中國牛市真的是“水?！眴?？
——不確定性視角下股市價量關系的實證研究

石建勛,王盼盼,何宗武

(1.同濟大學經濟與管理學院，上海 200092；2.同濟大學財經研究所，上海 200092；3.臺灣世新大學財務金融學系，臺灣 臺北 11645)

中國牛市真的是“水?！眴?？
——不確定性視角下股市價量關系的實證研究

石建勛1,2,王盼盼1,2,何宗武3

(1.同濟大學經濟與管理學院，上海 200092；2.同濟大學財經研究所，上海 200092；3.臺灣世新大學財務金融學系，臺灣 臺北 11645)

由于我國股市時常發生大幅波動，結構變動和市場波動性因素可能會對價量關系產生重要影響。因為價量同期內生性問題，以往的實證研究通常在VAR框架下進行，但利用傳統線性VAR方法無法識別價量動態關系的非對稱性變動特征。為此，本文通過采用門限VAR模型，在價量關系的VAR框架中嵌入結構變化和市場波動的門限變量，研究發現：第一，在2007-2008和2014-2015年股市大幅波動期間價量關系存在顯著的時間斷點效應，且后者結構變化更劇烈；第二，市場不確定性(波動率)顯著影響價量關系，隨著波動率增加，交易量對價格影響逐漸消失，而價格對交易量的影響始終高度顯著，但經濟顯著性也逐漸下降；最后，中國股市中價格顯著引導交易量的變動，是價格拉動型而非資金推動型市場，因此“水?！钡恼f法并不準確。

股市價量動力學；結構變動；市場不確定性；門限VAR模型

1 引言

股市價量關系研究是技術分析的重要內容，也是金融領域研究的重點難點問題。我國投資者普遍認為2014-2015年的牛市是“水?！?，事實上，“水牛”說法包含價量因果關系特征——即交易量的提升拉動價格上漲，是資金推動型市場。但事實的確如此嗎？誠然，在此輪牛市中價格上漲的同時伴隨著交易量的巨量提升(見圖1)，但仍須通過科學嚴謹的實證檢驗來識別我國股市價量關系特征。而且由于我國股市時常發生大幅波動，如2007-2008年和2014-2015年兩次大漲大跌，價量關系可能會隨時間變化而改變，以及受到市場波動的影響。為此，考察時間斷點和市場波動性對價量關系的影響，對深入理解我國股市微觀結構和價格波動傳導機制，無疑具有重要理論和現實意義。

在理論上，價量關系定義為金融資產收益率與交易量的關系，其深刻反應了資產市場運行效率和信息動態[1]。Karpoff[1]和Gallent等[2]指出，以前的實證工作主要關注價格與交易量的同期關系，但對預測和風險管理而言，收益率與交易量間的動態(因果)關系包含更多信息[3]。

一些理論研究考察了股票收益率與交易量的動態(因果)關系。Copeland[4]和Jennings等[5]通過建立信息到達模型發現股票收益率與交易量間存在正的雙向因果關系。在Epps和Epps[6]的混合分布模型中用交易量衡量交易商的價格分歧，交易商基于新進入市場的信息來修正其保留價格，模型表明從交易量到絕對收益具有正的因果關系。然而，在Clark[7]的混合共同因子模型中交易量被視作信息流速度的代理變量，在該模型中交易量與股票收益沒有因果關系。Campbell等[8]指出伴隨著高交易量的價格變動往往會被扭轉，而那些交易量低的日內價格變動則不會出現此情況。此外，還有其他強調交易量信息內涵的均衡模型，Blume等[9]指出交易量提供了過去價格變動的信息，因此交易量用于解釋價格(收益)的行為非常有用。Wang Jiang[10]在一個具有信息不對稱特征的模型中發現交易量可能會提供關于未來預期收益的信息。Liu Xinghua等[11]也在信息不對稱的代理人模型中發現信息驅動的交易會產生價量關系。翟愛梅和周彤[12]在基于市場參與者非理性行為假設的模型中發現成交量和成交價格的變動正相關，成交量和成交價格變動的絕對值正相關。

盡管有強大的理論基礎，Karpoff[1]全面考察了支持價量間具有同期相關性的經驗證據，僅發現二者間具有微弱的相互影響，Gallent等[2]也發現了類似結果。1990年以來，研究焦點開始轉向股票收益與交易量間的動態(因果)關系，主要是基于格蘭杰因果關系檢驗法的考察。但在這方面研究中，理論上“過去的交易量會對當前收益產生影響”的因果關系也沒得到有力的實證支持。例如，Lee和Rui[13]指出中國滬深A股和B股市場的交易量并不能預測第二天收益。Chen Gongmeng等[14]指出在法國、意大利、日本、英國和美國市場中也不存在這樣的因果關系。Lee和Rui[15]采用日度數據研究發現在美國、日本和英國股市中，交易量并不是收益率的格蘭杰原因。在巴基斯坦市場[16]和五個東南亞新興市場[17]中，交易量和收益率間也不存在因果關系。Azada等[18]考察了三個南亞新興市場國家的價量關系，發現南亞金融市場處于弱的無效率形式。Chuang等[19]在其所分析的十個亞洲市場中，僅在兩個市場中發現交易量能夠影響收益率。Chen[20]指出S&P500的交易活動僅在熊市中能影響后來的收益率，但當同時考慮牛市和熊市時量價間因果關系就沒有了。不過，也有一些研究發現交易量與收益率間存在因果關系，如Saatcioglu和Starks[21]和Rojas和Kristjanpoller[22]對六個拉美國家的研究。范從來和徐科軍[23]指出中國股市的交易量在一定程度上可作為衡量不同時期公司股票收益率間領先關系的指標。張永冀等[24]研究發現交易量信息在中國股市的價格發現中比歷史價格信息更有效。

還有一些研究指出價量間具有非線性關系[25-26]。Chuang等[3]使用分位數回歸法研究發現對于NYSE、S&P500和FTSE100指數，當收益率處于分布頂端(底端)時，過去的交易量對收益率具有正向(負向)影響，Lin[27]和Gebka和Wohar[28]采用相同方法研究發現在六個亞洲新興市場國家和太平洋盆地國家也存在此現象。錢爭鳴和郭鵬輝[29]也采用分位數回歸法研究發現中國股市價量關系存在明顯的價格非對稱性。許啟發[30]等進一步采用大規模數據分位回歸方法研究指令不均衡與股票收益的關系，發現指令不均衡對股票收益具有解釋和預測能力。除了分位數回歸法，學者們還采用其他非線性方法考察股市價量關系，如Matilla-Garcia等[31]利用基于排列熵的非參數檢驗法研究股票價格與交易量間的非線性因果關系，Hasan和Salim[32]運用碎形幾何的非線性方法研究發現印度股市的價量交叉相關，而且價量間關聯是復雜狀態。此外，還有基于機制轉換Copula模型研究股市量價尾部關系特征[33]、運用動態估計方法分析股市歷史信息的長記憶性特征[34]以及運用ARMA-GJR-GARCH-Copula模型分析市場流動性與市場預期間的動態相關結構[35]等相關研究。

考察國內外相關文獻不難發現：第一，無論是采用線性或非線性方法，已有研究都很少考察價量關系的結構變動特征，而這很可能對我國股市價量關系有顯著影響，因為我國股市時常發生大漲大跌；第二，在我們的文獻閱讀范圍內，已有研究沒有考慮到市場不確定性對價量關系的影響。如果用交易量衡量投資者交易行為，那么價量關系即為投資者交易行為與市場價格間的雙向互動關系，一方面，投資者根據其對未來價格的預期做出投資交易決策，另一方面，投資者交易行為也影響市場價格走勢。在已有文獻中，一個被忽視卻十分重要的基本事實是——投資者是基于其對未來價格的預期而做出交易決策的，即投資者是在不確定的環境下做出交易決策，因此投資者將不僅考慮預期價格，也同樣在乎價格的不確定性(即風險，可用波動率衡量)。在相同的預期價格下，不確定性的不同也可能導致投資者做出不同的投資交易決策，因此價量關系就會受到市場不確定性的影響。特別地，由于我國股市時常發生大幅波動，市場不確定性對價量關系的影響就顯得更為重要。

本文通過采用門限VAR模型，在價量關系的VAR框架中嵌入結構變化和市場波動的門限變量，研究時間斷點和市場波動率對我國股市價量關系的非對稱影響。本文邊際貢獻主要包括：第一，本文在價量關系研究中首次將市場不確定性因素納入考量，為價量關系研究提供了新視角，豐富了該領域的文獻，同時也使研究結論更加貼近現實，是本文的重要創新點；第二，本文通過采用門限VAR模型，以市場波動率作為門限變量，研究波動水平對股市價量關系的門限效果；第三，本文從時間結構變化視角，采用結構變動VAR模型識別出了我國股市近十幾年來價量關系發生顯著突變的時間斷點，有助于更好地理解我國股市價量關系的時變特征，在研究方法上具有一定創新性。

2 模型與方法

2.1線性VAR模型

價量關系具有明顯的雙向因果性，因此對價量關系建模會遇到內生性問題。Sims[36]提出的向量自回歸模型(Vector Autoregression，簡稱VAR)通過將系統中每一個內生變量作為所有內生變量滯后值的函數來建立模型，是處理多個內生時間序列變量的有效工具。普通VAR模型假設變量間關系為線性，又稱為線性VAR模型。

(1)

其中，Li為滯后算子，i=1，2，…，p。

2.2門限VAR模型

門限VAR模型(Threshold VAR，簡稱TVAR)是識別系統中非線性特征的拓展VAR模型，非線性特征可能來自于結構變動、非對稱性等因素，對本文研究對象股市價量關系而言，意味著價量關系特征是否隨著樣本某一特征變量的變動而改變。這個特征變量，就是用來劃分樣本的門限變量(Threshold variable)。依據門限變量所設定的劃分標準，稱為門限值(Threshold value)。門限變量所捕捉到的模型非對稱性，允許模型中的系數矩陣在門限值前后發生變動。門限變量既可以是VAR系統的內生變量，也可以是其他外生變量。門限值的設定可以是一個(或多個)，然后根據門限值將樣本一分為二(或分成更多子樣本)。

(2)

其中，I(·)為示性函數，若括號中表達式為真，則取值為1，反之為0。γ為待估計門限值。顯然，TVAR模型是一個非線性VAR模型，因為它無法寫成各參數的線性函數。TVAR模型的估計方法為最小化殘差平方和(SSR)，通常使用兩步法估計：第一步，給定γ的取值，對方程(2)使用線性回歸方法來估計各系數，并計算殘差平方和SSR(γ)，其為γ的函數；第二步，選擇γ使SSR(γ)最小化，并據此得到估計系數。

Hansen[37]提出似然比檢驗法(LR test)來檢驗門限效應(Threshold effect)的顯著性：

(3)

類似地，當包含兩個門限值(γ1和γ2，γ1<γ2)時，TVAR模型可設定如方程(4)所示，其估計和檢驗方法也與上述類似。

(4)

可以看出，建立TVAR模型關鍵在于門限變量的選擇，選擇不同門限變量，模型估計結果及含義也不同。當選擇時間作為門限變量(thvt=t)，可研究VAR模型結構的時間變動(Time varying)特征，此時模型又稱作結構變動VAR模型(Structural change VAR，簡稱scVAR)。

2.3研究設計

3 數據與描述性統計

3.1數據來源與處理

選擇2003年3月4日到2016年6月24日的上證指數日收盤價pt和交易量Qt作為原始數據，樣本觀測數3213。對原始數據做如下處理：根據方程(5)計算出上證指數的日百分比收益率，作為調整后價格(rett)；根據方程(6)去除交易量的時間趨勢，其中T為時間變量，取出回歸殘差項作為調整后交易量(volt)。

rett=[log(pt)-log(pt-1)]*100

(5)

log(Qt)=c+αT+ε

(6)

均值方程：rett=c+φrett-1+εt

(7)

(8)

3.2描述性統計分析

從圖1可看出，上證指數價格與交易量變動存在明顯正相關性，而且在2007-2008年和2014-2015年兩次股市大幅波動期間尤其顯著，但這兩次股市波動期間的一個顯著區別是：在2014-2015年伴隨著價格上漲和下跌，交易量的變動幅度更大、更劇烈。此外，市場波動性呈現出明顯集聚特征，波動率較高的區間主要集中在2007-2008年和2014-2015年，此時價格和交易量的變動性也較大，這很可能會導致價量關系特征發生突變。

表1為對變量的描述性統計。調整前后的價格均具有尖峰特征，調整前價格呈右偏態勢，調整后價格呈左偏態勢，但偏離程度已有所緩和；調整前交易量表現出右偏和尖峰態勢，調整后交易量的右偏和尖峰程度已明顯緩和；市場波動率也表現出一定程度的尖峰和右偏態勢。J-B統計量均顯著拒絕所有序列分布的正態性假設，說明在樣本期間這些序列均為偏態分布。ADF統計量表明，調整后價格和交易量以及市場波動率均顯著平穩，不具有單位根，滿足VAR建模條件。

圖1 變量時間序列圖

表1 描述性統計

注：括號內為p值，*、**和***分別表示在5%、1%和0.1%水平上顯著，下同。

4 實證結果及分析

4.1中國股市價量關系的總體特征

依據施瓦茲信息準則(SIC)確定VAR模型最佳滯后階數為4，建立VAR(4)模型。格蘭杰因果關系檢驗結果(表2)顯示，價格是交易量的格蘭杰原因，在0.1%水平上高度顯著；交易量也是價格的格蘭杰原因，但僅在5%水平上顯著，考慮到樣本容量大，5%顯著性不具有很強說服力。由此可推斷，在2003-2016年我國股市中價格顯著引導交易量的變動，而交易量對價格影響較弱。

表2 格蘭杰因果關系檢驗結果(全樣本區間)

4.2股市價量關系時間結構變動檢驗

4.2.1 時間門限值的估計

以時間為門限變量(thvt=t)建立scVAR模型，門限值選擇過程見圖2，圖2-(a)為單個門限值選擇過程，圖2-(b)為兩個門限值選擇過程。估計和檢驗結果見表3-A。當設定單個門限值時，估計出的門限值為t=2015/6/12，scVAR系統中兩條方程的LR統計量都在0.1%水平上顯著拒絕“不存在門限效應”的原假設，說明在t=2015/6/12處存在顯著門限效應；當設定兩個門限值時，估計出的兩個門限值分別為t1=2015/6/12和t2=2014/8/28，也通過了LR檢驗。

scVAR模型估計結果與我國股市行情走勢十分吻合，t2和t1正好是2014-2015年牛市的起點和終點，2014年下半年牛市啟動，一路上漲直到2015年6月12日上證指數創出5178的最高點，隨后“股災”發生。這說明我國股市價量關系在2014-2015期間發生了顯著的結構變動。

t1和t2將原樣本區間劃分成2003/3/4-2014/8/28、2014/8/28-2015/6/12和2015/6/12-2016/6/24三個子區間。由于子區間2003/3/4-2014/8/28的時間跨度長，且包含一輪完整的牛熊循環，在此期間價量關系很可能也發生了較顯著的結構變動。為此，在2003/3/4-2014/8/28區間內再次構建scVAR模型，因篇幅所限，門限值選擇過程圖示不再列出。估計和檢驗結果見表3-B，估計出的單個門限值為t′=2007/10/16，估計出的兩個門限值分別為t3=2007/10/16和t4=2008/11/04，并通過LR檢驗，說明在t3和t4處也存在顯著的門限效應。

圖2 時間門限值的選擇過程 注：第一張圖是門限變量的時間序列圖，第二張圖是對門限變量的排序，第三張圖是格點搜索結果圖，下同。

表3 scVAR模型的門限值估計結果

基于區間2003/3/4-2014/8/28的scVAR模型估計結果也與我國股市行情走勢相當吻合，t3和t4兩個門限值正好識別出2007-2008年的牛熊周期，在t3處，上證指數漲至歷史最高點6124，隨后開始暴跌，一路下跌至t4=2008/11/04處的最低點1707，之后長期低位徘徊。這說明我國股市價量關系在2007-2008年期間也發生了較顯著的結構變動。

圖3 基于scVAR模型識別出的時間門限值

至此已識別出t1、t2、t3和t4四個時間門限值(圖3)，在這四個門限值上價量關系發生了顯著結構變動。根據被識別出的先后順序，易知發生結構變動的劇烈程度大小依次為t1>t2>t3>t4。據此可推斷：第一，當股市達到高位后開始暴跌時，價量關系的結構變動效應更為劇烈(t1>t2，t3>t4)；第二，價量關系在2014-2015年的結構變動比在2007-2007年更劇烈(因為t1>t2>t3>t4)；第三，2014-2015年的價量關系結構變動特征與2007-2008年不同，2014-2015年價量關系的結構變動發生在股市大幅上漲階段，伴隨著價格上漲，交易量呈現出更大幅度的上漲和更劇烈的波動，但2007-2008年價量關系的結構變動發生在股市暴跌階段，伴隨著價格快速下跌，交易量變化卻不明顯。

4.2.2 股市價量關系結構變動的分區間檢驗

根據四個時間門限值將原樣本劃分為五個子區間，在各子區間內分別建立VAR模型。格蘭杰因果關系檢驗結果(表4)顯示，交易量僅在子區間1內是價格的格蘭杰原因，即交易量僅在2007年股市暴跌前對價格有一定影響，此后交易量對價格再也沒有顯著影響；而除了在子區間5，價格對交易量的影響始終高度顯著。

上述結果證明，我國股市中價格對交易量的影響遠大于交易量對價格的影響，是價格拉動型而非資金推動型市場。在子區間4(2014-2015年牛市期間)，價格顯著影響交易量，而交易量對價格沒有任何影響，說明在此期間股價上漲并不是由交易量提升所致，相反，股價上漲拉動了交易量的提升，因此“水牛”說法并不準確。

表4 格蘭杰因果關系檢驗結果(分區間)

4.3市場波動率對價量關系影響的非對稱性檢驗

4.3.1 市場波動率門限值的估計

圖4 市場波動率門限值的選擇過程

表5 TVAR模型的門限值估計結果

4.3.2 市場波動率對價量關系非對稱影響的檢驗

根據兩個市場波動率門限值將樣本劃分為三個子區間。由于子區間觀測值不連續，無法建立線性VAR模型并做格蘭杰因果關系檢驗，因此本文通過比較TVAR系統中各變量的系數及顯著性水平變化情況來研究市場波動率對價量關系的非對稱影響。在TVAR(4)模型中，以滯后1到4期的價格和交易量作為解釋變量，由于各滯后變量間具有較強自相關性，因此難以對所有滯后變量的系數和顯著性做出合理解讀。一般而言，前一天的價格和交易量對當天價格和交易量的影響較大，相隔天數越多，影響越小。也就是說，滯后1期的解釋變量系數及顯著性水平最具可信性和說服力，因此本文選擇比較各子區間內滯后1期的價格和交易量的系數及顯著性水平變動情況來檢驗市場波動性對價量關系的影響。

TVAR模型回歸結果見表6。ret方程的系數變化情況：在區間1，vol(-1)的系數為0.3761，僅在5%水平上顯著；在區間2和區間3，vol(-1)的系數已不顯著。vol方程的系數變動情況：在區間1，ret(-1)的系數為0.0419，在0.1%水平上高度顯著；在區間2和區間3，ret(-1)的系數分別下降為0.0197和0.018，但仍都在0.1%水平上高度顯著。

因此可推斷，交易量僅在市場波動性低時才對價格產生微弱影響，而價格對交易量一直具有十分顯著的影響。隨著市場波動性提高，交易量對價格的影響逐漸消失，而價格對交易量的影響始終高度顯著，但經濟顯著性也逐漸下降。上述發現證實了本文最初的猜想——市場不確定性對價量關系具有顯著影響，因為投資者是在不確定的環境下做出交易決策，投資者交易決策不僅受到未來預期價格的影響，還受到價格不確定性的影響。

表6 TVAR模型回歸結果為門限變量)

注：最佳滯后階數p=4根據SIC準則確定。括號內為標準誤，*、**和***分別表示在5%、1%和0.1%水平上顯著。

5 結語

由于價量同期內生問題，股市價量關系實證研究通常在VAR框架下進行，但利用線性VAR方法考察價量關系沒有考慮到結構變動和市場波動性的影響，而這在我國股市中是十分重要的因素。本文通過在價量關系VAR框架中嵌入結構變化和市場波動的門限變量來估計我國股市價量關系的動態變化，在文獻上具有重要貢獻。本文研究發現了穩健的結果和有意義的推論：第一，我國股市價量關系在2007-2008年和2014-2015年期間存在顯著的時間斷點效應，且后者結構變化更劇烈。第二，市場波動率顯著影響價量關系，當市場波動性低時，交易量與價格相互影響，但價格對交易量影響更大；隨著波動性提高(主要是在2007-2008年與2014-2015年期間)，交易量對價格的影響逐漸消失，而價格對交易量的影響仍十分顯著，但經濟顯著性逐漸下降。第三，總體來看，我國股市中價格顯著引導交易量的變動，而交易量對價格的影響十分微弱，可見我國股市是價格拉動型而非資金推動型市場，因此“水?！闭f法并不準確。

本文結論糾正了當前關于“水?！钡腻e誤認知，對理解我國股市微觀結構及其變動特征具有重要意義，有助于投資者增強技術分析有效性，提升股市預測能力和風險管理水平。對監管層而言，本文政策含義在于，監管層應不斷提升股市管理水平，加強股市風險預警與監控，避免出現單邊市的暴漲暴跌，維護股市平穩健康發展。一旦股市出現異常波動，救市要趁早，因為在市場大幅波動期間價量關系極弱，此時試圖通過市場介入方式來救市，效果微弱且成本高昂。

[1] Karpoff J M.The relation between price changes and trading volume: A survey[J].Journal of Financial and quantitative Analysis,1987,22(01): 109-126.

[2] Gallant A R,Rossi P E,Tauchen G.Stock prices and volume[J].Review of Financial Studies,1992,5(2): 199-242.

[3] Chuang C C,Kuan C M,Lin H Y.Causality in quantiles and dynamic stock return-volume relations[J].Journal of Banking &Finance,2009,33(7): 1351-1360.

[4] Copeland T E.A model of asset trading under the assumption of sequential information arrival[J].The Journal of Finance,1976,31(4): 1149-1168.

[5] Jennings R H,Starks L T,Fellingham J C.An equilibrium model of asset trading with sequential information arrival[J].The Journal of Finance,1981,36(1): 143-161.

[6] Epps T W,Epps M L.The stochastic dependence of security price changes and transaction volumes: Implications for the mixture-of-distributions hypothesis[J].Econometrica,1976: 305-321.

[7] Clark P K.A subordinated stochastic process model with finite variance for speculative prices[J].Econometrica,1973: 135-155.

[8] Campbell J Y,Grossman S J,Wang Jiang.Trading volume and serial correlation in stock returns[J].The Quarterly Journal of Economics,1993,108(4): 905-939.

[9] Blume L,Easley D,O'hara M.Market statistics and technical analysis: The role of volume[J].The Journal of Finance,1994,49(1): 153-181.

[10] Wang Jiang.A model of competitive stock trading volume[J].Journal of political Economy,1994,102,(1): 127-168.

[11] Liu Xinghua,Liu Xin,Liang Xiaobei.Information-driven trade and price-volume relationship in artificial stock markets[J].Physica A: Statistical Mechanics and its Applications,2015,430: 73-80.

[12] 翟愛梅,周彤.基于市場參與者行為假設的股票市場量價關系研究[J].中國管理科學,2011,19(04):31-37.

[13] Lee C F,Rui O M.Does trading volume contain information to predict stock returns? Evidence from China's stockmarkets[J].Review of Quantitative Finance and Accounting,2000,14(4): 341-360.

[14] Chen Gongmeng,Firth M,Rui O M.The dynamic relation between stock returns,trading volume,and volatility[J].Financial Review,2001,36(3): 153-174.

[15] Lee B S,Rui O M.The dynamic relationship between stock returns and trading volume: Domestic and cross-country evidence[J].Journal of Banking &Finance,2002,26(1): 51-78.

[16] Rashid A.Stock prices and trading volume: An assessment for linear and nonlinear Granger causality[J].Journal of Asian Economics,2007,18(4): 595-612.

[17] Pisedtasalasai A,Gunasekarage A.Causal and dynamic relationships among stock returns,return volatility and trading volume: Evidence from emerging markets in South-East Asia[J].Asia-Pacific Financial Markets,2007,14(4): 277-297.

[18] Azad A S M S,Azmat S,Fang V,et al.Unchecked manipulations,price-volume relationship and market efficiency: Evidence from emerging markets[J].Research in International Business and Finance,2014,30: 51-71.

[19] Chuang W I,Liu H H,Susmel R.The bivariate GARCH approach to investigating the relation between stock returns,trading volume,and return volatility[J].Global Finance Journal,2012,23(1): 1-15.

[20] Chen S S.Revisiting the empirical linkages between stock returns and trading volume[J].Journal of Banking &Finance,2012,36(6): 1781-1788.

[21] Saatcioglu K,Starks L T.The stock price-volume relationship in emerging stock markets: The case of Latin America[J].International Journal of forecasting,1998,14(2): 215-225.

[22] Rojas E,Kristjanpoller W.Price-volume ratio analysis by causality and day-of-the-week effect for the Latin American stock markets[J].Lecturas de Economía,2015(83): 9-31.

[23] 范從來,徐科軍.中國股票市場收益率與交易量相關性的實證分析[J].管理世界,2002,(07): 31-36.

[24] 張永冀,汪昌云,華晨.歷史價量信息在價格發現中更有效嗎?——基于中國證券市場的數據分析[J].中國管理科學,2013,21(S1):346-354.

[25] Hiemstra C,Jones J D.Testing for linear and nonlinear Granger causality in the stock price-volume relation[J].The Journal of Finance,1994,49(5): 1639-1664.

[26] Caginalp G,DeSantis M.Does price efficiency increase with trading volume? Evidence of nonlinearity and power laws in ETFs[J].Physica A: Statistical Mechanics and its Applications,2017,467: 436-452.

[27] Lin H Y.Dynamic stock return-volume relation: Evidence from emerging Asian markets[J].Bulletin of Economic Research,2013,65(2): 178-193.

[28] Gebka B,Wohar M E.Causality between trading volume and returns: Evidence from quantile regressions[J].International Review of Economics &Finance,2013,27: 144-159.

[29] 錢爭鳴,郭鵬輝.上海證券交易市場量價關系的分位回歸分析[J].數量經濟技術經濟研究,2007,(10): 141-150.

[30] 許啟發,蔡超,蔣翠俠.指令不均衡與股票收益關系研究——基于大規模數據分位數回歸的實證[J].中國管理科學,2016,24(12):20-29.

[31] Matilla-García M,Marín M R,Dore M I.A permutation entropy based test for causality: The volume-stock price relation[J].Physica A: Statistical Mechanics and its Applications,2014,398: 280-288.

[32] Hasan R,Salim M M.Power law cross-correlations between price change and volume change of Indian stocks[J].Physica A: Statistical Mechanics and its Applications,2017,473: 620-631.

[33] 吳吉林.基于機制轉換Copula模型的股市量價尾部關系研究[J].中國管理科學,2012,20 (05): 16-23.

[34] 李云紅,魏宇,張幫正.股票市場歷史信息的長記憶性特征研究[J].中國管理科學,2015,23(09):37-45.

[35] 姚登寶,劉曉星,張旭.市場流動性與市場預期的動態相關結構研究——基于ARMA-GJR-GARCH-Copula模型分析[J].中國管理科學,2016,24(02):1-10.

[36] Sims C A.Macroeconomics and reality[J].Econometrica,1980,48(1): 1-48.

[37] Hansen B.Testing for linearity[J].Journal of Economic Surveys,1999,13(5): 551-576.

Abstract： In literature,the dynamic price-volume relation is examined by Vector Autoregression (VAR thereafter) model.In this paper,the conventional VAR approach is extended to account for the impacts of structural changes and volatility levels,which are common to China.Due to dramatic responses of China’s stock market in recent years,especially two periods of considerable volatility in the years of 2007-2008 and 2014-2015,it is reasonable to conjecture that the structural changes and volatility levels could have substantial influence on the price-volume relation of Chinese stock market.The price-volume relation of the Shanghai stock market is examined with daily data from the year of 2003 to 2016,and contribution is made to the literature by estimating the price-volume relation in a VAR framework with structural breaks and volatility thresholds.As a result,more evidence and robust inferences is obtained: First,the evidence indicates that there exist significant time breaking effects.Second,the high-low volatility effects are substantially.Finally,a linear causal relation is identified from price to volume,which clearly rejects the public views.

Keywords： price-volume dynamics;structure change;market uncertainty;threshold VAR

The Price-Volume Relation of the Shanghai Stock Index Under the Perspective of Uncertainty

SHIJian-xun1,2,WANGPan-pan1,2,HeZong-wu3

(1.School of Economics and Management,Tongji University,Shanghai 200092,China；2.Institute of Finance and Economics,Tongji University,Shanghai 200092,China；3.Department of Finance,Shih Hsin University,Taipei 11645,China)

F830.9

A

1003-207(2017)09-0071-10

10.16381/j.cnki.issn1003-207x.2017.09.009

2016-08-25；

2017-03-22

國家社科基金決策咨詢點研究項目(13JCD009)；國家社科基金一般項目(10BGJ019)；上海高校智庫內涵建設計劃項目

王盼盼(1993-)，男(漢族)，安徽舒城人，同濟大學經濟與管理學院博士生，同濟大學財經研究所助理研究員，研究方向：金融市場理論與實踐、金融計量，E-mail：panpan@tongji.edu.cn.