学位论文股份全流通后贝塔系数的稳定性研究Word文档格式.docx
《学位论文股份全流通后贝塔系数的稳定性研究Word文档格式.docx》由会员分享，可在线阅读，更多相关《学位论文股份全流通后贝塔系数的稳定性研究Word文档格式.docx（23页珍藏版）》请在冰点文库上搜索。
1.1研究背景和意义1
1.2文献综述的概述2
1.2.1国外相关研究文献综述2
1.2.2国内相关研究文献综述3
1.3研究方法、技术路线及预期结果5
1.3.1研究方法5
1.3.2技术路线5
1.3.3预期结果6
2贝塔系数的相关简介6
2.1贝塔系数的定义6
2.2贝塔系数的意义7
2.3贝塔系数的作用8
2.3.1贝塔系数在投资决策分析中的作用8
2.3.2贝塔系数在资本资产估价中的作用8
2.3.3贝塔系数在基金业绩评级中的作用8
3股份全流通后贝塔系数稳定性的实证性分析8
3.1研究样本和数据的选取8
3.2样本收益率的计算方法9
3.3全流通股票β系数值的估计9
3.4回归分析和CHOW检验9
3.5股票β系数值和CHOW检验结果13
3.6贝塔系数稳定性的实证检验结果13
4结论14
4.1研究结论14
4.2研究缺陷14
参考文献16
附表17
引言
我国证券市场由于历史原因造成上市公司国有股和法人股不能流通，而国有股和法人股不能流通，导致上市公司管理层在经营活动中不能完全按照所有股东意志进行经营，大股东侵害中小股东的事件时有发生，这些事件的发生严重影响了我国证券市场的健康发展。
为了解决股权分置问题，我国开始进行股权分置改革，通过股权分置改革，使我国证券市场上所有的上市公司都实现股份全流通。
上市公司在实现全流通后，反映其系统风险的β系数值是否稳定，是否仍能用其历史的β系数值进行公司系统风险的预测，这些都已经成为学术界目前研究的热点问题。
1贝塔系数的概述
1.1研究背景和意义
中国股票市场成立至今，市场规模不断扩大，但仍处于快速增长的时期。
与西方成熟股票市场相比，我国股票市场仍有很多不完善的地方，存在投资者不理性投资、大量的暗箱操作以及欺诈行为，导致股票价格波动很大，市场风险比较高，股票的价格行为受到市场整体变化影响比较大，系统风险在股票风险投资中有比较大的比例。
较高的系统性风险会导致股票市场的效率低下，个股随着大盘起伏现象变得严重，造成投资者将大盘走向作为投资导向而忽视了发行股票的公司本身的情况，阻碍证券市场资源配置功能的正常发挥。
因此，研究中国股票市场风险的稳定性，准确掌握系统风险的变动特征，对于投资者和管理层实施有效的风险控制和防范具有必要性和紧迫性。
在学术界，人们经常使用β系数对系统风险进行分析和比较，在金融实务界，诸如投资管理公司等，也经常使用β系数来衡量上市公司的系统性风险。
例如标准普尔、道琼斯等中介机构会定期公布各个上市公司的系统性风险系数，为投资组合管理者提供资产选择与风险控制的基本信息，帮助管理者在投资组合的动态调整上做出合理的决策。
从以上分析中，我们可以看出β系数在金融实践中有着十分重要的理论意义和广泛的应用价值可见,有关β系数的研究是随着经济计量方法的不断发展而逐渐深入的，对β系数的稳定性以及预测性等问题的探讨还存在相当大的拓展空间，而我国股票市场属于新兴的股票市场，与欧美发达国家相对成熟的股票市场相比有很大不同，存在很大的风险，因而对β系数的研究就显得极为重要了。
1.2文献综述的概述
在前人研究贝塔系数的文献中，研究角度很多，本文主要从贝塔系数的稳定性的角度进行研究，因此这里也主要介绍贝塔系数的稳定性研究。
β系数作为一个参数，理论上应该是使用未来的值进行计算，但是β系数本身是无法观测的未知参数，只能根据过去的数据进行估计，然后假设β系数在未来一定时间内不发生变化。
如果β系数本身不具备良好的稳定性或者具备可预测的“机械性”，就不能作为未来β系数的有效估计，在CAPM模型中也将受到极大的限制。
鉴于β系数的稳定性具有十分突出的理论意义和现实价值，它们的研究一直是在资本市场理论与实践研究中的热点问题。
1.2.1国外相关研究文献综述
在对β系数稳定性的众多研究中，Blume做出了很大的贡献。
他在1971年研究了1926年1月至1968年6月间在纽约证券交易所挂牌上市的所有股票的β系数，得出结论主要有:
（1）各个时期估计出的β系数是其未来估计值的有偏估计值;
（2）组合规模大小与β系数预测的稳定程度有关，组合的规模越大，其未来的β系数越能被准确预测;
（3）高β系数的股票在下一期的值会变小,低β系数的股票则相反，也就是说β系数有回归趋势（RegressionTendeneyofBeta）。
Black（1972）研究支持Blume的结果，认为β系数不具有稳定性，同时指出了CAPM存在的缺陷。
Blume的结论也得到了Brenner和Smidt（1977）和Franeis（1979）的支持。
Levy（1971）研究了1960一1970年间在美国纽约证券交易所上市的500种股票，单一股票的β系数是相当不稳定的，但股票组合β系数的稳定性有显著提高，而且，组合规模越大，估计期间越长,β系数的稳定性越高。
Baesel（1974）运用转移矩阵法，研究了估计时间段长短对β系数估计值的稳定性的影响。
Dimson和Marsh（1983）对英国股市的研究中剔除了交易频率过低的“清淡交易”来防止因为这些清淡交易造成β系数稳定的假象，结果还是发现个股的β系数具有适度的稳定性，而组合的β系数则极为稳定。
Levhavi和Levy（1977）认为收益率的度量时限越长（超过一个月以上时限的收益率），风险较大的证券（真实日系数>
l）,其β系数的估计值平均偏高，风险较小的证券（真实日系数<
l），其β系数的估计值平均偏低。
Smith（1978）也做了一项实证研究来检验Levhavi和Levy的结论，他选用200只证券并构成组合，收益率的度量时限由1个月至20个月，其结果证实了Levhavi和Levy的观点。
Estrada（2000）对14个欧洲股票市场的研究则发现在大多数市场中，β系数的估计值随着数据频率的增大而降低，用日收益率数据估计的β系数最低，由月收益率数据所估计的β系数也低于由季度收益率数据所估计的β系数。
Porter和Ezzell（1975）认为前些人的组合β系数的稳定性比较高是由组合构造方式造成的，如果将个股随机组合，则组合β系数的稳定性比较差，而且认为β系数的稳定性与规模大小无关。
这些学者基本上都是认为股票规模越大,β系数的稳定性越好，股票规模越小，β系数的稳定性也越差，而且β系数的不稳定性会随着估计周期的延长而降低，采用不同的收益率衡量β系数也会对β系数估计的稳定性产生影响。
但是也有一些学者有相反的观点。
1.2.2国内相关研究文献综述
国内学者也对我国股票市场β系数的稳定性进行了分析和研究，主要研究了β系数的稳定性检验研究。
沈艺峰（1994）最早对将“Chow检验”方法（Chow，1960）用于β系数的估计值的稳定性检验。
他对1992年6月到1993年12月上海股票市场的10种股票β值进行检验。
他将检验的时段分成两段，采用Chow检验方法有那就β系数是否随着时间的退役而发生变化。
检验结果表明，除了“延中实业”以外，其余股票的β系数都是稳定的。
之后，沈艺峰与洪锡熙（1999）进行了进一步研究，研究方法还是基于Chow检验，结果表明无论是个股还是股票组合，β系数都不具备稳定性。
此后，赵景文（2005）同样用Chow检验方法研究了中国A股股票相邻两期的β系数是否稳定，得到了相反的结论。
高鸿帧和郭济敏（1999）使用上证指数,得到β系数具有稳定性的结论。
靳云汇和李学（2000）在上市时间长短与β系数稳定性的关系、牛市熊市的转化中β系数稳定性的表形、涨停板制度与β系数稳定性的关系、β系数的预测的可靠性、投资组合的稳定性以及模型选择对β系数估计的影响等六个方面研究了β系数的稳定性，研究表明股票β系数随着上市时间增加基本不趋于稳定，股票β系数随着上市时间推移大多趋于增加，牛市熊市中β系数表现不一致，实行涨停制度后β系数显著增加,β系数的预测值不是很可靠，投资组合的β系数要比个股的β系数稳定，模型的选择对β系数的估计影响不大等结论。
苏卫东和张世英（2002）通过对上海股市的股票与股票组合的β系数进行单位根检验以检验其稳定性，结果发现从长期来讲，大多数股票的β系数不稳定，证券法实施后它们的稳定性降低，而股票组合可以增加β系数的稳定性。
赵景文（2005）用类似的方法研究中国A股β系数的平稳性，支持了苏卫东和张世英（2002）的结论。
刘仁和、汪永兰和李刚（2003）研究了β系数的收益度量对β系数稳定性的影响，他们使用分别日收益率、周收益率和月收益率的计算β系数，发现用周收益率估计出的β系数高于用日收益率估计的β系数，而用月收益率估计出的β系数高于用周收益率估计的β系数。
陈浪南和屈文州（2000）检验了市场趋势与β系数稳定性的关系。
他们选用上海股市的100家样本股在1994年1月4日至1998年12月31日的日、周、月收益率数据，分析了股市在整盘、上升、下降中的样本股β系数的差异性，结果发现在三种市场态势下,β系数存在显著的差异，在市场上升时期,β系数的均值最大，在市场盘整时期,β系数的均值最小。
这与靳云汇和李学（2000）和欧阳永卫（2000）也得到类似的结论。
此外，刘永涛（2004）认为还发现我国证券市场β系数的长期稳定性较差，短期稳定性有很大提高，部分股票的β系数还表现出突变性的特点，β系数在牛市和熊市下表现靳云汇和李学（2000）的结论一样，认为他们在不同情况下表现并不相同，反映我国证券市场不够成熟。
通过对对上述文献一个总结就是前人只是对股票的贝塔系数的研究，对股份全流通后的贝塔系数的研究得比较少，所以本文的思路就是股份全流通后贝塔系数的稳定性的研究。
1.3研究方法、技术路线及预期结果
1.3.1研究方法
本文研究的主要内容是股份全流通后贝塔系数的稳定性研究，在研究方法上既继承了传统，又开拓创新。
总体来说，本文采取理论研究与实证研究相结合，以实证研究为主线的研究方法，综合运用统计学，金融学，计量经济学等相关理论原理及方法进行分析研究。
在具体研究方法的选择上，本文体现了如下特点:
（l）描述统计与实证模型相结合。
在进行实证研究时，本文首先对其结果进行猜想，为了方便计算，选取了单一的电子信息行业股份全流通的股票为样本，然后在此基础上应用单因素模型，运用模型方法检验这些规律;
（2）回归比较分析。
在进行模型回归分析时，本文先后采用了一些基本的回归方法和模型方法，并对这些方法所得贝塔系数的实证结果进行了比较分析。
（3）稳定性分析。
本文研究方法还是基于Chow检验，在使用这些方法时，本文运用计量经济学里应用的Eviews分析软件进行数据的统计与模型的回归。
1.3.2技术路线
本文以我国证券市场已经完成股权分置改革的上市公司为研究对象-以电子信息这个行业为代表。
通过计算得出个股在股改前后的实际β系数值，并利用CHOW检验方法对β系数值的稳定性进行检验，通过实证分析来研究股权分置改革对上市公司β系数稳定性的实际影响。
1.3.3预期结果
通过对电子信息行业股份全流通后贝塔系数稳定性的实证分析，期望能发现贝塔系数在股份流通的前后是否发生了明显的变化，是否还是保持着原有的稳定性？
本文的预期结果是股份全流通后贝塔系数并未发生很大的变化，只是股权结构发生了变化，得到了完善。
2贝塔系数的相关简介
2.1贝塔系数的定义
资本资产定价模型已经被广泛的应用于股票基金、债券等资产定价的分析和投资决策的领域中，其中β系数用来衡量不同的资产或资产组合的超额收益相对于市场超额收益的敏感度，正确的界定系统风险β系数是很重要的。
贝塔系数的定义
β系数是测量股票系统风险的主要指标之一。
在现代财务理论中，β系数被定义为贝塔系数被定义为衡量某种（类）资产价格变动与市场上平均价格变动之间关系的指标，反映了市场上资产平均价格变动对某种（类）资产价格的影响程度。
其定义式为:
其中，
表示个股或股票组合k的市场收益率，
表示市场组合的收益率，cov（
）表示个股或组合k的收益率与市场收益率的协方差，var（
）表示市场收益率的方差，有时用
表示。
显然，证券市场的β系数等于l.
单项资产的β系数是指可以反映单项资产收益率与市场上全部资产的平均收益率之间变动关系的一个量化指标,即单项资产所含的系统风险对市场组合平均风险的影响程度。
β值可能大于、等于或小于1（也可能是负值）。
当β=1,表示该单项资产的风险收益率与市场组合平均风险收益率呈同比例变化,其风险情况与市场投资组合的风险情况一致;
即当市场的报酬变动1%,对应资产的报酬也会变动1%（正向或反向视β正负号而定）;
同理,当β>
1,说明该单项资产的风险收益率高于市场组合平均风险收益率,则该单项资产的风险大于整个市场投资组合的风险;
当β<
1,说明该单项资产的风险收益率小于市场组合平均风险收益率,则该单项资产的风险程度小于整个市场投资组合的风险。
而β为0时,更表示系统风险对于所对应的资产不会有报酬上的影响。
有时β值也会出现小于0的现象,当β<
0时表示该项资产的风险收益率和市场组合平均风险收益率的变化相背离。
2.2贝塔系数的意义
本文利用单指数模型
经过一次回归计算出所收集证券的
值,然后进行
值的统计规律分析。
贝塔系数反映了证券收益率对市场收益率变化的敏感性或者个股风险相对于市场风险的测度。
贝塔系数可以作为选择投资组合的一个重要参数。
投资组合的贝塔值等于组合内各证券的贝塔值与该种证券在组合内所占有的权数为权的加权平均值。
在上面的这个模型中,所有参数都是以预期形式表示的,关于贝塔系数的预期值难以确定,所以绝大部分关于模型的检验最终都要用过去的观察值来代替。
因此就必须假设贝塔系数在检验期间内是完全稳定的。
但是,如果用历史数据检验得到的贝塔不具有一定的稳定性,那它就无法作为未来贝塔系数的无偏差估计。
所以,贝塔系数稳定性检验问题的研究具有重要意义。
在资本资产定价模型中，所有参数都是以期望值的形式来表示的。
在这些参数中，β系数作为反映证券系统风险的重要参数，在实际应用中也应使用其未来期的期望值。
但是，未来期β系数期望值是一个未知参数，只能通过合理的估计才能得到。
在估计未来期β系数时，通常是用历史数据进行估计，即用历史数据计算出来的β系数值近似地作为其未来期的期望值。
如果用历史资料计算的β系数估计值不具备良好的稳定性，那么计算出来的系数值就不能作为未来期系数的无偏估计值，这样资本资产定价模型的实际应用将会受到极大的限制。
同时，在证券分析和投资管理中，对系统性风险的事前预测比事后估计更为重要，而能否准确地预测未来的β系数，关键也在于历史数据估计出来的β系数是否具有一定的稳定性。
因此，β系数的稳定性对β系数的有效应用至关重要。
2.3贝塔系数的作用
β系数在投资理论和投资实践当中有重要的地位，其重要作用具体体现在以下几个方面:
2.3.1贝塔系数在投资决策分析中的作用
β系数可以为投资组合管理提供有关控制风险的基本信息，通过预测的β系数，人们可以估计个股或者组合投资的未来收益率，从而有利于对个股或者投资组合进行筛选，并对目前的投资组合进行合理的调整。
2.3.2贝塔系数在资本资产估价中的作用
CAPM的主要用途是利用资产对风险的暴露程度对资产进行定价，也就是利用资产风险来衡量资产定价。
β系数描述了股票的系统风险，在CAPM中是决定证券期望收益率的唯一因素，在资产定价中起到了决定性作用，因而它在实践中的应用也越来越广泛。
2.3.3贝塔系数在基金业绩评级中的作用
基金投资的一个主要目标就是利用特定的投资组合来消除市场上存在的非系统风险，在理论上，投资组合的风险就仅可以使用系统风险来衡量。
如果所选定的投资组合风险高于系统风险，那么这个投资组合就不应该选取。
因此β系数成为了基金业绩评价的重要衡量因素。
3股份全流通后贝塔系数稳定性的实证性分析
3.1研究样本和数据的选取
截至2010年5月5日上市公司大部分完成了股权分置改革，实现了股份的全流通，由于我国的股权分置改革已经进行了几年的时间，上市公司全流通的数据也是非常之多。
为了方便计算出股改后上市公司的β系数值，为了便于进行不同时期的比较和检验，我们必须选择一些最新完成股权改革的实现股份全流通的上市公司作为研究对象。
本文选取了电子信息这个行业已经完成股改的上市公司作为研究对象，电子信息这个行业100%已经全流通的股票有31家上市公司，有27家是在上海证券交易所上市，还有4家是在深圳交易所上司。
由于取的数据较少，可能会产生较大的误差，本文使用上市公司的日收盘价作为计算β系数值的数据。
数据来源于证券交易软件上的数据。
3.2样本收益率的计算方法
本文采用对数收益率的方法来计算股票的日收益率，由于上市公司在研究期内因股权分置改革非流通股东向流通股东支付了对价，为便于不同时期的数据进行比较，需要对上市公司股票的日收盘价进行复权处理，日收益率可以表示为：
=Ln（Pt/Pt-1），市场收益率采用同期的上证（深证）综合指数日收盘价计算。
3.3全流通股票β系数值的估计
资本资产定价模型是建立在一系列关于投资者行为假设和完全市场假设基础上的资产收益的均衡模型，而在现实社会中这些假设很难得到满足。
因此，在实证研究中通常使用单一指数模型来估计股票的β系数值，即：
，其中
为证券i在时间t的收益率；
为时间t的市场收益率；
为证券i的β系数值,
为随机扰动项。
3.4回归分析和CHOW检验
首先根据股票的时间序列资料用回归的方法估计出整个时间段内的单一指数模型，然后将时间分成两部分分别计算股改前后的单一指数模型，这样得到如下三个单一指数模型：
，（i=1,2,Λ,N）
（1）
，（i=1,2,Λ,N1）
（2）
，（i=N1+1,N1+2,Λ,N）（3）
在分别得到三个模型的β系数估计值后，再进行CHOW检验，"
CHOW检验法"
是著名美籍华人、美国宾夕法尼亚大学教授邹至庄（G.C.CHOW）哪在1960年提出的一种统计检验方法。
要检验的原假设是H0：
β1=β2；
备择假设是H1：
β1≠β2，统计量F服从自由度为K和（N-2K）的F分布。
式中SSRz，SSR1，SSR2分别是模型
（1）
（2）（3）的回归残差平方和。
设α为显著水平，当F>
（K，N-2K）时，拒绝原假设并接受备择假设，说明β系数值不稳定，表明两个模型不属于同一个回归模型。
下面是以（600775）南京熊猫为例子：
该股票与2009年9月25实现股份全流通，取流通前一个月的日收盘价和流通后一个月的收盘价为样本数据，进行以下分析，
对该股票进行回归分析，表1就是股份全流通前的单因素模型回归：
表1全流通前模型回归
DependentVariable:
RIZ
Method:
LeastSquares
Date:
05/24/10Time:
13:
22
Sample（adjusted）:
19011923
Includedobservations:
23afteradjustingendpoints
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
0.000509
0.006638
0.076729
0.9396
RMZ
1.319811
0.289375
4.560905
0.0002
R-squared
0.497630
Meandependentvar
-0.001026
AdjustedR-squared
0.473708
S.D.dependentvar
0.043825
S.E.ofregression
0.031793
Akaikeinfocriterion
-3.976188
Sumsquaredresid
0.021227
Schw
升级会员 