我国上市公司ROE预测研究(下)

　　（上接2011年第30期118页）
　　同理，CVCS模型相对于ROE模型来说，其预测误差绝对值的均值减少0.0000289（P<0.05）；CASHFLOW模型相对于ROE模型其预测误差绝对值的均值增加0.0004073（P<0.001）。其他两两模型间误差绝对值的均值关系比较类同。因此，配对检验结果证实了相对总括ROE模型而言，将总括盈余按修正的ROE模型、成本性态的CVCS模型以及OPINC模型进行分解提高或者说改进了预测ROE的准确程度。但是，将总括盈余分解为现金流量与应计利润并没有改进预测ROE的能力。
　　（3）时间序列预测模型误差绝对值中位数与均值的绝对精确程度与相对精确程度计算
　　为了评价五个时间序列预测模型对盈余分解后提高预测程度，我们分别计算预测准确度较高模型相对于预测准确度最低模型的预测误差绝对值中位数和均值的提高的绝对精确值和相对精确值。我们在计算预测误差绝对值中位数的绝对值时是以预测效果最差的模型为标杆，将预测效果最差的模型预测误差的绝对精确值的中位数与其他预测效果较好的模型的预测误差的绝对值的中位数分别相减便得到各个预测效果较好模型相对于预测效果最差模型预测误差的绝对值的中位数提高的绝对精确值。例如，在计算各模型预测误差绝对值的中位数提高绝对准确值时，我们以预测效果最差的CASHFLOW模型作为标杆，将标杆模型的误差绝对值的中位数与其他预测效果较好的模型的中位数相减，分别计算出预测误差绝对值的中位数提高的绝对精确值，如CVCS模型提高的绝对精确值为.021378－.0212232＝ .0001548。我们在计算预测误差绝对值中位数的相对精确值时是将预测效果最差模型的绝对值的中位与预测效果最好模型的绝对值的中位数之差作为100％，即用预测效果最好模型提高的绝对精确值除以其本身。其他预测模型的相对精确值分别用该模型所得到的绝对精确值除以预测效果最好模型提高的绝对精确值。例如，CVCS模型相对于修正ROE模型提高的相对精确程度为.0001548/.0029941＝5.17％。同理，预测误差绝对值均值的绝对准确程度和相对准确程度的计算原理和方法同上述预测误差绝对值中位数的原理和计算方法相同。我们并没有以简单模型为标杆计算复杂模型相对简单模型的预测误差绝对值的减少百分比。当然，以简单模型为标杆更直观地反映依据复杂模型分解盈余相对于简单的基本ROE模型的预测盈余以及盈余派生指标ROE的预测准确程度。但是，以预测误差绝对值最大为标杆也能较好地反映复杂模型相对于基本ROE模型的预测改进能力的绝对程度和相对程度。因为，我们可以将排在基本ROE模型之前的复杂模型认定为其预测能力改进程度较基本的ROE模型差。我们的计算是通过手工完成的。
　　从描述性统计报告中我们可知，CASHFLOW模型的预测误差绝对值最大，因此，我们以CASHFLOW模型的预测误差的绝对值为标杆，分别计算其他四个时间序列模型相对于CASHFLOW模型的预测误差绝对值减少的百分比。其他四个时间序列模型同CASHFLOW模型间特定的预测误差准确度反映了与CASHFLOW模型间存在的总量 “信息沟”。CVCS模型相对于CASHFLOW模型的预测误差绝对值的中位数提高了5.17；OPINC模型相对于CASHFLOW模型的预测误差绝对值的中位数提高了6.39；ROE模型相对于CASHFLOW模型的预测误差绝对值的中位数提高了16.29。同理，对于预测误差绝对值均值的提高的绝对程度和相对程度是，ROE模型相对于CASHFLOW模型的预测误差绝对值的中位数提高了12.16； CVCS模型相对于CASHFLOW模型的预测误差绝对值的中位数提高了13.03；OPINC模型相对于CASHFLOW模型的预测误差绝对值的中位数提高了23.46。其结果计算如表7、表8所示。
　　4、时间序列预测模型预测能力实证检验结论
　　我们分别从运用4年时间窗口的行业水平下随机系数回归分析、模型预测误差绝对值的中位数和均值的描述性统计、模型预测误差绝对值中位数和均值的配对比较、计算模型预测能力改进的绝对准确程度和相对准确程度等四个角度来研究五个时间序列模型预测能力时，即预测准确能力。所有的分析结果均严格一致地表明：在预测未来一期ROE方面，与忽视盈余组成部分特征的基本ROE模型相比，将会计盈余按滞后期盈余、滞后期盈余盈亏符号为哑变量，以及滞后期盈余、滞后期盈余盈亏符号为哑变量之间乘积等三个变量对盈余进行分解所得到的修正ROE模型始终能提供增量的预测含量，即该模型的预测能力最好。同时，我们还发现，运用现金流量和应计利润对对总括盈余进行分解的CASHFLOW模型预测其预测能力一直最差。这两个模型预测效果始终保持严格的一致性。我们从以上四个检验结果中不难发现，修正的ROE模型在4年期行业水平下的随机系数回归的调整后的平均R2最大；修正ROE模型预测误差绝对值的中位数和均值的描述在五个时间序列预测模型中均最小；修正的ROE模型在模型预测误差绝对值中位数和均值的配对比较中相对其他预测模型均减少；模型预测能力改进的绝对准确程度和相对准确程度均最大；相反，CASHFLOW模型在以上四个方面的检验结果均一致地表明其预测能力最差；ROE模型、CVCS模型、OPINC模型的预测能力介于CASGFLOW模型与修正的ROE模型之间，但是这三个模型的预测能力的排序不具有严格的一致性。CVCS模型和OPINC模型从在4年期行业水平下随机系数回归分析的调整后的平均R2方面、预测误差的绝对值的均值方面、模型间的预测误差的绝对值配对检验方面、标准差的描述性统计等四个方面均表明优于基本的ROE模型，只是在预测误差中位数数方面没有表现出优于ROE模型。因此，修正的ROE模型的预测能力最强，其次是OPINC模型，再次是CVCS模型、基本的ROE模型，最后是CASHFLOW模型。
　　同时，五个时间序列模型预测能力四个角度的检验结果还表明，相对于简单ROE模型而言，利用修正的ROE模型、CVCS模型、OPINC模型对扣除非常项目后的净利润（扣除非常项目后的总括盈余）分解进行盈余以及其派生指标的预测能够提供增量的信息含量。但是利用CASHFLOW模型对扣除非常项目后的净利润分解进行盈余以及其派生指标的预测并不能提供增量的信息含量。
　　四、时间序列模型信息含量检验－与股票异常收益相关性检验
　　（一）时间序列模型信息含量检验－与股票异常收益相关性总述
　　在前面的一部分中，我们主要通过比较五个时间序列模型来研究它们预测的准确性。资本市场研究领域中度量盈余预测模型优劣程度的另一个被广泛运用的标准是评价盈余预测误差（例如，取决于模型的未预期到的盈余或者说是意外的盈余）与当期的股票收益之间的相关性（Fried和Givoly，1982；Brown等，1987；O’Brien，1988）。这个度量标准反映了盈余预测模型捕捉投资者的盈余预期的信息（或者说是信息含量）的能力。我们同样假定中国的资本市场的盈余预测具有信息有效性，即中国资本市场是有效的市场。如果所选择定的模型对市场的期望的模拟越接近，那么该模型所报告的未能观察到的市场期望就越小，从而该模型的噪音也就越小。因此，我们希望能得到来自于该模型的预测误差与当期的股票异常收益率之间的相关性就越高（Foster，1977）。因此，时间序列预测模型的预测误差与当期的股票异常收益率之间相关性程度提供了一个度量五个可供选择的时间序列模型的相对信息含量强弱的尺度。
　　
　　早期的研究发现，具有更高准确度的预测模型未必在相关性程度上更强（Hughes和Ricks，1987；O’Brien，1988）。因此，我们评价五个时间序列预测模型的预测能力的优劣程度是通过评价每个模型的预测误差与当期的投票异常收益率之间的相关性程度，并且相互比较五个时间序列模型之间的联系。同样，我们也遵从Dechow（1994）以Vuong（1989）所提出的似然比检验法来评价模型的相对信息含量。
　　总之，我们拟用三种方法评价五个时间序列预测模型，即首先，我们检验股票异常收益率与每个时间序列预测模型预测的预测误差之间相关性，在检验相关性方面，我们又分别作了Spearman和Pearson相关性分析。其次，进行年度截面回归，然后以所有的样本建立Pooled模型。每个模型在各个估计期间都有拟合系数（调整后的R2），它表示每个时间序列预测模型的预测误差对股票异常收益率的解释程度。但是，简单地比较模型的拟合系数，无法提供统计上可靠的证据表明哪个模型的解释能力更强。为了在统计上比较各个模型的解释能力，Bowen等（1986）和Murdoch、Krause（1989）使用弗里德曼秩检验（Friedman'sTestofRanks）。但是，本研究采用的是横截面预测模型，而非单个公司的时间序列模型，所以弗里德曼秩检验是不恰当的。本文要比较的是一个相互竞争模型的预测能力，而且假定没有优劣之分；Vuong（1989）提供了一种似然比检验，并且没有假定某个模型更接近于“真实的数据产生过程”；从直觉上看，Vuong检验能够告诉我们哪个模型具有相对更好的解释能力，并且，当各个模型之间都可能相互存在增量解释能力时，Vuong检验也能够辨别模型的预测能力的优劣。运用Vuong（1989）似然比检验所构建的Z统计量的优势在于，在没有假定某一个模型更具有解释能力的时候，它能提供关于两个互具竞争性的模型中那一个模型更接近能代表真实数据（实际数据）的模型的直接推断。因此，本研究使用Vuong检验。如果模型1与模型2相比较（模型1 vs. 模型2），Vuong检验所构建的Z统计量如果显著为正，那么模型1预测能力更强；Z统计量如果显著为负，那么模型2预测能力更强；否则就无法区分模型1与2预测能力的强弱。因此，最后，我们运用Vuong似然比检验所构建的Z统计量来决择模型的优劣。
　　
　　上述五个公式里的RET是当期年度的股票累计异常收益率。为了确定事件窗口的股票累计异常收益率，就必须确定事件窗口的大小及其股票累计异常收益率的计量。我们选择年度事件窗口。与Fan和Wong（2002）一致，本文采用市场调整模型计算累计异常收益率，即股票实际的月收益率减去对应的市场收益率，再进行年度累计，其中累计窗口与会计年度相对应，我们采用前一年5月份到当年4月份为累计窗口。FEtROE、FEtOPINC、FEtCASHFLOW、FEtCVCS、FEtLROE分别表示建立在时间序列预测模型ROE模型、OPINC模型、CASHFLOW模型、CVCS模型和修正的ROE模型的预测误差。
　　（二）数据来源
　　同样，我们的数据来源于国泰安数据库。如前方所述，每个时间序列预测模型的预测误差是通过每个时间序列预测模型对未来一期的预测与该期的实际值之间差得到，RET是股票实际市场收益率与该上市公司个股收益率之差得到。在筛选数据时，我们剔除了12月31日没有RET观察值的个股；剔除了公司年度的股票异常收益率的观察值的绝对值超过1的观察值；我们还剔除了每个预测模型预测误差大于99％和小于1％的极端值。我们最终的样本一共得到来自2005-2006年505家上市公司的550个观察值。我们运用Stata10.0统计软件检验。
　　（三）Pearson与spearman检验
　　表9报告了时间序列预测模型的预测误差与股票异常收益率之间的相关系数。Pearson（Spearman）相关性在对角线的上方（下方）。通过表9我们不难发现，我们所研究的五个时间序列预测模型中，修正的ROE模型的预测误差与股票的异常收益的相关性是最高的，它们分别为Pearson ρ＝-0.2246，Spearman ρ＝-0.2607。CASHFLOW模型预测误差与股票的异常收益的相关性是最低的，它们分别为Pearson ρ＝-0.1968，Spearman ρ＝-0.2332。其他模型预测误差与股票的异常收益的相关性介于CASHFLOW模型与修正ROE模型之间。另外，这五个时间序列模型所产生的误差与股票异常收益都具有高度相关性，因为它们具有相似的信息集合为基础的——都是通过财务报表得到的财务信息。同样，在这五个时间序列模型中，修正的ROE模型和CVCS模型实质上具有相似一致的相关性，因为这两个时间序列模型研究盈余质量和盈余的持续盈利能力时，分别考虑了滞后年度的盈余是否大于零和认为收入是创造盈余的关键驱动因素。当然，如果有分析师预测数据的话，因为他们预测时不仅考虑了上市公司财务信息，而且考虑到了非财务方面的信息，所以，对于分析师的预测可能会比五个时间序列模型更准确，其预测的误差与股票的异常收益更相关，但是由于缺乏财务分析师预测数据，我们无法提供财务分析师预测结果的相关检验。同样，由于缺乏所得税数据，我们也无法提供我们所提出模型的相关检验。
　　（四）股票异常收益与模型预测误差回归分析
　　我们对有关当期股票异常收益及五个ROE预测模型的预测误差的2005-2006年全样本数据（550个观察值）作了一个描述性统计，统计结果如表10所示。同期股票异常收益的中位数（均值）为.4561006（.4623407）；其他关系类同。
　　表11报告了股票异常收益与建立在五个时间序列预测模型对ROE的预测误差之间关系的简单回归结果。从表11中我们发现，最高的调整后R2为0.0487，它是股票异常收益对建立在修正的ROE模型的预测误差的回归结果；最低的调整后R2为0.0370，它是股票异常收益对建立在CASHFLOW模型的预测误差的回归结果；股票异常收益对其他预测模型的预测误差的简单纯线性回归结果的调整后R2分别为：ROE模型的调整后R2为0.0389，OPINC模型的调整后R2为0.0415，CVCS模型的调整后R2为0.0426。
　　当期股票异常收益对各模型预测误差的简单地回归结果表明：调整后R2结果印证了同期的股票异常收益对各模型预测误差之间相关性检验结果。即修正的ROE模型相关性始终最好，CASHFLOW模型相关性始终最差。其他模型的相关性介于修正ROE模型与CASHFLOW模型之间。这一结果，也印证了前一部分各检验模型预测ROE的预测能力。
　　（五）模型决择Vuong的Z统计值检验
　　表12报告的结果建立在配对样本比较的基础上。配对样本比较的结果表明，修正的ROE预测模型的相对信息含量大于其他任何一个预测模型。在五个时间序列预测模型中，我们可以发现，修正的ROE模型拒绝了与其相比较的所有其他四个时间序列预测模型，与ROE模型相比的Vuong检验的Z分值为1.0561（P＝0.2909），与CVCS模型相比的Vuong检验的Z分值为0.6019（P＝0.5473），与OPINC模型相比的Vuong检验的Z分值为1.2449（P＝0.2132），与CASHFLOW模型相比的Vuong检验的Z分值为0.7292（P＝0.4659），所有的配对比较都接受修正的ROE模型。总之，这些结果都一致地表明，修正的ROE模型在度量市场的盈余预测时比其他四个时间序列预测模型更具有相对信息含量，虽然Vuong检验结果的P值并不显著，但不影响说明问题。
　　
　　我们的Vuong检验结果与Pearson与spearman检验、股票异常收益率对误差的简单回归结果始终相一致。即Vuong检验结果再一次印证了修正ROE模型相对于其他预测模型最具有相关性，即：更具有信息含量；CASHFLOW模型的信息含量最差；其他预测模型如ROE模型、CVCS模型、OPINC模型的信息含量介于CASHFLOW模型与修正的ROE模型之间。
　　（六）时间序列预测模型信息含量结论
　　本章我们研究了五个时间序列预测模型对扣除非常项目后的净盈余结构的信息含量问题。我们从当期股票异常收益与五个时间序列预测模型预测误差之间相关性、当期股票异常收益对五个时间序列预测模型预测误差简单回归的调整后值、Vuong检验的Z分值等三个角度分别研究了五个时间序列模型的信息含量。这三个角度的检验结果均严格一致地表明，利用修正的ROE模型对扣除非常项目后的净利润进行分解来预测未来期间的扣除非常项目后的盈余及其派生指标最具有信息含量；而利用CASHFLOW模型对扣除非常项目后的净利润进行分解来预测未来期间的扣除非常项目后的盈余及其派生指标最不具有信息含量；其他模型如ROE模型、CVCS模型、OPINC模型对扣除非常项目后的净利润进行分解来预测未来期间的扣除非常项目后的盈余及其派生指标的信息含量介于CASHFLOW模型与修正的ROE模型之间。这种结果在以上三种检验中保持严格一致。因此，我们可以认为，对于我国资本市场下预测扣除非常项目后的净盈余及其派生指标的信息含量的研究，我们可以选择修正的ROE模型进行研究，因为该模型包含信息含量最丰富。
　　五、研究结论、局限性与展望
　　比较扣除非经常性损益后的净利润的五个时间序列ROE预测模型在预测能力与信息含量两部分前后严格一致的结论和包括非经常性损益净利润的五个时间序列ROE预测模型的预测能力及其信息含量实证结论，我们不难发现，我国证券监督委员会制定了《公开发行证券公司信息披露编报规则第9号——净资产收益率和每股收益的计算及披露》及其《公开发行证券的公司信息披露规范问答第1号——非经常性损益》达到了真实、准确反映上市公司盈利能力，客观评价公司的盈利水平；为进一步规范上市公司信息披露行为，提高上市公司财务信息披露的质量，保护投资者的合法权益；为准确考核上市公司、拟发行上市公司的盈利能力。
　　在本文中，我们研究了五个时间序列预测模型对扣除非常项目后的净盈余结构ROE的预测能力及其信息含量。其中，时间序列预测模型的ROE预测能力方面：修正的ROE模型的预测能力最强；CASHFLOW模型的预测能力最差；相对于简单ROE模型而言，CVCS模型、OPINC模型对扣除非常项目后的净利润（扣除非常项目后的总括盈余）分解进行盈余以及其派生指标的预测能够提供增量能力信息。时间序列预测模型的相关信息含量方面：利用修正的ROE模型对扣除非常项目后的净利润进行分解来预测未来期间的扣除非常项目后的盈余及其派生指标最具有信息含量；而利用CASHFLOW模型对扣除非常项目后的净利润进行分解来预测未来期间的扣除非常项目后的盈余及其派生指标最不具有信息含量；其他模型如ROE模型、CVCS模型、OPINC模型对扣除非常项目后的净利润进行分解来预测未来期间的扣除非常项目后的盈余及其派生指标的信息含量介于CASHFLOW模型与修正的ROE模型之间。综合时间序列预测模型在ROE的预测能力与信息含量两方面的结论，我们可以得出如下结论：时间序列预测模型中，修正ROE模型效果最优；CASHFLOW模型效果最差。CVCS模型、OPINC模型与基本ROE模型效果介于CASHFLOW模型与修正ROE模型之间。
　　由于我们资本市场发展较晚，导致我们所研究样本数据区间较短，这可能导致我们结论稳健。我们假定我国资本市场具有市场效率，但我们资本市场效率并不象美国等发达国家资本市场那样能捕捉到与未来盈余有关的信息含量。另外，与国外学者研究者对时间序列预测模型所考虑的的局限性相同，我们的研究还存在如下局限性问题，但同时也是会计学者的未来研究领域。
　　我们的研究对于未来的研究领域提出了几个饶有兴趣的问题。我们的相关分析是建立在市场效率的基础之上的，我们没有证实证券市场能否完全捕捉到与预测未来盈余有相关的成本弹性与成本刚性的信息含量。虽然成本弹性通常是一个很好理解的概念，但是直到目前为止，对于成本刚性的证据还不是很多，对于成本刚性的理解也比较困难。长窗口时间期内投资者对有关未来盈余的成本刚性反映的理性预期的程度大小仍然是一个未解的问题。
　　我们只仅仅考虑利润表数据的极少变量的模型。未来的研究领域包括对我们的模型的变量进行拓展，可以包括另外一些影响投资者对盈余预测的变量，如有关新产品的引入或是工厂的关闭等变量。另外，为了发挥对评价过程的更好理解，我们构建刚性成本性态的方法希望可以提供进一步考虑应计利润金额和相关资产负债表项目影响。
　　我们的研究证实了简单的成本弹性与成本刚性模型对未来盈利能力的分析具有预测信息含量。因此，这种成本性态模型构成了一些管理会计系统对预算和差异分析的基础，这些证明对于验证支持他们模型设计的基本假设和指明了为了提高他们的设计包括成本刚性性态的重要性是很重要的。通过强调预测盈余时理解成本性态的重要性，我们的研究内容为丰富未来研究，为整合管理会计与财务会计的不同领域的研究创造了条件。
　　参考文献：
　　1、