尾風險度量與定價能力分析

邢紅衛(wèi)，劉維奇,2，王漢瑛

1 山西大學 管理與決策研究所，太原 030006 2 山西財經大學 財政與金融學院，太原 030006 3 山西財經大學 會計學院，太原 030006

引言

經典的資本資產定價模型假設資產收益服從正態(tài)分布或者投資者效用函數是二次型，因而在均值-方差偏好下分析收益與風險的關系。然而，實際中資產收益的分布卻具有尖峰厚尾特征，或者說極端收益出現的概率遠高于正態(tài)分布尾部所表明的[1-3]，因此均值-方差框架下的方差風險并不能完全刻畫資產價格極端變化所產生的尾風險。實證結果也表明，在資產價格存在極端變化的前提下，平均50%以上的已實現方差風險溢價都歸結于尾風險[4-5]。實際中，資產價格的大幅變化基本都呈現緩漲暴跌的模式[6]。依據前景理論，與資產價格正的極端變化相比，投資者更關心資產價格負的極端變化帶來的風險，因而尾風險又被稱為左尾風險、極端下行風險、崩盤風險或災難風險。RIETZ[7]和BARRO[8]發(fā)現負的極端收益可以有效解釋股權溢價之謎，因此尾風險可能是潛在的風險定價因子。基于此，本研究探討尾風險是否具有定價能力，這將有助于進一步理解金融系統(tǒng)性風險的內涵。

1 相關研究評述

基于理性定價理論，高風險應該預期高收益，因此尾風險應該有正的風險溢價。然而，從行為金融學的角度分析，高的尾風險會使投資者產生恐慌情緒[4-5]，進而增加風險厭惡程度，看空市場前景，拋售現有資產或減少未來投資。在賣空限制下，由均衡定價理論可知資產未來價格會進一步降低，因而尾風險與股票預期收益是負向關系，即尾風險應具有負的風險溢價。目前，關于尾風險溢價的實證研究尚未得到一致結論。HUANG et al.[9]、KELLY et al.[10]和陳國進等[11]以基于Fama-French的3因子(FF3)或基于FF-Carhart的4因子模型的股票收益殘差度量尾風險，發(fā)現尾風險載荷高的股票有高的預期收益。然而VAN OORDT et al.[12]同樣以個股收益提取尾風險，發(fā)現尾風險高的股票有低的預期收益，這種現象在市場下跌期尤為顯著，而在其他時期尾風險溢價并不穩(wěn)??；MITTON et al.[13]、BOYER et al.[14]和鄭振龍等[15]發(fā)現特質偏度與股票預期收益之間存在負向關系，由于特質偏度與尾風險之間的相關性，因而這些研究也在一定程度上表明尾風險對股票收益有負向預測能力。

如何度量尾風險是分析其收益預測能力的關鍵，目前尾風險的度量方法大致可分為3類。第1類是基于股票收益的高階矩，如偏度和峰度[16-17]。BARNDORFF-NIELSEN et al.[18]和JACOD[19]的研究結果表明，已實現收益的3階矩依概率收斂于收益跳躍強度的3次方，因此AMAYA et al.[17]將已實現收益的偏度作為尾風險的代理指標。然而，CREMERS et al.[20]的實證研究表明尾風險與已實現收益的偏度有較低的相關性，已實現偏度并不能作為尾風險的代理變量；BAI et al.[21]發(fā)現峰度對股票收益的預測能力可以被波動率和偏度完全解釋，因而峰度也不能作為尾風險的代理指標。第2類是基于股票收益超過閾值的條件方差或與市場收益的條件協(xié)方差。ANG et al.[22]以低于平均市場超額收益的個股超額收益與市場超額收益的條件協(xié)方差計算貝塔，作為股票下行風險的度量指標；BALI et al.[23]假設收益服從HANSEN[24]提出的有偏t分布，以低于尾部分位點收益的方差作為尾風險的代理指標。但ANG et al.[22]和BALI et al.[23]都沒有區(qū)分正常收益與極端收益對尾風險的不同影響，而且在方差和協(xié)方差計算中變量是以等權形式進入，也沒有考慮不同程度的極端收益對尾風險的不同影響。第3類基于極值理論，以極值分布的極值指數作為尾風險的代理指標[10-12]。極值指數描述了分布尾部收斂于0的速率，極值指數越大，分布尾部收斂于0的速率越慢，收益極端變化的頻率和幅度越大，表明尾風險越大。因而，極值指數可以作為合理的尾風險度量指標，目前估計極值指數的方法主要有超越閾值(peak over threshold,POT)方法和塊最大(block maxima,BM)方法。

在基于極值理論的尾風險度量方面，BALI et al.[23]混合美國股票市場所有股票在每個月的日收益形成月度數據池，以5%分位點作為厚尾閾值選取極端收益；HUANG et al.[9]和VAN OORDT et al.[12]以美國股票市場除金融行業(yè)外的股票歷史收益作為滑動估計窗，同樣以5%分位點選取極端收益，或直接選取固定數量的極端收益，利用Hill估計[25]等POT方法估計極值指數作為股票當月的尾風險。首先，KELLY et al.[10]認為所有股票在橫截面具有相似的尾風險，相當于構建了市場層面的尾風險或所有股票共有的尾風險，然而由于上市公司所屬行業(yè)、資本結構、經營策略等不同，不同股票在同一時期所承擔的尾風險必然有所差異。其次，選取固定的分位點或固定數量的極端收益忽略了收益分布厚尾程度和偏態(tài)程度的時變性。盡管陳國進等[11]和KELLY et al.[10]選取厚尾閾值的做法不同，仿照花擁軍等[26]使用的峰度法確定動態(tài)閾值，然而峰度法無法刻畫分布的偏態(tài)程度。再次，RESNICK[27]研究表明，HUANG et al.[9]所用的POT方法對厚尾閾值選取很敏感，不合理的閾值會導致估計結果嚴重有偏，因而如何準確選取厚尾閾值成為POT方法的難點。

①本研究假設極端收益服從廣義極值分布，利用BM方法以FF3模型的收益殘差估計極值指數作為個股尾風險的代理變量。BM方法將樣本劃分為幾個塊，利用每個塊內的極端值構建估計統(tǒng)計量，避免了POT方法中厚尾閾值的選取問題，而且QI[28]證明BM方法對分塊的數量和每個塊內極端值的數量都有很好的穩(wěn)健性。②在度量股票尾風險的基礎上，以投資組合分析和橫截面回歸方法檢驗尾風險對股票收益的預測能力，在控制規(guī)模、交易量、非流動性、特質偏度等股票特征以及短期反轉和中期動量等股票歷史表現后檢驗尾風險收益預測能力的穩(wěn)健性。ANG et al.[29]和左浩苗等[30]發(fā)現特質波動率與股票預期收益之間是負向關系，MITTON et al.[13]、BOYER et al.[14]和鄭振龍等[15]發(fā)現特質偏度與股票預期收益之間也是負向關系，因而對尾風險特質波動率和特質偏度等進行橫截面相關性分析也有助于驗證尾風險收益預測能力的穩(wěn)健性。③以FAMA et al.[31]的方法構建尾風險定價因子，發(fā)現在FF3因子或Fama-French的5因子(FF5)基礎上包含尾風險因子的定價模型與FF3和FF5模型相比，對股票橫截面收益有更好的解釋能力。

2 尾風險的度量方法

股票價格急劇下跌，一部分源于系統(tǒng)性風險沖擊，另一部分源于特質層面的風險沖擊。ANDERSEN et al.[32]的研究表明收益變化可以分解為正常的波動變化和極端跳躍變化，因而本研究以市場模型的系統(tǒng)性風險因子捕捉收益的正常波動變化，而系統(tǒng)性風險因子無法解釋的部分反映了收益的極端變化。

類似于HUANG et al.[9]和KELLY et al.[10]的研究，從FF3模型無法解釋的收益部分提取尾風險，即

Ri,t-rt=αi+β1,iMKTt+β2,iSMBt+β3,iHMLt+εi,t

(1)

其中，Ri,t為i股票t時的收益率，rt為t時的無風險收益率，MKTt為t時的市場因子，SMBt為t時的規(guī)模因子，HMLt為t時的賬面市值比因子，αi為FF3模型回歸的截距項，β1,i～β3,i為各因子對應的系數，εi,t為FF3模型回歸的殘差項，αi+εi,t為i股票t時的收益中系統(tǒng)性風險因子無法解釋的部分。同時，用AR(1)-GARCH(1,1)模型過濾收益殘差序列的自相關性和異方差性，即

αi+εi,t=ηi+δiεi,t-1+μi,t

(2)

(3)

(4)

其中，x為服從廣義極值分布的自變量，R為實數，γ為極值指數。

HILL[25]在假設尾部分布為Pareto分布的前提下，以極大似然估計給出了極值指數γ的估計，即

(5)

其中，Xn,1≥Xn,2≥…≥Xn,n為隨機變量X1,X2,…,Xn的次序統(tǒng)計量；j為估計中超過厚尾閾值的極大次序統(tǒng)計量個數，j=1,2,…,k，k

(6)

其中，f為第l塊里選取用于估計的極大次序統(tǒng)計量個數，f=1,2,…,d。當d取1時，有

(7)

與Hill估計相比，QI[28]的估計有更小的漸近方差和均方誤差，而且對分塊的個數kn和每個塊內極端值的個數d都有很好的穩(wěn)健性。

與特質波動率和特質偏度等其他度量收益殘差的指標相比，極值指數雖然僅僅利用了收益殘差的極端值，然而極端值更加體現收益的變化幅度，而且不同變化幅度的極端值是以不同權重進入估計模型。盡管特質波動率和特質偏度利用了收益殘差的所有樣本，但是不同樣本都是以等權形式進入波動率或偏度的計算式。

3 數據和尾風險基本統(tǒng)計分析

3.1 數據

本研究選擇中國滬深兩市A股除創(chuàng)業(yè)板之外的所有股票作為研究對象。滬深兩市自1996年12月16日開始實行漲停盤制度，這種交易制度的施行會對股票收益變化產生較為復雜的影響，因此，本研究的樣本期選擇從1997年1月1日至2015年6月30日。初始樣本包括2 381只股票共6 069 096條數據，其中跌停的收益數據(≤-10%)只占全部收益數據的0.300%。因此，與陳國進等[11]其他基于中國股票市場研究尾風險的做法一樣，忽略漲跌停對尾風險度量及其風險溢價的影響。股票收益、公司特征、無風險收益以及市值因子、賬面市值比因子等系統(tǒng)性風險因子數據均來自國泰安CSMAR數據庫。

指標計算的細節(jié)如下：①以36個月作為BM方法的滑動估計窗，為了保證估計的有效性，要求股票在連續(xù)36個月內至少有540個交易日，否則剔除該股票數據。②以每個月作為BM方法的分塊，即kn=36。選取d=1，以月內日收益的第1最小值和第2最小值進行左尾極值指數估計。③剔除股票在月內的交易日少于10天的當月股票數據，在此基礎上以月內日數據回歸CAPM模型得到股票的貝塔，基于FF3模型的回歸殘差序列計算股票的特質波動率和特質偏度。④以流通市值的自然對數值作為股票的規(guī)模，以交易金額的自然對數值作為股票的交易量，以股票(t-6)月～(t-2)月的累積收益作為股票t月的動量指標，以(t-1)月的收益測量t月的收益短期反轉。⑤梁麗珍等[35]的研究表明，在中國股票市場AMIHUD[36]的非流動性測度優(yōu)于其他流動性測度，因此以AMIHUD[36]的測度作為流動性指標。

3.2 尾風險基本統(tǒng)計分析

基于(7)式估計股票的尾風險，并且以流通市值加權計算得到2000年1月至2015年6月共186個月的市場尾風險，發(fā)現本世紀以來中國股票市場的尾風險發(fā)生了劇烈變化。隨著十六屆三中全會以后一系列關于資本市場政策的出臺，尾風險從2000年1月的0.063一路下降至2003年9月的0.053。之后股票市場一路高歌，尾風險也急劇上升至2006年7月的0.072，增加了約36%。在股票市場牛市和崩盤期間，尾風險都保持在0.070以上的高水平狀態(tài)。隨著市場風險全面釋放，2009年3月尾風險開始迅速下降，直至2011年12月下降至0.054后又呈現逐漸上升趨勢。從2000年1月至2015年6月，市場尾風險呈現出W形，均值為0.061，最小值為0.053，最大值為0.072，有著高達0.006的方差和0.493的分布偏度。那么，如此跌宕起伏的尾風險對股票收益有什么影響。

本研究先對不同尾風險(TR)組合的特征進行分析，尾風險組合包括規(guī)模(Size)、交易量(Volu)、貝塔(Beta)、動量(Mom)、短期反轉(Rev)、非流動性(Illiq)、換手率(Tur)、總波動率(Tvol)、特質波動率(Ivol)和特質偏度(Iske)。將2000年1月至2015年6月所有股票按照尾風險從低到高構建十分位組合，組合的各個特征變量見表1。由表1可知，不同尾風險組合的規(guī)模、換手率、總波動率和特質波動率都呈現較強的單調性，低尾風險股票組合的規(guī)模大，換手率、總波動率和特質波動率都低，高尾風險股票組合的規(guī)模小，換手率、總波動率和特質波動率都高，而不同尾風險組合的交易量、貝塔、動量、短期反轉、非流動性、特質偏度都不具有明顯的趨勢性差異。

4 尾風險的收益預測能力分析

4.1 單變量投資組合分析

首先，以投資組合分析方法檢驗尾風險的收益預測能力。在每個月的月底以尾風險從低到高排序構建5分位組合，以流通市值加權(value-weight,VW)計算組合的尾風險，并且分別持有組合1個月、3個月和6個月，以流通市值加權和等權(equal-weight,EW)計算組合收益，檢驗高、低尾風險組合的預期收益是否存在差異。為了避免系統(tǒng)性風險報酬對尾風險溢價的影響，進一步以FF3模型對組合收益進行回歸，過濾其中的系統(tǒng)性風險溢價后，比較高低組合之間的常數項α是否存在差異，并進行Newey-West-t統(tǒng)計檢驗[37]，結果見表2。

表2中，第2列是以流通市值加權計算的組合尾風險，低尾風險組合的流通市值加權尾風險為0.043，高尾風險組合的流通市值加權尾風險為0.092。第3列是持有組合1個月后的流通市值加權收益，其中低尾風險組合的流通市值加權收益為1.178%，高尾風險組合的流通市值加權收益為0.994%，高、低尾風險組合之間的收益差為-0.184%，相應的Newey-West-t統(tǒng)計量為-3.372，表明高、低尾風險組合的預期收益之間存在顯著差異，并且低尾風險組合未來有高收益，而高尾風險組合未來有低收 益。以FF3模型回歸組合收益，發(fā)現高、低尾風險組合的常數項差異為-0.295%，且相應的Newey-West-t統(tǒng)計量為-3.983，表明調整系統(tǒng)性風險后高、低尾風險組合的異常收益之差依然顯著為負。第4列和第5列分別是持有組合3個月和6個月后的流通市值加權收益，高、低尾風險組合的預期收益同樣存在顯著差異，并且高尾風險組合有低的預期收益，低尾風險組合有高的預期收益，經FF3模型調整系統(tǒng)性風險后負向差異依然顯著。表2的后3列是以等權計算尾風險組合的預期收益，同樣發(fā)現高、低尾風險組合的預期收益存在顯著的負向差異。因此，說明尾風險能夠顯著地負向預測股票收益。

表1 尾風險組合的特征分析結果Table 1 Analysis Results for Characteristics of Stock Portfolios Sorted by Tail Risk

表2 尾風險組合的預期收益分析結果Table 2 Analysis Results for Expected Returns on Stock Portfolios Sorted by Tail Risk

注：括號內數據為Newey-West-t統(tǒng)計量值，下同。

表3 以總收益提取尾風險的組合分析結果Table 3 Portfolio Analysis Results for Tail Risk Extracted from Total Returns

表2是按照HUANG et al.[9]和KELLY et al.[10]的研究方法，從FF3模型的殘差項提取尾風險。為了進一步檢驗尾風險對收益預測能力的穩(wěn)健性，本研究也按照陳國進等[11]和VAN OORDT et al.[12]的方法，直接以股票的總收益提取尾風險，組合分析結果見表3。與表2的組合分析相類似，在每個月的月底以股票總收益提取的尾風險構建5分位組合，并且分別持有組合1個月、3個月和6個月，發(fā)現不論是以流通市值加權計算組合預期收益，還是以等權計算組合預期收益，高、低尾風險組合的預期收益都存在顯著的負向差異，即高尾風險組合有低的預期收益，低尾風險組合有高的預期收益。

4.2 兩變量投資組合分析

為了分析尾風險對股票收益負向預測能力的穩(wěn)健性，本研究用二維投資組合進行進一步檢驗。先以尾風險之外的股票其他特征作為控制變量構建5分位股票組合，在每一個組合內再以尾風險構建5分位組合，形成5×5二維投資組合，并分別以流通市值加權和等權持有組合1個月。對5個控制變量組合的預期收益進行算術平均，這樣不論控制變量較大的股票還是控制變量較小的股票，都被平均分配到按尾風險形成的組合中，即控制變量對不同尾風險組合預期收益的影響被消除?？刂破渌蛩氐挠绊懞?，檢驗高、低尾風險組合在持有期的收益是否存在顯著的負向差異。為了避免股票的系統(tǒng)性風險報酬對尾風險溢價的影響，在比較組合收益差異的基礎上，同樣以FF3模型過濾系統(tǒng)性風險溢價后比較常數項α的差異。

表4給出尾風險與股票預期收益關系的二維組合分析結果，第2列至第11列分別為控制規(guī)模、交易量、貝塔、動量、短期反轉、非流動性、換手率、總波動率、特質波動率和特質偏度的組合預期收益。分別控制規(guī)模、交易量、貝塔、動量、短期反轉、非流動性、總波動率后，高、低尾風險組合預期收益的負向差異沒有明顯減弱。盡管在控制換手率、特質波動率、特質偏度后，高、低尾風險組合預期收益的負向差異有所減弱，但是尾風險與股票預期收益之間的負向關系依然顯著。不論是高、低尾風險組合的預期收益差異，還是經FF3模型調整系統(tǒng)性風險后的常數項α差異，高、低尾風險組合的預期收益之間都存在顯著的負向差異。因此，二維投資組合分析表明尾風險對股票收益有穩(wěn)健的負向預測能力。

4.3 橫截面回歸分析

由于股票的各個特征之間存在相關性，二維投資組合分析無法同時控制多個變量對股票預期收益的影響。為了同時檢驗多個控制變量對尾風險溢價的影響，以尾風險及其他控制變量對股票預期收益進行Fama-MacBeth[38]橫截面回歸，即

Ri,t+1=ai+biTRi,t+ciControlsi,t+εi,t+1

(8)

其中，Ri,t+1為i股票在(t+1)時的收益，TRi,t為i股票在t時的尾風險，Controlsi,t為i股票在t時的控制變量，包括規(guī)模、交易量、貝塔、動量、短期反轉、非流動性、 換手率、總波動率、特質波動率和特質偏度，ai為常數項，bi為尾風險的回歸系數，ci為控制變量的回歸系數，εi,t+1為橫截面回歸的殘差項。

表4 尾風險與股票預期收益關系的二維組合分析結果Table 4 Analysis Results for the Relation between Tail Risk and Expected Stock Returns by Bivariate Portfolios

在進行尾風險和多個控制變量對股票預期收益的橫截面回歸之前，先對尾風險和控制變量進行相關性檢驗。在每個橫截面計算股票尾風險和控制變量的相關系數，然后在時間序列上檢驗相關系數的顯著性，結果見表5。規(guī)模、換手率、總波動率和特質波動率都與尾風險存在較高的橫截面相關性，相應的相關系數分別為-0.149、0.156、0.150和0.155。尾風險與貝塔、非流動性和特質偏度也存在顯著的正相關性，表明尾風險高的股票風險載荷和非流動性風險也較高，這與表1組合特征分析的結果基本一致。尾風險與交易量、動量和短期反轉之間不存在顯著的相關性。

根據回歸模型控制變量的選取，構建3個不同的橫截面回歸模型，在每個月以尾風險和其他控制變量對股票未來1個月的預期收益進行回歸，計算回歸系數的時間序列平均值并進行Newey-West-t統(tǒng)計檢驗，檢驗結果見表6。模型中的所有變量以最大值標 準化，被調整為0～1之間的值，樣本期從2000年1月至2015年6月，共計186個月。模型1為尾風險對股票預期收益的單變量回歸，回歸系數為-0.029，相應的Newey-West-t統(tǒng)計量為-3.534，表明尾風險與股票預期收益存在顯著的負向橫截面關系。在模型2中加入規(guī)模等所有控制變量后，尾風險的回歸系數為-0.001，相應的Newey-West-t統(tǒng)計量為-2.537，依然顯著。與模型1相比，回歸系數及其顯著性程度都有所降低。規(guī)模、交易量、貝塔、動量、短期反轉和非流動性的回歸系數不顯著，而換手率、總波動率、特質波動率和特質偏度的回歸系數都顯著，因此尾風險與預期收益的負向關系在一定程度上可以被換手率、總波動率、特質波動率和特質偏度的共同作用所解釋。模型3保留規(guī)模、交易量、貝塔、動量、短期反轉和非流動性作為控制變量，發(fā)現尾風險的回歸系數依然顯著為負，表明尾風險具有穩(wěn)健的負向溢價。

表5 尾風險與股票特征的橫截面相關性分析結果Table 5 Cross-sectional Correlation Analysis Results for the Tail Risk and Stock Characteristics

表6 尾風險與股票預期收益的橫截面回歸分析結果Table 6 Cross-sectional Rregression Analysis Results for the Tail Risk and Expected Stock Returns

4.4 融資融券對尾風險溢價的影響

在研究樣本期內，中國股票市場的交易機制發(fā)生了重大變革。2006年6月30日證監(jiān)會發(fā)布《證券公司融資融券業(yè)務試點管理辦法》，2008年10月5日證監(jiān)會宣布啟動融資融券試點，2010年3月30日上海、深圳證券交易所正式發(fā)出通知，將于2010年3月31日起接受券商的融資融券交易申報，融資融券交易正式進入市場操作階段。截至2015年6月，滬深兩市可以融資融券的標的A股已經增至882只。融資融券交易可以增加市場流動性，穩(wěn)定資產內在價格和規(guī)避市場風險。李科等[39]的研究表明賣空限制導致了股價高估，融資融券制度等做空機制有助于矯正被高估的股價，提高市場定價效率；陳海強等[40]考察融資融券制度對中國股市波動率的影響，認為融資融券制度能夠有效降低標的個股的波動率；而王朝陽等[41]卻發(fā)現融資融券會加劇標的個股的波動率。

為了檢驗這種高杠桿交易模式下尾風險和尾風險溢價的變化，本研究選擇2010年4月至2015年6月期間融資融券標的股票和非融資融券標的股票，檢驗兩者之間尾風險和尾風險溢價的差異。通過比較發(fā)現，融資融券標的股票與非融資融券標的股票的尾風險存在顯著差異，見圖1，融資融券標的股票的尾風險顯著低于非融資融券標的股票的尾風險，且平均低0.002，相應的t統(tǒng)計量為5.582。

分別以融資融券標的股票的尾風險和非融資融券標的股票的尾風險構建5分位組合，以流通市值加權計算組合的尾風險并持有組合1個月，以流通市值加權和等權計算組合收益，結果見表7。由表7可知，每個融資融券標的股票組合的尾風險都低于非融資融券標的股票組合。對于融資融券標的股票，流通市值加權的高、低尾風險組合預期收益之間不存在顯著差異，等權的高、低尾風險組合預期收益之間存在顯著的正向差異；對于非融資融券標的股票，高、低尾風險組合預期收益之間依然存在顯著的負向差異。由此可見，盡管融資融券交易蘊含復雜的杠桿交易風險、強制平倉風險、監(jiān)管風險等，但作為一種可選的多樣化投資機會和風險規(guī)避手段，不僅可以為投資者規(guī)避尾風險帶來的損失，甚至可以獲得尾風險補償，因此中國資本市場尚未完全開放融資融券交易機制可能是產生尾風險負向溢價的主要原因。進一步，相對于融資融券標的股票，非融資融券標的股票在市場中占大多數，而且平均尾風險溢價的絕對值更大，因此市場整體表現出負向的尾風險溢價。

5 尾風險調整的定價模型分析

5.1 尾風險因子

由于尾風險有負的風險溢價，因此按照FAMA et al.[31]的方法買多尾風險低的組合，并且同時賣空尾風險高的組合，以買多-賣空獲得的套利定義尾風險因子(centralized minus dispersive,CMD)?；诜€(wěn)健性的考慮，本研究以3種方式構建尾風險因子。①將股票分為30%尾風險較低的股票、40%尾風險居中的股票和30%尾風險較高的股票，買多30%尾風險較低的股票組合同時賣空30%尾風險較高的股票組合(CMD30-30)；②將股票分為尾風險較低的40%股票、尾風險居中的20%股票和尾風險較高的40%股票，買多40%尾風險較低的股票組合同時賣空40%尾風險較高的股票組合(CMD40-40)；③將股票分為尾風險較低的50%股票和尾風險較高的50%股票，買多50%尾風險較低的股票組合同時賣空50%尾風險較高的股票組合(CMD50-50)。

圖1 融資融券與非融資融券標的股票的尾風險Figure 1 Tail Risk on Stocks Margin Trading and Stocks Non-margin Trading

融資融券標的股票TR市值加權組合收益率等權組合收益率非融資融券標的股票TR市值加權組合收益率等權組合收益率低尾風險0.0542.4732.9290.0563.4603.88020.0702.5763.0030.0713.6353.85130.07772.4453.1970.07823.3343.65240.08472.8322.9170.08543.2773.717高尾風險0.1012.5723.0610.1033.2483.600預期收益之差0.099(1.793)0.132(2.928)-0.212(-2.088)-0.280(-3.210)常數項之差0.049(1.808)0.408(2.183)-0.238(-2.812)-0.253(-2.504)

首先，分析3種方式定義的尾風險因子與FF5模型的市場風險溢價因子(MKT)、市值因子(SMB)、賬面市值比因子(HML)、盈利因子(RMW)、投資因子(CMA)的基本統(tǒng)計量；其次，分析尾風險因子與5因子之間的相關性；最后，以5因子回歸尾風險因子，檢驗5因子對尾風險因子的解釋程度，具體結果見表8。A欄中3種方式定義的尾風險因子的均值分別為0.0014、0.0016、0.0013，表明尾風險具有正的平均風險價格，低于風險溢價因子、市值因子和賬面市值比因子，而高于盈利因子和投資因子，并且與賬面市值比因子、盈利因子、投資因子的標準差都在0.022～0.032之間。B欄表明尾風險因子與市值因子、賬面市值比因子、盈利因子有較高的相關性，同時市值因子與賬面市值比因子、盈利因子、投資因子也有較高的相關性，盈利因子與投資因子也有較高的相關性。為此，C欄分別以3種方式定義的尾風險因子為因變量，以5因子為自變量進行回歸，檢驗回歸模型截距項的顯著性。結果顯示以尾風險因子為因變量的回歸截距項都為正，且Newey-West-t統(tǒng)計檢驗顯著，表明尾風險因子并不能被5因子完全解釋。并且，市場風險溢價因子、市值因子、賬面市值比因子的回歸系數顯著，而盈利因子和投資因子的回歸系數不顯著，表明尾風險因子能夠捕捉部分市場風險溢價因子、市值因子、賬面市值比因子無法解釋的風險溢價，而且與盈利因子和投資因子之間存在正交的風險溢價。

5.2 模型定價效率檢驗

表8 尾風險因子與 FF5因子的基本統(tǒng)計結果Table 8 Summary Statistics Results for Tail Risk Factor and FF Five Factors

注：括號內數據為t統(tǒng)計量。

表9 模型定價效率分析結果Table 9 Analysis Results for Model Pricing Efficiency

6 結論

本研究以市場模型無法解釋的收益殘差為樣本，以極值理論為基礎，提出一種穩(wěn)健性更好的方法估計極值指數，作為尾風險的代理變量。研究結果表明，尾風險可以負向預測股票收益，而且預測能力具有時間上的持續(xù)性，以股票總收益提取尾風險也可以得到一致的結果。控制規(guī)模、交易量等股票特征后，尾風險依然穩(wěn)健地負向預測股票收益，表明尾風險溢價并不能被這些變量所解釋。控制反映公司特質層面風險的特質波動率和特質偏度后，尾風險的負向溢價仍然顯著，表明尾風險能夠捕捉特質波動率和特質偏度之外的特質層面風險。特質波動率和特質偏度對于不同幅度的極端收益都賦予了等權，而尾風險考慮了不同幅度極端收益的不同程度影響。

以買多-賣空組合構建尾風險定價因子，發(fā)現相對于風險溢價因子、市值因子、賬面市值比因子、盈利因子和投資因子，尾風險因子并不是冗余因子，而且比盈利因子和投資因子的風險價格更高。因此，比較FF3模型、尾風險因子調整的FF3模型、FF5模型、尾風險因子調整的FF5模型的定價效率，尾風險調整的定價模型可以更有效地解釋股票橫截面收益，證實了尾風險的定價能力。融資融券作為一種能夠活躍市場流動性的交易方式，既有比普通交易更為復雜的風險，也可以在一定條件下加快市場的價格發(fā)現功能，降低股票的尾風險。穩(wěn)健性檢驗表明，融資融券標的股票的尾風險顯著低于非融資融券標的股票的尾風險，而且融資融券交易可以在一定程度上解釋尾風險的負向溢價。然而由于解釋能力較弱，而且目前中國開展融資融券的標的股票占少數，因而市場整體表現出顯著的負向溢價。

盡管中國經濟依舊保持著高速增長，但是全球經濟將持續(xù)2008年金融危機后的低迷狀態(tài)。既有的全球經濟治理結構缺乏有效的宏觀協(xié)調機制，導致各國財政、貨幣、結構性政策各自為政，同時深陷債務危機的歐洲各國將迎來大選，經濟繁榮褪去后難民、恐怖活動等社會矛盾也頻頻凸顯，這些金融市場外部環(huán)境的不確定性也將進一步加劇市場尾風險。如何一方面施行合理有效的創(chuàng)新交易機制規(guī)避尾風險，另一方面預防交易機制在預防尾風險時的自有風險，將是今后的研究方向。

[1]MANDELBROT B.The variation of certain speculative prices.TheJournalofBusiness,1963,36(4):394-419.

[2]FAMA E F.Mandelbrot and the stable Paretian hypothesis.TheJournalofBusiness,1963,36(4):420-429.

[3]FAMA E F.The behavior of stock-market prices.TheJournalofBusiness,1965,38(1):34-105.

[4]BOLLERSLEV T,TODOROV V.Tails,fears,and risk premia.TheJournalofFinance,2011,66(6):2165-2211.

[5]BOLLERSLEV T,TODOROV V,XU L.Tail risk premia and return predictability.JournalofFinancialEconomics,2015,118(1):113-134.

[6]BARROSO P,SANTA-CLARA P.Momentum has its moments.JournalofFinancialEconomics,2015,116(1):111-120.

[7]RIETZ T A.The equity risk premium a solution.JournalofMonetaryEconomics,1988,22(1):117-131.

[8]BARRO R J.Rare disasters and asset markets in the twentieth century.TheQuarterlyJournalofEconomics,2006,121(3):823-866.

[9]HUANG W,LIU Q,RHEE S G,et al.Extreme downside risk and expected stock returns.JournalofBanking&Finance,2012,36(5):1492-1502.

[10] KELLY B,JIANG H.Tail risk and asset prices.TheReviewofFinancialStudies,2014,27(10):2841-2871.

[11] 陳國進,許秀,趙向琴.罕見災難風險和股市收益:基于我國個股橫截面尾部風險的實證分析.系統(tǒng)工程理論與實踐,2015,35(9):2186-2199.

CHEN Guojin,XU Xiu,ZHAO Xiangqin.Rare disaster risk and asset return:evidence from tail risk in Chinese stock market.SystemsEngineering-Theory&Practice,2015,35(9):2186-2199.(in Chinese)

[12] VAN OORDT M R C,ZHOU C.Systematic tail risk.JournalofFinancialandQuantitativeAnalysis,2016,51(2):685-705.

[13] MITTON T,VORKINK K.Equilibrium underdiversification and the preference for skewness.TheReviewofFinancialStudies,2007,20(4):1255-1288.

[14] BOYER B,MITTON T,VORKINK K.Expected idiosyncratic skewness.TheReviewofFinancialStudies,2010,23(1):169-202.

[15] 鄭振龍,王磊,王路跖.特質偏度是否被定價?.管理科學學報,2013,16(5):1-12.

ZHENG Zhenlong,WANG Lei,WANG Luzhi.Is idiosyncratic skewness priced?.JournalofManagementSciencesinChina,2013,16(5):1-12.(in Chinese)

[16] DITTMAR R F.Nonlinear pricing kernels,kurtosis preference,and evidence from the cross section of equity returns.TheJournalofFinance,2002,57(1):369-403.

[17] AMAYA D,CHRISTOFFERSEN P,JACOBS K,et al.Does realized skewness predict the cross-section of equity returns?.JournalofFinancialEconomics,2015,118(1):135-167.

[18] BARNDORFF-NIELSEN O E,KINNEBROCK S,SHEPHARD N.Measuring downside risk:realized semivariance∥BOLLERSLEV T,RUSSELL J,WATSON M.VolatilityandTimeSeriesEconometrics:EssaysinHonorofRobertF.Engle.Oxford:Oxford University Press,2010:117-136.

[19] JACOD J.Statistics and high-frequency data∥KESSLER M,LINDNER A,S?RENSEN M.StatisticalMethodsforStochasticDifferentialEquations.Boca Raton,FL:CRC Press,2012:191-310.

[20] CREMERS M,HALLING M,WEINBAUM D.Aggregate jump and volatility risk in the cross-section of stock returns.TheJournalofFinance,2015,70(2):577-614.

[21] BAI J,BALI T G,WEN Q.Dothedistributionalcharacteristicsofcorporatebondspredicttheirfuturereturns?.Washington,DC:Georgetown University,2015.

[22] ANG A,CHEN J,XING Y.Downside risk.TheReviewofFinancialStudies,2006,19(4):1191-1239.

[23] BALI T G,DEMIRTAS K O,LEVY H.Is there an intertemporal relation between downside risk and expected returns?.JournalofFinancialandQuantitativeAnalysis,2009,44(4):883-909.

[24] HANSEN B E.Autoregressive conditional density estimation.InternationalEconomicReview,1994,35(3):705-730.

[25] HILL B M.A simple general approach to inference about the tail of a distribution.TheAnnalsofStatistics,1975,3(5):1163-1174.

[26] 花擁軍,張宗益.基于峰度法的POT模型對滬深股市極端風險的度量.系統(tǒng)工程理論與實踐,2010,30(5):786-796.

HUA Yongjun,ZHANG Zongyi.POT model based on kurtosis and its empirical study on extreme risk of Chinese stock markets.SystemsEngineering-Theory&Practice,2010,30(5):786-796.(in Chinese)

[27] RESNICK S I.Heavy-tailphenomena:probabilisticandstatisticalmodeling.New York:Springer Science and Business Media,LLC,2007:78-90.

[28] QI Y.On the tail index of a heavy tailed distribution.AnnalsoftheInstituteofStatisticalMathematics,2010,62(2):277-298.

[29] ANG A,HODRICK R J,XING Y,et al.The cross-section of volatility and expected returns.TheJournalofFinance,2006,61(1):259-299.

[30] 左浩苗,鄭鳴,張翼.股票特質波動率與橫截面收益:對中國股市“特質波動率之謎”的解釋.世界經濟,2011,34(5):117-135.

ZUO Haomiao,ZHENG Ming,ZHANG Yi.Idiosyncratic volatility and cross-sectional expected return:an investigation of “idiosyncratic volatility puzzle” in China stock market.TheJournalofWorldEconomy,2011,34(5):117-135.(in Chinese)

[31] FAMA E F,FRENCH K R.Common risk factors in the returns on stocks and bonds.JournalofFinancialEconomics,1993,33(1):3-56.

[32] ANDERSEN T G,BOLLERSLEV T,DIEBOLD F X,et al.Modeling and forecasting realized volatility.Econometrica,2003,71(2):579-625.

[34] PAULAUSKAS V.A new estimator for a tail index.ActaApplicandaeMathematicae,2003,79(1/2):55-67.

[35] 梁麗珍,孔東民.中國股市的流動性指標定價研究.管理科學,2008,21(3):85-93.

LIANG Lizhen,KONG Dongmin.Empirical test on the pricing of liquidity measures in Chinese stock market.JournalofManagementScience,2008,21(3):85-93.(in Chinese)

[36] AMIHUD Y.Illiquidity and stock returns:cross-section and time-series effects.JournalofFinancialMarkets,2002,5(1):31-56.

[37] NEWEY W K,WEST K D.A simple,positive semi-definite,heteroskedasticity and autocorrelation consistent covariance matrix.Econometrica,1987,55(3):703-708.

[38] FAMA E F,MACBETH J D.Risk,return,and equilibrium:empirical tests.JournalofPoliticalEconomy,1973,81(3):607-636.

[39] 李科,徐龍炳,朱偉驊.賣空限制與股票錯誤定價:融資融券制度的證據.經濟研究,2014,49(10):165-178.

LI Ke,XU Longbing,ZHU Weihua.Short-sale constrains and stock mispricing:the evidences from the margin transactions institution.EconomicResearchJournal,2014,49(10):165-178.(in Chinese)

[40] 陳海強,范云菲.融資融券交易制度對中國股市波動率的影響:基于面板數據政策評估方法的分析.金融研究,2015(6):159-172.

CHEN Haiqiang,FAN Yunfei.The impact of the launch of margin trading and short selling on Chinese stock market volatility:evidence from a panel-data policy evaluation approach.JournalofFinancialResearch,2015(6):159-172.(in Chinese)

[41] 王朝陽,王振霞.漲跌停、融資融券與股價波動率:基于AH股的比較研究.經濟研究,2017,52(4):151-165.

WANG Chaoyang,WANG Zhenxia.Price limit,margin trading,and stock price volatility:a comparative study between A-shares and H-shares.EconomicResearchJournal,2017,52(4):151-165.(in Chinese)

[42] FAMA E F,FRENCH K R.A five-factor asset pricing model.JournalofFinancialEconomics,2015,116(1):1-22.

[43] GIBBONS M R,ROSS S A,SHANKEN J.A test of the efficiency of a given portfolio.Econometrica,1989,57(5):1121-1152.

FundedProject:Supported by the Education of Humanities and Social Science Research on Youth Fund Project(16YJC790113) and the Philosophy and Social Science of Shanxi Province(2017203)

Biography:XING Hongwei, doctor in management, is a lecturer in the Institution of Management and Decision at Shanxi University. His research interests include asset pricing and behavioral finance. His representative paper titled “Investment preference and the idiosyncratic volatility puzzle: evidence from China stock market” was published in theChineseJournalofManagementScience(Issue 8, 2014). E-mail：hongweix@sxu.edu.cn

LIU Weiqi, doctor in management, is a professor in the Institution of Management and Decision at Shanxi University and Faculty of Finance and Banking at Shanxi University of Finance and Economics. His research interests include financial engineering and risk management. His representative paper titled “Individual/institutional investor sentiment and stock returns: study based on Shanghai A-share market” was published in theJournalofManagementSciencesinChina(Issue 3, 2014). E-mail：liuwq@sxu.edu.cn

WANG Hanying, doctor in management, is a lecturer in the Faculty of Accounting at Shanxi University of Finance and Economics. Her research interests include corporate finance and business ethics. Her representative paper titled “CSR selection after the crises about harm to products: business CSR or philanthropic CSR” was published in theJournalofShanghaiUniversityofFinanceandEconomics(Issue 3, 2016). E-mail：hanyingw1988@163.com