“学海拾珠”系列之一百五十一：A股的流动性、波动性及其溢出效应

金融工程 专题报告 A股的流动性、波动性及其溢出效应 ——“学海拾珠”系列之一百�十一 主要观点： 报告日期：2023-07-26 分析师：骆昱杉 执业证书号：S0010522110001邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001邮箱：yanjw@hazq.com 相关报告 1.运用少量ETF可以复制主动基金的业绩吗？——“学海拾珠”系列之一百 �十》 2.《基于强化学习和障碍函数的自适应风险管理在组合优化中的应用——“学海拾珠”系列之一百四十九》 3.《投资者情绪能预测规模溢价吗？ ——“学海拾珠”系列之一百四十八》4.《基金抛售资产时的选择性偏差— —“学海拾珠”系列之一百四十七》5.《盈余公告披露的现象、方法和目的——“学海拾珠”系列之一百四十六》 6.《股票因子个性化：基于股票嵌入的因子优化》——“学海拾珠”系列之一百四十�》 7.《动量、反转和基金经理过度自信 ——“学海拾珠”系列之一百四十四》 8.《模糊因子与资产配置——“学海拾珠”系列之一百四十三》 9.《chatGPT交易策略15个月收益 500%+——“学海拾珠”系列之一百四十二》 本文对中国股票市场中流动性和波动性的溢出效应及其联合动态效应进行建模。作者对2014年至2022年的日内数据建立vMEM模型，通过实证分析揭示了板块层面上流动性和波动性之间的强相互依赖关系。此外，作者还通过脉冲相应函数和波动溢出平衡指数（VSBI），揭示了冲击是如何通过流动性和波动性在不同板块之间传播的。特别地，作者重点分析了2014年以来两段特殊时期(2015/2016年市场下行和2020年COVID-19爆发)对中国股市的影响。 已有模型对流动性和波动性溢出效应的分析评估不够深入 在此项研究之前，已有大量文献对流动性和波动性的溢出效应进行 了深入研究，但一方面，许多研究者在建模过程中忽略了一系列相关变量的相互依赖关系，且对于流动性和波动性的相互溢出效应描述不够深入清晰。另一方面，目前在中国股票市场的板块层面上，几乎没有权威性的研究发表。少量相关研究也都将重点放在了波动性的跨板块溢出效应和关联性方面，忽视了流动性与波动性的关联动态关系。因此，本文将从流动性和波动性两方面入手，独立建模再联合分析，探究其相互作用关系。 不同板块的流动性和波动存在显著的相互依赖关系 本文采用了一种新颖的基于copula的vMEM模型来研究中国沪深300指数�个板块之间非流动性和波动性的溢出效应。研究发现不同板块在流动性和波动性上表现出了显著的相互依赖关系，冲击通过这种联系在不同板块间传播，而在不同时期，冲击的主导因素和传播形式都有 着明显的区分，在动荡时期，各板块之间的联系往往变得更紧密、更复杂，而板块流动性和波动性之间溢出效应的不平衡进一步增加。其次，流动性和波动性的冲击倾向于通过这些联系在各板块间传播，我们观察 到，流动性（波动性）的冲击首先影响其他板块的流动性（波动性），然后扩散到波动性（流动性）。此外，波动性的冲击传播速度往往比非流动性冲击快，板块波动性在股市冲击传播中起着至关重要的作用，尤其是对于工业板块。在市场明显下行期间，非流动性是冲击传播的主要途 径，特别是对于金融板块。此外，流动性和波动性有很强的持续性。 文献来源 核心内容摘选自WuyiYe、KeliWang和XiaoquanLiu在《Social ScienceResearchNetwork》的文章《Liquidity,volatility,andtheirspilloverinstockmarket》 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建 议。 敬请参阅末页重要声明及评级说明证券研究报告 正文目录 1引言4 2计量经济学框架5 2.1流动性和波动性指标5 2.2计量经济模型6 3数据描述9 4实证分析和讨论12 4.1建模结果12 4.2冲击响应13 4.3溢出效应15 5结论16 风险提示：17 图表目录 图表1各板块非流动性和波动性的统计性描述9 图表2各板块非流动性和波动性指标的时序图10 图表3各板块非流动性和波动性指标之间的相关性11 图表4各板块非流动性和波动性指标之间的相关性11 图表5基于COPULA的VMEM模型参数估计12 图表6非流动性和波动性相关矩阵的TCOPULA估计13 图表7VMEM模型的冲击响应14 图表8基于溢出平衡指数的各板块冲击响应评估16 1引言 流动性、波动性及其联合动态效应是金融经济学中的重要问题，因为它们对全球金融市场上几乎所有资产的定价和风险管理都有影响。它们受到世界各地监管机构的密切关注，并被大量且仍在增长的文献所广泛探索(Chordia等人(2000)，Brunnermeier和Pedersen(2009)，Goyenko等人(2009)，Clements等人(2015)，Xu等人(2018))。受这一系列文献的启发，本研究重点描述了流动性和波动性的溢出效应，并用日内数据对其在中国股市中的联合动态进行了建模。 作为世界上最大的新兴经济体，中国在推动国际贸易和全球经济增长方面发挥着关键作用。根据《2021年上海证券交易所年鉴》，就股票市场而言，其2.66亿投资者中99%以上是个人，占总交易量的80%。这种现象与发达股票市场的现象截然相反。例如，在美国，个人投资者的总交易量通常不到20%。根据《世界发展指标(2020)》，2019年中国市场的年营业额为224%，而美国市场为108%。高比例的个人投资者同时与高成交量、强烈的投机氛围和更动荡的市场有关(Leippold等人，2022)。再加上卖空限制，这些因素可能会导致中国市场的动态结构与发达市场不同。因此，有必要对中国股市的流动性、波动性及其共同动态进行全面深入的研究。 在本研究中，我们构建了一个计量经济学框架来对�个重要板块的流动性和波 动性进行建模，以研究冲击从一个板块向另一个板块的传播或溢出效应。我们的实 证分析基于日内数据，可以及时捕捉到流动性和波动性的细节。样本期从2014年 到2022年，涵盖了股市动态发生重大变化的时期，包括2015年至2016年的中国市场下行(以下简称“市场下行”)以及2019年底COVID-19疫情的爆发。尽管2015/16年的股市下行发生在中国市场，但其影响也向亚太地区传播，并产生了明显的波动性溢出(Ahmed和Huo，2019)。与此同时，COVID-19疫情引发了严重的经济混乱，并提高了全球经济不确定性水平(Baker等人(2020)，Ramelli和Wagner(2020))。这对股票市场的流动性和波动性产生深远影响(Fakhfekh等人，2021))。因此，我们在分析中特别关注这两个事件。 在方法上，本文的计量经济学框架是基于Engle(2002)引入的乘性误差模型 (MEM)，该模型可以被认为是Bollerslev(1986)的GARCH模型和Engle和Russell(1998)的自回归条件持续期(ACD)模型的泛华。MEM在建模非负值变量方面非常有效，并且非常契合我们的研究目标，因为我们使用的流动性和波动性指标是非负的。根据文献中的实证结果显示，MEM类模型可以捕捉非负时间序列的特征事实(Manganelli(2005)，Chou(2005))。我们扩展了Cipollini等人(2017)的研究，并构建了一个基于联合分布函数（copula-based）的新的向量MEM模型来描述各个板块的流动性和波动性。我们的模型通过联合分布函数考虑了变量之间的完全相互依赖关系，因此在参数估计方面比先前的方法更具灵活性。 本文的贡献主要体现在三个方面。首先，我们开发了一种基于联合分布函数的 新型向量MEM模型，用于描述不同板块的流动性和波动性之间的相互关系。我们 的研究对金融市场中波动性和流动性溢出建模的广泛文献做出了贡献。这些研究包括Ng(2000)，Baele(2005)，Engle等人(2012)，Clements等人(2015)，Golosnoy等人(2015)，Otranto(2015)，Xu等人(2018)等。其中许多研究没有考虑相关变量的完全相互依赖关系，这导致在溢出效应分析中评估不准确。 其次，我们扩展了中国股票板块相关性的研究。在中国股票市场的板块层面上， 几乎没有研究发表，除了Hao和He(2018)，Shao等人，Wu等人(2019)，Shahzad等人(2021)等，这些研究都集中在跨板块波动性溢出和关联性方面。在我们的研究 中，由于建模框架中条件期望方程的灵活性，我们可以轻松地详细探讨流动性和波动性的跨板块关系、它们的非对称效应以及重要子期间参数变化的可能性。 最后，通过我们分析中的脉冲响应函数(IRF)和溢出平衡指数(SBI)，我们的实证研究揭示了冲击是如何通过流动性和波动性在不同板块之间传播的，并且确定了在不同时期的溢出中，谁是输出冲击的板块。这对投资者和决策者在投资组合构建和风险管理方面具有实际意义。 我们的主要成果可以总结如下。首先，我们发现不同板块的流动性和波动性之 间存在显著的相互溢出效应，通过这种效应，冲击在板块之间传递。一个板块中产 生的流动性(波动性)冲击首先影响其他板块的流动性(波动性)，然后影响两个板块 的波动性(流动性)。有趣的是，通常情况下，冲击通过波动性比通过流动性传播得更快。其次，市场明显下行期间和COVID-19改变了冲击在板块之间传播的方式。在动荡时期，流动性是冲击传播的主要渠道，但在正常市场条件下不是这样。对于当前的中国市场，工业板块仍然扮演着最大的净溢出效应输出者的角色。在动荡时 期，例如市场明显下行，金融板块的流动性取代了工业板块的波动性，成为传播冲击的核心。最后，我们通过驼峰形状的多期预测（hump-shapedmultiperiodforecasts）和冲击响应函数（impulseresponsefunctions）来描述冲击从一个板块传递到另一个板块的延迟。 本文的贡献主要体现在三个方面。首先，我们构建了一种基于联合分布函数的新型向量MEM模型，用于描述不同板块的流动性和波动性之间的相互关系。我们的研究对金融市场中波动性和流动性溢出建模的广泛文献做出了贡献。这些研究包括Ng(2000)，Baele(2005)，Engle等人(2012)，Clements等人(2015)，Golosnoy等人(2015)，Otranto(2015)，Xu等人(2018)等。其中许多研究没有考虑相关变量的完全相互依赖关系，这导致在溢出效应分析中评估不准确。 其次，我们扩展了中国股票板块相关性的研究。在中国股票市场的板块层面上，几乎没有研究发表，除了Hao和He(2018)，Shao等人，Wu等人(2019)，Shahzad等人(2021)等，这些研究都集中在跨板块波动性溢出和关联性方面。在我们的研究 中，由于建模框架中条件期望方程的灵活性，我们可以轻松地详细探讨流动性和波动性的跨板块关系、它们的非对称效应以及重要子期间参数变化的可能性。 最后，通过我们分析中的脉冲响应函数(IRF)和溢出平衡指数(SBI)，我们的实 证研究揭示了冲击是如何通过流动性和波动性在不同板块之间传播的，并且确定了在不同时期的溢出中，谁是输出冲击的板块。这对投资者和决策者在投资组合构建和风险管理方面具有实际意义。 下文第2节概述了提出的计量经济学框架，第3节描述了数据，实证结果在第 4节中进行了分析和讨论，最后第5节总结了本文所有内容。 2计量经济学框架 在本节中，我们首先介绍计量经济学模型中使用的流动性和波动性指标。然后，概述本文提出的模型，以检验流动性和波动性的溢出效应。 2.1流动性和波动性指标 流动性：流动性是金融市场的一个特征，指的是投资者能够快速买卖资产而不会引起资产价格的剧烈变化。已经提出了许多流行的指标来捕捉流动性的不同交易属性方面。在我们的实证研究中，对于板块指数，我们选择