文摘

本文以2018 - 2019年股票回购案例后,新公司法的颁布为研究对象。使用定性比较分析方法和PSO-ICA-GARCH模型,分析了影响因素的股票回购公告的市场反应。通过溢价程度的分析(DP)、回购比率(RR),总资产的自然对数(LAS),净资产收益率(ROE)前十名股东权益比率(CR10),和高管持股比例(实验室),发现高汽车股票回购效应的路径包括回购clause-oriented类型和centralization-proportional匹配类型;nonhigh汽车股票回购效应的路径包括size-premium限制类型,profit-proportion限制类型和回购条款限制类型。分离与GARCH模型相比,它具有更高的准确性和更精确的模型预测效果。

1。介绍

目前,股票回购已逐渐成为上市公司的一种工具和手段来管理市场价值,维护股东的利益。股票回购公告代表上市公司承认自己的股票的价值,也是一个“承诺”市场投资者(1]。股票回购能否实现股价的稳定和促进股价被低估的返回值是一个值得研究的问题(2,3]。

主要的多元波动模型包括BEKK模型和恒定值条件相关数量(CCC-GARCH)模型(4)和动态条件相关系数(DCC-GARCH)模型(5]。提出了一种新的GICA-GARCH模型,结合了ICA和多元GARCH (MGARCH)模型(6]。

本文使用定性比较分析的方法来研究股票回购240例在中国上海和深圳市场从2018年到2019年从配置的角度分析和探讨了互动和相互匹配关系股票回购公告效应的影响因素。通过配置高的影响分析和nonhigh累积超额收益(汽车)股票回购公告,它提供了一个基础的行为选择和参考证券监管部门、上市公司和投资者的支持。

本文的其余部分组织如下:部分2讨论了影响分析股票回购公告。研究股票回购公告从配置的角度分析讨论了部分3。部分4显示了数据分析和部分5总结了论文的总结和未来的研究方向。

2。效应的分析股票回购公告

股票交易的推出以来,中国证券市场的法律体系和运行机制不断改善和改进(7]。回顾历史的证券市场,股票回购市场的发展可以分为三个阶段之前,期间和之后的股权分置改革。每个阶段的基本特点和性能如表所示1。

表1
上市公司股票回购的发展。

中国的股票回购仍有以下缺点:(1)现有的市场适应性研究是不够的。在中国股权分置改革完成后,股票回购的市场化过程继续发展(9]。特别是近年来,与建设相关的法律体系,市场机制不断完善,股票回购是在一个新的历史阶段。大多数现有的股票回购的研究都是基于非流通股股票回购,回购协议的案例研究,是零星和分散10]。(2)没有足够的研究方法的创新。除了定性分析和研究,主要使用传统的回归分析方法进行定量实证研究(11]。基于“网络效应”的思考,假设每个变量的影响是“线性和添加剂”来计算每个独立变量。有不重叠的贡献因变量的变化;然而,评估技术用于线性加法模型通常有缺陷在估算复杂交互作用(12]。事实上,股票回购的公告效应必须是一个经济现象多个变量的协同和总和。

上市公司股票回购的主要原因包括以下几点:(1)防止控制下降;(2)实施收益管理;(3)调整资本结构;和(4)信号传输13]。一般来说,宣布由上市公司股票回购可以促进公司的股价大幅上升,带来积极的市场反应14]。

影响股票回购公告的影响的因素可以概括为三类:(1)公司治理:主要研究变量是股权集中,高级管理人员的持股比例,管理股权的承诺15)等;(2)财务状况:主要研究变量包括公司规模、账面价值,债务比率,市盈率,资本支出(16];和(3)回购条款:主要研究变量是回购比例,保险费率,等。例如,基于股票回购数据在美国,加拿大,和其他市场(17),发现回购比率,回购溢价比率,资产负债率的变化,管理层持股比率,和累计超额收益呈正相关。中国的上海和深圳市场的研究发现,高管持股比例,提出回购比例,管理股权质押比率、股权集中和增长能力都有一个积极的关系与回购效应(18]。

3所示。研究股票回购公告从配置的角度分析

3.1。股票回购公告效应的框架设计

本文打算整合公司治理等因素,财务状况,和回购条款和探索多个并发路径因素和复杂的因果机制的影响的差异不同的公司的股票回购公告,即如何链接各种前提条件变量和如何与股票回购,采购公告效应。

股票回购公告效应的框架如图1。我们分析的影响公告通过协同加强该公司的规模,盈利能力,溢价水平,治理结构,回购比例和股权集中度。


图1
股票回购公告效应的框架设计。

根据上市公司的回购公告,股票回购的目的是促进股票价格高于市场。本文选择“累计超额回报(汽车)”作为测量指标的公告效应,也就是说,解释结果变量。本文还选择优质的程度(DP)、回购比率(RR),总资产的自然对数(LAS),净资产收益率(ROE)前十名股东权益比率(CR10),高管持股比例(韩剧)统计数据(19]。

公式的溢价(DP)和回购比率(RR)如下: 在这 提出的回购价格(最高价格), 是在宣布前的一个交易日收盘价, 提出回购的数量(上限),然后呢 的总股本,回购条款。等变量指标,应该选择对回购产生重大影响。有很多项公告上市公司股票回购的,包括股票回购的目的和目的、类型、数量和比例的股份回购,价格(总量或定价原则),时间限制,回购股票的方法,资金的来源,以及相关的股东是否计划减少持有。提出的回购价格和提出回购数量是关键条款,实质上有影响力的方面,也是核心条款的差异不同的上市公司股票回购公告。

3.1.1。总资产的自然对数(LAS)和净资产收益率(ROE)

对于财务状况的变量,通常可以从两个方面选择指标的企业规模和盈利能力。财务状况直接表示为一个公司的水平和结构的资产,负债和所有者权益。它也间接影响公司的资产质量和盈利能力。这是一个静态的资产规模和动态盈利能力的组合。

3.1.2。十大股东权益比率(CR10)

对于公司治理变量,您通常可以从两个方面选择指标:股权集中度和治理结构。原因如下:现代公司治理是基于所有权和经营权的分离。基于经典的委托代理理论,股权集中度和治理结构是公司治理的核心反映。

3.1.3。高级管理人员的持股比率(实验室)

高级管理人员的持股比率包括以下:大股东是否实质性参与公司的经营管理和他们的参与,是否公司的董事、监事、高级管理人员、持有股票等,股权比例的大小,和“两权的分离。”组织的协调方法和操作的下属企业有重大的影响,是公司治理结构的主要方面。

3.2。PSO-ICA-GARCH模型

GARCH模型是财务数据的回归模型,表示为 在这 条件方差, 是一个独立同分布随机变量, 和 是相互独立的, 是标准正态分布(20.]。

GARCH模型有一定的问题。一些学者提出了O-GARCH模型和ICA-GARCH模型。建模时多元股票收益的波动性,O-GARCH模型假定的主要组件是弱相关。在实证分析中,不一致的问题,预测效果与实际情况之间经常会出现。ICA-GARCH模型中的ICA算法收敛精度较低和容易陷入局部优化的问题。PSO-ICA算法结合GARCH模型构建PSO-ICA-GARCH模型可以有效地克服上述问题。

PSO-ICA-GARCH模型首先使用PSO-ICA算法将股票收益序列分解成相互独立的组件,也就是说,如果有一个矩阵和一个 - - - - - -维向量 ,对于每一个时刻 , 和 都是相互独立的,所以,方程(6)持有。然后, 据说是 - - - - - -独立的组件 。此时,条件协方差矩阵 是一个对角矩阵,PSO-ICA算法遵循非高斯分布假设的独立组件,哪个更符合金融时间序列数据返回的特点,然后对每个独立的组件执行单位GARCH建模 ,最后获得条件协方差矩阵 返回序列的 。PSO-ICA-GARCH模型如下: 在这, 是混合矩阵,{ }是独立的组件 是独立分量的方差{ }。

定性比较分析(QCA)是基于技术方法,如设置和布尔代数和结合了定性和定量研究方法的优势探讨前提条件之间的相互作用。

回归分析采用“网络效应”的传统观念,相信每个变量都有自治或独立能力影响程度,强度,或因变量的概率。但当独立变量是相互关联的,单个变量的独特的效果可能会掩盖的相关变量。事实上,社会现象的前提条件通常是相互依存和nonindependent和因果关系是不对称的。因此,解释社会现象的原因,我们需要采取一种全面、综合的方法。定性比较分析可以找到多种因素之间的配置关系和同样的目标不同的路线。

从配置的角度看,回购条件等因素,财务状况,和公司治理没有独立上市公司对股票价格的影响,实施回购,但他们在联系中发挥作用和匹配。各种因素可能会加强或相互抵消。更实际,探索性测试不同条件的“联合效应”因素对股票回购的实现目标,也就是说,我们需要关心的是集体的不同配置之间的关系和结果的影响。

4所示。数据分析

4.1。数据源和数据校准

本文使用fsQCA3.0软件进行数据处理。使用python软件,我们收集和整理755股票回购公告2018年和2019年的网站(http://www.eastmoney.com)。因为股票回购必须股票情况的所有流程已经完成,下面的样品应该被排除在外:(1)那些没有完成回购(包括暂停实施)情况;(2)回购案例,只有在董事会的阶段计划或在股东大会通过,但并未正式启动回购;(3)回购协议等情况下非公开市场;和(4)回购案例之前宣布新的“公司法的颁布。”Finally, this paper obtains 240 public market stock repurchases that have been implemented.

本文以公告日期为每日超额收益的来源和构成了总共16天从原点之前的5个交易日内10个交易日原点后累计超额回报” 。”

基本数据等日常超额报酬率、总资产、净资产回报率,前十名股东权益比率,和高级管理层持股比率从色诺芬数据库和加工手工根据研究要求。的溢价程度上的数据和基于回购公告回购比率计算。

需要调整不同的定性比较分析方法研究变量,也就是说,分配集体成员资格的过程情况的基础上,考虑情况之间的差异。三个锚点(或关键值)的关系,没有关系,交叉点的校准需要根据确定的基本理论和实际知识的研究。设置由校准处理函数是在0和1之间,以确定数据后续分析的基础。

通过测量120个样本数据,汽车价值,DP价值,价值,和罗伊价值数据所示2- - - - - -5。汽车的范围值是-60至40;DP的范围值是50到380;汽车的范围值是-60至40;拉斯维加斯的范围值是10至30;和罗伊的范围值是-60和40之间。


图2
车120个样本(%)的价值。

图3
DP 120个样本(%)的价值。

图4
拉斯维加斯120个样本的价值(元)。

图5
罗伊120个样本(%)的价值。

变量的描述性统计结果和条件变量和校准锚点的值如表所示2。从表可以看出2汽车240年的样本情况下的最大值为38.28%,最小值为-50.1%,平均为2.9506%,标准差为10.0727%。汽车大于或等于8.955%的病例被归类为“完全从属,”小于或等于-2.373%的病例分为“完全非附属的,”和“交叉点”情况下的车值设置为3.2913%。

表2
结果变量和条件变量。
4.2。单因素的必要性分析

定性比较分析要求每个条件都必须单独执行条件配置分析之前测试的必要性。如果某个条件总是存在结果发生时,结果的条件被认为是必要条件(即条件的超集的组合结果)。判断是基于一致性水平高于0.9。的分析 如图6的分析 如图7,具体数据如表所示3。


图6
分析 。

图7
分析 。
表3
单因素的必要性分析。

从数据6和7和表3,可以看出一致性指数的一个前提条件是影响高车或nonhigh汽车公告效应范围从0.4到0.7,最小值为0.408757,最大值为0.673837,所有这些都不超过0.9。这意味着每个单独的前期条件影响高或nonhigh汽车股票回购公告效应。的解释力较弱,和一个前提条件不构成结果的必要条件。因此,有必要考虑所有祖先,探索不同的配置,产生高和nonhigh汽车,分别。

4.3。条件的充分性分析配置

有条件的充分性分析配置的目的是试图找到多个条件变量的配置是否充足条件的结果,也就是说,分析多个前提条件不同组合的配置是否构成一个结果集(高,nonhigh汽车公告效应)。

我们使用fsQCA3.0软件构建一个传统的布尔代数基于真值表240年校准样品箱数据,执行标准化分析,获得有条件的配置,并使用它来解释因果关系的复杂性。本文6条件变量。最初的事实表有64行。有必要设置一致性阈值和频率阈值简化。

设置一致性阈值来消除因素的结合示例案例与逻辑关系集的一致性水平低于阈值。根据设置的一般方法一致性阈值水平,一致性水平阈值设置为0.8。设置频率阈值来消除因素的结合,其出现的频率低于阈值。频率阈值通常依赖于样本容量。原则上,有条件的配置需要支付至少75%的样本。本文将频率阈值设置为2。在此基础上,本文得出两个条件配置高的汽车公告效应(C1, C2),和五个条件配置nonhigh汽车公告效应(N1、N2a N2b, N3a, N3b)。具体条件配置如表所示4。最初的报道表明的影响因素在每个配置的解决方案的结果。独特的报道显示配置的解决方案能够实现的可能性高创新的投资。

表4
配置股票回购公告效应的。

从表可以看出4的一致性指标路径解决方案产生高和nonhigh汽车公告效应的结果是0.8140和0.8206,分别都是大于或等于0.8,表明充分条件相应的高和nonhigh汽车公告效应的结果。解决方案覆盖指标分别为0.1246和0.2843,表明相应的配置条件下可以解释12.46%和28.43%的高的股票回购案例和nonhigh汽车公告效应,分别具体如下:(1)回购condition-oriented类型(C1):没有诉诸其他条件,高溢价回购和高的优越条件回购率可以达到高汽车股票回购公告效应,它可以被定义为回购condition-oriented类型。这条路可以解释7.52%的高汽车股票回购公告效应情况下,和5.93%的高汽车股票回购公告效应情况下只能解释为这条路(2)Centralization-proportionally协调类型(C2):高度的股权集中度和高级管理人员的持股比例反映公司治理的集中程度更高,和高回购比率更符合高级管理人员持有股票的利益。这种实现高汽车股票回购公告效应可以被定义为一个centralized-proportional协调类型。这条路可以解释6.54%的高汽车股票回购公告效应情况下,和4.95%的高汽车股票回购公告效应情况下只能解释为这条路(3)Scale-premium限制类型(N1):在一个小公司,即使上市公司具有较强的盈利能力和高股权集中度(辅助条件),如果没有吸引力的高溢价回购条件,那么我们不能意识到高汽车股票回购公告效应,它可以被定义为一个Scale-premium限制类型。这条路可以解释6.48%的nonhigh汽车股票回购公告效应情况下,和3.75%的nonhigh汽车股票回购公告效应情况下只能解释为这条路(4)Profit-proportionally限制类型(N2a N2b): N2a的两条路径的共同核心条件和N2b ~ ~ RR和罗伊,也就是说,在缺乏高回购率和高水平的盈利能力,它们将显示不服从。高的影响汽车股票回购公告是N2a还辅以高管持股比例低,这可以被定义为一个profit-proportion限制类型。的两条路径可以解释12.93%和10.12% nonhigh汽车股票回购公告效应情况下,分别。的5.1%和1.51% nonhigh汽车股票回购公告效应情况下只能解释为两条路径(5)回购条件限制类型(N3a N3b): N3a的两条路径的共同核心条件和N3b ~ RR和~ DP,也就是说,在缺乏高回购率和高溢价回购,辅以低股权(N3a)或低利润率和低浓度高管持股比例(N3b)将显示nonhigh汽车股票回购公告的影响,它可以被定义为限制回购条件。的两条路径可以解释6.12%和7.92% nonhigh汽车股票回购公告效应情况下,分别。的3.05%和4.78% nonhigh汽车股票回购公告效应情况下只能解释为两条路径。

基于上述配置的比较和分析,潜在的替代关系可以找到以下配置:(1)高汽车公告效应条件配置。有一个潜在的替代关系回购condition-oriented (C1)和centralization-proportional协调(C2)配置,也就是说,在同样的回购率高,结合高控制权利和高层管理股票回购溢价可以互相代替实现高汽车公告效应(2)Nonhigh汽车公告效应条件配置。首先,有一个潜在的替代关系profit-proportion限制类型(N2a N2b)和回购条件限制类型(N3a N3b),也就是说,在回购率的前提下,也是有限的(低回购比率),低溢价回购和低盈利能力可以互相代替实现nonhigh汽车公告效应。第二,有一个潜在的替代关系scale-premium限制类型(N1)和回购条件限制类型(N3a N3b),也就是说,的前提下回购溢价低、资产规模和低回购比可以互相替换实现nonhigh汽车公告效应。

5。结论

本文使用定性比较分析方法和PSO-ICA-GARCH模型分析240股票回购案例在中国证券市场从2018年到2019年,并通过研究五种高7路径和nonhigh汽车股票回购公告效应。我们有以下结果:(1)回购条件优越是最直接的方式来实现高汽车股票回购公告效应。(2)高股权集中度和高级管理人员的持股比例的情况下,回购率高也可以达到一个高汽车股票回购公告效应。(3)有限公司溢价回购,回购率的前提下,公司的规模、盈利能力、股权集中度(只是一个辅助条件)和高级管理层持股比率(只是一个辅助条件)将限制的公告效应的高实现汽车股票回购。下一步是进一步优化模型,使分析更准确和有效的。

数据可用性

使用的数据来支持本研究的结果都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家社会科学基金(15 bgl063)和江苏高职专业领袖中国高端研究基金会(2019号grgdyx073)。