郑振龙，杨玉晓，陈蓉 | “好”“坏”方差与股票市场收益率预测
点击蓝字关注我们
“好”“坏”方差与股票市场收益率预测
推荐语
准确地预测资产收益率应该是许多投资者想要的超能力。本文针对资产收益率的方差对正面和负面冲击的不对称反应这一特点，利用日内高频数据构建的“好”“坏”方差，研究了方差非对称衡量指标——符号跳跃变差（SJV）对中国股票市场收益率的预测能力，并与同为不对称性衡量指标已实现偏度进行比较。该研究丰富了股市收益率可预测性的研究文献，对投资者在进行短期投资时也具有一定的参考意义。
作者简介
郑振龙, 经济学（金融学）博士，厦门大学管理学院财务学系闽江学者特聘教授，博士生导师，享受国务院政府特殊津贴，国务院学位委员会第六、七届应用经济学学科评议组成员，国家“万人计划”哲学社会科学领军人才，厦门大学金融工程学科带头人、厦门大学证券研究中心主任，兼任中国金融学年会秘书长、中国金融学会常务理事兼学术委员、郑州商品交易所理事会咨询顾问委员会委员、中金所风险委员会委员、《金融学（季刊）》主编等职。主要研究领域为金融工程，在《经济研究》《金融研究》等国内外学术期刊发表了200多篇论文，出版了30多部著作和教材，主持了20多项国家级和省部级科研课题，并多次荣获省部级科研和教学奖励。
杨玉晓，女，河北邯郸人，厦门大学管理学院博士研究生。
陈蓉，女，福建福清人，厦门大学管理学院教授，博士生导师，经济学博士。
摘要：风险与收益的关系是金融资产定价研究领域中亘古不变的话题。基于指数日内高频数据和Barndorff-Nielsen等提出的已实现方差分解为“好”的方差和“坏”的方差框架，研究了方差非对称衡量指标——符号跳跃变差（SJV）对中国股票市场收益率的预测能力。实证研究显示，无论是样本内还是样本外，符号跳跃变差对深圳综指未来一个月超额收益率均有显著的预测能力，并且预测回归系数显著为负；即使控制了其他预测变量，效果仍然显著。此外，为了进一步说明符号跳跃变差稳健的预测能力，还考察了上证指数和中证500指数，结果显示符号跳跃变差对其都有预测能力，尤其在中证500指数上表现更佳。
关键词：“好”的方差；“坏”的方差；符号跳跃变差；收益率预测
一、引言
风险与收益的关系是金融资产定价研究领域中亘古不变的话题，也是金融学重要的研究问题，其中方差风险与股票收益率之间的关系更是受到广泛的关注。不过，近来人们认为传统的线性收益率-方差的权衡关系过于简单，进而通过考虑将总的方差分解为“好”的方差和“坏”的方差，或使用更高阶的条件矩来获得更准确的横截面收益预测。其中将总的方差进行分解是基于资产收益率的方差对正面冲击和负面冲击具有不对称反应这一特征，该特征日益受到越来越多的关注，被应用到各种研究问题中。
已有研究方差分解的文献，主要集中在三个方面：第一，利用“好”“坏”方差的信息来提高对波动率的预测效果；第二， 进行方差风险溢酬的分解，考察方差风险溢酬的组成成分联合起来对收益率的预测表现；第三， 在期权定价时考虑“好”“坏”方差。鲜有文献研究方差不对称性的信息对未来整体市场收益率是否有一定的预测力，并且这些研究大多集中于美国市场。而在中国市场，由于存在大量投机行为和缺乏经验的散户投资人，加上较为严重的卖空限制，市场对好消息容易反应过度，对坏消息又容易反应不足。这些特征使得中国股票市场更适合研究“好”“坏”方差的差异与股票市场收益率之间的关系。
因此，本文采用基于“好”的方差和“坏”的方差构造出的符号跳跃变差，研究符号跳跃变差对中国股票市场整体收益率的预测能力。有研究发现符号跳跃变差可以强有力地解释未来收益率中的横截面变化。但上述研究局限在符号跳跃变差与个股横截面收益率之间的关系，针对符号跳跃变差对整体股票市场收益率（aggregate stock market return）的预测，在国内外尚未见到。类似的研究文献有Guo等的文章，他们研究的是已实现跳跃风险(Realized Jump Risk，RJV)对美国S&P500市场收益率的预测力。不同的是，他们是基于已实现方差的连续部分和跳跃部分的差异进行研究。
Bollerslev等、陈国进等研究探讨的是在横截面上符号跳跃变差与股票收益率的关系，解释和分析了个股股票收益率横截面上的差异和符号跳跃变差对股市定价的影响。相较于他们，本文的研究贡献在于从时间序列角度首次探讨了“好”“坏”方差的差异——符号跳跃变差是否对收益率有预测能力，从而丰富了股市收益率可预测性的研究文献。本文研究发现，符号跳跃变差对中国股票市场超额收益率有显著的预测力，并且与同为不对称性衡量指标的已实现偏度相比，符号跳跃变差有更好的稳健预测力。
二、相关文献综述
随着计算机存储技术的成熟和股票市场高频数据的可获得，越来越多的国内外学者利用高频数据预测股票收益率。尤其是Andersen等提出的计算已实现方差的方法，由于其不依赖模型，计算简单，同时具有无偏性等优点得到广泛采用。Barndorff-Nielsen等进一步按照每日5分钟收益率的正负，把已实现方差分解为“好”的方差和“坏”的方差。后续学者们在研究资产收益率的方差对正面和负面冲击的不对称反应这一特点时，大多数文献是基于Barndorff-Nielsen等提供的方差分解框架，因为该分解充分利用了高频收益率正负符号所包含的信息。Bollerslev等的研究也表明收益率正负符号能够很好地衡量“好”“坏”方差的差异。
之后基于该分解，部分文献利用方差分解来提高模型对未来波动率的预测精度。Patton和Sheppard将“好”“坏”已实现方差之差——符号跳跃变差，作为解释变量加入HAR-RV模型中，并在实证中发现其能显著地负向预测未来波动率。Benoît、Audrino等建立HAR-RV-RS和HAR-RV-SJ等模型探讨“好”“坏”方差与符号跳跃的不对称波动率预测表现。国内也有相关文献，考察国内“好”“坏”方差的差异对波动率的预测能力。此外，还有部分文献利用方差的连续部分和跳跃部分预测波动率。
近年来，有文献在方差风险分解的基础上，对方差溢酬进行分解，并考察方差溢酬不同组成部分与未来收益率的关系。Kilic和Shaliastovich把方差风险溢酬分解为上行方差风险溢酬和下行方差风险溢酬，实证发现上行方差风险溢酬和下行方差风险溢酬联合回归对未来收益率的预测效果好于方差风险溢酬，并提供了解释其实证发现的经济模型。Feunou等则用另一种不同于Kilic和Shaliastovich的分解方法，进行方差溢酬的分解；同时还研究了基于该分解构建的偏度风险溢酬对未来收益率的预测能力。
上述文献表明，考虑到“好”“坏”方差时，对于提高资产收益率和波动率的预测都有很大的帮助，也说明了对方差风险分解的重要性。而本文从收益率预测的角度，考察中国已实现符号跳跃变差和未来收益率之间的关系，是方差风险分解框架在中国股票指数市场收益率的具体应用。
本文内容与研究指数收益率可预测的文献相关。股票市场收益率的可预测性是金融学问题之一。大量文献围绕股票收益可预测性展开了研究，众多经济变量被发现可以作为股票收益率的预测变量,如股息价格比、盈余价格比、面值市值比、通货膨胀率、股票发行量、货币政策等。除了上述宏观经济变量，已有文献还表明波动率、偏度和跳跃风险可预测资产收益率。Kelly和Jiang利用股票横截面收益构造了尾部风险度量指标，并表明它包含了关于预期超额股票收益的信息。Bollerslev等把方差溢酬分解为扩散和跳跃成分，并表明这种分解有更强的收益率预测效果，这是由左跳尾的变化驱动的。Guo等研究发现，已实现正、负跳变共同预测短期超额股票收益和经济基本面，而总跳变没有显著的预测能力。本文中的符号跳跃变差本质上是正负跳跃的差异，符号跳跃变差对中国股票市场未来一个月收益率有预测力，说明正负跳跃的差异含有未来收益率的预测信息，也扩充了已有预测因子库。
本研究还与最近强调基本面正冲击和负冲击差异的文献有关。Segal等使用类似Barndorff-Nielsen等的计量经济学方法，从宏观经济数据测算出“好”的和“坏”的经济不确定性，并研究了其对实际增长和资产估值的影响。该文发现，“好”“坏”不确定性具有相反的影响，即好的（坏的）经济风险意味着未来财富或消费增长的上升（下降），它们刻画了非对称的不确定性在经济活动水平中的作用。Bekaert和Engstrom考虑了一个习惯养成模型，该模型的特点是，基本面的正向和负向伽玛冲击，在波动率上具有明显的差异。该模型解决了几个资产定价难题，包括总方差溢酬对收益的可预测性。Tsai和Wachter构建了一个模型，在该模型中，罕见的繁荣和罕见的灾难在概率上具有明显的时间变化，可解释价值溢酬。而在本文的后续研究中可以看出，利用指数日内高频数据计算出“好”的方差、“坏”的方差和符号跳跃变差，可以视为股票市场微观层面“好”“坏”不确定性的衡量，而符号跳跃变差在金融危机和股灾期间则是对“坏”的不确定性的反映。
三、“好”的方差、“坏”的方差：理论框架
这一节，我们简要回顾使用日内数据把已实现方差分解为“好”的方差和“坏”的方差的理论框架。Barndorff-Nielsen等假设股票价格的对数服从以下跳跃-扩散过程：
其中μt表示漂移过程，σt表示严格为正的右连左极过程，dW表示标准布朗运动，Δst≡st-st-是跳跃部分。对于期限t至t+1，利用5 分钟的日内高频数据构造日度“好”的已实现方差和“坏”的已实现方差公式为：
由式(3)可以看出，“好”的已实现方差和“坏”的已实现方差极限形式中包含的连续运动部分完全一致，两者间的差异主要来源于跳跃部分，所以称“好”的已实现方差与“坏”的已实现方差的差为符号跳跃变差（Signed Jump Variation，SJV）：
当市场日内以向上跳跃为主导时符号跳跃变差为正，而市场日内以向下跳跃为主导则符号跳跃变差为负。
符号跳跃变差是“好”“坏”方差之间的差，符号跳跃变差越大，表示市场“好”的方差越大；反之，符号跳跃变差越小，市场“坏”的方差越大。而由“好”“坏”方差的定义可以看出，“好”的方差代表着日内给投资者带来正面的、积极的波动冲击；“坏”的方差代表着日内给投资者带来负面的、消极的波动冲击。投资者喜好高的“好”方差风险而厌恶高的“坏”方差，所以当市场处于高的“好”方差状态下，投资者要求比较低的预期回报。因此，符号跳跃变差与投资者预期回报应存在负的相关性。此外，Feunou等证明了符号跳跃变差可以看作（已实现）偏度的度量，因为其期望值等于条件偏度。
此外，Feunou等证明了符号跳跃变差可以看作（已实现）偏度的度量，因为其期望值等于条件偏度。符号跳跃变差为正，表示右偏；符号跳跃变差为负，表示左偏。关于偏度与预期收益率的关系，Harvey和Siddique指出较低的偏度或者负偏度意味着投资者承担较高的股票收益率下跌风险，但投资者却要求较高的预期收益率，因此偏度风险与未来股票超额收益率应具有负相关性。无论是从哪种角度，都预示着符号跳跃变差对未来股票超额收益率具有负向预测力。
Amaya等同样基于高频数据构建的已实现偏度用到的三阶矩，依概率收敛于所有日内跳跃部分的三次幂之和。而符号跳跃变差依概率收敛于日内正负跳跃之差，这是二者本质上的差异。二者在指数市场中的收益率预测表现差异也是本文实证研究的内容之一。
最后，本文分析符号跳跃变差对未来一个月股票市场收益率的预测，所以需把日度符号跳跃变差转为月度符号跳跃变差：
其中num表示一个月内的交易日天数。选择对未来一个月股票市场收益率进行预测原因有二：其一，陈坚和张轶凡利用中国股票市场数据，实证发现已实现偏度可以显著的预测未来一个月的超额收益率。为了比较两者在预测上的差异，我们同样选择对未来一个月超额收益率进行预测。其二，陈国进等证明符号跳跃变差对中国股票市场有很强的定价能力这一结论时，也是基于中国月度个股横截面数据进行实证分析得到的。
四、股票收益率预测的计量检验方法
（一）样本内预测
参照Ang和Bekaert、姜富伟等以及其他股票预测的相关文献，通过单变量的预测回归模型来检验符号跳跃变差对股票市场收益率的预测能力:
其中， Rt+1为t+1时刻的股票市场超额收益率（对数收益率作为指数的月度收益率，超额收益率为月度收益率减去月度无风险利率，无风险利率采用的是银行一年期定存利率），SJVt是t时刻的符号跳跃变差，εt+1是残差项。通过最小二乘法（OLS）估计上述模型中的β，得到估计值以及对应的统计量，进而判断符号跳跃变差对股票超额收益率的预测能力。原假设是β=0，即符号跳跃变差没有预测能力; 备择假设是β≠0，即符号跳跃变差可以预测未来股票超额收益率。
同时，为了检验符号跳跃变差SJV对股票市场收益率预测能力的稳健性，加入了Welch 和Goyal提出的可以预测未来股票市场超额收益率的经济变量和一些其他预测变量。首先，考察这些预测变量的单变量预测回归模型：
其中Xi,t表示第i个预测变量，βi 表示 Xi的回归系数。其次，考虑加入预测变量作为控制变量后的多元回归模型：
如果模型中依然统计显著，就说明符号跳跃变差中包含了经济变量所不具备的额外预测信息。那么，在预测中国股票市场收益率时，应该在预测模型中加入符号跳跃变差，从而提高模型的预测能力。
（二）样本外预测
在对R2os进行假设检验时，我们采用Clark 和 West提出了基于MSPE-adjusted构建的统计量（CW），该统计量在比较样本外预测能力时服从渐进正态分布，并有很好的小样本性质。
五、“好”的方差、“坏”的方差和股票市场收益率预测
（一）数据与描述统计
本文利用深证综指5分钟的股票市场高频数据，检验符号跳跃变差（SJV）对该市场未来一个月收益率的预测能力。Bollerslev等的实证研究结果显示，符号跳跃变差在小公司、股票价格波动较大的公司和流动性较差的公司中表现更强的预测效果，所以本文选用深圳综指作为主实证分析，因为深圳综指成分股包含的“中小盘”股较多，而上证指数包含的“大盘股”较多。不过，为了说明符号跳跃变差对中国股票市场收益率稳健的预测力，我们把符号跳跃变差对上证指数和中证500指数的预测结果放在下文关于其他股票市场的讨论里。
深证综指样本期为2003年1月—2022年1月，数据来源于CSMAR。图1绘制了2003年1月—2022年1月深圳综指日已实现方差，日“好”的已实现方差RV+和日“坏”的已实现方差RV-，以及符号跳跃变差SJV的时间序列图。图1显示“好”“坏”已实现方差和已实现方差表现出很好的同步性，它们倾向于在相同的时间段内上下波动，在2008年金融危机和2015年股灾期间都出现了大幅的波动。同时，已实现方差RV系列表现出显著高的持久性、分散性、不对称性和厚尾性。此外，我们看到RV+和RV-具有相似的大小。表1显示RV+和RV-的平均值几乎相同，其他的统计数据也支持了这一结果。
图2是深证综指和中证500月度符号跳跃变差月度时间序列。由图1和图2可以看出，作为方差不对称性的衡量符号跳跃变差随时间变化而变化。在2008年金融危机和2015年股灾期间，也就是市场给投资者带来负面的、消极的波动冲击较大时期，符号跳跃变差陡然下降且为负，说明当时市场“坏”的方差增大，也表明符号跳跃变差能够反映市场层面上“坏”的不确定性。
表1中Panel A给出月度各个已实现指标的描述性统计，包括符号跳跃变差SJV、已实现偏度Rskew和已实现峰度Rkurt、日已实现方差RV、日“坏”的已实现方差RV-和“好”的已实现方差RV+。由Panel A可以看出，深圳综指的超额收益率年化均值为12.7%，样本偏度为-0.169，峰度为4.102，峰度大于3，表明中国股票市场超额收益率分布，呈“尖峰厚尾”和“左偏”的特点。符号跳跃变差SJV的均值为-0.014，偏度为-0.457，峰度为8.855。
表1中Panel B给出各变量的相关性。在个股横截面上符号跳跃变差是独立于已实现偏度的一个重要定价因子，且符号跳跃变差对股票的定价能力强于已实现偏度的定价能力，即符号跳跃变差比已实现偏度包含更多的信息。从表1中Panel B也可以看出市场整体的符号跳跃变差和已实现偏度的相关系数为0.541，表示两个指标彼此可能含有不同的预测未来收益率的信息含量，后文将比较它们的预测表现。符号跳跃变差与已实现方差RV、“坏”的已实现方差RV-以及“好”的已实现方差RV+的相关系数分别为-0.134、-0.248、-0.014，都不显著。但已实现方差、“好”的已实现方差、“坏”的已实现方差三者之间有很高的相关性。此外，符号跳跃变差与超额收益率的相关性系数绝对值最大。
（二）样本内预测
根据上文中给出的检验符号跳跃变差对股票收益率预测能力的方法，表2给出预测模型的参数估计结果，包含回归系数β、对应的t统计量以及回归模型调整后的R2。此外，表2也给出了其他预测变量对股票收益率单变量回归预测的结果，分别是：（1）已实现偏度（Rskew）；（2）已实现峰度（Rkurt）；（3）“坏”的已实现方差（RV-）和在Welch和Goyal研究中使用的部分预测变量；（4）M0增长率（M0G），根据M0数据算出，流通现金M0定义为当月流通中现金总量；（5）M1增长率变动量（M1G），相邻两个月份的M1增长率之差，即当月M1增长率与上月M1增长率之差，衡量的是未预期的M1货币冲击，狭义货币M1定义为当月M0加企事业单位活期存款；（6）M2增长率（M2G），利用M2数据算出，广义货币M2定义为当月 M1加居民的存折储蓄和定期存款，M0、M1和M2数据都来自中国人民银行；（7）通货膨胀率（INF），根据国家统计局公布的居民消费价格指数（CPI）算出；（8）换手率（TO），采用WIND全A股的换手率；（9）股息率（D/Y），采用WIND全A股的股息率；（10）市盈率（PE），采用WIND全A股的市盈率,换手率、股息率和市盈率数据来源WIND数据库；（11）非流动性指标（Illiq）。
从表2可以看出，符号跳跃变差（SJV）的回归系数为-0.075，说明符号跳跃变差与市场未来一个月收益率呈现负相关，且在1%显著性水平上统计显著，这与我们在第三部分给出的预期相符。同时，基于符号跳跃变差的预测模型产生了3.161%的调整后，说明符号跳跃变差可以解释股票市场未来一个月收益率变动的3.161%。但与陈坚和张轶凡的研究结果不同，已实现偏度对中国市场未来一个月收益率不再具有显著的预测力。除了M0增长率（M0G）、换手率（TO）和通货膨胀率（INF）的回归系数显著，其他预测因子的回归系数都不显著，即使是“坏”的已实现方差和已实现峰度对中国市场未来一个月收益率也没有显著的预测能力。这说明符号跳跃变差所衡量的方差不对称风险在中国市场上比已实现方差风险更重要。
为了检验符号跳跃变差对股票市场收益率预测能力的稳健性，我们把上述预测变量作为控制变量，进行多元预测回归分析。如果控制这些变量后，符号跳跃变差的回归系数仍然显著，则表明符号跳跃变差包含这些变量所不具有的额外预测信息。那么，我们在预测未来收益率时，应该考虑把符号跳跃变差加入到预测模型中，以提高对未来收益率预测能力。同时，我们还检验了在控制这些变量后，已实现偏度对股票市场收益率预测能力的稳健性。
已实现方差RV、“坏”的已实现方差RV-以及“好”的已实现方差RV+之间具有很高的相关性，会导致多元回归模型产生共线性问题。因此，我们在控制其他变量的基础上，依次加入RV、RV-、RV+。结果如表3显示，即使在控制了一系列变量后，符号跳跃变差的β系数依然在5%显著水平下显著，表明符号跳跃变差具有很好的稳健预测能力，而已实现偏度的β系数却不显著，与表2结果保持一致。这说明在对股票市场收益率预测上，符号跳跃变差比已实现偏度有更强的预测力和更加稳健的效果。
（三）样本外预测
本文以2003年1月—2011年10月作为样本内，2011年11月—2022年1月作为样本外检测期，根据前文所述检验方法，计算出样本外R2os及其CW统计量和p-value，结果如表4所示。可以看出，符号跳跃变差（SJV）的样本外R2os为4.567%，且在显著性水平5%下统计显著。这说明符号跳跃变差的样本外预测能力要显著优于基于历史平均值的简单预测。和已实现偏度的样本外R2os相对比，符号跳跃变差的R2os明显更高，说明其具有更好的样本外预测能力。同时，与其他预测变量相比，符号跳跃变差预测表现也很好。而且在样本内预测显著的换手率和通货膨胀率，在样本外的预测结果并不好。
与宏观变量在深圳综指上的表现结果比较，在样本内和样本外预测能力表现都很好的宏观变量是M0G，R2os为3.009%；小于符号跳跃变差的R2os，说明在对深圳综指预测时，应多关注符号跳跃变差。
（四）资产配置
以上实证部分，我们分析了符号跳跃变差在全样本内预测回归结果和样本外预测效果评估指标。虽然股票收益率预测的R2通常很小，但Campbell和Thompson 认为回归可决系数R2达到0.5%就已经可以产生实际效益。所以，本节我们从资产配置的角度评估符号跳跃变差对收益率预测的经济意义，表明投资者可以利用符号跳跃变差的预测能力提高投资组合绩效。
在假设无交易成本的情况下，我们分别考察了理性投资者的风险厌恶系数为γ=3、5、7时的确定性等价收益率（CER）、确定性等价收益率差值（CER gain）和夏普比率（SR），结果见表5中Panel A。从表5中Panel A我们可以看出：（1）当风险厌恶系数γ=3时，符号跳跃变差产生的CER、CER gain和夏普比率SR小于已实现偏度产生的CER、CER gain和夏普比率SR。不过当风险厌恶系数γ=5、7时，符号跳跃变差产生的CER、CER gain和夏普比率SR都大于已实现偏度产生的CER、CER gain和夏普比率SR。（2）风险厌恶系数γ=3时，直接由深圳综指收益率计算出的夏普比率为0.13，说明长期持有该指数类产品（buy-and-hold）的夏普比率是0.13，利用符号跳跃变差进行“择时”后，夏普比率提升至0.22，是“买入-持有”策略夏普比率的将近两倍。并且随着厌恶系数的增加，利用符号跳跃变差进行“择时”，产生的夏普比率越高。
综合全样本内预测回归结果、样本外预测效果评估和资产配置角度产生的经济效益，我们的结论是在对未来一个月收益率预测时，符号跳跃变差都优于已实现偏度。在投资者进行短期投资时，符号跳跃变差所衡量的方差不对称风险更值得我们去关注。
（五）其他股票市场
为了进一步说明符号跳跃变差对中国整体股票市场稳健地预测力，我们还考察了符号跳跃变差对上证指数和中证500指数收益率的预测表现。上证指数全样本期从2003年1月—2022年1月，其中2011年11月—2022年1月作为样本外检测期；中证500指数样本期从2007年1月—2022年1月，其中2015年11月—2022年1月作为样本外检测期，预测结果见表6。从表6中Panel A我们看到，在样本内，符号跳跃变差对上证指数的预测回归系数在10%显著性水平下显著，调整后的R2为1.050%。符号跳跃变差对中证500指数的预测回归系数在5%显著性水平下显著，调整后的R2为3.542%，大于深圳综指的3.161%，表示符号跳跃变差在样本内对小盘股收益率变动的解释度更高，这与Bollerslev等的研究结果保持一致，而无论是对上证指数还是已实现偏度对中证500指数的预测回归系数不显著。同时，从表6中Panel B也可以看到，在样本外，符号跳跃变差和已实现偏度对上证指数收益率预测的评判指标R2os都不显著。符号跳跃变差对中证500指数的预测评判指标R2os在10%显著性水平下显著为正，已实现偏度在样本外的预测表现且并不优于基于历史平均值的简单预测。
表6中Panel B给出利用符号跳跃变差对中证500进行“择时”交易产生的经济效益。同样，无论风险系数是多少，符号跳跃变差的表现都优于已实现偏度。
总之，无论是深圳综指、上证指数、中证500，还是样本内预测回归和样本外预测效果评估，符号跳跃变差对其的预测表现在大多数情况下优于已实现偏度，说明了符号跳跃变差具有更稳健的预测能力。
六、结论
本文分析了基于方差不对称反应这一特征构建出的符号跳跃变差对中国股票市场超额收益率的预测能力。实证结果显示，符号跳跃变差对中国股票市场未来一个月超额收益率具有统计上显著的负向预测能力，即符号跳跃变差越大，市场处于偏“好”的方差状态，未来股票超额收益率越低。并且，在控制其他预测变量后仍具有显著的预测能力。该因子衡量的是市场波动率对正负冲击的不对称反应，投资者在进行短期投资时应当考虑方差不对称性风险。此外，与同为不对称性衡量指标已实现偏度相比，符号跳跃变差具有更稳健的预测效果，也说明两者之间反映不同信息含量。最后，我们为了说明符号跳跃变差对中国股票市场未来收益率有稳健的预测力，分别检验了检验符号跳跃变差对上证指数和中证500收益率的预测表现，结果显示无论样本外还是样本内，符号跳跃变差对其都有一定的预测能力，尤其是在中证500指数上表现更好。
原文刊发于《厦门大学学报（哲学社会科学版）》2023年第3期《经济与管理研究》专栏，第54—66页。因篇幅问题，注释删略。
相关文章：
欢迎关注“厦门大学学报哲社版”微信公众号
投稿平台
https://xdxbs.xmu.edu.cn/