KV指数
参考 Kim 和 Vemrecchia(2001)的方法,采用 KV 指数来衡量中潜股份的信息披露质量。该方法通过股票收益率对交易量的回归系数来衡量信息披露质量,其原理在于,上市公司的信息披露质量越低,股票收益率对交易量的依赖程度越高,回归系数越大,即 KV 指数是信息披露质量的反向指标。
KV指数的优点在于它反映的是市场信息,也就是投资者对于上市公司信息不对称程度的客观评价,该评价同时包括了强制性和自愿性披露的信息。同时,本文借鉴瞿光宇等(2014)的做法,采用如下改进模型计算KV指数(KV):
其中,P是第t日的收盘价,是第t日的交易股数,是年平均日交易量,是由最小二乘法的回归得到的,即KV指数越大,KV越大,表明股票交易量的多少与股票收益率的高低关系密切,这表明投资者从企业获取的直接信息较少,因此更依赖于股票交易量,从中可以看出企业的信息披露质量越差,也就是说,KV指数与公司信息披露质量成负相关,也即Quality越大时,表面信息披露质量越低。
一、数据准备 data.xlsx
二、代码实现
python
import numpy as np
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
# 读取Excel文件
df = pd.read_excel('data.xlsx')
# 将'Trading_date'列转换为日期格式,并提取年份
df['Trading_date'] = pd.to_datetime(df['Trading_date'])
df['Year'] = df['Trading_date'].dt.year
# 计算收盘价变化的百分比,及其对数值
df['Pct_Change'] = df['Closing_price'].pct_change()
df['Log_Return'] = np.log(df['Pct_Change'].abs() + 1)
# 按年份分组
grouped = df.groupby('Year')
# 用于存储每年KV值结果的字典
kv_values_per_year = {}
for year, group in grouped:
# 计算年度平均日交易量
Vol0 = group['Transaction_quantity'].mean()
# 计算交易量与年度平均日交易量的差异
group['Volume_Diff'] = group['Transaction_quantity'] / Vol0 - 1
# 用statsmodels进行OLS回归
# 这里我们移除第一行,因为其变化率是NaN
X = sm.add_constant(group['Volume_Diff'][1:]) # 加入截距项 使用sm.add_constant添加常数列
Y = group['Log_Return'][1:]
model = sm.OLS(Y, X, missing='drop') # 对于缺失值,我们选择删除
results = model.fit()
# 提取回归系数β
beta = results.params['Volume_Diff']
alpha = results.params['const']
mu_i = results.resid
# print(f"alpha: {alpha}, beta: {beta}, mu_i: {mu_i}")
# 计算KV指数
KV = beta * 10
# 将结果保存到字典中
kv_values_per_year[year] = KV
# 打印每年的KV值
for year, kv_value in kv_values_per_year.items():
print(f"{year}年的KV值为: {kv_value}")
# 创建一个新的图表
plt.figure()
# 绘制KV值随年份变化的折线图
years = list(kv_values_per_year.keys())
kv_values = list(kv_values_per_year.values())
plt.plot(years, kv_values, marker='o')
# 在每个点旁边显示其y轴数值,且只显示小数点后两位
for i, txt in enumerate(kv_values):
plt.annotate("{:.2f}".format(txt), (years[i], kv_values[i]),
textcoords="offset points", xytext=(0,10), ha='center')
# 设置图表标题和坐标轴标签
plt.title('KV Value Changes Over Years')
plt.xlabel('Year')
plt.ylabel('KV Value')
# 保存图表为png图像文件
plt.savefig('kv_values.png')