龔 旭，文鳳華，黃創(chuàng)霞，楊曉光

(1.廈門(mén)大學(xué)經(jīng)濟(jì)學(xué)院，福建 廈門(mén) 361005；2.廈門(mén)大學(xué)管理學(xué)院、中國(guó)能源政策研究院、能源經(jīng)濟(jì)與政策協(xié)同創(chuàng)新中心，福建 廈門(mén) 361005；3.中南大學(xué)商學(xué)院，湖南 長(zhǎng)沙 410083；4.長(zhǎng)沙理工大學(xué)數(shù)學(xué)與計(jì)算科學(xué)學(xué)院，湖南 長(zhǎng)沙 410114；5．中國(guó)科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院管理、決策與信息系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，北京 100190)

下行風(fēng)險(xiǎn)、符號(hào)跳躍風(fēng)險(xiǎn)與行業(yè)組合資產(chǎn)定價(jià)

龔 旭1,2，文鳳華3，黃創(chuàng)霞4,5，楊曉光5

(1.廈門(mén)大學(xué)經(jīng)濟(jì)學(xué)院，福建 廈門(mén) 361005；2.廈門(mén)大學(xué)管理學(xué)院、中國(guó)能源政策研究院、能源經(jīng)濟(jì)與政策協(xié)同創(chuàng)新中心，福建 廈門(mén) 361005；3.中南大學(xué)商學(xué)院，湖南 長(zhǎng)沙 410083；4.長(zhǎng)沙理工大學(xué)數(shù)學(xué)與計(jì)算科學(xué)學(xué)院，湖南 長(zhǎng)沙 410114；5．中國(guó)科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院管理、決策與信息系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，北京 100190)

本文在資本資產(chǎn)定價(jià)模型(CAPM)的基礎(chǔ)上，構(gòu)建包含市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)和符號(hào)跳躍風(fēng)險(xiǎn)的新資產(chǎn)定價(jià)模型，并使用高頻交易數(shù)據(jù)計(jì)算模型中各風(fēng)險(xiǎn)因子，研究當(dāng)期和跨期的行業(yè)組合定價(jià)問(wèn)題。研究表明：當(dāng)期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)和符號(hào)跳躍風(fēng)險(xiǎn)因子對(duì)行業(yè)組合的超額收益率有很好的解釋作用，且對(duì)上證能源等周期性行業(yè)組合的解釋能力強(qiáng)于上證消費(fèi)等非周期性行業(yè)組合；而滯后一期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)和符號(hào)跳躍風(fēng)險(xiǎn)因子對(duì)行業(yè)組合超額收益率的預(yù)測(cè)作用非常有限。同時(shí)，我們的研究還發(fā)現(xiàn)，通過(guò)AR(1)、LAR(1)、AR(3)、LAR(3)、HAR和LHAR等時(shí)間序列預(yù)測(cè)模型，運(yùn)用樣本外滾動(dòng)窗預(yù)測(cè)技術(shù)得到市場(chǎng)風(fēng)險(xiǎn)溢價(jià)等因子的預(yù)測(cè)值后，構(gòu)建的新跨期定價(jià)模型對(duì)行業(yè)組合有較好的定價(jià)能力。其中，HAR和LHAR對(duì)應(yīng)的跨期定價(jià)模型表現(xiàn)最好，且它們?cè)谏献C材料組合和上證公用組合中表現(xiàn)尤為突出。

下行風(fēng)險(xiǎn)；符號(hào)跳躍；已實(shí)現(xiàn)半方差；資產(chǎn)定價(jià)

1 引言

自Markowitz的投資組合理論、Sharpe、Lintner和Mossin的資本資產(chǎn)定價(jià)模型(CAPM)等經(jīng)典資產(chǎn)定價(jià)理論和模型提出后，資產(chǎn)定價(jià)在金融理論中一直扮演著非常重要的角色，諾貝爾經(jīng)濟(jì)學(xué)得主Robert Merton認(rèn)為資產(chǎn)定價(jià)是現(xiàn)代金融理論的三大支柱之一。因此，資產(chǎn)定價(jià)問(wèn)題始終是學(xué)術(shù)界關(guān)注的熱點(diǎn)，并出現(xiàn)了大量的文獻(xiàn)。其中，比較有代表性的有，F(xiàn)ama和French[1]在CAPM的基礎(chǔ)上，加入市值因子和賬面市值比因子，構(gòu)建了著名的FF三因子模型。后來(lái)，Acharya和Pedersen[2]以及Fama和French[3]在FF三因子模型基礎(chǔ)上，加入流動(dòng)性因子或動(dòng)量效應(yīng)因子，構(gòu)建了四因子模型；Fama和French[4]將公司的盈利能力因子和投資額因子加入到FF三因子模型中，構(gòu)建了五因子模型。相比FF三因子模型，以上四因子模型和五因子模型都對(duì)資產(chǎn)的超額收益率有更好的解釋能力。除了上述研究外，Kelly和Jiang Hao[5]、蔣艷輝等[6]以及陳國(guó)進(jìn)等[7]等也在CAPM或FF三因子模型的基礎(chǔ)上，考慮尾部風(fēng)險(xiǎn)或波動(dòng)跳躍風(fēng)險(xiǎn)等因子，試圖進(jìn)一步提高風(fēng)險(xiǎn)因子對(duì)資產(chǎn)超額收益的解釋能力。

然而，近年來(lái)有很多學(xué)者發(fā)現(xiàn)，在資產(chǎn)定價(jià)中資產(chǎn)自身的下行風(fēng)險(xiǎn)也是不能被忽視的風(fēng)險(xiǎn)因子。Post和van Vliet[8]發(fā)現(xiàn)下行風(fēng)險(xiǎn)對(duì)市值小/賬面市值比大/贏者組合的高平均收益率有很好的解釋作用。Estrada[9]的研究顯示在資產(chǎn)定價(jià)中下行風(fēng)險(xiǎn)比市場(chǎng)風(fēng)險(xiǎn)對(duì)資產(chǎn)收益有更好的解釋能力。Chen等[10]發(fā)現(xiàn)相比方差，下行風(fēng)險(xiǎn)對(duì)股票的風(fēng)險(xiǎn)溢價(jià)有更好的預(yù)測(cè)作用。此外，Alles和Murray[11]研究亞洲新興市場(chǎng)的股票定價(jià)問(wèn)題，發(fā)現(xiàn)下行風(fēng)險(xiǎn)對(duì)亞洲新興市場(chǎng)股票的預(yù)期收益有很好的解釋作用；且使用其它的代理變量度量下行風(fēng)險(xiǎn)時(shí)，其結(jié)果是穩(wěn)健的。

同樣，資產(chǎn)自身的跳躍風(fēng)險(xiǎn)在資產(chǎn)定價(jià)中扮演著非常重要角色，Bansal和Shaliastovich[12]在參數(shù)模型框架下證實(shí)了跳躍風(fēng)險(xiǎn)在解釋股權(quán)溢價(jià)中具有重要作用。Todorov和Bollerslev[13]發(fā)現(xiàn)在資產(chǎn)定價(jià)時(shí)，已實(shí)現(xiàn)跳躍風(fēng)險(xiǎn)的貝塔值和已實(shí)現(xiàn)連續(xù)波動(dòng)的貝塔值顯著不同，這意味著已實(shí)現(xiàn)跳躍風(fēng)險(xiǎn)和已實(shí)現(xiàn)連續(xù)波動(dòng)有著不同的風(fēng)險(xiǎn)溢價(jià)。左浩苗和劉振濤[14]發(fā)現(xiàn)中國(guó)股票市場(chǎng)的跳躍風(fēng)險(xiǎn)存在明顯的聚類(lèi)特征，其對(duì)股市的收益率有穩(wěn)健的預(yù)測(cè)作用。Maheu等[15]發(fā)現(xiàn)跳躍風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)的動(dòng)態(tài)性都與資產(chǎn)的風(fēng)險(xiǎn)溢價(jià)有顯著的相關(guān)關(guān)系，跳躍風(fēng)險(xiǎn)對(duì)資產(chǎn)風(fēng)險(xiǎn)溢價(jià)的動(dòng)態(tài)變化有較好的解釋作用。

由以上文獻(xiàn)可知，資產(chǎn)自身的下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)對(duì)股票的超額收益率有很好的解釋作用。因此，本文同時(shí)將下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)因子加入到CAPM中，構(gòu)建新的資產(chǎn)定價(jià)模型，研究當(dāng)期的市場(chǎng)風(fēng)險(xiǎn)、下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)是否對(duì)中國(guó)股票的超額收益率具有解釋作用，歷史的市場(chǎng)風(fēng)險(xiǎn)、下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)是否能預(yù)測(cè)中國(guó)股票的超額收益率。相比以往的研究，本文的研究主要具有以下不同和優(yōu)勢(shì)：首先，以往絕大多數(shù)文獻(xiàn)是根據(jù)市值、賬面市值比等因子的大小進(jìn)行分類(lèi)得到研究的資產(chǎn)，而本文選擇的定價(jià)資產(chǎn)為行業(yè)組合，組合的組成不會(huì)隨市值、賬面市值比等因子大小的變化而發(fā)生改變，這也為研究資產(chǎn)超額收益率的預(yù)測(cè)問(wèn)題奠定了基礎(chǔ)。其次，本文的下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)都是使用高頻交易數(shù)據(jù)進(jìn)行度量，相比運(yùn)用低頻數(shù)據(jù)，高頻數(shù)據(jù)包含的信息更全面，于是其對(duì)兩種風(fēng)險(xiǎn)的度量更加準(zhǔn)確，得出的實(shí)證結(jié)果更加可靠。另外，F(xiàn)ama和French[1-3]以及Acharya和Pedersen等[4]主要是研究不同的風(fēng)險(xiǎn)因子對(duì)股票超額收益率的解釋作用，而很少研究風(fēng)險(xiǎn)因子對(duì)未來(lái)的股票超額收益率是否有預(yù)期作用。近期許多重要期刊的文獻(xiàn),如于志軍等[16]，McLean和Pontiff[17]，張貴生和張信東[18],表明股票收益率的預(yù)測(cè)在金融領(lǐng)域的研究中變得越來(lái)越重要，所以本文不僅研究了當(dāng)期的風(fēng)險(xiǎn)因子對(duì)股票的超額收益率的解釋作用，還檢驗(yàn)了歷史的風(fēng)險(xiǎn)因子是否能預(yù)測(cè)股票的超額收益率。此外，本文還引入AR(1)、LAR(1)、AR(3)、LAR(3)、HAR和LHAR時(shí)間序列預(yù)測(cè)模型，運(yùn)用樣本外滾動(dòng)窗預(yù)測(cè)技術(shù)得到各風(fēng)險(xiǎn)因子當(dāng)期的預(yù)測(cè)值，再研究這些風(fēng)險(xiǎn)因子預(yù)測(cè)值與股票當(dāng)期超額收益率的關(guān)系，通過(guò)這種方式既可以檢驗(yàn)滯后一期的風(fēng)險(xiǎn)因子是否對(duì)股票當(dāng)期的超額收益率有預(yù)測(cè)作用，還可以分析過(guò)去其它時(shí)期的風(fēng)險(xiǎn)因子對(duì)超額收益率的預(yù)測(cè)作用。

本文余下部分的結(jié)構(gòu)安排：第2部分，新資產(chǎn)定價(jià)模型中各變量的度量；第3部分，實(shí)證數(shù)據(jù)的選擇和描述；第4部分，構(gòu)建包含當(dāng)期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)因子的新資產(chǎn)定價(jià)模型，研究各風(fēng)險(xiǎn)因子對(duì)行業(yè)組合超額收益率的解釋作用；第5部分，構(gòu)建包含歷史的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)因子的新資產(chǎn)定價(jià)模型，研究各風(fēng)險(xiǎn)因子的不同歷史數(shù)據(jù)對(duì)行業(yè)組合超額收益率的預(yù)測(cè)情況；第6部分，本文的結(jié)論。

2 收益和風(fēng)險(xiǎn)的度量

2.1超額收益度量

由CAPM和FF三因子等經(jīng)典的資產(chǎn)定價(jià)模型可知，資產(chǎn)定價(jià)的本質(zhì)是研究收益和風(fēng)險(xiǎn)的關(guān)系。通常使用超額收益率來(lái)表示所研究資產(chǎn)(個(gè)股或投資組合)的收益，于是資產(chǎn)的月度收益可以表示為：

(1)

2.2市場(chǎng)風(fēng)險(xiǎn)溢價(jià)度量

根據(jù)CAPM，月度市場(chǎng)風(fēng)險(xiǎn)溢價(jià)(Market Risk Premium)可以表示為市場(chǎng)收益率與無(wú)風(fēng)險(xiǎn)利率之差，即：

MRPi,t=RM,t-Rf,t

(2)

其中MRPi,t表示資產(chǎn)i在第t月的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)，RM,t表示第t月的市場(chǎng)收益率，Rf,t為t時(shí)期的無(wú)風(fēng)險(xiǎn)利率。

2.3下行風(fēng)險(xiǎn)度量

金融資產(chǎn)的下行風(fēng)險(xiǎn)(Downside Risk)不能被觀察到，需要使用代理變量來(lái)度量。目前度量資產(chǎn)下行風(fēng)險(xiǎn)的代理變量比較多，其中常用的有下行方差、下行偏差、下偏矩、下行貝塔，破產(chǎn)概率、下行已實(shí)現(xiàn)半方差(Downside Realised Semivariance)。在以上下行風(fēng)險(xiǎn)的代理變量中下行已實(shí)現(xiàn)半方差應(yīng)用了高頻數(shù)據(jù)，它所包含的信息更多，且具有無(wú)模型、計(jì)算方便等優(yōu)點(diǎn)[19]，所以本文選擇下行已實(shí)現(xiàn)半方差來(lái)度量金融資產(chǎn)的下行風(fēng)險(xiǎn)。本文首先運(yùn)用日內(nèi)高頻交易數(shù)據(jù)計(jì)算得到日下行已實(shí)現(xiàn)半方差，然后由日下行已實(shí)現(xiàn)半方差計(jì)算得到月度的下行已實(shí)現(xiàn)半方差，并使用月下行已實(shí)現(xiàn)半方差來(lái)表示下行風(fēng)險(xiǎn)。

(3)

由于Andersen和Bollerslev[21]是使用外匯市場(chǎng)研究已實(shí)現(xiàn)波動(dòng)率，而股票市場(chǎng)并不像外匯市場(chǎng)在24小時(shí)內(nèi)連續(xù)進(jìn)行交易，因此，公式(3)計(jì)算出的已實(shí)現(xiàn)波動(dòng)率只能反映出有交易時(shí)段的市場(chǎng)波動(dòng)情況，而沒(méi)有反映無(wú)交易時(shí)段的市場(chǎng)波動(dòng)信息(即隔夜信息引起的市場(chǎng)波動(dòng)——市場(chǎng)前一天收盤(pán)到當(dāng)天開(kāi)盤(pán)的隔夜收益方差)。因此，本文參考Gong Xu等[22]和Wen等[23]的研究，在公式(3)的基礎(chǔ)上，考慮隔夜收益方差，將已實(shí)現(xiàn)波動(dòng)率調(diào)整為：

(4)

其中，rt′,1和rt′,n表示交易日t′的隔夜收益率，rt′,1=rt′,n=100*(lnPt′,o-lnPt′-1,c)，Pt′,o表示交易日t′的開(kāi)盤(pán)價(jià)，Pt′-1,c表示交易日t′-1的收盤(pán)價(jià)；rt′,2表示交易日t′開(kāi)盤(pán)后第1個(gè)收益率，rt′,2=100*(lnPt′,1-lnPt′,o)，Pt′,1為交易日t′開(kāi)盤(pán)后第1個(gè)收盤(pán)價(jià)；rt′,3表示t′期開(kāi)盤(pán)后第2個(gè)收益率，rt′,3=100*(lnPt′,2-lnPt′,1)；…；rt′,N表示t′期開(kāi)盤(pán)后第N個(gè)收益率，rt′,N=100*(lnPt′,N-lnPt′,N-1)。

然后，我們根據(jù)Barndorff-Nielsen等[20]的研究，在公式(4)的基礎(chǔ)上得到日度下行已實(shí)現(xiàn)半方差DRSt′的表達(dá)式：

(5)

其中I(·)為指示函數(shù)。

根據(jù)孫潔[24]以及唐勇和林欣(2015)等[25]的研究，金融資產(chǎn)的月波動(dòng)率可以由22日(1月的交易日數(shù)量)波動(dòng)率的均值來(lái)度量。同樣的，本文的月度下行風(fēng)險(xiǎn)也可以由當(dāng)月所有交易日下行已實(shí)現(xiàn)半方差來(lái)度量，于是資產(chǎn)i的月度下行風(fēng)險(xiǎn)DRi,t可以表示為：

(6)

其中DRSi,t表示資產(chǎn)i月度的下行已實(shí)現(xiàn)半方差，是月度下行風(fēng)險(xiǎn)的代理變量；H為資產(chǎn)i在第t月中交易日的數(shù)量；DRSt′,k表示資產(chǎn)i在月度t的第k個(gè)日下行已實(shí)現(xiàn)半方差。

2.4符號(hào)跳躍風(fēng)險(xiǎn)度量

與下行風(fēng)險(xiǎn)的度量相類(lèi)似，下文中的符號(hào)跳躍風(fēng)險(xiǎn)也使用日內(nèi)高頻數(shù)據(jù)得到日度數(shù)據(jù)，然后使用日度數(shù)據(jù)得到月度數(shù)據(jù)。本文采用Patton和Sheppard[26]提出的符號(hào)跳躍變差(Signed Jump Variation)來(lái)度量資產(chǎn)的符號(hào)跳躍風(fēng)險(xiǎn)(Signed Jump Risk)。根據(jù)Patton和Sheppard[26]的研究，日符號(hào)跳躍變差SJVt′可以表示為：

SJVt′=URSt′-DRSt′

(7)

日符號(hào)跳躍變差SJVt′既包含正值又包含負(fù)值，為了避免計(jì)算月度符號(hào)跳躍變差時(shí)正負(fù)值相互抵消，本文進(jìn)一步將日符號(hào)跳躍變差SJVt′分解成日正符號(hào)跳躍變差(Positive Signed Jump Variation，PSJVt′)和日負(fù)符號(hào)跳躍變差(Negative Signed Jump Variation，NSJVt′)，它們分別可以表示為：

PSJVt′=SJVt′×I(SJVt′≥0)

(8)

NSJVt′=SJVt′×I(SJVt′<0)

(9)

類(lèi)似于公式(6)中月度下行風(fēng)險(xiǎn)的計(jì)算，本文中資產(chǎn)i的月度正符號(hào)跳躍風(fēng)險(xiǎn)PSJRi,t和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)NSJRi,t可以分別表示為：

(10)

(11)

其中SJVi,t表示資產(chǎn)i的月度符號(hào)跳躍變差，是月度符號(hào)跳躍風(fēng)險(xiǎn)的代理變量。

3 數(shù)據(jù)選擇與描述

3.1數(shù)據(jù)選擇

本文主要研究中國(guó)股票市場(chǎng)的行業(yè)組合定價(jià)問(wèn)題，其中行業(yè)組合選擇由中證指數(shù)有限公司對(duì)上海證券交易所上市的所有A股進(jìn)行分類(lèi)的10個(gè)行業(yè)，分別為上證能源、上證材料、上證工業(yè)、上證可選消費(fèi)、上證消費(fèi)、上證醫(yī)藥、上證金融、上證信息、上證電信以及上證公用；市場(chǎng)組合選擇上證綜合指數(shù)。無(wú)風(fēng)險(xiǎn)利率使用中國(guó)銀行間市場(chǎng)一年期國(guó)債利率來(lái)度量。

本文中下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)的計(jì)算都需要使用日內(nèi)高頻數(shù)據(jù)，然而日內(nèi)數(shù)據(jù)的抽樣頻率會(huì)影響下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)的計(jì)算準(zhǔn)確度。一方面，抽樣頻率越低，抽取的高頻數(shù)據(jù)跨度較大，不能很好刻畫(huà)當(dāng)天信息；另一方面，抽樣頻率越高，抽取的高頻數(shù)據(jù)跨度較小，會(huì)產(chǎn)生微觀噪音影響變量計(jì)算的準(zhǔn)確度。Andersen和Bollerslev[21]指出5分鐘的取樣頻率可以兼顧這兩方面的影響；另外，唐勇[27]以上證綜指的高頻交易數(shù)據(jù)為例，證實(shí)了5分鐘抽樣頻率數(shù)據(jù)的合理性，所以采用5分鐘高頻交易數(shù)據(jù)作為本文需要使用的高頻數(shù)據(jù)。

本文選擇的時(shí)間跨度為2009年1日到2014年12月，每個(gè)變量的月度數(shù)據(jù)為72，日度數(shù)據(jù)為1452，5分鐘高頻數(shù)據(jù)為71148。其中上證綜合指數(shù)和10個(gè)行業(yè)組合的高頻、日度以及月度數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)服務(wù)中心，而無(wú)風(fēng)險(xiǎn)利率的日度和月度數(shù)據(jù)來(lái)源于銳思金融研究數(shù)據(jù)庫(kù)。

3.2數(shù)據(jù)描述

資產(chǎn)i的月度超額收益率、市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)分別由公式(1)、(2)、(6)、(10)和(11)計(jì)算得到。表1列出了各行業(yè)組合月度超額收益率Ri,t、市場(chǎng)風(fēng)險(xiǎn)溢價(jià)MRPi,t、下行風(fēng)險(xiǎn)DRi,t、正符號(hào)跳躍風(fēng)險(xiǎn)PSJRi,t和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)NSJRi,t的描述性統(tǒng)計(jì)結(jié)果。比較各行業(yè)組合中變量的均值和標(biāo)準(zhǔn)差大小可以發(fā)現(xiàn)，行業(yè)組合月度超額收益率Ri,t的變化較大，而市場(chǎng)風(fēng)險(xiǎn)溢價(jià)MRPi,t、下行風(fēng)險(xiǎn)DRi,t、正符號(hào)跳躍風(fēng)險(xiǎn)PSJRi,t和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)NSJRi,t的變化相對(duì)較小。單位根檢驗(yàn)(ADF檢驗(yàn))中，除了上證金融組合的下行風(fēng)險(xiǎn)DRi,t和上證公用組合的負(fù)符號(hào)跳躍風(fēng)險(xiǎn)NSJRi,t不能拒絕存在單位根的假設(shè)外，其它變量都在1%的顯著性水平下拒絕其存在單位根的假設(shè)，即這些變量是平穩(wěn)的，進(jìn)而可以作下一步的計(jì)量建模。

4 當(dāng)期的行業(yè)組合定價(jià)

4.1模型構(gòu)建

Sharpe、Lintner和Mossin等學(xué)者提出的經(jīng)典資本資產(chǎn)定價(jià)模型(CAPM)：

(12)

經(jīng)典的CAPM僅研究了資產(chǎn)收益與市場(chǎng)(系統(tǒng))風(fēng)險(xiǎn)的關(guān)系，然而資產(chǎn)的收益受非系統(tǒng)風(fēng)險(xiǎn)的影響，其自身的下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)是不能被忽視的。本文在CAPM的基礎(chǔ)上，進(jìn)一步考慮下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)對(duì)資產(chǎn)收益的影響，得到一個(gè)新資產(chǎn)定價(jià)模型：

表1 變量的描述性統(tǒng)計(jì)結(jié)果

注：***表示在1%的顯著性水平下顯著，由于每一個(gè)行業(yè)對(duì)應(yīng)的市場(chǎng)都是上證綜合指數(shù)，所以它們對(duì)應(yīng)的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)是相同的。

Ri,t=α+β1MRPi,t+β2DRi,t+β3PSJRi,t+β4NSJRi,t+εi,t

(13)

其中，DRi,t表示資產(chǎn)i在t期的下行風(fēng)險(xiǎn)，由公式(6)計(jì)算得到；PSJRi,t表示資產(chǎn)i在t期的正符號(hào)跳躍風(fēng)險(xiǎn)，由公式(10)計(jì)算得到；NSJRi,t表示資產(chǎn)i在t期的負(fù)符號(hào)跳躍風(fēng)險(xiǎn)，由公式(11)計(jì)算得到。該資產(chǎn)定價(jià)模型不僅可以分析市場(chǎng)風(fēng)險(xiǎn)對(duì)資產(chǎn)超額收益率的影響，還可以研究資產(chǎn)自身的下行風(fēng)險(xiǎn)和跳躍風(fēng)險(xiǎn)對(duì)其超額收益率的影響情況，可以更加合理的對(duì)資產(chǎn)的超額收益率進(jìn)行解釋。

4.2實(shí)證分析

由于模型(13)中DRi,t、PSJRi,t和NSJRi,t的相關(guān)性較大，所以對(duì)于單一的資產(chǎn)組合本文采用帶Newey-West的OLS對(duì)上述模型進(jìn)行參數(shù)估計(jì)；而在面板回歸中，根據(jù)Hausman檢驗(yàn)結(jié)果，選擇固定效應(yīng)模型。該部分使用數(shù)據(jù)的時(shí)間跨度為2009年1月到2014年12月。

表2 當(dāng)期行業(yè)組合定價(jià)模型的估計(jì)結(jié)果

注：小括號(hào)里的值為系數(shù)的t值，*、**和***分別表示系數(shù)在10%、5%和1%的顯著性水平下顯著；下同。

表2列出了模型(13)的估計(jì)結(jié)果，其中資產(chǎn)i包括上證能源組合、上證材料組合、上證工業(yè)組合、上證可選消費(fèi)組合、上證消費(fèi)組合、上證醫(yī)藥組合、上證金融組合、上證信息組合、上證電信組合、上證公用組合以及上述10個(gè)組合構(gòu)成的面板數(shù)據(jù)。從估計(jì)結(jié)果可以看出，各行業(yè)組合和面板回歸中當(dāng)期市場(chǎng)風(fēng)險(xiǎn)溢價(jià)的系數(shù)高度顯著為正，說(shuō)明行業(yè)組合的超額收益率與市場(chǎng)風(fēng)險(xiǎn)溢價(jià)相關(guān)性非常大。各行業(yè)組合和面板回歸中下行風(fēng)險(xiǎn)DRi,t、正符號(hào)跳躍風(fēng)險(xiǎn)PSJRi,t和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)NSJRi,t的系數(shù)，除了上證能源組合的DRi,t的系數(shù)為負(fù)外，其它系數(shù)都為正，說(shuō)明當(dāng)期的下行風(fēng)險(xiǎn)、符號(hào)跳躍風(fēng)險(xiǎn)越大，行業(yè)組合的超額收益率越大。另外，我們還可以發(fā)現(xiàn)各行業(yè)組合和面板回歸的R2都比較大，說(shuō)明當(dāng)期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)對(duì)行業(yè)組合的超額收益率有很好的解釋作用。再比較不同行業(yè)組合的R2大小可知，新資產(chǎn)定價(jià)模型對(duì)各行業(yè)組合定價(jià)的準(zhǔn)確性存在較大的差異，模型對(duì)能源、材料和工業(yè)等周期性行業(yè)組合的定價(jià)能力明顯強(qiáng)于消費(fèi)和醫(yī)藥等非周期性行業(yè)。

5 跨期的行業(yè)組合定價(jià)

5.1模型構(gòu)建

模型(13)為當(dāng)期的資產(chǎn)組合定價(jià)模型，只能分析當(dāng)期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)是否能解釋行業(yè)組合的超額收益率，而不能判斷歷史的風(fēng)險(xiǎn)因子是否對(duì)超額收益率具有預(yù)測(cè)作用。為了分析歷史的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)對(duì)行業(yè)組合的超額收益率是否具有預(yù)測(cè)作用，我們?cè)谀Ｐ?13)基礎(chǔ)上，構(gòu)建了兩個(gè)跨期的新資產(chǎn)定價(jià)模型：

Ri,t=α+β1MRPi,t-1+β2DRi,t-1+β3PSJRi,t-1+β4NSJRi,t-1+εi,t

(14)

Ri,t=α+β1E(MRPi,t)+β2E(DRi,t)+β3E(PSJRi,t)+β4E(NSJRi,t)+εi,t

(15)

其中，模型(14)的自變量為滯后一期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)，該模型可以檢驗(yàn)滯后一期的風(fēng)險(xiǎn)因子是否對(duì)行業(yè)組合的超額收益率有預(yù)測(cè)作用。模型(15)的自變量運(yùn)用樣本外滾動(dòng)窗預(yù)測(cè)技術(shù)通過(guò)不同的模型和歷史數(shù)據(jù)計(jì)算得到當(dāng)期的預(yù)測(cè)值，該模型不僅可以分析滯后一期的風(fēng)險(xiǎn)因子對(duì)行業(yè)組合超額收益率的預(yù)測(cè)作用，還可以研究其它歷史時(shí)期的風(fēng)險(xiǎn)因子對(duì)行業(yè)組合超額收益率的預(yù)測(cè)作用。本文選擇的預(yù)測(cè)模型為一階自回歸(AR(1))模型、帶杠桿的一階自回歸(LAR(1))模型、三階自回歸(AR(3))模型、帶杠桿的三階自回歸(LAR(3))模型、異質(zhì)自回歸(HAR)模型和帶杠桿的異質(zhì)自回歸(LHAR)模型。選擇這六個(gè)模型的原因：AR(1)模型為最經(jīng)典的時(shí)間序列預(yù)測(cè)模型；HAR(3)模型已被證明對(duì)風(fēng)險(xiǎn)因子具有較強(qiáng)的預(yù)測(cè)作用；AR(3)模型類(lèi)似于HAR(3)模型，也加入了變量的三個(gè)滯后期，是為了與HAR(3)模型相對(duì)應(yīng)；LAR(1)、LAR(3)和LHAR(3)模型是在AR(1)、AR(3)和HAR(3)模型加入杠桿效應(yīng)，為了進(jìn)一步提高模型對(duì)風(fēng)險(xiǎn)因子的預(yù)測(cè)能力，提高模型(15)對(duì)行業(yè)組合資產(chǎn)的定價(jià)能力。這六個(gè)模型的表達(dá)式分別可以表示為：

Xt=a+bXt-1+εt

(16)

Xt=a+bXt-1+cLt-1+εt

(17)

Xt=a+b1Xt-1+b2Xt-2+b3Xt-3+εt

(18)

Xt=a+b1Xt-1+b2Xt-2+b3Xt-3+c1Lt-1+c2Lt-2+c3Lt-3+εt

(19)

(20)

(21)

5.2實(shí)證分析

對(duì)于單一的資產(chǎn)組合，此處仍然采用帶Newey-West的OLS對(duì)模型(14)進(jìn)行參數(shù)估計(jì)；而在面板回歸中，根據(jù)Hausman檢驗(yàn)結(jié)果，選擇隨機(jī)效應(yīng)模型。為了方便與后文的結(jié)果進(jìn)行比較，此處使用數(shù)據(jù)的時(shí)間跨度為2011年1月到2014年12月。表3列出了模型(14)對(duì)10個(gè)行業(yè)組合定價(jià)和面板回歸的估計(jì)結(jié)果。由表中結(jié)果可知，除了上證材料組合、上證工業(yè)組合、上證可選消費(fèi)組合和面板回歸中部分風(fēng)險(xiǎn)因子的系數(shù)顯著外，其它行業(yè)組合中所有風(fēng)險(xiǎn)因子的系數(shù)都不顯著。該結(jié)果表明，滯后一期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)MRPi,t-1、下行風(fēng)險(xiǎn)DRi,t-1、正符號(hào)跳躍風(fēng)險(xiǎn)PSJRi,t-1和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)NSJRi,t-1僅對(duì)上證材料組合、上證工業(yè)組合和上證可選消費(fèi)組合的超額收益率有微弱的預(yù)測(cè)作用。表3中，10個(gè)行業(yè)組合的R2都很低，遠(yuǎn)遠(yuǎn)低于當(dāng)期行業(yè)組合定價(jià)下的R2。這是由于在當(dāng)期行業(yè)組合定價(jià)中，市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)都是與行業(yè)超額收益率為同一期，它們對(duì)Ri,t進(jìn)行解釋的信息含量遠(yuǎn)遠(yuǎn)多于滯后一期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)。這也說(shuō)明滯后一期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)和符號(hào)跳躍風(fēng)險(xiǎn)對(duì)行業(yè)組合超額收益率的預(yù)測(cè)作用非常有限。

表3的結(jié)果顯示，僅僅使用模型(14)研究跨期的行業(yè)組合定價(jià)問(wèn)題并不能得到理想的結(jié)果，所以我們進(jìn)一步使用模型(15)來(lái)研究該問(wèn)題。首先，運(yùn)用樣本外滾動(dòng)窗預(yù)測(cè)技術(shù)，通過(guò)模型(16)～模型(21)得到當(dāng)期市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)的預(yù)測(cè)值。此處我們選擇滾動(dòng)的固定時(shí)間窗長(zhǎng)度為2年，預(yù)測(cè)得到2011年1月到2014年12月的數(shù)據(jù)。然后，使用模型(16)～模型(21)得到的各變量的預(yù)測(cè)值，分別對(duì)模型(15)進(jìn)行參數(shù)估計(jì)，對(duì)于單一的資產(chǎn)組合使用帶Newey-West的OLS方法，而在面板回歸中根據(jù)Hausman檢驗(yàn)結(jié)果，都選擇隨機(jī)效應(yīng)模型。

表3 跨期行業(yè)組合定價(jià)模型(14)的估計(jì)結(jié)果

表4a～表4f分別列出了由AR(1)、LAR(1)、AR(3)、LAR(3)、HAR和LHAR模型得到當(dāng)期市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)的預(yù)測(cè)值后，對(duì)模型(15)進(jìn)行回歸的參數(shù)估計(jì)結(jié)果。這6個(gè)表中的估計(jì)結(jié)果與表3中的估計(jì)結(jié)果相比較可以發(fā)現(xiàn)，各系數(shù)的顯著性和模型的R2都優(yōu)于表3，說(shuō)明應(yīng)用模型(15)研究跨期的行業(yè)組合定價(jià)問(wèn)題更加合理。再比較從表4a～表4f中的估計(jì)結(jié)果，在不同的模型下模型(15)系數(shù)的顯著性存在較大的差異，HAR和LHAR模型下得到的估計(jì)結(jié)果明顯優(yōu)于其它四個(gè)模型。HAR和LHAR模型中不僅包含月度的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)、負(fù)符號(hào)跳躍風(fēng)險(xiǎn)因子，還包含日度和周度的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)、負(fù)符號(hào)跳躍風(fēng)險(xiǎn)因子，其更加全面地涵蓋了不同歷史時(shí)期的風(fēng)險(xiǎn)因子。HAR和LHAR模型對(duì)行業(yè)組合中各風(fēng)險(xiǎn)因子的預(yù)測(cè)作用更強(qiáng)，于是其對(duì)應(yīng)的定價(jià)模型對(duì)各行業(yè)組合有更好的定價(jià)能力。再觀察表4e和表4f中的R2,發(fā)現(xiàn)HAR和LHAR對(duì)應(yīng)的定價(jià)模型對(duì)上證材料行業(yè)組合進(jìn)行定價(jià)時(shí)的R2超過(guò)0.2，對(duì)上證公用行業(yè)組合進(jìn)行定價(jià)時(shí)的R2超過(guò)0.3，說(shuō)明該模型對(duì)上證材料組合和上證公用組合有很高的定價(jià)能力。

表4a 跨期行業(yè)組合定價(jià)模型(15)的估計(jì)結(jié)果(AR(1)模型)

表4b 跨期行業(yè)組合定價(jià)模型(15)的估計(jì)結(jié)果(LAR(1)模型)

表4c 跨期行業(yè)組合定價(jià)模型(15)的估計(jì)結(jié)果(AR(3)模型)

表4e 跨期行業(yè)組合定價(jià)模型(15)的估計(jì)結(jié)果(HAR模型)

表4f 跨期行業(yè)組合定價(jià)模型(15)的估計(jì)結(jié)果(LHAR模型)

6 結(jié)語(yǔ)

本文在資本資產(chǎn)定價(jià)模型(CAPM)的基礎(chǔ)上，進(jìn)一步考慮下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)對(duì)資產(chǎn)超額收益率的影響，構(gòu)建研究當(dāng)期資產(chǎn)風(fēng)險(xiǎn)與收益關(guān)系的新資產(chǎn)定價(jià)模型。運(yùn)用上證能源組合、上證材料組合、上證工業(yè)組合、上證可選消費(fèi)組合、上證消費(fèi)組合、上證醫(yī)藥組合、上證金融組合、上證信息組合、上證電信組合和上證公用組合以及上述10個(gè)組合構(gòu)成的面板數(shù)據(jù)對(duì)新資產(chǎn)定價(jià)模型進(jìn)行回歸分析，發(fā)現(xiàn)各行業(yè)中市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)對(duì)行業(yè)組合的超額收益率有很好的解釋作用；新資產(chǎn)定價(jià)模型對(duì)各行業(yè)組合定價(jià)的準(zhǔn)確性存在較大的差異，模型對(duì)能源、材料和工業(yè)等周期性行業(yè)組合的定價(jià)能力明顯強(qiáng)于消費(fèi)和醫(yī)藥等非周期性行業(yè)。

進(jìn)一步我們?cè)诋?dāng)期新資產(chǎn)定價(jià)模型的基礎(chǔ)上，構(gòu)建跨期的新資產(chǎn)定價(jià)模型。該模型同樣包含市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)等四個(gè)自變量，但這四個(gè)自變量由滯后一期、或者由AR(1)、LAR(1)、AR(3)、LAR(3)、HAR和LHAR模型運(yùn)用樣本外滾動(dòng)窗預(yù)測(cè)技術(shù)得到的預(yù)測(cè)值表示。同樣使用運(yùn)用上證能源組合、上證材料組合等數(shù)據(jù)對(duì)跨期的新資產(chǎn)定價(jià)模型進(jìn)行回歸分析，發(fā)現(xiàn)滯后一期的市場(chǎng)風(fēng)險(xiǎn)溢價(jià)、下行風(fēng)險(xiǎn)、正符號(hào)跳躍風(fēng)險(xiǎn)和負(fù)符號(hào)跳躍風(fēng)險(xiǎn)對(duì)行業(yè)組合超額收益率的預(yù)測(cè)作用很小。HAR和LHAR模型運(yùn)用樣本外滾動(dòng)窗預(yù)測(cè)技術(shù)得到的預(yù)測(cè)值后，再對(duì)跨期的新資產(chǎn)定價(jià)模型進(jìn)行回歸得到的估計(jì)結(jié)果最好，說(shuō)明HAR和LHAR模型中包含的自變量(即日、周和月市場(chǎng)風(fēng)險(xiǎn)溢價(jià)/下行風(fēng)險(xiǎn)/符號(hào)跳躍風(fēng)險(xiǎn))對(duì)行業(yè)組合超額收益率的預(yù)測(cè)作用相比其它模型的自變量更強(qiáng)，且它們?cè)谏献C材料組合和上證公用組合中表現(xiàn)尤為突出。

本文的研究結(jié)果表明，下行風(fēng)險(xiǎn)和符號(hào)跳躍風(fēng)險(xiǎn)在資產(chǎn)定價(jià)中扮演非常重要的角色，不能被忽視。另外，將新型的風(fēng)險(xiǎn)預(yù)測(cè)模型(即HAR和LHAR模型)應(yīng)用到跨期的資產(chǎn)定價(jià)模型中，能提高模型對(duì)資產(chǎn)的定價(jià)能力。因此，把更強(qiáng)的風(fēng)險(xiǎn)預(yù)測(cè)模型應(yīng)用到資產(chǎn)定價(jià)的研究中，將會(huì)引起更多學(xué)者的關(guān)注。

[1] Fama E F, French K R. Common risk factors in the returns on stocks and bonds[J]. Journal of Financial Economics, 1993, 33(1): 3-56.

[2] Acharya V V, Pedersen L H. Asset pricing with liquidity risk[J]. Journal of Financial Economics, 2005, 77(2): 375-410.

[3] Fama E F, French K R. Size, value, and momentum in international stock returns[J]. Journal of Financial Economics, 2012, 105(3): 457-472.

[4] Fama E F, French K R. A five-factor asset pricing model[J]. Journal of Financial Economics, 2015, 116(1): 1-22.

[5] Kelly B, Jiang Hao. Tail risk and asset prices[J]. Review of Financial Studies, 2014, 27(10): 2841-2871.

[6] 蔣艷輝，馬超群，熊希希. 創(chuàng)業(yè)板上市公司文本慣性披露、信息相似度與資產(chǎn)定價(jià)——基于Fama-French改進(jìn)模型的經(jīng)驗(yàn)分析[J]. 中國(guó)管理科學(xué), 2014,22(08): 56-63.

[7] 陳國(guó)進(jìn), 劉曉群, 謝沛霖, 等. 已實(shí)現(xiàn)跳躍波動(dòng)與中國(guó)股市風(fēng)險(xiǎn)溢價(jià)研究——基于股票組合視角[J]. 管理科學(xué)學(xué)報(bào), 2016, 19(6): 98-113.

[8] Post T, van Vliet P. Downside risk and asset pricing[J]. Journal of Banking & Finance, 2006, 30(3): 823-849.

[9] Estrada J. Mean-semivariance behavior: Downside risk and capital asset pricing[J]. International Review of Economics & Finance, 2007, 16(2): 169-185.

[10] Chen D, Chen C, Chen Jianguo. Downside risk measures and equity returns in the NYSE[J]. Applied Economics, 2009, 41: 1055-1070.

[11] Alles L, Murray L. Rewards for downside risk in Asian markets[J]. Journal of Banking & Finance, 2013, 37(7): 2501-2509.

[12] Bansal R, Shaliastovich I. Learning andasset-price jumps[J]. Review of Financial Studies, 2011, 24(8): 2738-2780.

[13] Todorov V, Bollerslev T. Jumps and betas: A new framework for disentangling and estimating systematic risks[J]. Journal of Econometrics, 2010, 157(2): 220-235.

[14] 左浩苗，劉振濤. 跳躍風(fēng)險(xiǎn)度量及其在風(fēng)險(xiǎn)—收益關(guān)系檢驗(yàn)中的應(yīng)用[J]. 金融研究, 2011(10): 170-184.

[15] Maheu J M, Mccurdy T H, Zhao Xiaofei. Do jumps contribute to the dynamics of the equity premium?[J]. Journal of Financial Economics, 2013, 110(2): 457-477.

[16] 于志軍, 楊善林, 章政, 等. 基于誤差校正的灰色神經(jīng)網(wǎng)絡(luò)股票收益率預(yù)測(cè)[J]. 中國(guó)管理科學(xué), 2015, 23(12): 20-26.

[17] McLean R D, Pontiff J. Does academic research destroy stock return predictability?[J]. The Journal of Finance, 2016, 71(1): 5-32.

[18] 張貴生, 張信東. 基于近鄰互信息的 SVM-GARCH 股票價(jià)格預(yù)測(cè)模型研究[J]. 中國(guó)管理科學(xué), 2016, 24(9): 11-20.

[19] Gong Xu, Wen Fenghua, Xia X H, et al. Investigating the risk-return trade-off for crude oil futures using high-frequency data[J]. Applied Energy, 2017, 196: 152-161.

[20] Barndorff-Nielsen O E, Kinnebrock S, Shephard N. Measuring downside risk— realised semivariance[Z]. Research Paper,Center for Research in Econometric Analysis of Time Series,2008.

[21] Andersen T G, Bollerslev T. Answering the Skeptics: Yes, ARCH models do provide good volatility forecasts[J]. International Economic Review, 1998, 4: 885-905.

[22] Gong Xu, He Zhifang, Li Pu, et al. Forecasting return volatility of the CSI 300 Index using the stochastic volatility model with continuous volatility and jumps[J]. Discrete Dynamics in Nature and Society, 2014, 2014: 1-10.

[23] Wen F, Gong X, Cai S. Forecasting the volatility of crude oil futures using HAR-type models with structural breaks[J]. Energy Economics, 2016, 59: 400-413.

[24] 孫潔. 考慮跳躍和隔夜波動(dòng)的中國(guó)股票市場(chǎng)波動(dòng)率建模與預(yù)測(cè)[J]. 中國(guó)管理科學(xué), 2014, 22(6): 114-124.

[25] 唐勇, 林欣. 考慮共同跳躍的波動(dòng)建模: 基于高頻數(shù)據(jù)視角[J]. 中國(guó)管理科學(xué), 2015, 23(8): 46-53.

[26] Patton A J, Sheppard K. Good volatility, bad volatility: signed jumps and the persistence of volatility[J]. Review of Economics and Statistics, 2015, 97(3): 683-697.

[27] 唐勇. 金融資產(chǎn)跳躍檢驗(yàn)方法實(shí)證比較[J]. 中國(guó)管理科學(xué), 2012,20(S1): 290-299.

DownsideRisk,SignedJumpRiskandAssetPricingofIndustryPortfolios

GONGXu1,2,WENFeng-hua3,HUANGChuang-xia4,5,YANGXiao-guang5

(1. School of Economics, Xiamen University, Xiamen 361005, China; 2.School of Management,China Institute for Studies in Energy Policy,Collaborative Innovation Ceuter for Energy Economics and Energy Policy,Xiamen University, Xiamen 361005, China; 3. School of Business, Central South University, Changsha 410083, China; 4. College of Mathematics and Computing Science, Changsha University of Science and Technology, Hunan 410114, China; 5. Academy of Mathematics and Systems Science, Chinese Academy of Sciences， Beijing 100190, China)

In this paper, whether downside risk and signed jump risk have effects on pricing industry portfolios is examined. Assets pricing models with market risk premium, downside risk and signed jump risk are proposed firstly. Then, the new models are applied to study the contemporaneous/intertemporal pricing problem of industry portfolios. The results indicate that the contemporaneous market risk premium, downside risk and signed jump risk factors perform important interpretative functions for the excess return of industry portfolios. And the functions for cyclical industries are stronger than that of non-cyclical industries. However, the first-lagged market risk premium, downside risk and signed jump risk are limited in forecasting the contemporaneous excess return of industry portfolios. Furthermore, the first-order autoregressive model (AR(1) model), first-order autoregressive model with leverages (LAR(1) model), third-order autoregressive model (AR(1) model), first-order autoregressive model with leverages (LAR(3) model), heterogeneous autoregressive model (HAR model) and heterogeneous autoregressive model with leverages (LHAR model) are employed to obtain the predictive values of all risk factors, and intertemporal assets pricing models are constructed. It is found that new models show good pricing power for industry portfolios. Among them, HAR and LHAR models outperform other models, and their performances are particularly prominent for pricing the Shanghai material and public industry portfolios. The above results mean that the effects of downside risk and signed jump risk should not be ignored when pricing industry portfolios in shock market.

1003-207(2017)10-0001-10

10.16381/j.cnki.issn1003-207x.2017.10.001

F830

A

2016-12-25；

2017-05-25

國(guó)家自然科學(xué)基金資助項(xiàng)目(71701176，71371195，71471020，71431008，71633006);中國(guó)博士后科學(xué)基金(2017M612121);中南大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助(2015zzts006)

文鳳華(1972-)，男(漢族)，湖南益陽(yáng)人，中南大學(xué)商學(xué)院教授，博士生導(dǎo)師,管理科學(xué)與工程博士，研究方向:金融工程與金融風(fēng)險(xiǎn)管理，E-mail:mailtowfh@126.com.

Keywords： downside risk; signed jump; realized semivariance; asset pricing