1、创业板指数“午后效应”的实证研究【摘要】短周期视角下的量价关系具有独特的研究价值。股票市场中往往存在这样的现象：如果午后开盘半小时的成交量要明显大于上午收盘前半小时的成交量，那么股价往往会在下午呈现较大的波动性，且上涨的可能很大，笔者把此现象定义为“午后效应” 。本文通过统计分析证明了该现象确实存在，之后又通过 Garch 模型对后盘波动进行研究，发现午后放量所带来的后盘较大的波动主要是受随机因素的影响，聚集性不明显，这表明午后的放量会吸引“增量玩家”介入，解释了后盘会上涨的原因。 【关键词】量价关系 午后效应 短线波动 一、研究背景及样本选择 许多学者的相关研究发现，我国股市可能连弱有效市场
2、的阶段都没有达到。这也就表明：股票的价格及成交量信息是有价值的，可以通过观察其规律获益。而随着大数据时代的来临、技术分析的普及以及量化概念的兴起，投资者及学者们观察量价关系的视角越来越短，而事实也证明，量价关系确实在短周期视角下呈现出独特的规律，研究空间很大，短周期交易也存在诸多机会。 根据笔者对创业板指数的观察，如果午后开盘半小时的成交量要明显大于上午收盘前半小时的成交量，那么股价往往会在下午呈现较大的波动性，且上涨的可能很大，笔者把此现象定义为“午后效应” 。从现象本身出发，笔者选取了创业板从成立至 2013 年 7 月底的量价数据，以 1分钟及 30 分钟为跨度提取，研究创业板指数的“午
3、后效应” 。 二、 “午后效应”的实证检验 （一）成交量特征与收益波动大小的关系 首先，分类样本。由于量存在趋势，因此不使用绝对指标，而使用相对指标，以午后半小时成交量较午前半小时成交量变化率为考量，将样本分为“大幅增加” 、 “基本不变” 、 “大幅减少”三个子样本，先进行对比，再拉出“大幅增加”样本单独进行分析，成交量变化率由： Cv= （1） 表示与计算。 其次，定义波动。研究波动性的时段范围定在午后半小时之后，即1：30 到 3：00 的时间区间，为了更为简化与直观，本小节将收益波动定义为在时间区间内每一分钟价格的变化，即： p=Pt-Pt-1 （2） 从后期收益与波动角度看，分别计算
4、三个样本区间各自的均值，得到表 1： 表 1 成交量变化与后期收益波动大小关系分析 由表来看， “大幅增加”样本区间的收益变化均值为 6.87，远远大于其他两个样本区间，这表明当午后成交量相比午前迅猛放大的情况下，之后盘面的平均涨幅可以达到 6.87 点，这不单单表明在此情况下的总的波动性是比较大的，更表明波动可能具有方向性。 而从超短周期看， “大幅增加”样本下的每分钟波动绝对值之和的均值要高于其他样本，这表明午后半小时量能的放大会导致后盘产生较大的波动，比量能没有放大的情况平均多出 12 到 14 点的总点数波动。事实上，一些极端样本，比如后盘每分钟波动绝对值之和大于 100 点的样本，以
5、及虽没过百但也远超均值的样本，大多也在“大幅增加”区间中。进一步看，无论是波动的标准差还是波动绝对值的标准差，在量能放大的情况下都是属于较高的，因为 1 分钟平均产生的波动也只在 1 点左右，而其标准差却达到了 0.57 和 0.39，这说明超短期视角下，量能的放大虽然导致了后盘的波动放大，但这种大的波动或许存在较高的不确定性，这一问题将在第三小节中深入分析。 综上所述， “午后效应”初步来看是存在的。 （二）简单统计及特殊样本点分析 基于上一小节，本小节将拉出“大幅增加”的样本，对 Cv 与后盘收益及波动的关系作进一步探讨。 对样本做简单的概率统计发现，一旦“午后效应”出现征兆，即午后成交量
6、较午前明显放大，后盘即 1：30 到 3：00 盘面上涨的概率达到了 77.3%，而一旦确认为上涨，其上涨幅度超过 10 点的概率达到了 56.3%，超过 15 点的概率达到了 25%。这无疑是较为可观的“胜算” 。 而在样本中，有几个样本点值得我们关注。第一个点是 2010 年 7 月2 日，也就是创业板成立不久，那一天指数下探到 832.62，成为了一个中长期底部，之后指数开始了长达半年的上攻，直指 1239.60 点。而在那一天，午后半小时的成交量较午前放大了 50%，虽然这在样本中并不算大，但关键是后盘直接上涨了 32.21 点，是样本区间中最高的，而其波动绝对值之和也达到了 90.5
7、8 点，是样本中的第二高。这表明午后多空开展了激烈的搏杀，而在态度与实力见分晓后，多头在下午开始了猛烈的反攻，空头虽顽强抵抗，但最终仍然以多头大获全胜告终。 另外两个值得关注的样本点是 2011 年 5 月 24 日以及 2012 年 9 月 27日，它们都是午后成交量极端放大的样本，分别放大了 334%和 149%。从宏观 K 线看，它们有许多共同点，比如它们出现的前一天都是一根没有上下影线或上下影线很短的大阴线，而它们出现当天都是一根没有上下影线或上下影线很短的大阳线；它们出现当天都有微小的放量，但放得不明显；它们离中期或长期的底部都有较长的距离，即它们的出现并没有改变中短期的下降趋势。从
8、“午后效应”角度看，极端的放量并没有带来后盘较大的收益以及波动，收益变化分别为 1.54 点和-1.44 点，波动绝对值之和分别为 26.05 点和 24.61 点，勉强与其他两个样本的均值持平。一方面，这说明了 Cv 大小与后盘的收益波动大小不存在线性关系。另一方面，这也表明若“午后效应”的征兆来得太强烈，反倒会遏制“午后效应”的产生。多头在午后半小时态度虽坚定，但实力不足且消耗过快，导致后盘盘面冷清，进而无法改变短期的下降趋势。 从这一小节我们可以发现， “午后效应”虽在总体上被验证，但 Cv大小与后盘的收益及波动大小并不存在“越大越大”的关系，甚至有悖离的可能。把 Cv 与收益及波动大小
9、作为整体的“午后效应”来看，若“午后效应”得以完整且明显地出现，那很可能会带来短期或中长期反转的出现，反之亦然。由此可见，1：30 到 3：00 这一时段的波动性及收益也是“午后效应”的重要焦点，下一小节正是着眼于这一时段的波动性及收益，从而将波动聚集性与 Cv 的关系纳入考量。 （三）Cv 与后盘波动聚集性的关系 正如第一小节中所述，大的 Cv 可能会导致 1：30 到 3：00 盘间大的波动性，但这种波动可能存在某种不确定性，本小节就试图将这种不确定性量化，即探究此间波动的聚集性。 依然以对比分析为切入点，将样本分为“大幅增加” 、 “基本不变”以及“大幅减少”三个区间，在“大幅增加”中随
10、机选出 8 个样本，在其他两个区间中各随机选出 4 个样本，依次建立 GARCH 模型，再观察与对比各估计参数。由于本小节探究的是区间之间的总体对比特征，因此不选择上述的特殊样本点，即在没有极端“增量”或极端大波动的样本中选择。建模与估计都使用 eviews6.0 操作完成。以下先以一个样本为例阐述建模过程，选取的 2011 年 10 月 24 日这一样本点，其午后放量较午前增加 92.3%，虽不极端，但也很大，其后盘波动属中等水平。 对于连续的指数，一般采用一类特殊的单位跟过程随机游动（Random Walk）描述，形式为： Pt=Pt-1+t （3） 将 Pt 与 Pt-1 作回归，对其残
11、差序列做滞后 9 阶（观测值 91 个）的Q 统计量检验，得如下结果： 表 2 Pt 与 Pt-1 回归残差的 Q 统计量检验 结果显示，1 到 9 阶 Q 统计量的 P 值均为 0，表明残差不独立，存在显著的高阶 ARCH 效应，这从自相关与偏自相关图中也能明显看出。由此，引入 GARCH（1，1）模型： Pt=Pt-1+tht=0+12t-1+1ht-1 （4） 估计结果如下： 表 3 GARCH 模型拟合结果 从拟合结果看，P（-1）的估计系数近似等于 1，表明是单位根过程，而 R2 达到了 0.96，AIC 和 SC 都较小，1+11 也满足平稳条件，因此该模型较好地拟合了数据。 进一
12、步对新模型的残差做 LM 检验，得如下结果： 表 4 GARCH 模型残差的 LM 检验 结果显示，LM 的统计量 Obs*R-squared 的相伴概率为 0.5，远大于0.05 的显著性水平，因此不能拒绝原假设，残差不存在 ARCH 效应。 综合来看，GARCH（1，1）模型较好的反应了 1：30 到 3：00 时段指数的波动过程。事实过程中，笔者还进一步尝试了在条件方差方程中引入每分钟成交量 V 作为外生变量去拟合方程，拟合结果的 AIC 和 SC 值较原 GARCH 模型都是相似的，但新模型的 LM 检验拒绝了原假设，效果不理想。因此笔者仍然选用条件方差方程中不加入成交量的 GARCH
13、 模型为主要模型，对另 11 个样本依次进行拟合，结果如下： 表 5 各样本 GARCH 模型拟合结果 表 5 中选取的样本是剔除极端样本后在各区间纯随机选取的，但其中我们依然可以看到一些规律特征。比较有意思的是， “大幅增加”和“大幅减少”区间较“基本不变”区间来说，其指数随机游动的残差具有更显著的高阶 ARCH 效应，然而，从 GARCH（1，1）模型拟合的 AIC 和SC 数值看， “基本不变”区间的样本反倒要普遍小于其他样本区间，这说明 GARCH（1，1）模型对其拟合效果更好，换而言之，GARCH（1，1）模型可能不是指数波动拟合的最优模型，起码对所有样本而言。但这并不对分析构成影响
14、，就每个样本本身而言，除去 2012 年 1 月 17 日的样本外，拟合效果都不错，参数的约束条件都符合要求，模型的 R2 都在 0.9以上，其残差的 LM 检验也都通过了。 从参数估计的结果可以明显看出，1 估计值的绝对值在“大幅增加”区间中都是偏大的，要明显大于其他两个样本区间的|1|；反过来，在“基本不变”与“大幅减少”区间中，1 估计值的绝对值都大于|1|，相比于“大幅增加”区间的|1|也高出不少。事实过程中，1是随机扰动项 2 之前的参数，而 1 是滞后项 ht-1 前的参数，这就表明：“午后效应”带来的后盘波动虽然较大，但波动聚集性的确定性较小，即影响波动的因素主要是在于随机项 2
15、。由此可见， “午后效应”1：30 至 3：00 的盘面很难走出上下震荡的“喇叭”型、 “反喇叭”型或一路向上（向下）的形态，而更多的可能是间歇性“跳动”的走势。这些间歇性的“跳动”恰恰反映出新生力量的介入，这些新生力量并非盯盘操作的“存量”玩家，而是被午后放量吸引的“增量”玩家，这也就解释了“午后效应”带来的不单单是波动，更可能是收益的历史情况。 三、结论 通过统计分析， “午后效应”的现象被证明是基本存在的。也就是说，在理想条件下，如果一个普通投资者发现午后成交量迅速放大并选择入场，那么他盈利的可能性很高。当然，条件是创业板存在股指期货、短线交易的成本要足够低，并且有时间去盯盘等等。 而从时间序列模型探索波动性的结论看，午后放量所带来的后盘股价走势更有可能是“间歇性”跳跃的，这也就代表午后放量可能吸引了“增量玩家”进场。如果要进一步探究原因，其可能是由于在信息不对称下各投资者间博弈而做出跟风选择的结果，也可能是由于投资者存在启发式偏误而导致的行为的结果。当然，在大数据时代，很多时候无需揣摩“为什么” ，而只需了解“是什么” 。本文也希望借由探索市场规律的切入在投资理念上做一个“抛砖引玉” ，希望未来有更多从短周期视角做量价关系规律探索的研究。 参考文献： 1郭梁，周炜星.基于高频数据的中国股市量价关系研究J.管理学报，2010， （8）.
