论文部分内容阅读
摘 要：提出了一个总体框架来帮助低估我国投资者对风险导向的倾向，其中风险属性是投资的一个基本问题。考察了我国投资者的各种金融风险耐受性和投资方向，并研究了人口统计因素是否影响了金融风险耐受性和投资方向。在我国金融市场进行交易的个人投资者中选择106名进行统计分析。结果证实，高平均风险取向与高收入水平和高教育水平有关。
关键词：风险属性;财务决策;投资选择;路径分析;PLS方法
一、研究背景
我國已经启动了一个包容性的总计划，该计划旨在开始一种创新的发展模式，以突出我国作为世界知识、经济重要基地的地位。长期以来，我国经济社会的主要特点是青年多、失业率高、妇女在劳动力市场的参与率低。经济中的中小型企业占其投资的95%。这项研究旨在为政策制定者、金融业和投资机构提供新的线索，了解女性进入商业市场和寻求新投资机会的挑战和要求。在任何情况下，做出投资决策都必须承担风险，风险偏好对投资的成功具有重要意义。Horwitz（2004）和Lonita（2001）都认为风险很可能造成损失，经验和信息是识别风险的先决条件，应该对风险发生的概率进行评估[1]。张尧（2016）等人针对考虑背景风险的项目投资决策问题，分析了风险之间的相关性及相关程度对投资决策的影响[2]。Droms（1987）指出，风险导向可能使投资者会找出投资组合中资产的确切权重[3]。然而Doubleday（2002）指出，投资选择是通过原始投资者的有用性函数以及风险偏好来决定的。虽然风险投资在已经有比较深厚的研究基础，在风险导向决策方面仍然存在一些尚未解决的问题。因此，了解决定风险态度的因素对于投资者的决策非常重要[3-5]。根据Rustichini等人（2005年）的研究，投资者在危险、模糊和不确定情境中的行为也有心理因素的影响[6]。
个人的风险行为不能用概率值最大化来描述，但可以用预期效用最大化理论来描述。预期效用最大化理论描述的是行为呈现的是决策者的风险规避类型。另一种学派认为风险厌恶是对增加的风险的递减偏好[7]。杨秀兰（2005）指出风险投资面临着技术风险、市场风险、资金风险、管理风 险和环境风险等风险类型，需要制订规避投资风险的一系列策略[8]。
二、基于PLS的模型构建
根据相关学者对该问题的研究，本文建立了一个研究模型，包括风险属性（风险厌恶、多样化、家庭规模、配偶效应、经济地位低下和思想观念）和人口统计学变量（年龄、教育水平、性别、月收入和社会地位）两个变量集合。
研究假设：H1：所有的风险都是显著相关的，并且可以在其潜在的因素上得到解释。H11：风险厌恶与风险属性显著相关，并可以在风险属性上得到解释。H12：多样化与风险属性显著相关，并能得到解释。H13：家庭规模与风险属性显著相关，并可以得到解释。H14： 配偶效应与风险属性显著相关，并可以得到解释。H15：经济状况不稳定与风险属性有显著关系，并可以得到解释 H16：简洁度与风险属性有显著关系，并可以得到解释。H2：研究中的人口因素与风险属性（性别、年龄、教育水平、社会地位和月收入）之间存在着显著的关系。
利用SPSS对研究样本进行分析。性别作为一个绝对数字，是近似且似乎偏向于男性的（83：17）。占主导地位的年龄组是（30-35岁），约占研究样本的一半。学士学位持有者是研究样本中的主要群体，占样本的66%以上。就社会地位而言，已婚类别在样本中占主导地位，占整个样本的70%以上。详细数据如表1中所示。
研究模型的可靠性通过克伦巴赫指数来测试。有效性可以运用综合可靠性和平均解释方差（AVE）来描述。详细数据如表2所示。
三、案例模型数据分析
1.正态性
正态性是一个基本概念，在开始任何可信的数据调查之前需要对它进行确定。要做到这一点，研究数据必须类似于钟形数据分布以作为正态分布的反映。该研究考察了一些衡量标准，如峰度、偏度和标准差，它们被认为是数据的正常性指标。对于偏度的测量，它指定了分布的均匀性，而Kurtosis值是指研究数据在钟形正态分布方面的水平度和峰值，其值应小于1，标准偏差不应超过三个SD值（见表3）。
2.结构模型和路径分析
2.1 假设模型的分析：初始阶段
在该阶段中使用自举测试技术，为测试程序创建了2000个样本。T-Test的初步结果显示，假设模型的两边都有一些变量没有通过0.05显著水平的1.96基准线，这就要求重新考虑并可能放弃这些变量，并要求重新设计模型，只用可能接受的变量进行重新测试。初步结果如表4和图1中所示。基于样本研究和初步结果，假设H13、H15和H16都被拒绝，因为它们都没有通过T-Test措施的测试标准，不能代表与风险投资决策有关的人口因素。只有H11、H12和H14被采纳，并在修改后的模型中重新考虑。至于假设的另一个子模型：风险导向的投资决策（ROID），只有两个变量被接受重新纳入修改后的模型中;必要的真实性（RA）和多样化（DV），因为它们通过了T-Test测试标准。
2.2 修改后（重新设计的）模型的分析：第二个阶段
根据初始测试阶段的结果对假设模型进行调整，在假设的两个子模型中只包括通过测试标准的变量，如图3所示。再次使用了引导技术，并在原来106名受访者的2000个样本上进行了测试。结果显示，所有修改后的假设都被确认和接受，正如第一次初步测试和第二次测试所示，见表5、6。
四、结论
本研究调查了我国对金融投资有特殊兴趣的个人的投资行为，以风险态度作为他们的投资策略取向。研究结果显示，人口因素中的性别和社会地位投资领域的识别变量没有明显的贡献。结果显示，研究中接受的人口统计学变量（年龄、教育和月收入）与前面提到的接受的风险变量之间存在明显的有效关系。结果显示了一种逆向（负）关系;随着个人年龄的增长，他们在投资选择方面的意识会越来越差。此外，教育水平表明，个人更有可能承担风险，而忽略任何风险保留。最后，月收入越多的人比其他收入较少的人更有可能承担更多的风险。就更有意义的变量而言，月收入排名第一，其次是年龄，而对风险态度的DF影响最小的是教育水平。 参考文献：
[1]Horwitz， Richard （2004） Hedge fund risk fundamentals： solving the risk management and transparency challenge， Risk Fundamentals LLC， Bloomberg Press， Princeton， NJ， USA Jianakoplos， N. A. and Bernasek， A. （2006） Financial Risk Taking by Age and Birth Cohort， Southern Economic Journal. Vol 72（4）， 981-1001.
[2]张尧，关欣，孙杨，佐飞.考虑背景风险的项目投资决策[J].中国管理科学，2016，24（09）：71-80.
[3]Droms， W. G. （1987） Investment asset allocation for PFP clients. Journal of Accountancy， Vol 163， 114–118.
[4]Yang， J. and Qiu， W.， （2005） A measure of risk and a decision-making model based on expected utility and entropy， European Journal of Operational Research Vol 164， 792-799.
[5]Doubleday， W. G.， （2002） Expected utility and the cumulative consequences of repeated decisions： a tutorial， Risk， Decision and Policy Vol 7， 109-119.
[6]Rustichini， et al. （2005） Emotion and Reason in Making Decisions， Science Vol 310， pp. 1624-1625.
[7]Chew， S. H.， Karni， E. and Safra， Z.， （1987） Risk Aversion in the Theory of Expected Utility with Rank Dependent Probabilities， Journal of Economic Theory， Vol 42， 370–381.
[8]楊秀兰.风险投资的风险分担机制分析[J].经济经纬，2005（01）：137-139.
关键词：风险属性;财务决策;投资选择;路径分析;PLS方法
一、研究背景
我國已经启动了一个包容性的总计划，该计划旨在开始一种创新的发展模式，以突出我国作为世界知识、经济重要基地的地位。长期以来，我国经济社会的主要特点是青年多、失业率高、妇女在劳动力市场的参与率低。经济中的中小型企业占其投资的95%。这项研究旨在为政策制定者、金融业和投资机构提供新的线索，了解女性进入商业市场和寻求新投资机会的挑战和要求。在任何情况下，做出投资决策都必须承担风险，风险偏好对投资的成功具有重要意义。Horwitz（2004）和Lonita（2001）都认为风险很可能造成损失，经验和信息是识别风险的先决条件，应该对风险发生的概率进行评估[1]。张尧（2016）等人针对考虑背景风险的项目投资决策问题，分析了风险之间的相关性及相关程度对投资决策的影响[2]。Droms（1987）指出，风险导向可能使投资者会找出投资组合中资产的确切权重[3]。然而Doubleday（2002）指出，投资选择是通过原始投资者的有用性函数以及风险偏好来决定的。虽然风险投资在已经有比较深厚的研究基础，在风险导向决策方面仍然存在一些尚未解决的问题。因此，了解决定风险态度的因素对于投资者的决策非常重要[3-5]。根据Rustichini等人（2005年）的研究，投资者在危险、模糊和不确定情境中的行为也有心理因素的影响[6]。
个人的风险行为不能用概率值最大化来描述，但可以用预期效用最大化理论来描述。预期效用最大化理论描述的是行为呈现的是决策者的风险规避类型。另一种学派认为风险厌恶是对增加的风险的递减偏好[7]。杨秀兰（2005）指出风险投资面临着技术风险、市场风险、资金风险、管理风 险和环境风险等风险类型，需要制订规避投资风险的一系列策略[8]。
二、基于PLS的模型构建
根据相关学者对该问题的研究，本文建立了一个研究模型，包括风险属性（风险厌恶、多样化、家庭规模、配偶效应、经济地位低下和思想观念）和人口统计学变量（年龄、教育水平、性别、月收入和社会地位）两个变量集合。
研究假设：H1：所有的风险都是显著相关的，并且可以在其潜在的因素上得到解释。H11：风险厌恶与风险属性显著相关，并可以在风险属性上得到解释。H12：多样化与风险属性显著相关，并能得到解释。H13：家庭规模与风险属性显著相关，并可以得到解释。H14： 配偶效应与风险属性显著相关，并可以得到解释。H15：经济状况不稳定与风险属性有显著关系，并可以得到解释 H16：简洁度与风险属性有显著关系，并可以得到解释。H2：研究中的人口因素与风险属性（性别、年龄、教育水平、社会地位和月收入）之间存在着显著的关系。
利用SPSS对研究样本进行分析。性别作为一个绝对数字，是近似且似乎偏向于男性的（83：17）。占主导地位的年龄组是（30-35岁），约占研究样本的一半。学士学位持有者是研究样本中的主要群体，占样本的66%以上。就社会地位而言，已婚类别在样本中占主导地位，占整个样本的70%以上。详细数据如表1中所示。
研究模型的可靠性通过克伦巴赫指数来测试。有效性可以运用综合可靠性和平均解释方差（AVE）来描述。详细数据如表2所示。
三、案例模型数据分析
1.正态性
正态性是一个基本概念，在开始任何可信的数据调查之前需要对它进行确定。要做到这一点，研究数据必须类似于钟形数据分布以作为正态分布的反映。该研究考察了一些衡量标准，如峰度、偏度和标准差，它们被认为是数据的正常性指标。对于偏度的测量，它指定了分布的均匀性，而Kurtosis值是指研究数据在钟形正态分布方面的水平度和峰值，其值应小于1，标准偏差不应超过三个SD值（见表3）。
2.结构模型和路径分析
2.1 假设模型的分析：初始阶段
在该阶段中使用自举测试技术，为测试程序创建了2000个样本。T-Test的初步结果显示，假设模型的两边都有一些变量没有通过0.05显著水平的1.96基准线，这就要求重新考虑并可能放弃这些变量，并要求重新设计模型，只用可能接受的变量进行重新测试。初步结果如表4和图1中所示。基于样本研究和初步结果，假设H13、H15和H16都被拒绝，因为它们都没有通过T-Test措施的测试标准，不能代表与风险投资决策有关的人口因素。只有H11、H12和H14被采纳，并在修改后的模型中重新考虑。至于假设的另一个子模型：风险导向的投资决策（ROID），只有两个变量被接受重新纳入修改后的模型中;必要的真实性（RA）和多样化（DV），因为它们通过了T-Test测试标准。
2.2 修改后（重新设计的）模型的分析：第二个阶段
根据初始测试阶段的结果对假设模型进行调整，在假设的两个子模型中只包括通过测试标准的变量，如图3所示。再次使用了引导技术，并在原来106名受访者的2000个样本上进行了测试。结果显示，所有修改后的假设都被确认和接受，正如第一次初步测试和第二次测试所示，见表5、6。
四、结论
本研究调查了我国对金融投资有特殊兴趣的个人的投资行为，以风险态度作为他们的投资策略取向。研究结果显示，人口因素中的性别和社会地位投资领域的识别变量没有明显的贡献。结果显示，研究中接受的人口统计学变量（年龄、教育和月收入）与前面提到的接受的风险变量之间存在明显的有效关系。结果显示了一种逆向（负）关系;随着个人年龄的增长，他们在投资选择方面的意识会越来越差。此外，教育水平表明，个人更有可能承担风险，而忽略任何风险保留。最后，月收入越多的人比其他收入较少的人更有可能承担更多的风险。就更有意义的变量而言，月收入排名第一，其次是年龄，而对风险态度的DF影响最小的是教育水平。 参考文献：
[1]Horwitz， Richard （2004） Hedge fund risk fundamentals： solving the risk management and transparency challenge， Risk Fundamentals LLC， Bloomberg Press， Princeton， NJ， USA Jianakoplos， N. A. and Bernasek， A. （2006） Financial Risk Taking by Age and Birth Cohort， Southern Economic Journal. Vol 72（4）， 981-1001.
[2]张尧，关欣，孙杨，佐飞.考虑背景风险的项目投资决策[J].中国管理科学，2016，24（09）：71-80.
[3]Droms， W. G. （1987） Investment asset allocation for PFP clients. Journal of Accountancy， Vol 163， 114–118.
[4]Yang， J. and Qiu， W.， （2005） A measure of risk and a decision-making model based on expected utility and entropy， European Journal of Operational Research Vol 164， 792-799.
[5]Doubleday， W. G.， （2002） Expected utility and the cumulative consequences of repeated decisions： a tutorial， Risk， Decision and Policy Vol 7， 109-119.
[6]Rustichini， et al. （2005） Emotion and Reason in Making Decisions， Science Vol 310， pp. 1624-1625.
[7]Chew， S. H.， Karni， E. and Safra， Z.， （1987） Risk Aversion in the Theory of Expected Utility with Rank Dependent Probabilities， Journal of Economic Theory， Vol 42， 370–381.
[8]楊秀兰.风险投资的风险分担机制分析[J].经济经纬，2005（01）：137-139.