指數(shù)崩盤的預(yù)測以及兩融業(yè)務(wù)和股市輿論對指數(shù)崩盤的影響

蔡 琛

（貴州大學(xué)管理學(xué)院，貴陽 550025）

指數(shù)崩盤現(xiàn)象會(huì)嚴(yán)重干擾資本市場的正常運(yùn)行，影響到金融體系對資本市場的配置效率，從而給實(shí)體經(jīng)濟(jì)帶來嚴(yán)重的危害，甚至可能導(dǎo)致經(jīng)濟(jì)危機(jī)的爆發(fā)。對國家的決策者而言，對股市泡沫的監(jiān)測以及對指數(shù)崩盤的預(yù)警是很有必要的，對指數(shù)崩盤迅速做出應(yīng)對，降低其對整個(gè)金融系統(tǒng)的破壞能避免很多不必要的損失，能保證國家經(jīng)濟(jì)發(fā)展的健康穩(wěn)定；對于股票市場參與來講，找出指數(shù)崩盤的危險(xiǎn)時(shí)間區(qū)間，規(guī)避由市場泡沫破裂所帶來的巨大損失，對投資交易也有著借鑒意義。所以，不管從監(jiān)管還是投資的角度，研究指數(shù)崩盤的外部宏觀因素與內(nèi)部驅(qū)動(dòng)因素，對于系統(tǒng)金融風(fēng)險(xiǎn)的主動(dòng)防控都是非常有價(jià)值的工作。

一、文獻(xiàn)研究

為了更準(zhǔn)確地描述證券市場的運(yùn)行，一些物理學(xué)家將物理理論應(yīng)用于證券市場，從證券市場非線性運(yùn)行的角度去解釋泡沫產(chǎn)生及破裂的現(xiàn)象。Gopikrishnan等人（1998）分析了1994—1995年美國最大的1 000家上市公司的個(gè)股收益率，發(fā)現(xiàn)股票收益率服從幕律分布。Mataia等人（2002）等人分析了13種商品期貨價(jià)格的收益率，結(jié)果發(fā)現(xiàn)期貨價(jià)格收益率與股票等金融資產(chǎn)收益率有相似的統(tǒng)計(jì)性質(zhì)，都服從幕指數(shù)為3的冪律分布。T.Kaizoji（2005）提出了相對股價(jià)的概念并進(jìn)行了分析，發(fā)現(xiàn)相對股價(jià)在指數(shù)崩盤的時(shí)間點(diǎn)附近服從冪指數(shù)為2的冪律分布，且提出監(jiān)測冪指數(shù)變化能有效預(yù)測指數(shù)崩盤現(xiàn)象。對于幕律分布形成的原因，Bouchaud和Potter（2000）提出了一個(gè)關(guān)于波動(dòng)相關(guān)和分布尾部的模型。該模型表明，過去的大的波動(dòng)對今天市場的運(yùn)轉(zhuǎn)產(chǎn)生了影響，這導(dǎo)致了概率分布的尾部呈現(xiàn)冪律分布。Gabaxi等人（2003）假設(shè)較大的市場波動(dòng)主要受較大的市場參與者行為的影響，市場參與者（如金融機(jī)構(gòu)和投資者）基于利潤最大化的優(yōu)化行為導(dǎo)致了股票市場中的冪律分布。他們的研究表明，金融市場冪律分布的形成及冪指數(shù)的變化與市場本身、市場參與者和外部因素有著重要的關(guān)聯(lián)，但沒有最終找到影響冪指數(shù)變化的因素。

該研究選取了中國股市發(fā)生系統(tǒng)性指數(shù)崩盤時(shí)的在上海證券交易所上市的公司的每日收盤價(jià)，借用日本研究者T.Kaizoji提出的相對股價(jià)的概念，構(gòu)建中國上證市場相對股價(jià)，分析了中國證券市場相對股價(jià)的概率分布情況。研究發(fā)現(xiàn)，上證市場相對股價(jià)在指數(shù)崩盤的時(shí)間點(diǎn)附近時(shí)間區(qū)間內(nèi)服從冪指數(shù)為2的冪律分布。在此基礎(chǔ)上，采集了當(dāng)年的滬市的兩融余額和相對應(yīng)的每日股市相關(guān)的新聞量，運(yùn)用協(xié)整檢驗(yàn)方法、VAR模型進(jìn)行了實(shí)證檢驗(yàn)，目的在于探究配資額度與市場輿情對上證市場冪指數(shù)的影響，研究發(fā)現(xiàn)兩融余額、股市相關(guān)新聞量與冪指數(shù)之間存在協(xié)整關(guān)系。

二、相對價(jià)格的實(shí)證檢驗(yàn)

1.樣本數(shù)據(jù)。滬市上市公司收盤價(jià)每日數(shù)據(jù)來自wind數(shù)據(jù)庫，對上證指數(shù)跌幅及下跌持續(xù)時(shí)間進(jìn)行分析，發(fā)現(xiàn)可作為泡沫破裂時(shí)間區(qū)間的年份為1997年、2001年、2007年、2015，收集共2 963支股票這四年的每日收盤價(jià)。兩融余額每日數(shù)據(jù)來自Wind數(shù)據(jù)庫，該研究采集2015年兩融余額的每日數(shù)據(jù)。股票相關(guān)新聞量數(shù)據(jù)來自百度新聞搜索，通過百度新聞高級搜索手工收集了以“股票”為關(guān)鍵字的2015年每日新聞量數(shù)據(jù)，以每日新聞量數(shù)據(jù)作為市場輿情的替代變量。

2.實(shí)證研究。通過監(jiān)測相對價(jià)格的冪指數(shù)的變化來對股價(jià)的分布特性進(jìn)行研究。相對股價(jià)的定義為當(dāng)日股價(jià)與基期股價(jià)之比，基期選定為1997年的首個(gè)交易日收盤價(jià)，通過對這4個(gè)指數(shù)崩盤時(shí)間點(diǎn)的附近時(shí)間區(qū)間的相對股價(jià)的監(jiān)測，發(fā)現(xiàn)相對股價(jià)的高價(jià)區(qū)間在這四個(gè)時(shí)間區(qū)間內(nèi)呈現(xiàn)尖峰長尾的特征，此時(shí)冪律分布是更適合的數(shù)學(xué)描述。當(dāng)用正態(tài)分布的工具去分析一個(gè)極端世界時(shí)，由于使用了不恰當(dāng)?shù)母怕史植歼M(jìn)行描述，大大低估了風(fēng)險(xiǎn)。所以在指數(shù)崩盤時(shí)間點(diǎn)附近的時(shí)間區(qū)間內(nèi)應(yīng)該用冪律分布來解釋證券市場股價(jià)的分布情況。

根據(jù)其相對股價(jià)大小進(jìn)行排序后，它的排名（相對股價(jià)高的排名靠前）。對兩側(cè)的變量進(jìn)去對數(shù)變換得，能計(jì)算出每個(gè)交易日對應(yīng)的股價(jià)冪指數(shù)值。發(fā)現(xiàn)在指數(shù)崩盤時(shí)間點(diǎn)之前，冪指數(shù)會(huì)隨著時(shí)間的變化呈現(xiàn)下降趨勢，在指數(shù)崩盤之前的某一時(shí)間點(diǎn)下降到2，冪指數(shù)在值為2值域區(qū)間內(nèi)徘徊一段時(shí)間，在指數(shù)崩盤時(shí)間點(diǎn)處冪指數(shù)下降到最低點(diǎn)。而在指數(shù)崩盤時(shí)間點(diǎn)之后，冪指數(shù)開始呈現(xiàn)上升趨勢。為了進(jìn)一步的研究這四個(gè)時(shí)間區(qū)間內(nèi)相對股價(jià)的發(fā)散情況，計(jì)算了樣本每日收盤價(jià)的方差，并對每日收盤價(jià)方差的變化進(jìn)行了分析，發(fā)現(xiàn)隨著泡沫的產(chǎn)生、積累，股價(jià)方差和相對股價(jià)方差逐漸增大，且在股票指數(shù)崩盤時(shí)間點(diǎn)附近陡然下降，這表明隨著泡沫的持續(xù)積累，股價(jià)以及相對股價(jià)在逐漸發(fā)散。當(dāng)α>2時(shí)，隨著冪指數(shù)α值的減小，相對股價(jià)方差逐漸增大；當(dāng)α的值趨向于2時(shí)，相對股價(jià)方差趨于無窮大。驗(yàn)證了在研究的1997年、2001年、2007年、2015年這四個(gè)時(shí)間區(qū)間內(nèi)，滬市上市公司的相對股價(jià)服從冪律分布，且當(dāng)冪指數(shù)等于2時(shí)，此時(shí)股價(jià)接近指數(shù)崩盤的臨界時(shí)間，通過相同的方法計(jì)算其他年的冪指數(shù)，發(fā)現(xiàn)在這四次股價(jià)上漲到指數(shù)崩盤的過程中，冪指數(shù)值都于崩盤之前下降到2，且它的值在指數(shù)崩盤前的短時(shí)間內(nèi)在2附近波動(dòng)，這說明當(dāng)冪指數(shù)值下降到2時(shí)，股市處于指數(shù)崩盤高風(fēng)險(xiǎn)期，監(jiān)測冪指數(shù)值能有效地對指數(shù)崩盤進(jìn)行預(yù)測。

三、相對股價(jià)冪指數(shù)、兩融余額和股票相關(guān)新聞量的協(xié)整檢驗(yàn)

為了建立能夠更加準(zhǔn)確地描述中國證券市場指數(shù)崩盤時(shí)間點(diǎn)的模型找出相對股價(jià)冪指數(shù)變化的影響因素，該研究借助協(xié)整檢驗(yàn)以及VAR模型，結(jié)合配資情況與市場輿情這兩個(gè)方面進(jìn)行研究。配資情況與市場輿情的替代變量分別是兩融余額與股票相關(guān)新聞量。檢驗(yàn)兩融余額與股票相關(guān)新聞量對相對股價(jià)冪指數(shù)的影響時(shí)，該研究以相對股價(jià)冪指數(shù)（r）為因變量，兩融余額（mt）、股票相關(guān)新聞量（news）為自變量。

1.單位根檢驗(yàn)。對因變量和2兩個(gè)自變量進(jìn)行單位根檢驗(yàn)，三個(gè)變量的水平值不能拒絕單位根檢驗(yàn)的原假設(shè)，變量的水平值是非平穩(wěn)的，一階差分后，△r、△mt和△news在1%的顯著性水平上拒絕原假設(shè)，因此r、mt、news都是Ⅰ（1）序列。

2.協(xié)整檢驗(yàn)?！皡f(xié)整向量個(gè)數(shù)不存在”的原假設(shè)的相伴概率為0.0013，拒絕該原假設(shè)；“協(xié)整向量個(gè)數(shù)最多為1”的原假設(shè)的相伴概率為0.0460，拒絕該原假設(shè)；“協(xié)整向量個(gè)數(shù)最多為2”的原假設(shè)的想把概率為0.3405，沒有拒絕該原假設(shè)。因此，在0.05的顯著水平下，拒絕“協(xié)整向量個(gè)數(shù)最多為1”的原假設(shè)，特征根跡檢驗(yàn)顯示序列r、mt和news之間最多存在2個(gè)協(xié)整方程，三個(gè)變量間存在協(xié)整關(guān)系。

3.格蘭杰因果檢驗(yàn)。通過格蘭杰因果檢驗(yàn)發(fā)現(xiàn)，r、mt和news之間存在格蘭杰因果性。其中，“news不是引發(fā)r變化的原因”的原假設(shè)的概率為0.04，拒絕該原假設(shè)；“mt不是引發(fā)r變化的原因”的原假設(shè)的概率為0.0002，拒絕該原假設(shè)，故mt和news可作為VAR模型的自變量，r作為VAR模型的因變量。

4.標(biāo)準(zhǔn)化的協(xié)整向量與VEC模型。一般而言，第一個(gè)協(xié)整向量具有較強(qiáng)的解釋力，對該協(xié)整方程進(jìn)行關(guān)于r的正規(guī)化后，得出代表序列之間的長期均衡關(guān)系的協(xié)整方程，協(xié)整方程中的自變量mt和news均顯著，變量之間存在長期均衡關(guān)系，從自變量的系數(shù)可以看出，股票市場相關(guān)的新聞量對冪指數(shù)的長期敏感度強(qiáng)于兩融業(yè)務(wù)數(shù)據(jù)，樣本期間，股市相關(guān)新聞量每變動(dòng)一個(gè)百分點(diǎn)，冪指數(shù)就反方向變動(dòng)0.0127個(gè)百分點(diǎn)，news對r的影響程度相較于mt而言是較大的。協(xié)整方程顯示，news系數(shù)的符號(hào)為負(fù)（移項(xiàng)寫成協(xié)整方差后，news系數(shù)為負(fù)），在其他條件不變的情況下，市場熱度的增加會(huì)導(dǎo)致冪指數(shù)的下降；mt系數(shù)的符號(hào)為正，在他條件不變的情況下，兩融余額增加，冪指數(shù)會(huì)有較小程度的增加。盡管序列r、news和mt之間存在長期均衡關(guān)系，但在短期內(nèi)，這些變量可以是非均衡的，變量間的這中短期非均衡關(guān)系的動(dòng)態(tài)結(jié)構(gòu)可以由向量誤差（VEC）模型來描述。VEC模型是含有協(xié)整約束的VAR模型，建立VEC模型，從所確定的VEC模型可知，news的短期影響要強(qiáng)于mt。

由此可見，為了延緩冪指數(shù)的下降趨勢，抑制股市泡沫的產(chǎn)生，有效控制指數(shù)崩盤風(fēng)險(xiǎn)，應(yīng)主要在長期和短期內(nèi)盡量設(shè)法降低市場的熱度。

四、結(jié)語

在該研究中，研究了我國股市相對股價(jià)的統(tǒng)計(jì)特性。通過監(jiān)測我國滬市1997年、2001年、2007年、2015年的相對股價(jià)的變化，發(fā)現(xiàn)在指數(shù)崩盤時(shí)間點(diǎn)的附近時(shí)間區(qū)間，相對股價(jià)的高價(jià)區(qū)間服從冪律分布，并且當(dāng)冪指數(shù)α到達(dá)2時(shí)，股市泡沫將會(huì)破裂。在此基礎(chǔ)上，為了能建立描述指數(shù)崩盤的預(yù)測性模型，找出冪指數(shù)變化的影響因素，引入了市場配資的額度和整體的市場輿情，希望找到冪指數(shù)、兩融業(yè)務(wù)、市場輿情三者間的內(nèi)在聯(lián)系。通過協(xié)整檢驗(yàn)，建立VAR模型，發(fā)現(xiàn)這三者間存在協(xié)整關(guān)系，并且市場輿論的影響在長期和短期內(nèi)均要超過兩融業(yè)務(wù)量，這有助于制定有效的策略來抑制泡沫產(chǎn)生，對指數(shù)崩盤現(xiàn)象進(jìn)行主動(dòng)防控。