天气对我国股票市场的影响

摘要：本文以行为金融学基本研究方法为基础，结合国外对天气与股票收益率之间关系的研究，对我国股票市场与天气之间的关系进行实证研究。实证分析通过采用最小一乘线性回归（LAD）方法建模，同时通过协整检验与异方差检验证明不存在伪回归问题，实证表明我国沪市收益率的变化的确会受到天气变化的影响。

关键词：行为金融；天气；股票；LAD

对股票市场的研究可谓由来已久，各种因素，各种模型层出不穷。但是，从行为金融学的视角，对股票市场与投资者心理之间关系的研究则寥寥无几。行为金融这一方兴未艾的学科，正在金融研究领域扮演着一个越来越重要的地位。

在国外，对天气与股市收益率之间关系的研究，早在10年前就已出现。通过对这些文献的研读，我们发现天气确实对股市的波动造成了不同程度的影响。不同的论文虽研究模型，研究视角不同，但是都认可这一基本逻辑——天气的变化可以通过影响人的情绪，进而影响人的决策，最后导致股市的波动。

本文同样遵循上述逻辑，从实证出发，检验在中国，不测的风云是否真的会带来股市的变动。

一、引论

1. 相关研究简介

关于天气和股市收益率之间关系的研究，早在2002年就已经出现。如Michael， D. 与 B.M.Lucey（2002）根据对爱尔兰股票市场和由天气、生物规律而引起的情绪变化的关系的研究，得出了天气、生物规律会通过影响人的情绪进而影响股票市场的结论。Hirshleifer， D. 与 T. Shumway（2003）检验了从1982年至1997年国际上26个证券交易所其所在地天气是否为晴天（sunny）和股票市场收益的关系，结论为阳光和股市日收益率高度相关。

2. 天气与股票收益率的关系

天气对股票收益率的影响分两步进行：首先，天气的变化会带来人的情绪的变化；然后，由于情绪的变化造成了决策的偏误，从而对投资收益造成影响，即带来了股票收益率的变化。

（1）天气与情绪

基于天气与人体自然生物规律的变量可以在传统资本定价模型中被描述成非经济变量。然而，从哲学的视角分析，天气与生物规律并非中性变量。这些变量的变化被证明对人类情绪有重大影响。例如，Howarth与Hoffman（1984）发现湿度、温度与日照时间对情绪有巨大影响高水平的湿度会带来注意力下降与疲惫增加，气温升高会降低焦虑与怀疑情绪。Hirshleifer与Shumway（2003）研究发现人们在阳光普照时会表现的比较积极，他们可能会更倾向于购买股票。特别的是，他们可能会错误地归咎于他们的好心情而做出积极的经济前景预期。这表明，阳光与股票收益率呈正相关。此外，预测明天将是一个晴朗的天气会直接造成正股价反应。更确切的说，是天气本身造成股价的上涨。

（2）情绪与决策

心理学家Damasio （1994）的研究显示情绪在决策上起至关重要的作用。人们在坏情绪缠绕时倾向于做出非最优的决策。通常地，数据统计结果显示诱发人产生积极情绪的因素通常使人做出比中性情绪时更为乐观的决策，而诱发人产生消极情绪的因素通常会使人做出更为悲观的决策。情绪可以作为信息的假设成立的一个关键因素是情绪倾向于暗示决策，甚至当情绪产生的原因和决策制定的过程无关。Mehra与Sah （2000）通过分析发现小的情绪的波动会带来资本价格的显著波动。Schwarz 与Clore（1983）发现甚至是不相关的暂时性情绪状态在决策制定时也会对长期风险收益的权衡带来影响。Loewenstein（2000）发现在不同时期的感受会造成制定的决策往往促进与通过权衡长期花费和不同行为的收益的决策背道而驰。

因此，我们可以通过以上论述得出结论：人们在天气变化时下会产生情绪的变化，进而在估值上表现得更为乐观或悲观，带来在股票交易决策上的过度反应与反应不足，从而引发股票收益率的变化。

3. 本文的基本研究方法

由以上分析，本文分别从两个数据库选取数据：一是上证指数的数据，选取区间为2012年1月1日至2012年12月31日，从信达证券交易软件中下载，仅采用一年数据的原因如下：2012年初，证监会开始对证券市场进行整改，使得股市制度结构等更具市场活力，即与以前股市有内在差别；2012年上证指数波动较小；采用的LAD分析模型可以很好的克服数据量较小这一问题。二是天气数据，本文选取了我国华北、东北、华南、华东、中原、西南、西北地区代表地：北京、沈阳、深圳、上海、长沙、重庆、兰州的2012年的天气数据，包括日平均温度、日平均湿度。原因为：七大地区基本上将我国气候分成七大部分，即各个区域的气候基本相同，可以仅从其中选取代表地即可；从上海证券交易所（http：//.cn）上查询的交易所会员规模按地区分布2012年12月的数据中，我们发现，上述七个城市在上交所A股有形+无形席位与B股席位之和约占总席位数的67%，对股市的影响性较大，即即使上述七个城市对本地区气候的代表性不强，通过对这七个城市的天气进行分析亦可以获得相对准确的结论。

文章如下部分安排如下：第二部分，对数据的说明；第三部分，模型构建，同时通过检验发现模型是（1，1）阶协整的且无异方差性，因此不存在“伪回归”问题；第四部分，结论。

二、数据的处理

1.股价指数的处理

本文研究所采用的数据是2012年上海证券交易所所有交易日，共243天的交易数据。通过比较分析相关论文的处理方法，与本文需要，即反应指数的变化，本文处理方式为：首先依据每日开盘价与收盘价计算当日收益率，然后取一阶差分，即对数形式来表示收益率的变化。

2.天气数据的处理

由于我国对天气数据有严格封锁，所以无法从官方取得数据。本文数据来源为http：//，该网站数据来源于Best Forecast？系统搜集到的世界各地22000多个私人气象站的数据，数据准确性较高。通过相关资料，我们发现人体最适温度、适度湿度分别为：27*0.618、45%，因此，对天气数据处理方式为：

对湿度的处理数据方式为：

同时，本别对处理后的天气数据取对数，保持与收益率的形式一致。

3.数据的检验

（1）单位根检验

由于文章采用的数据为时间序列数据，为避免出现“伪回归”现象，首先对数据进行单位根检验。检验结果表明，通过采用ADF检验发现自变量与因变量均满足在一阶差分下，在ADF第3个模型中是平稳的。因此，只要模型的残差序列满足0阶单整，那么模型就是（1，1）阶协整的，即不存在“伪回归”。

（2）Pearson相关性检验

本文对这14个变量与上证指数收益率数据进行Pearson相关性检验，本文采纳了Michael， D. 与 B.M.Lucey的数据处理方法，即对数据重新进行最小一乘线性回归（Least Absolute Deviation ，LAD）分析，数据结果如下：

表1：相关性分析

*.表示在5%水平上系数显著，**.表示在1%的水平上系数显著

三、最小一乘线性回归模型构建

1. 模型简介

由于所采用的天气数据仅有一年，且天气时常会有异常波动，因此对含有异常值的数据进行建模和参数估计时，应尽量减少异常数据对模型的影响。如果使用标准的最小二乘法进行预测，由于异常点有较大的偏差，其平方值相对更大。为了压低平方和，会虚增加了残差大的数据对回归线施加的影响，从而异常点会使回归线偏离真实情况，导致回归线准确性较差，最小一乘准则恰好可以克服最小二乘的上述缺点。

设观测数据为X∈Rn× p （n > p） 即样本个数大于变量个数，y ∈Rn×1，线性模型为：

y = [1，X]β + ε…（1）

其中1∈Rn为元素全为1的n维列向量，β∈R p+1为回归系数向量，ε～ N（0，σ2I）。最小一乘线性回归系数β 的估计，需要求解下面的无约束不可微最优化问题：

即要求超定矛盾线性方程组

[1，X]β = y …（3）

的范数极小解。令A = [1，X]，b = y ，β 可以看作两个非负的p +1维列向量u， v之差，令β = u - v，又设ξ，η为非负的n 维列向量，则（3）可以变成一个相容的线性方程组

A（u-v）+（ξ-η） = b …（4）

问题（2） 变为求||ξ-η||1最小的问题，再设0 p +1 ，1 n 分别表示含有p +1个0，n个1的列向量，于是问题转化为求解如下的线性规划问题模型

其中，

使用求解线性规划的算法，求出问题（5）的最优解后，即可得到问题（1）的最优解 β = u* -v*。同时我们也可以发现，对于应用LAD进行估计来讲，拟合优度检验与OLS方法是一致的。

2.LAD模型构建

本文构建的模型为：ln=c+betat×ln（？temp）+betah×ln（？humid）+ε，？表示地区，估计结果为：

表2：系数估计与t检验结果

对模型整体估计性能进行检验。F=0.896384056 P-value=0.0000 R2=0.940397，因此模型估计效果良好。

然后，通过对残差序列进行ADF检验，发现符合模型3，即残差序列为0阶单整序列，模型为（1，1）阶协整，因此不存在伪回归问题。

同时，由于残差序列中包涵着其他影响收益率的因素，可能有异方差性存在，采用Park Test，即模型进行估计，结果表明在统计上非显著，因此不存在异方差性。

因此，从实证角度来看，我国沪市收益率的确与天气情况有关。

四、结论

通过上述分析我们可以得出结论：从心理学、行为金融视角来讲，通过对文献的综述我们发现天气的变化的确会带来情绪的变化，而情绪的变化又会带来决策上的偏差，如过度反应与反应不足，进而造成投资收益率的变化；从实证角度看，我国沪市每日收益率的变化确实会受到天气变化的影响。

参考文献：

[1]Hirshleifer，D.，T.Shumway，.Good Day Sunshine： Stock Returns and the Weather[J].The Journal Of Finance，2003，（3）：`1009-1032.

[2]Howarth，E.，M.S.Hoffman.A Multidimensional Approach to the Relationship between Mood and Weather. British Journal of Psychology 1984，（February）： 15-23.

[3]Krmer，W.，R.Runde. Stocks and the weather： An exercise in data mining or yet another capital market anomaly？[J].Empirical Economics，1997，（4）：637-641.

[4]Michael，D.，B.M.Lucey.Weather，Biorhythms and Stock Returns： Some Preliminary Irish Evidence[R]，2002.

[5]Mehra，Rajnish，Raaj Sah.Mood， projection bias and equity market volatility， Journal of Economic Dynamics and Control，2000（26）： 869-887.

[6]饶育蕾，盛虎.行为金融学[M].北京：机械工业出版社，2011.

[7] 王福昌，胡顺田，张艳芳. 最小一乘回归系数估计及其MATLAB 实现[J]. 防灾科技学院学报，2007，（4）：85-89.