基于投资者情绪的大小盘风格轮动策略探析

周亮+江泽晟

摘 要：选取2011年1月至2017年3月间新增投资者开户数、市盈率、换手率和波动率四个变量的周度数据作为源指标，利用主成分分析法构造了投资者情绪指标，并分析了投资者情绪对巨潮大盘、中盘和小盘指数的不同影响以及基于投资者情绪的大小盘风格轮动策略的效果，结果发现：投资者情绪指标对小盘股的影响最大，对大盘指数的影响最小。风格轮动策略显示，在低投资者情绪时候应选择中盘指数，在中等情绪时期应选择大盘指数，在高情绪时期应选择小盘指数。策略在样本区间取得了51.73%的收益率，高于各规模指数的收益率，且夏普比率也比规模指数要高出不少，因此基于投资者情绪的风格轮动策略是有效的。

关 键 词：投资者情绪；风格轮动；规模指数

中图分类号：F832.5 文献标识码：A 文章编号：2096-2517（2018）01-0024-08

DOI：10.19631/j.cnki.css.2018.01.004

Abstract： Based on the research of other articles， the paper selected four variables of number of new investors， PE， turnover rate and volatility as the source index from January 2011 to March 2017 and used component analysis method to construct the investor sentiment index， and analyzed the investor sentiments influence on the big tide， the mid-disk and the small-cap index and the effect of the disk-style wheeling strategy while taking the investor sentiment into account. The result shows that： the investor sentiment has the greatest impact on small-cap stocks， the smallest impact on the broader market index； style wheeling strategy shows that low investor sentiment should be selected in the mid-disk index， in the medium emotional period should choose the broader market index， in the high emotional period should select small-cap index； strategy in the sample range made 51.73% yield， higher than the size of the index rate of return， and the sharp ratio is also higher than the scale index， so the style based on investor sentiment strategy is effective.

Key words： investor sentiment； style wheeled； scale index

一、引言

投資者情绪反映了投资者对投资标的的预期，行为金融学的研究成果表明，投资者情绪对投资者的主体行为有重大影响，进而对投资标的的市场价格产生重大影响。国内外学者对投资者情绪开展了大量的研究，主要集中在对投资者情绪的测量以及研究投资者情绪与市场收益之间的关系。在对投资者情绪的测度上，各种直接指标和间接指标被大量采用，如美国投资者协会指数、央视看盘指数、新增投资者开户数、封闭基金折价率、市盈率、换手率、波动率等，也有越来越多的学者采用主成分分析等方法对指标进行组合从而得到综合指标，以更全面地反映市场情绪的变动。在投资者情绪与市场收益的关系方面，大部分学者都发现了市场收益与投资者情绪相互之间存在着影响关系。

但是对于不同规模的股票来说， 投资者情绪的影响显然会有所不同。 大市值的股票往往走势更为平稳，投资者情绪的波动导致其股价的变化不如小市值股票那么剧烈。因此，通过投资者情绪的变化来对大小盘进行轮动的策略在逻辑上是成立的。只是目前的学术研究在这方面鲜有涉及，这也是本文研究的方向和价值所在。本文拟在借鉴其他学者研究的基础上，采用新增投资者开户数、市盈率、换手率、波动率等源指标构造出投资者情绪指标，在基于投资者情绪对不同规模指数的影响差异的基础上，构造出大小盘风格轮动策略并检验其收益和风险，结果发现，轮动策略相对于采用单一的持有规模指数而言能够取得更高的收益和较低的风险。

二、文献综述

（一）投资者情绪指标的测度

对投资者情绪指标的测度主要是通过直接指标或间接指标，直接指标指的是调查机构通过对投资者进行直接调查获得的相关数据，而间接指标则是通过市场上的一些特征来度量投资者情绪。目前常用的直接指标包括美国的投资者协会指数[1]、投资者智能指数[2]、我国的华鼎多空民意调查指数[3]、央视看盘指数[4]等，而间接指标常用的有市盈率[5]、新增投资者开户数[6]、IPO上市数量[7]、封闭基金折溢价率[8]等。在综合指标的构建方面，易志高等（2009）使用的主成分分析方法被学者们广泛采用[9]。同时随着融资融券、股指期货、股指期权等金融衍生产品的不断丰富，也有学者开始使用这些新工具来度量投资者情绪，如周亮（2017）就采用中国波指、 股指期货升贴水率等衍生品指标，与传统指标一起，构造了反映沪深300指数的投资者情绪指标[10]。endprint

（二）投资者情绪对市场收益的影响

国内外学者普遍发现了投资者情绪对市场收益存在着较为显著的正向影响。Lee等（1991）[11]和Swaminathan（1996）[12]用封闭式基金折价来代表投资者情绪，结果发现投资者情绪的变化能够正向影响低市值股票的回报率。Jansen等（2003）[13]和Leger等（2008）[14]则用消费者信心来替代投资者情绪， 发现股票市场收益和投资者情绪之间存在着正相关关系。Corredor等（2013）发现法国、德国、西班牙和英国四个欧洲股市市场的投资者情绪对收益有重大影响，但强度并不相同，股票特征和跨国文化或制度上的差别可能是导致强度差异的原因[15]。国内学者王春（2014）研究发现投资者情绪与股票市场收益之间存在正向反馈作用，且在以股票市值为分类的组合中，发现大市值股票组合受投资者情绪影响的股票市场指数条件波动越大，股票组合收益越大；小市值股票组合受投资者情绪影响的股票市场指数条件波动越大，股票组合收益反而越小[16]。

（三）资产轮动相关研究

在资产轮动方面，大部分学者采用经济周期的划分标准来构造策略。苏民等（2011）认为，经济周期是资产配置的大背景，只有从经济周期的角度出发来配置资产，才能从中长期的角度获得战略性收益，并因此建立了基于经济周期的资产轮动模式[17]。韦立坚等（2012）将公司规模风格与账面市值比风格进行综合，并基于复合风格的动量收益构建了套利组合，以考察风格轮动的演化过程，并进一步根据中国股市风格轮动的特点，指出投资者根据市场环境变化而采取相应的投资风格，是引致市场出现风格轮动效应的原因[18]。郜哲（2015）根据经济周期划分结果，考察了我国四类资产（现金、债券、商品、股票）在经济周期不同阶段的表现，得出我国经济具有周期轮动性，利用投资时钟原理和经过蒙特卡洛模拟优化后均值方差模型，可以优化资产配置，取得较高收益和较低最大回撤[19]。周亮（2017）研究发现，相对于股灾前的投资组合配置，因子配置更多地向估值影子倾斜[20]。也有一些学者采用更为复杂的算法对轮动策略进行设计。高波等（2016）采用主成分回归模型设计了一种行业轮动策略，发现该模型能够很好地预测未来的行业收益率，行业轮动策略能够获得显著为正的阿尔法收益，而市场趋势和行业动量效应是行业轮动策略收益率的主要影响因素[21]。彭惠等（2016）应用关联规则Aprior算法对我国股票市场行业轮动现象进行探索性的研究，在日、周、月三个周期维度上从我国股市强大的交易数据中挖掘出了行业间稳健的联动规则和轮动规则[22]。

综上可以看到，无论是投资者情绪的测度以及其对市场收益的影响， 还是资产轮动方面，学者们均进行了大量的研究， 取得了丰硕的成果。但是将二者结合起来进行分析的很少，而正像王春（2014）的研究所发现的，投资者情绪在大小市值股票之间的作用存在着一定的差异[16]，因此基于投资者情绪的基础构造大小盘股票风格轮动策略具有理论价值，且对投资实践也具有一定的指导意义。这也是本文的创新和价值所在。

三、变量选取及说明

（一）新增投资者开户数

新增投资者开户数是衡量投资者情绪常用的一个指标。当投资者情绪高涨时，投资者参与市场的热情高涨，也就有越来越多的新增投资者进入市场；当投资者情绪低迷时，场内的投资者将会逐渐离开市场，而还没有进入市场的投资者就更不会选择在这个时候进行开户。因此选择新增投资者开户数（NIA）作为投资者情绪的一个源指标。

借鉴Leger（2008）期货市场投资者情绪指数的度量公式[14]：

其中，SIt是t时刻投资者的情绪指数；St是t时刻的净头寸；MAX（St）和MIN（St）是样本期间净头寸的最大值和最小值。SIt的变动范围为0到1，代表着投资者情绪从极度悲观到极度乐观。为了避免投资者情绪各源指标之间数值差异过大导致部分源指标占比过大，部分源指标占比过小，因此对各源指标也按照公式（1）进行预处理，处理后的新增投资者开户数指标（NIAR）计算公式为：

（二）市盈率

市盈率是股价除以每股净利润，是计算股市估值的最常用指标，而估值水平的高低也可以间接反映出投资者情绪的高低。 当市盈率较高时，代表投资者愿意以更高的价格进行股票买卖，也就代表着投资者情绪较高；反之，当市盈率较低时，则代表投资者情绪低迷。同样，借鉴公式（1）计算市盈率指标（PER）：

（三）换手率

换手率的高低能反映交易行为过程的热烈程度。换手率较高，投资者在市场上的买卖行为较为热烈，反映出投资者情绪高涨；换手率较低，表明投资者不愿意对股票进行买卖，或者对买卖成交的价格不满意， 反映出投资者情绪低迷。因此采用换手率作为投资者情绪指标的源指标，同样借鉴公式（1），换手率（VOLR）的计算公式为：

（四）波动率

波动率是金融资产价格的波动程度，是对资产收益率不确定性的衡量。波动率的高低可以反映投资者情绪的高低，当波动率较高时，表明参与市场的投资者较多， 投资者情绪也就较高；反之亦然。选择20日波动率（FLU）来进行相关检验，计算公式为：

（五）数据来源

市盈率、换手率和波动率这三个投资者情绪的源指标均以沪深300指数为准。同时，为了考虑大小盘轮动效应，选取了巨潮大盘、中盘和小盘指数。 考虑到新增投资者开户数只有周度数据， 因此选取2011年1月至2017年3月间所有的周度数据，共319組，所有数据均来自东方财富金融数据库。

四、实证检验分析

（一）变量描述性统计及相关分析

借鉴周亮（2017）的分析方法[5]，采用主成分法构造投资者情绪指标。表1报告了四个投资者情绪源指标的描述性统计及相关系数， 可以看到，只有NIA均值和中位值在0.5附近，其余三个指标的均值都远低于0.5， 表示这些指标均为右偏分布。从右侧相关系数表上可以看到，四个指标之间两两间均存在着显著的正相关关系，因此采用主成分分析是合适的。endprint

（二）投资者情绪指标的构建

1. 提前与滞后量的选择。因为各变量之间会存在着一定的领先和滞后关系， 即某些变量的反应会快于另一些变量， 因此在构造最终的投资者情绪指标前，首先需要对各源指标的领先和滞后关系进行分析。具体步骤为：第一步，对各源指标的当期值和滞后一期值一起进行主成分分析；第二步， 严格按照85%以上的原则选择出主成分，然后根据分析结果采用特征值加权得到初始的投资者情绪指标ISI1； 第三步， 选取各源指标在ISI1中系数较高的当期值或滞后一期值作为构造最终投资者情绪指标的来源。

表2报告了主成分分析的结果， 可以看到，严格按照85%的原则， 一共可以提取三个主成分，可以解释总体方差的90.88%。按特征值进行加权，从而得到初始的投资者情绪指标为：

ISI1=0.192NIARt+0.209PERt+0.219VOLRt+0.345FLURt+0.198NIARt-1+0.215PERt-1+0.242VOLRt-1+0.344FLURt-1 （7）

可以看到，NIARt-1、PERt-1、VOLRt-1、FLURt在ISI1的构造方程中占比更高，因此选用这四个变量进行主成分分析以建立最终的投资者情绪指标。

2. 投资者情绪指标的建立及分析

表3报告了四个变量的主成分分析结果，可以看到，仍然提取了三个主成分，这三个主成分累计方差占到了93.10%。 按照特征值进行加权平均，从而得到最终的投资者情绪指标，计算公式为：

ISI=0.268NIARt-1+0.293PERt-1+0.326VOLRt-1+0.489FLURt （8）

经计算，ISI与ISI1相关系数为0.99，意味着虽然剔除了四个变量， 但是ISI保留了ISI1的几乎全部信息。 而测算ISI与沪深300指数之间的相关系数为0.87， 意味着本文所构建的投资者情绪指标能够与沪深300指数具有良好的相关性。图1报告了ISI与沪深300指数的走势图，从图形上可以看到，两者走势同步，投资者情绪的高点略滞后于沪深300指数的高点，而投资者情绪的低点却略领先于沪深300指数的低点。

（三）投资者情绪与大小盘指数间的关系

1. 协整检验

对于金融时间序列， 为了避免伪回归等现象，在进行回归分析前，首先需要对序列的平稳性进行检验。 表4报告了ISI及巨潮大盘（BIG）、中盘（MEDIAN）、小盘（SMALL）三个指数的ADF检验结果， 可以看到，4个序列均是一阶单整序列，因此在建立回归方程之前，需要先进行协整检验。表5报告了巨潮规模指数与投资者情绪之间的协整检验结果，可以看到，在5%的显著性水平下，大盘、中盘及小盘指数均与投资者情绪指标之间存在着协整关系。

2. 回归分析

为了确定ISI对规模指数的领先关系， 根据AIC和SC确定ISI的滞后阶数， 经过反复验证发现滞后一期和滞后三期的ISI指标在模型中最为显著，模型拟合效果最好，因此采用滞后一期和滞后三期的ISI指标作为自变量对规模指数进行分析。回归结果如表6所示，对比三个模型的回归结果可以看到，ISI对小盘指数的影响最大（回归系数分别为0.752和0.513）， 对大盘指数的影响最小（回归系数分别为0.595和0.293）；但是从模型整体拟合性来看， 大盘指数的拟合性最好（调整R2为0.7763）， 而小盘指数的拟合效果最差（调整R2只有0.6056），表明影响小盘指数的因素更为复杂， 模型中没有包括的其他变量相对于大盘指数而言更多。

（四）大小盘指数轮动分析

1. 不同情绪期规模指数的表现分析

由于投资者情绪对于不同规模的指数作用并不一致， 对于小盘指数的影响程度要大于中盘股和大盘股，因此可以通过投资者情绪的高低来进行大小盘指数间的轮动策略构建。投资者情绪指标值在0.08至1.2之间， 经计算发现0.35以下及0.55以上的数值均在三分之一左右，因此按照小于0.35、大于0.35但小于0.55、大于0.55的标准将投资者情绪分为三个区间，分别对应低投资者情绪、 中等投资者情绪及高投资者情绪。同时为了避免数据波动过大，导致情绪跳动过于频繁，对投资者情绪指标进行5日平均，以平均后的数值为依据进行情绪期的划分。最终得到低投资者情绪时期三个， 分别是2011年12月16日至2012年2月3日、2012年4月13日至2013年2月8日、2013年4月19日至2014年11月28日；中等投资者情绪时期五个，分别是2011年1月7日至2011年12月9日、2012年2月20日至2012年4月6日、2013年2月22日至2013年4月12日、2014年12月5日至2014年12月19日、2016年4月15日至2017年3月31日；高投資者情绪时期一个， 是2014年12月26日至2016年4月8日。

分别计算三个情绪时期的总体收益率、标准差及夏普比率（未扣除无风险利率），所得结果如表7所示。可以看到，在低情绪期，三个规模指数都获得了上涨，其中小盘指数最大，达到了45.4%，但是从夏普比率可以看到，中盘指数在低情绪期的表现最好，夏普比率达到了13.694；中等情绪时期，只有大盘指数获得了1.1%的上涨，中盘指数和小盘指数分别下跌了15.9%和11.4%，显然在中等情绪期大盘指数表现最为稳定；而高情绪时期，上涨幅度和夏普比率最大的均是小盘指数，同时也可以看出，高情绪时期的标准差要远大于低情绪期和中等情绪期， 说明高情绪期的风险更大。

2. 轮动策略分析

从夏普比率来看， 在低情绪期中盘指数最高中等情绪时期大盘指数最高， 高情绪期小盘指数最高，因此相较于采取单一指数策略来说，采用轮动持股策略在理论上可以获得更佳的效果。 图2和表8报告了轮动策略的结果，可以看到，从收益率上来看，轮动策略最高，比起小盘指数的45.51%还要高出6.22%；从标准差的角度看，虽然轮动策略高于大盘指数的0.0319和中盘指数的0.0375， 但是低于小盘指数的0.04；因此，轮动策略的夏普比率达到了13.66，要远大于大盘指数的5.893和中盘指数的2.819， 也高于小盘指数的11.375。因此，综合来看，采用投资者情绪来对大小盘指数进行轮动策略是有效的，不仅可以获得超额收益，而且可以有效降低投资风险。endprint

五、结论与展望

新增投资者开户数、市盈率、换手率和波动率四个变量所构造的投资者情绪指标能够对指数进行较好的拟合，相关系数达到了0.87；投资者情绪指标对小盘股的影响最大，对大盘指数的影响最小，但是小盘股同样受到其他因素更复杂的影响；风格轮动策略显示，在低投资者情绪时候应该选择中盘指数，在中等情绪时期应该选择大盘指数，在高情绪时期应该选择小盘指数，策略在样本区间取得了51.73%的收益率， 高于各规模指数的收益率， 且夏普比率也比规模指数要高出不少，因此基于投资者情绪的风格轮动策略是有效的。这种交易策略也是具有一定的投资实践支撑的，小盘股票相对于中大盘股票而言，對市场情绪更为敏感，从而具有更高的波动性。当市场情绪较高时，小盘股票由于波动性更强，往往能够获得更高的收益；但是当市场情绪偏低时，整个市场成交低迷，股票下跌的可能性更大，小盘股票下跌的幅度更大，相反，中大盘股票由于对市场情绪不那么敏感， 下跌幅度往往更小甚至可能上涨，因此在投资者情绪较低时，持有中大盘股票是更为有效的交易策略。

不同于其他学者对于风格轮动主要采用经济周期变量或货币周期变量，基于投资者情绪的风格轮动策略， 采用的数据来自于证券市场本身，有更敏捷、更及时、更便于理解等特点，也更便于投资者进行理解与应用，这也是本文最大的创新和价值所在。但是所构建的策略仍显简单，收益率和波动率相对于巨潮小盘指数来说提升幅度并不大，接下来的研究可以从以下几个方面进行开展，以获取更高的轮动收益和更低的交易风险：首先，指标的选取上，月度频率的数据包含了更多的可以利用的指标， 如GDP等经济周期数据、M2等货币周期数据， 将这些指标结合起来，是很有研究价值的方向；其次，在对指数的跟踪上，通过选股或指数增强等方式在风格轮动的同时获得一定的超额收益是可以研究的方向。

参考文献：

[1]DE BONDT W P M. Betting on Trends：Intuitive Forecasts of Financial Risk and Return[J]. International Journal of Forecasting，1993（3）.

[2]FISHER K L，STATMAN M. Investor Sentiment and Stock Returns[J]. Financial Analysis Journal，2000（2）.

[3]余佩棍，钟瑞军. 个人投资者情绪能预测市场收益率吗？[J]. 南开管理评论，2009（1）.

[4]王美今，孙建军.中国股市收益、收益波动与投资者情绪[J]. 经济研究，2004（10）.

[5]周亮. 投资者情绪及其对股票市场的影响研究[J]. 湖南财政经济学院学报，2017（3）.

[6]鲁训法，黎建强. 中国股市指数与投资者情绪指数的相互关系[J]. 系统工程理论与实践，2012（3）.

[7]BAKER M，WURGLER J. Investor Sentiment and the Cross-section of Stock Returns[J]. Journal of Finance，2006（4）.

[8]DE LONG M R. Primate Models of Movement Disorders of Basal Ganglia Origin[J]. Trends in Neurosciences，1990（7）.

[9]易志高，茅宁. 中国股市投资者情绪测量研究：CICSI的构建[J]. 金融研究，2009（11）.

[10]周亮. 中国波指、股指期货与投资者情绪[J]. 税务与经济，2017（6）.

[11]LEE C， SHLEIFER M C A， THALER R H. Investor Sentiment and the Closed-End Fund Puzzle[J]. Journal of Finance，1991（1）.

[12]SWAMINATHAN B. Time-Varying Expected Small Fir Returns and Closed-End Fund Discounts[J]. The Review of Financial Studies，1996（3）.

[13]JANSEN W J，NAHUIS N J. The Stock Market and Consumer Confidence： European Evidence[J]. Economics Letters，2003（79）.

[14]LEGER L，LEONE V. Changes in the Risk Structure of Stock Returns： Consumer Confidence and the Dotcom Bubble[J]. Review of Financial Economics，2008（17）.

[15]CORREDOR P，FERRER E，SANTAMARIA R. Investor Sentiment Effect in Stock Markets： Stock Characteristics or Country-specific Factors？[J]. International Review of Economics & Finance，2013（3）.

[16]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[J]. 中国管理科学，2014（9）.

[17]苏民，逯宇铎. 经济周期视角下的资产轮动模式[J]. 金融理论与实践，2011（1）.

[18]韦立坚，张维，张永杰，等. 中国股票市场风格轮动效应及基于适应市场假说的解释[J]. 管理学报，2012（7）.

[19]郜哲. 基于投资时钟原理的中国大类资产配置研究与实证[J]. 河北经贸大学学报，2015（3）.

[20]周亮. 股灾是否改变了 股市的投资逻辑——基于A股面板数据的研究[J]. 金融理论探索，2016（5）.

[21]高波，任若恩. 基于主成分回归模型的行业轮动策略及其业绩评价[J]. 数学的实践与认识，2016（19）.

[22]彭惠，刘欣雨. 基于关联规则的中国股票市场行业轮动现象研究[J]. 北京邮电大学学报，2016（1）.endprint