证券组合市场风险与收益的实证研究

肖忠意　周雅玲

摘要：按照股票规模大小构建中国A股市场的沪深300股票组合，研究股票组合的平均相关系数和平均方差对市场总风险和市场超额收益率的解释和预测能力。实证结果表明，股票组合的平均方差比平均相关系数能够更好地代理市场总风险，并且股票组合的平均方差对市场超额收益率有显著的正向解释和预测能力。实证结果与“罗尔批评”相悖，从一个新的角度印证了资产定价模型能够有效地分析中国A股市场的风险和超额收益的正相关关系。

关键词：平均方差；平均相关系数；股票组合风险；市场超额收益率；罗尔批评

文章编号：2095-5960（2014）03-0032-07；中图分类号：F830；文献标识码：A

一、引言

资产定价问题是近几十年来金融理论中发展最快的一个领域，关于资产风险与收益关系的研究至今仍弥久不衰。Markovitz在1952年最早提出均值—方差理论，将资产投资的收益问题转变为一个给定目标函数和约束条件的线性问题。在此基础上，Sharpe（1964）[1]、Linter（1965）[2]和Black et al（1972）[3]进一步提出了资产定价模型（CAPM）。资产定价模型是现代金融学理论的基石之一，其核心思想是当处于均衡状态时，假如所有投资者都只持有无风险资产和市场组合， 则资产组合的预期收益等于无风险资产的收益与市场组合收益之和，即资产组合的预期收益与市场风险成正向线性关系。但学术界对于资产定价模型的估计结果和有关结论一直颇富争议。Fama & Macbeth（1973）[4]通过实证分析，证明1926—1968年美国证券市场股票的平均收益率与风险存在显著的正相关关系，并试图以当期估计的风险变量预测资产组合的未来收益率。French et al（1987）[5]在广义自回归条件异方差模型（GARCH）的框架下检验股票资产组合的月度数据，结果得到了正向的均值—方差关系，但未通过显著性检验。国内外许多学者通过对证券市场进行实证研究，提供大量证据支持资产收益与风险的正向关系（Ghysels et al.，2005；Hung & Glascock，2010；陈浪南和屈文州，2000；靳云汇和刘霖，2001；黄波等，2008；丁志国，2012；龚映清等，2013；陈梦根，2013）[6]-[13]。Fama & French（1992）[14] 采用与 Fama & Macbeth（1973）[4]相同的实证方法再次研究美国证券市场，而前者的研究却发现资产组合收益与风险不存在显著相关关系。另外，Campbell（1987）[15]、Bali et al（2005）[16]、Guo & Savickas（2006）[17]、丛剑波（2009）[18]等研究指出资产组合的风险与收益呈显著负相关。

学术界普遍认同市场总体风险是不可观测的，因此实证检验中往往利用资产组合风险来代理市场总体风险。Roll（1977）[19]对实证检验CAPM模型有效性的结果提出了质疑，他认为因为无法证明某个特定的资本组合即是有效市场组合，所以无法找到真正衡量系统风险的系数（Beta系数）。这就是著名的“罗尔批评”（Rolls critique）。如果“罗尔批评”能够解释CAPM模型失效的原因，那么股票资产组合的风险变化不会引起市场总风险的变化，这是由于任何单个股票资产都会落在证券市场线上，而这是恒等变形，所以市场超额收益也不会受到影响。另外，如果回归检验是基于某种无效率的资产组合，则资产组合的收益与市场总风险可能出现负相关或不相关的情况。自此以后，各种新的检验方法和手段在资产定价研究领域的应用自然也受到学术界的广泛关注。Pollet & Wilson（2010）[20]的研究為解释市场总体风险和市场超额收益率提供了一个新的视角，该研究以美国主要股票市场中正常交易的500只大盘股票为例构建股票资产组合，运用股票资产组合的平均方差（average variance）和平均相关系数（average correlation）为代理变量来解释美国市场总风险，其结论为利用平均关系数作为美国市场总体风险的代理变量提供了一定的理论基础；另外，虽然实证分析发现股票组合平均方差也与市场总风险显著正相关，但是股票组合平均方差与市场超额收益率为负相关，而且对市场超额收益率的解释力有限。

在中国A股股票市场上，大盘股票组合的平均方差和平均相关系数能否用于解释市场总风险，二者与股票市场超额收益率的关系是正或负，以及在中国市场能否利用股票组合的风险变量来对股票市场的预期超额收益作有效的预测能力？至今尚未见从实证角度给予清晰地解答。本研究拟对资产定价领域的研究文献作有益的补充和贡献。针对之前研究的不足，本文以中国上海证券交易所和深圳证券交易所正常交易的300只大盘股票为成分股票构建沪深300股票组合，研究该股票组合的平均相关系数和平均方差对市场总风险和市场超额收益率的解释和预测能力。

二、理论模型及数据样本

（一）理论模型

（二）数据样本

本文选取1995年1月至2012年12月在上海证券交易所和深圳证券交易所A股上市的300只大盘股票作为样本构建沪深300股票组合，样本的选择标准为规模大的股票。市场收益率选用以沪深市场全部A股股票按流通市值计算的综合指数，因为该指数能够比较准确地反映整体市场行情的变化和股票市场整体的发展趋势，而且该指数是一种价值加权指数，比较符合CAPM所描述的市场组合构造的要求。本文选用三个月的定期储蓄存款利率代理无风险收益率。成分股票的日（或月）收益率均为股票的开盘价和收盘价的自然对数的差值。数据来源于国泰安信息技术有限公司的CSMAR数据库。

当基于股票市值打下选定沪深300股票组合的300只成分股票，则可按下式（13）估算出成分股票j在t月的方差2j，t。

三、实证分析

（一） 變量统计描述

本文构建的沪深300股票组合的描述性统计如表1所示，样本时间序列位于1995年1月到2012年12月之间，共计216个观察值。沪深300股票组合的平均相关系数ij，t与平均方差2t的均值分别为0.36 和0.07%。沪深300股票组合的平均系数和平均方差与市场超额收益率的相关系数分别为-0.20和0.13。利用ADF检验和KPSS检验两种单位根检验方法对时间序列进行检验，分析结果表明受测时间序列均为平稳时间序列，不存在单位根问题，因而不容易出现“伪回归”现象。

（二）回归估计方程的分析

表2给出了分析沪深300股票组合的平均方差和平均相关系数解释和预测市场总风险的稳健最小二乘回归检验（robust OLS）结果。虽然回归方程的拟合优度R2值不高，但是F检验结果显著，说明稳健最小二乘回归检验结果是可信的。表2第1列和第2列回归结果发现沪深300股票组合的平均相关系数与平均方差均与市场总风险成显著的正相关关系，在1%显著水平下高度显著。从拟合优度R2值来看，平均相关系数单个因素的解释度为12.4%，而平均方差的单个因素的解释度为38.3%，较平均相关系数的解释度更高。同时，还可以看出，平均相关系数与平均方差的交叉项也与市场风险成正相关关系，且显著。上述实证分析结果说明沪深300股票组合的平均方差和平均相关系数可以解释市场总风险的大小。从表2第6列回归检验结果发现，虽然股票组合当期的平均相关系数与预期市场总风险为正向关系，但结果并不显著。从表2第7列回归检验结果发现，当期股票组合的平均方差与预期市场总风险成显著的正相关关系。从回归结果来看，当期时刻沪深300股票组合的平均方差每增加10.0个百分点，那么预期市场总风险将增加2.6个百分点。上述实证结果说明，沪深300股票组合当期的平均方差对预期市场总风险的大小具有显著的预测能力，也就是说沪深300股票组合中的当期平均方差值越高，则预期市场的总风险越高的。

四、结论

本文以中国上交所和深交所A股市场上交易的300只大盘股票构建的沪深300股票组合为例，重点分析了股票组合的平均相关系数和平均方差对市场总风险和市场超额收益率的解释和预测能力。得到如下结论：

一是研究发现，可以通过计量沪深300股票组合的平均相关系数和平均方差来反映中国A股市场总风险的大小。沪深300股票组合的平均方差能够预示着市场总风险的信息，股票组合的当期平均方差的大小与预期市场总风险成正比。另外，虽然平均相关系数与预期市场总风险也成正相关关系，但结果不显著。

二是沪深300股票组合的平均方差对市场超额收益率同样具有较强的解释力，实证结果还说明未来超额收益率可以被资产组合的平均方差所预测。因此，实证分析为利用沪深300股票组合的平均方差作为中国A股市场总风险的代理变量提供了一定的理论基础。

三是与Pollet & Wilson（2010）[20]考察美国证券市场的结果不同，结果发现对市场总风险和超额收益率而言，股票组合的平均方差表现出比平均相关系数更显著的解释力和预测力。

四是实证研究结论与“罗尔批评”的观点相悖，支持了资产定价模型在中国A股市场是有效的这一学术观点。

参考文献：

[1]Sharpe W. Capital Asset Prices： A Theory of Market Equilibrium under Conditions of Risk[J]. The Journal of Finance， 1964， 19（3）： 425-442.

[2]Lintner J. The valuation of risky assets and the selection of risky investments in stock portfolios and capital budgets[J]. Review of Economics and Statistics， 1965， 1： 13-37.

[3]Black F， Jensen M， Scholes M. The capital asset pricing model： Some empirical tests. In Studies in the theory of capital markets[M]， Ed Michael Jensen， New York： Praeger. 1972， 79-121.

[4]Fama E， MacBeth J. Risk， return and equilibrium： Empirical tests[J]. Journal of Political Economy， 1973， 3： 607-636.

[5]French K， Schwert W， Stambaugh R. Expected stock returns and volatility[J]. Journal of Financial Economics， 1987，19（1）： 3-29.

[6]Ghysels E， Santa-Clara P， Valkanov R. There is a risk-return tradeoff after all[J]. Journal of Financial Economics， 2005，76（3）： 509-548.

[7]Hung K， Glascock J. Volatilities and momentum returns in real estate investment trusts[J].The Journal of Real Estate Finance and Economics， 2010，41（2）： 126-149.

[8]陈浪南， 屈文洲. 资本资产定价模型的实证研究[J].经济研究， 2000（4）： 26-34.

[9]靳云汇，刘霖. 中国股票市场的CAPM实证研究[J]. 金融研究， 2001（7）：106-115.

[10]黄波，李湛，顾孟迪. 基于风险偏好资产定价模型的公司特质风险研究[J]. 管理世界，2008（11）：119-127.

[11]丁志国，苏治，赵晶.资产系统性风险跨期时变的内生性：由理论证明到实证检验[J]. 中国社会科学， 2012（4）：83-102.

[12] 龚映清，陶鹂春. 国内券商研究发展困局与重构探索[J].证券市场导报，2013（5）：4-9.

[13] 陈梦根. 算法交易的兴起及最新研究进展[J].证券市场导报，2013（9）：11-16.

[14]Fama E， French K. The cross-section of expected stock returns[J]. The Journal of Finance， 1992，47（2）： 427-465.

[15]Campbell J. Stock returns and the term structure[J]. Journal of Financial Economics， 1987，18（2）： 373-399.

[16]Bali T， Nusret C， Yan X S， Zhang Z. Does idiosyncratic risk really matter？[J]. The Journal of Finance， 2005， 60（2）： 905-929.

[17]Guo H， Savickas R. Idiosyncratic volatility， stock market volatility， and expected stock returns[J]. Journal of Business and Economic Statistics， 2006， 21（1）：43-56.

[18]叢剑波， 祝滨滨. 我国股市的特质波动风险分析[J].经济纵横， 2009（5）：85-87.

[19]Roll Richard. A critique of the asset pricing theory's tests part I： On past and potential testability of the theory[J]. Journal of Financial Economics， 1977，4（2）： 129-176.

[20] Pollet， J M.， Wilson M. Average correlation and stock market returns[J]. Journal of Financial Economics， 2010， 96（3）： 364-380.

[21]Campbell J， Viceira L M. Strategic Asset Allocation[M]. Oxford University Press， 2002： 31-47.

[22]Stambaugh R. Predictive regressions[J]. Journal of Financial Economics， 1999， 54（3）： 375-421.

[23]Baker M， Ryan T， Jeffrey W. Predicting returns with managerial decision variables： Is there a small―sample bias？ [J]. The Journal of Finance， 2006， 61（4）： 1711-1730.

责任编辑：常明明