上海 a 股與 h 股市場從眾行為之探討－以市場極端變化與滬港通 … ·...

33

兩岸金融季刊第四卷第三期（2016 年 9 月）

*電話：0921326838；電子郵件：[email protected]；地址：台中市南屯區嶺東路 1號

上海 A 股與 H 股市場從眾行為之探討－以市場極端變化與滬港通

期間為例

‧賴藝文* 嶺東科技大學財務金融系副教授

摘要

本研究探討上海 A 股與香港 H 股市場是否存在從眾行為，以及市場極端情況、金融風暴與

滬港通期間從眾行為的變化，並探討滬港通前後兩市場風險與報酬間連結的變化。實證結果顯

示，A股在市場上漲，大盤跌深與高波動期間存在從眾行為。H股市場在全期間存在Gebka & Wohar

(2013)提出的負向從眾行為，僅在投資人情緒低時存在從眾行為。比較次級房貸，歐債危機與滬

港通期間，兩市場從眾行為的變化，我們發現 A股市場從眾行為漸漸消失，H股市場的負向從眾

行為越來越明顯。滬港通後 A 股與 H 股的風險與報酬間的相互影響幅度增加，資訊傳遞速度加

快。

本研究的重要投資意涵為透過滬港通，H股市場報酬與風險對於 A股市場的影響程度提高。

壹、前言

2014年4月10日中國大陸總理李克強宣布滬港通，11月17日正式開放的滬港通為中國大陸資

本市場開放的序曲。滬港通是上海與香港建立的股票市場互聯互通機制試點計畫，讓香港與中國

大陸投資者可透過當地市場的交易所及結算所，買賣和結算在對方市場上市的股票。於此架構

下，香港和境外投資者可以買賣上海 A股(北向交易)；而內地投資者則可以買賣香港證券交易所

的股票(南向交易)。根據高盛2014年9月研究報告指出，滬港通本質上產生市值全球第二大、資金

交易量全球第三大的股市。中國大陸股票市場分為 A股、B股與 H股，A股市場早期僅國內投資

人交易，國外投資人只被允許在 B股市場交易，而在2001年2月後開放國內投資人可於 B股交易，

34

賴藝文：上海 A股與 H股市場從眾行為之探討－以市場極端變化與滬港通期間為例

註 1：作者感謝評審的提醒。

註 2：由於 B股市場的流動性差，資訊傳遞效果差不予考慮。

但國外投資人仍不能於 A 股進行交易，隨著香港 H 股市場快速的發展，許多原本在 B 股市場掛

牌的中國大陸企業紛紛進行 B 轉 H 流程，H 股市場逐漸取代 B 股市場成為中國大陸企業吸引外

資投資的市場。

從眾指的是模仿他人或市場的行為(Bikhchandani & Sharma, 2001)。從眾行為對整體股票價格

影響的研究上，Chang, Cheng, & Khorana (2000, CCK)以股票報酬的橫斷面分散程度

(Cross-Sectional Absolute Deviation, CSAD)來描述，若市場存在從眾行為時，會造成報酬與風險非

線性關係，即市場報酬越高，離散程度指標(風險)呈現遞減式的遞增。Hwang & Salmon (2004)提

出從眾行為對於個股 Beta的影響，如果投資人一窩蜂跟隨市場績效，而忽視個股本身風險報酬關

係時，會增加個股與市場績效共移。Gebka & Wohar (2013)研究跨國從眾行為的影響，發現由於

全球化，市場參與者會因為著重於部分投資人移進或移出於選擇性區域的聯合行動(即 localized

herding)、過度自信，或是在金融危機時奔向品質的行為造成一窩蜂移進與移出某一市場或是某一

產業部門的現象；當這個現象發生時將導致某一市場報酬越高，風險呈現遞增式遞增的負向從眾

行為。(註1)

本研究有別於過去以長時程連續觀察，或僅以市場極端情況為研究期間的做法，選擇以兩者

同時觀察，除了探討市場上漲與下跌時從眾行為之差異外，並驗證在極端週轉率、乖離率與波動

度時從眾行為之差異。此外，探討美國次級房貸、歐洲債務危機與滬港通時期從眾行為的變化，

以市場劇烈變動與重大總體經濟發生期間為探討重心；其次，以上海 A 股與 H 股市場為研究標

的，H股為在大陸註冊在香港上市的公司，其為兩地掛牌與 A股連結性大，方便我們觀察研究期

間跨市場從眾行為的變化；再者，最小平方法估計僅能觀察股價報酬離散之條件分配的平均數，

與從眾行為大多數發生在極端環境不一致。因此，本研究除了參考 Yao, Ma & He (2014)提出一般

化 CCK模型分析上海A股與H股市場間從眾行為之變化(註2)，並利用 Chuang, Kuan & Lin (2009)

分量迴歸模式探討股價報酬離散各分量分配與總合市場變動之關係；最後，利用向量自我迴歸之

衝擊反應與預測誤差變異數分解，瞭解滬港通前後兩市場間風險與報酬連動的變化。

本研究之章節安排，除本節說明研究動機、研究目的與研究意義之外，第貳節為有關中國大

陸市場從眾實證文獻之探討；第參節為本研究所使用的方法與設計之說明；第肆節進行實證結果

說明；第伍節為結論。

35


貳、文獻探討

目前文獻對於中國大陸市場從眾行為之研究存在混亂的結果。Demirer & Kutan (2006)研究發

現中國大陸市場不存在從眾行為。Chiang, Li & Tan (2010)以最小平方估計 A股市場在市場上漲與

下跌區域存在從眾行為，但是 B股市場在市場上漲時不存在從眾行為，接著利用分量迴歸分析發

現 A股與 B股投資人在報酬離散的低分量區域皆存在從眾行為。Lao & Singh (2011)指出中國大

陸市場從眾行為在市場下跌與高成交量時較明顯，然而，印度市場在市場上漲時從眾行為較明

顯。Balcilar, Demirer, & Hammoudeh (2012)將中國大陸區分為三個時期，分別為低流動性、高流

動性及股價極端時期，探討不同特性投資者對於市場從眾行為的影響性，研究發現中國大陸的從

眾行為僅出現於高波動和極端時期。Yao et al. (2014)研究結果顯示投資人表現出不同程度的從眾

行為，尤其是在 B股市場從眾行為非常顯著，還發現跨市場的從眾行為在產業別、最大型與最小

型股票、價值股相對於成長股皆較為顯著；從眾行為在市場大盤下跌時顯著。Lam & Qiao (2015)

研究香港市場從眾行為，發現在市場上漲、高成交量、高低成交波動狀態存在從眾行為。

在跨市場間的從眾行為部分，Blasco & Ferreruela (2008)利用相似股票，研究國家間的從眾行

為，發現整體市場對於相似股票較可能存在總合行為模式。Chiang, Li, Tan & Nelling (2011)研究

亞太市場動態從眾行為，發現區域內的從眾行為存在正向變動與跨市場間共移現象。Economou,

Kostakis & Philippas (2011)發現葡萄牙、義大利、西班牙與希臘四個南歐國家間存在顯著的跨市

場從眾行為。Gebka & Wohar (2013)研究國際從眾行為的影響，發現若利用全球國家指數觀察，

價格走勢大致上符合理性定價模式，然而，利用特定部門指數如基本原料、消費產品、原油與天

然氣指數觀察時，則存在投資人不理性的從眾行為。Galariotis, Rong & Spyrou (2015)利用美國

S&P100與英國 FTSE100股票探討兩國間的從眾行為，發現美國投資人在重要總體資訊公布期間

從眾；在金融危機前期從眾行為由美國外溢至英國；同時美國投資人從眾動機是基於基本面與非

基本面資訊，英國投資人從眾僅為基本面與科技網路泡沫化期間。因此，從眾行為的驅動因子具

有期間別與國家別的特性。

投資人的從眾行為在不同市場極端情況與總體經濟事件存在差異性。Bikhchandani & Sharma

(2001)和 Galariotis et al. (2015)指出總體經濟基本面發生變化時會引發投資人的從眾行為。

Gleason, Mathur & Peterson (2004)發現在異常資訊流與異常波動期間從眾行為會比較明顯。Tan,

Chiang, Mason & Nelling (2008)發現在高成交量與波動期間從眾行為會比較明顯。Demirer, Kutan

36


註 3：Yao et al.原模型僅增加落後一天的 CSSDt為自變數，本文參考Walter Enders (2004, p68)利用 Ljung-BoxQ統計量檢定迴歸殘差的自我相關情況，若 Q檢定量顯著異於 0，則考慮增加 CSSDt的落後期，以避免高頻時間序列資料的高度序列相關。若其殘差符合白噪音的模型超過 1 種時，利用 AIC 和 SBC 最小來判斷最適模型。

註 4：Yao et al.提及 Rm,t及Rm,t2 兩解釋變數有高度共線性，估計參數將不精確易導致低顯著性及低假設檢定

力的問題。本文有嘗試以γ2 Rm,t-Rm2取代γ2 Rm,t

2重新跑過[表 2]各市場不同期間設定方式之迴歸，結

果對於從眾係數的顯著性與正負值並無影響。我們亦利用 Variance Inflation Factors檢測 Rm,t及Rm,t2 兩

解釋變數，與 Rm,t及 Rm,t-Rm2兩解釋變數的共線性程度，結果發現 Rm,t及 Rm,t-Rm

2兩解釋變數的 VIF

值較高，故保留原Rm,t2 的設定方式。

& Chen (2010)和 Chiang & Zheng (2010)指出市場下跌時從眾行為較明顯。Lin, Huang & Chen

(2007)與 Economou et al. (2011)提及市場波動高低對市場從眾行為有差異影響。Blasco, Corredorb

& Ferreruela (2011)研究從眾與市場情緒的關係，發現從眾受過去報酬與情緒的影響。Lao & Singh

(2011)指出中國大陸和印度市場在市場大變動期間從眾行為較明顯。

参、研究方法與設計

在整體市場從眾行為的探討文獻，大多數的研究利用報酬的離散程度衡量市場是否存在從眾

行為。

一、修正自我相關後的一般化 CCK 模型

Yao et al. (2014)利用 Christie & Huang’s CSSD(Cross-Sectional Standard Deviation)衡量建立一

般化的 CCK模式，因為 CSAD的計算依賴 CAPM模型中市場投資組合的正確設定，而 CSSD的

計算則不用，藉由 CSSD取代 CSAD以避免市場模式的誤設。CSSD的計算如下：

CSSDt=∑ Ri,t-Rm,t 2Ni

N-1 ………………….…………………………………………….……...(1)

其中，CSSDt是在第 t期股票報酬率與市場報酬之平均橫斷面離散程度，N為股票個數，Rm,t是在

第 t期 N支股票均等權重的平均報酬率，Ri,t是在第 t期第 i公司股票的報酬率。其次，由於財務

時間序列多存在自我相關與異質條件變異，透過放入應變數的落後項(註3)與 Newey-West(1987)

方法調整係數的標準誤(註4)。配適後模型設定如下：

CSSDtall=γ0+γ1 Rm,t +γ2 Rm,t2+αi

p

iitCSSD

1+εt……………………….…………………..(2)

CSSDtup-down=γ0+γ1 Rm,t +γ2UP Rm,t

2+γ3DOWN Rm,t

2+αi

p

iitCSSD

1+εt …………………….(3)

37


註 5：Gebka and Wohar (2013)提到國際間跨市場的負向從眾行為可能發生於市場參與者(1)著重於部分投資人移進或移出於選擇性區域的聯合行動(即 localized herding)；(2)在市場壓力期間飛越品質；或(3)過度自信。

註 6：許多文獻將市場週轉率做為投資人情緒的代理變數(Baker, Wurgler & Yuan, 2012)，投資人情緒會影響從眾行為。

註 7：Griffin, Nardari & Stulz (2007)提出週轉率會受到市場中買賣價差之趨勢、佣金與資訊開放程度的影響，這些因素皆會使週轉率呈現隨時間增加的現象。故本文利用去除趨勢後的週轉率衡量研究期間市場極

端情況。

|Rm,t|為每期均等報酬的絕對值，(3)式中與為虛擬變數，若 t 期之 Rm,t大於等於0時，則UP= 1，否則為0；若 t 期之 Rm,t小於0時，則 DOWN= 1，否則為0。p 為使殘差無自我相關的最適落後期。檢定結果若 γ2或 γ3顯著為負，表示在該段期間市場存在從眾行為；若 γ2或 γ3顯著為正，

表示在該段期間市場存在負向從眾行為。(註5)

二、市場極端變化期間

我們以市場投資人方便收集到的指標，利用三種方式分析市場極端情況下從眾行為的差異：

(一)為去除趨勢後週轉率(註6)－參考 Griffin, Nardari & Stulz (2007)採用去除趨勢後的週轉率(註7)。

去除趨勢的週轉率計算為將當天市場的週轉率取自然對數後，再減去其100天的 MA 值，將研究

期間上證 A 股市場、香港恆生與 H 股市場的週轉率大小排序，探討當去除趨勢後週轉率落在其

分配上下10%時市場從眾行為的變化；(二)為市場大盤之乖離率－利用研究期間上證 A 股指數、

香港恆生與 H 股指數大盤的乖離率大小排序，乖離率的計算為當日市場大盤收盤價減去前100天

市場大盤收盤價的移動平均值，再除以前100天市場大盤收盤價的移動平均值，探討乖離率落在

上下10％時市場從眾行為的變化；(三)為市場大盤之波動度－利用上證 A股指數、香港恆生與 H

股指數大盤前20日報酬標準差計算波動率並排序大小，探討在波動度上下10％變動下從眾行為之

變化。將方程式改寫如下：

CSSDt=γ0+γ1 Rm,t +γ2TRHRm,t2 +γ3TRLRm,t

2 +αi

p

iitCSSD

1+εt……………………..……………..(4)

CSSDt=γ0+γ1 Rm,t +γ2MPHRm,t2 +γ3MPLRm,t

2 +αi

p

iitCSSD

1+εt………………………….……….(5)

CSSDt=γ0+γ1 Rm,t +γ2VLHRm,t2 +γ3VLLRm,t

2 +αi

p

iitCSSD

1+εt………………………………..…..(6)

38


其中，TRH、TRl、MPH、MPL、VLH、VLL為虛擬變數，若 t期之週轉率落在上十分之一時，則 TRH=1；

若 t期之週轉率落在下十分之一時，則 TRL=1；否則為0。若乖離率落在上十分之一時，則 MPH=1；

乖離率落在下十分之一時，則 MPL=1；否則為0。若波動度落在上十分之一時，則 VLH= 1；波動度落在下十分之一時，則 VLL= 1；否則為0。檢定結果若 γ2或 γ3為顯著負號，表示市場在該極端期間存在從眾行為；若 γ2或 γ3顯著為正，表示在該段期間市場存在負向從眾行為。三、金融風暴與滬港通期間

金融危機引發全球經濟恐慌、信用風險升高；而市場開放，使得金融商品價格更快速地反應

訊息。觀察美國次貸風暴、歐洲信貸危機與滬港通開放後，中國大陸從眾行為是否與承平期間有

所不同。我們利用 S＆P500指數之走勢與泰得價差(TED Spread)值大於1%，定義美國次貸風暴之

影響時期為2008年1月1日至2008年12月31日。利用歐豬5國與德國的10年期公債殖利率利差之大

小，判斷歐債風暴之影響時期為2010年5月5日至2013年5月2日。2014年11月17日以後定義為滬港

通期間。模式設定如下：

CSSDt=γ0+γ1 Rm,t +γ2SMt Rm,t2+γ3(1-SMt)(Rm,t)

2+αi

p

iitCSSD

1+εt………………………..(7)

CSSDt=γ0+γ1 Rm,t +γ2EDt Rm,t2+γ3(1-EDt) Rm,t

2+αi

p

iitCSSD

1+εt……………………….(8)

CSSDt=γ0+γ1 Rm,t +γ2SHt Rm,t2+γ3(1-SHt) Rm,t

2+αi

p

iitCSSD

1+εt………………………..(9)

其中，SMt、EDt與 SHt為虛擬變數。若在次貸風暴期間內，則 SMt = 1；否則為0。若在歐債風暴期間，則 EDt = 1；否則為0。若在滬港通期間，則 SHt = 1；否則為0。檢定結果若 γ2或 γ3為顯著負號，表示市場在該期間存在從眾行為；若 γ2或 γ3顯著為正，表示在該段期間市場存在負向從眾

行為。

四、研究期間與樣本

研究期間為2008年1月1日至2015年12月31日，利用上證180指數、上證380指數及恒生中國企

39


業指數之成份股為樣本，數據資料來源為台灣經濟新報(TEJ)資料庫，資料頻率為日資料。上證180

指數與上證380指數兩者成分股每半年定期調整，分別於1月和7月，調整的方案會提前兩周公布。

恒生中國企業指數成分股每季定期調整，調整的方案會提前7個交易日公布。研究期間計算橫斷

面包含的公司數隨成分股變動調整。

肆、實證結果與分析

一、敘述性統計

[表1]為上證 A股市場、香港 H股市場 CSSD與 Rm,t之敘述統計量分析。Panel A為全期間分

析，Panel B為市場上漲期間，Panel C為市場下跌期間，Panel D為次貸風暴期間，Panel E為歐

債風暴期間，與 Panel F為滬港通期間。Panel A顯示研究期間 Rm,t的平均值在 A股市場為-0.02%，

在 H股市場為-0.05%，由於無漲跌幅限制，H股市場 CSSD與日報酬 Rm,t的波動皆大於 A股市場。

H股市場報酬呈現右偏態厚尾，A股市場則為左偏態厚尾，所有的研究變數為非常態。Panel B與

Panel C上證 A股市場 CSSD在市場下跌時的平均值與波動性大於市場上漲時，H股市場則是在

上漲時大於下跌時。Panel D與 Panel E顯示 A與 H股市場在次級房貸期間 CSSD與日報酬 Rm,t

的波動皆大於歐債危機期間，兩市場 Rm,t的平均值在兩風暴期間均為負值，且次級房貸風暴的市

場跌幅大於歐債危機，從 CSSD的平均值來看次級房貸風暴市場離散程度大於歐債危機。Panel F

滬港通之後，CSSD與 Rm,t的波動出現結構性改變，上證 A股市場大於香港 H股市場。

二、修正自我相關後的 CCK 模型

[表2]為根據(2)-(9)式衡量 A股與 H股市場是否存在從眾行為之結果。Panel A為全期間，Panel

B為市場上漲與下跌期間，Panel C為市場極端期間，Panel D為金融海嘯與滬港通期間。上證 A

股市場在 Panel A全期間從眾係數 γ2值不顯著為負，Panel B上漲時的 γ2顯著為負值-3.4501，下跌

時的 γ3則為不顯著負值，顯示市場參與者在市場上漲期間相較於下跌時較會採取同質性的交易策

略，而出現從眾向國內市場輿論的現象。香港 H 股市場由於較為開放，則存在 Gebka & Wohar

(2013)所提到從眾係數 γ2值顯著為正的負向從眾行為，以市場上漲時較為顯著。

接著，進行三種極端情況從眾行為之探討。根據 Panel C上證 A股在大盤指數低乖離率與高

波動度時存在顯著的從眾行為，低週轉率與高乖離率期間則存在顯著的負向從眾行為。顯示 A股

市場從眾行為在大盤跌深與資訊分析難度提高時，市場參與者會採取同質性交易策略而出現從眾

向市場輿論的現象。

40


表1 橫斷面標準差與報酬之敘述統計量表市場平均值標準差偏態峰度常態性檢定

Panel A：全期間 SHA (觀測值1,934) CSSD 0.0213 0.0067 1.9687 11.6208 7092.0790*** Rm,t -0.0002 0.0217 -0.6194 5.9640 814.8293*** HK (觀測值1,881) CSSD 0.0186 0.0081 2.5090 14.2539 11646.7600*** Rm,t -0.0005 0.0229 0.0791 11.1091 5046.0550*** Panel B：市場上漲期間 SHA (觀測值1,038) CSSD 0.0202 0.0059 2.5390 21.5842 15743.3800*** Rm,t 0.0141 0.0130 2.1099 9.4688 2530.2160*** HK (觀測值894) CSSD 0.0192 0.0083 2.6921 16.6946 7894.3640*** Rm,t 0.0159 0.0168 3.4591 24.9187 19260.5300*** Panel C：市場下跌期間 SHA (觀測值896) CSSD 0.0226 0.0073 1.5401 6.6215 825.9533*** Rm,t -0.0167 0.0178 -1.8932 6.8239 1058.1990*** HK (觀測值987) CSSD 0.0180 0.0079 2.3232 11.4092 3715.2090*** Rm,t -0.0154 0.0167 -2.9720 17.3224 9678.6750*** Panel D：次貸風暴期間 SHA (觀測值245) CSSD 0.0260 0.0060 0.1748 4.0818 13.1900*** Rm,t -0.0046 0.0345 -0.0737 3.2778 1.0100 HK (觀測值236) CSSD 0.0281 0.0119 1.7867 7.9015 375.6100*** Rm,t -0.0034 0.0435 0.1944 5.5158 66.1500*** Panel E：歐債風暴期間 SHA (觀測值724) CSSD 0.0181 0.0037 1.2600 5.7803 424.7700*** Rm,t -0.0005 0.0157 -0.3598 4.1337 54.4000*** HK (觀測值705) CSSD 0.0168 0.0055 1.8057 7.6058 1056.2500*** Rm,t -0.0002 0.0174 0.0341 5.1394 141.2700*** Panel F：滬港通期間 SHA (觀測值267) CSSD 0.0299 0.0095 1.8758 9.0629 480.7965*** Rm,t 0.0015 0.0310 -0.8247 4.1768 38.8307*** HK (觀測值259) CSSD 0.0190 0.0084 2.8392 15.6608 1756.9330*** Rm,t -0.0011 0.0194 0.0895 4.9897 36.4165***

註：CSSD 為橫斷面標準差，Rm,t為均等平均報酬，上證 A 股市場以 SHA 表示，以原幣表示的香港 H 股市場以 HK表示。*、**與***分別表示顯著水準 10%、5%與 1%。

41


表2

修正

自我

相關

一般

化C

CK模

式

註： 0為常數項係數， 1為均等報酬絕對值係數。 2與 3為從眾係數，

Pane

l A為全期間迴歸式，

Pane

l B中 2代表市場上漲時的從眾係數與 3代表市場

下跌時的從眾係數，

Pane

l C中 2代表高週轉率

/乖離率

/波動度時的從眾係數與 3代表低週轉率

/乖離率

/波動度時的從眾係數，

Pane

l D中 2代表次

級房貸

/歐債危機

/滬港通時的從眾係數與 3代表非次級房貸

/歐債危機

/滬港通時的從眾係數。

Adj

R2用來說明整個迴歸模式的解釋力。

D-W

sta

t檢定迴歸式殘差的自我相關程度。

Wal

d co

effic

ient檢定

Pane

l B至

D中是否存在不對稱的從眾行為，虛無假設為沒有不對稱的從眾行為

H0: 2

-3=

0，該欄為 2

-3的值，χ2為

Wal

d te

st的檢定統計量。

*、**與

***分別表示顯著水準

10%、

5%與

1%，括號內之值為

New

ey-W

est方法調整係數的標準

誤。

42


香港 H股市場，如果是利用恆生指數判斷市場極端變化期間，在極端週轉率、乖離率與波動

度下不存在從眾行為，高週轉率、高低乖離率與高波動度期間則出現負向從眾行為；利用恆生國

企指數判斷市場極端變化期間，在低週轉率時存在從眾行為，其餘表現與恆生指數判斷市場極端

變化時的結果相同。相較於恆生指數代表整體市場，國企指數僅代表在大陸註冊在香港上市的公

司，算是特定部門指數。根據 Panel C我們發現，H股的負向從眾行為在整體香港市場極端變化

時，相較於國企指數極端變化時顯著，而從眾行為僅在 H股市場投資人情緒低落與流動性不足時

出現。

在金融海嘯與市場整合期間，根據 Panel D上證 A股在次級房貸期間的從眾行為較非風暴期

間明顯，歐債風暴則無此現象，滬港通後市場的從眾行為較先前不明顯；香港 H股則不論在金融

海嘯或市場整合期間，皆存在負向從眾行為。

三、分量迴歸

根據上節分析，上海 A 股市場在全期間與下跌期間從眾行為並不明顯，在這節中我們以

Chuang et al. (2009)分量迴歸模式進一步探討在 CSSD各分量下從眾行為之變化。將式子(2)-(3)跑

CSSD的91分量迴歸，[表3]為分量迴歸下從眾係數之敘述統計量，與[圖1]為在各分量從眾係數的

變化。由顯著水準5%觀察，全體研究期間在低分量0.05-0.12與中分量0.66-0.68為顯著負值，將市

場細分為上漲與下跌期間分析，上漲期間在低中分量0.05-0.71皆存在顯著負值，下跌期間則在低

分量0.05-0.10為顯著負值，高分量則為顯著正值；此結果與 Gebka & Wohar (2013)發現類似，當

我們用全部觀測值時，各分量從眾係數最接近0且變異最低。綜上，CSSD低分量代表投資人的交

易行為偏向同質性(註8)，較會出現平均個股報酬橫斷面縮減的從眾行為；反之，CSSD 高分量則

代表異質性的交易行為，較易出現 Gebka & Wohar (2013)提出的負向從眾行為；這兩種現象多發

生於市場極端時期。

表3 上海 A 股 CSSD 的0.05到0.95分量下從眾係數之敘述統計量(觀察值91)

從眾係數從眾係數-市場上漲從眾係數-市場下跌

平均數 -0.2688 -2.1202 0.5255

中位數 -0.2390 -2.2920 0.1720

標準差 0.4271 0.9168 1.0636

註 8：與 Chiang et al. (2010)發現低分量時存在從眾行為相同。

43


圖2 滬港通前衝擊反應分析

圖1 上證 A 股市場 CSSD 的91分量下從眾係數(市場大盤平方項)變化

四、VAR 模型檢定

為了檢測滬港通前後 A股與 H股跨市場的風險(CSSD)與報酬間之連結變化，我們利用 VAR

模型。首先，以 AIC與 SBC準則，並考量配適模型之殘差無自我相關，決定最適落後期；接著，

根據衝擊反應函數來描述某研究變數受到外生衝擊時，如何透過體系內的運作來影響其他研究變

數，利用 Pesaran and Shin (1998)提出的一般化衝擊反應方法。以 VAR Granger Causality Wald檢

定決定各研究變數的外生性程度，代入預測誤差變異數分解來瞭解各干擾項對研究變數的影響程

度。

-0.0015

-0.0010

-0.0005

0.0000

0.0005

0.0010

0.0015

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to RH

-0.0015

-0.0010

-0.0005

0.0000

0.0005

0.0010

0.0015

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to RA

-0.0020

-0.0015

-0.0010

-0.0005

0.0000

0.0005

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to RH

-0.0020

-0.0015

-0.0010

-0.0005

0.0000

0.0005

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to RA

-0.0010

0.0000

0.0010

0.0020

0.0030

0.0040

0.0050

0.0060

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to CSSDH

-0.0010

0.0000

0.0010

0.0020

0.0030

0.0040

0.0050

0.0060

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to CSSDA

-0.0010

0.0000

0.0010

0.0020

0.0030

0.0040

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to CSSDH

-0.0010

0.0000

0.0010

0.0020

0.0030

0.0040

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to CSSDA

-4

-3

-2

-1

0

1

2

3

4

5

0.05

0.09

0.13

0.17

0.21

0.25

0.29

0.33

0.37

0.41

0.45

0.49

0.53

0.57

0.61

0.65

0.69

0.73

0.77

0.81

0.85

0.89

0.93

herding coef herding coef up herding coef down

44


註 9：根據衝擊反應分析，在滬港通前期，當 A股與 H股 CSSD受到外生衝擊時回復均衡期間約 100期相較於 A股與 H股股價報酬受到外生衝擊時回復期間約 20-30期；然而，在滬港通後期，A股與 H股CSSD受到外生衝擊時回復期間約 27期，或是股價報酬受到外生衝擊時回復期間約 10期，皆較前期時快速收斂回均衡，這部分的圖形並沒有放進論文內，有需要者請向作者聯繫。

[圖2]為滬港通前衝擊反應分析(註9)。我們發現當 A股與 H股報酬受到衝擊時，都會使 A股

的 CSSD呈現顯著的負向變動，即報酬與風險間存在不正常的負向關係，H股的 CSSD則呈現理

性定價關係的正向變動。A股與 H股 CSSD受到衝擊時，亦會使 A股與 H股 CSSD呈現正向變動。

-0.0030

-0.0020

-0.0010

0.0000

0.0010

0.0020

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to RH

-0.0030

-0.0020

-0.0010

0.0000

0.0010

0.0020

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to RA

-0.0040

-0.0030

-0.0020

-0.0010

0.0000

0.0010

0.0020

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to RH

-0.0040

-0.0030

-0.0020

-0.0010

0.0000

0.0010

0.0020

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to RA

-0.0020

0.0000

0.0020

0.0040

0.0060

0.0080

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to CSSDH

-0.0020

0.0000

0.0020

0.0040

0.0060

0.0080

1 2 3 4 5 6 7 8 9 10

Response of CSSDH to CSSDA

-0.0020

0.0000

0.0020

0.0040

0.0060

0.0080

0.0100

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to CSSDH

-0.0020

0.0000

0.0020

0.0040

0.0060

0.0080

0.0100

1 2 3 4 5 6 7 8 9 10

Response of CSSDA to CSSDA

圖3 滬港通後衝擊反應分析

[圖3]為滬港通後衝擊反應分析。其中，A 股與 H 股報酬受到衝擊時，與滬港通前期相同都

會讓 A股的 CSSD呈現顯著的負向變動，與滬港通前期不同的是，H股的 CSSD對 A股報酬的衝

擊呈現顯著的負向變動，也就是 H 股市場對 A 股報酬的衝擊出現從眾向市場輿論的平均個股報

酬離散程度縮減之現象。A股與 H股 CSSD受到衝擊時，亦會使 A股與 H股 CSSD呈現的正向變

動，與滬港通前期不同的是，受另一個市場風險變動而變動的幅度增加。

接著，利用預測誤差變異數分解來瞭解體系內每一個隨機干擾項對於 VAR 體系內變數的相

對影響大小，亦即各變數在解釋某一變數的預測誤差之變異時的相對貢獻率。[表4]為滬港通前後

期20天變異數分解結果。我們發現相較於滬港通前，滬港通後 A股與 H股市場的 CSSD受到對方

市場的 CSSD 的影響分別提高到11.2035%與8.9679%，其次受對方市場報酬變動的影響也大於受

自身市場報酬變動的影響，也就是 A 股的 CSSD 受 H 股市場報酬的影響大於 A 股市場報酬；反

之，對 H 股的 CSSD 亦然。滬港通後 A 股市場報酬之20天變異受 H 股市場報酬變動的影響提高

45


到46.5979%，相較於滬港通前其自身的解釋力達97.6638%的狀況大為不同；反之，滬港通後 H

股市場報酬之20天變異受自身的解釋力為93.5266%。由於滬港通的實施初期，北向的資金規模遠

超過南向的資金，導致滬港通後 H股可以解釋 A股市場的報酬變動能力由前期的1.1808%提高至

46.5979%，H股市場不再是衛星市場，對於 A股市場的價格變化存在關鍵性的影響。國際資訊傳

遞透過 H股市場能更快速影響 A股市場。

表4 滬港通前後期20天變異數分解

Past periods CSSDH CSSDA ,Hm tR ,

Am tR

Panel A滬港通前 CSSDH 20 84.1840 3.5289 9.1602 3.1269 CSSDA 20 1.3427 82.7419 3.2101 12.7053

,Hm tR 20 1.1977 1.4487 65.4171 31.9365

,Am tR 20 0.4669 0.6885 1.1808 97.6638

Panel B 滬港通後 CSSDH 20 81.9704 8.9679 2.2945 6.7672 CSSDA 20 11.2035 75.5012 9.4602 3.8351

,Hm tR 20 4.0177 1.4029 93.5266 1.0529

,Am tR 20 2.4402 0.2998 46.5979 50.6621

註：依照 VAR Granger Causality/Block Exogeneity Wald檢定決定研究變數的外生性。因為排序在前的變數，

會影響同期排序在後的變數；而排序在後的變數，並無法影響同期排序在前的變數，故在模型內會因變

數的排序不同，而影響到分析的結果。滬港通前的變數 Cholesky順序為 A tmR , , CSSDH, CSSDA, H tmR , ，也

就是依外生性高低排序。滬港通後的變數 Cholesky順序為 H tmR , , A

tmR , , CSSDA, CSSDH。

伍、結論

滬港通打開了中國大陸市場的大門，加速中國大陸金融市場自由化的腳步。本研究主要探討

上海 A股與香港 H股市場間從眾行為在市場極端變化期間、金融海嘯期間與滬港通前後之變化。

首先，參考 Yao et al. (2014)提出一般化 CCK模型進行兩市場不同期間與極端情況時從眾行為的

探討；其次，進一步利用 Chuang et al. (2009)分量迴歸模式偵測上海 A股股價報酬離散各分量分

配與總合市場變動之關係，在何時會存在從眾行為；最後，根據向量自我迴歸之衝擊反應與預測

誤差變異數分解，探討滬港通前後 A股與 H股間風險與報酬的連結變化。

本研究之重要發現有：上證 A股市場在市場上漲時，大盤跌深時與市場高波動期間存在從眾

46


向市場輿論的現象；在市場投資人情緒低落與大盤過熱時，存在 Gebka & Wohar (2013)提出偏離

國內市場輿論的負向從眾行為。H股市場在全期間存在負向從眾行為，僅在投資人情緒低時存在

從眾行為。比較次級房貸，歐債危機與滬港通期間，兩市場從眾行為的變化，我們發現 A股存在

從眾向市場輿論的現象漸漸消失，H股市場偏離市場輿論的負向從眾行為越來越明顯。相較於滬

港通前，滬港通後兩市場資訊傳遞速度提高，風險與報酬受對方市場的影響幅度提高。本研究的

重要投資意涵為透過滬港通，H股市場報酬與風險對於 A股市場的影響程度提高。

參考文獻

1. Baker, M., J. Wurgler and Y. Yuan (2012), “Global, Local, and Contagious Investor Sentiment,”

Journal of Financial Economics, 104, 272-287.

2. Balcilar, M., R. Demirer and S. Hammoudeh (2012), “Market Regimes and Herding Behavior in

Chinese A and B Shares,” Working Paper.

3. Bikhchandani, S. and S. Sharma (2001), “Herd Behavior in Financial Markets: A Review,” IMF Staff

Papers, 47, 279-310.

4. Blasco, N., P. Corredorb and S. Ferreruela (2011), “Does Herding Affect Volatility? Implications for

the Spanish Stock Market,” Quantitative Finance, 12, 311-327.

5. Blasco, N. and S. Ferreruela (2008), “Testing Intentional Herding in Familiar Stocks: an Experiment

in an International Context,” The Journal of Behavioral Finance, 9, 72-84.

6. Chang, E. C., J. W. Cheng and A. Khorana (2000), “An Examination of Herd Behavior in Equity

Markets: An International Perspective,” Journal of Banking and Finance, 24, 1651-1679.

7. Chiang, Thomas C. and D. Zheng (2010), “An Empirical Analysis of Herd Behavior in Global Stock

Markets,” Journal of Banking and Finance, 34, 1911-1921.

8. Chiang, Thomas C., J. Li and L. Tan (2010), “Empirical Investigation of Herding Behavior in

Chinese Stock Markets: Evidence from Quantile Regression Analysis,” Global Finance Journal, 21,

111-124.

9. Chiang, Thomas C., J. Li, L. Tan and E. Nelling (2011), “Dynamic Herding Behavior in

Pacific-Basin Markets: Evidence and Implications,” Working Paper.

47


10. Chuang, C. C., C. M. Kuan and H. Y. Lin (2009), “Causality in Quantiles and Dynamic Stock

Return-Volume Relations,” Journal of Banking and Finance, 33, 1351-1360.

11. Demirer, R. and Ali M. Kutan (2006), “Does Herding Behavior Exist in Chinese Stock Markets?”

Journal of International Financial Markets, Institutions and Money, 16, 123-142.

12. Demirer, R., Ali M. Kutan and Chun-Da Chen (2010), “Do Investors Herd in Emerging Stock

Markets?: Evidence from the Taiwanese Market.” Journal of Economic Behavior & Organization,

76, 283-295.

13. Economou, F., A. Kostakis and N. Philippas (2011), “Cross-country Effects in Herding Behavior:

Evidence from the Four South European Markets.” Journal of International Financial Markets,

Institutions & Money, 21, 443-460.

14. Enders W. (2004). Applied Econometric Time Series. Wiley, 2004.

15. Galariotis, E. C., W. Rong and S. I. Spyrou (2015), “Herding on Fundamental Information: A

Comparative Study,” Journal of Banking and Finance, 50, 589-598.

16. Gebka, B. and Mark E. Wohar (2013), “International Herding: Does it Differ across Sectors?”

Journal of International Financial Markets, Institutions and Money, 23, 55-84.

17. Gleasona, K. C., I. Mathur and Mark A. Peterson (2004), “Analysis of Intraday Herding Behavior

among the Sector ETFs,” Journal of Empirical Finance, 11, 681-694.

18. Griffin, John M., F. Nardari and René M. Stulz (2007), “Do Investors Trade More When Stocks

Have Performed Well? Evidence from 46 Countries,” Review of Financial Studies, 20, 905-951.

19. Hwang, S. and M. Salmon (2004), “Market Stress and Herding,” Journal of Empirical Finance, 11,

585-616.

20. Lam, K. S. K. and Z. Qiao (2015), “Herding and Fundamental Factors: The Hong Kong

Experience,” Pacific-Basin Finance Journal, 32, 160-188.

21. Lao, P. and H. Singh (2011), “Herding Behavior in the Chinese and Indian Stock Markets,” Journal

of Asian Economics, 22, 495-506.

22. Lin, A. Y., L. S. Huang, and M. Y. Chen (2007), “Price Comovement and Institutional Performance

48


Following Large Market Movements,” Emerging Markets Finance and Trade, 43, 37-61.

23. Newey, W. and K. West (1987), “A Simple Positive Semi-Definite, Heteroscedasticity and

Autocorrelation Consistent Covariance Matrix,” Econometrica, 50, 703-708.

24. Tan, L., T. C. Chiang, J. R. Mason and E. Nelling (2008), “Herding Behavior in Chinese Stock

Markets: an Examination of A and B Shares,” Pacific-Basin Finance Journal, 16, 61-77.

25. Yao, J., Ma, C., and W. P. He (2014), “Investor Herding Behavior of Chinese Stock Market,”

International Review of Economics and Finance, 29, 12-29.

關鍵詞

從眾行為、股票市場、市場極端、金融風暴

49


The Herding Behavior of Shanghai A Shares and H Shares Market during extreme market movements and Shanghai-Hong Kong Stock Connect

‧Yih-Wenn Lai Associate Professor, Department of Finance, Ling Tung University, Taiwan

Abstract This paper studies the herding behavior between the Shanghai A-share and Hong Kong

H-share markets in extreme market conditions as well as financial crisis and Shanghai-Hong Kong

Stock Connect (SHKSC) periods. In addition, the relations of risk and return between two markets

during SHKSC are explored. We find that in A-share market, herding is more pronounced in the up

market, extremely negative bias and high volatility states. While H-share market exist obvious negative

herding behavior mentioned by Gebka & Wohar (2013), herding occurs only when there is a lack of

liquidity. Compare with periods of US subprime mortgage crisis, European debt crisis, and SHKSC, the

herding behavior of A-share market decline over time, but negative herding behavior of H-share

increase. Finally, the degree of influence of the H-share market on the A-share market increases after

the introduction of SHKSC.

Keywords：Herding Behaviors, Stock Market, Extreme Market, Financial Crisis

上海 a 股與 h 股市場從眾行為之 探討－以市場極端變化與滬港通 … ·...

Documents

上海 a 股與 h 股市場從眾行為之探討－以市場極端變化與滬港通 … ·...