��一、引言
在股票市場中，人們在選擇股票的時候經(jīng)常采用自上而下的選股策略，即先確定行業(yè)，再確定具體的個股。由此可見，如何選擇行業(yè)是一個很重要的問題。而在選取行業(yè)時往往通過大盤所處的階段來進行篩選。如果大盤處于上揚時期，那就選一些β值比價高的行業(yè)；反之，如果大盤下跌，處于熊市時期，那就選一些比較抗跌的行業(yè)，也就是β值比較低的行業(yè)。
在中國的證券市場中，表示大盤走勢用的比較多的是上證指數(shù)，深圳成指中的股票由于不是非常具有代表性，因此不是非常受關(guān)注。但是在深圳市場上還是有一些大盤股的，比如萬科等，所以說僅僅用上證指數(shù)來代表大盤也有些欠妥。而滬深300指數(shù)作為一個涵蓋了滬深兩市大盤股的指數(shù)，在推出之后受到市場的廣泛關(guān)注，今年最新推出的股指期貨也以滬深300指數(shù)為標的，由此可見用滬深300來代表大盤是具有相當程度的合理性的。
本文試圖通過聯(lián)立滬深300指數(shù)及其下屬的十個行業(yè)指數(shù)，來尋找我國證券市場上的一些高β值和低β值的行業(yè)，以便為投資者提供有用的幫助。
��二、數(shù)據(jù)和模型
本文采用的是滬深300以及其下屬是個行業(yè)指數(shù)的收益率數(shù)據(jù)。用收益率數(shù)據(jù)來作分析的原因是方便建模，可以不用進行對數(shù)變換。數(shù)據(jù)的區(qū)間是從滬深300指數(shù)的創(chuàng)建日2005年1月4日起，到2010年7月19日為止，數(shù)據(jù)來源是wind咨詢。
初步建立的模型如下：
�r_shsz300=β�0+β�1r_cailiao+β�2r_dianxin+β�3r_gongye+β�4r_gongyong+β�5r_jinrong+β�6r_kexuan+β�7r_nengyuan+β�8r_xiaofei+β�9r_xinxi+β��10�r_yiyao�
其中r_shsz300代表滬深300指數(shù)的收益率，而后面的解釋變量依次為300材料指數(shù)、300電信指數(shù)、300工業(yè)指數(shù)、300公用指數(shù)、300金融指數(shù)、300可選指數(shù)、300能源指數(shù)、300消費指數(shù)、300信息指數(shù)以及300醫(yī)藥指數(shù)的收益率。
��三、實證研究
1.OLS
初步的OLS結(jié)果如下
r_sh300=0.17r_cailiao+0.02r_dianxin+0.17r_gongye+0.3r_jinrong+0.1r_kexuan+0.09r_nengyuan+0.05r_xiaofei+0.02r_xinxi+0.02r_yiyao-0.01
通過研究估計方程的系數(shù)以及統(tǒng)計量，可以發(fā)現(xiàn)每個解釋變量的系數(shù)都顯著不為零，而常數(shù)項在5%的顯著性水平下也不為零。擬合優(yōu)度R2表明被解釋變量的解釋程度達到了99%以上。
不過由于數(shù)據(jù)是時間序列，因此要進行時間序列的分析，避免錯誤的回歸結(jié)果。
2.單位根檢驗
對每個解釋變量以及被解釋變量序列進行ADF單位根檢驗，得到的結(jié)果發(fā)現(xiàn)，每個解釋變量和被解釋變量序列都是平穩(wěn)的。
3.序列相關(guān)性
接下來我們考慮殘差的序列相關(guān)性問題。根據(jù)前面OLS得到的結(jié)果，DW統(tǒng)計量為1.74，因此殘差很有可能存在著自相關(guān)關(guān)系。
通過自相關(guān)和偏相關(guān)系數(shù)圖可以發(fā)現(xiàn)，殘差序列存在著自相關(guān)問題。進一步通過觀察，可知存在著AR(1)特征，而MA特征不明顯。因此，對原來的模型進行AR(1)調(diào)整。經(jīng)過AR(1)調(diào)整之后，模型的DW統(tǒng)計值為2.005542>2，殘差的序列自相關(guān)問題得到了很好的解決。
4.異方差問題
首先對經(jīng)過AR(1)調(diào)整之后的模型進行White檢驗，檢驗結(jié)果表明AR(1)模型沒有能夠克服異方差問題。而在進行修正之后，得到的估計結(jié)果發(fā)現(xiàn)和不修正時系數(shù)的估計量沒有太大的變化
5.條件異方差
無論是在經(jīng)過AR(1)調(diào)整之前還是調(diào)整之后，我們都可以從殘差的時序圖發(fā)現(xiàn)，“聚集”效應(yīng)比較明顯，波動在一段時期內(nèi)較大，而在另外一段時間內(nèi)較小。這說明殘差很有可能存在著條件異方差性。
下面我們通過兩種方法來驗證條件異方差性。首先我們對經(jīng)過AR(1)調(diào)整后得到的殘差序列進行ARCH LM檢驗，在2階滯后時，檢驗結(jié)果說明殘差存在著條件異方差效應(yīng)。靈位通過自相關(guān)和偏相關(guān)系數(shù)圖也可以驗證殘差存在著異方差性。
為了解決異方差性，我們建立GARCH(1,1)模型，模型的估計系數(shù)如下：
在經(jīng)過GARCH(1,1)模型調(diào)整之后，殘差的條件異方差性得到了很好的解決，無論是殘差平方的自相關(guān)和偏相關(guān)系數(shù)圖還是ARCH LM檢驗，此時的檢驗結(jié)果可以說明不存在條件異方差性。
6.共線性問題
最后我們來考察一下模型的共線性問題。通過各個自變量之間的相關(guān)系數(shù)可以看到每個自變量之間都存在著明顯的相關(guān)性，這是因為各個行業(yè)之間的收益存在著相關(guān)關(guān)系，因此多重共線性問題也難以解決。
��四、結(jié)論與建議
根據(jù)經(jīng)過GARCH(1,1)模型估計出來的系數(shù)可以發(fā)現(xiàn)，所有滬深300行業(yè)指數(shù)的收益率與滬深300指數(shù)收益率之間都是正相關(guān)的，其中金融行業(yè)的收益率對滬深300指數(shù)收益率影響最大，其次是材料，工業(yè)；而信息行業(yè)的影響最小，其次是電信，醫(yī)藥。
根據(jù)模型的設(shè)定，可以發(fā)現(xiàn)，其實每個行業(yè)前面的系數(shù)都是行業(yè)β值的倒數(shù)，系數(shù)越大，β值越小。因此根據(jù)模型的結(jié)論，可以發(fā)現(xiàn)金融行業(yè)的β值最小，而信息行業(yè)的β值最大。在進行投資的時候，在市場上升時應(yīng)選擇信息行業(yè)，而在市場下跌時應(yīng)選擇金融行業(yè)。這在一定程度上和我們已知的現(xiàn)實情況是一致的。
不過本文的模型仍然存在著一定的問題。
首先滬深300行業(yè)指數(shù)包括的范圍偏大，如300金融指數(shù)中包括了銀行、券商、保險和房地產(chǎn)等板塊，300材料指數(shù)中包括了有色金屬、鋼鐵等板塊，300能源指數(shù)中包括了煤炭、石化等板塊。要更清晰和更準確地把握各個行業(yè)或各個板塊與滬深300指數(shù)間的關(guān)系，有必要將目前所使用的滬深300行業(yè)指數(shù)的分類進行進一步的細化，以達到更精確的效果。
其次，在滬深300的成份股中，各個行業(yè)的個股數(shù)目和所占權(quán)重分布不是非常均勻。金融、工業(yè)、材料等行業(yè)個股數(shù)目多，權(quán)重大，而信息、電信等行業(yè)個股數(shù)目少，權(quán)重小。這在一定程度上會對模型的預(yù)測結(jié)果造成誤差。這些問題都有待后續(xù)研究進行改善。
