公司特质波动能够影响宏观经济稳定吗?

开篇：润墨网以专业的文秘视角，为您筛选了一篇公司特质波动能够影响宏观经济稳定吗?范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

关键词： 特质波动；非资产定价模型分解法；宏观经济稳定；结构向量自回归

摘 要： 根据中国A股市场数据，运用“非资产定价模型分解法”将个股风险分解为市场风险、行业层面风险和公司特质风险，在此基础上，建立结构向量自回归模型，考察个股不同层面的股价波动和宏观经济变量之间的相关性：发现A股市场特质波动水平的上升，使得公司层面的信息不确定性增加，导致信贷规模下降，从而间接降低了宏观经济的稳定性。这表明公司特质波动与宏观经济之间存在显著的负相关性。

中图分类号： F123.16

文献标志码： A

文章编号： 10012435（2013）01008607

Macroeconomic Stability Can Be Affected by Idiosyncratic Volatility-Empirical Research Based on SVAR in Chinese A Stock Market

HUA Fengtao （1.College of Economics and Management， Anhui Normal University， Wuhu Anhui 241003， China；2. School of Public Economics & Administration， Shanghai University of Finance & Economics， Shanghai 200433， China）

Key words： idiosyncratic volatility； model-independent decomposition； macroeconomic stability； SVAR

Abstract： Based on data from China's A stock market， with the method of model-independent decomposition， break individual risk down into market risk， industry level risk and idiosyncratic risk. And on this basis， the SVAR model is established to study the causal link between the idiosyncratic volatility and macroeconomic stability， and bring out the following conclusion： The rise of idiosyncratic volatility in A stock market increases information uncertainty of corporations， cutting down the credit scale and indirectly reducing the macroeconomic stability. That shows notable negative correlation between idiosyncratic volatility and macroeconomic stability.

公司特质波动作为股价波动的重要组成部分[1]，对股价甄别、筛选和反馈公司价值，传递公司层面特质信息，以及资源配置都具有重要的影响[2]。Wurgler[3]发现公司特质波动程度对于资源配置效率的高低具有显著性的解释作用。既然公司特质波动与股价的信息效率密切联系，那么，公司特质波动是否会影响宏观经济波动，以及如何影响宏观经济？这将从一个层面解释股价波动与宏观经济稳定之间的传递机制。

对于公司特质波动与宏观经济稳定之间的相关性，鲜有学者涉及。Panousi和Papanikolaou[4]发现当公司特质波动较高时，公司投资行为趋于保守，即公司特质波动程度和公司投资行为存在明显的负相关性。Portes和Ozenbas[5]利用“金融加速器”理论[6]研究发现，公司特质波动能够有效的解释“现代市场经济之谜”[7]。他们将个股波动分为即市场波动和公司特质波动。在信贷市场上，银行只能提供抵押贷款的条件下，信贷规模完全取决于公司资产净值的影响。而公司特质波动则是公司净资产价值变化向外界传达信息的一种方式。当公司特质波动上升时，公司资产净值的波动性进一步增加，意味着信贷市场的信息不对称程度提高，企业的外部融资升水增加，信贷市场的“金融摩擦”加剧，造成信贷市场规模下降。国内学者主要集中在趋势研究[8]和定价研究[9]，多围绕资产价格与经济波动之间展开。本文运用结构向量自回归模型，考察公司特质波动对中国宏观经济稳定的影响机制。

一、研究方法

（一）公司特质波动测度

公司特质波动测度方法主要分为间接分离法和因素模型法两种。间接分离法是Campbell等[10]根据CAPM的思想，将个股收益波动分解为市场收益、行业层面收益以及公司特质收益三个部分，并根据这三个收益成分分别计算各自的方差，以求出市场波动、行业层面波动和公司特质波动。直接分解法则是直接利用Fama-French三因素模型的误差项计算公司特质波动，而因素模型法是Malkiel和Xu[11]利用因素模型，尤其是三因素模型计算其误差项用以测度公司特质波动。这两种方法均是借助于不同的资产定价模型测度公司特质波动。模型的选择均是在一定的条件下才具有适用性，如CAPM模型的适用条件中有两个最为基本的规定，一是组合中的风险资产比例相同；二是投资者的风险偏好相同。但现实条件难以达到这种理想状态。再如，运用模型进行计量分析时，只有当残差g（i）独立同分布时，分析结果计量实证意义，不同的模型所计算的结果，其误差也各不相同。本文借鉴Bali，Cakici和Levy[12]，采用“非模型分解法”对我国证券市场中的公司特质风险进行测度。

“非模型分解法”是指在不依赖于任何资产定价模型的基础上，基于组合分散收益的思想，借助于均值方差法，构建起测度整个证券市场平均公司特质风险的计算方法。构建过程如下：

假设在证券市场内存在n个行业，Rit为行业i在第t月内的行业平均收益，权重Wit为行业i的市值占证券市场总市值的比重。那么市场收益为：

Rm，t=ni=1Wi，tRi，t

而行业i在第t月内的平均收益为行业内个股收益的加权平均，其中，Rji，t为个股收益，Wji，t是按照个股市值占行业总市值的比重得到。那么行业i的平均收益为：

Ri，t=ni=1Wji，tRji，t

在以上市场收益和行业收益计算的基础上，我们假定个股收益波动分为三个层面：市场波动、行业层面波动和公司特质波动。这一点与间接分离法较为类似，但在测度三个层面波动时所采用的方法则是基于组合分散收益的原理构建。首先，根据市场收益计算市场层面波动：

MKTNt=Var（Rm，t）=（Rm，t-μm）2

其中，μm为市场收益Rm，t的期望平均水平。我们把行业看作是一支理论上的“行业证券”，那么这个Rm，t就可以看作是一个“市场组合”的收益。在这样的组合中，行业层面风险被看作非系统风险而被完全分散掉。我们再假定这些理论上的“行业证券”间的收益具有完全正相关性，那么它是一个没有分散效果的“无分散组合”，在这个组合中，“行业证券”间的非系统风险——行业层面波动则完全保留。该组合方差则为各“行业证券”方差总合：

ni=1Wi，tσi，t2，其中，σi，t为行业i的标准差。组合方差与市场层面波动之差为行业层面波动：

IND=σ2ε，t=ni=1Wi，tσi，t2-Var（Rm，t）

假设行业i中有m家上市公司，针对行业i同样也构造出两个截然不同的组合，即行业内的“市场组合”和假定的行业内的“无分散组合”，同时可以求出各自的风险方差，其中行业内的“无分散组合”的方差为：（mj=1Wj，tσj，t）2，σji，t为行业i内的公司j的标准差。行业i内的特质波动平均水平为：

σ2εi，t=nj=1Wji，tσji，t2-Var（Ri，t）

nj=1Wji，tσji，t是指在行业i内所有个股的权重平均方差。再将行业内的平均公司特质风险按照行业权重再次加权平均，即nj=1Wi，tσεi，t乘方后，减去市场超额收益方差Var（Rm，t），便得到股票市场平均公司特质风险：

FIRM=σ2η，t=ni=1Wi，tσεi，t2-Var（Rindexm，t）

（二）结构向量自回归模型（SVAR）

Sims[13]提出的向量自回归模型（vector autoregressive model，VAR）采用多方程联立的形式，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后项进行回归，从而估计全部内生变量的动态关系，它提供了一个刻画多元时间序列动态特性以及分析随机扰动对变量系统动态冲击的简单框架。但这种VAR模型不能反映变量之间当期相关性的确切形式，并且由于这些当期相关藏在误差项的相关结构中，其经济含义难以解释。Sims[13]提出了结构向量自回归模型（SVAR），可以通过建立非递归形式的短期约束，在同一模型中识别多个变量的结构冲击。含有k个变量的p阶结构向量自回归模型SVAR（p）一般矩阵形式可表示为：

B0yt=Γ1yt-1+Γ2yt-2+…+Γpyt-p+ut

其中，

B0=1b12…b1k

b211…b2k

bk1bk2…1，

yt-j=y1t-j

y2t-j…ykt-j，j=0，1，2，…，n

ut=u1t

u2t…ukt，

Γ=

γi11γi12…γi1k

γi21γi22…γi2k

γik1γik2…γikk，

k=0，1，2，…，n

（三）基础数据

本文中包括3个内生变量：经济增长指标、信贷规模指标，以及公司特质波动。

1. 公司特质波动（IDIO），本文选择深沪A股上市公司共1232家上市公司，其选择标准为：剔除金融类、房地产类和ST类上市公司，另外计算波动率所需时间限制，同样剔除上市公司不足5个月的上市公司。样本期从1995.6-2010.6共15年间的样本交易数据。行业分类是按照中国证券监管委员会于2001年公布的《上市公司分类指引》共分为13大类共56个二级行业，剔除不足3家公司的行业。共选择51个行业。无风险收益率选取人民币一年期存款基准利率作为标准。以上数据均来自于Wind数据库和CSMAR金融数据库。

2.各项贷款总计，本文引入金融机构贷款余额（CREDI），选择该指标是为了反映公司特质波动变化而导致的影响宏观经济稳定的信贷渠道效应。数据来自于CCER数据库和国研网，考虑到所取数据均是货币名义值度量，为取得其实际余额，将该数据名义值除以CPI计算得出。其中，通货膨胀率指标采用消费者定基价格指数（CPI），数据来自RESSET金融数据库。

3.经济增长指标采用一致合成指数CSI。由于目前我国缺乏GDP的月度数据，再加上在考察宏观增长涉及到多方面指标，如工业生产、就业、投资、消费、外贸、税收、企业利润、以及居民收入等方面因素，本文采用一致合成指数CSI，该指数由国家统计局制定并统一公布（.cn）。

本文SVAR模型中，定义如下假设：第一，假定一致合成指数CSI为前定变量，同期受到金融机构贷款（CREDI）“新息”（Innovation）的影响，这种“新息”即来自于公司特质波动的影响。假定公司特质波动对模型中其他变量反映存在黏性，因此公司特质波动受到自身冲击的同期影响。第二，假定公司特质波动和金融机构贷款之间存在相互作用：一方面，公司特质波动的变化使得公司的净资产值发生变化，使得公司担保品发生变动从而影响银行的信贷行为。另一方面，金融机构信贷的可获得性通过公司净资产值的变化影响公司特质波动的变化。

在选择上述变量（IDIO、CSI、CREDI）的基础上建立SVAR来考察这些变量之间的统计关系，相比于无约束VAR模型而言，SVAR模型不仅考虑了变量间的内生性问题，而且也包含了内生变量之间的当期关系。

个股波动经过“非模型测度法”分解为三个层面波动，即市场波动、行业层面波动和公司特质波动，各自所内涵的信息本质不同，为了综合考察个股波动对宏观经济稳定，以及信贷市场变化的影响，将这三个层面波动变量纳入工具体系。在目标体系中，认为公司特质波动对于宏观经济稳定的影响主要是通过信贷渠道发生的，因此在目标体系中主要设置了、一致合成指数CSI和信贷规模指数CREDI，并着重分析公司特质波动对于一致合成指数CSI和信贷规模的影响，以印证上文的理论分析。

（四）模型的设定

考虑到公司特质波动与宏观经济变量之间的关系主要表现在长期关系。为了保存数据中的互动信息，即便其时间序列非平稳，也不采用差分法进行平稳处理[15]，因此，本文选择上述指标的水平变量构建SVAR模型。而SVAR利用残差协方差进行Choleski分解来规避模型中的“新息”，这样存在一个问题，即变量的排序有可能影响到因素的冲击影响。按照Bjomland和Jacobsen[13]的方法，本文将一致合成指数CSI、通货膨胀指数CPI和信贷变量CREDI排在序列的最前面，市场波动、行业层面波动和公司特质波动排在后面，具体排序为：

yt=（CSIt，CREDIt，IDIOt）

因此本文的SVAR模型可以表述为：

B0yt=b*+B1yt-1+ut（1）

其中，yt为（3×1）维内生变量向量；B0为可逆（3×3）维结构系数矩阵，表示变量间的当期关系；B1表示为（3×3）维反馈系数矩阵，代表变量滞后期与当期间的关系；ut为（3×1）维随机扰动项向量，为白噪声向量；b*为常数项。

（五）模型的识别

SVAR模型和VAR模型之所以不同，在于SVAR模型中包含了变量间的当期结构性关系，这种关系是通过残差项相互传递，为了能够对（1）式进行估计，需要将其转化为VAR的简约形式：

yt=a*+A1yt-1+εt（2）

其中，A1为（3×3）维系数矩阵，εt为（3×1）随机扰动项向量，且Eεtε′t=∑ε为（3×3）维对称正半定矩阵。根据（1）式和（2）式之间的随机误差项之间的关系，即ut=B0εt，由于Eεtε′t为对称半正定矩阵，因此ut也为对称半正定矩阵。至此，为了完全识别SVAR（1），需要对B0施加约束条件。这种约束条件是以公司特质波动、市场波动针对宏观经济变量的影响和传导过程为基础的。一般而言，对于具有k个内生解释变量的SVAR模型，需要对B0施加k（k-1）/2个约束条件才能恰好识别出所有参数。

二、数据分析和实证检验

（一）时间序列平稳性检验

本文首先用Eviews6.0对以上三个变量进行单位根检验，检验方法采用ADF方法进行处理，单位根检验的结果如表1所示：

（二）变量协整关系检验

本文采用Johansen协整检验对3个变量系统进行分析。假定数据中存在线性趋势，协整向量含有截距但是没有线性趋势，选取2作为滞后阶数，得到检验结果如表：

表2表明无论迹统计量还是最大特征值法，系统有3个协整向量，而根据Sims[13]的结论，当存在协整关系是，即便使用变量的水平值建立VAR模型是不会出现识别错误，且最小二乘法的结果都是一致估计，因此，本文采用水平值进行模型的估计和分析。

（三）模型参数估计

对于这3个变量形成的系统直接应用SVAR模型分析公司特质波动以及市场波动对宏观经济稳定的影响时，关键是如何设定内生变量的同期相关矩阵，结合上面分析，并参考Kim和Roubini[7]的方法，本文的B0为：

uidioucrediucsi=

1b12b13b211b23b31b321

εidioεcrediεcsi

（3）

一般情况下，对B0参数的约束分为短期约束和长期约束之分，长期约束一般是指零约束，是指一个变量对另一变量的结构冲击的长期相应为0，但三者间均存在长期关系，因此对于该矩阵应施加短期约束。在（3）式中的第1行，银行信贷行为的变化是取决于公司净资产值的变化，当公司资产净值由于信贷市场的不确定性增加时，引起了公司现金流的变化而发生改变，因此信贷行为的变化在当期对于公司特质波动没有影响，两者的当期关系应该为零，则本文中可以设定b12=0。而公司特质波动对宏观经济稳定变量CSI也是通过公司资产净值的改变，引起公司投融资行为发生变化导致的，因此，公司特质波动的变化是取决于公司层面特质信息的改变，尽管从长期将公司层面经营状况与宏观因素密切相关，但宏观经济对于公司特质波动没有当期影响。本文设定b13=0。而在（3）式的第2行，根据不完全信息理论以及效率工资理论，价格存在粘性，因此，信贷规模指数CREDI对一致合成指数CSI只存在滞后效应，因此b23=0。

在模型（3）中满足可识别条件的情况下，我们可以使用回归模型，并估计得到SVAR模型的所有未知参数，从而可得到矩阵B0，以及ut和εt的线性组合估计结果。首先，通过建立最小二乘回归模型，得到公司特质波动对于我国信贷市场的当期关系为B21=-0.1194，说明两者间呈现出负相关关系，也印证了公司特质波动其实是作为公司在信贷市场的金融摩擦存在的，其程度越高，那么公司的融资摩擦愈大，尤其在我国信贷市场信息不对称状况明显，信贷配给严重的情况下，更是如此。其次，而公司特质波动IDIO对于一致合成指数CSI的影响，估计IDIO对CSI的系数为

B31=-0.2763，这意味着当证券市场平均公司特质波动上升一个百分点时，CSI指数则下降0.2763个百分点，尽管与Portes和Ozenbas[5]的研究结果认为，在美国证券市场上公司特质波动的上升能够解释40%的宏观经济波动下降原因相比，也说明在我国证券市场上，平均公司特质波动在长期内是影响宏观经济波动的一个重要因素。同时说明公司特质波动与宏观经济波动之间的关系呈现出明显的负相关性。

三、实证结果分析

本文利用SVAR的目的是从公司特质波动、信贷规模、宏观经济变量三个内生变量间内在的动态关系，并发现三者信息传递的方式和特征，尤其是公司特质波动通过信贷市场对宏观经济变量的影响。在SVAR模型中，变量间的关系式相互的交错发生，我们是通过脉冲响应函数来反映这一关系。而脉冲响应函数是分析当一个误差项发生改变，或者说模型受到某种冲击时对系统的动态影响，用以描绘在扰动项上施加冲击，对内生变量当前值和未来值所带来的影响，因此带有一定的滞后性，本文在这里选取的滞后长度为10个月。在SVAR中，通过结构脉冲响应函数的分解可以得到系统中各个内生变量对自身以及其他内生变量单位变动的反应。根据本文的研究目的，主要考察公司特质波动对信贷规模以及宏观经济稳定变量的动态影响。

（一）公司特质波动对信贷规模的脉冲反应函数

图1中分别显示了公司特质波动对信贷规模

的脉冲响应函数图和积累响应函数图。当公司特质波动自身结构新息的一个单位标准差扰动时（1%，为正向总冲击，下同），信贷市场规模（图中的D（CREDI），对数形式）在当期产生一个负向的响应，为-0.15个百分点，第二期产生-1.012个百分点的负向响应，在第三期这种负

向响应达到最大值，为-1.174个百分点，此后逐步下降，到第十期以后接近于零。通过积累脉冲响应图中可以看到，从第十期以后逐步稳定在4.5个百分点左右。说明公司特质波动对于信贷规模的冲击均是具有长期性。通过两者的脉冲反映函数，我们可以发现，在我国证券市场上公司特质波动的上升，意味着公司层面特质信息不确定性的上升，而这种信息不确定性加剧了信贷市

场上，银行等金融机构观察公司内部经营状况的信息不确定性增加。这种状况影响着企业的资产净值的改变，企业若凭借流动资产或者抵押品获得银行信用，从公司的资产负债表来看就会负担加重，偿还能力变差，要想获得银行贷款就越困难。伴随着这种金融摩擦的上升，企业外部融资升水增加，迫使企业的融资顺序发生改变，逐步转向内部融资，因此信贷规模开始下降，而且这种状况是具有持久性。

（二）信贷规模对宏观经济稳定的脉冲响应函数

图2中，当信贷规模自身结构新息的一个单位标准差扰动时（1%，为正向总冲击，下同），

宏观经济稳定变量（图中的D（GYZ），对数形式）在当期产生一个负的响应，为2.4个百分点，从第二期开始响应由负转正，为1.7个百分点，在第八期响应值达到最大值为9.97个百分点，此

后开始逐步下降并趋近于零。而通过积累脉冲响应图中可以看到，从第十五期以后逐步稳定在15.2个百分点左右。说明信贷规模的增加对于宏观经济在短期具有较强的提升作用。

（三）公司特质波动对宏观经济稳定的脉冲响应函数

图3中，当公司特质波动自身结构新息的一个单位标准差扰动时（1%，为正向总冲击，下同），宏观经济稳定变量（图中的D（GYZ），对数形式）在当期产生0.527个百分点的正响应，第二期响应由正变负，响应值为-1.77个百分点，在第七期该负响应值达到最大值，为-16.41个百分点，此后开始逐步下降，从第十五期开始逐步趋近于零。通过积累脉冲响应图中可以看到，从第十五期以后逐步稳定在24.89个百分点左右。由此看出，公司特质波动对于宏观经济变量CSI具有明显的负相关性，而且这种冲击响应具有持久性。另外结合图1和图2，也可以得知，这种负向冲击效应是通过信贷市场行为的收缩而产生的。

四、研究结论与展望

Portes和Ozenbas（2009）在理论上验证了公司特质波动对宏观经济稳定的影响，本文采用结构向量自回归计量方法，以我国证券市场A股收益数据和相关的宏观经济变量，研究了公司特质波动、信贷市场规模和宏观经济稳定变量三者之间的因果关系。结果发现：第一，公司特质波动水平的变动是引起信贷规模发生变化的一个重要的因素，无论从影响程度和持续时间来讲，都是非常重要，公司特质波动与信贷规模之间是显著的负向关系，当公司特质波动越大时，信贷规模就会下降。公司特质波动在其信息内涵上，并非代表公司特质信息纳入股价的程度，而是衡量信息不确定性程度的指代变量。

第二，公司特质波动与宏观经济波动之间呈现明显的负相关性。这种相关性是通过信贷渠道产生的，即当公司特质波动的增加迫使公司外部融资升水增加，制约了外部融资规模，从而导致信贷市场萎缩，从而降低了宏观经济波动程度。

但据已有的文献资料表明，资产价格尤其股票价格波动，除了公司融资渠道，更多是通过公司投资行为对宏观经济稳定产生作用，而资产价格波动是通过信息机制来影响上市公司投资规模。那么公司特质波动的变化是否能够影响公司投资行为，其影响机制和渠道是什么？这都是未来值得研究方向。

参考文献：

[1] 陈健.中国股市非系统风险被定价的实证研究[J].南方经济，2010，（7）：41-49.

[2] Roll. R2[J]. Journal of Finance， 1988，（43）： 541-566.

[3] Wurgler J. Financial Markets and the Allocation of Capital[J]. Journal of Financial Economics， 2000，（58）：187-214.

[4] Morck R.， Bemard Yeung， Wayne Yu. The Information Content of Stock Markets： Why do Emerging Markets Have Synchronous Stock Price Movements？[J]. Journal of Financial Economics，2011，（58）： 215-260.

[5] Hoberg G.， Nagpurnan and R. and Prahala. Disappearing dividends： the importance of idiosyncratic risk and the irrelevance of catering[Z].SSRN Working paper， 2010.

[6] Bernanke， B.， S.， Gertler， M.， Gilchrist， S. The Financial Accelerator[M]∥J. B. Taylor. Handbook of Macroeconomics. Amsterdam：NorthHolland，1999.

[7] Kim C.， J. and C.R. Nelson. Has the US economy become more stable？ —A Bayesian approach based on a Markovswitching model of the business cycle[J]. Review of Economics and Statistics，1999，（81）：608-616.

[8] 黄波，李湛，顾孟迪.基于风险偏好资产定价模型的公司特质风险研究[J].管理世界，2006，（11）：26-30.

[9] 杨华蔚，韩立岩.中国股票市场特质波动率与横截面收益研究[J].北京航天航空大学学报，2009，（3）：6-10.

[10] Campbell J.Y，Lettau M.，Malkiel，G.B and Xu，Y.Have individual stocks become more volatile？—An empirical exploration of idiosyncratic risk[J].Journal of Finance，2001，（56）：1-43.

[11] Malkiel B. and Xu Y. Investigating the behaviour of idiosyncratic volatility[J]. Journal of Business， 2003，（76）：613-644.

[12] Bali T.， Cakici N.and Levy， H. A model-independent measure of aggregate idiosyncratic risk[J]. Journal of Empirical Finance， 2008，（15）：878-896.

[13] Blanchard， O. ，J. Simon. The Long and Large Decline in US[C]. Output Volatility Brookings Papers on Economic Activity， 2001， （32）：135-174.

[14] Burgstahler D.， Dichev I. Earnings management to avoid earnings decreases and losses[J]. Journal Accounting and Economics， 1997，（24）：99-126.

[15] Stock J.， H. and Watson， M.， W. A comparison of linear and nonlinear univariate models for forecasting macroeconomic time series[M].Engle and H. White （eds.）， Oxford：Oxford University Press，1999.