公司特質波動能夠影響宏觀經濟穩定嗎？

關鍵詞： 特質波動；非資產定價模型分解法；宏觀經濟穩定；結構向量自回歸

摘 要： 根據中國A股市場數據，運用“非資產定價模型分解法”將個股風險分解為市場風險、行業層面風險和公司特質風險，在此基礎上，建立結構向量自回歸模型，考察個股不同層面的股價波動和宏觀經濟變量之間的相關性：發現A股市場特質波動水平的上升，使得公司層面的信息不確定性增加，導致信貸規模下降，從而間接降低了宏觀經濟的穩定性。這表明公司特質波動與宏觀經濟之間存在顯著的負相關性。

中圖分類號： F123.16

文獻標志碼： A

文章編號： 10012435（2013）01008607

Macroeconomic Stability Can Be Affected by Idiosyncratic Volatility-Empirical Research Based on SVAR in Chinese A Stock Market

HUA Fengtao （1.College of Economics and Management， Anhui Normal University， Wuhu Anhui 241003， China；2. School of Public Economics Administration， Shanghai University of Finance Economics， Shanghai 200433， China）

Key words： idiosyncratic volatility； model-independent decomposition； macroeconomic stability； SVAR

Abstract： Based on data from China's A stock market， with the method of model-independent decomposition， break individual risk down into market risk， industry level risk and idiosyncratic risk. And on this basis， the SVAR model is established to study the causal link between the idiosyncratic volatility and macroeconomic stability， and bring out the following conclusion： The rise of idiosyncratic volatility in A stock market increases information uncertainty of corporations， cutting down the credit scale and indirectly reducing the macroeconomic stability. That shows notable negative correlation between idiosyncratic volatility and macroeconomic stability.

公司特質波動作為股價波動的重要組成部分[1]，對股價甄別、篩選和反饋公司價值，傳遞公司層面特質信息，以及資源配置都具有重要的影響[2]。Wurgler[3]發現公司特質波動程度對于資源配置效率的高低具有顯著性的解釋作用。既然公司特質波動與股價的信息效率密切聯系，那么，公司特質波動是否會影響宏觀經濟波動，以及如何影響宏觀經濟？這將從一個層面解釋股價波動與宏觀經濟穩定之間的傳遞機制。

對于公司特質波動與宏觀經濟穩定之間的相關性，鮮有學者涉及。Panousi和Papanikolaou[4]發現當公司特質波動較高時，公司投資行為趨于保守，即公司特質波動程度和公司投資行為存在明顯的負相關性。Portes和Ozenbas[5]利用“金融加速器”理論[6]研究發現，公司特質波動能夠有效的解釋“現代市場經濟之謎”[7]。他們將個股波動分為即市場波動和公司特質波動。在信貸市場上，銀行只能提供抵押貸款的條件下，信貸規模完全取決于公司資產凈值的影響。而公司特質波動則是公司凈資產價值變化向外界傳達信息的一種方式。當公司特質波動上升時，公司資產凈值的波動性進一步增加，意味著信貸市場的信息不對稱程度提高，企業的外部融資升水增加，信貸市場的“金融摩擦”加劇，造成信貸市場規模下降。國內學者主要集中在趨勢研究[8]和定價研究[9]，多圍繞資產價格與經濟波動之間展開。本文運用結構向量自回歸模型，考察公司特質波動對中國宏觀經濟穩定的影響機制。

一、研究方法

（一）公司特質波動測度

公司特質波動測度方法主要分為間接分離法和因素模型法兩種。間接分離法是Campbell等[10]根據CAPM的思想，將個股收益波動分解為市場收益、行業層面收益以及公司特質收益三個部分，并根據這三個收益成分分別計算各自的方差，以求出市場波動、行業層面波動和公司特質波動。直接分解法則是直接利用Fama-French三因素模型的誤差項計算公司特質波動，而因素模型法是Malkiel和Xu[11]利用因素模型，尤其是三因素模型計算其誤差項用以測度公司特質波動。這兩種方法均是借助于不同的資產定價模型測度公司特質波動。模型的選擇均是在一定的條件下才具有適用性，如CAPM模型的適用條件中有兩個最為基本的規定，一是組合中的風險資產比例相同；二是投資者的風險偏好相同。但現實條件難以達到這種理想狀態。再如，運用模型進行計量分析時，只有當殘差g（i）獨立同分布時，分析結果計量實證意義，不同的模型所計算的結果，其誤差也各不相同。本文借鑒Bali，Cakici和Levy[12]，采用“非模型分解法”對我國證券市場中的公司特質風險進行測度。

“非模型分解法”是指在不依賴于任何資產定價模型的基礎上，基于組合分散收益的思想，借助于均值方差法，構建起測度整個證券市場平均公司特質風險的計算方法。構建過程如下：

假設在證券市場內存在n個行業，Rit為行業i在第t月內的行業平均收益，權重Wit為行業i的市值占證券市場總市值的比重。那么市場收益為：

Rm，t=ni=1Wi，tRi，t

而行業i在第t月內的平均收益為行業內個股收益的加權平均，其中，Rji，t為個股收益，Wji，t是按照個股市值占行業總市值的比重得到。那么行業i的平均收益為：

Ri，t=ni=1Wji，tRji，t

在以上市場收益和行業收益計算的基礎上，我們假定個股收益波動分為三個層面：市場波動、行業層面波動和公司特質波動。這一點與間接分離法較為類似，但在測度三個層面波動時所采用的方法則是基于組合分散收益的原理構建。首先，根據市場收益計算市場層面波動：

MKTNt=Var（Rm，t）=（Rm，t-μm）2

其中，μm為市場收益Rm，t的期望平均水平。我們把行業看作是一支理論上的“行業證券”，那么這個Rm，t就可以看作是一個“市場組合”的收益。在這樣的組合中，行業層面風險被看作非系統風險而被完全分散掉。我們再假定這些理論上的“行業證券”間的收益具有完全正相關性，那么它是一個沒有分散效果的“無分散組合”，在這個組合中，“行業證券”間的非系統風險——行業層面波動則完全保留。該組合方差則為各“行業證券”方差總合：

ni=1Wi，tσi，t2，其中，σi，t為行業i的標準差。組合方差與市場層面波動之差為行業層面波動：

IND=σ2ε，t=ni=1Wi，tσi，t2-Var（Rm，t）

假設行業i中有m家上市公司，針對行業i同樣也構造出兩個截然不同的組合，即行業內的“市場組合”和假定的行業內的“無分散組合”，同時可以求出各自的風險方差，其中行業內的“無分散組合”的方差為：（mj=1Wj，tσj，t）2，σji，t為行業i內的公司j的標準差。行業i內的特質波動平均水平為：

σ2εi，t=nj=1Wji，tσji，t2-Var（Ri，t）

nj=1Wji，tσji，t是指在行業i內所有個股的權重平均方差。再將行業內的平均公司特質風險按照行業權重再次加權平均，即nj=1Wi，tσεi，t乘方后，減去市場超額收益方差Var（Rm，t），便得到股票市場平均公司特質風險：

FIRM=σ2η，t=ni=1Wi，tσεi，t2-Var（Rindexm，t）

（二）結構向量自回歸模型（SVAR）

Sims[13]提出的向量自回歸模型（vector autoregressive model，VAR）采用多方程聯立的形式，在模型的每一個方程中，內生變量對模型的全部內生變量的滯后項進行回歸，從而估計全部內生變量的動態關系，它提供了一個刻畫多元時間序列動態特性以及分析隨機擾動對變量系統動態沖擊的簡單框架。但這種VAR模型不能反映變量之間當期相關性的確切形式，并且由于這些當期相關性隱藏在誤差項的相關結構中，其經濟含義難以解釋。Sims[13]提出了結構向量自回歸模型（SVAR），可以通過建立非遞歸形式的短期約束，在同一模型中識別多個變量的結構沖擊。含有k個變量的p階結構向量自回歸模型SVAR（p）一般矩陣形式可表示為：

B0yt=Γ1yt-1+Γ2yt-2+…+Γpyt-p+ut

其中，

B0=1b12…b1k

b211…b2k

bk1bk2…1，

yt-j=y1t-j

y2t-j…ykt-j，j=0，1，2，…，n

ut=u1t

u2t…ukt，

Γ=

γi11γi12…γi1k

γi21γi22…γi2k

γik1γik2…γikk，

k=0，1，2，…，n

（三）基礎數據

本文中包括3個內生變量：經濟增長指標、信貸規模指標，以及公司特質波動。

1. 公司特質波動（IDIO），本文選擇深滬A股上市公司共1232家上市公司，其選擇標準為：剔除金融類、房地產類和ST類上市公司，另外計算波動率所需時間限制，同樣剔除上市公司不足5個月的上市公司。樣本期從1995.6-2010.6共15年間的樣本交易數據。行業分類是按照中國證券監管委員會于2001年公布的《上市公司分類指引》共分為13大類共56個二級行業，剔除不足3家公司的行業。共選擇51個行業。無風險收益率選取人民幣一年期存款基準利率作為標準。以上數據均來自于Wind數據庫和CSMAR金融數據庫。

2.各項貸款總計，本文引入金融機構貸款余額（CREDI），選擇該指標是為了反映公司特質波動變化而導致的影響宏觀經濟穩定的信貸渠道效應。數據來自于CCER數據庫和國研網，考慮到所取數據均是貨幣名義值度量，為取得其實際余額，將該數據名義值除以CPI計算得出。其中，通貨膨脹率指標采用消費者定基價格指數（CPI），數據來自RESSET金融數據庫。

3.經濟增長指標采用一致合成指數CSI。由于目前我國缺乏GDP的月度數據，再加上在考察宏觀增長涉及到多方面指標，如工業生產、就業、投資、消費、外貿、稅收、企業利潤、以及居民收入等方面因素，本文采用一致合成指數CSI，該指數由國家統計局制定并統一公布（www.cemac.org.cn）。

本文SVAR模型中，定義如下假設：第一，假定一致合成指數CSI為前定變量，同期受到金融機構貸款（CREDI）“新息”（Innovation）的影響，這種“新息”即來自于公司特質波動的影響。假定公司特質波動對模型中其他變量反映存在黏性，因此公司特質波動受到自身沖擊的同期影響。第二，假定公司特質波動和金融機構貸款之間存在相互作用：一方面，公司特質波動的變化使得公司的凈資產值發生變化，使得公司擔保品發生變動從而影響銀行的信貸行為。另一方面，金融機構信貸的可獲得性通過公司凈資產值的變化影響公司特質波動的變化。

在選擇上述變量（IDIO、CSI、CREDI）的基礎上建立SVAR來考察這些變量之間的統計關系，相比于無約束VAR模型而言，SVAR模型不僅考慮了變量間的內生性問題，而且也包含了內生變量之間的當期關系。

個股波動經過“非模型測度法”分解為三個層面波動，即市場波動、行業層面波動和公司特質波動，各自所內涵的信息本質不同，為了綜合考察個股波動對宏觀經濟穩定，以及信貸市場變化的影響，將這三個層面波動變量納入工具體系。在目標體系中，認為公司特質波動對于宏觀經濟穩定的影響主要是通過信貸渠道發生的，因此在目標體系中主要設置了、一致合成指數CSI和信貸規模指數CREDI，并著重分析公司特質波動對于一致合成指數CSI和信貸規模的影響，以印證上文的理論分析。

（四）模型的設定

考慮到公司特質波動與宏觀經濟變量之間的關系主要表現在長期關系。為了保存數據中的互動信息，即便其時間序列非平穩，也不采用差分法進行平穩處理[15]，因此，本文選擇上述指標的水平變量構建SVAR模型。而SVAR利用殘差協方差進行Choleski分解來規避模型中的“新息”，這樣存在一個問題，即變量的排序有可能影響到因素的沖擊影響。按照Bjomland和Jacobsen[13]的方法，本文將一致合成指數CSI、通貨膨脹指數CPI和信貸變量CREDI排在序列的最前面，市場波動、行業層面波動和公司特質波動排在后面，具體排序為：

yt=（CSIt，CREDIt，IDIOt）

因此本文的SVAR模型可以表述為：

B0yt=b*+B1yt-1+ut（1）

其中，yt為（3×1）維內生變量向量；B0為可逆（3×3）維結構系數矩陣，表示變量間的當期關系；B1表示為（3×3）維反饋系數矩陣，代表變量滯后期與當期間的關系；ut為（3×1）維隨機擾動項向量，為白噪聲向量；b*為常數項。

（五）模型的識別

SVAR模型和VAR模型之所以不同，在于SVAR模型中包含了變量間的當期結構性關系，這種關系是通過殘差項相互傳遞，為了能夠對（1）式進行估計，需要將其轉化為VAR的簡約形式：

yt=a*+A1yt-1+εt（2）

其中，A1為（3×3）維系數矩陣，εt為（3×1）隨機擾動項向量，且Eεtε′t=∑ε為（3×3）維對稱正半定矩陣。根據（1）式和（2）式之間的隨機誤差項之間的關系，即ut=B0εt，由于Eεtε′t為對稱半正定矩陣，因此ut也為對稱半正定矩陣。至此，為了完全識別SVAR（1），需要對B0施加約束條件。這種約束條件是以公司特質波動、市場波動針對宏觀經濟變量的影響和傳導過程為基礎的。一般而言，對于具有k個內生解釋變量的SVAR模型，需要對B0施加k（k-1）/2個約束條件才能恰好識別出所有參數。

二、數據分析和實證檢驗

（一）時間序列平穩性檢驗

本文首先用Eviews6.0對以上三個變量進行單位根檢驗，檢驗方法采用ADF方法進行處理，單位根檢驗的結果如表1所示：

（二）變量協整關系檢驗

本文采用Johansen協整檢驗對3個變量系統進行分析。假定數據中存在線性趨勢，協整向量含有截距但是沒有線性趨勢，選取2作為滯后階數，得到檢驗結果如表：

表2表明無論跡統計量還是最大特征值法，系統有3個協整向量，而根據Sims[13]的結論，當存在協整關系是，即便使用變量的水平值建立VAR模型是不會出現識別錯誤，且最小二乘法的結果都是一致估計，因此，本文采用水平值進行模型的估計和分析。

（三）模型參數估計

對于這3個變量形成的系統直接應用SVAR模型分析公司特質波動以及市場波動對宏觀經濟穩定的影響時，關鍵是如何設定內生變量的同期相關矩陣，結合上面分析，并參考Kim和Roubini[7]的方法，本文的B0為：

uidioucrediucsi=

1b12b13b211b23b31b321

εidioεcrediεcsi

（3）

一般情況下，對B0參數的約束分為短期約束和長期約束之分，長期約束一般是指零約束，是指一個變量對另一變量的結構沖擊的長期相應為0，但三者間均存在長期關系，因此對于該矩陣應施加短期約束。在（3）式中的第1行，銀行信貸行為的變化是取決于公司凈資產值的變化，當公司資產凈值由于信貸市場的不確定性增加時，引起了公司現金流的變化而發生改變，因此信貸行為的變化在當期對于公司特質波動沒有影響，兩者的當期關系應該為零，則本文中可以設定b12=0。而公司特質波動對宏觀經濟穩定變量CSI也是通過公司資產凈值的改變，引起公司投融資行為發生變化導致的，因此，公司特質波動的變化是取決于公司層面特質信息的改變，盡管從長期將公司層面經營狀況與宏觀因素密切相關，但宏觀經濟對于公司特質波動沒有當期影響。本文設定b13=0。而在（3）式的第2行，根據不完全信息理論以及效率工資理論，價格存在粘性，因此，信貸規模指數CREDI對一致合成指數CSI只存在滯后效應，因此b23=0。

在模型（3）中滿足可識別條件的情況下，我們可以使用回歸模型，并估計得到SVAR模型的所有未知參數，從而可得到矩陣B0，以及ut和εt的線性組合估計結果。首先，通過建立最小二乘回歸模型，得到公司特質波動對于我國信貸市場的當期關系為B21=-0.1194，說明兩者間呈現出負相關關系，也印證了公司特質波動其實是作為公司在信貸市場的金融摩擦存在的，其程度越高，那么公司的融資摩擦愈大，尤其在我國信貸市場信息不對稱狀況明顯，信貸配給嚴重的情況下，更是如此。其次，而公司特質波動IDIO對于一致合成指數CSI的影響，估計IDIO對CSI的系數為

B31=-0.2763，這意味著當證券市場平均公司特質波動上升一個百分點時，CSI指數則下降0.2763個百分點，盡管與Portes和Ozenbas[5]的研究結果認為，在美國證券市場上公司特質波動的上升能夠解釋40%的宏觀經濟波動下降原因相比，也說明在我國證券市場上，平均公司特質波動在長期內是影響宏觀經濟波動的一個重要因素。同時說明公司特質波動與宏觀經濟波動之間的關系呈現出明顯的負相關性。

三、實證結果分析

本文利用SVAR的目的是從公司特質波動、信貸規模、宏觀經濟變量三個內生變量間內在的動態關系，并發現三者信息傳遞的方式和特征，尤其是公司特質波動通過信貸市場對宏觀經濟變量的影響。在SVAR模型中，變量間的關系式相互的交錯發生，我們是通過脈沖響應函數來反映這一關系。而脈沖響應函數是分析當一個誤差項發生改變，或者說模型受到某種沖擊時對系統的動態影響，用以描繪在擾動項上施加沖擊，對內生變量當前值和未來值所帶來的影響，因此帶有一定的滯后性，本文在這里選取的滯后長度為10個月。在SVAR中，通過結構脈沖響應函數的分解可以得到系統中各個內生變量對自身以及其他內生變量單位變動的反應。根據本文的研究目的，主要考察公司特質波動對信貸規模以及宏觀經濟穩定變量的動態影響。

（一）公司特質波動對信貸規模的脈沖反應函數

圖1中分別顯示了公司特質波動對信貸規模

的脈沖響應函數圖和積累響應函數圖。當公司特質波動自身結構新息的一個單位標準差擾動時（1%，為正向總沖擊，下同），信貸市場規模（圖中的D（CREDI），對數形式）在當期產生一個負向的響應，為-0.15個百分點，第二期產生-1.012個百分點的負向響應，在第三期這種負

向響應達到最大值，為-1.174個百分點，此后逐步下降，到第十期以后接近于零。通過積累脈沖響應圖中可以看到，從第十期以后逐步穩定在4.5個百分點左右。說明公司特質波動對于信貸規模的沖擊均是具有長期性。通過兩者的脈沖反映函數，我們可以發現，在我國證券市場上公司特質波動的上升，意味著公司層面特質信息不確定性的上升，而這種信息不確定性加劇了信貸市

場上，銀行等金融機構觀察公司內部經營狀況的信息不確定性增加。這種狀況影響著企業的資產凈值的改變，企業若憑借流動資產或者抵押品獲得銀行信用，從公司的資產負債表來看就會負擔加重，償還能力變差，要想獲得銀行貸款就越困難。伴隨著這種金融摩擦的上升，企業外部融資升水增加，迫使企業的融資順序發生改變，逐步轉向內部融資，因此信貸規模開始下降，而且這種狀況是具有持久性。

（二）信貸規模對宏觀經濟穩定的脈沖響應函數

圖2中，當信貸規模自身結構新息的一個單位標準差擾動時（1%，為正向總沖擊，下同），

宏觀經濟穩定變量（圖中的D（GYZ），對數形式）在當期產生一個負的響應，為2.4個百分點，從第二期開始響應由負轉正，為1.7個百分點，在第八期響應值達到最大值為9.97個百分點，此

后開始逐步下降并趨近于零。而通過積累脈沖響應圖中可以看到，從第十五期以后逐步穩定在15.2個百分點左右。說明信貸規模的增加對于宏觀經濟在短期具有較強的提升作用。

（三）公司特質波動對宏觀經濟穩定的脈沖響應函數

圖3中，當公司特質波動自身結構新息的一個單位標準差擾動時（1%，為正向總沖擊，下同），宏觀經濟穩定變量（圖中的D（GYZ），對數形式）在當期產生0.527個百分點的正響應，第二期響應由正變負，響應值為-1.77個百分點，在第七期該負響應值達到最大值，為-16.41個百分點，此后開始逐步下降，從第十五期開始逐步趨近于零。通過積累脈沖響應圖中可以看到，從第十五期以后逐步穩定在24.89個百分點左右。由此看出，公司特質波動對于宏觀經濟變量CSI具有明顯的負相關性，而且這種沖擊響應具有持久性。另外結合圖1和圖2，也可以得知，這種負向沖擊效應是通過信貸市場行為的收縮而產生的。

四、研究結論與展望

Portes和Ozenbas（2009）在理論上驗證了公司特質波動對宏觀經濟穩定的影響，本文采用結構向量自回歸計量方法，以我國證券市場A股收益數據和相關的宏觀經濟變量，研究了公司特質波動、信貸市場規模和宏觀經濟穩定變量三者之間的因果關系。結果發現：第一，公司特質波動水平的變動是引起信貸規模發生變化的一個重要的因素，無論從影響程度和持續時間來講，都是非常重要，公司特質波動與信貸規模之間是顯著的負向關系，當公司特質波動越大時，信貸規模就會下降。公司特質波動在其信息內涵上，并非代表公司特質信息納入股價的程度，而是衡量信息不確定性程度的指代變量。

第二，公司特質波動與宏觀經濟波動之間呈現明顯的負相關性。這種相關性是通過信貸渠道產生的，即當公司特質波動的增加迫使公司外部融資升水增加，制約了外部融資規模，從而導致信貸市場萎縮，從而降低了宏觀經濟波動程度。

但據已有的文獻資料表明，資產價格尤其股票價格波動，除了公司融資渠道，更多是通過公司投資行為對宏觀經濟穩定產生作用，而資產價格波動是通過信息機制來影響上市公司投資規模。那么公司特質波動的變化是否能夠影響公司投資行為，其影響機制和渠道是什么？這都是未來值得研究方向。

參考文獻：

[1] 陳健.中國股市非系統風險被定價的實證研究[J].南方經濟，2010，（7）：41-49.

[2] Roll. R2[J]. Journal of Finance， 1988，（43）： 541-566.

[3] Wurgler J. Financial Markets and the Allocation of Capital[J]. Journal of Financial Economics， 2000，（58）：187-214.

[4] Morck R.， Bemard Yeung， Wayne Yu. The Information Content of Stock Markets： Why do Emerging Markets Have Synchronous Stock Price Movements？[J]. Journal of Financial Economics，2011，（58）： 215-260.

[5] Hoberg G.， Nagpurnan and R. and Prahala. Disappearing dividends： the importance of idiosyncratic risk and the irrelevance of catering[Z].SSRN Working paper， 2010.

[6] Bernanke， B.， S.， Gertler， M.， Gilchrist， S. The Financial Accelerator[M]∥J. B. Taylor. Handbook of Macroeconomics. Amsterdam：NorthHolland，1999.

[7] Kim C.， J. and C.R. Nelson. Has the US economy become more stable？ —A Bayesian approach based on a Markovswitching model of the business cycle[J]. Review of Economics and Statistics，1999，（81）：608-616.

[8] 黃波，李湛，顧孟迪.基于風險偏好資產定價模型的公司特質風險研究[J].管理世界，2006，（11）：26-30.

[9] 楊華蔚，韓立巖.中國股票市場特質波動率與橫截面收益研究[J].北京航天航空大學學報，2009，（3）：6-10.

[10] Campbell J.Y，Lettau M.，Malkiel，G.B and Xu，Y.Have individual stocks become more volatile？—An empirical exploration of idiosyncratic risk[J].Journal of Finance，2001，（56）：1-43.

[11] Malkiel B. and Xu Y. Investigating the behaviour of idiosyncratic volatility[J]. Journal of Business， 2003，（76）：613-644.

[12] Bali T.， Cakici N.and Levy， H. A model-independent measure of aggregate idiosyncratic risk[J]. Journal of Empirical Finance， 2008，（15）：878-896.

[13] Blanchard， O. ，J. Simon. The Long and Large Decline in US[C]. Output Volatility Brookings Papers on Economic Activity， 2001， （32）：135-174.

[14] Burgstahler D.， Dichev I. Earnings management to avoid earnings decreases and losses[J]. Journal Accounting and Economics， 1997，（24）：99-126.

[15] Stock J.， H. and Watson， M.， W. A comparison of linear and nonlinear univariate models for forecasting macroeconomic time series[M].Engle and H. White （eds.）， Oxford：Oxford University Press，1999.

責任編輯：陸廣品