中国股市价格——交易量的线性及非线性因果关系研究，本文主要内容关键词为：线性论文,因果关系论文,中国论文,及非论文,股市论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
引言
股票市场中价格与交易量的关系已引起了相当多的理论研究者的注意，虽然在金融市场微观结构理论的框架中，不同的模型会导致量价关系的不同结论，但正如文的两阶段模型所指出，交易者可以通过同时考察交易量和价格来推测该股票的信息，实证方面，Karpoff总结性地指出，价格绝对变化量与交易量正相关，且这种关系是不对称的，他把这归因于卖空的限制，Harris用混合分布理论(MDH)解释了量价之间的正相关关系，并给出了实证的检验，与此同时，国内的研究者也发现了量价之间的这种非对称的关系，另一方面，股票价格与交易量之间的非线性关系也被Gallant、Rossi和Tauchen，以及Campell、Grossman和Wang的研究所记载，因此，有必要研究价格和交易量之间的因果关系到底是线性还是非线性的，如果是非线性的，那么这种非线性关系的来源是什么。
Jain和Joh、Smirlock和Starks用传统的Granger方法证实了量价之间的线性因果关系，文则用非参数方法，证实了NYSE的市场收益和交易量之间的非线性双向因果关系，也证正如Granger(1989)指出，这个世界几乎肯定是由非线性关系构成的，在我们的实证研究中发现：中国股市——沪市和深市的交易量与价格之间也是双向的非线性因果关系，但在经过周末效应和GARCH模型的调整后，非线性的因果关系消失了，这就说明了量价之间的非线性因果关系体现在它方差的记忆过程中，这一结论与Hiemstra和Jones对NYSE作的研究结论不同。对此MDH也许是一个解释，Clark指出，量价是由共同因素——信息到达驱动的，信息之间的相关性造成了GARCH类现象，因此，在滤掉这一因素后，量价之间的相关性将消失，Hiemstra和Jones的研究中，滤过后序列因果关系的显著性明显减小了，但在5%的单边水平上仍然存在，国内也有研究者检了沪市一定区间周数据原始时间序列的因果关系，但本文与他们研究的区别是明显的。
本文的结论对市场监管者和实际投资者都有着重要的意义。市场监管者可以从价格和交易量的关系中看出一个市场波动的性质，信息在市场中传递的方向及效率，实践方面，华尔街有句老话："It takes volume to make prices move."国内任何一本关于股市投资的技术分析书籍中，都可以看到量价的结合在做出投资决策方面的重要性，因此本文的结论对实际投资者的重要性是不言而喻的。
数据和方法分析
本文的数据来源是香港理工大学和深圳国泰君安信息公司提供的市场交易数据库(CSMAR).采用的样本是1993年1月1日至2000年12月30日的数据。研究对象是整个市场，因此价格采用实践中应用广泛的上证综合指数和深证综合指数。交易量也采用整个市场总的交易量（A股交易量加B股交易量）。沪深两市样本数分别为1974和1893。由于Granger因果关系对时间序列的平稳性要求，对两个序列采用了对数差分，以后除非特别声明，收益和交易量序列R[,t]和V[,t]指：R[,t]=100[*] (1nP[,t]-1nP[t-1]),V[,t]=100[*](1nV[,t]-1nV[,t-1])，对R[,t]和V[,t]的ADF检验表明，两个时间序列都是平稳的。
上式中，A(L)、B(L)、C(L)和D(L)是差分算子，并假设U[,X,t]和U[,Y,t]独立同分布。考虑y对x的Granger因果关系检验用H[,0]:B(L)的所有滞后同时为零。x对y的Granger因果关系检验用H[,0]:C(L)的所有滞后同时为零，本文中最优滞后阶数采用Akaike信息准则(AIC)或Schwarz贝叶斯信息准则(SBC).
其中，‖·‖ 是向量元素的最大模，则说y不是x的（严格的）Granger非线性原因。
对沪市和深市的非线性因果关系的检验是建立在方程(1)、(2)的标准化残差基础上的，如Hiemstra指出，方程(1)、(2)的残差很难满足i.i.d.的要求，故要采用修正的Baek和Brock方法，方程(3)的修正的非参数估计如下，令
的含义及估计方法见文，在Hiemstra和Jones的蒙特卡洛模拟基础上，也同文，取lx=ly，m=1，滞后值从1至8，б=1，e=1，5б.值得一提的是，所有这些结果是在大样本的情况下成立的，这对金融数据的样本长度有一定的要求。本文样本长度达8年，故有一定的代表性，但是将整体样本诉成子集以检验结果的鲁棒性是不合适的。
Clark和Harris提出了MDH，每日的股价变化和交易量是信息到达数量的条件正态分布，Anderson进一步指出，在放宽Clark的每日到达信息数量是i.i.d.的条件下，MDH理论暗示了股价序列的ARCH族现象，因此，采用交易量和价格的原时间序列，有可能识别到的是由共同因素：信息到达导致的因果关系，对此，本文将两个时间序列用GARCH模型调整，并且，与文不同，调整GARCH模型的同时，考虑了这些金融数据的周末效应，这样原始的时间序列的结果可以得出一个量价关系的粗略认识，具体的调整方程如下：
表1 未作调整的量价Granger线性因果关系检验
a：此处采用AIC时会产生很大的滞后阶数，因此直接选用20，延长滞后阶数对本文的定性结论不会产生影响
表2 未作调整的量价Granger非线性因果关系检验*
*CS和TVAL分别表示式(8)中方程两边的差和式(9)中标准化后的检验值。
其中，
分别是回归残差和条件方差拟合值。
是调整后的时间序列，D[,1]，D[,2]，D[,3]，D[,4]，D[,5]分别代表周一、二、四、五的虚变量。
计算结果
首先对未作调整的时间序列进行Granger线性和非线性因果关系检验，检验结果如表1和表2所示：
从表1可以看出，可以在1%的水平上拒绝收益不是交易量的线性严格Granger原因的假设。但在两个市场上，无法显著地检验到交易量是收益的线性严格Granger原因，对交易量和收益经线性方程滤过后的残差进行的非参数检验表明，交易量和收益之间存在双向的非线性因果关系，所有的滞后中，至少在0.1的水平上拒绝了原假设。以上这些结论与美国NYSE市场的结论相同。
对交易量和股价的时间序列调整的统计结果如表3
表3 量价周末效应和GARCH现象
表3（续） 量价周末效应和GARCH现象
表3的结果可以给关于深市和沪市价格和交易量序列的周末效应和GARCH现象的一个初步认识。两个市场上的价格和交易量都表现出了“周末现象”，但是各个时间序列的表现方式不同，沪深两式收益在周二都是显著的，交易量在周二和周五是显著的，沪深两市收益表现出了强烈的方差持续现象：β值在1%的水平上显著，且在周四两个市场的方差都会明显变大，两个市场交易量的方差持续现象不长：β值显著为零。且四个虚变量对方差没有影响，也许ARCH模型对交易量时间序列更加合适，但为了普遍性，本文仍采用GARCH(1,1)这个最有代表性的模型来调整时间序列。
调整后的量价之间的Granger线性和非线性因果关系如表4和表5所示：
表4 调整后的量价Granger线性因果关系检验
a：此处采用AIC时会产生很大的滞后阶数，因此直接选用20，延长滞后阶数对本文的定性结论不会产生影响。
表5 调整后的量价Granger非线性因果关系检验*
*深市收益对交易量的非线性因果关系在滞后阶数取1和3时是0.1显著的，但延长滞后阶数时无法拒绝原假设。
调整后的时间序列有着完全相反的结论，虽然收益对于交易量仍然有线性的Granger因果关系，但是没有发现非线性的双向因果关系，这说明两个时间序列的非线性因果关系表现在它们的方差持续之中，一旦用GARCH模型将这种效应过滤，非线性因果关系将消失。
结束语
本文检验了沪深两市价格和交易量之间的线性和非线性Granger因果关系，结果表明，沪深两市存在着双向的量价之间的非线性因果关系，但将价格和交易量的时间序列经周末效应和GARCH现象调整后，量价之间不存在任何方向的非线性因果关系，这一结论与美国NYSE市场不同，对此，MDH也许是一种解释，其暗含的经济含义是，每日的信息到达会同时地影响到交易量和价格的变化，而交易量和价格变化的关系是通过信息到达这一共同因素联系起来的，对国内市场而言，信息的这种作用是极其显著且呈主导作用，这就说明了目前而言我国市场量价的波动对信息流的到达是相依赖的。