股票特質波動率、股票收益與投資者情緒

熊 偉，陳浪南

1 深圳證券交易所 綜合研究所，廣東 深圳 518028 2 中山大學 嶺南(大學)學院，廣州 510275

股票特質波動率、股票收益與投資者情緒

熊 偉1，陳浪南2

1 深圳證券交易所 綜合研究所，廣東 深圳 518028 2 中山大學 嶺南(大學)學院，廣州 510275

從理論和實證兩個角度分析股票特質波動率、股票收益與投資者情緒之間的動態關系。將受投資者情緒影響的噪聲投資者引入Merton基于不完全信息的市場均衡模型，以2007年至2012年滬、深兩市A股上市公司數據為樣本，運用有向無環圖(DAG)技術識別SVAR模型，實證檢驗股票特質波動率與股票收益和投資者情緒的相關性。研究結果表明，股票特質波動率與股票收益正相關；股票收益率對股票特質波動率的彈性，隨著投資者情緒的增加和噪聲投資者比例的上升而增大。投資者情緒和股市流動性是影響中國股票市場高特質波動股票與低特質波動股票截面收益差異大小的重要原因。投資者越樂觀、市場上流動性越強，高特質波動組合收益率與低特質波動組合收益率的截面差異就越大。研究結果有利于加深對投資者行為的認識，從更符合中國資本市場情況的角度分析股票特質波動率與股票收益的關系。

股票特質波動率；股票收益；投資者情緒；不完全信息；流動性

1 引言

經典的資本資產定價模型(CAPM)中影響資產價格的只有系統性風險，而股票特質波動率與股票收益無關。Merton[1]基于不完全信息下的資本市場均衡模型，提出股票的截面收益與股票的特質風險呈正相關關系；Ang等[2]發現股票收益與特質波動存在顯著的負相關關系。他們的研究結果既不符合傳統的CAPM理論，又不符合基于不完全信息下的資產定價理論，故將其稱為“特質波動之謎”(IV-puzzle)。

Ang等[2]提出的“特質波動之謎”主要基于對發達資本市場的研究結果，然而不同市場上引起特質波動變動的原因可能存在差異。De Long等[3]認為，公司基本面信息在股價中得到更好的反映和投資者非理性投資造成的噪音交易都可能是造成股票特質波動率增加的原因；Lee等[4]從理論上證明股票特質波動與股價信息含量呈U形曲線關系。即當市場信息透明度較高時，公司層面信息是股價波動的主要因素，股票特質波動隨信息含量的增加而增大；當市場信息透明度較低時，公司股價中含有較多的噪聲成分，股票特質波動隨信息含量的增加而減少。陳浪南等[5]的研究表明，影響中國股票特質波動率變動的主要因素是非理性投資者的噪聲交易，而不是股價反映上市公司內在價值的有效性和及時性。投資者情緒是影響非理性投資者噪聲交易行為的主要因素之一，投資者情緒越高(低)，越容易高(低)估股票的內在價值[6]。因此，本研究從理論和實證兩方面分析股票特質波動率、股票收益與投資者情緒的關系。

2 相關研究評述

學術界對于股票特質風險與股票收益關系的研究尚未達成一致結論，部分學者從如何準確刻畫股票特質波動率這一角度對此問題進行了闡述。Fu[7]認為特質風險與期望收益應該是同期關系；Ang等[2]采用已實現異質波動的滯后一期估計期望收益未能有效刻畫異質波動隨時間的變化，因此他們提出采用EGARCH模型對股票特質波動進行樣本內估計，實證結果表明股票期望收益與條件特質波動顯著正相關，具有高特質性波動的小額股票的收益反轉是造成IV-puzzle的主要原因；Chua等[8]認為資產定價模型應該反映期望特質波動與期望收益的關系。大多數學者采用已實現收益作為期望收益的代理變量，未能有效區分股票收益中的預期部分和非預期部分，他們采用未預期的特質波動作為股票未預期收益的控制變量，實證發現預期公司特質波動與股票預期收益顯著正相關。Bali等[9]認為公司特質風險與股票截面收益的相關關系與估計股票特質波動率的數據頻率、計算股票組合平均收益的權重以及股票分組構造組合的方法有關。

部分學者從多個角度對股票特質波動率影響股票價格的原因進行討論。Han等[10]從市場微觀結構角度研究，認為在控制股票流動性對股票特質波動率估計的影響后，股票特質波動率對股票收益率沒有顯著影響；Cao等[11]基于不完全市場下的期權定價理論和金融中介約束，發現以高特質波動股票為基礎資產的期權的收益率顯著低于以低特質波動股票為基礎資產的期權的收益率；Berrada等[12]認為當擁有不完全信息時，投資者認為的特質風險包括股票真實的特質風險和預測誤差兩部分，以此為基礎，他們將股票特質波動率與投資者預測誤差的乘積定義為特指波動效應，并實證檢驗了該變量對股票特質波動率與股票收益率的相關關系有顯著影響。

中國學者利用中國股票市場數據也對上述問題進行討論。部分學者發現中國股票市場存在股票特質波動之謎，股票特質波動率與股票收益率呈負相關關系。徐小君[13]基于公司特質風險研究中國股票市場投資者的投機行為，發現中國投資者對于股票特質風險大的彩票型股票具有明顯偏好，市場的高投機性導致了高特質風險股票的過高估價；左浩苗等[14]發現中國股票特質波動率與截面收益率存在顯著負相關關系，認為這與中國股票市場存在賣空限制以及投資者具有異質性有關。還有部分學者發現中國股票特質波動率與股票收益率呈正相關關系。鄧雪春等[15]利用建立ARMA模型的方法提取預期特質波動率，對于預期特質波動率與預期收益率的橫截面回歸結果表明，兩者之間存在顯著的正向關系；田益祥等[16]采用EGARCH模型證實，股票預期特質波動率與股票收益率存在顯著正相關關系；羅登躍[17]基于Fama-French股票組合，研究發現當期已實現特質波動率和非預期特質波動率均與收益顯著正相關，而預期特質波動率只有在控制了非預期特質波動率時才與股票收益率顯著正相關；楊華蔚等[18]建立純交換市場均衡模型框架下的基于投資者異質信念的消費資本資產定價模型，從理論上證明除來自總消費、稟賦的基本面風險外，投資者對市場層面和公司層面外部因素信念差異也是影響股票價格的風險因素。

以上關于股票特質波動率與股票收益關系的研究主要集中討論了股票特質波動率與股票收益率之間的截面相關性，本研究將以高特質波動股票與低特質波動股票之間差異率的差額構造股票特質風險因子。根據Merton[1]不完全信息下的資本市場均衡模型，該因子反映了與信息成本有關的系統性風險因子。與已有研究不同，本研究的重點是高特質波動股票與低特質波動股票之間收益率差額的影響因素。

自20世紀90年代以來，零售交易者交易活動更加頻繁是導致股票特質波動增加的主要原因[19]。投資者過分樂觀的情緒使股票價格偏離上市公司的內在價值，在一段時期內形成了股票市場上的非理性繁榮，并最終導致了21世紀初美國科技股泡沫的破滅。傳統的金融理論認為，套利者的交易活動抑制了非理性投資者對股票均衡價格的影響。但De Long等[3]認為投資者情緒的隨機性和難以預測性限制了套利者的套利活動，導致股價對內在價值的長期偏離。當投資者情緒導致股票價格偏離內在價值時，通過低買高賣，以期在價差變化中獲利的套利者，面臨著噪聲投資者預期自我實現的風險。噪聲投資者預期的系統性偏差可能導致進行套利者的頭寸在短期內虧損。股價對內在價值長期偏離的可能性，抑制了具有風險厭惡特征或者可獲得投資資金受投資短期業績影響的套利者的套利活動，并最終導致投資者情緒對股票均衡價格的影響。Barberis等[20]通過刻畫貝葉斯理性下的投資者情緒，解釋股票市場上投資者對信息的過度反應和反應不足；Lee等[21]的實證研究表明投資者情緒是一種被定價的系統性風險，股票超額收益與投資者情緒變化同期正相關，他們采用GARCH-M模型驗證了投資者情緒不僅影響股票收益率，還影響股票波動率；蔣玉梅等[22]關于投資者情緒對股票收益的總體效應的研究表明，投資者情緒對于股票收益產生系統性影響；張宗新等[23]假定具有貝葉斯理性的投資者對基本面信息和市場噪聲偏好的差異，導致他們在先驗信念上的不同，進一步實證結果表明投資者對噪聲信息的偏好將導致較高頻率的情緒波動。投資者的情緒水平越高，股票價格對內在價值的偏離以及股市波動性都越大。Lee等[24]構建一個含噪聲的多期理性模型，發現當市場上信息透明度較低時，投資者的噪聲交易是驅動股價變動的主要因素，此時公司信息含量越高，股票特質波動率越低(股價波動同步性越高)；Kumar等[25]基于噪聲交易模型，通過投資者情緒，解釋具有較多小額投資者的上市公司之間的股價同步性，認為這類公司通常是規模較小、市值較低、機構投資者持股比例較低的公司；Kelly[26]發現高特質波動率股票通常是上市時間相對較短、市值相對較低、機構投資者持股比例較低、分析師關注較少、流動性較低的股票；許年行等[27]以股市反轉收益表征投資者非理性因素，研究發現，就中國市場總體而言，R2與反轉效應顯著負相關，即股價同步性越低，反轉現象越明顯；Baker等[28]構建理論模型，從投資者情緒角度解釋股票流動性與股票收益率的關系。投資者市場情緒變化導致股票市場流動性的短期波動，市場中非理性投資者的情緒可以由流動性指標進行衡量。Chan等[29]區分股票系統性波動和股票特質性波動對股票流動性的影響，認為相對公司層面信息而言，股票價格中的市場層面信息越多，股票逆向選擇風險越低，股票流動性越高；股價同步性與股票流動性的正相關關系在信息對稱程度較低的非S&P500股票中更為顯著。由于中國股票特質波動率受投資者噪聲交易影響較大，因此本研究主要從噪聲投資者角度，結合投資者情緒和股票流動性，討論股票特質波動率和股票收益相關關系的影響因素。

3 理論模型

Merton[1]構造了一個基于不完全信息市場下的兩期模型。在該模型中，投資者擁有異質信息、同質預期。對于特定資產k(即公司k的資產)而言，市場上存在兩類投資者，一類是了解該資產的知情投資者，一類是不了解該資產的不知情投資者。當且僅當投資者了解資產k時，才會投資于該資產。在Merton[1]的模型中無風險證券和遠期合約證券的期望收益和方差以及市場上股票收益的基本結構是投資者的共同信息，但股票收益結構中的參數值只包含在部分投資者的信息集中。本研究所說的投資者了解資產k，是指構成資產k預期收益率分布的參數是投資者信息集中的元素。Merton[1]基于以上模型認為，在不完全信息市場中，投資者持有未完全分散化股票特質風險的投資組合，在市場均衡狀態下，股票的橫截面收益與股票特質風險正相關。

在股市信息不完全和不確定的市場環境下，缺乏信息的噪聲投資者可能通過觀察市場上的交易行為，從中推斷知情投資者掌握的信息，并加以模仿。如散戶投資者遵循正反饋交易策略的“追漲殺跌”行為。本研究將不知情投資者分為兩類，一類是不進行交易的保守投資者，另一類是缺乏對風險資產未來收益分布的認識但卻盲目跟風的噪聲投資者。本研究把知情投資者和不知情投資者中的保守投資者都看做理性投資者，通過擴展Merton模型，考慮具有不完全信息的噪聲投資者，進一步分析在不完全信息下，受投資者情緒影響的噪聲投資者對中國股市的影響。

(1)

(2)

(3)

(4)

(5)

假定投資者是風險厭惡的，根據Markowitz-Tobin的均值方差標準選擇最優投資組合。理性投資者的最優投資組合問題可轉為帶約束的最大化問題求解，即

(6)

(6)式的一階條件為

(7)

(8)

為了進一步分析不完全信息對均衡資產價格和期望收益的影響，假定投資者有相同的偏好和初始財富，即δj=δ,Wj=W，并且nk(N-Nk)個噪聲投資者完全復制知情投資者的組合構成。δ為不需要區分不同投資者的風險偏好，Wj為投資者j的初始財富，W為不需要區分不同投資者的初始財富。由(7)式可知，在這一假定條件下，各投資者對共同因子的風險暴露水平也相同，即bj=b，b為投資者對共同因子的風險暴露水平。

(9)

其中，pk=qk+nk(1-qk)，qk為知情投資者的比例。

經整理，均衡狀態下，證券k的期望收益可表示為

(10)

由(10)式可知，投資者的風險厭惡水平越高，證券k的期望收益率越高，而且證券k的特質波動率與股票收益正相關。

由上可知，股票收益不僅受公司基本面信息波動的影響，還受市場上情緒型噪聲投資者的影響。

4 數據和變量

4.1 股市特質風險因子

為了反映股票特質波動率對股票收益影響的大小，本研究以2007年1月1日至2012年12月31日滬、深兩市A股上市公司的日數據作為樣本，構造股市特質風險因子IVF的月度數據。股票日收益率數據來自CCER數據庫，Fama-French三因子日數據來自Resset數據庫，無風險利率為中國人民銀行披露的一年期居民定期存款利率。本研究對投資者情緒的度量主要采用《股市動態分析》的好淡指數，受數據可獲得性的影響，本研究的樣本區間僅到2012年。

本研究采用基于Fama-French三因子模型的間接方法構造股票特質波動率，每月將每只股票日數據的超額收益率對市場因子、規模因子和價值因子進行回歸，即

Ri,t=αi,m+βi,mMKTt+si,mSMBt+hi,mHMLt+εi,t

(11)

(12)

Xu等[32]認為股票特質波動率與公司規模有關。因此，本研究采用基于公司規模和股票特質波動率大小的二維分組法。首先，以每月末股票收盤價與在外流通股股數的乘積度量的公司規模為依據，將股票按照公司市值大小平均分為5組；然后，以(12)式計算的股票特質波動率為依據，將每個公司規模組合進一步分為5組。各股票特質波動率組合的收益為該股票特質波動率組合中所有股票收益的加權平均值。本研究將各期最高股票特質波動率投資組合的市值加權平均收益率與最低股票特質波動率投資組合的市值加權平均收益率之差定義為股市特質風險因子IVF。與模型估計結果一致，在控制公司規模效應的條件下，投資組合的股票收益隨平均特質波動率的增加而單調遞增。

4.2 投資者情緒

國內外研究者根據投資者情緒指標的性質可以分為直接指標(顯性指標)和間接指標(代理變量)，根據投資者情緒指標的構成可以分為單一指標和復合指標兩類。直接指標是通過市場調查直接得到的投資者對股票市場看法的指標，如美國個體投資者協會指數、央視看盤指數和好淡指數；間接指標是根據理論和實證研究，從金融市場數據中提取的能夠反映投資者情緒的市場變量，如封閉式基金折價率和IPO首日收益率。復合指標，又稱為投資者情緒指數，是由多個代理變量復合構成的指標。相對于單一指標，復合指標能夠更加全面、客觀、準確地反映整個市場的投資者情緒，如投資者情緒綜合指數[32]。基于數據可獲得性和研究需要，本研究對投資者情緒的度量主要采用《股市動態分析》的好淡指數中期指標。好淡指數是以證券業內人士和中小散戶等市場參與者為樣本，通過統計被訪者對后市的判斷而得出，中期指標反映的是被訪者對1～3個月市勢的趨勢性預測。該指標的范圍為0～100，好淡指數的數值越大，表示對市場未來持樂觀態度的投資者越多；反之，則對市場未來持悲觀態度的投資者越多。從數據可獲得性和模型估計有效性兩方面考慮，本研究的樣本區間為2007年至2012年，數據容量能滿足模型估計的需要。

4.3 股市流動性

股票流動性反映了投資者在較短時間內以較低成本完成市場交易的能力。市場上資產的流動性越好，投資者交易成本越低，情緒型噪聲投資者對股票的需求可能越高。本研究通過對個股的Amihud非流動性加權平均得到股市總流動性[33]。

股票i第m月的非流動性指標Amihudi,m的構成為

(13)

其中，Di,m為股票i在第m月的交易天數，僅保留月交易天數大于15天的樣本；Ri,t,m為股票i在第m月內第t日的日收益率，單位為百萬元；VOLi,t,m為股票i在第m月內第t日的日交易量，單位為百萬元。為保證研究結論不受極端值的影響，參照Amihud[34]的做法，采取上、下1%的截尾處理。然后，計算市場上各股流動性的加權平均值，作為股市非流動性的度量。需注意的是，Amihud指標度量的是股市的非流動性，該指標越大，股市流動性越小。股票日收益率數據和日交易量數據均來自CCER數據庫。

圖1給出2007年1月至2012年12月各月股市特質風險因子、投資者情緒和Amihud非流動性指標。由圖1可知，股市特質風險因子的大小基本為正，即各月高特質波動股票的平均收益率大于低特質波動股票的平均收益率。股市特質風險因子與投資者情緒的走勢具有比較一致的表現，反映出一定的“同漲同跌”性；而股市特質風險因子與Amihud非流動性指標很多時候表現出相反的變動方向。股市特質風險因子與投資者情緒呈正相關關系，兩者的相關系數為0.551；股市特質風險因子與Amihud非流動性指標呈負相關關系，兩者的相關系數為-0.414。

圖1 股市特質風險因子、投資者情緒和Amihud非流動性(月)Figure 1 Idiosyncratic Risk Factor, Investor Sentiment and Amihud Illiquidity (Monthly)

若時間序列中存在單位根過程，則序列非平穩，容易出現回歸分析中的偽回歸。因此，進行單位根檢驗，表1給出ADF單位根檢驗的結果。由表1可知，在常數項和常數項+趨勢項的兩種檢驗形式下，投資者情緒和股市特質風險因子的水平值均在5%的顯著性水平下顯著拒絕存在單位根的原假設；在常數項+趨勢項的檢驗形式下，Amihud非流動性的水平值不能拒絕存在單位根的原假設，而當對它的一階差分(即ΔAmihud)進行檢驗時，檢驗結果均在1%的顯著性水平下顯著拒絕存在單位根的原假設，表明該序列為非平穩的I(1)過程。因此，在下文的分析中采用股市特質風險因子和投資者情緒的水平值、Amihud非流動性指標的一階差分值。

表1 ADF單位根檢驗Tabel 1 ADF Unit Root Test

注：***為在1%的顯著性水平下拒絕存在單位根的原假設，**為在5%的顯著性水平下拒絕存在單位根的原假設，*為在10%的顯著性水平下拒絕存在單位根的原假設。

5 實證設計和結果分析

5.1 實證方法

已有研究大都采用Granger因果檢驗和預測誤差方差分解分析變量相互間的動態關系，Granger因果檢驗既沒有考慮變量間的同期因果關系，又忽略了經濟變量的因果關系在經濟意義上的顯著性；預測誤差方差分解雖然可以反映變量間關系在經濟意義上的顯著性，但已有研究對影響方差分解結果的關鍵因素(擾動項之間同期因果關系)的設定大都采用Choleski分解或借助先驗信息和相關理論，缺乏客觀性。有向無環圖(DAG)方法考慮了變量間的同期因果關系，而且該方法基于擾動項之間的條件相關系數，而非借助先驗信息，更加具有客觀性。本研究先分析變量擾動項之間的條件相關系數，采用有向無環圖的分析方法，在正確識別出擾動項之間的同期因果關系的基礎上，對VAR擾動項進行結構性分解(即識別SVAR)，以考察中國股票市場上股市特質風險因子、投資者情緒與股市流動性相互間的動態關系。

首先，對(14)式中的VAR模型進行正確估計，得到變量之間的擾動相關系數矩陣。

(14)

其中，Xt為含各平穩變量的3×1向量，Γ0為截距項向量，Γd為一個3×3的系數矩陣，ξt為誤差項向量，l為滯后階數。

然后，通過擾動相關系數矩陣對變量之間的同期因果關系進行有向無環圖分析。本研究以各個變量間均有無方向連線的“無向完全圖”為出發點(即各變量之間可能存在的同期因果關系)，利用PC算法得出各變量間同期因果關系的依賴性和因果關系的指向性。PC算法首先分析變量間的無條件(0階)相關系數，當相關系數為0，則將表示因果關系的連線移去；然后分析1階偏相關系數，有向圖理論認為相關系數矩陣的逆矩陣非對角線上元素是對應變量偏相關系數的相反數，因此通過從原相關矩陣中提取相關元素，構成一個3×3矩陣，便可得相應的1階偏相關系數，移去變量間的偏相關系數為0的連線。若模型含有M個變量，這一算法將持續分析到(M-2)階的偏相關系數。在計算過程中，采用Fisher′s z檢驗統計量檢驗偏相關系數是否為0，即

ln{[|1+ρ(e,f|g)|]·

[|1-ρ(e,f|g)|]-1}

(15)

其中，ρ(e,f|g)為以g個變量為條件變量、變量e和f的偏相關系數，h為估計相關系數矩陣的樣本數，|g|為條件變量的樣本數。若r(e,f|g)為樣本偏相關系數，變量e、f和g滿足正態分布，則z[ρ(e,f|g)h]-z[r(e,f|g)h]遵從標準正態分布。

假定存在任意的3個變量X、Y和Z。在完全圖中，若X與Y有邊相連，則稱X與Y是相鄰的。X與Y的隔離集K是使X與Y的偏相關系數為0的條件變量的集合。當X與Y相鄰，Y與Z相鄰，而X與Z不相鄰時(X-Y-Z)，若已知Y不屬于X與Z的隔離集，即X與Z的無條件相關系數為0，而當以Y為條件變量時，X與Z的偏相關系數不為0，則可由此推斷X和Z都是引發Y的原因，三者的同期因果關系應為X→Y←Z。

5.2 實證結果和分析

采用似然比檢驗、AIC和SBC信息準則確定(14)式中的滯后階數，以上結果均顯示最優滯后階數為1，因此本研究選用的是含有3個變量、滯后階數為1的VAR模型。在正確估計(14)式中的向量自回歸模型基礎上，得到變量間的擾動相關系數矩陣，即

IVFISAmihudcorr=1.0000.3161.000-0.627-0.0751.000é?êêêù?úúú

運用統計軟件TETRAD‖，以各變量之間的擾動相關系數矩陣為基礎，分析它們之間的無條件相關系數和偏相關系數。對有向無環圖方法小樣本性質的研究表明，當數據樣本較小時(如樣本量小于100時)，為了識別模型中各變量間的同期因果關系，可以使用較高的顯著水平系數(如20%)。本研究實際分析中應用的樣本為63個觀測值，與楊子暉[35]的研究類似，因此取20%的顯著性水平。圖2給出20%的顯著性水平下，各變量之間的同期因果關系。

圖2 20%顯著性水平下的有向無環圖Figure 2 Directed Acyclic Graph at the 20% Significance Level

在識別SVAR前，采用似然比方法對模型進行過度識別檢驗，以檢驗有向無環圖的分析結論是否有效、可靠。檢驗結果表明，當假定存在如圖2所示的同期因果關系時，LR統計量在1%的顯著性水平下無法拒絕過度約束為真的原假設，即圖2所示的有向無環圖分析結果是合理的、有效的。以有向無環圖分析的結果為基礎，對VAR擾動項進行結構性分解，并通過預測誤差方差分解和脈沖響應分析對股市特質風險因子、投資者情緒與股市流動性相互之間的關系做進一步分析。表2給出有向無環圖的預測方差分解結果。

從表2方差分解分析的結果可知，從第1個月開始，股市特質風險因子的波動有近11.278%是由投資者情緒的沖擊引起的，而股市非流動性對股市特質風險因子的解釋程度也近28%，表明中國股票市場上高特質波動股票與低特質波動股票收益率之間的差異與股票市場上投資者情緒和股市流動性有關。隨著時間的推移，投資者情緒對股市特質風險因子波動的解釋程度逐漸增大，而股市非流動性對股市特質風險因子波動的解釋程度略有下降。從長期看(2年)，投資者情緒和股市非流動性對股市特質風險因子的解釋程度分別為20.328%和27.460%。投資者情緒和Amihud非流動性的波動由其自身的擾動來解釋，其比例分別為92.170%～83.649%和95.732%～95.356%。

由于預測方差分解分析給出了每個信息對模型內生變量變化的相對重要性，并沒有給出影響的方向。圖3給出投資者情緒和Amihud非流動性對股市特質風險因子的脈沖響應分析。圖中實線為脈沖響應，兩條虛線間為95%置信區間，縱軸分別表示投資者情緒和Amihud非流動性沖擊的隨機擾動項一個標準差沖擊對VAR模型中股市特質風險因子當前值和未來值(至24個月)取值的影響。

表2 基于有向無環圖的預測方差分解Table 2 Forecast Variance Decomposition Based on the Directed Acyclic Graph

從投資者情緒沖擊看，投資者情緒隨機擾動項1個標準差的沖擊能導致股市特質風險因子短期內增加，即上漲的投資者情緒能夠促進股市特質風險因子的上升。這與模型的估計結果一致，即投資者對股票市場未來走勢越樂觀，不知情投資者中的噪聲投資者比例越大，股票特質波動率對股票價格的邊際影響越大，高特質波動股票與低特質波動股票之前的收益差越大。從Amihud非流動性沖擊看，Amihud非流動性沖擊隨機擾動項1個標準差的正沖擊能導致股市特質風險因子短期內降低。由于對Amihud非流動指標的負向沖擊代表股市流動性的增加，所以上漲的股市流動性能夠促進股市特質風險因子的上升。市場上流動性增加，投資者在較短時間內以較低成本交易股票的能力增加，噪聲投資者對股票的需求增加，因而進一步增加了高特質波動股票收益與低特質波動股票收益之間的差異。投資者情緒沖擊和股市流動性沖擊對股市特質風險因子的影響主要表現在短期(6個月內)，從中長期看對股市特質風險因子無明顯影響，這可能與中國股票市場上特質波動率由非理性投資者的噪聲交易驅動而噪聲投資者具有短視性和不穩定性有關。

(a)股市特質風險因子對投資者情緒沖擊的脈沖響應(b)股市特質風險因子對Amihud非流動性沖擊的脈沖響應

圖3脈沖響應分析
Figure3ImpulseResponseFunctionAnalysis

6 結論

本研究首先拓展了Merton[1]非完全信息下的均衡資產定價模型，將不知情投資者進一步分為噪聲投資者和保守投資者。然后基于有向無環圖技術識別出的股市特質風險因子、投資者情緒與股市流動性之間的同期因果關系，對VAR的擾動項進行結構性分解。研究結果表明，股票特質波動率與股票收益率成正比，股票特質波動率對股票收益率的邊際影響隨投資者情緒的增加和噪聲投資者比例的提高而增加。預測方差分解研究表明，投資者情緒和股市流動性是影響中國股票市場高特質波動股票與低特質波動股票截面收益差異大小的重要原因。脈沖響應分析表明，投資者越樂觀，市場上流動性越強，股票收益相對公司基本面特質波動的彈性越大，高特質波動股票與低特質波動股票截面收益之間的差異越大。中國資本市場信息透明度較低，投資者缺乏低成本獲取公司信息的渠道，很難對未來不確定性做出合理預期，因此更傾向于模仿他們自認為有信息優勢的其他投資者。這一部分缺乏信息和判斷力的噪聲投資者，更容易受市場上投資者情緒的影響，形成趨同性的羊群效應。當大盤上漲時，迅速集聚；而大盤跳水時，恐慌出逃。隨投資者情緒變動而不斷進出市場的噪聲投資者影響了中國股市的股票特質波動率和股票收益。

國內外學者對股票特質波動率隨時間變動的原因以及股票特質波動率與股票收益之間的相關關系進行了廣泛討論，但尚未達成一致意見。基于不同的假設條件，將導致不同的分析結果。各個市場在信息環境、市場發展程度和投資者認知水平等方面的差異，為檢驗不同的理論提供了實證樣本。本研究以中國特殊的制度背景和市場特征為基礎，從投資者情緒角度考慮股票特質波動率和股票收益率，不僅可以豐富國內外已有研究成果，也可以為中國股票市場的投資者分散投資風險、實行有效的投資策略和風險管理提供參考。但本研究主要從市場層面構造投資者情緒和股市流動性，缺乏個股層面的實證檢驗。作為下一步的研究方向，將從個股層面進一步研究微觀主體的行為金融決策對股價變動的影響。

[1]Merton R C.A simple model of capital market equilibrium with incomplete information[J].The Journal of Finance,1987,42(3):483-510.

[2]Ang A,Hodrick R J,Xing Y,Zhang X.The cross-section of volatility and expected returns[J].The Journal of Finance,2006,61(1):259-299.

[3]De Long J B,Shleifer A,Summers L H,Waldmann R J.The survival of noise traders in financial markets[J].The Journal of Business,1991,64(1):1-19.

[4]Lee D W,Liu M H.Does more information in stock price lead to greater or smaller idiosyncratic return volatility?[J].Journal of Banking & Finance,2011,35(6):1563-1580.

[5]陳浪南,熊偉.公司特質波動決定因素研究:信息效率還是噪音交易?[J].中國會計評論,2014,12(1):1-16.

Chen Langnan,Xiong Wei.The determinants of idiosyncratic volatility:Firm-specific information or occasional frenzy?[J].China Accounting Review,2014,12(1):1-16.(in Chinese)

[6]Brown G W,Cliff M T.Investor sentiment and the near-term stock market[J].Journal of Empirical Finance,2004,11(1):1-27.

[7]Fu F.Idiosyncratic risk and the cross-section of expected stock returns[J].Journal of Financial Economics,2009,91(1):24-37.

[8]Chua C T,Goh J,Zhang Z.Expected volatility,unexpected volatility,and the cross-section of stock returns[J].Journal of Financial Research,2010,33(2):103-123.

[9]Bali T G,Cakici N.Idiosyncratic volatility and the cross section of expected returns[J].Journal of Financial and Quantitative Analysis,2008,3(1):29-58.

[10] Han Y,Lesmond D.Liquidity biases and the pricing of cross-sectional idiosyncratic volatility[J].The Review of Financial Studies,2011,24(5):1590-1629.

[11] Cao J,Han B.Cross section of option returns and idiosyncratic stock volatility[J].Journal of Financial Economics,2013,108(1):231-249.

[12] Berrada T,Hugonnier J.Incomplete information,idiosyncratic volatility and stock returns[J].Journal of Banking & Finance,2013,37(2):448-462.

[13] 徐小君.公司特質風險與股票收益:中國股市投機行為研究[J].經濟管理,2010,32(12):127-136.

Xu Xiaojun.Idiosyncratic risk and stock returns:A study of speculation behavior in China stock market[J].Economic Management Journal,2010,32(12):127-136.(in Chinese)

[14] 左浩苗,鄭鳴,張翼.股票特質波動率與橫截面收益:對中國股市“特質波動率之謎”的解釋[J].世界經濟,2011,34(5):117-135.

Zuo Haomiao,Zheng Ming,Zhang Yi.Idosyncratic volatility and cross sectional expected return:An investigation of “idiosyncratic volatility puzzle” in China stock market[J].The Journal of World Economy,2011,34(5):117-135.(in Chinese)

[15] 鄧雪春,鄭振龍.中國股市存在“特質波動率之謎”嗎?[J].商業經濟與管理,2011(1):60-67,75.

Deng Xuechun,Zheng Zhenlong.Is there an idiosyncratic volatility puzzle in China′s equity market?[J].Journal of Business Economics,2011(1):60-67,75.(in Chinese)

[16] 田益祥,劉鵬.機構持股、特質風險與股票收益的實證研究[J].投資研究,2011,30(8):79-88.

Tian Yixiang,Liu Peng.An empirical study on institutional ownership,idiosyncratic risk and stock returns[J].Review of Investment Studies,2011,30(8):79-88.(in Chinese)

[17] 羅登躍.特質波動率與橫截面收益:基于Fama-French股票組合的檢驗[J].統計與決策,2013(4):167-169.

Luo Dengyue.Idiosyncratic volatility and cross-sectional returns:Test on Fama-French portfolios[J].Statistics & Decision,2013(4):167-169.(in Chinese)

[18] 楊華蔚,韓立巖.外部風險、異質信念與特質波動率風險溢價[J].管理科學學報,2011,14(11):71-80.

Yang Huawei,Han Liyan.Extraneous risk,heterogeneous beliefs and idiosyncratic risk[J].Journal of Management Sciences in China,2011,14(11):71-80.(in Chinese)

[19] Brandt M W,Brav A,Graham J R,Kumar A.The idiosyncratic volatility puzzle:Time trend or speculative episodes?[J].The Review of Financial Studies,2010,23(2):863-899.

[20] Barberis N,Shleifer A,Vishny R.A model of investor sentiment[J].Journal of Financial Economics,1998,49(3):307-343.

[21] Lee W Y,Jiang C X,Indro D C.Stock market volatility,excess returns,and the role of investor sentiment[J].Journal of Banking & Finance,2002,26(12):2277-2299.

[22] 蔣玉梅,王明照.投資者情緒與股票收益:總體效應與橫截面效應的實證研究[J].南開管理評論,2010,13(3):150-160.

Jiang Yumei,Wang Mingzhao.Investor sentiment and stock returns:An empirical study on aggregate effects and cross-section effects[J].Naikai Business Review,2010,13(3):150-160.(in Chinese)

[23] 張宗新,王海亮.投資者情緒、主觀信念調整與市場波動[J].金融研究,2013(4):142-155.

Zhang Zongxin,Wang Hailiang.Investor sentiment,subjective belief adjustment and market fluctuations[J].Journal of Financial Research,2013(4):142-155.(in Chinese)

[24] Lee D W,Liu M H.Does more information in stock price lead to greater or smaller idiosyncratic return volatility?[J].Journal of Banking & Finance,2011,35(6):1563-1580.

[25] Kumar A,Lee C M C.Retail investor sentiment and return comovements[J].The Journal of Finance,2006,61(5):2451-2486.

[26] Kelly P J.Information efficiency and firm-specific return variation[J].The Quarterly Journal of Finance,2014,4(4):1450018-1-1450018-44.

[27] 許年行,洪濤,吳世農,徐信忠.信息傳遞模式、投資者心理偏差與股價“同漲同跌”現象[J].經濟研究,2011,46(4):135-146.

Xu Nianhang,Hong Tao,Wu Shinong,Xu Xinzhong.Information flow model,investor psychological bias and stock price comovement[J].Economic Research Journal,2011,46(4):135-146.(in Chinese)

[28] Baker M,Stein J C.Market liquidity as a sentiment indicator[J].Journal of Financial Markets,2004,7(3):271-299.

[29] Chan K,Hameed A,Kang W.Stock price synchronicity and liquidity[J].Journal of Financial Markets,2013,16(3):414-438.

[30] 楊德明.信息披露、投資者行為與市場回報:針對盈余慣性與價格慣性的研究[M].北京:經濟科學出版社,2009:38.

Yang Deming.Information disclosure,investor behaviour and stock returns[M].Beijing:Economic Science Press,2009:38.(in Chinese)

[31] 王美今,孫建軍.中國股市收益、收益波動與投資者情緒[J].經濟研究,2004,39(10):75-83.

Wang Meijin,Sun Jianjun.Stock market returns,volatility and the role of investor sentiment in China[J].Economic Research Journal,2004,39(10):75-83.(in Chinese)

[32] Xu Y,Malkiel B G.Investigating the behavior of idiosyncratic volatility[J].Journal of Business,2003,76(4):613-645.

[33] 張婷,于瑾,呂東鍇.新興市場投資者情緒與價值溢價異象:基于中國內地、香港和臺灣地區的比較分析[J].國際金融研究,2013(1):87-95.

Zhang Ting,Yu Jin,Lyu Dongkai.Research on investor sentiment and value anomaly in emerging market:Based on evidence from the stock markets of China mainland,Hong Kong and Taiwan[J].Studies of International Finance,2013(1):87-95.(in Chinese)

[34] Amihud Y.Illiquidity and stock returns:Cross-section and time-series effects[J].Journal of Financial Markets,2002,5(1):31-56.

[35] 楊子暉.財政政策與貨幣政策對私人投資的影響研究:基于有向無環圖的應用分析[J].經濟研究,2008,43(5):81-93.

Yang Zihui.The effects of fiscal and monetary policy on private investment:An application of directed acyclic graphs[J].Economic Research Journal,2008,43(5):81-93.(in Chinese)

IdiosyncraticVolatility,StockReturnandInvestorSentiment

Xiong Wei1，Chen Liangnan2

1 Research Institute, Shenzhen Stock Exchange, Shenzhen 518028, China2 Lingnan (University) College, Sun Yat-Sen University, Guangzhou 510275, China

Systematic risk is priced only in the cross-sectional stock returns based on the traditional asset pricing models. However, idiosyncratic risk may not be fully diversified as market is imperfect and idiosyncratic risk is positively related to stock returns (Merton, 1987). Ang, Hodrick, Xing and Zhang (2006, 2009) suggest a negative relationship between idiosyncratic risk and stock returns, which makes idiosyncratic volatility one of the most popular asset pricing puzzles, called the “idiosyncratic volatility puzzle”. Recent studies have re-examined the relationship between idiosyncratic volatility and stock returns, and reached contradictory conclusions. In emerging economies, like China, the capital markets are dominated by individual investors, where the stock prices are more likely to be affected by investor sentiment and noise trading. This paper investigates the dynamic relationship between the idiosyncratic volatility, the stock returns and the investor sentiment from both theoretical and empirical perspectives. First, this paper incorporates the noise traders affected by investor sentiment into the capital market equilibrium model with incomplete information of Merton (1987). The theoretical results indicate that the idiosyncratic volatility and the stock return are positively correlated, and the elasticity of expected excessive returns with respect to the idiosyncratic volatility is an increasing function of investor sentiment and noise traders. And then, we investigate the role of idiosyncratic risk as a systematic factor in the asset pricing process. Particularly, we present the idiosyncratic risk premium as a source of systematic risk factor capturing the returns of buying stocks with the highest idiosyncratic risk and selling stocks with the lowest idiosyncratic risk. The mid-term HaoDan Index, which is released by Stock Market Trend Analysis Weekly in China, is used as investor sentiment indicator. By employing the data from Shanghai Stock Exchange from 2007 to 2012 and utilizing the directed acyclic graphs (DAG) to identify the structural VAR model, we find that the investor sentiment and market liquidity play an important role in indicating the difference in returns between stocks with high idiosyncratic volatility and stocks with low idiosyncratic volatility. We find that the cross-sectional differences in returns between stocks with high idiosyncratic volatility and stocks with low idiosyncratic volatility (IVF) in China′s stock market will be higher when the investors are more optimistic and the market is more liquid. This study is of great help to a better understanding of investor behaviour and the relation between idiosyncratic volatility and stock return in China.

idiosyncratic volatility；stock return；investor sentiment；incomplete information；liquidity

Date:February 26th, 2015

DateAugust 21st, 2015

FundedProject:Supported by the National Social Science Foundation of China(14ZDA020), the Humanity and Social Sciences Research of Ministry of Education(14YJA7900) and the Soft Science Research Program of Guangdong(2013B070206025)

Biography:Xiong Wei (1989-, Native of Yiyang, Hunan), Doctor in Economics and is a Post-doctoral Fellow in the Research Institute at Shenzhen Stock Exchange. Her research interests include financial economics and capital market, etc. E-mail：panda19890919@126.com

F832.5

A

10.3969/j.issn.1672-0334.2015.05.009

1672-0334(2015)05-0106-10

2015-02-26修返日期2015-08-21

國家社會科學基金(14ZDA020)；教育部人文社會科學研究規劃項目(14YJA7900)；廣東軟科學研究計劃項目(2013B070206025)

熊偉(1989-)，女，湖南益陽人，經濟學博士，深圳證券交易所綜合研究所博士后。研究方向：金融經濟學和資本市場等。E-mail：panda19890919@126.com

□