重慶工商大學 郭范勇 重慶金融學院 潘和平

財務因素、市場因素與股票β系數

重慶工商大學 郭范勇 重慶金融學院 潘和平

選取我國滬深300指數成分股2003年至2015年的上市公司交易數據和財務數據為樣本，通過因子分析、截面數據回歸分析以及面板數據回歸分析等方法探究了上市公司財務指標和市場指標對β系數的影響。得出以下結論：相對來說，上市公司的β系數受市場因素的影響較為明顯，受公司基本面因素的影響不是很明顯。建議投資者在管理上市公司系統風險時，應該更多的關注市場因素，特別是歷史系統風險。

β系數 財務因素 市場因素 因子分析 面板數據

一、引言

自從夏普（W.Sharpe，1964)，林特納（J.Lintner，1965），莫辛（J.Mossin，1966）在一般均衡框架下各自分別提出了資本資產定價模型（CAPM）后，該模型中的β系數就成為了學界的重要研究對象。作為衡量系統風險的指標和證券投資組合的重要參數，β系數在資產定價中有非常重要的地位。β系數廣泛地應用于投資業績的評價中，并被用作判斷投資組合管理成功與否的重要指標；它還可以作為資產定價和企業投資決策的參考依據。通過各種方法分析影響β系數的因素，可以為我們預測β系數和管理公司的系統性風險提供一些重要的參考因素。

二、文獻綜述

從國內外的文獻來看，除針對CAPM模型的有效性驗證外，對于β系數實證研究主要有兩個方面。其一是針對β系數的時間序列數據進行的穩定性驗證與分析。例如：Blume(1971)最早指出了β系數在跨期條件下具有時變性，且有向均值回歸的趨勢。沈藝峰，洪錫熙（1999）研究表明，無論是單只股票或者是股票組合，其β系數都是不穩定的。靳云匯和李學(2000)對我國1992年6月5日至1999年8月20日A股市場上842只股票進行分析得出：投資組合的β系數穩定性好于單個股票的β系數，從構造投資組合角度看，個股β系數的歷史數據還是具有參考意義的。

其二，針對β系數的影響因素進行實證研究。一般地，影響股票價格和風險的因素有：（1）宏觀經濟因素，如經濟增長率、通貨膨脹率、利率以及匯率等宏觀價格指標；（2）行業因素，如行業周期和行業內部競爭程度等；（3）公司特征因素，主要反映在公司自身基本面的財務指標上。Ball和Brown最先發現財務變量與β系數存在相關關系。在此基礎上，Beaver，Kettler和Scholes（1970）研究結果表明：股票系統風險與市盈率倒數的標準差、股利支付率、會計β系數和優先債券/總資產4個財務變量與假設一致；而其他3個與假設不一致或不顯著相關。Lev（1974）研究發現：經營杠桿會影響公司的可變成本和固定成本，高經營杠桿會帶來高的系統風險。Rosenberg和Mckibben（1973）采用多元回歸的分析方法檢驗了20個財務變量和12個市場變量與系統風險之間的相關性。得出了13個變量與β系數顯著的相關，但是這其中有3個與預期關系相反，6個顯著程度不高。Adedeji（1997）選取了英國股市1990-1994年的375家上市公司為樣本，分析了β系數與財務變量間關系；得出β系數與公司規模顯著正相關。相對于國外，國內對β系數的影響因素研究較少。吳世農、冉孟順等（1999）研究表明：總資產增長率、財務杠桿和股利支付率對β系數有顯著影響；但是無論個股還是股票組合，這7個變量對上市公司的解釋力度都僅19%左右。張甲宇（2008）研究表明β系數僅與其中9個變量顯著相關。從目前文獻看，大部分研究都集中在利用截面數據進行逐步回歸分析行業因素和公司自身特征因素對β系數的影響。而本文希望加入市場自身因素（如換手率、市值等）基礎上，利用多元統計中的因子分析和時間跨度為13年的“短面板”數據來分析財務變量對系統風險的影響。

三、研究設計

（一）樣本選取與數據來源 在計算β系數時，選取我國A股市場中滬深300指數成分股為樣本，在剔除一些停牌時間過長以及上市時間偏短的股票后，最終得到105只股票樣本。樣本數據的時間跨度為2003年1月4日至2015年12月31日，每只股票有3392個日收盤價和日收益率數據。本文日收益率計算公式為：Ri，t=Pi，t/Pi，t-1，其中，Ri，t為行業指數i在第t期的日收益率；Pi，t為行業指數i在第t期的收盤指數；Pi，t-1為行業指數i在第t-1期的收盤指數。

在獲得每只股票的日收益率數據后，根據“單一指數模型”進行一元線性回歸，可以獲得單只股票每一年的β系數值。本部分的原始數據全部來自wind數據庫。數據處理分析用到的軟件有：Stata14.0、Spss19.0數據分析軟件和Matlab2013軟件。

（二）變量定義 根據國內外相關文獻的研究成果（主要是Rosenberg的研究結果），本文選取了18個變量作為β系數的重要影響因素。并根據財務理論及市場理論分析這些變量對β系數影響方向。如表1。從財務和金融理論上分析，對于市盈率和公司規模對β系數的預期影響方向很難確定。因為市盈率過高或者過低的股票，其系統風險都是偏大的。對于規模大的公司，同市場的聯系越緊密，其受市場的影響可能更大；公司規模過于小的公司受到市場系統風險影響時，抵御風險的能力弱，也容易受系統風險的影響。

表1 影響β系數的變量定義

（三）模型構建 基于資本資產模型（CAPM）計算β系數需要有市場均衡和市場上存在無風險資產收益率等苛刻條件。這與我國客觀事實相差較大，即利用CAPM計算β系數的準確性和客觀性更差。所以，本文在計算β系數時，主要采用單一指數模型方法計算β系數。該模型假定個別證券的收益率之間的聯系是通過一些共同因素發生作用的。任何一種證券的收益率與市場指數之間都存在一種線性相關的關系，即：rit=αi+βirMt+εit，式中：rit為第i種證券或者證券組合在t期收益率；rMt為市場組合在t期收益率，一般利用市場指數收益率代替；αi，βi為模型待估計參數；εit為期望值等于零的隨機變量。

四、實證分析

（一）因子分析 因子分析（factor analysis）是一種數據簡化的技術。它通過研究眾多變量之間的內部依賴關系，探求觀測數據中的基本結構，并用少數幾個假想變量來表示其基本的數據結構。這幾個假想變量能夠反映原來眾多變量的主要信息。原始的變量是可觀測的顯在變量，而假想變量是不可觀測的潛在變量，稱為因子。設原始指標變量為X1、X2、 、Xp于是可將原始變量由以下線性組合表示：

以上模型中，稱F1、F2、 、Fm為公共因子（m應該小于P），是不可觀測的變量，他們的系數稱為因子載荷。是特殊因子，是前m個公共因子不能包含的部分。利用年度截面數據，對選取的影響因素做因子分析。首先使用KMO統計量和Bartlett檢驗判定了本文選取的指標變量可以進行因子分析。再根據公共因子個數確定標準（一般要特征值大于1），在綜合了所有年份的結果后，最終確定提取8個公共因子。由于篇幅的限制，僅列出了2009年的結果。如表1所示：

從表1的公因子方差比可知，公共因子對于每一個原始變量都提取了大部分信息，各變量信息提取比例都在65%以上，大部分都為80%以上。說明公共因子對變量的信息提取還是很充分的。在2009年的因子分析模型中，因子1由市盈率（X16）、存貨周轉率（X4）和主營業務利潤率（X2）組成，因子2由總資產增長率（X8）和資本積累率（X9）組成，因子3由資產負債率（X6）、流動比率（X5）和財務杠桿（X7），因子4由資產報酬率（X12）、凈資產收益率（X1）和經營杠桿組成（X11），因子5由公司規模（X17）和換手率（X15）組成，因子6由總資產周轉率（X3）組成，因子7由盈利變動性（X13）和每股現金凈流量（X14）組成，因子8由歷史β系數（X18）和股利分配率（X10）組成。在因子分析中，一般同一經濟意義的變量會包含在一個公共因子中。但本文13年數據中，部分公共因子所代表的變量在不同年度出現了一些變化。這是因為一些指標變量自身同時含有不同方面的信息，在加上一些指標變量之間具有一定的相關性，含有相互重疊的信息，因而不同年度公共因子可能由不同的指標變量組成。此外，這也表明部分原始指標變量之間的信息關聯性會隨著時間推移而變化?？傮w上，絕大多數公共因子所代表的變量是具有穩定性的，也具有較為清楚的經濟意義?？蓪⑦@些公共因子分為：經營能力因子（存貨周轉率和主營業務利潤率，因子1）、成長性因子（總資產增長率和資本積累率，因子2）、償債能力因子（資產負債率、流動比率和財務杠桿，因子3）、盈利能力因子（資產報酬率和凈資產收益率，因子4）、市場交易因子（市盈率、公司規模和換手率，因子5）、資產結構因子（總資產周轉率和經營杠桿，因子6）組成、盈利變動性因子（股利分配率、盈利變動性和每股現金凈流量，因子7）、歷史市場風險因子（歷史β系數，因子8）。

（二）相關性分析 利用上面變量因子分析的數據結果，利用SPSS軟件對樣本股票各年度β系數與公共因子得分進行Pearson相關分析，可以判定貝塔系數主要與那些因子顯著相關。分析結果如表2：

表2 β系數與公共因子的相關系數矩陣

從表2可知：從年份來看，顯著影響β系數的公共因子是有差異的。比如：在2003年，僅盈利能力因子對β系數有較為顯著的影響；在2004年，就變為市場交易因子和歷史市場風險因子對β系數有顯著影響。但總體上，顯著影響β系數的公共因子主要為市場交易因子（因子5）、資產結構因子（因子6）和歷史市場風險因子（因子8）；所以，可以初步認定這3個公共因子為影響β系數的關鍵因子。從公共因子上看，部分因子影響β系數的方向在不同年份也有差異。比如：市場交易因子在某些年份（2004年和2005年）與β系數負相關，又在某些年份（2008年和2009年）與β負相關。這可能同該因子所含指標變量在不同年份表現出來的重要性不同有關?？傮w上，大部分公共因子在不同年份上對β系數的影響時一致的。特別是歷史市場風險因子一致的表現為正向相關，同初始預期相同，而且相關性也非常顯著。

（三）橫截面回歸分析 在實證研究中，采用多元線性回歸分析來考察自變量與因變量之間的定量關系，模型一般表達式為：

由于選取的指標變量之間會存在一些相關性，為了避免出現回歸過程中出現多重共線性問題，本文采用逐步回歸分析法對所有樣本數據進行橫截面回歸分析。通過對被解釋變量β系數與公共因子進行橫截面回歸分析，可考察哪些公共因子對β系數的橫截面差異具有穩定的解釋能力。由表3中調整R2和F值可知，除2006年的調整R2值較小外，其他各年度回歸方程均具有顯著的回歸效果，β系數與解釋因子之間存在顯著的線性相關關系。從回歸系數的t統計值和因子的含義來看，除歷史市場風險因子外，各年度對β系數有顯著解釋能力的因子有所不同，表明所選因子在不同的時間段上對β系數并不都具有持續穩定的影響力?？傮w來看，對β系數有較為持續影響作用的因子有市場交易因子、資產結構因子和歷史市場風險因子，但市場交易因子和資產結構因子的影響方向在不同時間段里呈現不穩定特征，這與相關性分析所得出的結論是一致的。由于各公共因子是貝塔系數的綜合性影響因素，難以直觀地表現單個指標變量的作用。因此，有必要再考察初始指標變量對貝塔系數的影響。本文仍采用逐步回歸法對因變量β系數與選取的18個指標變量進行截面回歸。由表4，調整R2和F值可知，除2006年和2007年的調整R2值較小外，其他各年度回歸方程均具有顯著的回歸效果，說明總體上β系數與原始指標變量之間存在顯著的線性相關關系。對于2006年和2007年的調整R2和F值偏小和顯著不受歷史市場風險（歷史β系數）影響的一種解釋是：在這兩年中，我國股票市場經歷了一場“振幅”巨大的波動，產生了明顯的上升和下跌行情。根據已有的研究，β系數會顯著受市場態勢的影響，即β系數在牛市和熊市中會有所不同的。比如：Moon K.Kim和J.Kenton Zumwalt（1979）通過實證分析得出β系數明顯會受市場態勢的影響。我國學者劉永濤（2004）利用1998年1月1日至2003年4月30日的上海證券交易所A股市場317只股票樣本分析，得出：68只股票在牛市中β系數大于在熊市中的β系數。年度上看，影響β系數的指標變量是變化的，說明所選變量在不同時段對β系數并不都具有持續穩定的影響力，不過相對來說，歷史β系數和年換手率有較為持續的影響?？傮w上分析，大部分指標變量對β系數的影響方向與本文選取變量時假設的方向是一致的。公司規模對β系數的影響有正向也有反向，所以不能確定它對β系數的影響方向。而資本積累率和股利支付率對β系數影響方向與原假定有偏差。

表3 β系數與公共因子截面數據的回歸分析結果

表4 β系數與原始指標變量截面數據回歸分析結果

（四）面板數據回歸分析 具有三維信息（橫截面、時間、指標變量）的數據結構稱為平行數據或面板數據（Panel Data）。利用面板數據可以構造和檢驗比橫截面數據或時間序列數據更為真實的模型，在實證檢驗過程中能提供更大的樣本點以改善參數估計的有效性，也能更深入的分析實際問題。從時間序列看，面板數據可以描述不同個體隨時間變化的規律；從橫截面數據看，面板數據又能描述某個時點每一個體的狀態及其之間的差異。本文選取了13年的樣本數據就是為了進行面板數據回歸分析，以更加全面的分析影響β系數的影響因素。因為回歸模型解釋變量中含有歷史β系數，根據標準的面板數據分析方法，屬于動態面板模型，需要采用廣義矩法估計（GMM）。其估計模型如下：

式中，yit為被解釋變量，yi，t-1為被解釋變量的滯后一階項，xit為被解釋變量，νi為不隨時間變化的個體特征，εit為隨時間和個體變化的擾動項。在估計過程中，對存在的解釋變量內生性問題進行處理（由于樣本數據為“短面板”數據，所以不用考慮異方差和序列相關性問題），以提高模型整體的穩健性。解釋變量的內生性問題是一個較為嚴重的問題，它會導致估計結果有偏，并影響模型結果的穩健性。解決內生性問題的一個重要方法就是引入工具變量（IV）。在差分GMM估計中，被解釋變量的高階滯后項是非常好的工具變量，工具變量的有效性（滯后項的階數）可以由Sargan檢驗的顯著性決定。小節采用的Stata14.0對模型進行回歸和檢驗，結果見表5。由表5的Wald卡方值可知，整個面板回歸方程具有顯著的回歸效果，說明β系數與所選指標變量之間存在顯著的線性相關關系。從面板回歸結果可得：所選的18個變量中，有年換手率（X15）、公司規模（X17）、資本積累率（X9）、股利支付率（X10）、總資產周轉率（X3）以及歷史β系數（X18）這六個變量對β系數有顯著的影響。在這些對β系數有顯著影響的指標變量中，僅股利支付率對β系數的影響方向與假設不同，這與變量截面回歸的結果是相同的。與變量截面數據回歸不同，面板數據回歸得出總資產周轉率對β系數有顯著影響；但是這個結果與因子截面數據回歸結果——β系數受資產結構因子（包括總資產周轉率）顯著影響時一致的。這樣表明面板數據回歸結果能夠更為全面的反應影響β系數的影響因素。

表5 面板數據GMM回歸結果

五、結論與建議

（一）結論 研究發現：（1）上市公司的市場表現指標變量對β系數的變動更具有持續解釋能力；同時，在影響方向上也更具有穩定性。其中，上市公司歷史性系統風險和年換手率這個兩個市場指標變量對貝塔系數有較為持續且穩定的影響。上市公司規模對β系數的影響有正向也有反向，所以不能確定它對β系數的影響方向；而市盈率對系統性風險的影響不顯著。（2）相對于市場表現指標變量來說，上市公司基本特征（主要由財務指標來表征）總體對β系數的影響不是很明顯。除了資本積累率、股利支付率、經營杠桿以及總資產周轉率等少量財務指標對β系數在不同時段有非持續的影響外，大部分財務指標對系統風險解釋力不顯著。而且資本積累率和股利支付率對β系數影響方向與原假定不一致。

（二）建議 （1）β系數受市場交易因素的影響較為明顯。這可能是因為我國證券市場存在明顯的政策性效應，市場交易因素對上市公司系統風險影響相對較大。因此，投資者在預測系統風險時，應該更多的關注市場因素，特別是上市公司歷史系統風險。（2）β系數受公司會計基本面因素的影響并不很明顯，反映了當前我國上市公司的β系數一定程度上與會計信息相互脫節。這可能與β系數是表征系統性風險，本身蘊含的宏觀方面的因素比較多，受微觀方面的影響比較小所致。隨著我國股市的進一步規范，進一步加強會計信息批露，會計信息的質量必將逐步提高，從而有利于增強財務指標對β系數的解釋能力。（3）從總體上看，上市公司的系統風險與市場表現和財務指標構造的變量存在顯著的相關關系。但是，部分指標表現出不穩定性和在不同時段對β系數影響不一致性。所以，利用這些指標預測上市公司系統風險會存在一定的誤差。

［1］沈藝峰、洪錫熙：《我國股票市場貝塔系數的穩定性研究》，《廈門大學學報》1999年第4期。

［2］靳云匯、李學：《中國股市β系數的實證研究》，《數量經濟技術經濟研究》2000年第1期。

［3］吳世農等：《我國上市公司系統風險與會計變量之間關系的實證研究》，《會計研究》1999年第12期。

［4］劉永濤：《上海證券市場β系數相關特性的實證研究》，《管理科學》2004年第1期。

［5］Adedeji,A.Facts and Fallacies about the Determinants of the Beta,Issues in Accounting and Finance,1997.

［6］Moon K.Kim and J.Kenton Zumwalt,An Analysis of Risk in Bull and Bear Market,Journal of Financial Quantitative Analysis,1979.

（編輯 文 博）