文摘
会计盈利能力的研究是由美国著名学者球和布朗在1960年代。近年来,随着市场经济的不断发展,会计法律体系的持续改进和企业会计准则已经促进了研究会计利润在中国资本市场。由于一些客观条件的限制,没有很多有价值的研究成果对会计收益和股票价格变化之间的关系,以及研究方法适用于会计收益的研究仍然需要探索和总结。中国证券监督管理委员会(证监会)要求上市公司发布季度财务会计报告自2002年以来,使用回归分析方法的条件来研究上市公司会计利润是可用的。在这种背景下,本文设计一个向量自回归模型来研究股票价格之间的相关性和会计利润。首先,结合文献和国内外会计利润的研究成果,阐述了会计利润的统计分析。然后,分析了中国上市公司的会计盈利能力从静态和动态角度。最后,根据统计分析会计利润状况和盈利能力的会计信息,会计利润和经济增长的关系,和会计利润信息和股票价格之间的关系,本文总结道。同时,本文展示了如何提高上市公司的盈利能力和投资者如何有效地使用会计收益信息的上市公司股票投资提出相应的政策建议。
1。介绍
会计盈利能力的研究是由美国著名学者球和布朗在1960年代,随着经济的发展,金融和统计技术,实证会计理论的诞生和发展是提升。积极的会计理论在1970年代引发了重大会计革命,和积极的会计研究吸收了经济学和金融学的研究成果1]。因此,研究会计利润在资本市场和会计利润和股票价格变化之间的关系已经进入了一个新的发展西方金融理论的分支。会计利润的问题,会计利润和股票价格变化之间的关系已成为一个主要的研究领域(2- - - - - -4]。研究的理论基础是有效市场理论和资本资产定价理论。这种研究结合金融理论和资本市场不仅丰富了资本市场的理论研究,也为投资者提供了参考,使资本市场股票投资决策和实践。
随着中国市场经济的不断发展,会计法律体系的持续改进和企业会计标准促进了中国研究的深入发展对会计收益在资本市场5- - - - - -7]。在资本市场的快速发展的过程中,仍有许多实际问题:什么是会计利润的状态在财务会计报告中披露的上市公司,会计利润是否上市公司信息披露的信息内容,是否上市公司会计利润与经济增长相关,上市公司的会计利润信息是否与资本市场的股票价格波动,他们之间的关系是什么,哪些是理论界与实务界的一项非常关心这个问题8- - - - - -12]。
上市公司公布的财务会计报告是上市公司会计信息的主要载体。它是传输的主要工具的上市公司会计利润信息;它是一个重要的文档提供的上市公司,以反映上市公司的财务状况在特定时间点和现金流会计期间的经营成果。也是一个全面反映的财务状况,经营成果,现金流量和经营管理水平的上市公司。与此同时,投资者说,也是重要的信息对于投资者来说,股票投资决策。因此,上市公司的财务会计报告披露的会计收益信息进行统计分析和研究会计收益对股票价格的影响有很高的实用价值,也有助于实证会计理论研究的发展13- - - - - -15]。
统计分析的目的会计收益和会计收益和股票价格变化之间的关系,掌握会计收益现状和上市公司的盈利能力和发现之间的关系异常回报和意想不到的收益。在统计分析的过程中,收益需要分解为预期收益和意想不到的收益。资本市场的反应意外的收益是测试的基础资本市场的有效性。进一步分析会计信息的内容,也能做出市场反应的程度和收入反应系数。为了分离出意外的收入,应该首先确认预期收益。自上市公司会计利润没有提前和难以测试之后,可以用于生成一个适当的自回归模型替代变量进行研究。
尽管股票价格之间的相关性分析的作品和会计利润得到了高度重视15- - - - - -17),有一些有价值的研究在这一领域在中国,原因是没有成熟的金融分析师在中国市场和会计理论圆没有研究了适合中国上市公司盈利预测模型。
2。相关的工作
周et al。18)第一次应用范围的概念领域的金融和发现高斯分布是不足以描述资产价格价格时间序列的变化的金融市场。他们提出了一个卡尔(条件自回归)模型,结合范围与GARCH模型,有效地描述范围的动态结构,得出结论,基于范围是CARR模型比传统的GARCH (19]。当评估金融时间序列的时间跨度大,我们应该考虑是否过去的数据的结构与目前的数据是一致的,也就是说,模型是否经历了显著的结构性转变。考虑到这个因素可以改善模型估计的准确性。基于CARR模型,参数随时间变化被认为是当研究周期长(20.- - - - - -22]。基于CARR模型,参数随时间变化被认为在研究期间长时间做一个实证分析台湾股票市场的数据23]。Tsionas和Kumbhakar24)提出了一种时变条件自回归模型来捕捉范围的可能结构调整范围波动。实证结果表明,次贷危机导致的市场波动已从美国市场蔓延到大部分的测试市场。研究不对称的波动也是当前研究的一个重要方面金融市场的波动性。大多数的实证结果表明,因为金融市场波动不对称性的存在,坏消息比好消息更可能导致市场波动,CARR模型的基础上,研究人员描述资产价格区间的动态结构上升趋势和下降趋势,分别以描述不对称行为在金融市场25- - - - - -27]。
随着经济全球化和金融一体化的加速,全球金融市场正在发生根本的结构性变化,激发人们学习的相关性和金融市场之间的相关程度。相关函数引入GARCH模型族,和Copula-GARCH模型建立了动态分析金融变量之间的相关性(28]。卡瓦略和Safadi [29日]进一步讨论连系动词的意义理论对金融市场风险分析的基础上,以前的研究并提出有条件的相关函数的概念和应用验证。莫等。30.]介绍了相关函数应用到金融市场波动率相关分析并结合相关函数与GARCH模型来研究金融时间序列的自相关结构。基于介体理论和风险理论的结合,var-Copula模型,股票指数与成交量之间的相关性和结构进行了讨论(31日]。本文建立了多元Copula-GARCH半参数模型来分析中国开放式基金市场投资组合的风险。此外,相关函数之间的关系和其相应的肯德尔秩相关系数,斯皮尔曼等级相关系数,尾部相关系数进行了研究。介绍了相关函数是如何应用到金融市场波动率相关分析和结合相关函数与GARCH模型来研究金融时间序列的自相关结构(32]。
从上述分析,我们知道上述方法研究股票价格之间的相关性分析和会计利润在某种程度上,但仍然存在一些问题。另一方面,没有学者应用向量自回归模型这一领域到现在,所以这里的研究仍然是一个空白,具有重要的理论研究和实际应用价值。
本文的贡献如下:(1)第一次使用向量自回归模型来描述股票价格之间的相关性和会计利润。特别是,相关函数和卡尔模型相结合来研究上海证券指数和道琼斯指数之间的相关性,以及这两个市场之间的相关性进行了分析。(2)此外,长期数据应该被选为研究样本的波动性,从而更全面反映了中国股市的波动性和相关性特征。
本文由五个部分组成。第一和第二部分的研究现状和背景。第三部分是提出相关分析模型。第四部分展示了实验结果和分析。介绍了本文的实验结果进行了比较和分析有关比较算法。最后,第五部分总结了论文全文。
3所示。提出相关分析模型
3.1。CARR模型
卡尔的形式模型相似的GARCH模型,卡尔(P, Q)模型如下公式所示: 在哪里代表了股票价格的自然对数在阶段 。 代表了条件期望的预测范围内在t当所有信息设置期之前就已经知道了吗 。条件期望的预测范围内在期 。
是干扰项。其分布都要遵循的分布密度函数f与一个单位的意思。代表不确定性因素的存在范围,也可以代表初始水平的范围。是滞后系数范围,它可以代表的均值范围带来的短期影响条件。是滞后系数范围条件的意思是,它可以代表带来的长期影响范围条件的意思。卡尔为了满足稳定条件的模型与一个极端的长期条件,下列方程应满足:
这是一个指标反映的持续波动。这个指标是1,越接近越强的持续波动,当干扰项服从指数分布,卡尔的对数似然函数表示为模型
威布尔分布是一个精神上的指数分布,当服从威布尔分布,卡尔的对数似然函数表示为模型
3.2。GARCH模型
在金融市场波动性的研究,GARCH (P,问)模型已广泛应用,其模型形式如下: 在哪里代表的返回率股票价格在时间的自然对数t。预测的方差吗在前一时期根据过去的信息,即条件方差。从条件方差方程,可以看出,当前时期的预测方差将受到长期的意思(常数项的影响 )和前一时期的预测方差(GARCH术语)和波动的信息在前面的观察(拱项)。
表示随机事件的短期影响波动,和是一个随机事件的长期影响的指标波动。他们还必须满足以下约束条件:
当残余项服从正态分布的GARCH模型,对数似函数形式的GARCH模型
3.3。分析会计利润的总体情况和变化趋势
根据2017年度报告披露,9家公司撤销超过5亿元的商誉减值,和3家公司撤销商誉减值的超过10亿元。从2015年到2020年,商誉减值损失的总量被a股上市公司10.67亿元,16.06亿元,26.21亿元,79.23亿元,101.37亿元,363.39亿元。为了直观地分析的范围和发展趋势认识商誉减值损失的a股上市公司从2015年到2020年,本文将分析经济损失的总量和增长率的变化从不同年份的角度来看,经济损失和特定的结果如图所示1:
从图可以看出1,目前的总经济损失提供了一个增加的趋势。这主要是由于并购的浪潮的出现,而间接影响商誉减值规模的变化。2017 - 2019年期间资本市场并购的高峰期。大量的企业已在合并过程中,和他们的总经济损失不断扩大在随后的测量由于经济形势,业务问题,赌博协议。相比之下,2016年的总经济损失16.06亿元,扩张的速度五年的经济损失是惊人的,这也显示了需要关注经济损失。2017年,经济损失达到202.29%的年增长率,和金融减值损失的数量增加了近两倍。2019年,年增长率的经济损失减少,这是由于并购活动的逐渐冷却。金融障碍的年增长率在2020年再次达到顶峰。
此外,由于并购频繁发生并被广泛在中国a股上市公司中,和企业参与并购发生在所有行业。然而,由于每个行业的操作环境,有不同的商业模式和不同行业的独特特点,和不同行业的财务损失的性能也不同。在本文中,根据中国证监会的标准来看,上市公司与金融损失从2015年到2020年被行业杰出,和不同行业的财务损失的现状进行比较,如图2。
从图可以看出2,不同行业的财务损失差异很大,其中制造业,它占据了,有一个六年来金融损失近324亿元,占总经济损失的57%。制造业是最基本的和稳定的行业在中国的经济发展,和制造业上市公司的比例也是最高的上海和深圳股票市场。信息传输、软件和信息技术服务业排名第二,其更高的经济损失主要是与其他行业的特点有关。同样,文化、体育和娱乐业也有一个高估值,经济损失为19.39亿元,这表明企业商誉行业认可的高估值是在更大的经济损失的风险。通过上述分析商誉减值的现状在中国,可以得出结论,总经济损失显示了一个每年增序列,不断扩大。总经济损失达到一个小高潮,2015年迎来了经济损失在2017年爆发的时刻。目前,高经济损失的确认已不再是少数人的经济行为的企业。金融损失不断扩大的规模表明,经济损失起着重要的作用在企业本身,投资者和股票的市场价格,也充分表明,本文的研究是非常重要的。
4所示。实验结果和分析
4.1。介绍了数据集
在本章的日常数据上证综合指数和道琼斯指数从1月4日,2002年6月17日,2014年,选择进行研究。两个索引的数据被排除在不相容的日期。整理后,总共有2913每日数据极端差异上观察到的2008年9月14日,和雷曼兄弟宣布破产保护的法律文件准备文件,这是全球金融危机爆发时的时间点。样本数据分为两个部分,A和b的数据节从1月4日,2002年,2008年9月12日。部分B中的数据覆盖从9月16日,2008年,2014年6月17日。
为了验证该方法的有效性在机器翻译、实验硬件环境是英特尔(R) (TM)核心i7 - 8550 u @ 1.80 GHz CPU 8.0 GB内存、512 GB的SSD, Windows 10专业操作系统模型的训练和测试使用谷歌开源Tensorflow深度学习框架,和实验数据分析软件环境和测试环境Pycharm 2018专业版。
4.2。实验结果分析
在这个阶段,每周数据上证综合指数和道琼斯指数从9月16日,2008年6月17日,2014年,在B部分选择的研究,和两个指标的数据不对应日期删除。整理后,共有269每周数据极度贫穷的观察值了(17]。
表1是ECARR模型的估计结果与不同滞后订单。从表中,可以清楚地看到,大多数的系数ECARR(1,2)模型和ECARR(2, 2)模型在5%的显著性水平,不重要,ECARR(2, 1)模型和ECARR(2, 2)模型不显著ECARR(2, 2)模型也有负系数和常数项ECARR(1,1)模型也不能通过零假设,因此不能适应示例数据。本文试图消除ECARR模型的常数项和使用ECARR模型常数项不符合样本数据。
它可以清楚地看到从表1ECARR大多数系数(1,2)模型和ECARR(2, 2)模型在5%的显著性水平不显著,有负系数的ECARR(2, 1)模型和ECARR(2, 2)模型;的常数项ECARR(1,1)模型也不能通过零假设,因此不能适应样本数据。本文试图删除的常数项ECARR模型并使用ECARR模型常数项的示例数据。
表2ECARR模型的估计结果与不同延迟订单的常数项删除。从表中,可以清楚地发现,大多数的系数ECARR(1,2)模型没有常数项不显著,不包括当显著性水平为5%。ECARR的系数和常数项(1,1)模型具有重要意义,因此,ECARR(1,1)模型常数项不符合样本数据更好。
从表可以看出3WCARR的对数似然函数模型与不同滞后订单不会改变明显,这意味着模型并不与解释变量的增加显著提高。的P值是0.3127。此外,P价值的20 WCARR(2,1)模型是0.2449,和P值2 WCARR(1,2)模型是0.2079。在显著性水平为5%的情况下,参数估计结果不显著,所以WCARR(1,1)模型是采用更合适的估计波动。
从表可以看出4WCARR的对数似然函数模型与不同滞后订单在WCARR变化不明显(2,2)模型。的P值2 WCARR(2,1)模型是0.3004,和P值2 WCARR(1,2)模型是0.3217。当显著性水平为5%时,参数估计结果不显著,所以WCARR(1,1)模型更适合估计波动率。
从上述分析中,克莱顿的对数似然值介体和正常的介体相对较大,而Copula-T和甘力克接合部的对数似然值相对较小通过相应的介体功能与体验。可以看到从欧几里得距离平方的相关评价方法和拟合程度反映在每一个相关函数的对数似然函数值,弗兰克相关函数相对优越在描述波动之间的关联度和关联模式的上证指数和道琼斯指数序列(图3)。
从数据可以看出4- - - - - -7,上海股市之间的相关性和美国股市不高的顶部和底部,和相关模型没有明显的特征。
5。结论
关于金融市场波动性的研究是一个重要的领域在金融时间序列分析,随着现代信息技术的发展和持续改善的金融工程的理论和工具,在国际金融市场一体化加快这一进程,这是特别重要的使用科学的测量方法来测量和描述金融市场的波动性。
基于传统的波动率模型和回归模型,本文研究了经济损失和上海证券市场的股票价格,并分析了中国和美国股票市场之间的相关性。此外,股票价格之间的相关性分析和大数据环境下会计利润可能进一步研究的重点。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。