股票市场信息流对收益率及其波动的影响研究_信息流论文

股市信息流对收益率及其波动的影响研究，本文主要内容关键词为：收益率论文,信息流论文,股市论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

修订日期：2012-05-03

0 引言

对金融市场中资产收益率及其波动特性的研究，是分析金融风险度量、金融资产定价等热点问题的基础。对这些热点问题的定量研究，其前提是对资产收益率及其波动特性进行准确的刻画。因此，对资产收益率及其波动特性进行研究具有重要的意义。

传统金融理论认为，金融市场中资产收益率及其波动都是由到达市场的信息流产生的。通常学者使用原始交易量或者处理后的交易量作为信息流的代理变量，来解释市场资产收益率及其波动特性。在信息流对收益率影响的研究中，混合分布假说(MDH)[1]及其进一步发展的模型[2-5]为“交易量可以代理信息流”提供了有力的理论支持。他们的研究表明：资产价格变动和交易量是由一个潜在的、不可观测的信息流过程共同驱动的，当信息流到达市场时，将同时产生价格变动和交易量；资产价格变动是一个从属过程，交易量或交易次数可以作为信息流的代理指标。除了上述研究外，Gallant等[6]对原始交易量进行了去时间趋势和日历效应等处理，提高了量价关系研究的现实性，发现大的价格变动伴随着高的交易量。张博[7]根据混合分布假说，研究中国上海证券A股市场的价量关系，将交易量分解为信息交易量(信息驱动产生的交易量)和非信息交易量，结果显示信息交易量对于价格变动具有较高的解释能力。Darolles等[8]将市场上的交易分为信息驱动的交易和流动性套利交易，前者导致当日资产价格变动，并产生交易量；后者只产生交易量，不会导致当日的价格变动。这意味着只有信息驱动产生的交易量(信息交易量)才能代理信息流，用原始交易量作为信息流的代理并不合理。

在信息流对收益率波动影响的研究中，Lamoureux和Lastrapes[9]最先把原始交易量引入到GARCH模型对其进行研究。他们认为随机信息流在影响股票价格波动的同时，也影响了交易量。虽然到达市场的信息流无法观测，但交易量可以作为信息流的代理变量。他们以20只股票作为样本进行实证检验，结果显示在引入交易量的GARCH模型中，表示收益率波动持续性的ARCH效应减少甚至消失。此后，大量学者在此基础上进行了拓展，Bessembinder和Seguin[10-11]把交易量分解为预期交易量和非预期交易量，发现非预期交易对价格波动的冲击更大。Brailsford[12]研究澳大利亚股票市场，发现在GARCH模型的条件方差方程中即期交易量能显著降低股票回报波动的持续性。Miyakoshi[13]以东京股票交易所的个股和指数为研究对象，把交易量引入到ARCH和EGARCH模型中，研究结果表明交易量能减少个股和指数收益波动的ARCH效应。此后，国内涌现大量的文献以原始交易量或处理后的交易量作为信息流的代理变量引入到GARCH类模型的波动方程中，研究信息流对股票收益率波动的影响。其中具有代表性的有：高玉卓等[14]把交易量分解为预期交易量和非预期交易量，引入到GARCHM模型的波动方程中，通过实证研究发现非预期交易量对中国股票市场的解释能力比预期交易量的解释能力更强，并认为交易量所替代的信息流是引起股票价格波动的根源。李双成等[15]在非对称成分GARCH模型中引入预期交易量和非预期交易量，发现非预期交易量所代表的市场新信息是引起价格波动的根源。夏天和胡日东[16]的研究表明交易量对中国股市的股价波动有一定的解释能力。

上述文献表明：交易量可以代理信息流，信息流对股票的收益率及其波动都有一定的解释能力。然而，Karpoff[17]、陈怡玲和宋逢明[18]分别在美国股票市场和中国股票市场发现非对称的交易量—价格变动关系。赵留彦和王一鸣[19]、李双成等[15]在对称的GARCH类模型中引入预期交易量和非预期交易量，发现利空信息对波动的冲击要大于同等强度利好信息对市场波动的冲击。Lee等[20]研究了中国股票市场中交易量和收益波动之间的关系。研究结果显示若将交易量作为信息流的替代变量，交易量对股票收益波动特性并没有显著的解释能力。张小勇和马超群[21]、文凤华等[22]使用非预期交易量与去异方差的非预期交易量作为信息流的代理变量，引入到GARCH模型的波动方程中，并选取不同国家的综合指数进行实证研究得到相似的结论：不同的市场上，处理后的交易量序列对价格波动持续性的解释能力不同，市场化成熟度越高的国家，处理后的交易量对价格波动持续性的解释能力越强，其中对美国股票市场波动持续性的解释能力最强，中国的最弱。文献[15，17-19]都是从传统金融理论下分析“利好与利空信息流对收益率及其波动影响的非对称性”，虽然他们的模型能刻画这种非对称现象，但是他们在传统金融理论框架下没有对这种现象进行合理的解释。文献[20-22]表明“在中国股票市场上信息流对收益率波动特性的解释能力较弱”，此现象在传统金融理论框架下也没有得到合理的解释。现有的研究[23-25]表明，上世纪七十年代兴起的行为金融理论对很多传统金融理论所无法解释的金融现象能进行合理的解释。他们认为，金融市场并不是有效的，投资者的非理性行为导致金融市场产生很多异象，从投资者行为偏差角度可以解释这些金融异象。鉴于此，本文也从行为金融角度对上述两个现象作进一步的研究，检验投资者的行为偏差是否能解释这两个现象。Kahneman和Tversky[26]首次提出了“价值函数(value function)”，此后成为了行为金融理论中的核心概念之一，它能刻画投资者“心理账户”和“损失厌恶”等心理特性引起的行为偏差。Barberis和Wei[27]、Bhootra和Hur[24]等发现价值函数所能刻画的行为偏差对资产收益率与收益率波动会产生一定的影响，张维等[28]的研究显示前景理论(包含价值函数)能解释金融波动的非对称性。因此，本文使用价值函数对上述两个现象进行解释。

本文用非预期交易量序列作信息流代理变量，使用价值函数及相关理论研究信息流对资产收益率及其波动的影响；同时与以往研究信息流对资产收益率及其波动影响的模型相比较，寻找能更好刻画资产收益率及其波动特性的模型。

1 理论基础与模型构建

1。1 信息流代理变量选取

混合分布假说及其扩展的理论认为，资产价格变动和交易量都是由信息流驱动的，资产价格变动是一个从属过程，交易量可以作为信息流的代理变量来解释资产价格的变动[1-5]。Lamoureux和Lastrapes[9]在研究收益率波动时，认为虽然信息流无法观测，但交易量可以作为它的代理变量。他们将原始交易量引入到GaRCH模型，用来解释收益率波动的特性。

最初的研究中，大多学者是直接将原始交易量作为信息流的代理变量来研究市场信息与价格之间的关系。但后来有许多学者(如admati和Pfleiderer[29])把交易量分解成流动性交易量和信息交易量，其中流动性交易量是由于投资者流动性需求或调整头寸产生的交易量，这种交易量对价格影响较小；而信息交易量是由新到达的信息引起的交易量，价格的变动主要由此交易量引起的。因此，只有信息交易量才能作为信息流的代表。信息交易量的获取是非常困难的，且方法也不统一，通常学者们使用非预期的交易量作为信息交易量的替代指标。又因为信息交易量可以代表信息流，所以非预期的交易量可以作为市场信息流的代理变量。

原始交易量分解成预期的交易量和非预期的成交量有多种方式，但国内外学者通常采用Gallant等[6]的研究方法。Gallant等认为，交易量序列既含有线性时间趋势也含有非线性时间趋势，并提出了一套交易量预处理方法。本文对原始交易量采用与此类似的处理方法：

1.2 信息流对收益率的影响建模

传统金融理论认为，市场是有效的，信息流对资产收益的冲击过程是线性形式，信息流与资产收益率的关系可以表示如下

其中为资产收益率的绝对值，表示资产价格的变动；代表信息流。

但是后来大量的研究(如Karpoff[17])发现，利好信息与利空信息对资产收益率的影响是非对称的，利空信息对资产收益率的影响要大于同等强度的利好信息对资产收益的影响(如图1所示)。传统金融学者仍然使用线性的形式刻画这种非对称关系。由于作为信息流的代理变量只能代表t期信息流的强度(通常也称为t期信息流的流动速率或信息到达的数量)，并不能区分信息流的正负(利好与利空)；为了区分正负信息流，本文根据现实情况假设：当即期收益率为正或零时，所对应的表示正信息流的强度，当即期收益率为负时，所对应的表示负信息流的强度。因此，区分正负后的信息流与资产收益率的关系用线性形式刻画可以表示如下②

模型(4)是在传统金融理论下建立的，虽然它能刻画部分利好信息与利空信息对资产收益影响的非对称性，但对这种现象的解释缺乏合理的理论支撑。本文从行为金融角度来分析这种“非对称现象”。行为金融理论认为市场并不是有效的，投资者的非理性行为会使得正负信息流到达市场，经过投资者的主观加工后形成非对称的实际收益率；且其形成过程是一个非线性过程。

图1 非对称的信息流(I)—资产收益率(R)关系

Fig.1 Asymmetric relation of "I" and "R"

Kahneman和Tversky[26]通过心理学实验提出了前景理论，前景理论由价值函数和概率权重函数两部分组成。其中价值函数描述决策者(相对于股票市场就是投资者)对于客观财富改变的主观感受所形成的价值。目前，存在多种价值函数的表达形式，其中，Wakker和Zank[30]提出的两阶段幂函数型价值函数使用最为广泛，它实际上是Tversky和Kahneman[31]提出的价值函数形式的一个变形。模型具体形式如下

其中衡量决策者对第t期客观财富变化(或波动)的主观价值判断，表示第t期的客观财富变化(或波动)量；a、b、α和β的值全为正值，其中a、b系数用来反映收益区域与损失区域的陡峭程度，若a＞b，即损失区域比收益区域更陡，表示决策者损失厌恶；α、β表示收益区域与损失区域价值幂函数的凹凸度，即反映投资者对客观财富变化敏感性递变的速度。

1.3 信息流对收益率波动的影响建模

股票收益率波动是不可直接观测的，但它的一些特性在资产收益率序列中能普遍观测到。股票收益率波动具有聚集性、持续性等特性。Engle[32]提出的ARCH模型能很好地刻画收益率序列的波动聚集性，但当模型回归阶数较大时，模型形式就比较复杂。为了解决这一缺陷，Bollerslev[33]在ARCH模型的基础上提出了GARCH模型，其表达形式如下

其中D(x)、D(y)都为阶跃函数

D(x)=｛1，正收益部分

0，负收益部分

D(y)=｛0，正收益部分

1，负收益部分

模型(9)以及现有的非对称GARCH模型(如EGARCH模型)都是在传统金融理论下建立的。虽然这些模型能刻画利好信息和利空信息对收益率波动冲击的非对称性，但是信息为什么会对收益率波动产生非对称的影响，信息是如何影响收益率波动等方面，这些模型并没有一个合理的理论解释。因此，本文试图从行为金融理论的角度对这种“杠杆效应”作合理的解释。行为金融理论认为，信息流对收益率冲击形成客观的波动率，同时会经过投资者的主观加工得到实际波动率。投资者对利好信息和利空信息形成客观的波动率后的主观加工并不一致，于是形成利好信息与利空信息对波动的“杠杆效应”。由价值函数及其相关理论可知，当强度为的正信息流到达市场，引起资产价格的变化(产生客观收益率)，从而会形成大小为的客观收益率波动，投资者对客观收益率波动进行主观加工后得到大小为

其中D(x)、D(y)与模型(9)中的表达形式一样，ζ和τ分别与方程(3)中α和β的含义类似。

2 实证分析

2.1 样本及其统计特征

本文采用中国股票市场的两个综合指数(上证指数和深证成指)作为研究样本。数据来源于同花顺金融数据库，样本的时间跨度为2006年12月1日至2011年11月30日，选取的数据包括上证指数和深证成指复权后的日收盘价和日交易量，去掉异常值，各序列的样本数量均为1216。

本文把日收盘价序列，对原始日交易量序列取自然对数得到日对数交易量统计结果如表1，表中上证指数和深证成指的收益率和对数交易量序列，J-B统计量都在1%的显著性水平下拒绝正态分布；t统计量在1%的显著水平下显著，说明这些变量不存在单位根。

2.2 信息流代理变量的计算

2.3 实证分析信息流对收益率的影响

本文使用作为信息流的代理变量，对模型(4)和模型(6)进行回归，得到的回归结果分别如表3和表4所示。模型(6)与模型(4)相比，无论是正收益部分还是负收益部分，上证指数和深证成指中模型(6)的AIC值都小于模型(4)的AIC值，说明模型(6)中信息流对收益率的解释能力强于模型(4)。因此，使用价值函数形式(模型(6))研究信息流与收益率之间的关系优于使用线性形式(模型(4))进行研究，同时也说明中国股票市场并不是有效的。

模型(4)和模型(6)的估计参数都在1%的显著水平下显著。模型(6)中，上证指数和深证成指负收益部分系数b'的值大于正收益(包括0)部分系数a'的值，说明中国股票市场中投资者存在损失厌恶特征。上证指数和深证成指α'和β'值都大于1，那么模型(6)中对应的图形(价值函数图形)在收益区域是凸的，在损失区域是凹的，价值函数图形呈现出反“S”型(如图2所示)，这与文凤华等[35]使用股票市场交易数据的研究结论一致；但与Kahneman和Tversky[26，31]实验研究的结论价值函数呈“S”型结论相反。这是由于在实验时能控制很多变化因素，考虑的投资者行为比较单一，而对于一个复杂的股票市场来说，投资者的非理性行为比较复杂，他不仅仅是在收益时风险回避，在损失时是风险寻求；所以在股票市场上的实证结论与实验得到的结果不一致。在中国股票市场上，投资者“追涨杀跌”的行为比较普遍。股票价格上涨时，投资者会“追涨”，对股票的需求不仅不会抑制反而会增加，于是使得股票的价格进一步上涨；股票价格下降时，投资者会“杀跌”，对股票的需求减少，导致价格进一步下降。投资者的“追涨杀跌”行为，使得在股票市场上的价值函数呈现出反“S”型。另外，模型(6)中上证指数和深证成指的收益部分系数α的值大于损失部分系数β的值，说明投资者“追涨”的行为比“杀跌”的行为更加严重。

图2 上证指数和深证指数的价值函数(反“S”)

Fig.2 The value function of Shangzheng index & Shenzheng index(reverse S-shaped)

2.4 实证分析信息流对收益率波动的影响

首先，对模型(7)进行估计，其估计结果如表5所示。上证指数和深证成指收益率的模型(7)回归后对残差进行ARCH LM检验，得到的F值不显著，表明GARCH(1，1)模型能很好地刻画收益率序列的ARCH效应，所以本文的GARCH模型都使用GARCH(1，1)模型。上证指数和深证成指所对应的参数ξ和参数θ值之和都接近1，说明中国股票市场的收益率波动持续性较强。

在传统金融理论中，通常采用线性形式刻画信息流对收益率波动的冲击。根据过去的研究经验，正、负信息流对收益率波动的冲击是非对称的，所以本文只使用模型(9)与模型(10)进行比较分析。两个模型的估计方法都采用极大似然法，由于在估计过程中初始值的设置对结果影响较大，所以本文采用多次拟合近似值(并满足似然值最大)作为模型的初始参数值，模型(9)的估计结果如表6所示。上证指数和深证成指中模型(9)的AIC值都小于模型(7)的AIC值，所以即期的信息流对收益率波动有一定的解释能力。表6中，上证指数和深证成指的估计参数都在1%的显著性水平上显著。上证指数和深证成指所对应参数ξ+θ的值与对应模型(7)的ξ+θ值都有减少，说明即期信息流在传统金融理论下能解释部分收益率波动的持续性。但两个指数所对应的ξ+θ值都大于0.9，意味着大部分收益率波动的持续性在传统金融理论下是无法解释的。另外，表6中，无论是上证指数还是深证成指，，说明负信息流对收益率波动的冲击大于同等程度的正信息流对收益率波动的冲击，这与以往的研究结论相一致。

模型(10)的估计结果如表7所示。上证指数和深证成指中模型(10)的AIC值都小于所对应的模型(9)的AIC值，说明信息流对收益率波动的冲击，使用价值函数形式刻画比使用简单的线性形式刻画更加合理。上证指数和深证成指中所对应的ξ+θ值分别为0.397 5和0.554 2，明显小于方程(9)所对应的ξ+θ值。因此，股票收益率波动的持续性除了一部分可以由传统金融理论下的即期信息流冲击解释外，较大一部分可以由“价值函数”所能刻画的投资者行为偏差来解释。“价值函数”能刻画投资者“心理账户”和“损失厌恶”等心理特性引起的行为偏差，投资者在每一期对信息流产生的客观收益波动加工的方式并不会产生较大的变化。投资者把每期投资产生的收益和损失放在不同的“心理账户”里，“损失厌恶”的心理特征使得损失对投资者产生的影响大于同等大小收益对其产生的影响。投资者“心理账户”和“损失厌恶”的心理特征在每期、尤其是相邻的两期之间的变化不会很大，这两种心理特征的“持续性”，也引起了股票部分收益率波动的持续性。因此，“价值函数”所能刻画的这两种行为偏差可以解释股票收益率波动的部分持续性。股票收益率波动持续性除了以上两个方面所能刻画之外的剩余部分，可能是由投资者其他的行为偏差所引起的。表7中，，说明负的信息流对收益率波动的冲击大于同等程度的正信息流对收益率波动的冲击，这与前面的研究结论相一致。上证指数和深证成指中τ和ζ的值都大于1，说明投资者存在“追涨杀跌”行为；且ζ的值都大于τ的值，说明“追涨”的行为比“杀跌”的行为更明显，这与2.3节的研究结论相似。

3 结束语

本文以非预期交易量表示信息流，分别使用传统金融理论中的线性形式和行为金融理论中的价值函数形式对中国股票收益率及其波动进行实证分析比较。研究发现：采用价值函数形式刻画信息流对收益率及其波动特性影响的能力强于简单的线性形式；投资者损失厌恶特征可以对“利好与利空信息流对收益率及其波动影响的非对称性”现象进行合理的解释。

同时，本文进一步实证出价值函数的图形呈现反“S”形状，中国股票市场的投资者表现出明显的“追涨杀跌”行为，且“追涨”行为强于“杀跌”行为。本文认为，中国股票市场存在较多行政干预因素，在股票价格下降时，投资者会认为相关政府部门会救市，使股价反弹，从而导致“杀跌”的行为得到部分抑制，因此，投资者“追涨”行为强于“杀跌”行为。另外，本文还发现中国股票市场收益率波动的持续性可以由即期的信息流解释一部分，由“价值函数”能刻画的投资者非理性行为因素也可以解释一部分，剩余的部分本文认为可以通过其他的投资者非理性行为因素解释，这也是本文下一步研究的工作。

①本文的实证是比较分析，代理变量正数化不会影响比较结果，d的取值也不会影响比较结果；本文在2.2节的实证研究中d取值为1，同时对d取多个不同的正值进行验证，得到相同的结论。另外，本文使用第二种方式把序列为信息流的代理变量，也得到相同的结论。

②模型(4)、(6)、(9)中，正收益部分都包含0。

标签：信息流论文;  股票收益率论文;  股票价值论文;  预期收益率论文;  代理理论论文;  能力模型论文;  解释变量论文;  股票论文;