我國(guó)股票市場(chǎng)交易量與收益率關(guān)系的計(jì)量分析(詳細(xì)步驟)

我國(guó)股票市場(chǎng)成交量與收益率關(guān)系的計(jì)量分析摘要：本文用上證綜合指數(shù)代表了市場(chǎng)組合的各種指數(shù)，通過對(duì)上其研究，采用VAR模型來分析我國(guó)股票市場(chǎng)股票價(jià)格的變動(dòng)，來研究股票成交量與收益率之間的關(guān)系。關(guān)鍵詞：股票成交量股票收益率VAR模型計(jì)量分析一．引言股票市場(chǎng)的成交量和收益率是描述股票收益和風(fēng)險(xiǎn)的最基本變量而量?jī)r(jià)關(guān)系研究的主要目的是探索兩者之間的統(tǒng)計(jì)表現(xiàn)特征及內(nèi)在規(guī)律聯(lián)系，反映了市場(chǎng)中信息的傳遞方式和投資者對(duì)信息的獲取及價(jià)格發(fā)現(xiàn)的過程。二．文獻(xiàn)綜述以前也有很多學(xué)者來研究股票市場(chǎng)成交量與收益率之間的關(guān)系。如Campbell等認(rèn)為隨著大成交量的價(jià)格變化將導(dǎo)致價(jià)格的反轉(zhuǎn);Copeland提出的信息順序到達(dá)模型發(fā)現(xiàn)股票價(jià)格和交易量之間存在正向因果關(guān)系；Blume等認(rèn)為由于市場(chǎng)存在信息不對(duì)稱和市場(chǎng)噪音，投資者無法單獨(dú)從價(jià)格信號(hào)中獲取所需的全部信息，因此必須將成交量作為分析價(jià)格信息的額外參考變量;Hasbrouck將交易和報(bào)價(jià)調(diào)整寫成向量自回歸模型，通過研究交易對(duì)價(jià)格沖擊的滯后期研究信息的各種特征；Engle將時(shí)間加入到VAR模型中。而國(guó)內(nèi)對(duì)股票市場(chǎng)交易量與收益率之間的關(guān)系的研究主要集中在量?jī)r(jià)的相關(guān)性分析上。陳良東利用線性Granger因果檢驗(yàn)對(duì)滬市價(jià)量關(guān)系進(jìn)行了初步分析;徐信忠、鄭純毅的研究中對(duì)成交量與收益慣性的關(guān)系進(jìn)行了檢驗(yàn)，但由于研究的目的和側(cè)重點(diǎn)不同，他們的研究著重分析換手率對(duì)1個(gè)月以上的股票卻是效應(yīng)的影響，而不是專門探討成交量與收益率序列相關(guān)性的關(guān)系及成因。本文將在前面各種理論研究的基礎(chǔ)上，對(duì)中國(guó)股市中成交量與股票收益率序列相關(guān)性的關(guān)系進(jìn)行研究。三．模型的設(shè)計(jì)思路及數(shù)據(jù)的采集與處理數(shù)據(jù)來源：國(guó)泰安數(shù)據(jù)庫(kù)。樣本選?。罕疚倪x取了2000年1月1日至2011年12月31日上證綜合指數(shù)的日收盤價(jià)和成交量，共2901個(gè)交易日的數(shù)據(jù)。收益率的計(jì)算方法有簡(jiǎn)單收益率和對(duì)數(shù)差分收益率兩種。對(duì)數(shù)差分收益率可以滿足收益的累加性，分布更接近于正太分布，所以本文選用的就是對(duì)數(shù)差分收益率的方法來計(jì)算：P=ln(Pt/Pt-1)X100Pt表示t時(shí)刻的收盤指數(shù)。成交量序列采用取自然對(duì)數(shù)的方法，V=ln(Vt)Vt來表示原始成交量序列。分析工具：Eviews6.0軟件在此需要說明一點(diǎn)的是，由于中國(guó)股市節(jié)假日的問題，導(dǎo)致股票數(shù)據(jù)不連續(xù)，所以本文將數(shù)據(jù)導(dǎo)入Eviews時(shí)選擇的是截面數(shù)據(jù)類型。描述性檢驗(yàn)對(duì)對(duì)數(shù)收益率P和成交量V進(jìn)行描述性統(tǒng)計(jì)結(jié)果如下：(表1)PVMean0.01542012.58247Median0.07050812.58563Maximum9.40078722.83148Minimum-9.2561546.499501Std.Dev.1.6700041.195915Skewness-0.1032450.279049Kurtosis6.9609644.934211Jarque-Bera1900.935489.6948通過上表可以看出，由于正態(tài)分布的偏度應(yīng)該是0，而收益率P的偏度為-0.103245，所以收益率的數(shù)據(jù)分布向右偏；正態(tài)分布的峰度應(yīng)該為3，而P的是6.960964，故收益率曲線具有尖峰寬尾的特征。

（二）ADF檢驗(yàn)由于VAR模型要求變量序列本身是平穩(wěn)的或者序列之間存在協(xié)整關(guān)系，所以在建模之前先要對(duì)交易量序列和收益率序列進(jìn)行平穩(wěn)性檢驗(yàn)。對(duì)數(shù)收益率P的ADF檢驗(yàn)如下：（表2）NullHypothesis:PhasaunitrootExogenous:Constant,LinearTrendLagLength:0(AutomaticbasedonSIC,MAXLAG=27)t-StatisticProb.*AugmentedDickey-Fullerteststatistic-53.204060.0000Testcriticalvalues:1%level-3.9612085%level-3.41135710%level-3.127525*MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(P)Method:LeastSquaresDate:03/19/12Time:19:42Sample(adjusted):32901Includedobservations:2899afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.P(-1)-0.9886790.018583-53.204060.0000C0.0466290.0621120.7507190.4529@TREND(1)-2.17E-053.71E-05-0.5846280.5588R-squared0.494296Meandependentvar0.000327AdjustedR-squared0.493947S.D.dependentvar2.348492S.E.ofregression1.670656Akaikeinfocriterion3.865344Sumsquaredresid8083.001Schwarzcriterion3.871524Loglikelihood-5599.816Hannan-Quinncriter.3.867571F-statistic1415.336Durbin-Watsonstat1.997939Prob(F-statistic)0.000000成交量V的ADF檢驗(yàn)如下：（表3）

NullHypothesis:VhasaunitrootExogenous:Constant,LinearTrendLagLength:7(AutomaticbasedonSIC,MAXLAG=27)t-StatisticProb.*AugmentedDickey-Fullerteststatistic-5.8701130.0000Testcriticalvalues:1%level-3.9612145%level-3.41136010%level-3.127527*MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(V)Method:LeastSquaresDate:03/19/12Time:22:02Sample(adjusted):92901Includedobservations:2893afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.V(-1)-0.0726290.012373-5.8701130.0000D(V(-1))-0.5718010.021082-27.122990.0000D(V(-2))-0.3941980.023351-16.881620.0000D(V(-3))-0.2872180.024076-11.929650.0000D(V(-4))-0.2154620.024060-8.9550250.0000D(V(-5))-0.1600590.023435-6.8299660.0000D(V(-6))-0.1106110.021970-5.0346220.0000D(V(-7))-0.0610280.018552-3.2895200.0010C0.7926920.1355745.8469250.0000@TREND(1)8.42E-051.70E-054.9641730.0000R-squared0.296804Meandependentvar0.000621AdjustedR-squared0.294609S.D.dependentvar0.479035S.E.ofregression0.402330Akaikeinfocriterion1.020360Sumsquaredresid466.6686Schwarzcriterion1.040997Loglikelihood-1465.951Hannan-Quinncriter.1.027797F-statistic135.2060Durbin-Watsonstat2.006674Prob(F-statistic)0.000000由上面表2和表3可以看出，對(duì)數(shù)收益率P和成交量V都不存在單位根，都表現(xiàn)為平穩(wěn)序列，可作進(jìn)一步分析。四．實(shí)證結(jié)果與分析（一）VAR模型的建立對(duì)于收益率P和成交量V構(gòu)建標(biāo)準(zhǔn)型VAR模型：Pt爭(zhēng)時(shí)耳=1%耳_汁耳=丄匚収_尹1丫姑竝図=i%昨_垃乙切叫-其中e1t與e2t為隨機(jī)干擾項(xiàng)。通過AIC最小準(zhǔn)則，經(jīng)反復(fù)驗(yàn)證，判斷出最佳滯后期為6期經(jīng)Eviews得出的結(jié)果如下：（表4）VectorAutoregressionEstimatesDate:03/19/12Sample(adjusted)IncludedobservatiStandarderrorsinTime:22:03i:82901ions:2894afteradjustments()&t-statisticsin[]PVP(-1)0.0002040.050362(0.01885)(0.00450)[0.01083][11.1972]P(-2)-0.0229810.018642(0.01923)(0.00459)[-1.19538][4.06365]P(-3)0.0288950.011165(0.01916)(0.00457)[1.50772][2.44152]P(-4)0.042446-0.003321(0.01904)(0.00454)[2.22942][-0.73107]P(-5)-0.002261-0.002881(0.01892)(0.00451)[-0.11952][-0.63822]P(-6)-0.039606-0.012301(0.01871)(0.00447)

[-2.11637][-2.75469]V(-1)0.1605400.329706(0.07850)(0.01873)[2.04513][17.6020]V(-2)0.0603190.186453(0.08221)(0.01962)[0.73377][9.50528]V(-3)-0.0687020.131776(0.08296)(0.01980)[-0.82816][6.65697]V(-4)-0.1464000.107409(0.08296)(0.01980)[-1.76465][5.42570]V(-5)0.0394850.107699(0.08212)(0.01960)[0.48082][5.49618]V(-6)-0.0124990.110350(0.07780)(0.01856)[-0.16066][5.94446]C-0.3974420.334881(0.34419)(0.08213)[-1.15472][4.07744]R-squared0.0082190.890602Adj.R-squared0.0040880.890147Sumsq.resids7962.010453.3468S.E.equation1.6624160.396683F-statistic1.9896121954.510Loglikelihood-5570.833-1424.050AkaikeAIC3.8589030.993124SchwarzSC3.8857221.019943Meandependent0.01468312.58332S.D.dependent1.6658251.196843Determinantresidcovariance(dofadj.)0.423833Determinantresidcovariance0.420034Loglikelihood-6957.659Akaikeinformationcriterion4.826302Schwarzcriterion4.879941從以上回歸結(jié)果中可以寫出標(biāo)準(zhǔn)型的VAR模型的估計(jì)結(jié)果為：P=-0.397442+0.000204P-0.022981P+0.028895P+0.042446P-0.002261P-0.tt-1t-2t-3t-4t-5039606P+0.160540V+0.060319V-0.068702V-0.146400V+0.039485V-0.01t-6t-1t-2t-3t-4t-52499V+et-61tV=0.334881+0.050362P+0.018642P+0.011165P-0.003321P-0.002881P-0.tt-1t-2t-3t-4t-5012301P+0.329706V+0.186453V+0.131776V+0.107409V+0.107699V+0.1t-6t-1t-2t-3t-4t-510350V+et-62t（二）脈沖響應(yīng)分析脈沖響應(yīng)顯示出任何一個(gè)內(nèi)生變量的變動(dòng)是如何透過模型影響所有其他內(nèi)生變量，最終又反饋到最初的那個(gè)變量自己身上來的。如果隨機(jī)干擾項(xiàng)恰好相關(guān)則脈沖響應(yīng)將取決于模型中方程的先后次序。根據(jù)收益率與交易量的VAR模型，分別給出兩個(gè)變量的脈沖響應(yīng)函數(shù)，結(jié)果如下：（圖1）從上圖可以看出，兩個(gè)變量對(duì)自身反映沖擊比較敏感。左上角和右下角的圖表示對(duì)數(shù)收益率P及成交量V分別對(duì)自身的響應(yīng)函數(shù)的時(shí)間路徑，從開始迅速下降，并從第2期開始上下波動(dòng)，直到第8期開始趨于穩(wěn)定，說明兩個(gè)變量的增長(zhǎng)開始會(huì)引起后面各時(shí)期兩變量的下降，而后影響基本消失。右上角的圖為收益率對(duì)成交量的響應(yīng)，可見一直比較平穩(wěn)，說明成交量對(duì)收益率的影響不大，而左下角的圖表示的是成交量對(duì)收益率的響應(yīng)，在第1到2期呈現(xiàn)上升趨勢(shì)，而后又逐漸回落，兩個(gè)圖比較說明對(duì)數(shù)收益率對(duì)成交量的拉動(dòng)作用強(qiáng)于成交量對(duì)對(duì)數(shù)收益率的拉動(dòng)作用，故而收益率與成交量的動(dòng)態(tài)關(guān)系是非對(duì)稱的。（三）方差分解在VAR模型的基礎(chǔ)上，得到方差分解的輸出結(jié)果如下：（圖2）上面兩個(gè)圖是收益率的方差分解時(shí)間路徑。左圖為收益率對(duì)自身的方差分解時(shí)間路徑，時(shí)間路徑一直為100，保持穩(wěn)定，可見當(dāng)期對(duì)數(shù)收益率對(duì)后面時(shí)期的對(duì)數(shù)收益率的貢獻(xiàn)一直很大，為100左右；右圖為對(duì)數(shù)收益率對(duì)成交量的方差分解時(shí)間路徑，時(shí)間路徑一直保持為0，即成交量對(duì)收益率的貢獻(xiàn)為0。下面兩個(gè)圖是成交量的方差分解時(shí)間路徑。左圖是成交量對(duì)對(duì)數(shù)收益率的方差分解時(shí)間路徑，時(shí)間路徑一直為正且不斷增加至平穩(wěn)，說明收益率的增長(zhǎng)對(duì)后期成交量的貢獻(xiàn)越來越大，在滯后10期貢獻(xiàn)作用達(dá)到了將近20%左右。右圖為成交量對(duì)自身的方差分解時(shí)間路徑，一直為正且不斷下降，說明成交量對(duì)后期成交量的貢獻(xiàn)越來越小。由方差分解分析也可以看出收益率與成交量之間動(dòng)態(tài)關(guān)系的不對(duì)稱性。（四）Granger因果關(guān)系檢驗(yàn)由軟件輸出的Granger因果檢驗(yàn)結(jié)果如下：（表5）PairwiseGrangerCausalityTestsDate:03/19/12Time:22:32Sample:12901Lags:6NullHypothesis:ObsF-StatisticProb.VdoesnotGrangerCauseP28941.539690.1611PdoesnotGrangerCauseV24.88206.E-29由上表可知，對(duì)于原假設(shè)“VdoesnotGrangerCauseP”，即“成交量不是收益率的Granger原因”的概率為0.1611，接近于0,因此拒絕原假設(shè)，即成交量是收益率的Granger原因，說明成交量對(duì)收益率有一定的推動(dòng)作用，但這種作用并不十分明