上證指數(shù)的影響因素分析

胡人友

(馬鞍山中加雙語(yǔ)學(xué)?！“不振R鞍山　243000)

?

上證指數(shù)的影響因素分析

胡人友

(馬鞍山中加雙語(yǔ)學(xué)校安徽馬鞍山243000)

摘要：采用統(tǒng)計(jì)分析，對(duì)影響上證指數(shù)的因素做了分析，采用多元回歸，建立了上證指數(shù)的多元線性模型。通過模型回歸值與上證指數(shù)的相對(duì)誤差數(shù)據(jù)分析，回推出重大政策事件對(duì)上證指數(shù)的影響。說(shuō)明在股市投資中，既要重視數(shù)據(jù)挖掘，借鑒回歸模型，同時(shí)也需要高度關(guān)注政策事件對(duì)股市變化的影響。

關(guān)鍵詞：上證指數(shù)；數(shù)據(jù)挖掘；因素分析；主成分分析；多元線性回歸

股票做為一種金融產(chǎn)品，是大眾參與度極高的理財(cái)工具。如何對(duì)海量的股市數(shù)據(jù)和信息做基本處理和分析，以降低投資風(fēng)險(xiǎn)是十分重要的一項(xiàng)財(cái)商技能。

股市的變化受到多種因素的影響：如政策因素，經(jīng)濟(jì)因素，市場(chǎng)因素，地區(qū)因素，全球因素，企業(yè)自身因素等。股市的風(fēng)險(xiǎn)分為系統(tǒng)風(fēng)險(xiǎn)和非系性風(fēng)險(xiǎn)。系統(tǒng)風(fēng)險(xiǎn)影響到整個(gè)股市的波動(dòng)，股市表現(xiàn)出一致的走向，大盤呈現(xiàn)出牛熊的態(tài)勢(shì)變化。政治，經(jīng)濟(jì)，政策等都是導(dǎo)致系統(tǒng)性風(fēng)險(xiǎn)的誘因。非系統(tǒng)風(fēng)險(xiǎn)與整個(gè)市場(chǎng)波動(dòng)無(wú)關(guān)，為某一企業(yè)或某一行業(yè)特有的風(fēng)險(xiǎn)，如單個(gè)企業(yè)自身的經(jīng)營(yíng)運(yùn)作情況、出臺(tái)的產(chǎn)業(yè)政策對(duì)涉及到相關(guān)企業(yè)的影響等等。

系統(tǒng)風(fēng)險(xiǎn)關(guān)系到整個(gè)證券市場(chǎng)的波動(dòng)，不是通過分散投資可以彌補(bǔ)的，它直接影響到投資者的股市收益及本金。通過歷史數(shù)據(jù)分析，尋找判斷的參考依據(jù)，在牛熊市轉(zhuǎn)化前成功地拋出股票，鎖定收益率或在熊市加劇前止損，對(duì)于散戶個(gè)人來(lái)說(shuō)非常重要。股市蘊(yùn)藏著大量的數(shù)據(jù)信息，通過對(duì)股票市場(chǎng)的大數(shù)據(jù)進(jìn)行挖掘，進(jìn)行深入的分析和加工，獲得影響股市變化的共同性因素。對(duì)這些因素加以重點(diǎn)關(guān)注，并根據(jù)其所反映出的規(guī)律，用作股市變化判斷的基本依據(jù)，進(jìn)行股票投資的操作，從而實(shí)現(xiàn)規(guī)避本金和收益遭受損失的可能性。

1　宏觀經(jīng)濟(jì)因素對(duì)上證指數(shù)的影響及多元回歸模型的建立

上證指數(shù)是上海證券交易所編制的股票指數(shù)，于1990年12月9日正式開始發(fā)布，它的變化反映著整個(gè)股票市場(chǎng)行情的變化。國(guó)家的經(jīng)濟(jì)政策和經(jīng)濟(jì)指標(biāo)對(duì)上證指數(shù)的走勢(shì)產(chǎn)生不同程度的影響。例如調(diào)整存款準(zhǔn)備金率和再貼現(xiàn)率等都會(huì)影響著貨幣供給量，繼而影響到證券市場(chǎng)的資金量。

1.1指標(biāo)數(shù)據(jù)對(duì)上證指數(shù)的影響分析

消費(fèi)指數(shù)：CPI消費(fèi)者物價(jià)指數(shù)，通貨膨脹水平的一個(gè)量化。PPI：生產(chǎn)者物價(jià)指數(shù)衡量商品生產(chǎn)階段的價(jià)格變化。CPI-PPI的差值反映的是企業(yè)盈利水平。CPI-PPI的差值降低，說(shuō)明企業(yè)經(jīng)營(yíng)成本提高，企業(yè)利潤(rùn)下降； CPI-PPI的差值增大，則表明企業(yè)經(jīng)營(yíng)成本降低，利潤(rùn)在增加。

國(guó)家經(jīng)濟(jì)指標(biāo)：GDP國(guó)內(nèi)生產(chǎn)總值，是國(guó)家宏觀經(jīng)濟(jì)增長(zhǎng)的體現(xiàn)。進(jìn)出口總額同比增長(zhǎng)，反映對(duì)外貿(mào)易的總規(guī)模。

貨幣供應(yīng)量指標(biāo)因素：存款準(zhǔn)備金，金融機(jī)構(gòu)為保證客戶提取存款和資金清算需要而準(zhǔn)備的在中央銀行的存款，可以影響金融機(jī)構(gòu)的信貸擴(kuò)張能力，從而間接調(diào)控貨幣供應(yīng)量。利率作為經(jīng)濟(jì)指標(biāo)之一，也是影響貨幣供應(yīng)量的一個(gè)重要因素。M1-M2同比增長(zhǎng)率的差值是股市資金供應(yīng)的一個(gè)直接表現(xiàn)量。 若M1(狹義貨幣供應(yīng)量)-M2(廣義貨幣供應(yīng)量)的差值增大，說(shuō)明存款活期化，可用作投資的資金面增加。若M1-M2的差值減少，則表明企業(yè)和居民選擇將資金以定期的形式存在銀行，流動(dòng)資金減少。

大眾心理及市場(chǎng)多空活躍度表現(xiàn)因素： 融資余額和融券余額差值表明市場(chǎng)做多、做空力量的差異。

1.2上證指數(shù)影響因素多元回歸模型的建立

1.2.1多元線性回歸初始模型

在進(jìn)行上證指數(shù)影響因素多元回歸時(shí)，需要選定作為自變量的影響因素。本文選擇如下因素(見表一)作為自變量，采用多元回歸工具[1]進(jìn)行回歸，并對(duì)其回歸系數(shù)進(jìn)行顯著檢驗(yàn)，大多數(shù)回歸系數(shù)不能通過t檢驗(yàn)。說(shuō)明其變量之間存在多重共線性，構(gòu)造出來(lái)的模型穩(wěn)定性差，需要重新選擇變量，構(gòu)建新的回歸模型。

表1　2014年1月至2015年9月上證指數(shù)影響因素原始數(shù)據(jù)

1.2.2主成分分析消除多重共線性，重建回歸模型

通過主成分分析將多個(gè)變量轉(zhuǎn)化為少數(shù)幾個(gè)互相無(wú)關(guān)的綜合變量，消除變量之間的多重共線性。

圖1　碎石圖

根據(jù)特征值的累計(jì)百分率超過方差貢獻(xiàn)的百分?jǐn)?shù)85%，選擇4個(gè)主成分, 碎石圖見圖1。

主成分表達(dá)式如下：

F1=0.305043*x1+0.2265202*x2-0.268039

*x3+0.3517024*x4+0.1429947*x5-0.362127*x6+0.3583347*x7-0.347691*x8-0.358158*x9-0.361862*x10

F2=0.07635514*x1-0.5772297*x2+0.3285513

*x3-0.0629*x4+0.71925865*x5+0.026*x6+0.0676*x7-0.1019076*x8-0.0927*x9-0.0867*x10

F3=-0.388538349*x1+0.477823835*x2-0.239022143*x3+0.232796412*x4+0.630848574*x5+0.0338*x6-0.0367*x7+0.23*x8+0.169848928*x9+0.164884252*x10

F4=-0.1071797*x1+0.43838322*x2+

0.86026821*x3+0.14854684*x4-0.0453*x5-0.0951*x6-0.000344*x7-0.1290782*x8-0.0661*x9-0.0455*x10

本文根據(jù)上述四個(gè)主成分生成自變量和因變量數(shù)據(jù)表格(表二)，并據(jù)此數(shù)據(jù)重建多元回歸線性模型。從多元線性模型的四個(gè)綜合成分自變量的回歸系數(shù)顯著性檢驗(yàn)的結(jié)果來(lái)看， t 分布臨界值為t0.025(16)=2.119，而F1自變量的t檢驗(yàn)值為2.098不能通過回歸系數(shù)檢驗(yàn),其余主成分滿足顯著性t檢驗(yàn)。

1.2.3建立符合要求的多元回歸線性模型

將主成分變量F1剔除，構(gòu)建以F2，F(xiàn)3和F4為自變量的回歸模型，方程式如下：

Y=49.5958-12.6504*F2-3.8138*F3-4.7181*F4。回歸系數(shù)通過t0.025(17)=2.101的檢驗(yàn)，表明主成分變量F2，F(xiàn)3 和F4 顯著。其偏相關(guān)系數(shù)分別為-0.9268，-0.9221和-0.9541，表明上證指數(shù)對(duì)F2，F(xiàn)3和F4的依賴程度均高，且對(duì)F4的依賴度略高一些?；貧w方程的F統(tǒng)計(jì)量為665，大于F(3,17)=3.20(5%的顯著水平)，說(shuō)明回歸方程的回歸擬合效果顯著。模型的復(fù)相關(guān)系數(shù)R2為0.9916，說(shuō)明方程的擬合度很高。模型計(jì)算結(jié)果和實(shí)際上證指數(shù)的對(duì)比結(jié)果見表2。

表2　2014年1月至2015年9月主成分綜合變量多元線性模型回歸值和上證指數(shù)的對(duì)比

從上表回歸模型和實(shí)際上證指數(shù)誤差數(shù)據(jù)可以看出，建立在主成分分析基礎(chǔ)上的上證指數(shù)多元線性回歸關(guān)聯(lián)式，消除了原始變量之間的多重共線性，無(wú)論是回歸系數(shù)還是回歸方程均為顯著，復(fù)相關(guān)系數(shù)也表明方程的擬合度高，總體顯著性好。2014年1月至2015年9月的模型回歸值與上證指數(shù)實(shí)際值的誤差除了2015年7月以外，均在6%之下，可以作為上證指數(shù)變化的參考依據(jù)，用以作為股票投資的基本判斷。

因?yàn)榛貧w模型不能及時(shí)體現(xiàn)離散事件的短期影響，當(dāng)期相對(duì)誤差會(huì)明顯加大。以2015年7月為例，當(dāng)期遭遇了A股上市公司大面積停牌， 至7月8日收盤，兩市共1312只股票停盤，占A股市場(chǎng)的47.2%。同時(shí)，監(jiān)管層救市政策出臺(tái)，中央?yún)R金入市操作等事件的合力沖擊造成7月的模型回歸值相對(duì)誤差達(dá)到7.26%。故在借鑒回歸模型的參考指導(dǎo)外，還需高度關(guān)注政策(如本次的降杠桿，去除場(chǎng)外配資的政策)引發(fā)的沖擊事件對(duì)股市造成的影響。

2　總結(jié)

股票作為一個(gè)金融產(chǎn)品，其影響因素是多方面的。本文通過對(duì)股市上呈現(xiàn)的數(shù)據(jù)進(jìn)行挖掘，利用統(tǒng)計(jì)方法從宏觀經(jīng)濟(jì)指標(biāo)方面分析了對(duì)上證指數(shù)的影響。在常見宏觀經(jīng)濟(jì)指標(biāo)中,選取了對(duì)上證指數(shù)有明顯影響作用的指標(biāo)，通過主成分分析消除了各原始因素之間的多重共線性，建立了以主成分綜合變量為自變量，上證指數(shù)為因變量的多元線性回歸關(guān)聯(lián)式。借助于上述所得的模型和結(jié)論，可以為個(gè)人在規(guī)避市場(chǎng)系統(tǒng)風(fēng)險(xiǎn)提供一個(gè)參考依據(jù)，從而降低市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)對(duì)個(gè)人股票投資帶來(lái)的損失及提高本金收益率。

參 考 文 獻(xiàn)

[1]傅德印.Excel 與多元統(tǒng)計(jì)分析-附實(shí)用計(jì)算機(jī)程序[M].北京：中國(guó)統(tǒng)計(jì)出版社，2007

[2]左媛.上市公司盈利質(zhì)量分析[J].安徽冶金科技職業(yè)學(xué)院學(xué)報(bào)，2012，1

收稿日期：2016-01-22

作者簡(jiǎn)介：胡人友(1997-)，男，馬鞍山市中加雙語(yǔ)學(xué)校。

中圖分類號(hào)：F830.91

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1672-9994(2016)01-0076-04

Analysis of Influence Factors of the Shanghai Composite Index

HU Ren-you

Abstract：Though multivariate statistical analysis, the national economic factors which influence The Shanghai Composite Index are analyzed. The multivariate linear model is deduced. Focusing on the error between calculated value and actual one, the conclusion is drawn that the policy event as instant impact force has the great influence on the Index. So, when using the model as guide for stock investment,the policy event should be paid high attention.

Key words：The Shanghai Composite Index；data digging factor analysis；principal components analysis；multivariate statistical analysis