中國股市行業間投資者情緒傳染效應研究
——基于VMD-WA模型

李合龍 ,袁宜晨 ,張衛國

(1.華南理工大學 經濟與金融學院,廣州 510006;2.華南理工大學 工商管理學院,廣州 510641)

一直以來,中國股市不同行業之間的“同漲同跌”現象充斥著整個市場。以West[1]為代表的“非理性行為觀”認為“同漲同跌”反映的是股票收益中的噪音、泡沫,以及投資者“狂熱”和“恐慌”心理所引發的“追漲殺跌”“從眾”等與公司基本面無關的非理性行為和因素。這也意味著市場細微波動會導致投資者的情緒發生變化,進而使投資者做出非理性行為,最終形成巨大的市場波動,這一過程極大增加了中國股市的風險,也是2015 年股災的重要原因之一。當今信息化時代的快速發展使得各行業之間的聯系更加緊密,各行業的投資者更容易受到其他行業投資者的影響,因此,行業間投資者情緒會出現不同程度的傳染現象。不同類型行業間投資者情緒傳染效應強度如何? 其持續時間如何? 這些問題既是亟須研究的熱點,也對控制風險、穩定金融市場有著重要的指導意義。

行業之間的聯系日益緊密,行業間溢出效應也成為熱門研究課題,現有文獻關于行業間溢出效應的研究主要從兩個方面展開。一方面,從價格的角度出發,徐曉光等[2]探究了滬港通背景下不同行業指數之間的波動溢出效應。Barunik等[3]首次表明美國股市行業間波動溢出具有非對稱性。劉靜一等[4]通過實證證明行業間“壞的波動”溢出效應占據主導地位。另一方面,從風險的角度出發,Karimalis等[5]使用CoVaR模型探究了銀行業、保險業和證券業之間的風險傳遞與溢出關系。陳暮紫等[6]使用GARCH-CoVaR模型探究了A 股行業間的動態風險溢出效應。除了關于行業間價格與風險的溢出效應的研究外,工業行業間投入對產出的溢出效應[7]、行業間生產率的溢出效應[8]與行業板塊間流動性溢出效應[9]等也都是值得研究的問題。行業間溢出效應的研究涉及了行業信息的多方面,行業情緒傳染效應卻極少被提及,探究行業間情緒傳染效應能夠為風險控制與穩定金融市場提供重要參考。

個體情緒是情緒傳染最初的切入點,Barsade[10]從行為的角度指出情緒傳染是選擇性吸收他人情緒。Benerjee[11]建立序列性羊群行為模型,發現投資主體通過貝葉斯過程能從市場的噪聲以及其他個體的決策中獲取自己決策的信息,不同市場中投資者間發生的情緒傳染是市場情緒傳染的直接原因。隨著經濟全球化發展趨勢,國際市場間情緒傳染效應越來越被學者們關注和研究。Hudson等[12]發現,美國市場情緒對英國市場情緒有著強烈影響。萬千等[13]使用Copula-DCCGARCH 模型研究了中美兩國的投資情緒的動態相關性,發現兩國情緒相關性時變且整體正向。文鳳華等[14]發現,資本市場的開放會增強中美情緒傳染效應。尹海員等[15]探究了中、美等7國間情緒傳染的渠道,發現宏觀經濟狀況是影響投資者情緒跨國傳染的主要因素。縱觀上述研究,對投資者情緒傳染效應的研究多集中于國家市場層面,忽略了行業層面,而不同行業情緒會影響市場參與者對各行業的預期。當產業政策發生改變時,相關行業的參與者會作出相應的反應,同時不同行業的參與者會通過信息渠道相互產生影響,行業投資者情緒發生了傳染,進而影響參與者的行為。沈沛龍等[16]的研究也表明,投資者情緒傳染會顯著提升風險傳染效應。綜上所述,研究行業間情緒傳染有助于監測市場風險的產生與擴散,在此基礎上,對于制定相應的行業政策具有重要的理論和現實意義。

中國金融市場是典型信息非對稱市場,影響行業投資者情緒的因素錯綜復雜,情緒通常呈現出非線性、非平穩等復雜特性,僅僅使用傳統的計量方法從時域的角度進行分析并不能完整刻畫行業間投資情緒傳染效應。正如李合龍等[17]指出,金融市場由短期和長期等不同投資時間水平的交易者所組成,與此對應,不同類型交易者的情緒分散反映在不同的時間尺度上,不同的交易者將從不同的時間尺度來看待和影響市場。因此,以多時間尺度的方式研究行業間投資者情緒傳染效應能夠更加準確地刻畫其特征。金融領域常用的經驗模態分解(Empirical Mode Decomposition,EMD)[18-20]與集成經驗模態分解(Ensemble Empirical Mode Decomposition,EEMD)[21-23]算法在處理非線性、非平穩的序列上具有較好的時域和頻域分辨率,能夠將非線性、非平穩時間序列分解為頻率特征不一致但相對平穩的多個序列,但EMD 存在模態混疊現象嚴重、對噪聲及采樣敏感等缺點,EEMD 則具有過包絡、欠包絡及缺乏數學基礎等問題,導致其分解效果有限[24]。針對上述問題,變分模態分解(Variational Mode Decomposition,VMD)將信號分量的獲取過程轉移到變分框架內,采用一種非遞歸的處理策略,通過構造并求解約束變分問題實現原始信號的分解[25]。學者們也將其引入金融領域。Wang 等[26]使用VMD 探究了“黑色”期貨在不同時間尺度下收益率的相關性。Li等[27]使用VMD 探究了不同時間尺度下原油市場與中國股市的風險溢出效應。Mensi等[28]把VMD 運用到原油與外匯市場,發現出口國家的原油與匯率在短期與長期都有著強烈聯系。VMD 算法可以將原序列分解為包含不同時間尺度信息的多個序列,但上述研究對分解得到的本征模態函數 (Intrinsic Mode Function,IMF)的分類十分主觀,這容易導致不同時間尺度的信息出現混頻現象。不同時間尺度序列的突出區別在于其周期性特征不同。Baubeaul等[29]運用連續小波變換分析捕捉序列周期性分量的內在特征。Addo等[30]運用復Morlet小波分析檢測和表征美國工業生產指數時間序列的周期,證實小波分析(Wavelet Analysis,WA)能夠更有效地分析時間序列的隱藏信息。武華華等[31]使用WA 研究了BDI指數的周期性特征。基于此,本文使用WA 對IMF 進行周期性分析,依據其周期性特征進行重構。與以往研究中主觀分類方式相比,本文獲得的重構序列能夠更精確地表現情緒序列多時間尺度周期波動特征,使結果更加符合現實。

上述文獻分別較為全面地研究了行業間風險與價格的溢出效應、情緒在市場之間的傳染效應以及多時間尺度下市場之間、各指標之間的相互作用關系,但存在以下不足:①行業間溢出效應的研究多停留在價格與風險方面,但要更加了解市場需要研究會影響價格與風險的其他因素,情緒就是一個切入點;② 情緒傳染的研究多停留在市場層面,行業間情緒傳染的研究較少,但這方面的研究有助于增強監管的針對性,有助于市場整體的穩定;③目前用于多時間尺度分析市場的算法在應用于金融領域時有一定的局限性,且在劃分不同時間尺度時具有很強的主觀性。綜上所述,本文從投資者情緒的角度出發,以行業間的關聯性為主線,研究行業間傳染效應。具體而言,首先通過構建的VMD-WA 模型提取出各行業情緒的高頻部分(短期波動項)與低頻部分(長期趨勢項),然后運用VAR 及DCCGARCH 模型分析行業間情緒的均值溢出效應與波動溢出效應。

本文的貢獻主要體現在:①從投資者情緒的視角探究了行業間傳染效應;② 突破了傳統的單一時間尺度,從短期波動與長期趨勢兩個角度分析了行業間情緒傳染問題。

1 方法與模型

不同時間尺度序列的差別使其頻率有所不同。VMD 能夠將序列從低頻到高頻逐步分離成多個IMF分量,在處理非線性、非平穩的序列時效果突出,而投資者情緒序列具有此特征,非常適合分析行業投資者情緒序列。但原序列經過VMD 分解后得到的IMF分量只是長期趨勢項或短期波動項的一部分。與以往文獻中較不準確的主觀分類方法不同,本文將使用WA 計算IMF 分量的主周期并根據其對IMF進行重構,最終得到情緒長期趨勢項與短期波動項。

1.1 變分模態分解(VMD)

VMD算法作為一種在2014年被提出的新序列處理方法[25],通過不斷尋求模型的最優解,進一步明確序列中模態分量的帶寬與中心頻率,最終將序列中的模態分量從低頻到高頻逐步分離。首先需要假設每個模態都是具有中心頻率的有限帶寬,如果將序列分解為K層模態分量,則優化的目標是最小化模態的帶寬之和,由此產生的約束變分問題為:

式中:f是原始序列為最終分解得出的K個IMF分量ωK}為對應的每個IMF 分量的中心頻率;δ(t)是狄拉克函數;*是卷積運算符。VMD 使用了二次懲罰因子α與拉格朗日懲罰算子λ(t)來保證在環境噪聲影響中序列重構的準確性和約束條件的嚴格程度,并成功將式(1)轉換為非約束性變分問題,最終獲得

經過上述過程,輸入的時間序列被分解為若干個IMF序列與R序列,其中的R序列就是從序列當中分解出的噪聲項,將其剔除,剩下的若干個IMF分量{uk}便是需要的時間序列。

1.2 小波分析

小波分析是20世紀80年代Morlet在傅里葉分析基礎上發展起來的、具有時頻多分辨功能的方法,其主要內容包括小波函數和小波變換,重要思想是通過小波函數的平移和縮放表示與逼近相應的序列。

序列ψ(t)∈L2(R)是平方可積函數,其傅里葉變換為ψ(ω),如果滿足如下相容性條件,則稱其為基本小波:

ψ(t)又稱為母小波,將其進行伸縮、平移轉換,可構成L2(R)的一個標準正交基:

式中:a為尺寸因子,a的變化表示遠序列不同時間尺度的周期信息;b為時間因子,表示時間上的平移。通常情況下,連續小波變換表達式為

WTf(a,b)為小波變化系數,本質上表現出小波函數與原序列的相似程度是ψ(t)的復共軛函數;式(7)為小波函數的容許性條件。函數ψ(t)為基小波函數,具有震蕩特性,能夠迅速衰減到0的特性。

不同時間尺度的小波系數能夠反映在該時間尺度下的變化特征,小波系數絕對值越大表明該時間尺度越顯著,將時間域上關于a的所有小波變換系數的平方在b上進行積分,即為小波方差:

由于尺度因子a的變化表示原序列不同時間尺度的周期信息,var(a)反映了尺度因子a的波動周期強度,直接反映了時間序列中所包含的各種尺度(周期)的波動以及其能量隨尺度變化的分布特性。

1.3 VMD-WA模型

長期趨勢項的周期相較于短期波動項而言更長,從周期性的角度對IMF分量分析可以得到長期趨勢項與短期波動項。利用VMD 的時空濾波特性與小波分析多分辨率提取時間序列中隱藏周期性特征的能力,將情緒序列分解為長期趨勢項與短期波動項,構建的VMD-WA 模型流程如圖1所示。

圖1 VMD-WA 流程

具體步驟如下:

(1) 對行業情緒指數x(t)進行VMD 分解,得到若干IMF序列IMFi(t),i≥1;

(2) 用小波分析方法對分解出的IMF 序列IMFi(t)進行周期性分析,選取morlet小波作為基小波,通過式(10)計算每個IMFi(t)序列的主周期;

(3) 結合IMFi(t)序列的周期長度進行聚類分析并重組,最終得到行業情緒的長期趨勢序列與短期波動序列。

2 實證研究

2.1 行業間情緒傳染理論分析

世界金融市場是一個復雜集群系統,要對其進行分析首先需要進行分解。根據普利高津混沌理論系統,運用其開放性原則,可以最終將投資者情緒從微觀至宏觀劃分為個人投資者、集群投資者、市場投資者與國家投資者。本文要研究的行業間情緒傳染效應便屬于集群投資者的部分,這部分投資者由若干個投資者組成,個人投資者會通過觀察或交流等方式獲取其他個人投資者對市場的預期并判斷其行為,而這些信息會影響自身對市場的判斷從而發生了個人投資者情緒之間的情緒傳染。當個人投資者間情緒傳染達成一定規模,并且發生在關注不同行業的個人投資者之間時,集群投資者情緒傳染即行業間情緒傳染就發生了。由于行業間情緒傳染的基礎是個人投資者之間發生信息交換后的情緒傳染,故提出:

假設1信息交換發生更為頻繁的行業之間的情緒傳染效應更強。

此外,個人投資者是有選擇性地吸收來自其他個人投資者的情緒,兩個行業的信息交換并不對稱,因此提出:

假設2兩行業間情緒傳染效應并不總是對稱的。

上述假設也是本文后續選擇行業數據的基礎。

2.2 數據選取與行業分組

首先基于滬深行業指數的行業分類,綜合考慮數據的可得性、相關行業指數樣本股的數量以及后續對照組的特性等因素,選取了金融行業、工業行業、醫藥行業、信息行業與材料行業作為研究對象,使用滬深行業指數的成交量、周收益波動率、漲跌幅、市盈率以及相關行業搜索熱度的谷歌趨勢,構建行業投資者情緒。其中,谷歌趨勢數據的周維度數據最長的時間跨度為5年。其次,考慮到一個行業在一個自然年當中會發生的周期性變化,數據選取時段從年初開始。最后,考慮到2020年初新冠疫情的開始可能會對行業間情緒傳染效應產生極其重大的影響,因此暫不將其納入研究范圍。基于以上,行業相關數據區間為2014年1月24日至2019年1月25日,除去節假日等休市期后共244周的周度數據。數據來自Wind數據庫與谷歌官網。

本文依據行業是否受到宏觀經濟因素顯著影響以及兩個行業是否處于產業鏈上下游,將上述5個行業分為產業鏈相關的周期性行業組、產業鏈不相關的周期性行業組以及產業鏈不相關的非周期性行業組3組。具體地,金融行業與工業行業之間并沒有明顯的投入產出關系,兩行業都受到宏觀經濟因素影響,因此劃入產業鏈不相關的周期性行業組;醫藥行業與信息行業之間同樣無明顯投入產出關系,且受到宏觀經濟因素的影響較小,因此劃入產業鏈不相關的非周期性行業組;材料行業為工業行業的活動提供原材料,兩行業處于同一產業鏈的上下游,同時兩行業都與宏觀經濟緊密相關,因此歸入產業鏈相關的周期性行業組。通過對照分析能夠簡要探討宏觀經濟因素與行業間緊密聯系對投資者情緒傳染效應的影響。由于本文選擇的研究對象為滬深行業指數,其包含行業中屬于產業鏈相關的非周期性行業指數所包含的公司過少,數據樣本可能不具有普適性。此外,本文設立分組的目的是通過對比來探究宏觀經濟因素與行業間是否處于產業鏈上下游對行業間情緒傳染效應的影響,前文所設立的3組行業組已經能夠達成此研究目的,因此不再設立產業鏈相關的非周期性行業組。

2.3 行業投資者情緒的構建、分解與重組

考慮到行業相關數據的可獲得性與完備性,本文選取了滬深行業指數的周收益波動率、周交易額、市盈率與漲跌幅作為情緒代理變量。其中,周收益波動率影響投資者對風險的評估,成交量反映投資者對股市的參與程度,市盈率代表投資者對公司未來盈利能力的預期,漲跌幅直接影響投資者對一只股票的看好程度。此外,本文還加入了衡量行業相關信息搜索熱度的谷歌趨勢作為第5個代理變量,投資者通常對具有高回報的行業更加感興趣,因此,投資者對該行業關注度越高,則代表投資者情緒越高漲。具體構造參考盧米雪等[32]和張國勝等[33]的方法,首先使用主成分分析方法對當期代理變量與滯后1期的代理變量進行合成,選取累計解釋能夠大于80%的主成分值作為初步的行業投資者情緒;其次計算初步的行業投資者情緒與各代理變量當期與滯后1期的相關系數,選取相關性更強的5個變量再次進行主成分分析,最終選取累計解釋能夠大于80%的主成分值作為行業投資者情緒指標。

2.3.1 行業投資者情緒相關性分析 表1展示了不同行業投資者情緒之間的相關系數。由表1 可知,所選取的產業鏈相關的周期性行業組、產業鏈不相關的周期性行業組以及產業鏈不相關的非周期性行業組中不同行業的相關系數分別為0.759 6、0.581 0與0.324 9。這說明,同處一條產業鏈與共同受到宏觀經濟因素影響的行業之間情緒傳染效應會更強,與2.1節中提出的信息交換發生更加頻繁的行業之間情緒傳染效應更強相符合。

表1 各行業情緒指標相關系數

2.3.2 行業投資者情緒VMD 處理 在對行業情緒序列進行分解之前需要確定合適的IMF數量,如果IMF數量過少會導致分解精度不足,無法有效提取不同頻率的序列;如果設定的IMF數量過多,則會發生過度分解。而這些會反映在序列的瞬時頻率均值曲線當中。理想的IMF序列的瞬時頻率均值曲線應該平滑上升,且兩個序列的瞬時頻率不應該過于接近,表現在曲線當中就是不應該出現過度向下彎曲的趨勢。在這些條件滿足的情況下,分解數量越大越好。本文以材料行業的情緒指數為例。圖2所示為不同分解數量時的IMF序列瞬時頻率曲線。

圖2 材料行業情緒不同模態分量個數對應的平均瞬時頻率

圖2中,9個子圖分別展示了行業情緒分解層數從1～9時各個IMF 的平均頻率,每個子圖的橫坐標為當前分解層數時的IMF序號,縱坐標為IMF序列中心頻率均值。由圖2可見,當K=9時,曲線有了明顯向下彎曲的現象。這是因為當分解個數過大時,出現了模態混疊現象,低序列出現在了高頻區域,所以材料情緒指數的分解層數確定為8。通過上述過程,同樣可以確定其他行業情緒的分解層數。其中,金融行業情緒分解層數為4層,工業行業情緒分解層數為5層,醫藥行業與信息行業情緒分解層數為6層。

使用VMD 對材料情緒指數進行分解,得到8個IMF分量,結果如圖3所示。其中,第1行是原序列,第2～第9行為IMF1～IMF8,最后一行R序列是分解之后得到的殘差項,依據頻率從低至高,振幅從高至低排列。

圖3 材料情緒序列的VMD 分解結果

2.3.3 基于小波分析的IMF 重組 得到IMF 序列后,需要對其進行分析重組。使用小波分析計算IMF變量的主周期,并以此為依據對IMF分量進行分類。特別地,將分解之后得到的殘差項R認為白噪聲,其具有隨機的特征,分析得出的結果不具有普適性,故不對其進行后續分析。表2展示了各行業情緒序列的IMF分量主周期。

表2 各行業模態分析的主周期 周

同樣以材料行業為例進行分析。由表2可知,材料行業情緒經過分解后得到的IMF1～IMF8的主周期,其中:IMF1 序列的周期明顯大于64 周,但由于序列長度的原因無法精確分析,可以認為其能夠反映材料情緒的長期趨勢特征IMF2～IMF6的主周期與IMF1的主周期相差巨大且都接近于0;IMF7與IMF8序列沒有主周期,可以認為IMF2～IMF8能反映材料情緒原序列當中的短期波動特征。基于上述結果,將IMF2～IMF8 序列相加定義為短期波動項,IMF1序列定義為長期趨勢項,圖4所示為重組之后的結果。由圖4可見,材料行業情緒會分離為長期趨勢項與短期波動項,兩者分別描述了原始序列的趨勢與波動。對剩余行業情緒指數重復上述過程,得到所有行業情緒在長期與短期的特征,為后續情緒傳染效應分析做準備。

圖4 材料行業情緒分解重組結果

2.4 行業間投資者情緒傳染效應分析

根據短期波動項與長期趨勢項的不同特征,選用不同的計量模型以探究這3組行業間投資者情緒長期趨勢項與短期波動項的傳染效應。短期波動項通常是由于突發性事件而導致的情緒波動,不同時期波動的原因、特征以及產生的影響通常各不相同,使用傳統模型計算其一定時期內的靜態相關系數無法完整刻畫短期波動項之間的傳染效應。DCCGARCH 模型能夠計算行業情緒短期波動項之間的動態相關系數,其可以反映出短期波動項之間傳染效應的變化,因此,本文借助其分析行業情緒間波動溢出效應。長期趨勢項是投資者對行業的長期期望,短時間內不會輕易發生改變,脈沖響應分析能夠刻畫兩個變量在長期的相互作用關系的變化,所以本文使用脈沖響應分析對行業間情緒的均值溢出效應進行探究,所有序列均通過構建模型之前的必要檢驗。

2.4.1 產業鏈不相關的非周期性行業組 圖5展

圖5 醫藥行業與信息行業情緒DCC-GARCH 動態相關系數

示了醫藥行業與信息行業短期情緒的動態相關系數。可以看出,相關系數絕大多數時間大于零,說明行業情緒傳染效應為正向傳染。

具體而言,動態相關系數從2014 年3 月至2015年1月急劇上升,說明醫藥行業與信息行業情緒傳染效應增強。這是因為2014年3月開始,中國股市新一輪牛市啟動,經濟環境的整體向好帶動此兩行業投資者情緒上揚。但在2015年1月至2015年4月,動態相關系數急劇下降達到一個極小值,說明兩行業情緒傳染效應減弱。究其原因,2014年年底(35周左右),ICT 觀察報告指出,中國通信技術正式進入全面發展階段,新技術研發全面啟動。與此同時,醫藥行業的行業報告顯示,醫藥企業的盈利水平持續下降,銷售規模增速放緩,信息行業投資者情緒上揚而醫藥行業投資者情緒減弱。而動態相關系數從2015年4月至2015年8月重新上升至一個新的極大值,意味著情緒傳染效應增強至一個新的極點。很大的原因是2015年初的牛市給整體經濟環境一個良好的信號,投資者們對不同行業都具有一個良好的預期,最終行業投資者情緒同時上揚。從2015年8月開始,動態相關系數整體呈現一個震蕩下降的趨勢,代表著兩行業情緒傳染效應逐漸減弱。究其根由,牛市熱潮過后,高新技術的快速發展支撐著信息行業的進步,信息行業投資者情緒也因此依舊呈現一個上揚趨勢,而醫藥行業屬于創新較慢的行業,且伴隨著國民身體素質的上升,投資者對其的預期也逐漸下降,醫藥行業情緒逐漸減弱,兩行業情緒走勢背離。

圖6展示了醫藥行業與信息行業情緒長期趨勢項之間的脈沖響應關系。由圖6可見,如果信息行業情緒有一個正向提升,醫藥行業情緒會有較大幅度的正向提升并于20期達到峰值,但之后醫藥情緒逐漸下降,從45期開始逆轉為負向影響并于48期左右達到極小值點,之后圍繞0值震蕩收斂并最終于140期左右消失。這說明,信息行業情緒的上揚會導致醫藥行業情緒先上升再下降。但當醫藥行業情緒有一個正向提升時,信息行業的情緒幾乎沒有受到任何沖擊。這說明,醫藥行業情緒對信息行業情緒幾乎不存在傳染效應。這很可能是因為醫藥行業與信息行業之間既不屬于產業鏈上下游,也都不與宏觀經濟有緊密聯系。但信息行業作為當時發展迅猛的行業,參與其中的投資者不計其數,信息行業情緒的波動在一定程度上代表著整個股市情緒的波動,進而影響到醫藥行業情緒。

圖6 信息行業情緒與醫藥行業情緒之間的脈沖響應

2.4.2 產業鏈不相關的周期性行業 圖7展示了金融行業與工業行業的投資者情緒動態相關系數。可以看出,相關系數絕大多數時間大于零,意味著傳染效應呈現正向特征。

圖7 金融行業與工業行業情緒DCC-GARCH 動態相關系數

具體地,相關系數在2014年7 月至2015 年1月急劇上升,說明金融行業與工業行業情緒傳染效應增強。這是因為2014年7月開始,中國股市新一輪牛市啟動,投資者對整體經濟環境的看好使得其更加頻繁地在不同行業間進行投資,兩行業投資者情緒同時上揚。在這輪牛市過后,兩行業情緒傳染效應呈現一個較為穩定的狀態,但在2016年8月至2016年10月兩行業情緒相關系數開始下降,說明金融行業與工業行業情緒傳染效應減弱。究其原因,2016年8 月16 日國務院通過《深港通實施方案》給予整個金融行業一個積極信號,導致金融行業投資者情緒急劇上漲,而工業行業的政策并沒有太大變動,投資者情緒未產生顯著波動。在2017年初深港通正式啟動后,金融行業迎來明確利好消息,相比于穩定且依舊處于轉型過程中的工業行業,投資者顯然更加看好具有良好發展的金融行業,金融行業情緒持續上揚,兩行業情緒相關系數繼續減小,傳染效應進一步減弱。

圖8展示了金融行業與工業行業情緒長期趨勢項之間的脈沖響應關系。

圖8 金融行業情緒與工業行業情緒之間的脈沖響應

由圖8可見,如果金融行業情緒有一個正向提升,工業行業情緒會有較大幅度的正向響應并于20期達到峰值,但之后醫藥情緒逐漸下降,從35期開始逆轉為負向影響并于70期左右達到極小值,之后圍繞0值震蕩收斂但始終未趨于0值。這說明,金融行業情緒的上揚會導致工業行業情緒先上升再下降,且整體影響持續相當長的一段時間。而當工業行業情緒有一個正向提升時,金融行業情緒的變化趨勢相似,受到的正向影響均于20 期左右達到峰值,但正向影響直到60期左右才逆轉為負向,之后逐漸震蕩收斂于0值。這說明,工業行業情緒的上揚會導致金融行業情緒先上升再下降,且整體影響持續相當長的一段時間。但相對而言,工業行業情緒受到的影響會從正向影響轉為負向,且負向影響的極值更小。這可能是因為工業行業的投資者相對而言更加不理性,對來自其他行業的情緒傳染作出過度反應,但整體而言,金融行業與工業行業作為情緒傳染行業時產生的傳染效應無顯著差別。究其原因,金融與工業的發展都與宏觀經濟緊密相關,任一行業情緒的變化都代表投資者對宏觀經濟的預期發生了變化,被傳染行業投資者捕捉到這一信息后對所投資的行業預期發生變化,情緒在兩行業之間發生了傳染。

2.4.3 產業鏈相關周期性行業 圖9展示了材料行業與工業行業投資者情緒的動態相關系數。可以看出,相關系數始終為正,說明兩行業情緒之間表現為正向傳染。

圖9 材料行業與工業行業情緒DCC-GARCH 動態相關系數

由圖9可見,從2014年1月至2015年3月,動態相關系數不斷上升,說明兩行業情緒傳染效應不斷增強。這是因為2014年初的全國兩會當中明確看好新材料行業的發展前景,而且傳統工業開始向高新技術轉型,整體工業改革呈現良好趨勢。再伴隨著2014年牛市的到來,兩行業投資者對所在行業持樂觀態度。但2015年3月至2015年7月出現了一個明顯的波谷,說明兩行業傳染效應經歷了一個先減弱再增強的過程。究其原因,2015年是“十二五”的最后一年,傳統工業依舊是工業行業的領頭羊,國家加大力度控制工業行業的污染排放問題,對工業行業的現狀產生沖擊并產生更大的未來不確定性,使得工業行業投資者情緒略微下降。但2015年5月發布的“工業轉型升級強基工程”標志著國家開始重點扶持工業轉型,降低了工業行業未來的不確定性,工業行業情緒重新上揚,而整個過程中材料行業情緒并未發生劇烈波動。此后,兩行業情緒傳染效應處于一個相對穩定的階段,直到2018年2月,動態相關系數急劇上升意味著情緒傳染效應突然增強。究其根由,2018年年初(200周左右),國家取消了針對外商制造業的大部分限制,一大批國外制造商進入中國市場,促進了工業行業的發展,同時國家更加重視環保,新能源補貼等政策的發布也給材料行業注入活力,兩行業投資者持續看好所在行業。

圖10展示了工業行業與材料行業情緒長期趨勢項之間的脈沖響應關系。

圖10 材料行業情緒與工業行業情緒之間的脈沖響應

由圖10可見,如果材料行業情緒有一個正向提升,工業行業情緒會有較大幅度的正向提升并于35期左右達到峰值,但之后工業情緒逐漸下降,從55期開始逆轉為負向影響并于70期左右達到極小值,最終震蕩收斂于0值。這說明,材料行業情緒的上揚會導致工業行業情緒先上升再下降;而當工業行業情緒有一個正向提升時,材料行業情緒只有一個較弱的上揚趨勢,正向影響在50 期左右達到峰值,之后逐漸減弱并于80期左右逆轉為負向影響。整體而言,工業行業情緒對材料行業情緒的傳染效應較弱。究其原因,材料行業作為工業行業的上游產業,為工業的運行提供材料基礎,這也就意味著,當材料行業發展不佳時,將直接影響工業行業的正常發展。但材料行業的下游行業并不只有工業,當工業發展受到影響時,材料行業依舊能夠正常向其他行業輸送原材料,因此,工業情緒對材料情緒的傳染效應強度較小。

2.4.4 對比分析 表3展示了3組行業情緒的動態相關系數絕對值的均值與標準差。

表3 3組行業DCC-GARCH 動態相關系數的描述性特征

短期而言,3組動態相關系數絕對值的均值分別為0.100、0.165 和0.248,由此可知產業鏈相關的周期性行業間情緒傳染效應最強,非產業鏈相關的周期性行業次之,非產業鏈相關的非周期性行業最弱。通過觀察圖5、7和圖9的相關系數可知,動態相關系數絕大部分時間為正值。這說明,行業情緒短期波動項間的傳染效應表現為顯著的正向傳染,但不同類型的行業情緒間的動態相關系數走勢不同,只有產業鏈相關的周期性行業間情緒傳染效應持續增強,而其他兩組行業無此特征。最后,行業情緒間相關系數發生顯著變化時總會伴隨著相關產業政策發生改變,這很可能是因為產業政策的發布會顯著改變投資者對一個行業的預期,進而對行業之間的情緒傳染效應產生顯著影響。

長期而言,通過觀察3組行業情緒之間的脈沖響應圖可以發現,所有行業情緒的均值傳染效應都表現為先正向傳染再負向傳染,但醫藥情緒對信息情緒無均值傳染效應。由圖6、8和圖10可以看出,所有行業間的脈沖響應影響都維持了130期以上,可以認為一行業情緒長期趨勢項發生變化時對其他行業情緒長期趨勢項產生的影響會始終存在。究其原因,投資者行為具有“羊群效應”,當情緒被傳染行業受到情緒傳染行業的正向情緒傳染時,被傳染行業投資者對所在行業持有樂觀的態度,進而加大投資,但是一段時間后意識到行業中泡沫的存在,情緒開始回落至過度看跌的狀態。此后,行業情緒不斷重復這個變化過程而在很長的一段時間內發生震蕩。

通過對照分析非產業鏈相關的非周期性行業間情緒傳染效應與非產業鏈相關的周期性行業間情緒傳染效應,能夠得到關于宏觀經濟因素對行業間情緒傳染效應影響的初步結論。短期而言,通過對比相關系數的均值,可知周期性行業間情緒傳染效應要強于非周期性行業間情緒傳染效應。通過對比兩組相關系數的標準差,可知周期性行業間情緒傳染效應更容易受到影響而產生波動。長期而言,通過對比兩組行業間情緒傳染的脈沖響應圖,可得周期性行業間情緒傳染效應相較于非周期性行業間情緒傳染效應更加持久。通過上述結果,可以簡單地推測宏觀經濟環境作為周期性行業間的一個傳遞信息的中介,加強了不同行業投資者之間的聯系,使得行業間投資者情緒傳染效應更加強烈,但信息交流的加強致使行業投資者情緒更加容易受到影響,進而導致情緒傳染效應更容易產生波動。

類似地,對照分析非產業鏈相關的周期性行業間情緒傳染效應與產業鏈相關的周期性行業間情緒傳染效應,能夠得到關于行業間緊密聯系對行業間情緒傳染效應影響的初步結論。短期而言,通過對比兩組相關系數的均值,可知產業鏈相關行業間情緒傳染效應強于非產業鏈相關行業間情緒傳染效應。通過對比兩組相關系數的標準差,可知產業鏈相關行業間情緒傳染效應更加穩定而不易受影響。長期而言,兩組行業間情緒傳染效應并沒有發生很大變化。綜上所述,行業間的緊密聯系可能會使得情緒傳染效應相對更加穩定,但這種緊密聯系不會對長期情緒傳染效應產生巨大影響。同樣地,行業間的緊密聯系也使得行業之間的投資者信息交流更加密切,進而使得情緒傳染效應增強,但是整體傳染效應更加穩定。這種情況出現的原因很可能是參與兩行業的投資者對行業狀況更加熟悉,投資者更加冷靜理性,兩行業中“羊群效應”相對較弱,所以傳染效應不容易出現劇烈波動。

3 結論

本文通過構造VMD-WA 模型并結合DCCGARCH 與VAR 模型,探究了不同時間尺度下行業間投資者情緒的傳染效應。主要結論如下:

(1) 行業間投資者情緒具有顯著的波動溢出效應與均值溢出效應。

(2) 行業間情緒趨勢項間的傳染效應總是先正向傳染而在一段時間后逆轉為負向傳染。

(3) 行業情緒間波動傳染效應總是正向且具有時變性,但不同類型行業間的傳染效應的時變特征不同。

(4) 周期性行業間的情緒傳染效應相對于非周期性行業間傳染效應更加強烈,非產業鏈相關的行業間情緒傳染效應相對于產業鏈相關行業間傳染效應更微弱。

(5) 相關產業政策的發布會顯著影響相關行業間情緒傳染效應。

本文的研究是行業間溢出效應方面的有力補充,同時對于金融監管有一定的借鑒價值。

(1) 保持國內各行業經濟的穩定性對防范市場風險產生與擴散十分必要,經濟的波動會直接導致情緒的波動,容易引發市場不穩定。

(2) 應該重點關注信息交流密切的行業間風險的傳染。

(3) 在市場發生波動時,不僅要控制正向傳染導致的泡沫,還要降低一段時間后負向傳染導致的金融恐慌。

(4) 要提防相關產業政策時相關行業情緒劇烈波動產生的風險,在政策發布的特殊時點加強風險監管并穩定相關行業投資者情緒。

(5) 當行業產生風險時,要重點關注其產業鏈下游行業,防止風險擴散。

本文存在以下不足:首先,通過對照研究宏觀經濟因素與行業間緊密聯系對投資者情緒傳染效應影響的方法較為簡單,因此,本文僅簡要探討了相關結論;其次,由于數據精度的原因,只將情緒分解為短期波動項與長期趨勢項,后續的改進可嘗試探究更多時間尺度下的行業情緒傳染效應。