上市公司股价异动数据建模诊断.docxVIP

上市公司股价异动数据建模诊断 摘要：上市公司股价异动为证券市场监管层和投资 者所重点关注，因其与证券市场的秩序和投资者的切身利益 密切相关。以中国证监会公布的三起违规案例为样本，以股 价为响应变量，以市盈率和涨跌幅绝对值为自变量建立回归 模型。利用数据建模诊断方法，根据学生化残差、杠杆值、 Cook距离、马氏距离等诊断统计量，对股价是否存在异动进 行检测，并进行综合交叉印证，确定重点怀疑数据，然后， 删除这些可疑数据，再将删除前后表征模型优劣的若干个指 标的变化情况进行比对。实证研究表明，三起查处案例中交 易异常行为都较好地得到定位，与实际结果相符较好，这对 于规范证券市场健康发展及保护投资者合法权益有积极意 义。 关键词：证券市场；上市公司；股价异动；数据建模诊 断 中图分类号：F832. 5文献标识码：A文章编号： 1672-3104 (2013) 06?0071?08 上市公司股价异动是证券市场监管层与投资者都很关 心的问题，在这方面已有学者做出了一些探索，如，肖淑芳、 李阳［1］运用事件分析法，对重大信息披露与股价异动的相 关性进行了研究。史永东、蒋贤峰［2］以Logistic模型为 分析工具，建立了违法违规行为的判别模型。Thierry Ane, Loredana Ureche Rangau等［3］采用稳健统计方法对亚太股 市指数收益中异常点做了检测分析。曾伟［4］运用资产定价 回归模型的拟合系数来捕捉股价波动的同步性，研究了上市 公司质量与市场波动性的关系。瞿宝忠、徐启帆［5］利用残 差系数法来研究重大并购事件首次公告之前股价的异常波 动。Aurea Grane, Helena Veiga［6］基于小波变换技术对 金融时间序列中的异常点进行了检测研究。 本文试图从数据建模诊断的角度，对这个问题进行探 讨。 我们知道，通过数据建立模型来对经济现象进行分析 时，我们对数据本身是做了很多严格的假设条件的，只有这 些条件真正满足时，由此得到的模型及其以后基于此所做的 推断和结论才是可靠的，否则就值得怀疑。对于数据本身， 我们经常假定数据是均匀同质的，即，假定数据集中每一个 点对建模的影响是基本相同的，每个点对建模都有影响，但 都很微小，单独一个或若干个点不应该对模型的总体变化趋 势产生决定性的影响。而实际中，这个条件往往不能得到满 足。一个数据集中，经常会有那么一个或几个不安 分”的点，它们经常基于现有建模手段的“漏洞”来 “兴风作浪”，它们就是数据集中的异常点，杠杆点及强影 响点。 本文就是从这个角度，来寻找对建模有“不同寻常”影 响的点，从而在数据集中发现这些“异动点”。那么，什么 是异常点、杠杆点、强影响点呢？ 一般来讲，异常点是指那 些与既定模型有较大偏离的数据点，杠杆点是指那些远离数 据主体的点，强影响点是指对统计推断影响特别大的点。为 了能检测出这些点，我们需要了解几个重要的诊断统计量。 我们知道，线性回归模型可表示为 i=l, 2,…，n 其中：yi为因变量；xil,…，xi (p?l)为自变量；e i 为随机误差;其第i组观察值为(yi, xil,…，xi (p?l))。 通常可表示为矩阵形式如下： Y=X 0 + ￡ (1) 其中：Y=(yl, …，yn) T, e = ( e 1, …，e n) T, B=(BO, Bl,…，Bp?l)T, X为nXp阶列满秩矩阵, 其第i行为(1, xil,…，xi (p?l)),对于随机误差项￡ , 通常假定其分量e 1,…，相互独立，数学期望为零， 方差具有齐性，即E ( e ) =0, var ( s ) = o 21,其中 为未知常数，I为n阶单位矩阵，可记为 e ?(0, o2I) (2) 收稿日期：2013?04?29；修回日期：2013?11?22 作者简介：刘天(1974?),男，黑龙江哈尔滨人，东 北财经大学金融工程专业博士研究生，主要研究方向：金 融工程. 在多数情况下还假定￡服从标准正态分布，即 ￡ ?N (0, o2I) (3) 通常的线性回归，大多采用了这些假设。这里有一个值 得注意的重要问题，即给定的数据集 (yi, xi 1, …，xi (p?l)), i=l, 2, …， n, 是否符合关于模型的假定(1)(2)或(3)式？ 现考虑回归分析中常用的投影阵，在模型(1)式中，X 的投影阵常记为P,并记为Q=I?P, Q为X的正交补空间的投 影阵，I为单位阵。由于P作用到Y上可以得到拟合值，因 此有些统计学家也称这种特定的投影阵为帽子矩阵(hat matrix)o 在(1)式中，把X的列向量记为1= (1,…，1) T, 矩阵X可写成分块形式如下： 由于Pl=llT/n, Ql= (I?llT/n),由二次投影公式可知, 帽子矩阵P可表示