耿營營 劉烙軒 馮潔宜

摘要：文章從突發(fā)性事件新冠疫情入手，研究外部風險對股票投資的影響，利用多因子分析模型、ARIMA序列模型和殘差序列分析法等方法對突發(fā)性事件（外部風險）對股票的影響進行了量化分析。文章將突發(fā)事件劃分為三種類型先進行描述性統(tǒng)計，然后通過單位根檢驗后建立ARIMA模型，進而利用模型進行預測比較分析。通過研究分析發(fā)現外部性事件（新冠疫情）對股票有間接的正向沖擊影響，解釋了股票價格在疫情期間的波動游走現象，并結合事件進行具體分析。

關鍵詞：多因子量化選股；主成分分析；殘差序列分析；ARIMA模型

中圖分類號：F224；F830.9??文獻標識碼：A??文章編號：1005-6432（2023）14-0000-04

[DOI]10.13939/j.cnki.zgsc.2023.14.000

1???研究背景

新冠疫情使中國股市受到較大沖擊，但醫(yī)藥類股票卻有不一樣的態(tài)勢。國內券商研報研究顯示因多數股民對股票市場持消極態(tài)度使得股票市場利空態(tài)勢愈加嚴重。外部風險性事件對股票的影響會給投資者帶來風險。對于外部性風險事件及突發(fā)性事件的研究可更好了解股票價格的影響因子且還能幫助投資者有效規(guī)避風險。因此研究如何在利空態(tài)勢下投資股票和規(guī)避市場波動的風險顯得尤為重要。

文章參考了眾多學者對外部性突發(fā)事件影響股票的研究。李曉林（2013）[1]根據窗口事件研究法及ARIMA模型，研究了不同突發(fā)性事件對于股票價格走勢的影響，王春麗等（2018）[2]利用多因子量化選股模型來研究擇時策略。陸可等（2016）[3]基于R型聚類分析方法對股票價格走勢進行了研究。齊天鏵（2021）[4]基于灰色模型與ARIMA模型預測了股票價格。王文勝等（2018）[5]基于動態(tài)多因子分析，選擇適當的因子，根據主因子篩選與最終因子打分得出股票得分。柳思維等（2003）[6]根據有效市場假說，通過外部宏觀信息對股票價格游走選擇股票策略。余興（2012）[7]基于券商研報外部性影響對股票進行預測分析研究。鄧明光（2012）[8]通過對外部性重大事件對股票影響研究股票跳躍的行為特征。劉先偉（2012）[9]通過國外突發(fā)事件對國內股票市場影響研究，對突發(fā)事件進行分類并且利用ARIMA模型對股價影響進行分析預測。文章從30支大灣區(qū)股票中篩選10支股票預測股票了價格并使用ARIMA模型研究突發(fā)性事件對股票的影響并得出結論，完善了投資和風險規(guī)避的策略。從以上現有的研究成果來看，突發(fā)性事件對于股票市場的影響研究集中于多因子分析與ARIMA模型分析，很少有將其兩者結合起來并且結合實際券商研報研究量化分析。因此，文章將突發(fā)事件劃分為三種類型：脈沖式突發(fā)事件、漸進變化式突發(fā)事件、臺階式突發(fā)事件[10]并運用多種量化投資方法，結合多因子分析、聚類分析、殘差序列分析、ARIMA模型等研究突發(fā)事件對股票的影響。

2???選取特征指標

以30支大灣區(qū)股票為例，通過對30支券商研報的進行多因子模型的篩選以及聚類分析的重組量化分析，得出券商研報對股票走勢的初步影響，從而得到關于金融外部性風險對股票走勢影響的初步結論。

證券研究人員對證券及相關產品的價值，或者影響其市場價格的因素進行分析，離不開券商研報。完整的券商研報，包含對證券進行綜合分析，總結出關于上市公司、行業(yè)或宏觀政策的看法，并對相關股票進行投資評級等。文章基于研報所提供的信息，根據歷史數據，提取可用于構造市場流行股票因子分析法的因子作為特征指標，并在此基礎上提出明確的投資策略及分析在外界環(huán)境下對于股票行情走勢的影響。主要通過建立多因子量化選股模型、R型聚類－因子分析法用來選取股票并且分析股票走勢。

因子分析中的前提需要對各個因子的有效性進行分析檢驗，進行效度檢驗。應用SPSS對各個因子指標進行分析，判斷數據是否可以進行因子分析。通過KMO檢驗以及巴特雷特球形度檢驗，可以得出因子間的相關性和有效性，若KMO檢驗值小于0.5則表明各個因子指標的相關性過高，進行因子分析的有效性不足，檢驗值在0.5-1.00之間才能進行有效的因子分析。巴特雷特球形度檢驗的顯著性則要小于0.05才能有效進行因子分析。根據具體檢驗結果知KMO檢驗統(tǒng)計量為0.575，偏相關系數大于0.5，且Bartlett檢驗對應的P值小于0.05。根據以上兩個原則，9個因子指標都通過效度檢驗，可以進行因子分析[3]。

文章基于研報和歷史數據提取了相關影響因子作為特征指標并在此基礎上進行分析。文章主要通過主成分分析法建立多因子量化選股模型來選取股票。根據選出來4個主成分因子。成分X1有銷售凈利率反映的是盈利能力因子；成分X2有凈利潤增長率和預測凈利潤增長率反映的是成長因子和分析師預測因子；成分X3有市盈率反映的是估值因子；成分X4有換手率反映的是交投因子。利用SPSS軟件進行因子打分。以各主成分因子初始特征值累計貢獻率作為權數，計算出股票的綜合得分，根據主成分因子初始特征值累計貢獻率/累計貢獻率得出公式如下：

Z=28.438/83.5X1+21.184/83.5X2+18.709/83.5X3+15.169/83.5X4

其中，Z為股票的得分，X1、X2、X3、X4的系數則為主成分因子的初始特征值累計貢獻率，通過計算得出所選股票因子的評分：德賽電池排名第一得分為-0.04；格力電器得分-0.19；瀚藍環(huán)境得分-0.22；白云山得分-0.32；保利地產、華發(fā)股份、華僑城A得分均為-0.5；海信家電得分-0.51；國藥一致得分-0.57；金地集團得分-0.58。因為因子分析中文章采用了動量反轉因子所以股票因子打分為負數。筆者采取負加權梯度數學理論，第一步把全部的因子打分取絕對值，第二步根據絕對值算出對應權重，得出表1的股票加權投資策略。

3???建立并驗證ARIMA模型

ARIMA模型是指差分自回歸移動平均模型，由Box和Jenkins在七十年代初提出的一種時間序列預測算法，又可稱為Box-Jenkins模型。該模型是計量經濟學常用的模型之一，其主要思想是在規(guī)定的時間窗口下將數據隨時間推移產生的數據序列看作一個隨機的時間序列，并用一定的數學模型來描述和分析這個時間序列。此模型可以從研究對象在時間窗口下的歷史值結合現值來預測分析未來的數值。在ARIMA（p，d，q）模型中AR是自回歸，p為自回歸項;MA為移動平均，q為移動平均項數，d為時間序列成為平穩(wěn)時所做的差分次數。ARIMA模型根據原序列是否平穩(wěn)以及回歸中所含部分的不同包括移動平均過程（MA）、自回歸過程（AR）及ARIMA過程。ARIMA模型預測的基本程序有四步。其一，根據時間序列的描述性分析、自相關函數、偏自相關函數圖以及ADF單位根檢驗變化規(guī)律判斷序列的平穩(wěn)性，以此檢驗數據的有效性[1]。其二，建立相應模型。構建AR模型的條件是平穩(wěn)序列的偏相關函數為截尾且自相關函數為拖尾；構建MA模型的條件則是偏相關函數拖尾且自相關函數截尾；文章經過數據的檢驗得到平穩(wěn)序列的偏、自相關函數均為拖尾，因此文章構建的是ARIMA模型[1]。其三，檢驗參數是否具有統(tǒng)計意義。其四，利用已通過檢驗的模型進行預測分析。文章首先建立ARIMA模型然后利用該模型對突發(fā)事件下收益率序列進行預測，實證新冠疫情（脈沖式突發(fā)性事件）對股票國藥的影響大小、程度及時滯性。若無突發(fā)事件預測值應為收益率序列的理論值。預測值與實際值之差即是突發(fā)事件對股票的影響數值。

3.1數據的選取

文章首先通過建立自回歸積分移動平均模型，簡稱ARIMA，然后利用該模型以下事件收益率序列進行追溯預測，實證研究突發(fā)事件——新冠疫情（脈沖式突發(fā)性事件）對股票國藥一致的影響大小、影響程度以及作用時滯。若沒有發(fā)生突發(fā)事件，則預測值為收益率序列的理論值，預測值與實際值之差即是受突發(fā)事件影響而變化的數值。

靜態(tài)的分析是預測將樣本數據在一定時間下作為一個信息的集合，對未來數據的預測都只基于樣本信息集合，即靜態(tài)VAR右邊項（滯后項）都基于上期的實際值。而動態(tài)都是上期的擬合值，是基于樣本信息集，往樣本期之后預測一期的數據，再將該預測值加入殘差擬合分析，加入樣本信息集合中形成新的信息集，基于新的信息集再進行下一期的預測ARIMA短期預測的效果較理想，在可接受范圍之內，對于國藥一致股票而言，動態(tài)預測的效果優(yōu)于靜態(tài)預測。因此文章使用動態(tài)預測值作為研究對象。

新冠疫情對我國經濟社會發(fā)展、公眾的心理產生了巨大影響，國藥一致的股價發(fā)生了不同的變化。其具體影響由2019年6月10日——2020年12月31日的日收盤數據可得，在新冠疫情發(fā)生前的5個月國藥一致的股價總體呈現振蕩向上的趨勢，中間有一段時間是振蕩平穩(wěn)發(fā)展，在新冠疫情發(fā)生的3個月內總體呈現振蕩下跌趨勢，隨著疫情防控穩(wěn)定以及經濟恢復總體呈現上升趨勢，并且醫(yī)藥對疫情的影響日漸凸顯，其股價也比疫情前更上一個階段。

3.2描述性統(tǒng)計

文章選取考察脈沖式突發(fā)事件影響的時間區(qū)間為2019年6月10日—2020年12月31日，研究樣本為國藥一致收盤價數據?，F對新冠疫情事件期間國藥一致的收盤價進行描述性統(tǒng)計。從描述性統(tǒng)計結果可以發(fā)現，在新冠疫情期間，對國民經濟、社會發(fā)展、公眾的心理產生了巨大的影響，股市的資金不斷流出，導致股票市場價格波動較大，為了規(guī)避風險，投資者賣出股票，股票價格下降迅速，到2020年初春，疫情穩(wěn)定下來之后，對醫(yī)藥股票的卻形成了正向的反饋。國藥一致收益率的均值為-0.001953，最大值是0.100040，最小值是-1.000000，標準差是0.0565000，中位數為0.000340?？傮w上來說新冠疫情事件對國藥一致產生了正向的沖擊。從峰度值、Jarque-Bera統(tǒng)計量及其對應的概率值可以發(fā)現，股票市場和債券市場的收益率呈現尖峰厚尾的特征。

3.3單位根檢驗

在建模之前，需要對數據進行單位根檢驗，以防止出現“偽回歸”現象。對國藥一致的收盤價和收益率序列進行ADF平穩(wěn)性檢驗，檢驗結果對國藥一致的收盤價序列進行ADF平穩(wěn)性檢驗，從檢驗結果可見，國藥一致收盤價序列的P值分別為0.0229，收盤價序列是不平穩(wěn)的。而它們的一階差分，即收益率序列的P值都是0.0000，收益率序列是平穩(wěn)的。因此，國藥一致收盤價序列是一階單整序列，即ps～I（1），pt～I（1）。

3.4模型建立和檢驗

為建立ARIMA（p，q）模型，需確定模型滯后階數即p和q的值。由國藥一致收益率序列自相關性和偏相關性可知其具有拖尾衰減特征且依正弦趨近于零。采Box-Jenkins模型檢驗后依然符合ARIMA（0，1，1），因此可用ARIMA（p，q））模型建模。根據收益率序列的數據特征可得出其模型特征，且其AR變量與MA變量符合建模要求，ARIMA（0，1，1）的模型檢驗數據如表2所示。殘差不存在自相關且兩個重要參數對應的檢驗概率都小于0.05，所以模型有效。

4??模型運用

利用構建的模型對股票國藥一致收盤價進行擬合預測并進行比較分析。如圖1所示突發(fā)事件——新冠疫情發(fā)生前后模型擬合效果都較好，殘差在正負之間徘徊。

綜上所述，分析結果表明突發(fā)事件——新冠疫情對國藥一致產生了間接正向沖擊。國藥一致受新冠疫情影響的沖擊幅度較大，但在隨后逐漸反轉。一方面是因政府出臺各項政策支持全面抗疫。另一方面是全國共同抗逐漸改變了投資者的悲觀預期。文章研究了外部性風險對股票行情產生的正負面影響。但這是單方面因素對金融市場的影響，因此實際操作中還需加上基本面分析、技術分析等來對股票走勢進行科學預測。

先在基于我國現存的弱式有效市場上，由于信息的不對稱性，通過事件研究法對“事件窗口”計算出超額收益率，結果雖然表明券商預測不完全準確，但其研報對信息的充分收集和分析卻能較好地發(fā)現錯誤的市場定價，通過對股票評級進行因子打分最后仍可以建議股票價格向真實值回歸。

其次，將突發(fā)事件劃分為三種類型：脈沖式突發(fā)事件、漸進變化式突發(fā)事件、臺階式突發(fā)事件，對于不同類型的突發(fā)事件建立ARIMA模型的建立，進行描述性統(tǒng)計與單位根檢驗，并通過對股票的實際值和預測值之間的差值判斷其對市場行情產生何種影響[10]。

最后，進行基本面因子分析，即通過研究對股票價格影響存在關系的各類因素進行分析，分析研究影響價格的決定因素及變動條件，基于此基礎對股票的走勢進行分析預測，然后評估證券的內在價值，通過對多因子選股進行建模，選出顯著性相關的因子，其作用在于為判斷股票市場價格的高低確立一個參照標準，組合所選股票進行套利投資。同時關注股票的系統(tǒng)性風險和企業(yè)風險等相關風險，留存準備金在一定程度上減少風險帶來的利益損失，得出一個比較完善的加權投資策略。

參考文獻：

• 李曉林.突發(fā)事件對金融市場的影響研究[D].成都：電子科技大學，2013.
• 王春麗，劉光，王齊.多因子量化選股模型與擇時策略[J].東北財經大學學報，2018（5）：81-87.
• 陸可，鄒啟鳴，李鳴，等.基于R型聚類－因子分析的指標體系簡化方法[J].計算機系統(tǒng)應用，2016，25（5）：118-123.
• 齊天鏵.基于灰色模型與ARIMA模型的股票價格預測[J].計算機時代，2021（10）：83-85，89.
• 王文勝，施怡.基于動態(tài)因子分析法的中國旅游業(yè)競爭力分析[J].生產力研究，2018（10）：27-30.
• 柳思維，劉鳳根.股票市場弱勢有效與股票價格的隨機游走[J].系統(tǒng)工程，2003，21（6）：71-74.
• 余興.中國券商研究報告的預測能力分析[D].濟南：山東大學，2012.

[8]鄧明光.重大事件下中國股市跳躍行為特征分析[D].南京：南京財經大學，2012.

[9]劉先偉.國外突發(fā)事件對國內股票市場影響研究[D].哈爾濱：哈爾濱工業(yè)大學，2012.

[10]百度學術.大數據背景下風險事件對證券價格影響因子[EB].http：//mathfinance.sdu.edu.cn/__local/8/7B/21/0FBD2B3B079409D300EA93DA0FC_B3F9AFFF_B3808.pdf？e=.pdf.

[作者簡介]耿營營（1995—），女，漢族，河南開封人，管理科學與工程碩士，廣東理工學院經濟管理學院，研究方向：區(qū)域經濟。