2017年
财会月刊(29期)
财经论坛
投资者情绪、噪声交易者与敏感性风险——基于CAPM模型的实证分析

作  者
张 一1,2(博士),刘志东1(博士生导师)

作者单位
1.中央财经大学管理科学与工程学院,北京100081;2.东北大学工商管理学院,沈阳110819

摘  要
   【摘要】在构建投资者情绪指标将市场分为乐观和悲观时期的基础上,发现资本资产定价模型仅在市场悲观时期有效。这是由于在市场乐观时期大量非理性且过于乐观的噪声交易者加入,导致资产价格被高估,而在悲观时期由于噪声交易者退出市场,资本资产定价模型继续成立。通过公募基金资金流量比、分析师对盈利预期的乐观程度以及信息交易概率指标等分析噪声交易者的交易行为,验证了上述理论假设。通过加入反映噪声交易者交易行为的变量对投资者情绪指标进行修正,新得到的投资者情绪指标可以对高贝塔值股票在乐观时期的表现进行更为精确的预测。
【关键词】投资者情绪;贝塔系数;资本资产定价模型;噪声交易者
【中图分类号】F830      【文献标识码】A      【文章编号】1004-0994(2017)29-0109-7

资本资产定价模型作为现代金融学理论的基石,指出当市场中的交易者均为理性交易者时,预期收益与敏感性风险贝塔系数呈线性正相关关系。然而,由Fama等(1993)建立的有效市场假说对这一理论提出了挑战,认为资产价格和贝塔系数之间不存在相关关系。为了解释这一现象,学者们从多个角度进行了分析,如市场的非有效性、交易摩擦或风险错配等。本文尝试从市场情绪的转换及其所引起的短期趋势交易者的交易行为角度对这一问题进行解释。
所谓市场情绪是指交易者对市场的运行情况过度乐观或是过度悲观,进而影响自身的交易行为。很多研究表明,市场中存在的乐观情绪或悲观情绪会触发短期趋势交易者(噪声交易者)的交易活动,并进而影响资产的定价。然而,市场情绪对于资产价格的影响并不是对称的,在市场乐观时期对于价格的影响要明显大于悲观时期,这一点被很多研究文献所证实。如Amromin和Sharpe(2009)指出,由于个人投资者有着更高的预期回报,因此在市场乐观时期会更为积极地参与市场;Lamont和Thaler(2008)也指出,噪声交易者会在市场处于繁荣时期更多地参与进来,对市场产生更大的影响。本文认为,在市场繁荣时期,噪声交易者并不是对所有的股票均采取较为积极的交易行为,而是更多地对高贝塔系数股票采取交易行为。事实上,很多研究也证实了这一现象的存在,如Barber和Odean(2011)发现散户投资者的投资组合贝塔系数大于1,且进一步发现在交易最为频繁而收益最低的噪声交易者中,这一现象更为明显。尤其是当噪声交易者对于市场整体行情极度看好,但却面临着杠杆约束条件的时候,更会选择那些具有高贝塔系数的股票作为投机对象。
以上现象可以从资本资产定价模型得到一定的描述。如果噪声交易者确实是在市场繁荣时期更多地参与市场,且更多地被吸引到高贝塔系数的股票上,则会导致高贝塔系数股票的价格被明显高估。在市场悲观时期,这些噪声交易者退出市场后,资本资产定价模型仍然有效,即股价和贝塔系数之间呈现出正相关的关系。当然,如果不对市场情绪的不同阶段进行区分的话,从整体上看,资本资产定价模型仍有可能是有效的。本文将对以上现象进行实证分析,以表明在市场悲观时期,存在向右上方倾斜的证券市场线,同时伴随着噪声交易者对高贝塔系数股票的参与程度显著下降。
本文主要通过构建反映投资者情绪的指标将市场分为乐观时期和悲观时期,分别研究不同市场时下风险因子贝塔系数和收益之间的相关关系,即资本资产定价模型在不同时期的有效性。本文将引起资本资产定价模型是否成立的原因归结为噪声交易者的交易行为。具体而言,市场在乐观时期吸引了大量过度自信的非理性噪声交易者加入,导致资产价格被高估,风险和收益关系呈现出一条向右下方倾斜的证券市场线;而在市场悲观时期则相反,噪声交易者的退出导致风险与收益之间呈现出正相关关系。本文继而采用几种不同的计量方法验证以上假设,分析噪声交易者的交易行为及对收益的影响。
一、研究假设
基本研究假设基于以下两方面考虑:在市场悲观时期,市场仅由理性交易者组成;而在市场乐观时期,会吸引短期趋势交易者(噪声交易者)的加入。因此,在不同的情绪周期内,市场的均衡状况是不同的。在市场悲观时期,交易者均为追求自身效用最大化的风险规避型交易者,此时,标准的资本资产定价模型有效。
在市场乐观时期,会吸引大量的噪声交易者加入到市场中来,这些噪声交易者对资产回报的估计会过于乐观,并去追逐风险更高的资产。Barber和Odean(2001),Grinblatt和Keloharju(2009)以及Amromin和Sharpe(2005)的研究均证实了噪声交易者会在市场乐观时期更加积极地参与市场;我国学者张强、杨淑娥(2009)在对我国股票市场的研究中也发现了这一现象。所以,本文认为这类噪声交易者会在交易时选择那些风险敞口更大的高贝塔系数的股票,以期能得到更大的收益。这类高贝塔系数股票因此也会随着噪声交易者的追逐而被明显高估。以上分析可以总结为以下两条假设:
假设1:在市场乐观时期,具有高贝塔系数的股票被高估。具体而言,高贝塔系数股票和低贝塔系数股票的预期收益差为负。
假设2:在市场悲观时期,标准的资本资产定价模型有效,即预期收益与贝塔系数正相关。
二、样本数据及计量方法
1. 投资者情绪。采用Baker和Wurgler(2007)所提出的方法构建投资者情绪指标,所选择的变量包括新增开户数、上交所交易量、IPO首日收益、封闭式基金折价以及消费者信息指数。对变量标准化后进行主成分分析并保留第一主成分,得到反映市场情绪的情绪因子。为了去除宏观经济因素对情绪的影响效应,选择GDP、季度无风险收益率、货币供应量以及通货膨胀率,在进行标准化处理后用情绪因子对其进行回归分析,得到最终的市场情绪指标。为了适应我国股票市场的运行规律,采用季度数据进行分析,如果上一季度的投资者情绪指标为正(负),则当季度的投资者情绪为乐观(悲观)。
2. 资产定价回归模型。本文选择2001年以前上市,且至今一直在上证A股交易的所有股票为研究对象,采用月度时间序列,样本区间为2001年1月 ~ 2015年12月。剔除掉数据不全、更换过名称以及长期停牌的公司后,共包含815组数据。
首先,采用Fama和French(1993)的方法对贝塔系数进行估计。在每个样本年度的第1个月,所有股票均重新按市值大小进行排序,并按大小分为10个组别。为了剔除股票市值大小对贝塔系数的影响,进一步对每一类按市值大小分类的股票组合再按贝塔系数预先值大小分为10组,其贝塔系数值由上一年的月度数据计算得出,由此,共得到100组股票组合。贝塔系数预先值的计算方法为各个股票在每年1月之前20至30个月的收益率与市场组合收益率按CAPM模型回归。接下来,计算这些投资组合在第t年1月至t+1年1月的收益,共包括100个收益序列。以所有股票的价值加权收益代表市场收益,计算渐进贝塔系数估计值,并将其结果作为相应投资组合中个股的贝塔系数值。
为了动态反映风险因素与收益之间的关系,采用横截面回归分析法进一步分析,该方法也称为Fama-MacBeth法,具体包括两个步骤:首先,给定T个时段的横截面相关数据,对每一个t(t=1,2,…,T)用最小二乘法进行估计,其回归模型为:
rti=V0t+V1tF1ti+V2tF2ti+…+VntFnti+Xti  (1)
式中:rti为第i只股票在第t时段的收益率;Fnti为第i只股票在第t时段所对应的第n个影响因素;V0t,V1t,…,Vnt为估计系数;Xti为残差。
接下来,分析回归结果得到的估计系数,计算均值、方差以及t检验量,具体计算过程为:
Vn=[1Tt=1TVnt]         (2)
[e2Vn=1T(T-1)t=1T(Vnt-Vn) 2]       (3)


从回归系数的时间序列特征可以分析其运行特征。模型中反映公司特征的控制变量为公司规模(ME)、账面市值比(BM)、股票i在t-1月的收益率(RET1)、股票i在t-1月之前6个月的累积收益率(RET6)以及股票i在t-7月之前6个月的累积收益率(RET12)。
三、实证分析
1. 数据描述性统计。

 

 

 

 

 

 

表1所示为每个投资组合序列的渐近滚动贝塔系数均值,可以看出,对应于每一按市值大小分类的投资组合中,贝塔系数均值均表现出单调变化规律,并且较小市值的投资组合明显具有更大的贝塔系数均值。
表2所示为各个变量的相关性检验结果。可以看出,全样本计算出的贝塔系数值和滚动计算出的贝塔系数值比较接近。其余变量之间的相关系数均比较小,说明回归不存在多重共线性。
2. 投资组合结果。本文以一个简单的投资组合检验开始。首先,在第t年的1月,根据预先计算的贝塔系数值将投资组合进行分组并持有这些投资组合直至当年12月。计算这12个月内的加权收益平均值并将其结果列于表3。同时,根据前文中对于投资者情绪的划分,分别计算出在市场悲观时期以及乐观时期的收益情况。

 

 

 

 

 

从表3可以看出,从整体来看证实了Fama和French的结论,即投资组合收益和贝塔系数之间不存在明显的相关关系,具有最高贝塔系数值的投资组合和具有最低贝塔系数值的投资组合收益的差仅为0.01且不显著。但在市场悲观时期,投资组合收益和贝塔系数之间的关系符合资本资产定价模型,即二者呈现出正相关关系。其中最低贝塔系数值投资组合所对应的收益与最高贝塔系数值投资组合所对应的收益的差为1.09且显著,证实了存在一条向右上方倾斜的证券市场线。最后,在市场乐观时期,贝塔系数越高收益反而越低,正如前文中的假设所提出的,这是由于噪声交易者的交易行为所导致的价格高估。本文接下来将进一步验证该假设是否成立。
3. 回归结果分析。采用前文所述的Fama和MacBeth回归模型对产收益与贝塔系数之间的关系进行进一步的定量分析,同时还考虑其他变量对资产收益的影响,结果如表4所示:A栏是对所有投资组合的回归分析结果,B栏和C栏分别是对悲观时期和乐观时期的回归结果。可以看出,回归结果和前文的假设基本一致。另外,回归结果还表明股票收益明显受到公司规模和账面市值比这两个控制变量的影响,且表现出明显的月度反转效应(Jackson,2005)、动量效应(Malmendier等,2006)以及延迟连续效应(Mossin,2006),这些现象均在以往的研究中被发现,而在本文的研究中得到了进一步的证实。
从表4的B栏和C栏可以看出,当市场处于不同的情绪时,变量的影响效应不尽相同。公司规模大小对收益的影响仅存在于市场悲观时期,而动量效应仅存在于市场乐观时期。与此不同的是,月度反转效应和延迟连续效应在乐观与悲观时期内均明显存在,且相关变量的回归系数比较接近。
表4还表明,在市场悲观时期,贝塔系数和资产收益之间高度正相关且显著。即使同时存在着多个其他控制变量,t检验值最小也为2.42,表明在市场悲观时期,资本资产定价模型是有效的;而在市场悲观时期,贝塔系数和收益之间呈现出负相关关系,检验结果也拒绝了在市场不同时期贝塔系数一致的原假设。
四、投资者情绪与噪声交易者
通过前文的回归分析结果可以看出,在市场悲观时期,高贝塔系数股票相较于低贝塔系数股票而言有着更高的收益率,而在市场乐观时期则情况相反。根据前文的假设,产生这一结果的原因是在市场乐观时期,噪声交易者会更多地参与市场并去追逐高贝塔系数的股票,从而导致这类高贝塔系数股票被高估,收益被压缩。本节中将采用几种不同的方法对噪声交易者的行为进行捕捉,以验证原假设是否成立。
首先,按照Baker和Wurgler(2009)以及Teo和Woo(2011)等学者的观点,散户投资者主要是通过购买共同基金的方式参与市场,因此可以用共同基金的资金流量比率作为散户投资者参与市场程度的衡量指标,这一点也被Frazzini(2012)以及Lamont等(2011)相关学者的研究所证实。本文沿用这一方法,采用我国公募基金的资金流量比率月度数据作为噪声交易者的衡量依据。通过对数据的初步分析,得出在市场乐观时期该比率为0.61,而在市场悲观时期该比率为0.22,且在5%的显著水平上其差值显著,表明在市场乐观时期噪声交易者的确更多地参与了市场。
接下来,进一步验证噪声交易者的交易对象是否更加集中在高贝塔系数股票上。首先,采用一个较为简单的方法进行验证,即观测证券分析师对上市公司盈利预期的乐观程度。Hribar和McInnis(2012)的研究表明,证券分析师对于市场情绪是比较敏感的,当市场情绪高涨的时候,分析师往往也会做出过于乐观的预期。在噪声交易者较为容易受到分析师盈利预期影响的假设下,证券分析师过于乐观的预测会助推噪声交易者对于高贝塔系数股票的参与程度。通过采用国泰君安数据库的相关数据,计算了样本区间内每家上市公司在每年1月的平均预测误差(FE),并计算不同市场情绪阶段下高贝塔系数投资组合和低贝塔系数投资组合的平均预测误差,结果如表5所示,较高的FE值代表着噪声交易者的显著增加。

 

 

 

 

 

 

 

 

最后,采用Brown和Hillegeist(2013)提出的信息交易概率指标(PIN)对噪声交易者的交易行为进行分析。信息交易概率的估计过程是采用日内委托单流对结构模型进行拟合,从而得出在某一特定月度里,某一特定股票的价格是否是由基础信息所驱动。在样本区间内的每年1月,统计出每一只股票的PIN值,并根据投资者情绪将高贝塔系数投资组合与低贝塔系数投资组合的PIN平均值计算出来,较低的PIN值意味着噪声交易者交易行为的增加。
从表5中的分析结果可以看出,高贝塔系数股票往往对应着较高的FE值,这主要是由于在较高的不确定情形下分析师偏见也会更为强烈。同时可以发现,在市场乐观时期,预期偏差的增长率更为显著。而且,相较于悲观时期,在乐观时期低贝塔系数股票的FE值在下降,而高贝塔系数股票的FE值在上升,这进一步表明在市场乐观时期高贝塔系数股票吸引了噪声交易者参与更多交易。表5中的B栏表明,在市场乐观时期,低贝塔系数的股票资金流量比率为负,高贝塔系数股票资金流量比率为正,且差别显著,证明高贝塔系数股票吸引了噪声交易者的加入。尽管在悲观时期这种差别同样存在,但并不显著。表5中C栏表明低贝塔系数股票投资组合和高贝塔系数股票投资组合的PIN差值在市场乐观时期会显著扩大。此外值得关注的是,在市场乐观时期,低贝塔系数股票的PIN值会增加,而高贝塔系数股票的PIN值会减少,更进一步证实了在市场乐观时期噪声交易者会更多地去追逐风险较高的股票。
Hvidkjaer(2008)、Malmendier和Shanthikumar(2011)等人的研究表明,小额交易能更多地代表噪声交易者的交易行为。因此,接下来采用日内交易级数据计算中小投资者净订单不平衡(SOIB)大小,以证实是否在市场乐观时期,高贝塔系数股票吸引了更多噪声交易者的投机行为。这里本文采用Hvidkjaer提出的方法对小额订单流进行捕捉,首先将每个交易日内投资组合的平均SOIB计算出来,然后分别计算高贝塔系数和低贝塔系数投资组合的滚动平均值大小,进而根据投资者情绪的计算结果将乐观时期和悲观时期的计算结果分别表示出来,结果如表6所示。
综合来看,在市场乐观时期,中小投资者是高贝塔系数股票的净买入者,同时也是低贝塔系数股票的净卖出者。但是在市场悲观时期,则不存在此现象。进一步地,当考察跨市场情绪阶段中小投资者对于高贝塔系数股票的交易行为时,会发现中小投资者在市场悲观时期成为净卖出者,且差距显著。这些证据均表明在市场乐观时期高贝塔系数股票吸引了大量噪声交易者加入。
本文还检验了中小投资者对于盈余公告的反应,结果如表6中B、C、D栏所示。针对盈余公告,本文借鉴Livnat和Mendenhall(2011)的方法,采用季节性随机游走模型计算季度盈余惊喜。首先将事件公司归入其所对应的按贝塔系数值分类的相应投资组合中,并在每个投资组合内将事件公司按照非预期盈余进行排序,这里将非预期盈余分为四个等级(SUE1~SUE4)。本文还采用分析师盈利预期修正和分析师推荐修正重新进行了分析,分为向上和向下两种情形,结果如C栏和D栏所示。从表6可以看出,在市场乐观时期,中小投资者对高贝塔系数股票有着更大的偏好;而在市场悲观时期,中小投资者虽然也表现出对高贝塔系数股票一定的倾向,但并不明显,且针对不同贝塔系数股票的差别并不显著。而且,在市场乐观时期,中小投资者是高贝塔系数股票的净买入者,而在悲观时期是高贝塔系数股票的净卖出者。C向上栏同样表明在乐观时期中小投资者是高贝塔系数股票的净买入者,却是低贝塔系数股票的净卖出者,但在市场悲观时期则无此现象。C向下栏表明在经历坏消息后,中小投资者对于高贝塔系数股票的卖出行为也不明显。最后,从D向上栏可以看出,中小投资者是高贝塔系数股票和低贝塔系数股票的净卖出者,但对高贝塔系数股票的净卖出额更小。综合以上结果可以得出,在市场乐观时期,中小投资者对于高贝塔系数股票的信息反应更为敏感和积极;但在市场悲观时期,中小投资者净订单不平衡大小对于不同贝塔系数的股票变化并不明显,说明此时噪声交易者已经基本离开市场,而剩下的多为理性投资者。
接下来将检验噪声交易者更多地被吸引到高贝塔系数股票中的行为动机。在Fama-Macbeth模型中加入两个反映公司不确定性的控制变量,分别为分析师预测分歧(Disp)与股票的特质波动率(IVOL)。Diether(2012)的研究指出,分歧较高的股票对应的收益率较低,Ang等的研究进一步表明具有较高特质波动率的股票同样对应较低的收益。Gao(2012)的研究表明,以上现象更多地出现在市场乐观时期,并指出这可能是由于噪声交易者的交易行为导致股票价格被高估。
回归结果如表7所示,同样根据市场情绪将结果分别展示,模型1为原始的模型回归结果,模型2为加入新的控制变量后的回归结果。从全样本来看,Disp和IVOL均和收益率之间是负相关关系。而当将市场按不同情绪进行区分后,该现象更加明显地体现在市场乐观时期,与Gao的研究结果一致。比较在乐观时期模型1和模型2的回归结果,贝塔系数的相关系数从-0.58变为-0.55,t统计量由-2.11变为
-1.87,表明分析师预测分歧(Disp)与股票的特质波动率(IVOL)确实是影响市场乐观时期资产定价的两个主要因素,但在市场悲观时期则不存在此现象。
接下来,利用上文得到的噪声交易者行为的估计参数对之前构建的投资者情绪指标进行修正,以检验新得到的投资者情绪指标是否会对高贝塔系数股票在乐观时期的表现进行更为精确的预测。在原有的构建投资者情绪的变量中,加入高贝塔系数股票的中小投资者净订单流量、FE以及SOIB,并采用主成分分析法,保留第一主成分作为修正后的投资者情绪变量,如果在第t-1至t-7个月的滚动平均值大于0,则定义第t月为投资者情绪乐观时期,以此对表4和表5所示的内容进行重新计算,得到结果如表8所示:

 

 

 

 

 

 

从表8可以看出,修正后的投资者情绪指标的确更好地反映了在乐观时期贝塔系数与收益之间的负相关关系。从表8中的A栏可以看出,对于高贝塔系数投资组合和低贝塔系数投资组合的收益差距为每月2.27%,大于表3所示的-1.16%。然而,乐观时期计算结果与此前差别不大。B栏展示了Fama-MacBeth回归结果,可以看出当修正的投资者情绪为乐观时,贝塔系数为-1.25,t值为-3.01,要比原投资者情绪指标计算出的结果更为显著。而这一点与市场悲观时期的计算结果无明显不同。这些结果均表明,考虑了噪声交易者交易行为的修正后的投资者情绪指标提升了对市场乐观时期识别的能力,而在市场悲观时期,由于噪声交易者的退出导致模型的估计结果和此前区别不大,价格收益更符合传统的资本资产定价模型。
五、结论
实际数据表明,资本资产定价模型在市场情绪处于不同的阶段时是不同的。在市场悲观时期,敏感资产定价模型有效,其所代表的证券市场线是一条向右上方倾斜的直线;而在市场乐观时期,贝塔系数与资产收益之间却有悖于资本资产定价模型,呈现出负相关的关系。对于这一现象,本文认为是由于在市场乐观时期,大量非理性噪声交易者加入且交易行为所引起的资产价格被高估。而在市场悲观时期,由于噪声交易者的退出,导致市场仅剩追求效用最大化的理性交易者,风险 — 收益关系继续有效。
为此,本文采用了几种不同的计量方法进行检验。首先,通过分析分析师的盈利预期发现高贝塔系数股票在市场乐观时期明显受到了投资者更多的追逐;其次,通过公募基金的资金流量比对噪声交易者的行为进行衡量,发现高贝塔系数股票在市场乐观时期吸引了更多的噪声交易者,而这一现象在市场悲观时期并不存在;最后,通过信息交易概率指标对噪声交易者的交易行为进行分析,进一步证实了中小投资者在市场乐观时期是高贝塔系数股票的净买入者、低贝塔系数股票的净卖出者,但这一现象同样在悲观时期不存在。
本文的结论为投资者和上市公司的财务管理者提供了有益的管理启示。对于投资者尤其是基于模型的量化投资者而言,该方法更适宜用在市场悲观时期,而在市场乐观时期,最好使用非模型的方法形成自身的投资决策。对于公司的财务管理人员,可以在市场悲观时期采用资本资产定价模型进行财务决策,在乐观时期则不宜使用。

主要参考文献:
Amromin G., Sharpe S..Expectations of risk and return among household investors: Are their Sharpe ratios countercyclical?[J].Journal of Finance,2009(3).
Lamont O., Thaler R..Can the market add and subtract? Mispricing in tech stock carve-outs[J].Journal of Political Economics,2008(11).
Barber B., Odean T..Trading is hazardous to your wealth: The common stock investment
performance of individual investors[J].Journal of
Finance, 2011(11).