中国A股市场的左尾风险异象研究

高萍

本文使用A股市场1999年1月到2018年12月的3666支股票，采用单变量投资组合分析以及控制市场Beta、市值、交易量和流动性指标的双变量投资组合分析的方法，实证检验了中国A股市场上股票异质性左尾风险和股票横截面收益之间的关系。结果显示：在中国A股市场上确实存在显著的“左尾风险异象”，即股票异质性左尾风险和股票横截面收益之间存在显著的负相关关系。本文的研究结果对于我国提升市场效率、减小金融”异象”的影响以及因子定价模型完善有着重大意义。

引言与文献综述

资产定价理论是金融经济学最重要的主题之一，它试图去解释不确定条件下未来支付的资产价格或价值。有关资产定价的问题一直以来都是金融界学者研究的核心之一，其相关理论也在不断的发展和完善。其中，Markowitz（1952）发展了一个概念明确的可操作的在不确定条件下选择投资组合的理论，提出用风险资产的均值和方差衡量收益与风险，将强有力的數理统计方法引入了资产组合选择的研究中；基于Markowitz的投资组合理论，William Sharpe（1964）投身于简化Markowitz的均值-方差模型的研究中，并首次公开地提出了现代金融市场价格理论的支柱——资本资产定价模型（CAPM）；随后，John Lintner（1965）和Jan Mossin（1966）也得出了与Sharpe相同的结论进而提出CAPM。CAPM指出，投资高风险的股票会使投资者获得更高的回报。尽管CAPM在金融定价理论里占据着主导地位，但随着金融市场的个性化发展，投资者发现有太多CAPM不能解释的“异象”，因为真实的市场并没有那么模型假设的那么光滑。Fama和French（1993）发现美国股票市场中仍有CAPM中衡量系统性风险因素的Beta所不能解释的超额收益，而加上股票市值和账面市值比这两个因素就可以解释绝大部分股票价格的波动，据此提出了Fama-French三因子模型，此后学界又发展出Carhart（1997）四因子动量模型以及Fama和French（2015）的五因子模型。然而近年来世界各国金融市场“异象”的频繁出现进一步加剧了对因子定价模型的冲击，例如，特质波动率之谜、股权溢价之谜、动量效应、长期反转等，这些“异象”降低了市场的定价效率，也加剧了市场的波动风险。近期我们发现左尾风险对因子定价模型的有效性产生了新的冲击，故深入剖析“左尾异象”对提高市场效率以及完善因子模型意义非凡。

左尾风险是尾部风险的一种。在金融市场中，尾部风险常被用来度量极端事件，尾部风险指当投资组合中的某项投资表现出偏离该证券的既定平均值超过三个标准差时产生的一种风险。这种变动即可能增加证券价值增长超过预期的机会，也可能产生超出平均值的损失。尾部风险分为右尾风险和左尾风险。对于右尾风险的研究，Bali等（2011）研究了极端正回报在股票横截面定价中的重要性，通过投资组合层面的分析和公司层面的横截面回归发现，过去一个月的最大日收益（MAX）与预期股票收益之间存在显著的负相关关系，且这些结果在控制了规模、账面市值比、动量等变量后依然是稳健的。

相对于右尾的极端正收益，理性投资者往往更关注左尾风险。左尾风险指发生概率很小，但是如果发生就会带来巨大损失的风险。左尾风险最早起源于灾难风险，灾难风险指发生概率非常小，但一旦发生会造成很大损失的灾难性事件的冲击，例如，全球经济金融危机、恐怖袭击等。在灾难风险的研究中，Rietz（1988）首次捕捉了极小概率事件对股票风险溢价的影响，即首次引出灾难风险；Barro（2006）通过20世纪的历史数据估计出灾难风险的概率，解释了高股权溢价、低无风险利率等诸多经济”异象”。但灾难风险的历史数据非常稀缺，这无疑阻碍了进一步的研究。而左尾风险较于灾难风险发生的概率相对较大，更适合作为研究对象。

在左尾风险定价作用的研究中，学界早期比较关注系统性左尾风险。基于经典的资本资产定价模型和有效市场假说理论，我们认为投资者构建的资产组合是充分分散化的，市场只对其承担的系统性风险部分进行补偿。但由于现实中各种因素的限制，投资者很难做到将资产组合充分分散化，故对于异质性左尾风险的研究也是有意义的。Bali等（2014）发现混合尾部协方差风险（H-TCR）与股票预期收益之间存在显著的正相关关系，但针对特定股票或系统性尾部风险时，这种正相关关系就没那么显著，甚至还可能为负相关。也就是说，异质性左尾风险似乎对股票未来收益的影响是负向的；随后，Atilgan等（2020）研究了左尾风险和股票预期收益之间的关系，发现在美国和国际国家市场上，异质性左尾风险与股票横截面收益之间存在显著的负相关关系，并基于投资者低估左尾风险的持续性和近期亏损较大的漫天要价股票的观点对这一“左尾风险异象”给出了行为金融学方面的解释。

本文通过实证检验中国A股市场的“左尾异象”，研究左尾风险与未来收益在中国股票市场上的关系。我们采用与Alilgan等（2020）一致的代理变量VaR（Value-at-risk at the 1% level），首先通过VaR与未来收益之间的单变量投资组合分析，发现了左尾风险与未来收益之间存在的显著负向关系。进一步通过双变量投资组合分析，控制市场Beta、市值、交易量以及流动性指标后发现该现象仍然显著，说明股票异质性左尾风险与股票收益率之间确实存在一个显著的负相关关系。

本文其余部分做如下安排：第二部分介绍数据的来源及核心变量的构造方法；第三部分汇报单变量与双变量分组的投资组合分析结果；最后给出结论和建议。

数据与变量选取

数 据

本文选取1999年至2018年中国A股全部上市公司共3666支股票，使用到的日度收益、交易量、市值等原始数据来源于CSMAR数据库，各类因子数据来自中央财经大学中国资产管理研究中心网站。

核心变量构造

1.在险价值（VaR）

我们使用在险价值（Value-at-Risk）来衡量左尾风险，VaR是常用的衡量左尾风险的指标，它是一个损失阈值，表示在一定的时间内、在一定的置信水平下，投资者的最小期望损失。例如，如果给定的时间段是一个月，给定的概率是1%，那么表明在接下里的一个月里，我们有99%的把握损失不会超过VaR。我们通过计算t月底的前250个交易日的每日回报的1%分位数作为t月的VaR，并且剔除观测值不足200的月份，保证至少有200个观测值。由于亏损对应的是负收益，为方便起见，我们将该指标取绝对值得到正的VaR指标，即VaR越大，风险越高。在险价值的数学表达式如下：

描述性统计分析

上述核心变量的描述性统计特征如表1所示：

实证结果分析

单变量投资组合分析

为了证明“左尾风险异象”，我们首先构建一个投资组合，在每一个月根据股票VaR从小到大分成十组，其中G1包含了VaR最小的一组股票，G10包含了VaR最大的一组股票。继而构建多空策略组合——买入G10中的股票，同时卖出G1中的股票，即G10-G1。计算每组的超额平均收益和经Fama-French三因子与Fama-French五因子模型调整后的Alpha以及相应的t统计量。投资组合分析结果如表2所示：

由表2我们发现，构建的多空策略组合G10-G1可以实现-0.78%的超额收益且在5%的显著性水平下是显著不为零的，经Fama-French三因子和五因子模型调整后的Alpha分别为-1.23%和-0.9%，在1%的显著性水平下也均显著不为零，说明仍然存在-1%左右的超额收益是现有的因子模型所不能解释的。这就意味着，股票异质性左尾风险与股票收益率之间存在一个显著的负相关关系。

我们对上述分组的股票进行市值加权，发现“左尾风险异象”更加明显，这可能是因为与风险价值相关的公司特征对股票的预期收益有影响。为了排除这种影響，我们进行双变量分组，控制市场Beta、市值等变量看“左尾风险异象”是否仍显著存在。

双变量投资组合分析

在这一部分，我们采用双变量投资组合分析，在控制了市场Beta、市值、交易量、以及流动性指标后，检验股票异质性左尾风险与股票横截面收益之间的关系。首先，我们将股票横截面上的收益率按照t-1月某个控制变量的值（例如：市场Beta、市值等）从小到大排序并分成五组；然后，在每一个分组中，我们再将股票按照t-1月的VaR从小到大排序并分成十组；最后，合并不同控制变量的分组，得到在控制变量上取平均后的十个投资组合，即表3中的G1到G10，其中G1仍为包含VaR最小的一组股票，G10为包含VaR最大的一组股票。通过双变量分组，我们可以保证这十个投资组合中每个组合的市场Beta、市值、交易量和流动性指标大致相同，即排除了这些变量带来的影响。在双变量分组结束后，我们同样构建上述多空策略组合——买入G10中的股票，卖出G1中的股票，即G10-G1，计算每组的超额平均收益和经Fama-French三因子与Fama-French五因子模型调整后的Alpha以及相应的t统计量。双变量投资组合分析结果如表3所示：

我们在第一列报告了对市场Beta的控制情况。具体来说，在控制了市场Beta之后，构建的多空策略组合G10-G1可以实现-0.35%的超额收益，虽然在统计上不太显著，但是经FamaFrench三因子与Fama-French五因子模型调整后的Alpha在统计上非常显著，分别为-1.01%和-0.86%，且均在1%的显著性水平下显著不为零，这说明在控制Beta之后，多空策略组合仍然存在一个负的收益，且有-1%左右的现有因子模型所不能解释的收益，也就是说“左尾风险异象”并不能被市场Beta所解释。我们对其进行市值加权后发现该现象仍然存在且统计显著。

接着，我们控制市值，其结果报告在第二列。在控制市值之后，构建的多空策略组合G10-G1可以实现-0.72%的超额收益，且在5%的显著性水平下显著不为零。经Fama-French三因子与Fama-French五因子模型调整后的Alpha在统计上非常显著，分别为-1.10%和-0.90%，且均在1%的显著性水平下显著不为零，这说明在控制市值之后，多空策略组合依旧存在一个显著的负收益，且仍有-1%左右的现有因子模型所不能解释的收益，即“左尾风险异象”并不能被市值所解释。同样，我们进行市值加权，发现该现象仍然存在且统计显著。

我们又控制了Illiquidity和交易量，发现“左尾风险异象”依然显著，说明其不能被Illiquidity和交易量所解释。

我们对上述指标进行市值加权后发现“左尾风险异象”仍然存在，由于篇幅限制，此处不在赘述。

这些结果表明：即使在控制了双变量投资组合中各种公司的特征和风险因素后，t-1月的VaR与t月的超额收益仍然存在很强的负相关关系，即股票异质性左尾风险与股票横截面收益之间存在一个显著的负相关关系。也就是说，中国A股市场上的“左尾风险异象”显著存在，且不能被常见的资产定价因子所代替，即“左尾风险”可能是一种新的定价因子。

传统金融理论的理性资产定价模型认为风险应该得到补偿，即股票收益与风险之间存在正相关关系。Sharpe（1964）首次运用资本市场线描述风险与收益之间的线性正相关关系；Fama和MacBeth（1973）对纽约证券交易所的股票进行实证检验，结果高度支持Sharpe的风险与收益为线性正相关的观点。显然，我们的结论与传统的“高风险、高收益”现象不同，进而对传统金融理论的理性资产定价模型产生了冲击。在当下的中国市场上，我们的研究结果对于市场有效性的提升以及因子定价模型的完善无疑是有意义的。

结论与建议

本文研究了中国A股市场股票异质性左尾风险与横截面收益之间的关系，基于1999年至2018年的个股数据，通过单变量投资组合分析揭示了个股左尾风险与股票横截面收益之间的显著负相关关系，即“左尾风险异象”确实存在于中国市场；又通过双变量投资组合分析发现该异象仍然显著存在，进而说明“左尾风险异象”并不能被公司特征和风险因素所解释。

本文的研究意义在于使用中国市场的数据实证检验了“左尾风險异象”显著存在于中国市场，扩充了左尾风险领域的研究文献，丰富了国内对于资产定价异象的研究，有助于投资者做出正确的投资决策，以及有助于政府部门采取相应的风险管理措施和出台相应的政策，进而提升市场效率，促进金融业的持续稳定发展。

2020年年初，新冠疫情的爆发对国际金融市场造成了巨大的冲击，而经济全球化使得金融风险在全球内迅速传播。国际金融市场大幅震荡，投资者预期消极，资产价格大幅下跌，美股几周内5次熔断，道琼斯指数从近30000点跌至20000点；回想起2015年的股市暴跌、2008年的次贷危机、2001年的9·11事件、1997年的东南亚金融危机以及1987年的“黑色星期一”等，这些“黑天鹅”事件让人们意识到关注并防范极端事件对金融市场持续稳定发展的重要性。因此，结合本文的研究结果对我国金融市场的发展提出以下几点建议：

1.政府相关部门应该普及金融投资知识，提高投资者素养，树立长期价值投资理念加强，以期提高市场效率，弱化金融”异象”。

2.加强市场监管、完善相关机制，为广大投资者营造一个良好的投资环境。

（河南大学欧亚国际学院 ）

参考文献：

[1]Amihud Y. Illiquidity and stock returns： cross-section and time-series effects[J]. Journal of financial markets， 2002， 5（1）： 31-56.

[2] Atilgan， Y.， Bali， T. G.， Demirtas， K. O.， & Gunaydin， A. D. （2019）. LeftTail Momentum： Underreaction to Bad News， Costly Arbitrage and Equity Returns. Journal of Financial Economics.

[3] Barro， R. J. （2006）. Rare Disasters and Asset Markets in the Twentieth Century*. Quarterly Journal of Economics， 121（3）， 823-866.

[4] Bali， T. G.， Cakici， N.， & Whitelaw， R. F. （2011）. Maxing out： Stocks as lotteries and the crosssection of expected returns. Journal of Financial Economics， 99（2）， 427-446.

[5] Bali， T. G.， Cakici， N.， & Whitelaw， R. F. （2014）. Hybrid Tail Risk and Expected Stock Returns： When Does the Tail Wag the Dog？ Review of Asset Pricing Studies， 4（2）， 206–246.

[6] Bali， T. G.， Brown， S.， Murray， S.， & Tang， Y. （2014）. Betting Against Beta or Demand for Lottery. SSRN Electronic Journal.

[7] Fama， E. F.， & MacBeth， J. D.（1973）. Risk， return， and equilibrium： Empirical tests. Journal of political economy， 81（3）， 607-636.

[8] Fama， E. F.， & French， K. R.（1993）. Common Risk Factors in the Returns on Stocks and Bonds. Journal of Financial Economics， 33（1）， 3-56.

[9] Markowitz， H. （1952）. Portfolio Selection. The Journal of Finance， 7（1）， 77.

[10] Rietz， T. A. （1988）. The equity risk premium a solution. Journal of Monetary Economics， 22（1）， 117-131.

[11] Sharpe， W. F. （1964）. Capital Asset Price： A Theory of Market Equilibrium Under Conditions of Risk*. The Journal of Finance， 19（3）， 425-442.

[12] Zhen， F.， Ruan， X.， & Zhang， J. E. （2020）. Left-tail risk in China. PacificBasin Finance Journal， 63， 101391.

[13] 曹姿姿. CVaR与资产截面收益[D].江西财经大学，2018.

[14] 于杰. 异质性左尾风险与横截面股票收益[D].浙江大学，2021.

[15] 朱红兵 & 张兵.（2020）.价值性投资还是博彩性投机？——中国A股市场的MAX异象研究. 金融研究（02），167-187.