謝軍，胡楠，高斌，羅恬恬

摘要：從非流動性的內(nèi)涵出發(fā)，計算滬深300指數(shù)的七個非流動性指標，并通過主成分分析法對七個非流動性測度進行降維，獲得市場綜合非流動性指標。使用ARFIMA模型擬合各變量的長記憶性及殘差相關(guān)性，構(gòu)建蒙特卡洛模擬衡量因長記憶性及殘差相關(guān)性對預測回歸的影響程度，使用Bootstrap抽樣法調(diào)整偏差及篩選具有穩(wěn)健預測能力的非流動性測度。結(jié)果表明：非流動性測度能夠?qū)Τ~收益進行短、中及長期預測，prin和fht指標有較高的預測擬合優(yōu)度，非流動性因子是因子定價理論的重要因子，且大多非流動性指標對市場超額收益的短期預測能力來源于市場波動，而中長期預測能力由與波動無關(guān)的非流動性因素主導。

關(guān)鍵詞：非流動性;長記憶性;流動性溢價;市場波動

文章編號：2095-5960（2021）02-0031-10;中圖分類號：F830;文獻標識碼：A

一、引言

流動性是一個廣泛而復雜的概念，具有多個不同的側(cè)面，是反映資本市場運行狀況的關(guān)鍵因素，與資產(chǎn)收益的關(guān)系密不可分。換手率是常見的流動性測度之一，張崢和劉力使用橫截面數(shù)據(jù)，以換手率測度流動性，分析其與股票收益的關(guān)系，結(jié)果表明兩者呈負相關(guān)，換手率較低的股票具有更高的預期收益。[1]在流動性的研究中，流動性的對立概念/非流動性（illiquidity）也被諸多學者用于流動性測度及預期收益預測。Tirole對非流動性的概念進行了梳理，顧名思義，非流動性就是指資本市場中參與者買入或賣出某項資產(chǎn)所面臨的阻礙，市場的非流動性越高，資產(chǎn)的流動性就越低，到一定程度時，將會觸發(fā)市場凍結(jié)、資產(chǎn)甩賣、危機蔓延甚至公司最終破產(chǎn)和政府救助。[2]

諸多學者從不同方面對非流動性進行測度，Roll使用股票相鄰兩天的收益協(xié)方差衡量相對有效價差[3]，Corwin & Schultz則使用最高報價與最低報價衡量股票的價差，從價差方面定義非流動性指標，價差越高非流動性程度越高，市場流動性越差[4];不限于價差，Pástor & Stambaugh從收益率逆轉(zhuǎn)出發(fā)，根據(jù)收益率對訂單流的逆轉(zhuǎn)程度以衡量股票的非流動性;[5]Hou & Moskowitz基于股票對市場消息的反應速度測度非流動性，使用個股收益率擬合不同時段的市場收益率，通過擬合優(yōu)度的比值表示非流動性程度; [6]Fong， Holden & Trzcinka結(jié)合市場波動因素得到市場波動及邊際交易成本的非流動性測度; [7]根據(jù)Kyle對非流動性的定義，給定交易量對股價影響越大意味著其流動性越差;[8]Amihud以日度收益及日度交易金額得到計算得1元交易量所對應的價格變化幅度，其數(shù)值越大則非流動性程度越高。[9] 上述指標從五個方面測度非流動性，對非流動性的定義進行了較為綜合地詮釋。

高度非流動性與市場蕭條、金融危機伴隨出現(xiàn)，這使得非流動性指標預測市場超額收益成為可能。Chen等人使用非流動性指標預測標普收益率及宏觀經(jīng)濟指標。 [10]Chen等人發(fā)現(xiàn)Amihud非流動性指標對經(jīng)濟衰退開始時點具有很強的預測能力。[11]而國內(nèi)學者對于非流動性指標多集中于Amihud指標，其他非流動性測度及其預測研究涉足較少。王春峰和韓冬最早在我國股市應用Amihud非流動性測度，檢驗市場非流動性與股票收益關(guān)系。[12]閆東鵬和吳貴生基于Amihud非流動性指標，構(gòu)建其變體對股票回報進行預測。[13]黃峰和楊朝軍分析Amihud測度與股價關(guān)系，發(fā)現(xiàn)我國股市存在對非流動性水平的收益補償，符合流動性溢價理論預期。[14]這一點也在謝赤等人的研究中得到了論證。[15]

但是，上述研究存在三個方面的缺失。第一，從資本資產(chǎn)定價模型到套利定價理論，多因子定價理論得到極大發(fā)展，如Fama-French三因子、五因子研究[16，17]。但是學者對非流動性因子尤其是綜合非流動性因子的研究涉足較少。因此，本文提出假設(shè)：非流動性因子是因子定價理論的重要因子。具體的，通過主成分分析法對多個方面非流動性測度降維，獲得綜合性非流動性因子，并分別使用樣本內(nèi)及樣本外方法，以非流動性因子預測超額收益率，根據(jù)其預測結(jié)果驗證上述假設(shè)，豐富因子定價領(lǐng)域研究。第二，當前的預測研究多未考慮長記憶性對預測斜率的影響，對流動性溢價的論證不夠嚴謹。本文進行模型偏差研究以獲得偏差調(diào)整斜率，既能更嚴謹?shù)卣撟C流動性溢價理論，又能將準確的斜率應用于樣本外實戰(zhàn)。具體的，應用ARFIMA模型擬合非流動性指標及超額收益率的長記憶性參數(shù)，分析非流動性指標及超額收益率的殘差相關(guān)性，通過構(gòu)建蒙特卡洛以評估長記憶性及殘差相關(guān)性造成有偏預測程度，并根據(jù)蒙特卡洛的結(jié)果對非流動性指標采用Bootstrap偏差糾正及檢驗。第三，鑒于中國股市的弱有效性，收益率對流動性信息反應速度可能較慢，非流動性的預測能力可能在中長期而非短期，而當前關(guān)于流動性因子的多期預測研究甚少，因此本文將上述8個非流動性指標對滬深300指數(shù)超額收益率進行短、中及長期預測;最后，本文剔除非流動性指標的市場波動因素，通過分解非流動性因子剖析其預測能力來源，并論證了非流動性因子的穩(wěn)健預測能力。

二、指標體系構(gòu)建

（一）非流動性指標

價格影響測度AMIHUD：由Amihud提出 [9]，根據(jù)股票日度收益及交易金額得到，即1元交易量所對應的價格變化幅度，體現(xiàn)了每單位交易量對價格的影響，具體計算公式如下：

AMIi，t=1Di×∑Did=1|Ri，d|RVOLi，d（1）

其中，Di指第i家公司在該月的有效交易天數(shù)。|Ri，d| 指第i家公司日收益率的絕對值，RVOLi，d指對應的人民幣日度交易量?？紤]到通貨膨脹的影響，本文用CPI環(huán)比增速對AMI指標進行調(diào)整。

有效價差測度CS：參考Corwins & Schultz的方法構(gòu)建指標[4]，使用每日數(shù)據(jù)中的最高報價和最低報價來估算買賣價差，代表股票日度最高（低）價與股票真實價值最高（低）值的差值，差值越大表示股票的非流動性程度越高。

邊際交易成本及波動測度FHT：該指標反映了市場交易成本中的收益波動和邊際交易成本，由Fong等人提出[7]。具體計算公式如下：

FHTt=In（2）+volt+g（ZEROSi，t）（2）

信息時滯測度HM：根據(jù)個股收益對當期及過去市場收益的反應程度比例獲得，由Hou和Moskowitz提出[6]。具體的，使用擬合優(yōu)度表示個股收益對當期或過去市場收益的反應程度。具體計算公式如下：

RETi，d=αi+βiRETm，d+∑5n=1δniRETm，d-n+εi，d（3）

其中RETm，d為第d交易日市場收益率，RETi，d指第d交易日個股收益率，RETm，d-n指第（d-n）交易日市場收益率。取滯后系數(shù)δi為0得擬合優(yōu)度R2（restricted），滯后系數(shù)δi不為0得擬合優(yōu)度R2（unrestricted），分別反映個股收益對當期市場收益的反應程度、對當期及過去市場收益的反應程度。若股票的信息反應速度快，則個股收益對當期市場收益的反應程度R2（restricted）高，非流動性測度HM低。

HM=1-R2（restricted）R2（unrestricted）（4）

收益逆轉(zhuǎn)測度PS：Pástor & Stambaugh提出的流動性指標 [5]，通過收益率逆轉(zhuǎn)程度以衡量流動性。如果股票不是完全流動的，那么人們對股票收益的預期將會發(fā)生逆轉(zhuǎn)，而這種預期反轉(zhuǎn)越大，股票的流動性就越低，即與訂單流相關(guān)的收益變化是流動性效應的結(jié)果。

RETei，d+1=θi+φiRETi，d+γisign（RETei，d+1）RVOLi，d+εi，d+1（5）

其中，RETei，d+1指股票i第（d+1）交易日的個股超額收益率。RETi，d指股票i第d交易日的超額收益率，RVOLi，d指第d交易日的人民幣交易量。將PS指標乘以一個負數(shù)獲得最終的PS非流動性指標，日度PS指標加總平均獲得月度測度。

有效價差測度ROLL：由Roll提出的有效價差估計值。[2]與CS指標不同，ROLL指標由股票收益率的協(xié)方差得到。若ROLL≥0時，則不再符合假設(shè)預期，取ROLL為0。

邊際交易成本測度ZEROS：為零收益天數(shù)占交易天數(shù)的比例，即每月零收益天數(shù)除以交易天數(shù)，獲得月度ZEROS指標?？紤]到股票停牌的情況，因此本文選取的零收益天數(shù)只包括股票交易量為正的交易日。[18]

（二）綜合非流動性測度構(gòu)建

鑒于各非流動性指標代表流動性的不同側(cè)面，因此以主成分分析法對非流動性指標進行降維，獲得綜合性的非流動性測度。以主成分分析法對非流動性指標進行加權(quán)平均降維獲得綜合非流動性指標，取第一主成分作為綜合測度。

print=k1amit+k2cst+k3fhtt+k4hmt+k5pst+k6rollt+k7zerost（6）

其中print為主成分分析法所得綜合非流動性指標，ki是非流動性指標在第一主成分的對應系數(shù)。

（三）超額收益和波動率指標

本文將滬深300指數(shù)的市場超額收益率作為預測目標，由滬深300指數(shù)的對數(shù)收益率減去無風險收益率得到，記為y。市場波動率為滬深300成分股收益率標準差在相應時間間隔中的橫截面平均值。

voli，j=di，jσ（reti，d，j）（7）

其中voli，j為第i月第j家公司的市場波動率，reti，d，j為第j家公司第i月第d天的股票收益率，σ（reti，d，j）為第j家公司第i月日度股票收益率的標準差，di，j表示第i月第j家公司股票的有效交易天數(shù)。從統(tǒng)計學的角度考慮，對所有指標都進行對數(shù)轉(zhuǎn)換，小寫字母即表示經(jīng)過對數(shù)處理的變量，如ami=In（AMI）。

三、數(shù)據(jù)與模型

（一）數(shù)據(jù)和描述性統(tǒng)計

本文數(shù)據(jù)主要來源于銳思數(shù)據(jù)庫，選取了2005年4月至2019年3月期間滬深300成分股，通過等額加權(quán)平均日度非流動性指標獲得月度因子。表1展示了非流動性指標以及其他變量的描述性統(tǒng)計，面板A為各變量的均值、標準差、偏度以及斜度。面板B展示了各變量之間的相關(guān)性，可以發(fā)現(xiàn)cs、hm、ps以及roll指標與同期超額收益呈正相關(guān)，即流動性越差，同期股票收益越高。而ami、fht、zeros以及prin指標相反。圖1以fht， zeros和prin因子為例（為防止曲線過多造成圖形雜亂），刻畫了非流動性指標走勢。在2008年經(jīng)濟危機及2015年股災前夕，市場流動性枯竭，非流動性指標大幅上升;形成鮮明對比的是，在2007年及2015年上半年股市大漲前夕，市場流動性充裕，非流動性指標急劇下降，契合股市實際周期。

（二）變量長記憶性和殘差相關(guān)

Stambuagh指出變量過高的記憶性會導致預測回歸中的計量問題，尤其是預測因子和目標之間存在殘差相關(guān)性時，估計所得斜率是有偏的。 [19]長記憶性指變量的自相關(guān)衰減速度較慢，通常以雙曲線速率衰減。相對地，短記憶性時間序列自相關(guān)性以指數(shù)速率衰減，遠遠快于長記憶性變量。本文對各變量進行1、12以及36階自相關(guān)性分析，比較其衰減速度。并且利用ARFIMA模型對平穩(wěn)的長記憶時間序列進行建模，以擬合各變量的具體長記憶性參數(shù)d。ARFIMA模型是差分單整移動平均自回歸模型（ARIMA）的拓展，其允許ARIMA模型進行分數(shù)差分。通過對非流動性指標以及其他指標進行長記憶參數(shù)擬合，本文發(fā)現(xiàn)大多非流動性指標、超額收益指標以及市場波動指標的d值都不為0，存在長記憶性。鑒于這些指標也存在一定的短記憶性，對非流動性指標、超額收益指標以及市場波動指標都應用ARFIMA模型，其中AR模型體現(xiàn)了指標的短記憶性，而d值體現(xiàn)指標的長記憶性。該過程可以寫成：

2（L）（1-L）d2（yt-μx）=θ2（L）ε2，t

εt≡（εx，t，εy，t）′～iidN（0，Σ）

（1-L）d=∑∞s=0Γ（s-d）Γ（-d）Γ（s+1）Ls（8）

其中，x（z）=1-x，1z-…-x，pxzpx，θx（z）=1+θx，1z+…+θx，qzq為多項滯后算子。（1-L）d為由二項展開式定義的分數(shù)差分算子，Γ（·）代表伽馬函數(shù)。殘差εt=（ε1，t，ε2，t）′～iidN（0，Σ），Σ為一個正定對稱矩陣，殘差同期相關(guān)系數(shù)ρ=Σ12/Σ11Σ22。

通過式的ARFIMA模型完成濾波得超額收益率殘差值ε1，t及非流動性指標殘差值ε2，t，通過對兩者進行相關(guān)性分析得殘差相關(guān)性結(jié)果。表2面板A呈現(xiàn)了各變量的1、12及36階自相關(guān)系數(shù)以及長記憶性參數(shù)d，與預期結(jié)果一致：變量長記憶性參數(shù)d越大，其自相關(guān)系數(shù)衰減速度越慢。具體的，價格影響測度ami及綜合非流動性測度prin的長記憶性系數(shù)都接近于0，其自相關(guān)系數(shù)衰減速度極快;相反的，長記憶性參數(shù)較高的fht測度及zeros測度自相關(guān)系數(shù)衰減極慢。面板B展示了非流動性指標與超額收益率的殘差相關(guān)性，ami指標、cs指標以及roll指標與超額收益率具有顯著的殘差相關(guān)性。但是，僅根據(jù)表2無法分析得多大程度的長記憶性及殘差相關(guān)會對預測斜率造成干擾，因此構(gòu)建蒙特卡洛模擬進一步分析。

（三）蒙特卡洛模擬

為了更嚴謹?shù)卦u估變量長記憶性以及殘差相關(guān)性對回歸的影響程度，本文構(gòu)建蒙特卡洛分析。首先，隨機生成兩組相關(guān)系數(shù)為ρ的時間序列，記為εx，t和εy，t。ρ的取值范圍為-08到08，通過對兩者相關(guān)系數(shù)ρ的不同取值，賦予εx，t、εy，t序列具有不同程度的相關(guān)性;其次，對兩組隨機時間序列應用ARFIMA（p，d，q） 模型，參數(shù)d取值范圍為01到09;最終，得到了具有不同長記憶性和殘差相關(guān)性的兩組時間序列x及y，重復運算2500次獲得蒙特卡洛結(jié)果。鑒于超額收益率存在一定程度的自相關(guān)性，應用AR（p） 模型以使蒙特卡洛模擬更加契合變量的特征，得到蒙特卡洛的預測模型：

yt=α+β1∑Jj=1yt-j+βxt-1+νt（9）

表3呈現(xiàn)了蒙特卡洛結(jié)果，面板A為根據(jù)上式所得的β值，即長記憶和殘差相關(guān)系數(shù)的變化對預測造成的影響。可以發(fā)現(xiàn)，當殘差相關(guān)系數(shù)ρ=0時，β基本等于0，而當ρ發(fā)生變化時，β隨之變化，表明殘差相關(guān)性的存在造成了“Stambaugh”偏差[19];殘差相關(guān)系數(shù)ρ不變時，偏差隨長記憶參數(shù)d遞增。面板B展示了長記憶性及殘差相關(guān)性造成偏差對回歸顯著性影響。結(jié)果表明：當ρ≠0時，斜率β就會產(chǎn)生明顯誤差，并且長記憶性參數(shù)d的變化也會對β造成影響。

（四）偏差糾正

通過蒙特卡洛模擬分析，可以發(fā)現(xiàn)長記憶性和偏差同期相關(guān)對β值和回歸結(jié)果顯著性存在干擾，從而造成不準確的預測結(jié)果。而根據(jù)表2的結(jié)果，幾乎所有非流動性指標都有長記憶性及殘差相關(guān)性。為了糾正變量長記憶性以及偏差同期相關(guān)造成的斜率誤差及篩選出受誤差干擾較小的測度，本節(jié)應用Bootstrap抽樣法，具體過程如下：首先應用ARFIMA模型得到時間序列的殘差值εt ≡（εx，t ，εy ，t ），剔除同期相關(guān)以外的數(shù)據(jù)特征。其次，對殘差進行401次抽樣生成樣本，擬合ARFIMA模型得到參數(shù)p和q，進行分數(shù)差分獲得樣本（x*t，y*t）′，該樣本只具有殘差相關(guān)及長記憶數(shù)據(jù)特征。最后，對x*t和y*t應用式所示預測模型，記錄回歸所得的β^*，即因長記憶性及殘差相關(guān)性造成的偏差斜率。重復上述抽樣過程2500次得到2500個的偏差斜率β^*i ，取均值得到最終偏差斜率。將最小二乘法所得斜率減去偏差斜率，得到修正后的斜率，并計算Bootstrap抽樣拒絕比以檢驗非流動性指標穩(wěn)健預測能力。

β^*=β^-12500∑2500i=1β^*i（10）

其中β^為最小二乘法所得斜率，β^*i為第i次抽樣所得斜率，K為β^*i>β^的次數(shù)。

四、非流動性指標預測能力分析

（一）樣本內(nèi)預測能力分析

鑒于股票收益變化常常會滯后于市場流動性的變動，有必要使用非流動性指標進行短、中及長期預測。因此，本節(jié)使用了全樣本數(shù)據(jù)進行單月、一季度、半年及一年期樣本內(nèi)預測，考慮到被解釋變量具有較高的自相關(guān)性，對超額收益變量應用了AR（p）模型，預測模型如下：

yt=α+β1∑Jj=1yt-j+βxt-l+νt（11）

其中，l分別取1、3、6和12，即利用非流動性指標預測未來一個月（一期）、一季度、半年以及一年后股票超額收益，j取1對應AR（1）模型。經(jīng)過回歸后得到了初始β值，同時經(jīng)過Bootstrap獲得修正后的斜率。

表4展示了非流動性指標對股票超額收益的樣本內(nèi)預測表現(xiàn)。fht指標預測能力最為突出，可以有效預測所有時段的股票超額收益，其中對半年后的股票超額收益預測能力最強，擬合優(yōu)度達到987%，表現(xiàn)遠遠優(yōu)于傳統(tǒng)的預測因子。與fht指標類似，zeros指標和prin指標同樣對半年后超額收益預測能力最佳。價格影響測度ami無法有效預測一個月及一季度后的超額收益，但卻可以預測半年后和一年后的超額收益，且在一年期預測模型中表現(xiàn)最佳。下欄展示了經(jīng)過Bootstrap調(diào)整的β^*以及對應的P值（拒絕比）。大部分指標經(jīng)過調(diào)整的β^*與原始的β^差別極小，長記憶性及殘差相關(guān)性對回歸影響有限;cs指標和roll指標的回歸結(jié)果受誤差干擾較大，回歸結(jié)果不可信。在具有Bootstrap穩(wěn)健預測能力的非流動性指標中，fht指標、zeros指標、prin指標、ami指標和市場預期收益均呈正相關(guān)，即當期的流動性越差，市場預期收益越高，從非流動性測度的角度證明了滬深300市場中流動性溢價現(xiàn)象的存在。并且，prin等非流動性因子優(yōu)異的預測表現(xiàn)證明了本文的假設(shè)：非流動性因子是多因子定價理論的重要因子。

（二）樣本外預測能力分析

經(jīng)過Bootstrap抽樣得到偏差調(diào)整斜率及具有穩(wěn)健預測能力的非流動性指標后，本文將經(jīng)過調(diào)整的β應用于樣本外檢驗以衡量非流動性指標的實戰(zhàn)能力。通過比較預測值偏差以及歷史基準值偏差，從而評估非流動性指標的樣本外預測能力。具體而言，將（t+1）期實際收益yt+1作為預測目標，依據(jù)AR（1）預測模型得未來股票超額收益記為y^t+1，得到相應的樣本均根預測誤差（MSPE），同理得基準樣本均根預測誤差。

σ^2≡P-1∑（yt+1-y^t+1）2

σ^2BMK ≡P-1∑（y^t+1 -y^BMKt+1）2（12）

其中P代表樣本外預測滾動次數(shù)，將歷史收益的平均值作為未來一期股票超額收益預測值y^BMKt+1，yt+1為實際收益。

為了更直觀地比較兩個預測偏差，引入樣本外擬合優(yōu)度R2OOS[20]，樣本外擬合優(yōu)度R2OOS越大表明預測模型偏差相對基準模型偏差越小，即非流動性指標預測能力越強。本文還應用了Clark & West以及Giacomini & White使用的樣本外表現(xiàn)評價方法[21，22]，模型如下：

R2OOS = 1-σ^2σ^2BMK

CW=σ^2BMK-σ^2+P-1∑（y^t+1-y^BMKt+1）2Adjustment

Giacomini-White=σ^2BMK-σ^2σ^p/P（13）

其中，σ^p為漸進方差^σ2p的異方差自相關(guān)一致性（HAC）估計值，σ^2p=var[P（σ^2BMK-σ^2）]。本文選擇了48個月的滾動周期進行樣本外檢驗，應用遞增窗口回歸分別得出樣本外擬合優(yōu)度R2OOS、CW值以及GW值。若所得結(jié)果大于0，則說明非流動性指標的預測能力優(yōu)于歷史基準，可以拒絕非流動性指標沒有預測能力的零假設(shè);CW值以及GW值越大，表示非流動性指標的樣本外預測能力越強。

表5展示了非流動性指標的樣本外預測表現(xiàn)。在一期及一季度預測中，所有非流動性指標的R2OOS、CW值及GW值均大于0，說明非流動性指標對超額收益的短期預測能力均優(yōu)于歷史基準;而在半年期及一年期的預測中，非流動性指標的表現(xiàn)出現(xiàn)分化，其中ami指標、roll指標、cs指標以及prin指標預測表現(xiàn)優(yōu)于歷史均值模型，而其他指標預測表現(xiàn)不及歷史均值模型。因此，在樣本內(nèi)檢驗中表現(xiàn)較好的prin和ami等指標，在樣本外檢驗中同樣能夠?qū)Τ~收益進行有效預測。非流動性因子ami及綜合因子prin不僅在樣本內(nèi)檢驗中具有優(yōu)良的預測能力，且能夠?qū)Τ~收益率進行有效的樣本外預測，證明了非流動性是多因子定價理論中的重要一環(huán)。

五、穩(wěn)健性檢驗

Merton發(fā)現(xiàn)，即使市場交易成本較低時，收益率的波動性仍然會造成風險溢價。[23]因此本節(jié)對非流動性指標進行波動性調(diào)整，剔除非流動性指標中波動性的部分，檢驗其剩余部分對股票未來收益的預測能力。采用回歸法對非流動性指標進行波動性調(diào)整，參照下式進行回歸獲得回歸殘差εt，取殘差部分即為剔除市場波動后的非流動性指標。

ILQt=α+βvolt+εt（14）

其中，ILQt為任意非流動性指標，volt為市場波動指標。

剔除市場波動因素后的非流動性指標預測結(jié)果如表6所示。一期及一季度預測中，fht指標仍然具有顯著的預測能力，但zeros指標和prin指標與未來一期的股票收益不再有顯著相關(guān)性。然而，在中、長期預測能力評估中，ami指標、fht指標、zeros指標、prin指標和roll指標預測表現(xiàn)得到改善。Bootstrap穩(wěn)健檢驗中除cs指標的預測偏差較大之外，其他非流動性指標的預測結(jié)果均可信，而在樣本內(nèi)檢驗中預測偏差較大的roll指標剔除波動因素后通過Bootstrap穩(wěn)健檢驗，表明市場波動的長記憶性同樣會造成預測偏差。綜上可知，非流動性指標的預測能力是穩(wěn)健的，剔除波動率的流動性因子仍然是重要的定價因子。

六、結(jié)論

本文從非流動性的內(nèi)涵出發(fā)，使用7個反映不同方面的非流動性測度以及綜合性非流動性測度對超額收益進行短、中及長期預測分析。研究發(fā)現(xiàn)：非流動性指標兼具對未來收益的短期預測能力和中長期預測能力，其中fht指標表現(xiàn)出色，比起傳統(tǒng)流動性指標預測表現(xiàn)中1% 上下的擬合優(yōu)度，fht指標在半年期的預測中擬合優(yōu)度達到987%，對一季度后超額收益預測的擬合優(yōu)度也有771%，驗證本文假設(shè)，即非流動性因子是因子定價理論的重要因子;其次，長記憶性及殘差相關(guān)性會對預測顯著性造成干擾，cs指標及roll指標因長記憶性造成的誤差較大，回歸結(jié)果不可信;大多數(shù)測度斜率為正，符合流動性風險溢價理論預期。

以上研究結(jié)論具有一定的理論與實踐意義：第一，證明非流動性因子是多因子定價理論的重要因子。自單因子CAPM模型向多因子定價模型發(fā)展以來，針對各類因子的研究層出不窮，但對非流動性因子尤其是綜合非流動性涉足甚少。本文以多個非流動性因子對短、中及長期超額收益率預測發(fā)現(xiàn)，非流動性是因子定價理論中重要的一環(huán)，fht， prin及ami等非流動性因子能夠?qū)Τ~收益率進行有效的解釋及預測，其中fht指標在半年期的預測中擬合優(yōu)度達到987%，prin的擬合優(yōu)度也高達816%，遠遠超過傳統(tǒng)流動性因子預測表現(xiàn)，豐富了多因子定價領(lǐng)域研究。第二，經(jīng)過Bootstrap調(diào)整后的斜率更加準確，且非流動性測度與未來市場超額收益斜率基本皆為正數(shù)，較為嚴謹?shù)刈C明了滬深300市場流動性風險溢價現(xiàn)象的存在;非流動性測度如fht、prin測度，其對市場超額收益預測能力遠優(yōu)于傳統(tǒng)預測因子，對投資者決策具有一定的實踐意義;大多非流動性指標對市場超額收益的短期預測能力來源于市場波動，而中長期預測能力由與波動無關(guān)的非流動性因素主導。

參考文獻：

[1]張崢， 劉力. 換手率與股票收益：流動性溢價還是投機性泡沫？[J]. 經(jīng)濟學， 2006（2）： 871～892.

[2]Tirole J. Illiquidity and All Its Friends[J]. Journal of Economic Literature， 2011， 49（2）： 287～325.

[3]Roll R. A Simple Implicit Measure of the Effective Bid-Ask Spread in an Efficient Market[J]. Journal of Finance （Wiley-Blackwell）， 1984， 39（4）： 1127～1139.

[4]Corwin S A， Schultz P. A Simple Way to Estimate Bid-Ask Spreads from Daily High and Low Prices[J]. The Journal of Finance， 2012， 67（2）： 719～760.

[5]Pástor L， Stambaugh Robert f. Liquidity Risk and Expected Stock Returns[J]. Journal of Political Economy， 2003， 111（3）： 642～685.

[6]Hou K W， Moskowitz T J. Market Frictions， Price Delay， and the Cross-Section of Expected Returns[J]. Review of Financial Studies， 2005， 18（3）： 981～1020.

[7]Fong K Y L， Holden C W， Trzcinka C A. What Are the Best Liquidity Proxies for Global Research？[J]. Review of Finance， 2017， 21（4）： 1355～1401.

[8]Kyle A. Continuous Auctions and Insider Trading[J]. Econometrica， 1985， 53（6）： 1315～35.

[9]Amihud Y. Illiquidity and Stock Returns： Cross-Section and Time-Series Wffects[J]. Journal of Financial Markets， 2002， 5（1）： 31～56.

[10]Chen Y， Eaton G W， Paye B S. Micro（structure） before Macro？ The Predictive Power of Aggregate Illiquidity for Stock Returns and Economic Activity[J]. Journal of Financial Economics， 2018， 130（1）： 48～73.

[11]Chen S S， Chou Y H， Yen C Y. Predicting US Recessions with Stock Market Illiquidity[J]. B E Journal of Macroeconomics， 2016， 16（1）： 93～123.

[12]王春峰， 韓冬， 蔣祥林. 流動性與股票回報：基于上海股市的實證研究[J]. 經(jīng)濟管理， 2002（24）： 58～67.

[13]閆東鵬， 吳貴生. 流動性和可預測股票回報：一個實證檢驗[J]. 統(tǒng)計研究， 2006（08）： 66～71.

[14]黃峰， 楊朝軍. 流動性風險與股票定價：來自我國股市的經(jīng)驗證據(jù)[J]. 管理世界， 2007（05）： 30～39;48.

[15]謝赤， 張?zhí)?曾志堅. 中國股票市場存在流動性溢價嗎？——股票市場流動性對預期收益率影響的實證研究[J]. 管理世界， 2007（11）： 36～47.

[16]Fama E F， French K R. The Cross-Section of Expected Stock Returns[J]. The Journal of Finance， 1992， 47（2）： 427～465.

[17]Fama E F， French K R. A Five-Factor Asset Pricing Model[J]. Journal of Financial Economics， 2015， 116（1）： 1～22.

[18]Goyenko R Y， Holden C W， Trzcinka C A. Do Liquidity Measures Measure Liquidity？[J]. Journal of Financial Economics， 2009， 92（2）： 153～181.

[19]Stambaugh R F. Predictive Regressions[J]. Journal of Financial Economics， 1999， 54（3）： 375～421.

[20]Campbell J， Thompson S P. Predicting Excess Stock Returns Out of Sample： Can Anything Beat the Historical Average？[R]. Harvard University Department of Economics， 2008.

[21]Clark T E， West K D. Approximately Normal Tests for Equal Predictive Accuracy in Nested Models[J]. Journal of Econometrics， 2007， 138（1）： 291～311.

[22]Giacomini R， White H. Tests of Conditional Predictive Ability[J]. Econometrica， 2006， 74（6）： 1545～1578.

[23]Merton R C. An Intertemporal Capital Asset Pricing Model[J]. Econometrica， 1973， 41（5）： 867～887.

The predictive power of aggregate illiquidity for stock returns

- based on ARFIMA model

XIE Jun1，HU Nan1，GAO Bin2，LUO Tiantian1

（1.School of Business，Guangxi University， Nanning， Guangxi 530000， China;

2.School of Economics， Guangxi University for Nationalities， Nanning， Guangxi 530000， China）

Abstract：From the concept of illiquidity， we calculate seven illiquidity proxies by using samples from Shanghai and shenzhen stock exchange （csi） 300， and use principal component analysis （pca） to obtain the comprehensive illiquidity proxy（prin）. We use ARFIMA model to fit the long memory and residual correlation of various variables， monte carlo simulation is constructed to measure the influence of long memory and residual correlation on prediction regression， and Bootstrap sampling method is used to adjust the deviation and screen the illiquidity measure with robust prediction ability. The results show that： the illiquidity measure can predict the short， medium and long term excess returns， R2 measures of fht and prin are high， which reflects that the important role of illiquidity factor in liquidity risk pricing; The short-term forecasting ability of most illiquidity indexes to the market excess returns comes from the market volatility， while the medium-term and long-term forecasting ability is dominated by the illiquidity factors which have nothing to do with the volatility.

Key words：illiquidity;long memory;equity premium;market volatility

責任編輯：蕭敏娜 吳錦丹 蕭敏娜 常明明 張士斌 張建偉 張領(lǐng)

收稿日期：2020-07-12

基金項目：國家自然科學基金（72061002）;國家社科基金后期資助項目（18FJY009）;廣西自然科學基金青年項目（2018JJB180007）;教育部人文社會科學研究西部和邊疆地區(qū)項目（18XJC790003）。

作者簡介：謝軍（1980—），男，廣西桂林人，廣西大學商學院副教授，博士，研究方向為行為金融、資產(chǎn)定價;胡楠（1994—），男，安徽蚌埠人，廣西大學商學院碩士研究生，研究方向為資產(chǎn)定價、股票預測（通訊作者）;高斌（1984—），男，山東青島人，廣西民族大學經(jīng)濟學院副教授，博士，研究方向為行為金融、金融計量;羅恬恬（1995—），女，江西南昌人，廣西大學商學院碩士研究生，研究方向為資產(chǎn)定價、股票預測。