ParK's 論文后花園

上海交通大学
硕士学位论文
中国股市信息不确定因素和收益率的实证分析
姓名：胡海鸥
申请学位级别：硕士
专业：金融学
指导教师：陶亚民
20091201
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
中国股市信息不确定因素和收益率的实证分析
摘要
实证中发现CAPM 对许多诸如规模效应、惯性效应等的市场异
常现象无法作出解释。而来自美国及世界各地的实证表明“收益惯性”
却普遍存在，如何解释惯性现象也就成为了学术界新的攻坚堡垒。随
之发展起来的行为金融理论认为，投资者对信息的反应不足是造成股
价惯性的原因。本文试图找寻股价惯性的内在规律。
基于Zhang (2006)的研究，美国股市不仅存在惯性效应，并且
存在着能放大惯性效应的“信息不确定因素”：数值更高的不确定因
素在坏消息前提下会带来相对更低的收益率，在好消息的前提下能带
来相对较高的收益率。本文通过对选取变量和股票收益率的实证分
析，研究中国市场是否存在信息不确定因素。研究结果显示：
1、中国市场存在两种显著的惯性效应（分析师调级后的价格偏
离以及股价惯性）。依据当月和过去一月间分析师调级或者过去股票
收益的情况可以预测未来的收益走势，通过买入好消息组合（评级调
增或过去收益赢家）卖空坏消息组合（评级调低或过去输家）的交易
策略能在较大概率上获得显著收益。
2、本文所选取的五个假定变量在分析师调级的惯性效应下不能
作为不确定因素，但在股价惯性效应下，上市年龄因素和现金流波动
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
因素可以作为不确定因素。基于他们的交易策略能够获得显著的超额
收益。
关键词：行为金融，惯性效应，信息不确定因素，交易策略
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
EMPIRICAL RESEARCH ON INFORMATION
UNCERTAINTY AND RETURNS AT CHINA’S STOCK
MARKET
ABSTRACT
Empirical evidences show that CAPM cannot explain such
market anomalies as size effect and momentum effect. However,
the evidences all over the world show that momentum effect has
been found at every market. How to give an explanation for
momentum effect has since been the new era for scholars.
Behavioral finance theory gives a possible explanation that
investors’ under reaction to new information is the reason. My
paper is trying to find the intrinsic rule for stocks’ momentum effect.
Based on Zhang (2006), there exists momentum effect in US
stock market. And there are some “information uncertainty” which
can amplify momentum effect, which means, higher information
uncertainty will bring a relative lower return when there is bad news
and a relative higher return when there is good news. My paper
uses empirical analysis on chosen variables and stock returns to
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
find if there exists any information uncertainty at China’s stock
market. The results show that:
1. There exist two kinds of momentum effect at China’s market
(post-revision price drift and price momentum). Based on
analyst’s revision on stocks between this and previous month or
past stock performance, a trading strategy of buying a good news
stock portfolio and selling a bad news portfolio can yield a
significant abnormal return with high probability.
2. Five variables chosen in this paper cannot be considered as
information uncertainties when the momentum effect triggered by
analyst revision. However, AGE variable and Cash flow variable
can be considered as information uncertainties by price momentum.
A trading strategy based on these two uncertainties can yield a
significant abnormal return.
Keywords: Behavioral Finance, Momentum Effect, Information
Uncertainty, Trading Strategy


上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
1 绪论
1.1 研究背景
引领现代金融投资理论的是价值投资理论。Graham 和Dodd 在1934 年出
版了《证券分析》一书，奠定了价值投资的基础。价值投资被解释为一种投资者
行为——努力寻求市场价格远低于内在价值的资产。投资的核心问题因此转化为
如何确定资产的内在价值。按照当时的普遍观点，股票价格决定于公司的账面价
值。Graham 和Dodd 则指出，股票的内在价值决定于公司的未来盈利能力，任
何非理性因素的影响最终会回归到其内在价值上。价值投资理论的影响在于它开
辟了现代股票定价理论的新思路，并因此而开创了一门新兴行业——证券分析。
在此之后的五六十年代，一种新的投资分析方法逐渐孕育而生。在这种被称
为现代投资理论的方法中，开始强调统计、计量等复杂技术和大量数学公式的应
用。现代投资理论的奠基人Markowitz(1952)首次提出使用股票收益率的标准差，
作为投资风险的衡量指标，实现了如何定量地解决家庭和企业在不确定条件下如
何支配金融资产的问题，提出以获取适当风险水平下的最大预期回报。
Sharpe(1963)针对全协方差模型在计算方面的缺陷，开发了市场指数模型使计
算得以简化。以此为基础，Sharpe (1964)、Lintner (1965)以及Mossin (1966)
分别独立发展了资本资产定价模型(CAPM)。
CAPM 建立在严格的假设条件基础上，这些假设条件不仅使实证检验变得
困难，而且与现实差距太大，造成其对实际价格运动的解释力度不够。因此，在
资本资产定价模型之后的研究大致产生了两种发展方向：一是在CAPM 框架内
进行修改；另一个则是抛弃CAPM，在新的假设基础上重新构建资产定价理论。
学者在对CAPM 的检验中发现了许多理论不能解释的市场异常，Roll(1976)
首先对CAPM 模型的实证检验提出了疑问：由于无法证明市场指数组合是有效
的市场组合，因而无法对CAPM 模型进行检验。此后更多的实证结果指出了
CAPM 模型中的β 并不能完全解释股票资产的横截面预期收益，与CAPM 理论
冲突的市场异常现象不断被发现。随后学者通过引入其他变量试图在CAPM 理
论的分析框架下解释市场异常现象， 其中最著名的发现来自Fama 和
French(1992，1993，1995，1996)的研究结果，证明市场价值与账面市值比率
体现了上市公司营运风险，并最终发展成为包含市场风险、规模以及价值因素的
1
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
三因素模型。用此模型来描述股票价格行为，可以解释除短期“收益惯性”
(Jegadeesh 和Titman(1993))以外的所有市场异常现象，从而在一定程度上巩固
了有效市场假说的立论基础。
从CAPM 模型到三因素模型，是投资定价模型的巨大飞跃。Fama 和French
(1993)三因素模型虽然能够解释大部分的市场异常，但是对于“惯性效应”（也
即股票价格惯性）解释不足，这就给在此以后的众多学者找到了新的研究突破口。
价格惯性指在过去一段时间段内(排序期)价格上涨(下跌)的股票，在未来一定时
间段内(持有期)价格继续上涨(下跌)的现象。De bondt 和Thaler(1985,1987)最早
发现美国股市存在长期的过度反应, 即过去一年股票收益率较差的公司在未来
有更好的表现。他们注意到试验心理学(ExperimentaI Psychology)的一个发现，
人对未预期到的、轰动的信息有反应过度的倾向。这是违背有效市场假设的前提
的(Fama(1970))：投资者是理性的。Jegadesh 和Titman(1993)发现，在美国股
市中，选取过去3 - 12 个月内收益最高的10%股票构成赢者组合，收益最低的
10%股票构成输者组合，在未来的3 - 12 个月中，赢者组合比输者组合每月可以
多获得大约1%的超额收益。这些超额收益来自市场对信息的反应不足。Daniel、
Hirshleifer 和Subrahmanyam(1998)总结了众多违反传统资本定价理论的实证
结果，并将其归为五类。最终对惯性的研究促使了行为金融理论的建立。
此后，出现了一些试图对“惯性效应”的解释和描述的行为金融理论，主要
的行为金融模型包括：Barberis、Shleifer 和Vishny (1998)，Daniel、Hirshleifer
和Subrahmanyam (1998)，Hong 和Stein (1999) ， Barberis 、Huang 和
Santos(2001)以及Zhang (2006)。
同时，我国学者也开始从事股票价格惯性和反转现象的研究，但其结论差距
非常大。早期的研究比较倾向于不存在惯性现象，近期大量的研究则证明中国股
市在短期内确实存在股价惯性现象，但对于惯性现象的深层次的分析却比较少
见。本文试图找寻惯性效应的内在规律。
1.2 研究目的与意义
证券市场上，人们一直在寻找着定价模式和套利模式，赚取利润。自从CAPM
创立后，该模型及其拓展模型一直是市场定价的标准，受到人们的广泛推崇。但
在实证中发现该模型对许多诸如规模效应、惯性效应等的市场异常现象无法作出
解释。之后人们便期望能够找到可以解释市场异常并能为证券合理定价的模型。
Fama 和French 提出了三因素模型，将包含市场风险、规模以及价值的三因素
来预测股票收益。用此模型来描述股票价格行为，可以解释除短期“收益惯性”
2
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
以外的所有市场异常现象。而来自美国及世界各地的实证表明“收益惯性”普遍
存在，如何解释惯性现象也就成为了学术界新的攻坚堡垒。随之发展起来的便是
根据试验心理学对投资者在市场上的行为表现重新诠释的行为金融理论。该理论
认为市场异常来源于投资者对信息的反应不足和过度，其中的许多学者认为投资
者对信息的反应不足（过分自信）是造成股价惯性的原因，也随即展开了许多检
验描述惯性效应的学术研究。本文也试图找寻股价惯性的内在规律。
Zhang (2006)认为更大的信息不确定因素在好（坏）消息背景下与更高（更
低）的股票收益有正向关系。Zhang (2006)研究了两种股价惯性异常现象，分析
师评级调整后的价格偏离以及价格惯性。同时，找到了六个衡量信息不确定因素
的代理变量：市值、上市年龄、分析师覆盖情况、投资者预测偏离度、收益率波
动率以及现金流波动率。对于每一个信息不确定因素，研究发现更高的不确定因
素在坏消息前提下会带来相对更低的收益率，在好消息的前提下能带来相对较高
的收益率。由于在好消息和坏消息下不确定因子产生了正好相反变动的股票收
益，这也就放大了惯性交易策略的收益。本文的研究就是基于Zhang (2006)的
方法下，通过对选取变量和股票收益率的实证分析，研究中国市场是否存在以及
进一步了解存在哪种信息不确定因素。
1.3 文章结构安排
本文试图找寻股价惯性效应的内在规律，通过实证检验的方式研究信息不确
定因素。结构安排如下：
第一章， 绪论。力图用简洁的语言介绍本文意图分析的内容、和研究意义。
第二章， 研究综述。通过CAPM、三因素模型和惯性效应这三大板块的
划分，试图将本人研究的初衷、内容和学术界的研究成果、发展脉络和研究方法
揉捏起来并叙述明白。这章会把大致必要的理论陈述完毕。
第三章， 对信息不确定因素的实证分析。本章节采用Zhang (2006)的研
究方法力图找寻对惯性效应有重大影响的信息不确定因素在中国市场是否存在
并进一步对存在的因素加以分析描述。
第四章， 总结与研究展望。对文章的实证结果进行简要总结。
3
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
2 研究综述
引领现代金融投资理论的是价值投资理论。Graham 和Dodd 在1934 年出
版了《证券分析》一书，奠定了价值投资的基础，同时也奠定了Graham 在世
界投资界的教主地位。价值投资被解释为一种投资者行为——努力寻求市场价格
远低于内在价值的资产。投资的核心问题因此转化为如何确定资产的内在价值。
按照当时的普遍观点，股票价格决定于公司的账面价值。Graham 和Dodd 则指
出，股票的内在价值决定于公司的未来盈利能力，任何非理性因素的影响最终会
回归到其内在价值上。价值投资理论的影响在于它开辟了现代股票定价理论的新
思路，并因此而开创了一门新兴行业——证券分析。
在此之后的五六十年代，一种新的投资分析方法逐渐孕育而生。在这种被称
为现代投资理论的方法中，开始强调统计、计量等复杂技术和大量数学公式的应
用。与传统的价值投资理论的区别在于，现代投资理论认为：(1) 市场是有效的
(Fama(1970))，市场中的证券价格总是可以充分体现可获信息变化的影响，基
于现在可获信息而取得超过均衡的预期收益是不可能的，即“投资者不可能战胜
市场”；(2) 风险是用单个股票对多元化投资组合波动性的贡献率来衡量的，而
不像传统理论那样把风险看作是永久性的资本损失；(3) 投资者可以通过充分分
散化的投资组合，化解单个股票的非系统风险，从而获得期望收益与可承受风险
的最佳组合。
现代投资理论的奠基人Markowitz(1952) 首次提出使用股票收益率的标准
差，作为投资风险的衡量指标，实现了如何定量地解决家庭和企业在不确定条件
下如何支配金融资产的问题，提出以获取适当风险水平下的最大预期回报。
Sharpe(1963)针对全协方差模型在计算方面的缺陷，开发了市场指数模型使计
算得以简化。以此为基础，Sharpe (1964)、Lintner (1965)以及Mossin (1966)
分别独立发展了资本资产定价模型(CAPM)。
CAPM 建立在严格的假设条件基础上，这些假设条件不仅使实证检验变得
困难，而且与现实差距太大，造成其对实际价格运动的解释力度不够。因此，在
资本资产定价模型之后的研究大致产生了两种发展方向：一是在CAPM 框架内
进行修改；另一个则是抛弃CAPM，在新的假设基础上重新构建资产定价理论。
学者在对CAPM 的检验中发现了许多理论不能解释的市场异常，Roll(1976)
首先对CAPM 模型的实证检验提出了疑问：由于无法证明市场指数组合是有效
的市场组合，因而无法对CAPM 模型进行检验。此后更多的实证结果指出了
4
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
CAPM 模型中的β 并不能完全解释股票资产的横截面预期收益，与CAPM 理论
冲突的市场异常现象不断被发现。随后学者通过引入其他变量试图在CAPM 理
论的分析框架下解释市场异常现象， 其中最著名的发现来自Fama 和
French( 1992，1993，1995，1996)的研究结果，证明市场价值与账面市值比率
体现了上市公司营运风险，并最终发展成为包含市场风险、规模以及价值因素的
三因素模型。用此模型来描述股票价格行为，可以解释除短期“收益惯性”
(Jegadeesh 和Titman(1993))以外的所有市场异常现象，从而在一定程度上巩固
了有效市场假说的立论基础。
从CAPM 模型到三因素模型，是投资定价模型的巨大飞跃。Fama 和French
(1993)三因素模型虽然能够解释大部分的市场异常，但是对于“惯性效应”（也
即股票价格惯性）解释不足，这就给在此以后的众多学者找到了新的研究突破口。
价格惯性指在过去一段时间段内(排序期)价格上涨(下跌)的股票，在未来一定时
间段内(持有期)价格继续上涨(下跌)的现象。De bondt 和Thaler(1985,1987)最早
发现美国股市存在长期的过度反应, 即过去一年股票收益率较差的公司在未来
有更好的表现。他们注意到试验心理学(ExperimentaI Psychology)的一个发现，
人对未预期到的、轰动的信息有反应过度的倾向。这是违背有效市场假设的前提
的(Fama(1970))：投资者是理性的。Jegadesh 和Titman(1993)发现，在美国股
市中，选取过去3 - 12 个月内收益最高的10%股票构成赢者组合，收益最低的
10%股票构成输者组合，在未来的3 - 12 个月中，赢者组合比输者组合每月可以
多获得大约1%的超额收益。这些超额收益来自市场对信息的反应不足。Daniel、
Hirshleifer 和Subrahmanyam(1998)总结了众多违反传统资本定价理论的实证
结果，并将其归为五类。最终对惯性的研究促使了行为金融理论的建立。
此后，出现了一些试图对“惯性效应”的解释和描述的行为金融理论，主要
的行为金融模型包括：Barberis、Shleifer 和Vishny (1998)，Daniel、Hirshleifer
和Subrahmanyam (1998)，Hong 和Stein (1999) ， Barberis 、Huang 和
Santos(2001)以及Zhang (2006)。
Zhang (2006)根据Daniel、Hirshleifer 和Subrahmanyam (1998，2001)模
型，认为更大的信息不确定因素在好（坏）消息背景下与更高（更低）的股票收
益有正向关系。就此，Zhang (2006)研究了两种股价惯性异常现象，分析师评级
调整后的价格偏离以及价格惯性。同时，找到了六个衡量信息不确定因素的代理
变量：市值、上市年龄、分析师覆盖情况、投资者预测偏离度、收益率波动率以
及现金流波动率。对于每一个信息不确定因素，研究发现更高的不确定因素在坏
消息前提下会带来相对更低的收益率，在好消息的前提下能带来相对较高的收益
率。也就是说，对于低信息不确定的股票，市场对其新信息的反应相对完备，存
5
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
在相对较低的基于信息的可预测性。由于在好消息和坏消息下不确定因子产生了
正好相反变动的股票收益，这也就放大了惯性交易策略的收益。具体说来，当把
范围限定在高信息不确定的股票中，买入好消息股票卖空坏消息股票非常奏效。
本文的研究就是基于Zhang (2006)的方法下，通过对选取变量和股票收益率的
实证分析，研究中国市场是否存在以及进一步了解存在哪种信息不确定因素。
2.1 CAPM 投资理论建立、发展和市场异常现象
2.1.1 Markowitz 投资组合选择理论
现代投资理论的奠基人 Markowitz(1952) 首次提出使用股票收益率的标准
差，作为投资风险的衡量指标，实现了如何定量地解决家庭和企业在不确定条件
下如何支配金融资产的问题，提出以获取适当风险水平下的最大预期回报。
Markowitz 的证券投资组合理论基于以下假设：(1) 投资者在证券持有期内的预
期收益率是一个概率分布；(2) 投资者在投资期内力求得到最大期望效用；(3) 投
资者使用证券收益率的标准差作为投资风险的估计；(4) 投资者利用预期收益率
和风险的关系进行投资；(5) 投资者在同样的风险水平下，偏好更高的收益率，
或在同样的收益率水平下，偏好更小的风险。
Markowitz 证明了使投资者效用最大的组合具有两个特征：在相同风险(方差)
条件下可以提供最高的期望收益；或者在相同期望收益条件下只承担最低的风
险。所有这些组合的集合称为“投资组合前沿”。对于任何只关心期望收益和风
险之间权衡的投资者来说，选择位于前沿边界上的组合是有效率的。这样，投资
者的资产选择问题就转变为一个给定目标函数和约束条件的规划问题。
投资组合理论指出，投资者由于投资单一股票而承担的非系统风险不会得到
任何收益补偿，因为任何人都可以通过分散化将这些风险化解。随着组合内包含
的股票数量逐渐增多，组合的非系统风险将渐趋于零。另外，由于相对于单只股
票收益率方差来说，资产收益率之间的协方差构成了组合方差的绝大部分。投资
者在试图减少组合方差时候，仅仅投资于多种证券是不够的，还必须注意要避免
投资于那些具有高度相关性的资产。
Markowitz的《投资组合选择》带来了投资管理业的革命，开创了现代投资
理论的先河，各种资产定价模型在此后纷纷涌出。建立在全协方差模型基础之上
的投资组合理论，要求计算组合内的每一种资产的均值、方差以及资产之间的相
关系数。在存在无数风险资产的现实世界中完全运用全协方差模型进行投资决策
超出了当时计算技术的发展水平，即便在科技取得了飞速发展的今天也是十分困
6
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
难的。例如，对于有1000 余家上市公司的国内股市而言，Markowitz的模型需
要计算超过10002方差—协方差项，操作难度可想而知。
2.1.2 CAPM 理论
Sharpe(1963)针对全协方差模型在计算方面的缺陷，开发了市场指数模型
使计算得以简化。假定股票收益率Ri。与市场指数的收益RM有关，即
Ri =αi +βi × RM +ε i ………………………………………………………… (1)
其中， i
ε
表示与单个证券有关的特定风险，且任何两种证券的i
ε
和j ε
不相
关。如此一来，任何两种证券的收益率通过他们与市场指数之间的共同关系而相
关。单个证券的期望收益和市场指数的期望值呈现线性相关特征，前者对后者具
有高度的敏感性。由这样一些证券构成的资产组合的均值与方差所需要估算的参
数大大减少，从而以相对少的计算就可以完成选择过程。
以此为基础，Sharpe (1964)、Lintner (1965)以及Mossin (1966)分别独立发
展了资本资产定价模型(CAPM)。假定投资者能够以无风险收益率借贷，则
E[ ] (E[ ] ) i f i M f R = R +β R − R
………………………………………………… (2)
其中， Cov( , ) / Var( ) i i M M β = R R R 。i R 、M R 、f R 分别为单只股票、市场以
及无风险资产的收益率。
CAPM从数学上证明了，如果使用股票收益率方差度量投资风险，那么在一
个足够大的投资组合中，对单只股票收益率存在较大影响的非系统风险被充分分
散化的组合化解，剩余的只是与市场组合相关的系统风险。由于分散投资并不能
消除系统风险，投资回报便是对投资者承担的系统风险的补偿。如果将Markowitz
的投资组合选择理论看作是投资者行为理论，即考察单个投资者在追求效用最大
化情况下的行为模式；那么CAPM则是通过资产价格与风险属性之间的关系来研
究资产定价问题。CAPM以市场完全有效为假设前提，寻求风险与收益权衡的一
般形式。因此，它是一个市场均衡定价模型。
2.1.3 投资理论发展
CAPM建立在严格的假设条件基础上，这些假设条件不仅使实证检验变得困
难，而且与现实差距太大，造成其对实际价格运动的解释力度不够。因此，在资
7
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
本资产定价模型之后的研究大致产生了两种发展方向：一是在CAPM框架内进行
修改；另一个则是抛弃CAPM，在新的假设基础上重新构建资产定价理论。
在第一个方向，Black(1972)将定价模型一般化：当放弃投资者可以按照无
风险进行借贷的假设时，可以使用具有零β的资产收益率RM代替无风险利率Rf。
在第二个方向，最重要的发展是Ross(1976)发展的套利定价理论，这种理论的
假设条件和研究思路完全不同于CAPM。Ross基本放弃了CAPM的假设，而依据
在完全竞争的市场中不存在套利机会的基本假定，直接将资产收益率定义成一个
以多因子作解释变量的线性模型：
1 1 2 2 E( ) i i i i in n R R F F Fi = +β +β +􀀢+β +ε ……………………………………(3)
多因子模型允许一种资产的收益率受到不止一个而是多个系统性风险的影
响，收益率对每个系统性风险因素的敏感性以β表示。
从APT开始，因素的选择、因素的数量以及对它们的解释都曾经引起热烈争
论。对APT的早期经验研究由Roll和Ross (1980)完成，他们的研究结果显示，
在美国股票市场上，有4个可以进入定价模型的因素。因素分析技术的优势在于
利用从历史数据中确定的因素可以解释考察期间的大部分风险。其缺点是因素通
常缺少经济解释。
针对APT理论的争论主要集中在模型是否具有可检验性、很多人认为不可能
检验APT是否成立，因为任何证券的期望收益仅仅近似地与因素敏感性相关，要
得到一个确切的定价关系，需要另外的假设条件。虽然很多学者试图回应这些批
评，但是对于APT的实证检验存在局限的现实并没有改变。
2.1.4 市场异常
早期对CAPM的检验如Black、Jensen和Scholes (BJS，1972)，Blume和
Friend (1973)，Fama和MacBeth (FM，1973) 都支持了该理论的中心观点。BJS
对美国纽约证券交易所(NYSE) 1931-1965年间所有股票数据进行时间序列检
验，得出的收益与βi 的正比关系比CAPM预测的要小，低风险的股票获得了理论
预期的收益，而高风险股票获得低于理论预测的收益。FM对1935-1968年间美
国股票402个月度数据横截面回归结果表明，股票收益与βi 呈正相关关系，其他
非系统性风险在股票收益的定价中不起主要作用。
Roll(1976)首先对CAPM模型的实证检验提出了疑问：由于无法证明市场指
数组合是有效的市场组合，因而无法对CAPM模型进行检验。他提出了著名的套
8
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
利定价理论(APT)——假设在竞争性和无摩擦的市场上，股票收益率是与未知数
量的未知因素相联系的。因此CAPM不过是一种最简单的单因素模型。由此开始，
针对CAPM的检验由单一的β 检验转向多变量的分析。此后更多的实证结果指出
了CAPM模型中的β并不能完全解释股票资产的横截面预期收益，与CAPM理论
冲突的市场异常现象不断被发现。随后学者通过引入其他变量试图在CAPM理论
的分析框架下解释市场异常现象，其中最著名的发现来自Fama和French( 1992，
1993，1995，1996)的研究结果，证明市场价值与账面市值比率体现了上市公司
营运风险，并最终发展成为包含市场风险、规模以及价值因素的三因素模型。
2.2 Fama 和French 三因素模型对市场异常的解释及不足
2.2.1 Fama 和French 三因素模型的建立及发展
对CAPM 模型形成挑战的最著名的实证研究是Banz(1981)的公司规模效
应。他发现在适当调整股票的风险后，CAPM中那些市值较小公司的股票平均收
益率比那些大公司高出许多。这就是著名的“规模效应”。Stattman(1980)发现
美国股市的预期股票收益和普通股的账面价值与市场价值之比(Book - to -
Market Ratio，简称BM)正相关。还有另外一些学者提出E/ P (Earnings - to -
Price Ratios)与账面财务杠杆(Leverage)等其他一些指标与预期股票收益有显著
的相关度。这些学者的研究结果都表明CAPM的预测股票收益的能力不是那么可
靠，但是他们只从影响股票收益的某一个方面来进行研究。相比之下，1992年
之前的这些文章没有哪一篇比得上Fama和French(1992，1993)的研究对金融投
资理论的影响。
Fama和French(1992)以美国NYSE、AMEX和NASDAQ的公司为样本，研
究了1962年到1990年间预期股票收益横截面的一些影响因素。其研究的影响股
票横截面收益的因素有β、公司规模、财务杠杆、账面市值比(BM)、市盈率等。
研究结果发现，当β和公司规模无关时，规模和账面市值比这两个易于测度的变
量可以解释与上述所有变量相关的预期股票横截面收益的变化，其他因素的解释
能力均被规模和账面市值比这两个因素的结合所吸收；β与股票收益之间缺乏显
著的相关性，这种结果即使在只有β一个解释变量时依然不变。在1941年到1990
年之间，β和股票收益之间只有极其微弱的正相关，而在1963年与1990年之间即
便是这种微弱的关系都没有发现。他们认为，如果股票价格是理性的，且风险与
回报正相关，则规模和BM就能够度量风险。
在此基础上，FF(1993)首次提出三因素模型指出：股票收益率与市场组合
收益率的协同变动测度(β)并不能完全用于解释单支股票的收益率波动，或者说，
9
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
存在代表股票风险的特征因素(Characteristics Factor)。通过构建不同规模和账
面市值比率的股票组合，实证证明在美国股票市场上存在着明显的规模效应和价
值效应。以此为前提，作者构建了基于三种风险因素的线性回归模型。规模因素
和价值因素，作为市场风险因素的补充，被引入模型作为股票收益率的解释变量。
结果显示，市场风险因素虽然能很好地解释股票收益的一般变动，但是规模和价
值因素表现出更好的边际解释能力，即能够包含市场风险因素不能反映的风险成
分。因此有理由相信，MV(规模因素)和BM(价值因素)分别代表造成收益率波动
不同的风险因素。
在无风险资产存在的前提下，FF(1993)建立的三因素模型为：
( ) i f R − R = ai +bi RM − Rf + siSMB + hiHML +ε i………………………………(4)
即投资组合的预期收益率相对无风险收益率的差额收益率可以用三个因素
来解释：市场组合的超额收益RM-Rf、小股票组合和大股票组合收益差SMB、高
账面市值比和低账面市值比的股票组合之间的差额HML，bi、si、hi分别是各因
素的敏感系数，ai为常数项，εi为随机扰动项。该模型进一步支持了Fama和
French(1992)的结论。
FF(1995)首次为Fama和French(1992)发现的股票平均收益和规模、平均收
益以及账面市值比率的实证关系提供一个理论基础。与之前的研究方法相类似，
在按照MV和BM指标将上市公司划分为不同的投资组合之后，考察了组合构造前
后5年时间内，组合内净资产收益率(El/BE)的变化。
通过美国证券市场1963 - 1992年的净资产收益率数据，FF(1995)发现小规
模公司的盈利能力在组合构造前后5年的大多数时间内，低于大规模公司。但作
者并没有提出专门模型用于解释规模因素与公司风险特征的关系。以美国数据为
例，实际上直至1981年以前，盈利能力与公司规模似无直接关系。针对各类文
献中出现的小规模股票会获得超额收益的实证结果，作者指出，可能是由于
1981-1982年的经济衰退对小规模公司造成了更为持久的影响，导致这些公司在
之后的复苏中速度较慢。但作者并没有解释造成这一结果的深层次原因。
FF (1996)试图进一步扩大三因素模型的解释范围。分别按照FF(1993)，
Lakonishok、Shleifer和Vishny(1997)，Debondt和Thaler(1985)，Jegadeesh和
Titman (1993)不同的投资组合的构造方法，包括账面市值比、溢价比、每股现
金流量市价比、五年的销售额、公司规模以及股票的历史收益率等因素，构造投
资组合进行检验。模型的实证检验结果令人鼓舞。针对80年代以来学术界由对
10
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
股票市场实证而发现的普遍存在于证券市场的异常现象，例如依据上述指标构造
投资组合后产生的系统性差异、股票长期收益率的反转趋势(Debondt和
Thaler(1985))等。FF使用三因素模型的定价公式对收益率做出解释。结果表明，
市场超额收益RM-Rf、账面市值比HML与公司规模SMB可以完全解释股票预期收
益的横截面差异。用此模型来描述股票价格行为，可以解释除短期收益惯性
(Jegadeesh和Titman(1993))以外的所有市场异常现象，从而在一定程度上巩固
了有效市场假说的立论基础。
2.2.2 模型无法解释“收益惯性”的异常现象
Fama和French(1993)的三因素模型虽然是建立在单因素CAPM模型之上，
但三因素模型却没有CAPM模型的完善的机理，该模型更多的是实证发现的结
果。模型的方程仅提供了一种数据拟合的功能，对造成股票收益率波动的风险揭
示不足，并且模型不能实现与多因子模型的有效区别。
最显著的证据是Jedadeesh和Titman(1993)的“惯性效应”(Momentum
Effect)的发现。他们指出过去3 - 12个月具有高收益的股票在将来几个月里倾向
于继续有突出的表现，而过去表现很差的股票在将来的几个月里继续表现得很
差。“惯性效应”是CAPM和三因素模型都不能解释的现象。
还有另外一个三因素模型和CAPM都不能解释的问题。Frankel和Lee(1998)
以及其他一些研究指出，在以价格比率如BM划分的投资组合内，更高的预期现
金流量的股票有着更高的平均收益，而这个平均收益不能被三因素模型和CAPM
所解释。这些研究认为这个结果是股票价格非理性的证据，股价并不反映关于预
期利润的现有信息。而行为金融学家认为这些三因素模型所不能解释的问题完全
可以由行为金融学理论来解释。
2.2.3 国内相关三因素的研究
在西方学者对股票横截面收益“异常”研究的基础上，中国学者也针对中国
股票市场做了一定的研究, 他们的研究结论大致与Fama和French(1992)的研究
结果相近，β、公司规模和账面市值比这三个因素对预期股票收益的影响基本和
国外的研究一致。
陈信元、张田余、陈冬华(2001)运用经验研究的方法，对预期股票收益的决
定因素进行了横截面分析。发现股票β值在单因素模型和多因素模型都缺乏对股
票收益的解释能力；股票收益率与公司规模、账面市值比率体现出显著相关性；
在控制规模以后，流通股比例表现出对预期股票收益显著的解释能力。
11
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
范龙振、王海涛(2003)根据上海股票市场1995年7月至2000年6月所有A股
股票的月度收益率、价格、市值和公司财务数据，分析总市值、流通市值、价格、
账面市值比、市盈率、账面资产负债比等因素对股票回报率的影响。发现上海股
票市场具有显著的市值效应、账面市值比效应、市盈率效应和价格效应。这些效
应不能用股票的β值来解释。同时发现FF三因素模型不能完全解释这些效应：但
在三因子模型的基础上再加上一个市盈率因子可以很好地解释这些效应。
陈雷(2007)对1995年5月至2005年4月期间沪深两市A股的实证研究发现，
加入规模因素及价值因素风险的三因素模型能够对国内股市的收益率横截面分
布作出良好解释。
2.3 行为金融理论对价格惯性的解释
2.3.1 价格惯性的内容
本文的研究主要基于股价惯性（也即投资者反应不足）。在一般而言，惯性
是价格持续的趋势，在目前的研究文献中，通常涉及的惯性现象有价格惯性
(Price Momentum)、收益惯性 (Earnings Momentum)和产业惯性 (Industry
Momentum)。本论文的研究分析的即是价格惯性现象。于此相对，反转是价格
回复的趋势。通常情况下，根据行为金融学解释，惯性来源自投资者和市场的反
应不足，而反转却是由于反应过度。
价格惯性指在过去一段时间段内(排序期)价格上涨(下跌)的股票，在未来一
定时间段内(持有期)价格继续上涨(下跌)的现象。Jegadesh和Titman(1993)发现，
在美国股市中，选取过去3 - 12个月内收益最高的10%股票构成赢者组合，收益
最低的10%股票构成输者组合，在未来的3 - 12个月中，赢者组合比输者组合每
月可以多获得大约1%的超额收益。惯性策略基于这样的一种理念：需求曲线的
上移使得股价持续上涨，因而最近价格明显上扬的股票还会继续上涨；反之，需
求曲线的下移使得股价持续下跌，近期下跌的股票还将继续下跌。因此，惯性交
易策略实质上是一种简单的相对强度(relative strength)策略，是许多技术分析方
法的核心内容。如，在上涨(下跌)趋势形成后买入(卖出)的交易方法，许多金融
出版物中常出现的相对强弱指标(RSI)、动量指标(MTM)等，具有广泛应用的止
损止盈策略、被认为导致了美国1987年股灾的组合保险交易策略等。其思路都
是检验相对强度指标的变动，希望找到一种能够预测未来收益的模式。
另外，收益惯性是指在季度收益公布后，季度收益意外(Earning Surprise)
好的股票价格持续上升、收益意外差的股票价格持续下跌的现象。产业惯性指在
12
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
排序期内表现良好(不佳)的产业，在持有期内表现良好(不佳)的现象。
价格的惯性和反转意味着根据价格历史信息可以获得超额利润，此超额利润
的形成原因，一直是标准金融学派和行为金融学派争论的焦点。标准金融学的支
持者认为这是对投资者承担某种动态风险的补偿、或某些市场微观结构的结果。
行为金融学支持者认为，理性假设下得出的证券价格只反映了基本面
(Fundamental)或人的效用特征(Utilitarian Characteristics)，没有反映人的心理
或者价值形态上的特征。但人的后一方面特征在资产定价中起到了重要的作用。
并且，在基础风险(Fundamental Risk)、噪音交易者风险(Noise Trader Risk)和
实施成本(Implementation costs)等对套利行为的限制下，消除错误定价的市场机
制并不能如理想状况下那样有效地发挥作用。价格并不如Friedman(1953)认为
的“是正确的”，而是持续的在反应过度和反应不足间波动。
对价格惯性和反转现象的研究直接导致了行为金融学派的兴起，对其产生原
因的解释也成为标准金融学和行为金融学争议的焦点，成为了目前该研究范围中
争议最激烈、理论创新最活跃的领域。
2.3.2 国外股价惯性研究成果和行为金融理论的建立
从CAPM模型到三因素模型，是投资定价模型的巨大飞跃。Fama和French
(1993)三因素模型虽然能够解释大部分的市场异常，但是对于“惯性效应”（也
即股票收益惯性）解释不足，这就给在此以后的众多学者找到了新的研究突破口。
De bondt和Thaler(1985,1987)最早发现美国股市存在长期的过度反应, 即过去
一年股票收益率较差的公司在未来有更好的表现。他们注意到试验心理学
(ExperimentaI Psychology)的一个发现，人对未预期到的、轰动的信息有反应过
度的倾向。这是违背有效市场假设的前提的(Fama(1970))：投资者是理性的，
当接收到信息时，他们依据Bayes法则正确地更新了信念(Belief)。为检验投资者
对理性的偏离是否会对股票价格产生影响，他们研究了NYSE1926 - 1987年的交
易数据。发现选取过去3 - 5年内收益不佳的10%股票构成输者组合、收益最好的
10%股票构成赢者组合，在随后的3年内，输者组合每年大约可以比赢者组合多
获得8%的收益，股票价格存在长期反转现象。De bondt和Thaler认为这是市场
对信息反应过度(overreaction)的结果。
学术界开始一方面肯定De bondi和Thaler的研究方法，另一方面认为他们的
结论是数据挖掘(Data Mining)的结果。对De bondt和Thaler研究的争议刺激了随
后大量对股价时间序列的检验。
之后，Zarowin(1990)检验了规模和季节效应是否能解释短期价格的反转。
13
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
结果发现不管如何分组，在所有月份中输家组合表现显著优于赢家组合，得出反
转策略有效的结论。
Chopra、Lakonishok和Ritter(1992)发现根据过去5年的收益率形成的投资
组合，在随后的5年中过去极端输家表现要优于过去极端赢家每年5％ - 10％；
小公司的过度反应显著强于大公司；公司财务报表公布前后的一小段时间内的收
益与过度反应假说是一致的，并且把价格长期反转归因于投资者的过度反应。
Conrad和Kaul(1998)利用1926 - 1989年纽约证券交易所和美国证券交易所
所有上市交易的股票数据，分别设计了8种(1周、3、6、9、12、18、24、36个
月)排序期和持有期，形成交叉组合。研究发现64种组合中有一半取得了显著的
利润，并且惯性效应主要存在于中短期(3 - 12个月)。
Lehman(1990)，Jegadeesh(1990)检验了一周至一月的收益时序模式，发
现反向策略在下一周甚至一月也可以获利。Jegadeesh和Titman(1993)发现在3 -
12个月的中期内，股价存在惯性现象：根据股票过去3 - 12 个月的收益进行排
序，选取收益最高的10%股票构成赢者组合，收益最低的10%股票构成输者组合，
在未来的3 - 12个月中，赢者组合比输者组合每月可以多获得大约1%的超额收
益。股票价格似乎进行着有规律的波动：短期反转——中期惯性——长期反转。
Mark与Grinblatt (1999)研究了按行业分类投资组合的惯性效应，发现在美
国股票市场上，行业组合有显著的惯性效应，且超常收益比个股组合更大。
Jegadeesh和Titman (2001)用新数据检验了动量投资策略，发现动量效应在
90年代依然存在，证明1993年的结论并不是特有数据所产生的。同时检验了动
量投资策略的行为金融学模型假设，该模型认为股票的动量效应是由于延迟的过
度反应所产生的，股票价格最终会出现反转。
此时，传统的CAPM理论及Fama和French (1993)提出的三因素模型都未能
对此进行有效解释。其实包括三因素模型在内的多因素模型就包含了非理性定价
的因素，如行为金融学家认为和三因素模型里的BM因素联系的收益溢价是由于
投资者的过度反应造成的。
Frankel和Lee(1998)发现，在以价格比率如BM划分的投资组合内，更高的
预期现金流量的股票有着更高的平均收益，而这个平均收益不能被三因素模型和
CAPM所解释。这些研究认为这个结果是股票价格非理性的证据，股价并不反映
关于预期利润的现有信息。而行为金融学家认为这些三因素模型所不能解释的问
题完全可以由行为金融学理论来解释。
14
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
Chan, Jegadeesh, and Lakonishok (1996)发现在6个月（中期时间内）股
价惯性现象不能用过去的理论解释。例如将过去6个月股票收益率排序后未来六
个月的收益率会有8.8%的收益差。并且“股价惯性效应”比“盈利惯性效应”
作用更明显，时间也更长。大量的数据显示未来1-6个月的收益不会完全回转。
股价惯性效应在那些过去收益最差的股票组合中体现的最明显，未来两只三年的
收益率都将低于平均水平。这些实证结果用传统的三因素模型是无法解释的。
Chan, Jegadeesh, and Lakonishok随即提出了自己的解释，市场对新信息的反
应只能逐渐的显现出来，也即反应不足。
Daniel、Hirshleifer和Subrahmanyam(1998)总结了众多违反传统资本定价
理论的实证结果，并将其归为五类：1、基于事件的可预测收益（公开事件对股
票收益的影响与未来短期平均非正常收益同正负号；2、短期股价惯性（在短期
内，过去与未来的股票收益率存在正自相关）；3、长期股价回转（过去与未来负
自相关）；4、相对于基本面资产价格的高波动；5、与盈利意外同向变动的短期
股价，但与过去长期盈利变动走势反向。同时，他们认为Fama (1998)提出的基
于传统定价理论的解释，即这些异常现象可能归咎于在市场有效情况下的随机波
动，无法解释这些异常收益的频繁出现和数值显著。
来自于经济学家对行为金融理论最广泛的批评是行为金融理论在任一给定
经济环境下都存在着无限制的非理性行为模式，即对非理性敞开大门后，特殊情
况的“潘多拉”盒子也就被打开了，研究结果在样本之外的解释力度也就可能微
乎其微了(Daniel、Hirshleifer和Subrahmanyam(1998))。但是De Bondt和Thaler
(1995)认为一个好的行为金融理论是建立在对人们如何行为决策的心理学实证
上的。
2.3.3 我国股市惯性研究成果
我国对于股市价格惯性和反转现象的研究结论差距非常大。早期的研究比较
倾向于不存在惯性现象，近期大量的研究则证明中国股市在短期内确实存在股价
惯性现象。
王永宏、赵学军(2001)比较研究我国股市惯性和反转现象，认为我国股市只
存在价格反转、不存在价格惯性。但其样本数据少，多数统计量显著性不高。
周杰琳(2002)为增加样本点，沿用Jegadesh和Titman(1993)的重叠法，认
为我国惯性现象存在于排序期和持有期不超过6个月的时间范围内。
朱战宇(2003)的研究为了剔除通过B股或H股对A股的套利行为，在样本中剔
15
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
除了既发行A股也发行B股或者H股的公司。发现在月度周期上不存在惯性现象，
惯性现象仅存在于排序期和持有期都小于4周的时间上。
吴世农、吴育辉(2003)以基金重仓持有的股票过去6个月的累积超常收益来
构造赢家组合和输家组合，研究发现：首先，在未来的12个月，赢家组合发生
了收益反转现象，而输家组合发生了收益惯性现象；其次，赢家组合和输家组合
未来12个月的累积超常收益与组合形成期股票的流通股市值和基金持有该股票
的比例成反比，但与公司每股收益成正比，存在显著的“规模效应”、“基金持股
效应”和“EPS 效应”。吴世农、吴育辉认为，导致“赢家变输”和“输家更输”
这种现象的原因可能是基金基于市场上投资者“追涨杀跌心理”的“短期套利行
为”和基金基于“自我控制心理”的“止损行为”。
杨炘、陈展辉(2004)基于1992 - 2001年的沪深A股市场的全样本数据，采用
Jegadeesh和Titman(2001)方法，研究中国股市惯性和反转投资策略。结果表明，
在中国A股市场基本不存在惯性现象，而存在显著的反转现象。
沈可挺、刘煜辉(2006)以1995 - 2002年有连续周收益数据的股票作样本，
在考虑了市场状况因素后，发现惯性策略存在更为明确的获利性，得出的结论是
当市场收益率高时，执行惯性策略效果不及市场收益率低时；当市场中个股收益
分化时，执行惯性策略效果更好。
许柳英(2006)依据1995到2003年所有沪深股市上市A股作检验得出，我国股
市中惯性和反向策略的成功性与时间长度相关，惯性策略在不超过3个月的时期
内可以成功，反向策略在9个月到2年的时期内可以成功。总体表现出周期短化，
利润幅度过大的特征。从利润构成来看，超短期的惯性策略，赢者和输者股票对
利润贡献大致相同；中短期的惯性策略，利润大部分来自于输者股票收益的持续
下降，在我国股市没有卖空机制的现状下，仅买入过去中短期内的赢者股票很难
显著获利。
高明(2008)当只考虑收益率标准的情况下，在3至12个月的各种排序期和持
有期的组合投资策略中，赢家组合和输家组合都分别取得了高于市场平均收益率
的投资水平。赢家组合和输家组合之间累积超额收益率之差虽然为正值，但并不
具有普遍的统计显著性，只有当持有期为6个月时，统计显著，存在惯性效应，
利用惯性投资策略可以取得超额收益率。在其它情况下，统计并不显著，所以利
用惯性投资策略不能保证取得显著性收益。
朱曦(2008)，选择了1997年1月1日至2005年4月30日沪深A股市场数据作为
研究对象，发现，沪深A股市场在不同形成期搭配不同持有期下，执行惯性策略
16
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
和反转策略的获利性方面具有很强的联动性，两市均表现为短期的惯性收益，中
期的反转收益，长期的惯性收益现象；且沪深两市均表现了“强者恒强，弱者恒
弱”、“追涨杀跌”的反应强度，但深市比沪市表现出更强烈的惯性策略获利性。
黄俊、陈平(2009)，以1997年6月至2006年6月的沪深A股股票市场为考察
对象，采用重叠式数据处理，按照De Bondt和Thaler(1985)的方法，利用最新数
据对中国证券市场的有效性进行了检验。通过实证分析发现中国证券市场短期内
（6个月左右）存在明显的反应不足，长期内(1-3年)存在过度反应。
2.3.4 五种行为金融模型对股价惯性的解释
Barberis、Shleifer和Vishny (1998)认为, 投资者受选择性偏差和保守性偏差
的影响，会忽略股价随机游走的模式，而错误地以为收益是均值回归的或是有趋
势性的。当投资者认为收益是均值回归时，他们认为收益的变化只是暂时的，因
而会对相关的信息产生延迟反应。当投资者认为收益有趋势性时，他们会将暂时
的良好收益状况外推，从而导致股价过度反应。Barberis、Shleifer和Vishny假定
投资者对于股利的预期有两种模型：在第一种模型中，股利的增长是负相关；而
在第二种模型中，股利的增长是正相关从而呈现出某种趋势，投资者并不改变任
一种模型，但会应用贝叶斯方法来对两种模型正确的可能性进行调整。均值回复
模型使投资者对信息反应不足，趋势模型使投资者对信息反应过度。在这一假定
下，一连串的好消息或坏消息，可使投资者从均值回复模型转向趋势模型。此观
点可以解释反应过度和反应不足，而横截面收益“异常”中的“惯性效应”（股
价惯性）就是由反应不足引起的。
Daniel、Hirshleifer和Subrahmanyam (1998)将投资者分为灵通投资者和非
灵通投资者。股票的价格是由灵通投资者决定的，而他们却易于产生两种判断偏
差——过度自信和对自己掌握的信息过分偏爱。过度的自信导致有信息的投资者
夸大自己对股票价值判断的个人信号的准确性；过分偏爱则使他们低估关于股票
价值的公共信号，特别是当这些公共信号与他们的个人信号相背离时。随着公共
信息最终战胜了行为偏差，对个人信息的过度反应和对公共信息的反应不足，就
会导致股票回报的短期连续性和长期的反转。Daniel、Hirshleifer和
Subrahmanyam认为，投资者具有过度的自信，他们给予个人信号以过多的权重，
符合个人信号的公众信息将进一步加强投资者的过分自信, 但对于不符合其个
人信号的公众信息只会稍微降低他们的过分自信，这一假定意味着个人信号将导
致短期的过度反应。仅仅当后续的公众信息不断地挫伤投资者的自信使公众信息
的权重占有很大比例时，投资者才会抛弃过分自信的错误定价。这一模型通过以
上方法产生了短期的“惯性效应”和长期的均值回复(回转)。
17
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
Hong和Stein (1999)假定市场由两种有限理性投资者组成：“消息观测者”
(news watchers)和“趋势交易者” (momentum investors)。两种有限理性投资
者都只能“处理”所有公开信息的一个子集。消息观测者基于他们观测到的未来
基本情况的信号做出预测。局限性在于他们不能根据当前和过去价格的信息进行
预测。趋势交易者正好相反，他们可以根据过去价格变化做出预测，但预测是过
去价格的简单函数，所以也是不完全理性的。这两类交易者相互作用时，当个人
信号逐渐影响股票价格并被趋势交易者加强时，股票价格会产生“惯性效应”。
Barberis、Huang和Santos(2001)从投资者的效用函数入手来构建模型。他
们认为，以期望理论为基础，将投资者的动态风险厌恶引入到传统的效用函数的
分析中，投资者不仅从消费中获得效用，同时也从资产价格的变动中获得效用。
他们认为，投资者风险厌恶的程度取决于前期的投资收益。若股票市场在连续受
到利好消息的刺激后，股票价格开始上升，投资者开始产生投资收益。随着投资
者收益的增加，他们对于风险的偏好发生了改变，其对风险的厌恶程度开始降低。
这主要是因为其前期的收益可以用于弥补接下来出现的损失，而使得损失可以令
人容忍。而投资者风险厌恶程度的降低会继续推高股价，从而导致其对股票收益
的反应不足，因此股票的价格会出现惯性现象。反之，若前期遭遇损失，投资者
会变得更加风险厌恶，其对再一次的损失变得更加敏感。结果使得他高估了股票
的风险，导致了投资者对股票收益的反应过度，从而产生了长期的价格反转。
Zhang (2006)根据Daniel、Hirshleifer和Subrahmanyam (1998，2001)模型，
认为股价惯性现象来自于投资者对信息的反应不足。同时，由于投资者对于难以
估值的公司更有自信，导致了具有更大信息不确定的公司，其收益可预测性更大。
并就此推论认为更大的信息不确定因素在好（坏）消息背景下与更高（更低）的
股票收益有正向关系。就此，Zhang (2006)研究了两种股价惯性异常现象，分析
师评级调整后的价格偏离以及价格惯性。采用当月分析师评级调整情况作为前者
的代理变量，将过去11个月累积收益率作为后者的代理变量。并将调高评级或者
过去的赢家作为好消息，将调低评级或者过去的输家作为坏消息。同时，找到了
六个衡量信息不确定因素的代理变量：市值、上市年龄、分析师覆盖情况、投资
者预测偏离度、收益率波动率以及现金流波动率。对于每一个信息不确定因素，
研究发现更高的不确定因素在坏消息前提下会带来相对更低的收益率，在好消息
的前提下能带来相对较高的收益率。也就是说，对于低信息不确定的股票，市场
对其新信息的反应相对完备，存在相对较低的基于信息的可预测性。由于在好消
息和坏消息下存在反向作用的源自信息不确定因子的股票收益，这也就放大了惯
性交易策略的收益。具体说来，当把范围限定在高信息不确定的股票中，买入好
消息股票卖空坏消息股票非常奏效。本文的研究就是基于Zhang (2006)的方法
下。
18
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
3 信息不确定因素下的股票组合收益实证分析
3.1 研究方法和数据
3.1.1 研究方法
“惯性效应”这一市场异常现象已经广泛地为学术界发现，这种异常现象不
能被资本资产定价模型（CAPM）及其拓展理论解释。与此同时，行为金融理论
却能提出一些很好的解释，例如认为股价惯性源自投资者对信息的反应不足。本
文即是基于投资者反应不足促使“股价惯性”现象这一观点，继而研究两种股价
惯性异常现象（分析师调级后的价格偏离以及股价惯性），验证中国股票市场确
实存在着信息不确定因素，继而影响股票未来收益。
信息不确定因素(Information Uncertainty) 不同于市场风险因素(Market
Risk Factor)，后者是应用于资产定价理论中用以测度预期收益的因子。随着市
场风险因素值的上升，股票预期收益上升，反之依然。与此不同，信息不确定因
素描述的是另一种风险测度，用以描述解释“股价惯性”的现象（“趋势效应”
或“惯性效应”）。例如，在好消息的情况下（例如评级调增，过去收益较高），
不确定因素将放大预期收益；而当坏消息的情况下（例如评级调减，过去收益较
低），不确定因素将缩小预期收益（或放大预期亏损），可以形象地比喻是预期收
益的“双刃剑”。
本文试图在中国股票市场中寻找出可以解释股价惯性的信息不确定因素。根
据Zhang (2006)的分析，提取了五个信息不确定因素（1/MVt、1/AGEt、SIGMAt、
CVOLt和COVt）。对消息的描述采用两种方式，一个是分析师调级（GRADEt），
一个是过去11 个月的收益情况（Rt-11,t-1）。采用排序对比的方式，分析在不同消
息类型（好、中、坏）和不确定因素下不同组合的收益。
3.1.2 样本数据描述
本文采用的数据基本来自 wind 金融数据库。
股票数据区间从2000 年1 月至2009 年9 月间的月度数据，包括所有上市
非ST股票（COVt和GRADEt区间从2004 年1 月至2009 年9 月）。本文采用这
些数据构成的面板分析。
19
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
用来描述收益率的指标（Rt-11,t-1、Rt、Rt+1）由股价计算得出，其中用来表
述过去股价走势的是过去11 个月的收益率R(t-11,t-1)，表述当前收益率的是Rt，未
来一个月股票收益趋势的是Rt+1。
对于在过去机构（证券公司）对于股票的评级调整情况（GRADEt）采用wind
金融数据库中综合评分计算得出。Wind数据库中的评分标准依照：1-买入，2-
增持，3-中性，4-减持，5-卖出，这五类得分标准综合评定机构对各股票的评级
情况，所以在当综合评分数值由上一月的1.5 分变动到当月的1 分（2 分）时，
我把这看做是将评级调高（调低）。在具体处理中把它百分化，例如上例中的
1/1.5=67%（2/1.5=133%），即>100%表明调低评级（坏消息），<100%表明调
高评级（好消息），=100%表明评级不变（中性消息）。
本文一共取了五个描述股票信息不确定的因素，包括：
第一个是规模因素(1/MVt)，是用来描述股票市值的是MVt（亿元），来自wind
终端上的“总市值”1选项。由于05 年开始的股改使得上市公司流通市值前后有
较大差别，为了能有差不多的比较，选用总市值。通常市值较大的公司相对稳健，
市场关注明显，所以在后文因素比较中，采用1/MVt作为信息不确定因素。1/MVt
越大，信息不确定越大。
第二个是年龄因素(1/AGEt)，用t时刻的年份减去上市公司的年份得到AGEt。
由于上市早的公司（AGEt大）被市场关注时间更长，相对可能更稳健，所以在
后文因素比较中，采用1/AGEt作为一个不确定因素（当年上市的企业1/AGEt设
定为2）。1/AGEt越大，信息不确定越大。
第三个是收益波动因素（SIGMAt），采用t时刻前一年股票月度超额收益率
的标准差计算得到，其中市场收益率采用上证综指收益率。更大的SIGMAt表明
公司市场上的不确定性风险更大。
现金流波动因素（CVOLt）是第四个不确定因素，根据各股票前五年财务年
度公司经营性现金流与营业收入比率的标准差计算得出，其中公司公布的经营性
现金流数值必须至少三年，小于三年的数据被剔除。该波动率数值越高，公司信
息不确定越大。
第五个描述变量是机构覆盖因素（1/COVt），参考2004 年1 月至2009 年9
月间wind数据库中关于个股盈利预测机构家数得到。由于05 年前机构数（主要
1 陈收、陈立波(2002)研究发现作为规模度量的流通股市值和总市值的选择对不同规模组合收益率的排序没
有本质的影响。
20
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
为卖方）公开报告较少，所以取值时间相对其他数据较晚。同时，05 年后报告
公布情况逐渐增多，所以用绝对值来评价各t月份的覆盖情况不够客观（例如，
2005 年3 月，根据wind数据机构覆盖数最多的是长江电力，共有21 家，其次
是中国石化（18 家），类似泸州老窖这样只有1 家机构覆盖的有194 家上市公司，
而到了2009 年7 月，泸州老窖有32 家机构预测盈利状况，长江电力和中国石
化各有25 家和20 家，而第一名万科为35 家。在用面板数据统计时，为了剔除
这种覆盖极具增速带来的统计误差，我将各月各股票的覆盖数除以当月最多覆盖
数得出当月相对关注度，再取1/COVt得到本文第五个不确定因素。该数值越大，
说明受关注度越小，公司信息不确定越大。
表1 是统计数据样本描述，本文特点是样本量大，其中Rt-11,t-1从-90%到将
近1500%，账面市值比由将近于0 直至4.4，上市公司年龄最大为19，最小为
1，平均值为7 年半左右。
表2 是各统计样本之间的协方差矩阵。账面市值比(BM)与未来收益Rt+1的关
联度为0.08，符合FF三因素模型情况。规模效应（MV）与未来收益Rt+1也成正
比。另外，MV和AGE有正的协方差，SIGMA、CVOL、1/COV相互间存在正相
关关系，这些都与原样本数据设计的性质符合。整体上，从表2 中各统计样本均
较好地反应了样本设计的性质。
21
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表1，2 数据描述
规模因素MV 是公司在t 月总市值（亿元）。账面市值比BM 是公司每月的净资产（亿
元）除以公司当月的总市值MV（亿元），其中净资产根据wind 公布的中报和年报，例如
2000 年12 月至2001 年5 月取2000 年年末净资产，2001 年6 月至2001 年11 月取2001
年中报净资产。年龄因素AGE 是公司在t 月总上市年数。分析师覆盖因素1/COV 是，将t
月覆盖该公司股票的评级机构数除以t 月市场上最大的覆盖公司的评级机构数，得到的比率
的倒数。股价波动因素SIGMA 是t 月前1 年每月各股票超市场收益率的波动率。现金流波
动因素CVOL 是过去五年（至少三年）公司现金流与营业收入的比值的标准差。除1/COV
外，其余数据取值范围为2000 年1 月至2009 年9 月，1/COV 取值区间为2004 年1 月至
2009 年9 月。
表1 数据描述
观测值 平均值 最小值 中值 最大值 标准差
Rt-11,t-1 106,420 20.28% -90.00% -5.26% 1487.57% 82.02%
Rt+1 106,420 1.75% -100.00% 0.40% 687.74% 15.71%
Rt 106,420 1.69% -78.18% 0.33% 687.74% 15.75%
BMt 106,420 0.423 0.000 0.361 4.413 0.266
MVt 106,420 72.0 1.7 23.6 28789.2 489.7
AGEt 106,420 7.48 1.00 7.00 19.01 3.70
SIGMAt 106,420 0.108 0.011 0.093 2.080 0.069
CVOLt 106,420 0.224 0.002 0.093 38.629 0.857
1/COVt 43,739 9.733 1.000 5.800 42.000 9.709
表2 协方差矩阵
Rt-11,t-1 Rt Rt+1 BMt MVt AGEt SIGMAt CVOLt 1/COVt
Rt-11,t-1 1.0000 0.0466 0.0408 -0.4397 -0.2514 -0.0883 0.4212 0.0455 -0.0821
Rt 0.0466 1.0000 0.0253 0.0822 0.0862 -0.0103 -0.0157 0.0063 0.0093
Rt+1 0.0408 0.0253 1.0000 -0.1435 -0.0677 -0.0235 0.0033 0.0159 -0.0135
BMt -0.4397 0.0822 -0.1435 1.0000 0.3916 -0.0240 -0.3973 -0.0943 0.0793
MVt -0.2514 0.0862 -0.0677 0.3916 1.0000 0.2276 -0.1837 -0.0512 0.3651
AGEt -0.0883 -0.0103 -0.0235 -0.0240 0.2276 1.0000 -0.0570 -0.0231 -0.0560
SIGMAt 0.4212 -0.0157 0.0033 -0.3973 -0.1837 -0.0570 1.0000 0.0962 0.0882
CVOLt 0.0455 0.0063 0.0159 -0.0943 -0.0512 -0.0231 0.0962 1.0000 0.0401
1/COVt -0.0821 0.0093 -0.0135 0.0793 0.3651 -0.0560 0.0882 0.0401 1.0000
22
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
3.2 信息不确定因素下组合收益的实证分析
在这一部分中，按不同风险因素的水平将收益的面板数据排序，观察样本数
据是否具有股价惯性效应和分析师调整评级后的股价偏离(price drift)。
在表3 中我将每个月各股票Rt+1的面板数据依不同的信息不确定因子由低到
高排序（10 组），发现不同因素高低值与Rt+1并非有一成不变的规律。对于1/MV、
SIGMA，越高的不确定带来越大的收益，对于1/AGE、1/COV、CVOL，越高
的数值其回报越低。通过买入高风险数值因子的股票同时卖出具有低风险因素特
征的股票来构建的套利交易策略并不存在一致性结果，并且1/COV、CVOL表示
出不显著的特点。2其中1/MV、SIGMA具有相当良好的单调增长趋势，可能说
明规模效应和收益波动率可以作为资产定价公式中的风险因子项。针对1/AGE
的-2.5%收益（P值为）表明它并不能作为风险因子。
表3 最后列依据Rt-11,t-1的排序结果表明股价惯性效应确实存在，过去表现最
好的股票组合比最差的股票组合高出了1.6%，且P值为0。当然，同时发现单调
性不如Zhang(2006)，在文中依据美国股市作出的惯性效应非常明显（t=5.38），
并且未来收益率随过去表现的提高而提高。
在表4 中，根据分析师评级调整情况将收益分类观察股价偏离的存在性
(price drift)。调高评级认为是好消息，在分析数值上体现为Grade<100%，调低
评级认为是坏消息。如果评级为中性，则将其归为第三类（中性消息）。整体上
看，坏消息、中性消息和好消息分别占了整体样本的24%、51%和25%3。样本
数量差距大的一个原因是，数据按月取值，分析师对公司的判断在短期内发生改
变的概率不大，容易出现维持评级，另一个可能的原因可能是我国市场整体上评
级保守，分析师在调高或调低评级时会比较谨慎。表4 的数据显示，过去坏消息
下未来收益低于过去好消息下的收益，证实了确实存在调级引起的惯性效应。
整体上，在坏消息的背景下，未来一月的收益为3.11%，中性消息为6.08%，
好消息为4.40%，好消息与坏消息的收益差为1.29%，所有P 值为0，统计显
著。值得注意的是不同于当月坏消息，中性消息和好消息下收益率单调增长的情
2 Zhang(2006)发现，在通过相同方式排序后，D10-D1 的数值具有相同的负值特征，但是买入高信息不确定
股票同时卖出低风险股票的收益率未表现出统计上的显著。
3 Zhang(2006)样本观测数值中，坏消息占30.3%，中性占46.5%，好消息占23.2%，整体情况与本文差别不
大。
23
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表3，4 信息不确定因素、过去收益和分析师调级下的组合收益
该表表示的是按各不确定因素排序（从低到高，即数值从小到大）得到的未来一月的（t+1
期）平均收益情况（Rt+1）。数据的结果证实了我国股票市场确实存在着评级调整后的“股
价偏离”(Price Drift)和惯性效应（趋势效应，Momentum Effect）。在表3 中，我将Rt+1
值按照不同不确定因素和过去11 月的累积收益排序（Rt-11,t-1）排序。在表4 中，我将Rt+1
值按当月(t 月)三种分析师调级种类（调高，中性，调低）排序。规模因素1/MV 是公司在t
月总市值的倒数。年龄因素1/AGE 是公司在t 月总上市年数的倒数。分析师覆盖因素1/COV
是，将t 月覆盖该公司股票的评级机构数除以t 月市场上最大的覆盖公司的评级机构数，得
到比率的倒数。股价波动因素SIGMA 是t 月前1 年每月各股票超市场收益率的波动率。现
金流波动因素CVOL 是过去五年（至少三年）公司现金流与营业收入的比值的标准差。除
1/COV 外，其余数据取值范围为2000 年1 月至2009 年9 月，1/COV 取值区间为2004 年
1 月至2009 年9 月。
表3：按信息不确定度和股价惯性对未来(t+1)期收益排序
1/MV 1/AGE 1/COV SIGMA CVOL Rt-11,t-1
D1（低） 0.78% 3.9% 4.7% -0.9% 1.9% 3.6%
D2 0.88% 1.5% 3.5% -0.1% 2.0% 1.0%
D3 0.79% 3.2% 3.4% 0.1% 2.2% -0.6%
D4 0.83% 2.4% 2.7% 1.0% 2.0% -0.8%
D5 0.99% 0.9% 3.8% 2.2% 1.4% -0.9%
D6 1.36% 1.4% 2.7% 3.1% 2.1% 0.1%
D7 1.85% 1.2% 3.3% 3.7% 1.7% 1.4%
D8 2.54% 0.4% 5.5% 3.4% 1.5% 3.3%
D9 3.15% 1.2% 2.4% 2.7% 1.0% 5.1%
D10（高） 4.29% 1.4% 4.2% 2.4% 1.7% 5.2%
D10-D1 3.5% -2.5% -0.5% 3.3% -0.2% 1.6%
p 值 0.000 0.000 0.198 0.000 0.343 0.000
表4：不同评级调整下的组合收益
样本 Rt Rt+1
坏消息
(Grade>100%)
24% 1.67% 3.11%
p 值 0.000 0.000
中性消息
(Grade=100%)
51% 4.94% 6.08%
p 值 0.000 0.000
24
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表4：不同评级调整下的组合收益（续上）
样本 Rt Rt+1
好消息
(Grade<100%)
25% 6.83% 4.40%
p 值 0.000 0.000
好 - 坏 1.29%
p 值 0.000
况（1.67%，4.94%，6.83%），在Rt+1下，中性消息收益更大，可能是分析师评
级调整滞后的原因所致。
总体上，表3 最后列和表4 的数据符合行为金融理论中市场反应不足的观
点：由于投资者对过去信息反应不足，使得在未来t+1 期股票收益存在与当月t
期相同的股价走势。表明说明惯性效应明显。4
3.3 分析师调级与信息不确定因素下组合收益的实证分析
本节检验分析师调级和信息不确定因素共同作用下与未来组合收益的关系。
表5 中，我在不同的消息分类中用各信息不确定因素进行排序。首先根据消息的
属性将其分为三类（坏消息即调低评级，中性即保持评级，好消息即调高评级），
然后按不确定因素大小用十分法将每一类中的未来收益Rt+1排序为十组。好消
息、中性消息和坏消息的数量分别为11,055、22,246 和10,438。
3.3.1 惯性效应分析
在同一信息不确定因素的各组合中存在惯性效应（即好 - 坏>0），在50
组数据中例外情况只有5 个，显著情况稍差（共有19 组数据p值大于0.1）。总
体上表明中国市场存在明显的由分析师调级产生的惯性效应5，依据过去股票收
益的情况可以预测未来的收益走势，通过买入过去赢家卖空过去输家的交易策略
能在较大概率上获得显著收益。
3.3.2 信息不确定因素分析
4 这里的惯性效应证明比较简单，对此的详细证明并非本文的核心，更完备的证明方法可参照Jegadeesh
和Titman(1993)利用重叠法验证惯性效应。
5 这个结果与许柳英(2006)，朱曦(2008)的结果相同，但与吴世农、吴育辉(2003)，高明(2008)的结果不同。
25
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表5 的结果显示，中国股票市场中在给定分析师调级的前提下原假设的五个
变量不能作为信息不确定因素。原假设认为，组合收益会在坏消息下随不确定因
素变高而逐渐降低，在好消息下随不确定因素变高而不断提高。相反，实证发现，
市场对于分析师调级这个消息的没有显著反应。例如，按1/MV排序的三类收益
情况，都随着1/MV增大而逐渐变高。通过买入1/MV大的股票卖空1/MV小的股
票的交易策略在好、中、坏三类消息前提下获得的收益分别为5.14%、7.25%、
6.46%，且各类的p值约为0。说明小规模市值股票在任一消息下都能有很好的
收益，符合Fama和French (1993)的解释。观察1/AGE可以发现另一个有趣的现
象，上市年龄越大的公司股票其收益率越高，构造的交易策略在好、中、坏情况
下分别为-5.88%、-3.27%、-5.22%。针对1/COV的研究发现，整体上，随着数
值的上升，收益率下降；也即机构覆盖数高的股票其收益较高（交易策略的p值
在坏消息下不显著，在中性消息下10%的置信区间显著，在好消息下非常显著）。
同时，SIGMA显示出不同的特征。无论在哪种消息下，通过买入波动率高卖空
波动率低股票的交易策略都无法获得显著的收益。通过对数列的观察发现，处于
波动率中档的股票收益率较高（D3 至D7）6。对CVOL的结果观察发现，实证结
果显示其与我原来设想的结果比较吻合，虽然p值都不显著，但是观察各列发现
在好消息情况下，CVOL值越高收益越大，交易策略能获得0.85%收益；在坏消
息下，信息不确定越大，收益越低，D1 能比D10 多产生0.18%的收益。
总体上，发现依据分析师调级作为消息的前提并不能得到设想的结果，原因
可能有三个。首先，是样本数据少的问题。中国分析师对股票的预测评级从2004
年起才逐步推广扩大。这样也就意味着样本数据较少的情况。其次，由于分析师
相对股票数较少情况持续时间较长，分析师会有意识的挑选盈利前景宽广、收益
增长较快的公司，从而产生选择性偏见（selection bias）。这种情况能解释本节
实证与原设想产生不同结果。例如，由于分析师意图选择更优秀的公司进行评级，
那些被评级的小规模公司相对广大未被覆盖的公司其业绩会更优秀，即使评级在
一段时间内下调（下调可能由于多种意外情况所致，而不一定是公司基本面发生
变化），股票仍然有较高收益。又例如，COV 在各种情况下都显示出机构覆盖
6 根据这观察结果，收益显示橄榄状的分布，可以构造全新的交易策略，买入D5，卖空D10 或D1，在好、
中、坏的情况下都能产生5%置信度下显著的收益。当卖空D10 时，好、中、坏三类消息下交易策略收益分
别为2.29%、1.37%、2.18%，p值为0.003、0.025、0.0059。当卖空D1 时，好、中、坏三类消息下交易
策略收益分别为1.90%、2.71%、1.31%，p值为0.003、0.000、0.036。
26
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表5 分析师调级与信息不确定因素下的组合收益
该表显示了按分析师调级和信息不确定因素排序后的平均每月组合收益。首先根据消息
的属性将其分为三类（坏消息即调低评级，中性即保持评级，好消息即调高评级），然后按
不确定因素大小用十分法将每一类中的未来收益Rt+1排序为十组。其中分析师评级调整数据
依据当期t月和上月度(t-1)分析师对股票综合评分的变化确定。规模因素1/MV是公司在t月总
市值的倒数。年龄因素1/AGE是公司在t月总上市年数的倒数。分析师覆盖因素1/COV是，
将t月覆盖该公司股票的评级机构数除以t月市场上最大的覆盖公司的评级机构数，得到比率
的倒数。股价波动因素SIGMA是t月前1 年每月各股票超市场收益率的波动率。现金流波动
因素CVOL是过去五年（至少三年）公司现金流与营业收入的比值的标准差。此节的数据来
源为2004 年1 月至2009 年9 月间全部上市公司（非ST）。
按1/MV 排序 按1/AGE 排序
坏消息 中性 好消息 好 - 坏 坏消息中性 好消息 好 - 坏
D1(低) 0.0% -0.4% 1.4% 1.42% 5.07% 5.10% 6.55% 1.48%
0.044 0.205
D2 1.3% 1.7% 3.7% 2.35% 3.77% 5.15% 2.39% -1.38%
0.001 0.988
D3 1.9% 2.2% 3.0% 1.16% 3.57% 1.15% 8.11% 4.53%
0.068 0.000
D4 1.7% 2.7% 3.8% 2.09% 5.16% 7.82% 5.12% -0.04%
0.004 0.716
D5 3.1% 3.0% 3.8% 0.72% 2.40% 3.31% 1.73% -0.68%
0.331 0.776
D6 3.8% 3.5% 4.4% 0.59% -0.35% 2.91% 5.77% 6.11%
0.412 0.000
D7 4.2% 4.3% 5.0% 0.81% 6.84% 0.87% 5.23% -1.61%
0.250 0.010
D8 4.2% 4.6% 6.0% 1.82% 2.89% 5.29% 2.98% 0.09%
0.020 0.405
D9 4.5% 5.9% 6.4% 1.89% 1.92% 0.97% 5.54% 3.62%
0.005 0.002
D10(高) 6.4% 6.9% 6.5% 0.10% -0.15% 1.83% 0.67% 0.82%
0.922 0.001
D10 - D1 6.5% 7.3% 5.1% -5.22% -3.27% -5.88%
p 值 0.000 0.000 0.000 0.000 0.000 0.000
27
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表5 分析师调级与信息不确定因素下的组合收益（续上）
按1/COV 排序 按CVOL 排序
坏消息 中性 好消息 好 - 坏 坏消息中性 好消息 好 - 坏
4.44% 3.13% 6.48% 2.04% 3.42% 4.12% 3.63% 0.20%
D1(低)
0.001 0.993
D2 3.89% 2.80% 5.76% 1.87% 2.67% 2.77% 4.56% 1.89%
0.001 0.008
D3 2.19% 2.58% 4.60% 2.42% 2.90% 3.29% 4.20% 1.30%
0.000 0.162
D4 2.28% 2.38% 3.23% 0.95% 2.83% 4.06% 4.03% 1.19%
0.099 0.158
D5 2.92% 5.01% 5.20% 2.28% 3.21% 2.84% 4.79% 1.58%
0.004 0.063
D6 2.56% 2.63% 2.40% -0.16% 3.06% 3.25% 4.43% 1.37%
0.401 0.049
D7 2.11% 3.79% 4.34% 2.23% 3.32% 3.93% 4.55% 1.23%
0.001 0.069
D8 4.80% 4.35% 5.12% 0.32% 3.06% 3.68% 4.92% 1.85%
0.215 0.026
D9 1.98% 5.51% 2.82% 0.84% 3.40% 3.04% 4.49% 1.09%
0.261 0.225
3.95% 2.20% 4.12% 0.17% 3.25% 3.40% 4.48% 1.23%
D10(高)
0.836 0.145
D10 - D1 -0.49% -0.93% -2.36% -0.18% -0.72% 0.85%
p 值 0.510 0.096 0.001 0.811 0.215 0.238
按SIGMA 排序
坏消息 中性 好消息 好 - 坏
2.51% 1.64% 3.64% 1.13%
D1(低)
0.026
D2 2.83% 2.73% 4.95% 2.12%
0.000
D3 3.58% 4.38% 5.21% 1.63%
0.011
D4 3.51% 4.72% 4.80% 1.29%
0.078
28
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表5 分析师调级与信息不确定因素下的组合收益（续上）
D5 3.82% 4.35% 5.54% 1.72%
0.013
D6 4.44% 3.89% 4.66% 0.22%
0.740
D7 3.13% 3.57% 4.98% 1.85%
0.014
D8 2.78% 3.53% 3.74% 0.96%
0.308
D9 2.89% 2.60% 3.28% 0.39%
0.845
1.64% 2.98% 3.26% 1.62%
D10(高)
0.024
D10 - D1 -0.87% 1.34% -0.39%
p 值 0.213 0.015 0.587
率高的公司其收益也越大，这个事实也能得到解释。第三，股票市场上个人投资
者占有很大比重，这些投资者获取信息的途径比较有限，他们不一定能获取诸如
机构投资调级等的即时信息。
另外，在对表5 的分析发现了中国股票市场存在一些有趣现象，比如“规模
效应”，规模小的公司收益高，上市时间久的股票能提供更高的收益。
3.4 股价惯性与信息不确定因素下组合收益的实证分析
本节研究惯性效应中的股价惯性（过去收益对未来收益产生影响）来度量好
坏消息。本文定义：过去收益优异（过去赢家）对于当期投资者来说意味着好消
息，过去收益糟糕（过去输家）意味着坏消息。本文预设的分析结果应显示如下
的规律：更高的信息不确定对于输家意味着未来收益相对更低，对于过去赢家意
味着未来收益更高，信息不确定因素将放大股价的偏离，也即股价惯性在考虑了
信息不确定后的放大效应。
表6 表明了惯性效应与信息不确定因素的交互关系。首先按过去11 个月股
票收益（Rt-11,t-1）情况照五分法排序，在此基础上再按各信息不确定因素将未来
收益（Rt+1）分成五组。对于样本数据处理来说，先将106,420 按Rt-11,t-1值从小
到达排序，再等分为五份，之后再按例如1/MV等的不确定因素由低到高排序，
29
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
再等分为五组。除1/COV外，表6 中的每一个平均未来月收益都是大约4,257
个Rt+1的平均值。至于1/COV，每个月收益大约是1,748 个收益的平均值。
3.4.1 惯性效应分析
在同一信息不确定因素的各组合中都存在显著的惯性效应（即 M5 – M1 显
著大于0），在二十五组中只有两个例外（1/AGE 的U1 和1/COV 的U5）。表
明中国市场存在明显的惯性效应，依据过去股票收益的情况可以预测未来的收益
走势，通过买入过去赢家卖空过去输家的交易策略能在很大概率上获得显著收
益。继续观察惯性效应和不确定因素可以发现，1/MV、1/AGE 和CVOL 的惯性
效应与U 值有高度正相关关系，惯性收益（M5-M1）随U 值增高而变大（1/AGE
的情况有点不同，U3 的惯性收益最大，但U5 和U1 的惯性收益差仍然显著大于
0）。例如对于1/MV，通过买入规模较大（U1 低）过去表现优异（M5）卖空规
模较大（U1 低）过去表现不佳（M1）的股票可以获得1.11%（p=0.005）的收
益，但如果买入规模较小（U5 高）过去表现优异（M5）卖空规模较小（U5 高）
过去表现不佳（M1）的股票可以获得5.40%（p=0.000）的收益，这两个惯性
收益相差4.29%，且p 值显示其差值显著不为0。1/AGE 和CVOL 根据下面第
二部分的分析可知，是理想的信息不确定因素，其分析结果和Zhang (2006)相
同。1/COV 和SIGMA 也存在显著的惯性效应，但是惯性收益随U 值增高而变
小。
3.4.2 信息不确定因素分析
本文原预设的实证结果应显示出，在每个因素的排序中，最左侧数列（过去
输家）应呈现明显的随U 增长而减小，最右侧数列（过去赢家）应呈现随U 增
长而增长。实证分析结果与原假设有许多不同。
对于1/MV，结果显示过去无论表现多优异或多糟糕，1/MV值越大，其平均
收益越高。当M1（过去输家）时，通过买入U值较高的组合卖空U值较低的组合
可以获得收益2.51%，p值0.000；当M5（过去赢家）时，通过买入U值较高的组
合卖空U值较低的组合可以获得收益6.80%，p值0.000。从实际意义上说，这个
结果表明规模越小的公司（U5组），无论之前股票走势如何都能获得相对较高
的收益。这个结论与之前第三节分析评级调整和不确定因素与未来收益的关系时
出现的情况相同。这个结果符合Fama和French (1993)提出的三因素模型将规模
30
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表6 股价惯性与信息不确定因素下组合收益的实证分析
该表显示了按股价惯性和信息不确定因素排序后的平均每月组合收益。首先我按过去
11 个月股票收益（Rt-11,t-1）情况照五分法排序，在此基础上我按各信息不确定因素将未
来收益（Rt+1）分成五组。规模因素1/MV 是公司在t 月总市值的倒数。年龄因素1/AGE
是公司在t 月总上市年数的倒数。分析师覆盖因素1/COV 是，将t 月覆盖该公司股票的评
级机构数除以t 月市场上最大的覆盖公司的评级机构数，得到比率的倒数。股价波动因素
SIGMA 是t 月前1 年每月各股票超市场收益率的波动率。现金流波动因素CVOL 是过去五
年（至少三年）公司现金流与营业收入的比值的标准差。除1/COV 外，其余数据取值范围
为2000 年1 月至2009 年9 月，1/COV 取值区间为2004 年1 月至2009 年9 月。
股价惯性五分法
M1
（输家）
M2 M3 M4
M5
（赢家）
M5 - M1
按1/MV 排序
U1(低) 1.13% -0.98% -0.54% -0.38% 2.24% 1.11%
0.005
U2 1.84% -1.26% -1.36% -0.02% 3.64% 1.81%
0.000
U3 2.15% -0.70% -1.44% 0.65% 4.41% 2.26%
0.000
U4 2.73% -0.78% -0.59% 3.49% 6.48% 3.75%
0.000
U5(高) 3.64% 0.21% 1.93% 8.14% 9.04% 5.40%
0.000
U5 - U1 2.51% 1.19% 2.47% 8.52% 6.80% 4.29%
p 值 0.000 0.000 0.000 0.000 0.000 0.000
按1/AGE 排序
U1(低) 4.22% -0.17% 0.06% 2.24% 4.29% 0.07%
0.853
U2 2.17% -0.51% 0.04% 3.85% 5.45% 3.28%
0.000
U3 1.05% -0.80% -0.43% 1.92% 6.13% 5.08%
0.000
U4 1.79% -1.17% -1.36% 1.55% 4.79% 3.00%
0.000
31
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表6 股价惯性与信息不确定因素下组合收益的实证分析（续上）
M1
（输家）
M2 M3 M4
M5
（赢家）
M5 - M1
按1/AGE 排序
U5(高) 2.25% -0.86% -0.31% 2.31% 5.15% 2.89%
0.000
U5 - U1 -1.96% -0.69% -0.37% 0.07% 0.85% 2.82%
p 值 0.000 0.008 0.194 0.848 0.044 0.000
按1/COV 排序
U1(低) 1.76% 1.10% 3.35% 6.16% 7.37% 5.60%
0.000
U2 2.40% 0.34% 2.14% 4.65% 5.10% 2.70%
0.000
U3 2.89% 0.99% 3.14% 4.07% 5.70% 2.81%
0.000
U4 3.52% 2.10% 3.33% 4.12% 4.70% 1.18%
0.098
U5(高) 5.07% 1.45% 5.16% 5.27% 4.39% -0.68%
0.324
U5 - U1 3.31% 0.35% 1.81% -0.88% -2.97% -6.29%
p 值 0.000 0.472 0.004 0.145 0.000 0.000
按CVOL 排序
U1(低) 2.78% -0.40% -0.44% 2.15% 4.87% 2.09%
0.000
U2 2.49% -0.31% -0.18% 2.64% 5.37% 2.88%
0.000
U3 2.48% -0.85% -0.16% 2.25% 4.97% 2.49%
0.000
U4 2.00% -0.93% -0.46% 2.70% 5.26% 3.27%
0.000
U5(高) 1.74% -1.02% -0.76% 2.13% 5.33% 3.58%
0.000
U5 - U1 -1.04% -0.62% -0.32% -0.02% 0.46% 1.50%
p 值 0.004 0.012 0.228 0.958 0.310 0.010
32
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表6 股价惯性与信息不确定因素下组合收益的实证分析（续上）
M1
（输家）
M2 M3 M4
M5
（赢家）
M5 - M1
按SIGMA 排序
U1(低) 0.49% -1.48% -1.00% 1.44% 4.61% 4.11%
0.000
U2 2.14% -0.94% -0.89% 2.71% 6.51% 4.37%
0.000
U3 3.64% -0.99% -0.48% 4.13% 6.05% 2.41%
0.000
U4 2.74% 0.01% 0.51% 4.05% 4.68% 1.94%
0.000
U5(高) 2.48% -0.11% -0.15% -0.47% 3.95% 1.47%
0.003
U5 - U1 1.99% 1.37% 0.85% -1.91% -0.65% -2.64%
p 值 0.000 0.000 0.004 0.000 0.133 0.000
作为预期未来收益的一个风险因子7。同时也再次证明我国股票市场存在着明显
的规模效应。
来自SIGMA 的结果也和第三节的分析结果类似。当过去输家作为前提时，
波动率最低组合(U1)可以获得0.49%收益，波动率最高组U5 可以获得2.48%收
益，U5 - U1 能获得2.48%的收益值，且p 值0.000。但当M5（过去赢家）时，
情况不同，最高的U5 组合可以获得3.95%，次高组U4 可获得4.68%，U5 - U1
并不能获得显著不为0 的收益。仔细观察收益分布发现，位于U 值中档的U2、
U3 更能获得较高的收益。在未被列出的计算中发现从M1 到M5，U3 – U1 的收
益情况为3.15%、0.50%、0.51%、2.69%和1.45%，p 值为0.000、0.012、0.011、
0.000 和0.000，结果说明存在非常显著的收益。
对1/COV的实证检验发现了有趣的结果：当M1（过去输家）时，较高的U
值带来较高的收益，U5 - U1 有3.31%的收益（p值为0.000），当M5（过去赢
7 本文的原预期的结果同Zhang (2006)，认为1/MV、1/AGE、1/COV、CVOL、SIGMA为不确定因素，它们
在坏消息背景下放大亏损，在好消息前提下放大收益。原预期结果如果得证，可以说明资产定价理论(APT、
FF三因素模型)不能将此些因素作为风险因子来预测预期收益（因为根据理论更高的风险需要更大的风险弥
补，例如β），而应作为不确定因素考量在不同消息情形下的作用。但是，本论文实证结果不完全支持这个
假设，1/MV、COV和SIGMA都不满足这个假设，其中因素1/MV和SIGMA的结果表明应将这两个作为风险
因子(risk factor)考量，而不应作为本文提出的信息不确定的代理变量。
33
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
家）时，较高的U值带来较低的收益，U5 - U1 为-2.97%（p值为0.000）。这个
情况既与本文原预期结果不同，也与APT模型中将其作为风险因子的假设不同。
实际上，情况正好与我的假设结果相反，在好消息情况下高U值不是放大而是缩
小了收益，在坏消息下高U值缩小了亏损。也即，过去表现不好的股票组合中，
市场相对认同那些机构覆盖数较少的股票，未来一月收益较高；过去表现较好的
组合中，市场更趋向认同机构覆盖数较多的股票，未来一月收益较高。这个现象
可能可以用饶育蕾、彭叠峰和成大超（2009）8发现的公众关注现象的“过度关
注弱势”解释。他们考察了公众注意力与股票月度收益之间的关系，发现大众媒
体对上市公司的关注度越高，在接下来一个月中，其股票的平均收益率越低。他
们进一步的分析发现这种异常收益主要来源于高关注度的股票组合的弱势表现，
而不是来自低关注度股票的“未报道信息溢价”，这一点与基于“有限注意”的
“过度关注弱势”的假设一致。也就是说，在市场走势不好的情况下，机构覆盖
水平较高的股票受市场关注更大（卖出压力更大），其表现可能因此相对弱势。
相对，在市场表现较好的情况下，市场也更关注覆盖水平的股票（买入情况更多），
表现相对强势。在未来的研究中可以将COV作为风险因素考量，但还需进一步
证明。
1/AGE 和COVL 的实证结果与原预设结果相同。对1/AGE，U5 – U1 在
M1 时为-1.96%；当M5 时为0.85%，p 值分别为0.000 和0.044，结果显著。
对COVL,U5 – U1 在M1 时为-1.04%；当M5 时为0.46%，p 值分别为0.004 和
0.310（不显著）。整体上，当M1 时，两个因素都存在收益随其数值的上升而
减少的单调减趋势；对应的，当M5 时，收益随因素值上升而单调增长。
总体上看，对股价惯性而言，实证结果证实1/AGE和COVL这两个不确定因
素存在，这和一些研究投资者情绪和股票横截面收益关系的论文结果有类似之
处。91/MV和SIGMA更可能是市场风险因子(market risk factor)而非不确定因素，
8 饶育蕾、彭叠峰和成大超（2009）考察了公众注意力与股票月度收益之间的关系，发现大众媒体对上市
公司的关注度越高，在接下来一个月中，其股票的平均收益率越低。以2000 年8 月到2008 年1 月作为样
本区间内，通过买入低关注度的股票卖出高关注度的股票构建的零投资套利策略具有显著的盈利性，其平
均溢价为0.46，经Fama-French (1993)的三因素模型调整后仍然显著，这与Fang 和Peress (2007)的结论是
一致的。他们进一步的分析发现这种异常收益主要来源于高关注度的股票组合的弱势表现，而不是来自低
关注度股票的“未报道信息溢价”，这一点与Fang 和Peress (2007)所提出的信息补偿假说相悖，却与基于
“有限注意”的“过度关注弱势”假设一致。
9 刘莉亚、陈振瑜(2009)，在研究投资者情绪和股票横截面收益中得到类似的结论：总体上投资者情绪会
影响那些估价易受到主观因素影响的股票，与所有的价格同升共降相反，整体上的情绪波动被认为是具有
截面影响的。具体地说，当情绪高涨时，易于吸引非理性的投资者的股票是上市历史较短、市值较小、非
盈利、极端增长或陷入困境的股票。在情绪低落时，截面效应反转。当然，这文章与本论文有许多不同之
处，首先它没有把分析师调级或股价惯性等惯性效应考虑为前提，其次考量的是情绪代理变量（封闭基金
折价率）。
34
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
依据1/COV解释未来收益情况得到相反的结果表明市场也许存在“过度关注弱
势”的投资心理。
一个有趣的现象是五个预设的不确定因素中，以客观数据为来源的1/AGE
和COVL 证明为信息不确定因素（这两个数据都来自公司的属性，与市场对所
对应股票的反应无关）。表述市场情绪的1/MV 和SIGMA 不是信息不确定因素，
反而可以看作风险因子来在APT 等资产定价模型中对股票预期收益率的进行预
测。间接表述市场的1/COV 不能解释市场关注，但其倒数确能够解释。这个现
象可能意味着：1、今后对不确定因素的研究应该更多集中在来源为客观数据的
因素；2、直接表述市场情绪的因素可能更多是市场风险因子；3、对一些间接
描述市场的因素需要从市场行为心理而非一般直觉来判断其作用。
3.5 分行业股价惯性与不确定因素组合收益实证分析
虽然市场作为股票收益的一个主要驱动力，但各个行业存在相互之间资源禀
赋不同、盈利模式不同，经济周期不同等的特殊性，可能会促使惯性效应或者不
确定因素消失或更显著等等情况。由于上述各节所取数据为全样本（全部A 股
（非ST）），并没有对各行业进行实证分析，本节将根据不同行业做股价惯性
下的收益实证分析。行业划分标准依据申万行业分类，本文随机选取了采掘业、
黑色金属业、机械设备业和医药生物业。
研究发现：在除了机械之外的行业内，不存在显著的惯性效应，（机械行业
不显著的较少，其惯性效应比较明显）。同时，变量在机械设备行业也不能成为
不确定因素。
分析结果可以推论，只局限在一个行业内进行基于惯性效应的交易策略不能
获得超额收益。一个进一步的推论可能是，基于股价惯性的交易策略买入或卖空
股票时应该选择在同一类别内尽可能覆盖更多行业的股票组合。例如，买入M5
（过去赢家）和卖空M1（过去输家）时，尽量多买入卖空不同行业的股票；如
果再加上不确定因素，情况也应该是相同的。
35
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
3.5.1 采掘业
表 7 采掘业股价惯性与不确定因素组合分析
惯性效应
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按1/MV 排序
U1(低) 6.54% 3.92% -0.45% 1.95% -0.38% -6.92%
0.006
U2 4.10% -0.44% -0.45% 3.58% 5.18% 1.08%
0.650
U3(高) 2.35% 0.03% 1.96% 5.30% 8.52% 6.16%
0.008
U3 - U1 -4.18% -3.89% 2.42% 3.34% 8.90% 13.08%
p 值 0.065 0.018 0.136 0.234 0.001 0.956
按1/AGE 排序
U1(低) 7.55% 1.86% 1.45% 5.25% 2.98% -4.57%
0.065
U2 1.92% 0.61% -0.40% 2.70% 7.03% 5.11%
0.026
U3(高) 3.56% 1.05% -0.05% 2.78% 3.31% -0.25%
0.921
U3 - U1 -3.99% -0.80% -1.51% -2.47% 0.33% 4.33%
p 值 0.099 0.641 0.356 0.382 0.895 0.241
按SIGMA 排序
U1(低) 1.56% -0.22% 0.28% 3.01% 6.34% 4.77%
0.028
U2 5.79% 0.35% 0.86% 5.29% 6.58% 0.80%
0.739
U3(高) 6.10% 3.20% -0.33% 2.12% 0.37% -5.73%
0.029
U3 - U1 4.54% 3.43% -0.61% -0.88% -5.96% -10.50%
p 值 0.051 0.040 0.705 0.745 0.017 0.003
按CVOL 排序
U1(低) 5.82% 2.52% 0.29% 5.58% 2.08% -3.73%
0.122
U2 4.01% 0.32% 1.99% 3.38% 5.59% 1.58%
36
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表7 采掘业股价惯性与不确定因素组合分析（续上）
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按CVOL 排序
0.518
U3(高) 3.05% 0.56% -1.27% 1.95% 5.65% 2.60%
0.276
U3 - U1 -2.77% -1.96% -1.56% -3.63% 3.57% 6.34%
p 值 0.218 0.180 0.332 0.186 0.161 0.063
3.5.2 黑色金属行业
表 8 黑色金属业股价惯性与不确定因素组合分析
惯性效应
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按1/MV 排序
U1(低) -0.48% 3.65% 0.70% -4.31% 3.33% 3.81%
0.097
U2 2.28% 0.57% -0.20% 3.03% 4.95% 2.67%
0.222
U3(高) 1.90% 1.84% 2.32% 4.41% 6.72% 4.82%
0.048
U3 - U1 2.38% -1.80% 1.62% 8.72% 3.39% 1.01%
p 值 0.191 0.206 0.251 0.000 0.118 0.657
按1/AGE 排序
U1(低) 1.57% 4.04% 2.28% -0.33% 4.99% 3.42%
0.202
U2 0.58% 0.87% 0.77% 3.06% 3.60% 3.02%
0.268
U3(高) 1.88% 1.53% -0.56% 0.41% 6.29% 4.41%
0.069
U3 - U1 0.31% -2.51% -2.84% 0.74% 1.30% 0.99%
p 值 0.872 0.097 0.037 0.701 0.548 0.742
37
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表8 黑色金属业股价惯性与不确定因素组合分析（续上）
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按SIGMA 排序
U1(低) 1.41% 0.59% 1.05% 2.48% 3.81% 2.39%
0.192
U2 1.06% 0.89% 0.83% 0.87% 7.36% 6.30%
0.002
U3(高) 1.32% 3.39% 0.84% -0.08% 3.60% 2.27%
0.637
U3 - U1 -0.09% 2.80% -0.21% -2.56% -0.21% -0.12%
p 值 0.958 0.037 0.873 0.192 0.922 0.961
按CVOL 排序
U1(低) 2.48% 2.96% 0.94% 0.95% 3.99% 1.52%
0.596
U2 0.89% 2.07% 0.79% 1.26% 7.04% 6.15%
0.002
U3(高) 0.92% 1.28% 0.97% 0.98% 3.48% 2.56%
0.175
U3 - U1 -1.55% -1.68% 0.03% 0.02% -0.51% 1.04%
p 值 0.420 0.229 0.984 0.990 0.806 0.720
3.5.3 机械设备
表 9 机械设备股价惯性与不确定因素组合分析
惯性效应
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按1/MV 排序
U1(低) 0.52% -0.37% -1.70% -0.26% 2.69% 2.17%
0.042
U2 2.95% -0.81% -1.47% 2.06% 4.87% 1.92%
0.069
U3(高) 3.90% 0.87% 0.97% 7.88% 8.26% 4.36%
0.000
U3 - U1 3.38% 1.24% 2.67% 8.14% 5.57% 2.18%
p 值 0.001 0.091 0.000 0.000 0.000 0.153
38
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表9 机械设备股价惯性与不确定因素组合分析（续上）
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按1/AGE 排序
U1(低) 3.20% 0.50% -0.25% 3.92% 5.28% 2.08%
0.079
U2 1.72% -0.33% -1.26% 2.31% 5.47% 3.75%
0.000
U3(高) 2.46% -0.48% -0.67% 3.46% 5.09% 2.64%
0.008
U3 - U1 -0.74% -0.98% -0.42% -0.45% -0.19% 0.56%
p 值 0.483 0.177 0.559 0.636 0.868 0.716
按SIGMA 排序
U1(低) -0.06% -0.83% -1.49% 2.52% 5.95% 6.01%
0.000
U2 4.23% -0.96% -0.81% 4.79% 5.52% 1.29%
0.241
U3(高) 3.21% 1.48% 0.12% 2.37% 4.48% 1.27%
0.299
U3 - U1 3.27% 2.30% 1.61% -0.15% -1.47% -4.74%
p 值 0.001 0.002 0.029 0.870 0.173 0.002
按CVOL 排序
U1(低) 2.49% 0.61% -1.09% 2.70% 4.96% 2.47%
0.016
U2 2.83% -0.38% -0.23% 4.14% 5.53% 2.69%
0.014
U3(高) 2.06% -0.54% -0.87% 2.85% 5.41% 3.35%
0.002
U3 - U1 -0.43% -1.15% 0.21% 0.15% 0.44% 0.88%
p 值 0.676 0.098 0.766 0.866 0.683 0.551
3.5.4 医药生物
39
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表10 医药生物股价惯性与不确定因素组合分析
惯性效应
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按1/MV 排序
U1(低) 0.83% 1.59% -0.42% 0.81% 0.83% 0.00%
0.999
U2 1.35% 2.16% 1.34% 0.94% 1.40% 0.04%
0.958
U3(高) 3.08% 3.79% 2.95% 2.52% 3.60% 0.52%
0.528
U3 - U1 2.25% 2.20% 3.37% 1.71% 2.77% 0.52%
p 值 0.010 0.015 0.000 0.035 0.001 0.670
按1/AGE 排序
U1(低) 2.77% 4.07% 2.58% 2.86% 1.17% -1.60%
0.084
U2 1.68% 1.76% 0.94% 1.04% 3.34% 1.66%
0.055
U3(高) 0.91% 1.74% 0.37% 0.35% 1.18% 0.27%
0.715
U3 - U1 -1.86% -2.33% -2.21% -2.51% 0.01% 1.87%
p 值 0.036 0.012 0.009 0.002 0.988 0.110
按SIGMA 排序
U1(低) -0.54% 0.16% -0.49% -0.47% 0.03% 0.58%
0.312
U2 1.87% 3.20% 1.51% 2.65% 2.94% 1.08%
0.160
U3(高) 4.00% 4.18% 2.89% 2.14% 2.72% -1.28%
0.246
U3 - U1 4.54% 4.02% 3.37% 2.61% 2.68% -1.86%
p 值 0.000 0.000 0.000 0.001 0.001 0.124
按CVOL 排序
U1(低) 2.15% 3.21% 0.90% 2.41% 2.34% 0.19%
0.823
U2 1.88% 2.94% 1.02% 0.94% 2.02% 0.14%
0.865
U3(高) 1.36% 1.40% 2.02% 0.96% 1.33% -0.03%
0.974
U3 - U1 -0.79% -1.81% 1.12% -1.45% -1.01% -0.22%
40
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
表10 医药生物股价惯性与不确定因素组合分析（续上）
M1
输家
M2 M3 M4
M5
赢家
M5 - M1
按CVOL 排序
p 值 0.372 0.049 0.178 0.069 0.220 0.854
41
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
4 总结与研究展望
4.1 总结
通过研究两种股价惯性异常现象，对规模因素、年龄因素、分析师覆盖因素、
股价波动因素和现金流波动因素进行了检验，发现中国股票市场存在着年龄因素
（1/AGE）和现金流波动（CVOL）这两个信息不确定因素。
本文采取股票数据区间从2000 年1 月至2009 年9 月间的月度数据，包括
所有上市非ST股票（COVt区间从2004 年1 月至2009 年9 月）。
在对分析师调级与信息不确定因素下组合收益的实证研究中发现：
(1) 总体上表明中国市场存在明显的由分析师调级产生的惯性效应.
依据当月和过去1 个月间分析师调级的情况可以预测未来的收益走势，通过
买入过去赢家卖空过去输家的交易策略能在较大概率上获得显著收益。
(2) 在给定分析师调级的前提下原假设的五个变量不能作为信息不确定因
素，市场对于分析师调级这个消息的没有显著反应。
原因可能有三个。首先，是样本数据少的问题。中国分析师对股票的预测评
级从2004 年起才逐步推广扩大。这样也就意味着样本数据较少的情况。其次，
由于分析师相对股票数较少情况持续时间较长，分析师会有意识的挑选盈利前景
宽广、收益增长较快的公司，从而产生选择性偏见（selection bias）。这种情况
能解释本节实证与原设想产生不同结果。例如，由于分析师意图选择更优秀的公
司进行评级，那些被评级的小规模公司相对广大未被覆盖的公司其业绩会更优
秀，即使评级在一段时间内下调（下调可能由于多种意外情况所致，而不一定是
公司基本面发生变化），股票仍然有较高收益。又例如，CVOL 在各种情况下都
显示出机构覆盖率高的公司其收益也越大，这个事实也能得到解释。第三，股票
市场上个人投资者占有很大比重，这些投资者获取信息的途径比较有限，他们不
一定能获取诸如机构投资调级等的即时信息。
在对股价惯性与信息不确定因素下组合收益的实证分析中发现：
42
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
(3) 各组合中都存在显著的惯性效应
依据过去股票收益的情况可以预测未来的收益走势，通过买入过去赢家卖空
过去输家的交易策略能在很大概率上获得显著收益。
(1)和(3)表明中国市场存在明显的惯性效应，依据过去股票收益的情况可以
预测未来的收益走势，通过买入过去赢家卖空过去输家的交易策略能在很大概率
上获得显著收益。
(4) 实证结果证实1/AGE 和COVL 这两个不确定因素存在
实证结果证实1/AGE 和COVL 这两个不确定因素存在，1/MV 和SIGMA 更
可能是市场风险因子(market risk factor)而非不确定因素，依据1/COV 解释未来
收益情况得到相反的结果表明市场也许存在“过度关注弱势”的投资心理。
对1/AGE 是信息不确定因素的解释是，在股价惯性的前提下，买入过去表
现较好的股票组合内上市年龄较小的股票组合，并且卖空过去表现较差的股票组
合内上市年龄较小的组合，可以获得最大的交易收益。
(5) 中国股市存在“规模效应”10
在分别实证研究分析师调级和股价惯性的效应时发现，无论是在好消息还是
坏消息的时候，U 值高，收益在同消息类别中收益高，这也就意味着，公司规模
越小（总市值低），其未来收益越高。
(6) 构建交易策略时应尽量覆盖更多行业
在分析分行业股价惯性与不确定因素组合的收益时发现，随机选取的四个行
业只有一个存在惯性效应，且没有一个行业存在有效的信息不确定因素。对这个
结果的推论是，构建交易策略时应选择更多行业的股票组合，避免可能的由于所
在同一行业带来的风险。
另外，一个有趣的现象是五个预设的不确定因素中，以客观数据为来源的
1/AGE 和COVL 证明为不确定因素（这两个数据都来自公司的属性，与市场对
10 韩延龄(2004)发现在众多因素中，公司规模(流通股市值)因素对我国股票收益率的影响最显著。无论是按
全样本方法还是抽样方法实证研究，结果都证实我国股票市场存在“规模效应”。这说明我国股票市场的“规
模效应”并不是由于样本的选择以及研究区间以及规模划分的差异，而是在2000 - 2003 年间确实存在着“规
模效应”，并且呈现出阶段性特征。
43
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
所对应股票的反应无关）。表述市场情绪的1/MV 和SIGMA 不能作为不确定因
素，反而可以看作风险因子来在APT 等资产定价模型中对股票预期收益率的进
行预测。间接表述市场的1/COV 不能解释市场关注，但其倒数却能够解释。这
个现象意味着可能：一、今后对不确定因素的研究应该更多集中在来源为客观数
据的因素；二、直接表述市场情绪的因素可能更多是市场风险因子；三、对一些
间接描述市场的因素需要从市场行为心理而非一般直觉来判断其作用。
4.2 研究展望
本文发现的有趣现象是值得进一步深入研究的。例如，一个有趣的现象是五
个预设的不确定因素中，以客观数据为来源的1/AGE 和COVL 证明为不确定因
素；表述市场情绪的1/MV 和SIGMA 不能作为不确定因素，反而可以看做风险
因子；间接表述市场的1/COV 不能解释市场关注，但其倒数却能够解释。将来
的研究可以放在是否还存在其他来源客观数据的不确定因素，解释能力是否强
大，1/MV 和SIGMA 不能解释的原因是否还有其他，能否将COV 代替1/COV
作为解释股价惯性效应的不确定因素。
44
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
参考文献
[1] Harry Markowitz , Portfolio Selection. The Journal of Finance, Vol. 7, No. 1
(Mar., 1952), pp. 77-91
[2] William F. Sharpe, A Theory of Market Equilibrium under Conditions of Risk,
The Journal of Finance, Vol. 19, No. 3 (Sep., 1964), pp. 425-442
[3] Eugene E Fama，Efficient Capital Markets：A Review of Theory and
Empirical work, The Journal of Finance, 1970,25：383-417
[4] John Lintner, The Valuation of Risk Assets and the Selection of Risky
Investments in Stock Portfolios and Capital Budgets, The Review of
Economics and Statistics, Vol. 47, No. 1 (Feb., 1965), pp. 13-37
[5] Jan Mossin, Equilibrium in a Capital Asset Market, Econometrica, Vol. 34,
No. 4 (Oct., 1966), pp. 768-783
[6] Stephen A. Ross, The Arbitrage Theory of Capital Asset Pricing, Journal of
Economic Theory，1976，(12):343-362
[7] Eugene F Fama, and Kenneth R French, 1992, The cross-section of
expected stock returns, Journal of Finance 47, 427
[8] Eugene F Fama, and Kenneth R French, 1993, Common risk factors in the
return of stocks and bonds, Journal of Financial Economics 33,3-56
[9] Eugene F Fama, and Kenneth R French, 1995, Size and Book-to-Market
Factors in Earnings and Returns, Journal of Finance 50, 131
[10] Eugene F Fama, and Kenneth R French, 1996, Multifactor explanations of
asset pricing anomalies
[11] R.Banz, the Relationship Between Return and the Market Value of
Common Stocks , Journal of Financial Economics 9 (March 1981), 1-19
[12] Jegadeeshi, Narasimhan, and Sheridan Titman, 1993, returns to buying
45
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
winners and selling losers: Implication for stock market efficiency, The Journal
of Finance 56, 699-720
[13] Richard Frankel and Charles M. C. Lee, Market Expectation and
Cross-Sectional Stock Return, The Journal of Accounting and Economics,
Volume 25, (1998), 283-319.
[14] Chan, Louis K.C. Narasimhan Jegadeesh, and Josef Lakonishok, 1996,
Momentum Strategies, Journal of Finance 51, 1681-1713
[15] Barberis, Nicholas, Andrei Shleifer, and Robert Vishny, 1998, A Model of
Investor Sentiment, Journal of Financial Economics 49, 3307-343
[16] Daniel, Kent, David Hirshleifer, and Avanidhar Subrahmanyam, 1998,
Investor psychology and security market over-and under-reactions, Journal of
Finance 53, 1839-1886
[17] Daniel, Kent, David Hirshleifer, and Avanidhar Subrahmanyam, 2001,
Overconfidence, arbitrage, and equilibrium asset pricing, Journal of Finance
56, 921-965
[18] Hong , Harrison and Jeremy C. Stein. A Unified Theory of Under-reaction,
Momentum Trading , and Overreation in Asset Markets [ J ] .Journal of
Finance , 1999 , 54 : 2143～2184.
[19] X. Frank. Zhang, 2006, Information Uncertainty and Stock Returns, Volum
XLI, NO. 1
[20] Werner F．M．De Bondt，Richard Thaler, Does the Stock Market
Overreact?，The journal of finance,vol xl，No3，July1985: 793 - 805
[21] Werner F．M．De Bondt, Richard Thalor, Further Evidence On Investor
Overreaction and Stock Market Seasonality, [J]，The journal of finance,
VOL．XL II，No3，July1987: 557 – 581
[22] Eugene E Fama, James D．MacBeth，Risk, Return, and Equilibrium：
Empirical test, Journal of Political Economy, 1973，81：607 - 636
[23] Brace N. Lehmann, Fads, and Martingales, Market Efficiency, the
46
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
Quarterly Journal of Economics,V01.cv, February 1990, Issue1: 1 - 28
[24] Cortrad, J.&GKaul, Aanatomydtrading strategies，Review of Financial
Studies,1998,11(3): 489 - 519
[25] Zarowin, P., Size Seasonality and Stock Market Overreaction, Journal of
Financial Quantitative Analysis, 1990, 25,113 – 125
[26] Grinblatt, Mark, and Tobias J. Moskowitz, Predicting stock price
movements from the pattern of past returns – the role of consistency and tax –
loss selling, Journal of Financial Economics, 2003, 1 – 40
[27] Conrad, J., and Gautam Kual, An anatomy of trading strategies, Review of
Financial Studies, 1998, 11,489 – 519
[28] La Porta, R., Lakonishok, J.,Sleifer, A., and Vishny, R., Good news for
value stocks: Further evidence on market efficiency, Journal of Finance, 1997
[29] Jegadeesh, Narasimhan, and Sheridan Titiman, Profitability of momentum
strategies: An evaluation of alternative explanations, Journal of Finance, 2001,
56, 699 – 720
[30] Stattman, Dennis, 1980, Book values and stock return, The Chicago MBA:
A Journal of Selected Papers Vol.4, pp25-45.
[31] 本杰明·格雷厄姆，戴维·多德：《证券分析》，海南出版社，2006
[32] Friedman，Milton．，1953，“实证经济学方法论”，弗里德曼文萃，首都经
济贸易大学出版社，2001
[33] 陈信元，张余田等，预期股票收益的横截面多因子分析：来自中国证券市
场的经验证据 [J]. 金融研究，2001，(6)
[34] 范龙振，王海涛，上海股票市场股票收益率因素研究 [J]. 管理科学学报，
2003，6(1)
[35] 陈雷，Fama-French三因素模型在国内证券市场的实证研究，2007，山东
大学硕士论文
47
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
[36] 王永宏，赵学军，中国股市“惯性策略”和“反转策略”的实证分析，经
济研究，2001.6
[37] 周琳杰，中国股票市场动量策略赢利性研究，世界经济，2002.8
[38] 朱战宇，吴冲锋，王承玮，不同检验周期下中国股市价格动量的盈利性研
究，世界经济，2003.8
[39] 杨炘、陈展辉，中国股票市场惯性和反转投资策略实证研究，清华大学学
报（自然科学版），2004，44(6)，p758-761
[40] 沈可挺，刘煜辉，中国股市中惯性和反向投资策略的获利模式，[J]，管理
科学学报，2006，(6)，p43-52
[41] 高明，中国开放式基金重仓股惯性与反转现象存在性研究，2008，西南财
经大学硕士学位论文
[42] 许柳英，中国股市惯性和反转现象研究，2006，上海交通大学硕士学位论
文
[43] 朱曦，沪深A股市场惯性效应和反转效应研究，2008，上海交通大学硕士学
位论文
[44] 黄俊、陈平，我国股市反应过度与反应不足的实证研究，理论与实践，
2009(6)
[45] 马倩、蒋俊锋，三因素模型、行为金融与股票横截面收益“异常”，科技管
理研究，2005(3)，p120-122
[46] 饶育蕾、彭叠峰和成大超，公众注意力是否会引起股票的异常收益？——
来自中国股票市场的经验证据，工作论文，中南大学商学院
[47] 陈收、陈立波，中国上市公司“规模效应”的实证研究，中国管理科学，
2002，(6): 8 - 12
[48] 张强、杨淑娥、戴耀华，中国股市规模效应与账面市值比效应的稳定性，
统计与决策，2002年2月，94 – 96
[49] 韩延龄，中国股票市场“规模效应”的实证研究，2004，浙江大学硕士学
48
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
位论文
[50] 刘莉亚、陈振瑜，投资者情绪对股票市场截面效应的理论分析与实证检验
——来自中国市场的证据，2009，工作论文
49
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
致谢
二年半的硕士生涯弹指一挥而过，回望这段日子没有矫情的感慨，没有夸张
的释然，没有宏远的誓言，平淡中带着点激情，单调中附着丝浪漫。两年半对我
是有收获的，更开阔的视野，更独立的思想，更能承担挫折的心态。这收获并非
我一人之功，在学位论文的最后，我想表达自己真挚的谢意。
感谢我的父母奶奶，最大的支持来自于你们。
感谢我的导师陶亚民副教授。独立的思想，淡泊的心境，豁达的人生，负责
的导师。当自己对当下和未来迷茫时，陶老师总能给予及时的指引，并激励我勇
敢地继续拼搏。
感谢教导过、帮助过我、乐于分享您们无穷睿智的各位老师。在您们的课上、
在与您们的交流中我完成了学业，成长了，并将在您们的影响下继续我的学习和
生活。
感谢我的同学加朋友，特别是我的室友韩轶超、朱博，还有刘国丰、姚梅静、
梁浩还有其他与我共同浑噩共同拼搏的同学加朋友们，相聚总是短暂的，不用回
首，看好我们的未来。
有点书生气的我带着这篇毕业论文即将结束漫长的学业生涯，之后的人生更
是课堂，工作是，生活是，爱情是，悲痛是，挫折是。希望我剩余三分之二的生
命不再浑噩，拥有更独立的思想，体味别样的人生。
廖辰轩
二〇一〇年一月于西斋
50
上海交通大学硕士学位论文 中国股市信息不确定因素和收益率的实证分析
攻读学位期间发表的学术论文目录
和张弛共同撰写，本人为第一作者的论文《结构性产品Delta 对冲交易策略
的模拟和实证分析》发表于《科学技术与工程》2010 年1 月第3 期，署名单位
是上海交通大学，在上海交通大学安泰经济与管理学院论文检索源的序号为
814。
51