短期投机、价值回归和轮动

王一鸣, 宋龑娜

计量经济学报 ›› 2021, Vol. 1 ›› Issue (1) : 201-216.

PDF(864 KB)
PDF(864 KB)
计量经济学报 ›› 2021, Vol. 1 ›› Issue (1) : 201-216. DOI: 10.12012/2020-0011-16
论文

短期投机、价值回归和轮动

    王一鸣(), 宋龑娜()
作者信息 +

Short-Term Speculation, Value Return and Rotation: Analysis of the Dynamic Mechanism of the IV Effect

    Yiming WANG(), Yanna SONG()
Author information +
文章历史 +

摘要

本文从传导机制角度对A股市场特质波动和收益率之间的关系进行了研究,结果发现A股市场存在典型的“特质波动之谜”,但是与发达国家不同,我国股市“特质波动之谜”的主要成因并非价值回归而是短期投机和价值回归的轮动;由散户交易推动的短期投机对未来收益具有显著的正向影响,只有当特质波动出现变小趋势时,短期投机的影响才会减弱使价值回归的影响表现出来,特质波动的跨期变化趋势是判断轮动状态转换的重要信号.

Abstract

This paper investigates the relationship between idiosyncratic volatility and stock returns in A-share market from a perspective of transmission mechanism. A typical idiosyncratic volatility puzzle is discovered in A-share market but unlike in developed countries, its main cause isn't value return but the rotation of short-term speculation and value return. Speculation driven by retail trading exerts a significantly positive influence on stock returns in the future. This influence weakens to show the effect of value return only when idiosyncratic volatility begins to decrease, which is an important signal of switching point in rotation.

关键词

特质波动之谜 / 短期投机 / 价值回归

Key words

the idiosyncratic volatility puzzle / speculation / value return

引用本文

导出引用
王一鸣 , 宋龑娜. 短期投机、价值回归和轮动. 计量经济学报, 2021, 1(1): 201-216 https://doi.org/10.12012/2020-0011-16
Yiming WANG , Yanna SONG. Short-Term Speculation, Value Return and Rotation: Analysis of the Dynamic Mechanism of the IV Effect. China Journal of Econometrics, 2021, 1(1): 201-216 https://doi.org/10.12012/2020-0011-16

1 引言

许多实证研究发现资产的收益率不仅与系统性风险有关, 某些企业特质性也能导致收益率在横截面上的显著差异, 其中包括特质波动(Campbell et al. 2001), Spiegel and Wang (2005)甚至发现特质性波动对股票横截面收益的解释能力比流动性风险更强. Ang et al. (2006)发现股票特质波动与横截面收益之间存在显著的负相关关系并据此提出"特质波动之谜", 之后这一横截面收益异象引起了学术界的极大关注和持续不断的研究热情(Malkiel and Xu (2006), Bali and Cakici (2008), Jiang, Xu and Yao (2009), Bekaert et al. (2012)). 特质波动与收益率之间的负相关性之所以被称为一个谜, 一方面是因其在直觉上对定价常识的背离: 特质波动作为一种风险, 要么不被定价, 如果被定价其价格也应该是正的而不是负的; 另一方面是因为它的普遍性和稳健性, 许多文献发现特质波动和收益率之间的负相关关系不但存在于世界各国金融市场, 而且不能被个股规模、市帐比、动量效应和收益率回复等一系列横截面控制变量所解释(Ang et al. (2009), Chen, Jiang and Xu et al. (2012)).
然而, 经过对现存文献的梳理, 我们发现这种稳健关系往往表现在滞后一期特质波动和收益率之间的横截面关系上(Ang et al. (2006), Ang, Hodrick and Xing et al. (2009), Fu (2009)), 而同期特质波动(或期望特质波动)和收益率之间的横截面关系则一般不具备此特征, 甚至呈正相关(Spiegel and Wang (2005), Eiling (2006), Fu (2009)), 也就是说特质波动和收益率之间的横截面关系与特质波动代理变量的选择有关(Bali and Cakici (2008)), 实证文献结论的争议性往往是由此引起的. 在静态资产定价的框架下, 需要被定价的风险应当与收益率在时间上相匹配, 也就是说, 如果特质波动是一种可被定价的风险, 那么应当使用同期实现特质波动或者期望特质波动作为特质波动的代理变量. 而滞后一期特质波动并非期望特质波动的恰当代理变量, 因此股票滞后一期特质波动和收益率之间的跨期关系与股票期望特质波动和收益率之间的同期关系不是一回事(Fu (2009)), 前者是一个效率市场问题, 后者是一个资产定价问题. 从资产定价角度对特质波动和收益率之间的横截面关系进行研究的理论文献均认为投资者应当因承担特质波动而取得正的回报(Merton (1987), Malkiel and Xu (2006), Ewens et al. (2013)).
许多学者在解释"特质波动之谜"时一般以Miller (1977)模型作为依据.该模型认为特质性波动是投资者意见分歧的一种外在表现, 特质波动越高说明投资者意见分歧越大.由于卖空受限, 悲观投资者的意见无法在市场上得到体现, 短期均衡时对股票估值过高的少数乐观投资者抬高了股票的价格, 且投资者意见分歧越大短期均衡价格越高, 而在长期股价必然回归理性, 因此, 投资者意见分歧与股票未来收益负相关, 作为其代理变量特质波动自然也与未来收益负相关.尽管存在各种各样的争议, 这些文献多倾向于认为"特质波动之谜"本质上是由于高估股票的价值回归所造成的(Chen, Hong and Stein (2002), Boehme et al. (2009), Ang et al. (2009), Stambaugh, Yu and Yuan (2015)), 是一个收益率可预测性问题, 是对效率市场假说的挑战(Guo and Savickas (2010)).
但是, 在使用Miller模型解释"特质波动之谜"时面临如下两个问题: 第一, Miller模型只分析了单个股票价格受投资者分歧影响的原理, 而并没有对个股之间投资者分歧的不同如何导致横截面上的收益率差别进行深入探讨; 第二, 根据Miller模型可以推断, 投资者对个股的意见分歧与其当期收益正相关, 与其未来收益负相关.但是未来有多远?该模型并没有涉及对意见分歧收敛速度的讨论.对于第一个问题, Miller认为在所有其他条件都相同的情况下投资者意见分歧越大的股票价格被高估的程度越高, 未来下跌的幅度也就越大.现有文献一般通过对横截面控制变量的选择尽量使其他条件接近相同, 由于不同文献对控制变量的选择不同, 这也造成了学者们对"特质波动之谜"的成因众说纷纭(Malkiel and Xu (2006), Boyer, Mitton and Vorkink (2007), Fu (2009), Brandt, Brav and Graham (2010)).对于第二个问题, 意见分歧不一定会在下一期收敛, 而可能在短期投机和其他因素的推动下持续上升(Scheinkman and Xiong (2003), Berkman et al. (2009)).
除此之外, 研究者往往忽略了Miller模型的另一半含义: 投资者意见分歧与股票当期收益正相关, 从这个角度来说, Miller (1977)模型和那些从资产定价视角研究特质波动和收益率关系的文献并不矛盾, 而是具有一致性. Scheinkman and Xiong (2003)Harrison and Kreps (1978)再售期权理论的基础上提出了一种动态投资者意见分歧模型, 指出即便股价已高于投资者的估值, 过度自信会使他们认为自己在未来能以更高的价格将股票转售给他人, 出于这种短期投机目的投资者仍然会买入被高估的股票, 从而导致交易量和股价波动双高, 加深股价高估程度甚至形成泡沫. 在此情形下, 投资者分歧内生于他们的主观情绪, 波动率越高投资者分歧越大, 投机交易越活跃, 波动率和收益率也就越高. 我们认为Scheinkman and Xiong (2003)模型很好地诠释了Miller (1977)模型的另一半含义, 尽管从长期来看股价一定会向基础价值回归, 但是在短期由于受到短期投机的影响股价变动趋势具有不确定性. 现实中, 短期投机和价值回归两种机制都会影响特质波动和收益率之间的横截面关系, 不同时点和不同金融市场上二者影响力不同, 实证研究结论之间的分歧根源于此.
与发达金融市场相比, 我国股市发展相对不成熟.投资者结构中散户比例较高, 指数类金融产品有限, 卖空机制不健全, 这一切都使得A股市场特质波动对股票收益的影响体现得比发达金融市场更为突出(陈国进, 胡超凡和王景(2009)).与特质波动对A股市场的现实影响力相比, 国内对特质波动的研究相对不足, 不仅A股市场"特质波动之谜"的成因一直没有找到, 而且现有研究A股市场"特质波动之谜"的文献对中国股市特殊性的关注和分析也不够多(Drew, Naughton and Veeraraghavan (2004), 杨华蔚和韩立岩(2009), 陈国进, 张贻军和王景(2009), 左浩苗等(2011)). A股市场长期存在着一系列特有的怪相: ST股有时比绩优股更受追捧、概念炒作花样百出、谣言满天飞, 等等, 特质波动的放大往往快速吸引投资者的关注, 引发短期投机从而导致股价暴涨暴跌. 这启示我们A股市场上特质波动对收益率的影响具有特殊性, 短期投机在其中发挥着尤为重要的作用.
已有文献多使用横截面方法检验各因素对个股收益的静态影响, 而忽略了各因素之间的交互作用以及它们的跨期变化对收益率产生的动态影响.只有少数研究尝试从动态角度解读"特质波动之谜", 发现它只是一种短期现象(Cao and Xu (2010), 李竹薇等(2014)), 与不可预期的特质波动跨期变化有关(Chua, Goh and Zhang (2008), Bali, Bodnaruk and Scherbina et al. (2016)).我们认为滞后一期特质波动和收益率负相关, 而同期特质波动和收益率正相关, 实证证据意味着特质波动的跨期变化在特质波动和收益率关系中起着重要作用, 是分析二者关系时不能忽略的一个因素.
本文以特质波动和收益率之间同期关系和跨期关系的不同作为出发点, 立足A股市场特殊现实, 从动态传导机制的角度重点对特质波动和收益率跨期关系进行了分析.结果发现, A股市场存在典型的"特质波动之谜", 但是与发达国家不同, 我国股市"特质波动之谜"的主要成因并非价值回归而是短期投机和价值回归的轮动; 由散户交易推动的短期投机对未来收益具有显著的正向影响, 只有当特质波动出现变小趋势时, 短期投机的影响才会减弱使价值回归的影响表现出来, 特质波动的跨期变化趋势是判断轮动状态转换的重要信号.

2 建模

参考Ang et al. (2009)Fu (2009)Huang et al. (2010)使用Fama and MacBeth (1973)的横截面回归方法, 并通过横截面控制变量的选择形成不同的模型以考察各因素的影响. 基于每个模型每个月进行一次横截面回归, 然后统计横截面回归因子载荷在时间序列上的均值并进行显著性t检验. 在这些结果之上, 进一步在时间序列上使用相关系数矩阵对特质波动影响收益率的动态机制进行分析. 具体的模型和变量定义如下:
1) 特质性波动(IdioVit)构造
每个月对每个符合条件1的股票基于Fama-French三因子模型进行月窗口日收益率数据时间序列回归:
Rtdi=αit+βitMKTRMd+βitSMBSMBd+βitHMLHMLd+ϵtdi,
(1)
1当月交易天数大于10的股票才会被选择. 由于2002年2月只有10个交易日, 所以样本中不包含此月数据.
其中, i表示股票编号, t表示月份编号, d表示个股在t月的第d个交易日; \(R_{td}^i\)表示个股的超额日收益率, RMdSMBdHMLd分别是三因子模型中的市场因子、规模因子和价值因子. αit表示个股it月的日收益率时序回归截距项, βitMKTβitSMBβitHML分别是市场因子、规模因子和价值因子的对应参数.
Ang et al. (2009)将个股基于(1)式进行月窗口日超额收益率时间序列回归的残差项样本标准差定义为特质性波动, 为了保持横截面回归时量纲的统一性, 我们参照Fu (2009)Huang et al. (2010)对特质性波动进行了月化处理, 具体的计算方法是: 月窗口日收益率时序回归的残差项样本标准差乘以当月股市交易天数的平方根,
IdioVit=NSTDit,
(2)
其中, STDit表示个股it月日收益率时序回归的标准均方误, N表示股市在该月的交易天数.
2) 横截面回归
Rit=γ0t+γtIdioVit+λββit+λzzit+μit,i=1,2,,N,t=1,2,,T,
(3)
其中, β是从三因子时序回归得到的因子载荷向量, β=(βMKT,βSMB,βHML); z是其他横截面控制变量组成的向量; IdioVit是特质性波动的代理变量.
3) 因变量、横截面控制变量说明
横截面回归时, 我们使用个股超额月收益率Rit作为因变量; 用个股流通市值占市场总流通市值的比例的自然对数ln(mratio)作为规模因子控制变量; 个股账面市值比的自然对数ln(bm) 作为价值因子控制变量; 用个股月平均换手率Turnit作为换手率代理变量; 参考Fu (2009)用滞后2至7个月的累积收益率构造动量因子momFuit; 参考Huang (2010)用个股滞后一期收益率Rit1作为收益率回复效应代理变量.
本文使用的股票交易日数据来自WIND金融数据库, 样本区间的选择从2000年1月1日到2016年6月30日, 共197个交易月; 回归时使用的日间三因子和月度三因子时间序列数据均来自RESSET数据库.在计算个股收益率时, 使用日交易数据的对数收益率作为当日个股的收益率, 对每月个股的所有交易日收益率进行加总得到个股的月收益率.由于收益率的绝对值都较小, 为了避免数据存储和计算精度对回归结果的影响, 在进行回归之前统一对收益率数据进行了百分比转换, 如无特别说明, 后文所有与收益率同一量纲的数据单位都是百分比.另外, 我们在横截面回归时去掉了账面市值比为负的股票.

2.1 动态视角的"特质波动之谜"

在横截面回归时依次加入滞后1月超额收益、滞后2至7个月的累积超额收益和特质性波动的高阶滞后项作为解释变量以考察收益率回复效应、动量效应和特质波动自回归效应的影响2, 回归结果如表 1前四列所示.
2许多研究表明, 个股特质波动会受到自回归效应的影响(Spiegel and Wang (2005), Eiling (2006), Chua, Goh and Zhang (2007), Fu (2009)), 文献Chua, Goh and Zhang (2007)Huang et al. (2010)等曾经基于实现特质波动使用ARIMA方法估算期望特质波动, 我们在横截面回归时添加实现特质波动的高阶滞后项作为解释变量的做法与他们在思想上具有一致性.
表1 特质性波动与收益率之间的横截面关系
解释变量 不同控制变量情形下的各模型全样本回归结果 分组回归结果
(1) (2) (3) (4) 波动变大组 波动变小组
IdioVt1 -0.2511***
(-13.33)
-0.2211***
(-11.15)
-0.2115***
(-11.32)
-0.1892***
(-11.44)
0.3853***
(9.50)
0.1018***
(5.25)
IdioVt2 -0.0477***
(-4.15)
-0.1152***
(-7.79)
-0.0943***
(-8.06)
IdioVt3 -0.032**
(-2.69)
-0.0855***
(-5.79)
-0.0539***
(-4.80)
Rt1 -0.0672***
(-7.16)
-0.0731***
(-7.57)
-0.0792***
(-8.41)
-0.1041***
(-7.94)
-0.0996***
(-13.02)
βMKT -2.631***
(-7.56)
-2.9227***
(-8.31)
-3.0396***
(-8.79)
-0.0163***
(-4.37)
-0.0282***
(-6.70)
-0.0095**
(-2.92)
βSMB -0.1383
(-0.91)
-0.2212
(-1.47)
-0.2493
(-1.70)
-1.947***
(-18.85)
-1.9534***
(-16.83)
-1.2024***
(-14.15)
βHML 0.2015
(1.76)
0.2257*
(2.00)
0.2294*
(2.05)
0.6431***
(5.72)
0.7489***
(6.07)
0.5143***
(5.45)
ln(bm) -1.733***
(-16.04)
-1.7476***
(-16.71)
-1.8816***
(-18.47)
-3.0011***
(-8.81)
-2.3299***
(-7.41)
-3.1931***
(-8.55)
ln(mratio) 0.4434***
(3.81)
0.5509***
(4.82)
0.6544***
(5.79)
-0.234
(-1.60)
-0.139
(-1.03)
-0.5685***
(-3.54)
momFu -0.0203***
(-5.50)
0.2208*
(1.98)
0.2903**
(2.82)
0.2452*
(2.17)
γ0 6.4753***
(6.77)
6.7376***
(7.18)
7.2268***
(7.70)
7.4816***
(7.87)
6.1533***
(6.05)
4.1498***
(5.20)
R2 0.172 0.1903 0.2013 0.2069 0.2118 0.2593
R2_adj 0.1684 0.1862 0.1966 0.2012 0.1984 0.2476
RMSE 8.4535 8.3636 8.3094 8.2849 9.0462 6.5301
注: 每个月进行一次横截面回归, 然后统计横截面回归因子载荷在时间序列上的均值并进行显著性t检验. 表中汇报的各参数估计值是每个月横截面回归所得参数估计值在时间序列上的均值, 括号中是对应的t值. R2是横截面回归R方在时间序列上的均值, R2_adj是横截面回归调整R方在时间序列上的均值, RMSE是横截面回归标准均方误在时间序列上的均值, 其余回归参数都以对应的解释变量名来标记以方便阅读.*表示在5%的显著性水平下显著; **表示在1%的显著性水平下显著; ***表示在0.1%的显著性水平下显著.
从表中数据看, 第一, 全样本回归时不同模型下滞后一期特质波动对个股超额收益的影响均为负.第二, 滞后一期收益率和动量因子都是显著的, 且从调整R方来看, 二者的加入都显著提高了模型的解释力; 但是, 对Rit1momFuit进行控制后滞后一期特质波动对应参数估计值的变动很小, 控制Rit1后它只是由0.2511变为0.2211, 进一步控制momFuit, 变为0.2115.说明收益率回复现象和动量效应会造成个股之间的收益率差异, 但并非导致特质波动与收益率负相关的主要原因, 这些结论与杨华蔚和韩立岩(2009)左浩苗等(2011)研究具有一致性.第三, 不但滞后一期的特质性波动与个股收益负相关, 滞后两期和滞后三期的特质性波动都对个股超额收益率有着显著的负面影响. 但是特质波动更高阶滞后值的加入同样没有改变"特质波动之谜"的存在性, 滞后一期特质波动对应的参数估计值仍然显著为负, 其值只有小幅变化, 从原来的0.2115变为0.1892, t值也与不考虑特质波动高阶滞后项时比较接近.这些结论意味着收益率回复现象、动量效应和特质波动的自回归效应都不能解释A股市场的"特质波动之谜".
许多文献认为特质波动的变化蕴含着影响股价变动的信息. Miller (1977)认为不确定性是投资者分歧的根源, 特质波动的变大意味着不确定性增加, 特质波动的变小说明不确定性正在逐渐消除; Ferreira and Laux (2007)认为某些影响股价的公司层面信息会通过机构投资者的知情交易而引起特质波动的变化; Bali, Bodnaruk and Scherbina et al. (2016)表明由公司重大消息冲击引起的未预期特质波动大幅上升会使投资者分歧变大3; Berkman et al. (2009)曾经发现投资者意见分歧较高的股票价格会在公告发布前因投机交易的驱动而被加速高估并在公告发布后大幅回调; Brandt, Brav and Graham (2010)发现特质波动的变化趋势与散户交易行为有关, 具有非理性特征, 超高或超低的收益率、高换手率、股票拆细等吸引眼球的事件都会导致特质波动变大.
3文中使用有效价差作为投资者意见分歧的代理变量.
为了考察特质波动跨期变化的影响, 每月根据当月特质性波动相对于上月特质性波动的变化趋势将个股分成两组: 当月特质性波动大于上月特质性波动的个股组成"特质波动变大组" (简称为"波动变大组"); 当月特质性波动小于上月特质性波动的个股组成"特质波动变小组" (简称为"波动变小组"); 在横截面回归时进行分组回归, 结果如表 1最后两列所示.不难看出, 分组回归之后"特质波动之谜"消失了!这说明特质波动的跨期变化是一个重要的解释变量, 并且它和上月特质波动之间强相关.
通过观察个股滞后一月特质波动-超额收益二维散点图, 我们发现波动变大组和波动变小组的分布具有明显的分化性: 波动变大组的散点倾向于出现在波动变小组散点的左上方. 以2004年2月和2014年8月为例, 两月二维散点的分布分别如图 1所示, 虽然散点的分布密集程度存在差别, 但是两月的波动变大组和波动变小组均有相似的分化特征. 散点图向我们展示了波动率对收益率的一种正反馈效应, 并且该正反馈效应在波动变大组和波动变小组呈非对称性; 波动变大组单位特质波动所带来的未来边际收益率增加大于波动变小组.看起来, "特质波动之谜"的根源并非特质波动对未来收益的负反馈效应而是特质波动对未来收益正反馈效应的非对称性.
图1 特质性波动变大组和变小组的分化(左: 2004年2月, 右: 2014年8月)
注: 横轴是滞后一期的特质性波动(%), 纵轴是个股的超额收益率(%). "+"标示的是特质波动变大组的样本散点; 空心三角形标示的是特质波动变小组的样本散点.

Full size|PPT slide

2.2 波动率正反馈机制与散户投机交易

Scheinkman and Xiong (2003)从再售期权的角度论证了收益率波动与股价泡沫之间的关系, 指出投资者的过度自信会使他们将噪音波动误解为基本面信息的变化并因此改变对股价的估值, 由于每位投资者对噪音的解读不同, 他们在股价估值方面产生分歧并发生交易, 股票不断从相对悲观的投资者手中转移到相对乐观的投资者手中, 股价在此过程中节节攀升. 这一理论阐释了波动率对未来收益的一种正反馈机制: 波动越大, 投资者分歧越大, 交易越活跃, 未来收益越高; 并认为当市场上存在大量散户时, 波动对未来收益的正反馈影响尤为明显.
A股市场散户占比较高, 短期投机性强, 羊群效应显著, 这些市场特征与Scheinkman and Xiong模型的假定高度吻合, 我们猜测A股市场波动率对未来收益的正向影响与散户投机交易有关. 根据Scheinkman and Xiong模型, 换手率是衡量投机交易活跃程度的代理变量4, 为此我们使用横截面回归检验、时序相关性分析和统计特征分析等多种方法对波动率、换手率影响收益率的内在机理进行了探讨以验证我们的猜测.
4张峥和刘力(2006)发现A股市场换手率对收益率的影响更大程度上源自投机交易而非流动性溢价.
1) 短期投机的正向影响及其非对称性
在全样本回归和分组回归时都单独考察换手率的影响, 结果展示在表 2表 3中.
表2 换手率对"特质波动之谜"的解释力
解释变量 (1) (2) (3) (4)
IdioVt1 -0.1935***
(-11.44)
-0.3637***
(-21.26)
-0.1794***
(-11.53)
-0.3156***
(-21.16)
IdioVt2 -0.041***
(-3.70)
-0.1215***
(-11.05)
IdioVt3 -0.028*
(-2.37*)
-0.0777***
(-6.61)
Rt1 -0.0715***
(-7.42)
-0.0983***
(-10.50)
-0.0773***
(-8.20)
-0.1116***
(-12.33)
momFu -0.0201***
(-5.46)
-0.0235***
(-6.81)
-0.0163***
(-4.41)
-0.0157***
(-4.41)
ln(bm) -1.9031***
(-18.84)
-1.7295***
(-16.37)
-1.9639***
(-19.22)
-1.8833***
(-17.48)
ln(mratio) 0.6658***
(5.7)
1.1925***
(11.28)
0.6671***
(5.74)
1.169***
(11.13)
βMKT -3.0185***
(-8.71)
-3.8584***
(-11.17)
-3.0033***
(-8.74)
-3.7742***
(-11.08)
βSMB -0.2447
(-1.69)
-0.5305***
(-3.80)
-0.2362
(-1.63)
-0.5054***
(-3.64)
βHML 0.2156
(1.93)
0.2227*
(2.11)
0.2096
(1.89)
0.2093*
(2.01)
Turnt-1 -0.0057*
(-2.41)
-0.0048*
(-2.06)
Turnt 0.0796***
(25.74)
0.082***
(26.68)
γ0 7.2235***
(7.47)
10.7136***
(12.13)
7.5581***
(7.72)
11.3944***
(12.71)
R2 0.2071 0.2736 0.2123 0.2807
R2_adj 0.2019 0.2689 0.206 0.2749
RMSE 8.2806 7.9374 8.2589 7.903
表3 换手率、特质波动的跨期变化与"特质波动之谜"
解释变量 控制滞后一期换手率 控制同期换手率
波动变大组 波动变小组 波动变大组 波动变小组 波动变大组 波动变小组
IdioVt1 0.3915***
(9.70)
0.1205***
(6.09)
-0.0777
(-1.94)
-0.0487*
(-2.50)
0.018
(0.46)
-0.0047
(-0.24)
IdioVt2 -0.1107***
(-7.49)
-0.0844***
(-7.55)
-0.1557***
(-11.05)
-0.1252***
(-11.34)
IdioVt3 -0.0807***
(-5.45)
-0.051***
(-4.59)
-0.1161***
(-7.85)
-0.0676***
(-6.21)
Rt1 -0.1026***
(-7.86)
-0.0973***
(-12.86)
-0.1119***
(-8.60)
-0.099***
(-13.01)
-0.1315***
(-10.37)
-0.1118***
(-14.92)
momFu -0.0282***
(-6.68)
-0.0095**
(-2.94)
-0.0345***
(-8.67)
-0.0177***
(-5.65)
-0.0244***
(-6.00)
-0.0098**
(-3.08)
ln(bm) -1.9961***
(-17.63)
-1.1919***
(-14.16)
-1.8148***
(-15.63)
-1.052***
(-12.31)
-1.9969***
(-16.82)
-1.2042***
(-13.92)
ln(mratio) 0.827***
(6.54)
0.4867***
(4.98)
1.4655***
(12.62)
0.6934***
(7.54)
1.416***)
(12.23
0.6812***
(7.45)
βMKT -2.3659***
(-7.51)
-3.1433***
(-8.36)
-3.133***
(-9.73)
-3.7727***
(-10.09)
-3.0355***
(-9.59)
-3.6737***
(-9.96)
βSMB -0.1504
(-1.12)
-0.5616***
(-3.53)
-0.4173**
(-3.21)
-0.7137***
(-4.54)
-0.3894**
(-3.02)
-0.6813***
(-4.36)
βHML 0.2776**
(2.72)
0.2369*
(2.11)
0.2735**
(2.83)
0.2336*
(2.10)
0.2585**
(2.72)
0.2146
(1.95)
Turnt-1 -0.0047
(-1.16)
-0.0046*
(-2.26)
Turnt 0.0826***
(24.87)
0.0464***
(12.81)
0.0844***
(25.57)
0.0492***
(13.57)
γ0 6.5306***
(6.34)
3.791***
(4.53)
10.7748***
(11.50)
5.189***
(6.62)
11.4971***
(12.13)
5.8737***
(7.49)
R2 0.2198 0.2663 0.2752 0.2745 0.2845 0.2854
R2_adj 0.2052 0.2535 0.2642 0.2642 0.2711 0.2729
RMSE 9.0062 6.5041 8.6763 6.464 8.6322 6.4264
对比表 2回归结果与表 1中第(3)、(4)列的回归结果可以看出, 滞后一期换手率对"特质波动之谜"具有微弱的解释力; 而同期换手率的加入使滞后一期特质波动的参数估计值变得更显著了5.从参数估计值来看, 滞后一期换手率与收益率负相关而同期换手率与收益率正相关; 从R方来看, 滞后一期换手率对模型解释力的影响较小; 同期换手率则大幅提高了调整R方.这些证据说明短期投机对收益率的正向影响主要体现在同期.
5杨华蔚和韩立岩(2009)左浩苗等(2011)文献发现同期换手率对A股市场"特质波动之谜"具有一定的解释力, 我们的结论与他们不同.
对比表 3表 1分组回归的结果可以看出, 无论是波动变大组还是波动变小组, 滞后一期特质波动对个股收益的正向影响都无法被滞后一期换手率所解释但可以很好地被同期换手率所解释, 这意味着同期换手率是度量波动率正反馈效应的恰当代理变量. 对比表 2第(4)列和表 3最后两列的换手率参数估计值, 不难看出短期投机对收益率的边际影响在波动变大组和波动变小组中存在显著差异, 具有非对称性. 在不控制特质波动跨期变动方向的情形下进行横截面回归会高估波动变小组换手率对收益率的边际影响而低估波动变大组换手率对收益率的边际影响, 从而导致"特质波动之谜"表现得更突出.
为了从动态角度考察短期投机对收益率的影响, 我们计算了滞后一期特质波动、特质波动的跨期变化、同期特质波动、换手率和收益率五个变量在时间序列上的相关系数, 如表 4所示.
表4 特质波动、换手率和收益率时序相关系数矩阵
L.IdioV D.IdioV IdioV Turn R
L.IdioV 1
D.IdioV -0.5666 1
IdioV 0.404 0.5093 1
Turn 0.3322 0.1824 0.5251 1
R -0.0819 0.237 0.184 0.1998 1
注: 先计算每只个股对应的各变量在时间序列上的相关系数, 然后取横截面上的均值.
从中可以看出, 特质波动、换手率和收益率三者之间的相互关系是比较密切的, 换手率与收益率显著正相关; 滞后一期特质波动、特质波动和特质波动的跨期变化均与换手率显著正相关. 这些证据表明A股市场是一个受到短期投机影响较大的市场, 股价波动和收益情况常常取决于交易的活跃程度.历史统计资料显示, A股市场换手率明显高于发达金融市场, 一般成熟金融市场的年换手率大约为100%, 而A股市场在过去十年间的平均年换手率高达500%以上.
2) 散户交易的证据
一般认为散户为主的投资者结构是造成A股市场高换手率的根源, 尽管最近几年机构投资者持股比例有了一定程度的提高, 但机构投资者并未真正发挥股市稳定器的作用甚至其行为也表现出散户化特征(陈峥嵘和李佳明(2012)).不同于理性投资者, 散户投资者的交易行为容易受到噪音的影响, 并且他们对于股票的选择也有一些特殊的偏好, 比如对热炒股和彩票型股票的偏好. Barber and Odean (2008)发现被新闻媒体报道、交易量忽然放大或者出现极端单日收益率等吸引眼球的事件会引起更多散户投资者购买相应股票. Kumar (2009)发现散户喜欢购买那些正偏、波动率高、面值低的股票, 并将此类股票定义为彩票型股票.由于散户占比高, A股市场投资者不但更容易被眼球事件所吸引而且还具有显著的博彩偏好(郑振龙和孙清泉(2013), 廖理等(2016)).
为了考察散户交易的影响, 分别依据上月涨跌幅度、偏度、特质波动和市值规模的不同情况对换手率进行统计, 结果列在表 5中. 一般涨跌幅位于前5%的股票都会出现在媒体报道中从而引起投资者关注, 因此可以将涨跌幅进入前5%看作是眼球事件; 而正偏、高波动率和小市值规模对换手率的影响可以认为是体现了投资者对彩票型股票的偏好.
表5 换手率统计——散户交易的证据
细项 A.按上月涨跌情况 B.按上月日收益率偏度情况
分组 全部 上月涨幅前5% 上月跌幅前5% 偏度为正 偏度为负
换手率 52.87 88.54 58.87 55.28 46.64
C.按上月特质波动分组
分组 1 2 3 4 5
换手率 38.03 44.41 48.4 54.82 78.77
D.按股票规模
市值 50亿元以下 50亿~100亿 100亿~300亿 300亿~500亿 500亿以上
换手率 55.01 51.67 42.43 33.28 22.19
注: 表中统计的换手率是月度换手率, 使用2000年1月至2016年6月个股层面的混合面板数据进行统计. 特质波动分组1~5是按照由低到高的顺序排列的, 第1组的特质波动最低, 第5组的特质波动最高.
表 5.A可以看出, 眼球事件的发生的确会导致股票换手率提高; 表 5.B显示上月偏度为正的股票比偏度为负的股票换手率更高; 表 5.C显示上月股票波动性越大换手率越高; 表 5.D显示市值规模越小的股票换手率越高.这些证据表明, 散户交易的确与换手率高度相关.

2.3 波动率负反馈机制: 价值回归

表 3显示, 在对特质波动跨期变化方向和换手率的影响进行控制之后, 滞后一期特质波动与收益率之间呈现出负相关性.这意味着波动对收益率的负反馈效应也是存在的, 只不过因为正反馈效应更强, 这种负反馈效应被掩盖了.
我们猜测波动率对未来收益的负反馈效应与价值回归有关.为了考察特质波动变化和价值回归之间的关系, 每月对所有样本基于特质波动率的变化方向和股价变化方向进行二维分组. 首先按照特质波动率的变化方向将个股分成四组: 特质波动由高变低的个股(t期特质波动分组为4和5且特质波动相对于上一期开始变小, 简称"高变低")、特质波动由低变高的个股(t期特质波动分组为1、2和3且特质波动相对于上一期开始变大, 简称"低变高")、特质波动由高继续变高的个股(t期特质波动分组为4和5且特质波动相对于上一期继续变大, 简称"高变高")、特质波动由低继续变低的个股(t期特质波动分组为1、2和3且特质波动相对于上一期继续变小, 简称"低变低"). 在此基础之上, 每组样本进一步根据股价变化方向分为股价上涨和股价下跌的两组.逐月统计每组样本滞后一期特质波动与特质波动跨期变化和收益率之间的相关系数, 及滞后一月特质波动、特质波动跨期变化值、月超额收益率和市盈率的均值.
表 6第3列来看, 所有上涨股滞后一期特质波动和收益率均正相关; 所有下跌股之后一期特质波动和收益率均负相关. 这意味着特质波动对未来收益负反馈效应的确是由价值回归引起.
表6 特质波动及其变化趋势对个股横截面统计特征的影响
分组 股票数 corr(LIdioV, R) corr(LIdioV, DIdioV) LIdioV R P/E 换手率
上涨股
低变高 342 0.1558 -0.0911 6.23 9.5 97 52
低变低 168 0.1841 -0.3257 7.26 5.2 83 32
高变高 88 0.1671 -0.0556 11.26 13.06 160 83
高变低 189 0.1553 -0.5292 12.66 7.79 124 53
下跌股
低变高 242 -0.1304 -0.0612 6.2 -7.59 90 38
低变低 195 -0.1707 -0.3915 7.21 -7.04 77 28
高变高 64 -0.1086 -0.0001 11.24 -10.41 114 67
高变低 224 -0.1681 -0.6093 12.72 -8.96 103 48
注: LIdio表示个股滞后一月特质波动, DIdio表示个股特质波动的一阶差分, R表示月超额收益率, P/E表示市盈率, corr(LIdioV, R)表示滞后一月特质波动和收益率的横截面相关系数.滞后一月特质波动、特质波动跨期变化值、月超额收益率和市盈率均值的统计方法为: 每月取各组内的横截面均值, 然后再对每组相应统计量取时间序列均值.
表 6的其他统计量来看, 同等波动水平下个股波动变大时换手率明显大于波动变小时, 且滞后一期特质波动、换手率和市盈率三者表现出两两正相关性, 与表 4和我们对散户交易证据的分析具有一致性, 印证了A股市场的交易驱动特征.

2.4 轮动和特质波动的跨期变化

特质波动与未来收益之间的关系受到正负反馈机制两个方面的影响, 从表 3最后两列的结果来看, 对那些特质波动呈变大趋势的股票来说, 波动率对未来收益的正反馈影响居于主导地位; 对那些特质波动呈变小趋势的股票来说, 波动率对未来收益的负反馈影响居于主导地位.
值得注意的是, 表 2中的"特质波动之谜"是比较显著的, 但从表 3来看仅由特质波动变小的股票价值回归所造成的波动率负反馈效应并不显著, 这意味着波动变大组和波动变小组波动率反馈机制的非对称性是A股市场"特质波动之谜"的主因. 基于前文的分析我们猜测由散户投机交易驱动的波动率正反馈机制和由高估股票价值回归所导致的波动率负反馈机制在短期形成波动变大组和波动变小组的轮动现象, 这种轮动是A股市场"特质波动之谜"的根源.
1) 轮动——A股市场"特质波动之谜"的根源
表 3中控制换手率之后, 滞后一期特质波动的参数估计值变得不显著甚至由负转正而高阶滞后项的参数估计值仍然显著为负, 这意味着上月特质波动与本月换手率显著正相关而两个月之前或更早的个股特质波动情况与本月换手率相关性很弱, 即由交易驱动的波动率反馈效应持续性不强, 总体来看持续期小于两个月.此外, 表 4中滞后特质波动与特质波动的跨期变化显著负相关也暗示着轮动的存在性: 较高的个股特质波动可能意味着特质波动即将变小, 从而带来较低的期望收益; 反之, 较低的特质波动可能意味着特质波动即将变大, 从而带来较高的期望收益.
由于特质波动的跨期变化同时体现了短期投机和价值回归两方面的影响, 因此将它作为横截面回归的控制变量可以剔除波动变大组和变小组的轮动对参数估计值的影响. 我们发现控制了特质波动的跨期变化之后, 滞后一期特质波动对应的参数估计值的确由负转正, 相应的回归结果如表 7所示6.
表7 特质波动的跨期变化对横截面收益的影响
解释变量 (1) (2) (3) 分组回归
波动变大组 波动变小组
IdioVt1 0.3987***
(7.92)
0.6433***
(14.57)
0.5465***
(12.67)
0.3368***
(5.90)
0.4356***
(10.09)
IdioVt2 -0.1796***
(-15.81)
-0.1651***
(-14.26)
-0.1818***
(-12.94)
-0.1594***
(-14.17)
IdioVt3 -0.1176***
(-9.99)
-0.1134***
(-9.67)
-0.132***
(-8.73)
-0.0916***
(-8.81)
DIdioV 0.7634***
(14.31)
0.9691***
(19.89)
0.9367***
(19.46)
0.7248***
(11.73)
0.6807***
(14.77)
Rt1 -0.1376***
(-15.93)
-0.1264***
(-14.09)
-0.1077***
(-11.77)
-0.1414***
(-11.72)
-0.1282***
(-16.76)
momFu -0.0203***
(-7.07)
-0.0208***
(-6.11)
-0.0319***
(-9.26)
-0.0266***
(-6.71)
-0.0129***
(-4.13)
ln(bm) -1.2706***
(-14.31)
-1.2081***
(-13.73)
-1.0109***
(-11.66)
-1.6291***
(-14.92)
-0.9169***
(-11.31)
ln(mratio) 0.8961***
(8.88)
0.6823***
(6.59)
0.7345***
(7.08)
1.2339***
(10.91)
0.5572***
(6.05)
βMKT -2.8431***
(-8.68)
-2.3815***
(-7.49)
-2.5346***
(-7.82)
-2.2758***
(-7.39)
-3.4048***
(-9.26)
βSMB -0.501***
(-3.77)
-0.3901**
(-2.84)
-0.4312**
(-3.11)
-0.3537**
(-2.75)
-0.7119***
(-4.63)
βHML 0.289**
(3.12)
0.3382***
(3.52)
0.3574***
(3.65)
0.2855**
(3.15)
0.2838**
(2.69)
Turnt 0.0536***
(15.78)
0.0661***
(17.07)
0.036***
(9.46)
γ0 5.2943***
(6.46)
2.8927***
(3.47)
2.2232**
(2.66)
6.7357***
(7.53)
3.7256***
(4.63)
R2 0.371 0.3504 0.3412 36.5165 31.9943
R2_adj 0.3654 0.3451 0.3368 0.3555 0.326
RMSE 7.35 7.4572 7.5085 0.342 0.313
6表 7分组回归结果表明无论特质波动变大还是变小特质波动的跨期变化与收益率都显著正相关, 这一研究结果与包锋和徐建国(2015)具有一致性. 他们发现盈余公告的发布对投资者异质信念的影响是双重的, 既可能降低异质信念水平也可能导致异质信念水平上升; 但是无论异质信念变化方向如何, A股市场异质信念的变动和股价变动之间都存在显著的正相关关系.
并且, 无论是否控制特质波动的高阶滞后项和换手率, "特质波动之谜"都不复存在, 即波动变大组和变小组的轮动是A股市场"特质波动之谜"的根源7.
7表 7中加入特质波动的差分值之后波动变大组和波动变小组的滞后一期特质波动对应的参数估计值与表 3相比都变大了, 这意味着由于特质波动与其未来变化之间负相关, 忽略特质波动跨期变化的影响导致横截面回归时滞后特质波动的参数估计值被低估是以往文献中"特质波动之谜"存在的重要原因.
2) 特质波动变小——价值回归的信号
表 6第4列来看, 无论股价变动方向如何, 当特质波动由低变高时特质波动的变动幅度和上月特质波动水平值之间相关系数都不显著, 绝对值均小于0.1; 而当特质波动由高变低时特质波动的变动幅度和上月特质波动水平值之间相关系数都很显著, 绝对值均大于0.3, 绝对值的最大值达到0.6093.也就是说个股波动变大的速度和波动变小的速度具有非对称性: 波动变大的速度与上月波动水平关系并不密切; 但是波动变小的速度与上月波动水平正相关, 上月波动性越大本月波动变小的速度越快.这说明特质波动变小是价值回归的重要信号8, 尤其是个股波动"登高跌重"的同时伴随股价下跌很可能意味着被高估的股价正在向基础价值回归.
8特质波动与其未来跨期变化之间的负相关性与史永东和李凤羽(2012)具有一致性, 他们曾发现投资者意见分歧水平与其未来变动值负相关.
Stambaugh et al. (2015)将特质波动概括为一切套利阻力的代理变量, 我们认为信息不透明、不确定性、投资者分歧和短期投机都会阻碍股票价格向其基础价值回归, 这些因素之间具有内在的一致性9. 从套利阻力的角度来理解, 特质波动变小作为价值回归的信号就比较符合直觉: 那些特质波动和市盈率均处在较高位置的股票被高估的可能性大, 一旦套利阻力变小股价便开始向基础价值回归.
9D'Avolio (2002)曾经指出随着投资者分歧的变大, 乐观情绪主导市场, 卖空成本上升, 套利阻力变大.
表 3中特质波动高阶滞后项的参数估计值显著为负, 表示价值回归是一个长期过程.不控制特质波动高阶滞后项时两组子样本的滞后一期特质波动系数估计值都为负; 当进一步控制了特质波动高阶滞后项的影响之后, 滞后一期特质波动的系数估计值变得不显著, 波动变大组滞后一期特质波动与收益率之间的相关性由负转正而波动变小组滞后一期特质波动与收益率之间的相关性仍然为负. 这意味着只有当特质波动变小时价值回归才会在当月发生.另外, 经过计算我们发现不区分股价涨跌时表 6中低变高和高变高组个股收益率和换手率之间的横截面相关系数分别为0.29和0.19而高变低组个股收益率和换手率之间的横截面相关系数仅为0.08, 说明股票价值回归过程中短期投机的影响减弱.这些证据与A股市场的短期投机特性也非常吻合, 股票价格往往在短期被投机交易推高, 之后进入长期价值回归过程.

3 结论

本文从传导机制角度对A股市场特质波动和收益率之间的关系进行了研究, 结果发现A股市场存在典型的"特质波动之谜", 但是与发达国家不同, 我国股市"特质波动之谜"的主要成因并非价值回归而是短期投机和价值回归的轮动; 由散户交易推动的短期投机对未来收益具有显著的正向影响, 只有当特质波动出现变小趋势时, 短期投机的影响才会减弱使价值回归的影响表现出来, 特质波动的跨期变化趋势是判断轮动状态转换的重要信号.
我们的研究可以看作是对Stambaugh et al. (2015)研究的动态扩展, 他们仅从静态角度论证了价值回归对特质波动和未来收益之间关系的影响而没有考虑到价值回归过程的复杂性, 我们更进一步对波动率影响未来收益的动态机理进行了深入探讨. Stambaugh et al. (2015)仅仅使用组合收益模式统计方法验证了他们的推论而并没有进行个股层面的分析, 相比之下, 我们基于个股层面横截面回归所得到的结论更具稳健性, 深入的动态化分析也使我们的研究结论更可靠.除此之外, 我们还从实证角度检验了解释特质波动影响收益的多种理论之间具有内在的一致性.
从政策建议方面来说, A股市场特质波动中反映出来的散户交易特征和短期轮动性意味着投资者的理性程度还不够高, 为了市场的长期稳定健康发展, 监管者应重视对投资者进行教育引导, 帮其树立理性投资观念; 个股波动的变化不但影响投资者的决策也是判断股价未来走势的重要信号, 应进一步规范信息披露制度, 避免异常股价波动.

参考文献

包锋, 徐建国, 异质信念的变动与股票收益[J]. 经济学(季刊), 2015, (4): 1591- 1610.
Bao F , Xu J G , Innovations in Heterogeneous Beliefs and Stock Returns[J]. China Economic Quarterly, 2015, (4): 1591- 1610.
陈国进, 胡超凡, 王景, 异质信念与股票收益[J]. 财贸经济, 2009, (3): 1- 13.
陈国进, 张贻军, 王景, 再售期权、通胀幻觉与中国股市泡沫的影响因素分析[J]. 经济研究, 2009, (5): 106- 117.
Chen G J , Zhang Y J , Wang J , Resale Option, Inflation Illusion and the Chinese Stock Market Bubbles[J]. Economic Research Journal, 2009, (5): 106- 117.
陈峥嵘, 李佳明, 机构投资者的羊群行为与中小市值企业的成长性-基于中小板和创业板市场的实证检验[J]. 金融评论, 2012, (2): 73- 84.
李竹薇, 史永东, 于淼, 安辉, 中国股票市场特质波动率异象及成因[J]. 系统工程, 2014, (6): 1- 7.
Li Z W , Shi Y D , Yu M , An H , Idiosyncratic Volatility Anomalies and Reasons in Chinese Stock Markets[J]. Systems Engineering, 2014, (6): 1- 7.
廖理, 梁昱, 张伟强, 谁在中国股票市场中博彩?[J]. 清华大学学报(自然科学版), 2016, (6): 677- 684.
史永东, 李凤羽, 卖空限制、意见分歧收敛与信息披露的股价效应[J]. 金融研究, 2012, (8): 111- 124.
杨华蔚, 韩立岩, 中国股票市场特质波动率与横截面收益研究[J]. 北京航空航天大学学报(社会科学版), 2009, (1): 6- 10.
Yang H W , Han L Y , An Empirical Study of the Relationship between the Idiosyncratic Volatility and Cross-sectional Return[J]. Journal of Beijing University of Aeronautics and Astronautics (Social Sciences Edition), 2009, (1): 6- 10.
张峥, 刘力, 换手率与股票收益: 流动性溢价还是投机性泡沫?[J]. 经济学(季刊), 2006, (4): 871- 892.
Zhang Z , Liu L , Turnovers and Stock Returns: Liquidity Premium or Speculative Bubbles?[J]. China Economic Quarterly, 2006, (4): 871- 892.
郑振龙, 孙清泉, 彩票类股票交易行为分析: 来自中国A股市场的证据[J]. 经济研究, 2013, (5): 128- 140.
Zheng Z L , Sun Q Q , Lottery-like Stock Trading Behavior Analysis: Evidence from Chinese A-share Stock Market[J]. Economic Research Journal, 2013, (5): 128- 140.
左浩苗, 郑鸣, 张翼, 股票特质波动率与横截面收益: 对中国股市"特质波动率之谜"的解释[J]. 世界经济, 2011, (5): 117- 135.
Ang A , Hodrick R J , Xing Y , Zhang X , High Idiosyncratic Volatility and Low Returns: International and Further U.S. Evidence[J]. Journal of Financial Economics, 2009, 91, 1- 23.
Ang A , Hodrick R J , Xing Y , Zhang X Y , The Cross-section of Volatility and Expected Returns[J]. The Journal of Finance, 2006, 61 (1): 259- 299.
Bali T G, Bodnaruk A, Scherbina A D, Tang Y, (2016). Unusual News Flow and the Cross-section of Stock Returns[R]. Georgetown McDonough School of Business Research Paper, 2820320.
Bali T G , Cakici N , Idiosyncratic Risk and the Cross-section of Expected Returns[J]. Journal of Financial and Quantitative Analysis, 2008, 43, 29- 58.
Barber B M , Odean T , All That Glitters: The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors[J]. Review of Financial Studies, 2008, 21, 785- 818.
Bekaert G , Hodrick R J , Zhang X , Aggregate Idiosyncratic Volatility[J]. Journal of Fiancial and Quantitative Analysis, 2012, 47 (6): 1155- 1185.
Berkman H , Dimitrov V , Prem C J , Koch P D , Tice S , Sell on the News: Differences of Opinion, Short-sales Constraints, and Returns Around Earnings Announcements[J]. Journal of Financial Economics, 2009, 92, 376- 399.
Boehme R D , Bartley R D , Kumar P , Sorescu S M , Idiosyncratic Risk and the Cross-section of Stock Returns: Merton (1987) Meets Miller (1977)[J]. Journal of Financial Markets, 2009, 12, 438- 468.
Boyer B, Mitton T, Vorkink K, (2007). Idiosyncratic Volatility and Skewness: Time-series Relations and the Cross-section of Expected Stock Returns[R]. Working Paper, Brigham Young University, 84602.
Brandt M W , Brav A , Graham J R , Kumar A , The Idiosyncratic Volatility Puzzle: Time Trend or Speculative Episodes?[J]. The Review of Financial Studies, 2010, 23 (2): 863- 899.
Campbell J Y , Lettau M , Malkiel B G , Xu Y X , Have Individual Stocks Become More Volatile? An Empirical Exploration of Idiosyncratic Risk[J]. The Journal of Finance, 2001, 156 (1): 1- 43.
Cao X, Xu Y, (2010). Long-run Idiosyncratic Volatilities and Cross-sectional Stock Returns[R]. Working Paper, University of Texas at Dallas.
Chen J , Hong H , Stein J C , Breadth of Ownership and Stock Returns[J]. Journal of Financial Economics, 2002, 66, 171- 205.
Chen L H, Jiang G, Xu D, Yao T, (2012). Dissecting the Idiosyncratic Volatility Anomaly[M/OL]. Social Science Electronic Publishing. http://ssrn.com/abstract=2023883.
Chua C T, Goh J, Zhang Z, (2007). Idiosyncratic Volatility Matters for the Cross-section of Return-in More Ways Than One![R]. Working Paper, Singapore Management University.
Chua C T, Goh J, Zhang Z, (2008). Expected Volatility, Unexpected Volatility, and the Cross-section of Stock Returns[R]. Working Paper, Singapore Management University.
D'Avolio G M , The Market for Borrowing Stock[J]. Journal of Financial Economics, 2002, 66, 271- 306.
Drew M E , Naughton T , Veeraraghavan M , Is Idiosyncratic Volatility Priced? Evidence from the Shanghai Stock Exchange[J]. International Review of Financial Analysis, 2004, 13, 349- 366.
Eiling E, (2006). Can Nontradable Assets Explain the Apparent Premium for Idiosyncratic Risk? The Case of Industry-specific Human Capital[R]. Working Paper, Tilburg University.
Ewens M , Jones C M , Rhodes-kropf M , The Price of Diversifiable Risk in Venture Capital and Private Equity[J]. The Review of Financial Studies, 2013, 26 (8): 1853- 1889.
Fama E F , MacBeth J D , Risk, Return, and Equilibrium: Empirical Tests[J]. Journal of Political Economy, 1973, 81 (3): 607- 636.
Ferreira M A , Laux P A , Corporate Governance, Idiosyncratic Risk, and Information Flow[J]. The Journal of Finance, 2007, 62 (2): 951- 989.
Fu F , Idiosyncratic Risk and the Cross-section of Expected Stock Returns[J]. Journal of Financial Economics, 2009, 91, 24- 37.
Guo H , Savickas R , Relation between Time-series and Cross-sectional Effects of Idiosyncratic Variance on Stock Returns[J]. Journal of Banking & Finance, 2010, 34 (7): 1637- 1649.
Harrison J M , Kreps D M , Speculative Investor Behavior in a Stock Market with Heterogeneous Expectations[J]. The Quarterly Journal of Economics, 1978, 92 (2): 323- 336.
Huang W , Liu Q , Rhee G , Zhang L , Return Reversals, Idiosyncratic Risk and Expected Returns[J]. The Review of Financial Studies, 2010, 23 (1): 147- 168.
Jiang G J , Xu D , Yao T , The Information Content of Idiosyncratic Volatility[J]. The Journal of Financial and Quantitative Analysis, 2009, 44 (1): 1- 28.
Kumar A , Who Gambles in the Stock Market?[J]. The Journal of Finance, 2009, 64 (4): 1889- 1933.
Malkiel B, Xu Y, (2006). Idiosyncratic Risk and Security Returns[R]. Working Paper, University of Texas at Dallas.
Merton R C , A Simple Model of Capital Market Equilibrium with Incomplete Information[J]. The Journal of Finance, 1987, 42 (3): 483- 510.
Miller E M , Risk, Uncertainty and Divergence of Opinion[J]. The Journal of Finance, 1977, 32, 1151- 1168.
Scheinkman J A , Xiong W , Overconfidence and Speculative Bubbles[J]. Journal of Political Economy, 2003, 111 (6): 1183- 1220.
Spiegel M, Wang X, (2005). Cross-sectional Variation in Stock Returns: Liquidity and Idiosyncratic Risk[R]. Working Paper, Connecticut: Yale University.
Stambaugh R F , Yu J , Yuan Y , Arbitrage Asymmetry and the Idiosyncratic Volatility Puzzle[J]. The Journal of Finance, 2015, 70 (5): 1903- 1948.

版权

版权所有,未经授权。
PDF(864 KB)

1757

Accesses

0

Citation

Detail

段落导航
相关文章

/