基于安全投資轉移視角的風險相關性研究

塵娜 金秀

摘 要：投資者根據市場狀態變化進行安全投資轉移，引起資產間的資金流動和風險相關性變化。利用Markov狀態轉移模型識別市場狀態，訂單流差異衡量安全投資轉移，基于CAPM的標準化協方差矩陣衡量風險相關性。研究發現：我國股市存在熊市、橫盤和牛市三種狀態，橫盤狀態下安全投資轉移水平急劇提升。在時間維度上，橫盤狀態下安全投資轉移對行業間風險相關性的影響最大;在截面維度上，同一狀態下安全投資轉移對安全型行業-風險型行業所組成行業對的風險相關性影響程度最大。結果表明，安全投資轉移引起行業間風險相關性負向變化，使得行業間風險相關性減少。投資者同時配置受安全投資轉移顯著影響的安全型和風險型資產，可以降低投資組合系統性風險。

關鍵詞：風險相關性;安全投資轉移;市場狀態;訂單流差異

中圖分類號：F 832.5

文獻標志碼：A

文章編號：1005-9679（2021）02-0015-07

Abstract：As the market regime shifts， flight-to-quality causes capital flowing and risk correlation changing among assets. Markov regime switching model is used to identify market regimes， order flow difference is used to measure flight-to-quality， and risk correlation is measured by standardized covariance matrix of CAPM. The empirical analysis show that：There are bear， sideway and bull regimes and flight-to-quality sharply increase in sideway regime. In the time dimension， the effect of flight-to-quality is biggest in sideway regime; in the cross-sectional dimension， the effect on safe industry-risk industry is biggest. The results show that the negative change of cross-industry risk correlation will decrease risk correlation. Investors can reduce the systemic risk of portfolio by allocating both safe and risk assets which are significantly affected by the flight-to-quality.

Key words：risk correlation; flight-to-quality; market regime; order flow difference

資產間的風險傳導渠道通常分為兩大類：真實聯系渠道和信息渠道。在真實聯系渠道上，風險相關性取決于實體經濟中的實質性物理聯系，例如國家間的進出口貿易、國民經濟部門間的投入產出等。在信息渠道上，風險相關性取決于金融市場中的投資者交易行為，資產間沒有實質性聯系。Debarsy等（2018）評估風險傳導渠道的相對重要性，結果發現信息渠道上的風險傳導較重要。學者們越來越關注信息渠道上投資者交易行為所引起的風險傳導，一些學者基于安全投資轉移視角研究資產間的風險相關性。

受經濟周期的影響，股市常常表現出非線性、動態的結構性變化，其運動軌跡在不同狀態下交替演進。投資者對某一市場狀態產生恐慌，則賣出風險型資產而買入相對安全的資產，產生安全投資轉移。安全投資轉移引起資產間資金流動和風險相關性變化。第一，安全投資轉移受市場狀態影響，然而相關研究結論存在爭議。Cho等（2016）和Li等（2016）研究表明，在熊市狀態時，投資者對不景氣市場感到恐慌進而發生安全投資轉移;而Kaul等（2017）研究表明，在牛市狀態時，投資者對未來市場惡化感到恐慌，進行套期保值而發生安全投資轉移。第二，關于安全投資轉移與風險相關性的相關研究。Cho等（2016）利用國際凈資本流動捕捉安全投資轉移，解釋貨幣市場與股票市場的相關性;Bethke等（2017）利用信用風險因子和流動性風險因子的相關性捕捉安全投資轉移，結果表明風險因子相關性變化影響債券相關性。然而，安全投資轉移是指，當投資者感到恐慌時，賣出風險資產并買入安全資產的交易行為。由于安全投資轉移是在投資者感到恐慌的情況下發生的，所以它是一種積極主動的交易行為。在已有安全投資轉移與風險相關性的相關研究中，國際凈資本流動和風險因子相關性并不能反映投資者的積極主動性。Kaul等（2017）以大規模藍籌公司股往往比小規模融資受限公司股是更安全的投資為前提假設，利用大規模股票與小規模股票訂單流差異捕捉安全投資轉移。根據買單和賣單的識別方法，買單（賣單）為成交價格高于（低于）買賣報價中點訂單，說明買家（賣家）更加急迫希望達成交易而選擇妥協，因而訂單流差異可以捕捉投資交易的積極主動性。

2008—2009年，由于行業間的風險相關性，始于金融行業的危機迅速傳染至其他行業，最終席卷整個經濟金融系統，引起全球性金融危機。行業間的風險相關性對風險管理和投資組合十分重要。本文選擇行業資產作為樣本，基于安全投資轉移視角研究行業資產間的風險相關性。本文貢獻體現在以下兩個方面：第一，與以往直接采用兩種狀態的文獻不同，本文利用Markov狀態轉移模型識別我國股市的狀態，分析不同狀態下的安全投資轉移特征，從新興市場角度為爭議性話題提供新的證據;第二，采用訂單流差異衡量安全投資轉移，捕捉該行為的積極主動性，從時間和截面雙重維度研究安全投資轉移對行業間風險相關性的影響，并提出了新的投資策略。

1 模型構建

1.1 Markov狀態轉移模型

1.2 安全投資轉移測度模型

采用Kaul等（2017）的訂單流差異衡量安全投資轉移，計算訂單流差異步驟如下：

第一步，采用Lee和Ready（1991）的方法區分買單和賣單。將每筆交易的成交價與買賣雙方報價的中點進行比較，當成交價格高于報價中點價格時，則認定該筆交易為買單，反之為賣單：

第二步，計算股票訂單流。將第t月所有買單交易金額與賣單交易金額之差定義為股票訂單流，并通過總交易金額對訂單流進行標準化處理

第三步，根據上一年最后一個交易日所有股票的賬面市值比和規模進行雙重分組。首先，按照賬面市值比對所有股票進行排序，依據30%、70%分位將所有股票分為3組，構建低（L）、中（M）、高（H）賬面市值比股票組合;然后，在每個賬面市值比組內按照規模將股票均分為2組，構建小（S）、大（B）規模股票組合，共形成6組股票組合。計算6組股票組合訂單流均值SLt、SMt、SHt、BLt、BMt、BHt。訂單流差異定義為大規模股票組合平均訂單流與小規模股票組合平均訂單流之差：

1.3 風險相關性測度模型

利用基于CAPM的標準化協方差矩陣衡量資產間的風險相關性。在第t月，根據資本資產定價模型（CAPM），行業收益率為

利用各個行業的總風險對行業間風險相關性進行標準化處理，第t月行業i與行業k之間的風險相關性為

1.4 狀態依賴下的安全投資轉移與風險相關性的回歸模型

第一步，對行業進行分類。行為金融學研究表明，出于有限注意和信息缺乏等原因，投資者往往依據資產的某種屬性，人為地進行資產分類，并據此進行投資交易。安全性是一種重要的資產屬性，可能成為投資者的分類依據，因而行業的安全性類型可能影響安全投資轉移，進而影響截面維度風險相關性。

（1）在狀態st期間，利用貝塔系數衡量行業安全性。狀態依賴下的資本資產定價模型（CAPM）為

（2）根據行業安全性大小對行業進行分類。將10個行業按照安全性由高至低均分為2類，安全性較高的5個行業為安全型行業（s），安全性較低的5個行業為風險型行業（d）。

第二步，計算狀態依賴下的安全投資轉移對風險相關性的影響。

（1）根據行業的安全性類型，組成3種行業對。安全型行業與安全型行業組成的行業對（ss）10組、風險型行業與風險型行業組成的行業對（dd）10組和安全型行業與風險型行業組成的行業對（sd）25組。

（2）在狀態st期間，利用回歸模型計算安全投資轉移對風險相關性的影響。狀態依賴下的安全投資轉移與風險相關性的回歸模型為

2 實證分析

2.1 數據選取

由于2005年之前的日內高頻交易數據過少，本文選取2005年1月至2017年12月滬深300指數及所包括的行業分類指數為研究對象。行業分類指數依次為能源、材料、工業、可選、消費、醫藥、金融、信息、電信、公用10個行業。市場和行業的收益率定義為收盤價的自然對數差，即yt=100（lnpt-lnpt-1），p1為滬深300指數和行業指數的收盤價。數據來自Wind數據庫和國泰安中國證券市場交易高頻數據庫。

2.2 市場狀態分析

根據式（1）至式（3），采用Matlab_2016b軟件的MS_Regress工具箱估計Markov狀態轉移模型。根據對數似然值和AIC值，發現我國股票市場最可能存在三種不同的狀態。三種狀態的Markov狀態轉移模型的估計結果如圖1和表1所示。

由圖1可以看出：Markov狀態轉移模型可以很好地劃分市場狀態。樣本期內，中國股票市場分別出現一次明顯的牛市（2006年12月—2009年11月）和熊市（2009年12月—2014年3月），兩次頻繁的狀態交替（2005年1月—2006年11月、2014年4月—2017年12月），頻繁狀態交替期間的市場整理形成橫盤狀態。牛市期間正是股權分置改革、全面炒股期間;熊市期間與IPO重啟、貨幣政策緊縮時間一致;2005年1月—2006年10月國有股減持與恢復股市機能政策的拉鋸戰使得市場狀態頻繁交替;2014年4月—2017年12月國際資金注入與場外配資清理造成狀態頻繁交替。

由表1可以看出：①由Panel A可以看出，熊市、橫盤和牛市三種狀態持續的概率都較高，說明三種狀態都是比較穩定的。②由Panel B、C可以看出，三種狀態的期望收益率和波動率不同。三種狀態中橫盤狀態的波動率最低，與實際市場中的“牛皮整理”現象相一致。實際市場中橫盤狀態下股市無明顯的上漲或下降趨勢，波動幅度較小，價格如同被釘住，如牛皮堅韌，稱為“牛皮整理”。

2.3 狀態依賴下的安全投資轉移分析

根據式（4）-（5），利用全部A股日內分筆交易高頻數據計算訂單流差異。根據圖1的狀態劃分結果，得到不同狀態期間的安全投資轉移如圖2所示。

由圖2可以看出：三種狀態下都存在安全投資轉移，并且橫盤狀態期間安全投資轉移水平急劇提稓（如圖2中黑色箭頭所示）。在市場進入橫盤狀態時安全投資轉移水平螺旋式提升;隨著橫盤狀態時間增長，由于橫盤狀態的“牛皮整理”特征，投資者難以把握市場方向，心理崩潰形成嚴重恐慌情感，最終引起安全投資轉移行為水平急劇提升。

本文通過Markov模型識別市場狀態數量，為安全投資轉移的相關研究做出貢獻。在以往關于安全投資轉移的研究中，出于簡化計算目的，學者們直接采用兩種狀態，忽略了橫盤狀態，得出相反的結論。通過表1和圖1、圖2可以看出，中國股票市場存在三種狀態，并且在橫盤狀態期間安全投資轉移水平急劇提升，從而從新興市場角度為爭議性話題提供了新的證據。

2.4 狀態依賴下的風險相關性分析

根據式（6）至式（8），計算風險相關性期望時間序列。不同狀態st期間，風險相關性期望時間序列的描述性統計結果如表2所示。

由表2可以看出：不同狀態下的風險相關性存在明顯差異。橫盤狀態下風險相關性的標準差最大，說明橫盤狀態下風險相關性不穩定性較高，投資者進行風險管理和投資組合的難度較大。

2.5 狀態依賴下的安全投資轉移與風險相關性回歸模型估計結果與分析

第一步，行業分類分析。根據式（9），對行業進行安全性分類，結果如表3所示。

由表3可以看出：行業分類結果與實際市場中行業的特點相符合。例如，在三種狀態下醫藥行業均屬于安全型行業。在實際市場中醫藥行業一直受國家宏觀政策的控制，并且行業產品的需求彈性較小，因而醫藥行業在整個經濟周期的表現都很穩定。

第二步，安全投資轉移對風險相關性的影響分析。根據式（10），估計安全投資轉移對風險相關性的影響，結果如表4至表6所示。

由表4至表6可以看出：①安全投資轉移造成行業間風險相關性負向變動。安全投資轉移對風險相關性的影響系數為負值，說明跨行業安全投資轉移引起資金在行業間流動，使得一個行業資產的買進資金力量增強、風險降低，而另一個行業資產的買進資金力量減弱、風險增大，最終造成風險相關性減少。

②在時間維度上，橫盤狀態下安全投資轉移對行業間風險相關性的影響最大。已有研究采用兩狀態，忽視了橫盤狀態下安全投資轉移對風險相關性的影響。橫盤狀態下安全投資轉移對風險相關性的影響最大，與圖2中橫盤狀態下安全投資轉移水平急劇提升的結論是一致的。橫盤狀態下安全投資轉移引起行業間資金流動量變化最大，進而導致行業間風險相關性的變動最大。

③在截面維度上，同一狀態下安全投資轉移對安全型行業-風險型行業所組成行業對（sd）的風險相關性影響最大。為了提高所持有投資組合的安全性，具有安全性偏好的投資者根據行業安全性分類結果進行安全投資轉移，引起資金在安全型行業資產與風險型行業資產間流動，進而導致安全型行業-風險型行業所組成行業對（sd）的風險相關性變動最大。

④本文結論提供了一種新的投資策略。安全投資轉移引起行業間風險相關性負向變化，使得行業間風險相關性減少。投資者同時配置受安全投資轉移顯著影響的安全型和風險型資產，可以使得投資組合的標準化協方差減少、系統性風險降低。尤其是，在無明顯未來走勢的橫盤狀態時期，投資者除了進行安全投資轉移，還可以考慮利用安全投資轉移所引起的資產間風險相關性負向變化，同時配置安全型和風險型資產。

3 結論

經濟全球化、金融一體化加速了全球性資本流動，金融市場上資產間聯系日益緊密。網絡信息技術和金融衍生產品促進了金融資產間的相關性，更容易造成單一資產問題透過資產間的相關性而形成系統性風險。因此，在市場越發達、投資渠道越多元化的同時，資產間的相關性對于風險管理和投資組合更加重要。本文基于安全投資轉移視角研究風險相關性，結果表明：第一，我國股市存在熊市、橫盤和牛市三種狀態。橫盤狀態下股市無明顯的上漲或下降趨勢，投資者難以把握市場方向，心理崩潰形成嚴重恐慌情感，安全投資轉移水平急劇提升。第二，安全投資轉移引起資金在行業間流動，導致行業間風險相關性負向變動;在時間維度上，不同狀態下安全投資轉移對行業間風險相關性的影響不同。橫盤狀態下安全投資轉移引起行業間資金流動量變化最大，因而對行業間風險相關性影響最大;在截面維度上，同一狀態下安全投資轉移對不同行業對的風險相關性影響不同。具有安全性偏好的投資者根據行業安全性分類結果賣出安全風險型行業資產、買入安全型行業資產，因而對安全型行業-風險型行業所組成行業對的風險相關性影響最大。

本文研究對投資決策具有一定的參考價值。安全投資轉移使安全型行業-風險型行業之間風險相關性負向變動最大，投資者可以考慮同時配置受安全投資轉移顯著影響的安全型和風險型行業資產，降低投資組合的系統性風險。

參考文獻：

[1] GOREA D， RADEV D. The Euro area sovereign debt crisis：can contagion spread from the periphery to the core？ [J]. International Review of Economics and Finance， 2014， 30（2）：78-100.

[2] BEKAERT G， EHRMANN M. The global crises and equity market contagion [J]. The Journal of Finance， 2014， 69（6）：2597-2649.

[3] BLASQUES F， KOOPMAN S J. Spillover dynamics for systemic risk measurement using spatial financial time series models [J]. Journal of Econometrics， 2016， 195（2）：211-223.

[4] DEBARSY N， DOSSOUGOIN C. Measuring sovereign risk spillovers and assessing the role of transmission channels：a spatial econometrics approach [J]. Journal of Economic Dynamics and Control， 2018， 87：21-45.

[5] TU J. Is regime switching in stock returns important in portfolio decisions？ [J]. Management Science， 2010， 56（7）：1198-1215.

[6] CONNOLLY R， STIVERS C. Stock market uncertainty and the stock-bond return relation [J]. Journal of Financial and Quantitative Analysis， 2005， 40（1）：161-194.

[7] CHO J W， CHOI J H. Flight-to-quality and correlation between currency and stock returns [J]. Journal of Banking and Finance， 2016， 62（1）：191-212.

[8] LI M， ZHENG H. The stock-bond comovements and cross-market trading [J]. Journal of Economic Dynamics & Control， 2016， 73（1）：417-438.

[9] KAUL A， KAYACETIN N V. Flight-to-quality， economic fundamentals， and stock returns [J]. Journal of Banking and Finance， 2017， 80（1）：162-175.

[10] BETHKE S， GEHDE-TRAPP M. Investor sentiment， flight-to-quality， and corporate bond comovement [J]. Journal of Banking and Finance， 2017， 82（1）：112-132.

[11] LEE C， READY M. Inferring trade direction from intraday data [J]. Journal of Finance， 1991， 46（2）：733-746.

[12] PENG L， XIONG W. Investor attention， overconfidence and category learning [J]. Journal of Financial Economics， 2006， 80（3）：563-602.