近年来我国股票市场极端风险现象频发,这对投资组合风险管理和金融市场稳定都提出了严峻挑战。随着机构投资者在中国股票市场投资所占比重越来越高,其对度量股票崩盘风险的股票收益率偏度之影响的重要性也在不断增强。本文基于我国A股市场2008~2017年间3559家上市公司的数据,研究了中国市场机构投资者占比和企业股票未来崩盘风险之间的关系。实证结果发现数个规律。首先,总体看来机构投资者持股与股票未来暴跌风险显著负相关。但进一步研究发现相关性的方向取决于机构投资者的类型。其次,机构投资者通过影响公司的财务不透明度来影响股票收益率的偏度——积极主动型机构投资者的较高持股占比降低了财务不透明度对暴跌风险的正影响,而代表被动投资者的公募基金的较高占比加强了这种影响。最后,机构持股可能会放大由过度乐观所导致的分析师覆盖对标的股票暴跌风险的正向影响。 The extreme events that happened in China’s stock market in recent years present a serious challenge to the management of portfolio risks and the stability of financial markets. With an increasing proportion of institutional participants in the Chinese stock market, the importance of institutional investors’ influence on the skewness of stock returns, which can serve as a measure of stock crash risk, is also increasing. This paper investigates the relationship between the institutional ownership in Chinese publicly-listed firms’ stock and the stock’s future crash risk based on the data of 3559 firms listed in China’s A-share market between 2008 and 2017. The empirical results find several regularities. First, institutional ownership is overall significantly negatively correlated with the stock’s future crash risk. However, a closer inspection reveals the direction of the correlation depends on the types of institutional investors. Second, institutional investors influence the skewness of stock returns by affecting the firm’s financial opacity—a higher proportion of activist institutional investor ownership reduces the positive influence of financial opacity on crash risk, while that of mutual funds as passive investors strengthens such influence. Last but not least, institutional ownership may amplify the positive effect of analyst coverage on the stock's crash risk caused by over-optimism.
近年来我国股票市场极端风险现象频发,这对投资组合风险管理和金融市场稳定都提出了严峻挑战。随着机构投资者在中国股票市场投资所占比重越来越高,其对度量股票崩盘风险的股票收益率偏度之影响的重要性也在不断增强。本文基于我国A股市场2008~2017年间3559家上市公司的数据,研究了中国市场机构投资者占比和企业股票未来崩盘风险之间的关系。实证结果发现数个规律。首先,总体看来机构投资者持股与股票未来暴跌风险显著负相关。但进一步研究发现相关性的方向取决于机构投资者的类型。其次,机构投资者通过影响公司的财务不透明度来影响股票收益率的偏度——积极主动型机构投资者的较高持股占比降低了财务不透明度对暴跌风险的正影响,而代表被动投资者的公募基金的较高占比加强了这种影响。最后,机构持股可能会放大由过度乐观所导致的分析师覆盖对标的股票暴跌风险的正向影响。
收益率偏度,机构持股,分析师覆盖,财务不透明度,监管
Qian Chen1, Yadong Ma2, Xiang Gao3
1Faculty of Economics, Shenzhen MSU-BIT University, Shenzhen Guangdong
2Department of Fixed Income, Pingan Securities Group, Shenzhen Guangdong
3Faculty of Professional Finance and Accountancy, Shanghai Business School, Shanghai
Received: Jan. 11th, 2023; accepted: Jan. 19th, 2023; published: Mar. 10th, 2023
The extreme events that happened in China’s stock market in recent years present a serious challenge to the management of portfolio risks and the stability of financial markets. With an increasing proportion of institutional participants in the Chinese stock market, the importance of institutional investors’ influence on the skewness of stock returns, which can serve as a measure of stock crash risk, is also increasing. This paper investigates the relationship between the institutional ownership in Chinese publicly-listed firms’ stock and the stock’s future crash risk based on the data of 3559 firms listed in China’s A-share market between 2008 and 2017. The empirical results find several regularities. First, institutional ownership is overall significantly negatively correlated with the stock’s future crash risk. However, a closer inspection reveals the direction of the correlation depends on the types of institutional investors. Second, institutional investors influence the skewness of stock returns by affecting the firm’s financial opacity—a higher proportion of activist institutional investor ownership reduces the positive influence of financial opacity on crash risk, while that of mutual funds as passive investors strengthens such influence. Last but not least, institutional ownership may amplify the positive effect of analyst coverage on the stock's crash risk caused by over-optimism.
Keywords:Skewness of Returns, Institutional Ownership, Analyst Coverage, Financial Opacity, Monitoring
Copyright © 2023 by author(s) and
This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).
http://creativecommons.org/licenses/by/4.0/
近年来,中国股票市场频繁出现股票指数崩盘的情形,如上证指数在2015年6月19日下跌6.42%,6月26继续下跌7.4%,这种极端市场行情也被业内人士称为“股灾”。随后几年亦多次出现暴跌,本文统计了自2001年1月1日到2018年1月1日共计4120个交易日,当日涨跌幅绝对值最大的100交易日中,有62日为下跌。市场暴跌风险在中国市场频繁发作,已成为市场风险管理的一个重要方向。股票市场的暴跌风险不仅会影响投资者的投资组合管理,也会引发市场恐慌造成市场不稳定因素,给投资者的风险管理和监管机构市场监管都带来巨大的挑战。由此可见,股票市场暴跌风险已成为影响金融市场稳定的一个不可忽视的因素。
中国作为新兴市场,市场相对不够成熟,早期个人投资者占比较高。但近年来,中国市场机构投资者的比例逐步提升,根据WIND数据库的统计数据显示,如图1所示,机构投资者在全市场流通市值的占比从2008年年报公布的6.49%提升2016年末的50.21%。此外,2002年我国颁布了《合格境外机构投资者境内证券投资管理暂行办法》1,合格境外投资者(QFII)也开始参与中国股票市场投资,中国股票市场开始出现海外机构投资者。而且,2018年6月中国A股将有236只股票正式纳入MSCI新兴市场指数,这意味着A股国际化程度进一步提高,随之会带来更多海外机构资金投资中国股票。因此中国资本市场不断成熟、更加开放的背景下,机构投资者乃至海外投资者的占比将不断提升,机构投资者在中国市场的扮演的角色也将越来越重要,因此研究机构投资者行为对股票市场崩盘风险的影响和对市场稳定的作用也将更加有意义。
图1. 中国股市机构投资者占比2
学术界常用股票收益率的偏度来刻画崩盘风险,即越小的偏度代表越高的崩盘风险。国内外文献对机构投资者影响股票收益率偏度的研究还不够充分,分析机构投资者影响股票收益率偏度的内在影响机制的文献还相对缺乏。基于上述思考,在已有研究的基础上,本文通过使用中国股票市场2008~2017年3559家上市公司数据,研究了机构投资者占比对未来股票收益率偏度的影响,有效地补充该方向的理论研究,对于全面理解机构投资者行为对偏度的影响具有重要的学术价值。本文发现不同于以往文献在美国市场中的发现,机构投资者占比越高崩盘风险越小,证明机构投资者对于维护新兴市场的市场稳定具有正面作用,这意味着中国市场可以利用机构投资者增加金融市场稳定性。本文通过对中国市场机构进行分类,发现不同类型机构投资者的影响不同。其中公募基金占比越高,崩盘风险反而越大,这是现有文献均没有发现的现象。本文提出了机构投资者对偏度的两种可能的影响渠道。一方面机构投资者可能影响上市公司财务不透明度对偏度的作用效应,另一方面机构投资者可能通过影响分析师行为进而影响股票收益率偏度。本文进一步分析了不同类型机构投资者通过影响公司财务不透明度对股票收益偏度的影响。
对于股票收益不对称性的研究开始于上个世纪七八十年代,最初的理论均是基于完全信息理性预期框架形成的。Blanchard和Watson (1982) [
French等(1987) [
Hong和Stein (1999, 2003) [
另一些学者发现财务信息的不透明度也能解释未来股价收益的负偏度。根据Jin和Myers (2006) [
除此之外,Bae等(2006) [
文献中有不少研究也针对机构投资者行为对上市财务信息透明度的影响开展工作。Callen和Fang (2013) [
An和Zhang (2013) [
对于机构投资者行为的研究也在不断丰富。Chen等(2007) [
有文献进一步研究机构投资者与分析师覆盖度的关系。O’Brien和Bhushan (1990) [
此外,大量的文献也论述了证券分析师平均可能存在乐观倾向。Hayes (1998) [
Cao等(2016) [
本文旨在研究机构投资者占比对收益率偏度的影响,以及机构占比影响偏度的内在机制。我们将分析机构投资者与股票收益率偏度的关系,并进一步分析机构投资者影响偏度的两种可能的渠道。下文将对各部分论点,依据理论做出一系列假设。
如前述文献中提到的那样,机构投资者可能通过不同的机制对上市公司产生影响,结果可能是正向的也可能是负向的。如果正向的因素占主导,则机构占比越高崩盘风险越大,如果负向的因素占主导,那么机构占比越高崩盘风险越小。正向因素包括机构可以从对上市公司监督中获得更多的好处(Shleifer和Vishny, 1986, 1997) [
假设1a:同等条件下,机构投资者占比越高,未来崩盘风险越大。
假设1b:同等条件下,机构投资者占比越高,未来崩盘风险越小。
首先,根据已有文献认为财务不透明度会影响股票未来股票崩盘风险。原因在于上市公司管理人员根据信息披露操纵公司盈余,造成了不利信息的堆积,待到未来不得不释放的时候,会引起较大的崩盘风险(Hutton等2009) [
假设2.1 同等条件下,上市公司财务越不透明,未来崩盘风险越大。
大量文献也提出机构投资者可能影响公司财务不透明度。一方面,机构投资者可能对上市公司的管理者存在监督作用,促使上市公司不会过度的操纵公司盈余,从而增加公司财务透明度(Chen等,2007) [
假设2.2.a 机制一:机构占比和透明度的交叉项降低股价崩盘风险。
假设2.2.b 机制一:机构占比和透明度的交叉项增加股价崩盘风险。
假设2.2.a反映的是机构投资者的监督作用,如果假设成立,机构占比和不透明度的交叉项将会降低未来的崩盘风险。假设2.2.b反映的是机构投资者的短线交易行为,如果该假设成立,机构占比和不透明度的交叉项将会增加未来的崩盘风险。
尽管Hong等(2000) [
假设3.1同等条件下,分析覆盖越高,未来崩盘风险越大。
由于卖方分析师和机构投资者之间存在着业务服务关系,也即卖方分析师向机构投资者提供研究服务,用于获得交易佣金等激励。Frankel等(2006) [
假设3.2 机制二:机构占比会增加分析师覆盖,进而增加未来崩盘风险。
本章解释了研究所使用的数据、定义了变量并构建了检验假设的模型。
本文选取中国市场3559家A股上市公司从2008年到2017年的数据,不包含2017年的年报数据。股票样本数据包含了上海证券交易所和深圳证券交易所的所有股票,包括主板、中小板和创业板。本文剔除了只在B股交易的股票、ST股票、上市不超过半年(120个交易日)的样本以及有缺失值的股票。样本中所有上市公司行情数据、财务数据和一致预期数据均来自于WIND数据库。样本区间覆盖了所有上市公司从2008~2017年的半年度数据(半年报和年报数据),共计18个截面。本文的行业分类方式采用中信证券一级行业分类标准,共计29个一级行业。
我们沿用了Chen等(2001) [
N C S K E W i , t = − n ( n − 1 ) 3 2 ∑ r i , t 3 ( n − 1 ) ( n − 2 ) ( ∑ r i , t 2 ) 3 2 , (1)
其中, r i t 是股票i在第t个时间区间内的去均值后的日度收益率,日度收益率采用对数差分方法计算(如果采用简单日度收益,计算结果也不发生变化)。n为对应时间区间内有效样本的数量, N C S K E W i , t 则对应的是个股i在第t个截面时期的负的收益偏度。
D U V O L i , t (Down to Up Volatility)则采用不对称二阶矩衡量,二阶矩不对称实际上与三阶矩有偏相一致。不对称二阶矩计算不涉及三阶矩,因此可以规避一些极端数值情形。计算方式为,对于股票 在过去六个月这个时间区间,我们根据日收益高于或低于区间收益均值将区间划分为上行和下行两个子区间,然后分别计算这两个子区间样本标准差,然后取下行标准差对上行标准差比率的对数值作为 D U V O L i , t ,方程如下:
D U V O L i , t = log { ( n u − 1 ) ∑ d o w n r i , t 2 / ( n d − 1 ) ∑ u p r i , t 2 } . (2)
D U V O L i , t 越大代表风险越大。 n u 和 n d 分别对应股票 在该样本区间中的上行和下行子区间的样本容量。 N C S K E W i , t 和 D U V O L i , t 具有强相似度,因此在衡量收益率波动不对称方面具有很强的替代性。
本文构建了崩盘风险半年度的数据和年度的数据,通常来讲,在中国市场每年有240个交易日左右,每半年有120个交易日左右。对于半年频率的 N C S K E W i , t 和 D U V O L i , t ,本文选用每年的6月30日和12月31日作为起点,用过去120个交易日数据进行计算。但是由于停牌等原因存在缺失值,我们要求半年期至少有100个有效样本用于保证偏度计算的误差不会太大,否则将这个样本点的 N C S K E W i , t 和 D U V O L i , t 的取值设定为缺失值。对于年度的指标计算,本文选择12月31日作为起点,采用过去240个交易日作为样本区间,并要求有效样本点至少为200个以保证指标计算的误差不会太大。
本文主要解释变量包括机构持股比例、分析师覆盖度以及上市公司财务透明度。
首先,机构持股情况来自于上市公司的财务报表。我们从WIND数据库提取从2008~2017年所有A股上市公司的半年报和年报数据,得到了机构持股占比 I n s t j , t − 1 ,公募基金持股占比 F u n d j , t − 1 ,保险公司占比 I n s u r j , t − 1 ,社保基金占比 S S F u n d j , t − 1 ,外资持股占比 Q f i i j , t − 1 ,以及内资机构持股占比 D o m e s t i c j , t − 1 (总机构持股比例减去 Q f i i j , t − 1 )。其中持股比例均按照持股数量占上市公司自由流通股本的比例计算,变量取值均为所占比例乘以100。如果该期财务报表中无对应机构持股数据,该机构持股比例记作0处理。
其次,分析师覆盖数据来自WIND一致预期数据库。分析师覆盖数量是过去120个交易日内对该公司给出盈利预测的分析师的数量,如果没有分析师给出过盈利预测,则覆盖度记为0。
然后,上市公司财务透明度是根据以下方法计算得到。Hutton等(2009) [
T A j , t A s s e t j , t − 1 = α 0 1 A s s e t j , t − 1 + β 1 Δ S a l e s j , t A s s e t j , t − 1 + β 2 P P E j , t A s s e t j , t − 1 . (3)
其中, T A j , t 是公司j在财年t的总应计利润,等于公司的营业利润减去经营活动现金流,即 T A j , t = I n c o m e j , t − O C F j , t 。 A s s e t j , t 和 P P E j , t 分别是公司j在第t财年的年报总资产和总固定资产, Δ S a l e s j , t 是公司j第t年和 t − 1 年销售收入的增加量。公司j在第t财年的可操纵应计利润 D i s c A c c j , t 的计算公式如下:
D i s c A c c j , t = T A j , t A s s e t j , t − 1 − α ^ 0 1 A s s e t j , t − 1 + β ^ 1 Δ S a l e s j , t − Δ R e c e i v e j , t A s s e t j , t − 1 − β ^ 2 P P E j , t A s s e t j , t − 1 . (4)
等式(4)中的参数均是由进行(3)中截面回归拟合而得到, Δ R e c e i v e j , t 是公司j在第t财年和第 t − 1 财年的应收账款增加额,通过在总应计利润减去正常应计利润(Normal Accruals),最终得到的就是估计所得的非正常应计利润 D i s c A c c j , t ,其数值过大或者过小均表明了上市公司应计利润存在异常。
Dechow等(1996) [
O P A Q U E j , t = a b s ( D i s c A c c j , t ) + a b s ( D i s c A c c j , t − 1 ) + a b s ( D i s c A c c j , t − 2 ) . (5)
本文考虑以下控制变量。首先是股票收益率的波动率, V o l a t i l i t y j , t − 1 ,并预期 V o l a t i l i t y j , t − 1 大的时候未来的偏度会更小。这是根据Campbell和Hentschel (1992) [
变量类型 | 变量符号 | 变量描述 |
---|---|---|
被解释变量 | N C S K E W i , t | 负收益率偏度,过去120个交易日日度收益率偏度的相反数 |
D U V O L i , t | 非对称波动率之比,下行波动和上行波动的比值的对数值 | |
解释变量 | I n s t j , t | 总机构投资者占比,机构投资者持股比例占总流通股本的比例 |
F u n d j , t | 公募基金占比,公募基金持股比例占总流通股本的比例 | |
I n s u r j , t | 保险机构占比,保险机构持股比例占总流通股本的比例 | |
S S F u n d j , t | 社保基金占比,社保基金持股比例占总流通股本的比例 | |
Q F I I j , t − 1 | 合格境外投资者持股占总流通股本的比例 | |
D o m e s t i c j , t | 国内机构占比,总机构占比减去QFII占比 | |
O p a q u e j , t | 财务不透明度,最近三年非正常应计利润绝对值之和 | |
C o v e r j , t | 分析师覆盖度,过去120个交易日给出盈利预测的分析师的数量 | |
控制变量 | L N S I Z E j , t | 对数市值,总市值的对数值 |
V o l a t i l i t y j , t | 收益率波动,过去120交易日日度收益率的标准差 | |
D T u r n o v e r j , t | 去趋势的换手率,用于衡量投资者异质性。 T u r n o v e r j , t 为过去6个月平均月度换手率,减去过去18个月月度平均换手率得到去趋势的换手率 | |
R e t 1 j , t − 1 | 过去一个月月度涨跌幅,本文还加入了过去6个月每个月的月度涨跌幅,记作 R e t 2 j , t − 1 等 | |
P b j , t − 1 | 市净率 | |
R O A j , t − 1 | 资产回报率,净利润/总资产 | |
L E V j , t − 1 | 资产负债率,总负债/总资产 | |
I n d u s j , t − 1 | 行业哑变量,共计29个中信一级行业,28个哑变量 |
表1. 变量汇总表
表2给出了本文各变量的描述性统计指标,其中 N C S K E W i , t 全样本的均值为−0.032,即收益率偏度的均值为0.032,在个股层面存在正的无条件偏度,这与Chen等(2001) [
变量 | 样本数 | 均值 | 标准差 | 最小值 | 中位数 | 最大值 |
---|---|---|---|---|---|---|
N C S K E W i , t | 36,131 | −0.032 | 0.4583 | −1.873 | −0.003 | 1.593 |
D U V O L i , t | 36,131 | 0.0166 | 0.2404 | −0.719 | 0.0205 | 0.716 |
I n s t j , t − 1 | 42,669 | 36.892 | 23.755 | 0 | 36.696 | 98.625 |
F u n d j , t − 1 | 42,669 | 6.5272 | 10.199 | 0 | 2.1372 | 89.939 |
I n s u r j , t − 1 | 42,669 | 0.5374 | 2.6254 | 0 | 0 | 92.79 |
S S F u n d j , t − 1 | 42,669 | 0.4373 | 1.3222 | 0 | 0 | 38.64 |
Q F I I j , t − 1 | 42,669 | 0.1511 | 0.8528 | 0 | 0 | 22.996 |
D o m e s t i c j , t − 1 | 42,669 | 36.74 | 23.7 | 0 | 36.51 | 98.625 |
O p a q u e j , t − 1 | 18,591 | 0.07 | 0.05 | 0 | 0.06 | 0.49 |
C o v e r j , t − 1 | 31,352 | 6.2912 | 5.7368 | 1 | 4 | 40 |
L N S I Z E j , t − 1 | 42,669 | 13.288 | 1.0674 | 10.224 | 13.173 | 19.395 |
V o l a t i l i t y j , t − 1 | 36,131 | 0.0283 | 0.01 | 0.0085 | 0.0274 | 0.0667 |
D T u r n o v e r j , t − 1 | 40,039 | 2.7357 | 4.0647 | 0.0026 | 1.4925 | 93.6 |
R e t 1 j , t − 1 | 42,416 | −0.008 | 0.1579 | −0.662 | −0.010 | 5.7319 |
R e t 2 j , t − 1 | 42,154 | 0.0342 | 0.2107 | −0.645 | 0 | 5.7346 |
R e t 3 j , t − 1 | 41,892 | 0.0303 | 0.1606 | −0.521 | 0.0068 | 5.7260 |
I n d u s j , t − 1 | 42,669 | - | - | - | - | - |
表2. 描述性统计
注:Opaque为年度数据,其他变量均为半年度数据。
对于前文做出的假设,本文将构造对应的计量经济学模型进行实证分析。
首先在模型选择方面,本文参考了Chen等(2001) [
为了验证假设1:机构总持股情况对未来 C r a s h j , t 的影响,本文建立如等式(6)所示的面板回归模型, I n s t j , t − 1 即为机构总持股情况,模型中添加了3.1.3节所述的控制变量 C o n t r o l j , t − 1 ,还有行业哑变量 I n d u s t r y D u m m y 及时间哑变量 Y e a r D u m m y 。如果 ∂ 1 为负,则表明机构总占比越高,未来股票崩盘风险越小;反之,如果 ∂ 1 为正,则表明机构总占比越高,未来股票崩盘风险越大。
C r a s h i , t = ∂ 0 + ∂ 1 I n s t j , t − 1 + ∂ 2 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t (6)
进一步地,我们想验证不同类型机构投资者占比影响的差异,第一种研究是不同类型的机构投资者如公募基金占比 F u n d j , t − 1 、保险资金占比 I n s u r j , t − 1 和社会保险基金占比 S S F u n d j , t − 1 影响的异同,并建立了如等式(7)所示的回归模型, ∂ 1 、 ∂ 2 和 ∂ 3 即为对应的待估参数,其他控制变量和数据来源均与(6)式一致。
然后,由于中国资本市场部分对外资开放,在机构投资者中还有海外投资者,我们称之为合格境外投资者 Q F I I j , t − 1 ,除合格境外投资者以外的机构投资者我们定义为境内投资者 D o m e s t i c j , t − 1 。我们建立如(8)式所示的模型验证境内外机构投资者对未来的影响。等式(7)和(8)可以用来验证2.2.2节中不同机构投资者对股票未来 C r a s h i , t 的影响,分别对应不同机构的影响,以及内外资机构的影响。
C r a s h i , t = ∂ 0 + ∂ 1 F u n d j , t − 1 + ∂ 2 I n s u r j , t − 1 + ∂ 3 S S F u n d j , t − 1 + ∂ 4 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t . (7)
C r a s h i , t = ∂ 0 + ∂ 1 Q F I I j , t − 1 + ∂ 2 D o m e s t i c j , t − 1 + ∂ 3 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t . (8)
关于公司不透明度 O P A Q U E j , t − 1 与未来 C r a s h i , t 的关系,尽管海外已经有成熟文献阐述了这一现象的理论基础和实证结果,本文仍然首先要验证在中国市场存在 O P A Q U E j , t − 1 对 C r a s h i , t 的影响,即企业财务越不透明未来崩盘风险越大,即 O P A Q U E j , t − 1 越大未来 C r a s h i , t 风险越大。为此我们建立如(9)式所示的模型,并预期 O P A Q U E j , t − 1 的系数 ∂ 1 为正。
C r a s h i , t = ∂ 0 + ∂ 1 O p a q u e j , t − 1 + ∂ 2 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t . (9)
接下来我们通过在模型中加入 O p a q u e j , t − 1 和 I n s t j , t − 1 的交叉项 O p a q u e × I n s t j , t − 1 来验证机构持仓占比和公司财务透明度的关系,即验证机制一。如果该交叉项符号为负,说明 I n s t j , t − 1 减弱了 O p a q u e j , t − 1 的作用,也即验证了假设2.2.a,机构投资占比 I n s t j , t − 1 对上市公司存在监督作用(Monitoring)从而可以有效降低公司不透明度,进而减弱 O p a q u e j , t − 1 对未来崩盘风险 C r a s h i , t 的影响;如果该项符号为正则说明, I n s t j , t − 1 增强了 O p a q u e j , t − 1 的作用,也即验证了假设2.2.b,机构投资占比 I n s t j , t − 1 加大了公司不透明度 O p a q u e j , t − 1 对未来崩盘风险 C r a s h i , t 的影响。因此我们在(9)式的基础上加上交叉项 O p a q u e × I n s t j , t − 1 得到如下等式(10)。
C r a s h i , t = ∂ 0 + ∂ 1 O p a q u e × I n s t j , t − 1 + ∂ 2 O p a q u e j , t − 1 + ∂ 3 I n s t j , t − 1 + ∂ 4 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t . (10)
进一步地,为了研究了不同机构影响的差异,我们也将不同类型的机构占比和不透明度 O p a q u e j , t − 1 取交叉项,研究不同机构和财务不透明度的作用关系。进而构造出形式如(11)的模型。
C r a s h i , t = ∂ 0 + ∂ 1 O p a q u e × F u n d j , t − 1 + ∂ 2 F u n d j , t − 1 + ∂ 3 O p a q u e j , t − 1 + ∂ 4 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t . (11)
本部分主要验证机构投资者占比 I n s t j , t − 1 和未来分析师覆盖 C o v e r j , t 之间的关系。根据2.2.3中提出的,卖方分析师有多种激励存在促使他们更倾向于表现的过于乐观,分析师过度乐观往往表现在分析师可能对利好消息过度反应而对不利消息反应不够,造成了一定程度的不利信息未充分披露,结合Discretionary Discourse Theory,当这些暂时被掩盖的不利信息未来释放的时候,会带来负偏度。因此第一步,我们将会验证分析师覆盖和崩盘风险的关系。根据我们的理论假设, C o v e r i , t − 1 越大表示过去一段时间分析师覆盖越高,意味着不利信息积累就越多,那么未来更有可能表现为负偏度即 C r a s h i , t 越大。为验证假设3.1,我们构造(12)并预期 ∂ 1 为正。
C r a s h i , t = ∂ 0 + ∂ 1 C o v e r j , t − 1 + ∂ 2 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t (12)
接下来我们将研究机制二,即存在分析师跟随行为。原因是在中国市场卖方分析师往往服务于机构客户,为其提供研究服务以赚取交易佣金等,因此根据假设3.2,机构投资者 I n s t j , t − 1 可能会通过吸引卖方分析师覆盖从而增加未来的分析师覆盖 C o v e r j , t − 1 。进而在分析师覆盖增加的情况下,结合假设3.1可以发现未来收益率偏度会由于更大的分析师乐观情绪而更小,崩盘风险更大。因此为了验证机制二,我们在(12)加入交叉项 C o v e r j , t − 1 × I n s t j , t − 1 得到(13),并预期该交叉项系数为正。
C r a s h i , t = ∂ 0 + ∂ 1 C o v e r j , t − 1 × I n s t j , t − 1 + ∂ 2 C o v e r j , t − 1 + ∂ 3 C o n t r o l j , t − 1 + Y e a r D u m m y + I n d u s t r y D u m m y + ε i , t (13)
首先,我们先对基础模型(只纳入控制变量)进行实证研究。为了验证固定效应模型的有效性,我们先分别建立了固定效应模型(FE)和随机效应模型(RE),然后进行Hausman检验。对于因变量,我们采用了两种不同的衡量标准 N C S K E W i , t − 1 和 D U V O L i , t ,表3展示这一部分的实证结果,其中Panel A展示了基础模型在时间固定效应和随机效应下的结果,Panel B则展示了Hausman检验的结果。Hausman检验的原假设是随机效应是一致的,如果检验接受原假设我们应该选择随机效应模型,如果拒绝原假设我们应该使用时间固定效应模型。两组Hausman检验的 χ 2 统计量分别为365.26和178.42,对应的p值均为0,在1%的置信度下显著拒绝原假设,也即随机效应是不一致的,应该选择固定效应回归,这也符合我们的理论预期。因此,下文主要模型估计也都将沿用这一结论,采用控制行业和时间固定效应作为我们的主要实证研究方法。
表3中Panel A的第1和3列为固定效应回归结果,第2和4列为随机效应的结果。以第1列为例,因变量的滞后一阶 N C S K E W i , t − 1 的系数是0.068,显著为正,这一结论符合预期。对数市值 L N S I Z E j , t − 1 的系数为−0.036,t值为−11.9276,表明市值越大的股票未来的 N C S K E W i , t 越小(偏度越大),也即在其他条件不变的情况下,大市值股票未来的崩盘风险反而更小,而Chen等(2001) [
变量 | (1) | (2) | (3) | (4) |
---|---|---|---|---|
N C S K E W i , t | N C S K E W i , t | D U V O L i , t | D U V O L i , t | |
Panel A:回归结果 | ||||
N C S K E W i , t − 1 | 0.0676***(8.9931) | 0.0731***(9.8202) | ||
D U V O L i , t − 1 | 0.0794***(110329) | 0.0895***(12.7031) | ||
L N S I Z E j , t − 1 | −0.036***(−11.9276) | −0.0338***(−11.2124) | −0.030***(−19.060) | −0.0281***(−17.9873) |
log ( v o l a t i l i t y j , t − 1 ) | 0.1048***(−7.2805) | 0.1278***(8.4667) | 0.0452***(5.7459) | 0.0544***(7.2307) |
D T u r n o v e r j , t − 1 | 0.005***(4.7076) | 0.0052***(4.8101) | 0.0028***(4.6829) | 0.0029 (4.8880) |
R e t 1 j , t − 1 | 0.2253***(8.9651) | 0.2204***(8.9694) | 0.0900***(6.6093) | 0.0881***(6.5331) |
R e t 2 j , t − 1 | 0.0804***(4.2432) | 0.0934 (5.0561) | 0.0273***(2.6475) | 0.0371***(3.6772) |
R e t 3 j , t − 1 | −0.0349 (−1.5548) | 0.0012 (0.0534) | −0.0216*(−1.7818) | 0.0048***(0.4080) |
R e t 4 j , t − 1 | 0.0458*(1.9041) | 0.0685***(2.9489) | −0.0035 (−0.2787) | 0.0153 (1.2482) |
R e t 5 j , t − 1 | −0.149***(−5.7482) | −0.1636***(−6.6772) | −0.0717 (−5.3988) | −0.0754***(−5.9595) |
R e t 6 j , t − 1 | 0.0137 (0.6852) | 0.0484 (2.2000) | 0.01761*(1.6454) | 0.0407***(3.8995) |
行业FE | Yes | Yes | Yes | Yes |
样本量 | 28,655 | 28,655 | 28,655 | 28,655 |
R 2 | 0.037 | 0.039 | 0.050 | 0.052 |
F统计量 | 29.08 | 30.49 | 40.176 | 41.22 |
效应 | FE | RE | FE | RE |
Panel B: Hausman检验 | N C S K E W i , t | D U V O L i , t | ||
原假设 | 随机效应是一致的 | 随机效应是一致的 | ||
χ 2 | 365.26*** | 178.42*** |
表3. 基础模型:固定效应及随机效应
注:括号上方为回归系数,括号内为稳健的t统计量,主结果均保留4位小数。***表明在1%的显著性程度下显著,*表明在10%的显著性程度下显著。Panel A第1和3列是时间固定效应,第2和4列是对应的随机效应,Panel B是对应的Hausman检验结果。
接下来,我们研究机构投资者占比 I n s t j , t − 1 对未来崩盘风险 C r a s h j , t 的影响。表4第一列给出了(6)式的实证拟合结果,其中总机构持仓占比 I n s t i , t − 1 的回归系数为−0.0006,稳健的t统计量是−4.606,对应在1%的显著性水平下显著为负,也即表明在其他条件不变的情况下,总机构占比越高的股票未来的偏度会更大,即 N C S K E W i , t 越小。这说明在中国市场上,相同条件下总机构占比越多的股票未来发生极端崩盘风险的可能就越小,机构投资者占比显著降低未来的股票价格崩盘风险。所有控制变量的结论与表3一致,未发生变化;也说明 I n s t i , t − 1 系数显著为负的结论在含有上述控制变量情况下依然显著,说明了结论的稳健性。这一情况与Callen和Fang (2013) [
实证估计结果如表4第2列所示。公募基金占比 F u n d i , t − 1 的系数为0.0013,在1%的显著性程度下显著为正,表明同等条件下公募基金占比每上升1个百分点,未来的 N C S K E W i , t 会增加0.0013个单位,即公募基金占比越高对应未来的偏度反而越小。公募基金与总机构投资者的影响方向相反,从一定程度上反映,公募基金投资者行为存在某些不同的特征。保险机构投资者 I n s u r i , t − 1 的系数为0.0007,其t统计量为0.8332,对应的P值为0.4047,在10%的显著性程度下也不能拒绝原假设,即保险机构投资者占比对股票的崩盘风险影响不显著。社保基金 S S F u n d i , t − 1 的系数为−0.0054,其t统计量为−2.7378,在1%的显著性程度下仍然显著为负,说明同等情况下社保基金持股占比越高,未来的股票收益率偏度相对越高,崩盘风险越小。因此,不同类型投资者对 N C S K E W i , t 的影响存在明显差异,公募基金与未来股票价格崩盘风险显著正相关,保险投资者占比对 N C S K E W i , t 的影响在统计上不显著,而社保基金则与 N C S K E W i , t 显著的负相关。
表4第3列给出了境外投资者 Q F I I i , t − 1 和境内投资者 D o m e s t i c i , t − 1 对未来股票收益率偏度影响的实证结果。 Q F I I i , t − 1 的系数为−0.0021,但是其t统计量为−0.7904,在10%的显著性水平下仍不显著,在统计意义上并不能得出海外投资者对未来股票偏度有显著影响。境内投资者占比 D o m e s t i c i , t − 1 的系数为−0.0006,其t统计量为−4.2939,对应P值为0,在1%的显著性程度下显著为负,即同等条件下国内机构投资者占比越高,未来股票收益率偏度越大。该结论也符合前文中总机构投资者占比与崩盘风险之间是负相关作用,原因在于机构投资者中QFII投资者占比有限,大部分均为国内投资者,因此国内投资者占比与总机构投资者影响一致,均与 N C S K E W i , t 负相关。
变量 | (1) | (2) | (3) | ||||
---|---|---|---|---|---|---|---|
N C S K E W i , t | N C S K E W i , t | N C S K E W i , t | |||||
I n s t i , t − 1 | −0.0006***(−4.3052) | ||||||
F u n d i , t − 1 | 0.0013***(4.7443) | ||||||
I n s u r i , t − 1 | 0.0007 (0.8332) | ||||||
S S F u n d i , t − 1 | −0.0054***(−2.7378) | ||||||
Q F I I i , t − 1 | −0.0021 (−0.7904) | ||||||
D o m e s t i c i , t − 1 | −0.0006***(−4.2939) | ||||||
N C S K E W i , t − 1 | 0.0665***(8.8461) | 0.0655***(8.7144) | 0.0665***(8.8438) | ||||
L N S I Z E j , t − 1 | −0.0313***(−9.7006) | −0.0414***(−12.2981) | −0.0312***(−9.6689) | ||||
log ( v o l a t i l i t y j , t − 1 ) | 0.1129***(7.2067) | 0.1105***(7.0386) | 0.1126***(7.1709) | ||||
D T u r n o v e r j , t − 1 | 0.0032***(2.7960) | 0.0053***(4.8867) | 0.0032***(2.8001) | ||||
R e t 1 j , t − 1 | 0.2467***(9.6337) | 0.2120***(8.4488) | 0.2467***(9.6331) | ||||
R e t 2 j , t − 1 | 0.0874***(4.6099) | 0.0700***(3.6720) | 0.0875***(4.6131) | ||||
R e t 3 j , t − 1 | −0.0290 (−1.2895) | −0.0412*(−1.8382) | −0.0289 (−1.2857) | ||||
R e t 4 j , t − 1 | 0.0479**(1.9902) | 0.0359 (1.4889) | 0.0479**(1.9922) | ||||
R e t 5 j , t − 1 | −0.1430***(−5.5071) | −0.1560***(−6.0217) | −0.1429***(−5.5034) | ||||
R e t 6 j , t − 1 | 0.0164 (0.8215) | 0.0114 (0.5705) | 0.0165 (0.8254) | ||||
行业FE | Yes | Yes | Yes | ||||
时间FE | Yes | Yes | Yes | ||||
样本量 | 28,655 | 28,655 | 28,655 | ||||
R 2 | 0.0378 | 0.0379 | 0.0378 | ||||
F统计量 | 28.89 | 26.93 | 28.18 | ||||
表4. 假设1的实证结果
注:括号上方为回归系数,括号内显示稳健的t统计量,主要结果均保留4位小数。***表明在1%的显著性程度下显著,**表明在5%的显著性程度下显著,*表明在10%的显著性程度下显著。
这一部分展示并讨论假设2.2的实证结果,但是不同于之前的半年度数据,这一部分对于上市公司不透明 O p a q u e i , t − 1 只能使用年度数据,因此这一部分我们使用中国股票市场2008~2017年度所有上市公司的数据,其他模型设定不变。
表5第1列展示了(9)式的拟合结果, O p a q u e i , t − 1 的系数为0.2008,其t统计量为2.6736,对应P值为0.007,该系数在1%的显著性程度下显著为正,表明同等条件下上市公司财务越不透明其未来的 N C S K E W i , t 相应越大,即偏度更小,崩盘风险更大。该结果验证了假设2.1的猜想,与理论上预期一致。在中国,上市公司管理人员存在操纵公司盈余情况的动机,会通过对应计项目的操纵阻碍不利信息的公布,因而会造成了短期不利信息被暂时隐藏堆积到未来,等到未来某个时刻上市公司管理者无法继续操纵短期盈余的时候,之前被堆积的不利消息会集中释放,从而引起较大的崩盘风险。
表5第2列展示了估计等式(10)的实证结果,交叉项 I n s t i , t − 1 × O p a q u e i , t − 1 的系数为−0.0057,其t统计量为2.6537,对应P值为0.008,在1%的显著性程度下显著为负,说明 I n s t i , t − 1 减弱了 O p a q u e i , t − 1 对未来 N C S K E W i , t 的影响,同等程度下, I n s t i , t − 1 每增加一个单位, O p a q u e i , t − 1 的系数(即斜率)将会对应减少0.0057。这一结果验证了假设2.2.a,即从总机构持股占比 I n s t i , t − 1 来看,机构投资者对上市公司存在监督作用,降低公司财务不透明带来的未来负偏度。
此外我们在前文研究发现 F u n d i , t − 1 的系数显著为正,公募基金占比与 N C S K E W i , t 显著正相关,这与总机构投资者占比的影响恰恰相反。因此,这一部分我们考察公募基金投资者对上市公司的财务不透明度的影响。表5第3列给出了(11)式的拟合结果,交叉项 F u n d i , t − 1 × O p a q u e i , t − 1 的系数为0.0010,t统计量为2.9877,对应的P值是0.003,在1%的显著性程度下显著为正。结果表明公募基金占比 F u n d i , t − 1 增强了不透明度 O p a q u e i , t − 1 对 N C S K E W i , t 的影响。该结果验证了假设2.2.b,即公募基金更可能关注企业短期盈利情况。根据理论假设,短期投资者过分关注企业短期业绩情况,公募基金投资者可能更多扮演了交易者的角色,导致公募基金走投资者过分关注短期业绩波动,放大了上市公司盈余操纵行为的后果。
变量 | (1) | (2) | (3) | |
---|---|---|---|---|
N C S K E W i , t | N C S K E W i , t | N C S K E W i , t | ||
O p a q u e i , t − 1 | 0.2008***(2.6736) | 0.4146***(3.7214) | 0.0805 (0.9381) | |
I n s t i , t − 1 | −0.0005 (−1.5703) | 0.0001 (0.3163) | ||
F u n d i , t − 1 | 0.0006***(2.6802) | |||
I n s t i , t − 1 × O p a q u e i , t − 1 | −0.0057***(−2.6537) | |||
F u n d i , t − 1 × O p a q u e i , t − 1 | 0.0010***(2.9877) | |||
N C S K E W i , t − 1 | 0.1258***(9.9010) | 0.1249***(9.8607) | 0.1175***(9.1944) | |
L N S I Z E j , t − 1 | −0.0294***(−6.1624) | −0.0281***(−5.8783) | −0.0414***(−7.9263) | |
log ( v o l a t i l i t y j , t − 1 ) | 0.1165***(4.9148) | 0.1169***(4.9231) | 0.1038***(4.3859) | |
D T u r n o v e r j , t − 1 | 0.0077*(1.8174) | 0.0068 (1.6201) | 0.0104**(2.5241) | |
R e t 1 j , t − 1 | 0.2713***(7.6740) | 0.2716***(7.6748) | 0.2540***(7.2327) | |
R e t 2 j , t − 1 | 0.1059***(3.4048) | 0.1080***(3.4733) | 0.0889***(2.8361) | |
R e t 3 j , t − 1 | 0.05310 (1.6040) | 0.0523 (1.5769) | 0.0527 (1.5918) | |
R e t 4 j , t − 1 | 0.0549 (1.6380) | 0.0543 (1.6221) | 0.0446 (1.3310) | |
R e t 5 j , t − 1 | −0.0714*(−1.8772) | −0.0710*(−1.6894) | −0.0799*(−2.1176) | |
R e t 6 j , t − 1 | 0.0905***(3.1975) | 0.0913***(3.2267) | 0.0826***(2.9182) | |
行业FE | Yes | Yes | Yes | |
时间FE | Yes | Yes | Yes | |
样本量 | 10,324 | 10,324 | 10,324 | |
R 2 | 0.0518 | 0.0525 | 0.0540 | |
F统计量 | 14.84 | 14.30 | 14.75 |
表5. 假设2的实证结果
注:括号上方为回归系数,括号内显示稳健的t统计量,主要结果均保留4位小数。***表明在1%的显著性程度下显著,**表明在5%的显著性程度下显著,*表明在10%的显著性程度下显著。由于Opaque的计算仅有年度数据,该部分结果均使用年度数据进行分析。
接下来我们将从市场参与者角度研究假设3,即机构投资者与分析师覆盖度的关系,及其对股票收益偏度的影响。表6第1列展示了(12)式的拟合结果, C o v e r i , t − 1 的系数为0.0103,在1%的显著性程度下显著为正,表明同等条件下分析覆盖越高的股票未来一期的偏度会相对更小。为了验证机构投资者是否通过影响分析师覆盖进而影响股票收益率的偏度,表6第2列给出了(13)式的拟合结果,交叉项 C o v e r j , t × I n s t j , t − 1 的系数为0.00004,在5%的显著性程度下显著为正,即机构投资者占比越高,会吸引更多卖方分析师覆盖研究,由于分析师乐观情绪的存在,会低估不利信息,使得不利信息堆积,引起未来负偏度。
进一步,我们研究了公募基金占比是否通过影响分析师覆盖进而影响收益率偏度。表6第3列给出了加入滞后一期公募基金占比和滞后一期分析师覆盖的交叉项 F u n d j , t − 1 × C o v e r j , t − 1 的结果,该交叉项系数为0.00006,在10%的显著性程度下为正,再次验证了假设3.2的观点,公募基金也会吸引分析师覆盖,造成未来收益率负偏度。
变量 | (1) | (2) | (3) | ||||
---|---|---|---|---|---|---|---|
N C S K E W i , t | N C S K E W i , t | N C S K E W i , t | |||||
C o v e r i , t − 1 | 0.0103***(2.7942) | 0.0422***(6.5021) | 0.0029***(0.6765) | ||||
I n s t i , t − 1 × C o v e r i , t − 1 | 0.00004**(2.3857) | ||||||
F u n d i , t − 1 × C o v e r i , t − 1 | 0.00006*(1.8934) | ||||||
I n s t i , t − 1 | −0.0006***(−4.0259) | −0.0009***(−4.4722) | |||||
F u n d i , t − 1 | 0.0001 (0.2708) | ||||||
N C S K E W i , t − 1 | 0.0558***(6.5617) | 0.0549***(6.1856) | 0.0563***(6.6133) | ||||
L N S I Z E j , t − 1 | −0.0363***(−8.6390) | −0.0330***(−7.4112) | −0.0422***(−10.1126) | ||||
log ( v o l a t i l i t y j , t − 1 ) | 0.1091***(5.8715) | 0.1128***(5.6948) | 0.1089***(5.8302) | ||||
D T u r n o v e r j , t − 1 | 0.0036**(2.5918) | 0.0022 (1.4765) | 0.0059***(4.5487) | ||||
R e t 1 j , t − 1 | 0.2233***(7.6520) | 0.2477***(8.0450) | 0.1907***(6.6556) | ||||
R e t 2 j , t − 1 | 0.0806***(3.7960) | 0.0924***(4.1795) | 0.0666***(3.1092) | ||||
R e t 3 j , t − 1 | −0.0391 (−1.4820) | −0.0252 (−0.9079) | −0.0509*(−1.9252) | ||||
R e t 4 j , t − 1 | 0.0484*(1.7557) | 0.0491*(1.7221) | 0.0385*(1.3955) | ||||
R e t 5 j , t − 1 | −0.1629***(−5.5063) | −0.1547***(−5.0183) | −0.1766***(−5.9675) | ||||
R e t 6 j , t − 1 | 0.0430 (1.6131) | 0.0411*(1.6678) | 0.0333*(1.3979) | ||||
行业FE | Yes | Yes | Yes | ||||
时间FE | Yes | Yes | Yes | ||||
样本量 | 19,291 | 19,291 | 19,291 | ||||
R 2 | 0.043 | 0.048 | 0.043 | ||||
F统计量 | 23.911 | 23.130 | 23.094 | ||||
表6. 假设3的实证结果
注:括号上方为回归系数,括号内显示稳健的t统计量,主要结果均保留4位小数。***表明在1%的显著性程度下显著,**表明在5%的显著性程度下显著,*表明在10%的显著性程度下显著。
为检验结果的稳健性,本文将进行使用不同的控制变量,并使用其他代理变量作为被解释变量。
该部分以(6)为例,在模型中逐步添加控制变量,并控制行业和时间固定效应进行回归,结果如表7所示。表7第1列展示了仅控制市值和行业后的结果, I n s t i , t − 1 系数为−0.0008,在1%的显著性程度下显著为负。表7第2列在市值的基础上控制了过往文献中所提到的波动率 log ( v o l a t i l i t y j , t − 1 ) 、前期月度涨跌幅 R e t 1 j , t − 1 , ⋯ , R e t 6 j , t − 1 和投资者异质性 D T u r n o v e r j , t − 1 。结果显示 I n s t i , t − 1 系数为−0.0006,在1%的显著性程度下仍然显著为负。表7第3列进一步控制了Kim和Zhang (2016) [
变量 | (1) | (2) | (3) | (4) | |
---|---|---|---|---|---|
N C S K E W i , t | N C S K E W i , t | N C S K E W i , t | N C S K E W i , t | ||
I n s t i , t − 1 | −0.0008***(−6.6678) | −0.0006***(−4.6157) | −0.0006***(−4.6023) | −0.0006***(−4.3277) | |
L N S I Z E j , t − 1 | −0.0323***(−10.8937) | −0.0371***(−11.1659) | −0.02266***(−10.6004) | −0.0305***(−9.1314) | |
log ( v o l a t i l i t y j , t − 1 ) | 0.0824***(5.2220) | 0.0831***(5.1960) | 0.1133***(7.1306) | ||
R e t 1 j , t − 1 | 0.2211***(8.7765) | 0.2121***(8.2629) | 0.2389***(9.1547) | ||
R e t 2 j , t − 1 | 0.0715***(3.8173) | 0.0711***(3.7017) | 0.0898***(4.6145) | ||
R e t 3 j , t − 1 | −0.0528**(−2.3793) | −0.0443**(−1.9885) | −0.0209 (−0.9259) | ||
R e t 4 j , t − 1 | 0.0375 (1.5678) | 0.0361 (1.5013) | 0.0457*(1.8904) | ||
R e t 5 j , t − 1 | −0.1644***(−6.3843) | −0.1609***(−6.1971) | −0.1381***(−5.3048) | ||
R e t 6 j , t − 1 | −0.0100 (−0.5083) | −0.0042 (−0.2081) | 0.0222 (1.0957) | ||
D T u r n o v e r j , t − 1 | 0.0033***(2.8639) | 0.0033***(2.8238) | |||
P b i , t − 1 | 3.85e−06***(8.8162) | 4.01e−06***(8.89658) | |||
R O E i , t − 1 | 0.0002 (1.1747) | 0.0002 (0.9603) | |||
L E V i , t − 1 | 9.99e−06 (0.6536) | 8.54e−06***(0.5808) | |||
D U V O L i , t − 1 | 0.0662***(8.7078) | ||||
行业FE | Yes | Yes | Yes | Yes | |
时间FE | Yes | Yes | Yes | Yes | |
样本量 | 28,655 | 28,655 | 28,655 | 28,655 | |
R 2 | 0.0256 | 0.0349 | 0.0312 | 0.0340 | |
F统计量 | 30.07*** | 27.83*** | 23.25*** | 24.25*** | |
表7. 加入不同控制变量后机构占比的影响的稳健性
注:括号上方为回归系数,括号内显示稳健的t统计量,主要结果均保留4位小数。***表明在1%的显著性程度下显著,**表明在5%的显著性程度下显著,*表明在10%的显著性程度下显著。
表8展示了以 D U V O L i , t 为代理变量下,机构投资者占比对崩盘风险的影响。表8第1列 I n s t i , t − 1 的系
变量 | (1) | (2) | (3) |
---|---|---|---|
D U V O L i , t | D U V O L i , t | D U V O L i , t | |
I n s t i , t − 1 | −0.0004***(−5.4917) | ||
F u n d i , t − 1 | −0.0002 (−1.6979) | ||
I n s u r i , t − 1 | 0.0005 (1.4761) | ||
S S F u n d i , t − 1 | −0.0028***(−2.7822) | ||
Q F I I i , t − 1 | −0.0031***(−2.4891) | ||
D o m e s t i c i , t − 1 | −0.0004***(−5.4534) | ||
D U V O L i , t − 1 | 0.0777***(10.8010) | 0.0794***(11.0383) | 0.0776***(10.7809) |
L N S I Z E j , t − 1 | −0.0270***(−16.1535) | −0.0287***(−16.5438) | −0.0269***(−16.1040) |
log ( v o l a t i l i t y j , t − 1 ) | 00442***(5.6282) | 0.0463***(5.8620) | 0.0435***(5.5251) |
D T u r n o v e r j , t − 1 | 0.0016**(2.5334) | 0.0028***(4.5441) | 0.0016**(2.5435) |
R e t 1 j , t − 1 | 0.1036****(7.4878) | 0.0937***(6.8650) | 0.1037***(7.4867) |
R e t 2 j , t − 1 | 0.0318***(3.0613) | 0.0300***(2.8817) | 0.0319***(3.0739) |
R e t 3 j , t − 1 | −0.0179 (−1.4767) | −0.0206*(−1.7020) | −0.0177 (−1.4599) |
R e t 4 j , t − 1 | −0.0024 (−0.1894) | −0.0017 (−0.1337) | 0.0023 (−0.1832) |
R e t 5 j , t − 1 | −0.0680***(−5.1139) | −0.0700***(−5.2770) | −0.0678***(−5.1016) |
R e t 6 j , t − 1 | 0.0192*(1.7934) | 0.0189*(1.7660) | 0.0193*(1.8062) |
行业FE | Yes | Yes | Yes |
时间FE | Yes | Yes | Yes |
样本量 | 28,655 | 28,655 | 28,655 |
R 2 | 0.0517 | 0.0510 | 0.0518 |
F统计量 | 40.08 | 37.61 | 39.15 |
表8. DUVOL为被解释变量的假设1实证结果
注:括号上方为回归系数,括号内显示稳健的t统计量,主要结果均保留4位小数。***表明在1%的显著性程度下显著,**表明在5%的显著性程度下显著,*表明在10%的显著性程度下显著。
数为−0.0004,在1%显著性程度下显著为负,印证了前文机构占比越高未来崩盘风险越小的结论。再细分情况下公募基金占比显著性有所下降,保险机构占比 I n s u r i , t − 1 依然不显著,社保基金占比 S S F u n d i , t − 1 仍然显著为负。此外在第3列中, Q F I I i , t − 1 的系数为−0.0031,在1%的显著性程度下显著为负,对应前文中 Q F I I i , t − 1 系数为负但不显著,符号一致;境内投资者 D o m e s t i c i , t − 1 系数为−0.0004,与前文结论一致,显著为负;如果对比境内外投资者的差异发现,境外投资者系数绝对值远大于境内投资者,说明境外投资者对降低崩盘风险效果可能更强。
随后,我们对本文提出的机构投资者占比对崩盘风险的两种影响机制进行稳健性检验。我们将表5和表6中的崩盘风险的代理变量替换为 D U V O L i , t ,重新进行估计,数据结果如表9所示。对于机制一,在第1列中机构占比与不透明度的交叉项 I n s t i , t − 1 × O p a q u e i , t − 1 的系数显著为负,机构投资者降低了不透明度对偏度的影响,公募占比与不透明度的交叉项 F u n d i , t − 1 × O p a q u e i , t − 1 的系数显著性下降,但是依然为正,与前文符号一致。对于机制二,机构占比与未来分析师覆盖的交叉项 I n s t i , t − 1 × C o v e r i , t − 1 的系数显著为正,机构占比增强了分析师覆盖度对偏度的影响,结论与前文一致,验证了假设3.2的观点,机构投资者通过吸引分析师覆盖从而增加了未来的崩盘风险。
在考虑以DUVOL作为被解释变量后,机构投资占比依然与未来崩盘风险呈显著负相关关系,公募基金占比与未来崩盘风险的关系变得不显著。海外机构占比和国内机构占比均与崩盘风险负相关,且QFII的影响更大。通过加入交叉项验证假设2和假设3的结果发现,总机构投资者依然通过监督作用降低上市公司不透明度进而降低崩盘风险,公募基金仍加剧不透明度对崩盘风险的影响,但显著性降低。机构投资者与分析师覆盖的交叉项仍增加未来的崩盘风险,说明机构投资者通过吸引分析师覆盖,使得未来收益率可能负偏度。
变量 | (1) | (2) | (3) | |||||
---|---|---|---|---|---|---|---|---|
D U V O L i , t | D U V O L i , t | D U V O L i , t | ||||||
I n s t i , t − 1 × O p a q u e i , t − 1 | −0.0029***(−2.6717) | |||||||
F u n d i , t − 1 × O p a q u e i , t − 1 | 0.0015 (0.8903) | |||||||
I n s t i , t − 1 × C o v e r i , t − 1 | 0.00001*(1.7220) | |||||||
O p a q u e i , t − 1 | 0.1465***(2.6812) | 0.0243 (0.5950) | ||||||
C o v e r i , t − 1 | 0.0256***(7.6807) | |||||||
I n s t i , t − 1 | −0.00003 (−0.1593) | −0.0005 (−4.6949) | ||||||
F u n d i , t − 1 | 0.00007 (0.7310) | |||||||
D U V O L i , t − 1 | 0.1396***(11.8477) | 0.1392***(1.8063) | 0.0727***(8.4566) | |||||
L N S I Z E j , t − 1 | −0.0251***(−10.9518) | −0.0285***(−11.5871) | −0.0211***(−9.1942) | |||||
log ( v o l a t i l i t y j , t − 1 ) | 0.0552***(5.0006) | 0.0536***(4.8491) | 0.0454***(4.6051) | |||||
D T u r n o v e r j , t − 1 | 0.0058***(3.0740) | 0.0074***(3.9567) | 0.0013 (1.4469) | |||||
R e t 1 j , t − 1 | 0.1120***(6.6526) | 0.1090***(6.5006) | 0.1133***(6.7344) | |||||
R e t 2 j , t − 1 | 0.0487***(3.1986) | 0.0444***(2.9053) | 0.0431***(3.5468) | |||||
R e t 3 j , t − 1 | 0.0329**(2.0630) | 0.0333**(2.0879) | −0.0111 (−0.7477) | |||||
R e t 4 j , t − 1 | 0.0152 (0.9421) | 0.0136 (0.8424) | 0.0045 (0.3008) | |||||
R e t 5 j , t − 1 | −0.0648***(−3.6001) | −0.0678***(−3.7684) | −0.0667***(−4.2407) | |||||
R e t 6 j , t − 1 | 0.0341**(2.5735) | 0.0315**(2.3704) | 0.0325**(2.5131) | |||||
行业FE | Yes | Yes | Yes | |||||
时间FE | Yes | Yes | Yes | |||||
样本量 | 10,324 | 10,324 | 19,291 | |||||
R 2 | 0.075 | 0.075 | 0.066 | |||||
F统计量 | 21.02 | 20.77 | 32.60 | |||||
表9. DUVOL为被解释变量的假设2和3实证结果
注:括号上方为回归系数,括号内显示稳健的t统计量,主要结果均保留4位小数。***表明在1%的显著性程度下显著,**表明在5%的显著性程度下显著,*表明在10%的显著性程度下显著。
本文通过使用中国股票市场2008~2017年3559家上市公司数据,研究了机构投资者占比对未来股票收益率偏度的影响,并进一步探究机构投资者影响收益率偏度的影响机制,并提出两种可能的影响渠道。一方面机构投资者可能影响上市公司财务不透明度对偏度的作用效应,另一方面机构投资者可能通过影响分析师行为进而影响股票收益率偏度。根据本文提出的一系列假设,我们建立面板数据回归模型进行实证分析,得出了以下结论:
第一,同等条件下,总机构投资者占比与未来崩盘风险存在显著负相关关系,即机构投资者占比越高,未来股票收益偏度更大,意味着更小的崩盘风险。该结论不同于Callen和Fang (2013) [
第二,我们研究不同类型机构投资者与股票收益率偏度的关系发现,公募基金占比与未来崩盘风险呈显著正相关关系,社会保险基金占比与崩盘风险显著负相关,保险机构占比与崩盘风险关系并不显著。通过研究国内机构和境外机构占比发现,二者均与崩盘风险负相关,且同等条件下海外机构对崩盘风险的影响相对国内机构更大。总的来说,我们发现公募基金不同于其他类型机构投资者,会增加崩盘风险。
第三,本文探究机构投资者通过影响上市公司财务不透明度进而影响股票收益率偏度。首先,我们发现同等条件下公司财务越不透明与未来崩盘风险存在显著负相关关系,这个结论验证Hutton等(2009) [
第四,本文从市场参与者角度入手,分析了机构投资者通过影响分析师行为进而影响未来股票收益率的偏度。首先,实证结果显示滞后一期分析师覆盖与未来崩盘风险存在显著正相关关系。这验证了我们前期假设,即分析师存在乐观情绪,同时分析师也低估了利空消息的影响,导致短期的利空消息被堆积,在随后无法继续隐藏利空消息时,不利消息会叠加释放,从而引起负偏度。进而,实证结果发现机构投资者会吸引卖方分析师覆盖,机构占比增强了分析师覆盖对未来崩盘风险的影响,尤其是公募基金,这种影响更为显著。
第五,通过逐次加入控制变量发现主要结果均不受影响,而且加入新的财务指标作为控制变量后,主要结果依然稳健。本文进一步使用DUVOL作为替代的被解释变量发现,前文中公募基金的显著性有所降低,但是本文主要研究结果仍然稳健。
除了上述发现外,本文也验证了一系列中国市场不同于国外市场的现象,如Chen等(2001) [
陈 倩,马亚东,高 翔. 新兴市场机构持股占比对股票收益率偏度的影响机制研究The Study on the Influence Mechanism of In-stitutional Ownership Proportion on Stock Return Skewness in Emerging Markets[J]. 金融, 2023, 13(02): 309-333. https://doi.org/10.12677/FIN.2023.132030
https://doi.org/10.3386/w0945
https://doi.org/10.1016/0304-405X(87)90026-2
https://doi.org/10.1016/0304-405X(92)90037-X
https://doi.org/10.1111/0022-1082.00184
https://doi.org/10.1093/rfs/hhg006
https://doi.org/10.1016/j.jfineco.2004.11.003
https://doi.org/10.1016/j.jfineco.2008.10.003
https://doi.org/10.1086/508006
https://doi.org/10.1016/j.jfineco.2010.07.007
https://doi.org/10.1016/j.jfineco.2011.03.013
https://doi.org/10.1016/j.econlet.2016.04.029
https://doi.org/10.1016/j.jbankfin.2013.02.018
https://doi.org/10.1016/j.jbankfin.2015.08.009
https://doi.org/10.1016/j.jcorpfin.2013.01.001
https://doi.org/10.1016/j.jfineco.2006.09.005
https://doi.org/10.1016/j.jfineco.2004.10.002
https://doi.org/10.1093/revfin/hhl046
https://doi.org/10.2307/2491247
https://doi.org/10.1016/j.jacceco.2005.10.004
https://doi.org/10.1016/j.jbankfin.2009.08.018
https://doi.org/10.1016/j.iref.2017.01.021
https://doi.org/10.2307/2491479
https://doi.org/10.2308/accr.2004.79.1.125
https://doi.org/10.1111/j.1540-6261.2005.00743.x
https://doi.org/10.1111/j.1911-3846.1995.tb00484.x
https://doi.org/10.1093/rfs/12.4.653
https://doi.org/10.1111/j.1475-679X.2005.00184.x
https://doi.org/10.1016/j.jfineco.2008.06.006
https://doi.org/10.1016/j.pacfin.2013.09.001
https://doi.org/10.1111/0022-1082.00206
https://doi.org/10.1016/j.iref.2016.09.003
https://doi.org/10.1111/jifm.12062
https://doi.org/10.1086/261385
https://doi.org/10.1111/j.1540-6261.1997.tb04820.x
https://doi.org/10.5465/ame.1990.4274714
https://doi.org/10.1111/j.1745-6622.1992.tb00485.x
https://doi.org/10.1506/J4GU-BHWH-8HME-LE0X
https://doi.org/10.1016/S0304-405X(01)00066-6
https://doi.org/10.1111/j.1911-3846.1996.tb00489.x
https://doi.org/10.1111/0022-1082.00247
https://doi.org/10.1111/1911-3846.12112