��一、引言
在股票市場中，人們在選擇股票的時候經常采用自上而下的選股策略，即先確定行業，再確定具體的個股。由此可見，如何選擇行業是一個很重要的問題。而在選取行業時往往通過大盤所處的階段來進行篩選。如果大盤處于上揚時期，那就選一些β值比價高的行業；反之，如果大盤下跌，處于熊市時期，那就選一些比較抗跌的行業，也就是β值比較低的行業。
在中國的證券市場中，表示大盤走勢用的比較多的是上證指數，深圳成指中的股票由于不是非常具有代表性，因此不是非常受關注。但是在深圳市場上還是有一些大盤股的，比如萬科等，所以說僅僅用上證指數來代表大盤也有些欠妥。而滬深300指數作為一個涵蓋了滬深兩市大盤股的指數，在推出之后受到市場的廣泛關注，今年最新推出的股指期貨也以滬深300指數為標的，由此可見用滬深300來代表大盤是具有相當程度的合理性的。
本文試圖通過聯立滬深300指數及其下屬的十個行業指數，來尋找我國證券市場上的一些高β值和低β值的行業，以便為投資者提供有用的幫助。
��二、數據和模型
本文采用的是滬深300以及其下屬是個行業指數的收益率數據。用收益率數據來作分析的原因是方便建模，可以不用進行對數變換。數據的區間是從滬深300指數的創建日2005年1月4日起，到2010年7月19日為止，數據來源是wind咨詢。
初步建立的模型如下：
�r_shsz300=β�0+β�1r_cailiao+β�2r_dianxin+β�3r_gongye+β�4r_gongyong+β�5r_jinrong+β�6r_kexuan+β�7r_nengyuan+β�8r_xiaofei+β�9r_xinxi+β��10�r_yiyao�
其中r_shsz300代表滬深300指數的收益率，而后面的解釋變量依次為300材料指數、300電信指數、300工業指數、300公用指數、300金融指數、300可選指數、300能源指數、300消費指數、300信息指數以及300醫藥指數的收益率。
��三、實證研究
1.OLS
初步的OLS結果如下
r_sh300=0.17r_cailiao+0.02r_dianxin+0.17r_gongye+0.3r_jinrong+0.1r_kexuan+0.09r_nengyuan+0.05r_xiaofei+0.02r_xinxi+0.02r_yiyao-0.01
通過研究估計方程的系數以及統計量，可以發現每個解釋變量的系數都顯著不為零，而常數項在5%的顯著性水平下也不為零。擬合優度R2表明被解釋變量的解釋程度達到了99%以上。
不過由于數據是時間序列，因此要進行時間序列的分析，避免錯誤的回歸結果。
2.單位根檢驗
對每個解釋變量以及被解釋變量序列進行ADF單位根檢驗，得到的結果發現，每個解釋變量和被解釋變量序列都是平穩的。
3.序列相關性
接下來我們考慮殘差的序列相關性問題。根據前面OLS得到的結果，DW統計量為1.74，因此殘差很有可能存在著自相關關系。
通過自相關和偏相關系數圖可以發現，殘差序列存在著自相關問題。進一步通過觀察，可知存在著AR(1)特征，而MA特征不明顯。因此，對原來的模型進行AR(1)調整。經過AR(1)調整之后，模型的DW統計值為2.005542>2，殘差的序列自相關問題得到了很好的解決。
4.異方差問題
首先對經過AR(1)調整之后的模型進行White檢驗，檢驗結果表明AR(1)模型沒有能夠克服異方差問題。而在進行修正之后，得到的估計結果發現和不修正時系數的估計量沒有太大的變化
5.條件異方差
無論是在經過AR(1)調整之前還是調整之后，我們都可以從殘差的時序圖發現，“聚集”效應比較明顯，波動在一段時期內較大，而在另外一段時間內較小。這說明殘差很有可能存在著條件異方差性。
下面我們通過兩種方法來驗證條件異方差性。首先我們對經過AR(1)調整后得到的殘差序列進行ARCH LM檢驗，在2階滯后時，檢驗結果說明殘差存在著條件異方差效應。靈位通過自相關和偏相關系數圖也可以驗證殘差存在著異方差性。
為了解決異方差性，我們建立GARCH(1,1)模型，模型的估計系數如下：
在經過GARCH(1,1)模型調整之后，殘差的條件異方差性得到了很好的解決，無論是殘差平方的自相關和偏相關系數圖還是ARCH LM檢驗，此時的檢驗結果可以說明不存在條件異方差性。
6.共線性問題
最后我們來考察一下模型的共線性問題。通過各個自變量之間的相關系數可以看到每個自變量之間都存在著明顯的相關性，這是因為各個行業之間的收益存在著相關關系，因此多重共線性問題也難以解決。
��四、結論與建議
根據經過GARCH(1,1)模型估計出來的系數可以發現，所有滬深300行業指數的收益率與滬深300指數收益率之間都是正相關的，其中金融行業的收益率對滬深300指數收益率影響最大，其次是材料，工業；而信息行業的影響最小，其次是電信，醫藥。
根據模型的設定，可以發現，其實每個行業前面的系數都是行業β值的倒數，系數越大，β值越小。因此根據模型的結論，可以發現金融行業的β值最小，而信息行業的β值最大。在進行投資的時候，在市場上升時應選擇信息行業，而在市場下跌時應選擇金融行業。這在一定程度上和我們已知的現實情況是一致的。
不過本文的模型仍然存在著一定的問題。
首先滬深300行業指數包括的范圍偏大，如300金融指數中包括了銀行、券商、保險和房地產等板塊，300材料指數中包括了有色金屬、鋼鐵等板塊，300能源指數中包括了煤炭、石化等板塊。要更清晰和更準確地把握各個行業或各個板塊與滬深300指數間的關系，有必要將目前所使用的滬深300行業指數的分類進行進一步的細化，以達到更精確的效果。
其次，在滬深300的成份股中，各個行業的個股數目和所占權重分布不是非常均勻。金融、工業、材料等行業個股數目多，權重大，而信息、電信等行業個股數目少，權重小。這在一定程度上會對模型的預測結果造成誤差。這些問題都有待后續研究進行改善。
