小概率情形下投資者情緒效應(yīng)分析

周文龍 ，楊 青

（1.復(fù)旦大學(xué)應(yīng)用經(jīng)濟學(xué)博士后流動站，上海 200433；2.珠海復(fù)旦創(chuàng)新研究院金融創(chuàng)新發(fā)展中心，廣東 珠海 519000；3.復(fù)旦大學(xué)經(jīng)濟學(xué)院，上海 200433）

一、引言

2020年，新冠肺炎疫情在全球范圍爆發(fā)，國際金融市場陷入劇烈波動的階段，美股甚至在短短數(shù)個交易日4次觸發(fā)熔斷機制。金融市場中，資產(chǎn)價格的波動實為常態(tài)。應(yīng)辯證地看待金融市場的價格波動，一方面金融市場的價格波動傳遞了金融資產(chǎn)的相關(guān)信息，資產(chǎn)價格在波動中動態(tài)調(diào)整從而實現(xiàn)價格發(fā)現(xiàn)，在波動的過程中也為市場參與者提供了流動性；另一方面，過度的波動往往會扭曲資產(chǎn)價格，產(chǎn)生金融風險，對金融市場的穩(wěn)定和安全形成挑戰(zhàn)。其中，極端的資產(chǎn)價格波動發(fā)生概率雖小，但難以預(yù)測且極具破壞性，歷來是學(xué)界、業(yè)界及監(jiān)管部門關(guān)注的焦點。

縱觀全球金融市場的歷史長河，極端金融事件對有關(guān)國家和地區(qū)的金融穩(wěn)定和安全產(chǎn)生了巨大的沖擊。近年來，極端金融事件的爆發(fā)對中國資本市場的平穩(wěn)運行構(gòu)成了挑戰(zhàn)。表1列出了全球金融市場和近年來中國資本市場的極端金融事件。隨著國務(wù)院金融穩(wěn)定發(fā)展委員會的設(shè)立，中國日益重視金融市場的健康發(fā)展，金融安全和穩(wěn)定逐漸上升為國家戰(zhàn)略。當前國際國內(nèi)經(jīng)濟環(huán)境日趨復(fù)雜，新冠肺炎疫情引發(fā)的金融市場不確定性顯著提升，“如何防控系統(tǒng)性金融風險，維護金融安全和穩(wěn)定，提升中國金融市場國際影響力和競爭力，充分發(fā)揮金融服務(wù)實體經(jīng)濟的功能”成為經(jīng)濟新常態(tài)疊加新冠肺炎疫情影響背景下的重要課題。

表1 全球金融市場和近年來中國資本市場的極端金融事件

長期以來，中國經(jīng)濟持續(xù)穩(wěn)定發(fā)展，經(jīng)濟基本面良好。但是，中國金融市場的不成熟和以個人投資者為主體的投資群體，使得市場更多表現(xiàn)出非理性的一面。縱然中國資本市場存在融券交易機制，但融券業(yè)務(wù)發(fā)展不充分，做空機制不完備，難以有效進行套利。套利的有限性促使投資者情緒能對資產(chǎn)價格產(chǎn)生沖擊效應(yīng)(Shleifer和Vishny，1997)，在此情況下，噪聲交易者及其情緒化交易在中國資本市場的劇烈震蕩中扮演了重要角色，投資者情緒和市場收益及其大幅波動有很強的關(guān)聯(lián)性。

王美今和孫建軍(2004)及張宗新和王海亮(2013)等國內(nèi)學(xué)者在DSSW模型基礎(chǔ)上進行改進，證實了投資者情緒在中國資本市場的效應(yīng)。前人的研究為我們提供了有關(guān)投資者情緒對市場波動影響的豐富見解，卻缺乏對極端情形下二者關(guān)系的研究?；趪鴥?nèi)外現(xiàn)有的研究成果，假定極端情形下噪聲投資者的比例會增加，即部分理性投資者會實現(xiàn)向噪聲投資者的轉(zhuǎn)變，從而作出非理性的投資決策，進而構(gòu)建一個極端情形下的數(shù)理模型，發(fā)現(xiàn)極端情形下風險資產(chǎn)價格存在“正負反饋效應(yīng)”，價格向極端方向發(fā)展。同時，采用日度數(shù)據(jù)實證檢驗了極端情形下投資者情緒對資產(chǎn)收益及收益波動的影響。GARCH模型結(jié)果表明，投資者情緒會助推極端行情的發(fā)展；當情緒變得更為低迷時，市場波動更為劇烈。分位數(shù)回歸結(jié)果表明，投資者情緒會助推市場上漲，加劇市場下跌，極端條件下，投資者情緒對收益率的正向和負向影響越大；投資者情緒會加劇市場波動，極端條件下，情緒對波動率的正向影響越大。

本文的邊際貢獻在于進一步考察了極端情形下投資者情緒對收益率、波動率的影響，拓展了投資者情緒領(lǐng)域的研究。通過理論模型和實證檢驗，本文深入分析了極端情形下投資者情緒對收益率和波動率的效應(yīng)，不僅有助于深化對投資者情緒效應(yīng)的認識，而且對維護金融安全這一國家戰(zhàn)略的實施有一定的啟示。

本文結(jié)構(gòu)安排如下：第二部分為文獻綜述；第三部分構(gòu)建極端情形下的理論模型，研究投資者情緒對市場收益率和波動率的作用機制；第四部分為研究設(shè)計，說明數(shù)據(jù)來源和研究方法；第五部分實證檢驗極端情形下投資者情緒對市場收益及收益波動的影響；第六部分為研究結(jié)論與政策建議。

二、文獻綜述

行為金融理論并沒有完全否認傳統(tǒng)金融理論關(guān)于基本面影響資產(chǎn)價格波動的論斷，而是同時關(guān)注投資者情緒在資產(chǎn)價格波動中的作用。部分投資者依據(jù)噪聲信號進行非理性交易，被稱為噪聲交易者(Black，1986)。De Long等(1990)構(gòu)建了噪聲交易者模型，又稱DSSW模型，發(fā)現(xiàn)噪聲交易者的非理性交易促使資產(chǎn)價格背離基本面而波動。立足于中國資本市場的實際，國內(nèi)學(xué)者拓展了DSSW模型，表明投資者情緒是影響資產(chǎn)價格波動的系統(tǒng)性因子(張強和楊淑娥，2009)。BSV模型(Barberis等，1998)和DHS模型(Daniel等，1998)從不同側(cè)面論述了投資者情緒在資產(chǎn)定價過程中的作用。

投資者情緒對股票收益率的影響存在橫截面效應(yīng)，其對小盤股、年輕股、成長股、高波動率股等這類估值高度主觀且難以有效套利的股票能夠產(chǎn)生更大的效應(yīng)。大量研究參照Baker和Wurgler(2006)的做法，選取市場成交量、股市新增開戶數(shù)、封閉式基金折價率、IPO數(shù)量及首日收益率等投資者情緒代理變量，采用主成分分析法剔除異質(zhì)成分，提取共同的投資者情緒成分，以此實證檢驗投資者情緒的效應(yīng)。其中，Yu和Yuan(2011)檢驗了投資者情緒如何影響股票市場的風險—收益關(guān)系，發(fā)現(xiàn)在投資者情緒低迷期間，風險-收益的正向關(guān)系非常顯著；然而，這種關(guān)系在投資者情緒高漲期間卻不顯著。Stambaugh等(2012)發(fā)現(xiàn)投資者情緒是引起橫截面股票收益異象的關(guān)鍵因素之一，而且相對于投資者情緒低迷期間，投資者情緒高漲期間的市場異象更為顯著。Devault等(2019)認為情緒指標度量了機構(gòu)投資者而不是個人投資者的需求沖擊。文鳳華等(2014)分析了不同投資者情緒特征對股票價格行為影響的差異，研究表明不同于負面情緒和向下的情緒波動，正面情緒和向上的情緒波動對股票收益率存在顯著的正向影響。楊青和周文龍(2019)從投資者情緒的視角考察了股權(quán)分置改革和次貸危機前后中美股市極端風險溢出效應(yīng)的差異。

此外，從網(wǎng)絡(luò)論壇文本信息和新聞中提取情緒的實證研究亦證實了投資者情緒在資產(chǎn)價格行為中的作用。Antweiler和Frank(2004)從Yahoo!Finance和RagingBull.com下載了2000年45家規(guī)模相對較大企業(yè)的大約150萬條文本信息，發(fā)現(xiàn)網(wǎng)絡(luò)論壇信息的正面沖擊可以預(yù)測下一交易日的負收益，來源于網(wǎng)絡(luò)信息的投資者情緒對于波動性和交易量有預(yù)測作用。GARCíA(2013)從《紐約時報》財經(jīng)新聞欄提取市場情緒，證實股票收益率的可預(yù)測性集中于經(jīng)濟衰退時期。段江嬌等(2017)采用計算機文本處理技術(shù)挖掘互聯(lián)網(wǎng)論壇中的情緒成分，研究表明論壇情緒對股票交易量、收益率及波動率存在顯著影響。部慧等(2018)基于股評構(gòu)造的投資者情緒對股票交易量、收益率及波動率沒有預(yù)測能力，但對交易量和收益率存在顯著的當期影響。

從以上分析中可以看出，前人的研究為我們提供了關(guān)于投資者情緒與市場波動關(guān)聯(lián)性的豐富見解，卻缺乏對極端情形下二者關(guān)系的研究。下文通過理論模型和實證檢驗深入分析極端情形下投資者情緒對收益率和波動率的效應(yīng)。

三、理論模型

基于DSSW模型，本文構(gòu)造了一個代理人存活兩期的迭代模型。本文研究的重點是極端情形下投資者情緒對市場收益及收益波動的影響。因此，與DSSW模型的不同之處在于，本文假定極端情形下噪聲投資者的比例會增加，即部分理性投資者會實現(xiàn)向噪聲投資者的轉(zhuǎn)變，從而做出非理性的投資決策。

假設(shè)在資本市場上存在兩種資產(chǎn)：無風險資產(chǎn)B和風險資產(chǎn)S，兩種資產(chǎn)支付同樣的股息r。無風險資產(chǎn)B一般以短期債券為代表，假定其價格為1，支付的股息r就是該資產(chǎn)的無風險利率。同時，無風險資產(chǎn)B是完全彈性供給的。風險資產(chǎn)S一般以股票為代表，它不是完全彈性供給的，假定其數(shù)量標準化為1，其在t時刻的價格為Pt。市場上存在兩類投資者：理性投資者R和噪聲投資者N。理性投資者具備專業(yè)的投資素養(yǎng)和技能，能準確感知所持有風險資產(chǎn)的收益發(fā)布。相較于理性投資者，噪聲交易者依據(jù)不具備投資參考價值的噪聲信號進行投資決策，他們通常把這類噪聲信號理解為關(guān)于風險資產(chǎn)的信息，從而錯誤估計風險資產(chǎn)的收益分布。本章以mt來表示噪聲交易者對風險資產(chǎn)收益的錯誤估計，mt服從均值為m*，方差為的正態(tài)分布，即。當，噪聲交易者對風險資產(chǎn)的收益表現(xiàn)出偏樂觀的情緒；當，噪聲交易者偏向于悲觀的情緒。

假設(shè)一般情形下，理性投資者和噪聲交易者所占的比例分別為1-π和π。在極端情形下，部分理性投資者會受到市場氛圍的影響和噪聲交易者的感染，完成向噪聲交易者的轉(zhuǎn)變1在極端情形下，也可能會出現(xiàn)噪聲交易者對風險資產(chǎn)收益極端化方向發(fā)展的預(yù)期更為強烈，即絕對值更大，從而其投資行為更為激進。這種情況與噪聲交易者比例變動的情況本質(zhì)上是一致的，考慮到模型的簡潔性，本文理論建模的時候沒有納入這種情況。。在市場瘋狂上升的階段中，這部分投資者會由于過度自信(Odean，1998)和羊群效應(yīng)(Lakonishok等，1992；Christie和Huang，1995；Wermers，1999；宋軍和吳沖鋒，2001)的作用下提升風險偏好。在市場崩潰的階段，這部分投資者會因羊群效應(yīng)而使其風險偏好下降?！巴樾?yīng)”2人們作決策的時候總是會參照周圍的人，如購買時尚的衣服，這樣一種“同伴效應(yīng)”也會出現(xiàn)在金融領(lǐng)域的投資決策中，并對金融市場的穩(wěn)定產(chǎn)生深刻影響。也可以解釋極端情形下的這些現(xiàn)象(Bursztyn等，2014)。本文定義增加的這部分噪聲投資者數(shù)量占比為Δπ，理性投資者和噪聲交易者比例變?yōu)?-π-Δπ和π+Δπ。

理性投資者和噪聲交易者都依據(jù)其對風險資產(chǎn)收益分布的信念選擇投資組合來實現(xiàn)期望效用的最大化。兩類投資者的效用函數(shù)都為常數(shù)絕對風險厭惡型，即

其中，i＝R或N，w表示他們在t+1期的財富水平，α表示絕對風險厭惡系數(shù)。

理性投資者對t+1期的期望財富水平如式(2)所示，

噪聲投資者對t+1期的期望財富水平如式(3)所示，

以上兩式中，L0表示勞動收入，E（Pt+1）表示對t+1期風險資產(chǎn)價格的期望，代表兩類投資者對風險資產(chǎn)的需求量。兩類投資者通過選擇其對風險資產(chǎn)的需求量來實現(xiàn)期望效用的最大化，對式(1)最大化等價于對如下公式最大化，

對式(4)求最優(yōu)，分別得到理性投資者和噪聲交易者對風險資產(chǎn)的需求量表達式：

從以上兩式可以看出，投資者對風險資產(chǎn)的需求量與期望收益(分子項)成正比，與表示風險的價格波動(分母項)成反比。式(6)與式(7)的區(qū)別在于式(7)后面的一項，從該項可以看出噪聲投資者對風險資產(chǎn)收益的錯誤估計與其對風險資產(chǎn)需求量的關(guān)系。當，情緒樂觀的噪聲投資者會選擇相對理性投資者更大的需求量。當，情緒悲觀的噪聲投資者傾向于持有相對更少的風險資產(chǎn)頭寸。

極端情形下，理性投資者和噪聲交易者比例為1-π-Δπ和π+Δπ，

通過整理式(8)，我們得到，

從上式中，我們可以看出噪聲交易者的情緒（即mt）是影響風險資產(chǎn)價格的系統(tǒng)性因子，式(9)中分子的最后一項mtΔπ代表了極端情形與一般情形的區(qū)別，也就是說，極端情形下，風險資產(chǎn)價格存在“正負反饋效應(yīng)”，價格傾向于向更為極端的方向發(fā)展。

四、研究設(shè)計

（一）數(shù)據(jù)來源

（二）研究方法

1.收益率的計算。日對數(shù)收益率定義為：

其中，Pt為股指第t日的收盤價，Pt-1為股指第t-1日的收盤價。

進一步，本文通過式(10)減去無風險利率得到日超額收益率，即

2.波動率的計算。不同研究人員常采用不同的波動率計算方法，而這可能會導(dǎo)致關(guān)于波動率的研究結(jié)果存在差異。因此，為了保證研究結(jié)論的穩(wěn)健性，本文同時采用極差波動率和條件波動率來探究極端情形下波動率和投資者情緒之間的關(guān)聯(lián)。

(1)極差波動率

參照Garman和Klass(1980)、Alizadeh等(2002)以及Diebold和Yilmaz(2009)的研究，本章采用股票指數(shù)的日最高價、日最低價、日開盤價和日收盤價來估計日極差波動率，計算公式為：

其中，Ht、Lt、Ot和Ct分別為第t日最高價、最低價、開盤價和收盤價的自然對數(shù)值。

(2)條件波動率

對于條件波動率，本文采用GARCH模型進行估計，詳細說明見下述實證模型部分。

3.實證模型

為了實證檢驗極端情形與一般情形下收益率、波動率與投資者情緒的關(guān)系是否存在差異，本文采用在GARCH模型中引入虛擬變量和分位數(shù)回歸模型這兩種方法。

(1) GARCH模型中引入虛擬變量

參照宋軍和吳沖鋒(2001)、Brogaard等(2018)的做法，本文將日超額收益率曲線兩端的極端收益率分離出來。表示日超額收益率的p分位數(shù)，p=0.01、0.05、0.1、0.9、0.95以及0.99。D(p)表示是否為極端情形的虛擬變量，當p=0.9、0.95或0.99且t期的日超額收益率時，，否則為0；當p=0.01、0.05或0.1且t期的日超額收益率時，，否則為0；

對極端情形進行界定后，本文將表示極端情形的虛擬變量引入GARCH模型中來研究極端情形下投資者情緒對市場收益及收益波動的影響，具體模型設(shè)定如下：

其中，式(13) 和式(14)分別為GARCH模型的均值方程和方差方程，表示上證綜指、深證成指和創(chuàng)業(yè)板指的日度超額收益率，ht表示條件波動率，sentt表示投資者情緒指數(shù)，D(p)為上述定義的極端情形的虛擬變量，p=0.01、0.05、0.1、0.9、0.95以及0.99，at表示均值為0，方差為1的獨立同分布序列。α1表示投資者情緒和日度收益率之間的關(guān)系，若α1顯著不為零，則表明投資者情緒對日度收益率存在顯著的影響。α2表示極端情形下投資者情緒對日度收益率影響的差異。若β1和β2顯著大于零，則表示市場中存在“波動集聚”的現(xiàn)象。β3表示投資者情緒對市場波動率的影響，若β3顯著不為零，則表明投資者情緒對收益波動存在顯著的影響。β4表示極端情形下投資者情緒對條件波動率影響的差異。

(2)分位數(shù)回歸模型

本文采用分位數(shù)回歸模型，目的是分析極端情形和一般情形下投資者情緒對收益率、波動率的影響差異。Koenker和Bassett(1978)最早提出分位數(shù)回歸模型，該方法基于因變量y的條件分布來擬合自變量x，是對均值回歸進行的拓展。與最小二乘法只提供一個平均數(shù)的估計結(jié)果不同，分位數(shù)回歸提供多個不同分位數(shù)的估計結(jié)果。同時，分位數(shù)回歸不需要事先對變量服從的分布進行假定。線性分位數(shù)回歸的模型設(shè)定如下：

分位數(shù)回歸模型通過最小化誤差的絕對值之和來求解特定分位數(shù)的估計量，最小化的函數(shù)如下：

上述公式中的y為被解釋變量，文中為日超額收益率和極差波動率，X為解釋變量的向量，文中只有投資者情緒這一個變量，q為估計的分位數(shù)，當q在(0，1)的區(qū)間范圍內(nèi)取不同值時，可以得到收益率、波動率與投資者情緒在不同分位數(shù)水平的關(guān)系，這對于本文研究極端情形具有重大意義。

五、實證結(jié)果與分析

（一）變量描述性統(tǒng)計及單位根檢驗

表2對主要變量進行了解釋說明，表3為變量描述性統(tǒng)計。從表中可以看出，上證綜指日度超額收益率均值為0.0002，小于深證成指和創(chuàng)業(yè)板指的0.0004和0.0003。從日度超額收益率的標準差和日度極差波動率的均值來判斷，上證綜指的波動小于深證成指和創(chuàng)業(yè)板指。這兩方面的差異在于上證綜指多為大盤權(quán)重股，而深證成指主要涵蓋中小板股票，創(chuàng)業(yè)板則集中了中小型創(chuàng)業(yè)科技企業(yè)。

表2 主要變量的說明

表3 變量描述性統(tǒng)計

為避免偽回歸問題，本文采用ADF法檢驗時間序列數(shù)據(jù)的平穩(wěn)性。變量的單位根檢驗結(jié)果如表4所示，兩個投資者情緒序列和三個日度超額收益率序列均是平穩(wěn)序列，符合零階單整I(0)。

表4 單位根檢驗結(jié)果

（二）GARCH模型回歸結(jié)果

根據(jù)式(13)、式(14)及式(15)中的GARCH模型，本文實證檢驗極端情形下投資者情緒對收益率和波動率的影響。表5、表6及表7分別給出了上證綜指、深證成指及創(chuàng)業(yè)板指的回歸結(jié)果。

表5列出了上證綜指在p=0.01、0.05、0.1、0.9、0.95以及0.99這6種極端情形的GARCH模型回歸結(jié)果。在均值方程中，當p=0.99時，α1在1%的水平上顯著為負，說明投資者情緒指數(shù)對上證綜指日度超額收益率存在顯著的負向影響，而α2在1%的水平上顯著為正，說明極端情形下投資者情緒對日度超額收益率的影響存在顯著差異，此時，投資者情緒對日度超額收益率的綜合影響系數(shù)應(yīng)為0.0138；當p=0.95和p=0.9時，系數(shù)α1和α2的結(jié)果與p=0.99時基本一致，投資者情緒對日度超額收益率的綜合影響系數(shù)分別為0.0158和0.0162；當p=0.01時，α1在1%的水平上顯著為負，說明投資者情緒指數(shù)對上證綜指日度超額收益率存在顯著的負向影響，α2也在1%的水平上顯著為負，說明極端情形下投資者情緒對日度超額收益率的影響存在顯著差異，此時，投資者情緒對日度超額收益率的綜合影響系數(shù)應(yīng)為-0.0232；當p=0.05和p=0.1時，系數(shù)α1均在1%的水平上顯著為正，而α2均在1%的水平上顯著為負，投資者情緒對日度超額收益率的綜合影響系數(shù)分別為-0.0234和-0.0217。綜合來看，投資者情緒會對極端上漲行情起到推動作用，而當市場處于極端下跌階段，投資者情緒會加劇市場的下跌。在方差方程中，β1和β2均在1%的水平上顯著，而系數(shù)的大小不穩(wěn)定，無法說明市場中存在“波動集聚”的現(xiàn)象；β3均在1%的水平上顯著為正，說明投資者情緒會起到加劇市場波動的作用；β4均在1%的水平上顯著為負，當投資者情緒向更為低迷的方向發(fā)展時，市場波動也會更加劇烈。

表5 上證綜指GARCH模型回歸結(jié)果

表6列出了深證成指在p=0.01、0.05、0.1、0.9、0.95以及0.99這6種極端情形的GARCH模型回歸結(jié)果。在均值方程中，當p=0.99時，α1在1%的水平上顯著為負，說明投資者情緒指數(shù)對深證成指日度超額收益率存在顯著的負向影響，而α2在1%的水平上顯著為正，說明極端情形下投資者情緒對日度超額收益率的影響存在顯著差異，此時，投資者情緒對日度超額收益率的綜合影響系數(shù)應(yīng)為0.0127；當p=0.95和p=0.9時，系數(shù)α1和α2的結(jié)果與p=0.99時基本一致，投資者情緒指數(shù)對日度超額收益率的綜合影響系數(shù)分別為0.0156和0.0152；當p=0.01時，α1在1%的水平上顯著為負，說明投資者情緒指數(shù)對深證成指日度超額收益率存在顯著的負向影響，α2也在1%的水平上顯著為負，說明極端情形下投資者情緒對日度超額收益率的影響存在顯著差異，此時，投資者情緒對日度超額收益率的綜合影響系數(shù)應(yīng)為-0.0255；當p=0.05時，系數(shù)α1在5%的水平上顯著為負，α2在1%的水平上顯著為負，投資者情緒對日度超額收益率的綜合影響系數(shù)為-0.0260；當p=0.1時，系數(shù)α1在10%的水平上顯著為正，α2而在1%的水平上顯著為負，投資者情緒對日度超額收益率的綜合影響系數(shù)為-0.0233。綜合來看，投資者情緒會對深證成指極端上漲行情起到推動作用，而當市場處于極端下跌階段，投資者情緒會加劇市場的下跌。在方差方程中，β1和β2均在1%的水平上顯著，系數(shù)的大小也不穩(wěn)定，無法說明市場中存在“波動集聚”的現(xiàn)象；β3均在1%的水平上顯著為正，說明投資者情緒會起到加劇市場波動的作用；β4均在1%的水平上顯著為負，當投資者情緒向更為低迷的方向發(fā)展時，市場波動也會更加劇烈。

表6 深證成指GARCH模型回歸結(jié)果

表7列出了創(chuàng)業(yè)板指在p=0.01、0.05、0.1、0.9、0.95以及0.99這6種極端情形的GARCH模型回歸結(jié)果。在均值方程中，當p=0.99時，α1在1%的水平上顯著為負，說明投資者情緒指數(shù)對創(chuàng)業(yè)板指日度超額收益率存在顯著的負向影響，而α2在5%的水平上顯著為正，說明極端情形下投資者情緒對日度超額收益率的影響存在顯著差異，此時，投資者情緒對日度超額收益率的綜合影響系數(shù)應(yīng)為0.0152；當p=0.95和p=0.9時，系數(shù)α1均在5%的水平上顯著為負，而α2并不顯著異于零；當p=0.01和p=0.05時，α1均在1%的水平上顯著為負，說明投資者情緒指數(shù)對創(chuàng)業(yè)板指日度超額收益率存在顯著的負向影響，α2均在1%的水平上顯著為正，說明極端情形下投資者情緒對日度超額收益率的影響存在顯著差異；當p=0.1時，系數(shù)α1不顯著，而α2在1%的水平上顯著為負；綜合來看，投資者情緒對極端上漲行情的推動作用在p=0.99時顯著，而投資者情緒加劇極端市場下跌的作用在p=0.1時顯著。在方差方程中，β1和β2均在1%的水平上顯著為正，說明創(chuàng)業(yè)板市場中存在“波動集聚”的現(xiàn)象；β3均在1%的水平上顯著為正，說明投資者情緒會起到加劇市場波動的作用；β4僅在p=0.1時顯著小于零，極端情形下投資者情緒對創(chuàng)業(yè)板市場波動率的影響差異不明顯。

表7 創(chuàng)業(yè)板指GARCH模型回歸結(jié)果

（三）分位數(shù)回歸估計結(jié)果

為了分析極端情形和一般情形下投資者情緒對收益率、波動率的影響差異，本文采用非參數(shù)的分位數(shù)回歸模型進行研究。當q在(0，1)的區(qū)間范圍內(nèi)取不同值時，可以得到收益率、波動率與投資者情緒在不同分位數(shù)水平的關(guān)系。本文取了從0.01至0.99的13個不同分位點，在不同分位點的估計結(jié)果存在明顯差異。

表8給出了上證綜指、深證成指及創(chuàng)業(yè)板指日度超額收益率對投資者情緒指數(shù)分位數(shù)回歸的估計結(jié)果。在p=0.01的分位點上，投資者情緒對上證綜指、深證成指及創(chuàng)業(yè)板指日度超額收益率的影響均在1%的水平下顯著為負，回歸系數(shù)最小，分別為-0.0375、-0.0393和-0.0345；從0.05直到0.5的分位點上，回歸系數(shù)均在1%的水平下顯著為負，回歸系數(shù)的絕對值呈現(xiàn)遞減趨勢，說明在市場下跌階段，投資者情緒會加劇股票指數(shù)的下跌，在極端的條件下，投資者情緒對股票指數(shù)收益率的負向影響更大。在p=0.99的分位點上，投資者情緒對上證綜指、深證成指及創(chuàng)業(yè)板指日度超額收益率的影響均在1%的水平下顯著為正，回歸系數(shù)最大，分別為0.0203、0.0179和0.0204；從0.6至0.9的分位點上，回歸系數(shù)均在1%的水平下顯著為正，回歸系數(shù)的絕對值呈現(xiàn)遞增趨勢，說明在市場上漲階段，投資者情緒會助推股票指數(shù)的上漲，在極端的條件下，投資者情緒對股票指數(shù)收益率的正向影響更大。此外，對比上漲階段和下跌階段回歸系數(shù)的絕對值，發(fā)現(xiàn)投資者情緒對收益率的影響存在非對稱性，投資者情緒在下跌階段的影響更大。

表8 超額收益率對投資者情緒分位數(shù)回歸估計結(jié)果

注：括號中數(shù)字為估計系數(shù)的t值；*、**、***分別表示在10%、5%和1%的水平上顯著。

表9給出了上證綜指、深證成指及創(chuàng)業(yè)板指日度極差波動率對投資者情緒指數(shù)分位數(shù)回歸的估計結(jié)果。由于極差波動率數(shù)值較小，估計的回歸系數(shù)也較小。為了更好地觀察極端情形與一般情形下投資者情緒對波動率影響的差異，表中給出的回歸系數(shù)均為原值的100倍。在p=0.01的分位點上，投資者情緒對上證綜指、深證成指及創(chuàng)業(yè)板指日度極差波動率的影響均在1%的水平下顯著為正，回歸系數(shù)最小，分別為0.0005、0.0002和0.0014；在p=0.99的分位點上，投資者情緒對上證綜指日度極差波動率的影響在1%的水平下顯著為正，回歸系數(shù)最大，達到0.0603，投資者情緒對深證成指和創(chuàng)業(yè)板指日度極差波動率的影響不顯著；投資者情緒對深證成指和創(chuàng)業(yè)板指日度極差波動率的影響在p=0.95分位點上達到最大，回歸系數(shù)分別為0.0212和0.0311，均在1%的水平下顯著；從0.05至0.9的分位點上，回歸系數(shù)均在1%的水平下顯著為正，回歸系數(shù)的數(shù)值呈現(xiàn)遞增趨勢，說明投資者情緒會加劇股票指數(shù)的波動，在極端的條件下，投資者情緒對日度極差波動率的正向影響更大。

表9 極差波動率對投資者情緒分位數(shù)回歸估計結(jié)果

注：估計系數(shù)均為原值的100倍；括號中數(shù)字為估計系數(shù)的t值；*、**、***分別表示在10%、5%和1%的水平上顯著。

六、結(jié)論與政策建議

本文的主要內(nèi)容和結(jié)論體現(xiàn)在以下兩方面：

一是在DSSW模型的基礎(chǔ)上對極端情形下資產(chǎn)價格行為與投資者情緒的關(guān)聯(lián)進行理論建模。與DSSW模型的不同之處在于，本文假定極端情形下噪聲投資者的比例會增加，即部分理性投資者會實現(xiàn)向噪聲投資者的轉(zhuǎn)變，從而做出非理性的投資決策，導(dǎo)致風險資產(chǎn)價格存在“正負反饋效應(yīng)”，價格傾向于向更為極端的方向發(fā)展。

二是采用在GARCH模型中引入虛擬變量和分位數(shù)回歸這兩種方法實證檢驗極端情形下投資者情緒對資產(chǎn)收益率和波動率的沖擊效應(yīng)。GARCH模型回歸結(jié)果表明，極端情形下投資者情緒對日度超額收益率和波動率的影響存在顯著差異，投資者情緒會對極端上漲行情起到推動作用，而當市場處于極端下跌階段，投資者情緒會加劇市場的下跌；當投資者情緒向更為低迷的方向發(fā)展時，市場波動也會更加劇烈。上證綜指、深證成指及創(chuàng)業(yè)板指日度超額收益率對投資者情緒指數(shù)分位數(shù)回歸的估計結(jié)果表明，在市場上漲階段，投資者情緒會助推股票指數(shù)的上漲，在極端的條件下，投資者情緒對股票指數(shù)收益率的正向影響更大；在市場下跌階段，投資者情緒會加劇股票指數(shù)的下跌，在極端的條件下，投資者情緒對股票指數(shù)收益率的負向影響更大。上證綜指、深證成指及創(chuàng)業(yè)板指日度極差波動率對投資者情緒指數(shù)分位數(shù)回歸的估計結(jié)果表明，投資者情緒會加劇股票指數(shù)的波動，在極端的條件下，投資者情緒對日度極差波動率的正向影響更大。

本文通過理論模型和實證檢驗證實了極端情形下投資者情緒對股票市場收益率和波動率的沖擊效應(yīng)。因此，為了維護中國金融安全和穩(wěn)定，守住不發(fā)生系統(tǒng)性金融風險的底線，提升中國金融市場國際影響力和競爭力，充分發(fā)揮金融服務(wù)實體經(jīng)濟的功能，本文認為可以從以下兩方面著手：其一，構(gòu)建良好的金融市場生態(tài)體系，穩(wěn)固市場穩(wěn)定運行的基礎(chǔ)。其對應(yīng)的具體措施有穩(wěn)步推進資本市場存量和增量式注冊制改革、鼓勵長期資金入市、發(fā)力培育機構(gòu)投資者、完善融券交易等做空機制；其二，針對極端下跌情形尤其是危機時刻，宜采取堅定的救市措施穩(wěn)定市場情緒以防“負反饋效應(yīng)”。