论文部分内容阅读
本文首先定义了一个新的股票收益率的解释变量——股票的偏度时变系数。即选择合适的时间窗，以交易日为单位，滚动求出股票一段时间内的偏度，再用线性拟合的方法，用这些时间序列偏度对时间做回归，求出这段时间内股票的偏度随时间的变化系数ρi,t。用这一偏度时变系数作为股票收益率的解释变量，能够充分考虑股票偏度的时变特征对收益率的影响，即从一个新的视角来检测股票收益率与股票偏度之间的关系。
其次，本文通过大量的实证检验，首先找出了合适的时间窗TW1=60来计算股票的偏度，找出了合适的时间窗TW2=30来计算偏度的时变系数ρi,t，在这两个时间窗选定后，我们发现偏度时变系数ρi,t与未来一个月或者更短时间的预期收益率之间存在显著的负相关关系，而与未来两个月或更长时间的预期收益率不存在显著的相关关系。这也充分说明了偏度时变趋势的内生性及短期性的特点。
第三，本文后面又做了深入研究，控制了股票的规模和账面市值比因素后，我们的这一结论仍然成立。郑振龙等学者(2013)关于《特质偏度是否被定价》的研究表明，股票的特质偏度和特质波动率在中国A股市场上均被定价，并且特质偏度与预期收益率之间存在负相关关系。由于特质偏度和本文研究的偏度时变系数存在相关性，本文为了剔除这一相关性对本文结果的影响，在后面的研究中，我们也将股票的特质偏度和特质波动率作为控制变量，进一步研究了在控制了相关变量后，偏度时变系数ρi,t与预期收益率之间的关系，结果显示，在控制了特质偏度和特质波动率的影响后，这种显著的负相关关系仍然成立。所以我们能够确切的说，本文构建的偏度时变趋势是影响股票收益率的较为根本的解释变量，本文通过阅读前人关于偏度的研究成果，将这一负相关关系产生的原因也给出了一定的解释。
本文的主要研究方法是以理论分析为基础的实证研究方法，包括统计性描述、线性回归分析和直接检验。在处理数据过程中主要用到R语言的编程，excel的简单数据处理，在遇到问题时向导师和同学请教，同时查阅一些统计相关的书籍，借助网络搜索。
本文用到的数据处理方法有以下几种:首先，选定时间窗进行股票偏度的直接计算;其次，本文在计算偏度时变系数ρi,t时，用到了OLS方法进行线性拟合，在这里我们最终选定的时间窗TW2为1个月，但是正常交易天数在12天-24天之间，交易天数小于12天的股票在计算时直接删除了;第三，我们进行股票分组时，用到的是按照相应变量排序的方法，计算每组资产组合的收益率时用到的是等权重加权平均的方法。最后，做控制变量的Fama-Macbeth回归时，用到的相应的控制变量是参考前人研究成果的基础上，进行全面的计算得出的。
文章贡献及创新点:首先，与通常研究不同的是，本文没有从通常的偏度、协偏度或者特质偏度出发进行研究，而是充分考虑了偏度的时变性这一特征对定价的影响，通过挖掘偏度随时间变化的趋势找到了一个最佳偏度系数时间窗，在该时间窗下偏度对截面资产收益率和未来短期内的预期收益率都有显著的解释能力。
其次，本文在做实证检验时用到的数据量很大也很全面，不存在数据的选择性偏差，考虑到ST股票经营上存在一些问题，为了防止这类特殊股票对整体股票检验结果的影响，我们在选择数据时首先剔除了这类股票，即用到的股票都是在这段时间内处在正常经营和交易状态下的股票。为了避免数据选择的主观性对结果的影响，本文选择了1998年1月1日至2013年12月31日的股票数据。计算股票的偏度及偏度时变系数时，用的是股票的日度交易数据，检验股票收益率与偏度时变系数之间的关系时，用到的收益率是股票的月度收益率数据，文章5.4中关于“偏度时变系数影响收益率的持续”的研究中，未来两个月的收益率的计算公式为2Mi，t=(1+Mi，t)（1+Mi，t+1）-1，未来三个月的收益率的计算公式为3Mi，t=(1+Mi，t)(1+Mi，t+1)(1+Mi，t+2)-1，计算中如果存在缺失的月度收益率，我们用0代替。本文的数据从1998年1月开始选择是因为:1998年前中国A股市场发展不够完善，样本股票较少。
本文实证检验的具体研究步骤如下:
第一步:在某个时间截面t之前选择一个合适的样本时间长度，然后用该时段的日收益率数据求出每只股票的偏度skewj,t，其中i表示第i只股票，t表示某个时间截面t。这一步的主要困难在于样本长度的选取:如果时间窗TW1选的太长，会导致往后逐日递推求下一期的偏度时其变化不明显，影响接下来偏度时间系数的结果;如果时间窗TW1选的太短，计算股票偏度的数据太少，又会导致求出的偏度不够准确。
第二步:对每只股票，以交易日为单位往后递推n天，求出其一系列偏度值skew,t，skewi，t+1，skewi,t+2，……，skewi,t+n。这一步的主要困难也是时间窗的选取，或者说计算偏度关于时间变化的样本个数选取。n太大将会导致skewi,t到skewi,t+n的偏度关于时间的变化趋势不是线性的，此时如果仍然对时间做线性回归得到的结果就不够准确;如果n太小，对股票收益率的长期预测就会不准确。
第三步:对第二步得到的每只股票的偏度序列s k i,e,tw(s),k,i e w+,i,s(z)k,e w对时间趋势做线性回归，时间的取值就用T=（0，1，2，……，n），方程为skewi=ρi,t*T，这样就得到了截面t上股票i的偏度变化系数ρi,t。
第四步:在每个月末对系数ρi,t按升序排列并分组，其中系数最大的前30％股票组成一个资产组合，并将ρi,t值最高的这一组股票定义为组合H，系数最小的30％股票组成一个资产组合，并将ρi,t值最低的一组股票定义为资产组合L。这里需特别说明的一点:在进行时间窗选择试验时，有的地方将股票分成了五组，分组方法也和三组分类法类似，按照偏度系数大小排序，每一组资产组合包括的股票数量为当月末股票数量的20％。
第五步:在时间窗选择试验后，将股票按照规模和账面市值比大小分别进行分组，在每一组中再按照偏度时变系数进行进一步的分组，这样我们就能够将每一横截面股票分成9个资产组合，在每一规模和账面市值比下，我们再对按照偏度系数分类的三个资产组合中的H和L组进行比较，研究其收益率差异的显著性。
第六步:分别对上述组合按等权重的方法求出其接下来的一个月、两个月和三个月持有期内的原始收益率。此外，我们还计算了上述资产组合随后的风险调整超额收益率α，计算方法是Fama-French三因子模型。并比较持有期增加后，股票收益率与偏度时变系数之间的关系。
第七步:从1998年1月末开始，以1个月为单位往后滚动，重复第四和第五步和第六步，直到2013年12月，这样就可以得到上述所有资产组合的收益率时间序列。将H和L组合的收益率序列进行比较，如果存在显著差异，说明资产组合的收益率与其事前的偏度变化系数有显著的相关关系;而如果H和L组合的时间序列收益率没有显著的差别，说明在我国A股市场上收益率与高阶矩的关系不明显，股票市场的有效性更高。当然，也有可能是由于在关键时间窗和分组的选取不得当，可以变换不同的时间窗和分组方法再进行验证。
第八步:用Fama-Macbeth方法，将股票未来1个月，2个月，3个月与第2个月、第3个月的收益率对影响股票预期收益率的指标做回归检验，研究在控制了主要的解释变量后，股票的收益率与偏度系数是否有显著的相关关系。
第九步:仍用到Fama-Macbeth方法，将未来一月的收益率分别对股票的偏度时变系数、股票协偏度、预期的特质偏度和非预期的特质偏度、除偏度时变系数外的其他变量、全部解释变量做回归，验证其中的相关关系。
除了检验不同分组的期望收益率之间的关系，本文还进行了后续的一些研究，包括控制规模和账面市值比等因素后对股票的偏度系数与未来收益率之间的关系做检验，将多因素模型中加入偏度变化系数等。
综上可知，本文是首次研究中国A股市场上偏度时变趋势与预期收益率之间的关系的文章，研究成果填补了对中国A股市场上偏度时变性研究的空白，对我国资本市场的定价提供了新的依据，同时也为实际操作提供参考。
其次，本文通过大量的实证检验，首先找出了合适的时间窗TW1=60来计算股票的偏度，找出了合适的时间窗TW2=30来计算偏度的时变系数ρi,t，在这两个时间窗选定后，我们发现偏度时变系数ρi,t与未来一个月或者更短时间的预期收益率之间存在显著的负相关关系，而与未来两个月或更长时间的预期收益率不存在显著的相关关系。这也充分说明了偏度时变趋势的内生性及短期性的特点。
第三，本文后面又做了深入研究，控制了股票的规模和账面市值比因素后，我们的这一结论仍然成立。郑振龙等学者(2013)关于《特质偏度是否被定价》的研究表明，股票的特质偏度和特质波动率在中国A股市场上均被定价，并且特质偏度与预期收益率之间存在负相关关系。由于特质偏度和本文研究的偏度时变系数存在相关性，本文为了剔除这一相关性对本文结果的影响，在后面的研究中，我们也将股票的特质偏度和特质波动率作为控制变量，进一步研究了在控制了相关变量后，偏度时变系数ρi,t与预期收益率之间的关系，结果显示，在控制了特质偏度和特质波动率的影响后，这种显著的负相关关系仍然成立。所以我们能够确切的说，本文构建的偏度时变趋势是影响股票收益率的较为根本的解释变量，本文通过阅读前人关于偏度的研究成果，将这一负相关关系产生的原因也给出了一定的解释。
本文的主要研究方法是以理论分析为基础的实证研究方法，包括统计性描述、线性回归分析和直接检验。在处理数据过程中主要用到R语言的编程，excel的简单数据处理，在遇到问题时向导师和同学请教，同时查阅一些统计相关的书籍，借助网络搜索。
本文用到的数据处理方法有以下几种:首先，选定时间窗进行股票偏度的直接计算;其次，本文在计算偏度时变系数ρi,t时，用到了OLS方法进行线性拟合，在这里我们最终选定的时间窗TW2为1个月，但是正常交易天数在12天-24天之间，交易天数小于12天的股票在计算时直接删除了;第三，我们进行股票分组时，用到的是按照相应变量排序的方法，计算每组资产组合的收益率时用到的是等权重加权平均的方法。最后，做控制变量的Fama-Macbeth回归时，用到的相应的控制变量是参考前人研究成果的基础上，进行全面的计算得出的。
文章贡献及创新点:首先，与通常研究不同的是，本文没有从通常的偏度、协偏度或者特质偏度出发进行研究，而是充分考虑了偏度的时变性这一特征对定价的影响，通过挖掘偏度随时间变化的趋势找到了一个最佳偏度系数时间窗，在该时间窗下偏度对截面资产收益率和未来短期内的预期收益率都有显著的解释能力。
其次，本文在做实证检验时用到的数据量很大也很全面，不存在数据的选择性偏差，考虑到ST股票经营上存在一些问题，为了防止这类特殊股票对整体股票检验结果的影响，我们在选择数据时首先剔除了这类股票，即用到的股票都是在这段时间内处在正常经营和交易状态下的股票。为了避免数据选择的主观性对结果的影响，本文选择了1998年1月1日至2013年12月31日的股票数据。计算股票的偏度及偏度时变系数时，用的是股票的日度交易数据，检验股票收益率与偏度时变系数之间的关系时，用到的收益率是股票的月度收益率数据，文章5.4中关于“偏度时变系数影响收益率的持续”的研究中，未来两个月的收益率的计算公式为2Mi，t=(1+Mi，t)（1+Mi，t+1）-1，未来三个月的收益率的计算公式为3Mi，t=(1+Mi，t)(1+Mi，t+1)(1+Mi，t+2)-1，计算中如果存在缺失的月度收益率，我们用0代替。本文的数据从1998年1月开始选择是因为:1998年前中国A股市场发展不够完善，样本股票较少。
本文实证检验的具体研究步骤如下:
第一步:在某个时间截面t之前选择一个合适的样本时间长度，然后用该时段的日收益率数据求出每只股票的偏度skewj,t，其中i表示第i只股票，t表示某个时间截面t。这一步的主要困难在于样本长度的选取:如果时间窗TW1选的太长，会导致往后逐日递推求下一期的偏度时其变化不明显，影响接下来偏度时间系数的结果;如果时间窗TW1选的太短，计算股票偏度的数据太少，又会导致求出的偏度不够准确。
第二步:对每只股票，以交易日为单位往后递推n天，求出其一系列偏度值skew,t，skewi，t+1，skewi,t+2，……，skewi,t+n。这一步的主要困难也是时间窗的选取，或者说计算偏度关于时间变化的样本个数选取。n太大将会导致skewi,t到skewi,t+n的偏度关于时间的变化趋势不是线性的，此时如果仍然对时间做线性回归得到的结果就不够准确;如果n太小，对股票收益率的长期预测就会不准确。
第三步:对第二步得到的每只股票的偏度序列s k i,e,tw(s),k,i e w+,i,s(z)k,e w对时间趋势做线性回归，时间的取值就用T=（0，1，2，……，n），方程为skewi=ρi,t*T，这样就得到了截面t上股票i的偏度变化系数ρi,t。
第四步:在每个月末对系数ρi,t按升序排列并分组，其中系数最大的前30％股票组成一个资产组合，并将ρi,t值最高的这一组股票定义为组合H，系数最小的30％股票组成一个资产组合，并将ρi,t值最低的一组股票定义为资产组合L。这里需特别说明的一点:在进行时间窗选择试验时，有的地方将股票分成了五组，分组方法也和三组分类法类似，按照偏度系数大小排序，每一组资产组合包括的股票数量为当月末股票数量的20％。
第五步:在时间窗选择试验后，将股票按照规模和账面市值比大小分别进行分组，在每一组中再按照偏度时变系数进行进一步的分组，这样我们就能够将每一横截面股票分成9个资产组合，在每一规模和账面市值比下，我们再对按照偏度系数分类的三个资产组合中的H和L组进行比较，研究其收益率差异的显著性。
第六步:分别对上述组合按等权重的方法求出其接下来的一个月、两个月和三个月持有期内的原始收益率。此外，我们还计算了上述资产组合随后的风险调整超额收益率α，计算方法是Fama-French三因子模型。并比较持有期增加后，股票收益率与偏度时变系数之间的关系。
第七步:从1998年1月末开始，以1个月为单位往后滚动，重复第四和第五步和第六步，直到2013年12月，这样就可以得到上述所有资产组合的收益率时间序列。将H和L组合的收益率序列进行比较，如果存在显著差异，说明资产组合的收益率与其事前的偏度变化系数有显著的相关关系;而如果H和L组合的时间序列收益率没有显著的差别，说明在我国A股市场上收益率与高阶矩的关系不明显，股票市场的有效性更高。当然，也有可能是由于在关键时间窗和分组的选取不得当，可以变换不同的时间窗和分组方法再进行验证。
第八步:用Fama-Macbeth方法，将股票未来1个月，2个月，3个月与第2个月、第3个月的收益率对影响股票预期收益率的指标做回归检验，研究在控制了主要的解释变量后，股票的收益率与偏度系数是否有显著的相关关系。
第九步:仍用到Fama-Macbeth方法，将未来一月的收益率分别对股票的偏度时变系数、股票协偏度、预期的特质偏度和非预期的特质偏度、除偏度时变系数外的其他变量、全部解释变量做回归，验证其中的相关关系。
除了检验不同分组的期望收益率之间的关系，本文还进行了后续的一些研究，包括控制规模和账面市值比等因素后对股票的偏度系数与未来收益率之间的关系做检验，将多因素模型中加入偏度变化系数等。
综上可知，本文是首次研究中国A股市场上偏度时变趋势与预期收益率之间的关系的文章，研究成果填补了对中国A股市场上偏度时变性研究的空白，对我国资本市场的定价提供了新的依据，同时也为实际操作提供参考。