楊青 周文龍

（復旦大學經(jīng)濟學院，上海 200433）

一、引言

金融市場中的極端價格波動具備發(fā)生概率小、難以預期及破壞性大的特征，受到學術(shù)界、業(yè)界及監(jiān)管層極大的關(guān)注。全球金融市場范圍內(nèi)，1929年10月24日和29日美國股市遭遇“黑色星期四”和“黑色星期二”的大崩盤，1987年10月19日道·瓊斯指數(shù)狂跌22.6%，史稱“黑色星期一”，1997年亞洲金融危機，1998年美國長期資本管理公司(LTCM)破產(chǎn)倒閉事件，2008年全球金融危機，這些極端金融事件都對相關(guān)國家和地區(qū)的金融體系造成了巨大的沖擊，金融穩(wěn)定和安全受到極大挑戰(zhàn)。

近年來，中國資本市場持續(xù)深化改革，市場機制和制度日益趨于完善，但“黑天鵝”事件依然時常對金融穩(wěn)定和安全構(gòu)成威脅。2013年6月20日的“錢荒”事件，SHIBOR隔夜拆借利率飆升至13.44%的紀錄高點；2013年8月16日的“光大烏龍指”事件，大盤一分鐘內(nèi)漲幅超過5%；2015年股災期間，多次上演千股跌停的異常景象；2016年1月4日至7 日，4次觸發(fā)熔斷機制；2018年中美貿(mào)易戰(zhàn)持續(xù)推進，股市再次頻繁劇烈地波動。在可預期的未來，國際國內(nèi)經(jīng)濟環(huán)境異常復雜，金融市場面臨極端風險的沖擊和考驗，如何有效防范和化解系統(tǒng)性金融風險，維護金融安全和穩(wěn)定顯得尤為重要。針對中國金融市場極端風險事件以及對市場潛在系統(tǒng)性風險前瞻性預防的考慮，2017年7月，《人民日報》密集發(fā)表評論員文章討論如何有效防范中國金融市場風險問題，可見中國政府對金融市場穩(wěn)定發(fā)展這一國家經(jīng)濟金融戰(zhàn)略的重視。

與之同時，中國經(jīng)濟總體運行平穩(wěn)，經(jīng)濟基本面從未發(fā)生根本性變化，根據(jù)投資者情緒相關(guān)理論如DSSW模型(De Long et al.，1990)，BSV模型(Barberis et al.，1998)，DHS模型(Daniel et al.，1998)，噪聲交易者在中國資本市場的劇烈震蕩中扮演了重要角色，投資者情緒和市場波動有很強的關(guān)聯(lián)性。所謂投資者情緒，是指投資者關(guān)于市場的態(tài)度和看法，一般表現(xiàn)為悲觀或者樂觀的狀態(tài)。金融市場本質(zhì)上是眾多投資者構(gòu)成的市場，投資者依據(jù)金融市場上的各類信息做出決策，進而影響資產(chǎn)的收益及波動性。投資者悲觀或樂觀的心理會影響其對各類信息的解讀從而影響其投資決策。當眾多投資者趨同性地表現(xiàn)出極度悲觀或極度樂觀的時候，即投資者情緒極度高漲或極度低落的時候，市場極易發(fā)生極端的價格波動。

目前有關(guān)投資者情緒的研究往往聚焦于投資者情緒和資產(chǎn)收益及其波動的關(guān)系，較少從投資者情緒和極端市場風險之間關(guān)系的角度進行研究?；诖?，本文從實證方面研究投資者情緒和極端市場風險之間的關(guān)聯(lián)性。研究發(fā)現(xiàn)，投資者情緒和極端市場風險之間存在雙向的溢出關(guān)系；相對于小盤股，大盤股的極端市場風險更能影響投資者情緒，而投資者情緒對小盤股的極端市場風險影響最大；相對于高市凈率股票，投資者情緒對低市凈率股票的極端市場風險影響較小，而高市凈率股票的極端市場風險對整體市場投資者情緒的影響力較小。

本文的邊際貢獻在于進一步拓展了對極端市場風險生成機理的研究視角。通過將投資者情緒和極端市場風險相關(guān)聯(lián)，本文得以更深入探討投資者心理層面的變化對極端市場風險的影響及極端市場風險對投資者心理層面的反饋效應，不僅有助于更好認識極端市場風險的生成機理，而且對防范市場風險、維護金融安全和穩(wěn)定有一定的啟示。

本文的結(jié)構(gòu)如下：第二部分回顧投資者情緒和極端市場風險這兩個研究領(lǐng)域的相關(guān)文獻；第三部分說明本文的研究方法和數(shù)據(jù)來源；第四部分實證檢驗投資者情緒與極端市場風險的關(guān)聯(lián)性；第五部分為研究結(jié)論。

二、文獻綜述

本文的研究主題是投資者情緒與極端市場風險之間的關(guān)聯(lián)性。與本文密切相關(guān)的文獻來自投資者情緒與極端市場風險這兩個研究領(lǐng)域。

(一)投資者情緒相關(guān)文獻回顧

傳統(tǒng)金融理論認為，資產(chǎn)價格的波動主要源于基本面的波動。行為金融理論不僅承認基本面波動對資產(chǎn)價格的影響，同時重視投資者情緒對資產(chǎn)價格的擾動。投資者情緒能對資產(chǎn)價格波動產(chǎn)生作用的原因在于套利的有限性(Shleifer and Vishny，1997)。De Long et al.(1990)構(gòu)建了一個迭代的“DSSW模型”，假定市場中同時存在理性套利者和噪音交易者，其交易行為共同影響資產(chǎn)均衡價格。在基本面未發(fā)生波動的情況下，噪聲交易者的存在也會導致資產(chǎn)價格大幅偏離資產(chǎn)內(nèi)在價值?；谛睦韺W中的兩大證據(jù)，即投資者的保守性和代表性偏差，Barberis et al.(1998)提出描述投資者信念形成過程的“BSV模型”，并用以解釋股票價格對新信息的過度反應(overreaction)和反應不足(underreaction)現(xiàn)象。對于過度反應和反應不足現(xiàn)象的解釋，DHS模型(Daniel et al.，1998)引入了兩大心理學中的偏差，即過度自信(overconfidence)和自我歸因偏差(biased self-attribution)。Lee et al.(1991)研究了個人投資者情緒對封閉式基金折價波動的驅(qū)動。實證方面，投資者情緒對資產(chǎn)定價的系統(tǒng)性影響得到了進一步證實(Brown and Cliff，2005；Baker and Wurgler，2006；Yu and Yuan，2011；Stambaugh et al.，2012)。例如，Baker and Wurgler(2006)研究了投資者情緒對股票收益的橫截面效應，發(fā)現(xiàn)投資者情緒對估值高度主觀和不易進行套利交易的股票能夠產(chǎn)生更大的效應。Stambaugh et al.(2012)研究了投資者情緒對11個資產(chǎn)定價異象的解釋作用。

國內(nèi)學者以DSSW模型為基礎(chǔ)，結(jié)合中國金融市場及參與者的特征，對這一模型進行了相應的拓展和改進，認為投資者情緒能顯著影響資產(chǎn)的均衡價格(王美今和孫建軍，2004；張宗新和王海亮，2013)。其中，王美今和孫建軍(2004)在 DSSW 模型基礎(chǔ)上，將噪聲交易者細分為情緒型噪聲交易者和其他交易者，通過理論模型和實證檢驗得出以上結(jié)論。而張宗新和王海亮(2013)綜合 DSSW 模型與貝葉斯學習過程，并在模型中引入主觀信念調(diào)整，探討其在處理信息和影響情緒過程中的作用。胡昌生和池陽春(2013)研究了市場不同估值階段投資者情緒與市場波動性之間關(guān)聯(lián)的差異性。文鳳華等(2014)探討了投資者情緒特征對股票價格行為的影響，發(fā)現(xiàn)正面情緒和向上的情緒波動對股票收益率存在顯著的正向影響。段江嬌等(2017)從海量的互聯(lián)網(wǎng)文本信息中挖掘投資者情緒成分，研究發(fā)現(xiàn)帖子情緒對股票收益率、波動性及交易量存在顯著影響。部慧等(2018)發(fā)現(xiàn)基于股評的投資者情緒無法預測股票收益率、波動性及交易量，但對收益率和交易量存在當期影響。

(二)極端市場風險相關(guān)文獻回顧

一般而言，金融資產(chǎn)收益具有尖峰厚尾的特征，而廣泛應用的正態(tài)分布并不能描述實際金融資產(chǎn)收益的這種特征。極值理論僅考慮尾部分布，不用對整個分布進行假設(shè)，能夠很好處理風險度量中的厚尾問題。Pickands(1975)對經(jīng)典的極限定理進行了證明，指出可以運用廣義帕累托分布(Generalized Pareto Distribution，GPD)對超額數(shù)分布函數(shù)進行擬合，為以后的風險建模做出了突出貢獻。Longin(1996)以美國股票市場1885年至1990年的日度數(shù)據(jù)為樣本，運用極值理論對極端市場波動進行建模，開創(chuàng)了將極值理論運用于風險管理的先例。之后，Longin(2000)又全面系統(tǒng)地介紹了運用極值理論計算在險價值(Value at Risk，VaR)的方法?；谶@種方法，Ho et al.(2000)分析了6個陷于金融危機的亞洲國家和地區(qū)的股票市場。盡管VaR是度量風險的有效手段，但其本身主要存在兩方面的缺陷：一是沒有測度高于VaR值的極端損失發(fā)生的概率，即沒有充分考慮尾部風險；二是VaR不滿足次可加性，違背了分散化投資降低投資組合風險的原則，因而不是一致的風險度量工具。針對VaR這兩方面的缺陷，Artzner et al.(1997，1999)提出了期望損失(Expected Shortfall，ES)模型，該模型從VaR衍生而來，彌補了VaR不滿足次可加性及沒有考慮尾部風險等缺陷，其測度了高于VaR值損失的條件期望值。

借鑒國外有關(guān)極值理論的研究成果，國內(nèi)學者將其應用于金融市場風險度量的實證分析中。陳學華和楊輝耀(2004)研究發(fā)現(xiàn)基于廣義極值分布的VaR模型很適合刻畫高頻時間序列的尖峰后尾特征及杠桿效應，ES模型則很好地彌補了VaR模型的缺陷。陳守東等(2007)以上證指數(shù)日對數(shù)收益率數(shù)據(jù)為樣本，采用極值理論中的廣義Pareto分布進行建模，得到度量風險的VaR和ES值，研究發(fā)現(xiàn)在置信水平較高的條件下，運用極值方法測度風險效果更好。魏宇(2008)認為條件極值分布在度量極端市場風險方面存在優(yōu)勢。楊青等(2010)研究發(fā)現(xiàn)極值理論是分析金融市場極端風險的有效手段，且A股市場極端風險高于港股和美股。陳新春等(2017)研究了基金信息網(wǎng)絡對極端風險的影響機制，發(fā)現(xiàn)機構(gòu)投資者之間的信息聯(lián)系和傳遞容易引起黑天鵝事件。

以上研究成果對于理解投資者情緒對市場波動的影響及測度極端市場風險都具有積極作用，但缺乏對投資者情緒和極端市場風險之間關(guān)聯(lián)性的研究。基于此，本文將投資者情緒與極端市場風險相聯(lián)系，研究投資者情緒在極端市場風險生成過程中的作用及極端市場風險對投資者情緒的反饋效應。

三、研究方法與數(shù)據(jù)來源

(一)研究思路和方法

圖1 研究思路和方法

基于以上研究目標，本文確定的研究思路如圖1所示：首先，參照Baker and Wurgler(2006)的做法，選取中國股市流動性、換手率、騰落比例及新高新低指標作為投資者情緒代理指標，采用主成分分析法提取共同的投資者情緒成分，構(gòu)建投資者情緒指數(shù)。然后，運用超閾值(Peak Over Threshhold，POT)模型來度量極端市場風險，分別計算測度極端市場風險的VaR值和ES值。最后，本文使用向量自回歸(Vector Autoregressive，VAR)模型研究投資者情緒和極端市場風險之間的關(guān)系。因此，本文使用的研究方法主要涉及主成分分析法、超閾值模型及向量自回歸模型。

1.主成分分析法。

主成分分析法是通過一組變量的少數(shù)幾個線性組合來解釋該組變量的方差和協(xié)方差結(jié)構(gòu)，從而實現(xiàn)降維處理的目的的一種多元統(tǒng)計方法。本文選取中國股市流動性、換手率、騰落比例及新高新低指標作為投資者情緒代理指標，利用主成分分析法從中提取共同的投資者情緒成分，剔除其他的非情緒成分，構(gòu)建投資者情緒指數(shù)st。

2.超閾值模型。

POT模型對觀測值中所有超過某一較大閾值的數(shù)據(jù)建模。假設(shè)x為資產(chǎn)收益率，F(xiàn)(x)為資產(chǎn)收益率分布函數(shù)，u為給定的閾值，x-u表示超額數(shù)值，則其分布函數(shù)定義如下：

易得，

當閾值u充分大時，超額數(shù)值的分布函數(shù)Fu可以用GPD分布近似。對于x＞u，由式(2)可知，F(xiàn)(x)的尾部估計表達式可以構(gòu)造如下：

總而言之，對F(x)的估計可按如下步驟進行：首先，選定適合的閾值u；其次，運用極大似然估計法估計GPD分布的形狀參數(shù)ξ及尺度參數(shù)β；然后，對F(u)進行估計；最后，對尾部分位數(shù)進行估計。將所有估計量代入式(3)，得到F(x)的尾部估計表達式：

進一步，可以定義極端風險VaRc在不同概率水平c下的在險價值，得到VaRc的表達式：

ES度量了損失超過VaR水平的條件期望值，其表達式為：

為了從動態(tài)角度對VaR和ES值進行估計，本文將廣義自回歸條件異方差(Generalized AutoRegressive Conditional Heteroskedasticity，GARCH)模型與POT模型結(jié)合，基本步驟如下：首先，運用GARCH模型擬合日收益率數(shù)據(jù)，采用極大似然估計法進行估計，得到擬合后的殘差；然后，利用POT模型分析擬合后的殘差，求出殘差的VaR和ES值；最后，依據(jù)殘差與日收益率的關(guān)系求得日收益率的VaR和ES值。

3.向量自回歸模型。

為了實證研究投資者情緒和極端市場風險之間的關(guān)聯(lián)性，本文構(gòu)建如下的VAR模型：

(二)數(shù)據(jù)來源

本文所使用的中國股市換手率、騰落比例及新高新低指標數(shù)據(jù)來自國泰安(CSMAR)數(shù)據(jù)庫，滬市流動性、深市流動性及日收益率數(shù)據(jù)來源于萬得(WIND)金融數(shù)據(jù)庫。本文中用到的指標名及含義或計算公式如表1所示。本文的研究樣本期間為1995年12月20日至2017年12月29日，共5342組數(shù)據(jù)。

表1 指標名及含義或計算公式說明

四、實證結(jié)果與分析

(一)投資者情緒指數(shù)的構(gòu)建

本文選取了5個投資者情緒代理指標，其描述性統(tǒng)計及相關(guān)性如表2所示。表2列出了滬市流動性(Hiliq)、深市流動性(Siliq)、市場換手率(Turn)、騰落比例(ADR)及新高新低(NetNum)5個投資者情緒代理指標的均值、標準差、最小值、最大值以及這五個指標間的相關(guān)系數(shù)。從中可以看出，它們之間的相關(guān)性均在1%的水平下顯著。

單個投資者情緒代理指標中都隱含了情緒成分和與情緒不相關(guān)的異質(zhì)成分。為了構(gòu)造投資者情緒指數(shù)，對這五個指標進行主成分分析，剔除代理指標中的異質(zhì)成分，提取共同的投資者情緒成分。前兩個主成分的累計方差解釋率達到了66.97%，且僅有前兩個主成分的特征值大于1。因此，本文選取前兩個主成分按照各自方差解釋率進行加權(quán)來構(gòu)造投資者情緒指數(shù)。經(jīng)構(gòu)造得到的投資者情緒指數(shù)具有良好的性質(zhì)，與5個投資者情緒代理指標均在1%的水平下顯著相關(guān)。

表2 投資者情緒代理指標描述性統(tǒng)計及相關(guān)性

(二)極端市場風險的測度

表3 極端市場風險測度值描述性統(tǒng)計

基于穩(wěn)健性的考慮，本文分別計算了上證綜指和深證成指在95%和99%分位數(shù)下的VaR和ES值。在計算極端下跌市場風險的VaR和ES值時，本文首先對日收益率數(shù)據(jù)取負號，運用極值方法計算得到的分位數(shù)再取負號，最終得到測度極端下跌市場風險的VaR和ES值。本文總共計算了8個測度極端市場風險的序列，其描述性統(tǒng)計見表3。

(三)投資者情緒與極端市場風險

為了避免偽回歸問題，本文在模型回歸之前對時間序列數(shù)據(jù)的平穩(wěn)性進行檢驗。本文運用ADF法檢驗極端市場風險的測度值和投資者情緒指數(shù)是否存在單位根，檢驗結(jié)果如表4所示。

表4 投資者情緒指數(shù)與極端市場風險測度值單位根檢驗結(jié)果

由表4可知，投資者情緒指數(shù)序列和8個極端市場風險測度值序列均是平穩(wěn)序列，符合零階單整I(0)。

表5報告了投資者情緒指數(shù)和上證綜指極端下跌市場風險VaR值之間的VAR模型的估計結(jié)果。在VAR模型中，本文根據(jù)AIC和BIC信息準則得到VAR模型的最優(yōu)滯后階數(shù)均為2階。

對于投資者情緒指數(shù)和上證綜指極端下跌市場風險95%分位數(shù)VaR值之間的VAR模型，可以發(fā)現(xiàn)投資者情緒指數(shù)的滯后項對自身的當期項有影響，且均在1%的水平下顯著，說明投資者情緒指數(shù)具有序列相關(guān)性1關(guān)于投資者情緒指數(shù)的序列相關(guān)性，在后續(xù)的VAR模型中均能得到一致的結(jié)論，后文不再贅述。；上證綜指極端下跌市場風險95%分位數(shù)VaR值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和上證綜指極端下跌市場風險95%分位數(shù)VaR值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對上證綜指極端下跌市場風險95%分位數(shù)VaR值存在顯著影響，上證綜指極端下跌市場風險95%分位數(shù)VaR值對投資者情緒指數(shù)也存在顯著影響。

對于投資者情緒指數(shù)和上證綜指極端下跌市場風險99%分位數(shù)VaR值之間的VAR模型，可以發(fā)現(xiàn)上證綜指極端下跌市場風險99%分位數(shù)VaR值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和上證綜指極端下跌市場風險99%分位數(shù)VaR值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對上證綜指極端下跌市場風險99%分位數(shù)VaR值存在顯著影響，上證綜指極端下跌市場風險99%分位數(shù)VaR值對投資者情緒指數(shù)也存在顯著影響。

表5 投資者情緒指數(shù)與上證綜指極端下跌市場風險VaR值之間的VAR模型

圖2 sent對shVaR95沖擊圖

圖3 shVaR95對sent沖擊圖

圖4 sent對shVaR99沖擊圖

圖5 shVaR99對sent沖擊圖

根據(jù)以上的VAR模型結(jié)果，本文進一步進行脈沖響應分析。圖2和圖4一致顯示，投資者情緒指數(shù)對上證綜指極端下跌市場風險VaR值存在顯著的沖擊，沖擊持續(xù)擴大至1期，之后趨于穩(wěn)定。圖3和圖5表明，上證綜指極端下跌市場風險VaR值對投資者情緒指數(shù)的沖擊在滯后一期達到最大，之后趨于減弱。

表6 投資者情緒指數(shù)與上證綜指極端下跌市場風險ES值之間的VAR模型

表6報告了投資者情緒指數(shù)和上證綜指極端下跌市場風險ES值之間的VAR模型的估計結(jié)果。在VAR模型中，本文根據(jù)AIC和BIC信息準則得到VAR模型的最優(yōu)滯后階數(shù)均為2階。

對于投資者情緒指數(shù)和上證綜指極端下跌市場風險95%分位數(shù)ES值之間的VAR模型，可以發(fā)現(xiàn)上證綜指極端下跌市場風險95%分位數(shù)ES值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和上證綜指極端下跌市場風險95%分位數(shù)ES值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對上證綜指極端下跌市場風險95%分位數(shù)ES值存在顯著影響，上證綜指極端下跌市場風險95%分位數(shù)ES值對投資者情緒指數(shù)也存在顯著影響。

對于投資者情緒指數(shù)和上證綜指極端下跌市場風險99%分位數(shù)ES值之間的VAR模型，可以發(fā)現(xiàn)上證綜指極端下跌市場風險99%分位數(shù)ES值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和上證綜指極端下跌市場風險99%分位數(shù)ES值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對上證綜指極端下跌市場風險99%分位數(shù)ES值存在顯著影響，上證綜指極端下跌市場風險99%分位數(shù)ES值對投資者情緒指數(shù)也存在顯著影響。

圖6 sent對shES95沖擊圖

圖7 shES95對sent沖擊圖

圖8 sent對shES99沖擊圖

圖9 shES99對sent沖擊圖

根據(jù)以上的VAR模型結(jié)果，本文進一步進行脈沖響應分析。圖6和圖8一致顯示，投資者情緒指數(shù)對上證綜指極端下跌市場風險ES值存在顯著的沖擊，沖擊持續(xù)擴大至1期，之后趨于穩(wěn)定。圖7和圖9表明，上證綜指極端下跌市場風險ES值對投資者情緒指數(shù)的沖擊在滯后一期達到最大，之后趨于減弱。

表7報告了投資者情緒指數(shù)和深證成指極端下跌市場風險VaR值之間的VAR模型的估計結(jié)果。在VAR模型中，本文根據(jù)AIC和BIC信息準則得到VAR模型的最優(yōu)滯后階數(shù)均為2階。

對于投資者情緒指數(shù)和深證成指極端下跌市場風險95%分位數(shù)VaR值之間的VAR模型，可以發(fā)現(xiàn)深證成指極端下跌市場風險95%分位數(shù)VaR值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和深證成指極端下跌市場風險95%分位數(shù)VaR值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對深證成指極端下跌市場風險95%分位數(shù)VaR值存在顯著影響，深證成指極端下跌市場風險95%分位數(shù)VaR值對投資者情緒指數(shù)也存在顯著影響。

對于投資者情緒指數(shù)和深證成指極端下跌市場風險99%分位數(shù)VaR值之間的VAR模型，可以發(fā)現(xiàn)深證成指極端下跌市場風險99%分位數(shù)VaR值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和深證成指極端下跌市場風險99%分位數(shù)VaR值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對深證成指極端下跌市場風險99%分位數(shù)VaR值存在顯著影響，深證成指極端下跌市場風險99%分位數(shù)VaR值對投資者情緒指數(shù)也存在顯著影響。

根據(jù)以上的VAR模型結(jié)果，本文進一步進行脈沖響應分析。圖10和圖12一致顯示，投資者情緒指數(shù)對深證成指極端下跌市場風險VaR值存在顯著的沖擊，沖擊持續(xù)擴大至1期，之后趨于穩(wěn)定。圖11和圖13表明，深證成指極端下跌市場風險VaR值對投資者情緒指數(shù)的沖擊在滯后一期達到最大，之后趨于減弱。

圖11 szVaR95對sent沖擊圖

圖12 sent對szVaR99沖擊圖

圖13 szVaR99對sent沖擊圖

表8報告了投資者情緒指數(shù)和深證成指極端下跌市場風險ES值之間的VAR模型的估計結(jié)果。在VAR模型中，本文根據(jù)AIC和BIC信息準則得到VAR模型的最優(yōu)滯后階數(shù)均為2階。

對于投資者情緒指數(shù)和深證成指極端下跌市場風險95%分位數(shù)ES值之間的VAR模型，可以發(fā)現(xiàn)深證成指極端下跌市場風險95%分位數(shù)ES值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和深證成指極端下跌市場風險95%分位數(shù)ES值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對深證成指極端下跌市場風險95%分位數(shù)ES值存在顯著影響，深證成指極端下跌市場風險95%分位數(shù)ES值對投資者情緒指數(shù)也存在顯著影響。

對于投資者情緒指數(shù)和深證成指極端下跌市場風險99%分位數(shù)ES值之間的VAR模型，可以發(fā)現(xiàn)深證成指極端下跌市場風險99%分位數(shù)ES值的滯后項對當期項有影響，且均在1%的水平下顯著，說明其具有序列相關(guān)性；在兩個回歸方程中，交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和深證成指極端下跌市場風險99%分位數(shù)ES值之間存在雙向的溢出關(guān)系，即投資者情緒指數(shù)對深證成指極端下跌市場風險99%分位數(shù)ES值存在顯著影響，深證成指極端下跌市場風險99%分位數(shù)ES值對投資者情緒指數(shù)也存在顯著影響。

表8 投資者情緒指數(shù)與深證成指極端下跌市場風險ES值之間的VAR模型

根據(jù)以上的VAR模型結(jié)果，本文進一步進行脈沖響應分析。圖14和圖16一致顯示，投資者情緒指數(shù)對深證成指極端下跌市場風險ES值存在顯著的沖擊，沖擊持續(xù)擴大至1期，之后趨于穩(wěn)定。圖15和圖17表明，深證成指極端下跌市場風險ES值對投資者情緒指數(shù)的沖擊在滯后一期達到最大，之后趨于減弱。

(四)投資者情緒與不同風格資產(chǎn)的極端下跌市場風險

依據(jù)申萬風格指數(shù)分類，本文測度了大盤股、中盤股、小盤股與高市凈率股、中市凈率股、低市凈率股95%分位數(shù)極端下跌市場風險的VaR值和ES值，再基于VAR模型對投資者情緒與不同風格資產(chǎn)的極端下跌市場風險之間的關(guān)聯(lián)進行分析。在VAR模型回歸之前，本文對相關(guān)變量進行了ADF檢驗，發(fā)現(xiàn)它們均是平穩(wěn)序列。根據(jù)AIC和BIC信息準則，得到VAR模型的最優(yōu)滯后階數(shù)均為2階。

表9和表10報告了投資者情緒指數(shù)與不同市值股票極端下跌市場風險VaR值和ES值的VAR模型回歸結(jié)果。從中可以看出，投資者情緒指數(shù)和極端下跌市場風險的滯后項對當期項有影響，且均在1%的水平下顯著，說明它們均具有序列相關(guān)性。

圖14 sent對szES95沖擊圖

圖15 szES95對sent沖擊圖

圖16 sent對szES99沖擊圖

圖17 szES99對sent沖擊圖

表9 投資者情緒指數(shù)與不同市值股票極端下跌市場風險VaR值之間的VAR模型

表10 投資者情緒指數(shù)與不同市值股票極端下跌市場風險ES值之間的VAR模型

注：括號中數(shù)字為估計系數(shù)的t值；*、**、***分別表示在 10%、5%和 1%的水平上顯著。

交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和極端下跌市場風險之間存在雙向的溢出關(guān)系。不同市值股票之間，大盤股的極端下跌市場風險VaR值對投資者情緒的影響最大，小盤股的極端下跌市場風險ES值對投資者情緒的影響最小，說明大盤股相對于小盤股，其極端市場風險更能影響投資者情緒；投資者情緒對小盤股的極端下跌市場風險VaR值影響最小，而投資者情緒對小盤股的極端下跌市場風險ES值影響最大，造成這種差異的原因可能在于ES值在度量極端風險方面優(yōu)于VaR值。

表11和表12報告了投資者情緒指數(shù)與不同市凈率股票極端下跌市場風險VaR值和ES值的VAR模型回歸結(jié)果。從中可以看出，投資者情緒指數(shù)和極端下跌市場風險的滯后項對當期項有影響，且均在1%的水平下顯著，說明它們均具有序列相關(guān)性。交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和極端下跌市場風險之間存在雙向的溢出關(guān)系。不同市凈率股票之間，高市凈率股票的極端下跌市場風險VaR值和ES值對投資者情緒的影響相對較小，說明高市凈率股票的極端市場風險對整體市場投資者情緒的影響力較??；相對于高市凈率股票，投資者情緒對低市凈率股票的極端下跌市場風險影響較小。

表11 投資者情緒指數(shù)與不同市凈率股票極端下跌市場風險VaR值之間的VAR模型

表12 投資者情緒指數(shù)與不同市凈率股票極端下跌市場風險ES值之間的VAR模型

五、結(jié)論

本文選取中國股市流動性、換手率、騰落比例及新高新低指標作為投資者情緒代理指標，采用主成分分析法提取共同的投資者情緒成分，構(gòu)建投資者情緒指數(shù)。然后，運用POT模型來度量極端市場風險，分別計算極端風險測度的VaR值和ES值。最后，本文使用VAR模型研究投資者情緒和極端市場風險之間的關(guān)系。研究得到以下結(jié)論：

第一，投資者情緒指數(shù)和極端市場風險的滯后項對當期項有影響，且均在1%的水平下顯著，說明它們均具有序列相關(guān)性。

第二，投資者情緒指數(shù)和極端市場風險的交叉滯后項的系數(shù)均在1%的水平下顯著，說明投資者情緒指數(shù)和極端市場風險之間存在雙向的溢出關(guān)系。

第三，相對于小盤股，大盤股的極端市場風險更能影響投資者情緒，而投資者情緒對小盤股的極端市場風險影響最大；相對于高市凈率股票，投資者情緒對低市凈率股票的極端下跌市場風險影響較小，而高市凈率股票的極端市場風險對整體市場投資者情緒的影響力較小。

本文不僅有助于更好認識極端市場風險的生成機理，而且對防范市場風險、維護金融安全和穩(wěn)定有一定的啟示。