中國股票市場的領先滯后效應

摘 要：利用中國A股上市公司日度與分鐘級的數據，研究了股票間收益率領先滯后關系的影響因素。研究結果表明，規模較大的公司對市場信息反應更快，其股票收益率先于規模較小的公司變動。在時間序列上，相較于日度數據的研究結果，使用分鐘級數據的領先滯后效應指標具有更大幅度的衰減，說明我國A股的信息有效性在不斷提升。此外，發現交易量和分析師覆蓋率也是影響領先滯后關系的重要因素。

關鍵詞：領先滯后效應；規模；交易量；分析師覆蓋率

中圖分類號：F830.91 文獻標志碼：A" " " " ""文章編號：1005-9679（2024）01-00-06

The Lead-Lag Effect in Chinese Stock Market

HUANG Yuqing WU Fei

（Shanghai Advanced Institute of Finance， Shanghai Jiao Tong University， Shanghai 200030， China）

Abstract： Based on the daily and minute data of China's A-share listed companies，this article studies the influencing factors of the lead-lag relationship between stock returns. The results show that larger companies respond more quickly to market information，and their stock returns change earlier than smaller companies. In terms of time series，compared with the results of daily data， the lead-lag effect index of minute level data has a greater attenuation，which indicates that the information effectiveness of a shares in China is constantly improving. In addition，trading volume and analyst coverage are also important factors affecting the lead-lag relationship.

Key words： lead-lag effect; size; trading volume; analyst coverage

0 引言

經典的資產定價理論認為，在一個沒有摩擦的完全市場中，整個市場信息的傳播是瞬間的，每個參與者都會同時對其做出反應，然而現實世界中存在著相當大的摩擦，會減緩信息傳遞的速度。

不同的企業對市場信息的反應速度不同，存在較明顯的領先滯后效應。Lo和MacKinlay（1990）發現投資組合收益是高度自相關的。此外，他們還發現這種關系是不對稱的，小公司當期的股票收益率與大公司前期的股票收益率之間的相關性遠強于大公司當期的股票收益率和小公司前期的股票收益率之間的相關性。

關于領先滯后現象有三種解釋。第一種解釋是傳統的論點，認為交叉自相關是非同步交易的結果。第二種解釋是預期收益會隨時間變化，從而引起領先滯后效應（Conrad和Kaul，1988）。對于前兩種解釋，有論文（Lo和MacKinlay，1990；Mech，1993；McQueen，Pinegar和Thorley，1996；Hou，2007）表明，它們只能解釋交叉自相關現象的一小部分。本文參考第三種解釋，認為股票收益率對共同信息的調整速度是不同的（Hou，2007；Menzly和Ozbas，2010；Huang，Jiang，Tu，等，2015）。市場信息傳遞緩慢的原因包括交易成本、市場不完全、法律限制和其他摩擦等。

在本文中，我們研究了中國市場的領先滯后現象。我們首先對大公司組成的投資組合收益和小公司組成的投資組合收益進行交叉自相關分析，測試了大小投資組合收益之間的可預測性。利用日數據，我們發現大投資組合的滯后收益率與小投資組合當前收益率的相關性遠強于小投資組合的滯后收益率與大投資組合當前收益率的相關性。然而，當使用分鐘級數據時，由于有些股票根本不交易，非交易問題導致分鐘級數據不能反映投資組合之間的可預測性。

接下來，我們采用了Chordia和Swaminathan（2000）提出的速度調整度量方法。我們對每個投資組合都采用Dimson回歸，其中回歸式左邊是投資組合的當前回報，右邊是市場的當前和滯后回報，調整速度基于當前和滯后項前的系數（貝塔）。結果表明，無論是日數據還是分鐘級數據，大投資組合收益率的調整速度都比小投資組合收益率快得多。我們還發現隨著時間的推移，日度數據和分鐘級數據均顯示出弱化的領先滯后效應，說明市場的有效性在增強。同時，分鐘水平上的領先滯后效應弱化幅度高于日度數據，表明市場交易頻率加快，日內交易次數增加。

在最后的部分中，我們進一步尋找領先滯后關系的其他決定因素。Chordia和Swaminathan（2000）發現在控制了規模后，交易量高的投資組合會領先于交易量低的投資組合回報率變動。在中國股市中，我們發現無論是使用日度數據還是分鐘級數據，控制公司規模之后，交易量高的投資組合回報率均會領先于交易量低的投資組合。因此，我們認為成交量是導致領先滯后效應的決定因素之一。除了交易量，之前有學者發現分析師覆蓋率也是領先滯后效應的一個重要決定因素（Chordia和Swaminathan，2000；Hou，2007；Crawford， Roulstone和So，2012）。研究表明，在日數據和分鐘級數據下，控制了規模后分析師覆蓋率高的公司組合收益率領先于分析師覆蓋率低的公司。

本文對股票市場領先滯后效應的研究有所貢獻。第一，我們發現了中國股票市場日內數據上的領先滯后模式。與Hou（2007）的觀點一致，本文認為對共同信息不同的調整速度會導致股票市場的領先滯后效應。第二，我們發現領先滯后效應在日度和分鐘級數據上均有所減弱，且分鐘級數據減弱程度更大，與金融市場愈加成熟完善一致。第三，我們研究了公司規模外的其他決定因素。之前的學者指出，交易量和分析師覆蓋率在領先滯后效應中也起著關鍵作用（Chordia和Swaminathan，2000；劉煜輝等，2004；Hou，2007；Crawford，Jones和Roulstone等，2012），本文采用日數據和分鐘級數據，發現在中國股市中，在控制規模后，成交量和分析師覆蓋率都是決定領先滯后效應中非常重要的部分。

論文的其余部分安排如下。在第1節中，我們描述了數據及其處理過程。在第2節中，我們對大公司組成的投資組合收益和小公司組成的投資組合收益進行了交叉自相關分析。在第3節中，我們研究了不同投資組合的調整速度差異。在第4節中，我們研究了在控制規模后，成交量和分析師覆蓋率在該效應中的作用。第5節為總結。

1 數據

我們的樣本包括2004年1月至2019年5月上海和深圳證券交易所的所有A股上市公司，利用日收益率和分鐘收益率來估計中國股市的領先滯后效應。隨著高頻交易的增多和信息傳播速度的加快，利用更高頻的數據來探索領先滯后模式是必然的。我們把收益率與從WIND得到的規模、指數、交易量和分析師覆蓋率等數據進行匹配。

規模是指第t年6月底或12月底股票的市值。交易量是t年1月至6月或t年7月至12月的平均交易量。然后，將半年末的規模和交易量與下一個半年的回報進行匹配。分析師覆蓋率是指t-1年1月至12月對公司進行年度盈利預測的分析師報告總數。我們將分析師覆蓋率與t年的收益率數據相匹配，因為很多公司半年更新時只有一份報告，所以選擇一整年作為分析師覆蓋率的頻率。

我們將所有A股上市公司按照上一個半年末的市值，分成四種規模的投資組合，每個組合公司的數目相等，計算出下一個半年每個投資組合的平均日收益和分鐘收益。

我們對觀測值進行了5%水平上的極值處理，并對收益率進行描述性統計，表1和表2展示了由規模最大的公司組成的投資組合P1（規模處于前25%的公司）和由規模最小的公司組成的投資組合P4（規模處于后25%的公司）的收益率，統計包括日度和分鐘級收益率的平均值、標準差、最小值和最大值。小公司的平均回報率總是高于大公司，日度數據高了約為13個基點，分鐘級數據高了約為0.12個基點。

如果股票價格對信息反應緩慢，那么價格上漲之后依舊會出現價格上漲，價格下跌時也是如此。因此，股票投資組合收益率的自相關系數應該是正的。表1和表2中的一階自相關系數在1%的水平上均顯著為正，與假設一致。

2004年1月至2019年5月，最大和最小投資組合中的公司平均數量分別為494家和495家。表3報告了由不同公司組成的投資組合規模的平均值和標準差等。4個投資組合的平均規模依次為42.84億元、6.33億元、3.68億元和2.73億元。

2 交叉自相關分析

我們研究了交叉自相關并把重點放在了極端規模的投資組合上。根據我們的預期，AR（1）模型將得出最大投資組合的滯后收益R1，t-1與最小投資組合的當期收益R4，t之間的相關性應該高于最小投資組合的滯后收益R4，t-1與最大投資組合當前收益R1，t之間的相關性。也就是說，corr（R1，t-1， R4，t）gt; corr（R4，t-1， R1，t）。

表4和表5報告了投資組合交叉自相關分析的結果。在表4中，我們發現日數據中最大投資組合的滯后收益與最小投資組合的當前收益之間的相關性為0.119，并且在1%的水平上顯著。最小投資組合的滯后收益與最大投資組合的當期收益之間的相關性為0.035，在5%的水平上顯著。結果很好地滿足了我們的預期，即大公司組成的投資組合收益對小公司組成的投資組合回報的可預測性大于小投資組合回報對大投資組合回報的可預測性。在表5中，當使用分鐘數據時投資組合之間沒有這種可預測性。有些股票根本不交易，非交易問題可能會導致分鐘級數據失去可預測性。

3 調整速度

這一部分研究了規模差異和整個市場信息調整速度之間的關系。我們發現，無論是在日數據還是分鐘級數據下，由大公司組成的投資組合收益率比小公司組成的投資組合收益率對共同信息的調整速度更快。

本文采用Chordia和Swaminathan（2000）提出的調整速度測量方法，基于Dimson貝塔回歸得出當前和滯后貝塔。從2004年1月到2019年5月，估計投資組合的Dimson貝塔回歸為：

Ri，t＝αi+∑3k＝－3βi，k Rm，t－k+εi，t （1）

其中，Ri，t是投資組合的每日（分鐘）的回報率，Rm，t－k是整體市場每日（分鐘）的回報率，市場收益率為樣本中所有股票的平均收益率。βi，k是滯后k期的市場收益率系數，我們用日數據進行回歸，得到各年份的貝塔。相應地，當使用分鐘級數據時，我們得到了每天的貝塔。

調整速度與同期和滯后的貝塔有關。考慮兩個投資組合1和2。當且僅當投資組合1的同期貝塔系數β1，0大于投資組合2的同期貝塔系數β2，0，且投資組合1的滯后貝塔系數小于投資組合2的滯后貝塔值時，投資組合1的收益率比投資組合2的收益率對公共信息反應更快。更精簡的表述：當且僅當（小于時，投資組合1的收益率比投資組合2的收益率對公共信息反應更快。

對于上述Dimson貝塔回歸，將調整速度定義為，然后我們將它的對數變換作為調整速度的度量方式：

DELAYi＝， 其中x＝" " " " " （2）

對數變換有幾個優點。首先，它在x上是單調的。其次，轉換可以減弱異常值的影響，這些異常值可能是太大或太小。它將所有x轉換為0到1之間的值。DELAY接近0的投資組合對整個市場信息的調整速度很快。同時，當投資組合的DELAY接近1時，意味著投資組合對市場中的信息反應緩慢。我們用這個指標來檢驗不同投資組合的調整速度。

表6給出了由最大規模的公司組成的投資組合和由最小規模的公司組成的投資組合的DELAY，用日度和分鐘級數據分別報告2004年至2019年的DELAY差異（對于分鐘數據，我們將每年所有交易日的DELAY平均）。DELAY1代表由最大規模的公司組成的投資組合的DELAY，DELAY 4代表由最小規模的公司組成的投資組合的DELAY。結果表明，在日度數據下，最大投資組合與最小投資組合的DELAY差異為-0.030，在1%的水平上顯著。在分鐘級數據下，最大投資組合與最小投資組合的DELAY差為-0.063，在1%的水平上顯著。這兩個數據都表明，最大的投資組合比最小的投資組合對市場信息的調整速度更快。

圖1顯示了極端組合之間DELAY差的絕對值隨時間變化的情況，可以看到，無論是在日度數據上還是在分鐘級數據上，領先滯后效應都在弱化，但是在分鐘級數據上弱化得更快。這是符合實際情況的，因為隨著金融市場更加成熟，市場有效程度逐漸提升，日內交易頻率逐漸增加。

4 領先滯后效應的其他決定因素

4.1 交易量

Chordia和Swaminathan（2000）發現在控制規模后，交易量是領先滯后效應的重要決定因素。考慮到交易量與規模的相關性，我們首先將樣本中的所有公司按其規模分成4個投資組合。然后在每個規模分位數上，根據上半年的平均交易量將其進一步劃分為4個投資組合，即總共有16個投資組合。

表7報告了DELAY差的結果，從日數據來看，每個規模分位數中交易量最高的投資組合在1%水平上顯著領先于最低交易量的投資組合。兩個極端交易量組合的DELAY差依次為0.036、0.022、0.014和0.017。當按成交量對股票進行統一排序時，最高成交量組合與最低成交量組合之間的DELAY差為-0.020。從分鐘級數據看，各規模分位數中不同極端交易量組合的超前滯后效應也非常明顯，均在1%水平上顯著。只看交易量時，最高成交量組合與最低成交量組合的DELAY差為-0.057，在1%水平上顯著。因此，我們肯定成交量對超前滯后效應起決定性作用的預期。成交量高的股票比交易量低的股票對整個市場信息的反應更快。

4.2 領先滯后效應中的分析師覆蓋率

之前有學者發現，分析師的盈利預測也會影響領先滯后效應（Hou，2007；Crawford等，2012）。我們從WIND收集了有關分析師報告數量的數據，類似之前對交易量所做的處理，因為規模和分析師覆蓋率之間存在相關性，所以首先將樣本中的所有股票按其規模分成四組。然后，把上一年沒有分析師做過盈利預測的股票歸類為Pi4，其中i代表股票規模中第i個分位數。然后，根據分析師報告的數量，將剩下的股票分成三份。在過去一年中被分析師跟蹤過的公司組合中，我們關注Pi1和Pi3，這兩個投資組合分別代表每個規模分位數中被分析師跟蹤最多的前33.33%的公司和后33.33%的公司。

表9顯示了日度數據中的領先滯后效應。我們研究了在每個規模分位數內，被分析師跟蹤最多的投資組合與沒有被分析師跟蹤的投資組合（Pi1和Pi4）之間的DELAY差異時，結果顯示，領先滯后效應在1%的水平上是顯著的。更具體地說，兩個投資組合在每個規模分位數上的DELAY差分別為-0.039、-0.025、-0.021和-0.021。然后我們研究了在每個規模分位數中有分析師跟蹤的兩個極端情況（Pi1和Pi3）的DELAY差。結果表明，領先滯后效應在1%水平上也都非常顯著。例如，在最大的規模分位數中，被分析師跟蹤最多的投資組合DELAY顯著地比被分析師跟蹤最少的投資組合DELAY小0.031。最后，我們比較了被分析師跟蹤最少的組合與沒有被分析師跟蹤的組合（Pi3和Pi4）之間的DELAY差異。同樣，領先滯后效應非常顯著，兩種投資組合在每個規模分位數上的DELAY差為-0.007、-0.004、-0.008和-0.021。

在表10中，我們使用分鐘級數據，結果與表9中報告的結果相似。當比較投資組合Pi1和Pi4、Pi1和Pi3、Pi3和Pi4之間的DELAY差異時，除了P43和P44外，在1%的水平上，其他組合之間的領先滯后效應都在1%水平上顯著。這是可以理解的，一方面，P43和P44處于最小的分位數，有更多的噪聲；另一方面，這一對的分析師覆蓋率差異也比其他組合小。

綜上所述，分析師覆蓋率在領先滯后效應中起著重要作用。除去規模因素，分析師覆蓋率高的投資組合比分析師覆蓋率低的投資組合對市場信息反應更快。

5 結論

本文研究了我國股票市場的領先滯后效應，利用日度和分鐘級數據進行了實證分析，結果表明，規模是領先滯后效應的重要因素，大公司組成的投資組合收益率顯著領先于小公司組成的投資組合。此外，本文發現了領先滯后效應隨時間在減弱，且分鐘級水平上的減弱大于日度數據，與金融市場的愈加完善、信息有效性的提升、日內交易頻率的提高等客觀事實符合。不僅如此，我們還發現在控制了規模之后，交易量和分析師覆蓋率也對這一現象起到了關鍵作用，交易量高和分析師覆蓋率高的公司對市場信息的反應更快，收益率領先于交易量低和分析師覆蓋率低的公司。

參考文獻：

［ 1 ］ LO A W， MACKINLAY A C. When are contrarian profits due to stock market overreaction？[J]. Review of Financial Studies， 1990， 3（2）： 175-205.

［ 2 ］ CONRAD J， KAUL G. Time-variation in expected returns[J]. Journal of Business， 1988， 61（4）： 409-425.

［ 3 ］ MECH T S. Portfolio return autocorrelation[J]. Journal of Financial Economics， 1993， 34（3）： 307-344.

［ 4 ］ MCQUEEN G， PINEGAR M， THORLEY S. Delayed reaction to good news and the cross-autocorrelation of portfolio returns[J]. The Journal of Finance， 1996， 51（3）：889-919.

［ 5 ］ HOU K. Industry information diffusion and the lead-lag effect in stock returns[J]. Review of Financial Studies， 2007， 20（4）： 1113-1138.

［ 6 ］ MENZLY L， OZBAS O. Market segmentation and cross-predictability of returns[J]. The Journal of Finance， 2010， 65（4）：1555-1580.

［ 7 ］ HUANG D， JIANG F， TU J， et al. Investor Sentiment Aligned： A Powerful Predictor of Stock Returns[J]. Review of Financial Studies， 2015， 28（3）： 791-837.

［ 8 ］ CHORDIA T， SWAMINATHAN B. Trading volume and cross-autocorrelations in stock returns[J]. The Journal of Finance， 2000， 55（2）：913-935.

［ 9 ］ CRAWFORD S S， ROULSTONE D T， SO E C. Analyst initiations of coverage and stock return synchronicity[J]. The Accounting Review， 2012， 87 （5）： 1527–1553.

［10］ 劉煜輝， 熊鵬. 中國市場中股票間領先-滯后關系的規模與交易量效應[J]. 世界經濟， 2004（8）：50-59.

作者簡介：黃雨晴（1995—），女，湖北黃石人，上海交通大學上海高級金融學院碩士研究生，研究方向：實證資產定價和行為金融，E-mail： yqhuang.18@saif.sjtu.edu.cn；吳飛（1971—），男，廣西陸川人，愛爾蘭都柏林學院大學金融學博士，上海交通大學上海高級金融學院教授，研究方向：行為金融、市場微觀結構和國際金融市場，E-mail： fwu@saif.sjtu.edu.cn。