我国上市公司盈利时间序列研究:国际借鉴与方法探析,本文主要内容关键词为:探析论文,序列论文,上市公司论文,我国论文,时间论文,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。
盈利时间序列是一个充满挑战性的研究课题,西方学者长达20多年孜孜不倦的研究取得了丰硕的成果;由于受到一些客观条件的制约,国内有价值的研究成果却不是很多,适合我国国情的盈利时间序列研究方法亟需得到探索和总结。
一、盈利时间序列研究的价值分析
瓦茨和齐默尔曼曾在其经典的《实证会计理论》一书中,精辟地概括了盈利时间序列研究的三个重大应用领域:证券的模型估价、证券价格变动研究和盈余管理的检验[1](P114-117)。这三个方面的概括独到而深刻,蕴含着丰富的内涵,中外学者数十年来在这方面的研究基本上是沿着这些轨迹在前进。
(一)证券的模型估价
公司证券的大多数估价模型是根据企业未来的现金流量来对索偿权进行计价,如费希尔模型、资本资产计价模型都具有这个特征。由于现金流量数据难以得到,现在通常采用会计盈利的预测额来对企业的未来现金流量进行替代,在建立起盈利时间序列模型的前提下,即可在当前对证券的价格作出无偏的估计。到20世纪80年代后期,通过Ohlsont和Penman等人的努力[2][3],计价观成为一个初具雏形的研究框架,根据盈余资本化计价模型,股票价格P=E*/r,E*代表公司的每股经济盈余,r为盈余资本化率,采用盈利的时间序列作为E*的近似替代,即可得到证券价格的直接估计。O’HanLon认为,计价模型和盈利时间序列模型的组合对权益证券的估价有着划时代的意义,这将为盈利时间序列的研究提供强劲的推动力[4]。但由于现阶段各种数据的获取有难度,盈利时间序列模型本身尚待改进,其预测效果需得到更充分的检验,因此,盈利时间序列模型在证券估价方面的应用暂时只停留在理论上的研究,还缺少实践中的应用。
(二)证券价格变动的研究
对证券价格变动的研究实质是对资本市场有效性的检验,这始于Ball和Brown1968年实证会计的开山之作。这类研究的目的在于找到非正常报酬与未预期盈利之间的关系,因此,盈利必须要被分解成预期盈利和未预期的盈利,市场对未预期的盈利所作出的反应成为检验市场有效假说(EMH)的依据,进一步还可作为市场反应程度、会计信息含量、盈余反应系数等重要市场指标的研究方式。要想分离出未预期盈利,必须首先确认预期盈利,由于预期盈利本身具有事先不可获得且事后难于检验的特征,采用恰当的盈利时间序列模型来生成替代变量成为一种可行的选择。从Ball和Brown1968的研究开始,随机游走(random walk)模型在研究中被大量运用,从这一意义上来说,盈利的时间序列模型具有作为实证会计基础性研究课题的重要价值。
(三)盈余管理的研究
盈余管理研究是实证会计研究中的一个重要组成部分,国内外这一方面的研究文献可谓卷帙浩繁。这类研究的前提是要对盈余管理进行识别,瓦茨和齐默尔曼在《实证会计理论》中对收益均衡化的检验作了理论上的假定,即管理人员使报告收益的均衡化会导致报告盈利的残差小于人为操纵前盈利的残差。但由于该种检验尚不具备可操作性(主要是无法确认操纵前的真实残差),在实际研究中很少运用,瓦茨和鲍尔(Ball)的研究(1972)[5]也并未用到该种方法。目前,普遍使用可操控性应计利润来对盈余管理的方向和程度进行测度,使用该方法必须对应计利润进行分离,通常使用模型来估计不可操控性利润,分离出可操控性利润,从而对盈余管理的方式和程度进行识别。使用较广的主要有Healy模型、Deangelo模型、Jones模型、修正的Jones模型和扩展的Jones模型[6]以及这几种模型的一些变形。这一些模型当中,严格的计量经济学意义上的单变量时间序列模型主要是Healy模型和Deangelo模型(实质上相当于随机游走模型),其他三种Jones模型均是比较典型的建立在因果关系假设基础上的结构式模型,所以也被称作截面模型。有学者认为三种Jones模型的横截面应用效果优于时间序列应用的效果[7],这是由其模型特征所决定的。目前在盈余管理的识别研究方面用得比较多的是三种Jones模型,这与瓦茨和齐默尔曼当初的设想有差异。截面模型与时间序列模型各适用于不同性态的数据,截面模型适用于面板数据,也可以用于时间序列数据;时间序列模型更适用于时间序列数据。如果在任何情况下都一概只运用三种Jones模型,而缺少对更有效的时间序列模型进行研究和运用,那将是研究方法上的一种缺陷。
(四)实践中的意义
除了瓦茨和齐默尔曼所总结的上述三大研究领域的应用价值外,盈利时间序列研究在现实中也有着非常重要的意义。有效的盈利时间序列模型可以实现对未来盈利的无偏预测,找到经济领域中的重要规律,引导投资者进行理性的投资,从而实现社会资源更有效地配置,提高资本市场的效率,这对于我国欠成熟的资本市场有着更加特殊的意义。从微观的角度来看,有效的盈利时间序列模型还可以帮助企业的投资者和经营者对企业所面临的风险和回报作出更为科学的预期,对企业财务资金作出更好的筹划和管理。
二、盈利时间序列研究文献回顾
(一)国外的研究成果
利特尔和雷纳(1962、1966)对英国公司的会计盈利增长率进行的调查研究认为,年度盈利是一种随机现象,即呈现随机游走的状态;鲍尔和瓦茨(1972)对1946~1970年美国700家公司的盈利时间序列进行了研究[8],他们分别进行了游程检验、序列相关检验、连续时段差分均方检验和部分调整模型的拟合检验,也得出了盈利服从随机游走过程的结论。但和其后的许多研究一样,他们的研究是建立在横截面数据基础之上的时间序列,无法反映个别公司的时间序列特征,而且无法排除不同公司之间的结构性差异导致整体盈利随机游走的可能性。为了解决这一问题,在这之前,瓦茨(1970)就曾对三个行业32家个别企业的盈利变化进行了研究,通过Box-Jenkins模型与随机模型的对比研究,发现有部分企业的盈利时间序列不同于随机游走过程,而同行业的盈利变化过程具有相似性,但Box-Jenkins模型在预测能力上并无优势,其后瓦茨和列夫威奇(1977)进一步的改进研究也得到了类似结论。Callen,kwan,cheung and Yip(1993)[9]对美国263家公司1955~1985年的年度EPS分别运用极大熵法(MEM)和混合自回归平均移动模型(ARIMR)技术进行了模型构造和检验,但发现ARIMA预测效果比随机游走模型差,这使简单的随机游走模型占据了主导的地位,在研究中得到大量的应用。
考虑到年度的时间跨度较长,年度盈利有可能会掩盖这一跨度内存在的一些局部结构特征,瓦茨(1975、1978)、格里芬(1977)[10]和福斯特(1977)[11]分别对季度盈利的时间序列进行了研究,发现Foster模型不但是一个高效的预测模型,而且以此为基准所测算的未预期盈利与市场累计的非正常报酬率存在较好的相关,能大致反映市场对季度盈利的预期值。比弗、拉姆伯特和莫斯(1980)研究了1958~1976年部分上市公司的盈利数据,认为Box-Jenkins模型比随机游走模型能作出更好的描述。这一系列的研究成果说明,对季度盈利的时间序列进行研究有可能更准确地刻画盈利时间序列。此后的Bernald(1990)[12]和Batov(1992)[13]等运用了幼稚的季度盈利时间序列模型(随机游走)来研究和评判市场对季度盈利的预期反应;Ray Ball和Batov(1996)进一步研究认为,市场对于更复杂的季度盈利模型能够作出反应,大体上能正确认识季度盈利差分的系列相关系数的特征[14],这不但说明了季度盈利时间序列模型在研究领域的重大意义,而且还证明更复杂的盈利时间序列模型有可能会被市场所识别。Lev.B.(1983)[15]就企业的经济因素对时间序列模型的影响作了研究,发现生产非耐用品和所处行业具有较高的进入壁垒的企业具有更高的盈利自相关系数。此后的Collins kothari(1989),Baginski(1999)进行了类似的研究,得出了相似的结果,均认为公司规模、产品类型、资本密集度和进入壁垒等经济因素会对盈利时间序列模型产生影响,经济因素对高阶的ARIMA模型会产生更大的影响。
有学者对不同的时间序列模型的测度效果作了对比分析,如巴斯克和洛克(1984)[16]对美国240个公司1962~1977年的季度盈利数据进行研究,将带漂移的随机游走模型和ARIMA模型(实际上是Box-Jenkins模型)进行了对比研究,发现三种ARIMA模型的预测能力明显优于随机游走的模型。福斯特(1977)运用Box-Jenkins模型对69家美国公司1946~1974年的盈利数据分别建立了统一结构模型(Uniform Model)和个别特征模型(Firm-Specific Model),前一种模型是假定所有的公司具有同一时间序列性态,对它们建立统一的盈利时间序列模型,后一种模型则假定不同的公司具有不同的时间性态,分别为每一家公司建立单独的模型,结果发现统一的结构模型具有更好的预测效果。此外,Jeffrey L.Callen等(1996)对纽约股市296家公司从1962~1985年的季度盈利分别运用人工神经元网络技术和Box-Jenkins模型进行的研究结果发现,人工神经元网络模型的预测误差显著地大于Box-Jenkins模型[17]。
(二)国内的研究成果
由于客观条件限制,国内的盈利时间序列研究成果比较少。较早出现的盈利时间序列研究是黄志忠和陈龙(2000)对中国上市公司盈利成长规律所作的实证研究[18],他们指出了中国学者大量运用随机游走模型或Jones模型而未加检验的缺陷,并对上交所的上市公司6年以来的盈余数据进行了研究,否定了被中国学者普遍假设存在的盈利随机游走的时间性态,提出了带增量因子的成长模型。这一研究结果事实上对我国许多实证研究结论产生了冲击。周家利用最新的时间序列计量经济学方法对会计盈利和股票价格的动态关系进行了研究,认为格朗日因果关系存在于两变量之间,会计盈利更趋向于均衡值,加入股价信息更有助于解释会计盈利[19]。朱峰对盈利时间序列研究重要性、方法和模型作了系统的总结[20]。其他的一些学者在盈余管理、市场盈余反应、盈余公告效应等方面的研究都运用了盈利时间序列模型,主要是随机游走模型和简单的ARIMA模型,但大多仅是直接加以运用而缺少基本的检验,其可靠性值得怀疑。
三、我国上市公司盈利时间序列研究的重要性与方法分析
(一)我国上市公司盈利时间序列研究的意义与客观条件的制约
从我国资本市场的成熟健康发展来看,从引导社会资源的有效流动、科学认识产业发展的内在规律从而指导合理有效的投资来看,盈利的时间序列研究都具有深远意义。但由于我国上市公司盈利时间序列研究成果少,盈利的时间性态检验不够,这使得相关的实证研究缺少坚实的基础,严重影响了这些研究在理论上的说服力,损害了这些实证研究的科学性。
我国上市公司的盈利时间序列研究存在诸多的客观条件制约。从时间序列模型的构建和检验来看,长时间序列无疑对研究有着重要的意义,国外发达资本主义国家的资本市场经历了100多年的发展历程,样本公司有效的年度盈利数据一般可达到几十个。而我国资本市场始建于上世纪90年代初期,年度盈利只有十几年的数据,其中会计制度又是几经变迁,市场监管处于一个不断完善的过程,不同年度的盈利数据在内容和质量上还具有不可比的特性,且调整的难度很大,这些都使得最后可用来进行盈利时间序列研究的数据少得可怜。然而,进行时间序列研究必须有足够的时间序列数据,否则对样本的自相关性进行检验就会受到数据的限制。如Durbin-Watson检验至少需要15个数据;许多随机游走的检验利用了Dickey和Fuller设计的单位根检验,这类检验一般需要25个以上的序列数据才能有较好的效果;对于更复杂的齐次的非平稳过程由于要进行差分,每一次差分都要造成有效数据的减少;对于复杂的ARIMA(混合自回归移动平均)模型,由于有多个自回归和移动平均参数需要估计,会极大地减少自由度,从而影响模型构建,等等。我国资本市场现有的年度盈利数据显然无法满足这样的研究条件,这也是我国的盈利时间序列研究成果较少的原因。在现有的条件下,只能采用一些特定的简便方法尽可能对其进行研究,即使只是作出较粗略的刻画,也是有意义的。
(二)我国上市公司盈利时间序列研究的方法分析
1.研究时段的选取。2000年,财政部发布了《股份有限公司会计制度》和10个具体会计准则;2006年又发布了与国际会计趋同的一系列新准则,并在2007年开始实施,这意味着我国上市公司的盈利时间序列数据质量会更高,并将为研究提供更好的条件。2007年之后的盈利数据虽然会与2007年之前的盈利数据有差异,但调整难度并不大,因此,一般以2000年为起点确定研究时段是较为合理的。但7个年度的数据显然不能满足研究需要,为解决这一问题,黄志忠和陈龙应用了面板数据来进行分析,且将盈利进行标准化以解决不同公司间的异方差性,此方法依然假定不同公司间盈利具有相同的时间性态。瓦茨认为,对年度盈利的最佳时间序列预测模型可能成型于对季度盈利数据的运用;而非对年度盈利数据的运用,有学者认为运用模型可能对季度盈利序列做更准确的刻画。我国的上市公司自2002年起在证监会的要求下提供季度报告,如果算到2006年就已经有了20个盈利数据,具备了进行研究的意义,因此,选取2002年开始的季度盈利数据不失为一个可行的方式。
2.研究对象的选取。对上市公司的盈利序列进行整体的研究,还是进行个别的研究,是研究之前要解决的关键问题,其实质是是否假定不同公司具有相同的盈利时间序列特征。瓦茨(1970)的研究已经说明,个别公司之间可能存在结构性差异,所以,建立统一结构模型可能是比较武断的;Foster(1977)的研究说明,统一结构模型能比个别结构模型产生更好的预测结果。Foster认为这可能是由于统一结构模型因为估计参数少具有更高的自由度,因而拟合的程度可能更好,且在单个公司时间序列发生结构性变化的情况下,统一结构模型可能会因不同公司间的变化部分抵消而显得更为稳健。不管是什么原因,这样的结果都不能说明统一结构模型的假设是合理的。个别研究从逻辑上来说是最为科学的,但由于其构建模型的工作量大(有多少个公司就要构建多少个模型),且受到我国盈利数据少的制约,并不可取。瓦茨(1970)认为,同行业企业的盈利变化过程具有相似性,因此,以行业为对象来进行研究是比较可取的方式,同一行业的上市公司往往具有许多相同或近似的特征:资本结构、治理结构、行业风险、经营周期、竞争程度、产品类型等,这些因素决定了同业内的上市公司最有可能具有近似的盈利时间序列性态。以行业为一个整体进行研究,建立统一结构模型是合乎逻辑的。
3.模型构建的方法
(1)利用自相关函数和偏自相关函数识别时间序列特征。前面已经提到,对简单的随机游走模型和更复杂的ARIMA模型进行构造和检验都需要大量的序列数据,在我国现在难以满足这些条件,因此,在现有的条件下应着重于自相关函数和偏自相关函数的研究,根据相关系数的外在特征对序列特征进行辨识。对一个随机过程进行完全的描述通常是不可能的,尤其是在数据量有限的情况下,而自相关函数可以为建造模型部分地刻画随机过程,告诉我们时间序列邻近数据点之间存在多大程度的相关[21]。对自相关函数进行Bartlett检验或Box和Pierce的Q统计量检验,可以识别“白噪音”的存在,观察序列的自相关函数可以判别是否是平稳序列,以及由非平稳序列构造平稳序列的差分阶数;可以通过观察自相关函数有规律的峰值来识别那些有规律的季节性,甚至可以识别那些时间序列本身无法辨别的季节性峰值,这对于季度盈利数据的研究往往是非常重要的。自相关函数对于较为简单的低阶ARIMA模型的构造也有着非同寻常的含义,低阶ARIMA模型的基本特征可以通过自相关函数来进行识别。例如,利用平稳序列的自相关函数随着时期差k的增加而趋近于0,可以识别随机过程移动平均和自回归的阶数;而偏自相关函数可提供更多的关于自回归过程的信息。总之,低阶的ARIMA模型基本可以利用自相关函数和偏自相关函数来进行初步的识别。
(2)运用已有模型进行拟合。在充分利用自相关函数的基础上,可以有针对性地选用一些已得到部分证实且应用较广的模型或其变形来进行研究。现有的应用较广的模型主要是随机游走模型和低阶的ARIMA模型,在时间序列研究方面,混合自回归移动平均模型(ARIMA)构造被认为是标准的时间序列模型构造技术,许多种类的模型都是简单的ARIMA模型或其变形,在盈利时间序列研究方面也可作为模型分类的基准,应用于盈利时间序列时,基础形式如下:
式(1)中,ω[,C]和θ[,j]分别是自回归和移动平均的参数,e[,t]为均值等于零,独立同分布的扰动项,p和q分别代表自回归和移动平均的阶数,d是达到平稳序列所需的差分阶数,△[d]E[,t]是盈利时间序列数据d阶差分后的数据,是差分后的时间序列数据的均值。以此为基准进行变形,可得到简单的ARIMA(0,0,0)、ARIMA(1,0,0)、ARIMA(0,1,0)、ARIMA(0,0,1)、ARIMA(1,1,0)、ARIMA(0,1,1)形式。下面对这几种模型的特征作一简单的描述。
ARIMA(0,0,0):
式(3)是式(2)的变形,该模型中,盈利被认为是围绕其均值随机游走的,在这种时间序列中,自相关函数为0(当期间间隔K>0时)。
ARIMA(1,0,0):
ARIMA(0,0,1):
ARIMA(0,1,0):
如果ω<1,则Et的一阶差分后跟随一系列的衰减同号的差分,使得E渐近于一个新的水平,一阶差分的自相关函数也呈几何级数递减。在盈利时间序列中,△E[,t-1]可以作为衡量一个公司的成长因子,黄志忠和陈龙(2000)的研究就认为上述模型更能解释中国上市公司盈利时间序列的随机过程。
在这一模型中,一阶的自相关函数值为1,而更高阶的自相关函数值为0。
John O’HanLon(1995)认为,对于不同行业而言,可能遵循哪一盈利时间序列模型,很大程度上取决于行业准入(或退出)壁垒所容许的盈利变动持续程度,对于盈利变动持续短的,很可能是ARIMA(0,0,0)和ARIMA(0,0,1);对于盈利变动缓慢衰减的,可能是ARIMA(1,0,0);盈利变动持久存在的则是d=1的ARIMA过程。
此外,格里芬(1977)、福斯特(1977)、布朗和罗泽夫(1979)[22]等分别运用Box-Jkensin模型(包括AR、MA、ARMA、ARIMA等模型)对季度盈利进行研究,这些模型对会计季度盈利均产生了较好的描述,具有广泛的影响力,在会计盈利研究中被普遍采纳,值得关注,其具体形式如下:
Foster模型:
以上几种Box-Jkensin模型都来源于简单ARIMA模型的变形,是在研究季度盈利时应重点考虑的模型。可以看到,模型中为了体现季度盈利的季节性,滞后项的间隔期一般为4,因此,对于季度盈利应主要观察间隔期为4的自相关函数特征来识别时间序列的性态。
四、总结
我国现阶段的客观条件对我国上市公司盈利时间序列研究有较大制约,应该以行业为主要研究对象,以2002年以后的季度盈利序列为主要研究数据进行研究,研究中要考虑到数据的限制,重点观察分析自相关函数和偏自相关函数,利用现有的得到普遍认可的简单ARIMA模型和季度盈利的Box-Jkensin模型进行研究。
标签:时间序列论文; 自相关函数论文; arima论文; 随机游走论文; 模型公司论文; 计量经济学论文; box论文;