首页 理论教育 投资者行为对特质风险的短期影响

投资者行为对特质风险的短期影响

时间:2022-11-23 理论教育 版权反馈
【摘要】:但对股价特质风险这种波动现象的解释,以及股价特质风险波动中存在的投资者行为效应大小都还缺乏相应的思索与进一步研究。本书用Xt表示成交量,代表主要的投资者行为效应大小。另外,本书通过对虚拟变量的设定反映当典型事件发生时,信息不确定性促使投资者行为发生的变化。

第五章 股价特质风险的投资者行为效应实证分析

通过上一章的论述可以知道,在我国股票市场(本书主要以A股市场作为研究对象[1])上,股票资产价格除具有波动剧烈和波动集群(volatility clustering)的特点外,往往表现出股价波动的非理性特征。随着研究的深入,人们发现除了股价趋同变化(主要受到投资者行为效应的影响)会增加股市价格波动之外,股价面临的特质风险(idiosyncratic risk)同样会使得股市价格波动加剧。与信息价格理论(IPT)的观点不同,Brown and Kapadia (2005)、Ang et al.(2006)和Fleming,Kirby and Ostdiek(2006)等认为股价的特质风险反映了在股票市场中存在信息不确定性的程度。信息不确定性成为解释股市价格波动的又一重要内在原因。

众所周知,一个股价波动平稳,股价蕴含了更多基本面信息的股票市场会发挥更有效率的资源配置功能。本章正从这一目的出发,通过对我国股价特质风险所含信息(方差值)的分解分析,从特质风险中分离出货币政策冲击效应、股价变动惯性效应、投资者行为效应以及随机动效应。借此对我国股市价格波动的非理性特征予以合理解释,这构成了本章主要研究的目的之一。

第一节 股票价格波动信息的因子分解

从国内外的现有研究来看,学术界已对源于信息不确定性的特质风险波动性逐步展开研究。但对股价特质风险这种波动现象的解释,以及股价特质风险波动中存在的投资者行为效应大小都还缺乏相应的思索与进一步研究。本章试图通过对股票价格波动信息(方差值)的分解,以了解在我国股价特质风险波动中存在的投资者行为效应影响,为准确认识股价特质风险非理性波动提供客观上的依据。

通过前文的理论与实证情况分析,现可将原有股价波动的信息不确定性模型简化成如下形式:

SDt=β0+β1Ft1+β2Ft2+β3Ft3+εt     (5-1)

Ft1表示货币政策效应,Ft2代表总的投资者行为效应的大小,Ft3则反映了惯性效应的作用,这里引用前式(3-50)作为式(5-1)。

一、数据的选择及数据处理

本书选取上证综合指数的每日收盘价作为股价波动的研究对象,时间从1999年1月4日到2010年3月29日,其间共2710组数据。

用SDt表示上证指数(收盘价)标准差,代表股价波动及其内生的信息不确定性(GJBDt),其计算方法采用滑动计算标准差的方法,向前滚动的周期为5天,大体为一周的交易时间。样本期内前4个交易日标准差的计算依次需要利用到样本期之前多个交易日的相关数据。

用Rt表示一年期存款利率,SRt表示同期的存款准备金率,Rt,SRt一起代表货币政策效应(HBZCt)。

本书用Xt表示成交量,代表主要的投资者行为效应大小。同时学术界也逐渐用换手率TRVRt来反映投资者对信息不确定性的反应程度,认为换手率TRVRt能够较好衡量股票市场的投机交易活动。本书用成交量Xt和换手率TRVRt共同体现投资者行为效应(XWXYt)的规律及其特点。

另外,本书通过对虚拟变量的设定反映当典型事件发生时,信息不确定性促使投资者行为发生的变化。D1设为2006年初当我国股票市场全面推开股权分置改革时,投资者对此做出的反应;D2代表的事件为2007 年5月14日,我国证监会发布了《关于进一步加强投资者教育,强化市场监管有关工作的通知》的有关调控信息,强调了“买者自负”的投资原则,接着2007年5月21日,央行给出了“组合拳”式的调控举措,宣布将利率与存款准备金率同时提高;D3则设为2008年9月14日,以美国雷曼兄弟公司宣布破产为标志的美国次贷危机爆发,我国政府因此也出台了一系列启动内需、维持经济稳定的宏调政策。

对于惯性效应代理指标的选取,本书加入了标准差SDt的滞后1期到3期的值作为解释变量,即SDt(-1),SDt(-2),SDt(-3),用它们代表惯性效应(GXXYt)对股价波动施加的影响作用。

本书选取的数据均来自CSMAR数据库,为了消除数据本身的波动性,并提供更多的时序数据的信息,文章对股价标准差SDt、利率Rt、存款准备金率SRt、成交量Xt及换手率TRVRt均做了对数化处理。

二、投资者行为波动效应的分解

根据Granger(1987)的观点,在建模前需对各变量进行单位根检验。检验结果如表5-1所示:

表5-1 各变量的单位根检验结果

注:(C,T,K)代表ADF检验式的常数项、时间趋势项以及滞后期数;*、***分别表示在10%和1%的显著性水平上通过检验。

从表5-1可以看到,LN(SDt),LN(SRt),LN(Xt)和LN(TRVRt)均为零阶单整变量,只有LN(SRt)是在10%的显著性水平上通过检验,LN(SDt),LN(Xt)和LN(TRVRt)的显著性都达到了1%。LN(Rt)在经过一阶差分后也可在1%显著水平上通过单位根检验,根据单位根检验的结果,对利率变量LN(Rt)作一阶差分处理,计做DLN(Rt)。这样,在平稳时间序列的基础上,本书可进一步对股价波动效应进行建模,进行具体的回归分析。

为了衡量各因素对股价波动整体特征的各自贡献度,本书采用因子分解的方法来从股价波动信息中逐一提取各因素的效应成分。

(一)政策变量的解释力度

首先利用货币政策效应来解释股价波动。因变量为股价波动标准差LN(SDt),解释变量为一阶差分的利率变量DLN(Rt)和存款准备金率变量LN(SRt),做回归分析。

从回归结果中可以看到,在1%的水平下,存款准备金率的系数显著,说明存款准备金率对股市波动(上证综合指数标准差)具有显著的正向影响。利率的系数也为正数,说明银行一年期定期存款利率对股市波动也具有正向的影响作用,但其系数显著性不强。这是由于我国在较长时期内,特别是在2007年以前中国人民银行调整利率水平的频率不高,我国货币政策工具并不依赖于利率水平变化,利率水平变化更不会以股市波动作为调整的政策目标。货币政策效应的回归结果表明,我国货币政策的实施对股市价格的影响是正常的,并且颇具效果;但同时回归的结果也验证了我国货币政策的主要政策目标并不是稳定股票市场价格,它对股市的反应是个别和零星的。

在股价的整体波动特征中,利率和存款准备金率代表的货币政策效应能解释的成分占到了38.92%,如表5-2所示R2的值。但要注意到此时的D.W值,即股价波动的残差其D.W值为0.3372,远小于2,这说明在股价波动货币政策效应的残差序列中还存在较严重的序列自相关。同时这也说明在残差序列中仍存在一些有用的波动信息未被完全提取出来。

(二)投资者行为效应的回归

接下来在模型中加入代表投资者行为效应的解释变量成交量LN(Xt)、换手率LN(TRVRt)和能反映信息不确定性下股价波动变化的时间段虚拟变量D1,D2和D3。再做回归。

考虑了投资者行为效应后,模型中LN(SRt),LN(Xt),LN(TRVRt),D2和D3的系数均在1%的显著性水平下检验获得通过,这表明了存款准备金率、信息不确定性以及投资者行为效应对股价波动具有明显的影响作用。存款准备金率的系数保持为正,说明即使存在不确定信息及投资者行为会产生相应应对反应的情况下,我国货币政策的实施也仍然能够收到正常的政策效果,不过由于存在投资者行为效应,其有效性已有所降低。

信息不确定性方面,2006年初投资者对于股权分置改革的行为效应,表现在从正方向上影响了股价波动。2007年5月中旬,投资者对国家发布《关于进一步加强投资者教育,强化市场监管有关工作的通知》的行为反应对股市波动产生了反方向的影响,即在一定程度上成功抑制了股市的更剧烈波动,并且显著性明显(1%显著性水平)。2008年爆发国际金融危机之后,国家出台了一系列产业振兴计划,投资者对此做出的判断和反应使股价具有了更强的成长性,这在一定程度上使得处于低迷的我国股市得到了些许发展并开始逐渐回暖。

作为投资者行为效应量化指标的成交量指标LN(Xt)和换手率指标LN(TRVRt),它们对股市波动的同向影响作用也很明显,即伴随成易量的增大和换手率的提高,股市波动增强;而伴随着成交量的缩小和换手率的减少,股市波动幅度也会趋缓。成交量和换手率对股市波动的这一影响作用,从实证角度充分验证了投资者行为金融的理论解释。

注意此时模型回归结果的R2值为55.56%,说明现有解释变量能够解释股市波动的程度达到55.56%,其中利率和存款准备金率所代表的货币政策效应对股市波动产生了38.92%的解释力度,而整体投资者行为效应在股市异常波动中占到了16.64%的影响成分。

虽然在解释变量中又加入了信息不确定性和投资者行为效应这一影响因素,此时股价波动模型回归的D.W值还只有0.4553,远小于2(表5-2)。仍然说明了在残差序列中存在着明显的自相关问题,这也意味着在残差序列中还存在具有解释力度的变量信息没有被完全提取出来,需要在模型中进一步加入合适的解释变量。

表5-2 股票价格波动信息的因子分解结果

续 表

注:1.括号内为标准差;2.**、***分别代表在5%、1%的统计水平上显著。

(三)股价波动的惯性效应

如本章前文所述,股市波动除了受到货币政策、投资者行为的影响以外,股市波动本身还具有惯性效应(即集群性效应)的特点,这是所有高频时间序列具有的共同特征,也成为股市的基本性质之一。因此在股价波动模型中需要接着加入波动因变量的滞后期变量,以反映股市波动具有的集群特性。

经检验,在解释变量中加入了3期的股价波动滞后值,即LN(SDt-1),LN(SDt-2)和LN(SDt-3),依前做回归分析。

在模型中加入了前1到前3期的因变量滞后变量,即LN(SDt-1),LN (SDt-2)和LN(SDt-3)作为解释变量后,LN(Xt)、D3、LN(SDt-1)和LN (SDt-2)系数的显著性水平为1%,LN(TRVRt)的系数在5%的统计水平上显著。从中可以看出,在所有解释因素共同作用的条件下,投资者行为效应和股市自身惯性效应是解释股市波动最为显著和最有力的因素。我国股市波动在受到股市价格前期波动的影响下,表现出了明显的股价波动集群特性,其中尤以LN(SDt-1)和LN(SDt-2)滞后1期和滞后2期的作用最显著(1%的显著性水平),可以看到惯性影响还呈现出了逐步衰减的迹象;我国股市更具特点的是,股市波动与投资者行为效应的投机交易联系密切,投资者行为效应显著促发了股市价格的非随机波动。

这时从模型的回归结果统计量可以看到,模型残差序列的D.W检验值为1.9658,已较接近于2,基本可以认为残差序列为平稳时间序列,也就是说在模型残差中已不存在任何具有解释力的有用信息。此时回归方程的R2等于83.2%,这是本书所列举的所有解释因素对股市价格波动解释力度的总和。和计算投资者行为效应解释成分的方法相同,惯性效应占到影响股价波动成分的27.64%。因为D.W值接近于2说明模型已不存在自相关性,这是从模型的回归方程结果直观得出的结论。为严谨起见,本书接下来对模型的残差进行平稳性检验,以确保理论模型的完整及说服力。

(四)模型残差的平稳性检验

股市价格波动的信息不确定性模型经过对货币政策效应、投资者行为效应以及股市惯性效应进行因子分解后,已获得了投资者行为效应的影响大小及其影响股价波动的有关规律与特点。但为确保理论模型的完整性,仍还须对模型的回归方程残差进行平稳性检验。这是因为只有当方程的残差序列已是平稳时间序列,上述分解模型才能真正达到建模目的,即平稳的残差序列才意味着股市波动只剩随机波动的扰动,残差中不再包含股市波动的集群或其他非随机性信息,不需要对其进行进一步的信息分解。

对表5-2回归结果的残差序列做ADF单位根检验,结果如表5-3所示:

表5-3 模型残差序列的单位根检验

注:(C,T,K)代表ADF检验式的常数项、时间趋势项以及滞后期数;***表示在1%的显著性水平上通过检验。

从表5-3中的数据可见,ADF检验统计量远远小于1%显著性水平下的临界值,所以残差序列的检验结果是平稳的,这表明了上文所建模型具有较好的解释力。残差序列图如图5-1所示,从图形也可看到,残差序列围绕着横轴上下波动,呈现出明显的对称性。这也说明了残差序列具有明显的平稳性特征,其波动是由纯随机因素造成的。

图5-1 波动分解残差序列图

至此,通过对股价波动效应信息的分解与提取,可以看到在我国股票市场的资产价格波动成分中确实明显存在有非理性的投资者行为效应特征,其解释力度较大,占到了至少16.64%的总体波动影响成分。

从研究的结果中还能够发现,投资者行为在受信息不确定性影响下,确实给股价波动带来了显著性影响,投资者行为构成了股市价格异常波动的主要来源之一。同时研究结果还揭示,货币政策效应及股市自身的惯性效应也是股价波动的重要原因。虽然通常人们认为我国的股市还处于发展不成熟、不完善阶段,但从对股市波动性的影响来看,我国货币政策的实施效果以及股价变化的集群性在我国股市中都能表现出明显效果。

第二节 投资者行为与股价波动的格兰杰因果检验及脉冲响应分析

第一节将股价特质风险的波动信息(方差值)进行了因子分解,获得了在特质风险的总体变动中投资者行为效应占到的解释份额。基于波动信息的因子分解虽然掌握了投资者行为效应作用的大小,但这种方程回归的结果只是对投资者行为效应做了一种总体度量,对投资者行为效应的把握是静态的。就像在日常股票市场投资交易行为中所看到的,投资者行为本身就是一种时变性很强的时间序列变量。伴随着投资者行为理性与非理性的交替变化,人们不禁要问,股价特质风险是否会伴随着投资者行为效应的变化而相应发生改变,两者间究竟存在着怎样的动态互动关系,本节即将从股价特质风险与投资者行为效应动态变化的关系入手,通过各种向量模型来具体研究两者间可能存在的诸多动态变化规律。

一、变量的平稳性检验

(一)有关计算变量的说明

本章对股价特质风险的实证分析数据依然沿用上一章选取基准样本股计算出来的数据,数据的时间频率和时间范围均与上章一样。

而本章第一节对投资者行为效应选取的替代变量是股票资产交易的成交量和换手率,本节将从不同的角度研究它们与特质风险的关系,但数据的来源和计算方法仍与前文保持一致。换手率是将个股平均换手率的日度数据转换为月度数据,由于换手率都为正值,并且它的经验分布表现为非对称(skewed)形态,对其取自然对数能提供更多的时间序列信息,因此本节对换手率的数据处理上会与上节相似(但其中的原因略有不同),即利用换手率取对数后的时序数据作为数据变换的形式。成交量指标基本也与前文一致,即将个股成交数量进行等权平均以获得股票资产组合的日成交数量,然后再将日度数据转换成与特质风险等数据一样的月度数据,方法这里不再详述。

(二)VAR模型的序列平稳性检验

本节运用VAR模型研究特质风险与投资者行为效应之间的动态变化规律。因为应用VAR模型要求模型序列必须满足平稳性要求,因此首先需对股价特质风险和投资者行为效应的时间序列做平稳性检验,经过ADF单位根检验,特质风险和投资者行为效应时间序列的原水平序列值均在5%的显著性水平下通不过单位根检验。因此对其做对数处理,各变量计作:特质风险用lfirm表示,在EViews中处理为lfirm=log(firm);投资者行为效应替代指标的换手率变换后用ltrvr表示,处理为ltrvr=log(trvr);成交量用lx表示,处理为lx=log(x)。数据变换后,对特质风险与投资者行为效应各替代变量再进行单位根检验,其结果如表5-4所示。经过数据处理后各变量都在5%的显著性水平下通过了ADF单位根检验,均已成为平稳的时间序列变量,并满足了建立VAR模型需要的基本要求。

表5-4 特质风险与投资者行为效应替代变量的单位根检验结果

注:(C,T,K)代表ADF检验式的常数项、时间趋势项以及滞后期数;**、***分别表示在5%和1%的显著性水平上通过检验。

二、投资者行为与股价波动的格兰杰因果关系检验

由于应用VAR模型研究变量间动态的变动关系,需要确定变量间是否存在确实的相互作用或相互影响。假若对只是存在相关关系的变量进行VAR建模分析,就有可能出现伪回归的问题(Granger,1969)。

对投资者行为效应与股价特质风险进行Granger因果检验。检验的结果如表5-5所示。

表5-5 投资者行为效应与特质风险Granger因果检验结果

注:本表是选择滞后2期得到的检验结果。本书对其他滞后期也都进行了相应检验,不同滞后期的选择并不会改变本表做出的结论。

从表5-5中的检验结果能够看到,虽然在ltrvr与lx之间存在着双向Granger因果关系,但是投资者行为效应与特质风险间的Granger因果关系(即lfirm与ltrvr之间,lfirm与lx之间)却都不能够拒绝原假设。即它们彼此间并不能够相互在Granger意义上形成因果关系[2]。检验结果并不支持投资者行为效应能与特质风险直接进行向量自回归的建模方式,因此必须对之前的假设做出修正。根据本书在前面章节对行为金融理论的论述,接着检验股票资产其他的波动成分与投资者行为效应可能存在的因果关系。结果如表5-6所示。

表5-6 投资者行为效应与市场波动MKT、行业波动IND的Granger因果检验

投资者行为效应与行业波动 IND

注:本表选择的滞后期并不完全一致,具体可以根据表格中观察值Obs个数与样本个数(111)间的差值计算判断。

从表5-6的结果可以看出,投资者行为效应中的换手率指标与市场波动MKT之间存在着双向的Granger因果关系,在10%的显著性水平下Granger因果检验获得通过。而同样反映投资者行为变化的成交量指标虽然也能与市场波动形成相互因果的Granger关系,但这种互相之间的影响其滞后期却并不相同。[3]

在投资者行为效应与行业波动IND的关系方面,表5-6下半部分的数据结果说明,在滞后2期的情况下,行业波动是影响换手率变化的原因;在滞后1期的条件下,成交量反映的投资者行为变化构成了股票行业波动的原因(显著性水平5%)。

综合股票波动成分与相应投资者行为效应的变量关系,可以基本得出这样的结论:

第一,虽然特质风险与投资者行为效应确实存在较高的相关关系,但它们却并不存在Granger意义上的相互因果影响。

第二,行业波动与投资者行为效应的不同指标具有相反的影响关系。行业波动的变化作为投资信息更倾向于是投资者交易行为改变的动因;而作为投资者行为效应总体表现的成交量指标又会反过来,作为投资者作用于市场的力量而成为行业收益波动的影响因素来源。

第三,在各股票资产的波动成分中,市场层面波动与投资者行为效应互动影响关系最为显著。这说明在股票市场上投资者进行股票资产交易,更多依赖市场层面的消息。而投资者行为效应作为直接影响,往往作用的对象也首先是市场层面的收益变动。

经过Granger因果检验,本书调整了原有的理论假设。根据投资者行为效应与市场波动存在着相互影响、相互制约的关系,下文对它们之间的动态变化规律建立向量自回归模型(VAR),并展开分析。

三、投资者行为与股票价格波动的动态变化关系

为确定VAR模型的滞后阶数,需综合多种评价准则的结果进行判断。滞后阶数的判断结果如表5-7所示。

表5-7 VAR模型滞后阶数检验结果

续 表

注:*表示被该准则选择的滞后阶数。LR:LR检验统计量;FPE:最终预测误差FPE;AIC:Akaike信息准则;SC:Schwarz信息准则;HQ:Hannan-Quinn信息准则。

在0到9阶VAR模型的5种滞后阶数的检验方法中,共有3种选择了2阶的滞后阶数。因此根据这多种方法的综合判断,可将投资者行为效应与市场波动风险VAR模型的滞后阶数p确定为2阶。

(一)投资者行为与股票价格波动的VAR模型分析

1.平稳性检验

同样首先对投资者行为效应和市场波动进行VAR平稳性检验。检验结果如表5-8和图5-2所示。

表5-8 投资者行为效应和市场波动的VAR平稳性检验表

从表5-8和图5-2中可以看到,在两变量的VAR模型中不存在单位根,并且没有特征根位于单位圆外,这说明两者的VAR模型是一个平稳的系统。

2.投资者行为效应与市场波动的VAR模型估计

因为投资者行为效应与市场波动的VAR系统已经达到平稳,模型的滞后阶数选定为滞后2阶,因此可以对其时间序列lmkt和ltrvr建立起VAR模型,并进行估计。

图5-2 投资者行为效应和市场波动的VAR平稳性检验

为研究投资者行为效应变动对股票资产市场波动的长期影响和短期互动,以及探求这其中的贡献程度,本书利用样本股票资产2001年1月至2010年3月的月度数据,用VAR(2)模型对换手率ltrvr、市场波动lmkt这两个变量进行动态关系的实证研究。

(1)VAR模型的参数估计。本书的VAR模型有2个变量,这样也就有2个方程。VAR模型的参数估计结果如表5-9所示。

表5-9 投资者行为效应、市场波动VAR模型的参数估计结果

续 表

注:表中不带括号的数据是模型参数估计结果;圆括号中是估计参数的标准差;方括号中则是估计参数的t检验统计量。

模型中两个方程的滞后项参数过半数以上都是显著的,并且VAR模型也并不是最为关心方程参数是否显著不等于零这一事实。因此可以将两个方程的所有滞后变量全保留在VAR模型当中。将VAR模型的估计结果表示成矩阵形式,其等式为:

在VAR模型中各子方程它们相关的检验结果如表5-10所示,表格中第一栏是各种检验统计量,第二栏是关于市场波动lmkt方程的检验结果,第三栏是关于换手率ltrvr方程的检验结果。可以看到其中两个方程的AIC和SC信息量都已达到较小的数值,两个子方程的回归效果较为理想

表5-10 投资者行为效应、市场波动VAR模型各子方程检验结果

续 表

对于投资者行为效应和市场波动VAR模型整体回归效果的检验和评价如表5-11所示。

表5-11 VAR模型的整体检验结果

表5-11中VAR模型整体的对数似然值数值绝对值较大,而其他4个检验指标包括残差协方差、AIC、SC信息量的数值却都是较小数值,因此对投资者行为效应及市场波动变量建立的VAR模型获得了检验通过,模型回归的效果较好。

(2)VAR模型的模拟与预测。进一步利用VAR模型可对投资者行为效应,以及它与市场波动动态变动之间的关系进行模拟与预测,而且从预测的角度可以再次检验它们两者间产生互动影响的变化过程。

预测均在样本内进行,方法则分别采用动态预测和静态预测。首先是动态预测,选择的预测样本期为2008年8月到2010年3月。结果如图5-3所示。

图5-3 投资者行为效应与市场波动的动态模拟结果(样本期为2008年8月至2010年3月)

图5-3中的虚线描绘的是动态预测值。对比预测结果,可以看到动态预测较好地预测出了各变量发生变化的演变趋势,并且在预测样本期内投资者行为效应与市场波动具有很相似的趋势变化轨迹。但动态预测不足的是,它对具体的变化难以达到细致拟合。

接着是对换手率与市场波动序列进行静态预测。预测的样本期调整到与VAR模型的样本期间一致,即从2001年1月到2010年3月。静态预测结果如图5-5所示。

图5-4 投资者行为效应与市场波动的静态模拟结果

同样,图5-4中的虚线就是对各变量做静态预测的预测结果。显然,由于静态预测使用了样本期内的实际值帮助预测,因此预测的效果更为细致、准确。通过VAR模型的预测分析,可以认为以市场波动为代表的股票价格风险和以换手率指标为代表的投资者行为之间,确实存在显著的互动影响关系,利用VAR(2)模型则很好地拟合并描述了这种关系。

到现在为止,本书基本都是利用两个变量的实际数据对它们之间的动态变化关系进行建模分析,由于VAR模型本身只是一种非理论性的模型,模型方程并不能使用回归得到的方程组来研究一个变量的变化对另一个变量的具体影响。另外VAR模型并未考虑在投资者行为与股票价格波动之间是否存在有同期之间的影响,而假若这种变量间的同期影响存在,那么非结构化的VAR模型还并不太适合描述这些变量的相互作用关系。基于这些因素的考虑,接下来本书将在原有VAR模型的基础上加入结构化的因素,以完整地考察投资者行为与股票价格波动存在的互动影响。同时还可将风险因素加入进来,利用变量误差项的改变来代替内生变量的冲击,通过VAR系统的动态特征把握投资者行为与股票价格波动可能存在的动态影响效应。

(二)投资者行为与股票价格波动的同期影响

判断投资者行为与股票价格波动是否具有同期间的相互影响,可以检验之前做模型分析的VAR(2)模型的扰动项之间是否存在同期的相互关系,方法可以通过扰动项(残差值)的同期相关矩阵来做判断。用e1表示市场波动lmkt方程的残差;用e2表示换手率ltrvr方程的同期残差值。在上文VAR(2)模型回归的结果基础上,可以得到两个子方程的同期扰动项的相关系数矩阵如表5-12所示。

表5-12 换手率、市场波动VAR模型残差同期相关系数

表5-12中e1与e2的相关系数为0.3188,显然数值较大,这就不能排除掉换手率指标与市场波动变化之间存在着同期关系的影响。因此尽管前文用非结构化的VAR模型获得了关于换手率和市场波动的一致估计量,但却仍然无法准确地反映这种同期影响关系。作为改进,在VAR模型中可加入结构分析,利用结构化向量自回归模型(structural VAR,SVAR)来继续分析投资者行为、股价波动的动态互动关系。

利用对模型识别与约束的条件,使用EViews 6.0软件对市场波动lmkt和换手率ltrvr指标建立SVAR模型,计算得到的回归结果如表5-13所示。

表5-13 市场波动、换手率SVAR模型参数估计结果

续 表

将模型的估计结果表示成矩阵的形式,其矩阵形式如下:

写成方程组的形式为:

式中eit是εit的估计值。式(5-4)将投资者行为与股价波动的同期影响比较清楚地表示出来,接下来本书便以考虑了两者间同期影响的SVAR模型分析它们的动态影响关系。

四、投资者行为对股价波动的脉冲响应分析

对于投资者行为与股价波动令人感兴趣的还有两者间的动态互动关系。在建立了两者的SVAR模型的基础上,通过脉冲响应函数(impulse response function,IRF)可以分析和研究这种关系。

对投资者行为与股价波动的冲击效应分析,分析结果可以用图形和表格分别进行描绘,具体结果如图5-5、图5-6和表5-14所示。图5-5、图5-6中的实线是脉冲响应函数,虚线则是正负两倍的标准差形成的偏离带。图的横轴代表了冲击作用的时期数,本书以每月为一期;纵轴的数值反映了各变量受冲击影响发生变动的大小。

图5-5 市场波动的结构冲击引起的市场波动与换手率变化的响应函数图

表5-14 市场波动、换手率冲击效应的脉冲响应分析结果(表格形式)

从图5-5的图形变化中可以看出,市场波动在自身受到冲击(正向)后立刻就会产生较大的波动变化,即在第2期受到的影响最大。但是这种受到的影响在随后时期中逐步衰减,但第10期左右时冲击受到的影响就基本稳定在一个相对较低的水平,并变化不再明显。换手率在受到来自股价市场波动的冲击影响后,起初在前两期的时间内换手率趋向变小,在第2期达到最小值,这一变化可以认为是投资者在刚遇到风险时出于规避风险的本能,其中伴随着风险到来减少了股票资产的交易行为。从第3期开始换手率又转而上升,在第3期至第5期处在一个变动增大的过程,因为在这时噪声交易者占据了上风,由于他们交易的增加因此换手率在这一阶段有了一个逆市的增加。在第5期之后随着期初冲击影响的逐步减弱,换手率也在这时以相对较慢的速度逐渐下降,冲击造成的影响效果逐步稳定。

图5-6 换手率的结构冲击引起的市场波动与换手率变化的响应函数图

图5-6描绘的是市场波动与换手率在受到源于换手率的冲击后,各自响应变动的过程图。市场波动在受到换手率冲击后开始反应程度不强,并且还向负向变化,即略有减小,这说明换手率的增加在一定程度上提高了市场交易量,具有稳定市场的作用。在第2期之后市场波动开始增加,于第5期达到最大值,之后冲击的影响基本趋于稳定。综合来看,换手率和股票市场波动还具有正向的互动影响关系,在开始有一个反向变化的过程之后,正向的影响便开始凸显,在增大的变化之后冲击形成的影响都最终渐渐趋于稳定。换手率受到自身冲击影响的变化过程与市场波动的同一变化过程较为相似,即开始时变量受到冲击产生一个较大的波动,然后随着时间推移,冲击的作用逐渐减弱,变量的波动幅度逐步减小,在期末也慢慢趋于稳定。

脉冲响应函数对投资者行为和股价波动的动态反应过程进行了描述,而通过方差分解的办法,还可在此基础上进一步判断在投资者行为和股价波动的变化总成分中,来自两个方向的影响(即分别来自投资者行为效应和市场波动大小)各自能占到多大的贡献程度,用定量的手段给出两个变量(即指换手率ltrvr和市场波动lmkt)相互作用的相对重要性分析。

依然模仿投资者行为与股价波动冲击效应发生的过程,可将两者的波动方差进行方差分解。根据本书第三章对方差分解方法的含义说明,如表5-15、图5-7所示给出了对股价市场波动lmkt和换手率ltrvr冲击效应的方差分解结果。

表5-15 股价市场波动lmkt冲击效应的方差分解结果

从表5-15的结果能够看到,股票资产的市场层面波动贡献度最大的是自身的集族特性,以换手率ltrvr为代表的投资者行为变动并没有在较大比例上改变市场波动。不过从各期方差贡献率的变化趋势来看,换手率也即投资者行为的变动在股票市场持续的交易过程中会不断增强其冲击影响的效果。

图5-7 换手率ltrvr冲击效应的方差分解结果

图5-7反映的是市场波动和换手率冲击对换手率波动的贡献程度,图形描绘的是两者的结合图。实线表示的是市场波动冲击方差贡献率的百分比数值。图5-7数据显示,市场波动对换手率形成的冲击在期初约占到10%的贡献度,最初两期换手率相应的反应程度也很不明显,从第2期末开始市场波动的冲击效应逐步显示出来,方差贡献率也不断增大,在第10期时市场波动的贡献率最终达到33.4%,占到整体冲击效应的1/3。虚线代表的是换手率冲击对自身波动影响的方差贡献率。从换手率的RVC曲线可以看到,换手率冲击对自身波动的方差贡献呈现逐渐衰减的迹象,这从一般的随机波动规律中不难得到理解。因为只有两个内生变量,换手率的RVC曲线正好与市场波动的RVC曲线呈对称、互补的形状。换手率冲击的方差贡献度从期初的89.8%,经过两期的缓慢变动,从第2期末开始逐渐衰减,到期末(第10期)变到占整个冲击效应的2/3,即66.6%。

从对冲击效应的方差分解分析中,可得出这样的结论:即无论是股价的市场层面波动,还是投资者行为效应(以投资者交易行为的改变为标志),它们对彼此的影响或冲击,其效应是逐步才能充分体现出来的。与通常认为股票交易符合效率市场理论不完全一样的是,股票资产的波动风险与投资者行为效应的互动作用不仅仅只局限于瞬时或短期,它在较长时期中会形成累计效应,供给历史信息,构成了两个变量间长期的互动影响关系。

第三节 投资者行为与特质风险的长期均衡关系证据

本章第二节证明了股价特质风险与相应的投资者行为效应间并不存在明显的Granger因果关系,两者间的关系不是直接而单一的。如在前面章节中所做理论分析及实证检验表明的,股价特质风险和投资者行为效应间确实存在实际的互动影响,两者通过股票标的的企业层面信息获得了内在联系,形成某种相互制约的均衡关系。本节通过计量经济学模型,利用股票资产的实际数据,来实证分析股价特质风险和投资者行为效应本质存在的数量关系。

对股价特质风险的变量选取仍是股票企业层面波动firmt的原序列;对投资者行为效应的变量选取也仍是换手率指标trvrt和成交量指标xt。为研究变量间的协整关系,需要首先对3个序列进行单位根检验。这是因为协整关系要求各变量必须都是同阶单整的非平稳时间序列。

对特质风险firmt、换手率trvrt和成交量xt进行ADF的单位根检验,检验结果如表5-16所示:

表5-16 特质风险与投资者行为效应替代变量(原序列)单位根检验结果

注:(C,T,K)代表ADF检验式的常数项、时间趋势项以及滞后期数;***表示在1%的显著性水平上通过检验。

表5-16中单位根检验显示特质风险firmt、换手率trvrt和成交量xt原序列在5%的显著性水平下均不能通过单位根检验,均为非平稳时间序列。经过一阶差分后,3个变量又都在1%的显著性水平下通过了单位根检验。因此特质风险firmt、换手率trvrt和成交量xt3个变量均是非平稳的I(1)序列,可以对其是否具有协整关系进行检验。

对3个变量建立VAR模型,按照与上文相同的方法选择3个变量最合适的滞后阶数(限于篇幅,这里省去具体的滞后期选择分析过程)。经过各个信息准则的比较,对特质风险firmt、换手率trvrt和成交量xt的滞后期选择可选择共同滞后6期。对3个变量进行综合的Johansen协整检验,可得到如表5-17所示的协整检验结果。检验结果是在选择3个变量序列都不具有确定趋势,而协整方程也不含有截距的协整方程形式下获得的。表5-17中协整检验的结果显示,在5%的显著性水平下最大特征值检验(表中的下面部分)接受了3个变量具有一个协整关系的原假设。而且即使特征根迹检验(Trace检验)的检验结果也与最大特征值检验相差不大。由于即使转换协整方程的假定形式,其检验结果也都表明在特质风险、换手率和成交量的3个变量之间存在着协整关系。因此根据变量的实际经济含义可以确定,特质风险、换手率和成交量3个变量有且仅有1个协整关系。

表5-17 特质风险、换手率和成交量的协整关系检验

续 表

在假定特质风险、换手率和成交量没有确定趋势,协整方程不具有截距的情形下,利用极大似然估计方法还可以得到3变量协整关系的系数矩阵β,以及协整关系的调整参数α。结果如表5-18所示。

表5-18 特质风险、换手率和成交量的协整系数与调整参数

表5-18中的上面部分给出的是协整系数β矩阵,其中每一列分别为各自变量的协整系数向量。表格的下半部分是调整参数的α矩阵。β矩阵的每一行分别代表了一个协整向量,α矩阵的每一行则代表了与之相对应的协整调整参数。比如,将特质风险、换手率和成交量计算出来的协整关系可以表示成如下等式:

zt=1557.841firmt-0.2984trvrt+2.30E-08xt     (5-5)

而3个变量协整方程的形式为:

Πyt-1=αβ′yt-1     (5-6)

式(5-6)中的向量α和β就是表5-18所给出的结果(正好对应各行数据)。

表5-19 经标准化(normalization)后的协整系数与调整系数

续 表

注:各系数下方括号内标注的是各参数的渐进标准误。

由于表5-18得到的是无限制的协整系数β和调整参数α,为了对变量的协整关系进行识别和进一步估计,还需要对矩阵β和α进行正则化(如β′S11β=Ik)的标准化处理。表5-19是经过标准化估计的协整系数矩阵β,以及相应的调整参数阵α。因为特质风险与换手率、成交量的协整关系似然比检验证实,3个变量只存在r=1个协整关系,所以对于表5-19需主要考虑表格上半部分得到的协整检验结果。

通过检验,可以判定在以特质风险、换手率和成交量为替代变量的股价特质风险和投资者行为效应之间存在着较为明确的协整关系。从表5-18的结果可以看出,这种协整关系的估计还并不唯一。为了获得股价特质风险以及投资者行为效应相互关系分析的结果,可进一步针对特质风险、换手率和成交量的协整关系建立误差修正模型(VEC),以定量判断它们间存在的短期影响并长期均衡。

第四节 投资者行为对特质风险的短期影响

对股价特质风险和投资者行为效应建立误差修正模型前,需先对特质风险firmt、换手率trvrt和成交量xt进行数据处理。为了消除建立模型,特别是变量间的长期均衡关系受到不规则因素和季节因素的干扰,需先对3项时间序列指标进行Census×12的季节调整。与上文做协整检验分析时一样,对3个替代变量进行单位根检验显示,在5%的显著性水平下3个变量均为I(1)序列;Johansen的协整检验结果表明在3个变量间存在协整关系,协整向量个数r=1。

一、股价特质风险和投资者行为效应间的短期影响

接下来,对股价特质风险和投资者行为效应的替代变量建立误差修正模型(VEC)。表5-20给出了对两者建立VEC模型的主要建模结果。

表5-20 股价特质风险和投资者行为效应VEC模型的建模结果

续 表

表5-20中第一部分所示,股价特质风险与投资者行为效应的替代变量间存在着一个较显著(5%的显著性水平下)的长期均衡关系。将其表示成等式为:

注:括号内是估计参数的t统计值。

式(5-7)中的ecmt是方程等式的残差项,但也是误差修正模型(VEC)里的误差修正项。式(5-7)非常清楚地表明了在特质风险firmt、换手率trvrt和成交量xt之间,也即股价特质风险与投资者行为效应之间确实存在着长期的均衡变动关系。在式(5-7)中换手率trvrt和成交量xt前的系数也都是统计性显著。

在表5-20的第二部分中,是3个变量VEC模型方程的结果,它们描述了在股价特质风险与投资者行为效应间存在的短期影响关系。这3个变量的误差修正模型方程可表示如下:

(一)特质风险的VEC模型方程

注:括号内是各参数的t统计量。

(二)换手率的VEC模型方程

注:括号内是各参数的t统计量。

(三)成交量的VEC模型方程

注:括号内是各参数的t统计量。

在知道了股价特质风险与投资者行为效应的长期均衡关系,和对短期影响进行VEC建模分析的基础上,本书能够对股价特质风险和投资者行为效应做短期互动方面的分析。即可以再进一步探究在股价特质风险波动与投资者投资行为变动之间冲击、响应的效应变化,以及各自变量在它们的互动影响中有着怎样的相对重要程度。

二、投资者行为的冲击效应及相对贡献度分析

通过上一节的分析知道,在股价特质风险和相关的投资者行为效应之间存在着长期的(或相对稳定的)均衡关系;并且根据它们的长期均衡关系,本书对替代变量特质风险firmt、换手率trvrt和成交量xt建立了VEC模型。VEC模型实际上描述了各变量间存在的短期影响关系,因此基于变量间的协整关系和误差修正模型(VEC),接着可以仿照本章第二节进一步对股价特质风险和投资者行为效应分析它们之间的冲击、响应效应,及其相对贡献度。

在由特质风险firmt、换手率trvrt和成交量xt建立的VEC模型的分析结果基础上,还可对3个内生变量进行脉冲响应函数分析,判断具有长期均衡关系的股价特质风险和投资者行为变动在风险发生的情况下,趋向均衡变化的演变过程。而脉冲响应的分析结果如图5-8所示。这些图描绘了各内生变量[4]在受到风险因素冲击(以信息一个标准差的变动为代表)时发生响应变动,并逐步趋向长期均衡的过程。

图5-8 特质风险和投资者行为变量冲击效应的均衡回归过程图

比较图5-8中各内生变量冲击响应的变化过程图,能够看到大部分的冲击响应变化均较为相似,即在期初反应最为强烈,然后在第2期时往往会下降到一个变化的低点,接下来经过震荡衰减逐渐趋向特质风险和投资者行为变动的长期均衡位置。在3个变量的9幅均衡回归过程图中,也有3幅图与其他图形相区别。这分别是特质风险对换手率信息变动的反应,特质风险对成交量信息变动的反应,和换手率变化对成交量信息变动的反应。

首先,可观察特质风险对投资者行为效应变量产生信息变动的两个反应变化过程图。图形中特质风险的脉冲响应函数显示,特质风险对换手率和成交量的信息变动在期初时均没有什么反应,然后分别从第1期和第2期开始逐渐反应增大,经过两期左右的调整就基本达到变量间的长期均衡,变化趋于稳定。只是特质风险对换手率信息的反应是正向的,而对成交量信息的反应是负向的。

其次,换手率变化对成交量信息变动的反应也与其他大部分均衡回归图形不同。换手率对来自成交量信息方面的冲击的反应与特质风险对投资者行为变动的反应较为相似,也是在期初时反应较小,经过两期左右的渐进调整,换手率的反应逐渐增大,最后于第4期之后基本回归长期均衡并趋于稳定。

从对股价特质风险和投资者行为变动进行冲击效应的分析、对比中,可以对股价特质风险与投资者行为效应彼此间的短期互动影响做出如下分析小结:

一是股价特质风险的风险来源不是来自投资者行为的变动。因为如果特质风险来源于投资者的交易行为,那么在“冲击响应”的期初特质风险的响应不应等于零。而图5-8中特质风险对换手率和成交量的期初响应都是从零开始,这证明了特质风险是受到了来自外部的投资者行为效应冲击。

二是投资者的行为变动对股价特质风险的冲击影响具有趋向稳定的规律。虽然投资者的行为变动具有随机和不可确定性,但是它们对股价特质风险的冲击影响,不论是正向还是负向,都是逐步增大并最后趋于长期稳定。这实际上从另一角度也表现出了特质风险与投资者行为效应实现的长期均衡关系。

三是投资者行为效应的内部也存在短期的相互影响,如换手率指标对成交量冲击的响应变化,其变化过程与投资者行为效应对特质风险的冲击影响较为相似,都是影响逐渐增加并最终趋于稳定。而换手率与成交量之间的这一互动关系本书在第三章曾给出了理论模型分析,本章的实证结论验证了在我国股票市场交易过程中同样存在这一行为变量关系的事实。

模仿特质风险与投资者行为效应的冲击效应发生过程,也可将它们的波动方差进行方差分解。表5-21和图5-9表示出了特质风险(firmt)与投资者行为效应(trvrt,xt)冲击响应的方差分解结果。

表5-21 特质风险与投资者行为效应的方差分解结果

续 表

图5-9 特质风险与投资者行为效应的方差分解结果

从表5-21的结果可以看到:

第一,股价特质风险的方差贡献最大的是自身的波动集群性,投资者行为效应对特质风险的方差贡献相对较小。波动集群性对特质风险的影响逐渐减小,而行为效应对特质风险的方差贡献在逐步提高。

第二,换手率指标的方差贡献最大的也是自身发挥的影响作用,其次是特质风险所带来的波动冲击,同样属于行为效应的成交量指标也对换手率带来了相对较小的正向方差贡献。与特质风险相似的是,别的内生变量均带来的是正向的方差波动,自身的贡献影响在各时期中变现为逐步衰减。

第三,成交量指标方差贡献最大是同属行为效应的换手率[5]变量,特质风险与成交量指标本身对成交量的方差贡献均相对较小,且方差数值较为接近。与特质风险和换手率方差贡献分解结果略有不同的是,特质风险作为不同的内生变量对成交量带来的是逐渐衰减的方差贡献。同时值得一提的是,成交量自身具有变化的鞅特性,它对自身的方差贡献表现出了随机变化的特征。

图5-9更为形象地描述出了特质风险与投资者行为效应的方差分解结果。如果将这些结果与本章第二节部分的结论(表5-15等)进行对比分析,可以发现市场波动与特质风险波动对投资者行为效应具有某些相似的互动反应特点。这进一步向人们提出了这样一些值得思考的问题:特质风险与市场波动的系统性风险具有哪些相似之处,又存在怎样的不同;特质风险波动具有什么样的特点,特质风险与具有时变特征的系统性风险会形成怎样的联系乃至互动关系,关键的是,特质风险与系统性风险的投资者行为效应会具有哪些独特的个性特征?这是正确认识特质风险及其行为效应需要解答的疑问。围绕这些思索,本书下一节将逐步展开更进一步的实证研究与分析。

第五节 特质风险与系统性风险的投资者行为效应差异分析

一、基于三因素定价模型的时变系数估计结果

根据假定股票市场的投资者是风险厌恶和风险规避的,因此股票投资者会要求配合他们的投资行为获得相应合理的投资回报。这也就是说股票市场上不能为组合投资等投资技术分散掉的股票市场风险(如股票系统性风险),投资者会自然地通过投资交易行为在股票市场中形成与风险相关和相伴随的股票风险溢酬。如前文所述,股价特质风险被越来越多的证据表明其不能够通过分散化投资而进行有效消减,特质风险促成了股票资产价格偏差与股价投机泡沫的产生,并且它与市场上投资者的投机交易行为形成了短期互动和长期均衡的紧密联系关系。这样将特质风险引起的股价波动可看成是另一种角度及意义上的风险溢酬关系。本书下面两小节针对作为非系统性风险的特质风险,研究它与时变条件系统性风险之间存在的彼此联系,以及它们受投资者行为效应影响的特性差异性。

(一)三因素模型的股票资产系统性风险

对于CAPM系列模型来说,β系数表明和衡量了股票资产具有的收益风险均衡关系。处于均衡时,CAPM模型的形式[6]为:

Et(rit)=βimtEt(Rmt)     (5-11)

一般而言虽然β系数也是基于时间会发生改变的时变变量,但由于人们通常认为上市公司带给β系数的变化是较为缓慢的,因此在许多实证研究中研究者们都常常假定β系数保持不变。但在存在特质风险的股票市场交易过程中,在投资者混合理性的交易行为的影响下,β系数要保持不变就很困难,其也会在短期内表现出偏离长期均衡值的时变特征。本节将利用三因素模型的原理计算出时变条件下的β系数,以反映股票资产本身具有的系统性风险变化[7]

Ri-Rf=αi+βit(RM-Rf)+siSMB+hiHML+εi     (5-12)

式中的RM代表了股票市场层面的收益率水平。

(二)基于三因素定价模型的时变β系数估计

本书对三因素定价模型的估计时期范围是从2001年1月至2010年3月,估计时均使用前29个月至前7个月的连续交易数据,滑动向后回归进行估计。

首先,Fama and French在计算三因素定价模型的SMB与HML因素时,采用的计算权重系数的方法是:逐年计算收益权重系数。Daniel and Titman(1997)对此进行了简化改进,因为他们研究发现股票资产组合收益具有较大的稳定性,因此他们将股票资产组合每年6月份最后一个交易日的个股流通市值比值,作为该只股票此前42个月到此前7个月保持不变的权重系数,并且以此权重系数进一步计算SMB和HML的数值大小。Daniel and Titman的处理方法称作“固定权重因素组合”方法。本书也参照Daniel and Titman的方法来计算SMB和HML因素,将股票资产组合每年6月最后一个交易日个股流通市值比作股票此前29个月至前7个月期间内保持不变的权重系数,在此权重系数的基础上可以计算得出SMB和HML的收益差。

其次,按照上文对模型变量的定义与说明,接着可计算出股票资产和市场收益的超额收益(或称溢价收益)数据。

最后,利用SMB和HML的收益差数据,以及股票资产与市场收益的溢价收益数据,按照式(5-12)可回归计算出股票资产收益时变的系统性风险数据:βit系数。结果如图5-10所示。

图5-10 样本股票的系统性风险数据图

在掌握了股票资产(组合)系统性风险的时变数据基础上,本书能够更进一步对股价特质风险及股票系统性风险展开详尽的对比研究。

二、特质风险与系统性风险的关系及相互影响

(一)特质风险与系统性风险的异同比较

特质风险与系统性风险都反映了股票资产价格风险波动的特征,是股票市场风险来源和风险变化的客观衡量。据CLMX(2001)的实证计算和分析,特质风险与系统性风险都表现出对实体经济发展的反周期现象,股票市场的系统和非系统性风险均能影响、制约金融发展,改变经济发展所依赖的金融支持,最终带给金融体系与总体经济以危害和冲击。

然而特质风险作为股价波动的非系统性风险,它又与系统性风险存在诸多的不同之处。

首先,系统性风险来源于股票市场整体,它是投资者进行股票交易必须面对的基本风险,系统性风险不能通过投资技术进行化解和规避。而特质风险起因于上市公司企业层面信息波动,它只影响该项资产的投资者,但通过研究者们的不断研究发现,特质风险也并不能通过分散投资等投资技术进行完全的风险规避。

其次,系统性风险受到许多方面因素(信息)的影响,如既有来自股票市场内的,也有来自资本市场外的;既可能起因于实际经济运行,也可能起因于管理决策等的改变[8]。而特质风险属于非系统性风险,受到影响的因素相对较少,起自Zhang(2006)的研究,研究者们开始倾向认为特质风险主要受到企业层面信息不确定性(informatiOn uncertainty)的影响和制约。

最后,系统性风险可以通过对经济变量的观察和利用资本资产定价模型(CAPM系列模型)计算而较容易的感知和度量;但比较而言,股价特质风险并不能够被直接观测,计算也更为繁杂。因此总体上说,掌握和了解特质风险的相关规律更为困难。

基于特质风险与系统性风险的这些联系和差别,本书希望进一步了解特质风险和系统性风险究竟在时序变动过程中会形成怎样的相互影响,它们所对应的投资者行为效应又具有什么样的不同特性。本节接下来首先分析特质风险与系统性风险间存在的相互影响关系。

(二)特质风险与时变系统性风险的相关关系

为分析特质风险与时变系统性风险的关系,可对实证对象再做一番说明。

1.风险资产的选取与变量处理说明

为了便于计算,同时也考虑减少资产组合、协方差等因素可能造成的干扰影响,对特质风险与时变系统性风险的进一步研究可选取新的个股资产作为实证对象的代表。个股资产的选取方法与结果如下:

个股的选取方法依然参照本书第四章构造股票资产组合进行资产选择的思路,本章也仍然选取制造业,建筑业,交通运输、仓储业,信息技术业以及金融、保险业5种行业内的股票资产。每种行业中均选取最能代表本行业收益风险波动的个股资产[9],每行业中都选取一只股票资产,5种行业共5只股票资产。

本章对股票资产的选取结果为:制造业选取武钢股份(600005)作为个股资产,记为资产1;建筑业选取葛洲坝(600068)作为个股资产,记作资产2;交通运输、仓储业选取上海机场(600009)作为个股资产,记作资产3;信息技术业选取同方股份(600100)作为个股资产,记作资产4;金融、保险业选取浦发银行(600000)作为个股资产,记作资产5。

针对选取的股票资产,仍然使用本书第四章和本章第二节介绍的方法分别计算股票资产的特质风险与系统性风险时序数据。数据的时间范围与前文一致,为2001年10月至2010年3月;数据的时间频率为月度数据。股票资产的价格数据仍来自于CSMAR数据库。

2.特质风险与时变系统性风险的相关系数与领先滞后关系

首先需要判断股价特质风险与股票资产系统性风险之间存在的相关影响关系。表5-22给出了本书所选5只股票资产特质风险与时变系统性风险间的相关系数。

表5-22 特质风险与时变系统性风险的相关系数表

注:r-i表示滞后i期的系统性风险与特质风险的相关系数。

从表5-22给出的数据能够看到,股价特质风险与时变系统性风险之间存在较为明显的相关关系,这种相关关系随两种风险领先滞后时间的增多呈现逐渐递减的变化趋势。除了共同规律之外,从对相关系数的对比分析中还能够总结出两条值得注意的个性特征:

(1)股价特质风险与自身系统性风险具有的相关关系大小的决定因素与股票资产企业和行业层面信息联系紧密,是股票资产个性风险因素[10]决定了特质风险与系统性风险的相关性大小。

(2)特质风险和系统性风险既可能存在正相关关系,也可能存在负相关的关系。这即是说两种风险虽然能够同时共存,但两者内在的风险根源及波动影响因素却并不相同。这也增强了对特质风险波动进行深入了解的必要性。

在特质风险与系统性风险具备相关性的基础上,可通过两者的向量自回归Granger因果关系检验判断它们具有的领先滞后关系。

表5-23是各股票资产特质风险与系统性风险具有Granger因果关系的检验结果。

表5-23 特质风险与系统性风险的Granger因果关系检验结果

注:表中显示的是Granger因果关系VAR检验和Pairwise Granger因果关系检验的概率值。括号内是选择的滞后阶数。

分析表5-23得出的Granger因果关系检验结果,可以对特质风险和时变系统性风险的领先滞后关系做出如下3点判断结论。

第一,股票资产特质风险与股票资产系统性风险并不构成普遍和显著的双向因果关系。也就是说特质风险与系统性风险并不具有必然的对对方的领先或滞后关系。

第二,特质风险虽然不与系统性风险构成普遍的双向Granger因果关系,但是正如两者相关关系显示的,特质风险与系统性风险具有显著的相关关系。因此无论哪种情况,特质风险与系统性风险之间总是存在至少单向的Granger因果关系(只是随着选取滞后阶数的不同,检验的显著性会发生少许变化)。

第三,通过对股票资产Granger因果关系的截面情形对比,能够了解到特质风险与系统性风险之间孰占主导,需要取决于股票资产特质波动(风险)与市场风险来源之间力量的对比。一般条件下当股票资产面临的投机交易行为较少时,系统性风险是特质风险产生波动的风险来源之一;而当股票资产处于交易投资热点,尤其是投机行为、噪声交易占据了较大成分时,股价特质风险也会促成股票资产系统性风险的增高。

由此可以看出,特质风险与系统性风险存在紧密的联系和相互影响。系统性风险是特质风险来源的影响因素之一,而特质风险在风险累积和投机交易行为的作用下也能够促进股票资产系统性风险的形成与提升。基于这样的结论,本书还将就特质风险与系统性风险的投资者行为效应进行面板数据的特性分析,以此对比分析特质风险具有的投资者行为效应个性特征。

下文即通过Panel Data数据结构对特质风险和相同资产系统性风险的投资者行为效应进行多角度的分析。

三、基于截面固定效应的特质风险交易行为特征

对特质风险和系统性风险可分别采用面板结构数据进行投资者行为效应的特性分析。首先按照前文所做的检验方法阐述,逐步展开对特质风险的建模分析。

对特质风险行为效应建立的面板数据模型如式(3-50)所示。模型中包含因变量特质风险(firm),自变量成交量(x)和换手率(trvr),以及代表信息不确定性指标的收益率(r)和规模(size)。各变量的描述性统计情况如表5-24所示。

表5-24 特质风险行为效应各变量的描述性统计值

根据各变量的描述性统计分析结果,可进一步对成交量(x)和规模(size)变量做对数化处理,以减小它们的波动性。变换后成交量指标记为lx,规模变量记为lsize。在现有模型变量的基础上,先对其做变量的平稳性检验。

(一)模型变量的平稳性检验

对特质风险因素(firm),投资者行为效应(lx,trvr),以及模型所设控制变量(r,lsize)均进行以LLC检验和IPS检验为代表的单位根检验。因为模型的各变量均可能存在时间趋势,所以在对部分变量做平稳性检验时,在其单位根检验的模型中包含了时间趋势。而对变量做一阶差分变换后,变量的时间趋势已被消除,因而对其选取不含趋势因素的检验模式。平稳性检验的结果如表5-25所示。

表5-25 特质风险模型的面板数据平稳性检验(LLC检验与IPS检验)

注:*、**、***分别表示在10%、5%和1%的显著性水平下通过检验。

从表5-25的检验结果可以看出,特质风险变量(firmit),投资者行为效应变量成交量(lxit)、换手率(trvrit),以及信息不确定性变量中的收益率(rit),无论是在LLC检验还是在IPS检验,均显示不存在单位根。而股票资产规模变量(lsizeit)经检验表明存在单位根过程,在对其做一阶差分处理后该变量又在1%的显著性水平下通过平稳性检验,不再拥有单位根。从中也可以看到,规模变量(lsizeit)是一阶单整I(1)过程。

(二)特质风险行为效应的面板数据建模分析

基于(3-50)式和上文所做的变量调整,对特质风险因素(firm)、投资者行为效应(lx,trvr),以及信息不确定性变量[11](r)建立面板数据模型,考察特质风险行为效应的特性特征。

经过比较、检验和筛选,表5-26给出了特质风险行为效应面板数据变截距模型的估计结果,它体现出变截距模型的固定效应结果[12]

表5-26 特质风险行为效应变截距模型固定效应结果

固定效应的回归结果显示投资者行为效应的换手率指标并不显著(相伴概率达到0.1518,不能显著拒绝参数为零的原假设),但是从模型残差的平稳性上看,模型已较为稳定,似然比LR检验也证明模型的固定效应非常显著(1%的统计水平)。固定效应的行为效应模型仍可以反映出投资者行为效应对特质风险因素的影响作用。

做为对比,下文接着对特质风险行为效应的面板数据模型做随机效应回归,表5-27给出了这一估计结果。

表5-27 特质风险行为效应的面板数据模型的随机效应结果

从表5-27的回归结果可以看到,虽然随机效应模型提高了参数特别是换手率指标(trvrit)参数的显著性水平,但是随机效应模型降低了模型的R2值,即拟合优度;特别是随机效应模型未能通过随机效应的Hausman检验,p值为0.2343,接受了随机效应与模型解释变量无关的检验原假设。

经过面板数据变截距模型固定效应和随机效应的建模分析及其比较,可以从实证结果中得到这样的结论:固定效应的变截距面板数据模型较好地拟合了本书股票资产的特质风险交易行为效应。虽然各股票资产受到交易行为效应的影响不同(可从表5-26各资产可变的模型截距项看出),但是投资者行为效应也确实在实证模型中对特质风险波动发挥了具有固定形式的效应影响。投资者行为效应(lxit,trvrit)的系数显著为正,这表明股票资产交易行为效应能够增强特质风险的波动结果,扩大股价偏差;而作为信息不确定性替代指标的收益率(rit),其系数在1%的显著性水平下通过检验,证明了从信息不确定性层面对股价特质风险影响的存在。

当提高平稳性检验的显著性水平要求,如提高到1%时,那么结果显示特质风险(firmit)与信息不确定性变量——规模变量(lsizeit)也存在协整关系。表5-28显示了特质风险(firmit)与信息不确定性变量——规模变量(lsizeit)单独的平稳性检验结果。

表5-28 特质风险与规模变量的平稳性检验结果

注:***表示在1%的显著性水平下通过检验。

表5-28中的结果表明特质风险(firmit)与规模变量(lsizeit)在1%的显著性水平下均是一阶单整I(1)变量。按照式(3-61)的形式对特质风险与规模指标的面板数据模型残差进行协整检验,得到如表5-29所示的检验结果。

表5-29 特质风险与规模变量的模型残差单位根检验

注:***表示在1%的显著性水平下通过检验。

除以上检验外,同时还可通过面板数据模型的Pedroni检验和Kao检验来对特质风险与规模变量的协整关系进行检验。表5-30和表5-31是Pedroni检验和Kao检验的协整检验结果。

表5-30 特质风险与规模变量的Pedroni协整检验结果

表5-31 特质风险与规模变量的Kao检验

从以上的检验结果可以看出,至少在5%的置信度内特质风险与股票资产规模指标构成了面板数据结构的协整关系,这意味着股票资产的规模变化会在较长时期内形成对股价特质风险的制约。为了定量描述这一均衡关系,在式(3-62)的形式上可对特质风险(firmit)与规模变量(lsizeit)建立误差修正模型,在它们长期稳定关系的基础上,描述短期内股票资产规模变化(也可以看作是由投资者行为效应形成的结果)对股价特质风险造成的促动或影响。

分别对本书选取的5只股票资产建立特质风险(firmit)与规模变量(lsizeit)的误差修正模型(ECM),其结果归纳总结如表5-32所示。

表5-32 股价特质风险与规模变量的误差修正项结果

注:表中第一行的数字是误差修正项ECM的参数值,圆括号中是参数的标准差,方括号中是参数的t统计量。

表5-32中误差修正模型(ECM)的结果显示,ECM项对特质风险变动具有负向的影响作用,这符合了误差修正模型反向修正的一般原理;也表明短期内股票资产规模指标的变动也构成了特质风险波动的重要原因之一。同时,实际上股票资产规模的变动还可以被看作是投资者行为效应的静态变动结果,从这个角度能让人们对行为效应的作用方式和作用途径了解得更为充分。

四、基于截面随机效应的系统性风险交易行为特征

特质风险作为股票资产面临的非系统性风险,但却表现出了许多系统性风险具有的特征,如不可通过多元投资实现的风险分散特性,特质风险会造成股价趋势性变动,形成股票市场的股价偏差及股价泡沫等非理性投资行为现象。本章上文通过特质风险行为效应的面板数据模型探讨了特质风险的这一特性规律,作为联系和区别,本书还希望通过系统性风险的行为效应模型了解系统性风险可能具有的投资交易行为特征。

按照与上文相类似的思路,还可对系统性风险行为效应的面板数据模型进行相应分析。对系统性风险行为效应建立的面板数据模型如式(3-51)所示。模型中包含因变量系统性风险(β),自变量成交量(x)、换手率(trvr),以及信息不确定性指标收益率(r)和规模变量(size)。各变量的描述性统计如表5-33所示。

表5-33 特质风险行为效应各变量的描述性统计值

结果表明,模型各变量的概率分布都显著(以1%或5%的显著性水平)异于正态分布。在现有模型变量基础上,先对以上各变量的面板数据做平稳性检验。

(一)模型变量的平稳性检验

对系统性风险因素(β),投资者行为效应(lx,trvr),以及模型的信息不确定性指标(r,lsize)进行以LLC检验和IPS检验为代表的单位根检验。平稳性检验的结果如表5-34所示。

表5-34 系统性风险模型的面板数据平稳性检验(LLC检验与IPS检验)

注:***表示在1%的显著性水平下通过检验。

从表5-34的检验结果可以看出,系统性风险因素(Δβit)和股票资产规模变量(lsizeit)经检验也都表明存在单位根过程,在对其作一阶差分后在1%的显著性水平下又通过了单位根检验。由此可以表明,系统性风险因素(Δβit)和规模变量(lsizeit)也都是一阶单整I(1)过程,它们间可能存在协整变量关系。[13]

(二)系统性风险的行为效应面板数据模型

基于式(3-51)及上文对模型变量做的平稳性检验结果,对系统性风险变动因素(Δβ),投资者行为效应(lx,trvr),以及信息不确定性变量[14](r)建立面板数据模型。

经过比较与检验,最终可得到系统性风险行为效应面板数据的变截距模型及其估计结果。表5-35是系统性风险变截距模型的固定效应结果。

表5-35 系统性风险行为效应变截距模型固定效应结果

固定效应的回归结果显示,在1%和10%的置信水平下系统性风险行为效应的模型参数均通过显著性检验,并且模型的残差也已是平稳时间序列(1%的显著性水平下),模型较为稳定。然而作为固定效应似然比LR检验的结果却表明,系统性风险的行为效应模型并不具有显著的资产截面固定效应,投资者行为效应指标形成不了对股票资产系统性风险的固定形式作用影响。固定效应的似然比LR检验结果见表5-36所示。

表5-36 系统性风险行为效应面板数据模型的似然比LR检验

为此需对模型设定进行修改,因此接下来本书对系统性风险行为效应的面板数据模型再做随机效应的模型分析,表5-37给出了模型估计结果,表5-38对模型的随机效应进行了Hausman检验。

表5-37 系统性风险行为效应变截距模型的随机效应估计结果

表5-38 系统性风险行为效应面板数据模型的Hausman检验

从表5-37的回归结果看到,系统性风险随机效应模型取得的模型回归结果最为理想。模型变量的各参数均通过了显著性(在1%和5%的显著性水平下)检验,模型的拟合程度略有提高。特别是表5-38的Hausman检验结果表明,系统性风险行为效应模型具有与解释变量有关的随机变动效应,Hausman检验的伴随概率值为0.0042,随机效应检验结果在1%的显著性水平下获得通过;而且投资者行为效应指标(trvrit,lxit)也表现出了充分显著的(5%和1%的显著水平)对股票资产系统性风险影响的个性、随机特征。同时值得注意的是,表5-37截面随机效应显示股票资产不具有影响系统性风险的个体随机效应;股票资产的随机成分完全是股票自身形成的特质随机波动。这即是说,系统性风险因素并不具有投资者行为效应和收益变量的截面变动特征,这是系统性风险区别于股价特质风险的一大重要特征。

经过面板数据变截距模型固定效应和随机效应的建模分析,最终可得到如此结论:随机效应的变截距面板数据模型可以较好地捕捉系统性风险交易行为效应的个性特征。与特质风险受到投资者交易行为固定效应影响不同的是,系统性风险与投资者交易行为效应之间更多具有的是随机效应的影响关系。

另外从表5-37中各模型系数的回归系数可以看到,收益变量(Rit)和投资者行为效应指标(lxit,trvrit)对系统性风险的作用也不同于对特质风险。如股票收益(Rit)对系统性风险的模型系数为正(不同于特质风险的为负),这符合了典型的资本市场高风险、高收益的资本资产收益风险结构规律;而投资者行为效应指标(lxit,trvrit)的系数有正有负,说明投资者行为效应对系统性风险的影响相比较特质风险更为复杂,或者说并不固定。换手率(trvrit)代表的流动性提高可能降低股票的系统性风险,而成交量(lxit)代表的投资者情绪则可能增强股票资产的系统性风险,那么最终投资者行为效应会对股票系统性风险造成怎样的影响,这还需要取决于行为效应中哪一项作用影响占据了更大的优势。因此,投资者行为效应虽然也构成了与股票系统性风险的相互作用关系,但其作用结果仍会具有较大的行为变化特性。

如在对系统性风险和股票规模指标做平稳性检验时所得到的结论,系统性风险因素(βit)与信息不确定性变量规模变量(lsizeit)也可能存在有协整关系。表5-39因此归纳了系统性风险因素(βit)与信息不确定性变量规模变量(lsizeit)的面板数据单位根检验结果。

表5-39 系统性风险因素与规模变量的单位根检验结果

注:***表示在1%的显著性水平下通过检验。

表5-39的结果表明系统性风险因素(βit)与规模变量(lsizeit)在1%的显著性水平下均是一阶单整I(1)变量。按照式(3-61)对系统性风险与规模变量的面板数据模型残差进行协整检验,有如表5-40所示的检验结果。

表5-40 系统性风险因素与规模变量的模型残差单位根检验

注:***表示在1%的显著性水平下通过检验。

但是通过面板数据的Pedroni检验和Kao检验对系统性风险因素与规模变量的协整关系进行检验时,表5-30和表5-31的检验结果否定了两者间可能存在的协整关系。

表5-41 系统性风险与规模变量的Pedroni协整检验结果

表5-42 系统性风险与规模指标的Kao检验

根据以上的检验结果,Pedroni协整检验表明系统性风险与股票资产规模不存在有资产截面角度的共同协整关系,但是同时却并不排除各股票资产可能存在有自身的系统性风险、资产规模间的(异质)协整关系;Kao检验印证了Pedroni检验的结果。系统性风险因素与资产规模间的关系说明,股票资产的规模变化[15]与其系统性风险因素之间并不存在显著的共同协整关系,这意味着股票系统性风险虽然受到投资者交易行为的影响,会随其产生相应变化,但是股票系统性风险更主要的是受到股票市场层面因素的影响,受到直接牵涉到股票资产收益因素的影响。而反过来,投资者交易行为效应往往直接影响到股票资产的是股票价格波动,构成的是股票资产(组合)的企业层面与股价特质风险的波动性。因此可以说虽然从表面上看,特质风险和系统性风险都具有受投资者交易行为影响的行为效应作用,但其中的影响方式与影响效果是不相一致的。

五、特质风险与系统性风险的投资者行为效应差异

经过本章上文所做的有关实证分析,对特质风险因素具有的投资者行为效应可归纳总结出如下一些特性规律:

第一,从面板数据结构的角度看,股价特质风险与投资者行为效应及信息不确定性变量形成了稳定的相互作用关系。投资者行为效应与信息不确定性都能较显著地作用和影响到股价特质风险。

第二,投资者行为效应与信息不确定性变量对股价特质风险的数量关系具有截面固定效应的影响方式。各股票资产虽然对特质风险具有大小不同的模型回归截距,但各资产的交易行为效应却都对特质风险发挥了较稳定的正向影响作用。

第三,从严格的角度看,股价特质风险变动与股票资产的规模变化具有统计显著的长期协整关系,而短期内作为静态行为效应变动结果的股票资产规模变化也构成了特质风险波动的形成原因之一。

为了方便对比,股票资产系统性风险的行为效应特性规律可体现如下:

一是在面板数据模型中,即考虑到股票资产截面因素的条件下,股票系统性风险与投资者行为效应及信息不确定性变量也会产生相互影响的函数关系。投资者行为效应与信息不确定性变量也都能显著地作用和影响于股票的系统性风险。

二是投资者行为效应与信息不确定性变量对股票系统性风险产生的是具有截面随机效应的作用、影响,但各股票资产对系统性风险并不具有截面随机成分的个体效应。在系统性风险行为效应模型中,股票收益指标对系统性风险变动具有正常的风险收益关系,投资者行为效应指标对系统性风险变动同时具有正向和负向的影响作用。

三是股票系统性风险变动与股票资产的规模变化不具有统计性显著的协整关系,作为静态行为效应变动结果的股票资产规模变化并不能构成股票系统性风险波动的重要原因。

而如果将股价特质风险与其对应的股票系统性风险也建立面板数据模型,如表5-43所示,首先是直接对特质风险和系统性风险因素建立Panel模型。

表5-43 股价特质风险与其系统性风险的面板数据模型

注:特质风险模型的模型设置为截面固定效应,时期不包含截距,加权方式为截面加权广义最小二乘法(Cross-sectiOn Weights,GLS);系统性风险模型的设置为截面固定效应,时期随机效应。表中3行数据为:第一行为参数值,第二行圆括号中是参数值的标准差,第三行方括号中是参数值的t统计量;***表示在1%的显著性水平下参数通过检验。

在特质风险与系统性风险直接建立的模型中,模型系数基本都不显著,不能通过系数检验。这说明股票资产特质风险与其系统性风险之间还构成不了直接、稳定的函数关系。而如果在其模型中加入信息替代变量和行为效应指标,特质风险和系统性风险的相互关系将会被显示得更为清楚,加入收益和行为效应后的面板数据模型的回归结果如表5-44所示。

表5-44 加入收益和行为效应指标后的面板数据模型的回归结果

注:特质风险模型的模型设置为截面固定效应,时期随机效应;系统性风险模型的设置也是截面为固定效应,时期为随机效应。表中3行数据为:第一行为参数值,第二行圆括号中是参数值的标准差,第三行方括号中是参数值的t统计量;*、***分别表示在10%和1%的显著性水平下参数通过检验。

表5-44中的结果表明,当对特质风险和系统性风险模型都加入了信息变量和投资者行为效应指标之后,特质风险和系统性风险便也都具有了显著性(1%的置信水平)很强的函数关系。这当中的关键因素无疑是股票投资者对股票交易形成的交易行为效应。

正如上文对特质风险和系统性风险两者(向量数据)间Granger因果关系所做的论述,特质风险作为不能分散的股票非系统性风险,其与系统性风险之间存在着很强的相关性和相互影响作用,但是这种关系还不具有Granger意义上的因果关系。股票系统性风险不是直接导致股价特质风险的原因之一,系统性风险往往通过改变股票市场贴现率、股票资产平均收益水平等市场外部环境来改变或影响股价特质风险波动;而在通常情况下[16],股价特质风险也不必然导致股票资产的系统性风险增加。两者关系的“催化剂”和“助推器”是股票市场上投资、投机者的股票交易行为,特别是投资者的非理性交易投资行为[17]。在投资者行为效应的作用影响下,股价特质风险及其系统性风险可以形成明白和效果明显的相互联动关系,这也解释了为什么作为非系统性风险的特质风险会具有系统性风险的某些性质。

当然,特质风险和系统性风险所具有的投资者行为效应具有各自不同的特性特征。比较而言,特质风险与交易行为效应的联系更为密切,投资者交易行为的改变及其交易投资结果必然会反映和体现在股价特质风险的波动上。投资者的行为效应虽然存在随机不可确定的现象,但其对股价特质风险的作用影响却是有规律的。系统性风险与特质风险存在的差异也很大程度通过系统性风险与行为效应的关系表现出来,投资者行为效应对股票系统性风险起到的是具有随机效应特点的影响作用,行为效应对系统性风险产生的作用效果具有了很大的复杂性和不确定性。

最后可以认为,股价特质风险与其系统性风险之间的联系和区别关键在于投资者行为效应的影响,投资者行为效应将两种风险因素通过资产交易行为内在地联系了起来。可以说,掌握了投资交易的行为效应与其变化结果,管理股价特质风险与系统性风险也便获得了非常重要的客观依据。

第六节 本章小结

根据EMH理论,股价波动平稳往往代表股价蕴含了更多的基本面信息,而这样的股票市场将发挥出具有效率的资源配置功能。本章从这一理论假说的争论出发,展开了对股价特质风险的投资者行为效应实证研究。

首先,本章通过对我国股票价格波动所含信息(方差值)的分解分析,从股价波动的信息中分离出货币政策冲击效应、股价变动惯性效应、投资者行为效应以及随机变动效应。借此对我国股票价格风险波动的非理性特征给予了更合理的解释。

其次,本书基于总体和静态投资者行为效应的度量结果,展开了对股价特质风险与投资者行为效应动态变化规律的实证研究。文章发现,特质风险与投资者行为效应虽然存在较高的相关关系,但它们并不存在Granger意义上的因果关系。另外,市场层面波动与投资者行为效应互动影响关系最为显著。

本章利用SVAR模型实证模拟了股价市场波动与投资者行为效应的均衡、互动关系。实证分析发现,无论是股价市场波动,还是投资者行为效应,它们对彼此的影响乃至冲击效果是逐步体现出来的。与通常的效率市场理论不完全一致的是,股票资产的价格波动风险与投资者行为效应的互动作用不仅仅只局限于瞬时或短期,相反这种作用影响会在较长时期中形成累计效应,供给历史信息,构成两变量长期间的互动影响关系。

同时,本章根据股价特质风险和投资者行为效应间的互动影响结果,实证检验了股价特质风险和投资者行为效应可能存在的数量关系。检验结果表明,特质风险、换手率和成交量3个变量之间,即特质风险与行为效应之间确实存在着协整的数量关系。本书在此基础上对特质风险和行为效应的替代指标建立了误差修正模型(VEC),分析了它们间存在的冲击、响应效应,给出了各内生变量的方差贡献度结果。本章的研究发现:第一,股价特质风险的风险来源并不是来自于投资者行为的变动。第二,投资者的行为变动对股价特质风险的冲击影响具有趋向稳定的变化结果。虽然投资者行为变动具有随机性,但其对股价特质风险的冲击影响(不论是正向或负向)都逐步增大并最终趋于长期稳定,并表现出了特质风险与投资者行为效应的长期均衡关系。第三,投资者行为效应的内部也存在短期的相互影响(如换手率指标对成交量变量的响应变化),其变化过程与投资者行为效应对特质风险的冲击影响相似。这验证了本书第三章的理论分析结果。

本章的实证研究结果认为,特质风险波动与市场波动对投资者行为效应存在某些相似的互动反应特点,这引出了本书下一章需要解决和回答的诸多问题。

再次,本章主要针对作为非系统性风险的特质风险,实证研究了它与时变系统性风险之间存在的功能相似性,它们间的相互联系,以及它们受投资者行为效应影响具有的特性差异性。

第一,本书基于三因素定价模型计算出时变条件下的β系数,以此反映股票资产系统性风险的时序变化。根据特质风险与系统性风险波动特征的相似性以及它们存在的诸多差别,本书对两者的相关和领先滞后关系做了实际数据的检验。由此能够充分表明,系统性风险是特质波动的风险来源之一;而特质风险在风险累积和投机交易行为的作用下会促进股票资产系统性风险的形成与提升。

第二,本书通过Panel数据结构对股价特质风险及其系统性风险的投资者行为效应进行了多角度的特性分析。面板数据模型的实证分析结果表明,投资者行为效应对特质风险波动具有固定效应的影响,股票交易行为效应能够增强特质风险的波动效果,扩大股价偏差;收益率指标证明,信息不确定性因素对股价特质风险具有事实的(而不是潜在的)风险来源。相比较,投资者行为效应虽然也构成了与股票系统性风险的相互作用关系,但投资者交易行为效应对系统性风险的作用存在明显的随机特性,其作用的结果也更为复杂和不可确定。

最后,本章在特质风险与系统性风险行为效应实证研究的基础上,对两者的行为效应特性做了进一步的对比分析。本书总结归纳了特质风险与系统性风险的行为效应特性规律。通过特质风险与系统性风险间的模型回归,提出这两种风险因素的关系能起到“催化剂”和“助推器”作用的恰恰就是股票市场的投资者交易行为,特别是其中的非理性交易行为。只有在投资者行为效应的作用影响下,股价特质风险及其系统性风险才可能形成显著的相互联动关系。

【注释】

[1]A股市场是我国股票交易最为集中的股票市场之一,它成交量大,受关注度高。根据我国资本市场研究的相关研究成果可知,A股市场作为我国股票市场的重要组成部分,其交易投资情况对我国股票市场来说具有较大的典型代表性。

[2]因为成为格兰杰原因(Grangercause)须满足2个条件:第一,原因应该有助于预测结果;第二,结果不应该有助于预测原因。

[3]成交量在滞后1期的情况下构成了市场波动的Granger原因;市场波动在滞后3期时又是成交量变化的原因。

[4]代表股价特质风险的企业层面波动指标firmt;代表投资者行为效应变化的换手率指标trvrt和成交量指标xt

[5]这一结论不难理解,因为换手率代表的股票交易流动性的提高会直接影响并作用于股票交易的成交量。

[6]有关模型中的变量说明可以参见本书第二章中对同类公式的解释与说明,本书此处不再赘述。

[7]据吴世农和许年行(2004)的研究,他们认为在中国股市中存在较明显的账面市值比效应(BM effect)与规模效应(SIZE effect),因此三因素模型会比CAPM模型更适合描述我国股票资产收益的截面变化。

[8]如证券交易管理部门的各项监管措施的施行,以及央行货币政策的调整等。

[9]主要以个股流通市值及股票成交量大小作为股票资产影响及其代表性的衡量依据。

[10]股票资产的个性风险因素包括了股票上市企业经营状况和针对股票资产交易投资行为造成的价格波动等风险因素。

[11]由于规模变量(lsizeit)是一阶单整变量,并且将其加入模型并不能显著改善模型回归的效果,考虑到规模变量(lsizeit)还可能与成交量(lx)、收益率(r)形成多重共线性关系,因此本书在建模时未将其纳入面板数据模型。

[12]在模型的估计方法设置中,本书选择了Cross-section的加权方式。但作为对换手率(trvrit)指标的考察,本书还给出了未进行加权处理的面板数据回归结果(均详见表5-26)。因为其他解释变量的回归结果不受加权设置的影响,考虑论述简洁,文章未再给出其系数回归的未加权结果。

[13]对其协整关系本书将在后文给出具体的检验结果。

[14]经过实证检验,模型若加入规模变量(Δlsize)并不能改进模型的拟合效果,而且规模变量(Δlsize)本身的参数估计也不能通过显著性检验,因此我们和特质风险行为效应模型一样未将规模变量(Δlsize)纳入模型的解释变量当中。

[15]与上文所述,股票资产的规模变化可以看作是一种相对静态的投资者行为效应变化,因此股票资产规模与股票系统性风险之间的关系研究可以看作是相对静态行为效应变化与系统性风险的关系研究。

[16]指股票(资本)市场运行平稳,不存在明显的股票价格异常波动。

[17]相关范畴的概念和解释可详见本书第二、第三章的具体论述,此处不再赘述。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈