关键词不能为空

当前您在: 首页 > 财经 >

000419股吧:多因子股票计量模型

作者:admin
来源:http://www.ycssp0359.com/gupiao
日期:2020-10-24 22:12

股票买盘多-鸡概率股票

2020年10月24日发(作者:舒文炜)


利用多因子股票计量模型
估测市场炒作影响



第一部分 问题提出
对于股票收益率问题,早有人做出研究企图找到合适的影响因 素通过回归进
行股票收益率预测,但模型往往和现实拟合程度低。原因主要是选取的模型因子
往 往是宏观经济变量或大盘指标,并没有考虑到个股的特殊情况,比如CAPM
中简单的把个股的非系统性 风险带来的收益归结到截距项超额收益率中。而
FAMA等人提出的三因子模型考虑到了个股间的特殊情 况,但研究的是市值和账
面价值比,是在长期中对股价造成影响的因素,短期股价波动中并不显著。 < br>因此,要研究短期股价波动,必然需要找到在短期中影响到股价的因子。在
我国的股市中,分析师 常常会称市场的恶意炒作很大程度影响了价格走势。而在
媒体的评论中,市场的恶意炒作成了口诛笔伐的 对象。而股价短期波动也往往是
由于炒作引起的,而且这种炒作并不具有长期回归均值的特性。是否可以 通过在
原有已成熟的定价模型中加入炒作因子,使原有模型拟合程度更好呢?又应该如
何量化炒 作因子,使用何种方法加入到模型中?这就是我们需要研究的问题。
第二部分 文献研究
2.1 文献综述
Sharpe (1964)、Lintner(1965)以及Moss in(1966)分别独立发展了资本资产定
价模型(CAPM)。假定投资者能够以无风险收益率借贷 ,则:
E(R)=Rf+β(Rm-Rf)
其中,b=cov(R,Rm)var(Rm) 。R,Rm,Rf分别为单只股票、市场组合以及无风
险资产的收益率。在此,β被定义为单个证券收益 率和市场组合收益率变动的协
方差与市场组合收益率方差的比率,通常被看作股票收益变动对市场组合收 益变
动的敏感性衡量。CAPM指出,单只股票的预期收益率与其β值成正比。CAPM
的理论 核心指出了,在风险定价过程中,那些只影响单只股票收益率,而不影响
它与市场组合协方差的风险因素 在定价中不起作用,对定价唯一起作用的是该股
票的b值。
早期对CAPM的检验如Blac k,Jensen和Seholes(BJS,1972),Blume和
Friend(l973) ,Fama和MacBeth(FM,1973)都支持了该理论的中心观点。BJS对
美国纽约证券交 易所 (NYSE)1931-1965年间所有股票数据进行时间序列检验,
得出的收益与β的正比关 系比CAPM预测的要小,低风险的股票获得了理论预
期的收益,而高风险股票获得低于理论预测的收益 。
Ron(1976)首先对CAPM模型的实证检验提出了疑问:由于无法证明市场指
数组 合是有效的市场组合,因而无法对CAPM模型进行检验。他提出了著名的
套利定价理论(APT):假 设在竞争性和无摩擦的市场上,股票收益率是与未知数量
的未知因素相联系的。因此CAPM不过是一种 最简单的单因素模型。由此开始,
针对CAPM的检验由单一β的检验转向多变量的分析。
而 市场炒作这方面几乎没有文献进行过相关的研究,即使在影响股价的因素
中涉及到了,也往往是定性研究 ,没有进行模型和实证研究,得出的结论往往不
1

可靠。相关研究概括起来表现为 :定性研究较多、定量研究不够细致或者几乎没
有,研究内容的广度和深度不够,研究学科仅仅考虑到了 简单金融,没有从统计
的角度验证合理性。
2.2 对文献的评价和利用
1、从C APM模型的提出和发展,我们看到了一个从简单到复杂,从单因子
到多因子的演变,许多前辈们在这方 面做出了不懈努力。因此我们按照这个思路,
以原有的CAPM模型为框架,加入市场炒作因子作为新增 的解释变量,进行实
证研究。
2、市场炒作因子往往被定性论述而没有具体的定量描述,因此 启示我们选
取某种指标量化市场炒作因子,加入到模型中进行检验。
3、同时考虑到股票各自 风险不同,基本面不同等因素,每只股票面临的市
场炒作程度也不同,因此我们选取某一只有代表性,存 在明显市场炒作迹象的股
票作为研究对象,建立时间序列模型。

第三部分 模型设定
3.1 建模的基本思路与模型变量的选择
模型是在CAPM的假设前提下引进炒作因素而设立的。即:R-Rf=a+b(Rm-Rf)
其中:
R为股票收益率,反应股票当天上涨或下跌幅度。
Rf为无风险利率;
a为股票超额收益率,反应不能被系统风险解释的收益率;
b为股票的β因子,反应其面临的是系统风险;
Rm为市场因子。
Rf为无风险利 率,选取的是上海银行间同业拆借利率(shibor),可以认为该
利率最接近于中国当前市场上的无 风险利率。Rm选取的是上证指数。
考虑到研究的是炒作因子,为了达到研究大幅炒作对市场股价走势 的影响的
目的,我们选取了600735新华锦这只股票作为研究对象,原因有:
1、600 735近期表现活跃,仅最近3个交易日(5月15日到5月17日)就有连
续3个涨停;
2 、总股本20900万,大于8000万小于100000万,股本适合庄家炒作,容易被
选为炒作目标 ;
3、公司近期基本面并未发生重大变化。
选取的数据日期为2012年1月1日至201 2年5月17日,除去节假日和股
票的临时停牌,一共有86个数据。
研究炒作因素,首先需 要考虑怎么通过数据量化这个定性因素,由于具体量
化困难,因此选择虚拟变量(0,1)来衡量一只股 票是否被炒作。考虑到市场炒作往
往反映在成交量能放大,换手率增加,在这里我们选取换手率作为研究 变量,在
2

86个数据中,换手率最高的20%设定为当天严重炒作,换手率最高 的20%到40%
设定为当天少量炒作。 即:
D1= D2=
中国市场上股票 只能做多而不能做空,因此炒作因素往往反映在股票的上涨上,
基于此,模型只考虑上涨时炒作因素的作 用,设定虚拟变量来反映股价的上涨和
下跌:
D3=
3.2函数形式设定
模型中一共引入了4个解释变量,包括3个虚拟变量,在CPAM模型的基
础上,引入虚拟变量一共有 2种方法:加法模型和乘法模型。
同时考虑到炒作因子的影响由于股价反映的滞后性和对股价的预期, 以及跟
风盘等因素,可能会延续到第二天,对第二天股价产生影响,因此需要考虑D1、
D2的 滞后一期项对股价的影响。
由此我们假设模型形式为:
加法模型:
E(R-Rf)=a+b1*(Rm- Rf)+b2*D1*D3+b3*D2*D3+b4*D1(-1)*D3+b5*D2(-1)*D3
该模型认为炒作因子是扩大该股票单独的超额收益率,和市场系统风险对其影响
无关。
乘法模型:
E(R-Rf)=a+b1*(Rm-Rf)+b2*D1*D3*(Rm- Rf)+b3*D2*D3*(Rm-Rf)+b4*D1(-1)*D3
*(Rm- Rf)+b5*D2(-1)*D3*(Rm-Rf)
该模型认为炒作因子是扩大市场收益对其收益的影响程度。

第四部分 数据的收集与处理
通过CSMAR数据库找到了600735新华锦、上证指数和上海银行间同业拆< br>借利率从2012年1月1日到2012年5月17日共86个数据,并由此计算出虚拟
变量D1 、D2、D3:
日期
2012-01-04
2012-01-05
2012-01-06
2012-01-09
2012-01-10
2012-01-11
2012-01-12
2012-01-13
2012-01-16
2012-01-17
2012-01-18
2012-01-19
2012-01-20
2012-01-30

个股换手率
0.0090587
0.0058908
0.0059543
0.0130819
0.0166752
0.012157
0.0122757
0.0111232
0.0059488
0.0159288
0.0159399
0.0078372
0.0089307
0.0047289
Rf(%)
d1 R Rm
-0.022039 -0.0136536 3.7635
-0.021127 -0.00965248 4.1292
-0.002878 0.0069585 4.1094
0.077922 0.02888509 4.1638
0.040161 0.02688812 3.834
-0.016731 -0.00423933 3.4844
0.01178 -0.00045693 3.6775
-0.032342 -0.01337577 4.6812
-0.06016 -0.01710342 5.6744
0.099573 0.04178697 7.4843
-0.050453 -0.01392285 8.2412
0.008174 0.0131046 6.4852
0.005405 0.01003449 3.783
-0.016129 -0.01469523 3.3273
3
d2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
1
0
0
0
d3
0
0
0
1
1
0
1
0
0
1
0
1
1
0
2012-01-31
2012-02-01
2012-02-02
2012-02-03
2012-02-06
2012-02-07
2012-02-08
2012-02-09
2012-02-10
2012-02-13
2012-02-14
2012-02-15
2012-02-16
2012-02-17
2012-02-20
2012-02-21
2012-02-22
2012-02-23
2012-02-24
2012-02-27
2012-02-28
2012-02-29
2012-03-01
2012-03-02
2012-03-05
2012-03-06
2012-03-07
2012-03-08
2012-03-09
2012-03-12
2012-03-13
2012-03-14
2012-03-15
2012-03-16
2012-03-19
2012-03-20
2012-03-21
2012-03-22
2012-03-23
2012-03-26
2012-03-27
2012-03-28
2012-03-29
2012-04-05
2012-04-06
2012-04-09
2012-04-10
2012-04-11
2012-04-12
2012-04-13
2012-04-16
2012-04-17
2012-04-18
2012-04-19
2012-04-20

0.0053363
0.0076774
0.0062187
0.0186241
0.0415724
0.0198814
0.0184207
0.0196967
0.0102564
0.0123516
0.0193749
0.0130911
0.0403701
0.0180039
0.0160782
0.0140137
0.0238355
0.0185442
0.0124562
0.0190727
0.0125817
0.0088107
0.0097415
0.0156338
0.0433524
0.0231595
0.0241696
0.0158076
0.0180661
0.0112484
0.0106469
0.0266207
0.0160149
0.0189561
0.0152739
0.0108198
0.0095374
0.0083389
0.0066981
0.0038217
0.0048639
0.010136
0.0072232
0.0102743
0.0081677
0.0077223
0.0058448
0.008557
0.01551
0.0179602
0.0106484
0.0077525
0.0142381
0.0135126
0.0150796
-0.009563
-0.022069
0.015515
0.029167
0.072874
-0.041509
0.035433
-0.001267
-0.007614
0.007673
0.016497
0.011236
0.050617
-0.027027
-0.003623
0.010909
0.022782
-0.001172
0.001174
0.004689
-0.026838
-0.020384
0.015912
0.031325
0.050234
0.007786
-0.012141
0.002235
0.016722
-0.01864
0.007821
-0.063193
-0.033136
0.040392
0.007059
-0.037383
0.008495
0
-0.012034
0
-0.009744
-0.073801
-0.025232
0.044959
0.011734
-0.001289
0.009032
0.001279
0.02682
0.029851
0.002415
-0.015663
0.026928
0.011919
0.011779
0.00331285
-0.0106996
0.0196113
0.00771872
0.00031325
-0.01683297
0.02427244
0.00087752
0.0010172
-0.00005102
-0.00301464
0.00935273
-0.00415769
0.00013577
0.00272359
0.00754358
0.00930533
0.00247962
0.01248366
0.00304554
0.00196154
-0.00953154
-0.00097592
0.01424909
-0.00637626
-0.01413088
-0.00649671
0.01064394
0.0079247
-0.00188566
0.00860008
-0.02629286
-0.00730168
0.01304676
0.0022622
-0.01383299
0.00057219
-0.00102178
-0.01104063
0.00045115
-0.00145495
-0.02654249
-0.01432023
0.01743423
0.00187209
-0.00900479
0.00878475
0.00133139
0.01815993
0.00353062
-0.00090286
-0.00935075
0.01964034
-0.00093244
0.01186818
4
3.3793
3.1689
3.2219
3.1095
3.0247
3.0329
2.9496
2.8045
2.8985
2.8827
3.1208
3.1596
3.8091
4.731
4.9669
4.9532
5.0529
5.2711
4.6506
3.0957
2.855
2.7332
2.6431
2.5955
2.5238
2.4542
2.3998
2.3995
2.4202
2.3908
2.4049
2.3913
2.4775
2.4379
2.4848
2.6021
2.6599
2.8049
2.8434
2.8135
2.7216
2.7518
2.8545
3.2071
3.4165
3.0769
3.0899
3.0551
3.1236
3.5448
3.3904
3.0849
3.0508
3.2701
3.4479
0
0
0
0
1
1
0
1
0
0
1
0
1
0
0
0
1
0
0
1
0
0
0
0
1
1
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
1
1
0
0
1
0
0
0
0
0
0
0
0
0
1
1
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
1
1
0
1
0
0
1
1
1
1
0
0
1
1
0
1
1
0
0
1
1
1
1
0
1
1
0
1
0
0
1
1
0
1
0
0
0
0
0
0
1
1
0
1
1
1
1
1
0
1
1
1
2012-04-23
2012-04-24
2012-04-25
2012-04-26
2012-04-27
2012-05-02
2012-05-03
2012-05-04
2012-05-07
2012-05-08
2012-05-09
2012-05-10
2012-05-11
2012-05-14
2012-05-15
2012-05-16
2012-05-17
0.0131871
0.0170184
0.0262693
0.0149474
0.0096572
0.0150856
0.0153373
0.0177278
0.0190836
0.0163628
0.0102484
0.0059316
0.0105201
0.0098803
0.0888622
0.0424133
0.0395728
0.002328
0.003484
0.034722
-0.02349
-0.0126
-0.018561
-0.013002
0.020359
-0.016432
0.002387
-0.02381
0
-0.028049
0.027604
0.100122
0.099889
0.099899
-0.0075908
0.00010048
0.0075267
-0.00087668
-0.00348484
0.01757695
0.00067256
0.00488918
-0.00002447
-0.00125206
-0.01645242
0.0006809
-0.0063272
-0.00594995
-0.00247403
-0.01206397
0.01393749
3.3598
3.3031
3.5238
3.4972
3.3645
2.9745
3.0868
3.0427
3.0193
2.5246
2.4916
2.4373
2.3436
2.0112
1.9195
1.9092
1.9015
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
1
1
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
1
1
0
0
0
0
1
0
1
0
0
0
1
1
1
1
注:R为个股收益率
Rm为上证指数收益率
Rf为上海银行间同业拆借利率 根据对换手率进行排序,选定的恶意炒作值临界值为0.018956,即换手率大
于改临界值界定 为恶意炒作;少量炒作临界值为0.015808,即换手率大于该临界
值并小于恶意炒作临界值界定为 少量炒作,由此得出D1与D2
第五部分 已假设模型的筛选
5.1 加法模型检验
加法模型设定为:
E(R-Rf)=a+b1*(Rm- Rf)+b2*D1*D3+b3*D2*D3+b4*D1(-1)*D3+b5*D2(-1)*D3
为了检验其拟合程度,通过Eviews的最小二乘法进行回归:

Dependent Variable: R-RF
Method: Least Squares
Date: 051912 Time: 13:47
Sample (adjusted): 2 86
Included observations: 85 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 0.015226 0.005971 2.549932 0.0127
RM-RF 1.620043 0.156660 10.34111 0.0000
D1*D3 0.054323 0.006808 7.978977 0.0000
D2*D3 0.013387 0.007011 1.909406 0.0598
D1(-1)*D3 0.000940 0.008660 0.108561 0.9138
D2(-1)*D3 0.002928 0.007049 0.415382 0.6790


R-squared 0.737364 Mean dependent var -0.027493
5

Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat


0.720741 S.D. dependent var
0.019444 Akaike info criterion
0.029866 Schwarz criterion
217.4213 F-statistic
1.469058 Prob(F-statistic)


0.036794
-4.974619
-4.802196
44.35923
0.000000


5.2 乘法模型检验
乘法模型为:
E(R-Rf)=a+b1*(Rm-Rf)+b2*D1*D3*(Rm- Rf)+b3*D2*D3*(Rm-Rf)+b4*D1(-1)*D3
*(Rm- Rf)+b5*D2(-1)*D3*(Rm-Rf)
为了检验其拟合程度,通过Eviews进行回归
Dependent Variable: R-RF
Method: Least Squares
Date: 051912 Time: 13:50
Sample (adjusted): 2 86
Included observations: 85 after adjustments


Variable Coefficient Std. Error t-Statistic


C 0.020521 0.005909 3.472781
RM-RF 1.764654 0.161204 10.94669
D1*D3*(RM-RF) -1.461149 0.228883 -6.383809
D2*D3*(RM-RF) -0.665939 0.300781 -2.214031
D1(-1)*D3*(RM-RF) -0.172047 0.374800 -0.459036
D2(-1)*D3*(RM-RF) -0.216694 0.229294 -0.945049


R-squared 0.694746 Mean dependent var
Adjusted R-squared 0.675426 S.D. dependent var
S.E. of regression 0.020962 Akaike info criterion
Sum squared resid 0.034713 Schwarz criterion
Log likelihood 211.0304 F-statistic
Durbin-Watson stat 1.159683 Prob(F-statistic)









Prob.


0.0008
0.0000
0.0000
0.0297
0.6475
0.3475


-0.027493
0.036794
-4.824245
-4.651822
35.96017
0.000000


5.3 结论
从加法模型和乘法模型的粗略检验可以看出,两种模型的滞后解释变量都不显著,说明炒作引起量能放大对第二天股价的是否上涨并没有做出解释,因此在
后面的模型检验中可 以考虑排除滞后变量。通过对比2种模型的可决系数可以得
出加法模型在拟合程度上要优于乘法模型,且 乘法模型估测的系数不符合经济实
际,得出的结构是炒作反而减少了个股的波动率,所以在后面的模型进 一步检验
中我们选择加法模型进行检验并得出结论。
所以模型筛选的结果为:E(R-Rf)=a+b1*(Rm- Rf)+b2*D1*D3+b3*D2*D3

6

第六部分 模型的检验
6.1 简单CAPM回归
由于模型是在CAPM的框架下构造的,因此先检验 CAPM在该股票上的拟
合程度,回归结果如下:
Dependent Variable: R-RF
Method: Least Squares
Date: 051912 Time: 20:31
Sample: 1 86
Included observations: 86


Variable Coefficient Std. Error t-Statistic


C 0.029589 0.006940 4.263854
RM-RF 1.782112 0.196493 9.069608


R-squared 0.494761 Mean dependent var
Adjusted R-squared 0.488746 S.D. dependent var
S.E. of regression 0.026271 Akaike info criterion
Sum squared resid 0.057972 Schwarz criterion
Log likelihood 191.9635 F-statistic
Durbin-Watson stat 1.222264 Prob(F-statistic)









Prob.


0.0001
0.0000


-0.027867
0.036741
-4.417757
-4.360679
82.25780
0.000000


从表中可以看出,单一 因素的CAPM模型拟合程度并不是很好,且可能存
在许多问题,因此接下来我们引入市场炒作变量进行 研究。
6.2 模型回归结果
在第五部分通过对加法模型和乘法模型的回归检验,排除了模型的滞后项并
选用加法模型,即:
E(R-Rf)=a+b1*(Rm-Rf)+b2*D1*D3+b3*D2*D3
基于此,我们通过Eviews进行回归:

Dependent Variable: R-RF
Method: Least Squares
Date: 051912 Time: 14:04
Sample: 1 86
Included observations: 86


Variable Coefficient Std. Error


C 0.015423 0.005729
RM-RF 1.615012 0.150739
D1*D3 0.054762 0.006278
D2*D3 0.013872 0.006568


7







t-Statistic


2.692291
10.71394
8.723375
2.112246








Prob.


0.0086
0.0000
0.0000
0.0377

E(R-Rf)=0.0154+1.6150*(Rm- Rf)+0.0548*D1*D3+0.0139*D2*D3
(0.005729)(0.150739) (0.006278)(0.006568)
t=(2.692291) (10.71394) (8.723375) (2.112246)
R=0.738595 DW=1.492208 F=77.22997
通过结论可以粗略的看到,方程拟合程度较好,系数也较显著,但可能存在自相
关、多重共线性、异方差、时间序列协整的问题,下面一一进行检验和修正。

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat



0.738595
0.729032
0.019125
0.029994
220.2989
1.492208



Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)



-0.027867
0.036741
-5.030208
-4.916052
77.22997
0.000000


6.3 自相关性检验
DW检验:从表中可以看出DW=1.4922,查DW表得dL=1.575(数据为86个,
DW表数据只有85,查n=85近似得到),因此判断方程存在自相关性。
做回归:e=ρ*e(-1)
求得ρ=0.249921
对模型进行差分: E(R-Rf-0.249921*(R(-1)-Rf(-1)))=(1-0.249921)*a+b 1*(Rm-Rf-0.249921*(Rm(-1)-R
f(-1)))b2*(D1*D3-0. 249921*D1(-1)*D3(-1))+b3*( D2*D3-0.249921*D2(-1)*D3(-1))
回归得到结果:
Dependent Variable: R-RF-0.249921*(R(-1)-RF(-1))
Method: Least Squares
Date: 051912 Time: 16:56
Sample (adjusted): 2 86
Included observations: 85 after adjustments


Variable


C
RM-RF-0.249921*(RM(-1)-RF(-1))
D1*D3-0.249921*D1(-1)*D3(-1)
D2*D3-0.249921*D2(-1)*D3(-1)
R-squared




Coefficient


0.013147
1.665675
0.050091
0.014527


Std. Error


0.004439
0.151384
0.006160
0.006141


t-Statistic


2.961683
11.00299
8.132274
2.365504









Prob.


0.0040
0.0000
0.0000
0.0204


-0.020209
0.035572
-5.092612
-4.977664
76.15196
0.000000






0.738250 Mean dependent var
0.728556 S.D. dependent var
0.018533 Akaike info criterion
0.027821 Schwarz criterion
220.4360 F-statistic
1.959767 Prob(F-statistic)




Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat


E(Y)= 0.013147+1.665675*X1+ 0.050091*X2+0.014527*X3
8

(0.004439)(0.151384) (0.006160)(0.006141)
t=(2.961683) (11.00299) (8.132274) (2.365504)
R=0.738250 DW=1.959767 F=76.15196
其中,Y= R-RF-0.249921*(R(-1)-RF(-1))
X1= RM-RF-0.249921*(RM(-1)-RF(-1))
X2= D1*D3-0.249921*D1(-1)*D3(-1)
X3= D2*D3-0.249921*D2(-1)*D3(-1)
所以b1=0.013147(1-0.249921)=0.017527
因此估计方程为:
E(R-Rf)= 0.017527+1.665675*(Rm- Rf)+ 0.050091*D1*D3+0.014527*D2*D3

6.4 异方差检验
通过White检验,选择有交叉项的检验,检验一阶差分方程得到结果:

White Heteroskedasticity Test:
F-statistic
Obs*R-squared







2.111772 Probability
17.18514 Probability











0.038733
0.045894


从检验可以看出,在a=0.01下,接受原假设,表明模型并不存在异方差。
6.5 时间序列协整检验
在时间序列协整检验上,采用EG两步法,首先对序列R和Rm进行单位根检验:

9


通过对两序列的检验可以发现,两序列都不存在单位根,所以都是平稳的。
再检验差分方程的残差是否含有单位根检验该方程是否协整,检验结果如下:

Null Hypothesis: E2 has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=11)


t-Statistic


Augmented Dickey-Fuller test statistic -8.837920
Test critical values: 1% level -4.071006
5% level -3.464198
10% level -3.158586


*MacKinnon (1996) one-sided p-values.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(E2)
Method: Least Squares
Date: 051912 Time: 17:17
Sample (adjusted): 3 86
Included observations: 84 after adjustments


Variable Coefficient Std. Error t-Statistic


E2(-1) -0.981871 0.111098 -8.837920
C -0.001374 0.004150 -0.330975
@TREND(1) 3.08E-05 8.33E-05 0.369844


R-squared 0.490938 Mean dependent var
Adjusted R-squared 0.478369 S.D. dependent var
S.E. of regression 0.018511 Akaike info criterion
Sum squared resid 0.027756 Schwarz criterion
Log likelihood 217.4448 F-statistic
Durbin-Watson stat 1.998997 Prob(F-statistic)






Prob.*


0.0000
















Prob.


0.0000
0.7415
0.7125


3.10E-05
0.025630
-5.105828
-5.019013
39.05811
0.000000


从检验结果看,在1%、5%、10%三个显著性水平下,单位根检验的临界值分别
为-4.0 71006、-3.464198、-3.158586,t检验统计量值为-8.837920,小于相应临界 值,
从而拒绝H0,表明方程协整。
10

6.6 多重共线性检验
通过Eviews做相关系数矩阵,得到:
RM-RF-0.249921*(RM(D1* D3-0.249921*D1(D2*D3-0.249921*D2(

RM- RF-0.249921*(RM(
-1)-RF(-1))
D1*D3-0.249921*D1(-1
)*D3(-1)
D2*D3-0.249921*D2(-1
)*D3(-1)

0.326 -0.009 1
0.5612 1 -0.009
1
-1)-RF(-1)) -1)*D3(-1)
0.561
2 0.326
-1)*D3(-1)
由相关系数矩阵可以看出,各解释变量相互之间的相关系数较低,几乎不存在多
重共线性。 < br>相关系数矩阵相关系数小并不能完全排除其没有多重共线性,因此进行了偏相关
检验,检验结果表 明没有多重共线性。
6.7 模型检验结果
从以上分析可以得出,根据广义差分消除自相关 后的模型不存在异方差、多
重共线性,且方程是协整的。因此,模型估计的最终结果为:
E(R-Rf)= 0.017527+1.665675*(Rm-Rf)+ 0.050091*D1*D3+0.014527*D2*D3
(0.004439)(0.151384) (0.006160)(0.006141)
t=(2.961683) (11.00299) (8.132274) (2.365504)
R=0.738250 DW=1.959767 F=76.15196
当股票下跌(D3=0)或股票当天没有存在炒作(D1=0,D2=0)时, 股价收益率由
市场因子决定:
E(R-Rf)= 0.017527+1.665675*(Rm-Rf)
当股票上涨(D3=1)且存在严重炒作(D1=1,D2=0)时,回归方程为:
E(R-Rf)= 0.017527+1.665675*(Rm-Rf)+ 0.050091
=0.067618+1.665675*(Rm-Rf)
当股票上涨(D3=1)且存在少量炒作(D1=0,D2=1)时,回归方程为:
E(R-Rf)= 0.017527+1.665675*(Rm-Rf) +0.014527
=0.032054+1.665675*(Rm-Rf)





11

第七部分 结论
从模型中我们可 以看出,600735新华锦这只股票的超额收益率a=1.75%,b
系数为1.67,说明该股票不 能被市场因子决定的超额收益率达到了1.75%,有正
的a值,市场因子系数为1.67,说明市场波 动1%该股票波动1.67%。单一的CAPM
模型的拟合程度不如加入炒作因子后的模型,说明对股票 收益率的影响除了上证
指数外,还有其本身受到资金炒作的影响。
b2=5%,b3=1.4 5%,说明存在严重炒作平均使股票上涨5%,存在少量炒作
平均使股票上涨1.45%。可见炒作对市 场的影响是巨大的,当存在严重炒作时,
会使股票严重偏离其原有价值,即使是少量炒作,也会使股价有 一定程度的偏离,
而且这种偏离是长期存在的,炒作对股票价格路径的改变并不会随着时间的推移
消失。
炒作滞后一期变量对股价没有显著影响,说明市场炒作力量往往快进快出,
只影响当 天行情,对第二天的行情并不产生太大影响,炒作的资金只是追求短期
拉高并马上套现。这种追求短期高 额利润对市场稳定性的破坏是巨大的,容易造
成市场动荡,破坏投资者对市场的信息,因此应该制定法律 政策有效的制止。
本文仅仅研究了600735新华锦一只股票,数据选取范围也是最近的86个数据 ,
存在着许多局限性:
1、 股票样本选取过少,结论仅适用于类似有明显资金炒作的股票, 但考虑到如
果选取多只股票将涉及到面板数据,超出了学习的范围,故只选取了一只在
近期表现 活跃具有一定代表性的股票。
2、 数据选取的是最近86个数据,数据过少可能导致回归结果的不精确。
3、 只考虑了市场因子和炒作因子,其他许多因子都对股价产生影响,没有做进
一步的论证。
总体 来说,本文的结论是:对于资金炒作活跃的股票,其股价往往在当天有
惊人的表现,而第二个交易日随着 炒作资金的撤离并不太可能延续上一个交易日
的涨势,对于有资金炒作的股票,其股价也有上扬趋势,但 上涨幅度并不会太高。
12

股票持股是什么意思请讲-股票扛回来


股票索赔律师-股票起买多少


渝开发股票是什么公司-唐某某股票


涨价股票-盐化工股票


香港一手股票-纯碱股票大涨


新宏博股票-股票马后炮


3元的股票-协能股票


股票泽西-股票发散



本文来自网络,不代表本网站立场,转载请注明出处:http://www.ycssp0359.com/gupiao/5071.html

你可能关注的内容

  • 如何进行基金定投股票软件中快捷键使用说明

    600449股吧-股票跌涨过程 2020年12月1日发(作者:褚福田) 页眉内容 其实大多数股票软件中快捷键是通用的。只是稍微有变化,请各位看使用软件帮助或者使用 说明即可。 1、在分时图或分

    财经
  • 苹果iphone4s手机价格如何才能成为炒股高手

    600241股票-六安股票开户 2020年12月1日发(作者:昌显) 如何才能成为炒股高手 1、金融市场定律”坏事儿总是跟在好事之后“,好事有可 能跟在坏事,坏事,再坏事之后出现,那时候可能

    股市
  • 什么是政府性基金企业融资的条件有哪些?

    纳川股份股票-股票跌停了为什么机构疯狂买入 2020年12月1日发(作者:章孝标) 企业融资的条件有哪些? 题要 1.企业及企业实际控制人要讲诚信,没有不良信用记录;2. 企业要具备一定的

    股市
  • 泸州福酒价格融资的方式、定义与技巧

    万里马-为什么放弃认购中签的股票 2020年12月1日发(作者:陆江) 融资方式 融资方式 即企业融资的渠道。它可以分为两类:债务性融资和权益性融资。前 者包括银行贷款、发行债券和应

    股市
  • 2016年猴票上市公司公开募集股份招股意向书

    600375华菱星马-股票投资贴吧 2020年12月1日发(作者:明贤) 关于公布《上市公司向社会公开募集股份招 股意向书的内容与格式(试行)》的通知 2000年4月30日证监公司字[2000]44号 各上市

    股市
  • 四川最新地震中兴通讯企业的价值评估

    嘉实成长基金净值-啤酒业股票 2020年12月1日发(作者:尹肇之) ---------------------------- 一、引言 随着市场经济的发展,企业价值开始逐渐出现,是市场环境下出现的一个崭 新概念。根植于

    财经