投資者結構是中國股票市場定價因子嗎？

李新 梁偉 周率

(首都經濟貿易大學金融學院，北京 100070)

一、引言

資產定價是投資界及學術界探討的熱門話題，各類投資者期望通過持有股票資產來獲取超額收益，而學術界一直致力于發現新的股票資產定價因子。Sharpe(1964)等學者提出了資本資產定價模型(CAPM)，該模型認為股票資產的風險溢價來源于單一的風險因素，即由所有股票組成的市場組合的收益率。如果放松CAPM模型的假定，就可以得到資產風險溢價受多種因素影響的結論。Ross(1976)提出了多因素套利定價理論(APT)，該模型成為了多因素資產定價模型的理論基礎。Fama and French(1993)提出了三因子模型，開創了實證資產定價的新范式。FF三因子模型在CAPM模型的基礎上進一步考慮了公司規模及賬面市值比這兩個因子，可以更好地解釋資產組合的橫截面收益。Fama and French(2015)基于紅利貼現模型進一步提出了五因子模型，該模型在三因子模型的基礎上加入盈利能力和投資風格因子，以更好地描述橫截面上股票組合的期望收益率。到目前為止，已有超過447個潛在因子被學者們發現，越來越多的投資者開始將多因子模型作為資產配置策略(Hou et al.，2018)。

目前中國處于從高速增長轉向高質量發展的階段，這種經濟發展方式的轉變需要資本市場的支持。A股已經形成了包括滬深主板、創業板、科創板及北交所在內的多層次資本市場，通過融資及定價等功能服務于中國的實體經濟。不同市場參與的投資者群體是不一樣的，這種投資者結構差異直接影響了市場的功能，其中就包括資產定價功能。從國際資本市場的角度看，王朝陽和王振霞(2017)研究發現，相較于中國臺灣市場、中國香港市場與美國市場，滬深股票市場個人投資者占比較高而機構投資者占比較低，影響了滬深股票市場的股價波動率，即滬深股票市場的定價功能可能不同于成熟的國際資本市場。從資產收益的角度看，何誠穎等(2021)研究發現，在不同的機構投資者持股比例下，投資組合的風險溢價是不同的。總之，機構投資者的持股比例會影響股票的預期收益，投資者結構可能是影響A股資產定價的一個重要因子。

本文參考Fama and French(2015)的因子構建方法構建投資者結構因子，并將該因子加入Carhart四因子模型中構建五因子模型，以探究如下問題：(1)投資者結構是不是A股市場的定價因子；(2)不同上市板塊中，投資者結構因子溢價是否相同；(3)疫情沖擊是否影響了投資者結構因子溢價。經過理論與實證分析，本文得出相關結論：(1)Carhart四因子模型適用于滬深股票市場，滬深股票市場存在顯著的季頻動量效應；(2)投資者結構是滬深股票市場的定價因子，經Carhart四因子模型調整后的投資者結構因子仍然顯著；(3)相對于滬深主板市場，創業板與科創板市場的投資者結構因子溢價更高；(4)新冠疫情提高了滬深股票市場的投資者結構因子溢價。

本文的邊際貢獻在于：(1)發現投資者結構是A股市場的定價因子，補充了實證資產定價領域的已有研究；(2)研究了上市板塊差異與疫情沖擊對投資者結構因子溢價的影響，揭示了投資者結構因子在不同上市板塊及疫情沖擊下的不同表現，是對實證資產定價研究的進一步拓展，并且補充了多層次資本市場及新冠疫情方面的相關研究；(3)基于長期價值投資理念，利用季度頻率數據進行了實證資產定價研究，更好地反映了中長期周期下機構投資者的交易行為及市場的運行規律，彌補了只進行日內、日度、周度及月度頻率研究的文獻的不足。本文為A股市場投資端改革提供了經驗證據，有助于證券監管部門進一步完善A股市場的投資者結構與監管體系。

二、文獻綜述

CAPM模型首次清晰地描述了資產收益率與風險之間的關系，為后續大量線性多因子定價模型的研究奠定了基礎(Sharpe，1964)。當投資機會不斷發生變化時，僅考慮市場風險的CAPM模型就不再成立了。Merton(1973)考慮多期消費和投資，構建了跨期資本資產定價模型(ICAPM)，該模型在CAPM模型的基礎上，進一步考慮了投資機會集合惡化所帶來的風險溢價。Waggle and Agrrawal(2015)在美國股票市場上發現了投資者情緒異象，投資者的情緒越積極，美股在未來3～6個月的收益率越低；市場情緒越消極，股票短期收益率越高。李雙琦等(2021)研究了消費與投資者情緒因子在資產定價中的有效性，他們利用消費和投資者情緒因子對CAPM、FF三因子和FF五因子模型進行了拓展，拓展后的模型定價效率都顯著提高。Brogaard and Detzel(2015)基于ICAPM模型研究發現，美國經濟政策不確定性指數是重要的資產定價因子。林建浩等(2021)基于ICAPM理論研究發現，貨幣政策不確定性(MPU)是A股市場的重要定價因子，最高MPU因子暴露投資組合的風險溢價要比最低MPU因子暴露投資組合的風險溢價平均每年高出1.428%。

Fama and French(1993)在CAPM模型的基礎上，考慮了公司規模及賬面市值比這兩個定價影響因素，構建了三因子模型，該模型可以更好地解釋投資組合在持有期的風險溢價。

到目前為止，FF三因子模型已經是實證資產定價研究的首選。Carhart(1997)在FF三因子模型的基礎上新增了動量因子，即歷史收益率較高投資組合與歷史收益率較低投資組合的收益率差值，研究發現動量因子并沒有解釋共同基金所獲得的超額收益。Fama and French(2015)在三因子模型的基礎上加入盈利能力和投資風格因子，構建了五因子模型，以更好地描述橫截面上股票組合的期望收益率。為了測試美國股票市場是否存在動量效應，Fama and French(2016)在FF五因子模型中加入了動量因子，研究發現美國股市的動量效應不顯著。Guo et al.(2017)研究發現，規模、價值和盈利能力因子對股票未來收益具有較強的解釋能力，但投資風格因子冗余。在A股市場的資產定價研究方面，Liu et al.(2019)將FF三因子模型中的賬面市值比因子替換為利潤市值比因子，改進后的模型對投資者組合風險溢價的解釋能力增強了，并且解釋了滬深股票市場上的盈利能力及波動性異象。隨著被挖掘出來的因子逐漸增多，難免存在一部分因子包含著相同的股價信息。陸蓉等(2021)研究發現，非彩票型股票存在顯著的月度動量效應，動量策略對沖組合能夠獲得0.76%的平均月度收益和0.81%的三因子月度超額收益。同時，股票市場交易及流通等制度也會影響資產定價。在市場做空機制方面，何誠穎等(2021)研究發現，在做空受限的投資組合中，投資者情緒與股票未來收益負相關的現象更為明顯。在股票流通制度方面，李志冰等(2017)研究發現，在A股市場股權分置改革前，市場因子收益率較為顯著，而股改后的盈利能力、投資風格及動量因子的風險溢價更加顯著。

對于投資者結構的學術研究也較為豐富。Stambaugh et al.(2015)用機構投資者持股衡量有限套利。但是，機構投資者持股不僅僅是衡量了股票套利的難易程度。Edmans(2009)研究發現，在中國香港等成熟的國際資本市場中，持有長期價值投資理念的機構投資者占比較高，其對企業的估值更加合理，該類機構投資者進入滬深股票市場，有利于提高滬深股票市場的定價能力。連立帥等(2019)研究發現，機構投資者占比提高，即投資者結構進一步優化，有助于資本市場實現合理定價與資源的有效配置。Carpenter et al.(2021)研究發現，通過QFII(合格境外機構投資者)制度進入A股市場的境外機構投資者的持倉行為提高了滬深股票市場的定價能力。同時，何誠穎等(2021)研究發現，A股市場個人投資者占比較高，個人投資者容易情緒化，主要進行非理性交易，表現為追漲殺跌，導致A股市場存在顯著的反轉效應。陸蓉等(2021)得出了與之相似的結論，A股市場的個人投資者僅僅持有23.7%的股票市值，卻貢獻了85.6%的成交額，這種投資者結構不完善的市場狀況是A股市場動量效應不顯著的主要原因。

投資者結構方面的研究表明，機構投資者持股對A股市場的定價功能產生了較大的影響，即投資者結構是個股或者股票組合未來收益的重要影響因素。但是，以往實證資產定價方面的研究忽略了投資者結構對股票橫截面收益的影響，所以本文試圖研究投資者結構是否是A股市場的定價因子。

三、理論分析與研究假設

(一)投資者結構與橫截面收益

首先，根據積極的監督者假說，在生產經營方面，機構投資者更有動力和能力關注上市公司的長期發展，他們對企業管理層進行監督(Lee and Masulis，2011)，有利于改善企業的創新投入水平及經營業績，從而提高了股價，因此，機構投資者持股有利于提高股票投資收益率。在信息披露方面，機構投資者持股會改善上市公司的信息披露質量，因此投資者結構就會包含更多的股價信息(李春濤等，2018)。其次，滬深股票市場主要以個人投資者為主，個人投資者缺乏正確的投資理念，其非理性的交易行為容易使股票定價過高或者過低(何誠穎等，2014)。而機構投資者遵循價值投資理念(Carpenter et al.，2021)，當股價被低估時，機構選擇買進股票；當股價存在估值泡沫時，機構就會賣出股票。因此，較高的機構投資者持股比例代表股票的價值被低估，股價大概率會上漲；而較低的機構投資者持股比例代表股票的估值偏高，股價可能會下跌。最后，機構投資者可以對分析師發布的評級信息作出正確的判斷，在交易中個人投資者起到為機構投資者提供流動性的作用(孔東民，2019)，即當機構投資者買賣股票時，個人投資者會充當其交易對手方。綜上所述，由于機構投資者可以更加準確地判斷股票的價值，并且機構投資者的持股行為有利于股價上漲，所以本文提出如下假設：

H1：機構投資者持股比例越高，股票的超額收益率越高，即投資者結構是滬深股票市場的定價因子。

(二)上市板塊與投資者結構

首先，相對于滬深主板市場，創業板與科創板對投資者設置了較高的準入條件，機構投資者占比更高。以機構投資者的重要成員之一公募基金在2021年末的持股為例，滬深主板的公募基金持股市值占板塊總市值的比例為6.23%，而創業板與科創板的公募基金持股比例分別為9.24%和7.93%。因此，機構投資者可以對創業板與科創板上市公司形成更有效的監督，有利于提高上市公司的每股收益(Lee and Masulis，2011)及信息披露質量(李春濤等，2018)，機構投資者持股對創業板與科創板股票的未來收益影響更大。其次，相對于滬深主板市場，創業板與科創板以處于初創期的企業為主，科技型企業占比高，未來盈利和增長前景不確定性強，股價波動性高(王榮欣等，2018)，導致投資者對股票進行合理估值的難度相對較大。而機構投資者專業能力強，可以對股票進行合理定價，相對于滬深主板市場，機構投資者在創業板與科創板上的專業優勢更加明顯。因此，相對于滬深主板市場，機構投資者持股比例較高的創業板與科創板股票組合的超額收益更高，投資者結構因子溢價更高。最后，個人投資者在創業板市場上的非理性交易程度高于主板市場(熊艷等，2014)，在創業板與科創板市場上，進行非理性交易的個人投資者可以更好地充當機構投資者的交易對手方。綜上所述，由于在創業板與科創板市場上機構投資者持股對股價未來波動的影響更大，所以本文在假設1的基礎上提出如下假設：

H2：相對于滬深主板市場，創業板與科創板市場的投資者結構因子溢價更高。

(三)疫情沖擊與投資者結構

首先，新冠疫情導致上市公司生產經營受限及投資者情緒惡化，進而導致A股下跌。機構投資者為了獲利，傾向于與其他機構投資者保持一致的交易行為，進而形成了機構投資者的抱團行為。公募基金等機構投資者的持倉數量及持倉規模均增加，在2021年3季度末，主動型股票基金的規模同比增加了44.95%，其股票倉位為88.51%，均高于疫情前的水平。同時，境外機構投資者開始增持A股。在2021年2季度末，外資通過陸股通持有醫藥企業市值為3183億元，環比1季度增加了425億元，總體保持低速增加的態勢。在2020年初至2022年初的疫情期間，早期機構抱團股都實現了大幅上漲，之后機構開始高位減倉，之前的機構抱團股開始回調。因此，疫情沖擊導致機構投資者持股比例與股票未來收益率的正相關關系更加強烈。已有研究發現，疫情沖擊確實影響了A股市場的個股收益率(陳赟等，2020)。其次，疫情導致線上經濟快速發展，A股市場上與上市公司、行業及宏觀經濟相關的信息發布數量大幅增加，信息不對稱水平下降，機構投資者可以獲取更多信息，從而對股票價值作出更加準確的判斷，以至于機構投資者持股比例包含更多的股價信息。最后，由于疫情期間機構投資者抱團行為更加明顯及市場信息不對稱水平下降，機構投資者可以對上市公司進行更加有效的監督(Lee and Masulis，2011)，有利于改善企業經營業績及提高股價。綜上所述，由于疫情期間機構抱團加強與信息不對稱水平下降，所以本文在假設1的基礎上提出如下假設：

H3：疫情沖擊提高了滬深股票市場的投資者結構因子溢價。

四、研究設計

(一)數據選取

鑒于A股市場在2005年開始全面進行股權分置改革，本文選取數據的時間起始于2006年1季度；同時，鑒于中國的新冠疫情主要發生于2020年初到2022年初，為了研究疫情沖擊，本文選取數據的時間截至2021年4季度。本文參考Liu et al.(2019)等人處理樣本數據的方法，剔除了上市時間在一年以下的股票，其中包括北交所的所有股票，因此本文最終只選取了滬深兩市的股票作為研究樣本。因為機構投資者持股數據按季度公布，所以本文使用季度數據進行實證分析，最終選取64個季度的滬深股票市場數據開展研究。本文使用的所有數據均來源于Choice、CSMAR及Wind數據庫，其中的上市公司財務數據采用合并財務報表數據。

參考Liu et al.(2019)的研究方法，本文對樣本數據進行如下處理：(1)剔除上市時間短于1年的股票，同時剔除股票上市后最初250個交易日的數據；(2)剔除長期停牌股票，同時剔除最近1年少于120個交易日的股票；(3)剔除期末總市值最小的30%的股票；(4)剔除ST等被特殊處理的股票和已經退市的股票；(5)剔除數據有缺失的股票，同時剔除資產為負或0的股票。

(二)變量定義

已有研究通常利用機構投資者持股比例(institutional investor shareholding ratio)來衡量個股或者整個資本市場的投資者結構(Stambaugh et al.，2015；連立帥等，2019)，并且證券監管部門及交易所也采用該指標來分析投資者群體。本文中機構投資者持股比例的定義為機構投資者持有流通股的市值與個股全流通市值之比，剔除了限售股，因為限售股反映不出機構對個股的估值判斷。Fama and French(2016)在構建動量因子時，以股票從第t-12個月至t-2個月的累計歷史收益率(Prior2～12)來進行分組，本文參考這一做法，將Prior定義為股票t-4季度到t-2季度的累計歷史收益率(Prior2～4)。具體變量定義見表1。

表1 變量定義

(三)因子構建

參考Fama and French(2015)分組及因子構建方法，本文在第t年2季度末根據各指標的分位點來分組，用于確定t年3季度至t+1年2季度的各股票組合。本文按照2×3方法進行分組、構造因子：(1)按股票市值(Size)的中位數把全體股票分成小市值(S)和大市值(B)兩組，按賬面市值比(Bm)的30%和70%分位點把全體股票分成賬面市值比高(H)、中(N)、低(L)三組，將市值和賬面市值比兩個指標交叉，把全體股票分成SH、SN、SL、BH、BN、BL六個組合；(2)按歷史收益率(Prior)的30%和70%分位點把全體股票分成歷史收益率高(R)、中(N)、低(W)三組，將市值和歷史收益率兩個指標交叉，把全體股票分成SR、SN、SW、BR、BN、BW六個組合；(3)按機構投資者持股比例(Isr)的30%和70%分位點把全體股票分成機構投資者持股比例高(I)、中(N)、低(P)三組，將市值和機構投資者持股比例兩個指標交叉，把全體股票分成SI、SN、SP、BI、BN、BP六個組合；(4)計算上述各組合每一期的流通市值加權平均收益率，利用不同組合收益率之差構造規模因子(SMB)、價值因子(HML)、動量因子(MOM)及投資者結構因子(IMP)，具體因子構造過程見表2。投資者結構因子是本文研究的重點，首先計算SI、BI、SP、BP這四個組合每一期的流通市值加權平均收益率，然后利用前兩個和后兩個組合收益率之差構造投資者結構因子，即投資者結構因子是按機構投資者持股比例構造多空對沖組合的收益率。

(四)模型構建

本文通過GRS檢驗最終選擇在Carhart四因子定價模型的基礎上增加IMP因子，構建五因子模型：

其中，RP,t為t時期組合P的收益率；RF,t為t時期的無風險收益率；αP表示組合P產生的超額收益率；βM,P、βSMB,P、βHML,P、βMOM,P、βIMP,P分別表示組合P的風險收益率對相應風險因子的敏感系數；(RM,t-RF,t)為市場因素在t時期的風險溢價；SMBt(small minus big)為規模因素在t時期的風險溢價；HMLt(high minus low)為賬面市值比因素在t時期的風險溢價；MOMt(momentum)為動量因素在t時期的風險溢價；IMPt(investor minus private)為投資者結構因素在t時期的風險溢價；εP,t為誤差項，服從正態分布。

五、實證結果與分析

為檢驗投資者結構是否是A股市場的定價因子，本文首先進行了描述性統計、相關性分析及有效性檢驗，其次對Carhart四因子模型及加入IMP因子的五因子模型進行實證回歸，最后分析了投資者結構因子在不同上市板塊及新冠疫情前后的不同表現。

(一)描述性統計與相關性分析

1.描述性統計

如表3所示，SMB、HML、MOM及IMP因子的均值分別為0.073、0.036、0.013及0.026，皆顯著不為零，表明滬深股票市場可能存在規模效應、價值效應、動量效應及投資者結構因子。而市場因子的均值為-0.041，表明在樣本研究期間內，整個市場是在下跌的。描述性統計并不足以判斷滬深股票市場不存在市場效應而存在其他效應，需要進一步實證分析(李志冰等，2017)。

2.相關性分析

如表4所示，IMP與HML因子的相關系數為0.319，兩者顯著正相關，這可能是因為機構投資者主要投資于價值型股票；IMP與MOM因子的相關系數為-0.556，兩者顯著負相關，這可能是因為當股價經過大幅上漲后，機構投資者開始賣出該類股票(Carpenter et al.，2021)。

表4 因子相關性分析

(二)有效性檢驗

1.市場風格效應檢驗及冗余檢驗

市場風格效應檢驗可以檢驗因子在風險調整后是否還具有顯著的風險溢價，通常用FF三因子模型作為風險調整的基準模型。本文將MOM及IMP因子分別對FF三因子模型進行回歸，回歸截距項(α)代表該因子經FF三因子模型調整后的風險溢價。如表5的市場風格效應檢驗結果所示，MOM和IMP因子風險調整后的溢價分別為0.018和0.014，仍顯著大于零，表明滬深股票市場存在經FF三因子模型調整后仍然顯著的動量效應和投資者結構因子。對于動量效應，李志冰等(2017)研究發現，滬深股票市場不存在月頻動量效應，而陸蓉等(2021)研究發現，非彩票型股票存在顯著的月頻動量效應。本文之所以得出不同結論，可能是因為動量效應在季度頻率上表現得更加顯著，季頻收益率可以更好地描述機構投資者的交易行為。對于投資者結構因子，很少有國內文獻進行直接檢驗，市場風格效應檢驗結果初步證明了投資者結構是滬深股票市場的定價因子。

表5 市場風格效應檢驗及冗余檢驗

五因子模型冗余檢驗是用其中一個因子對其他四個因子進行回歸，回歸截距項(α)代表經其他四個因子調整后該因子的風險溢價。本文對RM-RF、SMB、HML、MOM、IMP五個因子分別進行冗余檢驗，結果如表5所示。SMB、MOM、IMP因子經其他四個因子調整后的風險溢價皆顯著為正，表明滬深股票市場存在顯著的規模效應、動量效應及投資者結構因子。RM-RF和HML因子經其他四個因子調整后的風險溢價不顯著，表明市場因子與價值因子在五因子模型中是冗余的。市場因子冗余可能是因為股票漲跌分化嚴重，個股收益受市場的影響越來越小，股價中的特質信息含量越來越高，包含的市場信息越來越少(Carpenter et al.，2021)。吳世農和許年行(2004)采用早期滬深股票市場數據研究發現，滬深股票市場不存在市場效應。價值效應冗余這一結果與田利輝等(2014)的研究相同，滬深股票市場不存在價值效應。這可能是因為，投資者結構因子包含了價值因子的相關信息，價值因子能夠被投資者結構因子解釋，機構投資者主要投資于價值型股票(孫立和林麗，2006)，表4的相關性分析也證實了這一點。

2.GRS檢驗

參考李志冰等(2017)的研究方法，本文利用G R S統計量檢驗資產定價模型的有效性。如果定價模型可以很好地解釋股票的收益波動，則GRS統計量就會很小，且原假設更不容易被拒絕。本文分別按Size-Bm、Size-Prior、Size-Isr進行5×5分組，然后分別對FF三因子模型、Carhart四因子模型及新構建的五因子模型進行GRS檢驗。

在表6的GRS檢驗結果中，相較于FF三因子模型，不同分組下的Carhart四因子模型的GRS統計量更小，表明滬深股票市場確實存在顯著的季頻動量效應，增加MOM因子有助于提高模型的解釋能力。同時，加入IMP因子的五因子模型，在不同分組下的GRS統計量大幅減小，并且在1%水平下顯著，說明投資者結構是滬深股票市場的定價因子，相較于FF三因子模型和Carhart四因子模型，本文所構建的五因子模型對投資組合的風險溢價有更好的解釋能力。

表6 GRS檢驗結果

(三)模型回歸結果

1.Carhart四因子模型：動量效應

學者對動量因子進行了大量研究，同時動量因子也是應用最為廣泛的因子之一。動量效應由Jegadeesh and Titman(1993)提出，他們發現在美國股票市場上過去3～12個月收益較高的股票在未來3～12個月也會取得較高的收益。Carhart(1997)將動量因子放入FF三因子模型中，證明了美國股票市場確實存在顯著的動量效應。Fama and French(2016)發現美國股市不存在經FF五因子模型調整后的動量效應。A股市場是否存在動量效應仍有爭議。魯臻和鄒恒甫(2007)研究發現，滬深股票市場的噪聲交易太多，存在顯著的反轉效應。高秋明等(2014)研究發現，滬深股票市場存在周度頻率的動量效應。白顥睿等(2020)研究發現，滬深股票市場存在日內動量效應及隔夜動量效應，而不存在月頻動量效應。

本文分別按Size-Prior、Bm-Prior進行5×5分組，SmallSize、Bigsize分別代表小市值和大市值股票組合，LowBm、HighBm分別代表賬面市值比低和高的股票組合，WeakPrior、RobustPrior分別代表歷史收益率低和高的股票組合。利用前文構造的因子對Carhart四因子模型進行回歸，并且主要對動量因子的回歸系數進行分析，結果如表7所示。在t-4至t-2季度累計收益率較高的組合中，MOM因子的系數顯著為正；而在歷史收益率較低的投資組合中，MOM因子的系數顯著為負，表明滬深股票市場存在顯著的季頻動量效應，這可能是因為動量效應在季度頻率上表現得更加顯著，季頻收益率可以更好地描述機構投資者的交易行為。在股價波動中，機構投資者扮演著主要角色，而個人投資者很大程度上是在充當機構投資者的交易對手方，為市場提供流動性(孔東民等，2019)。本文與已有研究發現一致，滬深股票市場存在顯著的日內、日頻(白顥睿等，2020)、周頻(高秋明等，2014)及季頻動量效應，而不存在月頻動量效應(魯臻和鄒恒甫，2007)。

2.加入投資者結構因子的五因子模型

盡管學術界比較關注資產定價問題，但并未從理論及實證方面研究投資者結構對股票橫截面收益的影響，本文通過理論分析提出投資者結構是A股市場定價因子的假設，并且對該假設進行實證檢驗。本文分別按Size-Isr、Bm-Isr、Prior-Isr進行5×5分組，PrivateIsr、InvestorIsr分別代表機構投資者持股比例低和高的股票組合，對本文構建的五因子模型進行時間序列回歸，檢驗投資者結構是否是滬深股票市場的定價因子。

如表8的回歸結果所示，在機構投資者持股比例高的投資組合中，IMP因子的系數顯著為正；而在機構投資者持股比例較低的組合中，IMP因子的系數顯著為負，表明持有機構投資者持股比例高的資產組合可以獲取較高的預期收益，投資者結構是滬深股票市場的定價因子，證實了假設H1。

這可能是因為，首先，機構投資者屬于積極的監督者，機構投資者持股有利于改善上市公司的經營業績(Lee and Masulis，2011)及提高上市公司的信息披露質量(李春濤，2018)。其次，機構投資者遵循價值投資理念(Carpenter et al.，2021)，較高的機構投資者持股比例代表股票的價值被低估，股價可能會上漲；而較低的機構投資者持股比例代表股票的估值偏高，股價可能會下跌。最后，在交易中個人投資者起到為機構投資者提供流動性的作用(孔東民等，2019)，即當機構投資者買賣股票時，個人投資者會充當其交易對手方。

(四)進一步分析

1.上市板塊與投資者結構

在滬深股票市場上，主板、創業板與科創板在服務上市公司及投資者方面的功能定位是不同的，在上市制度、投資者準入制度及交易制度等方面是有差異的。因此，本文將上海證券交易所主板與深圳證券交易所主板作為一個子樣本，同時將創業板與科創板作為一個子樣本，檢驗IMP因子溢價在這兩個不同的子樣本中是否有差異。本文分別按Size-Isr、Bm-Isr、Prior-Isr進行5×5分組，對本文構建的五因子模型進行實證回歸，檢驗不同上市板塊下IMP因子的不同表現。

如表9的回歸結果所示，在創業板與科創板投資組合的回歸中，IMP因子的系數明顯大于主板，在投資者持股比例最高的組合中，各個上市板塊的IMP因子系數基本上都顯著為正，并且創業板與科創板的系數明顯大于滬深主板，證實了假設H2，創業板與科創板市場的投資者結構因子溢價高于滬深主板。

表9 不同上市板塊下的投資者結構因子

這可能是因為，首先，相對于滬深主板市場，創業板與科創板的機構投資者占比更高，機構投資者可以對創業板與科創板上市公司形成更有效的監督，有利于提高上市公司的每股收益(Lee and Masulis，2011)及信息披露質量(李春濤等，2018)，機構投資者持股比例對創業板與科創板股票的未來收益影響更大。其次，相對于滬深主板市場，投資者對創業板及科創板股票進行合理估值的難度更大，機構投資者在創業板與科創板上的專業優勢更加明顯，持有高機構投資者持股比例的創業板與科創板投資組合的超額收益更高。最后，熊艷等(2014)研究發現，個人投資者在創業板市場上的非理性交易程度高于主板市場，在創業板與科創板市場上，進行非理性交易的個人投資者可以更好地充當機構投資者的交易對手方。

2.疫情沖擊下的資產定價

2020年初爆發的新冠疫情對上市公司及資本市場皆造成了一定的影響，已有文獻并未分析疫情沖擊下的資產定價異象，本文以2019年4季度末為時間分界點，將全樣本劃分為疫情前后兩個子樣本，以此來檢驗疫情沖擊是否導致投資者結構因子產生了不同的表現。本文分別按Size-Isr、Bm-Isr、Prior-Isr進行5×5分組，對本文構建的五因子模型進行實證回歸，檢驗疫情發生前后投資者結構因子的不同表現。

如表10的回歸結果所示，在疫情后的投資組合中，IMP因子系數明顯大于疫情前，在持股比例高的那一組中，疫情前及疫情后的IMP因子系數基本上都顯著為正，同時疫情后的系數大于疫情前，因此疫情后A股市場的投資者結構因子溢價更高，證實了假設H3。

表10 疫情沖擊下的投資者結構因子

這可能是因為，首先，新冠疫情導致機構投資者的抱團行為更加明顯。在2020年初至2022年初的疫情期間，早期機構抱團股都實現了大幅上漲，之后機構開始高位減倉，之前的機構抱團股開始回調，因此疫情沖擊導致機構投資者持股比例與股票未來收益率的正相關關系更加強烈。陳赟等(2020)研究發現，疫情沖擊確實影響了滬深股票市場的個股收益率。其次，疫情沖擊導致線上經濟快速發展，資本市場上的信息不對稱水平下降，機構投資者可以獲取更多的信息，從而對股票價值作出更加準確的判斷，以至于機構投資者持股比例包含更多的股價信息。最后，由于疫情期間機構投資者抱團行為更加明顯及市場信息不對稱水平下降，導致機構投資者可以對上市公司進行更加有效的監督(Lee and Masulis，2011)，有利于改善企業經營業績及提高股價。

六、穩健性檢驗

前文將IMP因子加入到Carhart四因子模型中構建五因子模型，證明了投資者結構是滬深兩市的定價因子。為了保證實證結果的穩健性，本文進一步將IMP因子分別加入到FF三因子模型、替換因子的Carhart四因子模型及FF五因子模型中。之所以選擇這三個模型進行穩健性檢驗，是因為這三個模型在A股市場上具有較強的適用性，有助于證明本文對投資者結構因子的實證分析結果是穩健的。

(一)FF三因子模型加投資者結構因子

本文將IMP因子加入到FF三因子模型中構建四因子模型，檢驗IMP因子經FF三因子模型調整后是否仍然顯著。本文分別按照Size-Isr、Bm-Isr進行5×5分組，然后進行實證回歸。如表11的回歸結果所示，機構投資者持股比例較高的組合存在較高的因子溢價，與基準回歸結果相同。

(二)替換因子的Carhart四因子模型加投資者結構因子

本文參考Liu et al.(2019)的研究，將Carhart四因子模型中的HML因子替換為利潤市值比因子(VMG)，檢驗經替換因子后的Carhart四因子模型調整后IMP因子是否仍然顯著。VMG因子構造方法與HML因子相同，只是將賬面市值比(Bm)替換為利潤市值比(Ep)，利潤市值比為每股收益與股價之比。本文分別按Size-Isr、Ep-Isr、Prior-Isr進行5×5分組，LowEp、HighEp分別代表利潤市值比低和高的股票組合。對此處新構建的五因子模型進行實證回歸，表12顯示的回歸結果與基準回歸相同，機構投資者持股比例較高的組合存在較高的因子溢價。

表12 穩健性檢驗：替換因子的Carhart四因子模型加IMP因子

(三)FF五因子模型加投資者結構因子

本文將IMP因子加入到FF五因子模型中構建六因子模型，檢驗IMP因子經FF五因子模型調整后是否仍然顯著。仍然采用2×3的分組及因子構造方法，盈利能力因子(RMW)基于營運利潤率(Op)構造，投資風格因子(CMA)基于總資產變動率(Inv)構造。本文分別按照Size-Isr、Bm-Isr、Op-Isr、Inv-Isr進行5×5分組，WeakOp、RobustOp分別代表盈利能力弱和強的股票組合，ConservInv、AggressInv分別代表投資風格保守和激進的股票組合。對新構建的六因子模型進行實證回歸，如表13的回歸結果所示，機構投資者持股比例較高的組合存在較高的因子溢價，與基準回歸結果相同，表明本文的實證結果是穩健的。

表13 穩健性檢驗：FF五因子模型加IMP因子

七、結論與啟示

為檢驗投資者結構是否是中國股票市場的定價因子，本文利用滬深股票市場2006―2021年的上市公司季度數據構建投資者結構因子，并且將該因子加入Carhart四因子模型中，構建了五因子模型。本文研究發現：第一，Carhart四因子模型適用于滬深股票市場，滬深股票市場存在顯著的季頻動量效應。第二，投資者結構是滬深股票市場的定價因子，經Carhart 四因子模型調整后，該因子仍然顯著。第三，相對于滬深主板，創業板與科創板的投資者結構因子溢價更高，這可能是因為創業板與科創板的投資者結構相對成熟。第四，新冠疫情提高了滬深股票市場的投資者結構因子溢價，這可能是因為疫情強化了機構投資者的抱團行為，并且降低了A股市場上的信息不對稱水平。

本文結論具有一定的政策啟示：第一，投資者結構因子的存在說明A股市場的投資者持倉或者交易結構仍然不成熟，證券監管部門可以通過加強個人投資者教育及機構投資者培育來解決該問題。在加強個人投資者教育方面，監管部門應該向個人投資者普及證券投資知識，鼓勵個人投資者將股票投資轉化為基金投資或者相關理財產品；在加強機構投資者培育方面，監管部門應該為公募基金、私募基金、保險等機構資金提供更好的制度環境。第二，投資者結構因子的存在表明個人投資者可以通過追蹤機構投資者持倉來獲取超額收益，這種模仿交易行為會導致A股市場異常波動及市場流動性下降，監管部門可以通過加強個人投資者教育來引導其交易行為。同時，監管部門可以通過完善A股市場監管體系，包括加強對上市公司信息披露的監管以及嚴厲打擊內幕交易等，為個人投資者的自主交易提供保障，以此降低個人投資者進行模仿交易的動機。 ■