中国股市的日历效应外文翻译资料
2022-12-23 14:53:32
英语原文共 16 页,剩余内容已隐藏,支付完成后下载完整资料
中国股市的日历效应
杭州电子科技大学商学院行为金融研究所,浙江310018,邮箱:gl@iisie.org
格哈德bull;克林
荷兰乌德勒支经济学院电子邮件:g.kling@econ.uu.nl
摘要:本文研究了中国股市的日历效应,特别是月效应和日效应。使用单个股票回报,我们观察日历效应随时间的变化。在上海和深圳,1991年的年终效应很强,但后来消失了。由于中国的年终是在2月份,最高的回报率可以在3月和4月实现。通过研究日常影响,我们发现周五是有利可图的。中国投资者是“业余投机者”,经常挪用企业资金进行私人交易;因此,这些资金在支付之前被用于短期投机周末之前回来。
关键词:年终效应,中国,异常,税损卖盘。凝胶分类号:K22, G28, C22。
1. 介绍
自Fama(1970)引入市场效率理论分析并提出有效市场假说以来,资本市场效率一直是实证研究的热门话题。随后,为了证明资本市场的有效性,大量的研究致力于研究股票价格变动的随机性。从那时起,股票市场收益的各种日历异常现象在金融文献中得到了广泛的记载。最常见的日历异常是一月效应和星期效应。显示市场回报遵循季节性模式违背了市场效率低下的假设,即通过观察过去收益的发展,市场参与者可以获得超常的利润。因此,Haugen和Jorion(1996)认为日历效应不应该是长期的,因为市场参与者可以从过去的经验中学习。因此,如果存在月度效应,那么基于月度回报模式的交易应该会产生超常利润——至少在短期内是如此。然而,这种交易策略会影响市场,因为进一步的利润不可能实现:日历效应应该被打破。然而,Haugen和Jorion(1996)发现1月效应仍然存在。随着时间的推移,日历效果的变化是我们论文的主要兴趣所在。
关于月度效应的文献,一般都证实了1月份和年末的效应,这与税收损失的销售策略和行为方面有关。Rozeff和Kinney(1976)的研究表明,美国股市在今年的第一个月的股票回报率明显高于其他月份。发达国家的其他主要资本市场也表现出类似的日历效应:Officer(1975)专注于澳大利亚证券交易所;加拿大市场上的Tinic, Barone-Adesi 和 West (1990);Aggarwal, Rao和 Hiraki(1990)在东京证券交易所;Barone(1990)对意大利市场的股票进行了分析,Lewis(1989)对伦敦交易所上市的股票进行了分析。关于所谓的处置效应的文献也提到了年终效应(见Odean, 1998)。对1月份较高回报的一种解释是,投资者倾向于在12月份实现亏损,以减少应税投机所得。另一个影响是与机构交易相关的账面。为了避免在年底向投资组合中的许多输家报告,机构投资者倾向于在12月卖出亏损的股票。他们在1月份报告日期之后购买这些股票,再次保持他们所期望的投资组合结构。与其他月份相比,1月份的回报率更高。由于资本利得税在所有发达国家都是普遍的,中国可以作为一个反例,资本利得是免税的。因此,在上海和深圳的中国股票交易所,不应出现税收驱动的抛售行为。此外,中国的年终是在2月份,与其他股市相比,机构交易的重要性较低。因此,上述对年终效应的解释并不适用于中国股市。
中国的“年终效应”与之前关于“年终效应”的解释相矛盾。本文试图利用中国股市数据寻找或剔除年末效应。因此,我们将有助于理解年终现象。
也有大量的文献对日股收益率的周效应进行了研究。Cross(1973)发现,1953年至1970年期间,周五的平均收益率高于周一标普500指数的平均收益率。这种效应通常被称为周末效应。French(1980)也对标普500指数进行了调查,证实了1953年至1977年间的这一发现。后来,Gibbons和Hess(1981)以及Smirlock和Starks(1986)报告了类似的结果。在其他国家的股票市场上也可以观察到星期几的影响。Jaffe和westero -field(1985)研究了澳大利亚、加拿大、日本和英国股市的周末效应,发现日本和澳大利亚股市的平均回报率最低都在周二。Solnik和Bous-quet(1990)在周二的巴黎证券交易所中也表现出强劲和持续的负回报。Barone(1990)证实了这些结果,这些结果确定了意大利股票价格在周二跌幅最大。之后,Agrawal和Tandon(1994)、Alexakis和Xanthakis(1995)和Balaban(1995)表明,不同国家的股票收益分布随每周的不同日期而不同。此外,美国其他金融市场也存在周几模式,包括国债市场(弗兰纳里和Protopapadakis, 1988)、大宗商品和股票期货市场(康奈尔,1985;Dyl和Maberly, 1986;盖伊和金,1987)。简而言之,工作日效应在不同的国家和不同类型的市场中是一种常见的现象。我国股票市场的特殊性使得调查日的周效应大有希望。特别是,投机行为和小股东的主导地位可能会影响工作日效应。
本文旨在研究中国股票市场的日历效应;因此,利用指数数据和沪深两市的个股收益率。除了提供日历效果的静态图片(到目前为止还没有完全完成)外,我们还研究了日历效果随时间的变化。如Haugen and Jorion(1996)指出,人们应该预期日历效应是由于市场参与者的学习而产生的短期现象。如果基于过去经验的投资者意识到日历的异常,并能够运行交易策略,这种影响应该会随着时间的推移而消失。本文的其余部分组织如下。第2部分介绍了数据集,并讨论了使用个人和市场指数数据分析当前日历效果及其随时间的变化。第三部分为月度效应;因此,我们首先进行描述性分析。雷高,格哈德·克林通过回归分析和估计月效应随时间的变化。接下来是一周中某一天的实证结果。然后,第五部分对中国股市的年历异常现象提出了解释。最后,结束语总结了我们的主要发现。
2. 数据
为了分析月收益和日收益对股票收益的影响,我们使用了文献中常见的沪深两市的市场指数。然而,由于数据的可用性,仅依靠指标数据来度量历年异常随时间的变化是不够的。显然,自上世纪90年代股票交易所重新开放以来,每个月至多有13次观察结果,因此估计这13年来月度效应的变化是一项高风险的冒险。因此,我们还使用了自中国证券交易重启以来在这两个交易所上市的所有股票的单独股票收益。这极大地增加了观测的数量,并且可以得到每月模式随时间变化的精确估计。
表1 每月平均回报及其置信区间的描述性统计
上海 |
深圳 |
|||||
月份 |
下降 |
平均值 |
上升 |
下降 |
平均值 |
上升 |
1月 |
minus;4.87 |
3.98 |
12.84 |
minus;5.49 |
1.34 |
8.17 |
2月 |
minus;0.77 |
3.38 |
7.53 |
minus;2.49 |
2.66 |
7.82 |
3月 |
minus;8.70 |
0.35 |
9.41 |
minus;4.27 |
3.55 |
11.37 |
4月 |
minus;4.07 |
5.41 |
14.89 |
minus;5.05 |
7.70 |
20.45 |
5月 |
minus;12.53 |
8.17 |
28.87 |
minus;5.46 |
2.61 |
10.69 |
6月 |
minus;4.97 |
3.49 |
11.94 |
minus;9.15 |
0.03 |
9.21 |
7月 |
minus;13.33 |
minus;5.90 |
1.53 |
minus;12.46 |
minus;4.78 |
2.89 |
8月 |
minus;10.60 |
6.60 |
23.80 |
minus;10.25 |
0.81 |
11.86 |
9月 |
minus;6.34 |
minus;2.07 |
2.21 |
minus;6.36 |
minus;2.42 |
1.52 |
10月 |
minus;11.40 |
minus;2.91 |
5.58 |
minus;9.50 |
4.46 |
18.42 |
11月 |
minus;1.16 |
6.68 |
14.53 |
minus;2.71 |
1.64 |
6.00 |
12月 |
minus;9.46 |
minus;3.94 |
1.57 |
minus;9.70 |
minus;4.14 |
1.42 |
所有值都以百分比表示。月平均收益率正负两倍于标准差形成置信区间。
3.中国两家证券交易所的月度效应
3.1描述性统计
对不同月份市场回报的描述性统计突显出,乍一看,月度效应几乎可以忽略不计。表1总结了95%置信区间的平均收益以及上下边界。从1990年到2002年,平均月回报率的置信区间包括所有情况下的零回报率。因此,一个明确的积极或消极的影响不能被证实。然而,有两点值得注意:我们只有12年的时间,因此每个月最多只能观察到12次;要得到置信区间,不需要串行依赖等强假设。下一节将使用更详细的技术,即回归分析和ARIMA模型来处理后一个问题。为了克服观测量低的问题,采用了所有上市公司的单月股票收益率。此外,观测次数的增加可以估计月模式随时间的变化。
3.2回归分析
我们分析的出发点是有效市场的假设;因此,可以假设返回的随机性。因此,我们声明市场收益遵循几何随机游走即对数市场指数遵循随机游走。第一个差异,即股票交易所i在时间t标记为rit时的市场收益,是平稳过程。插入一组表示dj控件的虚拟变量,用于月度效果。请注意,我们总是使用7月作为参考月。
如果有效市场假说成立,人们就会认为,月度效应并不存在。因此,我们检验了所有系数的联合假设beta;ij证交所我共同不明显不同于零。应用Huber-White三明治估计器,得到了在异方差存在下的t值,并对两种股票进行了验证
两个交换的AR(1)进程。以深圳为例,可以包括一个额外的移动平均线组成部分。最大似然估计程序为这些ARIMA规范提供了结果,但如表2所示,日历效应只能在上海证券交易所观察到。与其他月份相比,2月和11月的回报率显著为正。发现2月份的影响表明,由于中国历法的原因,年终效应可能会转移到2月份。尽管发现了个别月份的显著系数,但两家交易所的联合假设检验表明,上海股市的f值分别为1.39 (p值:0.185)和0.98 (p值:0.517),可以坚持有效市场假设。
基于这些实证结果,我们可以得出结论,2月份的影响证据不足,这可以用中国的年终来解释。然而,联合假设检验强调,这两家交易所的月度效应无法得到证实。如上所述,这一发现可能是由于每个月只有13次观测结果。更糟糕的是,从交易所重新开放到2002年,每月模式的结构可能会发生相当大的变化。利用沪深两市上市股票的个股收益率信息,我们试图通过大量增加观测值来摆脱这一陷阱。
3.3日历效果随时间的变化
为了更精确地估计每月的股票收益格局,并分析这种格局随时间的变化,使用了1990年至2001年的股票个人数据。以上海为例,有34790个月的月收益率,而深圳股市有29797个月的月收益率。
我们分析的出发点与分析市
剩余内容已隐藏,支付完成后下载完整资料
资料编号:[20837],资料为PDF文档或Word文档,PDF文档可免费转换为Word