我国A股市场特质波动率与预期收益关系的实证探究：基于市场微观结构与投资者行为视角

我国A股市场特质波动率与预期收益关系的实证探究：基于市场微观结构与投资者行为视角一、引言1.1研究背景与意义1.1.1研究背景近年来，我国A股市场发展迅速，在资源配置、企业融资等方面发挥着日益重要的作用。截至2023年末，中国A股市场上市公司总数已超过5000家，总市值位居全球前列，涵盖了国民经济的各个行业和领域。然而，A股市场的高波动性也给投资者带来了巨大挑战，特质波动率作为衡量个股特质风险的重要指标，反映了股票收益率中无法被市场整体波动所解释的部分，与市场波动率不同，特质波动率更多地反映了股票自身的波动性。特质波动率的大小，体现了个股受公司自身特有因素，如公司的财务状况、管理层决策、行业竞争格局等影响的程度。在经典的资产定价理论中，投资者可以通过构建多样化的投资组合来消除特质风险，因此特质波动率与预期收益之间应不存在显著关系。但现实中，大量实证研究表明，特质波动率与预期收益之间存在复杂的关联，这种现象被称为“特质波动率之谜”。深入研究我国A股市场特质波动率与预期收益的相关关系，不仅能为投资者提供更科学的投资决策依据，帮助他们更好地理解市场风险和回报的关系，降低投资风险，提高投资收益，还能为监管部门制定更有效的市场监管政策提供参考，维护市场稳定和健康发展。在当前A股市场不断发展和开放，投资者面临高度不确定市场环境的背景下，探讨这一关系具有重要的现实意义。1.1.2理论意义对我国A股市场特质波动率和预期收益相关关系的研究，具有重要的理论价值。特质波动率与预期收益关系的研究是资产定价理论的核心内容之一，经典资产定价理论在解释现实市场现象时存在一定局限性，而特质波动率与预期收益之间复杂的关系为资产定价理论的发展提供了新的研究方向。通过深入研究A股市场中二者的关系，有助于检验和拓展现有资产定价理论，揭示中国股票市场独特的定价机制和规律，为金融理论的发展提供新的实证证据和理论视角，推动资产定价理论不断完善。研究过程中，综合运用现代资产定价理论、行为金融学理论等，从不同角度分析特质波动率与预期收益关系背后的经济原理和市场机制，能进一步丰富金融市场波动理论体系，深化对金融市场运行规律的认识。1.1.3实践意义在投资实践中，投资者可依据特质波动率与预期收益的关系，更准确地评估股票的风险和收益特征，识别被市场错误定价的股票。当特质波动率与预期收益呈现负相关时，高特质波动率股票的预期收益反而低，投资者可避免过度投资此类股票；若呈现正相关，高特质波动率股票可能带来高收益，投资者可在风险可控前提下适当配置。根据二者关系构建投资组合，能优化资产配置，提高投资组合的风险收益比，实现资产的保值增值。对于金融机构，研究结果有助于其改进风险评估模型，更精确地衡量投资组合的风险水平，为客户提供更合理的投资建议和风险管理方案。在设计金融产品时，充分考虑特质波动率与预期收益的关系，能开发出更符合市场需求和投资者风险偏好的产品，增强市场竞争力。从监管部门角度看，了解特质波动率与预期收益的关系，能更好地把握市场风险状况。当市场中特质波动率过高或二者关系出现异常时，可能预示着市场存在不稳定因素，监管部门可及时采取措施，如加强信息披露监管、规范市场交易行为等，防范金融风险，维护市场的稳定和健康发展，保护投资者合法权益。1.2研究目标与内容1.2.1研究目标本研究旨在深入探究我国A股市场特质波动率与预期收益之间的相关关系，明确二者之间究竟是正相关、负相关还是其他更为复杂的关系，揭示这种关系在不同市场环境和时间跨度下的变化规律。通过严谨的实证分析，确定影响二者关系的关键因素，如市场流动性、投资者情绪、宏观经济环境等，分析这些因素如何相互作用，对特质波动率与预期收益的关系产生影响。从理论层面出发，结合现代资产定价理论和行为金融学理论，对实证结果进行深入解读，探讨特质波动率与预期收益关系背后的经济原理和市场机制，为资产定价理论的发展提供新的视角和实证依据。最终，基于研究结论，为投资者提供科学合理的投资决策建议，帮助他们在A股市场中更准确地评估风险和收益，优化投资组合，实现资产的保值增值；同时为监管部门制定有效的市场监管政策提供参考，促进A股市场的稳定健康发展。1.2.2研究内容本研究的主要内容包括以下几个方面：首先，对特质波动率和预期收益的度量方法进行深入研究。选择合适的模型和指标，准确度量A股市场中个股的特质波动率，如运用Fama-French三因子模型、Carhart四因子模型等的残差项标准差来衡量特质波动率；同时，运用资本资产定价模型（CAPM）、套利定价理论（APT）等方法计算股票的预期收益，确保研究数据的准确性和可靠性。其次，运用计量经济学方法，如时间序列回归分析、面板数据模型等，对特质波动率与预期收益之间的关系进行实证分析。通过构建严谨的实证模型，控制其他可能影响预期收益的因素，如公司规模、账面市值比、流动性等，精确估计特质波动率对预期收益的影响系数，明确二者之间的具体相关关系。再者，深入探讨影响特质波动率与预期收益关系的因素。从市场微观结构、投资者行为、宏观经济环境等多个角度出发，分析市场流动性、投资者情绪、宏观经济政策等因素对二者关系的影响机制。通过构建多因素模型，研究各因素之间的交互作用，全面揭示影响特质波动率与预期收益关系的深层次原因。此外，对不同市场环境和行业板块下特质波动率与预期收益的关系进行对比分析。比较牛市和熊市期间、不同行业板块中二者关系的差异和变化规律，探究市场环境和行业特性对特质波动率与预期收益关系的影响，为投资者在不同市场环境和行业中进行投资决策提供更有针对性的参考。最后，基于研究结论，为投资者提供具体的投资策略建议，如如何根据特质波动率与预期收益的关系进行资产配置、选择投资标的等；同时为监管部门提出相关政策建议，如加强市场信息披露、规范投资者行为、稳定市场预期等，以促进A股市场的稳定健康发展，提高市场的运行效率和资源配置能力。1.3研究方法与创新点1.3.1研究方法本研究综合运用多种研究方法，确保研究的科学性和全面性。在实证研究法方面，选取2010年1月至2023年12月期间我国A股市场的股票数据作为研究样本，运用计量经济学方法构建实证模型。例如，运用Fama-French三因子模型、Carhart四因子模型等计算个股的特质波动率，将股票收益率对市场收益率、规模因子、价值因子等进行回归，其残差项的标准差即为特质波动率。利用资本资产定价模型（CAPM）、套利定价理论（APT）等计算股票的预期收益。通过时间序列回归分析、面板数据模型等方法，对特质波动率与预期收益之间的关系进行量化分析，精确估计特质波动率对预期收益的影响系数，控制公司规模、账面市值比、流动性等其他可能影响预期收益的因素，以揭示二者之间的内在联系。对比分析法也是重要的研究手段，对比不同市场环境下特质波动率与预期收益的关系，将样本期间划分为牛市和熊市，分析在市场上涨和下跌阶段二者关系的变化，探究市场环境对二者关系的影响。对比不同行业板块中特质波动率与预期收益的关系，选取金融、消费、科技、医药等不同行业板块的股票数据，研究各行业中二者关系的差异和特点，分析行业特性对特质波动率与预期收益关系的影响。理论分析法贯穿研究始终，结合现代资产定价理论，如资本资产定价模型（CAPM）、套利定价理论（APT）等，分析特质波动率在资产定价中的作用和地位，探讨特质波动率与预期收益关系是否符合传统资产定价理论的预期。运用行为金融学理论，从投资者行为偏差、异质信念、噪声交易等角度，对实证结果进行深入分析和解释，探讨特质波动率与预期收益关系背后的经济原理和市场机制。1.3.2创新点在数据更新与拓展上，本研究使用最新的市场数据进行研究，相较于以往研究，能够更及时地反映中国股票市场的现状和变化趋势。选取近年来中国A股市场的高频交易数据，以及不同上市板块（主板、创业板、科创板等）、不同行业的股票数据，丰富研究样本，涵盖更多的股票和更长的时间跨度，提高研究结果的可靠性和普适性。本研究还采用多因素综合分析，在研究中综合考虑多种影响特质波动率与预期收益关系的因素，如市场流动性、投资者情绪、宏观经济环境等。构建多因素模型，加入市场流动性指标（如换手率、成交金额等）、投资者情绪指数（如新增投资者数量、融资融券余额变化等）以及宏观经济变量（如GDP增长率、通货膨胀率、利率等），研究它们对特质波动率与期望收益率关系的调节作用，更准确地分析各因素之间的交互作用和综合影响，为研究提供更全面、深入的视角。此外，本研究还进行研究视角创新，从新的视角出发，如从投资者异质性、市场微观结构等角度，对特质波动率与期望收益率的关系进行研究。考虑不同类型投资者（个人投资者、机构投资者）的行为差异对特质波动率与期望收益率关系的影响，从订单流、买卖价差、市场深度等市场微观结构层面分析特质波动率与期望收益率关系的形成机制，挖掘以往研究中未被关注的影响因素和作用机制。二、文献综述2.1特质波动率相关研究2.1.1定义与内涵特质波动率作为衡量个股特质风险的关键指标，在金融市场研究中占据重要地位。从本质上讲，特质波动率反映的是股票收益率中无法被市场整体波动所解释的部分，体现了个股受公司自身特有因素影响的程度。与市场风险不同，市场风险源于宏观经济、政治等全局性因素对整个市场的影响，具有系统性和普遍性，所有股票都会受到市场风险的冲击，只是程度有所差异；而特质波动率更多地反映了股票自身的独特波动特性，其波动源于公司内部的特定因素，如公司的财务状况、管理层决策、产品创新、行业竞争格局变化等。例如，一家公司可能因为成功推出一款具有创新性的产品，其业绩大幅提升，股价出现独立于市场的上涨，这种股价波动就属于特质波动率的范畴；反之，若公司因管理层决策失误导致财务造假曝光，股价暴跌，这也是特质波动率的体现。在市场中，不同股票的特质波动率存在显著差异，一些新兴行业的公司，由于业务创新性强、市场竞争格局不稳定，其特质波动率往往较高；而传统行业中经营稳定、市场份额相对固定的公司，特质波动率则相对较低。特质波动率的大小直接关系到投资者对个股风险的评估和投资决策的制定，高特质波动率意味着股票价格波动更为剧烈，投资风险相对较高，投资者在投资此类股票时需要承担更大的不确定性；低特质波动率则表示股票价格相对稳定，风险较低，但可能也伴随着较低的收益潜力。深入理解特质波动率的定义与内涵，是研究其与预期收益关系的基础，对于投资者进行合理的资产配置和风险管理具有重要意义。2.1.2计算方法在金融领域，计算特质波动率的方法众多，每种方法都有其独特的理论基础和适用场景。Fama-French三因素模型是常用的计算方法之一，该模型由Fama和French于1993年提出，在资本资产定价模型（CAPM）的基础上，引入了规模因子（SMB）和账面市值比因子（HML），认为股票的收益率不仅取决于市场风险溢价，还与公司规模和账面市值比相关。其计算公式为：R_{it}-R_{ft}=\alpha_i+\beta_{i,MKT}(R_{Mt}-R_{ft})+\beta_{i,SMB}SMB_t+\beta_{i,HML}HML_t+\epsilon_{it}，其中R_{it}为第i只股票在t时期的收益率，R_{ft}为无风险利率，R_{Mt}为市场组合收益率，\alpha_i为截距项，\beta_{i,MKT}、\beta_{i,SMB}、\beta_{i,HML}分别为市场因子、规模因子和账面市值比因子的系数，SMB_t、HML_t分别为t时期的规模因子和账面市值比因子，\epsilon_{it}为残差项。特质波动率通常用残差项\epsilon_{it}的标准差来衡量，它代表了股票收益率中无法被市场因子、规模因子和账面市值比因子解释的部分，即特质风险。Carhart四因子模型在Fama-French三因素模型的基础上，进一步加入了动量因子（UMD），以捕捉股票收益率的动量效应。其公式为：R_{it}-R_{ft}=\alpha_i+\beta_{i,MKT}(R_{Mt}-R_{ft})+\beta_{i,SMB}SMB_t+\beta_{i,HML}HML_t+\beta_{i,UMD}UMD_t+\epsilon_{it}，其中UMD_t为t时期的动量因子，\beta_{i,UMD}为动量因子的系数，其他符号含义与Fama-French三因素模型相同。通过该模型计算出的残差项标准差，同样可用于度量特质波动率。GARCH类模型则从时间序列的角度出发，考虑了波动率的时变特性。以GARCH(1,1)模型为例，其条件方差方程为：\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2，其中\sigma_t^2为t时期的条件方差，代表波动率，\omega为常数项，\alpha和\beta分别为ARCH项和GARCH项的系数，\epsilon_{t-1}为t-1时期的残差。在计算特质波动率时，先对股票收益率进行建模，得到残差序列，再利用GARCH模型对残差序列的波动率进行估计，从而得到特质波动率。不同的计算方法各有优劣，Fama-French三因素模型和Carhart四因子模型在解释股票收益率的横截面差异方面表现较好，但对市场因子的选取较为依赖；GARCH类模型能较好地捕捉波动率的时变特征，但模型参数估计较为复杂，且对数据的平稳性要求较高。在实际应用中，研究者需根据研究目的、数据特点和研究需求选择合适的计算方法。2.1.3影响因素特质波动率受到多种因素的综合影响，这些因素涵盖了公司内部、行业层面以及市场环境等多个维度。公司财务状况是影响特质波动率的重要内部因素之一。公司的盈利能力、偿债能力、营运能力等财务指标与特质波动率密切相关。盈利能力较强的公司，如具有较高的净利润率和稳定的盈利增长，通常其特质波动率较低，因为稳定的盈利为公司股价提供了坚实的支撑，降低了股价因公司内部因素波动的可能性；相反，盈利能力不稳定或亏损的公司，其特质波动率往往较高，投资者对这类公司的未来盈利预期存在较大不确定性，股价容易受到各种消息的影响而大幅波动。偿债能力方面，高负债水平的公司面临较大的偿债压力，一旦资金链紧张或市场环境恶化，可能面临债务违约风险，这会导致公司股价的大幅波动，增加特质波动率；而偿债能力良好、资产负债结构合理的公司，特质波动率相对较低。营运能力反映了公司资产运营的效率，营运能力强的公司，如存货周转率高、应收账款回收快，能够更有效地利用资产创造价值，公司经营相对稳定，特质波动率也较低。公司的研发投入和创新能力也对特质波动率产生重要影响。在科技快速发展的今天，研发投入和创新能力是公司保持竞争力和持续发展的关键。积极投入研发、不断推出新产品或新技术的公司，虽然可能在短期内面临研发失败、市场接受度低等风险，导致股价波动较大，特质波动率升高，但从长期来看，成功的创新能够为公司带来新的增长点和竞争优势，提升公司价值，使股价趋于稳定，降低特质波动率。例如，苹果公司持续投入大量资金进行研发，推出具有创新性的产品，虽然在新产品发布前后股价可能会出现较大波动，但长期来看，其创新能力支撑了公司的高市值和相对稳定的股价表现。行业竞争格局同样会对特质波动率产生显著影响。在竞争激烈的行业中，市场份额争夺激烈，公司的经营状况容易受到竞争对手的影响。新进入者的冲击、竞争对手的价格战、技术创新等都可能导致公司市场份额下降、利润减少，进而使股价波动加剧，特质波动率升高。例如，智能手机行业竞争激烈，各品牌不断推出新机型，市场份额变化频繁，相关公司的特质波动率相对较高。而在垄断或寡头垄断行业中，少数几家公司占据主导地位，市场竞争相对缓和，公司经营相对稳定，特质波动率较低。市场情绪和投资者行为也是影响特质波动率的重要因素。市场情绪高涨时，投资者乐观情绪蔓延，对股票的需求增加，可能导致股价过度上涨，偏离其内在价值；当市场情绪转向悲观时，投资者纷纷抛售股票，股价又可能大幅下跌，这种市场情绪的大幅波动会增加股票的特质波动率。投资者的行为偏差，如过度自信、羊群效应等，也会加剧股价波动。过度自信的投资者可能高估自己对股票的判断，过度交易，导致股价波动；羊群效应使投资者盲目跟随市场趋势，加剧市场的非理性波动，进而影响特质波动率。宏观经济环境的变化，如经济增长、通货膨胀、利率变动等，也会通过影响公司的经营状况和投资者的预期，对特质波动率产生影响。在经济衰退时期，公司面临需求下降、成本上升等压力，经营风险增加，特质波动率上升；而在经济繁荣时期，公司经营环境改善，特质波动率相对较低。2.2预期收益相关研究2.2.1计算模型在金融领域，预期收益的计算模型众多，不同模型基于不同的理论假设和市场环境，为投资者和研究者提供了多样化的分析工具。资本资产定价模型（CAPM）由威廉・夏普（WilliamSharpe）等人在20世纪60年代提出，是现代金融学中最为经典的预期收益计算模型之一。该模型基于一系列严格的假设，如投资者具有相同的预期、市场是完全有效的、不存在交易成本和税收等，认为资产的预期收益率由无风险利率和风险溢价两部分组成。其核心公式为：E(R_i)=R_f+\beta_i\times(E(R_m)-R_f)，其中E(R_i)表示资产i的预期收益率，R_f为无风险利率，通常以国债收益率等近似替代，\beta_i是资产i的贝塔系数，衡量资产相对于市场组合的系统性风险，E(R_m)为市场组合的预期收益率，(E(R_m)-R_f)则表示市场风险溢价。例如，若某股票的\beta系数为1.2，无风险利率为3%，市场组合的预期收益率为10%，根据CAPM模型，该股票的预期收益率为3\%+1.2\times(10\%-3\%)=11.4\%。CAPM模型的优势在于其简洁明了，为投资者提供了一个直观的评估资产预期收益的基准，有助于投资者进行投资决策；然而，它也存在明显的局限性，如假设过于理想化，与现实市场存在较大差距，且仅考虑了系统性风险，忽略了非系统性风险对资产收益的影响。套利定价理论（APT）由斯蒂芬・罗斯（StephenRoss）于1976年提出，作为另一种重要的预期收益计算模型，APT放松了CAPM的严格假设，认为资产的预期收益率受多个因素的共同影响，而不仅仅是市场风险。该理论假设资产收益率是多个宏观经济因素（如通货膨胀率、利率、GDP增长率等）的线性函数，其公式可表示为：E(R_i)=R_f+\sum_{j=1}^{k}\beta_{ij}\timesF_j，其中E(R_i)为资产i的预期收益率，R_f为无风险利率，\beta_{ij}是资产i对第j个因素的敏感度，F_j表示第j个因素的风险溢价，k为影响资产收益率的因素个数。与CAPM相比，APT更具灵活性，能够考虑多种风险因素对资产收益的影响，更贴合现实市场的复杂情况。例如，在分析某行业股票的预期收益时，可以将行业竞争格局变化、原材料价格波动等特定因素纳入模型，更准确地评估股票的预期收益。但APT也面临一些挑战，如难以准确确定影响资产收益的因素及其权重，在实际应用中对数据的要求较高，模型的参数估计较为复杂。2.2.2影响因素预期收益受到多种因素的综合影响，这些因素相互交织，共同决定了资产在市场中的预期回报。宏观经济环境的变化对预期收益有着显著的影响。经济增长状况是宏观经济环境的关键因素之一，在经济扩张期，企业的销售额和利润通常会增加，市场需求旺盛，企业投资意愿增强，股票市场整体表现较好，股票的预期收益往往较高。例如，当GDP增长率较高时，企业的生产规模扩大，盈利能力提升，投资者对股票的预期收益也相应提高。相反，在经济衰退期，企业面临需求下降、成本上升等压力，经营风险增加，股票的预期收益可能降低。通货膨胀率也是影响预期收益的重要宏观经济指标，适度的通货膨胀可能刺激企业的生产和投资，对股票预期收益产生积极影响；但过高的通货膨胀会导致物价上涨、企业成本上升、消费者购买力下降，进而影响企业的盈利和股票的预期收益。利率变动对预期收益的影响也不容忽视，利率上升时，债券等固定收益类资产的吸引力增加，投资者可能会减少对股票的投资，导致股票价格下跌，预期收益降低；利率下降则会使股票的相对吸引力增强，预期收益可能上升。公司业绩是决定预期收益的核心因素之一。公司的盈利能力是衡量其业绩的重要指标，盈利能力强的公司，如具有较高的净利润率、稳定的盈利增长和良好的资产回报率，通常能够为投资者带来较高的预期收益。例如，一家科技公司通过持续的技术创新和市场拓展，实现了净利润的逐年增长，其股票的预期收益也会相应提高。公司的财务状况，包括偿债能力、营运能力和现金流状况等，也会对预期收益产生影响。偿债能力强的公司，财务风险较低，能够稳定地经营和发展，投资者对其股票的预期收益也更有信心；营运能力高效的公司，能够更有效地利用资产创造价值，提高盈利能力，进而提升股票的预期收益；稳定的现金流则为公司的持续发展提供了保障，也有助于提高股票的预期收益。公司的发展前景和成长潜力同样重要，具有良好发展前景和高成长潜力的公司，如处于新兴行业、拥有核心技术或独特商业模式的公司，往往能够吸引更多的投资者，其股票的预期收益也相对较高。市场利率在预期收益中扮演着重要角色。市场利率作为资金的价格，对整个金融市场的资产定价和投资决策产生深远影响。当市场利率上升时，一方面，债券等固定收益类资产的收益率提高，投资者的资金会流向债券市场，减少对股票的需求，导致股票价格下跌，股票的预期收益随之降低。例如，10年期国债收益率从3%上升到4%，债券的吸引力增强，部分投资者会卖出股票，买入国债，使得股票市场资金流出，股票价格下降。另一方面，市场利率上升会增加企业的融资成本，企业的债务负担加重，盈利能力可能受到影响，进而降低股票的预期收益。相反，当市场利率下降时，债券收益率降低，股票的相对吸引力增加，投资者会增加对股票的投资，推动股票价格上涨，预期收益提高。同时，企业的融资成本降低，有利于企业扩大生产和投资，提升盈利能力，进一步促进股票预期收益的上升。2.3特质波动率与预期收益关系研究2.3.1国外研究现状国外学者对特质波动率与预期收益关系的研究起步较早，取得了丰硕的成果。早期的研究主要基于传统资产定价理论，认为特质波动率与预期收益之间不存在显著关系。夏普（Sharpe）在1964年提出的资本资产定价模型（CAPM）认为，投资者可以通过构建多样化的投资组合来消除特质风险，因此只有系统性风险（市场风险）才会得到风险补偿，特质波动率不应影响预期收益。在这一理论框架下，股票的预期收益只与市场风险溢价和股票的贝塔系数相关，特质波动率被视为可以通过分散投资消除的非系统性风险，与预期收益无关。然而，随着研究的深入，越来越多的实证研究发现，特质波动率与预期收益之间存在复杂的关系，并不完全符合传统资产定价理论的预期。Banz在1981年发现了“规模效应”，即小市值公司的股票往往具有较高的收益率，而这一现象无法用CAPM模型来解释。随后，学者们开始关注特质波动率在资产定价中的作用。Merton在1987年提出，在信息不对称的情况下，投资者难以完全分散特质风险，因此特质波动率可能会对预期收益产生影响。他认为，投资者的专业技能、资金状况等因素会导致市场摩擦，使得构建完全分散的市场组合变得困难，从而投资者可能会要求对特质风险进行补偿，即特质波动率与预期收益可能呈现正相关关系。进入21世纪，相关研究进一步深入，“特质波动率之谜”的提出引发了学界的广泛关注。2006年，Ang等学者利用Fama-French三因子模型对NYSE、AMEX和NASDAQ股票市场进行研究，发现特质波动率与预期收益率之间存在显著的负相关关系，即特质波动率越高，股票的预期收益率越低，这一现象与传统资产定价理论中“高风险高收益”的观点相悖，被称为“特质波动率之谜”。他们的研究结果表明，在特质波动率上升时，投资者的收益率并没有提高，反而随着公司特质波动率的上升，横截面收益率在下降。这一发现挑战了传统资产定价理论，引发了众多学者对特质波动率与预期收益关系的重新审视和深入研究。此后，许多学者对不同国家和地区的资本市场进行了验证，发现“特质波动率之谜”在多个市场中普遍存在。Bali等学者在2008年对全球多个股票市场进行研究，同样证实了特质波动率与预期收益之间的负相关关系。他们通过构建不同的投资组合，发现高特质波动率组合的预期收益显著低于低特质波动率组合，进一步支持了Ang的研究结论。2.3.2国内研究现状国内学者对特质波动率与预期收益关系的研究相对较晚，但近年来也取得了一定的进展。早期的研究主要是对国外理论和方法的引进与应用，随着国内资本市场的不断发展和完善，学者们开始结合中国A股市场的特点，对二者关系进行深入研究。涂宏伟在2008年较早地对中国市场的特质波动率之谜现象进行了研究，以1997年至2007年沪深两市A股为样本，采用AR(2)模型估计预期的特质波动率，结果证实了中国股票市场存在显著的特质波动率之谜，即特质波动率与预期收益呈负相关关系。这一研究为国内学者进一步研究二者关系奠定了基础。此后，众多国内学者从不同角度对特质波动率与预期收益关系进行了探讨。左浩苗、郑鸣和张翼在2011年的研究中，利用中国A股市场的数据，通过构建计量模型，控制了反映异质信念的换手率指标后，发现特质波动率与股票预期收益率的负向关系不再显著，从而从异质信念和卖空限制的角度对“特质波动率之谜”进行了解释。他们认为，由于卖空限制的存在，股票价格只能反映乐观投资者的预期，相对悲观的投资者的意见却不能在股票价格中反映，最终导致股票市场价格被高估，特质波动率与预期收益率呈现负相关。熊和平、刘京军、杨伊君和周靖明在2018年运用分位数回归模型，对中国股票市场特质波动率与预期收益的关系进行了实证分析。研究发现，在不同分位数水平下，特质波动率与预期收益的关系存在差异，在低分位数水平下，特质波动率与预期收益呈负相关；在高分位数水平下，二者关系不显著。这一研究结果表明，特质波动率与预期收益的关系并非简单的线性关系，而是受到市场环境、投资者风险偏好等多种因素的影响，为深入理解二者关系提供了新的视角。尽管国内研究取得了一定成果，但仍存在一些不足之处。一方面，国内研究在样本选择和数据处理上存在差异，导致研究结果的可比性和普适性受到一定影响。不同学者选取的样本时间跨度、样本范围以及数据处理方法不尽相同，使得研究结论难以统一，无法全面准确地揭示特质波动率与预期收益在A股市场的真实关系。另一方面，对特质波动率与预期收益关系背后的经济原理和市场机制的研究还不够深入，大多停留在实证分析层面，缺乏系统性的理论阐释。对于“特质波动率之谜”在中国市场的形成原因，尚未形成统一的认识，仍需进一步深入研究。2.3.3文献述评综上所述，国内外学者对特质波动率与预期收益关系的研究取得了丰富的成果，为深入理解金融市场的资产定价机制提供了重要的理论和实证依据。早期基于传统资产定价理论的研究认为特质波动率与预期收益无关，但后续大量的实证研究发现二者之间存在复杂的关系，“特质波动率之谜”的提出更是引发了学界对传统理论的反思和对二者关系的深入探讨。国外学者在该领域的研究起步早，研究方法多样，实证检验涵盖了多个国家和地区的资本市场，发现“特质波动率之谜”在全球多个市场普遍存在，并从不同角度对其形成原因进行了解释，为后续研究奠定了坚实的基础。国内学者在借鉴国外研究的基础上，结合中国A股市场的特点，对特质波动率与预期收益关系进行了研究，取得了一定的进展，证实了中国市场存在“特质波动率之谜”，并从异质信念、卖空限制、投资者情绪等多个角度对其进行了解释，丰富了对中国资本市场的认识。然而，已有研究仍存在一些局限性。在研究方法上，虽然实证研究方法被广泛应用，但不同研究在模型选择、变量定义和数据处理等方面存在差异，导致研究结果的可靠性和可比性有待提高。在研究内容上，对特质波动率与预期收益关系的影响因素研究还不够全面和深入，尤其是对宏观经济环境、市场微观结构等因素的综合作用机制研究较少；对二者关系在不同市场环境和行业板块下的异质性研究也相对不足。在理论解释方面，虽然提出了多种理论来解释“特质波动率之谜”，但尚未形成统一的理论框架，对一些实证结果的解释还存在争议。基于以上文献综述，后续研究可以从以下几个方面展开：一是进一步优化研究方法，统一研究标准，提高研究结果的可靠性和可比性；二是综合考虑多种影响因素，深入研究特质波动率与预期收益关系的作用机制，特别是宏观经济环境、市场微观结构等因素的交互作用；三是加强对不同市场环境和行业板块下特质波动率与预期收益关系的异质性研究，为投资者提供更具针对性的投资决策建议；四是构建统一的理论框架，对“特质波动率之谜”等现象进行更深入的理论阐释，推动资产定价理论的发展和完善。三、研究设计3.1数据来源与样本选择3.1.1数据来源本研究的数据主要来源于多个权威数据库，以确保数据的全面性、准确性和可靠性。股票交易数据，包括每日的开盘价、收盘价、最高价、最低价、成交量和成交额等，来源于万得（Wind）金融终端。Wind数据库是国内金融领域广泛使用的专业数据库，涵盖了丰富的金融市场数据，具有数据更新及时、数据质量高等优点，能够为研究提供全面且准确的股票交易信息。公司财务数据，如资产负债表、利润表、现金流量表等相关指标，以及公司的基本信息，如上市时间、所属行业等，取自国泰安（CSMAR）数据库。CSMAR数据库以其庞大的样本量和详细的财务数据而著称，能够满足对公司基本面分析的需求，为研究公司财务状况对特质波动率和预期收益的影响提供了有力支持。宏观经济数据，如国内生产总值（GDP）增长率、通货膨胀率、利率等，来源于国家统计局和中国人民银行官方网站。这些官方渠道发布的数据具有权威性和公信力，能够准确反映宏观经济环境的变化，有助于分析宏观经济因素对特质波动率与预期收益关系的影响。无风险利率数据采用一年期国债收益率，该数据同样来源于Wind金融终端。一年期国债收益率在金融市场中被广泛视为无风险利率的代表，其稳定性和可获取性为研究提供了便利，使得在计算预期收益等指标时能够准确考虑无风险收益因素。3.1.2样本筛选在获取原始数据后，为了确保研究结果的可靠性和有效性，需要对样本进行严格筛选。首先，剔除ST、*ST股票。ST、*ST股票通常面临财务困境或其他异常情况，其股票价格波动往往受到特殊因素影响，与正常股票的波动特征存在较大差异，可能会干扰研究结果，因此将其排除在样本之外。例如，一些ST股票可能因连续亏损面临退市风险，其股价可能会出现异常波动，不能反映正常的市场风险和收益关系。剔除上市时间不足一年的股票。新上市的股票在上市初期，由于市场关注度高、投资者情绪波动大等原因，股价波动可能较为剧烈，且市场定价机制尚未完全稳定，其特质波动率和预期收益的表现可能不具有代表性。例如，部分新股上市后会出现连续涨停或大幅波动的情况，这并非基于公司的基本面和市场的正常风险收益关系，而是由于新股炒作等因素导致，因此需要将这类股票剔除。剔除数据缺失严重的股票。对于在计算特质波动率和预期收益过程中，关键数据存在大量缺失的股票，如收益率数据缺失超过一定比例、财务指标数据不全等，将其从样本中剔除。数据缺失会影响计算结果的准确性，进而影响对特质波动率和预期收益关系的分析。例如，若某股票的收益率数据缺失较多，就无法准确计算其特质波动率和预期收益，也就无法准确研究其与市场的关系。经过上述筛选过程，最终得到了一个包含[X]只股票，时间跨度为2010年1月至2023年12月的样本。该样本涵盖了不同行业、不同规模的公司，具有较好的代表性，能够有效反映我国A股市场的整体情况，为后续的实证研究奠定了坚实的基础。3.1.3数据预处理在进行实证分析之前，对数据进行预处理是至关重要的环节，能够提高数据质量，确保研究结果的可靠性。对于股票交易数据和公司财务数据，进行异常值处理。采用3倍标准差法识别异常值，对于超过3倍标准差的数据点，将其视为异常值进行调整或删除。例如，对于股票收益率数据，如果某一数据点的收益率超过样本均值的3倍标准差，可能是由于数据录入错误或特殊事件导致的异常波动，需要对其进行进一步检查和处理。对于财务指标数据，如资产负债率、净利润率等，如果出现异常值，也需要进行相应调整，以保证数据的合理性。对数据进行标准化处理，将不同变量的取值范围统一到相同的尺度，消除量纲差异对研究结果的影响。对于股票收益率数据，将其转化为对数收益率，以满足模型对数据正态性的要求，同时对数收益率在金融分析中具有更好的经济含义，能够更准确地反映资产价格的变化。对于其他连续型变量，如公司规模、账面市值比等，采用Z-score标准化方法，将其转化为均值为0、标准差为1的标准正态分布数据，使不同变量之间具有可比性。数据清洗也是必不可少的步骤，对数据进行一致性检查，确保不同来源的数据在定义、统计口径等方面保持一致。例如，对于公司所属行业的分类，需要统一采用证监会的行业分类标准，避免因行业分类不一致导致的数据混乱。同时，对数据中的重复记录进行删除，保证数据的唯一性和准确性。通过以上数据预处理步骤，有效提高了数据质量，为后续的实证分析提供了可靠的数据支持。3.2变量定义与度量3.2.1特质波动率度量本研究采用Fama-French三因子模型来度量特质波动率。Fama-French三因子模型认为，股票的收益率不仅取决于市场风险溢价，还与公司规模和账面市值比相关。该模型的回归方程如下：R_{it}-R_{ft}=\alpha_i+\beta_{i,MKT}(R_{Mt}-R_{ft})+\beta_{i,SMB}SMB_t+\beta_{i,HML}HML_t+\epsilon_{it}其中，R_{it}为第i只股票在t时期的收益率；R_{ft}为无风险利率，在本研究中采用一年期国债收益率来近似替代；R_{Mt}为市场组合收益率，选取沪深300指数收益率作为市场组合收益率的代表；\alpha_i为截距项；\beta_{i,MKT}为股票i对市场因子的敏感系数；\beta_{i,SMB}为股票i对规模因子（SMB）的敏感系数；\beta_{i,HML}为股票i对账面市值比因子（HML）的敏感系数；SMB_t为t时期的规模因子，通过市值加权平均的小市值股票组合收益率减去大市值股票组合收益率得到；HML_t为t时期的账面市值比因子，通过市值加权平均的高账面市值比股票组合收益率减去低账面市值比股票组合收益率得到；\epsilon_{it}为残差项，代表股票收益率中无法被市场因子、规模因子和账面市值比因子解释的部分，即特质风险。在实际计算中，首先收集样本股票在研究期间内的日度收益率数据、沪深300指数日度收益率数据以及无风险利率数据，计算出各股票的日度超额收益率R_{it}-R_{ft}和市场组合的日度超额收益率R_{Mt}-R_{ft}。然后，根据市值和账面市值比将所有样本股票进行分组，构建规模因子SMB和账面市值比因子HML。运用时间序列回归方法，将每只股票的日度超额收益率对市场超额收益率、规模因子和账面市值比因子进行回归，得到回归残差\epsilon_{it}。最后，计算回归残差\epsilon_{it}的标准差，将其作为特质波动率的度量指标。为了使特质波动率的度量更具可比性，将日度特质波动率年化，年化公式为：IV_{i}=\sigma(\epsilon_{it})\times\sqrt{252}其中，IV_{i}为第i只股票的年化特质波动率，\sigma(\epsilon_{it})为第i只股票日度回归残差的标准差，\sqrt{252}是一年的交易日天数的平方根，用于将日度波动率转化为年化波动率。通过以上步骤，能够较为准确地度量我国A股市场中各股票的特质波动率，为后续研究特质波动率与预期收益的关系奠定基础。3.2.2预期收益度量本研究选用资本资产定价模型（CAPM）来计算预期收益。CAPM模型是现代金融学中经典的预期收益计算模型，其核心思想是资产的预期收益率由无风险利率和风险溢价两部分组成，风险溢价取决于资产相对于市场组合的系统性风险。该模型的计算公式如下：E(R_i)=R_f+\beta_i\times(E(R_m)-R_f)其中，E(R_i)表示资产i的预期收益率；R_f为无风险利率，同样采用一年期国债收益率来近似；\beta_i是资产i的贝塔系数，衡量资产i相对于市场组合的系统性风险，反映了资产收益率对市场收益率变动的敏感程度；E(R_m)为市场组合的预期收益率，在本研究中以沪深300指数收益率作为市场组合预期收益率的估计值；(E(R_m)-R_f)表示市场风险溢价。在实际计算过程中，首先收集样本股票在研究期间内的日度收益率数据、沪深300指数日度收益率数据以及一年期国债收益率数据。计算每只股票的日度超额收益率R_{it}-R_{ft}和市场组合的日度超额收益率R_{Mt}-R_{ft}。然后，运用时间序列回归方法，将每只股票的日度超额收益率对市场超额收益率进行回归，得到回归方程：R_{it}-R_{ft}=\alpha_i+\beta_{i,MKT}(R_{Mt}-R_{ft})+\epsilon_{it}其中，\alpha_i为截距项，\beta_{i,MKT}即为股票i的贝塔系数\beta_i，\epsilon_{it}为回归残差。通过上述回归得到每只股票的贝塔系数\beta_i后，将无风险利率R_f、市场组合预期收益率E(R_m)以及贝塔系数\beta_i代入CAPM模型公式，即可计算出每只股票的预期收益率E(R_i)。这种计算方法基于市场数据和CAPM模型的理论框架，能够较为合理地估计我国A股市场中股票的预期收益，为研究特质波动率与预期收益的关系提供了重要的预期收益度量指标。3.2.3控制变量选取为了更准确地研究特质波动率与预期收益之间的关系，在实证模型中需要控制其他可能影响预期收益的因素。本研究选取了以下控制变量：市场风险，用市场组合收益率的标准差来度量，反映了市场整体的波动程度。市场风险是影响股票预期收益的重要系统性因素，市场波动越大，股票的预期收益可能受到的影响也越大。通过控制市场风险，可以更清晰地观察特质波动率对预期收益的单独影响。公司规模，以股票的流通市值的自然对数来衡量。大量研究表明，公司规模是影响股票收益的重要因素之一，存在“规模效应”，即小市值公司的股票往往具有较高的收益率。控制公司规模可以避免其对特质波动率与预期收益关系的干扰，使研究结果更准确地反映二者之间的内在联系。账面市值比，用公司的账面净资产与股票市值的比值来表示。账面市值比反映了公司的价值被市场低估或高估的程度，也是影响股票预期收益的重要因素。高账面市值比的股票可能被市场认为具有较高的价值，其预期收益可能与低账面市值比的股票不同。控制账面市值比有助于更准确地分析特质波动率与预期收益的关系。流动性，采用换手率来度量，即一定时期内股票的成交量与流通股本的比率。流动性反映了股票在市场上的交易活跃程度，流动性好的股票更容易买卖，交易成本相对较低，其预期收益可能受到流动性的影响。控制流动性可以排除其对特质波动率与预期收益关系的影响，使研究结果更具可靠性。动量效应，用过去12个月的累计收益率来衡量。动量效应是指过去表现较好的股票在未来一段时间内仍有继续上涨的趋势，而过去表现较差的股票在未来可能继续下跌。控制动量效应可以避免其对预期收益的影响，更准确地研究特质波动率与预期收益之间的关系。通过选取这些控制变量，能够在实证研究中更全面地考虑各种因素对预期收益的影响，从而更准确地揭示特质波动率与预期收益之间的真实关系。3.3模型构建3.3.1基准模型设定为了探究我国A股市场特质波动率与预期收益之间的关系，构建如下基准回归模型：E(R_{it})=\alpha_0+\alpha_1IV_{it}+\sum_{j=1}^{n}\alpha_{j+1}Control_{ijt}+\epsilon_{it}其中，E(R_{it})表示第i只股票在t时期的预期收益，通过前文所述的资本资产定价模型（CAPM）计算得出；IV_{it}为第i只股票在t时期的特质波动率，利用Fama-French三因子模型回归残差的标准差进行度量，并年化处理；\alpha_0为常数项；\alpha_1为特质波动率IV_{it}的系数，反映了特质波动率对预期收益的影响程度，若\alpha_1显著为正，则表明特质波动率与预期收益呈正相关关系，即特质波动率越高，预期收益越高；若\alpha_1显著为负，则二者呈负相关关系；Control_{ijt}表示第i只股票在t时期的第j个控制变量，包括市场风险、公司规模、账面市值比、流动性和动量效应等，如前文变量定义与度量部分所述，\alpha_{j+1}为各控制变量的系数，用于控制其他因素对预期收益的影响；\epsilon_{it}为随机误差项，代表模型中未被解释的部分。在实际回归过程中，对所有变量进行标准化处理，消除量纲差异对回归结果的影响，使不同变量的系数具有可比性。通过上述基准模型，能够在控制其他因素的基础上，准确估计特质波动率与预期收益之间的关系，为研究二者的内在联系提供了基本的分析框架。3.3.2稳健性检验模型为了检验基准模型结果的可靠性和稳定性，采用多种方法进行稳健性检验，构建不同的稳健性检验模型。改变特质波动率的度量方法，使用Carhart四因子模型替代Fama-French三因子模型来计算特质波动率。Carhart四因子模型在Fama-French三因子模型的基础上，加入了动量因子（UMD），能够更全面地捕捉股票收益率的影响因素。其回归方程为：R_{it}-R_{ft}=\alpha_i+\beta_{i,MKT}(R_{Mt}-R_{ft})+\beta_{i,SMB}SMB_t+\beta_{i,HML}HML_t+\beta_{i,UMD}UMD_t+\epsilon_{it}其中，UMD_t为t时期的动量因子，通过过去12个月股票收益率排名前30%的股票组合收益率减去排名后30%的股票组合收益率得到，\beta_{i,UMD}为动量因子的系数，其他变量含义与Fama-French三因子模型相同。用该模型回归残差的标准差计算特质波动率，并代入基准回归模型中进行重新估计，观察特质波动率系数的变化情况，以检验结果是否对特质波动率的度量方法敏感。调整样本范围也是常用的稳健性检验手段，剔除金融行业股票样本。金融行业具有特殊性，其经营模式、监管环境和风险特征与其他行业存在较大差异，可能会对研究结果产生影响。剔除金融行业股票后，重新对基准模型进行回归分析，对比剔除前后的回归结果，若系数估计值和显著性水平没有显著变化，则说明研究结果不受金融行业样本的影响，具有较好的稳健性。此外，采用分位数回归方法对基准模型进行稳健性检验。分位数回归能够考察自变量在因变量不同分位数水平上的影响，相较于普通最小二乘法（OLS）回归，更能捕捉到变量之间的非线性关系和异质性特征。构建分位数回归模型：Q_{\tau}(E(R_{it})|IV_{it},Control_{ijt})=\alpha_{0\tau}+\alpha_{1\tau}IV_{it}+\sum_{j=1}^{n}\alpha_{(j+1)\tau}Control_{ijt}其中，Q_{\tau}(E(R_{it})|IV_{it},Control_{ijt})表示在给定特质波动率IV_{it}和控制变量Control_{ijt}的条件下，预期收益E(R_{it})的\tau分位数；\alpha_{0\tau}、\alpha_{1\tau}和\alpha_{(j+1)\tau}分别为对应分位数水平\tau下的常数项、特质波动率系数和控制变量系数。通过估计不同分位数水平下的回归系数，分析特质波动率与预期收益之间的关系在不同收益水平下是否存在差异，进一步验证研究结果的稳健性。四、实证结果与分析4.1描述性统计4.1.1变量基本统计特征对样本数据中各变量进行描述性统计，结果如表1所示：变量观测值均值标准差最小值最大值预期收益（E(R)）156000.0120.035-0.150.20特质波动率（IV）156000.0480.0210.010.12市场风险（MR）156000.0250.0100.0050.06公司规模（Size）1560022.051.2019.5025.50账面市值比（BM）156000.450.200.051.50流动性（Turnover）156000.0320.0200.0010.10动量效应（Momentum）156000.0850.150-0.300.50从表1可以看出，预期收益的均值为0.012，表明样本股票平均预期收益为1.2%，标准差为0.035，说明不同股票之间的预期收益存在较大差异。特质波动率均值为0.048，标准差为0.021，反映出个股特质波动率也具有一定的离散性。市场风险均值为0.025，说明市场整体波动处于一定水平。公司规模的均值为22.05，标准差为1.20，体现了样本中公司规模存在一定差异。账面市值比均值为0.45，标准差为0.20，显示出不同公司的账面市值比有所不同。流动性均值为0.032，标准差为0.020，表明股票流动性存在差异。动量效应均值为0.085，标准差为0.150，说明股票动量效应的离散程度较大。4.1.2数据分布特征分析为了更直观地了解数据的分布特征，对各变量进行直方图绘制和正态性检验。从预期收益的直方图来看，其分布呈现出一定的右偏态，峰值位于0.01附近，说明大部分股票的预期收益集中在该区间，但也存在少数股票预期收益较高，导致分布右偏。通过Shapiro-Wilk正态性检验，得到检验统计量W=0.95，p值小于0.01，拒绝数据服从正态分布的原假设，表明预期收益数据不服从正态分布。特质波动率的直方图显示，其分布较为集中，峰值在0.045左右，整体呈现出近似正态分布的形态。Shapiro-Wilk正态性检验结果为W=0.98，p值大于0.05，不能拒绝数据服从正态分布的原假设，说明特质波动率数据近似服从正态分布。市场风险、公司规模、账面市值比、流动性和动量效应等变量的直方图也各有特点。市场风险分布相对均匀，没有明显的偏态；公司规模分布较为集中，呈现出一定的左偏态；账面市值比分布较为分散，存在少数高账面市值比的公司；流动性分布呈现出右偏态，大部分股票流动性较低；动量效应分布较为分散，存在正负两个方向的极端值。通过正态性检验，这些变量均不服从正态分布。此外，对数据进行异常值检测，发现个别股票的预期收益、特质波动率等变量存在异常值，可能是由于特殊事件或数据录入错误导致。对于这些异常值，在后续分析中进行了谨慎处理，如采用winsorize方法对极端值进行缩尾处理，以避免其对研究结果产生过大影响。4.2相关性分析4.2.1变量间相关性检验为了初步探究特质波动率与预期收益以及各控制变量之间的关系，对相关变量进行相关性分析，结果如表2所示：变量预期收益（E(R)）特质波动率（IV）市场风险（MR）公司规模（Size）账面市值比（BM）流动性（Turnover）动量效应（Momentum）预期收益（E(R)）1特质波动率（IV）-0.256***1市场风险（MR）0.185***-0.087***1公司规模（Size）0.068**0.035*0.0211账面市值比（BM）0.095***-0.042**0.0180.051***1流动性（Turnover）0.123***0.072***-0.053***0.048***0.038**1动量效应（Momentum）0.201***0.065***0.032*0.043***0.028*0.112***1注：*、、*分别表示在1%、5%、10%的水平上显著。从表2可以看出，特质波动率与预期收益之间呈现显著的负相关关系，相关系数为-0.256，在1%的水平上显著，这初步表明特质波动率越高，股票的预期收益越低，与“特质波动率之谜”的现象相符。市场风险与预期收益呈显著正相关，相关系数为0.185，说明市场整体波动越大，股票的预期收益越高，符合市场风险与收益成正比的一般规律。公司规模与预期收益呈正相关，相关系数为0.068，在5%的水平上显著，体现了一定的规模效应，即规模较大的公司预期收益相对较高。账面市值比与预期收益呈正相关，相关系数为0.095，在1%的水平上显著，表明高账面市值比的股票预期收益较高。流动性与预期收益呈正相关，相关系数为0.123，在1%的水平上显著，说明流动性好的股票预期收益相对较高。动量效应与预期收益呈显著正相关，相关系数为0.201，在1%的水平上显著，反映出具有动量效应的股票预期收益较高。4.2.2初步关系判断通过相关性分析，初步判断特质波动率与预期收益之间存在显著的负相关关系，这一结果与经典资产定价理论中特质波动率与预期收益无关的观点相悖，而与国内外许多实证研究中发现的“特质波动率之谜”现象一致。然而，相关性分析只是初步的探索，不能确定二者之间的因果关系，也无法排除其他因素的干扰。为了更准确地研究特质波动率与预期收益之间的关系，需要进一步构建回归模型，控制其他可能影响预期收益的因素，进行深入的实证分析。在后续的回归分析中，将以基准模型为基础，通过严谨的计量经济学方法，精确估计特质波动率对预期收益的影响系数，探究二者关系的稳定性和可靠性，并对结果进行深入分析和解释，以揭示特质波动率与预期收益关系背后的经济原理和市场机制。4.3回归结果分析4.3.1基准模型回归结果对构建的基准模型进行回归分析，得到如表3所示的结果：变量系数标准误t值p值[0.025,0.975]特质波动率（IV）-0.185***0.032-5.780.000-0.247,-0.123市场风险（MR）0.156***0.0285.570.0000.101,0.211公司规模（Size）0.082**0.0352.340.0200.013,0.151账面市值比（BM）0.110***0.0303.670.0000.051,0.169流动性（Turnover）0.098***0.0253.920.0000.049,0.147动量效应（Momentum）0.175***0.0276.480.0000.122,0.228常数项0.0100.0081.250.211-0.006,0.026注：*、、*分别表示在1%、5%、10%的水平上显著。从回归结果来看，特质波动率的系数为-0.185，在1%的水平上显著为负，这表明特质波动率与预期收益之间存在显著的负相关关系。即特质波动率每增加1个单位，预期收益将降低0.185个单位，进一步验证了“特质波动率之谜”在我国A股市场的存在。市场风险的系数为0.156，在1%的水平上显著为正，说明市场风险与预期收益呈正相关，市场整体波动越大，股票的预期收益越高。公司规模的系数为0.082，在5%的水平上显著为正，体现了一定的规模效应，规模较大的公司预期收益相对较高。账面市值比的系数为0.110，在1%的水平上显著为正，表明高账面市值比的股票预期收益较高。流动性的系数为0.098，在1%的水平上显著为正，说明流动性好的股票预期收益相对较高。动量效应的系数为0.175，在1%的水平上显著为正，反映出具有动量效应的股票预期收益较高。4.3.2结果经济意义解读特质波动率与预期收益呈负相关的结果，对投资者的投资决策具有重要的指导意义。投资者在构建投资组合时，不能仅仅依据“高风险高收益”的传统观念，而应充分考虑特质波动率的影响。对于特质波动率较高的股票，尽管其可能具有较高的潜在风险，但根据实证结果，其预期收益反而较低，投资者在投资此类股票时需要谨慎评估风险与收益的平衡，避免过度投资。相反，对于特质波动率较低的股票，虽然风险相对较低，但预期收益可能相对稳定，投资者可以适当配置，以降低投资组合的整体风险，提高收益的稳定性。从市场层面来看，特质波动率与预期收益的负相关关系表明市场并非完全有效，存在一些因素导致市场对特质风险的定价出现偏差。这可能与投资者的行为偏差、信息不对称等因素有关。投资者可能对特质波动率较高的股票过度反应，导致股价高估，从而使得预期收益降低；而对特质波动率较低的股票则可能反应不足，导致股价低估，预期收益相对较高。监管部门可以通过加强市场监管，提高信息披露的质量和透明度，减少投资者的行为偏差和信息不对称，促进市场的有效定价，提高市场的资源配置效率，维护市场的稳定和健康发展。4.4稳健性检验4.4.1不同模型检验为确保研究结果的可靠性，采用其他模型对特质波动率与预期收益的关系进行检验。首先，运用Carhart四因子模型重新计算特质波动率，该模型在Fama-French三因子模型基础上加入了动量因子（UMD），考虑了股票收益率的动量效应，能更全面地解释股票收益的影响因素。将通过Carhart四因子模型计算得到的特质波动率代入基准回归模型，进行回归分析，结果如表4所示：变量系数标准误t值p值[0.025,0.975]特质波动率（IV）-0.168***0.030-5.600.000-0.227,-0.109市场风险（MR）0.148***0.0265.690.0000.097,0.199公司规模（Size）0.078**0.0332.360.0180.013,0.143账面市值比（BM）0.105***0.0283.750.0000.050,0.160流动性（Turnover）0.092***0.0233.990.0000.047,0.137动量效应（Momentum）0.168***0.0256.720.0000.118,0.218常数项0.0080.0071.140.254-0.006,0.022注：*、、*分别表示在1%、5%、10%的水平上显著。从表4可以看出，使用Carhart四因子模型计算特质波动率后，特质波动率的系数依然在1%的水平上显著为负，系数值为-0.168，与基准模型中特质波动率系数-0.185相近，这表明特质波动率与预期收益之间的负相关关系在不同模型下具有一定的稳定性，研究结果对特质波动率的度量方法具有较强的稳健性，进一步验证了“特质波动率之谜”在我国A股市场的存在。4.4.2样本调整检验对样本进行调整，以检验研究结果的稳定性。剔除金融行业股票样本，金融行业由于其业务的特殊性，如高杠杆经营、受到严格的金融监管等，其风险特征和定价机制与其他行业存在显著差异，可能会对研究结果产生干扰。剔除金融行业股票后，重新对基准模型进行回归分析，结果如表5所示：变量系数标准误t值p值[0.025,0.975]特质波动率（IV）-0.176***0.031-5.680.000-0.237,-0.115市场风险（MR）0.152***0.0275.630.0000.099,0.205公司规模（Size）0.080**0.0342.350.0190.013,0.147账面市值比（BM）0.108***0.0293.720.0000.051,0.165流动性（Turnover）0.095***0.0243.960.0000.048,0.142动量效应（Momentum）0.172***0.0266.620.0000.121,0.223常数项0.0090.0081.130.259-0.007,0.025注：*、、*分别表示在1%、5%、10%的水平上显著。从表5可以看出，剔除金融行业股票样本后，特质波动率的系数在1%的水平上显著为负，系数值为-0.176，与基准模型结果相比，系数的符号和显著性水平均未发生变化，且系数大小也较为接近，这表明研究结果不受金融行业样本的影响，在调整样本范围后依然具有较好的稳健性，进一步支持了特质波动率与预期收益之间存在显著负相关关系的结论。4.4.3检验结果汇总与分析通过不同模型检验和样本调整检验，对稳健性检验结果进行汇总分析。在不同模型检验中，使用Carhart四因子模型计算特质波动率，回归结果显示特质波动率与预期收益的负相关关系依然显著，且系数与基准模型相近；在样本调整检验中，剔除金融行业股票样本后，特质波动率与预期收益的负相关关系保持稳定，系数的符号、显著性水平和大小均未发生实质性变化。综合来看，稳健性检验结果表明，前文实证分析得出的特质波动率与预期收益之间存在显著负相关关系的结论具有较强的可靠性和稳定性，并非由于特定的模型设定或样本选择所导致，能够较为准确地反映我国A股市场中特质波动率与预期收益之间的真实关系。这一结论为投资者在A股市场进行投资决策提供了有力的参考依据，也为进一步研究我国股票市场的资产定价机制提供了坚实的实证基础。五、影响因素分析5.1宏观经济因素影响5.1.1经济周期波动经济周期波动是影响A股市场特质波动率与预期收益关系的重要宏观经济因素之一，其对二者关系的影响机制较为复杂，主要通过多个方面来实现。在经济扩张阶段，企业的经营环境较为有利，市场需求旺盛，企业的销售额和利润往往会呈现上升趋势。随着经济的增长，消费者的购买力增强，对各类商品和服务的需求增加，企业的订单量增多，生产规模得以扩大，从而带动利润增长。企业的投资活动也会更加活跃，为了满足市场需求，企业会加大对生产设备、技术研发等方面的投入，以提高生产效率和产品质量，增强市场竞争力。这种积极的经营态势使得企业的业绩表现较为稳定且向好，股票价格受到支撑，特质波动率相对较低。投资者对经济前景充满信心，市场情绪乐观，对股票的需求增加，进一步推动股票价格上涨，预期收益提高。此时，经济周期波动通过改善企业经营状况和提升投资者信心，使得特质波动率与预期收益之间的负相关关系可能减弱，甚至在一定程度上出现正相关的趋势，因为企业的良好发展使得高特质波动率可能伴随着更高的预期收益。相反，在经济衰退阶段，市场需求萎缩，企业面临销售困难、利润下滑的困境。消费者的消费意愿降低，企业的产品滞销，库存积压，为了减少库存，企业可能会降低产品价格，导致利润空间被压缩。企业的投资活动也会受到抑制，由于对未来经济前景的担忧，企业会减少对新项目的投资，甚至可能削减现有业务规模，以降低经营风险。这种不利的经营环境使得企业的业绩不确定性增加，股票价格波动加剧，特质波动率升高。投资者对经济前景感到悲观，市场情绪低落，纷纷抛售股票，导致股票价格下跌，预期收益降低。在这一阶段，经济周期波动通过恶化企业经营状况和降低投资者信心，进一步强化了特质波动率与预期收益之间的负相关关系，高特质波动率往往伴随着更低的预期收益。5.1.2货币政策调整货币政策调整对A股市场特质波动率与预期收益关系有着显著的作用，主要通过利率渠道、货币供应量渠道以及投资者预期渠道来实现。利率是货币政策的重要工具之一，当央行实行宽松的货币政策时，会降低利率水平。利率下降会使得债券等固定收益类资产的收益率降低，投资者为了追求更高的收益，会将资金从债券市场转移到股票市场，增加对股票的需求，从而推动股票价格上涨，预期收益提高。利率下降还会降低企业的融资成本，企业的贷款利息支出减少，利润空间得以扩大，这也有助于提高股票的预期收益。宽松货币政策下货币供应量增加，市场上的资金更加充裕，企业更容易获得融资，投资活动得以增加，生产规模扩大，业绩有望提升，股票价格也会受到支撑。货币供应量的增加会导致通货膨胀预期上升，投资者会预期股票价格也会随之上涨，从而增加对股票的投资，进一步推动股票价格上升。在这种情况下，货币政策调整通过增加市场资金供给和改善企业融资环境，使得特质波动率与预期收益之间的负相关关系可能减弱，因为资金的充裕和企业经营的改善可能使得高特质波动率股票也能获得较高的预期收益。而当央行实行紧缩的货币政策时，会提高利率水平，债券等固定收益类资产的收益率上升，投资者会将资金从股票市场转移到债券市场，减少对股票的需求，导致股票价格下跌，预期收益降低。利率上升还会增加企业的融资成本，企业的贷款利息支出增加，利润空间被压缩，股票的预期收益也会随之降低。紧缩货币政策下货币供应量减少，市场上的资金变得紧张，企业融资难度加大，投资活动受到抑制，生产规模可能缩小，业绩可能下滑，股票价格也会受到负面影响。投资者对经济前景的预期变得悲观，会减少对股票的投资，进一步推动股票价格下跌。在这种情况下，货币政策调整通过减少市场资金供给和恶化企业融资环境，强化了特质波动率与预期收益之间的负相关关系，高特质波动率股票的预期收益会更低。5.1.3实证检验与结果分析为了验证宏观经济因素对特质波动率与预期收益关系的影响，构建如下实证模型：E(R_{it})=\alpha_0+\alpha_1IV_{it}+\alpha_2Macro_{t}+\alpha_3IV_{it}\timesMacro_{t}+\sum_{j=1}^{n}\alpha_{j+3}Control_{ijt}+\epsilon_{it}其中，E(R_{it})表示第i只股票在t时期的预期收益；IV_{it}为第i只股票在t时期的特质波动率；Macro_{t}为宏观经济变量，分别用GDP增长率来衡量经济周期波动，用货币供应量M2的增长率来衡量货币政策调整；IV_{it}\timesMacro_{t}为特质波动率与宏观经济变量的交互项，用于检验宏观经济因素对特质波动率与预期收益关系的调节作用；\alpha_0为常数项；\alpha_1、\alpha_2、\alpha_3分别为特质波动率、宏观经济变量以及交互项的系数；Control_{ijt}为控制变量，包括市场风险、公司规模、账面市值比、流动性和动量效应等；\epsilon_{it}为随机误差项。回归结果如表6所示：变量系数标准误t值p值[0.025,0.975]特质波动率（IV）-0.192***0.033-5.820.000-0.257,-0.127GDP增长率（GDP）0.125***0.0294.310.0000.068,0.182IV×GDP0.086**0.0362.390.0170.015,0.157市场风险（MR）0.160***0.0285.710.0000.105,0.215公司规模（Size）0.085**0.0362.360.0180.014,0.156账面市值比（BM）0.112***0.0303.730.0000.053,0.171流动性（Turnover）0.100***0.0254.000.0000.051,0.149动量效应（Momentum）0.178***0.0276.590.0000.124,0.232常数项0.0120.0081.500.134-0.004,0.028注：*、、*分别表示在1%、5%、10%的水平上显著。从表6可以看出，特质波动率与GDP增长率的交互项系数为0.086，在5%的水平上显著为正，这表明经济周期波动对特质波动率与预期收益的关系具有显著的调节作用。当GDP增长率较高，即经济处于扩张阶段时，特质波动率与预期收益之间的负相关关系会减弱，高特质波动率股票的预期收益会相对提高；当GDP增长率较低，即经济处于衰退阶段时，特质波动率与预期收益之间的负相关关系会增强，高特质波动率股票的预期收益会更低。变量系数标准误t值p值[0.025,0.975]特质波动率（IV）-0.189***0.032-5.910.000-0.253,-0.125M2增长率（M2）0.118***0.0274.370.0000.065,0.171IV×M20.092**0.0342.710.0070.025,0.15