中國A股市場資金流與股價波動研究

金建成

黨的十九大召開后，習近平總書記強調要深化金融體制改革，增強金融服務實體經濟能力，提高直接融資比重，促進多層次資本市場健康發展。隨著我國步入新時代的步伐加速，股票市場平穩健康發展與國家經濟騰飛之間的聯系越來越緊密。股票市場平穩的關鍵因素是股價的波動，而影響股價波動的眾多因素都是借助資金流這一載體發揮作用。摩根士丹利的一份研究報告認為，隨著中國政府加強對金融體系的監管，2017年以來，高收益率、固定資產投資產品供給的增長已經出現顯著下降，中國居民手里的閑錢將會有較大一部分選擇投入股市。據摩根士丹利預測，從2017年上半年到2019年，中國居民在股市中的投入將增加10萬億至11萬億元人民幣①大摩預測：金融整頓后，資金將流入中國股市，http://www.sohu.com/a/197460875_100003708，2017-10-11。。如何在股票市場的諸多因素中找到可以作為投資決策的變量因素成為股票市場發展的一個重要研究主題。在股票價格波動理論中可以發現，資金流作為一種對股市市場現金流動衡量和測度工具的概念在1989年提出后，得到了金融研究者的廣泛關注。對資金流的相關研究不僅僅可以彌補學術界在股價波動影響因素研究方面的不足，還可以為投資者提供投資決策工具，為金融管理者提供相關政策制定的依據，有較強的理論指導意義和操作層面的現實意義。

一、文獻綜述

資金流首先于1989年在Stock and Commodities的雜志中被Wells Wilder提出[1]。作為一個測度方式，資金流的數學公式直到2001年通過Bennett and Sias才提出[2]。 張峰等（2016）把股票收益率分解成來自市場共同收益和來自公司特有收益兩部分研究，指出公司特有收益部分捕捉了市場信息的收益率[3]。高小紅等（2017）指出，在股票市場中，對于無約束條件下的脈沖響應中的技術沖擊造成貨幣供應量與股價波動兩變量的偏離回歸至均衡增長路勁更緩慢[4]。刁思聰等（2011）提供建立資金流向的月度監測和預警體系，為資金在實體經濟和股票市場之間的流向提供判斷依據[5]。目前相關文獻研究顯示，影響股價波動的因素眾多，在各實證研究中，學者們大量使用股票收益率來替代股價波動進行量化分析。本文在前人研究的基礎上同樣使用股票收益率來反映股價波動的情況，并且在相關研究的基礎上，引用現有研究的資金流測算方式并加以完善，通過實證的方式探索修正后資金流測度模型決策方式與股價波動的關系。具體修正詳見下文變量設計。

二、研究設計

（一）樣本來源

本文借助Wind經濟數據庫、同花順數據庫和中國統計年鑒，以2012—2017年6年為研究的時間區間，以中國A股滬深兩市上市公司數據作為樣本變量。首先，鑒于金融業的資產負債情況的特殊性，按照中國證監會對上市公司的行業劃分去掉相關銀行行業的股票；其次，由于ST、ST*類股票的財務數據存在異常情況，故也剔除；再次，考慮新股IPO發行后一般都會出現連續漲停的特殊性，樣本剔除了2012年起開始上市的股票；最后，由于數據庫數據的有限性，同時剔除了數據不完整的股票。經過此過程，共選擇1285只股票作為本文的研究樣本。在時間跨度上，面板數據采取周度數據即選取時間間隔單位為一周。

（二）變量設計及模型構建

本文選取股票資金流動強度SOSFF（m）作為資金流衡量變量[6]，其中：

Pi為被考察股票的第i次成交價格，P為被考察股票在觀察的某一周期內的參照價格，Qi為被考察股票的第i次成交量，Q為被考察股票在觀察的某一周期內的流通總量，AP為被考察股票在某一周期內成交的均價，TR為被考察股票在某一周期內的總換手率。

針對每筆資金流動的動態性變化和數據獲取的滯后性所引起的誤差問題，通過引入加權移動平均線的表達式進行修正，在此基礎上形成新的參考價格，其數學表達式為：

其中，RPt表示初始價格，并確定初始價格為：

建立在任德平[7]所提出的以5為周期的均線RP5能較好地反映出在觀測時間段內股票含量的穩定性結論，即資金流的統計方式為SOSFF（5）。此時的5為5周。考慮到SOSFF（5）值的大小，統一將其擴大100倍進行后續實證研究。

收益率為周收益率記為 Rm，即 Rm=（LnPm-LnPm-1）×100，其中 Pm表示 m 交易周的收盤價，Pm-1表示m-1交易周的收盤價。

從公司財務指標、股權結構、盤面語言三個角度進行選擇控制變量，具體設計變量如表1、表2、表3所示。

表1 財務指標描述

表2 股權結構描述

表3 盤面語言描述

為了防止選取數據的差距太大影響后續實證分析，對數據進行如下處理：對個股交易量、個股市值這種數值大的采用對數法則對其進行變形；針對百分比值如公司財務的各個數值和持股集中度乘以100進行運算。

為了回避截面數據和時間序列分析中出現的變量與變量之間異質性的問題，本文初步建立如下的面板回歸模型：

三、數據分析與檢驗

（一）結構穩定性檢驗

本文在樣本選取的6年中，A股市場出現了大跌和大漲的情況，加上股票除權后市值大幅度變化，為考慮選取樣本在時間上面的結構穩定情況，對樣本進行鄒氏檢驗，通過觀察大盤的情況，擬定將2013年6月25日和2015年6月12日所在周數，即t=75和t=177為預設轉折點驗證。得到相應鄒氏檢驗結果如表4、表5所示。

在表4中，通過了原假設即在第1周至第75周中，第75周不是斷點，其截距沒有發生變化，數據平穩。在表5中，通過了原假設即在第177周至第306周中，第177周不是斷點，其截距沒有發生變化，數據平穩，故本文時間段采用全部時間段數據進行分析。

表4 鄒氏斷點檢驗：75

表5 鄒氏斷點檢驗：177

（二）數據描述性分析

在分析數據的有效性之前對所選的樣本進行描述性統計分析，主要是針對這些數的一些描述性統計指標進行軟件處理和分析。所得結果如表6所示。

表6 樣本描述性統計

表中Rm的平均值為0.5728，為正數，表明在所選擇的2012—2017年的區間內，各個上市公司的平均收益是可觀的，呈現出良性增長趨勢。在這種情況下，上市公司的股票能為股票投資者帶來一定的回報和分紅，SOSFF（5）的平均值為0.0962，表明在選取的這段時間內社會資金流傾向于投入股市，而從選取樣本的財務變量指標來看都還處于一種良性的狀態，其中賬面市值比（BM）的平均值為0.4342，每股凈資產（NAPS）的平均值為3.5842。 而資產負債率情況也處于一種良性發展結構上，其中資產負債率（TAT）的均值為0.8514。綜上述，在所選取震蕩市的時間區間段內，各個企業發展情況較為良好，究其原因可能是2015年股票大跌后各個企業進行了產業調整，產業發展處于恢復階段。

（三）擬回歸模型回歸分析

在回歸分析之前進行了LLC檢驗、IPS檢驗和Fisher-ADF檢驗，發現其P值都小于0.01即1%的顯著度，表明數據平穩，不存在偽回歸現象，將樣本帶入進行初步的擬模型回歸分析，并得到表7的結果。

表7 模型的擬回歸結果

在初步回歸的結果中，雖然R2值達到了0.7963，具有較高的擬合性，但是其中BM、EPS、ROE、CR、DTL、VOL和均未通過T檢驗，所設計模型具有多重共線性的現象，需要進一步驗證。同時結合相關指標經濟含義，我們可以發現公司財務數據中存在嚴重的多重共線性，對于盤面語言而言，由于構建資金流SOSFF（5）時考慮了個股在一個周期成交量和個股在一個周期內成交均價，所以對個股交易量和個股平均價有共線影響。

（四）變量相關性分析

考慮到本次變量的多樣性，并且結合之前初步回歸分析的結果，在此很有必要進行相關系數的檢驗型分析，通過SPSS軟件對所選取的變量選擇采用Pearson相關系數分析得到結果，如表8所示。

表8 變量的相關系數矩陣

（續表）

表9 變量的相關系數矩陣（續）

從表9可以發現，有些變量之間具有明顯的線性相關，驗證了初步回歸結果的分析，所設計的模型出現多重共線的可能，使模型結果不能反映變量間的真實結論。從皮爾遜相關系數矩陣出發可以發現，SOSFF（5）和 VOL的關系系數較大，1%水平上顯著相關，存在共線關系；BM、NAPS和EPS的關系系數較大，1%水平上顯著相關，存在共線關系；EPS和ROE兩個變量之間具有一定的正向相關關系，其相關系數為正，表示凈資產收益率良好的上市公司其每股收益率同樣呈現同向變化趨勢。

（五）逐步回歸分析

本文采用逐步回歸方法來解決多重共線性問題，使用Eviews6.0將所有設計變量進行逐個回歸分析，并得出相應的參數估計值、T檢驗值、R2、F檢驗值，如表10所示。

表10 單變量回歸結果（R2降序排序）

（續表）

按照Eviews6.0的結果按照R2降序排列，并按從大到小將各個變量逐個引入模型進行回歸分析，并將每一次變量帶入后的模型進行F檢驗。經過以上操作剔除了 BM、、VOL、EPS、DTL、CR 共 6 個變量。、VOL與SOSFF（5）之間存在一定的相關關系，主要是因為改進的SOSFF（5）在一定程度上已經兼顧了這兩個變量，所以出現了共線情況。從反映持股股東權益的同一角度出發，選取了NAPS和EPS作為代表變量，這兩個變量都能在一定程度上反映出持股股東獲利情況，那么在數據的關聯上面肯定就會有一定的相關性，因此筆者本著嚴謹的研究態度將每股收益和每股凈資產合并處理，并統一劃入NAPS中進行后續分析。

通過上述過程，得到使用逐步回歸后的新的模型，如下：

（六）面板模型選擇

鑒于干擾項中個體效應和時間效應的存在問題，進行豪斯曼檢驗，所做結果如表11所示。

表11 豪斯曼檢驗結果

從表11可以看到，P為0.0021，顯著度小于0.05，從而可以判斷出干擾項中個體效應情況與模型的回歸效應情況具有一定的關聯，鑒于此，本文采用固定效應模型分析。同時，結合面板數據的選取情況而言，選取的樣本數據種類分布很大但是時間期限較短，即N大T小的情況，鑒于此，選期限固定效應。

（七）資金流與收益率回歸分析

基于樣本數據的選取，并且結合豪斯曼檢驗的結果，使用固定效應回歸，結果如表12所示。

表12 大盤固定效應回歸分析結果

從表12可知，R2值為0.7817，調整R2值為0.7385，并且各個變量均保證了在5%顯著度下T檢驗的有效性，表明整個模型具有較高的擬合性，對經濟現象能夠給出客觀的反映。

四、結 論

第一，通過固定效應的期限固定模型，發現修正后資金流測度決策模型與股票收益率之間的貢獻系數為0.1254，存在正向的關系，即資金流高的股票其股票收益率也高，資金流低的股票收益也相應降低。結合股票DDM理論和相關財務理論，驗證了股票價值取決于股票未來所獲取資金流的現值，即績效較好的公司對股價波動有促進作用，能為上市公司帶來更多的資金流。上市公司在股票市場上對資金吸納得越多，所進行投資和資本積累就越強，進而使得公司有較強的競爭力，賺取更多的市場利潤，形成良性循環后其股值也會上升，即當前股票市場中資金流入較多的企業在未來的一段時間內往往能獲得較高的股值。

第二，持股集中度在選取的各個因素中對股票收益的影響作用最大，貢獻系數為1.2053。作為反映上市股權結構情況的變量，表明在上市公司股票中，越是大股東對股票重倉持有，那么股票收益率就越高，持股集中度指標上升過程也就是大股東干預股票市場的行為過程。

第三，股票市值在所選取的各個因素中對資金流的影響僅次于持股集中度，其貢獻系數為-1.0589。本文發現這種負相關關系的情況滿足了FF三因素分析的假設條件，表明股票市場中存在規模效應情況，即股票的市值大小和股票收益率的高低情況成負向關系。結合實際大盤的走動情況，反映出在研究選取的時間區間內，市值低的股票要比市值高的股票的收益率情況要高。究其原因，借用收益—風險理論解釋，就是低市值往往伴隨著高風險。

第四，筆者在前人的基礎上所建立的SOSFF（5）模型相對以前的模型而言，具有較強的指導性，可幫助投資者更理性地分析投資行為。由于資金流與股價的關系系數不是顯著的關系，所以會導致股票市場中資金的進場不一定會顯著帶來股票價格的上漲，因為莊家可能是誘餌式的誘導投資者進行投資，或者莊家在前期投入上已經獲得高收益后為其出逃做好準備。