塵娜 金秀

摘 要：投資者根據(jù)市場狀態(tài)變化進行安全投資轉(zhuǎn)移，引起資產(chǎn)間的資金流動和風險相關性變化。利用Markov狀態(tài)轉(zhuǎn)移模型識別市場狀態(tài)，訂單流差異衡量安全投資轉(zhuǎn)移，基于CAPM的標準化協(xié)方差矩陣衡量風險相關性。研究發(fā)現(xiàn)：我國股市存在熊市、橫盤和牛市三種狀態(tài)，橫盤狀態(tài)下安全投資轉(zhuǎn)移水平急劇提升。在時間維度上，橫盤狀態(tài)下安全投資轉(zhuǎn)移對行業(yè)間風險相關性的影響最大;在截面維度上，同一狀態(tài)下安全投資轉(zhuǎn)移對安全型行業(yè)-風險型行業(yè)所組成行業(yè)對的風險相關性影響程度最大。結(jié)果表明，安全投資轉(zhuǎn)移引起行業(yè)間風險相關性負向變化，使得行業(yè)間風險相關性減少。投資者同時配置受安全投資轉(zhuǎn)移顯著影響的安全型和風險型資產(chǎn)，可以降低投資組合系統(tǒng)性風險。

關鍵詞：風險相關性;安全投資轉(zhuǎn)移;市場狀態(tài);訂單流差異

中圖分類號：F 832.5

文獻標志碼：A

文章編號：1005-9679（2021）02-0015-07

Abstract：As the market regime shifts， flight-to-quality causes capital flowing and risk correlation changing among assets. Markov regime switching model is used to identify market regimes， order flow difference is used to measure flight-to-quality， and risk correlation is measured by standardized covariance matrix of CAPM. The empirical analysis show that：There are bear， sideway and bull regimes and flight-to-quality sharply increase in sideway regime. In the time dimension， the effect of flight-to-quality is biggest in sideway regime; in the cross-sectional dimension， the effect on safe industry-risk industry is biggest. The results show that the negative change of cross-industry risk correlation will decrease risk correlation. Investors can reduce the systemic risk of portfolio by allocating both safe and risk assets which are significantly affected by the flight-to-quality.

Key words：risk correlation; flight-to-quality; market regime; order flow difference

資產(chǎn)間的風險傳導渠道通常分為兩大類：真實聯(lián)系渠道和信息渠道。在真實聯(lián)系渠道上，風險相關性取決于實體經(jīng)濟中的實質(zhì)性物理聯(lián)系，例如國家間的進出口貿(mào)易、國民經(jīng)濟部門間的投入產(chǎn)出等。在信息渠道上，風險相關性取決于金融市場中的投資者交易行為，資產(chǎn)間沒有實質(zhì)性聯(lián)系。Debarsy等（2018）評估風險傳導渠道的相對重要性，結(jié)果發(fā)現(xiàn)信息渠道上的風險傳導較重要。學者們越來越關注信息渠道上投資者交易行為所引起的風險傳導，一些學者基于安全投資轉(zhuǎn)移視角研究資產(chǎn)間的風險相關性。

受經(jīng)濟周期的影響，股市常常表現(xiàn)出非線性、動態(tài)的結(jié)構(gòu)性變化，其運動軌跡在不同狀態(tài)下交替演進。投資者對某一市場狀態(tài)產(chǎn)生恐慌，則賣出風險型資產(chǎn)而買入相對安全的資產(chǎn)，產(chǎn)生安全投資轉(zhuǎn)移。安全投資轉(zhuǎn)移引起資產(chǎn)間資金流動和風險相關性變化。第一，安全投資轉(zhuǎn)移受市場狀態(tài)影響，然而相關研究結(jié)論存在爭議。Cho等（2016）和Li等（2016）研究表明，在熊市狀態(tài)時，投資者對不景氣市場感到恐慌進而發(fā)生安全投資轉(zhuǎn)移;而Kaul等（2017）研究表明，在牛市狀態(tài)時，投資者對未來市場惡化感到恐慌，進行套期保值而發(fā)生安全投資轉(zhuǎn)移。第二，關于安全投資轉(zhuǎn)移與風險相關性的相關研究。Cho等（2016）利用國際凈資本流動捕捉安全投資轉(zhuǎn)移，解釋貨幣市場與股票市場的相關性;Bethke等（2017）利用信用風險因子和流動性風險因子的相關性捕捉安全投資轉(zhuǎn)移，結(jié)果表明風險因子相關性變化影響債券相關性。然而，安全投資轉(zhuǎn)移是指，當投資者感到恐慌時，賣出風險資產(chǎn)并買入安全資產(chǎn)的交易行為。由于安全投資轉(zhuǎn)移是在投資者感到恐慌的情況下發(fā)生的，所以它是一種積極主動的交易行為。在已有安全投資轉(zhuǎn)移與風險相關性的相關研究中，國際凈資本流動和風險因子相關性并不能反映投資者的積極主動性。Kaul等（2017）以大規(guī)模藍籌公司股往往比小規(guī)模融資受限公司股是更安全的投資為前提假設，利用大規(guī)模股票與小規(guī)模股票訂單流差異捕捉安全投資轉(zhuǎn)移。根據(jù)買單和賣單的識別方法，買單（賣單）為成交價格高于（低于）買賣報價中點訂單，說明買家（賣家）更加急迫希望達成交易而選擇妥協(xié)，因而訂單流差異可以捕捉投資交易的積極主動性。

2008—2009年，由于行業(yè)間的風險相關性，始于金融行業(yè)的危機迅速傳染至其他行業(yè)，最終席卷整個經(jīng)濟金融系統(tǒng)，引起全球性金融危機。行業(yè)間的風險相關性對風險管理和投資組合十分重要。本文選擇行業(yè)資產(chǎn)作為樣本，基于安全投資轉(zhuǎn)移視角研究行業(yè)資產(chǎn)間的風險相關性。本文貢獻體現(xiàn)在以下兩個方面：第一，與以往直接采用兩種狀態(tài)的文獻不同，本文利用Markov狀態(tài)轉(zhuǎn)移模型識別我國股市的狀態(tài)，分析不同狀態(tài)下的安全投資轉(zhuǎn)移特征，從新興市場角度為爭議性話題提供新的證據(jù);第二，采用訂單流差異衡量安全投資轉(zhuǎn)移，捕捉該行為的積極主動性，從時間和截面雙重維度研究安全投資轉(zhuǎn)移對行業(yè)間風險相關性的影響，并提出了新的投資策略。

1 模型構(gòu)建

1.1 Markov狀態(tài)轉(zhuǎn)移模型

1.2 安全投資轉(zhuǎn)移測度模型

采用Kaul等（2017）的訂單流差異衡量安全投資轉(zhuǎn)移，計算訂單流差異步驟如下：

第一步，采用Lee和Ready（1991）的方法區(qū)分買單和賣單。將每筆交易的成交價與買賣雙方報價的中點進行比較，當成交價格高于報價中點價格時，則認定該筆交易為買單，反之為賣單：

第二步，計算股票訂單流。將第t月所有買單交易金額與賣單交易金額之差定義為股票訂單流，并通過總交易金額對訂單流進行標準化處理

第三步，根據(jù)上一年最后一個交易日所有股票的賬面市值比和規(guī)模進行雙重分組。首先，按照賬面市值比對所有股票進行排序，依據(jù)30%、70%分位將所有股票分為3組，構(gòu)建低（L）、中（M）、高（H）賬面市值比股票組合;然后，在每個賬面市值比組內(nèi)按照規(guī)模將股票均分為2組，構(gòu)建?。⊿）、大（B）規(guī)模股票組合，共形成6組股票組合。計算6組股票組合訂單流均值SLt、SMt、SHt、BLt、BMt、BHt。訂單流差異定義為大規(guī)模股票組合平均訂單流與小規(guī)模股票組合平均訂單流之差：

1.3 風險相關性測度模型

利用基于CAPM的標準化協(xié)方差矩陣衡量資產(chǎn)間的風險相關性。在第t月，根據(jù)資本資產(chǎn)定價模型（CAPM），行業(yè)收益率為

利用各個行業(yè)的總風險對行業(yè)間風險相關性進行標準化處理，第t月行業(yè)i與行業(yè)k之間的風險相關性為

1.4 狀態(tài)依賴下的安全投資轉(zhuǎn)移與風險相關性的回歸模型

第一步，對行業(yè)進行分類。行為金融學研究表明，出于有限注意和信息缺乏等原因，投資者往往依據(jù)資產(chǎn)的某種屬性，人為地進行資產(chǎn)分類，并據(jù)此進行投資交易。安全性是一種重要的資產(chǎn)屬性，可能成為投資者的分類依據(jù)，因而行業(yè)的安全性類型可能影響安全投資轉(zhuǎn)移，進而影響截面維度風險相關性。

（1）在狀態(tài)st期間，利用貝塔系數(shù)衡量行業(yè)安全性。狀態(tài)依賴下的資本資產(chǎn)定價模型（CAPM）為

（2）根據(jù)行業(yè)安全性大小對行業(yè)進行分類。將10個行業(yè)按照安全性由高至低均分為2類，安全性較高的5個行業(yè)為安全型行業(yè)（s），安全性較低的5個行業(yè)為風險型行業(yè)（d）。

第二步，計算狀態(tài)依賴下的安全投資轉(zhuǎn)移對風險相關性的影響。

（1）根據(jù)行業(yè)的安全性類型，組成3種行業(yè)對。安全型行業(yè)與安全型行業(yè)組成的行業(yè)對（ss）10組、風險型行業(yè)與風險型行業(yè)組成的行業(yè)對（dd）10組和安全型行業(yè)與風險型行業(yè)組成的行業(yè)對（sd）25組。

（2）在狀態(tài)st期間，利用回歸模型計算安全投資轉(zhuǎn)移對風險相關性的影響。狀態(tài)依賴下的安全投資轉(zhuǎn)移與風險相關性的回歸模型為

2 實證分析

2.1 數(shù)據(jù)選取

由于2005年之前的日內(nèi)高頻交易數(shù)據(jù)過少，本文選取2005年1月至2017年12月滬深300指數(shù)及所包括的行業(yè)分類指數(shù)為研究對象。行業(yè)分類指數(shù)依次為能源、材料、工業(yè)、可選、消費、醫(yī)藥、金融、信息、電信、公用10個行業(yè)。市場和行業(yè)的收益率定義為收盤價的自然對數(shù)差，即yt=100（lnpt-lnpt-1），p1為滬深300指數(shù)和行業(yè)指數(shù)的收盤價。數(shù)據(jù)來自Wind數(shù)據(jù)庫和國泰安中國證券市場交易高頻數(shù)據(jù)庫。

2.2 市場狀態(tài)分析

根據(jù)式（1）至式（3），采用Matlab_2016b軟件的MS_Regress工具箱估計Markov狀態(tài)轉(zhuǎn)移模型。根據(jù)對數(shù)似然值和AIC值，發(fā)現(xiàn)我國股票市場最可能存在三種不同的狀態(tài)。三種狀態(tài)的Markov狀態(tài)轉(zhuǎn)移模型的估計結(jié)果如圖1和表1所示。

由圖1可以看出：Markov狀態(tài)轉(zhuǎn)移模型可以很好地劃分市場狀態(tài)。樣本期內(nèi)，中國股票市場分別出現(xiàn)一次明顯的牛市（2006年12月—2009年11月）和熊市（2009年12月—2014年3月），兩次頻繁的狀態(tài)交替（2005年1月—2006年11月、2014年4月—2017年12月），頻繁狀態(tài)交替期間的市場整理形成橫盤狀態(tài)。牛市期間正是股權(quán)分置改革、全面炒股期間;熊市期間與IPO重啟、貨幣政策緊縮時間一致;2005年1月—2006年10月國有股減持與恢復股市機能政策的拉鋸戰(zhàn)使得市場狀態(tài)頻繁交替;2014年4月—2017年12月國際資金注入與場外配資清理造成狀態(tài)頻繁交替。

由表1可以看出：①由Panel A可以看出，熊市、橫盤和牛市三種狀態(tài)持續(xù)的概率都較高，說明三種狀態(tài)都是比較穩(wěn)定的。②由Panel B、C可以看出，三種狀態(tài)的期望收益率和波動率不同。三種狀態(tài)中橫盤狀態(tài)的波動率最低，與實際市場中的“牛皮整理”現(xiàn)象相一致。實際市場中橫盤狀態(tài)下股市無明顯的上漲或下降趨勢，波動幅度較小，價格如同被釘住，如牛皮堅韌，稱為“牛皮整理”。

2.3 狀態(tài)依賴下的安全投資轉(zhuǎn)移分析

根據(jù)式（4）-（5），利用全部A股日內(nèi)分筆交易高頻數(shù)據(jù)計算訂單流差異。根據(jù)圖1的狀態(tài)劃分結(jié)果，得到不同狀態(tài)期間的安全投資轉(zhuǎn)移如圖2所示。

由圖2可以看出：三種狀態(tài)下都存在安全投資轉(zhuǎn)移，并且橫盤狀態(tài)期間安全投資轉(zhuǎn)移水平急劇提稓（如圖2中黑色箭頭所示）。在市場進入橫盤狀態(tài)時安全投資轉(zhuǎn)移水平螺旋式提升;隨著橫盤狀態(tài)時間增長，由于橫盤狀態(tài)的“牛皮整理”特征，投資者難以把握市場方向，心理崩潰形成嚴重恐慌情感，最終引起安全投資轉(zhuǎn)移行為水平急劇提升。

本文通過Markov模型識別市場狀態(tài)數(shù)量，為安全投資轉(zhuǎn)移的相關研究做出貢獻。在以往關于安全投資轉(zhuǎn)移的研究中，出于簡化計算目的，學者們直接采用兩種狀態(tài)，忽略了橫盤狀態(tài)，得出相反的結(jié)論。通過表1和圖1、圖2可以看出，中國股票市場存在三種狀態(tài)，并且在橫盤狀態(tài)期間安全投資轉(zhuǎn)移水平急劇提升，從而從新興市場角度為爭議性話題提供了新的證據(jù)。

2.4 狀態(tài)依賴下的風險相關性分析

根據(jù)式（6）至式（8），計算風險相關性期望時間序列。不同狀態(tài)st期間，風險相關性期望時間序列的描述性統(tǒng)計結(jié)果如表2所示。

由表2可以看出：不同狀態(tài)下的風險相關性存在明顯差異。橫盤狀態(tài)下風險相關性的標準差最大，說明橫盤狀態(tài)下風險相關性不穩(wěn)定性較高，投資者進行風險管理和投資組合的難度較大。

2.5 狀態(tài)依賴下的安全投資轉(zhuǎn)移與風險相關性回歸模型估計結(jié)果與分析

第一步，行業(yè)分類分析。根據(jù)式（9），對行業(yè)進行安全性分類，結(jié)果如表3所示。

由表3可以看出：行業(yè)分類結(jié)果與實際市場中行業(yè)的特點相符合。例如，在三種狀態(tài)下醫(yī)藥行業(yè)均屬于安全型行業(yè)。在實際市場中醫(yī)藥行業(yè)一直受國家宏觀政策的控制，并且行業(yè)產(chǎn)品的需求彈性較小，因而醫(yī)藥行業(yè)在整個經(jīng)濟周期的表現(xiàn)都很穩(wěn)定。

第二步，安全投資轉(zhuǎn)移對風險相關性的影響分析。根據(jù)式（10），估計安全投資轉(zhuǎn)移對風險相關性的影響，結(jié)果如表4至表6所示。

由表4至表6可以看出：①安全投資轉(zhuǎn)移造成行業(yè)間風險相關性負向變動。安全投資轉(zhuǎn)移對風險相關性的影響系數(shù)為負值，說明跨行業(yè)安全投資轉(zhuǎn)移引起資金在行業(yè)間流動，使得一個行業(yè)資產(chǎn)的買進資金力量增強、風險降低，而另一個行業(yè)資產(chǎn)的買進資金力量減弱、風險增大，最終造成風險相關性減少。

②在時間維度上，橫盤狀態(tài)下安全投資轉(zhuǎn)移對行業(yè)間風險相關性的影響最大。已有研究采用兩狀態(tài)，忽視了橫盤狀態(tài)下安全投資轉(zhuǎn)移對風險相關性的影響。橫盤狀態(tài)下安全投資轉(zhuǎn)移對風險相關性的影響最大，與圖2中橫盤狀態(tài)下安全投資轉(zhuǎn)移水平急劇提升的結(jié)論是一致的。橫盤狀態(tài)下安全投資轉(zhuǎn)移引起行業(yè)間資金流動量變化最大，進而導致行業(yè)間風險相關性的變動最大。

③在截面維度上，同一狀態(tài)下安全投資轉(zhuǎn)移對安全型行業(yè)-風險型行業(yè)所組成行業(yè)對（sd）的風險相關性影響最大。為了提高所持有投資組合的安全性，具有安全性偏好的投資者根據(jù)行業(yè)安全性分類結(jié)果進行安全投資轉(zhuǎn)移，引起資金在安全型行業(yè)資產(chǎn)與風險型行業(yè)資產(chǎn)間流動，進而導致安全型行業(yè)-風險型行業(yè)所組成行業(yè)對（sd）的風險相關性變動最大。

④本文結(jié)論提供了一種新的投資策略。安全投資轉(zhuǎn)移引起行業(yè)間風險相關性負向變化，使得行業(yè)間風險相關性減少。投資者同時配置受安全投資轉(zhuǎn)移顯著影響的安全型和風險型資產(chǎn)，可以使得投資組合的標準化協(xié)方差減少、系統(tǒng)性風險降低。尤其是，在無明顯未來走勢的橫盤狀態(tài)時期，投資者除了進行安全投資轉(zhuǎn)移，還可以考慮利用安全投資轉(zhuǎn)移所引起的資產(chǎn)間風險相關性負向變化，同時配置安全型和風險型資產(chǎn)。

3 結(jié)論

經(jīng)濟全球化、金融一體化加速了全球性資本流動，金融市場上資產(chǎn)間聯(lián)系日益緊密。網(wǎng)絡信息技術(shù)和金融衍生產(chǎn)品促進了金融資產(chǎn)間的相關性，更容易造成單一資產(chǎn)問題透過資產(chǎn)間的相關性而形成系統(tǒng)性風險。因此，在市場越發(fā)達、投資渠道越多元化的同時，資產(chǎn)間的相關性對于風險管理和投資組合更加重要。本文基于安全投資轉(zhuǎn)移視角研究風險相關性，結(jié)果表明：第一，我國股市存在熊市、橫盤和牛市三種狀態(tài)。橫盤狀態(tài)下股市無明顯的上漲或下降趨勢，投資者難以把握市場方向，心理崩潰形成嚴重恐慌情感，安全投資轉(zhuǎn)移水平急劇提升。第二，安全投資轉(zhuǎn)移引起資金在行業(yè)間流動，導致行業(yè)間風險相關性負向變動;在時間維度上，不同狀態(tài)下安全投資轉(zhuǎn)移對行業(yè)間風險相關性的影響不同。橫盤狀態(tài)下安全投資轉(zhuǎn)移引起行業(yè)間資金流動量變化最大，因而對行業(yè)間風險相關性影響最大;在截面維度上，同一狀態(tài)下安全投資轉(zhuǎn)移對不同行業(yè)對的風險相關性影響不同。具有安全性偏好的投資者根據(jù)行業(yè)安全性分類結(jié)果賣出安全風險型行業(yè)資產(chǎn)、買入安全型行業(yè)資產(chǎn)，因而對安全型行業(yè)-風險型行業(yè)所組成行業(yè)對的風險相關性影響最大。

本文研究對投資決策具有一定的參考價值。安全投資轉(zhuǎn)移使安全型行業(yè)-風險型行業(yè)之間風險相關性負向變動最大，投資者可以考慮同時配置受安全投資轉(zhuǎn)移顯著影響的安全型和風險型行業(yè)資產(chǎn)，降低投資組合的系統(tǒng)性風險。

參考文獻：

[1] GOREA D， RADEV D. The Euro area sovereign debt crisis：can contagion spread from the periphery to the core？ [J]. International Review of Economics and Finance， 2014， 30（2）：78-100.

[2] BEKAERT G， EHRMANN M. The global crises and equity market contagion [J]. The Journal of Finance， 2014， 69（6）：2597-2649.

[3] BLASQUES F， KOOPMAN S J. Spillover dynamics for systemic risk measurement using spatial financial time series models [J]. Journal of Econometrics， 2016， 195（2）：211-223.

[4] DEBARSY N， DOSSOUGOIN C. Measuring sovereign risk spillovers and assessing the role of transmission channels：a spatial econometrics approach [J]. Journal of Economic Dynamics and Control， 2018， 87：21-45.

[5] TU J. Is regime switching in stock returns important in portfolio decisions？ [J]. Management Science， 2010， 56（7）：1198-1215.

[6] CONNOLLY R， STIVERS C. Stock market uncertainty and the stock-bond return relation [J]. Journal of Financial and Quantitative Analysis， 2005， 40（1）：161-194.

[7] CHO J W， CHOI J H. Flight-to-quality and correlation between currency and stock returns [J]. Journal of Banking and Finance， 2016， 62（1）：191-212.

[8] LI M， ZHENG H. The stock-bond comovements and cross-market trading [J]. Journal of Economic Dynamics & Control， 2016， 73（1）：417-438.

[9] KAUL A， KAYACETIN N V. Flight-to-quality， economic fundamentals， and stock returns [J]. Journal of Banking and Finance， 2017， 80（1）：162-175.

[10] BETHKE S， GEHDE-TRAPP M. Investor sentiment， flight-to-quality， and corporate bond comovement [J]. Journal of Banking and Finance， 2017， 82（1）：112-132.

[11] LEE C， READY M. Inferring trade direction from intraday data [J]. Journal of Finance， 1991， 46（2）：733-746.

[12] PENG L， XIONG W. Investor attention， overconfidence and category learning [J]. Journal of Financial Economics， 2006， 80（3）：563-602.