于孝建 曾文正 鄒倩倩

摘? ?要：本文基于修正信息份額模型，利用市場指數(shù)及其成份股的信息構(gòu)建預警指標，從指數(shù)成份股的信息這一角度研究股市崩盤預警問題。以成份股相對指數(shù)的信息份額衡量單只股票推動指數(shù)的能力，并以所有成份股信息份額的方差描述成份股輪動推動指數(shù)變化的程度大小，以此構(gòu)建預警指標，研究結(jié)果表明：在上漲行情中，成份股輪動推動指數(shù)上漲的現(xiàn)象明顯，隨著輪動程度減弱，股市容易發(fā)生崩盤;以信息份額的方差構(gòu)建預警指標可以較好地對指數(shù)的大幅下降做出預警，成功預警本文定義的5次崩盤中的4次。

關(guān)鍵詞：股市崩盤;信息份額;修正信息份額

中圖分類號：F832.5? ?文獻標識碼： A? 文章編號：1674-2265（2020）08-0065-09

DOI：10.19647/j.cnki.37-1462/f.2020.08.010

一、引言

股市崩盤是在沒有明顯預兆的情況下市場指數(shù)出現(xiàn)極端下跌的現(xiàn)象。股市崩盤具有嚴重的危害性。1987年10月19日的黑色星期一，美國標準普爾500指數(shù)的日跌幅高達20.5%;2008年次貸危機期間，標普500年內(nèi)跌幅達38.5%，中國滬深300指數(shù)年內(nèi)跌幅超過70%。股市崩盤不但會摧毀金融市場信心，影響金融穩(wěn)定，而且能引起資源錯配，危害實體經(jīng)濟的正常運行，甚至引發(fā)經(jīng)濟危機[1]。股市崩盤也具有普遍性與傳染性。全球范圍內(nèi)發(fā)生過多次股價暴跌現(xiàn)象，如1997年席卷亞洲的金融風暴、2000—2002年的美國納斯達克（NASDAQ）市場崩盤、2008年由美國次貸危機引發(fā)的危及全球的金融海嘯以及我國股市在2015年下半年發(fā)生的“股災”等。國家或地區(qū)股市崩盤事件會通過股價聯(lián)動、國際貿(mào)易渠道傳染至其他關(guān)聯(lián)國家或地區(qū)[2]。因此，崩盤的識別和預警對于交易者、監(jiān)管者和風險管理者而言十分重要，有效地預警股市崩盤具有重要的現(xiàn)實意義。

現(xiàn)有的股市崩盤預警模型主要采用代表股市整體的數(shù)據(jù)進行研究，忽略了對個股信息的利用。股債收益差分模型（the Bond-Stock Earnings Yield Differential Model，BSEYD）最早是由Ziemba和Schwartz（1991）[3]提出，后發(fā)展為美聯(lián)儲的一種股市估值方法，又稱美聯(lián)儲估值模型（the Fed Model）。該模型通過比較十年期國債收益率與股權(quán)收益率（市盈率倒數(shù)）來判斷股市是否高估，其中后者為股市整體的數(shù)據(jù)。物理學工具為解決經(jīng)濟學問題提供了理想的背景[4]，Johansen等（2000）[5]首次提出對數(shù)周期冪律模型（the Log-Period Power Law Model， LPPL），利用物理學中的自組織臨界理論預測股市泡沫破滅概率。該模型使用了標普500指數(shù)價格序列來進行預測。Vladimir（2013）[6]對美國道瓊斯工業(yè)股票平均價格指數(shù)的連續(xù)幾次崩盤之間的持續(xù)時間進行分析后，發(fā)現(xiàn)連續(xù)崩盤之間的時間序列具有顯著的自相關(guān)關(guān)系，因此提出了用自回歸條件持續(xù)時間模型（the Autoregressive Conditional Duration Model， ACD）來預測崩盤，該模型使用道瓊斯指數(shù)的收益率序列進行預測。Gresnigt等（2015）[7]基于股市的崩盤行為和地震的動態(tài)序列存在相似性這一發(fā)現(xiàn)，利用余震序列模型（Epidemic-type Aftershock Sequence Model， ETAS），對標普500指數(shù)的日收益率數(shù)據(jù)進行分析并構(gòu)建了一個早期預警系統(tǒng)。Sotirios等（2018）[8]基于多個國家的股市指數(shù)、十年期國債收益率、匯率以及黃金、波動率指數(shù)等指標，結(jié)合多種深度機器學習的方法構(gòu)建了一個股市崩盤預警工具。以上模型使用的都是代表股市整體指數(shù)的數(shù)據(jù)，數(shù)據(jù)都是單一維度的、時間序列上的。這無疑忽視了橫截面上個股信息，尤其是指數(shù)成份股的信息。因此，本文綜合考慮了個股信息，構(gòu)建新的指標預警股市崩盤，通過研究成份股與指數(shù)的關(guān)系以及成份股在股市崩盤前的行為模式來找到較為穩(wěn)定的規(guī)律用于崩盤預警。

在市場指數(shù)與其成份股的關(guān)系上，市場指數(shù)本身是由成份股通過價格加權(quán)方式得到的，指數(shù)的變化實際上是由成份股變化計算得到的。一方面，股市存在整體同漲同跌的系統(tǒng)性風險，成份股都會受到系統(tǒng)性風險不同程度的影響，共同推動指數(shù)的變化，因此指數(shù)可以反映股市整體運行情況。廖士光（2010）[9]在研究上證50成份股的定價效率時發(fā)現(xiàn)，成份股的系統(tǒng)風險比重仍然較高，占到50%左右，這表明中國股票市場的價格變動同步性非常高，股票同漲同跌現(xiàn)象嚴重。另一方面，當市場部分股票的變動足夠大時，該部分成份股會對指數(shù)的變動方向與幅度造成較大且主要的影響，推動指數(shù)能力強于其他成份股，如某一時期內(nèi)的領(lǐng)漲股票。Kwon和Yang（2008）[10]利用傳遞熵分別研究了標普500、道瓊斯指數(shù)與它們的成份股之間的信息傳遞，發(fā)現(xiàn)在總體上從指數(shù)到成份股的信息流強于個股到指數(shù)的信息流，說明成份股變動仍主要受市場系統(tǒng)性風險的影響，但也存在少量擁有較大的傳遞熵的成份股，以較大的影響力推動著指數(shù)的變動。綜上，股市的系統(tǒng)性風險和部分強勢股票共同推動指數(shù)的變化。

指數(shù)成份股的行為模式方面，在股市處于上漲行情時，比較常見的現(xiàn)象是輪動上漲。葉咸尚（2007）[11]指出由于政策因素、公司自身因素等，板塊輪動日趨成為中國股市運行的基本規(guī)律之一，市場走勢需要領(lǐng)漲板塊的帶領(lǐng)與推動。武文超（2014）[12]用反轉(zhuǎn)和動量交易策略對滬深300 行業(yè)指數(shù)進行了分析，發(fā)現(xiàn)較短周期內(nèi)的行業(yè)輪動和動量現(xiàn)象比較明顯，一定程度上說明了我國A股市場的行業(yè)輪動現(xiàn)象與傳統(tǒng)的宏觀層面現(xiàn)象的不同，還可能來自技術(shù)和資金層面的短期投機因素影響。本文對滬深300指數(shù)及其成份股的日收盤價序列進行分析，發(fā)現(xiàn)隨著市場指數(shù)上漲，成份股之間的輪動推動指數(shù)上漲的程度逐漸增強。當牛市進入尾聲時，成份股之間的輪動程度迅速減弱，緊接而來的就是股市的下跌甚至是崩盤。

為了定量研究指數(shù)與成份股關(guān)系以及輪動現(xiàn)象，本文采用信息份額（Information Share，IS）描述單只成份股推動指數(shù)的能力。信息份額由Hasbrouck（1995）[13]提出。對于在兩個市場交易的同質(zhì)證券，Hasbrouck（1995）提出了一種基于兩個市場共同隱含的不可觀測的“共同有效價格”的概念及其計算方法，并將某一個市場的信息份額定義為該市場價格的擾動對“共同有效價格”擾動的貢獻比例。信息份額考察的是不同市場的同質(zhì)證券在價格調(diào)整的過程中誰先行動以實現(xiàn)有效價格擾動，因此信息份額常被用作價格發(fā)現(xiàn)能力或效率的代理變量，即哪一個市場的信息份額更大，則該市場的同質(zhì)證券對市場信息反應更快，能帶動另一市場的定價。

根據(jù)信息份額的定義，信息份額通常用于研究相同標的證券的價格發(fā)現(xiàn)問題，如陳學勝和覃家琦（2012）[14]、陳勇等（2013）[15]都使用信息份額對同時在A股市場和H股市場交叉上市的股票的價格發(fā)現(xiàn)貢獻進行研究，Buckle等（2018）[16]使用信息份額研究美國三大指數(shù)及其期貨、ETF的價格引領(lǐng)關(guān)系。用信息份額研究相同標的證券，本質(zhì)上是因為相同標的證券具有協(xié)整關(guān)系。因此只要兩者存在協(xié)整關(guān)系，信息份額可以拓展至不同標的證券。張曉斌和儲開榮（2012）[17]通過協(xié)整檢驗、Granger因果檢驗及信息份額等方法，對富時A50股指期貨和滬深300股指期貨的價格發(fā)現(xiàn)功能進行了分析比較，發(fā)現(xiàn)滬深300期貨指數(shù)對我國股市具有更高的價格發(fā)現(xiàn)效率。Simpson等（2012）[18]通過協(xié)整檢驗和IS模型研究道瓊斯指數(shù)成份股的盤中價格發(fā)現(xiàn)過程，發(fā)現(xiàn)在一段時間內(nèi)一些股票是信息領(lǐng)導者，帶動著ETF價格的變化，而其他股票則是信息追隨者，跟隨ETF的變化而變化。因此，只要指數(shù)和成份股之間存在協(xié)整關(guān)系，用信息份額研究指數(shù)與成份股之間的關(guān)系在理論上就是可行的。一段時間內(nèi)，成份股相對于指數(shù)的信息份額越大，說明該成份股推動指數(shù)的能力越強，作為信息領(lǐng)導者帶動指數(shù)價格變化;信息份額越小，則說明該成份股主要受系統(tǒng)性風險影響，跟隨指數(shù)變動而變動，無法帶動指數(shù)的價格變化。

Hasbrouck（1995）[13]提出的信息份額模型的計算結(jié)果對變量的排序有嚴格的依賴。較為常見的處理方法就是改變變量的順序，計算出IS的上下限，然后取其平均值。Lien和Shrestha（2009）[19]指出根據(jù)上下限得出的信息份額并不客觀，尤其是在上下限相差較遠的情況下。他們提出了修正信息份額模型（Modified Information Share，MIS），計算出一個唯一確定的信息份額。因此，本文將采用MIS模型計算成份股相對指數(shù)的信息份額，并將該信息份額用于股市崩盤預警指標的構(gòu)建。

綜上，本文的創(chuàng)新點在于從個股信息的角度預警股市的崩盤。本文根據(jù)成份股輪動推動指數(shù)變化的程度在崩盤前會減弱這一現(xiàn)象研究構(gòu)建股市崩盤預警指標。每只成份股的推動指數(shù)能力以該股相對指數(shù)的信息份額衡量，即成份股信息份額越大，其推動指數(shù)能力越強;成份股輪動推動指數(shù)變化的程度大小以其信息份額的方差衡量，即方差越大，成份股輪動推動指數(shù)的現(xiàn)象越明顯。本文以滬深300指數(shù)與其成份股為例驗證了成份股信息對股市崩盤的預警作用。

本文的結(jié)構(gòu)安排如下：第二部分介紹修正信息份額模型并計算成份股相對指數(shù)的信息份額;第三部分定義崩盤時點，對成份股在崩盤前的行為進行現(xiàn)象分析，以此構(gòu)建預警指標并對預警效果作分析;第四部分進行總結(jié)。

二、修正信息份額模型及信息份額計算

（一）向量誤差修正模型

向量誤差修正模型（Vector Error Correction Model， VECM）是信息份額模型及修正信息模型的基礎。令k維向量yt={y1t， y2t， y3t， …， ykt}為非平穩(wěn)的一階單整價格序列，即yt ～ I（1），則由其組成的滯后p階的向量自回歸模型為：

上式要求βTyt-1是一個平穩(wěn)的I（0）過程，βT的每一行是對t-1期非平穩(wěn)的y1t，y2t，y3t，…，ykt分量進行OLS回歸產(chǎn)生的協(xié)整系數(shù)行向量，其中OLS回歸產(chǎn)生的t-1期殘差ecm1，t-1是一個平穩(wěn)的I（0）序列。故，矩陣βT決定了y1t，y2t，y3t，…，ykt之間協(xié)整向量的格式和個數(shù)，因此將βT稱為協(xié)整向量矩陣，矩陣βT的秩r為協(xié)整向量的個數(shù)。α是協(xié)整組合的一組權(quán)重，也稱為調(diào)整參數(shù)矩陣。上式中的矩陣α和β并不是唯一的。擾動項ε的協(xié)方差矩陣為Ω，由于ε的分量ε1t，ε2t，ε3t，…，εkt之間存在同期相關(guān)性，故其相關(guān)性系數(shù)并不為0，因此Ω可以表示為：

（二）信息份額模型

在VECM模型的基礎上，Hasbrouck（1995）[13]將（2）式轉(zhuǎn)換為向量移動平均模型（Vector Moving Average，VMA），即：

（6）式中的α和β是（2）式中α和β的轉(zhuǎn)置，[I]為單位矩陣。

Hasbrouck（1995）[13]定義的信息份額分為兩種情況：當[ε]的分量間不存在相關(guān)關(guān)系時，[Ω]是一個由方差構(gòu)成的對角矩陣，此時信息份額為：

當[ε]的分量間存在相關(guān)關(guān)系時，[Ω]不是一個對角矩陣，此時的解決方法是將[Ω]進行Cholesky分解，使得[Ω=F×FT]，[F]是下三角矩陣，此時：

這種計算方式有一個較大的缺點，即計算結(jié)果對VECM模型中變量的排序有嚴格的依賴。較為常見的處理方法就是改變變量的順序，計算出IS的上下限，然后取其平均值。

（三）修正信息份額模型

盡管Hasbrouck（1995）[13]定義的信息份額分為ε的分量間是否存在相關(guān)關(guān)系兩種情況，但在大多數(shù)情況下，殘差項之間是存在相關(guān)關(guān)系的，此時IS模型的計算結(jié)果則是計算出IS的上下限，然后取其平均值，而這種方法并不客觀。Lien和Shrestha（2009）[19]提出了修正信息份額模型（Modified Information Share， MIS），該方法可計算出一個唯一確定的信息份額而不是上限和下限。

當ε的分量間不存在相關(guān)關(guān)系時協(xié)方差為0，此時Ω = diag（Ω11，Ω22，Ω33，…，Ωmm）。將殘差序列進行以下分解：

成份股信息份額[MISi，stockt]增大說明第i個成份股對指數(shù)的推動能力在上升。一段時間內(nèi)，成份股相對于指數(shù)的信息份額越大，說明該成份股推動指數(shù)的能力越強，作為信息領(lǐng)導者帶動指數(shù)價格變化;信息份額越小，則說明該成份股主要受系統(tǒng)性風險影響，跟隨指數(shù)變動而變動，無法帶動指數(shù)的價格變化。

（四）滬深300成份股MIS計算

本文采用滬深300指數(shù)及其300只成份股的日收盤價進行研究分析。滬深300指數(shù)由中證指數(shù)有限公司于2005年4月8日發(fā)布，本文采用的數(shù)據(jù)時間長度是2005年4月8日至2018年11月30日共3321個交易日。滬深300指數(shù)成份股每半年調(diào)整一次，當出現(xiàn)特殊情況時會進行臨時調(diào)整，因此，發(fā)布以來共有759只股票入選過指數(shù)成份股。本文在研究指數(shù)和成份股關(guān)系時，采用當時實際的成份股信息進行計算（見圖1）。

VECM模型、IS模型、MIS模型均要求k維向量yt={y1t，y2t，y3t，…，ykt}為平穩(wěn)的一階單整價格序列，yt的各組成向量y1t，y2t，y3t，…，ykt之間是協(xié)整的。計算MIS前本文將對成份股與指數(shù)的收盤價時間序列進行ADF單位根檢驗與EG兩步法協(xié)整檢驗。表1為檢驗結(jié)果，由于篇幅限制本文僅展示了部分結(jié)果。

本文對滬深300指數(shù)及曾入選過其成份股的759只個股的收盤價時間序列進行單位根檢驗。結(jié)果表明，在10%的顯著性水平上，滬深300指數(shù)和其中的743個成份股的收盤價為一階單整序列。隨后進行EG兩步法協(xié)整檢驗，分別將每個成份股的收盤價序列對滬深300指數(shù)的收盤價序列進行回歸并取殘差，然后對殘差進行ADF檢驗。結(jié)果發(fā)現(xiàn)，在10%的顯著性水平上，收盤價一階單整的743個成份股之中有692只股票與滬深300指數(shù)之間存在協(xié)整關(guān)系。因此在每次計算MIS之前都須將成份股的價格序列與滬深300價格序列進行協(xié)整檢驗，剔除掉少數(shù)非協(xié)整的序列，才可以進行接下來的MIS的計算與分析。

本文設置窗口期為半年即125個交易日，根據(jù)過去半年的收盤價序列滾動計算每天300只成份股與指數(shù)之間的MIS，其中的成份股MIS計算結(jié)果形式如表2所示?？紤]到成份股的變化，表2中的變量名僅代表該時期內(nèi)的某只成份股，不代表固定的某只股票。成份股MIS越大，說明其推動指數(shù)變動的能力越強。統(tǒng)計全樣本的成份股MIS的頻率分布可以發(fā)現(xiàn)，80%以上都小于0.5。以0.5來區(qū)分個股是否能以較大影響力帶動指數(shù)變動，絕大部分個股大部分時間跟隨市場系統(tǒng)性風險而變動，無法較大程度地影響指數(shù)。

三、崩盤預警指標的構(gòu)建與分析

（一）崩盤定義與統(tǒng)計

對于股市崩盤的定義學界并未有統(tǒng)一的標準。Torre-Gallegos和 Bellini（2009）[21]將一段時間內(nèi)股市急劇下跌定義為股市崩盤，其中最大下降百分比、下降持續(xù)時間和恢復時間是定義危機的最顯著實證變量，而這些變量需要根據(jù)不同的市場具體確定。Aboura（2015）[22]將股市崩盤風險特征定義為突然、顯著和短期。突然是指價格變動突然，即發(fā)生在低波動期間的高回報沖擊;顯著是指股指下降顯著，即價格變化幅度大;短期是指在一天的時間內(nèi)確定崩盤。Lleo和Ziemba（2014，2015）[23、24]則簡單地將股市崩盤定義為一年內(nèi)指數(shù)下跌超過10%。

本文以Torre-Gallegos和 Bellini（2009）[21]的三個實證變量與Lleo和Ziemba（2014，2015）[23、24]的具體跌幅為參考，并結(jié)合我國股市實際定義我國的股市崩盤。由于我國股市較美股而言波動更大，本文將最大下降百分比定為15%，下降連續(xù)時間定為3個月，即三個月內(nèi)指數(shù)需下跌超15%。若兩次崩盤的開始與結(jié)束時間之間的間隔不超過一個月（30個日歷日）則認為這是同一次崩盤。股市崩盤后需要時間恢復，短期內(nèi)連續(xù)的崩盤或是在熊市周期中的崩盤對于投資者而言預警意義不大。本文從漲幅與時間兩個方面定義股市的恢復：在上次崩盤后達到50%以上的最大漲幅以及距離上次崩盤半年（180個日歷日）以上。按照以上定義，滬深300指數(shù)自2005年4月8日至2018年11月30日之間共發(fā)生5次崩盤，具體情況如表3和圖2所示。

（二）現(xiàn)象分析及預警指標構(gòu)建

成份股在上漲行情中及崩盤前具有特定的行為模式。因成份股數(shù)目較多，在此本文只選用滬深300指數(shù)前三只成份股的MIS（見圖3）簡要說明在2007年5月和2018年1月兩次崩盤期間成份股MIS如何變化。這三只成份股為平安銀行（000001.SZ）、萬科A（000002.SZ）以及中國寶安（000009.SZ），分別屬于Wind行業(yè)中的金融業(yè)、房地產(chǎn)業(yè)以及工業(yè)。

在崩盤之前的上漲區(qū)間，成份股呈現(xiàn)輪動推動指數(shù)上漲的現(xiàn)象。在第一次崩盤前，前期的平安銀行以及萬科A的MIS均高于0.5，推動指數(shù)上漲。中期時平安銀行和萬科A的MIS回落，輪到中國寶安成為指數(shù)的推動力量。后期時萬科A的MIS回升，重新成為指數(shù)推動力量。在第二次崩盤前，中國寶安及萬科A進行了輪動。在股市崩盤前，成份股輪動程度減弱，推動指數(shù)的能力降低，成份股MIS趨于收斂，離散性降低。第一次崩盤前萬科A和寶安的MIS從高位急劇回落，三只成份股收斂于較低的MIS區(qū)間，第二次崩盤前萬科A的MIS回落，盡管中國寶安的MIS仍在增長，但總體成份股的MIS仍在某一區(qū)間收斂，輪動程度減弱。

本文以所有成份股MIS的日內(nèi)離散程度代表成份股輪動推動指數(shù)變化的程度大小，并以此構(gòu)建指標預警指數(shù)的崩盤。由圖1可知，成份股MIS大多情況分布在數(shù)值較低的位置，較為集中，市場平穩(wěn)運行時的成份股MIS離散程度較低。當市場單邊行情出現(xiàn)，越來越多成份股推動指數(shù)能力提高，并開始輪流推動指數(shù)變動，越多的成份股的MIS會陸續(xù)進入“升高—降低”的循環(huán)，造成日內(nèi)的所有成份股MIS的離散程度增大，成份股輪動推動指數(shù)變化程度增大，輪動現(xiàn)象更加顯著。當大部分成份股都漲不動甚至部分成份股提前與大盤指數(shù)逆向而行時，輪動推動指數(shù)變化的現(xiàn)象開始衰弱，“升高—降低”循環(huán)打破，成份股推動指數(shù)的能力回落，其MIS趨于收斂，MIS總體離散程度下降，此時也是市場最容易轉(zhuǎn)向的時候。本文以方差衡量成份股MIS的日內(nèi)離散程度，t時刻的預警指標（Warning Indicator， WI）構(gòu)建如下：

預警指標動態(tài)如圖4實線所示，虛線為滬深300指數(shù)的日收盤價格走勢，陰影為本文定義的發(fā)生崩盤的時間段。由圖可知，指數(shù)走出較單調(diào)的行情時，指標顯著增大，成份股輪動推動指數(shù)變化的程度增強。而指數(shù)行情即將變化方向之前，預警指標容易形成局部峰值。這說明在市場準備變化時各只成份股推動指數(shù)能力減弱，輪動程度減弱，成份股不再趨于輪流推動指數(shù)變化。因此，本文以預警指標的局部峰值為信號預警股市崩盤。值得注意的是，此處單調(diào)行情不僅包括上漲也包括下跌，因為成份股不僅可以輪動推動指數(shù)上漲，也可以輪動推動指數(shù)下跌。但是股市崩盤時間節(jié)點之前的預警指標局部峰值在數(shù)值絕對值上顯然大于由跌轉(zhuǎn)漲的局部峰值，丁軍廣（2011）[25]也曾指出A股市場的行業(yè)輪動效果和市場趨勢有關(guān)，在上漲趨勢下輪動效果要比下降趨勢下更明顯。對此本文通過設定閾值過濾由跌轉(zhuǎn)漲的情況。當預警指標滿足以下三個條件時，則在時刻t發(fā)出崩盤預警信號：

（三）預警效果分析

本文從查準率與查全率兩個角度評價指標的預警效果。查準率指的是當指標發(fā)出信號時，指數(shù)后續(xù)是否真的發(fā)生大幅下跌。在此本文設定的標準是發(fā)出信號的三個月內(nèi)，指數(shù)是否下跌了15%。需要注意的是，預測到排除在本文定義崩盤以外的股市大幅下跌也計入查準率內(nèi)。查全率指本文定義的崩盤即將發(fā)生的時候，指標是否能給出信號。具體衡量標準為在本文統(tǒng)計的5次崩盤開始前的一個月內(nèi)，指標是否能給出信號。具體如下：

具體的預測結(jié)果如表4、表5、表6和圖5所示。在所有發(fā)出的27次信號中，約70%的概率在后續(xù)三個月內(nèi)發(fā)生了15%以上的下跌，具有較強的查準能力。在預測崩盤方面，本文統(tǒng)計的5次崩盤可以有效地在其發(fā)生之前一個月預警其中的4個，查全率為80%。總體而言模型預警股市崩盤準確性較高?？疾祛A警指標的時效性，由表5可知，從查全率的角度看，信號的提前發(fā)出時間平均為7天，最短為1天，最長為12天，信號發(fā)出較為迅速，具有一定的實踐意義。但每次崩盤前的信號并不是只會出現(xiàn)一次，從查準率的角度看（見表6），同一次崩盤前的有效信號（3個月內(nèi)指數(shù)下跌15%以上）都會出現(xiàn)多次，其中最早的信號最長提前了69天。從實踐的層面出發(fā)，若指標在短期內(nèi)釋放多次的信號，一個可行的使用方法是每次更新信號后，以最新的信號為準開始累計市場的回撤，達一定回撤時才對組合進行清倉等風險管理措施。

本文模型唯一無法預警的崩盤是始于2018年3月的崩盤，該崩盤顯著有別于此前的情況。具體由圖4可知，由于成份股MIS方差未能達到設定的閾值，模型無法有效地發(fā)出信號。該段崩盤前期股市穩(wěn)定地長期上漲，其上漲速度明顯慢于前4次崩盤。在上漲過程中，成份股MIS離散程度一直處于較低位置，無明顯的成份股推漲指數(shù)能力離散程度增大的現(xiàn)象，說明其上漲主要由系統(tǒng)性的齊漲完成，個股、板塊的輪動推漲不明顯。此外，該次崩盤持續(xù)時間達7個月，由多次的連續(xù)小崩盤合并而成。其平均月跌幅不及4%，對比前4次崩盤7%—25%的平均月跌幅而言，下跌速度顯著變慢。考慮到Aboura（2015）[22]將股市崩盤風險特征定義為突然、顯著和短期，而這次崩盤緩慢而持久，屬于非典型的崩盤類型。

四、總結(jié)

本文利用成份股相對指數(shù)的信息份額衡量單個成份股推動指數(shù)變化的能力，以所有成份股的信息份額的方差衡量輪動推動指數(shù)變化的程度大小，以此研究成份股在牛市及崩盤前的行為模式。本文發(fā)現(xiàn)在牛市行情中成份股輪動推漲指數(shù)的現(xiàn)象確實存在，且輪動程度會隨著股市增長而加強，而在崩盤前則會減弱。

基于上述發(fā)現(xiàn)，本文以成份股信息份額的方差構(gòu)建指標預警股市崩盤，創(chuàng)造性地將個股信息納入市場崩盤預警模型中。本文采用滬深300指數(shù)及其成份股2005—2018年的數(shù)據(jù)對預警效果進行實證研究。研究結(jié)果表明，個股的信息能有效地預測股市的崩盤。在發(fā)出的所有信號中，70%的信號發(fā)出后，滬深300指數(shù)都會出現(xiàn)在3個月內(nèi)下降15%以上的股市暴跌現(xiàn)象，查準率較高。在本文定義的5次崩盤中，可以在崩盤前一個月內(nèi)被預警的情況達4次，查全率達80%，只有發(fā)生在2018年3月的崩盤未被預測到。本文通過對比該崩盤與其他被預測的崩盤的事前事后特征，發(fā)現(xiàn)該崩盤的特征有別于其他崩盤，屬于非典型的崩盤類型。

參考文獻：

[1]陳國進，張貽軍，王磊.股市崩盤現(xiàn)象研究評述 [J].經(jīng)濟學動態(tài)，2008，（11）.

[2]徐飛，唐建新.股指波動率、市場流動性與全球股市崩盤傳染 [J].金融論壇，2017，22（8）.

[3]Ziemba W T，Schwartz S L. 1991. The Growth in the Japanese Stock Market，1949-90 and Prospects for the Future [J].Managerial and Decision Economics，12（2）.

[4]李斯嘉，李冬昕，王粟旸.股市崩盤動力學分析和預測 [J].上海經(jīng)濟研究，2017，（7）.

[5]Johansen A，Ledoit O，Sornette D. 2000. Crashes as Critical Points [J].International Journal of Theoretical and Applied Finance，03（02）.

[6]Vladimir P. 2013. Autoregressive Conditional Duration as a Model for Financial Market Crashes Prediction [J]. Physica A：Statistical Mechanics and its Applications，392（23）.

[7]Gresnigt F，Kole E，F(xiàn)ranses P H. 2015. Interpreting Financial Market Crashes as Earthquakes：A New Early Warning System for Medium Term Crashes [J].Journal of Banking & Finance，56.

[8]Sotirios P. Chatzis，Vassilis Siakoulis，Anastasios Petropoulos，Evangelos Stavroulakis，Nikos Vlachogiannakis.? 2018. Forecasting Stock Market Crisis Events Using Deep and Statistical Machine Learning Techniques [J].Expert Systems with Applications，112.

[9]廖士光.中國股票市場定價效率研究——基于個股特有信息含量的視角 [J].財經(jīng)研究，2010，36（8）.

[10]Kwon O，Yang J S. 2008. Information Flow Between Composite Stock Index and Individual Stocks [J]. Physica A，387（12）.

[11]葉咸尚.中國股市板塊輪動：特征、影響因素與趨勢[J].浙江金融，2007，（8）.

[12]武文超.中國A股市場的行業(yè)輪動現(xiàn)象分析——基于動量和反轉(zhuǎn)交易策略的檢驗 [J].金融理論與實踐，2014，（9）.

[13]Hasbrouck J. 1995. One Security，Many Markets： Determining the Contributions to Price Discovery [J].Journal of Finance，50（4）.

[14]陳學勝，覃家琦.A股與H股市場價格發(fā)現(xiàn)及影響因子的實證研究 [J].大連理工大學學報（社會科學版），2012，33（2）.

[15]陳勇，劉燕，劉明亮.A、H股的協(xié)整關(guān)系與價格發(fā)現(xiàn)功能 [J].財經(jīng)理論與實踐，2013，34（4）.

[16]Mike Buckle，Jing Chen，Qian Guo，Chen Tong. 2018. Do ETFs Lead the Price Moves？ Evidence from the Major US Markets [J].International Review of Financial Analysis，58.

[17]張曉斌，儲開榮.滬深300期指與富時A50期指價格發(fā)現(xiàn)效率的比較研究 [J].價格理論與實踐， 2012，（9）.

[18]Simpson M W，Moreno J F，Ozuna T. 2012. The Makings of an Information Leader：the Intraday Price Discovery Process for Individual Stocks in the DJIA [J].Review of Quantitative Finance & Accounting，38（3）.

[19]Lien D，Shrestha K. 2009. A New Information Share Measure [J].Journal of Futures Markets，29（4）.

[20]Johansen S. 1991. Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models [J].Econometrica，59（6）.

[21]Torre-Gallegos A D L，Bellini E. 2009. Stock Market Crisis in Spain and their Comparison with Other International Market：Analysis of the Principal Characteristics [J]. Universia Business Review，24.

[22]Aboura S. 2015. Disentangling Crashes from Tail Events [J].International Journal of Finance & Economics， 20（3）.

[23]Lleo S，Ziemba W T. 2014. Does the Bond-Stock Earnings Yield Differential Model Predict Equity Market Corrections Better than High P/E Models？ [J].Financial Markets Institutions & Instruments，26（2）.

[24]Lleo S，Ziemba W T. 2015. Some Historical Perspectives on the Bond-Stock Earnings Yield Model for Crash Prediction Around the World [J].International Journal of Forecasting，31（2）.

[25]丁軍廣.我國A股市場行業(yè)輪動規(guī)律研究 [D].西南財經(jīng)大學，2011.