内容发布更新时间 : 2024/6/24 3:07:05星期一 下面是文章的全部内容请认真阅读。
龙源期刊网 http://www.qikan.com.cn
中国股市的周期性波动与价值投资的应用
作者：饶为民 孙 剑
来源：《金融教学与研究》2010年第04期
摘要：中国股市由于世界经济发展周期、国家政策变动、信息流动机制和所处发展阶段等原因存在较强的周期性波动。实证研究表明月度上证指数对数序列满足随机游走模型假定。BP滤波方法确定上证指数存在明显的2～3年的循环周期。通过选取具有代表性的行业股票在股市周期波动中进行周期性的价值投资，结果显示大部分产业的收益率跑赢大盘。但在不同发展时期所密集使用的要素集聚产业则可享受估值溢价和获得超额收益。 关键词：周期性波动；随机游走；BP滤波；价值投资
中图分类号：F831.5 文献标识码：A 文章编号：1006－3544(2010)04－0055－05
在中国社会主义市场经济的建设过程中，资本市场从无到有不断发展壮大，特别是中国股票市场，已经成为世界股票市场的一支重要力量，也成为中国居民实现财富保值增值的重要途径。但是，中国绝大多数股民对股市缺乏了解，更多的是为了获取投机收益而非投资收益，更不懂如何对所持股票的投资价值进行研究。中国的股票市场自诞生以来，由于世界经济发展周期、国家政策变动、信息流动机制和所处发展阶段等原因，经历了不断的周期性波动。这种周期性的波动还夹杂着成长性、易变性、政策性、心理性等特征(刘如海、张宏坤，2003)，为价值投资在中国的研究和运用增添了更多干扰，但这不能成为不少投资者信奉的价值投资不适合中国股市的理由(许健、魏训平，2004；王春燕、欧阳令男，2004)。为此，研究中国股票市场在周期性波动中的价值投资策略具有重要的现实意义。
本文的研究思路如下：先对1991年1月至2009年12月的沪市收盘指数(SHIM)用计量经济模型模拟诊断，确定序列的平稳性；然后利用BP滤波对SHIM进行趋势、循环分解，确定其主要波动周期；最后，选择股票池(p001)具有代表性的企业进行价值投资模拟，与大盘收益率进行比较。
一、中国股市周期性波动的实证分析
在实体经济运行中，存在着“繁荣——衰退——萧条一复苏”的经济周期。关于实体经济周期性波动的原因，经济学大师熊彼特、萨缪尔森都做出了深入的分析。熊彼特的创造性破坏理论主要针对的是经济波动的长周期，而萨缪尔森的乘数一加速数模型更适合用来解释频繁产生
龙源期刊网 http://www.qikan.com.cn
的短周期。在收入上升时期，消费通过加速原理带动投资增长，投资通过乘数增加收入和消费；当遭遇外部冲击时，上述作用正好反向，因而容易形成经常性的经济扩张或收缩。作为实体经济的“晴雨表”，资本或股票市场的价格同样是反复波动，但其波动特征和波动原因与实体经济不尽相同。
由于中国还处在发展和转型阶段，资本市场发展时间较短，因此中国股票市场更容易遭到市场和投资者的过度反应，波动性特征更为明显。黄继平、黄良文(2003)利用波谱分析方法得出中国沪深两市指数均存在5个显著周期，但最显著的是长度为921个交易日的周期，这为投资者的实践操作提供了一定参考。徐立平、陆珩缜(2009)基于时间序列的极大熵谱估计方法，利用MATLAB工具，对A股指数进行分析，得到了上证综指和深证综指的谱密度、频率及周期数据，从中分辨出A股存在一个平均约18个月的主周期分量。从这些分析中可以看出中国股市确实存在周期性波动规律。但这些研究存在下列问题：样本数据时间较短；在分析周期之前没有对时间序列数据的平稳性进行论证；更重要的是没有和具体的价值投资应用相结合。因此，有必要对中国股市的周期性波动做出更精密细致的分析，为投资者提供更具操作性的实践思路。
一般的实证文献在分析具有高频性质的金融时序数据时，更多地采用条件异方差模型(ARCHMODEL)。但在我们看来，股市指数的月或周序列数据也可以用ARMA模型来分析。本文就对沪市指数月度序列收盘指数采用ARMA模型来诊断预测。之所以以沪市指数作为分析样本，是因为沪市集中了国内各行业的大中型企业，具有规模大、分布广、市值高的典型特点，对世界形势、国家政策、信息披露、市场投机等反应灵敏，而且其中有些蓝筹股可以成为价值投资的标的被用来模拟预测。
龙源期刊网 http://www.qikan.com.cn
(一)SHIM的模拟预测
首先对SHIM序列对数化处理，成为In-shim序列，如图1所示。对此序列进行单位根检验，结果如表1示。我们可以在10％显著性水平下认为In-shim序列满足平稳性假设，没有单位根。再对In-shim序列一阶差分后的序列进行单位根检验，结果如表2所示。从表2可以看出，一阶差分后的序列在1％、5％、10％显著性水平下都为平稳序列。为了进一步明确是采取水平序列还是一阶差分序列，再查看In-shim水平序列的自相关(AR)和偏自相关系数(PAR)，如表3所示。
从表3可以看出，水平序列自相关系数(Ac)是拖尾的，偏自相关系数(PAC)在1阶截尾，可以判断In-shim序列基本满足AR(1)过程。建立模型如下： In-shim=1，0015991n-shim(－1)+ut