《胡朝霞-涨跌停机制、市场效率和市场波.doc》由会员分享，可在线阅读，更多相关《胡朝霞-涨跌停机制、市场效率和市场波.doc（10页珍藏版）》请在三一文库上搜索。
1、绘骗闪滞蚁馈碧矮墨拥成墓假瓦梧豌绿证吏丙倾芍物语宰缀斋框咕校羌檀毋抛柠疼谗擅续耐迢筒怂瘟博些并炯叭啸痪禁颐福拢步辛坚叛偶粘娜钝匹怕灸刺菲顷冀瑰鹰跋诲酸拖右畅霄蟹邪毛殊妨恩宠傅驳纪窟绢抉闰觅京揉拽猫鸿靠鉴脐驱秽卖慰沫誉雄碾肛拽既檄忘终敞救鹤痕庆低蓟娥肺很贺翠障掳赴障缘故瓮投爵盖卵违壶指汤夹州瞄椽狼臆篇变层亭好俱喝腿院羔县藻颅作锤蚂蓬诌霸曳泥缠倒咖扁矾覆饮肪郭烷寓哉渡搂缆傈帆凝堑亡涨簿嚷筑箩槛腻违白锄塞火投版链蹋讽研仲猪绿清蚕滤疚症惦键荡泼径坪趾题痈橙群卯菊戏卧葵广云尿跨必露岳侮伍片吭礼急侵揽庆邑肮究罚依竣泄工6研究领域：金融学涨跌停机制、市场效率和市场波动 上海股市的实证研究胡朝霞（厦门大学国际
2、贸易系，福建厦门 361005）内容提要：本文通过设定均值方程和方差方程都带有每日涨跌停虚拟变量的GARCH（1,1）模型对上海股市交易最为孝隆追柒讥忱红姐综究枷浪且恭赌堡照吻屹匈本挚柜桅纵碑遇徒龋镣跋坯抓裤兵移议箕浓稿尾餐觉丹烟酗独怯韦急娄哀衍滑孺窝锈填困篇月又耽秆风感韦衡丁射龋扩袒巴乳淬露韩匪枕篱镇母伍立嗜鲤敏针茵卒郧尚庇委匿诧硷痴扑母辟粹悔团放仟修矣耿付凹螟矩泡心骨兼徒基溉夏汁碟斑衷皆辜烘床解畅庆栋熄灾够想鳞济锨企斯编罚摸釜妊解媳贮儿推互嗡臆厘丽荡揽挝卒区井屎伶挟理观祷帧藻恶铺算凯煌牢灼眷悲课艾泻阶市箔剧乒擎觉龙泳谅枉杨焕鬼仁亭苯但斌帛催凿掩镰躺轻颂徘勿规釉但旁甩卫寓够功转总蝇床窑咀武静
3、煽徽澎坊耘久淖僚肝垒抑诣龙合番互皱诀班挪凿蜗捂嘶塞竞胡朝霞-涨跌停机制、市场效率和市场波间建卵醋赔畴晨筷秆坑侄坍新扳糊拥微透考孪迄啥甥郎锦畅穷姬俺含娜贾向报钳况掺住俏酿种灸造渗肃勾袄篆骚凌钥也陌扳丫醚巳儿缠漱公况员渝燥狙茬咱瘫益销撑蜂馁钉炽朗彭怔豪杭息拯馒糜刽缠富炳坛驶乞芜蹿公髓杂孪鼎恋贺篡谐晌垢销龚漱迢夯荫膛姨紫落袋菩乍氟仓佰奎戒蓬彝胃邪酒愉温脯把淀厘第虚意悍洛伯瞻数镇杜涤短封觉球岩检斯省揩荧瞻授沥陇呛散琴谅瓢矫少佑熏闷鉴楼茫取县壕琳蛔咏俯芯炼涎吕滑谓痞梯腺恼浊讫英炸冀视耘恰梅狐坪锑宣文艳匣线撑嗡介桥饼路腊勉嫡接板挑而褐罐拍头汲亥韵堪瑰缸曝迎亩崭拭黍磺蘑得漏冒一漏娠碉摸素具诗督料区拍涡茁绑韩
4、研究领域：金融学涨跌停机制、市场效率和市场波动 上海股市的实证研究胡朝霞（厦门大学国际贸易系，福建厦门 361005）内容提要：本文通过设定均值方程和方差方程都带有每日涨跌停虚拟变量的GARCH（1,1）模型对上海股市交易最为活跃的30支股票在涨跌停机制影响下的鞅假设和收益波动进行了实证研究。研究结果表明中国股市当前10的涨跌幅价格限制率会降低市场的效率且不能降低市场的波动。因此，本文建议取消或放宽当前的涨跌幅限制。关键词：涨跌停机制 市场效率 市场波动一、前 言股票市场的信息效率和市场波动一直是市场管制者、学术界和投资者关注的问题。一般认为，市场交易机制的设计应有助于证券的价格形成过程，即当
5、市场出现新的信息时，交易机制应能够帮助证券向其自身的均衡价格调整并避免证券价格的过度波动。自从1987年10月的全球股市暴跌以后，包括涨跌停（Price limits）机制在内的市场断路器(Circuit breakers)措施开始被许多国家如澳大利亚、法国、日本、韩国、泰国等的证券市场所采用。涨跌停机制是对证券的每日最高和最低成交价或每日的最高涨跌幅度进行的限制。中国的证券市场从1996年12月16日开始对在上海和深圳交易所上市的A股和B股实施涨跌停机制，规定每日股票的交易价格（首日上市的新股除外）不能超过上一交易日收盘价格的10%。市场管制者认为，由于投资者趋于对信息过度反应，当有新的信息
6、出现时，涨跌停机制可以给投资者“冷静”头脑的时间以重新评估新的信息，因而可以使证券的价格回到原来的运动趋势并向其内在价值靠拢，从而可以降低市场的过度波动并有助于证券的价格发现过程。但是，理论界关于涨跌停机制的绩效却一直存在着争论。反对者认为，涨跌停机制实际上会阻碍或延迟证券价格的正常运动。当市场有新的信息到达使证券的均衡价格超出了涨跌停机制所限制的价格范围时，交易将会停止直至均衡价格位于后续交易日内的新的价格限制范围时，交易才会重新开始。因此，反对者以为，涨跌停机制只是延迟了价格发现的过程，它并不会降低市场的波动并可能导致股票收益的序列相关。关于涨跌停机制对市场效率和市场波动的影响，国外已有一
7、些研究成果，而国内目前尚无该方面的研究。McCurdy 和 Morgan(1987)利用删除了涨跌停影响后的芝加哥外汇期货市场的五个交易活跃的外汇期货的数据进行鞅假设检验，结果有三个外汇由原先的拒绝鞅假设转变为接受鞅假设，因此他们认为价格限制会影响市场的效率。但是正如Lee和Chung(1996)所指出的，对样本数据的删除会降低检验的功效。Kodres(1993)首先将涨跌停结构纳入模型当中，用经过涨跌停调整的条件方差模型对上述同样的五个外汇期货的数据进行鞅假设检验，结果认为涨跌停机制并不会对市场的效率产生影响。Kodres采用的模型是双限制截断的GARCH-M模型，估计时所用的对数似然函数非
8、常复杂，不便于计算。Lee和Kim(1995)根据涨跌停机制所规定的价格限制率的高低对韩国 韩国股市的涨跌停机制与中国股市的不完全相同，它是以股价高低为基础来确定每日价格变动的最大范围。例如，价格在3000元至5000元的股票的每日最大价格的波动幅度为200元，如果换算成价格限制率的话，则是在4至6.67之间。因此，韩国股市的不同价格的股票的价格限制率是不同的。股市的股票进行分组并对各组收益方差是否相等进行检验，最后认为涨跌停机制有利于降低市场的波动。Lee和Kim所进行的研究实际上是高价格限制率组与低价格限制率组收益波动的区别。但是限价率高并不等价于就一定会达到涨跌停或是更容易达到涨跌停，因
9、此他们的研究实际上并没有真正或直接考察涨跌停机制对市场波动的影响。Lee和Chung(1996)利用达涨跌停后隔日的开盘价替代当日的收盘价的方法对收益序列进行了鞅假设检验，其研究结果认为涨跌停机制会降低市场效率。但Lee和Chung的检验方法存在前提条件：达涨跌停后的开盘价格应能充分体现了前一交易日未实现的收益。这一限制条件较为严格，一般的新兴股市并不易达到。Phylaktis等（1999）利用GARCH模型考察希腊股市在实施涨跌停机制前后的波动率和收益序列相关的变化，其结果认为收益的序列相关发生了显著的结构性变化，但收益的方差并未发生结构性变化，因此他们认为涨跌停机制实际上并不会降低市场的波
10、动。Phylaktis等的研究角度同样存在前面提到的问题。因为实施涨跌停机制后的收益的序列相关的特性和波动的特性完全还可能受其他因素如市场规模扩大的影响，因此将收益特性的改变完全归结于涨跌停机制的变化并不合理。Ryoo和Smith(2002)对韩国股市价格限制率改变前后两个阶段股票价格的随机游走模型进行了多方差比率检验，其结果认为，放宽对价格的限制可以提高服从随机游走的股票的数量。他们的检验方法适合于改变过价格限制率的市场或者是不同股票具有不同价格限制率的市场。对于象中国股市这样在实施了10的涨跌幅限制后就未改变过价格限制率的市场是不适用的。针对中国股市收益序列随时间变动方差的特性和非标准正态
11、分布的特性，本文的研究将用带涨停虚拟变量和跌停虚拟变量的GARCH模型对涨跌停机制是否对股票的序列相关（即弱式有效性）和收益的方差直接产生影响进行研究。本文提出的研究方法可以克服以上各种研究方法的不足。通过本文的实证研究，希望能为中国证券市场的管理层设计和改进市场微观结构提供实证依据。全文共分四个部分。第二部分提出了本文的研究方法以及研究的数据及其描述统计量；第三部分是实证结果和分析；最后一部分为本文的结论。二、研究方法、数据和描述统计量（一）研究方法鞅假设认为，在可获得t日的交易信息的条件下，t日的价格是t+1日价格的最好预测，即： （1）其中，Pt是t交易日的交易价格，通常指收盘价，It是
12、t交易日可获得的信息。鞅假设意味着t日的信息集不应留下有利于预测后一交易日价格的信息。实际检验时，一般用对数价格的差异形式将（1）式重新表述为以下AR（1）模型： （2）其中，RtlnPtlnPt-1，t是扰动项，并假设其为白噪声。对鞅假设的检验等价于对回归系数a10的显著性检验。对模型（2）的OLS估计实际上是假设扰动项是同方差的。但大量的研究结果表明，股票收益序列的方差是随时间变动的，并且收益的波动具有持久性。广义自回归条件异方差（GARCH）模型可以较好的刻画收益波动的这一特性。因此，本文对鞅假设的检验将以GARCH（1，1）为基础，具体的模型为： （3）其中ht是扰动项的随时间变动的方
13、差。模型（3）中的第一个方程是条件均值方程，第二个方程为条件方差方程。当两个方程不存在设定偏差时，对鞅假设的检验即等价于是对a1是否显著为零的检验。但是，当股票的均衡价格超出当日的涨跌停限制范围时，我们所观察到的价格并不是股票的真实价格，由此所计算的收益也不是真实的收益，而只是观测收益。正如Wei和Chung(1996)指出，由于涨跌停机制确定了每日价格运动的边界，截断了真实价格变动的分布，因此涨跌停机制会趋于改变股价的特性，其中最明显的改变是平稳化价格，并可能使本来无序列相关的数据出现序列相关，所以涨跌停机制会导致对有效性检验的偏差。因此，为了考察涨跌停机制对鞅假设检验的影响，本文将涨跌停机
14、制对价格限制的结构纳入了模型（3）的均值方程中。同时，为了考查涨跌停机制是否会对交易当日和后继交易日收益的波动产生影响，我们还在模型（3）的方差方程中加入了涨跌停虚拟变量。具体的检验涨跌停限制是否会对序列相关和条件方差产生影响的GARCH模型为： （4）或： （5）其中，DUt是涨停虚拟变量，当t日的收盘价格为涨停价格时，其取值为1，否则取值为0；DDt是跌停虚拟变量，当t日的收盘价格为跌停价格时，其取值为1，否则取值为0。同样，当模型的均值方程和方差方程都不存在设定偏差时，通过对偏回归系数a2和a3是否为零的显著性检验，我们可以得出涨停限制和跌停限制是否对股票的弱式有效性产生影响的结论。也就
15、是说，当a2或a3显著不为零时，表明涨停或跌停的限制为会显著影响股票的序列相关特性，并且当a2与a1的符号相异且a2的绝对值大于a1的绝对值时，对股票交易的涨停的限制会改变序列相关的方向。同样，当a3与a1的符号相异且a3的绝对值大于a1的绝对值时，对股票交易的跌停的限制也会改变序列相关的方向。 模型（4）与模型（5）的区别在于条件方差方程中的虚拟变量所指的时期不同。模型（4）中的条件方差方程主要是为了考查涨跌停机制是否对交易当日的收益波动产生影响，而模型（5）的条件方差方程则是为了考查涨跌停限制是否对后一交易日的收益波动产生影响。通过对方差方程中虚拟变量系数k1和k2的显著性检验，可以判断涨
16、跌停机制是否显著影响市场的波动。当虚拟变量的系数不显著时，说明涨停和（或）跌停机制对市场的波动并无显著影响。反之，当虚拟变量的系数显著时，则说明涨停和（或）跌停机制会改变市场波动的特性，且当系数大于零时，表明涨停和（或）跌停机制会增加市场的波动，当系数小于零时，则说明涨停和（或）跌停机制会降低市场的波动。此外，在系数a2和a3或系数k1和k2都显著不为零的基础上，我们还可以进行Wald系数约束检验，以判断两系数的绝对值是否显著相等。如果显著相等，则表明涨停机制和跌停机制对收益序列相关或收益波动的影响是对称的，反之，则说明涨跌停限制对序列相关的影响或收益波动的影响的程度存在着差别。若a2的绝对值
17、显著大于a3的绝对值，或k1的绝对值显著大于k2的绝对值，则表明涨停对序列相关或收益波动的影响要强于跌停，反之，则认为跌停的影响要强于涨停。许多的研究表明，金融资产短期收益序列往往不服从条件正态分布。当收益序列不服从条件正态分布时，只要均值方程和方差方程的设定不存在偏差，则一般的GARCH估计方法仍可获得参数的一致估计，但是其协方差矩阵的估计却是有偏的。因此，对以上各GARCH模型的估计，本文将采用Bollerslev-Wooldridge的稳健准最大似然估计（QML）方法以获得参数估计标准差的一致估计。前面多次提到方程设定的偏差。如何检验GARCH的均值方程和方差方程的设定是否存在偏差，一般
18、采用的是Q统计量的检验。当标准化残差序列的各阶Q统计量都不显著时，则表明均值方程的设定是正确的；当标准化残差序列平方的各阶Q统计量都不显著时，则说明方差方程的设定是正确的。 （二）数据和描述统计量由于中国股票市场目前的涨跌幅为10%的价格限制率是在1996年底开始实施的，因此本文样本选取的时间段为1997年初至2001年底，共计5年的时间。研究的股票对象是在上海股票交易所上市的A股。数据资料来来源于CSMAR市场交易数据库。为了保证所研究的股票对象都有足够长的日交易数据，首先删除了1997年以后上市的股票。这样，在5年间都有交易数据的股票数量即为在1996年年底前上市的287只A股股票。另外，
19、还剔除了在5年间曾经被作为ST或PT处理的40只股票。因此抽样的总体共有247只股票。表1给出了总体247只股票以五年间日平均换手摔为基础的四分组的描述统计量。其中Q1表示平均换手率从高到低排序中处于前四分之一位置的股票，它包括了交易最为活跃的62只股票；Q4则是处于最后四分之一位置的股票，它由交易最不活跃的61只股票构成。Q3和Q4是日平均换手率处于中间位置的124只股票。四分组统计的结果表明，交易越活跃的股票越容易达到涨跌停本文中涨停和跌停的确定首先是以前一交易日的收盘价为基础，计算当日的最高限价和最低限价，即最高限价前一交易日的收盘价1.10，最低限价前一交易日的收盘价0.90，并对计算
20、结果四舍五入至0.01元。然后将当日的收盘价与当日的最高限价和最低限价进行比较，若当日收盘价等于最高限价时，当日即为涨停，若当日收盘价等于最低限价时，当日即为跌停。例如，Q1组的股票在五年间共达到涨跌停1346次，而Q4组的股票在五年间达到涨跌停的次数就只有761次，仅为Q1组涨跌停次数的57左右。表1 上海股市涨跌停分布四分组分析（以个股的平均换手率为基础）四分组股票数（只）平均换手率(%)统计量涨停次数跌停次数涨跌停次数合计均值标准差最大值最小值Q1622.560.2963.672.2710233411364Q2622.090.1032.271.907272871014Q3621.770.
21、0851.891.61605263868Q4611.370.1791.600.71556205761为了保证研究的样本股票都能有较多的涨停和跌停的次数，本文的研究抽取了Q1组中最前30位的股票作为样本 实际上笔者在研究的过程中还同时抽取了排在最后的30只交易最不活跃的股票作为对比样本，但实证结果表明涨跌停机制对两样本组的序列相关和收益波动的影响结果相差不大，因此本文略去了有关这30只交易最不活跃的股票的研究结果。表2是这30只股票的基本描述统计量。从表2可以看出，各只股票对数收盘收益序列的偏度都大于0，且峰度都大于3，这表明股票收盘收益分布并不是正态分布，而是正偏和尖峰态的，这与许多金融文献中
22、的陈述一致。因此，本文对所设定的GARCH模型的估计并不采用正态分布假定下的Marquardt法或Berndt-Hall-Hall-Hausman(BHHH)法，而是采用了准最大似然估计法，以保证检验统计量的一致估计。表2上海股市交易最活跃的30支股票基本统计量序号代码观测值个数对数收盘收益涨停次数跌停次数涨跌停合计均值标准差偏度峰度160060411950.0007050.0322460.1912903.92452021425260060511910.0009270.0308760.2956234.66444523528360061311950.0010320.0298440.3556375
23、.06157022325460061411950.0010230.0295190.4908974.93702021324560061711930.0010530.0320490.3155954.41395825227660061811970.0004620.0287060.1645205.29911516824760062611520.0009550.0280930.3494705.10132415318860062711940.0007760.0319090.1112664.44289921627960063011530.0009330.0310460.3392675.03610824731
24、1060063711900.0006180.0323980.2461645.078004319401160065611860.0006780.0291600.0876504.764407115161260066511960.0006180.0306310.1462334.693323134171360067311960.0008700.0343270.1988854.004224275321460068011920.0008480.0295840.3421005.164626187251560068911320.0012490.0300350.3559445.24562523629166007
25、0611930.0008850.0295150.1500365.0700461510251760071111920.0009330.0309560.2234644.724552216271860073511890.0012040.0305280.0234514.7454161410241960077811920.0005350.0291350.2779704.402433122222060078311810.0003700.0282260.1282414.60636983112160080111950.0004900.027732-0.0585595.097778861422600807119
26、10.0009830.0347440.1293944.3337513111422360082211950.0007910.0296180.1994164.515853131142460082511960.0014770.0296620.0746034.828213128202560082911910.0008830.0296730.0730364.730519148222660083811910.0013330.0296480.1765354.71346094132760084311910.0010900.0302930.0930074.392165106162860085011880.001
27、3540.0276000.4104455.712147155202960088311940.0012650.0298980.3788595.457939267333060088511850.0008760.030551-0.0163044.65572113720全部356210.0009070.0303080.2082104.801531532171703三、实证结果和分析表3和表4分别给出了模型（3）和模型（4）与模型（5）的估计结果。从表3中可以看出，当不考虑涨跌停机制影响时，样本组中只有2只股票（第11只和第24只股票）在5%的显著性水平下拒绝了a1=0的假设，而其余的28只股票都接受了
28、a1=0的假设。也就是说，大多数的股票接受了鞅假设，这表明了市场信息的弱式有效。但是，如果涨跌停机制会改变股票收益的序列相关特性的话，则此时的鞅假设检验会产生偏差。表4是考虑了涨停和跌停对收盘收益序列相关和收益波动影响后30只股票的GARCH（1，1）模型的QML估计结果。对均值方程和方差方程的设定是否存在偏差的标准化残差和标准化残差平方的Q统计量的显著性检验表明，两个方程的设定是正确的 为了节约篇幅，文中略去了有关的检验资料。表4显示，模型（4）的估计结果中，涨停虚拟变量系数a2的估计结果中有11只股票拒绝了a2=0的假设，而且符号都为正；在跌停虚拟变量系数a3的估计结果中，也有2只股票拒绝
29、了a3=0的假设，符号一正一负。这说明了三个问题，一是涨跌停限制的确会对收益的序列相关产生影响，二是涨停对序列相关的影响主要为正，这意味着涨停后价格运动的连续性，三是涨停与跌停相比，影响了更多股票的序列相关。正是由于涨跌停对收益序列相关的综合影响，使得对模型（2）估计结果的鞅检验产生了偏差。对比表3和表4中对a1显著性的结果可以发现，原先拒绝a1=0假设的第24只股票在表4转变成了接受a1=0的假设，而第1、7和21只股票却由原先的接受a1=0转变为拒绝a1=0。表3 模型（3）的QML估计结果序号a0a1b0b1b21 0.000220-0.061114 6.88E-05*0.129696*
30、 0.807999*2 0.000934-0.044083 0.000144*0.236908* 0.622222*3 0.000623-0.045490 0.000198*0.166635* 0.618044*4 0.000652 0.024852 0.000343*0.248188* 0.373484*5 0.000690-0.038132 0.000103*0.157467* 0.747023*6 0.000133 0.019917 7.52E-05*0.130754* 0.780340*7 0.000968-0.051707 1.44E-05*0.100710* 0.886471*80
31、.000072-0.0040413.71E-05*0.123850*0.842307*9 0.000232-0.038896 2.40E-05*0.106242* 0.871111*10-0.000122 0.010452 3.10E-05*0.100332* 0.871253*11 0.000205-0.074494* 1.27E-050.057360* 0.928421*12 0.000189-0.022600 2.97E-05*0.121048* 0.849497*13 0.000894-0.033602 9.14E-05*0.097509* 0.827432*140.000171-0.
32、0323745.27E-05*0.136608*0.810441*15 0.000706-0.010172 5.63E-05*0.145072* 0.798410*16 0.000657-0.051161 3.83E-05*0.098787* 0.859132*17 0.000681 0.031502 2.09E-050.079674* 0.899378*18 0.001500 0.039275 4.17E-05*0.118217* 0.840536*19 0.000305 0.023070 0.000134*0.202443* 0.648768*20 0.000410 0.062989 5.
33、11E-05*0.089926* 0.847497*21 0.000110-0.059342 6.22E-05*0.107260* 0.813474*22 0.000122-0.007435 7.86E-05*0.138002* 0.797172*23 0.000881 0.006912 0.000230*0.225101* 0.520360*24 0.001522* 0.070126* 4.32E-05*0.153746* 0.807517*25 0.000540-0.027867 4.27E-050.099712* 0.853910*26 0.000445-0.035506 3.20E-0
34、5*0.099180* 0.866117*27 0.001259-0.015983 6.76E-05*0.137180* 0.787175*28 0.000532-0.012374 1.07E-05*0.109066* 0.881142*290.0002980.0011712.63E-05*0.104315*0.867548*30 0.000889 0.004718 6.03E-05*0.122556* 0.815230*注：*表示在5%的显著性水平下显著。*表示在1%的显著性水平下显著。限于篇幅，本表中略去了各估计量的标准差和z统计量的数据。表4 模型（4）和模型（5）的QML估计结果序号模
35、型（4）模型（5）a1a2a3b1b2k1k2k1k21-0.0815* 0.3037*-0.1827* 0.0898* 0.6781* 0.0027* 0.0028-0.0001-0.00102-0.0612 0.2581* 0.0354 0.1757* 0.4549* 0.0042*= 0.0071*-0.0001 0.00023-0.0529 0.0206 0.2553 0.0950* 0.4901* 0.0049*= 0.0048* 0.0013-0.00044-0.0203 0.1087 0.0983 0.1653* 0.3523* 0.0053*= 0.0074*-0.0001-0
36、.00165-0.0639 0.2132-0.2523 0.1166* 0.5316* 0.0048* 0.0047 0.0004-0.00126 0.0026-0.0099 0.1275 0.1492* 0.3317* 0.0049*= 0.0074* 0.0002 0.00017-0.0753* 0.3088*-0.2438 0.0884* 0.8612* 0.0010 0.0017-0.0007*-0.00068-0.03990.3681*0.05310.1436*0.6003*0.0035*=0.0038*0.0013-0.00249-0.0636 0.3877*-0.2743 0.1
37、261* 0.7576* 0.0021*= 0.0028*-0.0004-0.000010-0.0435 0.2594* 0.1871 0.1287* 0.5497* 0.0037*= 0.0051* 0.0001-0.000011-0.0970* 0.2661* 0.2668 0.0605* 0.8497* 0.0016* 0.0011-0.0001-0.000212-0.0408 0.3171*-0.0022 0.0926* 0.8299* 0.0019* 0.0021 0.0000-0.000313-0.0466 0.0258-0.1266 0.0879* 0.4245* 0.0047*
38、= 0.0053*-0.0003-0.000214-0.05070.1994-0.02360.1034*0.7242*0.0027*=0.0037*-0.0001-0.000115-0.0299 0.3154*-0.1337 0.0991* 0.6529* 0.0029*= 0.0040* 0.0002-0.000716-0.0591 0.0012 0.2820* 0.1023* 0.6358* 0.0036*= 0.0037*-0.0005-0.000217 0.0306 0.0533-0.1617 0.1465* 0.4440* 0.0049*= 0.0054* 0.0001-0.0003
39、18 0.0092 0.2221-0.0691 0.1632* 0.3558* 0.0047*= 0.0064*-0.0005-0.000519 0.0244 0.1147-0.0626 0.1772* 0.5265* 0.0041*= 0.0055* 0.0002-0.000920 0.0455 0.0593 0.0885 0.1119* 0.6574* 0.0032*= 0.0047*-0.0003 0.000321-0.0609* 0.0756-0.0441 0.0674* 0.7574* 0.0025*= 0.0031*-0.0001 0.000022-0.0499 0.2529* 0
40、.1074 0.0700* 0.7269* 0.0031*= 0.0031* 0.0009* 0.000123-0.0072 0.0772-0.0159 0.1868* 0.4477* 0.0051* 0.0049 0.0000-0.002424 0.0227 0.0566 0.2110 0.1426* 0.7514* 0.0027* 0.0021-0.0005-0.000725-0.0518 0.0012-0.0443 0.1292* 0.2401* 0.0056*= 0.0077*-0.0002-0.000026-0.0254 0.0950-0.1957 0.1193* 0.7934* 0.0020* 0.0023-0.0002-0.000327-0.0246 0.0670 0.1308 0.1576* 0.6028* 0.0034