中国股市可预测性的稳健性检验

摘   要：本文利用2006年3月到2017年9月的数据，使用IVX-WALD方法研究了中国股市的可预测性，研究发现：（1）股息率、通货膨胀率、M2未预期增长率和资金成本相关的到期收益率变量对未来股票超额收益率具有预测能力;（2）样本外的检验发现股息率、股票方差和第一主成分相比历史均值模型具有更强的预测效果;（3）熊市中，包含预测变量的预测模型能够提高经济意义上的表现，而牛市中预测模型具有更好的统计检验效果;（4）包含情绪信息的指标在牛市中具有更好的预测能力。

关键词：股市可预测性;稳健性;股息率;情绪指标

中图分类号：F832.5   文献标识码：A  文章编号：1674-2265（2018）12-0003-07

DOI：10.19647/j.cnki.37-1462/f.2018.12.001

一、引言

资本市场的可预测性一直都是金融学最关心的话题之一。传统的金融学认为资本市场的回报率是不可预测的，但越来越多的研究发现股票市场存在着可预测性，并开始受到广泛的关注和认可，Cochrane（1999）甚至將市场收益率的可预测性称为金融学中“新的事实”（New facts）。可预测性的研究对于金融学理论的发展以及实务界的投资决策均有着至关重要的作用：Cochrane（2008）认为可预测性的存在会使得所有基于股票市场随机游走假设的结果得到修改;Ferson等（2008）指出通过预测回归发现的对股票市场有预测性的变量在条件定价模型中会起到作用;Campbell和Thompson（2008）通过实际数据发现即便微弱的预测效果也可以提高资产配置的效果。

尽管可预测性的研究具有十分重要的金融理论意义以及实务投资的指导意义，然而目前相关研究主要集中于美国等发达国家的市场，仅姜富伟等人（2011）对中国市场进行了相关的检验，但考虑到以下几点，我们认为仍有必要重新对中国的股票市场进行可预测性检验：首先，由于预测变量的高度自相关性，传统方法不再有效，需要采用更加稳健有效的检验方法，来得到更加可靠的结论;其次，由于可预测性研究的逐步深入，近些年有越来越多的在国际市场具有可预测性的变量被发现，这些变量在中国是否具有可预测性还有待进一步验证，例如Neely等（2014）发现技术指标对宏观变量的可预测性具有互补的效果;另外，越来越多的研究发现股票市场的可预测性主要来自股市下跌过程（Henkel等，2011;Dangl和Halling，2012），在中国市场是否有同样的情形也需要进一步检验。

二、文献综述

可预测性的研究主要分为三个方向，其中第一个研究方向是从金融学理论的角度去探究股票市场可预测性的原因。Campbell和Shiller（1988）从收益率的计算公式出发，对其进行泰勒展开等变换，发现股息价格比对未来的股票收益率以及股息增长率具有预测作用，并通过实证检验发现股息价格比对未来收益率具有预测作用。Rapach等（2013）发现美国滞后一期的收益率对于其他发达国家的股票收益率具有显著的预测效果，认为美国处于信息的中心，由于信息摩擦使得美国资本市场能够率先对新信息进行反映。Bollerslev等（2015）通过将方差风险溢价分解为代表经济不确定性风险和代表恐慌的尾部跳跃风险，发现方差风险溢价对市场的可预测性主要来自代表恐慌的尾部跳跃风险，为行为金融学理论提供了新的依据。关于可预测性更多的解释以及可能涉及的金融学理论，Corhrane（2011）在2010年美国金融协会的主席演讲中列出了可能的原因，例如基于宏观经济的理论、行为金融学理论以及信息摩擦理论等。

可预测性研究的第二个方向是统计方法，由于股息价格比等预测变量通常具有高度自相关，表现出接近单位根过程或者单位根过程的特征，而收益率通常被认为是接近白噪声的过程，传统的回归方法在进行可预测性的检验时会出现内生性导致的虚假回归情况，导致估计有偏和传统检验方法失效（Elliott和Stock，1994;Cavanagh等，1995;Stambaugh，1999）。Campbell和Yogo（2006）（简记为CY）提出的Bonferroni方法得到了广泛的应用，但其仍然面临很多问题，例如Phillips（2014）指出当预测变量平稳时，该方法会出现严重的显著性水平失真问题，另外该方法只适用于一维情形。Kostakis等（2015）通过类似于构造工具变量的方法提出了IVX-WALD的方法，该方法不仅适用于多维情形，并且无论预测变量服从何种过程，该方法均表现稳健有效。但Phillips（2014）则提出该方法对于参数选择敏感。

可预测性的第三个研究方向为实证研究，由于可预测性对于金融理论和投资实务均具有十分重要的作用，关于可预测性的实证研究也在各个市场展开，但主要集中在美国等发达国家（Campbell和Thompson，2008;Welch和Goyal，2008;Rapch等，2013）。发展中国家的相关研究也正逐步展开，例如Narayan和Bannigidadmath（2015）发现印度的资本市场具有可预测性。在中国市场的可预测性检验方面，姜富伟等（2011）采用了传统的方法同样发现了可预测性。

三、数据描述

本文数据来源于万得数据库，关于样本区间的选择，李志冰等（2017）通过五因子模型发现股改后市场更加有效;另外，在2006年之后有更多的预测变量供我们选择，例如与企业债相关的信用利差（Campbell和Thompson，2008），因此为了使数据更加有效，更能反映股权分置改革之后的情形，以及加入更多的预测变量，将时间区间选为2006年3月至2017年9月。

关于股票市场收益率的选择，根据Campbell和Shiller（1988）的推导公式以及国际上常用的方法（Welch和Goyal，2008），选择沪深300全收益（万得对应代码为H00300.CSI）的超额收益率作为数据库中研究对象，其中无风险收益率选取了银行三个月的定期存款利率。

预测变量选择了姜富伟等（2011）选取的12个变量以及其他国际市场上发现的具有预测能力的变量。姜富伟等（2011）中的变量包含股利支付率（DE）、股利价格比（DP）、股息率（DY）、盈余价格比（EP）、账面市值比（BM）、股票方差（SVAR）、净权益增加（NTIS）、换手率（TO）、通货膨胀率（Infl）、M0未预期增长率（M0G）、M1未预期增长率（M1G）以及M2未预期增长率（M2G）。新加入的在国际市场上被发现有预测能力的变量有：短期利率（ST）选择的是银行三个月的定期存款利率;长期利率（LT）是十年期国债到期收益率;期现利差（TS）为长期利率与短期利率之差;投资级债到期收益率（AAA）是AAA级企业债十年到期收益率;投机级债到期收益率（AA）是AA级企业债十年到期收益率，由于中国债券市场开展较晚，该数据从2007年5月才可获得;信用利差（DYS）是AA级企业债到期收益率与AAA级企业债到期收益率之差;美国滞后期收益率（USL）是标普500的对数收益率;技术指标参照了Neely等（2014）的方法构造了14个技术指标，并加总成一个变量（tech_indi）。

大量文献（Elliott和Stock，1994;Cavanagh等，1995;Stambaugh，1999）均提出，当预测变量高度自相关，并且预测方程和预测变量的自回归方程噪音项相关时，传统的检验方法会失效，本文首先给出了所有变量的一阶自回归系数以及单位根检验结果，单位根检验采用了三种方法，分别是ADF检验、PP检验以及KPSS检验，其中ADF检验和PP检验的原假设为序列服从单位根过程，而KPSS的原假设为序列是平稳过程。相关结果见表1。

从表1可以看出，大部分变量的自回归系数与1接近，并且单位根检验显示这些变量可能服从单位根过程，比如与利率水平相关的变量，根据Elliott和Stock（1994）等研究的发现，传统的统计方法不再有效。另外，SP500的收益率等正如我们预期的一样，呈现出平稳过程的特征，这使得被广泛使用的CY法不再适用。同时，我们发现大多数变量在三个检验中出现了不一致的结论，例如股利价格比和股息率等，使我们并不能确定该变量服从何种过程，对我们进一步开展市场的可预测性检验造成困难。

四、统计检验的有效性

由于很难判断预测变量服从何种过程，使得传统的方法以及CY的方法都不再有效，而Kostakis等人（2015）提出的IVX-WALD在即便不知道预测变量服从何种过程时，仍然具有稳健有效的统计结果。除此之外，相比于CY只适用于一维变量的可预测性检验，IVX-WALD方法可以适用于多维情形，并且目前越来越多的文献发现不同维度的变量包含不同的信息，通过不同维度的变量进行结合会提高模型的预测能力。例如Ang和Bekaert（2007）发现短期利率能够在短期水平上提高股利价格比的预测力;Neely等人（2014）发现技术指标变量对宏观变量的可预测性具有互补的效果。然而Phillips（2014）指出IVX-WALD法对于参数的选取敏感，本文将结合中国市场的数据，来检验选择的参数是否适用于中国市场的可预测性检验。

与Kostakis等（2015）一样，参数Φ和Σ的选择来自中国市场数据基于上述模型进行的估计，根据表1的结果，我们分别选择股息率、通货膨胀率以及M2未预期增长率来分别代理单位根、接近单位根以及平稳过程。同时为了说明传统方法不适用，我们也给出了OLS方法的显著性水平检验，选择{100，250，500}三种样本大小，检验结果均是使用1000次随机模拟计算得来，显著性水平选择为5%，具体结果见表2。可以看出，当预测变量为单位根时，传统的检验方法出现了严重的显著性水平失真的情况，而IVX-WALD则表现十分稳健，与0.05的理论值较近，同样联合检验也显示出同样的结果。

为了进一步说明IVX-WALD检验方法同样具有检验效力，进一步对参数A进行不同取值，来测算IVX-WALD在中国市场的检验效用。如果要检验预测变量为单位根过程的检验效用，则A取[bn（1，0，0）]，如果接近单位根和平稳的情况，则A分别取[bn（0，1，0）]以及[bn（0，0，1）]，b的取值范围为{0，4，8，…，56，60}，其中b=0时对应的是显著性水平检验，结果见表3。

五、样本内的可预测性检验

在检验了IVX-WALD对中国市场同样具有适用性和有效性之后，本部分检验在国际市场上发现的具有预测性的变量在中国市场是否同样具有预测性。除了单变量检验外，我们进一步检验了三种多变量的情形，Ang和Bekaert（2007）发现短期利率能提高股利价格比的预测能力;Lamont（1998）发现股息和盈余具有不同的信息，因此第二种情形我们考虑了股利价格比和股息支付率两个变量的联合;Neely等人（2014）发现技术指标对宏观变量的可预测性具有互补的效果，因此我们首先将其他变量一一与技术指标的变量联合对股票市场收益率进行预测，选择了唯一联合检验显著的通货膨胀率来进行结果展示。具体结果见表4。

从单变量的检验结果来看，传统估值方面的变量并没有显现出显著的预测性，仅股息率在10%的水平上具有预测性;而通货膨胀率却是所有变量中最为显著的预测变量;在三个衡量货币流通量的指标中，仅M2维度具有5%水平上的显著性;与资金成本相关的变量中，有三个变量具有较高的预测能力，而衡量时间维度风险的期限利差以及信用风险的信用利差均没有表现出预测能力;学术界新发现的美国市场滞后收益率以及技术指标在中国市场中均未表现出显著的预测能力。在多变量情形，联合检验中仅发现通货膨胀率与技术指标的联合检验具有微弱的显著性，并且通过结果发现其预测能力主要来自通货膨胀率。

六、样本外的可预测性检验

Welch和Goyal（2008）提到樣本内的检验会因为模型假设错误而导致效用降低，因此建议进行样本外的可预测性检验。关于样本外的检验，采用学术上通用的扩展估计法，即用[t0]期到[t1]期的数据估计模型系数并预测[t1+1]的超额收益，到了下一期，再用[t0]期到[t1+1]期的数据估计模型系数并预测[t1+2]的超额收益，以此类推，同时采用Narayan和Bannigidadmath（2015）的方法，将样本外的区间设置为整个样本的50%，即样本外区间为2012年1月到2017年9月。除了对单变量进行样本外检验，Rapach等（2010）发现变量的联合预测具有更强的样本外预测效果，本文采用两种方法来将各个变量的信息包含进来：第一种采用主成分（该方法简记为PCA）方法，为了保障所有信息均是可获得的信息，在每一期预测时，仅采用这一期之前的数据进行主成分的提取，并以第一主成分作为预测变量;第二种方法是将所有单变量预测的下一期超额收益率的平均值（该方法简记为MEAN）作为一个新的预测值。

七、分時期检验

越来越多的研究发现股票市场的可预测性主要来自股市下跌过程（Henkel等，2011; Dangl和Halling，2012），为了检验中国的股票市场是否也在市场环境较差时更具预测效果，在样本外的部分构建了牛市和熊市两个子样本，其中熊市样本区间为2013年2月到2014年4月和2015年6月到2016年2月，牛市样本区间选择了2014年5月到2015年5月和2016年3月到2017年9月。具体结果见表6。

结合表6，发现熊市结果和牛市结果确实有所差异，在熊市中，盈余价格比、股票方差和第一主成分三个变量能取得更好的表现;而在牛市中，股息率、账面市值比、通货膨胀率、所有变量预测的平均值以及能够代表情绪的市场波动率、净权益增加和技术指标具有更好的预测能力。虽然整体而言，牛市存在更多具有可预测性的变量，但在经济意义上，熊市中各指标具有更好的结果。以投资收益率而言，在熊市中，盈余价格比从历史均值模型下-1.883%提升到了-0.655%;相比之下，在牛市中，表现最好的通货膨胀率也仅从历史均值模型下的3.024%提升到3.419%。

八、结论及建议

本文主要研究了中国股票市场的可预测性，选取了目前学术界常用的可预测性指标，通过三种单位根检验方法，发现大部分变量在三种单位根检验中出现了结论不一致的现象，这种预测变量的自相关程度不确定性使得传统的可预测性检验方法和学术界常用的CY方法都不再适用。结合中国数据，本文发现IVX-WALD方法相比于传统方法更加稳健有效。

样本内的可预测性检验发现，通货膨胀率具有最显著的预测效果，与资金利率水平相关的债券到期收益率和短期收益率对股票市场具有可预测性。另外，M2未预期增长率和股息率也具有微弱的可预测性。在进行多变量检验时，并未发现明显的可预测性，并且多变量的联合显著性主要来自其中某个变量的显著性。

样本外的检验发现，股息率、股票方差和第一主成分能够提高历史均值模型的表现;但将样本分为熊市和牛市进行检验时，发现样本外的可预测性主要来自牛市时期;包含情绪的相关变量在牛市中具有更好的预测效果。

样本内资金成本的预测能力表明中国市场仍主要为资金驱动的市场，同时牛市中包含情绪的变量具有更加显著的预测能力，也显示市场也由情绪驱动。因此对中国资本市场而言，要培育以价值为导向的投资理念，仍然任重道远，不仅需要政策制定者、监管机构进一步完善制度，也需要投资者自身加强学习。

对于投资而言，考虑所有信息的主成分分析法和模型平均法均具有更优的预测能力，也强调了投资者在做投资决策时需考虑多种信息，进行综合分析，而非盲目地追从。同时也可以看出在熊市中，基于预测模型的投资更具经济意义，再次说明股市投资既不能盲目追从，也不能一味恐惧。

参考文献：

[1]Ang A，Bekaert G. 2006. Stock return predictability：Is it there？[J].The Review of Financial Studies，20（3）.

[2]Bollerslev T，Todorov V，Xu L. 2015. Tail risk premia and return predictability[J].Journal of Financial Economics，118（1）.

[3]Campbell J Y，Thompson S B. 2007. Predicting excess stock returns out of sample：Can anything beat the historical average？[J].The Review of Financial Studies，21（4）.

[4]Campbell J Y， Shiller R J. 1988. The dividend-price ratio and expectations of future dividends and discount factors[J]. The Review of Financial Studies，1（3）.

[5]Campbell J Y，Yogo M. 2006. Efficient tests of stock return predictability[J].Journal of financial economics，81（1）.

[6]Cavanagh C L，Elliott G，Stock J H. 1995. Inference in models with nearly integrated regressors[J].Econometric theory，11（5）.

[7]Clark T E，West K D. 2007. Approximately normal tests for equal predictive accuracy in nested models[J].Journal of econometrics，138（1）.

[8]Cochrane J H. 2011. Presidential address：Discount rates[J].The Journal of finance，66（4）.

[9]Dangl T，Halling M. 2012. Predictive regressions with time-varying coefficients[J].Journal of Financial Economics，106（1）.

[10]Elliott G， Stock J H. 1994. Inference in time series regression when the order of integration of a regressor is unknown[J].Econometric theory，10（3-4）.

[11]Ferson W E，Sarkissian S，Simin T. 2008. Asset pricing models with conditional betas and alphas：The effects of data snooping and spurious regression[J].Journal of Financial and Quantitative Analysis，43（2）.

[12]Henkel S J，Martin J S，Nardari F. 2011.  Time-varying short-horizon predictability[J].Journal of Financial Economics，99（3）.

[13]Kostakis A， Magdalinos T，Stamatogiannis M P. 2015. Robust Econometric Inference for Stock Return Predictability[J].Review of Financial Studies，28（5）.

[14]Lamont O. 1998. Earnings and expected returns[J].The journal of Finance，53（5）.

[15]Narayan P K，Bannigidadmath D. 2015. Are Indian stock returns predictable？[J]. Journal of Banking & Finance，58.

[16]Neely C J，Rapach D E， Tu J， et al.  2014. Forecasting the equity risk premium： the role of technical indicators[J].Management Science，60（7）.

[17]Phillips PCB. 2014. On confidence intervals for autoregressive roots and predictive regression[J].Econometrica，82（3）.

[18]Rapach D E，Strauss J K， Zhou G. 2013. International stock return predictability： what is the role of the United States？[J].The Journal of Finance，68（4）.

[19]Stambaugh R F. 1999. Predictive regressions[J].Journal of Financial Economics，54（3）.

[20]Welch I， Goyal A. 2007. A comprehensive look at the empirical performance of equity premium prediction[J]. The Review of Financial Studies，21（4）.

[21]姜富偉，涂俊，David E.Rapach，Jack K.Strauss，周国富.中国股票市场可预测性的实证研究[J].金融研究， 2011，（9）.

[22]李志冰，杨光艺，冯永昌，景亮.Fama-French五因子模型在中国股票市场的实证检验[J].金融研究， 2017，（6）.