国有上市商业银行的时变贝塔预测研究
2017-06-27杨青青
摘要:本文基于贝叶斯理论,选取国有商业银行四支股票进行研究,在过去贝塔的基础上,运用贝叶斯常均值折扣模型,对贝塔系数进行预测。
关键词:国有商业银行;贝塔系数;贝叶斯理论; 预测
中图分类号:F832 文献识别码:A 文章编号:1001-828X(2017)012-0-02
一、引言
贝塔系数是资本资产定价模型中衡量系统性风险的参数,它描述了某资产相对于整个市场的波动状况。贝塔系数可以通过历史的收益率数据估计出来,某些证券公司会定期公布贝塔系数,但公布的贝塔系数并不能度量现在或未来的风险。因此,必须在提高贝塔系数估计准确性的基础上,利用过去的贝塔,能预测未来的贝塔。
国内外许多学者都尝试建立模型来预测未来的贝塔。Blume认为未来贝塔依赖于滞后一期的贝塔,和过去贝塔成线性关系。Vasicek考虑过去贝塔的先验分布的信息,提出对过去贝塔进行调整的贝叶斯估计。Rossenberg引入影响贝塔系数的会计变量和市场变量等,建立多元回归模型预测贝塔系数。周少甫应用DCC-GARCH模型来获得条件方差、条件协方差和条件相关系数,给出贝塔系数的预测公式。可见,预测贝塔系数常用的方法是根据过去的信息建立模型来预测未来贝塔,但是在这些文献中,即使考虑到过去信息的先验分布,也没有很好的对先验信息进行修正。而贝叶斯预测和传统的预测模型相比,可以综合考虑客观信息和主观信息,如果发生异常情况,还可对模型进行主观干预。
二、模型构建及分析
1.贝叶斯常均值折扣模型
贝叶斯预测的一个重要基本思想是建立动态线性模型,把预测分布看成是条件概率分布,根据先验信息求出预测分布,并运用贝叶斯公式求得后验信息,在求解过程中不断修正先验信息,从而求出预测数值。常均值折扣模型DLM{1,1,V,δ}表示如下:
其中。
常均值折扣模型DLM{1,1,V,δ}的递推算法如下:
2.样本选取与数据处理
本文选取中国农业银行(601288)、中国工商银行(601398)、中国银行(601988)、中国建设银行(601939),选取上证综合A股指数作为市场指数的代表,样本区间为2016年1月至2017年4月。数据来源于国泰安CSMAR数据库。
本文建模过程中所使用的数据,是个股和市场指数的日收益率,计算公式如下:
其中,Ri,t是股票i的日收益率;Pi,t是股票i在t日的收盤价;Pi,t-1是股票i在t-1日的收盘价。
其中,Rm,t是市场指数m的日收益率;Pm,t是市场指数m在t日的收盘价;Pm,t-1是市场指数m在t-1日的收盘价。
本文通过来估计过去贝塔值,估计结果如下:
从上图可以看出,四大银行的贝塔系数的范围在[0,1.2],均值范围在[0.4,0.6],说明银行业贝塔系数差异较大,且低于市场风险。一般情况下,中国建设银行(601939)、中国银行(601988)的贝塔系数要高于中国农业银行(601288)和中国工商银行(601398)。在2016年末至2017年初四大银行的贝塔降至最低水平,然后开始迅速上升。这可能是因为银行类股票并不像房地产行业一直被市场炒作,当其他行业有好的投资机会,市场资金就转向其他行业。而且论文选取的市场指数上证综合A股指数在2016年12月日收盘价大幅下降,从3427.644下降到3241.666,期间虽有小幅上升,但是银行类股票没有明显下降趋势,反而有小幅上升,这可能导致贝塔系数出现异常值。
3.模型构建及分析
贝叶斯常均值折扣模型,初始信息假设为m0=0.3933,C0=100,V=0.1,δ=0.8,根据前面得到的时变贝塔估计值为样本数据,得到2016-2017年我国四大银行贝塔系数预测结果,如表所示:
从贝叶斯常均值折扣模型预测结果,可以得到以下结论:
(1)用贝叶斯常均值折扣模型来预测贝塔系数,由误差率可得到平均绝对百分比误差,中国农业银行(601288)的平均绝对百分比误差是0.4818、中国工商银行(601398)的平均绝对百分比误差是3.2071、中国银行(601988)的平均绝对百分比误差是0.7466,中国建设银行(601939)的平均绝对百分比误差是2.5659,平均绝对百分比误差均小于5,模型拟合结果较好。
(2)用贝叶斯常均值折扣模型预测2017年5月的贝塔值分别为: 0.3712、0.2606、0.5719、0.4823。由此可知,当大盘市场波动1%时,四支国有银行类股票波动0.5%,四支国有商业银行类股票的系统性风险较低,抵御风险的能力较强。
参考文献:
[1]Sharpe. Capital asset prices: A theory of market equilibrium under conditions of risk[J]. Journal of Finance, 1964,19:425-442.
[2]Marshall E. Blume. On the assessment of risk.[J].The Journal of Finance,1971,26(1):1-10.
[3]Oldrich A. Vasicek. A note on using cross-sectional information in Bayesian estimation of security betas.[J].The Journal of Finance,1973,28(5):1233-1239.
[4]Barr Rosenberg, Walt Mckibben. The prediction of systematic and specific risk in common stocks[J]. The Journal of Financial and Quantitative Analysis, 1973,8(2):317-333.
[5]周少甫,杜福林.上海股市时变贝塔系数的估计[J].统计与决策,2005,11:17-19.
作者简介:杨青青(1991-),女,河南安阳人,西安工业大学经济管理学院,硕士,主要从事公司理财研究。