導語：金融危機前后股市價量關系實例分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

隨著中國市場經濟的不斷發展，作為其中重要組成部分的金融市場對中國經濟起到越來越重要的作用，也日益受到普通大眾的關注。其中關于股票市場價量關系的研究一直是學術界專家學者和金融領域人員的研究熱點之一。股市價格的波動性與其成交量間的互動關系，是理解股市波動性的關鍵指標之一。同時，對技術分析的完善也將做出貢獻。國外方面，Wang（1994）[1]建立的價量動態模型認為交易量可以預測收益率。Lamoureux和Last-rapes（1990）[2]運用GARCH模型也證實了交易量對股價波動的解釋力。在國內，李雙成等（2006）[3]運用非對稱成分GARCH-M模型，將交易量分解為預期交易量與非預期交易量來探究價量關系。夏天（2007）[4]利用CARR模型研究發現成交量對于股票指數和個股的股價波動性都具有良好的解釋作用。綜上所述，關于價量關系的研究在研究方法方面日漸成熟，但是，已有文獻的研究視角大都只局限在單一時段或者不區分時段，這不利于全面考察中國股市價量間的關系。因此，將滬指劃分為金融危機爆發之前和之后的牛、熊市兩個時段來全面分析股市的價量關系，并探索交易量對價格波動的深層影響。

1數據采集及變量處理

1.1數據采集

采取上證A股的數據對中國股市的價量關系進行檢驗。樣本的時間跨度為2005年6月6日至2011年9月30日。并將樣本期分為兩個子時段，目的是研究不同市場中價量關系的差異。第一時段為2005年6月6日至2007年10月16日，共計575個交易日數據；第二時段為2007年10月17日至2010年9月30日，共計969個交易日數據。數據樣本選擇以2007年10月16日為分界點，因為分界點之前股市為上升態勢，分界點之后為下降趨勢，分別呈現出牛市和熊市的狀態。所有的數據均來源于RESSET金融研究數據庫以及Wind金融數據庫。所用分析軟件為EVIEWS6.0和EX-CEL2003。

1.2變量選取

成交量表示為Vt，是對日成交量取對數后的結果。日收益率Rt為：Rt=100×（lnPt-lnPt-1)，其中，Pt表示第t個交易日的日收盤價。從表1中可知，收益率均值、中位數金融危機前均大于危機后，標準差的比較知熊市波動幅度大于牛市，體現了市場在兩個不同發展階段的走勢。兩階段偏度、峰度說明中國股市收益率具有尖峰厚尾的特征。從JB統計量可知，中國股市的收益率不服從正態分布。

2模型構建——兩時段量價關系的檢驗與比較

2.1金融危機前后價量關系的Granger因果檢驗對比分析

對收益率和成交量序列進行平穩性檢驗，結果如表2所示。滯后階數根據SIC準則確定。由表2可知，在金融危機前的時段，收益率序列平穩，而成交量序列非平穩，經驗證，成交量序列一階平穩，因此這一時段，二者不能進行Granger因果檢驗。在金融危機后這一時段，收益率和成交量均為平穩序列，二者滿足進行Granger因果檢驗的條件。從表3的Granger因果關系檢驗結果可知，金融危機后這一時段中，在5%的顯著性水平下，收益率和成交量存在雙向的因果關系，在一定程度上，二者可相互預測。

2.2基于GARCH模型的價量關系檢驗對比分析

首先，根據收益率殘差序列的自相關和偏自相關系數確定滯后階數，結合金融危機前的交易量序列是一階差分后平穩，確定采用ARIMA（3,1,3）模型進行分析。而金融危機后的交易量序列是平穩的，且根據自相關值拖尾、偏自相關值3階截尾的特征，確定采用ARMA（3,0）模型進行分析。然后對兩階段收益率殘差序列進行ARCH-LM檢驗，結果顯示，在5%的顯著性水平下，兩時段的收益率序列均存在ARCH效應，可以運用GARCH模型。分別利用ARIMA（3,1,3）和ARMA（3,0）模型將危機前后的交易量序列分解為非預期交易量Vut和預期交易量Vet兩個部分。再從非預期交易量中分解出其超過均值的部分Vut。

2.3各序列對收益率影響的GARCH模型檢驗

選用GARCH（1,1）模型進行實證分析。為了比較不同類型的成交量對收益率波動性的解釋能力，將不同類型的成交量加入到GARCH（1,1）模型的條件方差方程中，模型分別為：模型1σ2t=ω+αu2t-1+βσ2t-1+θ1Vt（1）模型2σ2t=ω+αu2t-1+βσ2t-1+θ2Vet（2）模型3σ2t=ω+αu2t-1+βσ2t-1+θ3Vut（3）模型4σ2t=ω+αu2t-1+βσ2t-1+θ4Vet+θ5Vut（4）模型5σ2t=ω+αu2t-1+βσ2t-1+θ6Vut（5）回歸結果如表4。通過表4的回歸結果可以看到金融危機前后兩時段的一些異同。（1）金融危機前，系數θ1是顯著的，而危機后θ1不顯著，說明危機前成交量對股價的波動具有一定的解釋作用，而危機后則沒有解釋作用。（2）由模型2和3可知，θ2和θ3均不顯著，說明單獨的預期成交量和非預期成交量對股價波動都沒有解釋力。但模型4的回歸結果顯示，二者聯合起來對股價波動卻起作用。與危機前不同，危機后，θ2不顯著，而θ3顯著；模型4可得出同樣的結論，表明非預期成交量對價格有較強的解釋力，而預期交易量則缺乏解釋力。（3）模型5顯示，非預期成交量中超過均值的部分的系數θ6是顯著的。危機后，θ6的值為21.243，統計顯著，且比模型1至模型4的系數值都要大。說明非預期成交量中超過均值部分對價格波動的解釋能力優于非預期成交量。且比金融危機前時段解釋力更強。

3結論及建議

3.1結論

(1)金融危機前股市的平均收益率遠高于金融危機后的收益率均值，但金融危機前收益率的日波動幅度小于金融危機后的波動幅度。

(2)金融危機前，由于交易量序列不平穩，因此不確定交易量與收益率的Granger因果關系；而金融危機后這一時期，二者具有雙向的因果關系。

(3)將不同類型的成交量加入到GARCH（1,1）模型的條件方差方程中進行回歸，可知：金融危機前，成交量可以部分解釋股價的波動，而危機爆發后，量對價的解釋力消失了。其次，非預期成交量在危機前對股價波動都沒有解釋力，而金融危機后有一定的解釋作用。再次，兩時段中，預期成交量對波動均不具有解釋力。最后，兩個時段內，非預期成交量中超過均值的部分對股價波動性都具有一定地解釋作用；但是，金融危機后其解釋力更強。

(4)非預期成交量中超過均值部分的系數為正，說明交易量放量對市場的沖擊比負的交易量對市場的沖擊大，即非預期交易量對市場的沖擊存在非對稱性。

3.2建議

(1)一般情況下，成交量都只能部分的解釋收益率。有時二者的關系是模糊不清的，這說明作為技術分析指標之一的平衡成交量法（OBV）具有一定的局限性。因此，技術分析投資者不宜單獨使用OBV指標，應將該指標與基本分析及其他技術分析指標結合使用。

(2)完善做空機制。針對非預期交易量對市場沖擊的非對稱性，需要建立更加有效的做空機制來增加負面信息融入市場交易的能力，可以完善中國的股指期貨和融資融券市場，以期能有效拆除市場自發性信息屏蔽，拓展信息流進入市場的數量與效率。