财务因素、市场因素与股票β系数

重庆工商大学 郭范勇 重庆金融学院 潘和平

财务因素、市场因素与股票β系数

重庆工商大学 郭范勇 重庆金融学院 潘和平

选取我国沪深300指数成分股2003年至2015年的上市公司交易数据和财务数据为样本，通过因子分析、截面数据回归分析以及面板数据回归分析等方法探究了上市公司财务指标和市场指标对β系数的影响。得出以下结论：相对来说，上市公司的β系数受市场因素的影响较为明显，受公司基本面因素的影响不是很明显。建议投资者在管理上市公司系统风险时，应该更多的关注市场因素，特别是历史系统风险。

β系数 财务因素 市场因素 因子分析 面板数据

一、引言

自从夏普（W.Sharpe，1964)，林特纳（J.Lintner，1965），莫辛（J.Mossin，1966）在一般均衡框架下各自分别提出了资本资产定价模型（CAPM）后，该模型中的β系数就成为了学界的重要研究对象。作为衡量系统风险的指标和证券投资组合的重要参数，β系数在资产定价中有非常重要的地位。β系数广泛地应用于投资业绩的评价中，并被用作判断投资组合管理成功与否的重要指标；它还可以作为资产定价和企业投资决策的参考依据。通过各种方法分析影响β系数的因素，可以为我们预测β系数和管理公司的系统性风险提供一些重要的参考因素。

二、文献综述

从国内外的文献来看，除针对CAPM模型的有效性验证外，对于β系数实证研究主要有两个方面。其一是针对β系数的时间序列数据进行的稳定性验证与分析。例如：Blume(1971)最早指出了β系数在跨期条件下具有时变性，且有向均值回归的趋势。沈艺峰，洪锡熙（1999）研究表明，无论是单只股票或者是股票组合，其β系数都是不稳定的。靳云汇和李学(2000)对我国1992年6月5日至1999年8月20日A股市场上842只股票进行分析得出：投资组合的β系数稳定性好于单个股票的β系数，从构造投资组合角度看，个股β系数的历史数据还是具有参考意义的。

其二，针对β系数的影响因素进行实证研究。一般地，影响股票价格和风险的因素有：（1）宏观经济因素，如经济增长率、通货膨胀率、利率以及汇率等宏观价格指标；（2）行业因素，如行业周期和行业内部竞争程度等；（3）公司特征因素，主要反映在公司自身基本面的财务指标上。Ball和Brown最先发现财务变量与β系数存在相关关系。在此基础上，Beaver，Kettler和Scholes（1970）研究结果表明：股票系统风险与市盈率倒数的标准差、股利支付率、会计β系数和优先债券/总资产4个财务变量与假设一致；而其他3个与假设不一致或不显著相关。Lev（1974）研究发现：经营杠杆会影响公司的可变成本和固定成本，高经营杠杆会带来高的系统风险。Rosenberg和Mckibben（1973）采用多元回归的分析方法检验了20个财务变量和12个市场变量与系统风险之间的相关性。得出了13个变量与β系数显著的相关，但是这其中有3个与预期关系相反，6个显著程度不高。Adedeji（1997）选取了英国股市1990-1994年的375家上市公司为样本，分析了β系数与财务变量间关系；得出β系数与公司规模显著正相关。相对于国外，国内对β系数的影响因素研究较少。吴世农、冉孟顺等（1999）研究表明：总资产增长率、财务杠杆和股利支付率对β系数有显著影响；但是无论个股还是股票组合，这7个变量对上市公司的解释力度都仅19%左右。张甲宇（2008）研究表明β系数仅与其中9个变量显著相关。从目前文献看，大部分研究都集中在利用截面数据进行逐步回归分析行业因素和公司自身特征因素对β系数的影响。而本文希望加入市场自身因素（如换手率、市值等）基础上，利用多元统计中的因子分析和时间跨度为13年的“短面板”数据来分析财务变量对系统风险的影响。

三、研究设计

（一）样本选取与数据来源 在计算β系数时，选取我国A股市场中沪深300指数成分股为样本，在剔除一些停牌时间过长以及上市时间偏短的股票后，最终得到105只股票样本。样本数据的时间跨度为2003年1月4日至2015年12月31日，每只股票有3392个日收盘价和日收益率数据。本文日收益率计算公式为：Ri，t=Pi，t/Pi，t-1，其中，Ri，t为行业指数i在第t期的日收益率；Pi，t为行业指数i在第t期的收盘指数；Pi，t-1为行业指数i在第t-1期的收盘指数。

在获得每只股票的日收益率数据后，根据“单一指数模型”进行一元线性回归，可以获得单只股票每一年的β系数值。本部分的原始数据全部来自wind数据库。数据处理分析用到的软件有：Stata14.0、Spss19.0数据分析软件和Matlab2013软件。

（二）变量定义 根据国内外相关文献的研究成果（主要是Rosenberg的研究结果），本文选取了18个变量作为β系数的重要影响因素。并根据财务理论及市场理论分析这些变量对β系数影响方向。如表1。从财务和金融理论上分析，对于市盈率和公司规模对β系数的预期影响方向很难确定。因为市盈率过高或者过低的股票，其系统风险都是偏大的。对于规模大的公司，同市场的联系越紧密，其受市场的影响可能更大；公司规模过于小的公司受到市场系统风险影响时，抵御风险的能力弱，也容易受系统风险的影响。

表1 影响β系数的变量定义

（三）模型构建 基于资本资产模型（CAPM）计算β系数需要有市场均衡和市场上存在无风险资产收益率等苛刻条件。这与我国客观事实相差较大，即利用CAPM计算β系数的准确性和客观性更差。所以，本文在计算β系数时，主要采用单一指数模型方法计算β系数。该模型假定个别证券的收益率之间的联系是通过一些共同因素发生作用的。任何一种证券的收益率与市场指数之间都存在一种线性相关的关系，即：rit=αi+βirMt+εit，式中：rit为第i种证券或者证券组合在t期收益率；rMt为市场组合在t期收益率，一般利用市场指数收益率代替；αi，βi为模型待估计参数；εit为期望值等于零的随机变量。

四、实证分析

（一）因子分析 因子分析（factor analysis）是一种数据简化的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个假想变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的显在变量，而假想变量是不可观测的潜在变量，称为因子。设原始指标变量为X1、X2、 、Xp于是可将原始变量由以下线性组合表示：

以上模型中，称F1、F2、 、Fm为公共因子（m应该小于P），是不可观测的变量，他们的系数称为因子载荷。是特殊因子，是前m个公共因子不能包含的部分。利用年度截面数据，对选取的影响因素做因子分析。首先使用KMO统计量和Bartlett检验判定了本文选取的指标变量可以进行因子分析。再根据公共因子个数确定标准（一般要特征值大于1），在综合了所有年份的结果后，最终确定提取8个公共因子。由于篇幅的限制，仅列出了2009年的结果。如表1所示：

从表1的公因子方差比可知，公共因子对于每一个原始变量都提取了大部分信息，各变量信息提取比例都在65%以上，大部分都为80%以上。说明公共因子对变量的信息提取还是很充分的。在2009年的因子分析模型中，因子1由市盈率（X16）、存货周转率（X4）和主营业务利润率（X2）组成，因子2由总资产增长率（X8）和资本积累率（X9）组成，因子3由资产负债率（X6）、流动比率（X5）和财务杠杆（X7），因子4由资产报酬率（X12）、净资产收益率（X1）和经营杠杆组成（X11），因子5由公司规模（X17）和换手率（X15）组成，因子6由总资产周转率（X3）组成，因子7由盈利变动性（X13）和每股现金净流量（X14）组成，因子8由历史β系数（X18）和股利分配率（X10）组成。在因子分析中，一般同一经济意义的变量会包含在一个公共因子中。但本文13年数据中，部分公共因子所代表的变量在不同年度出现了一些变化。这是因为一些指标变量自身同时含有不同方面的信息，在加上一些指标变量之间具有一定的相关性，含有相互重叠的信息，因而不同年度公共因子可能由不同的指标变量组成。此外，这也表明部分原始指标变量之间的信息关联性会随着时间推移而变化。总体上，绝大多数公共因子所代表的变量是具有稳定性的，也具有较为清楚的经济意义。可将这些公共因子分为：经营能力因子（存货周转率和主营业务利润率，因子1）、成长性因子（总资产增长率和资本积累率，因子2）、偿债能力因子（资产负债率、流动比率和财务杠杆，因子3）、盈利能力因子（资产报酬率和净资产收益率，因子4）、市场交易因子（市盈率、公司规模和换手率，因子5）、资产结构因子（总资产周转率和经营杠杆，因子6）组成、盈利变动性因子（股利分配率、盈利变动性和每股现金净流量，因子7）、历史市场风险因子（历史β系数，因子8）。

（二）相关性分析 利用上面变量因子分析的数据结果，利用SPSS软件对样本股票各年度β系数与公共因子得分进行Pearson相关分析，可以判定贝塔系数主要与那些因子显著相关。分析结果如表2：

表2 β系数与公共因子的相关系数矩阵

从表2可知：从年份来看，显著影响β系数的公共因子是有差异的。比如：在2003年，仅盈利能力因子对β系数有较为显著的影响；在2004年，就变为市场交易因子和历史市场风险因子对β系数有显著影响。但总体上，显著影响β系数的公共因子主要为市场交易因子（因子5）、资产结构因子（因子6）和历史市场风险因子（因子8）；所以，可以初步认定这3个公共因子为影响β系数的关键因子。从公共因子上看，部分因子影响β系数的方向在不同年份也有差异。比如：市场交易因子在某些年份（2004年和2005年）与β系数负相关，又在某些年份（2008年和2009年）与β负相关。这可能同该因子所含指标变量在不同年份表现出来的重要性不同有关。总体上，大部分公共因子在不同年份上对β系数的影响时一致的。特别是历史市场风险因子一致的表现为正向相关，同初始预期相同，而且相关性也非常显著。

（三）横截面回归分析 在实证研究中，采用多元线性回归分析来考察自变量与因变量之间的定量关系，模型一般表达式为：

由于选取的指标变量之间会存在一些相关性，为了避免出现回归过程中出现多重共线性问题，本文采用逐步回归分析法对所有样本数据进行横截面回归分析。通过对被解释变量β系数与公共因子进行横截面回归分析，可考察哪些公共因子对β系数的横截面差异具有稳定的解释能力。由表3中调整R2和F值可知，除2006年的调整R2值较小外，其他各年度回归方程均具有显著的回归效果，β系数与解释因子之间存在显著的线性相关关系。从回归系数的t统计值和因子的含义来看，除历史市场风险因子外，各年度对β系数有显著解释能力的因子有所不同，表明所选因子在不同的时间段上对β系数并不都具有持续稳定的影响力。总体来看，对β系数有较为持续影响作用的因子有市场交易因子、资产结构因子和历史市场风险因子，但市场交易因子和资产结构因子的影响方向在不同时间段里呈现不稳定特征，这与相关性分析所得出的结论是一致的。由于各公共因子是贝塔系数的综合性影响因素，难以直观地表现单个指标变量的作用。因此，有必要再考察初始指标变量对贝塔系数的影响。本文仍采用逐步回归法对因变量β系数与选取的18个指标变量进行截面回归。由表4，调整R2和F值可知，除2006年和2007年的调整R2值较小外，其他各年度回归方程均具有显著的回归效果，说明总体上β系数与原始指标变量之间存在显著的线性相关关系。对于2006年和2007年的调整R2和F值偏小和显著不受历史市场风险（历史β系数）影响的一种解释是：在这两年中，我国股票市场经历了一场“振幅”巨大的波动，产生了明显的上升和下跌行情。根据已有的研究，β系数会显著受市场态势的影响，即β系数在牛市和熊市中会有所不同的。比如：Moon K.Kim和J.Kenton Zumwalt（1979）通过实证分析得出β系数明显会受市场态势的影响。我国学者刘永涛（2004）利用1998年1月1日至2003年4月30日的上海证券交易所A股市场317只股票样本分析，得出：68只股票在牛市中β系数大于在熊市中的β系数。年度上看，影响β系数的指标变量是变化的，说明所选变量在不同时段对β系数并不都具有持续稳定的影响力，不过相对来说，历史β系数和年换手率有较为持续的影响。总体上分析，大部分指标变量对β系数的影响方向与本文选取变量时假设的方向是一致的。公司规模对β系数的影响有正向也有反向，所以不能确定它对β系数的影响方向。而资本积累率和股利支付率对β系数影响方向与原假定有偏差。

表3 β系数与公共因子截面数据的回归分析结果

表4 β系数与原始指标变量截面数据回归分析结果

（四）面板数据回归分析 具有三维信息（横截面、时间、指标变量）的数据结构称为平行数据或面板数据（Panel Data）。利用面板数据可以构造和检验比横截面数据或时间序列数据更为真实的模型，在实证检验过程中能提供更大的样本点以改善参数估计的有效性，也能更深入的分析实际问题。从时间序列看，面板数据可以描述不同个体随时间变化的规律；从横截面数据看，面板数据又能描述某个时点每一个体的状态及其之间的差异。本文选取了13年的样本数据就是为了进行面板数据回归分析，以更加全面的分析影响β系数的影响因素。因为回归模型解释变量中含有历史β系数，根据标准的面板数据分析方法，属于动态面板模型，需要采用广义矩法估计（GMM）。其估计模型如下：

式中，yit为被解释变量，yi，t-1为被解释变量的滞后一阶项，xit为被解释变量，νi为不随时间变化的个体特征，εit为随时间和个体变化的扰动项。在估计过程中，对存在的解释变量内生性问题进行处理（由于样本数据为“短面板”数据，所以不用考虑异方差和序列相关性问题），以提高模型整体的稳健性。解释变量的内生性问题是一个较为严重的问题，它会导致估计结果有偏，并影响模型结果的稳健性。解决内生性问题的一个重要方法就是引入工具变量（IV）。在差分GMM估计中，被解释变量的高阶滞后项是非常好的工具变量，工具变量的有效性（滞后项的阶数）可以由Sargan检验的显著性决定。小节采用的Stata14.0对模型进行回归和检验，结果见表5。由表5的Wald卡方值可知，整个面板回归方程具有显著的回归效果，说明β系数与所选指标变量之间存在显著的线性相关关系。从面板回归结果可得：所选的18个变量中，有年换手率（X15）、公司规模（X17）、资本积累率（X9）、股利支付率（X10）、总资产周转率（X3）以及历史β系数（X18）这六个变量对β系数有显著的影响。在这些对β系数有显著影响的指标变量中，仅股利支付率对β系数的影响方向与假设不同，这与变量截面回归的结果是相同的。与变量截面数据回归不同，面板数据回归得出总资产周转率对β系数有显著影响；但是这个结果与因子截面数据回归结果——β系数受资产结构因子（包括总资产周转率）显著影响时一致的。这样表明面板数据回归结果能够更为全面的反应影响β系数的影响因素。

表5 面板数据GMM回归结果

五、结论与建议

（一）结论 研究发现：（1）上市公司的市场表现指标变量对β系数的变动更具有持续解释能力；同时，在影响方向上也更具有稳定性。其中，上市公司历史性系统风险和年换手率这个两个市场指标变量对贝塔系数有较为持续且稳定的影响。上市公司规模对β系数的影响有正向也有反向，所以不能确定它对β系数的影响方向；而市盈率对系统性风险的影响不显著。（2）相对于市场表现指标变量来说，上市公司基本特征（主要由财务指标来表征）总体对β系数的影响不是很明显。除了资本积累率、股利支付率、经营杠杆以及总资产周转率等少量财务指标对β系数在不同时段有非持续的影响外，大部分财务指标对系统风险解释力不显著。而且资本积累率和股利支付率对β系数影响方向与原假定不一致。

（二）建议 （1）β系数受市场交易因素的影响较为明显。这可能是因为我国证券市场存在明显的政策性效应，市场交易因素对上市公司系统风险影响相对较大。因此，投资者在预测系统风险时，应该更多的关注市场因素，特别是上市公司历史系统风险。（2）β系数受公司会计基本面因素的影响并不很明显，反映了当前我国上市公司的β系数一定程度上与会计信息相互脱节。这可能与β系数是表征系统性风险，本身蕴含的宏观方面的因素比较多，受微观方面的影响比较小所致。随着我国股市的进一步规范，进一步加强会计信息批露，会计信息的质量必将逐步提高，从而有利于增强财务指标对β系数的解释能力。（3）从总体上看，上市公司的系统风险与市场表现和财务指标构造的变量存在显著的相关关系。但是，部分指标表现出不稳定性和在不同时段对β系数影响不一致性。所以，利用这些指标预测上市公司系统风险会存在一定的误差。

［1］沈艺峰、洪锡熙：《我国股票市场贝塔系数的稳定性研究》，《厦门大学学报》1999年第4期。

［2］靳云汇、李学：《中国股市β系数的实证研究》，《数量经济技术经济研究》2000年第1期。

［3］吴世农等：《我国上市公司系统风险与会计变量之间关系的实证研究》，《会计研究》1999年第12期。

［4］刘永涛：《上海证券市场β系数相关特性的实证研究》，《管理科学》2004年第1期。

［5］Adedeji,A.Facts and Fallacies about the Determinants of the Beta,Issues in Accounting and Finance,1997.

［6］Moon K.Kim and J.Kenton Zumwalt,An Analysis of Risk in Bull and Bear Market,Journal of Financial Quantitative Analysis,1979.

（编辑 文 博）