中国股票价格与上市公司财务指标相关关系分析研究

1、高级计量经济学论文股票价格与上市公司财务指标相关关系研究以中国市场沪深 300 指数为例分析 姓名：潘国丽学号：S315090023 专业：应用经济学2016年4月13日中国股票价格与上市公司财务指标相关关系实证研究摘要:根据有效市场假说，市场的有效程度主要取决于股票价格吸收反映各种信息的能力，而中国股市一惯被认为有效性较弱。但近年来，随着经济高速持续稳定增长，中国股市有效性是否有所进步。在本文中，我们单就中国股票价格与上市公司财务指标进行相关关系实证研究，来分析股票价格反映财务信息的能力。关键词：股票价格 财务分析 相关关系 一问题的提出 根据有效市场假说(EMH)理论，有效市场分为弱势有效

2、市场，半强势有效市场，强势有效市场三个层次。在弱势有效市场中，资本市场上的证券价格充分反映了其历史价格的信息；在半强势有效市场中，证券价格充分反映了所有公开可用的信息，包括如公司公布的财务报表和历史上的价格信息；而在强势有效市场中，证券价格反映了所有的信息，包括公开的内幕的信息。总之，股票价格吸收反映信息的能力，是一个国家或一个股票市场有效性的重要标志。由于真实的权益价值是通过公司的经营业绩所产生的因而，在西方成熟的股票市场中，上市公司的业绩与其股票价格高度正相关。一般情况下，投资者最为关心的是代表着上市公司经营业绩的财务指标 每股收益，净资产收益率、每股净资产，净利润增长率，市盈率等。这些财

3、务指标分别从各个不同的侧面，真实再现了上市公司的财务效益状况、资产质量状况、偿债风险状况和发展能力状况等，所以必然成为外部投资者进行投资的首要参考依据。然而，这一高度正相关关系，在中国股票市场上是否成立？一种普遍的观点认为：我国上市公司业绩信号扭曲，价格发现失真，股价与公司业绩相关性不高。但在经历了长达几年熊市之后，在2006年，尤其下半年，又开始了牛市历程，那么有关这一牛市行情的原因，众说纷坛，通过阅读大量观点的了解及分析，我们总结起来，主要观点有以下几种：1 中国经济持续高速增长，达到一定积累程度之后，在我国股市上得到了体现。2 人民币升值，吸引国外资金投资中国资本市场。3 流动性充裕4

4、在中国经济持续增长的环境下，中国成长了一批业绩和潜力不错的公司，这些业绩优良的公司基本面，是牛市的主要支柱。那么，从以上观点中，我们可以看出，人们对牛市行情比较倾向于从我国经济发展的大好局面和上市公司的经营业绩和发展潜力的角度来解释。从有效市场理论的角度来说，就是认为我国股票价格在一定程度上反映了上市公司的业绩。因此，我们就2005年中国股票价格与上市公司财务指标的相关关系进行实证研究。二 先前国内学者的研究成果郭鹏飞、杨朝军(2003)基于行业特征对我国上市公司业绩与股价收益之间的关系进行实证研究后发现：在我国股票市场中，不同行业上市公司的股价收益和风险均没有显著差异，股票价格行为没有显著的

5、行业特征；不同行业上市公司的经营业绩具有显著差异，但这种差异并未在股价收益上反应出来，即股票投资收益与公司业绩基本无关；股票投资收益与投资风险显著正相关，大约253的股价收益波动可由其风险解释。郭旭芬(2004)采用1998年至2002年上海与深圳证券交易所上市A股公司的年度财务报告中的业绩指标与股票价格，对我国上市公司业绩增长与股价涨幅的相互关系进行了回归分析，研究表明：我国上市公司股票价格与经营业绩之间具有关联性。郭认为这是由于：近年来我国股票市场在“加强监臀、规范市场、保护投资者利益” 的背景下，上市公司治理取得成效机构投资者规模得到发展壮大，投资者素质得到普遍提高，会计信息的准确性得到

6、提升，会计信息的市场认同度得到增强，市场价格开始出现了以j-市公司基本面为主导的合理趋势。 李寿喜(2004) 以会计报表所涵盖的信息为公司业绩的衡量指标，通过对中美两国的上市公司业绩与股票价格相关性的差异比较后发现：中国上市公司的利润与净资产对股价的综合解释力远远低于美国的上市公司。对此结果，李解释为：美国会计标准采用了较多的公允价值计量，而中国的会计标准大多采用历史成本或账面价值计量； 中国上市公司的股价吸收了较多的非会计信息，即认为炒作成分较多。 而中联财务顾问有限公司等(2004)对2003年1250个上市公司的全体样本和20个行业的子样本研究后发现：2003年市净率与公司业绩的相关性

7、增强，即市净率有向公司业绩靠拢的趋势，资产得分与市净率正相关的行业数量最多，说明股价中有很大一部分信息足反映公司资产质量的；市净率与净资产收益率存在明 的负相关关系，与总股本存在负相关关系，与净资产增长率存在微弱的正相关关系。 三 研究思路，设定变量，样本选取（一）研究方法上市公司的业绩主要反映在短期偿债能力，长期偿债能力，盈利能力，股东获利能力，发展能力，风险水平等方面，因此，我们将选取反映公司以上能力的2005年度财务指标，作为解释变量，进行股票价格与其之间的回归模型，在对模型的检验与修正中结合相关经济理论，金融理论及中国实际具体情况进行分析。（二）设定变量及简单说明1因变量(Y)：由于一

8、般上市公司的年度财务报告在次年的4月份公布，因此选取样本股2006年4月份收盘价作为因变量。2自变量： (1) 每股收益(X1)=净利润发行在外的加权平均普通股股数（反映股东获利能力，且在我国没有优先股发行，因此在净利润中无须减去优先股股息） (2) 每股净资产(X2)=股东权益总额/普通股股数 (3) 净资产收益率（ROE）（X3）=（股东权益期末余额+股东期初余额）/2（反映盈利能力） （4）净利润增长率(X4)= （本年净利润-期初净利润）/期初净利润 （反映发展能力） （5）市盈率（X5）=每股市价/每股收益（反映市场价值比率） （三）样本选取及依据研究对象：中国所有A股股票：样本范围

9、：沪深300指数的样本股（选取理由：尽管沪深两市在形式上和地域上是分割的，但它们之间存在很强的内在联系，基本上不存在长期的沪强深弱或深强沪弱的情况。有研究表明，沪深两市指数的相关系数高达963 %，并且两市股价指数属于长程相关。从统计角度来看，样本愈大愈具有代表性。因此，本文将两市样本进行综合研究； 沪深300指数的样本股是沪深两市所有A股股票中流动性强的300只规模最大的股票。其样本空间：剔除下列股票后的所有沪深两市A股股票； 上市时间不足一个季度的股票；暂停上市股票；经营状况异常或最近财务报告严重亏损的股票；股价波动较大、市场表现明显受到操纵的股票； 其他经专家委员会认定的应该剔除的股票。

10、 其选样标准：规模，流动性。 选样方法：对样本空间股票在最近一年（新股为上市以来）的日均成交金额由高到低排名，剔除排名后50%的股票，然后对剩余股票按照日均总市值由高到低进行排名，选取排名在前300名的股票作为样本股。 总之：沪深300指数是两家交易所合作的产物，是第一个具有广泛代表性的A股统一指数，能较好反映市场运行状况）在沪深300指数样本股相关数据的基础上，再次剔除以下股票：1金融类公司，因为这类公司其他类上市公司在财务特征上存在很大的差异；2 排除每股净资产、每股收益或净利润增长率为负的公司； 3 市盈率大于80的股票； 最终得到以下样本数据：2006年4月收盘价每股收益每股净资产净资

11、产收益率净利润增长率市盈率1.90.3518462.2330550.1575630.1461426.2811492.640.6155772.5863030.2380140.5060924.4023762.750.207453.2938480.0629810.07856315.0397762.850.1340882.2449770.0597280.15016220.8817353.030.111511.4770640.0754940.11755522.688583.090.0748891.2396330.0604123.26283730.8456283.190.2156172.4443060.0

12、882120.03209218.1339983.20.2385243.4611280.0436770.30849418.5305923.250.1781053.2710810.0544480.09856520.3812583.320.1773081.8237110.0972240.07682218.0476523.40.2038472.1440860.0950740.10455119.0829013.790.1425852.4777390.1641590.24154811.7897043.80.2825462.2697390.1244840.14525913.8030393.810.32128

13、94.4847910.071640.10880811.4850043.820.2224252.8749580.0773670.00098917.3541263.910.464862.7505090.1690090.3796157.5506633.930.2818372.5112370.1122310.11383214.5119113.970.1031012.4539740.0420140.25563236.4691714.040.1429982.3265460.1077970.13442224.8254814.180.1777372.6172390.067910.03322213.221768

14、4.190.3995413.5069890.1139270.54754410.0615374.20.178832.1550090.0829831.97497120.8019344.210.8814712.2504880.2073810.0308545.2525814.220.7232492.2528120.1700640.3480815.696524.260.445082.0380080.1102230.1959669.7285914.270.2544362.0044750.0635380.00260615.4065984.320.2311892.8805410.0802590.2959311

15、2.457364.680.1273343.1235220.0407660.18555332.7486144.810.3083493.2029310.0962710.16666715.7289434.930.0892253.9234380.0181230.21470634.7434334.970.1630743.8561120.0878587.94093724.7127075.020.5468773.0490880.1793580.5485196.3085455.080.2430343.2136360.0756260.65653822.7951875.10.5081722.0935990.181

16、9060.6394998.1074955.140.1773612.4154120.0734290.09312623.3421775.210.3425732.8978590.1182160.29328415.0916575.230.2090042.5586020.0816870.38765123.1574295.250.6735372.4472350.2752240.1554758.2400775.310.397472.7952270.1421960.63017515.0954645.50.4231463.9173990.10801738.665912.6197675.550.06383.161

17、0050.0201830.73400371.787075.590.7018213.8235950.183550.1706595.6139695.630.4992883.6355880.1373340.15808711.09585.660.2189211.6177210.1353270.45298224.5751215.790.5802783.7863230.1796670.3974657.3940335.890.174382.4483310.0712240.44249520.0711325.910.496442.7705430.1791851.45494410.0112756.030.8160

18、623.2204520.25340.4345226.7396836.070.456254.4869310.1834590.22565510.2136956.110.4096613.2770810.1250080.11089915.2076896.220.1028275.5659580.0184740.19903674.2997436.230.3629492.2334470.1625060.53798811.8749376.310.5796624.2134860.1375730.5061617.038596.370.7802283.558480.2192590.7141888.5487886.3

19、90.6964374.7970640.145180.29226910.4101246.40.5739383.3285910.1724270.28065310.4366686.480.2245264.885660.0778070.07555727.3910616.480.4078153.7149960.1502080.0986216.9684936.51.0455862.2380690.3229040.827236.264436.620.2275023.232750.0703742.3365227.5162156.731.0084175.1958990.1940790.1136349.60912

20、7.010.4716081.9643010.0685130.02704821.7592947.090.6156244.6482450.1324420.4442068.2517877.130.5811123.2682550.0554150.42756829.7053857.20.4073865.0722930.0408860.75269231.9693277.260.4226443.2677090.1293390.05558317.3195557.30.8171584.5764120.1785590.5157788.4194277.450.944983.0897350.3058450.37552

21、37.4075627.560.5497842.7118780.2027320.02390817.952527.750.8043673.8042970.2114370.5414787.0117227.790.529743.9991350.0574470.48039423.7224937.820.6180443.1535830.1959821.0620056.5205677.850.3051733.3967660.0898420.06306820.2508127.870.0548864.8290510.0300080.01695679.0726447.870.3193334.2706350.097

22、6360.32638224.7390397.990.2071125.314830.0389690.04402223.6587418.040.4527273.8356860.118030.40158714.1807168.050.6056394.8526740.1248050.1689798.7015578.170.2478944.8601820.0866710.18552225.8577958.230.4450395.2793550.1075040.17775527.5058168.250.5937294.2794650.1810450.31509716.1521388.530.3082254

23、.0901080.1474680.28003417.3898918.781.2676125.0530350.2508620.399836.7844089.020.7358135.7967730.1937990.03544110.9402869.050.2715054.4228320.0613870.02320824.9351119.160.1934154.3834130.081150.07085244.5157619.350.9593454.6363210.2638230.59322411.1847119.360.5116244.000610.1705070.16221215.0110169.

24、490.3694975.605650.1024770.12275933.3967979.660.2323454.7772180.0615120.08663535.8088339.750.242494.5972050.0933660.1265927.6299879.760.3312985.0758280.107710.91355223.453231100.4717234.1893660.1479050.17250711.68057410.490.323244.9892560.0810280.31796322.49104810.70.550914.4142530.1613560.08228317.

25、71614310.770.9491135.0693520.1872260.21111210.92599110.780.3077184.7061040.1803630.36065122.68310511.010.211982.0539370.1032070.45165126.93648711.020.6590694.1065420.1604920.02896817.16057111.120.4400436.6251230.066420.60898320.11168811.240.4951913.2904290.1504940.2487722.0924911.280.4302533.9121740

26、.1099780.38519918.59371611.30.3403224.6941910.0724990.04005830.76494111.481.1071427.9485610.1392880.2267737.93032711.560.6812636.1015170.1116550.171717.1446311.580.6949543.1921730.2177060.6190487.30983711.640.6789974.5905780.1479110.1298214.52141512.220.7209324.7282150.1524750.07553120.00187813.50.6

27、419993.3311560.1927261.0260729.62618113.591.1531824.3997610.2621010.5188639.78163214.010.3055814.186210.1397770.48689226.277814.140.4451835.4416770.1823270.42882628.93189614.210.7188354.1542920.1730340.56262115.09386614.450.3378625.3560580.1006721.0089419.65301714.50.7135773.4977490.204010.54823118.

28、9187614.680.5613215.9657890.1892660.70912714.87561114.751.2092595.5219620.2189910.6718827.54180914.80.5585445.0108440.2777660.5029516.11331714.890.4443395.3768680.1869430.91076114.62845815.060.8288642.8954860.2862612.17157212.19742215.210.6940465.4132560.1282120.05039120.04189915.210.4594214.252070.

29、1080460.32595432.71507515.31.1734594.0742460.2880190.9947710.57556915.580.5180684.1074380.1667190.33790418.12503516.270.8549775.8115290.2243130.15525111.82488316.370.7836424.9666170.2641531.64282810.82127316.40.7277884.095630.3472890.53066519.30506616.90.6766513.7801620.1354780.30281227.85071516.940

30、.6719533.1485270.312750.74935417.20359317.490.729274.7756890.0480080.69922141.91557417.880.749845.8032580.129210.22689519.65752718.810.6215454.3349420.2661930.02121518.5505519.270.8310135.5490150.1497590.23640729.77091119.511.2939914.8645190.2660060.0504028.50083119.531.3075675.7150430.1132830.19528

31、434.00886121.731.2401774.8173020.0852510.7315131.51848122.571.5719626.9840760.0818950.42328732.86931423.341.3073075.0601020.1004240.98492540.05765924.032.0139194.9413710.5109690.9563486.54445425.021.5465354.8877220.140580.50500522.17608125.311.2447287.5522320.1179590.18384222.31813826.61.1914234.236

32、3520.2812381.76514424.48333727.651.8175094.5090410.1813041.21979314.5197230.411.8232596.44160.1278040.15057121.88861233.730.8305578.066910.1029590.73040720.75714934.441.0454835.4857810.2999280.93500419.12991636.491.7701424.5605760.1688690.53026529.12450236.621.4780685.9258790.2494260.60098517.401095

33、37.161.792033.8997590.2030971.32889216.33776753.951.561277.8457550.1989950.8891620.46411291.412.37029410.7902050.2196710.36315419.246559三 模型设定及其估计（一）设定模型：（模型一）用EViews软件进行OLS回归，回归结果如下：Dependent Variable: YMethod: Least SquaresDate: 06/24/07 Time: 19:58Sample: 1 151Included observations: 151VariableCo

34、efficientStd. Errort-StatisticProb.C-10.860842.092468-5.1904450.0000X114.912061.6390629.0979250.0000X22.2700640.4121445.5079380.0000X33.8308788.7253690.4390510.6613X40.0045800.1457140.0314320.9750X50.1753810.0491763.5664060.0005R-squared0.716871Mean dependent var11.29947Adjusted R-squared0.707108S.D

35、. dependent var10.53760S.E. of regression5.702896Akaike info criterion6.358750Sum squared resid4715.839Schwarz criterion6.478641Log likelihood-474.0856F-statistic73.42684Durbin-Watson stat1.058247Prob(F-statistic)0.000000得到估计模型：=-10.86084+14.91206X1+2.270064X2+3.830878X3+0.004580X4+0.175381X5SE=（2.0

36、92468）（1.639062）（0.412144）（8.725369）（0.145714）（0.049176）T=（-5.190445）（9.097925）（5.507938）（0.439051）（0.031432）（3.566406）=0.716871 =0.707108 DW=1.058247 F=73.426841 拟合优度检验：在的显著性水平下，F=73.42684回归方程总体显著，且=0.716871拟合优度较高，说明模型对样本的拟合较好。2 经济意义检验： 估计的参数 = 14.91206，说明每股收益增加一个单位，股票价格平均上升14.91206个单位，与经济意义相符合，同理，

37、后面四个指标参数检验也符合经济意义，分别对股票价格有同方向影响。3 计量经济检验：（1）多重共线性检验由此可见, = 0.7168, =0.707108，较高，在F检验值为73.42684，比较显著.但在的显著性水平下, 与的t检验不显著，这表明,很可能存在较严重的多重共线性.解释变相关系数矩阵如下：X1X2X3X4X5X110.5484890.584510-0.020662-0.23792X20.54848910.105242-0.0183230.15036X30.584510.10524201-0.015749-0.544395X4-0.020662-0.018323-0.015741-0

38、.040191X5-0.2379270.150365-0.544395-0.0401911有上表可以看出，各解释变量相互之间可能存在一定的多重共线性。修正多重共线性：用逐步向后回归法，有模型回归结果可以看出，与参数估计的t检验不显著，因此二者很有可能是其造成了多重共线性。第一步：剔除X3变量，回归结果如下：Dependent Variable: YMethod: Least SquaresDate: 06/24/07 Time: 21:15Sample: 1 151Included observations: 151VariableCoefficientStd. Errort-Statisti

39、cProb.C-10.222321.500281-6.8136000.0000X115.303701.37127311.160210.0000X22.2387130.4047875.5305910.0000X40.0025180.1452360.0173360.9862X50.1655470.0436573.7920080.0002R-squared0.716495Mean dependent var11.29947Adjusted R-squared0.708727S.D. dependent var10.53760S.E. of regression5.687109Akaike info

40、criterion6.346833Sum squared resid4722.108Schwarz criterion6.446743Log likelihood-474.1859F-statistic92.24539Durbin-Watson stat1.061182Prob(F-statistic)0.000000其他变量t统计量增大，说明引起一定的多重共线性，将其剔除。第二步：将剔除，回归结果如下：Dependent Variable: YMethod: Least SquaresDate: 06/24/07 Time: 21:18Sample: 1 151Included observ

41、ations: 151VariableCoefficientStd. Errort-StatisticProb.C-10.219571.486826-6.8734150.0000X115.302991.36599911.202780.0000X22.2387700.4033955.5498240.0000X50.1655110.0434613.8082670.0002R-squared0.716494Mean dependent var11.29947Adjusted R-squared0.710708S.D. dependent var10.53760S.E. of regression5.

42、667738Akaike info criterion6.333590Sum squared resid4722.118Schwarz criterion6.413518Log likelihood-474.1861F-statistic123.8359Durbin-Watson stat1.061261Prob(F-statistic)0.000000效果更好，说明剔除x4合理。第三步：假若将x1，或x2或x5剔除，结果分别如下：Dependent Variable: YMethod: Least SquaresDate: 06/24/07 Time: 21:20Sample: 1 151I

43、ncluded observations: 151VariableCoefficientStd. Errort-StatisticProb.C-7.9804101.426565-5.5941450.0000X113.286711.31541110.100810.0000X22.7700500.3953947.0058050.0000R-squared0.688524Mean dependent var11.29947Adjusted R-squared0.684315S.D. dependent var10.53760S.E. of regression5.920645Akaike info

44、criterion6.414436Sum squared resid5187.998Schwarz criterion6.474381Log likelihood-481.2899F-statistic163.5782Durbin-Watson stat1.135825Prob(F-statistic)0.000000Dependent Variable: YMethod: Least SquaresDate: 06/24/07 Time: 21:20Sample: 1 151Included observations: 151VariableCoefficientStd. Errort-St

45、atisticProb.C-5.5372791.341883-4.1264980.0001X119.915741.18817416.761630.0000X50.2489270.0446975.5692300.0000R-squared0.657092Mean dependent var11.29947Adjusted R-squared0.652458S.D. dependent var10.53760S.E. of regression6.212200Akaike info criterion6.510575Sum squared resid5711.532Schwarz criterio

46、n6.570521Log likelihood-488.5484F-statistic141.8012Durbin-Watson stat0.979340Prob(F-statistic)0.000000Dependent Variable: YMethod: Least SquaresDate: 06/24/07 Time: 21:20Sample: 1 151Included observations: 151VariableCoefficientStd. Errort-StatisticProb.C-5.5372791.341883-4.1264980.0001X119.915741.1

47、8817416.761630.0000X50.2489270.0446975.5692300.0000R-squared0.657092Mean dependent var11.29947Adjusted R-squared0.652458S.D. dependent var10.53760S.E. of regression6.212200Akaike info criterion6.510575Sum squared resid5711.532Schwarz criterion6.570521Log likelihood-488.5484F-statistic141.8012Durbin-Watson stat0.979340Prob(F-statistic)0.000000可见，可决系数都明显变差，且被解释变量分别对这三个变量的线性回归方程的拟合不好，因此决定保留x1，x2，x5三个变量作为解释变量，模型修正为：（模型二）OLS回归