表明两市场相关性的波动较小,也从一定程度上反映了两市场变化的一致性。
图1 DCCGARCH模型下两市场间的动态相关系数走势
DCCGARCH模型下,两市场间的动态相关系数变化可以通过图1表示。由图1可以看出,2010年底到2011年上半年,创业板市场与中小板市场之间的相关系数有比较大的波动,从2011年下半年开始,二者相关关系趋于稳定。且两年的时间内,两市场的相关系数在2010年7月份、10月份及2011年的5月份有较大幅度的下跌,前一时间点大幅下跌的主要原因在于创业板指数不久样本股调整,而后两时间点的大幅下跌与2010年7月份创业板的解禁潮和2011年5月份的创业板高管大幅度减持有关。
3.Copula函数估计结果及分析
表4为常相关的二元正态Copula函数的参数估计结果。由表4的常相关参数可知,创业板市场与中小板市场指数收益率序列间具有较强的正相关关系,相关系数为0.882 11。金融时间序列间的相关关系一般是时变的,这里我们选取q=10来考察两市场间的动态相关关系,表5为参数估计的结果。由表5可知,创业板市场与中小板市场指数收益率序列的持续性参数βp=0.1354 3,说明这两个序列的时变相关参数受前一期影响,但不是太大。实际上,图2也能表明两市场间的动态相关性受前期影响。由图2可以看出,创业板市场与中小板市场之间的时变相关系数波动稍大,但也仅限于狭窄的区间内[0.862,0.925],相关系数出现的高点、低点等异常值与DCCGARCH模型估计结果基本一致。
表6为利用Copula模型,运用MATLAB计算得到的两市场之间的动态相关系数序列的描述性统计量。 由表6可以看出,Copula模型下创业板市场与中小板市场之间的时变相关系数均大于零,均值为0.885 4,这与常相关系数0.882 11、静态相关系数0.888 3、DCCGARCH估计的动态相关系数均值0.888 4相差无几,说明不管是基于线性考虑还是非线性考虑,两市场间确实存在较强的正相关关系。另外,时变相关系数最大值为0.924 3,与DCCGARCH模型估计的相关系数最大值0.945 926也相差不大;但最小值0.863 2较DCCGARCH模型估计的0.7293 38要大一些,这主要是由于Copula函数考虑了收益率随时间变化而导致的结果。再者,两方法估计的动态相关系数的标准差均较小,DCCGARCH模型下为0.037 687,Copula模型下为0.010 25,表明两市场相关系数的波动性较小,具有较强的稳定性,进一步说明两市场的表现确实相差不大。
图2 Copula模型下两市场间的时变相关系数走势
四、结论与建议
通过线性和非线性模型考察我国创业板市场与中小板市场收益率之间的相关性,可以得出以下结论与建议:
第一,创业板市场与中小板市场指数收益率静态相关系数为0.888 2,DCCGARCH动态相关系数均值为0.888 4,Copula常相关系数为0.882 11,Copula时变相关系数均值为0.885 4。无论是静态相关系数,还是动态相关系数;无论是线性相关系数,还是非线性相关系数,均表明两市场间存在较强的正相关关系。
第二,DCCGARCH模型下,两市场间的动态相关系数在一个狭窄的区间[0.729,0.946]波动,除了2010年7月、10月及2011年5月因样本股调整、股票解禁和高管减持造成的动态相关系数大幅度下跌外,其他时间估计的GARCH动态相关系数均表现出较强的稳定性。Copula模型下,两市场间的动态相关系数也在一个狭窄的区间[0.862,0.925]波动,但在时间窗口期内有异常值出现,这是因为市场间的非线性影响因素所致。所以,Copula模型要优于DCCGARCH模型。
第三,似然函数值表明,时变Copula模型因捕捉了资产收益率的持续性,估计两市场间的相关系数效果要优于常相关Copula模型。
总之,创业板市场与中小板市场间,无论是线性相关性还是动态相关性均较强,且二者表现出很强的趋同性,表明创业板市场与中小板市场合并将是必然趋势,这为我国的资本市场改革提供了理论佐证。另外,Copula模型因考虑了金融市场间的非线性及非对称性特点,参数估计效果优于DCCGARCH模型,建议机构投资者在进行资产组合投资时采用Copula模型计算市场间的动态相关系数;同时,鉴于创业板市场与中小板市场的有效区分性不足,建议机构投资者(如基金公司)最好不要跨此二市场进行资产配置。
参考文献:
高铁梅.2006.计量经济分析方法与建模:Eviews应用及实例[M].1版.北京:清华大学出版社.
金龙,王正林.2009.精通MATLAB金融计算[M].北京:电子工业出版社.
韦艳华,张世英. 2008.Copula理论及其在金融分析上的应用[M].北京:清华大学出版社.
徐有俊,王小霞,等. 2010.中国股市与国际股市联动性分析――基于DCCMGARCH模型研究[J].经济经纬(5):124128.
游家兴,郑挺国. 2009.中国与世界金融市场从分割走向整合――基于DCCMGARCH模型的检验[J].数量经济技术经济研究(12):96107.
张自然,丁日佳. 2012.人民币外汇市场间不对称汇率变动的实证研究[J].国际金融研究(2):8595.
BATRAM S M,TAYLOR S J,WANG Y H. 2007. The Euro and European Financial Market Dependence[J]. Journal of Banking & Finance,31(5):14611481.
ENGLE R F.2002.Dynamic Conditional Correlation Simple Class of Multivariate GARCH Models[J]. Journal of Business and Economic Statistics,20(3):339350.
PATTON A J. 2006. Modeling Asymmetric Exchange Rate Dependence[J].International Economic Review,47(2):527556.