中国股市低风险异象的来源:Beta高估还是特质波动率高估__齐玉录
齐玉录.中国股市低风险异象的来源: Beta高估还是特质波动率高估?[J].东北财经大学学报,2019(03):79-90.
研究问题
对低风险异象进行分析
理论机制
经典资本资产定价模型中股票的期望收益与Beta是显著正相关的，但是大量实证研究发现高(低)Beta的股票获得较低(高)的超额回报，这种现象被称为Beta异象。与资本资产定价模型关注Beta不同，除系统性风险Beta外，公司特质风险对股票收益也有显著的影响，并且低特质风险的股票具有更高的超额回报，这种现象被称为特质波动率异象。这种特质波动率异象不仅在发达市场存在，在中国股市中也被证实存在。
从经验证据上看，Beta和特质波动对股票收益的影响表现出类似的特征:低风险高收益，即低风险异象。但是，从本质上看，Beta是系统性风险，特质波动是非系统性风险。
对于特质波动率异象，有诸多的解释原因。将这些原因进行了总结，并将其分为三类:第一类是投资者对彩票型股票的偏好，如偏度、共同偏度、期望的特质偏度、最大日收益率和个人投资者占比等变量;第二类是市场摩擦，如月度反转收益、Amihud非流动性、零收益占比和买卖价差等变量;第三类是其他因素，如不确定性、盈余意外等变量。
实证数据期间与来源
本文使用1996年1月至2017年12月期间中国A股所有交易数据。由于对Beta的估计选用的时间跨度为3年，因而对上市不足3年的股票予以剔除。选择发布时间最久、受关注程度最高的上证综合指数代表市场组合。所需的数据具体如下:首先，为构造Beta和特质波动率IVOL，需要A股所有股票的日收益率、上证综指日收益率、日度Fama－French三因子和无风险收益率。其次，为了构造组合的持有期收益率并对其进行风险调整，需要A股所有股票月度收益率数据、Fama－French三因子和五因子月度数据。再次，作为投资者意见分歧指标，需要A股所有股票月度换手率数据。最后，为构造控制变量，还需要月度的个股市值、市净率、交易额、机构投资者占比等数据。所有数据均来自国泰安CSMAR系列研究数据库。
结论
中国股市存在显著的低风险高收益的低风险异象，表现为Beta异象和特质波动率异象。
1.用Beta和IVOL度量风险均能得到高风险低收益、低风险高收益的特征，即低风险异象，这与现有文献既发现Beta异象又发现特质波动率异象是一致的。当按Beta(IVOL)进行排序分组时，IVOL(Beta)表现出了较强的单调变化，两者的正相关性较强(相关系数为0.44)。因此，无法直接判断低风险异象是由于Beta导致的还是特质波动率导致的。
2.在进一步探讨低风险异象的成因时，本文发现低风险异象不是源于投资者彩票型偏好和非流动性、机构投资者占比等卖空限制。本文选择使用换手率作为投资者意见分歧的指标，分析发现，在投资者意见分歧小的股票中，风险指标选择Beta或IVOL都不存在低风险异象，但是在投资者意见分歧大的股票中，低风险异象显著存在。在各个风险梯度的组合中，风险调整后收益率在最低风险组合中不显著，而在最高风险组合中显著为负，说明低风险异象主要是由于对高风险股票的意见分歧而产生的定价异常。由于中国股市存在较严重的做空限制，当投资者对股票后市的意见出现大的分歧时，尤其是对高风险股票的意见产生分歧时，看多的投资者会即时买入，而看空的投资者却由于做空限制无法即时卖空，这就导致整体上高风险股票的价格被高估了，未来有较低的收益率。因此，低风险异象主要是由于意见分歧的投资者对高风险股票的高估引起的结论也是符合中国市场实际的。
3.在检验Beta异象和特质波动率异象的关联时发现:控制Beta差异后，特质波动率异象存在，而控制了IVOL差异后，Beta异象不存在;在Beta中剔除了包含特质波动率的信息，用个股与市场的相关系数进行研究，发现Beta异象不再显著;用Fama－MacBeth回归结果表明在投资者意见分歧大时，主要是由于IVOL而非Beta导致了低风险异象。因此，Beta异象只是一种表面现象，实际上是由特质波动率的差异引起的，中国股市低风险异象主要是由于投资者对高特质波动率股票价格的高估引起的，源于特质风险和投资者异质信念，而不是系统性风险Beta，这与Beta异象的情况相反，与中国普遍存在卖空限制、存在众多散户和机构投资者、投资者的信念差异明显是一致的。诚然，Beta异象的表面存在表明个股与市场的关系对投资者的决策有参考价值，比如“千股涨停、千股跌停”的同跌同涨现象，然而特质波动率异象对Beta异象的替代说明同跌同涨可能只是短期现象，长期看股票的特质风险才是获得超额回报的根本。
小结
注：IVOL 特质波动律
本文使用排序分组构造零投资组合方法，对于特质波动率异象，在每个月末按IVOL进行排序，均分成10组，通过买入相应的低IVOL组股票，卖空相应的高IVOL组股票，构造零投资组合，研究各个IVOL组合的风险溢价情况。对于Beta异象，按照Beta排序做相同的处理，研究各个Beta组合的风险溢价情况。此外，本文还用Frazzini和Pedersen提供的Beta中性组合构造方法，对t月所有股票按照Beta值排序分成两组，在每个组合内部按照个股Beta的大小赋予权重，在Beta大的组合中个股Beta值越大权重越大，而Beta小的组合中个股Beta值越小权重越大，然后构造多空策略使策略整体的Beta值为0，考察组合在t+1月的风险溢价情况。为了考察各种异象的稳健性，本文在计算风险调整收益率时，不仅采用了常见的CAPM模型、Fama－French三因子模型，还专门使用了Fama－French五因子模型。
本文还使用了双变量组内分组法。在投资者意见分歧大的股票组合中，用双变量组内分组的方法，先控制特质波动率的差异，考察控制IVOL后Beta异象的市场表现，再控制Beta的差异，考察控制Beta后特质波动率异象的市场表现。
本文创新性在于使用双变量分组、Beta分解和Fama－MacBeth回归等方法探讨Beta异象和特质波动率异象的关联。