吳文詩,宋澤芳,b*,張興發(fā),b,李 元,b

(廣州大學 a.經(jīng)濟與統(tǒng)計學院;b.嶺南統(tǒng)計科學研究中心,廣東 廣州 510006)

在金融時間序列研究中，波動率指標一直是學者們感興趣的變量之一，因為它的正確度量和預(yù)測有利于金融資產(chǎn)定價、套期保值和風險管理。影響波動率的因素很多，最早認為影響金融市場波動的主要因素來自宏觀經(jīng)濟帶來的系統(tǒng)性沖擊。隨著市場的日益變化，以及行為金融的誕生，投資者情緒對市場波動的主導(dǎo)作用也日益受到學者們的認可，因而圍繞投資者情緒與市場波動關(guān)系的理論及應(yīng)用研究一直在不斷豐富中。

Bollerslev[1]提出GARCH模型以及基于它的各種擴展模型(GJR-GARCH、TGARCH等)在捕捉波動率的集聚、非對稱等特點方面給出了很好的表現(xiàn)，很長一段時間，許多學者將它們作為波動率的基準模型。值得關(guān)注的是，也有學者將投資者情緒作為經(jīng)濟變量引入到GARCH類模型中，展開了投資者情緒對市場波動的影響研究。Beaumont等[2]將個體投資者情緒引入GARCH-M模型進行研究，發(fā)現(xiàn)波動性在看漲和看跌兩種不同情緒中有顯著的非對稱影響，情緒看跌時，波動性會增加更多。文鳳華等[3]將投資者情緒分為積極與消極情緒，并分別作為股票收益率的解釋變量構(gòu)造AR-GARCH模型，結(jié)果發(fā)現(xiàn)不同投資者情緒波動對股票收益率的波動有顯著沖擊。

在大部分的研究中，同一個模型內(nèi)使用的數(shù)據(jù)是相同頻率的，例如在考慮投資者情緒與市場收益之間的關(guān)系時，往往都是同為日度或月度數(shù)據(jù)。但是實際中頻率不同的數(shù)據(jù)更是常見。如對投資者情緒而言，Backer等[4]利用主成分分析方法所構(gòu)造的情緒度量指標基本是月度頻率的數(shù)據(jù)，沿用它的構(gòu)造方法，易志高等[5]利用封閉式基金折價、交易量、IPO數(shù)量、上市首日收益、消費者信心指數(shù)和新增投資者開戶數(shù)6個單項情緒指標構(gòu)造綜合情緒指數(shù)，也是以月度頻率統(tǒng)計的。

但是研究中所分析的股價數(shù)據(jù)往往是周度、日度甚至是更高頻的數(shù)據(jù)，為了避免不同頻率數(shù)據(jù)納入一個模型中，學者們往往就只能遷就一方變量，選擇同頻的數(shù)據(jù)進行分析，這就使得研究不夠完整，一定程度上會損失一些重要的高頻或低頻信息，使得結(jié)果不盡人意。

為了能夠直接對原始混頻數(shù)據(jù)進行分析，一些針對混頻數(shù)據(jù)的模型應(yīng)運而生。其中，Ghysels等[6]提出混頻抽樣回歸(MIDAS)模型，構(gòu)造將數(shù)據(jù)與不同的采樣頻率結(jié)合起來的回歸模型，實現(xiàn)了將高頻數(shù)據(jù)與低頻數(shù)據(jù)的融合。如何將混頻數(shù)據(jù)引入到分析市場波動的GARCH模型中呢？Engle等[7]從波動分解的思想給混頻波動研究提供了思路，提出了市場總波動具有長期波動和短期波動兩部分的觀點，并將低頻信息作為長期波動引入到GARCH模型?；谠摾碚撍枷?，Engle等[8-9]將自己2008年提出的Spline-GARCH模型與Ghysels的混頻回歸相結(jié)合，提出了廣義自回歸條件異方差混頻數(shù)據(jù)抽樣模型(GARCH-MIDAS)，模型中代表波動率的條件方差以乘法的形式分解成長期波動和短期波動兩部分，其中代表低頻信息的變量作為了長期波動的解釋變量。

GARCH-MIDAS模型設(shè)定經(jīng)濟變量的影響根據(jù)時間順序依次遞減，即固定采用Beta權(quán)重形式融合低頻變量的長期波動影響。但固定的權(quán)重形式或許會因為欠缺對信息本身特征考慮而存在信息損失問題。Ghysels等[10]指出在宏觀經(jīng)濟領(lǐng)域進行預(yù)測時應(yīng)該采用阿爾蒙指數(shù)滯后多項式的權(quán)重形式。于揚等[11]依據(jù)不同的混頻結(jié)構(gòu)，給出了不同情形下混頻回歸模型的權(quán)重形式。這些研究表明，選擇合適的權(quán)重形式可以使得研究結(jié)果更可靠，但多數(shù)研究都是將權(quán)重固定于某種函數(shù)形式。王江濤等[12]在研究高頻時間序列建模時，考慮一種不依賴于函數(shù)形式的自適應(yīng)方法選擇權(quán)重，利用交易特征自動調(diào)整在不同交易時期的權(quán)重分配，結(jié)果表明自適應(yīng)方法下的權(quán)重能更好地結(jié)合函數(shù)自變量描述股價波動特征。這為混頻數(shù)據(jù)的融合提供了一個新的思考方向。自適應(yīng)權(quán)重在混頻數(shù)據(jù)結(jié)構(gòu)中能否發(fā)揮更好的作用？本文考慮將自適應(yīng)的方法融合到GARCH-MIDAS模型中。

另外，圍繞GARCH-MIDAS模型的實證研究中，多以引入低頻的宏觀經(jīng)濟變量為主，如Conrad等[13]使用GARCH-MIDAS模型提取加密貨幣的長期與短期波動。石強等[14]利用GARCH-MIDAS研究日度股市波動與月度宏觀經(jīng)濟因子之間的聯(lián)系。然而針對低頻非宏觀經(jīng)濟變量的投資者情緒對高頻收益的波動性分析研究較少。目前姚堯之等[15]利用GARCH-MIDAS模型研究投資者情緒與股票價格行為之間的關(guān)系發(fā)現(xiàn)，混頻情緒能夠顯著影響收益的長期波動，但研究依舊沿用依靠時間順序這一經(jīng)濟特征，沒有從信息本身特點出發(fā)進行考慮?？紤]到個別股票可能存在研究偏差，本文選擇10個行業(yè)股票作為主體，針對投資者情緒在不同行業(yè)、不同情緒狀態(tài)以及不同經(jīng)濟階段下的情況，在GARCH-MIDAS模型基礎(chǔ)上引入交易特定時期自帶特征的自適應(yīng)權(quán)重形式構(gòu)造模型GARCH-MIDAS-adapt，探討投資者情緒與股市波動之間效應(yīng)的多類因子混頻模型。

1 方 法

1.1 投資者情緒度量

目前國內(nèi)構(gòu)造投資者情緒指標(IS)的方法有多種，本文采用易志高等利用主成分分析法將封閉式基金折價(CEFD)、交易量(TURN)、IPO數(shù)量(IPON)、上市首日收益(IPOR)、新增投資者開戶數(shù)(NIA)以及消費者信心指數(shù)(CCI)合成的月度綜合指標。由于不同指標對投資者情緒的反映可能存在時間上的“提前”或“滯后”，最終運用主成分方法構(gòu)造了投資者情緒指數(shù)作為情緒度量[5]。

1.2 GARCH-MIDAS-adapt模型

為了保證長期波動的值為正，Engle等提出對數(shù)形式的GARCH-MIDAS模型[10]，結(jié)構(gòu)如下：

(1)

(2)

(3)

(4)

其中，ri,t表示某金融資產(chǎn)第t個月的第i天對數(shù)收益率，Ni,t表示第t個月的天數(shù)。度量波動率的條件方差τt·gi,t分解成了兩部分，分別為短期波動gi,t和長期波動τi,t。低頻經(jīng)濟變量Xt及它的滯后項Xt-k反映長期波動。上述模型待估參數(shù)為：μ、α、β、m、θ、ω1、ω2，平穩(wěn)性條件：0<α+β<1，0<α,β<1。

利用Beta權(quán)重函數(shù)φk(ω)(式4)對經(jīng)濟變量長期波動的影響進行綜合，K是模型最優(yōu)下的滯后階數(shù)?？紤]到Beta權(quán)重函數(shù)權(quán)重分配隨時間滯后遞減的形式可能會忽略特定時期信息，因此，本文仿照GARCH-MIDAS方法，利用以下自適應(yīng)權(quán)重函數(shù)進行提煉：

(5)

其中，xt是某種與收益率相關(guān)的低頻變量。結(jié)合式(1)～(3)及(5)，構(gòu)建了GARCH-MIDAS-adapt模型。借鑒王江濤等[12]權(quán)重函數(shù)自變量方法，本文選用月度振幅數(shù)據(jù)作為自適應(yīng)權(quán)重函數(shù)的自變量。該函數(shù)中K是模型最優(yōu)下的滯后階數(shù)，λ決定了權(quán)重函數(shù)的大致形態(tài)。為刻畫低頻變量xt變化與長期波動具有同步變化的效果，將λ設(shè)定為λ>0。

1.3 統(tǒng)計推斷

1.3.1 參數(shù)估計

本文使用擬極大似然估計(QMLE)的方法得到各參數(shù)估計值，模型的似然函數(shù)為

(6)

1.3.2 模型預(yù)測

預(yù)測絕對誤差：

(7)

預(yù)測方根誤差：

(8)

進一步將GARCH-MIDAS模型預(yù)測誤差與GARCH(1,1)模型預(yù)測誤差相比得到相對預(yù)測絕對誤差(rMAE)和相對預(yù)測方根誤差(rRMSE)以評價模型的預(yù)測效果。

為了說明GARCH-MIDAS-adapt模型樣本外預(yù)測結(jié)果的穩(wěn)健性，本文借鑒Hansen[17]提出的檢驗預(yù)測能力的SPA檢驗方法，通過設(shè)定基準預(yù)測模型(GARCH(1,1))優(yōu)于其他預(yù)測模型(GARCH-MIDAS-adapt)的原假設(shè)，利用均方和絕對損失函數(shù)L(ξt,δk,t)定義相對損失變量dk,t=L(ξt,δ0,t)-L(ξt,δk,t)，進而構(gòu)造相對損失變量的檢驗統(tǒng)計量，并利用bootstrap算法抽樣得到相應(yīng)P值。其中ξt是隨機變量，δk,t表示第k個預(yù)測模型，k=0表示基準預(yù)測模型。

1.3.3 經(jīng)濟來源貢獻率

為進一步探討長期波動存在的價值意義，衡量投資者情緒對股市波動的貢獻，本文借鑒Engle等對長期波動的衡量方法，基于長期波動與總波動的關(guān)系，分別采用比率1:Var(log(τ))/Var(log(τg))與比率2:Var(log(τ))/Var(log(τrwgrw))來說明經(jīng)濟變量的解釋波動能力。其中比率2分母固定為滾動時間的已實現(xiàn)波動率的條件方差，將模型歸一化[9]，進而得到每個模型對股市波動的解釋能力差異。

2 實證分析

2.1 數(shù)據(jù)來源與描述性統(tǒng)計

為了更全面了解投資者情緒與整個股市波動的影響，本文選取上證10個行業(yè)的每日收盤價為研究對象，分別為能源、材料、工業(yè)、可選(可選消費)、消費(主要消費)、醫(yī)藥、金融、信息、電信和公用行業(yè)。時間區(qū)間為2009年1月9日至2021年2月23日，每個行業(yè)的樣本量為2 949。以上數(shù)據(jù)均來源于同花順網(wǎng)站，并對收盤價進行以下處理得到各行業(yè)對數(shù)收益率：

rj,d=100×(log(pj,d)-log(pj,d-1))

(9)

j=1,2,…,10，分別對應(yīng)10個行業(yè)，pd和pd-1分別代表在d期和d-1期的日度收盤價。

投資者情緒指標數(shù)據(jù)來源于國泰安數(shù)據(jù)庫，運用主成分分析，使用下式得到情緒指數(shù)IS，其中t表示第t個月。

ISt=β1CEFDt+β2TURNt-1+β3IPONt+

β4IPORt+β5NIAt-1+β6CCIt

(10)

圖1為10個行業(yè)收盤價與標準化投資者情緒指標的基本走勢。表1為收益率與投資者情緒指標描述性統(tǒng)計結(jié)果。在單位根(ADF)檢驗與拉格朗日乘子(LM)檢驗中所有統(tǒng)計量顯著，說明序列平穩(wěn)且具有ARCH效應(yīng)。

圖1 10個行業(yè)收盤價與投資者情緒指標時序圖Fig.1 Tendency of closing prices of 10 industries and investor sentiment index

表1 描述性統(tǒng)計Table 1 Descriptive statistics

2.2 GARCH-MIDAS-adapt模型實證結(jié)果

因為本文實證數(shù)據(jù)研究所得各行業(yè)的BIC值具有隨滯后階數(shù)K增加而逐漸減小的特點，所以所有模型固定滯后階數(shù)為12個月。根據(jù)月度振幅數(shù)據(jù)與月度投資者情緒關(guān)系，振幅數(shù)據(jù)選擇固定滯后階數(shù)分配權(quán)重。

2.2.1 引入投資者情緒的GARCH-MIDAS-adapt模型估計結(jié)果

將投資者情緒IS作為經(jīng)濟變量X引入到GARCH-MIDAS-adapt模型中，構(gòu)建了引入投資者情緒的GARCH-MIDAS-adapt模型，記為M1。結(jié)果顯示，各個行業(yè)參數(shù)θ顯著且表現(xiàn)出的正反向作用表明作為長期波動的投資者情緒會影響股市波動的上升或下降。參數(shù)λ顯著也說明了自適應(yīng)權(quán)重函數(shù)有效性，振幅更大時期的信息所帶來的情緒變化對股市波動影響更大，符合經(jīng)濟規(guī)律，見表2。

表2 引入投資者情緒的GARCH-MIDAS-adapt模型估計結(jié)果Table 2 Estimation results of GARCH-MIDAS-adapt model with investor sentiment

通過與GARCH(1,1)、GARCH-MIDAS模型的極大似然值LLF、BIC值比較，發(fā)現(xiàn)無論什么行業(yè)下，GARCH-MIDAS-adapt模型下的似然函數(shù)值都大于GARCH(1,1)和GARCH-MIDAS模型，其BIC值也小于另兩個模型。說明引入自適應(yīng)權(quán)重和非宏觀經(jīng)濟變量的投資者情緒指標對股市波動擬合效果有明顯提升。以上結(jié)論表明，投資者情緒對股市波動的影響具有一定的研究意義。

表3反映了投資者情緒對波動的貢獻程度。

表3 GARCH-MIDAS-adapt模型中投資者情緒的貢獻率Table 3 The contribution of investor sentiment in GARCH-MIDAS-adapt model

從表2可以看到，各行業(yè)股市波動對投資者情緒的反映程度不同，從參數(shù)θ水平值來看，除工業(yè)行業(yè)外，其余行業(yè)的參數(shù)θ為正說明投資者情緒波動對大部分行業(yè)股市波動有正向促進作用。從絕對值來看，醫(yī)藥行業(yè)受投資者情緒的影響最大，其對應(yīng)的表3貢獻率也是最大的。這讓人們對醫(yī)藥行業(yè)的傳統(tǒng)認知有了全新的了解，日常生活中醫(yī)藥行業(yè)與經(jīng)濟景氣關(guān)聯(lián)度較小，人們潛意識認為金融、材料和工業(yè)等這些行業(yè)受投資者情緒影響會更大，但從長期波動角度來看，醫(yī)藥行業(yè)作為與人們生活緊密相關(guān)的行業(yè)，才是受投資者情緒影響最大的，這也從側(cè)面說明了長期波動與短期波動的區(qū)別，以往研究股市波動大多是基于傳統(tǒng)GARCH類模型，關(guān)注短期波動而忽略了長期波動在這過程中的作用。公用行業(yè)自帶的政策約束性使得該行業(yè)股市發(fā)展受到一定牽制，結(jié)果也表明該行業(yè)所受影響最小，貢獻率占比也是最小的。整體來看，作為長期波動的投資者情緒在大部分行業(yè)股市波動中的作用不可忽略。

2.2.2 擴展GARCH-MIDAS-adapt模型估計結(jié)果

為著重比較投資者情緒對股市波動的影響，在GARCH-MIDAS-adapt模型(M1)下擴展了以下M2-M7模型：

(11)

(12)

(13)

(14)

(15)

(16)

考慮到單一因子對波動的影響無法同時捕捉多個變量的邊際貢獻，多個因子的引入可能創(chuàng)造更多可能性以及更好捕獲到長期波動成分從而提高模型的估計和預(yù)測效果[14]。本文設(shè)置3種多因子模型，引入式(14)～(16)，分別記為模型M5、M6、M7。

結(jié)果表明，本文所設(shè)置的所有模型的對數(shù)極大似然值與BIC值都優(yōu)于GARCH(1,1)、GARCH-MIDAS模型，且重要參數(shù)顯著。由于文章篇幅有限以及研究需要，表4只列出了10個行業(yè)下分別對應(yīng)的7個模型的主要參數(shù)估計，整體來看，單因子與多因子模型中參數(shù)θ大部分都具有顯著性，參數(shù)絕對值與水平值在各模型各行業(yè)間各不相同，單因子和多因子模型分別產(chǎn)生不同影響。

從表4模型比較來看，在4種單因子模型中，不同經(jīng)濟指標對不同行業(yè)的影響有明顯差異。在3種多因子模型中，受因子之間的關(guān)系影響，多因子的結(jié)合會呈現(xiàn)出與只存在單因子時的不同向的作用，因此，長期波動的因子選擇還需結(jié)合實際情況進行判斷。

表4 10個行業(yè)GARCH-MIDAS-adapt模型主要參數(shù)估計結(jié)果Table 4 Estimation results of main parameters of GARCH-MIDAS-adapt model for 10 industries

圖2中的各模型貢獻率整體表現(xiàn)出更多的長期信息加入貢獻率更高的趨勢，尤其醫(yī)藥行業(yè)貢獻率顯著突出。且不同模型對不同行業(yè)貢獻率趨勢接近，如比率2中的能源、材料、電信、可選、消費和電信行業(yè)。股市波動受多方面的影響，分別將模型M1、M2和 M6組合，模型M1、M3和M5組合，大部分行業(yè)貢獻率有顯著提升。因此，對行業(yè)股市波動中考慮多個因子可以更全面了解潛在的長期波動。

圖2 衡量經(jīng)濟來源貢獻率Fig.2 Measuring the contribution of economic sources

2.2.3 擴展GARCH-MIDAS-adapt模型預(yù)測結(jié)果

分別以GARCH(1,1)、GARCH-MIDAS為基準模型進行預(yù)測對比，樣本外預(yù)測固定為24個月。圖3中給出了10個行業(yè)rMAE和rRMSE值。當結(jié)果小于1時，說明在該行業(yè)下該模型的預(yù)測效果可能優(yōu)于基準模型。

從模型比較來看，圖3中模型依次有6、5、8、0、7、7、8個行業(yè)優(yōu)于GARCH(1,1)模型?？梢钥闯觯m然模型M4預(yù)測效果不如GARCH(1,1)，但與投資者情緒因子有關(guān)的模型M1、M2、M5、M6和M7中有50%以上行業(yè)因為加入了該因子而改善預(yù)測精度，同時也說明了混頻模型的構(gòu)建可以提高預(yù)測精度。投資者情緒作為長期波動，在預(yù)測過程中起到了一定作用。但與圖2中的多因子貢獻率占比更高的結(jié)論相比，多因子的預(yù)測效果并沒有優(yōu)于單因子，而是基本保持與單因子持平的狀態(tài)。因此，預(yù)測效果圖給出了更多參考。

圖4中模型分別有超過60%行業(yè)優(yōu)于GARCH-MIDAS,除能源行業(yè)，其余行業(yè)在7種模型下預(yù)測結(jié)果小于0或接近1。因此，自適應(yīng)權(quán)重函數(shù)相較于Beta函數(shù)具有更佳預(yù)測效果。

圖3 擴展GARCH-MIDAS-adapt模型與GARCH(1,1)模型相比預(yù)測結(jié)果Fig.3 The prediction results of extended GARCH-Midas-adapt model are compared with GARCH (1,1) model

圖4 擴展GARCH-MIDAS-adapt模型與GARCH-MIDAS模型相比預(yù)測結(jié)果Fig.4 The prediction results of extended GARCH-MIDAS-adapt model are compared with GARCH-MIDAS model

從混頻數(shù)據(jù)角度出發(fā)，為了說明構(gòu)造的GARCH-MIDAS-adapt模型預(yù)測效果且具有穩(wěn)健性，僅從預(yù)測效果好的行業(yè)個數(shù)判斷并不穩(wěn)妥。本文借鑒Hansen的模型預(yù)測能力檢驗方法(SPA)[17],構(gòu)造兩個原假設(shè)：①單因子GARCH-MIDAS-adapt模型預(yù)測效果優(yōu)于GARCH(1,1)模型；②多因子GARCH-MIDAS-adapt模型預(yù)測效果優(yōu)于GARCH(1,1)模型；采用10 000次運算的Bootstrap方法得到SPA檢驗相應(yīng)的P值在表5中列出。大部分行業(yè)結(jié)果具有顯著性，表明無論單因子還是多因子GARCH-MIDAS-adapt模型，該預(yù)測能力都優(yōu)于GARCH(1,1)模型，且具有一定的穩(wěn)健性。

綜合模型的估計、經(jīng)濟來源貢獻率以及預(yù)測效果這3個方面來看，投資者情緒的加入能對股市波動進行更好的描述，自適應(yīng)權(quán)重函數(shù)也發(fā)揮了顯著的作用。

2.3 不同情緒狀態(tài)下的GARCH-MIDAS模型實證結(jié)果

以投資者標準化情緒指標(NIS)作為基準劃分為情緒高漲期和情緒低落期，在不同情緒期分別構(gòu)造GARCH-MIDAS-adapt模型，探討不同情緒狀態(tài)對股市波動的影響。表6給出主要參數(shù)估計結(jié)果，整體來看，不同的情緒狀態(tài)下參數(shù)θ水平值、絕對值截然不同。

表5 單因子和多因子GARCH-MIDAS-adapt模型預(yù)測能力SPA檢驗結(jié)果(P值)Table 5 SPA test results of predictive ability of single factor and multi factor GARCH-MIDAS-adapt models (P value)

表6 不同投資者情緒狀態(tài)下的主要參數(shù)估計Table 6 Estimation of main parameters in different investor sentiment states

不同情緒狀態(tài)下，模型M1、M2分別有3、7個行業(yè)表現(xiàn)出反向作用。且在低落期，模型M1、M2的參數(shù)絕對值都有8個行業(yè)大于高漲期狀態(tài)，模型M6中也存在相同特征。表6中大部分行業(yè)在投資者情緒低落時的影響要大于高漲期的影響，表現(xiàn)更為強烈。結(jié)合股市波動中存在的杠杠效應(yīng)，結(jié)果合理。對比全樣本下醫(yī)藥行業(yè)受投資者情緒影響最大的結(jié)論來看，不同情緒下的估計結(jié)果有很大區(qū)別。在高漲期時，醫(yī)藥行業(yè)受投資者情緒影響最大，在低落期時，材料行業(yè)受影響最大。

2.4 不同經(jīng)濟階段的GARCH-MIDAS-adapt模型實證結(jié)果

在2015年，多渠道推動股權(quán)融資以及投資者大幅度增加資金杠桿使得在2015年6月之間融資呈爆發(fā)式增長。之后多方平臺的加入以及實施投資者減少資金杠桿的政策，使得股價出現(xiàn)崩潰式下跌。從圖1中也可以看出2015年各行業(yè)收盤價暴漲后暴跌的趨勢，且情緒在2015年6月前后明顯有正負效應(yīng)。因此，本文將全樣本分別分成2009.01-2015.06和2015.7-2021.02兩個時間子樣本，探討不同經(jīng)濟階段投資者情緒所產(chǎn)生的影響在長期波動上是否與整體有所不同。

綜合表2、表7中結(jié)果進行比較，全樣本與子樣本之間在參數(shù)絕對值、參數(shù)正負取向上都顯著不同。因此，不同經(jīng)濟階段的研究具有一定研究意義。在T1、T2時模型M1、M2參數(shù)絕對值最大的行業(yè)都與全樣本結(jié)果不同，投資者情緒的長期波動影響出現(xiàn)顯著變化。

表7的不同階段對比顯示，大部分行業(yè)間無明顯增減，但能源行業(yè)參數(shù)在兩階段差異明顯，且M1、M2模型還表現(xiàn)出相反的增長趨勢，即不同指標在兩個階段表現(xiàn)為相反作用。參數(shù)絕對值差距也可看出股民們對2015年國際油價大跌引發(fā)的暴漲暴跌有強烈的心理斗爭與博弈。

表7 2個子樣本主要參數(shù)估計Table 7 Estimation of main parameters of two sub samples

綜合表7、圖5中的結(jié)果，T1階段的整體貢獻率更突出，尤其是可選和電信行業(yè)。但金融行業(yè)在C2階段的貢獻率不降反升，經(jīng)濟事件的影響在金融行業(yè)得到充分體現(xiàn)。相比全樣本，投資者情緒也在C2階段大部分行業(yè)參數(shù)絕對值達到最大值，從側(cè)面反映出投資者情緒在經(jīng)歷經(jīng)濟事件后產(chǎn)生的顯著影響。綜合全樣本與子樣本可以發(fā)現(xiàn)更多隱含的長期波動信息。

圖5 不同經(jīng)濟階段貢獻率(比率1)Fig.5 Contribution of different economic stages (ratio 1)

從波動分解角度來看，圖1中的各行業(yè)收盤價走勢圖明顯在2015年6月前的趨勢更加平緩，而在之后走勢具有十分明顯的下降后上漲趨勢，變化幅度極大。綜上子樣本的結(jié)果，給出一個合理的結(jié)論：長期波動在趨勢平緩或非平緩階段都能發(fā)揮其作用。全樣本更突出投資者情緒作為長期波動的特性，子樣本更突出不同經(jīng)濟階段下各行業(yè)的表現(xiàn)情況。

3 結(jié) 論

本文引入投資者情緒構(gòu)建GARCH-MIDAS-adapt模型，探討投資者情緒對股市波動的影響。實證結(jié)果表明：①投資者情緒作為股市波動里的長期波動成分對大部分行業(yè)具有研究意義，其中醫(yī)藥行業(yè)受投資者情緒影響最大;②相比于GARCH(1,1)和GARCH-MIDAS模型，加入混頻信息和自適應(yīng)權(quán)重對各行業(yè)股市波動的擬合和預(yù)測都有不同程度的提升;③在不同情緒狀態(tài)下，高漲期對醫(yī)藥行業(yè)影響更大，低落期對材料行業(yè)影響更大。從擬合效果來看，低落期相較于高漲期對股市波動作用更大;④長期波動不區(qū)分股價市場平緩與非平緩階段，不同經(jīng)濟階段同樣存在影響;⑤投資者情緒與投資者情緒增長率之間在個別行業(yè)展現(xiàn)出不同向作用，對投資者情緒的研究給出了多一個因素的參考。

實證結(jié)論表明，GARCH-MIDAS-adapt模型解決了股票收益與投資者情緒之間的不同數(shù)據(jù)頻率問題，自適應(yīng)權(quán)重的方法也提供了更準確的信息變化。在不同行業(yè)、不同情緒狀態(tài)以及不同經(jīng)濟階段，股市波動反映不同。因此，綜合多方面情況考慮，可以更有效全面了解到各行業(yè)股市波動。作為影響股市波動因素中的一員，投資者情緒充當著不可或缺的角色。