产品成交量

产品成交量（精选十篇）

产品成交量 篇1

网上购物的便利性和低成本等优点, 促使网上购物的网民越来越多, 网购已成为人们一种新的生活方式。影响产品成交量的因素不仅是多方面的而且是多层次的, 如果我们能清晰地了解到哪些因素对产品的成交量是重要的, 哪些是次要的, 商家就可以采取相应措施, 制定相应策略, 提高产品的产品成交量。

二、模型选取与假设

1. 模型构建

影响成交量的因素有很多, 本文认为成交量的重要影响因素有产品水平上的价格, 信息描述, 默认排名, 以及商家水平上的卖家信用度和卖家好评率。据此本文选取了四种多层线性模型对影响成交量的因素进行分析, 这四种研究模型是零模型, 随机系数模型, 截距预测模型和斜率预测模型。

(1) 零模型

在多层线性模型的研究分析中, 本研究推论产品水平和商家水平的变量会对产品的成交量产生直接效果的影响。为了验证本研究假说, 研究将变量的变异成分分为组内变异和组间变异两部分, 且组间变异必须不为0。用来确认各产品的成交量是否会因为总体层次的不同而有所差异。

零模型的估计具有以下目的:考验各组之间是否有差异, 估计总变异中有多少变异是由组间的变异所造成、以及提供初步信息, 以作为进一步分析其他模型时的比较基础。在本模型研究, 主要弄清以下问题:

(1) 不同商家在成交量上是否有显著差异?

(2) 成交量的总变异中有多少的百分比是由于商家间的变异所造成的?

(2) 随机系数模型

各个商家的因素对成交量的影响力是不同的, 故定义随机系数模型, 以确定水平1的那些回归系数在水平2上是随机变异的。用产品价格、信息描述和默认排名作为自变量, 产品成交量作为因变量建立的不包括第二层预测变量的二层线性随机系数回归模型。主要弄清一下问题:

(1) 54个商家所形成的54条回归方程式的平均截距 (各商家平均成交量的平均值) 以及平均斜率 (价格, 信息描述和默认排名对成交量影响的平均值) 为多少。

(2) 上述54条回归方程式中, 彼此的截距 (各商家平均成交量) 和斜率 (价格, 信息描述, 默认排名对成交量的影响) 是否有差异。

(3) 截距预测模型

该模型检测截距项的存在是否可由第二层次上的变量 (即卖家信用度和卖家好评率) 加以解释, 希望弄清下面的问题:

(1) 卖家信用度和卖家好评率是否会影响产品成交量?

(2) 除去卖家信用度和卖家好评率所能解释的变异量之后, 成交量是否仍然会有显著的差异?

(4) 斜率预测模型

由以上建立的随机系数回归模型, 可知道不同商家的斜率是否存在显著差异。本研究进一步分析斜率的变异成分是否可由第二层 (商家水平) 的变量所解释。希望弄清的问题:

(1) 卖家信用和卖家好评率是否可以解释第一层次斜率的变异成分?

(2) 如果问题 (1) 成立, 则解释量有多少?

3. 研究假设

本文提出如下假设:

(1) 不同商家之间的成交量具有明显的差异。

(2) 价格与成交量成负相关, 价格越低, 成交量越大。

(3) 信息描述与成交量的关系式正相关, 信息描述越详细, 成交量越大。

(4) 默认排名与成交量成正相关的关系, 默认排名得分越高, 成交量越大。

(5) 卖家信用度影响产品成交量。加强信息描述与成交量的正向关系, 对价格和成交量的关系也产生影响。

(6) 卖家好评率对产品的成交量产生正向影响, 加强价格和成交量的负相关系, 加强产品信息和成交量的正向关系。

三、数据与数据处理

1. 数据收集

(1) 样本

本研究的研究对象是淘宝网上加入消费者保障计划的商家与其产品。产品和商家的相关属性有很多, 譬如产品价格, 产品收藏人气, 产品浏览量, 产品默认排名, 产品信息描述, 产品数量, 卖家信用度, 卖家好评率, 买家信用度, 买家好评率等。本研究探讨的是成交量的影响因素, 收集数据的时候挑选了消费者购物最可能考虑的产品价格, 产品信息描述, 产品默认排名, 卖家信用度和卖家好评率五个因素。收集数据时, 商家选取按商家等级进行。淘宝网商家等级分为红心, 钻石, 皇冠, 金冠四种等级, 其中每个等级又分为5个小等级, 金冠等级比皇冠高, 皇冠等级比钻石高, 钻石等级比红心高, 而同一等级 (譬如同为金冠等级) , 5级又比1级高。等级越高, 卖家信用度越高。等级划分参考表1:

样本1:为了减少分析时的误差, 数据收集时, 选取的商家剔除了最低级别的“红心”等级和最高级别的“金冠”等级, 在“钻石”和“皇冠”等级中选取。其中1钻商家5个, 2钻1个, 4钻商家9个, 1皇冠商家15个, 3皇冠商家7个, 4皇冠3个, 5皇冠商家14个, 合计商家54个。

样本2:产品的选取按网上商品类型进行。网络商品类型分为搜索型、体验I型 (非耐用品, 如服饰等) 、体验II型 (耐用品, 如手机等) 、信任型4大类。

在样本1所选取的商家中, 选取合适的商品。搜索型产品61条数据, 体验I型的产品171条数据, 体验II型的产品101条数据, 信任型的产品138条数据。

手工收集的部分原始数据如下:

(2) 变量的初步筛选

参考以往关于影响消费者网上购物因素的结论, 初步确定了影响产品成交量的产品水平变量和商家水平变量, 如下:

产品水平变量:产品价格, 产品信息描述, 产品默认排名

商家水平变量:卖家信用, 卖家好评率

产品成交量、产品价格、产品浏览量、卖家信用、卖家好评率的数据可以通过软件在淘宝网上直接抓取, 但产品信息描述无法直接获取数据, 所以本研究设计了产品信息描述的评分标准, 具体情况如下:

统计完后, 将产品的功能说明, 使用说明, 常见问题处理, 照片说明, 其他信息的得分相加, 就是该产品的信息描述得分。

产品的默认排名是按百分制根据每个产品的默认排名评分。默认排名第一, 则该产品默认排名得分为100, 默认排名第二, 则该产品默认排名得分为99, 如此类推, 默认排名第100位则得分为0分。

(3) 原始数据初步处理

本研究采用采用手工方式进行原始数据的收集, 用excel表储存数据, 用SPSS对数据进行标准化。在本研究中, 成交量, 价格, 好评率三个因素采用的是网站收集的原始数据, 信息描述和默认排名是根据一定的评分指标收集的, 卖家信用在进行分析前用SPSS进行了T分数处理。本研究运用SPSS160和HLM6软件进行所有的统计分析。

2. 数据处理及模型优化分析

(1) 样本描述性信息

(2) 零模型的数据处理

(3) 随机系数回归模型数据处理

从表9可以看出, 价格的相关系数为β=0.006732, P=0.816>0.05, 默认排名的相关系数为β=0.240224, P=0.153>0.05。

在该模型中, 价格和默认排名对成交量的影响不显著。在此基础上调整随机系数回归模型, 对随机系数回归模型进行优化, 将默认排名的随机部分固定为常数, 优化后的模型如下:

该模型的最大特点是默认排名的随机部分固定为定值, 即是说默认排名在不同商家水平上没有明显的差异。

优化后的模型运行结果如表10:

(4) 截距预测模型数据处理

截距预测模型研究的主要问题是卖家信用度和卖家好评率是否会影响产品成交量, 除去卖家信用度和卖家好评率所能解释的变异量之后, 成交量是否仍然会有显著的差异。该模型有模式1和模式2两种模型, 模式1先考虑卖家信用度是否会影响产品的成交量, 模式2在模式1的基础上加进变量卖家好评率, 进行进一步的探讨。模式1的处理结果如表11:

(5) 斜率预测模型

斜率预测模型模式1的结果运行结果见表13:

从表13可以看出, 卖家信用度对价格和成交量的关系影响不显著 (β=0.000580, p=0.800) , 并减弱价格和成交量的负向关联程度。即卖家好评率对价格和成交量的影响也不显著 (β=-0.044278, p=0.246) 。这样的结果显然是不符合实际的, 优化斜率预测模型模式1, 得到优化后的模型。

优化后的斜率预测模型模式1:

优化后的斜率预测模型模式1的运行结果如表14:

从表14可以看出, 优化后的模型, 卖家好评率对价格和成交量的负向相关关系产生显著的影响 (β=-0.038217, p=0.008) 。卖家好评率系数的符号与价格系数的符号相同, 表示卖家好评率加强价格和成交量的关联程度。

在优化后斜率预测模型模式的基础上, 优化斜率预测模型模式2, 得到以下模型。

优化后的斜率预测模型模式2:

优化后的斜率预测模型模式2的运行结果如表15。

从表15, 可以看出卖家信用度对信息描述和成交量的关系产生显著影响 (β=0.120227, p=0.023) , 加强信息描述和成交量的正向关联程度。卖家好评率对信息描述和成交量的关系也产生显著的影响 (β=0.693421, p=0.015) 。卖家好评率系数符号为正, 与信息描述的系数符号相同, 加强信息描述和成交量的正向关联程度。

在优化后的斜率预测模型模式2的基础上, 优化斜率预测模型模式3。在第一层加入默认排名变量时, 要注意优化后的随机系数回归模型中, 验证了默认排名在不同商家之间没有显著的差异。所以在优化后的斜率预测模型模式3将默认排名的系数设定为固定值。

优化后的斜率预测模型模式3:

优化后的斜率预测模型模式3的运行结果见表16。

四、结论

1. 零模型结论分析

从表8中可看出最大概似估计的结果中, 各商家成交量平均数估计值是20.144199, 估计标准误是5.801820。商家间的方差分量达0.01的显著水平, 代表各商家在成交量上有显著的差异。由商家间变异 (τ00) 与产品水平上的变异 (σ2) 可以算出内在组别相关系数

代表成交量的总变异中, 有14.9203%是由商家所造成的。另外, 各个商家的样本平均数的信度计算公式为:

整体信度指标, 为各个商家样本平均数的信度估计值的平均数:

本研究共有411个样本, 根据公式 (5.2) 和 (5.3) , 计算出, 表示以各个商家的样本平均数估计值作为真实商家平均数的指标时, 可信度不高。

2. 随机系数模型结论分析

从表10可以看出成交量的总平均值为19.595359, 标准误为5.522514, 与表4.11中的20.144199相当接近。产品价格是一个显著的负向因子, 对成交量有显著的负向影响 (β=-0.044756, P=0.003) 。在保持其他变量恒定的情况下, 价格每增加一个单位, 成交量就平均减少0.044756个单位。这意味着价格是有效预测成交量的变量。信息描述是一个显著的正向预期因子, 对成交量有正向影响 (β=1.349501, P=0.04) , 在其他变量恒定的情况下, 信息描述每增加一个单位, 成交量就平均增加1.349501个单位。从表中可以看出, 默认排名对成交量的影响不显著 (β=0.301158, P=0.112>0.05) 。价格和信息描述能解释成交量变异的百分比= (5588.36120-4051.28044) /5588.36120=27.51%。

此外, 在随机效果中, 价格的, 达0.01显著的水准, 表示各商家间价格对成交量的影响有显著的不同。信息描述的, 达0.01显著水准, 表示各商家间信息描述对成交量的影响有显著的差异。

3. 截距预测模型结论分析

从表11可以看出, 卖家信用度对成交量有显著的影响 (T=2.239, P=0.029) , 卖家信用度所能解释的成交量变异的百分比=

然而, 当去掉卖家信用度所能解释的变异量29.81%之后, 各商家的成交量仍有显著差异 (τ00=687.86646, df=52, X2=95.74230, P<0.01) 。此表示成交量上的差异, 尚待其他变量来解释。此时, 。即卖家信用度对成交量总体变异的解释量为10.96%。

从表12可以看出, 卖家好评率对成交量有显著的影响 (T=2.230, P=0.030) , 卖家好评率和卖家信用度所能解释的成交量变异的百分比=

然而, 当去掉卖家信用度和好评率所能解释的变异量之后, 各商家的成交量仍有显著差异 (τ00=690.94054, df=52, X2=93.57749, P<0.01) 。此表示成交量上的差异, 尚待其他变量来解释。此时, 。即卖家信用度和卖家好评率对成交量总体变异的解释量为10.98%。

在这模型中, 考虑了卖家好评率对成交量的影响, 解释量由原来的10.96%变成现在的10.98%, 说明卖家好评率确实对成交量产生影响。

4. 斜率预测模型

从表16可以看出卖家信用度会对信息描述与成交量的正向关系产生显著的影响 (β=0.109876, p=0.029) 。在其他变量恒定的情况下, 卖家信用度每增加一个单位, 信息描述对成交量的影响 (斜率) 就增加0.109876个单位。卖家好评率加强价格和成交量的关联强度, 在其他变量恒定的情况下, 卖家信用度每减少一个单位, 价格对成交量的影响 (斜率) 就减少0.053333个单位。卖家好评率加强信息描述与成交量的正向关联, 在其他变量恒定的情况下, 卖家信用度每增加一个单位, 信息描述对成交量的影响 (斜率) 就增加0.599006个单位。

从表10和表16中提取数据, 可以计算出商家变量所解释的方差成分和比例, 详细见表17。

表17显示了商家水平上的变量对不同变异所解释的方差比例, 价格和成交量的关系在不同商家之间的变异有59.8361%被卖家信用度变量解释;信息描述和成交量的关系在不同商家之间的变异有18.7268%被卖家信用度和卖家好评率解释。

参考文献

[1]中国网络购物行业发展报告简版2008-2009.

[2]刘红云, 孟庆茂.教育和心理研究中的多层线性模型.心理科学进展.2002 (10) 2:213-219

[3]林丰勋.心理学纵向研究方法的新进展.济南大学学报.2005, 15 (5) :492-431

[4]张雷, 雷雳, 郭伯良, 多层线性模型的原理及应用, 教育科学出版社, 2003

[5]吴佩勋, 黄永哲, 电子商务网站客户购买意愿影响因素研究———以中国电信电子商务网站为例, 中山大学学报 (社会科学版) , NO.32oo6, Vo1.46, General No.201

怎样提高销售成交量 篇2

所谓用提问引导你的客户，就是先陈述一个事实，然后再针对这个事实发问，让对方给出相应信息。确实，以提问的方式引导客户可以起到让对方易于接受的作用。

那么，销售人员如何用提问的方式引导客户呢？下面我们介绍几种方法：

一、肯定性诱导提问

肯定性诱导提问法是对肯定性说法、诱导性说法以及提问的说话方法三种方式的同时运用。首先是肯定性说法，即使用正面性用语——“很受人欢迎的”。其次是诱导性说法——“这种产品有大小两种，不知您愿选择哪一种，不过我想是不是大的比较好呢？”最后是提问的方法——“这位先生，您要如何使用呢？”

二、与类似问题相比较

简单地说，就是利用客户的随身物品作为一个实际的例子来说服客户。

比如，小陈是学习软件的推销员。有一次，一位客户在看了产品简介之后，还想要看看所要购买软件的内容：“我应根据所要买的产品内容是

否适合我来确定买不买，对不对？”

小陈：“您说得没错，可是出版这本书的出版社非常有名，我希望您能相信一流的出版社。先生，可以问一下您的笔记本电脑是什么品牌吗？”

客户：“是国产产品。”

小陈：“哦！您买这台电脑的时候是否先把它拆开看一下里面的部件呢？”

客户：“没有。”

小陈：“我想你在看过电脑后，即便认为电脑质量没问题，也是因为相信这家公司的信誉和服务才买下它的。同样，买汽车的时候你也不能把

车子拆开看一下引擎吧？还有买药品的时候你无法从100元一盒的药品中，挑选其中一颗拿起来品尝，试试其功效后，才决定购买与否。虽然不同品牌的产

品，也有可能有许多的价格差异，但若是你分不出品质的好坏，我认为你应该

依据厂商的信誉来购买。买这部学习软件也是一样，您应信任出版商的声誉。”

三、拆分问题引导

在推销价格昂贵的产品时，这个方法十分有效。一位销售人员经常在推销一套

价格不菲的家具时，多次利用拆分问题来说服客户客户：“这件家具太贵了。”

销售人员：“您认为贵了多少？”

客户：“贵了1000多元。”

销售人员：“那么现在就假设贵了1000元整。”这时销售人员拿出了随身带的笔记本，在上面写下1000元给目标客户看。

销售人员：“先生，你想这套家具你肯定至少打算能够用10年再换吧？”

客户：“是的。”

销售人员：“那么，依照你所想的也就是每年多花了100元，您指的是不是就是这样？”

客户：“对，我就是这样认为的。”

销售人员：“1年100元，每个月该是多少钱？”

客户：“哦！每个月大概就是8块多点吧！”

销售人员：“好，就算是8.5元吧。你每天至少要用两次吧，早上和晚上。”

客户：“有时更多。”

销售人员：“我们保守估计为l天2次，那也就是说1个月你将用60次。所以，假如这套家具每月多花了8.5元，那每次就多花了不到0.15元。”

客户：“是的。”

销售人员：“那么每天不到1毛5分，却能让你的家变得利落和整洁，让你不再为东西没合适地方放而苦恼、发愁，而且还起到装饰作用，你不觉得很划算吗？”

客户：“„„是的。那我就买下了。你们是送货上门吧？”

销售人员：“当然！”

四、把问题化繁为简

销售人员通过一个简单的问题就能够了解客户为什么不买，而按照客户的情况，销售人员大约能够知道应该使用哪一种策略应对，一个个地减少可以克服的销售障碍，提高销售成功率。此时，把问题化繁为简就是最好的以提问引导客户的方法。比如你可以这样提问：“您是不是认为现在没有必要买？如果是付款方面的问题，我们有配合您的方案。”

“价格方面是否有什么不满意呢？”

“关于我的说明您有没有不懂的地方呢？”

“您是不是暂时还不想买？”

“你是不是已经向其他地方订购了？”

“您是否考虑向其他买家购买？”

“您不喜欢这个款式吗？”

“对于这个产品你是否不大感兴趣呢？”

“对于这家制造商您觉得如何？”

用提问引导客户是销售人员赢得主动的重要方法，但运用不当则会适得其反。因此，销售人员用提问引导客户时还应注意以下几点：

1．引导客户的思路

首先，用提问引导客户要能使客户证实自己是对的，要他们相信推销的产品。如果你说出来，客户就会怀疑，要是客户自己说出来，那便是真的。

其次，要确定有保证后才加以引导。这需要多长时间，不同的场合会有很大的差别。如果一开始就想引导客户，那么客户购买的机会就很小。再次，不要让客户有考虑的机会，否则，他们的回答也许不是你想要的。这需要销售人员提

前练习、操练和演戏。这样就可以通过保持高速运转来使客户的情绪不断高涨。

2．掌握主动权

一般而言，销售人员一旦提出自己的决定，客户就会产生对方在强迫自己购买的感觉，因而产生拒绝性的反应。所以销售人员应视情况的变化，委婉询问，逐步把客户引向自己所希望的方向。当然这样做的前提是，销售人员必须牢牢把握主导权，如果丧失主动，被客户牵着鼻子走，那么，销售人员就极容易陷入混乱，推销商谈必不能顺利进行。

3．要做到心中有数

销售人员同时还要练习、操练和演习怎样应对客户的错误回答。这类问题有的不需要回答，可以不理睬，其他的回答有时会迫使销售人员改变策略，因此要销售人员要事先做好充分的准备。只有销售人员做出决策才能引导客户做出决策。客户一般不熟悉产品，如果有许多种产品和服务的话，一般的客户会选择几种还是一种。在这种情况下，销售人员就无法随身携带推销的所有产品。但作为专业销售人员，你要替客户做出决策。如果你自己不会做出决策，客户需要销售人员干什么呢？

4．掌握丰富的专业知识

销售人员应有为客户解决问题和创造机会的专门知识。内行而专业的销售人员会为客户解决产品和服务的问题，为客户创造增加生产能力、享受、安全和收入，并提高客户地位的机会。在每一种情况下，销售人员必须拥有比任何客户更多的知识储备，这就是说，销售人员必须发现哪一部分知识最能满足每个不同客户的需要，通过有条理的、经过实践的咨询习惯来发现问题，区分、推新、确定每个客户的问题和机会，并形成商讨的习惯。

专家点拨

值得提醒大家的是，销售人员在向客户提问时，必须知道你每一个问题的答案。

产品成交量 篇3

在北京5月10日上午的电话会议中，陈绍鹏向国内媒体公布了这一消息。据介绍，签约仪式是在美国举行的中美高科技合作论坛上进行的，“是中美经贸合作的一项重要组成部分”。此次，中国代表团与美方签署协议，共购买价值43亿美元的美国技术产品。

据透露，联想并不是此行惟一一家与微软签署采购协议的中国企业，“但联想拿到的价格确实是比较合理的，同时，微软给每个公司提供的价格都是遵守美国法律的。”陈绍鹏介绍说。

2005年11月，联想率先在中国推出了“正版增值软件”计划，成为第一家在中国全线预装微软视窗操作系统的电脑公司。在该计划的推动下，在中国市场推出的电脑新产品中，预装正版XP的比例从5%提高到了70%。而在微软推出新的操作系统之后，与联想在国内联合开展了大型的推广计划，目前，联想在国内零售市场上推出的机器，基本上是预装了Vista操作系统的。

准备金率上调·成交量骤降 篇4

前不久, 中国人民银行突然宣布, 从1月18日起上调存款类金融机构人民币存款准备金率0.5个百分点。

存款准备金是限制金融机构信贷扩张和保证客户提取存款和资金清算需要而准备的资金。法定存款准备金率, 是金融机构按规定向中央银行缴纳的存款准备金占其存款总额的比率。这一部分是风险准备金, 是不能够用于发放贷款的。此次存款准备金率上调意味着将冻结商业银行约3000亿元信贷资金。

上一次调整存款准备金率是在2008年12月末, 彼时为应对金融危机, 央行连番下调存款准备金率5.5个百分点。此前, 2010年央行工作会议上, 央行行长周小川一句“存款准备金率是需要强调的”表态, 使得近期上调存款准备金率成为市场普遍预期。但是央行此次上调准备金率, 仍比市场预计的到2月份春节后提前了不少。因此, 房地产市场对此反响很强烈。

央行此次突施令箭, 源自何因呢?2009年, 在积极的财政政策和适度宽松的货币政策下, 全年流动性猛增, 基础货币投放量比30年来的平均水平高出近30个百分点。充裕的流动性为经济复苏打下基础, 但长期如此肯定会出现问题。2009年楼市的过热现象就是负面表现之一。因此, 适当进行政策调整和收缩是是必要的。而且进入2010年的半个月时间里, 国内信贷增速依然惊人。央行因此及时出手, 上调存款准备金率, 意在加强流动性管理, 保持银行体系流动性合理充裕, 既支持经济平稳较快发展, 又有效管理通胀预期。

这次上调准备金率, 虽然力度不大, 但意义非同小可。对于楼市而言, 它又意味着什么呢?

首先, 表明今年信贷政策将趋紧。我国房地产业在2009年凭借充足的资金流快速发展, 房价飞升, 一些地区出现泡沫, 亟需运用货币政策予以调控。货币政策有三大工具, 根据重要性依次为调整利率、调整存款准备金率、公开市场操作。2009年下半年, 国家就开始公开市场操作, 有意回收流动性, 但动作并不大。此次存款准备金率变化, 为2008年6月以来首次上调, 是信贷收紧的重要标志, 同时也标志着货币政策正式出现拐点。

其次, 预示房地产市场再入调控周期。自2009年1 2月9日二手房营业税优惠取消为肇始, 进而在12月14日国务院常务会议提出通过政策组合拳, 运用土地、金融、税收等手段遏制房价过快上涨的“国四条”, 再到12月17日将土地出让金的首付提高至50%, 乃至于今年1月10日“国十一条”的正式出台, 紧接着央行上调准备金率, 预示着中国房地产政策在经历短暂一年的“救市”之后, 再度进入了调控的政策周期。

再次, 对开发商和投机者的资金面形成压力。央行上调存款准备金率, 对企业贷款而言, 会更加严格。房地产企业70%的资金来源于银行贷款, 存款准备金率上调将压缩商业银行的贷款空间。央行此次上调人民币存款准备金率主要是为了矫正去年及年初以来信贷狂奔的势头。2009年商业银行对一些大型房企进行银行授信, 一定程度上使这些房企的资金链相对宽裕, 引起“地王”、“捂盘”等现象的发生。央行提高商业银行的存款准备金率, 那么, 商业银行可提供放款及创造信用的能力就下降。开发商在今后拿地方面将越来越慎重, 开发商若再制造“地王”, 在未来运作项目的资金风险将越来越大。而对于个人房贷而言, 上调准备金率开始影响不大, 但随着政策的增多和深入, 个人房贷也将受到波及, 最直接的反应就是银行审核贷款将更加严格, 从而对投机者形成挤出效应。

●成交量骤降

在楼市密集调控政策之下, 2009年火热的楼市成交量在新年伊始呈现出“垂直滑落”的态势。政策降温楼市的威力, 正在成交量上显现出来。据中原监测系统显示, 2010年第一周, 各地新房市场成交状况颓势依旧, 京、沪、广、深四大一线城市成交总量环比下跌20%, 其余五个重点城市成交总量下跌44%。其中, 杭州、广州、成都三城市环比下降七成以上, 而成都跌幅最大, 达到97%之多。

有机构统计显示, 2010年1月1日至12日, 北京楼市期房商品住宅累计成交2795套, 成交面积29.9万平方米, 其中扣除政策房, 实际成交纯商品住房2459套、27.2万平方米。环比2009年12月同期, 期房商品住宅成交套数下降了63.6%, 成交面积下降了60.4%, 实际成交的商品住房套数、面积分别下降了44.0%和45.7%。

和北京的情况相似, 深圳成交也出现了较大幅度的下滑。据深圳房地产信息网的监测, 元旦三天假期日成交量均不超过百套, 这与2009年深圳楼市火热期日成交两三百套形成鲜明对比。另据世联地产的统计显示, 1月4日到10日的一周内, 深圳一手房共成交819套, 环比下降20.9%。

从2009年的最后四个工作日到2010年的第一周, 不到半个月的时间里, 房地产市场再一次上演了“冰火两重天”的戏码。此次“寒流”何时过境, 楼市的跌宕几时休?未卜的前程, 致使持币观望的气氛正在蔓延。

一、这个“冬天”为何这么冷

楼市的这个“冬天”来得有些突然, 开年首月大多数城市新房成交量下跌超过五成, 对房地产市场而言可谓一次“重挫”。然而, 这个“冬天”又必然会来, 原因有下。

首先, 岁末年初, 决策层频频发出调控信号, 从营业税优惠政策终止, 到“国四条”出台, 再到近期出台的“国十一条”、上调存款准备金率, 政策调控力度逐渐趋紧, 调控手段愈加丰富而全面。在包括收紧金融信贷、加大供给、加强市场监管、收紧税收优惠等方面的综合调控下, 政策导向对楼市的影响力也在逐步加强。受此影响, 购房者难以对楼市走向作出明确判断, 导致短期观望情绪的加重, 使得楼市成交量出现下滑。

其次, 受到地方性优惠政策大限逼近的影响, 大量需求在2009年12月提前集中释放, 透支了未来一定的购房需求。加之, 楼市在去年房价一路飙升的同时, 购买力并没有得到同步增长, 承受能力的不足导致部分购房者被迫搁置购房意愿, 从而导致成交量回落。

再次, 根据往年销售经验, 春节前夕往往是楼市的销售淡季, 近期利空政策的频繁出台, 只不过是加重了今年的萧条景象。

二、“冬天”到了, “春天”还会远吗

如此这般的“寒冬”, 让业界的观望情绪再度升温。业内人士纷纷质疑, 此番成交量下跌, 究竟是2010年楼市萧条的伊始, 还是在为后市的爆发积蓄力量?

此次中央调控房价上涨过快的目的性十分明确, 部分城市房价上涨过快的问题也已经成为当前管理层调控的首要问题。中央和地方政府的配套细则将陆续出台, 在一系列政策的作用下, 201 0年的房价很难再现2009年的疯涨局面。

然而, 政策变化只是市场变化的前奏, 随着中央各部委和地方政府配套细则的出台, 将使各方对房地产市场未来发展的预期发生改变, 但政策效果的全面显现会存在一定的滞后性。

产品成交量 篇5

“既然庄家的意图要通过量价表达出来，那么分析庄家在市场中成交量的缩放情况，再结合每个重要的技术位，我们就能预测到庄家在做什么，进而理解庄家下一步 打算做什么。这对我们操作好股票非常重要。在运作股票的整个过程中，庄家会根据市场浮筹和跟风盘情况，决定是否要洗盘。同样，如果到达拉升目标位，自然要 出货。此时，庄家往往采取骗线的手法，将均线和各项技术指标调整向好，让投资者以为还要继续上扬，有时还要有利好配合，而庄家却在偷偷减仓或出货。这一 切，都与价和量的变化有着密切关系。华鲁恒升(600426)

就是这样一个典型。”

“那么，庄家在做盘过程中筹码不断变化，要搞懂他们的意图，岂不很麻烦，可你却能几秒钟看穿庄家意图，有什么诀窍吗?”记者感到更为疑惑。

“是啊，这确实需要很深的看盘功夫，用成交量缩放比例及阶段换手率来细细体会庄家控盘度及其真实意图。由于我们平时观察的股票很多，没有那么多时间进行逐 一分析，因此，为了方便看盘，我们需要化烦为简，将其形象化，从图表中观察成交量缩放程度和重要的技术位之间的变化关系，既能让人一目了然地洞悉庄家行 为，还能提前预见庄家意图，具有很强的跟庄实战性，准确率很

高。

“既然量价是庄家行为在市场中的直接体现，那么我们首先要对成交量有个判断标准。在钱龙软件的成交量区域内，有三条虚线，将成交量分成三个格段，自下而上，我称之为一格、二格和三格。根据量柱大小，研判庄家进出货行为，看似简单，却又快捷实用。”

江汉关于量价关系的分析要点如下：

1.“一格”的意义。

(1)量柱在一格内运行，一般指日换手在3%以内；(2)股价大多处于下降通道，或在底部区域；

(3)量柱在一格底部运行，日换手在O.5%以内，庄家未做盘，市场人气较为

低迷；

(4)量柱在一格顶部间断出现或连续出现，日换手在2%左右，在低位为庄家

隐蔽性吸筹阶段。

2.“二格”的意义。

(1)量柱进入二格区间，一般指日换手在4%～6%之间；(2)股价位于低位，为庄家建仓或庄家启动信号；(3)股价脱离底部后，为庄家洗盘或突破某一重要关口；

(4)股价位于头部，为庄家出货。

3.“三格”的意义。

(1)量柱进入三格区域，一般指日换手在7%以上；(2)股价位于低位，为庄家建仓或启动信号；

(3)股价位于头部，为庄家大比例出货，此时日换手往往大于10%；

(4)往往伴随利好或利空消息。

4.注意事项。(1)根据各股票盘子不同、庄家控盘度不同以及操盘手法不同等，使各股票

三格中日换手率会有所差异；

(2)重点观察该股现在与历史量柱之比例关系；(3)重点观察该股主要放量日的图形位置；

(4)图表的放大与缩小会使量柱产生变格，因此缩图时为长周期观察，主要判断主力中线行为及出货情况；放图时为短周期观察，主要判断短期主力进场及

洗盘情况。

“原来这里面还有这么多玄机，那么如何提前知道庄家要洗盘呢?”记者接

着问道。庄家洗盘的秘密

“这个，恰恰是问题的关键，”江汉说，“投资者对庄家洗盘的手法想必都体验不少：有剧烈震荡式，有高台跳水式，有巨量长阴式，还有制造‘假头部’和无量跌 破平台等等。但是，在实战中重要的是要提前知道庄家未来洗盘的位置，这也是我多年研究的核心技术。其中包括两个问题：一是庄家在何时何位洗盘；二是庄家洗 多深及洗多长时间。”

1.洗盘位。

知道庄家未来在何位洗盘，是十分关键的一个问题。这里涉及到时间和空间的概念，时间要用空间来计算，而且还要观察量的变化。空间是该股前期历史的顶与底，当一只股票从底部启动开始上升时，遇到前期历史第一个底为第一洗盘位，因为此时底部跟进的筹码已较多，而前期历史之底又为套牢筹码密集区，庄家要在此置换 筹码，将底部跟进的筹码置换出去，抬高跟风盘的成本，以便向更高的目标进发，否则，上档解套盘涌出，底部跟风盘获利了结，全都卖给庄家，庄家岂不在抬高持 仓成本，弄不好还会被套住。洗盘结束后，庄家继续拉抬股价，越过第一洗盘位，至下一个历史之底再洗盘也就是第二洗盘位，我俗称其为“隔山打老牛”，如此反 复，直到出货位为止。例如前面讲的华鲁恒升的洗盘，即遵循着这一规律。当然，除了历史前期底部，还有趋势线、江恩角度线、黄金分割位等。

2.何时洗盘。

在庄家运作股票中，一般会经过多次洗盘，下一次洗盘可能出现的时间为：先找到下一个洗盘位，再根据当时该股价位及与下一个洗盘位的距离之差来计算需要多长时问到达。这里面有个速率问题，主要是看成交量的缩放程度来判断其速率。在这期间主力不断增仓，那到达的速度就快。

3.洗盘的深度与时间。

庄家洗盘究竟会洗多深与洗多长时间，这里有个洗盘定律：庄家洗盘出货量与洗盘幅度和洗盘时间成正比。就是说庄家在洗盘的时候，如果出掉了较少的筹码，则预 示庄家对此位控制力较强，不必进行大规模洗盘，因此，其后洗盘时间不会长，幅度也不深，随后就会再度上攻；如果庄家在此出掉了大量的筹码，说明庄家认为此 处跟风盘较多，套牢筹码较重，需要强力洗盘，才能轻身前进，因此，随后洗盘时间就较长，幅度也较深。我们可以从图表中的量柱看出庄家洗盘时出货量的大小，从而作出相应的判断。

4.洗盘结束位。

洗盘时股价运行至某一强力支撑位为洗盘结束位，多数情况下以“隔山打老牛”位为准，此时成交量也缩至单日换手在1%以内，随后股价将再度启动。注意：如果 此后出现的阳量、即收阳线的成交量、大于前面的洗盘量则预示主力大比例加仓，那么随后股价将突破前面高点创新高或奔更高的洗盘位；如果此时量能明显不足，则很难越过前期高点，或在前期高点附近再度洗盘。

例如华北制药(600812)，主力在2003年10月29日开始打压建仓，经过两个月筑底，运行到2004年1月6日，到达洗盘位F点，同时放出顶到二 格的量柱，与其相对应的D、E两点为其“隔山打老牛位”的老牛位，随后展开洗盘。图中A、B两点连线构成洗盘结束位，股价运行到C点恰在此位止跌，展开又 一轮的上攻，到达H点时在对应的G点(老牛位)洗盘。此位并未放大量说明庄家还未到出货位，且洗盘不会太深，股价有望冲击前期高点。当股价飙升至N点即与 前期高点M点平行位时突然放出天量，量柱进入三格，显然主力在此出货，应果

断离场。(见图4—14)

再如云铝股份(000807)，2005年11月至2006年2月从3元上涨至6.80元，其50%回调位为4.9元。至2006年3月10日收盘刚好 4.89元，而此时换手已缩至2%以内。随后的3月15日放量上涨，换手超过7%进入三格，说明庄家又要发动一波挑战前期头部的上攻。因此，我们在3月 17日回踩20天线时果断介入，随后该股连续飙升。(见图4一15)又如我自2005年8月至2006年3月间操作的天发石油(000670)。按照我的“量价时空”原则逢洗盘结束位买进，洗盘位卖出，先后共操作八次，每次持股3天左右，平均每次获利5%以上。通过跟踪操作，我对该股庄家的手法基本做到

了如指掌。

与庄家一道出货技巧

“常听投资者说，有时好不容易逮到一匹黑马，却过早被庄家洗出，颠落马下。那么，怎样才能做到与庄家一道出货，赚取更大的利润呢?”记者问。

“正所谓‘知己知彼，百战不殆’，首先让我们来了解一下主力出货手法，以及与洗盘手法的不同，这样才能达到全线跟庄的目的，从而获取最大跟庄收

益。”江汉继续向记者披露：

主力出货手法： 1.单日反转。

特点：单日巨量见顶，随后快速反转向下。

通常庄家经过反复洗盘拉升，达到其目标位后，便开始出货。在出货的最疯狂阶段必然放出天量，这是庄家出货最显著的一个特征，是因其将锁仓的筹码如数放出所 致。该股在此阶段的市场表现为利好频传，股价连续上扬，成交异常活跃，人气旺盛，图表中单日量柱顶到三格。此时庄家正在大比例抛货，而许多投资者，会在庄 家精心布置的陷阱中以为此股还有更大的想象空间，已经买入的在期盼更高的获利，没有买的人在媒体股评的积极宣传及其获利的效应下，也

经不住诱惑开始追进。

由于主力采取快速拉高派发的手法，到最后出货日已将锁仓筹码大部分抛出，随后又采取打压出货，使股价一落千丈，其出货手法较为凌厉。

与洗盘对比：

(1)单日成交量远远大于洗盘量，一般当日换手在15%以上。(2)出货后三日内股价放量急挫，洗盘后则缩量不跌或微跌。

(3)单日反转一般为主升浪末期，此阶段其股价运行角度变陡，速率明显加快，而洗盘则处于中途形态中，角度较缓，速率较慢。

如图4—16所示，北方国际(000065)于2004年4月9日、10日连续放出天量，拉高出货，两日换手超过55%，庄家单日反转出货。

2.高位宽幅震荡。

特点：高位箱体震荡，阶段换手率往往超过150%。

有些中长线庄家由于持筹较多，控盘超过50%，很难短时间出完筹码，往往要在相对高位反复出货，造成股价在高位宽幅横盘震荡，长达3个月至半年甚至

更长，在此阶段换手往往超过150%。

与洗盘对比：

(1)洗盘区域换手明显小于出货区域换手，一般不足50%；

(2)洗盘区域为中途形态，大多走出三角形，出货区域为反转形态，以双顶

和头肩顶居多；

(3)出货区单日成交量明显大于洗盘区；

(4)出货区往往持续放量，洗盘区阴量往往急速萎缩。

例如图4-17所示，中国联通(600050)，在图示的方框区域，明显构筑复合头肩顶，宽幅震荡出货，且在2004年2月2日跳空高开后掼压出货，并放 出天量，形成经典出货K线——乌云盖顶之式。由于主力筹码较多，在此区域反复震荡出货达3个月之久，换手超过100%，待大部分筹码出净后，股价也跟着一 落

千丈。

跟庄实战应用：

我们再来研究一下如何与庄家一道出货。上面谈了成交量三格定律和洗盘位，那么我们就要运用这种技术来巧妙跟庄了。投资者在庄家启动信号后买进该股，耐心等 待其运行至第一洗盘位，此时如庄家出货量较少，图表中量柱还未达二格，我们可继续持仓，至下一个洗盘位。假如图表中的量柱顶在二格，则可先抛出，待其洗盘 即将结束时再次买回。当其主升浪来临，无量上涨时继续持仓观望，直到某日，在较高的一个洗盘位上放出天量，图表中量柱顶到三格，即为庄家疯狂出货，这时我 们就要毫不犹豫地将手中的该股全部出清。该股在未来几日将全线快速下挫。由于庄家手中筹码较多，不可能短时间出净，在股价重挫之后往往还会有二次反弹出 货，有的庄家还有三次出货，甚至更多，这主要看庄家仓位轻重，以及总出货量决定。

运用此量价时空法则，你不仅可以轻松地洞察主力蛛丝马迹，判断主力做盘意图，明了它何时洗盘、何时出货，骑上黑马也不会轻易被庄家震落马下，从而战胜庄家也便不再是遥不可及的事了。

运用量价时空法则应注意的问题：

lI要有专业技术功底。

上述洗盘位的时空研判，其实本是一套较为专业的技法，要求对道氏理论、江恩理论、黄金分割理论以及时间周期理论等股市经典理论有深度把握。这里只是对其核心技术做了简单的量化，只有全面掌握了此专业技法，才能在实战中运

用自如，保持较高的成功率。

2.要对市场中各类强庄股如数家珍。

只有对各类强庄股的操盘风格及手法了如指掌才能准确把握庄家的脉搏，轻

松跟庄。

3.坚持趋势操作法，回避大盘下跌风险。

再高的高手在大盘下跌趋势中也是赔多赚少，有效回避大盘下跌风险，抓住上升趋势操作，才是市场中获利的永恒法则。诀窍之五胸中有幅“航海图”

历数江汉操盘的九年多的经历，会发现他炒股越来越成熟、越来越精明。1999年“5.19”前的底部，还有2001年6月的顶部„„直至2005年12月的底部，他都成功地踏准了节奏。此外，他事先预测强势板块并准确捕捉强势股的绝活，也常令投资者叹服。

当记者细问起缘由时，江汉回答说：“我也曾有过刻骨铭心的挫折。痛定思痛，我感到在风云莫测的股市必须有一套科学严谨的系统战术和高成功率的技术方法，才 能保证稳定的收益。孙子日：‘知可以战与不可以战者胜。’说白了，在股海里航行，就要有一幅‘航海图’，你才不至于迷失方向。经过多年的实践和总结，我终 于形成了自己的风格，并获得了高回报。”神奇易数泄天机

江汉说：“股市是多变的。拥有高超的波段操作技术，在股市中高抛低吸，是每个投资者梦寐以求的。为了追求这一梦想，投资者大都付出了沉重的代价。我感到要 想准确地捕捉战机，在大盘上涨时介入，而在下跌时空仓观望，这就要求我们要能精确地掌握大盘波动规律，并提前做出中期趋势的判断。

“我多年以来一直试图用最具中国特色的周易预测理论来找出答案，并在市场中得到了验证，2003年5月、2004年4月和2005年9月相对高点的具体时 间，我都提前半年做出了预测，其误差在3天以内，并提前出局，规避了大盘连续下跌的风险。而本人在2005年9月即预测大盘将于2005年12月5日见 底，此次则一天不差。”江汉详述了他研究的部分心得：

(1)六十甲子周期：以中国干支纪年法为时间单位，以甲子至癸亥六十日为

计算周期；(2)将六十甲子按一定坐标系数进行空间排列，找出时空交错点；(3)计算每日大盘旺相休囚系数，画出未来几个月的涨跌趋势图，我称其为“股市航海图”，即“周易指数预测图”；

(4)将时空交错点标注在航海图上，此即为大盘波段顶底的变盘日期。

此图克服了传统六爻预测法因人因时而异的随机性、不确定性因素，皆运用时间定数因子，因此确保了所测结果的惟一性，所计算出的结果与大盘走势可以达到惊人的一致，但在不同的时间周期上，其准确率会不同。

通过以上几种方法对大盘进行综合研判，一个足具前瞻性的时空预测图就展现在我们眼前，伴我们在股海中自由航行而无往不胜。

大资金的进出不像小资金那么灵活，其最理想的操作方式就是按大盘的中期波段进行操作，既可规避风险，又可获得稳定的投资收益。

孙子日：“夫未战而庙算胜者，得算多也，未战而庙算不胜者，得算少也。多算胜，少算不胜，而况于无算乎!”

这就要求操盘手在制订作战计划之前，要对大盘未来趋势作出超前分析，精确判断。我运用周易理论经过七年多的实战总结，相信已经破解了这个最艰难而又最重要 的股市密码，即未来的波段顶与底。此图可谓洞察先机，可以预测未来一年大盘的波段顶与底，在行情未展开之前即对大盘的中期趋势已了然于胸，尤其对机构投资 者大资金的进出更具有战略指导意义。面对风云变幻的中国股市，正所谓：“心事浩茫连广宇，于无声处听惊雷。”走在涨幅榜前列

投资者每天都想抓进涨幅榜的强势股票。那么，有没有什么方法事先预知哪些股票未来几天能进涨幅榜呢?采访中江汉袒露出自己的看盘诀窍：

通过对短线强庄手法的分析，我们发现如下特点：

(1)大多以拉出涨停板方式启动；(2)在每个波段出现涨停的概率较高；

(3)多数为板块龙头；(4)多数为热点板块；(5)涨速快，时间短；

(6)出货坚决，结束时往往伴随天量；

(7)无量涨停还会涨停，放量涨停要小心第二日低开；

(8)一般都会有二次出货，但皆属反弹，涨幅不大，宜快进快出，绝不可恋

战。

由上可知，短线的操作，必须抓那些在未来几日将涨停或进入涨幅榜前5名的股票才能成功。那么，我们该如何把握呢? 其实，只要运用前面讲过的技术就可准确把握了。每日进入涨幅榜前列的股票，一般都会在当日放出巨量，此日也是庄家集中火力运盘的日子。一只股票不可能一直 放量，庄家也不可能天天动用大比例的筹码，因此只有在庄家启动、洗盘、出货时才会放巨量。那么，我们只要通过量价时空法则研判庄家何时启动及何时洗盘，就 能提前介入庄家准备出击的股票，也便不难抓住进入涨幅榜前

列的股票了。

例如南京熊猫(600775)，每次突破箱体均摸涨停板。2006年2月20日，按量价时空理论，该股正好走到洗盘结束位，本人果断介入，第二日该股果然以涨停报收，列涨幅榜榜首。(见图4—18)再如福建水泥(600802)，2006年2月22日经过前面三日低开缩量小阳线主力已洗盘结束，当日巳出现稳步增量，我指导股友买入，第二日放量大涨进 入涨幅前列，但未封涨停。根据成交量分析，我认为该股近日应该出现涨停，结果调整三日后还是以涨停报收。(见图4—19)

短线强庄，信手拈来

“听说你有一个猎击短线强庄股的法则在实战中很管用，能介绍一下吗?”

记者问。

“很多股民喜欢操作短线，但面对千余只股票又束手无策，往往喜欢道听途说，亏了钱又怨天尤人。”江汉说：“这里，我透露给投资者一个非常简单且又非常实用的方法。就两句口诀，可谓道破玄机，百试不爽。过去我从未公开过。”

短线强庄法则第一句：飞龙在天王者现

三十六计第一计瞒天过海云：“备周则意怠，常见则不疑，阴在阳之内不在阳之对，太阳，太阴。”这是说最最隐秘的事物往往隐藏在最最公开的事物之中。我们到 处去寻找强庄股，不如等它出现后便一目了然。市场中实力最强的短线手法，无非是连拉涨停板。那么我们只要把两个月内出现过连续涨停板的股票作为我们的选股 对象就可以了。此种股票是市场中真正的强庄股，足具王者之风，如飞龙在天，气贯长虹。根据强者恒强的原则，经过一段时间的盘整之后，它还会有强劲的市场表 现，再次冲击涨停板。(实际上是主力第一次拉升不可能出完货，必然要再次拉高派发，此时其强庄性质不变，经过两三次派发后，其强庄性质才会开始减弱。)运 用此法，寻找短线强庄股易如反掌。

下一步就是何时介入——

短线强庄法则第二句：再起雄风地量时

根据我的量价时空法则，主力洗盘结束时成交量必然出现大幅萎缩，这是因为主力已到洗盘目标位而不再出手。此时盘面浮筹已很轻，是我们最佳介入时机，即使再跌也是空头陷阱，主力的诡计而已。随后主力必然雄风再起，价升量增，直至再度冲击涨停。

此法运用得当，成功率可达90%。

例如G青松(600425)，2005年7月连续涨停，经过4个多月缩量盘整后，又雄风再起，两个月又大涨40%。

再如G氯碱(600618)，2005年8月连续涨停后经过3个月盘整，于2006年1月11日再次放量，说明即将再次冲击涨停。果然，于2月8日该股再度涨停。

还有秦丰农业(600248)，2005年lO月连续涨停，后于2006年1月25日出现无量跌停板，庄家明显刻意打压，做出空头陷阱，随后主力卷土重来，17个

交易日大涨40%。(见图4—20)注意：经过两三次拉高派发后，不可再轻易介入。

类似的例子不胜枚举。选择介入时机，也还有其他判断依据，投资者可自行总结。运用此法捕捉短线强庄股，可谓以逸待劳，坐收渔翁之利。

沪深别墅成交量下降 篇6

上海:

买卖博弈制约交易达成

有效可售别墅房源的下滑速度,快于买家数量的减少。使得8月上海二手房市场的供需矛盾仍未缓和,成交量连续第2月下滑,价格水平则仍在高位。

8月上海二手房成交套数环比下降12.9%,降幅比上月扩大6.5%;与去年8月份11.3%的环比降幅基本持平,市场仍处于季节性的正常调整范围内。各主要行政区域中,多个区县的成交量下降明显,环比降幅达到两成以上。

供求的失衡,买卖双方的博弈,是近期上海成交下降的根本原因。虽然8月份买家观望情绪渐浓、意向买家有所减少,但成交量长期保持在高位使得可售房源的紧缺程度仍在加剧,加上业主惜售心态明显,两者共同导致了8月交易量的下降。统计数据还显示,8月上海全市二手房的新增挂牌套数环比下降19.4%,新增供应的减少速度快于需求的下滑。

深圳:

贷款收紧政策影响成交

深圳由于市场容量相对较小,同时由于紧贴香港,投资比重大,所以这个市场往往波动起伏很大,如果没有外因过多参与,市场自己很容易走极端,一旦有外因如政策方面的风吹草动,它更是上蹿下跳。

受二套首付从严控制影响,8月深圳别墅成交量出现明显下滑。

二套房贷从紧政策问世,直接影响到市场整体成交氛围。加上8月本是楼市传统淡季,市场成交量下滑不可避免。虽然部分刚性需求受到抑制,投资客开始谨慎投资,但受未来通货膨胀预期影响,持币者为降低资产缩水的风险,仍会选择房产实现资产的保值、增值。

深圳地区因房贷政策的转向,使得上半年快速增长的成交量开始回落,购房者逐渐理性,因此可以预测,深圳楼市在短期内成交量难以明显回升。

苏州房产成交量的ARMA模型 篇7

关键词：ARMA模型,成交量,预测,苏州

引言

房地产是城市经济发展的主导产业[1]。近几年, 苏州市房地产业已经成为苏州市国民经济的支柱产业之一, 苏州市房产交易的变化情况是大众关注的焦点。目前国内对房产的统计研究文献已有很多的, 例如, 用ARIMA模型对商品住房价格指数进行拟合预测并给出未来价格指数的变化趋势[2];基于BP神经网络的时间序列对房价进行拟合预测[3];运用GM (1, 1) 模型对房地产价格指数在房产新政情况下未来走势的预测和对比分析[4];建立房屋销售价格指数和深交所地产指数的协整关系并做Granger因果检验[5];对上海基础房价相关指标进行分析, 运用主成分分析回归拟合房价, 并运用核估计方法预测房价[6]。

我们注意到很少有文献讨论房产成交量的建模问题, 本文在这方面进行了尝试。基于从搜房网和365地产家居网等网络媒体以及苏州本地报刊搜集的苏州市2009年1月至2013年4月的每周房产成交量数据, 我们用ARMA模型对每4周的数据进行了拟合, 分析显示, AR (1) 模型与实际房产成交量数据拟合较好, 且短期预测结果与实际结果误差也较小。从该模型来看, 限购令前后这四年来苏州房产成交量总体保持了平稳趋势, 且有短期的正相关性。这反映出苏州市政府出台的房产政策是有明显效果的, 稳定住了苏州的房产市场。

一、ARMA模型[7]简介

ARMA模型 (自回归移动平均模型) 是美国统计学家Box和英国统计学家Jenkins在总结前人研究成果的基础上创立的用于时间序列识别、估计、检验及预测的分析方法。

对于时间序列{xt, t∈T}, ARMA (p, q) 模型结构为:

#!xt=准0+准1xt-1+…+准pxt-p+εt-θ1εt-1-…-θqεt-q

其中, AR是自回归模型, p是自回归阶数, MA是移动平均模型, q是移动平均阶数。ARMA模型根据回归中所含部分不同, 包括自回归过程 (AR (p) ) 、移动平均过程 (MA (q) ) 及ARMA (p, q) 过程。

ARMA建模基本过程一般包括以下步骤: (1) 平稳性检验; (2) 非白噪声检验; (3) 求出样本自相关系数 (ACF) 和样本偏自相关系数 (PACF) ; (4) 模型识别 (定阶) ; (5) 参数估计; (6) 模型检验; (7) 模型优化; (8) 序列预测。

二、成交量的ARMA模型

我们从搜房网和365地产家居网等网络媒体以及苏州本地报刊搜集了苏州市2009年1月至2013年4月的每周房产成交量数据。考虑到每年春节、国庆时期房产相关数据波动剧烈, 因此我们将这些数据定义为异常值。又由于搜集时2009年1月19日至2月21日、3月2—8日这三周数据缺失, 因此将这些数据定义为缺失值。我们选取了2009年1月5日至2012年12月2日的每四周成交量, 用Xt表示。对此成交量数据尝试用ARMA模型进行拟合。下面给出建模过程的序列平稳性检验、非白噪声检验、模型识别、参数估计、模型检验和短期预测的相应结果。

(一) 平稳性与非白噪声检验

首先, 利用该时间序列做出时序图和自相关图, 由自相关图可知, 自相关系数在3阶后衰减到2倍标准差之内, 可以认为该序列平稳。

然后, 对序列进行白噪声检验, 由白噪声检验结果可知 (见表1) , 在各阶延迟下P值<0.001, 故可认为该序列为非白噪声序列。

(二) 建立ARMA模型

1. 模型定阶。

选取ARMA模型, 由sas软件算出时间序列Xt的自相关函数 (ACF) 和偏自相关函数 (PACF) , 考虑 (p, q) 的不同组合p=0∶5, q=0∶5, 运用BIC准则, 选取BIC达到最小的那一组阶数为最佳模型阶数, 由sas程序运行结果可知选择AR (1) 为最优模型。

2. 参数估计。

运用最小二乘法对AR (1) 模型进行参数估计, 由sas程序运行结果 (见表2) 可知, 模型参数均显著, 模型拟合的具体形式即为:

由模型可知, μ=4796.7, 令yt=xt-4796.7, 将{xt}中心化可得:

因此参数检验结果显示每四周成交量当期波动受到往前第一期的影响, 从回归系数的正负号可看出, 往前第一期的波动增加则当期波动增加, 往前第一期的波动减少则当期波动减少。从回归系数的绝对值大小可看出, 往前第一期的波动对当期波动调整幅度比较大, 单位调整比例为0.74014。

表2AR (1) 模型的参数估计

3. 模型检验。

对模型进行检验, 即检验残差序列是否是白噪声序列, 由sas程序运行结果可知 (见表3) , 各阶延迟下P值均大于0.05, 所以该拟合模型显著成立。

4. 成交量预测。

由2009年1月5日至2012年12月02日的每四周成交量的数据拟合得到的模型, 向后做3期预测, 预测结果如下, 由表4可知, 向后预测的2期误差百分比前两期均在10%以内, 而第三期因为包含春节的关系, 所以预测效果不好, 因此排除特殊节日异常值的关系, 预测效果还算好。

结论

以往文献主要讨论房产价格, 但关于房产成交量建模的文献很少, 本文尝试对房产成交量建模进行了的研究.本文对苏州房产市场2009—2013年每四周的成交量数据拟合建立了AR (1) 模型:xt=4 796.7+εt1-0.74014B。

从此拟合结果来看, 这四年来苏州房产成交量保持着平稳趋势, 且有短期的正相关性。具体分析其原因, 我们认为主要是苏州市政府的房产政策干预的结果。从时间上看, 2009—2011年初房产成交量有一定的上涨的趋势, 但后期受到政府限购与保障房等政策的干预, 成交量有所下滑与震荡, 因此这四年来苏州房产成交量整体上显示出平稳趋势, 这从侧面反映出政府的介入干预是有效的, 达到了稳定房产市场的效果。

参考文献

[1]王克忠.房地产经济学[M].上海:复旦大学出版社, 1995:5-9.

[2]尤梅芳, 黄敏, 程立.ARIMA模型在房价预测中的应用:四川省商品住房价格指数未来走势的实证分析[J].中国物价, 2009, (6) :38-40.

[3]陈基纯, 王枫.房地产价格时间序列预测的BP神经网络方法[J].统计与决策, 2008, (14) :42-43.

[4]夏文洁, 曹丽娟.房价指数变化趋势分析及预测[J].科技创业, 2010, (11) :85-86.

[5]李运蒙.房屋销售价格指数与地产指数关系的协整分析[J].数学的实践与认识, 2010, (20) :38-41.

[6]袁珊珊, 陆余楚.上海基础房价相关指标及走势的分析与研究[J].应用数学与计算数学学报, 2006, (2) :71-76.

[7]王燕.应用时间序列分析:第2版[M].北京:中国人民出版社, 2008:41-100.

基于BPNN的房产成交量预测 篇8

人工神经网络,又称为神经网络(Neural Network,简称NN),是由大量处理单元(Neurons,神经元)互连而成的网络,是对人脑的抽象、简化和模拟,可以反映人脑的基本特性。神经网络由于其独特的类似于人脑的学习和识别的能力,在社会生活的许多领域都有应用。其中,利用神经网络进行预测可谓近年来最受广大专家学者瞩目的课题。

1 BP神经网络

BP(Back Propagation)神经网络是一种多层前馈神经网络,在它的实现过程中也可以理解为多层的感知器。其工作本质即通过调整网络权值,然后进行相应的训练,不断修正误差,能够推动反向传播学习,这一过程也称之为BP学习算法。该算法结构比较简单,参数大多可以调整,训练的算法也有很多,容易上手、可操控性良好,所以BP神经网络从初始提出到现在一直都得到了广泛的实际应用。

1.1BP网络结构

BP网络结构是一种具有三层以上神经元的神经结构,包括输入层、中间层(隐层)和输出层。上下层实现全连接,而每层神经元之间没有连接。

1.2 BP网络学习规则

输入层的神经元连接外界的输入信息,此处的神经元个数由输入的信息种类决定;中间层是内部信息处理层,根据具体情况可以设计为单个隐层或者多个隐层;最后一个隐层传递到输出层各神经元的信息,经过进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息、处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反向传播。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。

2 MATLAB神经网络工具箱(简称NNT)

MATLAB软件不断推陈出新,在神经网络的仿真方面也有了越来越便捷的方法。尤其是NNT的出现,使得神经网络的应用有了质的飞跃。NNT不但让网络训练学习的过程有一个可视化的感观认识,而且能够提高计算的准确度和精度。

MATLAB当前的版本已经涵盖了神经网络的基本常用模型,对于各种不同的网络模型还集成了多种学习算法,为用户的学习使用提供了便利。此外,NNT还包括大量的GUI和演示实例,有助于提高初学者的学习兴趣以及加深理解。

总之,NNT是一个内容全面、操作方便的软件包,对于广大神经网络系统的研发者来说,掌握NNT的应用将使自己如虎添翼。

3 预测方法

3.1 问题描述

本文以某市商品房销售量走势的预测为例,如图一所示。采用三层BP网络结构设计,输入层为3个节点、隐层为5 个节点、输出层为1 个节点,隐层和输出层的激励函数分别选用正切S型传递函数tansig、对数S型传递函数purelin,训练函数为梯度下降函数traingd。预测方法采用滚动预测,即用前三日的成交量来预测第四日的成交量,如用7、8、9日的成交量作为输入来预测10 日的成交量,用8、9、10 日的成交量为输入来预测11 日的成交量,如此反复直至满足预测精度要求为止。

3.2 网络的学习训练

首先,要对数据进行归一化处理,本文所采用的归一化公式是。

经过处理后,以每前三日成交量作为输入,即:

以第四日成交量归一化处理后作为目标向量,即:

3.3 仿真结果及分析

在MATLAB环境下编程后,可以得到训练结果的均方误差和目标值,分别如图二、图三所示。

由此可见,即使在样本较少的情况下,输出向量与目标向量还是比较接近。如图三所示,在预测的3个目标值中,有两个值基本吻合,一个值稍有偏差。

3.4 心得体会

通过该例,笔者对MATLAB不断强大的NNT功能又有了新的体会,它的编程语句更简单,GUI更为友好。例如网络创建函数newff,以前的格式需要对网络输入向量取值范围用矩阵来说明,而现在直接写出输入输出向量即可。又如在网络训练后,现在的MATLAB版本可以直接看到各种图形,更加直观明了。

4 结束语

鉴于当前房地产行业的迅猛发展,我国房地产业已逐步成为对我国社会经济发展具有重大影响的产业部门,但同时也导致了许多问题的出现,如房地产业的过度投资、房价涨幅过快、房屋空置率居高等。这些问题迫切要求政府和相关主管部门在对房地产市场供需情况作出正确预测的基础上,充分发挥作用,引导房地产业正确发展;同时随着竞争的加剧,房地产企业要想在竞争中制胜,必然需要准确的市场判断,对于个人投资,更是想方设法减少风险、加大受益。因此,政府和企业以及个人对市场的判断及决策,都离不开行业发展数据和信息的支持。而BP神经网络技术在MATLAB强大功能的支撑下,以其编程简洁、预测合理的特点,能够较好的解决这个问题。

摘要：本文从神经网络的定义开始,介绍了BP神经网络和MATLAB神经网络工具箱,并以某市商品房销售量走势的预测为例,详细解析了利用BP神经网络预测的方法。大量的仿真实验表明,该神经网络可以对房产销售走势作出比较客观准确的判断,能够为相关政府部门、企业管理以及个人投资提供及时理性的参考。

关键词：BP神经网络,MATLAB,预测

参考文献

[1]Matlab BP神经网络预测下一组数据问题[EB/OL].http://www.xue163.com/.

[2]戴文战,娄海川,杨爱萍.非线性系统神经网络预测控制研究进展[J].控制理论与应用,2009,26(05):521-530.

[3]潘慧,李强,汝骏仁,等.苏州房产成交量的ARMA模型[J].经济研究导刊,2013,(24):241-242.

[4]毛发庭.我国房地产开发在目标成本管理下的成本控制研究[J].工程建设标准化,2015,(03):159.

[5]李艳英,于春晓,侯永海.BP神经网络预测控制算法研究及其应用[J].信息安全与技术,2014,5(08):38-41.

[6]韩红彩.神经网络预测控制算法研究[D].天津:天津工业大学,2011.

[7]陈淑华,付青,马桂龙,等.基于神经网络自适应预测算法的谐波检测[J].电工技术学报,2011,(S1):200-206.

北京豪宅:四季度成交量将继续下探 篇9

成交量缩水7成, 成交价格却上涨7成。今年三季度, 北京豪宅市场上演了量跌价涨的一幕。

根据北京房地产交易管理网数据显示, 今年三季度成交均价排在前30的商品房项目, 签约率仅为4.5%, 环比和同比跌幅分别为26.2%和74.6%, 不过, 30个项目的成交均价为57561元每平米, 环比上涨7.1%, 同比涨幅更达57.8%。

中原地产分析认为, 随着调控政策逐步深入, 预计四季度北京豪宅市场的成交量和均价将会面临双双下探。

成交均价创新高退房率高企

日前, 北京市房地产交易管理网公布的“2010年三季度商品住宅成交均价排名”显示, 排在前30个商品房项目总供应量为7765套, 但实际成交仅为352套, 签约率4.5%, 而7.2万平方米的成交面积, 也创下了近年来新低, 同比和环比降幅分别为67%和22.3%。

不过, 成交均价却由于部分高档项目入市逆势上涨。其中, 8月入市的霞公府取代东钓鱼台家园荣登冠军宝座, 以每平方米107910元的成交均价, 成为京城当下最贵楼盘。销售均价超过9万元每平方米的项目, 从二季度的1个变为3个。

根据统计, 约70%的项目在三季度出现价格上扬。例如, 四季世家二季度成交均价为67989元每平方米, 三季度上涨12.8%至76719元每平方米;复地西绒线26号的成交均价, 也从二季度的52619元每平方米, 升至三季度的96162元每平方米, 涨幅83%。

不过, 也有一部分项目随着成交量萎缩主动降价, 降幅最高超2成。其中, 首创禧瑞都苑均价从二季度的64465元每平方米, 降至三季度的59484元每平方米, 降幅7.73%;而新燕都家园则从二季度的75376元每平方米下调20.4%到6万元每平方米。适度的降价让这部分高端项目获得了不错的销售业绩,

另外值得注意的是, 在成交均价大幅上扬的同时, 三季度豪宅市场的退房率也明显上升。

其中, 七星摩根广场又名盘古大观, 在三季度的退房率高达39.75%, 位列项目退房首位, 7-9月三个月内, 每个月都有明显的退房记录。此外, 很多豪宅项目在三季度也均有明显的退房记录, 中原地产分析认为, 这也是导致部分项目销售趋冷的原因之一。

四季度豪宅市场将现量价双跌

中原地产认为, 豪宅市场并未在三季度出现同普通住宅市场一样的回暖, 主要是由于普宅市场大部分为刚性需求青睐的中低价房, 支撑了其逆势反弹。而豪宅市场由于总价高, 购买群体比较固定, 大部分需求并未盲目入市。

其次, 豪宅楼盘多为老项目后期, 从企业形象和前期销售压力来看, 都不太可能主动下调价格。因此, 三季度的豪宅市场从整体上呈现出量跌价涨的局面。

而对于今年四季度的走势, 中原地产认为, 二次调控的影响将明显作用于豪宅市场。在可以预见在调控高压下, 很多潜在购房人都会放缓购房, 甚至部分之前已经意向的成交也会出现退房现象。

产品成交量 篇10

行为金融学研究者和职业股票交易者都将成交量作为影响股价走势的一个重要因素, 他们认为成交量反映了多空双方在某个阶段的实力对比以及对后市的信心强弱, 更有“价走量先行”的说法。国外研究者己经进行了大量的关于价量关系的研究工作, 其中Kenneth A.Kim和John R.Nofsinger在研究亚洲投资者金融行为特征时, 发现亚洲证券市场上的价格波动受投资者交易习惯和交易倾向的影响。

鉴于此, 本文围绕以下问题进行研究: (1) 探讨成交量和股价之间是否相关, 验证成交量变动能否引起股票价格波动。 (2) 如果成交量变动能够引发股价波动, 探究建立包含成交量在内的、用以解释股价波动的计量经济模型。 (3) 分析成交量变化和股价波动之间的因果关系。

文献综述

国外研究成交量与股价之间关系的文献较多, 既包括依据传统经济学理论而建立模型的研究, 也包括利用现代行为金融学理论进行的实证分析。但国内研究两者间关系的文献较少。综合各类文献的结论, 关于成交量与股票价格关系的问题在理论界仍然没有取得共识, 但是大多数学者的研究结果表明, 成交量与股价之间存在着长期稳定关系。少部分学者得出成交量和股价之间没有关系的结论。

对于股票成交量和股价关系的实证研究可以追溯到Osbonre (1959) , 他通过建立模型, 说明了股价变动是一个扩散过程, 其方差取决于交易的次数。而关于量价关系的实证检验最早是由Granger和Morgenstern (1963) 做的, 他们使用1939年到1961年的周数据进行谱分析 (spectralan alysis) , 发现SEC成份指数走势与纽约股票交易所的总成交量之间没有关系。

1964年, Godfrey, Granger和Morgenstern利用新的数据序列再次进行了论证, 这些数据包括一些个股的每日交易数据, 但是他们仍然没有发现价格和成交量或者价格差分的绝对值与成交量之间的相关关系。

Karpoff (1987) 通过对月度, 周和一些日股票收益进行研究, 得出了交易量和股票价格波动之间具有正向变动关系的研究结论。最近, 支持这一结论的有Jain and Joh (1988) , Schwert (1989) , Gallant等 (1992) , Lamoureux和Lastrapes (1990) 以及Andersen (1996) 。

近几年, 我国部分学者也对此问题进行了研究和探讨。赵春光和袁君丽 (2001) 以深圳证券市场为对象, 研究了成交量与股价之间的关系, 得出了价格和成交量之间存在短期的因果关系, 以及成交量对价格影响较小等结论。

赵留彦等 (2003) 使用EGARCH类模型对我国沪深股市1996年以后的数据进行了实证检验, 他们将成交量引入方差方程中, 发现成交量对股价波动没有确定一致的解释作用和先导作用, 不过将成交量划分为预期和非预期部分后, 发现这两个部分对收益率波动的影响是有区别的, 预期到的交易量变动同股价波动没有明显相关性, 而非预期的部分不但与同期的股价波动正相关, 还可以为下期的股价波动提供预测信息。

影响股价波动的一般理论

戈登模型是M.J Gordon于1967年建立的, 它揭示了股票价格、预期及股息和股息增长率之间的关系。用公式表示为:

其中:P为股票价格, D为预期基期每股股息, i为折现率, g为股息年增长率, 假设g保持不变。一般来说, 折现率由货币市场的利率水平和股票的风险报酬率两部分组成, 即。而货币市场的利率水平又可以通过利率平价公式来表示, 即, 其中为本国货币市场利率, 为外国货币市场利率, 为本国货币相对外国货币的预期贬值率。

因此, (1) 式可表示为:P=D/ (r`+f+i-g) 。

通常, 我们假定外国市场利率 () 比较稳定或变动较小, 从上述等式可以看出, P与f成反比, 说明股价与本币未来贬值率成反比, 即与本币未来走势成正比, 股市与汇市将同升同跌, 同方向变动。显然, 在资本自由流动、汇率和利率形成市场化条件下, 戈登模型简洁地揭示了证券市场与货币市场之间的互动关系。

成交量变动对股价波动影响的实证分析

1. 样本选取及相关性分析

本文选取的样本为汇率制度改革后的相关数据。实践证明了2005年7月21日的汇率改革成为股市长期下跌之后强劲反弹的一个契机, 与此同时股权流通改革方案也渐趋明朗, 随着股改的深入, 股票市场的有效性得到提高, 与其他市场的联动性也有所增强, 基本符合相关研究的假设前提。本文选取的相关变量有:上证指数每日修正收盘价 (R日) 、每月修正收盘价 (R月) , 每日成交量 (V日) 、每月成交量 (V月) , 月平均美元兑人民币汇率 (XR) , 月无风险利率 (I) , 反映国民经济基本情况的GDP, 以及消费物价指数 (CPI) 。其中上证指数的修正收盘价是采用“除数修正法”修正原固定除数, 以维持指数的连续性。具体公式为:报告期指数= (报告期采样股的市价总值/基日采样股的市价总值) ×100, 市价总值=∑ (市价×发行股数) 。基日采样股的市价总值亦称为除数。修正公式为:修正前采样股的市价总值/原除数=修正后采样的市价总值/修正后的除数。需进行指数修正的情况包括新股上市;股票摘牌;股本数量变动 (送股、配股、减资等等) ;股票撤权 (暂时不计入指数) 、复权 (重新计入指数) ;汇率变动等。修正的日数据, 选取的时间段为2005.8.1~2008.4.10, 由于法定节假日股市停盘, 在分析时对数据进行了处理, 合计有效数据642组;月数据的选取范围为2005.8~2008.3, 共计32组数据, 原始数据来自雅虎财经 (http://cn.finance.yahoo.com) 。美元兑人民币汇率、无风险利率来自中国人民银行网站, GDP及CPI数据来自国家统计局。本文的统计分析采用Eviews和Excel软件完成。

从图1和图2可以看出, 汇率改革后, 股价和成交量先是经历了一段相对较长的平稳震荡调整期, 而后于2006年11月份起, 至2007年11月, 股价和成交量大体呈固定高增长率增长, 在此期间股价曾于2007年10月16日达到最高的6124.04点, 而在此之前的2007年5月9日成交量曾达到最高218562859亿元。此后, 股票和成交量呈回落态势。值得注意的是, 从图形走势看, 成交量和股价存在较大的相似性, 成交量的变化对股价波动有一定预示作用。

我们应用Eviews5.0对每月修正收盘价, 每月成交量, 月平均美元兑人民币汇率, 月无风险利率, GDP, 以CPI等变量进行相关性分析, 结果见表1:

表1表明, 上证指数同成交量、利率、GDP以及CPI之间正相关, 其中, 利率、CPI同上证指数相关性较高, 并且利率同CPI本身也有较高的相关性。从表中我们可以看出上证指数与汇率负相关, 相关系数高达0.904, 说明汇率的下降可能会导致上证指数的升高。为了明确表示上证指数与成交量, 美元兑人民币汇率, 利率, GDP及CPI等之间的确切关系, 下面我们对其进行单位根检验、协整检验和格兰杰因果检验。

2. 单位根检验

平稳的时间序列, 是指产生这个序列的基本规则不随时间的变化而变化, 具体来说, 就是平稳序列在不同时间段上的统计特征基本相同。单位根检验是现代时间序列分析中检验平稳性的有效方法, 近年来在实证金融分析中被广泛采用。本文应用ADF单位根检验法检验各序列的平稳性, 结果见表2

注:检验方程中含有截距项 (常数项) , 变量滞后1期。Ln (x) 是指对变量x取自然对数。

表2表明, Ln (R日) 、Ln (v日) 、Ln (R月) 、Ln (v月) 、Ln (XR) 、Ln (I) 、Ln (CPI) 、Ln (GDP) 都是非平稳序列, 而其一阶差分序列在10%显着水平下, 都是平稳序列。

3. 协整检验

协整分析的基本思想是:在实际中, 多数经济时间序列都是非平稳的, 但某些非平稳经济时间序列的某种线性组合却表现出平稳性, 这说明这些变量之间存在长期稳定关系。若变量之间存在协整关系, 便可以通过某变量水平值的变化来影响另一变量水平值的变化。虽然序列Ln (R月) 、Ln (v月) 、Ln (XR) 、Ln (I) 、Ln (CPI) 、Ln (GDP) 都是非平稳序列, 但是它们的线性组合可能是平稳序列, 称Ln (R月) 、Ln (v月) 、Ln (XR) 、Ln (I) 、Ln (CPI) 、Ln (GDP) 存在协整关系, 即它们之间存在一种长期稳定的均衡关系。

Johansen在1988年和1990年与Juselius一起提出了一种以VAR模型为基础的检验协整关系的方法, 是进行多变量协整检验的较好的方法, 本文采用Johansen协整检验法。

(1) 未考虑成交量的Johansen协整检验

在研究多变量对股价波动影响时, 戈登模型表明股票价格波动受汇率、利率、及物价水平变动的影响。因此, 我们将股票价格定义为下列假设线性方程 (Ki-ho Kim (2003) ) :

为检验上述方程的可靠性, 对相关变量进行协整检验。

表3是VAR模型和协整方程中都只含有截距项的Johansen协整检验结果。可以看出, 在5%的显着性水平下, 除至多四个协整向量个数的检验外, 其他检验的似然比都大于临界值, 拒绝原假设, 说明股价指数与汇率、利率、GDP、CPI之间存在着协整关系。协整方程为:

注:括号中所列的是标准差。

从统计上看, 这个回归方程的拟合效果较好, 回归方程在统计上有意义。但是, 我们发现汇率等自变量和常数项的系数未能通过T检验, 可能是由于方程中自变量的相关系数较高的缘故。同时, 这个方程还说明了汇率变动并未能直接影响股票的价格波动。

(2) 成交量同股价的Johansen协整检验

为确定能否将成交量作为解释变量纳入传统的关于影响股价波动的经济学模型, 需确定成交量同股价之间是否存在协整关系, 为使统计数据获得更好的稳定性, 本文选用各交易日内股票市场的相关数据检验成交量和股价的协整关系。

表4是VAR模型和协整方程中都只含有截距项的Johansen协整检验结果。可以看出, 在5%的显着性水平下, 检验似然比大于临界值 (26.664>15.495) , 拒绝原假设, 说明成交量同股价之间存在长期的均衡关系, 即协整关系。

由于股价同汇率、利率、GDP、CPI都存在着协整关系, 而成交量本身同GDP、利率、汇率、CPI相关性较低 (相关系数分别为0.155、0.368、-0.506、0.408) , 因此可将成交量纳入原假设方程, 得到新的协整方程如下:

注:括号中所列的是标准差。

从方程 (4) 可以看出, 方程 (4) 比 (3) 在拟合程度上有了显着的提高。上证指数波动同成交量、GDP、利率的变动有显着的正相关性。从R2统计量上看, 将成交量纳入模型后的方程较为成功 (调整后的R2=0.947>0.839) 。相关数据表明纳入成交量后的方程对股价波动的解释作用更强了, 表明2005年8月至2008年3月间上证指数变化中, 有94.7%以上是由于成交量、汇率、利率、GDP、CPI等变量的变化导致的。方程 (4) 表明, 利率变动将导致上证指数的正向波动, 这一结论虽与传统理论中两者间的负相关关系不同, 但同众多国内学者实证研究的结论相一致。

4. Granger因果关系检验

协整分析已经得出股价同成交量、汇率、利率、GDP、CPI间存在一种长期的均衡关系, 但它们之间是否存在因果关系?我们不得而知。为此, 本文运用Granger因果关系检验, 检验变量之间是否构成因果关系。首先, 确定滞后期数。根据自相关函数 (ACF) 和部分自相关函数 (PACF) 计算得知相关变量均为AR (1) 过程。因此, 滞后期数 (1ags) 取为1。然后, 进行Granger因果关系检验。检验结果如表5所示:

表5表明, 在5%的显着性水平下, 可以认为R日和V日之间存在双向的Granger因果关系。而R月与V月的关系是单向引导的, 即成交量变动导致股价波动。另外, R月与I之间存在双向的Granger因果关系, R月与XR之间不存在Granger因果关系, 以及R月与GDP、CPI之间存在单向的Granger因果关系。具体而言, 上证指数的波动会导致GDP和CPI量上的变动。

5. 实证检验结果

(1) 股价指数与汇率、利率、GDP、CPI之间的确存在协整关系

实证检验结果表明, 股价指数与汇率、利率、GDP、CPI之间的确存在协整关系。其中, 上证指数同利率、GDP、CPI正相关, 与汇率反相关。在因果关系方面, 国外传统模型证实了影响股价波动的因素只有利率, 但同时股价的波动仍会导致G D P和CPI的变动。这个结论同样适用上海的股票市场。这也证实了中国货币市场同股票市场间存在相互作用的关系, 通过调节利率等指标会影响股票市场中股价的变动, 与此同时, 股票市场对货币市场, 甚至商品生产市场有一定的反馈作用, 股指的波动会导致社会生产发生相应的调整, 并导致全社会的居民消费物价指数发生变动。在当前居民消费物价指数呈现过快增长趋势的前提条件下, 适当控制股票市场价格的波动有利于控制物价指数。

我们还发现, 虽然针对美国等开放经济国家的实证检验多数都表明, 股票市场与汇率市场存在着显着的长短期双向协整关系。而对我国同类数据进行的检验, 结果与国外文献的研究结果存在很大的不同, 这说明我国证券市场与汇率市场的联系虽有加强的趋势, 但目前联系并不紧密。具体表现在上证指数同汇率之间不存在理论上的因果关系, 原因在于, 在我国股票市场发展过程中, 为了保全上市公司的公有制性质, 股票市场人为地分割了股份的性质。上市公司总市值中只有一小部分是可流通股, 国有股和法人股不流通。这样, 价格就在一小部分股票的买卖中产生, 其他股票的价格通过套算形成, 因而股价并不真正反映股东财富的真正价值和公司资产的风险暴露。股价形成机制不合理, 信息含量低, 不能反映人们对于上市公司收益的各种风险暴露的预期, 也很难对汇率的变化做出反应。

(2) 成交量和股价指数之间存在因果关系

Johansen检验结果表明, 上证指数同成交量之间有较强的相关性。Granger因果关系检验表明, 上证指数每日收盘价和对应的日成交量具有双向引导关系。即成交量的变动会导致股价指数的变动, 同时, 股价指数的波动也会引发成交量上的变化, 两者之间的相互作用较为显着。而当以月为统计期间单位时, 成交量的变动仍能引导上证指数发生同向的波动, 但上证指数的波动不会引起成交量发生相应的变动。

汇率改革后, 股价和成交量先是经历了一段相对较长的平稳的震荡调整期, 而后进入高增长率增长阶段, 在此期间成交量于2007年5月9日达到历史最高, 股价于2007年10月16日达到最高。随后股票价格随之前成交量的变动趋势呈回落态势, 成交量变化对股价波动有一定预示作用。实证分析结果证实了存在价格和成交量之间的内在关系, 即价格和成交量是从不同角度对市场行为的反映, 二者之间必然存在一定联系。这种联系的具体表现为成交量是对价格的确认, 如果价格上涨, 买卖双方对价格的分歧加大, 参加买卖的人数增加, 成交量也会随之上升。而相关数据也验证了价升量增这一价量间的一般关系。

结论

本文从判断成交量变动能否影响股票指数波动为根本出发点, 分析了影响股价波动的相关要素。实证研究结果表明“价走量先行”。成交是交易的目的和实质, 是市场存在的根本意义, 成交量是股票市场的原动力, 没有成交量配合的股价形同无本之木。因此, 成交量是投资者分析判断市场行情并做出投资决策的重要依据, 也是各种技术分析指标应用时不可或缺的参照。成交量的变化最能反映股市的大趋势。上升行情中, 做长线和短线都可获利, 因此股票换手频繁, 成交量放大;在下跌行情中, 人气日趋散淡, 成交量缩小。

我们也要意识到, 中国股票市场从成立到现在才近二十个年头, 证券市场还很不完善, 而本文的相关结论证实了中国股票市场的改革取得了一定的成效, 也存在着一些不足, 主要是上市公司股份被分为流通股和非流通股。大部分股票不流通, 人为地造成了股票供求关系的非均衡, 导致股票价格扭曲, 估值体系失真。

本研究存在的问题

(1) 数据实际值的转换

成交量有多种度量方法, 包括成交次数、成交股数、成交金额等, 我们不知道那种度量方法比较适合用来讨论股价波动问题, 本文中对利率、汇率、GDP、CPI等的转换只是初步的, 由于这些变量本身实际值和名义值的转换方法有多种, 可能与利用其他方法转换数据而得出的相关结论存在一定的差异。

(2) 政府干预的考虑

本文未对政府干预这一普遍存在于中国股票市场本身的指标予以考虑。政府作为监管者为股票市场设定大量的管制规则, 在这些管制规则下, 股票市场资源被中央政府采用“计划管理、规模控制”的办法分配到全国, 并在各地区、各部门之间进行利益平衡。同时, 国有企业在此过程中享受特别优待。自然地, 不同类型的企业之间正常的融资竞争受到了限制, 代之而来的是地区之间、部门之间和企业之间为获取融资资格而进行的“寻租”竞争, 这些都将导致成交量和股价的非正常变化。

(3) 结论的普遍性