数字迷信会影响A股市场的股价波动吗？

 　摘 要：根据我国A股市场2014年9月至2017年12月的相关月度数据，运用面板回归模型，对数字迷信带来的代码效应与股票价格波动之间的关系进行实证分析，结果发现：在A股市场早期的牛市中，股价波动受到由“数字迷信”引发的代码效应的影响，随后“数字迷信”的作用消失；在中小创板块中，吉利代码对股价波动的影响存在于牛市与慢牛市中，而“晦气代码”的作用只在熊市中得以证实。因此，应深化制度改革，完善上市公司内部治理机制，有序推进注册制，加速“优胜劣汰”，促进我国证券市场的健康发展。 
　　关键词：数字迷信；主观偏好；股票代码；代码效应；股价波动 
　　中图分类号：F830.91 文献标识码：B 文章编号：1674-2265（2018）09-0066-09 
　　DOI：10.19647/j.cnki.37-1462/f.2018.09.011 
　　一、引言 
　　对数字的迷信与偏好可以追寻到商周时代，从《易经・系辞》到《老子》再到《淮南子》，先贤们用数字来阐述他们对自然万物的观察认识，体现了古代人民的哲学智慧。在古代，数字在很多时候也是身份地位的象征，古代帝王尤为喜爱数字“九”。“九五之尊”、“禹收九牧之金，铸九鼎”等，皆是例证。到了明清时期，王公贵族对数字“九”的偏好仍未减弱。例如：天坛圆丘的地面石板，从第一层的九块石板开始，每一层都比前一层多九块石板，且一共铺设了九层。可见，中国人对数字的迷信自古有之且一直持续。 
　　现代社会，人们偏好的数字主要有“6”、“8”①、“9”三��。而数字“4”在主观上受到人们的厌恶。例如：各大移动供应商在提供电信服务时，带“4”的号码往往会提供更多的优惠，而“6”、“8”连号的号码动辄售价上万，甚至上百万；在抽车牌的过程中，抽到“6”、“8”、“9”组合的车牌号，也必须缴纳靓号费，且这些车牌往往拍出高价②等。可见，“数字迷信”现象在当代生活中随处可见。 
　　日常生活中对数字的偏好，必然也会进入金融领域。表1分别统计了A股市场中上证主板市场、深证主板市场与中小创板块各股票代码尾数分布状况。 
　　统计结果显示，截止到2017年12月31日，在上证主板市场上市的股票中，尾数代码为“8”的股票最多，有222家，是尾数为“4”的股票（44家）的4倍之多。而代码尾数为“6”、“9”的股票（分别为167家与178家）也明显多于其他数字。深证主板市场上市的股票中，尾数代码为“8”的股票的数量是“4”结尾的股票的5倍之多。中小板与创业板市场尾数集聚现象不明显，是由于这些板块股票代码决定方式不同导致的。 
　　通过前述分析可知，受到传统文化的影响，上市公司对股票代码的选择上，存在明显的“数字迷信”现象。那么，在二级市场上，投资者在选择股票时，会不会受到股票代码“数字迷信”的影响而对某些股票有特别的偏好或厌恶呢？“数字迷信”现象会不会对股市波动造成特殊影响呢？ 
　　本文可能的创新点与学术边际贡献在于：首先，本文研究了“数字迷信”导致的代码效应与股价波动之间的关系，这在国内外已有文献中，比较少见；其次，过往研究的时间节点最多仅达到2015年，但在最近一个完整的股市周期中，中国股市制度性改革加速，市场投资风格变化很大，本文的研究对象为此次股市周期的相关股票的市场表现；最后，本文在样本的分组上，对过往文献进行了改进。 
　　二、文献综述与问题提出 
　　（一）数字迷信与价格聚类效应 
　　国内外关于“数字迷信”与股票市场之间关系的研究多集中在价格聚类效应（ Price Clustering Effect）上，即在股票的开盘与收盘价中，某些特定的数字出现的频率明显偏高。国内外部分学者对中国股票市场价格聚类效应与股票代码尾数效应的研究中，较具有代表性的有：Brown、Chua和Mitchell（2002）研究了中国香港股票市场中各股票的收盘价格的尾数，发现所有股票的收盘价格中，其尾数为“8”的频次最高，“4”的频次最低，且与其他数字差异显著。Brown和Mitchell（2008）用几乎相同的方法研究了A股市场，也证明了“数字迷信”现象确实存在于中国的有关股票市场。饶品贵、赵龙凯与岳衡（2008）利用A股市场所有股票3个月的日分笔数据，发现A股每笔成交价格中，确实存在“8”多“4”少的现象，并且股价不确定性越高、价格越高、机构投资者关注度越高的股票，价格聚类现象越明显。刘凤元（2008）利用日高频数据，证实了无论在牛市还是熊市，“4”都是最少出现的价格尾数数字。 
　　（二）数字迷信与股票代码效应 
　　早期关于“数字迷信”的研究，几乎都是关注股票价格的尾数特征，对股票的代码效应似乎并不关心。赵静梅和吴风云（2009）首次关注股票代码特征与投资者选股行为及股票收益之间的关系，其研究发现，尾数为“8”的股票上市首日及以后一年的市盈率偏高，但尾数为“8”的股票长期收益率却较低且跌幅较大。但其研究样本时间仅到2005年12月，此时股权分置改革刚刚开始，故其研究结果不一定适用于当前市场。叶成超（2010）研究了股票代码尾数与成交量之间的关系，其认为代码尾数为“8”的股票成交量更大，且对股价的作用是正向的。盛卫锋、张兵和谢世宏（2011）构造了不同股票代码尾数的股票组合，发现“4”组合在牛市情况下的组合收益小于市场必要收益，而在熊市下无此现象。同时，投资者对“6”、“8”、“9”的组合并无特殊偏好。但是，曹森和李宁果（2012）以我国中小板市场为样本，却得到了不同的实证结论，其认为“6”、“8”、“9”的组合具有较高的长期平均收益率与超额收益率，“4”组合的长期平均收益率与超额收益率则相对偏低。造成二者研究差异的原因可能是由股票市值、中国股市的发展变迁、牛熊市的转换等。张顺明和唐唯（2015）通过研究新股上市首日市盈率来研究代码折溢价效应，其利用回归分析与方差分析，得到了A股市场在早期存在代码效应，而现在已经不存在。赵绍阳和王�|（2017）利用描述性统计，研究了2004年以前上市股票的代码效应，其认为代码效应对股票的长期收益产生影响。 　　（三）文献总结与评论 
　　通过对过往文献的梳理，可以发现“数字迷信”确实对A股市场的企业与投资者造成了一定程度的主观影响，研究“数字迷信”对股票市场的影响可以为投资心理学的理论研究提供一定的实证支持。先前学者对于数字迷信的研究成果不多，主要集中在两个方面：一是关注股票价格本身的数字特征，并且从各个角度研究其价格聚类效应，进而分析这种现象可能的产生原因，这些研究的时间普遍较早；另一方面，部分学者进一步关注股票代码尾数的数字特征与股票收益与定价之间的关系，由于各种原因，这些学者的实证结果并不全然相同。 
　　这些学者的研究并没有考虑到如下问题：第一，股票的代码效应仅考虑了尾数效应，并没有排除一些特殊的样本，如虽然结尾为“8”，但与其他数字组合后仍表示不好的寓意。第二，前述文献或单纯区分牛熊市进行比较，或仅选取中小板，或仅研究IPO首日，或直接比较。第三，前述文献关注多为价格聚类或收益状况，没有文献研究股票代码的数字特征是否影响股票的自身波动。 
　　三、理论分析与研究假设 
　　（一）日常迷信对主观偏好的影响 
　　由于文化的惯性与人们对未知不确定性的不安，迷信现象并未完全消除，而且，其主要表现在对数字、颜色、日期等外在因素的主观偏好上（陈永艳、张进辅和李建，2009）。雒焕国（2001）认为迷信是迷信者通过学习获得的一种对涉及自身利害关系的客观事物的认识和体验，是其在所谓的凶吉问题上的知、情、行的有机统一体。孙煦扬和田浩（2016）认为迷信行为的产生与加强是一种因果错觉，一些迷信行为是无意识的，一些甚至是自主选择的。由此可见，在涉及自身经济利益等利害关系时，迷信心理对人的行为与主观认知的影响是潜意识的或者是刻意选择的。而且，往往决策越复杂，其作用效果越强。也就可以说，日常的迷信现象是影响个人主观偏好的重要因素。 
　　（二）行为金融学视角下的股价过度波动谜团 
　　传统的经济学均建立在“理性人”假设的基础上，人们在做出投资决策时，受到约束、偏好和预期的影响。世界各国证券市场上发生的诸多市场现象均无法用经典经济学理论进行解释。经济学界自20世纪70年代起，便将心理学纳入经济研究的范畴，并且从社会文化背景、认知偏差、投资者情绪等诸多角度对经典经济学进行补充与完善。已有文献显示，社会文化背景是影响个人进行经济决策的重要因素，对市场上的各种非理性现象具备一定的解释力（李涛和张文韬，2015）。随后，Shefrin和Statman（1994）创造性地提出了BAPM模型与BPT模型，为行为金融学的发展奠定了基础。后来，Tvede（2003）基于金融心理学的相关理论，将金融市场的特征总结为市场的前瞻性、非理性、混沌性及自我实现性，并从这四个角度研究了大量证券市场的非理性现象，从一定程度上也印证了投资者非理性的主观偏好导致的个人投资行为差异的确是存在的。根据传统金融学的观点，股价等于股票未来红利的现金流的贴现和。但是，在实际的证券市场交易中，股市的波动要远远高于红利的波动。Shiller（1981）是最早对此现象验证并给予行为金融视角解释的经济学家。基于资本的逐利性，股票价格的异常高波动必然在很大程度上是由于市场上投资者在投机逐利、行为认知偏差、投资者个人主观偏好等因素导致的。 
　　一方面，迷信行为很多是无意识的与自强化的；另一方面，行为金融学家们早已从各个方面证明了包括以迷信思想为代表的非理性主观偏好在内的心理因素能够对投资行为产生一定的影响。那么，本文认为可以就此推定：日常迷信的心理现象会导致投资者的非理性行为，进而造成证券市场的异常波动现象。综上，本文提出假设1： 
　　H1：数字迷信会造成A股市场的股价波动异常。 
　　（三）市值效��、牛熊市差异与股价波动 
　　按照传统的投资学理论，小盘股普遍资产规模小、行业地位低，与“蓝筹股”相比，竞争力差，市场关注度低，交投不活跃。但是，纵观A股市场，中小创板块反而普遍更受欢迎，波幅更大，即股市存在 “市值效应”（章晓霞和吴冲锋，2005）。Banz（1981）是最早发现与提出市值效应的经济学家。随后，Fama与French（1992）、Siegel（1998）分别在美股市场上证明市值效应的普遍存在性，但是Schwert（1990）却认为美股市场的市值效应一直在缩小。对于市值效应产生的原因，理论界与实务界的分歧很大，主要观点有三：一是认为小企业财务基数小，财务指标稳定性差；二是由于小市值股关注度低，估值也低；三是认为小盘股更容易被庄家操控，具有较强的“提携效应”与“联动效应”。无论市值效应的形成机制如何，其对股市波动差异性的作用肯定是存在的。另一方面，由于熊市所处的投资环境较差，潜在损失带来的风险较大。而牛市的投资环境较好，获利较为普遍且主要风险仅为收益率波动风险。这种投资环境的差异必然也会造成投资行为与投资心理的差异。市值效应与牛熊市差异带来的波动必然会加剧投资者内心的波动。这种波动正好加重了迷信心理的作用力。据此，本文提出假设2： 
　　H2a：数字迷信对A股市场波动性的影响存在牛熊市差异。 
　　H2b：数字迷信对A股市场波动的影响在中小创板块与市场整体间存在差异。 
　　四、变量的选取与模型的构建 
　　（一）样本范围的选择 
　　1. 本文采用A股市场2014年9月至2017年12月的相关月度数据进行实证分析，理由如下：第一，前人的研究结果，均是基于2015年以前的市场数据，随着近几年中国股市的高速发展，其研究结论可能与现有市场不匹配。第二，样本的时间起始点选择2014年9月是因为2014年9月是中国股票新一轮牛市的起点。从该时间点开始到2017年12月，正好包含了A股市场一个完整的“牛市―熊市―慢牛”的市场周期。第三，由于日高频数据存在严重的聚类效应，会使回归结果失效，且很多数据不易获取，而月度数据虽然时间间隔较长，但是可以通过一定的统计方法，容纳高频数据的大部分信息，故本文选取月度数据进行实证分析。 　　本文将牛市的时间段划分为2014年9月到2015年5月；熊市为2015年6月到2016年2月；慢牛为2016年3月到2017年12月。 
　　2. 赵静梅和吴风云（2009），盛卫锋、张兵和谢世宏（2011），曹森和李宁果（2012），张顺明和唐唯（2015），赵绍阳和王�|（2017）等在研究代码尾数时，仅考虑股票代码的最后一位，并将其作为分组标准。现实中，有很多数字虽然以吉利数字结尾，但本身寓意却很不好。电信公司提供号码优惠时，也是依据号码中是否有数字“4”，而不是尾数是不是“4”。 
　　因此，本文将“吉利”的股票代码定义为：股票代码以数字“6”、“8”结尾且代码中不含有数字“4”。 
　　另外，本文剔除了暂停或者终止上市的公司样本，以及在样本期内发生资产重组，或主营业务与股本规模变化较大的企业样本。但是由于本文的实证过程不涉及相关财务指标，会计准则与报表编制差异对实证结果几乎没有影响，故本文保留了样本中的全部金融行业企业。 
　　（二）变量的选取 
　　1. 个股波动率（volatility）。参考现有文献，个股波动率的衡量主要有以下三种方法： 
　　（1）直接采用个股的对数收益率指标来衡量个股波动率（王�摇⒓托�明和李牧辰，2017等），即： 
　　[volatilityit=lnpit-lnpit-1] （1） 
　　式中[volatilityit]为第i个股票在t月的波动率，[pit]为第i个股票在第t个月的收盘价。 
　　（2）计算个股每日收益率的标准差，并且在取对数后进行月内平均（王朝阳和王振霞，2017）。 
　　（3）利用价格振幅与个股波动率来衡量波动率（谭松涛、崔小勇和孙艳梅，2014等），即： 
　　[volatilityit=lnlnhighid-lnlowid24ln2tradingdayit] （2） 
　　式中[volatilityit]为第i个股票在t月的波动率，[highid]与[lowid]分别表示第i个股票在t月的第d个交易日的最高价与最低价，[trading_dayit]表示股票i在t月的交易日数量。 
　　由于方法（1）构造的指标不能反映当月股价波动较大的情况且数值符号不一致，回归后系数符号意义不大。本文决定采用方法（2）构造个股波动率（volatility）指标进行相关主检验。利用方法（3）构造新的个股波动率指标（volatility_steady）进行稳健性检验。若某只股票该月停牌，则视为波动率为0。 
　　2.“吉利股票”（auspicious）与“晦气股票”（unlucky）。该指标的构建并无相关参考文献，本文借鉴王朝阳和王振霞（2017）等关于上市公司融资融券、涨跌停等变量的构造方法，构造auspicious与unlucky两个虚拟变量。（1）auspicious：若该股票代码尾数为“6”或“8”且股票代码中不包含数字“4”，则取1，其他情况取0。（2）unlucky：若该股票代码尾数为“4”，则取1，其他情况取0。 
　　3. 控制变量。 
　　（1）个股换手率（turnover）。个股换手率指的是某只股票在一定时期内转手买卖的频率，反映该股票在市场上的交投活跃程度，其为成交量与流通股本的比值。一般情况下，换手率与股票波动幅度呈正相关。 
　　（2）个股的流通股总市值的对数（lnvalue）。个股的流通市值指可交易的流通股股数与股价相乘得出的流通股票总价值。它反映了一个上市企业的经营规模与竞争力。考虑到数据的平稳性以及数值本身的相对大小，在进行多元回归前，对其取对数。 
　　（3）沪深300指数月收益率（hushen_index）。相较于其他指数而言，沪深300指数的成分股普遍具有盈利能力突出、成长性好、估值水平低于市场平均水平、蓝筹股多等优点，常被用作市场投资取向的标杆。因此，选取沪深300指数月收益率作为市场基准收益率水平是合理的。 
　　（三）模型的设计 
　　本文的研究目的是验证由“数字迷信”引致的代码效应是否对A股市场的波动造成影响。因此，首先建立“吉利股票”、“晦气股票”和相关控制变量与个股波动率之间的多元非平衡静态面板模型，模型形式如下： 
　　[volatilityit=β0+β1auspicious+β2unlucky+β3turnoverit+β4lnvalueit+β5hushen_indext+μi+εit] （3） 
　　式中：[volatilityit]为第i个股票在t月的波动率，[auspicious]为“吉利股票”哑变量，[unlucky]为“晦气股票”哑变量，[turnoverit]为第i个股票在t月的月换手率，[lnvalueit]为第i个股票在t月的流通股总市值的对数，[hushen_indext]为第t个月的沪深300指数收益率，[μi]为固定效应，[εit]为随机效应。 
　　在分别对本模型进行Breusch-Pagan检验与Durbin-Wu-Hausman检验后，统计量显示，在混合回归与随机效应模型中，选择随机效应模型更为有效，在随机效应与固定效应中应选择固定效应。但是，由于模型中有[auspicious]与[unlucky]两个变量，无法进行固定效应回归。Enders（2016）认为，在此情况下，若每个样本构成的时间序列都是平稳的，则聚类稳健的t统计量也是可信的。本文主要关注[auspicious]与[unlucky]的系数符号及其显著性水平，故认为选择聚类稳健的随机效应模型进行面板多元回归估计也是可行的。 
　　除另有说明外，本文的有关数据主要来自国泰安数据库，部分数据由锐思数据库补足。回归结果均由Stata14MP软件计算得到。�榱吮苊庖斐Ｖ刀曰毓榻峁�的影响，本文对所有的连续变量在1%的水平下进行winsorize缩尾处理。 　　五、实证结果与分析 
　　（一）股价波动率的描述性统计 
　　表2报告了股价波动率的描述性统计结果。本文发现，直观而言，无论是A股市场整体，还是仅中小创板块，“吉利股票”与“晦气股票”分组的标准差均大于A股与中小创两组的标准差，表明“吉利股票”与“晦气股票”两组内的样本股票波动率的波动幅度高于市场平均水平。同时，相较于A股市场整体的样本标准差，中小创板块的样本标准差较大，可以认为中小创板块的股票波动率高于市场平均水平。 
　　（二）基于A股市场样本的多元回归分析结果 
　　为了验证本文的假设H1与假设H2a，对方程（3）分别在牛市、熊市、慢牛三种情况下进行多元回归，表3汇报了此多元回归的结果。回归结果显示，常数项与有关控制变量在绝大多数情况下在1%的显著性水平下显著，模型的总体统计量性质良好。主要研究变量在部分市场周期下显著，各方程的总体统计性质良好。 
　　1. 表3的（a）、（b）两列报告了牛市时间段的回归结果，主变量[auspicious]在1%的显著性水平下显著，[unlucky]也在5%的显著性水平下显著。表明在此时期，A股市场确实存在由“数字迷信”引发的“代码效应”。 
　　变量[auspicious]的系数为负，表明在牛市周期中，“吉利股票”的波动幅度相较于市场整体较小。变量[unlucky]的系数为正，表明在牛市周期中，“晦气股票”的波动幅度与市场整体相比较大。假设H1在牛市中得以证实。 
　　产生这种影响可能的原因有：第一，在牛市市场周期中，整个市场存在“普遍获利性”，市场上绝大多数人都可以获得资本利得，投资者的投资行为也大多较为顺利，投资者信心增强。而“吉利股票”由于代码的特殊性，投资者有可能认为持有这些股票能够给他们带来好运，获取更多的收益，因此，他们更愿意持有而不是频繁地交易这些股票，这些股票的波动幅度自然较小。第二，相比散户，机构投资者拥有信息、资金等诸多优势，尤其是私募机构在行情转暖后，投资力度加大，此时选择“晦气股票”吸筹更为容易，只要有题材，流通盘适当即可，通过其犀利操盘手法，营造出短期巨大赚钱效应，吸引散户跟风，然后高位兑现利好、大幅震荡完成出货，如：300144宋城演艺、300104乐视网，涨幅均在4倍以上。因此，“晦气股票”由于机构与散户投资者的博弈分歧导致交易更频繁，波幅自然更大。第三，在牛市周期出现短暂的下跌时，出于资本安全与“高抛低吸”等投机思维的考虑，投资者在下跌时期卖出股票、控制仓位，以期降低风险，此时，心理默示使其可能会在同等条件下选择持有更“吉利”的股票，而卖出看似“晦气”的股票。这可以从002008大族激光（中小板）、000858五粮液（大盘股）等股票长牛走势明显看出。刘晓星和陈羽南（2017）也证明了对股票高涨的投资热情是其大幅波动的重要因素。因此，牛市的选股偏好与“投资成功的记忆强化”激发的投资热情，在一定程度上导致了股价的异常波动。第四，牛市样本周期为2014―2015年，实体经济发生下滑，上市公司的业绩或多或少出现下滑现象，市场的投资风格由“基本面投资”更多地转向“炒概念”、“炒壳资源”、“炒地图”等投机，这些非理性乃至恶意的炒作，给“数字迷信”等心理因素提供了很大的发挥空间。 
　　综上，由于投资者主观偏好、市场投资风格、市场认知差异、证券市场的制度不完善等因素的存在，导致了牛市中代码效应的存在，以及“吉利股票”与“晦气股票”市场表现的差异。 
　　2. 表3的（c）、（d）两列与（e）、（f）两列分别报告了熊市时间段与慢牛时间段的回归结果。两个主变量auspicious与unlucky虽然系数符号与牛市情况保持一致，但均不显著，表明在此时期，A股市场由“数字迷信”引发的“代码效应”已经消失。实证结果表明，假设H1在熊市与慢牛市场周期中并不能成立，但是假设H2a得以证实。 
　　“代码效应”消失的原因可能有：第一，在熊市与慢牛市场中，市场参与者普遍获利的现象消失，甚至出现普遍性亏损，投资者信心低迷，投资趋于谨慎，机构投资者的投资仓位受到严格控制，选股也更加精细化，此时，代码本身的“好运”并不能成为选股的依据，代码效应对股价波动的影响自然消失。第二，自2016年开始，中国经济开始回暖，上市公司业绩也逐渐好转，市场更加倾向投资业绩好、估值低的前期被市场“错杀”的股票，“数字偏好”效果减弱。第三，中国证券市场最近两年多来，改革的力度逐步加大，也更加注重投资者教育。与此同时，随着IPO改革进程的推进，市场可供选择的投资标的更多，投机行为受到一定遏制，“数字迷信”对投资决策的影响日渐淡化。