论文部分内容阅读
本文在横截面分析的基础上,验证了投资者情绪常用代理变量的可预测性,之后利用具有显著预测能力的情绪指标构造了Alpha策略,并且利用现实市场的数据对策略进行了评估。最后,本文还在不同的行业与市场环境下对超额收益的稳健性进行了检验,得到了如下基本结论。
第一,投资者情绪的常用代理变量换手率、非流动性、隔夜收益,在横截面上均有显著的可预测性,即利用前一个自然月(约20个交易日)的情绪指标构建的零成本投资组合在未来的一个自然月中可以获得显著的超额收益。需要特别强调的是,相对于非流动性和隔夜收益,换手率因子Alpha更加显著。第二,以换手率指标为基础,叠加非流动性指标或隔夜收益指标在横截面上进行两级分组所构造的双因子投资组合可以获得更加显著的超额收益。换言之,同时利用两个不同的情绪指标构造的投资策略可以获得更大的Alpha。第三,利用换手率构造的Alpha策略在现实市场中可以获得显著为正的超额收益,收益的高低与持有期(即调仓间隔)的长短有关。进一步地,在卖空限制的市场条件下,Alpha策略的收益会受到较大的影响。第四,在上市公司数量超过100家的所有行业中,基于投资者情绪(尤其是换手率指标)构造的Alpha策略均能获得显著的超额收益;此外,无论是在牛市还是熊市,基于投资者情绪的Alpha策略均显著有效。
本文可能的创新点主要有以下方面。第一,以沪深两市中所有A股为研究对象,寻找在横截面上具有稳定且显著预测能力的个股层面投资者情绪的代理变量。国内外现有研究主要集中于市场层面的投资者情绪对总量市场的预测能力,较少涉及个股层面的投资者情绪对横截面收益的预测能力。第二,以情绪理论为依据构建Alpha策略,避免缺乏理论依据的纯数据挖掘。数据挖掘就是通过计算机在数据库中寻找数据之间的相关性,而不是去深入了解造成这种相关性的潜在因素及相关变量之间的内在联系。数据挖掘的一个主要风险就是,分析师制定出的策略可能只是在“拟合”数据库。为了避免上述风险,在制定策略及进行测试时,应当基于现有的金融和投资理论,本文试图在情绪理论的基础上选取不同的情绪因子构造投资策略,并以超额收益Alpha的方式证明策略背后的投资理论在现实市场中的有效性。以投资者情绪指标作为Alpha策略的分组依据,在学界的文献和业界的报告中均鲜有涉及。
第一,投资者情绪的常用代理变量换手率、非流动性、隔夜收益,在横截面上均有显著的可预测性,即利用前一个自然月(约20个交易日)的情绪指标构建的零成本投资组合在未来的一个自然月中可以获得显著的超额收益。需要特别强调的是,相对于非流动性和隔夜收益,换手率因子Alpha更加显著。第二,以换手率指标为基础,叠加非流动性指标或隔夜收益指标在横截面上进行两级分组所构造的双因子投资组合可以获得更加显著的超额收益。换言之,同时利用两个不同的情绪指标构造的投资策略可以获得更大的Alpha。第三,利用换手率构造的Alpha策略在现实市场中可以获得显著为正的超额收益,收益的高低与持有期(即调仓间隔)的长短有关。进一步地,在卖空限制的市场条件下,Alpha策略的收益会受到较大的影响。第四,在上市公司数量超过100家的所有行业中,基于投资者情绪(尤其是换手率指标)构造的Alpha策略均能获得显著的超额收益;此外,无论是在牛市还是熊市,基于投资者情绪的Alpha策略均显著有效。
本文可能的创新点主要有以下方面。第一,以沪深两市中所有A股为研究对象,寻找在横截面上具有稳定且显著预测能力的个股层面投资者情绪的代理变量。国内外现有研究主要集中于市场层面的投资者情绪对总量市场的预测能力,较少涉及个股层面的投资者情绪对横截面收益的预测能力。第二,以情绪理论为依据构建Alpha策略,避免缺乏理论依据的纯数据挖掘。数据挖掘就是通过计算机在数据库中寻找数据之间的相关性,而不是去深入了解造成这种相关性的潜在因素及相关变量之间的内在联系。数据挖掘的一个主要风险就是,分析师制定出的策略可能只是在“拟合”数据库。为了避免上述风险,在制定策略及进行测试时,应当基于现有的金融和投资理论,本文试图在情绪理论的基础上选取不同的情绪因子构造投资策略,并以超额收益Alpha的方式证明策略背后的投资理论在现实市场中的有效性。以投资者情绪指标作为Alpha策略的分组依据,在学界的文献和业界的报告中均鲜有涉及。