基于投資者不同風險偏好的風險評估與預警體系調查研究

馬麗敏

(河北省農林科學院 農業資源環境研究所,河北 石家莊 050051)

隨著金融危機爆發，保護投資者合法權益已成為全球金融市場監管的首要問題。因此，對投資者適當性管理是新規則和監管的要求，例如美國的《金融行業監管局規則》的 2111條或歐盟的《金融工具市場指令》。適當性管理包含了財務顧問的義務，即只推薦適合客戶個人需求和情況的投資策略，從而避免不當銷售。因此，財務顧問需要合理的信息來評估其適用性，例如財務狀況、投資目標、投資的時間范圍以及客戶接受風險的意愿(即風險偏好)。因此，確定適當性在很大程度上取決于評估投資者的能力，尤其是風險偏好問題。有效和可靠地衡量風險偏好是成功進行財務咨詢以提高客戶滿意度的關鍵因素。

本文目的在于測試一種工具，通過使用真實投資者的樣本，將調查數據與真實的投資組合聯系起來，從而滿足當今的法規要求和科學標準。在本文的分析中，使用來自銀行客戶數據庫的不同投資組合風險度量作為因變量，以測試工具的可靠性和有效性,并進一步分析其與投資者人員統計特征的關系。所獲得的結果主要針對投資資本超過2萬元的部分咨詢客戶。研究還包括客戶執行，但他們在銀行的客戶數據庫中所占的比例卻不足，因此在樣本中所占的比例也較低。

一、研究方法

(一)問卷設計

為了選擇問卷，本文根據法規要求和科學標準采用了以下6條標準：(1)特別關注興趣的領域(投資)。(2)衡量風險偏好，不要混淆不同的概念，例如投資目標或風險承受能力。(3)問題和答案選項的措詞必須清晰易懂。(4)不應基于數量。排除了基于前景理論問題、賭博任務或彩票選擇的問卷。(5)問題不應要求過于具體的投資知識。(6)問卷應在有效性和可靠性方面達到高標準。

(二)受訪者

為了評估不同風險偏好并分析其在實際投資組合層面的影響，我們對持有投資組合的某銀行的隨機樣本客戶進行調查。問卷是實名的。受試者被告知，他們的答案將與證券公司內部數據相關聯，經過梳理之后采用。本文隨機抽取了7,963個樣本(投資組合中的最低金額為2萬元)，并邀請他們參與在線或通過發郵件；1200個客戶做出了回應，其中1，194個客戶回應有效。

(三)因變量

為了測試問卷的有效性和預測實際投資行為的能力，我們從數據庫中提取了3個標準變量，以獲得每個受訪者其投資所承擔的風險。在進行調查的同時對數據進行觀察。

1.投資組合中股票百分比

主要使用投資組合中股票的百分比作為因變量。假定股票占總資產的比例高反映了投資者對風險的厭惡程度較低，反之亦然。為了支持我們的結果與其他研究的可比性，本文還研究了風險偏好與客戶投資組合中股票比例之間的關系。與其他研究不同的是，因變量是基于實際的投資組合數據。對于包含多資產基金的投資組合(投資于不同資產類別的基金)，使用基金拆分數據來提取正確比例的股票。股票在投資組合中的比例計算如下：設E表示給定的n個工具集合對m個資產類別的矩陣，E=[eij]∈n×m，其中eij∈,i=1，…,n,j=1,…,m并且對所有i有投資組合的權重

關于m個資產類別，有

X=w′E=(x1,…,xm)∈m.

因此，從客戶投資組合中屬于n種工具的資產類別mstocks的總和可得到投資組合中股票的百分比。

2.投資組合波動性(3年)

為了將投資者的投資組合作為一個整體來考慮，將波動性作為衡量財務風險的一個指標。這里的投資組合波動率是從調查開始3年之內算起的 (月回報率)。投資組合波動性定義為

其中rt=第t個月的客戶投資組合收益。

3.整體投資組合風險指標

最后，使用整體投資組合風險指標作為因變量。它基于調查時相關的風險承擔分配(與投資組合的波動性相比，反映了三年內承擔的風險)。該指標是基于投資者投資組合中的工具分配到8個風險類別中的1個。這些類別的范圍從0(低風險)到7(高風險)，每個類別都由一個上下波動邊界來定義。將單個工具分配給其中一個類別是基于其長期歷史波動性，并通過獨立于本研究的投資專家的定性審查進行驗證。客戶投資組合中的少量投資工具不屬于風險類別，因此沒有被整體風險指標考慮在內。平均而言，該指標反映了投資組合中93.7%的資產。投資組合整體風險指標的權重為

每種工具的風險分類

是通過整體投資組合風險指標(OPRI)=w′RC得出。

這樣的分類符合歐盟金融工具市場法規(MiFID)要求的適當性測試的最佳實踐標準。我們的指標是數量加權指標(即投資者投資組合中的每種金融工具均按其百分比份額加權，得出一個單一的分數)。因此，該措施忽略了根據現代投資組合理論的投資組合多元化原則。

二、調查研究

(一)衡量不同風險偏好

對問卷中使用的項目進行了范圍和適用性的分析。通過因子分析確定股票投資意愿和不同風險偏好兩個維度，并盡可能排除不相關的項目。KMO(Kaiser-Meyer-Olkin)抽樣充分性測度(=0.82)和巴特利特球形檢驗(p< 0.00)證實了項目足以進行因子分析。表1給出了使用主軸分解的最終旋轉因子矩陣。

表1 項目的因素和可靠性分析

這兩個維度都通過因子分析得到了證實，因子權重得分范圍為0.66至0.87。這兩個因素解釋了總方差70.0%(分別為35.9%和34.2%)。如果使用量表，這兩個維度都顯示出較高的克倫巴赫α水平，即股票投資意愿為0.87，不同風險偏好為0.86。因此，股票投資意愿和不同風險偏好這兩個維度可以分別用3個項目可靠地衡量。因此在Keller和Siegrist[3]的原始不同風險偏好量表中加入該附加項目是正確的，因為它顯著提高了原始量表的克倫巴赫α值。

此外，用于比率表的所有項目的失誤值都非常低，(只有1.3～1.9%的參與者選擇了答案選項“我不知道”)(參見表2)。這表明，對于我們樣本中的所有投資者而言，這些項目都是可以理解的，并且似乎不需要深入的金融知識。

表2 所有項目的描述

為了達到設計一種實際使用工具的目的，我們還計算了一個不同風險偏好指數，包括前面提到的兩個風險等級。我們假設，股票投資意愿規模不僅反映了作為特定資產類別的股票投資意愿，而且總體上也反映了投資金融市場的意愿。換句話說，這個子量表可以用來衡量金融投資的風險偏好。因此，應該有可能將其與不同風險偏好量表結合起來以形成不同風險偏好指數。為了計算該指標，對不同風險偏好量表的項目進行了重新編碼。然后將指數計算為所有6個項目的總和，其中每個比例點都有相應的點數。因此，指數從6點到30點不等。其均值為17.35，標準差為5.33。表3給出了不同風險偏好指數的可靠性分析結果。不同風險偏好指數的克倫巴赫α值為0.88。

表3 不同風險偏好指數的可靠性分析(n=1153)

(二)風險偏好測量的有效性

在確定了衡量投資者風險偏好的可靠量表后，我們計算了回歸模型來評估這些測量的有效性。作為客戶實際投資組合風險的指標，使用了從銀行客戶數據庫中提取的因變量部分中描述的3個測量值：投資組合中的股票百分比、投資組合波動性(3年)和總體投資組合風險指標。

所有指標均用作回歸模型中的因變量，作為實際投資行為的預測指標來評估風險偏好測量的有效性。

回歸模型表明，這兩個量表與實際投資行為之間存在非常密切的關系。

當以投資組合中的股票比例作為因變量時，股票投資意愿和不同風險偏好這兩個預測因子解釋了37%的方差(R=0.61，調整后R2=0.37)。股票投資意愿的相對影響(標準β值為0.44)明顯高于不同風險偏好的影響(標準β值為0.24)。此外，兩個尺度解釋了24.0%的客戶的投資組合波動性(R=0.49，調整后R2=0.24)。

最后，總體投資組合風險指標模型顯示了最佳結果： 可以解釋風險指標方差41%(R=0.64，調整后的R2=0.41)。兩種量表的標準化β評分均有顯著性差異(p < 0.01)。表4中的結果表明，投資股票的意愿對投資組合風險水平的影響要大于不同風險偏好(分別為β=0.46和β=0.26)。這與使用投資組合中的股票百分比作為因變量的回歸模型的結果非常相似。

表4 投資組合中的股票百分比，投資組合波動率(3年)和總體投資組合風險指標的回歸模型

比較這三個模型，似乎總投資組合風險指標比投資組合中的股票百分比或投資組合波動性更能代表個人風險偏好。使用我們的不同風險偏好指數作為整體投資組合風險的一個預測指標，也會導致該指數與實際承擔的風險之間的高相關性 R=0.63，這是通過整體投資組合風險指標來衡量的。風險偏好指數解釋了投資組合風險方差40%。

如表5所示，不同風險偏好指數的回歸模型得出的結果與表5所示的結果非常相似：投資組合中股票的百分比(R=0.61，調整后的R2=0.37)和投資組合波動性(R=0.49，調整后的R2=0.24)的方差小于整體投資組合風險指標的方差。因此，不同風險偏好指數將作為所有進一步分析的因變量。

表5 以不同風險偏好指數作為實際行為預測指標的回歸模型

(三)性別、年齡和財富

人口統計學特征已被廣泛用作風險偏好分類的鑒別因素。為了深入了解該量表，我們將調查范圍擴展到了風險偏好和人口統計之間的關系(例如，關于性別、年齡和財富)。大多數已發表的與財務決策相關的研究發現，男性的風險偏好要高于女性。此外，不同風險偏好隨著年齡的增長而降低。Rolison等人發現，男性的年齡呈二次趨勢，女性的呈線性趨勢，風險偏好上的性別差異在年輕人中更為明顯，并且隨著年齡的增長而減小。最后，風險偏好與財富呈正相關。

1.性別差異

男性在不同風險偏好的所有衡量指標上的得分都明顯高于女性，在實際投資方面的得分也明顯高于女性。如表6所示，男性比女性表現出明顯更高的股票投資意愿(M=3.61，SD=1.04，t=-7.03，p≤0.01)，以及較高的風險偏好(M=2.58，SD=0.92，t=-10.44，p≤0.01)和不同風險偏好指數(M=18.57，SD=5.20，t=-9.75，p≤0.01)。看看他們的實際投資行為，可以發現同樣的結果：根據從銀行內部數據得出的總體投資組合風險指標，男性得分明顯更高(M=3.11，SD=1.30，t=-6.40，p≤0.01)，持有的股票明顯多于女性(t=-5.67，p≤ 0.01)，他們的投資組合在過去三年中表現出明顯更高的波動性(M=6.86%，t=-6.97，p≤0.01)。

表6 態度風險指標和風險行為方面的性別差異

2.年齡

我們的不同風險偏好指數所反映的風險承擔意愿在投資者的生命周期中不斷變化。年齡與不同風險偏好指數的相關關系明顯呈倒u型，男性在50歲左右達到頂峰，女性在55歲左右達到頂峰(R2=0.02，F=11.82, p≤0.01的二次函數模型相關性略優于R2=0.01，F=17.25, p≤0.01的線性函數)(見表7)。

表7 不同風險偏好指數(因變量)與年齡(因變量)之間的相關性

這一觀察結果對男性和女性投資者均適用(見圖1)：盡管對于女性而言，線性模型顯示年齡與風險偏好之間無顯著相關性(R2=0.01，F=2.37，p>0.05)，但二次函數確實存在相關性(R2=0.02，F=3.02，p≤0.05)。對于男性，兩種模型都可以使用，但二次函數顯示的相關性(R2=0.03，F=10.52，p≤0.01)比線性模型(R2=0.02，F=16.78，p≤0.01)略好。

圖1 生命周期中性別和年齡的風險偏好差異

對于男性，這些結果與Rolison等人的發現相一致，但與他們關于女性的研究發現相矛盾，因為女性的線性趨勢不顯著，而二次函數明顯。

3.財富

隨著財富的增加(以包括銀行中存儲的現金在內的資產總額衡量)，承擔風險的意愿也隨之提高。我們發現風險偏好指數與客戶財富之間存在r=0.22(p≤0.01，n=1,153)的適度相關性。從不同的財富值來看，風險偏好指數存在明顯差異(見表8)。

表8 按財富值劃分的風險偏好差異

為了評估對風險行為的影響，我們在回歸模型中逐步引入了人口統計學變量。結果見表9。

表9 以不同風險偏好指數和人口統計變量作為預測整體投資組合風險指標的回歸模型(n=1129)

盡管在我們的研究中，男性的投資組合平均風險水平高于女性，但在個人層面上，他們似乎都是根據各自的風險偏好進行投資的。性別作為實際風險承擔的額外預測因素沒有顯著的解釋力，也不能解釋額外的方差(ΔF=0.18，p>0.05)。年齡也是如此：年齡不考慮回歸模型中的其他方差(ΔF=0.09，p>0.05)。因此，不同風險偏好指數似乎已經考慮到了性別和年齡差異。

另一方面，客戶的財富可以作為預測指標，顯著但僅略微提高了模型的解釋能力(ΔF=20.99，p≤0.01)。客戶的財富越多，越有可能投資于風險更高的投資組合。財富額外增加了1.0%的方差。

三、討論

本文對個人意愿及其風險偏好的測算得出以下結論:它表明不同風險偏好可以使用6個項目可靠地測量(不同風險偏好指數的克倫巴赫值=0.88)。這些發現與Weber等人的研究一致，他們表明4-8個項目在可靠性方面是足夠的。

此外，我們的結果表明，以投資環境中的風險偏好為重點的可理解的陳述可以用作投資者在金融市場投資時承擔的實際風險的有效預測指標。使用財務風險指標，可以解釋總投資組合風險的方差40%，存款股票百分比37%和投資組合波動性22%。與風險研究的其他發現相比，我們的指數似乎提供了有效的結果，并解釋了實際投資者行為的大量差異。