齊玉錄

(東北財經大學 金融學院，遼寧 大連 116025)

一、問題的提出

經典資本資產定價模型中股票的期望收益與Beta是顯著正相關的，但是大量實證研究發(fā)現高(低)Beta的股票獲得較低(高)的超額回報，這種現象被稱為Beta異象(Beta Anomaly)。Beta異象起源于Black[1]提出的風險收益之間較平坦的回歸關系，隨后Baker等[2]、Frazzini和Pedersen[3]、Cederburg和O’Doherty[4]的研究則發(fā)現Beta與股票收益之間存在顯著負相關的關系。

與資本資產定價模型關注Beta不同，Ang等[5-6]、Stambaugh等[7]研究發(fā)現除系統(tǒng)性風險Beta外，公司特質風險對股票收益也有顯著的影響，并且低特質風險的股票具有更高的超額回報，這種現象被稱為特質波動率異象(Idiosyncratic Volatility Anomaly)。這種特質波動率異象不僅在發(fā)達市場存在，在中國股市中也被證實存在，如左浩苗等[8]、劉維奇等[9]均驗證了這一異象的存在。

從經驗證據上看，Beta和特質波動對股票收益的影響表現出類似的特征：低風險高收益，即低風險異象(Low Risk Anomaly)。但是，從本質上看，Beta是系統(tǒng)性風險，特質波動是非系統(tǒng)性風險，兩者對股票收益的影響應該是不同的。那么，低風險異象中的Beta異象和特質波動率異象究竟什么關系呢？國內外文獻對此問題的討論尚少，并且相關研究的經驗證據也存在矛盾[10-11]。Beta異象和特質波動率異象具有類似的理論解釋：首先，市場的套利限制(如杠桿限制和做空限制等)是異象的來源。Frazzini和Pedersen[3]認為杠桿限制導致了Beta異象，Cao和Han[12]認為套利限制導致了特質波動率異象。其次，投資者的行為偏好是異象的來源。Bali等[13]認為投資者彩票型偏好能解釋特質波動率異象，Bali等[14]認為投資者彩票型偏好也能解釋Beta異象。最后，套利限制加上投資者的行為偏好共同導致了異象的存在。Hong和Sraer[15]認為Beta異象是由投資者意見分歧和面臨做空限制導致的，Stambaugh等[7]認為套利限制和投資者對股票的錯誤定價導致了特質波動率異象。

鑒于國內外文獻通常只考慮Beta異象或特質波動率異象，對兩者之間相同的結論和類似的解釋關注較少，本文著重從兩者的關聯(lián)與對比角度進行實證研究，重點分析低風險異象的來源及其穩(wěn)健性。對于穩(wěn)健性，本文有以下三方面的考慮：首先，采用Beta和特質波動率雙重分組和構造特質波動率因子的方法，控制Beta和特質波動率的相互影響。其次，理論上，股票的Beta等于股票與市場的相關系數乘以股票方差與市場方差的比值，而特質波動體現的是除去系統(tǒng)性因素外的股票方差，兩者之間最大的差異在于股票與市場的相關系數。因此，需要控制股票與市場的相關性，本文構造相關性因子來控制這種影響，進而識別Beta和特質波動率的各自作用。最后，盡管Liu等[10]和Asness等[11]分別考慮了Beta異象和特質波動率異象的關系，但是都沒有考慮投資者異質信念等行為因素，并且Liu等[10]沒有使用Fama和French[16]的五因子模型控制其他公司因素，也沒有考慮投資者彩票型偏好等因素。本文將充分考慮這些因素對低風險異象存在性及其穩(wěn)健性的影響。

二、相關文獻綜述

(一)Beta異象的相關文獻

Beta異象是指低Beta股票組合與高Beta股票組合相比具有顯著為正的超額收益，這是關于證券收益實證研究中持續(xù)時間最長、最廣泛的異象之一。Black[1]發(fā)現美國股市的證券市場線斜率比CAPM理論的更平緩，之后越來越多的實證研究表明，Beta和預期收益率之間呈現明顯的負向關系，高Beta的股票在未來往往表現較差，而低Beta的股票卻表現更好，但是不同的研究給出了不同的解釋。

部分研究從機構投資者行為和套利限制的角度給出了Beta異象的解釋。Baker等[2]認為這種異象可以由機構投資者行為解釋，當低Beta股票被低估或高Beta股票被高估時，基金經理只在意自己的投資組合是否贏過指數，沒有動力進行相應的買入和賣空套利，這便導致了市場上Beta異象的長期存在。Frazzini和Pedersen[3]從杠桿限制和融資流動性風險角度解釋了Beta異象，認為高(低)Beta資產具有低(高)超額回報是因為市場存在杠桿限制和融資流動性風險。Cederburg和O’Doherty[4]認為通過買入高Beta股票，賣空低Beta股票的組合策略盡管得到了顯著為負的CAPM超額回報，但是該超額回報是有偏的，低Beta股票組合和高Beta股票組合的條件超額回報的差異是不顯著的。他們發(fā)現Beta異象之所以“看起來”存在，是由于個股的Beta和其在市場上的權重具有系統(tǒng)性的趨勢變動，當高Beta股票受到對股票溢價正向沖擊的影響時，該股票的市場權重會下降，這使得高Beta股票組合整體收益率降低，也就產生了表面上的Beta異象。

部分研究從行為金融的角度給出了Beta異象的解釋。Bali等[14]認為投資者對彩票型股票的需求是導致Beta異象的重要原因。彩票型股票的投資者對于股價在短期大幅上漲具有較高可能性的股票有需求，這種上漲部分由該股票對整體市場的敏感性Beta驅動，對彩票型股票的大量非理性需求也因此施加到高Beta股票上，導致該類股票價格被推高，未來收益率下降。Antoniou等[17]認為投資者情緒造成了Beta異象。CAPM中證券市場線在情緒悲觀期間向右上傾斜，但是在情緒樂觀期間向右下傾斜，這是由于情緒樂觀期間噪聲交易者交易更活躍，他們更多持有高Beta股票，導致這類股票被高估。而在情緒悲觀期間由于噪聲交易者減少，因而傳統(tǒng)的Beta定價適用(高Beta高收益)。Hong和Sraer[15]認為Beta異象是由投資者意見分歧和面臨做空限制導致的，在CAPM框架下，引入了投資者對上市公司現金流信息的意見分歧，以及部分投資者面臨做空限制，從理論上解釋了實證研究中的Beta異象。高Beta資產容易出現投機性價格高估，當投資者對未來預期出現分歧時，高Beta資產對分歧更敏感，會經歷更大的對收益率的意見分歧，而市場有賣空限制，因而高Beta股票被高估。當投資者意見分歧較小時，證券市場線會呈現正常的向上傾斜；當投資者意見分歧較大時，預期收益率會隨Beta的增大而減小。

部分研究則關注了Beta異象和特質波動率異象有關聯(lián)，但是結論卻不統(tǒng)一。Liu等[10]認為Beta異象并非由Beta驅動產生，收益率隨Beta的增大而減小的表現只是一種表象，實質上來源于Beta和特質波動率的正相關關系。關于Beta異象是因杠桿限制而由Beta驅動的質疑，Asness等[11]認為杠桿限制和博彩行為均能解釋Beta異象，將BAB(Betting Against Beta)分解為兩部分：BAC(Betting Against Correlation)和BAV(Betting Against Volatility)，其中BAC指買入與市場相關系數低的股票，賣出相關系數高的股票；BAV指基于波動率的買賣。BAC與行為因素(對彩票型股票的追求)無關，而BAV與行為高度相關(Beta取決于波動率和相關系數，只有波動率與特質性風險相關，因而用相關系數構造BAC因子可以很好的區(qū)分杠桿限制和博彩行為的不同)。實證檢驗發(fā)現BAC與BAB有相似的收益，即剔除了彩票型股票影響后，Beta異象依然存在，因而不能否認由于市場上杠桿限制而導致低Beta高超額回報、高Beta低超額回報特征。

(二)特質波動率異象的相關文獻

特質波動率是指股票收益剔除系統(tǒng)性風險后的部分，早期的研究認為其與股票期望收益率之間是無關的[18]。然而，大量實證研究發(fā)現特質風險低的股票具有更高的超額回報，這種現象被稱為特質波動率異象。美國市場和國際上眾多市場均存在這種現象[5-6]。Stambaugh等[7]認為特質波動率和收益率的關系在被高估的股票組合中是負向的，而在被低估的股票組合中是正向的，特別地，在被高估的股票組合中，對較難做空的股票來說這種負向關系更強。因此，導致總體上特質波動率和收益率的關系為負向的，賣空限制的非對稱性是特質波動率異象存在的重要原因。左浩苗等[8]、劉維奇等[9]認為在中國股市中也存在特質波動率異象。

對于特質波動率異象，有諸多的解釋原因。Hou和Loh[19]將這些原因進行了總結，并將其分為三類：第一類是投資者對彩票型股票的偏好，如偏度、共同偏度、期望的特質偏度、最大日收益率和個人投資者占比等變量；第二類是市場摩擦，如月度反轉收益、Amihud非流動性、零收益占比和買賣價差等變量；第三類是其他因素，如不確定性、盈余意外等變量。然而，這些變量在個股水平上僅能解釋特質波動率異象的29%—54%，在排序組合上僅能解釋78%—84%。另外，部分研究直接對低風險異象或波動率效應進行了分析。Asness等[20]、Baker等[21]直接將Beta異象稱為低風險異象，發(fā)現Beta異象與行業(yè)因素無關，與個股和宏觀等因素有關。Blitz等[22]用方差和Beta分析了新興市場的波動率效應，發(fā)現波動率效應日趨明顯，但是發(fā)展中國家的表現要弱于發(fā)達國家。Blitz等[23]基于CAPM的假設總結了以Beta異象為代表的波動率效應的成因，他們認為波動率效應至少是由4個因素導致的：交易限制、投資者非理性、市場摩擦和信息不完全等。Li等[24]將低風險異象稱為低波動率異象，發(fā)現低波動率異象主要集中于低流動性和小市值股票中，低流動性和高交易成本等套利限制使得組合的風險與收益具有負向關系，但是他們并沒有探討特質波動率和Beta的關系。Li等[25]進一步將這種特質波動率和Beta的低波動率異象的成因歸為錯誤定價而非系統(tǒng)風險。

國內關于低風險異象的研究，較多選擇特質波動率作為風險度量指標，結果表明中國股市存在顯著的特質波動率異象。左浩苗等[8]認為是由換手率等投資者異質信念導致的，劉維奇等[9]則認為是由投資者的彩票型偏好導致的。另外，劉圣堯和李怡宗[26]選用Beta度量風險，借鑒Frazzini和Pedersen[3]構造BAB方法，驗證了中國股市Beta異象的存在性，并將其歸因于投資者對博彩性質股票的追求。

綜上所述，國內外文獻較為集中地關注了特質波動率異象，國外研究對其解釋的因素有諸多不同，而國內研究更多地則是關注投資者異質信念和彩票型偏好等行為因素。對于Beta異象，國外研究表明其成因并不統(tǒng)一，國內則較少關注這一現象。無論國外還是國內，直接對比Beta異象和特質波動率異象的研究更是少數。鑒于現有文獻對于低風險異象由Beta驅動還是特質波動率驅動的認識不清晰，本文從這個角度出發(fā)，在檢驗低風險異象存在穩(wěn)健性的基礎上進一步探討低風險異象的來源。

三、研究設計

(一)樣本數據

本文使用1996年1月至2017年12月期間中國A股所有交易數據。由于對Beta的估計選用的時間跨度為3年，因而對上市不足3年的股票予以剔除。選擇發(fā)布時間最久、受關注程度最高的上證綜合指數代表市場組合。所需的數據具體如下：首先，為構造Beta和特質波動率IVOL，需要A股所有股票的日收益率、上證綜指日收益率、日度Fama-French三因子和無風險收益率。其次，為了構造組合的持有期收益率并對其進行風險調整，需要A股所有股票月度收益率數據、Fama-French三因子和五因子月度數據。再次，作為投資者意見分歧指標，需要A股所有股票月度換手率數據。最后，為構造控制變量，還需要月度的個股市值、市凈率、交易額、機構投資者占比等數據。所有數據均來自國泰安CSMAR系列研究數據庫。

(二)變量構造

1.個股Beta

本文借鑒Frazzini和Pedersen[3]用個股超額回報對市場超額回報進行滾動回歸的方法估計Beta，為了提高估計的精確性，選擇日數據而非月數據，估計的Beta由下式給出：

(1)

2.特質波動率

根據Ang等[5]，股票i在t月末的特質波動率IVOL用當月收益率進行Fama-French三因子回歸得到的殘差的標準差度量。

rid-rfd=αi+βi(r0d-rfd)+γiSMBd+φiHMLd+εid

(2)

IVOLi= std(εid)

(3)

其中，rid和r0d分別表示股票i和市場組合在d天的日收益率，SMB和HML分別表示Fama和French[27]中的市值因子和賬面市值比因子，構造IVOL選擇的時間窗口為6個月(約120個交易日)。

3.套利限制

本文采用非流動性和機構投資者占比衡量套利限制。借鑒Amihud[28]，股票i在t月的非流動性ILLIQ度量方法是當月所有交易日收益率絕對值與對應交易額之比的平均值：

(4)

其中，Dt表示第t月的交易天數。

對于機構投資者占比，本文可得到的數據為基金、合格境外機構、券商、保險、社?；?、信托、財務公司、銀行、非金融類上市公司等各個機構的對每只股票在每個財報公布日的持股占比，本文將各個機構的持股占比進行加總作為總的機構投資者占比InsHolding。機構投資者占比為季度或年度數據，而本文需要月度數據，因而用最近季度已有機構投資者占比數據對非季度月份空值進行填充的方式對月度數據進行補充。

4.彩票型特征

借鑒Bali等[13]，選擇股票月內最大日收益率MAX作為彩票型特征。MAX由下式給出：

MAXit=max(rid)，d=1，2，…Dt

(5)

其中，rid表示股票i在第d天的日收益率，Dt表示第t月的交易天數。為了平滑極端值對結果的影響，本文選擇t月最大的3個日收益率的均值作為當月該股票的彩票特征。

5.投資者意見分歧

經驗研究中通常將分析師預測差異、換手率等作為投資者意見分歧。Boehme等[29]認為將分析師預測差異作為投資者意見分歧有一定的缺陷，分析師預測容易與公司規(guī)模具有相關性。因此，可以采用換手率等作為投資者意見分歧的度量。Hong和Stein[30]認為可將成交量或換手率看作是投資者異質信念。Garfinkel[31]則發(fā)現換手率的變化率能更好地表示意見分歧。Bamber等[32]也認為成交量的變化能反映投資者意見分歧。在中國，左浩苗等[8]、劉維奇等[9]、張崢和劉力[33]、林虎等[34]的研究中都將換手率視作投資者異質信念。因此，本文采用換手率度量投資者意見分歧。

股票i在t月的換手率TR用當月成交量與流通股總數的比值表示：

(6)

6.其他控制變量

此外，本文還控制了以下個股特征變量：市值(SIZE)；賬面市值比(BM)；動量因子(MOM)，用t-11至t-1月累計收益率表示；反轉因子(REV)，用t月當月收益率表示。

(三)方法設計

1.中國股市低風險異象的存在性檢驗

使用排序分組構造零投資組合方法，對于特質波動率異象，在每個月末按IVOL進行排序，均分成10組，通過買入相應的低IVOL組股票，賣空相應的高IVOL組股票，構造零投資組合，研究各個IVOL組合的風險溢價情況。對于Beta異象，按照Beta排序做相同的處理，研究各個Beta組合的風險溢價情況。此外，本文還用Frazzini和Pedersen[3]提供的Beta中性組合構造方法，對t月所有股票按照Beta值排序分成兩組，在每個組合內部按照個股Beta的大小賦予權重，在Beta大的組合中個股Beta值越大權重越大，而Beta小的組合中個股Beta值越小權重越大，然后構造多空策略使策略整體的Beta值為0，考察組合在t+1月的風險溢價情況。

為了考察各種異象的穩(wěn)健性，本文在計算風險調整收益率時，不僅采用了常見的CAPM模型、Fama-French三因子模型，還專門使用了Fama-French五因子模型。

2.低風險異象的成因探討

根據文獻梳理，影響低風險異象的因素主要分為：投資者彩票型偏好、套利限制和投資者意見分歧等。對于彩票型偏好、套利限制，分別控制MAX、ILLIQ、InsHolding后計算IVOL排序組合、Beta排序組合的風險調整收益率。對于投資者意見分歧，在每月按照換手率高低將股票劃分為兩組——投資者意見分歧大和小的兩個組，在每個組中分別驗證特質波動率異象和Beta異象的顯著性，考察投資者意見分歧對低風險異象的影響。

3.Beta異象和特質波動率異象的關聯(lián)性分析

Beta表示個股的系統(tǒng)性風險，特質波動率表示非系統(tǒng)性風險，二者理論上是不相關的，但是在實證中本文發(fā)現按照Beta(IVOL)進行排序分組時，IVOL(Beta)表現出很強的同向變動特征，且二者相關系數較高(0.44)，無法確定低風險異象由Beta引起的還是由特質波動率引起的。因此，本文從以下三個方面進行對比分析：

第一，雙變量分組法。為了控制IVOL的差異而單獨研究Beta是否造成低風險異象，先在每月末按照IVOL排序，均分為10組(I1-I10)，再在每個組內按照Beta排序，分為10組(B1-B10)，然后將具有相同Beta序號的組合并，形成組合P1-P10。由于P1和P10組中都既有IVOL高和IVOL低的股票，平均后P1和P10組合中IVOL沒有顯著差異。通過控制IVOL的差異，即可單獨研究Beta的風險溢價情況。同樣地，控制Beta差異單獨研究IVOL是否造成低風險異象時，先按照Beta排序，之后做相應的處理。

第二，Beta的理論分解。由Beta的定義式可知特質波動率信息僅存在于波動率中，與相關系數沒有關系。因此，通過用相關系數構造零投資組合或構造BAC，即可剔除特質波動率的影響。借鑒Asness等[11]的方法，用個股與市場的相關系數構造BAC因子：買入低相關系數的股票，賣空高相關系數的股票，構造相關系數中性的投資組合，若按照相關性因子BAC分組后低風險異象不再顯著，則可說明是由特質波動率而非Beta引起的。

第三，Fama-MacBeth回歸法。將換手率設為虛擬變量(命名DTR)，在每個月末，將所有股票按照換手率排序，高于換手率中位數的設為1，低于中位數的設為0，研究Beta、IVOL以及DTR與持有期收益率之間的關系。根據相關文獻，設定控制變量有：市值(SIZE)、賬面市值比(BM)、動量因子(MOM)、反轉因子(REV)、非流動性(ILLIQ)。具體回歸方法為：在第t月末，將個股的t+1月收益率作為因變量，自變量為Beta、DTR、IVOL以及各個控制變量，回歸得到各個變量的系數，然后求相關系數在所有樣本期間時間序列上的平均值和顯著性水平。

四、實證結果與分析

(一)低風險異象的存在性檢驗

1.特質波動率異象

根據特質波動率IVOL進行排序分組構造投資組合，在每個月末通過等權重買入最低IVOL組股票，賣空最高IVOL組股票，構造零投資組合，并對組合收益率進行風險調整，分別獲得CAPM、Fama-French三因子和五因子模型調整后的超額收益率，考察各個組合情況，驗證中國股市特質波動率異象的存在性和顯著性，結果如表1所示。

表1按IVOL排序分組各個組合的IVOL、Beta和收益率

注：r和IVOL均為百分比；括號中為t值；*、**和***分別表示10%、5%和1%置信水平下顯著；CAPM_a、FF3_a、FF5_a分別表示用CAPM、Fama-French三因子和五因子模型風險調整后收益率。表2—表6同。

由表1可知，隨著各組合IVOL的增加，組合收益率r是逐漸減小的，從I1組合的2.08%減至I10組合的0.87%，由顯著為正變?yōu)椴伙@著，零投資組合收益率為1.21%，在1%水平下顯著為正，用CAPM、Fama-French三因子和五因子模型進行風險調整，得到的超額收益率表現出相同的變化趨勢。值得注意的是，低IVOL組合的超額收益率顯著為正，而高IVOL組合顯著為負，IVOL和風險調整后收益率表現出較強的負相關性，構造的零投資組合收益率進行風險調整后依然顯著為正，說明低IVOL組合收益率高、高IVOL組合收益率低的特征無法被市場因子和Fama-French其他風險因子所解釋，特質波動率引起的是一種較強的市場異象。

2.Beta異象

根據Beta進行排序分組構造投資組合，在每個月末通過等權重買入最低Beta組股票，賣空最高Beta組股票，構造零投資組合，然后構造Beta中性投資組合BAB。對組合收益率進行風險調整，分別獲得CAPM、Fama-French三因子和五因子模型調整后的超額收益率，考察各個組合風險溢價情況，驗證中國股市Beta異象的存在性和顯著性，結果如表2所示。

表2按Beta排序分組各組合、BAB組合的Beta、IVOL和收益率

表2所顯示的變動趨勢與表1類似，隨著組合Beta的增大，組合收益率r反而減小，從B1組合的1.91%減至B10組合的1.10%，零投資組合收益率為0.82%，在5%水平下顯著為正，用CAPM、Fama-French三因子和五因子模型風險調整后收益率依然表現出相同的趨勢，零投資組合收益率調整后分別為0.97%、1.13%和0.88%，均體現出較強的顯著性，說明低Beta組合風險調整后收益率顯著高于高Beta組合。通過買入低Beta股票賣出高Beta股票構造的Beta中性策略月度收益率為1.02%，在1%水平下顯著，風險調整后收益率同樣具有強的顯著性。由表2可知，不管分組構造零投資組合，還是Beta中性策略組合，均體現出高Beta低收益、低Beta高收益的特征，說明中國股市存在顯著的Beta異象。

(二)低風險異象的成因探討

1.彩票型偏好、非流動性和機構投資者占比對低風險異象的影響

考察彩票型偏好、非流動性和機構投資者占比對異象的影響，結果如表3所示。表3列示了用雙變量組內分組法分別控制每組彩票型特征MAX、市場流動性ILLIQ和機構持股占比InsHolding后，用Beta和IVOL度量風險時異象的市場表現。當控制了MAX后，可以發(fā)現當用Beta度量風險時，通過買入低Beta組股票賣空高Beta組股票的零投資組合收益率不顯著，用Fama-French三因子模型進行風險調整后收益率在10%水平下顯著，用Fama-French五因子模型進行風險調整后超額收益率不再顯著，但是當選用特質波動率IVOL度量風險時，零投資組合收益率及風險調整后收益率均顯著為正，說明彩票型特征并不能完全解釋中國股市的低風險異象。ILLIQ和InsHolding代表了市場上的套利限制，可以看出當控制了套利限制差異后，不管選用Beta還是IVOL度量風險，零投資組合收益率和風險調整后收益率均顯著為正，說明低風險異象基本不受市場套利限制的影響。因此，中國股市上低風險異象的存在，并不能從彩票型特征和市場存在套利限制的角度解釋。

表3分別控制MAX、ILLIQ、InsHolding后低風險異象表現

2.投資者意見分歧對低風險異象的影響

借鑒Hong和Sraer[15]與左浩苗等[8]，本文進一步從投資者意見分歧角度來解釋低風險異象。將換手率作為投資者意見分歧的度量指標，在每個月先按照換手率高低將當月所有股票分為兩部分——投資者意見分歧大的組合和意見分歧小的組合，在每個組合中分別驗證低風險異象的存在性，風險分別用IVOL和Beta度量，結果如表4所示。

由表4可知，表4的前半部分報告了針對投資者意見分歧大的股票組合，分別按照IVOL和Beta進行排序分組，構造的高低組合及零投資組合的風險溢價情況。投資者意見分歧大的股票存在顯著的特質波動率異象，低IVOL組合收益率為1.86%，高IVOL組合收益率僅為0.43%，零投資組合收益率為1.43%，在1%水平下顯著。與表1全樣本組合收益率(1.21%)相比收益率提高近20%，風險調整后收益率依然具有很強的顯著性。值得注意的是，低IVOL組合收益率進行風險調整后不顯著，而高IVOL組合收益率進行風險調整后顯著為負，說明投資者意見分歧大時，特質波動率異象主要是由于高IVOL組合的定價異常導致的。投資者意見分歧大的股票中同樣存在顯著的Beta異象，各個組合風險溢價的特征與按IVOL分組的情況相同，Beta異象也主要是由于高Beta組合的定價異常導致的。

表4的后半部分報告了針對投資者意見分歧小的股票組合，分別按照IVOL和Beta進行排序分組，構造的高低組合及零投資組合的風險溢價情況。結果顯示不管選擇IVOL還是Beta作為風險度量指標，最高風險組合收益率與最低風險組合收益率沒有顯著性差異(零投資組合收益的t值絕對值均小于1)，經過Fama-French三因子和五因子模型風險調整后同樣不顯著，說明當投資者意見分歧小時，盡管高風險和低風險組合的Beta和IVOL差異較大，但是低風險異象是不存在的。

表4投資者意見分歧與低風險異象表現

綜合表4可以得出，低風險異象僅存在于投資者意見分歧大的股票組合中，主要是由于對高風險股票的定價異常，低風險異象可以從投資者行為角度給出解釋。當投資者對股票后市的意見出現大的分歧時，尤其是對高風險股票的意見產生分歧時，看多的投資者會即時買入，而看空的投資者卻由于中國市場存在做空限制(盡管中國股市部分個股可以通過融券做空，但是成本過高限制了做空的實施，而且融券余額很低，與整體市值相比幾乎可忽略不計)無法即時賣空，這就導致整體上高風險股票的價格被高估了，未來有較低的收益率。因此，低風險異象主要是由于存在意見分歧時投資者對高風險股票高估引起的。

(三)Beta異象和特質波動率異象的關聯(lián)性分析

上文驗證了度量個股風險時不管選擇Beta還是特質波動率，低風險異象均顯著存在，在全樣本下，表1和表2顯示Beta和IVOL具有一定的單調性，此外二者在全樣本期間月度相關系數的均值為0.44，相關性較大?？傮w而言，兩者具有較強的相關性。然而，已有文獻較少涉及兩種不同風險度量方式的關系，本文將從兩者關聯(lián)的角度出發(fā)，研究中國股市低風險異象究竟是由于對Beta高估還是對特質波動率高估引起的。

1.雙變量組內分組法

在投資者意見分歧大的股票組合中，用雙變量組內分組的方法，先控制特質波動率的差異，考察控制IVOL后Beta異象的市場表現，再控制Beta的差異，考察控制Beta后特質波動率異象的市場表現，實證結果如表5所示。

表5分別控制IVOL和Beta后低風險異象表現

由表5可知，表5的前半部分報告了當控制各個組合的IVOL差異后，按照Beta進行排序分組，各個組合及零投資組合的風險溢價情況，可以看出高低組合IVOL基本無差異，Beta值的差異明顯。與未控制IVOL差異時相比，最低Beta組和最高Beta組收益率的差異性顯著下降，零投資組合收益率0.41%，t值顯示不顯著，Fama-French三因子模型進行風險調整后收益率為0.63%，僅在10%水平下顯著，Fama-French五因子模型風險調整后收益率不再顯著，說明在控制了特質波動率差異后，Beta異象消失。后半部分報告了當控制各個組合的Beta差異后，按照IVOL進行排序分組，各個組合及零投資組合的風險溢價情況，可以看出高低組合Beta基本無差異，IVOL值的差異明顯?？刂艬eta差異后，最低IVOL組和最高IVOL組收益率的差異明顯，零投資組合收益率1.29%，顯著性很強，Fama-French三因子和五因子模型進行風險調整后收益率分別為1.28%和1.11%，均具有強的顯著性，說明在控制了Beta差異后，特質波動率異象依然存在。綜合表5可以看出，Beta異象只是一種表面現象，實際上是由特質波動率的差異引起的，這與Liu等[10]的結論類似。

2.Beta分解

理論上Beta等于相關系數與波動率的乘積，可以將Beta分解得到Beta與波動率的差異。首先，根據得到的相關系數Corr進行排序分組構造投資組合，并在每個月末通過等權重買入最低Corr組股票，賣空最高Corr組股票，構造零投資組合。其次，借鑒Asness等[11]在Beta中剔除個股波動率的影響，構造相關系數中性投資組合。對組合收益進行風險調整，分別獲得Fama-French三因子和五因子模型調整后的收益率，考察各個組合風險溢價情況，驗證從Beta中剔除特質波動率影響后，低風險異象是否仍存在，結果如表6所示。

表6 Corr排序分組與BAC策略組合的IVOL、Beta和收益率

由表6可知，不管在全樣本，還是在投資者意見分歧大的股票組合中，按照相關系數Corr進行排序分組構造的零投資組合收益率均不顯著，用Fama-French三因子和五因子模型進行風險調整后收益率同樣是不顯著的。對于相關系數中性的投資組合BAC，組合收益率及風險調整后收益率同樣都不顯著，說明在Beta中剔除了特質波動率影響后，低風險異象不存在了，即Beta中所包含的個股的波動率信息，才是導致Beta異象的實質性原因。由表6可知，隨著Corr的增加Beta是單調遞增的，但是收益率并未單調下降。因此，投資者意見分歧大時對高Beta股票的高估導致Beta異象，在控制相關性以后就不再顯著，僅僅是一種表面現象。

3.Fama-MacBeth回歸結果

在雙變量排序分組的方法中沒有進行任何模型形式設定，但是在根據Beta、IVOL進行分組時卻忽略了很多諸如市值、賬面市值比等公司層面的橫截面信息的差異，而且雙變量分組盡管可以起到控制變量的作用，但是只能控制一個變量，因而在研究Beta與IVOL影響截面收益率差別時需要進行Fama-MacBeth回歸分析。本文借鑒Fama-MacBeth的方法，先在橫截面上將股票持有期收益率與Beta、IVOL及其他變量做回歸分析，同時引入虛擬變量DTR，當投資者意見分歧大(個股當月?lián)Q手率高于所有股票換手率中位數)時，DTR取值為1，否則取值為0，然后在時間序列上求各個系數的均值及t值，研究變量是否對持有期收益率具有解釋能力。本文在回歸中控制了變量市值SIZE、賬面市值比BM、上月收益率REV、動量因子MOM、非流動性指標ILLIQ。估計結果如表7所示。

表7持有期收益率與Beta、IVOL及其他變量的Fama-MacBeth回歸結果

注：為方便記錄，Beta、SIZE、BM、MOM、REV系數均取為百分比；括號內為系數的t值；*、**和***分別表示10%、5%和1%置信水平下顯著。

由表7可知，模型(1)和模型(2)顯示在回歸方程中單獨加入Beta系數顯著為負，加入其他控制變量后依然顯著為負，說明Beta與持有期收益率呈現負向關系，Beta低持有期收益率高，Beta高持有期收益率低，存在Beta異象，這一回歸結果與表2的結論相同。模型(3)和模型(4)顯示在回歸方程中單獨加入IVOL系數顯著為負，加入其他控制變量后依然顯著為負，說明IVOL與持有期收益率同樣呈現負向關系，IVOL低持有期收益率高，IVOL高持有期收益率低，存在特質波動率異象，這一回歸結果與表1的結論相同。

模型(5)在模型(2)的基礎上增加了IVOL，考察了控制其他變量的情況下同時加入Beta和IVOL的效果，結果顯示Beta系數不顯著，特質波動率系數顯著為負，說明IVOL可以消除Beta差異對股票收益率造成的影響，控制了IVOL后，Beta異象不存在了，而控制Beta后，特質波動率異象依然存在，這一結果與表5的結論相同。模型(6)中加入了Beta與投資者意見分歧DTR的交叉項Beta×DTR，控制其他變量后，Beta系數不顯著，而Beta×DTR系數顯著為負，說明Beta異象僅存在于投資者意見分歧大的股票中，當投資者對高Beta股票意見產生分歧時，Beta越高持有期收益率越低，這一結果與表4的結論相同。模型(7)中加入了IVOL與投資者意見分歧DTR的交叉項IVOL×DTR，控制其他變量后，IVOL系數僅在10%水平下顯著，而IVOL×DTR系數在1%水平下顯著為負，說明特質波動率異象主要存在于投資者意見分歧大的股票中，當投資者對高IVOL股票意見產生分歧時，IVOL越高，持有期收益率越低，這一結果與表4的結論相同。模型(8)顯示，同時加入Beta×DTR和IVOL×DTR兩個交叉項時，Beta×DTR系數不顯著，而IVOL×DTR系數顯著為負，說明在投資者意見分歧大時，主要是由于IVOL而非Beta，導致了低風險異象。模型(9)中同時加入Beta、IVOL以及兩個交叉項，控制其他變量后只有IVOL和DTR的交叉項系數顯著為負，其他項系數不顯著，說明市場上的低風險異象的存在，主要是由于投資者對高IVOL股票意見產生分歧，從而對高IVOL股票定價異常導致的，考慮到中國股市普遍存在賣空限制，當投資者對高特質波動率股票的意見不一致時，市場主要反映樂觀者的行為，而后市看空的投資者受到賣空限制無法做空，導致高IVOL股票被高估，在未來有較差的市場表現，呈現低風險異象。

五、結 論

針對Beta異象和特質波動率異象存在類似的結論但具有不同本質的現象，本文使用中國A股市場1996年1月至2017年12月間所有股票的日收益率數據，構造了Beta和IVOL兩種風險度量指標，在月度頻率上驗證了中國股市上的低風險異象的不同來源。研究發(fā)現中國股市存在顯著的低風險高收益的低風險異象，表現為Beta異象和特質波動率異象。基于此，本文創(chuàng)新性地采用雙變量分組、Beta分解和Fama-MacBeth回歸等方法探討了Beta異象和特質波動率異象的關聯(lián)，對低風險異象是由Beta導致的還是特質波動率導致的這一問題進行了經驗分析。本文的結論主要有以下三點：

第一，用Beta和IVOL度量風險均能得到高風險低收益、低風險高收益的特征，即低風險異象，這與現有文獻既發(fā)現Beta異象又發(fā)現特質波動率異象是一致的。當按Beta(IVOL)進行排序分組時，IVOL(Beta)表現出了較強的單調變化，兩者的正相關性較強(相關系數為0.44)。因此，無法直接判斷低風險異象是由于Beta導致的還是特質波動率導致的。

第二，在進一步探討低風險異象的成因時，本文發(fā)現低風險異象不是源于投資者彩票型偏好和非流動性、機構投資者占比等賣空限制。本文選擇使用換手率作為投資者意見分歧的指標，分析發(fā)現，在投資者意見分歧小的股票中，風險指標選擇Beta或IVOL都不存在低風險異象，但是在投資者意見分歧大的股票中，低風險異象顯著存在。在各個風險梯度的組合中，風險調整后收益率在最低風險組合中不顯著，而在最高風險組合中顯著為負，說明低風險異象主要是由于對高風險股票的意見分歧而產生的定價異常。由于中國股市存在較嚴重的做空限制，當投資者對股票后市的意見出現大的分歧時，尤其是對高風險股票的意見產生分歧時，看多的投資者會即時買入，而看空的投資者卻由于做空限制無法即時賣空，這就導致整體上高風險股票的價格被高估了，未來有較低的收益率。因此，低風險異象主要是由于意見分歧的投資者對高風險股票的高估引起的結論也是符合中國市場實際的。

第三，在檢驗Beta異象和特質波動率異象的關聯(lián)時發(fā)現：控制Beta差異后，特質波動率異象存在，而控制了IVOL差異后，Beta異象不存在；在Beta中剔除了包含特質波動率的信息，用個股與市場的相關系數進行研究，發(fā)現Beta異象不再顯著；用Fama-MacBeth回歸結果表明在投資者意見分歧大時，主要是由于IVOL而非Beta導致了低風險異象。因此，Beta異象只是一種表面現象，實際上是由特質波動率的差異引起的，中國股市低風險異象主要是由于投資者對高特質波動率股票價格的高估引起的，源于特質風險和投資者異質信念，而不是系統(tǒng)性風險Beta，這與Beta異象的情況相反，與Liu等[10]的結論類似，也與中國普遍存在賣空限制、存在眾多散戶和機構投資者、投資者的信念差異明顯是一致的。誠然，Beta異象的表面存在表明個股與市場的關系對投資者的決策有參考價值，比如“千股漲停、千股跌?！钡耐瑵q現象，然而特質波動率異象對Beta異象的替代說明同跌同漲可能只是短期現象，長期看股票的特質風險才是獲得超額回報的根本，這也為進一步探究特質風險與投資者異質信念的關聯(lián)提供了基礎。