投資者關注與股價崩盤風險：抑制還是加劇？

江婕 邱佳成 朱然 胡海峰

(1.北京師范大學經濟與工商管理學院，北京 100875；2.中國人民大學經濟學院，北京 100872；3.對外經濟貿易大學金融學院，北京 100029)

一、引言

有效市場假說(EMH)假定市場參與者的信息處理能力是無限的，市場上所有公開信息都可以被充分的反映在股價中。但事實上，人的時間和精力有限，關注度是一種稀缺資源，只有那些被關注到的信息才可能反映在股價中，即“有限關注”理論。近年來，學者們對有限關注的經濟后果進行了研究，發現有限關注會影響交易行為，從而最終影響資產定價。Barber and Odean(2008)[2]認為，隨著投資者關注度的增加，市場參與者對股價的信念異質性增加，股價中更多表現的是樂觀預期，最終表現為投資者的關注抬高股價。Fang and Peress(2009)[6]認為，市場上所有公開信息都已經融入股價，而低關注度公司的信息不透明度更高，風險更大，為了補償由于信息不對稱帶來的風險，關注度低的股票要求有更高的回報率，最終表現為投資者關注與股價負相關。而Da et al.(2011)[3]認為，投資者關注對股價的影響是“短正長負”，即投資者由于“注意力驅動”買入個別股票，在短期內抬高個股股價，然而由于缺少基本面信息的支撐，在長期這種被高估的價格會發生反轉。雖然上述觀點并不統一，但均表明投資者有限關注可能是造成股價特質波動的主要原因。然而，目前的研究多集中在投資者關注與資產價格均值及其一階矩變動關系上，對資產價格的三階矩——股價崩盤風險則鮮有研究。

事實上，投資者關注可能對股價崩盤風險產生雙重影響。一方面，投資者關注的提高，可能帶來信息供給的增加，降低信息不對稱，增強信息透明度，提高定價的信息效率，從而降低股價崩盤風險；另一方面，投資者關注的提高，也可能加劇情緒因素對資產價格的影響，過度反應和從眾行為會進一步加劇定價錯誤程度，從而提高股價崩盤風險。然而，對投資者關注影響股價崩盤風險的上述機制，究竟哪一類效應占據主導地位，目前為止尚未有直接證據，需要實證檢驗。尤其中國A股市場是以個人投資者為主體的市場1，與成熟資本市場相比，A股市場股價同步性偏高、會計信息透明度偏低，股價崩盤現象頻發，因此，針對A股市場開展股價崩盤風險研究更有意義。

基于上述考慮，本文選取2010—2017年A股上市公司數據，通過構建投資者關注度綜合指標檢驗投資者關注影響股價崩盤風險的客觀表現和傳導路徑。研究發現：投資者關注與未來股價崩盤風險之間存在顯著正相關關系，投資者關注會提高股價崩盤風險。

較之以前的研究，本文創新之處在于：(1)將投資者情緒納入傳統崩盤風險影響機制框架，提出并驗證了投資者關注與股價崩盤風險之間的傳導路徑，拓展了該領域的研究內容；(2)既有文獻大都從資產價格一階或二階變動視角研究有限關注的短期經濟后果，本文則從個股股價崩盤風險視角重新審視有限關注的經濟后果，豐富了有限關注研究領域的維度，深化了有限關注經濟后果的認識；(3)投資者關注究竟發揮了“監督效應”還是“跟風效應”，學術界一直有理論分歧，本文從股價崩盤風險視角為這一爭論提供了新證據，也為制定投資策略和監管政策提供了一定參考。

二、理論分析與假設提出

投資者關注有可能通過降低信息不透明度來抑制股價崩盤風險，有兩個原因：一是投資者關注擴大了信息集，促進了更多公司特質信息得以反映在股價中。黃俊和郭照蕊(2014)[14]發現，媒體報道增加能夠促使更多公司層面特質信息融入股價，有助于提升資本市場定價效率。Zhang(2008)[12]以分析師盈利預測報告作為投資者關注度量，發現分析師盈利預測報告能夠削弱盈余公告漂移現象，進而提升資本市場信息效率。二是投資者關注促進了信息傳播，加快了信息被反映到股價中的速度。投資者關注度增加時，對信息的即時解讀能力提高，解讀滯后減少。張圣平等(2014)[19]以媒體報道作為投資者關注度量，發現媒體報道加快了信息被反映到股價中的速度，減小了盈余漂移。基于上述分析，本文提出如下假設：

H1：投資者關注度的提高會降低公司信息不透明度，從而抑制股價崩盤風險。

然而，投資者關注對股價崩盤風險的影響路徑并不唯一，投資者關注的提高也有可能加大投資者異質信念程度，從而加劇股價崩盤風險。原因如下：

首先，投資者關注在買、賣兩個方向存在不對稱影響。雖然在賣出方向，投資者只在自己持有的有限數量股票籃子中進行選擇，因而有限注意力的約束并不明顯，但是在買入方向，投資者面臨眾多的備選對象，有限關注對投資者行為的影響更大。以中國市場為例，2018年A股上市公司多達3584家。面對如此之多的備選對象，投資者如何選擇？提高投資者注意力，能夠降低投資者的信息搜索成本，從而帶來基于注意力的購買行為(Barber and Odean, 2008)[2]。Huddart et al.(2009)[8]提出個體投資者無法像機構投資者那樣跟蹤大量股票，因此更容易被極端價格事件吸引而購買，但這種購買并不是基于公司基本面信息，是一種基于注意力的非理性行為。馮旭南(2017)[13]使用21,476個龍虎榜事件研究了注意力對投資者交易行為的影響，發現龍虎榜事件對投資者注意力產生了重要影響，投資者會在短期內跟進買入龍虎榜上榜股票。張繼德等(2014)[18]也提出普通投資者獲取信息能力弱，更易受到情緒的影響，產生從眾、過度反應等行為偏差，因此，投資者可能會將較高收益率、較多媒體宣傳等作為購買依據，跟風購買，這種不理性行為會提升股價，使股價偏離基本面信息，從而加劇崩盤風險。

其次，投資者關注基于的信息集偏向于加總信息，而非個股信息。Peng and Xiong(2006)[11]指出，對于有注意力約束的投資者，存在類別學習(category learning)行為，即相比于個股信息，投資者更關注宏觀或行業層面的信息。這一理論解釋了市場和行業間個股收益率的過度聯動現象。Gilbert et al.(2012)[7]發現，相比于單個經濟指標，投資者更關注加總經濟數據，如雖然美國領先經濟指標指數(Index of Leading Economic Indicators, LEI)是根據之前已經發布的單個經濟指標構建的一個加總統計指標，但在其月度發布時，仍會對美國股票和國債的價格產生顯著影響，表明有限注意力的投資者會誤解LEI本質上無新信息的屬性，從而導致短期的顯著錯誤定價。這一特性表明投資者關注也有可能導致股價同步性提高。

第三，投資者關注加大了投資者的異質信念，促使了泡沫的形成。Abreu and Brunnermeier(2003)[1]提出，即使理性投資者知道定價過高，明白市場終將崩潰，但同時也希望在泡沫持續增長并產生高回報的過程中駕馭泡沫獲利；理想情況下，他們希望剛好在崩盤前退出市場，獲利最高；但把握市場時機是一項艱巨任務；投資者退出策略的分散和由此產生的缺乏同步性是允許泡沫增長的原因，直到足夠多的投資者賣出，壓力才會戳破泡沫。中國A股市場個人投資者眾多，異質性特征尤為明顯。部分樂觀投資者即使明知股價有被操縱的嫌疑，仍選擇“與莊共舞”，助推了泡沫形成，并加劇了之后的股價崩盤風險。

基于上述分析，提出如下假設：

H2：投資者關注度的提高會放大情緒和股票定價錯誤程度，從而加劇股價崩盤風險。

三、數據來源與研究設計

(一)樣本選擇與數據來源

本文以2010—2017年中國A股上市公司作為研究樣本。個股廣告費數據來自RESSET數據庫，其余所有個股交易和財務等數據均來自CSMAR數據庫。樣本之所以起始于2010年，是因為個股廣告費數據在2010年之前缺失嚴重，難以獲得。在數據匯總過程中，樣本經過以下處理：(1)剔除金融業公司；(2)剔除股票被ST、PT的年份；(3)剔除財務數據和綜合關注度指標缺失的樣本；(4)由于需要使用股票的周特有收益率來計算崩盤風險指標，而周特有收益率是在擴展的指數模型回歸殘差的基礎上加以處理而得，為保證指數模型回歸的正確性，剔除了年度有效周收益率數據不足30個的股票；(5)為剔除異常值的影響，對連續變量進行在1%和99%水平上的Winsorize縮尾處理。最后，共獲得了5,243個公司層面的年度觀測值。

(二)變量測度

1.股價崩盤風險

本文借鑒Kim et al.(2011)[9]、許年行等(2013)[16]的方法，采用條件收益負偏度(Negative Conditional Return Skewness, NCSKEW)和漲跌波動比(Down-Up-Volatility,DUVOL)作為崩盤風險的代理變量。具體計算過程如下：

首先，利用擴展的指數模型，得到個股i在t年第j周經市場調整后的收益率殘差：

其中，ri,t,j為個股i在t年第j周的收益率，rm,t,j為將全部A股在t年第j周的收益率經市值加權得到的市場收益率。然后定義個股i在t年第j周的特有收益率(即下文的條件收益)為：

其中，εi,t,j為式(1)的殘差，表示ri,t,j中未被市場收益率解釋部分。最后，基于個股周特有收益率(Wi,t,j)構建以下兩個崩盤風險指標：

(1)條件收益負偏度

其中，n代表個股i在t年交易的周數，NCSKEW值越大，代表條件收益負偏程度越高，股價崩盤風險越高。

(2)漲跌波動比

其中，nu(nd)為個股i在t年的周特有收益率Wi,t,j大于(小于)其當年均值的周數，Down(Up)代表Wi,t,j小于(大于)其當年均值的周。DUVOL值越大，代表條件收益負偏程度越高，股價崩盤風險越高。

2.投資者關注

現有度量投資者關注的指標大致有三種來源，即股票交易信息、媒體信息和公司公開財務信息，以間接代理指標為主。在股票交易信息方面，代理指標有極端收益率或價格限制、交易量等。在媒體信息方面，代理指標包括新聞報道與頭條、分析師評級報告數量等。在公司公開財務信息方面，Lou(2014)[10]用廣告支出作為關注度的代理指標。近年來，隨著互聯網的普及和搜索引擎的廣泛使用，學者們開始利用搜索引擎中的搜索量更直接的度量關注度：一是基于常用的搜索引擎提供的數據分享平臺，比如谷歌搜索指數和百度搜索指數等；二是基于專業財經資訊終端或財經論壇的搜索，比如彭博(Bloomberg)財經新聞搜索量和閱讀量、和訊網股票關注度等。

鑒于目前度量投資者關注度的指標比較分散，本文構建一個新的綜合指標：從股票交易信息、媒體信息和公司公開財務信息3個維度選取了股票收益率、成交量、廣告費、股東戶數及研報數量共5個代理變量來構建關注度2。

(1)個股年平均異常收益率

根據Barber and Odean(2008)[2]的研究，異常收益率會吸引投資者關注。考慮到A股市場個體投資者眾多的實際情況，本文沒有采用三因子或五因子模型計算異常收益率，而是用個股收益率減去市場平均收益率。這對于普通投資者來說是判斷個股存在異常收益率最直觀的方法。利用個股月收益率減去市場平均月收益率計算得到月異常收益率后，對每月異常收益率取絕對值，并計算年平均異常收益率，得到構建關注度的第一個指標AARi,t。

(2)個股年成交量

根據Barber and Odean(2008)[2]的研究，成交量也是衡量投資者關注度的重要指標，較高的成交量會吸引投資者注意。本文利用每月成交量計算年成交總量Volumei,t。

(3)個股年廣告宣傳費用

Lou(2014)[10]認為，上市公司廣告宣傳費用越高，投資者對于該公司的關注度就會越高。因此，本文以上市公司年度廣告費用為關注度的變量之一，記為Adi,t。

(4)個股年股東戶數

上市公司股東戶數越多，說明買入該股票的人數越多。由于投資者存在“注意力驅動買入行為”，可以認為當投資者關注該股票時才會進行購買，因此個股股東戶數可以作為關注度的變量。股東戶數在一年中可能出現較大變化，為避免這種變化的偶然性影響，計算每年四個季度報告中股東戶數的平均值，得到個股年均股東戶數，記為Holderi,t。

(5)個股研報數量

研報跟蹤數量反映專業人士對個股的關注程度，普通投資者存在對于研報的跟隨行為，會隨研報跟蹤數量的增多而提高關注度，因此，本文選取研報跟蹤數量Reserchi,t作為關注度的第五個指標。

既有研究通常用單一變量代理投資者關注度，雖然變量能連續取值，但實質上相當于只在一維空間上評價，內涵較為單薄。借鑒Fama and French(2015)[5]構建基準因子組合的思想，本文對上述五個指標進行標準化處理(見表1)。當個股某指標高于年度所有股票的中位數時記為1，否則記為0，并對五個標準化后的指標取均值，得到最終的年度投資者關注度變量(ATT)：

本文選取的這五個代理變量互相之間獨立性較好，這一處理方法相當于在五維空間上對投資者關注度的相對高低進行評價。雖然標準化處理過程會導致一些定量信息的損失，但評價維度的擴張將能夠更好的覆蓋投資者關注的內涵。

3.信息不透明度

參考Durnevet al.(2003)[4]的研究，分年度將市場平均周收益率對個股周收益率進行回歸，采用其擬合系數(即R2)來衡量股價同步性，并利用股價同步波動性度量公司信息不透明度。

由于擬合系數(R2)的取值范圍有限，只能在0和1之間，遵循通常做法，將其按式(6)進行對數變化，得到定價效率指標Syni,t。

表1 關注度指標選取與標準化處理

其中，表示的是式(1)中個股i在t年擴展指數模型的擬合優度。由于表示個股波動被市場波動所解釋的部分，Syni,t越大，意味著股價同步波動性越高，股價中融入的公司特質信息越少，信息不透明度越高。

4.投資者情緒

參考張戈和王美今(2007)[17]的研究，托賓Q不僅可以衡量市場價值是否被高估或者低估，而且包含了股票的定價錯誤，因此可以用分解的托賓Q值來度量投資者情緒，具體步驟如下：

首先，計算公司的年度托賓Q值：

其中，MARKET VALUEi,t為公司的市場價值，ASSETi,t為公司固定資產重置價值。然后，計算分解的托賓Q值，方法是分年度將Qi,t對公司基本面的相關指標進行回歸，指標包括凈資產收益率、資產負債比和主營業務收入增長率，同時增加行業虛擬變量，控制行業中不可觀測因素，模型如式(8)

其中，ROEi,t為公司的凈資產收益率，LEVi,t為資產負債比，MIGRi,t為主營業務收入增長率。最后，將回歸結果代入式(8)得到Qi,t的擬合值Qf,t作為基本度量，計算殘差ui,t：

定義Senti,t=ui,t，Senti,t表示股票i在t年的錯誤定價，作為投資者情緒的代理變量。

5.控制變量

借鑒已有對于股票崩盤風險的研究(Kim et al., 2011；許年行等，2013)[9][16]，本文選取以下控制變量：滯后一期的股價崩盤風險，會計信息不透明度，去趨勢的月平均換手率，市場波動，市場收益，公司規模，賬面市值比，財務杠桿，總資產收益率，此外，本文還引入虛擬變量，控制年度和行業的固定效應。表2概括了本文采用的主要變量及定義。

(三)模型設計

本文主要研究投資者關注提高究竟抑制還是加劇股價崩盤風險，為此建立如下回歸模型：

表2 變量符號及含義

其中，CRi,t表示崩盤風險，在本文中分別使用條件收益負偏度(NCSKEWi,t)和漲跌波動比(DUVOLi,t)進行度量。ATTi,t-1表示投資者關注度，CRi,t-1、OPACITYi,t-1、DTOi,t-1、SIGMAi,t-1、RETi,t-1、SIZEi,t-1、BMi,t-1、LEVi,t-1、ROAi,t-1為一組控制變量，具體定義如表2。其中，所有的自變量和控制變量均為滯后一期。同時，本文還利用虛擬變量分別控制年度和行業的固定效應，控制其中不可觀測的因素。

進一步，為檢驗投資者關注度與股價崩盤風險之間的關系是通過信息路徑還是情緒路徑傳導，本文參考溫忠麟和葉寶娟(2014)[15]的中介效應檢驗程序，結合上式(10)，共建立三個模型進行逐步檢驗：

第一步，按照如下回歸，當控制變量(CVi,t-1)中不包含中介變量(MVi,t-1)時，檢驗投資者關注度ATTi,t-1對未來股價崩盤風險的影響是否顯著：

第二步，檢驗投資者關注度ATTi,t-1是否顯著影響中介變量MVi,t-1：

第三步，自變量中同時加入MVi,t-1后，觀察ATTi,t-1和MVi,t-1的系數是否顯著：

第四步，檢驗中介效應Sobelz值是否統計顯著：

根據溫忠麟和葉寶娟(2014)[15]的研究結果，若第一步中ATTi,t-1的回歸系數β顯著，第二步中對同期中介變量的回歸系數δ顯著，第三步MVi,t-1的系數τ2顯著，但ATTi,t-1系數τ1不顯著，則存在完全的中介效應；若第三步中ATTi,t-1系數τ1仍顯著，且中介檢驗中的Sobelz值統計顯著，則存在部分中介效應。

四、實證結果與分析

(一)描述性統計與相關性分析

表3 五個關注度代理指標相關系數

表4 主要變量描述性統計

為保證關注度綜合指標的合理性，本文先對五個標準化前的關注度代理變量進行同期的相關性檢驗，相關系數結果(見表3)表明綜合關注度指標內部各變量之間的獨立性相對較高，分別從不同維度反映了投資者關注特征。

樣本數據的描述性統計結果如表4所示。可以看出，NCSKEWi,t和DUVOLi,t的均值分別為-0.578和-0.634，標準差分別為0.995和0.866，說明NCSKEWi,t和DUVOLi,t在樣本中存在較大差異。關注度(ATTi,t-1)的均值為0.534，低于中位數0.600，說明關注度低的比例要高于關注度高的比例。投資者情緒的代理變量Senti,t-1的均值和標準差為-0.257和1.764，說明在樣本期內投資者情緒的波動較大。

(二)回歸結果及分析

1.基本回歸

運用式(10)，分別利用NCSKEWi,t和DUVOLi,t，檢驗關注度(ATTi,t-1)與其之間的關系，表5匯報了檢驗結果。

如表5所示，在控制相關影響因素后，以NCSKEW或者DUVOL作為崩盤風險代理指標，關注度至少在10%水平下與未來股價的崩盤風險顯著正相關，說明關注度越高，未來崩盤的風險越高，證實了H2推測的加劇效應，否定了H1推測的抑制效應。在控制變量方面，會計信息不透明度、公司規模的系數均顯著為正，去趨勢的月平均換手率、賬面市值比的系數均顯著為負，與已有研究一致，表明本文研究結果具有一定可靠性。

表5 投資者關注度與股價崩盤風險的回歸結果

2.進一步考察：機構持股

為探究機構投資者持股比例對投資者關注度崩盤效應的影響，本文將回歸樣本按照與關注度同期的機構投資者持股比例均值分為高持股比例組和低持股比例組，利用兩組樣本考察投資者關注和崩盤風險的關系。參考既有研究，選取券商、基金、QFII、保險公司、社保基金、銀行、財務公司和信托公司這八大金融機構的合計持股比例數據；此外，機構投資者持股比例在一年中可能出現較大變化，為避免這種變化的偶然性影響，計算每年四個季度報告中持股比例的算術平均值，得到每只股票的年均機構投資者持股比例。表6報告了根據機構持股比例高低進行分組回歸的結果。

如表6所示，在低機構持股比例組中，(3)(4)列回歸結果顯示，對于兩種崩盤風險指標NCSKEWi,t和DUVOLi,t，投資者關注度ATTi,t-1的系數分別為0.279和0.242，均在5%水平下顯著為正，說明投資者關注會加劇未來股價崩盤風險，與前文全樣本回歸結論一致。而在高機構持股比例組，無論崩盤風險指標選擇條件收益負偏度NCSKEWi,t還是收益漲跌波動比DUVOLi,t，關注度的系數都不再顯著，投資者關注與未來崩盤風險不再具有顯著相關關系。這一分組回歸結果表明，高機構投資者持股比例組的崩盤效應不明顯，但當機構投資者持股比例較低時，投資者關注度引起的未來股價崩盤風險更顯著。這證明了機構持股比例的提高可以減弱投資者關注與崩盤風險的正相關性。

表6 投資者關注度的崩盤效應考察：機構持股對比

3.進一步考察：牛熊市

參考既有研究，采用波峰波谷判定法，根據上證綜指歷年走勢將市場劃分為牛熊市，將2014、2015、2016、2017年劃分為牛市，其余為熊市3。然后分別利用牛熊市樣本，檢驗投資者關注與股價崩盤風險的影響關系，檢驗結果見表7。

表7 投資者關注度的崩盤效應考察：牛熊市對比

如表7所示，在牛市樣本中，關注度的系數分別為0.259和0.298，分別在5%和1%水平下顯著為正；在熊市樣本中，關注度的系數分別為0.128和0.132，但不再顯著，說明在不同市場態勢下，投資者關注度對股價崩盤風險的影響不同：在牛市下，關注度與股價崩盤風險的顯著正相關；在熊市下，這種正向相關性并不顯著。

(三)傳導路徑分析

為了檢驗關注度和崩盤風險間的影響機制，運用式(6)，以股價同步波動性Syni,t-1代表信息含量，運用式(9)以分解的托賓Q間接度量投資者情緒，通過中介效應檢驗模型來考察信息和情緒在關注度和崩盤風險間扮演的角色，表8和表9匯報了中介效應的檢驗結果。

測算發現在兩種崩盤風險指標下，關注度ATTi,t-1與股價同步波動性Syni,t-1在1%的顯著水平下正相關，表明投資者關注反而加大了股價同步性，增加了市場同質性信息在股價中的反映程度。崩盤指標為DUVOLi,t時Sobelz值不顯著，崩盤指標為NCSKEWi,t時Sobelz值相應的p值僅為0.09，說明中介效應基本不存在。該結果否定了H1推測的信息路徑，說明投資者關注并沒有降低信息不透明度。

如表9所示，不論以NCSKEWi,t還是DUVOLi,t度量崩盤風險，投資者關注度對情緒的影響均在1%水平下顯著為正，其系數分別為0.373和0.371。分別以兩種崩盤風險指標作為因變量，同時加入關注度和投資者情緒指標進行直接效應檢驗時，投資者情緒Senti,t-1的影響系數分別為0.0568和0.0597，均在1%水平下顯著為正；關注度ATTi,t-1的系數分別為0.114和0.119，與path a中總效應進行比較，系數與顯著性均有所下降，在列(3)中，關注度的影響系數甚至不再顯著。根據上述的中介效應檢驗方法，在path a中總效應顯著的前提下，系數δ、τ1、τ2均顯著，且Sobelz值在5%水平下顯著，可以看出，投資者情緒確實在投資者關注對股價崩盤風險的影響中起到了部分中介作用，投資者情緒是二者之間影響的傳導路徑，證實了情緒路徑的傳導作用，支持了H2的推測。

表8 關注度的崩盤效應：信息路徑

(四)穩健性檢驗

1.內生性問題

本文主要解釋變量投資者關注度為滯后一期數據，并采用控制個體差異的固定效應模型，一定程度上減輕了內生性問題。為進一步緩解可能存在的內生性問題，本文采用兩階段工具變量法，以投資者關注度的年度-行業均值作為工具變量，針對原有面板數據進行2SLS回歸。工具變量法下的回歸結果如表10所示。

回歸結果顯示，運用工具變量剔除內生性后，兩種崩盤風險指標下關注度ATTi,t-1的系數分別為0.784和0.808，分別在10%和5%水平下顯著為正，系數的顯著性未發生變化。這說明回歸結果沒有因為控制了內生性而改變，H2仍然成立，投資者關注與未來股價崩盤風險呈現穩健的正相關關系。

2.對中介效應進行bootstrap檢驗

在中介效應檢驗部分，本文使用了逐步檢驗和Sobel法。近年來，逐步檢驗和Sobel法受到了很多質疑，主要集中在Sobel法的檢驗力低，不容易檢驗到中介效應顯著，并且提出了一些替代方法，比如乘積分布法、Bootstrap法和馬爾科夫鏈蒙特卡羅法，其中以Bootstrap法最為流行。Bootstrap法實際是從樣本中重復取樣建立新樣本，進而驗證中介檢驗步驟path b中系數δ與path c中系數τ2乘積是否為0；若95%置信區間不包含0，則系數乘積δ×τ2顯著，存在中介效應。

表9 關注度的崩盤效應：情緒路徑

表10 投資者關注度的工具變量回歸

溫忠麟和葉寶娟(2014)[15]指出，如果研究者用Sobel法已經得到顯著的結果，檢驗力低的問題就不復存在，此時Sobel法的效果甚至好過Bootstrap法。本文在之前的檢驗中用逐步檢驗和Sobel法發現了情緒路徑顯著但信息路徑不顯著，對已經顯著的情緒路徑無需再使用更為寬松的Bootstrap法進行驗證，但對信息路徑不顯著的結果，如果用更為寬松的Bootstrap法進行中介效應檢驗，結果是否會發生變化？此處采取Bootstrap法對信息路徑的中介效應進行了再次檢驗，將置信區間設置為95%，抽樣次數設置為5000，得到Bootstrap檢驗結果如表11所示。

表11 信息路徑的Bootstrap檢驗結果

Bootstrap檢驗結果顯示，崩盤風險指標為NCSKEWi,t時，置信區間雖然不包括0，但系數乘積δ×τ2的p值為0.049，處于95%顯著水平的臨界值。當股價崩盤風險指標為DUVOLi,t時，95%置信區間和偏差矯正95%置信區間均包含0，系數乘積不顯著(p值為0.161)。這一結果說明檢驗出的中介效應微弱且不穩健，難以支持信息路徑的傳導作用，與前文否定H1的結果基本一致。

3.其他穩健性檢驗

本文還采用了更換代理變量的方式進行了穩健性檢驗。將研報數量更換為分析師關注人數后，重新構建關注度綜合代理指標。標準化處理和指標合成方法不變，合成新的關注度代理變量ATT'i,t，并重新進行了全部檢驗，發現關注度仍與崩盤風險顯著正向關，投資者情緒的部分中介效應仍存在，與前述研究結論一致。此外，本文還采用應計盈余管理程度作為信息不透明度的度量，重新檢驗H1。Sobel法和Bootstrap法的結果都再次否定了信息路徑的傳導作用。限于篇幅，本文不再另行報告回歸結果。

五、結論與建議

本文聚焦于投資者關注與股價崩盤風險之間的關系和傳導機制，從信息途徑和情緒途徑兩個切入點對該問題進行了理論分析和實證檢驗。研究發現：(1)投資者關注度與未來股價崩盤風險之間存在顯著正相關關系，表明中國資本市場上投資者關注存在顯著的崩盤效應，即投資者關注度會提高股價崩盤風險；(2)依據機構持股分組，發現投資者關注的崩盤效應僅在機構持股比例低的組別存在，而在機構持股比例高的組別不再存在，表明機構持股能夠抑制關注度的崩盤效應；(3)依據市場態勢分組，發現投資者關注的崩盤效應僅在牛市存在，而在熊市不再存在，表明牛市會加劇關注度的崩盤效應；(4)通過路徑檢驗發現，關注度的崩盤效應存在部分的情緒路徑，但不存在信息路徑，表明投資者關注并沒有提高定價效率或降低會計信息不透明度進而影響股價崩盤風險，投資者關注度對股價崩盤風險的影響主要是通過加劇情緒等非理性因素的影響而增大了定價錯誤，這是關注度崩盤效應產生的機理途徑。

本文研究的政策啟示是：(1)投資者關注對于股價是雙刃劍，如果投資者關注能夠切實提高上市公司特質信息的傳播和解讀效率，將改善上市公司信息透明度從而有助于資本市場穩定；但如果投資者關注主要基于宏觀或行業層面的加總信息，受從眾效應和過度反應的影響，將加劇定價錯誤程度，增大股價暴跌風險；(2)在未來的市場交易制度建設和規范中，應鼓勵進一步提高機構持股比例。有研究報告指出，2016年美國市場以共同基金、養老基金為代表的境內專業投資者持股市值比重高達40%，再加上境外專業投資機構的持股，持股市值比重達約55%，而同期中國A股市場，境內專業機構投資者持股市值比重僅為16.3%，境外專業機構投資者持股市值比重不到1%4，二者差距較大。作為理性投資者的典型代表，專業機構持股有助于提升市場理性，降低情緒因素造成的市場過度波動。(3)投資者關注的崩盤效應在牛市和熊市兩種狀態下存在不對稱性，為監管政策的相機抉擇提供了理論依據。牛市狀態下，監管政策尤其需要對投資者關注帶來的沖擊加以重視，通過交易所函詢等方式，對形成市場熱點的行業或個股嚴格信息披露和響應速度要求，提高公司特質性信息傳播效率，以緩解情緒過熱導致的定價錯誤程度，降低股價崩盤風險。同時，對于借助杠桿獲得資金投資“牛股”的交易活動，要加強監管并及時提示風險。

注釋

1.根據上交所2018年統計年鑒，自然人投資者的交易占比為82.01%，而專業機構投資者的交易占比僅為14.76%。

2.國內學者常用以股票簡稱或股票代碼在百度搜索中的百度指數和媒體指數度量個股互聯網搜索量和媒體搜索量，但由于百度公司屏蔽了約2/3的A股公司百度指數與媒體指數，而本文的研究設計以全部上市公司為樣本，難以采用。

3.由于本文樣本為公司-年份面板數據，時間維度只能用年，因而無法以季度或月來劃分牛熊市，這與人們的直觀感覺不盡一致。在穩健性檢驗中，本文采用市場超額收益法(比較上證綜指收益率與一年期銀行存款收益率，大于則為牛市，小于則為熊市)重新劃分牛熊市，將2014、2015和2017年劃分為牛市，其余為熊市，回歸分析結果完全一致。

4.數據來源：申萬宏源研究報告《中國證券投資者結構全景分析報告2016》。