導語：如何才能寫好一篇資產(chǎn)的相關系數(shù)，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

 

現(xiàn)代化企業(yè)的核心是一個企業(yè)的“人力、物力、財力”的綜合體現(xiàn)。隨著社會的發(fā)展，人力資源管理對于企業(yè)來說越來越重要，鐵路事業(yè)是我國交通運輸?shù)闹饕问剑?jīng)過了長期的探索和發(fā)展，無數(shù)次重大的技術改革和創(chuàng)新發(fā)展，鐵路事業(yè)越來越意識到人力資源對于現(xiàn)在經(jīng)濟發(fā)展的影響。我國的鐵路事業(yè)在發(fā)展上也是要強化人力資源的管理。本文主要分析了鐵路人力資源管理體系的構建及相關問題闡述

 

一、鐵路人力資源存在的市場價值

 

人力資源是社會的無形資產(chǎn)，任何一個企業(yè)掌握了充分的人力資源都會增加這個企業(yè)未來的發(fā)展空間。隨著現(xiàn)代化經(jīng)濟的飛速發(fā)展，鐵路企業(yè)也面臨著非常大的機遇和挑戰(zhàn)，在這個競爭激烈的環(huán)境中，現(xiàn)代經(jīng)濟越來越強調人才的重要性，這就迫切的需要鐵路企業(yè)加強對鐵路人力資源管理體系的構建。

 

1.在過去的很長一段時間內，鐵路建設是國家重點投資的對象，鐵路建設的發(fā)展有效的帶動了一些列的經(jīng)濟的發(fā)展和經(jīng)濟水平的提高。隨著社會生產(chǎn)力水平的不斷發(fā)展，科學技術的不斷進步，鐵路也需要構建人力資源管理體系。鐵路人力資源管理體系的構建可以推動鐵路企業(yè)的深化改革，引領鐵路企業(yè)朝著更加發(fā)展的方向前進。

 

2.鐵路發(fā)展包括很多的技術，有計算機技術、通信技術、監(jiān)控技術等很多方面。在市場經(jīng)濟下，先進的技術充分的體現(xiàn)了其應用價值，合理的利用人力資源管理能促進新技術的創(chuàng)新。

 

3.人才是一個企業(yè)創(chuàng)造收益價值的體現(xiàn)和力量保證，擁有足夠人力資源能夠讓鐵路企業(yè)得帶迅速的發(fā)展。既降低了鐵路企業(yè)在經(jīng)濟投資上的成本，也加快了鐵路企業(yè)更方面的進一步發(fā)展。

 

二、構建人力資源管理體系的問題

 

1.加強鐵路企業(yè)在人力資源的配置上的科學。我國的鐵路企業(yè)在人力資源管理體系上還存在很多的問題，其中結構性的人才在鐵路企業(yè)人力資源中非常的缺少。由于受到很多的管理體制的約束，在用人上面過于的局限。之前鐵路企業(yè)在招聘上形式非常的單一，可是隨著經(jīng)濟的發(fā)展，高鐵的開通，高速鐵路增多，導致了鐵路上的一線工作人員非常的緊缺，有關的技術人員也是非常的短缺。在國內，高鐵運輸還是處在探索的階段，所以從原有的很多的鐵路干線上抽調很多的技術型人才到高鐵方面，，導致本來技術型人才本來就很短缺的情況上更加的緊迫，加之鐵路管理人員也是非常的缺乏，鐵路是個非常龐大的管理系統(tǒng)，所以鐵路人力資源管理體系的構建非常的需要。

 

2.在資金方面也需要更加的保證。資金是企業(yè)發(fā)展的關鍵，足夠的資金可以使企業(yè)的經(jīng)營規(guī)模加大。鐵路建設在構建鐵路人力資源管理體系時，需要有足夠的資金的流通。鐵路的財務部門需要對每筆經(jīng)濟業(yè)務進行詳細的記錄，避免資金的流失，還要在成本上面進行適當?shù)目刂疲岣哔Y金的有效利用。

 

3.加強與商業(yè)方面的合作。現(xiàn)在很多的經(jīng)濟模式都是以商業(yè)合作的形式展現(xiàn)的，商業(yè)合作可以為鐵路企業(yè)的發(fā)展提供更多的資金，能夠共同承擔風險，減少企業(yè)的經(jīng)濟損失。未來的鐵路人力資源管理體系的構建要與其他的企業(yè)盡力良好的關系，更好的利用人力資源的分配。

 

4.社會主義市場經(jīng)濟是一個多元化的環(huán)境，在制度方面，企業(yè)還不能滿足內部控制，應該在基于市場實情的基礎上更新企業(yè)的內部控制體系。

 

三、鐵路人力資源管理體系的構建的優(yōu)化

 

要加強樹立新的鐵路人力資源管理理念，加強鐵路人力資源管理，首先就是要樹立創(chuàng)新性企業(yè)人力資源管理理念和意識，將鐵路企業(yè)人力資源管理與企業(yè)整體發(fā)展的目標有效的結合起來，轉變鐵路人力資源管理的管理模式和方法。加強構建全方位的專業(yè)人才培訓機構。鐵路企業(yè)要想加強改善人力資源，就必須從多角度、多層次、多方面的進行考慮，建立符合鐵路企業(yè)發(fā)展的有效的人才管理機制。

 

結束語

 

隨著社會主義市場經(jīng)濟和現(xiàn)代化建設腳步的加快，鐵路，作為社會經(jīng)濟發(fā)展的支柱企業(yè)，在社會主義現(xiàn)代化建設中承擔越來越重要的責任。隨著經(jīng)濟的飛速發(fā)展，鐵路企業(yè)也面臨著非常大的機遇和挑戰(zhàn)，在這個競爭激烈的環(huán)境中，現(xiàn)代經(jīng)濟越來越強調人才的重要性，這就迫切的需要鐵路企業(yè)加強對鐵路人力資源管理體系的構建和完善。

篇2

[關鍵詞]金融資產(chǎn)價格；估值模型；Samuelson解釋；沖擊變量影響；0―1變量A(x)

[中圖分類號]F830.9　[文獻標識碼]A　[文章編號]1008―2670(2009)03―0032―04

一、引言

2006年，美國樓市掉頭并發(fā)生償付能力危機，由此引發(fā)了一場全球性金融危機，且有可能蔓延至全球實體經(jīng)濟。目前，經(jīng)濟學界對這場全球性金融危機的歸因有兩種基本觀點：一種觀點認為應歸因于金融市場。即認為金融市場過于貪婪，道德信譽敗壞，對于風險缺乏足夠的警惕意識。另一種觀點歸因于政府政策。即認為在2004年內，美國的經(jīng)濟政策由擴張轉向緊縮，2006年內的一系列調整幅度過大，超出了金融市場的適應能力。

然而上述觀點并未找到引發(fā)危機并提前進行衍生品估值調整的根本原因。本文認為，危機的根本原因，是金融經(jīng)濟學模型所基于的隨機性假設，不能在市場的全部可能范圍內，與資產(chǎn)價格的實際行為模式擬合。某些用回歸方法計算出的參數(shù)只能在一定范圍之內被視為常數(shù)，超出這個范圍它們并不是常數(shù)，而是一個變化著的函數(shù)或隨機變量。這就導致現(xiàn)有的數(shù)學模型只在一定范圍之內具有令人滿意的可靠性，而在該范圍之外將失效。

可以認為，在這次金融危機中，現(xiàn)有估值模型的反應滯后于宏觀經(jīng)濟情況的變化6至10個月，滯后于危機臨界點3至4個月，甚至滯后于市場價格反映1至2個月。金融機構乃至普通投資者對這樣的反應速度顯然是不滿意的。

二、金融資產(chǎn)價格隨機性的Samuelson解釋的實質

現(xiàn)代金融經(jīng)濟學研究一家企業(yè)當前股價或一份期權當前價格的結構性原因，并對其將來的可能價格進行預測。其方法是以當前股價為基礎，首先建立股票價格的分布模型，利用歷史價格，回歸估計出分布模型中的參數(shù)值；然后利用幾率微積分計算出將來股價的預期價格或相關衍生工具的應值價格。但是，Alfred Cowles等人以及Maurice G，Kendall分別對美英兩國股票價格的實證性研究表明，價格變化和資產(chǎn)市場的狀況之間似乎沒有任何關聯(lián)。

1965年，Paul A.Samuelson對Cowles和Kendall的結果給出了一個新的解釋。他認為，市場價格的隨機性是市場回避套利的表現(xiàn)。如果價格波動不隨機，那么它將是可以預測的。這樣一來，投資者就可以通過預測價格并執(zhí)行恰當?shù)慕灰锥@取利益。我認為，Samuelson解釋的實質，是把價格的隨機性歸因于高度有效的市場中的復雜的供求力量均衡所決定的出清價格的隨機性。在我看來，如果把供求均衡價格比作太陽，并把股票價格比作地球，那就意味著CoMes和Kendall觀測到了地球在不停地上下隨機游走。他們認為既然是太陽吸引地球，因此地球存在隨機運動是不可理解的。而Samuelson對此的解釋是：地球的隨機游走是因為在一個時間序列里，太陽在地球上方或下方的不同位置隨機出現(xiàn)，并吸引地球向太陽移動。Samuelson的解釋并沒有否定地球被太陽吸引，也就是說，他并沒有否定供求關系決定股票價格這一點。Samuelson之前的經(jīng)濟學家未能得出如Samuelson的結論，是因為他們對現(xiàn)代金融市場的巨大性、復雜性，尤其是有效性沒有足夠的估計。因此也就不可能充分認識到金融市場力量的均衡過程已經(jīng)產(chǎn)生了足夠的隨機性。

三、傳統(tǒng)模型失效的數(shù)值分析

(一)模型概要

多變量CAPM模型是資產(chǎn)估值的基礎，而資產(chǎn)估值則是市場價格預測的基礎。Markowitz最小化問題是關于最優(yōu)資產(chǎn)組合的問題，也是投資者行為的依據(jù)。在數(shù)學基礎上，這兩個理論是沒有問題的。但是，在實際情況中，這兩個理論所依賴的對于資產(chǎn)價格相關系數(shù)的估計，會導致這兩種模型對市場的變化缺乏免疫力。

相關度概念是Markowitz的最優(yōu)資產(chǎn)組合問題的基礎。對于多變量的CAPM模型，以及G―ARCH及其衍生的CCC、ADCC模型，我們也需要一個完整的資產(chǎn)相關系數(shù)矩陣。

實際操作中，資產(chǎn)價格的相關系數(shù)根據(jù)歷史數(shù)據(jù)回歸取得。兩個企業(yè)之間的行業(yè)是否關聯(lián)，業(yè)務是否關聯(lián)，是否有資產(chǎn)或貸款相牽連，都會在相關系數(shù)中以一定的形式體現(xiàn)。

對歷史數(shù)據(jù)進行計算，可求出Pearson樣本相關系數(shù)。一般認為：樣本相關系數(shù)是對相關系數(shù)的最好估計。在簡單的模型中，通常假定資產(chǎn)之間的相關系數(shù)恒定不變；在較為復雜模型中，則引入動態(tài)時間序列，用單步向前預測法(即每向數(shù)據(jù)庫中加入新一天的數(shù)據(jù)，就從數(shù)據(jù)庫的開頭去掉最舊一天的數(shù)據(jù))描述相關系數(shù)的變動。

其實，相關系數(shù)會隨經(jīng)濟環(huán)境和企業(yè)自身狀況的變化發(fā)生巨大變化，因而，即使引入了時間序列，在現(xiàn)階段采用的趨勢外推法，對經(jīng)濟環(huán)境變化的反應也是過于緩慢甚至不能反映現(xiàn)實的。

(二)基于4個典型行業(yè)中4家代表性企業(yè)的數(shù)值分析

下面，我們用數(shù)值分析證明我們的上述判斷，揭示其可能導致的嚴重后果。 本文選取零售、煉油、銀行、制造4個典型行業(yè)中的4家企業(yè)，即零售業(yè)的Wal―Mart、煉油業(yè)ExxonMobil、銀行業(yè)City Group和制造業(yè)General Motor進行實證分析，數(shù)據(jù)的選取從2001年6月至2009年2月的股票收盤價格(已根據(jù)股利做出調整)。

表1是本文計算的4家公司股價在2008年7月至2009年2月相關系數(shù)。

表2是這4家公司股價在2007年7月至2008年6月，即危機被承認并開始擴散的1年內的相關系數(shù)。

表3是這4家公司股價在2006年7月至2007年6月，即美國政策完全轉向緊縮后的第1年內的相關系數(shù)。

表4、5、6是這4家公司股價在2001年7月至2004年6月，即美國執(zhí)行擴張型經(jīng)濟政策的3年中每年的相關系數(shù)。

由上可見，在不同的時間跨度中，用歷史數(shù)據(jù)擬合得到的股價相關性變化是很大的。因此，在通常的計算中，我們使用基于時間序列的單步向前預測法，更新相關系數(shù)方陣，以適應市場的變化。

但是，這種更新并不能切實而迅速地反映市場的變化。

如果我們外推2008年2月14日至2009年2月

13日期間，Wal―Mart和Exxon Mobil公司股價的相關系數(shù)，則為－0.1093。若假設Wal―Mart公司今后5個交易日內股價每天下跌10％，而Exxon Mobil的股價恒定不變，則可計算出2008年2月22日至2009年2月21日，二者的相關系數(shù)為一O，0821；如果假定Wal―Mart和Exxon Mobil在今后5個交易日內股價均每天下跌10％，則可計算出上述期間二者的相關系數(shù)為0，0152。兩隨機變量的相關系數(shù)在－1到1之間，當相關系數(shù)的絕對值大于0.75時，通常認為兩變量表現(xiàn)出較明顯的相關性(正或負)；當相關系數(shù)在－0.3至0.3之間，可我們認為二者表現(xiàn)出沒有明顯的相關性。按這個標準，我們看到，在施以沖擊變量之后，通過歷史數(shù)據(jù)得到的相關系數(shù)并不認為兩公司股票價格的相關程度有明顯的變化。換言之，在市場發(fā)生崩盤性的劇烈變化時，基于時間序列的趨勢外推修正參數(shù)的變化速度遠遠滯后于的市場變化速度。

實際上，假設一支正常波動的股票運行n天后，平均每天的漲幅為0.5％，那么在第n+1天，預期的漲幅為0.5％+ei。在不給出其它條件的情況下，e，的預期為0。但是，倘若第n+1天，實際發(fā)生了10％的跌幅，那么第n+2天的股價水平，會出現(xiàn)更大的不確定性。這時，僅僅補充入第n+1天的數(shù)據(jù)，并根據(jù)趨勢外推法所修正的ei的分布變化是非常小的，不足以反映此時市場內出現(xiàn)的巨大風險。由于股票市場的波動性，金融機構通常使用2～5年的歷史數(shù)據(jù)進行參數(shù)值的回歸計算，這就使大量金融機構面對2006年的經(jīng)濟政策變化，對風險的反應遲鈍。

例如，在2007年10月30日和2007年11月12日的10個交易日之間，City Group和General Motor的股價分別下跌了19.2％和19.5％。在這段時間里，二者股價的相關系數(shù)為－0.3921，可以認為二者表現(xiàn)出非常微弱的負相關性。但是，如果我們對2家企業(yè)過去一年的歷史股價進行單步向前預測法的相關性分析，則2家公司股價該期間引入10天下跌的數(shù)據(jù)后外推的相關系數(shù)為-0.3492。按上文所述的標準判斷，仍可視為二者表現(xiàn)出微弱的負相關性。市場變化了，我們的判斷卻沒有變化。更有甚者，當我們引入此后2家企業(yè)2個月的股價下跌趨勢之后，外推計算出的二者的相關系數(shù)也僅僅從-0.3921增加到－0.0056，從而判斷二者由“微弱的負相關性”變到“幾乎完全不相關”。這種判斷并不能描述出新市場狀況下這兩支股票價格的行為。這就印證了前文的“現(xiàn)有估值模型的反應滯后于宏觀經(jīng)濟情況的變化6至10個月，滯后于危機臨界點3至4個月，甚至滯后于市場價格反映1至2個月”的結論。

總之，在股票交易市場上實際出現(xiàn)的暴跌并未以任何方式充分地反映在相關系數(shù)中，也就不可能充分地反映在COV(e)矩陣中。這對風險估計是極其不利的。

(三)數(shù)值分析結論

可見，宏觀經(jīng)濟的表現(xiàn)會極大地影響給定金融產(chǎn)品或企業(yè)之間的關聯(lián)性，而通過歷史數(shù)據(jù)回歸得到的相關度，在經(jīng)濟正常運行時，雖然可以為估值和預測提供一個可靠的參數(shù)，卻并不能及時適應和反映新的經(jīng)濟情況變化。對股票價格的劇烈波動也反應遲緩。這兩種表現(xiàn)，說明現(xiàn)有的趨勢外推手段對沖擊變量的靈敏度過低。

在整個經(jīng)濟運行變速甚至轉軌時，企業(yè)之間的相關系數(shù)會在短時期內有大的變化，而這種變化在歷史數(shù)據(jù)的參數(shù)估計中無法被充分表現(xiàn)，從而也就不能反映在對資產(chǎn)應值價格的估計中，并進一步造成了衍生品應值價格的估計偏差和預期偏差，引發(fā)市場失衡。這一點與Samuelson的理論并不違背，Samuelson的理論強調關于資產(chǎn)的信息會立刻，而不是預先反映在市場價格上。換言之，價格的變動本身是沒有前瞻性的。

四、解決問題的兩種可能途徑或方法及其比較

(一)解決問題的可能途徑或方法

為了解決現(xiàn)有該類模型中存在的問題，有如下2條可以考慮的途徑：

1　添加0―1變量A(x)與原方程組相乘，使ADCC模型原方程變?yōu)椋?/p>

e1：N(O,A(x)H1)

其中H是原多維G―ARCH模型的方差。x是一組與宏觀經(jīng)濟環(huán)境和企業(yè)內部環(huán)境有關的自變量，它衡量企業(yè)所處經(jīng)濟環(huán)境的穩(wěn)定性。當x在穩(wěn)定范圍內時，表明市場環(huán)境穩(wěn)定，A(x)=1，原函數(shù)照常運行；反之，當x突破穩(wěn)定范圍時，表明市場面臨變化，原有模型可能失效，此時A(x)=0，系統(tǒng)輸出常數(shù)，運行被終止。應重新進行人工市場風險評估和估值計算。這樣，新系統(tǒng)可以在市場產(chǎn)生變化，可能的危機來臨之初，就向使用者發(fā)出預警，并要求其做出相應調整。

2　按常規(guī)方法回歸取得相關系數(shù)后σij，把取得的相關系數(shù)解釋為一個新函數(shù)的運算結果而不是常數(shù)。新函數(shù)中應包括描述系統(tǒng)本身不確定性的隨機變量，以及一組新的自變量，這些自變量可以描述不同的經(jīng)濟情況，它們的變化可以影響相關系數(shù)的大小。可以考慮的自變量包括：宏觀經(jīng)濟的利率、通貨膨脹率、CPi、兩公司各自的股利率、PE比率等等。在自變量選取的過程中，可以采用回歸的方法，檢驗擬合度，選取一組較好的自變量，并用歷史數(shù)據(jù)回歸得出自變量的系數(shù)。這樣，相關系數(shù)就可以表示為一組函數(shù)。

當相關系數(shù)被表示為其它經(jīng)濟指標的函數(shù)時，它的數(shù)值就會根據(jù)宏觀經(jīng)濟形勢和企業(yè)自身經(jīng)濟狀況而變化，從而能夠更好的適應變化的資本市場環(huán)境。

(二)兩條途徑或方法的比較

由于第二條途徑或方法需要把每一個系數(shù)作為一個要素模型來考察，故這樣處理的成本將是極其龐大的。對于一個包含n支股票，基于正態(tài)假設的模型就會有n(n一1)／2個相關系數(shù)，n個方差，n個均值。其中每個相關系數(shù)和方差都需要以新的要素模型的方式表示。當n較大時，系統(tǒng)需要的回歸量將近乎無限地膨脹，這顯然是金融機構所不希望看到的。

五、簡要結論

篇3

最優(yōu)股票投資組合選擇及其風險控制一直是資本市場研究的熱點問題。已有文獻對資產(chǎn)組合最優(yōu)決策理論進行了大量研究，在資產(chǎn)組合選擇與最優(yōu)配置、資產(chǎn)組合規(guī)模效應與影響因素、以及資產(chǎn)組合風險度量與控制等重要問題取得了豐碩成果。但遺憾的是，無論是理論還是實證研究都很少考慮到金融時間序列的時變性、聚集性、持續(xù)性等波動特征對資產(chǎn)組合風險規(guī)避與控制的影響。而本文正是針對目前研究的不足，通過對滬市A股的120支股票收益率進行擬合使用改進的相關系數(shù)法對股票收益波動時間序列相關性進行匹配，聚類，從而優(yōu)化了股票投資組合選擇的方法。并通過實證研究，證明了在哈里？馬柯威茨證券組合評價標準下，使用該種股票投資組合選擇方法，可以獲得同等收益水平下，更低風險的股票投資組合，從而為投資者選擇合理的股票投資組合提供了可能的方法。

二、文獻綜述

（一）國外文獻 馬柯威茨于1952年最早提出了均值-方差理論，成為現(xiàn)資組合理論的開山鼻祖。自此之后，很多金融學者在前人的研究基礎上對該理論進行了補充和發(fā)展，如托賓（1958）在提出了著名的兩基金分離定律：當存在無風險資產(chǎn)的情況下，有效前沿上的任意一點都可以表示為（無風險利率，0）和切點的線性組合。此外，大批學者踏上了簡化計算，完善模型的征程。一是盡可能的減少模型計算量，例如：夏普（1963，1964，1970）提出了單因素模型，它的主要思想是：市場的總體因素統(tǒng)一作用于所有股票，市場以外的因素只作用于某一只股票，因此可以通過股票組合來分散。單因素模型使用β來衡量投資組合的風險。提高了人們對市場行為的了解。羅斯（1976）提出了套利定價理論。該理論認為在市場均衡時沒有套利機會，因此承擔相同風險因素的投資組合應該具有相同的期望收益率 。二是開發(fā)新的投資組合模型。例如Mao（1970）提出了均值-下半方差模型。Speranza（1993）提出半絕對風險偏差函數(shù)。J.P Morgan提出的基于Var的風險度量系統(tǒng)等，至今這個風險度量系統(tǒng)還在很多金融機構被廣泛使用。

（二）國內文獻 我國對金融市場研究起步較晚是一個現(xiàn)實，這是由于很多客觀因素造成的。近幾年中，我國學者也對投資組合理論進行了深入的研究。唐小我（1994）針對我國證券市場的賣空限制情形下的投資組合模型進行了研究。王春峰、屠新曙和厲斌（2002）運用了幾何方法解決投資組合問題。徐緒松、楊小青和陳彥斌（2002）提出了“半絕對離差風險測量工具”。劉小茂、李楚林和王建華（2003）研究了在正態(tài)情形下，風險資產(chǎn)組合的均值-CVaR邊界，并與方差風險下的均值-方差邊界進行了比較。陳金龍和張維（2002）分析了投資組合與CVaR之間的關系。此外，安起光、王厚杰（2006），劉慶富（2006） ，榮喜民、武丹丹和張奎廷（2005）、劉志東（2006）等學者在組合預測和方法領域獲得了顯著的理論成果 。

三、研究設計

（一）研究思路 本文選取了馬柯威茨的均值-方差模型作為本文的理論依據(jù)，該模型評價投資組合的標準，是當收益一定時風險最小，或者當風險一定時收益最大。 該模型的思想是選取相關性低的投資工具進行組合來分散風險，從而得到更好的投資收益。因此如何衡量股票相關性，并進而篩選出相關性低的投資組合成為該模型的關鍵。由于之前的研究，無論是理論還是實證都很少考慮到金融時間序列的時變性、聚集性、持續(xù)性等波動特征對資產(chǎn)組合風險規(guī)避與控制的影響。而本文正是針對目前研究的不足，通過使用改進的相關系數(shù)法衡量股票收益波動時間序列的相關性，并據(jù)此聚類，優(yōu)化了股票投資組合選擇的方法。具體的思路如下：

（1）股票收益波動性擬合。對于金融時間序列分析，常常會出現(xiàn)某一特征的值成群出現(xiàn)的情況。如對股票收益率序列建模，其隨機擾動項往往在較大幅度波動后緊接著較大幅度的波動，在較小幅度波動后緊接著較小幅度的波動，這種性質稱為波動的集群性。在一般回歸分析中，要求隨機波動項是同方差，但這類序列隨機擾動項的無條件方差是常量，條件方差是變化的量。所以需要使用自回歸條件異方差模型（ARCH）或者廣義自回歸條件異方差模型（GARCH）。

（2）時間序列相似性度量。測量時間序列相似性的方法有很多，最主要使用的是歐式距離法和相關系數(shù)法。歐式距離法的優(yōu)點是計算簡單，易于理解，但是它容易受到序列波動性的影響，而且當序列長度增加時，其距離也會增加。特別是當時間軸發(fā)生伸縮或彎曲時，就不能夠準確測量序列的相似性了。而相關系數(shù)法的優(yōu)點是計算量少，而且即使兩個序列均值不同，也能夠準確比較相似性，而在歐式距離法中，如果兩個序列均值不同，即使它們是相似的，計算出來的距離仍然會很大，從而誤導了結果。但是相關系數(shù)法也存在其局限性，它只適用于長度相同的序列，因此在比較長度不同的時間序列時，需要改進該方法，改進的相關系數(shù)法如下。設有兩只股票P和Q，長度為m的收益波動序列分別為X和Y：X=（x1，x2，…，xm-t，xm-t+1，xm） ；Y=（y1，y2，…，ym-t，ym-t+1，ym）。首先要在X和Y中截取長度相同的兩個子序列，設長度為t，最好從序列最鄰近當前時段開始截取，t不宜過短，計算子序列 X1=（xm-t+1，xn）和Y1=（ym-t+1，yn）的相關系數(shù)r1：r1=■將子序列的長度向前增加一個，即長度為（t-1），計算X2=（xm-t，xm-t+1，xm）和Y2=（ym-t，ym-t+1，ym）的相關系數(shù) ：r2=■，重復上述步驟，依次類推，直到子序列包含全部序列的長度m，計算出的相關系數(shù)有（m-t+1）個。將計算出的全部相關系數(shù)進行平均，則得到的 為改進的相關系數(shù)：■=■。由于聚類需要使用距離，而改進的相關系數(shù)■是屬于[-1，1]，所以要將■轉化成大于等于零的距離，另d=|■-1|，則d∈[0，2]。通過d對股票進行聚類。

（3）股票聚類。聚類分析。方法中最常用的是分層聚類。分層聚類方法是通過一系列或者是相繼的合并，分割來進行的。是從單個對象開始，這樣在開始時每一個對象都是一類，將那些最相似的對象首先分組，然后將組與組根據(jù)它們之間的相似性進行合并，最后隨著相似性不斷下降，所有的組漸漸融合成為一個聚類。

（4）確定最小方差資產(chǎn)組合集合的方法。常用的投資策略優(yōu)劣評估標準有：收益率分布形態(tài)指標，夏普比率，風險價值（VAR），條件尾部期望（CTE）等。本文將主要使用由馬柯威茨于1952年提出的用圖像分析法確立風險資產(chǎn)的最小方差組合集合和有效邊界的過程。我們以只擁有三個資產(chǎn)的組合為例。利用圖像法建立最小方差資產(chǎn)組合集合的過程，就是在以資產(chǎn)權數(shù)為坐標軸的空間內，繪制反映資產(chǎn)組合各種預期收益和風險狀況的線，然后依理性投資者選擇資產(chǎn)和資產(chǎn)組合的原則確定最小方差資產(chǎn)組合集合的過程。我們分析是在允許賣空的前提下，以便不受限制條件的約束。假設我們對資產(chǎn)A，B，C進行組合，已知E（rA）=10%，E（rB）=20%，E（rC）=30%，設A，B，C資產(chǎn)的權數(shù)分別由xA，xB，xC表示，限制條件為xA+xB+xC=1，由于xC=1-xA-xB，因此只要知道xA和xB的數(shù)據(jù)，就可以得到xC的數(shù)據(jù)。因此，可以在一個二維平面圖上顯示三個資產(chǎn)的組合情況，同理，可以使用（n-1）維圖顯示n種資產(chǎn)的組合。在以xA，xB為坐標軸的圖形中，直線AB的方程式是xA+xB=1，所有僅投資A和B資產(chǎn)，不投資C的資產(chǎn)組合都分布在這條線上；不包括A的組合都分布在B軸上，同理，不包括B的都分布在A軸上，分布在AOB三角形區(qū)域內的各種資產(chǎn)組合都不含賣空資產(chǎn)，在AOB以外的資產(chǎn)都含有一種或者兩種資產(chǎn)的賣空。根據(jù)具體的限制條件在坐標圖上的某個區(qū)域進行查找，以確定最小方差的資產(chǎn)組合。而這個過程可以通過EXCEL線性規(guī)劃的方式實現(xiàn)。

（二）樣本選擇與數(shù)據(jù)來源 本文選取的研究對象為2008年1月1日到2009年12月31日在上交所交易的，代碼為sh600000-sh600120的A股股票，數(shù)據(jù)來源為國泰安數(shù)據(jù)庫。剔除掉缺失值，實際得到102只股票。分別計算這102只股票的日收盤價數(shù)據(jù)個數(shù)，其中最多的為488個數(shù)據(jù)，以488為基準，凡是數(shù)據(jù)個數(shù)小于（不包括等于）基準數(shù)據(jù)15個以上的股票都被清除。這樣經(jīng)過清除后，剩下83只股票。然后對這83只股票的缺失值進行修補，修補的原則是以前一天的收盤價代替缺失值，經(jīng)過修補后，每只股票都有488天的數(shù)據(jù)。計算每只股票的日對數(shù)收益率，公式為：日對數(shù)收益率=log（當日收盤價）-log（前日收盤價）。經(jīng)過計算，每只股票都有487 個日對數(shù)收益率，

（三）時間序列分析建模過程 首先需要對得到的股票對數(shù)收益率進行建模，以單只股票序列為例，過程如下：（1）做統(tǒng)計圖觀察判斷。（2）單位根檢驗。序列大致可分為有三種：擴散型序列，單位根型序列和平穩(wěn)序列。在實際問題中，時間序列大多并不平穩(wěn)，而是呈現(xiàn)出各種趨勢性和季節(jié)性。由于在實際生活中擴散型序列比較少見，很少作為理論研究的對象，所以我們判斷的基礎就建立在單位根型序列和平穩(wěn)序列上。做單位根檢驗的目的就是要區(qū)分二者，對單位根型序列做差分處理，去除趨勢性因素，從而得到平穩(wěn)序列。（3）確定時間序列主模型。對原序列進行差分處理，得到寬平穩(wěn)序列，求解它的自相關系數(shù)，偏自相關系數(shù)，同時觀察自相關和偏自相關圖像，確定ARMA（p，q）階數(shù)。由計算機程序，生成主模型系數(shù)的參數(shù)估計，得到相應的殘差序列。（4）根據(jù)股票對數(shù)收益率數(shù)據(jù)畫散點圖，趨勢圖，觀察序列是否屬于平穩(wěn)序列，是否具備集群性，直觀地判斷是否可以采用條件異方差模型擬合數(shù)據(jù)。（5）ARCH效應檢驗。ARCH模型通常用于回歸模型：yt=x't？茁+？著t。若隨機干擾項？著t不存在ARCH效應，則可以直接對模型作最小二乘估計；若？著t存在ARCH效應，則應找到ARCH模型的形式，即在上式中附加？著t=■?vt，并確定q，再進行參數(shù)估計。對序列進行ARCH效應檢驗的最常用方法是拉格朗日乘數(shù)法即LM檢驗。假設？著tARCH（q），則可以建立如？著t=■?vt的輔助回歸模型：ht=？琢0+？琢1？著t-12+…+？琢q？著t-q2

原假設：H0：？琢1=…=？琢q=0；備擇假設：H1存在？琢i≠0，1？燮i？燮q；檢驗統(tǒng)計量：LM=nR2～X2（q）

其中，n為計算輔助回歸時的樣本數(shù)據(jù)個數(shù)，R2為輔助回歸的未調整可決系數(shù)，即擬合優(yōu)度。檢驗標準。根據(jù)輔助回歸ht=？琢0+？琢1？著t-12+…+？琢q？著t-q2的最小二乘估計，得到擬合優(yōu)度R2，由LM=nR2～X2（q） 計算檢驗統(tǒng)計量LM，根據(jù)給定的顯著性水平？琢和自由度q查x2分布表，得到相應的臨界值x？琢2（q）或原假設成立的概率，則可得到結論。LM>x？琢2（q），拒絕H0，表明序列存在ARCH效應；LM

四、實證檢驗分析

（一）投資組合收益波動性擬合 根據(jù)上文的時間序列分析擬合步驟，使用S-PLUS軟件中finmetrics的模塊，Excel規(guī)劃求解，VBA，SAS，R軟件共同完成從數(shù)據(jù)的整理，預處理，分析到得出結論，并配以圖形的表達來完成對投資組合風險的度量。

（1）ARCH效應檢驗及股票再篩選。對收益波動率的估計本文使用動態(tài)波動率估計模型。在使用GARCH類模型對股票收益的波動率進行擬合之前需要再對選入研究的股票做一次篩選。通過ARCHTEST對這83支股票進行檢驗。在0.05的顯著性水平下通過檢驗說明該股票的收益率波動性具有集群性，也就是說收益率是變換的，使用ARCH或GARCH模型擬合更加合理。共有33支股票的收益率數(shù)據(jù)經(jīng)過了ARCH效應檢驗。

（2）股票收益波動性擬合。對這33支股票分別進行收益波動性擬合。第一次采用ARMA模型作為主模型對收益率數(shù)據(jù)進行建模，然后對殘差進行GARCH模型擬合，雖然擬合后殘差序列均通過了檢驗，但在相似性聚類中效果不佳。于是重新選定主模型。將常系數(shù)模型作為主模型，然后對殘差進行GARCH模型擬合，殘差也均通過了檢驗。在模型中，條件方差序列就是待求的股票收益波動性序列，最后得到33條各488個數(shù)據(jù)的波動率序列。GARCH（p，q）的最簡單形式GARCH（1，1）。該過程可以表示為：？著t=■?vt；ht=？琢0+？琢1？著t-12+…+？琢q？著t-q2

其中，{vt}獨立同分布，且vt～N（0，1），參數(shù)滿足？琢0>0，？茁1？叟0，？琢1？叟0。？著t～GARCH（1，1）是穩(wěn)定過程的成分必要條件為？琢1+？茁1

（二）采用改進的相關系數(shù)法比較股票收益波動性的相似性

計算33支股票中任意兩支股票的相似性。設任意兩支股票A、B：A=（x1，x2，xn-t，xn-t+1，x487）；B=（y1，y2，yn-t，yn-t+1，x487）

由于股票收益波動序列是兩年期的日數(shù)據(jù)，因此首先選取時間期為2008年1月2日-2008年12月31日長度為245的兩個子序列A1、B1：A1=（x242，x243，…，x487）；B1=（y242，y243，…，y487）

計算A1、B1的相關系數(shù)記為r1。之后將序列的起點向前推一個，計算時間期為2008年12月28日-2009年12月31日長度為246的兩個子序列A2、B2：A2=（x241，x243，…，x487）；B2=（y241，y243，…，y487）

計算A2、B2的相關系數(shù)記為r2。繼續(xù)按照這種方式，每次將子序列的起點向前推進一期，計算相同時間期的兩個子序列之間的相關系數(shù)，直到最后一次計算A、B序列全部數(shù)據(jù)之間的相關系數(shù)r242。總共可以得到242個相關系數(shù)。最后，將所得的全部相關系數(shù)的均值作為A、B序列間改進的相關系數(shù)r*AB： r*AB=■。

相關系數(shù)的取值范圍在[-1，1]之間，系數(shù)為正，說明兩支股票收益率的波動性之間成正相關，系數(shù)越大，相似度越高；系數(shù)為負，說明兩支股票收益率的波動性之間成負相關；系數(shù)為零，說明兩支股票收益率的波動性之間不相關。

（三）股票聚類 為了將A、B之間的相關系數(shù)轉化成距離，還需計算|r*AB-1|，記為dAB，即 dAB=|r*AB-1|

全部股票經(jīng)過點間距計算，可以得到33×33的距離矩陣。由于篇幅限制，這里不做展示。將距離矩陣輸入到SAS軟件當中，借助軟件的聚類方法，采用Agglomerative算法，選擇method=density，K=2可以得到聚類結果。這里所用的類間距估計法是最近鄰密度估計法。軟件輸出的聚類過程及結果如表（1）和圖（1）所示，可以看出33支股票被聚為6類，具體分類情況如表（2）所示。這六類股票的收益波動率序列存在很大差異，從每一類中選擇一個典型的序列收益波動率圖，展示結果如下。

（四）投資組合績效比較 為了驗證改進的相關系數(shù)聚類法在股票投資組合中的應用效果，使用的主要方法是將基于使用改進相關系數(shù)聚類法根據(jù)收益率相似性聚類的股票投資組合與隨機組合、類內組合對比，比較在相同收益率水平下，組合的最小方差值大小。該值越小，說明該組合績效越好。具體來說，投資組合績效比較的研究思路為：首先確定組合收益率的大小，其次確定每種組合方案下抽取組合樣品的個數(shù)，然后分別計算每種方案下的組合風險均值，最后將三種方案下組合風險的均值進行對比得出結論。

（1）確定收益率大小。在計算組合的風險之前需要首先確定組合收益率的大小。由于所選數(shù)據(jù)是2008-2009年間的股票數(shù)據(jù)，而這段時期內股市處于衰退的狀態(tài)，眾多股票長期出現(xiàn)負收益率，因此將組合的收益率設為較小的數(shù)值，假設為0.03。

（2）確定三種組合方式的抽樣方案。確定三種組合方式的抽樣方案時要首先計算出每種組合方式下可能出現(xiàn)的組合的種類。如表（3）所示，隨機組合的種類最多，基于相似性聚類的組合次之，類內組合的數(shù)目最少。為了能比較出組合的績效，規(guī)定每種組合方式下抽取180個樣品計算風險均值。根據(jù)它們各自組合的特點，可以采用不同的方式來選取樣品。基于相似性聚類的組合在選取樣品時可以采用類似分層抽樣的方法，將不同類別作為不同層看待，從每一層中隨機抽取一支股票。每一次抽取完畢，可以得到6支股票，將這6支股票作為一個組合。按照這種方式抽取180個組合即可。隨機組合在選取樣品時按照統(tǒng)計中排列組合的方式，隨機從33支股票中無放回地抽取6支，作為一個組合。按照這種方式抽取180個組合即可。類內組合在選取樣品時先將可能的組合種類列出，然后按照簡單隨機抽樣方式從這8008個待抽樣品中抽取180個組合即可。

（3）計算三種組合方式的風險。計算不同組合方式的風險大小時主要通過EXCEL軟件中規(guī)劃求解的功能來完成。相應的指標設置如表（4）所示。通過計算就可以得到滿足條件的有效組合的最小方差值。由于篇幅所限，每種組合方式下的樣本方差計算結果不在此列示。

（4）比較三種組合方式的風險。通過均值計算，很容易得到每種組合方式下平均最小方差值，如表（5）所示。可以看出，基于股票收益率波動性的相似性聚類的組合在確定的收益率下獲得了比隨機組合、類內組合更小的最小方差值。另外，從圖（3）到圖（5）中對于不同組合方式下的實驗結果進行觀察，發(fā)現(xiàn)在基于相似性聚類的組合方式下180次試驗結果的方差很小，也就是說每次實驗得到的最小方差值十分相近。這些現(xiàn)象說明采取基于相似性聚類的組合方式不僅可以更有效地降低風險，而且在這種組合方式下獲得的最小方差值更具穩(wěn)定性。

篇4

（一）樣本選取根據(jù)中國注冊會計師協(xié)會2012年年報審計情況快報第14期報告，將89家非標準審計報告公司作為研究樣本，根據(jù)同行業(yè)、同規(guī)模選擇了相應的89家標準審計報告公司作為配對樣本，樣本與配對樣本如表2所示。收集2008—2012年研究樣本與配對樣本的現(xiàn)金流量表相關數(shù)據(jù)，并與奔福德定律進行相關分析。本文所有數(shù)據(jù)均來自于中國注冊會計師協(xié)會網(wǎng)站與和訊財經(jīng)網(wǎng)站。

（二）指標選取一張完整的現(xiàn)金流量表共有57個項目，但并非每個上市公司都會發(fā)生所有項目，將這些大多數(shù)公司缺失或者數(shù)據(jù)總數(shù)不及樣本總數(shù)一半的項目予以剔除，主要選取了“經(jīng)營活動類”的銷售商品提供勞務收到的現(xiàn)金、收到其他與經(jīng)營活動有關的現(xiàn)金、購買商品接受勞務支付的現(xiàn)金等；“投資活動類”的購建固定資產(chǎn)無形資產(chǎn)和其他長期資產(chǎn)支付的現(xiàn)金，投資活動產(chǎn)生的現(xiàn)金流量凈額等；“籌資活動類”的取得借款收到的現(xiàn)金，償還債務支付的現(xiàn)金，分配股利利潤或償付利息支付的現(xiàn)金，籌資活動產(chǎn)生的現(xiàn)金流量凈額，凈利潤，經(jīng)營性應收項目的減少，經(jīng)營性應付項目的增加，經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額等25個項目作為分析指標。

（三）研究假設根據(jù)《上市公司信息披露管理辦法》相關要求，本文提出以下假設：H1：非標準審計報告公司與標準審計報告公司現(xiàn)金流量表年報存在顯著差異。將標準審計報告公司現(xiàn)金流量表各年年報與奔福德定律的相關系數(shù)和非標準審計報告公司現(xiàn)金流量表各年年報與奔福德定律的相關系數(shù)進行比較，前者應大于后者。H2：非標準審計報告公司與標準審計報告公司現(xiàn)金流量表季報存在顯著差異。將標準審計報告公司現(xiàn)金流量表各年季報與奔福德定律的相關系數(shù)和非標準審計報告公司現(xiàn)金流量表各年季報與奔福德定律的相關系數(shù)進行比較，前者應大于后者。H3：非標準審計報告公司與標準審計報告公司現(xiàn)金流量表各個報表項目存在顯著差異。將標準審計報告公司現(xiàn)金流量表各年各個報表項目與奔福德定律的相關系數(shù)和非標準審計報告公司現(xiàn)金流量表各年各個報表項目與奔福德定律的相關系數(shù)進行比較，前者應大于后者。

（四）審計質量的評價標準將報表數(shù)據(jù)與奔福德定律的相關系數(shù)作為檢驗數(shù)據(jù)是否符合奔福德定律的評價標準。借鑒張?zhí)K彤等（2005）的經(jīng)驗分級評價標準，如果相關系數(shù)大于0.97，則認為財務數(shù)據(jù)符合奔福德定律，財務數(shù)據(jù)正常，財務數(shù)據(jù)真實；如果相關系數(shù)小于0.97，則認為財務數(shù)據(jù)符合奔福德定律，財務數(shù)據(jù)不正常，財務數(shù)據(jù)不真實。表3給出了不同相關系數(shù)分布標準以及相應的審計對策。

（五）數(shù)據(jù)處理方法本文數(shù)據(jù)處理和分析軟件采用微軟公司的Mi-crosoftOffice（2003）中的Excel。其中，LEFT函數(shù)和COUNTIF函數(shù)用于基本數(shù)據(jù)處理，CORREL函數(shù)用于數(shù)據(jù)的相關分析。

二、實證分析

（一）實證分析過程1.現(xiàn)金流量表年報通過對標準審計報告公司和非標準審計報告公司現(xiàn)金流量表年報數(shù)據(jù)的首位數(shù)以及與奔福德定律理論分布值的比較，結果如表4和圖1所示。從表4和圖1可以看出，非標準審計報告公司和標準審計報告公司現(xiàn)金流量表年報數(shù)據(jù)分布明顯符合奔福德定律所描述的首位數(shù)概率遞減的規(guī)律，兩類公司首位數(shù)據(jù)分布與奔福德定律一致，兩者相關系數(shù)均非常接近1（完全相關）。2012年、2011年、2009年標準審計報告公司的相關系數(shù)均高于非標準審計報告公司的相關系數(shù)，2008年、2010年標準審計報告公司的相關系數(shù)低于非標準審計報告公司的相關系數(shù)，說明兩者之間存在差異。五年中兩類公司與奔福德定律的相關系數(shù)基本同步，兩者均是在2009年相關系數(shù)最低。樣本公司數(shù)據(jù)和配對樣本公司現(xiàn)金流量表年報數(shù)據(jù)在2009年、2011年、2012年存在顯著差異，而在2008年和2010年差異不顯著，假設1得以驗證。2.現(xiàn)金流量表季報通過非標準審計報告公司和標準審計報告公司現(xiàn)金流量表季度數(shù)據(jù)的首位數(shù)分布情況以及與奔福德定律理論分布值的比較，結果如表5和圖2所示。從表5和圖2可以看出，非標準審計報告公司和標準審計報告公司現(xiàn)金流量表季度主要財務數(shù)據(jù)的首位分布明顯呈現(xiàn)出了奔福德定律所描述的數(shù)據(jù)首位數(shù)存在一定差異。從相關系數(shù)分析，非標準審計報告公司相關系數(shù)較高的是第二季度，標準審計報告公司相關系數(shù)較高的是第二季度和第四季度，各季度相關系數(shù)也存在一定差異；標準審計報告公司各季度的相關系數(shù)基本上高于非標準審計報告公司各季度相關系數(shù)，說明標準審計報告公司現(xiàn)金流量表真實性高于非標準審計報告公司。在全部總體中非標準審計報告公司2009年、2011年的第一季、2009年第四季的相關系數(shù)偏低，作假的可能性較大，假設2得以驗證。3.現(xiàn)金流量表主要項目通過非標準審計報告公司和標準審計報告公司現(xiàn)金流量表五年主要項目數(shù)據(jù)的首位分布情況以及與奔福德定律理論分布值的比較，結果如表6和圖3所示。從表6和圖3可以看出，非標準審計報告公司和標準審計報告公司現(xiàn)金流量表主要項目的首位數(shù)據(jù)五年合計分布明顯呈現(xiàn)出奔福德定律所描述的數(shù)據(jù)首位數(shù)存在一定差異。從相關系數(shù)看，非標準審計報告公司相關系數(shù)較低的是“投資活動現(xiàn)金流入小計”、“支付的各項稅費”“、籌資活動現(xiàn)金流出小計”“、凈利潤”和“期末現(xiàn)金及現(xiàn)金等價物余額”；標準審計報告公司相關系數(shù)較低的是“購買商品、接受勞務支付的現(xiàn)金”、“經(jīng)營活動現(xiàn)金流入小計”、“經(jīng)營活動現(xiàn)金流出小計”、“期初現(xiàn)金及現(xiàn)金等價物余額”和“投資活動現(xiàn)金流出小計”。在全部總體中非標準審計報告公司的“投資活動現(xiàn)金流入小計”的相關系數(shù)偏低，作假的可能性較大；標準審計報告公司的“購買商品、接受勞務支付的現(xiàn)金”、“經(jīng)營活動現(xiàn)金流入小計”、“經(jīng)營活動現(xiàn)金流出小計”、“期初現(xiàn)金及現(xiàn)金等價物余額”的相關系數(shù)偏低，作假的可能性較大。標準審計報告公司各個主要項目的相關系數(shù)基本上高于非標準審計報告公司各季度相關系數(shù)，假設3得以驗證。

（二）實證分析結果1.相關系數(shù)分析利用上市公司的非標準審計報告公司和標準審計報告公司2012年現(xiàn)金流量表財務數(shù)據(jù)，將其首位數(shù)分布與奔福德定律進行相關分析，相關系數(shù)按照從高到低的降序排列如表7所示。從表7可以看出，與奔福德定律相關系數(shù)高達0.98613、0.97291、0.97283、0.97045、0.96660的*ST盛潤A、ST超日、*ST中基、*ST國商、寧波富邦等公司均被出具了非標準審計報告，與奔福德定律相關系數(shù)只有0.37995、0.32026、0.20316、0.01202的九鼎新材、中房地產(chǎn)、江泉實業(yè)、巨化股份等公司均被出具了標準審計報告。2.審計質量分析假如相關系數(shù)大于0.97，說明現(xiàn)金流量表數(shù)據(jù)可靠，它有可能被出具標準審計報告，當然也有可能被出具非標準審計報告。同理，假如相關系數(shù)小于0.97，說明現(xiàn)金流量表數(shù)據(jù)不可靠，它有可能被出具非標準審計報告，當然也有可能被出具標準審計報告。根據(jù)樣本公司與配對公司的相關系數(shù)和相關系數(shù)分級及審計質量評價標準，將具體審計報告進行分組如表8所示。從表8可以看出，樣本公司與配對公司共178家上市公司中，與奔福德定律相關系數(shù)在0.97以上的只有5家，占2.81%，而與奔福德定律相關系數(shù)在0.97以下的有173家，占97.19%，也就是說不符合的上市公司數(shù)量遠遠多于符合的上市公司數(shù)量。如果上市公司現(xiàn)金流量表真實，現(xiàn)金流量表數(shù)據(jù)總體上就應該符合奔福德定律，因為虛假的現(xiàn)金流量表數(shù)據(jù)極少能夠符合奔福德定律的隨機性，而我國上市公司現(xiàn)金流量表數(shù)據(jù)首位數(shù)分布與奔福德定律符合度不高，說明現(xiàn)金流量表數(shù)據(jù)的真實性存在很大問題。

三、研究結論

（一）現(xiàn)金流量表首位數(shù)與奔福德定律相關系數(shù)高未必被出具標準審計報告從表7中可以看出，排名前10位的上市公司中，有5家被出具非標準審計報告，占50%；排名前20位的上市公司中，有9家被出具非標準審計報告，占45%；排名前30位的上市公司中，有12家被出具非標準審計報告，占40%；排名前40位的上市公司中，有17家被出具非標準審計報告，占42.5%，說明與奔福德定律相關系數(shù)高的不一定被出具標準審計報告。

（二）現(xiàn)金流量表首位數(shù)與奔福德定律相關系數(shù)低未必被出具非標準審計報告從表7中可以看出，排名后10位的上市公司中，竟然也有4家公司被出具了標準審計報告，尤其是排名最后一位的巨化股份，與奔福德定律的相關系數(shù)只有0.01202，也被出具了標準審計報告，這只能說明與奔福德定律相關系數(shù)低的未必被出具非標準審計報告。

篇5

通過計算，注冊資本與銀行借款的相關系數(shù)為-0.0017，與自有資金的相關系數(shù)為0.0098，與其他融資的相關系數(shù)為-0.1816。資產(chǎn)規(guī)模與銀行借款的相關系數(shù)為-0.1731，與自有資金的相關系數(shù)為0.0098，與其他融資的相關系數(shù)為-0.1813。

根據(jù)上述分析結果顯示，四種不可量化影響因素中，在對銀行借款影響方面，行業(yè)對銀行借款沒有顯著性影響，地區(qū)、所有制性質、發(fā)展階段均對其有顯著的影響；在對自有資金影響方面，地區(qū)和行業(yè)對企業(yè)使用自有資金沒有顯著性影響，企業(yè)所處發(fā)展階段和企業(yè)所有制性質對自有資金的使用具有顯著性影響；在對其他融資方式影響方面，四種不可量化因素對其均沒有顯著性影響。兩種可量化因素中，注冊資本和資產(chǎn)規(guī)模與銀行借款均為負相關，且資產(chǎn)規(guī)模與銀行借款的相關性較強，注冊資本與銀行借款幾乎不存在相關性；注冊資本和資產(chǎn)規(guī)模與自有資金均為正相關，且相關系數(shù)相等，但相關系數(shù)較小，說明兩種因素對自有資金的影響程度也很小；注冊資本和資產(chǎn)規(guī)模與其他融資均為負相關，且兩種因素產(chǎn)生的影響基本相同。

樣本分析后的結論及建議

融資方式選擇的結論

通過以上分析，中小企業(yè)在融資方式的選擇上表現(xiàn)出較為明顯的“強制優(yōu)序融資”現(xiàn)象，在融資中，中小企業(yè)首先多依賴自有資金，其次為銀行借款。對中小企業(yè)融資方式選擇產(chǎn)生影響的六種因素中，地區(qū)、所有制性質、發(fā)展階段、注冊資本、資產(chǎn)規(guī)模對某種融資方式均有不同程度的影響。中小企業(yè)在選擇某種融資方式進行融資時，應首先確定影響這種融資方式的因素，參考本文分析數(shù)據(jù)做出合理的決策。

本文局限性

樣本數(shù)量的限制由于只有129家樣本企業(yè)，使得本文受到很大分析上的限制。比如，由于樣本過少，本文沒有使用河南3家企業(yè)和浙江1家企業(yè)數(shù)據(jù)進行分析，也沒有分析各因素對親友挪借和風險投資的影響，這樣就大大影響了本文的分析效果。此外，本文分析結果顯示，地區(qū)因素對銀行借款沒有顯著性影響，而國內外有些學者分析認為，地區(qū)因素對銀行借款具有顯著性影響，這也有可能是樣本過少的原因。

時間的緊迫性本文可以通過進一步調查，用虛擬系數(shù)將不可量化因素進行量化，使各因素之間實現(xiàn)可比性，更加詳盡的分析各因素對中小企業(yè)融資方式的影響大小，更有利于中小企業(yè)制定決策。但由于時間問題使本文不能達到更加完美的效果。

涉及因素的有限性本文涉及影響中小企業(yè)融資方式的因素有6個，而事實上影響中小企業(yè)融資方式的因素有多種。如果把各影響因素綜合分析，本文對中小企業(yè)融資選擇將更具參考意義。

解決融資困難的建議

通過本文樣本分析結果，為解決中小企業(yè)融資困難，在此筆者給出幾點建議：

鼓勵中小企業(yè)從民間融資，民間金融形式對當?shù)刂行∑髽I(yè)的經(jīng)營情況比較了解，信息費用不高，信息傳導性強；并且二者均處于基層，點面結合，幾乎不存在溝通難的問題，交易成本較低，能提高雙方的運營效率。因此，民間融資是中小企業(yè)融資的一個良好方式。

從所得數(shù)據(jù)情況來看，被調查的處于成長階段的72家樣本企業(yè)中，使用民間融資的比例占到了88.2％。按照公司制的法理要求，應該還公司制中小企業(yè)的基本直接融資權。目前，我國各類公司制企業(yè)，雖然盡了上繳公司所得稅的義務，但仍然不能完全享有自由發(fā)行債券和股票的權力。

本文建議，應盡快建立我國正常的債券或股票柜臺交易市場體系。銀行在給企業(yè)實施貸款時，越來越重視考察企業(yè)誠信度，建議中小企業(yè)注重信譽，給客戶和銀行一個良好的形象，只有這樣中小企業(yè)實施銀行借款時才能少受挫。此外，加強政府援助，如對中小企業(yè)實施稅收優(yōu)惠、財政補貼、政府貸款援助等，也將有利于中小企業(yè)融資。

參考文獻：

1.陳曉紅，黎璞.中小企業(yè)融資結構影響因素的實證研究．系統(tǒng)工程，2004

2.陳曉紅，劉劍．我國中小企業(yè)融資結構與融資方式演進研究．中國軟科學，2003

3.張曉彬．淺談拓展中小企業(yè)間接融資的途徑．商業(yè)研究，2004

4.楊蕙馨，張鵬，徐鳳增，張勇．中小企業(yè)融資策略選擇的問卷調查與分析．山東大學學報，2004

篇6

關鍵詞：條件相關性；投資組合多角化；資本資產(chǎn)定價模型

中圖分類號：F830文獻標識碼：A文章編號：1001-6260（2009）01-0095-07

一、緒論

金融資產(chǎn)間或股市間的相關性在風險管理或投資組合多角化(portfolio diversification)中都扮演著相當重要的角色。當投資者或基金管理人欲評估多角化投資的利益時，就必須對資產(chǎn)間的相關性進行衡量，以了解投資組合風險分散的效果。

Levy等(1970)、Solnik (1974)、Lessard (1976)、Watson (1978)、Meric等(1989)證實國際股票市場間存在低相關性，隱含投資者可以利用國際投資組合分散投資風險。許多有關股市相關性的研究也證實國際股市間之相關性并非穩(wěn)定，而是會隨時間改變。Solnik等(1996)、Ramchmand等(1998)指出，在高波動期間中，尤其當股市為熊市時，股市間的相關性通常會比平常時期的相關性還要高，隱含投資者在最需藉由投資組合分散風險的時候，投資組合多角化的效益反而減少。

在早期的國內外文獻中，大多使用時間序列模型或波動性模型分析市場處于波動期間的國際股市相關性。首先，大多數(shù)的研究文獻中證實高波動期間的股市相關性通常高于平常時期而導致投資組合多角化效益受到侵蝕，但并未明確地將高度波動市場區(qū)分為牛市或熊市，以衡量不同市場條件下的條件相關性；其次，由于全球股市交易時間有所不同，所以使用國際股市指數(shù)的分析其實存在異步交易(non-synchronous trading)的問題，因而可能產(chǎn)生謬誤的股市相關性；最后，投資者或基金經(jīng)理人投資時所關注的問題是資產(chǎn)報酬的下方風險或高波動期間的投資風險。因此，本文以臺灣地區(qū)股票市場類股所形成的投資組合為研究對象，衡量高波動期間(牛市和熊市)投資組合的條件相關性，以探討不同市場下投資組合分散風險的效果。本文不同于先前相關研究的觀點為：

其一，在一般化誤差分配(generalized error distribution, GED)假設下，利用風險值(value at risk, VaR)估計的方法求得報酬分位數(shù)，衡量類股指數(shù)間條件相關性，以解決資產(chǎn)報酬非常態(tài)分配所可能造成報酬分位數(shù)高估(熊市)或低估(牛市)的問題。

其二，使用臺灣地區(qū)股市類股股價指數(shù)日報酬，可以避免以往國際股市間股價指數(shù)報酬相關性研究中，由于全球股市交易時間的不同，所可能存在的異步交易的問題。

其三，同時考慮到其它關于投資組合風險分散可能性的相關衡量，亦即藉由條件資本資產(chǎn)定價模型(conditional capital asset pricing model, conditional CAPM)估計不同市場狀況下投資組合的系統(tǒng)風險和非系統(tǒng)風險，以探討不同條件市場下投資組合的風險分散效果。

二、文獻回顧

本文主要探討當臺灣地區(qū)股票市場處于高波動期間時類股指數(shù)的條件相關性以及投資組合的風險分散效果。以下就股市相關性之文獻進行探討，并回顧股市尾部條件相關性文獻，以作為實證的基礎。

1.股市相關性的探討

金融資產(chǎn)或股市間相關性程度與投資組合的風險分散效益存在著相輔相成的關系，低相關含投資者可利用投資組合多角化分散投資風險。Markowitz (1952)提出的投資組合理論提供投資者一個藉多角化投資以分散風險及提高投資報酬的理論依據(jù)。然而，國外許多探討股市相關性的研究文獻大都顯示，當市場處于大幅波動的期間時，國際股市間的相關性會增加且隨時間改變(Solnik，et al，1996)。Ramchand等(1998)搜集美國與全球其他幾個主要國家的股票周報酬資料，運用轉換自我相關異質變異模型(switching autoregressive conditional heteroscedasticity, SWARCH model)，探討隨狀態(tài)變動的條件共變異數(shù)與相關性，實證結果顯示在高變動的狀態(tài)下，美國與其它主要股市間的相關性會比在低變動的狀態(tài)時的相關性還高。Bracker等(1999)利用1972―1993年間美國等10個主要股票市場的股價指數(shù)日報酬資料檢定國際股市相關性程度與相關系數(shù)矩陣的穩(wěn)定性是否隨時間改變，實證研究指出股市間相關性會隨時間而改變，且當全球股市處于大幅波動時股票市場間的共移性程度會增加，暗示在高波動期間國際投資組合的多角化利益降低。另外，Goetzmann 等(2005)研究1872年至2000年長達150年的長期間國際股市相關性，發(fā)現(xiàn)從第二次世界大戰(zhàn)到近期，市場間的平均相關性會隨著時間逐漸增加。Goetzmann 等進一步分解研究期間中的相關性模式，結果發(fā)現(xiàn)今日的國際投資者所獲得投資組合的多角化利益由兩部分所構成，其中一部分利益主要歸因于全球市場的數(shù)量的增加使投資人能有更多投資機會，另一部分利益則由于國際市場間存在較低的平均相關性而提升多角化效益。

另外，許多探討股市相關性的文獻大多以波動性模型或時間序列模型來進行分析研究，包括：Eun等(1989)以向量自我回歸模型(vector autoregression，VAR model)研究歐、美、亞等主要股市報酬間聯(lián)動性之強弱程度，結果發(fā)現(xiàn)位于同一區(qū)域之股市連動性較強，此反映同一區(qū)域內的國家（地區(qū)）間經(jīng)濟整合程度較高，相對而言，美國股市具有最大的影響力，其股市波動明顯快速地傳遞至國外股市。Longin等(1995)使用多變量GARCH (1,1)模型(multivariate GARCH model)探討美國與德國、法國、英國、瑞士、日本及加拿大等6國股市在1960―1990年期間之月超額報酬相關性，發(fā)現(xiàn)美國與其它6國之共變異數(shù)與相關系數(shù)會隨著時間而改變，同時也發(fā)現(xiàn)在1960―1990年期間國際股市間的相關性是增加的，因此結果并不支持各國報酬之相關系數(shù)固定不變的說法。此外，他們也發(fā)現(xiàn)在美國股市報酬波動性高的時期，各國與美國股市超額報酬的相關性亦會增加。Darbar等(1997)搜集美國、英國、日本、加拿大等4國股市在1989―1992年期間的加權股價指數(shù)日報酬率，以多變量GARCH模型探討4國股市間之聯(lián)動關系，實證結果顯示4國日報酬之條件相關系數(shù)值很小且呈動態(tài)改變；另外，他們也發(fā)現(xiàn)報酬率之間的相關性通常不大且會隨著時間而改變，因此從事國際多角化投資有潛在獲利的機會。葉銀華(1991)搜集美國、日本、臺灣地區(qū)三個股票市場之月報酬資料，以多元時間序列分析模型探討1984―1990年期間三個股市之共移型態(tài)與關聯(lián)性，其研究結果發(fā)現(xiàn)臺灣地區(qū)與美、日股市的相關程度很低，因此從分散投資風險的角度來看，臺灣地區(qū)股市為一較佳的選擇。徐守德(1995)以單根檢定(unit root test)、成對及高階共整合檢定模型研究臺灣地區(qū)、日本、新加坡、中國香港、韓國等股市的共移程度，研究樣本為1984―1993年之股價指數(shù)周報酬率，實證結果發(fā)現(xiàn)除日本與中國香港及中國香港與新加坡間有較強的相關性外，其它成對股市間的相關性相對地較低，顯示國際投資組合仍有利益存在；另外，中國香港與臺灣地區(qū)間并未呈現(xiàn)成對與高階共整合現(xiàn)象，此表示一國（地區(qū)）股價不能由其它國家（地區(qū)）股價所預測，隱含國際投資組合具有分散風險之效益。

2.股市尾部條件相關性的探討

除了上述的股市相關性文獻外，另有許多文獻指出，股市的尾部條件報酬序列有相當高的相關性(Campbell，et al，2002)，意味著在高度波動的股票市場中，投資組合的多角化利益會受到侵蝕。在研究股票市場間的尾部條件相關性方面，Karolyi等(1996)基于1988―1992年美國和日本股票報酬資料的研究指出，當金融市場大幅變動時，美國和日本的股票報酬會存在較高相關性，尤其是當國際金融市場呈現(xiàn)大的負移動時，其相關性最高，而使得投資組合多角化效益大幅降低；Longin等(2001)應用極值理論(extreme value theory，EVT)研究國際股市間報酬的尾部相關性，實證結果顯示在高尾部(positive tail)的相關性與多變量常態(tài)的假設一致，但是在低尾部(negative tail)的相關性會顯著大于以多變量常態(tài)模型所預測的結果，此結論暗示股市為大的負報酬時，投資組合無法有效地降低風險。此外，Butler等(2002)運用3種不同的分配型態(tài)(常態(tài)分配、J. P. Morgan RiskMetrics及自由度為4的Student-t分配)分別研究在熊市、平常及牛市下股市月報酬的相關性程度，實證顯示在股市為熊市時的相關性會顯著高于藉由常態(tài)和RiskMetrics分配所預測的相關性，且在熊市的相關性也會顯著高于牛市的相關性。黎明淵等(2003)應用Hamilton等(1994) Markov-switching ARCH (SWARCH)模型，估計美國道瓊斯與日本日經(jīng)指數(shù)周報酬率的波動性，藉以分析在美、日股市指數(shù)報酬高、低波動狀態(tài)下，新加坡、中國香港、韓國、臺灣地區(qū)等亞洲新興股市指數(shù)報酬與美、日股市指數(shù)報酬的相關性。研究結果發(fā)現(xiàn)，同時考慮美、日股市對新、港、韓、臺等亞洲股市的聯(lián)動影響，當美股與日股分屬高波動性狀態(tài)時，對四小龍影響最高，當美股與日股分屬高或低波動性狀態(tài)，聯(lián)動影響次之，美股與日股分屬低波動性狀態(tài)時，聯(lián)動影響最低，反映透過股票市場傳遞的金融傳染病，在國際主要股市處于巨幅震蕩時期時最為顯著。

在個股報酬間的尾部條件相關性研究中，Silvapulle等(2001)研究道瓊斯工業(yè)指數(shù)30支股票的日報酬，結果發(fā)現(xiàn)當股市大幅下跌時，30支股票的平均條件相關(average conditional correlation)比股市為平常和牛市時還要高，此結果暗示當股市是熊市時投資組合多角化的利益會減少。Cizeau等(2001)則是在胖尾分配的基礎下使用只考慮市場報酬因素的靜態(tài)單因子模型分析450支美國股票的日報酬相關性，他們的研究結果顯示，在股票報酬呈現(xiàn)高度波動情況下，個股報酬的相關性會增加。另外，Demirer等(2005)搜集1999―2002年中國股市的375支股票日報酬并將其股票分為18個產(chǎn)業(yè)以探討當股票報酬呈現(xiàn)大幅上漲或下跌時，產(chǎn)業(yè)報酬離散程度與報酬相關性之間的關系，實證研究結果顯示在股價大幅波動時期報酬離散程度會較高，在股票報酬相關性部分，則發(fā)現(xiàn)除了金融產(chǎn)業(yè)在報酬大幅下跌時的相關性較高之外，其它產(chǎn)業(yè)的報酬相關性在報酬大幅上漲時會較高。

三、研究方法

不同于以往使用時間序列模型或波動性模型探討股市相關性，本文是在能反映資產(chǎn)報酬具有胖尾特性的一般化誤差分配的假設下，利用風險值的方法估計報酬分位數(shù)來形成高波動期間(低尾部與高尾部)與平常時期(中間)的條件報酬分配以分別估算其條件相關系數(shù)，捕捉尾部相關性的變動程度以及反映資產(chǎn)報酬同日變動的相關程度。此外，以條件報酬配對估計條件資本資產(chǎn)定價模型以衡量投資組合的系統(tǒng)與非系統(tǒng)風險。以下說明從條件報酬配對與分位數(shù)的求取來估計條件相關系數(shù)與條件資本資產(chǎn)定價模型的方法。

1.條件報酬配對的定義

2.報酬分位數(shù)的估計

為了獲得式(1)到式(3)的報酬分配低尾部、中間及高尾部的條件報酬配對以計算條件相關系數(shù)與估算投資組合的系統(tǒng)風險與非系統(tǒng)風險，在一般化誤差分配假設下估計報酬分位數(shù)QLi和QUi。一般化誤差分配機率密度函數(shù)如下：

表示gamma函數(shù)，v是一個描述尾部厚度的型態(tài)參數(shù)(shape-defining parameter)。當v=2時，資產(chǎn)報酬型態(tài)為常態(tài)分配；當v2時，則具有較常態(tài)分配為瘦尾的分配。當v越小(大)時，則報酬分配尾端會呈現(xiàn)愈胖(瘦)的機率分配。例如當v=1時，為雙指數(shù)分配(double exponential distribution)；當v=∞時，則為均勻分配(uniform distribution)。如何決定分配型態(tài)參數(shù)v，應用峰態(tài)系數(shù)來推估分配型態(tài)的參數(shù)值。假設k為資產(chǎn)報酬分配的峰態(tài)系數(shù)，則在一般化誤差分配型態(tài)下，峰態(tài)系數(shù)k與分配型態(tài)參數(shù)v存有下列的關系：

亦即先計算報酬資料分配的峰態(tài)系數(shù)k，然后根據(jù)式(5)，即可求解v值。當一般化誤差分配機率密度函數(shù)的v值估計獲得之后，接下來在給定的機率水準下，可利用辛普生法(Simpson′s rule)來求得分位數(shù)QLi和QUi。

3.條件報酬相關系數(shù)的計算與條件資本資產(chǎn)定價模型的估計

當獲得條件報酬配對資料后，接下來即可進行條件相關系數(shù)的計算。在計算條件相關系數(shù)時，考慮到報酬尾端的資料個數(shù)較少時，所計算的Pearson相關系數(shù)可能會產(chǎn)生虛增或虛減的現(xiàn)象，因此使用無母數(shù)方法的Spearman等級相關計算方式，以估計條件報酬相關系數(shù)。令指數(shù)i和指數(shù)j的低尾部的條件相關系數(shù)為ρLij，則

其中，xk表示rLit在rLi的排序等級，yk表示rLjt在rLj的排序等級，n為配對報酬率的個數(shù)，亦即Spearman等級相關系數(shù)ρLij相當于計算rLit 和rLjt的等級數(shù)值的Pearson相關系數(shù)。

本文亦估計投資組合的系統(tǒng)風險及非系統(tǒng)風險以探討投資組合風險分散的效益。首先，依據(jù)式(1)、(2)和(3)求得市場指數(shù)和類股指數(shù)i的低尾部、中間和高尾部條件報酬配對；然后，利用市場模式(market model)估算投資組合的系統(tǒng)風險和非系統(tǒng)風險。市場模型的定義式如下：

Rit=α0+βiRMKt+εit，i=1,…,n(7)

其中，Rit代表第t期類股指數(shù)i的報酬率；RMKt代表第t期市場股價指數(shù)的報酬率；α0為截距；βi為斜率項，為系統(tǒng)風險的衡量指標；εit為殘差項，而殘差變異數(shù)為非系統(tǒng)風險衡量的指標。

四、實證研究

1.資料說明

本文以臺灣地區(qū)類股指數(shù)為研究對象，包括水泥窯指數(shù)、食品指數(shù)、塑膠化工指數(shù)、機電指數(shù)、紡織指數(shù)、造紙指數(shù)、營建指數(shù)以及金融指數(shù)，探討在高波動期間股票市場類股指數(shù)間相關系數(shù)、非系統(tǒng)風險與系統(tǒng)風險的變化情形，以分析在不同市場情況下投資組合的風險分散效果。近年來，由于電子類股在股市中迅速竄起且其交易比重也占股市的最大交易總值比例，因此更進一步將類中的機電類股指數(shù)分解為電子類股指數(shù)、電器類股指數(shù)與電機類股指數(shù)三支類股指數(shù)，以進一步比較電子類股與其它類股指數(shù)間相關系數(shù)的變化及投資組合的風險分散效果。由于研究中類股指數(shù)樣本資料的期間是從1991―2004年共14年，但限于電子、電器及電機三支類股股價指數(shù)樣本資料的取得是起于1995年，因此樣本資料分為全樣本期間(1991―2004)與子樣本期間(1995―2004)兩個期間，股價指數(shù)資料來源為臺灣經(jīng)濟新報資料庫(TEJ)。[JP+1]

計算股價指數(shù)報酬率的方式為Rt=ln(pt/pt-1)，其中Rt為第t天的報酬率，pt為第t天股價指數(shù)。樣本期間各類股股價指數(shù)日報酬之敘述統(tǒng)計摘要，包括平均值、標準差、峰態(tài)系數(shù)、偏態(tài)系數(shù)、最大值及最小值。從全樣本期間的統(tǒng)計結果可以發(fā)現(xiàn)8支類股指數(shù)中有3支之平均報酬為正、5支為負，其中以造紙類股的風險最高(準差為0.0211)，食品類股最低(標準差為0.0172)，然全部平均報酬率統(tǒng)計檢定不顯著異于0。而由子樣本期間的分析結果亦可發(fā)現(xiàn)平均日報酬率不顯著異于0的相同的結論，其中以電子類股的風險最高（標準差為0.0211），最低的為電機類股(標準差為0.0157)。再者，在全樣本和子樣本期間中，各類股指數(shù)的報酬率的最小值和最大值幾乎都在-0.07和0.07之水準，此現(xiàn)象說明臺灣地區(qū)股票市場有7%漲跌幅限制的規(guī)定存在。在偏態(tài)系數(shù)方面，全樣本和子樣本期間中各類股股價指數(shù)的日報酬皆各有5支指數(shù)的偏態(tài)系數(shù)顯著不為零，其中營建和金融類股指數(shù)日報酬在兩樣本期間皆呈現(xiàn)右偏，而全樣本期間中日報酬資料呈現(xiàn)左偏的有食品、機電及紡織等3支類股指數(shù)，而在子樣本期間中則是食品、電子及電機等3支類股指數(shù)日報酬呈現(xiàn)左偏。在峰態(tài)系數(shù)部分，不論是全樣本或子樣本期間的類股股價指數(shù)日報酬，其峰態(tài)系數(shù)皆大于3，且在顯著水準1%下呈現(xiàn)顯著，說明樣本期間中各類股指數(shù)之日報酬分配皆為呈現(xiàn)高狹峰具有厚尾的分配。JarqueBera 檢定結果顯示，各類股指數(shù)報酬率在顯著水準1%下皆為顯著，證實全樣本及子樣本期間的類股股價指數(shù)日報酬具有胖尾的非常態(tài)分配。

2.分位數(shù)與條件相關性的實證結果

本文共估計8種高低尾部報酬的分位數(shù)，包括估計1%、1.5%、2.5%、5%等4種低尾部報酬分位數(shù)，以及95%、97.5%、98.5%、99%等4種高尾部報酬分位數(shù)。v值為一般化誤差分配的型態(tài)參數(shù)估計值，v值的大小反映不同報酬分配的尾部型態(tài)。全樣本期間的8支類股指數(shù)的型態(tài)參數(shù)以水泥窯類股指數(shù)的v值1.1398為最小，表示其分配型態(tài)為最胖，而造紙類股指數(shù)的v值1.3846為最大，表示其分配型態(tài)為最瘦。在子樣本期間部分的10支類股指數(shù)中，以金融類股指數(shù)的分配型態(tài)為最胖，其v值為1.2473，而以電子類股指數(shù)的v值為1.4884為最大。再者，子樣本期間中各類股指數(shù)的v值皆大于全樣本期間的v值，說明子樣本期間中各類股指數(shù)報酬分配的尾部型態(tài)較全樣本期間中的類股指數(shù)分配型態(tài)還要瘦尾。另外各類股指數(shù)的型態(tài)參數(shù)v值都明顯小于2，此結果再次證實各類股指數(shù)報酬分配的型態(tài)都比常態(tài)分配的還要胖尾。

根據(jù)樣本期間的無條件相關系數(shù)、低尾部、中間以及高尾部的條件報酬配對所計算的條件相關系數(shù)可知，在全樣本與子樣本期間中的無條件相關系數(shù)的數(shù)值分別達0.7054與0.6742，隱含臺灣地區(qū)股市類股指數(shù)間存在齊漲齊跌的聯(lián)動關系。此外，在條件相關系數(shù)值的統(tǒng)計上，發(fā)現(xiàn)全樣本期間及子樣本期間條件報酬分配的高、低尾部的條件相關系數(shù)皆比分的條件相關系數(shù)還低，此結果與以往文獻的結論并不相同。為了確認尾部的條件相關系數(shù)是否顯著異于報酬分配中間部分的條件相關系數(shù)，進一步使用不需要作常態(tài)假設以及對測量誤差較不敏感且適合小樣本資料的無母數(shù)Wilcoxon符號等級檢定法檢定，其檢定結果顯示，不管在全樣本或子樣本期間，在顯著性水平5%下，條件報酬分配高低尾部的條件相關性都顯著低于報酬分配中間的條件相關性(全樣本期間的2.5%分位數(shù)除外)。

相較于Silvapulle等(2001)針對美國股市的實證研究，本文實證結果發(fā)現(xiàn)美國股市與臺灣地區(qū)股市有兩點不同之處：(1) Silvapulle等研究道瓊斯工業(yè)指數(shù)30支股票的相關性，發(fā)現(xiàn)當美國股市為熊市時的平均條件相關性會比股市為牛市和平常時期要高；然而，本文則發(fā)現(xiàn)臺灣地區(qū)股市為熊市或牛市時，全樣本期間以及子樣本期間的平均條件相關系數(shù)都比平常期間要低。(2)臺灣地區(qū)股市的平均條件相關系數(shù)除了子樣本期間中高尾部的相關系數(shù)在0.2到0.4之間外，大部分的數(shù)值都介于0.5到0.7之間，屬于中度相關性，然而美國道瓊斯工業(yè)指數(shù)30支股票除了熊市的相關系數(shù)在0.4左右外，其平均條件相關系數(shù)皆在0.3以下，屬于低度相關性。由以上兩點的分析可以得知，雖然臺灣地區(qū)股市在高度波動期間時的投資組合的風險分散效益較不會受到侵蝕，然而，在臺灣地區(qū)股市相關性偏高的情況下，投資者所能獲得分散風險的效益將是有限的。

3.條件資本資產(chǎn)定價模型的實證結果

以條件資本資產(chǎn)定價模型估計非系統(tǒng)風險與系統(tǒng)風險的結果。由非系統(tǒng)風險的統(tǒng)計可以得知，不管是在全樣本或是子樣本期間，無條件較條件平均殘差變異數(shù)來的大，亦即無條件非系統(tǒng)風險較條件非系統(tǒng)風險為大。此外，平常時期的平均條件殘差變異數(shù)大于高、低尾部的平均條件殘差變異數(shù)，以Wilcoxon符號等級檢定法檢定之結果亦支持高、低尾部平均條件殘差變異數(shù)顯著低于中間部分的平均條件殘差變異數(shù)，顯示臺灣地區(qū)股市為熊市或牛市時，投資組合的非系統(tǒng)風險低于平常時期投資組合的非系統(tǒng)風險，隱含在高波動期間時臺灣地區(qū)股市類股投資組合的風險分散效益優(yōu)于平常時期。

由全樣本期間與子樣本期間類股股價指數(shù)的無條件及條件β值之統(tǒng)計量可發(fā)現(xiàn)：全樣本期間與子樣本期間的無條件β平均值分別為0.9121和0.8907，皆大于條件β的平均值。此外，全樣本期間及子樣本期間條件報酬分配高、低尾部的平均β值都小于中間部分的平均β值，進一步以Wilcoxon檢定的結果：無論是全樣本期間與子樣本期間以及在分位數(shù)1%、1.5%、2.5%或5%，在顯著性水平5%下，條件報酬分配低尾部的條件β值都顯著小于中間部分的條件β值，隱含在高波動期間臺灣地區(qū)股市投資組合的總風險受市場因素的影響會比較小。

五、結論

在進行投資管理時，如何規(guī)避資產(chǎn)報酬的下方風險或高波動期間的投資風險是基金經(jīng)理人或風險管理者所關切的問題。

實證結果發(fā)現(xiàn)：全樣本期間或子樣本期間股票報酬分配高、低尾部的條件相關性及非系統(tǒng)風險都顯著比報酬分配中間部分低，顯示在高波動期間，股市類股的聯(lián)動性小于平常期間的聯(lián)動性，隱含投資組合風險分散的效益并未受到侵蝕。這與以往研究結果在市場高度波動期間的相關性會增加并不相同。雖然股市在高波動期間的類股的聯(lián)動性小于平常期間，然而臺灣地區(qū)股市不論處于牛市、熊市或平常時期，在全樣本期間與子樣本期間的平均條件相關系數(shù)(分別介于0.4450到0.6398間及介于0.2075到0.6118間)較美國股市的平均條件相關系數(shù)(介于0.198到0.475間)為高，因此建議投資者或基金經(jīng)理人應該多運用國際投資組合以達到提高風險分散的效益及增加投資報酬的績效。

參考文獻：

黎明淵，林修葳，郭 等. 2003. 美、日股市巨幅波動下的股市連動效果：美國、日本與亞洲四小龍股市實證結果［J］. 臺灣證券市場發(fā)展季刊，15(1):117-145.

葉銀華. 1991. 國際股票市場股價指數(shù)共移型態(tài)與關聯(lián)性之研究［J］. 臺灣經(jīng)濟金融月刊，27(10):11-20.

徐守德. 1995. 亞洲股市間共整合關系之實證研究［J］. 臺灣證券市場發(fā)展季刊，7(4):33-57.

BRACKER K, KOCH P D. 1999. Economic determinants of the correlation structure across International equity markets ［J］. Journal of Economics and Business, 51(6):443-471.

BUTLER K C, JOAQUIN D C. 2002. Are the gains from International portfolio diversification exaggerated? the Influence of downside risk in bear markets ［J］. Journal of International Money and Finance, 21(7): 981-1011.

CAMPBELL R, KOEDIJK K, KOFMAN P. 2002. Increased correlation in bear markets ［J］. Financial Analysts Journal, 58(1):87-94.[HT6SS]

CIZEAU P, POTTERS M, BOUCHARD J P. 2001. Correlation structure of extreme stock returns ［J］. Quantitative Finance, 1(2):217-222.

DARBAR S M, DEB P. 1997. Co-movements in international equity markets ［J］. Journal of Financial Research, 20(3):305-322.

DEMIRER R, LIEN D. 2005. Correlation and return dispersion dynamics in chinese markets ［J］. International Review of Financial Analysis, 14(4):477-491.

EUN C S, SHIM S. 1989. International transmission of stock market movements ［J］. Journal of Financial and Quantitative Analysis, 24(2):241-256.

GOETZMANN W N, LI L, ROUWENHORST K G. 2005. Long-term global market correlations ［J］. The Journal of Business, 78(1):1-38.[HT6SS]

KAROLYI G A, STULZ R M. 1996. Why do markets move together? An investigation of U.S.-Japan stock return comovements ［J］. Journal of Finance, 51(3):951-986.

LESSARD D R. 1976. World, country, and industry relationships in equity ［J］. Financial Analysts Journal, 32(1):32-38.

LEVY H, SARNAT M. 1970. International diversification of investment portfolios ［J］. American Economic Review, 60(4):668-675.

LONGIN F, SOLNIK B. 1995. Is the correlation in International equity returns constant: 1960-1990 ［J］. Journal of International Money and Finance, 14(1)3-26.

LONGIN F, SOLNIK B. 2001. Extreme correlation of international equity markets ［J］. Journal of Finance, 56(2):649-676.

MARKOWITZ H. 1952. Portfolio selection ［J］. The Journal of Finance, 7(1):77-91.

MERIC I, MERIC G. 1989. Potential gains from international portfolio diversification and inter-temporal stability and seasonality in international stock market relationships ［J］. Journal of Banking and Finance, 13(?):627-640.

RAMCHMAND L, SUSMEL R. 1998. Volatility and cross correlation across major stock markets ［J］. Journal of Empirical Finance, 5(4):397-416.

SILVAPULLE P, GRANGER C W J. 2001. Large returns, conditional correlation and portfolio diversification: a value-at-risk approach ［J］. Quantitative Finance, 1(5):542-551.

SOLNIK B H. 1974. Why not diversify internationally ［J］. Financial Analysts Journal, 30(4):48-54.

SOLNIK B, BOUCRELLE C, LE FUR Y. 1996. International market correlation and volatility ［J］. Financial Analysts Journal, 52(5):17-34.

WATSON J. 1978. A study of possible gains from international investment ［J］. Journal of Business Finance and Accounting, 5(5):195-206.

Conditional Correlation and Risk Diversification

under Highly Volatile Stock Markets

HUANG Yuxiang CHANG Jergang

(School of Economics and Management, Tongji University, Shanghai 200093)

Abstract: This paper investigates the benefit of portfolio diversification when Taiwan stock market is bearish or bullish. Generalized error distribution (GED) is employed to calculate the returns to estimate conditional correlation. The test shows that conditional correlation and unsystematic risks during highly volatile period are much lower than that in other periods, namely, the linkages and unsystematic risks of Taiwan stock market are much lower in highly volatile markets, which implies that the benefit of portfolio diversification is not be eroded. This paper suggests that the investors or the fund managers should use international portfolio diversification as much as possible to increase the benefit of portfolio diversification.

篇7

關鍵詞：財務彈性；財務杠桿；公司價值

本文研究的重點是檢驗公司的財務彈性需求是怎樣影響財務杠桿決策的，財務杠桿是否是財務彈性與公司價值之間的中介變量，然后更進一步地分析融資決策和財務彈性與公司整體價值之間的關系。

一、研究設計

（一）研究假設

不同成長階段的公司，擁有不同的風險水平和自身現(xiàn)金流入以及期望現(xiàn)金流，各階段的公司對融資方式有靈活的需求，并且這種需求以與未來預期現(xiàn)金流量和融資約束相關的未來投資機會為特征。所以我們在此假設。

H1：財務彈性水與財務杠桿呈負相關關系。因為財務彈性能提高公司的支付能力和再投資能力，是解決財務困境的一個重要方法，能提高投資者信心，進而能提高公司價值，由此，我們假設。

H2：財務彈性水與公司價值正相關。財務彈性水平使得公司財務杠桿更加優(yōu)化，于是降低了公司的融資成本，提升了公司的價值由此我們假設。

H3：財務杠桿是財務彈性和公司價值的中介變量。

（二）樣本和數(shù)據(jù)來源

本文選取2011年A股上市公司制造類企業(yè)為研究樣本，剔除了ST公司、數(shù)據(jù)缺失和波動大的樣本，最終選取182家企業(yè)。所需數(shù)據(jù)來自CSMAR數(shù)據(jù)庫，所用軟件為stata10.0

（三）變量的選取與回歸模型建立

1、本文以托賓Q作為公司價值的代替變量。

2、本文從不同角度選取了8個代表性指標，將這8個指標作為初始變量。長期借款資產(chǎn)比， 留存收益資產(chǎn)比， 現(xiàn)金股利保障倍數(shù)， 資本購置比率， 現(xiàn)金再投資比率， 董事會持股比率， 公司高管持股比率。

3、LEV為中介變量。本文用資產(chǎn)負債率反應負債水平。

4、控制變量。本文選取盈利性指標ROA（凈資產(chǎn)收益率）、資產(chǎn)擔保能力COLL（無形資產(chǎn)凈額/資產(chǎn)平均余額）、非債務稅盾NDT（年折舊/總資產(chǎn)平均余額）、公司規(guī)模SIZE（總資產(chǎn)自然對數(shù)）。

（二）、描述性統(tǒng)計

從我們的描述性統(tǒng)計結果可看出，被選擇的樣本的財務彈性指數(shù)均值為0711795，最大值為197685，最小值為-20263，可見，樣本公司財務彈性差異很大。這個結果與因子分析結果一致。

（三）多元回歸分析

根據(jù)中介作用的檢驗方法.本文利用樣本數(shù)據(jù)做如下了回歸檢驗。

1、回歸分析財務杠性和財務杠桿。由回歸結果可知，在控制了盈利性、資產(chǎn)擔保能力、企業(yè)規(guī)模、非債務稅盾后，財務杠桿與企業(yè)的財務彈性水平之間呈正相關關系，其相關系數(shù)為0032，但是沒有通過顯著性檢驗。整體性檢驗F值通過檢驗，得出方程擬合度為0519。這一結論否定了之前的假設H1，即財務彈性水平與財務杠桿不存在負相關關系。由相關分析可知，LEV和FFH之間的相關系數(shù)為0011，其相關關系很弱，這與回歸結果一致，即LEV和FFH之間的負相關關系不顯著，因而拒絕H1另外各個變量的可容忍度均接近1，VIF

2、關于財務彈性水平與公司價值的回歸結果。回歸結果表明，財務彈性水平與公司價值呈的正相關關系，其相關系數(shù)為0008，但是沒有通過顯著性檢驗。這一結論拒絕了假設H2，即財務彈性水平與公司價值不一定存在正相關關系。由相關分析可知，LEV和Tobin’sQ之間的相關系數(shù)為00046，其相關關系很弱，與回歸結果一致，即LEV和FFH之間的正相關關系不顯著，因而不能接受H2另外各個變量的可容忍度均接近1，VIF

3、財務彈性水平、財務杠桿與公司價值的回歸結果。從我們的回歸結果來看，在清除盈利性水平、資產(chǎn)擔保能力、公司規(guī)模、非債務稅盾對結果的影響后，財務彈性水平與公司價值之間始終呈正相關關系，但是不顯著。在將財務杠桿水平納入考慮后，財務彈性水平仍舊與公司價值有正相關的關系。整體性檢驗結果表明，F(xiàn)值通過檢驗。但相關系數(shù)為0569，這一結論并不支持假設H3，即財務彈性水平、財務杠桿都對公司價值有重要的影響。但財務杠桿不具有中介效應，反而提高了財務彈性水平與公司價值的相關性，進一步支持了假設H1。

三、研究結論與建議

從本文的實證結果來看，財務彈性水平的提高，會大幅提高公司價值。但根據(jù)之前的分析，處于不同成長時期的企業(yè)對財務的彈性需求是不一樣的。于是，財務風險與資金成本等多個因素都應該納入考慮范圍，測度不同發(fā)展階段的企業(yè)各自的最優(yōu)財務彈性區(qū)間是今后有待研究的問題。 （作者單位：湘潭大學）

參考文獻

[1]葛家澍，占美松.企業(yè)財務報告分析必須著重關注的幾個財務信息[J].會計研究，2008，（5）.

[2]Gamba， Andrea and Alexander J.Triantis. The value of financial Flexibility [J]. Journal of Finance forthcoming， 2008，（5）：2263-2296.

[3]DeAngelo， Harry， Linda DeAngelo and Ren M. Stulz. Dividend Policy and the Earned： A Test of the Lifecycle Theory [J].Journal of Financial Economics， 2006，（81）：227-254.

[4]Byoun and Soku. How and When Do Firms Adjust Their Capital Structures toward Targets？ [J].Journal of Finance，2008，（6）：3069-3096.

[5]屈耀輝，傅元略.優(yōu)序融資理論的中國上市公司數(shù)據(jù)驗證――兼對股權融資偏好再檢驗[J].財經(jīng)研究，2007，（2）.

篇8

為擴大國內需求，降低企業(yè)設備投資的稅收負擔，促進企業(yè)技術進步、產(chǎn)業(yè)結構調整和轉變經(jīng)濟增長方式，根據(jù)國務院常務會議精神，增值稅轉型改革的主要內容包括以下幾個方面：自2009年1月1日起，全國所有增值稅一般納稅人新購進設備所含的進項稅額可以計算抵扣；購進的應征消費稅的小汽車、摩托車和游艇不得抵扣進項稅；取消進口設備增值稅免稅政策和外商投資企業(yè)采購國產(chǎn)設備增值稅退稅政策；小規(guī)模納稅人征收率降低為3%；將礦產(chǎn)品增值稅稅率從13%恢復到17%。這一由生產(chǎn)型增值稅轉變?yōu)橄M性增值稅的舉措必將影響各行各業(yè)公司績效，而在理論界對于紡織業(yè)這一特定行業(yè)公司績效影響的研究較少。因此本文以紡織業(yè)上市公司為特定研究對象，研究增值稅轉型對這一特定行業(yè)上市公司績效的影響。

二、研究設計

（一）研究假設 增值稅轉型這一舉措意在降低企業(yè)設備投資的稅收負擔，促進企業(yè)進步，因此必然會促進企業(yè)績效的提高。企業(yè)的規(guī)模會對企業(yè)的經(jīng)營績效有較大的影響，同時也會對公司的治理結構起較大的作用。由生產(chǎn)型增值稅轉為消費型增值稅能有效減輕企業(yè)稅負，有利于企業(yè)固定資產(chǎn)投資，因此有利于公司規(guī)模的擴大和固定資產(chǎn)占總資產(chǎn)比重的提高。每股收益越高說明企業(yè)盈利能力越強。同時資產(chǎn)負債率對企業(yè)績效也有一定的影響。因此，本文提出以下假設：

H1：增值稅轉型的實施會促使企業(yè)績效更好

H2：資產(chǎn)規(guī)模的擴大有利于企業(yè)績效的提高

H3：固定資產(chǎn)占資產(chǎn)的比重較小的企業(yè)績效較好

H4：每股收益越大企業(yè)績效越好

H5：資產(chǎn)負債率越小即負債比率越小越有利于績效提高

（二）樣本選取與數(shù)據(jù)來源 本文的數(shù)據(jù)取自紡織業(yè)上市公司，利用聚源數(shù)據(jù)庫用2008年凈資產(chǎn)收益率（ROE）攤薄>4‰且總資產(chǎn)收益率（ROA）>2‰的條件對紡織業(yè)上市公司進行篩選，選取具有代表性的紡織業(yè)上市公司20家進行分析。

（三）變量定義 本文將企業(yè)績效指標作為因變量，選取凈資產(chǎn)收益率這一評價企業(yè)自有資本及其積累獲取報酬水平的最具綜合性與代表性的指標。而將能表示增值稅轉型政策的指標作為自變量，以當年新增的固定資產(chǎn)總額×增值稅稅率/總資產(chǎn)作為衡量增值稅轉型政策的指標。其中，當年新增的固定資產(chǎn)總額×增值稅稅率相當于由于增值稅轉型而減輕的稅負。該指標即為因增值稅轉型而減少的稅負占總資產(chǎn)的比重。同時設計控制變量控制一些因素對企業(yè)績效的影響，分別為公司規(guī)模、固定資產(chǎn)占總資產(chǎn)的比重、每股收益、資產(chǎn)負債率這四個變量。變量具體說明如表1所示。

（四）模型建立 本文采用先用描述性統(tǒng)計分析，相關性統(tǒng)計分析再做線性回歸分析的方法。相應的多元回歸模型為：

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+ε

其中Y表示凈資產(chǎn)收益率，X1表示增值稅轉型政策，X2表示資產(chǎn)規(guī)模，X3表示固定資產(chǎn)占總資產(chǎn)比重，X4表示每股收益，X5表示資產(chǎn)負債率。

三、實證結果分析

（一）描述性統(tǒng)計 從表2可以看出，凈資產(chǎn)收益率四年的均值分別為-0.078，0.022，0.088，0.008，呈現(xiàn)先上升再下降的趨勢。我們估計這可能是2009年金融危機造成的影響。增值稅轉型政策四年的均值分別為-3.68E-3，-1.38E-3，1.48E-4，9.73E-3，呈現(xiàn)一直上升的趨勢。說明凈資產(chǎn)收益率和增值稅轉型政策相關性很高。資產(chǎn)規(guī)模四年的均值分別為20.89，20.99，21.14，21.36，也是呈現(xiàn)一直上升的趨勢。說明增值稅轉型對公司資產(chǎn)規(guī)模帶來了正面的影響。固定資產(chǎn)占資產(chǎn)比重四年的均值分別為0.377，0.354，0.270，0.299，呈現(xiàn)先下降再上升的趨勢，說明增值稅轉型對企業(yè)資產(chǎn)結構有一定的影響。每股收益四年的均值分別為0.010，0.0783，0.187，0.078，呈現(xiàn)先上升后下降的趨勢，與增值稅轉型政策具有很高的相關性。資產(chǎn)負債率四年的均值分別為0.84，0.55，0.47，0.45，呈現(xiàn)持續(xù)下降的趨勢，說明企業(yè)償債能力持續(xù)增強。

（二）相關性分析 表3列示了各變量之間的Pearson相關系數(shù)。代表增值稅轉型政策的相關性系數(shù)分別為0.217，0.160，-0.404，0.353，除在2008年宏觀環(huán)境影響下出現(xiàn)負相關外，其他三年皆出現(xiàn)正相關，且相關性較高。資產(chǎn)規(guī)模也基本上呈現(xiàn)正相關，表示資產(chǎn)規(guī)模越大，企業(yè)經(jīng)營績效越好。每股收益四年都通過了1%的顯著性水平的檢驗，且均為正。

（三）回歸分析 為了測試凈資產(chǎn)收益率與自變量及各控制變量的關系，本文運用SPSS統(tǒng)計軟件對2009年的數(shù)據(jù)進行了回歸分析。選擇2009年的理由是：2009年作為增值稅轉型的第一年，這一年的數(shù)據(jù)比其他年份更具有研究價值。

根據(jù)表4得出回歸方程：

Y=-0.345+1.856X1+0.016X2-0.086X3+0.321X4-0.036X5

由表4可以看出，該方程總體通過了F檢驗，方程擬合程度較高，說明該方程具有統(tǒng)計意義。

針對假設1：代表增值稅轉型政策的指標顯著性水平為0.050，相關系數(shù)為2.145，說明增值稅轉型政策與企業(yè)績效顯著正相關。此項政策的實施會使企業(yè)績效變好。假設1成立。

針對假設2：資產(chǎn)規(guī)模的顯著性水平為0.326，相關系數(shù)為1.017，沒有通過顯著性檢驗。

針對假設3：固定資產(chǎn)占資產(chǎn)比重的顯著性水平為0.287，相關系數(shù)為-1.107，沒有通過顯著性檢驗。

針對假設4：每股收益的顯著性水平為0.018，相關系數(shù)為2.681，說明每股收益與企業(yè)績效顯著正相關。假設4成立。

針對假設5：資產(chǎn)負債率的顯著性水平為0.638，相關系數(shù)為-0.482，沒有通過顯著性檢驗。

四、結論

通過對紡織業(yè)上市公司有關指標的分析，本文得出以下結論：

第一，增值稅轉型可以提高企業(yè)績效。由于增值稅轉型使得購買固定資產(chǎn)的增值稅進項稅額得以抵扣，從而影響了固定資產(chǎn)成本，即引起了資產(chǎn)的變化，并且通過累計折舊引起費用的變化，并進一步影響利潤總額和凈利潤，從而提高企業(yè)績效。

第二，資產(chǎn)規(guī)模這一控制變量在2006～2009年連續(xù)四年皆未通過顯著性檢驗，因此無法得出資產(chǎn)規(guī)模與企業(yè)績效水平的關系的結論。即企業(yè)績效水平與資產(chǎn)規(guī)模無直接聯(lián)系。

第三，固定資產(chǎn)占資產(chǎn)比重這一控制變量在2006年～2009年四年中有一年為正相關，有一年為負相關，另兩年未通過顯著性檢驗，因此無法下定論。

第五，每股收益與企業(yè)績效2006年～2009年四年皆成顯著正相關。即每股收益越大，企業(yè)績效越好。

第六，資產(chǎn)負債率與企業(yè)績效呈負相關。即在一定的限度內，資產(chǎn)負債率越小，企業(yè)績效越好。即面臨較小的償債壓力。

因此通過整體分析可以得出結論：增值稅轉型確實可以提高紡織業(yè)上市公司績效。

篇9

【關鍵詞】 國有資本； 企業(yè)目標實現(xiàn)； 相關性； 列聯(lián)表

一、理論文獻綜述

西方經(jīng)濟理論認為，資本是價值增值的手段和載體。按所有者不同，資本可以分為公有資本和私有資本，公有資本通常即為國有資本。我國的國家性質和經(jīng)濟體制決定了國有資本在我國的重要地位。隨著我國社會主義市場經(jīng)濟體制的逐步建立，國有企業(yè)改革不斷深入，國有資本在一般競爭性領域戰(zhàn)略調整步伐日益加快。國有企業(yè)股份制改革增大了企業(yè)中非公有資本的比例，形成了國有資本控股、非公有資本參股或非共有資本控股、國有資本參股的混合所有制經(jīng)濟的大量出現(xiàn)；但可以看到，在證券市場上，上市公司中國有資本的比重仍然很大。因此關于國有資本與企業(yè)特別是上市企業(yè)經(jīng)營績效關系的研究在我國一直是一個熱點。

關于國有資本對企業(yè)績效的影響問題前人已進行了多項研究。在已有的研究中，關于股權結構與企業(yè)績效的實證研究結果可以分為兩大類：相關和不相關。例如，董麓、肖紅葉（2001）對169家公司1996年到2000年的有關數(shù)據(jù)進行回歸發(fā)現(xiàn)，股權集中度、國家股比例對上市公司經(jīng)營業(yè)績沒有影響；而許小年、（1999）通過對1993至1995年我國300多家上市公司的分析發(fā)現(xiàn)國家股比例與公司績效正相關。另外，郭躍進、（2005）通過對我國上市公司2002年數(shù)據(jù)的實證分析，研究了公有資本與非公有資本的結合效率問題，他們發(fā)現(xiàn)公有資本與非公有資本結合的上市公司中，非公有資本控股上市公司的經(jīng)營業(yè)績明顯優(yōu)于公有資本控股的上市公司。

二、研究方法

雖然關于企業(yè)股權結構與企業(yè)績效關系的研究前人已做過很多，并取得了豐碩的研究成果。但關于國有資本與企業(yè)特別是上市企業(yè)經(jīng)營績效相關性研究一直是熱點，且近年我國經(jīng)濟環(huán)境發(fā)生了巨大的變化，經(jīng)濟創(chuàng)新、企業(yè)改革不斷，特別是2008年爆發(fā)的全球金融危機。因此，重新分析研究當前企業(yè)國有資本與企業(yè)績效的關系是非常有必要的。

由于知識能力和篇幅有限，本文只從反映企業(yè)績效的一個方面來分析，即企業(yè)目標實現(xiàn)程度（或者盈利性）。首先，本文在進行國有資本比例與企業(yè)目標實現(xiàn)程度相關性分析的基礎上，進一步采用列聯(lián)表對兩者的關聯(lián)性進行分析。

（一）變量選取

1.對于企業(yè)目標實現(xiàn)程度指標，本文選取了凈資產(chǎn)報酬率（ROE）和營業(yè)收入現(xiàn)金比率①。關于什么是企業(yè)財務管理的目標，目前學術界還存在認識上的差異，主要觀點有三種：企業(yè)利潤最大化、股東權益最大化、企業(yè)價值最大化。雖然主流觀點是以企業(yè)價值最大化，但這一目標在計量上存在一定困難，可操作性不強，而且當前的股票市場投機行為較嚴重，不適合用股票價值來反映企業(yè)的價值。而對于利潤最大化，是一個絕對指標，對于規(guī)模相差較大的企業(yè)評價，結論準確性較差。本文選擇凈資產(chǎn)報酬率作為企業(yè)目標的衡量指標的原因：本文選取的樣本企業(yè)均為上市公司，凈資產(chǎn)報酬率較適合作為股份公司的目標，而且，凈資產(chǎn)報酬率是一項綜合性較強的指標。另外，本文還采用了營業(yè)收入現(xiàn)金比率作為補充指標。這是因為，一方面該目標容易計量，現(xiàn)金流量和營業(yè)收入數(shù)據(jù)可直接從現(xiàn)金流量表和利潤表中獲取；另一方面現(xiàn)金流量的大小在一定程度上決定了企業(yè)的生存和發(fā)展能力。因此，“現(xiàn)金流量最大化”可作為“企業(yè)價值最大化”的具體目標。

2.根據(jù)一般意義上的理解，本文將國有資本定義為上市公司的國有股份額，并在此基礎上計算國有資本占總資本的比率。定義變量B，并為變量B定義其變量值標簽：當國有資本比例≥50%時，取值1，定義為“控股”；當國有資本比例

前述變量和指標值均選取2009年年報數(shù)據(jù)，這樣更能反映2009年在金融危機影響下國有資本的新的運營情況。

（二）樣本選取

本文數(shù)據(jù)來自國泰安CSMAR系列研究數(shù)據(jù)庫。選取2009年度我國上市公司中國有資本所占比例較大且集中的交通運輸業(yè)，水、電力、煤氣供應生產(chǎn)業(yè)和社會服務業(yè)三個行業(yè)作為樣本。在樣本選取時，剔除了被特別處理的上市公司和國有資本為零的企業(yè)，最終選取了交通運輸業(yè)29家，水、電力、煤氣供應生產(chǎn)業(yè)28家，社會服務業(yè)23家，共80家上市公司作為樣本企業(yè)。

（三）實證過程

1.相關性檢驗

（1）交通運輸業(yè)相關性單尾檢驗（見表1）

H0：國有資本比例與ROE、營業(yè)收入現(xiàn)金比率相關系數(shù)≤0。

H1：國有資本比例與ROE、營業(yè)收入現(xiàn)金比率三者相關系數(shù)＞0。

結論：國有資本比例與凈資產(chǎn)報酬率（ROE）相關系數(shù)為0.507，且顯著水平0.003低于0.05，拒絕原假設，接受對立假設，即國有資本比例與凈資產(chǎn)報酬率（ROE）顯著正相關；同理，國有資本比例與營業(yè)收入現(xiàn)金比率也顯著正相關。

（2）水、電力、煤氣供應生產(chǎn)業(yè)相關性單尾檢驗（見表2）

H0：國有資本比例與ROE、營業(yè)收入現(xiàn)金比率三者相關系數(shù)≤0。

H1：國有資本比例與ROE、營業(yè)收入現(xiàn)金比率三者相關系數(shù)＞0。

結論：國有資本比例與凈資產(chǎn)報酬率（ROE）相關系數(shù)為0.451，且顯著性水平0.022低于0.05，拒絕原假設，接受對立假設，即國有資本比例與凈資產(chǎn)報酬率（ROE）顯著正相關；國有資本比例與營業(yè)收入現(xiàn)金比率相關系數(shù)為0.398，顯著性水平0.051，勉強通過假設檢驗。

（3）社會服務業(yè)相關性單尾檢驗（見表3）

H0：國有資本比例與ROE、營業(yè)收入現(xiàn)金比率三者相關系數(shù)≤0。

H1：國有資本比例與ROE、營業(yè)收入現(xiàn)金比率三者相關系數(shù)＞0。

結論：國有資本比例與凈資產(chǎn)報酬率（ROE）相關系數(shù)為0.535，且P值0.004低于0.05，拒絕原假設，接受對立假設，即社會服務業(yè)企業(yè)國有資本比例與凈資產(chǎn)報酬率（ROE）顯著正相關；但國有資本比例與營業(yè)收入現(xiàn)金比率正相關未通過顯著性檢驗。

通過對上述三個行業(yè)的相關變量的相關性單尾檢驗，可知企業(yè)國有資本與企業(yè)盈利性顯著正相關，即企業(yè)內國有資本份額越大，企業(yè)盈利性越強，企業(yè)目標完成程度越好。

2.列聯(lián)表分析

為了做出列聯(lián)表，筆者計算出上述80家公司的國有資本比例比例及各變量的平均值，其中，ROE平均值0.0726，國有資本比例平均值0.35286。以國有資本比例的平均值為標準，將樣本中的80家公司分為國有資本高比例和低比例兩類。類似地，以ROE的平均值為標準，將樣本公司分為高盈利和低盈利兩類。得到國有比例與盈利2×2列聯(lián)表列聯(lián)表中的每個數(shù)據(jù)是同時符合行、列所示特征的公司數(shù)量，如表4。

進行列聯(lián)表分析：

H0：國有資本比例與凈資產(chǎn)收益率相互獨立。

H1：國有資本比例與凈資產(chǎn)收益率不相互獨立。

結果如表5、表6所示。

期望頻數(shù)小于5的單元格為0（低于20%），且最小期望頻數(shù)16.15（大于1），有效例數(shù)為80（大于40），因此卡方值應選Pearson Chi-Square=20.124，相應P值為0.04

結論：拒絕原假設，認為國有資本比例與盈利能力不相互獨立。

因此，通過國有資本比例與盈利能力的列聯(lián)表分析，進一步驗證了國有資本與企業(yè)目標（以盈利目標為代表）的相關性。

三、結論

通過上述相關性檢驗和列聯(lián)表分析，可以得出在以2009年年報數(shù)據(jù)為基礎上分析，企業(yè)國有資本與企業(yè)目標實現(xiàn)程度成正相關。這與大多數(shù)研究的國有資本效率不高的結論是相矛盾的。一般研究認為，國有資本的所有者是全體國民，這是一個整體概念，缺乏真正人格化的代表，因此在國有資本的經(jīng)營中不可避免的存在多重的問題，進而導致了國有資本經(jīng)營效率的低下。

而本文通過實證分析得出了國有資本與企業(yè)績效正相關的結論。筆者認為這是由于特定的經(jīng)濟環(huán)境所導致的。2008年爆發(fā)了全球性的金融危機，2009年我國政府出臺了一系列刺激措施，特別是在公共事業(yè)方面，加大了財政支出。本文所選的三個行業(yè)，均與公共事業(yè)聯(lián)系密切。

本文存在一定的局限性與不足。首先，只針對交通運輸業(yè)，水、電力、煤氣供應生產(chǎn)業(yè)和社會服務業(yè)三個行業(yè)進行了分析。其次，受能力和篇幅限制，在指標選取方面，只采用了凈資產(chǎn)報酬率和營業(yè)收入與現(xiàn)金比率，還不夠全面。另外，只選取了2009年的數(shù)據(jù)，縱向拓展不夠寬，易受到一些短期因素的影響。

四、現(xiàn)實指導意義

本文通過分析研究企業(yè)國有資本比例與目標實現(xiàn)程度的關聯(lián)性，得到國有資本與企業(yè)績效正相關的結論，這對當前我國國有企業(yè)的財務績效評價具有理論和現(xiàn)實雙重意義。

受國際金融危機以及自身結構性矛盾的疊加影響，我國國有企業(yè)發(fā)展面臨著困難與挑戰(zhàn)。處于后金融危機時代的國有企業(yè)，應抓住政府出資人的優(yōu)勢，大力整合現(xiàn)有資源，明晰企業(yè)產(chǎn)權，真正體現(xiàn)出政府出資人的職能到位。

一方面，完善國有資產(chǎn)所有者治理結構，建立具有完善法人治理結構的現(xiàn)代企業(yè)制度。可以抓住改制上市的時機，推動企業(yè)主營業(yè)務整體上市，直至整體企業(yè)的上市，在不改變國家所有權的前提下，實現(xiàn)股權多元化。

另一方面，引人市場的監(jiān)督機制，重建內部激勵機制，實現(xiàn)國有企業(yè)內部治理的高效率。

【參考文獻】

［1］ 杜志淵.常用統(tǒng)計分析方法――SPSS應用［M］.山東人民出版社，2006.

［2］ 郭躍進，.我國上市公司公有資本與非公有資本結合效率的實證研究［J］.金融管理，2005（4）.

［3］ 張彥，曹曉麗.資本結構與財務目標實現(xiàn)程度的相關性分析［J］.財會通訊（學術版），2005（8）.

［4］ 陳艷利.國有資本收益管理問題研究［J］.國有資產(chǎn)管理，2008（10）.

篇10

一、 研究設計

本文選取28家農(nóng)商行2006年～2015年非平衡面板數(shù)據(jù)，分析利差影響因素。樣本數(shù)據(jù)來自wind數(shù)據(jù)庫和各銀行網(wǎng)站的公開信息（年度報告、信息披露等）。

常見利差指標有兩種，一是衡量銀行存貸款業(yè)務盈利能力的凈利差（Net Interest Margin， NIM），等于凈利息收入與平均總資產(chǎn)的比重，二是反映銀行定?r能力的利息差額（Net Interest Spread， NIS），即，名義貸款利率與存款利率的差額。根據(jù)數(shù)據(jù)來源，建立基本模型（公式1），被解釋變量為凈利差（nim），解釋變量包括度量經(jīng)營績效的資產(chǎn)收益率（roa），度量銀行風險的不良貸款率（npl）和流動性比率（lr），以及度量業(yè)務多元化的熵指數(shù)（ei）。另外，模型還加入了銀行規(guī)模、資本充足率、股權集中度、董事會人數(shù)、員工人數(shù)和分支機構數(shù)等控制變量。

nim=？琢0+？琢1roa+？琢2ei+？琢3npl+？琢41r+？琢5lna+？琢6ca+？琢7lshp+？琢8bn+？琢9em+？琢10af+？著 （公式1）

本文選取凈利差（nim）作為被解釋變量，衡量銀行傳統(tǒng)存貸款業(yè)務盈利能力，指標數(shù)值越大，說明銀行傳統(tǒng)業(yè)務盈利水平越高。

資產(chǎn)收益率（roa）等于凈利潤/平均總資產(chǎn)，是衡量各銀行經(jīng)營績效的常用指標，數(shù)值越大，說明經(jīng)營績效越好。銀行多元化經(jīng)營情況通常使用赫芬達爾指數(shù)（Herfindahl）或熵指數(shù)度量，因前者產(chǎn)生的馬太效應可能會放大非利息收入與利息收入間的差距，選取熵指數(shù)（ei）度量商業(yè)銀行多元化經(jīng)營程度。商業(yè)銀行在經(jīng)營管理過程中面臨信用風險、市場風險、流動性風險和操作風險等。農(nóng)商行作為地方法人銀行，大多專注于存款、貸款等傳統(tǒng)業(yè)務，面臨的風險集中于信用風險和流動性風險等方面，選取信用風險和流動性風險來衡量銀行風險。由于農(nóng)商行大多為非上市銀行，考慮數(shù)據(jù)的可得性，加之農(nóng)商行信貸業(yè)務占比較大，面臨的信用風險主要是貸款業(yè)務的違約風險，選取不良貸款率（npl）作為度量農(nóng)商行信用風險指標，數(shù)值越高表示銀行面臨的信用風險越大。流動性比率（lr）等于流動資產(chǎn)/流動負債，是衡量銀行流動性風險的常見指標。

銀行規(guī)模大小一般均采用銀行年末總資產(chǎn)來衡量，總資產(chǎn)越多表明銀行規(guī)模越大，選取年末總資產(chǎn)的自然對數(shù)（lna）衡量農(nóng)商行規(guī)模大小。作為銀行監(jiān)管的重要指標，資本充足率（ca）等于資本總額對其風險加權資產(chǎn)的比率，反映銀行抵御風險能力，也是影響銀行利差的因素之一，選取銀行年末資本充足率作為控制變量。股權集中度是反映銀行股東構成的重要指標，選用最大股東持股比例（lshp）衡量股權集中度。銀行董事會人數(shù)（bn）、員工人數(shù)（em）和分支機構數(shù)（af）都可能影響銀行傳統(tǒng)存貸業(yè)務開展，將其加入控制變量。

二、 實證分析

1. 描述性統(tǒng)計。由表1可以看出，樣本農(nóng)商行凈利差均值為2.83%，最小值為0.38%，最大值為5.24%，標準差較小，僅為0.83。解釋變量資產(chǎn)收益率均值為1.29%，標準差為0.60，熵指數(shù)均值為0.38，標準差僅為0.18，是所有變量中最小的。銀行風險衡量指標不良貸款率均值為2.12%，標準差為2.38，流動性比率均值為48.69%，標準差達到14.29，說明不同銀行面臨的信用風險和流動性風險差異較大。主要控制變量中，員工人數(shù)和分支機構數(shù)的標準差大，分別為2 288.58和203.49，表明各樣本銀行對人力資源和網(wǎng)點設置投入差異大。

2. 面板回歸。選用傳統(tǒng)最小二乘法、面板固定效應模型和面板隨機效應模型，對樣本數(shù)據(jù)進行回歸分析。

Hausman檢驗結果p值0.25，說明選擇面板隨機效應模型更優(yōu)。回歸分析結果（表2）顯示，經(jīng)營績效與凈利差顯著正相關，面板隨機效應模型下，在1%水平上顯著有效，相關系數(shù)為0.35。最小二乘法和面板隨機效應模型下，業(yè)務多元化與凈利差在1%水平上顯著負相關，相關系數(shù)分別為-1.70和-1.09。不良貸款率和流動性比率對凈利差分別有正向和負向影響，但顯著性較差。在5%水平上，銀行規(guī)模、分支機構個數(shù)與凈利差之間顯著負相關，資本充足率和員工人數(shù)對凈利差影響為正。

3. 聚類分析。所選樣本數(shù)據(jù)根據(jù)不同標準進行分類，適宜采用聚類分析進行實證研究。聚類數(shù)據(jù)的誤差項與組內聚類相關，需要對聚類進行修正。為對比檢驗結果，首先對樣本數(shù)據(jù)進行非面板聚類分析，然后采用修正過的面板聚類分析進行實證檢驗。

樣本農(nóng)商行28家，涵蓋東部、中部和西部地區(qū)，包括省級（省、自治區(qū)和直轄市）農(nóng)商行，省會市（省會和單列市）農(nóng)商行，地級市農(nóng)商行，縣（區(qū)）級農(nóng)商行；成立年限分為五年及以下，五到十年，十年以上。可以銀行（bank）、區(qū)域（r）、機構層級（ins）和成立年限（sy）分別為聚類指標。r將東部、中部和西部地區(qū)農(nóng)商行分別賦值為1、2、3。ins將省級（直轄市、自治區(qū)）、省會市（單列市）、地級市、縣（區(qū)）級農(nóng)商行分別賦值為1、2、3、4。sy將五年及以下、五到十年、十年以上分別賦值為1、2、3。

（1）非面板聚類分析。不考慮數(shù)據(jù)的面板性質，直接對樣本分別以無聚類指標，銀行聚類指標、區(qū)域聚類指標、機構層級聚類指標和成立年限聚類指標，采用普通最小二乘法進行回歸分析。

回歸分析結果（表3）顯示，資產(chǎn)收益率與凈利差在所有檢驗方法下均顯著正相關，說明資產(chǎn)收益率對凈利差有較強的正向影響，銀行經(jīng)營績效提高，會顯著提升凈利差。

在回歸分析考慮聚類因素后，流動性風險、業(yè)務多元化、銀行規(guī)模、股權集中度、董事會人數(shù)、員工人數(shù)和分支機構數(shù)對凈利差影響顯著。以銀行、區(qū)域和機構層級為聚類的回歸中，流動性比率對凈利差顯著負相關，相關系數(shù)均為-0.008。在4種聚類分析中，業(yè)務多元化對凈利差均有顯著負向影響，相關系數(shù)均為-1.7。

對主要控制變量來說，在銀行、區(qū)域、機構層級和成立年限的聚類分析中，銀行資產(chǎn)規(guī)模、股權集中度與凈利差均為顯著負相關，員工人數(shù)與被解釋變量顯著正相關，而分支機構與凈利差在銀行、區(qū)域聚類回歸分析中分別在10%和5%水平上顯著負相關。

無論是否考慮聚類因子以及不同聚類因子，上述普通最小二乘回歸分析的相關系數(shù)均相同，分析不同檢驗方法主要考慮各相關系數(shù)的標準誤差。從4種聚類分析的標準誤差來看，按區(qū)域和機構層級進行聚類回歸的標準誤差較小，說明其檢驗效果更優(yōu)。

（2）面板聚類分析。上述非面板聚類回歸結果顯示，區(qū)域、機構層級聚類的回歸結果標準誤差較小，可以繼續(xù)考慮區(qū)域和機構層級聚類指標，進行面板聚類分析，檢驗影響凈利差的因素。

面板聚類結果（表4）顯示，除機構層級聚類的面板隨機效應模型外，其他檢驗方法下，資產(chǎn)收益率均與凈利差正相關，相關系數(shù)為0.33（機構層級聚類的面板固定效應模型估計的相關系數(shù)為0.44），說明銀行經(jīng)營效益越好越有利于傳統(tǒng)業(yè)務發(fā)展。

衡量銀行風險的不良貸款率與凈利差呈正相關，但相關系數(shù)均不顯著。區(qū)域聚類的三種回歸方法下，流動性比率與凈利差均為顯著負相關，但機構層級聚類回歸分析，在10%水平上流動性比率僅在使用普通最小二乘法進行檢驗時對凈利差有顯著負向影響。

與面板回歸分析和非面板聚類分析類似，熵指數(shù)與凈利差顯著負相關，僅在使用機構層級聚類的面板隨機效應模型時相關系數(shù)不顯著，說明業(yè)務多元化對銀行凈利差有不利影響，將影響銀行傳統(tǒng)信貸業(yè)務?l展。

除了主要解釋變量之外，控制變量資本充足率、員工人數(shù)與凈利差顯著正相關，流動性比率、業(yè)務多元化、銀行規(guī)模、股權集中度、分支機構個數(shù)與凈利差之間均為顯著負相關。