我国股票市场交易量与收益率关系的计量分析(详细步骤)

我国股票市场成交量与收益率关系的计量分析

摘要：本文用上证综合指数代表了市场组合的各种指数，通过对上其研究，采用VAR模型来分析我国股票市场股票价格的变动，来研究股票成交量与收益率之间的关系。

关键词：股票成交量股票收益率VAR模型计量分析

一．引言

股票市场的成交量和收益率是描述股票收益和风险的最基本变量而量价关系研究的主要目的是探索两者之间的统计表现特征及内在规律联系，反映了市场中信息的传递方式和投资者对信息的获取及价格发现的过程。

二．文献综述

以前也有很多学者来研究股票市场成交量与收益率之间的关系。如Campbell 等认为随着大成交量的价格变化将导致价格的反转；Copeland提出的信息顺序到达模型发现股票价格和交易量之间存在正向因果关系；Blume等认为由于市场存在信息不对称和市场噪音，投资者无法单独从价格信号中获取所需的全部信息，因此必须将成交量作为分析价格信息的额外参考变量；Hasbrouck将交易和报价调整写成向量自回归模型，通过研究交易对价格冲击的滞后期研究信息的各种特征；Engle将时间加入到VAR模型中。而国内对股票市场交易量与收益率之间的关系的研究主要集中在量价的相关性分析上。陈良东利用线性Granger因果检验对沪市价量关系进行了初步分析；徐信忠、郑纯毅的研究中对成交量与收益惯性的关系进行了检验，但由于研究的目的和侧重点不同，他们的研究着重分析换手率对1个月以上的股票却是效应的影响，而不是专门探讨成交量与收益率序列相关性的关系及成因。

本文将在前面各种理论研究的基础上，对中国股市中成交量与股票收益率序列相关性的关系进行研究。

三．模型的设计思路及数据的采集与处理

数据来源：国泰安数据库。

样本选取：本文选取了2000年1月1日至2011年12月31日上证综合指数的日收盘价和成交量，共2901个交易日的数据。

收益率的计算方法有简单收益率和对数差分收益率两种。对数差分收益率可以满足收益的累加性，分布更接近于正太分布，所以本文选用的就是对数差分收益率的方法来计算：

P=ln(P t/P t-1)×100

P t表示t时刻的收盘指数。

成交量序列采用取自然对数的方法，

V=ln(V t)

V t来表示原始成交量序列。

分析工具：Eviews6.0软件

在此需要说明一点的是，由于中国股市节假日的问题，导致股票数据不连续，所以本文将数据导入Eviews时选择的是截面数据类型。

（一）描述性检验

对对数收益率P和成交量V进行描述性统计结果如下：（表1）

通过上表可以看出，由于正态分布的偏度应该是0，而收益率P的偏度为-0.103245，所以收益率的数据分布向右偏；正态分布的峰度应该为3，而P的是 6.960964，故收益率曲线具有尖峰宽尾的特征。

（二）ADF检验

由于VAR模型要求变量序列本身是平稳的或者序列之间存在协整关系，所以在建模之前先要对交易量序列和收益率序列进行平稳性检验。

对数收益率P的ADF检验如下：（表2）

成交量V的ADF检验如下：（表3）

由上面表2和表3可以看出，对数收益率P和成交量V都不存在单位根，都表现为平稳序列，可作进一步分析。

四．实证结果与分析

（一）VAR模型的建立

对于收益率P和成交量V构建标准型VAR模型：

其中e1t与e2t为随机干扰项。

通过AIC最小准则，经反复验证，判断出最佳滞后期为6期。经Eviews得出的结果如下：（表4）

Vector Autoregression Estimates

Date: 03/19/12 Time: 22:03

Sample (adjusted): 8 2901

Included observations: 2894 after adjustments

Standard errors in ( ) & t-statistics in [ ]

P V

P(-1) 0.000204 0.050362

(0.01885) (0.00450)

[ 0.01083] [ 11.1972]

P(-2) -0.022981 0.018642

(0.01923) (0.00459)

[-1.19538] [ 4.06365]

P(-3) 0.028895 0.011165

(0.01916) (0.00457)

[ 1.50772] [ 2.44152]

P(-4) 0.042446 -0.003321

(0.01904) (0.00454)

[ 2.22942] [-0.73107]

P(-5) -0.002261 -0.002881

(0.01892) (0.00451)

[-0.11952] [-0.63822]

P(-6) -0.039606 -0.012301

(0.01871) (0.00447)

[-2.11637] [-2.75469]

V(-1) 0.160540 0.329706

(0.07850) (0.01873)

[ 2.04513] [ 17.6020]

V(-2) 0.060319 0.186453

(0.08221) (0.01962)

[ 0.73377] [ 9.50528]

V(-3) -0.068702 0.131776

(0.08296) (0.01980)

[-0.82816] [ 6.65697]

V(-4) -0.146400 0.107409

(0.08296) (0.01980)

[-1.76465] [ 5.42570]

V(-5) 0.039485 0.107699

(0.08212) (0.01960)

[ 0.48082] [ 5.49618]

V(-6) -0.012499 0.110350

(0.07780) (0.01856)

[-0.16066] [ 5.94446]

C -0.397442 0.334881

(0.34419) (0.08213)

[-1.15472] [ 4.07744]

R-squared 0.008219 0.890602 Adj. R-squared 0.004088 0.890147 Sum sq. resids 7962.010 453.3468 S.E. equation 1.662416 0.396683 F-statistic 1.989612 1954.510 Log likelihood -5570.833 -1424.050 Akaike AIC 3.858903 0.993124 Schwarz SC 3.885722 1.019943 Mean dependent 0.014683 12.58332 S.D. dependent 1.665825 1.196843

Determinant resid covariance (dof adj.) 0.423833 Determinant resid covariance 0.420034 Log likelihood -6957.659 Akaike information criterion 4.826302