资产的相关系数范文

导语：如何才能写好一篇资产的相关系数，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

 

现代化企业的核心是一个企业的“人力、物力、财力”的综合体现。随着社会的发展，人力资源管理对于企业来说越来越重要，铁路事业是我国交通运输的主要形式，经过了长期的探索和发展，无数次重大的技术改革和创新发展，铁路事业越来越意识到人力资源对于现在经济发展的影响。我国的铁路事业在发展上也是要强化人力资源的管理。本文主要分析了铁路人力资源管理体系的构建及相关问题阐述

 

一、铁路人力资源存在的市场价值

 

人力资源是社会的无形资产，任何一个企业掌握了充分的人力资源都会增加这个企业未来的发展空间。随着现代化经济的飞速发展，铁路企业也面临着非常大的机遇和挑战，在这个竞争激烈的环境中，现代经济越来越强调人才的重要性，这就迫切的需要铁路企业加强对铁路人力资源管理体系的构建。

 

1.在过去的很长一段时间内，铁路建设是国家重点投资的对象，铁路建设的发展有效的带动了一些列的经济的发展和经济水平的提高。随着社会生产力水平的不断发展，科学技术的不断进步，铁路也需要构建人力资源管理体系。铁路人力资源管理体系的构建可以推动铁路企业的深化改革，引领铁路企业朝着更加发展的方向前进。

 

2.铁路发展包括很多的技术，有计算机技术、通信技术、监控技术等很多方面。在市场经济下，先进的技术充分的体现了其应用价值，合理的利用人力资源管理能促进新技术的创新。

 

3.人才是一个企业创造收益价值的体现和力量保证，拥有足够人力资源能够让铁路企业得带迅速的发展。既降低了铁路企业在经济投资上的成本，也加快了铁路企业更方面的进一步发展。

 

二、构建人力资源管理体系的问题

 

1.加强铁路企业在人力资源的配置上的科学。我国的铁路企业在人力资源管理体系上还存在很多的问题，其中结构性的人才在铁路企业人力资源中非常的缺少。由于受到很多的管理体制的约束，在用人上面过于的局限。之前铁路企业在招聘上形式非常的单一，可是随着经济的发展，高铁的开通，高速铁路增多，导致了铁路上的一线工作人员非常的紧缺，有关的技术人员也是非常的短缺。在国内，高铁运输还是处在探索的阶段，所以从原有的很多的铁路干线上抽调很多的技术型人才到高铁方面，，导致本来技术型人才本来就很短缺的情况上更加的紧迫，加之铁路管理人员也是非常的缺乏，铁路是个非常庞大的管理系统，所以铁路人力资源管理体系的构建非常的需要。

 

2.在资金方面也需要更加的保证。资金是企业发展的关键，足够的资金可以使企业的经营规模加大。铁路建设在构建铁路人力资源管理体系时，需要有足够的资金的流通。铁路的财务部门需要对每笔经济业务进行详细的记录，避免资金的流失，还要在成本上面进行适当的控制，提高资金的有效利用。

 

3.加强与商业方面的合作。现在很多的经济模式都是以商业合作的形式展现的，商业合作可以为铁路企业的发展提供更多的资金，能够共同承担风险，减少企业的经济损失。未来的铁路人力资源管理体系的构建要与其他的企业尽力良好的关系，更好的利用人力资源的分配。

 

4.社会主义市场经济是一个多元化的环境，在制度方面，企业还不能满足内部控制，应该在基于市场实情的基础上更新企业的内部控制体系。

 

三、铁路人力资源管理体系的构建的优化

 

要加强树立新的铁路人力资源管理理念，加强铁路人力资源管理，首先就是要树立创新性企业人力资源管理理念和意识，将铁路企业人力资源管理与企业整体发展的目标有效的结合起来，转变铁路人力资源管理的管理模式和方法。加强构建全方位的专业人才培训机构。铁路企业要想加强改善人力资源，就必须从多角度、多层次、多方面的进行考虑，建立符合铁路企业发展的有效的人才管理机制。

 

结束语

 

随着社会主义市场经济和现代化建设脚步的加快，铁路，作为社会经济发展的支柱企业，在社会主义现代化建设中承担越来越重要的责任。随着经济的飞速发展，铁路企业也面临着非常大的机遇和挑战，在这个竞争激烈的环境中，现代经济越来越强调人才的重要性，这就迫切的需要铁路企业加强对铁路人力资源管理体系的构建和完善。

篇2

[关键词]金融资产价格；估值模型；Samuelson解释；冲击变量影响；0―1变量A(x)

[中图分类号]F830.9　[文献标识码]A　[文章编号]1008―2670(2009)03―0032―04

一、引言

2006年，美国楼市掉头并发生偿付能力危机，由此引发了一场全球性金融危机，且有可能蔓延至全球实体经济。目前，经济学界对这场全球性金融危机的归因有两种基本观点：一种观点认为应归因于金融市场。即认为金融市场过于贪婪，道德信誉败坏，对于风险缺乏足够的警惕意识。另一种观点归因于政府政策。即认为在2004年内，美国的经济政策由扩张转向紧缩，2006年内的一系列调整幅度过大，超出了金融市场的适应能力。

然而上述观点并未找到引发危机并提前进行衍生品估值调整的根本原因。本文认为，危机的根本原因，是金融经济学模型所基于的随机性假设，不能在市场的全部可能范围内，与资产价格的实际行为模式拟合。某些用回归方法计算出的参数只能在一定范围之内被视为常数，超出这个范围它们并不是常数，而是一个变化着的函数或随机变量。这就导致现有的数学模型只在一定范围之内具有令人满意的可靠性，而在该范围之外将失效。

可以认为，在这次金融危机中，现有估值模型的反应滞后于宏观经济情况的变化6至10个月，滞后于危机临界点3至4个月，甚至滞后于市场价格反映1至2个月。金融机构乃至普通投资者对这样的反应速度显然是不满意的。

二、金融资产价格随机性的Samuelson解释的实质

现代金融经济学研究一家企业当前股价或一份期权当前价格的结构性原因，并对其将来的可能价格进行预测。其方法是以当前股价为基础，首先建立股票价格的分布模型，利用历史价格，回归估计出分布模型中的参数值；然后利用几率微积分计算出将来股价的预期价格或相关衍生工具的应值价格。但是，Alfred Cowles等人以及Maurice G，Kendall分别对美英两国股票价格的实证性研究表明，价格变化和资产市场的状况之间似乎没有任何关联。

1965年，Paul A.Samuelson对Cowles和Kendall的结果给出了一个新的解释。他认为，市场价格的随机性是市场回避套利的表现。如果价格波动不随机，那么它将是可以预测的。这样一来，投资者就可以通过预测价格并执行恰当的交易而获取利益。我认为，Samuelson解释的实质，是把价格的随机性归因于高度有效的市场中的复杂的供求力量均衡所决定的出清价格的随机性。在我看来，如果把供求均衡价格比作太阳，并把股票价格比作地球，那就意味着CoMes和Kendall观测到了地球在不停地上下随机游走。他们认为既然是太阳吸引地球，因此地球存在随机运动是不可理解的。而Samuelson对此的解释是：地球的随机游走是因为在一个时间序列里，太阳在地球上方或下方的不同位置随机出现，并吸引地球向太阳移动。Samuelson的解释并没有否定地球被太阳吸引，也就是说，他并没有否定供求关系决定股票价格这一点。Samuelson之前的经济学家未能得出如Samuelson的结论，是因为他们对现代金融市场的巨大性、复杂性，尤其是有效性没有足够的估计。因此也就不可能充分认识到金融市场力量的均衡过程已经产生了足够的随机性。

三、传统模型失效的数值分析

(一)模型概要

多变量CAPM模型是资产估值的基础，而资产估值则是市场价格预测的基础。Markowitz最小化问题是关于最优资产组合的问题，也是投资者行为的依据。在数学基础上，这两个理论是没有问题的。但是，在实际情况中，这两个理论所依赖的对于资产价格相关系数的估计，会导致这两种模型对市场的变化缺乏免疫力。

相关度概念是Markowitz的最优资产组合问题的基础。对于多变量的CAPM模型，以及G―ARCH及其衍生的CCC、ADCC模型，我们也需要一个完整的资产相关系数矩阵。

实际操作中，资产价格的相关系数根据历史数据回归取得。两个企业之间的行业是否关联，业务是否关联，是否有资产或贷款相牵连，都会在相关系数中以一定的形式体现。

对历史数据进行计算，可求出Pearson样本相关系数。一般认为：样本相关系数是对相关系数的最好估计。在简单的模型中，通常假定资产之间的相关系数恒定不变；在较为复杂模型中，则引入动态时间序列，用单步向前预测法(即每向数据库中加入新一天的数据，就从数据库的开头去掉最旧一天的数据)描述相关系数的变动。

其实，相关系数会随经济环境和企业自身状况的变化发生巨大变化，因而，即使引入了时间序列，在现阶段采用的趋势外推法，对经济环境变化的反应也是过于缓慢甚至不能反映现实的。

(二)基于4个典型行业中4家代表性企业的数值分析

下面，我们用数值分析证明我们的上述判断，揭示其可能导致的严重后果。 本文选取零售、炼油、银行、制造4个典型行业中的4家企业，即零售业的Wal―Mart、炼油业ExxonMobil、银行业City Group和制造业General Motor进行实证分析，数据的选取从2001年6月至2009年2月的股票收盘价格(已根据股利做出调整)。

表1是本文计算的4家公司股价在2008年7月至2009年2月相关系数。

表2是这4家公司股价在2007年7月至2008年6月，即危机被承认并开始扩散的1年内的相关系数。

表3是这4家公司股价在2006年7月至2007年6月，即美国政策完全转向紧缩后的第1年内的相关系数。

表4、5、6是这4家公司股价在2001年7月至2004年6月，即美国执行扩张型经济政策的3年中每年的相关系数。

由上可见，在不同的时间跨度中，用历史数据拟合得到的股价相关性变化是很大的。因此，在通常的计算中，我们使用基于时间序列的单步向前预测法，更新相关系数方阵，以适应市场的变化。

但是，这种更新并不能切实而迅速地反映市场的变化。

如果我们外推2008年2月14日至2009年2月

13日期间，Wal―Mart和Exxon Mobil公司股价的相关系数，则为－0.1093。若假设Wal―Mart公司今后5个交易日内股价每天下跌10％，而Exxon Mobil的股价恒定不变，则可计算出2008年2月22日至2009年2月21日，二者的相关系数为一O，0821；如果假定Wal―Mart和Exxon Mobil在今后5个交易日内股价均每天下跌10％，则可计算出上述期间二者的相关系数为0，0152。两随机变量的相关系数在－1到1之间，当相关系数的绝对值大于0.75时，通常认为两变量表现出较明显的相关性(正或负)；当相关系数在－0.3至0.3之间，可我们认为二者表现出没有明显的相关性。按这个标准，我们看到，在施以冲击变量之后，通过历史数据得到的相关系数并不认为两公司股票价格的相关程度有明显的变化。换言之，在市场发生崩盘性的剧烈变化时，基于时间序列的趋势外推修正参数的变化速度远远滞后于的市场变化速度。

实际上，假设一支正常波动的股票运行n天后，平均每天的涨幅为0.5％，那么在第n+1天，预期的涨幅为0.5％+ei。在不给出其它条件的情况下，e，的预期为0。但是，倘若第n+1天，实际发生了10％的跌幅，那么第n+2天的股价水平，会出现更大的不确定性。这时，仅仅补充入第n+1天的数据，并根据趋势外推法所修正的ei的分布变化是非常小的，不足以反映此时市场内出现的巨大风险。由于股票市场的波动性，金融机构通常使用2～5年的历史数据进行参数值的回归计算，这就使大量金融机构面对2006年的经济政策变化，对风险的反应迟钝。

例如，在2007年10月30日和2007年11月12日的10个交易日之间，City Group和General Motor的股价分别下跌了19.2％和19.5％。在这段时间里，二者股价的相关系数为－0.3921，可以认为二者表现出非常微弱的负相关性。但是，如果我们对2家企业过去一年的历史股价进行单步向前预测法的相关性分析，则2家公司股价该期间引入10天下跌的数据后外推的相关系数为-0.3492。按上文所述的标准判断，仍可视为二者表现出微弱的负相关性。市场变化了，我们的判断却没有变化。更有甚者，当我们引入此后2家企业2个月的股价下跌趋势之后，外推计算出的二者的相关系数也仅仅从-0.3921增加到－0.0056，从而判断二者由“微弱的负相关性”变到“几乎完全不相关”。这种判断并不能描述出新市场状况下这两支股票价格的行为。这就印证了前文的“现有估值模型的反应滞后于宏观经济情况的变化6至10个月，滞后于危机临界点3至4个月，甚至滞后于市场价格反映1至2个月”的结论。

总之，在股票交易市场上实际出现的暴跌并未以任何方式充分地反映在相关系数中，也就不可能充分地反映在COV(e)矩阵中。这对风险估计是极其不利的。

(三)数值分析结论

可见，宏观经济的表现会极大地影响给定金融产品或企业之间的关联性，而通过历史数据回归得到的相关度，在经济正常运行时，虽然可以为估值和预测提供一个可靠的参数，却并不能及时适应和反映新的经济情况变化。对股票价格的剧烈波动也反应迟缓。这两种表现，说明现有的趋势外推手段对冲击变量的灵敏度过低。

在整个经济运行变速甚至转轨时，企业之间的相关系数会在短时期内有大的变化，而这种变化在历史数据的参数估计中无法被充分表现，从而也就不能反映在对资产应值价格的估计中，并进一步造成了衍生品应值价格的估计偏差和预期偏差，引发市场失衡。这一点与Samuelson的理论并不违背，Samuelson的理论强调关于资产的信息会立刻，而不是预先反映在市场价格上。换言之，价格的变动本身是没有前瞻性的。

四、解决问题的两种可能途径或方法及其比较

(一)解决问题的可能途径或方法

为了解决现有该类模型中存在的问题，有如下2条可以考虑的途径：

1　添加0―1变量A(x)与原方程组相乘，使ADCC模型原方程变为：

e1：N(O,A(x)H1)

其中H是原多维G―ARCH模型的方差。x是一组与宏观经济环境和企业内部环境有关的自变量，它衡量企业所处经济环境的稳定性。当x在稳定范围内时，表明市场环境稳定，A(x)=1，原函数照常运行；反之，当x突破稳定范围时，表明市场面临变化，原有模型可能失效，此时A(x)=0，系统输出常数，运行被终止。应重新进行人工市场风险评估和估值计算。这样，新系统可以在市场产生变化，可能的危机来临之初，就向使用者发出预警，并要求其做出相应调整。

2　按常规方法回归取得相关系数后σij，把取得的相关系数解释为一个新函数的运算结果而不是常数。新函数中应包括描述系统本身不确定性的随机变量，以及一组新的自变量，这些自变量可以描述不同的经济情况，它们的变化可以影响相关系数的大小。可以考虑的自变量包括：宏观经济的利率、通货膨胀率、CPi、两公司各自的股利率、PE比率等等。在自变量选取的过程中，可以采用回归的方法，检验拟合度，选取一组较好的自变量，并用历史数据回归得出自变量的系数。这样，相关系数就可以表示为一组函数。

当相关系数被表示为其它经济指标的函数时，它的数值就会根据宏观经济形势和企业自身经济状况而变化，从而能够更好的适应变化的资本市场环境。

(二)两条途径或方法的比较

由于第二条途径或方法需要把每一个系数作为一个要素模型来考察，故这样处理的成本将是极其庞大的。对于一个包含n支股票，基于正态假设的模型就会有n(n一1)／2个相关系数，n个方差，n个均值。其中每个相关系数和方差都需要以新的要素模型的方式表示。当n较大时，系统需要的回归量将近乎无限地膨胀，这显然是金融机构所不希望看到的。

五、简要结论

篇3

最优股票投资组合选择及其风险控制一直是资本市场研究的热点问题。已有文献对资产组合最优决策理论进行了大量研究，在资产组合选择与最优配置、资产组合规模效应与影响因素、以及资产组合风险度量与控制等重要问题取得了丰硕成果。但遗憾的是，无论是理论还是实证研究都很少考虑到金融时间序列的时变性、聚集性、持续性等波动特征对资产组合风险规避与控制的影响。而本文正是针对目前研究的不足，通过对沪市A股的120支股票收益率进行拟合使用改进的相关系数法对股票收益波动时间序列相关性进行匹配，聚类，从而优化了股票投资组合选择的方法。并通过实证研究，证明了在哈里？马柯威茨证券组合评价标准下，使用该种股票投资组合选择方法，可以获得同等收益水平下，更低风险的股票投资组合，从而为投资者选择合理的股票投资组合提供了可能的方法。

二、文献综述

（一）国外文献 马柯威茨于1952年最早提出了均值-方差理论，成为现资组合理论的开山鼻祖。自此之后，很多金融学者在前人的研究基础上对该理论进行了补充和发展，如托宾（1958）在提出了著名的两基金分离定律：当存在无风险资产的情况下，有效前沿上的任意一点都可以表示为（无风险利率，0）和切点的线性组合。此外，大批学者踏上了简化计算，完善模型的征程。一是尽可能的减少模型计算量，例如：夏普（1963，1964，1970）提出了单因素模型，它的主要思想是：市场的总体因素统一作用于所有股票，市场以外的因素只作用于某一只股票，因此可以通过股票组合来分散。单因素模型使用β来衡量投资组合的风险。提高了人们对市场行为的了解。罗斯（1976）提出了套利定价理论。该理论认为在市场均衡时没有套利机会，因此承担相同风险因素的投资组合应该具有相同的期望收益率 。二是开发新的投资组合模型。例如Mao（1970）提出了均值-下半方差模型。Speranza（1993）提出半绝对风险偏差函数。J.P Morgan提出的基于Var的风险度量系统等，至今这个风险度量系统还在很多金融机构被广泛使用。

（二）国内文献 我国对金融市场研究起步较晚是一个现实，这是由于很多客观因素造成的。近几年中，我国学者也对投资组合理论进行了深入的研究。唐小我（1994）针对我国证券市场的卖空限制情形下的投资组合模型进行了研究。王春峰、屠新曙和厉斌（2002）运用了几何方法解决投资组合问题。徐绪松、杨小青和陈彦斌（2002）提出了“半绝对离差风险测量工具”。刘小茂、李楚林和王建华（2003）研究了在正态情形下，风险资产组合的均值-CVaR边界，并与方差风险下的均值-方差边界进行了比较。陈金龙和张维（2002）分析了投资组合与CVaR之间的关系。此外，安起光、王厚杰（2006），刘庆富（2006） ，荣喜民、武丹丹和张奎廷（2005）、刘志东（2006）等学者在组合预测和方法领域获得了显著的理论成果 。

三、研究设计

（一）研究思路 本文选取了马柯威茨的均值-方差模型作为本文的理论依据，该模型评价投资组合的标准，是当收益一定时风险最小，或者当风险一定时收益最大。 该模型的思想是选取相关性低的投资工具进行组合来分散风险，从而得到更好的投资收益。因此如何衡量股票相关性，并进而筛选出相关性低的投资组合成为该模型的关键。由于之前的研究，无论是理论还是实证都很少考虑到金融时间序列的时变性、聚集性、持续性等波动特征对资产组合风险规避与控制的影响。而本文正是针对目前研究的不足，通过使用改进的相关系数法衡量股票收益波动时间序列的相关性，并据此聚类，优化了股票投资组合选择的方法。具体的思路如下：

（1）股票收益波动性拟合。对于金融时间序列分析，常常会出现某一特征的值成群出现的情况。如对股票收益率序列建模，其随机扰动项往往在较大幅度波动后紧接着较大幅度的波动，在较小幅度波动后紧接着较小幅度的波动，这种性质称为波动的集群性。在一般回归分析中，要求随机波动项是同方差，但这类序列随机扰动项的无条件方差是常量，条件方差是变化的量。所以需要使用自回归条件异方差模型（ARCH）或者广义自回归条件异方差模型（GARCH）。

（2）时间序列相似性度量。测量时间序列相似性的方法有很多，最主要使用的是欧式距离法和相关系数法。欧式距离法的优点是计算简单，易于理解，但是它容易受到序列波动性的影响，而且当序列长度增加时，其距离也会增加。特别是当时间轴发生伸缩或弯曲时，就不能够准确测量序列的相似性了。而相关系数法的优点是计算量少，而且即使两个序列均值不同，也能够准确比较相似性，而在欧式距离法中，如果两个序列均值不同，即使它们是相似的，计算出来的距离仍然会很大，从而误导了结果。但是相关系数法也存在其局限性，它只适用于长度相同的序列，因此在比较长度不同的时间序列时，需要改进该方法，改进的相关系数法如下。设有两只股票P和Q，长度为m的收益波动序列分别为X和Y：X=（x1，x2，…，xm-t，xm-t+1，xm） ；Y=（y1，y2，…，ym-t，ym-t+1，ym）。首先要在X和Y中截取长度相同的两个子序列，设长度为t，最好从序列最邻近当前时段开始截取，t不宜过短，计算子序列 X1=（xm-t+1，xn）和Y1=（ym-t+1，yn）的相关系数r1：r1=■将子序列的长度向前增加一个，即长度为（t-1），计算X2=（xm-t，xm-t+1，xm）和Y2=（ym-t，ym-t+1，ym）的相关系数 ：r2=■，重复上述步骤，依次类推，直到子序列包含全部序列的长度m，计算出的相关系数有（m-t+1）个。将计算出的全部相关系数进行平均，则得到的 为改进的相关系数：■=■。由于聚类需要使用距离，而改进的相关系数■是属于[-1，1]，所以要将■转化成大于等于零的距离，另d=|■-1|，则d∈[0，2]。通过d对股票进行聚类。

（3）股票聚类。聚类分析。方法中最常用的是分层聚类。分层聚类方法是通过一系列或者是相继的合并，分割来进行的。是从单个对象开始，这样在开始时每一个对象都是一类，将那些最相似的对象首先分组，然后将组与组根据它们之间的相似性进行合并，最后随着相似性不断下降，所有的组渐渐融合成为一个聚类。

（4）确定最小方差资产组合集合的方法。常用的投资策略优劣评估标准有：收益率分布形态指标，夏普比率，风险价值（VAR），条件尾部期望（CTE）等。本文将主要使用由马柯威茨于1952年提出的用图像分析法确立风险资产的最小方差组合集合和有效边界的过程。我们以只拥有三个资产的组合为例。利用图像法建立最小方差资产组合集合的过程，就是在以资产权数为坐标轴的空间内，绘制反映资产组合各种预期收益和风险状况的线，然后依理性投资者选择资产和资产组合的原则确定最小方差资产组合集合的过程。我们分析是在允许卖空的前提下，以便不受限制条件的约束。假设我们对资产A，B，C进行组合，已知E（rA）=10%，E（rB）=20%，E（rC）=30%，设A，B，C资产的权数分别由xA，xB，xC表示，限制条件为xA+xB+xC=1，由于xC=1-xA-xB，因此只要知道xA和xB的数据，就可以得到xC的数据。因此，可以在一个二维平面图上显示三个资产的组合情况，同理，可以使用（n-1）维图显示n种资产的组合。在以xA，xB为坐标轴的图形中，直线AB的方程式是xA+xB=1，所有仅投资A和B资产，不投资C的资产组合都分布在这条线上；不包括A的组合都分布在B轴上，同理，不包括B的都分布在A轴上，分布在AOB三角形区域内的各种资产组合都不含卖空资产，在AOB以外的资产都含有一种或者两种资产的卖空。根据具体的限制条件在坐标图上的某个区域进行查找，以确定最小方差的资产组合。而这个过程可以通过EXCEL线性规划的方式实现。

（二）样本选择与数据来源 本文选取的研究对象为2008年1月1日到2009年12月31日在上交所交易的，代码为sh600000-sh600120的A股股票，数据来源为国泰安数据库。剔除掉缺失值，实际得到102只股票。分别计算这102只股票的日收盘价数据个数，其中最多的为488个数据，以488为基准，凡是数据个数小于（不包括等于）基准数据15个以上的股票都被清除。这样经过清除后，剩下83只股票。然后对这83只股票的缺失值进行修补，修补的原则是以前一天的收盘价代替缺失值，经过修补后，每只股票都有488天的数据。计算每只股票的日对数收益率，公式为：日对数收益率=log（当日收盘价）-log（前日收盘价）。经过计算，每只股票都有487 个日对数收益率，

（三）时间序列分析建模过程 首先需要对得到的股票对数收益率进行建模，以单只股票序列为例，过程如下：（1）做统计图观察判断。（2）单位根检验。序列大致可分为有三种：扩散型序列，单位根型序列和平稳序列。在实际问题中，时间序列大多并不平稳，而是呈现出各种趋势性和季节性。由于在实际生活中扩散型序列比较少见，很少作为理论研究的对象，所以我们判断的基础就建立在单位根型序列和平稳序列上。做单位根检验的目的就是要区分二者，对单位根型序列做差分处理，去除趋势性因素，从而得到平稳序列。（3）确定时间序列主模型。对原序列进行差分处理，得到宽平稳序列，求解它的自相关系数，偏自相关系数，同时观察自相关和偏自相关图像，确定ARMA（p，q）阶数。由计算机程序，生成主模型系数的参数估计，得到相应的残差序列。（4）根据股票对数收益率数据画散点图，趋势图，观察序列是否属于平稳序列，是否具备集群性，直观地判断是否可以采用条件异方差模型拟合数据。（5）ARCH效应检验。ARCH模型通常用于回归模型：yt=x't？茁+？着t。若随机干扰项？着t不存在ARCH效应，则可以直接对模型作最小二乘估计；若？着t存在ARCH效应，则应找到ARCH模型的形式，即在上式中附加？着t=■?vt，并确定q，再进行参数估计。对序列进行ARCH效应检验的最常用方法是拉格朗日乘数法即LM检验。假设？着tARCH（q），则可以建立如？着t=■?vt的辅助回归模型：ht=？琢0+？琢1？着t-12+…+？琢q？着t-q2

原假设：H0：？琢1=…=？琢q=0；备择假设：H1存在？琢i≠0，1？燮i？燮q；检验统计量：LM=nR2～X2（q）

其中，n为计算辅助回归时的样本数据个数，R2为辅助回归的未调整可决系数，即拟合优度。检验标准。根据辅助回归ht=？琢0+？琢1？着t-12+…+？琢q？着t-q2的最小二乘估计，得到拟合优度R2，由LM=nR2～X2（q） 计算检验统计量LM，根据给定的显著性水平？琢和自由度q查x2分布表，得到相应的临界值x？琢2（q）或原假设成立的概率，则可得到结论。LM>x？琢2（q），拒绝H0，表明序列存在ARCH效应；LM

四、实证检验分析

（一）投资组合收益波动性拟合 根据上文的时间序列分析拟合步骤，使用S-PLUS软件中finmetrics的模块，Excel规划求解，VBA，SAS，R软件共同完成从数据的整理，预处理，分析到得出结论，并配以图形的表达来完成对投资组合风险的度量。

（1）ARCH效应检验及股票再筛选。对收益波动率的估计本文使用动态波动率估计模型。在使用GARCH类模型对股票收益的波动率进行拟合之前需要再对选入研究的股票做一次筛选。通过ARCHTEST对这83支股票进行检验。在0.05的显著性水平下通过检验说明该股票的收益率波动性具有集群性，也就是说收益率是变换的，使用ARCH或GARCH模型拟合更加合理。共有33支股票的收益率数据经过了ARCH效应检验。

（2）股票收益波动性拟合。对这33支股票分别进行收益波动性拟合。第一次采用ARMA模型作为主模型对收益率数据进行建模，然后对残差进行GARCH模型拟合，虽然拟合后残差序列均通过了检验，但在相似性聚类中效果不佳。于是重新选定主模型。将常系数模型作为主模型，然后对残差进行GARCH模型拟合，残差也均通过了检验。在模型中，条件方差序列就是待求的股票收益波动性序列，最后得到33条各488个数据的波动率序列。GARCH（p，q）的最简单形式GARCH（1，1）。该过程可以表示为：？着t=■?vt；ht=？琢0+？琢1？着t-12+…+？琢q？着t-q2

其中，{vt}独立同分布，且vt～N（0，1），参数满足？琢0>0，？茁1？叟0，？琢1？叟0。？着t～GARCH（1，1）是稳定过程的成分必要条件为？琢1+？茁1

（二）采用改进的相关系数法比较股票收益波动性的相似性

计算33支股票中任意两支股票的相似性。设任意两支股票A、B：A=（x1，x2，xn-t，xn-t+1，x487）；B=（y1，y2，yn-t，yn-t+1，x487）

由于股票收益波动序列是两年期的日数据，因此首先选取时间期为2008年1月2日-2008年12月31日长度为245的两个子序列A1、B1：A1=（x242，x243，…，x487）；B1=（y242，y243，…，y487）

计算A1、B1的相关系数记为r1。之后将序列的起点向前推一个，计算时间期为2008年12月28日-2009年12月31日长度为246的两个子序列A2、B2：A2=（x241，x243，…，x487）；B2=（y241，y243，…，y487）

计算A2、B2的相关系数记为r2。继续按照这种方式，每次将子序列的起点向前推进一期，计算相同时间期的两个子序列之间的相关系数，直到最后一次计算A、B序列全部数据之间的相关系数r242。总共可以得到242个相关系数。最后，将所得的全部相关系数的均值作为A、B序列间改进的相关系数r*AB： r*AB=■。

相关系数的取值范围在[-1，1]之间，系数为正，说明两支股票收益率的波动性之间成正相关，系数越大，相似度越高；系数为负，说明两支股票收益率的波动性之间成负相关；系数为零，说明两支股票收益率的波动性之间不相关。

（三）股票聚类 为了将A、B之间的相关系数转化成距离，还需计算|r*AB-1|，记为dAB，即 dAB=|r*AB-1|

全部股票经过点间距计算，可以得到33×33的距离矩阵。由于篇幅限制，这里不做展示。将距离矩阵输入到SAS软件当中，借助软件的聚类方法，采用Agglomerative算法，选择method=density，K=2可以得到聚类结果。这里所用的类间距估计法是最近邻密度估计法。软件输出的聚类过程及结果如表（1）和图（1）所示，可以看出33支股票被聚为6类，具体分类情况如表（2）所示。这六类股票的收益波动率序列存在很大差异，从每一类中选择一个典型的序列收益波动率图，展示结果如下。

（四）投资组合绩效比较 为了验证改进的相关系数聚类法在股票投资组合中的应用效果，使用的主要方法是将基于使用改进相关系数聚类法根据收益率相似性聚类的股票投资组合与随机组合、类内组合对比，比较在相同收益率水平下，组合的最小方差值大小。该值越小，说明该组合绩效越好。具体来说，投资组合绩效比较的研究思路为：首先确定组合收益率的大小，其次确定每种组合方案下抽取组合样品的个数，然后分别计算每种方案下的组合风险均值，最后将三种方案下组合风险的均值进行对比得出结论。

（1）确定收益率大小。在计算组合的风险之前需要首先确定组合收益率的大小。由于所选数据是2008-2009年间的股票数据，而这段时期内股市处于衰退的状态，众多股票长期出现负收益率，因此将组合的收益率设为较小的数值，假设为0.03。

（2）确定三种组合方式的抽样方案。确定三种组合方式的抽样方案时要首先计算出每种组合方式下可能出现的组合的种类。如表（3）所示，随机组合的种类最多，基于相似性聚类的组合次之，类内组合的数目最少。为了能比较出组合的绩效，规定每种组合方式下抽取180个样品计算风险均值。根据它们各自组合的特点，可以采用不同的方式来选取样品。基于相似性聚类的组合在选取样品时可以采用类似分层抽样的方法，将不同类别作为不同层看待，从每一层中随机抽取一支股票。每一次抽取完毕，可以得到6支股票，将这6支股票作为一个组合。按照这种方式抽取180个组合即可。随机组合在选取样品时按照统计中排列组合的方式，随机从33支股票中无放回地抽取6支，作为一个组合。按照这种方式抽取180个组合即可。类内组合在选取样品时先将可能的组合种类列出，然后按照简单随机抽样方式从这8008个待抽样品中抽取180个组合即可。

（3）计算三种组合方式的风险。计算不同组合方式的风险大小时主要通过EXCEL软件中规划求解的功能来完成。相应的指标设置如表（4）所示。通过计算就可以得到满足条件的有效组合的最小方差值。由于篇幅所限，每种组合方式下的样本方差计算结果不在此列示。

（4）比较三种组合方式的风险。通过均值计算，很容易得到每种组合方式下平均最小方差值，如表（5）所示。可以看出，基于股票收益率波动性的相似性聚类的组合在确定的收益率下获得了比随机组合、类内组合更小的最小方差值。另外，从图（3）到图（5）中对于不同组合方式下的实验结果进行观察，发现在基于相似性聚类的组合方式下180次试验结果的方差很小，也就是说每次实验得到的最小方差值十分相近。这些现象说明采取基于相似性聚类的组合方式不仅可以更有效地降低风险，而且在这种组合方式下获得的最小方差值更具稳定性。

篇4

（一）样本选取根据中国注册会计师协会2012年年报审计情况快报第14期报告，将89家非标准审计报告公司作为研究样本，根据同行业、同规模选择了相应的89家标准审计报告公司作为配对样本，样本与配对样本如表2所示。收集2008—2012年研究样本与配对样本的现金流量表相关数据，并与奔福德定律进行相关分析。本文所有数据均来自于中国注册会计师协会网站与和讯财经网站。

（二）指标选取一张完整的现金流量表共有57个项目，但并非每个上市公司都会发生所有项目，将这些大多数公司缺失或者数据总数不及样本总数一半的项目予以剔除，主要选取了“经营活动类”的销售商品提供劳务收到的现金、收到其他与经营活动有关的现金、购买商品接受劳务支付的现金等；“投资活动类”的购建固定资产无形资产和其他长期资产支付的现金，投资活动产生的现金流量净额等；“筹资活动类”的取得借款收到的现金，偿还债务支付的现金，分配股利利润或偿付利息支付的现金，筹资活动产生的现金流量净额，净利润，经营性应收项目的减少，经营性应付项目的增加，经营活动产生的现金流量净额等25个项目作为分析指标。

（三）研究假设根据《上市公司信息披露管理办法》相关要求，本文提出以下假设：H1：非标准审计报告公司与标准审计报告公司现金流量表年报存在显著差异。将标准审计报告公司现金流量表各年年报与奔福德定律的相关系数和非标准审计报告公司现金流量表各年年报与奔福德定律的相关系数进行比较，前者应大于后者。H2：非标准审计报告公司与标准审计报告公司现金流量表季报存在显著差异。将标准审计报告公司现金流量表各年季报与奔福德定律的相关系数和非标准审计报告公司现金流量表各年季报与奔福德定律的相关系数进行比较，前者应大于后者。H3：非标准审计报告公司与标准审计报告公司现金流量表各个报表项目存在显著差异。将标准审计报告公司现金流量表各年各个报表项目与奔福德定律的相关系数和非标准审计报告公司现金流量表各年各个报表项目与奔福德定律的相关系数进行比较，前者应大于后者。

（四）审计质量的评价标准将报表数据与奔福德定律的相关系数作为检验数据是否符合奔福德定律的评价标准。借鉴张苏彤等（2005）的经验分级评价标准，如果相关系数大于0.97，则认为财务数据符合奔福德定律，财务数据正常，财务数据真实；如果相关系数小于0.97，则认为财务数据符合奔福德定律，财务数据不正常，财务数据不真实。表3给出了不同相关系数分布标准以及相应的审计对策。

（五）数据处理方法本文数据处理和分析软件采用微软公司的Mi-crosoftOffice（2003）中的Excel。其中，LEFT函数和COUNTIF函数用于基本数据处理，CORREL函数用于数据的相关分析。

二、实证分析

（一）实证分析过程1.现金流量表年报通过对标准审计报告公司和非标准审计报告公司现金流量表年报数据的首位数以及与奔福德定律理论分布值的比较，结果如表4和图1所示。从表4和图1可以看出，非标准审计报告公司和标准审计报告公司现金流量表年报数据分布明显符合奔福德定律所描述的首位数概率递减的规律，两类公司首位数据分布与奔福德定律一致，两者相关系数均非常接近1（完全相关）。2012年、2011年、2009年标准审计报告公司的相关系数均高于非标准审计报告公司的相关系数，2008年、2010年标准审计报告公司的相关系数低于非标准审计报告公司的相关系数，说明两者之间存在差异。五年中两类公司与奔福德定律的相关系数基本同步，两者均是在2009年相关系数最低。样本公司数据和配对样本公司现金流量表年报数据在2009年、2011年、2012年存在显著差异，而在2008年和2010年差异不显著，假设1得以验证。2.现金流量表季报通过非标准审计报告公司和标准审计报告公司现金流量表季度数据的首位数分布情况以及与奔福德定律理论分布值的比较，结果如表5和图2所示。从表5和图2可以看出，非标准审计报告公司和标准审计报告公司现金流量表季度主要财务数据的首位分布明显呈现出了奔福德定律所描述的数据首位数存在一定差异。从相关系数分析，非标准审计报告公司相关系数较高的是第二季度，标准审计报告公司相关系数较高的是第二季度和第四季度，各季度相关系数也存在一定差异；标准审计报告公司各季度的相关系数基本上高于非标准审计报告公司各季度相关系数，说明标准审计报告公司现金流量表真实性高于非标准审计报告公司。在全部总体中非标准审计报告公司2009年、2011年的第一季、2009年第四季的相关系数偏低，作假的可能性较大，假设2得以验证。3.现金流量表主要项目通过非标准审计报告公司和标准审计报告公司现金流量表五年主要项目数据的首位分布情况以及与奔福德定律理论分布值的比较，结果如表6和图3所示。从表6和图3可以看出，非标准审计报告公司和标准审计报告公司现金流量表主要项目的首位数据五年合计分布明显呈现出奔福德定律所描述的数据首位数存在一定差异。从相关系数看，非标准审计报告公司相关系数较低的是“投资活动现金流入小计”、“支付的各项税费”“、筹资活动现金流出小计”“、净利润”和“期末现金及现金等价物余额”；标准审计报告公司相关系数较低的是“购买商品、接受劳务支付的现金”、“经营活动现金流入小计”、“经营活动现金流出小计”、“期初现金及现金等价物余额”和“投资活动现金流出小计”。在全部总体中非标准审计报告公司的“投资活动现金流入小计”的相关系数偏低，作假的可能性较大；标准审计报告公司的“购买商品、接受劳务支付的现金”、“经营活动现金流入小计”、“经营活动现金流出小计”、“期初现金及现金等价物余额”的相关系数偏低，作假的可能性较大。标准审计报告公司各个主要项目的相关系数基本上高于非标准审计报告公司各季度相关系数，假设3得以验证。

（二）实证分析结果1.相关系数分析利用上市公司的非标准审计报告公司和标准审计报告公司2012年现金流量表财务数据，将其首位数分布与奔福德定律进行相关分析，相关系数按照从高到低的降序排列如表7所示。从表7可以看出，与奔福德定律相关系数高达0.98613、0.97291、0.97283、0.97045、0.96660的*ST盛润A、ST超日、*ST中基、*ST国商、宁波富邦等公司均被出具了非标准审计报告，与奔福德定律相关系数只有0.37995、0.32026、0.20316、0.01202的九鼎新材、中房地产、江泉实业、巨化股份等公司均被出具了标准审计报告。2.审计质量分析假如相关系数大于0.97，说明现金流量表数据可靠，它有可能被出具标准审计报告，当然也有可能被出具非标准审计报告。同理，假如相关系数小于0.97，说明现金流量表数据不可靠，它有可能被出具非标准审计报告，当然也有可能被出具标准审计报告。根据样本公司与配对公司的相关系数和相关系数分级及审计质量评价标准，将具体审计报告进行分组如表8所示。从表8可以看出，样本公司与配对公司共178家上市公司中，与奔福德定律相关系数在0.97以上的只有5家，占2.81%，而与奔福德定律相关系数在0.97以下的有173家，占97.19%，也就是说不符合的上市公司数量远远多于符合的上市公司数量。如果上市公司现金流量表真实，现金流量表数据总体上就应该符合奔福德定律，因为虚假的现金流量表数据极少能够符合奔福德定律的随机性，而我国上市公司现金流量表数据首位数分布与奔福德定律符合度不高，说明现金流量表数据的真实性存在很大问题。

三、研究结论

（一）现金流量表首位数与奔福德定律相关系数高未必被出具标准审计报告从表7中可以看出，排名前10位的上市公司中，有5家被出具非标准审计报告，占50%；排名前20位的上市公司中，有9家被出具非标准审计报告，占45%；排名前30位的上市公司中，有12家被出具非标准审计报告，占40%；排名前40位的上市公司中，有17家被出具非标准审计报告，占42.5%，说明与奔福德定律相关系数高的不一定被出具标准审计报告。

（二）现金流量表首位数与奔福德定律相关系数低未必被出具非标准审计报告从表7中可以看出，排名后10位的上市公司中，竟然也有4家公司被出具了标准审计报告，尤其是排名最后一位的巨化股份，与奔福德定律的相关系数只有0.01202，也被出具了标准审计报告，这只能说明与奔福德定律相关系数低的未必被出具非标准审计报告。

篇5

通过计算，注册资本与银行借款的相关系数为-0.0017，与自有资金的相关系数为0.0098，与其他融资的相关系数为-0.1816。资产规模与银行借款的相关系数为-0.1731，与自有资金的相关系数为0.0098，与其他融资的相关系数为-0.1813。

根据上述分析结果显示，四种不可量化影响因素中，在对银行借款影响方面，行业对银行借款没有显著性影响，地区、所有制性质、发展阶段均对其有显著的影响；在对自有资金影响方面，地区和行业对企业使用自有资金没有显著性影响，企业所处发展阶段和企业所有制性质对自有资金的使用具有显著性影响；在对其他融资方式影响方面，四种不可量化因素对其均没有显著性影响。两种可量化因素中，注册资本和资产规模与银行借款均为负相关，且资产规模与银行借款的相关性较强，注册资本与银行借款几乎不存在相关性；注册资本和资产规模与自有资金均为正相关，且相关系数相等，但相关系数较小，说明两种因素对自有资金的影响程度也很小；注册资本和资产规模与其他融资均为负相关，且两种因素产生的影响基本相同。

样本分析后的结论及建议

融资方式选择的结论

通过以上分析，中小企业在融资方式的选择上表现出较为明显的“强制优序融资”现象，在融资中，中小企业首先多依赖自有资金，其次为银行借款。对中小企业融资方式选择产生影响的六种因素中，地区、所有制性质、发展阶段、注册资本、资产规模对某种融资方式均有不同程度的影响。中小企业在选择某种融资方式进行融资时，应首先确定影响这种融资方式的因素，参考本文分析数据做出合理的决策。

本文局限性

样本数量的限制由于只有129家样本企业，使得本文受到很大分析上的限制。比如，由于样本过少，本文没有使用河南3家企业和浙江1家企业数据进行分析，也没有分析各因素对亲友挪借和风险投资的影响，这样就大大影响了本文的分析效果。此外，本文分析结果显示，地区因素对银行借款没有显著性影响，而国内外有些学者分析认为，地区因素对银行借款具有显著性影响，这也有可能是样本过少的原因。

时间的紧迫性本文可以通过进一步调查，用虚拟系数将不可量化因素进行量化，使各因素之间实现可比性，更加详尽的分析各因素对中小企业融资方式的影响大小，更有利于中小企业制定决策。但由于时间问题使本文不能达到更加完美的效果。

涉及因素的有限性本文涉及影响中小企业融资方式的因素有6个，而事实上影响中小企业融资方式的因素有多种。如果把各影响因素综合分析，本文对中小企业融资选择将更具参考意义。

解决融资困难的建议

通过本文样本分析结果，为解决中小企业融资困难，在此笔者给出几点建议：

鼓励中小企业从民间融资，民间金融形式对当地中小企业的经营情况比较了解，信息费用不高，信息传导性强；并且二者均处于基层，点面结合，几乎不存在沟通难的问题，交易成本较低，能提高双方的运营效率。因此，民间融资是中小企业融资的一个良好方式。

从所得数据情况来看，被调查的处于成长阶段的72家样本企业中，使用民间融资的比例占到了88.2％。按照公司制的法理要求，应该还公司制中小企业的基本直接融资权。目前，我国各类公司制企业，虽然尽了上缴公司所得税的义务，但仍然不能完全享有自由发行债券和股票的权力。

本文建议，应尽快建立我国正常的债券或股票柜台交易市场体系。银行在给企业实施贷款时，越来越重视考察企业诚信度，建议中小企业注重信誉，给客户和银行一个良好的形象，只有这样中小企业实施银行借款时才能少受挫。此外，加强政府援助，如对中小企业实施税收优惠、财政补贴、政府贷款援助等，也将有利于中小企业融资。

参考文献：

1.陈晓红，黎璞.中小企业融资结构影响因素的实证研究．系统工程，2004

2.陈晓红，刘剑．我国中小企业融资结构与融资方式演进研究．中国软科学，2003

3.张晓彬．浅谈拓展中小企业间接融资的途径．商业研究，2004

4.杨蕙馨，张鹏，徐凤增，张勇．中小企业融资策略选择的问卷调查与分析．山东大学学报，2004

篇6

关键词：条件相关性；投资组合多角化；资本资产定价模型

中图分类号：F830文献标识码：A文章编号：1001-6260（2009）01-0095-07

一、绪论

金融资产间或股市间的相关性在风险管理或投资组合多角化(portfolio diversification)中都扮演着相当重要的角色。当投资者或基金管理人欲评估多角化投资的利益时，就必须对资产间的相关性进行衡量，以了解投资组合风险分散的效果。

Levy等(1970)、Solnik (1974)、Lessard (1976)、Watson (1978)、Meric等(1989)证实国际股票市场间存在低相关性，隐含投资者可以利用国际投资组合分散投资风险。许多有关股市相关性的研究也证实国际股市间之相关性并非稳定，而是会随时间改变。Solnik等(1996)、Ramchmand等(1998)指出，在高波动期间中，尤其当股市为熊市时，股市间的相关性通常会比平常时期的相关性还要高，隐含投资者在最需藉由投资组合分散风险的时候，投资组合多角化的效益反而减少。

在早期的国内外文献中，大多使用时间序列模型或波动性模型分析市场处于波动期间的国际股市相关性。首先，大多数的研究文献中证实高波动期间的股市相关性通常高于平常时期而导致投资组合多角化效益受到侵蚀，但并未明确地将高度波动市场区分为牛市或熊市，以衡量不同市场条件下的条件相关性；其次，由于全球股市交易时间有所不同，所以使用国际股市指数的分析其实存在异步交易(non-synchronous trading)的问题，因而可能产生谬误的股市相关性；最后，投资者或基金经理人投资时所关注的问题是资产报酬的下方风险或高波动期间的投资风险。因此，本文以台湾地区股票市场类股所形成的投资组合为研究对象，衡量高波动期间(牛市和熊市)投资组合的条件相关性，以探讨不同市场下投资组合分散风险的效果。本文不同于先前相关研究的观点为：

其一，在一般化误差分配(generalized error distribution, GED)假设下，利用风险值(value at risk, VaR)估计的方法求得报酬分位数，衡量类股指数间条件相关性，以解决资产报酬非常态分配所可能造成报酬分位数高估(熊市)或低估(牛市)的问题。

其二，使用台湾地区股市类股股价指数日报酬，可以避免以往国际股市间股价指数报酬相关性研究中，由于全球股市交易时间的不同，所可能存在的异步交易的问题。

其三，同时考虑到其它关于投资组合风险分散可能性的相关衡量，亦即藉由条件资本资产定价模型(conditional capital asset pricing model, conditional CAPM)估计不同市场状况下投资组合的系统风险和非系统风险，以探讨不同条件市场下投资组合的风险分散效果。

二、文献回顾

本文主要探讨当台湾地区股票市场处于高波动期间时类股指数的条件相关性以及投资组合的风险分散效果。以下就股市相关性之文献进行探讨，并回顾股市尾部条件相关性文献，以作为实证的基础。

1.股市相关性的探讨

金融资产或股市间相关性程度与投资组合的风险分散效益存在着相辅相成的关系，低相关含投资者可利用投资组合多角化分散投资风险。Markowitz (1952)提出的投资组合理论提供投资者一个藉多角化投资以分散风险及提高投资报酬的理论依据。然而，国外许多探讨股市相关性的研究文献大都显示，当市场处于大幅波动的期间时，国际股市间的相关性会增加且随时间改变(Solnik，et al，1996)。Ramchand等(1998)搜集美国与全球其他几个主要国家的股票周报酬资料，运用转换自我相关异质变异模型(switching autoregressive conditional heteroscedasticity, SWARCH model)，探讨随状态变动的条件共变异数与相关性，实证结果显示在高变动的状态下，美国与其它主要股市间的相关性会比在低变动的状态时的相关性还高。Bracker等(1999)利用1972―1993年间美国等10个主要股票市场的股价指数日报酬资料检定国际股市相关性程度与相关系数矩阵的稳定性是否随时间改变，实证研究指出股市间相关性会随时间而改变，且当全球股市处于大幅波动时股票市场间的共移性程度会增加，暗示在高波动期间国际投资组合的多角化利益降低。另外，Goetzmann 等(2005)研究1872年至2000年长达150年的长期间国际股市相关性，发现从第二次世界大战到近期，市场间的平均相关性会随着时间逐渐增加。Goetzmann 等进一步分解研究期间中的相关性模式，结果发现今日的国际投资者所获得投资组合的多角化利益由两部分所构成，其中一部分利益主要归因于全球市场的数量的增加使投资人能有更多投资机会，另一部分利益则由于国际市场间存在较低的平均相关性而提升多角化效益。

另外，许多探讨股市相关性的文献大多以波动性模型或时间序列模型来进行分析研究，包括：Eun等(1989)以向量自我回归模型(vector autoregression，VAR model)研究欧、美、亚等主要股市报酬间联动性之强弱程度，结果发现位于同一区域之股市连动性较强，此反映同一区域内的国家（地区）间经济整合程度较高，相对而言，美国股市具有最大的影响力，其股市波动明显快速地传递至国外股市。Longin等(1995)使用多变量GARCH (1,1)模型(multivariate GARCH model)探讨美国与德国、法国、英国、瑞士、日本及加拿大等6国股市在1960―1990年期间之月超额报酬相关性，发现美国与其它6国之共变异数与相关系数会随着时间而改变，同时也发现在1960―1990年期间国际股市间的相关性是增加的，因此结果并不支持各国报酬之相关系数固定不变的说法。此外，他们也发现在美国股市报酬波动性高的时期，各国与美国股市超额报酬的相关性亦会增加。Darbar等(1997)搜集美国、英国、日本、加拿大等4国股市在1989―1992年期间的加权股价指数日报酬率，以多变量GARCH模型探讨4国股市间之联动关系，实证结果显示4国日报酬之条件相关系数值很小且呈动态改变；另外，他们也发现报酬率之间的相关性通常不大且会随着时间而改变，因此从事国际多角化投资有潜在获利的机会。叶银华(1991)搜集美国、日本、台湾地区三个股票市场之月报酬资料，以多元时间序列分析模型探讨1984―1990年期间三个股市之共移型态与关联性，其研究结果发现台湾地区与美、日股市的相关程度很低，因此从分散投资风险的角度来看，台湾地区股市为一较佳的选择。徐守德(1995)以单根检定(unit root test)、成对及高阶共整合检定模型研究台湾地区、日本、新加坡、中国香港、韩国等股市的共移程度，研究样本为1984―1993年之股价指数周报酬率，实证结果发现除日本与中国香港及中国香港与新加坡间有较强的相关性外，其它成对股市间的相关性相对地较低，显示国际投资组合仍有利益存在；另外，中国香港与台湾地区间并未呈现成对与高阶共整合现象，此表示一国（地区）股价不能由其它国家（地区）股价所预测，隐含国际投资组合具有分散风险之效益。

2.股市尾部条件相关性的探讨

除了上述的股市相关性文献外，另有许多文献指出，股市的尾部条件报酬序列有相当高的相关性(Campbell，et al，2002)，意味着在高度波动的股票市场中，投资组合的多角化利益会受到侵蚀。在研究股票市场间的尾部条件相关性方面，Karolyi等(1996)基于1988―1992年美国和日本股票报酬资料的研究指出，当金融市场大幅变动时，美国和日本的股票报酬会存在较高相关性，尤其是当国际金融市场呈现大的负移动时，其相关性最高，而使得投资组合多角化效益大幅降低；Longin等(2001)应用极值理论(extreme value theory，EVT)研究国际股市间报酬的尾部相关性，实证结果显示在高尾部(positive tail)的相关性与多变量常态的假设一致，但是在低尾部(negative tail)的相关性会显著大于以多变量常态模型所预测的结果，此结论暗示股市为大的负报酬时，投资组合无法有效地降低风险。此外，Butler等(2002)运用3种不同的分配型态(常态分配、J. P. Morgan RiskMetrics及自由度为4的Student-t分配)分别研究在熊市、平常及牛市下股市月报酬的相关性程度，实证显示在股市为熊市时的相关性会显著高于藉由常态和RiskMetrics分配所预测的相关性，且在熊市的相关性也会显著高于牛市的相关性。黎明渊等(2003)应用Hamilton等(1994) Markov-switching ARCH (SWARCH)模型，估计美国道琼斯与日本日经指数周报酬率的波动性，藉以分析在美、日股市指数报酬高、低波动状态下，新加坡、中国香港、韩国、台湾地区等亚洲新兴股市指数报酬与美、日股市指数报酬的相关性。研究结果发现，同时考虑美、日股市对新、港、韩、台等亚洲股市的联动影响，当美股与日股分属高波动性状态时，对四小龙影响最高，当美股与日股分属高或低波动性状态，联动影响次之，美股与日股分属低波动性状态时，联动影响最低，反映透过股票市场传递的金融传染病，在国际主要股市处于巨幅震荡时期时最为显著。

在个股报酬间的尾部条件相关性研究中，Silvapulle等(2001)研究道琼斯工业指数30支股票的日报酬，结果发现当股市大幅下跌时，30支股票的平均条件相关(average conditional correlation)比股市为平常和牛市时还要高，此结果暗示当股市是熊市时投资组合多角化的利益会减少。Cizeau等(2001)则是在胖尾分配的基础下使用只考虑市场报酬因素的静态单因子模型分析450支美国股票的日报酬相关性，他们的研究结果显示，在股票报酬呈现高度波动情况下，个股报酬的相关性会增加。另外，Demirer等(2005)搜集1999―2002年中国股市的375支股票日报酬并将其股票分为18个产业以探讨当股票报酬呈现大幅上涨或下跌时，产业报酬离散程度与报酬相关性之间的关系，实证研究结果显示在股价大幅波动时期报酬离散程度会较高，在股票报酬相关性部分，则发现除了金融产业在报酬大幅下跌时的相关性较高之外，其它产业的报酬相关性在报酬大幅上涨时会较高。

三、研究方法

不同于以往使用时间序列模型或波动性模型探讨股市相关性，本文是在能反映资产报酬具有胖尾特性的一般化误差分配的假设下，利用风险值的方法估计报酬分位数来形成高波动期间(低尾部与高尾部)与平常时期(中间)的条件报酬分配以分别估算其条件相关系数，捕捉尾部相关性的变动程度以及反映资产报酬同日变动的相关程度。此外，以条件报酬配对估计条件资本资产定价模型以衡量投资组合的系统与非系统风险。以下说明从条件报酬配对与分位数的求取来估计条件相关系数与条件资本资产定价模型的方法。

1.条件报酬配对的定义

2.报酬分位数的估计

为了获得式(1)到式(3)的报酬分配低尾部、中间及高尾部的条件报酬配对以计算条件相关系数与估算投资组合的系统风险与非系统风险，在一般化误差分配假设下估计报酬分位数QLi和QUi。一般化误差分配机率密度函数如下：

表示gamma函数，v是一个描述尾部厚度的型态参数(shape-defining parameter)。当v=2时，资产报酬型态为常态分配；当v2时，则具有较常态分配为瘦尾的分配。当v越小(大)时，则报酬分配尾端会呈现愈胖(瘦)的机率分配。例如当v=1时，为双指数分配(double exponential distribution)；当v=∞时，则为均匀分配(uniform distribution)。如何决定分配型态参数v，应用峰态系数来推估分配型态的参数值。假设k为资产报酬分配的峰态系数，则在一般化误差分配型态下，峰态系数k与分配型态参数v存有下列的关系：

亦即先计算报酬资料分配的峰态系数k，然后根据式(5)，即可求解v值。当一般化误差分配机率密度函数的v值估计获得之后，接下来在给定的机率水准下，可利用辛普生法(Simpson′s rule)来求得分位数QLi和QUi。

3.条件报酬相关系数的计算与条件资本资产定价模型的估计

当获得条件报酬配对资料后，接下来即可进行条件相关系数的计算。在计算条件相关系数时，考虑到报酬尾端的资料个数较少时，所计算的Pearson相关系数可能会产生虚增或虚减的现象，因此使用无母数方法的Spearman等级相关计算方式，以估计条件报酬相关系数。令指数i和指数j的低尾部的条件相关系数为ρLij，则

其中，xk表示rLit在rLi的排序等级，yk表示rLjt在rLj的排序等级，n为配对报酬率的个数，亦即Spearman等级相关系数ρLij相当于计算rLit 和rLjt的等级数值的Pearson相关系数。

本文亦估计投资组合的系统风险及非系统风险以探讨投资组合风险分散的效益。首先，依据式(1)、(2)和(3)求得市场指数和类股指数i的低尾部、中间和高尾部条件报酬配对；然后，利用市场模式(market model)估算投资组合的系统风险和非系统风险。市场模型的定义式如下：

Rit=α0+βiRMKt+εit，i=1,…,n(7)

其中，Rit代表第t期类股指数i的报酬率；RMKt代表第t期市场股价指数的报酬率；α0为截距；βi为斜率项，为系统风险的衡量指标；εit为残差项，而残差变异数为非系统风险衡量的指标。

四、实证研究

1.资料说明

本文以台湾地区类股指数为研究对象，包括水泥窑指数、食品指数、塑胶化工指数、机电指数、纺织指数、造纸指数、营建指数以及金融指数，探讨在高波动期间股票市场类股指数间相关系数、非系统风险与系统风险的变化情形，以分析在不同市场情况下投资组合的风险分散效果。近年来，由于电子类股在股市中迅速窜起且其交易比重也占股市的最大交易总值比例，因此更进一步将类中的机电类股指数分解为电子类股指数、电器类股指数与电机类股指数三支类股指数，以进一步比较电子类股与其它类股指数间相关系数的变化及投资组合的风险分散效果。由于研究中类股指数样本资料的期间是从1991―2004年共14年，但限于电子、电器及电机三支类股股价指数样本资料的取得是起于1995年，因此样本资料分为全样本期间(1991―2004)与子样本期间(1995―2004)两个期间，股价指数资料来源为台湾经济新报资料库(TEJ)。[JP+1]

计算股价指数报酬率的方式为Rt=ln(pt/pt-1)，其中Rt为第t天的报酬率，pt为第t天股价指数。样本期间各类股股价指数日报酬之叙述统计摘要，包括平均值、标准差、峰态系数、偏态系数、最大值及最小值。从全样本期间的统计结果可以发现8支类股指数中有3支之平均报酬为正、5支为负，其中以造纸类股的风险最高(准差为0.0211)，食品类股最低(标准差为0.0172)，然全部平均报酬率统计检定不显著异于0。而由子样本期间的分析结果亦可发现平均日报酬率不显著异于0的相同的结论，其中以电子类股的风险最高（标准差为0.0211），最低的为电机类股(标准差为0.0157)。再者，在全样本和子样本期间中，各类股指数的报酬率的最小值和最大值几乎都在-0.07和0.07之水准，此现象说明台湾地区股票市场有7%涨跌幅限制的规定存在。在偏态系数方面，全样本和子样本期间中各类股股价指数的日报酬皆各有5支指数的偏态系数显著不为零，其中营建和金融类股指数日报酬在两样本期间皆呈现右偏，而全样本期间中日报酬资料呈现左偏的有食品、机电及纺织等3支类股指数，而在子样本期间中则是食品、电子及电机等3支类股指数日报酬呈现左偏。在峰态系数部分，不论是全样本或子样本期间的类股股价指数日报酬，其峰态系数皆大于3，且在显著水准1%下呈现显著，说明样本期间中各类股指数之日报酬分配皆为呈现高狭峰具有厚尾的分配。JarqueBera 检定结果显示，各类股指数报酬率在显著水准1%下皆为显著，证实全样本及子样本期间的类股股价指数日报酬具有胖尾的非常态分配。

2.分位数与条件相关性的实证结果

本文共估计8种高低尾部报酬的分位数，包括估计1%、1.5%、2.5%、5%等4种低尾部报酬分位数，以及95%、97.5%、98.5%、99%等4种高尾部报酬分位数。v值为一般化误差分配的型态参数估计值，v值的大小反映不同报酬分配的尾部型态。全样本期间的8支类股指数的型态参数以水泥窑类股指数的v值1.1398为最小，表示其分配型态为最胖，而造纸类股指数的v值1.3846为最大，表示其分配型态为最瘦。在子样本期间部分的10支类股指数中，以金融类股指数的分配型态为最胖，其v值为1.2473，而以电子类股指数的v值为1.4884为最大。再者，子样本期间中各类股指数的v值皆大于全样本期间的v值，说明子样本期间中各类股指数报酬分配的尾部型态较全样本期间中的类股指数分配型态还要瘦尾。另外各类股指数的型态参数v值都明显小于2，此结果再次证实各类股指数报酬分配的型态都比常态分配的还要胖尾。

根据样本期间的无条件相关系数、低尾部、中间以及高尾部的条件报酬配对所计算的条件相关系数可知，在全样本与子样本期间中的无条件相关系数的数值分别达0.7054与0.6742，隐含台湾地区股市类股指数间存在齐涨齐跌的联动关系。此外，在条件相关系数值的统计上，发现全样本期间及子样本期间条件报酬分配的高、低尾部的条件相关系数皆比分的条件相关系数还低，此结果与以往文献的结论并不相同。为了确认尾部的条件相关系数是否显著异于报酬分配中间部分的条件相关系数，进一步使用不需要作常态假设以及对测量误差较不敏感且适合小样本资料的无母数Wilcoxon符号等级检定法检定，其检定结果显示，不管在全样本或子样本期间，在显著性水平5%下，条件报酬分配高低尾部的条件相关性都显著低于报酬分配中间的条件相关性(全样本期间的2.5%分位数除外)。

相较于Silvapulle等(2001)针对美国股市的实证研究，本文实证结果发现美国股市与台湾地区股市有两点不同之处：(1) Silvapulle等研究道琼斯工业指数30支股票的相关性，发现当美国股市为熊市时的平均条件相关性会比股市为牛市和平常时期要高；然而，本文则发现台湾地区股市为熊市或牛市时，全样本期间以及子样本期间的平均条件相关系数都比平常期间要低。(2)台湾地区股市的平均条件相关系数除了子样本期间中高尾部的相关系数在0.2到0.4之间外，大部分的数值都介于0.5到0.7之间，属于中度相关性，然而美国道琼斯工业指数30支股票除了熊市的相关系数在0.4左右外，其平均条件相关系数皆在0.3以下，属于低度相关性。由以上两点的分析可以得知，虽然台湾地区股市在高度波动期间时的投资组合的风险分散效益较不会受到侵蚀，然而，在台湾地区股市相关性偏高的情况下，投资者所能获得分散风险的效益将是有限的。

3.条件资本资产定价模型的实证结果

以条件资本资产定价模型估计非系统风险与系统风险的结果。由非系统风险的统计可以得知，不管是在全样本或是子样本期间，无条件较条件平均残差变异数来的大，亦即无条件非系统风险较条件非系统风险为大。此外，平常时期的平均条件残差变异数大于高、低尾部的平均条件残差变异数，以Wilcoxon符号等级检定法检定之结果亦支持高、低尾部平均条件残差变异数显著低于中间部分的平均条件残差变异数，显示台湾地区股市为熊市或牛市时，投资组合的非系统风险低于平常时期投资组合的非系统风险，隐含在高波动期间时台湾地区股市类股投资组合的风险分散效益优于平常时期。

由全样本期间与子样本期间类股股价指数的无条件及条件β值之统计量可发现：全样本期间与子样本期间的无条件β平均值分别为0.9121和0.8907，皆大于条件β的平均值。此外，全样本期间及子样本期间条件报酬分配高、低尾部的平均β值都小于中间部分的平均β值，进一步以Wilcoxon检定的结果：无论是全样本期间与子样本期间以及在分位数1%、1.5%、2.5%或5%，在显著性水平5%下，条件报酬分配低尾部的条件β值都显著小于中间部分的条件β值，隐含在高波动期间台湾地区股市投资组合的总风险受市场因素的影响会比较小。

五、结论

在进行投资管理时，如何规避资产报酬的下方风险或高波动期间的投资风险是基金经理人或风险管理者所关切的问题。

实证结果发现：全样本期间或子样本期间股票报酬分配高、低尾部的条件相关性及非系统风险都显著比报酬分配中间部分低，显示在高波动期间，股市类股的联动性小于平常期间的联动性，隐含投资组合风险分散的效益并未受到侵蚀。这与以往研究结果在市场高度波动期间的相关性会增加并不相同。虽然股市在高波动期间的类股的联动性小于平常期间，然而台湾地区股市不论处于牛市、熊市或平常时期，在全样本期间与子样本期间的平均条件相关系数(分别介于0.4450到0.6398间及介于0.2075到0.6118间)较美国股市的平均条件相关系数(介于0.198到0.475间)为高，因此建议投资者或基金经理人应该多运用国际投资组合以达到提高风险分散的效益及增加投资报酬的绩效。

参考文献：

黎明渊，林修葳，郭 等. 2003. 美、日股市巨幅波动下的股市连动效果：美国、日本与亚洲四小龙股市实证结果［J］. 台湾证券市场发展季刊，15(1):117-145.

叶银华. 1991. 国际股票市场股价指数共移型态与关联性之研究［J］. 台湾经济金融月刊，27(10):11-20.

徐守德. 1995. 亚洲股市间共整合关系之实证研究［J］. 台湾证券市场发展季刊，7(4):33-57.

BRACKER K, KOCH P D. 1999. Economic determinants of the correlation structure across International equity markets ［J］. Journal of Economics and Business, 51(6):443-471.

BUTLER K C, JOAQUIN D C. 2002. Are the gains from International portfolio diversification exaggerated? the Influence of downside risk in bear markets ［J］. Journal of International Money and Finance, 21(7): 981-1011.

CAMPBELL R, KOEDIJK K, KOFMAN P. 2002. Increased correlation in bear markets ［J］. Financial Analysts Journal, 58(1):87-94.[HT6SS]

CIZEAU P, POTTERS M, BOUCHARD J P. 2001. Correlation structure of extreme stock returns ［J］. Quantitative Finance, 1(2):217-222.

DARBAR S M, DEB P. 1997. Co-movements in international equity markets ［J］. Journal of Financial Research, 20(3):305-322.

DEMIRER R, LIEN D. 2005. Correlation and return dispersion dynamics in chinese markets ［J］. International Review of Financial Analysis, 14(4):477-491.

EUN C S, SHIM S. 1989. International transmission of stock market movements ［J］. Journal of Financial and Quantitative Analysis, 24(2):241-256.

GOETZMANN W N, LI L, ROUWENHORST K G. 2005. Long-term global market correlations ［J］. The Journal of Business, 78(1):1-38.[HT6SS]

KAROLYI G A, STULZ R M. 1996. Why do markets move together? An investigation of U.S.-Japan stock return comovements ［J］. Journal of Finance, 51(3):951-986.

LESSARD D R. 1976. World, country, and industry relationships in equity ［J］. Financial Analysts Journal, 32(1):32-38.

LEVY H, SARNAT M. 1970. International diversification of investment portfolios ［J］. American Economic Review, 60(4):668-675.

LONGIN F, SOLNIK B. 1995. Is the correlation in International equity returns constant: 1960-1990 ［J］. Journal of International Money and Finance, 14(1)3-26.

LONGIN F, SOLNIK B. 2001. Extreme correlation of international equity markets ［J］. Journal of Finance, 56(2):649-676.

MARKOWITZ H. 1952. Portfolio selection ［J］. The Journal of Finance, 7(1):77-91.

MERIC I, MERIC G. 1989. Potential gains from international portfolio diversification and inter-temporal stability and seasonality in international stock market relationships ［J］. Journal of Banking and Finance, 13(?):627-640.

RAMCHMAND L, SUSMEL R. 1998. Volatility and cross correlation across major stock markets ［J］. Journal of Empirical Finance, 5(4):397-416.

SILVAPULLE P, GRANGER C W J. 2001. Large returns, conditional correlation and portfolio diversification: a value-at-risk approach ［J］. Quantitative Finance, 1(5):542-551.

SOLNIK B H. 1974. Why not diversify internationally ［J］. Financial Analysts Journal, 30(4):48-54.

SOLNIK B, BOUCRELLE C, LE FUR Y. 1996. International market correlation and volatility ［J］. Financial Analysts Journal, 52(5):17-34.

WATSON J. 1978. A study of possible gains from international investment ［J］. Journal of Business Finance and Accounting, 5(5):195-206.

Conditional Correlation and Risk Diversification

under Highly Volatile Stock Markets

HUANG Yuxiang CHANG Jergang

(School of Economics and Management, Tongji University, Shanghai 200093)

Abstract: This paper investigates the benefit of portfolio diversification when Taiwan stock market is bearish or bullish. Generalized error distribution (GED) is employed to calculate the returns to estimate conditional correlation. The test shows that conditional correlation and unsystematic risks during highly volatile period are much lower than that in other periods, namely, the linkages and unsystematic risks of Taiwan stock market are much lower in highly volatile markets, which implies that the benefit of portfolio diversification is not be eroded. This paper suggests that the investors or the fund managers should use international portfolio diversification as much as possible to increase the benefit of portfolio diversification.

篇7

关键词：财务弹性；财务杠杆；公司价值

本文研究的重点是检验公司的财务弹性需求是怎样影响财务杠杆决策的，财务杠杆是否是财务弹性与公司价值之间的中介变量，然后更进一步地分析融资决策和财务弹性与公司整体价值之间的关系。

一、研究设计

（一）研究假设

不同成长阶段的公司，拥有不同的风险水平和自身现金流入以及期望现金流，各阶段的公司对融资方式有灵活的需求，并且这种需求以与未来预期现金流量和融资约束相关的未来投资机会为特征。所以我们在此假设。

H1：财务弹性水与财务杠杆呈负相关关系。因为财务弹性能提高公司的支付能力和再投资能力，是解决财务困境的一个重要方法，能提高投资者信心，进而能提高公司价值，由此，我们假设。

H2：财务弹性水与公司价值正相关。财务弹性水平使得公司财务杠杆更加优化，于是降低了公司的融资成本，提升了公司的价值由此我们假设。

H3：财务杠杆是财务弹性和公司价值的中介变量。

（二）样本和数据来源

本文选取2011年A股上市公司制造类企业为研究样本，剔除了ST公司、数据缺失和波动大的样本，最终选取182家企业。所需数据来自CSMAR数据库，所用软件为stata10.0

（三）变量的选取与回归模型建立

1、本文以托宾Q作为公司价值的代替变量。

2、本文从不同角度选取了8个代表性指标，将这8个指标作为初始变量。长期借款资产比， 留存收益资产比， 现金股利保障倍数， 资本购置比率， 现金再投资比率， 董事会持股比率， 公司高管持股比率。

3、LEV为中介变量。本文用资产负债率反应负债水平。

4、控制变量。本文选取盈利性指标ROA（净资产收益率）、资产担保能力COLL（无形资产净额/资产平均余额）、非债务税盾NDT（年折旧/总资产平均余额）、公司规模SIZE（总资产自然对数）。

（二）、描述性统计

从我们的描述性统计结果可看出，被选择的样本的财务弹性指数均值为0711795，最大值为197685，最小值为-20263，可见，样本公司财务弹性差异很大。这个结果与因子分析结果一致。

（三）多元回归分析

根据中介作用的检验方法.本文利用样本数据做如下了回归检验。

1、回归分析财务杠性和财务杠杆。由回归结果可知，在控制了盈利性、资产担保能力、企业规模、非债务税盾后，财务杠杆与企业的财务弹性水平之间呈正相关关系，其相关系数为0032，但是没有通过显著性检验。整体性检验F值通过检验，得出方程拟合度为0519。这一结论否定了之前的假设H1，即财务弹性水平与财务杠杆不存在负相关关系。由相关分析可知，LEV和FFH之间的相关系数为0011，其相关关系很弱，这与回归结果一致，即LEV和FFH之间的负相关关系不显著，因而拒绝H1另外各个变量的可容忍度均接近1，VIF

2、关于财务弹性水平与公司价值的回归结果。回归结果表明，财务弹性水平与公司价值呈的正相关关系，其相关系数为0008，但是没有通过显著性检验。这一结论拒绝了假设H2，即财务弹性水平与公司价值不一定存在正相关关系。由相关分析可知，LEV和Tobin’sQ之间的相关系数为00046，其相关关系很弱，与回归结果一致，即LEV和FFH之间的正相关关系不显著，因而不能接受H2另外各个变量的可容忍度均接近1，VIF

3、财务弹性水平、财务杠杆与公司价值的回归结果。从我们的回归结果来看，在清除盈利性水平、资产担保能力、公司规模、非债务税盾对结果的影响后，财务弹性水平与公司价值之间始终呈正相关关系，但是不显著。在将财务杠杆水平纳入考虑后，财务弹性水平仍旧与公司价值有正相关的关系。整体性检验结果表明，F值通过检验。但相关系数为0569，这一结论并不支持假设H3，即财务弹性水平、财务杠杆都对公司价值有重要的影响。但财务杠杆不具有中介效应，反而提高了财务弹性水平与公司价值的相关性，进一步支持了假设H1。

三、研究结论与建议

从本文的实证结果来看，财务弹性水平的提高，会大幅提高公司价值。但根据之前的分析，处于不同成长时期的企业对财务的弹性需求是不一样的。于是，财务风险与资金成本等多个因素都应该纳入考虑范围，测度不同发展阶段的企业各自的最优财务弹性区间是今后有待研究的问题。 （作者单位：湘潭大学）

参考文献

[1]葛家澍，占美松.企业财务报告分析必须着重关注的几个财务信息[J].会计研究，2008，（5）.

[2]Gamba， Andrea and Alexander J.Triantis. The value of financial Flexibility [J]. Journal of Finance forthcoming， 2008，（5）：2263-2296.

[3]DeAngelo， Harry， Linda DeAngelo and Ren M. Stulz. Dividend Policy and the Earned： A Test of the Lifecycle Theory [J].Journal of Financial Economics， 2006，（81）：227-254.

[4]Byoun and Soku. How and When Do Firms Adjust Their Capital Structures toward Targets？ [J].Journal of Finance，2008，（6）：3069-3096.

[5]屈耀辉，傅元略.优序融资理论的中国上市公司数据验证――兼对股权融资偏好再检验[J].财经研究，2007，（2）.

篇8

为扩大国内需求，降低企业设备投资的税收负担，促进企业技术进步、产业结构调整和转变经济增长方式，根据国务院常务会议精神，增值税转型改革的主要内容包括以下几个方面：自2009年1月1日起，全国所有增值税一般纳税人新购进设备所含的进项税额可以计算抵扣；购进的应征消费税的小汽车、摩托车和游艇不得抵扣进项税；取消进口设备增值税免税政策和外商投资企业采购国产设备增值税退税政策；小规模纳税人征收率降低为3%；将矿产品增值税税率从13%恢复到17%。这一由生产型增值税转变为消费性增值税的举措必将影响各行各业公司绩效，而在理论界对于纺织业这一特定行业公司绩效影响的研究较少。因此本文以纺织业上市公司为特定研究对象，研究增值税转型对这一特定行业上市公司绩效的影响。

二、研究设计

（一）研究假设 增值税转型这一举措意在降低企业设备投资的税收负担，促进企业进步，因此必然会促进企业绩效的提高。企业的规模会对企业的经营绩效有较大的影响，同时也会对公司的治理结构起较大的作用。由生产型增值税转为消费型增值税能有效减轻企业税负，有利于企业固定资产投资，因此有利于公司规模的扩大和固定资产占总资产比重的提高。每股收益越高说明企业盈利能力越强。同时资产负债率对企业绩效也有一定的影响。因此，本文提出以下假设：

H1：增值税转型的实施会促使企业绩效更好

H2：资产规模的扩大有利于企业绩效的提高

H3：固定资产占资产的比重较小的企业绩效较好

H4：每股收益越大企业绩效越好

H5：资产负债率越小即负债比率越小越有利于绩效提高

（二）样本选取与数据来源 本文的数据取自纺织业上市公司，利用聚源数据库用2008年净资产收益率（ROE）摊薄>4‰且总资产收益率（ROA）>2‰的条件对纺织业上市公司进行筛选，选取具有代表性的纺织业上市公司20家进行分析。

（三）变量定义 本文将企业绩效指标作为因变量，选取净资产收益率这一评价企业自有资本及其积累获取报酬水平的最具综合性与代表性的指标。而将能表示增值税转型政策的指标作为自变量，以当年新增的固定资产总额×增值税税率/总资产作为衡量增值税转型政策的指标。其中，当年新增的固定资产总额×增值税税率相当于由于增值税转型而减轻的税负。该指标即为因增值税转型而减少的税负占总资产的比重。同时设计控制变量控制一些因素对企业绩效的影响，分别为公司规模、固定资产占总资产的比重、每股收益、资产负债率这四个变量。变量具体说明如表1所示。

（四）模型建立 本文采用先用描述性统计分析，相关性统计分析再做线性回归分析的方法。相应的多元回归模型为：

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+ε

其中Y表示净资产收益率，X1表示增值税转型政策，X2表示资产规模，X3表示固定资产占总资产比重，X4表示每股收益，X5表示资产负债率。

三、实证结果分析

（一）描述性统计 从表2可以看出，净资产收益率四年的均值分别为-0.078，0.022，0.088，0.008，呈现先上升再下降的趋势。我们估计这可能是2009年金融危机造成的影响。增值税转型政策四年的均值分别为-3.68E-3，-1.38E-3，1.48E-4，9.73E-3，呈现一直上升的趋势。说明净资产收益率和增值税转型政策相关性很高。资产规模四年的均值分别为20.89，20.99，21.14，21.36，也是呈现一直上升的趋势。说明增值税转型对公司资产规模带来了正面的影响。固定资产占资产比重四年的均值分别为0.377，0.354，0.270，0.299，呈现先下降再上升的趋势，说明增值税转型对企业资产结构有一定的影响。每股收益四年的均值分别为0.010，0.0783，0.187，0.078，呈现先上升后下降的趋势，与增值税转型政策具有很高的相关性。资产负债率四年的均值分别为0.84，0.55，0.47，0.45，呈现持续下降的趋势，说明企业偿债能力持续增强。

（二）相关性分析 表3列示了各变量之间的Pearson相关系数。代表增值税转型政策的相关性系数分别为0.217，0.160，-0.404，0.353，除在2008年宏观环境影响下出现负相关外，其他三年皆出现正相关，且相关性较高。资产规模也基本上呈现正相关，表示资产规模越大，企业经营绩效越好。每股收益四年都通过了1%的显著性水平的检验，且均为正。

（三）回归分析 为了测试净资产收益率与自变量及各控制变量的关系，本文运用SPSS统计软件对2009年的数据进行了回归分析。选择2009年的理由是：2009年作为增值税转型的第一年，这一年的数据比其他年份更具有研究价值。

根据表4得出回归方程：

Y=-0.345+1.856X1+0.016X2-0.086X3+0.321X4-0.036X5

由表4可以看出，该方程总体通过了F检验，方程拟合程度较高，说明该方程具有统计意义。

针对假设1：代表增值税转型政策的指标显著性水平为0.050，相关系数为2.145，说明增值税转型政策与企业绩效显著正相关。此项政策的实施会使企业绩效变好。假设1成立。

针对假设2：资产规模的显著性水平为0.326，相关系数为1.017，没有通过显著性检验。

针对假设3：固定资产占资产比重的显著性水平为0.287，相关系数为-1.107，没有通过显著性检验。

针对假设4：每股收益的显著性水平为0.018，相关系数为2.681，说明每股收益与企业绩效显著正相关。假设4成立。

针对假设5：资产负债率的显著性水平为0.638，相关系数为-0.482，没有通过显著性检验。

四、结论

通过对纺织业上市公司有关指标的分析，本文得出以下结论：

第一，增值税转型可以提高企业绩效。由于增值税转型使得购买固定资产的增值税进项税额得以抵扣，从而影响了固定资产成本，即引起了资产的变化，并且通过累计折旧引起费用的变化，并进一步影响利润总额和净利润，从而提高企业绩效。

第二，资产规模这一控制变量在2006～2009年连续四年皆未通过显著性检验，因此无法得出资产规模与企业绩效水平的关系的结论。即企业绩效水平与资产规模无直接联系。

第三，固定资产占资产比重这一控制变量在2006年～2009年四年中有一年为正相关，有一年为负相关，另两年未通过显著性检验，因此无法下定论。

第五，每股收益与企业绩效2006年～2009年四年皆成显著正相关。即每股收益越大，企业绩效越好。

第六，资产负债率与企业绩效呈负相关。即在一定的限度内，资产负债率越小，企业绩效越好。即面临较小的偿债压力。

因此通过整体分析可以得出结论：增值税转型确实可以提高纺织业上市公司绩效。

篇9

【关键词】 国有资本； 企业目标实现； 相关性； 列联表

一、理论文献综述

西方经济理论认为，资本是价值增值的手段和载体。按所有者不同，资本可以分为公有资本和私有资本，公有资本通常即为国有资本。我国的国家性质和经济体制决定了国有资本在我国的重要地位。随着我国社会主义市场经济体制的逐步建立，国有企业改革不断深入，国有资本在一般竞争性领域战略调整步伐日益加快。国有企业股份制改革增大了企业中非公有资本的比例，形成了国有资本控股、非公有资本参股或非共有资本控股、国有资本参股的混合所有制经济的大量出现；但可以看到，在证券市场上，上市公司中国有资本的比重仍然很大。因此关于国有资本与企业特别是上市企业经营绩效关系的研究在我国一直是一个热点。

关于国有资本对企业绩效的影响问题前人已进行了多项研究。在已有的研究中，关于股权结构与企业绩效的实证研究结果可以分为两大类：相关和不相关。例如，董麓、肖红叶（2001）对169家公司1996年到2000年的有关数据进行回归发现，股权集中度、国家股比例对上市公司经营业绩没有影响；而许小年、（1999）通过对1993至1995年我国300多家上市公司的分析发现国家股比例与公司绩效正相关。另外，郭跃进、（2005）通过对我国上市公司2002年数据的实证分析，研究了公有资本与非公有资本的结合效率问题，他们发现公有资本与非公有资本结合的上市公司中，非公有资本控股上市公司的经营业绩明显优于公有资本控股的上市公司。

二、研究方法

虽然关于企业股权结构与企业绩效关系的研究前人已做过很多，并取得了丰硕的研究成果。但关于国有资本与企业特别是上市企业经营绩效相关性研究一直是热点，且近年我国经济环境发生了巨大的变化，经济创新、企业改革不断，特别是2008年爆发的全球金融危机。因此，重新分析研究当前企业国有资本与企业绩效的关系是非常有必要的。

由于知识能力和篇幅有限，本文只从反映企业绩效的一个方面来分析，即企业目标实现程度（或者盈利性）。首先，本文在进行国有资本比例与企业目标实现程度相关性分析的基础上，进一步采用列联表对两者的关联性进行分析。

（一）变量选取

1.对于企业目标实现程度指标，本文选取了净资产报酬率（ROE）和营业收入现金比率①。关于什么是企业财务管理的目标，目前学术界还存在认识上的差异，主要观点有三种：企业利润最大化、股东权益最大化、企业价值最大化。虽然主流观点是以企业价值最大化，但这一目标在计量上存在一定困难，可操作性不强，而且当前的股票市场投机行为较严重，不适合用股票价值来反映企业的价值。而对于利润最大化，是一个绝对指标，对于规模相差较大的企业评价，结论准确性较差。本文选择净资产报酬率作为企业目标的衡量指标的原因：本文选取的样本企业均为上市公司，净资产报酬率较适合作为股份公司的目标，而且，净资产报酬率是一项综合性较强的指标。另外，本文还采用了营业收入现金比率作为补充指标。这是因为，一方面该目标容易计量，现金流量和营业收入数据可直接从现金流量表和利润表中获取；另一方面现金流量的大小在一定程度上决定了企业的生存和发展能力。因此，“现金流量最大化”可作为“企业价值最大化”的具体目标。

2.根据一般意义上的理解，本文将国有资本定义为上市公司的国有股份额，并在此基础上计算国有资本占总资本的比率。定义变量B，并为变量B定义其变量值标签：当国有资本比例≥50%时，取值1，定义为“控股”；当国有资本比例

前述变量和指标值均选取2009年年报数据，这样更能反映2009年在金融危机影响下国有资本的新的运营情况。

（二）样本选取

本文数据来自国泰安CSMAR系列研究数据库。选取2009年度我国上市公司中国有资本所占比例较大且集中的交通运输业，水、电力、煤气供应生产业和社会服务业三个行业作为样本。在样本选取时，剔除了被特别处理的上市公司和国有资本为零的企业，最终选取了交通运输业29家，水、电力、煤气供应生产业28家，社会服务业23家，共80家上市公司作为样本企业。

（三）实证过程

1.相关性检验

（1）交通运输业相关性单尾检验（见表1）

H0：国有资本比例与ROE、营业收入现金比率相关系数≤0。

H1：国有资本比例与ROE、营业收入现金比率三者相关系数＞0。

结论：国有资本比例与净资产报酬率（ROE）相关系数为0.507，且显著水平0.003低于0.05，拒绝原假设，接受对立假设，即国有资本比例与净资产报酬率（ROE）显著正相关；同理，国有资本比例与营业收入现金比率也显著正相关。

（2）水、电力、煤气供应生产业相关性单尾检验（见表2）

H0：国有资本比例与ROE、营业收入现金比率三者相关系数≤0。

H1：国有资本比例与ROE、营业收入现金比率三者相关系数＞0。

结论：国有资本比例与净资产报酬率（ROE）相关系数为0.451，且显著性水平0.022低于0.05，拒绝原假设，接受对立假设，即国有资本比例与净资产报酬率（ROE）显著正相关；国有资本比例与营业收入现金比率相关系数为0.398，显著性水平0.051，勉强通过假设检验。

（3）社会服务业相关性单尾检验（见表3）

H0：国有资本比例与ROE、营业收入现金比率三者相关系数≤0。

H1：国有资本比例与ROE、营业收入现金比率三者相关系数＞0。

结论：国有资本比例与净资产报酬率（ROE）相关系数为0.535，且P值0.004低于0.05，拒绝原假设，接受对立假设，即社会服务业企业国有资本比例与净资产报酬率（ROE）显著正相关；但国有资本比例与营业收入现金比率正相关未通过显著性检验。

通过对上述三个行业的相关变量的相关性单尾检验，可知企业国有资本与企业盈利性显著正相关，即企业内国有资本份额越大，企业盈利性越强，企业目标完成程度越好。

2.列联表分析

为了做出列联表，笔者计算出上述80家公司的国有资本比例比例及各变量的平均值，其中，ROE平均值0.0726，国有资本比例平均值0.35286。以国有资本比例的平均值为标准，将样本中的80家公司分为国有资本高比例和低比例两类。类似地，以ROE的平均值为标准，将样本公司分为高盈利和低盈利两类。得到国有比例与盈利2×2列联表列联表中的每个数据是同时符合行、列所示特征的公司数量，如表4。

进行列联表分析：

H0：国有资本比例与净资产收益率相互独立。

H1：国有资本比例与净资产收益率不相互独立。

结果如表5、表6所示。

期望频数小于5的单元格为0（低于20%），且最小期望频数16.15（大于1），有效例数为80（大于40），因此卡方值应选Pearson Chi-Square=20.124，相应P值为0.04

结论：拒绝原假设，认为国有资本比例与盈利能力不相互独立。

因此，通过国有资本比例与盈利能力的列联表分析，进一步验证了国有资本与企业目标（以盈利目标为代表）的相关性。

三、结论

通过上述相关性检验和列联表分析，可以得出在以2009年年报数据为基础上分析，企业国有资本与企业目标实现程度成正相关。这与大多数研究的国有资本效率不高的结论是相矛盾的。一般研究认为，国有资本的所有者是全体国民，这是一个整体概念，缺乏真正人格化的代表，因此在国有资本的经营中不可避免的存在多重的问题，进而导致了国有资本经营效率的低下。

而本文通过实证分析得出了国有资本与企业绩效正相关的结论。笔者认为这是由于特定的经济环境所导致的。2008年爆发了全球性的金融危机，2009年我国政府出台了一系列刺激措施，特别是在公共事业方面，加大了财政支出。本文所选的三个行业，均与公共事业联系密切。

本文存在一定的局限性与不足。首先，只针对交通运输业，水、电力、煤气供应生产业和社会服务业三个行业进行了分析。其次，受能力和篇幅限制，在指标选取方面，只采用了净资产报酬率和营业收入与现金比率，还不够全面。另外，只选取了2009年的数据，纵向拓展不够宽，易受到一些短期因素的影响。

四、现实指导意义

本文通过分析研究企业国有资本比例与目标实现程度的关联性，得到国有资本与企业绩效正相关的结论，这对当前我国国有企业的财务绩效评价具有理论和现实双重意义。

受国际金融危机以及自身结构性矛盾的叠加影响，我国国有企业发展面临着困难与挑战。处于后金融危机时代的国有企业，应抓住政府出资人的优势，大力整合现有资源，明晰企业产权，真正体现出政府出资人的职能到位。

一方面，完善国有资产所有者治理结构，建立具有完善法人治理结构的现代企业制度。可以抓住改制上市的时机，推动企业主营业务整体上市，直至整体企业的上市，在不改变国家所有权的前提下，实现股权多元化。

另一方面，引人市场的监督机制，重建内部激励机制，实现国有企业内部治理的高效率。

【参考文献】

［1］ 杜志渊.常用统计分析方法――SPSS应用［M］.山东人民出版社，2006.

［2］ 郭跃进，.我国上市公司公有资本与非公有资本结合效率的实证研究［J］.金融管理，2005（4）.

［3］ 张彦，曹晓丽.资本结构与财务目标实现程度的相关性分析［J］.财会通讯（学术版），2005（8）.

［4］ 陈艳利.国有资本收益管理问题研究［J］.国有资产管理，2008（10）.

篇10

一、 研究设计

本文选取28家农商行2006年～2015年非平衡面板数据，分析利差影响因素。样本数据来自wind数据库和各银行网站的公开信息（年度报告、信息披露等）。

常见利差指标有两种，一是衡量银行存贷款业务盈利能力的净利差（Net Interest Margin， NIM），等于净利息收入与平均总资产的比重，二是反映银行定?r能力的利息差额（Net Interest Spread， NIS），即，名义贷款利率与存款利率的差额。根据数据来源，建立基本模型（公式1），被解释变量为净利差（nim），解释变量包括度量经营绩效的资产收益率（roa），度量银行风险的不良贷款率（npl）和流动性比率（lr），以及度量业务多元化的熵指数（ei）。另外，模型还加入了银行规模、资本充足率、股权集中度、董事会人数、员工人数和分支机构数等控制变量。

nim=？琢0+？琢1roa+？琢2ei+？琢3npl+？琢41r+？琢5lna+？琢6ca+？琢7lshp+？琢8bn+？琢9em+？琢10af+？着 （公式1）

本文选取净利差（nim）作为被解释变量，衡量银行传统存贷款业务盈利能力，指标数值越大，说明银行传统业务盈利水平越高。

资产收益率（roa）等于净利润/平均总资产，是衡量各银行经营绩效的常用指标，数值越大，说明经营绩效越好。银行多元化经营情况通常使用赫芬达尔指数（Herfindahl）或熵指数度量，因前者产生的马太效应可能会放大非利息收入与利息收入间的差距，选取熵指数（ei）度量商业银行多元化经营程度。商业银行在经营管理过程中面临信用风险、市场风险、流动性风险和操作风险等。农商行作为地方法人银行，大多专注于存款、贷款等传统业务，面临的风险集中于信用风险和流动性风险等方面，选取信用风险和流动性风险来衡量银行风险。由于农商行大多为非上市银行，考虑数据的可得性，加之农商行信贷业务占比较大，面临的信用风险主要是贷款业务的违约风险，选取不良贷款率（npl）作为度量农商行信用风险指标，数值越高表示银行面临的信用风险越大。流动性比率（lr）等于流动资产/流动负债，是衡量银行流动性风险的常见指标。

银行规模大小一般均采用银行年末总资产来衡量，总资产越多表明银行规模越大，选取年末总资产的自然对数（lna）衡量农商行规模大小。作为银行监管的重要指标，资本充足率（ca）等于资本总额对其风险加权资产的比率，反映银行抵御风险能力，也是影响银行利差的因素之一，选取银行年末资本充足率作为控制变量。股权集中度是反映银行股东构成的重要指标，选用最大股东持股比例（lshp）衡量股权集中度。银行董事会人数（bn）、员工人数（em）和分支机构数（af）都可能影响银行传统存贷业务开展，将其加入控制变量。

二、 实证分析

1. 描述性统计。由表1可以看出，样本农商行净利差均值为2.83%，最小值为0.38%，最大值为5.24%，标准差较小，仅为0.83。解释变量资产收益率均值为1.29%，标准差为0.60，熵指数均值为0.38，标准差仅为0.18，是所有变量中最小的。银行风险衡量指标不良贷款率均值为2.12%，标准差为2.38，流动性比率均值为48.69%，标准差达到14.29，说明不同银行面临的信用风险和流动性风险差异较大。主要控制变量中，员工人数和分支机构数的标准差大，分别为2 288.58和203.49，表明各样本银行对人力资源和网点设置投入差异大。

2. 面板回归。选用传统最小二乘法、面板固定效应模型和面板随机效应模型，对样本数据进行回归分析。

Hausman检验结果p值0.25，说明选择面板随机效应模型更优。回归分析结果（表2）显示，经营绩效与净利差显著正相关，面板随机效应模型下，在1%水平上显著有效，相关系数为0.35。最小二乘法和面板随机效应模型下，业务多元化与净利差在1%水平上显著负相关，相关系数分别为-1.70和-1.09。不良贷款率和流动性比率对净利差分别有正向和负向影响，但显著性较差。在5%水平上，银行规模、分支机构个数与净利差之间显著负相关，资本充足率和员工人数对净利差影响为正。

3. 聚类分析。所选样本数据根据不同标准进行分类，适宜采用聚类分析进行实证研究。聚类数据的误差项与组内聚类相关，需要对聚类进行修正。为对比检验结果，首先对样本数据进行非面板聚类分析，然后采用修正过的面板聚类分析进行实证检验。

样本农商行28家，涵盖东部、中部和西部地区，包括省级（省、自治区和直辖市）农商行，省会市（省会和单列市）农商行，地级市农商行，县（区）级农商行；成立年限分为五年及以下，五到十年，十年以上。可以银行（bank）、区域（r）、机构层级（ins）和成立年限（sy）分别为聚类指标。r将东部、中部和西部地区农商行分别赋值为1、2、3。ins将省级（直辖市、自治区）、省会市（单列市）、地级市、县（区）级农商行分别赋值为1、2、3、4。sy将五年及以下、五到十年、十年以上分别赋值为1、2、3。

（1）非面板聚类分析。不考虑数据的面板性质，直接对样本分别以无聚类指标，银行聚类指标、区域聚类指标、机构层级聚类指标和成立年限聚类指标，采用普通最小二乘法进行回归分析。

回归分析结果（表3）显示，资产收益率与净利差在所有检验方法下均显著正相关，说明资产收益率对净利差有较强的正向影响，银行经营绩效提高，会显著提升净利差。

在回归分析考虑聚类因素后，流动性风险、业务多元化、银行规模、股权集中度、董事会人数、员工人数和分支机构数对净利差影响显著。以银行、区域和机构层级为聚类的回归中，流动性比率对净利差显著负相关，相关系数均为-0.008。在4种聚类分析中，业务多元化对净利差均有显著负向影响，相关系数均为-1.7。

对主要控制变量来说，在银行、区域、机构层级和成立年限的聚类分析中，银行资产规模、股权集中度与净利差均为显著负相关，员工人数与被解释变量显著正相关，而分支机构与净利差在银行、区域聚类回归分析中分别在10%和5%水平上显著负相关。

无论是否考虑聚类因子以及不同聚类因子，上述普通最小二乘回归分析的相关系数均相同，分析不同检验方法主要考虑各相关系数的标准误差。从4种聚类分析的标准误差来看，按区域和机构层级进行聚类回归的标准误差较小，说明其检验效果更优。

（2）面板聚类分析。上述非面板聚类回归结果显示，区域、机构层级聚类的回归结果标准误差较小，可以继续考虑区域和机构层级聚类指标，进行面板聚类分析，检验影响净利差的因素。

面板聚类结果（表4）显示，除机构层级聚类的面板随机效应模型外，其他检验方法下，资产收益率均与净利差正相关，相关系数为0.33（机构层级聚类的面板固定效应模型估计的相关系数为0.44），说明银行经营效益越好越有利于传统业务发展。

衡量银行风险的不良贷款率与净利差呈正相关，但相关系数均不显著。区域聚类的三种回归方法下，流动性比率与净利差均为显著负相关，但机构层级聚类回归分析，在10%水平上流动性比率仅在使用普通最小二乘法进行检验时对净利差有显著负向影响。

与面板回归分析和非面板聚类分析类似，熵指数与净利差显著负相关，仅在使用机构层级聚类的面板随机效应模型时相关系数不显著，说明业务多元化对银行净利差有不利影响，将影响银行传统信贷业务?l展。

除了主要解释变量之外，控制变量资本充足率、员工人数与净利差显著正相关，流动性比率、业务多元化、银行规模、股权集中度、分支机构个数与净利差之间均为显著负相关。