规模效应、随机游走假说与市场有效性

规模效应、随机游走假说与市场有效性 ——基于马尔科夫链对上海A股市场的实证研究 规模效应、随机游走假说与市场有效性 ——基于马尔科夫链对上海A股市场的实证研究 与常规的规模效应研究方法不同，本文以1996—2004年上海A股市场为考察 1对象，从组合的收益序列的可预测性方面来研究规模效应。由于收益序列呈现出非线性和 非正态性的特征，所以本文使用马尔科夫（Markov）链方法并结合传统的自相关分析来研究 未经风险调整和经过风险调整的收益序列的可预测性。研究发现：依规模形成的各个组合的 未经风险调整和经风险调整的收益都不具有可预测性。本文研究结果也构成了市场有效性检 验的一个子集。 规模效应 可预测性 市场有效假说 马尔科夫链 自20世纪60年代以来，市场有效性一直得到学者们的广泛关注，市场有效性理论已被广 泛应用于西方资本市场，在现代证券理论中占有重要地位，没有任何理论能象它一样获得经 济学家如此广泛的讨论和检验。在研究证券市场有效性的过程中，发现了一些市场异象 1所谓非线性即不能通过改变单位或对比条件均值更高阶的条件矩进行类似于线性方法的扩展，以简化为线 性来分析。 （market anomalies），比如一月效应、周末效应、市盈率效应、规模效应等，这些异象的 存在使投资者能通过特定的投资策略获取超过市场平均水平的超常收益，从而构成对有效市 场假说（EMH）的挑战。 我们知道异象的研究对于科学的发展起到极其重要的推动作用，它因为不能被原有的范 式所解释，从而促使人们建立起新的可以解释异象的范式，比如由于牛顿的理论不能解释水 星近日点的移动，而爱因斯坦的广义相对论却可以，所以人们放弃了牛顿的理论作为范式。 但是异象也有可能只是可以用原有范式解释的一种人们的暂时疑惑，因此辨别和解释“规模 效应”等金融市场上出现的异象将会是理论上的一个里程碑。本文就是以上海A股市场为基础研究规模效应。 规模效应（size effect）是指股票的平均收益与公司的规模之间具有规律性的负相关 关系,即较小规模公司的股票具有较高的收益率,而较大规模公司的股票具有较低的收益率, 因此规模效应又称小公司效应或小盘股效应。 本文的结构如下：第一部分为文献综述；第二部分为组合的构建及其统计描述；第三部 分为马尔科夫链与依规模组合收益序列的随机游走假说检验；第四部分为市场模型和随机游 走假说检验；第五部分为本文的结论及启示。 一、文献综述 规模效应是由Banz(1981)和Reinganum(1981)同时提出的。Banz(1981)将所有在纽约证券交易所上市的股票按照市值大小分为5组， 发现总收益率和风险调整后的收益率都有随公 司市值上升而下降的趋势，市值最小一组股票的平均年收益率比市值最大一组的股票高 19.8%，因此，市值成为期望收益的一个很好的预测因子，并且比CAPM模型本身具有更好的预测作用。Reinganum (1981) 以1963 - 1977 年间NYSE-AMEX上市公司为对象,首先按市场价值分为10 个投资组合,再采用简单加权平均方法,计算风险调整后的超额收益。研究结果表 明,市值越小的投资组合其超额收益率越大,并且超额收益率持续至少两年。此后，很多学者 发表了大量的相关性研究文章，发现这种现象在较长的年份中存在着,并且还广泛存在于世界各国的股票市场中。 值得注意的是，Fama和French(1992)开创性的将规模因素进行定量化研究，发现两个容 易测量的特征变量：公司账面价值与市场价值比率（BE/ME）能够简单有力地解释1963年—1990年美国股票市场横截面平均收益特征，并且一旦引入规模因素，β的解释能力立即消失了。因此他们认为规模因素在对解释横截面期望收益率差异方面发挥着主导作用，并提出了 著名的“三因素模型”，构成了对传统定价理论的挑战。在Fama和French(1993)和Fama和French(1995)两篇中，他们按照公司规模和BE/ME两个因素形成了一系列组合，发现可 以用这些组合来预测收益，和CAPM模型预测市场组合的收益具有相同的作用，因此，建议将 这两个因素纳入到资产定价中来，并且将这些组合具有的预测能力归结为它们捕获风险的能 力。 到了90年代后半期，规模效应的研究结果发生了变化，经济学界似乎得出了一致的意见， 那就是：虽然规模效应确实是广泛存在的，即股票的平均收益与公司的规模之间具有规律性 的负相关关系，但是拒绝将规模效应作为对资产定价理论的异象。比如：Berk(1996)认为规模效应连暂时的疑惑都算不上，更不用说是异象了，并且证明了只要期望收益不是正相关于 期望现金流，那么收益率和规模之间就会存在一种反向关系，而且没有任何一种范式排斥这 个前提，所以规模效应不应被称为异象。 但是Dimson and Marsh (1999)与Horowiz,Loughran and Savin(2000)等却发现规模效应可能已经消失了，甚至可能已经走向相反，因为在他们的研究中大盘股相对于小盘股具有 更高的收益率。这些发现与90年代中后期人们的结论不一致，我们不得不回过头来再次考察 Berk(1996)结论的可靠性了。作者发现Berk(1996)的某些假设值得商榷，比如，假定所有的 公司具有相同股本。因此需要对规模效应重新进行研究。 而国内学者对于规模效应的研究仅仅停留在检验中国股市是否存在规模效应上，没有对 规模效应背后的经济含义进行深入的探讨，并且检验方法比较陈旧。由于样本选择和研究方 法的不同，结论也不尽相同，比较有代表性的研究有周文和李友爱（1999）以1996年1月5日至1998年年底上海证券交易所的50只股票为研究样本证实了规模效应；陈小悦和孙爱军 （2000）发现规模对股票收益没有解释能力；杨朝军、蔡明超和傅继波（2001）采用横截面分析表明上海股市存在规模效应；陈信元、张田余和陈冬华（2001）对股票收益进行横截面多因素分析的实证研究，发现规模对股票收益具有显著的解释能力。张祥建、徐晋、郭岚 （2004）证实了沪市规模效应的稳健性，并认为规模效应的产生原因为市场操纵和公司并购 行为。 本文以上海A股市场为基础对规模效应重新进行了研究，创新之处在于： 一是将有效市场理论作为规模效应能否被看作异象的范式。规模效应虽然被认为是金融 市场上存在的异象，但是相对应的范式却没有清楚的被指明，例如，Lee，Shleifer和Thaler (1991)认为范式为资产的期望收益由资产的风险决定；Fama和French(1995)将范式定义的更窄，仅仅将特定的资本资产定价模型比如CAPM、APT等看作范式。Berk(1996)认为没有任何一种范式排斥规模效应,但是反向的规模效应又证实了这种观点是错误的。本文弥补了这方 面的理论空白，提出将市场有效性作为判断标准，因为有效市场理论是金融经济学研究中的 核心理论，是现代金融投资理论（如CAPM、APT等）的基础。只要“规模效应”不违背市场 有效性假说，那就不应该被看作异象，并且从实证上进行了分析，证实作者的观点。 二是将注意力集中在规模效应的另一面，即依规模组合收益的可预测性，也就是说由资 本总额较大的股票组成组合和由资本总额较小的股票组成的组合中，哪个组合具有更好的收 益可预测性。对规模效应的研究转换方向的原因有二：1.传统的研究方向即规模效应的存在 性检验已经走到尽头，即使在检验方法上取得突破，也不会给我们带来更多的经济内涵，而 只能是得出在某个时段存在规模效应而在另一个时段不存在规模效应的结论。2.可预测性研究在经济学上非常重要，它不但本身具有很强的金融经济学含义，而且还可以带来很多研究 副产品，比如对于检验市场有效性假设、检验资本资产定价模型有一定的启示。这也是最近 可预测性文献以惊人速度增长的原因。 三是在研究方法上，传统方法依赖于组合收益序列的线性和正态性假设，而金融资产的 收益序列一般都不满足这些假定，所以本文采用了不需要这些假设的马尔科夫链方法，并结 合传统自相关分析展开研究，从而可以避免出现错误的判断。 二、组合的构建及其统计描述 1.样本选择 本文的研究对象为2003年底在上海证券交易所上市的全部A股股票，共754只。为了保证数据的可比性和可靠性，作者剔除了在研究期内被特别处理或特别转让的股票，并且剔除了 那些除权后股票价格为负值的公司。由于在公司股票首次公开发行之后短期内股价会非正常 波动，所以股票要等上市一年后，才会进入作者的选择范围。这样，剔除掉190只股票，得到有效样本股票数为564只。为了保证研究结果的可信服性，研究跨度必须比较广，应该 包含一个完整的市场走势即牛市和熊市，因此本文研究的时间阶段取为1996年1月至2004年12月，共108个月。 2.数据来源 股票价格数据来自海通证券大智慧证券信息港的交易系统，股本数据来自新浪 网站财经纵横频道。 3.数据的说明 （1）公司规模的确定 公司规模即公司市场价值。与国外不同的是，中国的股票分为流通股与非流通股，流通 股又分为A股、B股和H股，按照市值的传统定义及其风险根源考虑，市值应以流通股本为度 量，由于H股在香港挂牌交易,B 股主要针对境外投资者，因此，本文在计算公司流通市值 时，对于同时发行A、B股或同时发行A、B和H股的公司，只计算其A股部分。 公司在年度的规模为：S=P×N。其中，P为该公司股票在年度最后一t,1iti,ti,t-1i,t-1i,t-1 个交易日的收盘价；N为该公司股票在年度最后一个交易日的实际流通股本数。也就t,1i,t-1 是说公司在该年度的规模要以上一年底的公司市场价值来算。 （2）收益计算 考虑到分红、配股、送股、转赠和增发的原因，计算收益时，应对股价进行复权处理。 PP,itit,,1,忽略交易费用，单只股票PPR,在月度的月收益率为:。其中，、为该itit,it,1,it,Pit,1, 公司股票在第和月内最后一个交易日的复权收盘价。 t,1t nPP,1itit,,1,股票组合n在月度的月收益率为: R,。其中，为该组合中包含pt,pt,nPi,1it,1, 的股票的数目。 4.组合构造方法 从1996年到2004年的每一年里，先将样本中股票按公司规模从小到大进行排序，然后 分为10个组合，每个组合包含的股票数目尽可能相等。在1996年的组合中，122只股票进入组合，到2004年，数目增加到564只。 5.统计描述 1996年，最小规模的组合所包含的公司的市场价值平均为9,213万元，最大规模的组合 所包含的公司的市场价值平均为91,756万元，而2004年二者的数据分别为24,901万元和477,456万元。 表1表示了组合1—10在1996—2004年中每年的平均月收益率情况，数据后面括号内的 数字表示该组合当年的平均月收益率在所有组合中从大到小的排序。可以看出在这9年中，1998、2000、2001和2004年表现出规模效应，基本上随着规模的增加，组合获得收益也越来 越低，但是其余年份并不显著，并且在1996和2003年规模效应反而走向反面，即规模大的组 1合获得较高的收益。必须注意的是，“幸存者偏差”（survivorship bias）效应有可能影响到组合收益率。 表1 1996—2004年度各组合平均月收益率情况表 单位：% 组合 1996 1997 1998 1999 2000 2001 2002 2003 2004 1 1.170(9) 4.289(2) 3.686(1) 3.253(1) 6.020(3) -1.082(2) -1.082(1) -2.405(10) -0.739(1) 2 2.721(7) 4.670(1) 3.101(3) 2.416(7) 6.616(1) -1.523(5) -1.522(6) -1.968(9) -1.410(5) 3 2.531(8) 3.152(3) 3.577(2) 2.715(5) 6.300(2) -1.228(3) -1.745(8) -1.202(8) -1.046(3) 4 0.945(10) 3.027(6) 1.926(5) 2.038(9) 5.037(5) -1.783(6) -1.628(7) -1.161(7) -0.746(2) 5 4.211(3) 1.658(10) 2.667(4) 3.134(2) 5.570(4) -1.012(1) -2.338(10) -1.014(6) -1.418(6) 6 3.272(4) 3.114(5) 0.431(8) 3.013(3) 3.776(10) -2.022(7) -1.473(4) -0.595(3) -1.663(8) 7 3.216(5) 2.288(9) 0.709(7) 1.911(10) 4.454(6) -2.154(8) -1.937(9) -0.803(5) -1.693(9) 1 “幸存者偏差”是一种在研究方法论上常见的错误，也就是说只是根据少部分成功案例的历史来了解成 功的原因，而没有也不可能将所有的成功和失败的案例做个系统的对比。 8 5.497(2) 2.328(8) 0.748(6) 2.904(4) 4.056(8) -1.367(4) -1.434(3) -0.640(4) -1.275(4) 9 2.977(6) 2.511(7) 0.372(9) 2.265(8) 4.301(7) -2.580(10) -1.485(5) -0.112(2) -1.580(7) 10 6.942(1) 3.150(4) -1.891(10) 2.471(6) 3.861(9) -2.414(9) -1.339(2) 1.192(1) -2.427(10) 表2 1996—2004年度各组合月收益率的描述性统计指标 组合 1 2 3 4 5 6 7 8 9 10 均值 1.46 1.46 1.45 0.85 1.27 0.87 0.67 1.20 0.74 1.06 中位数 0.69 0.56 0.39 0.69 0.70 0.24 0.13 0.19 -0.02 0.27 最大值 27.16 30.2 34.62 29.92 39.04 34.04 31.01 46.01 42.00 51.50 最小值 -16.37 -19.05 -14.66 -16.34 -14.34 -15.76 -14.70 -15.39 -18.60 -16.60 标准差 8.81 8.96 9.11 8.31 9.05 8.69 8.05 9.74 8.95 9.64 偏度 0.39 0.61 0.75 0.61 1.04 0.85 0.76 1.80 1.15 1.87 峰度 2.98 3.84 3.92 3.97 5.25 4.77 4.30 9.01 6.57 9.83 JB统计量 2.70 9.90 13.97 10.82 42.07 27.25 17.97 220.86 81.04 273.23 相伴概率 0.2591 0.0071 0.0009 0.0045 0.0000 0.0000 0.0001 0.0000 0.0000 0.0000 表2提供了组合1—10在整个时间区域内月收益率的描述性统计指标。可以看到规模小的 组合可以获得更高收益的趋势比较明显。组合1—10都具有正的偏度，除组合1以外，其余组合的峰度都大于3，因此与标准正态分布相比，组合2-9的月收益率都呈现右偏、尖峰的分布 形态。表2的最后两行是Jarque-Bera检验结果，该检验的零假设是样本服从正态分布。从检 验的相伴概率来看，除组合1之外，其余组合至少在99%的置信水平下拒绝零假设，即序列不 服从正态分布。 三、马尔科夫链与依规模组合收益序列的随机游走假说检验 如果一个时间序列是纯随机序列，意味着序列没有任何规律性，序列诸项之间不存在 相关，这时序列不具有可预测性。当一个序列是纯随机序列时，其自相关系数应该与0没有显著差异。我们这里利用Eviews提供的相关分析来判断依规模组合月收益率的时间序列是否 为纯随机序列。 表3为依规模组合月收益率的自相关分析情况表。从表中可以看出，除了极个别点（加 星号）之外，几乎所有的滞后5阶之内的自相关系数都落入置信水平为95%的置信带内，表示 与0无显著差异，并且所有组合的Q(6)在10%的显著性水平上于0无差异。因此可以认为各组 合的月收益率序列是纯随 机的，为白噪声序列，不表3 依规模组合1—10的月收益率序列自相关分析情况表 具有可预测性。 组合 r1 r2 r3 r4 r5 Q(6) 尽管自相关分析得出* 1 0.108 0.006 0.054 0.059 -0.195 6.82(0.338) 了依规模组合1—10的收 2 0.062 0.063 -0.113 0.011 0.043 2.64(0.853) 益率序列是纯随机的、都 不具有可预测性的结论，3 0.050 0.064 -0.147 0.016 0.015 3.26(0.776) *但是我们知道，自相关分4 -0.011 0.034 -0.212 -0.001 0.000 5.30(0.506) 析依赖于两个假定，一是5 0.055 0.031 -0.088 0.020 -0.011 1.40(0.966) 时间序列必须具有方差稳6 0.004 0.073 -0.092 -0.033 -0.028 1.81(0.936) 定性，二是时间序列必须7 0.009 0.135 -0.164 0.008 -0.011 5.56(0.474) 是线性的。当这两个假定8 0.018 0.053 -0.103 -0.011 -0.043 2.95(0.815) 不满足时，自相关分析得9 0.044 0.089 -0.165 -0.009 -0.096 7.17(0.305) 出的结论可能不是正确 10 0.055 0.099 -0.107 0.043 -0.017 3.00(0.809) ri注：为样本序列滞后阶的自相关系数。*号表示自相关系数落入 i 显著性水平为5%的置信带之外。Q(6)是滞后阶数为6的Box-Pierce Q 统计量，零假设为所有序列相关系数全部为0，括号内为相伴概率。 的。而这两个假设却是相当的严格，金融资产的收益一般都表现出非线性和方差非稳定性的 特征， 如对股票的收益率序列建模时，其随机扰动项往往在较大幅度波动后面伴随着较大 幅度的波动，在较小幅度波动后面紧接着较小幅度的波动，时间序列可能表现为ARCH或GARCH的类型。因此，我们必须寻找其他的更一般的方法作为自相关分析的补充，才能更充分的证 明按照规模大小形成的各个组合的收益序列不具有可预测性。 另外一种可供我们选择而又不需要上述假设的检验方法就是马尔科夫链方法。不像其他 的检验随机游走假说的方法，马尔科夫链方法不要求收益序列的线性假设，例如它可以检验 两个都是低收益率的连续月份要比两个都是高收益率的连续月份后面更有可能跟着一个低 收益率的月份。马尔科夫链方法也不要求收益序列的正态性分布假设，而我们在第二部分就 1已经检验到各个组合的收益序列都不符合正态分布。但是要求收益序列必须平稳，从而具有稳定的转换概率,即要求马尔科夫链为时齐的。 我们先用自相关方法检验收益序列的稳定性。如果序列的自相关系数很快地（滞后阶 数大于2或3时）趋于零，即落入随机区间，则时序是平稳的，反之非平稳。我们从表2中可以看出组合1—10的月收益率序列基本上从第1阶开始就落入置信水平为95%的置信区间内，表示与0无显著差异，因此我们可以断定依规模组合1—10的月收益率序列都是平稳的。 在本文中作者选择使用两状态二步马尔科夫链，在文献中可以发现很多种关于状态和步 数的选择，例如：Dryden(1969)使用了一个三状态一步的马尔科夫链来检验股票价格变动的 方式，这三种状态分别是“上升”、“下降”和“不变”，这种选择很适合他的调查研究， 因为他使用的是日价格序列，有可能价格在连续两天内保持不变。本文采用了McQueen and Thorley(1991)的选择方法，之所以选择两状态，一方面是因为两状态接近随机游走的本质， 二是因为“不变”状态在组合的月收益率序列中不会出现。我们选择二步链是因为它可以使 我们检验到投机泡沫的存在，而一步链却很难做到这一点。我们并没有选择更高步数的链， 因为高步链需要的更多的初始状态，从而使得我们估计转移概率矩阵的样本数目减少。 假定每一个月的收益率被指定为0或1状态。这样，我们定义： ,1 如果R,R,tI, ,t0 如果R,R,t, 其中，R为特定组合在第t个月收益率；为该组合前三年的月平均收益率，它将数据 Rt 分为“高的月收益”（I=1）和“低的月收益”（I=0）两种状态。比如：对于2000年的12tt 个月份来说，为1997—1999年三年期间的平均月收益率，必须注意，开始的三个年份里R 由于前面都没有足够的数据，所以被指定为这三年的月收益率的平均值。 R 对于每一个组合，我们假定I都为一个两状态二步马尔科夫链，这个进程的转移数和转t 移概率可以通过下面的方式计算。因为有两个状态：0和1，所以前两个月的月收益率序列有 4种组合，即0：0、0：1、1：0、1：1，而目前这个月只有两种状态即0或1，因此转移数和相应的转移概率可以被表示为一个矩阵： 42， 转移数矩阵 转移概率矩阵 以前的状态 目前的状态 以前的状态 目前的状态 0 1 0 1 1y所谓时序的平稳性，即是指若时间序列满足：（1）对于任意时间t，其均值恒为常数；（2）对于任意时t 间t和s，其自相关系数只与时间间隔t-s有关，而与t和s的起始点无关。那么这个时间序列就称为平稳时 间序列。 1-λ 0 0 0 0 λ M N00000000 0 1 1-λ 0 1 λN M 01010101 1 0 1-λ 1 0 λN M 10101010 1 1 1-λ 1 1 λN M 11111111 在这些矩阵中N和M被定义为满足相应状态之间转移情况的数目，这样，N就是前面ijij00两个状态序列是0：0的情况下又观察到状态为0的次数，M为在前面两个状态序列是0：0的00 情况下又观察到状态为1的次数。相应的转移概率矩阵被定义为： λ=P[I=0|I=0,I=0], λ=P[I=0|I=0,I=1], 00tt-2t-101tt-2t-1 λ=P[I=0|I=1,I=0], λ=P[I=0|I=1,I=1] 10tt-2t-111tt-2t-1 这些转移概率矩阵可以通过最大化相应的对数似然函数估计到，该对数似然函数为： 11 LNM()ln(lnln(1)),,，，，，,,,, （1） ,,ijijijij00ij,, 其中，Λ=(λ,, λ λ λ)′，为初始两种状态的概率。忽略我们可以通过一阶00011011 条件求出λ的最大似然估计值： ij ,Nij, （2） ,ijNM，ijij 和渐近方差： ,,,,,(1),NMijijijij2。 （3） ,,(),,ij3NMNM，，()ijijijij 当样本容量足够大时，,可以被忽略不计。在本文中，因为样本数量超过了100，所以我们可以这样做。 随机游走假说使得各个依规模组合的收益率的时间路径应当是纯随机的，这样，各个组 合的过去的收益和未来的收益之间应该不存在任何结构或方式的联系。在马尔科夫链中，这 要求在t时刻无论前面的两个状态是什么，0状态或1状态出现的概率应当是相等的。正规 的来说，随机游走的零假设是所有转移概率都相等，因为拒绝零假设可能会面对多种可能的 选择，所以我们将注意力放在其中的一个选择上，这种假设直接瞄准“理性”泡沫，这意味 着相对于前面的两个状态是0：0来说，0状态更有可能跟在1：1初始状态下出现，这样当这种趋势建立起来之后，价格反转或泡沫破裂就会发生，因此λ<λ。如果没有理性泡沫，0011λ=λ，我们将该式作为对应的备择假设H。对于完全的随机游走假设来说，我们将λ=0011100λ=λ=λ作为假设H。这两个假设可以使用似然比检验方法来检验： 0110112 ,2,()n,,,()2[()()]nLL,, ~ （4） ,,其中，,,L(),L(),为对数似然方程（1）在取无限制的极大似然估计值时的值；为ijij对数似然方程（1）在λ取的加上H或H限制的极大似然估计值的值，对于前者n等于1，ij12 对于后者n=3。 表4 依规模组合收益率极大似然估计和似然比检验表 转移数目 组合1 组合2 组合3 组合4 组合5 组合6 组合7 组合8 组合9 组合10 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 以前状态 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 21 14 24 13 20 13 19 13 17 12 19 15 19 12 25 14 22 14 24 14 00 13 12 14 11 16 11 15 11 17 10 14 12 17 9 13 11 17 9 14 9 01 14 10 12 13 12 14 12 13 12 14 15 10 12 14 13 10 14 11 14 8 10 12 10 10 9 11 9 11 12 10 14 12 9 10 12 11 9 9 10 9 14 11 初始状态 0 1 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 1 0 1 0.600 0.649 0.606 0.594 0.586 0.559 0.613 0.641 0.611 0.632 λ00 σ（λ） 0.083 0.078 0.085 0.087 0.091 0.085 0.087 0.077 0.081 0.078 00 λ 0.545 0.526 0.550 0.478 0.417 0.571 0.455 0.550 0.474 0.391 11 σ（λ） 0.106 0.115 0.111 0.104 0.101 0.108 0.106 0.111 0.115 0.102 11 H:λ=λ 10011 Ω(1) 0.17 0.78 0.16 0.72 1.57 0.01 1.30 0.46 0.95 3.35* H:λ00=λ01 2 =λ=λ 1011 0.45 1.92 1.42 3.23 3.19 0.21 3.29 0.83 1.63 4.09 Ω(3) 注：*号表示在10%的水平下显著。 表4列出了依规模组合1—10的转移数、转移概率的极大似然估计和相关的统计量。 可以看出所有组合的λ的极大似然估计量都大于0.5，但随规模变化的趋势不明显，这意00 味着前两个连续状态是0：0的时候，下面紧接着更容易出现0状态，而λ的极大似然估11计量随着规模的增大，出现下降的趋势，对于规模小的组合，比如组合1，前两个连续状态是1：1的时候，下面紧接着出现1状态的概率是0.455，而组合10相应的概率为0.609。这些指标意味着在股市连续低迷的时候各个组合都容易紧接着出现收益率低的状态，而股市连 续高涨的时候，规模小的组合紧接着高涨的可能性较小，规模大的组合紧接着高涨的可能性 较大，这似乎与我们的经验相反,现存文献中很少发现这种现象。 再看两个备择假设，只有组合10在10%的显著性水平下，拒绝λ=λ的假设，因为0011 ,,组合10的λ的估计量大于λ的估计量（,,，），所以当组合10的前两个连续状态是00110011 0：0的时候，要比1：1的状态更容易出现0状态,与“理性”泡沫方向刚好相反。因此可以 断定，所有的组合并没有显示出“理性”泡沫。我们还可以看到，所有的组合都不能拒绝假 设H：λ=λ=λ=λ，因此所有的组合的收益序列都表现出随机游走的特性，从而不200011011 具有可预测性。这与我们使用自相关分析方法得出的结论是一致的。 四、市场模型和随机游走假说检验 为了把风险因素和市场有效性纳入到分析中来，我们把检验随机游走假说的马尔科夫链 方法应用到市场模型的残差上来。我们知道，风险对于投资者来说就是不能通过投资组合分 散的波动性，这种不能分散的风险反映了股票跟随市场作为一个整体的收益波动程度。这样 随机游走假说就变为把市场对单个组合的影响因素剥离出去后组合收益的不可预测性假说。 本文采用了下面的市场模型形式： RRRR,，,，,，,，,,,,, (5) ptppmtpmtpmtt,,1,1,0,,1,1,,， 其中，R表示特定组合在t期的收益率；R表示市场上所有证券构成的等权组合即市场 p，tm，t 组合在t期的收益率；ε表示残差，等于估计所得的期望收益率与实际收益率之差；α、 tpβ为常数项。 p 这种包含了滞后和领先的市场收益的市场模型来自于Dimson(1979),他认为小规模公司的股票持有人一般都比大规模公司股票持有人数目小，因此小规模公司的股票可能很长时间 不被交易，这样价格可能保持不变，特别是在观察间隔比较短的时候。本文使用的是月度数 据，我们不能排除这种现象不会出现，所以采用了这种模型。更高阶的滞后和领先的市场收、β和β加总得到.如果一p,-1p,0p,1益经检验发现不显著。所以我们这里使用了一阶滞后和领先的市场模型。组合p的β值通过阶滞后或领先的市场收益在10%的表5 依规模组合β的估计值情况表 β水平下不显著，我们就把它从方程组合 β的估计值 β的估计值 β的估计值 β 0-1+1中剔除。表5给出了估计的系数和1 0.922(0.069) — 0.922 — β值。可以看出，各组合的β值的2 1.036(0.056) — 1.036 — 范围位于0.873和1.228之间，平3 1.069(0.054) — — 1.069 均的β值并不等于1，这主要是因4 0.967(0.051) -0.094(0.051) 0.873 — 为这些组合并没有包含市场中所 5 1.094(0.047) — — 1.094 有的股票。随着规模的增大，组合 6 1.074(0.038) 0.081(0.038) -0.094(0.038) 1.061 的β值趋向于变大，这与我们的常 识不同。我们发现小规模组合的一7 0.993(0.037) — — 0.993 阶滞后和领先的系数都不显著，说8 1.228(0.038) — 1.228 — 明在我国市场上，由于投机风气的9 1.128(0.035) — — 1.128 盛行，小规模的股票并没有因为规10 1.204(0.041) — — 1.204 模小而使参与人数减少。 注：括号内为标准差 我们使用估计的市表6 依规模组合1—10的市场模型残差的自相关分析情况表 场模型的残差来重复与 表2一样的序列自回归分组合 r1 r2 r3 r4 r5 Q(6) **析，得到表6。可以看出1 0.288 -0.089 -0.028 0.062 0.202 23.24(0.001) *规模最小的四个组合的2 0.294 0.041 0.098 0.009 0.014 13.60(0.034) 市场模型的残差都呈现*3 0.254 0.045 0.053 0.100 0.155 12.54(0.051) 出一阶自相关，这表明规*4 0.229 -0.066 -0.069 0.042 0.154 12.84(0.046) 模小的组合的目前的残5 0.078 0.019 0.134 -0.080 0.023 4.08(0.666) 差和滞后一期的残差具*6 -0.120 -0.099 0.282 -0.103 -0.086 17.47(0.025) 有显著的相关性，并且组***7 21.10(0.002) 0.044 -0.200 -0.257 0.119 0.198 合1—4和6—7的Q(6)8 0.117 -0.071 -0.106 -0.102 0.058 5.53(0.478) 在10%的显著性水平上9 -0.072 -0.014 0.031 -0.093 0.010 1.71(0.945) 异于0，从而提供了具有10 0.025 0.014 -0.093 0.071 -0.018 2.64(0.852) 可预测性的证据。但是由 于序列可能呈现出非线r注：为样本序列滞后i阶的自相关系数。*号表示自相关系数落入显 i性和非正态性的特征，所 以我们还必须利用马尔著性水平为5%的置信带之外。Q(6)是滞后阶数为6的Box-Pierce Q统 科夫链对市场模型的残计量，零假设为所有序列相关系数全部为0，括号内为相伴概率。 差做分析。 我们把依规模组合1—10的市场模型的残差按照第三部分的做法用马尔科夫链来分析， 得到表7的分析结果。与表4相比，小规模的两个组合2和3以及组合8都拒绝λ =λ0011 ,, ,,，的假设，又因为组合2、3和10的λ的估计量大于λ的估计量（），与“理性”00110011泡沫方向刚好相反。所以可以断定，所有的组合并没有显示出“理性”泡沫。小规模的两个 组合2和3都拒绝H假设，其余组合都没有拒绝这个假设，因此，一旦我们把不能分散的2 风险所导致的收益因素从总收益中剔除出去，只有小规模的的组合表现出可预测性。 表7 各个组合市场模型残差极大似然估计和似然比检验表 转移数目 组合1 组合2 组合3 组合4 组合5 组合6 组合7 组合8 组合9 组合10 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 目前状态 以前的状态 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 21 15 31 12 28 16 15 22 15 13 11 14 14 16 12 12 9 20 12 00 12 11 12 5 12 13 8 9 12 12 10 13 13 11 13 16 9 12 17 10 12 01 15 7 12 5 11 9 14 7 15 7 11 16 14 9 12 13 9 19 12 10 10 12 13 12 17 8 17 12 20 11 14 14 13 13 18 9 19 17 11 13 17 11 初始状态 0 1 1 0 0 0 0 0 1 1 1 1 0 1 1 0 0 1 1 1 λ 0.583 0.721 0.700 0.516 0.595 0.542 0.500 0.571 0.571 0.625 00 σ（λ） 0.082 0.068 0.072 0.090 0.081 0.102 0.094 0.094 0.108 0.086 00 λ 0.480 0.414 0.320 0.375 0.440 0.519 0.419 0.321 0.607 0.433 11 σ（λ） 0.100 0.091 0.093 0.086 0.099 0.096 0.089 0.088 0.092 0.090 11 H:λ=λ 10011 *****Ω(1) 0.63 6.82 0.06 1.28 1.21 0.03 0.46 3.589.14 2.30 H2:λ00=λ01 =λ =λ1011 ****Ω(3) 2.93 13.64 9.45 4.78 3.00 1.10 2.03 6.25 5.90 2.58 注：*号表示在10%的水平下显著,**号表示在5%的水平下显著。 五、结论及启示 本文以上海A股市场为研究对象，将股票按市场价值分为10 个投资组合，考察组合在1996—2004年的月收益率状况,我们发现这些组合的月收益率数据的规模效应并不是特别 明显，在这9年中，1998、2000、2001和2004年表现出规模效应，但是其余年份并不显著， 并且1996和2003年中规模效应反而走向反面。然后本文依靠这些组合的收益序列考察组合 收益的可预测性。由于收益序列呈现出非线性和非正态性的特征，所以本文使用马尔科夫链 方法并结合传统的自相关分析来研究收益序列的可预测性。研究发现：依规模形成的各个组 合的收益序列都满足随机游走假说，从而不具有可预测性。 为了把风险因素和市场有效性纳入到我们的分析中来，本文还利用马尔科夫链对依规模 组合市场模型的残差进行了可预测性检验，发现除了组合2和3之外，其他组合都接受随机 游走假说。我们假定β值在这9年内保持不变，这和现实不符，因此组合2和3的例外可能是这方面的原因，考虑到没有考虑风险因素的实证结果，我们基本上可以断定，考虑风险后， 各个组合的收益序列仍然接受随机游走假说，不具有可预测性。 可预测性的考察在经济学上具有极其重要的意义。可预测性除了具有“战胜市场”的含 义外，还有更复杂的含义。股票收益率的可预测性不可避免地与“市场有效性”这个概念相 联系。人们对于可预测性和市场有效性之间关系的认识是随着经济科学的发展而不断深入 的。由于人们对于风险中性在决定股票价格的鞅行为方面的关键作用不是太清楚，所以在 20世纪70年代早期之前，可预测性就变成了市场无效的同义词。然而到了70年代晚期以后，人们开始认识到，在风险厌恶的世界里，理性的、随时间变化的的风险溢价可以导致收 益率的可预测性，因此不能认为可预测性直接与市场无效同义。目前学术界的共识是：所有 有关随机游走假说的讨论，无论是在理论上还是在实证上，都至多是在近似意义下被看作弱 有效市场的特征，即不是充分条件，也不是必要条件（史树中，2004）。从理论上来讲，弱有效假说的检验应该是一个关于市场本身有效和定价模型的联合检验，在我们的注意力转到 证券收益序列的可预测性之后，弱有效性假说的检验就避免了这个联合检验，但遗憾的是又 遇到一个新的联合检验，即：一方面是证券收益序列的可预测性检验，另一方面是收益的可 预测性反映了期望收益偏离基本价值的理性变化还是非理性变化，或者两者都有（杨朝军等， 2004）。因此本文的研究可以看作是市场有效性检验的一个子集。 但是在我国学术界的实证研究方面，直到张兵、李晓明（2003）才将随机游走假说和弱有效市场假说分开，之前的实证研究都将二者对等，但是张兵、李晓明（2003）认为满足随机游走假说只能看作是市场弱式有效的充分条件也是不对的，这点我国学术界必须注意。 我们知道，有效市场理论是金融经济学研究中的核心理论，是现代金融投资理论（如 CAPM、APT等）的基础。因此，作者认为应将有效市场理论作为规模效应能否被看作异象的 范式。只要“规模效应”不违背市场有效性假说，那就不应该被看作异象。根据本文的结论， 各个依规模组合的月收益序列不具有可预测性，在另一个联合检验没有被拒绝的情况下，我 们就不能拒绝市场弱式有效的假说，从而规模效应并没有违背市场有效性假说，不应被看作 异象。 必须强调的是，尽管我们比国内其他的研究使用了较长的时间序列（108个月的月收益率数据），采取了较广的样本（全样本），我们的结论仍然可能是这段时期特有的表现，因 此我们不能断定我们得出的结论在其他时期在其他市场无条件成立。 参考文献 Berk,J.,1996: “A View of the Current Status of the Size Anomaly”,preparation for Security Market Imperfections and World Wide Equity Markets, Keim,D. and W.Ziemba, Cambridge : Cambridge University Press. Dryden M.M.,1969: “Share Price Movements:A Markovian Approach”, Journal of Finance, (24),49-60. Elroy Dimson and Paul Marsh,1999: “Murphy’s Law and Market Anomalies”,Journal of Portfolio Management, (25(2)),53-69. Fama,E.F.,and K.R.French,1992: “The Cross-Section of Expected Stock Returns”,Journal of Finance, (47),427-466 Fama,E.F.,and K.R.French,1993: “Common Risk Factors in the Returns on Stocks and Bonds”,Journal of Financial Economics, (33),3-56. Fama,E.F.,and K.R.French,1995: “Size and Book-to-Market Factors in Earnings and Returns”,Journal of Finance, (50),131-184. Horowiz, J.L., Loughran,T., and Savin,N.E, 2000:“The disappearing Size Effect”，Research in Economics , (54), 83-100. Lee.C.M.C.,A.Shleifer and R.H.Thaler,1991: “Investor Sentiment and the Closed-End Fund Puzzle”,Journal of Finance, (46),75-110. McQueen S. and Thorley S.,1991: “Are Stock Returns predictable?A Test Using Markov Chains”,Journal of Finance, (46),239-263. M. Reinganum, 1981:“Misspecification of Capital Asset Pricing : Empirical Anomalies based on Earnings Yields and Market Values”,Journal of Financial Economics , (9) , 19—46. Rolf Banz,1981:“The Relationship between Return and Market value of Stocks”,Journal of Financial Economics, (9),3-18. 陈小悦和孙爱军.CAPM在中国股市的有效性检验[J] .北京大学学报（哲学社会科学系）， 2000年第四期.第28-37页. 陈信元、张田余和陈冬华.预期股票收益的横截面多因素分析：来自中国证券市场的检 验证据[J].金融研究，2001年第6期。 史树中.金融经济学十讲[M].上海：上海人民出版社，2004年.第197页。 张兵，李晓明. 中国股票市场渐进有效性研究[J].经济研究，2003年第1期。 张祥建、徐晋、郭岚. 上海股票市场规模效应实证研究[J].管理科学，2004年第6期，第35—38页。 杨朝军、蔡明超和傅继波.上海股票市场资本资产定价的横截面研究[J].系统工程理论与实践，2001年第10期.第66—70页。 杨朝军、蔡明超和杨一文.现代证券金融理论前沿与中国实证[J].上海：上海交大出版社，2004年.第68页。 周文和李友爱. 收益率相关性、规模效应与市场有效性—对沪深股票市场的实证研究 [J].当代经济科学，1999年第一期.第56-62页。 The Size Effect, The Random Walk Hypothesis and The Efficient Markets : Abstract Different from traditional methods, this paper examines the predictability of size porfolio returns using a database construcred from the Shanghai stock exchange for the period 1996-2004. Predictability of returns ,both adjusted and unadjusted for risk, are examined and, Because evidence of nonlinearity and nonnormality is often found in stock profit series, conventional autocorrelation analysis is supplemented with analysis using Markov chain processes. It is found that predictabilities are not found in all these portfolios for returns of unadjusted and adjusted for risk. So this examination also become one part of the examination of the efficient markets hypothesis. Keywords Size Effect Predictability Efficient Markets Hypothesis Markov chains