基于VAR模型中国股市与宏观经济变量关系实证研究.docVIP

基于VAR模型中国股市与宏观经济变量关系实证研究 　　内容摘要：本文运用VAR模型对我国股市与宏观经济变量的关系进行了实证研究，并得出结论。 　　关键词：宏观经济变量 股票价格指数 VAR模型 　　金融发展与经济增长之间的关系是经济学中的重要问题。而金融市场的重要组成部分股票市场与经济增长，以及与宏观经济变量之间的关系，引起很多学者的关注和研究。近40年来西方学者不仅从理论上研究这些变量的影响作用，而且进行了相应的实证分析。Goldsmith提出并实证检验了股票收益与实际经济增长之间的关系（1969）。Ross创立了套利定价定理（APT）（1976）。Chen等在APT框架内建立了向量自回归模型，说明经济变量对股市收益率具有系统的影响（1986）。Eugene Fama对美国1953-1987年的月度、季度和年度数据进行了回归分析，发现股市收益率和未来产出的增长率之间有显著的正相关关系（1981，1990，1991）。Mukherjee和Naka 研究了日本的证券市场发现日本股票的价格与国民生产总值的增长率之间存在长期的均衡关系（1995）。但是也有人持相反意见，认为股票市场与经济发展没有正的相关。Martinez和Rubio研究了西班牙的证券市场，发现股票收益率与宏观经济变量之间没有显著的定价关系（1995）。目前，人们普遍认为宏观经济变量是股票价格变动的重要影响因素之一。 　　对于中国的股市，实际的情况要复杂得多。很多学者的分析表明我国股市在很大程度上与经济发展没有正的相关，有时甚至负相关。韩德宗等的检验结果表明我国股市与宏观经济表现之间是脱节的（2003）。刘勇等从不同角度用数据说明了我国股市与宏观经济之间的关联性。孙霄 等通过国别比较和实证分析认为我国宏观经济（工业生产）与股市之间不存在强相关性和Granger因果关系（2007）。目前国内的实证研究大都采用线性回归，和针对时间序列数据的协整模型、VAR模型，而两者在功能上有相互替代之处；也有极少数研究采用Granger因果关系模型。本文拟采用VAR模型，以充分利用相关的数据得到结论。 　　模型与数据 　　（一）计量模型 　　本文使用用于相关时间序列系统的预测和随机扰动对变量系统的动态影响的向量自回归模型，??VAR模型（Vector Autoregression），其数学表达式为： 　　yt=A1yt-1+A2yt-2+…+Ap yt-p+B1xt-1+B2xt-2 +…+Brxt-r+ξt 　　其中，内生变量yt、外生变量向量xt，分别有p和r阶滞后期；待估参数矩阵A1…Ap和B1…Br；随机扰动项ξt。 　　（二）数据来源 　　在国外相关文献中，通常选取国民生产总值、工业增加值、货币供给、利率、通胀率等作为宏观经济变量，有的还有政府开支、外国直接投资等变量。本文主要根据中国的实际情况，选取宏观经济变量：狭义货币供给量、固定资产投资完成额、社会消费品零售总额，分别用M1、FIX、CONS、表示；股票价格指数选用上海股票市场综合指数，用SZZZ表示（数据来源：中经网统计数据库2006-2011）。为消除变量间可能存在的异方差性，将所有经济变量取自然对数：LM1，LFIX，LCONS，LSZZZ。为消除全部经济时间序列存在着不同程度的季节影响，将使用X11季节调整程序得到剔除了季节成分后经济变量：LM1SA，LFIXSA，LCONSSA，LSZZZSA。 　　实证结果分析 　　本文实证分析首先利用单位根检验（Unit Root Test）来确定LM1SA、LFIXSA、LCONSSA、LSZZZSA的时间序列数据是否平稳；其次确定VAR模型的合理滞后阶数k，建立VAR模型；然后利用VAR模型进行预测；最后利用Granger因果检验来检验各变量是否存在因果关系。 　　（一）单位根检验 　　单位根检验是检验时间序列数据是否平稳的一种方法，可以避免造成非平稳时间序列数据的虚假回归，一般用ADF检验： 　　H0：r=0，H1：r 　　分析表2，可以看出：方程各期的预测标准误都比较小；LM1SA和LFIXSA为因变量的方程的新息对预测值的误差的贡献有持续增大的趋势；LCONSSA为因变量的方程新息对预测值的误差贡献在第5期达到最大，之后逐步减小。 　　进一步观察更长预测期中的各方程新息的贡献，考查预测期为60的方差分解，得到：以LSZZZSA为因变量的方程的新息对预测值的误差的贡献在前3年的时间内持续下降，之后在均值约为40%的附近区间内波动；以LFIXSA为因变量的方程新息对预测值的贡献在前20个月的时间内的贡献较大；以LCONSSA为因变量的方程的新息对预测值的误差的贡献在未来约1年到3年的时间段内有大幅的增长；以LM1SA为因变量的方程