解构中国股票市场：横截面特质波动率与期望收益率关系的深度剖析

解构中国股票市场：横截面特质波动率与期望收益率关系的深度剖析一、引言1.1研究背景与意义中国股票市场自上世纪90年代初成立以来，历经了三十多年的发展，取得了举世瞩目的成就，已成为中国经济体系中不可或缺的重要组成部分。1990年12月，上海证券交易所正式开业，次年7月深圳证券交易所开业，标志着中国股票市场的正式起步。此后，中国股市规模不断扩大，上市公司数量持续增加，投资者群体日益壮大，市场交易活跃度和流动性显著提升。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，在资源配置、企业融资、经济增长等方面发挥着重要作用。在金融市场中，特质波动率与期望收益率的关系一直是学术界和实务界关注的焦点。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，即个股特有的风险因素，如公司的财务状况、管理层决策、行业竞争格局等。经典资产定价理论认为，在有效市场中，投资者可以通过构建充分分散的投资组合来消除特质风险，因此特质风险不应影响资产的均衡定价，只有系统风险才会得到风险补偿，即特质波动率与期望收益率之间不存在显著关系。然而，大量实证研究发现，现实市场中特质波动率与期望收益率之间的关系并非如此简单，二者之间存在复杂的关联，这一现象被称为“特质波动率之谜”。对中国股票市场横截面特质波动率与期望收益率关系的研究具有重要的现实意义和理论价值。对于投资者而言，深入理解二者关系有助于优化投资决策，提高投资收益和风险控制能力。通过分析特质波动率与期望收益率的关系，投资者可以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，构建更加合理有效的投资组合，从而在市场波动中实现资产的保值增值。对于资产定价理论的发展和完善具有重要推动作用。特质波动率与期望收益率关系的研究是资产定价理论的核心内容之一，对中国市场这一关系的深入探究，有助于检验和拓展现有资产定价理论，揭示中国股票市场的定价机制和规律，为金融理论的发展提供新的实证证据和理论视角。特质波动率与期望收益率关系的研究也为市场监管部门提供了重要的决策参考，有助于监管部门加强市场监管，维护市场稳定和健康发展。通过研究二者关系，监管部门可以更好地了解市场风险状况，制定合理的监管政策和措施，防范金融风险，保护投资者合法权益，促进股票市场的平稳有序运行。1.2研究方法与创新点本研究综合运用多种研究方法，深入探究中国股票市场横截面特质波动率与期望收益率之间的关系。具体而言，主要采用以下研究方法：实证研究法：选取中国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，对特质波动率与期望收益率之间的关系进行量化分析。通过对大量历史数据的实证检验，能够更准确地揭示二者之间的内在联系，为研究结论提供坚实的数据支持。在构建特质波动率与期望收益率的关系模型时，运用时间序列回归分析，选取合适的控制变量，以精确估计特质波动率对期望收益率的影响系数。对比分析法：对比不同市场环境、不同样本期间以及不同行业板块下特质波动率与期望收益率的关系，分析其差异和变化规律。通过对比分析，可以更全面地了解二者关系的复杂性和多样性，为深入研究提供多角度的视角。对比牛市和熊市期间，特质波动率与期望收益率关系的变化，探究市场环境对二者关系的影响。理论分析法：结合现代资产定价理论、行为金融学理论等，对实证结果进行深入分析和解释，探讨特质波动率与期望收益率关系背后的经济原理和市场机制。运用理论分析，可以将实证结果与金融理论相结合，揭示研究问题的本质，为研究结论提供理论依据。基于行为金融学中的过度反应理论，解释特质波动率与期望收益率负相关的现象，认为投资者对特质信息的过度反应导致股价偏离其内在价值，从而影响期望收益率。本研究可能的创新点主要体现在以下几个方面：数据更新与拓展：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。同时，进一步拓展数据样本范围，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。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、不同行业的股票数据，丰富研究样本，以更全面地研究特质波动率与期望收益率的关系。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期望收益率关系的因素，如市场流动性、投资者情绪、宏观经济环境等。通过构建多因素模型，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。在实证模型中加入市场流动性指标、投资者情绪指数以及宏观经济变量，研究它们对特质波动率与期望收益率关系的调节作用。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，挖掘以往研究中未被关注的影响因素和作用机制。通过创新研究视角，为解决“特质波动率之谜”提供新的思路和方法，推动金融理论的发展和完善。基于投资者异质性假设，分析不同类型投资者（如机构投资者和个人投资者）对特质波动率与期望收益率关系的影响，探讨投资者行为差异在其中的作用机制。1.3研究框架与思路本文的研究框架和思路主要围绕中国股票市场横截面特质波动率与期望收益率关系展开，具体内容如下：理论基础分析：梳理现代资产定价理论，如资本资产定价模型（CAPM）、套利定价理论（APT）、Fama-French三因子模型和五因子模型等，深入剖析这些理论中关于特质波动率与期望收益率关系的阐述和假设，明确经典理论中特质风险在资产定价中的地位和作用。同时，对行为金融学理论进行研究，探讨其如何从投资者行为和心理偏差的角度解释特质波动率与期望收益率的异常关系，为后续实证研究提供理论支撑。实证研究设计：确定以中国A股市场为研究对象，选取具有代表性的股票样本和合适的时间区间，以确保研究结果的可靠性和普适性。在数据收集方面，从权威金融数据库获取股票的交易数据、财务数据以及宏观经济数据等，为研究提供充足的数据支持。根据研究目的和数据特点，选择恰当的计量经济学方法，如Fama-MacBeth横截面回归、时间序列回归、分组组合分析等，构建特质波动率与期望收益率的关系模型，并合理选取控制变量，以准确估计特质波动率对期望收益率的影响。结果分析：运用选定的计量方法对数据进行实证分析，得出特质波动率与期望收益率之间的实证关系，并对结果进行详细的统计检验和分析，判断二者关系的显著性、稳定性和经济意义。进一步分析不同市场环境、不同行业板块以及不同投资者结构下特质波动率与期望收益率关系的差异和变化规律，探讨这些因素对二者关系的影响机制。结论与建议：根据实证结果，总结中国股票市场横截面特质波动率与期望收益率关系的特征和规律，验证研究假设是否成立，对研究结果进行全面、深入的讨论和解释，分析研究结果对资产定价理论和投资实践的启示。基于研究结论，从投资者、市场监管部门和金融机构等不同角度提出针对性的政策建议和实践指导，为投资者优化投资决策、监管部门完善市场监管、金融机构创新金融产品和服务提供参考依据，同时指出研究的局限性和未来进一步研究的方向。二、理论基础与文献综述2.1相关概念界定2.1.1横截面特质波动率横截面特质波动率是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，即个股特有的风险因素。它与市场波动率相对，市场波动率反映的是整个市场的系统性风险，而特质波动率体现的是单个股票因自身特性，如公司的财务状况、管理层决策、行业竞争格局、独特的经营事件等所导致的价格波动。在金融市场中，特质波动率对于投资者评估个股风险、构建投资组合以及资产定价都具有重要意义。在度量指标方面，常用的计算方法是通过特定的资产定价模型回归得到残差，然后计算残差的标准差来衡量特质波动率。例如，基于资本资产定价模型（CAPM），其公式为：R_{i,t}-R_{f,t}=\alpha_{i}+\beta_{i}(R_{m,t}-R_{f,t})+\epsilon_{i,t}其中，R_{i,t}是股票i在t时期的收益率，R_{f,t}是t时期的无风险收益率，R_{m,t}是市场组合在t时期的收益率，\alpha_{i}是股票i的超额收益率，\beta_{i}是股票i相对于市场组合的系统性风险系数，\epsilon_{i,t}是回归残差，代表股票i的特质收益率。通过计算一段时间内（如一个月、一年等）残差\epsilon_{i,t}的标准差，就可以得到该股票在这段时间内的特质波动率。在实际应用中，还可以使用Fama-French三因子模型、五因子模型等来计算特质波动率。以Fama-French三因子模型为例，其公式为：R_{i,t}-R_{f,t}=\alpha_{i}+\beta_{i1}(R_{m,t}-R_{f,t})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{i,t}其中，SMB_{t}是规模因子，反映了小市值股票组合与大市值股票组合收益率的差异；HML_{t}是账面市值比因子，反映了高账面市值比股票组合与低账面市值比股票组合收益率的差异。同样，通过计算残差\epsilon_{i,t}的标准差来度量特质波动率。相较于CAPM模型，Fama-French三因子模型考虑了规模和账面市值比等因素对股票收益率的影响，能更全面地捕捉股票的特质风险，使得计算出的特质波动率更能反映个股的真实风险状况。2.1.2期望收益率期望收益率是投资者在投资决策中预期获得的平均收益率，是对投资未来收益的一种预期估计。它是金融投资领域中的核心概念，对于投资者评估投资项目的吸引力、制定投资策略以及进行资产配置都起着关键作用。期望收益率反映了投资者对投资风险的补偿要求，通常与投资的风险程度相关，风险越高，投资者期望获得的收益率也越高。计算期望收益率的模型有多种，其中资本资产定价模型（CAPM）是最为经典和常用的模型之一。CAPM模型基于一系列严格的假设条件，如投资者是理性的、市场是有效的、投资者对资产的预期收益率和风险的估计相同等，认为资产的期望收益率由无风险收益率和风险溢价两部分组成，其计算公式为：E(R_{i})=R_{f}+\beta_{i}(E(R_{m})-R_{f})其中，E(R_{i})是资产i的期望收益率，R_{f}是无风险收益率，通常可以用国债收益率等近似替代；\beta_{i}是资产i的系统性风险系数，衡量资产收益率对市场收益率变动的敏感程度；E(R_{m})是市场组合的期望收益率，E(R_{m})-R_{f}则表示市场风险溢价，即投资者承担市场风险所要求的额外回报。在实际应用中，通过确定无风险收益率、市场组合的期望收益率以及资产的\beta系数，就可以计算出资产的期望收益率。例如，若无风险收益率为3%，市场组合的期望收益率为10%，某股票的\beta系数为1.2，则该股票的期望收益率为3\%+1.2\times(10\%-3\%)=11.4\%。除了CAPM模型，还有套利定价理论（APT）、Fama-French三因子模型和五因子模型等也常用于计算期望收益率。APT模型认为资产的收益率受多个因素的影响，而不仅仅是市场风险，其公式可表示为：E(R_{i})=R_{f}+\sum_{j=1}^{k}\beta_{ij}F_{j}其中，\beta_{ij}是资产i对第j个因素的敏感度，F_{j}是第j个因素的风险溢价，k表示影响资产收益率的因素个数。Fama-French三因子模型在CAPM模型的基础上，加入了规模因子（SMB）和账面市值比因子（HML），公式为：E(R_{i})=R_{f}+\beta_{i1}(E(R_{m})-R_{f})+\beta_{i2}SMB+\beta_{i3}HML五因子模型则在三因子模型的基础上，进一步加入了盈利能力因子（RMW）和投资风格因子（CMA），公式为：E(R_{i})=R_{f}+\beta_{i1}(E(R_{m})-R_{f})+\beta_{i2}SMB+\beta_{i3}HML+\beta_{i4}RMW+\beta_{i5}CMA这些模型从不同角度考虑了影响资产收益率的因素，使得期望收益率的计算更加精确和符合实际市场情况。在中国股票市场中，这些计算期望收益率的模型具有一定的适用性，但也存在一些局限性。由于中国股票市场具有新兴加转轨的特点，市场有效性相对较低，存在较多的噪声交易和非理性投资者行为，这可能导致模型的假设条件在一定程度上不成立。市场的制度环境、监管政策等也会对股票收益率产生影响，而这些因素在传统模型中往往难以完全体现。因此，在应用这些模型计算中国股票市场的期望收益率时，需要结合中国市场的实际情况进行适当调整和改进，如考虑投资者情绪、市场流动性等因素对股票收益率的影响，以提高模型的准确性和适用性。2.2理论基础2.2.1资本资产定价模型（CAPM）资本资产定价模型（CapitalAssetPricingModel，简称CAPM）由威廉・夏普（WilliamSharpe）、约翰・林特纳（JohnLintner）、杰克・特雷诺（JackTreynor）和简・莫辛（JanMossin）等人于1964年在资产组合理论和资本市场理论的基础上发展起来，是现代金融市场价格理论的重要支柱，广泛应用于投资决策和公司理财等领域。CAPM基于一系列严格的假设条件构建。投资者是理性的，追求效用最大化，依据期望收益率评价证券组合的收益水平，依据方差（或标准差）评价证券组合的风险水平，并采用证券投资组合方法选择最优证券组合。所有投资者对证券的收益、风险及证券间的关联性具有完全相同的预期，对期望收益、方差和协方差等的估计完全一致。资本市场没有“摩擦”，即市场对资本和信息自由流动没有阻碍，不存在交易成本和税收，投资者可以无限制地借贷资金，且借贷利率相同。该模型的核心公式为：E(R_{i})=R_{f}+\beta_{i}(E(R_{m})-R_{f})其中，E(R_{i})表示资产i的期望收益率，是投资者在投资决策中预期获得的平均收益率；R_{f}为无风险收益率，通常可以用国债收益率等近似替代，它代表了投资者在无风险情况下可以获得的收益；\beta_{i}是资产i的系统性风险系数，衡量资产收益率对市场收益率变动的敏感程度，反映了资产i的系统性风险水平；E(R_{m})是市场组合的期望收益率，E(R_{m})-R_{f}则表示市场风险溢价，即投资者承担市场风险所要求的额外回报。在解释特质波动率与期望收益率关系方面，CAPM认为在有效市场中，投资者可以通过构建充分分散的投资组合来消除特质风险，只有系统性风险才会得到风险补偿。因此，从理论上来说，特质波动率作为非系统性风险的度量指标，不应影响资产的期望收益率，即特质波动率与期望收益率之间不存在直接的关系。在实际应用中，市场并非完全符合CAPM的假设条件。市场存在信息不对称、投资者非理性行为、交易成本和税收等因素，这些都会导致市场的不完全有效性。投资者往往无法完全分散特质风险，特质波动率可能会对期望收益率产生影响。而且CAPM仅考虑了市场风险这一个因素对期望收益率的影响，忽略了其他可能影响资产定价的因素，如公司规模、账面市值比等。因此，在解释特质波动率与期望收益率关系时，CAPM存在一定的局限性，无法全面准确地解释现实市场中二者之间的复杂关系。2.2.2Fama-French三因子模型与五因子模型Fama-French三因子模型由尤金・法玛（EugeneF.Fama）和肯尼斯・弗伦奇（KennethR.French）于1993年提出，该模型在资本资产定价模型（CAPM）的基础上，加入了规模因子（SMB，SmallMinusBig）和账面市值比因子（HML，HighMinusLow），旨在更全面地解释股票收益率的横截面差异。Fama-French三因子模型公式为：R_{i,t}-R_{f,t}=\alpha_{i}+\beta_{i1}(R_{m,t}-R_{f,t})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{i,t}其中，R_{i,t}是股票i在t时期的收益率；R_{f,t}是t时期的无风险收益率；R_{m,t}是市场组合在t时期的收益率；\alpha_{i}是股票i的超额收益率，代表了除市场风险、规模因子和账面市值比因子之外的其他因素对股票收益率的影响；\beta_{i1}、\beta_{i2}、\beta_{i3}分别是股票i对市场风险因子、规模因子和账面市值比因子的敏感系数；SMB_{t}是规模因子，反映了小市值股票组合与大市值股票组合收益率的差异，通常通过构建市值加权的小市值股票组合（Small）与大市值股票组合（Big）的收益率之差来计算，即SMB_{t}=\frac{1}{3}\sum_{i=1}^{3}R_{Si,t}-\frac{1}{3}\sum_{i=1}^{3}R_{Bi,t}，其中R_{Si,t}是小市值股票组合i在t时期的收益率，R_{Bi,t}是大市值股票组合i在t时期的收益率；HML_{t}是账面市值比因子，反映了高账面市值比股票组合与低账面市值比股票组合收益率的差异，通过构建市值加权的高账面市值比股票组合（High）与低账面市值比股票组合（Low）的收益率之差来计算，即HML_{t}=\frac{1}{2}\sum_{i=1}^{2}R_{Hi,t}-\frac{1}{2}\sum_{i=1}^{2}R_{Li,t}，其中R_{Hi,t}是高账面市值比股票组合i在t时期的收益率，R_{Li,t}是低账面市值比股票组合i在t时期的收益率；\epsilon_{i,t}是回归残差，代表股票i的特质收益率，其标准差可用于衡量特质波动率。Fama-French五因子模型则是在三因子模型的基础上，于2015年进一步加入了盈利能力因子（RMW，RobustMinusWeak）和投资风格因子（CMA，ConservativeMinusAggressive）。五因子模型公式为：R_{i,t}-R_{f,t}=\alpha_{i}+\beta_{i1}(R_{m,t}-R_{f,t})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\beta_{i4}RMW_{t}+\beta_{i5}CMA_{t}+\epsilon_{i,t}其中，RMW_{t}是盈利能力因子，反映了高盈利能力股票组合与低盈利能力股票组合收益率的差异，通过构建市值加权的高盈利能力股票组合（Robust）与低盈利能力股票组合（Weak）的收益率之差来计算；CMA_{t}是投资风格因子，反映了保守投资风格股票组合与激进投资风格股票组合收益率的差异，通过构建市值加权的保守投资风格股票组合（Conservative）与激进投资风格股票组合（Aggressive）的收益率之差来计算。在解释特质波动率和期望收益率关系方面，Fama-French三因子模型和五因子模型通过引入多个风险因子，拓展了对期望收益率的解释能力。相较于CAPM仅考虑市场风险因子，这两个模型考虑了公司规模、账面市值比、盈利能力和投资风格等因素对股票收益率的影响，使得对期望收益率的估计更加准确和全面。在实际应用中，这些因子可以捕捉到更多影响股票价格波动的因素，从而在一定程度上解释特质波动率与期望收益率之间的关系。如果某只股票的特质波动率较高，且其在规模因子、账面市值比因子等方面表现出特定的特征，可能会对其期望收益率产生影响。然而，这两个模型也并非完美。它们仍然基于一些假设条件，如市场有效、投资者理性等，而现实市场中这些假设往往难以完全满足。模型中的因子构建和计算方法也存在一定的主观性和局限性，不同的构建方法可能会导致结果的差异。而且市场环境和经济条件不断变化，模型中的因子可能无法及时反映新出现的风险因素和市场特征，从而影响其对特质波动率和期望收益率关系的解释能力。2.2.3其他相关理论套利定价理论（ArbitragePricingTheory，简称APT）由斯蒂芬・罗斯（StephenRoss）于1976年提出，该理论认为资产的收益率受多个因素的影响，而不仅仅是市场风险，为理解特质波动率与期望收益率关系提供了重要的补充视角。APT的基本假设包括：投资者是追求效用最大化的理性投资者；市场是完全竞争的，不存在交易成本和税收等摩擦因素；资产的收益率可以用一个线性多因素模型来表示，即资产的收益率受到多个共同因素的影响。其公式可表示为：E(R_{i})=R_{f}+\sum_{j=1}^{k}\beta_{ij}F_{j}其中，E(R_{i})是资产i的期望收益率；R_{f}是无风险收益率；\beta_{ij}是资产i对第j个因素的敏感度，衡量资产收益率对该因素变动的反应程度；F_{j}是第j个因素的风险溢价，代表了该因素对资产期望收益率的影响；k表示影响资产收益率的因素个数。在解释特质波动率与期望收益率关系时，APT认为特质波动率作为资产收益率中无法被市场整体波动所解释的部分，可能与多个因素相关。这些因素可以是宏观经济因素，如通货膨胀率、利率、经济增长率等；也可以是微观经济因素，如公司的财务状况、行业竞争格局、管理层决策等。通过识别和分析这些因素与特质波动率以及期望收益率之间的关系，可以更深入地理解二者之间的内在联系。如果某个行业面临重大的政策调整或技术变革，这可能会导致该行业内公司股票的特质波动率增加，同时也会影响其期望收益率。APT强调通过套利机制使市场达到均衡，当资产的实际收益率与根据多因素模型预测的期望收益率不一致时，投资者会进行套利交易，从而推动资产价格调整，使市场恢复均衡。在这个过程中，特质波动率与期望收益率之间的关系也会受到套利行为的影响。除了APT，行为金融学理论也为研究特质波动率与期望收益率关系提供了新的思路。行为金融学理论认为，投资者并非完全理性，存在认知偏差和情绪波动，这些因素会影响投资者的决策行为，进而影响资产价格和收益率。投资者可能存在过度自信、损失厌恶、羊群效应等认知偏差，导致对特质信息的过度反应或反应不足，从而影响股票的特质波动率和期望收益率。投资者对具有较高特质波动率的股票可能会过度乐观或悲观，导致股价偏离其内在价值，进而影响期望收益率。行为金融学理论还关注投资者情绪对市场的影响，投资者情绪的波动可能会导致市场的非理性波动，进而影响特质波动率与期望收益率之间的关系。在市场情绪高涨时，投资者可能会过度追捧高特质波动率的股票，使其价格高估，期望收益率降低；而在市场情绪低落时，投资者可能会过度抛售高特质波动率的股票，使其价格低估，期望收益率升高。2.3文献综述2.3.1国外研究现状国外学者对特质波动率与期望收益率关系的研究起步较早，成果丰富。早期研究多基于有效市场假说和传统资产定价理论，认为特质波动率不应影响期望收益率。斯科尔斯（Scholes）和威廉姆斯（Williams）在1977年的研究中，运用资本资产定价模型（CAPM）对股票收益率进行分析，发现特质波动率在资产定价中并未起到显著作用，这与CAPM理论中关于特质风险可分散、不应获得风险补偿的观点一致。随着研究的深入，越来越多的实证研究发现现实市场中特质波动率与期望收益率之间存在复杂关系，与传统理论相悖，其中最为著名的是“特质波动率之谜”。安格（Ang）、霍德里克（Hodrick）、邢（Xing）和张（Zhang）在2006年发表的论文中，通过对纽约证券交易所（NYSE）、美国证券交易所（AMEX）和纳斯达克（NASDAQ）股票市场的研究发现，特质波动率与横截面收益率呈显著负相关关系，即特质波动率越高，股票的期望收益率越低，这一发现挑战了传统资产定价理论，引发了学术界的广泛关注和深入研究。此后，众多学者从不同角度对“特质波动率之谜”进行解释和验证。在理论方面，米勒（Miller）早在1977年就提出了异质信念理论，认为在卖空限制条件下，投资者的异质信念会导致股票价格被高估，特质波动率越高，价格高估程度越大，从而未来的期望收益率越低。该理论为解释特质波动率与期望收益率的负相关关系提供了重要的理论基础。在实证研究方面，郭（Guo）和萨维卡斯（Savickas）在2010年通过对美国资本市场不同时期的数据进行验证，进一步证实了“特质波动率之谜”的存在，即高特质波动率的股票往往伴随着低收益率。除了异质信念和卖空限制，还有学者从其他因素探讨二者关系。黄（Huang）、基尔科斯（Kirikos）和魏（Wei）在2010年的研究中发现，特质波动率与期望收益率之间的负向关系是因为受到短期月收益反转效应的影响，并且进一步分析认为很可能是买卖价差弹性和市场微观结构导致了短期月收益反转。巴伯里斯（Barberis）和黄（Huang）根据行为金融学的前景理论，研究发现投资者更加愿意参与价格变化幅度大的股票，他们的这种偏好给予了这类型股票较高的预期收益，导致最终股票的价格被高估。在研究方法上，国外学者不断创新和完善。法玛（Fama）和麦克贝斯（MacBeth）于1973年提出的Fama-MacBeth横截面回归方法，被广泛应用于特质波动率与期望收益率关系的研究中，通过该方法可以更准确地估计特质波动率对期望收益率的影响系数。还有学者运用时间序列回归、分组组合分析、事件研究等方法，从不同角度验证和分析二者关系，提高了研究结果的可靠性和稳健性。2.3.2国内研究现状国内学者对中国股票市场特质波动率与期望收益率关系的研究起步相对较晚，但近年来随着中国股票市场的发展和完善，相关研究逐渐增多。涂宏伟在2008年较早地研究了中国市场的特质波动率之谜现象，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，即特质波动率与期望收益率呈负相关关系。杨华蔚和韩立岩在2009年对中国市场进行分析，应用横截面和时间序列分析方法论证了特质波动率对预期收益率有负向的预测能力。徐小君在2010年利用市场风险和偏度风险的两因子模型估计特质波动率，在考虑了系统偏度风险的情况下，仍然发现特质波动率与预期收益之间存在负相关关系。这些研究结果表明，中国股票市场同样存在与国外类似的“特质波动率之谜”。左浩苗、郑鸣和张翼在2011年的研究中发现，在中国股票市场中，特质波动率与股票预期收益率的负向关系在控制了反映异质信念的换手率指标后不再显著，这进一步支持了异质信念和卖空限制对特质波动率与期望收益率关系的影响。刘维奇等在2014年发现，在同时控制了换手率、价格极差和最大日收益这三个反映投资者偏好的指标后，特质波动率与预期收益率的负向关系不再显著，从投资者偏好的角度对特质波动率之谜进行了解释。国内学者还从不同市场环境、行业板块等角度进行研究。熊伟和陈浪南在2015年研究了不同市场态势下特质波动率与预期收益的关系，发现牛市和熊市中二者关系存在差异，牛市中特质波动率与预期收益负相关更显著。朱昌政在2017年对不同行业的特质波动率与期望收益率关系进行分析，发现不同行业之间存在明显差异，信息技术、医药生物等行业的特质波动率与期望收益率关系更为复杂。在研究方法上，国内学者在借鉴国外研究方法的基础上，结合中国股票市场的特点进行改进和创新。除了常用的Fama-MacBeth横截面回归、时间序列回归等方法，还运用面板数据模型、GARCH族模型等，考虑到中国股票市场的波动性、异质性等特征，提高了研究的准确性和针对性。2.3.3研究述评综合国内外研究现状，目前关于特质波动率与期望收益率关系的研究取得了丰硕成果，但仍存在一些不足之处。在理论研究方面，虽然已有多种理论试图解释“特质波动率之谜”，如异质信念理论、行为金融学理论等，但这些理论都存在一定的局限性，无法完全解释现实市场中二者关系的复杂性和多样性，需要进一步完善和拓展理论框架，探索新的理论解释。在实证研究方面，研究结果存在一定的分歧和争议。不同学者使用不同的样本数据、研究方法和模型设定，导致研究结果不尽相同，缺乏统一的结论。特质波动率的度量方法尚未统一，不同的度量方法可能会导致结果的差异，影响研究结论的可靠性和可比性。在研究中对影响特质波动率与期望收益率关系的其他因素考虑不够全面，如宏观经济环境、市场流动性、投资者结构等因素对二者关系的影响研究相对较少，需要进一步深入分析。在研究视角上，现有研究大多从整体市场或行业层面进行分析，对个股层面的研究相对不足，忽略了个股之间的差异对特质波动率与期望收益率关系的影响。而且针对不同市场环境和市场发展阶段的动态研究较少，未能充分揭示二者关系在不同市场条件下的变化规律。本研究将针对以上不足进行改进和拓展。在理论分析方面，综合运用多种理论，深入探讨特质波动率与期望收益率关系背后的经济原理和市场机制，构建更完善的理论分析框架。在实证研究中，采用最新的数据，扩大样本范围，运用多种度量方法计算特质波动率，并进行稳健性检验，以提高研究结果的可靠性和稳定性。综合考虑多种影响因素，构建多因素模型，深入分析各因素对特质波动率与期望收益率关系的影响及其交互作用。从个股层面和动态视角出发，研究不同个股以及不同市场环境下二者关系的差异和变化规律，为投资者和市场监管部门提供更有针对性的决策参考。三、中国股票市场横截面特质波动率与期望收益率关系的实证研究设计3.1数据来源与样本选择本研究的数据主要来源于Wind金融数据库，该数据库提供了丰富且权威的金融市场数据，涵盖了股票的交易数据、财务数据等，能够满足本研究对数据全面性和准确性的要求。为确保数据的可靠性和代表性，本研究选取中国A股市场作为研究对象，样本区间为2015年1月1日至2023年12月31日。在样本选择过程中，遵循以下标准：剔除ST、*ST股票，这类股票由于财务状况异常或其他原因，其交易特征和风险收益特性与正常股票存在较大差异，可能会对研究结果产生干扰。剔除上市时间不足一年的股票，新上市股票在短期内股价波动可能较为异常，且市场对其认知和定价尚未稳定，为保证样本的稳定性和有效性，将其排除在外。剔除金融行业股票，金融行业具有独特的经营模式和监管要求，其财务数据和风险特征与其他行业存在显著差异，单独研究金融行业股票会使研究结果缺乏可比性，因此予以剔除。经过上述筛选过程，最终得到一个包含不同行业、不同规模的股票样本，共计[X]只股票。该样本能够较好地代表中国A股市场的整体情况，为后续研究提供了坚实的数据基础。通过对样本数据的分析，可以更准确地揭示中国股票市场横截面特质波动率与期望收益率之间的关系，避免因样本选择偏差而导致的研究结果失真。3.2变量定义与度量3.2.1横截面特质波动率的度量在度量横截面特质波动率时，本研究选择基于Fama-French三因子模型来计算。Fama-French三因子模型在传统资本资产定价模型（CAPM）的基础上，引入了规模因子（SMB）和账面市值比因子（HML），能够更全面地捕捉影响股票收益率的因素，从而使计算出的特质波动率更能反映个股的真实风险状况。众多学者的研究也表明，Fama-French三因子模型在度量特质波动率方面具有较好的效果和广泛的应用。具体计算过程如下：首先，运用Fama-French三因子模型对股票收益率进行回归，公式为：R_{i,t}-R_{f,t}=\alpha_{i}+\beta_{i1}(R_{m,t}-R_{f,t})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{i,t}其中，R_{i,t}是股票i在t时期的收益率，通过每日股票收盘价计算得出，公式为R_{i,t}=\frac{P_{i,t}-P_{i,t-1}+D_{i,t}}{P_{i,t-1}}，其中P_{i,t}是股票i在t日的收盘价，P_{i,t-1}是前一日收盘价，D_{i,t}是t期获得的股息；R_{f,t}是t时期的无风险收益率，选取一年期国债收益率作为无风险收益率的近似值，数据来源于中国债券信息网；R_{m,t}是市场组合在t时期的收益率，采用沪深300指数收益率来代表市场收益率，数据可从Wind数据库获取；\alpha_{i}是股票i的超额收益率，代表了除市场风险、规模因子和账面市值比因子之外的其他因素对股票收益率的影响；\beta_{i1}、\beta_{i2}、\beta_{i3}分别是股票i对市场风险因子、规模因子和账面市值比因子的敏感系数；SMB_{t}是规模因子，反映了小市值股票组合与大市值股票组合收益率的差异，通过构建市值加权的小市值股票组合（Small）与大市值股票组合（Big）的收益率之差来计算，具体构建方法为：每月末，按照股票市值将样本股票分为两组，市值较小的一组为小市值组合，市值较大的一组为大市值组合，分别计算两组组合的市值加权平均收益率，然后计算二者的差值作为SMB_{t}；HML_{t}是账面市值比因子，反映了高账面市值比股票组合与低账面市值比股票组合收益率的差异，通过构建市值加权的高账面市值比股票组合（High）与低账面市值比股票组合（Low）的收益率之差来计算，构建方法为：每月末，按照账面市值比将样本股票分为两组，账面市值比较高的一组为高账面市值比组合，账面市值比较低的一组为低账面市值比组合，分别计算两组组合的市值加权平均收益率，然后计算二者的差值作为HML_{t}；\epsilon_{i,t}是回归残差，代表股票i的特质收益率。在得到回归残差\epsilon_{i,t}后，通过计算一段时间内（如一个月）残差的标准差来得到股票i在该时期的特质波动率，公式为：IVOL_{i,t}=\sqrt{\frac{1}{N-1}\sum_{t=1}^{N}(\epsilon_{i,t}-\overline{\epsilon_{i}})^2}其中，IVOL_{i,t}表示股票i在t时期的特质波动率，N是计算期内的交易天数，\overline{\epsilon_{i}}是股票i在计算期内特质收益率的均值。通过这种方法，能够准确地度量每只股票在不同时期的横截面特质波动率，为后续研究提供可靠的数据基础。3.2.2期望收益率的度量本研究采用Fama-MacBeth横截面回归方法来度量期望收益率。Fama-MacBeth横截面回归方法可以有效地控制其他因素对期望收益率的影响，从而更准确地估计特质波动率与期望收益率之间的关系，在相关研究中被广泛应用。具体步骤如下：首先，确定影响期望收益率的因素，除了特质波动率外，还考虑市场风险因子、规模因子、账面市值比因子等。这些因素在金融理论和实证研究中被证明对股票收益率具有重要影响。构建如下回归模型：E(R_{i,t})=\alpha_{0}+\alpha_{1}IVOL_{i,t-1}+\alpha_{2}MKT_{t-1}+\alpha_{3}SMB_{t-1}+\alpha_{4}HML_{t-1}+\sum_{j=1}^{n}\alpha_{j+4}Control_{j,i,t-1}+\epsilon_{i,t}其中，E(R_{i,t})是股票i在t时期的期望收益率；IVOL_{i,t-1}是股票i在t-1时期的特质波动率，采用上文基于Fama-French三因子模型计算得出的结果；MKT_{t-1}是t-1时期的市场风险因子，即市场组合收益率与无风险收益率之差，MKT_{t-1}=R_{m,t-1}-R_{f,t-1}；SMB_{t-1}和HML_{t-1}分别是t-1时期的规模因子和账面市值比因子，计算方法同前文所述；Control_{j,i,t-1}是一系列控制变量，j=1,2,\cdots,n，包括公司规模（Size）、账面市值比（BM）、换手率（Turnover）等，这些控制变量的选择基于相关研究和理论分析，它们对股票收益率可能产生影响，需要在模型中进行控制，以准确估计特质波动率对期望收益率的作用；\alpha_{0},\alpha_{1},\cdots,\alpha_{n+4}是回归系数；\epsilon_{i,t}是回归残差。在每个时期（如每月），对所有股票进行上述横截面回归，得到回归系数\alpha_{1},\alpha_{2},\cdots,\alpha_{n+4}的估计值。然后，对这些估计值进行时间序列平均，得到平均回归系数，这些平均回归系数可以用于预测股票的期望收益率。通过这种方法，能够综合考虑多种因素对期望收益率的影响，准确地度量中国股票市场中股票的期望收益率。3.2.3控制变量的选择与度量为了更准确地研究横截面特质波动率与期望收益率之间的关系，本研究选取了以下控制变量：公司规模（Size）：公司规模是影响股票收益率的重要因素之一，通常大公司的风险相对较低，收益也较为稳定。在度量公司规模时，采用公司的流通市值来表示，公式为Size_{i,t}=P_{i,t}\timesShares_{i,t}，其中P_{i,t}是股票i在t时期的收盘价，Shares_{i,t}是股票i在t时期的流通股数量，数据均来源于Wind数据库。公司规模对研究的影响在于，它可能与特质波动率和期望收益率都存在相关性，若不加以控制，可能会干扰对二者关系的准确判断。规模较大的公司可能具有更强的抗风险能力，特质波动率相对较低，同时其期望收益率也可能受到公司规模优势的影响。账面市值比（BM）：账面市值比反映了公司的价值被市场高估或低估的程度，对股票收益率有重要影响。计算方法为BM_{i,t}=\frac{BookValue_{i,t}}{MarketValue_{i,t}}，其中BookValue_{i,t}是公司i在t时期的账面净资产，MarketValue_{i,t}是公司i在t时期的市场价值，即流通市值。账面市值比高的公司可能被市场认为是价值型公司，其股票收益率可能与账面市值比低的成长型公司不同，在研究特质波动率与期望收益率关系时，控制账面市值比可以排除这一因素的干扰。若不控制账面市值比，可能会将账面市值比对收益率的影响错误地归结到特质波动率上。换手率（Turnover）：换手率反映了股票的交易活跃程度，在一定程度上可以衡量投资者的交易行为和市场情绪。计算公式为Turnover_{i,t}=\frac{Volume_{i,t}}{Shares_{i,t}}，其中Volume_{i,t}是股票i在t时期的成交股数，Shares_{i,t}是股票i在t时期的流通股数量。换手率高的股票可能表明市场对其关注度高，投资者交易频繁，这可能会影响股票的价格波动和期望收益率。在研究中控制换手率，可以避免因投资者交易行为对特质波动率与期望收益率关系的干扰。若不控制换手率，可能会使研究结果受到市场交易活跃程度的影响，无法准确反映特质波动率与期望收益率之间的真实关系。动量效应（Momentum）：动量效应是指过去表现好的股票在未来一段时间内继续表现良好，而过去表现差的股票在未来表现仍然较差的现象。本研究采用过去12个月的累计收益率来度量动量效应，公式为Momentum_{i,t}=\prod_{k=t-12}^{t-1}(1+R_{i,k})-1，其中R_{i,k}是股票i在k时期的收益率。动量效应会影响股票的期望收益率，在研究特质波动率与期望收益率关系时，控制动量效应可以更准确地分析二者之间的关系。若不考虑动量效应，可能会使研究结果受到股票过去收益趋势的影响，无法准确揭示特质波动率对期望收益率的影响。3.3研究模型构建为深入研究中国股票市场横截面特质波动率与期望收益率之间的关系，本研究构建如下Fama-MacBeth横截面回归模型：E(R_{i,t})=\alpha_{0}+\alpha_{1}IVOL_{i,t-1}+\alpha_{2}MKT_{t-1}+\alpha_{3}SMB_{t-1}+\alpha_{4}HML_{t-1}+\alpha_{5}Size_{i,t-1}+\alpha_{6}BM_{i,t-1}+\alpha_{7}Turnover_{i,t-1}+\alpha_{8}Momentum_{i,t-1}+\epsilon_{i,t}模型设定依据如下：Fama-MacBeth横截面回归方法能够有效控制其他因素对期望收益率的影响，在金融实证研究中被广泛应用于探究变量之间的横截面关系，适合本研究分析特质波动率与期望收益率在不同股票横截面数据上的关系。在模型中纳入多个风险因子和控制变量，是基于相关金融理论和已有研究成果。资本资产定价模型（CAPM）表明市场风险因子对期望收益率有重要影响，Fama-French三因子模型在此基础上引入规模因子和账面市值比因子，能更全面地解释股票收益率的横截面差异。加入公司规模、账面市值比、换手率和动量效应等控制变量，是因为这些因素在以往研究中被证明与股票收益率密切相关，控制它们可以更准确地揭示特质波动率与期望收益率之间的真实关系。模型中各变量含义如下：E(R_{i,t})表示股票i在t时期的期望收益率，是本研究的被解释变量，反映投资者对该股票在未来时期预期获得的平均收益率。IVOL_{i,t-1}是股票i在t-1时期的特质波动率，采用基于Fama-French三因子模型计算得出的结果，是本研究的核心解释变量，用于衡量股票的特质风险水平，探究其对期望收益率的影响。MKT_{t-1}为t-1时期的市场风险因子，即市场组合收益率与无风险收益率之差，MKT_{t-1}=R_{m,t-1}-R_{f,t-1}，反映了市场整体风险对股票期望收益率的影响。SMB_{t-1}和HML_{t-1}分别是t-1时期的规模因子和账面市值比因子，计算方法同前文所述，用于控制公司规模和账面市值比对期望收益率的影响。Size_{i,t-1}、BM_{i,t-1}、Turnover_{i,t-1}、Momentum_{i,t-1}分别是股票i在t-1时期的公司规模、账面市值比、换手率和动量效应，作为控制变量，具体计算方法和含义如前文变量定义与度量部分所述。\alpha_{0},\alpha_{1},\cdots,\alpha_{8}是回归系数，反映各变量对期望收益率的影响程度和方向，其中\alpha_{1}是本研究重点关注的系数，其正负和显著性反映了特质波动率与期望收益率之间的关系。\epsilon_{i,t}是回归残差，代表模型中未被解释的部分，包含了其他可能影响股票收益率但未被纳入模型的因素。四、实证结果与分析4.1描述性统计分析对样本数据中各变量进行描述性统计分析，结果如表1所示。变量观测值均值标准差最小值最大值期望收益率（E(R)）[X][X][X][X][X]特质波动率（IVOL）[X][X][X][X][X]市场风险因子（MKT）[X][X][X][X][X]规模因子（SMB）[X][X][X][X][X]账面市值比因子（HML）[X][X][X][X][X]公司规模（Size）[X][X][X][X][X]账面市值比（BM）[X][X][X][X][X]换手率（Turnover）[X][X][X][X][X]动量效应（Momentum）[X][X][X][X][X]从表1可以看出，期望收益率的均值为[X]，标准差为[X]，表明样本股票的期望收益率存在一定的波动，不同股票之间的期望收益率差异较大。特质波动率的均值为[X]，标准差为[X]，说明样本股票的特质风险水平参差不齐，部分股票的特质波动率较高，反映出这些股票的价格波动受自身特有因素影响较大。市场风险因子（MKT）的均值和标准差分别为[X]和[X]，体现了市场整体风险的波动情况。规模因子（SMB）和账面市值比因子（HML）的均值和标准差也反映了不同规模和账面市值比股票组合之间收益率的差异和波动。公司规模（Size）的均值和标准差表明样本中公司规模分布较为广泛，存在较大规模和较小规模的公司。账面市值比（BM）的统计结果显示不同公司的账面市值比存在差异，反映了市场对不同公司价值的评估差异。换手率（Turnover）的均值和标准差体现了样本股票交易活跃程度的差异，部分股票交易活跃度较高，而部分股票交易相对不活跃。动量效应（Momentum）的统计数据反映了样本股票过去收益趋势的变化情况，不同股票的动量效应表现不同。通过对各变量的描述性统计分析，可以初步了解样本数据的特征和分布情况，为后续的实证分析提供基础。这些统计结果也反映出中国股票市场的复杂性和多样性，不同股票在风险、收益、公司特征以及市场交易等方面存在显著差异。4.2相关性分析对各变量进行Pearson相关性分析，结果如表2所示。变量期望收益率（E(R)）特质波动率（IVOL）市场风险因子（MKT）规模因子（SMB）账面市值比因子（HML）公司规模（Size）账面市值比（BM）换手率（Turnover）动量效应（Momentum）期望收益率（E(R)）1[X][X][X][X][X][X][X][X]特质波动率（IVOL）[X]1[X][X][X][X][X][X][X]市场风险因子（MKT）[X][X]1[X][X][X][X][X][X]规模因子（SMB）[X][X][X]1[X][X][X][X][X]账面市值比因子（HML）[X][X][X][X]1[X][X][X][X]公司规模（Size）[X][X][X][X][X]1[X][X][X]账面市值比（BM）[X][X][X][X][X][X]1[X][X]换手率（Turnover）[X][X][X][X][X][X][X]1[X]动量效应（Momentum）[X][X][X][X][X][X][X][X]1从表2可以看出，特质波动率与期望收益率之间的相关系数为[X]，在[具体显著性水平]上显著，初步表明二者之间存在[正/负]相关关系，这与部分已有研究结果[相符/不符]，为进一步深入分析二者关系提供了线索。市场风险因子（MKT）与期望收益率的相关系数为[X]，且在[具体显著性水平]上显著，说明市场风险对期望收益率有重要影响，市场整体风险的变化会引起期望收益率的相应变动。规模因子（SMB）和账面市值比因子（HML）与期望收益率也存在一定的相关性，相关系数分别为[X]和[X]，且在[具体显著性水平]上显著，表明公司规模和账面市值比也是影响期望收益率的重要因素。公司规模（Size）与账面市值比（BM）之间的相关系数为[X]，说明二者之间存在一定的关联，公司规模的大小可能会影响其账面市值比。换手率（Turnover）与期望收益率的相关系数为[X]，表明换手率在一定程度上反映了市场交易活跃程度和投资者情绪，对期望收益率有一定的影响。动量效应（Momentum）与期望收益率的相关系数为[X]，体现了股票过去收益趋势对期望收益率的影响。通过相关性分析，可以初步判断各变量之间的关系，为后续构建回归模型提供参考。但相关性分析只能反映变量之间的线性相关程度，并不能确定变量之间的因果关系，因此还需要进一步进行回归分析来深入探究特质波动率与期望收益率之间的关系。在进行回归分析前，还需对各变量进行共线性检验，以确保模型的可靠性。从相关性分析结果来看，各变量之间的相关系数绝对值大多小于0.8，初步判断不存在严重的共线性问题，但仍需进行更严格的共线性检验，如方差膨胀因子（VIF）检验。4.3回归结果分析4.3.1基准回归结果对构建的Fama-MacBeth横截面回归模型进行估计，得到基准回归结果如表3所示。|变量|系数|标准误|t值|P>|t||[95%置信区间]||----|----|----|----|----|----||特质波动率（IVOL）|[X]|[X]|[X]|[X]|[X]，[X]||市场风险因子（MKT）|[X]|[X]|[X]|[X]|[X]，[X]||规模因子（SMB）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比因子（HML）|[X]|[X]|[X]|[X]|[X]，[X]||公司规模（Size）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比（BM）|[X]|[X]|[X]|[X]|[X]，[X]||换手率（Turnover）|[X]|[X]|[X]|[X]|[X]，[X]||动量效应（Momentum）|[X]|[X]|[X]|[X]|[X]，[X]||常数项|[X]|[X]|[X]|[X]|[X]，[X]|从表3的回归结果可以看出，特质波动率（IVOL）的系数为[X]，在[具体显著性水平]上显著，这表明特质波动率与期望收益率之间存在[正/负]相关关系。若系数为正，说明特质波动率越高，股票的期望收益率越高；若系数为负，则说明特质波动率越高，股票的期望收益率越低。这一结果与部分已有研究结果[相符/不符]，进一步验证了中国股票市场中特质波动率与期望收益率关系的复杂性。市场风险因子（MKT）的系数在[具体显著性水平]上显著为正，表明市场风险对期望收益率有显著的正向影响，市场整体风险的增加会导致股票期望收益率上升，这与资本资产定价模型（CAPM）的理论预期一致。规模因子（SMB）和账面市值比因子（HML）的系数也在[具体显著性水平]上显著，分别反映了公司规模和账面市值比对期望收益率的影响。规模因子系数的正负反映了小市值股票和大市值股票期望收益率的差异，账面市值比因子系数的正负则体现了高账面市值比股票和低账面市值比股票期望收益率的不同。公司规模（Size）、账面市值比（BM）、换手率（Turnover）和动量效应（Momentum）等控制变量的系数也大多在[具体显著性水平]上显著，说明这些因素对期望收益率均有一定的影响。公司规模越大，期望收益率可能会受到规模效应的影响而发生变化；账面市值比反映了公司的价值评估，对期望收益率有显著作用；换手率体现了市场交易活跃程度和投资者情绪，对期望收益率产生影响；动量效应反映了股票过去收益趋势，同样对期望收益率有影响。4.3.2稳健性检验为确保基准回归结果的可靠性和稳定性，本研究采用多种方法进行稳健性检验。采用基于Fama-French五因子模型计算特质波动率，即在原有三因子模型的基础上，加入盈利能力因子（RMW）和投资风格因子（CMA）。运用五因子模型对股票收益率进行回归：R_{i,t}-R_{f,t}=\alpha_{i}+\beta_{i1}(R_{m,t}-R_{f,t})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\beta_{i4}RMW_{t}+\beta_{i5}CMA_{t}+\epsilon_{i,t}然后计算回归残差的标准差得到特质波动率。将基于五因子模型计算的特质波动率代入原回归模型进行估计，结果如表4所示。|变量|系数|标准误|t值|P>|t||[95%置信区间]||----|----|----|----|----|----||特质波动率（IVOL）|[X]|[X]|[X]|[X]|[X]，[X]||市场风险因子（MKT）|[X]|[X]|[X]|[X]|[X]，[X]||规模因子（SMB）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比因子（HML）|[X]|[X]|[X]|[X]|[X]，[X]||盈利能力因子（RMW）|[X]|[X]|[X]|[X]|[X]，[X]||投资风格因子（CMA）|[X]|[X]|[X]|[X]|[X]，[X]||公司规模（Size）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比（BM）|[X]|[X]|[X]|[X]|[X]，[X]||换手率（Turnover）|[X]|[X]|[X]|[X]|[X]，[X]||动量效应（Momentum）|[X]|[X]|[X]|[X]|[X]，[X]||常数项|[X]|[X]|[X]|[X]|[X]，[X]|从表4结果可以看出，特质波动率（IVOL）的系数符号和显著性与基准回归结果[基本一致/有所不同]，说明在采用不同的特质波动率度量方法后，特质波动率与期望收益率之间的关系仍然[稳定/发生变化]，验证了结果的稳健性。若系数符号和显著性基本一致，表明不同度量方法下二者关系的稳定性；若有所不同，则需进一步分析差异原因，如不同因子对特质波动率和期望收益率关系的影响。将样本区间划分为牛市和熊市两个子区间，分别进行回归分析。参考市场常用的牛熊市划分标准，如沪深300指数涨幅超过[X]%为牛市，跌幅超过[X]%为熊市。牛市子区间回归结果如表5所示，熊市子区间回归结果如表6所示。|变量|系数|标准误|t值|P>|t||[95%置信区间]||----|----|----|----|----|----||特质波动率（IVOL）|[X]|[X]|[X]|[X]|[X]，[X]||市场风险因子（MKT）|[X]|[X]|[X]|[X]|[X]，[X]||规模因子（SMB）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比因子（HML）|[X]|[X]|[X]|[X]|[X]，[X]||公司规模（Size）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比（BM）|[X]|[X]|[X]|[X]|[X]，[X]||换手率（Turnover）|[X]|[X]|[X]|[X]|[X]，[X]||动量效应（Momentum）|[X]|[X]|[X]|[X]|[X]，[X]||常数项|[X]|[X]|[X]|[X]|[X]，[X]||变量|系数|标准误|t值|P>|t||[95%置信区间]||----|----|----|----|----|----||特质波动率（IVOL）|[X]|[X]|[X]|[X]|[X]，[X]||市场风险因子（MKT）|[X]|[X]|[X]|[X]|[X]，[X]||规模因子（SMB）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比因子（HML）|[X]|[X]|[X]|[X]|[X]，[X]||公司规模（Size）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比（BM）|[X]|[X]|[X]|[X]|[X]，[X]||换手率（Turnover）|[X]|[X]|[X]|[X]|[X]，[X]||动量效应（Momentum）|[X]|[X]|[X]|[X]|[X]，[X]||常数项|[X]|[X]|[X]|[X]|[X]，[X]|对比表5和表6结果，特质波动率（IVOL）在牛市和熊市子区间的系数符号和显著性与基准回归结果[进行比较]，发现二者在不同市场环境下的关系[是否稳定]。若在牛市和熊市中系数符号和显著性基本一致，说明市场环境变化对特质波动率与期望收益率关系影响较小；若存在差异，则需分析市场环境因素，如投资者情绪、市场流动性等对二者关系的作用机制。通过以上稳健性检验，结果表明在采用不同的特质波动率度量方法和划分不同样本区间的情况下，中国股票市场横截面特质波动率与期望收益率之间的关系仍然[稳定/不稳定]，验证了基准回归结果的可靠性和稳健性。若结果稳定，为研究结论提供了有力支持；若不稳定，则需进一步深入分析原因，完善研究结论。4.4异质性分析4.4.1分市场板块分析将样本股票按照市场板块划分为主板、创业板等，分别对各板块进行回归分析，以探究不同市场板块中特质波动率与期望收益率关系的差异。主板市场作为中国股票市场的核心板块，上市企业多为大型成熟企业，具有规模大、业绩相对稳定、行业代表性强等特点。创业板市场则主要面向高科技、高成长的中小企业，企业创新性较强，但规模相对较小，业绩波动较大，风险水平较高。对主板市场样本进行回归分析，结果如表7所示。|变量|系数|标准误|t值|P>|t||[95%置信区间]||----|----|----|----|----|----||特质波动率（IVOL）|[X]|[X]|[X]|[X]|[X]，[X]||市场风险因子（MKT）|[X]|[X]|[X]|[X]|[X]，[X]||规模因子（SMB）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比因子（HML）|[X]|[X]|[X]|[X]|[X]，[X]||公司规模（Size）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比（BM）|[X]|[X]|[X]|[X]|[X]，[X]||换手率（Turnover）|[X]|[X]|[X]|[X]|[X]，[X]||动量效应（Momentum）|[X]|[X]|[X]|[X]|[X]，[X]||常数项|[X]|[X]|[X]|[X]|[X]，[X]|对创业板市场样本进行回归分析，结果如表8所示。|变量|系数|标准误|t值|P>|t||[95%置信区间]||----|----|----|----|----|----||特质波动率（IVOL）|[X]|[X]|[X]|[X]|[X]，[X]||市场风险因子（MKT）|[X]|[X]|[X]|[X]|[X]，[X]||规模因子（SMB）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比因子（HML）|[X]|[X]|[X]|[X]|[X]，[X]||公司规模（Size）|[X]|[X]|[X]|[X]|[X]，[X]||账面市值比（BM）|[X]|[X]|[X]|[X]|[X]，[X]||换手率（Turnover）|[X]|[X]|[X]|[X]|[X]，[X]||动量效应（Momentum）|[X]|[X]|[X]|[X]|[X]，[X]||常数项|[X]|[X]|[X]|[X]|[X]，[X]|对比表7和表8结果发现，主板市场和创业板市场中特质波动率与期望收益率的关系存在差异。在主板市场中，特质波动率（IVOL）的系数为[X]，在[具体显著性水平]上显著，表明特质波动率与期望收益率存在[正/负]相关关系。而在创业板市场中，特质波动率（IVOL）的系数为[X]，在[具体显著性水平]上显著，与主板市场相比，系数的符号和大小均有所不同，显示出二者关系的差异。这种差异可能源于以下原因：主板上市企业多为成熟企业，市场对其了解较为充分，信息相对对称，特质波动率对期望收益率的影响相对较小。这些企业通常具有较强的抗风险能力和稳定的现金流，投资者对其风险和收益的预期相对稳定，特质波动率的变化对期望收益率的影响有限。创业板企业多为高成长、高科技企业，其发展前景不确定性较大，信息不对称程度较高。这类企业往往处于创新和扩张阶段，业务模式和盈利能力尚未完全成熟，面临更多的技术风险、市场风险和竞争风险。投资者对创业板企业的未来发展预期存在较大分歧，特质波动率的变化更容易引起投资者对企业风险和收益预期的改变，从而对期望收益率产生较大影响。创业板市场的投资者结构和交易特点也可能导致特质波动率与期望收益率关系的差异。创业板市场投资者中个人投资者占比较高，投资者风险偏好相对较高，交易活跃度较大，市场情绪对股价波动的影响更为明显。在这种情况下，特质波动率的变化可能会引发投资者情绪的波动，进而影响期望收益率。4.4.2分行业分析将样本股票按照申万一级行业分类标准划分为多个行业，分别对各行业进行回归分析，研究不同行业中特质波动率与期望收益率关系的特点和影响因素。不同行业由于其自身的行业特性、市场竞争格局、宏观经济环境等因素的差异，特质波动率与期望收益率的关系可能存在显著不同。对各行业进行回归分析后，部分行业的回归结果如表9所示。|行业|特质波动率（IVOL）系数|标准误|t值|P>|t||[95%置信区间]||----|----|----|----|----|----||食品饮料|[X]|[X]|[X]|[X]|[X]，[X]||医药生物|[X]|[X]|[X]|[X]|[X]，[X]||电子|[X]|[X]|[X]|[X]|[X]，[X]||房地产|[X]|[X]|[X]|[X]|[X]，[X]||公用事业|[X]|[X]|[X]|[X]|[X]，[X]|从表9可以看出，不同行业中特质波动率与期望收益率的关系存在明显差异。在食品饮料行业，特质波动率（IVOL）的系数为[X]，在[具体显著性水平]上显著，表明特质波动率与期望收益率存在[正/负]相关关系。食品饮料行业属于必需消费品行业，需求相对稳定，受宏观经济波动影响较小，企业经营风险相对较低。行业内企业品牌效应和市场份额较为稳定，特质波动率对期望收益率的影响相对较弱。在医药生物行业，特质波动率（IVOL）的系数为[X]，在[具体显著性水平]上显著，与食品饮料行业相比，系数的符号和大小不同。医药生物行业具有研发周期长、投入高、风险大的特点，企业的研发成果、药品审批等因素会导致特质波动率较高。投资者对医药生物企业的研发前景和市场竞争力关注度较高，特质波动率的变化可能会引起投资者对企业未来收益预期的较大改变，从而对期望收益率产生重要影响。电子行业特质波动率（IVOL）的系数为[X]，在[具体显著性水平]上显著。电子行业技术更新换代快，市场竞争激烈，企业面临的技术风险、市场风险和竞争风险较大，特质波动率相对较高。行业的快速发展和变化使得投资者对电子企业的未来发展预期存在较大差异，特质波动率的变化对期望收益率的影响