石建勛,王盼盼,何宗武

(1.同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海 200092；2.同濟(jì)大學(xué)財經(jīng)研究所，上海 200092；3.臺灣世新大學(xué)財務(wù)金融學(xué)系，臺灣 臺北 11645)

中國牛市真的是“水?！眴幔?br/>——不確定性視角下股市價量關(guān)系的實證研究

石建勛1,2,王盼盼1,2,何宗武3

(1.同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海 200092；2.同濟(jì)大學(xué)財經(jīng)研究所，上海 200092；3.臺灣世新大學(xué)財務(wù)金融學(xué)系，臺灣 臺北 11645)

由于我國股市時常發(fā)生大幅波動，結(jié)構(gòu)變動和市場波動性因素可能會對價量關(guān)系產(chǎn)生重要影響。因為價量同期內(nèi)生性問題，以往的實證研究通常在VAR框架下進(jìn)行，但利用傳統(tǒng)線性VAR方法無法識別價量動態(tài)關(guān)系的非對稱性變動特征。為此，本文通過采用門限VAR模型，在價量關(guān)系的VAR框架中嵌入結(jié)構(gòu)變化和市場波動的門限變量，研究發(fā)現(xiàn)：第一，在2007-2008和2014-2015年股市大幅波動期間價量關(guān)系存在顯著的時間斷點效應(yīng)，且后者結(jié)構(gòu)變化更劇烈；第二，市場不確定性(波動率)顯著影響價量關(guān)系，隨著波動率增加，交易量對價格影響逐漸消失，而價格對交易量的影響始終高度顯著，但經(jīng)濟(jì)顯著性也逐漸下降；最后，中國股市中價格顯著引導(dǎo)交易量的變動，是價格拉動型而非資金推動型市場，因此“水?！钡恼f法并不準(zhǔn)確。

股市價量動力學(xué)；結(jié)構(gòu)變動；市場不確定性；門限VAR模型

1 引言

股市價量關(guān)系研究是技術(shù)分析的重要內(nèi)容，也是金融領(lǐng)域研究的重點難點問題。我國投資者普遍認(rèn)為2014-2015年的牛市是“水牛”，事實上，“水?！闭f法包含價量因果關(guān)系特征——即交易量的提升拉動價格上漲，是資金推動型市場。但事實的確如此嗎？誠然，在此輪牛市中價格上漲的同時伴隨著交易量的巨量提升(見圖1)，但仍須通過科學(xué)嚴(yán)謹(jǐn)?shù)膶嵶C檢驗來識別我國股市價量關(guān)系特征。而且由于我國股市時常發(fā)生大幅波動，如2007-2008年和2014-2015年兩次大漲大跌，價量關(guān)系可能會隨時間變化而改變，以及受到市場波動的影響。為此，考察時間斷點和市場波動性對價量關(guān)系的影響，對深入理解我國股市微觀結(jié)構(gòu)和價格波動傳導(dǎo)機(jī)制，無疑具有重要理論和現(xiàn)實意義。

在理論上，價量關(guān)系定義為金融資產(chǎn)收益率與交易量的關(guān)系，其深刻反應(yīng)了資產(chǎn)市場運行效率和信息動態(tài)[1]。Karpoff[1]和Gallent等[2]指出，以前的實證工作主要關(guān)注價格與交易量的同期關(guān)系，但對預(yù)測和風(fēng)險管理而言，收益率與交易量間的動態(tài)(因果)關(guān)系包含更多信息[3]。

一些理論研究考察了股票收益率與交易量的動態(tài)(因果)關(guān)系。Copeland[4]和Jennings等[5]通過建立信息到達(dá)模型發(fā)現(xiàn)股票收益率與交易量間存在正的雙向因果關(guān)系。在Epps和Epps[6]的混合分布模型中用交易量衡量交易商的價格分歧，交易商基于新進(jìn)入市場的信息來修正其保留價格，模型表明從交易量到絕對收益具有正的因果關(guān)系。然而，在Clark[7]的混合共同因子模型中交易量被視作信息流速度的代理變量，在該模型中交易量與股票收益沒有因果關(guān)系。Campbell等[8]指出伴隨著高交易量的價格變動往往會被扭轉(zhuǎn)，而那些交易量低的日內(nèi)價格變動則不會出現(xiàn)此情況。此外，還有其他強(qiáng)調(diào)交易量信息內(nèi)涵的均衡模型，Blume等[9]指出交易量提供了過去價格變動的信息，因此交易量用于解釋價格(收益)的行為非常有用。Wang Jiang[10]在一個具有信息不對稱特征的模型中發(fā)現(xiàn)交易量可能會提供關(guān)于未來預(yù)期收益的信息。Liu Xinghua等[11]也在信息不對稱的代理人模型中發(fā)現(xiàn)信息驅(qū)動的交易會產(chǎn)生價量關(guān)系。翟愛梅和周彤[12]在基于市場參與者非理性行為假設(shè)的模型中發(fā)現(xiàn)成交量和成交價格的變動正相關(guān)，成交量和成交價格變動的絕對值正相關(guān)。

盡管有強(qiáng)大的理論基礎(chǔ)，Karpoff[1]全面考察了支持價量間具有同期相關(guān)性的經(jīng)驗證據(jù)，僅發(fā)現(xiàn)二者間具有微弱的相互影響，Gallent等[2]也發(fā)現(xiàn)了類似結(jié)果。1990年以來，研究焦點開始轉(zhuǎn)向股票收益與交易量間的動態(tài)(因果)關(guān)系，主要是基于格蘭杰因果關(guān)系檢驗法的考察。但在這方面研究中，理論上“過去的交易量會對當(dāng)前收益產(chǎn)生影響”的因果關(guān)系也沒得到有力的實證支持。例如，Lee和Rui[13]指出中國滬深A(yù)股和B股市場的交易量并不能預(yù)測第二天收益。Chen Gongmeng等[14]指出在法國、意大利、日本、英國和美國市場中也不存在這樣的因果關(guān)系。Lee和Rui[15]采用日度數(shù)據(jù)研究發(fā)現(xiàn)在美國、日本和英國股市中，交易量并不是收益率的格蘭杰原因。在巴基斯坦市場[16]和五個東南亞新興市場[17]中，交易量和收益率間也不存在因果關(guān)系。Azada等[18]考察了三個南亞新興市場國家的價量關(guān)系，發(fā)現(xiàn)南亞金融市場處于弱的無效率形式。Chuang等[19]在其所分析的十個亞洲市場中，僅在兩個市場中發(fā)現(xiàn)交易量能夠影響收益率。Chen[20]指出S&P500的交易活動僅在熊市中能影響后來的收益率，但當(dāng)同時考慮牛市和熊市時量價間因果關(guān)系就沒有了。不過，也有一些研究發(fā)現(xiàn)交易量與收益率間存在因果關(guān)系，如Saatcioglu和Starks[21]和Rojas和Kristjanpoller[22]對六個拉美國家的研究。范從來和徐科軍[23]指出中國股市的交易量在一定程度上可作為衡量不同時期公司股票收益率間領(lǐng)先關(guān)系的指標(biāo)。張永冀等[24]研究發(fā)現(xiàn)交易量信息在中國股市的價格發(fā)現(xiàn)中比歷史價格信息更有效。

還有一些研究指出價量間具有非線性關(guān)系[25-26]。Chuang等[3]使用分位數(shù)回歸法研究發(fā)現(xiàn)對于NYSE、S&P500和FTSE100指數(shù)，當(dāng)收益率處于分布頂端(底端)時，過去的交易量對收益率具有正向(負(fù)向)影響，Lin[27]和Gebka和Wohar[28]采用相同方法研究發(fā)現(xiàn)在六個亞洲新興市場國家和太平洋盆地國家也存在此現(xiàn)象。錢爭鳴和郭鵬輝[29]也采用分位數(shù)回歸法研究發(fā)現(xiàn)中國股市價量關(guān)系存在明顯的價格非對稱性。許啟發(fā)[30]等進(jìn)一步采用大規(guī)模數(shù)據(jù)分位回歸方法研究指令不均衡與股票收益的關(guān)系，發(fā)現(xiàn)指令不均衡對股票收益具有解釋和預(yù)測能力。除了分位數(shù)回歸法，學(xué)者們還采用其他非線性方法考察股市價量關(guān)系，如Matilla-Garcia等[31]利用基于排列熵的非參數(shù)檢驗法研究股票價格與交易量間的非線性因果關(guān)系，Hasan和Salim[32]運用碎形幾何的非線性方法研究發(fā)現(xiàn)印度股市的價量交叉相關(guān)，而且價量間關(guān)聯(lián)是復(fù)雜狀態(tài)。此外，還有基于機(jī)制轉(zhuǎn)換Copula模型研究股市量價尾部關(guān)系特征[33]、運用動態(tài)估計方法分析股市歷史信息的長記憶性特征[34]以及運用ARMA-GJR-GARCH-Copula模型分析市場流動性與市場預(yù)期間的動態(tài)相關(guān)結(jié)構(gòu)[35]等相關(guān)研究。

考察國內(nèi)外相關(guān)文獻(xiàn)不難發(fā)現(xiàn)：第一，無論是采用線性或非線性方法，已有研究都很少考察價量關(guān)系的結(jié)構(gòu)變動特征，而這很可能對我國股市價量關(guān)系有顯著影響，因為我國股市時常發(fā)生大漲大跌；第二，在我們的文獻(xiàn)閱讀范圍內(nèi)，已有研究沒有考慮到市場不確定性對價量關(guān)系的影響。如果用交易量衡量投資者交易行為，那么價量關(guān)系即為投資者交易行為與市場價格間的雙向互動關(guān)系，一方面，投資者根據(jù)其對未來價格的預(yù)期做出投資交易決策，另一方面，投資者交易行為也影響市場價格走勢。在已有文獻(xiàn)中，一個被忽視卻十分重要的基本事實是——投資者是基于其對未來價格的預(yù)期而做出交易決策的，即投資者是在不確定的環(huán)境下做出交易決策，因此投資者將不僅考慮預(yù)期價格，也同樣在乎價格的不確定性(即風(fēng)險，可用波動率衡量)。在相同的預(yù)期價格下，不確定性的不同也可能導(dǎo)致投資者做出不同的投資交易決策，因此價量關(guān)系就會受到市場不確定性的影響。特別地，由于我國股市時常發(fā)生大幅波動，市場不確定性對價量關(guān)系的影響就顯得更為重要。

本文通過采用門限VAR模型，在價量關(guān)系的VAR框架中嵌入結(jié)構(gòu)變化和市場波動的門限變量，研究時間斷點和市場波動率對我國股市價量關(guān)系的非對稱影響。本文邊際貢獻(xiàn)主要包括：第一，本文在價量關(guān)系研究中首次將市場不確定性因素納入考量，為價量關(guān)系研究提供了新視角，豐富了該領(lǐng)域的文獻(xiàn)，同時也使研究結(jié)論更加貼近現(xiàn)實，是本文的重要創(chuàng)新點；第二，本文通過采用門限VAR模型，以市場波動率作為門限變量，研究波動水平對股市價量關(guān)系的門限效果；第三，本文從時間結(jié)構(gòu)變化視角，采用結(jié)構(gòu)變動VAR模型識別出了我國股市近十幾年來價量關(guān)系發(fā)生顯著突變的時間斷點，有助于更好地理解我國股市價量關(guān)系的時變特征，在研究方法上具有一定創(chuàng)新性。

2 模型與方法

2.1線性VAR模型

價量關(guān)系具有明顯的雙向因果性，因此對價量關(guān)系建模會遇到內(nèi)生性問題。Sims[36]提出的向量自回歸模型(Vector Autoregression，簡稱VAR)通過將系統(tǒng)中每一個內(nèi)生變量作為所有內(nèi)生變量滯后值的函數(shù)來建立模型，是處理多個內(nèi)生時間序列變量的有效工具。普通VAR模型假設(shè)變量間關(guān)系為線性，又稱為線性VAR模型。

(1)

其中，Li為滯后算子，i=1，2，…，p。

2.2門限VAR模型

門限VAR模型(Threshold VAR，簡稱TVAR)是識別系統(tǒng)中非線性特征的拓展VAR模型，非線性特征可能來自于結(jié)構(gòu)變動、非對稱性等因素，對本文研究對象股市價量關(guān)系而言，意味著價量關(guān)系特征是否隨著樣本某一特征變量的變動而改變。這個特征變量，就是用來劃分樣本的門限變量(Threshold variable)。依據(jù)門限變量所設(shè)定的劃分標(biāo)準(zhǔn)，稱為門限值(Threshold value)。門限變量所捕捉到的模型非對稱性，允許模型中的系數(shù)矩陣在門限值前后發(fā)生變動。門限變量既可以是VAR系統(tǒng)的內(nèi)生變量，也可以是其他外生變量。門限值的設(shè)定可以是一個(或多個)，然后根據(jù)門限值將樣本一分為二(或分成更多子樣本)。

(2)

其中，I(·)為示性函數(shù)，若括號中表達(dá)式為真，則取值為1，反之為0。γ為待估計門限值。顯然，TVAR模型是一個非線性VAR模型，因為它無法寫成各參數(shù)的線性函數(shù)。TVAR模型的估計方法為最小化殘差平方和(SSR)，通常使用兩步法估計：第一步，給定γ的取值，對方程(2)使用線性回歸方法來估計各系數(shù)，并計算殘差平方和SSR(γ)，其為γ的函數(shù)；第二步，選擇γ使SSR(γ)最小化，并據(jù)此得到估計系數(shù)。

Hansen[37]提出似然比檢驗法(LR test)來檢驗門限效應(yīng)(Threshold effect)的顯著性：

(3)

類似地，當(dāng)包含兩個門限值(γ1和γ2，γ1<γ2)時，TVAR模型可設(shè)定如方程(4)所示，其估計和檢驗方法也與上述類似。

(4)

可以看出，建立TVAR模型關(guān)鍵在于門限變量的選擇，選擇不同門限變量，模型估計結(jié)果及含義也不同。當(dāng)選擇時間作為門限變量(thvt=t)，可研究VAR模型結(jié)構(gòu)的時間變動(Time varying)特征，此時模型又稱作結(jié)構(gòu)變動VAR模型(Structural change VAR，簡稱scVAR)。

2.3研究設(shè)計

3 數(shù)據(jù)與描述性統(tǒng)計

3.1數(shù)據(jù)來源與處理

選擇2003年3月4日到2016年6月24日的上證指數(shù)日收盤價pt和交易量Qt作為原始數(shù)據(jù)，樣本觀測數(shù)3213。對原始數(shù)據(jù)做如下處理：根據(jù)方程(5)計算出上證指數(shù)的日百分比收益率，作為調(diào)整后價格(rett)；根據(jù)方程(6)去除交易量的時間趨勢，其中T為時間變量，取出回歸殘差項作為調(diào)整后交易量(volt)。

rett=[log(pt)-log(pt-1)]*100

(5)

log(Qt)=c+αT+ε

(6)

均值方程：rett=c+φrett-1+εt

(7)

(8)

3.2描述性統(tǒng)計分析

從圖1可看出，上證指數(shù)價格與交易量變動存在明顯正相關(guān)性，而且在2007-2008年和2014-2015年兩次股市大幅波動期間尤其顯著，但這兩次股市波動期間的一個顯著區(qū)別是：在2014-2015年伴隨著價格上漲和下跌，交易量的變動幅度更大、更劇烈。此外，市場波動性呈現(xiàn)出明顯集聚特征，波動率較高的區(qū)間主要集中在2007-2008年和2014-2015年，此時價格和交易量的變動性也較大，這很可能會導(dǎo)致價量關(guān)系特征發(fā)生突變。

表1為對變量的描述性統(tǒng)計。調(diào)整前后的價格均具有尖峰特征，調(diào)整前價格呈右偏態(tài)勢，調(diào)整后價格呈左偏態(tài)勢，但偏離程度已有所緩和；調(diào)整前交易量表現(xiàn)出右偏和尖峰態(tài)勢，調(diào)整后交易量的右偏和尖峰程度已明顯緩和；市場波動率也表現(xiàn)出一定程度的尖峰和右偏態(tài)勢。J-B統(tǒng)計量均顯著拒絕所有序列分布的正態(tài)性假設(shè)，說明在樣本期間這些序列均為偏態(tài)分布。ADF統(tǒng)計量表明，調(diào)整后價格和交易量以及市場波動率均顯著平穩(wěn)，不具有單位根，滿足VAR建模條件。

圖1 變量時間序列圖

表1 描述性統(tǒng)計

注：括號內(nèi)為p值，*、**和***分別表示在5%、1%和0.1%水平上顯著，下同。

4 實證結(jié)果及分析

4.1中國股市價量關(guān)系的總體特征

依據(jù)施瓦茲信息準(zhǔn)則(SIC)確定VAR模型最佳滯后階數(shù)為4，建立VAR(4)模型。格蘭杰因果關(guān)系檢驗結(jié)果(表2)顯示，價格是交易量的格蘭杰原因，在0.1%水平上高度顯著；交易量也是價格的格蘭杰原因，但僅在5%水平上顯著，考慮到樣本容量大，5%顯著性不具有很強(qiáng)說服力。由此可推斷，在2003-2016年我國股市中價格顯著引導(dǎo)交易量的變動，而交易量對價格影響較弱。

表2 格蘭杰因果關(guān)系檢驗結(jié)果(全樣本區(qū)間)

4.2股市價量關(guān)系時間結(jié)構(gòu)變動檢驗

4.2.1 時間門限值的估計

以時間為門限變量(thvt=t)建立scVAR模型，門限值選擇過程見圖2，圖2-(a)為單個門限值選擇過程，圖2-(b)為兩個門限值選擇過程。估計和檢驗結(jié)果見表3-A。當(dāng)設(shè)定單個門限值時，估計出的門限值為t=2015/6/12，scVAR系統(tǒng)中兩條方程的LR統(tǒng)計量都在0.1%水平上顯著拒絕“不存在門限效應(yīng)”的原假設(shè)，說明在t=2015/6/12處存在顯著門限效應(yīng)；當(dāng)設(shè)定兩個門限值時，估計出的兩個門限值分別為t1=2015/6/12和t2=2014/8/28，也通過了LR檢驗。

scVAR模型估計結(jié)果與我國股市行情走勢十分吻合，t2和t1正好是2014-2015年牛市的起點和終點，2014年下半年牛市啟動，一路上漲直到2015年6月12日上證指數(shù)創(chuàng)出5178的最高點，隨后“股災(zāi)”發(fā)生。這說明我國股市價量關(guān)系在2014-2015期間發(fā)生了顯著的結(jié)構(gòu)變動。

t1和t2將原樣本區(qū)間劃分成2003/3/4-2014/8/28、2014/8/28-2015/6/12和2015/6/12-2016/6/24三個子區(qū)間。由于子區(qū)間2003/3/4-2014/8/28的時間跨度長，且包含一輪完整的牛熊循環(huán)，在此期間價量關(guān)系很可能也發(fā)生了較顯著的結(jié)構(gòu)變動。為此，在2003/3/4-2014/8/28區(qū)間內(nèi)再次構(gòu)建scVAR模型，因篇幅所限，門限值選擇過程圖示不再列出。估計和檢驗結(jié)果見表3-B，估計出的單個門限值為t′=2007/10/16，估計出的兩個門限值分別為t3=2007/10/16和t4=2008/11/04，并通過LR檢驗，說明在t3和t4處也存在顯著的門限效應(yīng)。

圖2 時間門限值的選擇過程 注：第一張圖是門限變量的時間序列圖，第二張圖是對門限變量的排序，第三張圖是格點搜索結(jié)果圖，下同。

表3 scVAR模型的門限值估計結(jié)果

基于區(qū)間2003/3/4-2014/8/28的scVAR模型估計結(jié)果也與我國股市行情走勢相當(dāng)吻合，t3和t4兩個門限值正好識別出2007-2008年的牛熊周期，在t3處，上證指數(shù)漲至歷史最高點6124，隨后開始暴跌，一路下跌至t4=2008/11/04處的最低點1707，之后長期低位徘徊。這說明我國股市價量關(guān)系在2007-2008年期間也發(fā)生了較顯著的結(jié)構(gòu)變動。

圖3 基于scVAR模型識別出的時間門限值

至此已識別出t1、t2、t3和t4四個時間門限值(圖3)，在這四個門限值上價量關(guān)系發(fā)生了顯著結(jié)構(gòu)變動。根據(jù)被識別出的先后順序，易知發(fā)生結(jié)構(gòu)變動的劇烈程度大小依次為t1>t2>t3>t4。據(jù)此可推斷：第一，當(dāng)股市達(dá)到高位后開始暴跌時，價量關(guān)系的結(jié)構(gòu)變動效應(yīng)更為劇烈(t1>t2，t3>t4)；第二，價量關(guān)系在2014-2015年的結(jié)構(gòu)變動比在2007-2007年更劇烈(因為t1>t2>t3>t4)；第三，2014-2015年的價量關(guān)系結(jié)構(gòu)變動特征與2007-2008年不同，2014-2015年價量關(guān)系的結(jié)構(gòu)變動發(fā)生在股市大幅上漲階段，伴隨著價格上漲，交易量呈現(xiàn)出更大幅度的上漲和更劇烈的波動，但2007-2008年價量關(guān)系的結(jié)構(gòu)變動發(fā)生在股市暴跌階段，伴隨著價格快速下跌，交易量變化卻不明顯。

4.2.2 股市價量關(guān)系結(jié)構(gòu)變動的分區(qū)間檢驗

根據(jù)四個時間門限值將原樣本劃分為五個子區(qū)間，在各子區(qū)間內(nèi)分別建立VAR模型。格蘭杰因果關(guān)系檢驗結(jié)果(表4)顯示，交易量僅在子區(qū)間1內(nèi)是價格的格蘭杰原因，即交易量僅在2007年股市暴跌前對價格有一定影響，此后交易量對價格再也沒有顯著影響；而除了在子區(qū)間5，價格對交易量的影響始終高度顯著。

上述結(jié)果證明，我國股市中價格對交易量的影響遠(yuǎn)大于交易量對價格的影響，是價格拉動型而非資金推動型市場。在子區(qū)間4(2014-2015年牛市期間)，價格顯著影響交易量，而交易量對價格沒有任何影響，說明在此期間股價上漲并不是由交易量提升所致，相反，股價上漲拉動了交易量的提升，因此“水?！闭f法并不準(zhǔn)確。

表4 格蘭杰因果關(guān)系檢驗結(jié)果(分區(qū)間)

4.3市場波動率對價量關(guān)系影響的非對稱性檢驗

4.3.1 市場波動率門限值的估計

圖4 市場波動率門限值的選擇過程

表5 TVAR模型的門限值估計結(jié)果

4.3.2 市場波動率對價量關(guān)系非對稱影響的檢驗

根據(jù)兩個市場波動率門限值將樣本劃分為三個子區(qū)間。由于子區(qū)間觀測值不連續(xù)，無法建立線性VAR模型并做格蘭杰因果關(guān)系檢驗，因此本文通過比較TVAR系統(tǒng)中各變量的系數(shù)及顯著性水平變化情況來研究市場波動率對價量關(guān)系的非對稱影響。在TVAR(4)模型中，以滯后1到4期的價格和交易量作為解釋變量，由于各滯后變量間具有較強(qiáng)自相關(guān)性，因此難以對所有滯后變量的系數(shù)和顯著性做出合理解讀。一般而言，前一天的價格和交易量對當(dāng)天價格和交易量的影響較大，相隔天數(shù)越多，影響越小。也就是說，滯后1期的解釋變量系數(shù)及顯著性水平最具可信性和說服力，因此本文選擇比較各子區(qū)間內(nèi)滯后1期的價格和交易量的系數(shù)及顯著性水平變動情況來檢驗市場波動性對價量關(guān)系的影響。

TVAR模型回歸結(jié)果見表6。ret方程的系數(shù)變化情況：在區(qū)間1，vol(-1)的系數(shù)為0.3761，僅在5%水平上顯著；在區(qū)間2和區(qū)間3，vol(-1)的系數(shù)已不顯著。vol方程的系數(shù)變動情況：在區(qū)間1，ret(-1)的系數(shù)為0.0419，在0.1%水平上高度顯著；在區(qū)間2和區(qū)間3，ret(-1)的系數(shù)分別下降為0.0197和0.018，但仍都在0.1%水平上高度顯著。

因此可推斷，交易量僅在市場波動性低時才對價格產(chǎn)生微弱影響，而價格對交易量一直具有十分顯著的影響。隨著市場波動性提高，交易量對價格的影響逐漸消失，而價格對交易量的影響始終高度顯著，但經(jīng)濟(jì)顯著性也逐漸下降。上述發(fā)現(xiàn)證實了本文最初的猜想——市場不確定性對價量關(guān)系具有顯著影響，因為投資者是在不確定的環(huán)境下做出交易決策，投資者交易決策不僅受到未來預(yù)期價格的影響，還受到價格不確定性的影響。

表6 TVAR模型回歸結(jié)果為門限變量)

注：最佳滯后階數(shù)p=4根據(jù)SIC準(zhǔn)則確定。括號內(nèi)為標(biāo)準(zhǔn)誤，*、**和***分別表示在5%、1%和0.1%水平上顯著。

5 結(jié)語

由于價量同期內(nèi)生問題，股市價量關(guān)系實證研究通常在VAR框架下進(jìn)行，但利用線性VAR方法考察價量關(guān)系沒有考慮到結(jié)構(gòu)變動和市場波動性的影響，而這在我國股市中是十分重要的因素。本文通過在價量關(guān)系VAR框架中嵌入結(jié)構(gòu)變化和市場波動的門限變量來估計我國股市價量關(guān)系的動態(tài)變化，在文獻(xiàn)上具有重要貢獻(xiàn)。本文研究發(fā)現(xiàn)了穩(wěn)健的結(jié)果和有意義的推論：第一，我國股市價量關(guān)系在2007-2008年和2014-2015年期間存在顯著的時間斷點效應(yīng)，且后者結(jié)構(gòu)變化更劇烈。第二，市場波動率顯著影響價量關(guān)系，當(dāng)市場波動性低時，交易量與價格相互影響，但價格對交易量影響更大；隨著波動性提高(主要是在2007-2008年與2014-2015年期間)，交易量對價格的影響逐漸消失，而價格對交易量的影響仍十分顯著，但經(jīng)濟(jì)顯著性逐漸下降。第三，總體來看，我國股市中價格顯著引導(dǎo)交易量的變動，而交易量對價格的影響十分微弱，可見我國股市是價格拉動型而非資金推動型市場，因此“水?！闭f法并不準(zhǔn)確。

本文結(jié)論糾正了當(dāng)前關(guān)于“水?！钡腻e誤認(rèn)知，對理解我國股市微觀結(jié)構(gòu)及其變動特征具有重要意義，有助于投資者增強(qiáng)技術(shù)分析有效性，提升股市預(yù)測能力和風(fēng)險管理水平。對監(jiān)管層而言，本文政策含義在于，監(jiān)管層應(yīng)不斷提升股市管理水平，加強(qiáng)股市風(fēng)險預(yù)警與監(jiān)控，避免出現(xiàn)單邊市的暴漲暴跌，維護(hù)股市平穩(wěn)健康發(fā)展。一旦股市出現(xiàn)異常波動，救市要趁早，因為在市場大幅波動期間價量關(guān)系極弱，此時試圖通過市場介入方式來救市，效果微弱且成本高昂。

[1] Karpoff J M.The relation between price changes and trading volume: A survey[J].Journal of Financial and quantitative Analysis,1987,22(01): 109-126.

[2] Gallant A R,Rossi P E,Tauchen G.Stock prices and volume[J].Review of Financial Studies,1992,5(2): 199-242.

[3] Chuang C C,Kuan C M,Lin H Y.Causality in quantiles and dynamic stock return-volume relations[J].Journal of Banking &Finance,2009,33(7): 1351-1360.

[4] Copeland T E.A model of asset trading under the assumption of sequential information arrival[J].The Journal of Finance,1976,31(4): 1149-1168.

[5] Jennings R H,Starks L T,Fellingham J C.An equilibrium model of asset trading with sequential information arrival[J].The Journal of Finance,1981,36(1): 143-161.

[6] Epps T W,Epps M L.The stochastic dependence of security price changes and transaction volumes: Implications for the mixture-of-distributions hypothesis[J].Econometrica,1976: 305-321.

[7] Clark P K.A subordinated stochastic process model with finite variance for speculative prices[J].Econometrica,1973: 135-155.

[8] Campbell J Y,Grossman S J,Wang Jiang.Trading volume and serial correlation in stock returns[J].The Quarterly Journal of Economics,1993,108(4): 905-939.

[9] Blume L,Easley D,O'hara M.Market statistics and technical analysis: The role of volume[J].The Journal of Finance,1994,49(1): 153-181.

[10] Wang Jiang.A model of competitive stock trading volume[J].Journal of political Economy,1994,102,(1): 127-168.

[11] Liu Xinghua,Liu Xin,Liang Xiaobei.Information-driven trade and price-volume relationship in artificial stock markets[J].Physica A: Statistical Mechanics and its Applications,2015,430: 73-80.

[12] 翟愛梅,周彤.基于市場參與者行為假設(shè)的股票市場量價關(guān)系研究[J].中國管理科學(xué),2011,19(04):31-37.

[13] Lee C F,Rui O M.Does trading volume contain information to predict stock returns? Evidence from China's stockmarkets[J].Review of Quantitative Finance and Accounting,2000,14(4): 341-360.

[14] Chen Gongmeng,Firth M,Rui O M.The dynamic relation between stock returns,trading volume,and volatility[J].Financial Review,2001,36(3): 153-174.

[15] Lee B S,Rui O M.The dynamic relationship between stock returns and trading volume: Domestic and cross-country evidence[J].Journal of Banking &Finance,2002,26(1): 51-78.

[16] Rashid A.Stock prices and trading volume: An assessment for linear and nonlinear Granger causality[J].Journal of Asian Economics,2007,18(4): 595-612.

[17] Pisedtasalasai A,Gunasekarage A.Causal and dynamic relationships among stock returns,return volatility and trading volume: Evidence from emerging markets in South-East Asia[J].Asia-Pacific Financial Markets,2007,14(4): 277-297.

[18] Azad A S M S,Azmat S,Fang V,et al.Unchecked manipulations,price-volume relationship and market efficiency: Evidence from emerging markets[J].Research in International Business and Finance,2014,30: 51-71.

[19] Chuang W I,Liu H H,Susmel R.The bivariate GARCH approach to investigating the relation between stock returns,trading volume,and return volatility[J].Global Finance Journal,2012,23(1): 1-15.

[20] Chen S S.Revisiting the empirical linkages between stock returns and trading volume[J].Journal of Banking &Finance,2012,36(6): 1781-1788.

[21] Saatcioglu K,Starks L T.The stock price-volume relationship in emerging stock markets: The case of Latin America[J].International Journal of forecasting,1998,14(2): 215-225.

[22] Rojas E,Kristjanpoller W.Price-volume ratio analysis by causality and day-of-the-week effect for the Latin American stock markets[J].Lecturas de Economía,2015(83): 9-31.

[23] 范從來,徐科軍.中國股票市場收益率與交易量相關(guān)性的實證分析[J].管理世界,2002,(07): 31-36.

[24] 張永冀,汪昌云,華晨.歷史價量信息在價格發(fā)現(xiàn)中更有效嗎?——基于中國證券市場的數(shù)據(jù)分析[J].中國管理科學(xué),2013,21(S1):346-354.

[25] Hiemstra C,Jones J D.Testing for linear and nonlinear Granger causality in the stock price-volume relation[J].The Journal of Finance,1994,49(5): 1639-1664.

[26] Caginalp G,DeSantis M.Does price efficiency increase with trading volume? Evidence of nonlinearity and power laws in ETFs[J].Physica A: Statistical Mechanics and its Applications,2017,467: 436-452.

[27] Lin H Y.Dynamic stock return-volume relation: Evidence from emerging Asian markets[J].Bulletin of Economic Research,2013,65(2): 178-193.

[28] Gebka B,Wohar M E.Causality between trading volume and returns: Evidence from quantile regressions[J].International Review of Economics &Finance,2013,27: 144-159.

[29] 錢爭鳴,郭鵬輝.上海證券交易市場量價關(guān)系的分位回歸分析[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2007,(10): 141-150.

[30] 許啟發(fā),蔡超,蔣翠俠.指令不均衡與股票收益關(guān)系研究——基于大規(guī)模數(shù)據(jù)分位數(shù)回歸的實證[J].中國管理科學(xué),2016,24(12):20-29.

[31] Matilla-García M,Marín M R,Dore M I.A permutation entropy based test for causality: The volume-stock price relation[J].Physica A: Statistical Mechanics and its Applications,2014,398: 280-288.

[32] Hasan R,Salim M M.Power law cross-correlations between price change and volume change of Indian stocks[J].Physica A: Statistical Mechanics and its Applications,2017,473: 620-631.

[33] 吳吉林.基于機(jī)制轉(zhuǎn)換Copula模型的股市量價尾部關(guān)系研究[J].中國管理科學(xué),2012,20 (05): 16-23.

[34] 李云紅,魏宇,張幫正.股票市場歷史信息的長記憶性特征研究[J].中國管理科學(xué),2015,23(09):37-45.

[35] 姚登寶,劉曉星,張旭.市場流動性與市場預(yù)期的動態(tài)相關(guān)結(jié)構(gòu)研究——基于ARMA-GJR-GARCH-Copula模型分析[J].中國管理科學(xué),2016,24(02):1-10.

[36] Sims C A.Macroeconomics and reality[J].Econometrica,1980,48(1): 1-48.

[37] Hansen B.Testing for linearity[J].Journal of Economic Surveys,1999,13(5): 551-576.

Abstract： In literature,the dynamic price-volume relation is examined by Vector Autoregression (VAR thereafter) model.In this paper,the conventional VAR approach is extended to account for the impacts of structural changes and volatility levels,which are common to China.Due to dramatic responses of China’s stock market in recent years,especially two periods of considerable volatility in the years of 2007-2008 and 2014-2015,it is reasonable to conjecture that the structural changes and volatility levels could have substantial influence on the price-volume relation of Chinese stock market.The price-volume relation of the Shanghai stock market is examined with daily data from the year of 2003 to 2016,and contribution is made to the literature by estimating the price-volume relation in a VAR framework with structural breaks and volatility thresholds.As a result,more evidence and robust inferences is obtained: First,the evidence indicates that there exist significant time breaking effects.Second,the high-low volatility effects are substantially.Finally,a linear causal relation is identified from price to volume,which clearly rejects the public views.

Keywords： price-volume dynamics;structure change;market uncertainty;threshold VAR

The Price-Volume Relation of the Shanghai Stock Index Under the Perspective of Uncertainty

SHIJian-xun1,2,WANGPan-pan1,2,HeZong-wu3

(1.School of Economics and Management,Tongji University,Shanghai 200092,China；2.Institute of Finance and Economics,Tongji University,Shanghai 200092,China；3.Department of Finance,Shih Hsin University,Taipei 11645,China)

F830.9

A

1003-207(2017)09-0071-10

10.16381/j.cnki.issn1003-207x.2017.09.009

2016-08-25；

2017-03-22

國家社科基金決策咨詢點研究項目(13JCD009)；國家社科基金一般項目(10BGJ019)；上海高校智庫內(nèi)涵建設(shè)計劃項目

王盼盼(1993-)，男(漢族)，安徽舒城人，同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院博士生，同濟(jì)大學(xué)財經(jīng)研究所助理研究員，研究方向：金融市場理論與實踐、金融計量，E-mail：panpan@#edu.cn.