论文部分内容阅读
【摘要】在国际油价大幅下跌的背景下，我国石油行业也收到了一定冲击，石油方面股票存在一定程度的下跌。本文以石油行业的龙头企业中国石油天然气集团有限公司（中石油）、中国石油化工有限公司（中石化）为研究对象，选取了2007年11月至2015年4月近八年的相关数据，考虑到β系数的跨期时变特征，以单因素模型为基础，利用测算所得实际β进而估计了时变β，利用计量经济学中的F检验方法，对石油行业股票收益率对整个股票市场变化的敏感程度进行测算并进行分析。
【关键词】贝塔系数 中国石油 中国石化 模型分析 回归检验
一、引言
从2015年1月下旬至今，国际油价大幅下跌。中国经济归于新常态，石油进口增量无法对冲美国欧盟减少的进口量。目前国际市场原油价格下跌，对我国而言风险与机遇同在。原油价格下跌，国内原油采购成本降低，利于促进宏观经济发展，中国市场在全球影响权重增加。与此同时，油价下跌也在对我国石油相关产业产生着不利影响，产油国收支不平衡将影响中国出口。根据“一带一路”的战略构想，中国增加了与俄罗斯、中欧、中亚、中东、南亚等国家在交通基建、能源和资源等方面合作，随着产油国受油价下跌影响而产生的收支不平衡，中国对这些国家和地区的出口将受到波及；国内的大型石油公司、油田企业等等都将可能收到效益下跌的直接损失。中石油和中石化在资本市场上权重较大，他们的业绩下滑将影响股票市场。石油作为一种特殊的战略能源，更是在国家经济发展中扮演着举足轻重的角色。本文试图以中石油和中石化为代表通过测算其？茁系数探讨石油行业随市场收益的波动性，以反映石油行业敏感性的时变特征。
近年国内外大量的实证研究表明，？茁系数在跨期状况下存在明显的时变特征。国外，Schwert和Seguin（1990）利用单指数模型，设计出能够测算时变Beta系数的S-S模型，探讨了不同规模公司的系统风险与市场波动之间的关系；Reyes（1999）利用S-S模型考察了公司规模与时变Beta系数之间的关系。国内，丁治国和苏治（2010）认为CAPM模型没有考虑系统风险的跨期特质，先对资产系统性风险跨期时变特征进行理论证明，再使用中美英日证券市场数据进行了实证检验，验证了系统性风险跨期时变的内生性原因，证明了时变模型更好地度量了风险，是一种新型精准的模型。刘永久（2011）利用S-S模型作为基础进行改进，测算了上海股票市场的时变？茁系数。研究表明，上市企业的？茁系数不是十分稳定，既受时间影响，也与行业特征与整个市场风险性有关，由于股票的价格终取决于企业的盈利情况，所以系数反映的也是个体盈利状况相对市场盈利的波动性。周少甫、杜福林（2005）建立了随时间改变的模型，应用多元DCC-GARCH模型估算出上海股市？茁系数，尽可能使得？茁系数在一定时间内较为稳定，提高估计的准确性，从而对不同行业机构进行测评，反应其与整个市场的关系，降低决策风险。林清泉、荣琪（2008）对于经典CAPM模型提出了新的思维，利用多元GARCH模型具有预测多元资产条件协方差矩阵功能的特性，开拓了基于CAPM模型测算时变？茁的新视角，论证了时变？茁能够更加精准地刻画单种资产对于市场组合的风险性。张律行、袁桂秋（2012）采用GARCH（1，1）-M模型来对上证指数与房地产、有色金属、生物医药、银行、出版媒体、农林牧渔6种行业的日数据进行实证研究。发现时变？茁相对于经典CAPM模型测算？茁更具有即时性，更加敏锐地捕捉到经济环境等外部条件变化而引发的股价波动，因此验证了时变？茁系数较经典常数？茁为投资者提供更为精确的预测。
新年将至，油气改革方案也即将出台，油气行业“十三五”规划也在筹备中。石油等行业改革方案已上报国务院，未来石油行业投资前景广阔，风险总是与希望并存的，因此，测算石油行业？茁值的变动，特别是油价下跌前后的变化，无疑可以揭示油价下跌是如何改变石油行业的风险特征的，从而使投资更具有方向性。而这一点，对于我们进一步确定石油行业的收益结构，确保石油行业运营的安全性具有重要意义。本文选取中国石油（601857），中国石化（600028）两只股票，以沪深300指数作为公开的市场组合指数，采用2007年11月到2015年七年的数据，选择月收益率作为单位，以银行一年期国债利率为无风险利率进行测算。
二、系数的测算
（一）指标选取
1.股票的选取。中国的石油行业由三个石油集团垄断着：中国石油天然气集团有限公司（中石油）、中国石油化工有限公司（中石化）、中国海洋石油总公司（中海油），并称“三大石油集团”中海油只在香港上市，A股还没有上市。
2.市场指数的选取。在计算贝塔系数时，我们要选择合理的市场指数作为市场组合的涨幅，我们当然希望市场组合替代物的种数尽可能多，这样测算的误差更小，但实际上没有一个指数可以完全反映市场组合，相较之下，我们选取沪深300指数作为公开的市场组合指数。
3.样本时间跨度的选取。选取适当的时间对？茁系数的测算非常重要，选取时间过短可能造成信息流失，选取时间过长会导致陈旧数据过多，国际上通常采用五到八年的历史数据来估算贝塔，我们选取七年的时间测算贝塔。
4.收益率频率的选择。理论上来说，间隔的时间越短，贝塔的估计值会越精确，因为较短时间间隔的收益增加了回归时观察值的数量，使贝塔更加接近真实情况。对于贝塔的计算一般采用季度或月作为收益，因为中国证券市场中小投资者居多，市场波动性较大，因而相较之下本文选择月收益率作为单位。
5.无风险收益率的选择。在国际上一般采用短期国债收益率，银行间同业拆借利率，银行一年期定期存款利率作为无风险利率。然而上述三种收益率作为无风险利率均有其缺陷性：银行间同业拆借利率不具有市场性，企业无法用同业拆借利率交易；银行定期存款利率明显低于市场无风险利率；短期国债期限结构不合理，我国国债中长期品种较多，在流动性上不太符合无风险利率的要求。但相对来说，一年期国债利率更符合无风险利率。 （二）系数的测算
1.单因素模型。E（Ri）=αi+βRm+εit其中E（Ri）为所选时期内中石油（中石化）每月最后一天收益率的五日均值，Rm为所选时期内沪深300指数每月最后一天五日均值。αi是截距，反映的是市场收益率为0时，中石化（中石油）的收益率大小。εit为t时期内实际收益率与估算值之间的残差，通过使用SPSS软件进行线性回归后得到如下结果：
中石油五日均值单因素模型：
Y=0.5473X-0.0126 R2=0.3776
中石化五日均值单因素模型：
Y=0.891X+0.0002 R2=0.5392
我们可以发现，中石化的？茁系数大于中石油，它对市场波动性更大，对于市场变化的敏感性更高。
论文以44个月为一个期间T（2007年11月到2011年6月为第一个期间，之后期间起末日期均顺延一个月）测算出各个期间？茁，分别为？茁1，？茁2 ？茁47，然后以预测为因变量Y，历史？茁为自变量X，使用期间T测算的？茁数据进行回归得出方程。
（三）检验
我们运用计量经济学中的F单位检验，针对中石油2007年11月到2015年四月共计90组数据，中石化2007年1月至2015年4月共计100组数据，使用Excel软件数据分析功能中的F检验功能来对回归出的结果进行检验，对于HO：？茁=0给定显著性水平α=0.05，检验结果如下：
1.单因素模型：中石油的F检验值=0.793169，F单尾临界值=0.704281，F>F单尾临界值，拒绝原假设HO：？茁=0，回归方程显著，说明整个市场的收益率对中石油的股票收益率有显著影响。中石化的F检验值=1.493762，F单尾临界值=1.394061，F>F单尾临界值，拒绝原假设HO：？茁=0，回归方程显著，说明整个市场的收益率对中石化的股票收益率有显著影响。
2.时变模型（中石油）：中石油的F检验值=0.96863，F单尾临界值=0.609193，F>F单尾临界值，拒绝原假设HO：？茁=0，回归方程显著，说明整个市场的收益率对中石油的股票收益率有显著影响。
三、总结
就测算方法而言，我们主要使用了两个模型来研究这段时期的？茁系数，在时变模型中，由于一些原因，我们只对中石化进行了基于单因素模型下的时变模型的计算与检验，发现时变模型的？茁系数大于单因素模型的？茁系数，而且解释程度也更好。单因素模型具有诸多假设，在实际应用中也往往难以满足，在我国证券市场发展开始时间晚，发展速度缓慢的情况下，证券市场还不够成熟，更加难以满足市场完全有效地假设。时变模型考虑了历史？茁对于未来的影响，为投资者更加精准的预测未来发展趋势。笔者希望在以后的研究中，引入更为全面的多因素模型，一方面可以与单因素形成对比，另一方面可以更好地规避单因素模型的不足。
经过多种测算方法得出，中石油和中石化的？茁系数均小于1，股票风险水平是在市场平均风险水平之下的，波动性不是很大，笔者认为中国石油和中国石化为国企，实行上下游一体化的制度，业务种类繁多且综合性较强，既有采油业务也有炼油、销售等业务，这样就极大的分散了风险。当国际油价当国际油价上涨时，采油业务赢利较多，炼油业务会出现亏损；油价降低，炼化业务利润较高. 这些企业，通过业务的综合性对冲了风险，本身就成为了一个投资组合。综上所述，石油行业？茁系数的研究在预测投资方向方面具有重要的意义，我们也会参考国内外的优秀文献做更深入的探究。
参考文献
[1]王桂英，庞少楠.伊利股份13系数的实证研究[J].经济论坛.2014，（12）.
[2]练丽莎，李亮.我国石油行业贝塔系数的测算与预测[J].河南科学.2014，（4）.
[3]王珺，高峰，吴茗.金融危机下中美保险公司Beta系数的实证研究[J].保险研究.2010，（4）.
[4]袁超.上海证券市场不同行业板块贝塔系数的研究与检验[J].财经论坛.2010，（3）.
[5]刘永久.上海股票市场Beta系数时变特征的实证研究[J].财经论坛.2011，（10）.
[6]丁治国，苏治，赵晶.资产系统性风险跨期时变的内生性：由理论证明到实证检验.中国社会科学.2012，（4）.
[7]Schwert G.W.，P.J.Seguin.Heteroscedasticity in Stock Returns[J].Journal of Finance，1990，45.
[8]Mario G.Reyes.Size，Time-varying Beta，and Conditional Heteroscedasticity in UK Stock Returns[J].Review of Financial Economics，1999，8.
[9]张律行，袁桂秋.基于时变β系数的股票投资分析[J].金融经济.2012，（6）.
[9]周少甫，杜福林.上海股市时变贝塔系数的估计[J].统计与决策.2005，（11）.
[9]林清泉，荣琪.时变贝塔资本资产定价模型实证研究[J].经济理论与经济管理.2008，（12）.
【关键词】贝塔系数 中国石油 中国石化 模型分析 回归检验
一、引言
从2015年1月下旬至今，国际油价大幅下跌。中国经济归于新常态，石油进口增量无法对冲美国欧盟减少的进口量。目前国际市场原油价格下跌，对我国而言风险与机遇同在。原油价格下跌，国内原油采购成本降低，利于促进宏观经济发展，中国市场在全球影响权重增加。与此同时，油价下跌也在对我国石油相关产业产生着不利影响，产油国收支不平衡将影响中国出口。根据“一带一路”的战略构想，中国增加了与俄罗斯、中欧、中亚、中东、南亚等国家在交通基建、能源和资源等方面合作，随着产油国受油价下跌影响而产生的收支不平衡，中国对这些国家和地区的出口将受到波及；国内的大型石油公司、油田企业等等都将可能收到效益下跌的直接损失。中石油和中石化在资本市场上权重较大，他们的业绩下滑将影响股票市场。石油作为一种特殊的战略能源，更是在国家经济发展中扮演着举足轻重的角色。本文试图以中石油和中石化为代表通过测算其？茁系数探讨石油行业随市场收益的波动性，以反映石油行业敏感性的时变特征。
近年国内外大量的实证研究表明，？茁系数在跨期状况下存在明显的时变特征。国外，Schwert和Seguin（1990）利用单指数模型，设计出能够测算时变Beta系数的S-S模型，探讨了不同规模公司的系统风险与市场波动之间的关系；Reyes（1999）利用S-S模型考察了公司规模与时变Beta系数之间的关系。国内，丁治国和苏治（2010）认为CAPM模型没有考虑系统风险的跨期特质，先对资产系统性风险跨期时变特征进行理论证明，再使用中美英日证券市场数据进行了实证检验，验证了系统性风险跨期时变的内生性原因，证明了时变模型更好地度量了风险，是一种新型精准的模型。刘永久（2011）利用S-S模型作为基础进行改进，测算了上海股票市场的时变？茁系数。研究表明，上市企业的？茁系数不是十分稳定，既受时间影响，也与行业特征与整个市场风险性有关，由于股票的价格终取决于企业的盈利情况，所以系数反映的也是个体盈利状况相对市场盈利的波动性。周少甫、杜福林（2005）建立了随时间改变的模型，应用多元DCC-GARCH模型估算出上海股市？茁系数，尽可能使得？茁系数在一定时间内较为稳定，提高估计的准确性，从而对不同行业机构进行测评，反应其与整个市场的关系，降低决策风险。林清泉、荣琪（2008）对于经典CAPM模型提出了新的思维，利用多元GARCH模型具有预测多元资产条件协方差矩阵功能的特性，开拓了基于CAPM模型测算时变？茁的新视角，论证了时变？茁能够更加精准地刻画单种资产对于市场组合的风险性。张律行、袁桂秋（2012）采用GARCH（1，1）-M模型来对上证指数与房地产、有色金属、生物医药、银行、出版媒体、农林牧渔6种行业的日数据进行实证研究。发现时变？茁相对于经典CAPM模型测算？茁更具有即时性，更加敏锐地捕捉到经济环境等外部条件变化而引发的股价波动，因此验证了时变？茁系数较经典常数？茁为投资者提供更为精确的预测。
新年将至，油气改革方案也即将出台，油气行业“十三五”规划也在筹备中。石油等行业改革方案已上报国务院，未来石油行业投资前景广阔，风险总是与希望并存的，因此，测算石油行业？茁值的变动，特别是油价下跌前后的变化，无疑可以揭示油价下跌是如何改变石油行业的风险特征的，从而使投资更具有方向性。而这一点，对于我们进一步确定石油行业的收益结构，确保石油行业运营的安全性具有重要意义。本文选取中国石油（601857），中国石化（600028）两只股票，以沪深300指数作为公开的市场组合指数，采用2007年11月到2015年七年的数据，选择月收益率作为单位，以银行一年期国债利率为无风险利率进行测算。
二、系数的测算
（一）指标选取
1.股票的选取。中国的石油行业由三个石油集团垄断着：中国石油天然气集团有限公司（中石油）、中国石油化工有限公司（中石化）、中国海洋石油总公司（中海油），并称“三大石油集团”中海油只在香港上市，A股还没有上市。
2.市场指数的选取。在计算贝塔系数时，我们要选择合理的市场指数作为市场组合的涨幅，我们当然希望市场组合替代物的种数尽可能多，这样测算的误差更小，但实际上没有一个指数可以完全反映市场组合，相较之下，我们选取沪深300指数作为公开的市场组合指数。
3.样本时间跨度的选取。选取适当的时间对？茁系数的测算非常重要，选取时间过短可能造成信息流失，选取时间过长会导致陈旧数据过多，国际上通常采用五到八年的历史数据来估算贝塔，我们选取七年的时间测算贝塔。
4.收益率频率的选择。理论上来说，间隔的时间越短，贝塔的估计值会越精确，因为较短时间间隔的收益增加了回归时观察值的数量，使贝塔更加接近真实情况。对于贝塔的计算一般采用季度或月作为收益，因为中国证券市场中小投资者居多，市场波动性较大，因而相较之下本文选择月收益率作为单位。
5.无风险收益率的选择。在国际上一般采用短期国债收益率，银行间同业拆借利率，银行一年期定期存款利率作为无风险利率。然而上述三种收益率作为无风险利率均有其缺陷性：银行间同业拆借利率不具有市场性，企业无法用同业拆借利率交易；银行定期存款利率明显低于市场无风险利率；短期国债期限结构不合理，我国国债中长期品种较多，在流动性上不太符合无风险利率的要求。但相对来说，一年期国债利率更符合无风险利率。 （二）系数的测算
1.单因素模型。E（Ri）=αi+βRm+εit其中E（Ri）为所选时期内中石油（中石化）每月最后一天收益率的五日均值，Rm为所选时期内沪深300指数每月最后一天五日均值。αi是截距，反映的是市场收益率为0时，中石化（中石油）的收益率大小。εit为t时期内实际收益率与估算值之间的残差，通过使用SPSS软件进行线性回归后得到如下结果：
中石油五日均值单因素模型：
Y=0.5473X-0.0126 R2=0.3776
中石化五日均值单因素模型：
Y=0.891X+0.0002 R2=0.5392
我们可以发现，中石化的？茁系数大于中石油，它对市场波动性更大，对于市场变化的敏感性更高。
论文以44个月为一个期间T（2007年11月到2011年6月为第一个期间，之后期间起末日期均顺延一个月）测算出各个期间？茁，分别为？茁1，？茁2 ？茁47，然后以预测为因变量Y，历史？茁为自变量X，使用期间T测算的？茁数据进行回归得出方程。
（三）检验
我们运用计量经济学中的F单位检验，针对中石油2007年11月到2015年四月共计90组数据，中石化2007年1月至2015年4月共计100组数据，使用Excel软件数据分析功能中的F检验功能来对回归出的结果进行检验，对于HO：？茁=0给定显著性水平α=0.05，检验结果如下：
1.单因素模型：中石油的F检验值=0.793169，F单尾临界值=0.704281，F>F单尾临界值，拒绝原假设HO：？茁=0，回归方程显著，说明整个市场的收益率对中石油的股票收益率有显著影响。中石化的F检验值=1.493762，F单尾临界值=1.394061，F>F单尾临界值，拒绝原假设HO：？茁=0，回归方程显著，说明整个市场的收益率对中石化的股票收益率有显著影响。
2.时变模型（中石油）：中石油的F检验值=0.96863，F单尾临界值=0.609193，F>F单尾临界值，拒绝原假设HO：？茁=0，回归方程显著，说明整个市场的收益率对中石油的股票收益率有显著影响。
三、总结
就测算方法而言，我们主要使用了两个模型来研究这段时期的？茁系数，在时变模型中，由于一些原因，我们只对中石化进行了基于单因素模型下的时变模型的计算与检验，发现时变模型的？茁系数大于单因素模型的？茁系数，而且解释程度也更好。单因素模型具有诸多假设，在实际应用中也往往难以满足，在我国证券市场发展开始时间晚，发展速度缓慢的情况下，证券市场还不够成熟，更加难以满足市场完全有效地假设。时变模型考虑了历史？茁对于未来的影响，为投资者更加精准的预测未来发展趋势。笔者希望在以后的研究中，引入更为全面的多因素模型，一方面可以与单因素形成对比，另一方面可以更好地规避单因素模型的不足。
经过多种测算方法得出，中石油和中石化的？茁系数均小于1，股票风险水平是在市场平均风险水平之下的，波动性不是很大，笔者认为中国石油和中国石化为国企，实行上下游一体化的制度，业务种类繁多且综合性较强，既有采油业务也有炼油、销售等业务，这样就极大的分散了风险。当国际油价当国际油价上涨时，采油业务赢利较多，炼油业务会出现亏损；油价降低，炼化业务利润较高. 这些企业，通过业务的综合性对冲了风险，本身就成为了一个投资组合。综上所述，石油行业？茁系数的研究在预测投资方向方面具有重要的意义，我们也会参考国内外的优秀文献做更深入的探究。
参考文献
[1]王桂英，庞少楠.伊利股份13系数的实证研究[J].经济论坛.2014，（12）.
[2]练丽莎，李亮.我国石油行业贝塔系数的测算与预测[J].河南科学.2014，（4）.
[3]王珺，高峰，吴茗.金融危机下中美保险公司Beta系数的实证研究[J].保险研究.2010，（4）.
[4]袁超.上海证券市场不同行业板块贝塔系数的研究与检验[J].财经论坛.2010，（3）.
[5]刘永久.上海股票市场Beta系数时变特征的实证研究[J].财经论坛.2011，（10）.
[6]丁治国，苏治，赵晶.资产系统性风险跨期时变的内生性：由理论证明到实证检验.中国社会科学.2012，（4）.
[7]Schwert G.W.，P.J.Seguin.Heteroscedasticity in Stock Returns[J].Journal of Finance，1990，45.
[8]Mario G.Reyes.Size，Time-varying Beta，and Conditional Heteroscedasticity in UK Stock Returns[J].Review of Financial Economics，1999，8.
[9]张律行，袁桂秋.基于时变β系数的股票投资分析[J].金融经济.2012，（6）.
[9]周少甫，杜福林.上海股市时变贝塔系数的估计[J].统计与决策.2005，（11）.
[9]林清泉，荣琪.时变贝塔资本资产定价模型实证研究[J].经济理论与经济管理.2008，（12）.