股票收益与交易量的动态关系研究:来自不同估计方法的证...

股票收益与交易量的动态关系研究:来自不同估计方法的证... 股票收益与交易量的动态关系研究:来自不同估计方法的证据 *李捷瑜 王美今 中山大学岭南学院 内容摘要 本文采用三种面板数据方法(加总时序、混同和组平均)考察中国股票收益和交易量的动态关系。结果表明，混同和组平均都能发现收益和交易量间双向的格兰杰因果关系，交易量对未来收益的长期影响显著为负;而普遍使用的加总时序方法则只能发现收益对交易量的单向引导。 关 键 词 收益 交易量 面板数据 因果关系 一 引 言 股票市场的交易数据往往能形成N(微观个体的数目)和T(时点的数目)都足够大的面板数据。在收益和交易量动态关系的研究中，学者们通常感兴趣的不是一两个股票呈现的特殊的变量关系，而是大部分股票普遍共有的变量关系，用计量经济学的语言说就是某外生变量对被解释变量的平均影响(Average Effect)。如何运用大N和大T的面板数据估计这种平均影响呢,不少文献采用加总(Aggregating)的方法，即直接用市场收益和市场交易量这些加总指标估计一个动态的时间序列 1模型，然后再进行假设检验，例如格兰杰因果关系检验(Granger Causality Test)。在面板数据 2的应用文献中，混同估计(Pooling Estimates)和组平均估计(Averaging Group Estimates)也是常用的方法。对于静态模型，只要个体斜率系数随机分布，那么上述三种方法都能给出“系数均值”的无偏估计(Zellner(1969))。但在动态情形，个体斜率系数的异质性(Slope Heterogeneity) 会使混同及加总的估计量有偏，以至于可能造成严重的统计推断误差，只有组平均方法能给出“系数均值”的一致估计(Pesaran和Smith(1995))。本文将分别采用加总时序、混同和组平均三种方法重新估计交易量和收益的动态方程，基于不同的估计结果进行格兰杰因果关系检验并具体计算交易量和收益的长期乘数和短期冲击。 以面板数据(而不是以加总后的时序数据)作为分析的起点，容易让研究者意识到系数异质性问题并对此进行探讨。本文作两方面的尝试，一是用似然比方法和Hausman方法进行系数同质性检验。二是在系数异质性的前提下，通过分析个股交易量的长期乘数与个股流通量规模的相关性来寻找交易量长期乘数的系统性差异。 二 文献回顾 不少理论模型表明由于市场缺乏有效性，交易量能够提供关于收益的预测信息。Campell et * 李捷瑜、王美今:中山大学岭南学院 广州 510275 电子邮箱:jieyuli@126.com。本文为国家自然科学基金课题(批准项目号:70273060)的研究成果之一。 1 某些文献把格兰杰因果关系陈述为“引导关系”，例如芮萌等(2003)。“x引导y”等价于“x是y的granger原因”。 2 一些文献所指的“组平均估计”类似本文的“加总方法”，即先对数据进行加总平均(等权或加权)后再进行回归;而本文的“组平均”估计是指每个个体先分开估计，然后再对个体斜率系数进行平均，下文有详细说明。 1 al.(1993)、Wang(1994)探讨了在市场参与者信息不对称的情况下交易量与市场价格的关系，前者得出伴随着巨大交易量的价格变动将趋于反转;后者 证明 住所证明下载场所使用证明下载诊断证明下载住所证明下载爱问住所证明下载爱问 交易量能够预先反映出未来价格变化的趋 1势。最近，一类文献基于意见分歧(Divergence of Opinion)和卖空受限研究资产定价和交易活动，结果发现:意见分歧和卖空受限共存的市场中会产生追求价差的投机交易，即为了拥有在未来任何时刻把股票转手给乐观投资者的获利机会，人们愿意付出“投机溢价”，结果均衡价格将包含投机泡沫(Harrison和Kreps(1978));意见分歧是交易产生的原因之一，意见分歧的扩大会引发投机泡沫的增强、换手率的提高，因此换手率与期望收益负相关，即较高的换手率将预示着未来较低的收益(Scheinkman、Xiong(2003)、Hong et al.(2004))。 在美国股票市场价量关系的实证研究中，学者们通常发现交易量不引导收益(例如Smirlock和Starks(1988)、 Bhagat 和Bhatia(1996)和Hiemstra和Jones(1994))。Tse(1991)、Ciner(2001)分别研究了同样发展成熟的东京股票市场和多伦多股票市场，前者得出价量之间的相关性非常弱，后者得到滞后交易量不能预测收益的变化方向，并认为这是对“有效市场”的支持。在新兴的中国股票市场，学者们也没有找到交易量引导收益的有力证据。王承炜、吴冲锋(2002)以及芮萌等(2003) 都发现沪深两市的交易量均不是市场收益的格兰杰原因。上述的实证文献普遍采用加总的方法来估计价量的动态关系，而多年以来，不少研究已经表明加总数据的动态性质可能与微观个体数据的动态性质非常不同(例如Granger (1990) ，Pesaran和Smith(1995)， Forni和Lippi(1997))，基于加总数据的统计推断和政策评估可能会引起严重误导(例如Hsiao et al(2004))。 由于特有的 制度 关于办公室下班关闭电源制度矿山事故隐患举报和奖励制度制度下载人事管理制度doc盘点制度下载 和环境因素，例如卖空禁止、机构投资者缺乏、投机气氛浓厚等，新兴股票市场的有效程度往往比成熟市场低，不难想象，新兴市场的股票交易量应该更有可能包含对收益的预测信息。因此我们选择新兴的中国A股市场作为研究对象，期望能更明显地呈现出加总方法与非加总方法估计结果的不同及其对推断检验的影响。在实证设计中，除了本文尝试用不同的估计方法外，其他学者也进行了各自独特的尝试，不同的市场、不同的样本时段、不同的时间频率，不同的度量指标，这些都大大加深了人们对价量关系的认识。 三 数据处理 1、样本选取 本文的数据来源于CSMAR，研究时段从1997年7月至2004年6月，共356周;周数据的优点在于它既能排除由于频率过高而导致的非经济关系的干扰，又能保持适当时间序列数据的长度，同时还避免了日数据可能出现的周效应。样本公司有316个，选取依据为:公司在研究期间，股票交易资料及财务资料健全;公司在1997年7月之前已经上市半年，这避免上市初期股价和换手率的特有变动影响研究结果;公司在研究期间没有经过ST、PT特别处理。 2、变量定义 21)周个股收益率;其中，表示股票在周周末的考虑现金红利再投资的可r,P/P,1Pitititit,1it 比价格;因此收益率已经对分红、配股、增发等做了调整。2)周个股交易量定义为股票在周vlitit 1 Miller(1977)针对相同期望假设提出意见分歧假设，他认为在不确定条件下，即使基于相同信息，投资者对证券收益也有不同的预期或信念。 2 本文的第t周定义为第t周的星期四到第t+1周的星期三;“t周周末”是指在第t周存在有效交易数据的最后一天，通常是星期三。 2 的日均换手率;采用换手率衡量交易量能消除成交股数和成交金额与公司规模高度相关的问题;而且在研究交易量和市场均衡模型的关系时，换手率是最准确和自然的度量指标(Lo和Wang(2001))，许多文献都采用这种衡量方法(参见Jain和Joh(1988), Lo和Wang(2001))。3)周总收益率 M,1tR,wr/w;其中，权重为股票在周的流通市值。4)周总交易量;w,,VL,Mvlit,tiititiitittti,1it其中，是周的股票数量。 Mtt 图1 横截面均值和标准差的时序图 交易量 收益 rvl .3.12 .2.08 .1 .04.0 .00-.1 -.2-.300350 均值 +/- 1标准差 图1是周个股交易量和收益率横截面均值(即等权加总)的时序图。在前半段样本期换rvlitit 手率呈现较高的平均水平、较大的波动，并伴有较多极值点，在后半期换手率水平相应下降，波动减少。本文认为这并不说明换手率在样本期间具有随机趋势，而仅仅是由于1997年到2004年间中国股市刚好先后经历了牛市和熊市。Lo和Wang(2001)的研究表明不同的去趋势方法对换手率的时间序列性质会产生很大且不一致的影响，因此在没有表1 时间序列的单位根检验 观察到明显的趋势后，我们选择不对换手率去趋势。 交易量 收益RVL检验方法 tt3、单位根检验 -17.44397** -5.453563** ADF(t统计量) 收益和交易量两个加总序列的平稳性用ADF方法 注:*、**分别代表5%和1%的显著性水平，下文同。 检验，表1的统计量拒绝了收益R和交易量VL存在单 位根的原假设。 面板数据的单位根检验按其假设的不同大致分为两类。一类假设所有个体具有相同的单位根过程，如Levin，Lin和 Chu (LLC)，Breitung检验;另一类则允许个体间存在不同过程，如Im，Pesaran和Shin (IPS)、Fisher-ADF 以及Fisher-PP检验。表2显示，无论基于哪种检验方法，收益和交易量的面板数据都是平稳的。 表2 面板数据的单位根检验 收益r 交易量 vl原假设 备择假设 检验方法 itit -101.423** -56.7087** 存在 不存在 LLC(t统计量) 单位根 单位根 -103.257** -56.4969** Breitung(t统计量) IPS(统计量) ,-144.362** -75.3903** 存在 某些个体 2 3 统计量) Fisher-ADF(,19007.9** 7343.45** 单位根 不存在 2 单位根 Fisher-PP(统计量) ,46920.2** 20788.4** 2 四 实证方法 1、模型估计及因果关系检验 本文分别估计以收益和交易量作为被解释变量的两个动态方程，方程设定是自回归分布滞后模型(ARDL)。 1)加总时间序列方法(Aggregate Time Series) 以时序为例，自回归分布滞后模型的一般形式ARDL(,)为: pq pq (1) y,,y,x,,，，，,,,,tjtjjtjt,,11jj 经过简单转换容易得到式(1)的误差修正形式(ARDL-ecm): p,1q,1** (2) y,,y,x,y,x,,,，，，,，,，,,tt,1t,1jt,jjt,jtj,1j,1 pqpq**其中，，，，，,(1,),,,,,,,j,1,...,p,1,,,,,j,1,...,q,1,,,,,,,,jjjmjmj,1j,1,，1,，1mjmj 2。这种形式的优点在于能够直接得到误差修正项以及容易计算外生变量x对因变量,服从iid(0,,)t y的长期乘数(Long-run Multiplier)及其标准差。综合考虑模型(2)、(3)、(4)的艾,,,(,/,) 开克(AIC)信息标准和施瓦茨(SC)标准，本文对ARDL采用4阶滞后()，即在回归时允许p,q,4 1信息大约有一个月的滞后。 2将面板数据在横截面方向上加总平均后，本文采用已有文献的通常做法，对时间序列模型(2)进行最小二乘(OLS)估计。基于时序估计量(简称TS)，格兰杰因果关系检验的零假设为:H(x,y),0TS*TS;即x不能引导y。 ,,0并且,,0,j,1,2,3j 为了使宏观模型与微观个体的动态性质保持一致，基于加总数据的分析一般都假设“代表性代理人”(Representative Agent)存在。如果放弃这一假设，引入微观个体的异质性，加总方法会出现局限性:从信息损失的角度看，加总不能保持原有数据的完整信息集，某部分的预测能力可能丢失(Granger(1990));更重要的是，当个体斜率系数不相等时，经OLS回归得到的加总时序系数估计值会产生偏差(Bias)，即使面板数据的N和T都趋于无穷，这种偏差都不会消失(Pesaran和Smith(1995))。因此，给定估计好的加总时序模型，我们不能用它的动态形状或其他特征来揭示相关微观个体的平均行为;同样地，加总模型的参数估计量不能满足微观理论所导出的某些约束，也不是拒绝该微观理论的好理由。 2)混同方法(Pooling) 相应的自回归分布滞后模型的误差修正形式(ARDL-ecm)设定为: p,1q,1**y,,,y,x,y,x, (3) ,,，，，，,，,，,,ititit,1it,1jit,jjit,jitj,1j,1 1 为了充分捕捉滞后变量包含的信息，本文选取各模型最优滞后阶数中较长的滞后阶数。概括而言，加总时序的最优滞后阶数是2，混同模型的最优滞后阶数为4，组平均中各个个体的最优滞后阶数主要是2、3或4。 2 详见上文数据处理中谈及的“总收益率和总换手率的计算”。 4 2其中，代表股票，代表时间，是个体效应，是时间效应，，i(,1,...,N)t(,1,...,T),,,服从iid(0,,)ititi容易看出，这里的“混同”是指设定所有个体的斜率系数相等。与时序模型(2)相比，混同模型(3)不必先把数据加总，更多可用的观察值使得该模型具有许多优点，譬如获得更大的自由度和更高的估计效率，得以建立、检验更复杂的动态模型;横截面方向的数据能减轻时序模型容易出现的多重共线问题;个体效应允许不可观察的个体差异而时间效应则捕捉了横截面上受到的共同冲击。至今这种允许截距差异的混同模型应用最广泛。 对模型(3)本文采用固定效应估计量(Fixed Effect Estimator，简称FE)，过程如下:首先利 1用均值差分消除个体效应和时间效应，再用OLS估计斜率系数，标准差经white-异方差调整。基 FE*FE于固定效应估计量，格兰杰因果关系检验为:。 H(x,y),,0并且,,0,j,1,2,3,0j 如果个体斜率系数相等，那么只要T足够大，由于解释变量与扰动项相关而产生的偏差将消失，固定效应估计量能给出系数的一致估计，不必采用Arellano和Bond(1991)等GMM估计量。但是个体斜率系数不相等时，无论样本的N、T多大，模型(3)的混同设定都会导致解释变量与扰动项相关以及扰动项自相关，而且工具变量方法不能解决这一问题(Pesaran和Smith(1995))。可见，模型(3)虽然对个体的异质性进行了部分建模，即允许截距的差异，但它忽略了个体斜率系数的异质性，FE仍可能有偏。 3)组平均方法(Averaging Group ) 现实中许多因素的差异，例如某公司特征的不同，都可能使股票的动态方程拥有不同的斜率系数，时序模型和混同模型的设定似乎过于严格;在模型(3)的基础上本文进一步设定每个个体都拥 2有各自的斜率系数，得到的ARDL-ecm如下: p,1q,1** (4) ,y,,，,，,y，,x，,,y，,,x，,,,ititiit,1iit,1ijit,jijit,jitj,1j,1 为了估计模型(4)，本文先用均值差分消除时间效应，然后再用组平均方法估计其余的系数;,t ****,令表示采用个体的时序观察值()和OLS方法估计出,,(,,,,,,,,...,,,,,...,,)it,1,...,Tiiiiiipiiq11 Nˆˆˆˆ,(,)(,),,,,,iiN,1i1ˆˆˆ的系数，那么组均值估计量就是V(),，其非参数协方差矩阵为。,,,,,iNi,1N(N,1)这样看来，组平均方法就是在分别估计个体变量间的动态关系后再计算这些个体系数的均值;由此而得的估计量我们称为组均值估计量(Group Mean，简称GM)。此时，基于组均值估计量，因果关 GM*GM系检验的零假设为:。 H(x,y),,0并且,,0,j,1,2,3,0j 与加总、混同估计量相比，组均值估计量充分考虑了个体系数的异质性，减少了信息的丢失;而且在大N和大T的面板数据中，无论系数是否异质，它都是系数均值的一致估计，并服从渐进正态分布(Pesaran和Smith(1995))，这意味着基于GM可以建立正确的统计推断。 2、系数同质性检验 在动态模型的设定上，或者估计方法(加总、混同或组平均)的取舍上，斜率系数同质性检验(Homogeneous Coefficient Test)都至关重要。本文采用两种检验方法: 1 当然本文也可以设定截距是随机的，通过GLS得到随机效应估计量。其实当N和T都足够大时，固定效应估计量和随机效应估计量是等价的，因此不妨采用固定效应估计量。 2 这里的斜率系数可以是固定，也可以是随机。PS文中的主要结论，特别是混同估计量的不一致，将在斜率系数是异质而且是固定的情况下仍然成立。 5 1)似然比检验。对模型(4)施加约束:，即“任何个体斜率系数都相等”后就,,,,,i,jij GMFEˆˆ会得到模型(3)，据此构建似然比统计量，约束成立下， LR,2,(L(,),L(,)) 12，其中是相应估计量的对数似然函数，是个体斜率系数的维数，是L(,),LR~,((N,1)*k)kN微观个体个数。 2)Hausman检验。当斜率系数相等时，固定效应估计量和组均值估计量都是一致，并且固定效应估计量更有效，当系数异质时，固定效应估计量有偏而组均值估计量一致;根据此性质建立 GMFE,1GMFEˆˆˆˆˆˆˆˆˆˆˆˆ,Hausman统计量，其中，，是相应估计量协方H,q,qq,,,,,,V(,),V(,)V(,) 2差的一致估计。在个体斜率系数同质的零假设下，。 H~,(k) 五 估计结果与分析 三种方法的估计结果见附录A。表8是加总时序估计，组平均和固定效应的估计结果在表9给出。初步看来，GM和FE的估计结果较为接近，大多数的解释变量以1%显著;时序结果却大相径庭，大部分的解释变量不显著，标准差也较大。 表3 个股系数同质性检验 表3的似然比检验和Hausman检验都拒绝了“个体斜22LR检验 H检验 ,(2520),(8) 率系数相等”的零假设，说明对于以收益r和交易量作vl r 10671.60** 347.69** 为被解释变量的动态方程，它们的系数都存在异质性，模 vl22898.12** 73.77** 型(4)的设定恰当，模型(2)(3)的加总时序估计量和 固定效应估计量会产生偏差。可以预期，基于不同的估计表4 基于加总时序(TS)估计量的结果进行因果关系检验、长短期乘数的计算，研究者将有格兰杰因果关系检验 可能得到迥然不同的结果。 2W 统计量 ,(4) 1、格兰杰因果关系检验 H(VL,R)4.256267 ,0表4给出了基于加总时序估计量的检验结果，它与王 H(R,VL)22.55668** ,0承炜和吴冲锋(2002)、芮萌等(2003)的经验证据一致:市 场收益引导总交易量，但总交易量没有引导市场收益，量表5 基于组均值(GM)、固定效应对价没有格兰杰意义上的预测作用。然而表5显示，无论(FE)估计量的格兰杰因果关系检验 基于组均值估计量还是基于固定效应估计量，Wald统计量2W 统计量 ,(4) 都能以 1%的显著性水平拒绝零假设，表明交易量和收益 基于GM 基于FE 存在双向格兰杰因果关系。可见，不同估计量上的统计推 H(vl,r)143.07** ,128.45** 0断可能会产生很大差异。加总方法完全忽略了个体异质性 H(r,vl)147.88** ,555.83** 0问题且只有较少的可得数据，因此不能有效揭示出交易量 的历史信息对收益的预测作用，而基于一致的GM估计量以及偏差较小的FE估计量，检验结果更稳健可靠。 交易量和收益的双向格兰杰因果关系意味着:交易量直接对未来收益具有强的线性预测能力，反之亦然。这一结论表明我国股票市场作为新兴市场还没有达到弱性有效，此时通过增加有关交易 2量的公开信息可以改进收益的预测能力。结合交易量信息的技术分析对投资决策有更好的指导作 1 这里的,只包括斜率系数，不包括截距，因此,的维数等于8。 ,k2 芮萌等(2003)得到交易不引导收益的经验证据从而否定了“增加有关交易量的公开信息”的作用。 6 用。 2、长期乘数与短期滞后系数 既然交易量与收益间存在双向因果关系，那么它们互相影响的方向、程度以及变化模式又呈现什么样的特征呢, 表6 加总时序(TS)、组均值(GM)、固定效应(FE)的长期乘数 , 基于TS 基于GM 基于FE rr vlvl因变量 R VL 0.394 0.28** 长期 ** 0.133** -0.2303** 0.1073** -0.246 (0.223) (0.101) 乘数 (0.02143) (0.01166) (0.0207) (0.0135) 表6列示了外生变量交易量(收益)的长期乘数，它反映了交易量(收益)对因变量收益(交易量)的长期影响，括号内给出标准差。在三种估计方法下收益的长期乘数都有1%的显著性，方向都为正，表明当期收益的增加将预示未来交易量增大。但是加总时序的长期乘数0.28比GM和FE的长期乘数都要大，这与Pesaran和Smith(1995)的发现“加总时序引起长期乘数向上偏移”一致，看来仅仅应用时序模型会错误地认识滞后收益率对交易量的影响力。 GM至于交易量对未来收益的预测，GM和FE的长期乘数都显著为负。其中是-0.246，表明在, 中国A股市场，日均换手率每增加1%未来未来收益将减少0.246%。这一负相关关系与Scheinkman、Xiong(2003)和Hong等(2004)的理论模型所预示的价量关系一致:在卖空受限的市场中，人们追逐价差的频繁投机行为导致了市场价格偏离股票的基本价值，股票的投机泡沫越大、换手率越高， TSTS它的未来收益就越低。基于时序估计量的长期乘数并不显著，同时(=0.394)不但在数值上,, 仍然偏大，而且符号方向为正，说明加总时序方法在分析动态面板数据问题时可能会引起严重的误导。 图2 换手率的滞后系数图 图3 收益率的滞后系数图 ReturnTurnover.05.8 .04.4 .03 .0 .02 -.4.01 .00-.8 246810246810 A G GM 1通过ARDL的另一种形式——分布滞后形式，长期乘数可以分解为外生变量的无限期滞后系x ,数之和，即,,,，其中短期滞后系数,表示的滞后期对y的影响，也可以说对y未来j,xxj1jj, ,,1y,,x,, 即,，，，这容易从ARDL的一般形式求得。 ,,tjt,jjt,jj,1j,0 7 第期的影响。图2给出换手率滞后十期的短期系数。运用不同的估计方法，换手率对未来收益的j 影响模式差异迥然。基于时序TS，换手率的滞后系数变化幅度很大，带有一定的不合理性:一期滞后系数是0.562，二期变为-0.527，三、四期又回到0.121和0.279。相比之下，基于组均值估计GM，换手率滞后系数的变化模式较稳定，一、二期分别是-0.09和-0.056，并迅速恢复到平衡点0。再看图3，无论对于组均值或是加总时序，收益对未来交易活动的影响模式大致相同，都是首期为正，然后逐渐下降到0。 3、寻找交易量对未来收益冲击的系统性差异 由于系数异质性的存在，长期乘数在个股间会呈现差异，令人感兴趣的问题是:交易量的长期乘数是否可能与某些公司特征变量相关，从而令差异出现系统性呢,根据Hong等(2004)的投机交易模型，本文选用流通量规模作为公司特征指标，并引申出两个假说: 假说1 在意见分歧和卖空受限下，价格中的投机泡沫成分与股票的流通量规模负相关，即投机泡沫会成分随着流通量的减少而增大。 假说2 随着流通量的减小、投机泡沫的增大，交易量对预期收益的影响会增强，因而流通量规模是引起交易量长期乘数系统性差异的因素之一。 表7 基于流通量规模(LGSIZE)五分位分档的均值统计量 Quintile 5 Quintile 4 Quintile 3 Quintile 2 Quintile 1 LGSIZE 12.27663 11.66674 11.27814 10.88637 10.30812 vl.0117551 .0129108 .0139603 .0146701 .0177534 B/M .3296018 .3278304 .2829554 .2295286 .2024357 THETA -.2081001 -.2256879 -.2427732 -.2845767 -.3039485 注:所用样本去掉了THETA两边5,的异常点，统计数据是分档后的子样本均值。其中LGSIZE,(流 通市值/收盘价)的自然对数值;B/M=(总资产,总负债)/总市值;THETA是由个体系数计算而得的,i 交易量的长期乘数。 表7列示了按流通量规模五分位分档的统计描述，其中LGSIZE、、B/M、THETA分别是流通vl 量规模、换手率、帐面/市值比和长期乘数。Scheinkman、Xiong(2003)和Hong等(2004)指出，在投机市场中换手率的高低可以衡量投机泡沫的大小;也有文献用更加直观的B/M指标来粗略衡量投机泡沫，B/M越小表明该股票越被高估，即投机泡沫越大。从表7看到，随着流通量规模的减少，换手率单调递增，从Quintile 5到Quintile 1增加了51%，而B/M则呈现单调下降的趋势。这两个指标的变化趋势都支持了假说1，显示投机泡沫与流通量规模负相关。流通量大的股票表现出价值股(Value Stock)的特性;流通量小的股票更容易被高估，价格包含更大的投机泡沫成分，它表现出热门股(Glamour Stock)的特性，而且这种“热门”来源于频繁的投机交易。 表7的长期乘数THETA显示，无论哪个流通量档次，交易量对未来收益的长期影响都仍然为负;从Quintile 5到Quintile 1，随着流通量规模的减少、投机泡沫的增大，交易量对未来收益的负的影响强度在不断增加，THETA的绝对值递增了46%。由此得到假说2成立，流通量规模是交易量长期乘数系统性差异的原因。 这为我国国有股减持的政策提供了经验证据的支持。目前我国股票市场还是典型的新兴市场，一个显著的特点就是流通股和非流通股并存，不少文献深入探讨了它对公司治理的不良后果，本文 8 则发现流通量规模小是造成我国股市投机性强的原因之一，因此国有股减持不但是解决“股权分裂”的必然之举，而且它还能增大流通量规模，借此减少投机泡沫及削弱泡沫对未来收益的负影响，增加股票的长期投资价值。 六 结 论 本文的结果表明:对于大N和大T的面板数据，由于个体系数的异质性，加总时序估计量可能会产生严重的偏差，它不但高估了收益与交易量的相互影响程度，而且不能有效地揭示交易量对收益的引导关系;相比之下，组平均方法给出了系数的一致估计，混同估计的偏差虽然存在但并不严重，它和组平均都发现了收益和交易量双向的格兰杰因果关系。本文的实证结果对价量关系的研究，乃至其他有关动态面板数据的实证工作都具有一定的参考价值:现实世界中微观个体的行为往往各不相同，“代表性代理人”假设一般都不成立，面板数据的优点之一就是能够进行适当的模型设定来捕捉微观个体的异质性，这些异质性可能出现在截距、斜率、或两者兼而有之。对系数异质的正确约束可以提高估计的效率，但错误约束会使有价值的信息丢失、估计量有偏。当N和T都足够大时，我们可以逐步放松约束，然后再通过系数同质性检验选择适当的模型设定和估计方法。 本文深入分析了交易量对收益的预测能力(方向和程度)。交易量对收益的负的长期影响以及交易量对未来收益冲击的系统性差异都为“基于意见分歧的投机交易理论”在中国股票市场的适用性提供了证据。这一方面说明了目前中国股票市场并不满足弱式有效，它是一个单边的投机市场，投机泡沫长期存在的可能性不得不让人怀疑股市的资源配置功能;另一方面也为进一步发展股票市场提供了一些政策建议:增加股票的流通量，引入卖空机制等都能改善中国股票市场的效率。此外，本文的发现对于那些需要预测未来股票走势的市场参与者也有一定的指导意义，例如收益和交易量的相关性就意味着收益和交易量的联合分布信息可以提高未来收益预测的准确性和有效性。 参考文献: [1] 芮萌、孙彦丛、王清和:中国股票市场交易量是否包含预测股票收益的信息研究[J]，统计研究，2003，第3期。 [2] 王承炜、吴冲锋:中国股市价格-交易量的线性及非线性因果关系研究[J]，管理科学学报，2002，5(4)。 [3] Arellano, M., in S. Bond, 1991, Some Tests of Specification for Panel Data: Monte- Carlo Evidence and an Application to Employment Equations. Review of Economic Studies 58, 277-297. [4] Bhagat,S.,Bhatia,S.,1996, Trading Volume and Price Variability: Evidence on Lead-lag Relations from Granger-causality Tests, working paper. [5] Campell,J.Y., S.J.Grossman and J.Wang,1993,Trading Volume and Serial Correlation in Stock Returns, Quarterly Journal of Economics 108,905-939. [6] Ciner,C., 2001, The Dynamic Relationship between Returns and Trading Volume on the Toronto Stock Exchange, working paper. [7] Forni,M. and M. Lippi,1997, Aggregation and the Microfoundations of Dynamic Macroeconomics, Oxford University Press. [8] Granger,C.W.J.,1990, Aggregation of Time-series Variables: A Survey, in Disaggregation in Econometric Modeling. 9 [9] Harrison, M., and D., Kreps, 1978, Speculative Investor Behavior in a Stock Market with Heterogeneous Expectations, Quarterly Journal of Economics 92, 323-336. [10] Hiemstra, C. and J. D. Jones, 1994, Testing for Linear and Nonlinear Granger Causality in the Stock Price-volume Relation, Journal of Finance 49, 1639-1664. [11] Hong, H., Scheinkman, J., and Xiong, W., 2004, Asset Float and Speculative Bubbles, Working Paper. [12] Hsiao,C.,Y.Shen and H.Fujiki,2004, Aggregation vs Disaggregate data Analysis- A Paradox in the Estimation of Money Demand Function of Japan Under the Low Interest Rate Policy, Journal of Applied Econometrics(forthcoming). [13] Lo, W., A. and Wang, J., 2001, Stock Market Trading Volume, prepared for the Handbook of Financial Econometrics. [14] Miller, E., 1977, Risk, Uncertainty and Divergence of Opinion, Journal of Finance 32, 1151-1168. [15] Pesaran, M.H. and Smith, R. ,1995, Estimating Long-run Relationships from Dynamic Heterogeneous Panels, Journal of Econometrics, 68, 79-113. [16] Saatcioglu, K., and L. Starks , 1998, The Stock Price-volume Relationship in Emerging Stock Markets: the Case of Latin America, International Journal of Forecasting 14, 215-225. [17] Scheinkman, J., and Xiong, W., 2003, Overconfidence and Speculative Bubbles, Journal of Political Economy 111, 1183-1219. [18] Tse,Y.K., 1991, Price and Volume in the Tokyo Stock Exchange. In: Ziemba, W.T., Baily, W., Hamao,Y.(Eds.), Japanese Financial Market Research. North Holland, Amsterdam, 91-119. [19] Wang, J., 1994, A Model of Competitive Stock Trading Volume: Theory and Evidence, Journal of Political Economy 102, 1994, 127-168. [20] Zellner,A.,1969, On the Aggregation Problem: A New Approach to a Troublesome Problem, Economic Models, Estimation and Risk Programming: Essays in Honor of Gerhard Tintner pp.365-378 附录A 表8 时间序列模型(ARDL-ecm)的估计结果 yxdydydxdxdydx t,1t,1t,1t,3t,1t,3t,2t,2 -0.993** 0.392 0.028 0.04 0.106 0.17 -0.377 -0.244 R (0.147) (0.253) (0.125) (0.097) (0.06) (0.413) (0.41) (0.382) -0.184** 0.052* -0.118 -0.11 -0.067 -0.003 -0.009 0.006 VL (0.04) (0.024) (0.067) (0.066) (0.061) (0.02) (0.016) (0.01) 注:括号内为标准差。表中的第一列给出动态方程的被解释变量，第一行标出了动态方程的解释变量。 表9 动态面板数据模型(ARDL-ecm)的估计结果 组均值估计 固定效应估计 r vl r vl y-1.026** -0.410** -0.9825** -0.3770** it,1 (0.00969) (0.00649) (0.0116) (0.0120) 10 x-0.227** 0.057** -0.2263** 0.0405** it,1 (0.02036) (0.00358) (0.0196) (0.0059) dy-0.032** -0.191** -0.0562** -0.2025** it,1 (0.00774) (0.00695) (0.0079) (0.0086) dy-0.009 -0.121** -0.0166** -0.1188** it,2 (0.00614) (0.00563) (0.0061) (0.0071) dy0.010* -0.050** 0.0070 -0.1188** it,3 (0.004) (0.00464) (0.0041) (0.0053) dx0.137** -0.009** 0.0952** 0.0018 it,1 (0.02446) (0.00234) (0.0223) (0.0039) dx0.076** 0.002 0.0537** 0.0068** it,2 (0.01911) (0.00178) (0.0185) (0.0025) dx0.074** 0.005** 0.0502** 0.0066** it,3 (0.01698) (0.00109) (0.0155) (0.0015) 注:括号内给出标准差。固定效应估计的标准差经white-异方差调整。表中的第一行给出动态方程 的被解释变量，第一列标出了动态方程的解释变量。 Study on the Dynamic Relationship of Stock Return and Trading Volume: Evidence from Different Procedures Abstract This paper explores the dynamic relationship between Chinese stock returns and trading volume with three procedures (pooling, aggregating and averaging group estimates)which are widely used in panel data. We document bi-directional causality between return and volume when using pooling and averaging group procedures, trading volume is negatively correlated with future return. However, we only find return leads volume when using aggregating procedure. Keywords Return, Trading Volume, Panel Data, Granger Causality JEL Classification C13, C23, G15 11