发布时间：2023-09-25 11:51:39
绪论：一篇引人入胜的风险的基本特征，需要建立在充分的资料搜集和文献研究之上。搜杂志网为您汇编了三篇范文，供您参考和学习。
一、关于β系数的稳定性研究
贝塔系数是用于衡量证券市场系统风险的一个重要概念。通过对贝塔系数的估计，投资者可以预测证券未来的市场风险。但是，贝塔系数必须要用过去的数据来估计。所以，除非贝塔系数具有相对的稳定性，否则，它就无法作为证券市场未来系统风险性的无偏差估计。
Blume于1971年在《Beta and Their Regression Tendencies》一文，研究了1926年1月到1968年6月间在纽约证券交易所上市的所有股票。他以每7年为一个时间段，用月收益率数据估计出各个时间段的β系数，然后以统计学的相关分析法为基础，对β系数的稳定性作了深入的研究，最后得出如下结论：在一个时期里估计出来的β系数是其未来估计值的有偏估计；组合规模越大，估计时间段越长，其未来的β系数越能被准确地预测。
靳云汇、李学于2000年在《中国股市β系数的实证研究》一文中，对沪深两市51种1992年以前上市的股票进行了研究，研究结果表明：股票β系数随着上市时间增加基本上趋于不稳定，利用β系数的历史数据来预测未来β系数的可靠性较差。
在关于β系数稳定性的研究中，绝大多数研究认为证券的β系数不具有稳定性，虽然可以借助于组合的方式来获得较为稳定的β系数，但对于大多数的个人投资者来讲，这意味着不能简单地用过去时期数据所估计的β系数作为当前和未来时期的预测值。
二、关于β系数的影响因素研究
从国内外的研究来看，对影响股票风险因素的研究主要集中在分析公司基本特征和行业因素这两个方面。理论上，公司规模的大小、资本结构、经营收入的周期性及公司的负债比例等基本特征的变化将改变公司的风险特性，从而影响公司所发行股票的风险。因此，学术界对公司的基本特征变量是否会影响其股票的系统性风险系数展开研究。
Beaver从公司基本特征入手研究股票β值的影响因素，研究结果表明：在1947年至1956年和1957年至1965年这两个期间，纽约证券市场上307家上市公司单个股票和5种股票的组合的系统风险与盈利变动性、股利支付率、会计贝塔系数和财务杠杆这4个会计变量之间一致且显著相关；对于每个变量，组合的相关程度高于个股的相关程度；系统风险与成长性、规模和流动比率这3个会计变量之间的关系与理论假设不一致或显著无关。
Bildersee研究了1956年至1966年期间纽约证券市场制造业和零售业的71家公司的系统风险与11个会计变量之间的相互关系，最后指出了与系统风险相关的6个会计变量――负债比率、优先股与普通股的比例、销售与权益资本的比例、流动比率、市盈率的标准差、会计贝塔系数，并建立了多元线性回归模型。
Rosenberg和Marathe（1975）进一步把39个行业哑变量加入股票β值的分析模型中，来解释股票β值的差异，形成著名的集个股市场特征、公司基本因素和行业性质于一体的“罗森伯格系统”（Rosenberg’s system）。
吕长江，赵岩于2003年在《中国证券市场中Beta系数的存在性及其相关特性研究》一文中经过研究发现：中国证券市场中Beta系数并不存在显著的行业差异，但在按照是否被纳入计算成份类指数的标准将股票进行分类，即分为成份股和非成份股，这两大类股票的Beta系数存在显著的差异。
刘永涛于2004年在《上海证券市场β系数相关特性的实证研究》一文中指出：就我国目前的五行业分类方法来看，β系数在行业间的区分并不明显；在证监会的CSRC行业分类标准下，β系数在各行业的区分整体上表现出差别性，但两两之间β系数的差别不具有统计学意义。
三、关于β系数的预测性研究
由于经验研究已经证明β系数具有不稳定性，因此，如何准确地预测未来的β值就成为至关重要的问题。对未来β系数的预测主要有两条不同的思路：一是基于时间序列关系的预测；二是基于差异性影响因素的预测。
Blume于1971年在《Beta and Their Regression Tendencies》一文中指出，如果β估计值向均值回归的速度不随时间改变，就可以在估计β系数时围绕这一趋势修正估计值。他采用简单线性模型β2=a+bβ1，来估计相邻两期β估计值之间的回归关系，用此回归关系修正对其将来值的估计。
Vasicke于1973年在《关于在证券β系数的贝叶斯估计中运用横截面信息的一项注释》一文中根据β系数的回归趋势，把贝叶斯决策方法引入β系数的估计中，提出了贝叶斯调整法。Vasicke认为仅仅依据样本的信息来估计β系数是不够的，如果能把有关β系数先验分布的资料与样本的信息结合起来，就能降低估计误差。
基于差异性影响因素的预测方法主要有基础β系数法和罗森伯格系统。基础β系数是根据公司基本特征的变化来估计未来的β系数，模型中的自变量为反映公司特征的财务和会计变量。罗森伯格（Rosenberg）在1973年和1975年以及随后的研究中，集历史β系数、个股市场特征、公司基本因素和行业特征于一体，对β系数的差异性进行研究，并据此对未来的β系数进行预测，建立了著名的“罗森伯格系统”。罗森伯格系统试图将历史β系数和基础β系数两种分析思路综合到一个模型中，以提高β系数预测的准确度。
四、总结及后期研究方向
许多西方学者从理论和实证的角度对会计变量与β系数的关系都作了深入的探讨，他们发现β系数确实和一些反映公司风险状况的会计变量有非常密切的联系，但是不同学者的研究结果并不完全一致。对于究竟哪些因素对β系数有影响作用，学术界仍存在一些争议。因此，对于这一方面的进一步研究仍是有必要的。
我国关于股票预期β系数及其影响因素的研究并不多见。从公司基本特征出发，通过实证研究，利用相关分析、多元回归分析方法研究各公司前一年度的会计变量对后一年度的β系数的影响，可以弥补以往研究的不足，同时也能为投资者和证券监管部门的决策提供理论参考和依据。
参考文献
[1]靳云汇,李学.中国股市β系数的实证研究[J].数量经济技术经济研究,2000(1).
[2]吕长江,赵岩.中国证券市场中Beta系数的存在性及其相关特性研究[J].南开管理评论,2003(1).
[3]袁皓.中国证券市场β系数稳定性:一个大样本的检验[J].中大管理研究,2007,2(2).
[4]朱晓青,李兴国,姜文超.我国股市行业β系数稳定性的实证分析[J].时代金融,2007,358.
[关键词]风险资本高技术创业企业融资机制
一、引言
风险资本又称“创业基金”，是指由专业投资人提供的快速成长并且具有很大升值潜力的新兴公司的一种资本。风险资本通过购买股权、提供贷款或既购买股权又提供贷款的方式进入这些企业。风险资本是准备用于进行风险投资的资金。风险资本的来源因时因国而异，如个人和家庭资金，国外资金，保险公司资金、年金和大产业公司资金等，主要是一种以私募方式募集资金，以公司等组织形式设立，投资于未上市的新兴中小型企业的一种承担高风险、谋求高回报的资本形态。在我国，通常所说的“产业投资基金”即属于创业基金。
与传统资本市场相比，高技术领域对投资者的素质要求更高，风险投资者的出现适应了这一要求。在企业发展初期，风险资本几乎成了除创业者自有资本之外惟一的资金来源。在这之后，虽然其他形式的资本(如债务资本)也逐渐介入高技术企业，但这些资本与传统资本在本质上并没有区别，决定企业融资特性的主要还在于风险资本。可以说，在高技术企业发展的整个历程中，风险资本家无论在控制权安排，还是融资结构选择方面都起着举足轻重的作用。因此，风险资本作为联系融资合约双方的纽带，无疑成为分析高技术企业融资机制的切入点。
二、风险资本的基本内涵和特征
1.风险资本的基本内涵
风险资本产生于资本、市场、企业等各自发展且彼此联系的历史进程中，体现出在这样的一系列联系中发育成长的实质。虽然风险资本在其发展演变的过程中存在起伏波动，风险资本的边界仍然处于变化的弹性之中，但它在发育成长和向世界的扩展中以及各国风险资本的融合和趋同化趋势中，依然显示出其基本内涵和相对突出的基本特征。
对于风险资本的定义，欧美经济学家们曾给出过多种认定的边界，从不同角度显示了风险资本内涵的发展延伸和国家差异性。联系风险资本发展演化的历史进程和不同国家与地区扩展中的同质性，可以将风险资本定义为:风险资本是在资本、市场、商品经济、企业及其成长的各自发展演化和彼此互动的历史进程中所形成的一种资本类型及一种投融资工具。它形成于非传统的资金来源并主要投资于处于初创或处于成长初期的高成长性、高风险性企业，它以相对较长期的股权投资为主要投资形式并以股权的高幅增值和最终出售来获取投资回报。这里对风险资本的定义，是一种所谓的“比较传统”的风险资本定义。
2.风险资本的基本特征
（1)风险资本的买方融资特征。风险资本作为一种投融资工具，在现实运作中总是表现为一个融资与投资相结合的过程，其中风险资本得以成立的前提就是融资。整个金融机构在市场中的融资可分为买方金融和卖方金融两大基本类型，各类商业银行、投资银行等属于卖方金融，而专门运营风险资本的风险投资公司和其他数量有限的金融机构则属于买方金融。买方金融的利润主要来自于资产买卖的差价，而风险资本的融资就属于买方金融。风险资本家购买的是资本，出售的则是自己的信誉、投资计划和对未来收益的预期。投资时，它们购买的是企业的股份，出售的是资本金；退出时，它们出售所持企业的股份，买入资金，外加丰厚的利润和良好的业绩，从而在资本撤出后进行下一轮的融资和投资。
（2)风险资本所投资企业的幼稚性和成长阶段的初始性。风险资本所投向的风险企业是其自身增值运动的始点，从这里开始风险资本的运作主体(风险投资公司等)和受资企业一起进入共同成长的历程口不过，风险资本不同于一般的资本，其差别主要表现在对象的特殊限定上:风险资本主要以创业企业为投资对象，它所投资的可能是一种新技术或新产品，也可能是一个刚创立的企业，总之，风险资本的投资对象主要是创业企业，且是那些从企业成长角度看尚处于成长初始阶段的企业。在风险资本的实际运作中，虽然包含着对于其所投资企业的分期投资或者连续投资，也包含着风险资本在某些企业成长到一定时期时运用杠杆收购或管理收购的手段进行介入，但这并没有改变它在投资对象方面的基本特征。
（3)风险资本的高风险性。风险资本的高风险性是风险资本一个十分突出的基本特征。从风险资本的实际运作经验来看，风险资本在创造了许多成长神话的同时也导致了许多的败绩。风险资本的高风险性根源在于风险资本所涉及的风险因素复杂多变，来自于信息的不充分性、信息的不对称性和不确定性,以及多方面的其他非可控因素等，风险集中于风险资本运作的整个过程。
三、风险资本与高技术创业企业的融合
虽然，至今风险资本还未成为企业融资领域的主流，而且它并不必然地以高技术企业作为惟一的投资范围，甚至目前主导世界高技术产业发展的高技术企业群体中，有很多大企业也并未形成以风险资本背景的企业为主流的格局。但是，从以上对风险资本的认识可知，它从一开始就与高技术及高技术企业存在着密切联系，对高技术的青睐和高技术的商业化预期是导致风险资本诞生的重要动因之一，谈到风险资本就很自然地将它与高技术企业联系在一起。风险资本与高技术企业之间的融合，表现为风险资本与高技术企业的联姻和结合，进而表现为高技术企业通过融入风险资本实现成长和风险资本通过高技术企业的成长实现增值。
但风险资本与高技术企业的融合不是简单的结合，是具有明显的指向性的，即风险资本并不是能够与所有的高技术企业融合的。正像ARD公司与DEC公司的成功结合一样，风险资本与高技术企业的融合突出体现在风险资本与高技术创业企业的相互结合上，可以说，风险资本和高技术创业企业的结合乃是风险资本与高技术企业融合的直接的具体体现。
一、β系数的稳定性研究
就方法论而言，β系数必须从过去证券市场的收益率数据中进行估计，而过去的数据估计出来的只能是过去的β系数。过去的β系数要能用于反映现在或将来的风险，则必须具有一定的稳定性才行。因此，β系数稳定性的检验就显得相当的重要。根据样本数据构造的时间跨度和样本规模大小，β系数稳定性的研究可分为两类：一类是研究样本数据时间跨度长短对β系数稳定性的影响，另一类研究样本组合规模大小对β系数稳定性的影响。对于β系数在美国证券市场上的表现，许多学者做过大量研究，但没有定论。关于股票β值稳定性的检验，国外的学者如Levy(1971)、Blume(1971)、图莱(1980)等大多采用统计学上的相关分析法进行研究。在众多对β系数稳定性的检验中，最具有代表性的当属Blume和Levy检验。1971年，Blume在《财务学刊》上发表了《论风险的衡量》一文，研究了1926年1月到1968年6月间在纽约证券交易所上市的所有股票，以每7年为一个时间段，用月收益率数据估计出各个时间段的β系数，然后以统计学的相关分析法为基础，对β系数的稳定性作了深入的研究，得出如下结论：在一个时期里估计出来的β系数是其未来估计值的有偏估计；组合规模越大，其未来的β系数越能被准确地预测。同年，Levy研究了1960年至1970年间美国纽约证券交易所上市的500种股票，他缩短了估计的时间段，采用周收益率数据，并改变了前后估计时间段等长的传统做法，以52周为基期，后续期分别为52周、26周和13周。研究的主要结论认为：在较短的时间段内(52周)，单一股票的β系数是相当不稳定的，但是组合β系数的稳定性有显著的提高。而且，组合规模越大，估计时间段越长，β系数的稳定性越高。1974年，Baesel运用转移矩阵法研究了估计时间段长短对β系数估计值稳定性的影响。他把估计时间段分别设定为12、24、48、72和108个月，对1950年至1967年间美国纽约证券交易所的160只股票进行研究后，提出：随着估计时间段的延长，单个股票β系数的稳定性将会增强，且最佳估计时间段是108个月。1975年，Porter和EzZen采用随机组合的方法进行研究后认为，组合的构造方式会影响β系数的稳定性，β系数的稳定性并不会随着组合规模的扩大而有所提高。1994年，国内的学者沈艺峰最早把“Chow检验法”用于股票β估计值的稳定性检验。他在《上海证券交易所上市股票的β系数估计及其稳定性检验》一文中，对1992年6月至1993年12月上海证券市场的10种股票的β值进行估计，然后将时限一分为二，采用“Chow检验法”研究这10只股票的β值是否随着时间的推移而显著变化。检验结果表明，除了“延中实业”外，所有股票的β值都是稳定的。沈艺峰和洪锡熙(1999)又采用相同的方法，对深圳证券交易所1996年度所有上市公司股票样本数据进行分析，研究结果表明：无论是单个股票或是股票组合，β系数都不具有稳定性，以过去期间的数据估计出来的β系数值无法代表未来的β系数值，说明我国证券市场的系统风险是变动不定和难以预测的。2000年，靳云汇、李学在《中国股市β系数的实证研究》一文中，对沪深两市51种1992年以前上市的股票进行了研究，研究结果表明：股票β系数随着上市时间增加基本上趋于不稳定，利用β系数的历史数据来预测未来β系数的可靠性较差。
综观β系数稳定性的实证研究，绝大多数研究认为证券的β系数不具有稳定性，虽然可以借助于组合的方式来获得较为稳定的β系数，但对于大多数的个人投资者来讲，这意味着不能简单地用过去时期数据所估计的β系数作为当前和未来时期的预测值。因此，除了在估计方法和数据选取等方面寻求β系数的变动原因之外，许多学者还从公司的基本特征等方面人手探讨导致同一证券的β系数在不同时期出现变动以及不同证券的β系数在同一时期存在差异性的影响因素。
二、β系数的影响因素研究
股票贝塔系数存在不稳定性，说明有必要进一步对股票β估计值的差异性进行分析。正如James Farrell和Walter J，Renhart(1997)所指出的：股票贝塔值的不稳定性并不令人惊异，公司的基本因素(如产品生命周期、财务政策)随时间的变化必然会导致股价的变动，从而股票β值也随之改变。因此，差异性分析能一定程度地解释股票β值的不稳定性，有利于更准确地预测股票β值。一般认为，影响股价变动和股票风险的因素主要有：宏观经济因素，如利率、通货膨胀、国际收支、汇率等；行业因素，如行业生命周期、市场竞争性等；公司基本特征(本文就是从此方面对股票的预期β系数进行探讨的)；战争及政治因素；心理因素，如心理预期。以上因素均能导致股价变动，从而影响股票的系统性风险。从国内外的研究来看，主要集中在分析公司基本特征和行业因素这两个方面。理论上，公司规模的大小、资本结构、经营收入的周期性及公司的负债比例等基本特征的变化将改变公司的风险特性，从而影响公司所发行股票的风险。因此，学术界对公司的基本特征变量是否会影响其股票的系统性风险系数展开研究。鉴于公司的会计资料能传递与公司基本特征有关的风险信息，在实证研究中，通常用会计变量作为反映公司基本特征的量化指标。Ball和Brown(1969)最早注意到会计信息与β系数存在相关关系，在他们的研究基础上，Beaver，Kettler和Seholes(1970)从公司基本特征人手研究股票β值的影响因素。他们把公司基本特征细分为七个会计变量：股利支付率(Difidend Payout Ratio)；成长性，即总资产增长率(Asset Size Growth)；财务杠杆(Leverage)；流动比率(Liquidity)；规模(Size)；盈利变动率(Earning Variability)；会计贝塔系数(Aceounting Beta)。研究结果表明：在1947年至1956年和1957年至1965年这两个期间，纽约证券市场上307家上市公司单个股票和5种股票的组合的系统风险与盈利变动性、股利支付率、会计贝塔系数和财务杠杆这4个会计变量之间一致且显著相关；对于每个变量，组合的相关程度高于个股的相关程度；系统风险与成长性、规模和流动比率这3个会计变量之间的关系与理论假设不一致或显著无关。学术界认为，
Beaver等人首次系统地研究系统风险与会计变量之间的关系。Bildersee(1975)研究1956年至1966年期间纽约证券市场制造业和零售业的71家公司的系统风险与11个会计变量之间的相互关系，其最后指出了与系统风险相关的6个会计变量(负债比率、优先股与普通股的比例、销售与权益资本的比例、流动比率、市盈率的标准差、会计贝塔系数)，并建立了多元线性回归模型。此外，Harmada(1972)研究财务结构对股票系统风险的作用，其研究结果表明公司财务杠杆与股票β值呈正相关关系。曼德尔克(1984)则增加了对经营杠杆这一因素的分析，并表明股票β估计值与经营杠杆存在高度、显著的相关关系。Gahlon和Gentry(1982)进一步研究表明系统风险是以经营杠杆系数、财务杠杆系数、总收入的方差系数、息税后收益和市场组合收益之间协方差系数为自变量的一个函数。Mandelker和Rhee(1984)也证实了经营杠杆系数和财务杠杆系数能够解释大部分的系统风险的变动。Huffman(1989)发现系统风险与财务杠杆系数正相关而与经营杠杆系数负相关。Mansah(1992)指出公司的经营决策、财务决策和战略决策与系统风险是相关的。Rosenberg和McKibben(1973)的研究发现不同行业的β值存在持续的差异。于是，Rosanberg和Marathe(1975)进一步把39个行业哑变量加入股票β值的分析模型中，来解释股票β值的差异，形成著名的集个股市场特征、公司基本因素和行业性质于一体的“罗森伯格系统”(Rosenberg’s system)。Rosenberg和Marathe对该模型的首次检验表明模型对未来β系数的预测能力好于其它的预测模型。由于理论上的吸引力和检验结果的支持，用罗森伯格系统生成的β系数预测值得到广泛的认可，著名的BARRA咨询机构(由Rosenberg创建)就采用了这一系统。一般来讲，行业因素对股票β值产生影响的原因有：行业受宏观经济波动的影响程度；行业所处生命周期阶段；行业内竞争程度。但吕长江，赵岩(2003)的研究发现：中国证券市场中Beta系数并不存在显著的行业差异，但在按照是否被纳入计算成份类指数的标准将股票进行分类，即分为成份股和非成份股，这两大类股票的Beta系数存在显著的差异。刘永涛(2004)研究也发现：就我国目前的五行业分类方法来看，β系数在行业间的区分并不明显；在证监会的CSRC行业分类标准下，β系数在各行业的区分整体上表现出差别性，但两两之间β系数的差别不具有统计学意义。另外，还有一类学者，他们利用数学推导来研究β值和相关变量之间的关系。Chei-Chang Chiou and Robert K.Su(2004)运用数学的方法结合资本资产定价模型、Cobb-Douglas函数和净盈余函数推导分析了系统风险和会计变量之间的关系。研究结果表明，系统风险的决定因素包括收益、销售增长、账面价值、股利、经营杠杆系数、财务杠杆系数、市场回报率和无风险回报率，并提出了以下结论：对于一个前一年度有着正收益和本年度有着销售增长的公司来说，如果当前账面价值、股利和收益对股价影响的联合效应(即股价弹性之和)为正(负)，那么以产品的经营杠杆系数和财务杠杆系数为量度的总杠杆系数对系统风险有正的(负的)影响；当账面价值和收益对股价的影响(即股价弹性)为正而股利对股价的影响(即股价弹性)为正(负)时，股利对系统风险有正的(负的)影响；对于一个有着正(负)销售增长的公司来讲，在给定的系统风险水平下，经营杠杆系数正(负)相关于其财务杠杆系数。郑君君(2000)运用数学推理的方法研究了β系数和市盈率之间的关系，并且得到了它们相关的表达式，结果显示β系数与市盈率呈负相关关系。
相比于国外的研究而言，国内关于β系数的影响因素研究仍处于起步阶段。吴世农、冉孟顺、肖珉和李雅莉(1999)借鉴Beaver等人的研究，收集1997年至1998年上海证券市场200家上市公司公布的会计信息，应用实证分析方法，对影响我国股票系统性风险系数的7个会计变量(股利支付率、总资产增长率、流动比率、财务杠杆、公司规模、盈利变动性和经营杠杆)进行了相关性和多元线性回归分析。研究结果表明：中国上市公司的总资产增长率和财务杠杆与股票的系统风险呈正相关关系，股利支付率与股票的系统风险呈负相关关系；从组合后的回归分析看，流通规模对股票组合的β值具有显著影响；经营杠杆对个股或组合的β值都没有显著影响，流动比率与系统风险呈显著正相关关系，盈利波动性与股票系统风险呈显著负相关关系，而这些都是与财务理论相左的。农卓恩(2000)以1998年初在深交所上市交易的股票周实际收益率数据估计股票的β系数，选择18个财务指标，研究β系数与这些财务指标的相关性。结果表明：从总体上看，股票β系数与财务指标之间的相关性比较弱。
三、β系数的预测性研究
由于经验研究已经证明β系数具有不稳定性，因此，如何准确地预测未来的β值就成为至关重要的问题。对未来β系数的预测主要有两条不同的思路：一是基于时间序列关系的预测；二是基于差异性影响因素的预测。1971年，Blume在《论风险衡量》一文中指出，如果β估计值向均值回归的速度不随时间改变，就可以在估计β系数时围绕这一趋势修正估计值。他采用简单线性模型β2=a+bβ1，来估计相邻两期β估计值之间的回归关系，用此回归关系修正对其将来值的估计。1973年，Vasicke在《关于在证券β系数的贝叶斯估计中运用横截面信息的一项注释》一文中根据β系数的回归趋势，把贝叶斯决策方法引入β系数的估计中，提出了贝叶斯调整法。Vasicke认为仅仅依据样本的信息来估计β系数是不够的，如果能把有关β系数先验分布的资料与样本的信息结合起来，就能降低估计误差。基于差异性影响因素的预测方法主要有基础β系数法和罗森伯格系统。基础β系数是根据公司基本特征的变化来估计未来的β系数，模型中的自变量为反映公司特征的财务和会计变量。前面已经提到，罗森伯格(Rosenberg)在1973年和1975年以及随后的研究中，集历史β系数、个股市场特征、公司基本因素和行业特征于一体，对β系数的差异性进行研究，并据此对未来的β系数进行预测，建立了著名的“罗森伯格系统”。罗森伯格系统试图将历史β系数和基础β系数两种分析思路综合到一个模型中，以提高β系数预测的准确度。
