曹旺栋,何朝林
(安徽工程大学 数理与金融学院,安徽 芜湖 241000)
受外界环境及市场内在因素等方面的诸多影响,股市经历了数轮的牛、熊市转换。近年来,我国金融市场也经常出现“暴涨暴跌”的金融异象,传统金融学理论难以解释,而行为金融学却能够从投资者情绪的视角予以合理解释。但其研究主要集中于牛市或熊市状态下,忽略了股票市场的主体,即中性市场(以下简称“中市”)。同时,主要研究个体投资者情绪,聚焦于个体投资者的非理性行为,忽略了机构投资者行为;事实上,机构投资者行为对个体投资者具有较强的引领和示范效应,其获取、鉴别和利用信息方面的能力远大于个体投资者。因此,有必要研究不同市场状态下的机构投资者效应,探讨机构投资者策略与股票市场波动的关系。
Wang[1]认为在看涨(看跌)期间,市场回报与市场条件的波动呈负(正)相关,致使市场风险收益的平衡出现扭曲。陈晓红等[2]根据积极、中性、消极发帖量数据,运用情感分析技术构建个人投资者情绪指数,再利用多元回归模型得出网络中心里的有效信息可预测股价和成交量。Ballinari等[3]用机器学习和特定金融词典的方法对大量股票样本进行分析,预估每日个人投资者情绪,发现基于特定金融词典的投资者情绪衡量方法比机器学习的方法预估准确率更高。Yu等[4]从投资者情报中收集机构投资者情绪数据,发现投资者情绪对市场均值-方差权衡变量的影响较大,且股票市场的预期超额收益与投资者低情绪期市场的条件方差呈正相关,与投资者高情绪期的方差无关。陆静等[5]用主成分构造投资者情绪指数,用GARCH模型和Granger因果检验发现短恒生指数收益率是投资者情绪Granger的重要原因。康海斌等[6]基于SV-TVP-SVAR 模型,研究了投资者情绪、货币政策和股市波动三者之间的动态关系,结果表明投资者情绪与股市波动之间存在滞后性。皇甫玉婷等[7]选取A 股市场的非线性截面数据,采用偏最小二乘有限元法来分析投资者情绪与市场稳定性的关系,结果表明两者正向显著且趋势高度重合。Devault等[8]得出当情绪增加时,情绪交易者会从更安全的股票转向更具投机性的股票,且利用横截面模式和股权的变化,发现情绪指标捕捉的是机构投资者情况而非个人投资者。Richar d[9]对情绪指数进行分解,发现利用投资者情绪和管理情绪的残差成分可预测股票的横截面收益。熊熊等[10]则以互联网搜索指数作为投资者情绪代理变量,对投资者情绪与期货市场功能均采用回归方法进行分析,从市场微观角度揭示投资者情绪对金融市场的影响存在差异。何诚颖等[11]将自由流通股本计算的换手率和非主力资金的净流入程度作为投资者情绪指标,对中国股市异象进行三因子模型回归检验,再进行不同投资者情绪指标的联合分析,进而得出有限套利是导致A 股市场投资者情绪异象的主要原因之一。
本文以2010～2020年上证综指为样本数据,根据Pagan等[12]的判定标准,即BB法则对股票市场进行牛市、熊市划分,在此基础上提出中市概念,基于GARCH 族模型研究机构投资者情绪指数与上证综指回报率的关系。情绪指数构造方面,在易志高等[13]构建的CICSI情绪指数基础上,对BW 指数[14]进行改进,采用较主成分分析法更为精确的偏最小二乘法(PLS)对机构投资者情绪进行度量。基于GARCH 族模型,以等权日市场回报率(RME)和加权日市场回报率(RMV)为研究样本,在股市处于牛市、中市和熊市状态下研究回报率在前期投资的价值,挖掘机构投资者情绪与市场回报率之间的关系,从而引导机构投资者做出合理的投资决策。
1.1 机构投资者情绪指标选取
在易志高等[13]构建的CICSI情绪指数基础上,对BW 指数[14]进行改进,选取和上证综指相关的成交量(SHVOL)、新增开户数(FAC)、大盘乐观指数(LCOI)、买入指数(BII)、信心指数(ZEW)、市盈率-申万300(PE300)、投资者情绪指数(ISI)、上证基指成交量(SHFVOL)等8 个指标作为情绪代理变量,使用2010年1月～2020年1月的月度数据,共计121个样本(数据来源于万方数据库及东方财富金融Choice金融终端),借助SPSS软件进行相关性分析,以此来研究机构投资者情绪(IIS),结果如表1所示。由表1可见,各个原始指标都与投资者情绪指数正相关,但是各个指标之间又并非都呈现一种正向的关系,如大盘乐观指数和市盈率-申万300、买入指数和市盈率-申万300、信心指数和市盈率-申万300、上证基指成交量和市盈率-申万300呈负相关,各指标间具有相关性。
表1 变量的相关性
1.2 基于主成分分析法构建
基于表1数据,借助SPSS软件进行主成分分析,为保证累计方差解释率至少达到80%的统计标准,每次均采用其拟合出的第1～5个主成分的加权平均数,选取3个主成分,对成分进行旋转,累积达到82.82%,结果如表2所示。从表2可以看出,旋转后有3个特征值＞1,且累积解释达到82.82%,所以提取3个主成分。
表2 主成分分析结果
从表2我们列出3个主成分:
F1＝0.199×SHV OL+0.004×PE300+0.18×SHFV OL+0.19×FAC+0.112×ISI+0.244×ZEW+0.205×BII+0.23×LCOI,
F2＝0.272×SHV OL+0.127×PE300+0.25×SHFV OL+0.284×FAC+0.246×ISI-0.217×ZEW-0.322×BII-0.269×LCOI,
F3＝-0.224×SHV OL+0.846×PE300-0.262×SHFV OL+0.011×FAC+0.308×ISI+0.078×ZEW+0.057×BII+0.092×LCOI。
用3个主成分代替原来的8个指标,既消除了指标间的相关性,又减少了变量0。由上述3个主成分可以得到:
1.3 基于偏最小二乘法构建
自变量主成分与因变量的主成分之间存在线性关系,则说明上述8个解释变量与被解释变量IISPLS有着显著的相关关系,这时采用偏最小二乘回归方法建立IISPLS对8个解释变量的线性模型。同样基于表1数据,借助SPSS软件进行偏最小二乘法分析,结果如表3所示。由表3可见,可决定系数R2为0.838和调整后为0.826,提取出来的自变量成分与因变量上证综指(SH001)的相关系数比较高,存在高度线性关系,适合进行偏最小二乘回归。
表3 偏最小二乘法分析结果
根据预测误差最小原则确定3个主成分,获得偏最小二乘回归方程:
IISPLS ＝440.369+0×SHV OL-0.031×PE300-0×SHFV OL+5.970×FAC+41.231×ISI+34.609×ZEW-29.191×BII-1.512×LCOI。
1.4 选取最优方法构建投资者情绪指数
根据1.2基于主成分分析法构建IISF数据和基于2010年1月～2020年1月(同一时间)上证综指的收盘价进行对比,借助SPSS软件进行分析如图1所示。
图1 上证综指与机构投资者情绪指数(主成分分析法)对比
根据1.3基于偏最小二乘法构建IISPLS数据和基于2010年1月～2020年1月(同一时间)上证综指的收盘价进行对比,借助SPSS软件进行分析如图2所示。
图2 上证综指与机构投资者情绪指数(偏最小二乘法)对比
由图1、2对比显示,偏最小二乘法拟合的机构投资者情绪比上证主成分分析法更加接近上证综指趋势,偏最小二乘法模拟出来的投资者情绪指数为最优计量工具,因此,选取偏最小二乘法方法构建投资者情绪指数。
基于2010年1月～2020年1月上证综指的收盘价数据(数据来源于东方财富金融Choice金融终端),借助SPSS软件来反应其涨跌情况,结果如图3所示。由图3所示,期间共出现了4次波谷、3次波峰,经历了3次完成的牛、熊市交替行情。
图3 上证综指2010年1月～2020年1月的日收盘价
一般而言,采用非参数法来划分上证综指,进而判断牛市和熊市。针对我国股市的特征,基于Pagan等[12]的判定标准,设股票月度价格水平是当月各交易日收盘价的平均数。股票市场周期的具体判别过程如下:首先在时刻t,对当前月度股指水平与前后3个月的股指水平进行比较。如果该水平是最高的,则得到一个波峰;如果该水平最低,则得到一个波谷。在一个波段中可能存在不止一个的波峰或者波谷,为了保证波峰和波谷在一个波段中交替出现,选出连续波峰中最高者或连续波谷中最低者。其次,限定一个波段中的单向运行周期的持续时间为不少于4个月,但如果股市价格逆转前后价格的变化幅度＞20%,则忽略最小单向运行周期4个月的要求。相较牛、熊市而言,我们在此基础上提出中市,即股市的平衡期间,如果股市价格逆转前后价格的变化幅度不超过20%,我们称该波段为中市。对图3进行牛市、熊市、中市的划分,结果如表4所示。从表4中选择单程时长较长的牛、熊、中市的行情,以保证不同市态下股票市场投资者情绪对股票收益其波动的现象具有代表性。考察时间阶段为:2014.07.01～2015.04.28、2015.05.04～2016.02.29、2016.03.01～2016.12.22。为了保证实验稳定进行,选取市场最短的时间为基准,且3种市场选取的时间长短一样,每个市场条件均有203个日数据。
表4 牛、熊、中市市场的划分
基于Si ms等[15]理论和实证结果:即不同的经济环境下,经济变量之间的关系及货币政策效应具有非对称性特征。得益于该启示,本文尝试将投资者情绪分为乐观、悲观和平稳。同时,在对机构投资者情绪状态进行区分时,借鉴Shin等[16]的研究,采取如下统计形式进行区分:本文令DIISt ＝IISt-IISt-1,当拟合出来的t期机构投资者情绪IISt和t-1期机构投资者情绪IISt-1做差值得出的DIISt＞0时,说明机构投资者在t期转向乐观或者更乐观,当DIISt＜0,说明机构投资者在t期转向悲观或更悲观。使用1.4得到的结论,采用偏最小二乘法构建的机构投资者情绪指数IISPLS,同时使用表4得到的3个考察时间段,选取该时间段内IISPLS进行上述分析结果如表5所示。由表5可见,牛市期间的机构投资者的情绪主要以平稳为主,在熊市和中市期间机构投资者的情绪主要以悲观和乐观为主。
表5 DIIS 统计分析
4.1 研究样本的选择及统计分析
为了确保实验的一致性,选取表4的牛市、熊市和中市时间段2014.07.01～2015.04.28、2015.05.04～2016.02.29、2016.03.01～2016.12.22,共609个日数据(数据来源于万方数据库及东方财富金融Choice金融终端)。实证研究使用上证综指等权日市场回报率(RME)和加权日市场回报率(RMV)为试验对象,通过Eviews 10.0软件对日回报率进行描述性统计,结果如表6所示。
表6 原始变量描述性统计结果
由表6可见,牛市RME和牛市RMV 中SK 值比其他情况呈现出极度右偏,依据上述类似分析得出牛市RME、牛市RMV 和不具有良好的正态性,对数据进行对数处理。通过Eviews 10.0 软件对处理后日回报率进行描述性统计,结果如表7 所示。由表7 可见,处理牛市RME和牛市RMV 偏度SK 值接近0,说明牛市RME和RMV 的数据具有“微尖峰厚尾”特征。对处理后的数据借助Eviews 10.0软件进行平稳性检验,结果如表8所示。由表8可见,单位根的检验统计量ADF值,均＜1%、5%、10%显著性水平下ADF检验的临界值,表明日回报率的数据平稳。
表7 处理后变量描述性统计
表8 残差ADF检验
4.2 GARCH 族模型
(1)GARCH(p,q)模型。
从式(2)看出GARCH 模型的条件方差模型分为3 个部分:均值ω、前q期观测误差的加权平方和、前p期观测误差的加权平方和。ω、βj、αi是非负的为条件波动率为自回归项,为移动平均项,其中均值方程中条件方差项GARCH 的系数β都是显著的。β＞0则反映了收益与风险的正相关关系,说明收益有正的风险溢价。
(2)T-GARCH(p,q)模型。
T-GARCH 模型即门限GARCH 模型,是指利用虚拟变量来设定一个门限,区分正的和负的冲击对条件波动的影响。从式(3)中看出,It--k为示性函数、虚拟变量,当εt-i＜0时,It--k ＝1;当εt-i≥0时,It--k ＝0;非对称系数γk＞0时,负面消息对市场影响更大,即坏消息对波动率的影响更大。
(3)E-GARCH(p,q)模型。
E-GARCH 模型由GARCH 衍生出,是为了解释“杠杆效应”(即市场对正面消息和负面消息的反应不同,通常负面消息影响更大)。从式(4)中看出,log(σt2)表示条件方差的自然对数,若γ＝0则不存在杠杆效应;若γ≠0,则认为存在非对称性,即存在杠杆效应;若γ＞0,则负面消息的影响带来的正冲击比正面消息更大。
4.3 结果与分析
一般情况下,运用GARCH 模型以及其衍生模型对上证综指回报率的对称性和非对称性进行实证分析。最优GARCH 模型增加一次阶数,会增加一项参数约束条件,降低模型有效性,因此选用2阶以内基础GARCH 族模型。AIC可权衡模型复杂度和拟合优良性,SC可确定合适的滞后期长度,两者数值越小,模型拟合度越好。汇总3种分布下GARCH 族模型的AIC和SC值。基于表7处理后的实验数据,借助Eviews10.0软件获得各阶GARCH 族模型的AIC值和SC值,结果如表9所示。
表9 各阶GARCH 族模型的AIC 值和SC 值
由表9可见,GARCH模型优于T-GARCH模型、T-GARCH模型优于E-GARCH模型,再采用适合的滞后项拟合方差,即GARCH(1,1)模型、T-GARCH(1,1)模型和E-GARCH(1,1)。借助Eviews 10.0软件选取GARCH(1,1)模型、T-GARCH(1,1)模型和E-GARCH(1,1)进一步分析,结果如表10所示。
表10 GARCH 族模型回归分析
由表10可见,首先,机构投资者情绪并未改变资产收益与风险的关系,上证综指的回报率存在正的风险溢价。根据式(2)得出GARCH 模型和表10,由③、⑤、⑧、○1 得出,GARCH 的系数β都＞0且在1%的水平下显著,回报与风险呈正相关关系。根据式(3)、(2)的E-GARCH 波动率模型和表10,根据SIC、SC最小法则,E-GARCH 模型优于式(4)、(2)的T-GARCH 模型,①、⑥、⑨、○12 不做分析。
其次,在牛市平稳和中市乐观期,机构投资者看好中小盘股的反转效应。由②和⑩得出分别在1%和5%的显著性水平下,非对称系数都＜0,在牛市平稳和中市乐观期RME存在显著的杠杆效应,股市同等程度下“利好消息”对市场的冲击大于“利空消息”。在牛市平稳和中市乐观期,当“利好消息”出现时,相比大盘股,机构投资者更看好中小盘股,小盘股的话语权更大,价格持续上涨(利好消息)使得机构投资者对价格产生进一步上涨的预期,于是积极跟进,看好反转效应、追求超额收益。
最后,在熊市悲观期,机构投资者看好大盘股的动量效应。由④、⑦、○13 得出在5% 的显著性水平下,E-GARCH模型的非对称系数r都不为0,在牛市平稳期、熊市悲观期和中市乐观期RMV即大盘股存在显著的杠杆效应,在牛市平稳期和中市乐观期间,同等程度下“利空消息”的出现对市场的冲击大于“利好消息”,而在熊市悲观期则情况相反。在熊市悲观期,当“利好消息”出现时,为获得收益,机构投资者看好大盘股,对高估值股票进行优先配置,看好大盘股的动量效应。
源于中市的划分,机构投资者对大盘股和中小盘股的看好情况存在不同。本文首先拟合了机构投资者情绪,然后在采用较主成分分析法更为精确的偏最小二乘法对机构投资者情绪变量进行度量,再使用BB法则划分牛市、熊市和中市,将机构投资者情绪归类为牛市平稳期、熊市悲观期和中市乐观期,最后,在3种市场状态下,基于上证综指的两种回报率运用GARCH 族模型实证分析了机构投资者对利好消息和利空消息的反应。结果表明,在牛市平稳期和中市乐观期,机构投资者看好中小盘股的反转效应;在熊市悲观期,机构投资者看好大盘股的动量效应。
猜你喜欢上证综指熊市牛市科技巨头：如何理解最近的科技股牛市 精读英语文摘(2020年6期)2020-09-21牛市或延续至全年，甲鱼接下来还会再涨一轮吗?当代水产(2019年8期)2019-10-12秋季化肥需求不足 未来或仍持续“熊市”今日农业(2019年13期)2019-01-03利剑能否终止美股十年牛市证券市场红周刊(2018年41期)2018-05-14全球主要指数走势点评股市动态分析(2016年11期)2016-10-11全球主要指数走势点评股市动态分析(2016年10期)2016-09-30封面文章 熊市加减法销售与市场(营销版)(2016年8期)2016-09-13上证综指股市动态分析(2016年25期)2016-07-23上证综指股市动态分析(2015年35期)2015-09-10熊市未到买进时卓越管理(2008年7期)2008-08-19
