资产定价中股价弹性作为非流动性指标的选股应用——报告详尽分析
1. 元数据与报告概览
报告标题 :《股价弹性作为非流动性指标在选股上的应用》
系列 :“琢璞”系列报告之二十一
发布日期 :2020年8月11日
发布机构 :招商证券
作者 :任瞳、高智威
研究主题 :基于《Resiliency and Stock Returns》一文构建的股价弹性指标(RES),探讨其在衡量股票流动性、预测股票收益和指导选股方面的应用价值。
核心论点及主旨
报告着眼于流动性在资产定价中的重要作用,特别强调传统的风险收益框架未能完全解释资产价格,流动性尤其非流动性溢价是投资者要求的关键补偿。报告引介了流动性的一个扩展测量——股价弹性RES指标,通过实证研究验证RES与横截面股票收益的显著负相关关系,表明流动性较差(弹性较差)股票获得较高的收益补偿。并在控制其他流动性指标、信息冲击和信息不对称等影响因素后,发现非流动性溢价依然显著,且在高交易量期间更为突出。
报告不仅提供了理论建构与实证验证,还隐含指导投资者如何基于弹性指标构建投资组合获得超额收益。1 3 4 14
2. 逐节深度解读
2.1 引言
报告开篇指出资产定价除风险、收益外,流动性亦是核心决定因素,重申Amihud和Mendelson(1986)关于流动性溢价的经典观点,但同时指出Hou、Xue和Zhang等学者对此持质疑态度。引入《Resiliency and Stock Returns》文献,提出股价弹性RES指标作为更全面的流动性衡量方法,赋予其捕捉非流动性溢价的能力,令人关注该新指标的价值和选股应用的广阔前景。3
2.2 弹性指标构建方法
核心数学模型建立了弹性指标RES的形成逻辑:
以0 0 0 时刻开市、T T T 时刻闭市,1 1 1 时刻发生流动性冲击的价格影响定义为κ σ υ ε 1 \kappa \sigma_{\upsilon} \varepsilon_1 κ σ υ ε 1 ,其中κ \kappa κ 代表价格影响系数,σ υ \sigma_\upsilon σ υ 为基本面信息波动率,ε 1 \varepsilon_1 ε 1 是标准正态扰动。
价格对冲击有衰退速度γ \gamma γ ,定义为0 ≤ γ < 1 0 \leq \gamma < 1 0 ≤ γ < 1 ,弹性好的股票κ \kappa κ 值小,冲击衰减快(γ \gamma γ 小)。
另外有信息冲击η t ∼ N ( 0 , σ υ 2 ) \eta_t \sim N(0, \sigma_\upsilon^2) η t ∼ N ( 0 , σ υ 2 ) ,是对价格的瞬时且永久的随机漫步影响。
根据价格期望变化,利用时间段2至T捕捉价格恢复过程,构建价格相邻收益协方差:
Cov ( P 2 − P 0 , P T − P 2 ) = − κ 2 γ 2 σ υ 2 \operatorname{Cov}(P_2 - P_0, P_T - P_2) = -\kappa^2 \gamma^2 \sigma_\upsilon^2 Cov ( P 2 − P 0 , P T − P 2 ) = − κ 2 γ 2 σ υ 2
弹性指标定义为该协方差除以σ υ 2 \sigma_\upsilon^2 σ υ 2 :
R E S ≡ C o v ( P 2 − P 0 , P T − P 2 ) σ υ 2 = − κ 2 γ 2 RES \equiv \frac{Cov(P_2 - P_0, P_T - P_2)}{\sigma_\upsilon^2} = -\kappa^2 \gamma^2 RES ≡ σ υ 2 C o v ( P 2 − P 0 , P T − P 2 ) = − κ 2 γ 2
RES为负值,绝对值越大,非流动性越严重。
当κ = 0 \kappa=0 κ = 0 或γ = 0 \gamma=0 γ = 0 ,RES为0表示完全弹性。
RES剖析出流动性冲击幅度和持续性的双重信息,优于单一价差或波动指标。
综上,RES是一种能够剥离信息冲击影响,专注于流动性冲击及其“回复”过程的创新指标。3 4
2.3 使用数据与变量说明
选取时间切片条件巧妙:9:30-10:00捕捉显著流动性冲击期,10:00-16:00作为价格恢复期,确保估计弹性指标的合理性。
数据涵盖1993-2014年三大美股交易所,数据来源:TAQ市场高频数据、CRSP/Compustat基本面数据库与I/B/E/S分析师预期。
除RES外,导入多种流动性指标(ILLIQ、VRSPR、PS、HLSPR、ROLL)、基本面变量(市场beta、规模、市净率)、及其他可能影响收益的因子(动量、反转、波动率、收益预测误差等),为后续控制分析打基础。
表1详细列举了核心变量的均值、中位数、标准差及横截面相关系数,表明RES与传统流动性指标相关性低但显著,强调其作为独立流动性维度的价值。
值得注意的是,RES平均值负,说明市场整体存在弹性差的股票;而其与ILLIQ和VRSPR的相关性只有-3%和-9%,暗示与传统非流动性指标互补。4 5 6
2.4 实证研究
2.4.1 单变量投资组合分析
根据月度RES将股票分为10等分位,计算未来月收益。
结果:从弹性较好(高RES)到较差(低RES)的组合,等权收益差异高达33基点;价值加权组合收益差异达到50基点,在统计上均显著。
使用Carhart四因子模型和Hou-Xue-Zhang的Q因子模型调整异常收益,收益差异虽然有所缩减但依然统计显著,表明后续收益差异不仅由已知风险因子驱动,也由RES影响。
剔除微型股后,组合内规模均匀,收益差依然存在,表明非流动性溢价不受样本极端规模影响。
此部分支持RES作为有效选股因子的结论,适用于大盘及小盘股。7 8
2.4.2 双变量投资组合分析
双重排序将RES与其他流动性指标及公司特征如BETA、规模等联合控制。
结果显示,在控制其他变量后,RES仍具显著预测收益的能力,收益差异维持在20-33基点范围。
说明RES的预测能力非表面上的流动性或公司特征效应,可以独立解释非流动性溢价。
2.4.3 横截面回归(Fama-MacBeth)
通过Fama-MacBeth回归,控制多种变量,检验RES对未来超额收益的显著负向影响。
RES的回归系数区间为-0.436至-0.654,统计高度显著,回归解释力随着控制变量增加而稳健,证实非流动性溢价的存在。
其他显著变量包括规模(负系数)、动量(正系数)、收益反转(负系数)、盈利惊喜(正系数),验证了经典资产定价因子。
当剔除微型股,结果未显著变化,显示弹性指标适用范围广泛。
该节强化了RES作为关键资产定价变量的可靠性。10 11
2.4.4 与其他流动性指标的比较
以ILLIQ、VRSPR、HLSPR及ROLL与RES构成的多空组合收益率对比。
过去研究(NYX 1972-2012)显示ILLIQ等指标在等权收益上显示一定溢价,但价值加权组合溢价不显著。
本文1993-2014年样本中,RES构建的组合在等权和价值加权均获得显著超额收益(Carhart alpha约30-50基点),其他指标未表现显著。
S&P 500大盘股子样本结果支持RES优于传统流动性指标,揭示大盘股也存在非弹性溢价。
显示RES是流动性度量的全新贡献,捕捉价格影响范围及恢复速度两个维度,超越单一价差或交易量指标。11 12
2.4.5 信息冲击与交易量影响
控制信息不对称变量(分析师覆盖、机构持股、知情交易概率、盈利公告、隔夜收益等)后的回归中,RES依然保持显著负系数,表明其非流动性测量独立于信息效应。
加入交易量及交易量与RES交互项,发现高交易量时RES的非流动性溢价更明显,交互项负系数显著。
RES被拆分为正向和负向两部分,发现负的RES与交易量的交互显著,进一步明确流动性冲击的非线性效应。
文章提出投资者在高交易量时期面临的交易成本可能叠加,使得非流动性溢价增强。
该部分凸显了RES作为流动性指标的动态适应性和非对称影响,有助于风险管理和时机判断。12 13 14
2.5 文章主要结论与思考
RES指标创新性地衡量了流动性冲击对股价的即时及持续影响,作为弹性指标具备信息含量高、剥离信息冲击和波动率因素影响。
流动性较差(弹性差)的股票存在显著非流动性溢价,且并非全部由公司规模、传统流动性指标、系统风险因子或信息冲击驱动。
高交易量环境加剧非流动性溢价,显示市场微观结构对于价格发现及收益补偿机制的深远影响。
文章建议投资者利用RES构建的多头投资组合可以实现稳定且显著的超额收益。
研究基于美国市场数据,提示未来A股等其他市场是否存在类似现象值得深究。
3. 图表深度解读
表1 变量的描述性统计及相关系数
详尽列明了多项流动性变量、基本面及其他可能影响收益的因子统计特征。
RES平均值为-0.028,标准差0.14,负偏度和较高峰度暗示分布不对称,有极端非弹性股票存在。
RES与ILLIQ、VRSPR的相关性均为负但较低(分别约-3%和-9%),支持其独立性。
反映了RES作为新型流动性指标在样本中的分布及其与其他因素的差异。
表2 Fama-MacBeth回归关系
显示各种变量对RES的影响。
TURN(换手率)与RES正相关,规模LNME正相关,历史收益高的股票RES较低(弹性差)。
说明RES受市场活跃度和规模影响,但仍能独立测度弹性。
表3 单变量投资组合分析
分位组合1(弹性最差)月均收益约1.56%,组合10(弹性最好)仅约1.24%,等权组合收益差显著。
经过四因子及Q模型调整,收益差略缩小但依然显著。
剔除微型股后仍然维持同样趋势,最大限度排除规模带来的混淆。
表4 双变量投资组合(控制流动性及公司变量)
RES控制其他流动性指标仍表现出预测收益增强能力。
利用多个流动性指标和公司基本面参数做分组,保证RES效应非偶然。
所得超额收益同样经四因子和Q因子验证,统计显著。
表5 Fama-MacBeth多变量回归
RES系数始终为负,显著,范围约-0.43至-0.65。
其他变量按预期:BETA正(风险补偿),规模负(规模效应),盈利惊喜正等。
剔除微型股对结果无实质影响。
表6 RES与其他流动性指标对比
RES构建的多空组合在1993-2014年样本、S&P500子样本均产生显著收益,其他几种流动性指标无持续显著性。
说明RES涵盖了传统指标覆盖不到的弹性维度。
表7 控制信息冲击和信息不对称
即使控制盈利公告、分析师覆盖、知情交易概率等,RES影响依旧显著且负向。
验证了RES对非流动性溢价的独立解释力。
表8 交易量与RES交互影响
交易量本身正向影响收益,且与RES交互项负向明显,暗示非流动性溢价在高交易量时刻加剧。
模型稳健性强。
4. 估值分析
虽本报告侧重于流动性因素的资产定价及实证,而非传统公司估值,但采用的Fama-MacBeth回归、组合排序(单变量与双变量排序)方法都是资产定价中常见的跨期横截面分析手段。
Fama-MacBeth回归法 :用于检测因子预测未来股票收益的能力,保障控制多种其他已知风险因子后,验证RES的独特价值。
多因子模型调整 (Carhart四因子,Hou-Xue-Zhang Q因子)对收益进行风险调整,提升异常收益的研究准确性。
组合收益差异的统计显著性和经济解释意义直接体现了资产价格对非流动性风险的定价。
该报告没有涉及纯DCF或市盈率模型估价,但通过多因子异常收益验证资产价格对流动性弹性风险的补偿机制,间接体现资产价格合理性。
5. 风险因素评估
报告识别的主要风险来源:
模型失效风险 :报告基于美国市场历史数据构建和检验模型,预设市场环境稳定,当宏观和微观交易环境发生变化时,RES指标效用可能受限。
测量误差和噪声风险 :特别是在小盘股和极端交易状况下,RES计算可能受制噪声影响。
市场环境局限 :由于样本限于美国三大交易所,指标的跨市场和跨国适用性需要进一步验证。
报告未明确给出缓解策略,主要提示投资者关注模型适用条件。1 15
6. 批判性视角与细微之处
报告强调的非流动性溢价与传统观点存在差异,部分学者质疑之处在于流动性指标应用的包容性不足;该文创新RES指标补足了部分不足,但RES本质依赖高频数据和复杂统计过程,在实际操作中可能需求较高计算和数据质量标准。
不同加权方式下组合收益表现差异,说明小市值股票可能因流动性不足带来的噪声,影响了指标稳定性。
风险控制方面,关于模型可能对极端市场波动或黑天鹅事件的敏感性未作深入讨论。
报告中关于信息冲击与流动性冲击的分离依赖统计假设,未来验证需更多宏观层面理论支持。
样本期间涵盖多年市场,市场结构变化可能对弹性估计有潜在影响,这一点在报告中未细化分析。
7. 结论性综合
本报告系统介绍并深度剖析了基于《Resiliency and Stock Returns》的股价弹性RES指标,这一创新指标充分考虑价格对流动性冲击的即时影响及恢复速度,优于传统流动性指标。实证部分通过多重方法(单变量组合、双变量组合、Fama-MacBeth回归)实证了RES与股票未来超额收益呈显著负相关,支持非流动性溢价的存在。更重要的是,RES指标在剔除信息冲击、信息不对称等影响后依然稳健,突出其作为流动性风险因子的独立价值。
图表数据深入支持主论点:
表1揭示RES与传统指标虽然相关但独立。
表3和表4组合排序清晰展现RES影响未来收益的经济意义和统计信赖。
表5回归结果稳健证实RES负向预测能力。
表6与其他流动指标对比显著凸显RES在捕捉非流动性溢价优势。
表7和表8进一步厘清信息冲击和交易量对RES与收益关系的调节效应。
综合来看,作者与报告明确建议投资者和研究者重视股价弹性作为非流动性指标的潜力,在实际投资组合构建和风险评估中给予更大关注。
报告风险提示合理,呼吁对模型适用性保持警惕,尤其面对市场环境变化。
最后,作者表达了对国内A股市场是否具备类似非流动性溢价现象的关注,提示未来研究方向。1 6 7 11 14 15
总体评价
该报告结构清晰,逻辑严谨,实证充分,既介绍理论模型又结合大量数据检验,极具参考价值。RES指标的引入是对资产流动性度量的有力补充,有助于深化资产定价理论与投资实践。尽管存在一定局限和模型依赖假设,整体而言,报告为资产流动性风险管理提供了重要视角和工具。
注:以上分析基于报告全文内容,所有结论均基于报告数据和论述,严谨引用页码,确保追溯完整。