基于混频数据的投资者情绪与股市波动效应的研究_吴文诗.pdf

第 21 卷第 4 期2022 年12 月广州大学学报(自然科学版)Journal of Guangzhou University(Natural Science Edition)Vol 21No 4Dec2022收稿日期:2021-09-09;修回日期:2021-12-11基金项目:国家自然科学基金重点资助项目(11731015);国家自然科学基金青年资助项目(11701116);广州市基础与应用基础研究资助项目(202201010276)作者简介:吴文诗(1998)，女，硕士研究生 E-mail:wu_wenshi_55163 com*通信作者 E-mail:song_zefang163 com引文格式:吴文诗，宋泽芳，张兴发，等 基于混频数据的投资者情绪与股市波动效应的研究J 广州大学学报(自然科学版)，2022，21(4):68-79文章编号:1671-4229(2022)04-0068-12基于混频数据的投资者情绪与股市波动效应的研究吴文诗a，宋泽芳a，b*，张兴发a，b，李元a，b(广州大学 a 经济与统计学院;b 岭南统计科学研究中心，广东 广州510006)摘要:根据投资者情绪对股市波动具有重要影响这一观点，引入投资者情绪的传统 GACH 类波动率模型出现因不同频率数据建模而产生的效率损失问题。文章基于混频数据结构，分别从不同行业、不同情绪状态和不同经济阶段 3 个角度切入，引入自适应权重形式的广义自回归条件异方差混频数据抽样模型(GACH-MIDAS-adapt)，对中国股市日度波动率进行估计与预测比较。实证结果表明，自适应权重形式融合的混频数据结构可以更好地解释投资者情绪对股市产生的长期波动作用，不同行业表现出有显著的解释力和预测力。此外，在不同行业下，情绪低落时对股市的冲击更大。关键词:投资者情绪;混频数据;股市波动;GACH-MIDAS-adapt;自适应权重中图分类号:F 830;O 212文献标志码:AStudy on effects of investor sentiment and stock marketvolatility based on mixed dataWU Wen-shia，SONG Ze-fanga，b*，ZHANG Xing-faa，b，LI Yuana，b(a School of Economics and Statistics;b Center of Statistical Science of Lingnan;Guangzhou University，Guangzhou 510006，China)Abstract:According to the view that investor sentiment has an important impact on stock market vola-tility，the traditional GACH-type volatility model with investor sentiment has the problem of efficien-cy loss caused by different frequency data modeling Based on the mixed frequency data structure，ageneralized autoregressive conditional heteroscedasticity mixed frequency data sampling model with anadaptive weight function(GACH-MIDAS-adapt)is used to estimate and forecast the comparison ofdaily volatility of the Chinese stock market from three perspectives of different industries，differentsentiment states and different economic stages The results show that mixed data structure with adap-tive weight can better explain the long-term volatility of investor sentiment on the stock market，anddifferent industries show significant explanatory and predictive power In addition，in different indus-tries，the impact of depression on the stock market is largerKey words:investor sentiment;mixed frequency data;stock market volatility;GACH-MIDAS-adapt;adaptive weight在金融时间序列研究中，波动率指标一直是学者们感兴趣的变量之一，因为它的正确度量和预测有利于金融资产定价、套期保值和风险管理。影响波动率的因素很多，最早认为影响金融市场波动的主要因素来自宏观第 4 期吴文诗等:基于混频数据的投资者情绪与股市波动效应的研究经济带来的系统性冲击。随着市场的日益变化，以及行为金融的诞生，投资者情绪对市场波动的主导作用也日益受到学者们的认可，因而围绕投资者情绪与市场波动关系的理论及应用研究一直在不断丰富中。Bollerslev 1 提出 GACH 模型以及基于它的各种扩展模型(GJ-GACH、TGACH 等)在捕捉波动率的集聚、非对称等特点方面给出了很好的表现，很长一段时间，许多学者将它们作为波动率的基准模型。值得关注的是，也有学者将投资者情绪作为经济变量引入到GACH 类模型中，展开了投资者情绪对市场波动的影响研 究。Beaumont 等2 将 个 体 投 资 者 情 绪 引 入GACH-M 模型进行研究，发现波动性在看涨和看跌两种不同情绪中有显著的非对称影响，情绪看跌时，波动性会增加更多。文凤华等 3 将投资者情绪分为积极与消极情绪，并分别作为股票收益率的解释变量构造 A-GACH 模型，结果发现不同投资者情绪波动对股票收益率的波动有显著冲击。在大部分的研究中，同一个模型内使用的数据是相同频率的，例如在考虑投资者情绪与市场收益之间的关系时，往往都是同为日度或月度数据。但是实际中频率不同的数据更是常见。如对投资者情绪而言，Backer等 4 利用主成分分析方法所构造的情绪度量指标基本是月度频率的数据，沿用它的构造方法，易志高等 5利用封闭式基金折价、交易量、IPO 数量、上市首日收益、消费者信心指数和新增投资者开户数 6 个单项情绪指标构造综合情绪指数，也是以月度频率统计的。但是研究中所分析的股价数据往往是周度、日度甚至是更高频的数据，为了避免不同频率数据纳入一个模型中，学者们往往就只能迁就一方变量，选择同频的数据进行分析，这就使得研究不够完整，一定程度上会损失一些重要的高频或低频信息，使得结果不尽人意。为了能够直接对原始混频数据进行分析，一些针对混频数据的模型应运而生。其中，Ghysels 等6 提出混频抽样回归(MIDAS)模型，构造将数据与不同的采样频率结合起来的回归模型，实现了将高频数据与低频数据的融合。如何将混频数据引入到分析市场波动的GACH 模型中呢?Engle 等7 从波动分解的思想给混频波动研究提供了思路，提出了市场总波动具有长期波动和短期波动两部分的观点，并将低频信息作为长期波动引 入 到 GACH 模 型。基 于 该 理 论 思 想，Engle等 8 9 将自己 2008 年提出的 Spline-GACH 模型与Ghysels 的混频回归相结合，提出了广义自回归条件异方差混频数据抽样模型(GACH-MIDAS)，模型中代表波动率的条件方差以乘法的形式分解成长期波动和短期波动两部分，其中代表低频信息的变量作为了长期波动的解释变量。GACH-MIDAS 模型设定经济变量的影响根据时间顺序依次递减，即固定采用 Beta 权重形式融合低频变量的长期波动影响。但固定的权重形式或许会因为欠缺对信息本身特征考虑而存在信息损失问题。Ghysels等10 指出在宏观经济领域进行预测时应该采用阿尔蒙指数滞后多项式的权重形式。于扬等 11依据不同的混频结构，给出了不同情形下混频回归模型的权重形式。这些研究表明，选择合适的权重形式可以使得研究结果更可靠，但多数研究都是将权重固定于某种函数形式。王江涛等 12在研究高频时间序列建模时，考虑一种不依赖于函数形式的自适应方法选择权重，利用交易特征自动调整在不同交易时期的权重分配，结果表明自适应方法下的权重能更好地结合函数自变量描述股价波动特征。这为混频数据的融合提供了一个新的思考方向。自适应权重在混频数据结构中能否发挥更好的作用?本文考虑将自适应的方法融合到 GACH-MIDAS 模型中。另外，围绕 GACH-MIDAS 模型的实证研究中，多以引入低频的宏观经济变量为主，如 Conrad 等13使用GACH-MIDAS 模型提取加密货币的长期与短期波动。石强等 14利用 GACH-MIDAS 研究日度股市波动与月度宏观经济因子之间的联系。然而针对低频非宏观经济变量的投资者情绪对高频收益的波动性分析研究较少。目前姚尧之等 15 利用 GACH-MIDAS 模型研究投资者情绪与股票价格行为之间的关系发现，混频情绪能够显著影响收益的长期波动，但研究依旧沿用依靠时间顺序这一经济特征，没有从信息本身特点出发进行考虑。考虑到个别股票可能存在研究偏差，本文选择 10个行业股票作为主体，针对投资者情绪在不同行业、不同情绪状态以及不同经济阶段下的情况，在GACH-MI-DAS 模型基础上引入交易特定时期自带特征的自适应权重形式构造模型 GACH-MIDAS-adapt，探讨投资者情绪与股市波动之间效应的多类因子混频模型。1方法1 1投资者情绪度量目前国内构造投资者情绪指标(IS)的方法有多种，本文采用易志高等利用主成分分析法将封闭式基金折价(CEFD)、交易量(TUN)、IPO 数量(IPON)、上市首日收益(IPO)、新增投资者开户数(NIA)以及消费者信心指数(CCI)合成的月度综合指标。由于不同指标对投资者情绪的反映可能存在时间上的“提前”或“滞后”，最终运96广州大学学报(自然科学版)第 21 卷用主成分方法构造了投资者情绪指数作为情绪度量 5。1 2GACH-MIDAS-adapt 模型为了保证长期波动的值为正，Engle 等提出对数形式的 GACH-MIDAS 模型10，结构如下:ri，t=+tgi，ti，ti=1，Ni，t(1)gi，t=(1 )+(ri 1，t)2t+gi 1，t(2)logt=m+Kk=1k(1，2)Xtk(3)k()=(k/K)11(1 k/K)21Kj=1(j/K)11(1 j/K)21(4)其中，ri，t表示某金融资产第 t 个月的第 i 天对数收益率，Ni，t表示第 t 个月的天数。度量波动率的条件方差tgi，t分解成了两部分，分别为短期波动 gi，t和长期波动i，t。低频经济变量 Xt及它的滞后项 Xt k反映长期波动。上述模型待估参数为:、m、1、2，平稳性条件:0 +1，0 ，1。利用 Beta 权重函数 k()(式 4)对经济变量长期波动的影响进行综合，K 是模型最优下的滞后阶数。考虑到 Beta 权重函数权重分配随时间滞后递减的形式可能会忽略特定时期信息，因此，本文仿照 GACH-MIDAS方法，利用以下自适应权重函数进行提炼:B(K，)=(xt)Kk=1(xk)(5)其中，xt是某种与收益率相关的低频变量。结合式(1)(3)及(5)，构建了 GACH-MIDAS-adapt