中國鉬業(yè)證券市場分化現(xiàn)象的思考

方蘭,沈鐳

(中國科學院地理科學與資源研究所,北京 100101)

中國鉬業(yè)證券市場分化現(xiàn)象的思考

方蘭,沈鐳

(中國科學院地理科學與資源研究所,北京 100101)

對2010年1季度中國鉬業(yè)證券市場價格與成交量的動態(tài)關(guān)系進行了深入分析,研究結(jié)果表明:中國鉬業(yè)證券市場已呈現(xiàn)出了明顯分化的運行態(tài)勢,金鉬股份在市場資本風險配置方面體現(xiàn)出了更高的效率。

鉬業(yè);證券;市場效率

Abstract:This paper led the in-depth analysis of the dynamic relationship between market prices and trading volume of China’s molybdenum stock market,and the research results show that:China’s molybdenum stock market has shown a clear differentiation of running posture,and the JINMUGUFEN reflects a higher efficiency in capital risk allocation.

Key words:molybdenum industry;stock;market efficiency

在實際證券市場中,證券成交價與成交量是市場行為最基本的表現(xiàn)。過去和現(xiàn)在的成交價與成交量體現(xiàn)了過去和現(xiàn)在的市場行為,進一步而言,在某一時點上的成交價與成交量反映的是買賣雙方在這一時點上共同的市場行為,雙方達到了暫時均衡,這種暫時均衡將隨時間變化而變。先前研究已由市場效率及成熟度、匯率影響因子、實物市場影響因子、貨幣供應(yīng)影響因子等宏觀角度對中國鉬業(yè)證券市場進行了較為詳細的探討,本文遂進一步著眼于證券成交量價關(guān)系自微觀角度對中國鉬業(yè)證券市場開展定期量化研究,在一定程度上有利于提高決策的前瞻性與科學性。

2010年1季度,中國鉬業(yè)證券市場中金鉬股份與洛陽鉬業(yè)價格波動較為頻繁(圖1、圖2),雖聯(lián)合研究數(shù)據(jù)樣本區(qū)間內(nèi),二股收盤價PJM及PLMHK基本維持了大致相似的走勢(圖3、圖5),但成交量VJM及VLMHK起伏頗為劇烈(圖4、圖6),尤其是金鉬股份,其成交量VJM與其日K線走勢折點出現(xiàn)了有趣的呼應(yīng)現(xiàn)象。

證券市場中,投資人關(guān)注的焦點問題只有兩個——收益和風險,即在追求收益最大化的同時對風險有意進行控制、回避或轉(zhuǎn)嫁,這種頻繁操作往往會引發(fā)市場波動。采用單位價格成交量這一常用指標將此細節(jié)放大,即設(shè)定DJM=VJM/(ΔPJM/PJM),DLMHK=VLMHK/(ΔPLMHK/PLMHK),分別代表金鉬股份與洛陽鉬業(yè)價格變動一個百分比單位時所產(chǎn)生的成交量,可以直觀地看出,洛陽鉬業(yè)單位價格成交量DLMHK極值點比金鉬股份單位價格成交量DJM更多,且波幅更大。來自長江證券等公司的實證結(jié)果表明,單位價格成交量的絕對值較大時,投資者分歧較小,此時證券價格較穩(wěn)定,遇到阻力后將自然回落,遇到支撐后則會自然上漲,而單位價格成交量的絕對值較小時,投資者分歧較大,證券價格較不穩(wěn)定,這既是風險也是機遇。因此,洛陽鉬業(yè)與金鉬股份運行存在顯著的差異。前者價格較為穩(wěn)定,受游資影響較小,但其沖破阻力或跌破支撐的可能性也相應(yīng)較小,投資風險與投資收益較低;后者價格較不穩(wěn)定,受游資影響較大,但其上漲及下跌空間也相應(yīng)較大,投資風險與投資收益較高。

以金鉬股份收盤價PJM與成交量VJM及洛陽鉬業(yè)收盤價PLMHK與成交量VLMHK分別構(gòu)建計量模型,可更清晰地證明這一觀點。

長期以來,預(yù)測經(jīng)濟運行時間序列的理論與方法層出不窮,本文根據(jù)數(shù)據(jù)特性引入適宜的經(jīng)典模型進行計量分析,即選擇Panel Data模型檢驗收盤價與成交量之間的關(guān)系,而ARMA模型檢驗收盤價與歷史價格之間的關(guān)系。

圖1 金鉬股份股價走勢圖/元

圖2 洛陽鉬業(yè)股價走勢圖/港元

圖3 金鉬股份收盤價走勢圖/元

圖4 金鉬股份成交量走勢圖/股

圖5 洛陽鉬業(yè)股價走勢圖/港元

圖6 洛陽鉬業(yè)成交量走勢圖/股

圖7 單位價格成交量比較圖/股

Panel Data模型最早由Mundlak于1961年引入到經(jīng)濟計量學中并在Balestra等學者推崇下引起了關(guān)注。雖然他們對于Panel Data模型的固定效應(yīng)與隨機效應(yīng)存在不同的看法,并進行了長期的爭論,但是,對于Panel Data模型的定義卻基本統(tǒng)一,即它是基于時間與個體異質(zhì)性結(jié)構(gòu)的假設(shè)與分析而建立、同時融合時間和個體雙重維度的數(shù)據(jù)結(jié)構(gòu)。Panel Data模型的多重觀察既包括對樣本單位在某一時期的多個特性進行觀察,也包括對該樣本單位的這些特性在一段時間的連續(xù)觀察,是一類利用合成數(shù)據(jù)分析變量間相互關(guān)系并預(yù)測其變化趨勢的計量經(jīng)濟模型。因此,Panel Data模型能夠同時反映研究對象在時間和截面兩個方向上的變化規(guī)律及不同時間、不同單元的特性,被譯為平行數(shù)據(jù)或面板數(shù)據(jù)模型。Panel Data模型的基本假設(shè)被稱作參數(shù)齊性假設(shè),即經(jīng)濟變量Y由某一參數(shù)的概率分布產(chǎn)生P(y|θ)產(chǎn)生,其中,θ是m維實向量,在所有時刻對所有個體均相等。Panel Data模型一般形式為

1970年Box和Jenkins提出了AR I MA模型(Auto Regressive Integrated Moving Average Model,差分自回歸滑動平均模型)78,也稱為Box-Jenkins法,是研究時間序列的重要方法,由AR模型(自回歸模型)與MA模型(滑動平均模型)為基礎(chǔ),引入差分方法整合構(gòu)成。ARMA模型(Auto Regressive and Moving Average Model,自回歸滑動平均模型)僅比其少一個用于平穩(wěn)化處理的差分過程,因此,ARIMA模型被視為ARMA模型的擴展,或是認為ARMA即ARIMA差分平穩(wěn)后的特殊情況。ARMA模型多用于對時間序列的典型特征難以作出判斷的時間序列的預(yù)測。且一般而言,自相關(guān)系數(shù)越大,持續(xù)時間越長,根據(jù)該模型得到的預(yù)測結(jié)果越好。

由于AR(p)模型與MA(q)模型的一般形式分別為

其中,a0為常數(shù)的截距項,p、q為滯后期數(shù),ai為Yt-i的系數(shù),bi為εt-i的系數(shù),εi是白噪音。AR(p)模型描述出自回歸過程,是指一個過程的當前值是過去值的線性函數(shù)。MA(q)模型描述出移動平均過程,是指模型值可以表示為過去殘差項(也就是過去的模型擬合值與過去觀測值的差)的線性函數(shù)。

ARMA(p,q)模型可記為

其中符號含義同上。ARMA模型的基本思想是:某些時間序列是依賴于時間t的一族隨機變量,構(gòu)成該時序的單個序列值雖然具有不確定性,但整個序列的變化卻有一定的規(guī)律性,可以用相應(yīng)的數(shù)學模型近似描述,在市場研究中常用于長期追蹤資料的研究。ARMA模型用于處理時序數(shù)據(jù),用于反映一般的變化方向,其時序圖是在較長時間間隔上的數(shù)據(jù)變化,這種變化反映為一種趨勢線或趨勢曲線。采用適當?shù)碾A數(shù)的ARMA模型,可以消除數(shù)據(jù)中的循環(huán)、周期性和非規(guī)則的模式,只保留趨勢變化。ARMA模型預(yù)測的基本程序包括平穩(wěn)性識別、模型階數(shù)識別、參數(shù)估計、參數(shù)檢驗及應(yīng)用分析等步驟。ARMA模型預(yù)測認為預(yù)測指標的歷史數(shù)據(jù)正是在各種相關(guān)因素的宏觀作用下形成的,因此只考慮預(yù)測序列本身歷史數(shù)據(jù)反映和包容的信息,幾乎不直接考慮其他相關(guān)指標的信息,僅僅依靠樣本數(shù)據(jù)本身來實現(xiàn)建模?；贏RMA模型的時間序列預(yù)測是通過對預(yù)測目標自身時間序列的處理來研究其變化趨勢的。借助歷史數(shù)據(jù)發(fā)掘現(xiàn)象隨時間變化的規(guī)律,并將這種規(guī)律延伸到未來,從而對該現(xiàn)象的未來做出預(yù)測,其擬合模型是一種預(yù)測精度相當高的短期預(yù)測模型。不可否認的是,由于ARMA模型本身存在先天性缺陷,即隨著預(yù)測期的延長,其預(yù)測誤差會逐漸增大。但在短期內(nèi)它的預(yù)測還是比較準確的,而且與其它的預(yù)測方法相比,其預(yù)測準確程度還是比較高的,尤其是在短期預(yù)測方面表現(xiàn)卓越。ARMA模型中,自回歸和移動平均關(guān)系的數(shù)量,即p階與q階,可由模型選擇的AIC信息準則所決定,事實上,AIC信息準則也適用于AR模型與MA模型的定階問題。而ARMA模型涉及到兩個階數(shù),在實證分析時,一般采用ARMA(n+1,n)的方式進行階數(shù)的選取。模型的參數(shù)估計采用非線性最小二乘估計法,其計算步驟為從被估計參數(shù)的一組初始值開始,使參數(shù)依某種規(guī)律沿著殘差平方和減小的方向變化,得到使殘差平方和較小的一點,再以次作為新的出發(fā)點進行下一步迭代,這種迭代一直進行到在預(yù)先給定的精度下,殘差平方和不再下降或下降的很小為止。此后,根據(jù)由廣至簡的建模原則,從模型中刪除不顯著的變量。

由此,可得到4個模型系數(shù)估計及其檢驗結(jié)果如下:

表1 金鉬股份收盤價與成交量Panel Data模型系數(shù)估計及檢驗結(jié)果(模型1)

表2 洛陽鉬業(yè)收盤價與成交量Panel Data模型系數(shù)估計及檢驗結(jié)果(模型2)

表3 金鉬股份ARMA模型系數(shù)估計及檢驗結(jié)果(模型3)

表4 洛陽鉬業(yè)ARMA模型系數(shù)估計及檢驗結(jié)果(模型4)

表5 中國鉬業(yè)證券市場價格與貨幣供應(yīng)量模型檢驗結(jié)果

由計量模型的檢驗結(jié)果可以看出,模型1與模型4順利通過各項檢驗,且擬合優(yōu)度大于70%,模型中的數(shù)量關(guān)系成立。模型2與模型3顯然不成立:模型2中,4個變量中有3個回歸系數(shù)無法通過t檢驗,說明所選變量與因變量之間不存在顯著的線性相關(guān)關(guān)系,而剔除此3個變量后,以PLMHK與LN(VLMHK)構(gòu)建出的協(xié)整模型,其修正決定系數(shù)僅0.131 587;模型3中,3個變量均無法通過t檢驗,因此,其修正決定系數(shù)再高,也僅僅說明此為偽回歸現(xiàn)象。這說明金鉬股份與洛陽鉬業(yè)的運行態(tài)勢各有其不同的內(nèi)在數(shù)量關(guān)系,須各自采取恰當?shù)哪Ｐ陀枰悦枋?。即金鉬股份收盤價與成交量之間存在顯著的線性相關(guān)關(guān)系,因此采用PanelData模型,而洛陽鉬業(yè)收盤價依靠樣本數(shù)據(jù)實現(xiàn)建模,方可達到可接受的擬合優(yōu)度。由此,可以得出結(jié)論:金鉬股份收盤價傾向于受成交量影響,而洛陽鉬業(yè)收盤價傾向于受歷史成交價制約,換言之,金鉬股份成交量是影響其收盤價漲跌的重要指標,而洛陽鉬業(yè)價格漲跌依然存在某種自身規(guī)律性,因此在一定程度上具有基于歷史價格的可預(yù)測性。金鉬股份對初始波動的敏感性較低,其反持久性的均值回復(fù)傾向更弱,正說明其市場效率有所提高,投資風險與投資收益的空間也更大,恰好與單位價格成交量所推導(dǎo)出的結(jié)論互為印證,正說明金鉬股份雖為后發(fā)之股,在市場資本風險配置方面卻體現(xiàn)出了較為明顯的效率。

[1] 方蘭.基于鉬業(yè)市場聯(lián)合度量的中國鉬鐵市場作用與價格波動研究.[博士學位論文D].長沙:中南大學,2009.

[2] 方蘭,李夕兵.中國鉬業(yè)證券市場特征及有效性分析[J].中國鉬業(yè)2009,33(03):46-50.

[3] 方蘭,李夕兵.基于逐日遴選法的鉬業(yè)證券市場實證研究[J].中國鉬業(yè)2009,33(06).

[4] 方蘭,沈鐳.中國鉬業(yè)證券市場發(fā)展淺析[J].中國鉬業(yè)2009,34(01):57-60.

[5] Mundlak,Y.,Empirical Productions Free of Management Bias[J],Journal of Farm Economics,1961(43),44-56.

[6] Balestra,P.,and M.Nerlove Pooling Cross-Section and Time-Series Data in the Estimation of a Dynamic E-conomic Model:The Demand for Natural Gas[J],Econometric,1966(34),585-612.

[7] Box GEP,Jenkins GM,Reinsel G C.Time Series A-nalysis:Forecasting and Control[M].The third edition.NY:Prentice-Hall Inc,1994.

[8] DervootM V,DoughertyM,Watson S.Combining KOHOEN maps with AR I MA ti me series model to forecast traffic flow[J].Transportation Research,1996,4(5).307-318.

[9] Box GEP,Jenkins GM.Time series anaylsis:orcasting and control[M].revised edition.San Francisco:Holden-Day,1976.

RESEARCH ON POLARIZATI ON OF CHINA MOLYBDENUM STOCKMARKET

FANG Lan,SHEN Lei

(Institute of Geographic Sciences and Natural Resources Research(IGSNRR),CAS,Beijing 100101,China)

F830.91

A

1006-2602(2010)03-0049-05

2010-03-30

方 蘭(1976-),女,博士后,經(jīng)濟師。沈 鐳(1964-),男,博士,研究員,中國自然資源學會秘書長。