摘要：我們的研究是黃（2020）[1]對香港股市羊群行為實證研究的延伸。我們采用兩種方法，包括Zheng等人（2017）[6]方法和Lam 和 Qiao（2015）[4]方法，以分析香港股市交易量對其羊群行為的影響。我們發(fā)現(xiàn)，每天交易量似乎并沒有為香港股市羊群行為的回歸模型增加具統(tǒng)計意義的價值。這暗示香港股市交易量沒有影響其羊群行為，于Zheng等人（2017）[6]以及Lam和Qiao（2015）[4]的實證結果不一樣。我們認為，這可能是因為價格已經(jīng)能充分反映交易量的訊息，也可能是因為交易量對羊群行為的影響是非常短暫的。

關鍵詞：羊群行為;香港股市;交易量;橫斷面絕對值絕對偏差（CSAD）

1.引言

Lamoureux 和Lastrapes （1990）[3]提出股票收益率受訊息流所影響。由于訊息流無法量度，他們提出以交易量作為訊息流的參考指標。大量文獻支持交易量與股票收益率的關系。Kao等人（2019）[2]發(fā)現(xiàn)，在美國期貨市場中，較大的交易量有利于投資者獲得回報，但也導致波動性增加。另外，Li等人（2019）[5]發(fā)現(xiàn)，“逃往流動性”可以部分解釋特質波動難題，投資者的賭博和羊群心理。

盡我們最大的理解，Zheng等人（2017）[6]以及Lam和Qiao（2015）[4]是較近期專注研究香港股市羊群行為的文章。他們在研究香港股市交易量對其羊群行為的影響時，采用了兩種不同的實證方法，且得出了令人驚訝的相反結果。Zheng等人（2017）[6]發(fā)現(xiàn)，在1993年7月19日至2013年7月17日的樣本期內(nèi)，香港股市的交易量較低時，羊群行為更為顯著。然而，Lam和Qiao（2015）[4]結果則表明，在1994年4月1日至2006年12月31日這兩個子樣本時期之一，當香港股市的交易量很高時，羊群行為存在。

由于他們實證結論并不太一致，加上交易量能提供另一個角度來探討香港股市羊群行為，所以我們對香港股市的交易量對其羊群行為的影響，進行實證研究。

在本文的其余部分安排如下。 在第二章中，我們提供了實證方法的詳細描述和數(shù)據(jù)。 在第三章中，我們將討論和分析實證結果。在第四章中，我們將提供結論性意見并討論研究結果的含義。最后，我們按姓氏字母排序，列出參考文獻。

2.數(shù)據(jù)與方法

我們的研究是黃（2020）[1]的延伸，并使用同樣的數(shù)據(jù)，即是從彭博資訊收集香港股市主板和創(chuàng)業(yè)板的股票的每日價格數(shù)據(jù)，包含從1994年1月3日（引入賣空和股票期權開始）到2018年10月10日期間的2273股香港股票。在除去非交易日后，每只股票具有6114時點的價格數(shù)據(jù)。

我們的研究主要針對交易量會否影響香港股市羊群行為，采用兩種方法并比較實證結果。 我們首先遵循Zheng等人（2017）[6]的方法，根據(jù)記錄的市場交易量值的一年移動平均值的分布將整個樣本分為三個子樣本。 最高的25%和最低的25%分別定義為高交易量狀態(tài)和低交易量狀態(tài)，其余50%定義為正常交易量狀態(tài)。由于我們考慮國際股市和中國內(nèi)地股市對香港股市的潛在影響，我們采用黃（2020）[1]的模型（1）1，加上Zheng等人（2017）[6]的方法，分別對所有三個子樣本進行回歸。

（1）

其中

Ri，t是在時間t公司i觀察到的股票收益率，

Ri，t=1nPi，t-1nPi，t-1

Pi，t以及Pi，t-1分別是在時間t及時間t-1公司i的實測股價，Rm，t是投資組合m在時間t的n個收益率的橫斷面平均值，n是投資組合m中的公司數(shù)目。

RSSE，t是在時間t上海證券綜合指數(shù)的收益率，RS&P，t-1是在時間t-1的標準普爾500指數(shù)的收益率2。

然后，我們也遵循Lam和Qiao（2015）[4]，參照Tan等人（2008）的方法。他們基于市場交易量定義兩個虛擬變量? ? ? ? ?和? ? ? ? ? 。當?shù)趖天的市場交易量大于之前的30天平均值3時，它被分類為高交易量狀態(tài)和虛擬變量? ? ? ? ?為1。但是，當?shù)趖天的市場交易量小于之前的30天平均值時，它被分類為低交易量狀態(tài)和虛擬變量? ? ? ? 為1當?shù)趖天的市場交易量大于之前的30天平均值時，它被分類為高交易量狀態(tài)和虛擬變量? ? ? ? ?為1。

基于市場交易量的虛擬變量，我們重寫模型（1）為模型（2），再進行回歸。

其中

投資組合m在時間t的交易量為Vm，t。

如果Vm，t大于其先前的30天移動平均值，? ? ? ? ? =1。否則，

=0。

如果Vm，t小于其先前的30天移動平均值，? ? ? ? =1。否則，

=0。

換句話說，? ? ? ? =1-

我們也遵循Lam和Qiao（2015）[4]進行Wald檢驗，零假設是γ3-γ4=0。若檢驗否定零假設，這將支持香港股市存在不對稱羊群行為。

Zheng等人（2017）[6]的方法基于高、低和正常的三個市場交易量狀態(tài)，將整個樣本期分為三個子樣本。我們認為，這方法重于捕獲市場交易量對羊群行為的長期影響。 然而，若研究涵蓋較長時間的樣本期，實證結果可能受市場微觀結構變化所影響。Lam 和 Qiao（2015）[4]的方法在定義高、低交易量日期時，則較關注動態(tài)交易量信息，但沒有將正常的交易量狀態(tài)計算在內(nèi)。我們認為，這方法能檢驗市場交易量對羊群行為的短期影響。兩個方法可能得出不同結果。

3.實證結果與分析

鑒于我們跟黃（2020）[1]使用同樣的數(shù)據(jù)，我們就此省略每日收益率的橫斷面平均值序列CSADt和每日橫斷面絕對值絕對偏差序列false的描述性統(tǒng)計分析。正如第二章所述，我們先采用Zheng 等人（2017） [6] 方法，再采用Lam 和 Qiao（2015）[4]方法，進行實證研究交易量對香港股市羊群行為的影響。我們在此章節(jié)陳述這兩個方法的回歸結果，以及作出比較和分析。

3.1Zheng等人（2017）[6]方法的檢驗結果

表1顯示我們按模型（1）在三個子樣本（分別是高、低和正常交易量狀態(tài)）進行回歸得出的結果。

在低交易量狀態(tài)的子樣本中，三個羊群系數(shù)γ2、γ3和γ4，γ3和γ4的估計值都具有統(tǒng)計意義，但只有γ3的估計值是負值。此外，系數(shù)γ1的估計值也是有統(tǒng)計意義，且是負值，并大于羊群系數(shù)γ2和γ4的估計值，分別是其1.9倍和4.7倍。這代表受內(nèi)地股市影響的羊群系數(shù)γ3可能足以減少橫截面收益率分散度，表明在低交易量狀態(tài)中，香港股市存在圍繞內(nèi)地股市訊息而作出羊群行為的實證。

表1 香港股市的羊群行為在高、低和正常交易量狀態(tài)的

估計結果

表1報告了第二章基于模型（1）的回歸結果，包括估計系數(shù)和調(diào)整R方。 在三個子子樣本中，分別是高、低和正常交易量狀態(tài)，我們分別進行以下模型：

其中Rm，t是投資組合m在時間t的n個回報的橫斷面平均值，n是投資組合m中的公司數(shù)目，RSSE，t是在時間t上海證券綜合指數(shù)的收益率，RS&P，t-1是在時間t-1的標準普爾500指數(shù)的收益率。括號中的數(shù)字是基于Newey和West（1987）的方法，使得當序列存在異方差和序列自相關時，仍能得出其標準誤差一致性的t統(tǒng)計量。 *，**和***分別表示10%，5%和1%水平的統(tǒng)計顯著性。

可是，在高、正常交易量狀態(tài)的子樣本中，則均只有其中一個羊群系數(shù)的估計值具有統(tǒng)計意義，分別是γ2 和γ4，但他們的估計值是正值。這表示當香港股市處于高交易量狀態(tài)時，當?shù)毓墒惺找媛势椒脚c香港股市的橫截面收益率分散度呈正相關，而在這表示當香港股市處于正常交易量狀態(tài)時，美國股市的收益率平方與香港股市的橫截面收益率分散度呈正相關。這個實證結果表示當香港股市處于市場高或正常交易量狀態(tài)時，香港股市缺乏羊群行為的實證。另外，我們也需要注意的是，這結果可能暗示此模型不能正確地檢驗香港股市的羊群行為。

我們檢驗得出的結果與Zheng等人（2017）[6]的發(fā)現(xiàn)大致上相同。他們發(fā)現(xiàn)，相對在高、正常交易量狀態(tài)時，香港股市的行業(yè)羊群行為在低交易量狀態(tài)時更為顯著。而我們的實證結果則得出，在低交易量狀態(tài)中，香港股市圍繞內(nèi)地股市訊息出現(xiàn)羊群行為，但是在高、正常交易量狀態(tài)，缺乏實證數(shù)據(jù)支持香港股市存在羊群行為。

3.2 Lam 和 Qiao（2015）[4]的方法：檢驗結果

我們采用Lam 和 Qiao（2015）[4]方法，以檢驗在高、低交易量市場狀態(tài)下，香港股票市場的羊群效應，表2顯示了這檢驗結果。另外，表2也報告了Wald檢驗的結果。

表2 高交易量和低交易量市場狀態(tài)下市場羊群估計結果

表2報告基于方程（2）的回歸結果，包括估計系數(shù)和調(diào)整R方。我們?yōu)槿珮颖具\行以下模型：

其中Rm，t是投資組合m在時間t的n個回報的橫斷面平均值，n是投資組合m中的公司數(shù)目，RSSE，t是間t上海證券綜合指數(shù)的收益率，以及RS&P，t-1是在時間t-1的標準普爾500指數(shù)的收益率。投資組合m在時間t的交易量為Vm，t。

如果Vm，t大于其先前的30天移動平均值，? ? ? ? =1。否則，

=0。

如果Vm，t小于其先前的30天移動平均值，? ? ? ? ? =1 。否則，

=0。

Wald檢驗，零假設是γ3-γ4=0。若檢驗否定零假設，這將支持香港股市存在不對稱羊群行為。括號中的數(shù)字是基于Newey和West（1987）的方法，使得當序列存在異方差和序列自相關時，仍能得出其標準誤差一致性的t統(tǒng)計量。 *，**和***分別表示10%，5%和1%水平的統(tǒng)計顯著性。

在四個羊群系數(shù)γ3、γ4、γ5和γ6，檢驗結果顯示只有γ5和γ6的估計值具有統(tǒng)計意義，但只有γ5的估計值是負值。此外，系數(shù)γ1和γ2的估計值也是有統(tǒng)計意義，并遠遠大于羊群系數(shù)γ5的估計值。這代表受內(nèi)地股市影響的羊群系數(shù)γ5可能不足以減少橫截面收益率分散度，未能為香港股市存在圍繞內(nèi)地股市訊息的羊群行為提出足夠的實證。γ6的估計值具有統(tǒng)計意義，并且是正值，這指出美國股市的收益率平方與香港股市的橫截面收益率分散度呈正相關。

Wald檢驗結果拒絕零假設γ3-γ4=0，這本來支持香港股市存在不對稱羊群行為。可是，高交易量的市場羊群系數(shù)γ3和低交易量的市場羊群系數(shù)γ4的估計值均不具有統(tǒng)計意義，這表示在香港股市中，交易量狀態(tài)的高低對其羊群行為的影響缺乏實證證據(jù)支持。這結果也可能暗示此模型不能正確地檢驗香港股市的羊群行為。

Lam和Qian（2015）[4]發(fā)現(xiàn)高交易量的市場羊群系數(shù)γ3和低交易量的市場羊群系數(shù)γ4的估計值具有統(tǒng)計意義，但其他們計值是正值。這能提供了在香港股市的高和低交易量市場狀態(tài)均沒有市場羊群行為的實證證據(jù)。然而，我們的結果則尚無定論。

4.結論

我們發(fā)現(xiàn)，無論采用的是Zheng 等人（2017） [6]方法，或是Lam 和 Qiao（2015）[4]方法，交易量在實證研究香港股市羊群行為時，似乎沒有為回歸模型增加價值。我們認為，這可能是因為價格已經(jīng)充分反映交易量的訊息，也可能是因為交易量對羊群行為的影響是短暫的。我們認為，未來研究可以使用更高頻率的數(shù)據(jù)，有助于驗證這一點。

由于我們研究結果發(fā)現(xiàn)每天交易量沒有為香港股市羊群行為的回歸模型增加價值，這對金融市場持分者有一定的參考價值。然而，我們的實證結論局限在于兩種方法，我們認為，未來還可以使用其他方法來進行實證研究，以及檢驗在其他條件下的市場羊群行為。

參考文獻：

[1]黃詠詩， 探討香港股市羊群行為，經(jīng)營者，2020（34）：212-214，233。

[2]Kao，Y-S.，Chuang， H-L.，和 Ku， Y-C.，市場收益，收益波動率和交易量之間的實證聯(lián)系：來自標普500指數(shù) VIX期貨的證據(jù)[J].北美經(jīng)濟與金融雜志，2019： 100871。

[3]Lamoureux，C.G.，和Lastrapes， W.D.，方差的持久性，結構變化和GARCH模型[J].商業(yè)與經(jīng)濟統(tǒng)計雜志，1990（8）：225-234。

[4]Lam， K.S.K.，和Qiao，Z.，羊群行為和基本因素：香港經(jīng)驗[J].太平洋盆地金融雜志，2015（32）：160-188。

[5]Li， S.Y.， Zhang， T.， 和 Li， Y.X.， 流動資金流動：來自中國股市的證據(jù)[J].新興市場評論，2019（38）：159-181。

[6]Zheng，D.，Li，H.，和ChiangT.C，行業(yè)羊群行為：來自亞洲股票市場的證據(jù)[J].國際經(jīng)濟金融評論，2017（51）：487-509。

注釋：

1.黃（2020）[1]的模型跟隨Christie 和Huang （1995）的方法，以及 Chang、Cheng 和 Khorana （2000）的方法，再加上Zheng 等人 （2017） [6]、 Chiang 和 Zheng （2010）以及Tan 等人 （2008），進行修改。

2.由于美國和香港股市之間存在時間滯后，所以我們選擇了標準普爾500指數(shù)的滯后收益率。這與黃（2020）[1]、Zheng等人（2017）[6]、Yao等人（2014），以及 Chiang等人（2010）的做法一樣。

3.我們跟隨 Tan等人（2008）和Lam 和 Qiao（2015）[4]，還使用30天、60天、90天和120天移動平均線對高低交易量狀態(tài)進行分類。

作者簡介：黃詠詩（1983-），女（廣東省），上海財經(jīng)大學金融學院博士生，主要從事經(jīng)濟及金融分析研究。