股市板塊對大盤的動態影響力研究

肖觀福

[摘 要]用DCC模型得到的動態相關系數，結合理論框架實證檢驗了2014—2015年牛市行情中4個板塊對滬深300指數的動態影響力，并與板塊的累積收益圖進行比較分析。結論表明：用累積加權動態相關系數變化率來解釋板塊對大盤的動態影響力以及板塊的輪動效應是可行的，特別是在解釋牛市中后期各板塊的表現時具有明顯的優勢。

[關鍵詞]動態影響力；累積加權動態相關系數變化率；DCC模型；輪動效應

[DOI]10.13939/j.cnki.zgsc.2016.16.080

1 引言與文獻綜述

為什么要研究股市板塊對大盤的動態影響力？在瞬息萬變的投資世界，了解靜態影響力是不夠的，特別是在牛市階段板塊之間漲跌此起彼伏，板塊對大盤的影響力會發生根本性的變化，所以研究動態影響力有助于投資者根據市場行情解決資產配置的問題。而在靜態方面，普通投資者都會有一個初步的判斷，國內外的研究者也都有豐富的成果。但是在動態方面，從現有的文獻來看，直接涉及如何刻畫板塊對大盤的動態影響力或者說用什么指標來衡量動態影響力較少，但是一些有益的成果仍值得借鑒。

從傳統的靜態影響力方面來看，較少的研究者直接研究板塊對大盤的影響，大多數的研究者在考量各個板塊在不同的階段對大盤的影響都是從板塊的輪動效應出發。Paola Sassetti和Massimiliano Tani（2006）[1]通過1998—2003年的美國數據的實證檢驗發現，板塊輪動效應在不同的經濟環境都存在，且在經濟不景氣的前提下利用板塊的輪動效應積極構建投資組合仍然能給投資者帶來超額收益。陳幕紫（2009）[2]等人采用Granger因果關系檢驗和雙變量GARCH（1，1）模型對A股行業板塊和基金板塊間的領滯關系進行了分析研究，得出了中國股市在不同階段不同板塊之間的領滯關系。何誠穎（2001）[3]利用IPO的走勢時運用收益率指標，在這一指標基礎上給出板塊現象強弱等市場特征的量化指標。

從動態的角度來看，自從Engle（2002）[4]在常系數條件模型的基礎上提出了DCC模型之后，因為該模型能夠刻畫不同資產的波動性和信息溢出效應，而且能夠刻畫各種資產間的動態相關性，因此一經提出就獲得廣泛的關注，并且利用該模型做了豐富的實證檢驗。郭文偉（2015）[5]構建VAR-GJR-GARCH-DCC模型分析了中國股市風格資產間的動態相關性和溢出效應。

總結前人的研究成果不難發現，他們在研究兩種資產之間的影響時，都是基于已有的理論做的具體的廣泛的實證檢驗過程，較少對模型得出的數據做進一步的挖掘，而本文的研究特色正在于通過挖掘DCC模型得到數據，得到了累積加權動態相關系數變化率指標來衡量板塊對大盤的動態影響力。因此本文就如何定義、如何衡量板塊對大盤的動態影響力，以及DCC模型的擴展應用做出了一點貢獻。

2 實證研究

本文選取滬深300指數來反映大盤行情，滬深300指數（編號：hs300）包括10個行業板塊，但為了更好的在圖形上說明本文所要描述的方法，現只選取4個板塊進行分析，分別為金融板塊（編號：jr）、工業板塊（編號：gy）、能源板塊（編號：ny）、信息板塊（編號：xx），當然在實際的投資策略上應該進行全板塊分析。另外，在牛市行情中板塊的輪動效應會比較明顯，故而板塊對大盤的影響力也會有更為深刻的變化，所以研究牛市行情更有意義。根據2014—2015年的牛市行情，選取2014年7月22日至2015年6月15日共220個交易日作為研究樣本。本文用到的軟件是R3.1.2。這里采取指數的收益率代表行業板塊的收益率并采用對數法，其計算公式為：

DCC（Dynamic Conditional Correlation）模型即動態條件相關性模型，由Engle（2002）首先提出，它可以比較方便的得到序列之間的每一期的條件相關系數，因此一經提出便得到了廣泛的應用。模型具體如下。

假設條件殘差為獨立同分布的白噪聲過程，服從均值為0，協方差矩陣為Ht的多元正態分布，則動態結構設定如下：

其中，ut為條件期望均值，Mt-1為截至t-1期的所有可能獲得信息集，Ht為條件協方差矩陣，Dt是對角矩陣，Rt為動態條件相關系數，σii，t為et的方差，可以看出其由GARCH（1，1）模型得來。wi，αi，βi是GARCH（1，1）模型的待估參數，由計算機完成，這里不再詳細給出。εt為標準化殘差，qii，t為序列i與序列j的協方差，a、b為待估參數，ρij，t為序列i與序列j的無條件相關系數。Qt為序列i與序列j的條件協方差矩陣。該模型的估計分為兩步：第一步，估計每一個序列的單變量GARCH（1，1）過程；第二步，使用第一步得到的標準化殘差估計動態條件相關系數。

通過DCC模型得到動態相關系數之后，再構建累計加權動態相關系數變化率，具體構建過程如下：

其中，Δi，t為第i個板塊的第t期的動態相關系數變化率，pi，t為第i個板塊的第t期動態相關系數，pi，t為第i個板塊的第t-1期動態相關系數，Πi，t為第t期的累計加權動態相關系數變化率。wi為第i個板的權重，根據金融板塊、工業板塊、能源板塊、信息板塊的流通市值占滬深300指數的權重，wi分別為3 實證結果與結論

從圖1可以清楚的反映整個牛市的階段各個板塊對大盤的動態影響力走勢。橫軸以上的面積圖反映了累積加權動態相關系數變化率為正，說明在這一過程中板塊與滬深300指數的相關性處于較高的位置，也即板塊與滬深300的走勢越來越趨近于相同，板塊對滬深300指數的動態影響力也越強，處于橫軸以下的面積圖則反映了相關系數處于較低的位置，也即板塊與滬深300指數的每日波動不大一致，此時板塊對滬深300指數的相對動態影響力減弱。比較橫軸以上的面積圖，哪個板塊的面積處于最高位置，則可以反映此時該板塊在這段時間與滬深300指數趨同的動力越強，也即相對其他板塊，面積最高所代表的板塊動態影響力最強。

從圖1的反饋信息來看，牛市的開端，由金融板塊崛起帶動，隨后工業板塊走強，之后傳遞給信息板塊；而到了牛市的中端，四個板塊的動態影響力并不明顯，但是可以從折線圖（這里并沒給出折線圖）看出細節，此時金融板塊稍勝一籌；此后牛市的中后端，工業板塊與信息板塊的影響力交替輪換。

為了證明用累積加權動態相關系數變化率可以反映板塊對大盤的動態影響力，現用4個板塊的累積收益率圖（見圖2）來與之比較。從兩個圖的比較來看，累積加權動態相關系數變化率基本上可以反映板塊的累積收益。首先，累積收益圖也反映了金融板塊率先走強，然后是能源板塊嶄露頭角，之后是工業板塊；到了牛市中期，也出現了金融板塊發力的情形，進入牛市的中后期，工業板塊和信息板塊幾乎同步走強。所以總的來說，圖1與圖2反映的市場信息大致相同。

既然圖1和圖2反映的信息幾大致相同，為何要如此費力的構建“累積加權動態相關系數變化率”這個相對復雜的指標呢？顯然累積加權動態相關系數變化率比累積收益在反映板塊對大盤的影響力方面有獨特的優勢。從牛市中后期來看，累積動態相關系數變化率可以明確的反映此時工業板塊與信息板塊出現了影響力交替效應，而累積收益圖卻只能反映此時的兩個板塊都走強，且工業板塊的累積收益走勢始終在信息板塊的上方，并沒有反映工業板塊與信息板塊出現輪動的現象，這與實際的市場行情顯然不符。

另外值得注意的是，本文所提出的累積加權動態相關系數變化率也能比較完美的解釋板塊輪動效應的存在。如果粗略的將累積加權動態相關系數變化率理解為輪動效應指標，則可以用影響力走勢圖來反映板塊輪動的走勢圖。通過實際觀察2014—2015年的牛市行情中板塊輪動現象與圖1反映的輪動現象大致相同。但是，圖1中面積最高的圖反映的是此時該板塊與滬深300指數走勢最為接近，本文解讀為動態影響力最大，可走勢最為接近卻并未意味著這個板塊是當前漲勢最好的板塊。相反，板塊相對滬深300指數漲勢越好，相關性卻會減弱，所以用累積加權動態相關系數變化率來反映板塊輪動會有稍許偏差，但是從整體來講擬合效果還是不錯的。

本文通過創建一個累積加權動態相關系數變化率來量化動態影響力，以此考察2014—2015年的牛市行情，發現動態影響力走勢圖與實際的股市行情相差無幾，因此具有一定的意義。第一，在板塊對大盤的影響力研究方面提出了動態影響力的研究方法，并為該方法提供了一個粗略的理論框架。第二，為DCC模型的擴展應用做了一點貢獻。本文運用DCC模型得到數據基礎上，做了更深層此的數據處理工作，而非簡單的用動態相關系數闡述問題。第三，本文的研究表明，在牛市的初期，一般是常相關系數比較高的板塊帶動大盤；在牛市的中期，也是常相關系數比較高的板塊發力。但在牛市的中后期則由常相關系數比較低的板塊輪番帶動大盤。因此投資者可以根據這一規律進行策略投資。

參考文獻：

[1]Paola Sassetti，Massimiliano Tani.Dynamic Asset Allocation Using Systematic Sector Rotation[J].The Journal of Wealth Management，2006，8（4）：59-70.

[2]陳幕紫，陳敏，吳武清，等.中國A股市場行業板塊間領漲關系的動態變換實證研究[J].系統工程理論與實踐，2009，29（6）：19-31.

[3]何誠穎.中國股市“板塊現象”分析[J].經濟研究，2001（12）：82-87.

[4]Engel.Dynamic Conditional Correlation： A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J].Journal of Business & Economic Statistics，2002，20（3）：339-350.

[5]郭文偉.股市風格資產溢出效應及動態相關系突變點研究[J].系統工程，2015，33（3）：12-24.