我国上市公司净资产收益率分布实证分析 -以电子通讯行业为例
研究领域　　　数理经济与计量经济学　　金融学 我国上市公司净资产收益率分布实证分析 -以电子通讯行业为例 [摘要]本文以电子通讯行业为例，对我国上市公司的净资产收益率分布情况进行了 实证分析。通过运用偏度与峰度联合检验法、χ2拟合检验法、柯尔莫哥洛夫检验法对样 本数据的统计分析，我们认为剔除异常点后，电子通讯行业的净资产收益率近似服从正 态分布，但有一定程度的偏离。对于偏离产生的原因我们进行了初步分析，我们认为一 是上市公司财务报表真实性存在问题，二是上市公司会特别关注某个数值，从而会使在 该数值左侧一个小区域内的点小于理论频数，而该数值右侧一个小区域内的点大于理论 频数。 [关键词] 净资产收益率 正态分布 电子通讯行业 上市公司 [中图分类] [文献标识码] A [文章编号] 引言 金融资产(特别是股票)收益率的分布对现代金融理论是有着十分重要的意义。现有 的广泛应用的金融计量模型,如资产组合模型、CAPM、APT以及Black Scholes定价公式等都是以收益率服从正态分布为基础进行计算。例如威廉.夏普的资本 资产定价模型(CAPM模型)给出了风险资产收益率与贝塔系数在一系列假设下存在线性关 系，而风险资产收益率的分布特征对这一线性关系的拟合程度有重要影响。在资本资产 定价模型中风险常用方差来度量，这就说投资者对收益的上下波动同样重视，这就要求 收益率的分布是对称的，进一步说要求收益率的分布符合正态分布。但有些国外学者， 如Hsu、Miller和Wichern的研究表明股票短期收益率分布存在偏斜。目前我国学者对于 我国股票二级市场股价的分布情况(更准确的说是股价变动带来的资本利得而决定的投 资收益)有较多的理论与实证研究。 但目前尚没有见到对上市公司净资产收益率分布情况的研究。实际上进行股票投资 的收益由两部分组成，一部分是资本利得（即由于股价波动而导致的买卖股票的差价） ，另一部分是由于持有股票而带来的股利收入。股票价格的波动是对公司盈利前景预期 波动的反映。如果公司的盈利情况是保持绝对稳定的话，在其他宏观参数（主要指真实 利率）保持不变的话，公司的股价也应保持不变。正是因为公司的盈利前景是在不断变 化的，因而公司的股价也是在不断变化。所以对上市公司净资产收益率分布情况的研究 是更为基础性的研究，可以为金融资产(特别是股票)收益率的分布研究提供理论与实证 上的支持。 数学分析与净资产收益率假设 大量的实践经验告诉我们，如果一个随机变量(Y)是由大量的独立的随机变量(X k)共同决定，而且每一个随机变量(Xk)对总和Y的影响都很小，这时Y近似的服从正态 分布。随着随机变量(Xk)的增多，Y更加趋向正态分布。由于正态分布在概率论的理论 及实践中占有中心的地位，因此人们把研究上述问题的极限定理统称为中心极限定理 。李雅普诺夫(Лялунов)中心极限定理对于随机变量(Xk)要求最低，不要求随机变量( Xk)同分布，仅要求随机变量(Xk)独立，因而本文以“李雅普诺夫中心极限定理”作为数 学引理。 李雅普诺夫中心极限定理： 设X1，X2，…，Xn，…是独立随机变量序列，它们具有有限的数学期望和方差： E(Xk)=μk, D(Xk)= [pic]≠0 (k=1,2,…，n) 记[pic],若存在正数δ，使得 [pic] (1) 则随机变量[pic] 的分布函数Fn(x)对于任意x∈（-∞，+∞）均有： [pic] (2) 因为上式的证明比较复杂，由于篇幅限制本文从略。有兴趣的读者可以参考有关 概率的书籍。 上述定理表明，在本定理的条件下，随机变量 [pic] 当[pic]时，Zn服从标准正态分布N(0，1)。在现实问题中，只要n的数量足够大 (也就是说决定Zn的随机变量足够多)，Zn近似服从标准正态分布N(0，1)。由正态分布 函数性质可知当n的数量足够大时，由(3)决定的随机变量Yn近似的服从正态分布[pic] 。 [pic] (3) 我们特别注意到李雅普诺夫中心极限定理不要求决定Yn的随机变量Xk立同分布， 而仅要求Xk独立。也就是说，无论各随机变量Xk(k=1,2,…)具有如何的分布，只要满足 定理的条件，当n足够大时Yn就近似的服从正态分布。这就对我们做研究带来很大的方 便。 在财务管理中，净资产收益率有较多的计算方式，我们按(4)定义净资产收益率： [pic] (4) 在做分析前，我们先对净资产收益率做如下假设： 1) 决定公司净资产收益率的因素足够多，并且各因素之间相互独立； 2) 每个因素对净资产收益都没有起到决定性作用； 3) 各公司的财务报表真实可靠； 4) 公司对财务报表的“偏好”是连续的，即公司认为净资产收益率越高越好，但不会认 为处于某一数值两侧的点有巨大的区别。例如，公司不会认为净资产收益率5.0 001%与4.9999%有什么大的区别，从而不会采取特别的行动使净资产收益率从4. 9999%变到5.0001%。该假设认为没有这样一个数值，是公司特别关注的，从而没 有特别的动力采取措施使净资产收益率在该数值点附近发生变化。 净资产收益率是衡量公司财务状况的最全面、最综合的指标。净资产收益率由很多 因素共同决定。例如杜邦分析体系就将净资产收益率层层分解到若干指标。因而根据“李 雅普诺夫中心极限定理”，可以推断一个公司的净资产收益率应服从正态分布，但由于我 国上市公司存在的时间较短，并且近十几年我们的宏观经济形式变化较大，因而我们将 很难对一个公司的净资产收益率分布情况进行检验。我们考虑到同一行业上市公司的净 资产收益率，应以行业平均利率为中心进行上下波动。因而我们可以检验同一年份同一 行业上市公司的净资产收益率分布情况，这样一方面可以获得足够多的数据，并且能够 排除由于宏观经济形式变化对企业净资产收益率的影响。我们选择的行业应有较多的上 市公司，并且竞争程度应较高。因而我们选择了电子通讯行业进行统计分析。 3偏度与丰度联合检验法 正态分布的随机变量,其偏度等于零，峰度等于3，也就是说符合正态分布的密度曲线 左右对称且陡缓适中。因而在样本容量较大的情况下（至少大于20），可以用偏度与丰 度的联合检验法来检验一样本是否来自正态总体。如果一个样本来自于正态总体，则样 本的经验分布密度（直方图）就不能偏斜太大，也不能过陡或过缓。我国国家标准GB48 82- 85《数据的统计处理和解释》给出了偏度与丰度联合检验的临界域的边界曲线图，我们可 以依其进行相应的检验。 假设来自总体ξ的一组样本值为x1, x2,…, xn， [pic] 设总体的偏度为γ1，丰度为γ2，则有 γ1=[pic] （5） γ2=[pic] （6） 由于总体分布未知，因而不能用极大似然估计，而仅能用矩估计法。根据矩估计法， 可推出样本的偏度β1与峰度β2如下： [pic] （7） [pic] （8） 正态分布总体的偏度为零，峰度为3。如果根据样本值计算出的偏度大于零，则说明 样本为右偏；偏度小于零，则说明样本为左偏。如果根据样本值计算出的峰度小于3，则 说明样本在均值附近比较集中；如果根据样本值计算出的峰度大于3，则说明样本向两端 分散，而没有向均值附近集中。因而如果样本来自正态分布的总体，偏度应接近于零， 且峰度接近于3。对于“接近”的定量分析，就要根据偏度与丰度的联合检验图来描述。我 们给出了α=0.05时的检验图，我们将依据该图进行偏度与丰度的联合检验。 2002年电子通信行业净资产收益率见附表1，我们将表中的数据作为一个样本，检验 是否总体服从正态分布。 按（7）与（8）我们计算出，偏度为-1.18，峰度为12.71。说明电子通信行业的净资 产收益率为左偏，且向两端分散。我们将点A（1.18，12.71）描在图1中，我们发现点A 落在样本数为100的边界曲线外，因而不能认为电子通讯行业净资产收益率服从正态分布 （由于计算出的峰度已经大于6，因而未能在图中标出来）。 从P-P正态概率图上也能得出相同的结论。P- P正态概率图是以样本的累计概率为横轴，以正态分布的理论累计概率为纵轴描出的散点 图。如果待检验样本来自于正态分布总体，则所有的点分布在对角线附近。从图2全体样 本P- P正态概率图中可以看出，散点分布离对角线较远，因而不能认为样本服从正态分布。 但我们对图2进行观察后发现中间部分的点近似呈一条直线，因而我们推断可能由于 两端异常点的影响而使全部点偏离了对角线，如果仅对中间部分的点进行检验有可能服 从正态分布。根据图2 ，我们去掉前15个点及后10点，对净资产收益率处于区间[0.25,12.55]内的样本作P- P正态概率图，如图3所示。从图3中可以看出，散点分布在对角线附近，因而可以认为样 本服从正态分布。 从图3中，我们推测电子通讯行业内有些公司净资产收益率绝对值很大，因而可能为 异常点，而应被剔除。但从图中观察哪些点应被剔除，多少有点武断。我们按莱因达原 则，认为处于3σ以外的点属于异常点应进行剔除。我们反复应用3σ原则对数据进行剔除 ，由于篇幅限我们没有给出剔除的过程，我们只给出最后的结果为：我们仅保留了[- 5.98,18.53]区间内的数据，最后的样本量为94。我们根据上述样本重新计算出偏度为0 .119，峰度为3.84。因而将点B（0.119，3.84）描在图1中，我们发现点B落在样本数为 100的边界曲线内，因而可以认为电子通讯行业净资产收益率服从正态分布。 [pic] [pic]图2 全体样本P-P正态概率图 [pic] 图3 部分样本P-P正态概率图 结论1：直接对电子通讯行业净资产收益率进行峰度与偏度联合检验时，不能认为电子通 讯行业净资产收益率服从正态分布；按3σ原则对异常点进行剔除后，可以通过峰度与偏 度联合检验，即可以认为电子通讯行业净资产收益率服从正态分布。 4χ2拟合检验法 进行偏度与峰度联合检验时，我们注意到样本中的每个点对偏度与峰度的影响是相同 的，我们实际上是对样本的特征数进行检验。而样本是否服从正态分布最关键是判断样 本的数值出现在某一区间内的频度，也就是通过样本的经验分布与正态分布函数相似程 度的比较来判断样本是否来自于正态分布总体。下面我们用K.Pearson的χ2拟合检验进行 样本的正态性检验。 χ2拟合检验是通过检验在一定区间内样本的观测次数与正态分布总体在该区间的理论 期望次数之间是否存在显著性差异，来判断样本是否来自正态分布总体。判断的依据是 ：如果根据样本计算出的χ2值大于χ2检验的临界值，则不能认为样本来自正态分布总体 ；如果根据样本计算出的χ2值小于χ2检验的临界值，则可以认为样本来自正态分布总体 。更详细的对χ2拟合检验的说明可以参见参考文献[3]或其他的有关数理统计的书。 我们利用表1中的原始数据进行了χ2拟合检验，计算过程列在表2中。查χ2分布表知在 显著性水平α=0.05，自由度为5（8-2- 1=5，具体的原因参见参考文献[3]）临界值为11.071。而从表2中可以看出计算出的χ2值 为195.56，大于临界值，因而我们不能认为2002年电子通讯行业的净资产收益率服从正 态分布N（2.63，22.522）。 表2 检验2002年数据是否符合N（2.63，22.522）计算表 净资产收益率 |实际频数 |标准化区间 |区间的 |理论频数 |差异 |样本χ2值 | |下限 |上限 |Vi |下限 |上限 |累计分布 |nPi |(Vi- nPi)2 |(Vi-nPi)2 /nPi | |-134.76 |-19.89 |7 |-∝ |-1.00 |0.16 |17.77 |115.98 |6.53 | |-19.89 |-3.00 | 8 |-1.00 |-0.25 |0.24 |27.18 |367.70 |13.53 | |-3.00 |2.63 |18 |-0.25 |0.00 | 0.10 |11.06 |48.23 |4.36 | |2.63 |4.88 |21 |0.00 |0.10 |0.04 |4.46 |273.55 | 61.32 | |4.88 |9.38 |37 |0.10 |0.30 |0.08 |8.75 |798.33 |91.29 | |9.38 |13.8 9 |11 |0.30 |0.50 |0.07 |8.24 |7.63 |0.93 | |13.89 |25.14 |6 |0.50 |1.00 |0. 15 |16.79 |116.36 |6.93 | |25.14 |68.25 |4 |1.5 |+∝ |0.16 |17.77 |189.60 |10 .67 | |合计 |112 | | |1 |112 | |195.56 | |资料来源：作者计算 在表2中，我们在计算χ2值过程中，使用全部样本估计总体的期望与方差，而期望与方 差又是决定正态分布的两个参数。由进行偏度与峰度联合检验中的经验，我们估计可以 通过剔除异常点的方法来重新估计总体的期望与方差。我们仅根据[- 5.98,18.53]区间内的数据估计总体的期望与方差，然后我们检验全部样本是否来自服从 N（5.49，4.402）的总体。具体的计算过程见表3。 查χ2分布表知在显著性水平α=0.05，自由度为7（8- 1=7，具体的原因参见参考文献）临界值为14.046。而从计算表中可以看出计算出的χ2值 为5.03，小于临界值，因而我们可以认为2002年电子通讯行业的净资产收益率服从正态 分布N（5.49，4.402）。 表3 检验2002年数据是否符合N（5.49，4.402） 净资产收益率 |实际频数 |标准化区间 |区间的 |理论频数 |差异 |...
我国上市公司净资产收益率分布实证分析 -以电子通讯行业为例