资产的相关系数范文

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13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！

篇1

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.

篇2

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.

篇3

（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。

篇4

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.

篇5

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.

篇6

一、 引言

我国饲料行业经过多年的发展，连续20多年稳居世界第二，2012年全国饲料总产量达到1.91亿吨。随着我国经济的快速增长、人均消费的不断提高、饲料的工业化程度不断增强，我国饲料行业的市场发展空间非常广阔，然而饲料行业的现状却是市场结构分散、行业集中度低。随着我国加入WTO，中国饲料业也在向国际化发展，饲料业的对外开放已成为必然趋势，将面临前所未有的挑战，所面临的不仅是国内同业的竞争，还有国际同行的挑战，尤其是中外企业的竞争将更加激烈，能否在竞争中取胜，关键在于市场集中度（市场份额）、企业规模、抵御风险能力等方面的影响，经营绩效是竞争力的集中体现，提高饲料业的经营绩效，是防范经营风险、对外开放的关键，是推动行业可持续发展的根本前提。因此，针对饲料行业上市公司进行经营绩效及其影响因素的分析，对推进饲料行业改善经营管理、提高经营与决策水平、建立健全现代企业制度具有很实际的意义。因此，本文试图在相关研究的基础上，根据饲料行业上市公司2012年的年报数据，利用典型相关分析的多元统计方法，构建饲料行业上市公司经营绩效及其影响因素的典型相关模型，对影响饲料行业上市公司经营绩效的各因素进行实证分析，定量判别各因素的影响程度，为饲料行业上市公司经营绩效的持续稳定增长提供帮助。

二、 研究方法和指标选择

（一）典型相关分析方法

1936年，霍特林（Hotelling）提出了典型相关分析的思想。典型相关分析是由主成分分析和因子分析发展而来，是研究两组变量间的整体的相关关系，两组变量中一组变量为自变量，另一组变量为因变量，在两组变量中各生成一个典型变量，然后研究这两个新的变量之间的相关，使其这一对典型变量达到最大程度相关，即生成第一对典型相关变量。如此继续下去，可以类似的求出第二对、第三对……，这些对典型变量之间互不相关。一般情况，设X=（X1，X2，X3…Xp）、Y=（Y1，Y2，Y3…Yq）是两个相互关联的随机变量，分别在两组变量中选取一对相互关联的典型变量Ui和Vi，使得这对典型变量是原变量的线性组合，即：

并研究它们之间的相关系数p（U，V）。在所有的线性组合中，找一对相关系数最大的线性组合，用这个组合的单相关系数来表示两组变量的相关性，叫做两组变量的典型相关系数，而这两个线性组合叫做一对典型变量。设求到的第一对典型变量为：

用相同的方法，可以逐一地求出各对之间互不相关的许多对典型相关变量，例如（U2，V2）（U3，V3）等等，这些对典型相关变量如实地反映了X、Y之间的线性相关情况。

（二）指标的选择与样本数据处理

本文选取我国上市公司中以饲料行业为主业的新希望、唐人神、通威股份、大北农等21家公司作为研究对象，以其2012年报中披露的数据作为样本数据，各指标来源于巨潮咨讯网，并运用SPSS 16.0完成数据的分析。经过加工整理选取两组指标变量，第一组为经营绩效的影响因素组变量，即“影响组”，第二组为经营绩效组变量，即“绩效组”。

经运算后的各指标数据见下页表3。

三、典型相关分析和模型建立

将表3中的数据输入计算机，研究第一组指标X与第二组指标Y，这两组指标内部以及两组指标间一对一的相关程度，应用软件SPSS 16.0的典型相关分析cancorr过程和MANOVA命令，基于显著水平0.05，两组指标的分析结果如下：

（一）典型相关系数及其检验

由下页表4中数据结果可知，影响组与绩效组共提取了4 对典型相关变量，其典型相关系数分别是0.98026、0.61826、0.36209、0.05170，前两个典型相关系数均较高，分别为0.98026、0.61826，且典型变量的典型相关性比较显著，表明前两个相应典型变量之间相关程度高。

从下页表5可以看出，只有第一对典型变量检验的显著性水平小于等于0.05，表明第一对典型变量之间相关关系显著，而且相关系数也比较高，达到了98.026%，因此可以通过第一对典型相关系数的研究来反映两组变量之间的相关性。

（二）典型相关方程

典型相关系数是原始变量转化为典型变式的权数，所反映的是组内变量在形成典型函数时的相对作用。第一对典型变量（U，V）的累积特征根已经占了总量的96.95313%，而第二对典型变量（U，V）的特征根仅为总量的2.44102%（见下页表4），而且只有第一对典型变量通过F统计量检验（Sig值小于0.05），所以，第一个典型相关方程可大体上说明问题。由于原始变量的计量单位不同，不宜直接比较，为了消除原始变量量纲和单位的影响，我们采用标准化的典型相关系数，由典型相关系数构建典型相关方程。

我们得出典型相关方程，如下：

从方程中的典型权重来看，影响组U1的影响因素从大到小依次是X2（销售成本费用率）、X3（资产总额）、X1（资产风险率）以及X4（市场占有率），相关系数分别为-0.946、0.162、-0.069、-0.016。根据第一组典型相关方程，在第一典型变量U1 中发挥主导作用的是X2（销售成本费用率），典型载荷是-0.946。绩效组V1的主要影响因素是Y4（加权平均净资产收益率），其次是Y1（销售净利率）以及Y2（主营业务现金含量）和Y3（总资产现金回收率）。在第一典型变量V1 中发挥主导作用的是Y4（加权平均净资产收益率），典型载荷是0.623。其余指标对典型变量的贡献程度不显著。考虑到指标X2和Y4所代表的含义，第一典型变量U1 可以用来反映企业的经营风险，第二典型变量V1可以用来反映股东投入资金的盈利能力。考虑到两者符号相反，因此，可以得出销售成本费用率对于加权平均净资产收益率具有反面的影响。但是，利用典型权重来解释变量的相对重要性我们应审慎对待。比如，权重小的可能代表该变量之间没什么关联，也可能是因该变量与其他变量具有共线性而造成的。因此，必须进一步进行典型结构分析。

（三）典型结构分析

典型结构分析依据典型变量与原始变量之间的相关系数值，反映典型变量和绩效组及影响组的各变量之间的影响程度和方向。实际上讨论的是典型负载系数和交叉负载系数。典型负载系数是典型变量与同属于本组的原始变量之间的相关系数。

典型结构分析的计算结果如表6所示。由表6可知，影响组的第一典型变量Ul与X2具有高度相关性，与X3、X4表现中度相关，与X1低度相关。说明销售成本费用率（X2） 、资产总额（X3）、市场占有率（X4）与经营绩效的影响因素相关程度较高，其中X2最为显著。资产风险率（X1）与经营绩效的影响因素相关程度较低，贡献量最小，但也有一定的影响力。

由表7可知，绩效组的第一典型变量U1与Y4、Y1的相关系数都比较高，分别为0.994、0.987，属高度相关，与Y3的相关系数也达到了0.718，说明加权平均净资产收益率（Y4）、销售净利率（Y1）、总资产现金回收率（Y3）的影响都比较大。与其他典型变量比较，Ul反映了上市公司经营绩效的成分更多一些。

由表6和表7可知，由于第一典型变量之间的高度相关，绩效组内大部分原始变量与本组的第一典型变量相关程度较高，而影响组内的原始变量与本组的第一典型变量之间也呈较高的相关关系，这种一致性从数量上体现了经营绩效的影响因素对上市公司的经营绩效的本质影响作用。说明典型相关分析结果具有较高的可信度。

交叉负载系数是某一组中的典型变量与另外一组的原始变量之间的相关系数。交叉负载系数的平方表示本组原始变量的变异量被另一组的典型变量解释的比例。

从表8可知，影响组的第一典型变量V1与X2的交叉负载系数为 -0.967，这个数值的平方为0.935，表示V1可以解释影响组的一个变异量的93.5%。

从表9可知，绩效组的四个变量与第一典型变量V1的交叉负载系数为0.967、0.552、0.704、0.974，取平方得到0.935、0.305、0.500、0.949，表示V1可以解释绩效组的四个变量变异量的93.5%、30.5%、50%和94.9%。

（四）典型冗余和解释能力分析

第一典型冗余表示第一组原始变量总方差中本组变式解释的百分比，第二典型冗余表示第一组原始变量总方差中由第二组的变式所解释的平均比例。典型相关系数的平方表示两组典型变量间享有的共同变异的百分比，将第一典型冗余乘以典型相关系数的平方， 即为第二典型冗余。

从表10中可以看出，第一对典型变量U1和V1均较好地预测了对应的那组变量，第一典型冗余分别为29.7% 和69.9% ，交互解释能力比较强；第二典型冗余分别达到28.5%和67.1%，也具有较强的解释能力；第二对典型变量U2和V2的预测能力和交互解释能力比较弱，第一典型冗余分别为31.9%和2.4%，第二典型冗余分别为12.2%和0.9%，也具有一定的解释能力。尤其是第一对典型相关变量具有较高的解释百分比（0.960），说明第一对典型变量较好地预测了对应的那组变量，同时，也较好地预测了对方组的变量，同时也说明了影响组与绩效组不仅能够被其自身的典型变量解释，同时也能被其对应的典型变量所解释，可以得出影响组与绩效组之间具有显著的相关性。

四、结论

本文选取了饲料行业上市公司为研究样本，通过典型相关分析方法研究经营绩效及其影响因素之间的相关性。可以得出以下结论：

在典型相关方程中，“绩效组”中的加权平均净资产收益率的典型载荷最显著，强于其他指标，对上市公司的经营绩效具有一定的影响。进而体现了加权平均净资产收益率是一个综合性最强的财务比率，最能反映股东投入资金的盈利能力，是绩效组中最有代表性的一个指标。其次是销售净利率典型载荷低于加权平均净资产收益率，也表现出了较强的相关性。“影响组”中的资产风险率、销售成本费用率均与经营绩效具有一定的负相关性，即资产风险率、销售成本费用率越高，经营绩效的值越低，这两个因素对企业的绩效水平起到抑制的作用。而资产总额、市场占有率均与经营绩效具有显著的正相关关系。即资产总额、市场占有率越高，公司的经营绩效水平也越高。另一方面，资产风险率和销售成本费用率是影响组中典型相关系数最高的变量，典型变量的典型相关性比较显著，因此在上市公司制定战略时要重视这两者的变化，尽量降低资产风险率和销售成本费用率的指标，使饲料行业上市公司的经营绩效达到理想目标。

参考文献：

1.张力庠，谭智心.我国饲料产业区域竞争力评价分析[J].农业技术经济，2007，（2）.

2.张淑辉，陈建成，张立中，张新伟.农业经济增长及其影响因素的典型相关分析[J].经济问题，2012，（5）.

3.姚公安，李琪.企业绩效与创新资金投入的相关性：基于电子信息产业百强企业的研究[J].系统工程，2009，27（7）.

4.于明洁，郭鹏.基于典型相关分析的区域创新系统投入与产出关系研究[J].科学学与科学技术管理，2012，（6）.

5.王雷，党兴华.R&D经费支出、风险投资与高新技术产业发展：基于典型相关分析的中国数据实证研究[J].研究与发展管理，2008，（8）.

6.王发友.典型相关分析的基本思想和方法步骤[J].科技信息，2007，（12）.

篇7

一、风险资产数据

假设我们要构建含五个风险资产的投资组合。根据统计以往10年的五个资产的历史数据，我们得到以下数据

相关系数（Correlation） 风险资产1 风险资产2 风险资产3 风险资产4 风险资产5

风险资产1 1 0.51 0.49 0.27 0.47

风险资产2 0.51 1 0.98 0.5 0.94

风险资产3 0.49 0.98 1 0.48 0.9

风险资产4 0.27 0.5 0.48 1 0.46

风险资产5 0.47 0.94 0.9 0.46 1

预期收益 （E（r）） 0.085 0.13 0.135 0.13 0.11

收益标准差 （） 0.091 0.206 0.212 0.19 0.12

占组合最大百分比（%） 100 40 80 30 10

占组合最小百分比（%） 0 10 0 0 0

二、假设

为了简化计算过程，我们做了一下假设：

1.根据中心极限理论，我们假设五个资产的收益分布为正态分布。

2.我们假设资产的相关系数，预期收益，收益的标准差在短期内保持不变。后面我们会通过压力测试来检验构建的投资组合对这些条件变动的敏感程度。

三、数学模型

首先，我们计算投资组合的期望收益，

是每个资产的期望收益，是将要构建的投资组合中每个资产的比重。

然后计算投资组合的收益的标准差，

是两个资产间的协方差。

如果用矩阵的方式来计算，会有以下等式

是五个资产的收益期望值的矩阵：

是单位矩阵：

只要确定了五个资产的比重，我们就可以计算出投资组合的收益期望值，标准差和达到目标收益的可能性（因为收益为正态分布，可以通过NORM.DIS公式，输入目标收益、投资组合期望、方差，得到概率值）。相反地，我们也可以用EXCEL的规划求解功能，通过设定目标收益期望，标准差或者达到目标收益的概率，算出各资产的比例。

四、投资组合配置

如，我们希望构建的投资组合，有60%以上的可能收益达到6.3%，有40%以上的可能收益达到8%，并且小于2%的可能有超过10%的损失。我们在规划求解功能中设定以上的条件，将得出以下资产比重配置。

比重

风险资产1 0.704

风险资产2 0.1

风险资产3 0

风险资产4 0.096

风险资产5 0.1

总计 1

五、压力测试

使用EXCEL的模拟分析-方案管理功能，我们可以改变各个风险资产的数据，对构建的投资组合进行压力测试。

压力测试1：风险资产1的收益期望值增加2%、1%和减少2%、1%。

通过结果（附表1），我们可以看到，在最坏的情况下，构建的投资组合略微地低于了我们之前设定的目标（有60%以上的可能收益达到6.3%，有40%以上的可能收益达到8%，并且小于2%的可能有超过10%的损失）。

压力测试2：风险资产3的收益期望值减少2%、1%。

由于我们构建的投资组合中没有配置风险资产3，它的收益变化对投资组合没有影响。

压力测试3：风险资产1和其他资产的相关系数提高20%、降低20%。

通过结果（附表2），我们可以看到，即使在最坏的情况下（风险资产1和其他资产的相关系数提高20%），构建的投资组合仍能达到目标。

六、结论

只要能获得或者合理的估算风险资产的期望收益，方差以及风险资产间的相关系数，无需借助特殊的分析工具，只需要用EXCEL就可以进行简单计算，快速地优化投资组合并估算其风险。这种方法适用于任意数量的风险资产的投资组合。

附录

附表1

? ? 风险资产1

收益+2% 风险资产1

收益+1% 风险资产1 无变化 风险资产1

收益-1% 风险资产1

收益-2%

变动单元格 ??

? 风险资产1 收益期望 0.105 0.095 0.085 0.075 0.065

结果

? 收益期望 11.0% 10.3% 9.6% 8.9% 8.2%

收益高于6.3% 69.4% 66.7% 63.9% 61.1% 58.1%

? 收益高于8% 62.7% 59.9% 56.9% 53.9% 51.0%

? 损失大于10% 1.2% 1.5% 1.8% 2.1% 2.6%

附表2

? ? 相关系数 +20% 相关系数 不变 相关系数 -20%

变动单元格

? 风险资产1/风险资产2 0.612 0.51 0.408

? 风险资产1/风险资产3 0.588 0.49 0.392

? 风险资产1/风险资产4 0.324 0.27 0.216

? 风险资产1/风险资产5 0.564 0.47 0.376

结果

? 收益期望 9.63% 9.63% 9.63%

篇8

[中图分类号]F276 [文献标识码]A [文章编号]1005-6432(2010)44-0052-04

1 研究背景

纵观十几年来中国的证券融资市场,股权融资比例远远大于债务融资,IPO、配股、增发、可转债以及可分离可转债等方式已经成为我国上市公司的主要融资渠道。根据西方现代融资结构理论,考虑到资金成本,企业在选择融资方式时,首先应优先选择内源融资,即留存收益和折旧融资,其次才是外源融资;而在外源融资中,一般优先选择发行债券,直到因债券增发引起的财务风险与其带来的节税效应互抵时,才选择发行新股。但在我国,由于股权结构的不合理以及证券市场不完善等原因,上市公司表现出强烈的股权偏好,造成了企业融资渠道狭窄、资源配置得不到优化等负面影响。

2007年8月14日,中国证监会颁布实施了《公司债券发行试点办法》,这标志着我国公司债券发行工作的正式启动,对于发展我国的债券市场、促进资本市场协调发展具有十分重要的意义。2007年9月26日,中国长江电力股份有限公司2007年第一期40亿元公司债券成功发行,我国公司债券的试点工作正式拉开了帷幕。

在此背景下,针对《公司债券发行试点办法》实施以后,公司债券的发行情况以及对上市公司融资结构的变化进行研究就显得很有必要。下文将通过建立理论模型并进行实证分析来解析试点工作前后上市公司融资结构的变化。

2 实证分析

2.1 模型构建

现代资本结构理论认为,在非对称信息的情况下,公司经理人知道企业收益的真实分布与投资风险,但投资人不知道。如果公司的债券被市场看好,经理人会获利;但如果公司破产,则对经理人不利。因此,低质量的公司不会比高质量的公司发行更多的债券。这样一来,投资者就会把高比例的债券水平看做是公司质量好的信号。另外,公司的最优资本结构应根据债务带来的公司价值增加与债务引起的破产成本增加权衡而定,公司业绩与债务融资正相关,业绩越好的公司,债务融资率也越大。

在以上理论背景下,本文提出以下假设:

假设1:公司绩效与公司资产负债比正相关,即绩效越好的公司,越倾向于发行公司债券。

假设2:公司绩效与公司股东权益比负相关,即绩效较差的公司,倾向于股权融资。

以此建立公司融资结构与绩效水平的线性函数。在这里,用各绩效指标的综合指数来代表公司的绩效水平。Y代表公司的融资结构;X代表公司的绩效水平,建立的线性函数如下:

2.3.2 绩效指标的相关性分析

对2006―2009年的绩效指标分别进行相关性分析,目的在于找出其中相关性较大的、认为可以相互替代的指标,并进行剔除,避免重复计算。本文以相关系数0.8作为标准,认为相关系数大于0.8的指标可以相互替代。

首先对2006年的绩效指标进行相关性分析(2006年的绩效指标由于数据收集的限制,缺少主营业务利润率这一指标)。

从表1中看出,每股收益和净资产收益率之间的相关系数为0.877,总资产报酬率和净资产收益率之间的相关系数为0.874,均大于0.8,可认为每股收益和总资产报酬率均可替代净资产收益率,因此在计算2006年绩效指标的综合指数时应剔除净资产收益率这一指标,用每股收益、总资产收益率、总资产增长率、净资产增长率、主营业务增长率、净利润增长率6个指标的综合指数来代表2006年的绩效水平。

用同样的方法分别再对2007年、2008年、2009年的绩效指标进行分析。

从表2中看出,总资产收益率和净资产收益率之间的相关系数为0.900,总资产增长率和净资产增长率之间的相关系数为0.903,均大于0.8,因此在计算综合指数时可以剔除净资产收益率和净资产增长率这两个指标,用每股收益、总资产报酬率、主营业务利润率、总资产增长率、主营业务增长率、净利润增长率6个指标的综合指数来代表2007年的绩效水平。

从表3中看出,每股收益和总资产收益率之间的相关系数为0.868,每股收益与净资产收益率之间的相关系数为0.880,每股收益与净利润增长率之间的相关系数为0.822,总资产收益率与净资产收益率之间的相关系数为0.864,总资产收益率与净利润增长率之间的相关系数为0.809,净资产收益率与净利润增长率之间的相关系数为0.877,因此在计算综合指数时可以将总资产收益率、净资产收益率、净利润增长率3个指标剔除,用每股收益、主营业务利润率、总资产增长率、净资产增长率、主营业务增长率5个指标的综合指数来代表2008年的绩效水平。

从表4中看出,每股收益和净资产收益率之间的相关系数为0.883,总资产收益率和净资产收益率之间的相关系数为0.817,因此在计算综合指数时可以将净资产收益率这个指标剔除,用每股收益、总资产收益率、主营业务利润率、总资产增长率、净资产增长率、主营业务增长率、净利润增长率7个指标的综合指数来代表2009年的绩效水平。

2.3.3 回归分析

根据以上结论,分别对绩效的综合指数与资产负债比的静态个体指数之间,以及绩效的综合指数与股东权益比的静态个体指数之间进行回归分析,得到的回归系数如表5所示:

3 结果讨论

由回归分析结果我们可以看到,2006年企业绩效指标的综合指数与债权融资指标(资产负债比)之间呈正相关关系,而与股权融资指标(股东权益比)呈负相关关系,根据本文的假设,2006年绩效较好的公司倾向于债权融资,而绩效较差的公司则倾向于股权融资。在2007年,企业绩效指标的综合指数与债权融资指标以及股权融资指标之间均呈正相关关系,由此可否定假设2,认为在2007年,绩效较好的公司对于债权融资和股权融资的偏好是较为平均的。在2008年,企业绩效指标的综合指数与债权融资指标之间呈负相关关系,而与股权融资指标之间呈正相关关系,由此否定假设1和假设2,认为在2008年,绩效较好的公司偏好股权融资,而绩效较差的公司偏好债权融资。在2009年,企业绩效指标的综合指数与债权融资指标之间呈正相关关系,而与股权融资指标之间呈负相关关系,由此可知在2009年,绩效较好的公司偏好债权融资,而绩效较差的公司则偏好股权融资。

4 结 语

从以上的分析结果可以看出,目前我国上市公司的融资现状,即在经济形势乐观时,偏好债权融资,例如发行债券。而在经济形势较差时(如2008年),则偏好股权融资。同样可以看出,在2007年《公司债券发行试点办法》颁布,公司债券的发行得到鼓励后,上市公司的融资行为已日趋理性,不再一味地盲目进行股权融资,而是懂得根据经济形势的变化合理地选择融资方式,在适当的时候理性地利用公司债券的融资优势进行融资,优化公司的融资结构,同时促进我国的资本市场健康地发展。

参考文献:

[1]薛翠友. 企业融资结构理论综述[J]. 合作经济与科技,2009(9).

[2]李义超.我国上市公司融资结构实证分析[J].数量经济技术经济研究,2003(6).

[3]毛磊,葛静.我国上市公司融资结构偏好的实证分析[J].安徽职业技术学院学报,2005(9).

[4]倪轶文,周咏梅.中国上市公司融资结构与公司业绩关系的实证研究[J].青岛大学学报(自然科学版),2009(6).

篇9

[作者简介]寇艳春，江苏科技大学人文社科学院教师，硕士，江苏镇江212003

[中图分类号]F294　[文献标识码]A　[文章编号]1672-2728(2008)10-0016-03

近年来，在农村公共产品供给研究领域，学界普遍认为应该建立一个需求导向型的供给制度。许多学者通过调查研究，在了解和掌握农村居民公共产品需求意愿的基础上，根据农村居民公共产品需求意愿，对农村居民公共产品需求进行了排序，得出了基于需求的农村公共产品供给结构，但很少有基于公共产品相互关系进行的研究。因此，本文从相互关系的角度对农村公共产品供给结构进行一些分析。

一、理论分析

农村公共产品内容丰富，种类繁多。为了便于对农村公共产品供给结构开展研究，笔者从众多的农村公共产品中，选择了农村基础设施(主要包括农村水利灌溉系统、农村道路建设、乡村电网建设、农村人畜饮水、农村电信服务等)、农村基础教育(主要是指农村义务教育)和农村医疗卫生(主要是指农村医疗服务和公共卫生)三个部分作为本文农村公共产品供给结构研究的内容。这三者的相互关系表现为：

1　基础设施是教育医疗卫生事业发展的前提和基础。英国、美国、日本以及其他国家发展的经验告诉我们，无论是基础设施在区域内的配置，还是在空间上的扩展，都是以生产性基础设施配置为主，以生产性基础设施配置为先。只有当生产性基础设施配置达到一定规模，经济发展到一定水平后，生活性基础设施以及教育医疗卫生服务配置才会逐步展开。不但如此，基础设施必须在时间上先于其他直接生产性投资。由于基础设施建设周期长，因此，必须在建设上先行一步。基础设施(特别是交通运输业)的发展速度普遍高于国民生产总值的增长速度。因为在工业化初期，只有运输业等基础设施超前发展，才能有助于消除各地区自然条件上的差异，促进统一市场的形成，促使生产向具有比较优势的区域集中，推动工农业生产发展，提高国民经济发展水平。

2　教育医疗卫生事业发展推动了基础设施建设。基础设施是教育医疗卫生事业发展的前提和基础，但是，教育医疗卫生事业并不是基础设施的附属物，教育医疗卫生事业一旦产生，就具有相对的独立性，有自己的运行规律，并对基础设施建设产生巨大的推动作用。首先，教育事业的发展为基础设施建设培养有知识、懂技术的劳动者；其次，教育事业的发展为基础设施建设培养生产技术的创造者；最后，医疗卫生事业的发展为基础设施建设提供了身体健康的劳动者。今天，我们很难想象在一个交通不畅、信息闭塞、缺乏水源、没有“电、煤、气”设施的地方能居住生活。正因为如此，“那些双重身份者(具有消费者和投票者双重身份)将选择最能符合他们对公共产品的偏好模式的社区”。因此，基础设施完善的地方一定是工农业生产发展的地方，也必然是人群聚居的地方。伴随着人群聚居数量的不断增加，人们对教育医疗卫生事业的需求日益增加，必然推动该地区教育医疗卫生事业的发展。而教育医疗卫生事业的发展又会吸引越来越多的人来到该地区接受教育和医疗卫生服务，从而对基础设施产生更大的需求，有力地推动基础设施的发展。

二、实证分析

如前所述，从理论上说，基础设施、基础教育和医疗卫生是相互联系、相互影响、相互制约的。那么，我国农村基础设施、基础教育和医疗卫生是否存在着相互联系、相互影响、相互制约的关系呢?我们以1982～2004年农村集体固定资产投资、教育经费、医疗卫生费用为依据，利用Granger因果检验对三者之间的关系进行实证分析。

1　Granger因果检验。建立一般回归模型：

依次将集体固定资产投资(G)、教育经费(J)、医疗卫生费用(Y)三个变量带入模型，得到如下检验结果(见表1)：

2　Grange因果检验结果与分析。通过Granger因果检验，我们可以看出农村集体固定资产投资、教育经费、医疗卫生费用三者之间存在着因果关系。也就是说，农村基础设施、基础教育和医疗卫生之间存在着因果关系，如表1所示。这说明，农村基础设施、基础教育与医疗卫生是相互对立、相互联系、相互影响、相互制约的，是互为因果的关系。因此，在优化农村公共产品供给结构的过程中，在优先发展某种或某些公共产品的同时，还应该统筹兼顾，注重协调发展

三、偏相关关系分析

经过Granger因果检验，我们不难发现，农村公共产品各个组成部分之间存在着因果关系。那么，农村基础设施、基础教育与医疗卫生之间的相关关系程度如何，这就需要通过三者之间的偏相关系数加以说明。

1　偏相关系数。偏相关系数的具体算法是：分别固定农村基础设施、基础教育和医疗卫生三个变量中的一个变量，然后计算出其他两个变量的偏相关系数，以此类推，计算出农村基础设施、基础教育和医疗卫生三个变量偏相关系数(见表2、表3、表4)。

从表2、表3、表4来看，偏相关关系分析结果表明：集体固定资产投资与教育经费之间的偏相关系数是0.607；集体固定资产投资与医疗卫生费用之间的偏相关系数是0.170；医疗卫生费用与教育经费之间的偏相关系数是0.673。也就是说，农村基础设施与农村基础教育之间的偏相关系数是0.607；农村基础设施与农村医疗卫生之间的偏相关系数是0.170；农村基础教育与农村医疗卫生之间的偏相关系数是0.673。

2　农村公共产品供给排序。从偏相关关系分析结果来看，农村基础教育与农村医疗卫生之间的偏相关系数是0.673，是最大的，说明农村基础教育与农村医疗卫生之间的关系最为密切，联系也最为紧密。农村基础教育与农村基础设施之间的偏相关系数是0.607，位于次席。而偏相关系数最小的是农村基础设施与农村医疗卫生，它们二者之间的偏相关系数为0.170。由农村基础设施、农村基础教育与农村医疗卫生之间的偏相关系数可以看出：

一是农村基础教育最为重要。对农村基础设施而言，农村基础设施与农村基础教育的偏相关系数为0.607，而农村基础设施与农村医疗卫生的偏相关系数为0.170，因而农村基础教育比农村医疗卫生重要；对农村医疗卫生而言，农村医疗卫生与农村基础教育的偏相关系数为0.673，而农村医疗卫生与农村基础设施的偏相关系数为0.170，因而农村基础教育比农村基础设施重要。由此，我们可以得出农村基础教育最为重要。

篇10

二、相关性分析

《统计学》、《基础会计学》和《资产评估》两课程间的相关性分析主要采用相关分析法进行研究，即对课程成绩进行单因子相关分析,通过计算两两课程间的相关系数来确定的大小，判断出是低度相关、显著相关还是高度相关。分析采用的软件是SPSS,其变量因子是课程考试成绩，分析的过程主要包括导入数据、相关分析过程的实现和结果研究。（一）数据导入在SPSS中提供了多种导入数据的方式，常用的有导入文本文件中的数据和导入数据库中的数据。本课题研究过程中收集的数据保存在数据库中，因此选择由数据库导入数据的方式。在菜单栏中选择FileOpenDatabaseNewQuery，把Access数据库中的数据导入到SPSS中，部分数据如图。（二）相关分析过程的实现数据导入完成后，进行相关分析。在菜单栏中选择AnalyzeCorrelateBivariate进行两变量相关分析，将弹出对话框左边的备选源变量通过箭头按钮输入到Variables选项框中。相关性分析的参数含义解释如下：（1）CorrelationCoefficients选项区内可选择计算相关系数的种类，课程相关分析的变量是连续型变量，故选择Pearson相关系数，即r系数。（2）testofsignificant选项内可选择显著性检验的类型，课程的相关分析中，事先并不清楚课程变量之间的差异方向，故选择Two-tailed。参数设置完成后，点击OK，SPSS自动进入分析并输出分析结果，具体结果相见表1。（三）相关性结果分析R系数是课程相关性紧密程度的统计指标。当R大于0.5时，则认为两课程显著相关；当R大于0.8时，则认为两课程高度相关。由表1数据可知：（1）《统计学》与《基础会计学》和《资产评估》均显著相关，R值分别为0.569和0.532。（2）《基础会计学》与《资产评估》两课程高度相关，R值达0.861。

篇11

对投资资产收益构建适当的模型进行相关性分析，在投资风险管理中有很重要的应用价值。张维（2008）认为度量风险以及如何采取相应的对策是投资风险分析的核心。当研究单一市场不同资产收益相关性时，应该考虑聚类波动和厚尾分布等因素。Rachev和Mittnik（1993）指出对金融数据建模，模型结构固然重要，但资产收益分布假设由于影响到模型的拟合度，因此也要重点考虑。Fama、Mittnik、Rachev等人（2003）认为投资风险模型中变量分布为平稳分布时检验效果比较好。当研究多个市场相关性时，通常应用线性相关，例如应用多元线性回归法研究变量间的相关性。但线性相关系数通常假定不同市场收益是对称相关的，通常不能反映非对称相关情况。Embrechts和Rachev等人（2003）研究了线性相关系数分析相关性的缺陷，不能较为准确地反映金融危机情况下的投资资产收益波动。为此Embrechts（1999）引入了Copula 函数来研究关于投资组合的风险价值问题，提供了处理变量相关问题的简单易行的方法。之后Copula函数在投资资产风险管理中被广泛采用，它克服了线性相关系数不能捕捉变量间的非线性和非对称相关的缺点。秦学志、王玥（2011）分析了Copula函数的尾部相关系数的渐进变化特征及其应用。任仙玲、张世英（2008）利用Copula函数对民生银行和浦发银行两只个股的尾部相关性做了分析，得出“其下尾相关性大于上尾相关性，且下尾相关性很大”的结论。但目前对于尾部相关性的研究多数集中在二维的情形。Bedford和cook（2001）在Joe 研究工作的基础上，介绍了一种基于简单构造块——Vine copula的多变量分布概率模型，通过对多元联合密度函数进行Vine copula分解，分解后的模型能够捕捉到多个资产组合中不同风险因素间的尾部相关性差异，从而更好地描述资产间的相依结构。这一方法为研究高维复杂相关问题提供了新的思路。

二、研究方法

（一）Vine模型 Kurowicka和Cooke（2004）提出D-Vine和C-Vin

e模型，这两类藤在不同的树状集合的逻辑结构下都能对高维分布进行分解。n维联合密度函数f（x1，…，xn）的C-Vine和D-Vine的分解式分别如式（1）、式（2）所示：

其中，Cij|k是二维Copula分布函数，vj是d向量v中任一分量，而v-j是向量v中除去vj后的d-1维向量。

（二）拟合优度检验方法 本文采用经验Copula检验统计量。假定n元随机变量的秩统计量为｛U1，U2，…，Un｝，那么可以用一个经验Copula来反映它们的分布信息，如式（4）所示：

该检验方法实质是考察经验Copula与假定的Copula之间的距离，距离越小，那么越有可能接受零假设H0；距离越大，则越有可能拒绝零假设H0。其检验步骤为：

（1）产生秩统计量序列集U=｛U1，…，Un｝，Ui=｛Ui1，…，UiT｝；

（2）计算在每个秩统计量下的经验Copula值，以及假定的Copula的参数；

在实际应用中，这两个统计量的有限分布依赖于给定的Copula函数及其相应的参数，需要应用蒙特卡洛模拟来计算参数，间接得出两个统计量。

二、基于C-Vine与D-Vine的投资组合相关性比较

（一）样本选取与数据来源 采用C-Vine和D-Vine模型，本文对香港恒生（HSI）、日经225（N225）、新加坡海峡时报（STI）和上证综指（SSEC）四个股票市场组成的投资组合的风险进行比较分析。数据样本区间为2005年1月1日至2011年6月30日的周收盘价，由于各国的风俗习惯不同，同一时期内的数据个数不一致，数据对应上出现一些偏差，本文剔除了不同时间开盘的数据，共得到有效数据共1356个。本文将第i个市场的周收盘价定义为Pi，t，将收益率Ri，t定义为Ri，t=100（lnPi，t-lnPi，t-1）。本文的数据处理工具为Eviews6.0和 Matlab R2010a。

（二）收益率序列的描述性统计分析及正态检验 利用Eviews

6.0软件对收益率序列进行描述性统计分析，应用J-B进行检验。计算结果如表1所示。

从表1可以看出，各个收益率序列的均值接近于0，方差接近于3；偏度值接近于0且都为负，峰度值均大于3。各收益率序列从偏度上看，接近正态分布；但从峰度上看，具有明显的厚尾特征，大的峰度值表明各收益率序列的数据在均值附近的集中度较高。从J-B检验值可以看出，各收益率序列明显不服从正态分布的假设。

（三）边缘分布的建模与平稳性自相关检验 边缘分布采用时间序列GARCH模型，首先进行平稳性检验。本文采取Dickey & Fuller（简称ADF）所提出的单位根检验。检验值如表2所示。

从表2可以看出，收益率序列进行的ADF单位根检验所得到的ADF值均小于各序列的概率临界值，故样本序列全部为平稳序列。应用DW检验，本文对样本序列中是否存在自相关性进行检验。通过Eviews6.0计算得到各收益率序列的DW值如表3所示，从表3可以看出四个收益率序列的DW值均接近2，说明各对数收益率序列不存在自相关性。

（四）边缘分布的GARCH建模与拟合度检验 因为样本序列都是平稳的，且不存在自相关性，所以可以用GARCH模型对收益率序列进行建模。同时从描述性统计分析可知各个对数收益率序列的t特征比较明显，故取对数收益率序列进行GARCH（l，l）-t建模，模型如式（5）所示：

对各收益率序列进行建模和参数估计，参数估计采用极大似然法。其结果如表4所示。

检验GARCH（1，1）-t模型对收益率序列的拟合效果，对其进行Ljung-Box检验，其结果表明在5%的置信水平上收益率序列无自相关性的假设是可接受的。计算各收益率序列的残差序列，观察残差序列Q-Q图（如图1至图4所示）可以看出GARCH（1，1）-t模型可以较好地拟合各序列的边缘分布。

（五）基于C-Vine与D-Vine的收益率序列相关性比较分析 为了确定合适的变量顺序，对不同收益率序列的Pearson相关系数进行了比较，具体结果如表5所示。

本文选择了t-copula（具有对称尾部特点）、Clayton copula（具有下尾相关性）以及Joe-Clayton Copula（同时具有上尾、下尾相关性）等三种pair copula函数进行分析。

一是基于C-Vine的收益率序列相关性分析。根据表6中选择初始结点日经225，所以得到C-Vine的分解结构图，如图5所示。

根据图5的分解结构，利用极大似然法，计算可得到各层参数，见表6，其中1、2、3、4分别代表日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）。

应用PIT方法进行拟合优度检验，表7是检验统计量S在5%的置信水平下所得的P值。从表7中可以看出，Clayton Copula没有通过检验但是很接近临界值。

二是基于D-Vine模型的收益率序列相关性分析。采用D-Vine分解的方法首先要根据各变量间的相关性确定树T1的次序，由表5可得到树1变量的排序为日经225、新加坡海峡、香港恒生、上证综指。D-Vine的分解如图6所示。

根据图6的分解结构，利用极大似然法，计算可得各层参数，如表8所示。其中1、2、3、4分别代表日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）。应用PIT方法进行拟合优度检验，表9是检验统计量S在5%的置信水平下所得的P值。从表9中可以看出，不同的Copula函数拟合均通过检验。

三是基于C-Vine与D-Vine的收益率序列相关性比较分析。从表6和表8的参数估计可以得出，在C藤结构下用t-Copula描述变量间的相关性所得的自由度明显不同，其中日经225与新加坡海峡时报、日经225与香港恒生、日经225与上证综指的自由度均较小，说明它们联合分布的尾部很厚，序列间出现极值的概率较大。在条件分布的情况下，当以日经225作为条件时，新加坡海峡时报、香港恒生之间的自由度最大，说明它们之间出现极端值的概率最小；当将日经225和新加坡海峡时报同时作为条件时，自由度取得最大值，说明相关性最小。以上的分析基本与D藤结构下相同，唯一不同的是在C藤中当以日经225为条件时，新加坡海峡时报和上证综指之间的自由度为11.690648，说明它们之间的相关性较强，而在D藤中当以香港恒生作为条件时，新加坡海峡时报和上证综指之间的自由度为300，说明它们之间的相关性很弱，C藤所得结论与我国股市的开放程度还不高有一定出入。另外从对应的AIC值、BIC值也可以看出D藤下的分解结构模型对数据的描述更优。因此C藤结构不适合分析股市间这种没有绝对引导关系的相关性问题。

三、基于D-Vine的多元股市收益率序列尾部相关性分析

（一）尾数相关性分析 因为D藤模型对数据拟合效果更优，所以采用D藤参数值来分析各股市间的尾部相关性，从而为投资者提供投资参考。尾部相关性用来衡量当一个随机变量大幅度增加或者大幅度减少时，另一个随机变量也发生大幅度增加或者大幅度减少的概率。设二维随机变量（X，Y）的边际分布分别为Fx，Fy，其上尾相关系数？姿u和下尾相关系数？姿t定义如式（6）、式（7）所示：

从表10可以看出，采用t-Copula函数时，HIS和SSEC之间相关系数为0.047826，两股市之间的相关性远远低于N225和STI，STI和HIS，后两组股市相关系数分别为0.336015和0.322037，但从后两组股市相关系数的绝对值来看，其相关性远低于1，相关性不是太强。而条件相关系数结果均为0，所以不存在条件相关。因此，根据分析结果，同时对这四个股市投资可以分散风险。但由于尾部相关系数没有得到体现，所以在熊市或牛市的时候，投资决策很难做出。采用Clayton Copula函数时，HIS和SSEC之间的下尾相关系数为0.305930，两股市之间的下尾相关性远远低于N225和STI，STI和HIS，后两组股市下尾相关系数分别为0.637326和0.646258，而后两组下尾相关系数的绝对值均超过0.5，说明在熊市时，为了降低风险，不宜同时投资N225和STI，STI和HIS。采用Joe-Clay-

ton Copula函数时，在条件相关性分析结果中，上尾相关系数大于下尾相关系数，而且上尾相关性也极其微弱。在非条件相关性分析结果中，均呈现出下尾相关系数大于上尾相关系数，且N225和STI，STI和HIS两组股市收益变动相关性要大于HIS和SSEC，这和采用t-Copula函数以及Clayton Copula函数所得到的结果一致。说明为了降低风险，在股市波动不大的情况下宜于同时向四个股市投资；在熊市时，不宜采用N225和STI，STI和HIS，两种组合进行投资。

综上分析可以看出，运用D-Vine函数对多个股市收益相关性进行分析，得出的结果，特别是尾部相关系数与实际情况一致，因此选择D-Vine函数对多元股市收益相关性进行分析具有显著的适用性。

（二）相关结论 本文采用的AGARCH-C-Vine与AGARCH-

D-Vine模型度量资产组合风险，对日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）收益率序列的相关性进行实证比较研究，结果显示AGARCH-D-Vine的拟合效果较好。运用AGARCH-D-Vine对各收益率序列尾部相关性分析，在选择刻画上尾相关、下尾相关以及上下尾相关的不同的Copula情况下，得到了投资者一致的投资组合决策结果。

参考文献：

［1］Bauerle N， Muller A. Modelling and comparing dependencies in multivariate risk portfolios［J］. Astin Bulletin， 1998，28：59-76.

［2］Frees E W， Valdez E. Understanding relationships using copulas［J］. North American Actuarial Journal，1998，2：1-25.

［3］Klugman S A， Parsa R. Fitting bivariate loss distributions with copulas［J］. Insurance： Mathematics and Economics，1999，24：139-148.

［4］张维：《风险度量的主要模型及其评述》，《南京审计学院学报》2008年第3期。

［5］Rachev S，Mittnik S. Stable paretian models in finance［M］. New York： Wiley，2000.

［6］Fama E. Mandelbrot and the stable paretian hypothesis［J］. Journal of Business，1963，36： 420-429.

［7］Mittnik S， Rachev S.. Modeling asset returns with alternative stable models［J］. Econometric Reviews，1993，12： 261-330.

［8］Rachev S. Handbook of heavy tailed distributions in finance［M］. Elsevier： Amsterdam 2003：595-640.

［9］Rachev S， Menn C， Fabozzi F. Fat-tailed and skewed asset return distributions［M］. New Jersey： Wiley，2005.

［10］王天东、卢文渊：《新会计准则下我国上市公司债务重组影响因素研究》，《南京审计学院学报。2012年第1期。

［11］Embrechts P， Lindskog F， McNeil A. Modelling dependence with copulas and applications to risk management［M］//Rachev S. Handbook of heavy tailed distributions in finance. Elsevier： Amsterdam，2003.

［12］Embrechts P， Mcneil A J，Straumann D. Correlation and dependence in risk management： properties and pitfalls［M］//Dempster M. Risk management： value at risk and beyond. Cambridge：Cambridge University Press， 1999：176-223.

［13］秦学志、王玥：《尾部相关系数的渐进变化特征及其应用》，《系统工程理论与实践》2011年第2期。

［14］任仙玲、张世英：《基于Copula函数的金融市场尾部相关性分析》，《统计与信息论坛》2008年第6期。

［15］Bedford T J， Cooke R M. Monte Carlo simulation of vine dependent random variables for applications in uncertainty analysis［C］. Proceedings of ESREL2001， MECC， Maastricht， Netherlands.

［16］Bedford T， Cooke R M. Probability density decomposition for conditionally dependent random variables modeled by vines［J］. Annals of Mathematics and Artificial Intelligence，2001，32：245-268.

［17］Bedford T， Cooke R M. Vines：a new graphical model for dependent random variables［J］. Annals of Statistics，2002，30：1031-1068.

［18］Joe H. Families of m-variate distributions with given margins and m（m-1）/2 bivariate dependence parameters［R］. Ruschendorf L， Schweizer B， Taylor M D. Distributions with fixed marginals and related topics. 1996

［19］Kurowicka D， Cooke R M. Distribution-free continuous bayesian belief nets［C］. Fourth International Conference on Mathematical Methods in Reliability Methodology and Practice， Santa Fe， New Mexico，2004.

［20］Genest C， B， R′emillard， Beaudoin D O. Goodness-of-fit tests for copulas： a review and a power study［J］. Insurance： Mathematics and Economics，2009，44：199-213.

［21］Dickey D， Fuller W. Distribution of the estimators for autoregressive time series with a unit root［J］. Journal of the American Statistical Association， 1979， 74：427-431.

篇12

中图分类号：F830.9 文献标识码：A 文章编号：1672-3104（2013）06?0086?05

创业板市场是专门为成长性好、发展潜力大的高科技公司提供融资的平台，是我国多层次资本市场建设的重要组成部分。中小板市场是我国特有的，为满足中小企业发展需要而设立的过渡资本市场。相对于主板市场而言，创业板与中小板具有上市公司规模小、价格波动大、市场风险高等特点，且二者均为为中小企业融资服务的资本市场平台。

根据国务院“九条意见”①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，并与目前的创业板市场合并，最终建立正式的创业板市场。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，都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DCC-GARCH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。Engle[1]提出了DCC-GARCH模型，我国学者游家兴等人[2]基于DCC-GARCH模型对中国与亚洲、欧美7个股票市场的联动性进行分析，得到了自1991年至2008年间市场间联动性变化的动态过程，并得出了市场间联动性逐渐增加的结论；徐有俊等[3]基于DCC-GARCH模型，通过运用1997年1月至2009年3月的数据，研究了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其与国际发达市场，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取得了明显的进展。Patton[4]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间的相关关系；韦艳华、张世英[5]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相关的研究；Bart ram、Taylor & Wang[6]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、丁日佳[7]采用时变SJC-Copula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市场之间的相依关系。

从已有研究文献来看，DCC-GARCH模型和

Copula模型均能较好地刻画金融市场间的动态关系，但Copula模型效果要好于前者。目前，运用以上两模型对于创业板市场与中小板市场间的动态相关关系的研究文献鲜见，尤其是基于两方法的比较视角更是尚未看到，本文基于两方法比较视角对创业板市场与中小板市场间的动态相关性进行研究，对于厘清两市场间的关系，寻找测度市场间的相关性更适宜的方法都具有重要的现实意义。

一、相关理论与方法

（一） DCC-GARCH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：

Ht=DtRtDt （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，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：

（3）

其中：

（4）

（5）

将式子代入上面的式子便可求出动态相关系数。

（二） 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模型的重中之重，根据金融时间序列的波动特征和分布的“尖峰厚尾”性，选取GARCH-t模型来刻画两市场收益率的波动特征。

Rnt=μn+εnt， n=1， 2， …， T （6）

（7）

（8）

（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：表示标准正态分布函数的逆函数，ρ （）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（2001）提出了可以由一个类似于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，它是为了保证ρt始终处于（?1， 1）之间，，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。

二、实证分析

（一） 数据来源及解释

为研究创业板市场与中小板市场之间的动态关联性，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。

（二） 数据描述及处理

根据日收益率公式：

Rt=ln St?ln St?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，St?1为第t?1日的市场指数收益率。求得两市场指数日收益率的描述性统计表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。且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，在此基础上分析知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GARCH-t 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

（三） DCC-GARCH模型估计结果

现在利用DCC-GARCH模型估计两市场的动态相关性，运用winrats8.0得到两市场之间的动态相关系数序列的描述性统计量如表3。

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，表现出两市场相关性的波动较小，也从一定程度上表明两市场变化的一致性。

DCC-GARCH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关系有比较大的波动，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月份有一较大幅度的下跌，前一时间点大幅下跌的原因在于创业板指不久，样本股调整导致的结果，后两时间点大幅下跌的原因与2010年7月份创业板的解禁潮及2011年5月份的创业板高管大幅度减持有关。

（四） Copula函数估计结果

表4为常相关的二元正态Copula函数的参数估计结果。由表3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均具有较强的正相关关系，相关系数为0.882 11（见表4）。

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来考察两市场间的的动态相关关系，表5为参数估计的结果（见表5）。

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=0.135 43，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DCC-GARCH模型估计结果基本一致（见图2）。

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（见表6）。

表1 创业板及中小板市场指数日收益率基本统计量

样本 均值 中值 最大值 最小值 标准差 偏度

cybr ?0.000 583 0.001 076 0.065 948 ?0.078 435 0.019 930 ?0.403 484

zxbr ?0.000 221 0.000 791 0.049 282 ?0.065 047 0.015 953 ?0.375 436

样本 峰度 JB统计量 伴随概率P cybr zxbr

cybr 3.797 036 25.890 07 0.000 002 1.000 000 0.888 278

zxbr 3.603 655 18.680 16 0.000 088 0.888 278 1.000 000

表2 GARCH-t模型下两市场参数估计结果

参数 μ ω α β ν 对数似然值

cybr（399006） ?0.000 315 6 2.535 3×10?5 0.058 19 0.875 34 13.161 1 217.4

zxbr（399005） ?9.351×10?5 1.585×10?5 0.056 374 0.880 56 15.08 1 322.4

表3 DCC-GARCH模型下创业板市场与中小板市场收益率序列相关系数描述性统计量

样本 均值 中值 最大值 最小值 标准差 偏度 峰度 JB统计量 伴随概率P

cybr-zxbr 0.888 43 0.898 51 0.945 93 0.729 34 0.037 69 ?1.316 62 4.941 79 214.982 0.000 002

图1 DCC-GARCH模型下两市场间的动态相关系数走势

表4 常相关二元正态Copula函数的参数估计结果

样本 ρ 对数似然值

cybr-zxbr 0.882 11 ?363.61

表5 时变二元正态Copula函数的参数估计结果

样本 ωρ βρ αρ 对数似然值

cybr-zxbr ?1.731 3 0.135 43 5 ?364.87

图2 Copula模型下两市场间的时变相关系数走势

表6 Copula模型下创业板市场与

中小板市场收益率序列相关系数描述性统计量

样本 均值 中值 最大值 最小值 标准差

cybr-zxbr 0.885 4 0.885 0.924 3 0.863 2 0.010 25

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、DCC-GARCH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，时变相关系最大值为0.924 3，与DCC-GARCH模型估计的相关系最大值0.945 926也相差不大，但最小值0.863 2较DCC-GARCH模型估计的0.729 338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，DCC-GARCH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，说明两市场表现确实相差不大。

三、结论与建议

通过线性和非线性模型考察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：

（1） 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，DCC-GARCH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。

（2） DCC-GARCH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，但会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DCC-GARCH模型。

（3） 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指数收益较强的相关性和稳定性表明，两市场表现出较强的趋同性，这为中小企业上市和资产配置提供了有益建议，同时，也表明创业板市场与中小板市场合并将是必然趋势。

注释：

① 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》。

参考文献：

Engle R F. Dynamic conditional correlation simple class of Multivariate GARCH models [J].Journal of Business and Economic Statistics， 2002（20）： 339?350.

游家兴， 郑挺国. 中国与世界金融市场从分割走向整合――基于DCC-MGARCH模型的检验[J]. 数量经济技术经济研究， 2009（12）： 96?107.

徐有俊， 王小霞， 等. 中国股市与国际股市联动性分析――基于DCC-MGARCH模型研究[J]. 经济经纬， 2010（5）： 124? 128.

Patton A. Modeling time-varying exchange rate dependence using the conditional copula [Z]. Department of Economics， University of California， San Diego， 2001.

韦艳华， 张世英. Copula理论及其在金融分析上的应用[M]. 北京： 清华大学出版社， 2008（8）： 35?50.

Bartram S M， Taylor S J， Wang， Y H. The Euro and European financial market dependence [J]. Journal of Banking & Finance， 2007（31）： 1461?1481.

张自然， 丁日佳. 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， 2012（2）： 85?95.

高铁梅. 计量经济分析方法与建模： Eviews应用及实例[M]. 北京： 清华大学出版社， 2006（1）： 249?278.

金龙， 王正林. 精通MATLAB金融计算[M]. 北京： 电子工业出版社， 2009（6）： 254?257.

The Empirical Research of the Dynamic Correlation Between the Second Board Market And the Small and Medium-sized Board Market in China ――Based on Comparative Perspective of Different Methods

GENG Qingfeng

（Department of Public Economics and Finance， Minjiang University， Fuzhou 350108， China）

Abstract： The DCC-GARCH model can describe the linear dynamic correlation between financial markets， while the time-varying normal Copula model is mainly used for nonlinear dynamic correlation study between financial markets. This paper aims to study the dynamic correlation between the second board market and SME board market by building models to the return series of the two boards’ indexes and calculating dynamic correlation coefficient of the two markets on the basis of DCC-GARCH model and Copula model. The results show as as follows： ① there is positive correlation between the second board market and SME board market and the correlation is very strong； ② time-varying Copula model is better than constant correlation Copula model in describing the correlations among financial markets as it captures market return’s feature of time-varying； ③ except for a little time-points， dynamic correlation coefficient calculated on the basis of DCC-GARCH model is in a stable interval. Whereas， there are abnormal values in the dynamic correlation coefficients calculated on the basis of Copula model as a result of taking nonlinear factors into consideration. Hence the latter is better than the former.

Key Words： Growth Enterprise Market； Small and medium-sized market； Dynamic Correlation； DCC-GARCH Model； Copula model

篇13

中图分类号：F230 文献标识码：A

文章编号：1004-4914（2016）12-091-04

一、公允价值与会计信息质量特征的基本概念

2006年颁布的《企业会计准则――基本准则》第一次把公允价值的概念写入准则之中，但与之相关的具体规定分散在多项准则之中。公允价值在计量时应分为三个层次：第一层次是企业在计量日能获得相同资产或负债在活跃市场上报价的，以该报价为依据确定公允价值；第二层次是企业在计量日能获得类似资产或负债在活跃市场上的报价，或相同或类似资产或负债在非活跃市场上的报价的，以该报价为依据做必要调整确定公允价值；第三层次是企业无法获得相同或类似资产可比市场交易价格的，以其他反映市场参与者对资产或负债定价时所使用的参数为依据确定公允价值。

会计信息质量要求与公允价值密切相关的两个属性是相关性和可靠性，相关性要求企业提供与企业经营状况、财务报告相关的信息给投资者与决策使用者，能够帮助财务报告使用者作出评价或者预测。可靠性要求企业如实反映符合会计确认和计量要求的会计信息，保证会计信息真实、可靠、内容完整。公允价值能否达到会计信息的相关性和可靠性的要求，是公允价值能否在国内持续应用并发展的关键，必须对公允价值与会计信息质量特征间的关系进行研究，以推动公允价值计量的理论研究和会计制度对公允价值计量的规范与完善。

二、公允价值与会计信息质量特征的相关性实证研究

（一）选择模型

美国学者奥尔森在20世纪70、80年代提出投Y估值理论，90年代中期与Feltham合作，在已有的投资估值理论的基础上提出剩余收益定价模型，以“净盈余”为假设，以现金股利折现模型为基础，建立了股票价值与股东权益及未来盈余的关系，模型的表达形式如下：

PL=BVL+■EL■公式1

其中：

PL是L期末公司股票的价格；

BVL是（L-1，L）期间内公司股东权益的账面价值；

XL+i是L期剩余收益，r是基于无风险利率下的贴现率，通常认为短期国库券的利率就是无风险贴现率；

EL■是根据L时刻所得信息计算的剩余收益的期望值。

通过模型可以得出：股票的价值等于权益账面价值加上预期未来剩余收益的现值，模型把账面价值和股票基本价值联系起来。后来经过不断的研究与修改，模型完善为符合现实情况的价格模型，即：

PLt=α0+α1BVLt+α2ELt+ε公式2

其中：

PLt表示第L家公司公布第t年年度财务报告月份的月末股票收盘价；

BVLt表示第L家公司第t年年末的股东权益账面价值；

ELt表示第L家公司第t年的每股利润。

价格模型采用多元线性回归的方式，这个模型简单实用，综合反映了资产负债表和利润表里的股东权益和利润这两大信息，并且价格模型把企业会计信息和股票的价格联系起来，有利于分析公允价值与会计信息质量特征的关系，故采用价格模型（公式2）。

（二）选择样本

选取2006年至2008年沪深两市共631家上市公司作为样本公司，见表1。选择样本时以2006年的数据为基准数据，将2006年与2007年新会计准则实施以后的结果进行对比，另选择2008年的数据进行比较以保证准确性。将2006年、2007年和2008年样本观测值分别定义为样本A组、样本B组和样本C组。文中使用的上市公司财务报告数据和股票价格等数据都是从深沪两市证券交易所中的数据库选取出来，并采用Excel表格和SPSS15.0软件进行数据处理。

（三）提出研究假设

公允价值真的与决策有用观有密切联系？真的能通过公允价值提高会计信息的相关性，同时提高可靠性吗？为了进行分析，提出以下四点假设：

假设1：新会计准则采用公允价值计量属性可以显著提高会计信息与股票价格的可靠性与相关性；

假设2：在新会计准则的基础上，资产负债表中计入资本公积的公允价值变动净额与股票价格有显著的相关性；

假设3：在新会计准则的基础上，利润表中公允价值变动损益与股价有显著的相关性；

假设4：使用第一层次的公允价值比使用第二层次、第三层次的公允价值得到的会计信息的相关性和可靠性都要显著。

（四）变量定义

公司内在价值的最佳替代变量就是股票价格，故选择股票价格作为因变量，统一采用公司年报披露当月月末的股票收盘价。在价格模型中，公司内在的基本价值是股东权益的账面价值加上未来会计收益的价值，所以选择每股净资产和每股收益作为自变量。因变量和自变量列示如表2。

三、实证研究结果与分析

根据样本631家上市公司的数据运用Excel和Spss15.0分析，进行了样本的描述性统计、相关性分析和回归分析，分析结果如下。

（一）描述性统计

首先是三组样本的描述性统计结果。

通过观测样本组A，即2006年财务报告数据，因为本年使用旧的会计准则，利用历史成本属性计量，所以没有反映公允价值计量属性的信息。样本组B则是2007年的财务报告数据，本年开始采用公允价值反映财务信息，但本年公允价值对上市公司的影响程度较小，资产负债表中每股可供出售金融资产公允价值变动净额（BVnt2）仅占剔除每股可供出售金融资产公允价值变动净额后的每股净资产（BVnt1）的2.75%（0.0854÷3.1092），而利润表中每股未实现的公允价值变动损益（Ent21+Ent22+Ent23）平均占已实现的每股收益（Ent11）的比例为0.17%[（0.00087+0.000653-0.0001213）÷0.8437]。在未实现的公允价值变动损益中使用第一层次的公允价值所导致的未实现的公允价值变动损益（Ent21）则占了较大的比重，这个比重大于使用第二（Ent22）、第三层次（Ent23）的公允价值所产生的未实现的公允价值变动损益的比重。因此，公允价值计量产生的会计信息在整体的会计信息中占的比重是较小的，但使用第一层次的公允价值而得到的公允价值会计信息对投资者决策所产生的影响较第二第三层次要大。同理，观察样本C组，2008年的数据，BVnt2÷BVnt1=-0.0832÷2.3397=-3.56%，而（Ent21+Ent22+Ent23）÷Ent11=（0.000837+0.000765-0.0001429）÷0.7533=0.19%。Ent21>Ent22、Ent21>Ent23，Ent21显然也是最大的。

通过三组样本的观测，可以发现在资产负债表中计入资本公积的每股公允价值变动影响占公司其他资产每股账面净值的比重较低，利润表中每股未实现的公允价值变动损益占已实现的每股收益的比例也比较低，同时，使用第一层次的公允价值得到的公允价值变动损益在整个公允价值变动损益中占的比例却是十分显著重要的。这说明我国公允价值的初步引入是谨慎的，还没有大范围的扩展。而且大部分未实现的公允价值变动损益是由于使用第一层次的公允价值所导致的，使用第二、第三层次的公允价值时，产生的未实现公允价值变动损益占整体未实现公允价值变动损益的比重是很微弱的，主要原因是估值技术的不成熟。这就说明了假设中为什么使用第一层次的公允价值比使用第二层次、特别是第三层次的公允价值得到的会计信息的相关性和可靠性都要显著。

从股价数据来看，三组样本股价Pnt的标准差分别为3.4355、4.0137、4.5552），都较大，这说明股价的波动性较大，可能与股价受到多种因素的影响有关。2007年是新准则实施的第一年，主要是技术使用的原因影响了会计信息。而2008年产生的经济危机，主要从政治因素、经济因素和心理因素等方面影响了股票的价格。

（二）相关性分析

表4（见下页）是三个样本组的相关系数计算情况。

通过Pearson相关系数表，我们可以看出样本组A中每股净资产（BVnt）、每股利润（Ent）与股价（Pnt）的相关系数分别为0.343和0.102，且都在1%水平上显示着正相关。观测样本组B和样本组C，发现Pnt与BVnt2的相关系数为0.310和0.430，Pnt与Ent21的相关系数为-0.367和-0.486，Pnt与Ent22的相关系数为-0.235和-0.254，Pnt与Ent23的相关系数为-0.011和-0.022。从而得出，采用公允价值计量后，每股价格与每股可供出售金融资产是正相关的，而每股股价与交易性金融资产引起的每股公允价值变动损益是负相关的，并且每股股价与第一层次的公允价值会计信息的相关系数大于每股价格与第二、第三层次公允价值会计信息的相关系数。

对比2007年与2008年的样本数据，可以看出Pnt与BVnt2的相关系数从2007年到2008年是处于上升的趋势，Pnt与Ent21的相关系数、Pnt与Ent22的相关系数、Pnt与Ent23的相关系数是逐渐下降的趋势。这说明公允价值计量属性的应用在逐步提高会计信息的相关性，与此同时，第一层次的公允价值的使用也充分保证了会计信息的可靠性，只是第二、三层次的公允价值的使用并没有显着提高会计信息的相关性，所以可靠性也显得相对不足。

（三）回归结果分析

表5是三个样本的价值相关性回归分析。

通过上述表格我们可以看出在这三组样本中，无论是R还是F值，样本组C均要远远大于样本组A，且F值都在1%统计水平上显著，这表明，样本组A采用的还是旧会计准则的历史成本计量属性，而样本组B与样本组C都是采用新会计准则公允价值计量属性，因为计量属性的不同使得数据产生显著变化，财务会计数据与股票价格的相关性显著提高。这也就是说，新准则谨慎采用公允价值计量属性显著提高了会计信息的相关性水平，证明了公允价值计量属性的相关性比历史成本的相关性高，也支持了假设1的说法。但回归结果显示样本组A与样本组B并不存在明显差异，这说明2007年是新准则实施的第一年，企业对新准则的运用和掌握还不熟悉、不准确和不到位。

四、研究结论

根据上述实证结果分析提出的四个假设：

假设1是通过价值相关性回归结果分析，计算R值和F值进行实证研究，得出R和F值的抵刀荚谥鹉晏岣撸且都在1%统计水平上显著提高，这就表明会计数据与股票价格存在相关性，且相关性显著。而可靠性是指假定会计数据的获取和估值技术都是在可靠的前提下进行的，只有获取具有可靠性的数据，才能得出具有显著相关性的结论。故而采用公允价值计量属性可以显著提高会计信息与股票价格的可靠性与相关性。

假设2、假设3可以根据以下解释说明：

首先，从以上Pearson相关系数分析表中可以看到，每股可供出售金融资产公允价值变动净额与股价呈现正相关关系。从资产负债表中可以看出，可供出售金融资产属于公司的非流动资产，与交易性金融资产相比，企业持有可供出售金融资产，不是为了在短时间内获利，而是为了在较长的时间内获得稳妥的回报。所以在投资可供出售金融资产的时候，是非常谨慎的，这向投资者传递的信号是，企业选择可供出售金融资产进行投资，是有十足的把握获得预期回报的。另外，企业净资产的账面价值和内在价值的变动方向是一致的。综合分析，投资者会认为公司持有可供出售金融资产是一件利好消息。所以说，两者是正相关的关系，相关系数逐年上升，表明在具有可靠性数据的前提下，公允价值变动净额与股票价格具有显著相关性。

其次，同理可得每股公允价值变动损益与股价之间是负相关的关系。上市公司年报数据显示，公允价值变动损益的引发诱因主要有交易性金融资产、负债、衍生金融工具登，通过实证数据，其中交易性金融资产引起的公允价值变动损益占了很大的比重，其他项目引发比重很少。如，交易性金融资产，持有目的是短期内出售或者短期内回购，或者作为组合金融工具中的一部分。说明企业短期获利占的比重很大，即企业的利润来源于投机行为，这样投资者会认为管理层并没有关注核心竞争力的业务，所以，呈现负相关关系。同理表明，公允价值变动损益与股价存在显著相关性。

假设4，主要以描述性分析作为论证基础，从表中可以明显看出，三组分析数据中，使用交易性金融资产所占比重远比使用投资性房地产和其他衍生金融工具要高得多，即使用第一层次的公允价值比使用第二层次、特别是第三层次的公允价值得到的会计信息的相关性和可靠性都要显著。

通过本文实证性研究，表明公允价值计量属性的作用和范围在逐步扩大，主要原因在于公允价值计量属性与旧的历史成本计量属性相比，其本身就具有与会计信息相关和可靠的特征，对财务报告数据更具有深远意义。但公允价值计量属性的使用是分有层次的，所以当使用第三层次的公允价值时势必会影响会计信息质量的可靠性要求，但这是会计学本身固有的特点。目前公允价值的估值技术还不成熟，再加上会计从业人员的道德水平和素质并不高，因此对公允价值的可靠性势必也造成一定的影响。

五、结束语

2014年颁布了《企业会计准则第39号――公允价值计量》，对公允价值的计量、核算单独进行了规范，这对于公允价值的运用指导更加的全面与具体。今后对于公允价值运用，还应该从健全和完善市场机制、制定和完善相关法规制度、加强公允价值的理论和实务研究和提高从业人员的专业素质等方面加强对公允价值的运用，更好地掌握并自如地运用在工作中。

参考文献：

[1] 葛家澍.关于会计计量的新属性――公允价值[J].上海会计，2001（5）

[2] 谢诗芬，戴子礼.现值和公允价值会计：21世纪财务变革的重要前提[J].财经理论与实践，2005（5）

[3] 赵春光.双重财务报告模式下会计盈余的价值相关性――基于A股公司的实证研究及其政策建议[J].财经研究，2006（4）

[4] 张烨，胡倩.资产公允价值的信息含量及其计量――来自香港金融类上市公司的经验数据[J].证券市场导报，2007（12）

[5] 吕坤，李海宾.基于相关性与可靠性的公允价值计量分析[J].财会通讯，2008（2）

[6] 王淑静.公允价值计量属性与会计信息的相关性、可靠性关系研究.河北大学硕士论文，2012

[7] 杨金蕊.公允价值三个层级的相关性.会计师，2013（5）