【正文】 。| |9| || |10 步驟二這一步是估計(jì)在第一步設(shè)定好的模型的參數(shù)。本文對這一步不做詳細(xì)的分析，主要采用最小二乘法來估計(jì)模型的參數(shù)。步驟三模型檢驗(yàn)，即考察設(shè)定和估計(jì)的模型是否充分。博克斯和詹金斯（BoxJenkins）提出兩種方法：過度擬合與殘差診斷。過度擬合是指，要擬合比需要用于反映所識別數(shù)據(jù)的動(dòng)態(tài)特征還要大的一個(gè)模型，如果第一步設(shè)定的模型已是充分的，則加入ARMA模型的任何的額外項(xiàng)都將是不顯著的。殘差診斷是指檢查殘差項(xiàng)間是否存在線性關(guān)系，本文采用的第二種方法對ARMA模型進(jìn)行殘差診斷。表中第一列與第四列表明，投資者情緒序列的自相關(guān)系數(shù)除了一階自相關(guān)系數(shù)是十分顯著的，其他結(jié)果并不顯著。通過第二列與第五列可以看出，投資者情緒偏自相關(guān)系數(shù)的各階偏自相關(guān)系數(shù)都不是很明顯。因此，通過表三并不能確定最合適的ARMA模型的階數(shù)。但是，可以通過投資者情緒序列的自相關(guān)和偏自相關(guān)系數(shù)相對顯著性，來確定對ARMA模型進(jìn)行信息準(zhǔn)則檢驗(yàn)的階數(shù)。 當(dāng)使用相對“雜亂”的實(shí)際數(shù)據(jù)時(shí)，自相關(guān)和偏自相關(guān)系數(shù)很難出現(xiàn)簡單的模式，在前幾階系數(shù)會(huì)表現(xiàn)出十分顯著。這就使得acf和pacf的圖像非常難于解釋就像表三的結(jié)果，從而對投資者情緒數(shù)據(jù)很難設(shè)定一個(gè)特定的模型。為此我們采用第二種方法信息準(zhǔn)則對模型進(jìn)行識別，它在解釋acf和pacf時(shí)，能剔除其中的一些主觀成分。信息準(zhǔn)則包含兩項(xiàng)是殘差平方和的函數(shù)，另一項(xiàng)是由于增加額外參數(shù)所喪失的自由度的懲罰項(xiàng)。因此，加入一個(gè)新的變量或額外的滯后變量會(huì)對信息準(zhǔn)則產(chǎn)生兩種相反的效果：殘差平方和會(huì)減少而懲罰項(xiàng)的值會(huì)增加。最普遍運(yùn)用的信息準(zhǔn)則是：赤池（Akaike, 1974）信息準(zhǔn)則（即我們簡稱的AIC）和許瓦茲（Schwarz, 1978）貝葉斯信息準(zhǔn)則（SBIC），兩個(gè)信息準(zhǔn)則分別具有自身的特點(diǎn)，SBIC準(zhǔn)則有較強(qiáng)的一致性（但不具有有效性），而AIC準(zhǔn)則并不具有一致性，但更具有有效性。SBIC準(zhǔn)則將漸進(jìn)地遞歸到正確的模型階數(shù)，而AIC準(zhǔn)則確定的模型階數(shù)一般會(huì)較大，即使有無窮多的數(shù)據(jù)也是如此。另一方面，對同一總體的不同樣本來說，SBIC準(zhǔn)則在確定模型的評價(jià)波動(dòng)性要大于AIC準(zhǔn)則（即在確定階數(shù)時(shí)更不穩(wěn)定）。 ，（0，0）到（4，4）模型都是可能的，所以必須考慮25個(gè)模型，即自回歸項(xiàng)和移動(dòng)平均項(xiàng)的最高階數(shù)均為4，模型分別是ARMA（0，0），ARMA（0，1），ARMA（0，2），ARMA（0，3），……ARMA（4，4），從中選定的階數(shù)應(yīng)為使信息準(zhǔn)則的值達(dá)到最小。 投資者情緒ARMA模型的信息準(zhǔn)則值 Information criteria of investors’ sentiment ARMA modelAICp q0123401234——SBICp q012341234——注：ARMA（4，4）無收斂根，因此無統(tǒng)計(jì)結(jié)果。就投資者情緒序列的AIC和SBIC信息準(zhǔn)則的值來看，在p=3且q=4時(shí)，AIC信息準(zhǔn)則取得最小值并且結(jié)果明顯小于其他的信息準(zhǔn)則值；在p=1且q=1時(shí)，SBIC信息準(zhǔn)則取得最小值，但是與p=3且q=4時(shí)的SBIC信息準(zhǔn)則值相差別不大。因?yàn)閷ν顿Y者情緒進(jìn)行一元分析的目的就是，為以后的波動(dòng)性研究做準(zhǔn)備，而SBIC準(zhǔn)則在確定模型的階數(shù)不穩(wěn)定以及在取得最小值時(shí)并不明顯小于p=3且q=4時(shí)的SBIC信息準(zhǔn)則值，因此選取p=3且q=4為投資者情緒序列ARMA模型的階數(shù)。投資者情緒(IS)的ARMA（3，4）模型表達(dá)式如下： （） 投資者情緒的異方差性 根據(jù)步驟三對估計(jì)完的ARMA模型進(jìn)行殘差診斷，這也是許多金融資產(chǎn)序列的一個(gè)重要特征。這種殘差波動(dòng)聚集性表明，投資者情緒的波動(dòng)當(dāng)期值水平可能與它的最近的前些時(shí)期水平有相關(guān)關(guān)系，即投資者情緒序列的ARMA模型存在自回歸條件異方差A(yù)RCH。注：X軸表示殘差對應(yīng)的數(shù)據(jù)位置，Y軸表示殘差的值 投資者情緒ARMA（3，4）回歸的殘差圖 Resid figure of investors’ sentiment ARMA（3，4） regession 檢驗(yàn)投資者情緒ARMA模型是否存在ARCH，首先由ARMA模型得到的投資者情緒的估計(jì)值，由此得到殘差并求平方，然后把它對自身q階進(jìn)行回歸，即進(jìn)行下列回歸： （）其中κ為誤差項(xiàng)。因此，檢驗(yàn)投資者情緒ARMA模型是否存在ARCH，即為檢和λ1=0驗(yàn)一個(gè)聯(lián)合的零假設(shè)，其所有q階平方殘差的系數(shù)值不能顯著異于零。零假設(shè)和備選假設(shè)：H0: λ1=0和λ2=0和λ3=0和……和λq=0H1: λ1≠0或λ2≠0或λ3≠或……或λq≠0在EVIEW中給出了多種估計(jì)方法，本文采用ARCHLM方法進(jìn)行回歸檢驗(yàn)。 投資者情緒ARMA模型的ARCHLM檢驗(yàn)結(jié)果 ARCHLM test results of investors’ sentiment ARMA modelARCH 檢驗(yàn)F統(tǒng)計(jì)量顯著性 R2顯著性 滯后3階殘差的檢驗(yàn)結(jié)果 Resid test result of 3 lags變量T統(tǒng)計(jì)量顯著性CRESID^2(1)RESID^2(2)RESID^2(3)其中RESID^2(1)、RESID^2(2)和RESID^2(3)分別表示一階、二階和三階殘差平方的系數(shù)從第一欄中可以看到，投資者情緒ARMA模型的ARCHLM檢驗(yàn)結(jié)果顯著地拒絕零假設(shè)，q階平方殘差的系數(shù)值存在顯著異于零，也稱為波動(dòng)的自相關(guān)性。第二欄表明，一階殘差顯著不為零，二階與三階殘差系數(shù)不能拒絕其為零，這說明在以交易量為投資者情緒指標(biāo)時(shí)，投資者的情緒方差受前一期的波動(dòng)殘差影響，即當(dāng)前一期投資者情緒相對穩(wěn)定時(shí)，當(dāng)期的投資者情緒的波動(dòng)性較小，而當(dāng)前一期投資者情緒表現(xiàn)出異常的活躍或者低落時(shí)，對當(dāng)期的投資者情緒的波動(dòng)性產(chǎn)生較大的影響并使得波動(dòng)性變大。鑒于一階殘差顯著不為零，本文利用ARCH(1)模型來參數(shù)化這種現(xiàn)象，“波動(dòng)的自相關(guān)性”的ARCH模型化是通過讓殘差項(xiàng)的條件方差σ2依賴于其前一項(xiàng)的殘差平方的值來表示的，那么ARMA模型表達(dá)式應(yīng)寫成： （）這里要求ω1是非負(fù)的，這是由于σt是條件方差，它的值必須嚴(yán)格為正，在任何時(shí)點(diǎn)負(fù)的方差都是毫無意義的。條件方差方程右邊的變量全是滯后誤差平方項(xiàng)，所以由定義可知它將不會(huì)是負(fù)的。為了確保得到的條件方差估計(jì)是正的，條件方差的所有系數(shù)通常必須是非負(fù)的。如果一個(gè)或多個(gè)系數(shù)取得是負(fù)值，那么充分大的滯后平方修正項(xiàng)與之相乘，條件方差模型的擬合值將是負(fù)的。事實(shí)上，系數(shù)是非負(fù)的對于條件方差的非負(fù)性來講，這是一個(gè)充分而非必要的條件。再對模型估計(jì)，對殘差進(jìn)行ARCHLM檢驗(yàn)。此時(shí)檢驗(yàn)結(jié)果顯示，不再能拒絕零假設(shè)。 調(diào)整后的投資者情緒ARMA模型的ARCHLM檢驗(yàn)結(jié)果 ARCHLM test results of adjusted investors’ sentiment ARMA modelARCH 檢驗(yàn)F統(tǒng)計(jì)量顯著性 R2顯著性 在投資者情緒ARMA模型中加入自回歸異方差后，投資者情緒的一元模型具有了更好的擬合度以及殘差值也明顯變小，其進(jìn)一步證明投資者情緒的時(shí)間序列存在異方差。投資者情緒自身的連貫性，以及波動(dòng)的自相關(guān)性，說明我國的投資者情緒對市場信息的反應(yīng)速度較慢，這種現(xiàn)象為投資者情緒的從眾性反映。首先，當(dāng)上市公司業(yè)績發(fā)生突變、經(jīng)濟(jì)出現(xiàn)滑坡以及宏觀政策發(fā)生改變時(shí)，投資者情緒會(huì)受前期的影響，并不能在一個(gè)交易日內(nèi)的數(shù)據(jù)上得到體現(xiàn)，而是其后的一段時(shí)間內(nèi)得到完全的反應(yīng)，這與中國投資者的投資風(fēng)險(xiǎn)心理有密切相關(guān)，例如投資者的發(fā)家致富心理、貪婪心理和恐懼心理，都可能導(dǎo)致投資者在短時(shí)間內(nèi)不能夠做出迅速反應(yīng)，甚至做出錯(cuò)誤的決策。其次，投資者情緒時(shí)間序列的異方差，是投資者情緒的從眾性的反映。這一點(diǎn)也很容易理解，市場中投資者情緒受到前面的投資者情緒的影響，即當(dāng)掌握更多相關(guān)信息、擁有大量的專用知識與豐富的經(jīng)驗(yàn)的投資者，可能最先對市場環(huán)境的變化作出回應(yīng)，投資者極易受到這些情緒的影響，而產(chǎn)生更大的情緒波動(dòng)。第四章 投資者情緒與股市收益互動(dòng)關(guān)系國外研究對投資者情緒與收益之間的研究已經(jīng)存在很多，而且一些研究也頗具成果。Andreassen (1987)研究發(fā)現(xiàn)，當(dāng)提供給投資者股價(jià)趨勢信息時(shí)，投資者預(yù)期模式是反轉(zhuǎn)的，當(dāng)提供給的信息是股票收益信息時(shí)，投資者預(yù)期模式是持續(xù)的。實(shí)驗(yàn)進(jìn)一步發(fā)現(xiàn)，當(dāng)給正收益附加積極的信息和負(fù)收益附加消極的投資信息時(shí)，投資者預(yù)測模式的持續(xù)性較未附加任何信息時(shí)更加顯著。Andreassen和Krause(1990)檢驗(yàn)了股票收益波動(dòng)性與投資者預(yù)期模式的關(guān)系，發(fā)現(xiàn)高的波動(dòng)性會(huì)減弱高低收益對預(yù)測模式的影響，當(dāng)收益率為正并伴隨高波動(dòng)性時(shí)，投資者看漲情緒的增長較相同收益率下波動(dòng)較低時(shí)增長要弱。當(dāng)收益率為負(fù)并伴隨高的收益率波動(dòng)時(shí)，投資者看跌情緒的增長也要較相同收益率下波動(dòng)較低時(shí)看跌情緒的增長為弱。Roger G Clarl}e和Meir Statman(1998)研究發(fā)現(xiàn)歷史收益并非影響收益預(yù)測的唯一因素，波動(dòng)性也是重要影響因素，波動(dòng)性通過對收益顯著性的影響改變股票分析師的情緒，高波動(dòng)性降低了正和負(fù)收益的顯著性。以上研究表明投資者情緒是依賴于信息形式的，收益率相同情況下，用于預(yù)測的信息形式不同將使投資者做出不同的預(yù)測，我國的投資者是否也是這樣的哪?此方面的研究國內(nèi)較少，主要是饒育蕾、劉達(dá)峰(2002)以央視機(jī)構(gòu)看市為樣本，對券商類情緒模式的研究，在1周上得出了Andreassenamp。Krause(1990)，Kenneth L. Fisheramp。 Meir Statman(2000)等較相似的結(jié)論。而在上一章中投資者情緒已經(jīng)表現(xiàn)出了異方差性，因此研究投資者情緒與收益率之間的關(guān)系，就不得不引入異方差模型，本文在此使用的異方差模型是經(jīng)典的自回歸條件異方差模型，ARCH最早是由恩格爾(Engel, R.,1982)提出的，并由博勒斯萊文(Bollerslev, T.,1986)發(fā)展成為GARCH模型。從事于股票價(jià)格、通貨膨脹和外匯匯率等金融時(shí)間序列預(yù)測的研究工作者發(fā)現(xiàn)，對這些變量的預(yù)測能力隨時(shí)期的不同而有相當(dāng)大的變化。預(yù)測的誤差在某一時(shí)期相對地小，而在某一時(shí)期則相對地大，然后，在另一個(gè)時(shí)期又是較小的。這種變化很可能由于金融市場的波動(dòng)性易于受謠言、政局變動(dòng)、政府貨幣政策與財(cái)政政策等的影響，從而有理由相信誤差項(xiàng)的條件方差不是某個(gè)自變量的函數(shù)，而是時(shí)間變化并且依賴過去誤差的大小。首先，本章介紹了本文研究的投資者情緒所處的市場環(huán)境。然后，為了確定投資者情緒與收益率之間的關(guān)系，引入向量自回歸模型建立投資者情緒和收益率關(guān)系的二元VAR模型，來研究當(dāng)期投資者情緒是否影響投資者的收益、當(dāng)前的投資者收益對投資者情緒的影響以及投資者收益是否對投資者情緒具有滯后的影響等問題。在ARMA模型和二元的VAR模型的基礎(chǔ)上，為了更好的描繪投資者情緒的這種波動(dòng)，本章將引入更加復(fù)雜的異方差模型GARCH和非對稱的GARCH。GARCH模型比ARCH模型更簡約而且能夠避免過度擬合，GARCH(1,1)通過迭代就可以表達(dá)成一個(gè)嚴(yán)格的無窮階ARCH模型，能夠提供更加全面的當(dāng)期投資者情緒滯后影響。而擴(kuò)展的GARCH模型則為投資者情緒對正的和負(fù)的沖擊作出分別反應(yīng)，同時(shí)通過沖擊曲線可以看到更加清晰的正負(fù)沖擊對比。 中國股票市場發(fā)展歷程對投資者情緒與市場收益之間的互動(dòng)關(guān)系進(jìn)行研究，首先要把投資者情緒和市場收益兩個(gè)基本因素放到我國的股市這個(gè)的環(huán)境中。中國股票市場作為中國的主要資本市場，有著其獨(dú)特的發(fā)展特點(diǎn)，其中包括起步晚、規(guī)模很小、投資者經(jīng)驗(yàn)有限等，中國股市的這些特點(diǎn)也正是在國外投資者情緒研究已經(jīng)很成熟的情況下，仍然研究中國投資者情緒基本特征的原因。并且，在股市發(fā)展的一定時(shí)期，投資者的風(fēng)險(xiǎn)偏好、理性與非理性的結(jié)構(gòu)以及投資者自身的經(jīng)驗(yàn)積累等等方面都存在明顯的差異，因此投資者的心理狀態(tài)與中國股市所處的發(fā)展時(shí)期是密不可分的，研究投資者情緒就有必要了解我國股市發(fā)展的歷程。我國在1880年前后開始有股票交易，這是由于清政府洋務(wù)派創(chuàng)辦近代工業(yè)企業(yè)引起的。當(dāng)時(shí)《清查整理招商局委員會(huì)報(bào)告書》有這樣的記載：“1876年，招商局面值為100兩大股票市價(jià)4050兩，到1882年漲到200兩以上。”《申報(bào)》則曾這樣描述：“現(xiàn)在滬上股份風(fēng)氣大開，每一新公司起，千百人爭購之，以得股為幸?！蓖瑫r(shí)，出現(xiàn)一些專營股票買賣的股票公司。清末開始，政府發(fā)行公債及鐵路債券數(shù)量增多，證券交易日盛。1918年以后，上海和北京分別成立證券交易所。從1918年到1949年，中國證券交易所經(jīng)歷了興衰交替。改革開放以來，由于企業(yè)及政府開始發(fā)行股票、債券等有價(jià)證券，建立證券交易市場勢在必行。1986年8月至1989年間，一些不規(guī)范、屬于嘗試性的證券交易市場開始運(yùn)行。1990年11月26日，上海證券交易所成立。它是按照證券交易所的通行規(guī)格組建的，辦理組織證券上市、交易、清算交割、股票過戶等多種業(yè)務(wù)。1991年7月又有深圳證券交易所開業(yè)。深、滬證券交易所的成立，標(biāo)志著中國的證券交易市場開始走上正規(guī)化的發(fā)展道路。最新統(tǒng)計(jì)顯示，截至2007年底，在世界排名第四。滬深股市擁有上市公司1550家，投資者開設(shè)的有效證券賬戶總數(shù)達(dá)到9200萬戶。本文研究的期限是1999年到2004年這6年時(shí)間，因此在此詳細(xì)介紹這6年中國股市的發(fā)展?fàn)顩r。1999年伴隨著商業(yè)銀行降息、國有