中国A股市场资金流与股价波动研究

金建成

党的十九大召开后，习近平总书记强调要深化金融体制改革，增强金融服务实体经济能力，提高直接融资比重，促进多层次资本市场健康发展。随着我国步入新时代的步伐加速，股票市场平稳健康发展与国家经济腾飞之间的联系越来越紧密。股票市场平稳的关键因素是股价的波动，而影响股价波动的众多因素都是借助资金流这一载体发挥作用。摩根士丹利的一份研究报告认为，随着中国政府加强对金融体系的监管，2017年以来，高收益率、固定资产投资产品供给的增长已经出现显著下降，中国居民手里的闲钱将会有较大一部分选择投入股市。据摩根士丹利预测，从2017年上半年到2019年，中国居民在股市中的投入将增加10万亿至11万亿元人民币①大摩预测：金融整顿后，资金将流入中国股市，http://www.sohu.com/a/197460875_100003708，2017-10-11。。如何在股票市场的诸多因素中找到可以作为投资决策的变量因素成为股票市场发展的一个重要研究主题。在股票价格波动理论中可以发现，资金流作为一种对股市市场现金流动衡量和测度工具的概念在1989年提出后，得到了金融研究者的广泛关注。对资金流的相关研究不仅仅可以弥补学术界在股价波动影响因素研究方面的不足，还可以为投资者提供投资决策工具，为金融管理者提供相关政策制定的依据，有较强的理论指导意义和操作层面的现实意义。

一、文献综述

资金流首先于1989年在Stock and Commodities的杂志中被Wells Wilder提出[1]。作为一个测度方式，资金流的数学公式直到2001年通过Bennett and Sias才提出[2]。 张峰等（2016）把股票收益率分解成来自市场共同收益和来自公司特有收益两部分研究，指出公司特有收益部分捕捉了市场信息的收益率[3]。高小红等（2017）指出，在股票市场中，对于无约束条件下的脉冲响应中的技术冲击造成货币供应量与股价波动两变量的偏离回归至均衡增长路劲更缓慢[4]。刁思聪等（2011）提供建立资金流向的月度监测和预警体系，为资金在实体经济和股票市场之间的流向提供判断依据[5]。目前相关文献研究显示，影响股价波动的因素众多，在各实证研究中，学者们大量使用股票收益率来替代股价波动进行量化分析。本文在前人研究的基础上同样使用股票收益率来反映股价波动的情况，并且在相关研究的基础上，引用现有研究的资金流测算方式并加以完善，通过实证的方式探索修正后资金流测度模型决策方式与股价波动的关系。具体修正详见下文变量设计。

二、研究设计

（一）样本来源

本文借助Wind经济数据库、同花顺数据库和中国统计年鉴，以2012—2017年6年为研究的时间区间，以中国A股沪深两市上市公司数据作为样本变量。首先，鉴于金融业的资产负债情况的特殊性，按照中国证监会对上市公司的行业划分去掉相关银行行业的股票；其次，由于ST、ST*类股票的财务数据存在异常情况，故也剔除；再次，考虑新股IPO发行后一般都会出现连续涨停的特殊性，样本剔除了2012年起开始上市的股票；最后，由于数据库数据的有限性，同时剔除了数据不完整的股票。经过此过程，共选择1285只股票作为本文的研究样本。在时间跨度上，面板数据采取周度数据即选取时间间隔单位为一周。

（二）变量设计及模型构建

本文选取股票资金流动强度SOSFF（m）作为资金流衡量变量[6]，其中：

Pi为被考察股票的第i次成交价格，P为被考察股票在观察的某一周期内的参照价格，Qi为被考察股票的第i次成交量，Q为被考察股票在观察的某一周期内的流通总量，AP为被考察股票在某一周期内成交的均价，TR为被考察股票在某一周期内的总换手率。

针对每笔资金流动的动态性变化和数据获取的滞后性所引起的误差问题，通过引入加权移动平均线的表达式进行修正，在此基础上形成新的参考价格，其数学表达式为：

其中，RPt表示初始价格，并确定初始价格为：

建立在任德平[7]所提出的以5为周期的均线RP5能较好地反映出在观测时间段内股票含量的稳定性结论，即资金流的统计方式为SOSFF（5）。此时的5为5周。考虑到SOSFF（5）值的大小，统一将其扩大100倍进行后续实证研究。

收益率为周收益率记为 Rm，即 Rm=（LnPm-LnPm-1）×100，其中 Pm表示 m 交易周的收盘价，Pm-1表示m-1交易周的收盘价。

从公司财务指标、股权结构、盘面语言三个角度进行选择控制变量，具体设计变量如表1、表2、表3所示。

表1 财务指标描述

表2 股权结构描述

表3 盘面语言描述

为了防止选取数据的差距太大影响后续实证分析，对数据进行如下处理：对个股交易量、个股市值这种数值大的采用对数法则对其进行变形；针对百分比值如公司财务的各个数值和持股集中度乘以100进行运算。

为了回避截面数据和时间序列分析中出现的变量与变量之间异质性的问题，本文初步建立如下的面板回归模型：

三、数据分析与检验

（一）结构稳定性检验

本文在样本选取的6年中，A股市场出现了大跌和大涨的情况，加上股票除权后市值大幅度变化，为考虑选取样本在时间上面的结构稳定情况，对样本进行邹氏检验，通过观察大盘的情况，拟定将2013年6月25日和2015年6月12日所在周数，即t=75和t=177为预设转折点验证。得到相应邹氏检验结果如表4、表5所示。

在表4中，通过了原假设即在第1周至第75周中，第75周不是断点，其截距没有发生变化，数据平稳。在表5中，通过了原假设即在第177周至第306周中，第177周不是断点，其截距没有发生变化，数据平稳，故本文时间段采用全部时间段数据进行分析。

表4 邹氏断点检验：75

表5 邹氏断点检验：177

（二）数据描述性分析

在分析数据的有效性之前对所选的样本进行描述性统计分析，主要是针对这些数的一些描述性统计指标进行软件处理和分析。所得结果如表6所示。

表6 样本描述性统计

表中Rm的平均值为0.5728，为正数，表明在所选择的2012—2017年的区间内，各个上市公司的平均收益是可观的，呈现出良性增长趋势。在这种情况下，上市公司的股票能为股票投资者带来一定的回报和分红，SOSFF（5）的平均值为0.0962，表明在选取的这段时间内社会资金流倾向于投入股市，而从选取样本的财务变量指标来看都还处于一种良性的状态，其中账面市值比（BM）的平均值为0.4342，每股净资产（NAPS）的平均值为3.5842。 而资产负债率情况也处于一种良性发展结构上，其中资产负债率（TAT）的均值为0.8514。综上述，在所选取震荡市的时间区间段内，各个企业发展情况较为良好，究其原因可能是2015年股票大跌后各个企业进行了产业调整，产业发展处于恢复阶段。

（三）拟回归模型回归分析

在回归分析之前进行了LLC检验、IPS检验和Fisher-ADF检验，发现其P值都小于0.01即1%的显著度，表明数据平稳，不存在伪回归现象，将样本带入进行初步的拟模型回归分析，并得到表7的结果。

表7 模型的拟回归结果

在初步回归的结果中，虽然R2值达到了0.7963，具有较高的拟合性，但是其中BM、EPS、ROE、CR、DTL、VOL和均未通过T检验，所设计模型具有多重共线性的现象，需要进一步验证。同时结合相关指标经济含义，我们可以发现公司财务数据中存在严重的多重共线性，对于盘面语言而言，由于构建资金流SOSFF（5）时考虑了个股在一个周期成交量和个股在一个周期内成交均价，所以对个股交易量和个股平均价有共线影响。

（四）变量相关性分析

考虑到本次变量的多样性，并且结合之前初步回归分析的结果，在此很有必要进行相关系数的检验型分析，通过SPSS软件对所选取的变量选择采用Pearson相关系数分析得到结果，如表8所示。

表8 变量的相关系数矩阵

（续表）

表9 变量的相关系数矩阵（续）

从表9可以发现，有些变量之间具有明显的线性相关，验证了初步回归结果的分析，所设计的模型出现多重共线的可能，使模型结果不能反映变量间的真实结论。从皮尔逊相关系数矩阵出发可以发现，SOSFF（5）和 VOL的关系系数较大，1%水平上显著相关，存在共线关系；BM、NAPS和EPS的关系系数较大，1%水平上显著相关，存在共线关系；EPS和ROE两个变量之间具有一定的正向相关关系，其相关系数为正，表示净资产收益率良好的上市公司其每股收益率同样呈现同向变化趋势。

（五）逐步回归分析

本文采用逐步回归方法来解决多重共线性问题，使用Eviews6.0将所有设计变量进行逐个回归分析，并得出相应的参数估计值、T检验值、R2、F检验值，如表10所示。

表10 单变量回归结果（R2降序排序）

（续表）

按照Eviews6.0的结果按照R2降序排列，并按从大到小将各个变量逐个引入模型进行回归分析，并将每一次变量带入后的模型进行F检验。经过以上操作剔除了 BM、、VOL、EPS、DTL、CR 共 6 个变量。、VOL与SOSFF（5）之间存在一定的相关关系，主要是因为改进的SOSFF（5）在一定程度上已经兼顾了这两个变量，所以出现了共线情况。从反映持股股东权益的同一角度出发，选取了NAPS和EPS作为代表变量，这两个变量都能在一定程度上反映出持股股东获利情况，那么在数据的关联上面肯定就会有一定的相关性，因此笔者本着严谨的研究态度将每股收益和每股净资产合并处理，并统一划入NAPS中进行后续分析。

通过上述过程，得到使用逐步回归后的新的模型，如下：

（六）面板模型选择

鉴于干扰项中个体效应和时间效应的存在问题，进行豪斯曼检验，所做结果如表11所示。

表11 豪斯曼检验结果

从表11可以看到，P为0.0021，显著度小于0.05，从而可以判断出干扰项中个体效应情况与模型的回归效应情况具有一定的关联，鉴于此，本文采用固定效应模型分析。同时，结合面板数据的选取情况而言，选取的样本数据种类分布很大但是时间期限较短，即N大T小的情况，鉴于此，选期限固定效应。

（七）资金流与收益率回归分析

基于样本数据的选取，并且结合豪斯曼检验的结果，使用固定效应回归，结果如表12所示。

表12 大盘固定效应回归分析结果

从表12可知，R2值为0.7817，调整R2值为0.7385，并且各个变量均保证了在5%显著度下T检验的有效性，表明整个模型具有较高的拟合性，对经济现象能够给出客观的反映。

四、结 论

第一，通过固定效应的期限固定模型，发现修正后资金流测度决策模型与股票收益率之间的贡献系数为0.1254，存在正向的关系，即资金流高的股票其股票收益率也高，资金流低的股票收益也相应降低。结合股票DDM理论和相关财务理论，验证了股票价值取决于股票未来所获取资金流的现值，即绩效较好的公司对股价波动有促进作用，能为上市公司带来更多的资金流。上市公司在股票市场上对资金吸纳得越多，所进行投资和资本积累就越强，进而使得公司有较强的竞争力，赚取更多的市场利润，形成良性循环后其股值也会上升，即当前股票市场中资金流入较多的企业在未来的一段时间内往往能获得较高的股值。

第二，持股集中度在选取的各个因素中对股票收益的影响作用最大，贡献系数为1.2053。作为反映上市股权结构情况的变量，表明在上市公司股票中，越是大股东对股票重仓持有，那么股票收益率就越高，持股集中度指标上升过程也就是大股东干预股票市场的行为过程。

第三，股票市值在所选取的各个因素中对资金流的影响仅次于持股集中度，其贡献系数为-1.0589。本文发现这种负相关关系的情况满足了FF三因素分析的假设条件，表明股票市场中存在规模效应情况，即股票的市值大小和股票收益率的高低情况成负向关系。结合实际大盘的走动情况，反映出在研究选取的时间区间内，市值低的股票要比市值高的股票的收益率情况要高。究其原因，借用收益—风险理论解释，就是低市值往往伴随着高风险。

第四，笔者在前人的基础上所建立的SOSFF（5）模型相对以前的模型而言，具有较强的指导性，可帮助投资者更理性地分析投资行为。由于资金流与股价的关系系数不是显著的关系，所以会导致股票市场中资金的进场不一定会显著带来股票价格的上涨，因为庄家可能是诱饵式的诱导投资者进行投资，或者庄家在前期投入上已经获得高收益后为其出逃做好准备。