原文
数量:13 (1)投资者情绪与股票回报:证据来自中国股票市场
- *通信:
-
冯Junwen、学校的经济学科技和管理,南京大学,南京210094年江苏,中国
电话:08602584315093;电子邮件:313472714 @qq.com
收到:2017年1月16日;接受:2017年1月27日;发表:2017年2月4日,
引用:冯Junwen吗?李鑫鑫。投资者情绪和股票返回:来自中国的证据股票市场。Biotechnol印第安纳j . 2017; 13 (1): 123。
文摘
本文选择从2010年1月至2014年12月交易量数据来研究投资者情绪和市场方面的日常收入比上海股票交易所a股指数为股票回报。用ARMA模型投资者情绪的研究自己的特征,然后使用VAR模型和格兰杰因果关系检验、脉冲响应函数和方差分解研究投资者情绪与市场回报之间的关系,之后的实证结果表明,两个系列相互之间存在格兰杰因果关系。然后,异方差的EGARCH模型测试回报投资者情绪的影响,以及市场的“坏消息”比“好消息”会导致更大的波动;最后,EGARCH-M异方差的模型表明,投资者对回报的影响存在“风险溢价”现象。
关键字
投资者情绪;股票返回;格兰杰因果关系检验;异方差的模型
介绍
传统金融理论认为,投资者的核心前提是完全理性的。在1950年代,研究的领域心理学开始扩大认知心理学与社会心理学。在这种背景下,行为金融理论和实验经济学开始上升。他们是基于真正的心理活动和投资者的决策过程中,他们发现,决策过程实际上是风险与回报的心理过程。中国的股票市场开发时间短,制度建设不健全。作为行为的一个重要组成部分金融理论,研究投资者情绪和互动关系股票还有助于提高我们现有的行为金融理论体系,进一步揭示之间的内在关系股票市场投资者的行为和决策有关股票市场数据和股票市场收益。它可以提供一个更丰富的资产价格形成基础研究,并提供一个有用的理论支持来控制我们的金融市场。
本文的研究观点如下:首先,本文回顾了现有的研究投资者情绪和股票市场国内外的回报,然后介绍了数据和模型本文中使用的工具。然后,介绍了研究方法,包括ARMA模型、VAR模型和EGARCH模型。最后,实证分析进行研究和投资者情绪之间的动态关系股票市场回报和我国两者的相互影响。
本文的创新在于,投资者情绪的影响的研究股票返回中国和国外的大多是选择的唯一的一个方面,本文将不止一个模型集成的研究,内容丰富和样本数据是最新的。
文献综述
总结国外研究文献
的实证研究外国投资者情绪和返回的研究文献主要采用扩展的拱门模型和扩展GARCH模型研究回报率的波动性。纳尔逊(1克服了GARCH模型的缺点,提出了一种更简单,更灵活的非对称拱动态模型。李等人。2)使用GARCH模型分析了投资者情绪对市场波动的影响,并发现投资者情绪的下降可能会导致一个更强烈的市场波动。贝克和Wurgler [3)定义投资者情绪悲观或乐观地看待未来的股票价格,或投机的倾向,这是由于投资需求和决策产生影响股票价格,成交量也证实,可以作为有效的投资者情绪指标。格哈德•克林和雷高4中国上海)选择股票交换日常数据来研究中国机构投资者发现,在短期内,机构投资者情绪有积极的反馈效果,但长期没有联系。与此同时,他们的研究揭示了投资者情绪的波动在系统响应通过使用EGARCH模型,投资者人气的下降将加强市场波动和不稳定,但没有找到对预测市场预期收益的影响。
回顾国内文献
Rao Yulei et al。5)选择央视BSI的指数实证研究他们发现没有显著的央视BSI指数和预期之间的关系股票回报。但王美锦et al。(6)也使用BSI指数表明投资者情绪,实证结果表明,投资者的情绪不仅能显著影响股票市场回报,但也会使收益的波动性显著负修正。程库恩et al。7)选择“好光指数”构建投资者情绪指数发布的?动态分析股票市场?。实证结果表明,中间信心指数的格兰杰原因股票市场回报,两个不存在相互反馈效应。同时,脉冲响应和方差分解的结果表明,中期的投资者情绪的影响股票市场波动比短期投资者人气。刘晓et al。8)选择另模型进行研究和EGARCH (1)模型被用来研究的波动股票指数在深圳股票市场最后,提出相关的政策建议。黄官窑[9)选择上海证券综合指数来适应和预测的准确性四GARCH模型的波动股票市场比较研究。李Xindan et al。10)使用相同的指数,发现拱效应存在于投资者情绪,同时投资者情绪有一定程度的“溢出效应”股票市场的回报。杨蜀本部和张强11)选择封闭式基金投资者的折扣,增长率和流动率构建全面的信心指数的投资者情绪,基于噪声交易理论模型(DSSW模型)之后提出的德龙1990年,使用GARCH-M(1, 1)研究中国投资者情绪是否有影响股票市场返回和实证结果表明,机构投资者情绪是影响的主要因素股票价格,而个人投资者并不重要,撞倒了个人投资者情绪的影响小型股股票。杨杨和Wan DiFang et al。12)选择BSI指数和周转率反映投资者情绪,投资者情绪和分析股票市场返回及其在不同的市场波动状态,实证结果显示,股票还对投资者情绪产生重大影响,不亦然;和投资者情绪不对称的影响股票返回在熊市,但牛市并不存在。气Lixu et al。13选择基金的资本流动构造投资者情绪指数,使用面板数据模型研究投资者情绪之间的关系股票的回报。实证结果表明,极端的情绪在中国股票市场有一个独特的能力来预测,投资者情绪的影响是不对称的,合理的信心指数有利于我们的证券投资者和监管机构做出更好的决策。夏方(14)结合投资者情绪与行为的管理者研究的问题股票错误定价。王丽萍(15)选择宏观的角度来看,使用主成分分析方法构建一个全面的投资者情绪,引入预期理论,使用线性回归模型研究利率意外的影响,投资者的情绪上股票指数的回报,并发现投资者情绪可以提高政策变量的影响股票指数的回报。
最近,张伟et al。16)检查每日快乐情绪之间的关系从Twitter和提取股票市场表现在11个国际股票市场。分区这快乐情绪到昆泰从最到最快乐的日子,他们第一次表明,当代之间相关系数4和最幸福的快乐情绪和索引返回子组高于在至少2和3-happiness子组。其次,快乐的情绪可以提供额外的解释力最幸福指数返回的子群。第三,每日快乐granger-cause指数的变化可以换取的大部分股票市场。第四,他们发现最幸福的指数回归和基于范围波动大于其他组群。这些结果强调的重要作用社交媒体在股票市场。张Yongjie et al。17)提倡省级电视收视率作为省级投资者人气小说代理(π)及其关系进行调查股票的回报。实证结果表明,该方法首先π是正相关的股票的回报。其次,他们提供了直接证据的存在在中国本土偏好通过观察,省级相关系数显著大于跨省相关系数。最后,π可以解释大部分省级公司的运动。总之,所有这些发现支持非传统的角色信息来源在理解“异常”股票市场。
样本选择和数据来源
投资者情绪不仅是立即反映出当前股票市场回报,但也是一个预期未来的市场价格。根据索引数据来源,一般分为两类,一是通过直接问卷调查相关的投资者获得的直接指标,如“好光指数”发布的?动态分析股票市场?。另一种是间接的投资者情绪指标变化从金融市场通过收集相关财务数据。直接指标受约束的情况下,调查对象是有限的。覆盖范围很小,不能保证其真实性。本文选择交易量作为衡量指数有两个优点:首先,主要的一个直接的性能投资者的心理决策行为是成交量的变化;其次,交易量作为日常数据具有连续性,具有明显的优势在投资者情绪的研究趋势。
本文选择成交量的变化在2010年1月至2014年12月之间表达投资者情绪。
计算公式如下:
投资者情绪变化=(前期)的当前交易volume-volume /卷之前的时期
其中,是t代表了投资者情绪的变化,电视t代表周期t的交易量,电视t - 1代表了成交量的t - 1。
本文选择上海股票交易A股指数来表示市场回报,计算公式如下:
其中,Rt代表了对数返回上海股票交易A股指数在一天t;Pt上海代表日期的收盘价股票交易A股指数在一天t;Pt - 1上海代表日期的收盘价股票交易所A股指数在t - 1天。数据源是RESSET数据库和分析工具是触摸屏4.0和Excel 2007。
研究设计
投资者情绪的数据特征
表1报告的数值特征投资者情绪。投资者情绪时间序列的偏态是1.3366,这是在左偏态分布;峰度是7.0692,明显的峰值特征。因此,投资者情绪序列具有明显的尖峰的重尾特征,而且大部分的财务数据是相似的。Jarque-Bera统计拒绝正态分布假设在0.0000的水平。
变量 | 的意思是 | 中位数 | 最低 | 最大 | 标准偏差 | 偏态 | 峰度 | Jarque-Bera统计 |
---|---|---|---|---|---|---|---|---|
是 | 0.0202 | -0.0104 | -0.4312 | 1.4947 | 0.2080 | 1.3366 | 7.0692 | 1197.092 |
注意:JB统计的显著性水平为0.0000 |
表1:投资者情绪的数值特征。
模型建立
首先,考虑到投资者情绪和之间的相互影响股票指数回归,本文选择向量自动递减(VAR)模型分析动态关系。VAR模型迟滞期k的N个变量表示如下:
欧美是N×1订单时间列向量,和c N×1阶常数列向量。都是N×N阶参数矩阵,是N×1阶随机误差列向量。本文构造了两个元素VAR模型投资者情绪和股票指数据AIC, HQIC SBIC判据,本文选择这三个订单的滞后期。VAR模型的固定测试的结果都是位于单位圆,所以VAR模型是稳定的,它提供了一种依据下面的格兰杰因果检验,脉冲响应函数分析和方差分解。
其次,本文研究了不对称的影响股票市场回报投资者情绪和投资者情绪波动的影响,投资者的收入。基于VAR模型的测试结果模型本文中使用用ARMA建造的模型和EGARCH模型。
ARMA (p, q)模型自回归移动平均模型,一般ARMA (p, q)可以表示为如下形式:
其中,白噪声方差的过程吗c是常数项,和分别代表了汽车回归系数和移动平均线。自回归滑动平均模型可以更好地理解数据特征的投资者的情绪,它的基础是研究投资者情绪和相互影响的股票指数的回报。本文使用伯克提出的系统评估方法和詹金斯(Box-Jenkins, 1976)和确定ARMA(1,1)模型。
ARMA (1,1)模型是用于分析ARCH-LM测试,发现有一个显著异方差的投资者人气系列,与此同时,金融时间序列的非对称性,所以本文运用不对称GARCH模型之一,EGARCH吗模型做进一步的研究。
EGARCH的条件方差方程模型表示如下:
左边的对数方程的条件方差,这意味着杠杆效应指数,所以条件方差的预测价值必须是非负数。的存在杠杆效应可以进行测试的假设γ< 0。与GARCH模型,这个方程是没有限制,过程更简单,更灵活。
实证结果与分析
时间序列平稳测试
从计量经济学理论,产生的虚假回归问题可以使用非平稳经济变量建立回归模型,因此有必要进行时间序列平稳测试。本文选择ADF(增强Dickey-Fuller)所示测试方法和结果表2t统计值小于单位根测试的结果在每一个意义层面上,所以它可以用来确定投资者情绪序列的序列和每日的对数收益率序列R是一个平稳时间序列。
对象 | ADF检验统计量 | 1%的显著性水平 | 5%的显著性水平 | 10%的显著性水平 | 通过测试(Y / N) |
---|---|---|---|---|---|
是 | -19.76898 | -3.4386 | -2.8644 | -2.5683 | Y |
R | -14.96081 | -3.4386 | -2.8644 | -2.5683 | Y |
表2:ADF单位根检验的结果。
格兰杰因果检验
格兰杰因果检验分析两个平稳时间序列之间的因果关系X和Y测试方法如下:估计的当前值Y的值是程度的滞后可以解释,然后通过引入滞后值验证序列X可以改善的程度是解释说。如果是,那么序列X是Y的格兰杰原因,X的滞后系数有显著的统计特征。投资者情绪与市场回报的格兰杰因果检验结果所示表3。
零假设 | 吗?2统计 | P值 | 结论 |
---|---|---|---|
R不是的格兰杰原因 | 124.8307 | 0.0000 | 拒绝零假设 |
不是R的格兰杰原因吗 | 11.0867 | 0.0113 | 拒绝零假设 |
表3:格兰杰因果检验的结果。
从表中我们可以看到,有一个双向回报率之间的格兰杰因果关系股票R R和投资者情绪指数,更重要。对投资者情绪的影响。
脉冲响应函数分析和方差分解
脉冲响应函数描述了VAR的影响模型内生变量对其他内生变量,分析了影响当一个误差项的变化,或模型受到一定的动态效应对系统的影响。和方差分解分析每个结构影响内部变量的贡献,以及不同结构的影响的重要性进一步评估。
图1显示的响应股票指数回归投资者情绪的影响。从图中,我们可以看到股票脉冲响应指数回报率的投资者情绪在第四期达到最大,此时,当投资者情绪出现1百分点的积极影响,将使股票市场产量增加了0.001,其次是快速减少的影响,和显示出收敛为零。在表4方差分析的结果,前六后投资者情绪稳定的贡献和影响的股票市场的贡献率为9.88%。
期 | s E。 | 是 | R |
---|---|---|---|
1 | 0.189821 | 100.0000 | 0.000000 |
2 | 0.205408 | 91.46631 | 8.533694 |
3 | 0.207378 | 90.39173 | 9.608273 |
4 | 0.207921 | 90.12818 | 9.871823 |
5 | 0.208617 | 90.18945 | 9.810547 |
6 | 0.208745 | 90.11920 | 9.880795 |
7 | 0.208758 | 90.11316 | 9.886838 |
8 | 0.208762 | 90.11085 | 9.889152 |
9 | 0.208767 | 90.11130 | 9.888700 |
10 | 0.208768 | 90.11075 | 9.889254 |
表4:的结果股票指数回归方差分解(%)。
图2描述了投资者情绪的反应股票市场冲击。当盈利出现百分之一的积极影响,投资者情绪在当前时期没有回应,并迅速上升到最大积极回应一个周期后,表明投资者情绪的反应滞后。在第三阶段,相对较弱的反向反应,其次是快速减少的影响,和收敛迹象的零效果。在方差分析结果表5的贡献股票指数回归稳定后的第五期的影响股票市场的贡献率为8.70%。
期 | S.E. | 是 | R |
---|---|---|---|
1 | 0.011911 | 7.880601 | 92.1194 |
2 | 0.011932 | 8.193595 | 91.80641 |
3 | 0.011935 | 8.243893 | 91.75611 |
4 | 0.01196 | 8.620877 | 91.37912 |
5 | 0.011967 | 8.705837 | 91.29416 |
6 | 0.011969 | 8.70734 | 91.29266 |
7 | 0.011969 | 8.707286 | 91.29271 |
8 | 0.011969 | 8.710785 | 91.28921 |
9 | 0.011969 | 8.711305 | 91.2887 |
10 | 0.011969 | 8.711316 | 91.28868 |
表5:投资者情绪方差分解的结果(%)。
不对称的影响股票市场回报投资者情绪
VAR的结果模型测试发现两级投资者的回报滞后对投资者情绪的影响并不显著,但第一顺序很重要,所以股票市场回报的研究模型投资者情绪应该包含一阶和EGARCH模型并相应条件方差构造如下:
其中,c是常数项,b1和b2的影响系数是投资者的回报。上面的公式,只考虑投资者的回报的影响,还应考虑到投资者情绪的变化本身,方差不变的条件下,添加表达式来调整模型投资者情绪的变化如下:
EGARCH模型和调整EGARCH模型分别估计,结果所示表6。
系数 | 调整后的EGARCH模型 | 简单的EGARCH模型 |
---|---|---|
c | 0.019909 (0.0000) | 0.022486 (0.0006) |
b1 | 3.939685 (0.0000) | 3.793221 (0.0000) |
b2 | 2.316955 (0.0000) | 3.799692 (0.0000) |
d | 0.354395 (0.0000) | - - - |
θ | -0.753634 (0.0000) | - - - |
ω | -2.289985 (0.0035) | -0.115505 (0.0000) |
β | 0.353428 (0.0129) | -0.845903 (0.0000) |
α | 0.114408 (0.0140) | 0.139897 (0.0001) |
γ | -0.118994 (0.0039) | -0.020535 (0.1008) |
R2 | 0.232205 | 0.095102 |
注:括号中的值显示出显著的水平,R2表示统计数据模型配合测试。 |
表6:结果EGARCH模型估计。
由表可以看出,调整R2有明显改善。
在调整EGARCH模型,γ是显著负的,这表明股票回报不对称对投资者情绪的影响,“坏消息”可以产生更大的波动比相同数量的“好消息”,消极的预期回报率情绪产生的投资者情绪的影响大于积极的预期回报率,这也是under-reaction和过度反应的性能。
投资者情绪波动的影响股票返回
在VAR模型,结果没有显著影响的投资者情绪股票一阶到三阶,所以在研究投资者情绪对投资收益的影响模型,只包含当前项,后考虑到投资者情绪的变化本身,EGARCH-M (1, 1)模型表达调整如下:
其中,C1是一个常数项,b3是投资者情绪的影响系数,估算EGARCH-M (1, 1)模型和调整EGARCH-M (1,1)模型分别显示了生成的结果表7:
系数 | 调整后的EGARCH模型 | 简单的EGARCH模型 |
---|---|---|
c1 | -0.036365 (0.0000) | -0.029591 (0.0000) |
b3 | 0.014482 (0.0000) | 0.014598 (0.0000) |
δ | 3.233960 (0.0000) | 2.561386 (0.0000) |
d1 | 0.937230 (0.0000) | - - - |
θ1 | -0.887827 (0.0000) | - - - |
ω | -2.414240 (0.0001) | -3.108049 (0.0032) |
β | 0.739328 (0.0000) | 0.662340 (0.0000) |
α | 0.107522 (0.0003) | 0.123422 (0.0004) |
γ | -0.030568 (0.0529) | -0.003579 (0.8260) |
R2 | 0.075895 | 0.071109 |
注:括号中的值显示出显著的水平,R2代表统计模型配合测试 |
表7:结果EGARCH模型估计。
由表可以看出,每个统计显著水平的调整模型有明显改善,配合统计R2也增加了。风险溢价是显著的,这表明投资者情绪的变化与投资者的收益显著正相关,这是一样的王美锦(2004)的研究也表明,投资者股票市场波动要求更高的回报。
结论和启示
本文选择从2010年1月至2014年12月交易量数据来研究投资者情绪和市场方面的日常收入比上海股票交易所a股指数为股票回报,用ARMA模型投资者情绪的研究自己的特点,结合VAR模型,扩大异方差的EGARCH模型和EGARCH-M异方差模型做实证测试,结果如下:首先,投资者情绪之间的动态关系和市场回报,投资者人气和市场回报之间存在格兰杰因果关系,以及市场回报投资者情绪的影响更显著。在对投资者情绪产生积极的影响股票市场返回慢慢生成相同的反应;和积极影响的市场回报,投资者情绪迅速生成相同的反应,达到最大的第二个时期,这表明,投资者的情绪反应在中国是落后的。其次,所带来的影响股票市场回报投资者情绪是不对称的,消极的市场预期将产生更大的投资者情绪波动比积极的期望,同时也表明,中国投资者的损失厌恶的效果。最后,投资者情绪有显著的正相关股票返回,“风险溢价”的影响股票市场也存在于我们的国家。
引用
- 丹尼尔NB。条件Heterosdasticity资产回报:一个新的方法。Econmonetrica。1991; 59:347 - 70。
- 李王寅,江泽民残雪,Indro特区等。股票市场波动,超额回报,投资者情绪的作用。J银行Financ。2002; 2277 - 99。
- 贝克M, Wurgler j .投资者人气的横截面股票的回报。J Financ。2006; 61:1645 - 80。
- 克林克,Lei高。中国机构投资者的信心。2008;18:374 - 87。
- Yulei R,大丰l .行为金融学。上海。上海大学的金融和经济学出版社。2003;144 - 55。
- 美锦W, Jianjun年代。股票市场的回报。在中国波动,投资者情绪的作用。衣可诺Res j . 2004; 10:75 - 83。
- 库恩C、l .仁和百货的研究投资者情绪和相互影响的关系股票市场。上海J的经济。2005;11:86 - 93。
- 肖L、翳明L . GARCH的应用家庭模型在故事——研究深圳成份指数的波动。Technoeconomics等杂志2005;5:36-8。
- 官窑H,鲁伊·c·非线性的研究股票市场中国相比发现GARCH模型的波动。Technoeconomics和管理研究。2007;2:56-9。
- Chaohui W, Xindan l .投资者情绪波动和股票返回中国。宁波大学学报。人文和社会科学版。2008;11:89 - 98。
- 羌族Z,蜀本部y噪声交易,投资者情绪波动和股票的回报。Sys Eng理论进行。2009;3:40-7。
- 杨Y, Difang w .投资者情绪之间的关系。股票市场回报率和波动在不同的市场状态。Sys Eng。2010; 1:19-23。
- Lixu C、z执行研究投资者情绪和之间的关系股票市场返回中国在面板数据模型。等启2011;6:41-8。
- 方x investment-cash流敏感性研究各自的错误定价。Sys Eng。2012; 7:111-6。
- 力平w .利息惊喜的效果股票基于指数回报率的投资者情绪。贝塔投资策略太原师范大学学报。2014;9:67 - 70。
- 李张W X,沈D, et al。每天幸福和股票返回:一些国际证据。自然史答:统计力学及其应用。2016;460:201-9。
- 张Y, Y,沈D, et al。投资者人气股票返回:证据来自中国省级电视收视率。自然史答:统计力学及其应用。2017;466:288 - 94。