信用债市场的回报率是否可预测？——基于投资者情绪视角

张宗新周聪

(1.复旦大学金融研究院，上海 200433；2.复旦大学经济学院，上海 200433)

一、引言

资产回报率的可预测性是金融经济学领域的重要问题。目前学术界已挖掘出大量能预测股票回报率的因子，但对信用债回报率的研究则相对不足。与股票市场相比，信用债市场是更重要的金融资源配置场所。随着2007年公司债和中期票据的相继推出，信用债存量余额从8600亿元快速增长68倍至2022年底的58.4万亿元。相比之下，股票市值仅增长了不到7倍。同时，信用债市场与实体经济的联系比股票市场更紧密，且直接关系到金融市场服务实体经济的效率。2022年信用债市场的融资额已达到38.6万亿元，远高于股票市场的1.4万亿元。随着信用债市场在资源配置中的重要性越发凸显，信用债定价的有效性和合理性变得越发重要。深入研究信用债回报率的形成逻辑，不仅有利于优化金融资源配置，而且有助于推动经济高质量发展。

现有研究信用债回报率可预测性的文献，较多参照股票的研究思路，并构建类似的预测变量，如股市溢价因子、市值因子、账面市值比因子、流动性因子、动量因子和反转因子等(Fama and French，1993；Lin et al.，2011；Jostova et al.，2013；Bali et al.，2021)。此外，也有少部分文献基于信用债市场的特征构建新的回报率预测变量，如债市溢价因子、违约因子、期限因子和下侧风险因子等(Fama and French，1993；Elton et al.，1995；Bai et al.，2019)。但是，较少文献从信用债市场情绪的角度研究市场回报率的可预测性。在2020年底，“永煤债”等高等级国企信用债的违约，直接冲击了投资者的“国企信仰”，进而引发信用债的集体暴跌和取消发行。2021年以来，以“恒大债”为代表的房地产债的接连违约，同样引发了投资者的集中抛售，并导致整个信用债市场产生负面的连锁反应。针对房地产债违约可能引发的系统性金融风险，监管部门通过集体发声稳定市场的负面情绪，以避免信用债市场的潜在风险向外溢出。违约事件的发生导致了信用债市场的下跌，而投资者跟风抛售基本面健康的债券则印证了市场的非理性，且该类行为难以通过基本面因素进行解释。由此，从投资者的行为偏差角度考察情绪是否在信用债市场的非理性繁荣和恐慌式下跌中起到了推波助澜的作用，具有重要的学术意义和现实意义。

投资者情绪是指与投机相关的、导致证券价格偏离基本面价值的信念(Zhou，2018)。关于股市的文献已充分研究了投资者情绪与回报率的关系。在横截面维度上，情绪的上升会降低股票的回报率，且该效应对估值难度高或套利限制强的股票更明显，投机倾向和套利限制是情绪解释股票回报率差异的微观机制(Baker and Wurgler，2006)。而在时间序列维度上，情绪是股市回报率的负向预测变量，市场投机倾向的上升源自投资者对股票现金流的乐观估计(Huang et al.，2015)。但是，与股票市场相比，信用债市场的资产特征、交易机制和投资者行为皆存在明显差异，且两个市场并非统一的整体，股市情绪的定价逻辑是否适用于信用债市场尚未可知(Bai et al.，2019)。

尽管近期学术界比较关注信用债回报率的可预测性问题，但仍未从行为偏差角度构建有效的信用债市场情绪指数，并分析情绪对市场回报率的预测能力和预测机制。为此，本文主要解决以下三个问题：有效的信用债市场情绪指数如何构建？信用债市场情绪能否预测市场回报率？若能预测，其中的预测机制是什么？基于上述研究目标，本文将以信用债市场情绪为主线，研究市场回报率的可预测性，主要的研究贡献如下：(1)创新性地构建了有效的信用债市场情绪指数，为信用债市场的研究提供了新方向；(2)详细分析了信用债市场情绪对回报率的预测能力和预测机制，弥补了现有文献缺乏从情绪角度分析信用债回报率可预测性的不足；(3)针对国内研究信用债定价的文献集中于解释当期信用利差的不足，本文从预测未来回报率的角度进行分析，丰富了已有国内文献的研究框架。

二、文献综述

(一)信用债回报率的可预测性

无论是横截面还是时间序列维度，学术界对股票回报率预测的研究较为完善，而对信用债市场的关注较少。现有预测信用债回报率的文献较多参照股票的分析思路。一方面，考虑到股票和信用债同为公司资产的或有索取权，现有研究假设股票市场和信用债市场是统一的整体，并直接使用股票预测变量预测信用债的回报率。Fama and French(1993)发现股市溢价因子、规模因子和账面市值比因子具有预测能力。Chordia et al.(2017)研究股票预测变量对信用债回报率的预测能力，结论表明，应收项目、非预期盈利和特质波动率等因素缺乏信息含量，而利润率和资产增长率的增加则会降低信用债的未来回报率。Choi and Kim(2018)发现，相同变量的风险溢价在股票市场和信用债市场的差异较大，而股市的噪声交易和卖空约束是导致这一现象的原因。Chen(2021)考察股市情绪对信用债回报率的影响机理，发现股市情绪高涨会导致企业过度投资和资金流出债市，进而降低当期信用债的回报率，而资金回流则会增加信用债的未来回报率。另一方面，现有研究参照股票回报率预测变量的构建方法和预测逻辑，并利用信用债数据构建类似的变量进行分析。Elton et al.(1995)发现市场风险溢价对信用债回报率具有较强的解释力。Lin et al.(2011)发现对市场流动性敏感度高的信用债回报率更高。与此同时，现有文献也在信用债市场发现了动量效应和反转效应(Jostova et al.，2013；Bali et al.，2021)。而直接利用信用债特征构建预测变量的文献相对较少。Fama and French(1993)发现期限因子和违约因子对信用债回报率具有较强的预测能力。而远期利率期限结构则是另一预测变量(Lin et al.，2014)。Greenwood and Hanson(2013)研究信用周期对信用债市场回报率的影响，发现信用周期的繁荣会导致新发行债券的信用质量下降，并进一步降低信用债市场的回报率。Bai et al.(2019)从信用债的特征出发，构建了信用风险因子、下侧风险因子、流动性因子和市场风险溢价因子的四因子模型，并发现该模型对信用债回报率的横截面差异具有较强的解释力。李勇等(2022)则基于中国数据检验上述四因子模型，发现流动性因子增加回报率的作用最大，其次是信用风险因子，而下侧风险因子降低回报率的结果则与美国市场不同，这可能由中国市场机构更一致的避险行为和配置行为决定的。

(二)投资者情绪与资产定价

投资者情绪是资产定价领域关注的重要问题，而情绪的实证分析难点在于其无法被直接观察。Baker and Wurgler(2006)通过使用主成分分析法(PCA)从六个股市情绪代理变量中提取共同信息，并构建市场层面的情绪指数，避免了以往文献仅采用单一情绪代理变量的主观任意性。研究结果表明，高涨的情绪会导致估值难度大或套利限制强的股票回报率下降。Stambaugh et al.(2012)根据11个异象策略构建多空组合，发现情绪会降低策略空头组合的回报率，但其无法预测多头组合的回报率。因而，在卖空约束下，情绪更多与股票价格的高估相关联。Baker et al.(2012)利用六个主要股票市场的数据，通过构建全球情绪指数和地区情绪指数，进一步提供了情绪能预测股票回报率的国际经验证据。Huang et al.(2015)使用偏最小二乘法(PLS)构建情绪指数，并突破了PCA法未利用回报率信息的缺陷，发现情绪不仅在横截面维度有解释力，且在时间序列维度也具有预测能力，而该能力来自投资者对股票现金流的过度乐观。国内学者蒋玉梅和王明照(2010)使用PCA方法从五个情绪代理变量中提取情绪指数，并发现中国股市与美国股市的结论不一致，情绪会提高股票当月和未来1个月的回报率，且预测方向需要更长时间才会反向，而情绪对不同估值难度或套利限制的股票组合的横截面影响也相互矛盾。刘维奇和刘新新(2014)比较了个人情绪和机构情绪对股市的预测能力，结果表明，机构情绪会引导个人情绪，且仅有机构情绪可预测股票的回报率。

现有关于投资者情绪的研究集中于股票市场，关注信用债市场的研究相对较少(Zhou，2018)。仅有部分文献考察了信用债市场情绪对宏观经济周期的预测能力。Gilchrist and Zakrajšek(2012)将信用利差分解为预期违约部分和超额溢价部分，发现超额溢价反映了投资者情绪，并对消费、投资、货币和产出等宏观变量有较强的预测能力。Greenwood et al.(2016)认为投资者会通过推断过去的违约率而形成未来的投资信念，情绪取决于历史违约率。López-Salido et al.(2017)将信用利差、投机级债券发行占比和期限利差合成信用债市场情绪，发现情绪高涨会导致未来信用收缩并引起经济衰退。

综上所述，现有文献较多从股票市场寻找信用债回报率的预测变量，包括直接使用已有的股票预测变量，或者间接参考股票变量的构建方式，而较少基于信用债市场特征构建新的预测变量。然而与股票市场不同，信用债市场具有特殊性：首先，信用债的存续期有限，发行人须在固定时点还本付息；其次，信用债市场以场外交易为主，交易成本高且流动性较差；再者，信用债投资者以机构为主，风险管理和投资策略与个人投资者差异较大；最后，股市和债市的联动性较弱，且两者并不是统一的整体，股市定价逻辑较难有效应用到信用债市场(Bai et al.，2019)。由此，突破现有文献的路径依赖，从信用债市场的特征出发，分析信用债市场回报率的可预测性十分重要。与此同时，现有研究投资者情绪的文献较多以股市为研究对象，而少量涉及信用债市场情绪的文献则集中于分析宏观经济。但是，情绪反映了投资者的非理性信念，可能直接引发了债券的定价误差，与债券回报率可预测性的关系更加紧密。

为此，本文以信用债市场情绪为研究对象，从时间序列角度分析市场回报率的可预测性。具体的研究思路(如图1所示)包括构建情绪指数，进而分析情绪对回报率的预测能力和预测机制。第一，本文归纳学术界和实务界所采用的情绪代理变量，参考Baker and Wurgler(2006)的PCA法提取情绪代理变量的共同信息，并构建有效的情绪指数。第二，采用情绪指数对市场回报率进行样本内预测，包括与情绪代理变量对比，以分析情绪指数信息提取的有效性，并与其他预测变量对比，以考察情绪指数的信息含量。同时，采用情绪指数对市场回报率进行样本外预测，即分析情绪预测能力的持续性和时变性，以模拟真实的投资决策环境并保证分析的稳健性。第三，揭示预测机制。先从基金流量层面和债券组合层面分析情绪对投资者行为的驱动作用，随后从投机倾向和套利限制出发，研究情绪指数预测回报率的经济解释。

图1 研究思路

三、数据来源、模型设定与变量构建

(一)数据来源

本文的研究数据来源于国泰安CSMAR和同花顺iFind数据库，并主要使用三类数据进行分析。首先，选取2014年1月至2020年9月的月度时间序列数据，构建信用债市场情绪指数和预测市场回报率。1其次，将月度情绪指数和半年度基金流量进行匹配，得到841个基金-半年度样本，并以此分析信用债市场情绪对债券基金流量的引导作用。最后，在匹配月度情绪指数和月度债券交易数据的基础上，参照Bai et al.(2019)剔除剩余年限小于1年或月交易量小于1万手(10张)的样本后2，得到了23171个债券-月度样本。本文使用该类数据从横截面角度出发，分析情绪对不同信息不对称程度的债券组合回报率的影响。3

(二)模型设定

本文主要的研究模型如式(1)～(3)所示。式(1)用于检验信用债市场情绪对市场回报率的样本内预测能力：

为检验信用债市场情绪对市场回报率的样本外预测能力，本文把观测值划分为初始训练期和预测评估期，两者包含的观测值分别为p个和q个。而划分初始训练期和预测评估期需要保证初始参数估计的观测值充足，同时保留相对较长的样本外的估计期。为此，本文将初始训练期和预测评估期按约2比4进行划分(Huang et al.，2015)，即使用2014年1月至2015年12月共24个月的样本进行训练，使用2016年1月至2020年9月共57个月的样本进行预测评估。在初始训练期内，根据式(1)可获得第一个样本外的信用债回报率预测值：

DM-t检验用于检验情绪模型和均值模型的均方预测误差在统计上的差异。若拒绝原假设且检验值为负，则说明情绪模型的预测能力更强，反之则反是。

(三)变量构建

1.信用债市场情绪

首先，本文根据学术界和实务界的分析，选择情绪代理变量，具体包括信用利差、期限利差、投机级债券发行占比、违约率、换手率、回购交易占比、取消发行占比、中标利率与上限间隔和认购倍数等。其中，信用利差是信用债到期收益率与期限匹配的国债到期收益率之差。信用利差反映了投资者的风险承担能力，信用利差越低则情绪越高涨(Gilchrist and Zakrajšek，2012)。期限利差是10年国债到期收益率与3个月国债到期收益率的差，López-Salido et al.(2017)认为投资策略的切换会导致期限利差与信用利差呈现负相关关系。期限利差包含情绪的信息。投机级债券发行占比定义为，信用评级AA及以下的信用债发行规模占所有信用债发行规模的比重。6投机级债券的发行占比反映了信用周期。当市场情绪高涨时，低信用评级公司能以较低的融资成本发行债券，进而提高了投机级债券的占比(Greenwood and Hanson，2013)。违约率是违约规模占信用债存量规模的比重，Greenwood et al.(2016)认为投资信念取决于历史违约率，而违约率会降低情绪。换手率是信用债的交易额除以存量规模，Baker and Stein(2004)发现换手率是情绪的代理变量。在存在卖空约束的市场中，噪声交易者仅在乐观时参与交易，故换手率增加体现了情绪上升。

回购交易占比、取消发行占比、中标利率与上限间隔和认购倍数等四个指标是实务界观测投资者情绪的常用指标。回购交易占比是隔夜质押式回购成交规模在总成交规模中的占比，该变量反映了市场的杠杆率。当情绪高涨时，投资者会质押债券借入隔夜资金，并进一步购买债券和提高杠杆率。取消发行占比是信用债的取消发行规模与存量规模之比。当情绪低迷时，投资者配置倾向下降且信用债发行难度提高，部分发行人会取消发行并等待更好的发行时机。中标利率与上限间隔是一级市场投标的中标利率与区间上限利率之差。中标利率与上限间隔越小，表明情绪越低迷。此时，发行人需付出较高的融资成本才能吸引投资者。类似的，认购倍数也包含了情绪信息。在一级市场投标中，认购倍数越高，则情绪越高涨。

其次，本文参考Baker and Wurgler(2006)，通过PCA方法提取情绪代理变量的共同信息，并合成信用债投资者情绪指数进行分析。具体程序如下：(1)将情绪代理变量标准化后进行PCA分析，并根据结果剔除相关性弱的变量。(2)将剩余情绪代理变量对宏观变量增长率回归并取残差，以排除宏观因素的影响。参照周建和况明(2015)，宏观变量包括：GDP、CPI、PPI、PMI、M2、社会消费品零售总额、固定资产投资、贷款余额和宏观经济景气先行指数。(3)将标准化后的残差变量的当期值和滞后一期值进行PCA分析，并根据结果剔除相关性弱的期数。最后得到的变量为信用利差Cst、投机级债券发行占比Junkt、违约率Deft、换手率滞后一期Turnt-1、中标利率与上限间隔Ubidt和认购倍数滞后一期Subt-1等六个变量。(4)提取剩余变量的主成分，并构建信用债市场情绪指数，具体如式(5)所示：

第一主成分解释了46%的样本方差，该结果与Baker and Wurgler(2006)的49%较为接近，故其能有效地提取情绪代理变量的共同信息。同时，情绪代理变量的系数与预期相符合，表明第一主成分的提取较为合理。因此，本文采用第一主成分作为信用债市场情绪指数。当情绪越高涨时，投资者对信用债市场越乐观，进而会在当期更多地购买债券，将价格推高至超过基本面价值并提升当期回报率，但情绪会随着时间流逝而减弱，引领价格回归基本面价值并导致未来回报率下降；在有限套利的环境下，这一影响会更明显(Baker and Wurgler，2006；Zhou，2018)。

本文将信用债市场情绪指数和信用债市场价格指数绘制于图2。情绪变化与市场价格变化趋势比较一致，但情绪的波动幅度更大且信息含量更丰富。另外，时差相关分析表明，先行一至五期的信用债市场情绪与市场回报率的相关系数的绝对值大部分超过0.3，表明本文构建的情绪指数领先于市场回报率，具备预测信用债市场回报率的潜力。

图2 信用债市场情绪和市场价格指数比较

2.其他预测变量

本文控制宏观变量与市场变量进行“赛马”分析，进而比较信用债市场情绪和其他变量的预测能力强弱。7参照周建和况明(2015)，宏观变量包括CPI、PPI、PMI、M2、贷款余额、社会消费品零售总额、固定资产投资和宏观经济景气先行指数等变量的环比增长率。市场变量包括股市情绪、下侧损失、非流动性、短期动量、长期动量、短期反转、长期反转、波动率、偏度、峰度和期限利差等。其中，股市情绪是易志高和茅宁(2009)所构建的CICSI股市情绪指数。下侧损失和非流动性的构建方式参考Bai et al.(2019)。下侧损失为5%VaR，即过去36个月的次低月的回报率，而非流动性则是过去1个月内日回报率序列一阶自协方差的负值。短期动量和长期动量分别是过去半年(t-7至t-2)和过去一年(t-12至t-2)的累积回报率(Jostova et al.，2013)。短期反转和长期反转分别为过去1个月和过去36个月(t-48至t-13)的累积回报率(Bali et al.，2021)。波动率、偏度和峰度则分别根据过去36个月的回报率进行计算。期限利差则为10年国债到期收益率与3个月国债到期收益率之差。

变量的描述性统计结果如表1所示。

四、实证结果与分析

(一)信用债市场情绪对市场回报率的预测能力

本文分析信用债市场情绪对市场回报率预测能力的思路如下：首先，使用情绪指数对市场回报率进行样本内预测，并与情绪代理变量的预测结果相比较，考察PCA分析对情绪代理变量信息提取的有效性。通过“赛马”方式，比较情绪指数的预测能力与其他预测变量的差异，考察情绪是否具有超额信息含量。其次，采用样本外的预测方法模拟真实投资环境，在分析情绪预测能力持续性的基础上，从累积均方预测误差角度，比较情绪模型与历史均值模型的优劣；从累积回报率角度，比较情绪策略和购买并持有策略的优劣。

1.信用债市场情绪的信息提取有效性

参考Huang et al.(2015)的做法，本文在表2列(1)～(3)中进行了样本内的预测分析。结果表明，信用债市场情绪能预测市场回报率。经济显著性方面，情绪上升一个标准差，未来1个月的市场回报率会下降0.156%。由于样本内信用债市场的回报率均值仅为0.004%，可见情绪变化引起的市场回报率变化远高于回报率的平均水平，情绪的回归系数具有较高的经济显著性。统计显著性方面，在标准误经Newey-West调整后8，情绪的回归系数通过了1%的显著水平检验。模型R2为0.084，表明情绪对回报率具有较强的样本内预测能力。研究结果与股市情绪的结果存在较大差异，蒋玉梅和王明照(2010)、刘维奇和刘新新(2014)发现股市情绪会持续性地增加股市回报率，且预测方向在6个月后才会反转(陆静和周媛，2015)。相比之下，信用债市场情绪会显著降低未来1个月的回报率，即预测方向的反转较快。相比于股市，信用债市场的机构投资者行为更一致。当投资者发现价格高估时，会及时出售或做空高估的信用债，促使其价格回归基本面价值。与此同时，由R2可看出，信用债市场情绪的预测能力强于现有文献得到的股市情绪的预测能力。9

表2 信用债市场情绪的信息提取有效性

本文进一步对比情绪指数和情绪代理变量的预测能力。结果表明，除了信用利差外，其他情绪代理变量的R2较低。10信用债市场具备较高的信息效率，市场价格的信息含量高于其他变量。而情绪代理变量的预测能力大幅弱于情绪指数，则体现了PCA分析的信息提取有效性，情绪指数比单一情绪代理变量具有更丰富的信息含量(Baker and Wurgler，2006)。11

在不同的经济周期中，信用债市场回报率的形成逻辑会发生较大的变化。本文参考Rapach et al.(2010)，分别计算经济扩张时期的和收缩时期的，分析经济周期对信用债市场情绪预测能力的影响。拟合优度的计算方法如式(6)所示：

为探讨信用债市场情绪预测能力的来源，本文将情绪划分为高涨状态和低迷状态。参考Stambaugh et al.(2012)，若情绪高于样本中位数，赋值为1，否则为0，反之赋值为1，否则为0。拟合优度的计算方法如式(6)所示。结果如表2列(6)(7)所示，情绪指数的和分别为0.091和0.071。当情绪高涨时，乐观态度更容易驱使投资者“跟风”购买债券，但由于受到卖空约束限制，理性的套利者无法及时进行套利和引导价格回归基本面价值，从而导致情绪对回报率的预测能力增加。但不同于股市情绪的预测能力在情绪低迷情况下会消失(Huang et al.，2015)，信用债市场情绪在该时期也具有预测能力。这是由于信用债市场的流动性较差，当情绪低迷时，投资者无法及时购买债券，信用债的价格低估需要较长时间进行修正，进而形成了情绪的预测能力。

2.信用债市场情绪的信息含量

本文探讨宏观变量和市场变量等其他预测变量对市场回报率的预测能力，模型如式(7)所示：

其中，Zt为宏观变量或市场变量。表3结果A中列(1)～(4)报告了式(7)的分析结果。12在宏观变量中，仅有PPI、PMI、M2、社会消费品零售总额和宏观经济景气先行指数的回归系数显著，而系数方向为负则表明当前较快的经济增长能预测未来较低的市场回报率。在宏观变量中，宏观经济景气先行指数的R2最高，该变量能综合反映宏观经济状况并具有最丰富的信息含量。在市场变量中，股市情绪、非流动性、长期反转和偏度的回归系数显著。其中，当前高涨的股市情绪能预测未来较低的市场回报率，可见股市和债市会发生联动(Chen，2021)。非流动性的回归系数显著为正，表明对于持有流动性较差的债券，投资者需要更高的回报率补偿。信用债市场存在长期反转效应(Bali et al.，2021)，但不存在动量和短期反转效应，该结论与美国市场不一致(Jostova et al.，2013)。偏度会增加信用债市场的未来回报率，且R2在市场变量中最高，反映出信用债投资者对市场极端事件的关注，金融机构严格地执行“止盈”和“止损”的风险管理策略，导致了偏度较强的预测能力。而下侧损失的回归系数为负，这不同于美国市场(Bai et al.，2019)，中国市场机构投资者一致性的避险行为和配置行为导致了这一结果(李勇等，2022)。

表3 信用债市场情绪的信息含量

在验证宏观变量和市场变量等其他预测变量对回报率具有预测能力的基础上，参考Huang et al.(2015)的做法，本文进行“赛马”分析。在逐一控制宏观变量或市场变量后，分析信用债市场情绪指数是否仍保持显著，进而考察情绪是否提供了超过宏观经济基本面和市场风险偏好的增量预测信息。13使用式(8)进行研究：

结果如表3结果B中列(5)～(9)所示。从整体上看，与表2列(1)中情绪对回报率的回归系数-0.156相比，在控制宏观变量和市场变量后，情绪的回归系数仍然显著且变化较小。同时，结果B列(9)的调整R2大于结果A列(4)的调整R2，表明在加入情绪指数后，双变量的预测能力超过了宏观变量和市场变量本身，因而情绪提供了增量的预测信息。

3.信用债市场情绪的样本外预测能力的持续性

考虑到样本外的预测方法能模拟真实的投资环境，本文继续分析信用债市场情绪对回报率的样本外预测能力，并比较样本内和样本外的预测结果在不同预测期的差异。14虽然本文侧重于预测未来1个月的市场回报率，但由于投机倾向是持续的，且套利限制使投资者无法在短期内消除情绪带来的错误定价，情绪对市场可能会产生长期影响。结果如表4所示，其中列(1)～(3)为样本内的预测结果，信用债市场情绪对回报率的预测在未来第15个月时失效。而相比于未来1个月，情绪对未来第3个月的预测能力更强，这是由于信用债市场的交易频率较低，价格回归基本面的速度较慢所致。列(4)～(5)是样本外的预测结果，当情绪预测未来1个月的回报率时，DM检验值为-2.849，表明在1%显著性水平下，情绪模型的均方预测误差比历史均值模型更低。同时，样本外拟合优度高达0.112并高于0.005，情绪预测变量具有较高的经济显著性。15然而，与样本内的分析不同，信用债市场情绪的预测仅在未来3个月内有效，而股市情绪的样本外预测能力则长达12个月(Huang et al.，2015)。因此，信用债市场情绪预测能力的持续性较弱。情绪会随着时间推移而快速消退，进而驱使债券价格回归基本面价值。

表4 信用债市场情绪的样本外预测能力的持续性

4.信用债市场情绪的样本外预测能力的时变性

上文分析表明，信用债市场情绪总体能打败历史均值模型，并对回报率具有较强的预测能力。然而，总体分析不能细致地识别出情绪产生预测能力的过程，此时从时变视角补充分析则较为必要。本文在图3中绘制了历史均值模型的累积均方预测误差与情绪模型的累积均方预测误差的时间序列差值。若差值增加，即曲线上升，则表明情绪模型在该时点的均方预测误差更小，其预测表现超过历史均值模型，反之则反是。结果表明，无论是样本内预测还是样本外预测，大部分时期内情绪模型的表现超过了均值模型。在2016年6月至10月期间，情绪模型的预测表现较差。这是因为2016年下半年，在去杠杆和防风险等一系列政策出台的背景下，信用债市场的投资者分歧较大、未形成一致预期，进而情绪信号较弱并导致其预测能力下滑。

图3 历史均值模型的累积均方预测误差与情绪模型的差值

购买并持有策略是信用债市场投资者的核心策略。本文进一步对比了情绪策略的累积回报率和购买并持有策略的累积回报率。其中，情绪策略是指当信用债市场情绪预测回报率为正时，购买市场指数；而当信用债市场情绪预测回报率为负时，卖出市场指数并购买无风险资产。考虑到投资者的实际回报率不仅包含资本利得，还包括利息，市场指数采用中债信用债总财富指数；无风险资产回报率则采用1个月Shibor利率。购买并持有策略的累积回报率则为市场累积回报率。从图4可见，2016年1月至2020年9月情绪策略的累积回报率和购买并持有策略的累积回报率分别为62%和19%，情绪策略远优于购买并持有策略。值得注意的是，2016年6月至2017年2月情绪策略的累积回报率曲线相对陡峭，可见即使在该期间内情绪模型无法打败均值模型，但仍较好地指示了交易机会。

图4 情绪策略和购买并持有策略的累积回报率

(二)信用债市场情绪对市场回报率的预测机制

在验证信用债市场情绪对市场回报率具有较强的预测能力后，本文进一步分析情绪预测的经济解释。在此之前，先从债券基金与债券组合两个层面，分析情绪如何驱动投资者进行交易。

1.信用债市场情绪对基金净流入量的影响

基金流量的变化反映了投资者的交易行为。若信用债市场情绪增加了债券基金的净流入量，同时对高风险基金的影响更明显，则说明情绪会驱动交易，并在乐观的投资者群体中更有效。本文参照陆蓉等(2007)的方法构建基金净流入量：

其中，Inflowi,t、TNAi,t和Returni,t分别为基金净流入量、基金净资产值和考虑红利再投资的基金复权回报率。本文通过加入情绪高涨组与不同风险类型债券基金的交互项进行研究。其中，当情绪高于样本的中位数时，情绪高涨组赋值为1，否则为0。基金类型包括指数型、收益型、稳健成长型和增值型，四种类型基金的风险依次上升，并以指数型基金为参照组。实证结果如表5所示，在列(1)中，情绪高涨的回归系数显著为正，表明情绪上升会促使投资者购买基金。在列(2)中，情绪高涨与增值型基金的交互项系数显著为正。可见相对于指数型基金，情绪会增加高风险增值型基金的净流入量。考虑到潜在的遗漏变量问题，本文在列(3)中控制了上一期的基金净流入量、时间固定效应和基金固定效应，结果仍然保持一致。这些结论表明，情绪会引导基金流量变化，高涨的情绪会促使投资者购买债券基金，且对高风险基金净流量的影响更明显。可见，情绪会驱动投资交易，并在乐观的投资者群体中更有效。

表5 信用债市场情绪对基金净流入量的影响

2.信用债市场情绪对不同信息不对称程度债券组合回报率的影响

现有文献发现，投资者情绪的上升会降低股票的未来回报率，且对估值难度大或套利限制强等信息不对称程度高的股票组合更明显(Baker and Wurgler，2006；Zhang，2006)。由此，本文将从横截面维度，检验信用债市场情绪能否对不同信息不对称程度债券组合的回报率产生异质性影响。具体而言，参考Jostova et al.(2013)和Bai et al.(2019)的研究方法，根据信息不对称程度将信用债从小到大分为1到5组，若情绪对第5组(信息不对称程度最高)债券组合的回报率的负向预测作用显著强于第1组(信息不对称程度最低)，且情绪对第5组到第1组的债券组合回报率的负向预测作用呈现近乎递减的趋势，则可说明情绪会驱动投资者购买信息不对称程度高的债券。考虑到风险越高的债券组合的信息不对称程度更高，而信用风险和流动性风险对信用债投资者比较重要(Bai et al.，2019)，本文采用上述两类风险作为信息不对称程度的代理变量16，并采用信用评级和非流动性分别刻画信用风险和流动性风险。其中，信用评级是债项评级17，非流动性是过去1个月内日回报率序列一阶自协方差的负值。除此之外，考虑到信用债对应股票的年龄和市值等指标能反映信息不对称(Zhang，2006)，即股票的年龄越小或市值越低，则信息不对称越严重，故本文也采用相应股票变量作为信息不对称程度的代理变量。18除信用风险外，其余变量依据分位数分为5组，组1到组5重新排序使其反映的信息不对称程度依次增加。

研究结论如表6所示，总体而言，情绪对第5组债券组合回报率的负向预测作用显著强于第1组，且情绪对第5组到第1组的债券组合回报率的负向预测作用呈现近乎递减的趋势。可见，信用债市场情绪会驱使投资者购买估值难度大或套利限制强等信息不对称程度更高的债券，进而推高信息不对称程度高的债券组合的当期回报率并降低其未来回报率。

表6 信用债市场情绪对不同信息不对称程度债券组合回报率的影响

此外，Zhou(2018)指出有效的投资者情绪指数需要满足以下四个特征：第一，情绪的上升或下降需要与证券市场的繁荣和萧条相匹配；第二，情绪需驱动投资者的交易行为；第三，投机性强或套利限制强的证券回报率对情绪的反应更敏感；第四，情绪对回报率的影响会随时间逐步减弱，且证券价格会回归基本面。结合前文的分析可见，本文提取的信用债市场情绪指数反映了上述四个特征，因而情绪的提取较为有效。

3.信用债市场情绪预测的投机倾向机制

在验证信用债市场情绪会在微观层面驱动交易后，本文进一步分析预测的经济解释。情绪会通过投机倾向和套利限制影响回报率(Baker and Wurgler，2006)。一方面，当投机倾向较高时，投资者认为信息不对称程度较高的债券存在大幅上涨空间，并增加购买该类高风险债券，进而导致其当期回报率上升。在情绪随时间消退后，投资者会逐步出售该类债券，并导致情绪成为债券未来回报率的负向预测变量。另一方面，当债券当期价格上升时，理性投资者难以及时对套利限制强的债券进行套利，使债券价格需要较长时间才能回归基本面价值，由此形成了情绪对债券未来回报率的负向预测作用。而投机倾向机制则可能是投资者高估现金流或折现率导致的(Huang et al.，2015)。基于此，本文检验信用债市场情绪能否通过投机倾向机制和套利限制机制预测回报率。针对投机倾向机制，本文会进一步分析投机倾向是源自投资者对现金流的乐观还是对折现率的乐观。

信用利差包含违约率和超额溢价各自决定的部分(Gilchrist and Zakrajšek，2012)。其中，违约率会影响信用债的现金流，违约率越高则现金流的不确定性越大。而超额溢价则反映投资者的风险承担能力，超额溢价越高则投资者的风险承担能力越弱，其所要求的风险补偿较高，进而折现率的不确定性越大。因此，对于投机倾向机制，本文参照Gilchrist and Zakrajšek(2012)，将信用利差分解为违约率和超额溢价。19当违约率或超额溢价超过对应的样本中位数时，分别认为样本属于高违约率组或高超额溢价组。若情绪与高违约率的交互项系数显著为负，表明当违约率较高(即现金流的不确定性较大)时，投资者仍增加对信用债的投资，导致情绪对回报率的预测作用增强，进而反映出投资者对现金流的乐观态度。若情绪与高超额溢价的交互项系数显著为负，则说明当超额溢价较高(即折现率的不确定性较大)时，投资者仍增加对信用债的投资，导致情绪对回报率的预测作用增强，进而反映投资者对折现率的乐观态度。

实证结果如表7列(1)(2)所示。情绪与高违约率的交互项系数并不显著，而情绪与高超额溢价的交互项系数为-0.230，且通过了1%水平的显著性检验。这表明，信用债市场情绪反映了投资者的投机倾向，而投机倾向的上升来源于投资者对折现率的乐观，并不是对现金流的乐观。在破除刚性兑付信念的过程中，信用债机构投资者对违约事件比较厌恶，进而违约率的提高难以使投机倾向上升。

表7 信用债市场情绪预测的投机倾向机制

4.信用债市场情绪预测的套利限制机制

卖空约束和非流动性是债市套利限制的重要表现形式(朱红兵和张兵，2020)。考虑到债市的做空方式包括买断式回购、债券借贷和国债期货等三种类型，本文使用月度平均买断式回购隔夜利率、月度平均债券借贷隔夜利率作为卖空约束的代理变量。当买断式回购成本和债券借贷成本超过对应中位数时，分别定义为高买断式回购成本组和高债券借贷成本组。另外，由于国债期货的保证金变化较少，而监管部门分别在2013年9月、2015年3月和2018年8月推出了TF、T和TS三类国债期货工具，本文采用当月可用的国债期货工具数量作为卖空约束的代理变量。实证结果如表8列(1)～(3)所示，信用债市场情绪和高买断式回购成本、高债券借贷成本的交互项系数显著为负，与国债期货工具数量的交互项系数显著为正，表明卖空约束越强，情绪对回报率的预测作用越强。

表8 信用债市场情绪预测的套利限制机制

由于非流动性是套利限制的另一重要组成部分，本文也采用非流动性进行交互分析。当非流动性超过样本的中位数时，定义为高非流动性组。实证结果如表8列(4)所示，信用债市场情绪与高非流动性的交互项系数显著为负，表明非流动性强化了情绪对回报率的预测作用。在股票市场中，套利者在情绪低迷的情况下，会迅速购买股票并推动价格回归基本面价值，此时情绪并没有预测作用(Stambaugh et al.，2012，Huang et al.，2015)。但在信用债市场中，由于流动性较差，套利者在情绪低迷的情况下无法及时购买债券，因而导致情绪产生预测作用。

综上所述，本文发现在市场投机倾向较高或套利限制较强的情形下，信用债市场情绪对市场回报率的预测作用更强，故投机倾向和套利限制皆是情绪的预测机制。同时，在投机倾向机制中，投资者对折现率的乐观态度导致了投机倾向上升。

五、结论与启示

本文采用2014年1月至2020年9月的月度数据，构建信用债市场情绪指数，分析其对市场回报率的预测能力和预测机制，考察信用债市场回报率的可预测性。主要结论如下：(1)当前较高的信用债市场情绪能显著预测次月较低的市场回报率。情绪指数的预测能力超过了情绪代理变量，进而情绪指数的信息提取较为有效。情绪指数的预测能力高于宏观变量和市场变量等其他预测变量，即情绪指数提供了增量的预测信息。情绪指数预测能力的持续性较短，并仅能预测未来3个月内的回报率。情绪模型比历史均值模型更优越，且情绪策略的累积回报率远高于购买并持有策略。(2)信用债市场情绪会驱动投资者进行交易，并吸引投资者购买风险高的基金和信息不对称程度较高的债券组合。(3)投机倾向和套利限制是情绪指数预测回报率的机制。随着投机倾向和套利限制的增加，情绪对回报率的预测作用会强化。投机倾向的上升源自投资者对折现率的乐观态度，而非流动性则是除卖空约束外的重要套利限制。

基于上述结论，本文有如下启示：考虑到信用债市场是企业融资的重要渠道，而二级市场的价格会引导一级市场的融资成本，合理的定价不仅有利于优化金融资源配置，还有助于推动经济的高质量发展。监管部门应审慎出台政策，引导市场的预期和加强投资者教育，以避免投资者情绪波动导致的信用债定价非理性。另外，投资者也可根据市场情绪构建投资策略。 ■

注释

1.用于构建情绪指数的情绪代理变量都是时间序列数据，若原始数据属于其他类型，则采用统计方法将其转化为时间序列数据再进行分析。

2.剩余期限少于1年的债券受短期流动性的影响较大，交易量较少的债券容易受到异常交易的影响，包含该类样本可能会引起回归系数偏误。

3.考虑到公司债有较好的代表性，且交易数据较容易获得，此处参考李勇等(2022)采用公司债样本。

4.本文主要研究超额回报率，即回报率扣除无风险利率。无风险利率采用银行间市场的7天质押回购利率。为方便行文，本文将超额回报率简称为回报率。若未特指，后文的回报率皆指未来一个月的超额回报率。

5.该指数剔除利息影响，从而更能反映信用债市场的真实行情。

6.中国信用债的评级集中于AAA、AA+和AA三个级别，且AA+是较多机构投资信用债的门槛(张宗新和周聪，2022)。

7.为了避免对识别信用债市场情绪的预测能力产生干扰，本文仅在“赛马”分析部分加入其他预测变量。

8.滞后期采用Newey and West(1994)的最优滞后期标准进行选择，后续时间序列分析皆采用这一方法。

9.股市情绪对股市回报率的预测能力为0.03(蒋玉梅和王明照，2010)、0.042(刘维奇和刘新新，2014)和0.017(Huang et al.，2015)。

11.为保证稳健性，本文也在控制已有情绪代理变量的基础上，分析信用债市场情绪指数能否显著影响市场回报率和提高拟合优度，进而考察情绪指数是否提供了情绪代理变量之外的增量预测信息。结果表明，当加入全部控制变量时，情绪指数是市场回报率的显著负向预测变量，且调整R2大于仅加入控制变量的结果。由此，情绪指数比情绪代理变量的信息含量更丰富，本文的研究结果较为稳健。

12.为展示和行文方便，将表中的贷款余额、社会消费品零售总额、固定资产投资和宏观经济景气先行指数简称为贷款、消费、投资和景气程度。

13.为保证稳健性，本文也在控制所有其他预测变量的基础上，分析信用债市场情绪指数能否显著影响市场回报率和提高拟合优度，进而考察情绪指数是否提供了其他预测变量之外的增量预测信息。结果表明，当加入全部控制变量时，信用债市场情绪指数是市场回报率的显著负向预测变量，且调整R2大于仅加入控制变量的结果。由此，情绪指数提供了其他预测变量之外的增量预测信息，本文的研究结果较为稳健。

14.情绪代理变量中除了具备投资者情绪的信息，还包括其他与回报率无关的误差项，而基于PCA法构建的指数并不能分离代理变量共同的误差。为保证稳健性，本文采用Huang et al.(2015)提出的PLS法，当提取共同信息构建情绪指数时，通过考虑情绪代理变量与回报率的关系剥离代理变量的共同误差。结果表明，PLS构建的情绪对次月市场回报率的预测能力仅略强于PCA方法。同时，PLS和PCA得出的预测持续性的结论比较一致。因此，本文基于PCA构建的情绪指数较为稳健。

15.Campbell and Thompson(2008)认为月度市场回报率中存在较多不可预测的成分。若预测的超过0.005，则说明预测变量具有较高的经济显著性。

16.Bai et al.(2019)发现信用风险、下侧风险和流动性风险是重要的定价因子。但由于机构一致性的避险行为和配置行为，下侧风险对中国信用债的定价作用与美国市场不一致(李勇等，2022)，故本文不采用下侧风险刻画信息不对称。

17.考虑到评级AA-以下的信用债样本较少，本文不考虑该类样本。故关于信用评级的分组只有4组，分别对应AAA、AA+、AA和AA-。

18.Zhang(2006)认为股票年龄、市值、波动率和分析师关注皆能反映信息不对称。考虑到股票波动率是市场交易的结果，包含信息不对称外的其他交易信息，而散户的噪声交易使股票波动率难以被债市机构投资者所应用(周聪和张宗新，2021)。同时，股票分析师关注的数据过于聚集导致无法均匀地按分位数划分样本。因此，本文不采用股票波动率和分析师关注刻画信息不对称。

19.利用信用利差对违约率进行回归，并提取残差作为超额溢价。