当前位置:首页 >> 农林牧渔 >>

深圳股市收益率及其波动性与交易量关系的经验分析


深圳股市收益率及其波动性与交易量关系的经验分析
戴晓凤 张清海

文章摘要:本文检验了涨跌停板实施后的中国深圳成份指数的收益率及其波动性与交易量之
间的关系。结果发现,第一、只存在从收益率到交易量的格兰杰因果关系,证实了我们通常所认为 的“价随量涨”是错误的。第二、验证了混合分布假说(MDH)在深市的成立。但与国外相关研究 不同的是,仅以交易量作为到达市场的信息的替代变量,MDH 理论并不成立。而把交易量分解成 非预期和预期两部分时,发现两者都对收益率的波动性有显著的影响,减少了波动性持久现象,说 明 MDH 理论在我国深市仍然是成立的。

关键词:收益率 交易量 格兰杰因果关系 混合分布假说 波动性持久

Trade volume and Return-volatility relationship on the Shenzhen stock market: an empirical analysis Abstract This article examines the relationship between the trade volume and return-volatility of Shenzhen component index after the implementation of limit up or down. We got two conclusions. First, there only exists Granger Causality from return to trade volume, which verified that the commonly believed “trade volume makes price move” is wrong. Second, the mixture of distribution hypothesis (MDH) is held on Shenzhen stock market. Different from the relative researches abroad, MDH is not held if the trade volumes are use as substitution variable of information that reached the market. However, both two parts have significant influence to the volatility of return when we divide the trade volume into expected and non-expected ones, which reduced the volatility persistence, and demonstrated that MDH is held on Shenzhen stock market. Keywords: Return; Trade volume; Granger Causality; Mixture of distribution hypothesis; Volatility persistence

1.引言:股市收益率及其波动性与交易量的关系问题
交易量是衡量市场运行特征的有效变量。 华尔街流传着一句名言: 价随量涨 (It takes volume to make price move) 。意思是说,交易量的变化会引起价格的变化,即存在着由交易量变化导致价格变 化的因果导向关系。 当到达市场的信息增加时, 投资者会根据自己对未来的预期来调整自己的投资, 引起市场交易量的增加,从而导致价格的变化。Epps 和 Epps(1976)在分析混合分布模型时,将
1

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

交易量作为一个测度交易者依据新信息重新修正其预定价格的不一致性程度的变量,检验发现交易 者之间的不致性程度越大时,交易量越大,交易量与股票收益波动性间存在正向因果关系。 但是,大量的研究表明交易量与价格变动之间的正因果关系并不总是存在。Copeland(1976) 和 Jennings(1981)通过一个信息连续到达模型检验发现,股价变化与交易量存在双向因果关系。 Karpoff(1987)认为,对于华尔街所称的“价随量涨” ,任何一个人都可以提出质疑。Hiemstra 和 Jones(1994)采用线性和非线性因果关系的模型,不仅发现有从道琼斯股票收益到 NYSE 交易量的 单向线性因果关系,也证明两者之间存在双向的非线性因果关系。而 Gallan 等(1992)以每日 S& P500 指数收益与 NYSE 交易量的数据分析发现, 收益率与交易量存在非线性因果关系, 同时也存在 微弱的从交易量到收益率的因果关系。由此可见,交易量与收益率之间的关系并不是很明朗,有待 进一步检验。 在一般的分析中,都假定收益率满足正态分布,但金融市场的资产收益并不总是满足正态分 布条件,经常表现出尖峰厚尾,并且有着波动性聚集和波动性持久的现象。如果采用传统的计量方 法来分析这种情况,其结果的有效性就值得怀疑。正因为如此,Engle 在 1982 年最早提出自回归条 件异方差(ARCH)模型来分析资产收益率的异方差问题,随后逐渐发展形成了一个大的 ARCH 模 型簇,如广义 ARCH(GARCH) 、指数广义 ARCH(EGARCH)等等。这对于精确认识资产收益率 的波动性有极大的帮助作用。GARCH(p,q)模型的一般形式为,

ht = c + ∑α i ε t ?i + ∑ β
2 i =1 j =1

q

p

j

h

t? j

(1)

虽然 GARCH 模型在模拟股票市场的收益率时表现其优越性,但并没有公认的经济学原理可 以解释收益率的条件方差的自回归效应是如何形成的,即什么原因导致 GARCH 效应的产生。从现 有的分析来看,一个可能的理论解释就是混合分布假说(mixture of distribution hypothesis,MDH) , 这是由 Clacrk(1973)、Epps 和 Epps(1976) 、Tauchea 和 Pitts(1983)、Lamoureux 和 Lastraps(1990)不 断研究发展而来的。根据 MDH 观点,一个序列相关的可测度到达市场的信息流速度的混合变量可 以解释收益率的 GARCH 效应。GARCH 效应的产生是因为到达股票市场的信息流是随时间而变化 的,并且这些到达市场的信息是序列相关的。当越多的信息到达市场时,投资者对信息的效应的解 释就越不同, 投资者越会根据自己对未来的预期来进行交易。 但由于到达市场的信息的不可观测性, 不可衡量性, 因此采用交易量 (V) 作为其替代变量来分析 GARCH 效应 (Andersen,1996; Lamoureux 和 Lastraps,1990) 。其标准形式为,

2

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

ht = c + ∑α i ε t ?i + ∑ β
2 i =1 j =1

q

p

j

h

t? j

+ φv

(2)

大量的实证研究表明当把交易量包含在 GARCH 模型中时, 波动性持久 (volatility persistence) ( (2)式中的

α

i

(i=1,2,3…q)和

β

j

(j=1,2,3…p)系数之和越接近于 1 时,波动性持久现象越严

重)现象会降低甚至彻底消失,而交易量的系数 φ 是显著的,验证了 MDH 理论的成立,即表明到 达市场的序列相关的信息导致了收益率的自回归条件异方差现象的产生。从检验结果来看,对发达 国家股市的分析都支持了这一观点。而对于发展中国家的股市来说,Martin T.Bohl 等(2003)对波 兰股市,Chong Soo Pyun 等(2000)对韩国股市,Izani 和 Yaccob(2000)对吉隆坡股市进行检验, 结果也都验证 MDH 理论的成立。 我国股市是个新兴市场,在股票发行、交易机制、投资者结构等其它市场微观结构方面都有 自己的独特性。本文基于我国的现实情况,在借鉴西方学者对股票交易量的研究方法上,以经验分 析的方法来验证交易量在我国深圳股市当中所起的作用,是否展现出与其它市场不同的特征。本文 着重分析两方面,一方面即股市收益率与交易量之间的因果关系检验,验证究竟是收益率引起交易 量的变化,还是交易量的变化引起了收益率的变化,或者两者互为影响。另一方面即是根据 MDH 原理,以交易量作为到达市场的信息的替代变量,检验 MDH 理论在深圳市场是否成立,股市收益 率的波动性持久是否是由序列相关的到达市场的信息流所导致的,其影响程度怎样。 本文的结构如下:第二部分为数据来源及初步处理;第三部分为收益率与交易量的因果关系 检验;第四部分验证 MDH 理论是否在我国深市成立;最后为全文总结。

2.数据来源及初步处理
本文的分析样本为深证成份指数,样本期间为 1996 年 12 月 16 日到 2004 年 12 月 31 日。样 本指数与样本时间选择的理由:第一,深证成份指数对深圳市场有很强的代表性,其包含的股票数 量一定,且个股交易活跃,市场对其认同程度高;第二,1996 年 12 月 16 日后我国实施 10%的涨跌 停板制度,为避免前后数据由于交易制度的不同而给结果带来不可比性,因此不取以前的数据;第 三,1996 年前的市场政策多变,市场扩容速度快,市场效率相对不高,这段时间内的数据有可能给 分析带来困难。数据来自于 KOO 证券分析系统,包括每天的收盘价及成份指数下的每天的交易总 量。 首先对数据进行初步处理。股票每日收益率采用对数差分形式, 每日收益率

R

t

= ln

p ? ln p
t

t ?1

(3)
3

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

Rt 的统计特征如下, Mean -0.00017 Median -0.000198 Std 0.017417 Skewness -0.1464 Kurtosis 8.615 J-B 2553.995 Prob 0.000

根据上述结果可知,Rt 的偏度为-0.1464,峰度为 8.615,深证股市收益率展现出尖峰厚尾特 征。测度收益率是否满足正态分布的 J-B 值为 2553.995,其伴随概率为 0.000,表明收益率不满足 正态分布。从其波动性图(如下图)可以发现,明显有着波动性聚集的现象,大的波动性紧接着一 个大的波动性, 而小的波动性紧接着一个小的波动性, 这也初步说明本文以 GARCH 建模的可行性。

0.10

0.05

0.00

-0.05

-0.10

-0.15 500 1000 Rt
本文的数据分析采用 Eviews 计量分析软件。

1500

3.收益率与交易量的因果关系的检验
3.1、模型选择 对于收益率与交易量的因果关系检验,通常是通过一个 VAR 模型来验证,其模型为,

Rt = α 0 + ∑α i Rt ?i + ∑ β
i =1 i =1

m

n

i

v

t ?i

+ε t

(4)

vt = α 0 + ∑γ
i =1

m

i

R t ? i + ∑δ i v t ? i +η
i =1

n

t

(5)

4

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

Rt、V 分别表示收益率变量和交易量变量。如果(5)式中的系数

γ

统计上显著,这就意味着
i

用过去的收益率以及过去的交易量来预测未来的交易量时,要比只用过去的交易量来预测未来的交 易量有更好的预测能力,这时就可以说收益率变化是交易量变化的原因。如果

γ

(i=0,1,2,3…,n)
i

=0,那么意味着过去的收益率并不能帮助预测未来的交易量变化,这时就称收益率不是交易量的格 兰杰原因;同理推知,如果(4)式中的 因;而如果

β

(i=0,1,2,3…,n)=0,交易量就不是收益率的格兰杰原
i

β


i

γ

都不等于零,则说明交易量与收益率之间存在双向的因果关系。至于如何检验
i

这些系数是否联合等于零,一般是通过构造一个 F 统计值来验证。 3.2、模型所要求的前提条件 在 VAR 模型处理之前,有两个准备工作要做。第一、由于交易量有时间趋势,需对交易量去 势,否则时间趋势会影响分析的结果;第二、VAR 模型要求模型中的变量是平稳的,因此需对收益 率 Rt 与交易量 V 进行平稳性检验。Gallaht 等(1992)和 Bong-Soo Lee 等(2002)认为,由于交易 量存在着线性和非线性的时间趋势,因此首先要除掉交易量的趋势问题,即去势(detrend) ,

lv

t

= α + βt + c t + ε t
2 t

(6) 就是去势后的交易量,定义为 DV,本文采

lv 为原始交易量数据的对数形式,方程中的 ε
t

用去势后的交易量来分析收益率与交易量之间的关系,因此上面的式(4)和式(5)中的 V 都替换 为 DV。 接着采用两种检验单位根的方法来检验收益率和去势后的交易量的平稳性:ADF 和 PP 检验 法。之所以除了采用 ADF 检验外,还采用 PP 检验法,是因为 PP 检验法对大范围的序列相关和依 赖时间的异方差问题的检验更具有稳健性(robustness) (Bong-Soo Lee 等,2002) 。结果如下, ADF Rt DV
1

PP1 -43.75(-1.939) -10.759(-1.939)
2

PP2 -43.739(-2.864) -10.7567(-2.864)
3

PP3 -43.736(-3.415) -10.7535(-3.415)

-21.134(-1.94) -7.778(-2.863)

PP 代表采用了无趋势无截距的 PP 检验法,PP 指有截距、无趋势,PP 指有截距、有趋势。括号内的值为 5%的显 著性水平下的临界值。

从表中可以看出, ADF 和 PP 检验法所检验的统计量都小于其临界值, 表明 Rt 和 DV 是平稳的, 满足 VAR 建模的前提条件。 3.3、实证结果及分析 当 VAR 模型的前提条件都满足时,此时根据 AIC(Akaike information criteria) ,SC(Schwarz
5

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

criteria)统计量指标,来决定 VAR 模型的最优滞后项。结果发现,当到滞后 11 项时 AIC 指标达到最 小, AIC=-5.34219, 这时整体模型的对数似然值为 5195.87。 而在模型取滞后 3 项时 SC 指标值最小, SC=-5.2603,整体模型的对数似然值为 5144.97。按照易丹辉(2003,P171)所介绍的方法,通过 构造一个似然比(IR)函数,来决定究竟模型选择多少滞后项时整体效果最好。构造的似然比函数 (LR)为,

LR = ?2 * ( L p ? LQ )

(7)

其中 LP 和 LQ 分别表示滞后项为 P 和滞后项为 Q 时整体模型的对数似然函数值。在原假设(滞 后项取 P)条件下,该统计量有渐近的

χ

2

分布,自由度为从 VAR(P)到 VAR(Q)对模型参数

施加的零约束个数。如果计算得出的伴随概率小于 0.05,则拒绝原假设,接受备择假设。从本文的 数据来看,选择滞后 3 项为原假设,滞后 11 项为备择假设,计算得知自由度为 32(该自由度这样 计算而得:两个方程,各滞后 11 项和 3 项,再加一个常数项,因此等于 2*23-2*7) 。检验得知伴随 概率为 3.35*10-9,远小于 0.05,因此应拒绝原假设,接受备择假设,取滞后项为 11 的模型来估计 收益率与交易量之间的因果关系。 最后,根据上面所确定的最优最后项,构造一个标准的 F 统计值来分析收益率与交易量之间 的格兰杰因果关系,结果为, Null Hypothesis DV does not Granger Cause Rt Rt does not Granger Cause DV Obs 1928 1928 F-Statistic 1.75799 16.5124 Probability 0.05615 0.00000

从伴随概率来看,原假设为“DV 不是 Rt 的格兰杰原因”的伴随概率为 0.05615,大于 0.05, 这时接受原假设,表明 DV 不是 Rt 的格兰杰原因,交易量的变化并不影响收益率的变化;而对于上 表的第三行,原假设为“Rt 不是 DV 的格兰杰原因”的伴随概率为 0.000,此时应拒绝原假设,接 受备择假设,即收益率是交易量的格兰杰原因。总之,检验表明存在从收益率 Rt 到交易量 DV 的因 果关系,收益率是交易量的格兰杰原因,但不存在从交易量到收益率的因果关系,这与 Hiemstra 和 Jones(1994)的分析结果一致。因此,股票市场中通常所称谓的“价随量涨”规则在深圳市场上并 不成立。

4.MDH 检验
根据 MDH 观点, 一个序列相关的可测度到达市场的信息流速度的混合变量可以解释收益率的 GARCH 效应。GARCH 效应的产生是因为到达股票市场的信息流是随时间而变化的,并且这些到
6

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

达市场的信息是序列相关的。由于到达市场的信息的不可观测性,不可衡量性,因此采用交易量作 为其替代变量来分析。相关研究也证明了 MDH 理论的成立。现以深圳股市为研究对象,检验收益 率的波动性与交易量之间的关系,是否 MDH 理论在我国深市成立。 4.1、前提条件 从上面的 MDH 理论来看, 一个基本的要求就是信息流是序列相关的, 那么作为其替代变量的 交易量也要求是序列相关的,并且是平稳的。如果交易量不满足这些条件,那么得出的检验结果都 是无效的。因此,在验证 MDH 前首先需对交易量进行平稳性和序列相关检验。从上一节已经得知 去势后的交易量(DV)是平稳的,现只对 DV 做序列相关检验。本文采用 Ljung-Box 统计方法对其 进行检验。结果如下, 滞后阶数 Q 统计值 概率 1 1482.0 0.000 2 2745.3 0.000 5 5814.5 0.000 10 9517.6 0.000 15 12314 0.000 20 14418 0.000

从滞后的 1、2、5 直到 20 项的分析结果来看,变量 DV 存在很强的相关性,因此满足 MDH 的前提 条件。 4.2、检验过程及结果 在满足前提条件的情况下,现对深圳股市进行混合分布假说的检验。实证分析的步骤为,首 先对收益率序列进行处理,以保证残差序列不存在自相关现象,接着分析收益率的异方差问题。在 异方差方程的基础上, DV 变量加入到自回归条件异方差方程中, 把 分析不包含 DV 变量的 GARCH 模型与包含 DV 变量的 GARCH 模型的区别。如果包含 DV 变量的模型其波动性持久现象降低了, 就表明 MDH 理论的成立。 首先对收益率序列进行处理。为了保证收益率方程中的残差项无序列相关现象,经过多次分 析,最后采取 ARMA(3,1)模型对收益率进行模拟,结果为, Rt=0.44079ar(1)-0.0297ar(2)+0.0614ar(3)-0.4134ma(1)+ (3.42) (-1.21) (2.73)
t

u

t

(8) (括号内为 t 统计值)

(-3.18)

这时以 Ljung-Box 统计方法对残差项

u 进行序列相关检验,结果发现滞后 5、10、15、20 项

Q 统计值的伴随概率都大于 0.05,表明残差项不存在序列相关问题,模型拟合良好。 接着处理收益率的异方差问题。在金融市场中,对收益率的异方差问题的分析一般是采用 GARCH(1,1)模型,这是因为其能足够有效的分析异方差问题。本文也以 GARCH(1,1)来分

7

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

析收益率的异方差问题,检验结果如下, 方程 1(p=1,q=1) C 0.0000056(5.98) 0.104(13.85)
1

方程 2(p=1,q=1) 0.0000058(6.14) 0.104(13.78) 0.8785(138.71) -0.00000191(-1.64)

方程 9 0.0000679(10.40) 0.15(7.22) 0.598(16.55)

α β
φ

0.879(137.18)
1

φ φ

0.00000799(1.967)[0.0492]
1

0.000219(13.94)[0.000]
2

α +β
1

0.983
1

0.983

0.748

括号里的值为 t 统计值,方括号里的值为伴随概率。

从上表的第 2 列得知,

α

1



β

1

相加等于 0.983,接近于 1,说明我国股市的波动性持久现象

严重,现时期的波动性对以后很长一段时间内的波动性有影响。 而当把 DV 变量包含在 GARCH 模型中时,也就是方程(2)时,此时 p=1,q=1。从 t 值发 现,

α

1



β

1

的值仍然显著,且其和为 0.983,与没包含 DV 变量的 GARCH(1,1)模型的结果

无差别。且从 t 统计值来看,变量 DV 的系数 φ 也不显著,这说明 MDH 在我国深市是不成立的。 DV 并不能有效的作为到达市场的信息的替代变量,对收益率的波动性持久现象不具有解释力。 那么原因何在呢?通过进一步分析,采用 Bong-Soo Lee 等(2002)的分析方法,以收益率的 波动性(以(8)式的残差的平方作为收益率波动性的替代变量) 、收益率、去势后的交易量作为变 量,采用 VAR 的方法把交易量分解成非预期的交易量和预期的交易量两部分。至于把交易量分解 成非预期部分和预期部分,有赵留彦、王一鸣(2003)采用交易量和收益率两变量来构造 VAR 体 系的方法,陈怡玲、宋逢明(2000)和李双成、王春峰(2003)采用 ARMA 技术来处理非预期和 预期的交易量部分。本文之所以采用收益率、收益率的波动性、去势后的交易量作为 VAR 分析的 对象,是因为这三者存在动态的、不可分割的关系,并且 VAR 也不强求变量的内生性和外生性问 题,可以有效的抓住这些变量之间的相关信息。在 VAR 分析过程中,按照第三部分选择滞后项的 方法,最后取滞后 11 项时模型的整体效果最好,这时把 VAR 向量中的 DV 变量的残差作为非预期 的交易量部分(定义为 FDV) ,而交易量 DV 与非预期交易量(FDV)之差就是预期的交易量部分
8

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

(定义为 YDV) (为了篇幅简洁,交易量拆分的 VAR 模型的结果在此省略) 。当把交易量拆分成非 预期部分和预期部分后,此时包含非预期交易量(FDV)和预期的交易量(YDV)的 GARCH(1,1) 模型为,

h

t

= c + α 1ε t ?1 + β
2

1

h

t ?1

+ φ YDV + φ FDV
1 2

(9)

这时在 (9) 式的情况下分析 MDH 理论。 从上表的第四列的结果发现,

α

1



β

1

之和为 0.748,

与前面的 0.983 相比,波动性持久降低了,降低了约 24%。并且非预期交易量(FDV)和预期交易 量(YDV)的参数也都显著了,虽然预期交易量的系数的 t 统计值的伴随概率为 0.0492,与 5%只 相差一点点,但毕竟是显著的。因此可以说 MDH 理论在我国深市仍是成立的。但相对于发达国家 而言,我国深市展现出其特殊性,一方面,如果仅以交易量来检验 MDH 理论的话,MDH 理论在我 国是不成立的;而另一方面,当把交易量拆分成预期和非预期两部分后都显著了,都对收益率的波 动性有影响。这跟赵留彦、王一鸣(2003)的实证结果有点差别,他们检验得出只有非预期部分对 收益率的波动性有影响,而预期部分仍然不显著。但与陈怡玲、宋逢明(2000)和李双成、王春峰 (2003)的结果相一致,这两篇文章检验发现预期的和非预期的交易量都对收益率的波动性有显著 影响。 4.3、实证结果的分析 在未把深市的交易量分解成预期和非预期两部分时,为什么交易量就不能作为到达市场的信 息的替代变量呢?对于这种实证结果的出现,我们认为有以下理由:第一、我国的投资者大部分为 中小投资者,在信息的搜集、处理、提取有用信息方面能力相对不足,为所谓的噪声交易者,在市 场上表现出一定程度的羊群行为(孙培源、施东晖,2002) ,追涨杀跌,无一定交易策略,表现出 无理性。陈浩(2004)通过对沪深两市的投资基金的羊群行为的检验,发现我国股市的羊群行为约 是美国的 3 倍,羊群行为导致了交易者交易行为的趋同性,导致交易量中所包含的信息成分单一, 信息含量的不充足性;第二、我国股市不存在做空机制,当市场出现不利于投资者情况时,投资者 不能采取相应方式来进行逆向操作,交易信息并不能在市场中完全得到反映,从而交易量中并不包 括到达市场的所有信息,信息含量相对较少。 对于非预期的交易量部分(非预期的到达市场的信息)对我国收益率的波动性有很强的影响 (系数大小为 0.000219) 、而预期的交易量(系数大小为 0.00000799)虽然显著,但影响程度要小 很多的现象,我们认为可能与我国股市政策多变、缺乏连贯性有关。在我国股市发展过程中,利好 利空消息时有出现,非预期的因素较多,投资者对未来的预期缺乏确定性,表现出风险的加大,收

9

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

益率的波动性增加。而预期的交易量部分是正常到达市场信息的替代变量,属于投资者可预测的范 围之内,预期的基本因素的变化通常不导致价格变化,因为高信息含量的价格通常已经反映了所有 目前可获得的关于未来价值的信息(刘逖,2002) ,但在我国市场中仍然对波动性有影响,这可能 跟我国的投资者行为有关,对到达市场的信息的反应程度不一样,如表现出反应不足和反应过度, 使本来属正常预期范围内的信息也对收益率产生重大影响。刘少波等(2004)通过构造赢者组合和 输者组合,发现我国股市确实存在反应不足和反应过度现象。

5.结论
本文以经验分析的方法检验了交易量作为到达市场的信息的替代变量对市场的影响,分别验 证了深证成份指数的交易量与收益率之间的因果关系及交易量与收益率的波动性之间的关系。结果 发现,华尔街的格言“价随量涨”并不成立。在我国深圳股票市场,只存在着从股市收益率到交易 量的因果关系,收益率是交易量的格兰杰原因,并不存在有从交易量到收益率的因果关系。而对于 交易量与波动性之间的关系,验证了 MDH 理论在我国深市的成立。但与其它文献研究的结果不同 的是,去势后的交易量并不能有效的作为到达市场的信息的替代变量,包含交易量的 GARCH 模型 并没有表现出波动性持久降低的现象。当把交易量分解成非预期和预期的两部分时,非预期的交易 量和预期的交易量都具有统计上的显著性,收益率的波动性持久降低了。这跟我国股市政策多变、 市场结构、投资者行为是有关的,导致了交易量中所包含的信息量的单一和不足,不可预料事件对 投资者的投资行为有重大影响。

参考文献
1. 陈怡玲,宋逢明.,(200)《中国股市价格变动与交易量关系的实证研究》《管理科学学报》 , , ,第 6 期. 2. 孙培源,施东晖.,(2002)《基于 CAPM 的中国股市羊群行为研究――兼与宋军,吴冲峰先生商 , 榷》《经济研究》 , ,第 2 期. 3. 赵留彦,王一鸣., 2003) ( , 《沪深股市交易量与收益及其波动性的相关性: 来自实证分析的证据》 , 《经济科学》 ,第 2 期. 4. 李双成,王春峰.,(2003)《中国股票市场量价关系的实证研究》《山西财经大学学报》 , , ,第 25 卷第 2 期. 5. 陈浩,(2004).,《中国股票市场机构投资者羊群行为实证研究》《南开经济研究》 , ,第 2 期.

10

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

6. 刘少波,尹筑嘉.,(2004)《沪市 A 股过度反应和反应不足的实证研究》《财经理论与实践》 , , , 第 25 卷第 128 期. 7. 易丹辉, 《数据分析与 Eviews 应用》 ,北京,中国统计出版社,2003. 8. 刘逖, 《证券市场微观结构理论与实践》 ,上海,复旦大学出版社,2002. 9. Andersen,T.G.(1996),“Return volatility and trading volume: an information flow interpretation of stochastic volatility”, Journal of Finance 51,169-204. 10. Bong-Soo Lee,Oliver M.Rui.,(2002),“The dynamic relationship between stock returns and

trading volume: domestic and cross-country evidence”, Journal of Banking &Finance 26,51-78. 11. Copeland,T.E.,(1976),“A model of asset trading under the assumption of sequential information

arrival”, Journal of Finance 31,1149-1168. 12. Chong Soo Pyuna, Sa Young Leeb, Kiseok Namc.,(2000),“Volatility and information flows in

emerging equity market: A case of the Korean stock exchange”, International Review of Financial Analysis 9,405-420. 13. Clark,P.,(1973), “A subordinated stochastic process model with finite variances for speculative

prices ”, Econometrica 41,135-155. 14. Epps,T.,Epps,M.(1976), “The stochastic dependence of security price changes and transaction

volumes: implications for the mixture of distributions hypothesis”, Econometrica 44,305-321. 15. Gallant,A.R.,Rossi,P.E.,Tauchen,G.,(1992), “Stock prices and volume”, Review of Financial

studies 5,199-242. 16. Hiemstra,C.,Jones,J.D.,(1994), “Testing for linear and nonlinear Granger causality in the stock

price-volume relation”, Journal of Finance 49,1639-1664. 17. Izani Ibrahim,Yaccob Othman.,(2000), “The relationship between trading volume,returns and

volatility in the Kuala Lumpur stock exchange”, www.pkukmweb.ukm.my/~fep/Izani-Yaccob.pdf. 18. Jennings,R.,Starks,L.,Fellingham,J.,(1981), “An equilibrium model of asset of trading with

sequential information arrival”, Journal of Finance 36,143-161. 19. Karpoff,J.M..,(1987), “The relation between price changes and trading volume: A survey”,

Journal of Financial and Quantitative Analysis 22,109-126. 20. Lamoureux,C.G.,&L\astrapes,W.D.(1990), “Heteroskedasticity in stock return data: volume

versus GARCH effects”, Journal of Finance 45,221-229.
11

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

21.

Martin T.Bohl,Harald Henke.,(2003), “Trading volume and stock market volatility: the Polish

case”, International Review of Financial Analysis 12,513-525. 22. Tauchen,G.,&Pitts,M.(1983), “The price variability-volume relationship on speculative markets”,

Econometrica 51,485-505.

12

PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn


相关文章:
中国证券投资基金交易与股票市场波动性关系实证研究
回归分析, 研究证券投资基金对于股票市场的相关 关系...基于已有 的关于成交量对于股市波动率预测的研究,...但在深圳市场股票对数收益率的波动比 基金波动明显...
股票交易量和股票收益率的相关性
最后利用 GARCH 模型对收益率的波动性进行拟合。 关键词:股票交易量;股票收益率;延时分析;Granger 因果关系检验;GARCH 模型 一、文献综述 股票市场在...
股票交易量对收益率波动影响的实证研究
2004)利用 20 只 深圳成分指数的成分股分析了 1998 年 1 月 5 日至 2002 年 9 月 27 日交易数据组成分析 本, 研究了交易量和股票收益率波 性之 的关系...
基于GARCH模型对上证指数日对数收益率的实证分析
在此基础上对中国股市收益率波动性特征进行了分析。...结果表明, 当采用不同的预测误差 统计量作预测模型...深圳证券交易所的成立, 中国股市在过去十多年的发展...
深圳股票市场成分指数的持续性分析
采用的就是这种方式, 在研究中使用持续性分析的方式对深圳成分指 数进行探索,对 T+1\T+0 制度为主的市场教育和股票关系进行分析, 同时对市场交易评价提供了新...
中国股票市场交易数据相关关系实证分析
研究股票成交量与股票收益率序列相关性的关系, ...与股市波动性之 间存在较强的正相关关系[3][...深圳证券交易 所数据开始于 1991 年 4 月 3...
股市波动性交易投资策略
股市波动性交易投资策略_调查/报告_表格/模板_应用文书...数据来源以上海证券交易及深圳证券交易所发布的行情...股市怎么做T 波动收益 T... 17页 1下载券 上班...
基于Garch模型对我国股票市场的经验分析
基于Garch模型对我国股票市场的经验分析_理学_高等教育...模型对比分析,并将其应用在深圳成分指数波动性的研究...交易量 变化率能明显削弱收益率条件方差的波动性,而...
我国沪深股市的波动性研究——基于GARCH模型-康秋霞
综 指深证成指的日收益率的波动进行了实证分析。...考察在现有的股票交易机制 下波动性产生的机理, ...因此选择此指标来研究深圳股市的波动性。 金融时间...
股票价格波动的研究
试抽取 5 只上海证券交 易所或深圳证券交易所的...II、问题分析 2.1 股票市场价格及其波动性研究意义...和增长率上的增长型周期,反映股市收益率序列的扩张...
更多相关标签: