个股系统流动性风险与预期回报：基于套利定价模型的检验，本文主要内容关键词为：流动性论文,个股论文,模型论文,风险论文,系统论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、系统流动性风险与预期回报
（一）研究设计
这里将上述定义的个股系统流动性风险作为定价因子引入定价模型来检验其与预期回报的关系。根据定义，个股系统流动性是个股流动性变化对于市场总体流动性变化的敏感程度；个股系统流动性越大，代表个股流动性波动比市场总体流动性波动越大，因而个股会要求更高的风险溢价作为补偿。由此可见，个股系统流动性与其预期回报应该呈现正相关关系。
研究单一的流动性代理变量时，资产定价文献常常采用Fama和MacBeth(1973)的方法。该方法一般基于规模（或系统风险因子BETA）和流动性指标来构建组合。解释变量很少时，他们的方法能提高模型的统计显著性；但解释变量较多时，他们的方法具有较多的局限性。所以，本文采用Brennan,Chordia和Subrahmanyam(BCS,1998)方法作为基本的定价模型。
BCS方法假设证券i的回报由以下L个因子模型生成：
套利定价模型(APr)的均衡形式意味着市场组合相对于因子来说是足够分散化的，即预期超额收益可以写成下式：
本文旨在检验控制了其他基本影响因素之后，个股系统非流动性风险能否相对于Fama和French(1993)的三因子模型对基础证券预期回报提供额外的解释力。为了控制个股流动性水平值的影响，本文将个股非流动性
，也引入模型作为控制变量。为了实现上述目的，标准的Fanla-MacBeth方法涉及估计以下方程：
其中，为证券i在时期t的非流动性测度指标；
为证券i在时期t的系统流动性风险；控制变量
为证券i在时期t的基本特征m(m=1,…,M)；等式(4)左边的收益为领先一期的收益，目的在于研究解释变量的预测能力。基于预期超额收益仅仅依赖于回报风险特征
的零假设，估计的φ、Φ和
将为零。本文利用1996～2007年月度数据对等式(4)进行逐月的横截回归来估计因子负荷，解释变量为非流动性因子、系统流动性风险因子、其他因子负荷及非风险特征；然后，再计算其时间序列均值及其标准偏误。正如Brennan等(1998)所指出的那样，基本的Fama-MacBeth方法在因子负荷存在测度偏误时存在估计问题。所以，本文使用BCS推荐的方法。首先利用Fama-French(1993)的三因子模型计算风险调整后的超额收益，然后对每个样本个股t时期前的t-1期至t-24期（共24月）估计等式(6)中的Fama-French三因子负荷，并将其作为t期的预测因子负荷。其次，基于当月数据(
)及每个证券每月预测的因子负荷
，按下式计算每个证券每月的风险调整收益：
本文将风险调整的收益
记为R_riskadj。最后，估计以下类似于Fama-MacBeth的横截回归方程：
为了检验非流动性指标的解释力，本文报告了基于方程(6)的两种回归统计：(1)被解释变量为未经风险调整的超额收益，记为R_excess，为个股月收益减去无风险资产的收益；(2)被解释变量为经风险调整的收益，记为R_riskadj。
除了上述提及的变量，本文还使用了六个企业基本特征变量作为控制变量：Size、BTM和MOM1-MOM4。控制变量与回归分析中使用的相关变量的定义如下：MV为月末总市值；Size为MV的自然对数；BTM为经修正的账面／市值比率的自然对数；MOM1为最近三个月的累计持有期收益（从t-1月至t-3月）；MOM2为次近三个月的累计持有期收益（从t-4月至t-6月）；MOM3为再次近三个月的累计持有期收益（从t-7月至t-9月）；MOM4为t-10月至t-12月的累计持有期收益；Rf为无风险资产的收益；Rm为市场收益，即流通市值加权的全部A股市场月收益率；MKT为市场溢价因子，即月市场回报率减去月无风险收益之差，按流通市值加权所得；SMB为市值因子，即小市值公司与大市值公司收益率之差，按流通市值加权所得；HML为账面市值比因子，即高账面市值比因子的公司与低账面市值比因子的公司月度收益率之差，按流通市值加权所得。
（二）实证结果
表1报告了资产定价模型检验所用的关键变量的描述性统计结果。每个统计量均是先计算其横截值，再计算时间序列均值。由表1(A)可知，各个变量分布基本上是对称的，仅有四个动能指标MOM1-MOM4存在一定的负偏现象。表1(B)报告了有关变量的相关系数。首先，规模、账面／市值比和个股系统流动性风险的相关系数分别为-0.094和0.393，说明个股规模越大，账面／市值比越小，个股流动性的波动就越小于市场总体流动性。为了进一步考察规模与系统流动性之间的关系，本文对于1996～2007年样本月份的样本证券，根据个股上一年末的总市值进行分组，构建了两个组合：一是低市值组合Small_Cap；二是高市值组合Large_Cap。组合中样本证券的流动性BETA值的等权重均值，可作为组合系统流动性风险的测度指标。图1列出了两个组合的系统流动性风险的时序变化情况。由图1可知，2002年之前，高市值股票的系统流动性风险高于低市值股票；但是2002年之后，低市值股票的系统流动性风险迅速增加，超过了高市值股票。其背后的驱动因素是否是2002年之后我国以投资基金为主的机构投资者交易行为所致，值得进一步研究，但这已经超出了本文的研究范围。
表1 资产定价模型各变量的描述性统计结果：基于1996～2007年日间数据
其次，个股非流动性的水平值ILLIQ与其系统流动性风险的相关系数为0.131，显示个股流动性越差，其流动性相对于市场总体流动性的波动性也越大，这符合我们的直觉预测；四个动能指标和系统流动性风险均维持负相关关系，显示个股下跌，其未来的系统流动性风险提高。
最后，其他变量方面，个股流动性指标ILLIQ与预期回报之间保持着显著的符合预期的相关关系，与四个动能指标保持显著的相关关系，SIZE与各非流动性指标也都保持较高的相关关系。
图1 两个组合系统流动性风险的时序变化趋势
表2 资产定价模型的回归分析：以基于日间数据的非流动性指标作为解释变量
表2报告了分别以R_excess及R_riskadj作为被解释变量的资产定价模型。在表2中，不仅报告了标准的Fama-MacBeth统计量，即横截回归方程估计系数的时间序列均值和其t统计量，而且还报告了每月回归方程的调整
的平均值(Avg R_square)。模型1至3的被解释变量为未经风险调整的超额收益R_excess，而模型4至6的被解释变量则为经过Fama和French(1992)三因子模型调整的收益R_riskadj。首先来看模型1和4。模型1中的SIZE显著为负，表示中国股市存在规模效应，即规模越大的证券，其预期回报越低，这符合陈信元等(2001)以及吴世农和许年行(2004)等人对中国股市的研究；而BTM则显著为正，表示中国股市也存在账面／市值比效应，即账面／市值比越高的公司，预期回报越高，这一点也被蔡海滨和吴世农(2003)以及邵晓阳等(2004)的研究所证实。但是Jegadeesh和Titman(1993)发现，美国股市的动能效应在中国股市并不显著，虽然四个动能指标的估计系数均为正值，但是仅有MOM2显著为正，显示过去回报的预测价值在中国股市有限。模型4引入经风险调整的回报R_riskadj作为被解释变量，则规模效应和账面／市值比效应完全消失了，表明两者的影响已经被Fama和French(1992)三因子模型完全捕捉了。分别将个股非流动性水平值引入定价模型，结果见模型2和模型5。本文发现，个股非流动性指标的系数显著为正，表示个股非流动性不仅能为未经风险调整的超额收益提供解释力，还能为经过风险调整的收益提供额外解释力。将个股系统流动性风险引入模型的结果见模型3和模型6。本文发现，模型3中个股系统流动性风险
的系数在10%的水平上为负值，表示个股流动性相对于市场总体流动性波动越大，个股预期未经风险调整的超额回报越低，这完全不符合我们的直觉预测。但是个股系统流动性风险的系数在模型6中不再显著，显示个股系统流动性风险对其风险调整后的超额回报不再提供额外解释力。
对此现象的解释是非流动性存在财富效应。Acharya和Pedersen(2005)发现美国股市个股非流动性与市场整体非流动性之间的协方差与个股预期回报之间存在正相关关系，他们将其解释为“非流动性的财富效应”，即个股的回报溢价来自于市场整体流动性较低时如何选择卖出证券的决策。当市场整体流动性处于低水平时，投资者普遍倾向于保留具有较高非流动性的证券，因为该类证券具有较高的隐含交易成本。因此，持有这类与市场整体非流动性存在正协方差的证券，投资者会要求一个额外回报溢价。而本文的实证研究证实，中国股市存在明显的非流动性的财富效应，即投资者倾向于在市场流动性低时卖出系统流动性风险较低的证券（即流动性较高的证券），从而导致个股当期价格降低，未来预期回报提高。这一结论与Acharya和Pedersen(2005)对美国股市的实证发现相吻合。
（三）进一步分析
以上发现，个股系统流动性风险与其预期回报呈现负相关关系。在此，本文进一步考察这种关系的稳定性。首先考察市场总体流动性水平是否影响个股系统流动性风险与其预期回报之间的关系。
本文使用下式来计算样本证券每月的ILLIQ测度指标：
其中，
和
分别是证券i在第t月第d日的日回报和成交金额；
为证券i在t月的交易天数。在获得个股月度流动性指标ILLIQ的基础上，在样本期间每月计算所有样本个股的等权重均值作为市场非流动性的测度指标。基于市场非流动性测度指标，本文把全部样本月份分为两组：一是高市场流动性月份组；二是低市场流动性月份组。对这两个组分别估计了等式(6)，结果见表3(A)。由表3(A)可知，个股系统流动性风险与预期回报之间的负相关关系，主要表现在市场总体流动性水平较低时的情形。
其次，根据个股基本面特征和交易特征（包括个股规模、账面／市值比及个股当月日平均换手率和日平均价格）分别进行分组，以考察其对系统流动性风险与其预期回报之间的关系是否存在影响。比如对于个股规模分组，本文对于1996-2007年样本期间每月的样本证券，根据个股上一年末的总市值进行分组，构建了两个组合：一是低市值组合Small_Cap；二是高市值组合Large_Cap。对这两组分别估计了等式(6)，结果见表3(B)。由表3(B)可知，非流动性的财富效应主要表现在大市值股票方面，而小市值股票的财富效应则不明显。其他几个指标的分组方法与规模分组类似，发现非流动性的财富效应主要体现在高账面／市值比、低价格和高换手率股票方面；另外，在经过风险调整以后的回报R_riskadj模型中，这些效应均变得不显著。
表3 资产定价模型的回归分析：以基于日间数据的非流动性指标作为解释变量
二、结论性评论与展望
本文基于中国股市数据，检验了个股系统流动性变化对于市场总体流动性变化的敏感程度是否影响其预期回报。结果发现，个股系统流动性风险与其预期回报呈现负相关关系，即中国股市非流动性存在明显的财富效应；同时这种负相关关系主要反映在市场总体流动性水平较低时和规模较大、高账面市值比、低价格和高换手率的样本证券上。这一发现明显不符合系统流动性风险要求风险溢价的经典模型推断。
本文首次将个股系统流动性风险引入定价模型，以检验其是否是定价因子，结果显示其不符合标准金融的推断。本文对此从非流动性财富效应角度给出了初步解释。但是，本文的启发意义在于：如果确实存在这种非流动性的财富效应现象，那么这种财富效应是否是投资者的理性行为？它对资产价格到底会产生何种影响？这些问题均值得今后进一步研究。
标签：流动性风险论文; 财富效应论文; 套利定价模型论文; 系统流论文; 股票市值论文; 解释变量论文; 股票论文; 风险模型论文; 证券论文; 流动性论文;