肖霆 韓淑婷 王龍
摘? ?要:本文以自然實驗的方法研究股市崩盤沖擊與個股暴跌風(fēng)險之間是否存在因果關(guān)系。利用2008年的A股市場崩盤事件以及國內(nèi)特殊的IPO暫停制度作為自然實驗的設(shè)計機會,本文發(fā)現(xiàn):(1)在股市崩盤中上市的新股相比較于市場逐漸恢復(fù)后上市的新股具有顯著更低的暴跌風(fēng)險;(2)進一步研究表明,當(dāng)再次發(fā)生股市崩盤時,上述顯著的差異進一步強化。穩(wěn)健的研究結(jié)果證明股市崩盤沖擊會顯著降低個股暴跌風(fēng)險。
關(guān)鍵詞:股市崩盤;自然實驗;個股暴跌風(fēng)險
中圖分類號:F830.9? 文獻標識碼:B 文章編號:1674-2265(2019)09-0071-08
DOI:10.19647/j.cnki.37-1462/f.2019.09.010
一、引言
經(jīng)歷是使個體決策行為發(fā)生改變的重要因素,外在的負向經(jīng)歷將改變個體行為模式。這一點在金融領(lǐng)域的研究中也得到諸多證據(jù)支持。近些年來,對個股股價暴跌風(fēng)險的研究視角大多集中在資本市場的群體非理性行為以及上市公司的公司治理矛盾上,以及影響群體行為與上市公司治理的其他間接因素①。Chen等(2001)在建立相關(guān)因素與個股股價暴跌風(fēng)險的統(tǒng)計關(guān)系中發(fā)現(xiàn)在其他因素不變的條件下,個股在發(fā)生股價崩盤后會有更大的風(fēng)險再次發(fā)生股價暴跌;他們認為個股的股價崩盤“沖擊”對個股暴跌風(fēng)險產(chǎn)生的是推動作用。鑒于此,我們聯(lián)想到股市頻繁發(fā)生的劇烈震蕩是否與個股股價崩盤之間也存在因果聯(lián)系?由于Chen等(2001)建立的股價崩盤“沖擊”與暴跌風(fēng)險之間的相關(guān)關(guān)系是基于回歸檢驗的方法,存在遺漏變量與統(tǒng)計誤差的可能。因此這種相關(guān)關(guān)系能否被認為是因果關(guān)系無法肯定?;谝陨蟽牲c考慮,本文擬運用更為準確的方法檢驗股市崩盤“沖擊”與個股股價暴跌風(fēng)險之間的因果聯(lián)系。
本文擬利用2008年發(fā)生的全球股市動蕩以及國內(nèi)特有的IPO暫停制度作為自然實驗的設(shè)計機會。將在2008年股市崩盤中上市的“新股”作為自然實驗的處理組樣本,而將在股市崩盤后上市的“新股”作為控制組樣本。比較處理組樣本與控制組樣本在同一較長的統(tǒng)計周期內(nèi)其個股暴跌風(fēng)險是否會有差異,從而初步判斷股市崩盤沖擊是否是個股股價暴跌風(fēng)險的原因。本文的研究貢獻在于:通過自然實驗的方法建立了股市動蕩與個股股價暴跌風(fēng)險的因果聯(lián)系,對研究個股股價暴跌風(fēng)險的原因有一定的補充。
二、研究回顧與基本假設(shè)
(一)對股價崩盤的研究回顧
目前對個股股價崩盤的研究已經(jīng)形成了一個較為完整的理論框架。從文獻發(fā)展的邏輯來說,對股價崩盤的研究經(jīng)歷了從股市崩盤研究到個股股價崩盤研究的轉(zhuǎn)變;早在20世紀80年代,Campbell和Hentschel(1992)等人相繼提出“波動率反饋機制”,他們認為負面消息進入市場的波動率上升會放大負面消息造成的影響從而造成嚴重的崩盤;Romer(1992)進一步認為,股市崩盤其實是負面信息由積累到逐步釋放的過程。進入21世紀以來,對股價崩盤的研究開始轉(zhuǎn)向個股股價的崩盤,Chen等(2001)與Hong和Stein(2003)首先基于行為金融的非理性假定發(fā)現(xiàn)投資者的異質(zhì)信念造成了個股收益的負偏態(tài)與較高的波動率,且賣空機制的限制將加重異質(zhì)信念的影響。隨后,有文獻從機構(gòu)投資者的異質(zhì)性(Callen和Fang,2013)、機構(gòu)投資者的持有量(高昊宇等,2017)、內(nèi)部投資者“內(nèi)部交易”(Jinshuai H等, 2014)等投資主體角度分析對個股股價崩盤的影響。
自Jin和Myers(2006)與Hutton等(2009)等人基于市場信息不透明度以及上市公司會計信息不透明度的角度研究個股股價崩盤以來,當(dāng)前已經(jīng)普遍認為造成個股股價崩盤的重要原因之一是“管理層捂盤”。由于在委托代理沖突下,管理層因薪酬契約、職業(yè)聲譽、福利津貼以及商業(yè)帝國構(gòu)建等動機存在較大的機會主義行為或盈余管理行為(Kothari等,2009),從而隱藏公司在經(jīng)營管理過程中形成的負面消息,當(dāng)負面消息積累到一定程度無法隱藏時而被迫釋放,造成股價崩盤?;谶@個視角,有較多的文章研究上市公司隱瞞負面信息(Ball,2009)、進行稅收規(guī)避(Kim等,2011)、管理層股權(quán)激勵或超額薪酬(Xu等,2014)、上市公司治理結(jié)構(gòu)(Andreou等,2016)、管理層討論與分析所披露的信息含量(孟慶斌等,2017),或者從企業(yè)社會責(zé)任(Zhang等,2016)、聲譽保險效應(yīng)(宋獻中等,2017)等上市公司角度來探討個股價崩盤的影響。當(dāng)然,除從資本市場與公司治理兩大視角來研究個股股價的崩盤外,還有其他諸如從宗教傳統(tǒng)(曾愛民和魏志華,2017)、審計師專長(馬笑芳等,2018)、社交媒體(丁慧和呂長江,2018)、政府審計(褚劍和方軍雄,2017)、國際貿(mào)易網(wǎng)絡(luò)(徐飛等,2018)等其他外部性視角來研究個股股價崩盤發(fā)生的原因。
(二)基本假設(shè)
事件“沖擊”與決策后果之間的聯(lián)系主要與決策者的決策過程有關(guān)。決策者作出決策依賴于信息加工與信念,而事件“沖擊”會因時間變化而對決策者的信念產(chǎn)生影響。股市崩盤是市場中沖擊較大的負面事件,其伴隨的資產(chǎn)價格下滑導(dǎo)致了投資者遭受較大的資產(chǎn)損失并挫傷了投資信心。投資者因受這一負面事件的影響而在以后的投資策略中更為謹慎,從而降低了資產(chǎn)價格未來的泡沫量,也因此降低了資產(chǎn)的暴跌風(fēng)險?;诖?,假定股市動蕩“沖擊”將會對個股股價暴跌風(fēng)險產(chǎn)生抑制作用。
假設(shè)1:在股市崩盤中上市的個股暴跌風(fēng)險低于未在股市崩盤中上市的個股。
另外,負面沖擊對決策者決策信念的影響并不會馬上表現(xiàn)出來。通常來說,只有在再次發(fā)生相似的負面沖擊才會讓受過原有極端負面沖擊的決策者具有較為明顯的決策變化。在資本市場中,投資者雖然因股市崩盤這一極端負面事件使其投資趨于謹慎,但在市場較為平穩(wěn)時,這種謹慎的投資策略并不會在資產(chǎn)收益分布上較為明顯地反映出來;但是隨著股市崩盤的再次發(fā)生,經(jīng)歷過股市崩盤的資產(chǎn)與未經(jīng)歷過股市崩盤資產(chǎn)的差異會更明顯地表現(xiàn)出來?;诖?,我們提出假設(shè)2。
假設(shè)2:當(dāng)股市崩盤的再次發(fā)生,在股市崩盤中上市的個股暴跌風(fēng)險顯著低于未在股市崩盤中上市的個股。
三、研究設(shè)計
(一)制度背景
本文希望找到一個自然機會,可以獲得兩組天然隨機的個股樣本,一組個股樣本為在金融危機下引起的股市崩盤中上市的個股樣本,而另一組個股樣本為金融危機后股市企穩(wěn)回升中上市的個股樣本。比較兩組樣本在相同統(tǒng)計周期的收益分布尤其是個股股價暴跌風(fēng)險是否會有顯著性的差異,并借此判斷股市崩盤對個股的收益分布是否會有持續(xù)性的影響②。
在2008年,美國次級債券危機爆發(fā)并引發(fā)了全球性的股市崩盤,歐洲、美國甚至亞洲市場都相繼出現(xiàn)了股市的巨幅崩盤,代表性股指大幅下跌。2008年9月25日,為降低金融危機導(dǎo)致的股市進一步崩盤尤其是防止雷曼兄弟破產(chǎn)造成的股市崩盤蔓延,中國證監(jiān)會暫停了所有的IPO進程。2009年7月11日,在經(jīng)歷191日的IPO暫停期后,監(jiān)管當(dāng)局適應(yīng)市場形勢而重啟IPO市場。2008年次貸危機中實施的IPO暫停為我們提供了一次自然實驗的機會,幫助我們獲得了天然隨機分開的兩組樣本:即于2008年次貸危機中且在IPO暫停前發(fā)行上市的個股樣本,將其作為處理組;于次貸危機后IPO重啟時發(fā)行上市的個股樣本,將其作為控制組。我們可以通過分析兩組樣本在相同統(tǒng)計周期中的個股收益分布差異來判斷股市崩盤對個股收益分布的影響。
(二)樣本選擇
本文研究的是2008年和2009年發(fā)行上市的個股樣本,其周收益數(shù)據(jù)與基本財務(wù)數(shù)據(jù)從萬得資訊數(shù)據(jù)庫的股票數(shù)據(jù)瀏覽與基本財務(wù)數(shù)據(jù)中獲取。由于研究暴跌風(fēng)險問題要求在回歸過程中使用更多解釋變量的滯后項,故本文未采用2010年的數(shù)據(jù),同時由于2015年我國爆發(fā)了新一輪的股災(zāi),兩組樣本在這之后都變成了遭受沖擊的樣本,與本文研究主題不符。經(jīng)綜合考慮,本文最終將兩組實驗樣本的統(tǒng)計周期定于2011年1月至2015年12月。為保證接下來變量計算結(jié)果的準確性,個股股價收益為股票收盤價格對數(shù)收益率,且剔除收益率缺失達到26周的個股(由于一年的平均交易周數(shù)為52周,缺失達到一半以上將容易影響統(tǒng)計結(jié)果);財務(wù)數(shù)據(jù)全部為會計年度年報數(shù)據(jù),且剔除財務(wù)數(shù)據(jù)缺失的個股樣本。此外,由于IPO上市存在市場選擇機會,為保證樣本數(shù)據(jù)的隨機性,剔除處理組與控制組樣本中IPO申請時期不在2008年的樣本③,最后剔除行業(yè)為貨幣金融業(yè)務(wù)的上市公司樣本(由于貨幣金融行業(yè)的公司資產(chǎn)負債表的數(shù)值與其他行業(yè)相比存在較大的差別,其資產(chǎn)負債率較高且資產(chǎn)規(guī)模較為龐大),最終獲得270個個股統(tǒng)計樣本的觀測數(shù)據(jù)。
(三) 變量定義與計算
1. 個股股價暴跌風(fēng)險。借鑒Chen等(2001)與許年行(2012)等對個股股價暴跌風(fēng)險的看法,將個股股價暴跌風(fēng)險定義為個股收益的負偏程度,通常來說,收益負偏是說明在正收益厚尾的局面下負收益突然增大的情況,其可以刻畫出個股收益極端分布的情形。Hutton等(2009)直接將其定義為負偏度系數(shù)NCSKEW,即股價收益的三階矩與標準差三次方之比的相反數(shù);當(dāng)負偏度系數(shù)越大時,代表個股收益出現(xiàn)了較大的極端負收益。另外,Chen等(2001)也提出均值收益上下波動率DUVOL也可以在某些層面上衡量個股收益的暴跌,是因為DUVOL其實就是個股均值以下的方差與均值以上的方差之比的自然對數(shù)值;當(dāng)個股出現(xiàn)暴跌時,其在均值以下的部分波動會突然增大,從而造成上下波動率數(shù)值較大。
NCSKEW與DUVOL指標都是以個股收益作為衡量方法,為降低個股收益的非平穩(wěn)性,通常通過擴展市場指數(shù)模型的方法,來獲得個股收益不能為市場收益所解釋的特有收益(Hutton等,2009),許年行等(2012)在市場指數(shù)模型中加入超前滯后項以降低非同步性市場收益的影響;但由于擴展指數(shù)模型殘差并不服從正態(tài)分布,所以需進行邏輯轉(zhuǎn)換并最終以特有收益的邏輯轉(zhuǎn)換值作為暴跌風(fēng)險系數(shù)計算的個股收益。
其中,[Rm]是A股流通市值加權(quán)平均收益率;[Ri]是個股的對數(shù)收益率;[n]代指股票i在統(tǒng)計周期中每一年的交易周數(shù);[Wi,t]代表股票i每一年特有收益的均值;[nd]代表股票i在統(tǒng)計周期中收益低于均值的交易周數(shù),[nu]代表股票i在統(tǒng)計周期中收益高于均值的交易周數(shù)。
2. 主要解釋變量。通過自然實驗的方法驗證“沖擊”對個股收益分布的影響。將自然實驗中對處理組與控制組的分組變量作為主要的解釋變量,將分組變量定義為Dum,當(dāng)個股樣本為控制組樣本時,Dum取0;而當(dāng)個股樣本為處理組樣本時,Dum取1。
本文賦予處理組與控制組不同的“沖擊”是指處理組的個股樣本是在“股市崩盤”中上市的個股樣本,而控制組樣本是指不是在“股市崩盤”中上市的個股樣本。因此這里用股市崩盤代指“沖擊”,參考Chen等(2001)的說法,股市崩盤是指價格的大幅度下降而出現(xiàn)大部分負收益的情況,從收益分布上來說即出現(xiàn)較大的負偏度。因此,股市崩盤以負偏度系數(shù)代替。
其中,[Rm]為滬深300股指的收益率,n為每年市場交易周數(shù);[Rm]為滬深300股指收益率每年的平均周收益率。從計算結(jié)果來看,2013年與2015年的股市崩盤系數(shù)MarketCrash均為正值,也即是說這兩年都發(fā)生了較為明顯的收益負偏現(xiàn)象,尤以2015年最為明顯。2015年的MarketCrash系數(shù)達到了0.929,基本與2014年出現(xiàn)的最為明顯的正偏現(xiàn)象持平;即在一個完整的市場周期中,牛市中的收益出現(xiàn)顯著正偏,而熊市中的收益出現(xiàn)顯著負偏。
3. 其他控制變量。學(xué)者們普遍認為影響個股暴跌風(fēng)險的因子主要可以概括為個股股價的市場風(fēng)險因子以及上市公司的特有信息因子。市場風(fēng)險因子主要為:股價特有收益均值Ret,即在計算個股暴跌風(fēng)險時以擴展指數(shù)模型計算的個股特有收益,個股特有收益均值越高即代表個股的超額收益正偏程度越高,則暴跌風(fēng)險越低;股價特有收益標準差Sigma,其所衡量的是個股超額收益的特質(zhì)波動,當(dāng)特質(zhì)波動越高時,股價的暴跌風(fēng)險也會越高;個股超額換手率Dturn,即當(dāng)年月平均換手率與過去一年月平均換手率之差。Chen等(2001)用經(jīng)驗證據(jù)證明超額換手率是衡量個股投資者異質(zhì)信念的合適指標,當(dāng)投資者異質(zhì)性越強時,則超額換手率會越大,其股價暴跌風(fēng)險越大。而上市公司的特有信息因子則主要為:上市公司規(guī)模Size,即公司會計報表上每年總資產(chǎn)的自然對數(shù)值,股價橫截面收益存在較大的規(guī)模效應(yīng),即當(dāng)上市公司規(guī)模越大時,風(fēng)險溢價越低,股價暴跌風(fēng)險也將越低;上市公司資產(chǎn)負債率Lev,即賬面期末負債總額與賬面期末資產(chǎn)總額之比。上市公司市值賬面比MB,即上市公司的股票總市值與股票會計賬目價值之比,股票總市值為流通市值(期末股價與流通股本乘積)與非流通市值(每股凈資產(chǎn)與非流通股本乘積)之和,股票會計賬目價值為賬面期末所有者權(quán)益總額;總資產(chǎn)報酬率ROA,即企業(yè)在一定周期內(nèi)獲得的報酬總額(息稅前利潤)與平均資產(chǎn)總額(期初資產(chǎn)總額與期末資產(chǎn)總額的平均值)的比值。MB度量的是上市公司的經(jīng)營質(zhì)量,數(shù)值越大代表上市公司經(jīng)營質(zhì)量越高,其股價暴跌風(fēng)險越低;但ROA越大即表明其息稅前利潤越大,這會造成較大的掏空路徑或盈余管理路徑,從而會推動個股股價崩盤。會計信息質(zhì)量Abacc,即通過修正Jones模型(Hutton,2009)計算出的應(yīng)計盈余管理的絕對值;由Jin和Myers(2006)、Kim等(2011)發(fā)展的管理層“捂盤”假說認為,個股發(fā)生股價暴跌主要是因為負面信息積累到一定程度的結(jié)果,而造成負面信息積累則是因為管理層的盈余管理行為,因此,企業(yè)的會計信息越透明,代表管理層的盈余管理程度越低,則股價的信息不對稱程度越低,暴跌風(fēng)險也會越低。在進行回歸統(tǒng)計時,這些控制變量為全部滯后一期的變量。
為了降低自選擇的偏差,即處理組樣本與控制組樣本在它們上市前公司并不存在明顯的差異,我們也進行了上市前3年即2005—2007年的樣本特征的差異對比,包括成長性、規(guī)模、負債率以及會計盈余管理,從檢驗結(jié)果來看,選擇樣本在上市前3年的會計賬目上并沒有明顯的差異,只不過控制組的3年復(fù)合增長率與每年的規(guī)模要高于處理組。而處理組在2008年即上市之年表現(xiàn)出顯著更高的盈余管理,與新股發(fā)行上市有一定關(guān)系,即上市公司為了成功實現(xiàn)上市會進行會計報表的修正,使得上市公司獲得更高的市場認可度④。
四、實證結(jié)果
(一)描述性統(tǒng)計
表1為主要被解釋變量與解釋變量、其他控制變量未分組下的描述性統(tǒng)計結(jié)果與相關(guān)系數(shù)表;描述性統(tǒng)計指標包括變量的均值、中位數(shù)、標準差、最小值與最大值??傮w樣本的暴跌風(fēng)險系數(shù)NCSKEW與DUVOL均值相差不大,都約為-0.036;處理組在全樣本中的暴跌風(fēng)險系數(shù)NCSKEW與DUVOL均值分別為-0.104與-0.065,都遠小于總體樣本的均值,控制組在全樣本中的暴跌風(fēng)險系數(shù)均值為0.043與-0.001,遠高于總體樣本均值。描述性統(tǒng)計結(jié)果也已經(jīng)較為明顯地證明具有股市崩盤“沖擊”的個股表現(xiàn)出了更低的暴跌風(fēng)險,也即股市崩盤的負面沖擊對個股暴跌風(fēng)險有較強的抑制作用。主要分組變量Dum均值為0.537,即處理組樣本占全部樣本的53.7%,而控制組樣本占全部樣本的46.3%;兩組樣本在數(shù)量上總體相差不大。
(二)單變量分析
表2是在計算54只個股樣本在2011—2015年的股價暴跌風(fēng)險系數(shù)與其他控制變量以后按照處理組與控制組分組的均值比較與均值T檢驗比較??傮w來說,處理組樣本的暴跌風(fēng)險均值都要低于控制組樣本,但在2014年出現(xiàn)了反轉(zhuǎn)即處理組樣本的暴跌風(fēng)險均值要高于控制組樣本。聯(lián)系當(dāng)時的資本市場情況,2014年下半年股市出現(xiàn)暴漲,市場進入牛市階段。而從差異檢驗結(jié)果來看,發(fā)現(xiàn)2015年及2013、2015年全樣本的T檢驗最為明顯,即便是經(jīng)過防止小樣本誤差的bootstrap調(diào)整仍是如此,且處理組與控制組的暴跌風(fēng)險差異在2015年最明顯??梢?,處理組與控制組樣本的暴跌風(fēng)險系數(shù)差異會在再次發(fā)生股市崩盤時發(fā)生更為明顯的差異。通過對處理組與控制組樣本的在統(tǒng)計周期內(nèi)的控制變量單變量均值比較與T值差異比較發(fā)現(xiàn):兩組樣本除市賬比外各個變量并不存在較為明顯的差異。
(三)多元回歸分析
假設(shè)1所提出的股市崩盤“沖擊”會對個股樣本的暴跌風(fēng)險具有抑制作用,即在股市崩盤中上市的個股比未在股市崩盤中上市的個股樣本會表現(xiàn)出更低的股價暴跌風(fēng)險。也即是說分組變量Dum對個股樣本的股價暴跌風(fēng)險有明顯的抑制作用,Dum對NCSKEW與DUVOL的多元回歸系數(shù)應(yīng)為負值,且應(yīng)顯著為負。表3第(1)、(2)列分別是Dum與NCSKEW以及DUVOL的多元回歸結(jié)果,回歸結(jié)果包含所有控制變量,為更好說明回歸參數(shù)系數(shù)的顯著性水平而公布了每一個參數(shù)系數(shù)的t值。從顯著性結(jié)果來看,在所有解釋變量中,分組變量Dum對被解釋變量的參數(shù)系數(shù)顯著性最強,Dum對NCSKEW的參數(shù)系數(shù)為-0.193(t=-2.13),Dum對DUVOL的參數(shù)系數(shù)為-0.091(t=-2.08)。分組變量對個股樣本的暴跌風(fēng)險系數(shù)為顯著負向影響,考慮到分組變量的定義,即經(jīng)歷股市崩盤“沖擊”的個股樣本在個股暴跌風(fēng)險上比沒經(jīng)歷股市崩盤“沖擊”的個股樣本更低。股市崩盤的負面“沖擊”對個股樣本的收益分布產(chǎn)生了一定的抑制作用。
表3多元回歸結(jié)果中的第(3)列與第(4)列是檢驗假設(shè)2的結(jié)果。在多元回歸中加入股市崩盤系數(shù)Marketcrash以及交乘項Dum[×]Marketcrash,交乘項的作用就是希望檢驗出若再次出現(xiàn)股市崩盤時,處理組樣本與控制組樣本個股暴跌風(fēng)險的差異。從回歸結(jié)果來看,發(fā)現(xiàn)分組變量Dum參數(shù)系數(shù)絕對值與t值增大,Dum對NCSKEW的參數(shù)系數(shù)絕對值增大0.029,對DUVOL的參數(shù)系數(shù)絕對值增大0.013。且交乘項的參數(shù)系數(shù)絕對值高于分組變量,可看出在引入股市崩盤系數(shù)后,股市崩盤系數(shù)每提高1個單位,處理組比控制組在暴跌風(fēng)險系數(shù)上會降低0.25個單位(NCSKEW)與0.12個單位(DUVOL);交乘項參數(shù)系數(shù)t統(tǒng)計量都在5%以內(nèi)的統(tǒng)計水平上顯著。
多元回歸的結(jié)果總體驗證了股市崩盤“沖擊”對個股收益分布的三階矩即暴跌風(fēng)險的影響,且從統(tǒng)計結(jié)果上認為股市崩盤負面“沖擊”對個股收益分布三階矩產(chǎn)生了一定的抑制作用。即負面沖擊會影響投資者的投資信念,抑制認知偏差。
(四)穩(wěn)健性檢驗
本文所計算的個股收益的暴跌風(fēng)險是基于個股收益的三階矩分布以及二階矩分布角度考慮,但Marin(2008)以及Firth等 (2005)等人從概率的角度認為個股收益的暴跌風(fēng)險是一種極端負收益出現(xiàn)的概率。而這種極端負收益即指個股收益遠低于均值調(diào)整項,Marin(2008)將均值調(diào)整項定義為個股收益均值與一定閾值下的標準差之差;并將閾值定義為個股收益落在極端負面收益以外的概率t值⑤。為避免因變量定義問題而造成的解釋偏差,我們也對個股特有收益的極端負收益出現(xiàn)概率進行了計算:
其中,[Wi,t]是個股收益經(jīng)過擴展指數(shù)模型(1)計算后經(jīng)(2)式調(diào)整的特有收益,[Wi,t]為個股特有收益在一定周期內(nèi)的均值,[δ]為個股特有收益在一定周期內(nèi)的標準差,[λ]為閾值,在本文中以正態(tài)分布中0.1%的單側(cè)概率t值作為閾值即[λ]為3.09(Kim等, 2011)。
從圖2的Crash結(jié)果分布來看,可以看出除2014年外,處理組樣本發(fā)生個股崩盤的樣本個數(shù)都小于控制組樣本發(fā)生個股崩盤的樣本個數(shù)。從每一年的比較來看,2015年控制組樣本與處理組樣本發(fā)生個股崩盤的樣本個數(shù)差值最大,控制組發(fā)生個股崩盤樣本數(shù)量為處理組樣本的2倍;而控制組在統(tǒng)計周期中每年發(fā)生個股崩盤的樣本數(shù)量變化基本與市場表現(xiàn)保持一致??刂平M與處理組在Crash的計算結(jié)果上與NCSKEW以及DUVOL保持一致,但由于自然實驗的樣本數(shù)量為54只,其數(shù)量較小,若擴大閾值以增大樣本數(shù)量則容易引入市場噪聲而影響結(jié)果。我們試著以1%的概率作為閾值發(fā)現(xiàn)處理組與控制組間的個股崩盤樣本數(shù)量之間并無明顯的差異與規(guī)律,所以在此只報道0.1%閾值下的個股崩盤樣本計算結(jié)果。
由表4可知,通過Logit模型對Crash變量與其他變量的多元回歸分析發(fā)現(xiàn)分組變量的參數(shù)系數(shù)符號仍舊為負,即處理組樣本的個股暴跌風(fēng)險要比控制組低0.61%;但分組變量的參數(shù)系數(shù)t值顯著性降低了。在引入股市崩盤系數(shù)進行假設(shè)2檢驗時交乘項Dum[×]crash_ncskew符號仍舊為負,但顯著性消失;但分組變量顯著性提高,且符號未變。這或與樣本量較小且二者計算方法有較大差異有關(guān)。
此外,為避免因樣本量太小造成的檢驗結(jié)果誤差,在穩(wěn)健性檢驗中對樣本的選擇周期也進行了調(diào)整,即將控制組與處理組中選股的周期由3個月擴大至6個月,將處理組個股上市的月份由2008年4月至6月擴大至3月至8月;將控制組個股上市的月份由2009年7月至9月擴大至7月至12月。在按照我們實驗的剔除條件進行剔除后,觀測樣本數(shù)量擴大至1070個。對假設(shè)1與假設(shè)2進行多元回歸分析,回歸結(jié)果與實驗中的檢驗結(jié)果保持一致,說明實驗中的樣本數(shù)量并未影響到檢驗結(jié)果。
五、結(jié)論
本文以自然實驗的方法初步檢驗了股市動蕩與個股股價暴跌風(fēng)險之間的因果關(guān)系。檢驗結(jié)果發(fā)現(xiàn),這種因果關(guān)系在統(tǒng)計結(jié)果上存在且表現(xiàn)為抑制作用:股市崩盤的負面“沖擊”對個股的股價暴跌風(fēng)險有顯著的抑制作用,處理組樣本在暴跌風(fēng)險系數(shù)上要顯著比控制組樣本低。本文驗證了市場沖擊對股價行為的影響,可以幫助投資者更深入地認識市場價格形成機制。
當(dāng)然,本文僅僅是基于一個實驗的樣本數(shù)據(jù),選擇的樣本數(shù)據(jù)與總體實驗數(shù)據(jù)還有一定的差距。并且由于樣本數(shù)據(jù)較小,檢驗結(jié)果是否具有普遍性還有待更大數(shù)據(jù)樣本的檢驗。2015年股災(zāi)又提供了一次自然實驗機會,但由于在本文撰寫完畢時,其研究區(qū)間相對太短,故未能選取相關(guān)數(shù)據(jù)進行更多的論證。此外,本文對股市崩盤風(fēng)險的定量方法還有待商榷,還需進一步準確的定義好代理變量的關(guān)系以保證結(jié)果的準確性。
注:
①在如今金融市場波動日益增大的情況下,有許多學(xué)者研究個股的股價崩盤風(fēng)險,包括股價崩盤風(fēng)險的衡量方法以及產(chǎn)生較大的個股股價崩盤風(fēng)險的原因。目前,產(chǎn)生的共識是個股股價的崩盤風(fēng)險主要是指個股出現(xiàn)大幅度的價格下跌與負收益現(xiàn)象,是出現(xiàn)極端負收益的一種情況(Hong和Stein,2003);也即是說個股收益的二階矩有較為明顯的波動而三階矩的偏度分布則出現(xiàn)較為明顯的負收益分布。
②股市震蕩與個股股價崩盤并非同一概念,當(dāng)前學(xué)術(shù)界諸如Chen等(2001),Hong和Stein(2003),Hutton等(2009)等研究的都是基于個股層面的股價崩盤風(fēng)險。而參照Marin和Olivier(2008)等的觀點,是指資本市場出現(xiàn)大面積的個股股價下跌,且出現(xiàn)較大的負收益程度。
③我國企業(yè)實現(xiàn)IPO上市要經(jīng)歷較長的流程,從提交申請材料到最后發(fā)行上市平均等待時間為3—9個月,其中還并不包括排隊與IPO暫停的時間。而更為重要的是,監(jiān)管當(dāng)局對企業(yè)發(fā)行上市存在一定的選擇即在市場較為繁榮時鼓勵上市,而在市場蕭條時抑制上市;且企業(yè)也會在市場繁榮時申請上市而在市場蕭條時推遲上市。因此為降低處理組樣本與控制組樣本的自選擇,而將企業(yè)申請上市時間定為同一年。
④限于文章篇幅,結(jié)果未予列出。
⑤Marin(2008)在數(shù)據(jù)檢驗中將閾值定為2,對個股收益分別從三個角度計算,即未調(diào)整前的對數(shù)收益、經(jīng)市場收益調(diào)整的超額收益以及經(jīng)市場指數(shù)模型中Beta值調(diào)整的特有收益。本文由于已經(jīng)計算出市場擴展指數(shù)模型的特有收益,所以直接以特有收益的均值進行均值標準差調(diào)整計算。
參考文獻:
[1]Chen J,Hong H,Stein J C. 2001. Forecasting Crashes:Trading Volume,Past Returns,and Conditional Skewness in Stock Prices[J].Journal of Financial Economics,61(3).
[2]Hong H,Stein J C. 2003. Differences of Opinion, Short-sales Constraints, and Market Crashes[J].The Review of Financial Studies,16(2).
[3]Campbell J Y,Hentschel L. 1992. No News is Good News:An Asymmetric Model of Changing Volatility in Stock Returns[J].Journal of Financial Economics,31(3).
[4]Romer D. 1992. Rational Asset Price Movements Without News[R].National Bureau of Economic Research,83(5).
[5]Callen J L,F(xiàn)ang X. 2013. Institutional Investor Stability and Crash Risk: Monitoring Versus Short-termism?[J].Journal of Banking & Finance,37(8).
[6]Jinshuai H,Jeong-Bon K,Wenrui Z. 2014. Insider Trading and Stock Price Crash Risk:International Evidence from a Natural Experiment[J].SSRN Electronic Journal.
[7]Jin L,Myers S C. 2006. R2 Around the World:New Theory and New Tests[J].Journal of Financial Economics,79(2).
[8]Hutton A P,Marcus A J, Tehranian H. 2009. Opaque Financial Reports,R2,and Crash Risk[J].Journal of Financial Economics,94(1).
[9]Kothari S P,Shu S,Wysocki P D. 2009. Do Managers Withhold Bad News?[J].Journal of Accounting Research,47(1).
[10]Ball R. 2009. Market and Political/Regulatory Perspectives on the Recent Accounting Scandals[J].Journal of Accounting Research,47(2).
[11]Kim J B,Li Y,Zhang L. 2011. Corporate Tax Avoidance and Stock Price Crash Risk: Firm-level Analysis[J].Journal of Financial Economics,100(3).
[12]Xu N,Li X,Yuan Q et al. 2014. Excess Perks and Stock Price Crash Risk:Evidence from China[J].Journal of Corporate Finance,25.
[13]Andreou P C,Antoniou C,Horton J,et al. 2016. Corporate Governance and Firm-specific Stock Price Crashes[J]. European Financial Management,22(5).
[14]Zhang M,Xie L,Xu H. 2016. Corporate Philanthropy and Stock Price Crash Risk: Evidence from China[J].Journal of Business Ethics,139(3).
[15]Marin J M,Olivier J P. 2008. The Dog that did not Bark:Insider Trading and Crashes[J].The Journal of Finance, 63(5).
[16]Firth M , Chen G M,Gao N D,et al.? Is China's Securities Regulatory Agency A Toothless Tiger?Evidence from Enforcement Actions[J].Social Science Electronic Publishing.
[17]權(quán)小鋒,吳世農(nóng).投資者關(guān)注、盈余公告效應(yīng)與管理層公告擇機[J].金融研究,2010,(11).
[18]呂江林,李明生,石勁.人民幣升值對中國股市影響的實證分析[J].金融研究,2007,(6).
[19]高昊宇,楊曉光,葉彥藝.機構(gòu)投資者對暴漲暴跌的抑制作用:基于中國市場的實證[J].金融研究,2017,(2).
[20]孟慶斌,楊俊華,魯冰.管理層討論與分析披露的信息含量與股價暴跌風(fēng)險——基于文本向量化方法的研究[J].中國工業(yè)經(jīng)濟,2017,(12).
[21]宋獻中,胡珺,李四海.社會責(zé)任信息披露與股價暴跌風(fēng)險——基于信息效應(yīng)與聲譽保險效應(yīng)的路徑分析[J].金融研究,2017,(4).
[22]曾愛民,魏志華.宗教傳統(tǒng)影響股價暴跌風(fēng)險嗎?——基于“信息披露”和“管理自律”的雙重視角[J].經(jīng)濟管理,2017,39(11).
[23]馬笑芳,周中勝,張?zhí)K斌,邵蔚,張康建.審計行業(yè)專長與股價暴跌風(fēng)險的關(guān)系分析[J].蘇州大學(xué)學(xué)報(哲學(xué)社會科學(xué)版),2018,39(2).
[24]丁慧,呂長江,陳運佳.投資者信息能力:意見分歧與股價暴跌風(fēng)險——來自社交媒體“上證e互動”的證據(jù)[J].管理世界,2018,34(9).
[25]褚劍,方軍雄.政府審計的外部治理效應(yīng):基于股價暴跌風(fēng)險的研究[J].財經(jīng)研究,2017,43(4).
[26]徐飛,唐建新,程利敏.國際貿(mào)易網(wǎng)絡(luò)與股價崩盤傳染:競爭性貨幣貶值視角[J].國際金融研究,2018,(12).
[27]許年行,江軒宇,伊志宏,徐信忠.分析師利益沖突、樂觀偏差與股價暴跌風(fēng)險[J].經(jīng)濟研究,2012,47(7).
Abstract:This paper studies whether there is a causal relationship between a stock market crash and firm-level stock price crash risk by natural experiment, taking Chinese A-shares market turbulence in 2008 and the special domestic IPO suspension system as the designing opportunity of natural experiment. The study finds that:(1)compared with the new stocks listed in the stock market after the gradual recovery,those listed in the stock market crash have significantly lower risk of slump;(2)the further research suggests that the differences above are much more significant when a stock market crash occurs again. Steady research shows that a stock market crash can remarkably reduce the risk of firm-level stock price crash.
Key Words:stock market crash,natural experiment,risk of firm-level stock price crash
(責(zé)任編輯? ? 孫? ?軍;校對? ?MM,GX)