光彩夺目成语的相关解释

光彩夺目成语的相关解释（精选4篇）

1.光彩夺目成语的相关解释 篇一

随着中国经济快速成长、产业转型和升级等外部环境变化, 中国企业国际国内并购活动和规模大幅度增加, 2011年中国企业参与并购总金额达到2014亿美元, 占亚洲并购总额的33%;并购交易完成案例3309起, 其中境内并购案例数量达2967起, 已经形成了大量的聚集性企业并购活动。伴随着宏观经济变化和股市的起伏, 中国企业并购活动也呈现出明显的波动, 并购交易活动在宏观上呈现出了比较显著的并购潮 (merger wave) 特征。最早关注并购潮的学者Nelson (1959) [1]认为, 大量并购活动的爆发必然伴随着长期低迷的并购活动, 犹如涨潮和退潮的浪潮一样。该假设也被来自于西方学者以大量的并购活动数据进行统计检验、并得到验证[2]。Andrade和Mitchell等 (2001) [3]观察到了从产业内并购浪潮延伸到产业间并购浪潮的现象, Harford (2005) [4]发现多个产业会同时进入并购浪潮。G¨artner和Halbheer (2009) [5]利用马尔科夫区制转换模型对美国80~90年代、英国60~70年代的并购潮再次进行了检验和解释。这些研究均认为, 伴随着经济的发展周期, 并购浪潮是客观存在而不是随机出现的现象, 有其内在的形成机制, 受到诸多因素的作用和影响。

在并购潮的形成原因方面, 按照研究方法不同, Harford (2005) [4]将并购潮解释理论分为两类:新古典方法和行为金融方法。新古典方法解释理论最有影响力的有产业冲击假说和托宾Q值假说[6]。产业冲击假说认为, 理性并购潮源于经济震荡[7], Mitchell和Mulherin (1996) [8]系统分析了产业冲击和并购活动的关联, 并认为产业内群集的并购潮与技术改变、经济和管制冲击密切相关。Jovanovic和Rousseau (2002) [9]研究表明, 技术变革很显然会带来厂商之间托宾Q值出现分化, 将形成托宾Q值高的厂商并购托宾Q值低的厂商, 从而形成并购浪潮。为了验证产业冲击理论的正确性, Andrade和Stafford (2004) [10]等通过对几次并购浪潮的实证研究进一步分析了产业内经济、技术和管制变革对并购浪潮的影响, 有效地解释了行业冲击对90年代并购浪潮的动因。托宾Q值假说认为, 当证券资本回报超过其资本成本时, 厂商的理性反应就是将并购作为快速有效的资本投资行为[9], 在证券市场繁荣时期, 原本由正常的厂商规模和托宾Q值决定的均衡状态被打破, 引发厂商普遍扩大均衡规模从而形成并购潮[11]。

行为金融领域的研究假设基于资本市场非有效性和管理者行为非理性, 其中主要有管理者自大假说和市场非有效假说。Roll (1986) [12]提出管理者“自大”假说, 该假说认为, 管理者过分乐观和过度自信可能导致高估并购带来的协同效应, 从而造成大规模并购潮[13,14]。在非有效市场假说方面, 越来越多基于资本市场并购数据的实证研究表明, 并购交易的主要驱动力来源于并购厂商股票的市场价值, 多数理性管理者普遍会利用资本市场的非理性, 在厂商价值被高估时兼并价值被低估的厂商[15]。还有学者认为, 并购潮是由于并购厂商为适应产业震动造成的新环境而快速调整造成, 同时指出并非所有产业震动均能引发并购潮, 其前提条件是存在足够的资本流动性[4], 这为证券繁荣时期容易出现并购潮给出了间接的解释。

在国内, 也有学者开始跟踪和介绍国外并购潮现象和解释理论[6,16,17,18], 但是对中国企业并购潮的研究还很少见。从我国并购活动交易数据来看, 其波动起伏也比较大, 有些年份并购数量较少, 而有些年份并购数量惊人。那么, 是什么原因造成了并购交易活动的波动呢?本文试图回答中国企业并购潮的影响因素问题。鉴于中国股市承载了足够的经济、政策和社会因素信息, 因此, 希望通过分析中国股市波动与中国企业并购活动之间的相关性, 利用股市波动蕴含的信息来试图探索影响中国企业并购潮的因素, 从而解释中国企业并购潮现象。

2 并购潮影响因素现有识别方法的局限性

在并购潮形成因素的识别方面, 目前的研究方法主要是基于实证方法的统计检验研究, 即通过将一段时间的并购潮波动序列与经济变量波动序列进行相关性统计检验, 从而分析经济变量、政策变量和投资者的行为变量等影响因素, 这些文献多来自于宏观经济领域[19,4]和行为金融研究领域[12,14,15,19]。但是这种方法对并购潮的研究存在的问题是, 研究者由于样本限制, 通常随意截取数据的时间区段, 在选定的数据区间内对并购潮波动特征进行刻画, 再检验分析相关因素。这忽视了一个重要问题:并购潮有大的波动, 也有小的波动之分, 也就是说从长期宏观来看, 并购潮有一个大尺度的波动现象, 从短期的局部来看, 也有小型的波动现象。但是, 这些不同时间尺度下的并购潮影响因素是完全不同的。因此, 现有并购潮识别方法有必要从时间尺度上进行改进, 通过对并购潮波动进行适当分解, 将长期波动和短期波动有效分开, 分别研究其波动影响因素, 这更符合实际。

由于股市波动本身的影响因素也足够多, 如果要笼统地分析股市波动与并购潮波动之间的相关性, 可能会缺乏理论支持和可行性, 也得不到相应的结果。因此, 有必要对股市的波动序列进行有效地信号分解, 同时针对并购潮时间序列也进行信号分解, 由于不同的信号时间序列的频率有较大的差异, 其隐含的影响因素可以直观地反映在现实经济环境中, 所以, 可以尝试针对二者相应的时间序列分别进行相关性检验, 因此, 本文尝试利用经验模态分解 (Empirical Mode Decomposition, EMD) 方法将二者的时间序列分别进行分解, 并利用每个信号可能代表的信息来试图解释中国企业并购潮活动的影响因素。

EMD本身是电子信号处理领域的方法, 它最初由Huang等[20,21]在1998年提出的, 其基本思路是用波动上、下包络的平均值去确定“瞬时平衡位置”, 进而提取出本征模函数 (intrinsic mode function, IMF) 。IMF具有如下特点:①极值 (极大值和极小值) 数与过零点的数目相等或最多相差1个;②在任意时刻, 其上下包络线的均值必须是0。该方法的优点是能够对非线性、非平稳过程的数据进行线性化和平稳化处理, 分解的最终函数彼此之间几乎是正交的, 从而在分解的过程中尽可能的保留了数据本身的特性。

由于经济领域也面临着大量的时间序列等经济信号数据需要探索其规律, 因此, 有学者开始将EMD方法引入到社会经济发展领域。Yu等 (2008) [22]开始将EMD和神经网络工具结合起来预测原油价格波动, 取得了较好的效果;王文波等用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型[23];杨云飞等针对原油价格预测问题, 运用EMD方法和SVMs模型得到精度较高的预测值[24]。股票市场所产生的金融数据序列是非线性、非平稳的, 采用常规的线性分析方法可能会导致序列中某些重要的信息丢失, 在分析上造成一定的误差。而采用EMD方法不仅将数据线性化、平稳化, 而且保留了数据本身的特性, 可以得到更为精准的结果。因此, 本文尝试利用EMD方法将股市波动时间序列和并购潮波动时间序列分别分解成相应的多个代表不同信息含义的多尺度时间序列, 并在检验其相关性基础上解释中国企业并购潮发生的影响因素。

3 股市波动与并购活动的EMD分解过程

3.1 数据来源

本文所使用的并购活动时间序列数据来自于WIND资讯数据库。由于上证指数在中国股票市场最具代表性的指数之一, 因此本文选取上证指数作为研究对象, 上证指数数据来源于Resset金融研究数据库。两类数据截取的时间段为:1994年5月1日至2011年10月9日。由于并购活动和股市数据均属于高频数据, 而本文所研究的并购潮与股市波动相关性问题, 并不需要将时间尺度精确到具体某天, 但是如果反过来时间尺度过大, 会影响数据的波动特征。因此, 我们对两类事件序列数据的获取均按照“周”为时间尺度原则。具体做法是, 以并购交易日期为准, 获取每周并购次数的总和作为“周并购次数”并购活动时间序列的数项的值。股票指数项日期、收盘价, 上证指数非交易日以最近一个交易日的收盘价作为收盘价, 并以每周收盘价的均值作为“周收盘价”数据项的值。此外, 由于并购事件本身是离散性, 而股指波动基本属于连续型, 为了二者之间的匹配关系, 这里做了部分数据处理, 即以一个季度 (即13周) 为单位时间尺度对周并购次数和周收盘价作移动平均处理, 得到两组包含911个数据点的并购移动平均序列和上证指数移动平均序列, 下文简称“并购序列”和“上证序列”, 分别用变量S1和S2表示。

3.2 EMD分解过程与算法

针对并购序列S1和上证序列S2, 采用EMD分解算法对两个时间序列分别进行处理。以S (t) 为例, 其提取本征模函数IMF的具体过程如下:

(1) 初始化:r0 (t) =S (t) , i=1

(2) 提取第i个IMF:

①令h0 (t) =ri-1 (t) , k=1

②获得hk-1 (t) 的局部极大值和极小值点

③利用三次样条分别对hk-1 (t) 的极大值和极小值序列进行插值, 获得hk-1 (t) 的上、下包络线

④计算hk-1 (t) 上、下包络线的均值, 求得平均包络线mk-1 (t)

⑤令hk (t) =hk-1 (t) -mk-1 (t)

⑥如果hk (t) 满足IMF的特点, 则ci (t) =hk (t) ;否则, 令k=k+1, 跳转到②

(3) 令ri (t) =ri-1 (t) -ci (t)

这个分解过程可以一直进行下去, 直到rn (t) 只有一个局部极值点或变成一个单调函数, 此时已经提取不出本征模函数。过滤程序结束后, 数据序列S (t) 可以写成

通过以上分解提取的本征模函数具有不同时间尺度, 因此可以对IMF分量ci (t) 按频率从高到低排列后进行组合, 步骤如下:

步骤1:计算本征模函数c1 (t) 到cn (t) 的均值。

步骤2:用τ检验确定第一个均值显著偏离于零的本征模函数ci (t) 。

步骤3:从第1个本征模函数直到第i-1个本征模函数简单相加重构为高频部分;第i个本征模函数到第n个本征模函数简单相加重构为低频部分。

3.3 EMD分解结果

按照以上算法, 对并购序列S1和上证序列S2进行EMD分解, 分别将两个时间序列S1和S2分解成6个IMF分量和1个剩余分量, 见图1 (a) 、 (b) 。

为了识别各个IMF项是否为高频信号还是低频信号, 需要对并购序列S1和上证序列S2分解后的各IMF均值进行均值分析, 见图2 (a) 、 (b) 。

对并购序列S1的各IMF的均值进行检验后发现, 均椎显著偏离于0的第1个IMF为IMF2, 说明IMF1为均值在0附近的高频部分, 代表并购序列的正常波动项。把IMF2~IMF6相加得到并购序列分解后的低频部分, 代表并购序列的异常波动项。剩余分量不变, 代表并购序列的长期趋势项。

同样道理, 对上证序列的各IMF的均值也进行检验, 发现均值显著偏离于0的第1个IMF为IMF4, 因此, 可以得到上证序列S2的高频部分为IMF1~IMF3之和, 低频部分为IMF4~IMF6之和, 长期趋势项为剩余分量。

识别高频信号和低频信号的目的是为了重新对时间序列进行重组, 以形成新高频序列、低频序列和趋势项等多个信号分量, 而这些信号分量是原有时间序列按照一定规则分解而来, 但是其却具有非常重要的经济与行为信息。这里的高频项是指上证指数与并购活动的波动频率高的数据, 而低频项则相反, 趋势项则反映了序列的长期走势。按照以上规则, 重新组合后的IMF和两个序列的关系见图3 (a) 、 (b) 。

4 并购活动与上证指数波动的相关性

对并购序列S1和上证序列S2进行EMD分解后, 可得3个分量分别为序列的高频项、低频项和趋势项。其中, 并购序列S1的高频项、低频项和趋势项分别记为:HS1、LS1和TS1, 同样的, 上证序列S2的3个分量对应记为:HS2、LS2和TS2.之所以将序列分解为高频项、低频项和趋势项, 是因为三者代表了不同的信息。其中, 高频部分代表较小因素对序列的影响, 即该因素对时间序列事件的发生影响面积小或者说影响持续时间较短, 但该因素作用的频率却很高, 如企业信息发布对股市的影响、散户短期投资行为等;低频项反映了重大因素对序列的影响, 是序列的重要组成部分, 通常是序列产生剧烈波动的重要和主要因素, 例如产业调整政策对股市的影响、利率调整对股市的影响等, 都会造成较长时间的序列波动;趋势项是序列的主要组成部分, 代表序列的长期走势。

从并购序列S1分解结果图3 (a) 来看, 中国企业并购潮呈现出两个比较明显、有规律的“浪潮”特征:一个是趋势项呈现出来的大跨度波动, 只是该波动一直处于上升期 (由于数据限制还没有看到峰值和下降期) ;另一个是低频项呈现出来的、具有明显波峰值和波谷值的小跨度波动。由于高频项没有呈现出明显的波动情况, 换句话说, 其对并购潮的影响微弱, 因此, 可以不予考虑, 而只需要讨论两个有波动特征的并购潮与股市之间的相关性就可以了, 从而能够揭示中国企业并购潮活动的主要影响因素。因此, 本文在验证并购活动与上证指数波动之间的相关性时, 采取对其分量分别进行检验的方法。在相关性分析时采用的是Pearson相关系数, 测量两者之间是否存在简单的线性关系 (如表1) 。

由表1可以看出, 并购趋势项和上证趋势项的相关系数达0.9880, 高度相关的结果表明并购活动的增加趋势和上证指数的增长走势是同步的。同时, 将并购序列和上证序列的低频部分提取出来 (见图4) , 图中两序列的低频部分均添加了趋势线, 由图可以观察到, 并购序列趋势线的转折点均滞后于上证序列趋势线的转折点, 并且每次滞后的时间间隔基本一致。因此可以预见, 一定程度滞后的上证序列低频部分会与并购序列低频部分有较大的相关性。图5显示了滞后周数与序列相关性的关系图, 数据表明, 当滞后周数从较低值增加时, 相关系数不断增加, 达到16周时相关系数达到最大值0.4685。尽管不考虑序列主要组成的趋势项, 两序列的低频部分相关性依然可以达到中度相关, 这说明上证序列低频部分对并购序列低频部分的确起到不可忽略的带动作用。

综上所述, 并购序列和上证序列两组分量之间的相关性分析结果表明, 两个序列的趋势项高度相关, 而滞后16周的并购序列低频部分与上证序列的低频部分达到最大的中度相关程度, 这说明中国股市与并购潮活动之间具有非常紧密的关系, 那么, 如何解释中国企业并购潮的原因呢?因此, 必须揭示股市波动后面的重要因素。

5 解释与讨论

实际上, 并购潮现象在每个国家都存在, 尽管不同国家发生并购潮所处的阶段、并购潮持续时间各不相同, 但是并购潮发生的根本因素却没有根本性的变化。从前文的相关性检验可以看出, 中国股市的波动确实是企业发生并购潮的重要因素, 这验证了股市驱动并购潮假设[15]。由于股市是宏观经济发展的晴雨表, 既代表了宏观经济的增长与衰落, 又是大量机构和个体投资的平台, 因此, 对股市波动因素的分析可以折射出中国企业并购波动的最终影响因素。

从宏观方面来说, 上证指数的长期变动趋势必然影响着并购潮的发展趋势。从趋势项TS1与TS2相关性结果可知, 中国并购潮的趋势项波动情况正是中国宏观经济发展变化的结果, 该并购潮分量的波动情况会随着中国经济繁荣和经济总量的增加而增长, 同时也会伴随着中国经济衰落和经济总量的减少而降低。这与现有的并购潮解释理论完全一致, 新古典方法中的宏观经济波动[7]、经济规模等理论认为, 经济波动会带来并购潮的波动, 在经济快速扩张时期企业并购潮将达到峰值。因此, 中国企业并购潮波动的基本趋势受到中国宏观经济变量的根本性制约。

从微观层面来看, 宏观经济持续增长下的非理性投资行为等是造成中国企业并购潮低频分量波动的重要原因。LS1与LS2的相关性程度为中等相关, 从图3两个分量的走势可以直观地看出, 在2007年左右, 无论是并购潮波动还是股市波动趋势基本一致, 二者均在该年达到波动峰值, 换句话说, 这部分的相关性较高。事实上, 2004~2007年是中国股市最为疯狂的时期, 无论是个人、机构还是企业, 投资和资本市场运作的热情高涨, 股市在2007年达到峰值。这一时期的并购潮现象可以用行为金融方法进行解释, 行为金融方法解释并购潮有两个假设:一个是投资者的有限理性, 二是管理者的有限理性。投资者的有限理性反映在对股市错误定价条件下, 投资者由于理性不足而导致盲目并购, 因此, 对股价的错误估计和对股市走势的预判, 使股市波动与并购潮波动联系异常紧密, 频繁的并购活动伴随着高的股票价值[25]。管理者的有限理性反映在对自身管理能力的过度自信和自大, 典型的理论即为“自大假说”[26]。无论是投资者还是管理者的非理性并购行为, 事实上都基于当事方对周遭经济与政策环境的理解和研判, 这从并购潮波动与股市波动的滞后期也可以看出, 并购潮的峰值一直滞后于股市波动峰值, 这说明并购投资者一直是以股市走势进行并购行为的时机决策。当时的环境是, 国有股全面改革、全流通, 宏观经济全面向好, 大量关于国家产业调整政策、奥运等重大事件等, 尤其是国内货币政策、境外热钱流入等造成了流动性资金过剩现象[27], 所有这些因素综合起来催生了股市飙升和股市真实价值的误判, 因此, 那些追求资本市场收益最大化的短期并购投资行为空前增加, 出现了资本市场上的并购羊群效应和并购潮。但是, 该并购潮大约只持续了3~4年时间就经历的一次完整的波动, 持续的时间如此之短也说明宏观经济持续增长下的短期投资行为是造成2005~2009年中国并购潮形成的主要因素。

此外, 从图3 (a) 可以看出, 在2001年、2003年均出现了并购潮的峰值, 伴随着两个非常短期的并购潮波动, 而这两个波动与股市波动的相关性并不高, 这可以从二者整体相关性程度为0.4685进行判断, 换句话说, 这两个短期的并购潮现象并不能用股市波动进行解释。事实上, 2000年前后中国并购潮现象受到政府的产业重组与调整政策的重要影响。该段时期内, 证券资本市场的发展水平偏低, 显然股市对并购潮的影响也甚微, 但此时正是国有企业改革的关键时期, 国家宏观的产业结构调整和重组政策在引发企业并购潮方面扮演了主要角色。汽车、钢铁、水泥、煤炭、食品、通讯等行业均在政府政策的主导下进行了大量的并购重组业务, 其主要形式是买壳上市和国有股划拨[28]。其中, 政府的目的是通过并购重组提高民族企业的生存与竞争能力, 抵制入世后外国资本对民族工业的竞争冲击, 而企业的目的是利用政策尽快争取到上市机会, 从而出现了大量政府政策支持下的国有企业并购群体行为。因此, 该阶段的并购潮极大程度上是由于国家产业调整政策所致, 这也是该部分并购潮不能被股市波动解释的原因。

6 结论

本文利用EMD方法对中国并购潮时间序列数据和股票市场指数时间序列数据进行多尺度分解, 研究发现并购潮序列与上证序列的趋势项高度相关, 并购序列的低频部分滞后于上证序列的低频部分, 利用相关分析发现滞后16周时两序列低频部分达到最大的正相关性。这表明中国并购潮现象与中国股市波动有较大的相关性。由于资本市场承载了足够的信息, 因此, 分析和挖掘股市波动的背后因素也有助于理解和解释中国并购潮现象。结合现有的并购潮解释理论和来自中国数据的相关性检验, 我们发现:中国经济的持续快速增长是并购潮长期波动的根本性因素, 而产业结构调整、政府政策和企业短期投资行为则是中国并购潮局部波动的主要因素。本文研究的意义和创新主要体现在两个方面:一是我们利用EMD方法创新性地将并购潮事件序列信号有意识地分解为长期波动信号和短期波动信号, 它对应于并购潮的长期波动和短期波动。因为一个并购潮时间序列不可能是只有一个因素造成, 而不同的因素造成的并购潮其波动特征应该是有差异的, 因此, 我们将股市指数时间序列也做相应的分解, 然后对其相关性进行检验, 这有可能是挖掘并购潮形成原因和机理的可行方法。其次, 我们利用该方法全面综合地分析了中国自1994年以来出现的并购潮的可能因素。西方现有理论通常追去对某一个并购潮现象的单一因素检验和论证, 但我们并不认为是某个单一因素造成了这段时间的并购潮现象, 对中国并购潮而言, 早期的波动主要源于产业结构调整、政府政策等行政性主导因素, 而后期证券市场成熟后的波动主要是企业短期的套利和投资行为造成, 但是根本性的并购潮长期波动则与中国宏观经济持续增长关系紧密。

2.包含穷途的相关成语及解释 篇二

[穷途之哭]

qióng tú zhī kū

本意是因车无路可行而悲伤，后也指处于困境所发的`绝望的哀伤。

[穷途末路]

qióng tú mò lù

形容到了无路可走的地步。www.duwenz.cOm

[穷途潦倒]

qióng tú liáo dǎo

潦倒：失意。形容无路可走，十分失意。同“穷愁潦倒”。

[计穷途拙]

jì qióng tú zhuō

指无计可施，无路可走。

[末路穷途]

mò lù qióng tú

穷途：处境困窘。无路可走。比喻处境极端困难。

[途穷日暮]

tú qióng rì mù

犹日暮途穷。

[日暮途穷]

rì mù tú qióng

暮：傍晚；途：路。天已晚了，路已走到了尽头。比喻处境十分困难，到了末日。也形容穷困到极点。

[道尽途穷]

dào jìn tú qióng

3.多愁善感成语的相关解释 篇三

中国汉语里的词汇，比喻情意温柔缠绵(一般指男女之间)，出自宋秦观《鹊桥仙》：“柔情似水，佳期如梦，忍顾鹊桥归路。”

多愁多病 [ duō chóu duō bìng ]

旧时形容才子佳人的娇弱。

多情善感 [ duō qíng shàn gǎn ]

感情丰富，容易伤感。

★ 多愁善感造句

★ 多愁善感的近义词

★ 多愁善感的反义词

★ 多愁善感的奶奶

★ 多愁善感精彩句子

★ 多愁善感的句子

★ 表达多愁善感的句子

★ 日薄西山成语近义词及造句

★ 要而言之成语造句及近义词

4.蜜翁翁解释及相关词语成语 篇四

甜蜜、富翁、蜂蜜、百万富翁、蜜蜂、甜言蜜语、蜜月、老翁、主人翁、水蜜桃、度蜜月、蜜饯、不倒翁、渔翁、蜜汁、仙翁、花蜜、蜜枣、醉翁、白头翁、蜜柑、信天翁、蜜蜡、主人翁精神、蜜瓜、口蜜腹剑、醉翁亭记、卖炭翁、醉翁亭、蜜露、阿姑阿翁、阿家阿翁、醉翁之意不在酒、渔翁得利、渔翁之利、温情蜜意、甜嘴蜜舌、糖舌蜜口、失马塞翁、骚翁墨客、刀头舔蜜、乖嘴蜜舌、乖唇蜜舌、蜜里调油、盲翁扪?、盲翁扪钥、塞翁得马、塞翁之马、塞翁失马、柔情蜜意、阿翁、尊翁、祖翁、醉翁椅、醉翁床、醉翁操、足谷翁、赘世翁、赘翁、紫芝翁