汽车行业系统风险β值实证研究.doc

汽车行业系统风险系数实证研究分析摘 要：汽车行业在行业整体放缓的背景下，难以出现整体性行情，市场存在特殊性和不确定性风险。因此，对于如何科学地研究预测汽车股票市场现存的系统风险显得尤为重要。本文基于投资组合的理论，首先分析了单个资产系数的经济意义和相关特性。随后基于“沪深300指数”、“东风汽车”、“福田汽车”的样本数据，运用最小二乘法进行一元线性回归分析，测定单股证券的，并对结果做出分析。关键词：汽车 系数 系统风险 一、研究目的和意义在金融投资决策中，风险的度量和管理一直是理论界和实证界所关注的核心问题。威廉夏 普等人的资本资产定价模型（CAPM）中将资产的风险分为两类：系统风险和非系统风险，其中系统风险的量化指标就是贝塔系数，它决定了资产或者证券组合的公平风险报酬的风险测度，为证券投资组合管理提供了证券或者证券组合选择与风险控制的基本的信息。我国汽车行业近两年来持续繁荣，众人纷纷投入到汽车股市，但随着环保和交通压力日增、新一轮补贴政策强化执行、新能源汽车逐渐推广、限购等现象和问题的影响，汽车行业在行业整体放缓的背景下，难以出现整体性行情，市场存在特殊性和不确定性风险。因此，对于如何科学地研究预测汽车股票市场现存的系统风险显得尤为重要，并且以这种研究结果作为汽车行业投资界和监管部门的决策参考，对于股市的稳定和股票可持续发展很关键。对系数进行正确的估计具有重要意义，理论方面，系数是资本市场理论中解释收益率与风险关系的重要概念；应用方面，系数在投资决策的制定中具有举足轻重的作用。而我国的证券市场是新兴市场，具有较大的投机性和变异性，对系数进行准确估计的难度很大，迄今尚无权威机构定期向市场公布股票市场的系数和揭示上市公司的系统风险，因此，对我国股票市场的系数的研究具有重要意义。（1）股票的期望收益率由于计算权益资本成本确定系数，而且从企业的角度来看，期望收益率就是权益资本成本，即CAPM模型，股票的期望收益率为Ri=Rf+i(Rm-Rf)。对于企业来说知道了期望收益率，在进行投资决策的时候就多了一项可以进行比较项目收益情况的依据。投资的折现率是投资项目的贝塔系数的函数。预测未来市场收益的不确定性的基础上，通过预测系数，估计组合或个股的未来收益的不确定性。可见，系数为投资组合管理提供了资产选择与风险控制的基本信息，有利于对投资组合的选择及调整做出合理的决策。（2）股票的价值资本资产定价模型表明一种证券的期望收益与该种证券的系数线性正相关，所以系数是证券期望收益率的唯一决定因素，知道了风险收益情况对个股的正确估价提供了一定的基础，对股票的业绩评价也有了可以依托的凭据。这对机构投资者和一些股民也是有实际意义的。（3）对个股风险与市场风险的评价CAPM模型包括了股票的市场风险，股票相对于市场自身的风险，这个风险可以从中看到整个市场，整个的经济情况，这个对投资者是很有借鉴的。系数反映了个股对市场变化的敏感性，也就是个股与大盘的相关性。可根据市场走势预测选择不同的的系数的证券从而获得额外收益。当有很大把握预测到一个大牛市或大盘某个不涨阶段的到来时，应该选择那些高系数的证券，它将成倍地放大市场收益率，带来高额收益；反之，在一个熊市到来或大盘某个下跌阶段到来时，应该调整投资结构以抵御市场风险，避免损失，办法是选择那些低系数的证券。总的来说，投资者在投资过程中如果缺少这个有效的指标，对投资决策的有效性是一个很大的影响。反之，通过系数的数据的分析，对个股和市场风险会有很好的把握。二、系数的相关特性综述（一）系数的稳定性系数是从过去证券市场的收益率数据中进行估计而得到的，实际上，该系数只能反映过去的情况。如果过去的系数能用于反映现在或将来的风险，则必须具有一定的稳定性。纵观系数稳定性的实证研究，无论是外国股市还是中国股市，单一股票的系数具有不稳定性，借助组合的方式相对可以获得较为稳定的。因此对于个人投资者来说，运用预测投资资产的系统风险和收益时，需要结合实际考虑值的影响因素。（二）值的影响因素股票贝塔系数存在不稳定性，说明有必要进一步对股票估计值的差异性进行分析。分析 研究结果表明：中国上市公司的总资产增长率和财务杠杆与股票的系统风险呈正相关关系；股利支付率与股票的系统风险呈负相关关系；流动比率与系统风险呈显著正相关关系，盈利波动性与股票系统风险呈显著负相关关系。考虑到值的应影响因素，有利于更准确地预测股票值。（三）值的预测性基于差异性影响因素，提高未来值预测准确度的方法主要有基础系数法和罗森伯格系统。基础系数是根据公司基本特征的变化来估计未来的系数，模型中的自变量为反映公司特征的财务和会计变量。罗森伯格系统是集历史系数、个股市场特征、公司基本因素和行业特征于一体，对系数的差异性进行研究，并据此对未来的系数进行预测，以提高系数预测的准确度。三、汽车行业值的实证分析（一）研究模型1、系数的基本计算公式：i = Cov(Ki,Km)/ m =imim/m = im(i/m)其中，Ki和Km分别为第i种证券的收益率及市场组合收益率；Cov(Ki,Km)为两种收益率的协方差；i和m分别为i证券的标准差及市场组合标准差；im为两种收益率的相关系数。2、单一指数模型单指数模型是在简化的情形下研究单个证券投资收益率的方法。假设证券市场是在一个共同变量的推动下进行运动的,在实际运用单指数模型时，通常将市场组合的收益率视为宏观经济中的共同影响因素。其原因是：当股市整体上涨时，大多数证券也会上涨；当股市整体呈下跌趋势，大多数证券也会下跌。因此,选取市场组合的收益率即市场指数作为单因素是合适的。由于单指数模型是线性的，运用一元线性回归便可估计单个证券的i 。具体地，可以使用该证券的收益率Ki相对于市场组合的收益率Km进行回归。本文所使用的单指数模型如下所示：Kit = i +iKmt + eit其中，Kit和Kmt分别为第i种证券的收益率及市场组合收益率；eit代表残项，指第i种证券的非系统风险；i为方程的截距项，它表示当证券市场的收益率为0时，单个证券的预期收益率。（二）样本数据的选取在选取样本数据时，我们假定我国的资本市场是弱势有效的，因此股票价格具有一定的信息含量；其次，数据选取期间，目标公司本身没有发生重大的财务及经营事项。1、选取恰当的市场组合数据：选用沪深300指数作为市场组合。沪深300指数是反映沪深两个市场整体走势的指数。指数样本选自沪深两个证券市场，覆盖了大部分流通市值。成份股为市场代表性好，流动性高，交易活跃的主流投资股票，能够反映市场主流投资的收益情况。2、选取恰当的单个股票数据：为了使得到的值更具有代表性，选取“东风汽车”（600006）和“福田汽车”（600166）两支股票作为本文研究的目标证券。本文选取“东风汽车”和“福田汽车”连续各30个日收益率作为样本数据（如:图1）。并且，考虑到股票涉及股票分割、股利发放等一系列交易活动，为了提高数据的可比性与一致性，在进行实证研究前，分别对两支股票的股价进行 “复权” 处理，以达到分析研究的目的。计算收益率的相关公式如下所示：(1)个股持有期收益率：Kit = Pit-Pi(t-1)/Pi(t-1)(2)市场组合收益率：Kmt = It-I(t-1)/I(t-1)“东风汽车”回归数据汇总表TimeKiKm2014-12-09-1.95%-0.04%2014-12-10-0.35%-0.36%2014-12-117.09%2.01%2014-12-123.72%0.25%2014-12-15-2.00%1.08%2014-12-1611.56%3.98%2014-12-1713.2%4.32%2014-12-18-1.97%0.60%2015-01-12-1.67%-0.96%2015-01-131.06%-0.49%2015-01-14-1.70%-0.11%2015-01-15-1.67%2.30%2015-01-161.73%3.84%2015-01-19-6.12%-7.22%2015-01-20-3.45%-0.52%2015-01-214.35%6.36%2015-01-223.02%4.30%“福田汽车”回归数据汇总表TimeKiKm2014-12-09-0.81%-0.04%2014-12-10-1.56%-0.36%2014-12-115.19%2.01%2014-12-123.68%0.25%2014-12-152.17%1.08%2014-12-161.38%3.98%2014-12-170.76%4.32%2014-12-18-1.07%0.60%2015-01-12-1.41%-0.96%2015-01-131.45%-0.49%2015-01-14-0.64%-0.11%2015-01-150.63%2.30%2015-01-161.92%3.84%2015-01-19-8.36%-7.22%2015-01-20-3.41%-0.52%2015-01-214.46%6.36%2015-01-223.52%4.30%图1（三）回归结果基于以上列示的数据， 通过统计软件E-views5.0，运用最小二乘法进行一元线性回归分析，得到的回归结果如下。1、东风汽车（1）对数据进行回归Dependent Variable: YMethod: Least SquaresDate: 01/22/15 Time: 17:48Sample: 1 30Included observations: 30VariableCoefficientStd. Errort-StatisticProb.X1.1359120.2739694.1461350.0003C-0.0055390.008003-0.6921010.4946R-squared0.380400Mean dependent var0.003507Adjusted R-squared0.358271S.D. dependent var0.052647S.E. of regression0.042175Akaike info criterion-3.429647Sum squared resid0.049804Schwarz criterion-3.336234Log likelihood53.44471F-statistic17.19044Durbin-Watson stat1.483299Prob(F-statistic)0.000284得到的回归方程如下：Kit =-0.005539 + 1.135912Kmt + eit（2）模型检验从回归结果来看：回归方程的拟合优度R-squared为0.3804，说明回归方程有38%的解释能力解释结果；且F检验的P值趋近于0，说明方程整体有很好的显著性。在5的显著性水平上，常数项C经过t检验的P值大于0.05，无法通过显著性检验；而Km的系数经过t检验的P值小于0.05，因此自变量Km通过了显著性检验，说明市场组合收益率是单个证券收益率的显著变量。2、福田汽车（1）对数据进行回归Dependent Variable: Y2Method: Least SquaresDate: 01/22/15 Time: 18:01Sample: 1 30Included observations: 30VariableCoefficientStd. Errort-StatisticProb.X20.9035980.1473906.1306570.0000C-0.0054220.004306-1.2593820.2183R-squared0.573073Mean dependent var0.001773Adjusted R-squared0.557825S.D. dependent var0.034121S.E. of regression0.022689Akaike info criterion-4.669512Sum squared resid0.014414Schwarz criterion-4.576099Log likelihood72.04268F-statistic37.58495Durbin-Watson stat1.163183Prob(F-statistic)0.000001得到的回归方程如下：Kit = -0.005422 + 0.903598Kmt + eit（2）模型检验从回归结果来看：回归方程的拟合优度R-squared是0.573073，说明回归方程有超过55的解释力解释总体数据；且F检验的P值趋近为0，说明方程整体有很好的显著性。在5的显著性水平上，常数项C经过t检验的P值大于0.05，无法通过显著性检验；而Km的系数经过t检验的P值小于0.05，因此自变量Km通过了显著性检验，说明市场组合收益率是单个证券收益率的显著变量。（四）研究结论1、汽车类股票蕴含的系统风险高于市场组合的系统风险。在两支股票的回归方程中，值平均为1.01。表明在其它条件不变的情况下，市场组合收益率每变动一个单位，汽车类股票的收益率变动1.01个单位。因此，在享受高收益的同时，购买汽车类股票也面临着巨大