中国股市异象的时变特征及影响因素研究

尹力博，韦 亚，韩复龄

(中央财经大学金融学院，北京100081)

1 引言

在资产定价领域的研究中，虽然CAPM一直被视为理论基石，但是其在实证研究中的表现却差强人意。诸多研究表明，市场中存在各类CAPM所无法解释的市场异象，如规模异象、账面市值比异象、动量异象、特质波动率异象、市场风险异象等[1-3]。为追逐更高的超额收益，以各类股票市场异象为基础的风格投资策略也逐步被广大投资者关注与应用。作为全球最大的新兴资本市场，中国股票市场的市场异象成为国内外学者争相研究的焦点。Cheung等[4]、Hsu等[5]、朱宝宪和何治国[6]、范龙振和余世典[7]、吴世农和许年行[8]、潘莉和徐建国[9]、左浩苗等[10]、刘维奇等[11]、刘圣尧和李怡宗[12]在不同的样本期内，基于无条件CAPM，先后发现中国股票市场也存在诸如规模异象、账面市值比异象、市盈率异象、特质波动率异象、市场风险异象等各类市场异象。在“逐利动机”的驱使下，更多的市场异象还将不断被发掘。

然而，研究者却发现，在一些样本期内，股市异象的显著程度有所减弱，甚至消失。例如，潘莉和徐建国[9]发现，中国股票市场的账面市值比异象在2006年以后的样本期内有所减弱。国外的股市异象也表现出相似的特征，Ang和Chen[13]指出美国股票市场的账面市值比异象只在1963年以后的样本期内存在；Mclean和Pontiff[3]则发现当美国股市的各类市场异象被公之于众后，其显著程度会明显降低。上述研究成果在一定程度上反映了股市异象潜在的时变性。而事实上，在遵循风格投资策略的实际投资中，市场异象的时变性是难以被忽略的。对于投资者而言，忽略时变性则会使其构建的投资策略缺乏择时能力，甚至诱导投资者做出错误的投资决策，为投资者带来不必要的投资风险。因此，对于中国股票市场而言，股市异象是时变的吗？其变化由哪些因素所影响？这是投资者所亟需解决的关键问题。

条件CAPM为本文的研究提供了基础模型。相较于传统的无条件CAPM，条件CAPM 强调了条件信息在资产定价模型中的重要性(Hansen和Richard[14])，这使其能够反映模型中α和β时变特征。与此同时，相关研究还发现，条件CAPM有利于解释某些市场异象。Jagannathan和Wang[15]、Lettau和Ludvigson[16]、Boguth等[17]、Ang和Kristensen[18]、Choi[19]、Cederburg和O’Doherty[20]发现相对于无条件CAPM，条件CAPM有利于解释美国股市的规模异象、账面市值比异象、动量异象和市场风险异象等市场异象的显著程度均有所降低。Lewellen和Nagel[21]的研究则表明，条件CAPM并不能更好地解释美国股票市场的规模异象和账面市值比异象。王宜峰等[22]、张翔等[23]的研究发现条件CAPM有助于解释中国股票市场的规模异象和账面市值比异象。因此，本文首先分析在条件CAPM下，各类市场异象是否仍然存在。以此为基础，进一步利用条件CAPM 所包含的时变信息，深入研究各类市场异象的时变特征及影响因素。

目前，在中国股市异象的研究中，多数研究致力于结合国外股市异象的研究成果，寻找该类异象的中国证据，并给予适当的经济学解释。鲜有学者从动态的视角出发，围绕中国股市异象的时变性展开针对性的研究。本文的研究将弥补上述不足，在同一分析框架下研究了不同类型的市场异象，丰富了中国股市异象方面的研究成果。此外，在研究方法上，此前的研究常借助状态变量捕捉各参数的动态特征(王宜峰等[22]、张翔等[23])，为了避免状态变量的选择偏误对研究结果的影响，本文将借鉴Ang和Kristensen[18]提出的非参数方法对条件CAPM进行估计。总体来看，一方面，本文的研究为投资者的投资选择提供了参考，有助于提高风格投资策略的择时水平；另一方面，理论上来看，本文的研究还有助于加深对中国股市定价机制的理解，促进资产定价模型在中国股票市场的发展，为构建包含时变特征的资产定价模型提供了经验支持。

2 研究方法

2.1 条件CAPM的估计与检验

Jagannathan和Wang[15]指出，CAPM是单期的理论模型，多数经验研究所使用的无条件CAPM实为静态模型，而真实的经济环境瞬息万变，静态的假设显然与实际不符。对此，他们对CAPM进行拓展，得到如下形式的条件CAPM：

Et(Rit+1|It)-rft+1=βit+1γt+1

(1)

βit+1=Covt(Rit+1-rft+1,Rmt+1-rft+1)/

Vart(Rmt+1-rft+1)

(2)

γt+1=Et(Rmt+1|It)-rft+1

(3)

It代表条件信息，E(Rit+1|It)与E(Rmt+1|It)分别为第i个风险资产和市场组合在t+1期的条件期望收益率，rft+1是t+1期的无风险收益率，γt+1是在It条件信息下的条件市场风险溢价，βit+1则衡量了第i个风险资产在It条件信息下的条件市场风险。对于第i个风险资产来说，αit+1是在It条件信息下的风险调整后收益率，由如下(4)式所示：

αit+1=(Et(Rit+1|It)-rft+1)-βit+1γt

(4)

Ang和Kristensen[18]基于非参数方法，针对条件CAPM提出了系统的估计和检验方法，他们不仅给出了条件α和β、长期α和β的估计量，还对上述估计量的渐进统计性质、条件α和β的时变性检验、非参数方法中的窗宽选择等问题进行了全面的讨论。

假设在0到T的时间范围内，总共有n个可观测的时刻，记为ti(i=1,…,n)，并且Δ=ti+1-ti；同时，资本市场上存在M个风险资产，第t时刻的收益率记为R=(R1,t,R2,t,…RM,t)′。那么根据(1)式所示的条件CAPM，我们可以得到第k个风险资产在第t期的收益率为：

Rk,t-rf,t=αk,t+βk,t(Rm,t-rf,t)+εk,t

(5)

(1)参数的估计和渐进统计性质

在上述条件下，Ang和Kristensen[18]借鉴了局部最小二乘估计的思想，对第k个风险资产在时刻t∈[0,T]的αk,t和βk,t提出(6)式所示估计：

(6)

其中，KhkT(ti-t)=K[(ti-t)/(hkT)]/ (hkT)，K(·)是核密度函数，hk是窗宽，最终可得αk,t和βk,t的核密度函数加权最小二乘估计量如(7)式所示：

(7)

参考Ang和Kristensen[18]的研究，本文选用高斯核对相关参数进行估计，即

(8)

在一定的假设和约束下,Ang和Kristensen[18]进一步给出了αk,t和βk,t的渐进统计性质：

(9)

(10)

(11)

(12)

(13)

进一步，对于第k个风险资产来说，长期αk和βk的估计和渐进分布分别为：

(14)

(15)

(2)αk,t和βk,t的时变性检验

条件CAPM中，如果αk,t和βk,t是恒定不变的，那么条件CAPM将退化为无条件CAPM。αk,t和βk,t究竟是否具有时变性呢？针对这一问题，Ang和Kristensen[18]提出利用豪斯曼检验对其进行统计分析。首先，我们给出如下原假设：

Hk(α):αk,t=αk∈Rt∈[0,T]

Hk(β):βk,t=βk∈Rt∈[0,T]

(16)

Wk(β)

进一步，可以得到：

(17)

该检验为单侧检验，当Hk(α)(Hk(β))大于标准正太分布的95%分位点时，我们拒绝原假设，即认为αk,t(βk,t)具有时变性。

(3)窗宽的选择

而我们可以得到第一阶段的窗宽如(18)式所示：

(18)

(19)

(20)

2.2 数据选取与分组方法

本文采用的数据均来自CSMAR数据库，将沪深两市所有的A股股票作为备选研究样本，参照Fama和French[1]、赵胜民等[24]的研究方法，剔除其中的金融类股票及st、*st等被特别处理的股票。考虑到中国股票市场建立初期股票数量较少、部分数据有所缺失，因此，本文的样本期为1995年1月到2017年4月。研究中涉及的数据主要有两类，一类是股票交易数据：包括各支股票的收益率、流通市值、总市值、收盘价、交易量、总股数和无风险收益率。为了提高实证结果的准确性和可靠性，股票的收益率、流通市值和无风险收益率均为日度频率数据，股票的收盘价、交易量和总股数则为月度频率数据，用于各支股票月换手率的计算。另一类是上市公司财务数据：包括样本中涉及的所有上市公司的股东权益、净利润，上述财务指标均为各家上市公司财务报表的半年报和年报数据。

本文研究的中国股市异象包括规模异象、账面市值比异象、特质波动率异象、换手率异象、市场风险异象及市盈率异象，除了股票规模可以直接用流通市值衡量以外，还需要依次计算各支股票的账面市值比、特质波动率、换手率、市场风险以及市盈率等特征指标。

账面市值比和市盈率均基于上市公司半年报和年报的财务数据计算得出。其中，账面市值比为股东权益除以相应会计日期所对应的股票市值，市盈率为相应会计日期所对应的股票市值除以净利润。

在特质波动率的计算上，参考Ang等[22]、左浩苗等[10]的方法，基于各股票t期前3个月、至少30个有效日度观测数据，运用Fama-French三因子模型进行回归，将所得残差的标准差作为衡量各支股票第t期初特质波动率的指标。

各支股票在第t月末的月换手率等于各支股票在第t月末的成交量除以对应股票在t月末的总股数。

在市场风险的计算上，参考Cederburg和O’Doherty[20]的方法，基于各支股票t期前12个月、至少120个的有效日度观测数据，运用CAPM进行回归，得到各支股票在第t期初的形成期β值，以此衡量各支股票的市场风险。

基于上述特征指标，参照Fama和French[1]的研究方法，将对选取的样本股依次进行分组，并对各组合采取买入持有策略，按照市值加权方法计算各组合的收益率。然而，由于不同特征指标之间存在差异，因此分组方式也存在些许不同。

对于规模、换手率、特质波动率和形成期β值，将逐月对所有样本股重新进行分组。如在第m月初，将按照第m-1月末的流动市值、月换手率以及m月初的特质波动率、形成期β值从小到大依次将所有样本股分为10组。

对于账面市值比，将在每一年的7月初和1月初对所有样本股重新进行分组。如在第y年的7月初，将按照第y-1年12月末的账面市值比从小到大将所有样本股分为10组。如在第y+1年的1月初，将按照第y年6月末的账面市值比从小到大将所有样本股分为10组。

与账面市值比类似，对于市盈率，同样在每一年的7月初和1月初对所有样本股重新进行分组。但是不同之处在于，每一个时期A股市场上都存在一定数量市盈率为负的股票。借鉴范龙振和余世典[5]的处理方法，将样本股中市盈率为负的股票单独分为一组，记为“负”组，对于其余市盈率为正的所有股票，参照账面市值比的分组方法，再按照市盈率从小到大分为10组，进而得到总共11个组合。

3 实证结果与分析

3.1 单变量组合分析

基于股票的不同特征指标，按照上述分组方法，计算出不同特征指标所对应的股票组合收益率。同时，基于无条件CAPM，还计算了各股票组合对应的α和β，计算结果如表1所示。

表1展示了1995年1月到2017年4月期间，各股票组合收益率的均值，以及无条件CAPM对应的α和β。其中 “多空组合”是指投资者为了赚取正的收益，根据各特征指标与收益率之间的关系所采取的同时做多和做空两个股票组合的投资策略。在本文中，除了账面市值比的多空策略是做多最“大”组合、做空最“小”组合外，其余特征指标的多空策略均是做多最“小”组合、做空最“大”组合。由于本文所用数据为日度数据，参考Cederburg和O’Doherty[20]的研究方法，表中所报告的各股票组合收益率的均值、α均作了月度化处理,即在日度数据计算结果的基础上，均值和α均乘以22。

从表1所示结果可以看出，1995年1月到2017年4月期间，各特征指标与股票组合收益率间的关系明显。规模、特质波动、换手率、形成期β、市盈率与收益率均值之间呈现出负向关系，各多空组合均取得了显著为正的平均收益率。与范龙振和余世典[5]的研究结果相似，在市盈率组合中，“负”市盈率组的平均收益率更接近“大”市盈率组，基于“小_负”组合构建的多空策略达到了1.68%的平均收益率，甚至大于 “小_大”组合多空策略的平均收益率。从规模和市盈率的组合分析结果来看，这两个特征指标所对应的收益率均值具备比较明显的下降趋势。相比之下，特质波动率、换手率和形成期β所对应的平均收益率在第9组以前并没有表现出明显的下降趋势，其对应的多空策略所获得的显著为正的平均收益率主要源于最后两组平均收益率的突然下降。这与Ang等[2]的研究结果相似，他们在研究美国股票市场的特质波动率与收益率的关系时发现高低特质波动率组合之间平均收益率的显著差异主要来源于高特质波动率组合的低平均收益率。与上述特征不同，账面市值比与组合的平均收益率之间呈现出了正向关系，平均收益率的单调上升趋势比较明显，多空组合的平均收益率也达到了1.01%。

相对于无条件CAPM，规模异象、账面市值比异象、特质波动率异象、换手率异象、市场风险异象及市盈率异象均存在于中国股票市场。从基于无条件CAPM计算出的β可以看出，除去规模组合的市场风险与平均收益率呈现正向关系，账面市值比和市盈率组合的市场风险与平均收益率无明显关系外，其余特征指标对应组合的市场风险与平均收益率之间均表现出明显的负向关系。很显然，这样的经验结果与CAPM理论相悖。进一步来看，规模、账面市值比和市盈率所对应的多空组合均能得到显著为正的α。上述证据都表明，无条件CAPM并不能完全解释上述特征指标所对应各组合的收益率差异。

表1 全样本单变量组合分析结果

续表1 全样本单变量组合分析结果

表中均值、α的单位均为%；样本期为1995年1月到2017年4月。“( )”中数值为Newey-West t统计量，*表示在10%显著性水平下显著，**表示在5%显著性水平下显著，***表示在1%显著性水平下显著。

3.2 中国股票市场异象的长期存在性

市场异象时变性的研究要以其存在性为前提，因此，本文首先考察了条件CAPM下，各类股票市场异象是否长期存在。Jagannathan和Wang[15]、Lewellen和Nagel[21]指出，无条件CAPM对于时变性的忽略是造成股票市场异象的潜在原因之一。那么，考虑时变性的影响后，条件CAPM下中国股票市场异象是否仍然存在？为了回答该问题，本文分别运用非参数方法和普通最小二乘方法估计了条件CAPM的长期α与无条件CAPM的无条件α，图1展示了估计结果。

图1描绘了不同特征指标对应组合的长期α和无条件α的截面变化轨迹，实心点及其对应的上下延长实(虚)线为长期α的估计值及95%置信区间，空心点及其对应的上下延长线为无条件α的估计值及95%置信区间。

由图1可以看到，1995年至今，考虑时变性后，各类市场异象依然存在于中国股票市场。与无条件α相比，长期α表现出相似的变化特征，账面市值比与长期α之间呈现正向关系，其余特征指标与长期α之间均为负向关系。对于多空组合来说，图1中α=0的虚线均长期α的95%置信区间以外，这表明条件CAPM也不能完全解释多空组合的长期收益率。

条件CAPM有助于解释市场风险、特质波动率、市盈率和换手率异象，但解释能力有限。在各类多空组合中，与无条件α相比，市场风险多空组合的长期α下降最多，幅度为25.31%；特质波动率、市盈率和换手率多空组合的长期α也分别下降了12.53%，10.45%(10.63%)和4.67%。

3.3 市场异象与风险的时变特征

上述分析结果表明，即使在条件CAPM下，各类市场异象在中国股票市场依然存在。以此为基础，本节将对各类市场异象及市场风险的时变性进行统计检验，并进一步对其长期变化特征进行描述与分析。运用豪斯曼检验方法，对各股票组合条件α和β的时变性检验结果如表2所示。

图1 各股票组合长期α和无条件α的截面变化轨迹

从表2所示结果可以看到，中国股票市场异象具有显著的时变性，同时，对于所有股票组合而言，其市场风险同样表现出显著的时变性。包括多空组合在内，多数股票组合的条件α都在较高的显著性水平下拒绝了“恒定不变”的原假设，而少数没有拒绝原假设的股票组合多集中在第4到第8组。结合图1我们可以看到，对于第4到第8组的股票组合，其长期α倾向于0，相反，对于长期α显著异于0的股票组合，其条件α的时变性更为显著。另一方面，所有股票组合的条件β均在较高显著性水平下拒绝了“恒定不变”的原假设，该结果也与Ang andKristensen[18]对于美国股票市场的研究结果相同。各多空组合条件期望收益率的变化，在很大程度上也源于上述市场风险的变化。

表2 条件α和条件β的时变性检验

续表2 条件α和条件β的时变性检验

*表示在10%显著性水平下显著，**表示在5%显著性水平下显著,***表示在1%显著性水平下显著。

图2、图3分别描绘了各多空组合的条件α和β的变化轨迹，其中，实线为条件α和β的估计值，虚线为各估计值所对应的95%置信区间。

图2 多空组合的条件α

图3 多空组合的条件β

由图2结果可以看出，1995年至今，中国股票市场经历了一次风格转换，以账面市值比异象、市盈率异象为代表的价值型异象正在逐渐减弱甚至消失，而规模、特质波动率、换手率以及市场风险异象正逐渐显现并仍有增强的趋势。其中，特质波动率、换手率以及市场风险多空组合的条件α呈现出缓慢的上升趋势，2010年前后开始趋于显著为正，0轴逐渐脱离其95%置信区间。与此相反，账面市值比、高低市盈率以及负正市盈率多空组合的条件α则呈现出下降趋势，2010年前后开始围绕0轴上下波动，0轴已经落在其95%置信区间内。

由图3可以看出，对于规模、账面市值比、市盈率等“基本面类”异象对应的多空组合收益率，条件β虽然展现出一定的解释能力，但十分有限。具体来看，该类异象所对应多空组合的条件β时正时负，规模和账面市值比对应的条件β更是在多数时期大于0。这意味着多空组合收益率可以在一定程度上由市场风险溢价所解释。然而，考虑到上述条件β在数值上与0相近，且在部分时期小于0，因此，解释能力将十分有限。

而对于特质波动率、换手率以及市场风险等“市场类”异象对应的多空组合收益率，条件β不仅没有表现出解释能力，还得出与理论预期完全相反的结果。几乎在所有时期，该类异象对应的条件β均为负，数值上也较大程度的偏离于0。

3.4 市场异象与市场风险变化的影响因素

为进一步分析影响市场异象和市场风险变化的经济因素，本文选取了CPI同比增速、广义货币供应量增长率(M2增速)、经济景气指数、银行间同业拆借利率、股票市场换手率等经济指标作为潜在的解释变量，涵盖了通货膨胀、货币政策、经济增长、资金流动性以及股票市场活跃度等多方面的信息。其中，CPI同比增速、M2增速、经济景气指数为刻画宏观经济环境变化的宏观经济因素，银行间同业拆借利率、股票市场换手率为刻画市场环境变化的市场因素。

实际上，从中国经济发展的实际情况来看，本文所选取的宏观经济因素和市场类因素具备不同的经济含义。作为新兴经济体，中国的金融市场的发展仍不成熟，与实体经济间的关联度较低，“脱实向虚”也是当前中国经济发展面临的主要问题。在该背景下，就上述指标而言，市场因素更多反映了金融市场的活跃度和投机性，而非经济环境的信息。苏治等[25]、张铮和刘力[26]在研究中也对此给予了经验支持。因此，宏观经济因素可视为包含更多经济信息的理性因素，而市场类因素可视为包含更多市场投机性的非理性因素。

利用上述变量的滞后一期值，对多空组合的条件α和条件β进行回归。解释变量均为月度数据，条件α和条件β为各月的月末值。由于部分宏观经济数据缺失，回归样本期为1998年2月到2017年4月，估计结果如表3、表4所示。

表3 多空组合条件α的多元回归分析

“()”中数值为Newey-West t统计量，*表示在10%显著性水平下显著，**表示在5%显著性水平下显著，***表示在1%显著性水平下显著。

由表3可以看出，规模、账面市值比、市盈率等“基本面类”异象主要受宏观经济因素的影响，而特质波动率、换手率以及市场风险等“市场类”异象主要受市场因素的影响。具体体现在，在“基本面类”异象中，宏观经济因素多在统计上显著，而在“市场类”异象中，市场因素则展现出更强的显著性。

上述结果意味着，“基本面类”异象反映了更多经济风险的信息，此类异象实际是未能被条件CAPM所解释的风险溢价。“市场类”异象则是市场中诸多非理性行为的结果，此类异象实际来源于市场的无效。

由表4可以看出，市场因素对各多空组合市场风险的解释能力更为突出。除账面市值比外，其余特征指标对应的回归结果中，市场因素均在统计上显著。与之相比，宏观经济因素只对账面市值比和市盈率的多空组合市场风险具备显著的解释能力。

表4 多空组合条件β的多元回归分析

“()”中数值为Newey-West t统计量，*表示在10%显著性水平下显著，**表示在5%显著性水平下显著，***表示在1%显著性水平下显著。

该结果意味着，对于多数特征指标的多空组合，以条件β衡量的市场风险主要被市场因素所解释，条件β未能捕捉到其蕴含的经济风险，这也是条件CAPM无法解释各市场异象的原因之一。作为对该观点的进一步佐证，在账面市值比的回归结果中可以看到，宏观经济因素展现出显著的解释能力，并且图1显示，账面市值比异象在各异象中相对较弱，这表明条件CAPM可以相对较好地解释账面市值比与收益率的正向关系。

4 结语

本文基于条件CAPM，对规模异象、账面市值比异象、特质波动率异象、换手率异象、市场风险异象及市盈率异象的长期存在性、时变性及影响因素依次进行研究。其中，在影响因素的研究中，我们选取CPI同比增速、M2增速、经济景气指数和银行间同业拆借利率、股票市场换手率等指标，研究了宏观经济因素和市场因素的变化对市场异象及时变风险的影响。主要研究结论如下：第一，条件CAPM虽然有助于解释特质波动率异象、换手率异象、市场风险异象及市盈率异象，但是解释能力有限，长期来看，条件CAPM下的各类市场异象仍然存在。第二，中国股票市场异象和各股票组合的市场风险均表现出显著的时变性，并且在样本期内，中国股票市场异象的风格发生了转换，以账面市值比异象、市盈率异象为代表的价值型异象正在逐渐减弱甚至消失，其他市场异象的显著性则有增强的趋势。第三，规模、账面市值比、市盈率等“基本面类”异象主要受宏观经济因素的影响，反映了更多经济风险的信息；而特质波动率、换手率以及市场风险等“市场类”异象主要受市场因素的影响，此类异象更可能来源于市场的无效。第四，条件β未能捕捉到文中各多空组合蕴含的经济风险，这是条件CAPM无法解释各市场异象的原因之一。

本文的研究丰富了动态视角下中国股市异象方面的研究成果。研究结果表明，中国股市的各类市场异象具有显著的时变性。因此，对于投资者而言，市场异象的时变性是不可忽视的关键因素，时变信息对于风格投资策略择时能力的提高发挥着重要作用。同时，对于以市场异象为基础的因子定价模型而言，构建包含时变信息的定价因子将成为提升模型定价表现的关键所在。此外，本文的研究也从定价的角度反映出中国股市效率的变化趋势。研究结果表明，特质波动率、换手率以及市场风险等“市场类”异象正逐渐增强，而上述异象在很大程度上体现了市场有效性的变化特征，因此，中国股市虽然历经多年发展，其有效性似乎有减无增。对于投资者而言，市场有效性的缺乏则为其利用市场异象，赚取超额收益带来了机会。