基于上证指数数据股票市场周日效应实证研究

2012-09-26秦秀红

统计与决策 2012年12期

秦秀红

0 引言

有效市场假说首次在1965年被提出，该假说认为股票的价格已经充分包含了所有股市的相关信息，市场是有效的。在充分有效的市场上，所有投资者都同样能以较低的成本获得大量信息。因为在有效的市场上所有的信息都已反映在股票价格上，所以通过收集和分析股票价格信息是不能获得超常收益的。而从对股票市场实证研究的角度来看，在市场达到有效的状态下，证券价格是随机游走的，即不能通过已经完全公开的信息预测未来的收益率，也不能基于对过去价格行为的分析来预测价格的变化趋势。然而这一假说受到越来越多的置疑，其中之一就是在股票市场发现了股票收益率的周日效应的现象。这种现象有悖于有效市场假说的理论，同时也反映出股票收益的经济力量是非常复杂的。随着全球经济的发展，中国的股票市场也趋于完善，与国外的股票市场一样，中国的股市也出现各种有悖于有效市场假说的经济异象。其中股票收益率的周日效应是其中一个重要的异象。所谓的周日效应，是指股票收益率在一周中出现有规律的异常变化的现象。在以往的研究中发现，对于美国、英国、德国等欧美成熟股票市场，周日效应表现为负的周一效应和正的周五效应，且周五的收益率最高。而对于亚太地区的股票市场的研究，如对香港、台湾、马来西亚、菲律宾、澳大利亚、泰国等地区和国家的股票市场研究发现周日效应的结果有所不同，最低的收益率出现在周二。但从中也可以发现，不管在哪个市场，周日效应都是存在的。

本文从中国股市的角度出发，利用上证指数数据研究中国股票市场的有效性问题。这一讨论的意义在于，中国股市市场是一个新兴的市场，其特殊性和独立性很可能使得中国股市市场的周日效应与其他国家和地区不同。即使中国股票市场有着与其他国家和地区的股票市场相同的表现和行为，也能够使我们更深入透彻地了解股票的周日效应。

1 基于GARCH模型股市周日效应分析

1.1 GARCH模型的基本原理

Engle在1982年提出ARCH模型分析时间序列的异方差性以后，GARCH模型是一个专门针对金融数据量体订做的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。特别适用于波动性的分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用，其意义很多时候超过了对数值本身的分析和预测。一般的GARCH模型可以表示为：

式（1）中，ht为条件方差，ut为独立同分布的随机变量，ht与ut互相独立，ut为标准正态分布。其中，第一个公式称为条件均值方程；第三个公式称为条件方差方程，说明时间序列条件方差的变化特征。

由于GARCH(p,q)模型是ARCH模型的扩展，因此GARCH(p,q)同样具有ARCH(q)模型的特点。但GARCH模型的条件方差不仅是滞后残差平方的线性函数，而且是滞后条件方差的线性函数。GARCH模型在计算量不大时，可以方便地描述高阶的ARCH过程，因而具有更大的适用性。但GARCH(p,q)模型在应用于资产定价方面也存在一些问题。

1.2 基于GARCH模型股市周日效应分析

在以往的研究中，对于比较成熟的股市市场，呈现较明显的负的周一效应和正的周五效应，且周五的收益率最高。而对于我国现阶段的股市情况如何，本文将通过简单的描述统计以及GARCH模型检验来分析，同时检验我国的股市是否存在周日效应，以及存在怎样的周日效应。在接下来的分析中，采用以下模型研究我国股市的周日效应：

其中，

式（2）中，参数 ϕ1，ϕ2，ϕ3，ϕ4，ϕ5的估计分别是周一、周二、周三、周四、周五收益率均值的估计。

2 实证验证

2.1 样本选择与数据来源

本文选用上证指数(上证指数的各项数据来自于大智慧软件)为研究对象，样本数据区间为2006年1月4日到2010年12月31日。将样本按照牛市、熊市和震荡期分为三组来进行分析。分组的标准如下：牛市时期，大部分股价会出现持续的上涨，在这种背景下，个股涨的天数一般大于下跌的天数，即个股上涨三到四天或者更多天数后因技术调整要求而出现一到两天的下跌，然后进一步上涨，同时大盘每天都有一定数量的涨停个股，很少见到有跌停的个股。熊市时期，与上面正好相反，大部分股价会出现持续的下跌，在这种背景下，个股跌的天数一般大于涨的天数，即个股下跌两三天或更多天数后因技术调整要求而出现一到两天的上涨，然后进一步下跌，同时大盘经常出现一定数量的跌停个股，而涨停个股只有少数几个或者根本没有。

从资金面上看，牛市时不断有新的资金进入，比如我们可以不时听到有多少亿资金将进入股市，又有多少亿资金将解冻后进入股市，另外每天的新开户数都在三十万以上，相当于每天有上百亿资金进入股市，在资金的持续推动下股指越涨越高。应该说所有的牛市主要都是资金推动型的牛市，一旦资金断链，牛市的格局就结束，这时不管国家的经济如何，也不管企业的赢利如何。只要出现资金断链，牛市的格局就结束。而熊市时就是资金无法供给从而造成断链。利用以上方法及标准可以发现样本区间呈明显牛市、熊市和震荡期。而各期时股民们的心理会有很大的区别，所以研究时将样本数据按此方法及标准划分为牛市、熊市和震荡期三组。其中牛市时期为2006年1月4日至2008年1月17日和2009年3月9日至2009年7月27日两个时间段；熊市时期为2008年1月18日至2009年3月6日；震荡期时期为2009年7月28日至2010年12月31日。

2.2 描述统计分析

表1和表2报告了2006年1月4日到2010年12月31日上证指数周日效应的描述统计结果。表1是将整个数据样本作为一个整体进行统计分析，表2是将数据样本以牛市、熊市、震荡期进行分组来进行统计分析。其中都包括各交易日收益率的均值以及标准差。

表1 收益率简单描述统计分析表—整体样本

从表1的结果可以初步判断上海股市可能存在周日效应。

从均值上看，周一为0.1824%，周二为-0.0978%，周三为0.0747%，周四为-0.0271%，周五为0.0254%。从标准差上看，周一为1.07859，周二为0.82024，周三为0.87334，周四为0.84107，周五为0.80117。均值中，周一的均值为正，且最高；周二周四的收益率均值均为负，这与以往对中国股市的分析相吻合；周五的收益率也为正，但并不是最高。方差上，周一的方差最大，这也说明了周一的风险最大，其他各交易日的风险从数值上相差不大。

从以上的分析结果来看，可以基本上得出我国上海股市存在周一的收益率最高，周二的收益率最低这种周日效应分布情况。

表2 收益率简单描述统计分析表—分组样本

表2的结果要根据各时期不同的牛熊市情况来分别分析。

在牛市时期，从均值上看，周一为0.3681%，周二为0.1268%，周三为0.0953%，周四为-0.0165%，周五为0.0777%。方差上，周一为0.89477，周二为0.72055，周三为0.75621，周四为0.83923，周五为0.7712。从结果可以看出，在牛市时期，除了星期四的收益率均值为负数之外，其他各交易日的收益率的均值都为正数，周一的收益率同样为最高的。同时可以看出，虽然周一的风险在数值上最高，但相对而言，在牛市时期，各交易日的风险都相对较小。

在熊市时期，从均值上看，周一为-0.1043%，周二为-0.5301%，周三为0.1778%，周四为-0.1493%，周五为-0.0679%。从方差上看，周一为1.54912，周二为1.07167，周三为1.24513,周四为1.10236，周五为1.10224。从结果可以看出，在熊市时期，除了星期三，其他各交易日的收益率都为负数，且一周内各交易日的风险都比牛市要高出很多。同时，周二的收益率最低，周一的风险最大。

在震荡期时期，各交易日在均值上的表现为周一为0.0920%，周二为-0.1382%，周三为-0.0716%，周四为-0.0132%，周五为0.0104%。在方差上表现为周一为0.88540，周二为0.64429，周三为0.66947，周四为0.66872，周五为0.70240。从结果可以看出，在震荡时期，周一的收益率为正且最高，但周一的最高收益率并不如牛市那么显著。同样周二的收益率为负，且最低。

总结以上结果可以初步得出，在牛市时期，存在正的周一效应，周一的收益率最高，且周一的风险最大。在熊市时期，各交易日的收益率都不理想，其中周二的收益率最低，且各交易日的风险相对都较高，同样，周一的风险最高。在震荡期时期，周一的收益率最高，且周二的收益率最低，周一的风险最高。

2.3 GARCH模型的估计

由简单描述统计分析可知，我国上海的股票市场可能会存在周日效应。而且由前文的理论介绍可知，采用包含虚拟变量的GARCH模型研究股票的收益率将更为合适。所以对前文所搜集的相关数据利用Eviews软件对公式2.4进行估计，结果如下。表3、表4、表5分别报告了2006年1月4日到2010年12月31日这段样本区间内，牛市、熊市以及震荡期的分析结果。其中，C代表了周一的收益率，D1代表周二的收益率，D2代表周三的收益率，D3代表周四的收益率，D5代表周五的收益率。

表3表示的是牛市情况，在牛市时期可以发现，在α=0.05的情况下，周一的收益率显著为正且最高，周四的收益率最低，可认为存在正的周一效应。杜宾检验可以看出，DW=1.998190,不存在自相关。