刘 天
(东北财经大学 金融学院,辽宁 大连116025)
有经济学者认为,股市是经济发展的晴雨表,通过观察一个国家股市的情况,就可对这个国家的经济发展形势做出一个基本的判断。实际情况真的是这样吗?本文就此进行探讨。
关于这个话题,已有很多学者做出研究。白雪梅运用非线性平滑转换回归(STR)模型刻画了中国股市与经济增长的内在依从关系。研究结果表明:中国股市与经济增长的关系呈现分段特征,并存在线性与非线性关系间的转换[1]。王永巧和刘诗文利用时变Copula研究开放进程下中国大陆股市与国际主要股市间的风险传染问题。结果表明,在开放进程中,中国大陆股市与美国、英国以及日本股市一直保持微弱的下尾相依关系,而与香港股市间的下尾相依性则随开放程度增加在整体上呈显著上升趋势,而与国际股市的上尾相依性则一直保持较低的水平[2]。王正位、王思敏和朱武祥认为:转轨时期的中国资本市场存在严格证券发行管制与金融创新管制,给企业融资和资本结构带来了供给方约束,股票再融资管制政策的变更,是影响上市公司资本结构的重要因素,股票市场估值的市场时机并不是影响上市公司资本结构的显著因素[3]。徐建国研究发现:在更高的时间频率上,股票指数回报率在短期呈正自相关而在长期呈负自相关[4]。周晖认为中国股市是政府主导的制度创新和市场自身发展共同推动的新兴市场,对增长率的分析表明,我国股票市场已经逐渐成为经济发展的晴雨表[5]。张兵、范致镇和李心丹从经济基础假说和市场传染假说理论层面分析了股票市场联动的传导机制[6]。赵果庆和田存志以美国次贷危机以来的道琼斯、恒生和上海综合指数数据建立了中美两国三地股指的动力学系统模型。研究结果表明:三地股指系统具有非线性传导机制,有一个不动点吸引子,具有较高的同步性。可视化冲击实验显示,三地股指系统是一个受控系统,只有中美两国股市形成向上合力,就会产生同步效应,三地股指才能尽快走出低谷[7]。赵文胜、张屹山和赵杨利用VAR模型分析了短期国际资本流动对我国外汇市场、货币市场、股票市场和房地产市场的冲击响应及其剧烈程度,结果表明,短期国际资本流动对汇率和利率的反应适度,对股市的反应较弱[8]。
本文从数据建模诊断的角度,对这个问题进行分析。
通过数据建立模型来对经济现象进行分析时,我们对数据本身是做了很多严格的假设条件的,只有这些条件真正满足时,由此得到的模型及其以后基于此所做的推断才是可靠的。对于数据本身,我们经常假定数据是均匀同质的,即假定数据集中每一个点对建模的影响是基本相同的,每个点对建模都有影响,但都很微小,单独一个或若干个点不应该对模型的总体变化趋势产生决定性的影响。而在实际中,这个条件往往不能得到满足。一个数据集中,但经常会有那么一个或几个“不安分”的点,它们经常基于现有建模手段的“漏洞”来“兴风作浪”,它们就是数据集中的异常点、杠杆点及强影响点。
本文就是从这个角度,来寻找对建模有“不同寻常”影响的点,从而在数据集中发现这些“异动点”。那么,什么是异常点、杠杆点、强影响点呢?一般来讲,异常点是指那些与既定模型有较大偏离的数据点,杠杆点是指那些远离数据主体的点,强影响点是指对统计推断影响特别大的点。为了能检测出这些点,我们需要了解几个重要的诊断统计量,比如马氏距离、Cook距离、学生外残差、WK统计量、杠杆值。
下面以Resset金融研究数据库公布的2009年、2010年、2011年全球46个主要指数为样本,对其进行建模诊断分析。
我们以年收益率(nianshouyi)为响应变量,以平均日收盘价(rishoupanjia)、平 均日 收 益 率 (rishouyi)、交 易 天 数(tianshu)为自变量作回归,得到表1和表2。
表1 2011年完全数据下回归结果
表2 2011年完全数据各主要诊断统计量处于前五位的观测列表
由表2可知,第13号(巴基斯坦卡拉奇100)、第43号(埃及CMA)两个数据点在6个诊断统计量中皆将其诊断为异常,第19号(巴西BOVESPA)、第38号(以色列TA-100)两个数据点则被检测出5次异常,因此,将这些点作为重点怀疑对象,在原始数据集中,将这些点删除,再作回归,得到表3。
表3 2011年数据删除第13,19号等数据点后回归结果
对比表1和表3可知,复相关系数平方删除前为0.497 279,删除后为0.121 508,变化比较大。F统计量,删除前为13.848,删除后为1.752 0,变化比较显著。对于各回归系数显著性,删除前rishoupanjia的P=0.179 769,不显著,删除后为0.049 979,在0.05显著性水平下显著,删除前后变化很明显;删除前rishouyi的P=0.003 758,很显著,删除后为0.760 188,删除前很显著,删除后不显著,删除前后变化很大;删除前tianshu的P=0.000 662,很显著,删除后P=0.097 347,不显著,删除前后变化很大。关于自变量之间复共线性,删除前,条件指标η1=1,η2=1.561 10,η3=2.03 857,η4=33.402 53;删除后,η1=1,η2=1.64 630,η3=2.336 39,η4=146.595 25,删除前后η4变化很大,其余变化不显著,根据判定标准,若条件指标处于(0,100],则可以认为不存在复共线性,显然,删除后η4已超出范围,因此,删除前后自变量之间的复共线性变化很大。同时,方差膨胀因子VIF,删除前c11=1.008 87,c22=1.236 62,c33=1.246 11;删除后c11=1.044 89,c22=1.052 67,c33=1.027 48。删除前后c11,c22,c33没有明显变化。再看随机误差项之间是否存在序列自相关,删除前DW=1.576 815,半偏相关系数SC=0.203 751,根据序列相关的判定规则,在DW接近2,SC接近0时,可以认为不存在序列相关,可见,均不符合要求;删除后DW=1.205 633,SC=0.346 010,也不符合,因此,可以认为,删除前后,均存在序列自相关,没有变化。
接着,来分析随机误差项之间是否为方差齐性,我们观测残差之递减趋势概率图,删除前如图1所示,删除后如图2所示。
由图1和图2可知,删除前后两图均有明显的规律性变化趋势,即先是逐渐上升,到最高点后下降,然后又是一个上升下降过程,删除后又多一个上升过程。尽管两图基本上符合趋势线应与横坐标轴尽可能重合的要求,但对于散点图应具有随机性,不应具有明显的规律性的要求,两图均不符合,因此,删除前后均存在异方差,只是删除前后两者的变化还是有些不同。
关于随机误差项正态性的判断,由回归残差半正态概率图可知,删除前,随机误差项较好地符合正态性要求,删除后随机误差项与正态性要求则相差较大,因此,删除前后,随机误差项正态性变化较大。
综上所述,可知这些被怀疑为异常的点,对于回归系数的显著性、自变量之间的复共线性以及残差的正态性方面均有较大影响,确实对建模产生了比较大的影响,因此,可以判断这些点构成建模的强影响点。
根据相同的方法,将2010年和2009年的结果直接给出。
对于2010年和2009年数据,均将第18号(阿根廷Merval)、第42号(葡萄牙PSI120)、第43号(埃及CMA指数)诊断为异常点。
根据以上3年的诊断分析,均未检测出中国的3个指数第1号(上证指数)、第2号(深证成指)、第3号(沪深300)异常,这意味着中国的这3个指数是处于这46个指数所组成的数据集中的数据主体,从数据物理结构的角度看,中国股市并未表现出异常。
这个结论似乎与人们目前对中国股市的印象大相径庭,因为我们知道,近两年中国股市确实表现不佳,如表4所示。
表4 2011年、2010年、2009年46个指数的年涨跌幅及排名
(续表4)
由表4可知,2011年上证指数跌幅达22.899%,位居第38名,深证成指跌幅达29.853%,位居第42名,沪深300跌幅达26.458%,位居第41,在全部46个指数中全部垫底。2010年上证指数跌幅达13.431%,位居第44名,深证成指跌幅达7.943%,位居第41名,沪深300跌幅达11.512%,位居第43名,也是全部垫底,只是2009年比较好,全部进入前10名。而这与近3年中国经济状况是否相符呢?中国股市是否是中国经济形势的晴雨表呢?我们看表5。
表5 2011年、2010年、2009年经合组织GDP增长率数据
30 瑞士 1.9(22)2.71(22)-1.88(13)31 土耳其 8.5(2)8.95(3)-4.83(28)32 英国 0.7(33)1.35(31)-4.87(29)33 美国 1.7(24)3.03(20)-3.49(21)34 智利 5.9(6)5.19(9)-1.68(10)35 爱沙尼亚 7.6(3)3.11(19)-13.90(41)36 斯洛文尼亚 -0.2(37)1.21(35)-8.08(40)37 印度 7.2(4)10.09(2)6.77(2)38 南非 3.1(14)2.84(21)-1.68(10)39 印度尼西亚 6.5(5)6.11(6)4.58(3)40 俄罗斯 4.3(9)4.00(12)-7.80(39)_41 巴西 2.7(19)7.49(4)-0.64(9)
由表5可知,近3年中国在经合组织的41个成员国和非常成员国中GDP增长率牢牢占据第一的位置,这与中国股市的情况形成了鲜明的反差。那么该如何看待这一现象呢?
我们知道,中国股市已走过了近22年,在这个过程中,对于证券市场如何规范与发展,对于上市公司如何扶持与监管,对于投资者如何进行风险提示与教育,对于如何既要发挥金融行业服务实体经济的积极作用,又要注重防范金融风险,各个方面的专家学者一直以来都在进行着探讨与争论。
根据以上实证分析,均未检测出中国的3个股市指数异常,这意味着从数据物理结构的角度看,中国股市并未表现出异常。为了可靠起见,我们考虑是否会有“掩盖现象”(即强影响片中的个别点的影响可能被某些其余点的作用所掩盖,使得这些个别点在常规检测时并无异常表现,从而造成判断的遗漏)发生,为此,我们单独将中国的这3组数据主观地先假定其异常,然后将这3组数据从原始数据集中删除,再对剩余数据所组成的数据集作回归,观察回归后表征回归效果的各个指标与完全数据时的各个指标是否有较大的变化,经过严格检测,各个指标与完全数据集几乎没有差别,这完全符合本文开头部分所述观点,即单独一个或若干个点不应该对建模产生严重影响,如果符合这个条件,那么就可以认为,这一个或若干个点不是异常点。因此,可以断定,从数据本身物理结构的观点看,中国股市并未表现出异常。
政策建议归纳起来,可从以下三个方面进行总结。
首先,从监管层面来说,应从以下几方面加强:(1)健全发展金融市场的法律和公共政策,完善市场基础设施,使市场能够充分发挥作用,逐步摆脱行政管制的影响,代之以相应的市场约束机制;(2)建立对金融风险的早期识别、预警和处置机制,以防范系统性金融风险、维护经济金融安全;(3)制定信息披露的规则并监督执行,使投资者有足够真实及时的信息以识别风险;(4)建立和完善信用体系,对违法违规者加大打击力度;(5)继续降低各种交易费用,提振股市信心,加强保护中小投资者的各种措施。
其次,从上市公司和中介机构方面来讲,应该做好以下工作:(1)完善公司的治理结构,树立长期发展的理念;(2)把主要精力放在提高业务质量和为客户服务上;(3)严格履行上市公司的各项承诺,本着对股东负责的精神,注重股东的利益诉求。
最后,从广大投资者特别是中小投资者方面来说,要树立风险意识,提高自己的甄别能力,树立理性投资的观念,根据自己的实际情况,量力而行,适可而止。
中国现在已是世界第二大经济体,中国股市为中国经济的发展做出了重要贡献,中国股市的发展和完善不是一蹴而就的,判断股市发展也要综合考虑,既要参考发达国家股市的一般规律,更要考虑中国的现实国情,中国股市具有新兴加转轨的特征,这一情况还将持续一个时期。相信有中国经济的强大基础和发展后劲,中国股市的前景一定是非常光明的。
[1]白雪梅.中国股市与经济增长的非线性依从关系研究[J].统计研究,2010(6):40-45.
[2]王永巧,刘诗文.基于时变Copula的金融开放与风险传染[J].系统工程理论与实践,2011(4):778-784.
[3]王正位,王思敏,朱武祥.股票市场融资管制与公司最优资本结构[J].管理世界,2011(2):40-47.
[4]徐建国.中国 A股指数的过度波动[J].金融研究,2010(8):94-111.
[5]周晖.货币政策股票资产价格与经济增长[J].金融研究,2010(2):91-101.
[6]张兵,范至镇,李心丹.中美股票市场的联动性研究[J].经济研究,2010(11):141-151.
[7]赵果庆,田存志.中美两国三地股指的同步性与传导机制——基于次贷危机以来道琼斯、恒生和上海综合指数日 数 据 [J].系 统 过 程 理 论 与 实 践,2011(6):1029-1038.
[8]赵文胜,张屹山,赵杨.短期国际资本流动对中国市场变化的反应分析[J].数量经济技术经济研究,2011(3):104-117.