基于事件研究法的“大小非”解禁关于股票市场风险研究

来源:岁月联盟 作者: 时间:2013-05-01

    摘要:通过比较“大小非”解禁事件前后不同时期的风险价值VaR,来评价大小非解禁对证券市场风险的影响。首先针对股票收益率序列具有波动聚集以及尖峰、厚尾的分布形态,应用GARCH类模型计算解禁前后各一段时期内沪深两市不同解禁量股票的VaR;其次应用多种定性、定量统计方法对所计算的VaR值进行前后分析比较,分析结果表明,采用的方法能够很好地捕捉到“大小非”解禁事件增大股票市场风险趋势这一现象。
  关键词:事件研究法;VaR;GARCH;股票市场

  引言
  中国股票市场自建立之初就存在着股权分置的问题,非流通股占去了2/3左右的比例,而流通股却只占1/3,此问题一直困扰着中国股市的发展。
  2005年中国启动股权分置改革(以下简称“股改”),股改后,原非流通股成为限售股份。现阶段,中国证券市场最主要的限售股份是股改前的非流通股,这些股票可以在股改后一段时间获得流通权,也就是通常所说的“大小非”,“大非”即占总股本5%以上、股改两年后可上市流通的限售股份,“小非”即占总股本小于5%、股改一年后可上市流通的限售股份。
  伴随着2009年10月份大小非解禁“洪峰”的到来,A股市场迎来了股改以来的限售股解禁最高峰,A股市场的反弹行情也再次面临考验。数据显示,2009年10月份51家上市公司解禁股数将达3 192.39亿股,占到了全年解禁股份总量的四成。这也是自股改以来解禁规模最大的月份。天量限售股解禁,加上之前已解禁尚未减持的限售股,无论是心理上还是从实际减持结果看,对市场的压力都是显而易见的。伴随着解禁“洪峰”,市场将会受到解禁限售股怎样的影响,将成为市场关注的焦点。
  本文正是在这种背景下,通过对“大小非”解禁前后股价的变化来研究这一事件是否影响个股和股市风险的变化。由于人们对股改的预期不一致,从而导致人们对股价定位的认识也不一致,所以股价在这一过程中,会出现较大的变化。通过本文的研究结果,市场监管者可以了解不同的解禁量对市场总体风险的影响,从而根据市场的变化以及监管措施可行性完善市场,同时对于减持比例进行控制。而投资机构或个人投资者,则可以预测投资风险、调整投资结构、从而避免风险较大的投资品种,直接减少损失。
  “大小非”解禁作为中国资本市场在一定时间内特有的现象,引起了国内一些学者的研究兴趣。在实证研究方面,“大小非”解禁对收益的影响得到了广泛的市场讨论。夏清华、李文斌采用事件研究法对“大小非”解禁的市场负异常收益的影响因素进行实证探讨。研究表明:“大小非”解禁上市公司的股价在公告日具有显着的负异常收益表现。黄汉利、佘晓燕使用事件研究法对解禁前后的中期市场反应和短期市场反应分别进行了研究。得出在中期市场反应中,“大小非”解禁样本存在正的超额收益的结论。“大小非”解禁对于市场的影响、影响因素以及影响程度,不同的研究也有不少不同的看法。张冬云、张刚、刘振华认为,“小非”由于盘面相对较小对市场只是产生一定压力,并不会带来太大冲击;李慧敏 、闵纬国、石建勋则认为,“小非”冲击影响十分复杂。 对于究竟是“大非”影响大还是“小非”影响大,各篇文献从规模、基本面、控股权、市场预期等多个角度来考察,进而得出了不同的看法。但这些研究多偏于对现有数据的直观分析,缺少对问题建模并进行定量分析。“大小非”解禁是中国证券市场无法超越的问题,2009年中国证券市场大量限售股份(大非)将渡过限售期,在当前金融海啸的前提下,定量判断大小非解禁对中国证券市场的冲击,就有了更深刻的意义。
  “大小非”解禁已成为学术界与实务界日益关注的重要事件,本文将运用事件研究法,将首次解禁日视为具体事件,对每只个股分解禁前后进行建模研究。本文采用市场风险统一测量框架——VaR和GARCH类模型对中国A股市场进行研究,具体地说就是选取沪深股市多个行业的一些不同解禁量的股票,以一只股票首次解禁日为事件日,以每事件发生前八个月(约160个交易日)为估计窗,估计GARCH类模型参数,计算其VaR值;再以这些股票首次解禁日后八个月(约160个交易日)为估计窗,同样在VaR-GARCH框架下建立模型,计算其VaR值。最后,将同一只股票事件前后的风险价值VaR作比较。同时,不同股票之间事件前后风险变化也进行比较,实证结果表明:大小非解禁将使股票市场风险变大。研究中我们发现,本文所采用的比较解禁前后 VaR值的方法能够很好地捕捉到股票风险的变化,而有些文献中采用的直接比较解禁前后收益率的方法则无法有效反应股票风险的变化。
  一、VaR框架及ARCH类模型
  1.VaR的定义
  关于VaR的定义本文引述 P.Jorion在其着作中的定义:VaR是给定的置信水平和目标时段下预期的最大损失(或最坏情况下的损失)[10]:
  Prob(△pVaR)=α (1)
  其中,△p为资产在持有期内的损失值;α为给定的显着水平;VaR为置信水平1-α下的风险价值,即可能损失的上限;Prob为概率。也就是说,该资产在未来规定时间内损失(△p)大于VaR的概率为α。
  2.GARCH-VaR模型
  在通常情况下,金融数据有强烈的ARCH效应,其分布尾部和中间部位集中了大量的数据,比正态分布拥有“厚尾”特性。如果用正态分布刻画金融数据将损失大量的尾部信息,会造成VaR被低估。鉴于金融时间序列有波动聚集性和分布的尖峰厚尾特性,1982年恩格尔(Engle)提出了着名的ARCH模型。其具体形式为:
  rt=μ+εtεt=·vtht=α0+αiε2 t-i(2)
  式(2)中rt 收益率序列,μ为收益序列的均值,ht为残差εt的条件方差,vt为独立同分布的随机变量,vt与ht相互独立,α0 0,αi≥0(i=1,…,q)保证条件方差的非负性;αi1保证该过程的平稳性。
  随后,1986年Bollerslev将了残差方差的滞后项引入ARCH模型的方差方程中,得到了广义自回归条件异方差模型(GARCH模型)[11],即GARCH(p,q)模型。它有如下的条件方差(均值方程不变):
  ht=α0+αiε2 t-i+βjht-j (3)
  称序列εt服从GARCH(p,q)过程,其中,α0 0,αi≥0(i=1,…,q),βj≥0(j=1,…,p)保证条件方差的非负性;αi+bj1保证该过程的平稳性。
  GARCH模型考虑了异方差本身的自回归现象,概括能力强,是对ARCH模型的一种拓展。随后对模型的变形基本都是基于GARCH模型之上的。不过随着GARCH模型在金融领域的应用,人们也发现一般的GARCH存在两个问题。第一,以上模型中,对系数参数的非负性约束太强,过度地限制了条件方差的动态性;第二,GARCH模型中条件方差ht是εt - i的对称函数,它仅取决于εt - i的幅度而与其符号无关。这与实际不符,实际金融价格运动存在杠杆效应(leverage effect),即证券价格的上升和下降可能非对称地影响随后的波动,证券价格的下降比其同样幅度的上升对随后的波动有更大的影响。这意味着更好的模型应该对正负两类残差做出非对称的反应。为了解决以上问题,1991年Nelson[12]提出EGARCH(指数条件异方差模型)。现以EGARCH(1,1)说明εt的条件方差方程(均值方程不变):

图片内容