第9卷第7期Vol.9

No.
72016年4月April2016非流动性、投资者情绪与股票定价——基于面板数据的实证分析傅国荣,黄薇*(重庆大学数学与统计学院,重庆401331)摘要:基于沪市A股2007年1月至2014年12月股票交易数据构建偏度、非流动性成本和投资者情绪等指标,以非流动性成本和换手率作为流动性的衡量指标.
鉴于传统资本资产定价模型(capitalassetpricingmodel,CAPM)理论假设的严苛性以及与实际的种种不符,建立了包含上述指标的面板数据回归模型.
实证检验结果表明,非流动性成本和投资者情绪显著影响了资产定价过程,证实了"非流动性补偿"的存在以及中国股市存在大量的噪音交易者.
同时表明系统风险系数和系统偏度对资产收益缺乏解释力,传统的CAPM在中国股市不成立.
关键词:金融数学;面板数据回归模型;资本资产定价模型;非流动性成本;投资者情绪;偏度中图分类号:F830.
91文献标识码:A文章编号:1674-2850(2016)07-0676-07Illiquidity,investorsentimentandstockpricing:theempiricalanalysisbasedonpaneldataFUGuorong,HUANGWei(CollegeofMathematicsandStatistics,ChongqingUniversity,Chongqing401331,China)Abstract:Inthispaper,skewness,illiquiditycostandinvestorsentimentfactorsarebuiltbasedonthetradingdataofShanghaiA-sharefromJanuary2007toDecember2014andilliquidcostandturnoverratearetakenasmeasureofliquidity.
Consideringtherigorousandimpracticalassumptionoftraditionalcapitalassetpricingmodel(CAPM)theory,apaneldataregressionmodelincorporatingabovefactorsisestablished.
Theresultsshowthatilliquiditycostandinvestorsentimenthavesignificantimpactontheassetpricingprocessbyempiricaltest,hencerevealtheexistenceofilliquiditycompensationaswellasvastnoisetradersinChinesestockmarket.
Meanwhile,theresultsshowthatsystemriskfactorandskewnessfactorhavenoexplanatorypowerinassetreturnsandthetraditionalcapitalassetpricingmodeldoesn'tcomplyinChinesestockmarket.
Keywords:financialmathematics;paneldataregressionmodel;capitalassetpricingmodel;illiquiditycost;investorsentiment;skewness0引言CAPM自建立以来,便成为现代股票定价理论的重要支柱.
CAPM有相当苛刻的前提假设,包括:资产收益服从正态分布;市场上不存在交易费用;投资者都是理性的.
然而随着股票定价理论研究的不断发展,这三条假设都被认为不符合实际,因此CAPM并不能真实准确地反映资产定价过程.
本文试图放宽这三条假设,寻找真实影响资产定价过程的因素.
现实中资产收益往往服从偏态分布.
偏度是衡量股票收益率围绕其均值非对称分布的指标,投资者作者简介:傅国荣(1990—),男,硕士研究生,主要研究方向:股票定价通信联系人:黄薇,副教授,主要研究方向:数理金融、数理统计及应用、随机分析.

E-mail:hxy6333@163.
comVol.
9No.
7April2016中国科技论文在线精品论文677往往具有正偏度的偏好.
徐静[1]通过实证检验,发现引入偏度和峰度的四阶CAPM更具解释力.
彭孝松等[2]构造了偏度修正的贝塔系数,使之能更加准确地度量系统风险.
流动性用以衡量资本市场交易资产的便捷程度.
由于现实资本市场存在交易成本,流动性因素便成为股票定价中不可忽略的一个因素.
AMIHUD等[3]利用买卖价差、HAUGEN等[4]利用换手率、AMIHUD[5]构造非流动性指标ILLIQ作为流动性的代理变量,CHEN等[6]提出流动性风险调整的三阶CAPM,都从理论或实证角度证明了非流动性补偿的存在.
在国内研究中,吴文锋等[7]、苏冬蔚等[8]、单树峰[9]、黄峰等[10]众多学者也从不同角度证明了流动性溢价的存在.
国内外对于流动性的研究相当多,大多支持流动性溢价理论.
行为金融学认为市场上存在大量的噪声交易者,这一类交易者基于错误的主观信念或者偏误认知作出决策,由此产生了投资者情绪,从而对市场造成系统性影响.
投资者情绪可以定义为来源于市场上的噪音交易者对资产价值的一种有偏差的估值.
行为金融学认为投资者情绪是对股票价格造成系统性影响的重要因素之一.
deLONG等[11]提出噪声交易者模型(DSSW模型),该模型指出由于噪声交易者的存在,给市场带来了持续的系统风险.
LEE等[12]发现投资者情绪是影响价格的系统性因子.
BAKER等[13]利用主成分分析法构造了市场投资者情绪综合指标,梁丽珍[14]基于流动性构造了个股投资者情绪指标,池丽旭等[15]基于扩展卡尔曼滤波法构造出过滤市场噪音的投资者情绪指标,都从不同角度证明了投资者情绪显著影响了资产定价.
目前大多研究表明投资者情绪是影响资产定价的系统因子之一.

本文在传统CAPM的基础上,综合考虑偏度、流动性和投资者情绪,采用面板数据回归方法,对2011年至2014年中国沪市A股进行实证分析,以验证流动性和投资者情绪是否进入了资产定价过程.

1数据与变量利用2007年至2014年沪市A股的股票日交易数据进行实证分析,数据来源于"锐思数据库".
对于每一年的股票选择,遵循以下几个准则:1)剔除ST、PT股票;2)在前一年1月1日之前已经上市,避免IPO效应;3)不存在无交易期间,每月交易天数至少12d.
选择后的股票规模如表1所示.
本文各变量均采用月度指标.
1.
1非流动性指标本文不用AMIHUD[5]构造的非流动性指标ILLIQ,而是采用黄峰等[10]构造的与ILLIQ类似的非流动性指标,其公式如下:Days11,DaysitiitdtiidttdALV==∑(1)其中,itL为股票i在t月的非流动性成本;itdA为股票i在t月第d交易日的价格振幅;itdV为股票i在t月第d交易日的成交金额;Daysit为股票i在t月的交易天数.
即股票i的t月的月非流动性成本是t月的日非流动性成本的算术平均值.
此指标与AMIHUD[5]构造的非流动性指标ILLIQ区别在于将"日收益率"换成了"日价格振幅".
之所以采用此指标是因为日价格振幅完全是开盘后的指令流所推动的交易结果,排除了非交易因素引起的价格变化,能尽量减少度量误差,更好地反映流动性水平.
本文使用投表1历年样本股数量Tab.
1Yearlysamplesizeoverthesampleperiod年份/年股票数量/只2007564200860920096432010651201166820126722013593第9卷第7期2016年4月傅国荣等:非流动性、投资者情绪与股票定价——基于面板数据的实证分析678资组合的形式进行实证研究,投资组合p的非流动性成本ptL是组合内所有股票的非流动性成本的等权平均值.
1.
2投资者情绪指标关于投资者情绪指标,多数研究只给出整个市场的投资者情绪指标,而个股投资者情绪指标的构建方法还较为有限.
本文利用梁丽珍[14]构造的个股投资者情绪指标,公式如下:Sentsign()Turnover,iiitttR=*(2)其中,sign()itR表示取股票i在t月的月收益率的符号;Turnoverit为股票i在t月的月换手率.
现有研究指出流动性与投资者情绪具有正向的内在关系,换手率是资产流动性的典型测度,并且与公司规模相关性低,可以较好地消除公司的规模效应,故可用换手率来体现投资者情绪的大小程度.
用收益率的符号是为了体现投资者情绪变化的方向.
投资组合p的投资者情绪测度Sentpt是组合内所有股票投资者情绪测度的等权平均值.
1.
3系统风险系数用itR表示股票i的t月收益率,MtR表示t月的市场组合收益率,市场组合M的收益率是所有样本股收益率的等权平均值.
无风险收益率采用上海银行间3个月同业拆放利率.
投资组合p的收益率ptR为组合内所有股票收益率的等权平均值.
对于投资组合p的t月的系统风险系数,用t月之前的36个月的收益率数据进行回归,即().
ptftptMtftptRRRReαβ3)因投资组合p的t月的系统风险系数ptβ均由t月之前的36个月的收益率数据进行回归得到,所以可以得到2011年1月至2014年12月的投资组合p的月度ptβ(2011年1月的pβ由前三年即2008年1月至2010年12月共36个月的收益率数据回归得到).
1.
4系统偏度系数由于资产的收益率并不服从正态分布,投资者往往具有正偏度的偏好,于是引入系统偏度系数,作为系统风险系数的一种补充.
投资组合p的t月的系统偏度系数由式(4)进行估计:[]()36362311ptMkMpkpMkMkkrErrErrErγ===∑∑,(4)其中,Mkr为市场组合M的超额收益率;pkr为投资组合p的超额收益率.
1.
5股票规模股票规模即股票市值(Size)与流动性相关,一般来说,股票规模越大,其价差就会越小,对价格的影响也就越小.
并且国内外研究都表明股票的预期收益率与规模负相关,对股票市值取自然对数,投资组合p的市值是组合内所有股票的平均市值再取自然对数.
1.
6换手率换手率是度量股票流动性最常见的指标之一,换手率高的股票流动性好,交易成本低,股票预期收益率与换手率之间应当存在负相关关系.
Vol.
9No.
7April2016中国科技论文在线精品论文6792实证方法本文主要利用R软件进行数据处理得到各指标数值,利用Eviews进行面板数据回归分析.
计算第K年(K=2007,2008,",2013)每只股票的年度非流动性成本,年度非流动性成本的计算方法与月非流动性成本类似,是一年的交易日的日非流动性成本的算术平均值.
然后根据第K年的股票年度非流动性成本的大小进行排序分组,分为10个投资组合,年度非流动性成本最小在第1组,最大在第10组.
之后分别计算这10个投资组合在第K+1年的月非流动性成本、月收益率、月投资者情绪和月市值,同时计算第K+1年的市场组合的月收益率.
于是得到2008年1月至2014年12月10个投资组合和市场组合的月收益率.
由于用36个月的月度收益率数据进行回归来得到系统风险系数及偏度系数,故可以得到2011年1月至2014年12月的投资组合p的月度ptβ(2011年1月由前三年即2008年1月至2010年12月共36个月的收益率数据回归得到)以及ptγ.
这样便得到了2011年1月至2014年12月10个投资组合的非流动性指标、投资者情绪指标、系统风险系数、系统偏度系数和市值.
本文使用面板数据回归的方法进行实证分析,横截面个数为10,时间序列长度为47.
建立如下两个模型:01,12,13,145,1SentLnSizeptptptptptptrLααβαγααα5)01,12,13,145,1TurnoverSentLnSizeptptptptptptrααβαγααα6)其中,ptr为投资组合t月的超额收益率;,1ptβ为投资组合t1月的系统风险系数;1,tpγ为投资组合t1月的系统偏度系数;,1ptL为投资组合t1月的非流动性指标;Sentpt为投资组合t月的投资者情绪;,1LnSizept为投资组合t1月的市值;,1Turnoverpt为投资组合t1月的换手率.
3实证结果与分析3.
1描述性统计量先给出各变量的描述性统计量,如表2所示.
表2各变量的描述性统计量Tab.
2Descriptivestatisticsforthevariables投资组合[]iEriβiγE[Li]SentiLnSizei10.
0024080.
8402950.
9668370.
0139100.
01266225.
5355220.
0011800.
9923611.
9620440.
0340610.
04705023.
6335530.
0011291.
0212192.
1117120.
0497450.
07003523.
1086040.
0012981.
0042591.
3041220.
0650740.
09346722.
7223950.
0013051.
0092231.
5831120.
0841960.
08913222.
6652760.
0043071.
0257141.
1515030.
0992000.
11517022.
3588370.
0057970.
9884110.
7496120.
1246530.
07596922.
2810980.
0056181.
0198430.
9963120.
1470240.
08214622.
0546390.
0086331.
0098260.
9224810.
1831530.
06248921.
87488100.
0101181.
0204971.
2341820.
2784130.
09075021.
65087第9卷第7期2016年4月傅国荣等:非流动性、投资者情绪与股票定价——基于面板数据的实证分析680对以上描述性统计量作简单观察.
从投资组合1到投资组合10,随着非流动性成本逐渐增加,投资组合的收益率也逐渐增加,这似乎意味着资产的收益率与非流动性成本是正相关的.

随着投资组合的收益率以及非流动性成本逐渐增加,投资组合的市值规模逐渐减少,这似乎意味着资产的预期收益率与规模负相关,规模越大的投资组合的非流动性成本越小即流动性越好.

投资者情绪与投资组合收益率之间大致呈现一种正相关关系.
系统风险系数、系统偏度系数并没有呈现规律,这似乎说明系统风险系数、系统偏度系数与资产流动性并没有联系.
3.
2实证结果实证结果如表3所示.
表32011年1月至2014年12月整个样本期间的面板数据回归结果Tab.
3EstimatesofthepooldatamodelsoverwholesampleperiodfromJan2011toDec2014模型CβγLTurnoverSentLnSizeR210.
11670.
04260.
00020.
11360.
16960.
00600.
5620(0.
9054)(0.
8173)(0.
3195)(3.
8241)(23.
8348)(1.
6042)20.
18060.
08270.
00020.
05860.
17090.
00400.
5556(1.
6512)(1.
6287)(0.
3024)(2.
7938)(23.
8477)(1.
3229)由表3可以得到如下分析结果:1)两个模型的回归结果都显示系统风险系数和系统偏度系数在0.
1的置信水平上不显著,只有模型2的系统风险系数较为显著,说明风险系数和偏度并未捕捉到资产定价的系统风险,这与国内大部分研究成果吻合.
2)模型1的回归结果显示非流动性成本与股票收益显著正相关,符合预期,表明存在非流动性风险补偿.
3)模型2的回归结果显示换手率与股票收益显著负相关,符合预期,即换手率高的股票流动性好,交易成本低,股票预期收益率与换手率之间存在负相关关系.
从另一个角度验证了流动性风险溢价的存在.
4)两个模型的回归结果都显示投资者情绪指标与股票收益之间存在显著正相关关系,投资者情绪高涨则带动股票收益的上升,反之则否.
表明投资者情绪进入了资产定价的过程.
从结果来看,投资者情绪对股票收益的影响甚至强于非流动性成本因素.
5)模型1的回归结果显示市值因素与股票收益正相关,但在0.
1的置信水平上并不显著;模型2的回归结果显示市值因素与股票收益负相关,但在0.
1的置信水平上也不太显著.
这与国内多数研究成果不甚相符.
为保证结果的稳健性,将样本期间分为两个时期,对两个模型进行同样的面板数据回归,回归结果如表4、表5所示.
表42011年1月至2012年12月的面板数据回归结果Tab.
4EstimatesofthepooldatamodelsoversampleperiodfromJan2011toDec2012模型CβγLTurnoverSentLnSizeR210.
10050.
09310.
00030.
10380.
17240.
00740.
5212(0.
5569)(0.
8797)(0.
3949)(2.
6618)(14.
6216)(1.
5783)20.
10320.
10300.
00030.
01810.
17550.
00040.
5068(0.
5760)(0.
9544)(0.
3531)(0.
5583)(14.
3227)(0.
0855)Vol.
9No.
7April2016中国科技论文在线精品论文681表52013年1月至2014年12月的面板数据回归结果Tab.
5EstimatesofthepooldatamodelsoversampleperiodfromJan2013toDec2014模型CβγLTurnoverSentLnSizeR210.
22120.
01030.
00030.
20590.
16150.
00910.
5827(0.
8479)(0.
1230)(0.
3759)(3.
2905)(17.
3520)(1.
1536)20.
26210.
07120.
00040.
11340.
17020.
00710.
5849(1.
4423)(0.
9599)(0.
4986)(3.
4683)(17.
5653)(1.
3780)两个模型在两个时期的回归结果与整个样本期间的回归结果基本相同,除了模型2在2011年2月至2012年12月回归结果中的换手率与股票收益并不显著负相关,表明回归结果是稳健的.