股市收益率高阶矩风险的产生机制检验

方立兵，曾 勇

(1. 南京大学工程管理学院，江苏 南京 210093；2. 电子科技大学经济与管理学院， 四川 成都 611731)



股市收益率高阶矩风险的产生机制检验

方立兵1，曾 勇2

(1. 南京大学工程管理学院，江苏 南京 210093；2. 电子科技大学经济与管理学院， 四川 成都 611731)

通过对现有理论文献的梳理，提炼了五个较为典型的关于高阶矩风险产生机制的理论假设。然后基于时变高阶矩建模思想，将这五个假设统一于同一个计量框架，并进行综合地实证检验，以期发掘具有“占优”作用的理论解释。以沪深股市收益率为样本研究发现，在这五个假设中，仅“波动率反馈”效应和“利空信息揭示”效应获得显著的实证支持。进一步分析指出，这两种效应会同时引起偏度和峰度风险，因而是高阶矩风险的主要产生机制。这一结果可为后续研究发展一个统一的理论框架提供实证参考。

高阶矩风险；波动率反馈；限制卖空；条件密度

1 引言

近年来，高阶矩风险在金融理论和实践领域扮演着越来越重要的角色。然而，就在学术界和实务界对高阶矩风险的重要性逐渐达成共识的同时，关于高阶矩风险的产生机制却一直众说纷纭、各有侧重。就偏度风险的产生机制而言，早期比较有代表性的观点是Pindyck[1]、French等[2]以及Campbell和Hentschel[3]讨论的“波动率反馈”效应，即信息冲击会放大投资者的风险预期，从而提高风险补偿，结果削弱了好消息对价格的“拉升”作用，而放大了坏消息对价格的“打压”作用，从而引起收益率分布负偏。近期的观点如Hong和Stein[4](下称“HS模型”)认为，卖空限制使得悲观投资者的利空信息难以立即揭示而逐渐累积，此后与新的利空信息同时揭示的可能性增加，即易于发生利空信息“雪崩”。但利好信息通常可以得到立即揭示，因为至少从交易机制来看，并不存在买入限制的制度约束。这就预示着，即便影响程度相同的利好和利空信息等可能到达，限制卖空的交易机制也会增加市场发生大幅下跌的机率，引起负偏风险。Xu[5]进一步引入有限理性的行为偏差，并指出(下称“Xu模型”)，在卖空限制的作用下，市场对好消息容易出现过度反应，而对坏消息容易反应不足，后续的价格修正会将偏度“推”向相反方向，从而引起负偏。

就峰度风险的产生机制而言，早期比较有代表性观点认为收益率的峰度风险源自波动过程的“聚集性(Clustering)”。Engle[6]提出的ARCH模型以及Bollerslev[7]发展的GARCH模型均可在理论上证明，即便收益率为条件正态分布(信息冲击是依正态过程到达)，波动过程的(G)ARCH性质仍然预示着市场的收益率存在峰度风险。

Romer[8](下称“Ro模型”)从信息的角度给出了峰度风险的另一个解释：市场上每个投资者仅拥有很少的一部分有价值的信息，即信息不完全且非常分散，其结果是市场难以在短期内充分揭示所有信息，并导致部分信息因此而开始累积。随着新信息的陆续到达并逐渐累积，投资者掌握的有价值的信息越来越多，从而导致所有信息一并揭示的可能性逐渐增加，引起峰度风险。

Abreu和Brunnermeier[9]基于投资者行为视角提出了新的观点(下称“AB模型”)。他们认为，投资者的有限理性行为(动量交易、趋势追踪等)使得市场对过去的信息存在非理性反应，从而引起价格出现大幅涨跌。更为重要的是，即便理性的套利者知道这个情况，他们仍然会顺势而为，以获取高额回报，而不是反向操作，修正定价偏误。这就预示着即便引起市场大涨和大跌的外生信息服从正态分布，投资者上述交易行为也会内生地引起股市频繁出现大幅上涨和下跌，从而产生峰度风险。

对于上述理论解释，相关的实证研究往往只针对其中的部分解释进行检验。例如Campbell和Hentschel[3]检验了波动率反馈效应并指出，波动率反馈效应仅在市场处于高波动期间对收益率产生显著影响。此后，陆续有经验证据涉及波动率反馈效应，但结论不尽一致[10-13]。Engle和Mistry[14]指出市场指数作为定价因子与“波动率反馈”效应是一致的。Kinnunen[15]则指出市场指数收益率的“波动率反馈”效应的存在性随着信息流到达水平的变化而不断变化。Hueng和McDonald[16]以及Hueng[17]采用自回归条件密度建模方法，分别以美国和中国股市收益率为样本检验了HS模型“利空信息揭示”效应，结果发现仅在中国股市显著存在。陈国进和张贻军[18]运用固定效应条件Logit模型给出证据支持 “利空信息揭示”效应。Xu Jianguo[5]利用美国股市的数据为其理论模型给出了支持性的证据。

纵观现有研究可以发现，相关理论文献对高阶矩风险产生机制的解释各有侧重，而实证文献则大多针对其中的一到两种解释进行检验，故而容易导致“各自为政”的局面，最终难以较为确切地回答高阶矩风险究竟是怎样产生的，哪些产生机制具有“占优”作用，或者说，哪些产生机制在考虑了其他机制后仍然显著存在，而哪些产生机制在考虑了其他机制后不再显著？值得说明的是，波动率反馈效应属于同质信念模型框架，反映了“加总的(Aggregated)”风险厌恶行为，而HS模型、Xu模型、Ro模型和AB模型等属于异质信念模型，着眼于分析不同信念投资者的交易行为以及由此产生的价格发现过程。可见，这些机制解释往往源自不同的理论框架。鉴于此，本文将上述解释统一于同一个计量框架，从而检验并识别哪些机制具有“占优”作用。

本文借鉴Hansen[19]提出的自回归条件密度建模思想，构建时变的高阶矩模型，进而对上述理论解释进行综合地计量检验。以1998年1月1日至2011年5月31日沪深两市指数收益为样本，在控制了“周内效应”和“假日效应”后(更为保守地获得较高的检验势)，研究发现，相关理论解释中，仅“波动率反馈”效应和“利空信息揭示”效应显著存在。虽然这两种效应主要用于解释收益率负偏风险的产生机制，但进一步分析可以发现，“利空信息揭示”效应常常伴随着较大的左尾风险，这实际上也是属于峰度风险的范畴。另外，与“波动率反馈”效应相应的波动“聚集性”和“持续性”也可以解释峰度风险的产生。因此，本文认为“波动率反馈”效应(包括波动过程的“聚集性”和“持续性”)和“利空信息揭示”效应是股市收益率高阶矩风险的主要产生机制。

2 相关假设的提出

根据现有研究给出的理论解释，除了波动聚集性是收益率的“典型事实”之外，对于高阶矩风险的产生机制，我们可以提炼出如下五个可供实证检验的理论预示。首先，波动率反馈效应描述的是预期波动与预期收益之间的关系，即：

假设1：条件波动与预期收益正相关。

正是这种“波动-收益”的正相关关系造成了好消息的冲击作用被削弱而坏消息的冲击作用被放大。在对异质信念模型的理论预示进行实证检验时，以Hong和Stein[4]、Chen等[20]、陈国进和张贻军[18]等为代表的一系列文献建议，以交易量作为信念差异程度的代理变量。HS模型的“利空信息揭示”效应指出，投资者的信念差异程度越大，交易量越大。相应的，负偏风险越严重。因此，HS模型和Ro模型分别预示着：

假设2：条件偏度与前期的交易量负相关。

假设3：条件峰度与前期的交易量正相关。

Xu模型和AB模型描述的都是投资者对前期收益的过度反应行为，以及后期的价格修正与收益率高阶矩风险的关系。这两个模型预示：

假设4：条件偏度与前期的收益负相关。

假设5：条件峰度与前期收益的绝对值正相关。

3 模型方法

3.1 波动聚集与波动率反馈

描述收益率波动聚集性的标准手段是GARCH族模型框架。但为了引入“波动率反馈”效应，考虑如下模型：

rt=μt+vht+εtεt～IID(0,ht)

(1)

其中，rt表示收益率，ht=Var[rt|Ωt-1]，Var[·|Ωt-1]表示条件方差运算；Ωt-1表示t-1期及以前的信息集；μt+vht构成rt的条件均值；εt是新生量(Innovation)，刻画的是第t期的信息冲击。均值方程中的系数v描述了期望收益与波动之间的关系。假设1预示v>0。为刻画收益率波动聚集性的同时，引入波动过程的杠杆效应，选择结构简洁、意义明确的GJRGARCH[10]模型描述条件波动ht的动态过程：

(2)

其中，系数ω是常数项，α和θ分别描述了新信息εt对预期波动的冲击和非对称冲击；I{·}是示性函数，即当括号中的条件成立时取1，否则取0。联合(1)和(2)式即为GJRGARCH-m模型。在此模型中，波动过程的持续性预示α+β是一个接近于1的正数；波动聚集性要求α>0时；杠杆效应要求γ>0。

3.2 时变高阶矩建模与假设2～4

假设2～4的实证检验均需要刻画收益率的时变高阶矩(偏度和峰度)与过去的信息(收益率和成交量)之间的关系。因此，借鉴Hansen[19]提出的Skew-T分布：

(3)

其中，λ和η分别是偏度系数和自由度；sgn(·)是符号函数；A、B和C都是λ和η的函数；λ>0和λ<0分别表示概率分布为正偏和负偏，而且|λ|越大，偏度越高，η越小，“峰”越“尖”，“尾”越“厚”，价格发生大幅跳跃的可能性越高，峰度越大，反之亦反之。因此，Skew-T分布可以较好地反映收益率的高阶矩风险。λ和η分别称为“偏态参数”和“峰态参数”，或统称为“形态参数”。

借鉴Hansen[19]的自回归条件密度建模思想，假定(3)式中的偏度系数和自由度具有时变性，并重新记为λt和ηt：

(4)

(5)

(4)和(5)式分别描述了收益率的偏度系数和自由度的动态过程。这里分别称其为“偏态方程”和“峰态方程”，或统称为“形态方程”。其中，ai和bi分别是偏态方程和峰态方程中各项的系数，i=0,1,2,3,4；g(l,u)(x)是Logistic转换函数，用以将x映射到区间(l,u)中，以得到合理的结果。根据SkewT的定义，-1<λt<1；ηt>3是为了确保概率分布的偏度是有限的；ηt<30是因为自由度超过30的学生t分布与正态分布具有类似的尾部。(4)和(5)式中的a1和b1分别刻画了偏态系数(λt)和峰态系数(ηt)与前期收益率之间的关系，而a4和b4则分别刻画了λt和ηt与前期交易量之间的关系。

3.3 控制“周内效应”和“假日效应”

“周内效应”和“假日效应”是市场中两种常见的收益率“异象”，有时也被称为“日历效应”。“周内效应”指的是星期一至星期五中某个交易日，如星期一(星期五)的收益率常常显著高于(低于)星期内的其它交易日；“假日效应”指的是收益率在长假前后的交易日常常具有显著较高或较低的收益率。鉴于此，均值方程中的μt设为：

(6)

其中，μ是常数项，vτ是自回归系数，滞后阶数为p(由信息准则确定)，MONt、TUEt、WEDt和THUt分别是星期一到星期四的虚拟变量；BHt和PHt分别是节假日的后一个交易日和前一个交易日的虚拟变量；节假日包括元旦节、春节、清明节、劳动节等“小长假”或“黄金周”。

3.4 模型参数的估计

对应假设2预示收益率的偏态系数与过去的交易量负相关(a4<0)；假设3预示峰态系数与过去交易量负相关(b4<0)；假设4预示偏态系数与过去信息冲击负相关(a1<0)；假设5预示峰态系数与过去的信息冲击的绝对值负相关(b1<0)。

4 样本描述及一些初步的结果

本文以沪深两市综合指数1998年1月1日至2011年5月31日的对数百分比收益为样本(样本量T=3239)，对假设1～5进行实证检验。虽然我国沪深两市于2010年3月31日启动了融资融券试点，但在本文的样本期内，标的股票数量很少。更为重要的是，融券券源的缺乏使得我国的融券业务(在两融业务中的占比不足10%)一直远低于融资业务。因此，我们认为融资融券的推出并不会改变限制卖空的假设。正如Hong和Stein(2003)[4]所指出的，即便是美国的股票市场，卖空交易的实务中也是存在诸多约束的，其卖空机制也不是真正意义上的卖空。因此，HS模型的理论预示并不要求市场是禁止卖空的，在限制卖空的机制下HS模型仍然是适用的。表1给出了原始收益率以及标准化收益率的描述性统计结果。

表1 沪深两市指数收益率的描述性统计

注：(1)标准化收益率是指原始收益率经正态分布假设下的GJRGARCH-m模型拟合后的标准化残差；(2)在正态分布的假设下，样本的偏度和峰度分别依分布收敛于N(0,6/T)和N(3,24/T)，其中T为样本量；(3)Q(q%)表示样本在q%水平上的经验分位数；(4)圆括号中的数值为相应统计量p-值；(5)以粗体显示的数值表示其p-值小于显著性水平10%。若未做特殊说明，下同。

表2 正态分布假设下GJRGARCH-m模型的极大似然估计

从表1可以看出，上证指数和深证综指的原始收益率均存在显著的负偏风险。从位置参数来看，两市指数的原始收益率和标准化收益率的均值都小于中位数，即存在负偏风险。此外，表1还显示，原始收益率和标准化收益率均存在显著的超额峰度。上证指数的标准化收益率未见显著的偏度风险，而深证综指的标准化收益率显著负偏。

最后，Jarque-Bera统计量显示两市指数的原始收益率和标准化收益率均存在显著的高阶矩。另外，从95%和5%、85%和15%以及75%和25%水平上的经验分位数来看，两市标准化收益率均可能存在非对称风险，且左尾风险相对较大，如两市指数的原始收益率和标准化收益率样本的95%分位数均小于5%分位数的绝对值。

表2给出了正态分布假设下GARCH-m模型的参数估计结果。从均值方程可以看出，两市指数收益率均存在显著的“周内效应”和“假日效应”，这与国内现有的相关研究是类似的。方差方程估计结果显示，两市指数收益率的波动过程均存在高度的持续性和波动聚集现象。γ显著为正说明负向冲击引起的收益率波动更大。ht显著为正，即均值方程中的预期收益率与波动存在显著的正相关关系。可以认为收益率序列存在显著的“波动率反馈”效应。

另外，与其他研究类似，本文也将以交易量作为投资者信念差异程度的代理变量。但需要剔除交易量的时间趋势和印花税的影响。考虑如下回归：

(7)

5 实证结果

5.1 检验假设1

实际上，表2给出的正态分布假设下有关收益率波动过程的参数估计结果已经初步支持了假设1。下面进一步在Skew-T分布的假设下估计GJRGARC-m模型，但先假设条件分布形态不随时间发生改变，即λ和η均为常数。结果如表3所示。限于篇幅，且其它系数的估计结果与表2类似，这里仅给出本文关注的系数估计结果。

比较表2和表3可以看出，就“波动率反馈”效应来讲，正态分布的GJRGARCH-m模型的估计结果与Skew-T分布假设下的估计结果是类似的。表3的结果也显示，α+β平均约为0.9575，即波动过程具有高度的持续性；预期波动与预期收益率存在显著的正相关关系(v>0)。因此，可以认为两市指数的收益率序列存在显著的“波动率反馈”效应，支持了假设1。负向冲击引起的收益率波动显著高于正向冲击，即波动过程表现出显著的非对称性。表3给出的似然比检验结果表明，Skew-T分布的拟合优度显著高于正态分布。从分布函数的偏态参数和峰态参数的估计结果来看，两市标准化收益率依然存在显著的负偏度和尖峰、厚尾性(自由度远小于30)。

表3 Skew-T分布假设下GJRGARCH-m模型的极大似然估计

注：(1)均值方程和方差方程依然沿用表2的设定；(2)圆括号中的数值为相应统计量的p-值；(3)以粗体显示的数值表示其p-值小于显著性水平10%。若不做特殊说明，下同。

事实上，表3给出的结果是在收益率的条件分布形态(Skew-T分布的偏态系数和峰态系数)不随时间发生改变的假设下得出的。这相当于对(4)和(5)式施加如下约束：

a1=a2=a3=a4=b1=b2=b3=b4=0

(8)

接下来将对上述约束采用逐个放松的方法，确定收益率的条件高阶矩的动态过程，从而实现对假设2～5的检验。基于似然比检验对不同偏态方程和峰态方程设定下的拟合优度进行比较。

5.2 检验假设2和假设4

要检验假设2和假设4，需要事先确定偏态方程的结构。为此，先假定条件分布的峰态参数(η)为一个常数，即对峰态方程(5)式施加如下约束b1=b2=b3=b4=0。然后，考虑(4)式在约束a1=a2=a3=a4=0的基础上分别逐步放松a1=0、a2=0、a3=0和a4=0等约束条件的参数估计结果。表4给出了放松a1=0的估计结果。限于篇幅，这里仅给出本文关注的系数估计结果。

从表4可以看出，当偏态系数随时间改变时，预期收益与波动的关系以及波动过程的非对称性、持续性特征没有发生改变。比较表2和表3可以发现，系数v、γ以α+β的估计值也相似，即收益率序列的“波动率反馈”效应和峰度风险显著存在。

对于这里关心的λt与前期的信息冲击εt-1之间的关系，估计结果并非显著异于0，即假设4并未得到支持。且似然比检验的结果也显示表4所对应的模型并非由于表3的模型。

下面考虑逐个放松约束a2=0、a3=0和a4=0的情形(限于篇幅，具体结果从略)。从估计结果来看，两市指数收益率的条件偏度都与过去的负向信息冲击(I(εt-1<0)εt-1)和交易量(TVt-1)显著正相关和负相关，即a2>0，a4<0。似然比检验也显著拒绝了a2=0和a4=0。这说明本文的假设2在这里得到支持。对于假设4来说，这里不仅没有给出支持性的证据，a2>0甚至意味着，如果前期存在负向冲击，则当期收益率将更加易于发生负偏风险。由于逐个放松约束的结果显示，仅a2和a4显著异于0。因此，考虑对(4)式施加约束a1=a3=0并进行极大似然估计，结果再次支持了假设2。另外，与逐个放松约束的结果类似，收益率的条件偏度与前期的负向信息冲击(I(εt-1<0)εt-1)正相关。且似然比检验结果显示a1=a3=0约束下的模型优于a1=a2=a3=a4=0。因此，偏态方程(4)式将被设定为如下形式：

(9)

5.3 检验假设3和假设5

采用与5.2节类似的方法确定确定峰态方程的形式(具体数据从略)。结果显示，除了系数b1、b2和b4的符号与假设3和假设5的预示一致之外，从p-值来看，这些系数均未显著异于0。这说明收益率的峰态特征(ηt)与过去的信息冲击(εt-1)和交易量(TVt-1)并无显著的相关关系。因此，假设3和假设5所对应的理论预示都没有获得显著的实证支持。另外，就模型的拟合优度来讲，似然比检验的结果也显示，放松bi=0(i=1,2,3,4)中的任何一个约束条件都难以改进模型的拟合优度。进一步考虑将偏态方程设定为5.2节给出的(9)式，并分别在各种约束条件下，再次进行极大似然估计，结果如表5所示。

表4 η为常数且(4)式在a2=a3=a4=0约束下模型的极大似然估计

表5 偏态方程为(9)式且(5)式在各种约束条件下的极大似然估计

从表5可以看出，假设3和假设5所对应的理论预示在这里仍然难以得到实证支持，即系数b1、b2和b4均非显著异于0的。另外，所有的似然比检验均没有显著拒绝bi=0(i=1,2,3,4)。因此，就模型的拟合优度来讲，当偏态方程设定为(9)式和常数的结果类似，即放松bi=0(i=1,2,3,4)的任一约束都难以获得更好的拟合优度。

5.4 实证结果的进一步分析

虽然本文对假设1～5的统计检验是分开进行的，但这些理论预示所反映的高阶矩风险的产生机制彼此也有一定的联系。“波动率反馈”效应和“利空信息揭示”效应预示的资产价格易于发生大幅下跌，意味着收益率的左尾风险相对较大。这实际上也属于峰度风险的范畴。因此，这两种效应的影响结果不仅仅是产生偏度风险，同时也会导致峰度风险。以Skew-T分布为例，其标准化四阶中心矩(峰度)Kur(z)为：

Kur(z)=(m4-4Am3+6A2m2-3A4)/B4

图1 Skew-T分布的偏态系数与理论峰度：以上证指数的估计结果为例

另外，从图1(b)还可以看出这样两个现象：一是在“利空信息揭示”效应的影响下，收益率的偏态系数λt大多是小于0的，即收益率易于产生负偏风险；二是当收益率正偏时，λt的取值不会超过0.1，而当负偏发生时，λt最高可以达到-0.3200，即市场易于产生较为严重的负偏风险。因此，在“利空信息揭示”效应的影响下，收益率的高阶矩特征会出现如下三个方面的结果：(1)市场产生负偏风险的可能性高于正偏；(2)负偏风险往往比正偏风险更加严重；(3)偏度风险产生时会伴随峰度风险。

最后，收益率的峰度风险常常与波动过程的聚集性、非对称性和持续性等“典型事实”(StylizedFacts)联系在一起。本文所有模型的拟合结果也都显示，这些典型事实是显著存在的。从表2的描述性统计结果来看，沪深两市指数的原始收益率和标准化收益率之间的峰度差异分别约为1.4107和1.2571。也就是说，收益率的波动过程表现出的典型事实也可以部分地解释峰度风险。

6 与国际成熟市场的比较

我们进一步采集了美国SP500指数和英国FTSE100指数的收益率和交易量数据(数据来自Wind金融资讯终端)，重新检验了本文的五个假设。但结果发现(限于篇幅，具体的数据结果这里从略，但我们欢迎感兴趣的读者来信索取。)，与我们采用国内沪深指数的结果存在显著差异：两个成熟市场的“波动率反馈”效应(假设1)和“利空信息揭示”效应(假设2)没有得到证据支持，而假设3(Ro模型)和假设5(AB模型)却是得到支持的。

综合成熟市场的结果，我们可以看出国际成熟市场的高阶矩风险产生机制可能不同于我国股市。事实上，Hueng和McDonald[16]和Hueng[17]就曾分别对美国和中国股市的“利空信息揭示”效应进行了检验，并且也发现美国股市并无显著的“利空信息揭示”效应，而中国股市却显著存在。此外，对于本文所提出的五个待检验的假设，SP500指数和FTSE100指数高阶矩风险中，Ro模型和AB模型的理论预示具有占优作用。这与本文基于中国股市为样本得出的结论也明显不同。直观上来讲，不同市场在投资者行为特征、交易机制设计等诸多方面往往都是存在显著差异的，而成熟市场和新兴市场之间的差异往往会更大，例如美国股市的卖空限制程度显然弱于国内市场。这一点从两个市场的卖空交易活跃性便可见一斑。美国股市中20%以上交易量由卖空者发起[21]，而我国股市中，融券卖空的交易额在两融业务中的占比都不到10%，相对于整个市场的交易量而言，则少于1%。更重要的是，在本文的样本中，1998年1月至2010年3月这段时间里我国股市甚至是禁止卖空的。因此，本文基于国内股市所得到的结果与国际市场的结果存在显著差异也就是显然的了。

7 结语

股市收益率高阶矩风险的重要性已经得到普遍认同，但对于其产生机制的解释，依然众说纷纭。本文在对相关研究提出的理论解释进行较为系统地梳理后，提炼了五个可供实证检验的假设；然后，以中国沪深两市的指数收益为样本，采用自回归条件密度的建模思想，将这五个假设统一于同一个计量框架，进而考察高阶矩风险的产生机制，以及哪些产生机制具有“占优”作用？为了使得检验的结果较为可靠，模型还控制了收益率可能存在的“周内效应”和“假日效应”等收益率“异象”。

研究结果表明，这五个理论预示中，仅“波动率反馈”效应(假设1)和“利空信息揭示”效应(假设2)显著存在。除此之外，未发现显著的证据支持其它的三个理论预示。需要说明的是，虽然“波动率反馈”效应和“利空信息揭示”效应主要用于解释市场收益率的偏度风险，但进一步分析可以发现，“利空信息揭示”效应在引起偏度风险的同时，也会引起峰度风险，而“波动率反馈”效应中与波动过程相关的“聚集性”和“持续性”等典型事实(StylizedFacts)也是峰度风险的重要产生机制。因此，可以认为，“波动率反馈”效应(包括其中的波动“聚集性”和“持续性”)与“利空信息揭示”效应是股市收益率高阶矩风险的主要产生机制。

作为比较，我们还以美国的SP500指数和英国的FTSE100指数为样本对本文提出的五个假设进行了检验，但并未发现与沪深指数一致的证据。进一步分析后，我们认为不同市场在投资者行为特征、交易机制设计等诸多方面往往存在较大差异，在这样的背景下，不同市场的高阶矩风险具有不同的产生机制也是可能的。特别的，新兴市场和成熟市场的高阶矩风险的产生机制往往具有各自不同的特点。

虽然如此，本文以我国沪深指数为样本，通过构建一个统一的计量框架，从众多高阶矩风险产生机制的解释中，经验性地识别出具有“占优”作用的两种解释——“波动率反馈”效应和“利空信息揭示”效应。这至少为进一步深入探求我国股市高阶矩风险的产生机制理出了头绪，也为构建一个统一的理论框架提出了可供参考的研究方向。例如，将“波动率反馈”效应引入限制卖空(现实的股市总是限制卖空的)的异质信念模型(HS模型)，沿着价格发现过程存在“利空信息揭示”效应逻辑主线，构建一个统一的理论框架，以期为充分揭示股市收益率高阶矩风险的产生机制，提供新的理论解释。当然，最终目的是为了发展一个较为完备的理论框架，突破现有的理论模型各有侧重的不利局面。

[1]PindyckRS.Risk,inflation,andthestockmarket[J].AmericanEconomicReview, 1984, 74(3): 335-351.

[2]FrenchKR,SchwertGW,StambaughRF.Expectedstockreturnsandvolatility[J].JournalofFinancialEconomics, 1987, 19(1): 3-29.

[3]CampbellJY,HentschelL.Nonewsisgoodnews:Anasymmetricmodelofchangingvolatilityinstockreturns[J].JournalofFinancialEconomics, 1992, 31(3): 281-318.

[4]HongH,SteinJC.Differencesofopinion,short-salesconstraints,andmarketcrashes[J].ReviewofFinancialStudies, 2003, 16(2): 487-525.

[5]XuJianguo.Priceconvexityandskewness[J].JournalofFinance, 2007, 62(5): 2521-2552.

[6]EngleRF.AutoregressiveconditionalheteroscedasticitywithestimatesofthevarianceofUnitedKingdominflation[J].Econometrica, 1982, 50(4): 987-1007.

[7]BollerslevT.Generalizedautoregressiveconditionalheteroskedasticity[J].JournalofEconometrics, 1986, 31(3): 307-327.

[8]RomerD.Rationalasset-pricemovementswithoutnews[J].AmericanEconomicReview, 1993, 83(5): 1112-1130.

[9]AbreuD,BrunnermeierMK.Bubblesandcrashes[J].Econometrica, 2003, 71(1): 173-204.

[10]GlostenLR,JagannathanR,RunkleDE.Ontherelationbetweentheexpectedvalueandthevolatilityofthenominalexcessreturnonstocks[J].JournalofFinance, 1993, 48(5): 1779-1801.

[11] 王春. 投资者情绪对股票市场收益和波动的影响——基于开放式股票型基金资金净流入的实证研究. 中国管理科学, 2014, 22(9): 49-56.

[12]BrandtMW,WangLeping.Measuringthetime-varyingrisk-returnrelationfromthecross-sectionofequityreturns[R].Workingpaper,DukeUniversty, 2010.

[13]YuJianfeng,YuanYu.Investorsentimentandthemean-variancerelation[J].JournalofFinancialEconomics, 2011, 100(2): 367-381.

[14]EngleR,MistryA.Pricedriskandasymmetricvolatilityinthecrosssectionofskewness[J].JournalofEconometrics, 2014, 182(1): 135-144.

[15]KinnunenJ.Risk-returntrade-offandserialcorrelation:Dovolumeandvolatilitymatter?[J].JournalofFinancialMarkets, 2014, 20: 1-19.

[16]HuengCJ,McDonaldJB.Forecastingasymmetriesinaggregatestockmarketreturns:Evidencefromconditionalskewness[J].JournalofEmpiricalFinance, 2005, 12(5): 666-685.

[17]HuengCJ.Short-salesconstraintsandstockreturnasymmetry:evidencefromtheChinesestockmarkets[J].AppliedFinancialEconomics, 2006, 16(10): 707-716.

[18] 陈国进, 张贻军. 异质信念、卖空限制与我国股市的暴跌现象研究[J]. 金融研究, 2009, (4): 80-91.

[19]HansenBE.Autoregressiveconditionaldensityestimation[J].InternationalEconomicReview, 1994, 35(3): 705-730.

[20]ChenJ,HongH,SteinJC.Forecastingcrashes:Tradingvolume,pastreturns,andconditionalskewnessinstockprices[J].JournalofFinancialEconomics, 2001, 31(3): 345-381.

[21]BoehmerE,WuJuan.Shortsellingandthepricediscoveryprocess[J].ReviewofFinancialStudies, 2013, 26(2): 287-322.

TestingtheGenerationMechanismofHigher-Order-MomentRiskinStockMarketReturns

FANG Li-bing1, ZENG Yong2

(1. School of Management and Engineering, Nanjing University, Nanjing 210093,China; 2. School of Management and Economics,University of Electronic Science and Techonology of China, Chengdu 611731,China)

Five pieces of theoretical prediction on the generation of higher order moment risk are refined and thus the corresponding hypotheses are formed after reviewing the existed literature. Employing the idea of modeling time variant higher-order-moment, these five pieces of hypothesis are involved in a unified econometric framework. An empirical analysis is conducted based on such model to find some dominated theoretical explanations. Sampling daily returns from Shanghai and Shenzhen stock market composite index, the results show that there are two hypotheses relevant to volatility feedback effect and bad news revelation effect are significantly supported but the other three are not. Further analysis indicates that these two effects can generate both skewness and kurtosis risk. Therefore, they are implied as the main generation mechanism of higher-order-moment risk. These results get out of the mess of opinions on the generation mechanism of higher-order-moment risk and thus can benefit further exploration of such topic under a unified theoretical framework.

higher-moment risk; volatility feedback; short-sale constraint; conditional density

1003-207(2016)04-0027-10

10.16381/j.cnki.issn1003-207x.2016.04.004

2014-10-19；

2016-01-09

国家自然科学基金青年资助项目(71401071)；教育部人文社会科学研究青年资助项目(14YJC790025)；江苏省自然科学基金青年资助项目(BK20130589)

方立兵(1980-)，男(汉族)，安徽舒城人，南京大学工程管理学院讲师，研究方向：金融市场计量与金融工程研究，E-mail:lbfang@nju.edu.cn.

F830.91

A