前景理论的预测能力:基于股改的实证分析

钟晓玲, 王军波

计量经济学报 ›› 2021, Vol. 1 ›› Issue (4) : 788-813.

PDF(796 KB)
PDF(796 KB)
计量经济学报 ›› 2021, Vol. 1 ›› Issue (4) : 788-813. DOI: 10.12012/CJoE2021-0063
论文

前景理论的预测能力:基于股改的实证分析

    钟晓玲1(), 王军波2()
作者信息 +

Predictive Power of Prospect Theory: Evidence from Chinese Stock Market

    Xiaoling ZHONG1(), Junbo WANG2()
Author information +
文章历史 +

摘要

自1980年代以来,前景理论已被证明在各种市场中具有预测能力.以往的文献表明,个人投资者在做出投资决策时更多地依赖于他们的直觉.本文以股权分置改革作为外生冲击,利用中国A股数据直接检验前景理论的预测能力.实证证据一致表明,前景理论对中国A股的个股收益具有显著的预测能力,尤其是对个人投资者占主导地位的非国有企业.与西方市场上的发现所不同的是,前景理论的所有三个组成部分(损失厌恶、概率加权和凹凸性)都对前景理论的预测能力有显著贡献.股权分置改革后,前景理论及其三个组成部分对于个股收益的预测能力较股权分置改革前更强,这一预测能力的增强对于国有企业尤为显著.

Abstract

Since the 1980s, prospect theory has been showed to have predictive power in various markets. Previous literature suggest that individual investors rely more on their intuition when making investment decisions. In this paper, using equity division reform as exogenous shock and Chinese stock market data, we directly test the predictive power of prospect theory. The empirical evidences consistently show that prospect theory has significant predictive power in Chinese stock market, especially for individual investors dominated Non-SOEs. Different from previous findings, all the three components of prospect theory significantly contribute to PTV's predictive power. After the equity division reform, the predictive power of prospect theory and its three components is much stronger, especially for SOEs.

关键词

前景理论 / 中国股市 / 损失厌恶 / 概率加权

Key words

prospect theory / Chinese stock market / loss aversion / probability weighting

引用本文

导出引用
钟晓玲 , 王军波. 前景理论的预测能力:基于股改的实证分析. 计量经济学报, 2021, 1(4): 788-813 https://doi.org/10.12012/CJoE2021-0063
Xiaoling ZHONG , Junbo WANG. Predictive Power of Prospect Theory: Evidence from Chinese Stock Market. China Journal of Econometrics, 2021, 1(4): 788-813 https://doi.org/10.12012/CJoE2021-0063

1 引言

Kahneman and Tversky (1979)提出了前景理论, Tversky and Kahneman (1992) 将其修改为已知的累积前景理论.自那时起, 前景理论就被广泛认为是最成功的决策描述理论.前景理论的基本概念涉及投资者编码和评估金融资产的心理过程(Kahneman and Tversky (1984)).许多研究提供的证据表明, 前景理论可以解释一些金融现象, 例如IPO的长期表现不佳(Ma and Shen (2003)), 股票收益的偏度(Barberis and Huang (2008)), 通胀感知(Brachinger (2008)), 股票期权定价(Gurevich, Kliger and Levy (2009)), 以及股票动量(Menkhoff and Schmeling (2006))等.
Benartzi and Thaler (1995)提出, 投资者通过计算其历史收益分布的前景理论值来评估股票/债券, 在此基础上, Barberis, Mukherjee and Wang (2016)在个股层面提出了一个前景理论模型.根据Kahneman and Frederick (2002), 投资者在做决定时遵循两个步骤的心理过程.在第一步骤中, 投资者对个股进行直观的评估, 称为系统1思维.在第二步骤中, 他们以更为复杂的方式重新评估他们在第一步骤中作出的判断, 这被称为系统2思维.前景理论是对系统1思维的一种量化方法.文献表明, 即使投资者在做决策的过程中会涉及到系统2思维, 系统1思维也往往贯穿投资者的整个思维过程(例如, Frederick (2005)).直观上, 个人投资者更可能基于系统1思维做出决策, 而机构投资者更可能采用系统2思维来做出判断.
构建前景理论值有三个组成部分:损失厌恶、概率加权和凹凸性.在这三个组成部分中, 损失厌恶和概率加权已成功用于解释金融市场中的异常现象.例如, Benartzi and Thaler (1995)使用损失厌恶来解释股权溢价之谜. Weber and Camerer (1998)以及Frazzini (2006)使用概率加权为处置效应提供了理论解释.虽然有很多关于美国股市前景理论的研究, 但很少有文章系统研究前景理论在以个人投资者为主导的中国股市中的预测能力1.
1Barberis, Mukherjee and Wang(2016)基于46个国际市场研究了前景理论对于个股收益的预测能力, 但没有系统研究中国股市.
1990年代重新开市后, 中国股市迅速扩张.然而与美国股市相比, 中国股市还不成熟, 发展程度也较低(Fernald and Rogers (2002)).正如之前的许多文献中所指出的那样, 超过70 %的流通股由个人投资者持有, 而这些个人投资者普遍被认为不那么专业, 在做出投资决策时倾向于依靠自己的直觉.前景理论恰好提供了一种量化方法来衡量投资者对资产的直觉印象, 因此在以个人投资者为主导的中国股市上, 前景理论应该有着相对于美国股市更加显著的预测能力.
在中国股市上市的公司有两类:国有企业和非国有企业.非国有企业主要由个人投资者主导, 而国有企业则拥有更多的机构投资者.具体而言, 国有企业由国务院国有资产监督管理委员会(国资委)控制, 该委员会是国务院直属的专门委员会, 其主要职责是监督国有企业的管理, 主要是任命高级管理人员、批准兼并、出售股票或资产.然而, 由于代理成本的存在, 文献中广泛认为国资委的监管不仅薄弱, 而且有严重的时滞性(例如, Cheng (2004)).
从2005年4月开始, 中国当局开展了一系列名为股权分置改革的活动, 以解决流通股和非流通股并存的问题, 其中非流通股主要由国资委所有.此次改革旨在逐步将非流通股转为流通股, 整个过程历时一年多.至2006年底为止, 新上市公司的股份全部流通, 95 %以上的原上市公司完成了转股.这次改革带来了市场投资者结构的重大变化:机构投资者持股大幅减少, 大量个人投资者进入市场, 尤其是国有企业.投资者结构的变化使这次改革成为了检验投资者类型与PTV预测能力之间关系的独特的准自然实验环境.
除了投资者结构的变化, 以往的研究还指出, 股改后公司层面和市场层面的其他变量也都发生了变化.其中一个发生变化的企业层面特征是盈利能力. Calomiris, Fisman and Wang (2010)指出, 中国的私有化过程可能与企业利润下降有关. Chen, Firth and Rui (2006)发现股改对国有企业和非国有企业的影响不同.他们的研究表明, 国有企业在私有化后盈利能力有所下降.也有文献得出相反的结论.比如Megginson and Netter (2001)以及Kikeri and Nellis (2004)在研究中发现, 私有化通常可以提高公司的盈利能力. Beltratti, Bortolotti and Caccavaio (2012)也发现中国的这次改革对公司的盈利能力带来了积极的影响.
另一个显著变化是市场流动性的变化.由于流通股供应量的增加, 股市的流动性显著增加了, 并且流动性的增加同时发生在公司层面和市场层面.以往的研究发现, 股改的公布对市场流动性产生了长期的积极影响(Beltratti, Bortolotti and Caccavaio (2012), Qian, Tam and Zhang (2014)).文献还考察了股改对公司治理的影响, 得出的结论是, 因为股改没有从根本上改变所有制结构, 因此并没有发现任何证据表明公司治理有所改善(Bu, Uchida and Zhang (2013), Liu, Liao and Wang (2014)).
为了单独考察投资者结构变化对于前景理论预测能力的影响, 排除盈利能力和流动性变化的影响, 我们在本文的分析中将盈利能力和流动性等变量作为控制变量.
在本文中, 我们首先研究了前景理论对个股收益的预测能力.基于1996年1月至2015年6月中国股市的月度数据, 我们计算了每只股票的前景理论值(PTV), 发现PTV对个股的后续收益具有预测能力.为了进一步探索前景理论的哪个组成成分对其预测能力有贡献, 我们分别检查了PTV的三个组成成分, 发现凹凸性对PTV的预测能力也有显著的贡献.这与从美国股市得出的结论不同.在美国股市中, 概率加权这个组成成分在PTV的预测能力中起到主要作用, 而凹凸性则作用不明显.我们进一步检查了PTV及其组成成分分别对国有企业和非国有企业的预测能力.尽管PTV及其三个组成成分对非国有企业和国有企业的预期收益都有显著的预测能力, 但它对非国有企业收益的预测能力远高于对国有企业收益的预测能力.
随后, 我们研究了股权分置改革对PTV及其组成成分的预测能力的影响.实证表明, 由于投资者结构的变化, 股改后PTV及其组成成分对于个股收益的预测能力更强.此外, 股改对于PTV及其组成成分预测能力的影响对国有企业和非国有企业也有所不同.由于更多的个人投资者在股改后流向国有企业, PTV及其组成成分对国有企业收益的预测能力因股改而更加显著地增强了.
本文的内容安排如下: 第2节介绍前景理论及其三个组成成分; 第3节提出文章的三个假设检验; 第4节对文章所分析的数据进行描述; 第5节讨论实证检验前景理论预测能力的结果; 第6节报告股权分置改革对前景理论预测能力的影响; 第7节总结本文的主要发现.

2 前景理论及其组成成分

投资者通常通过查看其历史收益分布来对个股进行评估.因此, 本文采用Barberis, Mukherjee and Wang (2016)构建个股前景理论值的方法, 用个股的历史收益来构建个股层面的前景理论值, 以衡量投资者对个股的第一印象和直观评估.
我们定义一只股票的历史收益分布为其过去60个月的月收益.这60个月收益按递增顺序排列, 形成一系列ri.假设这些收益中有m个为负, 其余n=60m个为正.股票的前景理论值(PTV) 定义为:
PTV=i=1n+mE(ri)πi,
(1)
其中
E(ri)={ricri0λ(ri)cri0
(2)
是价值函数,
πi={f(ni+160)f(ni60)ri0f(i+m+160)f(i+m60)ri0,
(3)
f(p)=pδ[pδ+(1p)δ]1/δ
(4)
是概率加权函数.
等式(1)~(4)中定义的PTV由三个分量组成, 损失厌恶(LA)、凹凸性(CC)和概率加权(PW). LA成分由参数λ表示, 该参数反映了投资者对相同损失幅度的敏感度.较高的λ值意味着对损失的敏感度更高.大于1的λ意味着投资者对损失比对相同幅度的收益更敏感.当λ=1时, 投资者没有损失厌恶.也就是说, 投资者对相同幅度的损失和收益的敏感度是相同的. Tversky and Kahneman (1992) 估计λ为2.25. Gonzalez and Wu (1999)以及Abdellaoui (2000)使用非参数方法并获得类似的估计值.这意味着损失带来的痛苦大约是获得同样程度的收益带来的幸福程度的两倍.换句话说, 损失带来的心理影响相对于收益来说是双倍的.
前景理论的第二个和第三个组成成分分别是凹凸性(CC)和概率加权(PW).这两个组成部分都反映了敏感度递减的心理学原理, 即随着我们远离参考点, 边际变化的心理影响会降低.等式(2)中的价值函数是一条S形曲线, 这意味着投资者在收益领域倾向于厌恶风险, 在损失领域倾向于寻求风险.例如, 从5美元增加到10美元对投资者的心理影响比同样从1, 005美元增加到1, 010美元的5美元的影响更大, 这意味着风险较高的行为不会为投资者带来足够的附加值.因此, 投资者倾向于规避风险.相比之下, 在亏损的情况下, 从10美元降至5美元比从1, 010美元降至1, 005美元对投资者的心理影响更大, 这意味着投资者倾向于寻求风险.参数c体现了敏感度递减的幅度.当c=1时, 价值函数(2)为线性值函数, 这意味着敏感度没有递减, 这时投资者对从5美元增加到10美元和从1005美元增加到1010美元的快乐感知是一样的.
敏感度递减的原则也适用于等式(4)中的加权函数.这是指当人们远离概率为0的参考点(指"肯定不会发生"的情况)或概率为1的参考点(指"肯定会发生")时, 对概率的变化变得不那么敏感的情况.这体现在前景理论的第三个成分PW上, 它捕捉了需要在小概率的极大收益(损失)和某个大概率的极小收益(损失)之间做出决定的投资者的行为.事实上, 投资者在面临可能的收益时往往会选择前者, 而在面临可能的损失时往往会选择后者.例如, 投资者倾向于选择概率为0.001的1000美元收益而不是1美元的确定收益, 这被称为"彩票型"需求2.但是, 投资者倾向于选择必然亏损1美元而不是以0.001的概率亏损1000美元, 这被称为"保险型"需求.等式(4)中的logit函数通过给小概率的极端结果赋予较大的权重, 来反映投资者对极端收益的追求和对极端损失的避免.参数δ(0,1)用于控制赋予权重的大小. δ越小, 赋予极端结果的权重越大.当δ=1f(p)=p, 意味着此时不会给极端结果赋予不同的权重.在这种情况下, 1美元的确定收益和概率为0.001的1000美元收益对投资者来说没有什么不同.

3 假设发展

在本节中, 我们提出三个假设.第一个假设是检验PTV对后续收益是否具有预测能力, 以及对国有企业和非国有企业的预测能力是否不同.第二个假设是探索前景理论的哪个方面(三个组成部分)决定了个股是否有吸引力, 以及这三个组成部分对于国有企业和非国有企业个股收益的预测能力是否不同.第三个假设是检验股权分置改革对PTV及其组成部分对整个市场、国有企业和非国有企业的预测能力的影响.
先前的研究(如Barberis, Mukherjee and Wang (2016))表明, 描述投资者直觉印象的前景理论在预测市场的后续收益时具有很强的预测能力, 许多个人投资者很大程度上依赖他们的第一印象做出投资决策.正如我们在引言中所讨论的, 中国股市尤其是非国有企业由个人投资者主导.由于中国股市的这种投资者结构, 我们很自然地认为前景理论可以预测后续收益.我们的第一个假设陈述如下:
假设 1  的预测能力应该更强.
Barberis, Mukherjee and Wang (2016)基于美国股市的数据发现前景理论的预测能力主要来自LA和PW这两个成分, 而CC成分对其预测能力的贡献不大.中国股市的投资者在结构和投资行为上都不同于美国股市投资者.中国股市由个人投资者主导, 个人投资者相对不成熟, 并且对"彩票型"需求有强烈的偏好.因此, 可以很自然地预期中国股市中的PTV组成成分的预测能力将与之前在美国股市中的发现有所不同.
早期的一些研究将中国人和其他亚洲人与美国人和其他西方人在基本判断和决策行为方面进行了比较, 均发现这两个群体之间存在跨文化差异(参见, Wright, Phillips and Wisudha (1983), Yates and Lee (1995), Weber and Hsee (1998)).例如, Chen et al. (1993)表明, 与白人样本相比, 中国人具有更高的破坏性、重复性发生的赌博行为3. Weber and Hsee (1998)认为中国人在投资时比美国人更喜欢冒险, 这可能是由于集体主义文化中存在的"社会缓冲"效应.在这种文化中, 家人和朋友可以帮助提供更多安全感, 在极端损失的情况下提供财政支持. Wang, Shi and Fan (2006)提出, 我国个人投资者普遍低估了股票市场的风险, 从而导致我国个人投资者的投机性投资的文化.这些研究都得出结论, 中国投资者比美国投资者更倾向于追求风险.正如Zhong et al. (2009)所提出的那样, 鉴于我国个人投资者投机性风险承受能力普遍高于其他类型的投资者, 他们的敏感度会更加迅速地递减.正如我们之前讨论的, 敏感度的递减由前景理论中PW和CC这两个组成成分所描述, 因此在中国股市中这两个组成成分也应该贡献了前景理论预测能力中很大的一部分.
3其他显示中国人赌博行为的研究可以在Loo, Raylu and Oei (2008), 陆昌等(2021), 刘帅等(2021), 吴卫星等(2021)等的研究中找到.
另外, 我国国有企业和非国有企业的投资者结构也有很大不同.个人投资者持有近80 %的非国有企业股份, 但仅持有约30 %的国有企业股份.非国有企业个人投资者比例越大, 彩票类需求越强, 其风险承受能力也越高.因此我们预计PW和CC这两个组成成分对非国有企业个股收益的预测能力将强于对国有企业个股收益的预测能力.
结合以上论点我们得出第二个假设:
假设 2  除了LA和PW, CC也应该对前景理论的预测能力有显著贡献, 并且PW和CC对非国有企业个股收益的预测能力应该强于对国有企业个股收益的预测能力.
股权分置改革后, 大量个人投资者涌入中国股市.投资者结构, 尤其是国有企业的投资者结构发生了显著变化.个人投资者在金融投资领域并不专业, 因此对个股的评估更依赖于第一印象.因为PTV测量的是投资者依靠直觉做出的评估, 不涉及复杂的思维方式, 因此应该更多地体现在个人投资者身上(Barberis, Mukherjee and Wang (2016)).可以预测股权分置改革后, PTV及其组成部分的预测能力会更强, 其预测能力对于国有企业增强地更加明显.因此, 我们得出如下第三个假设:
假设 3  股权改革后, 前景理论及其组成部分的预测能力更强, 尤其是对国有企业.

4 实证数据

本文从中国经济金融研究数据库(CSMAR)中提取股票收益和会计数据, 从万德数据(WDS) 检索股票机构持有和所有权信息.样本涵盖1996年1月至2015年6月.我们将样本限制为A股, 并要求股票有超过30个月收益数据, 最终样本包括2, 576家公司, 280, 243公司/月度数据.
本文包括如下几个众所周知的股票收益横截面预测变量作为控制变量:公司规模是上月末公司流通股本市值的对数; BM是根据Fama and French (1992) 计算得出的公司账面市值比的对数; MOM是动量变量, 计算为个股从t12月到t2月的累积收益.另外, 本文的控制变量还包括非流动性、波动性、短期和长期反转收益.具体来说, 使用Amihud (2002)测量t1月的非流动性(ILLIQ)和股票在t1月的每日收益的异质波动性(IVOL) (Ang et al.(2009)); 短期反转指标(REV)为股票滞后收益; 长期反转指标(LTREV)为股票从t60月到t13月累积收益.
除了这些众所周知的预测变量外, 研究表明一些与偏度相关的变量也具有对后续收益的预测能力(参见Bali, Cakici and Whitelaw (2011)).因此, 我们在研究中包括了四个代表性的偏度相关变量, 这四个变量是: 1)股票在t1月的最大单日收益(MAX); 2)股票在t1月的最低单日收益(MIN); 3)股票过去五年月度收益的偏度(SK); 4)行业内股票的横截面收益偏度(IndSK)4.
4我们采用中国证监会(CSRC)制定的13个行业分类.行业中的所有公司都被分配了相同的行业偏度.
根据Barberis, Mukherjee and Wang (2016)的发现, 市场Beta系数在预测后续收益方面起到作用.因此, 本文还在分析中包括了根据Fama and French (1992)使用前60个月的月度收益作为控制变量计算出的股票贝塔系数(Beta).此外, Fama-French三因子(SMB、HML、MKT)、Car-hart的动量因子以及Pastor-Stambaugh的流动性风险因子也有助于解释股票收益, 因此在我们的分析中, 我们把这些系统性因子也包含做为控制变量.
表 1报告了所有变量的统计量.子表A列出了各变量的时间序列平均值和标准偏差.子表B报告了变量之间的相关系数.账面市值比的对数(BM)的平均值为1.17, 这意味着平均来说股票的价值被严重高估.这种现象对于非国有企业尤其明显, 其平均值为1.29.正如我们在上一节中讨论的, 中国个人投资者具有较高的投机性和风险承受能力, 甚至可能追求风险, 高Beta值的股票对这些投机性投资者具有吸引力, 从而导致PTV较高.子表B中Beta和PTV之间的正相关支持了这一猜想. Barberis, Mukherjee and Wang (2016)说明了概率权重会提高正偏度的PTV, 因此PTV应该随着股票历史收益和偏度的增加而增加.相关系数表明, PTV与过去收益(REV、LTREV、MOM)、过去偏度(SK)的度量呈正相关, 与这些文献的结论相一致.
表1 变量统计量
子表A. 均值统计量
PTV Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK
所有公司 Mean –0.06 1.02 7.95 –1.17 –0.01 3.44 0.02 0.05 0.04 0.00 –0.05 0.88 1.62
Std. Dev. 0.01 0.05 0.56 0.36 0.02 3.62 0.01 0.02 0.03 0.00 0.06 0.17 2.15
国有企业 Mean –0.06 1.00 8.11 –1.08 –0.02 3.20 0.02 0.05 0.04 0.00 –0.06 0.88 1.62
Std. Dev. 0.01 0.06 0.56 0.36 0.03 4.04 0.01 0.02 0.03 0.01 0.10 0.15 2.12
非国有企业 Mean –0.06 1.06 7.63 –1.29 0.00 3.77 0.02 0.06 0.04 0.00 –0.07 0.87 1.65
Std. Dev. 0.01 0.05 0.59 0.40 0.04 3.40 0.01 0.02 0.03 0.02 0.05 0.20 2.28
子表B. 相关系数矩阵
PTV Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK
Beta 0.32
Size 0.21 –0.20
BM –0.17 –0.11 0.07
MOM 0.38 0.04 0.19 –0.28
ILLIQ –0.02 –0.02 –0.18 –0.16 0.00
REV 0.11 0.02 0.05 –0.10 0.01 –0.02
LTREV 0.57 0.09 0.25 –0.18 –0.07 0.00 –0.03
IVOL 0.01 0.16 –0.12 –0.13 0.07 –0.04 0.20 –0.05
MAX 0.05 0.13 –0.07 –0.12 0.07 –0.03 0.28 –0.02 0.71
MIN –0.07 0.09 –0.10 0.05 –0.04 –0.06 –0.18 –0.07 0.39 0.13
SK 0.59 0.37 0.03 –0.10 0.13 0.00 0.04 0.23 0.08 0.07 0.02
IndSK 0.00 0.01 –0.02 0.02 0.00 0.00 0.01 0.00 0.00 0.00 0.00 0.00
注:该表报告了各个变量的统计量.样本涵盖1996年1月至2015年6月.子表A报告时间序列均值和标准偏差.子表B报告整个样本变量之间的相关系数. PTV是股票历史收益分布的前景理论值; Beta、Size、BM是特征变量, 分别是按照Fama and French (1992)计算的股票的Beta、市值(百万)对数和账面市值比的对数; MOM是动量, 定义为从t12到t2月的累积收益(百分比); ILLIQ是Amihud (2002)衡量非流动性的指标; IVOL是异质收益波动率; MAX和MIN是t1月的最大和负最小每日收益(以百分比表示); REV是短期反转收益, 以滞后的月度收益(百分比)来计算; LTREV是长期反转收益, 计算为从t60月到t13月的累积收益(百分比); SK是过去五年月收益的偏度; IndSK是行业内股票的横截面偏度.我们采用中国证监会(CSRC)的行业分类对公司进行分类, 同一行业的所有公司拥有相同的行业偏度.

5 全样本的实证结果

在本节中, 我们首先使用月度数据研究前景理论及其组成部分对所有公司、国有企业和非国有企业的股票收益预测能力.样本期涵盖1996年1月至2015年6月.我们将同时进行投资组合分析和Fama-MacBeth回归分析来检验我们的假设.

5.1 PTV的预测能力

5.1.1 投资组合分析

首先我们将所有股票根据其PTV分为十个投资组合, 然后计算每个投资组合在随后一个月的等权重平均收益5.表 2报告了按照Daniel et al. (1997)计算的投资组合超额收益、三因子alpha、五因子alpha和特征调整收益.超额收益是每个投资组合超过市场收益的平均收益.三因子alpha是由Fama-French三因子调整后的超额收益; 五因子alpha是由Fama-French三因子、Carter's UMD因子以及Pastor-Stambaugh's LIQ因子调整后的超额收益; 特征调整收益是由特征变量(公司规模、BM和MOM)调整后的超额收益.
5我们还计算了每个投资组合的市值加权收益, 结果没有实质性变化.
表2 投资组合收益
Low P2 P3 P4 P5 P6 P7 P8 P9 High L-H
子表A. 所有公司
超额收益 1.434***
(3.45)
0.350
(1.37)
0.472
(1.61)
–0.173
(–0.91)
0.413*
(1.80)
0.077
(0.61)
–0.105
(–0.52)
–0.169
(–0.98)
–0.484**
(–2.45)
–0.564**
(–2.16)
1.998***
(3.62)
三因子alpha 0.904**
(2.32)
0.782**
(2.02)
0.768***
(3.50)
0.690***
(3.92)
0.433***
(2.92)
0.610***
(3.46)
–0.114
(–0.72)
–0.111
(–0.58)
–0.597**
(–2.40)
–1.221***
(–3.86)
2.124***
(3.34)
五因子alpha 1.166***
(2.64)
1.064**
(2.43)
0.870***
(3.48)
0.800***
(4.06)
0.463***
(2.73)
0.476**
(2.37)
–0.155
(–0.86)
–0.069
(–0.32)
–0.682**
(–2.42)
–1.312***
(–3.65)
2.478***
(3.43)
特征调整后收益 1.081***
(4.94)
0.830***
(4.26)
0.767***
(3.14)
0.216
(1.22)
0.621***
(2.69)
0.137
(1.22)
–0.117
(–0.55)
–0.303*
(–1.86)
–0.747***
(–4.08)
–0.886***
(–5.03)
1.967***
(6.11)
子表B. 国有企业
超额收益 0.569**
(1.98)
0.317
(0.95)
0.518
(1.45)
–0.305
(–1.33)
0.232
(0.85)
0.012
(0.07)
–0.177
(–0.89)
–0.138
(–0.72)
–0.488**
(–2.20)
–0.722**
(–2.40)
1.292***
(2.84)
三因子alpha 0.709*
(1.91)
0.563
(1.44)
0.864***
(3.41)
0.696***
(2.99)
0.518**
(2.39)
0.861***
(3.19)
–0.123
(–0.53)
0.048
(0.20)
–0.353
(–1.19)
–1.226***
(–3.33)
1.935***
(3.07)
五因子alpha 0.929**
(2.19)
0.790*
(1.78)
0.804***
(2.78)
0.748***
(2.82)
0.562**
(2.27)
0.726**
(2.36)
–0.182
(–0.70)
0.102
(0.37)
–0.464
(–1.37)
–1.333***
(–3.18)
2.262***
(3.15)
特征调整后收益 0.828***
(4.42)
0.981***
(3.75)
1.123***
(3.53)
0.282
(1.36)
0.542**
(2.03)
0.100
(0.61)
–0.120
(–0.58)
–0.184
(–1.19)
–0.694***
(–3.45)
–0.909***
(–3.98)
1.738***
(5.78)
子表C. 非国有企业
超额收益 2.778***
(3.17)
0.475
(1.41)
0.699*
(1.90)
0.280
(1.03)
0.566*
(1.70)
–0.034
(–0.16)
0.011
(0.05)
–0.376
(–1.62)
0.070
(0.23)
–0.539**
(–1.83)
3.317***
(3.47)
三因子alpha 1.205**
(2.10)
0.928**
(2.04)
0.788*
(1.74)
0.900**
(2.01)
0.537*
(1.95)
0.623**
(2.36)
–0.129
(–0.42)
0.059
(0.19)
–0.683*
(–1.82)
–1.283***
(–3.75)
2.487***
(3.26)
五因子alpha 1.579**
(2.41)
1.290**
(2.54)
1.159**
(2.40)
1.209**
(2.47)
0.676**
(2.18)
0.529*
(1.78)
–0.163
(–0.49)
0.085
(0.25)
–0.599
(–1.45)
–1.221***
(–3.22)
2.800***
(3.25)
特征调整后收益 1.460***
(3.79)
0.465
(1.60)
0.548*
(1.69)
0.264
(1.15)
0.556*
(1.88)
0.008
(0.04)
–0.116
(–0.63)
–0.614***
(–2.62)
–0.283
(–1.01)
–0.877***
(–3.62)
2.337***
(4.77)
注:该表列出了按PTV排序的投资组合收益(百分比)和alpha值. PTV是股票历史收益分布的前景理论值.所有股票都根据PTV的大小分为十个投资组合.我们报告超额收益、三因子alpha、五因子alpha和特征调整后收益.三因子alpha是由Fama-French三因子调整后的收益; 五因子alpha是由Fama-French三因子、Carhart第四因子UMD以及Pastor-Stambaugh的LIQ流动性指标调整后的收益; 特征调整后收益是由特征变量(公司规模、BM和MOM)调整后的收益. L-H是做多最低PTV的投资组合并做空最高PTV的投资组合的差值投资组合的等权重平均收益.样本涵盖1996年1月至2015年6月.括号中为T统计量, ******分别表示在10 %、5 %和1 %水平上显著.
表 2的子表A报告了所有公司的投资组合收益.这些收益展现出一个明显的规律, 即较高的PTV投资组合将在下个月获得较低的收益.最右边的一列列出了做多最低PTV投资组合的股票并做空最高PTV投资组合的股票的多空投资组合的平均收益.超额收益、三因子alpha、五因子alpha和特征调整收益的最高和最低PTV组合之间的平均收益差异分别为1.998 %、2.124 %、2.478 %和1.967 %.最高和最低PTV组合之间的所有收益差异均在1 %的水平上显著.
表 2的子表B和C分别报告了国有企业和非国有企业的投资组合收益.同样, 国有企业和非国有企业的所有多空投资组合收益都为正且在1 %的水平上显著.非国有企业的所有多空投资组合收益都远高于国有企业.例如, 非国有企业最高和最低PTV投资组合之间的平均超额收益差异为3.317 %, 而对国有企业这个差异仅为1.292 %.
总体而言, 投资组合分析结果提供了强有力的实证证据来支持我们的假设1.前景理论对后续预期收益具有显著的预测能力, 而对非国有企业的预测能力要更强.

5.1.2 Fama-MacBeth回归分析

在本节中, 我们使用Fama-MacBeth回归来检查PTV的预测能力, 以更好地控制已知的收益预测因素.回归结果如表 3所示.每一行对应一个不同的模型, 每个模型包括了不同的控制变量.为简洁起见, 我们仅使用表 3中的完整模型(模型5)报告国有企业和非国有企业的结果.
表3 回归分析
PTV Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
子表A. 所有公司
模型1 –0.111 0.070 0.140 –0.198 –0.072 0.151
(–7.40) (3.58) (8.32) (–12.70) (–5.52)
模型 2 –0.111 0.075 0.122 –0.208 –0.077 –0.073 –0.095 0.174
(–7.68) (3.94) (6.97) (–15.19) (–6.08) (–2.76) (–5.44)
模型 3 –0.102 0.075 0.132 –0.213 –0.076 –0.068 –0.117 –0.008 0.190 0.187
(–7.44) (3.95) (7.41) (–15.33) (–6.24) (–2.40) (–5.47) (–0.75) (5.30)
模型 4 –0.081 0.070 0.163 –0.260 –0.133 –0.073 –0.077 0.010 0.100 –0.096 –0.113 0.212
(–6.47) (3.36) (9.60) (–16.60) (–10.75) (–2.66) (–3.14) (0.98) (2.82) (–7.60) (–13.53)
模型 5 –0.054 0.081 0.156 –0.268 –0.149 –0.079 –0.070 0.011 0.107 –0.097 –0.126 –0.020 0.074 0.220
(–3.06) (3.58) (8.07) (–16.30) (–10.32) (–2.78) (–2.67) (1.19) (3.19) (–7.17) (–13.39) (–2.10) (1.60)
子表B. 国有企业
模型 5 –0.050 0.059 0.132 –0.271 –0.133 –0.053 –0.094 0.013 0.153 –0.091 –0.129 –0.022 0.157 0.231
(–2.04) (2.90) (8.01) (–15.11) (–11.91) (–1.34) (–4.70) (1.13) (3.62) (–8.28) (–13.18) (–2.20) (1.34)
子表C. 非国有企业
模型 5 –0.060 0.070 0.234 –0.248 –0.180 0.058 –0.068 0.005 0.086 –0.100 –0.177 –0.023 0.097 0.251
(–2.01) (2.64) (11.48) (–14.47) (–10.36) (1.43) (–3.03) (0.33) (2.03) (–9.21) (–11.16) (–2.05) (1.28)
注:该表报告了Fama-MacBeth回归的标准化估计系数.PTV是股票历史收益分布的前景理论值; Beta、Size、BM是特征变量,分别是按照Fama and French(1992)计算的股票的Beta、市值(百万)对数和账面市值比的对数;MOM是动量, 定义为从t-12到t-2月的累积收益(百分比);ILLIQ是Amihud (2002)衡量非流动性的指标; IVOL是异质收益波动率;MAX和MIN是t-1月的最大和负最小每日收益(以百分比表示);REV是短期反转收益, 以滞后的月度收益(百分比)来计算;LTREV是长期反转收益, 计算为从t-60月到t-13月的累积收益(百分比);SK是过去五年月收益的偏度;IndSK是行业内股票的横截面偏度.我们采用中国证监会 (CSRC)的行业分类对公司进行分类,同一行业的所有公司拥有相同的行业偏度.样本涵盖1996年1月至2015年6月.括号中的所有t统计量均经过12阶Newey-West调整, ******分别表示在10 %、5 %和1 %水平上显著.
在所有模型中, PTV的系数始终为负, 并在1 %水平上显著.这说明即使在我们包含了众所周知的收益预测变量作为控制变量之后, PTV仍保留着对后续预期收益的显著预测能力.不论对国有企业还是非国有企业, PTV系数均在5 %的水平上显著, 且PTV对非国有企业的预测能力略强.
Fama-MacBeth回归结果与表 2中的投资组合分析结果一致.这为支持我们的假设1提供了更多证据, 即前景理论对于后续收益具有显著的预测能力, 对非国有企业个股收益的预测能力更强.

5.2 PTV组成成分的预测能力

本节将探索前景理论的哪些方面决定了该股票对中国股市的投资者是否有吸引力.具体来说, 我们讨论前景理论的三个组成部分中的哪一个对PTV的预测能力有贡献6.
6为简洁起见, 本文仅报告回归结果.投资组合分析得出了类似的结论, 省略的结果可根据需求提供.
表 4报告了三个组成成分及其组合(LACC、LAPW和CCPW)的Fama-MacBeth回归结果.所有公司、国有企业和非国有企业的结果分别在子表A、B和C中报告.在每个子表中, 每行对应一个不同的Fama-MacBeth回归, 每个回归包含一个前景理论变量和至多十二个控制变量.
表4 PTV组成成分: LA、CC和PW的Fama-MacBeth回归
子表A. 所有公司
PTV Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
PTV –0.054 0.081 0.156 –0.268 –0.149 –0.079 –0.070 0.011 0.107 –0.097 –0.126 –0.020 0.074 0.220
(–3.06) (3.58) (8.07) (–16.30) (–10.32) (–2.78) (–2.67) (1.19) (3.19) (–7.17) (–13.39) (–2.10) (1.60)
LA –0.103 0.080 0.159 –0.274 –0.148 –0.077 –0.076 0.011 0.103 –0.098 –0.122 0.002 0.061 0.221
(–6.50) (3.70) (8.38) (–15.40) (–10.54) (–2.78) (–3.13) (1.18) (3.00) (–7.10) (–13.34) (0.30) (1.37)
CC –0.233 0.076 0.168 –0.289 –0.072 –0.077 –0.085 0.011 0.116 –0.073 –0.008 0.010 0.051 0.221
(–12.77) (3.70) (9.09) (–15.68) (–5.30) (–2.76) (–3.65) (1.24) (3.35) (–5.52) (–1.03) (1.59) (1.15)
PW –0.353 0.085 0.168 –0.263 –0.103 –0.074 –0.079 0.004 0.116 –0.078 –0.067 0.044 0.073 0.218
(–8.73) (3.91) (9.74) (–17.06) (–7.36) (–2.69) (–3.26) (0.43) (3.41) (–7.35) (–6.77) (5.30) (1.63)
LACC –0.123 0.081 0.159 –0.273 –0.141 –0.077 –0.081 0.010 0.106 –0.095 –0.113 0.005 0.057 0.220
(–8.73) (3.80) (8.65) (–15.20) (–10.23) (–2.80) (–3.46) (1.14) (3.05) (–6.93) (–13.00) (0.81) (1.27)
LAPW –0.063 0.081 0.156 –0.263 –0.146 –0.080 –0.072 0.011 0.112 –0.095 –0.130 –0.029 0.074 0.219
(–4.21) (3.55) (8.30) (–17.01) (–10.19) (–2.81) (–2.79) (1.17) (3.33) (–7.51) (–13.70) (–2.97) (1.59)
CCPW –0.316 0.049 0.158 –0.232 –0.084 –0.032 –0.111 0.020 0.119 –0.059 0.037 0.070 0.013 0.225
(–3.30) (2.01) (6.81) (–11.33) (–2.71) (–0.82) (–4.94) (1.85) (2.90) (–2.01) (0.34) (2.83) (0.18)
子表B. 国有企业
PTV Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
PTV –0.050** 0.059*** 0.132*** –0.271*** –0.133*** –0.053 –0.094*** 0.013 0.153*** –0.091*** –0.129*** –0.022** 0.157 0.231
(–2.04) (2.90) (8.01) (–15.11) (–11.91) (–1.34) (–4.70) (1.13) (3.62) (–8.28) (–13.18) (–2.20) (1.34)
LA –0.101*** 0.074*** 0.140*** –0.276*** –0.132*** –0.057 –0.121*** 0.028* 0.138*** –0.095*** –0.127*** 0.002 0.149 0.231
(–7.52) (3.03) (8.26) (–12.46) (–11.03) (–1.45) (–4.79) (1.74) (3.18) (–7.05) (–12.68) (0.35) (1.31)
CC –0.209*** 0.077*** 0.148*** –0.290*** –0.041*** –0.045 –0.138*** 0.030* 0.149*** –0.065*** 0.004 0.007 0.169 0.234
(–13.68) (2.91) (7.61) (–15.05) (–3.16) (–1.05) (–4.13) (1.77) (3.23) (–5.08) (0.39) (1.10) (1.35)
PW –0.297*** 0.067*** 0.141*** –0.274*** –0.076*** –0.052 –0.116*** 0.026* 0.237** –0.076*** –0.047*** 0.059*** 0.193* 0.231
(–10.11) (2.80) (8.27) (–12.90) (–6.21) (–1.30) (–5.25) (1.74) (2.45) (–5.52) (–3.69) (6.23) (1.94)
LACC –0.109*** 0.074*** 0.139*** –0.274*** –0.125*** –0.056 –0.124*** 0.027* 0.143*** –0.091*** –0.120*** 0.006 0.148 0.231
(–8.71) (3.08) (8.21) (–12.56) (–10.35) (–1.41) (–4.91) (1.75) (3.27) (–6.88) (–11.77) (1.05) (1.33)
LAPW –0.037** 0.059*** 0.133*** –0.269*** –0.129*** –0.051 –0.099*** 0.018 0.251** –0.091*** –0.128*** –0.028*** 0.156 0.230
(–2.23) (2.87) (8.11) (–15.81) (–11.56) (–1.31) (–5.10) (1.55) (2.24) (–8.08) (–12.90) (–2.69) (1.42)
CCPW –0.287*** 0.050*** 0.161*** –0.251*** –0.118*** 0.018 –0.088*** 0.026* 0.110** –0.089*** –0.004 0.097*** 0.056 0.231
(–11.33) (2.59) (9.21) (–17.84) (–4.81) (0.36) (–3.98) (1.98) (2.29) (–5.12) (–0.13) (10.38) (1.01)
子表C. 非国有企业
PTV Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
PTV –0.060** 0.070*** 0.234*** –0.248*** –0.180*** 0.058 –0.068*** 0.005 0.086** –0.100*** –0.177*** –0.023** 0.097 0.251
(–2.01) (2.64) (11.48) (–14.47) (–10.36) (1.43) (–3.03) (0.33) (2.03) (–9.21) (–11.16) (–2.05) (1.28)
LA –0.112*** 0.078*** 0.235*** –0.256*** –0.191*** 0.051 –0.083*** 0.003 0.366 –0.101*** –0.185*** –0.003 0.049 0.260
(–5.00) (2.94) (9.95) (–12.11) (–9.73) (1.23) (–2.79) (0.18) (1.38) (–9.38) (–11.48) (–0.46) (0.60)
CC –0.303*** 0.072*** 0.235*** –0.290*** –0.098*** 0.056 –0.073** –0.023 0.443 –0.050 –0.034* 0.027 –0.090 0.274
(–8.78) (2.60) (9.37) (–10.19) (–5.37) (1.33) (–2.25) (–0.99) (1.47) (–1.50) (–1.72) (1.25) (–0.59)
PW –0.497*** 0.097*** 0.258*** –0.247*** –0.134*** 0.056 –0.073** –0.007 0.321 –0.113*** –0.162*** 0.031* 0.065 0.274
(–4.89) (3.56) (9.65) (–11.38) (–7.06) (1.34) (–2.54) (–0.38) (1.24) (–4.39) (–4.50) (1.83) (0.49)
LACC –0.187*** 0.067** 0.218*** –0.272*** –0.233*** 0.024 –0.004 –0.024 0.300 –0.144*** –0.168*** 0.000 0.208 0.274
(–4.17) (2.38) (8.11) (–8.11) (–4.33) (0.55) (–0.06) (–1.00) (1.18) (–3.86) (–10.87) (–0.03) (1.00)
LAPW –0.076** 0.076** 0.237*** –0.244*** –0.149*** 0.056 –0.059 –0.026 0.353 –0.092*** –0.204*** –0.057*** –0.089 0.277
(–2.42) (2.55) (9.54) (–9.29) (–3.80) (1.31) (–1.26) (–1.03) (1.26) (–4.36) (–9.94) (–3.45) (–0.67)
CCPW –0.432* 0.059 0.245*** –0.255*** –0.205*** 0.208** –0.075* 0.031 0.117 –0.100** 0.032 0.093*** 0.155 0.294
(–1.65) (1.09) (10.50) (–8.08) (–3.12) (2.35) (–1.89) (1.33) (1.54) (–2.13) (0.11) (3.55) (1.41)
注:该表报告了Fama-MacBeth回归的标准化估计系数. PTV是股票历史收益分布的前景理论值; Beta、Size、BM是特征变量, 分别是按照Fama and French (1992)计算的股票的Beta、市值(百万)对数和账面市值比的对数; MOM是动量, 定义为从t-12到t-2月的累积收益(百分比); ILLIQ是Amihud (2002)衡量非流动性的指标; IVOL是异质收益波动率; MAX和MIN是t-1月的最大和负最小每日收益(以百分比表示); REV是短期反转收益, 以滞后的月度收益(百分比)来计算; LTREV是长期反转收益, 计算为从t-60月到t-13月的累积收益(百分比); SK是过去五年月收益的偏度; IndSK是行业内股票的横截面偏度.我们采用中国证监会(CSRC)的行业分类对公司进行分类, 同一行业的所有公司拥有相同的行业偏度.样本涵盖1996年1月至2015年6月.括号中的所有t统计量均经过12阶Newey-West调整, *、**和***分别表示在10 %、5 %和1%水平上显著.
表中的"LA"对应于前景理论变量PTV中的损失厌恶组成成分, 等效于将在等式(2)中的cδ固定为1.0, 并同时保持λ=2.25.类似地, "CC"和"PW"对应于PTV中的凹凸性和概率加权成分, 等效于保持相应的参数与基准模型相同, 同时将其它两个参数设置为1.0. LACC、LAPW和CCPW是通过将三个参数(δcλ)之一设置为1.0并同时将其他两个参数保持与基准模型相同而得到的.
每个子表的第一行对应于表 3底部三行(模型5)中报告的结果, 并用作基准模型.从第二行开始, 每一行对应一个前景理论变量, 该变量由单一成分或多个成分的组合组成.在这六行中, 前景理论的一或两个组成成分被"开启", 而其他组成成分被"关闭".
PTV成分(第一列)的所有系数在1 %的水平上都显著为负.这表明所有三个组成成分及其组合都有助于PTV预测后续收益.在三个成分中, PW成分的贡献最大, 它的标准化系数为0.353, 显著性水平为1 %; CC成分对PTV的预测能力也有显著的贡献, 标准化系数为0.233, 在1 %的水平上也显著.这一结果与美国股市不同, 在美国股市中, CC成分并没有对PTV的预测能力起到显著贡献.正如我们之前所探讨的, 这种差异可能是由于两国不同的投资者结构, 以及不同的投资者行为造成的, 而这可以追溯到亚洲人和西方人的不同文化.
子表B和C显示了国有企业和非国有企业的结果.一般来说, PTV及其所有三个组成成分及其组合对国有企业和非国有企业后续收益都有显著的预测能力, 其中对非国有企业来说预测能力要更强.非国有企业的CC和PW系数分别为0.3030.497, 而国有企业的CC和PW系数仅为0.2090.297.这与我们的预期是一致的, 因为个人投资者在非国有企业中扮演着更重要角色.
总体而言, 实证结果支持我们假设2, 即所有前景理论的组成成分对后续收益均具有显著的预测能力, 其中PW和CC对前景理论的预测能力贡献更大, 对非国有企业的预测能力要更强.

6 股权分置改革对PTV预测能力的影响

为解决非流通股与流通股并存的问题, 2005年4月, 中国有关部门启动了股权分置改革.截至2006年底, 新上市公司股份全部流通, 原上市公司95 %以上可流通, 改革已经基本完成.这次改革带来了投资者结构的重大变化, 机构投资者持股大幅减少, 大量个人投资者进入市场尤其是国有企业.在本节中, 我们检验股权分置改革对前景理论及其组成成分的预测能力的影响.为了控制可能发生的其他事件的混合效应, 我们将样本时间限制在股改前4年至股改后4年, 也就是从2001年5月到2009年4月7.
7在稳健性检验中, 我们以股改前后2年和3年为样本期, 结果没有发生实质性的变化.

6.1 PTV的预测能力

表 5的子表A报告了个人投资者对国有企业和非国有企业持股变化, 其中个人持股按个人投资者持有市值比例计算.我们将2005年4月, 即股权分置改革开始前一个月个人持股比率, 作为股改前的个人持股率; 将2007年1月改革完成时的个人持股比率作为股改后的个人持股率8.
表5 股改前后投资组合分析
子表A. 股改前后国有企业和非国有企业的个人持股
类型 公司数量 股改前 股改后 变化 变化的T
国有企业 977 0.34 0.42 0.08 1.97
非国有企业 1,599 0.81 0.85 0.04 1.65
所有公司 2,576 0.41 0.49 0.08 2.56
子表B. 股改前后投资组合收益
Low P2 P3 P4 P5 P6 P7 P8 P9 High L-H
所有公司 股改前 0.413 0.367 0.156 0.111 –0.025 0.044 –0.049 0.015 –0.359 –0.201 0.614
(2.00) (3.27) (1.41) (1.21) (–0.29) (0.42) (–0.44) (0.12) (–2.29) (–1.24) (1.91)
股改后 0.755 1.001 0.290 0.503 0.482 –0.048 0.072 –0.438 –0.584 –0.952 1.707
(1.84) (3.39) (1.48) (2.69) (2.78) (–0.34) (0.41) (–1.60) (–1.77) (–2.79) (2.66)
国有企业 股改前 0.457 0.514 0.169 0.306 0.125 0.101 0.117 0.079 –0.229 –0.233 0.691
(2.29) (3.69) (1.32) (2.34) (1.12) (0.76) (0.88) (0.45) (–1.48) (–1.27) (2.07)
股改后 0.660 1.011 0.377 0.685 0.658 0.138 0.052 –0.414 –0.506 –1.027 1.687
(2.45) (3.43) (1.71) (2.69) (3.08) (0.68) (0.23) (–1.29) (–1.32) (–2.29) (2.84)
非国有企业 股改前 0.435 0.149 0.062 –0.280 –0.429 –0.106 –0.292 –0.270 –0.692 –0.639 1.074
(1.32) (0.76) (0.28) (–1.70) (–1.82) (–0.64) (–1.29) (–1.59) (–2.70) (–2.27) (2.27)
股改后 1.084 0.577 0.261 0.498 0.120 –0.383 0.195 –0.735 –0.560 –0.743 1.827
(1.44) (1.28) (0.75) (1.40) (0.38) (–1.11) (0.75) (–2.23) (–1.77) (–2.25) (2.22)
注:该表报告了股改前后的投资组合收益.子表A报告了国有企业和非国有企业以及所有样本的股改前和股改后的个人持股情况,子表B报告了按PTV排序的投资组合的超额收益.最右边的列列出了做多最低PTV的组合并做空最高PTV的组合的差异投资组合的平均收益.样本涵盖2001年5月至2009年4月.括号中为T统计量,*、**和***分别表示在10 %、5 %和1 %水平上显著.
82006年底被广泛视为改革完成之时.
根据子表A, 国有企业的个人持股率明显低于非国有企业.股改后, 国有企业和非国有企业的个人持股率都有所提高, 其中国有企业的个人持股率从股改前的34 %上升到了股改后的42 %, 此增幅在5 %的水平上显著.另一方面, 非国有企业的增长从股改前的81 %增加到股改后的85 %, 达到最低限度的显著标准(t=1.65).由于股改引入大量个人投资者进入市场, 特别是国有企业, 因此我们预期股改后PTV的预测能力会增强, 尤其是对国有企业的影响应该会更大.

6.1.1 投资组合分析

与我们在5.1.1节中所做的类似, 在第t个月, 所有股票首先根据其PTV分为10个投资组合.然后计算每个投资组合在随后一个月的平均等权重超额收益.子表B报告了所有公司、国有企业和非国有企业在股权分置改革前后的时间序列平均投资组合超额收益9.
9我们还计算了三因子alpha、五因子alpha和特征调整后的收益, 结果相似.为简洁起见未报告这些结果, 但可应要求提供.
当我们从最低的PTV投资组合转向最高的PTV投资组合时, 股改前和股改后的投资组合收益都有明显的下降.股改前, 所有企业、国有企业和非国有企业的最低PTV和最高PTV组合的收益差异分别为0.614 %、0.691 %和1.074 %.而股改后, 所有企业、国有企业和非国有企业的最低PTV和最高PTV组合之间的收益差异分别大幅增加至1.707 %、1.687 %和1.827 %.这说明股改后PTV的预测能力明显强于股改前.此外, PTV对于国有企业收益预测能力的增长远大于对非国有企业收益预测能力的增长(144 % vs. 70 %).
总的来说, 实证结果有力地支持了我们的假设3, 即个人投资者进入市场导致前景理论的预测能力更强.并且与非国有企业相比, PTV对于国有企业的收益预测能力提升幅度要更大.

6.1.2 回归分析

为了进一步研究股改对前景理论预测能力的影响, 我们使用哑变量进行混合回归分析.用D表示股改开始的哑变量, 即2005年5月或之后定义为1, 反之为0. X表示为包含控制变量的向量, 则我们估计以下回归模型:
r=α0+αPTV+βPTVD+γX+ε.
(5)
在这个回归模型中, 系数α代表PTV的预测能力.系数β代表股改后PTV预测能力的变化.
表 6报告了所有公司、国有企业和非国有企业的回归的标准化估计结果.总得来说, 回归结果与表 5中的投资组合分析得出的结论相同.系数α对于所有模型在1 %的水平上显著为负, 表明平均来说PTV较高的股票获得较低的后续收益; 系数β显著为负, 说明股改后PTV对于股票收益的预测能力有所增强.
表6 带有哑变量的混合回归
PTV PTV·D Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
所有公司 –0.029*** –0.042*** 0.064*** 0.126*** –0.122*** –0.091*** –0.046*** –0.067*** –0.011 0.021*** –0.094*** –0.122*** –0.058*** –0.043*** 0.037
(–5.73) (–7.30) (15.13) (28.25) (–27.36) (–20.93) (–11.77) (–7.49) (–1.63) (3.15) (–23.58) (–27.33) (–13.62) (–11.01)
国有企业 –0.028*** –0.035*** 0.070*** 0.112*** –0.136*** –0.100*** –0.039*** –0.065*** –0.011 0.015* –0.084*** –0.133*** –0.071*** –0.048*** 0.035
(–4.64) (–4.87) (12.95) (20.51) (–24.78) (–18.32) (–7.83) (–5.63) (–1.29) (1.79) (–16.23) (–21.09) (–12.90) (–9.76)
非国有企业 –0.043*** –0.048*** 0.061*** 0.172*** –0.093*** –0.094*** –0.021*** –0.049*** –0.023* 0.036*** –0.117*** –0.108*** –0.038*** –0.031*** 0.046
(–4.14) (–4.15) (7.53) (19.27) (–11.47) (–11.69) (–2.80) (–2.93) (–1.83) (3.00) (–15.09) (–12.86) (–4.95) (–4.20)
注:该表报告了带有哑变量的混合回归的标准化估计系数.回归模型为r=α0+αPTV+βPTVD+γX+ε, 其中D是哑变量, 定义为2005年5月及以后改革开始时等于1; X包含控制变量.样本涵盖2001年5月至2009年4月.括号中为T统计量, *、**和***分别表示在10 %、5 %和1 %水平上显著.
这里非国有企业的α系数的绝对值大于国有企业(0.040.028), 这再次支持了我们的假设, 即PTV对非国有企业的收益具有更强的预测能力.但股改后, PTV对国有企业的预测能力大幅增强, 增长了25 %, 而对于非国有企业PTV的预测能力仅增长了12 %.这一结果支持了我们的假设3, 即股改后个人投资者更多地进入国有企业, 导致PTV对国有企业股票收益的预测能力更强.

6.2 PTV组成成分的预测能力

由于股权分置改革显著改变了投资者结构, 这将影响PTV组成成分的预测能力.在本节中, 我们检查股权分置改革对PTV的各个组成成分预测能力的影响.

6.2.1 投资组合分析

到目前为止, 我们的所有证据都表明所有PTV组成成分都对后续收益有预测作用.这些证据还表明, 中国当局进行的股权分置改革增强了PTV的预测能力, 尤其是对国有企业的股票收益.本小节研究这次改革是否增强了PTV组成成分的预测能力, 以及这样的影响是否对于国有企业和非国有企业有所不同.
表 7报告了按PTV组成部分排序的股改前和股改后投资组合的超额收益.子表A、B和C分别报告了所有公司、国有企业和非国有企业的结果.最右边的列L-H列出了做多最低PTV的投资组合并做空最高PTV的投资组合的平均收益.
表7 PTV组成成分股改前和股改后的投资组合收益
子表A. 所有公司
Low P2 P3 P4 P5 P6 P7 P8 P9 High L-H
LA 股改前 0.546** 0.256 0.330*** 0.028 –0.041 0.133 –0.051 –0.187 –0.346* –0.251 0.798*
(2.39) (1.53) (2.83) (0.27) (–0.44) (1.34) (–0.54) (–1.49) (–1.93) (–1.05) (1.91)
股改后 0.862** 0.897** 0.544* 0.393* 0.573*** 0.304* –0.085 –0.381 –0.760** –1.139** 2.001***
(2.33) (2.44) (1.88) (1.88) (3.14) (1.67) (–0.49) (–1.58) (–2.05) (–2.32) (2.65)
CC 股改前 0.456*** 0.474*** 0.331*** 0.217* 0.279*** –0.136 0.148 –0.290*** –0.369*** –0.669*** 1.125***
(3.30) (4.22) (2.98) (1.91) (2.90) (–1.26) (1.16) (–2.97) (–2.62) (–2.95) (3.71)
股改后 1.491*** 1.581*** 0.986*** 0.599*** 0.511** –0.164 –0.405** –0.822*** –1.064*** –1.282** 2.774***
(3.72) (4.79) (3.94) (2.57) (2.19) (–0.90) (–2.27) (–3.16) (–2.65) (–2.41) (3.42)
PW 股改前 0.385*** 0.292** 0.353*** 0.200* 0.097 –0.063 0.032 –0.190 –0.232* –0.466*** 0.850***
(3.12) (2.39) (4.67) (1.85) (1.04) (–0.66) (0.32) (–1.47) (–1.93) (–2.84) (3.69)
股改后 1.120*** 1.287*** 1.067*** 0.594*** 0.117 –0.164 –0.430** –0.499** –0.994*** –0.920*** 2.040***
(2.98) (4.40) (4.83) (3.16) (0.88) (–0.95) (–2.46) (–1.96) (–3.13) (–3.41) (3.89)
子表B. 国有企业
Low P2 P3 P4 P5 P6 P7 P8 P9 High L-H
LA 股改前 0.606** 0.408** 0.326*** 0.206 0.056 0.234* 0.096 0.005 –0.303 –0.199 0.805*
(2.55) (2.40) (2.57) (1.54) (0.38) (1.72) (0.71) (0.04) (–1.46) (–0.80) (1.87)
股改后 1.000*** 0.897*** 0.626** 0.629** 0.770*** 0.314 0.075 –0.227 –0.810* –1.248** 2.247***
(3.23) (2.91) (2.17) (2.34) (3.46) (1.35) (0.31) (–0.72) (–1.95) (–2.29) (3.15)
CC 股改前 0.514*** 0.576*** 0.431*** 0.304** 0.361*** –0.162 0.354** –0.177 –0.129 –0.690*** 1.205***
(3.23) (4.66) (3.22) (2.03) (3.18) (–1.42) (2.01) (–1.24) (–0.71) (–2.68) (3.39)
股改后 1.368*** 1.833*** 1.147*** 0.907*** 0.728*** –0.182 –0.471** –0.652** –0.776* –1.529*** 2.897***
(4.56) (5.09) (4.27) (3.42) (2.79) (–0.83) (–2.13) (–2.08) (–1.66) (–2.62) (3.88)
PW 股改前 0.471*** 0.359** 0.383*** 0.203 0.157 0.155 0.224** –0.095 –0.052 –0.503* 0.974***
(3.67) (2.51) (4.03) (1.55) (1.50) (1.21) (2.03) (–0.55) (–0.30) (–2.12) (3.24)
股改后 0.779*** 1.400*** 1.066*** 0.753*** 0.308 0.093 –0.319 –0.491 –1.109*** –0.904* 1.683***
(3.20) (4.96) (4.27) (3.09) (1.41) (0.39) (–1.54) (–1.63) (–2.92) (–2.16) (3.01)
子表C. 非国有企业
Low P2 P3 P4 P5 P6 P7 P8 P9 High L-H
LA 股改前 0.556* –0.051 0.254 –0.370** –0.255 –0.236 –0.272 –0.579*** –0.307 –0.770** 1.326**
(1.77) (–0.18) (1.45) (–2.34)) (–1.50) (–1.28) (–1.57) (–3.16) (–1.03) (–2.21) (2.44)
股改后 0.812 0.890 0.486 0.054 0.229 0.270 –0.223 –0.630** –0.645 –0.948* 1.761**
(1.58) (1.30) (1.10) (0.16) (0.63) (0.69) (–0.68) (–2.09) (–1.58) (–1.94) (2.21)
CC 股改前 0.414* 0.305 0.106 0.143 0.038 –0.213 –0.359** –0.754*** –0.663*** –1.041*** 1.455***
(1.82) (1.45) (0.56) (1.01) (0.18) (–0.96) (–2.42) (–4.04) (–2.79) (–3.94) (4.44)
股改后 1.664** 0.951** 0.876** 0.159 0.272 –0.346 –0.519* –1.080** –1.823*** –0.593 2.257**
(2.49) (2.33) (2.35) (0.43) (0.63) (–0.96) (–1.85) (–2.40) (–4.16) (–1.07) (2.46)
PW 股改前 0.232 0.249 0.277 0.286 –0.200 –0.520** –0.248 –0.525** –0.866*** –0.612** 0.844**
(1.00) (1.26) (1.47) (1.27) (–1.23) (–2.42) (–1.19) (–2.38) (–4.62) (–2.35) (2.09)
股改后 1.507** 1.095** 1.191** 0.038 –0.152 –0.752** –0.630* –0.922*** –0.565* –0.655 2.162***
(2.25) (2.55) (2.40) (0.14) (–0.45) (–2.38) (–1.76) (–2.78) (–1.79) (–1.55) (3.83)
注:该表报告了按PTV组成成分排序的股改前和股改后投资组合的等权重平均超额收益.样本涵盖2001年5月至2009年4月.括号中为T统计量, ******分别表示在10 %、5 %和1 %水平上显著.
子表A显示, 所有PTV组成成分在股改后的L-H收益都远大于股改前的L-H收益.例如, 基于LA的L-H收益在股改前为0.798 %, 在股改后为2.001 %; 而股改前后基于CC和PW的L-H收益的增长类似.也就是说, 股改后这三个组成成分对于收益的预测能力都大大增强了.
因为股改导致大量个人投资者进入国有企业的股票10, 而相比之下, 股改后非国有企业的投资者结构变化不大.因此, 我们预计这种强化效应对国有企业比对非国有企业更强.子表B和C的结果支持我们的这一猜想.子表B显示, 对于国有企业, 股改后的L-H组合收益显著增加, LA、CC和PW分别增长了173 %、140 %和73 %.而在报告非国有企业相应结果的子表C中, 股改后L-H投资组合收益虽较大, 但LA、CC和PW增幅要小得多, 分别为33 %、55 %和156 %.
10参见表 5中的子表A.
上述实证结果表明, 个人投资者的进入导致PTV成分对于收益的预测能力更强.由于个人投资者的大量进入国有企业的股票, 因此其对于国有企业收益的预测能力增加得更为显著.

6.2.2 回归分析

为进一步研究股改对前景理论组成成分预测能力的影响, 与第6.1.2节类似, 我们使用哑变量进行混合回归分析.与式(5)中类似, D表示股改开始后的哑变量, X表示包含控制变量的向量.我们估计以下回归模型:
r=α0+αPTVComponents+βPTVComponentsD+γX+ε.
(6)
在这个回归模型中, 系数α表示PTV组成成分的预测能力.系数β表示股改后PTV组成成分预测能力的变化.
表 8报告了LA、CC和PW三个组成成分的回归分析结果.子表A、B和C分别报告了所有公司、国有企业和非国有企业的标准化估计系数.子表A中的第一列显示了股改前所有公司的LA、CC和PW的预测能力.显著负的系数表明这三个组成成分都对后续收益具有预测能力.子表A第二列显示了股改后它们预测能力的变化.显著的负系数表明股权分置改革后所有三个组成成分的预测能力都增强了, 这与表 7的结论是一致的.
表8 PTV组成成分的混合回归结果
子表A. 所有公司
PTV PTV·D Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
LA –0.029 –0.045 0.070 0.127 –0.123 –0.096 –0.045 –0.069 –0.011 0.021 –0.097 –0.119 –0.028 –0.044 0.037
(–6.29) (–8.01) (16.58) (28.50) (–27.47) (–20.98) (–11.70) (–7.65) (–1.59) (3.24) (–23.55) (–26.67) (–6.93) (–11.34)
CC –0.066 –0.063 0.071 0.131 –0.107 –0.021 –0.045 –0.063 –0.008 0.019 –0.071 –0.015 –0.024 –0.040 0.036
(–10.38) (–10.12) (17.20) (29.31) (–23.91) (–4.18) (–11.68) (–7.13) (–1.22) (2.99) (–17.23) (–2.94) (–5.89) (–10.20)
PW –0.093 –0.040 0.103 0.162 –0.112 –0.023 –0.052 –0.056 –0.028 –0.002 –0.067 –0.021 0.026 –0.036 0.034
(–13.96) (–6.10) (18.87) (29.63) (–20.41) (–4.58) (–11.57) (–5.46) (–3.70) (–0.20) (–14.04) (–3.49) (4.68) (–7.95)
子表B. 国有企业
PTV PTV·D Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
LA –0.025 –0.041 0.072 0.111 –0.133 –0.098 –0.039 –0.068 –0.011 0.015 –0.084 –0.123 –0.029 –0.049 0.034
(–4.40) (–5.74) (13.45) (20.30) (–24.29) (–16.74) (–7.72) (–5.89) (–1.30) (1.77) (–16.25) (–19.43) (–5.68) (–9.94)
CC –0.059 –0.063 0.066 0.110 –0.118 –0.018 –0.039 –0.063 –0.010 0.012 –0.057 –0.015 –0.025 –0.044 0.032
(–7.50) (–7.97) (12.17) (19.99) (–21.59) (–2.77) (–8.06) (–5.49) (–1.19) (1.46) (–10.72) (–2.26) (–4.96) (–8.98)
PW –0.091 –0.051 0.101 0.145 –0.130 –0.008 –0.048 –0.044 –0.037 –0.010 –0.046 0.005 0.047 –0.042 0.031
(–11.43) (–6.29) (15.99) (20.50) (–20.51) (–1.22) (–8.30) (–3.37) (–3.92) (–1.03) (–7.51) (0.61) (6.34) (–7.26)
子表C. 非国有企业
PTV PTV·D Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
LA –0.046 –0.052 0.066 0.174 –0.098 –0.104 –0.021 –0.050 –0.023 0.037 –0.121 –0.111 –0.026 –0.033 0.046
(–5.13) (–4.80) (8.39) (19.40) (–11.86) (–12.38) (–2.75) (–2.96) (–1.83) (3.07) (–15.63) (–12.46) (–3.38) (–4.48)
CC –0.095 –0.058 0.078 0.182 –0.084 –0.035 –0.019 –0.045 –0.018 0.038 –0.098 –0.014 –0.020 –0.030 0.048
(–7.47) (–4.72) (9.97) (20.37) (–10.64) (–3.71) (–2.55) (–2.70) (–1.45) (3.12) (–12.49) (–1.43) (–2.59) (–4.11)
PW –0.111 –0.017 0.098 0.199 –0.085 –0.044 –0.017 –0.062 –0.018 0.021 –0.106 –0.040 0.010 –0.026 0.052
(–7.35) (–1.17) (10.33) (18.19) (–8.73) (–4.75) (–2.02) (–3.25) (–1.22) (1.53) (–11.86) (–3.73) (1.00) (–2.95)
注:该表报告了LA、CC和PW组成成分的混合回归分析结果.回归模型为:r=α0+αPTV+βPTVD+γX+ε, 其中D是哑变量,定义为2005年5月及以后改革开始时等于1;X包含控制变量.样本涵盖2001年5月至2009年4月.括号中为T统计量, ******分别表示在10 %、5 %和1 %水平上显著.
子表B和C报告了国有企业和非国有企业的回归分析结果.第二列中的β系数都为负, 且在1 %的水平上显著.这表明股权分置改革后, 这三个组成成分对于国有企业和非国有企业收益的预测能力都得到了增强, 尤其是对于国有企业来说.对于国有企业, LA、CC和PW的预测能力分别增强了164 %、107 %和56 %.相比之下, 对于非国有企业, LA、CC和PW的预测能力分别仅增强了113 %、61 %和15 %.
总体而言, 实证结果支持假设3.股权分置改革后, 个人投资者进入市场, 尤其是国有企业.这导致PTV及其组成成分对于股票收益, 尤其是国有企业的股票收益的预测能力更强了.

6.3 稳健性测试

在本节, 我们进行一系列稳健性检验.首先, 我们通过不同的方法来构建PTV, 以检验股改对PTV预测能力的影响是否仍然成立.其次, 检验如果选择不同的样本期, 股改是否仍然对PTV的预测能力产生影响.最后, 检验股改对PTV预测能力的影响是否在包含其他公司层面特征的情况下仍然成立11.稳健性检验的实证结果列在表 910中.
11为简洁起见, 仅报告了整个样本的回归结果.国有企业和非国有企业的投资组合分析和Fama-Macbeth回归分析得出了类似的结论.
表9 股改对PTV预测能力影响的稳健性检验
PTV PTV·D Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
LA –0.029 –0.045 0.070 0.127 –0.123 –0.096 –0.045 –0.069 –0.011 0.021 –0.097 –0.119 –0.028 –0.044 0.037
(–6.29) (–8.01) (16.58) (28.50) (–27.47) (–20.98) (–11.70) (–7.65) (–1.59) (3.24) (–23.55) (–26.67) (–6.93) (–11.34)
CC –0.066 –0.063 0.071 0.131 –0.107 –0.021 –0.045 –0.063 –0.008 0.019 –0.071 –0.015 –0.024 –0.040 0.036
(–10.38) (–10.12) (17.20) (29.31) (–23.91) (–4.18) (–11.68) (–7.13) (–1.22) (2.99) (–17.23) (–2.94) (–5.89) (–10.20)
PW –0.093 –0.040 0.103 0.162 –0.112 –0.023 –0.052 –0.056 –0.028 –0.002 –0.067 –0.021 0.026 –0.036 0.034
(–13.96) (–6.10) (18.87) (29.63) (–20.41) (–4.58) (–11.57) (–5.46) (–3.70) (–0.20) (–14.04) (–3.49) (4.68) (–7.95)
子表B. 国有企业
PTV PTV·D Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
LA –0.025 –0.041 0.072 0.111 –0.133 –0.098 –0.039 –0.068 –0.011 0.015 –0.084 –0.123 –0.029 –0.049 0.034
(–4.40) (–5.74) (13.45) (20.30) (–24.29) (–16.74) (–7.72) (–5.89) (–1.30) (1.77) (–16.25) (–19.43) (–5.68) (–9.94)
CC –0.059 –0.063 0.066 0.110 –0.118 –0.018 –0.039 –0.063 –0.010 0.012 –0.057 –0.015 –0.025 –0.044 0.032
(–7.50) (–7.97) (12.17) (19.99) (–21.59) (–2.77) (–8.06) (–5.49) (–1.19) (1.46) (–10.72) (–2.26) (–4.96) (–8.98)
PW –0.091 –0.051 0.101 0.145 –0.130 –0.008 –0.048 –0.044 –0.037 –0.010 –0.046 0.005 0.047 –0.042 0.031
(–11.43) (–6.29) (15.99) (20.50) (–20.51) (–1.22) (–8.30) (–3.37) (–3.92) (–1.03) (–7.51) (0.61) (6.34) (–7.26)
子表C. 非国有企业
PTV PTV·D Beta Size BM MOM ILLIQ IVOL MAX MIN REV LTREV SK IndSK R2
LA –0.046 –0.052 0.066 0.174 –0.098 –0.104 –0.021 –0.050 –0.023 0.037 –0.121 –0.111 –0.026 –0.033 0.046
(–5.13) (–4.80) (8.39) (19.40) (–11.86) (–12.38) (–2.75) (–2.96) (–1.83) (3.07) (–15.63) (–12.46) (–3.38) (–4.48)
CC –0.095 –0.058 0.078 0.182 –0.084 –0.035 –0.019 –0.045 –0.018 0.038 –0.098 –0.014 –0.020 –0.030 0.048
(–7.47) (–4.72) (9.97) (20.37) (–10.64) (–3.71) (–2.55) (–2.70) (–1.45) (3.12) (–12.49) (–1.43) (–2.59) (–4.11)
PW –0.111 –0.017 0.098 0.199 –0.085 –0.044 –0.017 –0.062 –0.018 0.021 –0.106 –0.040 0.010 –0.026 0.052
(–7.35) (–1.17) (10.33) (18.19) (–8.73) (–4.75) (–2.02) (–3.25) (–1.22) (1.53) (–11.86) (–3.73) (1.00) (–2.95)
表10 股改对PTV预测能力影响的稳健性检验
所有公司 国有企业 非国有企业
PTV –0.038*** –0.037*** –0.048***
(–7.05) (–5.56) (–4.48)
PTV·D –0.025*** –0.022*** –0.026**
(–4.09) (–2.76) (–2.19)
Beta 0.099*** 0.101*** 0.086***
(19.48) (16.00) (9.18)
Size 0.160*** 0.147*** 0.195***
(29.22) (20.83) (17.76)
BM –0.142*** –0.153*** –0.120***
(–25.91) (–21.63) (–11.46)
MOM –0.118*** –0.121*** –0.120***
(–21.59) (–17.08) (–11.48)
ILLIQ –0.051*** –0.046*** –0.020**
(–11.45) (–7.86) (–2.22)
IVOL –0.060*** –0.053*** –0.059***
(–5.75) (–3.99) (–3.02)
MAX –0.034*** –0.043*** –0.025*
(–4.41) (–4.45) (–1.69)
MIN –0.008 –0.015 0.016
(–1.00) (–1.50) (1.09)
REV –0.104*** –0.087*** –0.137***
(–23.34) (–13.79) (–14.41)
LTREV –0.151*** –0.151*** –0.146***
(–23.90) (–19.53) (–12.31)
SK –0.105*** –0.107*** –0.097***
(–19.09) (–15.06) (–9.48)
IndSK –0.040*** –0.045*** –0.029***
(–8.43) (–7.53) (–3.25)
PROFIT 0.016*** 0.015** 0.013***
(3.20) (2.09) (3.77)
ACCRUAL 0.002 –0.010* –0.001
(1.08) (–1.80) (–0.07)
AGROWTH 0.032 0.025 0.032
(1.61) (1.28) (1.38)
R2 0.048 0.044 0.056
注:该表报告了LA、CC和PW组成成分的混合回归分析结果.回归模型为: r=α0+αPTV+βPTVD+γX+ε, 其中D是哑变量, 定义为2005年5月及以后改革开始时等于1; X包含控制变量.样本涵盖2001年5月至2009年4月.括号中为T统计量, ******分别表示在10 %、5 %和1 %水平上显著.

6.3.1 用不同的方法构建PTV

A.用不同的时间窗口构建PTV
前面的检验均使用过去五年的月收益来构建每只股票的PTV.我们根据过去的三年、四年和六年的窗口重新构建PTV, 检验我们的结论是否仍然成立.表 9的第一个子表显示PTV仍然具有显著的预测能力, 并且无论构建窗口如何, 股改后预测能力都更强.
B. 不同的参考点
在计算公式(2)中的价值函数时, 我们需要指定收益的参考点.参考点通常用原始收益、无风险利率或市场收益.当投资者评估一只股票时, 他们会观察它过去的原始收益以及整体市场表现.因此, 前面的分析中我们使用市场收益作为参考点, 即基于超过市场收益的超额收益来计算股票的前景理论值.在表 9的第二个子表中, 我们展示了使用其它不同的参考点时的结果, 例如原始收益或超过无风险利率的收益.我们还使用股票的整个样本期平均收益作为参考点, 因为当投资者评估一只股票时, 他们可能会将其近期收益与其整体表现进行比较.表 9的第二个子表中报告的结果表明, 无论参考点如何, 系数αβ在1 %的水平上总是显著为负.这表明PTV始终具有显著的预测能力, 且股改后预测能力较股改前更强.
C. 不同的概率加权函数
前文中使用了(4)中最常用的概率加权函数形式, logit函数, 来构建PTV.这种形式是由Tversky and Kahneman (1992)提出的.在过去的几十年中, 文献提出了概率加权函数的其它几种函数形式, 例如线性形式、幂形式和logit形式的变型(例如, Goldstein and Einhorn (1987), Wu and Gonzalez (1996)). Stott (2006)比较了这些函数形式, 发现Prelec (1998)提出的指数形式在描述个体的实验数据方面通常优于其他形式.
因此, 我们应用Prelec (1998)的概率加权函数的指数形式, 并检查我们的结论在此函数形式下是否仍然成立. Prelec的概率加权函数定义为:
f(p)=e(lnp)σ.
(7)
许多研究者估计出了概率加权参数σ的具体数值(例如, Wu and Gonzalez (1996), Bleichrodt and Pinto (2000)), 表 9中我们报告了按照Stott (2006)的估计值σ=0.94来计算的结果12.表 9第三个子表中报告的混合回归分析结果表明, 当使用Prelec的概率加权函数时, PTV仍然具有很强的预测能力, 而且股权分置改革后PTV的预测能力显著增强.
12基于其他估计的结果得到类似的结果.
D. 跳过一个月
在计算股票第t个月的PTV时, 我们使用从t60月到t1月的月收益, 然后将股票分为十个投资组合, 并检查它们在第t个月的收益.众所周知, 一只股票的表现与其滞后收益呈正相关.为了避免滞后收益的混淆效应, 我们在对股票PTV的构建和计算投资组合收益之间跳过一个月.表 9第四组汇总回归分析显示, 跳过一个月之后PTV对后续收益仍有预测能力, 并且股改后这个预测能力有着显著的提高.这表明PTV的预测能力并不是由于滞后收益带来的混淆效应产生的.

6.3.2 不同的采样周期

在检验股权分置改革对PTV预测能力的影响时, 我们使用了从股改开始前4年开始, 到改革开始后4年结束的样本, 即2001年5月至2009年4月.本小节考察如果选择不同的时间段, 比如股改开始前/后2年或3年, 改革的效果是否仍然成立, 结果报告在表 9的最底部的子表中.第一列和第二列中的系数始终为负且在1 %的水平上显著.这意味着无论我们选择哪个样本期, PTV的预测能力和股改的效果仍然显著.

6.3.3 对公司层面特征的控制

我们检查在分析中如果包括其它已知的公司层面特征, 例如盈利能力(PROFIT)、应计费用(ACCRUAL)和资产增长(AGROWTH), 股改对于PTV预测能力的影响是否仍然存在. 其中, PROFIT按照Fama and French (2008)来定义; ACCRUAL按照Sloan (1996)来定义; AGROWTH按照Cooper, Gulen and Schill (2008)来计算.表 10报告了所有公司、国有企业和非国有企业的回归结果.结果表明, 在控制了这些公司层面特征变量之后, 回归结果再次证实了我们之前的发现: 1) PTV对后续预期收益具有显著的预测能力; 2) PTV对非国有企业的预测能力更强; 3)股权分置改革增强了PTV对于后续收益的预测能力; 4)股改后PTV对国有企业收益的预测能力提升幅度较之非国有企业更大.另外, 表 10中的结果也表明PROFIT对后续收益具有预测能力, 而ACCRUAL和AGROWTH则没有.

7 结论

前景理论衡量的是投资者的直觉判断, 没有涉及复杂的思维, 因此更多地反映在个人投资者的投资决策中.基于美国股市的实证表明, 与机构投资者相比, 个人投资者更多地依赖前景理论来评估股票.
众所周知, 中国股市以个人投资者为主.从2005年5月开始, 中国政府实施了一系列的股票市场改革活动, 导致个人投资者大量进入, 并显著改变了中国股市, 特别是国有企业的投资者结构.这次改革为我们提供了一个独特的准自然实验环境, 来检验投资者结构与PTV对于股票收益的预测能力之间的关系.
在本文中, 我们利用中国A股从2001年5月至2009年4月的月度数据, 检验了PTV及其组成成分对于股票后续收益的预测能力, 以及股权分置改革对PTV及其三个组成成分预测能力的影响.实证证据一致表明, PTV在中国股市中具有很强的预测能力, 其三个组成成分(LA、PW和CC)均对PTV的预测能力做出了显著贡献.这与美国股市的研究结果不同, 美国股市中只有LA和PW组成成分对于PTV的预测能力有显著贡献.
实证结果还表明, 股改后的PTV及其组成成分的预测能力明显强于股改前.这次改革对PTV及其组成成分的预测能力的影响对于国有企业和非国有企业是不同的.对股改后大量个人投资者进入的国有企业, 这个影响更大.相比之下, 股改对非国有企业的影响要小得多, 因为其投资者结构在股改前后变化不大.

参考文献

刘帅, 肖琳, 房勇, 汪寿阳, 基于处置效应及反转效应的融资融券业务投资策略[J]. 计量经济学报, 2021, 1 (3): 560- 576.
Liu S , Xiao L , Fang Y , Wang S Y , Investment Strategy of Securities Margin Trading Based on Disposition Effect and Reversal Effect[J]. China Journal of Econometrics, 2021, 1 (3): 560- 576.
陆昌, 刘洋, 杨晓光, 基于反事实模拟的中国股市涨跌停板磁吸效应研究[J]. 计量经济学报, 2021, 1 (1): 217- 232.
Lu C , Liu Y , Yang X G , Magnet Effect of Price Limits in China's Stock Markets Based on Counterfactual Simulation[J]. China Journal of Econometrics, 2021, 1 (1): 217- 232.
吴卫星, 孙晓婷, LINGLeng, 基金业绩排名与彩票型股票投资[J]. 计量经济学报, 2021, 1 (3): 670- 693.
Wu W X , Sun X T , Ling L , Does Performance Ranking Affect Mutual Funds' Investment in Lottery Stock?[J]. China Journal of Econometrics, 2021, 1 (3): 670- 693.
Abdellaoui M , Parameter-free Elicitation of Utility and Probability Weighting Functions[J]. Management Science, 2000, 46, 1497- 1512.
Amihud Y , Illiquidity and Stock Returns: Cross-section and Time-series Effects[J]. Journal of Financial Markets, 2002, 5, 31- 56.
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.
Bali T G , Cakici N , Whitelaw R , Maxing Out: Stocks as Lotteries and the Cross-section of Expected Returns[J]. Journal of Financial Economics, 2011, 99, 427- 446.
Barberis N , Huang M , Stocks as Lotteries: The Implications of Probability Weighting for Security Prices[J]. American Economic Review, 2008, 98, 2066- 2100.
Barberis N , Mukherjee A , Wang B , Prospect Theory and Stock Returns: An Empirical Test[J]. Review of Financial Studies, 2016, 29, 3068- 3107.
Benartzi S , Thaler R , Myopic Loss Aversion and the Equity Premium Puzzle[J]. Quarterly Journal of Economics, 1995, 110, 73- 92.
Beltratti A , Bortolotti B , Caccavaio M , The Stock Market Reaction to the 2005 Split Share Structure Reform in China[J]. Pacific-Basin Finance Journal, 2012, 20, 543- 560.
Bleichrodt H , Pinto J L , A Parameter-free Elicitation of the Probability Weighting Function in Medical Decision Analysis[J]. Management Science, 2000, 46, 1485- 1496.
Brachinger H W , A New Index of Perceived Inflation: Assumptions, Method, and Application to Germany[J]. Journal of Economic Psychology, 2008, 29, 433- 457.
Bu H , Uchida K , Zhang Y , How do Accounting Standards and Insiders' Incentives Affect Earnings Management?[J]. Emerging Markets Review, 2013, 16, 78- 99.
Calomiris C W , Fisman R , Wang Y , Profiting from Government Stakes in a Command Economy: Evidence from Chinese Asset Sales[J]. Journal of Financial Economics, 2010, 96, 399- 412.
Chen G , Firth M , Rui O , Have China's Enterprise Reforms Led to Improved Efficiency and Profitability?[J]. Emerging Markets Review, 2006, (7): 82- 109.
Chen C N , Wong J , Lee N , Chan-Ho M W , Lau J T F , et al. The Shatin Community Mental Health Survey in Hong Kong: Ⅱ. Major Findings[J]. Archives of General Psychiatry, 1993, 50, 125- 133.
Cheng W , An Empirical Study of Corruption within China's State-owned Enterprises[J]. The China Review, 2004, 4, 55- 80.
Cooper M , Gulen H , Schill M , Asset Growth and the Cross-section of Stock Returns[J]. Journal of Finance, 2008, 68, 1609- 1651.
Daniel K , Grinblatt M , Titman S , Wermers R , Measuring Mutual Fund Performance with Characteristics-based Benchmarks[J]. Journal of Finance, 1997, 52, 1035- 1058.
Fama E F , French K R , Cross-section of Expected Stock Returns[J]. Journal of Finance, 1992, 47, 427- 465.
Fama E F , French K R , Dissecting Anomalies[J]. Journal of Finance, 2008, 63, 1653- 1678.
Fernald J , Rogers J H , Puzzles in the Chinese Stock Market[J]. Review of Economics and Statistics, 2002, 84, 416- 432.
Frazzini A , The Disposition Effect and Under-reaction to News[J]. Journal of Finance, 2006, 61, 2017- 2046.
Frederick S , Cognitive Reflection and Decision Making[J]. Journal of Economic Perspetives, 2005, 19, 25- 42.
Frieder L , Subrahmanyam A , Brand Perceptions and the Market for Common Stock[J]. Journal of Financial and Quantitative Analysis, 2005, 40, 57- 85.
Goldstein W M , Einhorn H J , Expression Theory and the Preference Reversal Phenomena[J]. Psychological Review, 1987, 94, 236- 254.
Gompers P A , Metrick A , Institutional Investors and Equity Prices[J]. Quarterly Journal of Economics, 2001, 116, 229- 259.
Gonzalez R , Wu G , On the Sape of the Probability Weighting Function[J]. Cognitive Psychology, 1999, 38, 129- 166.
Gurevich G , Kliger D , Levy O , Decision-making under Uncertainty — A Field Study of Cumulative Prospect Theory[J]. Journal of Banking and Finance, 2009, 33, 1221- 1229.
Kahneman D, Frederick S, (2002). Representativeness Revisited: Attribute Substitution in Intuitive Judgment[M]// Gilovich T, Griffin D, Kahneman D. Heuristics and Biases: The Psychology of Intuitive Judgment. Cambridge: Cambridge University Press: 49-81.
Kahneman D , Tversky A , Prospect Theory: An Analysis of Decision under Risk[J]. Econometrica, 1979, 47, 263- 291.
Kahneman D , Tversky A , Choices Values and Frames[J]. American Psychologist, 1984, 39, 341- 350.
Kikeri S , Nellis J , An Assessment of Privatization[J]. The World Bank Research Observer, 2004, 19, 87- 118.
Kumar A , Who Gambles in the Stock Market?[J]. Journal of Finance, 2009, 64, 1889- 1933.
Liu B , Liao L , Wang H , China's Secondary Privatization: Perspectives from the Split-Share-Structure Reform[J]. Journal of Financial Economics, 2014, 113, 500- 518.
Loo J M Y , Raylu N , Oei T P S , Gambling Among the Chinese: A Comprehensive Review[J]. Clinical Psychology Review, 2008, 28, 1152- 1166.
Ma T, Shen Y, (2003). Prospect Theory and the Long-run Performance of IPO Stocks[R]. Working Paper.
Megginson W , Netter J , From State to Market: A Survey of Empirical Studies on Privatization[J]. Journal of Economic Literature, 2001, 39, 321- 389.
Menkhoff L , Schmeling M , A Prospect-theoretical Interpretation of Momentum Returns[J]. Economics Letters, 2006, 93, 360- 366.
Prelec D , The Probability Weighting Function[J]. Econometrica, 1998, 66, 497- 527.
Qian X , Tam H K , Zhang B , Systematic Liquidity and the Funding Liquidity Hypothesis[J]. Journal of Banking & Finance, 2014, 45, 304- 320.
Sloan R G , Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?[J]. The Accounting Review, 1996, 71, 289- 315.
Stott H P , Cumulative Prospect Theory's Functional Menagerie[J]. Journal of Risk Uncertainty, 2006, 32, 101- 130.
Tversky A , Kahneman D , Advances in Prospect Theory: Cumulative Representation of Uncertainty[J]. Journal of Risk and Uncertainty, 1992, 5, 297- 323.
Wang X , Shi K , Fan H , Psychological Mechanisms of Investors in Chinese Stock Markets[J]. Journal of Economic Psychology, 2006, 27, 762- 780.
Weber M , Camerer C F , The Disposition Effect in Securities Trading: An Experimental Analysis[J]. Journal of Economic Behavior and Organization, 1998, 33, 167- 184.
Weber E U , Hsee C K , Cross-cultural Differences in Risk Perception but Cross-cultural Similarities in Attitudes Towards Risk[J]. Management Science, 1998, 44, 1205- 1217.
Wright G N, Phillips L D, Wisudha A, (1983). Cultural Comparison on Decision Making Under Uncertainty[M]// Deregowski J B, Dziurawiec S, Annis R C. Expiscations in Cross Cultural Psychology. Netherlands: Swetz & Zeitlingear BV: 387-402.
Wu G , Gonzalez R , Curvature of the Probability Weighting Function[J]. Management Science, 1996, 42, 1676- 1690.
Yates J F, Lee J W, (1995). Chinese Decision Making[M]// Bond M H. Handbook of Chinese Psychology. Hong Kong: Oxford University Press.
Zhong S , Israel S , Xue H , Sham P C , Ebstein R P , et al. A Neurochemical Approach to Valuation Sensitivity over Gains and Losses[J]. Proceedings of the Royal Society B: Biological Sciences, 2009, 276, 4181- 4188.

版权

版权所有,未经授权。
PDF(796 KB)

1631

Accesses

0

Citation

Detail

段落导航
相关文章

/