异质信念与股票收益
——基于我国股票市场的实证研究*
陈国进胡超凡王景
（厦门大学王亚南经济研究院，厦门大学金融系，福建厦门 361005）
摘要：本文以经调整后的换手率和收益波动率作为投资者异质信念的代理指标，采用1997－2007间的样本数据，分别运用资产组合分析法和截面收益回归法，直接验证了在我国股票市场上投资者异质信念对股票收益的影响。我们的发现支持了基于异质信念假设的资产定价理论：在卖空限制约束下，异质信念导致当期股价高估，与股票未来收益负相关。我们的结论经FF四因素模型调整后依然成立。我们还发现，与美国股票市场相比，我国股票市场高估程度更严重，持续时间更长。因此，引入卖空机制可以在一定程度上解决我国股票市场高估问题。
关键词：异质信念；卖空限制；股票收益
中图分类号：F830.91 文献标识码：A 文章编号：
一、导言
在传统的资产定价理论中，风险资产之间收益的差异性取决于不同的系统性风险。在一个有效的资本市场上，资产价格能够及时充分地反应新的信息，过去的信息不能预测未来的资产价格和收益。然而，越来越多的实证研究发现，资本市场存在许多传统资产定价理论无法解释的现象，如过度反应（De Bondt and Thaler,1985）、月份效应（Rozeff and Kinney,1976）、IPO长期弱势（Loughran and Ritter,1995）、封闭式基金折价（Lee, Shleifer and Thaler,1991）等，金融学文献称之为金融异象（anomalies）。
为了对金融异象做出合理的解释，许多学者在传统资产定价理论上做了大量技术层面的修正，但是结果并不理想（Shiller,2003）。在这样的背景下，学者们开始放松传统资产定价模型中的基本假设——同质信念（homogeneous beliefs），从异质信念（heterogeneous beliefs ）角度寻找资产定价新的规律。
同质信念假设指所有的投资者对于相同资产未来收益的概率分布具有相同的预期或判断。这一假设暗含着两个前提：一是所有信息对所有的投资者免费并且同时到达；二是所有投资者处理信息的方式相同（张圣平，2002）。然而正如Hong and Stein（2007）指出，受渐进信息流动、有限注意和先验异质性的约束，不同投资者对相同股票相同持有期下收益分布往往有不同的判断，即投资者之间存在异质信念，也称为意见分歧①。异质信念无疑是一个
作者简介：陈国进（1966- ），男，经济学博士，厦门大学王亚南经济研究院、经济学院金融系教授、博士生导师；
胡超凡（1981- ），男，厦门大学金融系硕士研究生；
王景（1981- ），女，厦门大学金融系博士研究生。
基金项目：国家社科基金项目（批准号：04BJL026）；教育部人文社科基地重大项目（批准号：05JJD790026）和教育部“新世纪优秀人才支持计划”项目（批准号：NCET－05-0570）。―――――――――――――――――
①渐进信息流动指信息不能同时到达所有的投资者，从而导致不同的投资者对于同一资产的价值判断持有不同的意见。有限注意指投资者仅仅注意到一部分信息而非全部信息，每个投资者的注意点不同。先验异质性指即使投资者能同时获得并注意相同信息，不同的投资者由于自身的差异性，对信息的判断也可能不同。
更加接近现实的假设。
另一方面，由于政府管制或者市场摩擦的原因，即使在美国等发达国家的资本市场上，投资者的卖空行为也受到一定程度的限制。当我们将卖空限制和异质信念结合在一起分析时，发现一直困扰着金融学家的许多金融异象可以找到新的理论解释。
近十年来，基于异质信念和卖空限制前提下资产定价和金融异象的理论和实证研究在国际学术界已经获得了很大的进展①。形成鲜明反差的是，国内对这一领域的研究，特别是实证研究的成果还相对缺乏。与国外发达资本市场相比，我国个人投资者直接参与股票和其他金融资产投资的比率更高，受教育程度、收入水平、人生经历和年龄等差异性的影响，一个基本的判断是我国投资者意见分歧会更严重；同时，迄今为止我国资本市场还严格限制卖空交易，这无疑为检验异质信念假设下资产定价实证研究提供了天然的“实验室”（张维、张永杰，2006）。因此，本文将运用我国上市公司的数据，直接检验在中国严格卖空的特殊管制条件下，异质信念对股票收益的影响。这一研究一方面有助于检验异质信念对资产定价的影响，另一方面也有助于监管部门和投资者对我国股票市场运行规律有进一步的认识。
本文其余部分结构如下：第二部分是对国内外相关研究成果的回顾与讨论，第三部分给出研究设计，第四部分是实证结果及分析，第五部分为稳健性分析，最后是本文的基本结论。
二、文献回顾
Miller（1977）最早指出，在异质信念和卖空限制的双重前提下，对未来持乐观态度的投资者将会买入和持有股票，而悲观的投资者却因为卖空限制而不能充分表达和参与市场交易，其结果是股票价格主要反映了乐观投资者的意见，造成了股票价格相对其真实价值的高估。投资者意见分歧的程度越大，该股票被高估的程度就越高；同样地，越是受到卖空的限制，股票被高估的程度越严重。随着时间的推移，信息传递逐渐充分，投资者意见逐渐趋于一致时，价格会趋向于真实价值。因此，当期越是被高估的股票，未来收益越低，异质信念与股票未来收益呈现负相关关系。
Miller所做的论述是描述性的，随后许多学者在不同的均衡分析框架下，从静态和动态两个角度对他的观点做了进一步的建模论证。张维、张永杰（2006）采用均值－方差分析方法，建立了一个基于严格卖空限制和异质信念的静态风险资产定价模型。他们发现资产价格依赖于乐观者和悲观者的比例，投资者的意见分歧度越大，股票当期价格越高。
由于静态模型并没有考虑投资者意见分歧程度的时间变化，因而股票价格不会高于当期最乐观投资者的估价。而动态理论模型（Harrison and kreps,1978; Scheinkman and Xiong,2003; Hong, Scheinkman and Xiong,2006）研究则发现，如果考虑到再售出期权（Option to Resale）因素，异质信念会推动股票价格进一步高估，甚至高于当期最乐观投资者的估价②。当期股票价格包括了基本价值和再售出期权价值两个部分，再售出期权价值部分也被称为投机性泡沫，投资者意见分歧越大，再售出期权价值（投机性泡沫）部分也越大，股票的未来收益也就越低。
从实证角度看，分析师预测分歧是最早用来衡量异质信念的指标。Deither、Malloy and Scherbina（2002）利用1983年到2000年美国的上市公司数据，发现分析师预测的分歧程度与未来收益负相关，这一效应对小公司以及过去业绩差的公司尤为显著，他们的研究支持了Miller的基本结论。但是他们所使用的分析师预测分歧指标也受到了争议：一是分析师预测分歧只是说明了职业投资者的信念差异，并不能代表所有投资者的实际判断；二是分析师预
①关于异质信念与金融异象研究最新进展的综述，请参考陈国进和王景（2007）。
②再售出期权指投资者未来以更高的价格将股票转售给更乐观投资者的机会。只要当期最乐观的投资者认为在下一期能够以更高的价格卖出，他们就愿意为这个再售出期权支付更高的价格，从而股票价格的高估程度会超过当期最乐观的投资者对股票的估价。
测分歧包含了不确定性的影响。
在此基础上，Goetzmann and Massa （2005）从一般投资者的视角入手，利用美国1991－1995年十万个投资者帐户构造了一个基于个人交易的异质信念衡量指标，分别从个股以及总体市场两个角度检验信念差异与收益之间的关系。他们的结论仍然支持了Miller （1977）的观点。Doukas, Kim and Pantzalis （2004）则把标准化的分析师预测标准差进行分解，控制不确定性的影响之后，得到一个更精确的分歧测量指标。他们利用1995年到2001年15120个公司年度观察值作为样本，控制了卖空限制后，发现高分歧股票并不一定意味着未来的低收益，异质信念与收益呈现显著的正相关关系，拒绝了Miller 的观点，认为异质信念并不会导致股票短期高估，而只是传统理论中的一种风险因素（Varian ，1985）。
Boehme, Danielsen and Sorescu （2005）指出，与分析师预测分歧相比，股票的换手率和超额收益波动率是更好的异质信念衡量指标。他们对美国市场包括没有分析师预测覆盖的所有股票研究发现，异质信念越强的股票，后期收益率越低，并且这个现象只有在卖空限制存在时才显著。
目前国内直接研究异质信念与股票收益关系的实证论文还比较缺乏。高峰、宋逢明（2003）用央视看盘栏目对数十家机构的调查结果检验了投资者理性预期程度。王凤荣、赵建（2006）利用机构投资者“看多、看空”的时间序列数据，与同期大盘指数进行了协整检验和Granger 因果检验。张峥、刘力（2006）分析了中国股票市场换手率与股票预期截面收益负相关的原因，认为与流动性溢价相比，异质信念是更合适的解释因素。本文将在上述研究的基础上，使用经过调整的换手率和收益波动率衡量异质信念，直接检验异质信念是否影响股票收益的重要因素。
三、研究设计
（一）异质信念的衡量
由于分析师数据指标本身的缺陷，以及我国股票市场分析师数据库的缺失，本文分别用换手率和收益波动率作为衡量投资者异质信念的代理指标。
1．换手率
Miller （1977）最早指出可以用换手率衡量投资者的异质信念，Hong, Scheinkman and Xiong （2006）也认为投机情绪的高涨伴随着高换手率和当期价格的高估。 然而除了投资者异质信念外，股票换手率还受到流动性需求（Benston and Hagerman,1974; Branch and Freed,1977）和市场状况的影响，因此在使用时必须将这些因素剔除。我们参考Garfinkel and Sokobin （2006）的方法，采用调整后的平均每日换手率（用TURN 表示）衡量异质信念。
股票i 在t 天的调整后换手率TO i,t 为：
∑??=???=6
125
,,,,,)(1201)(t t m t i t m t i t i turnover turnover turnover turnover TO 其中turnover i,t 为股票i 在t 天的换手率(交易的股数与总流通股数之比)，turnover m,t 为t 天的市场平均换手率，用前125天到前6天的平均日换手率代表投资者的流动性需求。
股票i 在T-1月调整后的平均每日换手率（TURN i,T-1）为：
∑=?=n
t t i T i TO n TURN 1
,1
,1 ， 其中n 为股票i 在T-1月的交易天数。 2．股票收益的波动率 Shalen （1993）证明投资者意见分歧度与股票收益波动率正相关；Boehme, Danielson and
Sorescu （2005）认为剔除市场因素的超额收益波动率和换手率都能够较好地衡量异质信念，Gao, Mao and Zhong （2006）也用超额收益波动率来衡量投资者异质信念。
股票收益波动率除了受到异质信念的影响之外，还受到市场风险、公司规模等因素的影响。因此我们将利用四因素模型（Carhart, 1997）求得调整之后的超额收益波动率（用SIGMA 表示）作为异质信念的代理指标。股票i 在第t 天的超额收益为：
t t i t
t i t t i t f t m t i t f t i t i UMD u HML h SMB s R R R R r ,,,,,,,,,???)(???????=β 其中R i,t 为股票i 在t 期的收益；R f,t 为t 期的无风险利率， R m,t 为t 期市场收益率，SMB 、HML 、
UMD 分别为规模溢价、价值溢价和动量溢价因子（构造方法参照Fama and French, 1993和Carhart, 1997）；我们使用t-125到t-6共120个交易日时间序列数据进行回归，求出各系数，
进而计算超额收益r i,t 在T-1月的标准差（SIGMA ）
。 （二）研究方法和思路
本文分别采取了资产组合分析和横截面回归分析两种方法来进行实证研究。
首先，参考Diether, Malloy and Scherbina （2002）的研究方法，在获得TURN 和SIGMA 数据之后，将样本在T-1月按这两个指标分为五组，考察各个组合在T 月的平均收益。同时，为了调整四因素对各个组合的影响，我们将各个组合平均月收益对四因素进行回归，求出各个组合经四因素调整后的收益进行比较。
其次，在控制其他因素的前提下，运用Fama-MacBeth （1973）等回归分析方法，考察T-1月的TURN 、SIGMA 变量是否对T 月的收益具有解释作用。
（三）数据来源
本文所选用的数据为中国股票市场1997年1月1日至2007年4月30日全部A 股的日和月交易数据以及上市公司年度财务报告，剔除了PT ①后的样本和每月交易不足10天的样本。无风险利率为一年期存款利率经复利调整为相应区间的利率。数据来源为北大CCER 色诺芬数据库。样本区间覆盖了完整的牛市和熊市，以及我国股市以散户和庄家为主的不成熟阶段到以机构投资者为主的较为成熟阶段。
四、实证结果
（一）基于资产组合方法
首先将股票按T-1月的TURN 和SIGMA 由低到高升序排列，然后等数量分为五组，考察各个组合T 月的平均收益，各个组合每月更新一次。表1为五个组合T 月的等权重平均收益情况。可以看出，各个组合的平均收益存在差异，总体上来说随着异质信念的增加，组合的平均收益递减，最低组合与最高组合之间有较大的收益差。表1的最右边一列是最低组合与最高组合的月平均收益差，分别为1.21%和1.40%。
表1 按T-1月TURN 和SIGMA 分组的各组合T 月等权平均月收益 各个组合等权重平均月收益率(%)
分组依据 指标
1(低) 2 3 4 5(高) 1-5
TURN 1.93 2.03 1.86 1.69 0.71 1.21*** (8.24)SIGMA 2.02 1.97 1.94 1.47 0.62 1.40*** (11.20)
注：括号内为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%。
在此基础上，将每个组合的等权平均月收益时间序列对四因素模型回归，表2和表3分别给出了根据TURN 和SIGMA 构建组合的实证结果，最后一行表示信念异质程度最低组合与最高组合的收益差与四因素回归的结果。
①
作者研究发现同时剔除ST 股票后与本文结果并无明显差别；为保证样本全面性，这里仅剔PT 股票。
表2 各TURN 组合对四因素模型的回归结果
各TURN 组合对四因素的回归系数 TURN 组合 Alpha (%) R m -R f SMB HML UMD Adj-R 2
(%)
T1(低) 0.12 (1.07) 0.96*** (29.33) 0.87*** (12.45) 0.12* (1.67) 0.13 (1.42) 90.50 T2 0.23 (1.51) 0.97*** (35.38) 0.79*** (13.44) 0.12** (2.00) -0.03 (-0.43) 93.15 T3 0.05 (0.23) 0.99*** (36.74) 0.74*** (12.86) 0.15** (2.55) -0.13* (-1.73) 93.54 T4 -0.10 (-0.44) 1.01*** (36.25) 0.71*** (11.89) 0.11* (1.68) -0.11 (-1.45) 93.22 T5(高) -1.03*** (-4.13) 0.98*** (31.06) 0.79*** (11.65) -0.02 (-0.29) 0.05 (0.54) 91.20 T1-T5
1.15*** (3.11)
-0.02 (-0.45)
0.09 (0.90)
0.14 (1.44)
0.08 (0.67)
2.29
注：括号中为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%；Alpha 为回归方程截距项，即四因素模型所不能解释部分。
从表2可知，从低到高的各个组合经过四因素模型调整后的截距项（Alpha ）总体上表现为递减，说明T 月股票收益中不能被四因素模型解释的部分随前一期异质信念的增加而减少。从表2最后一行看，四因素模型对各个指标最低最高组合的收益差的解释能力较弱，经四因素模型调整后，回归截距项Alpha 为1.15%，表明最低组合与最高组合仍然存在显著的收益差，进一步说明异质信念的高低对股票收益有明显的影响。
表3 各SIGMA 组合对四因素模型的回归结果 各SIGMA 组合对四因素的回归系数 SIGMA 组
合 Alpha (%) R m -R f SMB HML UMD Adj-R 2
(%)
S1(低) 0.28 (1.03) 0.97*** (28.35) 0.65*** (8.35) 0.17* (1.91) -0.18 (-1.56) 89.91 S2 0.19 (0.77) 1.00*** (31.87) 0.75*** (10.55) 0.17** (2.14) -0.04 (-0.36) 91.94 S3 0.05 (0.22) 1.02*** (36.53) 0.85*** (13.36) 0.22*** (3.04) 0.08 (0.87) 93.87 S4 -0.30 (-1.48) 0.99*** (38.42) 0.88*** (15.13) 0.09 (1.38) 0.06 (0.64) 94.59 S5(高) -1.17*** (-5.19) 0.95*** (33.43) 0.95*** (14.74) 0.12 (1.62) 0.17* (1.82) 93.20 S1-S5
1.45*** (4.81)
0.02 (0.63)
-0.30*** (-3.47)
0.05 (0.52)
-0.35*** (-2.77)
11.20
注：括号中为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%；Alpha 为回归方程截距项，即四因素模型所不能解释部分。
从表3可知，用波动率作为代理指标得出的结论基本一致。经过四因素模型调整后组合的截距项（Alpha ）总体上也表现为递减，最低最高组合的收益差的回归截距项Alpha 1.45%。
表2和表3的实证检验结果与Diether, Malloy and Scherbina （2002）对美国股市的检验结果相似。在中国股票市场卖空严格限制的条件下，异质信念反应了乐观的投资者的意见，
造成了股票相对本身价值的高估，从而收益较低。另外，本文对中国股票市场的研究中最低组合和最高组合的四因素模型调整后收益差明显大于国外的研究结果，Diether, Malloy and Scherbina （2002）的四因素调整后收益差为0.62%，Wu （2006）的相关结果为0.53%，一种可能的解释是国内完全限制卖空和投机气氛浓重。
根据上面的分析，TURN 和SIGMA 对股票组合收益有明显的预测作用，那么，这两个指标对股票收益的解释作用能否完全替代？综合运用这两个指标能否发现更有力的结论？下面我们根据样本数据对T-1月的TURN 和SIGMA 两个指标进行二维分组，分析各个组合T 月的平均组合收益，各个组合每个月进行一次调整。① 分析结果见表4。
表4 TURN 和SIGMA 二维分组的各组合平均月收益 按SIGMA 分组
各个组合平均 月收益率（%）
S1(低) S2 S3 S4 S5(高) S1-S5
T1(低) 2.52 2.40 1.53 1.56 0.86 1.67***
(5.39) T2 2.27 2.09 2.23 1.90 1.13 1.14***
(3.65) T3 1.89 1.88 2.13 1.64 1.12 0.77**
(2.47) T4 1.12 1.65 1.93 1.85 1.19 -0.07
(-0.24) T5(高) 1.81 1.51 1.79 0.65 0.17 1.64***
(3.33) 按TURN 分 组
T1-T5 0.71* (1.67) 0.89**
(2.08)
-0.26
(-0.83)
0.91** (2.51)
0.68** (2.18)
2.35*** (9.89)
注：括号内为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%；最右下角的数据为对角线数据第一组(T1S1)平均月收益减去第五组(T5S5)平均月收益的差额。
从表4可以看出，经过二维分组后，对角线上最低组合（T1S1）与最高组合（T5S5）的月收益差为2.35%（t 值为9.89），明显大于一维分组时的结果。
对TURN 和SIGMA 二维分组后的最低与最高组合，经四因素模型调整后的结果见表5，从表5可知，最低组合与最高组合的超额收益差为1.98%（t 值为5.26），明显大于一维分组，说明这两个异质信念的代理指标并没有完全替代性，而且综合运用这两个指标能够发现更明显的最低最高组合收益差。
表5 TURN 和SIGMA 二维分组最低与最高组合对四因素模型的回归结果 各TURN~SIGMA 二维组合对四因素的回归系数 二维组合 Alpha (%) R m -R f SMB HML UMD Adj-R 2
(%)
T1S1(低) 0.37 (1.36) 0.95*** (24.03) 0.66*** (7.36) 0.06 (0.53) -0.15 (-1.10) 86.49 T5S5(高) -1.61*** (-5.79) 0.97*** (27.73) 1.02*** (12.90) 0.08 (0.93) 0.31*** (2.66) 90.51 T1S1-T5S5
1.98*** (5.26)
-0.01 (-0.26)
-0.36*** (-3.22)
-0.03 (-0.23)
-0.46*** (-2.79)
8.31
注：括号中为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%；Alpha 为回归截距项，即四因素模型所不能解释部分。
①
二维分组的方法为先分别按TURN 和SIGMA 对所有数据进行分组，然后选取组合交集，比如T3S2组合是同时满足TURN 为第三组和SIGMA 为第二组的数据组合。
（二）基于横截面回归方法
下面采用Fama-MacBeth （1973）回归方法，考察异质信念与股票收益在横截面上的关系。回归方程为：
1
,8,2:12,7,1,6,1,5,1,4,1,3,1,2,1,1,,)/ln()ln(?????????×+×+×+×+×+×+×+×=T i i T T i i T i i T i i T i i T i i T i i T i i T i ILLIQ RET RET M B M SIGMA TURN RET βββββββββ
被解释变量RET i,T 为股票i 在T 月的月收益，解释变量采用股票i 在T-1月的数值。其中，β值根据前24个月的股票月收益数据与市场月收益数据按CAPM计算得出；ln(M)为股票总市值的自然对数；ln(B/M)为帐面市值比的自然对数，构造方法与Fama and French （1993）相同； RET -12:-2为前12个月（T-12）到前2个月（T-2）的平均月收益；RET -1为前一个月（T-1月）的月收益。ILLIQ 为根据Amihud （2002）计算的非流动性指标，用于控制股票收益的非流动性补偿，具体计算公式为：
∑
=n itd
itd
it VOL R n ILLIQ 1610*1 其中R itd 为股票i 在t 月的第d 天的收益率，VOL itd 为股票i 在t 月的第d 天的成交额(元)，n 为股票i 在t 月的交易天数①，为了避免分母数值太大造成ILLIQ 数值非常小，与Amihud （2002）相同，本文将计算结果乘以106处理。
运用FM （Fama-MacBeth ）方法，将每个月回归得到的系数简单平均，结果见表6：
表6 股票收益与可能影响因素截面回归的FM 计算结果 回归变量 Model 1 Model 2
Model 3 Model 4 Model 5
Model 6 TURN -0.4509*** (-4.85)
-0.3435***(-3.21) -0.5480***(-7.42)
-0.3721***(-4.98) SIGMA -0.6220***(-4.39)
-0.4196***(-2.74)
-0.8403*** (-6.22) -0.6470***(-4.67) β 0.0031 (1.11) 0.0036 (1.27) 0.0033 (1.15) ln(M) -0.0039* (-1.89) -0.0045** (-2.15) -0.0046** (-2.16) ln(B/M) 0.0023 (1.15) 0.0027 (1.41) 0.0030* (1.69) RET -1 -0.0065 (-0.47) -0.0111 (-0.79) -0.0002 (-0.01) RET -12:-2 0.0657 (1.28) 0.1179** (2.21) 0.1054** (1.96) ILLIQ
1.2238***(3.49)
1.6685*** (4.65)
1.3987***(4.17)
注：括号内为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%。
表6前两行分别为股票T 月截面收益对T-1月的调整后换手率TURN 和超额收益波动率SIGMA 的回归系数。可以看出，TURN 和SIGMA 的系数无论在单独回归或者加入控制变量后在1%的显著性水平下都显著为负，说明异质信念与股票截面收益之间存在显著的负相关关系。
Litzenberger and Ramaswamy （1979）认为，Fama-MacBeth 将所有的截面回归系数进行
①
剔除了每个月交易天数不足10天的数据。
简单平均的计算方法在某些情况下不够合理，他们将回归系数分别以其方差倒数为权重求加权平均值，对偏离整体值较大的数据给予较小的权重。下面再采取LR（Litzenberger –Ramaswamy）回归方法进一步考察来异质信念与股票预期截面收益之间的关系。从表7可以看出， TURN和SIGMA的系数在各种模型下都显著为负，表现出异质信念与股票截面收益的负相关关系。
表7 股票收益与可能影响因素截面回归的LR计算结果
回归变量Model 1 Model 2 Model 3 Model 4 Model 5 Model 6
TURN -0.4850***
(-5.86) -0.3630***
(-3.97)
-0.4746***
(-6.79)
-0.3343***
(-5.16)
SIGMA -0.6167***
(-4.85) -0.4145***
(-3.00)
-0.6399***
(-5.45)
-0.4685***
(-3.97)
β-0.0005
(-0.22) 0.0007
(0.35)
0.0001
(0.03)
ln(M) -0.0005
(-0.31) -0.0007
(-0.46)
-0.0007
(-0.48)
ln(B/M) 0.0031**
(2.37) 0.0023*
(1.73)
0.0025**
(1.99)
RET-1-0.0345***
(-2.71) -0.0365***
(-2.74)
-0.0294**
(-2.25)
RET-12:-20.0892*
(1.79) 0.1070**
(2.13)
0.1023**
(2.05)
ILLIQ 0.9419***
(3.53) 1.0940***
(3.89)
0.9467***
(3.60)
注：括号内为双尾t检验统计量，***、**和*分别表示显著性水平为1%、5%和10%。
五、稳健性检验
（一）组合形成后不同的检验期
由异质信念和卖空限制导致的股价高估状况会在形成期之后较长一段时期内缓慢回调，图1给出了按TURN和SIGMA分组形成的最低组合与最高组合的收益差1到12个月变动情况。
从图1可以看出，随着时间的推移，最低最高组合收益差逐渐减少，由于真实信息的扩散变得较为充分，投资者对于股票的实际价值有了更好的判断，被高估股票的价格慢慢向其真实价值回归。相对国外研究来说，我国异质信念所造成的股票最低最高组合间收益差额更大，持续时间更长。在我国股票市场上，组合形成后第一个月的收益差均超过1.2%，而美国市场最低最高组合月收益差最大为0.79%（ Diether, Malloy and Scherbina ，2002)；对美国市场的分析发现组合形成后第6个月最低最高组合的收益差降至0.4%左右，第12个月完全为零（Wu ，2006)，异常收益差下降速度明显快于我国股票市场。除代理指标的选择有所不同之外，更可能是因为我国股票市场不成熟和投机气氛浓重造成股票价格过分高估，而且完全限制卖空使得高估的股票价格向真实价值的回归速度较慢。
（二）分段分析
2001年以前中国股票市场相对不成熟，以散户为主导，股价操纵行为较多；2001年以后机构投资者数量逐渐增加，大盘国有蓝筹绩优股也大量上市，市场相对走向成熟。下面将整个样本区间划分为前后两个子区间（1997年1月到2001年12月，2002年1月到2007年4月），对每个子区间进行资产组合分析和截面回归分析，结果见表8和表9。
表8 子样本区间的最低组合与最高组合收益差对四因素模型回归结果 各组合对四因素的回归系数
子样本 区间 组合差 Alpha (%) R m -R f SMB HML UMD Adj-R 2
(%)
T1-T5 1.46*** (4.79) 0.14*** (4.01) -0.08 (-1.39) -0.10 (-1.46) -0.26* (-1.91) 29.24 1997.01- 2001.12
S1-S5 2.20*** (4.85) 0.16*** (2.95) -0.78*** (-3.44) -0.25** (-2.02) -0.82*** (-4.65) 34.62 T1-T5
0.98** (2.49) -0.11*** (-3.27) 0.10 (1.08) 0.12 (0.92) 0.30* (1.93) 21.56 2002.01- 2007.04
S1-S5
1.22*** (3.56)
-0.09** (-2.13)
-0.01 (-0.12)
0.51*** (3.70)
-0.01 (-0.06)
15.86
注：括号内为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%。
如表8所示，两个子样本区间的异质信念代理指标最低组合与最高组合的收益差不能完全由四因素模型所解释，截距项Alpha 仍然非常显著。从区间前后来看，后一个区间的异常收益差Alpha 比前一个区间有明显的降低，原因可能是我国自2001年以后，从信息的公开效率、机构投资者队伍的壮大和投资者投资理念的成熟等方面来说有较大的进步，在一定程度上减小了由于异质信念所带来的股价过分高估问题。
表9 子样本区间的月收益对可能影响因素的截面回归分析结果
1997.01-2001.12 2002.01-2007.04 回归变量 FM 回归 LR 回归 FM 回归 LR 回归
TURN
-0.3977*** (-3.09) -0.2865*** (-2.62)
-0.3512*** (-4.03) -0.3497*** (-4.18) SIGMA -0.8007*** (-3.37) -0.6687***
(-3.34)
-0.5222*** (-3.25) -0.4039*** (-2.67) β -0.0012 (-0.37) -0.0021
(-0.90)
0.0069 (1.57) 0.0008 (0.26) ln(M) -0.0117*** (-3.48) -0.0088***
(-3.32)
0.0012 (0.50) 0.0018 (0.99) ln(B/M) 0.0018 (0.55) 0.0035
(1.33)
0.0040** (2.16) 0.0022 (1.52) RET -10.0341** (2.09) 0.0068
(0.44)
-0.0280 (-1.30) -0.0411** (-2.22) RET -12:-20.0636 (1.15) 0.0291
(0.67)
0.1394 (1.61) 0.1259* (1.70) ILLIQ 1.6887*** (4.36) 1.9429***
(4.10)
1.3506*** (3.21)
1.3028*** (3.31)
注：括号内为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%。
表9中的TURN 和SIGMA 的回归系数在两个子样本区间和用不同的回归方法中都显著
为负，进一步表明了异质信念与股票预期截面收益呈负相关关系。
（三）市值权重平均收益
上文对于各个组合平均收益采取组合内所有股票等权重简单平均计算。Fama （1998）指出，等权重平均发现的一些异常收益用市值权重研究时并不非常显著，表10给出了用流通市值权重加权的计算结果。
表10 用流通市值权重计算最低组合与最高组合收益差及对四因素模型回归结果 各组合流通市值权重平均月收益对四因素模型进行回归 最低最高组合差
组合月收益差(%)
Alpha (%)
R m -R f SMB HML UMD
Adj- R 2
(%) T1-T5 0.82*** (6.60) 0.74***
(2.62)
-0.08* (-1.93) -0.06 (-0.69) 0.05 (0.57) -0.13 (-1.16) 2.33 S1-S5 1.07*** (8.04) 1.19***
(3.51)
-0.06 (-1.42)
-0.42***(-4.35)
-0.10 (-0.87)
-0.63*** (-4.37)
19.36
注：括号内为双尾t 检验统计量，***、**和*分别表示显著性水平为1%、5%和10%。
从表10可以看出，在用流通市值权重平均的计算方法下，最低异质信念组合与最高异
质信念组合之间同样存在显著的收益差：T1-T5月收益差为0.82%，S1-S5月收益差为1.07%。在经过四因素模型调整后的截距项Alpha 也证明了组合间存在四因素模型无法解释的收益差。
六、结论
本文以经调整后的换手率和收益波动率作为投资者异质信念的代理指标，分别运用资
产组合分析法和截面收益回归方法，直接验证了在中国股票市场上投资者异质信念对股票收益的影响。我们发现：
第一，在中国股票市场上，投资者异质信念与股票未来收益之间存在显著负相关关系，这一结论在控制了市场风险、公司规模、帐面市值比和动量四因素后依然成立。我们的发现支持了基于异质信念和卖空限制假设的资产定价理论，也与美国股票市场的实证研究结论基本一致。
第二，与美国股票市场相比，在中国股票市场上异质信念对股票预期收益的影响程度更大，且持续时间更长，这可能是由于中国股票市场严格限制卖空，市场投机氛围较重和投资者理念不成熟等因素所致。
Varian（1985）证明，异质信念只有与卖空限制相结合时才会导致股价的高估，因此，引入融资融券制度和促进权证、期权、股指期货等金融衍生产品的发展，以此增加投资者卖空机会，有助于在一定程度上解决我国股票市场的高估问题。
参考文献
[1] 陈国进、王景，2007：异质信念与金融异象研究最新进展，《经济学动态》，2007年第9期。
[2] 高峰、宋逢明，2003：中国股市理性预期的检验，《经济研究》2003年第3期，第61－69页。
[3] 王凤荣、赵建，2006：基于投资者异质性信念的证券定价模型，《经济管理》2006年9月第18期，第41－46页。
[4] 张维、张永杰，2006：异质信念、卖空限制与风险资产价格，《管理科学学报》2006年8月第9期，第58－64页。
[5] 张圣平，2002：《偏好、信念、信息与政权价格》，上海人民出版社，第2－4页。
[6] 张峥、刘力，2006：换手率与股票收益：流动性溢价还是投机性泡沫，《经济学（季刊）》2006年4月第5卷第3期，第871-892页。
[7] Amihud, Y. , 2002, “Illiquidity and Stock Returns: Cross-Section and Time-Series Effects”, Journal of Financial Markets 5: 31-56.
[8] Benston, G. and R. Hagerman, 1974, “Determinants of Bid-ask Spreads in the Over-the-counter Market”, Journal of Financial Economics 1: 353-364.
[9] Boehme, R., B. Danielsen, and S. Sorrescu, 2005, “Short-sale Costs, Differences of Opinion and Overvaluation”, Journal of Financial and Quantitative Analysis, Forthcoming.
[10] Branch, B. and W. Freed, 1977, “Bid-asked Spreads on the AMEX and the Big Board”, Journal of Finance 32: 159-163.
[11] Carhart, M. , 1997, “On Persistence in Mutual Fund Performance”, Journal of Finance 52: 57-82.
[12] De Bondt, W. and R. Thaler, 1985, “Does the Stock Market Overreact?”, Journal of Finance 40: 793-805.
[13] Diether, K. , C. Malloy and A. Scherbina, 2002, “Differences of Opinion and the Cross Section of Stock Returns”, Journal of Finance 5: 2113-2141.
[14] Doukas, J. , C. Kim, and C. Pantzalis, 2004, “Divergent Opinions and the Performance of Value Stocks”, Financial Analysts Journal 60: 55-64.
[15] Fama, E. and J. Macbeth, 1973, “Risk, Return and Equilibrium: Empirical Tests”, Journal of Political Economy 81: 607-636.
[16] Fama, E. and K. French, 1993, “Common Risk Factors in the Returns on Stocks and Bonds”,
Journal of Financial Economics 33: 3-56.
[17] Fama, E. , 1998, “Market Efficiency, Long-term Returns and Behavioral Finance”, Journal of Financial Economics, 49, 283-306.
[18] Gao, Y. , C. Mao, and R. Zhong, 2006, “Divergence of Opinion and Long-term Performance of Initial Public Offerings”, The Journal of Financial Research 29: 113-129.
[19] Garfinkel, J. and J. Sokobin, 2006, “V olume, Opinion Divergence and Returns: A Study of Post-earnings Announcement Drift”, Journal of Accounting Research 44: 85-111.
[20] Wu, G. , 2006, “Divergence of Opinion, Arbitrage Costs and Stock Returns”, Working Paper.
[21] Goetzmann, W. and M. Massa, 2005, “Dispersion of Opinion and Stock Returns”, Journal of Financial Markets 8: 325-350.
[22] Harrison, M. and D. Kreps, 1978, “Speculative Investor Behavior in a Stock Market with Heterogeneous Expectations”, Quarterly Journal of Economics 92: 323-336.
[23] Hong, H. , J. Scheinkman, and W. Xiong, 2006, “Asset Float and Speculative Bubbles”, Journal of Finance 61: 1073-1117.
[24] Hong, H. and J. Stein, 2007, “Disagreement and the Stock Market”, Journal of Economic Perspectives 21: 109-128.
[25] Lee, C. , A. Shleifer, and R. Thaler, 1991, “Investor Sentiment and the Closed-end Fund Puzzle”, Journal of Finance 46: 76-110.
[26] Loughran, T. and J. Ritter, 1995, “The New Issues Puzzle”, Journal of Finance 50: 23-51.
[27] Litzenberger, R. and K. Ramaswamy, 1979, “The Effect of Personal Taxes and Dividends on Capital Asset Prices: Theory and Empirical Evidence”, Journal of Financial Economics 7: 163-195.
[28] Miller, E. , 1977, “Risk, Uncertainty, and Divergence of Opinion”, Journal of Finance 32: 1151-1168.
[29] Rozeff, M. and W. Kinney, 1976, “Capital Market Seasonality: The Case of Stock Returns”, Journal of Financial Economics 3: 379-402.
[30] Scheinkman, J. and W. Xiong, 2003, “Overconfidence and Speculative Bubbles”, Journal of Political Economy 111: 1183-1219.
[31] Shalen, C. , 1993, “V olume, V olatility, and the Dispersion of Beliefs”, Review of Financial Studies 6: 405-434.
[32] Shiller, E. , 2003, “From Efficient Markets Theory to Behavioral Finance”, The Journal of Economic Perspectives 17: 83-104.
[33] Varian, H. , 1985, “Divergence of opinion in complete markets: A note,” Journal of Finance 40:309-317.
Heterogeneous Beliefs and Stock Returns:
Evidence from China’s Stock Markets
CHEN Guojin HU Chaofan WANG Jing
Abstract:Using the Chinese stock markets data from 1997 to 2007, we find a negative relationship between the investors’ heterogeneous beliefs and future stock returns. This relationship still holds even after we adjust it by FF 4-factor model. Compared with the stock market in US, the overvaluation problem is more severe in China. Our finding supports the asset
pricing theory based on the heterogeneous beliefs and short- sale constraints. The policy implication of our finding is that the introduction of short-sale helps to overcome the overvaluation in Chinese stock markets.
Key words: Heterogeneous beliefs, Short-sale constraints, Stock returns.
股票流动性会促进我国企业 技术创新吗? 摘要: 本文基于2006－2013年中国沪深A股上市公司数据，研究了股票流动性与企业技术创新的关系。在以专利授权量和研发效率两个维度对技术创新进行度量的基础 上，使用股权分置改革和印花税调整作为准自然实验的外生冲击，结合倾向得分匹配和倍差 估计法对本文提出的假说进行了实证检验，研究发现: 企业性质对中国资本市场的股票流动 性与企业技术创新之间的关系有明显调节作用; 对于民营企业而言，股票流动性的提高降低 了企业的技术创新水平; 对于国有企业而言，在国有企业考核办法不断改进和股权多元化不 断推进的情况下，股票流动性的提高有助于企业技术创新水平的提升。本文还就如何改善股 市流动性和提高上市公司技术创新水平提出了相关政策建议。 经过30多年的改革开放，中国经济取得了举世瞩目的巨大成就，目前经济总量已突破10万亿美元大关，跃居世界第二。然而，我们也应清醒地看到，由于企业技术创新能力和国际竞争力不强，中国经济增长的可持续性令人担忧。影响企业技术创新能力的因素很多，既包括一国的社会文化价值、知识产权保护水平等，也包括公司治理、金融发展等方面的原因( 李春涛和宋敏，2010; 冯根福和温军，2008; 温军和冯根福，2012，Hsu et al．，2014)。最新的国外文献表明，股票流动性作为影响资本市场效率的重要因素，对企业技 术创新也有重要的影响。 2017 年第 3 期股票流动性会促进我国企业技术创新吗?193 始于2005年的中国股权分置改革以及目前的混合所有制改革和正在讨论的股票发行注册制等改革，一个重要目的就是提高股票的流动性?、改善资本市场的定价效率和提高企业的技术创新能力。然而，Fang et al． ( 2014) 基于美国上市公司数据的开创性研究发现，股票流动性的增加不仅没有提高企业的技术创新水平，反而降低了企业的技术创新水平。很显然，Fang et al． ( 2014) 的发现有悖于上述中国政府的资本市场政策调控目标。于是，这自然就提出一个问题，Fang et al． ( 2014) 的研究结论适合于中国吗? 换言之，中国股票流动性对企业技术创新的影响与美国相同吗? 我们认为，由于美国和中国上市公司的股权集中度有很大差异，企业性质也有很大不同，因而两国股票流动性对企业技术创新作用机制各不相同，进而两国股票流动性对企业技术创新水平的影响效果可能也不一样。中国的股票流动性对企业技术创新水平究竟有何影响? 从理论上搞清这个问题，不仅有助于我们正确把握中美两国股票流动性对企业技术创新的影响有何差异，而且有助于政府有关部门制定科学的股票流动性政策，进而促进企业技术创新能力的提高。本文将结合中国公司和产业的发展实践，从公司微观和实证层面，主要对以下三个问题进行探讨和解答: 第一，中国股票流动性是否提高了企业技术创新水平? 第二，股票流动性对企业技术创新水平的影响在国有企业和民营企业中是否相同? 第三，股权分置改革等股票流动性外生政策对股票流动性与企业技术创新水平的关系有何影响?
前言 迄今为止，我国股票市场才经历十余年的发展历史，却走过了西方发达国家上百年的发展历程。取得了举世瞩目的成绩。在股票市场的规模、上市公司的数量、投资者的规模以及交易系统的完善等方面都得到了迅速的发展,目前已经进入世界股票市场的前列。 不过，由于我国股票市场发展时间比较短，是在探索中前进的，因此，在诸多方面还不成熟，最为明显的是股票市场大起大落，这种大幅波动对投资者造成很多不良后果。经过无数次“风雨”洗礼后，投资者开始学会用在股票价格的波动中寻找规律，希望能够找到股市的制胜“法宝”。然而，目前有关股票理论知识的书籍极多，各述其见，竟有“股票价格的波动有外部噪音引起，并服从正态分布”之说。本论文试图把股票的理论联系实践，找到合理的规律，希望本论文能够给读者一点启发，对股票投资起一点参考价值。 本论文共分为两部分，第一部分对股票日收益率分布曲线作了实证分析，通过偏度峰度检验和2 检验，得到市场收益率更多地呈现出偏离正态分布的形式，市场处在弱势非有效状态。第二部分首先引入了灰色系统的理论和几个概念，利用关联分析，建立了模型，根据关联度大小对各股票的日收益率进行了排序，进而确定股票走势的优劣，并且对前后两个阶段的结果作了详细的比较。 由于时间仓促，论文中的不足和欠缺之处，还望得到各位老师和同学的不吝赐教。在本论文的成长过程中，我得到了成都信息工程学院计算科学系杨老师的帮助，在此，向杨老师表示衷心的感谢。
摘要：本文首先对股票日收益率进行了偏度峰度检验和2χ检验，得到市场收益率更多 地呈现出偏离正态分布的形式，市场处在弱势非有效状态。然后，运用灰色理论的关联度对股票日收益率进行优劣排序，并对前后两个阶段的结果进行了详细比较。 关键词：收益率；正态分布；灰色理论 第一章 收益率分布曲线 §1 收益率的分布与股票价格行为的理论 股票价格总是处于不断的波动之中，这种波动是连续的，非间断性的。股价的波动被认为由外部“噪声”因素造成，当时间间隔?t —>0时，外部噪声将呈现正态分布，服从维纳过程。因此随机理论采用一般化的维纳过程作为描述股价行为的模型。数学表达式如下： ),(t t u S S ??=?σ? （1） z S t u S ?+?=?σ （2） 其中：S ?为短时间t ?后股票价格s 的变化 u 为单位时间内股票的预期收益率 σ为股票价格的波动率 ),(s m ?表示均值为m ,标准方差为s 的正态分布 （1）式表示如果外来噪声服从正态随机过程，S S ?即收益率将服从均值为t u ?, 标准方差为t ?σ的正态分布。其中：t z ?∈?，∈表示服从标准正态分布，z ?在维纳过程中被认为遵从马尔科夫过程，隐含市场是弱势有效的条件。 当收益率服从正态分布时，股价行为的一般化维纳过程式（2）才能成立。当收益率的分布偏离了正态分布，这就意味着式（2）中的外部噪音项z s ?σ就不服从正态随机过程。也就是说，股价的行为方式不再服从正态马尔科夫过程，市场可能不处于弱势有效状态。收益率的分布是股价行为的基础，要了解某股票市场价格行为的特征，必须了解该市场的收益率分布。本文将对八只股票收益率的分布进行实证检验，考察是否符合正态分布或符合其t 分布形式或并无一确切表达的分布形式。 §2 实例与检验 （一）、本文随机选取了八只股票的日收盘价作为实证样本，样本容量是从20XX 年1月4号到20XX 年3月31号的日收盘价个数。为了形成对比，我们分成了两个阶段来研究。
中国股市指数的投资收益分析 一、投资理论概述 （一）资产组合理论 资产组合理论是以一系列资产收益率的均值和方差作为组合选择的依据，提出了均值方差资产组合选择的基本方法，即保持一定的方差的资产组合，使期望收益率最大化，或者保持一定的期望收益率的资产组合，使方差最小化；意味着资产选择不能依据资产本身的某一特征，还必须考虑该资产与其他资产的相互作用。该理论不仅描述了资产及其组合的收益与风险关系，而且解决了最优资产组合的选择问题，使得资产组合分析和管理科学化、程序化，从而奠定了其在金融投资理论中的地位。 （二）资本资产定价理论 在资产组合理论的基础上提出的。资产定价理论认为，一项投资所要求的收益率取决于以下三个因素：（1）无风险收益率，即将国债投资（或银行存款）视为无风险投资；（2）市场平均收益率，即整个市场的平均收益率，如果一项投资所承担的风险与市场平均风险程度相同，该项收益率与整个市场平均收益率相同；（3）投资组合的系统风险系数，是某一投资组合的风险程度与市场证券组合的风险程度之比。而期望的收益率由无风险收益和该组合的风险系数与市场平均收益和无风险收益差额之乘积决定。 （三）有效市场假说 根据市场对信息反应的有效性，将市场分为弱势有效、半强势有效、强势有效市场。而反应程度分为反应不足以及反应过度两种情况，描述了信息对市场的影响。 （四）行为金融理论 将金融学与社会学及心理学等人文学科相结合，从另一个假设的层面出发，认为人的一些社会性特征及自身人性影响引导自己的投资行为，诸如羊群效应、过度自信等。 （五）其他 在投资中，还有其他很多效应，由于诸多因素导致的，诸如ipo抑价效应，小公司效应，税收效应，整数效应，股利理论，盈余公布效应等。 从诺贝尔经济学奖的颁奖时间看，前两个理论是一组，第三及第四是另外一组，两组进行比较。第一组是从数理的角度出发，基于期望均值和方差，将收益和风险进行量化，由这两个变量来主导投资，通过一系列的对比分析，均衡选择，得出结论。而后一组中有很大程度的数量分析，但主要思想是从外部和内部相结合的理论，外部的信息以及人的行为对进行投资的影响。 二、指数介绍 （一）上证指数 上证综合指数是最早发布的指数，是上海证券交易所从1991年7月15日起编制并公布上海证券交易所股价指数，它以1990年12月19日为基期，设基期指数为100点，以全部上市股票为样本，以股票发行量为权数，按加权平均法计算，遇新股上市、退市或上市公司增资扩股时，采用除数修正法修正原固定除数，以保持指数的连续性。然后于2006年1月4日发布了新上证综合指数，新综指选择已完成股权分置改革的沪市上市公司组成样本，实施股权分置改革的股票在方案实施后的第2个交易日纳入指数，新综指是一个全市场指数，以2005年12月30日为基日，以该日所有样本股票的总市值为基期，基点为1 000点。新综指采用派许加权方法，以样本股的发行股本数为权数进行加权计算，当成分股变化时，同样采用除数修正法修正原固定除数。 （二）深证成分指数 深圳成分股指数是由深圳交易所编制，通过对所有在深圳证券交易所上市的公司进行考察，按一定标准选出40家有代表性的上市公司作为成分股，以成分股的可流通股数为权数，
中国股市指数的投资收益分析 '中国股市指数的投资收益分析 一、投资理论概述 （一）资产组合理论 资产组合理论是以一系列资产收益率的均值和方差作为组合选择的依据，提出了均值—方差资产组合选择的基本方法，即保持一定的方差的资产组合，使期望收益率最大化，或者保持一定的期望收益率的资产组合，使方差最小化；意味着资产选择不能依据资产本身的某一特征，还必须考虑该资产与其他资产的相互作用。该理论不仅描述了资产及其组合的收益与风险关系，而且解决了最优资产组合的选择问题，使得资产组合分析和 科学化、程序化，从而奠定了其在金融投资理论中的地位。 （二）资本资产定价理论 在资产组合理论的基础上提出的。资产定价理论认为，一项投资所要求的收益率取决于以下三个因素：（1）无风险收益率，即将国债投资（或银行存款）视为无风险投资；（2）市场平均收益率，即整个市场的平均收益率，如果一项投资所承担的风险与市场平均风险程度相同，该项收益率与整个市场平均收益率相同；（3）投资组合的系统风险系数，是某一投资组合的风险程度与市场证券组合的风险程度之比。而期望的收益率由无风险收益和该组合的风险系数与市场平均收益和无风险收益差额之乘积决定。 （三）有效市场假说 根据市场对信息反应的有效性，将市场分为弱势有效、半强势有效、强势有效市场。而反应程度分为反应不足以及反应过度两种情况，描述了信息对市场的影响。 （四）行为金融理论 将金融学与 学及 学等人 科相结合，从另一个假设的层面出发，认为人的一些社会性特征及自身人性影响引导自己的投资行为，诸如羊群效应、过度自信等。 （五）其他 在投资中，还有其他很多效应，由于诸多因素导致的，诸如IPO抑价效应，小公司效应，效应，整数效应，股利理论，盈余公布效应等。 从诺贝尔 学奖的颁奖时间看，前两个理论是一组，第三及第四是另外一组，两组进行比较。第一组是从数理的角度出发，基于期望均值本文由 联盟 收集整理和方差，将收益和风险进行量化，由这两个变量来主导投资，通过一系列的对比分析，均衡选择，得出结论。而后一组中有很大程度的数量分析，但主要思想是从外部和内部相结合的理论，外部的信息以及人的行为对进行投资的影响。 二、指数介绍 （一）上证指数 上证综合指数是最早发布的指数，是上海证券交易所从1991年7月15日起编制并公布上海证券交易所股价指数，它以1990年12月19日为基期，设基期指数为100点，以全部上市股票为样本，以股票发行量为权数，按加权平均法计算，遇新股上市、退市或上市公司增资扩股时，采用除数修正法修正原固定除数，以保持指数的连续性。然后于2006年1月4日发布了新上证综合指数，新综指选择已完成股权分置改革的沪市上市公司组成样本，实施股权分置改革的股票在方案实施后的第2个交易日纳入指数，新综指是一个全市场指
预测股票市场收益 1.读取数据： install.packages("zoo") install.packages("xts") install.packages("tseries") library(xts) library(tseries) GSPC<-as.xts(get.hist.quote("^GSPC",start="1970-01-02",end='2009-09-15',quote=c("Open","High","Low","Clos e","V olume","AdjClose"))) head(GSPC) 2.绘制股票曲线 p<-apply(GSPC[,2:4],1,mean) t<-function(p,close,tgt=0.025,m=10){ n<-length(p) v<-numeric(length=n-m) for(i in 1:(n-m)){ v[i]<-(p[i+m]-close[i])/close[i] } num<-length(v)-m t<-numeric(length=num) for(i in 1:num){ t[i]<-sum(v[i:(i+m-1)]) } plot(t,type="h",lwd=0.1) } t(p,GSPC$Close)
3.K线图 T.ind <- function(quotes,tgt.margin=0.025,n.days=10) { v <- apply(HLC(quotes),1,mean) r <- matrix(NA,ncol=n.days,nrow=NROW(quotes)) for(x in 1:n.days) r[,x] <- Next(Delt(v,k=x),x) x <- apply(r,1,function(x) sum(x[x > tgt.margin | x < -tgt.margin])) if (is.xts(quotes)) xts(x,time(quotes)) else x } candleChart(last(GSPC,'3 months'),theme='white',TA=NULL) avgPrice <- function(p) apply(HLC(p),1,mean) addAvgPrice <- newTA(FUN=avgPrice,col=1,legend='AvgPrice') addT.ind <- newTA(FUN=T.ind,col='red',legend='tgtRet') addAvgPrice(on=1) addT.ind() 4.用随机森林选择变量 myATR <- function(x) A TR(HLC(x))[,'atr'] mySMI <- function(x) SMI(HLC(x))[,'SMI'] myADX <- function(x) ADX(HLC(x))[,'ADX'] myAroon <- function(x) aroon(x[,c('High','Low')])$oscillator myBB <- function(x) BBands(HLC(x))[,'pctB'] myChaikinV ol <- function(x) Delt(chaikinV olatility(x[,c("High","Low")]))[,1] myCLV <- function(x) EMA(CLV(HLC(x)))[,1] myEMV <- function(x) EMV(x[,c('High','Low')],x[,'V olume'])[,2] myMACD <- function(x) MACD(Cl(x))[,2] myMFI<- function(x) MFI(x[,c("High","Low","Close")], x[,"V olume"]) mySAR <- function(x) SAR(x[,c('High','Close')]) [,1] myV olat <- function(x) volatility(OHLC(x),calc="garman")[,1] data(GSPC)
北大考博辅导：北京大学理论经济学（国家发展）考博难度解析及经 验分享 根据教育部学位与研究生教育发展中心最新公布的第四轮学科评估结果可知，全国共有45所开设理论经济学专业的大学参与了排名，其中排名第一的是北京大学，排名第二的是中国人民大学，排名第三的是南京大学。 作为北京大学实施国家“211工程”和“985工程”的重点学科，国家发展研究院的理论经济学（国家发展）一级学科在历次全国学科评估中均名列第一。 下面是启道考博整理的关于北京大学理论经济学（国家发展）考博相关内容。 一、专业介绍 由经济学基本概念、范畴与范畴体系组成的理论体系，包括一般的理论经济学与特殊的理论经济学。人类经济学、科学经济学是一般的理论经济学，政治经济学是特殊的理论经济学。理论经济学为分支经济学提供理论基础。科学的理论经济学是反映人类经济发展的一般规律的经济学理论，由经济学公理、定理与定理体系组成。科学的理论经济学不但有经济学基础理论，而且有经济学基本原理。政治经济学只有经济学基础理论，没有真正的经济学基本原理。政治经济学分为宏观经济学与微观经济学；科学的理论经济学是整体经济学，是宏观经济学与微观经济学的统一。 北京大学国家发展研究院的理论经济学（国家发展）专业在博士招生方面，不区分研究方向 020121 理论经济学（国家发展） 研究方向：00.不区分研究方向 此专业实行申请考核制。 二、考试内容 北京大学理论经济学（国家发展）专业博士研究生招生为资格审查加综合考核形式，由笔试+专业面试构成。其中，综合考核内容为: 1、国发院招生工作小组将组织招生专家组对申请人的申请材料进行初审，根据招生计划按照一定的比例择优确定进入复试的候选人。 2、复试采取“面试”方式进行差额考核，对学生的学科背景、专业素质、操作技能、外语水平、思维能力、创新能力等进行考察。
F inance 金融视线 3年月 5 我国股票市场收益率的影响因素研究——基于利率调整和流动性变化的数据分析 暨南大学 劳健林 摘要：本文通过SV A R 的方法，捕捉系统里银行间7天内同业拆借加权利率和广义货币量分别对上证综指连续复利收益率和深证成指连续复利收益率的结构关系，发现利率对股票市场收益率存在反向即期影响，而广义货币量则存在正向即期影响。最后，本文就研究结论提出政策性建议。关键词：利率广义货币量股票市场收益率结构向量自回归模型中图分类号：F832 文献标识码：A 文章编号：1005-5800(2013)07(b)-075-03 1研究背景 近期受到银行间流动性紧张以及其他方面因素的影响，我国股市出现大幅的下滑。2013年6月25日，沪指盘中击破1949点下探至1849点，市场再度回到2000点以下。中国股市是政策驱动型，当局发出的信号对投资者的影响尤为重要。对于银行间同业拆借利率的飙升，刚开始时央行态度坚定，不予救市并规劝商业银行整理贷款账目，这些利空消息致使投资者急于抛售资产。正因为利率调整和流动性变化对我国股票市场收益率有着重要的影响关系，国家当局可以通过利率和流动性对股票市场的主体来进行引导，促进资本市场进而整个宏观市场的健康发展。 利率是一国货币政策的重要指标，央行对基准利率进行调整，控制国内信贷规模和货币投放量，引导各种市场主体的经济行为，从而达到对宏观经济进行调控的目的，使国家的经济走上平稳发展的轨道。利率是影响股票市场的基本因素，一般认为利率与股票价格存在反向变动关系，因为利率是股票的投资机会成本，一旦利率上升会使资金流出股市，从而导致股价下跌，投资者收益率减少。而流动性反映的是在一个宏观体系中所投放货币量的多寡情况。一般来说，流动性较好的时候，为投资者提供资金来源注入股市，从而有更好的投资预期，即流动性与股市收益率存在一个正向变动关系。既然利率与流动性对一国股票市场产生如此重大的影响作用，本文将从以往的历史数据入手来探究三者之间的关系。 2实证分析 2.1SV AR 模型构建及识别 2.1.1SV AR 模型构建及样本选取 SVAR 较VAR 优良在于可以捕捉模型系统内各个变量之间当期的结构性关系，并可直观地观察标准正交随机扰动项对系统冲击的影响情况，且其脉冲响应函数分析过程中使用到的变量冲击是独立于其他变量冲击，排除其他因素的干扰。因此，本研究分析构建如下的SVAR(p)模型： AALyt=A εtA εt=Bet Eet=0 Eetet'=In 其中，yt 是n 阶列向量，其分量为研究系统内的各变量；A 、B 被称为正交因子分解矩阵，都是n 阶非奇异矩阵。矩阵A 反映结构性冲击对内生变量的影响乘数；矩阵B 则对标准正交随机扰动项的方差-协方差矩阵设置约束条件。εt 是缩减式V AR 模型中的随机扰动项，亦称为脉冲值，服从向量高斯白噪音过程，即εt~VGW(0,Σ)；Σ是随机扰动项的方差协方差矩阵，即εε'=Σ。而则称为标准正交随机扰动项，期望值为零，各分量间正交即相互独立，且其方差协方差矩阵为单位矩阵。矩阵将系统中的随机扰动项ε转 化为标准正交随机扰动项et 的线性组合，该线性组合通过B 矩阵来实现。 AL 是滞后算子多项式的矩阵表达形式：AL=In-i=1pAiLi ，其中，Ai(i=1,…,p)为n 阶系数矩阵，Li 为滞后i 阶的算子。 要考察系统中利率对股票市场收益率的影响作用，利率选取银行间7天内同业拆借加权利率作为代表变量，因为该利率更能反映出货币市场的利率变化情况；而流动性则选取广义货币量作为代表变量。因此，yt 的分量为银行间7天内同业拆借加权利率I Rt ，广义货币量M2，股市收益率RORt ，即yt=(I Rt,M2t,RORt)'。股市收益率分别考虑上海证券交易所的上证综指连续复利收益率SHRORt ，此时yt=(IRt,M2t,SHRORt)'；与深圳证券交易所的深证成指连续复利收益率SZRORt ，此时yt=(IRt,M2t,SZRORt)'。连续复利收益率的计算公式为：RORt=LnPt-LnP t-1，Pt 为t 时点的指数收盘价。 原始数据来源于WIND 数据终端EDB ，选取2001年1月至2012年12月各个随机过程的月数据作为一个实现，样本容量为144。再使用EXCEL 和STATA 等统计软件对数据进行实证分析。 2.1.2SV AR 模型的识别 该模型的识别问题就是要符合联立方程中的阶条件。SVAR (p)模型共有A 、B 矩阵的系数需要估计，共2n2个元素。由所构建的SVAR 模型可推出，A εt εt'A'=BB'，等号两边皆为对称矩阵。即一旦模型设立，就附加n(n+1)/2个约束条件，剩下的2n2-n(n+1)/2个约束条件需要通过其他的限制方式来完成。 通常使用的方法有两种：短期约束条件和长期约束条件，在此仅考虑前者。短期约束条件是对A 、B 两个矩阵的元素进行约束，而这两个矩阵此时也称为类型矩阵。首先，对类型矩阵A 进行分析，需要甄别所建立的SVAR 模型背后的经济意义，考虑到当期我国股票市场收益率和当期广义货币量的结构冲击不会立即对当期的利率产生影响，以及当期我国股票市场收益率也不会对当期广义货币产生影响，使用三个“伍德因果链”约束条件，即I Rt eRORt=0， IRt eM2t=0和M2t eRORt=0。然后，考虑类型矩阵B ，为使结构扰动项彼此不相关，这也是比较合理的假设，从而类型矩阵B 设为对角矩阵的形式。至此，可以构造出两个类型矩阵，此时模型恰好识别：A=100.10..1，B=.000.000.。2.2单位根检验及格兰杰因果检验 2.2.1单位根检验 分别对四个变量进行单位根检验，发现上证综指连续复利收益率的τ值为356，绝对值大于5%置信水平上的临界值35的绝对值，通过单位根检验；而深证成指连续复利收益率的τ值 www.china bt .n et 201707-E t t et -A t -.2-.44
基于MATLAB 股票市场的线性预测 摘要:随着计算技术和信息科学的飞速发展，信号处理逐渐发展成一门独立的学科，成为信息科学的重要组成部分，广泛应用在经济、金融等各种领域中，其中线性预测是最为广泛的一种方法。本设计借助MATLAB 的技术工具软件对股票价格的数据信号图进行分析，来构造一个线性预测器。并用MATLAB 生成一个豪华的界面，把线性预测的结果直观、明了的表现出来。 本设计在理解信号与系统基本原理的前提下，利用MATLAB 设计了一个线性预测系统，该系统利用一个离散时间有限脉冲响应（FIR ）滤波器来解决属于预测建模等问题。这是一个基于MATLAB 计算机仿真的股票线性预测模型，它用股票的开盘、收盘、最高、最低四种价位为源信号进行预测，可以选择滤波器的阶数来调整它的精确度，能够做到预测误差最小。 关键词：线性预测系统、MATLAB 、离散时间有限脉冲响应（FIR ）滤波器 1.股票线性预测的原理 本文设计一个系统，它能够单独的根据过去的值预测x[n]信号的将来值。对于线性预测来说，这个系统是一个FIR 滤波器，它根据过去值的一种线性组合算出一个预测量： [][]∑=∧--=p k k k n a n X 1 （1-1） 式1-1中的就是预测值。因为用了信号先前的p 个值构成这种预测，所以这是一个p 阶预测器。给定某一固定的滤波器阶p ，线性预测问题就是要确定一组滤波器系数，以使得“最好的”实现1-1的预测确实这个“最好”系数的最常用的准则是某些系数，使得总的平方预测误差达到最小： [][][]2121| |||∑∑=∧=-==N n N n n x n x n e E （1-2） 式1-2中，假设序列x[n]的长度为N ，有几个途径可以用来对k a 求解以使式1-2中E 最小。最简单的方法是利用MATLAB 来解这个联立线性方程组。假设N>P,这个线性预测问题可以转换成式1-3的矩阵形式。 ????????????++=????????????+++??????????????????????--+-][]2[]1[][]2[]1[]1[][]1[]2[][]1[11N x p x p x N e p e p e a a N x p N x p x x p x x (1-3) 式1-3还可以紧凑一些写成-Xa+e=x 。这个方程用来对向量a 求解，以使总平方预测误差e ’*e 最小。式1-3左边放一半减号是为了让“预测误差滤波器”能表示成e=Xa+x 。 2.利用matlab 实现股票预测的编程思想 利用matlab 实现股票线性预测的编程流程图如图1所示。
对中国国内上市公司的资本资产定价模型的分析报告 一、理论介绍 资本资产定价模型,即Sharpe （1964），Lintner （1965）和Black （1972）建立的简捷、完美的线性资产定价模型CAPM （又称SLB 模型），是金融学和财务学的最重要的理论基石之一。CAPM 模型假定投资者能够以无风险收益率借贷，其形式为： E ［R[,i]］＝R[,f]＋β[,im]（E ［R[,m]］－R[,f]）， （1） Cov ［R[,i]，R[,m]］ β[,im]＝─────────── （2） Var ［R[,m]］ R[,i]，R[,m]，R[,f]分别为资产i 的收益率，市场组合的收益率和无风险资产的收益率。 由于CAPM 从理论上说明在有效率资产组合中，β描述了任一项资产的系统风险（非系统风险已经在分散化中相互冲消掉了），任何其它因素所描述的风险都为β所包容。因此对CAPM 的检验实际是验证β是否具有对收益的完全解释能力。 资本资产定价模型(CAPM)在理论上是严格的，但是在实际中长期存在着实证研究对它的偏离和质疑，其原因主要是资本资产定价模型的一组假设条件过于苛刻而远离市场实际。本次分析报告旨在通过对随机抽样的中国上市公司的收益率的分析，考察在中国的股市环境下，CAPM 是否仍然适用。 二、数据来源 本文在CSMAR 大型股票市场数据库中随机选取了1995年1月到2001年12月的100支股票（存为名叫rtndata 的EXCEL 文件），作为对中国股票市场的模拟。同时还收集了同时期中国银行的年利率（取名为rf ）作为无风险利率，并通过各股票的流通股本对上海、深圳两个市场A 股的综合指数进行加权（取名为mr2）。 在SAS 中建立数据集，其中各列指标分别为各股票的月收益率（为处理方便，股票名称已改为y1-y100）、中国银行的年利率rf （本次报告没有将rf 转换成月无风险收益率，因为这一差异将反映在系数上，且为倍数关系，对结果没有实质性影响）和以流通股进行加权（因为本次报告计算的是市场收益率）的上海、深圳两个市场A 股的综合指数mr2。 本次报告采用的CAPM 模型为：100,...,2,1,?10=++=j e r jt j jt βγγ。 三、方法及步骤 1，在SAS 中以libname 命令设定新库，名为finance 。程序为： libname finance 'G:\finance\rtndata'; run; 2，采用means 过程（也可以用univariate 过程）对这100支股票做初步的均值分析，初步得出各股票的样本均值等数据。程序为： proc means data =; var y1-y100; run ; 3，采用corr 过程对随机抽取的若干支股票进行相关分析，以判断中国股票市场的相关性。程序如下： proc corr data = cov ; var y23 y67; where stkcd>=199512 and stkcd<=199712; run ;
投资者行为及策略分析 摘要：行为金融学认为投资者是非理性的，注重研究投资者在投资过程中的心理特征。从行为金融学的视角，对证券市场上投资者的行为进行了分析，解释了证券市场上出现的一些异象，并从投资者的各种行为偏差出发提出了相应的一些投资策略。关键词：行为金融；投资行为异化；投资策略中图分类号：f83 文献标识码：a 文章编号：1672-3198（2011）16-0153-02 1 引言传统金融学认为投资者是理性的，在同质预期的假设下市场是有效的，任何人都不可能基于现在可获得的信息获得超过均衡的预期收益之上的超额收益（fama，1970）。然而，在金融交易中，投资者的心理因素将使其实际决策过程偏离经典理论所描述的最优决策过程。大量的实证研究和观察结果表明证券市场存在异象，表现出与理性人假设和有效市场假设相悖的情形，如：股利之迷，赢者输者效应等。行为金融学从实证的角度研究人们在认知和行为偏差的情况下如何理解和利用信息作出投资决策，对现在证券市场上的一些异象做出了很好的解释，并提出了相应的投资策略。 2 证券市场上投资者行为的分析金融市场上的投资者都试图以理性的方式判断市场并进行投资。但人们在判断和决策中会不由自主地受到认知、情绪、意志、欲望、信仰等各种心理因素的影响，从而产生非理性的行为偏差。一方面，人类是“认知吝啬鬼”，在有限的信息加工能力下，并不总是遵循贝叶斯规则，从而产生一种启发式的认知捷径，包括代表性启发法、可得性启发法、锚定与调整等。这一过程会导致启发式偏差。另一方面，人们所面对的问题的背景、问题的表述方式、信息的呈现顺序不同也会对人们的判断带来影响，如对比效应、晕轮效应等，从而产生框定依赖。这一过程会导致框定偏差。
股票市场收益率 摘要：在金融市场迅速发展、金融创新不断深入的今天，股票市场的 波动也日益加剧，风险明显增大，资产收益率的分布形态也更加复杂化。对上证综指对数收益率序列进行实证研究，依据严密的统计分析 方法建立了GARCH-t(1,1)模型。最后，通过相应的模型检验方法验证 了GARCH-t(1,1)模型能够很好的刻画上证综指对数收益率序列的统计 特征。 关键词：股票收益率；GARCH模型；统计检验オ 在风险管理中，我们往往关注的就是资产收益率的分布。许多实证研 究表明，金融资产收益率分布表现出尖峰、厚尾的特征。另外,收益率 序列还具有条件异方差性、波动聚集性等特点。选择合适的统计模型 对金融资产收益率分布进行描述显得尤为重要。 1数据选取 本文实证分析的数据选取上海股市综合指数(简称上证综指)每日收盘 指数。考虑到我国于1996年12月16日开始实行涨跌停板限价交易， 即除上市首日以外，股票、基金类证券在一个交易日的交易价格相对 上一个交易日收市价格的涨跌幅不得超过10%，本文把数据分析时段选择为：1996.12.16-2007.05.18，共2510组有效数据。数据来源为CCER中国经济金融数据库。数据分析采用软件为Eviews5.1。通过对 原始序列的自然对数变换，得到上证综指收益率序列，有2509个数据，记为RSH。 2基本统计分析 2.1序列的基本统计量 对称分布的偏度应为等于0，而上证综指收益率的偏度为负值，说明 该序列的分布是有偏的且向左偏斜，即收益率出现正值的概率小于收 益率出现负值的概率。另外，已知正态分布的峰度等于3，而上证综指
收益率的峰度是8.919924，远大于3，这表明RSH序列不服从正态分布，而是具有尖峰厚尾特性。 2.2序列的自相关性 采用Ljung-BoxQ统计量检验上证综指收益率序列的自相关性。原假设为序列不存在阶自相关。根据上证综指收益率的10阶滞后期的Q统计值及其相应概率值可知，上证综指收益率的相关性并不显著。 2.3序列的平稳性和正态性 为了避免伪回归现象的发生，在建立回归模型之前须对收益率序列进行平稳性检验。采用ADF方法检验RSH序列的平稳性，其检验统计值为-51.7733，远小于MacKinnon的1％临界值，认为上证综指收益率序列不存在单位根，是显著平稳的。这就避免了非平稳性带来的许多缺陷。上证综指收益率序列的D.W.值为1.9705，非常接近于2，表明其残差序列不存在序列相关。 本文使用Jarque-Bera方法对RSH序列其进行正态性检验，检验统计值为3682.735(p=0.000)，概率值足够小以至于必须怀疑原假设的正确性。这也就说明，用正态分布对中国股市收益率的波动性进行描述是不正确的。 2.4ARCH效应检验 大量的实证分析表明，大多数金融资产收益率序列的条件方差具有时变性，即ARCH效应。利用ARCH-LM方法检验残差序列中是否存在ARCH 效应。选择滞后阶数为5阶，检验统计值为28.92598(p=0.000)，表明残差存在显著的ARCH效应，至少存在5阶的ARCH效应。这就意味着必须估计很多个参数，而这却是很难精确的做到。在这种情况下，可以用一个低阶的GARCH模型代替，以减少待估参数的个数。 3分布模型的确定
文章编号:1002—1566(2002)05—0009—03中国股票市场收益率分布曲线的实证 Ξ 陈启欢 (上海交通大学管理学院,上海 200030) 摘 要:股票价格行为的随机理论认为市场收益服从正态分布,但在现实中这一假设不一定成立,市场收益率更多地呈现出偏离正态分布的形式。本文检验中国市场的收益率分布形态。 关键词:股票;收益率;价格行为;正态分布;t 分布 中图分类号:O212;F830文献标识码:A 1.收益率的分布与股票价格行为 股票价格行为的随机理论认为实际的股价遵循某种随机的离散过程。股价的波动被认为由外部噪声造成,当时间间隔Δt →0时,外部噪声将呈现正态分布,服从维纳过程。因此,随机理论采用一般化的维纳过程作为描述股价行为的模型。数学表达式如下: ΔS S =φ(μ?Δt ,σΔt ) (1)ΔS =μ?Δt +σ?S ? Δz (2) [1]ΔS 为短时间Δt 后股票价格s 的变化 μ为单位时间内股票的预期收益率 σ为股票价格的波动率 φ(m ,s )表示均值为m ,标准方差为s 的正态分布 (1)式表明如果外来噪声服从正态随机过程,Δs/s 即收益率将服从均值为μ?Δt ,标准方差为σΔt 的正态分布 Δz =∈Δt ,∈表示服从标准正态分布,Δz 在维纳过程中被认为遵从马尔科夫过程,隐含市场是弱势有效的条件。 收益率的分布方式影响着股票价格的行为,只有当收益率遵从正态分布,股价行为的一般化维纳过程式(2)才能成立。当收益率的分布偏离了正态分布意味着式(2)中的外部噪声项σ?s ? Δz 就不服从正态随机过程。换而言之股价的行为方式不再遵从正态马尔科夫过程,市场可能不处于弱势有效状态。另外,收益率从遵从正态分布也是B lack -Scholes 微分方程的基本假设前提,如果收益率偏离正态分布,微分方程也需要进行修改。这个角度观察,收益率的分布是股价行为的基础,要了解某股票市场价格行为的特征,必须了解该市场的收益率分布。本文将对中国深沪两市的股指收益率的分布进行实证检验,考察其是否符合正态分布或符合其t 分布形式或并无一确切表达的分布形式。9中国股票市场收益率分布曲线的实证 Ξ收稿日期:2001-04-25
2011-10-25 工作论文“再售期权”分析中的异质信念与股市泡沫 ——与陈国进教授等商榷 杜亚军 杜亚军来自厦门大学王亚南经济研究院(WISE)和教育部经济计量学重点实验室，E-mail:YAJUNDU@https://www.doczj.com/doc/ab13050561.html,，通信地址：厦门大学经济楼A308，邮编361005。作者对文中可能存在的疏漏和错误承担完全责任。
“再售期权”分析中的异质信念与股市泡沫 ——与陈国进教授等商榷 摘要：《再售》一文使用了金融领域的前沿理论，但在理论的诠释与应用上产生了问题。首先，在未能正确理解异质信念概念的条件下，以错误方式选择了异质信念的代理变量，并且使用它来表示再售期权。其次，使用了一种动态剩余收益模型来估算投机泡沫的，却忽略了该模型关键性假定前提在中国股市基本不具备的事实。此外，在设计模型解释现象时，未能立足实际把握中国股市的深层问题和矛盾，却把研究重点转至投资者心理预期上。最后，使用异质信念来表示再售期权，却基于隐含了同质信念假定的动态剩余收益模型来估算投机泡沫，并将这样产生的两个变量整合进入核心模型中。这样，在模型中便包含了两个对立的假定前提。这一系列错误最终导致陈国进教授等无法自圆其说。 关键词：再售期权；异质信念；股市泡沫 Heterogeneous Beliefs and Stock Market Bubbles in the“Resale Option”Analysis: A Discussion with Professor Guojin Chen et al. Abstract：The”Resale”aritcle uses the frontier?nancial theories,but there exists some problems in the interpretation and application of these theories.First,having not correctly got the concept of heterogeneity beliefs,it choses in the wrong way a proxy for heterogeneous beliefs,and uses it to represent the resale option.Secondly,uses a kind of dynamic residual income model to estimate the speculative bubble,but ignores the fact that there exits almost no the crucial premises of the model in China’s stock market.In addition,in the process of sketching model to explain the phenomenon, it fails to base on the actual to grasp the deep-rooted problems and structural contradictions,and switches the focus to the psychological expectations of the investors.Finally,it uses heterogeneous beliefs to represent resale options,but also estimate the speculative bubble by the dynamic residual income model,which is based on the implicit assumption of homogeneous belief.Then it integrates these two variables into the core model of the article.Thus,there are two opposing premises in the model.This series of errors make Professor Guojin Chen et al to justify nothing. Key Words:Resale Option;Heterogeneous Beliefs;Stock Market Bubbles JEL Classi?cation:E31;E44;G12;G14
第6期（总第355期）2013年6月 财经问题研究 Research on Financial and Economic Issues Number6（General Serial No.355） June，2013 公司治理、分析师关注 与股票市场信息含量 甘露润1，张淑慧2 （1.南开大学商学院，天津300071； 2.重庆工商大学会计学院，重庆400067） 摘要：本文通过对2004—2010年6346家有分析师预测数据的上市公司面板数据的研究，发 现公司治理水平与分析师关注具有正相关关系;进一步研究发现，分析师关注水平的提高增加 了分析师们预测的分歧，并导致投资者异质信念的增加。笔者认为，公司治理水平的提升增加 了股票市场的信息含量。 关键词：公司治理;分析师关注;异质预期;信息含量 中图分类号：F276.5文献标识码：A文章编号：1000-176X（2013）06-0058-08 一、引言 Jensen和Meckling［1］定义了代理成本的构成，系统地分析了代理冲突对公司价值的影响，使对公司治理研究得到进一步深化。长期以来，关于公司治理对企业价值影响的研究大多集中在企业管理活动的微观层面。一个普遍的观点是公司治理通过提高企业投资决策质量进而对企业价值产生影响。 在资本市场上，企业价值表现为股票的市场价值，因此企业的价值在股票投资者的交易过程中会产生波动。Graham和Dodd［2］认为在任何时点上，股票都存一个固有的内在价值，股票的市场价格会逐步向这个内在价值收敛，因此他们认为股票价格最终会反映股票的内在价值。Fa-ma［3］使用随机游走模型解释股票价格的波动时强调了信息的作用，他认为投资者在股票交易中的竞争关系使新信息在股票价格中瞬间得到反映，因此股票的市场价格早已经反映了其内在价值。此后，Fama［4］系统地阐述了“有效市场假说”（EMH），指出可以通过股票价格中的信息含量判断市场的有效性。 Grossman和Stiglitz［5］认为由于存在信息成本，资本市场的有效性变得不可能：如果没有知情交易者收集信息，股票价格的信息含量就会降低，流动性交易者就无法从股票价格的波动上获取信息。由于外部投资者付出的信息成本来源于 收稿日期：2013-03-08 基金项目：国家自然科学基金项目“债券融资、信用风险与公司治理”（71072004）；国家自然科学基金项目“基于代理关系的新企业资本结构问题研究”（71072098） 作者简介：甘露润（1973－），男，辽宁沈阳人，博士研究生，主要从事公司金融和资本市场研究。E-mail：ganlr@https://www.doczj.com/doc/ab13050561.html, 张淑慧（1976－），女，山东潍坊人，博士，副教授，硕士生导师，主要从事财务管理和内部控制研究。E-mail：cqzhangshuhui@https://www.doczj.com/doc/ab13050561.html,