收益和交易行为吗？*
陆静**
（重庆大学经济与工商管理学院，重庆 400030）
摘要本文采用多元线性回归、Logit回归和交易策略等方法研究了天气因素对指令驱动的股票市场日内交易情况的作用机制。分析表明，除温度和极端天气外，包括云层覆盖率在内的其他天气指标对股票收益没有影响，说明投资者情绪波动不会导致资产定价的失衡；天气指标和季节性情绪紊乱因素对市场换手率和波动率等交易行为却具有显著影响，验证了投资者情绪影响决策并不等价于情绪影响资产定价的观点。
关键词天气效应；季节性情绪紊乱；股票市场；行为金融
Does Weather have Impact on Returns and Trading Activities in
Order Driven Stock Market?
LU Jing
(School of Economics and Business Administration, Chongqing University, Chongqing 400030)
Abstract This p aper uses multiple linear regression, logit regression and trading strategy to study the influence of weather on intraday trading activities of order-driven stock market. The analysis shows that except temperature and extreme weather, many weather indicators including cloud cover have little effect on pricing of stocks. On the other hand, the fact that weather and Seasonal Affective Disorder have heavy influence on turnover and volatility supports the view that feelings influencing investor decision-making does not necessarily equate to feelings having an effect on equity prices.
Key Words Weather Effect Seasonal Affective Disorder Stock Market Behavioral Finance
*本文获国家社会科学基金（编号：09BJL024）和重庆市自然科学基金（编号：2009BB2042）资助。
**陆静（1966.7-）：男，四川乐山人，重庆大学经济与工商管理学院金融系副主任、副教授，博士，联系地址：400030 重庆市沙坪坝区重庆大学经济与工商管理学院。Email：lujing@https://www.doczj.com/doc/b411256723.html,。研究方向：资本市场微观结构与资产定价；行为金融。
收益和交易行为吗？
摘要本文采用多元线性回归、Logit回归和交易策略等方法研究了天气因素对指令驱动的股票市场日内交易情况的作用机制。分析表明，除温度和极端天气外，包括云层覆盖率在内的其他天气指标对股票收益没有影响，说明投资者情绪波动不会导致资产定价的失衡；天气指标和季节性情绪紊乱因素对市场换手率和波动率等交易行为却具有显著影响，验证了投资者情绪影响决策并不等价于情绪影响资产定价的观点。
关键词天气效应；季节性情绪紊乱；股票市场；行为金融
1引言
传统金融理论认为，股票市场是理性的且只反映与资产定价有关的经济信息(S. Chang, Chen, Chou和Lin,2008)，投资者在做出决策时只注重结果，即把各种得失与成本赋予不同的权重，从中选择最优的风险-收益组合，这也是Markowitz (1952)组合投资理论与Sharpe (1964)资本资产定价理论的基础。Lucey和Dowling (2005)认为，这种结果导向的观点（Consequentialist Perspective）与现实存在差距，因为它没有考虑投资者心理作用如情绪对决策的影响。近年来，随着行为金融的发展，学者们发现，心理因素对于人们在金融市场的交易决策和交易行为具有显著影响。大量的心理研究证据表明，当人们心情较好时，他们往往对未来的评价更倾向于乐观(Daniel, Hirshleifer和Subrahmanyam,1998; Hirshleifer,2001; Wright和Bower,1992)，对风险的承受能力也有所加强。Saunders (1993)较早直接研究了天气与股票收益之间的关系。他发现，纽约股票交易所的股票收益与曼哈顿地区的云层覆盖比率（Cloud Cover）呈负相关，也即是说当地的云层越多，股票收益率越低。Saunders (1993)的成果发表后，立即引起了华尔街的强烈反响，Stecklow (1993)甚至在《华尔街日报》写道：忘掉一月效应吧，Saunders教授已经找到了观察股市涨跌的更好的指标，你只需要给气象台打个电话问一问华尔街的天气就行了。Hirshleifer和Shumway (2003)随后用26个国家或地区股票交易所的数据也证明了云层覆盖比率与股票收益之间的负向关系。S. Chang, et al. (2008)的研究还发现，天气不仅影响股市收益，还影响投资者的交易行为，如云层覆盖率对股价波动率和市场深度均具有负向作用。然而，已有的研究主要针对发达的资本市场，这些传统的、历史悠久的资本市场的交易机制与中国内地股票交易所的交易机制有较大的不同，主要体现在股票价格形成的方式上。如纽交所股票价格的形成以做市商报价为主，鉴于纽约曼哈顿地区集中了全球顶尖的金融机构和投资者，这些做市商的办公场所也集中在下曼哈顿附近，因此，做市商的买卖报价行为受到曼哈顿天气的影响是容易理解的。而针对另一种股票价格的形成机制——指令驱动交易系统，尚缺乏天气与股票交易之间关系的研究。中国内地股票交易所的建立比较晚，从建立之初就全面采用了电子化的指令驱动交易系统，没有做市商，所有买卖报价均由投资者通过经纪人（证券公司营业部）输入到交易所的撮合系统里。以上海证券交易所（以下简称上交所）交易的股票为例，直观上看，买卖订单来自全国各地，如果天气对股票交易具有影响的话，股票交易反映的应该是全国各地的天气状况。这显然是一个复杂的、较难验证的问题。但是，通过对上交所股票交易金额的统计，我们发现如果按证券营业部交易金额排名的话，由地处上海的证券营业部发起的交易占绝对多数。根据上交所2009年9月发布的《上交所统计月报》显示，2009年1-8月，上交所股票交易总金额为227073亿元，如果按证
券营业部所处城市排名，前几位分别是：上海36373亿元，占16.02%；北京28827亿元，占12.70%；深圳20899亿元，占9.20%；广州8121亿元，占3.58%。显然，上海的交易占绝大多数，这也为我们研究天气对指令驱动的股票交易行为是否产生影响提供了基础。
我们的研究动机在于以下几个方面：ⅰ）虽然T. Chang, Nieh, Yang和Yang (2006)，S. Chang, et al. (2008)，Hirshleifer和Shumway (2003)和Saunders (1993)等纷纷找到了天气因素影响发达资本市场的证据，但在新兴资本市场，尤其是指令驱动的资本市场，是否也存在这样的心理影响？ⅱ）尽管现有文献证实了天气因素可以影响资产定价（Hirshleifer和Shumway,2003; Saunders,1993)，但它可以影响市场流动性和股价波动率等交易行为吗？ⅲ）Saunders (1993)的研究只涉及了天气因素中的云层覆盖率一个指标，其他因素如温度、湿度和风速等是否也会影响投资者的交易行为？因此，我们将构造多变量回归来分析天气对股票市场的综合影响。ⅳ）过去的研究主要从天气的日平均值分析了对股票市场日收益率的影响，但正如我们熟知的“天气变化无常”，即使在白天，前一个小时还是晴空万里，紧接着可能就是雷雨交加。所以，将天气指标日平均化的方法损失了大量的有用信息。我们将以小时为单位，研究每小时的天气指标对股票市场交易行为的影响，力图从更微观的层面揭示天气对金融市场的作用。ⅴ）有关中国股票市场是否受天气影响的研究非常少，目前只检索到两篇(仪垂林和王家琪,2005; 韩泽县,2005)，而这两篇都只考察了日间的平均数据，没有对日内的高频数据进行研究。
我们的研究表明，尽管上交所的交易指令并非都来自上海地区，但上海当地的天气的确可以影响证券市场，不过与欧美发达证券市场不同的是，天气对股票定价的作用不明显，而对流动性和波动率等交易行为的影响十分显著，在一定程度上丰富了行为金融特别是心理因素对投资决策影响的研究成果。论文以下结构的安排是：第二部分介绍与天气和投资者情绪相关的文献；第三部分说明数据来源及处理方式；第四部分设计研究方法和实证结果分析；最后是结论。
2文献回顾
2.1天气与人类活动
天气是人类赖以生存和活动的环境之一，它极大地制约着人类的各项活动。天气的任何显著变化都会给人类带来重大影响，因此受到人们的广泛关注(周后福,1999)。人类在长期的进化过程中，对大气变化具有了一定的遗传适应性，自身具备与天气周期性变化的生理调节机能，这种机能在一定程度上与气候变化是相适应的，但超过这一限度，人体就会表现不适，甚至出现伤亡现象。此外，任何天气的变化都会导致人们机体和心理极为复杂的直接和间接反应。人体各部位的神经感官可接受不同气候因素的刺激：ⅰ）皮肤与粘膜具有丰富的感觉器官，能感受气温、湿度、降水、风、太阳辐射、大气酸碱度等的刺激；ⅱ）呼吸道能感受气温、湿度、风的变化，而肺泡可以感受大气化学要素的刺激；ⅲ）感觉器官，如视觉可接受光线的刺激，耳内压力感受器接受气压变化的影响。人体对天气变化所产生的反应是或快或慢的生理调适过程，机体出现生理反应的时间间隔，取决于气候要素刺激的程度、个体差异、心理状态等，并最终表现为人们情绪的变化和生物节奏的紊乱。Coren (1996)的统计表明，当人体的生物节奏被打乱之后，容易导致不良事故。如在1988年，全美国与睡眠相关的事故损失超过560亿美元，导致4318人死亡和2474430人残废。其他一些重大事故如切尔诺贝利核电站、挑战者号航天飞机失事等，也与当事人、管理者和指挥者的生理节奏失调有关(Coren,1996)。Schwarz和Clore (1983)的调查发现，人们在阳光明媚的天气中比在阴雨绵绵的天气中获得的满意度更高。基于此，Roll (1992)在《新帕尔格雷夫辞典：货币与金融》中关于天气词条有这样的描述：“天气的确是一个外生于经济体系的因素。…在早期的计量经济学文献中，天气被看作是很好的外生变量…因为天气既是外生的又是可以被直接观察到的…天气对于评估金融市场的信
息处理能力肯定是有用的。”
2.2情绪与决策
学者们很早就发现，人的情绪和感觉等心理因素在决策判断中扮演了重要角色(Cao和Wei,2005)。如Isen (1993)发现，当人们心情较好的时候，他们会简化认知过程以帮助决策。Hirshleifer 和Shumway (2003)认为，这种认知过程要么反映了与好心情相关的认知缺失，要么更加有效地简化了复杂信息。情绪的信息传导假说（Mood-as-information Hypothesis）认为，即使导致情绪变化的原因与决策目标毫无关联，情绪也会影响决策。Johnson和Tversky (1983)的实验证明了这个论断。他们把被观察者分为两组，第一组事先阅读了一些导致情绪低落的负面消息，第二组则什么也没做，然后这两组分别对18种可能导致死亡的风险因素排序，结果发现第一组对所有风险度的评判都高于第二组。在证券市场上，早在一百多年前，Nelson (1903)就指出，证券经纪人观察到心理因素对于股票交易非常重要，以至于投机者在闷热和雷雨天气中难以像在干燥和阳光明媚的天气里那样自信地和自由地交易，因为天气状况越好，人们越倾向于乐观和高兴。Petersen (1937)也认为，每一次大气扰动都会对人形成一定的刺激，如果这种扰动发生的频率不高，人们会迅速恢复；如果发生频率较高且程度严重，将给人们带来一定的影响；如果发生得极端频繁和严重，人们受到过度刺激将会易于疲劳，少数人甚至会因此而丧生。
股票投资依赖于人的主观判断，所以人体生物节奏的紊乱将会对股票定价造成一定的影响。M. Kamstra, Kramer和Levi (2000)研究了由于夏时制（Daylight Saving Time）的时间调整所产生的睡眠异相（Sleep Desynchronosis）对股票收益的影响。他们发现，即使很小的睡眠紊乱也会导致投资者判断失误、焦虑、不耐烦、缺乏注意力，甚至信息处理的失效等不良后果。他们考察了美国纽约股票交易所市场指数、纳斯达克指数和美国股票交易所市场指数，多伦多股票交易所TSE300指数，英国股票市场指数和德国DAX100指数等市场指数的收益率，发现在每年春秋两次夏时制转换过程中，转换该周周末收益率在统计上明显低于正常周末的收益率，说明睡眠异相的确影响了金融市场的运行。他们的研究表明，仅仅在美国股票市场，每年夏时制转换导致的上市公司市值损失高达310亿美元！因此，他们建议政策制定者重新审视夏时制的合理性，并建议对股票市场的日内交易行为作更详细的分析，这也正是本研究的出发点之一。
2.3云层覆盖率与股市收益
迄今为止，有关天气与股票市场关系中研究得最多的是云层覆盖率（Cloud Cover）或日照（Sunlight）的影响。如Hirshleifer和Shumway (2003)所言，人们在阳光明媚的时候会变得更加乐观，他们很可能增加投资股票的倾向。尽管此时他们可能错误地把好心情归因于积极的经济因素而不是好天气，但这也暗示阳光明媚与股市收益是正相关的。Saunders (1993)采用从日出到日落纽约市中心中央公园附近（该位置最接近于华尔街和纽约股票交易所）观测到的平均云层覆盖率作为天气的代理变量，研究了1927-1989年道琼斯工业指数的等权及加权日收益率，他发现云层覆盖率对于市场收益率具有负面效应。尽管Saunders (1993)承认纽约股票交易所（NYSE）的交易订单来自全美国，订单提交者的情绪不可能都受到纽约天气的影响，但他认为，由于纽约当地的做市商和经纪人可能影响股票定价，所以纽约当地的天气可以作为主要市场参与者情绪的代理变量。对于Saunders (1993)的研究，有些学者提出了一些质疑或改进。如Loughran和Schultz (2004)认为，NYSE的交易订单实际上来自全美国乃至全球，如果这些投资者都以最优价格提交订单且投资者的情绪受到云层覆盖率的影响，那么纽约当地的天气不一定是市场情绪较好的代理变量。为此，他们以上市公司注册所在地（以25个美国大中城市为代表）的天气研究了NASDAQ上市公司日内收益率的变化情况。其原因在于，一方面，与NYSE的上市公司相比，NASDAQ的上市公司规模较小，且主要受到公司注册
地的投资者关注，而全美国被人为分成多个时区，当NYSE早上9:30开盘时，夏威夷是凌晨3:30，夏威夷的投资者还在睡梦中，所以纽交所开盘时，总部设在夏威夷的上市公司的股票交易量非常稀少。另一方面，极端恶劣的天气如暴风雪也会影响股市的收益。如果暴风雪发生在早上，投资者不得不铲开积雪、挖出汽车，花费更多的时间上下班，这些投资者就没有充裕的时间从事股票交易了。事实上，Loughran和Schultz (2004)发现，暴风雪当天，该注册地上市公司的股票交易量减少了17%，接下来的第二天，股票交易量继续减少了15%！这一方面说明天气的确对股票市场产生影响，另一方面也说明天气的影响具有持续性。
Hirshleifer和Shumway (2003)用Logit模型检验了全球26个股票交易所市场指数与当地云层覆盖率的关系，他们发现有25个回归系数为负值，如果每个回归系数的符号都呈独立的二项分布（出现正负的概率都为0.5），则出现这种情况的概率只有4×10-7!所以，他们据此认为这是天气影响股票收益率的明显证据之一。
不过，已有的大部分研究主要集中在每日天气变化的平均值与股票市场日收益率之间的关系，而市场微观结构理论认为，股票市场的日内交易也呈现出一定的特征(Fabozzi, Ma, Chittenden和Pace,1995; Harris,1986; Stoll和Whaley,1990)。因此，我们希望分析日内的天气状况是否影响到日内的股票市场交易行为。事实上，S. Chang, et al. (2008)对纽交所1994-2004年每个交易日的（每分钟）高频数据分析表明，天气通过影响投资者情绪从而对股市形成一定的影响，在多云的天气里，股市收益较低，但日内的云层覆盖率对股市的负面影响主要出现在开盘后的前15分钟，随着更多信息的到达和交易的持续进行，这种影响很快消失了，说明心理因素对股市的影响是短暂的。显然，该结论与Loughran和Schultz (2004)关于天气影响持续性的观点相矛盾。本研究希望通过对中国股市日内数据的分析为天气对金融市场的影响提供进一步的经验证据。
如前所述，上海证券交易所与纽约股票交易所最大的不同在于它们的交易机制，上海证券交易所实施的是连续竞价的电子交易系统，没有做市商，而纽约股票交易所主要由做市商和专家交易来提供流动性。S. Chang, et a l. (2008)指出，由于这些做市商和专家以及主要经纪人每天都聚集在同一地点（纽约市），当地的天气将影响这些人的情绪，并通过这些人进一步扩散到其他地方的投资者身上。因此，尽管这些人与整个市场参与者相比，只占很小一部分，但如果在这种情况下也找到了纽约当地天气对于股市的影响的话，就更能说明天气能够有效影响股票市场。
此外，Barclay和Litzenberger (1988)，Busse和Clifton Green (2002)指出，如果天气与股市的关系仅仅来自一些异常样本或子样本的话，检验周期的缩短则可以减少其它无关的外生因素的影响，这对于解释心理因素对股市的影响具有至关重要的作用。这也是本文采用日内数据的原因之一。
2.4其他天气指标与情绪
Howarth和Hoffman (1984)发现，除了日照指标外，相对湿度和温度也对人们的情绪特别是注意力产生明显影响。湿度增加时，人们的注意力变得不太集中了。温度与人体的各项生理功能密切相关，为了保持恒定的体温与外界气温的平衡，人体的产热与散热必须与外界环境相协调，机体通过不断地产热提高体温和维持新陈代谢，通过持续地散热降低体温，得到体内热平衡状态。如果温度低至-8℃到-28℃，人们的攻击性情绪将会大大增加。Allen和Fischer (1978)和Wyndham (1969)发现，当暴露在极端高温或极端低温环境时，人们完成任务的执行力降低了。而在高温条件下，人们可能变得歇斯底里或异常冷漠。Cunningham (1979)也指出在过冷或过热的天气中，人们变得不愿意帮助别人。攻击情绪增加将导致更多的冒险性，而冷漠则意味着不愿意承担风险，所以，Cao和Wei (2005)认为，气温与股票收益的关系将取决于两种力量的对比。
风速可以影响人体的代谢速度，对体温和情绪产生作用(Charuvisit, Kimura和Fujino,2004)。Green (1994)通过实证研究指出，风可以影响驾车者违章停车的比率。Keef和Roush (2002)根据新西兰首都
惠灵顿靠海的特点，直接研究了风速和风向与股票市场收益率的关系，他们发现风速和来自南方的风对股市收益具有明显的负面作用，风速越高，股票市场收益率越低，反之亦然。这与当地的地理位置、海洋性生活习惯和对风的观念是一致的。在新西兰，如果刮起飓风，意味着悲观，如果风平浪静则意味着乐观和向上；如果刮起的风是南风，由于南风来自南极大陆，在南极与新西兰之间没有陆地提升这些南风的温度，所以南风常常是冰冷刺骨的，导致投资者情绪低落。
3研究数据
3.1天气变量
本研究的天气数据是2003年1月1日至2008年12月31日每一天8:00-15:00每小时所观察到的数据，数据来源于地面气象公司（https://www.doczj.com/doc/b411256723.html,/，以下简称WU）。该公司提供了全球主要城市每小时的地面天气观测值。WU公司提供的有关上海的地面天气数据来自两个观测点：上海虹桥机场和上海浦东国际机场。上海证券交易所地处浦东新区上海证券大厦，距虹桥机场直线距离约15公里，距浦东国际机场直线距离约30公里。考虑到浦东新区集中了众多金融机构特别是证券公司和基金公司等机构投资者，我们选取了上海浦东国际机场的观测数据。为了与股票市场的交易时间相匹配，我们将8:00-15:00分成了7个时段，也就是每小时一个时段，记录一套天气观测数据。从2003年1月1日至2008年12月31日，共2192个自然天数，每天7个时段，累计应有15344个观测时段，但由于部分日期的关键天气数据（如云层覆盖率等）缺失，我们最终获得了14561个观测时段。需要说明的是，这里包括了部分非交易时段（8:00-9:00和11:30-13:00）的数据，这两个非交易时段的天气对于我们分析早盘和午盘的开盘交易有用，所以也统计进来了。
本研究选取的天气变量包括：云层覆盖率（CC）；温度（TEMP，单位：摄氏度）；相对湿度（HUM）；露点温度（DP，单位：摄氏度）；气压（PRE，单位：hPa）；能见度（VIS，单位：公里）；风速（WSP，单位：公里/小时）；风向（WDIR）。
WU数据库没有直接提供云层覆盖率，而是披露了与云层覆盖率直接相关的天气状况如晴、晴间多云和多云等描述性事件，因此按照与Saunders (1993)类似的方法，我们分别赋值1-5将其转换为云层覆盖率：1-晴；2-晴间多云（或有云）；3-多云；4-阴（或小雨）；5-中雨（或雾或雪）。也即是说，1表示云层覆盖率为0-10%；2表示云层覆盖率为10-30%；3表示云层覆盖率为30-50%；4表示云层覆盖率为50-80%；5表示云层覆盖率为80-100%。由于极端的天气状况也会对市场、通讯或其他商业活动造成损害，所以我们对雨或雪的天气也进行了检验。雨或雪采用与Loughran和Schultz (2004)类似的方法，用虚拟变量表示，1代表下雨或下雪，0代表无雨或无雪。
相对湿度指空气中水汽的气压除以平衡水汽气压的百分比率，即水蒸气的饱和度有多高。从生理学的角度看，空气湿度与人们呼吸之间的关系非常紧密。在一定的湿度下氧气比较容易通过肺泡进入血液。人们在0.45-0.55的相对湿度下感觉最舒适。湿度过高会影响人体调节体温的排汗功能，感到闷热。一般而言，人们在高温但低湿度的情况下（比如沙漠）比在温度不太高但湿度很高的情况下（比如雨林）的感觉要好。
露点温度是指空气在水汽含量和气压都不改变的条件下，冷却到饱和时的温度，也即是空气中水蒸气变为露珠时的温度。在气象分析中，露点温度一般暗示空气的舒适程度，当露点温度在10到16摄氏度范围内时，空气感觉十分舒适。当露点温度上升时，空气中的水汽含量增高，一旦超过21摄氏度，人们会抱怨空气湿热。露点温度虽然以温度表示，但它与相对湿度表示的含义非常接近。根据样本的相关性分析，露点温度与温度之间的相关系数达0.91，与湿度的相关系数也有0.63，因此，为了避免解释变量之间的多重共线性，实证分析中只保留了相对湿度，而剔除了露点温度。
气压指气体对某一点施加的流体静力压强，来源于大气层中空气的重力，即单位面积上的大气
压力，1个标准大气压等于1013百帕（hPa ）。在低气压环境中，由于吸入气中氧分压较在常压下低，使肺泡气中氧分压下降，从而使肺泡中氧分压与血液中氧分压之间压力差下降，单位时间内肺泡弥散到毛细管的氧减少，结果使动脉中氧分压下降，血氧饱和度下降，最终影响人们思考和决策。
能见度指观察者离物体多远时仍然可以清楚看见该物体。气象学中，能见度被定义为大气的透明度。低能见度多出现于雨天、大雾时及有烟霞的日子。当低能见度的阴霾天气出现时，由于光线不足，很容易使人的心情忧郁和情绪低落，甚至会诱发抑郁症。
风向的定义如下：0-无风；1-北；2-东北北；3-东北；4-东北东；5-东；6-东南东；7-东南；8-东南南；9-南；10-西南南；11-西南；12-西南西；13-西；14-西北西；15-西北；16-西北北；17-不定。
3.2 天气指标的季节性因素剔除
图1 2003年-2008年8:00-15:00平均云层覆盖率和温度走势
图1描述了2003-2008年8:00-15:00平均云层覆盖率和温度走势，显然，这些天气数据表现出高度的季节性，就温度而言，夏季比冬季高出许多，夏季最高平均气温达35度，冬季最低平均气温只有5度左右。云层覆盖率也类似，只不过变化周期相对较短。值得注意的是，一般而言，夏天多云（或阴天）的日子比冬天少些，但从图上观察到6月中下旬的云层覆盖率比前后一段时间都高。实际上，这段时间正好是长江中下游的梅雨季节，阴雨天气较多。因此，需要对天气数据的季节性加以控制。参照S. Chang, et al. (2008)和Hirshleifer 和Shumway (2003)的方法，本研究采用减去周平均值的方法：首先用各年份年初开始每一个自然周的原始数据计算该周各天气指标的平均值；再用该周原始数据减去平均值，即可得消除季节性因素的天气值，用天气变量加上标d 表示。
3.3 天气变量的描述性统计
0.00
0.501.001.50
2.002.50
3.003.50
4.00
4.50
5.001月1日
1月17日
2月2日
2月18日
3月7日
3月26日
4月12日
4月29日
5月15日
6月1日
6月17日
7月4日
7月21日
8月6日
8月22日
9月9日
9月26日
10月13日
10月29日
11月14日
11月30日
12月16日
C l o u d C o v e r
0.005.0010.00
15.00
20.0025.0030.00
35.0040.00
T e m p e r a t u r e
表1 是天气变量的描述性统计。Panel A 显示，上海地区的平均云层覆盖率在2.6638-3.0053之间，也就是说，处于晴间多云到多云之间，云层覆盖率最高的时段是早上9:00-10:00期间，最低的时段是14:00-15:00；白天的气温不超过21度，早上气温略低，约为16度，下午14:00-15:00平均气温最高，达20.93度；露点温度在11度左右，露点温度与气温之间差值最小的时段在早上，说明早上空气最为湿润，这也可以从早上的相对湿度高达0.7637得到印证，由于早上空气湿度较高，容易出现雾霭，所以早上8:00-9:00的能见度也是全天最低的；气压略高于标准大气压；能见度平均在3.5-4.74公里左右，下午的能见度较高；风速大约为6.22-8.30公里/小时，午后的风速比上午的风速要快些。从Panel B 看到，在剔除季节性因素之前，上午云层覆盖率的波动大于下午；8:00-9:00温度的标准差是全天最高的。根据Panel C ，所有天气变量在各个时段的平均值几乎都为零，说明季节性因素消除得较彻底，但剔除季节性因素后的标准差在各时段不太稳定，如12:00-13:00气压的标准差为44.1439，而一小时前（11:00-12:00）的标准差则只有4.3363。Panel D 还显示，早上8:00-9:00CC d 的标准差最大，说明这个时段云层覆盖率的变化最大。
表1 天气指标的描述性统计（Summary Statistics of Weather Variables ）
变量 时段 8:00-9:00 9:00-10:00 10:00-11:00 11:00-12:00 12:00-13:00 13:00-14:00 14:00-15:00 Panel A: 原始天气指标的平均值（Mean of Raw Data of Weather ） CC 2.9501 3.0053 2.9037 2.8146 2.7484 2.6824 2.6638 TEMP 16.5306 17.8883 18.9439 19.7666 20.3728 20.7875 20.9327 DP 12.1922 11.9865 11.6812 11.3439 11.0498 10.8778 10.6899 HUM 0.7637 0.6965 0.6446 0.6044 0.5734 0.5564 0.5473 PRE 1016.8720 1017.0840 1016.5850 1016.7850 1014.2190 1014.5080 1015.0040 VIS 3.4956 3.8047 4.1503 4.3550 4.6958 4.7213 4.7425 WSP 6.2233 7.1845 7.6008 7.9008 8.1341 8.1607 8.3012 WDIR 9.0577 9.3548 9.4698 9.5437 9.3953 9.4169 8.9564 Panel B: 原始天气指标的标准差（STD of Raw Data of Weather ） CC 1.7532 1.7171 1.6847 1.6548 1.6025 1.5801 1.5851 TEMP 9.4772 9.4105 9.4212 9.3456 9.4400 9.4148 9.3116 DP 9.4414 9.4819 9.7584 9.9558 10.1796 10.3259 10.3552 HUM 0.1114 0.1335 0.1520 0.1652 0.1738 0.1777 0.1801 PRE 9.2000 9.2471 24.2373 9.1948 45.3589 32.6205 8.8561 VIS 3.2753 3.5548 3.8166 3.9994 4.1463 4.2294 4.2565 WSP 3.6283 3.7707 3.7571 3.7688 3.9090 3.8577 3.8142 WDIR 5.9213 5.7797 5.7669 5.7467 5.7595 5.7074 5.7073 Panel C: 剔除季节性因素后天气指标的平均值（Mean of Weekly Deseasonalized Data of Weather ） CC d -0.0027 -0.0020 -0.0017 -0.0025 -0.0020 -0.0036 -0.0041 TEMP d -0.0004 -0.0004 -0.0004 -0.0005 -0.0013 -0.0004 -0.0004 DP d -0.0007 0.0000 -0.0008 -0.0009 -0.0005 -0.0003 0.0001 HUM d 0.0004 -0.0004 0.0003 -0.0001 0.0005 0.0002 -0.0004 PRE d -0.0009 -0.0001 -0.0007 -0.0004 -0.0001 -0.0002 -0.0007 VIS d -0.0002 -0.0004 -0.0003 -0.0004 0.0003 -0.0006 -0.0003 WSP d -0.0003 0.0000 -0.0004 0.0000 0.0004 0.0000 -0.0005 WDIR d -0.0002 -0.0001 -0.0004 -0.0009 -0.0003 -0.0007 -0.0005 Panel D: 剔除季节性因素后天气指标的标准差（STD of Weekly Deseasonalized Data of Weather ） CC d 1.7069 1.6720 1.6431 1.6177 1.5726 1.5484 1.5563
TEMP d
2.9748
3.0323 3.1171 3.3084 3.6050 3.6928 3.6274 DP d 3.7491
4.1408 4.4163 4.7121 4.9178
5.0112 5.0421 HUM d 0.1070 0.1276 0.1457 0.1583 0.1667 0.1704 0.1721 PRE d 4.3709 4.3710 22.7236 4.3363 44.1439 31.0531 4.3343 VIS d 3.1452 3.3506 3.5137 3.6474 3.8179 3.8381 3.8341 WSP d 3.4392 3.6566 3.6591 3.6842 3.8242 3.7697 3.7218 WDIR d 5.7722 5.6073 5.5889 5.5551 5.5610 5.4787 5.4999 注：CC 表示云层覆盖率（Cloud Cover ）；Temp 表示摄氏温度；DP 表示露点温度；HUM 表示相对湿度；PRE 表示气压；VIS 表示能见度；
WSP 表示风速；WDIR 表示风向；带d 号的变量表示剔除季节性因素后的变量。
3.4 股票市场交易指标的计算
我们以上证指数收益率、换手率和上证指数波动率来描述股票市场的交易行为。所有股票市场的数据均来自国泰安公司CSMAR 数据库。
上证指数index 的收益率RET 采用对数收益率，即1ln ln t t t RET index index ?=?，其中t
index 是上证指数t 时刻的收盘值。除当天开盘收益率外，我们用每一时段的开盘指数和收盘指数计算RET
（即小时收益率）。由于9:30-10:00和11:00-11:30两个时段的交易时间都只有半小时，为了使这两个时段的收益率与对应的天气指标相匹配，我们采用S. Chang, et al. (2008)的方法，把9:30-10:00和11:00-11:30期间的收益率乘以2换算为小时收益率。每一个交易日的开盘收益率用开盘指数与上一交易日的收盘指数来计算。
换手率TUR 用每一时段的市场总成交量除以当日上交所上市公司流通股总量，开盘换手率则用开盘前9:15-9:25之间集合竞价的成交量除以流通股总量。9:30-10:00和11:00-11:30两个时段换手率的处理与上证指数收益率类似。
上证指数波动率VOLT 的计算公式为：()/(()/2)hi lo hi lo index index index index ?+，其中hi
index 是每一时段上证指数的最高值，lo index 是每一时段的最低值。9:30-10:00和11:00-11:30时段波动率的处理与指数收益率类似。由于9:30开盘时，不披露9:15-9:25集合竞价中的最高值和最低值，因此，开盘时不计算波动率。
表2是股票市场交易指标的描述性统计。Panel A 表明，上证指数日内平均每小时的收益率约为0.000044，其中平均收益率最低的时段为开盘时，只有-0.000471，最高的时段为14:00-15:00，有0.000629，整个样本期内最大的分时收益率为0.086750，发生在2008年9月19日开盘的时候，这是因为为了应对全球性金融危机，中国财政部决定从2008年9月19日起，对证券交易印花税政策进行调整，由原来的双边征收改为单边征收（即买方承担，卖方免税），税率保持1‰，这对于股票市场而言，是重大利好，上证指数开盘即封在几乎涨停（交易所规定的涨跌幅限制为±10%）的位置上，而分时的最低收益率发生在2008年1月22日上午9:30-10:00之间，受上一交易日包括美国、日本等国在内的全球股市暴跌，中国股市在当日深度下挫。日内平均每小时的换手率为0.002449，平均换手率最高的时段是9:30-10:00，达到了0.003731，样本期间最高换手率0.017208也发生在这个时段；日内平均每小时波动率为0.011622，平均波动率最高的时段是9:30-10:00，平均波动率最低的时段是13:00-14:00。波动率最低点为零，发生在2008年9月19日14:00-15:00，受政策因素影响，当天最后一小时指数被牢牢地锁定在2075.09的点位上！
表2 股票市场交易指标的描述性统计（Summary Statistics of Trading Variables ）
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 Panel A: Summary Statistics of RET Mean 0.000044 -0.000471 -0.000034 -0.000232 -0.000055 0.000449 0.000629 Standard Deviation 0.009605 0.007963 0.014236 0.007407 0.010611 0.007180 0.008271 Minimum -0.095620 -0.058790 -0.095620 -0.038700 -0.060230 -0.027100 -0.039400 Maximum 0.086750 0.086750 0.081970 0.049930
0.054060
0.064780
0.048250
Panel B: Summary Statistics of TUR Mean 0.002449 0.000072 0.003731 0.002856 0.002264 0.002479 0.003219 Standard Deviation 0.002160 0.000088 0.002817 0.001863 0.001502 0.001672 0.001860 Minimum 0.000002 0.000006 0.000076 0.000552 0.000320 0.000012 0.000002 Maximum 0.017208 0.000983 0.017208 0.014069
0.014909
0.016969
0.010996
Panel C: Summary Statistics of VOLT Mean 0.011622 - 0.017633 0.010089 0.011609 0.008936 0.009800 Standard Deviation 0.008752 - 0.012153 0.006054 0.008349 0.006102 0.006488 Minimum 0.000000 - 0.000873 0.001408 0.000048 0.000009 0.000000 Maximum 0.095604 - 0.095604 0.056000
0.066367
0.064815
0.049919
注：RET 表示上证指数收益率；TUR 表示换手率；VOLT 表示波动率。
4 研究方法与实证结果
4.1 市场交易与天气指标的多变量回归
按照与Hirshleifer 和Shumway (2003)，S. Chang, et al. (2008)类似的方法，我们建立了如下三个检验模型：
0123456789 d d d d d t t t t t t d
d d
d t t
t t
t RET CC TEMP HUM PRE VIS WSP WDIR SNOW RAIN ααααααααααε=++++++++++ （1）
0123456789 d d d d d t t t t t t d
d d
d t t
t t
t TUR CC TEMP HUM PRE VIS WSP WDIR SNOW RAIN ββββββββββτ=++++++++++ （2）
0123456789 d d d d d t t t t t t d
d
d
d t t
t t
t
VOLT CC TEMP HUM PRE VIS WSP WDIR SNOW RAIN γγγγγγγγγγυ=++++++++++ （3）
（1）-（3）式中，所有带d 的变量均为剔除季节性因素后的天气指标。表3归纳了市场收益率与天气变量之间的日内分时段回归结果。各回归系数的方差膨胀因子都小于10，说明解释变量之间不存在多重共线性Wooldridge)，此外，我们还通过异方差-稳健标准误控制了回归中异方差的影响(Greene,2003; White,1980)，使回归方程的统计推断更加稳健（表4-8采用了同样的方法，以下不再赘述）。无论是整个交易时段（9:30-15:00）还是各个分时段，市场收益率与云层覆盖率之间的联系不太明显，尽管11:00-11:30和13:00-14:00两个时段的回归系数在统计上是显著的，但它们的符号是相反的，一个为正、一个为负。这与Saunders (1993)和S. Chang, et al. (2008)的研究结果差异较大。Saunders (1993)采用日平均天气数据发现云层覆盖率与股市收益率负相关，而S. Chang, et al. (2008)采用日内以小时为时间间隔的天气数据发现，市场收益率与云层覆盖率的负相关关系主要体现在开盘后的15分钟内，随着交易的持续进行和新信息的到达，云层对投资者情绪的作用很快消失。不过，S. Chang, et al. (2008)的研究样本来自以做市商为主的纽约股票交易所，市场开盘时，各做市商必须报出买卖价格，而且这些做市商需要在市场开盘前到达办公场所，因此，开盘前以及开盘时的天气可能影响做市商的交易行为。上海股票交易所不存在做市商，交易的完成主要依靠投资者提交的市价订单或限价订单（当日有效），交易者不必在开盘前到达办公场所，这样，天气对开盘交易的影响不明显，因为投资者及其订单是陆续到达市场的。关于这一点，从13:00-14:00云层覆盖率的影响也能够得到部分印证。根据上交所交易规则，上海股票交易所的交易时间分为早盘（9:30-11:30）和午盘（13:00-15:00）两个分开的交易时段，早午盘之间市场停牌1.5小时（11:30-13:00）。早盘结束后，正好是午餐时间，当天正在参与交易或准备参与交易的投资者纷纷走出户外用餐，观察到中午的天气实况，其情绪受到一定的影响，所以，当他们回到市场从事午盘交易时，天气可能对午后的交易形成影响，导致13:00-14:00之间CC d 的系数在5%水平上显著。这与NYSE 的交易也不一致，因为美国本土存在时差，各时区的午餐时间不完全一样，尽管投资者走出户外用餐时观察到的天气可能影响股票交易，但分散的用餐时间抵消掉了这种作用，所以，在S. Chang, et al. (2008)对NYSE 13:00-13:00日内数据的分析中，天气对午餐后的交易没有影响。与Hirshleifer 和Shumway (2003)，Saunders (1993)关于云层覆盖率对股市日收益率影响的研究相比，我们的研究进一步证实了S. Chang, et al. (2008)的推断，即天气对股市收益的影响在交易日内是不均衡的，而且这种影响很可能只作用于某一时段，而不是全天。
至于其它天气指标，在整个交易日内（9:30-15:00），温度、湿度和风速等都对收益率的影响均不显著，如能见度VIS 在早盘和午盘后半段（11:00-11:30和14:00-15:00）对收益率的作用是相反的。极端天气中，下雪对收益的影响是负面的，所有回归系数均为负，尤其在早盘的9:30-10:00和11:00-11:30两个时间段统计显著，下雨的影响不明显。至于风速，其他交易市场的研究并没有得出一致的结论。Dowling 和Lucey (2008)发现，风速只对英国证券市场的小盘股有负面影响，对大盘股没有作用，因此他们认为风速与英国股票收益之间的关系较难判定。而Keef, Roush 和Zealand (2005)有关新西兰证券市场收益的研究发现，无论对成份股指数还是全样本的指数，风速都具有负面影响。
不过，新西兰四周环海，属于典型的海洋性气候，特别是在股票交易所所处的惠灵顿地区，平均风速竟达26.3公里/小时，比上海6-8公里/小时的风速高出3倍多，所以，我们看到上海地区的风速对股市收益的影响并不明显。Cao和Wei (2005)对美国、加拿大和日本等8个国家和地区气温的研究发现，温度对股票收益的负面影响是显著的。但在表3中，温度与市场收益率的关系并不明显，仅仅在13:00-14:00时间段内统计显著，而且还是正的。说明在上海证券市场，气温对股票定价的影响比较模糊，需要进一步分析，在一定程度上验证了Cao和Wei (2005)所做的论断，不同纬度地区的投资者对温度的反应不同。
表4显示了天气指标对市场换手率的影响。换手率代表了市场的流动性(Chordia, Roll和Subrahmanyam,2001)，换手率越高表示流动性越好、交易越活跃，交易成本越低。与S. Chang, et al. (2008)的研究相比，我们的实证结果显示多项天气指标对换手率具有显著作用。例如，云层覆盖率和下雪与否对换手率具有明显的负面影响，云层覆盖率在每一个交易时段的回归系数都是负的，且有一半的系数在统计上显著，多个时段下雪指标的虚拟变量也是统计显著的，说明当阴云密布甚至下雪的时候，人们的心情受到影响，减少了股票的交易量。另一方面，温度、湿度和风速等指标与换手率呈显著的正相关。就温度指标而言，所有系数都在5%及以上水平显著。Kaplanski, Levy和Scopus (2009)认为，温度对情绪的影响远非单调的关系，而是非常复杂的，它取决于人们暴露在室外的时间长短和所处的季节。Keller, et al. (2005)的实验研究也表明，在宜人的季节（如春季），温度和气压越高，人们情绪越高、记忆越好，而其他季节过热或过冷，都会导致情绪低落。为此，我们对温度与换手率的关系进行了逐月的分时段回归，但表5显示，在天气炎热的夏季，温度与换手率的关系并不明显，而在寒冷的冬季如12月-2月偏高的气温还会导致换手率较高。因此我们怀疑表4中温度与换手率的关系并非来自季节的变化而是投资者的季节性情绪紊乱（Seasonal Affective Disorder，SAD）因素。Rosenthal (1998)把由于地球围绕太阳公转带来的日照时间长短变化所导致的人体生理机能的紊乱或失调叫做季节性情绪紊乱，这主要是因为日光摄取量的增减引起人体体内荷尔蒙分泌变化而产生的生理反应，导致生物节律紊乱。M. J. Kamstra, Kramer和Levi (2003)认为当日照时间逐渐变短时，将会引起投资者的消沉，减少交易活动，反之则会增加交易活动。因此，我们在（1）式的解释变量基础上增加了代表季节性情绪紊乱指标的虚拟变量SAD，并定义在每年12月21日（冬至）到次年6月20（夏至前一日）期间，日照时间逐渐变长，SAD=1，其余时间SAD=0。从表6可以看到，除SAD外，其余解释变量符号的显著性水平与表4基本一致，而SAD在各个时段的回归系数均为正且在1%水平上显著，说明日照时间的确能够影响市场流动性或交易量。
波动率反映了投资者的意见分歧程度。表7显示，市场波动率与云层覆盖率呈反向关系，与Symeonidis, Daskalakis和Markellos (2008)的研究基本一致。Symeonidis, et al. (2008)调查了全球26个股票交易所所在地的云层情况对市场指数期权隐含波动率的影响，结果发现其中有17个市场的关系是显著负相关的，云层覆盖率回归系数也是显著异于零的。天气指标对市场波动率的影响类似于对换手率的影响。天空云层越多、天气状况越差（如下雪或下雨等），人们情绪低落，变得不那么愿意交易，导致市场波动率变小；相反，湿度和风速对波动率的影响是正向的。
表3 市场收益率与天气指标的日内分时段回归
变量时段
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 CC d0.000030 0.000022 -0.000108 0.000017 0.000701***-0.000359**-0.000078
(0.000084) (0.000145) (0.000273) (0.000163) (0.000243) (0.000177) (0.000190)
[1.67] [1.38] [1.55] [1.66] [1.83] [2.02] [2.17] TEMP d0.000046 0.000057 0.000154 0.000006 -0.000012 0.000095*0.000014
(0.000032) (0.000076) (0.000161) (0.000069) (0.000105) (0.000054) (0.000086)
[1.07] [1.50] [1.54] [1.08] [1.57] [1.18] [1.83] HUM d0.000218 -0.00186 0.006218*0.000931 -0.003051 -0.000047 -0.000248
(0.000879) (0.00206) (0.00353) (0.00174) (0.00239) (0.00163) (0.00212)
[1.54] [1.26] [1.45] [1.55] [1.98] [1.95] [2.43] PRE d-0.000002 -0.00002 0.000129 -0.000003*-0.000030 -0.000003 0.000024
(0.000002) (0.000062) (0.000116) (0.000002) (0.00009) (0.000002) (0.000072)
[1.01] [1.64] [1.70] [1.02] [1.70] [1.05] [1.72] VIS d-0.000026 0.000057 -0.000112 0.000011 -0.000217**-0.000024 0.000127*
(0.000033) (0.000068) (0.000131) (0.000067) (0.000088) (0.00006) (0.000073)
[1.25] [1.21] [1.24] [1.26] [1.28] [1.31] [1.35] WSP d0.000017 -0.000009 0.000082 0.000027 0.000041 -0.000029 -0.000019
(0.000033) (0.000076) (0.000115) (0.000059) (0.000096) (0.000059) (0.000072)
[1.12] [1.14] [1.14] [1.14] [1.17] [1.17] [1.15] DIR d-0.000019 -0.000003 0.000023 -0.000020 -0.000068 -0.000037 -0.000018
(0.000021) (0.000041) (0.000074) (0.000038) (0.000058) (0.00004) (0.000044)
[1.11] [1.08] [1.12] [1.13] [1.17] [1.16] [1.16] SNOW d-0.003572 -0.00204 -0.0105***-0.000517 -0.018219*0.002322 -0.002116
(0.00259) (0.00257) (0.00147) (0.000637) (0.00956) (0.00378) (0.00301)
[1.01] [1.01] [1.01] [1.01] [1.01] [1.02] [1.04] RAIN d-0.000157 -0.000048 -0.000855 -0.000047 -0.000972 0.000737 0.000746
(0.000454) (0.000973) (0.00158) (0.000802) (0.00130) (0.000828) (0.000872)
[1.37] [1.31] [1.36] [1.39] [1.37] [1.44] [1.58] Intercept 0.000066 -0.000459**-0.000058 0.000231 0.000106 0.000371*0.000559**
(0.000115) (0.000228) (0.000419) (0.000224) (0.000301) (0.000207) (0.000254) R2(%) 0.1 0.2 0.4 0.1 1.5 1.0 0.4
N7876 1367 1308 1291 1308 1300 1302 注：被解释变量是上证指数在各个时段的收益率；方括号（Square Brackets）内是方差膨胀因子；圆括号（Parentheses）内是异方差-稳健标准误（Heteroskedasticity-robust Standard Error）；9:30-15:00的回归是将所有各时段数据混合（Pooled）后的回归，并非9:30-15:00各变量平均值的回归；*表示显著性水平10%；**表示显著性水平5%；***表示显著性水平1%；
表4 市场换手率与天气指标的日内分时段回归
变量时段
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 CC d-0.000053***-0.000001 -0.000057 -0.000067*-0.000071**-0.000038 -0.000081*
(0.000019) (0.000002) (0.000054) (0.000037) (0.000031) (0.000039) (0.000045)
[1.67] [1.37] [1.55] [1.66] [1.83] [2.02] [2.17]
TEMP d0.000060***0.000002**0.000158***0.000081***0.000092***0.000062***0.000098***
(0.000007) (0.000001) (0.000032) (0.000016) (0.000016) (0.000013) (0.000018)
[1.08] [1.52] [1.54] [1.08] [1.57] [1.18] [1.83]
HUM d0.001066***0.000106***0.001979***0.001347***0.001439***0.001170***0.001959***
(0.000196) (0.000023) (0.000674) (0.000432) (0.000337) (0.000360) (0.000425)
[1.55] [1.26] [1.45] [1.55] [1.98] [1.95] [2.43]
PRE d0.000001 0.000002***0.000075***0.000001 0.000051***-0.000001**0.000058***
(0.000001) (0.000001) (0.000024) (0.000001) (0.000014) (0.000001) (0.000017)
[1.01] [1.66] [1.70] [1.02] [1.70] [1.05] [1.72]
VIS d-0.000007 -0.000000 -0.000022 -0.000007 -0.000017 0.000000 -0.000001
(0.000007) (0.000001) (0.000025) (0.000016) (0.000013) (0.000014) (0.000015)
[1.25] [1.20] [1.24] [1.26] [1.28] [1.31] [1.35]
WSP d0.000103***0.000004***0.000200***0.000109***0.000086***0.000100***0.000108***
(0.000008) (0.000001) (0.000025) (0.000015) (0.000013) (0.000014) (0.000016)
[1.12] [1.12] [1.14] [1.14] [1.17] [1.17] [1.15]
DIR d0.000016***0.000001**0.000039**0.000024**0.000024***0.000017**0.000016*
(0.000005) (0.000000) (0.000015) (0.000009) (0.000007) (0.000008) (0.000010)
[1.11] [1.08] [1.12] [1.13] [1.17] [1.16] [1.16]
变量时段
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 SNOW d-0.000562**-0.000058***-0.002724***-0.001578***0.000398 -0.000278 -0.000884***
(0.000259) (0.000015) (0.000295) (0.000152) (0.000687) (0.000294) (0.000257)
[1.01] [1.01] [1.01] [1.01] [1.01] [1.02] [1.04]
RAIN d0.000187*0.000006 0.000487 0.000228 0.000421**0.000216 0.000018
(0.000104) (0.000010) (0.000309) (0.000214) (0.000175) (0.000235) (0.000218)
[1.37] [1.28] [1.36] [1.39] [1.37] [1.44] [1.58]
Intercept 0.002427***0.000072***0.003667***0.002821***0.002221***0.002454***0.003213***
(0.000025) (0.000003) (0.000079) (0.000052) (0.000042) (0.000047) (0.000054)
R2(%) 4.1 3.8 9.1 7.2 7.2 6.9 6.9 N7778 1264 1311 1291 1310 1300 1302
注：被解释变量是上证指数在各个时段的换手率；方括号（Square Brackets）内是方差膨胀因子；圆括号（Parentheses）内是异方差-稳健标准误（Heteroskedasticity-robust Standard Error）；9:30-15:00的回归是将所有各时段数据混合（Pooled）后的回归，并非9:30-15:00各变量平均值的回归；*表示显著性水平10%；**表示显著性水平5%；***表示显著性水平1%。
表5 市场换手率与温度的逐月分时段回归
月份时段
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 ********************
(0.000032) (0.000004) (0.000125) (0.000062) (0.000062) (0.000069) (0.000082)
二月0.000171***0.000005**0.000311***0.000262***0.000151***0.000112**0.000151***
(0.000025) (0.000002) (0.000071) (0.000055) (0.000036) (0.000047) (0.000042)
三月0.000105***0.000004*0.000184**0.000138***0.000106**0.000095***0.000101**
(0.000023) (0.000002) (0.000072) (0.000050) (0.000044) (0.000033) (0.000044)
四月0.000010 0.000003 0.000078 -0.000002 0.000024 0.000017 0.000007
(0.000035) (0.000004) (0.000121) (0.000073) (0.000049) (0.000061) (0.000067)
五月0.000494***0.000038***0.000852***0.000674***0.000407**0.000570***0.000522***
(0.000078) (0.000010) (0.000211) (0.000187) (0.000160) (0.000154) (0.000138)
六月0.000233***0.000003 0.000477***0.000316***0.000193***0.000276***0.000299***
(0.000046) (0.000004) (0.000176) (0.000080) (0.000069) (0.000084) (0.000087)
七月0.000141***0.000011*0.000204 0.000116 0.000102 0.000179**0.000111
(0.000044) (0.000006) (0.000145) (0.000104) (0.000083) (0.000082) (0.000104)
八月0.000061*-0.000000 0.000041 0.000080 0.000059 0.000085 0.000092
(0.000033) (0.000002) (0.000114) (0.000072) (0.000068) (0.000063) (0.000065)
九月-0.000054**-0.000001 -0.000100 -0.000127**-0.000044 -0.000045 -0.000028
(0.000027) (0.000003) (0.000095) (0.000055) (0.000040) (0.000045) (0.000059)
十月0.000070***-0.000005 0.000138*0.000065 0.000061 0.000038 0.000079
(0.000025) (0.000007) (0.000071) (0.000053) (0.000043) (0.000045) (0.000052)
十一月-0.000035*-0.000002 -0.000117 -0.000052 -0.000056**-0.000044 -0.000060*
(0.000020) (0.000003) (0.000071) (0.000036) (0.000027) (0.000032) (0.000035)
十二月0.000083***0.000000 0.000150**0.000111**0.000076*0.000088**0.000050
(0.000021) (0.000001) (0.000062) (0.000045) (0.000040) (0.000037) (0.000041) 注：被解释变量是上证指数在各个时段的换手率；括号（Parentheses）内是异方差-稳健标准误（Heteroskedasticity-robust Standard Error）；限于篇幅，本表没有报告CC d等其他天气指标的回归系数；9:30-15:00的回归是将所有各时段数据混合（Pooled）后的回归，并非9:30-15:00各变量平均值的回归；* 表示显著性水平10%；**表示显著性水平5%；***表示显著性水平1%。
表6 市场换手率与季节性情绪紊乱的关系
变量时段
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 CC d-0.000044**-0.000001 -0.000042 -0.000064*-0.000065**-0.000029 -0.000062
(0.000019) (0.000002) (0.000052) (0.000035) (0.000029) (0.000038) (0.000044)
TEMP d0.000063***0.000002**0.000167***0.000084***0.000095***0.000063***0.000106***
(0.000007) (0.000001) (0.000031) (0.000016) (0.000015) (0.000012) (0.000017) HUM d0.001168***0.000110***0.002254***0.001488***0.001661***0.001286***0.002057***
(0.000191) (0.000023) (0.000662) (0.000411) (0.000309) (0.000350) (0.000415)
变量时段
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 PRE d0.000001 0.000002***0.000081***0.000001 0.000052***-0.000001 0.000064***
(0.000001) (0.000001) (0.000024) (0.000001) (0.000013) (0.000001) (0.000016) VIS d-0.000008 -0.000000 -0.000021 -0.000006 -0.000018 -0.000003 -0.000005
(0.000007) (0.000001) (0.000024) (0.000015) (0.000012) (0.000013) (0.000015) WSP d0.000103***0.000004***0.000201**0.000109**0.000086**0.000101**0.000108***
(0.000008) (0.000001) (0.000024) (0.000014) (0.000012) (0.000013) (0.000015) DIR d0.000017***0.000001**0.000040***0.000026***0.000023***0.000018**0.000020**
(0.000004) (0.000000) (0.000015) (0.000009) (0.000007) (0.000008) (0.000009) SNOW d-0.001039***-0.000070***-0.003228***-0.002178***-0.000048 -0.000780***-0.001479***
(0.000258) (0.000016) (0.000300) (0.000164) (0.000682) (0.000287) (0.000269) RAIN d0.000044 0.000001 0.000207 0.000057 0.000283* 0.000054 -0.000059
(0.000104) (0.000010) (0.000310) (0.000208) (0.000171) (0.000227) (0.000209) SAD 0.000844***0.000023***0.001376***0.001047***0.000748***0.000893***0.001026***
(0.000048) (0.000005) (0.000150) (0.000099) (0.000079) (0.000088) (0.000099) Intercept 0.002044***0.000062***0.003043***0.002348***0.001884***0.002051***0.002742***
(0.000027) (0.000003) (0.000081) (0.000053) (0.000047) (0.000049) (0.000057)
N7777 1264 1311 1291 1309 1300 1302 Pseudo R20.079 0.054 0.149 0.150 0.136 0.140 0.144
注：被解释变量是上证指数在各个时段的换手率；圆括号（Parentheses）内是异方差-稳健标准误（Heteroskedasticity-robust Standard Error）；9:30-15:00的回归是将所有各时段数据混合（Pooled）后的回归，并非9:30-15:00各变量平均值的回归；SAD是季节性情绪紊乱指标的虚拟变量，从每年12月21日-次年6月20日为1，其余时间为0；*表示显著性水平10%；**表示显著性水平5%；***表示显著性水平1%。
表7 市场波动率与天气指标的日内分时段回归
变量时段
9:30-15:00 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 CC d-0.000498***-0.000498**-0.000437***-0.000562***-0.000539***-0.000308**
(0.000087) (0.000226) (0.000133) (0.000188) (0.000144) (0.000148)
[1.77] [1.55] [1.66] [1.83] [2.02] [2.17]
TEMP d0.000020 0.000108 0.000037 0.000144 0.000026 0.000091
(0.000031) (0.000137) (0.000056) (0.000089) (0.000044) (0.000065)
[1.09] [1.54] [1.08] [1.57] [1.18] [1.83]
HUM d0.004540***0.008413***0.005330***0.006383***0.004299***0.005079***
(0.000843) (0.002964) (0.001419) (0.001885) (0.001351) (0.001621)
[1.66] [1.45] [1.55] [1.98] [1.95] [2.43]
PRE d0.000006***0.000146 0.000006***0.000168**0.000001 0.000155***
(0.000001) (0.000097) (0.000002) (0.000070) (0.000002) (0.000053)
[1.01] [1.70] [13.02] [1.70] [1.05] [1.72]
VIS d-0.000005 0.000006 0.000014 -0.000031 -0.000024 -0.000036
(0.000032) (0.000114) (0.000054) (0.000070) (0.000050) (0.000055)
[1.26] [1.25] [1.26] [1.28] [1.31] [1.35]
WSP d0.000177***0.000276***0.000126***0.000182**0.000141***0.000188***
(0.000031) (0.000092) (0.000046) (0.000076) (0.000046) (0.000059)
[1.14] [1.14] [1.14] [1.17] [1.17] [1.15]
DIR d0.000071***0.000096 0.000060*0.000066 0.000060*0.000076**
(0.000021) (0.000062) (0.000031) (0.000046) (0.000035) (0.000034)
[1.13] [1..12] [1.13] [1.17] [1.16] [1.16]
SNOW d0.004066*-0.008571***-0.006031***0.011572*0.009476**0.002035
(0.002379) (0.001262) (0.000532) (0.006069) (0.003735) (0.002958)
[1.02] [1.01] [1.01] [1.01] [1.02] [1.04]
RAIN d0.001515***0.002650*0.000576 0.002739***0.001146*0.000018
(0.000461) (0.001365) (0.000641) (0.000995) (0.000692) (0.000685)
[1.40] [1.36] [1.39] [1.37] [1.44] [1.58]
Intercept 0.011449***0.017308***0.010037***0.011303***0.008782***0.009784***
(0.000114) (0.000356) (0.000181) (0.000235) (0.000174) (0.000198)
R2(%) 1.6 2.1 2.5 3.1 3.4 2.3
N6514 1311 1291 1310 1300 1302
注：被解释变量是上证指数在各个时段的市场波动率；方括号（Square Brackets）内是方差膨胀因子；圆括号（Parentheses）内是异方差-稳
健标准误（Heteroskedasticity-robust Standard Error ）；9:30-15:00的回归是将所有各时段数据混合（Pooled ）后的回归，并非9:30-15:00各变量平均值的回归；* 表示显著性水平10%；** 表示显著性水平5%；*** 表示显著性水平1%。
表8 上证指数收益率与天气指标的日内分时段Logit 回归
9:30-15:00 9:30 9:30-10:00 10:00-11:00 11:00-11:30 13:00-14:00 14:00-15:00 CC d 0.000759 -0.000158 0.031117 0.020039 0.001133 -0.061159 -0.011421 (0.017920) (0.038173) (0.041025)
(0.043846)
(0.046381)
(0.052163) (0.053251)
TEMP d 0.014507** 0.013613 0.029919 -0.010061 0.016805 0.038407** 0.026278 (0.007085) (0.023731) (0.022951)
(0.019075)
(0.021162)
(0.016876)
(0.020773)
HUM d 0.173680 0.443259 0.243152 -0.052780 0.264807 0.082835 0.615727 (0.189933) (0.602273) (0.536984)
(0.479880)
(0.502667)
(0.460205) (0.508421)
PRE d -0.002368** 0.011915 0.012141 -0.003899 0.001438 -0.003816** -0.003128 (0.001071) (0.017058) (0.017401)
(0.003010)
(0.017642)
(0.001748)
(0.017794)
VIS d 0.001529 0.002170 0.007441 -0.021695 0.011543 0.010471 0.001771 (0.007052) (0.019289) (0.018514)
(0.017757) (0.016985)
(0.016911)
(0.017004)
WSP d 0.016406** 0.024680 0.004757 0.035728** -0.002084 -0.001937 0.028327* (0.006420) (0.017309) (0.015984)
(0.015718)
(0.016439) (0.015647)
(0.016487)
DIR d 0.000083 0.016501 0.005642 0.002323 -0.009595 -0.011924 -0.002012 (0.004283) (0.010290) (0.010582)
(0.010691)
(0.010916)
(0.010912)
(0.011128)
SNOW d -0.374392 -0.636895 Na Na -0.704601 0.237868 -0.132751 (0.460100) (1.233477) Na
Na
(1.271505)
(0.817861)
(0.816194)
RAIN d -0.044064 -0.146105 -0.072540 -0.001832 -0.119694 0.177273 -0.026275 (0.089612) (0.214475) (0.214416)
(0.222489) (0.227586)
(0.237415)
(0.231366)
Intercept 0.038914 -0.218484*** 0.035510 -0.130417** 0.067384 0.053368 0.237585*** (0.024139) (0.059773) (0.059574) (0.060285) (0.059417) (0.059709) (0.061471) Pseudo R 2
0.0014
0.0030
0.0017 0.0043
0.0018
0.0057
0.0046
注：括号（Parentheses ）内是异方差-稳健标准误（Heteroskedasticity-robust Standard Error ）；Na 表示因样本量太少而无法估计；9:30-15:00的回归是将所有各时段数据混合（Pooled ）后的回归，并非9:30-15:00各变量平均值的回归；* 表示显著性水平10%；** 表示显著性水平5%；*** 表示显著性水平1%。
4.2 市场收益与天气指标的Logit 回归
为了验证收益率与天气指标之间的符号关系，我们构造了如下Logit 回归：
123456789123456789(0)1d
d d d d d d d d
t t t t t t t t t
d d d d d d d d d t t t t t t t t t
CC TEMP HUM PRE VIS WSP WDIR SNOW RAIN t CC TEMP HUM PRE VIS WSP WDIR SNOW RAIN e P RET e
λλλλλλλλλλλλλλλλλλ++++++++++++++++>=
+ （4）
从表8的回归结果看，CC d 的系数都不显著。而温度指标TEMP d 与收益率表现出一定的正相关性。因为在7个回归系数中，只有一个为负，其余均为正。从Logit 回归的特征判断，如果TEMP d
系数的符号服从独立二项分布（P =0.5），则出现一个为负、七个为正的概率为1171
70.50.5
C ???=5.5%，在统计上，这是个小概率事件。因此，可以推断温度与收益率的确存在正向关系，其余变量的符号与表3基本一致，但显著性不高。
4.3 基于云层的股票交易策略
为进一步检验云层对股票收益率的影响，参照Hirshleifer 和Shumway (2003)的方法，我们构造了基于天气的交易策略，以考察是否可以根据天气状况构造具有盈利能力的交易策略？为简化起见，我们先不考虑交易成本，并假定可以卖空股票，具体步骤如下：首先计算每个交易日每天早上8:00-10:00期间上海地区云层覆盖率的平均值，云层覆盖率的平均值在1-5之间；然后将云层覆盖率小于等于3的交易日定义为好天气，大于3的交易日定义为坏天气；投资者根据观察到的天气，可以选择三个交易策略：
ⅰ）好天气买入策略：如果当天是好天气，则以开盘价买入股票，并以收盘价卖出股票；如果当天是坏天气，则不交易；
ⅱ）坏天气卖出策略：如果当天是坏天气，则以开盘价卖空股票，并以收盘价买入股票平仓；如果当天是好天气，则不交易；
ⅲ）好坏天气均买卖策略：如果当天是好天气，则以开盘价买入股票，并以收盘价卖出股票；如果当天是坏天气，则以开盘价卖空股票，并以收盘价买入股票平仓。
最后将各交易日的收益率以连续复利方式连乘，得出在样本期间的累计收益率。
计算表明，好天气买入战略的累计收益率为131.978%，坏天气卖出战略的累计收益率-17.536%，而根据天气状况好坏分别进行买空或卖空，累计收益率为91.320%。说明只有当天气状况较好时，基于天气的交易策略才能给投资者带来正的收益，坏天气的策略并不奏效。一旦加入交易成本，如以1.5‰（交易所规定不超过3‰）的交易佣金计算，则所有策略的累计收益率均为负值。
5结论
人类的活动离不开大气环境，因此，天气对于人们的情绪和决策乃至投资行为都具有影响，如Howarth和Hoffman (1984)认为湿度、温度和阳光等因素都对人们的情绪产生影响。但已有的关于天气与股票市场关系的研究大多集中于做市商市场，且交易数据来自日间数据。本文选取指令驱动的上海股票市场日内交易数据对天气与股票市场的短期影响进行了研究。我们发现，天气对于股票定价的作用并不明显，除温度和极端天气（如下雨或下雪）等外，包括云层覆盖率在内的其他天气指标对股票收益没有影响。因此，我们认为天气因素对指令驱动交易市场股票定价的影响要小于对做市商市场的影响。其原因可能来自两个方面：做市商市场的买卖报价由几乎处于同一地区的做市商提供，因此，当地天气通过对这些参与人情绪的影响而间接影响到股票价格，而指令驱动的连续交易市场中，潜在的交易订单由分散在各地的投资者直接提交，尽管上海地区的交易金额占有优势，但尚不足以显著影响到市场价格的形成；天气对于股票定价的影响是短暂的，导致日内交易数据与日间交易数据如Saunders (1993)的分析可能存在差异。不过，天气对于其他交易行为如换手率和波动率具有明显的影响。当云层覆盖率较高以及遇到恶劣天气（如下雨或下雪等）时，人们的交易活动减少了，市场流动性和波动率都比较低，由地球公转所带来的日照时间变化引起的季节性情绪紊乱也会影响到投资者的交易活动，日照时间越长，投资者越愿意从事股票交易。我们的研究表明，投资者关于资产合理定价的判断不易受到天气影响，但他们的交易行为比较容易受天气影响，从而验证了Lucey和Dowling (2005)关于“投资者情绪影响决策并不等价于情绪影响资产定价”的观点。
参考文献
韩泽县. (2005). 中国证券市场指数收益天气效应实证研究. 北京航空航天大学学报（社会科学版）, 18(2), 10-14.
仪垂林, 王家琪. (2005). 天气、季节性情绪混乱与股票收益. 统计与决策, 3, 79-82.
周后福. (1999). 气候变化对人体健康影响的综合指标探讨. 气候与环境研究, 1, 121-126.
Allen, M., & Fischer, G. (1978). Ambient Temperature Effects on Paired Associate Learning. Ergonomics, 21(2), 95-101.
Barclay, M., & Litzenberger, R. (1988). Announcement effects of new equity issues and the use of intraday price data. Journal of Financial Economics, 21(1), 71–99.
Busse, J., & Clifton Green, T. (2002). Market efficiency in real time. Journal of financial economics, 65(3), 415-437.
Cao, M., & Wei, J. (2005). Stock market returns: A note on temperature anomaly. Journal of banking and finance, 29(6), 1559-1573.
Chang, S., Chen, S., Chou, R., & Lin, Y. (2008). Weather and intraday patterns in stock returns and trading activity. Journal of banking and finance,
32(9), 1754-1766.
Chang, T., Nieh, C., Yang, M., & Yang, T. (2006). Are stock market returns related to the weather effects? Empirical evidence from Taiwan. Physica A: Statistical Mechanics and its Applications, 364, 343-354.
Charuvisit, S., Kimura, K., & Fujino, Y. (2004). Experimental and semi-analytical studies on the aerodynamic forces acting on a vehicle passing through the wake of a bridge tower in cross wind. [doi: DOI: 10.1016/j.jweia.2004.04.001]. Journal of Wind Engineering and Industrial Aerodynamics, 92(9), 749-780.
Chordia, T., Roll, R., & Subrahmanyam, A. (2001). Market liquidity and trading activity. Journal of finance, 501-530.
Coren, S. (1996). Daylight savings time and traffic accidents (Vol. 334, pp. 924-925): The New England Journal of Medicine.
Cunningham, M. (1979). W eather, mood, and helping behavior: Quasi experiments with the sunshine Samaritan. Journal of Personality and Social Psychology, 37(11), 1947-1956.
Daniel, K., Hirshleifer, D., & Subrahmanyam, A. (1998). Investor psychology and security market under-and overreactions. Journal of finance, 1839-1885.
Dowling, M., & Lucey, B. (2008). Mood and UK equity pricing. Applied Financial Economics Letters, 4(4), 233-240.
Fabozzi, F., Ma, C., Chittenden, W., & Pace, R. (1995). Predicting intraday price reversals. The Journal of Portfolio Management, 21(2), 42-53. Green, C. (1994). Wind Gusts and Receipt of Parking Tickets. unpubilished manuscript, University of Lethbridge.
Greene, W. (2003). Econometric analysis: Prentice Hall Upper Saddle River, NJ.
Harris, L. (1986). A transaction data study of weekly and intradaily patterns in stock returns. Journal of Financial Economics, 16(1), 99-117. Hirshleifer, D. (2001). Investor psychology and asset pricing. Journal of finance, 1533-1597.
Hirshleifer, D., & Shumway, T. (2003). Good day sunshine: Stock returns and the weather. Journal of finance, 1009-1032.
Howarth, E., & Hoffman, M. (1984). A multidimensional approach to the relationship between mood and weather. British journal of psychology(1953), 75(1), 15-23.
Isen, A. (1993). Positive affect and decision making. Handbook of emotions, 1, 261-277.
Johnson, E., & Tversky, A. (1983). Affect, generalization, and the perception of risk. Journal of Personality and Social Psychology, 45(1), 20-31. Kamstra, M., Kramer, L., & Levi, M. (2000). Losing sleep at the market: The daylight saving anomaly. American Economic Review, 1005-1011. Kamstra, M. J., Kramer, L. A., & Levi, M. D. (2003). Winter Blues: A SAD Stock Market Cycle. The American Economic Review, 93(1), 324-343. Kaplanski, G., Levy, H., & Scopus, M. (2009). Mispricing of Options: Perceived and Actual Market Risk Sentiment Effect. Working Paper.
Keef, S., & Roush, M. (2002). The Weather and Stock Returns in New Zealand. Quarterly Journal of Business and Economics, 41, 61-80.
Keef, S., Roush, M., & Zealand, W. (2005). Influence of weather on New Zealand financial securities. Accounting and Finance, 45(3), 415-437. Keller, M., Fredrickson, B., Ybarra, O., C?té, S., Johnson, K., Mikels, J., et al. (2005). A warm heart and a clear head: The contingent effects of weather on mood and cognition. Psychological Science, 16(9), 724-731.
Loughran, T., & Schultz, P. (2004). Weather, stock returns, and the impact of localized trading behavior. Journal of Financial and Quantitative Analysis, 343-364.
Lucey, B., & Dowling, M. (2005). The role of feelings in investor decision-making. Journal of Economic Surveys, 19(2), 211-237.
Markowitz, H. (1952). Portfolio selection. Journal of Finance, 77-91.
Nelson, S. (1903). The ABC of Stock Market Speculation: Fraser Publishing.
Petersen, W. (1937). The Patient and the Weather. The American Journal of the Medical Sciences, 193(1), 115.
Roll, R. W. (1992). Weather. In B. Malkiel, P. Newman, M. Milgrate & J. Eatwell (Eds.), New Palgrave dictionary of money and finance: Macmillan London.
Rosenthal, N. (1998). Winter blues: seasonal affective disorder: what it is and how to overcome it: The Guilford Press.
Saunders, E. (1993). Stock prices and Wall Street weather. The American Economic Review, 1337-1345.
Schwarz, N., & Clore, G. (1983). Mood, misattribution, and judgments of well-being: Informative and directive functions of affective states. Journal of Personality and Social Psychology, 45(3), 513-523.
Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance, 425-442.
Stecklow, S. (1993). For Stock Market Advice, Just Call the Meteorologist for Manhattan. Wall Street Journal, December 28.
Stoll, H., & Whaley, R. (1990). Stock market structure and volatility. Review of Financial Studies, 37-71.
Symeonidis, L., Daskalakis, G., & Markellos, R. (2008). Does the Weather Affect Stock Market Volatility. Working Paper.
White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica: Journal of the Econometric Society, 817-838.
Wooldridge, J. (2008). Introductory econometrics: a modern approach: South-Western Pub.
Wright, W., & Bower, G. (1992). Mood effects on subjective probability assessment. Organizational Behavior and Human Decision Processes, 52(2), 276-291.
Wyndham, C. (1969). Adaptation to heat and cold. Environmental Research, 2(5-6), 442-469.
Does Weather have Impact on Returns and Trading Activities in
Order Driven Stock Market?
Abstract This paper uses multiple linear regression, logit regression and trading strategy to study the influence of weather on intraday trading activities of order-driven stock market. The analysis shows that except temperature and extreme weather, many weather indicators including cloud cover have little effect on pricing of stocks. On the other hand, the fact that weather and Seasonal Affective Disorder have heavy influence on turnover and volatility supports the view that feelings influencing investor decision-making does not necessarily equate to feelings having an effect on equity prices.
Key Words Weather Effect Seasonal Affective Disorder Stock Market Behavioral Finance