陈孟阳

（河南大学，河南 开封 475004）

自2008年全球金融危机以后，我国股票市场就开始发展迅速。虽然我国股票市场相对西方国家起步较晚，但是具有可观且长期的发展前景。

我国股票市场主要以散户投资者为主，机构投资者相对较少，具有大众参与度高的特点。[1]随着人民可支配收入增加，近些年股票也受到越来越多的投资者关注。股票的波动不仅受宏观政策的影响，而且受企业内部因素和市场的影响。研究股价的影响因素，有利于政府的监管、投资者做出投资决策、企业的风险管理。本文将以A公司为例，通过因子分析和建立多元回归模型来分析其股价的影响因素，以便投资者做出理性投资决策和参考。

一、相关概念及理论概述

（一）部分解释变量的相关概念

换手率：又称周转率，指在一定时间内市场中股票转手买卖的频率，其数值为某只股票的累计成交量与其流通股本之间的比率，是反映股票流通性强弱的指标之一，可以有效地帮助投资者识别一只股票的活跃度。

（不同国家对于换手率的衡量标准不同，我国：换手率=成交量/流通总股量×100% ）

市净率（PB）：公司市价与净资产比。

PB=股价/每股净资产=股票总市值/公司净资产

经营性现金流净额占比：是指现金流量与其他项目数据相比所得的值。该比率用于衡量企业经营活动所产生的现金流量可以抵御流动负债的程度。

（二）分析方法的相关概念

因子分析：是主成分分析的推广和发展，它是将一些错综复杂的变量综合为数量较少的几个综合因子，不仅可以再现原始变量与因子之间的相互关系，还可以根据不同的因子对变量进行分类和降维，是多元统计分析方法之一。

用线性方程可以表示为：

其中x1,x2,x3…xp为p个均值为0、标准差为1的标准化的变量；F1,F2,F3…Fk为k个因子变量，且k

多元线性回归模型：指含有多个解释变量的线性回归模型，用于解释被解释变量与两个及以上个的解释变量之间的线性关系。

其多元回归模型表示为：

其中x1,x2,x3…xp为解释变量，y为被解释变量，ε为误差项。误差项ε需要满足三个条件：均值为零、方差为常数、误差项之间相互独立。

二、实证分析

（一）数据的收集

本文所用数据来源于东方财富网和RESSET金融研究数据库，选取A公司2012年3月—2020年12月期间各季度的财务指标和成交量，以A公司每一个季度最后一个交易日的收盘价作为研究对象。本文将股价作为因变量Y，将成交量、流通股季换手率、季收益率、市净率、每股收益、净利润同比增长、每股净资产、营业收入同比增长、销售毛利、净现金流同比、资产负债率、经营性现金流净额占比、净资产收益率、总资产同比十四个变量作为自变量，分别记为X1,…,X14。

（二）描述性统计分析

由SAS统计软件的结果可以看到，成交量的标准差非常大，可以说明交易量与许多因素有关，比如公司的业绩状况、流通股数量的变化、整个金融市场环境等等。其次，净利润同比增长和净现金流同比的标准差也相对较大。经营性现金流净额占比可以反映企业每个时间段偿还到期负债的能力，其标准差相对很大，离散程度较大，均值也相对较高，因为该指标通常与公司的运营能力、公司规模、公司的主营业务等诸多因素有关，说明该公司运行相对较好。而其他变量分布相对集中，离散程度相对较小。从均值上可以看到：换手率较高说明，A公司股票流通性较强，而股票的交易越活跃，越被投资者所看好；净利润同比增长率也相对较高，说明A公司经营状况较好；经营性现金流净额占比总体水平也较高，说明A公司在抵御负债的能力较强，公司在运营资金周转也比较健康。

（三）因子分析

由于本文选取变量较多，各变量之间可能存在一定的相关性，所以采用因子分析法对多个变量进行降维处理，提取几个能反映大部分信息的主因子。

1．数据检验

在对数据因子分析前，先对这些变量进行检验，来确定原有变量之间是否存在较强的相关关系，如果原始变量之间都是相互独立的，就不可能有共同因子，不能将变量综合。本文通过相关矩阵的结果来判断。

从相关矩阵可以看出， X1和X3的相关性较高，其γ1,3≈0.64，X5和X7的相关性相对较高，其γ5,7≈0.55，X7和X9相关性也相对较高，γ7,9≈0.51，X5和X9的相关性也较高，其γ5,9≈0.61等等；由此说明数据之间具有相关性，所以我们可以对这些变量进行降维处理。

2．构造因子变量

本文采用主成分分析法提取和综合因子。根据碎石图检验准则和特征值准则来确定因子数目。

结合SAS生成的结果，可以看到前四个主成分的特征值大于1，且对应的累计贡献率达到88.28%再根据碎石图和累计贡献图，我们最终可以确定因子的个数为4。

3．使因子变量具有解释性

本文采用的是斜交转轴法对因子载荷阵进行旋转，可以使公共因子更具有可解释性。

从斜转换后的因子载荷矩阵表可以看到，公共因子一共有四个，其中第一个公共因子在X5,X9,X13有较大的载荷，将其定义为F1；第二个公共因子在X1,X3,X8,X12,X14有较大的载荷，将其定义为F2；第三个公共因子在X2,X4,X6,X7,X10有较大的载荷，其中X4在F3和F4的载荷值非常相近，又因为半偏相关矩阵和因子结构的数据都非常相近，以及根据F3和F4包含变量的类别，将X4归于第三个公共因子里，并将第三个公共因子定义为F3；第四个公共因子在X11有较大的载荷，将其定义为F4。

（四）相关性分析检验

通过相关系数矩阵可以看到F3和F4的相关系数相对其他变量的相关系数较大，并且通过了相关性显著性检验，其P<0.05。

（五）构建多元线性回归模型

结合因子分析得出的结果我们可以将股价作为因变量Y，将因子F1,F2,F3,F4作为自变量。建立多元线性回归模型：

方差分析表显示，模型显著性F检验对应的P<0.0001，说明模型有意义，通过显著性检验。

由SAS软件得出的模型拟合信息可以看到，模型拟合度为0.7926，说明总离差的平方和的79.26%被样本回归直线解释，模型拟合效果相对较好。

得到的回归方程如下：

但从上表的数据中看到F3对应的P>0.05，说明F3的系数没有通过显著t检验，β3显著为0，F3包含流通股季换手率、市净率、净利润同比增长率、每股净资产、净现金流同比，说明这些指标对股价没有显著影响。但是参考刘卓著等人的文献提[2]，以及潘宏毅[3]的分析。由于近几年A公司近几年来加大对技术研发的投入，使得盈利指标减少，债务增加，资金流转较为缓慢，所以净利润增长率上表现得不太乐观，且不同的公司发展情况不同。

综上，因为F3系数没有通过显著性检验，所以模型保留F1,F2,F4三个变量并作为因变量，将股价作为因变量Y。

得到的回归方程如下：

模型中各个变量的系数和截距项均通过显著性t检验，即所选取的三个变量均对股价有显著性影响。并且F1的小部分增加可以带动股价近19倍的增加，说明每股收益、销售毛利率、净资产收益率对股价产生正向影响，说明这类指标的数值越高，即可以认为公司经营状况越好，越有利于股价的上涨。F2的系数为13.32，说明F2的小部分增加会引起股价近13倍的增加，即说明成交量、季收益率、营业收入同比增长率、营业性现金流净额占比、总资产同比均对股价有正向影响，即我们在分析股票的同时可以参考成交量的变化以及其他几个财务指标；F4的系数虽然相比前两个变量较小，但是也对股价有影响，即说明资产负债率也对股价有正向的影响。从数据也可以看到A公司的资产负债率相比前几年有所提高，说明该公司的偿债能力也相比之前有所提高。

三、结束语

本文通过因子分析对十四个变量进行降维处理，得到四个公共因子，并对这四个公因子与股价建立多元回归模型，进行回归分析。最后得出结论：每股收益、销售毛利率、净资产收益率、成交量、季收益率、营业收入同比增长率、营业性现金流净额占比、总资产同比、资产负债率均对股价有显著性影响，说明投资者A公司股票时，不仅要关注K线图的走势，还可以多关注这几个财务指标以及成交量的变动，以便做出更好的投资选择。从近两年A公司股价变动和营业收入的变化可以看到，受新能源汽车政策的影响，仅2020年一年，股票的价格翻了三倍，说明A公司开始受到很多投资者的重视，A公司未来还会有更好的发展前景。

本文也存在一些不足，比如流通股季换手率、市净率、净利润同比增长率、每股净资产、净现金流同比对股价影响并不显著，并没有对此展开详细的深度统计分析。但结合潘宏毅的相关文献的结论，并且A公司将大量资金投入到技术研发中，降低了企业的利润，使得其市净率较高。而由于市场的不确定，再加上政策变化，用以上五个财务指标对股价预测会出现很大的不准确性。