IPO抑價的滯后效應研究

張 婷 徐少峰

(南昌大學共青學院 江西 共青城 332020)

一、引言

根據 Welch(1992)提出的信息瀑布流假說，投資者會通過觀察上一期新股的收益狀況對本期新股的收益作出判斷，從而影響其投資決策。也就是說，某一期的 IPO 抑價率能夠有序擴散，進而影響投資者對下一期甚至未來幾期新股上市收益的判斷和投資決策。因此，本文旨在研究我國創業板市場 IPO 的抑價序列是否存在滯后效應，并對其進行分析。

二、研究設計

(一)樣本選取

我國創業板市場在 2012 年 10 月至 2014 年 1 月期間暫停了新股發行，IPO 重啟之后證監會對上市首日漲跌幅進行了限制，因此重啟之后的 IPO 公司上市首日抑價率都在 44%左右小幅波動。考慮到新股上市后一段時間的股價不僅會受前期 IPO 公司的股價漲幅影響，還會受在其后上市公司的新股收益影響，這種疊加效應不好區分。因此，為了使本文的研究更有意義，選取自 2010 年 7 月

20 日至 2012 年 10 月 9 日在創業板上市的 261 家公司為樣本進行分析。

(二)模型建立

本文根據已有的參考文獻，借鑒嚴謹(2015)等人的研究方法1，利用前面構造的 IPO 抑價率時間序列，建立自回歸模型來研究其滯后效應。建立的模型如下：

IRt=α0+α1IRt-1+α2IRt-2+……+αkIRt-k+μt(6-1)其中，IRt為 IPO 抑價率的時間序列，樣本量為 93。

三、模型實證

在對時間序列數據進行建模分析之前，要先進行檢驗，主要包括平穩性檢驗和白噪聲檢驗。時間序列的平穩性是許多時間序列方法分析的前提，因此在建模之前要檢驗該序列的平穩性，防止回歸分析中偽回歸的出現。

(一)平穩性檢驗

表1 單位根檢驗結果

上表1為對帶截距項的序列進行單位根檢驗的結果。抑價率序列單位根檢驗的模型是：ΔIRt=C+γIRt-1+δΔIRt-1+μt，由單位根檢驗的結果可知，ΔIRt=0.09848-0.38445IRt-1-0.08788ΔIRt-1+μt，其中 C 和 IRt-1的系數顯著地異于 0。由于檢驗統計量的值為-4.0865，小于 1%顯著性水平下的臨界值，據此可以拒絕序列非平穩的原假設，從而判斷抑價率序列是平穩的。

(二)白噪聲檢驗

檢驗一個序列是否是純隨機數列，需要用到白噪聲檢驗，即 Ljung-Box 檢驗(簡稱 LB 檢驗)。白噪聲檢驗的原假設為檢驗序列是純隨機序列。這里對抑價率序列進行檢驗的白噪聲檢驗的結果如表 2 所示。

表2 白噪聲檢驗結果

由白噪聲檢驗的結果可知，統計量的 P 值小于 1%顯著性水平。因此拒絕原假設，該序列是存在自相關性的，可以進行進一步分析。

(三)回歸分析

在對時間序列數據進行建模時，一般需要先識別模型的類型，然后確定最終的階數。這種方法比較復雜，也比較偏主觀性，尤其是在模型識別時。R 語言為我們提供了一種更為簡潔的方法，即自動建模函數。用自動建模函數進行回歸分析，就省略了常規的模型識別和定階，自動得到最佳模型，本文就采取這種方法進行分析。通過對 AIC 值進行對比，最終確定 AR(1)為最佳模型，本文建立的滯后一階的自回歸模型 AR(1)如下：

IRt=0.2783+0.5919IRt-1+μt(6-2)

AIC=-10.96。

(四)回歸診斷

模型建立好之后，還需要對其進行回歸診斷，主要是檢驗殘差項是否是白噪聲序列，即殘差項是否存在自相關性。如果殘差項是非白噪聲序列，則說明模型是不完整的，還需要對其進行修正；反之，則說明模型已經充分提取了序列信息，不需要進行修正。這里仍然使用 LB 檢驗對殘差項的自相關性進行檢驗，下表 3 為殘差項自相關性的檢驗結果。

表3 殘差項自相關性檢驗結果

由殘差項自相關性檢驗的結果可知，統計量的 P 值大于 5%顯著性水平。因此無法拒絕原假設，說明殘差項不存在自相關性，即所建立的模型能夠成功地反映序列的信息。

上述檢驗表明，創業板市場的 IPO 抑價率確實存在滯后效應，且為一階滯后，即本期的抑價率受到上一期抑價率的影響。

四、研究結論

IPO 抑價率序列的實證分析表明，創業板市場的 IPO 抑價現象具有滯后性。滯后一期的抑價率對本期的抑價率具有明顯的正向作用，當上一期的抑價率較高時，也會導致本期的抑價率偏高；并且截距項高達 0.2783，說明在我國的創業板市場，IPO抑價現象是普遍存在的。因此，在我國創業板市場上，IPO抑價確實存在推移現象，這一結論有效的驗證了信息瀑布流假說在我國創業板市場的適用性。