股市不同狀態(tài)下的機(jī)構(gòu)投資者情緒效應(yīng)

曹旺棟,何朝林

(安徽工程大學(xué) 數(shù)理與金融學(xué)院,安徽 蕪湖 241000)

受外界環(huán)境及市場內(nèi)在因素等方面的諸多影響,股市經(jīng)歷了數(shù)輪的牛、熊市轉(zhuǎn)換。近年來,我國金融市場也經(jīng)常出現(xiàn)“暴漲暴跌”的金融異象,傳統(tǒng)金融學(xué)理論難以解釋,而行為金融學(xué)卻能夠從投資者情緒的視角予以合理解釋。但其研究主要集中于牛市或熊市狀態(tài)下,忽略了股票市場的主體,即中性市場(以下簡稱“中市”)。同時,主要研究個體投資者情緒,聚焦于個體投資者的非理性行為,忽略了機(jī)構(gòu)投資者行為;事實上,機(jī)構(gòu)投資者行為對個體投資者具有較強(qiáng)的引領(lǐng)和示范效應(yīng),其獲取、鑒別和利用信息方面的能力遠(yuǎn)大于個體投資者。因此,有必要研究不同市場狀態(tài)下的機(jī)構(gòu)投資者效應(yīng),探討機(jī)構(gòu)投資者策略與股票市場波動的關(guān)系。

Wang[1]認(rèn)為在看漲(看跌)期間,市場回報與市場條件的波動呈負(fù)(正)相關(guān),致使市場風(fēng)險收益的平衡出現(xiàn)扭曲。陳曉紅等[2]根據(jù)積極、中性、消極發(fā)帖量數(shù)據(jù),運用情感分析技術(shù)構(gòu)建個人投資者情緒指數(shù),再利用多元回歸模型得出網(wǎng)絡(luò)中心里的有效信息可預(yù)測股價和成交量。Ballinari等[3]用機(jī)器學(xué)習(xí)和特定金融詞典的方法對大量股票樣本進(jìn)行分析,預(yù)估每日個人投資者情緒,發(fā)現(xiàn)基于特定金融詞典的投資者情緒衡量方法比機(jī)器學(xué)習(xí)的方法預(yù)估準(zhǔn)確率更高。Yu等[4]從投資者情報中收集機(jī)構(gòu)投資者情緒數(shù)據(jù),發(fā)現(xiàn)投資者情緒對市場均值-方差權(quán)衡變量的影響較大,且股票市場的預(yù)期超額收益與投資者低情緒期市場的條件方差呈正相關(guān),與投資者高情緒期的方差無關(guān)。陸靜等[5]用主成分構(gòu)造投資者情緒指數(shù),用GARCH模型和Granger因果檢驗發(fā)現(xiàn)短恒生指數(shù)收益率是投資者情緒Granger的重要原因?？岛１蟮萚6]基于SV-TVP-SVAR 模型,研究了投資者情緒、貨幣政策和股市波動三者之間的動態(tài)關(guān)系,結(jié)果表明投資者情緒與股市波動之間存在滯后性。皇甫玉婷等[7]選取A 股市場的非線性截面數(shù)據(jù),采用偏最小二乘有限元法來分析投資者情緒與市場穩(wěn)定性的關(guān)系,結(jié)果表明兩者正向顯著且趨勢高度重合。Devault等[8]得出當(dāng)情緒增加時,情緒交易者會從更安全的股票轉(zhuǎn)向更具投機(jī)性的股票,且利用橫截面模式和股權(quán)的變化,發(fā)現(xiàn)情緒指標(biāo)捕捉的是機(jī)構(gòu)投資者情況而非個人投資者。Richar d[9]對情緒指數(shù)進(jìn)行分解,發(fā)現(xiàn)利用投資者情緒和管理情緒的殘差成分可預(yù)測股票的橫截面收益。熊熊等[10]則以互聯(lián)網(wǎng)搜索指數(shù)作為投資者情緒代理變量,對投資者情緒與期貨市場功能均采用回歸方法進(jìn)行分析,從市場微觀角度揭示投資者情緒對金融市場的影響存在差異。何誠穎等[11]將自由流通股本計算的換手率和非主力資金的凈流入程度作為投資者情緒指標(biāo),對中國股市異象進(jìn)行三因子模型回歸檢驗,再進(jìn)行不同投資者情緒指標(biāo)的聯(lián)合分析,進(jìn)而得出有限套利是導(dǎo)致A 股市場投資者情緒異象的主要原因之一。

本文以2010～2020年上證綜指為樣本數(shù)據(jù),根據(jù)Pagan等[12]的判定標(biāo)準(zhǔn),即BB法則對股票市場進(jìn)行牛市、熊市劃分,在此基礎(chǔ)上提出中市概念,基于GARCH 族模型研究機(jī)構(gòu)投資者情緒指數(shù)與上證綜指回報率的關(guān)系。情緒指數(shù)構(gòu)造方面,在易志高等[13]構(gòu)建的CICSI情緒指數(shù)基礎(chǔ)上,對BW 指數(shù)[14]進(jìn)行改進(jìn),采用較主成分分析法更為精確的偏最小二乘法(PLS)對機(jī)構(gòu)投資者情緒進(jìn)行度量。基于GARCH 族模型,以等權(quán)日市場回報率(RME)和加權(quán)日市場回報率(RMV)為研究樣本,在股市處于牛市、中市和熊市狀態(tài)下研究回報率在前期投資的價值,挖掘機(jī)構(gòu)投資者情緒與市場回報率之間的關(guān)系,從而引導(dǎo)機(jī)構(gòu)投資者做出合理的投資決策。

1 機(jī)構(gòu)投資者情緒構(gòu)建

1.1 機(jī)構(gòu)投資者情緒指標(biāo)選取

在易志高等[13]構(gòu)建的CICSI情緒指數(shù)基礎(chǔ)上,對BW 指數(shù)[14]進(jìn)行改進(jìn),選取和上證綜指相關(guān)的成交量(SHVOL)、新增開戶數(shù)(FAC)、大盤樂觀指數(shù)(LCOI)、買入指數(shù)(BII)、信心指數(shù)(ZEW)、市盈率-申萬300(PE300)、投資者情緒指數(shù)(ISI)、上證基指成交量(SHFVOL)等8 個指標(biāo)作為情緒代理變量,使用2010年1月～2020年1月的月度數(shù)據(jù),共計121個樣本(數(shù)據(jù)來源于萬方數(shù)據(jù)庫及東方財富金融Choice金融終端),借助SPSS軟件進(jìn)行相關(guān)性分析,以此來研究機(jī)構(gòu)投資者情緒(IIS),結(jié)果如表1所示。由表1可見,各個原始指標(biāo)都與投資者情緒指數(shù)正相關(guān),但是各個指標(biāo)之間又并非都呈現(xiàn)一種正向的關(guān)系,如大盤樂觀指數(shù)和市盈率-申萬300、買入指數(shù)和市盈率-申萬300、信心指數(shù)和市盈率-申萬300、上證基指成交量和市盈率-申萬300呈負(fù)相關(guān),各指標(biāo)間具有相關(guān)性。

表1 變量的相關(guān)性

1.2 基于主成分分析法構(gòu)建

基于表1數(shù)據(jù),借助SPSS軟件進(jìn)行主成分分析,為保證累計方差解釋率至少達(dá)到80%的統(tǒng)計標(biāo)準(zhǔn),每次均采用其擬合出的第1～5個主成分的加權(quán)平均數(shù),選取3個主成分,對成分進(jìn)行旋轉(zhuǎn),累積達(dá)到82.82%,結(jié)果如表2所示。從表2可以看出,旋轉(zhuǎn)后有3個特征值＞1,且累積解釋達(dá)到82.82%,所以提取3個主成分。

表2 主成分分析結(jié)果

從表2我們列出3個主成分:

F1＝0.199×SHV OL+0.004×PE300+0.18×SHFV OL+0.19×FAC+0.112×ISI+0.244×ZEW+0.205×BII+0.23×LCOI,

F2＝0.272×SHV OL+0.127×PE300+0.25×SHFV OL+0.284×FAC+0.246×ISI-0.217×ZEW-0.322×BII-0.269×LCOI,

F3＝-0.224×SHV OL+0.846×PE300-0.262×SHFV OL+0.011×FAC+0.308×ISI+0.078×ZEW+0.057×BII+0.092×LCOI。

用3個主成分代替原來的8個指標(biāo),既消除了指標(biāo)間的相關(guān)性,又減少了變量0。由上述3個主成分可以得到:

1.3 基于偏最小二乘法構(gòu)建

自變量主成分與因變量的主成分之間存在線性關(guān)系,則說明上述8個解釋變量與被解釋變量IISPLS有著顯著的相關(guān)關(guān)系,這時采用偏最小二乘回歸方法建立IISPLS對8個解釋變量的線性模型。同樣基于表1數(shù)據(jù),借助SPSS軟件進(jìn)行偏最小二乘法分析,結(jié)果如表3所示。由表3可見,可決定系數(shù)R2為0.838和調(diào)整后為0.826,提取出來的自變量成分與因變量上證綜指(SH001)的相關(guān)系數(shù)比較高,存在高度線性關(guān)系,適合進(jìn)行偏最小二乘回歸。

表3 偏最小二乘法分析結(jié)果

根據(jù)預(yù)測誤差最小原則確定3個主成分,獲得偏最小二乘回歸方程:

IISPLS ＝440.369+0×SHV OL-0.031×PE300-0×SHFV OL+5.970×FAC+41.231×ISI+34.609×ZEW-29.191×BII-1.512×LCOI。

1.4 選取最優(yōu)方法構(gòu)建投資者情緒指數(shù)

根據(jù)1.2基于主成分分析法構(gòu)建IISF數(shù)據(jù)和基于2010年1月～2020年1月(同一時間)上證綜指的收盤價進(jìn)行對比,借助SPSS軟件進(jìn)行分析如圖1所示。

圖1 上證綜指與機(jī)構(gòu)投資者情緒指數(shù)(主成分分析法)對比

根據(jù)1.3基于偏最小二乘法構(gòu)建IISPLS數(shù)據(jù)和基于2010年1月～2020年1月(同一時間)上證綜指的收盤價進(jìn)行對比,借助SPSS軟件進(jìn)行分析如圖2所示。

圖2 上證綜指與機(jī)構(gòu)投資者情緒指數(shù)(偏最小二乘法)對比

由圖1、2對比顯示,偏最小二乘法擬合的機(jī)構(gòu)投資者情緒比上證主成分分析法更加接近上證綜指趨勢,偏最小二乘法模擬出來的投資者情緒指數(shù)為最優(yōu)計量工具,因此,選取偏最小二乘法方法構(gòu)建投資者情緒指數(shù)。

2 市場劃分

基于2010年1月～2020年1月上證綜指的收盤價數(shù)據(jù)(數(shù)據(jù)來源于東方財富金融Choice金融終端),借助SPSS軟件來反應(yīng)其漲跌情況,結(jié)果如圖3所示。由圖3所示,期間共出現(xiàn)了4次波谷、3次波峰,經(jīng)歷了3次完成的牛、熊市交替行情。

圖3 上證綜指2010年1月～2020年1月的日收盤價

一般而言,采用非參數(shù)法來劃分上證綜指,進(jìn)而判斷牛市和熊市。針對我國股市的特征,基于Pagan等[12]的判定標(biāo)準(zhǔn),設(shè)股票月度價格水平是當(dāng)月各交易日收盤價的平均數(shù)。股票市場周期的具體判別過程如下:首先在時刻t,對當(dāng)前月度股指水平與前后3個月的股指水平進(jìn)行比較。如果該水平是最高的,則得到一個波峰;如果該水平最低,則得到一個波谷。在一個波段中可能存在不止一個的波峰或者波谷,為了保證波峰和波谷在一個波段中交替出現(xiàn),選出連續(xù)波峰中最高者或連續(xù)波谷中最低者。其次,限定一個波段中的單向運行周期的持續(xù)時間為不少于4個月,但如果股市價格逆轉(zhuǎn)前后價格的變化幅度＞20%,則忽略最小單向運行周期4個月的要求。相較牛、熊市而言,我們在此基礎(chǔ)上提出中市,即股市的平衡期間,如果股市價格逆轉(zhuǎn)前后價格的變化幅度不超過20%,我們稱該波段為中市。對圖3進(jìn)行牛市、熊市、中市的劃分,結(jié)果如表4所示。從表4中選擇單程時長較長的牛、熊、中市的行情,以保證不同市態(tài)下股票市場投資者情緒對股票收益其波動的現(xiàn)象具有代表性?？疾鞎r間階段為:2014.07.01～2015.04.28、2015.05.04～2016.02.29、2016.03.01～2016.12.22。為了保證實驗穩(wěn)定進(jìn)行,選取市場最短的時間為基準(zhǔn),且3種市場選取的時間長短一樣,每個市場條件均有203個日數(shù)據(jù)。

表4 牛、熊、中市市場的劃分

3 機(jī)構(gòu)投資者情緒表現(xiàn)

基于Si ms等[15]理論和實證結(jié)果:即不同的經(jīng)濟(jì)環(huán)境下,經(jīng)濟(jì)變量之間的關(guān)系及貨幣政策效應(yīng)具有非對稱性特征。得益于該啟示,本文嘗試將投資者情緒分為樂觀、悲觀和平穩(wěn)。同時,在對機(jī)構(gòu)投資者情緒狀態(tài)進(jìn)行區(qū)分時,借鑒Shin等[16]的研究,采取如下統(tǒng)計形式進(jìn)行區(qū)分:本文令DIISt ＝IISt-IISt-1,當(dāng)擬合出來的t期機(jī)構(gòu)投資者情緒IISt和t-1期機(jī)構(gòu)投資者情緒IISt-1做差值得出的DIISt＞0時,說明機(jī)構(gòu)投資者在t期轉(zhuǎn)向樂觀或者更樂觀,當(dāng)DIISt＜0,說明機(jī)構(gòu)投資者在t期轉(zhuǎn)向悲觀或更悲觀。使用1.4得到的結(jié)論,采用偏最小二乘法構(gòu)建的機(jī)構(gòu)投資者情緒指數(shù)IISPLS,同時使用表4得到的3個考察時間段,選取該時間段內(nèi)IISPLS進(jìn)行上述分析結(jié)果如表5所示。由表5可見,牛市期間的機(jī)構(gòu)投資者的情緒主要以平穩(wěn)為主,在熊市和中市期間機(jī)構(gòu)投資者的情緒主要以悲觀和樂觀為主。

表5 DIIS 統(tǒng)計分析

4 實證研究

4.1 研究樣本的選擇及統(tǒng)計分析

為了確保實驗的一致性,選取表4的牛市、熊市和中市時間段2014.07.01～2015.04.28、2015.05.04～2016.02.29、2016.03.01～2016.12.22,共609個日數(shù)據(jù)(數(shù)據(jù)來源于萬方數(shù)據(jù)庫及東方財富金融Choice金融終端)。實證研究使用上證綜指等權(quán)日市場回報率(RME)和加權(quán)日市場回報率(RMV)為試驗對象,通過Eviews 10.0軟件對日回報率進(jìn)行描述性統(tǒng)計,結(jié)果如表6所示。

表6 原始變量描述性統(tǒng)計結(jié)果

由表6可見,牛市RME和牛市RMV 中SK 值比其他情況呈現(xiàn)出極度右偏,依據(jù)上述類似分析得出牛市RME、牛市RMV 和不具有良好的正態(tài)性,對數(shù)據(jù)進(jìn)行對數(shù)處理。通過Eviews 10.0 軟件對處理后日回報率進(jìn)行描述性統(tǒng)計,結(jié)果如表7 所示。由表7 可見,處理牛市RME和牛市RMV 偏度SK 值接近0,說明牛市RME和RMV 的數(shù)據(jù)具有“微尖峰厚尾”特征。對處理后的數(shù)據(jù)借助Eviews 10.0軟件進(jìn)行平穩(wěn)性檢驗,結(jié)果如表8所示。由表8可見,單位根的檢驗統(tǒng)計量ADF值,均＜1%、5%、10%顯著性水平下ADF檢驗的臨界值,表明日回報率的數(shù)據(jù)平穩(wěn)。

表7 處理后變量描述性統(tǒng)計

表8 殘差A(yù)DF檢驗

4.2 GARCH 族模型

(1)GARCH(p,q)模型。

從式(2)看出GARCH 模型的條件方差模型分為3 個部分:均值ω、前q期觀測誤差的加權(quán)平方和、前p期觀測誤差的加權(quán)平方和。ω、βj、αi是非負(fù)的為條件波動率為自回歸項,為移動平均項,其中均值方程中條件方差項GARCH 的系數(shù)β都是顯著的。β＞0則反映了收益與風(fēng)險的正相關(guān)關(guān)系,說明收益有正的風(fēng)險溢價。

(2)T-GARCH(p,q)模型。

T-GARCH 模型即門限GARCH 模型,是指利用虛擬變量來設(shè)定一個門限,區(qū)分正的和負(fù)的沖擊對條件波動的影響。從式(3)中看出,It--k為示性函數(shù)、虛擬變量,當(dāng)εt-i＜0時,It--k ＝1;當(dāng)εt-i≥0時,It--k ＝0;非對稱系數(shù)γk＞0時,負(fù)面消息對市場影響更大,即壞消息對波動率的影響更大。

(3)E-GARCH(p,q)模型。

E-GARCH 模型由GARCH 衍生出,是為了解釋“杠桿效應(yīng)”(即市場對正面消息和負(fù)面消息的反應(yīng)不同,通常負(fù)面消息影響更大)。從式(4)中看出,log(σt2)表示條件方差的自然對數(shù),若γ＝0則不存在杠桿效應(yīng);若γ≠0,則認(rèn)為存在非對稱性,即存在杠桿效應(yīng);若γ＞0,則負(fù)面消息的影響帶來的正沖擊比正面消息更大。

4.3 結(jié)果與分析

一般情況下,運用GARCH 模型以及其衍生模型對上證綜指回報率的對稱性和非對稱性進(jìn)行實證分析。最優(yōu)GARCH 模型增加一次階數(shù),會增加一項參數(shù)約束條件,降低模型有效性,因此選用2階以內(nèi)基礎(chǔ)GARCH 族模型。AIC可權(quán)衡模型復(fù)雜度和擬合優(yōu)良性,SC可確定合適的滯后期長度,兩者數(shù)值越小,模型擬合度越好。匯總3種分布下GARCH 族模型的AIC和SC值?；诒?處理后的實驗數(shù)據(jù),借助Eviews10.0軟件獲得各階GARCH 族模型的AIC值和SC值,結(jié)果如表9所示。

表9 各階GARCH 族模型的AIC 值和SC 值

由表9可見,GARCH模型優(yōu)于T-GARCH模型、T-GARCH模型優(yōu)于E-GARCH模型,再采用適合的滯后項擬合方差,即GARCH(1,1)模型、T-GARCH(1,1)模型和E-GARCH(1,1)。借助Eviews 10.0軟件選取GARCH(1,1)模型、T-GARCH(1,1)模型和E-GARCH(1,1)進(jìn)一步分析,結(jié)果如表10所示。

表10 GARCH 族模型回歸分析

由表10可見,首先,機(jī)構(gòu)投資者情緒并未改變資產(chǎn)收益與風(fēng)險的關(guān)系,上證綜指的回報率存在正的風(fēng)險溢價。根據(jù)式(2)得出GARCH 模型和表10,由③、⑤、⑧、○1 得出,GARCH 的系數(shù)β都＞0且在1%的水平下顯著,回報與風(fēng)險呈正相關(guān)關(guān)系。根據(jù)式(3)、(2)的E-GARCH 波動率模型和表10,根據(jù)SIC、SC最小法則,E-GARCH 模型優(yōu)于式(4)、(2)的T-GARCH 模型,①、⑥、⑨、○12 不做分析。

其次,在牛市平穩(wěn)和中市樂觀期,機(jī)構(gòu)投資者看好中小盤股的反轉(zhuǎn)效應(yīng)。由②和⑩得出分別在1%和5%的顯著性水平下,非對稱系數(shù)都＜0,在牛市平穩(wěn)和中市樂觀期RME存在顯著的杠桿效應(yīng),股市同等程度下“利好消息”對市場的沖擊大于“利空消息”。在牛市平穩(wěn)和中市樂觀期,當(dāng)“利好消息”出現(xiàn)時,相比大盤股,機(jī)構(gòu)投資者更看好中小盤股,小盤股的話語權(quán)更大,價格持續(xù)上漲(利好消息)使得機(jī)構(gòu)投資者對價格產(chǎn)生進(jìn)一步上漲的預(yù)期,于是積極跟進(jìn),看好反轉(zhuǎn)效應(yīng)、追求超額收益。

最后,在熊市悲觀期,機(jī)構(gòu)投資者看好大盤股的動量效應(yīng)。由④、⑦、○13 得出在5% 的顯著性水平下,E-GARCH模型的非對稱系數(shù)r都不為0,在牛市平穩(wěn)期、熊市悲觀期和中市樂觀期RMV即大盤股存在顯著的杠桿效應(yīng),在牛市平穩(wěn)期和中市樂觀期間,同等程度下“利空消息”的出現(xiàn)對市場的沖擊大于“利好消息”,而在熊市悲觀期則情況相反。在熊市悲觀期,當(dāng)“利好消息”出現(xiàn)時,為獲得收益,機(jī)構(gòu)投資者看好大盤股,對高估值股票進(jìn)行優(yōu)先配置,看好大盤股的動量效應(yīng)。

5 結(jié)束語

源于中市的劃分,機(jī)構(gòu)投資者對大盤股和中小盤股的看好情況存在不同。本文首先擬合了機(jī)構(gòu)投資者情緒,然后在采用較主成分分析法更為精確的偏最小二乘法對機(jī)構(gòu)投資者情緒變量進(jìn)行度量,再使用BB法則劃分牛市、熊市和中市,將機(jī)構(gòu)投資者情緒歸類為牛市平穩(wěn)期、熊市悲觀期和中市樂觀期,最后,在3種市場狀態(tài)下,基于上證綜指的兩種回報率運用GARCH 族模型實證分析了機(jī)構(gòu)投資者對利好消息和利空消息的反應(yīng)。結(jié)果表明,在牛市平穩(wěn)期和中市樂觀期,機(jī)構(gòu)投資者看好中小盤股的反轉(zhuǎn)效應(yīng);在熊市悲觀期,機(jī)構(gòu)投資者看好大盤股的動量效應(yīng)。