我国沪市上市公司影响系统性风险因素实证分析
我国沪市上市公司影响系统性风险因素实证分析
海小辉 王力宾
(云南财经大学 研究生院 ,云南 昆明 650221)
关键词 :β系数 ;收益率 ;因子模型
摘 要 :采用 2004 年的沪市交易所的 258 个上市公司为样本 ,根据市场模型估计出这些上市公司的系统
性风险系数 (贝塔系数β) ,并通过因子分析模型和计量经济模型探索影响贝塔系数的因素。发现市场表现对
我国证券市场的系统性风险影响较大 ,而各上市公司的财务情况 ,对系统性风险的影响却是微乎其微。
中图分类号 :F224. 9 文献标识码 :A 文章编号 :1672 - 4755(2006) 06 - 0101 - 04
收稿日期 :2006 - 09 - 25
作者简介 :海小辉(1980 — ) ,内蒙古通辽人 ,硕士研究生 ,主要研究方向为金融统计。
一、引言
在 CAPM 模型中 ,资产的风险被归结为系统性风
险和非系统性风险 ,其中系统性风险的量化指标即为β
系数 ,是度量某种 (类) 资产价格变动受市场上所有资
产价格平均变动的影响程度的指标。通过对贝塔系数
的估计 ,投资者可以预测证券未来的市场风险。而对
于影响系统性风险的因素无论是投资者还是证券公司
都一直关心的问题 ,对于有关贝塔系数的实证研究 ,从
国内外的学术界来看 ,基本是三种类型 :一是β系数的
稳定性研究 ,即研究β系数与时间的关系 ,通过对同一
类证券不同时间段的β系数估计值进行纵向比较分
析 ,判断其是否随时间变动及其如何变动;二是β系数
的差异性研究 ,即β系数的差异性研究正是分析导致
股票的β值存在差异的影响因素 ;三是β系数的预测研
究 ,大部分的研究都指出股票的β系数不具有稳定性 ,
以历史数据估计出来的β系数值无法代表未来的β系
数值 ,因此如何准确地预测未来的β系数值就成为至
关重要的问题。
本文运用市场模型即单一指数模型 ,探索影响贝
塔系数的因数 ,根据 2004 年各公司周收益率数据 ,利
用最小二乘法估计出贝塔系数 ,然后再通过因子分析
和回归分析来探索影响贝塔系数因素。
二、样本的选取
表 1 指标名称
指 标 名 称 计 算 公 式
财
务
指
标
X1 ———总资产(万元) 总资产
X2 ———资产负债率( %) 总负债/ 总资产
X3 ———经营杠杆( %) 固定资产/ 总资产
X4 ———流动比率( %) 流动资产/ 流动负债
X5 ———主营收入增长率( %) (本期主营业务收入 - 上期主营业务收入) / 上期主营业务收入
X6 ———主营业务利润率( %) 主营业务利润/ 主营业务收入净额
X7 ———净资产收益率(ROE) 年报中披露的 ROE
X8 ———ROE 的增值率( %) (本期 ROE - 上期 ROE) / 上期 ROE
市
场
表
现
X9 ———年换手率 新闻媒介公布的年换手率
X10 ———年振幅 (最高价 - 最低价) / 上期收盘价
X11 ———年成交金额(亿元) 新闻媒介公布的年成交金额
X12 ———市净率的倒数 每股净资产/ 年末收盘价
第 21 卷 第 6 期 Journal of Yunnan Finance & Economics University Vol121 ,No16
选取 2004 年在沪市上市的挂牌交易的 2000 年前上
市的 484 支股票 ,剔除未能连续交易、因财务指标和市场
变量数据收集困难的股票 ,同时也剔除了在进行贝塔系
数估计时没通过 F 检验的股票 ,最终确定的个股样本数
为 258 家上市公司。在研究中使用了三个方面的数据:
个股及组合前赋权的周收益率数据 ,个股年度市场表现
数据和年报财务数据。其中 ,个股及组合前复权的周收
益率数据和年报财务数据来自万得资讯(Wind 资讯) ,而
市场表现数据根据《中国证券报》相关数据计算得出 ,各
指标见表 1。
三、实证分析
(一) 个股贝塔系数的估计
从估计β系数模型的角度看 ,有两个可供选择的模
型 :一是市场模型 ;二是 CAPM 模型。考虑到现阶段我
国的资本市场现状和特征与 CAPM 模型理论假设条件
之间的差距 ,无风险率的合理性和有效性 ,估计β系数所
需的其他数据的可用性 ,采用市场模型估计β系数比较
适合我国国情。即 :
Ri =αi +βiRm +εi
其中 ,Ri 为第 i 中证券的前复权的周收益率 ,αi 和βi
为模型的参数 ,Rm 为证券市场的前赋权的周收益率 ,εi
为随机误差。
根据 2004 年个股及市场的前复权后周收益率的数
据利用最小二乘法估计出个股的β系数。
(二) 因子分析
第一 ,因子模型。因子模型研究有 P 个变量指标 ,n
个样 品 的 实 际 对 象 , 有 统 计 数 据 为 样 本 矩 阵 X =
[ Xij ]p ×n 。本文中 p = 12n = 258。
因子分析的数学模型如下 :
x1 = a11 F1 + a12 F2 ??a1mFm +ε1
x2 = a21 F1 + a22 F2 + ??a2mFm +ε2
·
·
·
xp = ap1 F1 + ap2 F2 + ??apm Fm +εp
简记为 :X = AF +ε
其中 :A = (aij) p 3 m (m < p) 为因子载荷矩阵 , F 为 X
的公共因子 ,aij为指标变量 xi ( I = 1 ,2 ??,p) 在公共因
子 Fj (j = 1 ,2 , ??m) 上的载荷(或投影) ,ε为特殊因子。
表 2 各主因子对应特征根及方差贡献率
主因子 特征值 方差贡献
率( %)
累计方差
贡献率( %)
1 2. 068 17. 231 17. 231
2 1. 953 16. 273 33. 504
3 1. 758 14. 653 48. 157
4 1. 559 12. 994 61. 152
5 1. 049 8. 745 69. 897
6 1. 005 8. 376 78. 273
第二 ,各主因子命名。借助于 SPSS 统计软件 ,将个
股的财务指标和市场表现数据标准化 ,计算出其相关矩
阵 R 的特征值和方差贡献率(表 2) 以及正交旋转后的因
子载荷(表 3) 。并按照特征根大于 1 的原则 ,选入了 6
个公共因子(主因子) ,其累计方差贡献率为 78. 237 % ,
说明这 6 个主因子已经代表了原数据的 78. 237 %的信
息 ,可以充分反映这 12 个指标所代表的信息。
表 3 正交旋转后的因子载荷矩阵
指 标 名 称
主 因 子
F1 F2 F3 F4 F5 F6
年振幅 % . 676 . 092 - . 174 - . 108 - . 370 - . 107
换手率 % . 860 . 018 . 025 . 208 - . 002 - . 032
市净率的倒数 - . 604 . 215 - . 255 . 165 - . 259 - . 201
成交金额亿元 . 437 . 208 - . 007 . 770 . 090 . 020
资产总计(万元) - . 168 - . 149 . 031 . 871 . 031 . 012
流动比率 . 022 . 890 . 013 - . 007 - . 123 . 067
资产负债率 . 037 - . 894 . 040 . 015 - . 221 . 078
主营业务收入增长率 - . 024 - . 010 . 020 . 033 - . 008 . 934
净资产收益率 . 054 - . 004 . 900 . 119 . 174 . 140
净资产收益率的增长率 - . 024 - . 014 . 923 - . 077 - . 020 - . 095
经营杠杆 - . 211 - . 160 - . 004 . 231 . 700 - . 300
主营业务利润率 . 099 . 229 . 136 - . 064 . 766 . 170
·201· Journal of Yunnan Finance & Economics University Vol121 ,No16
根据表 3 正交旋转后的因子载荷矩阵 ,对各主因
子命名如下 :
第一主因子 F1 在年振幅、年换手率和市净率的倒
数这 3 项指标上有较大载荷 ,而这 3 个指标都是反映
市场表现指标 ,因而可将其命名为市场表现因子;第二
主因子 F2 在流动比率和资产负债率上有较大载荷 ,这
2 个指标反映了各上市公司的流动性 ,因而可将其命名
为流动性因子 ;第三个主因子 F3 在 ROE 和 ROE 的增
长率上有较大载荷 ,这 2 个指标反映了各公司的盈利
能力 ,因而可将其命名为盈利因子;第四个主因子 F4
在成交金额和总资产上有较大载荷 ,这 2 个指标反映
了各公司的规模 ,因而可将其命名为规模因子;第五个
主因子 F5 在经营杠杆和主营业务利润率上有较大载
荷 ,这 2 个指标反映了各公司的经营状况 ,因而可将其
命名为经营因子 ;第五个主因子 F6 在主营业务收入增
长率上有较大载荷 ,该指标反映了各公司的成长营状
况 ,因而可将其命名为成长因子。
(三) 计量经济分析
根据对各项指标的因子分析结果 ,将各主因子的
得分作为解释变量 ,β系数作为被解释变量 ,建立如下
计量经济模型 :
β=α0 +α1 F1 +α2 F2 +Λ+αk Fk +εi (1)
其中β为估计出的系统性风险系数 ,α为模型中的
参数 ,Fi 为根据各指标因子分析得到的因子得分 ,εi 为
随机误差。
第一 ,相关分析。借助于 SPSS 统计软件 ,将各主
因子得分与估计出β系数做相关分析 ,表 5 列出相关分
析得到的相关矩阵和双尾检验的伴随概率值。
表 4 相关矩阵
Correlations
β F1 F2 F3 F4 F5 F6
β Pearson Correlation 1. 00 0. 32 - 0. 04 - 0. 24 - 0. 13 - 0. 30 - 0. 04
Sig. (2 - tailed) . 0. 00 0. 49 0. 00 0. 04 0. 00 0. 47
表 5 回归结果
Model
Unstandardized
Coefficients
Standardized
Coefficients
B Std. Error B
t Sig.
Collinearity
Statistics
Tolerance VIF
(constant) 0. 98 0. 011 85. 618 0. 000
F1 0. 069 0. 011 0. 324 6. 023 0. 000 1. 000 1. 000
F2 - 0. 009 0. 011 - 0. 043 - 0. 801 0. 424 1. 000 1. 000
F3 - 0. 052 0. 011 - 0. 245 - 4. 560 0. 000 1. 000 1. 000
F4 - 0. 028 0. 011 - 0. 131 - 2. 436 0. 016 1. 000 1. 000
F5 - 0. 064 0. 011 - 0. 300 - 5. 575 0. 000 1. 000 1. 000
F6 - 0. 010 0. 011 - 0. 045 - 0. 836 0. 404 1. 000 1. 000
Model R R Square
Adjusted R
Square
Std. Error
of the Es2
timate
F
Change
Sig. F
Change
Durbin - Wat2
son
1 . 7746 . 6000 . 258 . 18382 30. 625 . 000 2. 044
从表 4 的相关矩阵表中我们可以看出β系数仅与
F1 的 Person 相关系数为正 ,与其他各因子 Person 相关
系数都为负 ,且与 F2 和 F6 的相关系数没有通过显著
性水平 0. 05 的检验 ,其余均通过了显著性水平 0. 05 的
检验。由于对所选择的指标作了因子分析 ,所以各因
子均不相关。
第二 ,回归分析。利用最小二乘法估计出各回归
参数的值 ,得到回归结果见表 5。
最后拟合的计量经济模型为:
β= 0. 98 + 0. 069F1 - 0. 009F2 - 0. 052F3 - 0. 028F4
- 0. 064F5 - 0. 01F6
从表 5 的回归摘要表和回归系数表中我们可以看
出该方程的拟合优度 R2 = 0. 7746 ,调整的拟合优度 ?R2
= 0. 5804 ,拟合程度较好 ; F 检验的 F 统计量为 30.
625 ,并且其检验所有回归系数为零的伴随概率为 0 ,说
明所有解释变量解释贝塔系数有效;但是对于每个回
归参数的检验的 t 统计量 F2 和 F6 没有通过检验 ,其伴
随概率分别为 0. 424 和 0. 404 ,和前面的相关分析结果
·301·海小辉等 :我国沪市上市公司影响系统性风险因素实证分析
一致 ;另外检验模型是否存在多重共线性的的方差膨
胀因子均为 1 ,说明解释变量不存在多重共线性。
(四) 结果分析
第一 ,回归系数的分析。首先看该回归方程的常
数项为 0198 ,非常接近于 1。众所周知 ,证券市场的总
系统性风险就是 1 , 而在该模型中常数项就达到了
0198 ,我认为这种出现这种情况的原因有二:一是由于
我国证券市场不够完善 ,正在改进中 ,导致上市公司数
据本身存在问题 ;二是在选择影响β系数因素的指标
不够全面。
标准化的 F1 回归系数 0. 324 最大 ,其未标准化的
回归系数为 0. 069 ,说明影响股票市场上系统性风险最
大的因素是市场表现 ,因为这类股票表现活跃 ,往往是
短线资金追逐的对象 ,投机性较强 ,股价起伏较大 ,风
险也相对较大 ,所以市场变现灵活的股票意味着带来
高风险。
流动性因子 F2 的回归系数为 - 0. 009 ,没有通过 t
检验 ,说明对于β系数基本没有影响 ,这可能与这个因
子所代表的两个指标流动比率和资产负债率有关 ,因
为这两个指标相关性为负 ,所以导致了该因子在回归
模型中不显著 ,而事实上流动比率大的公司风险较小 ,
资产负债率大的公司风险较大。
盈利因子 F3 的回归系数为 - 0. 009 ,通过显著性
水平为 0. 05 的检验 ,说明公司的盈利性与风险反向运
动 ,这与前面表 5 中的相关性分析结果也是一致的。
规模因子 F4 的回归系数为 - 0. 028 ,通过显著性
水平为 0. 05 的检验 ,说明公司规模与系统性风险成反
比 ,因为大公司相对于小公司而言具有一定的规模效
应 ,更容易获取资源 ,经营也较稳定 ,而且竞争力更强。
所以 ,一般来讲 ,大公司的经营风险要比小公司小。
经营因子 F5 的回归系数为 - 0. 064 ,通过显著性
水平为 0. 05 的检验 ,说明公司的经营状况与系统性风
险成反比。经营能力能够反映一个公司整体发展状
况 ,它直接关系着公司的盈利能力、成长能力 ,甚至关
系到公司的存亡 ,所以 ,公司经营能力较强 ,其风险就
应该较小。
成长因子 F6 的回归系数为 - 0. 01 ,没通过显著性
水平为 0. 05 的检验 ,说明公司的成长能力并不影响β
系数 ,这与财务理论不符 ,值得讨论。
第二 ,与前人做出有关β系数分析的结果对比。
本文所做的是有关β系数差异性研究 ,而现在大多数
有关β系数的研究都是有关在不同阶段或是不同市场
态势的下β系数的稳定性研究 ,所以本文得到的结果
与他们所做的结果有所不同。对于差异性研究中吴世
农等 (1999) 对此做了研究 ,吴世农等选择七个会计变
量来探索影响β系数的因素 ,得出股利支付率和流通
规模之对数对β系数有显著负影响 ;总资产增长率和
财务杠杆对β系数有显著正影响 ;经营杠杆对个股或
组合的β值无显著影响 ;流动比率与β系数呈正相关关
系 ;盈利波动性与股票系统性风险呈显著的负相关关
系。其中经营杠杆、流动比率和盈利波动性对β系数
的影响都与其假设不同 ,属于异常结果。但由于同本
文所选择的指标有所差异 ,而且分析方法的不同 ,所以
结果也不甚相同。
四、结论
综上所述 ,可以得出以下结论 :
一是市场表现因子、盈利因子、规模因子和经营因
子对我国上市公司的系统性风险有显著性影响(这四
项的回归系数 t 检验均通过显著性水平 0. 05 的检验) 。
其中市场表现因子影响为正 ,即市场表现活跃的股票
其股价波动较大 ,带来的投机性较大 ,系统性风险较
高 ;而盈利因子、规模因子和经营因子对我国上市公司
的系统性风险影响为负 ,即盈利性大的公司风险小 ,规
模大的公司风险小 ,经营状况好的公司风险小 ,这不仅
与财务上的观点一致 ,也同一般股民的看法相同。
二是流动因子和成长因子对系统性风险无显著性
影响(这两项的回归系数 t 检验伴随概率都大于 0. 1) 。
上市公司的流动性和成长性对于公司的发展非常重
要 ,一般来讲 ,流动性强的企业其风险小 ,成长能力强
的公司风险也会小 ,但是从本文得出的结果来看这两
个因子却对于系统性风险无显著性影响 ,值得进一步
探讨。
三是回归模型中的常数项为 0. 98 非常接近于 1。
众所周知 ,如果用贝塔系数来量化证券的系统性风险 ,
其贝塔系数为 1 ,虽然笔者对此分析了两个原因 ,但是
个中原因仍值得进一步探讨。
参考文献 :
[ 1 ] W. Sharpe ,Capital ,Capital Asset Prices : A Theory of Capi2
tal Market Equilibrium under Conditions of Risk , Jouranl of Fi2
nance19 ,425～PP 442 ,1964.
[2 ]威廉·F·夏普等. 投资学 (中译本) [ M ]. 北京 :中国人民
大学出版社 ,1998.
[3 ][美]古扎拉蒂. 计量经济学[ M ]. 北京 :中国人民大学出
版社 ,2000.
[4 ]卢纹岱. SPSS for Windows 统计分析[ M ]. 北京 :电子工
业出版社 ,2004.
[5 ]吴世农 ,冉孟顺 ,肖珉 ,李雅莉. 我国上市公司系统风险与
会计变量之间关系得实证研究[J ]. 会计研究 ,1999 ,(12) .
[6 ]杨云红. 金融经济学[ M]. 武汉 :武汉大学出版社 ,2001.
[7 ]候建勇 ,周浩. 在不同市场态势下证券系统性风险实证研
究 ,财贸研究[J ]. 2002 ,(03) .
[8 ]曾德军. 上海证券市场贝塔系数统计规律分析[J ]. 岳阳
职业技术学院学报 ,2005 ,(02) .
[9 ]吴世农等. 中国股票市场风险研究[ M ]. 北京 :中国人民
大学出版社 ,2003.
责任编辑 :索瓦洛
·401· Journal of Yunnan Finance & Economics University Vol121 ,No16
我国沪市上市公司影响系统性风险因素实证分析.pdf
