基于GARCH-MIDAS的混频投资者情绪对股市波动的影响.pdf

第3 2卷 第5期 2 0 2 3年9月系 统 管 理 学 报J o u r n a l o f S y s t e m s&M a n a g e m e n tV o l.3 2 N o.5S e p.2 0 2 3 文章编号:1 0 0 5-2 5 4 2(2 0 2 3)0 5-1 0 3 6-1 0收稿日期:2 0 2 2-0 8-2 5 修订日期:2 0 2 2-1 2-2 9 基金项目:国家社会科学基金重点项目(2 2 A Z D 0 3 9);中央高校基本科研业务费专项资金资助项目(Z D P Y 2 0 2 2 0 9);广州市哲学社科规划2 0 2 2年度课题(2 0 2 2 G Z Y B 0 8)作者简介:李合龙(1 9 7 7-),男,教授,博士生导师。研究方向为金融工程与风险管理。E-m a i l:h l o n g l i s c u t.e d u.c n 基于G A R C H-M I D A S的混频投资者情绪对股 市 波 动 的 影 响李合龙1,任昌松1,丘润文2,胡云鹤1,张卫国2(1.华南理工大学 经济与金融学院,广州 5 1 0 0 0 6;2.华南理工大学 工商管理学院,广州 5 1 0 6 4 1)【摘要】采用广义自回归条件异方差的混频数据抽样模型(GA R CH-M I D A S)研究投资者情绪对中国股市收益率波动的影响。实证结果表明:与投资者关注、经济政策不确定性相比,投资者情绪在单因子GA R CH-M I D A S模型中优度最佳,对市场波动产生显著的正向影响,并能够解释A股中较高比例的长期波动;投资者关注对市场波动产生显著的正向影响;经济政策不确定性对A股的影响不显著。此外,投资者情绪与投资者关注组合时的双因子GA R CH-M I D A S模型可以得出与单因子模型一致的结论,在模型中合理地选取解释变量进行组合可以提高模型对股市波动的解释能力。GA R CH-M I D A S模型有效地解决了投资者情绪与股市波动率数据频率不一致的问题,为股市波动率影响因素的研究提供了新的研究视角。关键词:投资者情绪;投资者关注;GA R CH-M I D A S;股市波动率;经济政策不确定性 中图分类号:F 8 3 2 文献标志码:A D O I:1 0.3 9 6 9/j.i s s n 1 0 0 5-2 5 4 2.2 0 2 3.0 5.0 1 3 I m p a c t o f I n v e s t o r S e n t i m e n t o n S t o c k M a r k e t V o l a t i l i t y i n H y b r i d F r e q u e n c y B a s e d o n G A R C H-M I D A S L I H e l o n g1,R EN C h a n g s o n g1,Q I U R u n w e n2,HU Y u n h e1,ZHANG W e i g u o2(1.S c h o o l o f E c o n o m i c s a n d F i n a n c e,S o u t h C h i n a U n i v e r s i t y o f T e c h n o l o g y,G u a n g z h o u 5 1 0 0 0 6,C h i n a;2.S c h o o l o f B u s i n e s s A d m i n i s t r a t i o n,S o u t h C h i n a U n i v e r s i t y o f T e c h n o l o g y,G u a n g z h o u 5 1 0 6 4 1,C h i n a)【A b s t r a c t】T h i s p a p e r s t u d i e s t h e i m p a c t o f i n v e s t o r s e n t i m e n t o n t h e v o l a t i l i t y o f C h i n as s t o c k m a r k e t r e t u r n s u s i n g t h e m i x e d d a t a s a m p l i n g m o d e l o f g e n e r a l i z e d a u t o r e g r e s s i v e c o n d i t i o n a l h e t e r o s c e d a s t i c i t y(GA R CH-M I D A S).T h e e m p i r i c a l r e s u l t s s h o w t h a t c o m p a r e d w i t h i n v e s t o r a t t e n t i o n a n d e c o n o m i c p o l i c y u n c e r t a i n t y,i n v e s t o r s e n t i m e n t i s t h e b e s t i n t h e s i n g l e-f a c t o r GA R CH-M I D A S m o d e l,w h i c h h a s a s i g n i f i c a n t p o s i t i v e i m p a c t o n t h e m a r k e t v o l a t i l i t y a n d c a n e x p l a i n t h e l o n g-t e r m v o l a t i l i t y o f A-s h a r e.I n v e s t o r a t t e n t i o n h a s a s i g n i f i c a n t p o s i t i v e i m p a c t o n m a r k e t v o l a t i l i t y w h i l e t h e i m p a c t o f e c o n o m i c p o l i c y u n c e r t a i n t y o n A-s h a r e i s n o t s i g n i f i c a n t.I n a d d i t i o n,t h e t w o-f a c t o r GA R CH-M I D A S m o d e l w i t h i n v e s t o r s e n t i m e n t a n d i n v e s t o r a t t e n t i o n c a n d r a w t h e s a m e c o n c l u s i o n a s t h e s i n g l e-f a c t o r m o d e l.R e a s o n a b l e s e l e c t i o n o f e x p l a n a t o r y v a r i a b l e s i n t h e t w o-f a c t o r m o d e l c a n i m p r o v e t h e a b i l i t y o f t h e m o d e l t o e x p l a i n s t o c k m a r k e t v o l a t i l i t y.T h e GA R CH-M I D A S m o d e l e f f e c t i v e l y s o l v e s t h e p r o b l e m t h a t t h e d a t a f r e q u e n c y o f i n v e s t o r s e n t i m e n t i s i n c o n s i s t e n t w i t h t h a t o f s t o c k m a r k e t v o l a t i l i t y,a n d p r o v i d e s a n e w r e s e a r c h p e r s p e c t i v e f o r t h e s t u d y o f t h e i n f l u e n c i n g f a c t o r s o f s t o c k m a r k e t v o l a t i l i t y.K e y w o r d s:i n v e s t o r s e n t i m e n t;i n v e s t o r a t t e n t i o n;GA R CH-M I D A S;s t o c k m a r k e t v o l a t i l i t y;e c o n o m i c p o l i c y u n c e r t a i n t y 第5期吴海波,等:移动化交易与彩票类股票需求:来自A股市场的经验证据1 0 3 7 股票市场的平稳运行,可以降低投资者所面临的市场风险,进一步吸引更多投资者,同时还有利于市场监管以及避免金融危机的爆发。因此,对股市波动的研究成为风险管控的重要内容之一。在传统的研究文献中,通常假设所有的投资者是理性的,但现实情况中由于信息不对称、投资者的主观预期等因素,投资者的行为是有限理性的。为了解决传统理论的困难,可尝试从行为金融学的角度进行研究,在投资者情绪中找到股市波动的解释。投资者情绪的采集有许多途径:问卷调查是获得投资者情绪最直接的方式1-2,但是样本容量、样本的范围、样本选取的方法都会造成较大的误差。用文本分析的方法从新闻、社交媒体中获取情绪3-5,文本分析时采用的方法是归纳学习(基于词典),或者是采用人工智能、机器学习的方法,这些方法对文章来源、所采用的语料库较为敏感。运用多个代理变量来描述投资者情绪,B a k e r等6采用主成分分析方法构建了投资者情绪指标,被学界广泛认可。之后,H u a n g等7利用偏最小二乘法消除B a k e r等情绪代理中常见的噪声成分,并产生比现有情绪指数具有更大预测能力的调整指数。基于上述分析,本文使用经偏最小二乘法调整后的BW情绪指数来衡量投资者情绪。长期以来,关于投资者情绪与股市波动的关系的研究一直是国内外学者关注的重点。Z h a n g等8发现,来自新兴市场的投资者情绪对股票波动的影响是非线性的,投资者情绪可以改善基于长短期记忆模型的股票波动率预测。C e v i k等9使用新冠肺炎(C OV I D-1 9)相关术语的谷歌搜索量指数来代理负面和正面投资者情绪,发现负面情绪会增加股市波动率,而正面情绪降低波动率。G a o等1 0则发现,基于网络文本或者股票交易数据构建的投资者情绪都对绿色股票的波动率有显著的正向影响,并在新冠疫情后市场波动更容易受到投资者情绪的影响。G o n g等1 1提出一种基于偏最小二乘法的投资者情绪指数,并通过与中国市场现存的9个市场级投资者情绪指数对比考察情绪指数对股票已实现波动率的预测性,发现该情绪指数在多个方面优于现有的许多情绪指数。在上述研究中,匹配投资者情绪和股市波动率时,存在两者数据频率不一致的问题,投资者情绪指数通常为月度数据,而股票收益率为日度数据。解决这一问题的传统方法有两种:一种是降低数据频率,利用股票月度收益率数据进行分析,但这种方法会丢失股市中的高频有效信息,导致部分有趣的现象无法被捕捉;另一种是使用插值等方法将投资者情绪数据变为高频数据,但通过这种方法得到的高频数据与实际值不一致,存在数据失真的问题。为了 解 决 数 据 频 率 不 匹 配 的 问 题,G h y s e l s等1 2提出了混频数据抽样(M i x D a t a S a m p l i n g,M I D A S)模型,该模型可以在分析时保持原有数据频率不变,在一个模型中同时使用不同频率的原始数据进行估计,避免了由于改变数据频率而出现的数据丢失或失真的问题。E n g l e等1 3将M I D A S模型运用到广义自回归条件异方差(GA R CH)模型中,得到GA R CH-M I D A S模型,该模型把波动率分解为短期成分和长期成分,其中的长期成分可以由低频已实现波动率或宏观经济变量来解释,有效地解决了在研究波动率的模型中存在数据频率不一致的问题。大量文献对GA R CH-M I D A S模型进行了研究,验证了该模型的有效性。W e i等1 4采用基于混合数据抽样回归的GA R CH类新模型和动态模型平均组合方法(D y n a m i c M o d e l A v e r a g i n g,DMA)检 验 经 济 政 策 不 确 定 性(E c o n o m i c P o l i c y U n c e r t a i n t y,E P U)指数对原油市场的波动性,利用模型信度集合(M o d e l C o n f i d e n c e S e t,MC S)发现,DMA并不优于GA R CH-M I D A S。雷立坤等1 5研究发现,基于混频数据的GA R CH-M I D A S模型能够显著改善经济政策不确定性对上证综指波动率的预测精度,并利用模型信度集合检验结果进一步证实,GA R CH-M I D A S模型能够显著打败多种常见的GA R CH族模型。C o n r a d等1 6使用Q L I K E和MC S来评估GA R CH-M I D A S以及8个常见的波动率衡量模型,发现大多数情况下,正确指定的甚至是错误指定的GA R CH-M I D A S模型都优于竞争对手模型。基于GA R CH-M I D A S的优越特性,许多文献都利用该模型对混频数据进行研究,其中大多数文献是研究宏观经济因素对市场波动的影响1 7-2 1。由于构建投资者情绪指数的代理变量中通常包含宏观经济的因素,其波动趋势与股市波动率的长期成分变化特征较为吻合,故利用GA R CH-M I D A S模型研究混频投资者情绪对股市波动的影响。目前只有少部分文献进行这一方面的研究,并且利用的是单因子GA R CH-M I D A S模型2 2,并未考虑投资者情绪结合其他影响因子时对股市波动的影响。除了投资者情绪能够影响股市波动外,B a k e r等2 3通过统计包含术语的新闻文章频率的方式得到的经济政策不确定指数对市场上的涨跌具有很强的解释能力。1 0 3 8 系 统 管 理 学 报第3 2卷互联网搜索趋势(也被称为投资者关注)如G o o g l e T r e n d和百度指数对股票市场的收益、波动性也有很大的影响2 4-2 6。D a i等2 7利用全球经济政策不确定性指数(G E P U)及指数的变化(G E P U)来预测原 油 期 货 的 波 动 时,发 现 G E P U的 双 因 子GA R CH-M I D A S模型包含了更多的信息,具有更强的预测能力。然而,G E P U在单因子及双因子模型中的表现并不一致。因此,在考虑经济政策不确定性、投资者关注等其他影响因素时,为增强投资者情绪对股市波动的解释力以及保证其解释能力的稳定性,有必要进一步使用双因子GA R CH-M I D A S模型来研究投资者情绪对股市波动的影响。综上所述,以往研究大多采用取均值或插值的方法来解决各变量间数据频率不统一的问题,这容易导致信息损失或失真,而GA R CH-M I D A S能够较好地解决这个问题,并且模型性能优于常见的波动率模型。现有文献大多利用GA R CH-M I D A S来研究宏观经济因素对股市波动率的影响,只有少部分文献研究投资者情绪的影响。考虑到GA R CH-M I D A S允许包含两个或更多的解释变量,且经济政策不确定性和投资者关注对股票市场的影响与投资者情绪有所不同,可能包含互补的信息。因此,本文将利用E n g l e等1 3的单因子GA R CH-M I D A S模型,研究投资者情绪、经济政策不确定性和投资者关注对股 市 波 动 率 的 影 响;同 时 也 将 利 用C o n r a d等1 6的双因子GA R CH-M I D A S模型,研究投资者情绪与投资者关注、经济政策不确定性进行组合时对市场波动的影响。本文的贡献为:从行为金融学的角度研究股市波动的影响因素,在使用单因子GA R CH-M I D A S模型探究投资者情绪变动对股市波动的影响的基础上,进一步引入双因子GA R CH-M I D A S模型,以验证投资者情绪在GA R CH-M I D A S模型中表现的稳定性,同时研究投资者情绪与其他因子组合时对股市波动的联合影响。1 研究设计1.1 变量选择 股市收益率数据选择上证指数的日度收益率,收益率为对数收益率,记为R;投资者情绪用偏最小二乘法调整后的BW情绪指数来衡量,记为BW_P L S;经 济 政 策 不 确 定 性 的 代 理 变 量 采 用B a k e r等2 3基于新闻报道构造的经济政策不确定性指数,记为E P U;投资者关注采用百度指数,记为B I。其中,构造BW_P L S时,参照H u a n g等7的指数构建方法,同时融入能反映中国股票市场投资者情绪变化的指标,这里选用易志高等2 8构造BW指数时所用的指标,主要包括:主 观指标消费 者信心指数(C o n s u m e r C o n f i d e n c e I n d e x,C C I)、客观指标新增开户数(N e w a c c o u n t s,NA)、封闭式 基金折价率(C l o s e d-e n d f u n d d i s c o u n t,C E F D)、新股上市首日收益率(A v e r a g e f i r s t-d a y r e t u r n,R I P O)、新股发行数 量(N u m b e r o f I P O s,N I P O)和 市 场 换 手 率(T u r n o v e r,TUR N)。1.2 单因子G A R C H-M I D A S模型 如图1所示,构建单/双因子GA R CH-M I D A S来研究投资者情绪与股市波动的关系。图1 模型概况F i g.1 M o d e l o v e r v i e w基于E n g l e等1 3的研究,构建单因子GA R CH-M I D A S模型。将资产收益的波动分解为短期波动和长期波动两个成分,即 ri,t=+tgi,ti,t,i=1,2,Nt(1)式中:ri,t为某金融资产第t个周期中第i天的对数收益,t的频率与低频变量的数据频率一致,本文中t的频率为1个月;为同期给定信息集下的条件期望;t为长期波动,投资者情绪的变动对股市波动的影响主要作用在t上;gi,t为短期波动;i,t为白噪声序列i,ti-1,tN(0,1);i-1,t为收益率第t个周期中第i-1天的信息集。在估计短期波动gi,t时,由于同时引入了双因子模型,为保持两模型的短期波动估计方法一致,gi,t为一个G J R-GA R CH(1,1)过程,故有 gi,t=(1-/2-)+(+Ii-1,t0)2i-1,t/t+gi-1,t(2)长期波动t可以用已实现的波动率Vt来描述,即:t=m+Kk=1k(1,2)Vt-k(3)Vt=Nti=1r2i,t(4)式中:K为Vt的最大滞后阶数;为Vt对波动率长期成分的影响系数;k(1,2)是B e t a型滞后变量第5期李合龙,等:基于GA R CH-M I D A S的混频投资者情绪对股市波动的影响1 0 3 9 的权重函数,形式为k(1,2)=(k/K)1-1(1-k/K)2-1Kj=1jK 1-11-jK 2-1(5)在不同滞后期中Vt对波动率长期成分的影响随滞后期的延长而减弱,故令1=1,由2决定各期Vt的权重系数,以此保证滞后变量的权重呈衰减形式。此时,B e t a权重函数简化为k(2)=(1-k/K)2-1Kj=11-jK 2-1(6)根据E n g l e等1 3和A s g h a r i a n等1 9的研究,如果两变量分别是日度数据和月度数据,则在选择最大滞后阶数(K)时令K=3 6效果最好;如果是日度数据和季度数据,则K=1 2效果较好;如果是日度数据和日度数据,参考C o n r a d等1 6的研究,令K=2 6 4。研究表明,解释变量中的测量误差或滞后结构的错误只会产生较小的影响1 6。本文研究投资者情绪对股市收益率波动长期成分的影响,参考姚尧之等2 2的研究,将已实现的波动率Vt用投资者情绪的变化率代替。由于投资者情绪的变化率有正有负,对式(3)中长期波动t取对数,故可得l nt=m+Kk=1k(1,2)Xt-K(7)Xt为解释变量在第t期的变化率。综合上述函 数,得 到 投 资 者 情 绪 与 市 场 波 动 的 单 因 子GA R CH-M I D A S模型,即:ri,t=+tgi,ti,t,i=1,2,Ntgi,t=(1-/2-)+(+Ii-1,t0)2i-1,tt+gi-1,tl nt=m+Kk=1k(1,2)Xt-kk(1,2)=k(2)=(1-k/K)2-1Kj=11-jK 2-1 (8)1.3 双因子G A R C H-M I D A S模型 为了研究投资者情绪与投资者关注、经济政策不确 定 性 进 行 组 合 时 对 股 市 波 动 的 影 响,参 照C o n r a d等1 6的研究,构造双因子GA R CH-M I D A S模型,其中短期波动gi,t为一个G J R-GA R CH(1,1)过程,即 gi,t=(1-/2-)+(+Ii-1,t0)2i-1,t/t+gi-1,t(9)长期波动t受双因子的影响,有l nt=m+1Kk=11,k(1,1,1,2)X1,t-k+2Kk=12,k(2,1,2,2)X2,t-k(1 0)式中:与单因子模型类似,令1,1=1,2=1;其余部分都与单因子模型相同。则可得投资者情绪与市场波动的双因子GA R CH-M I D A S模型,即:ri,t=+tgi,ti,t,i=1,2,Ntgi,t=(1-/2-)+(+Ii-1,t0)2i-1,tt+gi-1,tl nt=m+1Kk=11,k(1,1,1,2)X1,t-k+2Kk=12,k(2,1,2,2)X2,t-kk(1,2)=k(2)=(1-k/K)2-1Kj=11-jK 2-1(1 1)式中:ri,t为某金融资产第t个周期中第i天的对数收益,本文中t的频率为1个月;为同期给定信息集下的条件期望;t为长期波动;gi,t为短期波 动;I是 示 性 函 数;i,t为 白 噪 声 序 列i,ti-1,tN(0,1),i-1,t为收益率t个周期中第i-1天的信息集;K为低频变量的最大滞后阶数;X为影响因子(本文指投资者情绪、经济政策不确定性、投资者关注的变化率);为X对波动率的长期影响系数;k(1,2)是B e t a型滞后变量的权重函数。2 数据来源和基本信息 考虑到数据的可得性,选取样本期间为2 0 1 1年1月1日至2 0 2 1年1 2月3 1日。其中:上证指数来自w i n d数据库,股指收益率R为日度数据,数据处理后共计2 6 5 5组。百度指数(B I)构建时所用数据是从“百度指数”官网通过爬虫获取,中国的经济政策不确定性指数(E P U)取自B a k e r等2 3构建的“E c o n o m i c P o l i c y U n c e r t a i n t y”数据库网站,BW_P L S指 数 构 造 时 的6个 代 理 变 量 来 自 国 泰 安(C S MA R)宏观系列研究数据库。参照H u a n g等7的指数构建方法,利用偏最小二乘法可以得到本文BW_P L S具体形式,即 BW_P L S=-0.1 1 9 6 D C E F-0.1 3 7 0 R I P O-0.1 5 6 4 N I P O-0.0 9 0 7 NA+0.0 1 1 3 TUR N-0.0 4 6 2 C C I1 0 4 0 系 统 管 理 学 报第3 2卷百度指数(B I)、经济政策不确定性指数(E P U)以及投资者情绪指数(BW_P L S)为月度数据,数据处理后共计1 3 1组。数据预处理时,对B I以及E P U的原始数据进行对数差分处理后再扩大1 0 0倍以求其变化率。预处理后数据的统计性描述如表 1所示。由表1可以看出,股指收益率R以及BW_P L S的变化率均呈现左偏、尖峰厚尾的分布特征,B I的变化率呈现出右偏,峰度较小,为0.9 9 5。由J B检验结果可见,E P U的变化率可以看作是正态分布序列,而其他序列均不服从正态分布。各序列均通过了平稳性检验,并且R的L j u n g-B o x Q统计量在1%置信水平显著,说 明序列存在 较强的自相 关性,可以建 立GA R CH-M I D A S模型。表1 预处理后数据的统计性描述T a b.1 S t a t i s t i c a l d e s c r i p t i o n o f d a t a a f t e r p r e p r o c e s s i n gRE P UB IBW_P L S平均值0.0 1 00.6 0 81.5 3 3-0.9 1 1最小值-8.8 7 3-9 6.6 0 6-5 0.9 5 6-8 1.2 4 4最大值5.6 0 48 5.1 8 29 4.0 1 94 9.1 8 8标准差1.3 1 43 4.4 5 72 6.8 2 58.8 4 6偏度-0.9 5 3-0.1 6 70.5 8 5-4.4 4 9峰度6.9 4 6-0.1 5 00.9 9 56 0.1 4 3J-B5 7 1 5.1 1 7*0.7 9 11 1.8 4 6*1 8 6 7 4.2 6 0*A D F-9.9 4 1*-9.9 4 1*-1 0.0 4 8*-1 1.5 0 4*Q(1 2)3 5.1 0 3*5 4.3 7 3*1 3.9 0 52.9 2 9 注:J-B为J a r q u e-B e r a的正态分布检验,原假设为序列服从正态分布;A D F为A u g m e n t e d D i c k e y-F u l l e r单位根检验,原假设为序列存在单位根,即序列是非平稳的;Q(1 2)表示滞后1 2阶的L j u n g-B o x Q统计量,用于检验序列自相关性;*,*,*分别表示在1 0%、5%和1%的水平内显著拒绝原假设3 实证结果分析 本 节 先 后 使 用 单 因 子 及 双 因 子GA R CH-M I D A S模型进行实证分析。其中:3.13.3节使用单因子模型分别分析了投资者情绪、投资者关注以及经济政策不确定性对股市波动的影响;3.4节利用双因子模型将3个变量两两组合进行研究,以增强变量解释能力;3.5节进行稳健性检验。3.1 投资者情绪对股市波动的影响 表2展示了分别把E P U、B I以及BW_P L S的变化率代入单因子GA R CH-M I D A S模型后的拟合结果。由表 2可知,GA R CH部分的参数(,)在统计意义上都是显著的,表明上证综指的短期波动表现出强烈的波动聚集效应。此外,、与/2之和均小于1,符合G J R-GA R CH模型的参数要求。各因子对股市波动率长期成分的影响情况由系数反映,由表2可知,E P U的影响不显著,B I和 表2 单因子G A R C H-M I D A S拟合结果T a b.2 S i n g l e-f a c t o r G A R C H-M I D A S f i t t i n g r e s u l tE P UB IBW_P L S0.0 3 6*0.0 3 40.0 4 0*(0.0 2 1)(0.0 2 1)(0.0 2 1)0.0 8 5*0.0 7 3*0.0 9 9*(0.0 1 9)(0.0 2 7)(0.0 1 9)0.9 1 2*0.8 5 9*0.9 1 0*(0.0 2 5)(0.0 8 0)(0.0 2 2)-0.0 1 00.0 3 2-0.0 2 2(0.0 2 6)(0.0 6 2)(0.0 2 7)m0.6 0 10.0 6 41.6 8 4*(0.3 8 4)(0.2 1 8)(0.7 9 6)-0.0 1 80.1 3 1*0.5 8 8*(0.0 3 0)(0.0 3 3)(0.2 1 6)23.8 2 8*2.6 0 0*1.0 0 0*(2.1 5 8)(0.3 5 3)(0.2 4 0)L L H-2 9 4 8.5 4 3-2 9 4 7.2 6 3-2 9 3 7.4 0 7B I C5 9 5 0.0 3 85 9 4 7.4 7 95 9 2 7.7 6 8VA R_RA T I O0.4 9 56 0.8 3 95 2.6 7 0 注:L L H表 示 估 计 参 数 向 量 的 对 数 形 式 的 极 大 似 然 值(l i k e l i h o o d),B I C为贝叶斯信息准则值,VA R_RA T I O表示方差之比,VA R_R AT I O=v a r(l o g(t)/v a r(l o g(tgt),通常用来量化长期成分相对重要性的一种度量;*,*,*分别表示在1 0%、5%和1%的水平内显著拒绝原假设BW_P L S影响在1%的水平上显著。对于投资者情绪,若为正,则表明当期投资者情绪波动提高时,下期股市波动率的长期成分也会提高;若为负,则下期股市波动率的长期成分会下降。此外,各因子的影响强度可由k(2)计算得出。对于BW_P L S,=0.5 8 8,2=1.0 0 0,可以得到BW_P L S的影响强度的权重趋势k(2),如图 2所示,滞 后1期BW_P L S的 影 响 强 度 的 权 重k(2)为0.0 2 8,影响强度为1.6 4 6%。即该期BW_P L S的变化率每增加1%,下期上证综指收益的波动率(波动率中的长期成分)会上升1.6 4 6%。影响强度的权重随滞后阶数的增加而减小,但其减小幅度较低,说明在3 6个滞后期中BW_P L S的变化都对当期上证综指的波动率产生了一定的影响,即BW_P L S的波动率会影响接下来3年左右的上证综指收益的波动率。十八届三中全会后,中国深化体制改革全面启动,改革意味着进步,这一大环境毫无疑问利多股市,同时,美国宽松货币政策全面推出,所以2 0 1 4年8月2 0 1 5年6月 迎 来 牛 市,上 证 指 数 涨 跌 幅1 2 5.1%。而之后在场外配资的清理、场内融资和分级基金去杠杆的连锁效应下,2 0 1 5年6月至2 0 1 6年2月,上证指数涨跌幅-4 1.7 1%,遭遇熊市。由投资者情绪(BW_P L S)和收益率R随时间变化情况(见图3和4)可见,在2 0 1 4-0 82 0 1 5-0 6牛市和第5期李合龙,等:基于GA R CH-M I D A S的混频投资者情绪对股市波动的影响1 0 4 1 图2 单因子模型BW_P L S影响强度的权重随滞后阶数的变化F i g.2 T h e c h a n g e o f BW_P L S i n f l u e n c e s t r e n g t h w e i g h t w i t h l a g o r d e r i n s i n g l e-f a c t o r m o d e l2 0 1 5-0 62 0 1 6-0 2熊 市 期 间,投 资 者 情 绪(BW_P L S)波动增加的同时,上证R的波动明显增加,与上述模型结果一致,并且其余部分的趋势也较为吻合,说明该模型能够捕捉到股市波动的变化情况。图3 投资者情绪BW_P L S(月度)随时间的变化F i g.3 I n v e s t o r s e n t i m e n t BW_ P L S(m o n t h l y)c h a n g e s o v e r t i m e图4 收益率R(日度)随时间的变化F i g.4 T h e r a t e o f r e t u r n R(d a i l y)c h a n g e s o v e r t i m e由表 2的方差之比可以看出,上证指数波动率中长期成分贡献较高,为5 2.6 7%,说明上证指数的波动率有超过一半的部分可以由投资者情绪的变动来解释。根据B I C信息准则,即从模型拟合优度的角度看,BW_P L S的模型最优。3.2 投资者关注对股市波动的影响 对于B I,=0.1 3 1,2=2.6 0 0,同理可以得到B I的影响强度的权重趋势k(2),如图5所示,滞后1期B I的影响强度的权重k(2)为0.0 7 0,影响强度为0.9 1 7%。即该期B I的变化率上升1%,下期上证综指收益的波动率(波动率中的长期成分)会上升0.9 1 7%。影响强度的权重随滞后阶数的增加而减小,在3 5个滞后阶数时影响强度约为0,即百度指数(B I)的波动率会影响接下来3年左右的上证综指收益的波动率。图5 单因子模型B I影响强度的权重随滞后阶数的变化F i g.5 T h e c h a n g e o f B I i n f l u e n c e s t r e n g t h w e i g h t w i t h l a g o r d e r i n s i n g l e-f a c t o r m o d e l从股市波动长期成分的角度,由方差之比可知,B I拟合的模型中波动率长期成分重要性程度比BW_P L S拟合的模型更高,为6 0.8 3 9%,但由两个变量解释的波动率长期成分占比均超过了5 0%,说明两个变量的波动对股市波动率的影响具有重合的部分。这可能是因为投资者关注代表了投资者进行买和卖的意愿强度,只有在具有较强的买卖意愿时,投资者情绪的波动才更容易影响其买卖决策,当投资者关注增强时,可以获取更多关于市场的信息,而投资者通常会对这些信息做出反应,导致投资者情绪波动加大。因此,该部分情绪波动引起的股市波动率变化可能与投资者关注变化引起的股市波动率变化是一致的。为进一步验证BW_P L S与B I对股市波动率长期成分的影响,本文后续将这两个变量同时纳入双因子GA R CH-M I D A S模型,观察两个变量的联合作用;同时两个变量也会分别与E P U构造双因子模型,起对比作用。3.3 经济政策不确定性对股市波动的影响 对于经济政策不确定指数(E P U),反映因子X影响市场波动强度的系数不显著,并且E P U的方差之比很小,说明经济政策不确定对A股波动影响小,对长期波动的贡献有限,总体上几乎没有影响,结果与夏婷等2 1的研究结论一致。3.4 投资者情绪与其他因子组合时的影响 双因子GA R CH-M I D A S模型中,将BW_P L S、1 0 4 2 系 统 管 理 学 报第3 2卷E P U和B I进行两两组合,如表3所示。其中,双因子模型中、在统计意义上都具有强显著性,皆不显著。考虑与单因子相同的视角,、与/2之和应小于1且接近1,由结果可以看出,三者之和均在0.9 5以上,这与本文的预期相似。表3 双因子G A R C H-M I D A S拟合结果T a b.3 D u a l-f a c t o r G A R C H-M I D A S f i t t i n g r e s u l tBW_P L S+B IBW_P L S+E P UB I+E P U0.0 3 6*0.0 3 8*0.0 3 4(0.0 2 1)(0.0 2 1)(0.0 2 1)0.0 7 7*0.