华安证券–“学海拾珠”系列之四:资产定价,昼与夜的故事【投资策略】_研报

【研究报告内容摘要】 本篇是“学海拾珠”系列第四篇,摘选自论文《AssetPricing:Ataleofnightandday》的核心结论。 作为资本资产定价的入门级公式,CAPM长久以来在实际市场中表现不佳,市场风险(beta)与经典的日度收益率(close-to-close)之间的相关性很弱,本文作者创造性地提出了一个观点:股票日内收益(open-to-close)和隔夜收益(close-to-open)对于beta的敏感度是完全不同的。 为检验CAPM在每天不同时间段内的表现形式,本文以美股为样本,将股票收益拆分成日内收益和隔夜收益两部分,分别研究两者和beta的相关性,实证结果表明,日内收益与beta负相关,而隔夜收益与beta正相关,由此得到了两条非常漂亮的、描述日内和隔夜收益与beta关系的证券市场线(SML),beta在昼与夜中演绎着不同的故事。 本文还补充分析了一些可能遭受质疑的点,比如beta的估测是通过隔夜收益计算的,隔夜收益的“隔夜”实际上可能不止一夜。并进行了结果的稳健性分析,在控制了行业、规模等因素以及外部消息冲击状况下,上述结论依然成立。此外,在美国以外的欧洲,亚洲等国际资本市场上,这个结果同样得到了验证。 经典CAPM(close-to-close)的失效原因可能是无风险率在日内高、隔夜低导致的。美国国债期货的日内和隔夜回报率的符号的相反也对CAPM的失效有着一定的解释力。

阅读附件全文请下载:华安证券–“学海拾珠”系列之四:资产定价,昼与夜的故事【投资策略】_研报

31209159

敬请参阅末页重要声明及评级说明 证券研究报告 金融工程 金融工程/专题报告 主要观点: 本篇是“学海拾珠”系列第四篇,摘选自论文 《Asset Pricing: A tale of night and day》的核心结论。 作为资本资产定价的入门级公式,CAPM长久以来在实际市场中表现 不佳,市场风险(beta)与经典的日度收益率(close-to-close)之间的相关 性很弱,本文作者创造性地提出了一个观点:股票日内收益(open-to-close) 和隔夜收益(close-to-open)对于beta的敏感度是完全不同的。 为检验CAPM在每天不同时间段内的表现形式,本文以美股为样本, 将股票收益拆分成日内收益和隔夜收益两部分,分别研究两者和beta的相 关性,实证结果表明,日内收益与beta负相关,而隔夜收益与beta正相关, 由此得到了两条非常漂亮的、描述日内和隔夜收益与beta关系的证券市场 线(SML),beta在昼与夜中演绎着不同的故事。 本文还补充分析了一些可能遭受质疑的点,比如beta的估测是通过隔 夜收益计算的,隔夜收益的“隔夜”实际上可能不止一夜。并进行了结果 的稳健性分析,在控制了行业、规模等因素以及外部消息冲击状况下,上 述结论依然成立。此外,在美国以外的欧洲,亚洲等国际资本市场上,这 个结果同样得到了验证。 经典CAPM(close-to-close)的失效原因可能是无风险率在日内高、隔 夜低导致的。美国国债期货的日内和隔夜回报率的符号的相反也对CAPM 的失效有着一定的解释力。 资料来源:华安证券研究所整理 风险提示 本文结论基于历史数据、海外情况进行测试,不构成任何投资建议。 资产定价:昼与夜的故事 ——“学海拾珠”系列之四 报告日期: 2020-08-03 分析师:严佳炜 执业证书号: S0010520070001 邮箱:yanjw@hazq.com 分析师:朱定豪 执业证书号:S0010520060003 邮箱:zhudh@hazq.com 相关报告 1.《波动率如何区分好坏?——“学海 拾珠”系列之一》2020-07-12 2.《偏度之外:股票收益的不对称性— —“学海拾珠”系列之二》2020-07-20 3.《价格张力:股票流动性度量的新标 尺——“学 海拾珠 ”系列之 三》 2020-07-28 金融工程/专题报告 敬请参阅末页重要声明及评级说明 2 / 25 证券研究报告 正文目录 1 引言 ……………………………………………………………………………………………………………………………………………………………….. 4 2 数据和方法 …………………………………………………………………………………………………………………………………………………….. 6 3. 结果 ………………………………………………………………………………………………………………………………………………………………. 7 3.1 BETA组合 ……………………………………………………………………………………………………………………………………………………… 7 3.2 行业、规模、和账面市值投资组合 ……………………………………………………………………………………………………………….. 12 3.3 现金流、再贴现率消息BETAS ……………………………………………………………………………………………………………………….. 14 3.4 双重分类的投资组合 ……………………………………………………………………………………………………………………………………. 15 3.5个股 ……………………………………………………………………………………………………………………………………………………………. 16 3.6 交易策略 …………………………………………………………………………………………………………………………………………………….. 18 4 .讨论 ……………………………………………………………………………………………………………………………………………………………… 19 4.1 宏观经济公告 ……………………………………………………………………………………………………………………………………………… 19 4.2 交易日SML …………………………………………………………………………………………………………………………………………………. 21 4.3 无风险利率的变化 ……………………………………………………………………………………………………………………………………….. 22 5. 结论 …………………………………………………………………………………………………………………………………………………………….. 23 风险提示: ………………………………………………………………………………………………………………………………………………………. 24 uZxXbYhZqUmMsPaQcM9PmOrRtRqQkPpPwOeRnNsRaQnMqMMYpPqMNZnRtQ 金融工程/专题报告 敬请参阅末页重要声明及评级说明 3 / 25 证券研究报告 图表目录 图表 1 按BETA分类的美国昼夜间收益(1992-2016) …………………………………………………………………………………………… 4 图表 2 美股隔夜和日内收益(1992-2016) ………………………………………………………………………………………………………….. 7 图表 3 BETA分类投资组合的国际昼夜间回报(1990-2014年) ……………………………………………………………………………… 8 图表 4 国际昼夜间回报(1990-2014年) …………………………………………………………………………………………………………….. 9 图表 5 根据收盘回报率估算的美国BETA分类投资组合的昼夜间回报(1992-2016) ……………………………………………… 10 图表 6 根据收盘回报率估算的国际BETA分类投资组合的日夜回报(1990-2014) ………………………………………………… 10 图表 7 美国昼夜间回报率、(按关闭的夜数分组)(1992-2016) ………………………………………………………………………. 11 图表 8 国际昼夜间回报(按关闭夜间数分组)(1990-2014) ……………………………………………………………………………… 12 图表 9 美国十个BETA分类,10个行业和25个规模/BM投资组合昼夜间回报(1992-2016) ………………………………… 13 图表 10 美国十个BETA分组,10个行业和25个规模/BM投资组合昼夜间回报(1992-2016) ………………………………. 13 图表 11 美国按现金流和贴现率BETA值分类的投资组合昼夜间回报(1992-2016) ……………………………………………….. 14 图表 12 美国双重分类投资组合昼夜间回报(1992-2016) ………………………………………………………………………………….. 15 图表 13 国际双重分类昼夜间回报(1990-2014) ………………………………………………………………………………………………… 16 图表 14 美国个股昼夜间回报(1992-2016) ………………………………………………………………………………………………………. 17 图表 15 国际个股昼夜间回报(1990-2014) ………………………………………………………………………………………………………. 17 图表 16 BETTING AGAINST AND ON BETA 策略(1992-2016) …………………………………………………………………………………. 18 图表 17 使用三重分类投资组合的BETTING AGAINST AND ON BETA 策略(1992-2016) …………………………………………… 19 图表 18 宏观经济公布日美国BETA分类投资组合回报(1992-2016) …………………………………………………………………… 20 图表 19 美国BETA分类投资组合交易日回报(1993-2016) …………………………………………………………………………………. 21 图表 20 美国24-H,日内、夜间BETA分类投资组合回报(1993-2016) ……………………………………………………………….. 22 图表 21 美国国债期货昼夜间回报(1993-2016) ………………………………………………………………………………………………… 23 金融工程/专题报告 敬请参阅末页重要声明及评级说明 4 / 25 证券研究报告 1 引言 系统性的市场风险定价是现代资产定价的核心。在资本资产定价模型(CAPM)中, 每项资产的市场风险暴露都会被其市场beta值捕获。单项资产的风险溢价为其beta值 乘以市场风险溢价。因此,CAPM模型的主要横截面含义是:如果市场风险溢价为正, 单个资产的风险溢价与其beta值成正比。然而大多经验的研究表明,股票横截面上的 beta值和收益关系并不大。Black 等人(1972) 曾证明,美股的证券市场线(SML)相对于 CAPM的预测而言过于平坦。 研究发现,风险-回报的关系只在特定的时期为正。通过检验CAPM在每天不同 时间段内的有效性来进一步拓展测试CAPM在特定日期和月份上的时间变化,结果表 明beta和收益之间的关系的符号取决于市场是否开放交易。当股市休市时,beta与横 截面上的收益率正相关,市场在交易中时,beta与横截面上的收益率呈负相关。这两 种风险-收益关系对于美股和国际股票的beta分类投资组合、10个行业和25个账面市 值组合、现金流beta和贴现率beta、美股个股和国际股市中的个股,以及不同长度的 市场封闭期都成立。 如图1所示,为美国所有股票滚动估计了12个月内每日的股票市场beta。由于日 内收益和隔夜收益的拆分需要开盘价,所以选取了1992-2016年作为样本期。然后依 据beta将股票等权分为10组,并对投资组合的收益进行平均,通过整个样本估计得 出排名后的beta。图1分别绘制了市场开放时(日内,红点和线)和休市(夜间,青 色点和线)时,每个投资组合的平均已实现的百分回报率和平均市场beta的图像。 图1表明,隔夜收益和beta值之间的关系是单调递增的,日内收益和beta之间呈 负相关,且均在统计学上显著。而将日内收益和隔夜收益合并时得到的经验SML是平 坦的或略微向下倾斜的。 对于按beta分类的组合,日内和隔夜beta分类组合平均收益率的变化,几乎都可 图表 1 按beta分类的美国昼夜间收益(1992-2016) 所有美国公开上市的普通股票的10个按照beta分类投资组合的平均(同等加权)日回报率与市场beta值。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 5 / 25 证券研究报告 以通过市场beta的变化来解释。日内收益率的R方为92.2%,隔夜收益率的R方为 96.2%,而当日和夜间的SML合并在一起时,重新得出的24 h SML是平坦的。当把日 内和夜间分开时,beta值最高的组合日内收益最低(-8个基点),但同时它的隔夜收 益最高(20个基点)。同一投资组合在一天内的不同时间段的表现不同。这个结果是具 有稳健性的,图1中的关系无论是使用日内、夜间还是从收盘到收盘得到的收益率来 估计beta值都是成立的。即使在控制个股特征(规模、账面市值和过去的表现)时, 上述结论也依然成立且不取决于休市时间的长短。 根据以上结论来探究两种”betting against beta and on beta”的多空交易策略: (1)第一种交易策略是基于个股的,需要在夜间做空低beta值的股票、做多高 beta值的股票(”betting on beta”),然后在开盘时反转头寸,做空高beta值的股票、 做多低beta值得股票(”betting against beta”)。每只股票收益率的权重由其市场beta 值和样本beta的平均值在夜间和其在日内的相反值的差来衡量。 (2)第二种交易策略是基于投资组合的,需要在最高beta值的组合中做多,并 通过在夜间做空最低beta值的组合来对冲头寸(betting on beta),然后在日内反转两 个头寸(betting against beta)。其中日内的betting against beta不是beta中性的。 第一个交易策略产生的平均日回报率为0.10%,标准为0.79%,夏普比率为0.13。 年化后,平均回报率为25.2%,夏普比率为2.03。第二种策略产生的平均日回报率为 0.44%,标准差为1.80%,夏普比率为0.24。年化后,平均回报率为108.4%,夏普比率 为3.78。结果表明,当投资者无法交易时,beta是衡量系统性风险的重要指标。当资 产缺乏流动性时,持有高beta值的股票投资者会要求更高的回报率,这与CAPM 假 设的“即投资者是长期的,不会重新平衡投资组合”的基本前提一致; 夜间SML的截距为负,意味着休市时无风险利率为负。在股市开市交易的时候, SML向下倾斜,与传统的风险-收益关系相悖。这表明日内投资者选择了在最小方差边 界上无效的部分作为市场投资组合。与夜间SML相反,日内SML的截距为正。这些 结果共同表明,24小时CAPM模型的的失效与昼夜间的斜率和截距不同有关。一种可 能性是,相对于标准模型,日内的市场收益太低且无风险利率太高。 计算近五年期和十年期美国国债期货的收益来直接检验图1中无风险利率在昼夜 间的变化是否可靠。国债期货交易中定义了期债基差减去持有收益为净基差(BNOC), 因此不能完全代表无风险利率,但仍提供了“关于日内和隔夜无风险利率是否不同” 这一问题的有用见解。结果表明,国债期货收益率在日内为正,夜间为零或负,且两 者都在经济和统计学上显著。国债期货的昼夜模式与昼夜SML截距所隐含的昼夜无风 险利率模式一致。 过去的研究虽然没有预测到日内的SML会向下倾斜,但以下研究提出了对“24 小时SML过于平坦的结论”的可能解释。 (1)Black(1972,1992)指出:如果违反了“投资者可以使用无风险利率自由借贷” 这一假设,SML的斜率将小于预期市场超额收益。这是因为受杠杆约束的投资者可以 通过投资偏向高风险、高beta值的资产来达到理想的风险程度。因此,高beta资产比 低beta资产需要更低的风险溢价。 (2)Frazzini和Pedersen(2014)在Black的杠杆约束思想的基础上,推导出“约 束CAPM”,使得股票风险溢价可以由借款约束的拉格朗日乘数降低。这种新的CAPM 模型允许在拉格朗日乘数大于股票市场超额收益的情况下出现负斜率。但他们也指出, 虽然理论所隐含的风险溢价低于CAPM所隐含的风险溢价,但它仍然是正值,极不可 能为负值。 (3)Jylha(2018)将美联储最低初始保证金要求的变化作为借贷约束的外在度量。 金融工程/专题报告 敬请参阅末页重要声明及评级说明 6 / 25 证券研究报告 他发现,在保证金要求较低的月份,经验SML的斜率为正,接近CAPM的预测。虽 然这种与保证金约束有关的SML在斜率和截距上的变化与昼夜变化类似,但是借贷约 束并不产生负的风险溢价,因此不能解释昼夜间斜率和截距的不同。 过往的文献研究表明:一般而言美国隔夜收益高于日内收益;某些股票往往在交 易日的特定半小时内系统性地比其他股票表现更好;注意力受限的投资者买入的股票 会推高前一天涨幅较大的股票的开盘价。 有研究发现,1993年至2013年美股的动量利润仅在夜间累积;整个交易日和隔 夜的回报率在横截面上存在巨大差异。 有学者指出:“极端投资组合之间的收益差异并不能充分用于检验收益随风险的 单调变化”。本文通过探究预期收益和beta之间的全截面关系,研究了美国以外的股 票、行业和美国的账面市值的投资组合,以及现金流beta和贴现率beta,进行了日内 和夜间SML的隐含无风险利率的相关证明,在最后美国国债期货的日内和隔夜回报率 的符号的相反也为24小时CAPM的失败提供了更多见解。 2 数据和方法 本文使用的数据来自多个数据库。美国股票的回报率来自证券价格研究中心 (CRSP),公司资产负债表数据来自Compustat,国外的数据来自Datastream,文中仅 使用普通股股票进行研究。美国的普通股在CRSP中被识别为具有10或11的股票代 码,文章采用Hou和van Dijk(2019)编制的普通股票列表来选取非美国股票。最终 的数据涵盖了39个非美国国家(1990-2014)和美国(1992-2016)指定年份期间的日 数据。按照Lou等人(2019)的方法,在t日构建隔夜收益: R t N =(1+R t close−to−close )/(1+R t open−to−close )−1 (1) 其中,日内收益为 R t open−to−close =R t D =(Close t −Open t )/Open t 。美股的收盘 到收盘的收益率用CRSP中提供的公司行动调整后的持有期回报(RET)来表示;其 余股票使用Datastream中提供的公司行动调整后的价格指数RI(filed RI)来构建收盘 到收盘的收益率。外国收益是使用当地货币计算的,且节假日和周末前后的收盘时间 间隔可能会超过24小时。 数据过滤条件。去除16个股票日收益率超过了1,000%数据。Datastream数据筛选 方法与研究45个不同国家的非流动性溢价的数据筛选方法相同。最终数据中只包括满 足以下三个条件的数据: (1)交易量至少为100美元 (2)Datastream中的公司行动调整后的价格指数RI(filed RI)高于0.01 (3)从收盘到收盘的收益(R i,t )的绝对值低于200的股票。此外,如果第t天或第 t-1天的收益率高于100%,则只有在两天期间测得的回报率至少为50%(即,(1+ R i,t )/(1+R i,t−1 )−1>50%)时,才保留这个股票日期。由于本文的重点是隔夜收 益,所以除上述过滤条件外,仅包括开盘价为正的股票交易日。最后将日内收益或隔 夜收益的绝对值大于200%的股票日排除在外。 在12个月的滚动窗口中(不少于30日收益)使用个股夜间回报率,将它们与市 场夜间回报率R M N 进行回归,构建每只股票i在m月上的beta β i,m p : R i,m,t N =α i,m N +β i,m p R M,m,t N +ε i,m,t N (2) 对于每个国家来说,市场指数为该国所有股票的价值加权投资组合,且在给定日 期使用不少于10只股票。 金融工程/专题报告 敬请参阅末页重要声明及评级说明 7 / 25 证券研究报告 在回归时,采用Fama-MacBeth步骤并分别计算昼夜间收益的系数: 푅 푖,푡+1 푁/퐷 =휉 0 푁/퐷 +휉 1 푁/퐷 훽 ̂ 푖,푡 푝 +휀 푖,푡 푁/퐷 (3) 其中훽 ̂ 푖,푡 푝 为在等式(2)中估计的t期的资产i的市场beta,푅 푖,푡+1 푁/퐷 为资产i的日内/ 隔夜收益。 除了使用Fama-MacBeth模型对夜间和日内分别进行回归外,还搭建了面板回归: 푅 푖,푡+1 =휉 0 +푓 푡+1 +휉 1 훽 ̂ 푖,푡 푝 +휉 2 퐷 푡+1 +휉 3 훽 ̂ 푖,푡 푝 퐷 푡+1 +휀 푖,푡+1 (4) 其中푅 푖,푡+1 是夜间或日内收益,퐷 푡+1 为是否为日内收益的虚拟变量,푓 푡+1 为固定日内收 益。该模型可以直接用于测试昼夜隐含风险溢价是否不同。 3. 结果 3.1 beta组合 (1)对于美国股票的研究 本节研究日内和隔夜的SML。根据等式(2)使用1992年至2016年、以一年期为滚 动窗口的每日隔夜收益来估计所有美股的月度股市beta。然后将股票划分为十等份的 beta等权投资组合,对投资组合的回报率取平均值。图1分别绘制了开市时(日内, 红点和线)和闭市时(隔夜,青色点和线)每个投资组合的平均已实现回报率(百分 比)和平均投资组合市场beta。 日内的点位体现了平均回报率和beta值之间的负相关关系,夜间平均收益和beta 值之间显著正相关。对于按beta分类的投资组合,几乎所有日内和夜间平均回报率的 变化都可以由市场beta的变化来解释的。正如多篇论文所报告的那样(Fama和French, 2004),当日内和夜间的SML合并在一起时,重新得出的24小时SML的走势平坦。 beta值最高的投资组合日内回报率最低,夜间回报率也最高,说明同一天的不同时间 段内同一投资组合有着不同的表现。 表2展示了对价值加权型和等权型组合的回归结果。除月度投资组合排名后的beta 值是用滚动窗口的年度每日的夜间回报而不是整个样本估计的外,投资组合的构建方 法与图1中使用的方法相同,然后被分到十等分的beta价值加权组合或等权投资组合 中的一个。 图表 2 美股隔夜和日内收益(1992-2016) 10个beta分类测试投资组合的日收益率(百分比)对beta的Fama-Macbeth和日固定效应面板回归 1%、5%和10%水平的统计学意义分别用‡、†和∗表示。数据来自CRSP。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 8 / 25 证券研究报告 组A显示了价值加权组合的结果。在日内使用Fama-MacBeth步骤估计等式.(3)时, 发现价值加权回报的斜率为负数意味着风险溢价为负,夜间相反。标准误差使用最多 十个滞后期的Newey-West估计量调整序列相关性。组B显示了等权重投资组合的结 果。与组A类似,日收益率的斜率明显为负。因此,等权投资组合的截距与价值加权 投资组合正负相同。 在图2中,标准误差在面板回归中以日为单位集中进行回归。日内和夜间SML斜 率之间的差异在Day×β的回归系数中体现。通过使用合并方法在单一的面板回归(4) 中来估计夜间和日内SML之间的斜率系数的差异。组A显示了价值加权组合的结果。 标准误差使用最多十个滞后期的Newey-West估计量调整序列相关性。在日内,当使用 Fama-MacBeth步骤估计等式 (3)时,发现价值加权回报的斜率为负值,也就意味着风 险溢价为负。而夜间回报率的结果相反。夜间减去日内隐含的股市风险溢价为14.1个 基点,在统计上和经济上都具有显著性。组B 显示了等权重组合情况下的类似结果, 条件SML的斜率比Fama-Macbeth回归的昼夜斜率相加得到的值大很多。捕获日减去 夜alpha的日内虚拟变量的系数接近于从Fama-Macbeth回归中减去日内和夜间Alpha 得到的值。 (2)拓展到国际股票的研究 前面的结论专门针对美国股票市场。为拓展结论,接下来对其他国家的股票进行 了同样的测试。将通过数据筛选的其他国家分为两个区域–“欧盟”和”亚洲”。欧盟地区 由法国、德国、希腊、以色列、意大利、荷兰、挪威、波兰、南非、西班牙、瑞典、 瑞士和英国组成。 亚洲地区包括澳大利亚、中国、中国香港、印度、印度尼西亚、日 本、韩国、新西兰、菲律宾、新加坡和泰国。数据来自Datastream,涵盖1990-2014年。 与处理美股时方法相同,在每个国家/地区形成预先排序过的投资组合。所有的收 益都以当地货币计算。投资组合的收益为平均值,对每个国家/地区的排名后的beta 值分别进行估计。图中使用的beta值是用整个样本进行估计;使用的beta值是用一年期 的滚动窗口中进行估计。且每个投资组合的收益率和beta都是在区域内所有国家上进 行加权平均的。 图3 分别绘制了欧盟地区(左图)和亚洲地区(右图)日内(红点和线)和夜间 图表 3 beta分类投资组合的国际昼夜间回报(1990-2014年) 样本中39个国家所有公开上市的普通股票的10个beta分类投资组合的加权平均日回报率和市场beta 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 9 / 25 证券研究报告 (青色点和线)投资组合的平均已实现收益(百分比)和投资组合平均beta值。 日内SML在这两个地区非常相似:欧盟和亚洲地区的斜率分别为为-27个基点和 -25个基点,截距分别为28 和26个基点。虽然这些数值高于美国的同类数值,但日 内CAPM却非常相似,都体现了低beta值股票投资组合的高平均回报率,以及高beta 投资组合的低平均回报率。欧盟和亚洲地区的一个显著差异是,前者的푅 2 比后者高得 多(93.6%对60.7%)。 和美股一样,欧盟和亚洲地区的平均隔夜收益和beta之间都是强正相关的,相应 的斜率分别为14 和19个基点,与美国的14个基点的斜率接近。两个地区的截距符 号相反(欧盟为负,亚洲为正),但在统计上并不显著。亚洲的夜间SML比欧盟更容 易识别,因为前者的푅 2 比后者高。这一结果可被归结为是由这些地区间对夜间和日内 的监管差异所致。 图4是对价值加权型和等权型国际股票组合的回归结果。构建投资组合的步骤与 图3 相同,但月度投资组合beta值是用一年的日收益率来进行估算的。汇集所有国际 股票来提高检验能力,并使用国家虚拟变量来控制在回报率中特定国家-地区的收益变 化。因为截距并不带有太多的经济学含义且混合了不同国家的无风险利率,所以只报 告了隐含的股票市场风险溢价,其标准误差在面板回归中以日为单位汇总。 组A 展示了对价值加权投资组合的估计。在Fama-Macbeth步骤中,价值加权日 回报率的斜率为-12.7个基点,意味着国际股票的风险溢价为较大的负数,而在夜间相 反。隔夜减日内隐含的股市风险溢价为20.6个基点,在统计上和经济上都具有显著性。 隔夜回归的平均R 2 为31.32%。Fama-MacBeth步骤的类似结果也出现在组B中的等权 投资组合中:日回报率的斜率是较大的负数且与隔夜收益有明显的正相关关系。隔夜 减去日内风险溢价与美股的风险溢价接近。隔夜和日内回归的平均R 2 分别为32.97%和 38.28%。 通过合并方法来估计单个面板回归的隔夜和日内SML之间的斜率系数差异,昼夜 SML之间的差异斜率由Day×β的回归系数来体现。结果表明,无论是美股(1992-2016) 还是国际股票(1990-2014),市场风险溢价总是夜间为正,日内为负。这与“作为长 期投资者的隔夜边际投资者对持有市场beta值较高的股票提出的更高的回报要求”这 一前提是一致的。在日内,高beta值的股票已经赚取了股市的”折扣”(即负股票溢价), 符合日内的边际投资者作为风险偏好投机者对高市场beta值的股票的需求。 以上的beta值为使用隔夜回报率估计出来的,下面再使用从收盘到收盘的回报率 图表 4 国际昼夜间回报(1990-2014年) 本表报告了,十种按beta分类的测试组合的,每日beta收益(以百分比表示)按国家和日两个维度固定效应面 板回归的结果。1%、5%和10%显著性水平分别用‡、†和∗表示。数据来自Datastream。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 10 / 25 证券研究报告 来重新构建股票市场beta值。图5分别绘制美股日内(红色点和线)和隔夜(青色点 和线)每个投资组合的平均已实现收益率相对于平均投资组合市场beta值的关系。结 果表明,日内回报率与股市beta值的负相关关系比图1-图2 中的更强,beta值每增加 1,日内回报率减少18个基点(图1 中为15个基点)。 夜间回报率与市场beta值有同样显著的正相关性:beta值每增加1,夜间平均回 报率就会增加14个基点。此外,两条线的R 2 分别为日内回报率96.2%和夜间回报率 96.8%。在这种情况下,市场beta值的变化可以解释无论是日内还是夜间平均收益率 的变化,甚至比用收盘到开盘的收益所计算出的beta值的解释效果更好。 图6绘制了每个投资组合的平均已实现百分比收益与使用收盘收益计算的平均投 资组合beta的图像,其中左图为欧盟地区、右图为亚洲地区。日内回报率与股票市场 的beta斜率呈负相关性,而对欧盟和亚洲地区来说平均隔夜收益和beta值之间都是强 正相关性。因此主要结论对被用于构建市场beta的收益选择来说是具有稳健性的。 由于结果是通过使用回报率和beta值来计算的,而这些回报率和beta值的计算并 图表 5 根据收盘回报率估算的美国beta分类投资组合的昼夜间回报(1992-2016) 所有美国公开上市的普通股票的10个按照beta分类投资组合的等权平均(同等加权)日回报率(百分比)与市 场beta值。 资料来源:华安证券研究所整理 图表 6 根据收盘回报率估算的国际beta分类投资组合的日夜回报(1990-2014) 样本中39个国家(非美国)所有公开上市的普通股票的10个按照beta分类投资组合的平均(等权)日回报率 (百分比)和市场beta。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 11 / 25 证券研究报告 不以市场关闭的时间长短或计算回报率的夜数为条件,所以下面将分别对一晚、两晚、 三晚和四晚的收益率进行重新估计。数据根据市场休市天数被分成四组时,隔一夜的 组是最大的一组,有4,536个样本,其次是两天(三夜收益,代表两天周末或假日) 休市,有1,049个样本,然后是三天(四夜收益,代表假日延长周末)休市,有148 个样本。两夜收益,主要是代表一周中间的假期,是最小的一组53个样本。 图7中B组“两夜收益”的斜率在Fama-MacBeth回归或在面板回归(β除外)中 均不显著。这是因为53个“两夜收益”的日期之前正好有1个非交易日,从而降低了 测试的效果。组A 报告了Fama-Macbeth和面板回归的隔夜收益的结果。Fama-MacBeth 步骤的日内回报率的斜率为-11.6基点,并且在经济上和统计上都是显著的。在隔夜回 报率中,Fama-Macbeth的斜率为11.7个基点,t统计量为12.61。昼夜风险溢价和日内 减去隔夜Alpha与合并回归的所得的对应数字接近。C组(即三个夜间的收益)展现 了一个非常类似的情况。结论在D组中得到了进一步的证实。 除两晚的收益外,夜间隐含的股市风险溢价将随着休市时间的长短(计算收益的 夜数)而增加。通过使用Fama-Macbeth和面板回归均发现这与“风险厌恶型投资者在 较长的非交易期内持有高风险证券需要更高的溢价”是一致的。对于日内的回报,当 使用面板回归估计时,股市折价随着计算收益的夜数的增加而增加。当使用Fama- MacBeth 回归估计从三夜到四夜的回报率时,股市折价略有下降。股市折价增加与持 有高beta资产的投资者由于预期市场封闭时间较长而更急于抛售它们从而推动其价格 进一步下跌这一规律是一致的。 图表 7 美国昼夜间回报率、(按关闭的夜数分组)(1992-2016) 对美国股票按beta分类后的等权投资组合的日收益率相对于投资组合beta进行Fama-MacBeth回归和日期固 定效应面板回归。结果按交易时段之间闭市的夜间数分类。组A、B、C 、D 分别汇总了市场休市一、二、 三、四晚的结果。 1%、5%和10%显著性水平的统计学意义分别用‡、†和∗表示。数据来自CRSP。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 12 / 25 证券研究报告 图8将结论从图7扩展到了国际样本。对于国际股票,隔夜收益有4381个样本, 是最大的一组,其次是三夜收益,有1177个样本,然后是四夜收益,有1052个样本。 尽管两晚收益也是最小的一组有878个样本,但比美国股市的要大得多。 Fama-Macbeth回归的所有日内斜率都是负的,与使用的步骤无关,并且在统 计学上是显著的。除了两晚的回报外,所有夜间斜率都是正的且显著。在国际股 票的条件下使用Fama-Macbeth步骤,但并没有发现股市溢价/折价与股票市场休 市时间的长度之间有一个明显的单调关系。总的来说对日内股市折价和夜间股市 溢价的结论在不同的国家和不同的休市时间内都是成立的。 接下来使用建立在公司特性上的个股和组合作为测试资产,以此研究结果是 否具有稳健性。 3.2 行业、规模、和账面市值投资组合 在迄今为止使用的10个按beta分类的组合的基础上,增加了10个行业和25 个规模和账面市值分类组合(25个Fama-French 组合)。对美股使用基于CRSP 领域SICCD的Fama和French十大行业分类;对国际股票使用FTSE 的静态行业 分类(Datastream field ICBIN)。按照Fama 和French(1992)的方法,利用股票 的当前市场权益在6月形成规模投资组合。为避免纳斯达克股票过度充斥小型股 票投资组合,仅使用纽约证券交易所的分叉点将所有美国股票分类到规模投资组 合中。 图9分别绘制了每个投资组合在日内(红点和线)和隔夜(青色点和线)的 的平均已实现回报(百分比)和平均市场beta的图像。日均收益率与股票市场beta 值呈强负相关,且与beta分类投资组合的斜率接近。回归的R 2 等于63.7%表明, 10个行业和25个Fama-French 投资组合的平均日回报率的大部分变化是由其股票 市场beta引起的。 图表 8 国际昼夜间回报(按关闭夜间数分组)(1990-2014) 国际股票等权投资组合相对投资组合bata的日收益进行Fama-Macbeth回归和在国家和日期两个维度固定 效应条件下进行面板回归,结果按交易时段之间闭市的夜数分类。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 13 / 25 证券研究报告 隔夜平均收益与股市beta值之间的关系是强正相关,但没有beta分类组合的 情况下那么大。而股票市场beta值的变化仅解释了10个行业和25个Fama-French 组合的平均隔夜回报率变化的30%,远远低于beta分类组合的96.3%的解释率。 日内和隔夜平均回报率之间的净平均市场风险溢价等于27个基点,从统计上和经 济上来说都是非常显著的。 图10报告了对价值加权型和等权型投资组合的回归结果。 组A 显示价值加权的组合的结果,日内和隔夜SML斜率的等于-18.0个基点, 接近于使用Fama-MacBeth步骤得到的-15.5个基点。β上的回归系数等于8.5个基 点,t统计量为5.70。条件SML的斜率远高于Fama-MacBeth回归的昼夜斜率相加 得到的0.7个基点的值。捕捉日内减去隔夜的alpha因子的日内标记虚拟变量的系 数等于20个基点,接近于使用Fama-MacBeth回归得到的17.4个基点。组B的结 果与等权重投资组合的结果类似,就Fama-Macbeth步骤而言,隐含的风险溢价与 日内收益负相关,与隔夜回报正相关。隔夜减日隐含风险溢价等于21.4个基点。 图表 9 美国十个beta分类,10个行业和25个规模/BM投资组合昼夜间回报(1992-2016) 本表展示美国公开发行的普通股票10个beta分类、10个行业,以及25 个Fama-French 测试组合的等权平均 日回报率(百分比)和市场beta。 资料来源:华安证券研究所整理 图表 10 美国十个beta分组,10个行业和25个规模/BM投资组合昼夜间回报(1992-2016) 本表展示了对10个beta分类、10个行业,以及25 个Fama-French 测试组合的日回报率(百分比)进行 Fama-MacBeth和日固定效应面板回归的结果。 1%、5%和10%显著性水平的统计学意义分别用‡、†和∗表示。数据来自CRSP。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 14 / 25 证券研究报告 对等权投资组合利用面板回归得到的日减夜隐含风险溢价等于-29.1个基点,t 统计量为-9.69。其幅度大于用Fama-Macbeth步骤得到的-21.4个基点。β回归系数 等于12.7个基点,t统计量为9.32 。条件SML的斜率又一次远远高于将 Fama-Macbeth回归的昼夜斜率相加得到的-2个基点。捕捉日内减去隔夜的alpha因 子的日内标记虚拟变量等于26.2个基点,比使用Fama-Macbeth回归得到的值19个 基点略大。合并回归的푅 2 为39.57%。 结果表明,10个行业和25个Fama-French 投资组合的隔夜收益和日内收益平 均回报率的很多变化都是由它们的股市beta值引起的。 3.3 现金流、再贴现率消息betas 市场投资组合的价值可能会因为投资者收到有关未来现金流或贴现率的坏消 息而下降。关于未来现金流量的坏消息意味着投资者的财富减少,若投资机会没 有改变,反之同理。将市场beta分解为现金流β(或”坏”β)和贴现率β(或”好”β)。 下面将测试结果是由好beta、坏beta还是两者共同导致的。 如果不同类型的投资者将自己暴露在不同的市场beta值下,并且由同一类型 的投资者选择在日内或晚上持有股票,将会看到不同的市场beta值成分在日内和 晚上的回报率是不同的。 构建个股的现金流量消息beta(βi,CF)和贴现率消息beta(βi,DR)。然后在每个月 将所有的股票分别划分为10个现金流量beta组合,在每个现金流beta组合中,将 所有股票分为十个贴现率beta组合。为了计算排名后beta值,计算每个投资组合 的月度收益的协方差与整个样本的贴现率消息或现金流消息的协方差,从而得到 排名后的协方差。然后用市场回报率的方差将这两个协方差拆分来表示,使现金 流消息和贴现率消息beta加起来等于股票市场(CAPM)beta。 图11分别在日内和隔夜绘制了每个投资组合现金流消息beta和贴现率消息 beta的平均已实现收益(百分比)对比投资组合平均beta的图像。日内现金流和 贴现率消息风险溢价均为负值且显著。 现金流消息的R 2 为91.5%和贴现率消息的R 2 为85.3%。由此可见,beta值能够 捕捉到实际交易日的大部分变化。相反,隔夜现金流和贴现率消息风险溢价均为 正值且显著。此时的R 2 更高,现金流消息的R 2 分别为96.2%和91%。现金流消息 的夜减去日风险溢价等于74个基点,贴现率消息的夜减日风险溢价等于51个基 图表 11 美国按现金流和贴现率beta值分类的投资组合昼夜间回报(1992-2016) 本图显示了所有美国公开上市的普通股的10 个beta分类投资组合的等权平均日回报率和市场beta。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 15 / 25 证券研究报告 点。夜减日的效果对坏beta的影响更大印证了“它是由投机交易引起的这一观点。 3.4 双重分类的投资组合 本节比较了双重分类投资组合的平均已实现的日内和隔夜收益。首先根据以 下控制因素,将每个月的股票分别按市值(ME)、账面市值(BM)、从 2 至11 个月之前的累计回报率或”动量”(MOM)、 上月累计回报率或“逆转(反向)”(REV) 以及特波动率(估计股市beta的回归中的残差)(IVOL)分类为五个投资组合。 然后再在每个分组中,将股票按照beta分为五个从小到大的投资组合。最后,将 每个月和每个beta组合的回报率汇总到一起。这里虽然使用了等权汇总法,但结 果依然具有稳健性。 A和B组分别报告了美股隔夜和日内的平均已实现收益。对于所有控制变量 而言,beta值最高的投资组合的隔夜收益为正,日内收益为负。此外,对于所有 控制变量来说,隔夜收益率随股市beta值的增加而增加,日内收益率随股市beta 值的增加而降低。 在夜间的多空组合中,通过规模和特异波动率分类的投资组合赚取的回报率 最大。根据反转因子分类的投资组合赚取的HB-LB收益率最小,其次是动量组合, 之后是账面市值组合。 在日内的多空组合中,通过特异性波动率分类的投资组合 赚取的回报率最小,规模组合赚取的回报率次小 规模组合的夜间和日内高beta投资组合的夜间减日内收益率最大,而反转投 资组合的净收益率最低。低beta投资组合的结果不同于前面的高beta组合,其中 特异波动率投资组合赚取的夜盘减日盘组合回报率最小。 综上所述,图12表明,具有高市场beta值的(规模、账面市值、动量、反转 和特异波动率)投资组合在隔夜表现良好,而在日内表现较差。市场beta值较低 的投资组合则与之相反,在日内表现良好,而在晚上表现较差。 图表 12 美国双重分类投资组合昼夜间回报(1992-2016) 本表报告了美国预测性双重分类投资组合的平均日收益率。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 16 / 25 证券研究报告 图13的A和B 组分别展示了国际股票的平均已实现的隔夜收益和日内收益。 除一个例外,该结果与图12中的美股非常类似。在所有控制因子中,beta值最高 的投资组合的日内收益和隔夜收益均为正值。但高beta值回报的动量和特异性波 动率在日内呈弱负值,隔夜为正值。然而对所有控制因子而言,隔夜收益均随股 市beta值单调递增,日内收益均随股市beta 值单调递减。 多空组在夜间的收益均为正值(规模组合的收益最大),在日内的收益均为 负值(特质波动率组合的收益最小)。账面市值高beta投资组合的夜盘减日盘回 报最大。而反转投资组合的净回报率最低。与美股一样,低beta组合的结果也是 不同于高beta组合的。特质波动率和规模投资组合赚取了最小和第二小的收益, 夜间减日内组合收益分别为-11.5个基点和-11.4个基点。 结果表明,受多种因素的影响,高市场beta值的股票赚取了明显的隔夜风险 溢价和日内风险折价, 该结果适用于美国国内和国际股票。 3.5个股 目前的结果表明,对于国内和国际上的各种股票投资组合来说,隔夜收益与 市场beta值呈强烈的正相关性,而日内收益与市场beta值呈强烈的负相关性。 接下来评估beta值解释个股日内和隔夜收益的差异的能力。分别对美国和国 际股票在公司股票市场beta上已实现的收益进行Fama-MacBeth(组A)和面板回 归(组B)。在组B中使用了包括公司规模(size)、账面市值比(BM)和过去 一年的收益作为控制指标(PastReturn)。 如图14所示,与投资组合的结论一致,股票回报率与隔夜的市场beta值正相 关。同时发现,合并回归的结果比Fama-Macbeth的结果要弱:即日减夜的风险溢 价仅为-0.6个基点,t统计量为-5.28,而在Fama-MacBet步骤中,这一差异等于-13.1 个基点。单个股票的条件SMI斜率(beta的回归系数)与通过Fama-MacBeth回归 将日内和隔夜的斜率相加而获得值相似。捕获日内减去隔夜Alpha的日内标记虚 拟变量系数小于1个基点,在统计学上没有意义。合并回归的平均푅 2 为1.54%。 图表 13 国际双重分类昼夜间回报(1990-2014) 本表报告了国际预测性双重分类投资组合的平均日收益率。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 17 / 25 证券研究报告 在组B 中得到的关于隔夜收益的结论与现有文献中的标准结果一致:规模与 平均回报率具有强负相关性。其他结论与标准结果不一致:账面市值与平均回报 率呈强烈负相关,beta值与平均回报率呈强烈正相关。 日内的规模的系数始终显著,账面市值与平均收益率正相关,过去收益率的 系数由负转正但始终显著,β的系数始终显著。 以下结论使用了类似于公式(4)的具有日固定效应的合并回归来证明。日减 夜风险溢价、β回归系数这些数字均比使用组合收益率得到的结果要高。捕获日内 图表 14 美国个股昼夜间回报(1992-2016) 美国股票在个股beta和其他股票特征上,对日回报率(百分比)进行Fama-MacBeth和日固定效应面板回归 资料来源:华安证券研究所整理 图表 15 国际个股昼夜间回报(1990-2014) 本表展示了国际股票在个股beta和其他股票特征上,对日回报率(百分比)进行Fama-MacBeth和两个维度国家/ 日的固定效应面板回归的结果。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 18 / 25 证券研究报告 减去隔夜Alpha的日内标记虚拟变量系数等于53.5个基点。规模因子上的系数为 弱正值且不显著,日减夜规模的风险溢价为-3.7个基点。因此,大型股在隔夜的表 现往往要好于日内。账面市值因子的系数为弱负值,为-0.1个基点。日减夜账面市 值溢价率为0.3个基点,t统计量为6.58。因此,成长股在日内表现较好,而价值 股在隔夜表现相对较好。过去收益率的系数为0.03个基点的弱正值,t统计量为 4.29。日减夜的过去收益溢价等于-0.01个基点。合并回归的平均R 2 为1.86%。图 15是关于国际样本的结论。 3.6 交易策略 基于个股(betting against and on beta)零成本交易策略:晚上通过做空低beta 股或做多高beta股,然后在开盘时进行相反操作(BaB)。在隔夜中选择股票i的 投资组合权重等于其市场β和样本平均β之差,即훽 푖 −훽 ̅ ,在日内它的投资组合权重 等于−(훽 푖 −훽 ̅ )。日内有效地持有股票的多头和空头头寸,市场beta值大于样本平 均beta值,投资组合权重与beta值之间的差成正比,而在隔夜则相反。由于各个 投资组合之和为零,所以这个交易策略是beta中性的。 基于投资组合的交易策略,在夜间(betting on beta)做多beta值最高的投资 组合,并通过做空beta值最低的投资组合来为头寸融资,然后在日内反转这两个 仓位(betting against beta)。日内的BaB策略不是β中性的。 结果如图16所示。使用所有美国公开上市的普通股票来实现两种交易策略, 并在每月形成按市场beta分类的股票投资组合。其中,beta值的估计使用一年滚 动窗口的每日隔夜回报率,组合收益取平均值,并使用整个样本对排名后beta进 行估计。由于这两种策略都是零成本,所以使用普通而非超额收益来估计其夏普 比率。 组A 展示了第一种交易策略的结果。组B 展示了第二种投资组合的交易策 略的结果。C 组展现了Frazzini和Pedersen(2014)的β中性BaB策略的结果: r L −r f β L − r H −r f β H (5) 其中下标L 和H 分别代表低beta组合和高beta组合。BaB策略在日内实施, 在晚上相反。使用排名后的的beta,β L =0.45和β H =1.77。这个策略的表现要比其他 图表 16 Betting against and on beta 策略(1992-2016) 使用股票的单个市场beta(组A)或10 个按beta分类投资组合(组B)(betting against and on beta)零成本策略 的平均收益、标准差和夏普比率 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 19 / 25 证券研究报告 两个策略好得多。这些收益率和夏普比率在经济学上来讲是很大的,实施各种BaB 策略将需要在每天开盘和收盘时进行大量的高beta值的股票交易,这可能会明显 减少甚至消除策略的正收益。接下来计算了在控制规模和账面风险因素后betting on beta交易策略的平均收益。在每个月内,将所有美国股票分类为5×5的规模和 账面市值组合。对于每个月和25个投资组合中的每一个,股票都被额外地分类为 5个市场beta组合。最后对于每个规模和账面市值投资组合,计算高beta和低beta 等权投资组合在日内和隔夜的平均回报率之差。 如图17所示,除第3列中的中等规模价值投资组合外,其他所有规模和账面 市值组合的高减低市场beta交易策略均在开盘至收盘期间(日)赚取负收益,在 收盘至开盘期间(夜)赚取正收益。 4 .讨论 结果表明,处于闭市(隔夜)状态CAPM意味着资产风险溢价随着资产市场 beta的增加而增加。相反,SML的斜率在开盘到收盘(日内)为负。这些结果对 于美国股票和国际股票的beta分类投资组合、10个行业和25个账面市值投资组合、 现金流和贴现率beta以及个别美国股票和国际股票都是成立的。 最初的思想是存在多个定价的风险因素时,其协方差矩阵在日内和晚上之间 变化。这种模型面临的挑战是它必须解释为什么风险溢价会变化而beta不会变化。 4.1 宏观经济公告 下面将验证以上结论并不是由宏观经济公布日的因素导致的。在样本中,失 业率和其公布日期来自美国劳工统计局网站(http://www.bls.gov)。PPI 和失业率 都是在8:30开市前公布的,而FOMC目标利率则是在交易日中公布的。 结论如图18所示。即使PPI 和失业率都是在股市休市时公布的,隔夜回报率 和beta值在公布日和非公布日依然都呈强正相关性。除了beta值最低的投资组合 图表 17 使用三重分类投资组合的Betting against and on beta 策略(1992-2016) 预测性双分类投资组合与Betting against and on beta日均收益的差额。每个月的股票首先被分类为5×5 个规 模/账面市值组合。对每个月和 25 个投资组合中的每一个,股票然后被分类为5 个beta组合。该表报告 了每个规模/账面市值投资组合的高beta和低beta投资组合的同等加权平均回报率之间的回报差异。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 20 / 25 证券研究报告 外,其他投资组合的回报率均为正值。日内收益和beta值之间的关系在非公布日 为强负相关,而在公布日仅为弱负相关。此外高beta投资组合在非公告日获得日 回报为负值。该结论证明了前面的结论并不是由宏观经济公告导致的。 Black(1972,1992)指出,如果违反了CAPM关于投资者可以以无风险利率自由 借贷的假设,SML的斜率将小于预期的市场超额收益。这一观点可以作为一个可 能的解释。一旦投资者所能采取的杠杆作用受到约束,他们就会通过将投资组合 向高风险的高beta资产倾斜来达到所预期的风险程度。因此,高beta资产比低beta 资产需要更低的风险溢价。Frazzini和Pedersen(2014)进一步发展了这一观点, 他们表明,当投资者面临借贷约束时,CAPM 的形式如下图所示 E t [r i,t+1 ]−r f =ψ t +β i,t (E t [r M,t+1 ]−r f −ψ t ) (6) 其中,r f 为无风险利率,r M,t+1 为股票市场收益率,ψ t 为投资人借贷约束的拉 格朗日乘数,从而衡量其严格度。如果ψ t >E t [r M,t+1 ]−r f ,约束CAPM 的斜率 可能是负的。然而Frazzini和Pedersen(2014)指出这种情况是极不可能的。事实上, 借贷约束只能提供相对于CAPM 的更平的SML,而不是一个向下倾斜的SML;投 资人不会把高beta值股票的价格抬高到比低beta值股票的收益更低的程度。 Jylha(2018)使用美联储对最低初始保证金要求的积极管理作为借贷限制的 外在度量,发现在保证金要求低的月份中,经验式SML具有接近CAPM预测的正 斜率。另一方面,在初始保证金要求高的月份中,经验SML呈负斜率。将研究结 果与Jylha(2018)进行比较后的结果表明,日内的投资者可能会受到比隔夜更多 的资本约束。 除两个beta值最高的投资组合外,平均日收益率随beta值的增加而单调下降 且为正值,且隔夜平均收益率随着beta值的增加而单调上升,所有beta值分类的 投资组合的收益率均为正值。这些结果与低beta投资组合的价格在开盘时低或收 盘时高这一现象是一致的,而高beta投资组合则相反。虽然没有直接证据,但可 以看出这种价格行为是由beta条件投机引起,即边际日投资者是一个用市场beta 值来衡量资产风险的风险偏好型投机者。这种投机者在开盘时买入beta值较高的 股票,并在临近收盘时逆转其仓位。相反,长期投资者是边际夜盘投资者。 图表 18 宏观经济公布日美国beta分类投资组合回报(1992-2016) 左图显示了所有美国公开上市的普通股票的十个按beta排序投资组合在公告日或a日(计划公布利率、就业或联 邦公开市场委员会计划公布利率的日子)的等权平均回报率(百分数)和市场beta值。右图显示了10个按beta 分类的投资组合在非公告日或n日(所有其他日子)的等权平均回报率(百分数)和于市场beta。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 21 / 25 证券研究报告 4.2 交易日SML 为了检验在这种beta条件下的投机行为是否会发生,图19绘制了所有美国公 开上市的普通股票的10个beta分类组合的等权平均30分钟日回报率和市场beta 值的图。回报率是在连续交易时段内的每30分钟区间内,从每个区间内的第一次 和最后一次中间报价开始估算,第一个区间为9:30至10:00,最后一个区间为15:30 到16:00。每个月形成一个投资组合,股票按照用一年滚动窗口的每日隔夜收益估 算的beta值进行分类。投资组合回报取平均值,排名后bet值是用整个样本在每 30分钟间隔内分别估算的。总体而言,图19显示投资组合的收益在日内是单调递 增的,开盘时为负值,收盘时为正值。 除午间区间外,日回报率与市场beta值之间均为负相关,而通过汇总从10点 半到15点的所有时间间隔来构造的午间时间间隔是弱负相关的。所有10个beta 投资组合的平均组合收益全天都在增加。平均回报在10点到10点30分之间为负 值,从10 点30到15点为弱正值,并在剩余的两个30分钟间隔内保持上升,在 15:30到16:00之间达到最高值。 图19中描述的日内回报模式与β条件下的推测是一致的。在开盘时,投资者 购买beta投资组合的需求随投资组合的beta单调递增。这说明投资者对最高beta 投资组合的需求最高,对最低beta投资组合的需求最低。这表明在所有的β分类 的总投资组合中,隔夜回报都是正的。因此开盘价高于其长期价值,超跌幅度随 着市场beta值的增加而增加。这时,套利者开始卖出以推动价格回到他们的长期 价值,卖出随着市场beta增加而增加。 因此,在交易的第一个小时,所有被beta分类的投资组合都获得了随着市场 beta的增加而减小的负预期回报。在10点半到15点之间几乎没有发生事情。接近 收盘时,统计套利者开始买入以弥补他们从早晨开始的空头头寸,提高了整个市 场的回报。接近收盘时,beta偏好投机者卖出了他们beta值更高的股票,所以这 些股票不会像市场上其他股票一样增长。 日内的负市场风险溢价意味着日内的投资者在最小方差边界的无效部分选择 图表 19 美国beta分类投资组合交易日回报(1993-2016) 10个美国公开上市的普通股票的beta分类投资组合的30分钟等权平均投资组合回报率(百分数)和市场beta。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 22 / 25 证券研究报告 市场组合。或者说日内平均市场回报率太低,或无风险率太高。事实上日内SML 的截距(即隐含的无风险利率)是正的并且大于任何一个β投资组合的回报。相 应地,隔夜投资者在最小方差边界的有效部分选择市场组合。正如图1所示,隔 夜SML的截距为负值,说明隔夜无风险率太低。投资者为什么和怎样在有效和无 效的边界之间切换,以及为什么无风险利率在日内和晚上之间发生变化还需要进 一步解释和研究。 4.3 无风险利率的变化 先前的结果表明,24小时CAPM的失败可能是由于无风险率在日内到隔夜由 高水平变为低水平。首先说明了从经验SML到 CAPM预测的SML的隐含无风险 率的昼夜变化。图20绘制了三个时间间隔(24小时,日内和晚上)的经验的和 CAPM预测的SML。如图20所示,从收盘到收盘的CAPM预测的SML是以像Jylha (2018)一样传统的方式进行的,使用从肯弗伦奇的网站获得的美国的经验市场 回报和无风险利率(即three-month T-bill rate)。这个24小时的经验SML与CAPM预 测的显著不同:经验SML稍微向下倾斜。这是因为 24小时经验SML的截距比传 统的代表无风险利率的值要正得多。 如果假设无风险利率在日内和晚上是相似的,那么CAPM预测的SML对于开 盘到收盘和收盘到开盘的斜率将类似于从收盘到收盘。因此,探讨在无风险利率 在日内和隔夜的变化有助于解释理论上的SML的偏差。在图20中,使用经验市 场收益以及经验SML隐含的无风险利率来构建日内和隔夜CAPM预测的SML。结 果表明,无论日内还是隔夜,CAPM预测的SML都与它们的经验吻合。 为了检验日内和隔夜经验性SML的截距所隐含的无风险利率变化是否合理, 下面分析了美国国债期货的收益。芝加哥期货交易所(CBOT)的美国国债期货是 用于买卖美国国债以供将来交割或结算的标准合约。国债期货提供了几个有利于 目标的特征:分为四个期限或期限:2年,5年,10年和30年;是标准化的、高 流动性的的和透明的工具;期货是一种中性证券,可以很容易地做多头或空头交 易;美国国债期货从周日到周五几乎24小时交易。 图表 20 美国24-h,日内、夜间beta分类投资组合回报(1993-2016) 所有美国公开上市普通股的10个beta分类的组合的等权平均日回报率和市场beta 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 23 / 25 证券研究报告 使用美国国债期货的一个潜在缺点是,它们的收益并不直接等于无风险利率 水平。在期限为T F 的美国国库券中,使用标准套利参数并忽略应计利息,到期时 间为T,F(t,T F ;T)的货合约在时间t即期价格可以写作 F(t,T F ;T)=S(t;T)e (r(t)−c)(T F −t) (7) 其中S(t;T)是国债的现货价格,c是基础债券上贴现息票支付的连续复合利率, r(t)是回购利率。 使用S(t+∆t;T)=S(t:T)e y T (t)∆t ,在那里y T (t)是国债到期收益 率,国债期货在区间[t+∆t]上的对数收益率可以近似为 log( F(t+∆t,T F ;T) F(t,T F ;T) )≈(y T (t)−r(t)+c)∆t (8) 其中(r(t)−c)∆t被称为基点,是因为c在高频下不会改变。等式(8)表示在 短期内,美国国债期货收益率的变化基本上等于长期国债利率y T (t)和短期回购利 率r(t)之间的价差变化。 从Thomson Reuters Tick History(TRTH)获取了有关美国国债期货的数据, 该数据包括所有现有期限中从1996年到2013年的盘中五分钟价格。计算了最具流 动性的期货合约(前月和前两个月的5年期和10年期美国国债期货)的收益。尽 管交易频率可能存在差异,但文中使用中间报价来计算收益避免了交易价格回报 的出价反弹,并确保回报在同一时间间隔内计算。期货价格基于6%的到期收益率 的债券,并且在交付时使用对交付债券的详细信息的特定的转换因子来进行转换。 收益被构造为等式(8)中的形式,在1%和99%的水平上缩尾。在计算昼夜期货 收益时,使用与分析股市时相同的指定昼夜时间间隔。 与图1中昼夜隐含无风险利率的差异一致,如图21所示的昼夜收益之间的差 异在统计和经济上都是显著的,这种差异是由基准或到期收益率在昼夜之间的变 化引起的。5年期和10年期国债期货的日均收益都是正的,而且在统计上显著, 虽然夜期收益是负的,但在统计上无法区分为零。总的来说,以上结果支持昼夜 无风险利率不同的假设。T期债券期货的昼夜间收益率的变化小于日内和隔夜经 验SML截距所隐含的无风险利率的变化。 5.结论 本文研究了股票价格在市场开放和关闭时与beta的相关性。使用数据分别检 验了CAPM模型在夜间和日内的表现。实证发现,在美股和国际股市beta分组组 合中,日内收益与beta负相关,而隔夜收益与beta正相关。进一步的分析表明, 图表 21 美国国债期货昼夜间回报(1993-2016) 本表展示了前一个月和前两个月五年期、十年期的美国国国债期货的平均每日日内和夜间收益率。 资料来源:华安证券研究所整理 金融工程/专题报告 敬请参阅末页重要声明及评级说明 24 / 25 证券研究报告 即使加入了10个行业组合和25个账面市值组合,结果同样成立。对于现金流beta、 贴现率beta、美国个股和国际股票的beta而言,隔夜收益依然与之呈正相关。 日内期间向下倾斜的SML可能需要一个具有时变约束的模型。在这种模型中, 边际投资者系统地在日内和晚上之间切换可能会产生负风险溢价,甚至可能没有 借贷约束。这也就引出了异构代理模型是否可以用来解释CAPM的经验失效的问 题。 我们的结果表明,进一步研究合适的无风险利率可能很重要。例如,什么是 24小时无风险利率的正确指标?无风险利率的变化对投资者和资产定价模型有多 重要?甚至是无风险利率在日内是否会变化? 文献来源: T. Hendershott, D. Livdan and D. Rösch, Asset pricing: A tale of night and day, Journal of Financial Economics, https://doi.org/10.1016/j.jfineco.2020.06.006 风险提示: 本文结论基于历史数据、海外情况进行测试,不构成任何投资建议。 金融工程/专题报告 敬请参阅末页重要声明及评级说明 25 / 25 证券研究报告 重要声明 分析师声明 本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格,以勤勉的执业态度、专业审慎的研究方法, 使用合法合规的信息,独立、客观地出具本报告,本报告所采用的数据和信息均来自市场公开信息,本人对这些 信息的准确性或完整性不做任何保证,也不保证所包含的信息和建议不会发生任何变更。报告中的信息和意见仅 供参考。本人过去不曾与、现在不与、未来也将不会因本报告中的具体推荐意见或观点而直接或间接收任何形式 的补偿,分析结论不受任何第三方的授意或影响,特此声明。 免责声明 华安证券股份有限公司经中国证券监督管理委员会批准,已具备证券投资咨询业务资格。本报告中的信息均来源 于合规渠道,华安证券研究所力求准确、可靠,但对这些信息的准确性及完整性均不做任何保证,据此投资,责 任自负。本报告不构成个人投资建议,也没有考虑到个别客户特殊的投资目标、财务状况或需要。客户应考虑本 报告中的任何意见或建议是否符合其特定状况。华安证券及其所属关联机构可能会持有报告中提到的公司所发行 的证券并进行交易,还可能为这些公司提供投资银行服务或其他服务。 本报告仅向特定客户传送,未经华安证券研究所书面授权,本研究报告的任何部分均不得以任何方式制作任何形 式的拷贝、复印件或复制品,或再次分发给任何其他人,或以任何侵犯本公司版权的其他方式使用。如欲引用或 转载本文内容,务必联络华安证券研究所并获得许可,并需注明出处为华安证券研究所,且不得对本文进行有悖 原意的引用和删改。如未经本公司授权,私自转载或者转发本报告,所引起的一切后果及法律责任由私自转载或 转发者承担。本公司并保留追究其法律责任的权利。 投资评级说明 以本报告发布之日起6个月内,证券(或行业指数)相对于同期沪深300指数的涨跌幅为标准,定义如下: 行业评级体系 增持—未来 6 个月的投资收益率领先沪深 300 指数 5%以上; 中性—未来 6 个月的投资收益率与沪深 300 指数的变动幅度相差-5%至 5%; 减持—未来 6 个月的投资收益率落后沪深 300 指数 5%以上; 公司评级体系 买入—未来6-12个月的投资收益率领先市场基准指数15%以上; 增持—未来6-12个月的投资收益率领先市场基准指数5%至15%; 中性—未来6-12个月的投资收益率与市场基准指数的变动幅度相差-5%至5%; 减持—未来6-12个月的投资收益率落后市场基准指数5%至15%; 卖出—未来6-12个月的投资收益率落后市场基准指数15%以上; 无评级—因无法获取必要的资料,或者公司面临无法预见结果的重大不确定性事件,或者其他原因,致使无 法给出明确的投资评级。 市场基准指数为沪深300指数。 ]

发表评论

邮箱地址不会被公开。 必填项已用*标注