次貸危機以來福建省上市公司系統性風險實證研究

耿慶峰，宋秀峰，許蓮鳳

（1．閩江學院經濟與管理學院、互聯網創新研究院，福建福州，350121；2．3．閩江學院經濟與管理學院，福建福州，350121）

次貸危機以來福建省上市公司系統性風險實證研究

耿慶峰1，宋秀峰2，許蓮鳳3

（1．閩江學院經濟與管理學院、互聯網創新研究院，福建福州，350121；2．3．閩江學院經濟與管理學院，福建福州，350121）

以上海證券交易所上市的21家福建公司為研究對象，分別基于2007—2015年的季度、月度和日度數據，計算跨期的區域上市公司貝塔系數。實證分析表明：相對于季度和月度數據所計算的貝塔系數，日波動較大，表明區域經濟系統性風險受離散事件的影響較大；季度和月度貝塔系數標準差較小，且具有一定的穩定性，證實系統性風險可衡量。

福建上市公司；系統性風險；貝塔系數；區域經濟

一、引言

2007年8月爆發的美國次貸危機席卷全球，世界金融體系和經濟遭受重創，逆轉了世界經濟增長的勢頭，加速了世界經濟的下滑和蕭條。當前，金融危機造成的影響仍未消弭，世界經濟增長放緩，市場需求疲軟，國際大宗商品價格保持低位。在此背景下，中國2016年的經濟增速下調為6．5～7%，意味著中國經濟存在一定的風險性。股市作為宏觀經濟的晴雨表，其價格波動（走勢）在一定程度上預示著宏觀經濟的景氣程度。事實上，2015年確實是中國股市“不太平”的一年，其上半年表現為一種瘋牛，下半年呈現一種暴跌狀態。這種股市的大幅調整或震蕩，給金融市場帶來較大的系統性金融風險。貝塔系數是衡量系統性風險的重要工具，對其計算并考察其特征具有重要的現實意義。貝塔系數反映了個股對大盤（或市場）變化的波動程度，以1為分界點，如果β＞1，說明該股票的波動大于整體市場的波動幅度，反之則說明該股票的波動小于整體市場的波動幅度。當β＜0時，表示該股票的波動方向與大盤相反，即大盤下跌時它上漲，大盤上漲時它則呈下跌趨勢。

福建地處東南沿海，外向型經濟特征明顯，不可避免地會受到美國次貸危機的影響。本研究以上海證券交易所上市的21福建家公司為研究對象，選取2007—2015年的數據，分別基于季度、月度和日度數據，計算跨期的區域上市公司貝塔系數，以此判定福建省區域經濟系統性風險的大小。這對于福建省經濟穩增長、產業調結構、創新促改革具有重要的現實意義。

二、相關文獻綜述

資本資產定價模型（CAPM）在1964年由美國學者Sharpe和Lintner等人提出，是以現代資產投資組合理論為基礎的發展和創造，目前已經成為現代金融市場價格理論的重要支柱，被廣泛應用于投資管理和金融決策領域。然而，由于CAPM模型基于一系列的嚴格假設，與現實市場存在較大偏差，加之風險的不穩定性，一直以來備受爭議，而所爭論的焦點主要集中在貝塔系數是否具有穩定性方面。

（一）貝塔系數具有穩定性

Marshall E．Blume分析股票市場數據發現，投資組合規模越大、估計區間越長，貝塔系數就越趨于穩定，在一定時間內呈現向整體均值回歸的現象。[1]羅捷、勞蘭珺選取2000—2005年中國股票9個行業組成的投資組合作為樣本，運用馬爾科夫鏈蒙特卡羅算法進行貝塔系數的檢驗，結果表明投資組合的貝塔系數存在隨即波動的現象，但從長期看，發生改變后的貝塔系數會立刻回到長期均值的水平。中國股票市場的貝塔系數可以表示為一個貝塔系數的長期均值加上一個隨機“噪聲”的形式。貝塔系數的長期均值可以作為對未來貝塔系數的預測。[2]宋寶選取山西省23家上市公司2006—2011年的數據計算出各個公司的月度貝塔系數，結果表明公司的整體系統性風險較小，值得投資者投資。[3]丁曉裕采用上證綜合指數2008—2013年共計1219個工作日的日收益率，以CAPM模型與SIM模型為基礎，用Chow檢驗法對我國金融行業43家上市公司的貝塔系數及其穩定性進行分析研究，發現我國證券金融行業總體上具備較高的穩定性。[4]

（二）貝塔系數不具有穩定性

Fabozzi和Francis對紐約證券交易所700只股票的隨機抽查研究，發現大部分股票的貝塔系數隨時間隨機波動，認為傳統貝塔估計模型無法在時變的貝塔中產生作用。[5]Lokanandha Reddy Irala選取印度證券市場的上市公司12年（1994—2006年）的月度數據作為樣本，并劃分成3個區間進行實證分析，結果表明，單只股票的貝塔系數不具有穩定性。[6]王荊杰選取深交所2001—2009年所有交易日的日收盤數據作為樣本，運用以OLS為基礎的殘差檢驗、以滾動回歸為基礎的貝塔系數檢驗和以遞推回歸為基礎的CUSUMSQ統計量分析三種方法進行檢驗，結果證明深圳證券交易所各個行業貝塔系數均不具有穩定性。[7]簡志宏、李彩云采用MPC統計量檢驗A股市場的系統性跳躍風險，并運用具有穩健理論的BTV統計量加以驗證，結果表明跳躍性貝塔系數波動很大，通過分析發現，分別是連續性貝塔和跳躍性貝塔造成了短期和中期、長期貝塔系數的不穩定。[8]

綜觀國內外目前關于貝塔系數穩定性的研究主要集中于相關資產證券模型驗證、跳躍性風險、時變、組合等技術方法，鮮有關注不同時間跨度的貝塔系數關系。雖然馬喜德和鄭振龍提出了貝塔系數不同時期會發生變化，但并沒有進行實證研究，闡述不同時期下貝塔系數的內在聯系，或者是否具有相對的穩定性。[9]本研究從貝塔系數最為基礎的公式和線性回歸計算方法入手，分別預估季度、月度、日度貝塔系數并進行比較分析，試圖在兩種基礎預估方法基礎上從公司較長時期內自身貝塔變化情況論證貝塔系數的穩定性。

三、研究數據與方法

（一）研究樣本與數據選取

目前權威理論普遍認為數據選取需跨越一定時間長度，貝塔系數才能顯現穩定性、準確性。一方面，中國股票市場是新興市場，市場波動幅度大，較長時間的觀察可以彌補數據本身的缺陷。另一方面，本研究主要考察美國次貸危機發生以來的中國股市上市公司表現，故選取時間窗口為2007年8月至2015年12月長達9年的數據。股票指數選擇上證綜指，考慮到上市公司的β系數在相應的市場中能得到更準確的預期收益率，篩選符合條件的福建上市公司，剔除部分時間長度不足、中期停牌等不符合條件的公司股票，最終實際納入本次研究的總共有21家上市公司。運用公式法和線性回歸法分別計算上市公司的貝塔系數，前者的計算只涉及股票市場和個股的收益率，而后者須分別涉及以日度、月度、季度為時間跨度的無風險利率。采用上海銀行間同業拆借利率相對應的周期借貸利率平均值作為無風險利率，如表1所示：

表1 不同時間跨度的無風險利率

（二）研究方法

貝塔系數的基本計算方法有兩種，一是公式法，二是線性回歸法。如果采用線性回歸法測度β系數必須引入無風險收益率作為參數，而關于無風險收益率的選取歷來存有爭議。布萊克指出，真實的無風險利率是不存在的，因為存在通貨膨脹因素，并且如果截取時間過長，用來充當無風險利率的參數波動很大。以中國市場為例，2015年3個月的銀行間同業拆借利率是3．6776%，2011年是5．2187%，相差1．5411%。同樣，公式法也存在個股與市場的聯系不夠緊密的不足之處。因此本研究采用兩種計算方法對貝塔系數進行比較分析。

第一種是公式法，采用的是市場模型，其計算公式為：

第二種是線性回歸法，采用的是資本資產定價模型，也稱證券市場線模型，計算公式是：

為了對CAPM模型進行實證檢驗，將原模型轉化成可檢驗的形式，即單指數模型：

該模型假設每一支股票的收益率與市場收益率都有一種線性關系存在，以預期形式表示所有參數。然而，如果貝塔系數是不穩定的，就無法將其作為未來貝塔系數的無偏估計，因此貝塔系數穩定與否的檢驗意義重大。

四、實證分析

本研究的重點是比較同一家上市企業不同跨期貝塔系數的變化，試圖以此論證貝塔系數的穩定性，因此貝塔系數的預估方法采用了從貝塔系數定義出發的定義法和未經修正的CAPM模型中的線性回歸法，避免了其他因素對其穩定性造成的影響。

（一）公式法求解

采用Eviews7．2計算β系數，在公式法下利用上證指數大盤日收益率和福建上市公司的個股日收益率描出上市公司收益率和大盤收益率之間的散點圖，并擬合出一條回歸線，即證券特征線，再運用最小二乘法，計算回歸線的斜率，該斜率即為目標企業的貝塔系數。表2是以日度、月度、季度跨度下21家上市公司的貝塔系數和T值（數據結果保留三位小數）。

表2 公式法下不同時間跨度的貝塔系數

日度數據方面，貝塔系數平均值是1．04。其中，最高值為冠城大通（600067）為1．33，最低值是興業銀行（601166）-0．122，與市場風險變化呈現相反趨勢。在T值檢驗中，針對H：β=0，給定顯著性水平α=5%時自由度n-k=2165的臨界值是2．719。除了興業銀行，20家上市公司T統計量絕對值都大于臨界值，拒絕原假設，說明回歸顯著，檢驗通過率達95．2%。

月度數據方面，貝塔系數平均值為1．078。福建上市公司整體風險與市場基本持平，其中β最高值為盛屯礦業（600711）1．372，最低值是廈門空港（600897）0．702。在T值檢驗中，福建21家上市公司T統計量都大于給定顯著性水平ɑ=0．05時自由度n-k=108的臨界值2．719，拒絕原假設，說明回歸顯著，檢驗通過率達100%。

季度數據方面，福建21家上市公司貝塔系數平均值是0．95，整體風險小于市場風險。β最高值是廈工股份（600815），為1．387，最低值是福能股份（600897），為0．215。在T值檢驗中，除了福能股份和片仔癀無法通過檢驗外，其他19家上市公司的T統計量都大于臨界值2．719，檢驗通過率占比達90．5%。

從公式法下貝塔系數的數據來看，無論是從日度、月度還是季度數據都說明個股波動情況相對于市場風險波動顯著，貝塔系數較穩定，不存在多重共線性。21家公司的P值在3個跨期中都接近于0，說明通過了ɑ=0．05的顯著性水平檢驗，這表明個股收益率與市場收益率的線性關系是顯著的，可以建立線性模型。

（二）線性回歸求解

線性回歸法是指根據數理統計的線性回歸原理，選取同一時期內的個股收益率和市場組合收益率的歷史數據，使用線性回歸方程預測出證券特征線。β系數就是該特征線的斜率。

表3 線性回歸法下不同時間跨度的貝塔系數

日度數據方面，福建21家上市公司貝塔系數平均值是1．11；月度數據方面，貝塔系數平均值為1．06；季度數據方面，貝塔系數平均值是0．98。除了貝塔系數的平均值有些許偏差以外，線性回歸法下的貝塔值與T值檢驗均與公式法下的分析一致，說明相對于市場，個股波動風險顯著，貝塔系數較穩定。

對比跨期貝塔系數，發現日貝塔系數普遍大于季度貝塔系數。以線性回歸法為例，80．95%的上市公司日貝塔系數高于季度貝塔系數。月度與季度貝塔系數相對穩定，標準差平均值只有0．140，而日度與季度貝塔系數的標準差平均值為0．283。這說明，由于市場波動和投機行為，日貝塔系數波動幅度更大，月度和季度貝塔系數一般會優于日度貝塔系數，更具有參考價值。

（三）兩種求解方法和不同時間跨度下貝塔系數的比較

表4是兩種計算方法基礎上不同時間跨度貝塔系數的標準差誤差。日度貝塔系數標準差誤差的平均值是0．014129，月平均值是0．027667，季度平均值是0．013714，三個跨期貝塔系數的標準差誤差都極小，幾乎可以忽略不計。因此，兩種方法均可以作為預估貝塔系數的基礎方法。

表4 兩種計算方法下跨期貝塔系數的標準差誤差

（四）系統性風險分析

參照吳可對上海證券交易所400余只股票（基金）β值劃分的標準，[10]將福建省21家上市公司的貝塔系數劃分為4個部分，分別是：β＜0的風險反敏感區；0≤β≤0．5的風險遲鈍區域；0．5＜β≤1的風險弱敏感區域；1＜β≤1．5的風險敏感區域。表5是以線性回歸法下的數據為基礎的系統性風險大小劃分情況。

表5 系統性風險大小劃分情況

由表可知，21家公司在日度、月度和季度貝塔系數分布主要集中于風險敏感區域，分別占比71．4%、61．9%和61．9%，與吳可研究中風險敏感區域占比最高的結論一致，并且遠高于其研究中該部分32．6%的占比。貝塔系數分布在該區域的公司主要有福建高速、冠城大通、福日電子、法拉電子、惠泉啤酒等，行業分布主要是輕工業、建材、電子設備、汽車等，所屬行業與該研究基本一致。這些股票屬于中小盤績優股、次新股，其股價最明顯的特征是與市場同漲同跌，但具有多頭市場領漲，轉市、觸底滯后的特點。該區域的股票波動對市場波動有較大的影響，較其他三個部分更濃厚的資本投機色彩。當投資者預測相關行業未來具有良好經濟前景時，大量投資者會選擇該區域股票以期獲取高額收益。因此，應對這些企業的股票給予更多的關注，防止過度投機產生經濟泡沫。

風險弱敏感區域的企業在季度、月度、日度貝塔系數占比分別為28．6%、38．1%、23．8%，有廈門空港、中閩能源、東百集團、片仔癀四家企業同時符合，其所屬行業分別是航運、電力、零售、中藥。這些企業屬于朝陽股、潛力股、成長股，與吳可研究基本一致。2015年，片仔癀凈資產收益率為12．54%，廈門空港凈資產收益率為10．03%，且其近幾年都維持較高的收益水平，值得投資。然而，中閩能源2015資產收益率為負數，出現了虧損。因此，在判斷公司潛力時貝塔系數并非決定性因素，僅為參考因素，應該結合公司歷年的資產收益率、發展戰略、內部管理等因素進行考察。

興業銀行是本次分析樣本中唯一一家金融企業，其季度和月度的貝塔系數都在1．1左右，日度貝塔系數卻為-0．122，是21家公司唯一一家β小于0的企業，具有風險反敏感特點。這一區域的股票大多逆市而行，或階段性的逆市波動，可分為抗跌性較強的績優股和小盤題材股，雖然股性活躍，但業績一般。興業銀行屬于前者，其2015年凈資產收益率9．56%，2014年高達13．12%，高于中國同期的發展增速，即使處于金融危機階段也保持了較高的利潤，具有很好的投資前景。

四、結論及建議

本研究基于季度、月度和日度數據，計算跨期的區域上市公司貝塔系數，通過比較分析得出以下結論及建議：

（一）關于研究方法對系統性風險的影響

1．測度方法與市場組合的選擇的影響

貝塔系數作為測度系統性風險的重要工具之一，雖然其計算方法從20世紀提出之初就一直有針對諸多條件和假設進行的修正檢驗，但作為基礎計算方法的公式法和線性回歸法仍然占據重要位置。從這兩種方法入手計算貝塔系數，結果表明在兩種方法下21家福建上市公司的貝塔系數標準差極小，幾乎可以忽略不計，即兩種計算方法測度下的貝塔系數可以認為是一致的，方法的選擇不影響實證結果。

鑒于王洪偉認為在不同市場組合下貝塔系數具有一定的影響，以杭州解百（600814）為例，其在以上證A股收益率為基礎計算的貝塔系數比上證指數所得出的更為準確，說明針對研究對象縮小市場組合能夠得到更為準確反映相對于市場振幅的貝塔系數。[11]上證綜指由上證A指和上證B指組成，21家福建上市公司都屬于A股市場，因此采用上證A股收益做了驗證，結果表明福建上市企業并在縮小市場組合后有一定的差別。以東百集團為例，其相對于上證指數的貝塔系數為0．857，在上證A股下的貝塔系數是0．917，絕對差是0．06。結果表明上證指數和上證A股有著極其相似的波動情況，市場組合的選擇未必對貝塔系數有著實質性的影響，本研究所采用的上證指數具有很好的代表性。

2．時間周期長短選擇的影響

通過日度、月度、季度貝塔系數的對比，發現以日為基礎的貝塔系數普遍大于以季度和月度的貝塔系數且有更大的波動幅度，說明日貝塔系數穩定性較差，區域經濟系統性風險受離散事件的影響較大，存在更多的非理性投機和市場異?，F象。在今后的研究中，在有足夠長時間的數據可選擇的情況下建議以月度或季度為基礎對系統性風險進行測度，相對較長的跨期可以過濾短期的市場投機和不正常波動，更具參考價值。

很多表明貝塔系數不具有穩定性的研究都有一個共同點，就是時間周期都相對較短，即使以日為基礎跨期具有大量的觀測值也無法彌補周期過短的問題。本研究選取了9年時間的長數據，因此貝塔系數呈現出穩定性。

上市公司面臨的風險分為系統性和非系統性風險，將其具體化即為市場因素和公司自身經營管理因素，包括國家宏觀財政政策、貨幣政策、行業競爭程度和公司資本收益率等方面的內容。系統性風險是不可分散的，但這并不意味著上市公司可以置之不理。系統性風險的大小其實也預示著公司受市場整體的影響程度，如果系統性風險即貝塔系數過大就說明公司易受市場波動影響，自身獨立性差，也即自身公司的治理情況比較差，需要引起公司的重視。比如廈工股份的貝塔系數大于1．35，受市場影響極大，除了與本身的機械行業相關外也說明了內部管理的欠缺，需要加大公司內部的管理建設。同時，公司需要時時觀察市場動向，從大盤的收益變化預判公司的未來發展，盡可能的減少風險，增加收益。

（二）關于福建上市公司系統性風險的穩定性

通過日度、月度、季度貝塔系數分析可以發現，3個跨期貝塔系數之間的絕對差都較小，以季度與月度貝塔系數絕對差為例，最高絕對差是片仔癀0．239，最低值是廈門國貿0．019，21家上市公司平均值只有0．14。這說明，在本文選取的9年時間里，福建上市企業不同時間跨度下的貝塔系數波動小，具有一定的穩定性，對于投資者有很好的參考價值。同時，跨期貝塔系數T值和p值檢驗都顯示90%以上的企業順利通過檢驗，貝塔系數具有穩定性，系統性風險可測度。

對福建政府而言，對處于風險敏感區域的公司應該給予更多的關注，防止過度投機產生經濟泡沫，危害區域經濟的發展。對于系統性風險高于同行業的相關公司督促其開展內部管理優化與改革，致力于降低福建上市公司整體系統性風險，增強福建區域經濟的投資價值。

[1]Blume E．On the Assessment of Risk[J]．Journal of Finance,1971,26(1):1-10．

[2]羅捷,勞蘭珺．中國股票市場隨機貝塔的估計[J]．系統管理學報,2008,17(1):48-50．

[3]宋寶．基于山西省主板上市公司數據對貝塔系數的實證分析[J]．經濟論壇,2013,(11):73-76．

[4]丁曉裕．我國金融行業貝塔系數與其穩定性分析[J]．商業時代,2014,(8):72-74．

[5]Fabozzi,F．J,Francis,J．C．Beta as Random Coefficient[J]．Journal Financial and Quantitative Analysis,1978,13(1):101-116．

[6]Lokanandha Reddy Irala．Stationarity and Regression Tendencies of Security and Portfolio Betas in India[J]．The ICFAI Journal of Applied Finance,2007,13(10):43-51．

[7]王荊杰．深市行業貝塔系數的穩定性與時變性研究[D]．廈門:廈門大學,2009．

[8]簡志宏,李彩云．系統性條約風險與貝塔系數時變特征[J]．中國管理科學,2013,21(3):20-27．

[9]馬喜德,鄭振龍,王保合．貝塔系數波動狀況的實證分析[J]．廈門大學學報(哲學社會科學版),2003,(4):22-27．

[10]吳可．滬市β—風險域分析及其投資組合策略[J]．華中理工大學學報(哲學社會科學版),1999,27(5):1-5．

[11]王洪偉．不同市場組合下貝塔系數與CAPM關系探討[J]．財會通訊,2012,(6):6-7．

（責任編輯 王 瓏）

An Empirical Study on the Systemic Risk of the Listed Companies in Fujian Province since Subprime Crisis

GENG Qing-feng1,SONG Xiu-feng2,XU Lian-feng3
(1． School of Economics and Management,Institute of Internet Innovation,Minjiang University,Fuzhou,35 0121,China;2． 3． Research Center for Fiscal and Financial Development on the West Coast of the Taiwan Strait,School of Economics and Management,Minjiang University,Fuzhou,350121,China)

The study take 21 Fujian companies listed on the Shanghai Stock Exchange as the research object,select data from 2007 to 2015 year,respectively calculated across the region listed company's beta coefficient based on quarterly,monthly and daily data and then the results were analyzed．Empirical results indicate that the volatility of the beta coefficient calculated based on daily data is larger relative to the quarterly and monthly data,indicating that the regional economic system risk is affected greatly by discrete event;Standard deviation of the beta coefficient calculated based on the quarterly and monthly data is smaller,and has certain stability,means that systemic risk is measurable．Key words:Fujian listed company;systematic risk;beta coefficient;regional economy

F279.275.7；F276.6

A

2095-2082（2016）05-0021-09

2016-09-29

福建省社會科學規劃項目（FJ2016B088）；福建省高等學校教學改革研究項目（JAS14750）

1．耿慶峰（1977—），男，山東濟寧人，閩江學院經濟與管理學院副教授，管理學博士；

2．宋秀峰（1967—），男，黑龍江海林人，閩江學院經濟與管理學院副教授，經濟學博士；

3．許蓮鳳（1965—），女，江蘇無錫人，閩江學院經濟與管理學院副教授，經濟學碩士。