股票指数预测

关键词：

股票指数预测（精选十篇）

股票指数预测 篇1

一、上证指数的实证预测分析

分析的数据是上证指数自2013 年9 月24 日至2013 年12 月10 日的7 日移动均线数数据收盘价格,研究的目的是希望能够对其运行趋势在短期内做出一个判断。希望预测的是一种短期的趋势而不是精确的未来每一天的股票收盘价,所以对采用简单移动平均的方法对收盘价数据进行了一定程度的降噪处理,从而较为及时准确地反映中国股市的行情动态。

(一)ARIMA建模分析

差分运算有很好的确定性信息提取能力,许多非平稳序列差分后会显示出平稳序列的性质,这时我们称这个非平稳序列为差分平稳序列。对差分平稳序列一般使用ARIMA模型进行拟合。

在我们所选择的研究的样本区间,上证指数的波动性较强,是典型的非平稳序列,不能直接使用ARMA模型进行拟合,所以考虑使用ARIMA模型。

下面我们按照ARIMA建模流程展开研究。

(二)获得数据

分析的数据是上证指数自2013 年9 月16 日至2013 年12 月10 日的收盘价格。经过简单移动平均的降噪处理,获得的数据。

(三)判断序列的平稳性及进行差分运算

通过对其做时序图来直观地观察序列的平稳性可以看出上证综合指数原始时间序列有着明显的波动,易知为非平稳序列,需对原始时间序列进行平稳化处理后再进行建模。因为原序列呈现出近似先下降后上升的趋势,为消除其趋势因素,可以采用差分的方法。对原序列进行一阶差分运算后,得到新的时间序列,新序列无明显趋势或周期,波动较为稳定。

(四)对平稳的1 阶差分序列进行白噪声检验

在上证综合指数白噪声检验输出结果中显示,在检验的显著性水平为0.05 的条件下,统计量的P值远小于0.05,所以有很大把握(置信水平>95%)断定该序列属于非白噪声序列。

结合前面的平稳性检验结果,说明该序列不仅可以视为是平稳的,而且还蕴含着值得提取的相关信息。下面我们对该序列进行建模和预测。

1 阶差分后序列的自相关图已经显示出该序列有自相关系数1 阶截尾的性质。偏自相关图显示出一定的截尾性,所以考虑用ARMA(1,2)模型拟合1 阶差分后序列。考虑到前面已经进行的1 阶差分运算,实际上是用ARIMA(1,1,2)模型拟合原序列。

(五)模型定阶、参数估计与检验

通过在IDENTIFY命令中增加一个可选命令MINIC,就可以获得一定范围内的最优模型定阶。结果显示,在p=2,q=4 时,BIC函数值最小,执行ARIMA过程的Estimate p=2,q=4 命令做参数检验,结果未能通过参数检验。对之前经验估计的ARMA(1,2)模型,即p=1,q=2 时同样做参数检验,最终该模型通过参数检验。

从上面模型的检验结果可以看到,其为有效模型,且ARMA(1,2)模型的AIC为253.3724,SBC为260.5096。

在最小二乘估计原理下,由于MU常数项未通过检验,拟合结果等价于:

(六)对残差序列进行检验

对残差序列进行整理,结果(如下表所示)。

显然,拟合检验统计量的P值都显著大于显著性水平0.05,可以认为该残差序列可视为白噪声序列,系数显著性检验结果显示常数项未通过检验,即不存在常数项。这说明ARMA(1,2)模型对该序列建模成功。

（七）拟合与预测

我们的目标是进行短期预测,所以预测步长设定为10,即预测未来10日内7日移动均线的走势。

所得到的拟合与预测效果图如下:

以上主要是应用ARIMA模型进行建模分析,由上图看,未来7日均线有下降的趋势,这就提示我们注意风险。

二、总结

由于股票价格的波动性往往呈现出异方差性和波动聚集性,而且异方差的函数形式通常是未知的,但由于个人能力有限,无法利用GARCH模型对指数短期趋势序列进行进一步的探讨而有效地处理异方差性。这是本次论文的一个不足之处。

股票指数预测 篇2

关键词：行为参数；广义回归神经网络；股票指数；预测模型

中图分类号：F830．91 文献标识码：A

General Regression Neural Network Forecasting Model of Stock Index Based on Behavioral Parameters of Investors

FANG Yong，SUN Shao-rong

（College of Management, University of Shanghai for Science and Technology, Shanghai 200093, China）

Abstract:When making short-term forecasting for stock price, general neural network models take lags of price time series as input variables. But the factors affecting price are complex, and many are impossible to be accurately measured and the noise of market information is too heavy, so forecasting effect is not satisfactory. Then how to select effective input variables becomes a disturbing problem in research.

Key words:

一、引言

自2004年初《国务院关于推进资本市场改革开放和稳定发展的若干意见》（简称为“国九条”）发布以来，中国的资本市场步入了一个平稳、健康发展的新时期，市场化程度不断提高，法制和制度基础逐步夯实，上市公司质量不断提高，股权分置改革积极稳妥地推进，保护投资者利益、防范和化解风险的各项基础建设不断完善。然而，金融产品过少、产品结构过于单一已经严重制约了我国资本市场的长足发展，因此适时地推出新的金融衍生品对于我国资本市场能够在激烈的国际竞争中处于不败之地有着极其重大的意义。中国证监会主席尚福林在中国期货业协会第二次会员大会上表示，在巩固和大力发展商品期货的同时，要加大对金融期货的研究和开发力度，为适时推出金融期货产品做好准备。作为金融期货的领头羊，股指期货的推出已如箭在弦上。

在这样的背景之下，各种各样的预测模型就能够在股票指数的预测中大显身手了。在线性类预测模型中，ARIMA和GARCH应用较为广泛，它们具有良好的可解释性和稳健性。然而金融系统是一个复杂的大系统，具有非线性、高维度、随机性和混沌等特征，因此运用线性模型来预测金融系统精度往往不高。神经网络由于具有超强的非线性映射能力和向数据学习的能力从而在金融领域得到了广泛的重视和应用^[1]。

在运用神经网络模型对股票价格进行短期预测时，一般的神经网络预测模型都是以价格的时间序列滞后作为输入变量^[2-3]，但是由于影响价格的因素错综复杂，很多因素无法准确测量，而且市场信息的噪音太大，因此，预测效果往往不太理想，于是如何选择有效的输入变量就成为一个困扰我们的难题。近几十年来行为金融学的蓬勃发展正好为这个难题的解决提供了有效的途径。行为金融理论认为，投资者并不是完全理性的，而是有限理性的，投资者的心理、情绪和意志因素在资本资产的定价中起着不可忽视的作用。国内外大量的行为金融学文献对投资者普遍存在的各种认知、情绪和意志偏差以及影响投资者交易行为的关键因素作了深入的研究。如Odean(1999)的研究发现投资者存在过度自信（overconfidence）的心理偏差^[4]，Grinblatt和Keloharju(2001)利用芬兰股票市场1995-1996年的投资者交易数据对影响投资者买卖决策的决定因素进行了实证研究^[5]，赵学军和王永宏对我国股市中存在的处置效应进行了实证分析^[6]。笔者依据已有的行为金融学文献，并结合中国证券市场的实际特点，将影响投资者交易行为的一些关键因素引入到神经网络预测模型的输入变量中，这些行为参数包括历史平均收益率、历史价格的波动、历史交易量的变化、情绪指数、重大政策和信息的发布以及假日效应。

笔者选择上证综指日收盘价为预测目标，样本区间为2004年6月22日至2006年1月10日，共300期数据 ，上证综指每日的收盘价和交易量数据来源于搜狐网。将2004年6月22日至2005年11月17日共270期数据作为训练样本，2005年11月18日至2006年1月10日共30期数据作为测试样本。

二、广义回归神经网络预测模型

（一）广义回归神经网络

多层前馈神经网络能逼近任意从Rm空间到Rn空间的非线性映射，它的工作原理来源于概率论的思想，当用作函数逼近时，网络输出y可理解为网络输入x的回归函数，当用作分类时，网络输出可理解为相应类别的后验概率。

广义回归神经网络（general regression neural network, GRNN）最早由Sprecht（1991）提出^[7]。作为一种通用的非参数回归模型，它是径向基函数神经网络（radial basis function neural network, RBF）的一种变化形式，网络结构如图1所示。

网络的第一层为径向基隐层，隐节点的个数为训练样本数Q，将所有训练样本均作为隐节点的数据中心。设输入样本为P=(p …,pR)，网络输入到隐层的权值矩阵为IW，它的每一行实际上就是一个训练样本。‖dist‖表示输入样本P与数据中心的欧氏范数，即：

这里，各个隐节点采用相同的扩展常数（spread，也称为光滑因子）σ。

网络的第二层为线性输出层，隐层到输出层的权值矩阵为LW，基函数采用规范化点积函数mprod，基函数输出为n2=(n2 …,n2k)，则有：

激活函数为线性函数purelin，最后的输出记为a2=(a2 …,a2K)，则有：

GRNN的权值学习仍然采用BP算法，即误差反向传播学习算法（error back propagation algorithm），这是一种有导学习算法，其基本思想是最小均方差准则和梯度下降法。输出层权值的反向传播误差公式为：

输出层的批处理权值修正公式为：

其中η称为学习率，一般取较小的值。

GRNN在逼近能力、分类能力和学习速度上比BP网络和RBF网络有着较强的优势，网络最后收敛于样本量集聚较多的优化回归面，并且在样本数据缺乏和数据不稳定时，预测效果也比较好。

(二)预测模型的变量

预测模型的输出变量是预测日的上证综指收盘价格，下面对输入变量逐一进行介绍。

1.前5个交易日的股票价格指数

2.前5个交易日的股指收益率移动平均

Kahneman和Tversky(1974)通过幸运轮实验发现，人们在对不确定的事物进行判断和评估时普遍存在锚定效应（anchoring effect）^[8]。所谓锚定效应，是指人们在判断和评估的过程中，通常设定一个最容易获得的信息②作为估计的初始值（称之为“锚”），然后在这个初始值的基础上进行一定程度的上下调整，但是这种调整往往是不充分的，并且不同的初始值会产生不同的估计，从而导致决策上的偏差。金融市场中的锚定效应反映在投资者对未来的判断过分依赖于资本资产的历史收益率，他们通常对新信息反应不足，不能及时地对原有的预期进行充分的调整。

3.前5个交易日股指波动的标准差

Kahneman和Tversky（1981）通过心理学实验发现，人们的判断和决策依赖于他们当时所处的情境以及信息的表达方式（框架），当同一问题采用不同的表达方式时，人们可能会做出不同的决策，这种认知偏差称为框架依赖（frame dependence）^[9] 。国内外大量的实证研究表明证券市场的投资者也存在框架依赖偏差。譬如，在一段时期内，假定收益率不变，那么这段时期内股票价格波动程度的高低会对投资者对未来收益的判断及投资决策产生不同的影响。

4.看涨情绪指数BSI

看涨情绪指数BSI（Bullish Sentiment Index）作为一种对投资者信心的量度，通过调查投资者对后市的预期而计算得到③，其自身受到历史收益率、历史收益率的波动、政策、媒体和“传统智慧”④等诸多因素的影响，同时它又与未来的收益率有着显著的相关性。Fisher和Statman(2000)的实证研究发现，反映华尔街战略投资家情绪的组合持股比例和反映美国个人投资者情绪的BSI都能够对S＆P500指数收益表现出良好的反向预测能力^[10] 。国内外已经编制了各种各样的投资者情绪指数，以期通过这些指数来预测证券市场的总体走势，如Shiller设计的信心指数和泡沫指数，我国中央电视台的“央视看盘”数据以及耶鲁大学国际金融研究中心和北京大学中国经济研究中心共同发起编制的“耶鲁-CCER中国股市投资者信心指数”。

笔者计算每个交易日的BSI所用的数据来源于华鼎多空民意调查（发布在《中国证券报》上）。这项调查结果包含了散户、大户和咨询机构对后市的看涨、看跌和看平比例以及散户与大户的仓位结构和仓位值。笔者将散户和大户的看涨、看跌比例分别进行算术平均⑤，然后计算出平均看涨情绪指数BSI。

5.重大政策和信息的发布

“政策市”是我国股市的一个重要特征。对于还不太成熟的我国股市而言，重大政策的制定和发布对于增强投资者信心、保护投资者利益、完善资本市场的法制和制度建设、有效地进行宏观监控以及合理引导市场的走向起着举足轻重的作用。2005年6月6日，上证综指跌破千点，在其后的两个月里，国家共发布了20余条政策，“政策救市”由此可见一斑。表1列出了2004年6月22日至2006年6月9日这一段时间内国家发布的一些重大的政策和信息，其中第2、4、16、17条为利空政策，其余为利好政策。

6.前一交易日的交易量增量

在证券市场中，交易量的大小反映了交易的活跃程度，而历史交易量的变化会影响投资者的买入或卖出决策。Lee和Swaminathan(2000)的实证研究表明，历史交易量的变化能够提供关于未来价格走势的重要信息^[12]。

7.假日效应

假日效应（holiday effect）是指假日（除双休日之外国家法定的节日或传统节日）的前后几个交易日或假日当天的股票收益显著地高于其他交易日，它是日历效应(calendar effect)的一种，不能由传统的资本资产定价理论来解释，是金融市场中的一种异象（anomaly）。仪垂林和刘淄（2005）通过研究发现上海股市存在显著的假日效应^[13]。和仪垂林一样，假日包括元旦、春节、五一长假、十一长假、元宵节、清明节、端午节、中秋节和重阳节。为了反映假日效应对股票指数的影响，预测模型中引入了如下所示的哑变量。

三、预测模型仿真结果

笔者运用Matlab7。1中的神经网络工具包对GRNN进行训练和仿真。在对神经网络进行训练之前，需要对输入变量和输出变量的数据进行归一化处理，即将数据转换到区间 中，已经位于区间 的数据，不必进行归一化处理。可采用下列公式对数据进行归一化处理。

数据进行归一化处理之后，就可以用训练样本来训练GRNN，然后用训练好的网络对测试样本进行预测。GRNN只需调节光滑因子这一个参数。从理论上讲，光滑因子越小，网络对样本的逼近就越精确，但是逼近的过程就越不平滑；光滑因子越大，逼近过程就越平滑，但是逼近误差就会越大。可以将光滑因子分别设定为0． 0．2,…,0．5，通过反复尝试发现，当光滑因子为0．1时，无论是逼近性能还是预测性能，误差都比较小，随着光滑因子的增加，误差也在不断增加。因此，从误差的角度考虑，将光滑因子设定为0．1。

为了说明本文所提出的模型的意义，笔者将该模型与惯常所使用的模型，即仅以股票指数时间序列5期滞后值作为输入变量的模型进行逼近性能和预测性能两方面的比较，评价指标采用平均绝对误差MAE、平均绝对百分比误差MAPE、均方误MSE、THEIL的U统计量THEIL-U、偏差比例、方差比例以及协方差比例^[14]。比较结果见表2及表3。

从上述比较结果可以看出，无论是逼近性能还是预测性能，本文所提出的包含投资者行为参数的模型比惯常所使用的以股票指数的时间序列滞后值作为输入变量的模型都有一定程度的提高。

四、结论

行为金融理论认为，在股票市场上，信息交易者和噪声交易者共存，产生价格波动的部分行为机理是理性的和明智的，而另一些则是愚蠢的和荒谬的，只要股票市场存在下去，这种现象就永远也不会消失^[15]。行为金融的研究者们正在孜孜以求将纯理性的模型包含到一个更为广泛的心理学模型中去，其中完全理性将作为一个重要特例^[16]。

现在，投资者的认知偏差和有限理性行为越来越引起了实务界和学术界的重视。笔者依据行为金融理论对如何选择有效的输入因子作了一个初步的探索，将影响投资者交易行为的一些重要参数引入到神经网络短期预测模型中，仿真结果表明这种探索是可行且有效的。本文的样本数据只涵盖了一个比较短的时期，在实际的预测过程中，要提高预测的精度就需要增加样本的涵盖面和容量、减少样本的噪音如引入小波分析技术以及采用组合预测技术等。另外，如何提高神经网络的稳健性还值得进一步深入研究。

参考文献：

[1]阎平凡，张长水.人工神经网络与模拟进化计算[M].北京：清华大学出版社，2005：304-310.

[2] 常松，何建敏.基于小波包和神经网络的股票价格预测模型[J].中国管理科学，200 9（5）：8-15.

[3] 崔建福，李兴绪.股票价格预测：GARCH模型与BP神经网络模型的比较[J].统计与决策，2004（6）：21-22.

[4] Terrance Odean. Do investors trade too much? [J]. American Economic Review, 89:1279-1298.

[5] Mark Grinblatt, Matti Keloharju. What makes investors trade? [J]. Journal of Finance, 56:589-615.

[6] 赵学军，王永宏.中国股市“处置效应”的实证分析[J].投资与证券，2001（11）：44-48.

[7] Sprecht D F. A general regression neural network[J]. IEEE Trans NN, 1991(2):568-576.

[8] D. Kahneman, A. Tversky. Judgment under uncertainty: heuristics and biases [J]. Science, 185: 1124-1131.

[9] D. Kahneman, A. Tversky. The framing of decisions and the psychology of choice [J]. Science, 211:453-458.

[10] Kenneth L. Fisher, Meir Statman. Investor sentiment and stock returns [J]. Financial Analysts Journal, March/April 2000:16-23.

[11] 魏玉根.政策干预上海股市行为的统计分析[J].统计研究，2001（2）：52-55.

[12] Charles Lee, Bhaskaran Swaminathan. Price momentum and trading volume [J]. Journal of Finance, 2000, 55: 2017-2069.

[13] 仪垂林，刘淄.上海股市法定节日及传统节日效应的实证研究[J].财经科学，2005（5）：99-104.

[14] 高铁梅.计量经济分析方法与建模——EViews应用及实例[M].北京：清华大学出版社，2006：86-88.

[15] 拉斯·特维德／周为群译.金融心理学——掌握市场波动的真谛（修订版）[M].北京：中国人民大学出版社，2003：3-10.

[16] Richard H Thaler. The end of behavioral finance[J]. Financial Analysts Journal, November/December 1999:12-17.

（责任编辑：石树文）

指数化股票期权浅析 篇3

一、传统股票期权的局限性

(一) 传统股票期权激励模式是一种单边激励。

股票期权是指上市公司授予激励对象在未来一定期限内以预先确定的价格和条件购买本公司一定数量股份的权利。在股票价格上涨时, 激励对象可以通过行使股票期权获得股价大于行权价部分的收益;但是, 若是公司股票价格下跌, 激励对象取得的股票期权无价值可言, 随着激励对象放弃行权的权利, 激励作用便不存在。根据薪酬服务机构Equilar公司的数据, 受金融危机的影响, 截至2008年10月24日, 在硅谷排名前150位的上市公司中, 超过80%的公司期权行权价格已经高于公司当前实际股价。这也意味着就目前市场情况而言, 这部分期权已经完全没有价值。所以, 传统股票期权激励模式是一种单边激励, 在目前经济不景气的环境下已经失效。

(二) 传统股票期权激励模式将市场的波动也看作与激励对象的业绩相关。

导致公司股价波动的因素, 我们大致可以分为两种:一种称为可控因素, 是源于公司自身的经营和筹资结构安排而导致的;另一种我们称之为不可控因素, 市场整体的波动对于激励对象而言是无法控制的因素。传统股票期权激励模式给予激励对象享受公司股票增值所带来的利益增长权, 而不论这些利益增长是否是源于激励对象的努力。如果股票期权是基于股价的绝对变化, 当股价上涨是由于行业和市场趋势, 而和激励对象努力无关时, 表现很差的激励对象也可能获得丰厚的报酬, 这样不仅难以起到激励的作用, 而且还减少了股东的价值。在20世纪九十年代美国股市景气时, 便是如此。沃伦·巴菲特说道:“毫无疑问, 业绩平平的公司高管获得了过度的报酬, 而获得过度报酬的方式就是股票期权。”

(三) 传统股票期权激励模式适用范围有限。

由于传统股票期权激励模式是以股价作为考评指标来对激励对象进行考评的, 其有效实施除了需要有相对完善、规范的股票市场、经理市场和相应的法律法规等条件做保证, 还受行业差别性限制。实际上, 股票期权并不适用于所有的企业, 它一般仅对上市公司中激励对象主导作用明显、科技含量高、不确定程度大、成长性好、具有较大潜在管理效率提升空间的处于竞争性行业的公司才会产生较强的激励作用;而对一般传统行业激励对象的激励效果并不明显, 甚至可能造成严重的负面影响。

二、指数化股票期权的概念与优势

(一) 指数化股票期权的概念。

指数化股票期权的思想最早是Holmstrom (1979) 针对传统期权的内在缺陷而提出的, 是指行权价随着行业或市场指数而变化的股票期权。它和传统期权的不同之处就在于两者行权价的确定方式不同。指数化股票期权的行权价时刻随着某个特定的指数而动态变化, 这个指数可以是整个市场的综合指数也可以是行业的综合指数, 指数反映了激励对象无法控制的企业所处的外部环境的变动。随着指数的升降相应调整行权价, 剔除了外部环境的影响, 能更好地实现对激励对象业绩优劣的奖惩。

例如, 假设期权赠与日公司股价为100美元, 构建一个有着相同价格的同行业企业指数, 10年间, 指数平均每年涨10%, 股价达到259美元。若该公司每年以20%的速度增长, 其股价10年后为619美元。每股指数化股票期权利得为360美元 (619-259) , 而每股传统期权的利得为519美元 (619-100) , 两者的激励效果显著不同。

(二) 指数化股票期权的优势

1、指数化股票期权采用动态的行权价取代传统股票期权的固定行权价, 能够滤除外部环境对股价的影响, 更客观地反映了激励对象的业绩。牛市时, 行权价随指数上涨而上涨, 消除了传统股票期权激励模式下激励对象一夜暴富的现象。指数化股票期权并不仅仅因为股票价格上涨就让激励对象获得利益, 而是在股票价格和指数股票价格差值增长后才会使激励对象获得利益。激励对象必须努力工作, 使公司业绩增长超过指数增长, 这时公司股价高于行权价, 激励对象执行期权, 获得执行收益。由于剔除了市场上涨的因素, 指数化股票期权的执行收益与传统股票期权激励模式下的执行收益相比大大缩水。相反, 熊市时, 行权价随指数下跌而下跌, 避免了传统股票期权激励模式下行权价高于股票价格, 激励对象无法行权的现象。只要激励对象创造的业绩增长优于指数的增长, 行权价就会低于公司股价, 此时激励对象可以行权, 获得行权收益。因此, 指数化股票期权更客观地反映了激励对象的业绩, 具有较强的有效性。

2、指数化股票期权行权价随指数变动而调整, 不易为人操纵, 避免了传统股票期权激励模式下人为的财务造假及市场干预行为。与传统股票期权激励模式的固定行权价相比, 指数化股票期权的显著优势在于其随指数变动而变动的行权价。传统股票期权激励模式下, 行权价固定, 激励对象只要使股价高于行权价就可以通过执行股票期权获得高额回报, 这是激励对象财务造假的内在动力。诺贝尔经济学奖获得者斯蒂格利茨在分析此次金融危机的根源时谈到经理层薪酬体制时提出“按股票期权计算收入的经理层对增加股票市场价值十分感兴趣, 因此与其增加公司的真实利润, 他们更热衷于增加报表上的收入。”显然, 传统股票期权很可能导致激励对象产生道德风险。而指数化股票期权激励模式下, 行权价随指数变动而不断调整, 激励对象无法控制市场指数走向, 有效地避免了传统股票期权激励模式下人为的财务造假及市场干预行为。

三、指数化股票期权在我国试行的必要性和可行性

(一) 必要性

1、指数化股票期权适合于我国的市场环境。

从资本市场方面来说, 传统股票期权更适用于半强式、强式有效市场。在这类市场中, 股票价格能够比较充分地反映所有公开的和内部的信息, 这就意味着所有市场参与者都无法垄断信息而获取超额利润。股价作为股票期权中最重要的公司业绩评价手段显然能够发挥其应有作用。然而, 对我国证券市场有效性进行的大量实证研究表明, 我国股市有效性较低, 波动性较大。股票市场存在“齐涨齐跌”现象, 很大程度上股价的变动在公司高管的控制之外。在这种情况下, 简单地推行传统股票期权激励很容易诱发管理层的道德风险。一方面管理层可能进行财务造假, 炒高公司股价, 然后行权获得执行收益。另一方面牛市时, 管理层可能不努力工作, 公司股价随市场上涨, 管理层仍能获得高额回报, 产生“搭便车”行为;熊市时, 管理层可能借口市场环境恶劣而要求对期权进行重定价, 以此推卸其不努力工作的责任。而指数化股票期权激励采用随指数变动的行权价, 避免了管理层的道德风险, 真正将管理层的业绩与收益联系在一起, 更加科学合理。

2、指数化股票期权有利于健全我国经理人市场。

我国经理人市场目前比较匮乏, 指数化股票期权将经理人的薪酬和市场指数或行业指数挂钩, 有利于横向、客观地评估经理人的业绩, 从而更好地通过经理人市场来选择、评价、约束、淘汰经理人, 发挥经理人市场的治理机制作用, 逐步废除经营者由行政机关任命的制度, 以保证具有企业家头脑的人能够成为企业的决策者, 促使优秀经理人队伍的形成和健康成长。

(二) 可行性

1、我国新会计准则中关于期权费用化处

理的规定为指数化股票期权的试行创造了条件。配合证监会2005年发布《上市公司股权激励管理办法 (试行) 》的实施, 新会计准则中关于期权费用化处理的规定使得所有类型的激励期权的成本都是高昂的。在成本趋同的情况下, 考虑到经理人对股价的非可控性及股市的周期性, 选择指数化股票期权就成为可能。

2、各类市场指数、行业指数较齐全。

我国股票市场经过多年的发展, 上市公司数量不断壮大, 各行业中的代表性企业基本都已上市, 行业结构分布合理;上市公司及其行业、市场的信息披露在不断规范和完善;各类指数的编制、运行也日益成熟和规范, 其导向性作用日益明显, 如深圳证券交易所发布的各类指数有80多种, 其中还包括20多种行业指数, 还有系列的巨潮指数应用性也较强。

总之, 指数化股票期权采用动态的行权价, 剔除了外部环境的影响, 相比于传统股票期权能更好地实现对激励对象业绩优劣的奖惩。通过分析指数化股票期权在我国试行的必要性和可行性, 笔者认为, 指数化股票期权在我国有良好的应用前景。因此, 结合我国股票期权的应用实际, 在理论上和实践中加深对指数化股票期权的研究与应用, 对完善我国企业的激励机制有重大的意义。

摘要：受金融危机的影响, 股价的下跌导致众多公司股票期权的激励作用失效。本文在阐述传统股票期权局限性的基础上, 提出了指数化股票期权, 并分析了其相比于传统股票期权的优势, 进而指出在我国试行指数化股票期权的必要性和可行性, 旨在为新形势下的薪酬激励机制提供一条出路。

关键词：指数化股票期权,行权价

参考文献

[1]证监会.上市公司股权激励管理办法 (试行) , 2005.

[2]张维, 陶桦.经营者激励机制中指数化期权的应用[J].现代财经, 2002.6.

[3]谢德仁.经理人激励与股票期权[M].北京:中国人民大学出版社, 2004.

[4]陈关聚, 冯宗宪, 慕继丰.基于激励机制的指数化股票期权模型及其应用[J].中国管理科学, 2002.6.

上证50ETF：投资者的指数股票 篇4

上证50ETF在交易机制上相对于现有基金品种有其独特性。比如，其本质上是一种完全被动型的指数基金。因此，其投资收益最终来源其上证50指数的成长。此外，其总体运作费用不到其他指数类基金的1/2，也远远低于基金的整体平均水平。仅略微高于货币市场基金。同时，由于普通投资者买卖上证50ETF主要是从二级市场买入，因此其费用等同于封闭式基金。主要包括交易佣金和其他手续费。其中交易佣金费率不超过成交金额的0.30%，实践中该费率一般要低于0.025%。因此，这也要远远低于普通投资者柜台申购赎回开放式基金的费率。

值得注意的是，上证50ETF在现有的交易制度框架下实现了T+0交易。如果投资者判断某个交易日内未来短期市场会出现大幅上涨，那么投资者就可以在二级市场买入成份股申购ETF，在市场上涨之后在上证ETF二级市场抛售从而完成T+0交易。并且，这种交易可以反复循环，投资者的资金可以实现更高效率的利用。当然，如果把交易波段的时间再进行扩大，投资者也可以实现一段时期内的波段操作，而不仅仅是日内的波段操作。对于机构投资者而言，短期投机、长期投资和套利交易均是可以参与的方式。

指数股票型基金的销售战略分析 篇5

1 指数股票型基金简介

1.1 指数股票型基金的基本概念

指数股票型基金的全称是中文正式名称是:指数股票型证券投资信托基金, 简称“指数股票型基金”, 其英文原文是:Exchange Traded Fund。该基金是一种跟踪“标的指数”变化、且在证券交易所上市的基金, 其基金资产为“标的指数”成份股的流通股票, 且股票持有比例与“标的指数”构成比例完全一致。它属于一种开放式基金, 完全投资于标的指数成分股, 投资目标是实现基金收益与指数涨跌基本一致。投资人可以象买卖股票一样去买卖跟踪“标的指数”的指数股票型基金, 并获得与该指数基本相同的收益率。

1.2 指数股票型基金的发行和交易原理

指数股票型基金发行创设主要有两种方式, 一种是以现金认购, 另一种是通过提交“一篮子股票” (又称种子资本) 交换指数股票型基金份额。一般情况下, 指数股票型基金份额的创设是通过“种子资本”方式完成的, 有时基金管理公司为了扩大基金销售份额也同时使用两种方式。在两种发行方式同时采用的情况下, 以现金方式申购必须在现金募集期结束、基金按复制“标的指数”方式建仓完毕后方可获得指数股票型基金份额, 以“种子资本”方式申购则在现金申购结束后进行。指数股票型基金发行结束后即可申请上市交易和申购、赎回。投资者通过交易所系统发出不同的交易指令即可完成买卖、申购、赎回等行为。投资者在交易所买卖指数股票型基金时, 其交易方式与封闭式基金完全相同。申购、赎回指数股票型基金时, 投资者与基金交换的不是现金而是“一篮子股票”, 这一点与传统开放式基金的申购赎回有本质的区别。申购时, 投资者按基金公司给出的清单提交“一篮子股票”, 获得指数股票型基金份额;赎回时, 投资者提交指数股票型基金份额, 基金公司交给投资者的是“一篮子股票”。

1.3 指数股票型基金与普通基金的主要区别

指数股票型基金作为一种创新产品, 与现有的证券投资基金在投资理念、交易方式以及申购赎回机制上均有较大的差别。在投资理念上, 传统的主动型股票投资基金主要依靠基金经理对股票的分析来作出买卖决定, 即使增强型指数化投资基金 (如华安上证180、易方达50等) 也需要基金经理对指数成份股进行筛选并进行仓位控制, 而指数股票型基金则是纯粹的指数化基金, 是被动型投资, 基金经理不按个人意志决定股票的买卖, 而是根据“标的指数”成份股的构成被动地决定所投资的股票, 投资股票的比重也与指数成份股的权重保持一致, 其特点是“始终满仓、完全复制”。在交易方式上, 指数股票型基金比现有的封闭式基金多了申购和赎回方式, 同时由于套利交易的存在, 指数股票型基金在交易所的交易价格与基金净值之间的折溢价很小, 而不像现有的封闭式基金一样存在大幅度的折价。与现有的开放式基金相比, 指数股票型基金不仅可以在交易所上市交易, 而且申购赎回是瞬间完成的, 此外申购赎回的费用较普通基金相比更为低廉。

2 市场定位及营销战略分析

2.1 市场细分及定位

指数股票型基金属于基金的一种, 从广义上说属于金融投资工具的一种。因此对于其产品的营销属于金融营销的范畴。我们根据消费者的年龄、收入、学历、心理认知等等因素把消费者进行细分。具体市场细分情况如表1所示。

根据上述分析发现, 主要顾客群从年龄划分以中青年投资者为主, 从风险厌恶程度划分以风险中性型投资者为主。针对于风险中性的中青年投资者, 基金公司需要制定适当的营销策略以提高营销的效率。

2.2 指数股票型基金的市场营销策略

2.2.1 产品策略

(1) 简单易行。在产品方面, 应当尽力使得产品简单易行。根据指数股票型基金的规定, 在赎回时应当赎回一揽子股票, 而不是指数股票型基金基金份额。这对于机构投资者来说并不困难, 但是对于中小投资者来讲, 却增加了他们交易的难度, 无形中提高了消费者的成本。所以, 基金公司应当与各经销商, 尤其是券商达成协议, 由券商承担兑换指数股票型基金与一揽子股票的责任, 减小中小投资者的成本。 (2) 组合金融产品, 规避固有风险。在股指下跌时, 买空的投资人的利益会受到损失。这也是由于指数股票型基金股指期货的性质决定的, 不可能作出改变。但是基金公司可以将金融产品进行重新组合, 以避免系统风险, 如保险、期权等避险手段的使用。

2.2.2 渠道策略

指数股票型基金作为一种基金产品, 其渠道可以分为主辅两条渠道。主渠道为各级券商, 辅渠道为银行等其他金融机构。基金公司应当加强对于渠道的培训与监督, 通过广阔的渠道进行市场渗透。具体来说, 基金公司与各主要渠道可以采取的联合策略包括: (1) 培训帮助。对券商相关业务人员, 特别是营业部客户经理进行知识培训, 提高渠道素质与销售水平。 (2) 加强产品联合研究与开发。指数股票型基金产品与其他基金产品的最大不同在于, 经销商同时也是终端顾客, 即券商等金融机构同样会购买大量的指数基金作为投资工具。因此基金公司应当成立专门课题小组, 就产品性质等能够改变经销商成本利润结构的问题进行进一步联合研究, 建立指数跟踪系统和套利交易系统, 为券商与金融机构参与套利交易提供便利。

2.2.3 促销策略

(1) 目标广告。广告策略需要明确对象, 提高广告的针对性与渗透率。合理选择广告时间与广告投放媒介, 使得广告可以直接到达潜在的投资者。提高广告的宣传档次与形象, 提升产品定位, 准确转达产品的稳定属性。 (2) 丰富促销手段。针对不同投资者的投资特点与风险偏好程度, 结合市场产品开发, 进行创新性的促销活动, 通过设计金融产品与衍生品, 开发出适合不同风险偏好投资者的促销产品, 提高产品的吸引力和市场占有率。 (3) 人员推广。针对重点客户, 选择更具有针对性的特定人员推广销售手段, 宣传产品质量, 提高广告渗透比率。

2.2.4 产品生命周期策略

由于指数基金产品在我国尚属于产品引入期, 因此营销要求重点突出产品内涵, 显示价格优势。通过产品销售建立完整的数据库系统, 及时进行信息更新, 掌握交易状况, 总结营销经验教训。对于换手率异常的产品, 及时进行问题分析, 以利于新产品的推出。

摘要：近年来, 伴随着我国证券市场的成熟和资产价格的上升, 开放式基金的销售增长迅速, 居民储蓄存款受此影响, 呈现出储蓄存款持续向开放式基金转移的趋势。但是, 由于开放式基金种类繁多, 且基金的管理方式与管理水平均存在巨大差异, 因此自2008年金融危机爆发以来, 我国居民基金资产账面价值降幅较大, 基金行业整体亏损严重, 普通基金面临着严重的赎回问题。如何确保收益的稳定性已经成为基金行业共同关注的首要问题。

股票指数期货市场系统风险微探 篇6

股票指数期货和其它期货交易品种一样, 是风险厌恶者转移风险、风险偏好者投机获利的金融工具, 其基本功能也有价格发现、套期保值和无风险套利三种。股票指数期货是期货市场与股票市场的共同产物, 它既具备了期货的特点, 又包含了股票的特色。

交易股指期货的基本风险, 都来源于“杠杆作用”、“价格涨跌不具确定性”、“交易者自身因素”。从另一方面来看, 结合目前我国市场的具体情况, 股指期货市场和股指现货市场存在以下三个方面的系统风险。

1. 市场环境方面的风险

股票指数期货引起证券市场环境发生变化, 带来各种不确定性而导致的风险。它主要来自以下几个方面:

1) 市场过度投机的风险。股指期货推出的初衷是适应风险管理的需要, 以期在一定程度上抑制市场的过度投机。但由于指数期货对交易者的吸引力主要来源于其损益的杠杆效应, 一定程度上, 指数期货工具的引进有可能是相当于又引进了一种投机性更强的工具, 因此有可能进一步增大证券市场的投机取向。

2) 市场效率方面的风险。我国现阶段的金融市场是一个低效的弱势市场, 由于交易主体获取信息的不对称性, 其所承受的风险也大相径庭。一方面, 主力机构可以利用资金和信息的优势通过影响证券现货市场从而达到影响期货市场的目的, 而中小投资者因在资金、信息、风险控制技巧方面处于劣势而承担着更大的风险;另一方面, 由于股指期货这样的金融衍生工具具有损益放大特点, 因此股票指数的轻微变动就会导致期货帐户资金的巨幅波动。如果交易过于集中, 一家出现危机, 将引致多米诺骨牌效应, 诱发严重金融危机。

3) 交易转移的风险。股指期货因为具有交易成本低、杠杆倍数高的特点, 会吸引一部分纯粹投机者或高风险偏好的投资者由证券现货市场转向股指期货市场。但市场的资金供应量是一定的, 股指期货推出的初期, 对存量资金的分流可能冲击股票现货市场的交易, 引发市场失衡的现象。

4) 流动性风险。如果由于期货合约设计不当, 导致交易量过小, 就会造成有行无市的窘境。一般而言, 合约价值越高, 流动性就越差。若合约价值过高, 超过了市场大部分参与者的投资能力, 就会把众多参与者排除在市场之外;若合约价值过低, 又势必加大保值成本, 影响投资者利用股指期货避险的积极性。因此, 合约价值的高低将影响其流动性。

2. 市场交易主体方面的风险

在实际操作中, 股票指数期货按交易性质分为三大类:一是套期保值交易, 二是套利交易, 三是投机交易。相应地, 有三种交易主体:套期保值者、套利者和投机者。而参与交易的投资者包括证券发行商、基金管理公司、保险公司以及中小散户投资者, 投资者因参与不同性质的交易而不断地进行角色转换。虽然股指期货最原始的推动力在于套期保值交易, 但利用股票指数进行投机与套利交易是股指期货迅速发展的一个重要原因。

1) 套期保值者面临的风险。参与股票指数期货交易的, 相当数量是希望利用股指期货进行套期保值以规避风险的投资者。虽然开设股指期货是为了向广大投资者提供正常的风险规避渠道和灵活的操作工具, 但套期保值交易成功是有前提条件的, 即投资者所持有的股票现货与股票指数的结构一致, 或具有较强的相关关系。如果投资者对期货市场缺乏足够的了解, 套期保值就有可能失败。

2) 套利者面临的风险。套利是跨期现两市的。根据股指期货的定价原理, 其价格是由无风险收益率和股票红利决定的。一方面, 从理论上讲, 如果套利者欲保值的股票结构与期货指数存在较强的相关关系, 则套利几乎是无风险的。但获取这种无风险的收益是有前提的:即套利者对理论期货价格的估计正确。如果估计错误, 套利就有风险。由于我国目前利率没有市场化, 公司分红派息率不确定, 并且, 股票价格的变动在很大程度上也不是由股票的内在价值决定的, 种种原因使得套利在技术上存在风险。

3) 投机者面临的风险。投机者面临前面所讲的三大风险:“杠杆作用”、“价格涨跌不具确定性”、“交易者自身因素”。简单地说就是, 投机者是处在一个不具确定性的市场中, 任何风险在杠杆作用下都将放大了几十倍, 包括自身的一些因素。而期货市场中, 参与交易的资金流动快, 期货市场的价格波动一般比别的市场更为剧烈。

3. 市场监管方面的风险

目前, 我国新的《证券法》虽已出台, 但与之相配套的实施细则和相关法律, 还未制定, 证券法规与其他法规的衔接问题还未完全解决。在股指期货上市时, 仍然来不及推出《期货法》。这种情况下, 对股指期货的监管依据明显不足, 这就意味着股指期货的交易规则上变数较大, 游戏规则的不确定性将蕴藏着巨大的风险。

参考文献

[1]邵绪阳, 韩宁宁.股票指数期货对机构投资者的作用分析[N].期货日报, 2006-8-24 (11) .

[2]徐惠芳.股票指数期货对机构投资者的作用分析[N].中国证券报, 2008-10-30 (5) .

[3]王兆伟.股票指数期货风险防范及监管思路[D].吉林大学, 2006.

权重股对股票指数影响的实证分析 篇7

上世纪七十年代, Black-Scholes-Merton期权定价模型的问世推进了期权交易, 八十年代, 股指期货也在美国诞生, 金融衍生品交易日趋火爆, 这是金融史上, 也是人类经济史上影响最为深远、最激动人心的变化。尽管从诞生伊始就饱受质疑, 尽管曾经造成了许多公司巨额亏损, 甚至造成巴林银行倒闭, 并多次造成世界金融市场大幅震荡, 金融衍生产品始终保持了旺盛的生命力。特别是韩国, 从1996年推出股指期货与期权, 随着KOSPI200指数期权异军突起, 2001年韩国交易所衍生产品合约成交量就排名世界第一, 至今仍然保持龙头地位。

指数期货期权为何发展得如此迅速呢?基金经理人经常面临如何将大额资金快速而方便地投入或撤出股票市场, 买进或卖出如此大量的个别股票必定会造成价格的剧烈波动, 而且也可能违背基金分散投资的宗旨, 就要承担非系统风险。市场的流动性与投资组合的结构是大型基金经理人非常关心的课题。根据一般的看法, 个别股票的操作绩效取决于三个因素:整个市场, 所属产业和个别公司.绝大多数分析家认为, 整体市场的走势方向最重要, 个股绩效可能有70%取决于整体市场的走势。第二个重要因素是产业的基本面发展趋势, 个股绩效可能有20%来自于这方面的影响。所以, 个别股票的操作绩效大约只有10%来自于特定公司的营运表现。此外, 当重大经济事件发生的时候, 通常很容易预测整体股票市场受到的影响, 却难以判别个股反应。这样就希望针对“整个市场”进行交易, 而不是个别股票。为了满足这方面的需求, 金融市场发展了新的交易工具———指数期货。股指期货与其它期货合约一样, 由于股指经常剧烈波动, 给股指期货持有者带来巨大风险, 指数期权便应运而生。这些产品让基金经理人得以针对市场而不是个别股票来进行交易, 。事实上, 通过指数期货与指数期权, 大额资本可以进行符合经济效益的投资, 不仅能分散非系统风险, 还能转移部分系统风险。于是, 各种股票指数倍受关注。

我们关心一个问题:是否可以通过观察几支成分股, 甚至一支成分股来推知某一个股票指数的变化?如果可以, 可靠性有多少?这样, 权重股就进入了我们的视野。下面我们选取沪深300股票指数及其成分股来研究。

2 数据分析

数据来自中正指数有限公司网站、华泰证券与www.windin com网站, 利用SPSS17.0分析数据。为了研究近期股指与权重股相关性, 我们选取沪深300从2010年3月1日到2010年6月11日之间的数据进行分析。

首先, 选取5月27日至6月11日连续12个交易日的平均权重排序后进行聚类分析, 可以得到, 把300支股票分成6类, 7类或8类, 前11支股票所属类别都是一样的。前11支股票加权市值约25362.95亿元 (加权市值=股票6月8日平均成交价格×总股本×靠档比) , 累积权重24.52%, 对股指应该有一定解释能力。下面以前11支股票来研究权重股对股指影响。先看一下这11支股票的基本情况 (见表格1) 。

考察第一权重股招商银行的加权市值序列与股指序列相关性, 同时考察含其余的排名前是十一的股票的加权市值序列与股指序列相关性.下面先看一下用SPSS检验相关系数的结果。

从表格2中可以看出, 股本结构没有变化的民生银行, 浦发银行, 中信证券, 中国神华, 万科A, 工商银行的加权市值序列与股票指数序列的相关系数均大于0.8, 呈显著相关。第一权重股招商银行的股本结构虽然有变化, 但变化比例不大, 权重几乎没有变化, 他的加权市值序列与股票指数序列呈高度相关性, 相关系数竟然达到0.918, 在0.01的水平上检验显著, 这说明招商银行股价上涨百分之一, 股票指数百分之九十也上涨百分之一。其余股本结构有变化的股票, 除了交通银行, 所有的权重股的加权市值序列都与股指是正相关, 检验结果也显著, 但相关程度较弱。交通银行与其它所有股票加权市值序列都成负相关, 这种情况的出现是由于5月17日大量限售解禁造成。中国太保虽然解禁股数量不多, 但靠档比发生较大变化, 与股指的相关性较弱, 相关系数仅为0.476。

注:股本情况仅是3月1日至6月11日情况, 而权重是5月27日至6月11日共12个交易日的平均权重。

**.在.01水平 (双侧) 上显著相关.*.在0.05水平 (双侧) 上显著相关。

为了去掉交通银行大变化造成的失真, 下面我们去掉交通银行, 将聚类分析得到的前十一支股票的其他十支股票按类加权市值序列与股指再检验相关性, 对缺失数据使用线性趋势值法或线性插值法进行处理, 最后结果见下面表格3。

从表格3中看到, 它们的相关性都很显著, 相关系数均大于0.8。但是, 招商银行与股票指数的相关系数从0.918减少到0.852, 这应该是由于缺失值处理不当造成的, 但相关性仍然很强。我们还看到, C组股票市值序列与D组股票市值序列与股指收盘点数序列的相关系数均不小于0.8, 呈显著相关性, 说明权重低一点的股票对股指也有较强的解释。A组与其它三组相关系数都在0.9左右, 这是所谓的权重股的联动效应, 说明联动效应显著。

注:我们把招商银行记为A组, 而B组包含中国平安, 民生银行二支股票;C组包含兴业银行, 浦发银行, 中信证券共三支股票;D组包含中国神华, 万科A, 中国太保, 工商银行四支股票。

我们从另一个角度来看权重股与股票指数的简单相关性。将A组与B组数据对应相加得到序列记为E组, E组与C组数据对应相加得到序列记为F组, F组与D组数据对应相加得到序列记为G组, 再考察它们与股指相关系数, 得表格4。

我们看到并没有因为加总股票数量的增多, 加总加权市值的增加, 相关系数也随着变大, 反而有减少趋势。这说明少量权重股与股指有显著相关性, 并不能通过增加股票数量使得这种相关性变得更显著, 除非考察所有成分股, 股票数量有一定的数量要求, 多了少了都不大合适。

容易知道, 这种相关性是随着时间变化的, 就是说它是一个随机过程.为了考察相关性的波动幅度, 我们把上述数据以周为时间段, 分别计算招商银行, 中国平安, 民生银行与股票指数的相关系数, 把得到的结果作为样本 (具体数据略) , 可以看到相关系数大于0.8的约三分之一, 负相关也时常发生, 说明短期相关性没有长期相关性显著, 分析权重股只能得到长期走势, 对于短期行为不具有参考价值。

3 结论与建议

通过上述分析我们得到如下结论:可以通过分析权重股, 特别是几支权重股指数来推测股指, 可以在达到一定目的的前提下尽量减少工作量, 而且推测具有一定的可信度。另外, 并不是分析的股票越多可信度就越高。短期来看, 这种分析没有意义。

摘要：以沪深300股票指数为例讨论了权重股变化对股票指数的影响.说明权重股变化与股票指数变化成显著正相关, 可以通过观测少数权重股变化, 推测股票指数变化, 可靠性比较高.并不是分析的股票越多可信度就越高.短期来看, 这种分析没有意义.

关键词：权重股,股票指数,相关系数,实证分析

参考文献

[1]孙秀琳, 宋军.基于权重股的股指期货操纵模式研究-2007-2008交易数据的实证检验[J].世界经济情况, 2009 (1) :81-89.

[2]周晋.从上证指数和沪深300的相关性看权重股的影响[J].上海工程技术大学学报, 2008 (4) :358-361.

[3]党剑, 方世圣.股指期货实战解析:沪深300指数期货投资实务[M].上海财经大学出版社, 2007.

[4]中国金融期货交易所.http://www.cffex.com.cn[EB].

[5]中证指数有限公司.http://www.csindex.com.cn[EB].

[6]万点资讯.http://www.windin.com[EB].

[7]万点资讯.http://www.windin.com[EB].

宏观经济与股票指数的相关性研究 篇8

宏观经济是影响证券市场大盘走势的最基本因素。证券市场是整个国民经济的重要组成部分, 它在宏观经济的大环境中发展, 同时又服务于国民经济的发展。从根本上说, 股市的运行与宏观的经济运行应当是一致的。

本文在宏观经济指标中选取了消费者物价指数 (CPI) 、广义货币供应量M2、新增信贷额、财政收支、进口和出口额等多方面进行相关性分析。

1. 消费者物价指数 (CPI) , 是反映与居民生活有关的商品及

劳务价格统计出来的物价变动指标, 通常作为观察通货膨胀水平的重要指标。一般说来当CPI>3%的增幅时我们称为通货膨胀;而当CPI>5%的增幅时, 我们把它称为严重的通货膨胀。当存在通货膨胀时, 代表人民币间接贬值, 将导致股市上涨以配合利率的相对降低, 从而对于市场来说是一个上涨因素, 相反, CPI的值相对较小则会预期人民币升值, 利率上扬, 股市将有不同程度的下跌。

2. 广义货币 (M2) :

我国将货币供应量划分为三个层次:一是流通中现金M0, 即在银行体系外流通的现金;二是狭义货币供应量M1, 即M0加上企事业单位活期存款;三是广义货币供应量M2, 即M1加上企事业单位定期存款、居民储蓄存款和其他存款。M1反映着经济中的现实购买力;M2不仅反映现实的购买力, 还反映潜在的购买力。若M1增速较快, 则消费和终端市场活跃;若M2增速较快, 则投资和中间市场活跃。中央银行和各商业银行可以据此判定货币政策。M2过高而M1过低, 表明投资过热、需求不旺, 有危机风险;M1过高M2过低, 表明需求强劲、投资不足, 有涨价风险。

3. 新增信贷:

中国股市跟信贷新增贷款正相关, 信贷投放得多, 股指就会走高;投放少就会走低, 股市主要还是资金推动型, 而市场上的资金, 最重要的来源就是银行信贷, 股市和新增贷款的走势具有较强的一致性。

4. 财政收支关系对社会总供求的平衡发生影响, 进而对经济产生影响。

财政收大于支出为财政盈余, 采用结余政策和压缩财政支出, 可以减少社会总需求, 给过热的经济降温, 股市应呈现下跌的趋势;财政收不抵支出为财政赤字, 具有扩张社会需求, 拉动经济的功效, 股市会随着经济增长呈现强势。

5. 进出口总额:

进出口总额的增加或减少, 特别是净出口额直接反应本国对外经济, 净出口额增加, 意味贸易顺差, 将对股市是利好影响, 股市会上涨。相反, 净出口额为负, 则表明本国对外经济逆差, 股市相应下跌。

二、相关性实证检验

1. 相关分析是用相关系数 (r) 来表示两个变量间相互的直线关系, 并判断其密切程度的统计方法。

相关系数r没有单位, 在-1~+1范围内变动, 其绝对值愈接近1, 两个变量间的直线相关愈密切, 愈接近0, 相关愈不密切。

2. 数据选取

消费者物价指数 (CPI) 、股票指数 (上证指数) 、广义与狭义货币 (M1与M2) 、新增信贷、进出口额均选取2008年1月至2010年12月共36个月的数据。财政收入选取2008年7月至2010年12月共30个月的数据。

3. 同时期上证指数进行数据相关性分析

以下各宏观经济变量与股票指数 (上证指数) 的相关系数:

消费者物价指数 (CPI) 0.5051新增信贷余额-0.2693财政收入0.4025

广义货币 (M2) 0.0579进口额-0.0885出口额0.1153

狭义货币 (M1) 0.3297

由以上的数据可以看出, 股指与CPI相关程度显著, 与狭义货币和财政收入相关度普通, 而与其他指标则都呈现低度相关。这与之前相关的理论分析存在出入。

4. 错项相关性分析

股票指数作为经济晴雨表, 作为简单的反应同期的宏观经济指标有一定的时期不匹配, 所以通过修改数据的对应时间序列则找到了更为符合现实的相关系数计算方法。将对应数据的相应顺序调整, 而并不是简单的同时期相关计算, 得到的相关程度有很大的改变。

在数据处理中, 将2008年8月的股指与2008年1月的新增信贷组成一个对应组, 2008年9月的股指与2008年2月的新增信贷组成第二个对应组, 之后按时间顺序依次类推构成相关组。经过7个月时间的错项相关性计算, 得出的相关性系数为0.5232, 为显著相关。这与之前的-0.2693相去甚远。若这种错项的相关性假设可以成立, 那么可以判断新增信贷的变动反应到股票市场上的大约滞后七个月。同时也说明新增信贷是反映股指的先行指标。

同理, 对进出口额进行错项的相关性分析, 2008年6月进口额与2008年1月的股指对应 (即间隔5个月) , 得到相关系数为0.4415。2008年5月出口额与2008年1月的股指 (即间隔4个月) 对应得到相关系数0.3470。二者与之前同期相关性计算所得相关度低变为普通相关。由此可见, 在进出口额上体现了股票指数的晴雨表职能, 即股指的变动对于判断一个季度之后的进出口额变动有一定的指导意义。

对于消费者物价指数 (CPI) 和财政收入的同期相关性分析计算中得到二者分别与股指呈现显著相关和普通相关。并且通过错项的相关性分析并未有太大的变化。由此判断, CPI指数和财政收入的变动一定程度上可以反映同期的股票指数变动。

三、结论及政策建议

股票预测为何难奏效 篇9

预测改变结果

公司股票的回报率受到很多不确定因素的影响。公司的决策方针是否符合市场需要，内部组织是否有效率，公司是否能够抗衡竞争对手而赢得市场?财务状态是否健康，有无潜在的财务风险?所处行业有无发展前景，当前的经济形势是否会对公司的生存和发展产生影响?这些问题无一不对股票回报率产生深刻影响。而对这些问题并不容易给出答案。

预测股票的回报率比预测天气更加困难。天气预报虽也受诸多因素影响而难以准确预测，但有一点，是气会按自己的规律运行，不会因为人们的预报而发生变化。相反，股票的回报率会因为对它的预测而发生改变。比如，人们预测股票甲的回报率会超过股票乙的回报率，假如这个预测是准确的话，那么，人们在得知预测后，会立刻采取行动，购买股票甲，抛掉股票乙。同对对于已经持有股票甲的人，更不会轻易抛掉这只股。买者多，卖者少，股票甲的成交量低而价格会迅速上升，远超过它的价值。这时如果在很高的价位买入股票甲的话，未来在价格重新调整回价值时，它的回报率极有可能是负值。相反，对于股票乙，由于人们都急于抛售，价格会迅速降低，以至于低于它的价值，未来在价格重新调整回价值时，股票乙的回报率可能是正值。股票乙的回报率反而高于股票甲的回报率，走向与预测完全相反。从而使一个准确的预测，变成了一个无效的预测。人们根据预测产生行动，从而改变了预测的结果。这种现象在经济学上称为“自指性”(Self-referentiality)。

市场有效

打一个比喻来说明这个自指性概念。假如你今天得知一个很权威的预测，说你明天会在路上发生车祸。针对这个不吉利的预测，你可能会迅速采取措施，比如，你可能明天不再出门，或者出门并不用车，或者开车时倍加小心。这些措施使得不吉利的预测并没有发生。这就是预测本身改变了人的行为，从而改变了预测的结果。

自指性这个概念非常重要，它揭示了为什么金融市场如此难预测的原因。由于无法预测，人们只有接受市场随机波动，反而引出“市场有效性”的概念。市场有效性是指影响市场未来走向的所有信息都反映到了当前的价格之中。而市场的有效性又引出被动式投资策略，从而产生了像指数基金、ETF这样的投资产品。

预测如何迂回实现

自指性虽是一个现代的概念，但远在古希腊，人们就意识到与人有关的事物的复杂性，注意到区分两种不同的预测。一种是建立在自然规律基础之上的科学预测，利用科学知识作出准确预测，这是古希腊的伟大发现。它奠定了人类沿着这条道路探寻更多科学知识作出更多预测的基础。另一种是揭示有关人的未来命运的预测。古希腊人深刻体会到这类预测的困难在于预测的结果会改变人们的行为，从而改变预测结果本身。古希腊人有两个办法来解决这个问题。

首先，他们使预言难以获得，或采用隐语说出。比如古希腊德尔斐城阿波罗神殿的女主祭司皮蒂阿(Pythia)的预言故事是最著名的。在公元前550年，古代小亚细亚西部一个王国吕底亚(Lydia)的国王克里色斯(Croesus)，想要进攻波斯帝国(Persian Empire)。于是，他向皮蒂阿请求预测进攻的结局。皮蒂阿回答说，“如果克里色斯发动一场战争，他将摧毁一个伟大的帝国。”受到这个预测的鼓舞，克里色斯进攻了波斯，结果遭到了波斯的成功抵抗，而且波斯还杀人了吕底亚，活捉了克里色斯。克里色斯问皮蒂阿，“你为什么向我说谎?”皮蒂阿回答说，“我的预言确实实现了，克里色斯摧毁了一个帝国，你自己的帝国!”

另一个办法，古希腊人试图向人们显示，这种预言会通过一种曲折得难以想象的路径得以实现。最著名的莫过于俄狄甫斯(Oedipus)的悲剧。希腊神话中底比斯国(Thebes)的国王拉伊俄斯(Laius)和王后伊俄卡斯忒(Jocasta)，在生下俄狄甫斯后，不久得到一个神谕预言：俄狄甫斯日后将弑父娶母。为避免悲剧的发生，国王和王后决定让随从将俄狄甫斯干掉。随从将俄狄甫斯抛在山谷里，不想被好心的牧羊人捡到后，送给了科林斯国(Corinth)的国王和王后，他们没有孩子，把俄狄甫斯当做自己的儿子养大成人，且始终没有告诉俄狄甫斯的身世。俄狄甫斯长大以后，俄狄甫斯又一次得到了同样的神谕预言：他将弑父娶母，为了避免预言的发生，他迅速离开了科林斯。俄狄甫斯在路上偶遇国王拉伊俄斯，也就是他的生父，但双方并不认识，因为发生争吵，两人发展到拔刀相向，俄狄甫斯杀死了拉伊俄斯。至此预言中的第一部分——弑父实现了。

后来在向底比斯前进的路上，俄狄甫斯因解破斯芬克司之谜，而迫使这只困扰底比斯王国的怪兽坠崖而亡。俄狄甫斯被底比斯人拥立为国王，并要他娶前王的妻子即他的母亲伊俄卡斯忒为妻。至此预言中的第二部分娶母也实现了。这个故事让人感叹的是，明明是为了躲避一个预言中的灾祸而采取的行动，在冥冥之中受到命运的指引，恰恰实现了这个预言。

股票指数预测 篇10

美国次贷危机后, 我国货币政策频繁执行, 货币供应量对股票市场的影响正受到越来越多的关注, 现已成为了一个相对较热并具有前沿性的问题。中国人民银行从2006年度第2季度至2009年第2季度的每期《中国货币政策执行报告》中, 就一直在关注我国货币供应量变化及相同时期股票价格指数的变动。从目前实际情况来看, 初步可判断货币供应量对股票市场有一定的影响, 但究竟其能否影响股票价格指数、怎样影响股票价格指数、影响力度多大等却仍是理论界和实践界非常关注的焦点。

随着资本市场的发展, 股票市场不管在规模、市值还是在成交量上都取得空前的增长, 人们的货币需求不再单纯只受实体经济的影响, 作为虚拟经济的股票交易市场对货币需求的影响也不容忽略。Friedman (1988) 认为股票价格上升, 就会对货币需求产生正的财富效应和负的替代效应。[1]Allen (1994) 把证券市场交易量指标引入货币数量方程, 发现货币需求与经济体系中所有交易的相关性十分显著。[2]Choudhry (1996) 运用协整方法对美国和加拿大进行分析得出:股票价格在实际M1和实际M2的需求函数中具有显著的影响。[3]既然股票市场会产生货币需求, 根据供求关系理论可知, 供给的变化必然会引起价格水平的调整。因此, 货币供给的调整也会对股票市场价格指数产生影响。Homa和Jaffee (1971) 通过建立货币供应量与股票价格的回归方程, 认为货币供给直接影响股票价格。[4]Dhakal等 (1993) 在以货币市场均衡的条件下研究了美国股票价格与货币供给之间的关系, 认为货币供给会对股票价格产生显著的直接和间接冲击。[5]

相对来说, 国内学者却很少直接研究货币供给对股票市场价格的影响, 而主要集中在货币政策与股票市场关系、资本市场对货币供应量影响二个方面, 其侧重点还是通过货币政策对股票市场影响的实证来研究货币政策的制定与执行是否得考虑股票市场, 且关于货币供给与股票价格指数之间的关系或货币供给对股票价格指数之间的定量分析相对较少, 也很少深入研究货币供给对股票价格指数的影响。

关于货币供给对股票市场影响, 钱小安 (1998) 在研究中国股票市场与货币政策的关系时, 得出沪指、深指与M2反向变化, 并且相关性极弱。[6]段进等 (2006) 通过1994年第一季度至2004年第二季度的数据实证分析表明, 股市在短期内不会对M2产生影响, 但其可通过GDP间接影响股市。[7]白云 (2008) 选取2005年第1季度至2007年第1季度时间段对货币流动性过剩 (指当广义货币M2的增长率超过GDP增长率, 一般用M2/GDP衡量) 与股票价格相关性进行检验, 得出广义货币供应量M2的过剩供给导致股票价格上升, 与我国股市这两年的表现相符。[8]夏恩君等 (2008) 选用1997年第2季度至2007年第3季度数据分析则表明, 货币供给量指标M1、M2的变化可引起上证综合指数波动率的变化。[9]

本文主要研究货币供给量对股票价格指数的影响, 在实证分析上, 选取了基本涵盖我国股票市场发展历程的全部数据 (1994年第1季度至2009年1季度的季度数据) , 并把其他影响股票市场的因素作为自变量纳入到模型中, 以更全面地分析货币供给对股票价格指数的影响。

二、实证分析

本文选用1994年第1季度至2009年第1季度共61个样本点的季度时间序列数据进行实证分析。自深交所和沪交所成立以来, 我国在很长一段时间都没有编制一个能代表统一两个股票市场的股票价格指数, 直到2005年4月, 我国才正式发表沪深300指数——首个包括深沪两个股票市场的统一指数, 综合考虑各种因素, 可选用深成指或上证综合指数, 但由于深市的深成指与沪市的上证综合指数相关性高, 故采用上证综合指数作为股票价格指数I, ①选取I的具体方法是用季度初和季度末的上证综合指数作算术平均;G②是采用名义GDP的季度增长量;S③是每季度的平均市价总值, 计算方法:每季度3个月月末两市市价总值作算术平均;用CPI④作为通货膨胀率的代表变量, 其中CPI的计算方法:以1993年12月为基期, 基点为100, 据各月环比CPI增长率相乘得出季度定基消费价格指数。基准利率R是以7天同业拆借利率作为代表变量, 因为大量研究表明我国7天同业拆借利率已完全市场化并与基准利率的走势是高度一致, 而且与1年期、5年期存款利率相关性很高, 因此, 使用7天同业拆借利率作为市场利率的代表变量可行, R⑤是采用每月的交易量为权数, 对7天同业拆借利率进行加权处理而得到的季度利率数据来代表市场利率;货币供给M2⑥为每季度末的数据。

为降低异方差的影响, 将以上数据I、G、S、P、R与M2取自然对数, 然后分别记为LNI、LNG、LNS、LNP、LNR与LNM2, 再分析各变量对LNI的影响。

(一) 时间序列的单位根检验。为避免非平稳变量进行回归时而造成伪回归现象, 我们首先采用Dickey和Fuller (1981) 提出的ADF方法对所有变量LNI、LNG、LNS、LNP、LNR与LNM2的平稳性进行单位根检验。检验结果如下表1所示, 结论为各变量均为I (1) 过程。

注:ADF (k) 中的k为滞后阶, 基于AIC、SC和DW值选取, 显著性水平均为5%。

(二) 协整分析。通过用此数据组 (LNI、LNG、LNS、LNP、LNR、LNM2) 估计向量自回归模型, 但由于LNG与LNM0有很显然的确定性趋势, 因此把VAR方程设定为有截距项。如下表2所示, 在选择VAR的滞后阶时, 随着滞后阶数的增大, SC值递增, 而AIC值在滞后阶数为4时出现波动。

根据LR检验对VAR各滞后阶数进行检验, 其中LR=2* (LN+1-LN) , LN+1、LN分别代表滞后阶数分别为N+1、N时的Log Likelihood值, 若LR<50.99=χundefined, 则表明VAR阶数可设为N。通过上表数据可知VAR的阶数可设为3, 但出于精确考虑, 对VAR (3) 依次进行AR根检验及生成的残差序列的正态分布检验与白噪声检验, 进一步检验VAR (3) 所生成的残差序列, Ljung-Box Q统计量和Jarque-Bera统计量表明残差已呈现独立同分布的结构, 表明VAR (3) 是可行的。

基于VAR (3) 作不含时间趋势的Johansen协整检验, 检验结果如表3所示。

由表3知, λi (i=1, 2, 3, 4, 5, 6) 分别为0.70、0.53、0.34、0.26、0.16、0.002。

基于VAR (3) 作不含时间趋势的Johansen协整检验, 检验结果如表4所示。

由表4可知, 与λi对应的λ*i (i=1, 2, 3, 4, 5, 6) 分别为0.76, 0.57, 0.45, 0.34, 0.19, 0.10。由此可得出:

undefined

式 (1) 的LR检验表明应将协整方程设定为含截距和时间趋势的随机性协整。由Johansen协整检验可知, 在5%及1%显著性水平下接受协整的个数分别为r=4和r=3。第一个协整关系对应了最大的特征根, 其正则化估计度量了LNI与LNG、LNS、LNP、LNR、LNM2的长期稳定关系为:

其中ε3t代表第t期对协整关系或长期均衡的偏离, 它由一个稳定过程所生成。这一协整关系所反应的是系统各变量之间的长期稳定关系。同时从式 (2) 可知, 模型中各变量的系数在5%的置信水平下都显著。就变量M2和S而言, 系数的高度显著, 除利率因素外, 其余因素对股票价格指数上涨有正向拉动作用。由于上述数据都进行了对数化处理, 因此各变量的系数即为各自的股票价格指数弹性。根据协整方程, 若其余变量保持不变, 我国货币供应量M2每增加1%, 股票价格指数将上涨24.47%。同时, 时间趋势项系数的显著性表明了随机协整的设定是正确的。

(三) 误差修正模型。协整分析结果表明了各变量之间的长期关系及其变动趋势, 但上述关系是否构成因果关系还需进一步检验。这里主要通过构建误差修正模型和Granger因果关系进行检验。这样不仅反映了传统因果检验所考虑的变量间短期因果关系, 而且还能解释变量间的长期因果关系检验。由于VAR是滞后3阶, 因此对应的误差修正模型滞后期应为2, 采用协整方程有截距和确定趋势项的形式, 构建误差修正模型, 具体如下:

在误差修正模型中, 差分项反映了变量滞后各期波动的影响。在此模型中, 除It-1、St-2、Pt-1及Rt-1变量的系数显著之外, 其余变量的系数都不显著。M2t-1与M2t-2的系数都不显著但为正, 表明滞后1期与滞后2期的货币供应量M2对股票指数有较弱的正向促进作用, 当滞后1期与滞后2期的货币供应量每增加1%, 股票价格指数将依次增长1.1 %、0.03%。同时, 误差项系数的大小反映对偏离长期均衡的调整力度, 其系数为-0.024, 说明调整力度不大。

(三) Granger因果检验。误差修正模型是一种基于数据统计性质建立的模型, 也是一种非结构化建模的方法。因此, 有必要通过Granger方法检验变量之间的因果关系。对该组变量基于VAR (3) 进行M2对I的Granger因果关系检验, 相关的结果如下表5所示, 可知M2不是I的Granger因, 这与误差修正模型得到的结论一致。

三、结论及对策建议

实证结果显示, 从长期来看, 我国货币供给M2与股票价格指数之间具长期均衡的协整关系, M2的增长对股票价格指数的上涨存在正向拉动作用;从短期来看, M2对股票价格指数有较弱的正向促进作用, 但M2与股票价格指数之间不存在短期动态调整机制, M2也不是股票价格指数变化的Granger因, 二者之间不存在因果关系;股票价格指数除受货币供应量M2影响外, 不管从长期还是短期来看, 还受利率R、物价水平P、股票市场市值的影响, 并在短期内还受其自身的影响。这说明货币供应量M2并不是股票价格指数变化的原因, 短期内对股票价格指数的影响也有限, 只存在较弱的正向作用, 但从长期来看, M2的不断增长会对股票价格指数产生较强的正向拉升作用。

尽管短期内M2对股票价格指数的影响不大, 但从长期来看, 货币供给变化对股票市场的影响不容忽视, 央行作为宏观经济调控的重要部门, 尤其是在货币政策制定和决策时, 应密切关注股市变动, 考虑其对股票市场的影响;同时, 针对股票市场波动, 完善股票市场价格形成机制, 使能通过调整货币供给来对稳定股票市场做出一定的贡献。基于本文的实证结果, 可提出以下二条政策建议。

(一) 健全央行宏观金融政策调控机制, 完善货币政策传导机制。

以往研究说明货币供应量变化对货币市场影响相对大于对股票市场的影响, 但不能因此而忽视股票市场及二者之间的联系, 因为资本市场发展到一定程度若没有货币市场的发展的支持, 就会很难进一步发展, 而且货币供给量的变化既会影响到货币市场的资金供给, 同时也会影响到股票市场的资金供给, 货币市场与资本市场必须协调发展, 故要健全央行宏观金融调控政策;同时, 随着股票市场规模的扩大, 货币供应量的递增, 日积月累, 会对股票市场产生较大的影响。因此, 不要忽视货币政策传导机制中股票市场这一重要因素, 必须把其看作成货币政策传导机制中的重要一环。

(二) 优化股票市场结构, 加强监管, 形成合理的股票价格形成机理。

有力的监管、合理的股票市场结构, 能促进形成合理的股票价格形成机理。一方面会使股票市场能对资金的松紧作出灵敏的反应, 有利于把股票市场作为货币政策传导机制的一环;另一方面会形成一个健康的股票市场, 完善股市投融资功能。健康的股票市场能及时对货币供应量的变化产生反映, 使股票市场真正地成为一个货币政策传导的有效渠道。同时, 考虑到M2并不是股票价格指数变化的原因, 因此, 我国相关部门必须不干预或尽量少干预股票市场, 完善各项法律规章制度, 消除政府越位、错位、缺位现象, 若无市场失灵问题, 尽量让市场自己去解决问题;加强对投资者风险方面的教育, 大力培育机构投资者, 监管部门必须保护中小投资者利益, 并把培育投资者的理性投资行为、促进股票市场的健康稳定发展作为监管目标之一。

参考文献

[1]2006年1季度数据来源于泰阳证券网站www.sunsc.com.cn, 其余的来源于财富证券行情软件

[2]1998~2006年数据来源于《中国人民银行季报》, 其余来自RESSET金融研究数据库

[3]1998~2006年数据来源于《中国人民银行季报》, 1997与1996的数据来源于1997与1998年《中国证券期货统计年鉴》。1994年~1996年的数据来源于中国股票市场交易数据库查询系统CSMARTRD (2.1) , 2006年1季度数据来源于国泰安CSMAR系列研究数据库整理得出, 2006年1季度以后的来源于中国人民银行网站整理得出

[4]宋海林, 刘澄.2000年前的CPI环比数据来源于《中国货币信贷政策理论与实证》, 中国金融出版社, 2003:54~57, 2000年~2006年1季度来源于《中国经济景气月报》2001~2006年各期, 2006年1季度后的数据来源于RESSET金融研究数据库整理得出

[5]1996年以前的7天同业拆借利率数据来源于谢平 (2002) , 1996年后的数据来源于《中国人民银行统计季报》各期。