下载掌阅APP，畅读海量书库
立即打开
2020年，恰逢中国资本市场建立三十周年。所谓三十而立，我国资本市场栉风沐雨三十年，取得了跨越式的发展和举世瞩目的成就，如今已是一派春华秋实之象。就我国A股市场而言，截至2020年年底，上海证券交易所上市公司总数达1 843家，总市值达45.5万亿元，流通市值达38.0万亿元；深圳证券交易所上市公司总数达2 354家，总市值达34.2万亿元，流通市值达26.4万亿元；两市市值总规模从1990年成立之初的23亿元陡增至80万亿元，占我国2020年全年GDP的78％；投资者开户人数达1.75亿
。回顾历史，我国资本市场仅用了三十年的时间，便几乎走过了西方国家上百年的发展历程，发展成为全球市值第二大资本市场，体现出强劲的后发优势。如今，我国资本市场已然在助力整个国民经济发展中扮演着牵一发而动全身的重要角色。
然而，在取得亮眼成绩的背后，我国资本市场先天发育不足，计划经济痕迹明显，市场结构不均衡与资源配置不合理的缺陷愈发显露无遗，诸如IPO发行行政化、“政策市”闹剧、投资者“巨婴症”等一系列问题如影随形。2016年，被称为史上最短命股市机制的“熔断机制（Circuit Breaker）”掀起的“腥风血雨”至今仍让人历历在目。2016年1月1日，中国证券市场正式实施“熔断机制”，旨在帮助市场降温，防止恐慌情绪蔓延导致市场产生更大的波动。然而，该机制在实际运作中，不仅没有发挥维护市场稳定的功效，反而引起“磁吸效应假说”
，加剧了市场暴跌。在熔断机制实施后的首个交易日，中国股市便连续两次触发熔断阈值致使其提前收市。仅相隔两天后的1月7日，股市在开盘12分钟便触发了5％的熔断阈值，复盘后，市场交易仅持续一分钟便再次触发7％的熔断阈值，致全天闭市，市场当日总交易时长不足30分钟。熔断机制于1月8日被中国证监管会暂停实施，仅存活了7天。熔断机制风波充分凸显了我国证券市场监管机构在认知影响市场波动的因素及市场运行规律上存在严重不足，政策制定缺乏合理的科学依据，从而险些导致系统性风险爆发
。实际上，各国政府在许多重大经济政策的决断上，都缺乏对复杂经济运行体背后的运行机制和发展规律的深入理解，最终导致决策的失误。牛津大学Doyne Farmer教授等2009年于《自然》杂志上发表文章，明确指出“美国奥巴马政府的政策失误源于对复杂经济运作机制的认知不足，没能科学地应用智能计算模型去捕捉和分析经济规律的运作本质，从而无法制定出合理的政策”（Farmer and Foley, 2009）。因此，如何真正理解我国证券市场微观结构和内在运行机理，有效分析和捕捉影响证券市场波动的本质因素，并对复杂的证券市场运行过程进行合理建模，从而洞悉复杂且动态变化的市场运行全貌，是资本市场波动风险研究面临的一个巨大挑战，其对政策制定者、上市公司、及所有市场参与者而言都至关重要。
事实上，证券市场是一个复杂的动态系统，其波动受到各种因素的共同影响。在传统金融学研究中，证券市场的波动通常被诠释为资产价格围绕宏观经济运行态势、行业和企业基本情况等基本面信息
在一定范围内产生波动。有效市场假说（Efficient Market Hypothesis, EMH）指出，只要证券市场具有弱式有效性（Weak Form Efficiency），证券价格的波动即遵循随机漫步理论（Random Walk Theory），资产价格反映了理性的投资者对资产未来价值的合理现值的期望（Fama, 1965；Fama et al., 1969；Malkiel and Fama, 1970；Samuelson, 1965）。具体而言，Sharpe（1964）、Lintner（1965）和Mossin（1966）认为，资产的预期超额收益率由市场组合的预期超额收益率和市场风险决定。Ross（1976）提出套利定价理论（Arbitrage Pricing Theory, APT），进一步指出资产组合的预期收益率不仅由组合内风险决定，还受到各种外部宏微观因素的影响。诺贝尔经济学奖获得者尤金·砝玛（Eugene F. Fama）等进一步将资产波动的影响因子归结为市场超额回报率、公司账面市值比、市值大小、公司盈利能力，以及公司投资情况（Fama and French, 1993，2015）。然而，有效市场假说是以“理性投资者假设”“随机游走假说”和“套利定价理论”为前提的。在现实的资本市场中，上述假设难以完全成立，有效市场假说因而无法有效解释诸如动量效应、反转效应、季节效应、赢家输家效应、联动效应等一系列资本市场波动异象（Brennan, et al., 1998；Brennan, et al., 1993；Chan, et al., 1996；De Bondt and Thaler, 1985；Huberman and Regev, 2001；Rashes, 2001）。因此，影响证券市场波动的因素仍亟待探寻。
现代行为金融学从“非理性投资者”（De Long, et al., 1990；Shleifer and Vishny, 1997）的角度出发，认为投资者的认知偏差（cognitive bias）和有限理性会导致情绪化的投资行为，从而引起资产价格呈现出与其基本面信息无关的波动异象（De Long, et al., 1990；Green and Jame, 2013；Hirshleifer, et al., 2018；Hirshleifer, et al., 2009；Huberman and Regev, 2001；Roll, 1988；Shiller, 2003）。随着互联网时代的到来，媒体信息通过网络广泛传播，对证券市场波动产生了强烈的冲击，逐渐成为引起投资者“非理性行为”的主导因素，并被主流金融学认可（Calomiris and Mamaysky, 2019；Das and Chen, 2007；Engelberg and Parsons, 2011；Fang and Peress, 2009；Loughran and McDonald, 2011）。其中，最具代表性的研究成果是Tetlcock在金融学期刊 Journal of Finance 上连续发表的两篇研究论文。Tetlock（2007）和Tetlock, et al．（2008）通过对20年的《华尔街日报》的新闻内容进行分析，开创性地论证了运用新闻内容捕捉投资者非理性行为对相关资产价格波动影响的有效性。Calomiris and Mamaysky（2019）在金融学期刊 Journal of Financial Economics 上发表论文，通过对51个国家的证券市场的检验，发现分析财经新闻中包含的信息，能够有效预判一个国家证券市场的未来发展趋势，进一步奠定了媒体信息对证券市场波动影响的理论与实证基础。
上述研究清晰地刻画了各类风险因素与预期收益率之间的关系，为真正认知证券市场波动提供了理论依据和方法指导。但是，这些研究都是从企业自身出发的，以单个资产的视角解释不同风险因素如何影响一个企业的资本成本（cost of capital）和预期收益率（expected return）的问题，忽略了资产之间的关联关系对不同资产预期收益率的影响作用。事实上，资本市场涵盖了多样资产和各类市场参与者，是一个复杂且不断变化的综合系统。在这个系统中，各个企业之间因其内在价值的关联性、公司之间的合作与竞争、投资者对不同资产的认知和比较，以及市场监管部门的监管需求而产生不同类别的关联，构成了一个复杂而动态变化的企业关联网络。在这个企业网络中，某一节点（企业）在市场运行过程中的变化，会对与之关联的企业产生不同程度的影响作用（Ahern and Harford, 2014），忽视企业之间的关联关系对资产价格波动的影响无疑扭曲了对真实资产价格运行机理的认知与理解。
值得庆幸的是，近十几年来，越来越多的金融学研究成果指出，企业之间的关联关系是影响资产价格波动的重要因素（Ahern and Harford, 2014；Anton and Polk, 2014；Cohen and Frazzini, 2008；Xing, et al., 2019）。金融学相关研究成果表明，不同企业证券资产之间的波动会因其所属行业、规模、公司业务活动、公司所在地，甚至证券名称或证券代码的相似性而呈现出不同程度的联动现象（Anton and Polk, 2014；Boyer, 2011；Claessens and Yafeh, 2013；Greenwood, 2008；Kumar, et al., 2013；Liu, et al., 2015；Pirinsky and Wang, 2006；Rashes, 2001）。例如，Rashes（2001）发现，股票名称相似的公司之间的股票收益率具有显著的正相关性，这些公司除股票名称外似乎没有其他共同点。Pirinsky and Wang（2006）指出，总部位于同一地理区域的公司的股票收益会表现出很强的联动性，一旦公司的总部发生变化，这个公司的股票收益会呈现出与新所在地相同的公司股票收益间的关联关系增加，而与旧的所在地相同的公司之间的关联关系减少的现象。Anton and Polk（2014）指出，被相同公募基金持有的股票，其收益之间会表现出明显的相关性，股票间这种基于所有权的关联关系会引起价格错位，造成股票价格波动的联动，甚至引起恐慌性的传播。
随着越来越多的研究聚焦于发掘不同企业的资产价格波动在同一时期表现出的联动效应，金融学研究开始将目光投掷于探究企业关联关系对资产价格或收益率波动产生影响的作用机理和内在机制。金融学最新的研究成果表明，基于有限注意力假设（Limited Attention Hypothesis），市场参与者具有有限注意力，致使某些具有关联关系的企业资产收益率之间存在领先滞后效应（Lead-lag Effects）。也就是说，一个企业的证券资产收益率在过去的表现会对与该企业相关联的其他企业的资产预期收益率产生预测作用，相关企业的资产收益率之间因而会表现出跨期的领先滞后效应。事实上，最早探究资产收益率之间的这种领先滞后效应的研究是Moskowitz和Gribblatt于1999年在金融学期刊 Journal of Finance 上发表的文章，该研究指出同一行业的股票预期收益率之间具有较强的领先滞后效应（Moskowitz and Grinblatt, 1999）。Cohen和Frazzint 2008年在 Journal of Finance 上发表文章进一步阐释了这种领先滞后效应，该研究根据企业间的供应链关系将不同企业关联起来，发现当一家企业受到新信息的冲击时，与该企业相关联的其他企业的股票预期收益率会受到该企业股票收益率波动的影响（Cohen and Frazzini, 2008）。Menzly and Ozbas（2010）也指出，由供应链关联起来的企业股票收益率之间具有相互预测的能力。Lee, et al．（2019）根据企业之间的技术亲密程度定义相关企业，并指出通过技术亲密程度关联起来的企业的股票收益率之间具有很强的可预测性，该研究成果于2019年发表于金融学期刊 Journal of Financial Economics 。Parsons等于2020年在金融学期刊 Review of Financial Studies 上发表文章，根据地理位置的相似性将总部位于同一地区的企业关联起来，指出同一城市不同行业的企业未来收益率之间具有显著的相互影响作用，运用这种关联关系构建的多空投资组合的月平均收益高达42个基本点（Parsons, et al., 2020）。
尽管这些研究都证明了企业之间的某种关联关系对资产价格波动具有重要的影响作用，却没有证据能够阐明企业之间的哪一种关联关系是影响资产价格波动最为有效的主导因素。究其原因，这主要是由证券市场本身的复杂特性决定的。事实上，证券市场是一个随时间发展而动态演进和连续变化的复杂系统，上市公司或其证券资产之间具有复杂、多样，且随时间和市场运行状态而动态变化的关联特性（Hochberg, et al., 2007）。这将不可避免地引发两方面的问题：
一方面，由于上市公司（或上市公司的证券资产）之间可能存在多种关联属性，基于不同关联属性建立的关联关系对证券资产价格波动的影响作用存在差异，在众多的企业关联关系中，哪种关系更为有效，亦或之哪种关系更具代表性和影响力值得商榷，其对深入理解证券市场微观结构及内在运行机理、有效分析和捕捉影响证券市场波动的本质因素具有重要意义。
令人兴奋的是，行为金融学领域著名教授Hirshleifer与其合作者于2020年在金融学期刊 Journal of Financial Economics 上发表文章，通过分析师共同提及（Shared Analyst Coverage）关系将上市公司关联起来，指出上市公司之间依据是否被分析师共同提及而建立的关联关系是上述各种关联关系的综合表达和本质因素（Ali and Hirshleifer, 2020），这种关系对资产收益率的波动具有显著的领先滞后效应。更进一步地，考虑分析师共同提及的关联关系后，其他关联关系引起的资产收益率之间的领先滞后效应将不再显著，或对资产收益率产生负向的影响作用。Ali and Hirshleifer（2020）将相关企业资产收益率之间的这种领先滞后效应称为动量溢出效应（Momentum Spillover Effects）。该研究一定程度上实现了实证资产定价研究领域的重要突破。
然而，该研究的论述是以具有基本面相似性或关联性
（fundamental similarities or linkages）的企业为基本前提的，企业的基本面关联越紧密，基于分析师共同提及持有的动量溢出效应就越明显。也就是说，通过分析师共同提及关联捕捉的动量溢出效应是针对具有基本面关联的企业而言的，并没有将那些依据投资者行为或其他非基本面因素建立起来的企业关联纳入在内。基于分析师共同提及的关联有效性建立在证券分析师依据其所在领域的专业知识对具有基本面关联的企业做出判断，所得智识进一步被有限注意力和反应迟缓的投资者所吸收，因而使得相关资产收益率之间表现出领先滞后的跨期预测效应。事实上，Ali and Hirshleifer（2020）的研究结论指出，分析师和投资者都是有限理性且存在认知偏见的，他们的有限注意力和反应迟滞是导致资产收益率之间存在领先滞后效应的原因。由此可知，即便是具备专业知识的分析师，也会因其所在领域不同而受到认知局限和有限注意力的影响，从而无法迅速且全面地理解和把握资产价格波动的本质规律。在真实的市场运行过程中，市场参与者不仅无法清晰而全面地认知企业之间因各类基本面相似性而交织关联起来的复杂关系，还会受到非理性因素的影响而对企业之间的关联关系产生误判。如何构建一个合理的企业关系代理变量，使其既能概括地表征上市企业之间的各类基本面关联关系，又能反映因有限理性市场参与者的认知偏差和有限注意力等非理性因素引发的其他非基本面关联，是真正理解驱动资产收益率波动并产生动量溢出效应的关键，也是本书的重点和难点所在，其有助于理解和感知市场波动的本质规律。
另一方面，证券市场是随时间推移而动态演进和连续变化的真实交易场所，上市公司或其证券资产之间各种关联关系的影响效用和关联强弱会随着时间的推移，以及市场在不同时期的运行状态而动态变化。纵使企业之间的某种关联关系在某一时期对资产价格波动具有显著的影响，这种关联关系及其影响作用也可能随着市场的动态发展和新信息的产生而改变。事实上，不同市场运行时期，企业之间各种关联关系的重要程度和影响力不同，某一关联的影响作用极有可能伴随市场的发展变化而加强、减弱甚至消失。正如市场极端运行时期或股灾发生时，上市公司之间原有的某些关联关系的影响作用可能会被削弱，而因其他原因或偶发狂热因素建立起来的关联关系的影响会在事件发生时期得到加强（Xing, et al., 2019），从而难以用某一种关联关系来代表上市公司在市场未来运行过程中的关联状态。如何将企业之间的多种关系进行融合，并捕捉企业之间的各种关联关系在不同市场运行状态下对企业资产价格波动的动态影响和综合作用，特别是实时且动态地捕捉基于多种企业关联的综合动量溢出效应，是金融资产定价领域亟待研究的一个难题，其对深入理解证券市场微观结构及其内在运行机理具有重要作用。
基于此，本书对中国证券市场中上市企业之间的关联关系及其证券资产之间的动量溢出效应展开研究，旨在解决如下三个问题：第一，在真实的市场中，企业之间存在多种关联关系，其资产价格的波动会受到各种关联关系的共同影响，只考虑企业之间某种关联关系不足以理解资产价格波动的实质。现有研究构建的企业关系代理变量仅针对具有基本面关联的企业，并没有考虑到投资者行为或其他非基本面因素引起的企业关联关系对资产价格波动的影响作用。能否找到一种合理的企业关联关系，使其既能概括地表征中国上市企业之间的各类基本面关联关系，又能反映由有限理性市场参与者的认知偏差和有限注意力等非理性因素引发的其他非基本面关联。第二，如果得以找到这种企业关联关系，如何构建基于此关系的企业关系代理变量，从而科学地表征企业之间关联状态，并进一步验证基于该企业关系代理变量的动量溢出效应的存在性、有效性和稳健性。特别的，如何论证基于该关联的动量溢出效应相较于现有的企业关联引起的动量溢出效应而言更加有效。第三，企业之间的各种关联关系是随着市场的运行和发展动态变化的，不同市场运行时期，企业之间各种关联关系的重要程度和影响力不同，用静态且单一的眼光理解企业之间的关联关系不能正确认知市场的微观结构和内在运行机理。如何将企业之间的多种关系进行融合，捕捉企业之间的各种关联关系在不同市场运行状态下对企业资产价格波动的动态影响和综合作用，特别是实时且动态地捕捉基于多种企业关联的综合动量溢出效应值得深思。
针对第一个问题，基于行为金融学的有限注意力假设，以及证券市场媒体效应研究的理论与实证成果，本书创新性地提出基于媒体关联建立企业关联关系的思想，系统地论证了以该思想为指导发掘的企业关联关系的独特性、合理性和有效性。在本书中，企业的媒体关联是指上市企业通过媒体信息建立的关联关系。具体而言，如果一篇媒体新闻报道中同时提及了任意两家上市企业，则认为这两家企业之间具有关联关系。两家企业在某一段时间内被新闻共同报道的频率代表这两家企业关联关系的强度。利用本书开发的定向网络抓爬器从12个主流的中国财经新闻网站爬取的42 735篇新闻构建基于媒体关联的企业关系网络，并验证该企业网络中直接相连的企业之间的关联关系在不同市场运行时期的关联性。本书指出，基于媒体新闻共同报道构建企业的关联关系不仅能捕捉新闻事实，反映企业间基本面关联关系，而且能捕捉投资者行为，反映投资者有限理性和有限注意力可能引发的非理性因素。
本书认为，基于媒体新闻共同报道建立的企业关联关系是企业之间内在关联的有效表达，其合理性、独特性及优越性在于：①新闻是所有信息的综合反映（Calomiris and Mamaysky, 2019；Tetlock, 2007）。新闻内容既包含宏观经济运行态势、行业和企业基本情况等基本面信息，又包含经济政策、专家意见、投资者情绪、企业业务活动、CEO个人特质，甚至投资者恐慌情绪等一系列与企业基本面无关的信息。依据行为金融学的研究成果，证券市场存在媒体效应，新闻信息的发布、传播和吸收会对有限理性的投资者的投资行为和情绪产生影响，进而影响投资者的投资决策。一方面，有限理性的投资者可能会对被新闻共同报道的企业特别留意，诱发过度反应；另一方面，投资者受有限注意力的影响，可能会放大被新闻共同报道的企业之间的关联关系，忽略关注企业与其他企业之间的关联关系。②新闻报道包含的信息相较于分析师报告而言更全面。与Ali and Hirshleifer（2020）提出的基于分析师共同提及的企业关系相比，本书提出的基于新闻共同报道的企业关系既涵盖了企业的基本面关联关系，又捕捉了企业之间除基本面信息之外的其他关联关系。事实上，基于分析师共同提及的关联有效性建立在证券分析师依据其所在领域的专业知识对具有基本面关联的企业做出判断，所得智识进一步被有限注意力和反应迟缓的投资者所吸收，因而使得相关资产收益率之间表现出领先滞后的跨期预测效应。然而，分析师和投资者都是有限理性且存在认知偏见的，他们的有限注意力和反应迟滞是导致资产收益率之间存在领先滞后效应的原因。即便是具备专业知识的分析师，也会因其所在领域不同而受到认知局限和有限注意力的影响，从而无法迅速且全面地理解和把握资产价格波动的本质规律。在真实的市场运行过程中，市场参与者不仅无法清晰而全面地认知企业之间因各类基本面相似性而交织关联起来的复杂关联关系，还会受到非理性因素的影响而对企业之间的关联关系产生误判。③新闻报道具有及时性和便捷性，其受众更广泛，对市场参与者的影响力更强，故而更容易对具有有限注意力的市场参与者产生影响。
针对第二个问题，首先，本书构建了一个基于媒体关联的企业关联关系代理变量，实现了对企业之间关联状态的科学表征。该企业关系代理变量是对两个关联企业的唯一标识，能够明确地衡量两个企业之间关联关系的强弱；接着，在构建企业关系代理变量的基础上，进行实证资产定价分析和检验，验证基于媒体关联的企业资产预期收益率之间是否存在动量溢出效应。具体而言，本书参照现有相关研究的做法（Ali and Hirshleifer, 2020；Cohen and Frazzini, 2008；Lee, et al., 2019；Parsons, et al., 2020），以Fama-French五因子模型为基准，加入基于媒体关联的企业关联关系代理变量，并进一步考虑固定效应的影响，进行个体固定效应和时间固定效应检验，控制不同股票间被遗漏或不可观测的异质性，以及不同时间段的影响作用，以验证基于媒体关联的企业资产预期收益率之间的动量溢出效应。进一步地，本书验证了基于媒体关联的企业资产收益率之间的动量溢出效应在不同市场运行时期的有效性和稳健性。结论表明，即便是在市场极端运行时期，基于媒体关联的动量溢出效应仍然存在。特别地，本书验证了2015年中国股灾期间基于媒体关联的动量溢出效应存在性、有效性和稳健性。最后，本书将基于媒体关联的企业关系代理变量与现有研究提出的企业关系代理变量进行对比，发现本书构建的基于媒体关联的企业关系代理变量无论是在实证资产定价检验，还是基于深度学习模型的预测结果中，都具有最好的表现。上述研究结论为深入理解我国证券市场微观结构和内在运行机理提供了参考，为实证资产定价研究的发展提供了中国证券市场的证据。
针对第三个问题，考虑到引起动量溢出效应的企业关联关系是复杂多变的，为了弥补传统计量方法无法有效捕捉基于复杂关系的动态传导和溢出作用的局限，本书创新性地提出了一个面向动量溢出效应的自适应动态图神经网络算法（Self-adaptive Graph Neural Network, SA-GNN），将企业间多种关系进行融合，并动态地捕捉不同市场运行状态下，企业之间关联关系的重要程度的变化对资产价格波动的影响作用。特别是实时且动态地捕捉基于多种企业关联的综合的动量溢出效应，从而为理解和捕捉企业间关联在市场运行过程中对其资产价格或收益率变动的动态影响和综合作用提供基于智能计算的研究思路。具体而言，为了细致地捕捉企业关联关系在真实市场运行过程中的多样性和动态变化性，本书提出基于矩阵的门控机制（Matrix-based Gate Mechanism）来捕捉多种关联关系在当前市场状态中的重要性和影响程度的动态变化，并根据企业间各种关系在当前市场运行状态中的贡献程度融合所有关联关系，得到关联企业在当前市场运行过程中的综合关系，从而为捕捉关联企业之间的动量溢出效应架起桥梁。本章提出的基于门控机制的动态图神经网络算法实现了随市场运行和变化而实时动态地捕捉企业之间多种关联关系对资产价格波动的影响作用，有助于深入理解影响资产价格波动的本质因素。该算法奠定并拓展了深度学习方法在金融中应用的基础，有助于实时监控和动态捕捉证券市场波动规律，提升投资模型的盈利能力和预测效果，实现投资领域的突破。
更进一步地，为了精准地捕捉动量溢出效应对证券市场波动的影响，本书基于近代金融学理论成果，从“融合”的视角出发，创新性地提出了一个面向证券市场动量溢出效应的大数据风险分析框架（Momentum Spillover-aware Risk Analysis Framework, MSRAF），将影响市场波动的各类因素放入统一的框架，来探究和揭示多源异构（标量、向量、图结构）的市场信息对复杂经济系统的动态综合影响。该框架实现了对复杂的证券市场运行过程的合理建模，有助于洞悉复杂且动态变化的市场运行全貌，从而为政策制定者、上市公司以及所有市场参与者提供理论参考和决策支持。特别的，为了验证本书构建的面向证券市场波动的多源异构市场信息融合深度学习预测框架的有效性和通用性，本书同时对中国证券市场和美国证券市场展开分析。研究结论表明，本书构建的面向证券市场波动的多源异构市场信息融合深度学习预测框架不仅显著优于现有算法的表现，还具备通用性和拓展性，其对于中国证券市场和美国证券市场都有效。另外，本书实现了数据集和核心算法的开源共享，旨在为真正理解我国证券市场微观结构和内在运行机理、有效分析和捕捉影响证券市场波动的本质因素提供参考。