不確定事件沖擊下的資產收益率波動

錢甫成，何朝林

(安徽工程大學 經濟與管理學院，安徽 蕪湖 241000)

2019年末的新型冠狀病毒肺炎疫情(以下簡稱“新冠疫情”)席卷全球，嚴重威脅到各國穩定。在新冠疫情的影響下，國際金融市場發生劇烈震蕩，并伴有交易量的大量下降。2020年2月3日(春節后的首個交易日)，我國上證綜指下跌7.72%，滬深300指數跌幅達7.88%，深證成指下跌8.45%，均創近5年單日最高跌幅；美股在幾周內多次熔斷，道瓊斯指數一度從接近30 000點的位置跌至20 000點左右，市場波動率明顯上升。金融市場承擔著資產定價、資源分配和分散風險的重要責任。市場的過度波動影響投資決策，擾亂金融資產定價，導致資源錯配，嚴重危害著金融市場的穩定健康發展。因此，有必要研究外部不確定事件沖擊下的資產收益率波動特征，闡釋金融市場巨幅波動，為投資決策和市場監管提供經驗證據。

Knight F認為不確定性特征描述了未來狀態已知但其概率未知或者未來狀態及其概率皆未知的現象，并將其統稱為奈特不確定性或模糊不確定性。徐光偉等利用不確定性事件提供的自然實驗，分析沖擊事件對企業投資行為的影響發現,不確定性沖擊對相關聯企業資產投資均有顯著的負面影響。卜林等基于構建的地緣政治風險指數，考察國內外地緣政治風險、政策不確定性和金融市場波動之間的聯動性及其特征，發現國內金融市場波動受自身影響權重較高。源于不利于經濟發展的不確定性事件的發生，投資者作為市場主體，無法對未來市場形成穩定預期，形成合理投資決策的難度增大，從而導致資產預期收益波動。De Bondt等發現絕大多數投資者對突發性和不確定性事件反應過度，全球重大風險事件發生后，投資者表現出對事件愈發的關注使其投機的可能性加大，從而對資產收益率波動產生影響。李志輝等在研究滬深兩市流動性波動對資產預期收益影響時發現，在市場受到不確定事件沖擊，尤其是在股票市場處于下跌階段時，流動性波動對于資產收益的影響較大。Blau等探究流動性波動與資產收益之間關系發現,資產收益會隨著市場波動的增大而增加。史代敏等通過推算收益率的條件高階矩序列建立的收益-風險時變模型發現，大規模金融危機等重大風險事件均會使收益率序列出現異常波動，增加了投資決策的不確定性。目前，國內外學者多從不確定性影響投資者交易情緒視角下探究其對資產預期收益的影響。何朝林等通過對奈特不確定性規避型投資者交易行為探究發現，在奈特不確定環境下存在資產交易價格“惰性區間”，不確定性特征及其對投資者交易意愿的影響導致了該資產價格交易異象。陳康等研究發現空氣質量的不確定性通過影響投資者交易意愿從而影響股價。Dominik Rehse等把颶風作為準自然實驗來檢驗不確定性事件對房地產行業的影響，指出不確定性事件通過降低投資者交易意愿，從而造成資產收益波動。田金方等以新冠疫情概念股為例證實突發不確定性事件容易導致投資者情緒恐慌，繼而造成股市動蕩，加劇金融資產的波動風險。

綜上，外部不確定事件影響投資者決策,導致資產收益率異常波動，影響金融市場健康穩定發展。鑒于此，研究以新冠疫情為不確定事件代表，并將其引入資產收益率波動模型研究資產收益率波動特征，獲得相關經濟管理啟示，為重大公共事件下的投資決策和市場監管提供了經驗證據。

1 資產收益率波動測度

1.1 ARCH模型

事實上，時間序列數據也存在異方差性，即“自回歸條件異方差”(ARCH模型)。例如，股指的日收益率均值可能一直在0左右徘徊，但卻在某一段時間內劇烈波動，而另一段時間內則風平浪靜，即存在波動聚集性的現象。由于ARCH模型考慮了方差的波動性特征，故而能更好地預測未來的方差為

y

=

β

+

βy

-1+

ε

,

(1)

1.2 GARCH模型

(2)

1.3 基于ARCH與GARCH模型的推廣模型

基于ARCH與GARCH模型的式(1)和式(2)可以測度資產收益率波動，為進一步考慮不確定事件沖擊下資產收益率的風險溢價和波動的非對稱性，需要運用基于ARCH與GARCH模型的推廣模型，即GARCH-in-Mean模型和EGARCH模型。

(1)GARCH-in-Mean模型，均值方程可表示為

(3)

(2)EGARCH模型，其中，條件方差方程可表示為

(4)

這里，利好消息(

u

>0)和利空消息(

u

<0)對條件方差有不同的沖擊，即

α

+

γ

與

α

-

γ

。只要

γ

≠0，沖擊的影響就存在非對稱性，即杠桿效應的存在與否可通過

γ

是否為零的假設進行檢驗。研究基于該模型研究不確定事件沖擊下利好消息與利空消息對資產收益率波動的非對稱性。

2 實證研究

2.1 樣本的選取

研究以滬深300指數為風險資產代表，主要基于以下兩點考慮：①滬深300指數以規模和流動性作為選擇樣本的兩個基本指標，并賦予流動性更大的權重，這符合該指數在交易指數中的定位特征。②滬深300指數選股條件嚴格，剔除停牌股、ST股票以及經營狀況異常或財務報告嚴重虧損和股價波動較大、市場表現明顯受到操縱的股票。為便于不確定事件發生前后的資產收益率波動對比，研究選取2019年8月9日～2020年7月23日滬深300指數的連續復合日收益率為研究樣本。所有數據均來自于東方財富Choice金融終端。

2.2 新冠疫情重要時間節點

在選取新冠疫情作為突發公共事件研究不確定性事件對資產收益率波動的影響時，為充分考慮疫情動態演進過程，并記錄疫情發展變化過程中的重要時間節點，研究選取2020年2月3日(春節后首個交易日)～2020年7月23日這段時間內不確定事件過程中的重要時間節點，具體如表1所示。

表1 新冠疫情重要時間節點

2.3 新冠疫情沖擊下的資產收益率波動

(1)描述性統計。以滬深300指數日收盤指數為其價格，獲得樣本期內連續復合日收益率序列：

R

=ln

P

-ln

P

-1,

(5)

式中，

P

為當日收盤指數；

P

-1為前日收盤指數。由此獲得滬深300指數連續復合日收益率序列

R

的結果如圖1所示。由圖1可知，滬深300指數連續復合日收益率存在“波動聚集性”特征，意味著連續復合日收益率的條件方差隨時間變化而變化。(2)正態性檢驗。運用EViews8對連續復合日收益率序列

R

進行正態性檢驗的結果如圖2所示。由圖2可知，滬深300指數連續復合日收益率序列的均值為0.001，標準差為0.014，偏度為-1.145，說明序列分布具有左拖尾；峰度為10.403，說明連續復合日收益率具有尖峰和厚尾的特征。同時，JB統計量值較大，顯著拒絕連續復合日收益率的正態性假設，可以判斷連續復合日收益率存在ARCH效應。

圖1 滬深300指數連續復合日收益率序列 圖2 滬深300指數連續復合日收率的正態性檢驗

(3)平穩性檢驗。基于連續復合日收益率序列

R

，運用ADF法進行平穩性檢驗的結果如表2所示。由表2可知，在原假設

H

:

γ

=1或

H

:

δ

=0下，單位根的

τ

檢驗統計量的值為-14

.

883，均小于1%、5%、10%顯著性水平下ADF檢驗的臨界值，從而拒絕

H

，表明滬深300指數連續復合日收益率是平穩的，不存在偽回歸現象。

表2 滬深300指數連續復合日收益率的平穩性檢驗

(4)ARCH效應檢驗。運用EViews 8軟件，采用ACF&PACF法檢驗滬深300指數連續復合日收益率序列自相關和偏自相關，結果表明，序列的ACF和PACF系數均在兩倍的估計標準差內，且Q-Stat統計量所對應的P值均大于0.050，故序列在5%的顯著性水平下不存在自相關和偏自相關。

由于序列不存在顯著相關性，均值方程可以設定為白噪聲，即

r

=

μ

+

ε

，運用LM法(拉格朗日乘數檢驗法)檢驗殘差平方的相關性，結果表明，殘差平方序列Q-Stat統計量所對應的

P

值均小于0

.

050，故該序列在5%的顯著性水平下存在相關性，即收益率序列

R

具有顯著的條件異方差特征。(5)結果與分析。選取

p

=1、

q

=1，

p

=1、

q

=2，

p

=2、

q

=1，

p

=2、

q

=2，四種情況，即選取GARCH(1,1)、GARCH(1,2)、GARCH(2,1)、GARCH(2,2)進行對比分析，獲得連續復合日收益率在各階GARCH模型的

AIC

值和

SC

值的結果如表3所示。由表3可知，基于最小信息化準則，采用GARCH族(1,1)模型研究滬深300指數的連續復合日收益率波動。為了突出不確定事件沖擊下資產收益率波動影響的非對稱性，以2020年1月23日為界，將樣本劃分為兩個子樣本：子樣本1的時間區間為2019年8月9日至2020年1月23日，該樣本為比較樣本，為新冠疫情發生前的沖擊反應；子樣本2的時間區間為2020年2月3日(春節后的首個交易日)至2020年7月23日，為新冠疫情發生后對金融市場的沖擊反應。

表3 各階GARCH模型的AIC值和SC值

運用Eviews 8軟件獲得模型參數估計結果如表4、表5所示。由表4、表5可知，①GARCH(1,1)模型擬合的過程中發現，條件方差方程ARCH項和GARCH項系數均在1%的置信水平下顯著，擬合結果較好。ARCH項系數為0.264，說明不確定事件沖擊會加劇資產收益率波動。GARCH項系數為0.685，兩項系數之和為0.949，滿足參數約束條件且估計結果較為有效。系數之和非常接近于1，這表明條件方差所受到的影響是持久的，即盡管資產收益率波動會隨時間變化而減弱，但減弱過程緩慢，不確定事件沖擊對資產收益率影響是持續性的。②GARCH-M(1,1)模型參數估計結果表明，條件方差方程中的GARCH項系數與ARCH項系數之和為0.942，且各項系數均大于0小于1，符合假設結果，說明參數估計結果具有可信性。在連續復合日收益率均值方程中包含

σ

的原因是將風險度量指標納入收益生成過程，這也是許多資產定價模型的基礎。在這個假設下

δ

應該是正數，參數估計結果為0

.

046，但結果不顯著，說明資產收益率不存在明顯的風險溢價，即目前該市場收益率不隨風險的增加而增加。這種現象顯然與“高風險、高收益”的傳統邏輯存在沖突。從國內資本市場特征的角度可以得到很好的解釋：國內市場短期行為盛行，大量投機者承擔了市場風險，而金融市場又容易受到外部事件的沖擊，投資者對市場無法形成穩定預期使得資產收益與風險之間呈現出不匹配特點。③EGARCH(1,1)模型的ARCH效應檢驗結果表明估計結果已經消除了異方差性，模型能夠很好的反映收益率波動。方差方程所有參數均顯著通過

Z

檢驗，擬合結果較好。從子樣本1方差方程可以看出，其非對稱項系數為-0

.

188，即

γ

≠0，這表明新冠疫情對金融市場的沖擊是非對稱的。當出現“利好消息”時，即

u

>0時，有一個

α

+

γ

=-0

.

562+(-0

.

188)=-0

.

750倍的沖擊。當出現“利空消息”時，即

u

<0時，有一個

α

-

γ

=-0

.

562-(-0

.

188)=-0

.

374倍的沖擊。同理，子樣本2方差方程的非對稱項系數

γ

≠0“利好消息”對市場的沖擊是0

.

363倍，“利空消息”對市場的沖擊是0

.

587倍。

表4 GARCH族模型參數估計結果

表5 GARCH族模型的ARCH效應檢驗結果

兩個子樣本區間的信息沖擊曲線如圖3、圖4所示。由圖3、圖4可見，兩個子樣本區間內“利空消息”與“利好消息”沖擊的差異性。分析比較可知：①子樣本1區間內，同等程度下“利好消息”對市場的沖擊大于“利空消息”；子樣本2區間內，同等程度下“利好消息”對市場的沖擊要小于“利空消息”。兩樣本區間內資產收益呈現非對稱性，即“杠桿效應”，這說明國內市場個人投資者居多，缺乏長期的價值投資。與機構投資者相比個人投資者承擔風險的能力較小，他們的投資往往呈現短期化特點，一旦受到外部事件沖擊，投資者在不確定事件下會對市場預期施加不合理權重，市場預期值就會對資產收益產生顯著影響。例如，在“利好消息”下對風險資產的大量需求，在“利空消息”下對安全資產的大量拋售，進而對投資決策造成消極影響。②新冠疫情發生后“利好消息”對資產收益沖擊減弱，“利空消息”對資產收益沖擊增強。這一方面說明新冠疫情沖擊導致投資者避險情緒增強，投資者趨于理性投資，另一方面也說明國內金融市場缺乏安全資產，投資者有效的風險規避手段匱乏。所以在新冠疫情發生后的高風險環境下，國內投資者只能選取風險資產進行投機操作，一旦市場有絲毫利空消息，投資者便會跟風拋售，造成資產收益大幅度振蕩。

圖3 子樣本1連續復合日收益率信息沖擊曲線 圖4 子樣本2連續復合日收益率信息沖擊曲線

3 結論

研究基于GARCH族模型，以新冠疫情為不確定事件代表，量化分析不確定事件下的資產收益率波動特征。通過對滬深300指數連續復合日收益率序列建模分析發現，新冠疫情下資產收益率表現出明顯的GARCH效應。此外，通過建立GARCH族模型得出GARCH-M(1,1)模型和EGARCH(1,1)均能較好地描述資產收益率的波動性，由模型參數估計結果可知，①風險度量指標系數為正且不顯著，說明新冠疫情下資產收益不存在風險溢價。②模型的杠桿系數為負且顯著，說明新冠疫情下資產收益率波動存在非對稱性，且具有杠桿效應。同時，通過分析子樣本1與子樣本2的EGARCH(1,1)模型系數可知，新冠疫情發生后“利好消息”對資產收益沖擊減弱，“利空消息”對資產收益沖擊增強。由此獲得如下啟示：積極推進金融衍生產品開發，豐富投資者避險保值方式;加強金融市場信息透明度，尤其是在不確定性事件沖擊下，監管部門應當及時披露未來經濟走勢，合理引導投資者情緒，提振投資者信心;壯大機構投資者隊伍，避免個人投資者羊群效應，規范行業發展，形成市場理性預期，提高理性投資者市場占有權重。