摘? ?要：本文利用2006年3月到2017年9月的數(shù)據(jù)，使用IVX-WALD方法研究了中國股市的可預測性，研究發(fā)現(xiàn)：（1）股息率、通貨膨脹率、M2未預期增長率和資金成本相關的到期收益率變量對未來股票超額收益率具有預測能力;（2）樣本外的檢驗發(fā)現(xiàn)股息率、股票方差和第一主成分相比歷史均值模型具有更強的預測效果;（3）熊市中，包含預測變量的預測模型能夠提高經(jīng)濟意義上的表現(xiàn)，而牛市中預測模型具有更好的統(tǒng)計檢驗效果;（4）包含情緒信息的指標在牛市中具有更好的預測能力。

關鍵詞：股市可預測性;穩(wěn)健性;股息率;情緒指標

中圖分類號：F832.5? ?文獻標識碼：A? 文章編號：1674-2265（2018）12-0003-07

DOI：10.19647/j.cnki.37-1462/f.2018.12.001

一、引言

資本市場的可預測性一直都是金融學最關心的話題之一。傳統(tǒng)的金融學認為資本市場的回報率是不可預測的，但越來越多的研究發(fā)現(xiàn)股票市場存在著可預測性，并開始受到廣泛的關注和認可，Cochrane（1999）甚至將市場收益率的可預測性稱為金融學中“新的事實”（New facts）?？深A測性的研究對于金融學理論的發(fā)展以及實務界的投資決策均有著至關重要的作用：Cochrane（2008）認為可預測性的存在會使得所有基于股票市場隨機游走假設的結果得到修改;Ferson等（2008）指出通過預測回歸發(fā)現(xiàn)的對股票市場有預測性的變量在條件定價模型中會起到作用;Campbell和Thompson（2008）通過實際數(shù)據(jù)發(fā)現(xiàn)即便微弱的預測效果也可以提高資產(chǎn)配置的效果。

盡管可預測性的研究具有十分重要的金融理論意義以及實務投資的指導意義，然而目前相關研究主要集中于美國等發(fā)達國家的市場，僅姜富偉等人（2011）對中國市場進行了相關的檢驗，但考慮到以下幾點，我們認為仍有必要重新對中國的股票市場進行可預測性檢驗：首先，由于預測變量的高度自相關性，傳統(tǒng)方法不再有效，需要采用更加穩(wěn)健有效的檢驗方法，來得到更加可靠的結論;其次，由于可預測性研究的逐步深入，近些年有越來越多的在國際市場具有可預測性的變量被發(fā)現(xiàn)，這些變量在中國是否具有可預測性還有待進一步驗證，例如Neely等（2014）發(fā)現(xiàn)技術指標對宏觀變量的可預測性具有互補的效果;另外，越來越多的研究發(fā)現(xiàn)股票市場的可預測性主要來自股市下跌過程（Henkel等，2011;Dangl和Halling，2012），在中國市場是否有同樣的情形也需要進一步檢驗。

二、文獻綜述

可預測性的研究主要分為三個方向，其中第一個研究方向是從金融學理論的角度去探究股票市場可預測性的原因。Campbell和Shiller（1988）從收益率的計算公式出發(fā)，對其進行泰勒展開等變換，發(fā)現(xiàn)股息價格比對未來的股票收益率以及股息增長率具有預測作用，并通過實證檢驗發(fā)現(xiàn)股息價格比對未來收益率具有預測作用。Rapach等（2013）發(fā)現(xiàn)美國滯后一期的收益率對于其他發(fā)達國家的股票收益率具有顯著的預測效果，認為美國處于信息的中心，由于信息摩擦使得美國資本市場能夠率先對新信息進行反映。Bollerslev等（2015）通過將方差風險溢價分解為代表經(jīng)濟不確定性風險和代表恐慌的尾部跳躍風險，發(fā)現(xiàn)方差風險溢價對市場的可預測性主要來自代表恐慌的尾部跳躍風險，為行為金融學理論提供了新的依據(jù)。關于可預測性更多的解釋以及可能涉及的金融學理論，Corhrane（2011）在2010年美國金融協(xié)會的主席演講中列出了可能的原因，例如基于宏觀經(jīng)濟的理論、行為金融學理論以及信息摩擦理論等。

可預測性研究的第二個方向是統(tǒng)計方法，由于股息價格比等預測變量通常具有高度自相關，表現(xiàn)出接近單位根過程或者單位根過程的特征，而收益率通常被認為是接近白噪聲的過程，傳統(tǒng)的回歸方法在進行可預測性的檢驗時會出現(xiàn)內(nèi)生性導致的虛假回歸情況，導致估計有偏和傳統(tǒng)檢驗方法失效（Elliott和Stock，1994;Cavanagh等，1995;Stambaugh，1999）。Campbell和Yogo（2006）（簡記為CY）提出的Bonferroni方法得到了廣泛的應用，但其仍然面臨很多問題，例如Phillips（2014）指出當預測變量平穩(wěn)時，該方法會出現(xiàn)嚴重的顯著性水平失真問題，另外該方法只適用于一維情形。Kostakis等（2015）通過類似于構造工具變量的方法提出了IVX-WALD的方法，該方法不僅適用于多維情形，并且無論預測變量服從何種過程，該方法均表現(xiàn)穩(wěn)健有效。但Phillips（2014）則提出該方法對于參數(shù)選擇敏感。

可預測性的第三個研究方向為實證研究，由于可預測性對于金融理論和投資實務均具有十分重要的作用，關于可預測性的實證研究也在各個市場展開，但主要集中在美國等發(fā)達國家（Campbell和Thompson，2008;Welch和Goyal，2008;Rapch等，2013）。發(fā)展中國家的相關研究也正逐步展開，例如Narayan和Bannigidadmath（2015）發(fā)現(xiàn)印度的資本市場具有可預測性。在中國市場的可預測性檢驗方面，姜富偉等（2011）采用了傳統(tǒng)的方法同樣發(fā)現(xiàn)了可預測性。

三、數(shù)據(jù)描述

本文數(shù)據(jù)來源于萬得數(shù)據(jù)庫，關于樣本區(qū)間的選擇，李志冰等（2017）通過五因子模型發(fā)現(xiàn)股改后市場更加有效;另外，在2006年之后有更多的預測變量供我們選擇，例如與企業(yè)債相關的信用利差（Campbell和Thompson，2008），因此為了使數(shù)據(jù)更加有效，更能反映股權分置改革之后的情形，以及加入更多的預測變量，將時間區(qū)間選為2006年3月至2017年9月。

關于股票市場收益率的選擇，根據(jù)Campbell和Shiller（1988）的推導公式以及國際上常用的方法（Welch和Goyal，2008），選擇滬深300全收益（萬得對應代碼為H00300.CSI）的超額收益率作為數(shù)據(jù)庫中研究對象，其中無風險收益率選取了銀行三個月的定期存款利率。

預測變量選擇了姜富偉等（2011）選取的12個變量以及其他國際市場上發(fā)現(xiàn)的具有預測能力的變量。姜富偉等（2011）中的變量包含股利支付率（DE）、股利價格比（DP）、股息率（DY）、盈余價格比（EP）、賬面市值比（BM）、股票方差（SVAR）、凈權益增加（NTIS）、換手率（TO）、通貨膨脹率（Infl）、M0未預期增長率（M0G）、M1未預期增長率（M1G）以及M2未預期增長率（M2G）。新加入的在國際市場上被發(fā)現(xiàn)有預測能力的變量有：短期利率（ST）選擇的是銀行三個月的定期存款利率;長期利率（LT）是十年期國債到期收益率;期現(xiàn)利差（TS）為長期利率與短期利率之差;投資級債到期收益率（AAA）是AAA級企業(yè)債十年到期收益率;投機級債到期收益率（AA）是AA級企業(yè)債十年到期收益率，由于中國債券市場開展較晚，該數(shù)據(jù)從2007年5月才可獲得;信用利差（DYS）是AA級企業(yè)債到期收益率與AAA級企業(yè)債到期收益率之差;美國滯后期收益率（USL）是標普500的對數(shù)收益率;技術指標參照了Neely等（2014）的方法構造了14個技術指標，并加總成一個變量（tech_indi）。

大量文獻（Elliott和Stock，1994;Cavanagh等，1995;Stambaugh，1999）均提出，當預測變量高度自相關，并且預測方程和預測變量的自回歸方程噪音項相關時，傳統(tǒng)的檢驗方法會失效，本文首先給出了所有變量的一階自回歸系數(shù)以及單位根檢驗結果，單位根檢驗采用了三種方法，分別是ADF檢驗、PP檢驗以及KPSS檢驗，其中ADF檢驗和PP檢驗的原假設為序列服從單位根過程，而KPSS的原假設為序列是平穩(wěn)過程。相關結果見表1。

從表1可以看出，大部分變量的自回歸系數(shù)與1接近，并且單位根檢驗顯示這些變量可能服從單位根過程，比如與利率水平相關的變量，根據(jù)Elliott和Stock（1994）等研究的發(fā)現(xiàn)，傳統(tǒng)的統(tǒng)計方法不再有效。另外，SP500的收益率等正如我們預期的一樣，呈現(xiàn)出平穩(wěn)過程的特征，這使得被廣泛使用的CY法不再適用。同時，我們發(fā)現(xiàn)大多數(shù)變量在三個檢驗中出現(xiàn)了不一致的結論，例如股利價格比和股息率等，使我們并不能確定該變量服從何種過程，對我們進一步開展市場的可預測性檢驗造成困難。

四、統(tǒng)計檢驗的有效性

由于很難判斷預測變量服從何種過程，使得傳統(tǒng)的方法以及CY的方法都不再有效，而Kostakis等人（2015）提出的IVX-WALD在即便不知道預測變量服從何種過程時，仍然具有穩(wěn)健有效的統(tǒng)計結果。除此之外，相比于CY只適用于一維變量的可預測性檢驗，IVX-WALD方法可以適用于多維情形，并且目前越來越多的文獻發(fā)現(xiàn)不同維度的變量包含不同的信息，通過不同維度的變量進行結合會提高模型的預測能力。例如Ang和Bekaert（2007）發(fā)現(xiàn)短期利率能夠在短期水平上提高股利價格比的預測力;Neely等人（2014）發(fā)現(xiàn)技術指標變量對宏觀變量的可預測性具有互補的效果。然而Phillips（2014）指出IVX-WALD法對于參數(shù)的選取敏感，本文將結合中國市場的數(shù)據(jù)，來檢驗選擇的參數(shù)是否適用于中國市場的可預測性檢驗。

與Kostakis等（2015）一樣，參數(shù)Φ和Σ的選擇來自中國市場數(shù)據(jù)基于上述模型進行的估計，根據(jù)表1的結果，我們分別選擇股息率、通貨膨脹率以及M2未預期增長率來分別代理單位根、接近單位根以及平穩(wěn)過程。同時為了說明傳統(tǒng)方法不適用，我們也給出了OLS方法的顯著性水平檢驗，選擇{100，250，500}三種樣本大小，檢驗結果均是使用1000次隨機模擬計算得來，顯著性水平選擇為5%，具體結果見表2?？梢钥闯?，當預測變量為單位根時，傳統(tǒng)的檢驗方法出現(xiàn)了嚴重的顯著性水平失真的情況，而IVX-WALD則表現(xiàn)十分穩(wěn)健，與0.05的理論值較近，同樣聯(lián)合檢驗也顯示出同樣的結果。

為了進一步說明IVX-WALD檢驗方法同樣具有檢驗效力，進一步對參數(shù)A進行不同取值，來測算IVX-WALD在中國市場的檢驗效用。如果要檢驗預測變量為單位根過程的檢驗效用，則A取[bn（1，0，0）]，如果接近單位根和平穩(wěn)的情況，則A分別取[bn（0，1，0）]以及[bn（0，0，1）]，b的取值范圍為{0，4，8，…，56，60}，其中b=0時對應的是顯著性水平檢驗，結果見表3。

五、樣本內(nèi)的可預測性檢驗

在檢驗了IVX-WALD對中國市場同樣具有適用性和有效性之后，本部分檢驗在國際市場上發(fā)現(xiàn)的具有預測性的變量在中國市場是否同樣具有預測性。除了單變量檢驗外，我們進一步檢驗了三種多變量的情形，Ang和Bekaert（2007）發(fā)現(xiàn)短期利率能提高股利價格比的預測能力;Lamont（1998）發(fā)現(xiàn)股息和盈余具有不同的信息，因此第二種情形我們考慮了股利價格比和股息支付率兩個變量的聯(lián)合;Neely等人（2014）發(fā)現(xiàn)技術指標對宏觀變量的可預測性具有互補的效果，因此我們首先將其他變量一一與技術指標的變量聯(lián)合對股票市場收益率進行預測，選擇了唯一聯(lián)合檢驗顯著的通貨膨脹率來進行結果展示。具體結果見表4。

從單變量的檢驗結果來看，傳統(tǒng)估值方面的變量并沒有顯現(xiàn)出顯著的預測性，僅股息率在10%的水平上具有預測性;而通貨膨脹率卻是所有變量中最為顯著的預測變量;在三個衡量貨幣流通量的指標中，僅M2維度具有5%水平上的顯著性;與資金成本相關的變量中，有三個變量具有較高的預測能力，而衡量時間維度風險的期限利差以及信用風險的信用利差均沒有表現(xiàn)出預測能力;學術界新發(fā)現(xiàn)的美國市場滯后收益率以及技術指標在中國市場中均未表現(xiàn)出顯著的預測能力。在多變量情形，聯(lián)合檢驗中僅發(fā)現(xiàn)通貨膨脹率與技術指標的聯(lián)合檢驗具有微弱的顯著性，并且通過結果發(fā)現(xiàn)其預測能力主要來自通貨膨脹率。

六、樣本外的可預測性檢驗

Welch和Goyal（2008）提到樣本內(nèi)的檢驗會因為模型假設錯誤而導致效用降低，因此建議進行樣本外的可預測性檢驗。關于樣本外的檢驗，采用學術上通用的擴展估計法，即用[t0]期到[t1]期的數(shù)據(jù)估計模型系數(shù)并預測[t1+1]的超額收益，到了下一期，再用[t0]期到[t1+1]期的數(shù)據(jù)估計模型系數(shù)并預測[t1+2]的超額收益，以此類推，同時采用Narayan和Bannigidadmath（2015）的方法，將樣本外的區(qū)間設置為整個樣本的50%，即樣本外區(qū)間為2012年1月到2017年9月。除了對單變量進行樣本外檢驗，Rapach等（2010）發(fā)現(xiàn)變量的聯(lián)合預測具有更強的樣本外預測效果，本文采用兩種方法來將各個變量的信息包含進來：第一種采用主成分（該方法簡記為PCA）方法，為了保障所有信息均是可獲得的信息，在每一期預測時，僅采用這一期之前的數(shù)據(jù)進行主成分的提取，并以第一主成分作為預測變量;第二種方法是將所有單變量預測的下一期超額收益率的平均值（該方法簡記為MEAN）作為一個新的預測值。

七、分時期檢驗

越來越多的研究發(fā)現(xiàn)股票市場的可預測性主要來自股市下跌過程（Henkel等，2011; Dangl和Halling，2012），為了檢驗中國的股票市場是否也在市場環(huán)境較差時更具預測效果，在樣本外的部分構建了牛市和熊市兩個子樣本，其中熊市樣本區(qū)間為2013年2月到2014年4月和2015年6月到2016年2月，牛市樣本區(qū)間選擇了2014年5月到2015年5月和2016年3月到2017年9月。具體結果見表6。

結合表6，發(fā)現(xiàn)熊市結果和牛市結果確實有所差異，在熊市中，盈余價格比、股票方差和第一主成分三個變量能取得更好的表現(xiàn);而在牛市中，股息率、賬面市值比、通貨膨脹率、所有變量預測的平均值以及能夠代表情緒的市場波動率、凈權益增加和技術指標具有更好的預測能力。雖然整體而言，牛市存在更多具有可預測性的變量，但在經(jīng)濟意義上，熊市中各指標具有更好的結果。以投資收益率而言，在熊市中，盈余價格比從歷史均值模型下-1.883%提升到了-0.655%;相比之下，在牛市中，表現(xiàn)最好的通貨膨脹率也僅從歷史均值模型下的3.024%提升到3.419%。

八、結論及建議

本文主要研究了中國股票市場的可預測性，選取了目前學術界常用的可預測性指標，通過三種單位根檢驗方法，發(fā)現(xiàn)大部分變量在三種單位根檢驗中出現(xiàn)了結論不一致的現(xiàn)象，這種預測變量的自相關程度不確定性使得傳統(tǒng)的可預測性檢驗方法和學術界常用的CY方法都不再適用。結合中國數(shù)據(jù)，本文發(fā)現(xiàn)IVX-WALD方法相比于傳統(tǒng)方法更加穩(wěn)健有效。

樣本內(nèi)的可預測性檢驗發(fā)現(xiàn)，通貨膨脹率具有最顯著的預測效果，與資金利率水平相關的債券到期收益率和短期收益率對股票市場具有可預測性。另外，M2未預期增長率和股息率也具有微弱的可預測性。在進行多變量檢驗時，并未發(fā)現(xiàn)明顯的可預測性，并且多變量的聯(lián)合顯著性主要來自其中某個變量的顯著性。

樣本外的檢驗發(fā)現(xiàn)，股息率、股票方差和第一主成分能夠提高歷史均值模型的表現(xiàn);但將樣本分為熊市和牛市進行檢驗時，發(fā)現(xiàn)樣本外的可預測性主要來自牛市時期;包含情緒的相關變量在牛市中具有更好的預測效果。

樣本內(nèi)資金成本的預測能力表明中國市場仍主要為資金驅動的市場，同時牛市中包含情緒的變量具有更加顯著的預測能力，也顯示市場也由情緒驅動。因此對中國資本市場而言，要培育以價值為導向的投資理念，仍然任重道遠，不僅需要政策制定者、監(jiān)管機構進一步完善制度，也需要投資者自身加強學習。

對于投資而言，考慮所有信息的主成分分析法和模型平均法均具有更優(yōu)的預測能力，也強調了投資者在做投資決策時需考慮多種信息，進行綜合分析，而非盲目地追從。同時也可以看出在熊市中，基于預測模型的投資更具經(jīng)濟意義，再次說明股市投資既不能盲目追從，也不能一味恐懼。

參考文獻：

[1]Ang A，Bekaert G. 2006. Stock return predictability：Is it there？[J].The Review of Financial Studies，20（3）.

[2]Bollerslev T，Todorov V，Xu L. 2015. Tail risk premia and return predictability[J].Journal of Financial Economics，118（1）.

[3]Campbell J Y，Thompson S B. 2007. Predicting excess stock returns out of sample：Can anything beat the historical average？[J].The Review of Financial Studies，21（4）.

[4]Campbell J Y， Shiller R J. 1988. The dividend-price ratio and expectations of future dividends and discount factors[J]. The Review of Financial Studies，1（3）.

[5]Campbell J Y，Yogo M. 2006. Efficient tests of stock return predictability[J].Journal of financial economics，81（1）.

[6]Cavanagh C L，Elliott G，Stock J H. 1995. Inference in models with nearly integrated regressors[J].Econometric theory，11（5）.

[7]Clark T E，West K D. 2007. Approximately normal tests for equal predictive accuracy in nested models[J].Journal of econometrics，138（1）.

[8]Cochrane J H. 2011. Presidential address：Discount rates[J].The Journal of finance，66（4）.

[9]Dangl T，Halling M. 2012. Predictive regressions with time-varying coefficients[J].Journal of Financial Economics，106（1）.

[10]Elliott G， Stock J H. 1994. Inference in time series regression when the order of integration of a regressor is unknown[J].Econometric theory，10（3-4）.

[11]Ferson W E，Sarkissian S，Simin T. 2008. Asset pricing models with conditional betas and alphas：The effects of data snooping and spurious regression[J].Journal of Financial and Quantitative Analysis，43（2）.

[12]Henkel S J，Martin J S，Nardari F. 2011.? Time-varying short-horizon predictability[J].Journal of Financial Economics，99（3）.

[13]Kostakis A， Magdalinos T，Stamatogiannis M P. 2015. Robust Econometric Inference for Stock Return Predictability[J].Review of Financial Studies，28（5）.

[14]Lamont O. 1998. Earnings and expected returns[J].The journal of Finance，53（5）.

[15]Narayan P K，Bannigidadmath D. 2015. Are Indian stock returns predictable？[J]. Journal of Banking & Finance，58.

[16]Neely C J，Rapach D E， Tu J， et al.? 2014. Forecasting the equity risk premium： the role of technical indicators[J].Management Science，60（7）.

[17]Phillips PCB. 2014. On confidence intervals for autoregressive roots and predictive regression[J].Econometrica，82（3）.

[18]Rapach D E，Strauss J K， Zhou G. 2013. International stock return predictability： what is the role of the United States？[J].The Journal of Finance，68（4）.

[19]Stambaugh R F. 1999. Predictive regressions[J].Journal of Financial Economics，54（3）.

[20]Welch I， Goyal A. 2007. A comprehensive look at the empirical performance of equity premium prediction[J]. The Review of Financial Studies，21（4）.

[21]姜富偉，涂俊，David E.Rapach，Jack K.Strauss，周國富.中國股票市場可預測性的實證研究[J].金融研究， 2011，（9）.

[22]李志冰，楊光藝，馮永昌，景亮.Fama-French五因子模型在中國股票市場的實證檢驗[J].金融研究， 2017，（6）.