(2020年){财务管理收益管理}流动性信息与资产收益基于非参数模型的分析

1、财务管理收益管理流动性信息与资产收益基于非参数模型的分析流动性信息与资产收益：基于非参数模型的分析目录摘要11.背景分析12.流动性的非参数求解33.非参数建模、估计方法与检验43.1.模型建立与估计43.1.1.流动性信息对预期收益冲击的非参数定向加权法53.1.2.变系数部分线性模型及估计63.1.3.变系数部分线性模型的检验74.数据与模型结果分析84.1.数据说明与描述84.2.模型估计结果及分析94.2.1.定向加权部分的结果及分析94.2.2.变系数部分线性模型的估计、检验和bootstrap模拟104.3.模型讨论135.小结与建议13参考文献15附录I22摘要本文首先从全新的角度给出市场深度指标的求解方法，分别从定向加权和变系数部分线性模型的视角检验流动性信息的预测能力，并应用于我国股票市场每日收益率的研究，得出四点判断：1、通过非参数方法求解得到的指标值具有显著的平稳性。2、流动性信息的时变性对股票市场存在显著的非线性冲击，而且流动性信息的持续性变化与收益之间存在负向关系，并发现股票收益分布具有多峰性的特点。3、得到和经典资产定价模型相同的结论，即市场综合指数对个股具

2、有显著的影响。4、模型验证了流动性信息通过波动性将信息非线性传导给投资者的假设，伴随着流动性信息的时变性，投资者所得到的风险补偿也具备时变性，但由于市场不够透明、信息不对称，流动性信息并不能全部传导给投资者，或者在之前由于信息的外漏，原本的流动性信息传导路径也可能会被误导。5、通过实际数据的验证，我们所建立的变系数部分线性模型能够较好的解释流动性信息的传递，也为我们以后的实证研究提供了一个估计和检验流动性信息传导和时变型风险补偿的新方法。关键词：流动性信息市场深度定向加权变系数部分线性模型波动性1. 背景分析自从证券市场诞生以来，预测资产回报一直是人们关注的焦点之一。Fama(1970)提出，资产回报可预测性被分为基于过去回报信息的“弱形式(weakform)”可预测性和基于过去公开信息的“半强形式(semi-strongform)”可预测性。其中，弱形式可预测研究探讨回报的序列依赖性，这种序列依赖性也可捕获期望回报的可预测变化；半强形式可预测研究使用其它公开可得的滞后变量作为工具(instrument)变量,详见文献20。不过，滞后工具变量的预测能力仍存在争议，这是因为研究者认为所度

3、量的预测关系可能是伪关系(spurious) Ferson、Sarkissian和Simin(2003)指出预测回归中存在多种统计偏差。，为了辨别这些预测关系的真伪，在资产回报预测方面，研究者通常采用条件资产定价检验方法，和自回归条件异方差检验(Engle，1987)，这两种方法的优点在于，它们可以解释条件变量所捕获的股票回报可预测变化，即解释条件变量为什么具有预测能力，从而在条件变量和可预测股票回报之间建立了相依关系。所不同的是，条件资产定价检验是针对预期收益率(一阶矩)的角度进行估计和预测，而Engle提出自回归条件异方差理论以后，突破了这一局限，将预测拓展到波动性预测(即二阶矩)。但上述两种方法的建模均是参数模型，对模型的灵活性有所限制，基于此，本文尝试将二者的优点结合起来采用更具灵活性的非参数模型展开分析，并对模型的有效性进行检验。考虑到信息变量在预测中重要性，本文将流动性信息的滞后变量考虑进模型中，对流动性信息的重要性将在下面简要分析。流动性是指能够以较低的交易成本即时完成交易指令、同时对市场价格影响较小的交易能力，如果一种资产和现金能够以较小的交易成本迅速相互转换，该资产就

4、具有流动性，从流动性的定义上我们完全有理由认为，流动性信息是市场调节机制中重要的影响变量，自从Amihud(2002)以来，研究者就意识到流动性可以解释资产回报随时间的可预测变化。如果今天的一个冲击使流动性下降，那么，投资者会预期随后阶段的流动性也较低，这将导致今天的价格下降，从而使其期望回报升高。因此，流动性的持续性隐含了回报和流动性之间具有负向关系。但到目前为止，研究者仍没有结合使用条件资产定价模型和自回归条件异方差模型检验流动性的预测能力。条件资产定价理论和条件异方差理论实际上都是使用条件矩来描述资产的价格行为，其实证研究一般依赖理性预期假设，即数学上的条件期望。而在随机折现因子框架下，条件模型和无条件模型的差异主要在于前者考虑了回报条件矩的时变(time-variation)，即随机折现因子中的参数将依赖于投资者对未来回报的预测。这意味着研究者所采用的信息集能否代表投资者预期，是研究者所采用模型好坏的决定因素之一。在众多流动性的研究中,关于流动性与资产定价关系的研究是一个重要的分支。在这一领域最重要的问题就是流动性是否是决定资产价格的一个因子,即流动性是否对资产回报有重要的影响

5、。国内外学者对其已有大量的研究，其中，AmihudandMendelson(1986)用买卖报价差(bid-askspread)度量流动性研究了1961年至1980年间NYSE(纽约证券交易所)中流动性与股票回报和价格的关系，发现流动性与股票回报呈现出显著的负相关，结果与流动性溢价理论一致。Datar、Naik和Radcliffe(1998)以换手率作为流动性指标，以NYSE非金融类的上市公司作为样本，利用1962年7月至1991年12月的数据，检验Amihud和Mendelson(1986)模型，结果表明流动性对股票收的解释力起着显著的作用。LodererandRoth(2005)用瑞典股票市场的数据研究二者的关系时也支持Dataretal.的观点，他所用的度量流动性的指标是买卖报价差。国内关于流动性的研究有王春峰等(2002)使用Amihud(2002)的非流动性指标ILLIQ分别在横截面和时间序列上检验上海股市流动性与收益的关系，结果表明在横截面上和时间序列上，当排除政策影响后，ILLIQ与股票收益显著正相关，否则两者没有任何显著关系，李一红和吴世农(2003)的实证研究也得出了

6、类似的结论，苏冬蔚、麦元勋(2004)以换手率衡量流动性，运用横截面回归方法证实了我国股市存在显著的流动性溢价，并且产生流动性溢价的原因主要是交易成本。最近的研究中，复旦大学的张晓蓉等(2007)使用超高频数据,并利用流动性深度指标,研究流动性的动态特征、影响因素以及检验市场微观结构理,结果表明在信息不对称条件下耐心交易可以降低交易成本从理论上说，股市存在流动性溢价现象（LiquidityPremium）。而在上述的众多流动性与资产定价的研究中，流动性都是被看做是一种系统风险，进而从截面的角度研究流动性溢价现象，而将流动性做为信息因素并从时间序列的角度检验其预测能力的研究，国内外学者尚鲜有研究，国内只有闫东鹏(2006)采用条件资产定价模型做了相关的研究，这也是本文的研究重点。本文的创新之处在于：1、对Back(1998)的流动性市场深度给出非参数求解。2、分别从定向加权和变系数部分线性模型的视角检验流动性的预测能力。其余部分的结构如下:第二部分给出流动性市场深度求解方法；第三部分详细阐述本文的经验分析方法，包括构建符合我国股市实际情况的理论假设和实证模型；第四部分给出模型的估计和检验

7、及bootstrap模拟；最后对全文进行总结。2. 流动性的非参数求解从流动性的定义看出可见，流动性实际包含了四个内容:交易成本、交易速度、交易数量、价格弹性，由此可引出流动性的四维:交易速度、市场宽度、市场深度、弹性。交易速度指证券交易的即时性，即投资者的交易愿望得到立即执行的程度；市场宽度通常用买卖价差来衡量，反映了交易者因成交价格偏离真实价格而遭受的损失；市场深度衡量了在特定价格或价格范围内可以交易的数量；弹性衡量了大额交易导致价格偏离后，价格恢复到均衡价格的速度。交易速度越快、买卖价差越小、市场深度越大、以及弹性越大，则市场流动性越好。张晓蓉(2007)指出，流动性的四维之间可能存在矛盾。如在做市商市场中，常用买卖价差来度量流动性，但这一指标仅能反映低交易量市场中的宽度，而大额的交易指令则常常不能有效执行。对于市场的重要参与者-机构投资者，因其调整投资组合的需要，常需进行大额交易，可能导致对价格产生冲击，从而被迫承担大的交易成本。Back(1998)指出，市场的深度是时变的，且是一个可以预测的变量，那么流动性深度不管对预测机构投资者还是普通投资者的预期就显得非常重要。Back在

8、凯尔(Kyle,1985)的基础上给出指令驱动交易机制下的流动性市场深度指标，在布朗运动等假设成立的前提下，Back推导出：（1）则市场深度可以表示为：而关于的求解，Back给出了市场深度的隐式偏微分方程：(2)关于(2)式的推导详见文献6,通过(2)式对求解的算法关系到计算量和实际应用的可行性。一般较常见的方法是用偏微分方程直接去寻找价格关于交易量的可导函数。但是在价格与交易量构成的复杂动力系统里，试图得到一个确定的价格关于交易量的函数形式，需要附加许多严格的条件，通常资产价值服从布朗运动，误差项服从正态假设是不能缺少的。然而这些假设在实际情况中是很难满足的，即使这些条件得以满足，(2)式也只能通过数值计算给出求解，这种方法给计算带来很大的不便Back(1998)推导出市场深度与价格和成交量之间的关系的微分方程表示，但在常规方法下很难给出数值解，本文给出非参数方法下的求解方法。这样也就使得Back的指标不能直接应用到实际证券市场的流动性度量中。受目前在概率统计理论上尚处于研究前沿的非参数理论的启发，本文采用非参数估计给出价格关于时间和交易量的平滑函数，而平滑函数具有连续可导性的良好性

9、质，而为价格对于成交量的一阶偏导数，问题迎刃而解。关于求解，我们采用局部多项式方法(FanandGijbels,1996)对(1)式进行估计，那么基于交易量和时间的股价的关系可以表示为：（3）则函数在点的邻域泰勒展开得：则最小化(3)式的残差有：(4)其中，为核函数，采用Epanechnikov核文中非参数部分核函数的选择均采用Epanechnikov核。：,为平滑窗宽，令，求解(4)式可容易得到：其中，表示一个阶矩阵，其第i行为,，则数值大小刻画了瞬时交易量引发瞬时价格的变化程度，该数值的绝对值越小，意味着市场流动性越好。3. 非参数建模、估计方法与检验3.1. 模型建立与估计本部分试图从两个角度分析流动性信息与股票收益率之间的关系：第一、从收益分布的视角，即通过非参数定向加权方法分析流动性信息对预期收益的冲击作用；第二、建立变系数部分线性模型具体分析二者的非线性关系。3.1.1. 流动性信息对预期收益冲击的非参数定向加权法设为金融资产收益率的观测值，则金融资产收益分布核估计的基准模型(Benchmarkmodel)用表示：（5）其中，为窗宽，是核函数。（5）式中收益分布的估计是基于收益的历史观测值，在考虑流动性信息因素后，也就是考虑基于流动性因素的条件收益分布，模型(5)可以改进为：则可以表示为：（6）由（5）和（6）可以计算出在流动性信息加权前后的期望收益差（记为），以表示流动性信息对预期收益总体的冲击效果：（7）其中，为基准核密度条件下的期望收益，为流动性加权后的期望收益，D和E均为收益率的取值空间，如果则表明，总体上，流动性对预期收益会产生负向的冲击。3.1.2. 变系数部分线性模型及估计结合条件资产定价模型和自回归条件异方差模型的结论，我们考虑如下条件预期方程：(8)其中，为第i个资产的预期收益，是投资者用来预测的条件信息集，研究者不能观察到投资者的完备信息集，但由条件资产定价模型和自回归条件异方差模型所得到的结论，我们容易知道，证券的收益

《(2020年){财务管理收益管理}流动性信息与资产收益基于非参数模型的分析》由会员卓****库分享，可在线阅读，更多相关《(2020年){财务管理收益管理}流动性信息与资产收益基于非参数模型的分析》请在金锄头文库上搜索。