中国A股的隔夜-日内反转效应

曲荣华 刘扬

0 引言

历史收益率对未来收益率的预测关系是资产定价领域的一大热门研究话题。国外学者在美国及其他西方发达股市发现了三大经典的横截面效应，即短期月度反转(Lehmann, 1990)、中期年度动量(Jegadeesh and Titman, 1993)，以及长期三年至五年的反转(De Bondt and Thaler, 1985)。而在中国股市，文献普遍认为A股不存在传统的中期动量效应，但存在反转效应和超短期的动量效应(王永宏和赵学军，2001；潘莉和徐建国，2011)。这些研究不仅对学界的有效市场假说提出了挑战，对业界的投资实践也具有重要的指导作用。值得注意的是，上述文献都是研究传统的收盘价收益率，鲜有文献探讨开盘价的影响。以开盘为分界点，市场可以分为隔夜区间(昨收盘至今开盘)和日内区间(今开盘至今收盘)，而传统收益率也可以对应地分解为隔夜收益率和日内收益率。考虑到隔夜市场和日内市场在流动性、信息披露等方面具有的不同特征(Barclay and Hendershott, 2003, 2004)，一个有趣的问题是，隔夜及日内收益率是否会表现出异于传统收盘价收益率的规律?更重要的是，他们能否反映被已有研究所忽视的定价机制？

基于2000年至2018年的个股日度数据，本文对中国A股的隔夜、日内收益率进行了实证分析，主要有以下四点发现：第一，中国A股市场存在着显著的隔夜-日内反转效应，即隔夜收益率更低(高)的股票，平均而言将在当天获得更高(低)的日内收益率。其对应的多空策略在经济和统计意义上都获得了不俗的表现：日度收益率为1.12%，t-stat更是高达50.98，远远超过日内动量策略(0.04%，t-stat: 3.01)和传统的基于收盘价的超短期日度动量策略(0.41%，t-stat: 16.40)。第二，隔夜-日内反转效应不仅区别于传统的月度反转效应，而且不能被标准的风险因子模型所解释。具体而言，本文构造了基于日内收益率的因子模型，包括CAPM、Liu et al.(2019)针对中国股市所提出的三因子和四因子模型以及加入了传统短期反转因子的五因子模型。隔夜-日内反转策略在上述所有的因子模型下都获得了超过1%且高度显著的日度alpha。第三，利用双变量排序和Fama and MacBeth(1973)回归来控制其他对未来收益率有预测作用的公司特征，比如市值、账面市值比和换手率等，隔夜收益率对于日内收益率的负向预测能力仍然显著存在，说明隔夜收益率反映了独立于这些公司特征之外的预测信息。

第四，更为重要的是，本文从流动性溢价和投资者情绪两个角度，深入探讨了隔夜-日内反转效应背后的经济原因。从流动性的角度，相比于日内区间，市场在隔夜状态下的交易活跃度极低(Barclay and Hendershott, 2003, 2004)。与此同时，市场在开盘时表现出的高波动性也会限制金融中介提供流动性的功能(Gromb and Vayanos, 2002; Brunnermeier and Pedersen, 2009)。特别地，考虑到中国股市散户比例高、波动性大的特点，流动性提供者在开盘时往往面临着较大的风险，所以对于隔夜收益率的输家股票这样一些卖出压力大的股票，其会要求一个更高的溢价补偿才愿意提供流动性。对应地，本文发现隔夜-日内反转效应在流动性不足的股票中，即Amihud(2002)非流动性指标较高以及交易量较低的股票中，表现更强烈。这说明隔夜-日内反转效应反映了市场对于流动性提供者所做出的溢价补偿。此外，从投资者情绪的角度，如果隔夜-日内反转效应反映了由投资者乐观情绪引起的对赢家组合的高估定价偏差，那么这一效应会随着个股卖空限制的增强而变强。对应地，本文发现相对于支持融资融券业务的股票，隔夜-日内反转效应在不支持融资融券的股票中表现更强烈。与此同时，在支持融资融券的股票中，该效应也随着股票卖空强度的减弱，即随着卖空限制的增强而增强。最后，对比机构投资者，散户更容易受情绪的影响。对应地，本文也发现隔夜-日内反转效应随着散户持股比例的上升而增强。上述证据说明投资者情绪是隔夜-日内反转效应背后的另一驱动因素。

本文的创新和贡献在于：第一，区别于传统的收盘价收益率研究，本文首次在A股的日度数据上对横截面收益率的隔夜-日内反转效应进行了检验，这为深入理解收益率规律提供了新的微观视角。第二，通过与传统收盘价收益率下的动量及反转效应进行对比分析，本文一方面验证了已有文献的结论，另一方面发现隔夜-日内反转效应不能被经典的短期反转效应所解释，而且其在经济意义和统计显著性上都远强于传统效应。第三，本文从流动性溢价和投资者情绪两个角度，对隔夜-日内反转效应的经济原因进行了系统性的探讨。在已有文献中，关于流动性和投资者情绪对股票定价影响的研究大多侧重于分析月度横截面数据或者市场收益率，鲜有文献从日内层面探究这两个因素对横截面收益率的影响。因此，本文填补了这方面的研究空白，对于深入理解流动性和市场情绪在股票定价机制中所发挥的作用具有重要意义。第四，隔夜-日内反转策略具有极高的收益率和夏普比率，因而对于投资实践具有较强的指导意义。在我国股市现行的“T+1”制度下，虽然普通散户难以利用该策略进行投资，但是分散化持股的机构交易者可以通过灵活的底仓管理利用该策略指导投资。这不仅有利于修正投资者乐观情绪引起的定价误差，增强市场的有效性，也有助于提升市场的流动性，降低风险。与此同时，随着A股机构化程度的提升以及“T+0”改革的不断推进，隔夜-日内策略的实用价值也将得到提升。

本文的后续安排如下：第1部分回顾了相关文献，第2部分介绍了研究方法和数据，第3部分展示了主要的实证结论，第4部分探究了隔夜-日内反转效应背后的经济原因，第5部分检验了结果的稳健性，第6部分对全文进行了总结。

1 文献回顾

针对股票历史收益率对未来收益率的影响，国内外学者进行了大量研究。西方文献在美国股市中率先发现历史回报对未来收益率的预测模式随着投资期限而发生变化，并呈现出三大著名的横截面效应：一个月的短期反转效应(Lehmann, 1990; Lo and MacKinlay, 1990)、过去二个月到十二个月的中期动量效应(Jegadeesh and Titman, 1993)，以及过去三年至五年的长期反转效应(De Bondt and Thaler, 1985)。从全球的视角，大量研究显示动量效应在除日本以外的其他欧美成熟股市也都显著存在(Rouwenhorst, 1998; Fama and French, 2012)。而针对其他的资产类别，Asness et al.(2013)在欧美成熟市场的外汇、政府债券、商品期货以及股指期货上，也都发现了显著的动量效应。

不同于传统动量效应在欧美成熟市场广泛存在的普遍结论，动量效应在中国A股的检验结果则存在争议。在传统的中期月度频率下，绝大部分文献，比如王永宏和赵学军(2001)，发现A股没有显著的动量效应。得到类似结论的还有马超群和张浩(2005)、郭磊等(2007)、Li et al.(2010)、Cheema and Nartea(2014)和Cakici et al.(2017)。特别地，在剔除了小市值壳资源的公司之后，Liu et al.(2019)同样发现中国A股不存在传统的中期动量效应，但存在显著的短期反转效应。而可能由于样本区间的不同，有少部分文献(徐信忠和郑纯毅，2006；王甜甜和郭朋，2014)检测到了中期动量效应的存在。另一方面，区别于中期动量众说纷纭的结果，已有文献普遍认为A股存在月内超短期的动量效应。比如，朱战宇等(2003)在周度频率上发现了显著的动量效应，而潘莉和徐建国(2011)也在日度及周度频率检测到了超短期动量效应。

与此同时，学界对传统反转效应在A股的存在性也达成了较为一致的结论。鲁臻和邹恒甫(2007)在中国股市发现了短期和长期的反转效应。从投资者的非持续性过度自信模式出发，何诚颖等(2014)发现中国股市表现出独特的中期反转效应。类似地，潘莉和徐建国(2011)发现A股个股收益率在多个时间频率上都表现出明显的反转效应。总结上述文献，学界普遍认为中国股市的反转效应要强于动量效应。此外，虽然传统的中期动量效应并不显著，但中国A股存在月内的超短期动量效应。

上述文献主要利用月度等中低频数据来分析传统的收盘价收益率。近年来，国内外学者开始研究更高频的数据，并通过对隔夜区间和日内区间的区分，将收盘价收益率分解为隔夜收益率和日内收益率进行研究。这不仅为探索收益率规律提供了更微观的新视角，对于深入理解不同市场状态下的股票定价机制也具有重要意义。在横截面层面，从投资者异质性的角度，Lou et al.(2019)认为不同类型的投资者会倾向于在不同的区间交易，所以隔夜、日内收益率反映了不同投资者的需求。对应地，其在美国股市发现，各类投资者的行为连续性使得隔夜及日内收益率分别表现出持续性高达数年的横截面动量效应，而不同投资者之间的力量拉扯则引起了隔夜和日内收益率之间的反转效应。此外，Corte et al.(2015)在其他西方股市和股指期货、外汇期货以及商品期货等期货市场上，也发现了类似的隔夜-日内反转效应。借鉴上述思路，白颢睿等(2020)发现在中国A股，日内收益率和隔夜收益率在月度频率上均表现出横截面的动量效应，但两者的相反作用相互抵消，从而解释了中国股市的传统动量效应消失之谜。与此同时，Hendershott(2020)在美国及全球股市中发现隔夜收益率与股票的beta系数正相关，而日内收益率与beta负相关。值得注意的是，区别于其他市场(比如H股), 张兵(2019)发现我国A股市场表现出隔夜收益率为负的独特现象。从期权的角度，Bai(2020)认为在“T+1”的交易制度下，相对于t日开盘价，t-1日收盘价嵌入了回溯最大卖出期权。因而，中国A股的负隔夜收益率反映了这一特殊期权的价值。

在时间序列层面，Gao et al.(2018)基于S&P500指数的高频数据发现了日内动量效应，即市场开盘半小时的收益率可以正向预测最后半小时的收益率。借鉴上述方法，Zhang et al.(2019)利用上证综指的高频数据检验了中国股市的日内时间序列动量效应，发现第一个半小时的市场回报可以显著预测最后半小时的回报，同时早上的市场收益率也能显著预测下午的收益率。Chu et al.(2019)发现除了上述首尾半小时收益率之间的日内动量效应，中国A股的市场收益率还存在第一个和第二个半小时收益率之间的日内反转效应。Jin et al.(2020)将研究标的拓展至期货，并在中国市场的钢、铜、大豆和豆粕这四个期货合约上发现了类似的日内时间序列动量效应。而基于文本分析等新方法，尹海员和吴兴颖(2019)构建了日内高频情绪指标，并发现投资者情绪能够正向预测市场(上证指数)收益率。

梳理上述文献，可以发现针对A股的研究存在下述局限性。首先，已有文献主要集中于检验传统收盘价收益率框架下的动量及反转效应，以及探讨为何传统的中期动量效应在中国A股并不显著。第二，大部分研究侧重于检验各个效应的实证表现，鲜有文献对各种效应背后的经济原因进行系统性的研究。第三，针对隔夜、日内收益率，已有文献虽有一定的探讨，但主要侧重于时间序列维度的分析，缺乏横截面层面的深入研究。特别地，已有文献对日度频率下的隔夜、日内收益率横截面规律的检验以及对其经济解释的探索尚为空白。

2 方法与数据

2.1 策略构建

(1)

(2)

对应地，本文着重检验表1中的三个日度策略。CC-CC策略为基于收盘价来计算形成期和持有期收益率的传统策略。将收盘价收益率拆分为隔夜收益率与日内收益率，本文进一步检验下述两种隔夜及日内策略。由于日内区间为主要的交易区间，本文主要关注以日内收益率作为持有期收益率的策略。具体而言，OC-OC策略为日内-日内策略，其形成期和持有期收益率分别为t-1天和t天的日内收益率。与之相对，CO-OC策略是隔夜-日内策略，其形成期收益率为t天的隔夜收益率，持有期收益率为t天的日内收益率(2)此外，我们还检验了形成期和持有期收益率分别为t-1天和t天隔夜收益率的CO-CO策略。与Lou et al.(2019)在美国股市的结果相吻合，该策略表现为动量策略，其结果因为篇幅限制而未汇报。。

表1 策略构建方法

2.2 数据

本文检验中国A股市场的股票，所有的股票交易数据以及财务数据均来自于WIND数据库，样本区间为2000年1月4日至2018年7月31日。

个股开盘价和收盘价皆为复权价格。基于分红再投资的假设，WIND数据库对价格进行了调整，弥补了因股票分割以及除权除息等事件造成的价格缺口，方便计算投资收益率。Beta为基于过去100个交易日(要求至少50个有效数据)的日度收盘价收益率所估计的个股相对于市场收益率的Beta。ILLIQ(Illiquidity)是过去1个月Amihud(2002)个股日度非流动性指标的平均值，其中日度非流动性指标定义为日度绝对值收益率除以当天的交易金额。Size为个股包括非流通股在内的总市值，Turnover为个股的日度换手率。

EP(earnings-to-price)为最近公布的季度报表中的扣除非经常性损益后净利润除以上月末的总市值。BM(book-to-market)为最近公布的季度报表中的股东权益除以上月末的总市值。ROE(return-on-equity)为最近公布的季度报表中的扣除非经常性损益后净利润除以最近公布的季度报表中的股东权益。注意，本文所研究的策略为日度频率，而上述财务估值指标的更新频率为月度频率。个股在t月内的日度财务指标保持不变，均为在t-1月月末所计算的财务指标。同时，为了避免数据前视偏差(look-ahead bias)，本文仅使用公布日期在上月末之前的最新报表来计算本月的估值指标。

3 实证结果

3.1 描述性统计量

表2汇报了传统收盘价收益率、隔夜收益率以及日内收益率的描述性统计量。收盘价收益率rcc和日内收益率roc的为正，日度均值分别为0.07%和0.18%。与之相反，隔夜收益率rco均值为负数(-0.10%)，约等于rcc减去roc，这与张兵(2019)的结果相吻合。由于收盘价收益率的时间区间涵盖了隔夜区间和日内区间，所以其反映的信息量最多。对应地，收盘价收益率rcc表现出最大的波动率，为2.99%。与之对比，隔夜收益率rco的波动率仅为1.39%。与此同时，由于日内区间为主要的交易时间且贡献了绝大部分的交易量，对应地，日内收益率roc的波动率仅略低于收盘价收益率rcc的波动率，为2.80%。这一结果也从侧面说明股价的信息反应集中于日内区间段。

表2 日度收益率的描述性统计量

值得注意的是，这三个收益率都表现出微弱的正偏度以及较高的峰度，说明收益率数据呈现出“尖峰厚尾”的分布特征。从极端值的角度，rcc的1%和99%分位数分别为-9.70%和9.99%，反映了A股的涨跌停板制度。rco和roc的99%分位数均大于其1%分位数的绝对值，这与收益率所表现出的正偏度相吻合。

3.2 策略基本表现

表3汇报了三个日度策略的基本表现。Panel A显示，仅隔夜-日内策略CO-OC获得了显著为正的收益率，这说明中国A股存在着显著的隔夜-日内反转效应，即隔夜收益率更低(高)的股票，平均而言将在当天获得更高(低)的日内收益率。与之相对，日内-日内策略OC-OC获得了负收益，说明日内收益率表现为动量效应，这与Lou et al.(2019)在美国股市的结论一致。与此同时，收盘价策略CC-CC也获得了显著的负收益率，这说明A股市场存在日度频率的超短期动量效应，这与潘莉和徐建国(2011)等人的研究结论一致。

表3 策略日度收益表现

值得注意的是，无论是在经济意义还是统计显著性层面，隔夜-日内策略CO-OC都显著优于其他两个策略。具体而言，CO-OC赢得了最高的日度收益率(1.12%)，其t统计量更是高达50.98。对比而言，传统的超短期动量策略CC-CC的日度收益率为-0.41%，t统计量为-16.40，而日内动量策略OC-OC则表现更差，其收益率仅为-0.04%，t统计量为-3.01。从偏度的角度，CO-OC和CC-CC这两个收益率较高的策略分别获得了1.63和-1.46的(绝对值)高偏度(3)CC-CC和OC-OC策略均表现为动量策略。若将其多空头寸调换，对应策略的收益率将为正数，偏度和夏普率也将取相反数。，这说明其收益率集中偏向于对策略有利的尾部方向。对比而言，OC-OC的偏度仅为-0.41。最后，CO-OC获得了最高的(绝对值)年化夏普率(18.02)，远高于CC-CC(-6.19)以及OC-OC(-0.79)，这说明隔夜-日内反转策略在收益与风险的权衡方面也远优于其他两个策略。

Panel B汇报了策略间的相关系数矩阵。CC-CC和OC-OC这两个动量策略之间呈现出较强的正相关性(0.79)，而隔夜-日内反转策略CO-OC与这两个动量策略的相关性都比较弱，分别为0.20和0.16。

图1展示了三个策略的日度收益率曲线(4)为了更方便地看清时间趋势，该图汇报的是策略日度收益率的月度(假定22个交易日)移动均值。。与表1中CC-CC和CO-OC的(绝对值)高偏度相吻合，动量策略CC-CC的收益率曲线几乎都在0之下，而反转策略CO-OC的收益率曲线都在0之上，这说明这两个策略的表现十分稳健。值得注意的是，在2008年和2015年这两个市场波动较大的危机年份，这三个策略都展现了较大的波动性和更强的策略表现。比如在2015年，隔夜-日内反转策略CO-OC表现出收益率的正峰值，而其他两个动量策略则表现出收益率的负峰值。

图1 策略日度收益率曲线

为了进一步探究策略表现与市场波动率的关系，我们进行下述回归分析Rt=α+βVolt-1，其中Rt为策略的收益率，Volt-1市场收益率在过去三个月的日度波动率(5)假定每个月22个交易日。选取其他的窗口区间，比如过去1个月或过去6个月，构建波动率指数，回归所得结果类似。。结果显示，CC-CC和OC-OC的β分别为-0.15(t统计量: -3.89)和-0.04(t统计量:-1.60)，而CO-OC的对应的β为0.19(t统计量: 4.53)，这一结果与图1结论相吻合。

3.3 分时间区间表现

表4汇报了各策略在子样本区间的表现。Panel A展示了隔夜-日内反转策略CO-OC的结果，其余表格则汇报了两个动量策略的表现。CO-OC策略在时间维度上表现出很强的持续性，其在三个子样本都赢得了最高的收益率，分别为1.50%、1.10%和0.88%，对应的t统计量分别为56.71、29.13和24.61。与之对比，CC-CC动量策略虽然在三个子样本都稳定地获得了负收益率，但是就经济和统计显著性而言，CC-CC策略都要远逊于CO-OC策略。值得注意的是，OC-OC策略的表现并不稳定。虽然在整个样本区间内，其获得负收益率，表现为动量效应。但是Panel C显示在2000—2006年期间，OC-OC获得正收益率，表现为反转效应。

表4 策略在子时间区间的日度表现

表4的最后两列汇报了各个策略在危机区间和非危机区间的表现。三个策略都在危机区间赢得了更高的(绝对值)收益率，这与图1中策略在危机年份展现出的收益率峰值相吻合。与此同时，各个策略都在危机区间展示了更大的波动性。比如CO-OC在危机区间的波动率为1.67%，而其在非危机区间的波动率仅为0.98%。但是，CO-OC在两个区间都赢得了最高的年化夏普率(13.20与18.84)，说明其很好地平衡了收益与风险。

3.4 子样本表现

为了控制其他影响股票横截面收益的因素，表5检验了各个策略在按照公司市值以及账面市值比分组的子样本中的表现。具体而言，本文先将股票按照Size或BM分为五组，然后在各个子样本中分别构建策略。Panel A显示了按照公司市值分组的结果。隔夜-日内反转策略CO-OC在各个子样本中均获得了高度显著的正收益。与此同时，其策略表现随着公司市值的增大而逐渐减弱。但即使是在表现最差的SizeBig子样本中，其也显示出极强的经济及统计显著性：策略日收益率高达0.87%，t统计量为35.73。CC-CC策略在各个子样本中也都获得了显著的负收益，但其在经济显著性和统计稳健性上都远弱于CO-OC。此外，CC-CC策略也随公司市值的增大而呈现减弱的趋势。不同于CO-OC和CC-CC，OC-OC策略在小股票中表现得更差，其在SizeSmall组中的t统计量仅为-0.05。但是，即使是在表现最好的SizeBig子样本中，OC-OC的收益率也仅为-0.07%(t统计量: -4.68)，远逊于CO-OC的表现。

表5 策略在子样本的日度表现：控制市值与账面市值比

续表

值得注意的是，Liu et al.(2019)发现中国A股小市值股票的定价具有特殊性。由于A股严格的上市审核政策，小市值股票最可能成为借壳上市的标的，因而小股票的定价在很大程度上反映了其壳价值。Panel A显示隔夜-日内反转策略CO-OC在各个市值组中都具有很强的稳健性，这说明其表现并不是由小股票所驱动。

Panel B汇报了按照账面市值比分组的结果(6)我们还按照EP和ROE进行了分组，结果与BM很类似，因为篇幅限制而未汇报。。CO-OC策略在各个子样本中均获得了最高的策略收益，而且相对于价值型股票(BMHigh)，其在成长型股票(BMLow)中要表现得更强。与CO-OC类似，CC-CC策略也随着BM的提高而减弱。相反地，OC-OC策略大致随着BM的提高而增强。

从上述分析可知，CO-OC策略捕捉了显著的隔夜-日内反转效应，而且其策略表现从经济意义和统计显著性等方面都要远优于其他两个动量策略。因此在后续章节，本文将集中分析隔夜-日内反转策略。

3.5 Fama-MacBeth回归

表6 Fama-MacBeth回归

3.6 时间序列alpha

表7从时间序列的维度，检验了隔夜-日内反转策略CO-OC在各个因子模型下的表现(7)各因子模型皆基于全市场股票构建。如果按照Liu et al. (2019)剔出最小30%的小股票，结果依旧稳健。。值得注意的是，CO-OC策略的持有期收益率为日内收益率，对应地，本文中各个因子收益率的构建也都是基于日内收益率。相对于CAPM，CO-OC策略获得了1.07%的日度alpha(t统计量：59.41)，这说明CAPM不能解释CO-OC的策略表现。进一步地，本文考虑了Liu et al.(2019)针对于中国市场所提出的三因子(LSY-3)及四因子(LSY-4)模型。在这两个因子模型下，CO-OC策略仍旧获得了高达1.06%且高度显著的alpha。最后，在LSY-4的基础上，本文加入了传统的短期反转因子(8)反转因子(REV)的策略形成期收益率为过去20天收益率，持有期为接下来的5天，具体的构造方式参见Liu et al. (2019)。。结果显示，在同时考虑上述所有因子之后，CO-OC策略仍旧赢得了1.06%(t统计量: 56.70)的alpha，这说明在控制了传统的反转策略之后，隔夜-日内反转策略仍具有极高的经济价值。

表7 CO-OC策略在因子模型下的表现

总而言之，隔夜-日内策略CO-OC在常用的因子模型下都获得了在经济和统计意义上高度显著的alpha，这说明隔夜-日内反转效应不能被标准的风险因子模型所解释。

4 经济解释

在本节中，本文从股票流动性与投资者情绪两个角度，探讨隔夜-日内反转策略CO-OC背后的经济解释。

4.1 股票流动性

Barclay and Hendershott(2003, 2004)发现市场在隔夜期间表现出极低的交易量，并在开盘时表现出较高的波动性，而市场波动性的加剧会限制金融中介发挥提供流动性的功能(Gromb and Vayanos, 2002; Brunnermeier and Pedersen, 2009)。相应地，Barclay and Hendershott(2003)发现市场在开盘时的流动性很低。特别地，考虑到中国股市散户比例高、波动性大的特点，流动性提供者在开盘时往往面临着较大的风险，所以对于隔夜收益率的输家股票这样一些卖出压力大的股票，其会要求一个更高的溢价补偿才愿意提供流动性。

因此，流动性溢价为解释隔夜-日内反转效应提供了一个很好的研究视角：CO-OC策略买入隔夜收益率的输家股票，卖空隔夜收益率的赢家股票。考虑到开盘时的低流动性，持有输家股票的投资者面临着较强的财务压力，因而其会被迫卖出输家股票，用以满足流动性需求。相应地，这会增大股票的卖出压力，降低股票目前的价格，进而提升未来收益率。换言之，为了补偿买入输家组合的投资者所提供的流动性，输家组合将获得相对更高的日内收益率。

表8汇报了CO-OC策略在不同流动性股票组中的日度表现。Panel A展示了以Amihud(2002)ILLIQ指标作为非流动性指标结果：CO-OC策略的日度收益率(L-H)从ILLIQLow组中的0.46%单调上升至ILLIQHigh组中的1.13%。最后一列Δ(L-H)显示，组间策略收益率之差为0.67%(t统计量: 29.86)。类似地，Panel B汇报了以交易量作为流动性指标的结果：随着交易量的下降，即随着非流动性的上升，CO-OC的收益率从0.46%上升至1.01%。这些结果验证了前文的预测，即CO-OC策略随着股票非流动性的增强而增强，这说明CO-OC策略反映了市场对于流动性提供者所做出的溢价补偿。

表8 CO-OC策略与股票流动性

与此同时，值得注意的是，在表8的各个子样本中，投资组合的持有期日内收益率均随着形成期隔夜收益率的增加而递减，这再次直观地说明了隔夜-日内策略反映的是反转效应。此外，策略收益率(L-H)高度显著，说明CO-OC的策略表现在传统的组合排序的构造方法下具有稳健性。

4.2 投资者情绪

从行为的角度，Shiller et al.(1984)、Black(1986)、Stiglitz(1989)以及Subrahmanyam(2005)发现传统的短期反转效应反映了由投资者过度反应、行为偏差等情绪因素带来的错误定价。特别地，因为卖空限制是乐观情绪引发股价高估的必要条件，Da et al.(2014)发现短期反转效应在卖空限制条件更严格的股票中表现出更强的效果，这说明反转效应反映了乐观情绪所引起对历史赢家股票的过高估值。

表9中Panel A显示，与上述预测相一致，在支持融资融券的股票组中，CO-OC的日度收益率仅为0.25%；而在不支持融资融券的股票组中，CO-OC的日度收益率上升至0.69%。组别策略收益率之差(0.44%)在统计意义上高度显著，t统计量达16.65。

表9 CO-OC策略与投资者情绪

值得注意的是，上述结果可能受到子样本股票数目的影响。具体而言，支持融资融券业务的股票约仅占总样本股票数的三成(9)A股融券业务开启时间为2010年4月。最初支持融资融券业务的股票数仅为42只，占A股股票总数2.4%；2012年初，支持融券股票数为277(约占12%)；2018年7月，支持融券的股票数为949(约占27%)。。股票数目越少，在作排序分析时的噪音就越高，而这倾向于降低策略的有效性。为了进一步消除股票数目的影响，本文在支持融资融券的子样本中，按照各股票在前一个月(假定22个交易日)的融券卖空量将股票均分为两组，并对比CO-OC策略在两组的表现。Panel B显示，在卖空股数较多的组中，CO-OC的日度收益率仅为0.33%，而在卖空股数较少(即卖空限制更强)的组中，CO-OC的收益率显著上升至0.48%。这一结果与前文的预测一致，即卖空限制条件的增强会提升CO-OC策略的表现，这也与CO-OC策略反映了投资者情绪所引起的错误定价的解释相一致。

最后，Panel C从散户参与度的角度探讨投资者情绪对隔夜-日内反转效应的影响。相对机构投资者，散户投资者更容易受到情绪的影响，因而本文预期CO-OC策略在散户投资者持股比例更高的股票中要表现得更好。结果显示， CO-OC的策略表现的确随着散户参与度的提高而增强。具体而言，相对于散户持股比例低的组，CO-OC在散户持股比例高的股票中收益率要显著地高出0.11%(t统计量：5.79)。这一结果再次说明，投资者情绪是CO-OC策略背后的另一驱动因素。

5 稳健性检验

在前文中展示了CO-OC策略在子样本以及传统的组合排序构造方法下具有稳健性。在本节中，本文从策略形成期和行业效应两个方面进一步检验策略的稳健性。

5.1 不同形成期

第一列展示了j=0，也即前文所检验的标准CO-OC策略的结果，其日度收益率高达1.19%。当j=1时，策略收益率骤减至0.18%，但仍然在统计意义上保持高度显著(t统计量：13.46)。这一结果也从侧面说明CO-OC策略的表现不能被风险模型所解释，因为一般而言，很难认为股票的风险会在一天的时间内发生如此显著的变化。当j取2，3，10时，策略收益率随着形成期收益率滞后期的增加而呈现出递减的趋势，分别为0.09%、0.07%和0.04%，但这些策略在统计意义上均保持这较强的显著性。最后，隔夜收益率对于日内收益率的预测具有较强的持续性，当滞后期为50天(j=50) 时，策略仍保持0.02%的微弱收益(t统计量：3.92)。

表10 CO-OC策略：不同的形成期收益率

5.2 控制行业效应

表11检验了各个策略在10个WIND行业子样本中的表现。CO-OC策略在所有行业都取得了高度显著的正收益率，并在8个行业中取得了高于1%的日度收益率。特别地，CO-OC的最低收益率(0.34%，电信服务)仅略逊于CC-CC策略的(绝对值)最高收益率(-0.40%，工业)，并显著优于OC-OC的(绝对值)最高收益率(-0.11%，能源)。这再一次印证了前文的结论，说明隔夜-日内反转效应在各个行业都普遍存在且远强于其他策略。

表11 CO-OC策略在各个行业中的表现

6 结论

利用A股上市公司2000年至2018年的个股日度数据，本文检验了中国A股的隔夜-日内反转现象。主要结论如下：(1)中国A股市场存在着显著的隔夜-日内反转效应，即隔夜收益率更低(高)的股票，将获得更高(低)的日内收益率。其自融资多空策略的日度收益率高达1.12%(t统计量: 50.98)，年化夏普比率为18.02，在经济和统计意义上都要远强于日内动量效应和传统的日度超短期动量效应。(2)隔夜-日内反转效应不仅区别于传统的短期反转效应，也不能被经典的因子模型所解释；同时，在利用双变量排序、Fama-MacBeth回归等方法控制了市值、账面市值比、换手率等常用公司特征之后，隔夜-日内反转效应仍然显著存在。(3)从股票流动性的角度，本文发现隔夜-日内反转效应在非流动性更高的股票中更显著，说明该反转策略反映了市场对于流动性提供者所做出的溢价补偿。(4)进一步地，从投资者情绪的角度，本文发现隔夜-日内反转效应还随着个股卖空限制的增强以及散户持股比例的提高而增强，这说明投资者情绪是隔夜-日内反转效应背后的另一大驱动因素。

区别于传统基于收盘价收益率的文献，本文为中国A股的横截面收益率研究提供了微观日内层面的新证据。通过从流动性和投资者情绪两个角度发掘隔夜-日内反转效应背后的经济机理，本文对于深入理解流动性和市场情绪在股票定价机制中所发挥的作用具有重要意义。与此同时，本文对于投资实践具有较强的指导意义。即使在现行的“T+1”的制度下，分散持股的机构投资者也可以通过底仓管理利用隔夜-日内反转策略进行投资。这一方面有助于提升市场的流动性，降低风险，另一方面有利于修正投资者乐观情绪引起的定价误差，提升我国股市的机构化参与度，增强市场的有效性。