周亮，鄧亮東

摘? ?要：行業(yè)趨同度及投資者情緒可以反映市場(chǎng)交易熱度。用格蘭杰因果網(wǎng)絡(luò)計(jì)算市場(chǎng)的行業(yè)趨同度，指數(shù)換手率、波動(dòng)率及BEYR代表投資者情緒，研究這些指標(biāo)對(duì)指數(shù)收益及股市下跌風(fēng)險(xiǎn)的影響發(fā)現(xiàn)：4個(gè)指標(biāo)對(duì)指數(shù)收益的預(yù)測(cè)能力并不穩(wěn)健，但是對(duì)股市下跌風(fēng)險(xiǎn)卻有顯著的預(yù)測(cè)能力;用4個(gè)指標(biāo)構(gòu)造合成因子，發(fā)現(xiàn)合成因子對(duì)股市下跌風(fēng)險(xiǎn)的預(yù)測(cè)能力更為顯著;利用合成因子進(jìn)行擇時(shí)，可以有效避免市場(chǎng)極端的下跌行情，因子擇時(shí)策略的夏普比率達(dá)到0.53，遠(yuǎn)超指數(shù)買(mǎi)入持有策略的0.14。綜合來(lái)看，行業(yè)趨同度及投資者情緒代表的交易熱度能夠?qū)墒邢碌L(fēng)險(xiǎn)提前預(yù)警，從而帶來(lái)投資收益的顯著提高。

關(guān)? 鍵? 詞：行業(yè)趨同度;投資者情緒;交易熱度;股市下跌風(fēng)險(xiǎn)

中圖分類(lèi)號(hào)：F832.5? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ?文章編號(hào)：2096-2517（2021）06-0015-11

DOI：10.16620/j.cnki.jrjy.2021.06.002

一、引言

資本資產(chǎn)定價(jià)模型被譽(yù)為現(xiàn)代金融學(xué)的奠基石之一，F(xiàn)ama等（1993）提出的三因子模型更是被因子投資理論和實(shí)踐奉為圭臬[1]。隨后，越來(lái)越多的因子被挖掘出來(lái)，典型的如動(dòng)量因子[2]、流動(dòng)性因子[3]、質(zhì)量因子[4-5]、波動(dòng)率因子[6-7]、貝塔因子[8]、盈利因子和投資因子[9]等均被證明具有顯著的定價(jià)能力。 投資者情緒也常被用來(lái)對(duì)資產(chǎn)收益率進(jìn)行預(yù)測(cè)，大部分研究均驗(yàn)證了投資者情緒能夠顯著影響資產(chǎn)收益，但是投資者情緒對(duì)資產(chǎn)收益的影響并不是線性的，投資者情緒高昂時(shí)期對(duì)股票收益率的影響往往更顯著[10-11]。Ni等（2015）研究發(fā)現(xiàn)，投資者情緒對(duì)于股市收益率有著非對(duì)稱(chēng)的杠桿效應(yīng)，對(duì)小市值股票的影響更大[12]。Frugier（2016）通過(guò)討論投資者情緒、 股市收益率和收益率波動(dòng)三者間的關(guān)系，發(fā)現(xiàn)了相似的結(jié)論[13]。史永東等（2015）、Kim等（2018）的研究均發(fā)現(xiàn)，在投資者情緒較高時(shí)期，股票的動(dòng)量效應(yīng)越明顯[14-15]。投資者情緒還能對(duì)股市下跌風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，如劉桂榮等（2017）發(fā)現(xiàn)投資者情緒與股市下跌風(fēng)險(xiǎn)正相關(guān)，并且投資者情緒的悲觀變動(dòng)比樂(lè)觀變動(dòng)對(duì)股市下跌風(fēng)險(xiǎn)的影響更大。投資者情緒是交易熱度的一種直接體現(xiàn)，當(dāng)市場(chǎng)情緒很高的時(shí)候，交易熱度高漲，短期來(lái)看可能會(huì)帶來(lái)投資收益的上升，但是更長(zhǎng)期限來(lái)看，股市下跌的風(fēng)險(xiǎn)也會(huì)越來(lái)越大[16]。

股市中各行業(yè)或各企業(yè)往往同漲同跌，表現(xiàn)為較強(qiáng)的趨同性， 趨同性往往也能夠反映出交易熱度。當(dāng)行業(yè)趨同度較高的時(shí)候，市場(chǎng)分歧較小，往往也是交易熱度較高的時(shí)候;反之，當(dāng)行業(yè)趨同度較小的時(shí)候，市場(chǎng)分歧變大，此時(shí)往往交易熱度較低。當(dāng)行業(yè)趨同度發(fā)生異動(dòng)時(shí)，往往也能對(duì)股市的下跌風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。趨同性在金融領(lǐng)域常被用于對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的衡量和系統(tǒng)重要性金融機(jī)構(gòu)的識(shí)別，Kritzman等（2011）基于主成分分析法提出的信息吸收比率[17]，Diebold等（2012）基于廣義誤差方差分解提出的信息溢出指數(shù)法[18]，以及Billio等（2012）利用格蘭杰因果網(wǎng)絡(luò)提出的動(dòng)態(tài)因果指數(shù)（DCI），均可以對(duì)風(fēng)險(xiǎn)的動(dòng)態(tài)性以及機(jī)構(gòu)的重要性進(jìn)行有效分析[19]。Gong等（2019）的研究驗(yàn)證了格蘭杰因果網(wǎng)絡(luò)在識(shí)別中國(guó)大陸系統(tǒng)性金融風(fēng)險(xiǎn)的有效性[20]。到目前為止，還較少有文獻(xiàn)研究趨同度對(duì)股市未來(lái)收益率或者下跌風(fēng)險(xiǎn)的影響。格蘭杰因果網(wǎng)絡(luò)可以用來(lái)驗(yàn)證不同行業(yè)或股票間的關(guān)聯(lián)關(guān)系，當(dāng)用行業(yè)或股票收益率作為輸入變量時(shí)，如果兩個(gè)行業(yè)或兩個(gè)股票間存在著格蘭杰關(guān)系，往往說(shuō)明兩個(gè)行業(yè)處于同步上漲或下跌趨勢(shì)。周亮（2021）利用格蘭杰因果網(wǎng)絡(luò)度量市場(chǎng)趨同度，結(jié)果發(fā)現(xiàn)趨同度能夠?qū)墒邢碌L(fēng)險(xiǎn)進(jìn)行預(yù)警[21]。

總體來(lái)看，交易熱度能夠?qū)κ袌?chǎng)收益尤其是股市下跌風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)或預(yù)警， 在交易熱度的識(shí)別上，投資者情緒是最常用的指標(biāo)，而格蘭杰因果網(wǎng)絡(luò)等方法度量的行業(yè)趨同度也能夠?qū)灰谉岫冗M(jìn)行反映，但是目前來(lái)看，直接用這些指標(biāo)來(lái)檢驗(yàn)其對(duì)股市下跌風(fēng)險(xiǎn)預(yù)測(cè)能力的文獻(xiàn)還較少。 基于此，本文擬采用格蘭杰因果網(wǎng)絡(luò)來(lái)構(gòu)造行業(yè)趨同度指標(biāo)，用波動(dòng)率、換手率及估值水平來(lái)度量投資者情緒， 并利用Logit等模型檢驗(yàn)這些指標(biāo)對(duì)股市下跌風(fēng)險(xiǎn)的影響。相對(duì)于其他學(xué)者的研究，本文的可能貢獻(xiàn)在于：一方面，利用多個(gè)指標(biāo)來(lái)對(duì)交易熱度進(jìn)行刻畫(huà)，尤其是創(chuàng)新性地將度量系統(tǒng)性風(fēng)險(xiǎn)的格蘭杰因果網(wǎng)絡(luò)引入進(jìn)來(lái)，構(gòu)造了股市的行業(yè)趨同度指標(biāo)，并發(fā)現(xiàn)該指標(biāo)具有非常好的風(fēng)險(xiǎn)指示作用;另一方面，利用包括Logit回歸及回測(cè)檢驗(yàn)等多種方法，驗(yàn)證了交易熱度指標(biāo)在預(yù)警股市下跌風(fēng)險(xiǎn)、規(guī)避系統(tǒng)性風(fēng)險(xiǎn)及提高投資績(jī)效時(shí)的有效性，為投資者的投資實(shí)踐提供了理論和實(shí)踐支撐。

二、研究設(shè)計(jì)

（一）趨同度指標(biāo)

Billio等（2012）通過(guò)計(jì)算股價(jià)收益率間格蘭杰因果檢驗(yàn)的顯著數(shù)量來(lái)衡量金融機(jī)構(gòu)間的信息溢出[19]，周亮（2021）借鑒此方法分析行業(yè)指數(shù)得到市場(chǎng)的網(wǎng)絡(luò)關(guān)聯(lián)度，并檢驗(yàn)發(fā)現(xiàn)網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)可以預(yù)測(cè)市場(chǎng)未來(lái)的下跌風(fēng)險(xiǎn)[21]，本文采用該指標(biāo)來(lái)對(duì)行業(yè)趨同度進(jìn)行衡量。

假設(shè)系統(tǒng)中有N個(gè)行業(yè)，則定義行業(yè)j到行業(yè)i的信息溢出為：

（j→i）=1 當(dāng)j是i的格蘭杰原因時(shí)0 其他情況 （1）

則可以用整體的信息溢出度來(lái)衡量系統(tǒng)的網(wǎng)絡(luò)關(guān)聯(lián)度，計(jì)算公式為：

DCI≡■■■（j→i）? （2）

當(dāng)網(wǎng)絡(luò)關(guān)聯(lián)度較高的時(shí)候，說(shuō)明市場(chǎng)上各行業(yè)間同漲同跌的現(xiàn)象愈發(fā)明顯， 此時(shí)市場(chǎng)的趨同度較高，也往往說(shuō)明市場(chǎng)的交易熱度較高;當(dāng)網(wǎng)絡(luò)關(guān)聯(lián)度較低時(shí)，各行業(yè)間分化明顯，市場(chǎng)趨同度低，往往代表市場(chǎng)交易熱度低。

（二）情緒指標(biāo)

投資者情緒是對(duì)市場(chǎng)交易熱度最直接的反映。借鑒Baker等（2006）[22]、高大良等（2015）[23]、林紅新等（2020）[24]等學(xué)者的研究，本文采用指數(shù)波動(dòng)率（Vol）、換手率（Turn）以及指數(shù)估值（BEYR）等指標(biāo)作為投資者情緒的代理變量。其中指數(shù)波動(dòng)率借鑒周亮（2018）[25]的方法，采用每周的極差波動(dòng)率來(lái)衡量，計(jì)算公式為？滓=■，其中hi和li分別表示當(dāng)周最高價(jià)和最低價(jià);換手率以周交易金額/流通市值計(jì)算。 指數(shù)估值本文沒(méi)有采用常見(jiàn)的PE指標(biāo)，而是用BEYR（債券-股票收益比）來(lái)衡量，BEYR將股票和債券看成替代性資產(chǎn)， 計(jì)算公式采用十年期國(guó)債收益率與股息收益率（PE的倒數(shù)）間的比值來(lái)計(jì)算，相對(duì)于PE，BEYR可以更為有效地對(duì)指數(shù)估值情況進(jìn)行評(píng)估[26]。當(dāng)指數(shù)波動(dòng)率、換手率以及估值水平較高時(shí)，往往說(shuō)明市場(chǎng)交易熱度很高。

（三）實(shí)證模型

本文構(gòu)建OLS和Logit兩種模型來(lái)檢驗(yàn)交易熱度指標(biāo)對(duì)市場(chǎng)收益或股市下跌風(fēng)險(xiǎn)的影響，模型分別如式（3）式和（4）式所示：

Rt+1=？琢+？茁1·Factort+？酌Xt+？著t （3）

Logitt+1=？琢+？茁2·Factort+？酌Xt+？著t （4）

其中，Rt+1為下一期WIND全A指數(shù)收益率，本文分別對(duì)下一周及下一個(gè)月的指數(shù)收益率進(jìn)行了回歸;Factor為交易熱度指標(biāo)，包括DCI、Vol、Turn和BEYR，以及由這四個(gè)指標(biāo)構(gòu)成的合成指標(biāo)等;X為一系列控制變量， 本文借鑒其他學(xué)者的研究，采用工業(yè)增加值環(huán)比、CPI環(huán)比、M2、10年期國(guó)債到期收益率、市場(chǎng)總換手率以及市場(chǎng)波動(dòng)率作為控制變量;？著t為回歸殘差。借鑒周亮（2021）[21]的研究，用Logitt+1邏輯變量代表股市的下跌風(fēng)險(xiǎn)，樣本區(qū)間內(nèi)WIND全A指數(shù)周收益率Q（0.1）和Q（0.2）分別為-3.82%和-2.24%， 因此在對(duì)下一周股市下跌風(fēng)險(xiǎn)回歸時(shí)將Logitt+1設(shè)定為“當(dāng)Rt+1<-3.82%時(shí)取1，否則為0”，后續(xù)穩(wěn)健性檢驗(yàn)中將-3.82%替換成-2.24%進(jìn)行分析; 在對(duì)下一月股市下跌風(fēng)險(xiǎn)進(jìn)行回歸時(shí)，同樣將月收益率Q（0.1）和Q（0.2）設(shè)定為閾值，分別為-7.72%和-4.64%。

（四）數(shù)據(jù)來(lái)源及描述性分析

本文的樣本區(qū)間為2002年1月至2021年2月的所有周數(shù)據(jù)， 共972組， 所有數(shù)據(jù)均來(lái)自于WIND金融數(shù)據(jù)庫(kù)。所有變量的描述性統(tǒng)計(jì)分析結(jié)果及相關(guān)系數(shù)矩陣如表1所示，其中Panel A為描述性統(tǒng)計(jì)，Panel B為相關(guān)系數(shù)矩陣。 可以看到，樣本區(qū)間內(nèi)WIND全A指數(shù)周收益率均值為0.18%，即年化收益率約為9%; 周收益率最小值為下跌14.54%，發(fā)生在2008年6月;周收益率最大值為上漲16.38%，發(fā)生在2008年11月，說(shuō)明我國(guó)股市暴漲暴跌的現(xiàn)象比較明顯。DCI、 換手率、 波動(dòng)率及BEYR均經(jīng)過(guò)歸一化調(diào)整（利用5年滾動(dòng)數(shù)據(jù)進(jìn)行歸一化）， 因此最小值和最大值均分別為0和1，DCI的均值和中位值相對(duì)更高。從Panel B可以看到，4個(gè)熱度指標(biāo)間的相關(guān)系數(shù)均為正，且均在1%水平下顯著;但是指數(shù)收益率與4個(gè)指標(biāo)間的相關(guān)性并不強(qiáng)， 與DCI及換手率具有顯著的正相關(guān)性，但是相關(guān)系數(shù)均較小，與波動(dòng)率及BEYR的相關(guān)系數(shù)均不顯著，因此可以初步判斷，這4個(gè)指標(biāo)對(duì)當(dāng)期的指數(shù)收益率影響較小。

圖1展示了指數(shù)及4個(gè)熱度指標(biāo)在樣本區(qū)間的動(dòng)態(tài)走勢(shì)，可以看到WIND全A指數(shù)在2007年和2015年出現(xiàn)了兩個(gè)階段性的大牛市， 并分別在2007年11月和2015年6月達(dá)到兩個(gè)歷史性高點(diǎn)。從Panel B可以看到，4個(gè)熱度指標(biāo)在2個(gè)歷史性高點(diǎn)也基本上達(dá)到了階段性峰值，尤其是DCI指標(biāo)，與指數(shù)的兩個(gè)歷史性高點(diǎn)吻合得較好。但是也可以看到， 單個(gè)指標(biāo)與指數(shù)間的不吻合度也較高，如DCI在2013年2月出現(xiàn)了一個(gè)階段性高點(diǎn)，但是此時(shí)指數(shù)正處于筑底階段; 其他指標(biāo)也一樣，存在著較多與指數(shù)并不一致的地方。因此綜合看來(lái)，4個(gè)指標(biāo)都能夠部分反映出市場(chǎng)熱度，與市場(chǎng)指數(shù)的走勢(shì)也具有一定的相似性，但是同樣存在著較多不一致的地方，通過(guò)將4個(gè)指標(biāo)整合可以更好地對(duì)市場(chǎng)態(tài)勢(shì)發(fā)出指示（具體見(jiàn)圖2及相關(guān)分析）。

三、實(shí)證結(jié)果

（一）OLS回歸

本文用當(dāng)期的熱度指標(biāo)對(duì)接下來(lái)一周及一個(gè)月的指數(shù)收益率進(jìn)行回歸，以觀察熱度指標(biāo)對(duì)市場(chǎng)收益的預(yù)測(cè)能力，表2報(bào)告了OLS回歸結(jié)果，其中Panel A是對(duì)下一周指數(shù)收益率的預(yù)測(cè)結(jié)果，Panel B是對(duì)下一月指數(shù)收益率的預(yù)測(cè)結(jié)果。 可以看到，除了換手率對(duì)下一周指數(shù)收益率有顯著的影響外，其他三個(gè)指標(biāo)對(duì)下一周指數(shù)收益率的預(yù)測(cè)能力均不強(qiáng);DCI和換手率對(duì)下一月指數(shù)收益率具有顯著的正向預(yù)測(cè)能力，BEYR對(duì)下一月指數(shù)收益率的預(yù)測(cè)能力顯著為負(fù)， 波動(dòng)率的預(yù)測(cè)能力仍然不顯著。綜合來(lái)看，直接選擇熱度指標(biāo)對(duì)指數(shù)收益率進(jìn)行預(yù)測(cè)，除了換手率外，效果并不是特別好，且通過(guò)指標(biāo)預(yù)測(cè)進(jìn)行頻繁交易，會(huì)導(dǎo)致交易成本過(guò)高，從而侵蝕投資收益，因此本文接下來(lái)重點(diǎn)考察熱度指標(biāo)對(duì)股市下跌風(fēng)險(xiǎn)的預(yù)警能力，通過(guò)對(duì)市場(chǎng)下跌環(huán)境的規(guī)避，實(shí)現(xiàn)對(duì)投資收益的保護(hù)。

（二）相關(guān)性分析

這部分重點(diǎn)考察熱度指標(biāo)對(duì)股市下跌風(fēng)險(xiǎn)的預(yù)測(cè)能力。定義兩種股市下跌風(fēng)險(xiǎn)，分別是指數(shù)收益率小于10%分位數(shù)（-3.82%）及小于20%分位數(shù)（-2.24%），各包含97周和194周，結(jié)果如表3所示?？梢钥吹?，當(dāng)指數(shù)收益率小于-3.82%的97周時(shí)，指數(shù)收益率與所有的熱度指標(biāo)均存在顯著的負(fù)相關(guān)性，尤其是波動(dòng)率，相關(guān)系數(shù)低至-0.389，在1%水平下顯著; 當(dāng)指數(shù)收益率小于-2.24%的194周時(shí)，指數(shù)收益率與所有熱度指標(biāo)的相關(guān)系數(shù)仍然為負(fù)，僅有DCI的系數(shù)并不顯著，波動(dòng)率的相關(guān)系數(shù)絕對(duì)值仍然最大。與表1的Panel B相比較可以發(fā)現(xiàn)，交易熱度指標(biāo)與收益率間雖然沒(méi)有顯著的相關(guān)性，但是在股市下跌環(huán)境下，交易熱度指標(biāo)卻與收益率具有顯著的負(fù)相關(guān)關(guān)系，佐證了本文之前的假設(shè)，即交易熱度指標(biāo)具有對(duì)股市下跌風(fēng)險(xiǎn)的預(yù)警能力。

（三）Logit回歸

本部分利用Logit模型更詳細(xì)地檢驗(yàn)熱度指標(biāo)對(duì)股市下跌風(fēng)險(xiǎn)的影響。表4報(bào)告了將指數(shù)收益率小于10%分位數(shù)設(shè)定為1， 其余時(shí)間設(shè)定為0的Logit回歸結(jié)果，Panel A為對(duì)下一周指數(shù)Logit指標(biāo)的預(yù)測(cè)結(jié)果，Panel B為對(duì)下一月指數(shù)Logit指標(biāo)（接下來(lái)4周指數(shù)累積收益率的10%分位以下設(shè)定為1）的預(yù)測(cè)結(jié)果?？梢钥吹?，4個(gè)交易熱度指標(biāo)均能對(duì)下一周股市下跌風(fēng)險(xiǎn)具有顯著的預(yù)測(cè)能力，將4個(gè)熱度指標(biāo)同時(shí)納入回歸方程時(shí)，DCI和波動(dòng)率的預(yù)測(cè)能力仍然顯著;DCI和換手率雖然對(duì)下一月股市下跌風(fēng)險(xiǎn)的回歸系數(shù)為正， 但是并不顯著，波動(dòng)率和BEYR的回歸系數(shù)均顯著為正，且在將4個(gè)熱度指標(biāo)同時(shí)納入回歸方程時(shí)，波動(dòng)率和BEYR的回歸系數(shù)仍然顯著。綜合來(lái)看，熱度指標(biāo)對(duì)股市下跌風(fēng)險(xiǎn)具有顯著的預(yù)測(cè)能力。

為了檢驗(yàn)結(jié)果的穩(wěn)健性，表5報(bào)告了將股市下跌風(fēng)險(xiǎn)設(shè)定為Ret

（四）合成因子的Logit回歸

由于熱度指標(biāo)間存在著共線性問(wèn)題，且為了更好地利用4個(gè)熱度指標(biāo)的信息，以對(duì)股市下跌風(fēng)險(xiǎn)進(jìn)行更有效的分析，本文利用等權(quán)、主成分（取第一主成分） 及熵權(quán)法三種方法將4個(gè)指標(biāo)進(jìn)行合成，再利用合成因子對(duì)股市下跌風(fēng)險(xiǎn)進(jìn)行Logit回歸。

表6報(bào)告了Ret

表7報(bào)告了Ret

（五）投資績(jī)效評(píng)估

表6和表7的回歸結(jié)果驗(yàn)證了合成因子對(duì)股市下跌風(fēng)險(xiǎn)的預(yù)警能力，本部分從投資實(shí)踐的視角評(píng)估合成因子的有效性。由于三種因子合成方法間差異不大，因此本部分采用合成方式最簡(jiǎn)單的等權(quán)因子進(jìn)行分析。圖2展示了等權(quán)合成因子在樣本區(qū)間的走勢(shì)，與圖1比較可以發(fā)現(xiàn)，相對(duì)于4個(gè)原始指標(biāo)， 合成因子能夠更好地與指數(shù)走勢(shì)相匹配，在2007年6月和2015年6月出現(xiàn)了兩個(gè)階段性高點(diǎn)，與指數(shù)的高點(diǎn)相吻合，且不存在如DCI等指標(biāo)與指數(shù)無(wú)法對(duì)應(yīng)的高點(diǎn)。

鑒于合成因子在預(yù)測(cè)股市下跌風(fēng)險(xiǎn)時(shí)的有效性， 利用等權(quán)因子的因子值來(lái)構(gòu)建簡(jiǎn)單的投資策略，具體為：僅在因子值超過(guò)一定閾值后平倉(cāng)，并在因子值回到一定的閾值以下后重新買(mǎi)入，其他時(shí)間均采用簡(jiǎn)單的買(mǎi)入持有策略。合成因子的中位值為1.56，90%分位值為2.97，98%分位值為3.52左右，需要說(shuō)明的是，本部分的主要目的是展示合成因子在擇時(shí)上的可能有效性，因此將開(kāi)倉(cāng)閾值簡(jiǎn)單設(shè)定為3和3.5，將平倉(cāng)閾值簡(jiǎn)單設(shè)定為1.5。

表8報(bào)告了擇時(shí)策略的投資績(jī)效，其中因子擇時(shí)1是將平倉(cāng)閾值設(shè)定為3的投資策略，因子擇時(shí)2是將平倉(cāng)閾值設(shè)定為3.5的投資策略。 考慮到波動(dòng)率對(duì)股市下跌風(fēng)險(xiǎn)的預(yù)測(cè)能力顯著高于其他3個(gè)指標(biāo)，同時(shí)構(gòu)造了波動(dòng)率擇時(shí)策略，以作為對(duì)比，將波動(dòng)率的平倉(cāng)閾值設(shè)定為0.95。 從表8可以看到，波動(dòng)率擇時(shí)雖然風(fēng)險(xiǎn)最低，但是收益也大幅降低，從而使得其風(fēng)險(xiǎn)調(diào)整后收益（包括夏普比率、索提諾比率和卡爾瑪比率）最低;因子擇時(shí)策略顯著優(yōu)于波動(dòng)率擇時(shí)及指數(shù)持有策略，表現(xiàn)為收益的大幅提升以及風(fēng)險(xiǎn)相對(duì)指數(shù)的小幅降低，從而其風(fēng)險(xiǎn)調(diào)整后收益顯著高于指數(shù);因子擇時(shí)2的收益相對(duì)因子擇時(shí)1又有了大幅提升，說(shuō)明給與交易熱度更高的容忍度， 能夠?qū)崿F(xiàn)對(duì)投資收益更大幅度的捕獲，當(dāng)然也可能會(huì)導(dǎo)致沒(méi)能在下跌前及時(shí)撤離而大幅侵蝕收益（樣本區(qū)間內(nèi)未發(fā)生這種情況）。

圖3展示了幾種策略?xún)糁档膭?dòng)態(tài)走勢(shì)，可以看到，因子擇時(shí)策略均僅在2007年和2015年進(jìn)行了2次交易。因?yàn)橐蜃訐駮r(shí)2對(duì)交易熱度的容忍度更高，所以捕獲了更多的投資收益，從而導(dǎo)致因子擇時(shí)2的最終凈值接近12， 而因子擇時(shí)1的最終凈值僅為5.26，相差了一倍多。交易熱度越高，往往說(shuō)明資產(chǎn)泡沫越高，但是泡沫期往往能夠帶來(lái)更超額的投資收益，因此提高因子的閾值可以一定程度上帶來(lái)投資收益的提升，當(dāng)然也可能導(dǎo)致無(wú)法在泡沫前期離場(chǎng)，從而大幅侵蝕投資收益，如將因子閾值設(shè)定為3.8的話，將會(huì)導(dǎo)致在2007年無(wú)法離場(chǎng)，從而大幅降低投資收益，因此對(duì)于因子開(kāi)平倉(cāng)閾值應(yīng)謹(jǐn)慎選擇，適當(dāng)?shù)膮?shù)優(yōu)化及針對(duì)實(shí)際情況的及時(shí)調(diào)整，是選擇因子閾值的有效手段（限于篇幅，不在本文討論范圍）。

四、結(jié)論與啟示

本文采用2002年1月至2021年2月WIND全A指數(shù)及申萬(wàn)一級(jí)行業(yè)指數(shù)的周數(shù)據(jù)，計(jì)算了格蘭杰因果網(wǎng)絡(luò)（DCI）所代表的行業(yè)趨同度指標(biāo)，以及指數(shù)換手率、波動(dòng)率及BEYR所代表的投資者情緒指標(biāo)，并用這4個(gè)指標(biāo)來(lái)反映市場(chǎng)交易熱度以研究交易熱度對(duì)指數(shù)收益率及股市下跌風(fēng)險(xiǎn)的影響， 研究發(fā)現(xiàn)：4個(gè)交易熱度指標(biāo)對(duì)指數(shù)收益率的預(yù)測(cè)能力并不穩(wěn)健，但是對(duì)股市下跌風(fēng)險(xiǎn)卻有顯著的預(yù)測(cè)能力， 且無(wú)論是采用10%還是20%分位數(shù)收益作為股市下跌風(fēng)險(xiǎn)的標(biāo)準(zhǔn)，結(jié)論均穩(wěn)健;通過(guò)將4個(gè)熱度指標(biāo)合成綜合因子，發(fā)現(xiàn)合成因子對(duì)股市下跌風(fēng)險(xiǎn)的預(yù)測(cè)能力更為顯著;利用合成因子進(jìn)行擇時(shí)， 可以有效避免市場(chǎng)極端的下跌行情，如將因子平倉(cāng)閾值設(shè)定為3.5（3），最終凈值將達(dá)到11.66（5.26），遠(yuǎn)超指數(shù)的3.32，且因子擇時(shí)策略的風(fēng)險(xiǎn)也有了些微的降低，從而使得策略的夏普比率達(dá)到了0.53（0.32）?？傮w來(lái)看，行業(yè)趨同度及投資者情緒代表的交易熱度能夠?qū)墒邢碌L(fēng)險(xiǎn)提前預(yù)警，基于合成因子構(gòu)造的交易體系也能夠較好地規(guī)避股市的大幅下挫風(fēng)險(xiǎn)，使投資收益顯著提高。

本文的研究結(jié)論是對(duì)行為金融及因子投資理論的有力補(bǔ)充，同時(shí)對(duì)機(jī)構(gòu)及個(gè)人投資者的投資實(shí)踐也具有一定的指導(dǎo)意義：第一，由于所有的行業(yè)或股票都面臨著市場(chǎng)風(fēng)險(xiǎn)，因此經(jīng)常表現(xiàn)出同漲同跌的特性， 但是這種趨同度不是穩(wěn)定不變的， 而是隨著市場(chǎng)環(huán)境的變化而時(shí)刻變化著的，尤其是在市場(chǎng)趨同度較高時(shí)， 往往預(yù)示著較高的股市下跌風(fēng)險(xiǎn)，因此對(duì)趨同度的有效識(shí)別可以為風(fēng)險(xiǎn)控制提供理論依據(jù)。第二，投資者情緒是對(duì)市場(chǎng)交易熱度最直接的反映，波動(dòng)率、換手率及BEYR等指標(biāo)均能夠?qū)ν顿Y者情緒進(jìn)行刻畫(huà)，結(jié)合趨同度指標(biāo)構(gòu)造的交易熱度指標(biāo)能夠?qū)墒邢碌L(fēng)險(xiǎn)提前預(yù)警，從而有效規(guī)避系統(tǒng)性下跌風(fēng)險(xiǎn)。第三，在構(gòu)造交易策略時(shí)， 對(duì)市場(chǎng)交易熱度指標(biāo)閾值的選擇至關(guān)重要，如果閾值選擇過(guò)低， 則會(huì)導(dǎo)致在泡沫前期過(guò)早離場(chǎng)，從而無(wú)法獲得牛市帶來(lái)的收益; 如果閾值選擇過(guò)高，則容易導(dǎo)致在泡沫后期仍然無(wú)法離場(chǎng)，從而無(wú)法規(guī)避接下來(lái)的市場(chǎng)暴跌。 因此除了采用經(jīng)驗(yàn)方法， 適當(dāng)?shù)亟Y(jié)合量化方法對(duì)閾值進(jìn)行動(dòng)態(tài)調(diào)整，是接下來(lái)值得探索的方向。

參考文獻(xiàn)：

[1]FAMA E F，F(xiàn)RENCH K R.The Cross-section of Expected Stock Returns[J].Journal of Finance，1992，47（2）：427-465.

[2]CARHART M M.On Persistence in Mutual Fund Performance[J].Journal of Finance，1997，52（1）：57-82.

[3]AMIHUID Y.Illiquidity and Stock Returns Cross-section and Time-series Effects[J].Journal of Financial Markets，2002，5（1）：31-56.

[4]ASNESS C，F(xiàn)RAZZINI A，PEDERSEN L H.Quality Minus Junk[R].AQR Capital Management Working Paper，2013.

[5]李斌，馮佳捷.中國(guó)股市的公司質(zhì)量因子研究[J].管理評(píng)論，2019（3）：14-26.

[6]ANG A，HODRICK J，XING Y，et al.The Cross-section of Volatility and Expected Returns[J].Journal of Finance，2006，61（1）：259-299.

[7]楊華蔚，韓立巖.外部風(fēng)險(xiǎn)、異質(zhì)信念與特質(zhì)波動(dòng)率風(fēng)險(xiǎn)溢價(jià)[J].管理科學(xué)學(xué)報(bào)，2011（11）：71-80.

[8]FRAZZINI A，PEDERSEN L H.Betting Against Beta[J].Journal of Financial Economics，2014，111（1）：1-25.

[9]FAMA E F，F(xiàn)RENCH K R.A Five-factor Asset Pricing Model[J].Journal of Financial Economics，2015，116（1）：1-22.

[10]STAMBAUGH R F，YU J F，YUAN Y.The Short of It：Investor Sentiment and Anomales[J].Journal of Financial Economics，2012，104（2）：288-302.

[11]BATHIA D，BREDIN D.An Examination of Investor Sentiment Effect on G7 Stock Market Returns[J].European Journal of Finance，2013，19（9）：909-937.

[12]NI Z X，WANG D Z，XUE W J.Investor Sentment and Its Nonlinear Effect on Stock Returns：New Evidence from the Chinese Stock Market Based on Panel Quantile Regression Model[J].Economic Modelling，2015，50（4）：266-274.

[13]FRUGIER A.Returns，Volatility and Investor Sentiment：

Evidence from European Stock Markets[J].Research in International Business and Finance，2016，38（6）：292-310.

[14]史永東，王鎮(zhèn).投資者情緒影響動(dòng)量效應(yīng)嗎？——來(lái)自上證A股的經(jīng)驗(yàn)證據(jù)[J].投資研究，2015（9）：90-103.

[15]KIMA B，SUHB S.Sentiment-based Momentum Strategy[J].International Review of Financial Analysis，2018，58（5）：52-68.

[16]劉桂榮，顏夢(mèng)雅，金永紅.對(duì)投資者情緒與股市崩盤(pán)風(fēng)險(xiǎn)關(guān)系的檢驗(yàn)[J].財(cái)會(huì)月刊，2017（5）：39-46.

[17]KRITZMAN M，LI Y，PAGE S，et al.Principal Components as a Measure of Systemic Risk[J].Journal of Portfolio Management，2011，37（4）：112-126.

[18]DIEBOLD F X，YILMAZ K.Better to Give than to Receive：Predictive Directional Measurement of Volatility Spillovers[J].International Journal of Forecasting，2012，28（1）：57-66.

[19]BILLIO M，GETMANSKY M，LO A W，et al.Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors[J].Journal of Financial Economics，2012，104（3）：535-559.

[20]GONG X，LIU X H，Xiong X，et al.Financial Systemic Risk Measurement Based on Causal Network Connectedness Analysis[J].International Review of Economics and Finance，2019，64（7）：290-307.

[21]周 亮.行業(yè)網(wǎng)絡(luò)關(guān)聯(lián)度及其對(duì)股市下跌風(fēng)險(xiǎn)的影響[J].金融與經(jīng)濟(jì)，2021（4）：73-83.

[22]BAKER M，WURGLER J.Investor Sentiment and the Cross-section of Stock Returns[J].Journal of Finance，2006，61（4）：1645-1680.

[23]高大良，劉志峰，楊曉光.投資者情緒、平均相關(guān)性與股市收益[J].中國(guó)管理科學(xué)，2015（2）：10-20.

[24]林紅新，宋高雅，花俊國(guó).投資者情緒對(duì)動(dòng)量效應(yīng)與反轉(zhuǎn)效應(yīng)的影響[J].金融理論探索，2020（1）：8-18.

[25]周亮.極差波動(dòng)在期現(xiàn)跨市場(chǎng)套利中的應(yīng)用——與GARCH模型的比較[J].山東工商學(xué)院學(xué)報(bào)，2018（2）：78-86.

[26]MCMILLAN D G.Does the BEYR Help Predict UK Sector Returns？[J].Journal of Asset Management，2011（12）：146-156.

Industry Convergence， Investor Sentiment and Stock Market Downside Risk

Zhou Liang1，Deng Liangdong2

（1. Financial School， Hunan University of Finance and Economics， Changsha 410205， China;

2. Shaoyang Audit Bureau， Shaoyang 422099， China）

Abstract： The degree of industry convergence and investor sentiment can reflect the popularity of market transactions. Using industry Granger causality network to calculate the market convergence index， and index turnover， volatility and BEYR to represent market sentiment， the impact of these indicators on index return and stock market downside risk is studied. The research results show that the predictive power of 4 indicators for index return is not robust， but it has significant predictive power for the downside risk. Constructing synthetic factors from 4 indicators， it is found that the synthetic factors have more significant predictive power for the downside risk. Using synthetic factors for timing， it can effectively avoid extreme market declines， the Sharpe ratio of the factor timing strategy reached 0.53， far exceeding the 0.14 of the index buy-and-hold strategy. Taken together， the degree of industry convergence and investor sentiment represented by the trading heat can provide early warning of the downside risk of the stock market， thereby bringing about a significant increase in investment income.

Key words： convergence; investor sentiment; trading enthusiasm; stock market downside risk

（責(zé)任編輯：李丹;校對(duì)：盧艷茹）