我国沪、深两市证券市场“羊群效应”的实证研究

傅亚平,王玉洁,张 鹏

0 引言

理论界普遍认为羊群行为(herd behavior)通常指在不完全信息环境下，经济主体因受其他人行动的影响而模仿他人行动的决策行为。Baerjee(1992)定义羊群效应为即每个人只是关注于自己眼下的事情。Prechter and Parker(2007)认为证券定价的不确定性可能引起羊群效应。Kultti and Miettinen(2006)建立了一个标准的序列决定模型，他们提出如果前人活动的信息成本非常高昂，则所有的代理人将会根据自己的信号做出反应，如果通过观察得到的信息成本是免费的，则将会出现羊群效应。当面对金融危机的恐慌，投资者可能并没有足够的时间从各种繁冗的数据中去收集和分析重要的信息，因此投资者面对金融恐慌时可能更易于出现羊群效应。

相对于中国证券市场在整个世界范围内的重要性而已，对于中国证券市场的研究尤其是关于羊群效应的研究较少。李平、曾勇（2004）在序贯交易的框架内用一个简单的模型分析了证券市场上的非理性交易行为怎样引起交易者之间的羊群行为。研究结论表明:若证券市场上所有的参与者完全理性且风险中性,则市场上不会出现羊群交易行为;相反,即便在一维不确定性下,交易者的非理性交易行为可能引起羊群效应。刘文虎（2009）结合Malmquist指数测度模型,给出了测度股市羊群效应的模型;并以电子、信息技术、交通运输和批发零售行业上市公司2006～2008年股市数据进行实证分析,结果表明:我国股票市场羊群效应明显存在,并且不同行业股票的羊群效应指数不同。

1 方法和数据

1.1 羊群效应检测

Christie and Huang(1995)and Chang et al(2000)提出这样的观点，他们认为投资者的在市场高度波动的条件下会产生羊群效应。当羊群效应产生时，单个股票的收益率收敛于整个市场的整体收益率。因此，羊群效应的结果即为单个股票的收益率与市场整体指数收益率的偏差，本文利用两种不同的方法来测度这种偏差，即CSSD法和CSAD法，来辨别羊群效应。

横截面标准差CSSD法由Christie and Huang(1995)提出：

Chang et al(2000)定义横截面绝对离差CSAD:

本文中，Ri,t是单个股票在时期t内的收益率；Rm,t是整个市场指数在同样的时期t内的收益率；Nt是时期t内证券市场中的股票数量；上海证券市场和深圳证券市场在时期t的阶段中分别拥有它们自己的CSSD和CSAD值。上海证券综合指数和深圳证券综合指数分别用作对上海证券市场和深圳证券市场指数的代替。

一般说来，羊群效应将会在市场压力下更显著，即

如果整个市场在时期t内的收益率都坐落于收益率分布的上尾，则如果整个市场在时期t内的收益率都坐落于收益率分布的下尾，则本文运用5%的置信度来定义市场上行和下行最大程度。如果羊群效应显现，CSSDt将会在市场的压力下更小。因此β1和β2的数据为负时表明统计意义上显著，是羊群效应出现的特征。

如果单个投资者是理性的，投资者的资产应该相对于整个市场的收益率有不同的敏感性。所以，β1和β2的值应该为0，或者非显著的为正值或负值，证明了理性的模型是适用的。Chang et al(2000)认为方程（3）中模型需要定义什么是市场的压力，同时他们提出了一个非线性的关系关于CSAD和市场的整体收益率如下：

假如羊群效应显现，则γ2将会显著的为负。

Gleason et al.(2004)认为方程(3)和方程(4)中的因变量应该被互换，并列为下例方程：

为了检验周转率效应对羊群效应的影响，本文定义高周转率的标准离差HTSD，低周转率的标准离差LTSD，高周转率的绝对离差HTAD和低周转率的绝对离差LTAD如下：

在时期t内，Ri是单个股票i的收益率，Rm,t是证券市场的收益率，当股票的周转率高于市场的平均值，则该股票被分类为高周转率股Rh,t；否则，当股票的周转率低于市场的平均值，则该股票被分类为高周转率股Rl,t。Nt代表时期t内所有股票的数量。上海证券市场和深圳证券市场每个月都有其自身的四种羊群效应检测，HTSD，LTSD，HTAD和LTAD。为了证明周转率效应对羊群效应的影响，本文采用这四种检测方法进行检验。

1.2 羊群效应假设

本文假定低周转率的股票将会有更大的可能产生羊群效应，HTSD和HTAD被用来检测高市场周转率的股票偏离市场整体收益率的程度；LTSD和LTAD被用来检测低周转率的股票偏离整体市场周转率的程度。基于Gregroriou and Ioannidis(2006)的描述，低市场周转率的股票缺少足够的信息，将会导致低周转率的股票相对于高市场周转率的股票更加趋向于出现羊群效应。相对于整体市场的平均收益，较低的偏离程度意味着更大的可能出现羊群效应。

假设1：HTSD(HTAD)的平均值将会显著的高于LTSD（LTAD）。羊群效应也可以看做是信息的传播，在市场的极度情形下，噪音交易者并不知道新信息的价值，因此他们需要在短时期内做决定，所以市场将会出现羊群效应。为了检验羊群效应和证券转化率对羊群效应的影响，我们将运用回归模型方程（11）和方程（12）。这两个方程与方程（3）和方程（4）一致。但是自变量Y被定义为羊群效应的测量值：CSSD，CSAD，HTSD，LTSD，HTAD，LTAD。

本文假设市场收益率的上尾和下尾的分布概率均为5%，与Christie and Huang(1995)and Chang et al(2000)的回归模型一样，系数β1，β2和γ2被用来检验羊群效应，如果中国证券市场在极限的市场情况下出现了羊群效应，则CSSD和CSAD的观测值将会变小，这意味着β1，β2和γ2将会显著的呈现负值。显著负的β1意味着投资者在上行的市场环境下存在着羊群效应。显著负的β2意味着投资者在下行的市场环境下存在着羊群效应。显著负的γ2意味着投资者在剧烈的上行和下行市场下都会出现羊群效应。

假设2：如果当自变量为CSSD和CSAD时，β1，β2和γ2显著的为负值。中国证券市场中将会出现羊群效应。

1.3 周转率效应假设

为了证明周转率效应，样本基于每个证券市场中的股票的周转率值被分为两组，即上海和深圳。HTSD，LTSD，HTAD和LTAD将会被逐月检测。如果周转率效应显现，则LTSD和LTAD的值在剧烈的市场变化情况下将会变的非常小。同时，HTSD和HTAD的值在剧烈的市场变化情况下将会变的非常小。这意味着当自变量为LTSD或LTAD时 β1、β2和 γ2将会显著的呈现负值；同时 β1、β2和γ2在自变量为HTSD或HTAD时不会显著的呈现负值。

假设3：如果“周转率”效应存在，则仅当自变量为LTSD或LTAD时，β1、β2和γ2会显著的呈现负值。

1.4 非对称反应

根据Christie and Huang(1995)and Chang et al(2000)的研究成果，市场对于利好消息和利空消息的反应将会相反；如果离散程度在上行市场中要高于下行市场，这是由于投资者对于在下行市场中的变化更加敏感。Christie and Huang(1995)利用了β1、β2的不同程度来测量市场的非对称反应，β1、β2被方程（11）来检验，并且自变量Y被定义为偏离程度的测量值：CSSD，CSAD，HTSD，LTSD，HTAD，LTAD。

方程(13)中每个月的数据Rm,t要大于或等于0，意味着上行的市场情形。方程(13)中每个月数据Rm,t要小于或等于0，意味着下行的市场情形。

假设4：如果原假设β1-β2=0被拒绝，则在上行和下行的市场情形下将会出现非对称的出现羊群效应。

2 实证结果

2.1 数据样本

本文提取从2005年1月到2011年6月期间中国上市公司的月度数据，其中同时包含了市场上行和下行的不同行情。

表1 上海证券市场和深圳证券市场的统计数据

表1说明了深圳证券市场的平均收益率为1.77%，要高于上海证券市场的收益率1.456%。深圳证券市场的高额收益率也伴随着高的风险。在样本的66个月度的期间，上海证券市场有40个月的市场收益率要高于0，而对深圳市场来说，有41个月的市场收益率要高于0。深圳证券市场的均值和标准差的测量值CSSD、HTSD、LTSD都高于上海证券市场。深圳证券市场的均值和标准差的测量值CSAD、HTAD、LTAD均接近于上海证券市场。

表1也表明了在上海和深圳两个证券市场中的绝对偏离程度的平均值AD都要高于SD。同时，在两个证券市场中HTSD和均值要高于LTSD的均值。在两个证券市场中HTAD和均值要高于LTAD的均值。上海证券市场中HTSD和LTSD的均值为0.032和0.019。上海证券市场HTSD和LTSD的平均值之差为0.013，T检验的值为2.01，在5%的置信度下显著。上海证券市场的HTAD和LTAD的平均值为0.114和0.087，上海证券市场HTAD和LTAD的平均值之差为0.027，T检验的值为3.34，在1%的置信度下显著。深圳证券市场中HTSD和LTSD的均值为0.059和0.019。深圳证券市场HTSD和LTSD的平均值之差为0.033，T检验的值为2.05，在5%的置信度下显著。深圳证券市场的HTAD和LTAD的平均值为0.032和0.019，深圳证券市场HTAD和LTAD的平均值之差为0.037，T检验的值为4.67，在1%的置信度下显著。以上的HTSD(HTAD)和LTSD(LTAD)之间的差别意味着低周转率的股票相对于市场的收益率的偏离程度较低，这也证明了假设1即低周转率的股票相对于高周转率的股票有更显著的趋势将会产生羊群效应。

2.2 利用上海证券市场的数据的羊群效应检验

表2 上海证券市场的羊群效应检验结果

表2中模型A表明了上海证券市场中不存在羊群效应，当不同的自变量被应用后，β1、β2系数并没有显著的为负，说明了单个股票的收益率并不收敛于整体市场的收益率。6个回归中的5个显示了正的β1系数值，上海证券市场在上行的市场情形中有高的离散程度。

表2中模型B显示了同样的结果，在上海证券市场中并没有出现羊群效应，γ2并没有显著的为负，这个结果说明了上海证券市场在剧烈的市场压力下将会产生羊群效应。当表2中的模型B用HTSD检验后，调整的R平方检验值为负。基于Greene(1993)的研究结果，这是因为X自变量和Y因变量的样本相关系数为0，但是当太多的自变量加入到回归模型后将会产生负的调整的R平方检验值。

2.3 利用深圳证券市场的数据的羊群效应检验

表3 深圳证券市场的羊群效应检验结果

表3中模型A表明了深圳证券市场中不存在羊群效应，当不同的自变量被应用后，β1、β2系数并没有显著的为负，说明了单个股票的收益率并不收敛于整体市场的收益率。6个回归中的1个显示了正的β1系数值，深圳证券市场中的低转换率股票在上行的市场情形中有高的离散程度。

表3中模型B显示了同样的结果，在深圳证券市场中并没有出现羊群效应，γ2并没有显著的为负，这个结果说明了深圳证券市场在剧烈的市场压力下将会产生羊群效应。

当表3中的模型B用HTSD检验后，调整的R平方检验值为负。基于Greene(1993)的研究结果，这是因为X自变量和Y因变量的样本相关系数为0，但是当太多的自变量加入到回归模型后将会产生负的调整的R平方检验值。本文中3.2和3.3中的结论说明了之前假设2并不被很好的支持，这说明了中国的证券市场中并不明显的存在羊群效应。

2.4 转换率对羊群效应的影响

为了评价转换率对羊群行为的影响，我们检验假设3，以观察当因变量为LTSD或LTAD时 β1、β2和 γ2显著为负。结论部分的支持了转换率效应对羊群效应的影响。从表2和表3的数据中，我们可以发现β1、β2和γ2并不显著为负，转换率效应并没有在所有的样本中显现。我们更进一步分析，在这两个表中样本被分为上行（市场整体收益率为正）的样本，和下行（市场整体收益率为负）的样本，例如上海证券市场中，有40个月的市场收益率大于0，它们为上行的市场情形。在上行市场中，最大的市场收益率为27.4%最低的市场收益率为0.19%。在上海的下行市场中，收益率范围为-0.06%到-23.6%。而在深圳证券市场中，有41个月的市场收益率大于0，它们为上行的市场情形。在上行市场中，最大的市场收益率为28.9%最低的市场收益率为0.36%。在下行市场中，收益率范围为-0.58%到-23.4%。系数γ2,down为-3.47，显著的为负，低的转换率的股票显示了深圳证券市场中当市场剧烈波动时存在显著的羊群效应的趋势。

3 结论和建议

本文的实证结果显示中国上海、深圳证券市场中的羊群效应都不是非常明显，但仍然得到了一些有趣的发现，证明了在下行市场的情形中低转换率的证券比高转换率的证券更趋向于出现羊群效应，而且低转手率的证券在越剧烈的下行市场中越会出现明显的羊群行为的趋势。这种羊群行为容易给下跌的股市推波助澜，尤其是在经济形势不明朗的时候，会形成更剧烈的一波下跌，从而形成股市崩盘。而股市崩盘会给投资者、企业带来巨大的经济损失，并给国家经济带来不稳定的因素。基于以上本文的实证分析结果，我们认为：一方面，我国应该建立良好的信息传递机制以督促上市公司为投资者们提供迅速和完整的信息，从而达到减少下行市场的投资者们盲目羊群行为的目的；另一方面，由于在下行的市场中低转换率的证券比高转换率的证券更容易出现羊群效应，监管部门对低转换率的证券应该实行更加严格的要求。通过以上两个方面的步骤来进一步规范证券市场，提高我国证券市场的成熟程度，以减少羊群效应，保持我国股票市场的平稳运行。

[1] Banerjee,A.A Simple Model of Herd Behavior[J].Quarterly Journal of Economics,1992,107(3).

[2] Prechter,R.,W.Parker.The Financial/economic Dichotomy in Social Behavioral Dynamics:Socionomic Perspective[J].Journal of Behavior⁃al Finance,2007,8(2).

[3] Kultti,K.,P.Miettinen.Herding with Costly Information[J].Internation⁃al Game Theory Review,2006,8(1).

[4] 李平,曾勇.基于非理性行为的羊群效应分析:一个简单模型[J].中国管理科学,2004,(3).

[5] 刘文虎.基于Malmquist指数的中国股市羊群效应测度研究[J].中国证券市场导报,2009,(8).

[6] Gregroriou,A.,C.Ioannidis.Information Costs and Liquidity Effects from Changes in the FTSE 100 Lits.[J].The European Journal of Fi⁃nance,2006,12(4).

[7] Greene,W.H.Econometric Analysis[M].New Jessey:Prentice-Hall Inc.,1993.