不確定事件沖擊下的資產(chǎn)收益率波動

錢甫成，何朝林

(安徽工程大學(xué) 經(jīng)濟與管理學(xué)院，安徽 蕪湖 241000)

2019年末的新型冠狀病毒肺炎疫情(以下簡稱“新冠疫情”)席卷全球，嚴重威脅到各國穩(wěn)定。在新冠疫情的影響下，國際金融市場發(fā)生劇烈震蕩，并伴有交易量的大量下降。2020年2月3日(春節(jié)后的首個交易日)，我國上證綜指下跌7.72%，滬深300指數(shù)跌幅達7.88%，深證成指下跌8.45%，均創(chuàng)近5年單日最高跌幅；美股在幾周內(nèi)多次熔斷，道瓊斯指數(shù)一度從接近30 000點的位置跌至20 000點左右，市場波動率明顯上升。金融市場承擔(dān)著資產(chǎn)定價、資源分配和分散風(fēng)險的重要責(zé)任。市場的過度波動影響投資決策，擾亂金融資產(chǎn)定價，導(dǎo)致資源錯配，嚴重危害著金融市場的穩(wěn)定健康發(fā)展。因此，有必要研究外部不確定事件沖擊下的資產(chǎn)收益率波動特征，闡釋金融市場巨幅波動，為投資決策和市場監(jiān)管提供經(jīng)驗證據(jù)。

Knight F認為不確定性特征描述了未來狀態(tài)已知但其概率未知或者未來狀態(tài)及其概率皆未知的現(xiàn)象，并將其統(tǒng)稱為奈特不確定性或模糊不確定性。徐光偉等利用不確定性事件提供的自然實驗，分析沖擊事件對企業(yè)投資行為的影響發(fā)現(xiàn),不確定性沖擊對相關(guān)聯(lián)企業(yè)資產(chǎn)投資均有顯著的負面影響。卜林等基于構(gòu)建的地緣政治風(fēng)險指數(shù)，考察國內(nèi)外地緣政治風(fēng)險、政策不確定性和金融市場波動之間的聯(lián)動性及其特征，發(fā)現(xiàn)國內(nèi)金融市場波動受自身影響權(quán)重較高。源于不利于經(jīng)濟發(fā)展的不確定性事件的發(fā)生，投資者作為市場主體，無法對未來市場形成穩(wěn)定預(yù)期，形成合理投資決策的難度增大，從而導(dǎo)致資產(chǎn)預(yù)期收益波動。De Bondt等發(fā)現(xiàn)絕大多數(shù)投資者對突發(fā)性和不確定性事件反應(yīng)過度，全球重大風(fēng)險事件發(fā)生后，投資者表現(xiàn)出對事件愈發(fā)的關(guān)注使其投機的可能性加大，從而對資產(chǎn)收益率波動產(chǎn)生影響。李志輝等在研究滬深兩市流動性波動對資產(chǎn)預(yù)期收益影響時發(fā)現(xiàn)，在市場受到不確定事件沖擊，尤其是在股票市場處于下跌階段時，流動性波動對于資產(chǎn)收益的影響較大。Blau等探究流動性波動與資產(chǎn)收益之間關(guān)系發(fā)現(xiàn),資產(chǎn)收益會隨著市場波動的增大而增加。史代敏等通過推算收益率的條件高階矩序列建立的收益-風(fēng)險時變模型發(fā)現(xiàn)，大規(guī)模金融危機等重大風(fēng)險事件均會使收益率序列出現(xiàn)異常波動，增加了投資決策的不確定性。目前，國內(nèi)外學(xué)者多從不確定性影響投資者交易情緒視角下探究其對資產(chǎn)預(yù)期收益的影響。何朝林等通過對奈特不確定性規(guī)避型投資者交易行為探究發(fā)現(xiàn)，在奈特不確定環(huán)境下存在資產(chǎn)交易價格“惰性區(qū)間”，不確定性特征及其對投資者交易意愿的影響導(dǎo)致了該資產(chǎn)價格交易異象。陳康等研究發(fā)現(xiàn)空氣質(zhì)量的不確定性通過影響投資者交易意愿從而影響股價。Dominik Rehse等把颶風(fēng)作為準自然實驗來檢驗不確定性事件對房地產(chǎn)行業(yè)的影響，指出不確定性事件通過降低投資者交易意愿，從而造成資產(chǎn)收益波動。田金方等以新冠疫情概念股為例證實突發(fā)不確定性事件容易導(dǎo)致投資者情緒恐慌，繼而造成股市動蕩，加劇金融資產(chǎn)的波動風(fēng)險。

綜上，外部不確定事件影響投資者決策,導(dǎo)致資產(chǎn)收益率異常波動，影響金融市場健康穩(wěn)定發(fā)展。鑒于此，研究以新冠疫情為不確定事件代表，并將其引入資產(chǎn)收益率波動模型研究資產(chǎn)收益率波動特征，獲得相關(guān)經(jīng)濟管理啟示，為重大公共事件下的投資決策和市場監(jiān)管提供了經(jīng)驗證據(jù)。

1 資產(chǎn)收益率波動測度

1.1 ARCH模型

事實上，時間序列數(shù)據(jù)也存在異方差性，即“自回歸條件異方差”(ARCH模型)。例如，股指的日收益率均值可能一直在0左右徘徊，但卻在某一段時間內(nèi)劇烈波動，而另一段時間內(nèi)則風(fēng)平浪靜，即存在波動聚集性的現(xiàn)象。由于ARCH模型考慮了方差的波動性特征，故而能更好地預(yù)測未來的方差為

y

=

β

+

βy

-1+

ε

,

(1)

1.2 GARCH模型

(2)

1.3 基于ARCH與GARCH模型的推廣模型

基于ARCH與GARCH模型的式(1)和式(2)可以測度資產(chǎn)收益率波動，為進一步考慮不確定事件沖擊下資產(chǎn)收益率的風(fēng)險溢價和波動的非對稱性，需要運用基于ARCH與GARCH模型的推廣模型，即GARCH-in-Mean模型和EGARCH模型。

(1)GARCH-in-Mean模型，均值方程可表示為

(3)

(2)EGARCH模型，其中，條件方差方程可表示為

(4)

這里，利好消息(

u

>0)和利空消息(

u

<0)對條件方差有不同的沖擊，即

α

+

γ

與

α

-

γ

。只要

γ

≠0，沖擊的影響就存在非對稱性，即杠桿效應(yīng)的存在與否可通過

γ

是否為零的假設(shè)進行檢驗。研究基于該模型研究不確定事件沖擊下利好消息與利空消息對資產(chǎn)收益率波動的非對稱性。

2 實證研究

2.1 樣本的選取

研究以滬深300指數(shù)為風(fēng)險資產(chǎn)代表，主要基于以下兩點考慮：①滬深300指數(shù)以規(guī)模和流動性作為選擇樣本的兩個基本指標，并賦予流動性更大的權(quán)重，這符合該指數(shù)在交易指數(shù)中的定位特征。②滬深300指數(shù)選股條件嚴格，剔除停牌股、ST股票以及經(jīng)營狀況異常或財務(wù)報告嚴重虧損和股價波動較大、市場表現(xiàn)明顯受到操縱的股票。為便于不確定事件發(fā)生前后的資產(chǎn)收益率波動對比，研究選取2019年8月9日～2020年7月23日滬深300指數(shù)的連續(xù)復(fù)合日收益率為研究樣本。所有數(shù)據(jù)均來自于東方財富Choice金融終端。

2.2 新冠疫情重要時間節(jié)點

在選取新冠疫情作為突發(fā)公共事件研究不確定性事件對資產(chǎn)收益率波動的影響時，為充分考慮疫情動態(tài)演進過程，并記錄疫情發(fā)展變化過程中的重要時間節(jié)點，研究選取2020年2月3日(春節(jié)后首個交易日)～2020年7月23日這段時間內(nèi)不確定事件過程中的重要時間節(jié)點，具體如表1所示。

表1 新冠疫情重要時間節(jié)點

2.3 新冠疫情沖擊下的資產(chǎn)收益率波動

(1)描述性統(tǒng)計。以滬深300指數(shù)日收盤指數(shù)為其價格，獲得樣本期內(nèi)連續(xù)復(fù)合日收益率序列：

R

=ln

P

-ln

P

-1,

(5)

式中，

P

為當(dāng)日收盤指數(shù)；

P

-1為前日收盤指數(shù)。由此獲得滬深300指數(shù)連續(xù)復(fù)合日收益率序列

R

的結(jié)果如圖1所示。由圖1可知，滬深300指數(shù)連續(xù)復(fù)合日收益率存在“波動聚集性”特征，意味著連續(xù)復(fù)合日收益率的條件方差隨時間變化而變化。(2)正態(tài)性檢驗。運用EViews8對連續(xù)復(fù)合日收益率序列

R

進行正態(tài)性檢驗的結(jié)果如圖2所示。由圖2可知，滬深300指數(shù)連續(xù)復(fù)合日收益率序列的均值為0.001，標準差為0.014，偏度為-1.145，說明序列分布具有左拖尾；峰度為10.403，說明連續(xù)復(fù)合日收益率具有尖峰和厚尾的特征。同時，JB統(tǒng)計量值較大，顯著拒絕連續(xù)復(fù)合日收益率的正態(tài)性假設(shè)，可以判斷連續(xù)復(fù)合日收益率存在ARCH效應(yīng)。

圖1 滬深300指數(shù)連續(xù)復(fù)合日收益率序列 圖2 滬深300指數(shù)連續(xù)復(fù)合日收率的正態(tài)性檢驗

(3)平穩(wěn)性檢驗?；谶B續(xù)復(fù)合日收益率序列

R

，運用ADF法進行平穩(wěn)性檢驗的結(jié)果如表2所示。由表2可知，在原假設(shè)

H

:

γ

=1或

H

:

δ

=0下，單位根的

τ

檢驗統(tǒng)計量的值為-14

.

883，均小于1%、5%、10%顯著性水平下ADF檢驗的臨界值，從而拒絕

H

，表明滬深300指數(shù)連續(xù)復(fù)合日收益率是平穩(wěn)的，不存在偽回歸現(xiàn)象。

表2 滬深300指數(shù)連續(xù)復(fù)合日收益率的平穩(wěn)性檢驗

(4)ARCH效應(yīng)檢驗。運用EViews 8軟件，采用ACF&PACF法檢驗滬深300指數(shù)連續(xù)復(fù)合日收益率序列自相關(guān)和偏自相關(guān)，結(jié)果表明，序列的ACF和PACF系數(shù)均在兩倍的估計標準差內(nèi)，且Q-Stat統(tǒng)計量所對應(yīng)的P值均大于0.050，故序列在5%的顯著性水平下不存在自相關(guān)和偏自相關(guān)。

由于序列不存在顯著相關(guān)性，均值方程可以設(shè)定為白噪聲，即

r

=

μ

+

ε

，運用LM法(拉格朗日乘數(shù)檢驗法)檢驗殘差平方的相關(guān)性，結(jié)果表明，殘差平方序列Q-Stat統(tǒng)計量所對應(yīng)的

P

值均小于0

.

050，故該序列在5%的顯著性水平下存在相關(guān)性，即收益率序列

R

具有顯著的條件異方差特征。(5)結(jié)果與分析。選取

p

=1、

q

=1，

p

=1、

q

=2，

p

=2、

q

=1，

p

=2、

q

=2，四種情況，即選取GARCH(1,1)、GARCH(1,2)、GARCH(2,1)、GARCH(2,2)進行對比分析，獲得連續(xù)復(fù)合日收益率在各階GARCH模型的

AIC

值和

SC

值的結(jié)果如表3所示。由表3可知，基于最小信息化準則，采用GARCH族(1,1)模型研究滬深300指數(shù)的連續(xù)復(fù)合日收益率波動。為了突出不確定事件沖擊下資產(chǎn)收益率波動影響的非對稱性，以2020年1月23日為界，將樣本劃分為兩個子樣本：子樣本1的時間區(qū)間為2019年8月9日至2020年1月23日，該樣本為比較樣本，為新冠疫情發(fā)生前的沖擊反應(yīng)；子樣本2的時間區(qū)間為2020年2月3日(春節(jié)后的首個交易日)至2020年7月23日，為新冠疫情發(fā)生后對金融市場的沖擊反應(yīng)。

表3 各階GARCH模型的AIC值和SC值

運用Eviews 8軟件獲得模型參數(shù)估計結(jié)果如表4、表5所示。由表4、表5可知，①GARCH(1,1)模型擬合的過程中發(fā)現(xiàn)，條件方差方程ARCH項和GARCH項系數(shù)均在1%的置信水平下顯著，擬合結(jié)果較好。ARCH項系數(shù)為0.264，說明不確定事件沖擊會加劇資產(chǎn)收益率波動。GARCH項系數(shù)為0.685，兩項系數(shù)之和為0.949，滿足參數(shù)約束條件且估計結(jié)果較為有效。系數(shù)之和非常接近于1，這表明條件方差所受到的影響是持久的，即盡管資產(chǎn)收益率波動會隨時間變化而減弱，但減弱過程緩慢，不確定事件沖擊對資產(chǎn)收益率影響是持續(xù)性的。②GARCH-M(1,1)模型參數(shù)估計結(jié)果表明，條件方差方程中的GARCH項系數(shù)與ARCH項系數(shù)之和為0.942，且各項系數(shù)均大于0小于1，符合假設(shè)結(jié)果，說明參數(shù)估計結(jié)果具有可信性。在連續(xù)復(fù)合日收益率均值方程中包含

σ

的原因是將風(fēng)險度量指標納入收益生成過程，這也是許多資產(chǎn)定價模型的基礎(chǔ)。在這個假設(shè)下

δ

應(yīng)該是正數(shù)，參數(shù)估計結(jié)果為0

.

046，但結(jié)果不顯著，說明資產(chǎn)收益率不存在明顯的風(fēng)險溢價，即目前該市場收益率不隨風(fēng)險的增加而增加。這種現(xiàn)象顯然與“高風(fēng)險、高收益”的傳統(tǒng)邏輯存在沖突。從國內(nèi)資本市場特征的角度可以得到很好的解釋：國內(nèi)市場短期行為盛行，大量投機者承擔(dān)了市場風(fēng)險，而金融市場又容易受到外部事件的沖擊，投資者對市場無法形成穩(wěn)定預(yù)期使得資產(chǎn)收益與風(fēng)險之間呈現(xiàn)出不匹配特點。③EGARCH(1,1)模型的ARCH效應(yīng)檢驗結(jié)果表明估計結(jié)果已經(jīng)消除了異方差性，模型能夠很好的反映收益率波動。方差方程所有參數(shù)均顯著通過

Z

檢驗，擬合結(jié)果較好。從子樣本1方差方程可以看出，其非對稱項系數(shù)為-0

.

188，即

γ

≠0，這表明新冠疫情對金融市場的沖擊是非對稱的。當(dāng)出現(xiàn)“利好消息”時，即

u

>0時，有一個

α

+

γ

=-0

.

562+(-0

.

188)=-0

.

750倍的沖擊。當(dāng)出現(xiàn)“利空消息”時，即

u

<0時，有一個

α

-

γ

=-0

.

562-(-0

.

188)=-0

.

374倍的沖擊。同理，子樣本2方差方程的非對稱項系數(shù)

γ

≠0“利好消息”對市場的沖擊是0

.

363倍，“利空消息”對市場的沖擊是0

.

587倍。

表4 GARCH族模型參數(shù)估計結(jié)果

表5 GARCH族模型的ARCH效應(yīng)檢驗結(jié)果

兩個子樣本區(qū)間的信息沖擊曲線如圖3、圖4所示。由圖3、圖4可見，兩個子樣本區(qū)間內(nèi)“利空消息”與“利好消息”沖擊的差異性。分析比較可知：①子樣本1區(qū)間內(nèi)，同等程度下“利好消息”對市場的沖擊大于“利空消息”；子樣本2區(qū)間內(nèi)，同等程度下“利好消息”對市場的沖擊要小于“利空消息”。兩樣本區(qū)間內(nèi)資產(chǎn)收益呈現(xiàn)非對稱性，即“杠桿效應(yīng)”，這說明國內(nèi)市場個人投資者居多，缺乏長期的價值投資。與機構(gòu)投資者相比個人投資者承擔(dān)風(fēng)險的能力較小，他們的投資往往呈現(xiàn)短期化特點，一旦受到外部事件沖擊，投資者在不確定事件下會對市場預(yù)期施加不合理權(quán)重，市場預(yù)期值就會對資產(chǎn)收益產(chǎn)生顯著影響。例如，在“利好消息”下對風(fēng)險資產(chǎn)的大量需求，在“利空消息”下對安全資產(chǎn)的大量拋售，進而對投資決策造成消極影響。②新冠疫情發(fā)生后“利好消息”對資產(chǎn)收益沖擊減弱，“利空消息”對資產(chǎn)收益沖擊增強。這一方面說明新冠疫情沖擊導(dǎo)致投資者避險情緒增強，投資者趨于理性投資，另一方面也說明國內(nèi)金融市場缺乏安全資產(chǎn)，投資者有效的風(fēng)險規(guī)避手段匱乏。所以在新冠疫情發(fā)生后的高風(fēng)險環(huán)境下，國內(nèi)投資者只能選取風(fēng)險資產(chǎn)進行投機操作，一旦市場有絲毫利空消息，投資者便會跟風(fēng)拋售，造成資產(chǎn)收益大幅度振蕩。

圖3 子樣本1連續(xù)復(fù)合日收益率信息沖擊曲線 圖4 子樣本2連續(xù)復(fù)合日收益率信息沖擊曲線

3 結(jié)論

研究基于GARCH族模型，以新冠疫情為不確定事件代表，量化分析不確定事件下的資產(chǎn)收益率波動特征。通過對滬深300指數(shù)連續(xù)復(fù)合日收益率序列建模分析發(fā)現(xiàn)，新冠疫情下資產(chǎn)收益率表現(xiàn)出明顯的GARCH效應(yīng)。此外，通過建立GARCH族模型得出GARCH-M(1,1)模型和EGARCH(1,1)均能較好地描述資產(chǎn)收益率的波動性，由模型參數(shù)估計結(jié)果可知，①風(fēng)險度量指標系數(shù)為正且不顯著，說明新冠疫情下資產(chǎn)收益不存在風(fēng)險溢價。②模型的杠桿系數(shù)為負且顯著，說明新冠疫情下資產(chǎn)收益率波動存在非對稱性，且具有杠桿效應(yīng)。同時，通過分析子樣本1與子樣本2的EGARCH(1,1)模型系數(shù)可知，新冠疫情發(fā)生后“利好消息”對資產(chǎn)收益沖擊減弱，“利空消息”對資產(chǎn)收益沖擊增強。由此獲得如下啟示：積極推進金融衍生產(chǎn)品開發(fā)，豐富投資者避險保值方式;加強金融市場信息透明度，尤其是在不確定性事件沖擊下，監(jiān)管部門應(yīng)當(dāng)及時披露未來經(jīng)濟走勢，合理引導(dǎo)投資者情緒，提振投資者信心;壯大機構(gòu)投資者隊伍，避免個人投資者羊群效應(yīng)，規(guī)范行業(yè)發(fā)展，形成市場理性預(yù)期，提高理性投資者市場占有權(quán)重。