实验10 中国股票市场噪声交易行为有效性研究

一、实验目的

通过上机实验，使学生充分理解Eviews软件系统管理和基本原理，掌握噪声交易的基本模型，并学会采用事件研究法对中国股市进行噪声交易行为有效性的实证检验。

二、准备知识

2.1 有效市场假说和行为金融理论分析

从20 世纪60 年代开始, 有效市场假说(EMH) 逐渐成为金融市场主流理论的基石, 凯恩斯(John Maynard Keynes)强调的“动物精神”逐渐为“理性投资者”的概念所取代。在有效市场理论中, 噪声交易是不存在的。因为非理性交易者会由于“市场选择”(Market Select ion) 而消失, 最终由理性交易者主导市场。夏普(W. Sharpe) 对有效市场的定义是: 在一个市场当中, 如果无法通过利用某一信息集合来形成买卖决策以赚取超出正常水平的利润, 那么该市场对这组特定的信息集合是有效的。有效市场假说成立的前提条件实际上包含在夏普所提到的“完美市场(Perfect Market) ”的概念之中: (1) 整个市场没有摩擦, 即不存在交易成本和税收, 所有资产可完全分割, 可交易, 没有限制性规定; (2) 整个市场充分竞争, 所有市场参与者都是价格的接受者; (3) 信息成本为零, 所有市场参与者同时接受信息; (4) 所有市场参与者都是理性的, 并且追求效用最大化。

在法玛(Fama) 的弱式有效市场假说中, 前三个条件得到了放宽, 但仍然强调市场参与者的理性, 因为有效市场假说的成立要满足价格随时间变化的独立性, 只有在假设理性投资者主导市场和追求效用最大化的前提下, 才可能假设均衡价格等于价值, 价格已经反映了可以获得的信息, 价格变化的序列是独立的, 从而价格、预期收益率都是独立分布的。所以,“理性投资者”的概念是有效市场假说最基本的假设。

但是行为金融理论对市场参与者的完全理性表示质疑。行为金融理论(BFI，Behavioral Finance Theory)是当代金融理论中研究最多、影响最大的一种理论，它是将行为学、心理学和认知学成果运用到金融市场上产生的一种新理论，是基于心理学实验结果提出投资者决策时的心理特征假设来研究投资者实际投资决策行为。迄今为止，对于BF虽没有公认的明确定义，但这并不妨碍它的发展。一般来说，行为金融研究经历了三个时期：1．行为金融研究的早期。现代意义上的BF理论开始于1951年Burrell发表的一篇题为《以实验方法进行投资研究的可能性》的论文，开拓了一个将量化的投资模型与人的行为特征相结合的金融新领域。2．心理学行为金融时期(1960年至8O年代中期)。Kahneman和Tversky于1979年共同提出的期望理论成为行为金融学的重要理论基础，利用它解释了不少证券市场的异象。3．金融学行为金融时期(80年代中期至今)。在这一时期涌现出一大批研究行为金融的学者，他们对各种股市现象进行了多角度研究，丰富了行为金融理论。

对应于EMH在理论基础和经验检验存在的问题，BF的研究内容可归纳为三个层次：1．个体的有限理性特征、群体行为和非完全市场。2．金融市场异象。3．投资者盈利策略。BF的这三个层次的研究内容正好与经典的金融理论研究形成对照：有限理性特征对应理性人假设；随机交易对应群体行为；完全市场假设对应非完全市场；投资者盈利策略对应无套利原则。用这些研究内容可以解释证券市场异象发生的原因。

行为金融理论认为, 经济学“理性”概念的涵义太过于理想化, 经济学中的理性人应该是有理性愿望而没有完全理性能力的人。同时, 所谓的“市场选择”也不是绝对的, 非理性交易者是能够在市场中长期生存的, 德农(De Long)、希勒菲尔(Shleifer )、萨默斯(Summers ) 和瓦尔德曼(W aldmann )(1990) 等人在其论文中证明了非理性交易者的生存机制。

证券市场中的交易者依靠信息对交易品种的价值做出判断, 尽管价值是先于价格的产生而客观存在的, 但在实际交易过程中对价值的判断表现为一种“共识”,“价值发现”就是对价值的“共识”达成一致的行为。共识的达成受众多的投资者行为的影响, 所以这种一致的认识即价值判断的标准无法实现静态的均衡, 同时也无法先验地判断哪些信息与价值有关、哪些信息与价值无关。由于非理性交易者的存在可能会出现两种情况: 任何交易者都有可能把与价值无关的信息认为是与价值有关; 或者, 某些交易者人为地制造虚假信息, 而其他投资者可能无法识别其真伪而受到影响。这两种信息被认为是噪声, 相应地产生两种噪声交易: 部分是由于非理性交易者的必然存在而带来的, 这种噪声交易存在于任何市场中; 其他部分则是由人为因素引起的, 这部分噪声交易是可以避免的。由于非理性交易者能够在市场中生存, 噪声交易也将大量存在于市场交易之中。福罗德(Froot)、斯切夫斯坦(Scharfstein) 和史泰因(Stein) (1992) 等人认为: 在短期交易普遍存在的前提下, 交易者可能聚集在某些信息甚至是与基础价值毫不相关的信息或谣言上进行交易。它会在一定程度上引起信息资源的不合理配置和价值与价格的明显偏离, 当大量的交易者聚集于某一信息并发生极端反应的时候, 就会导致“羊群效应”。德农、萨默斯和瓦尔德曼认为: 市场中存在积极反馈交易者(Positive Feedback Trader) , 其行为特点是对价格过度预期或对价格走势的积极跟进(如“追涨杀跌”) ,进行短期投机的知情交易者( Informed Trader) 会利用积极反馈交易者的行为特征从中获利并使价格波动更大。“羊群效应”导致的交易和积极反馈交易者进行的交易都是典型的噪声交易。证券市场的实际情况越接近有效市场意味着资金的配置效率越高, 噪声交易的存在必然造成市场效率下降, 因此, 理性程度越高、噪声交易所占的比重越小的市场越成熟。但市场的完全理性是不可能的, 同时噪声交易的存在构成了金融产品交易的一部分, 对于市场的流动性是必不可少的, 因此从整个市场的角度看, 适度的噪声交易有利于保持市场的流动性。对此, 布拉克(Fischer Black) 的评价是:“噪声使得金融市场变得可能, 同时也使其不完美。”但如果噪声交易的增加造成了过度投机和内幕交易, 将会导致整个市场的效率大大下降, 证券市场也将失去价值发现、资源配置的功能, 而存在过度噪声交易的市场中也更容易出现异常的市场波动。

在噪音交易模型中，投资者被划分为理性套利者和噪音交易者两类，前者掌握较完全的基础信息，后者则根据与基础价值无关的噪音信息进行交易。任何在短期进行套利的套利者都必须承受这种风险。噪音交易者风险会使得理性套利者的行为发生变异。他们可能会“理性地”忽视对基础信息的分析，而转向预测噪音交易者的行为，使得操作方向与噪音交易者相同，从而使价格的涨跌加速。Shiller（1989）对噪声交易者所能解释的经典实证结果进行了简单分析。理性套利者（smart money，即市场上“聪明的钱”）对股票的需求比例为Q，Q大致可以根据均值方差模型来确定，

$$Q_{t}=\left(E_{t} R_{t+1}-\rho\right) / \theta(1)$$

如果$E_{t} R_{t+1}=\rho$，那么理性套利者的股票需求为0。如果$Q_t=1$，那么理性套利者持有股票，这是的必要预期收益率为$E_{t} R_{t+1}=\rho+\theta$。因此，$\theta$是吸引理性套利者持有所有股票的风险溢价。

我们现在假设$(Y_t/P_t)$等于噪声交易者所持有的股票份额。在均衡状态下，理性套利者和噪声交易者所持有的股票份额和应等于1，

$$Q_{t}+\left(Y_{t} / P_{t}\right)=1(2)$$

将（1）代入（2），

$$E_{t} R_{t+1}=\theta\left[1-\left(Y_{t} / P_{t}\right)\right]+\rho(3)$$

因此，理性套利者的预期收益依赖于他们所认为的噪声交易者当前和外来需求，噪声交易者需求越高，当前价格就越高，理性倒立着对收益的预期就越低。由（3）和如下定义

$$E_{t} R_{t+1}=E\left[\left(P_{t+1}+D_{t+1}\right) / P_{t}-1\right](4)$$

就可以得到

$$P_{t}=\delta E_{t}\left(P_{t+1}+D_{t+1}+\theta Y_{t}\right)(5)$$

其中，$\delta=1 /(1+\rho+\theta)$。因此，重复向前替代就可以得到

$$P_{t}=\sum_{t=0}^{\infty} \delta^{t}\left(E_{t} D_{t+1}+\theta E_{t} Y_{t+1}\right)(6)$$

如果理性套利者是理性的，清楚地知道噪声交易者的需求，那么理性套利者就可以计算出市场出清价格，它等于内在价值$(E_tD_{t+1})$和噪声交易者未来需求$E_tY_{t+1}$的加权平均。这个模型的缺点是，噪声交易者的需求完全是外生的。然而，正如我们在下面即将看到的那样，我们仍然可以从这个模型中得到一些有用的直觉。

如果$E_tY_{t+1}$和噪声交易者的总需求是随机的且均值为0，那么（6）中$E_tY_{t+1}$的一栋平均值对$P_t$几乎没有影响，$P_t$主要受基本面所主导。价格会偏离内在价值，但这种偏离是随机的。另一方面，如果噪声交易者需求具有持久性，那么噪声交易者需求的微小变化对目前的价格都会产生很大的影响，这可能使得价格在很长的一个时期内极大地偏离内在价值。

Shiller（1989）使用上述模型来说明，在EMH不成立时，基于收益对t时刻已知的信息变量进行回归的市场效率检验，拒绝EMH的功效为什么这样的低。假设红利（和贴现率）为常数，因此EMH（没有噪声交易者）意味着股票价格为常数。现在假设市场实际上完全由噪声交易者所驱动，假设噪声交易者的需求为

$$Y_{t}=\mu_{t-1}+\mu_{t-2}+\mu_{t-3}+\cdots+\mu_{t-n}(7)$$

$\mu_t$是白噪声。方程（7）有如下性质：t时刻的单位需求增加使得Y在未来时刻的变动有一个平方峰（square hump），平方峰在n期后消失。使用（6）就可以得知，价格变动$P_{t+1}-P_t$仅仅是因为人们对噪声交易者未来的需求预期进行了修正，修正的方法是用$\delta$,$ \delta^{2}$,$ \delta^{3}$等来进行加权。因为$0<\delta<1$，所以价格变化主要受$\mu_t$（而不是$\mu_{t-j}$）控制。然而，因为$\mu_t$是随机的，所以模型中的价格变化（根据构造，它有噪声交易者所主导）基本上是不可预测的。

Shiller使用（6）针对$Y_t$中持续性的不同取值（有滞后长度n来给出）及$\rho$和$\theta$的各种取值来生成$\Delta P_{t+1}$，然后将所生成的$\Delta P_{t+1}$只包含$P_{t}$的信息集合进行回归。在EMH成立的条件下，我们预期回归中的$R^{2}=0$。当$\rho=0$, $\theta=0.2$, n=20时，Shiller发现$R^2=0.0015$。小的R值支持收益为常数时的EMH，但这一结果可以有如下模型来导出：模型中的价格变化完全由噪声投资者决定。另外，即使价格变化很难预测，价格水平相对于内在价值而言仍然有很大的偏离。他所计算的结果还有，如果所生成的数据包括4%的常数红利价格比，那么收益$R_{t+1}$对价格红利比回归的“理论$R^2$”等于0.079。因此，“收益与t时刻的信息只是弱相关”的经验证据与“价格由噪声交易者（而不是基本面）来决定”的结论不一致。总之，Shiller对经验证据给出了中肯的意见。使用实际数据所发现的证据不是股票收益不可预测（如EMH所建议的那样），而是股票收益可预测的程度很低。然而，后一个结论也与噪声交易者起着重要作用的模型几轮不一致。

如果$Y_t$的行为是外生的（即与红利无关），但又是平稳和均值反转的，那么我们预期收益是可预测的。在比Y的平均值高的那些地方，后面必然会出现Y的下降（向长期平均值方向运动）。因此，价格是均值反转的，根据历史收益可以对当前收益进行预测。

另外，这个简单的噪声交易者模型可以解释红利价格比和下棋股票收益之间正的相关性。如果红利随着时间的演变只有很小的变化，那么由$E_tY_{t+1}$得增加所导致的价格上升会使红利价格比下降。如果$Y_t$是均值反转的，那么价格在将来会下降，因此收益$R_{t+1}$也会下降。因此，正如实证研究所发现的那样，$(D/P)_t$与收益$R_{t+1}$是正相关的。Shiller也注意到，如果噪声交易者的需求$Y_{t+1}$受历史收益（即惯性效应，bandwagon effect）或历史红利的影响，那么与（6）中第一项（价格反应中的内在价值部分）固定的情形相比，股票价格可能对当前红利产生过度反应。

三、实验内容

利用EViews，采用事件研究法对中国股市进行噪声交易行为有效性检验。

四、实验步骤

4.1研究设计

本文采用事件研究法来进行噪声交易行为有效性检验，把股价大幅波动作为事件看待，如果短期内累积的收益率达到一定的设定标准就当作一个事件触发，一旦在不超过规定的交易期限内股票的累积异常收益率触及某个标准，就自动将该股票纳人某类事件组合。具体而言，由于噪声交易者是以股价的涨跌幅度作为其交易依据，同时考虑到我国股市股价变化的跳跃性特征非常突出，本文按如下方式来设定事件触发标准：公司股票在最多不超过五个连续交易日内收盘价格涨幅偏离值累计达25％ 、30％和35％ ，在最多不超过十个连续交易日内收盘价格涨幅偏离值累计达40％、45％ 、50％。

事件窗口由估计期、形成期、检验期三段构成。从事件日前200个交易日至事件日前50个交易日作为估计期，用此150个交易日的数据来估计市场模型的参数，即估计和；用事件日的前50个交易日作为事件的形成期，用这50个交易日的数据来分析该事件触发前的股价行为特征，并为检验期提供对照；用事件日后的100个交易日作为检验期，来进行事件触发后的投资绩效检验。

4.2累积异常收益率(CAR)的计算

在事件研究法中，异常收益(abnormal return)是一个很重要的指标，用来度量股价对事件发生异常反应的程度。本试验中计算异常收益的基本思想是：先用市场模型(market mode1)方法来预测正常收益，然后利用该模型的预测误差作为异常收益的估计。累积异常收益率的计算分四步进行：(1)估计各事件股市场模型的参数；(2)计算各事件股在形成期和检验期的日异常收益率；(3)计算组合的日异常收益率；

(4)对组合的异常收益累加起来得到各组合的累积异常收益率。

(1)市场模型参数估计

在单因子市场模型下，根据样本股在估计期间的日收益率及相应期间的市场指数日收益率，采用最小二乘回归法估计出个样本股票的参数$\alpha_i$和$\beta_i$的估计值。单因子市场模型方程如下：

$$R_{i t}=\alpha_{i}+\beta \cdot R_{mt}+\varepsilon_{it}(8)$$

其中，i代表涨幅组合中的事件股，t代表事件日前200个交易日开始至事件前50个交易日，$R_{i t}$代表第i股在第t 日收益率，$\alpha_i$代表第i股的截距项，$\beta_i$代表第i股的系统风险因子，R_{m t}代表第t日的日市场收益率，$\varepsilon_{it}$代表残差。

(2)事件股的日异常收益率

将估计出来的市场模型参数代入单因子市场模式方程，计算出股票的预期收益率，然后以形成期和检验期股票的实际收益率减去预期收益率，即可得到各事件股在形成期和检验期内的异常收益率$AR_{it}$，即：

$$A R_{i t}=R_{i t}-\hat{\alpha}{i}-\hat{\beta}{i} \cdot R_{m t}(9)$$

其中，t为事件日前50个交易日至事件日后的100个交易日。

(3)事件组合的日异常收益率

对事件组合中的各股异常收益率先加总再进行算术平均，求出事件组合的异常收益率$AR_{it}$：

$$A R_{t}=\frac{1}{N} \sum_{i=1}^{N} A R_{i t}(10)$$

其中，N是特定事件组合中样本股数目，t为事件日前50个交易日至事件日后的100个交易日。

(4)事件组合的累积异常收益率$CAR_t$

$$C A R_{t}=\sum_{t=-50}^{100} A R_{i t}(11)$$

其中，t为事件日前50个交易日至事件日后的100个交易日。

4.3 样本选取、数据来源及处理

欧阳洪（2007）以上海证券证券交易所上市交易的A股为研究对象，采集了从1997年12月31 日到2005年12月31日为止共8个年度的所有股票的日交易数据作为样本数据，采用事件研究法对中国股市进行了噪声交易行为有效性实证检验，其结果如表4.1所示：

从表4.1的结果可以发现：从整体上看，6种类型的事件组合全部亏损，且亏损程度与事件组合的初始涨幅成正比；从个股操作来看，交易正确的概率远远低于交易错误的概率，且成功概率与事件股初始涨幅成反比。该结果表明，在中国股市，噪声交易行为不是一种有效的盈利行为。从某种意义上讲，这一结论可能是我国股市股价大幅波动具有市场操纵性质的间接证据。

考虑到以上的检验过程计算大非常的大，在本实验中，我们任意选取一只上市股票作为范例来对其累计异常收益率进行估算，使同学们通过这个例子了解事件研究法的计算过程。

在表4.2的数据中，我们可以找到从2000年2月24日到29日连续4个交易日中，新华制药的股价从19.28元上涨到了25.63元，涨幅达到了32.9%，因此可以看作一个事件触发，事件触发日为2000年2月29日，我们用事件触发日前200天到后100天的数据来进行研究。

4.4 股市噪声交易行为有效性实证检验

我们可以先在Excell中直接计算出新华制药和深证成指的日收益率。根据前面的讲解，我们首先采用最小二乘回归法估计出个样本股票的参数$\alpha$和$\beta$， i代表涨幅组合中的事件股。我们这里只有一只股票，因此i可以省略。

在命令行输入“ls r1 c r2”，其中r1和r2分别代表事件触发日前200日到触发日前50日的新华制药和深证成指的日收益率序列（如图4.1）。

第二步，利用估计出来的参数，计算出股票的预期收益率，然后以形成期和检验期股票的实际收益率减去预期收益率，即可得到事件股在形成期和检验期内的异常收益率。计算时期是事件日前50个交易日至事件日后的100个交易日。

由于在这一步骤中，事件长度和上一步不一样，为了和上一步区分开来，这里重新建立了一个workfile，同学们在做的过程中也可以在原来的文件项下继续操作，只是注意要区分清楚。

在命令行输入“series re=r1-0.002491-0.752977*r2”，其中re代表了异常收益率序列，r1和r2分别代表事件触发日前50日到事件日后100日的新华制药和深证成指的日收益率序列（如图4.2）

由于我们这里只有一只样本股，因此，前面讲到的求事件组合的日异常收益率这一步就可以省略。

最后，我们计算事件股的累积异常收益率（CAR）。打开re序列，一次在菜单中选择“View→Descriptive Statistics→Stats Table”就得到了如下的统计信息。在倒数第二栏显示的就是累积就和的值。因此，该事件股的CAR值为-0.3103，即累积异常收益率为负值，说明针对新华制药的这一次噪声交易行为是错误的（如图4.3）。

由于篇幅的关系，我们这里只简单介绍了一只股票的计算，同学们课后可以参照欧阳洪（2007）的文章，对整个股票市场所有的上市股票进行研究。