牛熊市波動非對稱性與非預期交易量關系實證研究

顧鋒娟

(1.上海財經大學金融學院，上海 200433;2.浙江萬里學院計算機與信息學院，浙江 寧波 315100)

一、引 言

股票波動非對稱性是指好消息和壞消息對波動的沖擊是不一樣的。如果以前一期非預期收益率作為信息度量指標，以后一期非預期收益率的條件方差作為波動度量指標，那么波動非對稱性可以闡述為前一期正非預期收益率 (好消息)或負非預期收益率 (壞消息)對后一期波動的影響是不一樣的。一般而言，股市波動非對稱性特指單位負的非預期收益率所引起的波動量變化要大于同等幅度的正的非預期收益率所引起的波動量的變化。股市這種波動非對稱性在很多國家和地區都存在。目前，常用財務杠桿效應和風險溢價效應兩種理論對股市波動的非對稱性加以解釋。財務杠桿效應理論由Black［1］提出。該假說認為，當股票價格下跌時，短期內企業負債不會改變，企業負債/權益比率會隨之上升，財務杠桿變高，進而導致股票價格波動加大。該理論得到 Christie［2］和 Schwert［3］經驗分析的證實。風險溢價效應理論認為，股票市場投資者是風險厭惡的，波動增加會導致期望收益率增加。由于波動一般存在集聚現象，當前較高的波動性往往會帶來未來幾天較高的波動性。因此，當前波動性意外增加，投資者就會預期未來幾天波動性仍然較高，這樣股票的風險溢價就會增加，投資者要求一個較高的期望收益率，以補償其承擔的較高風險。當未來期望紅利不變時，較高的期望收益率則要求當前股票價格下跌。上述兩種理論因果性恰恰相反。前者認為股票負非預期收益率的沖擊造成了價格波動性的增加;而后者則認為條件波動性的集聚使得高的股價波動性引發股票負非預期收益率。但是無論哪種理論，波動的非對稱性，都是指股票負收益率沖擊相比正收益率沖擊給股票帶來更高的波動性。

針對中國股票市場，不少學者對波動非對稱性進行研究。有趣的現象是，如果用整個市場樣本期進行分析，中國股票收益率確實存在負向非對稱性，見陳浪南和黃杰鯤［4］，徐煒［5］等的研究。但是如果對牛市和熊市中股票的波動性單獨進行分析，會發現熊市中股票波動負向非對稱性依然存在，但是牛市中卻呈現出正向非對稱性［6］。所謂波動正向非對稱性，是指正收益率沖擊相比同等幅度的負收益率沖擊，對市場后期造成更大的波動。這一現象是跟傳統的波動負向非對稱性相違背的。張兵［7］，何曉光和朱永軍［8］認為中國股市波動不對稱性與市場成熟度有關，市場越成熟，則越呈現出負向非對稱性。袁懷宇和張宗成［9］認為中國市場缺乏賣空機制，影響了價格對壞消息的吸收，從而產生了正向波動非對稱性。陸蓉和徐龍柄［6］則從投資者的“羊群效應”、“散戶心理”和缺乏賣空機制等角度給予解釋。

關于牛市波動正向非對稱性的解釋主要停留在定性分析上的猜測，缺乏嚴密的定量分析。本文擬從定量角度，對牛市行情中波動正向非對稱性的原因進行研究，既是對前人工作的補充，也是對這一問題研究的提升。無論是波動的正向非對稱性還是波動的負向非對稱性，其實只是描述信息沖擊和波動之間的表象關系。除了財務杠桿效應和風險溢價效應以外，不可忽略貫穿信息沖擊和波動變化之間另外一個重要的變量——投資者對新信息的反應。如果把信息沖擊看成是原因的話，那么必須通過投資者的交易行為才會引起股市波動的變化。從這個意義上來講，無論是從市場成熟度、賣空機制、“羊群效應”還是“散戶心理”來解釋牛市行情中的正向非對稱性，都應歸結為這些因素如何作用于投資者的交易行為，以及投資者交易行為如何影響股票的波動性。中國一些特有的市場機制和市場環境，往往使投資者放大對好消息的反應，同時削弱對壞消息的反應。如不完善的退市機制下，上市公司一旦出現問題，其背后母公司、地方政府等提供的隱形擔保，使得投資者沒有必要擔心上市公司股票被摘牌，從而不會導致恐慌性的出售，交易量也不會大幅萎縮。相反，當上市公司出現好消息時，投資者一味買入，忽視股價過高而帶來的下跌風險，交易量大幅放大。如果說中國牛市行情中正向波動非對稱性是由中國特殊交易機制和環境下投資者對好消息過度反應和對壞消息反應不足所導致的，那么應該可以觀察到牛市行情中交易行為對好消息的反應要大于熊市行情中交易行為對壞消息的反應;而且當控制住交易行為因素后，牛市行情中的正向非對稱性會消失，并且和熊市行情一樣呈現出傳統意義上的負向非對稱性。

二、波動非對稱性度量模型

波動非對稱性實質上是指前期收益率和后期波動之間存在某種不對稱的相關關系，探究這種關系的一個簡單方法是研究平方收益率 (波動性)和滯后k期收益率之間的相關系數ρk。如果ρk=0，則不存在波動非對稱性;如果ρk＜0，則存在波動負向非對稱性;反之則存在波動正向非對稱性。更為精確地度量波動非對稱性的方法，是采用非對稱GARCH族模型，并通過杠桿系數符號及顯著性水平來判斷。非對稱GARCH族模型中，最常用的是Nelson［10］提出的EGARCH(指數GARCH) 模 型， 是 對 Bollerslev［11］提 出 的GARCH模型的拓展。

其中，γ稱為杠桿系數。如果γ=0，則表示壞消息和好消息對波動率的影響是對稱的，均為α1;如果γ＜0，則表示波動存在負向非對稱性，即壞信息沖擊對波動率的影響α1－γ，大于好消息對波動率的影響α1+γ;如果γ＞0，則表示波動存在正向非對稱性，即好消息對波動率的影響α1+γ，大于壞消息對波動率的影響α－γ。傳統意義上的波動非對稱性僅指負向波動非對稱性。

三、樣本及研究設計

本文以中國A、B股和創業板的綜合市場交易 (簡稱綜合市場)數據為研究對象，數據包括綜合市場日回報率、綜合市場交易總股數。樣本為1996年12月26日—2010年11月12日，數據來源于銳思數據庫。

1.牛、熊市劃分

以1996年12月26日為基準點100點，根據綜合市場日回報率數據，編制綜合市場每日的收盤指數。對該指數利用Pagan和Sossounov［12］經過調整的BB法，結合中國實際情況進行牛市和熊市的劃分。劃分過程如下:首先，不對該指數做平滑處理。在時間t，對當前指數水平和前后12個月的指數水平進行比較;如果對比之后當前指數水平是最高的或最低的，則得到一個峰點或谷點，令i=1，…，n，依次計算。在峰點(谷點)到谷點 (峰點)的轉換階段，以上辦法可以得到兩個 (或更多)連續的峰點或谷點，接下來選出其中最高的峰點或最低的谷點。然后，限定峰點 (谷點)到谷點 (峰點)的單向運行周期最少12個月。最后，限定一個完整的股票市場循環周期為不少于24個月。除了參考BB法對周期的長度進行設定，周期的深度也需要設定，即從峰點到谷點，至少要下跌1/2;同樣從谷點至峰點，至少要翻一倍。最后結合中國的宏觀經濟和調控政策，將中國市場從1996年12月26日至2010年11月12日劃分成5個主要階段，其中3個牛市，2個熊市，具體如表1所示。

表1 牛熊市劃分

2.信息沖擊度量

嚴格意義講，正收益率或負益率并不意味新的信息沖擊，而只有收益率中的非預期部分才是市場新信息沖擊的結果。因此需要對收益率中預期部分予以剔除。Pagan和 Schwert［13］提出了一種獲得股票非預期收益率的方法。首先對收益率序列進行周內效應調整，然后再用自回歸方法剔除收益率序列中的可預測部分，余下部分才是非預期收益率。根據這一方法，本文首先對綜合市場日收益率序列進行周內效應調整，再用AIC和SIC準則判定自回歸的階數，經判斷一階自回歸過程基本上能刻畫各個周期市場收益率過程。剔除周內效應和自回歸效應后，剩余的εt為非預期收益率，即代表新信息沖擊。如果εt＞0，表示綜合市場指數有一個正的非預期收益，稱為正向沖擊，或好消息;如果εt＜0，表示綜合市場指數有一個負的非預期收益，稱為負向沖擊，或壞消息。

3.投資者對信息反應的度量

針對新信息沖擊，投資者行為必然相應發生變化，這也帶動交易量的變化。需要注意的是，新信息沖擊會影響交易量的變化，但是交易量的變化并不完全是由投資者對新信息的反應所導致的，它還包含前期交易量的延續部分，即交易量變化中的可預期部分。因此，需要對交易量變化中的可預期部分進行剔除。本文參考前述對收益率進行預期和非預期的劃分方法，將每日交易量變化劃分為預期交易量變化和非預期交易量變化。首先，計算第t日的交易量變化Δvt，計算方法如下:

其中，Vt表示第t日的交易量。然后，對chvt進行自回歸建模:

其中，能被自回歸解釋的部分稱為預期交易量變化Δve

t;不能被自回歸解釋殘差部分稱為非預期交易量變化Δvut。

4.研究設計

本文通過對收益率序列建立EGARCH模型，并對比控制非預期交易量變化前后牛市和熊市波動非對稱性特征的變化，來分析投資者對信息沖擊反應對牛市和熊市波動非對稱性的影響。并通過分析牛市和熊市投資者對信息沖擊反應的特征分析，來探究牛市和熊市波動非對稱性的深層次原因。

四、波動非對稱性特征及原因分析

1.未考慮預期交易量變化和非預期交易量變化的牛市和熊市波動非對稱性特征

對上文計算出來的綜合市場非預期收益率的平方項取對數后進行ARCH檢驗，結果顯示無論是牛市還是熊市綜合市場非預期收益率序列均存在EGARCH效應。一般而言，一階EGARCH模型基本上可以描述證券市場的波動行為，因此，本文估計的是一階EGARCH模型。估計結果表明，牛市行情中波動呈現出正向非對稱性，熊市行情中波動呈現出負向非對稱性。除第三個牛市行情中杠桿系數γ不顯著之外，其他四個階段的γ值都非常顯著，這和陸蓉和徐龍柄［6］研究結果一致。

2.考慮預期交易量變化和非預期交易量變化的牛市和熊市波動非對稱性特征

如果預期交易量變化或者非預期交易量變化能夠解釋牛市行情中正向波動非對稱性，那么在加入這些變量后，γ應該顯著地從正數轉變成負數。考慮到預期交易量變化chvet和非預期交易量變化chvu

t除對收益率序列的二階矩 (波動性)有影響外，還可能對收益率序列的一階矩產生影響，因此將這兩個變量同時加入到均值方程和方差方程中，如 (4a)和 (4b)。

對3個牛市和2個熊市分別進行估計，結果如表2所示。

表2 含預期交易量和非預期交易量的EGARCH模型結果

從表2可以看出，在均值方程中非預期交易量的系數是顯著為正，預期交易量變化的系數不顯著，說明交易量增加導致股票價格上漲的主要原因在于非預期交易量變化而不是預期交易量變化。在方差方程中，預期交易量增加和非預期交易量增加均導致波動增加，但在方差方程中同時加入預期交易量變化和非預期交易量變化后，牛市波動正向非對稱性減弱，其中有兩個牛市階段的波動非對稱性變得不顯著，一個牛市階段呈現出波動負向非對稱性;而熊市階段仍然保持波動負向非對稱性。

為便于區分預期交易量變化和非預期交易量變化對波動非對稱性的影響，對方差方程分四種情形進行處理:只包含預期交易量變化、只包含非預期交易量變化、同時包含這兩種交易量變化以及不包含任何一種交易變化。均值方程依然包含周內效應、自回歸項以及預期交易量變化和非預期交易量變化。表3列出四種情形下杠桿系數γ估計結果。

從表3可以看出，在不加入任何交易量變化情形下，波動非對稱性與眾多國內學者發現的狀況一致，即牛市行情中波動正向非對稱性，熊市行情中波動負向非對稱性;當加入預期交易量變化后，牛市和熊市依然表現出原先的正向非對稱性和負向非對稱性;在加入非預期交易量變化后，牛市中波動正向非對稱性消失，無論是牛市還是熊市均表現出傳統意義上的波動負向非對稱性。這一結果說明，牛市行情中波動正向非對稱性主要是因為非預期交易量變化在起作用，這一結論與本文的預想相一致。

表3 不同情形下杠桿系數γ的估計

3.牛市和熊市中投資者對信息沖擊反應分析

本文以全樣本 (1996年12月26日—2010年11月12日)為研究對象，建立以非預期交易量變化率為被解釋變量，前一期非預期收益率、牛熊市虛擬變量以及牛熊市虛擬變量與前一期非預期收益率的乘積項為解釋變量的回歸方程，如(5)所示。

其中，market=1為牛市;market=0為熊市，c3為牛市相比熊市非預期交易量對前期信息沖擊反應差異。牛市中非預期交易量對前期信息沖擊的反應為c2+c3，熊市中非預期交易量對前期信息沖擊的反應為c2。如果c3＞0且顯著，則牛市相比熊市投資者對信息沖擊的交易反應更大;反之亦然。

表4是方程 (5)估計結果，可以看出，無論是牛市還是熊市，非預期收益率均會導致同向的非預期交易量變化;但是牛市行情中非預期收益率所導致的非預期交易量變化要顯著大于熊市行情中同等幅度的非預期收益率所帶來的非預期交易量變化。

表4 牛熊市投資者對信息沖擊的反應

4.牛市波動正向非對稱性的原因分析

既然知道非預期交易量變化是導致中國市場牛市正向非對稱的重要原因，而中國證券市場具有自身特有的發展階段和發展水平，因此，可以從市場結構角度解釋投資者行為如何引起交易量變化以及這些變化如何造成牛市正向非對稱性。

第一，中國缺乏做市商制度和保證金交易制度。Hameed等［14］認為和波動性一樣，流動性也存在非對稱性。他們認為股票大幅下跌后，市場流動性會顯著降低;而股票大幅上漲所帶來的流動性增加的幅度則有限。Brunnermeier和Pedersen［15］的研究成果很好地解釋了流動性非對稱性現象。他們認為，由于做市商制度大多都采取保證金交易方式，股價大幅下跌會導致做市商的流動性受到約束。中國2010年之前缺乏做市商制度和保證金制度，股票下跌過程中市場流動性壓力要小很多。中國投資理財產品單一，股票價格上漲所帶來的財富效應，往往會導致大量的散戶涌入股市，伴隨的是銀行存款大搬家，股市流動性劇增。這也是為什么在中國市場上，牛市相比熊市交易量對信息沖擊反應更大。此外，由于缺乏保證金制度，投資者只能從單邊上漲行情中獲得收益，因此相對于熊市，牛市的投資熱情要高漲很多，交易量和風險也相對大一些。

第二，信息不透明加劇了“羊群效應”。市場投資者主要包括兩類，一類是具有資金和信息優勢的機構投資者，一類是資金量相對較小，信息缺乏優勢的中小投資者。上市公司報表不真實、內幕交易和虛假消息的存在，使得原本就缺乏信息優勢的中小投資者無法及時準確地獲得信息，因此，中小投資者的最優策略就是盡量跟進機構投資者，而一些機構投資者看準中小投資者這一心理，人為制造虛假成交量或甚至發布虛假消息，誘使投資者跟風。其結果導致大量中小投資者跟風進入，交易量大增，股價不斷攀升，市場風險加大。

第三，中國退市制度不嚴格，弱化了財務杠桿效應和風險溢價效應。根據Dahiya和Klapper，1994—2003年全球股票市場年平均退市率為4.21%，其中澳大利亞、加拿大、法國、德國、英國和美國的退市率分別是3.45%、3.39%、4.57%、2.85%、5.65%和6.78%。而同時期中國平均退市率僅為0.4%。中國股票的低退市率與地方政府保持經濟發展、增加就業的政策以及母子公司之間不獨立等不無關系。一旦上市公司出現問題，地方政府和母公司會通過各種措施力保其不退市。這種情形下，股票下跌所導致的公司財務杠桿效應和風險溢價效應被弱化;同時也相當于賦予投資者看跌期權，使得投資者容易忽視股票高估風險，一味買進，推高股價。

五、結 論

牛市波動正向非對稱性是中國證券市場重要的異常特征之一。本文從非預期交易量角度對其進行解釋，在描述股市波動的EGARCH模型中加入非預期交易量變化后，發現牛市波動正向非對稱性消失，呈現出和熊市一樣的負向非對稱性。這一研究結果表明，非預期交易量變化作為投資者對信息沖擊的重要反應，對牛市波動正向非對稱性的形成起到關鍵作用。在實證分析的基礎上，本文對賣空限制、信息不對稱、財務杠桿效應和風險溢價效應等因素如何影響投資者交易行為以及如何造成股市波動正向非對稱性進行解釋，較好地論證了非預期交易量與牛市波動正向非對稱性之間的相關關系。這一研究結果提示:

第一，投資者過度交易是造成股價波動的重要因素。在牛市行情中，投資者熱情高漲，成交量大增，市場波動加大。因此，政府部門在對市場風險監控過程中，不僅要關注股票下跌市場帶來的問題，還要對股票大漲加以適度控制，以防止未來股價過度波動。

第二，上市公司與投資者之間、機構投資者與中小投資者之間的信息不對稱是引發中小投資者跟風和投資者“羊群效應”的重要原因，其加劇了牛市行情中投資者過度交易，并造成股市風險增加。因此，需要進一步完善上市公司的信息披露機制，加強內幕交易監管。

第三，退市制度的缺乏弱化了財務杠桿效應和風險溢價效應，增大了股市投機風險。因此，政府部門應完善退市制度，激勵上市公司提高公司業績，促進市場健康發展。

［1］Black，F.Studies of Stock Price Volatility Changes［R］. Proceedingsofthe 1976 Meetingofthe American Statistical Association，Business and Economics Statistics Section，1976.177－181.

［2］Christie，A.The Stochastic Behavior of Stock Return Variances:Value，Leverage and Interest Rate Effects［J］.Journal of Financial Economics，1982，(10):407－432.

［3］Schwert，G.Why does Stock Market Volatility Change over Time?［J］.Journal of Finance，1989，44(5):1115－1153.

［4］陳浪南，黃杰鯤.中國股票市場波動非對稱性的實證研究［J］. 金融研究，2003，(7):70－76.

［5］徐煒，黃炎龍，宋伶俐.股市收益波動的非對稱性研究［J］. 財會通訊，2007，(9):68－73.

［6］陸蓉，徐龍柄.“牛市”和“熊市”對信息的不平衡性反應研究［J］. 經濟研究，2004，(3):65－72.

［7］張兵.證券市場波動不對稱性的動態研究［J］.管理學報，2006，(3):366－370.

［8］何曉光，朱永軍.中國A股市場收益波動的非對稱性研究［J］.數理統計與管理，2007，(1):164－171.

［9］袁懷宇，張宗成.賣空限制對股票市場收益非對稱性的影響——基于上海和香港的實證比較研究［J］.管理學報，2009，(8):1098－1103.

［10］Nelson，D.B.Conditional Heteroskedasticity in Asset Returns:A New Approach［J］.Econometrica，1991，59(2):347－370.

［11］Bollerslev，T.Generalized Autoregressive Conditional Heteroskedasticity ［J］.JournalofEconometrics，1986，31(3):307－327.

［12］Pagan，A.R.，Sossounov，K.A.A Simple Framework for Analysing Bull and Bear Markets［J］.Journal of Applied Econometrics，2003，18(1):23－46.

［13］Pagan，A.R.，Schwert，G.W.Alternative Models for Conditional Stock Volatility ［J］. Journal of Econometrics，1990，45(1－2):267－290.

［14］Hameed，A.，Kang，W.Viswanathan，S.Stock Market Declines and Liquidity ［J］.Journal of Finance，2010，65(1):257－293.

［15］Brunnermeier，M.K.，Pedersen，L.H. Predatory Trading［J］.Journal of Finance，2005，60(4):1825－1863.

［16］宋飛，李明.中國證券市場噪聲交易的影響因素研究［J］. 貴州財經學院學報，2011，(2).

(責任編輯:孟 耀)