我国股票市场交易量与收益率关系的计量分析(详细步骤).docx

我国股票市场成交量与收益率关系的计量分析摘要：本文用上证综合指数代表了市场组合的各种指数，通过对上其研究，采用VAR模型来分析我国股票市场股票价格的变动，来研究股票成交量与收益率之间的关系。关键词：股票成交量 股票收益率 VAR模型 计量分析一引言股票市场的成交量和收益率是描述股票收益和风险的最基本变量而量价关系研究的主要目的是探索两者之间的统计表现特征及内在规律联系，反映了市场中信息的传递方式和投资者对信息的获取及价格发现的过程。二文献综述以前也有很多学者来研究股票市场成交量与收益率之间的关系。如Campbell等认为随着大成交量的价格变化将导致价格的反转；Copeland提出的信息顺序到达模型发现股票价格和交易量之间存在正向因果关系；Blume等认为由于市场存在信息不对称和市场噪音，投资者无法单独从价格信号中获取所需的全部信息，因此必须将成交量作为分析价格信息的额外参考变量；Hasbrouck将交易和报价调整写成向量自回归模型，通过研究交易对价格冲击的滞后期研究信息的各种特征；Engle将时间加入到VAR模型中。而国内对股票市场交易量与收益率之间的关系的研究主要集中在量价的相关性分析上。陈良东利用线性Granger因果检验对沪市价量关系进行了初步分析；徐信忠、郑纯毅的研究中对成交量与收益惯性的关系进行了检验，但由于研究的目的和侧重点不同，他们的研究着重分析换手率对1个月以上的股票却是效应的影响，而不是专门探讨成交量与收益率序列相关性的关系及成因。本文将在前面各种理论研究的基础上，对中国股市中成交量与股票收益率序列相关性的关系进行研究。三模型的设计思路及数据的采集与处理数据来源：国泰安数据库。样本选取：本文选取了2000年1月1日至2011年12月31日上证综合指数的日收盘价和成交量，共2901个交易日的数据。收益率的计算方法有简单收益率和对数差分收益率两种。对数差分收益率可以满足收益的累加性，分布更接近于正太分布，所以本文选用的就是对数差分收益率的方法来计算：P=ln(Pt/Pt-1)100Pt表示t时刻的收盘指数。成交量序列采用取自然对数的方法，V=ln(Vt)Vt来表示原始成交量序列。分析工具：Eviews6.0软件在此需要说明一点的是，由于中国股市节假日的问题，导致股票数据不连续，所以本文将数据导入Eviews时选择的是截面数据类型。（一）描述性检验对对数收益率P和成交量V进行描述性统计结果如下：（表1）PVMean0.01542012.58247Median0.07050812.58563Maximum9.40078722.83148Minimum-9.2561546.499501Std. Dev.1.6700041.195915Skewness-0.1032450.279049Kurtosis6.9609644.934211Jarque-Bera1900.935489.6948通过上表可以看出，由于正态分布的偏度应该是0，而收益率P的偏度为-0.103245，所以收益率的数据分布向右偏；正态分布的峰度应该为3，而P的是6.960964，故收益率曲线具有尖峰宽尾的特征。（二）ADF检验由于VAR模型要求变量序列本身是平稳的或者序列之间存在协整关系，所以在建模之前先要对交易量序列和收益率序列进行平稳性检验。对数收益率P的ADF检验如下：（表2）Null Hypothesis: P has a unit rootExogenous: Constant, Linear TrendLag Length: 0 (Automatic based on SIC, MAXLAG=27)t-StatisticProb.*Augmented Dickey-Fuller test statistic-53.204060.0000Test critical values:1% level-3.9612085% level-3.41135710% level-3.127525*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(P)Method: Least SquaresDate: 03/19/12 Time: 19:42Sample (adjusted): 3 2901Included observations: 2899 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.P(-1)-0.9886790.018583-53.204060.0000C0.0466290.0621120.7507190.4529TREND(1)-2.17E-053.71E-05-0.5846280.5588R-squared0.494296Mean dependent var0.000327Adjusted R-squared0.493947S.D. dependent var2.348492S.E. of regression1.670656Akaike info criterion3.865344Sum squared resid8083.001Schwarz criterion3.871524Log likelihood-5599.816Hannan-Quinn criter.3.867571F-statistic1415.336Durbin-Watson stat1.997939Prob(F-statistic)0.000000成交量V的ADF检验如下：（表3）Null Hypothesis: V has a unit rootExogenous: Constant, Linear TrendLag Length: 7 (Automatic based on SIC, MAXLAG=27)t-StatisticProb.*Augmented Dickey-Fuller test statistic-5.8701130.0000Test critical values:1% level-3.9612145% level-3.41136010% level-3.127527*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(V)Method: Least SquaresDate: 03/19/12 Time: 22:02Sample (adjusted): 9 2901Included observations: 2893 after adjustmentsVariableCoefficientStd. 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)-0.0610280.018552-3.2895200.0010C0.7926920.1355745.8469250.0000TREND(1)8.42E-051.70E-054.9641730.0000R-squared0.296804Mean dependent var0.000621Adjusted R-squared0.294609S.D. dependent var0.479035S.E. of regression0.402330Akaike info criterion1.020360Sum squared resid466.6686Schwarz criterion1.040997Log likelihood-1465.951Hannan-Quinn criter.1.027797F-statistic135.2060Durbin-Watson stat2.006674Prob(F-statistic)0.000000由上面表2和表3可以看出，对数收益率P和成交量V都不存在单位根，都表现为平稳序列，可作进一步分析。四实证结果与分析（一）VAR模型的建立对于收益率P和成交量V构建标准型VAR模型：其中e1t与e2t为随机干扰项。通过AIC最小准则，经反复验证，判断出最佳滞后期为6期。经Eviews得出的结果如下：（表4）Vector Autoregression EstimatesDate: 03/19/12 Time: 22:03Sample (adjusted): 8 2901Included observations: 2894 after adjustmentsStandard errors in ( ) & t-statistics in PVP(-1)0.0002040.050362(0.01885)(0.00450) 0.01083 11.1972P(-2)-0.0229810.018642(0.01923)(0.00459)-1.19538 4.06365P(-3)0.0288950.011165(0.01916)(0.00457) 1.50772 2.44152P(-4)0.042446-0.003321(0.01904)(0.00454) 2.22942-0.73107P(-5)-0.002261-0.002881(0.01892)(0.00451)-0.11952-0.63822P(-6)-0.039606-0.012301(0.01871)(0.00447)-2.11637-2.75469V(-1)0.1605400.329706(0.07850)(0.01873) 2.04513 17.6020V(-2)0.0603190.186453(0.08221)(0.01962) 0.73377 9.50528V(-3)-0.0687020.131776(0.08296)(0.01980)-0.82816 6.65697V(-4)-0.1464000.107409(0.08296)(0.01980)-1.76465 5.42570V(-5)0.0394850.107699(0.08212)(0.01960) 0.48082 5.49618V(-6)-0.0124990.110350(0.07780)(0.01856)-0.16066 5.94446C-0.3974420.334881(0.34419)(0.08213)-1.15472 4.07744R-squared0.0082190.890602Adj. R-squared0.0040880.890147Sum sq. resids7962.010453.3468S.E. equation1.6624160.396683F-statistic1.9896121954.510Log likelihood-5570.833-1424.050Akaike AIC3.8589030.993124Schwarz SC3.8857221.019943Mean dependent0.01468312.58332S.D. dependent1.6658251.196843Determinant resid covariance (dof adj.)0.423833Determinant resid covariance0.420034Log likelihood-6957.659Akaike information criterion4.826302Schwarz criterion4.879941从以上回归结果中可以写出标准型的VAR模型的估计结果为：Pt=-0.397442+0.000204Pt-1-0.022981Pt-2+0.028895Pt-3+0.042446Pt-4-0.002261Pt-5-0.039606Pt-6+0.160540Vt-1+0.060319Vt-2-0.068702Vt-3-0.146400Vt-4+0.039485Vt-5-0.012499Vt-6+ e1tVt=0.334881+0.050362Pt-1+0.018642Pt-2+0.011165Pt-3-0.003321Pt-4-0.002881Pt-5-0.012301Pt-6+0.329706Vt-1+0.186453Vt-2+0.131776Vt-3+0.107409Vt-4+0.107699Vt-5+0.110350Vt-6+ e2t（二）脉冲响应分析脉冲响应显示出任何一个内生变量的变动是如何透过模型影响所有其他内生变量，最终又反馈到最初的那个变量自己身上来的。如果随机干扰项恰好相关，则脉冲响应将取决于模型中方程的先后次序。根据收益率与交易量的VAR模型，分别给出两个变量的脉冲响应函数，结果如下：（图1）从上图可以看出，两个变量对自身反映冲击比较敏感。左上角和右下角的图表示对数收益率P及成交量V分别对自身的响应函数的时间路径，从开始迅速下降，并从第2期开始上下波动，直到第8期开始趋于稳定，说明两个变量的增长开始会引起后面各时期两变量的下降，而后影响基本消失。右上角的图为收益率对成交量的响应，可见一直比较平稳，说明成交量对收益率的影响不大，而左下角的图表示的是成交量对收益率的响应，在第1到2期呈现上升趋势，而后又逐渐回落，两个图比较说明对数收益率对成交量的拉动作用强于成交量对对数收益率的拉动作用，故而收益率与成交量的动态关系是非对称的。（三）方差分解在VAR模型的基础上，得到方差分解的输出结果如下：（图2）上面两个图是收益率的方差分解时间路径。左图为收益率对自身的方差分解时间路径，时间路径一直为100，保持稳定，可见当期对数收益率对后面时期的对数收益率的贡献一直很大，为100左右；右图为对数收益率对成交量的方差分解时间路径，时间路径一直保持为0，即成交量对收益率的贡献为0。下面两个图是成交量的方差分解时间路径。左图是成交量对对数收益率的方差分解时间路径，时间路径一直为正且不断增加至平稳，说明收益率的增长对后期成交量的贡献越来越大，在滞后10期贡献作用达到了将近20%左右。右图为成交量对自身的方差分解时间路径，一直为正且不断下降，说明成交量对后期成交量的贡献越来越小。由方差分解分析也可以看出收益率与成交量之间动态关系的不对称性。（四）Granger因果关系检验由软件输出的Granger因果检验结果如下：（表5）Pairwise Granger Causality TestsDate: 03/19/12 Time: 22:32Sample: 1 2901Lags: 6Null Hypothesis:ObsF-StatisticProb.V does not Granger Cause P28941.539690.1611P does not Granger Cause V24.88206.E-29由上表可知，对于原假设“V does not Granger Cause P”，即“成交量不是收益率的Granger原因”的概率为0.1611，接近于0，因此拒绝原假设，即成交量是收益率的Granger原因，说明成交