影响股票价格的宏观经济因素-计量论

课程题目计量经济学课程论文影响股票价格的宏观经济因素
摘要
中国股票市场在迅速发展,它推动了社会投资观念的不断更新,同时慢慢成为推动经济发展重要动力"然而,股票市场的活跃与波动也构成了引起经济起伏动荡的潜在因素"。

因此,研究股票市场的波动、探究股票价格变动的成因在今天具有重要的理论和实践意义"
鉴于股票市场的错综复杂和影响股票价格的因素的多种多样,本文打算采回归分析和相关分析的数学方法对影响股票价格的因素作逐步回归分析,剔除无显著影响的变量,找出有显著影响的变量,建立关于股票价格影响因素的模型，通过eviews软件对模型进行修正和完善，得出模型结果。

借此分析模型的各个影响因素和现实意义，并提出对股票和股票市场的相关建议。

关键词：股票价格上证综合指数消费价格指数货币供给量 eviews
结论:居民消费物价指数和货币供应量对上证综合指数有显著影响,且该影响是正向的; 商品价格指数对上证综指影响是负向的；汇率、工业增加值增长率、银行间同业拆借利率对上证综合指数无显著影响;
一问题的提出
中国股票市场在迅速发展,它推动了社会投资观念的不断更新,同时慢慢成为推动经济发展重要动力"然而,股票市场的活跃与波动也构成了引起经济起伏动荡的潜在因素"因此,研究股票市场的波动、探究股票价格变动的成因在今天具有重要的理论和实践意义。

中国股票市场在过去二十年中发生了巨大的变化,从无到有、再从有到市场繁荣,中国股票市场在蓬勃稳步地发展。

同时,这一新兴融资市场也引来了学界的极大关注。

我国的股票市场发展较晚,1990年我国第一个证券交易所在上海成立,距今20多年"世界上最早的证券交易所成立于18世纪的英国,200多年的发展使西方股票市场不论是规模上还是管理上都己空前成熟,股票市场的巨大融资功能又极大的推动了经济的飞速发展"我国股票市场在二十年发展过程中,从90年代寥寥参与者的小型市场发展到今天朝气蓬勃的大型市场,取得的巨大的转变"现在作为中国金融市场重要组成部分的中国股票市场,总市值达到20万亿元,己经成为现代企业融资的重要渠道。

截止ZO10年1月底,中国沪深两市的A股市场共有股票217妙支,境内上市公司209家,中国资本市场融资额、投资者数目显著增加。

沪深两市的上市公司数从1990年的十家上升到今天的两千多家,并且每年上市公司数目逐年递增。

二、理论综述
近年来许多国内外学者从数量经济学角度对股票价格进行实证研究。

DeChow (1994)对会计盈余、经营现金流量和股票价格的关系进行了研究,发现在短期内,盈利信息与股票价格的关系比经营现金流量信息更具有关联性,但是随着时间延伸,两者的影响逐渐趋于同步。

Mukherjee和Naka(1995)对日本股票市场进行了研究,结果表明日本的股票价格指数与国民生产总值增减率、利率、通货膨胀率等宏观经济变量之间存在长期均衡关系。

我国学者顾岚,刘长标 (2001)采用1994年12月至1999年2月的景气指数调整得到相应时期的股市行情数据,对中国沪深股指与宏观经济景气指标的相关关系进行统计分析后发现,从表面上看,国民经济景气指标与沪深股市之间没有明
显关系,但其动态运行之间的长期均衡关系是显著的。

张金清,刘烨(2010)一必以2005年6月一2008年1月中国A股市场数据为样本,运用VEC模型以及脉冲响应与方差分解分析方法,就股市规模与股价波动性之间的相互影响进行实证检验，研究结果表明:股市资金供求双方综合规模的正向冲击会导致股价波动性加大,股价波动性加大又会反过来加速股市综合规模的扩张,这种反馈效应强化了股市综合规模对股价波动性的上述正向影响,并且,股市综合规模扩张之所以会加大股价波动性,主要是因为股市资金供给方规模扩张会加大股价波动性。

三、模型设定
（1）宏观经济变量对股票价格影响的理论假定
根据Chen等提出的“简单而又直观的金融理论”，一个国家的股票市场价格指数会受到来自经济增长、实际利率、通货膨胀率等宏观经济因素的影响。

综合相关理论和已有的实证研究证据，本文假定宏观经济变量对股票市场价格会有如下的影响。

理论上说，GDP是反映一国经济整体实力的宏观指标。

当一国经济发展迅速，GDP增长较快时，预示着经济前景看好，人们对未来的预期改善，企业对未来发展充满信心，极想扩大规模，增加投资，对资金的需求膨胀，因而股票市场趋向活跃。

在股票市场均衡运行、而且其经济功能不存在严重扭曲的条件下，一般来说，股票价格随GDP同向而动，当GDP增加时，股票价格也随之上升；当GDP减少时，股票价格也随之下跌。

因此，GDP对股票价格的影响是正的。

工业增加值同样可以反映实体经济的运行情况。

工业增加值越大，说明实体经济运行的状况越
好，产生的社会财富越多。

一般而言，在其他条件不变的情况下，工业增加值的任何变化，都会影响国内企业现金流同方向变化，进而造成股票价格也发生同方向变化。

因此，工业增加值对股票价格的影响也是正的。

货币供给量对股票市场价格的影响，可以通过3种效应实现：(1)预期效应。

当中央银行准备实行扩张性的货币政策时，能够影响市场参与者对未来货币市场的预期，从而改变股市的资金供给量，影响股票市场的价格和规模；(2)投资组合效应。

当中央银行实施宽松的货币政策时，人们所持有的货币增加，但单位货币的边际效用(投资收益)却递减，在日常交易的需要，结果会促使部分货币进入股市寻求收益，导致股市价格的上涨；(3)股票内在价值增长效应。

当货币供给量增加时，利率将下降，投资将增加，并经过乘数扩张效应，导致股票投资收益提高，从而刺激股市价格的上涨。

以上3种效应一般来说都是正向的，即货币供给量增加，则股市价格上涨。

因此，货币供给量对股票价格的影响是正的。

众所周知，利率是影响股市走势最为敏感的因素之一。

根据古典经济理论，利率是货币的价格，是持有货币的机会成本，它取决于资本市场的资金供求。

资金的供给来自储蓄，需求来自投资，而投资和储蓄都是利率的函数。

利率下调，可以降低货币的持有成本，促进储蓄向投资转化，从而增加流通中的现金流和企业贴现率，导致股价上升。

所以利率提高，股市走低；反之，利率下降，股市走高。

利率变动与股价变动关系可以从三方面加以描述：(1)根据现值理论，股票价格主要取决于证券预期收益和当时银行存款利率两个因素，与证券预期收益成
正比，与银行存款利率成反比。

理论上说，股票价格等于未来各项每股预期股息和某年出售其价值的现值之和；(2)股票价格除了与预期价值有关以外，还强烈地受到供求关系的影响。

当市场供不应求时，股票价格上涨，反之市场供过于求时，股票价格下降。

利率变动直接影响市场资金量。

利率上升，股票投资的机会成本变大，资金从股票市场流出，股票市场供过于求造成股票价格下降：利率下降，股票投资的机会成本变小，资金流人股票市场，股票市场供不应求，造成股票价格上涨；(3)利率上升，企业的借贷成本增加，获得资金困难，在其他条件不变的情况下，未来的利润将减少，那么预期股息必然会减少，股票价格因此会下降。

反之，利率下降，企业的借贷成本会降低，在其他条件不变的情况下，未来的利润会增加，预期股息收入增加，股票价格上涨。

因此，利率对股票价格的影响是负的。

一般来说，通货膨胀不仅直接影响人们当前决策，还会诱发他们对通货膨胀的预期。

在通货膨胀时期，由于货币贬值所激发的通货膨胀预期促使居民用货币去交换商品以期保值，这些保值工具中也包括股票，从而扩大了对股票的需求；另一方面，通货膨胀发展到一定阶段后，政府往往会为抑制其发展而采用紧缩的财政和货币政策，促进利率上升。

此时，企业为了筹措资金，发行股票是较好的选择，从而使得股票市场的供给相应增加。

此时如果股票市场需求的增长大于供给的增长，则股票市场价格就与通货膨胀之间呈现正的相关关系，否则如果股票市场需求的增长小于供给的增长，则股票市场价格就与通货膨胀之间呈现负的相关关系。

因此，通货膨胀率对股票价格的影响不能确定。

汇率又称汇价，是一国货币兑换另一国货币的比率，作为一项重要的经济杠杆，汇率变动对一国股票市场的相互作用体现在多方面，主要有：进出口、物价和投资。

汇率直接影响资本在国际间的流动。

一个国家的汇率上升，意味着本币贬值，会促进出口、平抑进口，从而增加本国的现金流，提高国内公司的预期收益，会在一定程度上提升股票价格。

因此，汇率对股票价格的影响是正的。

（2）模型形式的设计
在对数据进行处理后，本文构造了以下模型： Y
t =β
1
+β
2
X
2
+β
3
X
3
+β
4
X
4
+β
5
X
5
+β
6X
6
+u
t
四、样本选择与数据来源
影响股票价格指数的宏观因素众多，本文综合各方面因素，选择较具有代表性的6个宏观经济变量：居民消费物价指数 (X1)、汇率(X2)、工业增加值增长率(X3)、货币供应量(X4)、商品价格指数(X5)、银行间同业拆借利率(X6)。

选择这6个宏观变量的原因在于：X1、X5从不同侧面反映了我国的经济市场环境；X3反映了我国整体经济状况；而X2、X4、X6反映了我国金融环境对股票价格指数的影响
考虑到中国股票市场于1996年12月16日起实行的涨跌停制度，我们选取了区间为2010年1月2011年12月为研究样本区间。

考虑到宏观经济数据的可获得性，在实证研究过程中，采用月度数据进行分析。

本章所使用的上证综合指数月度收盘价来自上海证券交易所(http：／／www．sse．coin，cn／)所使用的宏观经济数据分别来自中国人民银行(http：／／www．pbc．gov．cre)、中华人民共和国商务部(http：／／www．mofcom．gov．cn ／)与中华人民共和国国家统计局 (http：／／
www．stats．gov．ere)。

四、模型的估计与调整
1.利用最小二乘法回归
在对数据进行处理后，本文构造了以下模型：
Y t=β1+β2X2+β3X3 +β4X4 +β5X5 +β6X6 +u t
利用最小二乘法回归方程，可得以下结果
Dependent Variable: Y
Method: Least Squares
Date: 12/14/13 Time: 21:10
Sample: 1 24
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C7744.6144703.874 1.6464330.1180
X1748.7420114.6999 6.5278360.0000
X2-2009.616445.5650-4.5102640.0003
X348.6429917.76911 2.7375040.0140
X456.899249.186346 6.1938920.0000
X5-686.5107120.9891-5.6741510.0000
X6-89.7428540.72122-2.2038350.0416
R-squared0.825573Mean dependent var2729.857 Adjusted R-squared0.764010S.D. dependent var219.1019
S.E. of regression106.4371
Akaike info
criterion12.41148
Sum squared resid192590.5Schwarz criterion12.75508
Log likelihood-141.9377
Hannan-Quinn
criter.12.50264
F-statistic13.41029Durbin-Watson stat 2.532612 Prob(F-statistic)0.000013
得出模型
Y t =7744.614+748.7420X
1
+-2009.616X
2
+48.64299X
3
+56.89924X
4
-686.5107X
5
-89.74285X
6
2．多重共线性检验
Dependent Variable: Y
Method: Least Squares
Date: 12/14/13 Time: 21:40
Sample: 1 24
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C-623.90134587.603-1.3599720.1890 X1 3.782149118.7856 3.1840130.0047
X4 2.819975 6.533219 4.316363 0.0003 X5
-2.985153
119.4931
-2.498179
0.0213
R-squared 0.562782 Mean dependent var 2729.857 Adjusted R-squared 0.497199 S.D. dependent var
219.1019 S.E. of regression 155.3617 Akaike info
criterion
13.08040 Sum squared resid 482745.4 Schwarz criterion
13.27674 Log likelihood -152.9648 Hannan-Quinn
criter.
13.13249 F-statistic 8.581260 Durbin-Watson stat 1.073873 Prob(F-statistic) 0.000733
由此得出模型
541985153.28199975.2782149.3013.6239X X X Y i -++-=
3.异方差检验
Heteroskedasticity Test: White
F-statistic 2.706813 Prob. F(7,16) 0.0469 Obs*R-squared 13.01215 Prob. Chi-Square(7) 0.0718 Scaled explained SS
8.724310 Prob. Chi-Square(7) 0.2731
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 12/19/13 Time: 21:51 Sample: 1 24
Included observations: 24
Collinear test regressors dropped from specification
Variable
Coefficient Std. Error t-Statistic Prob.
C -1567.2183
94189156 -0.166391 0.8699 X1 299412 1773653. 0.157833 0.8766 X1^2 -13.23082 8359.850 -0.158266 0.8762 X1*X4 -40.0.073 3571.503 -1.121397 0.2787 X1*X5 71.19694 463.2818 0.153680 0.8798 X4 25.05872 202634.9 1.236644 0.2341 X4^2 -48.0536 161.4984 -2.997266 0.0085 X4*X5
17.64345
3287.200
0.536732
0.5988
R-squared 0.542173 Mean dependent var 20114.39 Adjusted R-squared
0.341874 S.D. dependent var
28551.96
S.E. of regression23162.77
Akaike info
criterion23.19968
Sum squared resid8.58E+09Schwarz criterion23.59237
Log likelihood -270.3962 Hannan-Quinn
criter.
23.30386 F-statistic 2.706813 Durbin-Watson stat 2.131840 Prob(F-statistic)
0.046947
由表中可以看出，nR 2
=13.01215，由White 检验知，在α=0.05下，查χ2分布
表，得临界值χ0.052(7 )=5.9915， nR 2=14.0671<χ0.052(7)=5.9915，模型不
存在异方差。

4.自相关检验
Dependent Variable: Y-0.445298*Y(-1) Method: Least Squares Date: 12/14/13 Time: 22:08 Sample (adjusted): 2 24
Included observations: 23 after adjustments
Variable
Coefficient Std. Error t-Statistic Prob.
C
-2309.380 2834.750 -2.814668 0.4254 X1-0.445298*X1(-1) 3.070020 139.9351 2.193888 0.0409 X4-0.445298*X4(-1) 2.170671 7.992981 2.715721 0.0137 X5-0.445298*X5(-1) -2.459421
135.7604
-2.811590
0.0859
R-squared 0.335059 Mean dependent var 1497.474 Adjusted R-squared 0.230069 S.D. dependent var
156.2777 S.E. of regression 137.1271 Akaike info
criterion
12.83646 Sum squared resid 357272.8 Schwarz criterion
13.03394 Log likelihood -143.6193 Hannan-Quinn
criter.
12.88613 F-statistic 3.191324 Durbin-Watson stat 1.821570 Prob(F-statistic) 0.047144
修正后的模型估计结果为：Y
̂t ∗
=−2309.380+3.070020X 1∗+2.170671X 4∗−2.459421X 5∗ (2834.750) (139.9351) （7.992981）（135.7604）
t=(-2.814668) (2.193888) （2.715721） （-2.811590） R 2=0.335059 F=3.191324 DW=1.821570 d f =22
对样本量为24、一个解释变量为3的模型、5%的显著水平，查DW 统计表可知，d L =1.101，d U =1.656，模型中DW >d L ，显然广义差分法模型中已无自相关。

同时。

可决系数
可修改编辑
精品doc R 2、t 、F 统计量均达到理想水平。

由差分方程式有β̂1=−2309.3801−0.445298
=−4163.280，由此得模型为
Y
̂t =−4163.280+3.070020X 1+2.170671X 4−2.459421X 5。

六、本文的结论
1. 模型系数分析
运用这个模型可以对上证指数做出分析：在上证市场，居民消费价格指数每
上升一个百分点，上证综指就上升3.070020个百分比，当货币供应量同比增长一个百分比，上证综指就上升2.170671个百分比，当商品零售价格指数每上升一个百分比，上证综指就下降2.459421个百分比
2. 模型现实性分析
本模型保留了居民消费价格指数X1,货币供应量同比增长率X4和商品零售价
格指数X5，这与我国的现实经济情况及股票市场的情况是基本相符的。

居民消费价格指数X1代表了我国的市场环境，其系数为正表示居民所消费的
商品价格升高，则上证综指也会同比增长。

居民消费价格指数上涨，从一个侧面反映出市场的通货膨胀的现象，通货膨胀率上升和股价上涨。

货币供应量与股指的变化也是密切相关的。

货币供给量增加，使得投资者增
加了对股票的需求，从而促进了股票市场的繁荣。

货币供给量增加过大会引起通货膨胀，而通货膨胀所带来的往往都是虚假的市场繁荣，这就容易使人们行成企业利润普遍增长的假象．从而使得人们也增加了对股票的需求。

商品价格指数变化是通货膨胀或通货紧缩的表现，但是我国从股市建立以来
价格指数变化并不明显，从这个角度来说这一指标对股指的影响相对较小。

股指变化与商品价格指数呈负相关。

七、研究展望
本文从时间序列的角度对可能影响股票价格波动的宏观因素中观因素做了
系统的分析;本文使用多元逐步回归的方法剔除了对股票价格无显著影响的变量,并测算出有显著影响的变量的影响因素，这对认识股票价格的变动有现实意义。

在以下几个方面提出展望:
1．由于方法所限,本文主要是时间性的考察,数据的选取也是依据时间序列进行,因此,虽然有一个连续行的分析和判断,对于股票市场的预见性有重要的价值,但尚缺乏对同一时间点上数据截面的分析"建议以后在这个方向上进行补充研究"
2．在影响因素的选取过程中由于受到统计样本大小的限制,为了保证分析的准确性,未能纳入更多的影响因素进行分析,因此考虑的范围不是十分全面建议以后进行补充和完善。

. .。