银行业β系数实证研究分析
商业银行系统风险—β系数的测算
商业银行系统风险—β系数的测算随着市场经济的深入推进，商业银行作为经济发展的重要支撑，其经营风险也日益凸显。
尤其是金融危机爆发以来，银行业的风险管理问题变得更加严峻，因此商业银行需要对其风险进行科学评估和监控。
在商业银行系统中，β系数的测算是重要的风险评估工具。
β系数是市场风险的一种度量，它是指某一特定证券的收益率相对于市场指数收益率的变化情况。
当β系数为1时，意味着证券的收益率与市场指数收益率的波动幅度一致，说明该证券的风险与市场风险相等。
当β系数小于1时，证券的收益率波动幅度小于市场指数的波动幅度，风险相对较小。
当β系数大于1时，则证券的收益率波动幅度大于市场指数的波动幅度，风险相对较大。
在商业银行系统中，β系数的测算可以用于评估商业银行的市场风险水平。
商业银行在市场上的表现取决于经济环境、政策环境以及市场竞争环境等因素，这些因素对商业银行的经营表现和风险具有重要影响。
因此，商业银行需要利用β系数测算出其股票在市场中的风险水平，从而制定出科学有效的风险管理策略，以保护银行股东的权益和实现其经营目标。
商业银行的β系数计算需要确定相关因素，如股票价格、市场指数、时间周期以及波动率等，这些因素的不同取值会影响到β系数的大小。
如果商业银行的β系数较大，表明其受市场风险的影响较大，风险也相对更高。
反之，如果商业银行的β系数较小，则其对市场风险的敏感度较低，风险也相对较小。
值得注意的是，β系数并不是确定商业银行风险水平的唯一指标，在实际应用中还需要综合考虑其他因素。
例如，商业银行的业务结构、资本充足率、经营管理水平等也会对银行的风险造成重要影响。
因此，在利用β系数来评估银行风险时，需要综合考虑多种因素，并结合实际情况进行分析判断。
综上所述，商业银行在风险管理方面需要细化分析自身风险状况，选择适合自己特点的风险管理方法和工具。
β系数是衡量商业银行系统风险的重要指标，可以对商业银行系统的风险水平进行评估和监控。
单项资产贝塔系数实证研究
、
Ｓ ｍｐ ｌ ｅ（ ｄｊ ａ ｓ￣ｄ ｕ ） ： ２ ０ ０ ７ Ｍ ０ １ ２ ０ １ ２ Ｍｌ ｌ
Ｉ ｎ ｃ ｌ ｕ ｄ ｅ ｄ ｏ ｂ ｕ ￣ ｒ ｖ ａ ｔ ｉ ｏ ｓ： ｕ ７ １ ｄ ｔ ｅ ｒ ａ ｄ ｊ ｕ ｓ ｔ ｍ ｅ ｎ ｔ ｓ
Ｖ ａ ｒ ｉ ｂｌ ａ ｅ Ｘ Ｒ—ｓ ｑ ｕ ａ ｒ ｅ ｄ Ｃ ｏ ｅ ｆ ｉ ｃ ｉ ｅ ｎ ｔ １ ． ３ ７ ６ ｌ ９ ７ ｎ ４ ８ Ｏ １ ２ ７ Ｓ ｔ ｄ ． Ｅ ｒ ｒ ｏ ｒ ０ ． １ ７ １ Ｏ ２ ７ ｔ —Ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ８ ． Ｏ ４ ６ ６ ９ ０ Ｐ ｒ ｏ ｂ ． ０ ． ０ ０ ０ ０ Ｏ ． ０ Ｑ ５ ２ ６ ８
一
以上数 据进行分析 。 散 点图显示市场收益率与个股 收益率大体呈现线性关系 。故可建 立 简单线性 回归模型 ； （ 三）估计参数 通过 Ｅ ｖ ｉ ｅ ｗ ｓ ６ ．０ 得 以下 回归结果 ：
裹１
Ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ Ｖａ ｒ ｉ ａ ｂ ｌ ｅ ： Ｙ Ｍｅ ｔ ｈ ￣ ：Ｌ ｅ ａ ｓ ｔ Ｉ ｕ ｍ Ｄａ ｔ ｅ：０ ６ ／ １ ３ ／ １ ３ １ － 【 ｍｅ ：２ ０：５ ４
生 相 应 的变 化 。
后期 Ｂ ｒ ｅ ｎ ｎ ｅ ｒ 、Ｓ ｍ ｉ ｄ ｔ （ １ ９ ７ ７ ） 、Ｆ ａ ｅｚ ｂ ｚ ｉ 和Ｆ ｒ ａ ｎ ｃ ｉ ｓ（ １ ９ ７ ８ 、１ ９ ７ ９ ）都 验 证 了 Ｂ遵循均值回归过程 。尽管 Ｋ ｏ ｌ ｂ和 Ｒ ｏ ｄ ｒ ｉ ｇ ｕ ｅ ｚ （ １ ９ ８ ９ ） 提 出了异议 ， 但是众多学者还是根据该假设采用贝叶斯技术对 贝塔系数 进行 了成功 的 预测 ，并就如何降低 预测误差 和处理 Ｂ出现异常值 的情况提出 了建议。 Ｇ ａ ｎ ｇ ｅ ｍ ｉ 、Ｒ ｏ ｂ ｅ ｒ ｔ 和Ｒ ｏ ｂ ｅ ｒ ｔ （ １ ９ ９ ９ ）则站在 国际投资者 的角度 ，用摩 根斯坦利全球市场指数和英 、美等 １ ８ 个国家 的股票 市场指数进行检 验。 发现 国别贝塔 （ ｃ ｏ ｕ ｎ ｔ ｒ ｙ ｅｔ ｂ ａ ）也遵循均值 回归过程 ，从而为度量 国别风 险提供 了有用 的指标 。由此可见 ，如果 贝塔 系数存 在均值 回归 趋势 的 话 ，那么对贝塔系数进行准确 预测将变成可能 。这意味着即使贝塔系数 可变 ，我们仍然可 以利 用 Ｃ Ａ Ｐ Ｍ 进行 组合 投资或 业绩评 价。否 则 的话 Ｃ Ａ Ｐ Ｍ的应用将会受 到很大的限制。 二 、贝塔 系数的计算 根据资本资产定价模型 （ Ｃ Ａ Ｐ Ｍ模型 ） ，Ｂ是 由线性 回归模 式所得 到的回归系数 ，表示资产报酬率与市场报酬间的依存程度 ，反映 了市 场 报酬 变动一个单位时 ，个别资产报酬的变动程度 。贝塔系数 的确定需 要 综合 考虑各种 因素 。现在我们主要讨论两种计算方法 ： 由威廉 Ｆ ．夏普 （ Ｗｉ ｌ ｌ ｉ ａ ｍ Ｓ ｎｔ ｈ ｖ ｅ ） 和约翰．林特勒 （ Ｊ ｏ ｈ ｎ Ｌ ｉ ｎ ｔ ｎ ｅ ｒ ） 提出了资本资产定价模型 （ Ｃ Ａ Ｐ Ｍ模型） ，具体如下 ： Ｋ＝ ＋ （ ． 一 ） 墨— — 第ｉ 种证券的投资报酬率 ； 无风险报酬率 ； 市场的平均报酬率 ； 第ｆ 种证券对市场风险的贡献程度 ； 由此可知 ：（ 晟 是证券 ｉ 的风险程度随市场组合资 产风险程度变 化 的灵敏度指标 ， 是ｃ ＾ ｏ ｍ 蹴 ｓ 斑 ｅ 的斜率 。横轴为市场收益率 。 纵轴为 个股收益率。因而定 义为 ：
《2024年资本资产定价模型的实证研究》范文
《资本资产定价模型的实证研究》篇一一、引言资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是现代金融理论中的基石之一，用于衡量资产预期收益率与风险之间的关系。
该模型为投资者提供了在给定风险水平下如何选择最优投资组合的理论框架。
本文旨在通过实证研究，深入探讨CAPM在中国资本市场的适用性及其实践效果。
二、文献综述前人关于CAPM的研究主要集中在其理论框架的完善和实证检验。
国内外学者通过不同国家和地区的资本市场数据，对CAPM的有效性进行了广泛探讨。
总体来看，CAPM在发达国家市场表现出了较好的解释力，但在新兴市场和转型经济体中，其适用性尚存在争议。
因此，本文选择中国资本市场作为研究对象，以期为CAPM的进一步发展提供实证支持。
三、研究方法本研究采用实证研究方法，以中国A股市场为研究对象，选取具有代表性的股票数据作为样本。
通过计算各股票的β系数、市场风险溢价等因素，对CAPM进行实证检验。
在数据处理和分析过程中，采用SPSS等统计软件进行数据处理和描述性统计分析。
四、数据来源与处理本研究数据主要来源于万得（Wind）数据库，包括各股票的历史收益率、市场收益率、β系数等数据。
在数据处理过程中，首先对数据进行清洗和整理，确保数据的准确性和完整性。
然后，根据CAPM模型的要求，计算各股票的预期收益率、β系数和市场风险溢价等指标。
五、实证结果与分析1. β系数的计算与分析通过计算样本股票的β系数，我们发现大部分股票的β系数均大于零，表明这些股票的市场风险较高。
同时，我们还发现不同股票的β系数存在较大差异，这表明各股票对市场风险的敏感度不同。
2. CAPM的实证检验根据CAPM模型，我们计算了各股票的预期收益率，并将其与实际收益率进行比较。
通过对比分析，我们发现CAPM在一定程度上能够解释股票的预期收益率与风险之间的关系。
然而，在实际应用中，CAPM的解释力受到一定限制，可能受到市场环境、政策因素、投资者心理等多种因素的影响。
我国股票β系数与会计信息关系的实证研究
根据 国内外有 关风险影 响 因素的研究 结果及 相关 财
、
研究设计
务理论 ， 结合我 国证券 市场和 上市公 司 的实 际情况 ， 虑 考 到数据 的可获得 性 ， 设下 列指 标是 影 响系统 风 险的 重 假
要 因素且 与 ８ 系数存在线性 相关性 。
表 １ 影 响因素指标设定表
公 司规模
年度流通 市值的 自然对数
ｌ（ ｎ Ｖ）
本文选取样本 区间为 ２Ｏ ０２年 １ １日——２ｏ 月 Ｏ ４年 １ ２ 月 ３ 选择 １９ １１ ３， ９７年 １ ｌ１前 已在沪 、 月 ３ 深两市公歼上市
－ －— —
Ｘ 盈 利变 动性 ９
＋
前 三年 Ｅ Ｓ Ｐ 的标准差
指标公式 符号 指标 名称 相关性设 定 Ｘ 净资产收益率 １
１ 估计模 型和参数的选择 ．
在 Ｇ 数 的 估 计 中最 为 常 用 的模 型 有 两 个 ： 准 系 标
ＣＰ Ａ Ｍ模型 中的证券市场线和 单一指数模 型 （ 市场模 型 ） 。 标准 Ｃ Ｐ Ａ Ｍ模 型是建立 在一 系列严格 的假 设基 础之 上 的
间的 关系， 并进行 统计检验 分析 。 ［ 关键词 ］１系数 ； ３ 系统风险 ； 会计 变量 ； 实证研 究
［ 中图分类号］ ８ ．１ Ｆ３ ９ ０
［ 文献标识码］ Ｂ
［ 文章编号］１ ２ ２８ （ ｏ）４ ０８ 一 ２ ０ — ８０２ ６ｏ — ０４ ｏ ０ ０
的 Ａ股股 票作 为研 究对象 ， 并对样本 公司做 了如下处 理 ： （ ） 除未能连续 交 易 、ｒ ｐ 类 股票 以及 数据 收集 １剔 ｓ 、ｒ ｒ
正常的平均水平——即市场整体风险。如果投资组合是
上市公司β系数的研究---以我国互联网公司为例(1)
本科学生毕业论文（设计）题目：上市公司β系数的研究---以我国互联网公司为例学院：专业：学生姓名：学号：指导教师：职称：论文字数：字完成日期：2019年11月17日目录摘要 (Ⅰ)Abstract (Ⅱ)一、绪论 (1)（一）研究背景 (1)（二）研究目的与意义 (1)（三）研究现状 (2)（四）本文研究方法 (3)二、研究理论基础 (4)（一）投资组合理论 (4)（二）CAPM理论 (4)三、我国互联网上市公司β系数稳定性分析 (5)（一）β系数稳定性分析基础 (5)1.样本分析 (5)2.数据分析 (6)（二）β系数在不同数值水平下的稳定性分析 (7)（三）β系数在不同时段内的稳定性分析 (8)（四）β系数在不同收益率度量时限下的稳定性分析 (9)（五）β系数在不同市场态势下的稳定性分析 (9)四、我国互联网上市公司β系数影响因素分析 (10)（一）研究变量与研究假设 (10)（二）多元线性回归分析 (11)1.多元线性回归分析定义 (11)2.多元线性回归分析运用 (12)3.多元线性回归模型及矩阵表示 (12)（三）研究结果分析 (13)五、研究结论与对策建议 (14)（一）研究结论 (15)（二）对策建议 (15)文献参考 (16)致谢 (17)、摘要我国自从股票市场开放以来，就在股票市场发展规模与发展速度上获得了相对大的成就，但随之而增的就是我国股票投资的风险性，这就使得我国股票市场的投资风险管理变得具有研究价值，对于如何规避掉股票市场存在问题，提升股票市场价值稳定性研究变得更为重要。
随着我国经济的发展和社会的进步，我国互联网企业上市已经成为了一场新浪潮，形成了可持续发展的经济新体系，但对于新型企业而言观察其系统性风险相对不容易，需要将β系数融入资本资产定价模型中，以上市公司在整体证券市场中产生价格变动的资产数值与影响数量所评判，并将β系数作为研究上市公司风险性的相对重要的指标，与此同时，也将β系数作为上市公司筹资管理，投资管理以及风险管理的主要依照工具。
Beta系数预测与实证检验
βi,t = a + b × βi,t−1, a + b = 1
由历史数据回归得到经验公式 a = 0.343, b = 0.667，在实践中美林公司 (Merrill Lynch) 对 此公式简化，得到 a = 1/3, b = 2/3。
1.3.3 Vasicek 模型
Vasicek (1973,[1]) 提出贝叶斯估计模型来调整 β 系数，即是利用历史 β 系数横截面分 布的信息对 β 系数进行调整，由先验数据得到后验的未来的 β 系数。计算公式如下：
7
总资产增长率
8
股息支付率
9
资产负债率
10
固定资产比率
11
规模
12
历史
I1 流动性因素
I2
估值因素
I3 盈利能力因素
I4 清偿能力因素
I5 成长性指标
I6 成长性指标
I7 成长性指标
I8
分红状况
I9 财务风险因素
I10
经营杠杆
I11 市值，取对数
I12 通过回归得到
Table 1: 选取指标列表
上表中，我们并没有加入行业哑变量，是因为本文处理数据时，是分行业处理的，若 不分行业处理，则如Ronsenberg所建议的那样，加入行业哑变量会使模型更准确。
2.3 历史模型、BLUM 模型、Vasicek 模型预测结果及分析 . . . . . . . . . . . . 9
2.4 Rosenberg 模型预测结果及分析 . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 BP 神经网络模型预测结果及分析 . . . . . . . . . . . . . . . . . . . . . . . . 11
商业银行系统风险—β系数的测算
商业银行系统风险—β系数的测算作者：王一多胡广旗王晴晴来源：《时代金融》2019年第07期摘要：商业银行发生系统性风险的影响是广泛且巨大的，因此防范系统风险的发生对我国商业银行的健康发展和整体经济的稳步具有重要意义。
本文选取了我国15家上市银行，以资产作为权重，用2013-2017近五年的股票周收益率与沪深300指数周收益率进行回归，测算出整个行业的β系数，然后将银行分为国有银行、股份制银行、城市商业银行三个类别，分别测算每个类别的β系数，分析其对整个行业贝塔系数的影响程度，最后提出建议。
关键词：商业银行系统风险β系数一、引言完善金融系统的监管制度和监管办法，防范重大系统性金融风险，是金融领域稳健发展的基本条件，是做好新时代金融工作的前提，也是必须遵循的行动指南。
商业银行是国家金融机构的基础层，同时也是国家进行宏观调控的重要抓手，对社会整个经济活动产生着巨大影响。
其一旦发生系统性风险，守不住底线，经济枢纽崩溃，可能会使国家经济停滞不前，甚至带来毁灭性打击，因此测算商业银行的系统风险对经济发展具有重要意义。
近几年我国处于经济转型时期，“三去一降一补”工作不断推进，银行业在严格监管下也在不断降低风险，借此可以来检验一下我国银行业的工作成果。
二、文献综述金颖通过对β系数进行测算研究商业银行的系统风险，得出银行业系统风险与所有制有关，且差异明显，系统风险虽小于市场风险，但是风险依旧很高，其中股份制商业银行与城市商业银行系统风险大都高于市场风险。
马麟通过构建风险溢出效应分位模型计算VaR的值得到我国商业银行一旦受到冲击，会出现系统性风险溢出效应并且国有控股银行控制风险能力强于股份制银行的结论。
李鹤基于CoVaR度量系统性风险，研究出在经济上行时期，同业业务会减少风险。
近来我国一直提倡去杠杆，金融机构服务实体经济，守住不发生系统性风险的底线。
三、β系数及单因素模型介绍（一）β系数来自于资本资产定价模型，它能够反映特定资产或资产组合所包含的系统性风险，系统性风险是无法通过多样化组合进行分散的在证券市场上，β系数能够解释特定资产或资产组合的价格对市场经济波动的敏感性，即资产或资产组合的价值随市场组合价值的变化程度。
我国银行业贝塔系数与其稳定性分析
１ ． ０ ７ １ １
１ ２ ０ ６ ２ Ｌ ． １ ２ ２ ７ １ ． ２ ７ ６ ８
Ｏ ． １ ８
０ ．１ ６ Ｏ ． １ ０ ０ ．１ ４ Ｉ １ ．１ ９６ ６ ０． ９ ６ １ ６
一
不 同 类 型 银 行 加 权 平 均 肛系数
总市值（ 亿元）
ｌ ７ ４２ ７ ． ２ ５
０估 计 值
０ ． ７ ８ ９ ９
权 重
０ ． ２ ７
加 权 平 均 ｅ系 数 银 行 业 Ｂ系 数
种 证券 投资 组 合 相对 于整 体 市 场 的 波 动 性 。通 过 贝 塔 系
发现， 我 国银行 业 的股 票 市 场 还 不 够成 熟 ， 还 有 很 大 的 提 升
空 间 。对 于政 府来说 ， 应该 丰 富证券 投 资 的 种类 ， 如期 权 、 期 货 等衍 生工具 。同时 ， 还 要 建 立 可 行性 的证 券 监 管 体 系 ， 通 过严 格执 法创 造 公 平 、 公 正 的交 易 环 境 。对 投 资 者 来 说 ， 要 采 取谨 慎 的态 度 ， 进 行合理 投 资 ： 一是 要 积极 进 行 投 资组 合 ， 采取 有效 的分 散化 投资 ； 二 是更 多 地关 注上 市 公 司 自身 的 经
营状况 。 参 考 文献 ：
（ ３ ） 除 了交 通银 行 ８系数 略大 于 １ ， 其他 国有商 业银 行 ８系 数 都小 于 １ ， 说 明 国有 商 业银 行 的系 统风 险 比市 场平 均 风 险 要
小， 同 时也 说 明 国 有 商 业 银 行 具 有 一 定 风 险抵 御 的 能 力 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
上市国有商业银行β系数实证研究分析摘要：随着国有商业银行在我国经济发展中地位的不断提高，对其风险状况进行测定对于银行业自身的稳步发展以及我国股票市场的完善都具有重要的意义。
本文选取我国2 家上市国有商业银行2014年共12个月的月收益率和沪深300 指数进行回归分析，对其β系数进行测算，并就如何降低系统性风险提出了建议。
关键字：国有商业银行β系数回归分析一、理论基础资产的预期报酬率由于受风险因子的影晌，导致实现的报酬并不稳定，这些因子主要分为系统风险和非系统风险。
系统风险是指资产受宏观经济、市场波动等整体性因素影响而发生的价格波动，这种风险是无法在组合投资中被分散掉的那部分风险，是所有投资于证券市场的投资者均要承担的由市场共同因素所影响的风险。
换句话说，就是股票与大盘之间的连动性，系统风险比例越高，连动性越强。
与系统风险相对的就是非系统风险，即由公司因素所导致的价格波动。
而β系数则体现了特定资产的价格对整体经济波动的敏感性。
既然一项资产的期望报酬率取决于它的系统风险，那么如何测算系统风险就成了关键。
通常使用β系数作为度量一项资产系统风险的指标。
β值所反映的是某一投资对象相对于市场整体的表现情况，其绝对值越大，显示其收益变化幅度相对于市场平均水平的变化幅度越大；绝对值越小，显示其变化幅度相对于市场平均水平的变化幅度越小。
如果是负值，则显示其变化的方向与大盘的变化方向相反。
β值可能大于、等于或小于1(也可能是负值)。
当β=1时，表示该资产的风险收益率与市场组合平均风险收益率呈同比例变化，其风险情况与市场投资组合的风险隋况一致，即当市场的报酬变动1％，对应资产的报酬也会变动l％(正向或反向视β正负号而定)。
同理，当β>1时，说明该单项资产的风险收益率高于市场组合平均风险收益率，则该单项资产的风险大于整个市场投资组合的风险；当贝塔<1时，说明该单项资产的风险收益率小于市场组合平均风险收益率，则该单项资产的风险程度小于整个市场投资组合的风险。
对于投资组合来说，其系统风险程度也可以用β系数来衡量，投资组合的系数是所有单项资产β系数的加权平均数，权数为各种资产在投资组合中所占的比重。
具体表示为β=∑X i βi n i=1。
如果一个高β值股票(β>1)被加入到一个平均风险组合中，则组合风险将会提高；反之，被加入到一个平均风险组合中，则组合风险将会降低。
所以，一种股票的β值可以度量该股票整个组合风险的贡献，β值可以作为对这一股票风险程度的一个大致度量。
二、文献综述国外学者Blume 在1971年发表的论文《Beta and Their Regression Tendencies 》 中，对1926 年1 月-1968年6 月在纽约证券交易所上市的所有股票进行深入研究，发现在一个时期里估计出来的贝塔系数是其未来估计值的有偏估计；组合规模越大，其未来的贝塔系数越能被准确地预测。
Levy 在1971 年对1960-1970 年期间在美国纽约交易所上市的 5 0 0 只股票加以研究，通过采用周收益率的数据，以52周为基期，后续期分别为52 周、26 周和13 周得出以下结论：在较短时期内，单一股票的β系数不具稳定性，但组合的β系数稳定性有显著的提高，且随着组织规模的扩大，估计时间的拉长，β系数的稳定性也相应高。
1974年，Baesel 通过应用转移矩阵法，将时间段分为12、24、48、72 与108 个月，分别对1950-1967 年间纽约证券交易所的160 只股票，以月收益率数据横截面回归，进而估计时间段的的长短与单个股票β系数的稳定性呈正相关的结论。
且风险较高或者较低的β系数的估计值稳定性好于β系数适中的股票。
国内学者沈艺峰与洪锡熙在 1999 年发表的论文《我国股票市场贝塔系数的稳定性检验》中，通过应用 Chow 检验法对深圳证券交易所 1996 年的所有上市公司样本数据进行分析研究，得出结论：无论是单个股票还是股票组合，贝塔系数都不具有稳定性，以过去期间的数据估计出来的贝塔系数值无法代表未来的贝塔系数值，说明我国的证券市场系统风险是变动不定和难以预测的。
2000 年，靳云汇与李学在《中国股市β系数的实证研究》一文中，对沪深两市的51 种1992 年以前上市的股票进行了研究，发现股票的贝塔系数随着上市时间增加基本上趋于不稳定，通过贝塔系数的历史数据来预测未来贝塔系数的可靠性是较差的。
刘桂荣于2007年《上市银行系统性风险的实证研究》中，用单指数模型对2003 年1 月1 日至2005 年12 月31日期间沪市浦发银行、民生银行、招商银行、华夏银行四家上市银行的β系数进行实证分析，并给出防范银行系统性风险的对策。
2003 年，马喜德、郑振龙与王保合以上海证券交易所的90家上市公司的数据为样本，对CAPM 模型中的贝塔系数波动性做了实证分析。
研究结果表明，所有股票的贝塔系数波动率都不为零，即贝塔系数在不同时期会发生变化，具有不稳定性。
值得注意的是，以往的研究虽然也涉及到了上市商业银行，但对国有上市商业银行的β系数几乎没有研究。
因此，笔者接下来将结合２０１４年的数据，对国有上市银行进行具体分析。
三、国有银行β系数实证分析（一）数据选取笔者拟选用沪深300指数作为市场组合。
沪深300指数反映沪深两个市场的整体走势，指数样本覆盖了大部分流通市值，五大国有银行工商银行、建设银行、农业银行、中国银行和交通银行均为沪深300指数的成分股。
沪深300指数还具有以下特点：（1）.严格的样本选择标准，定位于交易性成份指数。
沪深300指数以规模和流动性作为选样的两个根本标准，并赋予流动性更大的权重，符合该指数定位于交易指数的特点。
（2）.采用自由流通量为权数。
自由流通量就是剔除公司创建者、家族和高级管理人员长期持有的股份、国有股、战略投资者持股、冻结股份、受限制的员工持股、交叉持股后的流通量。
这既保证了指数反映流通市场股价的综合动态演变，也便于投资者进行套期保值、投资组合和指数化投资。
（3）.采用分级靠档法确定成份股权重。
沪深300指数各成份股的权重确定共分为九级靠档。
这样做考虑了我国股票市场结构的特殊性以及未来可能的结构变动，同时也能避免股价指数非正常性的波动。
九级靠档的具体数值和比例都有明确规定，从指数复制角度出发，分级靠档技术的采用可以降低由股本频繁变动带来的跟踪投资成本增加，便于投资者进行跟踪投资。
（4）.样本股稳定性高，调整设置缓冲区。
深300指数每年调整2次样本股，并且在调整时采用了缓冲区技术，这样既保证了样本定期调整的幅度，提高样本股的稳定性，也增强了调整的可预期性和指数管理的透明度。
样本股的稳定性强，可以提高被复制的准确度，增强可操作性。
得到加强。
300指数规定，综合排名在240名内的新样本优先进入，排名在360名之前的老样本优先保留。
当样本股公司退市时，自退市日起，该股从指数样本中剔除，而由过去近一次指数定期调整时的候选样本中排名最高的尚未调入指数的股票替代。
（5）.指数行业分布状况基本与市场行业分布比例一致指数的行业占比指标衡量了指数中的行业结构，市场的行业占比则衡量市场整体经济结构，二者偏差如果太大，则说明指数的行业结构失衡，通过统计发现，虽然沪深300指数没有明确的行业选择标准，不过样本股的行业分布状况基本与市场的行业分布状况接近，具有较好的代表性。
综合以上考虑，沪深300指数是目前较为主流和有效的市场组合，以其为基础进行的研究具有一定的参考价值。
为了使得到的β系数更具代表性，笔者选取了工商银行（股票代码：601398.SH）和中国银行（股票代码：601988.SH）两只国有银行股票作为本文研究的目标证券。
本文所使用的收益率数据信息来源于国泰安数据库，收盘价信息来源于新浪财经以月为周期的K线图，以此来保证数据的及时更新及准确性。
笔者最终选取了2014年1月至2014年12月共1年12个有效数据，对上述β系数进行测算。
需要说明的是，新浪财经在提供数据时已经经过除权和前复权处理，以保证股票走势的连续性，尽量得到真实的历史价格。
这也就意味着数据都是经过修正的。
（二）数据测算理论依据（1）.沪深300指数月收益率的测算采用如下公式：K m,t=(M t−M t−1)/M t−1其中，K m,t为第t月的沪深300指数收益率，M t为第t月最后一个交易日的沪深300指数收盘指数，M t−1为第t-1月最后一个交易日的沪深300指数收盘指数。
（2）.上市国有商业银行股票月收益率的计算采用如下公式：K i,t=(P t−P t−1)/P t−1其中，K i,t为上市商业银行股票第t月的收益率，P t为上市商业银行股票第t 月最后一个交易日的收盘价，P t−1为上市商业银行股票第t-1月最后一个交易日的收盘价。
（3）对股票的复权处理虽然新浪财经已经将数据进行过除权和前复权处理，但笔者仍介绍一下对股票进行除权处理和复权处理的方法。
除权指的是股票的发行公司依一定比例分配股票给股东，作为股票股利，此时增加公司的总股数。
除权产生系因为投资人在除权之前与当天购买者，两者买到的是同一家公司的股票，但是内含的权益不同，显然相当不公平。
因此，必须在除权当天向下调整股价，成为除权参考价。
这就会产生复权。
复权就是对股价和成交量进行权息修复，按照股票的实际涨跌绘制股价走势图,并把成交量调整为相同的股本口径。
本文采用的前复权，就是保持现有价位不变，将以前的价格缩减，将除权前的K线向下平移，使图形吻合，保持股价走势的连续性。
（三）数据分析利用以上公式进行计算并进行除权和复权处理后，数据收集如下表1所示：表1参数确定并修正后，将市场组合收益率（沪深300指数，以字母z表示）作为解释变量，商业银行个股收益率（工商银行以字母x表示；中国银行以字母y 表示）作为被解释变量，利用Eviews5.0软件运用最小二乘法进行一元线性回归，确定显著性水平为0. 05，回归结果整理如表2和表3：表2Dependent Variable: XMethod: Least SquaresDate: 01/16/15 Time: 15:13Sample: 2014M01 2014M12Included observations: 12Variable Coefficient Std. Error t-Statistic Prob.Z 0.775216 0.088346 8.774775 0.0000C 0.004377 0.007842 0.558123 0.5890R-squared 0.885053 Mean dependent var 0.033979 Adjusted R-squared 0.873558 S.D. dependent var 0.068965 S.E. of regression 0.024523 Akaike info criterion -4.427397 Sum squared resid 0.006014 Schwarz criterion -4.346579 Log likelihood 28.56438 F-statistic 76.99667 Durbin-Watson stat 2.001308 Prob(F-statistic) 0.000005表3Dependent Variable: YMethod: Least SquaresDate: 01/16/15 Time: 15:18Sample: 2014M01 2014M12Included observations: 12Variable Coefficient Std. Error t-Statistic Prob.Z 0.941705 0.111898 8.415761 0.0000C 0.012543 0.009932 1.262878 0.2353R-squared 0.876276 Mean dependent var 0.048503 Adjusted R-squared 0.863904 S.D. dependent var 0.084195 S.E. of regression 0.031061 Akaike info criterion -3.954745 Sum squared resid 0.009648 Schwarz criterion -3.873927 Log likelihood 25.72847 F-statistic 70.82504 Durbin-Watson stat 1.979435 Prob(F-statistic) 0.000008（二）数据分析从回归结果来看，数据有以下几个特点：（1）.工商银行和中国银行的拟合优度R-squared分别为0.885053和0.876276，均在0.85以上，说明沪深300指数收益率对于两家银行股票收益率的解释程度为85%以上，表明银行业与市场总体走势的正相关情况较为明显。