預期股票收益的獨立因子研究——來(lái)自中國A股市場(chǎng)的經(jīng)驗證據

甘順利 譚 彬

(湖南師范大學(xué) 商學(xué)院，湖南 長(cháng)沙 410081)

自1970年以來(lái)，學(xué)術(shù)界發(fā)現了數百個(gè)統計上顯著(zhù)的股票橫截面收益預測因子(Green等，2017；
Hou等，2020)[1][2]。金融學(xué)會(huì )主席Cochrane(2011)曾指出，這些形形色色的因子，繁雜如一個(gè)動(dòng)物園[3]。因此，他向學(xué)界提出挑戰，如何識別出能獨立預測股票收益的公司特征因子。自從Cochrane提出這個(gè)問(wèn)題，它就一直困擾著(zhù)學(xué)術(shù)界。為解答“Cochrane之問(wèn)”，學(xué)術(shù)界在已發(fā)現的因子中檢驗哪些因子真正能夠獨立預測股票截面收益。譬如，Green等(2017)同時(shí)將94個(gè)特征因子納入統一的分析框架之中，研究發(fā)現，非小市值股票僅有12個(gè)獨立的特征因子[1]。

事實(shí)上，因子模型是理解資產(chǎn)定價(jià)和制定投資策略的重要基石。目前中國股票市場(chǎng)的研究依然以Fama和French(1993)的方法為主，結合中國股票市場(chǎng)的交易數據和財務(wù)數據，對中國市場(chǎng)的股票橫截面收益的影響因子進(jìn)行研究[4][5]。然而，Liu等(2019)指出，在中國資本市場(chǎng)中，小市值上市公司股票的定價(jià)通常反映的不是該公司的經(jīng)營(yíng)業(yè)務(wù)，而是由中國市場(chǎng)特定IPO制度產(chǎn)生的殼價(jià)值，可能?chē)乐嘏で酥袊Y本市場(chǎng)的定價(jià)機制，而現有研究幾乎都沒(méi)有考慮該問(wèn)題[6]。例如，Lee等(2017)通過(guò)量化殼價(jià)值發(fā)現，殼成分是中國小公司價(jià)值的重要部分，在中國股票市場(chǎng)中，這些小公司的收益率對基本業(yè)務(wù)的敏感程度較低[7]。所以，研究股票預期收益的影響因子，必須避免殼價(jià)值的“污染”，這或許是理解資產(chǎn)定價(jià)的關(guān)鍵因素。因此，本文在排除殼價(jià)值“污染”的基礎上對股票預期收益的獨立因子進(jìn)行研究，具有較強理論意義和現實(shí)意義。

本文借鑒Green等(2017)的研究方法，排除殼價(jià)值“污染”，對中國股票預期收益的獨立因子進(jìn)行研究[1]。具體而言，本文以2003年1月至2018年12月全部非金融行業(yè)A股上市公司為樣本，研究能夠預測中國股票月收益的獨立因子。首先，我們搜集并整理發(fā)表于國內外期刊上已證實(shí)的能解釋中國股票預期收益截面差異的20個(gè)顯著(zhù)性因子。其次，基于中國股票市場(chǎng)的特殊性，在構建因子時(shí)，我們排除受到殼價(jià)值“污染”的上市公司。最后，采用Fama-Macbeth回歸方法和多重檢驗方法，識別能夠預測股票收益的獨立因子。研究結果發(fā)現，在影響股票收益的20個(gè)因子中只有4個(gè)因子提供了獨立信息，利用這4個(gè)獨立因子構建對沖組合，能夠獲得顯著(zhù)的超額收益。

相較于既有文獻，本文的邊際貢獻主要在于：第一，本文根據中國市場(chǎng)的實(shí)踐，基于中國股票市場(chǎng)的特殊性，實(shí)證檢驗了能夠預測中國股票市場(chǎng)的獨立影響因子，豐富了現有的實(shí)證資產(chǎn)定價(jià)體系?，F有文獻對于中國股票收益的影響因子研究，主要采用Fama和French(1993)的方法。這些研究通常以A股所有上市公司為樣本，探討影響股票收益的因子[4]。然而，現有研究忽略了中國股票市場(chǎng)的特殊性，即中國股票市場(chǎng)由于IPO制度，導致具有殼價(jià)值的上市公司廣泛存在，這扭曲了中國股票的定價(jià)機制。本文的研究有效地拓展了現有文獻的認知，補充了現有的資產(chǎn)定價(jià)理論。第二，本文首次對中國市場(chǎng)股票預期收益的獨立影響因子進(jìn)行了系統研究，為預測股票收益的獨立因子話(huà)題提供了新的重要證據。迄今為止，學(xué)術(shù)界研究發(fā)現了數百個(gè)影響股票收益的因子，如Hou等(2020)總結了美國市場(chǎng)中發(fā)現的452個(gè)因子[2]。然而，如何在繁雜的因子之中識別出獨立因子，則是現有的學(xué)術(shù)焦點(diǎn)(Cochrane，2011)[3]，尤其是存在特殊性的發(fā)展中國家，與美國及其他發(fā)達市場(chǎng)相比，股票收益的定價(jià)機制存在顯著(zhù)差異。本文選擇中國股票市場(chǎng)為研究對象，為獨立因子研究提供了一個(gè)來(lái)自新興市場(chǎng)的證據。第三，本文的研究具有一定的實(shí)踐意義。在投資實(shí)踐中，根據影響股票收益的因子，構建投資策略，是一種常見(jiàn)的投資方法。本文的研究則是在已發(fā)現具有顯著(zhù)性的因子中識別出獨立因子，有助于投資者制定投資策略。

因子描述了股票所共同承擔的某種系統性風(fēng)險，因子收益率是圍繞該因子構建的投資組合中股票的系統性風(fēng)險溢價(jià)。因子模型建立在Ross(1976)提出來(lái)的套利定價(jià)理論(APT)基礎之上，他認為任何風(fēng)險資產(chǎn)的回報都可表示為反映資產(chǎn)回報的多個(gè)共同因子的線(xiàn)性組合，多因子模型正是基于A(yíng)PT理論的思想發(fā)展出來(lái)的完整的資產(chǎn)定價(jià)模型[8]。自此之后，學(xué)術(shù)界發(fā)現了更多的特征效應，即利用公司的某些特征因子構建對沖組合，該組合收益率甚至無(wú)法用典型的諸如Fama和French(1993)三因子模型之類(lèi)的資產(chǎn)定價(jià)模型解釋[4]。這些特征效應如此之多，以至于被稱(chēng)之為因子動(dòng)物園。Hou等(2020)系統性地總結了歷史文獻中提出的針對美股的452個(gè)在統計意義上和經(jīng)濟學(xué)意義上均顯著(zhù)的因子[2]，Qiao(2019)則基于中國的市場(chǎng)實(shí)踐，復制研究了231個(gè)因子[9]。本文的研究并不考察所有的因子，而是基于國內外期刊已證明的有效因子為基礎，考慮了中國股票市場(chǎng)的特殊性，在眾多因子中識別出真正對股票收益有影響的獨立因子。

為檢驗在現有的顯著(zhù)性因子中，哪些因子是能夠提供獨立信息的因子，本文接下來(lái)對國內外期刊中針對中國股票市場(chǎng)已發(fā)現的顯著(zhù)性因子的文獻進(jìn)行回顧和梳理。依據Hou等(2020)和Qiao(2019)的研究，我們把關(guān)于中國股票市場(chǎng)的因子研究分為交易摩擦因子、動(dòng)量因子、價(jià)值因子、成長(cháng)因子、盈利因子和財務(wù)流動(dòng)性因子六大類(lèi)進(jìn)行總結回顧[2][9]。

(一)交易摩擦類(lèi)因子

Hou等(2020)指出交易摩擦類(lèi)因子是指低貝塔、低波動(dòng)性或高流動(dòng)性公司的股票收益往往比其他公司表現更好[2]。吳世農和許年行(2004)以深滬兩市A股上市公司為樣本，發(fā)現我國股票市場(chǎng)存在顯著(zhù)的賬面市值比(BM)效應和規模(SIZE)效應，高賬面市值比和小規模公司的股票獲得高收益正是對所投資股票本身的風(fēng)險補償，因為這類(lèi)股票往往基本面表現不佳，財務(wù)狀況較弱[10]。流動(dòng)性衡量了股票交易的速度和成本，因此鄭振龍和湯文玉(2011)運用Fama-Macbeth估計方法發(fā)現波動(dòng)率能夠衡量股票的流動(dòng)性，是一個(gè)顯著(zhù)的橫截面定價(jià)因子，且在一定程度上能夠解釋市值效應和價(jià)值效應[11]。類(lèi)似地，田利輝和王冠英(2014)使用同樣的方法進(jìn)行研究發(fā)現，成交額、換手率與股票預期收益率顯著(zhù)負相關(guān)，他們將這兩個(gè)因子與三因子模型結合提出了適合我國股票市場(chǎng)的五因子模型[12]。

(二)動(dòng)量因子

Naughton等(2008)認為我國股票市場(chǎng)存在顯著(zhù)的動(dòng)量效應，即構建一個(gè)投資組合，買(mǎi)入過(guò)去股價(jià)表現較好的股票，賣(mài)出過(guò)去股價(jià)表現較差的股票能夠獲得顯著(zhù)的超額收益[13]。然而，田利輝等(2014)發(fā)現，與美股股票市場(chǎng)不同，我國股票市場(chǎng)并不存在顯著(zhù)的動(dòng)量效應[14]。他們通過(guò)分析我國股票市場(chǎng)收益率數據發(fā)現我國股票市場(chǎng)存在超短期的反轉效應，因此采用動(dòng)量效應因素的Carhart(1997)四因素模型也不適用于我國股票市場(chǎng)，所以他們以一周排序期短期反轉因子為代理變量，構建了中國特色的股票市場(chǎng)四因子模型[15]。李志冰等(2017)通過(guò)區分股權分置改革前后兩個(gè)時(shí)期，發(fā)現股改前和股改后12個(gè)月動(dòng)量因子經(jīng)過(guò)五因子模型調整后的超額收益率全部為負，表明我國股票市場(chǎng)存在的是反轉效應[5]。進(jìn)一步，他們發(fā)現股改前這種反轉效應可以被五因子模型解釋?zhuān)筛暮笫褂脤W(xué)術(shù)界最前沿的五因子模型進(jìn)行風(fēng)險調整，仍存在顯著(zhù)的反轉效應。

(三)價(jià)值因子

高價(jià)值股票的收益往往高于低價(jià)值股票的收益，做多高價(jià)值股、做空低價(jià)值股能獲得超額收益。潘莉和徐建國(2011)對我國市場(chǎng)進(jìn)行系統性研究，在考察了beta系數、股票市值、市盈率、市凈率、杠桿率、流通股比率對回報率的影響后，發(fā)現股票市值、市盈率、杠桿率三個(gè)重要影響因素，利用市場(chǎng)平均回報率、股票市值和市盈率三個(gè)因子可以解釋我國股票收益率變化的90%以上，這與Fama和French三因素模型顯著(zhù)不同[16]。Piotroski和So(2012)利用F-score模型方法，發(fā)現價(jià)值股跑贏(yíng)成長(cháng)股的背后邏輯在于預期差的修正，即錯誤定價(jià)的修正，市場(chǎng)參與者低估了前者高估了后者。價(jià)格反映了投資者對股票的市場(chǎng)預期，而內在價(jià)值反映股票本身的基本面預期，這種高、低估說(shuō)明這兩個(gè)預期存在差異，即存在預期差[17]。羅林(2003)通過(guò)將6個(gè)基本因子和47個(gè)行業(yè)虛擬變量作為因子備選集，進(jìn)行了橫截面以及時(shí)間序列檢驗最終確定貝塔系數、流通市值、凈市值比、換手率、動(dòng)量、收入價(jià)格比是中國股票市場(chǎng)重要的風(fēng)險因子[18]。

(四)成長(cháng)因子

林祺(2016)以我國滬深兩市A股上市公司為研究對象，利用Fama-Macbeth回歸方法發(fā)現中國資本市場(chǎng)上存在明顯的資產(chǎn)增長(cháng)異象，且以總資產(chǎn)增長(cháng)率為代表的資產(chǎn)增長(cháng)代理指標在捕捉該異象方面具有較好的優(yōu)勢，他認為這種異象是由投資者對市場(chǎng)信息的反應存在系統性偏差而不是風(fēng)險變動(dòng)導致的[19]。而李志冰等(2017)則發(fā)現股改前市場(chǎng)風(fēng)險占據主導地位，股改后投資風(fēng)格因子(即總資產(chǎn)增長(cháng)率)的風(fēng)險溢價(jià)才顯著(zhù)。他們認為這是由于股改后全體股東的利益趨于一致，有助于促進(jìn)管理層加強對公司的監管，提高投資效率，而股改前多數國有上市公司投資效率低下，存在濫用資金、過(guò)度投資的現象[5]。

(五)盈利因子

趙勝民等(2016)認為，理論上公司的價(jià)值取決于未來(lái)股權現金流的現值，從實(shí)踐經(jīng)驗來(lái)看，盈利能力強的公司股票往往回報率較高，而高投資水平的公司股票回報率較低。然而他們實(shí)證發(fā)現盈利能力和投資水平因子無(wú)益于解釋股票組合的收益率，而李志冰等(2017)認為趙勝民等(2016)的文獻僅在全樣本下比較了五因子與三因子模型的表現，他們發(fā)現通過(guò)細分樣本，股改后盈利能力因子顯著(zhù)。這可能是因為股改后全體股東都將以股東利益最大化為經(jīng)營(yíng)目標，對經(jīng)營(yíng)者依法進(jìn)行有效的監督，推動(dòng)公司整體經(jīng)營(yíng)績(jì)效提高[5][20]。Guo等(2017)發(fā)現中國股票市場(chǎng)具有較強的盈利效應，并利用ROE(即凈利潤與所有者權益之比)構建了盈利能力因子，能獲得顯著(zhù)的超額收益[21]。

(六)財務(wù)流動(dòng)性因子

潘莉和徐建國(2011)研究發(fā)現，賬面杠桿率對個(gè)股回報率的正向影響作用強于市場(chǎng)杠桿率，正向作用源于高杠桿的企業(yè)風(fēng)險更高[16]。他們認為股票市值的影響具有風(fēng)險與特征的雙重特性，高杠桿的企業(yè)風(fēng)險更高使得回報率更高。

綜上所述，現有研究文獻基本都是基于Fama-MacBeth的基本方法，采用A股市場(chǎng)的數據識別少數幾個(gè)因子，期望能夠解釋股票收益的截面特征。此外，現有文獻在構建因子時(shí)幾乎沒(méi)有考慮到中國股市的殼價(jià)值“污染”問(wèn)題，本文借鑒Liu等(2019)研究方法來(lái)處理此問(wèn)題[6]。最后，現有研究文獻沒(méi)有考慮到數據的重復使用會(huì )造成數據過(guò)度擬合及對小市值股票的過(guò)度加權，都會(huì )造成錯誤的識別因子等問(wèn)題，本文借鑒Green等(2017)的方法解決該類(lèi)問(wèn)題。因此，本文采用上述方法重新考察現有的顯著(zhù)性因子到底是否有效，進(jìn)而識別出能夠提供獨立信息的因子[1]。

(一)數據

本文選取我國A股市場(chǎng)2003年1月至2018年12月的交易數據和財務(wù)數據?；谖覈攧?wù)報表的發(fā)布時(shí)間，本文對財務(wù)數據進(jìn)行以下處理：t年4月底、5月底、6月底、7月底的數據沿用t-1年12月底的數據，t年8月底、9月底的數據使用t年6月底的數據，t年10月底、11月底、12月底以及t+1年1月底、2月底、3月底的數據使用t年9月底的數據。其次，對變量進(jìn)行以1%縮尾處理，并進(jìn)一步進(jìn)行標準化處理。表1給出了本文因子變量的定義和計算方法。

表1 因子變量表

(二)實(shí)證方法

1.Fama-Macbeth回歸方法

Fama和Macbeth(1973)提出了Fama-Macbeth回歸方法，是一種兩步回歸法，先通過(guò)時(shí)序回歸求得因子收益的因子暴露(即因子)后再進(jìn)行截面回歸[22]。

第一步，t期n個(gè)因子為f1t，f2t，…，fnt，如為了刻畫(huà)外部經(jīng)濟和股票市場(chǎng)關(guān)聯(lián)性的宏觀(guān)經(jīng)濟因子，通貨膨脹、利率等。如公式(1)，使用這些因子對每只個(gè)股i的收益率Rit做時(shí)間序列回歸，回歸得到的系數βki是個(gè)股i在因子fkt上的暴露。βki若使用滾動(dòng)窗口進(jìn)行時(shí)序回歸得到，則βki在不同的t是不同的，應改為βkit(此處k=1，2，…，n;i=1，2，…，N;t=1，2，…，T)。

Rit=πi+β1if1t+β2if2t+…+βnifnt+εit，t=1，2，…，T，?i

(1)

第二步，如公式(2)，在每個(gè)時(shí)間t使用因子暴露βki(或βkit)對個(gè)股收益率Rit進(jìn)行OLS回歸。

(2)

此方法的第二步是其與傳統截面回歸方法的不同之處，截面回歸是先在時(shí)序上對Rit求均值，得到的E[Ri和βki在截面上回歸，即每個(gè)個(gè)股i只做了一次截面回歸。

實(shí)際上當因子不是宏觀(guān)經(jīng)濟因子時(shí)，如基本面因子估值水平、成長(cháng)性、換手率等指標可以直接作為因子暴露βkit。這是因為宏觀(guān)經(jīng)濟因子的原始值fkt對于所有股票是一樣的，為了體現其對每個(gè)個(gè)股i的影響的不同，需要先進(jìn)行第一步求得βkit，而基本面因子對于不同公司本來(lái)就不相同。但是先得將基本面因子數據標準化，這是為了消除變量間的量綱關(guān)系，使得數據具有可比性。

本文則將20個(gè)因子經(jīng)過(guò)數據處理后單個(gè)的進(jìn)行Fama-Macbeth回歸，以及同時(shí)將全部20個(gè)因子進(jìn)行Fama-Macbeth回歸，之后比較這兩種方法識別的顯著(zhù)因子是否一致。進(jìn)一步，為考慮過(guò)度加權小市值股票問(wèn)題，對不同樣本采用不同的Fama-Macbeth回歸方法，對全部樣本進(jìn)行按總市值加權的VWLS回歸、對大市值樣本進(jìn)行OLS回歸、對全部樣本進(jìn)行OLS回歸。

2.多重檢驗方法

進(jìn)行多重檢驗的原因是為了減少犯第一類(lèi)錯誤的概率，第一類(lèi)錯誤即錯誤地拒絕實(shí)際上成立的原假設，在本文中即錯誤地識別了一個(gè)因子。Harvey等(2016)認為許多學(xué)者沒(méi)有考慮到如果同時(shí)用同樣的數據集做幾個(gè)回歸會(huì )造成數據過(guò)度擬合問(wèn)題，所以他們基于Bonferroni校正、Holm校正、 Benjamini和Yekutieli的BHY校正三種多重檢驗方法，提出了只有在傳統的單個(gè)假設檢驗中的t統計量超過(guò)3.0的因子才可能在考慮了多重檢驗后依然有效[23]。其中，Bonferroni校正和Holm校正是為了控制族錯誤率(FWER)，即至少出現一個(gè)錯誤發(fā)現的概率，而B(niǎo)HY校正的目的是控制錯誤發(fā)現的比例(FDR)，具體的過(guò)程描述如下。

假設m個(gè)因子的回歸系數進(jìn)行顯著(zhù)性檢驗得到的p值分別為p1、p2、…、pm。根據事先選定的顯著(zhù)性水平，比如0.05，其中R個(gè)原假設被拒絕了，其中包括Nr個(gè)錯誤發(fā)現(Nr≤R)，即錯誤地拒絕了實(shí)際上成立的原假設。那么FWER=prob(Nr≥1)；
FDR=E[Nr/R]，FWER表示至少出現一個(gè)錯誤發(fā)現的概率，FDR表示錯誤發(fā)現的比例。由于要控制FWER，會(huì )使得單個(gè)假設檢驗十分嚴格，從而提升犯第二類(lèi)錯誤的概率(接受了實(shí)際上不成立的原假設，即錯誤地將因子判定為不顯著(zhù))。而控制FDR的方法相對更溫和，因此本文與Green等(2017)一樣選擇了BHY修正方法，利用經(jīng)FDR調整的DFDRp值(雙尾p值)來(lái)判斷顯著(zhù)性，該值小于設置的顯著(zhù)性水平才將此因子判定為顯著(zhù)[1]。

下面講述DFDRp值是如何得到的，首先將m個(gè)因子的回歸系數進(jìn)行顯著(zhù)性檢驗得到的p值從小到大排序為p1≤p2≤p3≤…≤pm，設定顯著(zhù)性水平0.05，求：

(3)

DFDRpi=

(4)

在修正原始p值時(shí)，從大到小修正，最終得到的DFDRp值如果小于設定的顯著(zhù)性水平，則所對應的因子判定為顯著(zhù)。經(jīng)過(guò)多重檢驗方法修正的DFDRp值往往會(huì )大于原來(lái)的p值，因此最終總會(huì )有一些在多重檢驗之前判定顯著(zhù)的因子經(jīng)過(guò)p值修正后不再顯著(zhù)。鑒于本文使用同一數據集進(jìn)行多次回歸，以及將20個(gè)因子同時(shí)納入一個(gè)回歸，不再適用于用單個(gè)檢驗的原始p值判定因子系數即因子收益的顯著(zhù)性，應使用多重檢驗，本文使用DFDRp值，顯著(zhù)性水平設為0.01。

(一)單因素分析

本文首先進(jìn)行單因素分析，表2匯報了實(shí)證結果。表2的A部分將20個(gè)因子分別作為單一解釋變量進(jìn)行Fama-Macbeth回歸。B、C、D部分則分別以L(fǎng)iu等(2019)提出的CH-3模型、Fama和French(1993)三因素模型、Carhart(1997)四因子模型作為回歸基準模型，回歸時(shí)固定模型本身的因子，再單個(gè)加入其余因子作為解釋變量[4][6][15]。

具體地，在表2中的A、B、C、D四部分又分別包含三種回歸方法。首先排除總市值最小30%的股票視為樣本，并以20%分位點(diǎn)劃分小市值股票、大市值股票子樣本，再分別對全樣本以總市值為權重采用加權最小二乘法回歸(VWLS)、對大市值股票樣本采用普通最小二乘法(OLS)回歸、對全部樣本采用OLS回歸。本文為調整數據過(guò)度擬合問(wèn)題采用考慮多重檢驗的DFDR p值和Harvey等(2016)經(jīng)Newey-West調整的t統計量的絕對值是否大于或等于3.0作為判斷顯著(zhù)性的依據[23]。

表2 單因素分析結果

續表2

表2第一行列出DFDR p值小于或等于0.05的因子個(gè)數，第二行列出了滿(mǎn)足t統計量的絕對值是否大于或等于3.0的因子個(gè)數。表2中的A部分，對全部樣本進(jìn)行VWLS回歸無(wú)顯著(zhù)的因子，對大市值進(jìn)行OLS回歸有max、turn1m、mom1m這3個(gè)顯著(zhù)的因子，合并起來(lái)有max、turn1m、mom1m這3個(gè)顯著(zhù)的因子。對全部樣本進(jìn)行OLS回歸只有illq顯著(zhù)。因此，如果過(guò)度加權小市值股票，會(huì )使得識別的顯著(zhù)因子顯著(zhù)不一致。表2中的B、C、D部分給出了將單個(gè)因子分別加入CH-3三因子模型、Fama-French三因子模型、Carhart四因子模型的回歸結果。對全部樣本進(jìn)行VWLS回歸分別得到2、2、2個(gè)顯著(zhù)因子，對大市值樣本進(jìn)行OLS回歸分別得到5、7、6個(gè)顯著(zhù)因子，綜合兩者來(lái)說(shuō)對于大市值股票有5、7、6個(gè)顯著(zhù)因子。類(lèi)似地，對全部樣本進(jìn)行OLS回歸則分別得到4、5、5個(gè)顯著(zhù)因子。

總體而言，現有文獻識別的20個(gè)顯著(zhù)異象因子，經(jīng)過(guò)單因素分析發(fā)現有85%的因子不再顯著(zhù)。

(二)多因素分析

本文接下來(lái)采用多因素的分析方法識別獨立因子，結果見(jiàn)表3。我們把所有20個(gè)因子同時(shí)作為解釋變量納入Fama-Macbeth回歸以識別股票月收益的橫截面決定因素，即獨立因子。表3中的A部分顯示當對全部樣本采用VWLS回歸得到2個(gè)顯著(zhù)的獨立因子，即illq、NOA。表3中的B部分對大市值樣本采用OLS回歸得到max、turn1m這2個(gè)顯著(zhù)的獨立因子?？傮w而言，可得廣義上對于大市值股票顯著(zhù)的獨立因子有illq、max、turn1m、NOA。而對全部樣本采用OLS回歸得到illq、turn12m這2個(gè)顯著(zhù)的獨立特征因子。

進(jìn)一步，本文通過(guò)改變顯著(zhù)性水平的設定值，使得顯著(zhù)性水平在0到0.1內逐步變化，考察表3中全部樣本進(jìn)行VWLS回歸、大市值樣本進(jìn)行OLS回歸、全部樣本進(jìn)行OLS回歸得到的顯著(zhù)的因子數量的變化情況，如圖1所示。本文發(fā)現隨著(zhù)顯著(zhù)性水平不同，獨立因子的識別存在顯著(zhù)差異。例如，在0.05的顯著(zhù)性水平以下，全部樣本進(jìn)行OLS回歸得到的顯著(zhù)因子個(gè)數大部分時(shí)候會(huì )高于對全部樣本進(jìn)行VWLS回歸、對大市值進(jìn)行OLS回歸得到的顯著(zhù)的因子個(gè)數。這說(shuō)明如果過(guò)度加權小市值股票確實(shí)會(huì )使得顯著(zhù)的因子個(gè)數增加。這表明，本文雖然排除了總市值最小30%的殼價(jià)值“污染”公司，仍然有必要考慮到過(guò)度加權小市值的問(wèn)題。綜上，本文認為應該以全部樣本VWLS、大市值OLS的回歸結果作為最終顯著(zhù)的獨立因子。

表3 多因素分析結果

續表3

圖1 改變顯著(zhù)性水平時(shí)多因素分析的結果

本文發(fā)現顯著(zhù)的獨立因子為illq、max、turn1m、NOA。接下來(lái)，我們僅利用這4個(gè)因子進(jìn)行多變量回歸，以此來(lái)檢驗表3的結論的穩健性，結果如表4所示?？梢园l(fā)現表4中A部分顯示顯著(zhù)的獨立因子的個(gè)數為0；
B部分顯示顯著(zhù)的獨立因子的個(gè)數均為1，僅為一個(gè)月?lián)Q手率(turn1m)。因此，總體上而言，本文識別出來(lái)的獨立因子對股票收益具有顯著(zhù)的解釋力。

表4 獨立特征因子回歸

(三)樣本外預測

本文進(jìn)一步通過(guò)測度對沖組合的收益來(lái)衡量上文識別獲得的4個(gè)獨立因子預測股票收益的能力。依據Green等(2017)和Lewellen(2015)的方法，本文構建持有期為1個(gè)月的樣本外對沖組合，檢驗是否能夠獲得超額收益[1][24]。具體而言，通過(guò)使用過(guò)去10年的數據滾動(dòng)回歸，獲得回歸系數，進(jìn)而預測接下來(lái)1個(gè)月的超額收益，具體結果見(jiàn)表5。對于表5中的組合A，使用排除殼價(jià)值“污染”全部樣本的個(gè)股i在第t月的預測收益率進(jìn)行十等分，然后利用第十組和第一組中個(gè)股i在第t月的預測收益率進(jìn)行市值加權分別得到第十組和第一組的組合收益率，對沖組合收益即為第十組與第一組的組合收益率之差。對于表5中的組合B，使用的樣本是大市值個(gè)股，重復上述過(guò)程。最終得到了組合A和組合B的對沖組合收益率時(shí)間序列數據，并進(jìn)一步對資產(chǎn)組合預測收益進(jìn)行均值檢驗。

表5的結果表明，基于illq、max、turn1m、NOA這4個(gè)廣義上的獨立因子來(lái)預測股票的收益率，然后根據預測的個(gè)股收益率十等分分組，做多最高組資產(chǎn)，賣(mài)空最低組資產(chǎn)構建的對沖組合能夠獲得月均2.35%的超額收益。

表5 對沖組合收益率的均值檢驗

(四)穩健性檢驗

本文使用經(jīng)FDR(錯誤探測率)調整的DFDRp值來(lái)減少數據過(guò)度擬合帶來(lái)的問(wèn)題，進(jìn)而減少錯誤識別的因子的數量。進(jìn)一步，本文通過(guò)對全部樣本使用加權最小二乘法、大市值樣本使用最小二乘法來(lái)避免過(guò)度加權小市值股票。正是由于這些方法的使用及考慮到殼價(jià)值“污染”問(wèn)題，使得本文識別的顯著(zhù)因子數量比之前文獻識別的顯著(zhù)因子數量要少的多，且基于識別的獨立因子構建的對沖組合有著(zhù)顯著(zhù)的超額收益率。本文進(jìn)一步檢驗這些方法的必要性。

本文主要根據Liu等(2019)和Lee等(2017)發(fā)現中國小市值公司具有較大的殼價(jià)值“污染”問(wèn)題，這類(lèi)公司的收益率來(lái)源主要是借殼上市而不是公司的基本面，因此會(huì )影響因子顯著(zhù)性的判斷，進(jìn)而影響其定價(jià)效果[6][7]。因此本文排除總市值最小30%的殼公司來(lái)構建因子，再判斷因子的顯著(zhù)性。為了進(jìn)一步說(shuō)明本文處理的合理性，接下來(lái)探討如果不排除30%的殼公司其單因素分析和多因素分析結果如何。

如果不排除存在殼價(jià)值“污染”的公司作為樣本，其單因素分析結果如表6所示，其多因素分析結果如表7所示。表6匯報了不考慮殼價(jià)值“污染”時(shí)的單因素分析結果。表6的結果表明，全部樣本VWLS、大市值OLS、全部樣本OLS對應的結果分別為0、4、5個(gè)顯著(zhù)的因子，綜合得到有4個(gè)顯著(zhù)的因子，分別為illq、max、turn1m、NOA。表7不排除殼公司進(jìn)行多因素分析分別得到2、5、9個(gè)顯著(zhù)的因子，綜合得到6個(gè)顯著(zhù)的獨立因子，分別為vollm、max、turn12m、turn1m、mom1m、NOA?？傮w而言，如果不考慮殼價(jià)值“污染”的公司，會(huì )使得顯著(zhù)的獨立因子數量增加。

表6 不考慮殼價(jià)值污染時(shí)單因素分析結果

續表6

表7 不考慮殼價(jià)值污染時(shí)多因素分析結果

續表7

依據圖1，通過(guò)改變DFDRp值，可以發(fā)現，多因素分析的三種回歸的顯著(zhù)因子數量的變化，在顯著(zhù)性水平小于0.05時(shí)，全部樣本OLS回歸得到的顯著(zhù)因子數會(huì )多一些，所以這體現過(guò)度加權小市值公司帶來(lái)的問(wèn)題。而圖2表明，排除總市值最小30%的殼價(jià)值“污染”公司后，在任何顯著(zhù)性水平下，如果不考慮公司的規模大小，對全部樣本進(jìn)行OLS回歸得到的顯著(zhù)的因子數量會(huì )高于全部樣本VWLS或大市值OLS的顯著(zhù)性因子數量。這說(shuō)明當排除總市值最小30%公司后，對全部樣本OLS回歸則緩解了過(guò)度加權小市值股票的問(wèn)題。

圖2 改變顯著(zhù)性水平的情況下不考慮殼價(jià)值“污染”時(shí)多因素分析的結果

本文基于現有文獻發(fā)現的中國股票市場(chǎng)的20個(gè)異象因子，識別能夠影響股票收益的獨立因子。首先，為避免殼價(jià)值“污染”問(wèn)題，根據Liu等(2018)的方法，排除這部分公司后再構建因子。其次，Harvey等(2016)指出許多學(xué)者沒(méi)有考慮數據過(guò)度擬合問(wèn)題，本文使用了Green等(2017)的方法調整數據過(guò)度擬合的問(wèn)題及考慮過(guò)度加權小市值股票的問(wèn)題。研究發(fā)現，無(wú)論是單因素分析還是多因素分析，20個(gè)因子中有許多因子是不顯著(zhù)的，最終獲得顯著(zhù)的獨立因子為illq、max、turn1m、NOA。此外，本文基于4個(gè)顯著(zhù)的獨立因子進(jìn)行樣本外預測，能夠獲得顯著(zhù)的超額收益。

本文的研究考慮了由于中國IPO制度導致殼價(jià)值“污染”問(wèn)題這一中國特色，在一定程度上對完善中國特色資產(chǎn)定價(jià)理論體系具有重要的理論意義。其次，本文基于現有文獻發(fā)現能夠解釋股票預期收益的因子中識別能夠真正解釋中國股票預期收益截面差異的獨立因子，利用這些因子能夠得到顯著(zhù)的超額收益。這對于個(gè)人投資者形成理性的投資策略，具有重要的實(shí)踐意義。