论文部分内容阅读
本文基于生命周期资产选择理论、资产定价理论、生命周期储蓄理论作为理论基础，以此来分析人口老龄化对股票价格产生的影响。文章基于生命周期储蓄理论和生命周期资产选择理论，并应用实证分析的方法论证了：人口老龄化会对劳动力、储蓄和利率产生影响，而相关指标又会进一步对股票价格产生影响。
一、研究背景
2001年，我国老龄人口（65岁以上）占总人口的7.1%，标志着我国正式进入了老龄化阶段。截至2018年，中国的老年人口（65岁以上）约占总人口的12%。联合国预计到2050年，中国60岁以上的老年人口将达到近5亿，这一数量将超过美国的总人口数。这表明，中国人口老龄化趋势非常明显。如何科学的应对人口老龄化所带来的问题和挑战是一项极其重要的议题。
在此背景下，国家高度关注老龄化问题，并出台了系列关于人口老龄化的政策。2015年10月，在第十八届中央委员会第五次全体会议公报中提出，要积极开展应对人口老龄化的行动，实施全面二孩政策，被认为是提高人口生育率的重要政策。为了打破老龄化市场发展的障碍，完善老龄市场机制，需要不断完善以家庭为基础，以社区为依托，以养老机构为的补充和医疗护理服务体系，以有效地满足老年人的需求。国务院从六个方面提出了二十八条具体的政策措施，直接促进了养老市场的发展。2019年11月，中共中央、国务院印发了《国家积极应对人口老龄化中长期规划》，人口老龄化的发展直接纳入到国家的发展规划中，不仅体现了国家对老龄群体的关怀，更是从国家层面构建了应对人口老龄化的方略。尽管中国已经出台了一系列政策，但随着中国老龄化的不断加深，人口红利的不断下降，老龄化分布不均等问题已经引起了中国的劳动力市场、传统的家庭结构以及社会保障体系发生明显变化。这些问题对中国的经济和社会发展产生了系列影响，并影响了中国金融市场的发展。因此，研究老龄化对金融市场的影响具有重要意义。
二、研究方法
参考国内外文献，我们可以发现：国外研究的内容主要偏向于对人口结构与股票市场二者相互影响的内在方式以及如何實现影响的作用机理，研究方法的重点在于理论模型的搭建。而国内的研究方法则主要是由研究人口结构对相关宏观变量的影响之后，采取量化的方式验证人口结构对股票市场的影响，其方式往往都是选取国内的宏观数据搭建模型并以实证结果作为主要论据得出相关结论。
三、实证设计
基于资产定价理论视角，人口结构变化会对经济发展水平产生影响进而影响股票价格。因此本文以股票价格相关指数、人口老龄化指标和经济发展水平三个指标构建VAR模型进行实证分析。
（一）变量选取及数据来源
股票价格指标采用上证综合指数来衡量。上证综合指数是我国第一个实时发布的股票价格指数，该指数涵盖了在上海证券交易所上市的所有股票，能够综合反映上证A股、B股的整体走势，数据来源于Wind金融终端。
人口老龄化指标采用我国65岁以上人口数占总人口数的比例，该指标能够反映我国的人口老龄化程度，数据来源于国家统计局。
经济发展水平指标采用人均生产总值（人均GDP），数据来源于国家统计局。
以上指标数据的时间范围跨度为1991-2019年。由于各个变量之间数量差距巨大，并且变量自身拥有比较明显的趋势性，同时为了减少变量之间的多重共线性以及消除量纲的影响，对上证综合指数和人均GDP两个指标进行对数化处理。
（二）计量模型的构建
尽管传统的多元回归分析可以很好地探索变量之间的关系和影响，但其分析的前提是清楚地区分内生变量和外生变量的不同影响。在分析实际问题的过程中，难以有效区分内部变量和外部变量，因此向量自回归模型VAR已成为分析复杂系统的一种分析方法，每个变量都被用作一个整体的交互响应。VAR作为一种非结构化模型，通常用于预测相关时间序列，并分析随机扰动对可变系统的动态影响。通过使用系统中的每个内生变量作为系统中所有变量的滞后项的函数来构建模型，VAR模型的建立使得检查复杂现象的不同变量之间的关系成为可能，本文构建VAR模型如下：
ln_SZindext=α0+α1ln_SZindext-1+…αp1ln_SZindext-p+γ1oldpeople1+…γjoldpeoplet-j+β1ln_PGDPtβ1ln_PGDPt+…βqln_PGDPt-q+
其中ln_SZindex为被解释变量上证综合指数取对数，oldpeople为解释变量65岁以上老年人口占比，ln_PGDP为人均GDP取对数。P、q、j为VAR模型的阶数，在后续分析中将根据AIC和BIC准则确定最优的阶数。
四、变量相关性分析
变量相关系数表显示，上证综合指数与65岁以上人口比的相关系数为0.864，在1%水平下显著，上证综合指数与人均GDP的相关系数为0.898，在1%水平下显著。由此说明了上证综合指数与人口老龄化、人均GDP高度相关。
五、模型的检验与构建
（一）ADF单位根检验与平稳性检验
根据时间序列数据的处理方法，为了避免出现伪回归，应该在回归之前进行平稳性测试。也就是说，尽管从结果中得出了合理的R2，但是可变系数并没有实际意义。产生此结果的原因是，某些非平稳时间序列常常具有相同的变相趋势，但彼此之间并不直接相关，因此为了确保结果的有效性，我们经常对面板数据序列进行平稳性检验，通常采用单位根测试的方法。
变量的单位根检验结果表明，ln_SZindex具有单位根，该序列为不平稳序列，经过一阶差分处理后序列稳定;65岁以上人口的比例具有单位根，说明是一个不稳定的序列。经过二阶差分之后序列平稳，ln_PGDP为平稳序列。因此，上述变量是二阶单整，之后可以进行协整检验。
（二）最优阶数的确定
在进行协整检验之前，我们需要确定VAR模型的最优滞后阶数，本文采用LR、FPE、AIC、SC和HQ五种指标进行测试，测试结果如表3所示，根据测试结果，应选择模型最优滞后阶数为6阶，及p=6。
（三）协整检验
协整检验是对非平稳变量进行回归的必要前提。只有存在协整关系，协整回归才有意义。经过平稳性检验可知，各变量全部为二阶单整的时间序列，可能存在长期的协整关系，本文采用釆用Johansen协整检验方法进行检验，滞后阶数为6阶。检验结果如表所示。
迹统计量检验结果表明在5%的显著性下有2个协整方程，标准化协整方程分别是：
ln_SZindex=0.054oldpeople+0.017ln__PGDP+
ln_SZindex=0.07oldpeople+0.11ln__PGDP+ν
（四） Granger因果检验
格兰杰因果关系结果显示，人口老龄化是上证综合指数的格兰杰原因，人口老龄化是人均GDP的格兰杰原因，人均GDP是上证综合指数的格兰杰原因，上证综合指数是人均GDP的原因。
六、VAR模型估计与结果分析
VAR模型回归结果显示，滞后一期和二期的上证综合指数对当期上证综合指数影响不显著，滞后3-6期的上证综合指数对当期上证综合指数存在负的影响作用，其中滞后3-4期在1%水平下显著，滞后5-6期在5%水平下显著。
人口老龄化滞后一期对上证综合指数影响系数为-26.22，在1%水平下显著，人口老龄化滞后2-3期不显著，人口老龄化滞后4-6期均在1%水平下显著，且影响系数均为负数。说明人口老龄化对上证综合指数存在负向的影响作用。
（作者单位：贵州民族大学人文科技学院）
一、研究背景
2001年，我国老龄人口（65岁以上）占总人口的7.1%，标志着我国正式进入了老龄化阶段。截至2018年，中国的老年人口（65岁以上）约占总人口的12%。联合国预计到2050年，中国60岁以上的老年人口将达到近5亿，这一数量将超过美国的总人口数。这表明，中国人口老龄化趋势非常明显。如何科学的应对人口老龄化所带来的问题和挑战是一项极其重要的议题。
在此背景下，国家高度关注老龄化问题，并出台了系列关于人口老龄化的政策。2015年10月，在第十八届中央委员会第五次全体会议公报中提出，要积极开展应对人口老龄化的行动，实施全面二孩政策，被认为是提高人口生育率的重要政策。为了打破老龄化市场发展的障碍，完善老龄市场机制，需要不断完善以家庭为基础，以社区为依托，以养老机构为的补充和医疗护理服务体系，以有效地满足老年人的需求。国务院从六个方面提出了二十八条具体的政策措施，直接促进了养老市场的发展。2019年11月，中共中央、国务院印发了《国家积极应对人口老龄化中长期规划》，人口老龄化的发展直接纳入到国家的发展规划中，不仅体现了国家对老龄群体的关怀，更是从国家层面构建了应对人口老龄化的方略。尽管中国已经出台了一系列政策，但随着中国老龄化的不断加深，人口红利的不断下降，老龄化分布不均等问题已经引起了中国的劳动力市场、传统的家庭结构以及社会保障体系发生明显变化。这些问题对中国的经济和社会发展产生了系列影响，并影响了中国金融市场的发展。因此，研究老龄化对金融市场的影响具有重要意义。
二、研究方法
参考国内外文献，我们可以发现：国外研究的内容主要偏向于对人口结构与股票市场二者相互影响的内在方式以及如何實现影响的作用机理，研究方法的重点在于理论模型的搭建。而国内的研究方法则主要是由研究人口结构对相关宏观变量的影响之后，采取量化的方式验证人口结构对股票市场的影响，其方式往往都是选取国内的宏观数据搭建模型并以实证结果作为主要论据得出相关结论。
三、实证设计
基于资产定价理论视角，人口结构变化会对经济发展水平产生影响进而影响股票价格。因此本文以股票价格相关指数、人口老龄化指标和经济发展水平三个指标构建VAR模型进行实证分析。
（一）变量选取及数据来源
股票价格指标采用上证综合指数来衡量。上证综合指数是我国第一个实时发布的股票价格指数，该指数涵盖了在上海证券交易所上市的所有股票，能够综合反映上证A股、B股的整体走势，数据来源于Wind金融终端。
人口老龄化指标采用我国65岁以上人口数占总人口数的比例，该指标能够反映我国的人口老龄化程度，数据来源于国家统计局。
经济发展水平指标采用人均生产总值（人均GDP），数据来源于国家统计局。
以上指标数据的时间范围跨度为1991-2019年。由于各个变量之间数量差距巨大，并且变量自身拥有比较明显的趋势性，同时为了减少变量之间的多重共线性以及消除量纲的影响，对上证综合指数和人均GDP两个指标进行对数化处理。
（二）计量模型的构建
尽管传统的多元回归分析可以很好地探索变量之间的关系和影响，但其分析的前提是清楚地区分内生变量和外生变量的不同影响。在分析实际问题的过程中，难以有效区分内部变量和外部变量，因此向量自回归模型VAR已成为分析复杂系统的一种分析方法，每个变量都被用作一个整体的交互响应。VAR作为一种非结构化模型，通常用于预测相关时间序列，并分析随机扰动对可变系统的动态影响。通过使用系统中的每个内生变量作为系统中所有变量的滞后项的函数来构建模型，VAR模型的建立使得检查复杂现象的不同变量之间的关系成为可能，本文构建VAR模型如下：
ln_SZindext=α0+α1ln_SZindext-1+…αp1ln_SZindext-p+γ1oldpeople1+…γjoldpeoplet-j+β1ln_PGDPtβ1ln_PGDPt+…βqln_PGDPt-q+
其中ln_SZindex为被解释变量上证综合指数取对数，oldpeople为解释变量65岁以上老年人口占比，ln_PGDP为人均GDP取对数。P、q、j为VAR模型的阶数，在后续分析中将根据AIC和BIC准则确定最优的阶数。
四、变量相关性分析
变量相关系数表显示，上证综合指数与65岁以上人口比的相关系数为0.864，在1%水平下显著，上证综合指数与人均GDP的相关系数为0.898，在1%水平下显著。由此说明了上证综合指数与人口老龄化、人均GDP高度相关。
五、模型的检验与构建
（一）ADF单位根检验与平稳性检验
根据时间序列数据的处理方法，为了避免出现伪回归，应该在回归之前进行平稳性测试。也就是说，尽管从结果中得出了合理的R2，但是可变系数并没有实际意义。产生此结果的原因是，某些非平稳时间序列常常具有相同的变相趋势，但彼此之间并不直接相关，因此为了确保结果的有效性，我们经常对面板数据序列进行平稳性检验，通常采用单位根测试的方法。
变量的单位根检验结果表明，ln_SZindex具有单位根，该序列为不平稳序列，经过一阶差分处理后序列稳定;65岁以上人口的比例具有单位根，说明是一个不稳定的序列。经过二阶差分之后序列平稳，ln_PGDP为平稳序列。因此，上述变量是二阶单整，之后可以进行协整检验。
（二）最优阶数的确定
在进行协整检验之前，我们需要确定VAR模型的最优滞后阶数，本文采用LR、FPE、AIC、SC和HQ五种指标进行测试，测试结果如表3所示，根据测试结果，应选择模型最优滞后阶数为6阶，及p=6。
（三）协整检验
协整检验是对非平稳变量进行回归的必要前提。只有存在协整关系，协整回归才有意义。经过平稳性检验可知，各变量全部为二阶单整的时间序列，可能存在长期的协整关系，本文采用釆用Johansen协整检验方法进行检验，滞后阶数为6阶。检验结果如表所示。
迹统计量检验结果表明在5%的显著性下有2个协整方程，标准化协整方程分别是：
ln_SZindex=0.054oldpeople+0.017ln__PGDP+
ln_SZindex=0.07oldpeople+0.11ln__PGDP+ν
（四） Granger因果检验
格兰杰因果关系结果显示，人口老龄化是上证综合指数的格兰杰原因，人口老龄化是人均GDP的格兰杰原因，人均GDP是上证综合指数的格兰杰原因，上证综合指数是人均GDP的原因。
六、VAR模型估计与结果分析
VAR模型回归结果显示，滞后一期和二期的上证综合指数对当期上证综合指数影响不显著，滞后3-6期的上证综合指数对当期上证综合指数存在负的影响作用，其中滞后3-4期在1%水平下显著，滞后5-6期在5%水平下显著。
人口老龄化滞后一期对上证综合指数影响系数为-26.22，在1%水平下显著，人口老龄化滞后2-3期不显著，人口老龄化滞后4-6期均在1%水平下显著，且影响系数均为负数。说明人口老龄化对上证综合指数存在负向的影响作用。
（作者单位：贵州民族大学人文科技学院）