〈鉅亨主筆室〉股市會出現波段跌勢？！

壹、前言

一、有經驗的股市投資者一定知道，匯率貶值、外資與法人賣超，這是法人機構開始要落跑「跡象」。二、而在金融資產價格技術分析理論上，本來走得相當平穩趨勢，突然來一根長黑或長紅；這也是盤整趨勢將要逆轉信號；長紅就是會往上揚、長黑則往下跌。上周台股集中市場就出現這兩種現象。在法人調節持股下，台股集中市場股價指數顯著下跌、跌幅不小；加權股價指數下跌 88.23 點、終場以 9,034.27 點收盤。當天成交總值達 820.47 億新台幣，三大法人機構同步賣超 53.8 億元；加上外匯市場新、台幣兌換美元匯率貶值 0.208 元；以 31.618 兌換 1 美元收盤，由於外資賣超加上匯率貶值，因此引發投資機構關心。再加上本周一兆豐商銀，被美國金融監理單位以洗錢法案，罰款 1.5 億美元、限 10 天內繳清，台股指數再度下跌、盤中新台幣兌換美元匯率大貶值；股市資金行情結束了，慎防出現波短跌勢。

貳、工欲善其事、必先利其器：現代化科技才驗證更細膩假說！

如果要擺脫看圖說故事，則可運用財務計量理論、對股市風險提出另類詮釋；或許很多股市專業投資人，會認為這無異「殺雞用牛刀、脫褲子放屁」。股市大戶與短線投資人，其實不很重視總體經濟；這不能怪他們；經濟學在西方被視為哲學，因為它本身累積了很多過去，消費者、廠商及政府的經濟行為歷史。以史為鏡、藉由這些相關經濟歷史演變，可以抓到未來可能發展邏輯。但由於經濟學每階段發展，受限於剖析的工具；因此先是用平面圖型、頂多再加上簡單數學或微積分、再來運用微分或差分方程進行變數推導；又加上總體經濟沒有「集中交易市場」。工資、商品價格、失業率、物價指數多沒有日資料；只有週或月、或年資料。因此對於運用這些資料去做假說驗證 Hypothesis Test 時，與實際市場趨勢預測經濟學家，會有陷入「適應性預期」Adaptive Expectation 風險；就是以當前趨勢去論述未來可能演變，看現在的圖形、去預測未來的走勢。

這當然是非常有風險的，因為所有事物多會改變；很少有海誓山盟的愛情，也很少有不跌、一路漲不停的股價。當所有專家要脫離此一窠臼，要以未來預測來做為當下策略時，他所碰到的困難是不一樣的。即使擁有水晶球預見未來，但這只是靜態效應；當我們認為未來會如何時，也只是抓到一個點 Point；因為當局勢不斷改變時、週邊的一切也多在改變。它們有的因為周邊環境的改變而變，有的是因為自己的創新而變；這種改變就是動態效應。例如近期科技界已經預見，在未來 5 到 10 年間會出現「人工智慧晶片」AI Chip。這就是個體經濟學廠商理論中，賽局理論陳述所有經濟行為的競合模式；人類個別的思維最多只能想到「三或四方賽局」，但其實大家身處環境大多是「多方賽局」中。隨著計算工具與電腦、程式語言等發展，預測性工具由點、線、面，到全方位動態。因此財務理論模型，藉由運算科技的演進，越來越能由龐大雜亂無章資料中，理出清楚的頭緒出來。

就財務理論預測方法論，由單變數迴歸模型進化為多元變數；再進化為多元堆疊資料。而對應變數造成影響的自變數，也是由單一變數、交叉變數到控制變數、虛擬變數等。而分析的工具由數學、統計學、微分、差分方程，運用 R 或 Rat 程式語言，去獲得想要驗證的，多元變數堆疊迴歸模型。再丟入一堆堆疊資料，運用矩陣 Matrix 進行電腦運算，就可由歷史數字資料中獲得不少資訊、及驗證到不少假說 Hypothesis；分析工具的進步使得這些成就越來越豐富。就經濟學與財務投資理論，兩者最大不同是；後者金融資產有集中市場，價格彰顯非常迅速；而經濟行為通常是交易非常不連續，也很難有集中市場。例如要去買套家具？不可能一天成交。這就如房地產價格一樣；在內政部的「時價登陸系統」未現身前，房地產交易大概多是買賣雙方各憑本事；財務金融專家的優勢是，他們手上多有連續密集的數字可運用；尤其是金融市場數據時效性高於經濟。

叁、ARCH 與 GARCH、EGARCH 多會驗證出：報酬與風險的聚集性。

自馬可維茲將變異數 Variances，視為風險主要衡量指標後，後續研究者運用統計學理論與統計分配估計值，進行迴歸分析等研究後發現：一、股票投資報酬率變動、也就是報酬率的變異數 Variance，並不是像馬可維茲當初所假設，變異數是固定不變。其實是風險變化會隨著時間演變而變動；這個意思就是說，如果有利空事件而使股價指數下跌，則過去可能跌幅，與現在絕對會不一樣。二、這聽起來似乎是理所當然，因為股價指數位置、已因時序演變而不同。如台股股價指數自 2016 年 1 月底部區上揚後，至今已經漲到 9,200 點。在這個過程中，如果在 8,400 就來個波段回檔，與在 9200 點才出現回檔。兩者風險程度絕對不同；後面的風險、變異數應會大於前者。

馬可維茲為導出「效率前緣理論」(Efficiency Frontier Theory) 時，假設預期報酬率變異數是固定、是一種靜態概念。而後續學者如 Fama 與 Engle 等多發現事實不是這樣；風險大小是動態、變異數不是靜態的。且各種金融資產的投資報酬率，並不是呈現「常態分配」(Normal Distribution)，隨著時間推進，它的報酬率有「聚集現象」(Clustering)。也就是在某一段時間內，它的報酬率是最大的；也就是說在那一段期間中，投資台股是最好賺。如果將此論述假說，套用在現實市場上；投資人得留意的是，如果時間拉長到 2015 年；由 2015 年的 8 月 19 日、到 2016 年的 8 月 16 日。在這段期間中、台股最好賺期間是否已過去？未來股市的下方風險是否越來越大？著名的計量經濟學、因果分析專家 Engle R.F. 在 1982 年經典期刊文獻中，以英國的通貨膨脹率為模型中的應變數，再運用上述「自我迴歸條件非齊質變異數」ARCH(Autoregressive Conditional Heteroskedastic) 模型研究發現，金融資產價格變動越大、風險連續性越高；也就是流動程度越大，則其價格、報酬率變動描述，就可使用機率論的「隨機過程」(Stochastic Process) 表述。在隨機過程中變異數會隨著時變動，而以此為基礎 學者 Bollerslev, T. 於 1986 年提出，Generalized ARCH 模型、也就是 GARCH 模型。而無論是 Engle 的 ARCH，或是 Bollerslev, T 的 GARCH 模型驗證結果發現，變異數或邊準差也就是風險的發生，也多有「群聚效應」Clustering；而且其群聚性是前後期有關係的。這也就是說，當股市開始出現連跌效應後，會有突發性重跌再發生。如果萬一台股指數由 8 月 10 日，9,200.42 點確定回跌；則在 8 月 19 日這根決定性長黑 K 後，跌勢會越來越清楚，最後會出現較為顯著跌幅。

肆、結論：慎防股價下跌的「聚集性」、隨時發生！

這些學者研究也發現，壞消息利空對股價殺傷幅度，大於好消息對股價的上漲幅度；也就是股價對利多與利空漲跌報酬率是不對稱。這種情況剛好與債券殖利率變動效果相左，債券投資所遵循的「馬凱爾五大定理」提到，當貨幣市場利率發生波動後，會使公債殖利率產生逆向效果；但殖利率下跌幅度通常大於上揚。換言之，公債殖利率易跌難漲；同樣幅度的升降息，債券價格上揚幅度、會比下跌幅度要大。學者 Nelson D.K. 於 1991 年，發表有關資產報酬文獻中，以 EGARCH、也就是指數型「通用自我迴歸條件非齊質變異數」模型，也證實了此一假說的成立。值得注意的是，運用 ARCH 或是 GARCH、EGARCH 去做金融資產報酬假說驗證時，多是使用 5 或 15 分、或是 30 分鐘資料，很少用到日資料的。因此文獻所使用資料的期間，大多是兩或三年左右；它們不是在探究長期、而是短期或是為結構 Microstructure 現象。

如果將上述學者運用，計量經濟模型所獲得假說，運用對股市的預測上；則台股加權股價指數登上 9200 點後，所面對的下方風險 (Down Side Risk) 會比上方風險大，因為當正報酬率聚集期間已經過去之後；接下來的回檔或是回跌的聚集性，是隨時多可能會出現的。即使當 Fed 宣告反向宣告，重啟貨幣寬鬆時、亦復如是？因為本文持續認為，升息對於債券殖利率固然是利空，但也代表 Fed 對經濟景氣的看法樂觀；而不再升息的意義則為反向。若此則依據本前的假說，當 Fed 反向寬鬆之際，美元與美債實際的演變，會與日本央行下場一樣，美元指數反向上揚升值、而美公債殖利率大跌；全球資金跑回兌美元、搶購美債去了。若此則新興股市資金是否有被抽離風險？那難道 Fed 升息，就表示景氣復甦正常，股市就能擺脫回檔風險？運用上述的 ARCH 或是 GARCH 等，計量經濟模型邏輯發現，對債市而言必然是利空；但股價指數則難免會先發生、一波資金退潮。因為股價指數一直多是，金融市場最有效率指標；在強式效率市場中、股價指數永遠領先景氣循環變動；也就是代表景氣的「廠商新接訂單」等，時間序列組合式指標。(提醒：本文是為財金專業研究分享，非投資建議書；不為任何引用本文為行銷或投資損益背書。)