基于高維分位數(shù)因子模型的中國股市尾部系統(tǒng)風(fēng)險分析

李伯龍

(南開大學(xué) 金融學(xué)院,天津 300350)

2008年金融危機后,中國經(jīng)濟進入中高速增長的新常態(tài),而世界經(jīng)濟仍處于緩慢的恢復(fù)期。防控金融風(fēng)險與維護金融市場穩(wěn)定,已然成為應(yīng)對當(dāng)下國內(nèi)外復(fù)雜經(jīng)濟環(huán)境的首要課題。黨的十九大報告強調(diào)要“守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線”。而進一步了解尾部風(fēng)險的特征,探究極端金融事件的生成與變化機制,無疑對這一特殊形勢下金融風(fēng)險的防范具有重要意義。

尾部風(fēng)險研究的重要性在于極端事件對金融市場的巨大影響。當(dāng)極端事件發(fā)生時,投資者對市場形勢的認知與采取的行動可能對風(fēng)險產(chǎn)生放大作用。考慮罕見災(zāi)害風(fēng)險的研究[1-2]指出市場條件的惡化會增大投資者對未來巨大災(zāi)害發(fā)生的預(yù)期并要求更高的風(fēng)險補償,進而增大災(zāi)害實際發(fā)生的概率。Brunnermeier等[3]認為金融市場流動性的平衡是脆弱的。當(dāng)市場形勢不利時,金融機構(gòu)要求的交易保證金上升會令投資者資金緊缺。為維持頭寸,投資者會拋售資產(chǎn),引起資產(chǎn)價值下跌。這一現(xiàn)象會不斷加劇,最終導(dǎo)致市場流動性枯竭。盡管極端事件發(fā)生概率較小,但小概率事件一旦發(fā)生并引起人們的注意,風(fēng)險放大效果便可能產(chǎn)生。金融風(fēng)險的自我強化與預(yù)期的自我實現(xiàn)會在不利環(huán)境下對整體市場產(chǎn)生巨大破壞。

學(xué)者嘗試提出不同指標對尾部風(fēng)險進行衡量,如在險價值(Value at Risk,VaR)、條件在險價值(Co VaR)[4]及預(yù)期損失(Expected Shortfall,ES)[5]等。楊子暉等[6]采用預(yù)期損失指標對中國滬深300、銀行業(yè)、證券業(yè)、保險業(yè)、地產(chǎn)業(yè)及多元金融業(yè)指數(shù)的尾部風(fēng)險進行了測度,發(fā)現(xiàn)該指標能夠有效衡量尾部風(fēng)險。曾裕峰等[7]在Co VaR 框架下考察了中國加入WTO 以來9個境外證券市場對中國A股市場尾部風(fēng)險的傳染效應(yīng),發(fā)現(xiàn)香港與美國市場對A 股市場影響最為顯著。張興敏等[8]基于高維分位數(shù)回歸模型考察了中國總體金融系統(tǒng)、金融行業(yè)間、行業(yè)內(nèi)及機構(gòu)間4個層級中的尾部風(fēng)險傳染,指出各層級中的風(fēng)險傳染在經(jīng)濟或金融困境時期顯著增強。利用同一方法,蔣海等[9]分析了上市銀行尾部風(fēng)險網(wǎng)絡(luò)結(jié)構(gòu)對系統(tǒng)性風(fēng)險的影響,研究表明,個體銀行尾部風(fēng)險的溢出會降低其自身風(fēng)險,增強銀行間網(wǎng)絡(luò)關(guān)聯(lián),進而提高系統(tǒng)性風(fēng)險的整體水平。

梳理相關(guān)研究不難發(fā)現(xiàn),對尾部風(fēng)險的考察多關(guān)注不同金融市場主體間的傳染效應(yīng)。關(guān)于尾部風(fēng)險的結(jié)構(gòu)及其他特征的探討仍較為少見。本文基于高維分位數(shù)因子模型對中國股市的尾部系統(tǒng)風(fēng)險進行分析,以期豐富尾部風(fēng)險的相關(guān)研究,為新常態(tài)下金融風(fēng)險的防控提供參考。

尾部系統(tǒng)風(fēng)險同樣受到其他學(xué)者關(guān)注。文獻[10-11]中采用Copula方法對個股與整體市場的尾部相關(guān)性進行估計以度量個股的尾部系統(tǒng)風(fēng)險。而本文將尾部系統(tǒng)風(fēng)險定義為分位數(shù)因子模型回歸的擬合值,為個股間不可分散的共同成分,因而與文獻[10-11]中的衡量指標具有不同的經(jīng)濟意義。Kelly等[12]利用個股截面數(shù)據(jù)對尾部系統(tǒng)風(fēng)險進行估計。該研究假設(shè)個股收益極端值服從冪律過程,受同一系統(tǒng)風(fēng)險參數(shù)驅(qū)動,故該方法可視為一單因子模型。而本文采用的因子模型允許因子數(shù)目隨極端程度的不同變化,具備更高靈活性且能對尾部共同成分進行更為準確的估計。馬丹等[13]亦采用因子模型對尾部風(fēng)險進行研究,但其采用的模型為均值模型。正如Ando等[14]指出的,影響收益均值的共同因子與影響分位數(shù)的因子存在差異。利用分位數(shù)因子模型估計的共同因子直接作用于股票收益的極端值,故本文對尾部系統(tǒng)風(fēng)險的測度較馬丹等具有更強的準確性。

本文研究貢獻主要體現(xiàn)在:首先,利用高維因子模型對尾部系統(tǒng)風(fēng)險進行估計,著重分析其結(jié)構(gòu)特征,具備較為獨特的分析視角。其次,拓展了現(xiàn)有研究的范圍,探討了尾部系統(tǒng)風(fēng)險的宏觀來源問題,及企業(yè)特征對個股尾部系統(tǒng)風(fēng)險受宏觀風(fēng)險源影響異質(zhì)性的作用。事實上,利用分位數(shù)回歸方法的研究多將宏觀變量與企業(yè)特征因素作為解釋變量,所得分位點擬合值已包含兩類變量解釋的成分。而本文估計的條件分位數(shù)擬合值僅來源于個股分位數(shù)變化的共同成分。這一特征為尾部系統(tǒng)風(fēng)險及宏觀市場與企業(yè)特質(zhì)聯(lián)系的考察提供了空間。最后,對上、下雙側(cè)極端風(fēng)險進行了對比研究,發(fā)現(xiàn)中國股市尾部系統(tǒng)風(fēng)險表現(xiàn)出較強的高低位不對稱性。特別地,股票收益高分位點擬合值與四分位距的相關(guān)系數(shù)分布正向偏離的程度顯著大于低分位點擬合值與四分位距相關(guān)系數(shù)分布負向偏離的程度。高分位點擬合值波動更強,受宏觀市場影響的機制更為復(fù)雜。高低位不對稱性隨極端程度的加大增強,故新常態(tài)下中國股市高位尾部系統(tǒng)風(fēng)險更為突出。

1 高維分位數(shù)因子模型

本文在Chen等[15]構(gòu)建的高維分位數(shù)因子模型框架下對股票的尾部系統(tǒng)風(fēng)險進行考察。假設(shè)股票收益率矩陣Yit的τ分位數(shù)具有如下因子結(jié)構(gòu):

式中:i=1,2,…,N標識股票,t=1,2,…,T標識時間;τ∈(0,1),ft(τ)為r(τ)×1維不可觀測因子向量,λi(τ)為r(τ)×1維因子載荷向量。為簡化表述,在不引起歧義的情況下,可將ft(τ)、λi(τ)及r(τ)分別記為ft、λi及r。式(1)可通過最小化目標函數(shù)

取得,式(2)中,θ=為待估參數(shù),ρτ(u)=(τ-1{u≤0})u為分位數(shù)損失函數(shù)。因子與因子載荷的識別需滿足正規(guī)化條件為元素非增的對角矩陣。

Chen等[15]給出了當(dāng)樣本矩陣Y的維度趨于無窮時因子模型估計量的漸近性質(zhì),并提出迭代分位數(shù)回歸(Iterative Quantile Regression,IQR)算法對模型進行估計。令

IQR 算法即可表述為:

步驟1隨機選擇初始參數(shù)F(0)。

步驟2基于F(l-1),對i=1,2,…,N,計算

基于Λ(l-1),對t=1,2,…,T,計算

步驟3對l=1,2,…,L,重復(fù)步驟2 直至LNT(θ(L))與LNT(θ(L-1))足夠接近。

步驟4正規(guī)化Λ(L)與F(L)令其滿足步驟3中的條件。

不可觀測因子的數(shù)目r可通過最小化Ando等[14]提出的信息準則

取得。IQR 算法可通過基于MATLAB的代碼實現(xiàn)[15]。

2 尾部系統(tǒng)風(fēng)險特征分析

尾部風(fēng)險常以VaR 進行衡量,其含義為一定置信水平下資產(chǎn)可能的最大損失,即

模型擬合采用的數(shù)據(jù)為中國上市公司股票的月度收益率,來自CSMAR 數(shù)據(jù)庫。由于樣本的時間跨度越長,在樣本期間內(nèi)數(shù)據(jù)完整度高的股票越少,且因子模型的估計需樣本無缺失值,故選取金融危機后2011-01～2020-06 的數(shù)據(jù)進行研究。金融危機后,世界經(jīng)濟進入緩慢的恢復(fù)期,中國經(jīng)濟亦進入中高速增長階段。對這一新時期的市場數(shù)據(jù)進行分析有助于明晰新常態(tài)下中國金融市場的風(fēng)險特征,為金融風(fēng)險的防控提供參考。本文剔除了樣本內(nèi)的金融類股票與缺失值數(shù)目多于時間維度觀測值總數(shù)5%的股票。為保持與后文分析的一致性,部分基本面特征數(shù)據(jù)缺失的股票亦被剔除。將少量缺失值進行填充后,獲取最終樣本的股票數(shù)為1 470,時間序列觀測值數(shù)目為114。圖1所示為隨機選取股票的分位數(shù)回歸擬合值序列圖。其中,虛線為收益率實際值,上側(cè)灰色實線、中部黑色實線及下側(cè)灰色實線分別對應(yīng)95%、50%及5%分位點的擬合值。可見,該股票各分位點擬合值與其實際收益率的變化存在較高同步性。

圖1 分位數(shù)回歸擬合值序列圖

為進一步分析極端風(fēng)險的分布特征,圖2呈現(xiàn)了分位點擬合值與四分位距相關(guān)系數(shù)的分布。四分位距為75%分位點與25%分位點擬合值之差,反映了當(dāng)期條件分布的寬度。條件分布愈寬,表明當(dāng)期股票收益變動范圍愈大,系統(tǒng)風(fēng)險引致的個股不確定性愈高。由圖2可知,5%分位點擬合值與四分位距相關(guān)系數(shù)為負的股票數(shù)多于相關(guān)系數(shù)為正的股票數(shù)目,而50%和95%分位點擬合值與四分位距的相關(guān)系數(shù)更多地表現(xiàn)為正向。另外,95%分位點擬合值與四分位距相關(guān)系數(shù)分布正向偏離的程度顯著大于5%分位點擬合值與四分位距相關(guān)系數(shù)分布負向偏離的程度。由此可見,中國股市系統(tǒng)風(fēng)險引致不確定性的增大,即四分位距的擴大,更大程度伴隨著市場形勢的正向發(fā)展。

圖2 分位點擬合值與四分位距相關(guān)系數(shù)分布

圖3展示了分位點擬合值方差的分布情況。圖中分布愈靠右,表明波動的程度愈大;分布愈寬,表明波動的分散度愈大。由于50%分位點的表現(xiàn)與均值相近,收益率方差的分布較50%分位點擬合值靠右且寬度更大,表明個股波動的特質(zhì)波動[16]是波動率的重要來源。5%分位點擬合值方差的分布與50%分位點相近度較高,而95%分位點擬合值的波動更大,波動的分散度更高。可見,就波動而言,中國股市高位尾部系統(tǒng)風(fēng)險更為突出。

圖3 分位點擬合值方差分布

本文亦對不同極端水平下 (τ=1%,99%,10%,90%)的分位點擬合值進行考察,結(jié)果與上述發(fā)現(xiàn)一致。相關(guān)統(tǒng)計結(jié)果總結(jié)于表1。由表1 可見,隨極端程度的上升,分位點擬合值波動的程度加大且分散度提高。本節(jié)對分位數(shù)回歸擬合結(jié)果的分析表明,金融危機后中國股市的尾部系統(tǒng)風(fēng)險表現(xiàn)出較強的高低位不對稱性,突出體現(xiàn)于高位尾部風(fēng)險與不確定性的強正相關(guān)及其較低位尾部風(fēng)險更大的方差水平值與分散度。馬勇等[17]指出,中國股市的暴漲與暴跌事件都會顯著刺激同一事件持續(xù)發(fā)生。本節(jié)的研究結(jié)果則強調(diào)了在市場上升階段維持金融穩(wěn)定的必要性。

表1 尾部系統(tǒng)風(fēng)險特征

3 尾部系統(tǒng)風(fēng)險的宏觀來源

本文考察的尾部系統(tǒng)風(fēng)險指標為個股極端值受不可觀測因子驅(qū)動的共同成分。盡管上文對共同成分的統(tǒng)計特征反映的風(fēng)險特征進行了分析,但由于不可觀測因子并無經(jīng)濟意義,尾部系統(tǒng)風(fēng)險與宏觀經(jīng)濟形勢變化的聯(lián)系尚不明確。因此,本節(jié)將個股分位點擬合值序列對一系列可觀測宏觀風(fēng)險因子回歸,以對尾部系統(tǒng)風(fēng)險宏觀來源的問題進行分析。探究這一問題對了解股市極端風(fēng)險的構(gòu)成,明晰宏觀市場風(fēng)險引致極端金融風(fēng)險的機制具有重要意義。

表2對所選取的宏觀風(fēng)險因子進行了總結(jié),部分宏觀因子的選取參考了文獻[18]。本文考察宏觀風(fēng)險因子的當(dāng)期值與1期滯后值對尾部系統(tǒng)風(fēng)險的影響。由于變量較多,采用傳統(tǒng)最小二乘回歸會產(chǎn)生過擬合問題,本文應(yīng)用正則化方法進行分析,選擇的懲罰項為SCAD (Smoothly Clipped Absolute Deviation)[19]。Fan 等[19]指出SCAD 能夠在 估 計非零系數(shù)時保持與零系數(shù)已知且該限制條件被施加時的一致性,具有“oracle”的性質(zhì)。回歸可利用R軟件包“ncvreg”完成。將個股分位點擬合值序列對宏觀風(fēng)險因子分別進行回歸后,所得各變量非零系數(shù)數(shù)目占股票總數(shù)的比例直觀展示于圖4。

表2 宏觀風(fēng)險因子

圖4表明,中國股市尾部系統(tǒng)風(fēng)險在受宏觀沖擊影響方面同樣表現(xiàn)出高低位不對稱性1)由于本文采用的正則化回歸無傳統(tǒng)統(tǒng)計推斷衡量方法,故以圖4將回歸結(jié)果直觀展示以綜合通過回歸獲取的復(fù)雜信息。圖4第1行中低位尾部系統(tǒng)風(fēng)險敏感性強的宏觀因子數(shù)較第2行中同等極端水平的高位風(fēng)險更少,表明高位尾部系統(tǒng)風(fēng)險與宏觀市場形勢的關(guān)聯(lián)性更強。另外,圖4中從左至右,部分影響較小的宏觀風(fēng)險因子作用漸強,表明股市尾部系統(tǒng)風(fēng)險的構(gòu)成隨極端程度的加大而愈加復(fù)雜。

圖4 各宏觀風(fēng)險因子非零系數(shù)數(shù)目占股票總數(shù)的比例

本文亦采用LASSO[20]方法進行回歸,發(fā)現(xiàn)經(jīng)SCAD 方法選擇的變量幾乎同樣被LASSO 方法選擇,表明宏觀風(fēng)險因子的篩選具有較強穩(wěn)健性。部分經(jīng)LASSO 方法選擇的變量未被SCAD 方法選擇,可能原因為兩者對系數(shù)懲罰方式存在差異。

由于尾部系統(tǒng)風(fēng)險的敏感變量集合隨極端程度的不同而變化,故選擇極端水平為5%,即5%與95%分位點擬合值進行進一步分析。此外,對當(dāng)期與滯后1期共44個宏觀風(fēng)險因子的作用逐一分析困難較大,分析結(jié)果的可理解性亦會較差,故選擇非零系數(shù)數(shù)目多于股票總數(shù)1/5 且被SCAD 與LASSO 方法同時選取的變量進行考察。若變量的當(dāng)期值與滯后值同時被選出,則僅保留影響更顯著

者以簡化分析。對新變量集合重新進行最小二乘回歸后,所得系數(shù)的分布如圖5所示。

由圖5可見,上證綜指收益與波動是高、低位風(fēng)險的共同驅(qū)動因素。上證指數(shù)收益率對5%與95%分位點擬合值的作用均為正,表明股票收益條件分布的上、下邊緣均隨股市形勢同向變動。上證綜指波動率對5%分位點的作用為負,對95%分位點的作用顯著表現(xiàn)為正向,表明中國股市不確定性的增強在很大程度上與市場上漲同步出現(xiàn),這一結(jié)果與前文分析結(jié)論一致。楊朝軍等[21]指出中國股市流動性能夠影響收益的期望,圖5 中結(jié)果則表明,Pastor-Stambaugh流動性因子[22]對5%分位點的負向作用較顯著。原油價格對高、低分位點的影響均主要表現(xiàn)為正向,表明新形勢下中國股市漲跌與國際原油價格變化呈現(xiàn)一定同步性。鐘婉玲等[23]同樣發(fā)現(xiàn),原油價格對中國股市尾部風(fēng)險存在溢出效應(yīng)。消費價格變化對5%分位點的正向影響反映了社會消費傾向同股市低位系統(tǒng)風(fēng)險較強的一致性。

另外,流動性因子與VIX 指數(shù)對95%分位點擬合值影響的正負并不明確,工業(yè)產(chǎn)品價格、信心指數(shù)與政策不確定性[24-26]作用系數(shù)稍偏負向。由于股票數(shù)目為固定值,圖5各子圖系數(shù)分布的峰值愈高,則系數(shù)的集中度愈高,各股票對變量沖擊敏感性的一致程度愈強。進一步觀察上述變量的相關(guān)分布可以發(fā)現(xiàn),工業(yè)產(chǎn)品價格作用系數(shù)分布的峰值最低,其次為流動性因子,VIX 指數(shù)、信心指數(shù)及中國政策不確定性作用系數(shù)分布的峰值相近。全球政策不確定性相關(guān)分布的峰值在這些變量中最高,但距消費價格指數(shù)相關(guān)分布的峰值仍有較大差距。可見,95%分位點擬合值對上述變量的敏感性具備較高分散度,而這一現(xiàn)象表明,高位尾部系統(tǒng)風(fēng)險對上述宏觀風(fēng)險因子的響應(yīng)方式具有較強異質(zhì)性。

4 對宏觀因子敏感度的異質(zhì)性分析

上文分析顯示,尾部系統(tǒng)風(fēng)險對宏觀風(fēng)險因子的敏感性在個股間存在差異。本節(jié)將個股對宏觀因子的敏感性作為被解釋變量,對股票的企業(yè)特征進行截面回歸,以探究這一異質(zhì)性的來源。企業(yè)特征數(shù)據(jù)來自CSMAR 和RESSET 數(shù)據(jù)庫。數(shù)值型特征取值為上文分析樣本期間的平均值。5%與95%分位點相關(guān)回歸結(jié)果如表3、4所示。

表3 5%分位點截面回歸結(jié)果

截面回歸結(jié)果給出了回歸系數(shù)t統(tǒng)計量的值。各宏觀因子相關(guān)截面回歸的p值均極小,表明企業(yè)特征能夠在一定程度上解釋個股尾部系統(tǒng)風(fēng)險對宏觀風(fēng)險因子敏感性的差異。10個企業(yè)特征變量中,市值對數(shù)的解釋力最強,營業(yè)現(xiàn)金穩(wěn)定性解釋力最弱。資產(chǎn)負債率亦表現(xiàn)出較強的解釋能力。為便于理解,本文根據(jù)不同的宏觀因子對企業(yè)特征的作用進行分析。

上文顯示,高、低尾部系統(tǒng)風(fēng)險隨上證綜指收益同向變動趨勢較強,截面回歸結(jié)果表明,資產(chǎn)凈利率與機構(gòu)投資者持股比例會降低這一同步性,可持續(xù)增長率與托賓Q值會提高這一同步性。另外,隨著市值的增大,高位風(fēng)險的同步性加強而低位風(fēng)險的同步性減弱。資產(chǎn)負債率與國企股權(quán)虛擬變量對低位風(fēng)險同步性作用較強,前十大股東持股比例則對高位風(fēng)險同步性作用顯著。

上證綜指波動對5%分位點擬合值的作用為負,故表3相關(guān)結(jié)果表明,各顯著變量均會增大低位風(fēng)險對市場波動的暴露。市值對數(shù)、資產(chǎn)負債率、可持續(xù)增長率及國企股權(quán)虛擬變量會加大95%分位點擬合值對上證波動率正向的關(guān)聯(lián)度,資產(chǎn)凈利率與機構(gòu)投資者持股比例的作用為負,表明兩者能夠緩和股價在不確定性較高條件下的過度上漲。

表4結(jié)果顯示,顯著的企業(yè)特征均會增大95%分位點擬合值與流動性因子的正相關(guān)性。表3結(jié)果表明,市值對數(shù)、資產(chǎn)凈利率及機構(gòu)投資者持股比例能夠降低5%分位點擬合值與流動性因子的負相關(guān)性,而資產(chǎn)負債率、可持續(xù)增長率及托賓Q值會增大這一負向關(guān)聯(lián)。

表4 95%分位點截面回歸結(jié)果

尾部系統(tǒng)風(fēng)險對原油價格變化同樣表現(xiàn)出較強同步性,企業(yè)特征對這一同步性的影響在上、下分位點相似性較高。市值對數(shù)、資產(chǎn)負債率及國企股權(quán)虛擬變量的作用均為負向,托賓Q值的作用均為正向。資產(chǎn)凈利率、機構(gòu)投資者持股比例及制造業(yè)虛擬變量對5%分位點擬合值作用較強。

工業(yè)產(chǎn)品價格與信心指數(shù)對高位系統(tǒng)風(fēng)險的影響相近,而企業(yè)特征對這一影響方式的作用同樣類似。這一現(xiàn)象表明,高位系統(tǒng)風(fēng)險受兩者影響機制具有較強相似性。盡管中國與全球政策不確定性對高位系統(tǒng)風(fēng)險的影響亦較為相近,企業(yè)特征對這一影響的作用則全然相反,這一現(xiàn)象表明,股票高位風(fēng)險對中國內(nèi)部抑或全球政策不確定性敏感,在很大程度上取決于所屬企業(yè)的特征。企業(yè)特征影響VIX指數(shù)對高位系統(tǒng)風(fēng)險作用的方式為負向。低位系統(tǒng)風(fēng)險對消費價格變化的敏感度則受資產(chǎn)負債率、可持續(xù)增長率及托賓Q值正向作用,受市值對數(shù)、資產(chǎn)凈利率及機構(gòu)投資者持股比例的負向作用。

5 尾部系統(tǒng)風(fēng)險機制分析

金融市場是經(jīng)濟整體的組成部分,股市尾部系統(tǒng)風(fēng)險的發(fā)展變化亦與宏觀市場環(huán)境緊密相關(guān)。本文研究涉及宏觀環(huán)境對尾部系統(tǒng)風(fēng)險作用與個股受沖擊反應(yīng)的方式。本節(jié)將主要研究結(jié)果集中體現(xiàn)于圖6,以明晰風(fēng)險由宏觀市場傳導(dǎo)至個股收益的途徑,加深對尾部系統(tǒng)風(fēng)險生成與變化機制的分析,為新常態(tài)下金融風(fēng)險的防控提供參考。

圖6 尾部系統(tǒng)風(fēng)險生成與高低位不對稱

綜觀本文研究各部分結(jié)果可以發(fā)現(xiàn),高低位尾部風(fēng)險的不對稱性表現(xiàn)于對可觀測宏觀沖擊的敏感變量集合、決定個股受宏觀沖擊敏感性的企業(yè)特征及最初分析發(fā)現(xiàn)的尾部風(fēng)險本身特征。股票市場是金融體系中承接當(dāng)下與未來經(jīng)濟發(fā)展的橋梁,股票尾部系統(tǒng)風(fēng)險高低位的不對稱亦反映了投資者在不同經(jīng)濟環(huán)境下對市場的預(yù)期及其決策。低位尾部系統(tǒng)風(fēng)險反映了股市整體暴跌的風(fēng)險,是投資者負向預(yù)期的體現(xiàn)。而高位尾部系統(tǒng)風(fēng)險則反映了投資者的樂觀情緒。投資者面臨市場環(huán)境變化時對信息的判斷決定了信息以何種方式對市場走向產(chǎn)生影響。由本文研究結(jié)果可見,高位尾部系統(tǒng)風(fēng)險較低位風(fēng)險更為突出,可能源于金融危機后中國股市的樂觀情緒。高位尾部風(fēng)險與收益分布寬度較強的正相關(guān)表明暴漲風(fēng)險是危機后股市風(fēng)險的主要來源,這正是投資者樂觀情緒的體現(xiàn)。當(dāng)經(jīng)濟環(huán)境發(fā)生變化時,投資者積極尋求套利空間。較大的經(jīng)濟波動均可為投資者創(chuàng)造機會,因此,高位尾部系統(tǒng)風(fēng)險與可觀測變量聯(lián)系更為密切。由于市場整體情緒偏向樂觀,投資者買賣套利的活動較拋售資產(chǎn)規(guī)避風(fēng)險的行為更頻繁,高位尾部風(fēng)險的波動較低位風(fēng)險波動更劇烈,故就當(dāng)下形勢而言,合理引導(dǎo)市場,降低頻繁套利引致的大幅波動可能對金融穩(wěn)定更為有利。

另外,企業(yè)特征對個股受宏觀沖擊的敏感性存在影響,且在高低位尾部風(fēng)險中的影響存在差異,表明投資者較為重視基本面信息。交易者能夠在一定程度上甄別企業(yè)資質(zhì)并據(jù)此尋找投資機會。因此,加深對這一機制的認知可能為金融風(fēng)險防控提供借鑒。特別地,由圖5可以看出,中國與全球經(jīng)濟政策不確定性對高位尾部風(fēng)險的影響均稍偏負向,并無顯著區(qū)別。但表4的回歸結(jié)果表明,對兩類政策不確定性敏感的企業(yè)具備的特征截然相反。進一步發(fā)掘類似聯(lián)系能夠為風(fēng)險防控政策的制定提供依據(jù)。具體而言,政策制定者可以當(dāng)下風(fēng)險防控的主要目標為導(dǎo)向,依據(jù)極端系統(tǒng)風(fēng)險對防控目標因子的敏感度,對具備相應(yīng)的企業(yè)特質(zhì)進行識別,進而制定具有針對性的措施。綜上所述,本文對尾部系統(tǒng)風(fēng)險研究的途徑表明決策者可依據(jù)對市場環(huán)境的分析,深化對市場情緒的把控,適當(dāng)調(diào)整決策重心,加強或減弱決策在特定方面的限制,令政策在金融市場得到更有效的發(fā)揮。

6 結(jié)語

深入對尾部風(fēng)險的了解對于新常態(tài)下金融風(fēng)險的防控具有重要意義。本文采用高維分位數(shù)因子模型對中國股市尾部系統(tǒng)風(fēng)險進行考察,發(fā)現(xiàn)當(dāng)下股市高位尾部系統(tǒng)風(fēng)險更為突出。分位數(shù)回歸結(jié)果表明:股票收益分布的變寬更多與高分位點擬合值的增大相聯(lián)系;高位點擬合值波動更大且波動的分散度更高;高分位點擬合值較低分位點與宏觀市場聯(lián)系的復(fù)雜度更強。隨著極端程度的加大,高、低尾部系統(tǒng)風(fēng)險的不對稱性愈發(fā)顯著。盡管高位尾部風(fēng)險反映了市場的樂觀情緒,但其大幅波動仍會影響金融系統(tǒng)的穩(wěn)定性。截面回歸結(jié)果顯示,尾部系統(tǒng)風(fēng)險受宏觀因素影響的程度隨企業(yè)特征差異而變化,故針對不同類型的企業(yè)制定適合的風(fēng)險規(guī)避策略可能是減小股價對宏觀風(fēng)險暴露的有效途徑。