上市商業銀行β 值測算分析
——以北京銀行、浦發銀行、華夏銀行為例

哈 蕊

（中央民族大學管理學院，北京100081）

一、背景概述

（一）三家銀行情況概述

1.北京銀行（601169）。

北京銀行是經中國人民銀行和北京市政府批準，于1996 年1 月29 日在北京市原90 家城市信用合作社基礎上組建而成，是中國最早成立的城市商業銀行之一，北京銀行成立時的注冊資本為人民幣10 億元。為進一步充實資本和完善公司治理結構，2005 年9 月，北京銀行引進了境外戰略投資者ING 銀行及境外財務投資者IFC。近年來，公司業務側重支持重點區域建設，推動落實供給側改革，承擔社會責任，開創多遠業務模式，打造品牌形象，發展勢頭良好。截止2017 年公司總資產達2，329，805 百萬元，發行股票211.43 億股。2016 年8 月，北京銀行在“2016 中國企業500 強”中排名第163 位。

2.華夏銀行（600015）。

華夏銀行，于1992 年10 月在北京成立，是一家股份制銀行。1995 年3 月，實行股份制改造；2003 年9 月，首次公開發行股票并上市交易，成為全國第五家上市銀行；2005 年10 月，成功引進德意志銀行為國際戰略投資者，華夏銀行在76 個中心城市設立了34 家一級分行、30 家二級分行和12家異地支行，營業網點達到520 家，形成了“立足經濟發達城市，輻射全國”的機構體系，2016 年8月，華夏銀行在“2016 中國企業500 強”中排名第134 位。

3.浦發銀行（600000）。

海浦東發展銀行是1992 年8 月28 日經中國人民銀行批準設立、1993 年1 月9 日開業、1999 年在上海證券交易所掛牌上市的全國性股份制商業銀行，總行設在上海。2017 年12 月底，公司總資產規模高達6.14 萬億元，總股本達2935208.04 萬股。上市以來，浦發銀行連續多年被《亞洲周刊》評為“中國上市公司100 強”，上海浦東發展銀行在“2016 中國企業500 強”中排名第49 位。

銀行業作為現代金融業的主體，國民經濟運轉的樞紐，行業發展中也存在很多獲利機會與風險，本文選取的三家銀行均為股份上市公司，經營范圍包括：吸收公眾存款；發放短期、中期和長期貸款；辦理國內結算；辦理票據貼現；發行金融債券；代理發行、承銷政府債券；從事同業拆借；提供擔保等。而對于銀行主體來說，主要風險包括信用風險，管理結構風險，流動性風險、房地產領域風險、地方債務違約風險，債券波動、交叉金融產品等，對于投資者來說，不僅要分析投資公司自身存在的風險，還應承擔投資行為本身的風險。因此，較為準確地評估所投資公司存在的風險，規避風險合理投資就顯得尤為重要。

上市公司的風險很大程度上反應在該公司的股價波動上，股票的波動受很多因素的影響，包括公司自身的經營管理狀況，宏觀環境的市場變動，行業周期，市場預期等。這些因素均構成一定的風險，下文將借助統計數據研究，在一定程度上預測所分析銀行的投資價值。

（二）β、CAPM 模型及其變式介紹

CAPM 模型是美國經濟學家威廉夏普、莫辛等人與1964 年在資產組合理論和資本市場理論的基礎上發展起來，用于研究證券市場中資產的預期收益率與風險資產之間的關系，以及均衡價格的形成。國內外很多學者應用該模型進行了研究檢驗，Levy在1971 年對1960—1970 年期間在美國紐約交易所上市的500 只股票加以研究，通過采用周收益率的數據，在較短時期內，單一股票的β 系數不具穩定性，但組合的β 系數穩定性有顯著的提高；洪錫熙在1999 年發表的論文《我國股票市場貝塔系數的穩定性檢驗》中，通過應用Chow 檢驗法對深圳證券交易所1996 年的所有上市公司樣本數據進行分析研究，得出結論：無論是單個股票還是股票組合，β 系數都不具有穩定性，說明我國的證券市場系統風險是變動不定和難以預測的。Choudhry 在2001 年以歐洲金融股票市場的105 只股票作為樣本對象，選取1989 年到1995 年作為度量時限，通過使用雙變量GARCH 模型對β 系數進行估計，其得出的結論是多數金融股票的β 系數數值及穩定性情況較為相似，并表現出回歸趨勢。綜上，β 系數在一定程度上可以預估股票的風險情況，但受較多現實因素影響，存在一定的缺陷。

考慮到CAPM 模型存在一定的缺陷，為了提高研究的準確定，本文在依據CAPM 模型計算β 值的同時，還將基于會計信息進行基本面分析，在定性層面驗證測算出的β 值的合理性，做進一步分析。

在CAPM 模型中，β 值用以度量一種證券或一個投資證券組合相對總體市場的價格波動性。

式1.1 中，Ri 表示第i 種資本資產或資產組合的收益率，Rf 為資本市場的無風險收益率，Rm 為資本市場的市場整體收益率，β 為第i 種資本資產或資產組合的β 系數，計算公式為

因β 值表現了證券相對整個大盤市場的價格波動性，所以在一定程度上，我們用β 值來衡量股票的系統風險大小。如下表：

證券（或證券組合）比市場組合收益率波動水平低，當市場β＜1收益率下降時，它的下降幅度也小，風險相對較少，傾向于證券（或 防御型的證券或策略組合證 券 組 證券（或證券組合）與市場組合）與市β=1合收益率波動水平完全同步，β＞0場 組 合 傾向于中性投資策略收 益 率 證券（或證券組合）比市場組呈關正 相1＜β＜1.5合進收型益或率攻波擊動型水的平證高券，或偏投向激資證券（或證券組合）比市場組β＞1.5合收益率波動水平高很多，屬于高風險的投資策略選擇β＜0 證特券征（，或即證逆券市組運合行）與市場組合收益率呈反方向運動

二、借助CAPM 模型求β值

（一）數據選取

本文借助國泰君安數據庫、東方財富網獲取相關數據，考慮到β 值存在較高的不穩定性，按日或按月收益率計算出的β 值存在一定差異，且較長時間β 值會受大量數據影響在回歸時影響準確性，不利于反映近期的風險指數，因此本文選取北京銀行（601169）、華夏銀行（600015）、浦發銀行（600000）的股票2018 年7 月02 日—2018 年9 月28 日期內的開盤價、收盤價等數據，為精確化估計，數據以日為單位，本文采用的數據已做了除權復權處理，因此文章中不做贅術。

對于整體市場收益率，鑒于滬深300 指數涵蓋滬深兩市，覆蓋了大部分流通市值，可以在一定程度上反應大盤趨勢，因此本文采取了滬深300 指數2018 年7 月02 日—2018 年9 月28 日周期的相關數據，市揚整體及三家銀行股票收益率計算如下：

Pt 表示第t 天的滬深300 指數（三家銀行股票）收盤價，Pt-1 表示第t-1 天的滬深300 指數（三家銀行股票）收盤價。

表一：三家銀行及滬深300 收盤價及收益率數據匯總表

（二）建立模型

1.相關性。

本文利用SPSS 對股票和大盤指數進行初步的散點圖回歸來判斷二者的相關關系，如下圖所示，二者呈正相關，且圍繞回歸線分布較為緊密，因此可以建立回歸模型。2.建立回歸模型求β 值。

圖一：北京銀行

圖三：浦發銀行

通過將資本資產定價模型轉換為回歸模型，對同一周期三家銀行的資產收益率和市場組合收益率的供給數據進行線性回歸的參數分析，公式為：1.4

1.4 式中Ri 為股票i 的歷史已獲得收益率；Rm為市場已獲得歷史收益率；αi 為截距項；βi 股票i的貝塔值；ei 為隨機誤差項。

（三）參數估計及檢驗

通過最小二乘法，計算出回歸線的斜率，即為該企業的β 系數。利用SPSS.25 求得三家銀行的β系數估計結果為：

1.北京銀行的β 系數。

北京銀行β 系數的估計值為0.572，判決系數R2=0.386，模型的擬合程度較好；對回歸結果進行t檢驗的P 值為0.000，在5%的水平下顯著。

2.華夏銀行的β 系數。

華夏銀行β 系數的估計值為0.862，判決系數R2=0.653，模型的擬合程度較好；對回歸結果進行t檢驗的P 值為0.000，在5%的水平下顯著。

3.浦發銀行的β 系數。

浦發銀行β 系數的估計值為0.699，判決系數R2=0.528 模型的擬合程度較好；對回歸結果進行t檢驗的P 值為0.000，在5%的水平下顯著。

上述數據表明三家銀行的β 系數都小于1，表明銀行業上市公司股票收益率受影響較小，股票的系統性風險相對較低。但三家銀行中，華夏銀行的β 值最高，說明華夏銀行股票收益率與市場整體收益率變動情況相對來說比較相近。

表二：β 系數回歸分析計算表

（四）誤差

考慮到個股股價的波動受到多種因素影響，CAPM 模型用于評估風險時處在相對簡化的假設條件下，存在一定局限性；此外數據存取上，本文只截取了近一個季度的日收益率，因此利用歷史回顧法評估的β 值來衡定企業風險可能存在一定偏離。歷史數據評估的β 值并不能絕對程度上預測未來發展趨勢，還需要進一步精確。因此，本文將通過同期的會計信息基本面分析來進一步明確公司風險。

三、會計信息基本面分析

目前的金融市場還處于發展中，我國金融市場起步相對較晚，國外市場相對發展較為成熟，但也無法達到有效市場的狀態。而CAPM 模型是建立在有效市場的假設之上，在實際情況中我們應考慮市場存在的干擾因素，Ramiah 和Davidson（2005）認為由于噪音交易者的存在，會使得根據CAPM 算得的系統風險不僅包含項目的基本風險，還包含噪音交易者風險。

很多國內外學者都對這一問題進行了研究，Bildersee（1975）研究了1956 年至1966 年期間紐約證券市場制造業和零售業的71 家公司的系統風險與11 個會計變量之間的相互關系，最后指出了與系統風險相關的6 個會計變量——負債比率、優先股與普通股的比例、銷售與權益資本的比例、流動比率、市盈率的標準差、會計貝塔系數，并建立了多元線性回歸模型。王明濤和黎金龍（2006）應用橫截面數據，選擇下偏矩度量股票市場風險，發現上市公司經營業績對股票市場風險有顯著影響，其中每股收益、凈利潤增長率的增加有利于降低市場風險；凈資產收益率的增加卻增大了市場風險，主營業務收入增長率與市場風險也呈正向關系。

為了避免CAPM 的缺陷可能對β 值的測算存在較大偏差，本文最終選定凈利潤增長率、凈資產收益率等同期會計財務指標從側面驗證β 值的計算結果，也進一步對這三家公司的情況進行分析。

表三：三家銀行2018 年第三季度會計財務指標匯總表

從該表中同期財務指標可以看出，三家銀行的凈利潤增長率華夏銀行出現了負數，北京銀行較高，浦發銀行出于兩者中間，該數據與三家銀行的β 值之間的相對關系是同一趨勢；就資產負債率而言，華夏銀行較高，另外兩家銀行比較相近，都處在銀行業的平均水平左右；而三家的營業收入中，浦發銀行是另外兩家銀行的兩到三倍，凈利潤也是如此，主要由于浦發銀行基本處在行業領軍地位，資產規模和發展情況均好于其他兩家公司，凈利潤高從而影響了凈資產收益率的數值，使得浦發銀行稍高于北京銀行，但華夏銀行仍處于三家之中最低。這一現象也反映在市盈率指標上，數據顯示，浦發銀行的市盈率3.93，處于行業第一，一方面印證了浦發銀行的行業領軍地位，另一方面以說明投資者對浦發銀行的股票投資興趣較高，前景看好。綜合分析，浦發銀行的投資價值相對更高。

總體來說，從會計財務數據的基本面分析，可以較為清楚地了解銀行業的基本情況和三家銀行在行業中所處的階段，也印證了三家銀行的β 值基本準確，能夠在一定程度上反應公司的風險水平。

四、結論

本文基于CAPM 模型在中國證券市場相對有效的前提下，通過回歸計算出了北京銀行、浦發銀行和華夏銀行三家公司的β 值，并通過會計財務數據進行基本面的補償分析。通過上述分析，三家銀行中，浦發銀行的資金雄厚，風險和收益較為匹配，投資者期望較高；北京銀行發展勢頭強勁，基于其發展戰略和業務情況，風險相對比較穩健；而華夏銀行相對風險較高，收益情況和投資展望相較于其他兩家銀行較低。總的來說，銀行業雖然在金融界屬于比較穩健的區塊，但仍屬于有較高風險的領域，受金融市場聯動作用較大。且目前適用的風險預測方法，在中國證券市場相對不完善的前提下，還存在很多缺陷，因此，投資者在投資時應合理評估風險與收益，充分考慮系統風險，做出相對較佳的投資決策。●