周亮

（湖南財(cái)政經(jīng)濟(jì)學(xué)院，湖南 長(zhǎng)沙410205）

一、引言

動(dòng)量效應(yīng)由Jegadeesh & Titman（1993）[1]提出，指通過(guò)買(mǎi)入贏家組合同時(shí)賣(mài)出輸家組合，可以獲得顯著的超額收益，是金融市場(chǎng)上廣泛存在著的一種異象。無(wú)論是三因子模型（Fama & French，1993）[2]還是五因子模型（Fama&French，1995）[3]，均無(wú)法解釋動(dòng)量效應(yīng)（Blitz et al.，2018）[4]，因此Eugene Fama也不得不承認(rèn)它是最顯著的異象。但是動(dòng)量效應(yīng)卻會(huì)遭遇不多但持續(xù)時(shí)間長(zhǎng)、幅度大的下跌，俗稱動(dòng)量崩潰（Daniel & Moskowitz，2016）[5]，學(xué)術(shù)界的研究認(rèn)為這和組合的動(dòng)態(tài)風(fēng)險(xiǎn)敞口有關(guān)。為了改善動(dòng)量效應(yīng)的極端表現(xiàn)，Blitz et al.（2011）[6]等學(xué)者提出了殘差動(dòng)量（residual momentum），使用CAPM或Fama三因子模型的殘差收益率計(jì)算動(dòng)量（因此也叫異質(zhì)動(dòng)量，idiosyncratic momentum），該效應(yīng)可以比傳統(tǒng)動(dòng)量效應(yīng)獲得更高的風(fēng)險(xiǎn)收益比。除了通過(guò)殘差收益率可以降低動(dòng)量崩潰外，采用其他指標(biāo)也可以降低動(dòng)量效應(yīng)的風(fēng)險(xiǎn)，如Daniel & Moskowitz（2016）[5]發(fā)現(xiàn)動(dòng)量崩潰往往發(fā)生在市場(chǎng)恐慌時(shí)，此時(shí)資產(chǎn)價(jià)格大跌而波動(dòng)率大幅上升，因此可以通過(guò)牛熊市劃分來(lái)降低動(dòng)量崩潰發(fā)生的可能性。

行為金融學(xué)的研究成果也為動(dòng)量效應(yīng)的改進(jìn)提供了大量經(jīng)驗(yàn)證據(jù)，如Kim&Sub（2018）[7]研究發(fā)現(xiàn)投資者情緒可以對(duì)動(dòng)量收益進(jìn)行預(yù)測(cè)，經(jīng)情緒改進(jìn)的動(dòng)量效應(yīng)顯著優(yōu)于傳統(tǒng)動(dòng)量效應(yīng)。目前大多數(shù)對(duì)投資者情緒的研究均是借鑒或采用Baker&Wurgler（2006）[8]主成分分析方法構(gòu)造的情緒指標(biāo)，而Huang et al.（2015）[9]指出，基于主成分分析的投資者情緒指標(biāo)仍然包含較多的噪聲成分，因此其采用偏最小二乘法（PLS）構(gòu)造了投資者情緒指標(biāo)，發(fā)現(xiàn)該指標(biāo)無(wú)論是樣本內(nèi)還是樣本外均具有更優(yōu)的預(yù)測(cè)能力。但是采用PLS方法構(gòu)造中國(guó)市場(chǎng)投資者情緒的研究仍然較少，僅有劉司航等（2017）[10]少量學(xué)者采用PLS方法構(gòu)造了投資者情緒，并研究了其對(duì)中國(guó)股市風(fēng)險(xiǎn)收益關(guān)系的影響?；诖耍疚臄M采用PLS方法構(gòu)造投資者情緒指數(shù)，并研究其對(duì)傳統(tǒng)動(dòng)量及殘差動(dòng)量的影響；同時(shí)，為了研究動(dòng)量效應(yīng)的收益來(lái)源進(jìn)而構(gòu)造更有效的動(dòng)量效應(yīng)，考察了投資者情緒對(duì)動(dòng)量效應(yīng)多頭端和空頭端績(jī)效的影響，并設(shè)計(jì)了基于投資者情緒的動(dòng)量效應(yīng)，為動(dòng)量理論及投資實(shí)踐提供了有效的經(jīng)驗(yàn)支持。相對(duì)于其他行為金融或?qū)?dòng)量效應(yīng)的研究，本文的創(chuàng)新之處在于：一方面，根據(jù)CAPM模型構(gòu)造了殘差動(dòng)量，在與傳統(tǒng)動(dòng)量進(jìn)行比較的基礎(chǔ)上，分析了PLS情緒對(duì)動(dòng)量效應(yīng)的影響；另一方面，通過(guò)研究PLS情緒在多、空頭端對(duì)動(dòng)量效應(yīng)收益的影響，確定了動(dòng)量收益的來(lái)源，并構(gòu)造了基于PLS情緒的動(dòng)量效應(yīng)，可以為投資實(shí)踐提供更有益的借鑒。

二、文獻(xiàn)綜述

（一）動(dòng)量效應(yīng)

自Jegadeesh&Titman（1993）[1]提出動(dòng)量效應(yīng)以來(lái)，學(xué)者們對(duì)其進(jìn)行了廣泛而深入的研究。比較具有代表性的是Carhart（1997）[11]構(gòu)造了動(dòng)量因子，并將其加入Fama & French（1993）[2]的三因子組合，發(fā)現(xiàn)加入動(dòng)量因子的四因子模型可以對(duì)股票橫截面收益進(jìn)行很好的解釋。Asness et al.（2013）[12]回測(cè)了美國(guó)1927—2013年的股票歷史數(shù)據(jù)，指出動(dòng)量效應(yīng)在扣除交易費(fèi)用后可以獲得超額收益，且動(dòng)量效應(yīng)廣泛存在于全球市場(chǎng)（股票、外匯、固定收益、商品期貨等）。國(guó)內(nèi)學(xué)者研究了我國(guó)股市（宋光輝等，2017；王德宏和宋建波，2017；李富軍等，2019）[13-15]或其他資本市場(chǎng)（李良新，2016；周亮和李紅權(quán)，2019）[16-17]的動(dòng)量效應(yīng)，普遍發(fā)現(xiàn)存在中長(zhǎng)期的動(dòng)量效應(yīng)和短期的反轉(zhuǎn)效應(yīng)。投資者的行為偏差可能是動(dòng)量效應(yīng)收益的重要原因，主要體現(xiàn)在投資者對(duì)掌握的信息過(guò)于自信，從而導(dǎo)致資產(chǎn)價(jià)格對(duì)于新信息反應(yīng)不足（Daniel et al.，2001）[18]。除 此 以 外，交 易 成 本（Frazzini et al.，2014）[19]、知情交易（Hameed et al.，2008）[20]、市場(chǎng)情緒（Kim&Sub，2018）[7]、宏觀風(fēng)險(xiǎn)溢價(jià)（Liu & Zhang，2008）[21]等都可能是導(dǎo)致動(dòng)量效應(yīng)的原因所在。

雖然動(dòng)量效應(yīng)能夠帶來(lái)超額回報(bào)，但是也要承擔(dān)風(fēng)險(xiǎn)，有時(shí)候這種風(fēng)險(xiǎn)還是巨大的，從而導(dǎo)致動(dòng)量崩潰。Geczy & Samonov（2016）[22]基于美股數(shù)據(jù)發(fā)現(xiàn)，動(dòng)量效應(yīng)對(duì)于市場(chǎng)組合有著動(dòng)態(tài)的暴露，具體敞口則取決于市場(chǎng)狀態(tài)，當(dāng)市場(chǎng)從一種狀態(tài)轉(zhuǎn)換到另一種狀態(tài)的初期，動(dòng)量組合對(duì)于最新市場(chǎng)狀態(tài)有著負(fù)的暴露，從而導(dǎo)致市場(chǎng)轉(zhuǎn)換期的大幅損失。Daniel&Moskowitz（2016）[5]發(fā)現(xiàn)動(dòng)量崩潰與該策略的尾部風(fēng)險(xiǎn)有關(guān)，崩潰往往發(fā)生在市場(chǎng)恐慌時(shí)，此時(shí)資產(chǎn)價(jià)格大跌而波動(dòng)率大幅上升，這與Geczy&Samonov（2016）[22]的發(fā)現(xiàn)一致。學(xué)者們對(duì)動(dòng)量崩潰有不同的解釋，有的認(rèn)為是擁擠交易（Crowded Trades）造成的（Yan，2014）[23]，還有的認(rèn)為是由動(dòng)量因子本身的性質(zhì)所決定的（Barroso & Santa-Clara，2015）[24]。為了改善動(dòng)量效應(yīng)的極端表現(xiàn)，Blitz et al.（2011）[6]使用股票相對(duì)于Fama三因子模型的殘差收益率計(jì)算了殘差動(dòng)量，實(shí)證發(fā)現(xiàn)該策略可以比傳統(tǒng)動(dòng)量效應(yīng)獲得更高的風(fēng)險(xiǎn)收益比。Chang et al.（2018）[25]對(duì)日本股市的研究及Lin（2019）[26]對(duì)中國(guó)股市的研究均發(fā)現(xiàn)，雖然亞洲股票市場(chǎng)的傳統(tǒng)動(dòng)量效應(yīng)較弱，但是殘差動(dòng)量卻非常明顯，且殘差動(dòng)量能夠部分規(guī)避動(dòng)量崩潰。

（二）投資者情緒

行為金融學(xué)認(rèn)為投資者并不是完全理性的，情緒會(huì)導(dǎo)致其決策時(shí)產(chǎn)生行為偏差，進(jìn)而導(dǎo)致資產(chǎn)價(jià)格偏離其基本面。對(duì)投資者情緒研究最具代表性的是Baker&Wurgler（2006）[8]，他們采用主成分分析法綜合了封閉式基金折溢價(jià)、消費(fèi)者信心指數(shù)、IPO數(shù)量及首日收益率、股利溢價(jià)等指標(biāo)，構(gòu)造了綜合性的投資者情緒指數(shù)。隨后大量學(xué)者借鑒或直接采用BW情緒指數(shù)研究了其對(duì)金融市場(chǎng)的影響，絕大部分研究結(jié)論均認(rèn)為投資者情緒對(duì)股票橫截面收益有顯 著 影 響（Hao et al.，2018；Tsukioka et al.，2018；Chen et al.，2019；文鳳華等，2014；高大良等，2015；周亮，2017）[27-32]。隨著計(jì)算機(jī)及互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，很多學(xué)者采用網(wǎng)絡(luò)搜索指數(shù)（Da et al.，2015）[33]或文本挖掘技術(shù)（Jiang et al.，2019）[34]構(gòu)造出網(wǎng)絡(luò)投資者情緒指數(shù)，同樣發(fā)現(xiàn)情緒能夠顯著影響到金融資產(chǎn)的收益。除此以外，Huang et al.（2015）[9]基于偏最小二乘法（PLS）構(gòu)造了投資者情緒指標(biāo)，發(fā)現(xiàn)PLS情緒相對(duì)于BW的主成分分析情緒，無(wú)論是樣本內(nèi)還是樣本外，均具有更優(yōu)的預(yù)測(cè)能力。Gao& Suss（2015）[35]對(duì)期貨市場(chǎng)的研究證實(shí)了偏最小二乘法相對(duì)于主成分分析法，在解釋期貨市場(chǎng)收益時(shí)更具有效性。劉司航等（2017）[10]基于中國(guó)市場(chǎng)的數(shù)據(jù)也發(fā)現(xiàn)，PLS情緒能夠?qū)鹑谑袌?chǎng)收益進(jìn)行更好的預(yù)測(cè)。

大部分研究均驗(yàn)證了投資者情緒能夠顯著影響資產(chǎn)收益，但是投資者情緒對(duì)資產(chǎn)收益的影響并不是線性的。很多學(xué)者對(duì)這個(gè)問(wèn)題進(jìn)行了相關(guān)研究，Stambaugh et al.（2012）[36]的研究發(fā)現(xiàn)，在投資者情緒高昂時(shí)情緒對(duì)股票收益率的影響，要比情緒低落時(shí)的影響更為顯著。Bathia & Bredin（2013）[37]通過(guò)對(duì)G7國(guó)家投資者情緒與股票收益率間關(guān)系的研究，發(fā)現(xiàn)了與Stambaugh et al.（2012）[36]相似的結(jié)論。Ni et al.（2015）[38]等學(xué)者的研究結(jié)果表明，投資者情緒對(duì)于股市收益率有著非對(duì)稱的杠桿效應(yīng)，且投資者情緒對(duì)小市值股票的影響更大。Frugier（2016）[39]通過(guò)討論投資者情緒、股市收益率和收益率波動(dòng)三者間的關(guān)系，發(fā)現(xiàn)了相似的結(jié)論。Kim&Sub（2018）[7]的研究發(fā)現(xiàn)，投資者情緒可以對(duì)動(dòng)量收益進(jìn)行預(yù)測(cè)，且基于情緒的動(dòng)量效應(yīng)相對(duì)于傳統(tǒng)動(dòng)量效應(yīng)可以獲得更高的投資績(jī)效。史永東和王鎮(zhèn)（2015）[40]基于A股的研究發(fā)現(xiàn)，發(fā)現(xiàn)了與Kim&Sub（2018）[7]相類(lèi)似的結(jié)論，即動(dòng)量效應(yīng)更易在情緒樂(lè)觀期出現(xiàn)，在控制住風(fēng)險(xiǎn)、股票特征、市場(chǎng)狀態(tài)等因素后仍然成立。基于此，本文提出如下研究假設(shè)：

研究假設(shè)：投資者情緒會(huì)對(duì)動(dòng)量效應(yīng)產(chǎn)生顯著影響，且在高情緒期時(shí)影響更大。

三、研究設(shè)計(jì)

（一）PLS情緒構(gòu)造

PLS方法與主成分分析（PCA）最大的區(qū)別在于，PLS在自變量的基礎(chǔ)上增加了響應(yīng)變量，而主成分分析僅是自變量間方差變異系數(shù)的最小化，因此理論上PLS方法能夠提取出與響應(yīng)變量更相關(guān)的共同成分，而主成分分析得到的第一主成分卻可能包含其他的噪聲。假設(shè)當(dāng)期投資者情緒能夠?qū)ο乱黄诘氖袌?chǎng)預(yù)期超額收益率產(chǎn)生顯著影響，即：

其中，E(Rt+1)是下一期的市場(chǎng)預(yù)期超額收益，St是不可直接觀測(cè)的當(dāng)期投資者情緒。下一期的實(shí)際市場(chǎng)超額收益則等于預(yù)期收益加上不可預(yù)測(cè)沖擊，即：

其中，εt+1是無(wú)法預(yù)測(cè)的外部沖擊，且與St無(wú)關(guān)。

設(shè)xt=(x1，t，x2，t，…，xN，t)′是t時(shí)刻下N個(gè)投資者情緒代理變量，假設(shè)xi，t(i=1，…，N)滿足以下因子結(jié)構(gòu)：

其中Et是代理變量中與投資者情緒無(wú)關(guān)的其他共同因素，ei，t則是第i個(gè)代理變量的特質(zhì)噪聲。BW情緒采用的主成分分析無(wú)法將Et和St區(qū)分開(kāi)來(lái)，如果Et在主成分分析中所占的方差成分較大，則St的估計(jì)錯(cuò)誤就會(huì)很大。Huang et al.（2015）[9]構(gòu)造的PLS情緒就可以較好地避免該問(wèn)題，采用兩步OLS回歸可以得到最終的投資者情緒。第一步，對(duì)每個(gè)代理變量進(jìn)行如下時(shí)間序列回歸：

由于Rt受St-1的影響，因此πi為xi，t-1在Rt的工具變量作用下對(duì)St-1的敏感性。

第二步，運(yùn)行T個(gè)橫截面回歸，即在時(shí)間t時(shí)，將xi，t對(duì)式（4）中的回歸系數(shù)進(jìn)行回歸：

式（5）中的回歸系數(shù)SPLSt即為投資者情緒。PLS方法采用t+1期的市場(chǎng)超額收益作為第t期投資者情緒的工具變量，可以有效去除其他共同因子Et以及特質(zhì)因子ei，t的影響，可以得到較為純凈的投資者情緒。

（二）動(dòng)量效應(yīng)

傳統(tǒng)的動(dòng)量因子是采用過(guò)去12個(gè)月的累計(jì)收益率作為動(dòng)量大小的判斷標(biāo)準(zhǔn)，為了避免近月的反轉(zhuǎn)效應(yīng)，一般會(huì)跳過(guò)最近的一個(gè)月，即用t-12月至t-2月的累計(jì)收益率來(lái)形成動(dòng)量。但是鑒于我國(guó)資本市場(chǎng)投機(jī)氛圍相對(duì)較重，12個(gè)月動(dòng)量相對(duì)期限較長(zhǎng)，因此除了考慮傳統(tǒng)的12個(gè)月動(dòng)量外，我們還考慮了6個(gè)月的中期動(dòng)量和3個(gè)月的短期動(dòng)量。與12個(gè)月動(dòng)量一樣，均跳過(guò)了最近一個(gè)月，即6個(gè)月動(dòng)量為t-6月至t-2月的累計(jì)收益率，3個(gè)月動(dòng)量為t-3至t-2月的累計(jì)收益率。

除了傳統(tǒng)動(dòng)量外，借鑒Blitz et al.（2011）[6]等學(xué)者的研究思路，本文還計(jì)算了殘差動(dòng)量。由于本文研究對(duì)象為包括股票指數(shù)、商品指數(shù)和債券指數(shù)在內(nèi)的12種大類(lèi)資產(chǎn)，采用這12種資產(chǎn)的等權(quán)收益率作為市場(chǎng)收益率，再利用CAPM模型計(jì)算出每種資產(chǎn)的殘差收益率：

其中，ri，t為每種資產(chǎn)的收益率，Rt為12種資產(chǎn)等權(quán)計(jì)算的市場(chǎng)指數(shù)收益率，εi,t為每種資產(chǎn)的殘差收益率。再采用類(lèi)似傳統(tǒng)動(dòng)量因子的計(jì)算方法，利用每個(gè)月的εi,t分別算出12個(gè)月、6個(gè)月和3個(gè)月殘差動(dòng)量，即12個(gè)月殘差動(dòng)量為其他以此類(lèi)推。

本文動(dòng)量效應(yīng)的持有期統(tǒng)一設(shè)定為一個(gè)月，在分析投資者情緒對(duì)動(dòng)量效應(yīng)的影響時(shí)，按照持有期的情緒大小劃分高情緒期和低情緒期，即如果t期的投資者情緒高于設(shè)定閾值時(shí)，則將第t期劃分為高情緒期，低情緒期的處理方式相似。

（三）描述性統(tǒng)計(jì)

為了檢驗(yàn)投資者情緒對(duì)動(dòng)量效應(yīng)的影響，本文選擇了12種大類(lèi)資產(chǎn)構(gòu)造動(dòng)量效應(yīng)。其中股票利用規(guī)模和成長(zhǎng)性按照Wind的分類(lèi)，選擇了Wind大盤(pán)成長(zhǎng)、大盤(pán)價(jià)值、中盤(pán)成長(zhǎng)、中盤(pán)價(jià)值、小盤(pán)成長(zhǎng)和小盤(pán)價(jià)值6個(gè)指數(shù)；債券選擇了中證國(guó)債指數(shù)和企債指數(shù)2個(gè)指數(shù)；商品則按照南華期貨的劃分方法，選擇了能化、金屬、農(nóng)產(chǎn)品和黃金4個(gè)指數(shù)。樣本區(qū)間選擇2010年1月至2019年12月的所有月度數(shù)據(jù)，由于計(jì)算動(dòng)量需要用到12個(gè)月的收益率數(shù)據(jù)，因此實(shí)際動(dòng)量效應(yīng)和投資者情緒的開(kāi)始時(shí)間為2011年1月。所有數(shù)據(jù)來(lái)自Wind金融數(shù)據(jù)庫(kù)。

表1 報(bào)告了12種大類(lèi)資產(chǎn)月收益的描述性統(tǒng)計(jì)情況，其中第一列和第二列為年化后的收益率和標(biāo)準(zhǔn)差數(shù)據(jù)。從表中可以看到，大盤(pán)價(jià)值在樣本區(qū)間的收益率最高，其年化收益率達(dá)到了8.44%，年化收益率最低的是農(nóng)產(chǎn)品，為-3.09%。從標(biāo)準(zhǔn)差來(lái)看，債券的風(fēng)險(xiǎn)最低，國(guó)債指數(shù)的年化標(biāo)準(zhǔn)差僅為0.74%，而股票指數(shù)的標(biāo)準(zhǔn)差相對(duì)較大，最高的小盤(pán)成長(zhǎng)達(dá)到了29.01%。從尾部風(fēng)險(xiǎn)來(lái)看（用MDD和CVaR來(lái)衡量），債券的風(fēng)險(xiǎn)也是最低的，股票最高，如小盤(pán)成長(zhǎng)指數(shù)最大回撤達(dá)到了70.67%，小盤(pán)價(jià)值指數(shù)的CVaR高達(dá)19.71%。從夏普比率來(lái)看，債券指數(shù)由于風(fēng)險(xiǎn)很低，因此兩個(gè)指數(shù)的夏普比率均超過(guò)了2，但是股票指數(shù)和商品指數(shù)的夏普比率普遍不高。從偏度和峰度來(lái)看，股票和債券大部分是尖峰左偏的，而商品指數(shù)大部分是尖峰右偏的，符合金融時(shí)間序列的一般特征。最后一行報(bào)告了等權(quán)重指數(shù)的風(fēng)險(xiǎn)收益情況，可以看到其年化收益率僅為1.65%，夏普比率為-0.0273，說(shuō)明等權(quán)分配投資績(jī)效并不好。

表1 資產(chǎn)收益率描述性統(tǒng)計(jì)

表2 源指標(biāo)描述性統(tǒng)計(jì)及相關(guān)性分析結(jié)果

四、實(shí)證結(jié)果

（一）投資者情緒指標(biāo)

借鑒Baker & Wurgler（2006）[8]和周亮（2017）[32]等學(xué)者的研究，選擇投資者信心指數(shù)（Conf）、新增投資者開(kāi)戶數(shù)（Open）、指數(shù)波動(dòng)率（Vol）、換手率（Turn）、資金凈流入量（Flow）及融資余額（Margin）6個(gè)指標(biāo)作為投資者情緒的源指標(biāo)，所選時(shí)間區(qū)間為2011年1月至2019年12月，數(shù)據(jù)來(lái)源于Wind金融數(shù)據(jù)庫(kù)。表2報(bào)告了6個(gè)源指標(biāo)的描述性統(tǒng)計(jì)及相關(guān)性分析結(jié)果，從Panel A可以看到，指標(biāo)間的差異較大，如換手率均值僅為0.14，但是融資余額均值達(dá)到了6485；除資金凈流入量的均值和中位值為負(fù)之外，其他5個(gè)源指標(biāo)均是正值，這從Panel B中資金凈流入量和其他5個(gè)指標(biāo)相關(guān)系數(shù)均顯著為負(fù)也可以看出。從Panel B可以看出，絕大部分源指標(biāo)間均具有顯著的相關(guān)關(guān)系，其中資金凈流入與換手率及融資余額的相關(guān)系數(shù)均高達(dá)到-0.83，說(shuō)明所選源指標(biāo)間具有較強(qiáng)的相似性，情緒作為源指標(biāo)間的共同驅(qū)動(dòng)因素得到了較強(qiáng)的理論和數(shù)據(jù)支撐，通過(guò)PLS或PCA方法提取出的源指標(biāo)間共同因子可以較好地對(duì)投資者情緒進(jìn)行反映。

考慮到源指標(biāo)間差異較大，因此在提取共同因子之前，首先對(duì)源指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，利用yi=將所有源指標(biāo)標(biāo)準(zhǔn)化到[0，1]之間，其中ymax和ymin分別表示數(shù)據(jù)序列的最大值和最小值；同時(shí)考慮到源指標(biāo)除了受情緒影響之外，還受到宏觀經(jīng)濟(jì)的影響，因此借鑒Baker&Wurgler（2006）[8]等學(xué)者的方法，采用工業(yè)增加值、CPI和PPI的數(shù)據(jù)序列對(duì)源指標(biāo)進(jìn)行回歸，并利用殘差項(xiàng)構(gòu)造最終的投資者情緒指標(biāo)。分別利用式（4）和式（5）的PLS方法及主成分分析方法（PCA）構(gòu)造投資者情緒指標(biāo)，結(jié)果分別為式（7）和式（8）所示?？梢钥吹?，源指標(biāo)在SentPLS和SentPCA中的系數(shù)方向是一致的，只有資金凈流入量為負(fù)值，其他5個(gè)源指標(biāo)均是正值；源指標(biāo)的系數(shù)大小存在著較為明顯的差異，如在SentPLS中，系數(shù)最大的為新增投資者開(kāi)戶數(shù)的0.56，在SentPCA中，系數(shù)最大的為融資余額的0.53，而新增投資者開(kāi)戶數(shù)僅為0.25，說(shuō)明兩種方法在提取出源指標(biāo)的共同因子時(shí)存在著明顯的差異。從圖1兩種綜合情緒的走勢(shì)圖來(lái)看，兩者間的走勢(shì)卻基本類(lèi)似，只是在2015年前SentPLS比SentPCA略 高，2016年 后SentPCA比SentPLS略高，兩者的相關(guān)系數(shù)高達(dá)0.93，說(shuō)明源指標(biāo)間的關(guān)聯(lián)性非常強(qiáng)，使得系數(shù)雖然有較大差異，但是得到的綜合指標(biāo)間差異很小，且所選源指標(biāo)能夠較好地反映出投資者情緒，其他共同成分如Et所占比例較小。

圖1 投資者情緒走勢(shì)圖

考慮到SentPLS和SentPCA間相關(guān)性很強(qiáng)，因此在接下來(lái)的研究中采用SentPLS作為投資者情緒的代理變量進(jìn)行分析。在穩(wěn)健性檢驗(yàn)中，采用在SentPLS中占比最高的新增投資者數(shù)量作為情緒代理變量進(jìn)行分析。這和周亮（2017）[32]的分析也一致，即由于我國(guó)資本市場(chǎng)發(fā)展還未成熟，新增投資者開(kāi)戶數(shù)能夠最直接地反映出投資者情緒的變化。

（二）動(dòng)量效應(yīng)

1.風(fēng)險(xiǎn)收益統(tǒng)計(jì)

分別以12個(gè)月、6個(gè)月和3個(gè)月為形成期構(gòu)造長(zhǎng)期、中期和短期動(dòng)量效應(yīng)，為了避免1個(gè)月的反轉(zhuǎn)效應(yīng)，借鑒其他學(xué)者的研究方法，跳過(guò)了最近的一個(gè)月，即12個(gè)月動(dòng)量為t-12月至t-2月間的收益率，6個(gè)月和3個(gè)月動(dòng)量做了同樣的處理。同時(shí)借鑒Blitz et al.（2011）[6]等學(xué)者的研究，利用式（6）的計(jì)算方法得到了每個(gè)月的殘差收益率，采用類(lèi)似價(jià)格動(dòng)量的方法構(gòu)造了12個(gè)月、6個(gè)月和3個(gè)月殘差動(dòng)量。所有的動(dòng)量效應(yīng)均為等權(quán)重買(mǎi)入形成期內(nèi)收益率或殘差收益率最高的4種資產(chǎn)，同時(shí)等權(quán)重賣(mài)出形成期內(nèi)收益率或殘差收益率最低的4種資產(chǎn)，在穩(wěn)健性檢驗(yàn)中，將改變做多和做空的資產(chǎn)數(shù)量。由于調(diào)倉(cāng)頻率很低，因此不考慮交易費(fèi)用對(duì)策略績(jī)效的影響。

表3 報(bào)告了三種收益動(dòng)量和殘差動(dòng)量風(fēng)險(xiǎn)收益的描述性統(tǒng)計(jì)情況，其中Panel A為收益動(dòng)量的績(jī)效統(tǒng)計(jì)結(jié)果，Panel B為殘差動(dòng)量的績(jī)效統(tǒng)計(jì)結(jié)果。除第一列和第二列收益率和標(biāo)準(zhǔn)差為年化后的數(shù)據(jù)，其他均為月度數(shù)據(jù)統(tǒng)計(jì)結(jié)果。可以看到，除了3個(gè)月殘差動(dòng)量rMOM3外，其他5種動(dòng)量在樣本區(qū)間內(nèi)均能獲得顯著的正收益，但是在剔除了無(wú)風(fēng)險(xiǎn)收益后，只有三種收益動(dòng)量和12個(gè)月殘差動(dòng)量rMOM12能獲得正的夏普比率。從不同形成期動(dòng)量效應(yīng)的績(jī)效來(lái)看，無(wú)論是收益動(dòng)量還是殘差動(dòng)量，長(zhǎng)期動(dòng)量的績(jī)效要遠(yuǎn)高于短期績(jī)效，如MOM12年化收益率和夏普比率分別為5.42%和0.29，遠(yuǎn)高于MOM3的2.13%和0.01；rMOM12年化收益率為4.14%，但是rMOM3卻為-3.23%。從風(fēng)險(xiǎn)來(lái)看，長(zhǎng)期、中期和短期動(dòng)量的年化標(biāo)準(zhǔn)差均相差不大，殘差動(dòng)量略低于收益動(dòng)量的風(fēng)險(xiǎn)。但是如果從尾部風(fēng)險(xiǎn)（通過(guò)MDD和CVaR）來(lái)看，不同動(dòng)量間差距較大，對(duì)于收益動(dòng)量而言，MOM6的 最 大回 撤（MDD）僅為13.49%，遠(yuǎn) 優(yōu)于MOM12（27.68%）和MOM3（21.97%），其CVaR也只有7.04%，低于MOM12和MOM3。對(duì)于殘差動(dòng)量而言，rMOM12表現(xiàn)最優(yōu)，其最大回撤和CVaR均只有16.69%和7.13%，要優(yōu)于rMOM6和rMOM3。偏度上看，只有MOM6為右偏，其他5種動(dòng)量均為左偏，這也再次反映了MOM6較低的尾部風(fēng)險(xiǎn)。

綜合來(lái)看，收益動(dòng)量要優(yōu)于殘差動(dòng)量，長(zhǎng)期動(dòng)量要優(yōu)于短期動(dòng)量。圖2報(bào)告了MOM12和rMOM12的凈值曲線走勢(shì)圖，其中實(shí)線代表MOM12的凈值曲線，虛線代表rMOM12的凈值曲線?？梢钥吹?，兩者的走勢(shì)相關(guān)性較強(qiáng)，但是除了開(kāi)始的幾個(gè)月，rMOM12的凈值曲線始終在MOM12以下，最終MOM12的凈值為1.48，高于rMOM12的1.33；而整個(gè)樣本區(qū)間內(nèi)，MOM12最低值為0.84，要優(yōu)于rMOM12的0.75。

表3 動(dòng)量效應(yīng)的績(jī)效表現(xiàn)

表4 動(dòng)量效應(yīng)的收益分解

圖2 MOM12和rMOM12凈值曲線

2.收益分解

大量學(xué)者的實(shí)證檢驗(yàn)均發(fā)現(xiàn)，動(dòng)量收益的來(lái)源并不是對(duì)稱的，即多頭端的收益往往與空頭端的收益不對(duì)等。因此本部分關(guān)注于資產(chǎn)動(dòng)量的收益分解，檢驗(yàn)多頭端和空頭端對(duì)資產(chǎn)動(dòng)量的貢獻(xiàn)。表4報(bào)告了6種動(dòng)量效應(yīng)多頭端和空頭端的績(jī)效表現(xiàn)，其中多頭端指將資金平均買(mǎi)入形成期內(nèi)收益率或殘差收益率最高的4種資產(chǎn)，而空頭端則是將資金平均賣(mài)出形成期內(nèi)收益率或殘差收益率最低的4種資產(chǎn)，因此表4中的動(dòng)量收益即為多頭端和空頭端的收益平均值。Panel A為多頭端績(jī)效統(tǒng)計(jì)結(jié)果，Panel B為空頭端績(jī)效統(tǒng)計(jì)結(jié)果?？梢钥闯?，除了MOM12之外，其他5種動(dòng)量效應(yīng)的多頭端收益均要高于空頭端。從風(fēng)險(xiǎn)來(lái)看，絕大部分空頭端的標(biāo)準(zhǔn)差均要低于多頭端；MDD和CVaR代表的極端風(fēng)險(xiǎn)同樣可以看出，空頭端的極端風(fēng)險(xiǎn)要比多頭端更?。黄纫诧@示出同樣的特征，即空頭端的偏度要比多頭端更大，說(shuō)明空頭端左偏程度更小，尾部風(fēng)險(xiǎn)更低。因此綜合來(lái)看，動(dòng)量效應(yīng)的收益主要來(lái)自其多頭端，但是空頭端可以更有效地分散和降低投資風(fēng)險(xiǎn)。這從表4和表3中風(fēng)險(xiǎn)的對(duì)比也可以看到，表3中動(dòng)量效應(yīng)的標(biāo)準(zhǔn)差、MDD、CVaR均要低于表4中多頭或空頭的對(duì)應(yīng)值，從而也導(dǎo)致動(dòng)量效應(yīng)的夏普比率大部分高于表4中的多頭或空頭。限于篇幅，圖3僅展示了MOM12多、空頭端的凈值走勢(shì)圖，可以看到其多頭端波動(dòng)更為劇烈，與市場(chǎng)整體走勢(shì)相關(guān)性極強(qiáng)，但是空頭端的波動(dòng)更低，且與市場(chǎng)整體走勢(shì)相關(guān)性較低。

圖3 MOM12多、空頭收益曲線

圖4 多頭端資產(chǎn)權(quán)重（左為MOM12，右為rMOM12）

圖5 空頭端資產(chǎn)權(quán)重（左為MOM12，右為rMOM12）

圖4 和圖5分別報(bào)告了MOM12和rMOM12多頭端和空頭端的資產(chǎn)權(quán)重，6個(gè)月動(dòng)量和3個(gè)月動(dòng)量的結(jié)果較為類(lèi)似，限于篇幅，未列出。這里分別將6種股票類(lèi)、2種債券類(lèi)和4種商品類(lèi)資產(chǎn)的權(quán)重進(jìn)行加總，僅展示出股票類(lèi)、債券類(lèi)和商品類(lèi)資產(chǎn)的總權(quán)重?？梢钥吹剑瑹o(wú)論是多頭端還是空頭端，無(wú)論是總的資產(chǎn)權(quán)重還是時(shí)變的資產(chǎn)權(quán)重，MOM12和rMOM12的資產(chǎn)權(quán)重均較為相似。如在多頭端，MOM12股票、債券和商品的平均權(quán)重分別為45.64%、20.18%和34.17%，rMOM12三者平均權(quán)重分別為57.11%、4.13%和38.76%；在空頭端，MOM12三者平均權(quán)重分別為51.15%、7.57%和41.28%，rMOM12三者平均權(quán)重分別為49.77%、2.75%和47.48%?？傮w來(lái)看，收益動(dòng)量中包含了更多的債券，而殘差動(dòng)量中商品權(quán)重更大。債券資產(chǎn)相對(duì)穩(wěn)健的收益率以及商品資產(chǎn)更低的收益率可能是導(dǎo)致殘差動(dòng)量要低于收益動(dòng)量的原因所在。

（三）投資者情緒對(duì)動(dòng)量收益的影響分析

1.回歸分析

前文的分析表明，通過(guò)資產(chǎn)動(dòng)量可以獲得一定的正向收益，且收益主要來(lái)源于多頭端。本部分主要分析投資者情緒是否對(duì)動(dòng)量收益有顯著影響。表5報(bào)告了回歸結(jié)果，其中設(shè)置了兩個(gè)虛擬變量High和Low，按照SentPLS的高低，取較高的1/3為高情緒組，此時(shí)High為1，其他為0；較低的1/3為低情緒組，此時(shí)Low為1，其他時(shí)間為0；剩下的1/3為中情緒組。由于將High和Low直接作為自變量進(jìn)行回歸時(shí)均不顯著（限于篇幅，未列出回歸結(jié)果），因此表5中設(shè)置了投資者情緒與指數(shù)收益的交叉項(xiàng)進(jìn)行回歸?？梢钥吹?，無(wú)論是收益動(dòng)量還是殘差動(dòng)量，High*Index的系數(shù)均顯著大于0，3個(gè)收益動(dòng)量的Low*Index系數(shù)均顯著小于0，3個(gè)殘差動(dòng)量的Low*Index系數(shù)均不顯著。由此可見(jiàn)，投資者情緒對(duì)動(dòng)量收益有顯著影響，且高情緒能夠顯著正向影響動(dòng)量收益，而低情緒在收益動(dòng)量組有顯著的負(fù)向調(diào)節(jié)作用，但是對(duì)殘差動(dòng)量卻沒(méi)有顯著作用。

表5 動(dòng)量收益的回歸分析

2.分樣本檢驗(yàn)

表5 從數(shù)理基礎(chǔ)上驗(yàn)證了投資者情緒對(duì)動(dòng)量收益的調(diào)節(jié)作用，本部分采用分樣本的方法更深入地研究投資者情緒對(duì)資產(chǎn)動(dòng)量的影響。按照高、低情緒組的劃分標(biāo)準(zhǔn)，統(tǒng)計(jì)相應(yīng)分組下動(dòng)量收益的風(fēng)險(xiǎn)及收益情況，結(jié)果如表6所示。其中Panel A為高情緒期的動(dòng)量效應(yīng)績(jī)效統(tǒng)計(jì)結(jié)果，Panel B為低情緒期動(dòng)量效應(yīng)收益的統(tǒng)計(jì)結(jié)果?？梢钥吹剑薓OM6外，高情緒組的動(dòng)量收益要遠(yuǎn)高于殘差動(dòng)量，如rMOM6在高情緒期的年化收益高達(dá)10.37%，但是在低情緒期卻為-2.28%。從風(fēng)險(xiǎn)的角度來(lái)看，低情緒期的標(biāo)準(zhǔn)差更低，MDD在MOM12和MOM6上有所降低，CVaR在MOM12、MOM3和rMOM12上有所降低，但是低情緒期的偏度均要小于高情緒期。因此綜合來(lái)看，低情緒期的風(fēng)險(xiǎn)雖然有所下降，但是尾部風(fēng)險(xiǎn)卻有一定的上升趨勢(shì)。從夏普比率可以看到，高情緒期時(shí)資產(chǎn)動(dòng)量的夏普比率均提高了很多（MOM6除外），如rMOM12的夏普比率更是高達(dá)1.05?？傮w而言，動(dòng)量效應(yīng)的收益主要來(lái)自高情緒期，低情緒期動(dòng)量效應(yīng)的收益顯著降低，rMOM6和rMOM3甚至表現(xiàn)為負(fù)，驗(yàn)證了前文提出的研究假設(shè)。

表6 不同情緒期下動(dòng)量效應(yīng)績(jī)效統(tǒng)計(jì)

表7 高情緒期時(shí)的動(dòng)量收益分解

3.收益分解

同樣將動(dòng)量收益分解為多頭端和空頭端，考察不同情緒期下動(dòng)量收益的來(lái)源情況，結(jié)果分別如表7和表8所示。其中Panel A均為多頭端績(jī)效統(tǒng)計(jì)結(jié)果，Panel B均為空頭端績(jī)效統(tǒng)計(jì)結(jié)果。從中可以得到非常有意思的結(jié)論：在高情緒期，動(dòng)量效應(yīng)的收益主要來(lái)自多頭端；而在低情緒期，動(dòng)量效應(yīng)的收益主要來(lái)自空頭端。如在高情緒期，MOM12多頭端可以獲得26.01%的年化收益率，但是空頭端的年化收益率卻為-2.46%；在低情緒期，MOM12多頭端的年化收益率為-4.43%，但是其空頭端的年化收益率高達(dá)18.08%。從風(fēng)險(xiǎn)角度來(lái)看，高情緒期時(shí)，其多頭端的標(biāo)準(zhǔn)差要高于空頭端，但是綜合MDD、CVaR和偏度來(lái)看，其尾部風(fēng)險(xiǎn)卻要略低于空頭端；低情緒期時(shí)則恰好相反，空頭端的標(biāo)準(zhǔn)差高于多頭端，但是綜合來(lái)看，尾部風(fēng)險(xiǎn)卻要低于多頭端。與表6的結(jié)果相比可以看到，無(wú)論是多頭端還是空頭端，其風(fēng)險(xiǎn)均要高于兩者結(jié)合的動(dòng)量效應(yīng)，說(shuō)明通過(guò)多、空頭對(duì)沖的方式可以有效降低投資風(fēng)險(xiǎn)?？傮w而言，投資者情緒對(duì)資產(chǎn)動(dòng)量有極其顯著的影響，而且其影響具有極為明顯的非對(duì)稱性，表現(xiàn)為高情緒主要作用于多頭，而低情緒主要作用于空頭，情緒雖然會(huì)增加相應(yīng)多、空頭的波動(dòng)率，但是卻能夠降低以最大回撤為代表的尾部風(fēng)險(xiǎn)。

表8 低情緒期時(shí)的動(dòng)量收益分解

表9 情緒輪動(dòng)動(dòng)量效應(yīng)績(jī)效統(tǒng)計(jì)

4.情緒輪動(dòng)動(dòng)量效應(yīng)

圖6 基于情緒輪動(dòng)的MOM12和rMOM12凈值曲線

從表7和表8中可以看到，投資者情緒可以顯著影響到動(dòng)量效應(yīng)收益。因此我們可以設(shè)計(jì)一個(gè)基于投資者情緒的動(dòng)量效應(yīng)，如在高情緒期時(shí)僅持有多頭頭寸，而在低情緒期時(shí)僅持有空頭頭寸。表9報(bào)告了該情緒輪動(dòng)動(dòng)量效應(yīng)的績(jī)效表現(xiàn)。其中Panel A是收益動(dòng)量的績(jī)效統(tǒng)計(jì)結(jié)果，Panel B是殘差動(dòng)量的績(jī)效統(tǒng)計(jì)結(jié)果。相對(duì)于表3的初始動(dòng)量效應(yīng)，情緒輪動(dòng)動(dòng)量效應(yīng)在收益率上獲得了顯著提升，無(wú)論是標(biāo)準(zhǔn)差衡量的波動(dòng)率風(fēng)險(xiǎn)還是MDD和CVaR衡量的尾部風(fēng)險(xiǎn)，情緒輪動(dòng)動(dòng)量效應(yīng)都有了一定上升，但是從偏度上看，情緒輪動(dòng)動(dòng)量效應(yīng)數(shù)值更大，左偏現(xiàn)象有所改善。從夏普比率來(lái)看，情緒輪動(dòng)策略的風(fēng)險(xiǎn)調(diào)整后收益得到了顯著提升，說(shuō)明依據(jù)投資者情緒設(shè)計(jì)動(dòng)量效應(yīng)可以獲得顯著的超額收益。圖6報(bào)告了基于情緒輪動(dòng)的MOM12和rMOM12的凈值曲線圖，可以看到，兩者的走勢(shì)極為接近，rMOM12的最終凈值略低于MOM12。但是與圖2相比可以看到，情緒輪動(dòng)動(dòng)量效應(yīng)可以獲得更高的投資收益，尤其是在2015年股災(zāi)發(fā)生后，初始動(dòng)量效應(yīng)再也沒(méi)能回到2015年的高點(diǎn)，但是情緒輪動(dòng)動(dòng)量效應(yīng)均在2018年再次創(chuàng)造出新的高點(diǎn)。因此綜合來(lái)看，根據(jù)投資者情緒設(shè)計(jì)的輪動(dòng)動(dòng)量效應(yīng)可以顯著提升動(dòng)量效應(yīng)的投資績(jī)效，并且由于策略設(shè)計(jì)過(guò)程中并沒(méi)有使用到任何未來(lái)數(shù)據(jù)，且調(diào)倉(cāng)頻率很低導(dǎo)致交易成本很低，因此在投資實(shí)踐中也存在著一定的可應(yīng)用性。

（四）穩(wěn)健性檢驗(yàn)

1.分時(shí)間段檢驗(yàn)

為了驗(yàn)證結(jié)果的穩(wěn)健性，本部分做了三個(gè)穩(wěn)健性檢驗(yàn)，分別是采用不同的時(shí)間段、采用不同的情緒代理變量以及變更多、空頭的資產(chǎn)數(shù)量。首先我們按照2015年股災(zāi)（即2015年6月）將樣本窗口分為股災(zāi)前（2011年1月—2015年6月）及股災(zāi)后（2015年7月—2019年12月）兩個(gè)時(shí)間段，并分別統(tǒng)計(jì)在兩個(gè)時(shí)間段下投資者情緒對(duì)動(dòng)量效應(yīng)的影響，表10報(bào)告了研究結(jié)果。限于篇幅，表10僅報(bào)告了收益動(dòng)量的檢驗(yàn)結(jié)果，殘差動(dòng)量的結(jié)果相似。Panel A報(bào)告了股災(zāi)前高情緒時(shí)期的收益動(dòng)量效應(yīng)，Panel B報(bào)告了股災(zāi)前低情緒時(shí)期的動(dòng)量效應(yīng)，Panel C和Panel D分別報(bào)告了股災(zāi)后高情緒時(shí)期和低情緒時(shí)期的動(dòng)量效應(yīng)。可以看到，無(wú)論是股災(zāi)前還是股災(zāi)后，高情緒期的動(dòng)量效應(yīng)均要顯著優(yōu)于低情緒時(shí)期的動(dòng)量效應(yīng)，只是在股災(zāi)前動(dòng)量效應(yīng)的收益更高，股災(zāi)后動(dòng)量效應(yīng)發(fā)生了顯著下降。這與之前的研究結(jié)論是相似的。

表10 基于不同時(shí)間段的穩(wěn)健性檢驗(yàn)

2.更換情緒代理變量

由于情緒是實(shí)證中最關(guān)鍵的變量，因此本部分對(duì)情緒進(jìn)行穩(wěn)健性分析。從圖1可以看到，PLS和PCA構(gòu)造的投資者情緒間相關(guān)性太強(qiáng)，如果采用SentPCA進(jìn)行分析意義不大，因此這里采用新增投資者開(kāi)戶數(shù)作為投資者情緒的代理變量進(jìn)行分析，一方面是因?yàn)樾略鐾顿Y者開(kāi)戶數(shù)在SentPLS中的系數(shù)最大，另一方面是周亮（2017）[32]等學(xué)者的研究表明，新增投資者開(kāi)戶數(shù)在代理投資者情緒時(shí)效果最好。表11報(bào)告了采用新增投資者情緒作為投資者情緒代理變量時(shí)的穩(wěn)健性檢驗(yàn)結(jié)果（篇幅所限，僅列出了高低情緒分組時(shí)動(dòng)量效應(yīng)的績(jī)效表現(xiàn)，整體績(jī)效水平以及更進(jìn)一步的收益分解結(jié)果未列出），其中Panel A是高情緒組中動(dòng)量效應(yīng)的績(jī)效表現(xiàn)，Panel B是低情緒組中動(dòng)量效應(yīng)的績(jī)效表現(xiàn)。與表6的結(jié)果一致，除了MOM6之外，其他5個(gè)動(dòng)量效應(yīng)均在高情緒期表現(xiàn)出更高的收益率，低情緒期的標(biāo)準(zhǔn)差雖然與高情緒期相差不大，但是低情緒期的尾部風(fēng)險(xiǎn)（包括MDD、CVaR和偏度）均要高于高情緒期。因此總體而言，無(wú)論是采用綜合性的投資者情緒指數(shù)，還是采用新增投資者開(kāi)戶數(shù)單一代理變量，均驗(yàn)證了動(dòng)量效應(yīng)在不同情緒期績(jī)效的非對(duì)稱性，研究結(jié)論是穩(wěn)健的。

表11 基于新增投資者開(kāi)戶數(shù)的穩(wěn)健性檢驗(yàn)

3.更換多、空頭資產(chǎn)數(shù)量

表12 多、空頭資產(chǎn)數(shù)穩(wěn)健性檢驗(yàn)

前文在構(gòu)造動(dòng)量效應(yīng)時(shí)多頭和空頭均是采用4種資產(chǎn)，本部分檢驗(yàn)資產(chǎn)數(shù)量是否會(huì)對(duì)結(jié)論產(chǎn)生顯著影響，限于篇幅，僅列出多、空頭資產(chǎn)數(shù)量均為5個(gè)時(shí)的動(dòng)量效應(yīng)績(jī)效表現(xiàn)。未列出的檢驗(yàn)結(jié)果表明，當(dāng)多、空頭資產(chǎn)數(shù)量為3個(gè)或者6個(gè)時(shí)，研究結(jié)論同樣穩(wěn)健，只是當(dāng)資產(chǎn)數(shù)量更少的時(shí)候，收益率相對(duì)越高，但是風(fēng)險(xiǎn)也越大。表12報(bào)告了資產(chǎn)數(shù)為5個(gè)時(shí)的動(dòng)量效應(yīng)績(jī)效表現(xiàn)，其中Panel A是高情緒期時(shí)的績(jī)效統(tǒng)計(jì)，Panel B是低情緒期時(shí)的績(jī)效統(tǒng)計(jì)。可以看到與表6及表11有相類(lèi)似的結(jié)果。除MOM6之外，其他5種動(dòng)量效應(yīng)均在高情緒期獲得了更高的收益率，但是低情緒期的標(biāo)準(zhǔn)差要低于高情緒期，從MDD和CVaR來(lái)看，兩個(gè)樣本區(qū)間各有高低，高情緒期的偏度要大于低情緒期，因此綜合來(lái)看，高情緒期的尾部風(fēng)險(xiǎn)要略低于低情緒期?？傮w而言，無(wú)論是采用4個(gè)資產(chǎn)、5個(gè)資產(chǎn)，還是未列出結(jié)果的3個(gè)資產(chǎn)或6個(gè)資產(chǎn)，研究結(jié)論都是穩(wěn)健的。

五、結(jié)論與啟示

采用2010年至2019年12種大類(lèi)資產(chǎn)的月收益率數(shù)據(jù)，根據(jù)Jegadeesh & Titman（1993）[1]的方法構(gòu)造了傳統(tǒng)的12個(gè)月、6個(gè)月和3個(gè)月動(dòng)量，并借鑒Blitz et al.（2011）[6]的方法，利用CAPM模型構(gòu)造了殘差動(dòng)量。考慮到PLS方法相對(duì)PCA方法能夠更好地去除情緒源指標(biāo)的噪聲部分，因此利用PLS方法分析了投資者信心指數(shù)、新增投資者開(kāi)戶數(shù)、指數(shù)波動(dòng)率、換手率、資金凈流入量及融資余額等6個(gè)指標(biāo)，合成了我國(guó)資本市場(chǎng)上的投資者情緒指標(biāo)，并檢驗(yàn)了其對(duì)大類(lèi)資產(chǎn)動(dòng)量效應(yīng)的影響。實(shí)證結(jié)果發(fā)現(xiàn)：第一，收益動(dòng)量的收益率要普遍高于殘差動(dòng)量收益，長(zhǎng)期動(dòng)量要強(qiáng)于短期動(dòng)量，且動(dòng)量效應(yīng)的收益主要來(lái)自其多頭端，但是空頭端可以更有效地分散和降低投資風(fēng)險(xiǎn)；第二，PLS情緒與PCA情緒相關(guān)性很強(qiáng)，所選源指標(biāo)能夠較好地反映出市場(chǎng)情緒的變動(dòng)，新增投資者開(kāi)戶數(shù)在綜合情緒中的權(quán)重最大；第三，動(dòng)量效應(yīng)的收益主要來(lái)自高情緒期，低情緒期動(dòng)量效應(yīng)的收益顯著降低，rMOM6和rMOM3甚至表現(xiàn)為負(fù)；第四，在高情緒期，動(dòng)量效應(yīng)的收益主要來(lái)自多頭端，而在低情緒期，動(dòng)量效應(yīng)的收益則主要來(lái)自空頭端，根據(jù)投資者情緒設(shè)計(jì)的輪動(dòng)動(dòng)量效應(yīng)可以顯著提升動(dòng)量效應(yīng)的投資績(jī)效。

本文的研究結(jié)論不僅是對(duì)資產(chǎn)定價(jià)及行為金融理論的有力補(bǔ)充，而且對(duì)投資實(shí)踐也具有較強(qiáng)的指導(dǎo)價(jià)值。第一，對(duì)于個(gè)人投資者來(lái)說(shuō)，選取合適的源指標(biāo)衡量市場(chǎng)投資者情緒，并將具體的資產(chǎn)買(mǎi)賣(mài)策略與投資者情緒相結(jié)合，是提升投資績(jī)效的重要舉措。具體而言，由于個(gè)人投資者普遍缺乏較強(qiáng)的數(shù)理計(jì)量技術(shù)，因此可以采用新增投資者開(kāi)戶數(shù)或者金融機(jī)構(gòu)開(kāi)發(fā)的情緒指數(shù)等作為選擇時(shí)的關(guān)鍵指標(biāo)。第二，對(duì)于共同基金等機(jī)構(gòu)投資者而言，由于其數(shù)理計(jì)量技術(shù)較強(qiáng)，可以采用PLS等復(fù)雜技術(shù)開(kāi)發(fā)特定的投資者情緒指標(biāo)，并且由于機(jī)構(gòu)投資者資金實(shí)力較強(qiáng)，所能選擇的金融工具更豐富，面臨的融資約束或做空限制更低，因此可以開(kāi)發(fā)如本文所構(gòu)造的情緒輪動(dòng)投資策略等金融產(chǎn)品，既可以增厚自身的投資收益，也可以為市場(chǎng)提供更豐富的金融產(chǎn)品。第三，對(duì)于市場(chǎng)監(jiān)管層來(lái)說(shuō)，由于投資者情緒的波動(dòng)會(huì)帶來(lái)金融市場(chǎng)的波動(dòng)，因此為了防止金融市場(chǎng)的巨幅震蕩，避免系統(tǒng)性金融風(fēng)險(xiǎn)的爆發(fā)和蔓延，有必要對(duì)市場(chǎng)情緒進(jìn)行實(shí)時(shí)監(jiān)控并在適當(dāng)時(shí)間點(diǎn)向投資者告知風(fēng)險(xiǎn)。如2015年股災(zāi)爆發(fā)前市場(chǎng)情緒過(guò)度狂熱，此時(shí)監(jiān)管層如果能夠提前采取降溫措施，至少可以適當(dāng)降低股災(zāi)對(duì)市場(chǎng)的沖擊和影響。