王道平, 范小云*， 賈昱寧， 王業(yè)東

(1. 南開大學金融學院, 天津 300350； 2. 中國人民銀行天津分行, 天津 300040)

0 引 言

近年來，中國證券市場發(fā)展迅速，成交量屢破萬億大關.同時，我國股市也一直以高換手率聞名世界.目前中國股票市場已成為世界上交易最為活躍的市場之一.統(tǒng)計顯示，我國國內證券市場1995年～2009年換手率的平均值為506.24%(上海)、532.30%(深圳).2007年的牛市行情中，兩市換手率甚至分別達到了953.16%與1 062.04%.2008年金融危機過后，我國股市換手率雖然有所回落，但依然處于高位.2015年，滬深兩市換手率又再度達到523.75%與747.84%.相比之下，發(fā)達國家證券市場換手率遠遠低于我國.例如，2015年，國際上成交最為活躍的納斯達克市場換手率也僅為245%，其余主要國際交易所中，東京交易所、中國香港聯(lián)交所以及紐約交易所的換手率分別為133%、117%、64%.

然而，我國投資者的過度交易行為往往并非基于理性決策，大量、頻繁交易不僅沒有為投資者帶來合理的回報，相反投資者往往因此蒙受損失[1].我國股市中投資者存在的嚴重過度交易現(xiàn)象，不僅可能造成投資者的個人資金損失，更為嚴重的是，在市場下跌過程中，眾多投資者的盲目交易行為所引發(fā)的“羊群效應”，將加劇我國證券市場過度波動、甚至引發(fā)恐慌性崩盤，并可能導致我國系統(tǒng)性金融危機與經濟危機的發(fā)生，為此已備受廣泛重視.

投資者情緒驅動的交易行為，已被認為是導致股市產生過度波動現(xiàn)象的重要原因[2].人的貪婪與恐懼是市場中天然的不穩(wěn)定因素，由于作為市場主體的投資者在進行投資決策時，容易受到自身情緒的影響，產生非理性偏差，情緒因素被認為是影響股票價格的系統(tǒng)性風險因子，股市中情緒因素的存在，往往會使得市場偏離理性框架下的運行軌跡，從而增大風險，加劇市場波動[3,4].因此，要想深刻理解我國A股市場過度波動的原因，有必要深入研究我國投資者情緒、投資者的交易行為與我國股票市場波動之間的動態(tài)影響關系.

本文相對于現(xiàn)有研究的主要貢獻如下.

1)在理論探討方面，在對投資者情緒與市場波動的關系研究中創(chuàng)新性地引入過度交易變量，深入分析了我國投資者情緒、交易行為與我國股票市場波動三者間的相互影響機制，并通過假設檢驗方式加以證實.是對以往文獻關于投資者情緒與股市波動關系的研究的重要補充[3, 5, 6].

雖然有眾多以往文獻涉及投資者情緒、股市波動以及過度交易等方面，但是將三者結合起來的綜合研究較少，更鮮有文獻深入對投資者交易行為與情緒和股市波動間的關系與作用機制進行考察.事實上，以往有關研究大多關注投資者情緒與市場過度波動兩者之間的關系. Shiller等早期研究通過對股市數(shù)據的實證研究發(fā)現(xiàn)，相對于基本面而言實際股價變化往往表現(xiàn)出過度波動的特征[6].Campbell將這一現(xiàn)象命名為“波動性之謎”.隨后，部分學者開始從行為金融學理論角度嘗試對“波動性之謎”做出解釋.其中，Shiller認為投資者追隨市場風氣傾向與部分社會和心理現(xiàn)象所引致的不完全判斷是造成市場過度波動的潛在解釋.Delong等進一步指出，噪音交易者非理性的情緒變化是導致股價過度波動的重要原因[7].在此基礎上，眾多國內外研究開始從理論與實證角度探討投資者情緒與股市波動兩者之間的關系，如Lee等、王美今和孫建軍、張宗新和王海亮等[2, 8, 9].但有關研究均著重探究了投資者情緒變化對股市波動的最終影響，而不涉及情緒變化對股市波動的影響機制分析.然而，投資者情緒的變化，往往更直接影響的是投資者的交易行為決策，進而導致市場交易量與波動率等的變化. Agyei-Ampomah和Davies通過對英國投資信托基金與股票市場的實證研究指出，信托基金的過度波動是由于基金價格除了對與基礎投資組合有關的信息作出反應外，還會對供求關系作出反應，因此認為基金投資者往往可能通過情緒變化驅動的更多的買賣交易行為顯著推動資產價格波動[10].然而遺憾的是，上述研究對投資者情緒、交易行為與股市波動的作用機理的分析僅停留在簡單猜想或經驗解釋階段，并沒有對三者的作用機理進行深入理論分析或提供實證論據.而在國內研究方面，相關研究同樣處于空白狀態(tài).雖然一些相關實證研究中涉及投資者交易行為，但這些文獻主要將股市總成交量或換手率作為投資者情緒或者構建情緒指數(shù)的一個代理變量，缺乏對股票市場換手率作為投資者情緒或者構建情緒指數(shù)代理變量可靠性的經驗檢驗[3,5,9,11-13].而深入分析我國股票市場的過度交易現(xiàn)象是否由投資者情緒驅動，投資者情緒變化、投資者的過度交易行為與市場波動間具有怎樣的聯(lián)系，以及三者的邏輯及因果關系是怎樣的，這對于理解我國股市波動的形成機制，進而對我國證券市場風險進行科學管理、保障我國股市健康發(fā)展，具有重要的理論與現(xiàn)實意義，這也正是本文的研究重點.

此外，對于我國而言，近年來我國證券市場進行了包括融資融券、股指期貨和股票期權市場等建設，現(xiàn)有研究大多認為在一個存在賣空限制的市場換手率可以作為投資者情緒的代理變量[8]，那么隨著我國各種賣空機制的建立與初步發(fā)展，情緒因素是否仍能顯著影響A股市場投資者交易行為，市場換手率是否仍然可以作為衡量投資者情緒的重要指標之一，以往有關研究關于換手率作為情緒指數(shù)代理變量的可靠性在賣空限制開始逐漸消除的A股市場是否仍然成立，現(xiàn)有研究缺乏這方面的經驗檢驗，本文研究也將填補這方面研究的空白.

2)在方法應用方面，采用DAG(“有向無環(huán)圖”)以及基于DAG結果的遞歸預測方差分解技術，不但克服了Granger檢驗和基于固定樣本期的預測方差分解等傳統(tǒng)方法的局限性，提高了結論的可靠性，而且深入分析了我國投資者情緒、投資者交易行為與我國股票市場波動之間的同期、以及我國證券市場融資融券、股指期貨和期權市場建立后市場處于牛熊更替不同時期的動態(tài)影響關系.

現(xiàn)有研究關于投資者情緒對我國證券市場波動等影響的文獻，大多采用Granger因果檢驗和VAR(或VECM)模型方法，如張宗新和王海亮等[9].然而，Granger因果檢驗與傳統(tǒng)的脈沖響應函數(shù)、預測方差分解方法均存在一定的局限性.Granger因果檢驗并非事實上的因果檢驗，只是檢驗統(tǒng)計上的顯著性，其結果對滯后期非常敏感，不同的滯后期會產生不同的結果[14-16]，更重要的是Granger因果關系只是建立在滯后期的意義上，并不具有經濟意義上的顯著性，而經濟意義上的顯著性是更應該關注的[15,17,18]，因此僅僅用Granger因果檢驗來研究投資者情緒與過度交易、股市波動之間的關系是不夠的.盡管脈沖響應函數(shù)、方差分解考慮了經濟變量間的關系在經濟意義上的顯著性，可以用來分析變量之間影響的有效性，但(正交化的)脈沖響應函數(shù)依賴于變量的次序，若改變變量次序，則可能得到很不相同的結果；而合理地進行方差分解的關鍵是正確設定擾動項之間的同期因果關系[19-21].然而，目前主流的研究方法為對VAR模型結構進行先驗主觀判斷、缺乏充分理論基礎和對變量順序非常敏感的Choleski分解，或者基于依然需要借助先驗信息或相關理論以對擾動項的同期關系進行設定、同樣不可避免存在主觀色彩的Bernanke結構分解[18,20,22].

事實上，Spirtes 等提出了“有向無環(huán)圖”(DAG)分析方法，很好地解決了上述問題[20].因為DAG分析方法只是通過數(shù)據的殘差方差協(xié)方差矩陣，而不需要加任何先驗的或者理論上的假設，便能確定擾動項之間的同期因果關系.并且利用DAG的分析結果，可以確定進行Bernanke結構分解時新息系統(tǒng)中的同期因果關系具體形式，避免先驗主觀判斷，并能利用基于DAG結果的預測誤差方差分解分析動態(tài)因果關系、以及經濟變量間的關系在經濟意義上的顯著性 .因此，DAG以及基于DAG結果的預測方差分解方法，被國內外學者們越來越多地運用到相關經濟研究領域[21-25].此外，遞歸的預測方差分解技術由于采用的是變動的樣本區(qū)間，可以考察變量之間影響的動態(tài)變化及其穩(wěn)健性，從而可以避免傳統(tǒng)的方差分解方法因使用固定樣本導致的缺陷.鑒于此，在國內外學者研究基礎之上，結合DAG以及基于DAG結果的遞歸預測方差分解技術，研究我國A股市場投資者情緒與投資者交易行為、市場波動之間的同期因果關系，并在此基礎上分析投資者情緒與過度交易、股市波動之間的相互影響及其動態(tài)關系.

3)在數(shù)據選擇方面，首次采用中國證券投資者保護基金發(fā)布的證券投資者信心指數(shù)(SICI)數(shù)據——這一基于問卷調查的A股市場投資者情緒權威衡量指標，不但豐富了我國投資者情緒領域的研究，為后續(xù)實證研究提供了一種度量我國投資者情緒的新方法，而且驗證了采用股市交易變量(成交量、換手率等)作為證券投資者信心指數(shù)代理變量、或者作為采用主成分分析方法構建情緒指數(shù)的代理變量之一的合理性，這將為后續(xù)有關投資者情緒領域的研究提供我國的經驗證據支持.

國內外學者提出了多種投資者情緒的度量方法.高雅等通過梳理國內外研究主題中包含“情緒”的相關文獻，將投資者情緒的構建方式分為直接利用市場交易數(shù)據作為投資者情緒代理變量; 使用主成分分析法得出情緒指標共性因子; 根據調查研究數(shù)據構建情緒指標; 提取媒體報道中關鍵詞構建情緒指標; 利用天氣、重要比賽結果、政治環(huán)境變化等影響大眾情緒事件構建指標; 對投資者情緒構建理論模型等6種[26].在上述六類分類的基礎上，進一步按照數(shù)據來源方式，將對投資者情緒的衡量方法分為以下三種：1)直接法(1)最近一些學者采用論壇貼吧、微信或微博數(shù)據等構建投資者情緒指標，事實上也可以看作是直接法的一種，如楊曉蘭等采用東方財富網吧數(shù)據構建投資者情緒指標.，即投資者調查數(shù)據法，直接利用調查數(shù)據衡量投資者情緒，這種通過對投資者的直接調查而獲得的投資者情緒指標，可以很好地直接反映投資者的心理特征，代表性文獻主要有Brown等采用的AAII情緒調查數(shù)據、Lee等及Brown 和 Cliff等采用的投資人情報情緒指數(shù)，我國學者王美今和孫建軍等采用的央視看盤指數(shù)(2)央視看盤原由CCTV-2財經頻道《證券時間》、央視網聯(lián)合百家券商共同主辦，但《證券時間》現(xiàn)已停播.參見http://finance.cctv.com/special/C21937/cctvkanpan/；http://tv.cntv.cn/videoset/C11397、程昆和劉仁等采用的《股市動態(tài)分析》好淡指數(shù)(3)《股市動態(tài)分析》雜志社于周五對被訪者關于未來股市漲跌的看法進行調查，每周六公布《股市動態(tài)分析》好淡指數(shù).好淡指數(shù)分為短期指數(shù)和中期指數(shù)，短期指數(shù)反應了被訪者對下一周的多空意見，中期指數(shù)反應了被訪者對未來一個月內的多空意見，被訪對象由50人組成，涉及不同區(qū)域與各類人員，以證券從業(yè)人員為主.但是，該指數(shù)到2014年9月已不再公布.、王道平和賈昱寧采用中國投資者分類情緒調查數(shù)據、姚加權等采用文本情緒[2, 8, 26-30, 57].2)間接法，即采用反映投資者情緒變化或受投資者情緒影響的證券市場數(shù)據作為投資者情緒的代理變量，間接法采用投資者情緒的代理變量主要包括：市場平均換手率[8, 31]、封閉基金折價[32-35]、IPO發(fā)行量及首日收益[36, 37,60]、交易所月新開戶數(shù)[36].3)復合法，通常利用幾個不同的投資者情緒代理變量，運用主成分分析法(PCA)構建情緒指數(shù)[3, 5, 9, 11, 13, 38, 56].

本文所采用的SICI指數(shù)數(shù)據屬于直接法衡量.與后兩種衡量方法相比，采用調查數(shù)據衡量投資者情緒的方法更為簡潔直觀.同時，后兩種方法要求所選取的代理變量一定要能夠很好地反映我國投資者情緒的變化，而相應變量的選取十分困難，且需要在研究過程中進行調整與檢驗.因此，在對情緒衡量的準確性方面采用SICI指數(shù)具有一定的優(yōu)勢.此外，以往的實證研究結果表明，基于調查數(shù)據的投資者情緒指標還具有后兩種方法不具有的其他優(yōu)勢.例如，Lee 等指出，作為個人投資者情緒的衡量標準，基于調查數(shù)據的證券投資者信心指數(shù)是衡量市場心理從過度悲觀到過度自信變化的良好指示變量，基于調查數(shù)據的投資者情緒指標往往包含情緒的非理性因素，從而能夠更好地反映投資者心理狀態(tài)[8].Qiu 和Welch、Schmeling等研究指出，基于消費者信心調查數(shù)據的情緒衡量能更穩(wěn)健地解釋小公司效應等市場異象[39].

1 理論分析與研究假設

關于股市過度波動的成因，眾多文獻從行為金融學角度進行了理論分析與實證研究.Shiller的研究指出，投資者追隨市場風氣傾向以及一些社會、心理現(xiàn)象導致的不完全判斷是市場過度波動的潛在解釋[6].DeLong 等構建了著名的噪聲交易者模型(DSSW模型)，其研究認為，噪聲交易者的非理性樂觀或悲觀情緒會使股價表現(xiàn)出比其內在價值更大的波動性[7].Brown采用美國個人投資者協(xié)會(AAII)的證券投資者信心指數(shù)數(shù)據的實證研究也表明，投資者情緒與封閉式基金價格波動緊密相關[27].Lee等則基于DSSW模型采用GARCH-in-mean方法，其研究表明投資者情緒是影響價格的系統(tǒng)性因子，情緒巨大的牛(熊)變化將導致波動性下跌(上漲)修復，超額收益與情緒變化同期相關，投資者情緒的變化將影響收益的波動[8].Dumas等、Mendel和Shleifer等的研究也認為，由于投資者的有限理性，損失厭惡、過度自信等情緒行為會正向影響資產價格的波動性，投資者非理性情緒對資產價格波動具有放大作用[40, 41].

在國內研究方面，在上述理論研究基礎上，我國學者利用A股市場波動及投資者情緒數(shù)據進行了一系列實證研究，均證實了投資者情緒對我國股市波動存在影響.王美今和孫建軍在DSSW模型的基礎上，將噪聲交易者進一步細分為受情緒影響的交易者與其他交易者兩類，證實了投資者在接受價格信號時，其所表現(xiàn)出來的情緒可形成影響均衡價格的系統(tǒng)性因子，并建立TGARCH-M(1,1)模型經驗分析表明，我國投資者情緒的變化不僅顯著地影響滬深兩市收益，而且顯著地反向修正滬深兩市收益波動[2].陳彥斌構建理論模型將投資者情緒波動進行了分解，證實了風險規(guī)避系數(shù)、跨期替代彈性和主觀貼現(xiàn)因子三個參數(shù)的波動將影響股票價格波動[58].韓立巖和伍燕然的研究認為，情緒和市場收益之間存在雙向反饋關系，以及情緒對市場收益的跨期反向影響和短期市場收益與情緒的相互正向影響；伍燕然和韓立巖的研究進一步指出，當投資者情緒高漲時，會推動股票的價格持續(xù)走高，但近期的價格高估將導致長期的價格回歸，使長期股票收益率下降[36, 42].張宗新和王海亮在DSSW模型的基礎上，結合貝葉斯學習過程進一步引入主觀信念調整，其研究指出市場信息使投資者信念進行調整，且通過投資者情緒反映為市場波動，并通過多元回歸與脈沖響應函數(shù)證實了這一假說[6].綜上，現(xiàn)有相關研究大多認為，投資者情緒是影響股票市場的系統(tǒng)性風險因子之一，投資者情緒變化將導致股市波動.

事實上，投資者情緒的變化，往往更直接的是影響投資者的交易行為決策，進而導致市場交易量與波動率等的變化.例如，Gervais和Odean的研究認為，具有過度關注成功而忽略失敗為特征的“過度自信”交易者，在調整主觀信念時，將認知自身高能力的權重過度放大，形成了過度樂觀的情緒，這種情緒將影響投資者行為決策，進而引起了資產市場價格的波動[43].Baker 和Stein的研究證明，在一個存在賣空限制的市場，非理性投資者當且僅當其對股市樂觀時才會參與交易，從而增加市場流動性，情緒高漲往往會產生高換手率，高換手率是市場存在價值高估的征兆，即表明市場存在過度交易現(xiàn)象，因此換手率(或更為廣義地，由其代表的市場流動性)可作為情緒的一個間接衡量指標[5].在此基礎上，有學者進一步指出，投資者情緒、過度交易與股市波動三者的關系可能是投資者情緒變化引發(fā)的過度交易行為引致了股市波動性變化. Agyei-Ampomah和Davies認為，投資者情緒通過影響其日度買賣決策，從而將影響資產價格波動性[10].在國內研究方面，伍燕然和韓立巖認為，投資者情緒高漲時，對于風險資產的需求將上升，這將推動股票價格上漲，價格的上漲又將使正反饋投資者加入推動風險資產價格的行列中，使得價格繼續(xù)上揚，甚至遠離基本價值；當投資者情緒轉為悲觀時，則將引發(fā)其賣出股票，正反饋投資者也會由于股票價格下跌進行拋售[36].綜上所述，根據以往相關文獻及邏輯分析，可以認為投資者情緒、交易行為與市場波動間的一項可能關系為：作為市場主體的投資者在進行投資決策時，容易受到自身情緒的影響，產生非理性偏差，因而情緒因素會成為影響股票價格的系統(tǒng)性風險因子.而情緒變化作用于投資者的交易決策行為，進而導致市場波動性的變化.

基于上述分析，提出以下研究假設.

假設1投資者情緒的變化，將影響投資者的交易行為決策，進而導致市場交易量的變化，引起市場波動.

對市場波動性存在較大影響的另一項重要因素是賣空限制.陳淼鑫和鄭振龍等眾多研究均表明，賣空機制能夠起到平抑股價波動、穩(wěn)定市場的功能，存在賣空限制將加劇股市波動[59].雖然自2010年3月31日我國已開通融資融券業(yè)務，2010年4月16日正式推出滬深300股指期貨上市交易，2015年2月9日推出上證50ETF期權，但是事實上至今我國融券規(guī)模和期權市場容量依然較為有限，股指期貨市場也仍然受到較大限制，上述賣空機制門檻相對較高，對于我國仍然以散戶為主的A股市場而言，絕大多數(shù)投資者均面臨較強的賣空限制.對于我國當前A股市場而言，投資者情緒高漲時，將增加對風險資產的需求，大量買入股票資產，使得股票價格上漲，由于杠桿交易與程序化交易的存在，股票價格的上漲又將誘發(fā)跟隨策略的實施導致更大的買入、以及擔保品價格的上升可以實施更大的融資買入行為；但是，當投資者情緒轉為悲觀或者市場出現(xiàn)負向波動時，由于絕大多數(shù)投資者面臨較強的賣空限制無法對沖市場下跌風險只能集中賣出股票，使得股票價格短期大幅下跌，此時程序化交易將誘發(fā)大量的跟隨賣出、擔保品市值的下跌也將強制杠桿交易者執(zhí)行減倉賣出甚至強制平倉，導致整個股票市場暴跌甚至崩盤與系統(tǒng)性危機的發(fā)生.

據此，提出以下研究假設.

假設2在市場對沖機制受限條件下，尤其當存在杠桿交易與程序化交易時，市場波動將導致投資者大量被動交易.

此外，近年來隨著微博、微信等互聯(lián)網通訊技術的興起，任何可能導致投資者情緒樂觀與悲觀情緒的事件，很容易在廣大范圍內快速傳播，導致投資者情緒傳染性不斷加強.任何情緒變化將被通過互聯(lián)網快速傳播與放大，這一特征在出現(xiàn)不利事件導致市場快速下跌時表現(xiàn)得尤為明顯.隨著風險事件持續(xù)發(fā)酵，將進一步加劇投資者的恐慌情緒，使之大量拋售風險資產進行避險.加之當前杠桿交易與程序化交易的大量應用，收到賣出信號后系統(tǒng)自動的資產拋售行為將更加快速，疊加產生的市場“踩踏事件”將進一步加大資產價格波動，加劇市場風險，從而產生了投資者情緒與股市波動間自我實現(xiàn)的“正反饋效應”.例如，2018年6月15日，美國總統(tǒng)特朗普對約500億美元中國產品加征關稅.隨著信息的迅速傳播與避險情緒的持續(xù)發(fā)酵，6月19日開盤A股市場大幅下挫，上證指數(shù)收盤跌幅達3.78%.2019年5月5日，特朗普再次通過推特威脅對價值2 000億美元的中國商品的關稅增加到25%，5月6日，A股市場再度大跌，上證指數(shù)大幅收跌5.58%.由此可見，互聯(lián)網通訊時代，投資者情緒表現(xiàn)出較強的自我實現(xiàn)特征，情緒變化通過交易行為作用于市場，并通過市場風險特征變化對情緒產生正向反饋，當投資者情緒樂觀時將更加樂觀，而當悲觀情緒形成后將導致其更加悲觀，市場風險也隨之上升.

因此，提出以下研究假設.

假設3隨著互聯(lián)網通訊技術與杠桿交易的興起，投資者情緒與市場波動將出現(xiàn)具有較強的“自我實現(xiàn)”機制，即情緒與波動的正反饋效應.

2 模型與數(shù)據說明

2.1 模型與估計方法

為分析投資者情緒、股市波動與過度交易間的邏輯關系及其相互影響機制，先建立如下向量自回歸模型(VAR)

(1)

其中yt為3×1階向量，Γi為系數(shù)矩陣，c為截距向量，εt為擾動項.在預測誤差方差分解的識別結構時，由于Choleski分解采用遞歸的識別結構而對經濟系統(tǒng)設置了一個不現(xiàn)實的假設，且對變量的順序非常敏感，不同的變量順序導致的結果有很大的不同[22].為了解決上述問題，Bernanke和Sims提出了結構分解方法[26, 44].按照Bernanke和Sims的做法，新息系統(tǒng)可以由如下式子構成

(2)

其中aij(i,j=1,2,3)為新息系統(tǒng)中的同期因果關系，它們或者是被賦0或者被估計出來.本研究中，e1t為情緒方程第t期的殘差項(非正交)，e2t為股票價格波動方程第t期的殘差項，e3t為過度交易方程第t期的殘差項，uit為對應的正交化的結構沖擊.由于正確地設定擾動項之間的同期因果關系是合理地進行VAR模型方差分解的關鍵[22, 44]，為了解決正確地設定擾動項之間的同期因果關系，運用Spirtes等提出的“有向無環(huán)圖”(DAG)分析方法確定同期因果關系，然后基于DAG結果構建VAR模型并進行相關分析.

2.2 變量及數(shù)據說明

1)證券投資者信心指數(shù)及其說明

投資者情緒衡量指標采用中國證券投資者保護網定期發(fā)布的證券投資者信心指數(shù)(SICI).該指數(shù)數(shù)值介于0～100之間，50為中性值.指數(shù)大于50時，表示投資者中持積極、樂觀態(tài)度的比例大于持消極、悲觀看法的比例，投資者情緒整體較為樂觀.指數(shù)值越高，表示投資者情緒越高漲.指數(shù)小于50時，表示投資者中持積極、樂觀看法的比例小于持消極、悲觀看法的比例，投資者情緒整體較為悲觀，采用這種方法衡量投資者情緒，屬于投資者調查數(shù)據法.

本文所采用的證券投資者信心指數(shù)，整理自中國證券投資者保護網各期《證券投資者信心調查專報》，具體數(shù)據請見附錄.

2)波動率的衡量及其說明

波動率模型一般可分為三種類型：(1)歷史波動率模型，即基于歷史收益率數(shù)據衡量波動性.(2)隱含波動率模型，即從期權價格等市場數(shù)據中，根據衍生品定價模型(如Black-Scholes-Merton模型)提取標的資產的波動率.(3)實現(xiàn)波動率模型，即使用基于交易期內高頻收益數(shù)據計算波動率.其中，歷史波動率模型又可以進一步分為三類：(1)方差或標準差度量[4,5].(2)ARCH族模型，該類模型由Engle提出，以衡量一種時間序列數(shù)據的特殊異方差現(xiàn)象，即“自回歸條件異方差”[45].由于ARCH模型考慮了方差的波動性，很好地反映了金融市場數(shù)據的波動集聚效應，故可以更好地預測市場波動即方差.隨后，在ARCH模型的基礎上，眾多學者對其進行了推廣，如Bollerslev的廣義自回歸條件異方差模型[46].(3)隨機波動率模型，該種方法由Taylor提出[47].余素紅和張世英指出，時間序列存在分布“高峰厚尾”性和平方序列微弱、持續(xù)的自相關性，而SV模型能夠更好地刻畫這一性質[48].宋逢明和江婕指出，SV模型與ARCH族模型相比，利用了更多可獲得的信息[49].

在股市波動率研究方面，一個值得注意的問題是波動具有不對稱性.Black指出，資產波動性與資產收益率負相關.即當證券價格上漲時，收益率為正，波動性下降；資產價格下降時，收益率變?yōu)樨撝?，波動性反而上升[50].經驗表明，波動性較高的時期經常與證券市場的下跌相關，而波動性低的時期時常與證券市場上漲緊密相關.Campbell和Hentschel認為，這一現(xiàn)象可通過杠桿效應(leverage effect)解釋，即股價下跌會提高公司財富杠桿，從而提高公司風險，進而通過股價波動性增大表現(xiàn)出來[51].在計量方法上，ARCH族模型中，Nelson提出的EGARCH模型，以及Glosten等提出的GJR GARCH模型(TGARCH模型)等方法均能較好地描述資產波動的這種不對稱性.同時，隨機波動率模型(SV)也發(fā)展出了可以衡量股市波動不對稱性的杠桿隨機波動率模型(leverage SV).基于眾多實證研究，“杠桿效應”存在于中國股市已成為不爭的事實，眾多學者采用帶杠桿效應的模型衡量我國的股市波動，如王美今和孫建軍的TGARCH-M(1,1)模型、陳浪南和黃杰鯤的GJR GARCH模型、鄭振龍和湯文玉的EGARCH-M(1,1)模型、孟利鋒等的杠桿SV模型等[2, 52-54].

由于我國期權市場數(shù)據不足，難以計算隱含波動率.因此，主要選取歷史波動率模型估計A股市場波動率(4)參照Merton，本文采用的歷史波動率模型也結合了實現(xiàn)波動率計算方法，即通過各指數(shù)的日度收益率數(shù)據估計月度波動..具體而言，分別采用EGARCH-M(1,1)模型和帶杠桿的隨機波動率模型(leverage SV)兩種方法對上證指數(shù)、深圳成指與滬深300指數(shù)分別進行波動率估計.其中，EGARCH-M(1,1)模型估計利用EViews 7.2軟件,帶杠桿的隨機波動率模型估計利用Winbugs 1.4軟件.模型具體形式如下

a．EGARCH-M(1,1)模型

(3)

(4)

其中系數(shù)γ代表市場波動的不對稱效應.

b.帶杠桿的隨機波動率模型

rt=exp (θt/2)εt

(5)

θt=ω+?(θt-1-ω)+ηt

(6)

(7)

采用馬爾科夫鏈蒙特卡洛(Markov Chain Monte Carlo, MCMC)估計方法，根據Kim和Shepherd，選取參數(shù)先驗分布為

ω～N(0,102),ση～IG(2.5,0.025),?1～Beta(20,1.5),θ0～N(μ,τ2),ρ～U(-1,1)

其中IG表示逆Gamma分布，Beta表示Beta分布.設?=2?1-1，選取初始值ω=0，?=0.975，τ=0.02，ρ=0.進行Gibbs抽樣，首先進行5 000次迭代，再舍棄(burn in)原迭代,重新進行35 000次迭代，以保證參數(shù)收斂性.

3)過度交易的衡量及其說明

過度交易的衡量相對較為困難.Odean指出，世界金融市場的交易量很大，但理論模型難以衡量真實市場中的交易量應該為多少，即難以衡量交易量是否過高[55].理論模型給出的交易量從零(不存在噪音的理性預期模型)到無限(不存在交易成本，完全對沖).目前，對過度交易衡量的一種觀點為，可通過股民的交易行為收益能否覆蓋其投資機會成本，判斷是否存在過度交易[1, 61].上述方法較為科學、準確.但其缺點為數(shù)據難以獲取，且計算量大.因此，也有學者采取成交量或換手率衡量過度交易[62, 63].相較而言，這類方法數(shù)據更容易獲取，且更為簡單直觀.

分別選取總成交量(VOL)與總換手率(TURN)兩個指標衡量過度交易.其中，市場總換手率的計算方法為，用市場整體交易金額和流通市值做比，以此說明A股市場兩市交易的整體頻繁程度.

最后，鑒于中國證券投資者信心指數(shù)始于2008年4月，最終研究樣本期間選取2008年4月1日至2020年12月31日共計153個月(包含3 105個交易日).其余數(shù)據均來自Wind數(shù)據庫與CCER經濟金融數(shù)據庫.

3 實證結果與分析

3.1 變量平穩(wěn)性檢驗

首先對各變量進行平穩(wěn)性檢驗.采用ADF方法對所有變量進行單位根檢驗，檢驗結果如表1所示.由表1可知，當對證券投資者信心指數(shù)(SICI)、兩市總換手率(TURN)和采用杠桿SV模型計算的滬深300指數(shù)波動率(VHS300)的水平值進行檢驗時，在5%的顯著性水平下檢驗結果均拒絕存在單位根的原假設.因此，可確定上述各時間序列均為平穩(wěn)過程.

表1 單位根檢驗

3.2 同期因果關系的DAG及結構VAR識別

對證券投資者信心指數(shù)(SICI)、兩市總換手率(TURN)和滬深300指數(shù)波動率(VHS300)建立VAR模型，最終得到的殘差相關矩陣如下(5)VAR模型的具體回歸結果可向作者索取.

(8)

上述殘差相關矩陣是同期因果關系分析的基礎，為運用有向無環(huán)圖(DAG)分析證券投資者信心指數(shù)(SICI)、兩市總換手率(TURN)和滬深300指數(shù)波動率(VHS300)之間的同期因果關系，以無向完全圖開始.圖1(a)為三個變量的完全無向圖，在無向完全圖里面，每個變量之間都有一條邊連結，這個等同于式(2)中，左邊的系數(shù)矩陣完全不受任何約束.運用軟件TETRAD III，利用它已經設計好的程序PC算法來分析上述變量間的同期因果關系.無條件相關系數(shù)的分析結果表明，在5%的顯著性水平下，SICI和VHS300的相關系數(shù)為-0.092 7，其p值為0.255 2，說明無條件相關系數(shù)顯著為0，這樣就可把表示SICI與VHS300之間的同期因果關系連線去掉，即SICI與VHS300之間不存在同期因果關系；而其它兩條邊在5%的顯著性水平下不能被刪掉，因此最后只剩下SICI-TURN-VHS300.這樣，SICI與TURN相鄰，VHS300與TURN相鄰，由于TURN不屬于SICI與VHS300的“分離集”，根據Spirtes等提出的有向圖算法(PC算法)，可以推斷出證券投資者信心指數(shù)(SICI)、兩市總換手率(TURN)和滬深300指數(shù)波動率(VHS300)之間的同期因果關系為SICI→TURN←VHS300.

綜上，DAG分析結果表明，在5%的顯著性水平下，證券投資者信心指數(shù)(SICI)、兩市總換手率(TURN)和滬深300指數(shù)波動率(VHS300)之間的同期因果關系及其影響方向為：存在投資者情緒到過度交易變量和滬深300指數(shù)波動率到過度交易變量的同期因果關系，而投資者情緒與滬深300指數(shù)波動之間并不存在顯著的同期因果關系，如圖1(b)所示.也就是說，就同期相互影響關系而言，我國證券市場的投資者情緒變化將影響我國投資者的交易行為，我國投資者的信心情緒變化是導致我國投資者過度交易的重要的原因；我國A股市場波動也將顯著影響我國投資者的交易行為，我國證券市場的過度波動也是導致我國投資者過度交易的重要原因，這可能與我國A股市場仍然以散戶為主、機構與個人投資者均廣泛存在的追漲殺跌的羊群行為分不開的；但是投資者情緒和股市波動之間并不存在顯著的同期相互影響.

圖1(a) 無向完全圖 圖1(b) 有向無環(huán)圖(DAG)

(9)

為檢驗上述約束式(9)的合理性，進行了T檢驗和Sims似然比檢驗.T檢驗表明，兩個非零值(-0.07和-44.85)的t值分別為-5.24和-44.85，均顯著不為零.此外，對上述DAG結果的Sims似然比檢驗結果(Sims統(tǒng)計量值等于1.302，P值為0.25)表明，在5%的顯著水平下無法拒絕“過度約束為‘真’”的原假設(在10%的顯著性水平下，也無法拒絕原假設)，從而表明施加的約束是合理的，從而也就確定了新息系統(tǒng)中的同期因果關系系數(shù)矩陣為(9).這也充分說明，上述DAG分析的結論“存在投資者情緒變量到過度交易變量和股市波動變量到過度交易變量的同期因果關系，而投資者情緒變量與過度交易變量之間不存在同期因果關系”是可靠的.

3.3 建立在DAG基礎上的預測誤差方差分解

由于有向無環(huán)圖(DAG)主要是判斷經濟變量之間是否存在同期因果關系以及這種因果關系的具體指向，為了分析投資者情緒與股市波動、過度交易之間的動態(tài)影響機制及其影響程度，基于DAG的分析結果對VAR模型進行了預測誤差方差分解(表2).

預測誤差方差分解結果(表2)表明，在預測期第1期(月)，投資者情緒對過度交易的解釋超過11%，這一結果與DAG的同期因果關系一致，同時也證實了Baker和Stein以及易志高和茅寧的觀點[5,12]：投資者情緒與過度交易行為間具有顯著的單向同期因果關系.因此，可以認為至少在我國A股市場，情緒變化能夠通過投資者的交易行為變化表現(xiàn)出來，采用成交量或換手率作為投資者情緒的代理變量具有顯著經濟意義.此外股市波動對過度交易的解釋度達28%，這與上文DAG的同期因果關系判斷結果一致.這進一步說明，投資者情緒變化與股市的波動均可顯著影響我國A股市場投資者的交易行為，且這一影響的作用效果較快，時滯較短.

那么，隨著預測期的延長，投資者情緒與股市波動對投資者交易行為的影響有何變化呢？預測誤差方差分解的結果(表2)表明，中長期內投資者情緒對過度交易變量的解釋力迅速上升，在6個月后增至32%，一年后投資者情緒沖擊對過度交易變量的解釋將近35%；而股市波動變量對過度交易的解釋力在中長期內變化不大，且在第3個月后下降至25%以下.這一現(xiàn)象說明，投資者情緒變化對投資者交易行為的中長期影響更為顯著，而相比之下，股市波動對投資者交易行為的影響更偏重于短期效應.因此，可以認為在短期內，投資者更多地根據市場的波動狀況采取短期避險等措施，從而影響其自身的交易行為；而在中長期內，在投資者的交易行為決策過程中，反應投資者對市場未來走勢預期的情緒因素顯得更為重要.這一結果說明，中長期內投資者交易行為的變化能夠更好地反映其情緒變化，采用交易變量(換手率或成交量)作為情緒的代理變量，在較長期限內同樣具有其合理性.

此外，預測誤差方差分解結果還表明，在短期內，過度交易變量完全不能解釋投資者情緒和股市波動變量(預測第一期解釋度均為0).而中長期內，過度交易變量對投資者情緒變量的解釋力始終較小(即使在一年期，過度交易變量對投資者情緒的解釋程度也不足1%).同時，過度交易變量在中長期內對股市波動變量的整體解釋力也相對較弱(6個月期和一年期時均低于1%).這一結果部分證實了Agyei-Ampomah 和 Davies的觀點[10]，說明在中長期內，交易行為變量會在一定程度上影響股市波動變量，投資者過度的交易可能造成股市風險加劇.

另外，預測誤差方差分解結果也表明，投資者情緒對自身波動的解釋力較大，在一年時間內，投資者情緒沖擊對自身波動的解釋均仍在90%以上.這說明，投資者情緒的波動，主要來自于其自身觀念變動導致的慣性變動，導致這種累積性的慣性變動因素可能包括投資者對經濟基本面因素的分析和對股市未來發(fā)展的預期等.

表2 基于DAG分析結果的預測誤差方差分解(%)

預測誤差方差分解結果還表明，在預測第一期(月)，投資者情緒變量不能解釋股市波動性的變化，而股市波動變量也不能解釋投資者情緒變量的變化.而在中長期，股市波動變量能在一定程度上解釋投資者情緒變量的變化(6個月后股市波動變量對投資者情緒變量的解釋接近6%).這說明雖然股市在短期內的波動現(xiàn)象不能對投資者情緒產生影響，但較長時間的持續(xù)波動可能會造成對投資者情緒變量的沖擊，影響投資者對于后市的信心.同時，中長期內投資者情緒變量對股市波動變量的解釋力也變得較強(6個月后的解釋程度接近5%，12個月后接近6%).這表明，對投資者情緒變量的沖擊在中長期可以為股市波動提供一定的解釋，投資者情緒的巨幅變動可能是導致股市出現(xiàn)系統(tǒng)性風險的因素之一.這一結論與Lee等、王美今和孫建軍、張宗新和王海亮等的研究結果一致.綜上所述，基于DAG的預測誤差方差分解結果支持了假設1，即投資者情緒的變化，將影響投資者的交易行為決策，進而導致市場交易量的變化，引起市場波動.

3.4 穩(wěn)健性分析

1)樣本的穩(wěn)健性檢驗

為探究本文結論對我國滬深兩市A股市場是否分別成立，并驗證結論的合理性、穩(wěn)健性與可靠性，股市波動變量采取帶有杠桿效應的EGARCH-M(1,1)模型(模型設定參見前文第3部分)，過度交易變量(DVOL)采用滬深兩市成交量(對原始數(shù)據取對數(shù)，再進行差分以消除單位根)，并分別采用上證指數(shù)和深證成指數(shù)據，進行樣本穩(wěn)健性分析(具體結果可向作者索取)，原始數(shù)據均來源于CCER中國經濟金融數(shù)據庫和WIND數(shù)據庫.

有向無環(huán)圖(DAG)分析的結果表明，在5%的顯著性水平下(在5%和10%的顯著性水平下，結果相同)，證券投資者信心指數(shù)(SICI)、股市波動變量(VSH/VSZ)和過度交易變量(DVOL)之間的同期因果關系及其影響方向仍然為：SICI→TURN(DVOL)←VHS300(VSH/VSZ)，即存在投資者情緒到過度交易和股市波動到過度交易的同期因果關系，而投資者情緒與股市波動之間不存在同期因果關系.

表3(a) 建立在DAG基礎上的預測誤差方差分解(%)(滬深300，成交量，EGARCH-M(1,1))

表3(b) 建立在DAG基礎上的預測誤差方差分解

表3(c) 建立在DAG基礎上的預測誤差方差分解(%)

2)遞歸的預測方差分解分析

由于自2008年4月以來，我國證券市場不但經歷了幾次牛熊轉換，而且經歷了包括融資融券、股指期貨和股票期權市場等制度與機制的建設和變革，這些變化可能導致我國投資者情緒、投資者交易行為與市場波動發(fā)生系統(tǒng)性改變，以及我國投資者情緒、投資者交易行為與市場波動相互影響機制的變化.圖2關于我國證券市場自2008年4月以來的投資者信心指數(shù)、滬深300指數(shù)波動率與A股市場總換手率顯示，我國投資者情緒、兩市換手率與市場波動在樣本期內發(fā)生了較大的變化.因此，有必要對這些動態(tài)變化進行分析.

圖2 證券投資者信心指數(shù)、 滬深300指數(shù)波動率與A股市場總換手率

為了進一步考察投資者情緒與股市波動、過度交易之間影響在不同時間樣本區(qū)間的動態(tài)變化，并進一步檢驗本文基于有向無環(huán)圖(DAG)技術識別VAR模型得出的結論在樣本區(qū)間內是否穩(wěn)健，基于DAG分析的結果進一步作了遞歸的預測方差分解分析.在預測方差分解分析中以2008年4月至2010年4月為基期，作第一次方差分解分析，以2008年4月到2010年5月作第二次方差分解分析，依次類推直到整個樣本期2008年4月到2020年12月，并把每次回歸的第12個月的預測誤差方差分解繪成如圖3(a)～圖3(c).通過遞歸的預測方差分解的穩(wěn)健性檢驗結果可以看出，盡管改變了樣本期，但是總體而言，本文關于我國投資者情緒、投資者交易行為與市場波動相互影響關系的結論是較為穩(wěn)健的，盡管動態(tài)影響程度隨著近年來我國證券市場改革與發(fā)展有所變化.

具體而言，對投資者情緒基于DAG的遞歸預測方差分解(圖3a)的實證結果顯示，從2010年4月到2020年12月，投資者情緒對自身的解釋力逐漸提高，從2010年的70%左右達到2016年的超過90%，隨后一直保持在90%以上.也就是說，我國投資情緒的“自我實現(xiàn)”機制不斷加強，當投資者情緒樂觀時將更加樂觀，而悲觀情緒形成后將導致其更加悲觀，事實上這與近年來我國互聯(lián)網及時通訊技術迅速發(fā)展等密切相關的，如2011年初微信的出現(xiàn)使得樂觀或悲觀信息很容易被快速傳遞與擴散，另外近年來微博、股吧以及媒體和分析師的過度解讀、渲染甚至引導與煽動輿情，也是導致我國投資者情緒“自我實現(xiàn)”與“自我強化”機制加強的重要因素.此外，遞歸結果顯示，過度交易對我國投資者情緒的影響程度不斷降低，從分析初期的30%左右降至分析末期的1%以下，該現(xiàn)象說明隨著我國股票市場的發(fā)展，我國投資者不斷趨于理性，投資情緒受市場非理性交易行為的影響不斷減少.另外，遞歸結果還表明，股市波動對投資者情緒的影響從分析初期的8%左右降至2015年初期的1%左右，但是在2015年下半年的我國股市暴跌時一度有所上升至10%左右，后逐步回落至5%附近.上述結果表近年來市場波動對我國投資者情緒具有一定影響，雖然該影響總體在減弱，但是當市場出現(xiàn)較大波動尤其是市場暴跌時，市場波動對我國投資情緒的影響將會變大.

對股市波動變量基于DAG的遞歸預測方差分解(圖3b)的經驗研究結果表明，在分析前期，我國股市波動對自身的解釋程度基本處于穩(wěn)步上升趨勢，從2010年初的40%左右逐步上到90%以上，也就是說，近年來我國證券市場波動的“自我實現(xiàn)”機制也在不斷加強，我國A股市場波動性的這種“自我強化”機制的不斷增加，事實上是與2010年3月末我國開通融資融券業(yè)務、A股市場場內外杠桿交易規(guī)模不斷擴大、采用趨勢跟隨策略的程序化交易興起等密切相關的.此外，投資者情緒和過度交易變量對我國A股市場波動的解釋程度，總體而言呈不斷下降趨勢，但值得注意的是，我國證券市場投資者情緒與交易行為在市場的不同時期，對于A股市場波動的影響有所區(qū)別，在2015年下半年我國A股市場暴跌時，投資者情緒與市場交易變化對A股市場波動的解釋力顯著上升，該現(xiàn)象說明，隨著我國證券市場發(fā)展非理性的投資者情緒與市場交易行為對于A股市場波動的影響日益減少，但在市場暴跌過程中投資者仍難以達到完全理性，此時投資者的非理性情緒與交易行為依然能夠對我國股市波動產生顯著的影響，導致我國證券市場風險加劇，這一結果再次部分證實了投資者情緒驅動的過度交易行為是引致股市巨幅波動的重要原因之一.

最后，關于過度交易的遞歸預測方差分解結果(圖3c)表明，在樣本期間內，投資者情緒對過度交易的影響總體而言基本保持在20%～40%之間，這說明，近年來在中國A股市場，情緒因素對我國A股市場投資者的交易行為影響仍然較大，投資者交易行為的變化能夠較好地反應其情緒變化，這也進一步從實證經驗上驗證了Baker和Wurgler、Baker等、易志高和茅寧、楊墨竹以及張宗新和王海亮等關于我國投資者情緒的相關研究中，采用反應投資者交易行為的指標(成交量、換手率等)作為情緒指數(shù)代理變量的合理性與可靠性[4,9,11-13]；另外，尤為值得注意的是自2014年下半年A股牛市以后我國證券市場進入一個暴漲與暴跌的過度波動時期，此時投資者情緒變化對投資者交易行為的影響程度有一個顯著的平臺式上升，投資者情緒變化對過度交易變量的解釋力從之前的20%左右提高至30%～40%左右，這表明在我國A股市場短期過度波動時期投資者的情緒波動將導致非理性交易行為增加，因此，為減少我國投資者的非理性過度交易行為，對投資者情緒的合理引導、限制煽動市場情緒行為十分必要.此外，遞歸結果還表明，我國證券市場波動對A股市場過度交易的影響從2010年初的20%左右逐漸提高至2013年～2014年的30%左右，后在2015年股災后回歸20%附近水平.事實上，這也是與我國與2010年3月末我國開通融資融券業(yè)務、A股市場場內外杠桿交易規(guī)模不斷擴大、采用趨勢跟隨策略的程序化交易興起等密切相關的，在上述杠桿交易與程序化交易機制下，我國A股市場一旦出現(xiàn)趨勢性上漲將導致短期大量的買入交易，而一旦出現(xiàn)下跌趨勢則將引發(fā)短期內大量的賣出交易. 這一結論進一步證實了假設2，

圖3(a) 投資者情緒基于DAG的遞歸預測方差分解

圖3(b) 股市波動基于DAG的遞歸預測方差分解

圖3(c) 過度交易基于DAG的遞歸預測方差分解

即在市場對沖機制受限條件下，尤其當存在杠桿交易與程序化交易時，市場波動將導致投資者大量被動交易.同時，這一結果也從側面證實了陳淼鑫和鄭振龍等關于賣空機制與市場波動的研究結果，即賣空機制能夠起到穩(wěn)定市場的功能，存在賣空限制將使投資者更易在市場波動期間產生大量“追漲殺跌”的非理性交易行為[59].此外，與對投資者情緒基于DAG的遞歸預測方差分解(圖3a)的實證結果結合分析表明，近年來我國A股市場投資者情緒存在較強的“自我實現(xiàn)”機制，即當情緒大幅波動出現(xiàn)后，將導致投資者產生過度交易行為，從而造成市場波動性加劇，風險增大.而較大的市場風險將正反饋至投資者的悲觀情緒，使之再度加強，進一步加劇了我國證券市場風險.這一結果驗證了假設3，即隨著互聯(lián)網通訊技術與杠桿交易的興起，投資者情緒與市場波動將出現(xiàn)較強的“自我實現(xiàn)”機制.

3)對不同情緒指數(shù)的對比及穩(wěn)健性檢驗

本文采用的中國證券投資者信心指數(shù)(SICI)基于對證券投資者的直接調查數(shù)據，屬于采用直接法構建的情緒指數(shù).為檢驗SICI指數(shù)對我國A股市場投資者情緒的代表性，并進一步驗證實證研究結果的穩(wěn)健性，本文以基于易志高和茅寧方法構建的中國股票市場投資者情緒綜合指數(shù)(CICSI)作為采用復合法構建的證券投資者信心指數(shù)的代表，對SICI指數(shù)進行替換.CICSI指數(shù)數(shù)據來自國泰安CSMAR經濟金融研究數(shù)據庫.

首先將本文采用的證券投資者信心指數(shù)(SICI)與中國股票市場投資者情緒綜合指數(shù)(CICSI)進行對比，如圖4所示.

圖4 SICI指數(shù)與CICSI指數(shù)對比圖

由圖4可見，SICI指數(shù)與CICSI指數(shù)在樣本期間的波動趨勢大體保持一致，且情緒變化趨勢與中國A股市場走勢基本一致，說明這兩種指數(shù)均能較好地衡量我國股市的投資者情緒變化.同時通過觀察圖4可以發(fā)現(xiàn)，SICI指數(shù)在樣本期內的某些時期略微領先于CICSI指數(shù)，如2010年10月～2010年11月、2011年2月～2011年3月、2013年5月～2013年10月、2014年7月～2014年12月、2015年3月～2015年8月、2016年5月～2016年6月、2017年5月～2017年8月以及2018年11月～2019年5月等.導致這一現(xiàn)象的可能原因是，證券投資者信心指數(shù)(SICI)基于對投資者的直接調查，能夠更加及時地反應投資者情緒變化.而投資者的情緒作用于其投資交易行為，進而對CICSI指數(shù)選取的各間接指標產生作用有時會存在一定時滯，從而使基于間接指標的采用復合法構建的情緒指數(shù)在時效性方面不及基于調查數(shù)據的采用直接法構建的情緒指數(shù).

隨后，采用中國股票市場投資者情緒綜合指數(shù)(CICSI)與兩市總換手率(TURN)和滬深300指數(shù)波動率(VHS300)建立VAR模型并得到殘差相關矩陣，根據Spirtes等提出的有向圖算法(PC算法)通過去邊與定向兩個步驟，最終得到各變量間的同期因果關系如圖5所示.

圖5 采用CICSI指數(shù)的有向無環(huán)圖

由圖5可知，采用中國股票市場投資者情緒綜合指數(shù)(CICSI)作為投資者情緒衡量指標時與兩市總換手率(TURN)和滬深300指數(shù)波動率(VHS300)之間的同期因果關系為CICSI→TURN←VHS300，即存在投資者情緒到過度交易變量和股市波動到過度交易變量的同期因果關系，而投資者情緒與股市波動之間并不存在顯著的同期因果關系.這一結果與采用中國證券投資者信心指數(shù)(SICI)衡量投資者情緒時完全一致.

此外，為進一步證實對于投資者情緒與股市波動、過度交易之間的動態(tài)影響機制及其影響程度的實證研究結果的穩(wěn)健性，將SICI指數(shù)替換為CICSI指數(shù)，基于DAG的分析結果構建了VAR模型并進行預測誤差方差分解，結果如表4所示.

表4 采用CICSI指數(shù)時基于DAG分析結果的預測誤差方差分解(%)

由表4結果可知，在影響方向上，無論是在分析同期還是滯后期內，各變量間的相互影響方向均與正文中結論完全一致，即在分析同期只存在由投資者情緒變量和股市波動變量到過度交易變量的影響，而在滯后期內各變量均能被自身與其余兩變量有所解釋.而在影響程度上，在滯后期內投資者情緒指標無論是對自身還是對過度交易變量的解釋程度均比原文有較大幅度下降，同時過度交易變量無論是對自身還是對投資者情緒指標的解釋程度均有較大幅度提升.究其原因，這正是由于兩種方法在指數(shù)構建過程中的差異造成的.易志高和茅寧在構建CICSI指數(shù)過程中，通過選取六項間接指標并提取各間接指標的前五階主成分作為指數(shù)值.但實際上，影響投資者情緒的因素涵蓋國內、國際政治經濟金融形勢環(huán)境、股市有關政策變化、投資者教育水平等諸多方面，其包含的信息遠非六項指標能夠完全體現(xiàn).而其選取的六項間接指標中的一項即為股市交易量除以流通市值指標，這表明CICSI指數(shù)中相對更多地包含了投資者通過其交易行為所體現(xiàn)的信息，而忽略了部分其他潛在影響因素所包含的信息.因此實際上采用CICSI指數(shù)的分析結果高估了投資者交易行為對自身以及對情緒變化的解釋力，而低估了投資者情緒對自身變化以及對其交易行為的解釋力.而原文采用的SICI指數(shù)為直接通過對投資者的問卷調查統(tǒng)計得出，能夠充分將其在投資決策過程中獲得的各項信息直接反應在指標值變化上，從而使分析結果更加準確.因此可以認為，這也體現(xiàn)了采用直接法構建的證券投資者信心指數(shù)相較采用基于間接指標的復合法構建指數(shù)的另一項優(yōu)勢.除此之外，采用CICSI指數(shù)后基于DAG的預測誤差方差分解的其他主要結果均與正文一致.上述結果表明，本文主要實證結果是穩(wěn)健的，前文研究結論是準確的、可信的.

綜上所述，采用中國股票市場投資者情緒綜合指數(shù)(CICSI)與本文采用的證券投資者信心指數(shù)(SICI)刻畫的投資者情緒具有較強的一致性，且采用CICSI指數(shù)時，無論是采用有向無環(huán)圖(DAG)技術識別得到的變量間同期因果關系還是基于DAG得到的預測誤差方差分解結果，均與原文結果一致.由于基于間接指標采用復合法構建的CICSI指數(shù)與本文采用的基于直接調查數(shù)據的SICI指數(shù)分別屬于兩種不同類型的情緒指數(shù)構建方法，且均具有較強的代表性與權威性，因此可以認為本文采用的SICI指數(shù)能夠較為精準地刻畫投資者情緒變化，且實證研究結論的準確性、穩(wěn)健性進一步得到了證實.

4 結束語

本文首次采用基于中國證券投資者保護基金調查數(shù)據的證券投資者信心指數(shù)(SICI)數(shù)據，結合“有向無環(huán)圖”(DAG)和遞歸的預測方差分解技術，克服了現(xiàn)有文獻采用Granger因果性檢驗以及基于固定樣本期的預測方差分解等傳統(tǒng)研究方法的局限性，深入分析了我國投資者情緒、投資者交易行為與我國股票市場波動之間的同期、以及我國證券市場融資融券、股指期貨和期權市場建立后市場處于牛熊更替不同時期的動態(tài)影響關系.

基于DAG的研究結果表明：就同期相互影響關系而言，我國證券市場的投資者情緒變化將影響我國投資者的交易行為，我國投資者的信心情緒變化是導致我國投資者過度交易的重要的原因；我國A股市場波動也將顯著影響我國投資者的交易行為，我國證券市場的過度波動也是導致我國投資者過度交易的重要原因，這可能與我國A股市場仍然以散戶為主、機構與個人投資者均廣泛存在的追漲殺跌的羊群行為分不開的.

基于DAG的固定樣本期以及遞歸預測方差分解結果進一步表明：1)就投資者情緒影響因素而言，我國投資情緒具有“自我實現(xiàn)”機制并且不斷加強，當投資者情緒樂觀時將更加樂觀，而悲觀情緒形成后將導致其更加悲觀，這與近年來我國互聯(lián)網即時通訊技術迅速發(fā)展等密切相關，另外近年來微博、股吧以及媒體和分析師的過度解讀、渲染甚至引導與煽動輿情，也是導致我國投資者情緒“自我實現(xiàn)”與“自我強化”機制加強的重要因素；過度交易對我國投資者情緒的影響程度則不斷降低，投資情緒受市場非理性交易行為的影響不斷減少；市場波動對我國投資者情緒具有一定影響，雖然該影響總體在減弱，但是當市場出現(xiàn)較大波動尤其是市場暴跌時，市場波動對我國投資情緒的影響將會變大.2)就我國證券市場波動影響因素而言，我國證券市場波動也具有“自我實現(xiàn)”機制并且不斷增加，這與2010年3月后我國開通融資融券業(yè)務、A股市場場內外杠桿交易、采用趨勢跟隨策略的程序化交易興起等密切相關的；隨著我國證券市場發(fā)展，非理性的投資者情緒與市場交易行為對于A股市場波動的影響則日益減少，但在市場暴跌過程時投資者的非理性情緒與交易行為依然能夠對我國股市波動產生顯著影響，導致我國證券市場風險加劇.3)就我國投資者過度交易行為影響因素而言，情緒因素對我國A股市場投資者的交易行為影響仍然較大，尤其是在暴漲與暴跌過度波動時期，情緒波動將導致非理性交易行為顯著增加；我國證券市場波動對A股市場過度交易的影響日益提高，在杠桿交易與程序化交易機制下，我國A股市場一旦出現(xiàn)趨勢性上漲將導致短期大量的買入交易，而一旦出現(xiàn)下跌趨勢則將引發(fā)短期內大量的賣出交易.

基于上述實證研究結果，提出以下政策建議：

一是嚴格落實《證券期貨投資者適當性管理辦法》，做好對資本市場投資者的多維度分類管理，強化經營機構適當性責任，加強針對中小投資者的教育，切實保障其合法權益，并要進一步加強對媒體和分析師等輿情監(jiān)管，避免過度解讀、渲染甚至煽動與利用投資者情緒的非法行為，避免投資者非理性情緒引致的市場巨幅波動風險.

二是積極倡導價值投資，從而減少個人與機構投資者的追漲殺跌等羊群行為，避免證券市場投資者的過度交易引致的市場巨幅波動風險，并應通過繼續(xù)穩(wěn)妥推進我國證券市場風賣空機制建設、創(chuàng)設政策對沖工具等手段，提升市場有效性與流動性、增強投資者信心，避免因缺乏市場對沖機制而發(fā)生的系統(tǒng)性競價出售危機.

三是規(guī)范場內外杠桿交易，加強對融資融券、期貨、期權等杠桿交易工具的監(jiān)管，合理控制趨勢跟隨策略交易與程序化交易，并要加強對融資保證金擔保比率和折算比率、入市門檻等證券市場逆周期宏觀審慎監(jiān)管，從而阻斷我國A股市場波動性通過“自我實現(xiàn)”的正反饋機制加劇市場風險的傳導渠道，進而防止證券市場系統(tǒng)性風險事件發(fā)生，助力打好防范化解金融風險攻堅戰(zhàn).