我国权证市场星期效应的实证研究Word文档格式.docx

我国权证市场星期效应的实证研究Word文档格式.docx

《我国权证市场星期效应的实证研究Word文档格式.docx》由会员分享，可在线阅读，更多相关《我国权证市场星期效应的实证研究Word文档格式.docx（27页珍藏版）》请在冰豆网上搜索。

刘志葵（2007）编制认购、认沽权证指数，对权证市场进行了星期效应的检验，结果表明我国认沽权证存在星期一效应。

本文选取在沪深交易所上市交易的40只权证作为研究样本，采集2005年6月10日至2008年6月30日期间每个交易日的收盘数据。

其中，上海证券交易所14只认购权证，11只认沽权证；

深圳证券交易所7只认购权证，8只认沽权证（见表1）。

数据资料来源于天相金融数据库和万得金融数据库，采用eviews5.1作为分析工具。

表1权证样本

代码

权证名称

权证类型

行权方式

存续截止日期

标的证券

030001

鞍钢JTC1

认购权证

百慕大式

2006-12-5

鞍钢股份

030002

五粮YGC1

2008-4-2

五粮液

031001

侨城HQC1

2007-11-23

华侨城A

031002

钢钒GFC1

2008-12-11

攀钢钢钒

031003

深发SFC1

2007-12-28

深发展A

031004

深发SFC2

2008-6-27

031005

国安GAC1

2009-9-24

中信国安

031006

中兴ZXC1

2010-2-21

中兴通讯

038001

钢钒PGP1

认沽权证

欧式

2007-5-3

038002

万科HRP1

2006-9-4

万科A

038003

华菱JTP1

2008-3-1

华菱管线

038004

五粮YGP1

038005

深能JTP1

2006-10-26

深圳能源

038006

中集ZYP1

中集集团

038008

钾肥JTP1

2007-6-29

盐湖钾肥

580000

宝钢JTB1

2006-8-30

宝钢股份

580001

武钢JTB1

2006-11-22

武钢股份

580002

包钢JTB1

2007-3-30

包钢股份

580003

邯钢JTB1

2007-4-4

邯郸钢铁

580004

首创JTB1

2007-4-23

首创股份

580005

万华HXB1

2007-4-26

烟台万华

580006

雅戈QCB1

2007-5-21

雅戈尔

580007

长电CWB1

2007-5-24

长江电力

580008

国电JTB1

2007-9-4

国电电力

580009

伊利CWB1

2007-11-14

伊利股份

580010

马钢CWB1

2008-11-28

马钢股份

580011

中化CWB1

2007-12-17

中化国际

580012

云化CWB1

2009-3-7

云天化

580013

武钢CWB1

2009-4-16

580989

南航JTP1

2008-6-20

南方航空

580990

茅台JCP1

2007-5-29

贵州茅台

580991

海尔JTP1

2007-5-16

青岛海尔

580992

雅戈QCP1

580993

万华HXP1

580994

原水CTP1

2007-2-12

原水股份

580995

包钢JTP1

580996

沪场JTP1

2007-3-6

上海机场

580997

招行CMP1

2007-9-1

招商银行

580998

机场JTP1

2006-12-22

白云机场

580999

武钢JTP1

根据各权证样本的收盘价格，计算每日收益率如

式：

式中，

表示

期的收益率，

期的收盘价格，

期的收盘价格。

二、模型的选择

1、描述性统计

将每只权证样本日收益率序列按日收益率所在周内交易日（周一至周五）分成5组，计算星期一至星期五每天的平均收益率和收益率标准差。

通过平均收益率指标，可以考察一周内各交易日（周一至周五）的平均收益率的分布情况，大概了解一周内平均收益率最大和平均收益率最小的日子，以此初步判断权证样本在星期效应的表现形式。

2、最小二乘法（OLS）估计模型

回归分析在计量经济分析中使用非常广泛。

运用最小二乘法估计的多元线性回归模型的一般形式：

为因变量，

为自变量，

为自变量系数，

为误差项，T为样本个数。

本文在研究星期效应时运用最小二乘法（OLS）估计模型，通过在回归方程中引入虚拟变量来进行研究。

由于选用的是日收益数据，在回归时为了避免出现多重共线性问题，本文在研究时引入5个虚拟变量的模型（假定无解释变量），可将回归系数看成因变量在周内每交易日的平均值，模型如下：

为权证第

期收益率，

、

和

为未知参数，

为虚拟变量，

为残差项。

虚拟变量取值：

星期一时

=1，其他为0；

星期二时

＝1，其他为0；

星期三时

＝1，其他为0、星期四时

＝1，其他为0，星期五时

＝1，其他为0。

参数

分别测度星期一、星期二、星期三、星期四和星期五的平均收益率。

3、广义自回归条件异方差（GARCH）模型

在金融领域的研究分析中经常发现时间序列模型中的扰动方差稳定性通常比假设的要差，误差项的条件方差不是某个自变量的函数，而是随时间变化并且依赖于过去误差的大小。

为了刻画预测误差的条件方差中可能出现的某种相关性，恩格尔（Engle）提出了自回归条件异方差（ARCH）模型。

ARCH模型的主要思想是扰动项

的条件方差依赖于它的前期值

的大小。

“波动丛集性”或“波动聚集性”是许多金融资产收益序列偏爱ARCH模型的一个重要特征。

波动丛集性描述在资产价格的大的变化（正或负的）后，往往随后也会有大的变化，小的变化（正或负的）后有小的变化。

换句话说，波动的当期水平往往与它的最近的前些时期水平有正相关关系，即“波动的自相关性”。

在ARCH模型中，“波动的自相关性”的模型化是通过让残差项的条件方差依赖于其前一项的残差平方的值来表示的。

ARCH（p）过程包括均值方程和方差方程，一般形式的ARCH（p）模型为：

在金融领域，尤其是采用日数据或者周数据的应用时常常出现

的条件方差

依赖于很多时刻之前的变化量的现象，这就需要必须估计很多个参数，这却很难精确地做到。

为了克服ARCH模型的缺陷，Bollerslev（1986）提出了广义自回归条件异方差（GARCH）模型。

GARCH模型允许条件方差依赖于自身的前期值，GARCH（p，q）模型的方程中，当期条件方差被参数化为依赖q阶滞后的平方误差和p阶滞后的条件方差。

一般化的GARCH（p，q）模型为：

GARCH模型的优点在于能够以简单的GARCH模型代表高阶的ARCH模型，因此近年来GARCH模型在股票指数、股票、汇率、利率、期货等证券的风险度量和风险收益的计算中得到越来越广泛的应用。

一般来讲，在金融领域研究中，GARCH（1，1）能够充分捕获数据中的波动丛集性，因此，在本文研究中，采用GARCH（1，1）模型。

三、实证结果

1、平稳性检验

所谓时间序列的平稳性，是指时间序列的统计规律不会随着时间的推移而发生变化。

平稳性在计量经济建模中具有重要地位，因此有必要对观测值的时间序列数据进行平稳性检验。

平稳性检验方法主要有：

平稳性的非参数检验，自相关函数检验和单位根检验。

本文运用单位根检验中的扩展的迪克—富勒检验（AugmentedDickey—FullerTest）来研究收益率

的平稳性，有截距项而无趋势项。

检验结果表明在1%的显著性水平下，权证样本收益率

都拒绝随机游走的假设，说明权证收益率

是平稳的时间序列数据，收益率序列可以直接用于进行最小二乘法估计。

2、ARCH效应检验

在估计GARCH类模型前，应对残差进行Engle（1982）提出的ARCH效应检验，以确保该类模型适用于特定的数据。

通过对最小二乘法回归方程的残差进行ARCHLM检验，可以检验残差中是否存在ARCH效应。

本文中ARCH效应检验结果中深市认购权证中有031004、031005和031006的ARCH效应不显著，深市认沽权证中有038005的ARCH效应不显著，沪市认购权证中有580008、580009、580010、580011、580012和580013的ARCH效应不显著，沪市认沽权证中有580989、580993和580998的ARCH效应不显著。

可以看出我国权证市场中，上市时间较早权证品种的ARCH效应均比较显著。

对于具有ARCH效应的权证数据，可以采用GARCH模型做进一步的估计研究。

3、描述性统计结果

统计各权证在周内不同交易日的平均收益率及其最大值和最小值的分布。

结果如表2所示。

表2描述性统计结果

序号

权证

星期一

星期二

星期三

星期四

星期五

最大值

最小值

1

0.0303

0.0029

-0.0090

0.0031

-0.0069

周一

周三

2

0.0209

0.0045

-0.0007

0.0002

0.0067

3

0.0194

0.0137

0.0006

0.0055

-0.0064

周五

4

0.0149

0.0066

0.0036

-0.0009

-0.0010

5

0.0063

0.0057

-0.0017

-0.0076

6

-0.0039

-0.0196

0.0019

-0.0139

周二

7

0.0016

-0.0158

0.0030

0.0013

-0.0061

8

0.0088

-0.0237

-0.0015

0.0167

-0.0073

9

0.0147

0.0023

-0.0092

-0.0008

-0.0229

10

0.0212

-0.0080

-0.0146

-0.0330

-0.0591

11

0.0092

-0.0019

0.0050

-0.0121

-0.0269

12

0.0185

-0.0083

0.0086

-0.0127

-0.0238

13

-0.0154

-0.0141

-0.0175

-0.0675

14

0.0035

-0.0097

-0.0318

15

0.0069

0.0049

-0.0101

-0.0257

16

0.0290

-0.0138

-0.0132

-0.0086

-0.0303

17

0.0376

-0.0174

-0.0110

-0.0107

-0.0235

18

0.0441

0.0051

-0.0087

0.0028

-0.0049

19

0.0424

0.0044

-0.0029

-0.0026

-0.0085

20

0.0477

-0.0036

-0.0102

21

0.0200

-0.0079

0.0075

0.0056

22

0.0404

-0.0034

周四

23

-0.0043

0.0021

24

0.0158

0.0117

0.0037

0.0027

25

0.0101

0.0100

-0.0014

-0.0040

-0.0046

26

0.0001

0.0038

0.0005

-0.0065

27

0.0312

0.0143

0.0047

-0.0120

28

0.0146

0.0065

0.0042

29

0.0080

-0.0013

-0.0030

-0.0050

30

0.0207

0.0052

-0.0162

-0.0308

31

0.0043

-0.0098

-0.0335

32

0.0171

-0.0188

-0.0072

-0.0332

33

0.0071

0.0169

-0.0149

-0.0356

34

0.0110

-0.0024

-0.0056

-0.0177

-0.0283

35

-0.0047

-0.0109

-0.0322

36

0.0159

-0.0301

37

0.0162

-0.0066

-0.0135

-0.0192

38

-0.0094

-0.0277

39

0.0186

-0.0044

0.0000

-0.0205

40

0.0208

-0.0179

-0.0430

按照上市交易所和权证类型的不同，可以把权证分为沪市认购、沪市认沽、深市认购和深市认沽四种类型。

对所有权证收益率最大值和最小值次数的星期内统计分布情况如表3所示。

表3权证收益率最大值和最小值次数的星期分布

星期

占比例

87％

8％

5％

10％

77％

在描述性统计中，深市认沽、沪市认购和沪市认沽权证基本都出现了周一为最大收益率，周五为最小收益率且为负值，深市认购权证大部分满足周一收益率最高，周五收益率最小。

从统计数据可得，收益率最大值出现在周一的所占的比例为87%，最小值出现在周五的所占比例为77%。

综上所述，可以初步判断我国市场可能存在正的“周一效应”，和负的“周五效应”。

4、最小二乘法（OLS）估计结果

表4、5、6和7列出了运用含虚拟变量最小二乘法检验我国权证市场的星期效应的估计结果。

表中包含了三个统计指标分别为四种类型在周内不同交易日的平均收益率估计值、相应t值和P值。

表4沪市认购权证最小二乘法估计结果

权证代码

0.029

-0.014

-0.013

-0.009

-0.030

t

2.239

-1