以Two-beta模型为基础的中国股票市场换手率效应研究
一、引言
换手率是指证券在一定时间内转手的比率，反映了交易的活跃程度。不同于交易量指标，换手率以交易百分百的形式控制了企业规模的差异，所以Lo 和Wang [1]将其称为“交易活动的天然度量”。高换手率一直是我国股票市场的显著特征，据世界银行统计，2003~2018年，我国A 股市场平均年换手率为189.5%，远高于美日等发达国家资本市场。
就收益角度而言，过高的换手率并不能带来正向效应。据申银万国证券公司编制的活跃股指数显示，高换手率股票在过去17年的跌幅达到99%。换手率与预期收益之间这种负相关的现象被Barinov [2]称为换手率效应。近年来，许多学者对此进行了解释，这些研究大致从两个角度出发：第一，流动性角度，在资产定价的文献中，换手率通常被视作流动性的代理变量。根据Amihud 和Mendelson [3]的流
动性溢价理论，投资者持有流动性差的股票需要得到额外的收益补偿。低换手率股票拥有高收益的现象便可由此得到解释。第二，投资者分歧角度，在研究市场微观主体的文献中，换手率被用来刻画投资者的异质信念。按照Scheinkman 和Xiong [4]的投机泡沫理论，当市场存在卖空限制时，投资者间的异质信念会导致股价中泡沫累积，而后期泡沫破裂造成低预期收益。
这两种解释都暗含前提，即换手率反映流动性或者是投资者分歧。然而，根据已有研究，这个前提可能得不到满足。因为换手率是否反映流动性值得商榷，流动性是指资产能够以一个合理的价格快速变现的能力，
而这种能力不一定能在交易中体现。如国内银行股等优质股票的变现能力强，流动性理应较好，而其换手率却通常较低。如果将换手率和流动性等价，即换手率低的股票流动性差，这样就会得到一个反事实的结论。同样，把换手率看
屈文洲1（博士生导师），史文雄2，陈慰
3
股票换手率高说明什么
以Two-beta 模型为基础的中国股票市场换手率效应研究
【摘要】基于2698家上市公司2000~2019年间的月度数据，对我国A 股市场换手率效应的存在性及形成机制进行探讨。研究发现，我国股票市场存在显著的低换手率溢价现象，换手率与次月收益率呈显著负相关关系。平均而言，换手率最低组每月比换手率最高组的收益高出2.29%，并且该结论在控制了规模、流动性、特质波动率等8种定价因子之后依然稳健。此外，换手率效应无法用传统的FAMA 因子定价模型解释，而从流动性溢价角度解释的比例也很低，平均仅为8.2%。进一步继承并拓展Two-beta 模型进行研究，发现低换手率股票对应的企业拥有较高的现金流风险和较低的折现率风险，并且现金流风险拥有更高的风险价格，这造成了低换手率高收益现象，从而为换手率效应提供了全新的理论解释。
【关键词】换手率效应；流动性溢价；Two-beta 模型；现金流风险；折现率风险【中图分类号】F830.91
【文献标识码】A
【文章编号】1004-0994（2021）05-0147-9【基金项目】国家自然科学基金项目“注意力配置视角下的资产定价——基于计算实验的研究”（项目编号：71371096）；江苏
省社会科学基金项目“大数据视角下重大突发公共事件对股价崩盘风险的影响机理研究”（项目编号：20EYC007）【作者单位】1.厦门大学管理学院，厦门361005；2.江南农村商业银行，江苏常州213004；3.江南农村商业银行博士后创新实践基地，江苏常州213004
2021.05财会月刊·147·□
DOI ：10．19641/j ．cnki ．42-1290/f ．2021．05．022
作投资者分歧也存在异议，投资者分歧与企业的异质性风险有关。Barinov[2]指出，异质性风险上升意味着流动性变差，这就造成流动性溢价理论和投机泡沫理论相矛盾。鉴于此，本文以2000~2019年我国A股市场的2698只股票为研究对象，期望从新的角度为换手率效应提供一个合理的解释。
二、文献综述
金融学上对换手率效应的解释可分为两类：
第一类解释从理性定价角度出发，根据Amihud 和Mendelson[3]的流动性溢价理论，流动性差的股票变现能力弱，交易成本高，因此只有在获得高收益的前提下投资者才愿意持有这类股票，低换手率股票的高收益即是对流动性的补偿。从该角度解释换手率效应的文献较多，如Datar等[5]用换手率作为流动性的代理变量检验了流动性溢价理论，通过对1963~1991年纽交所数据分析发现，换手率对股票收益的横截面差异有很强的解释力。Rouwen⁃horst[6]在新兴市场对诸如公司规模、账面市值比、流动性等定价因子的适用性进行了探讨，发现新兴市场中高换手率投资组合的收益普遍较低，认为这是流动性溢价的证据。此外，Chordia等[7]和Zhang等[8]也都从流动性角度对换手率效应做过分析，并得出类似结论。
在我国，陆静、唐小我[9]用换手率度量股票的流动性，采用Fama-MacBeth两阶段截面回归法检验发现，流动性与预期收益呈现出显著的负向关系。苏冬蔚、麦元勋[10]通过检验交易频率零假设和交易成本备择假设，深入分析我国股票市场流动性与资产定价的理论与经验关系，发现我国股票市场存在显著的流动性溢价，即换手率低的资产具有较高的预期收益。梁丽珍、孔东民[11]从流动性测度和未预期的流动性测度两方面对资产收益与流动性的关系进行检验，发现换手率越高预期收益越低，他们也将此现象归因于流动性补偿。基于流动性的解释需要满足换手率和流动性正相关的前提，然而近年来的一些研究表明这一条件可能无法满足。张峥、刘力[12]研究发现，换手率与买卖价差、非流动性和零收益比率等流动性指标相关关系较弱，由此认为换手率不能完全反映流动性的内涵。林虎等[13]指出换手率在二阶矩上呈现出的性质与流动性相悖。国外学者Barinov[2]也发现，在大多数情况下换手率与流动性负相关而非正相关。由此看来，从流动性角度做出的解释可能无法成立。
第二类解释从价格泡沫角度出发，按照Scheink⁃man和Xiong[4]的投机泡沫理论，当市场存在卖空限制时，投资者的意见分歧会使其在投资决策时考虑未来将股票高价转手的可能性。此时，投资者对股票的需求由股票的基本面和未来高价卖出股票的权利两方面决定，后者造成的价格上升被称为投机泡沫。换手率高意味着股价中泡沫大，预期收益就会相对较低。张峥、刘力[12]发现换手率与预期收益之间的负向关系不能完全由流动性溢价解释，认为换手率实际上是投资者异质信念波动程度的体现，并在卖空约束下造成当期价格泡沫和预期收益下降。谭松涛等[14]用换手率指标衡量意见分歧，分析了渐进信息流对市场换手率水平的影响，发现投资者分歧随着对信息反应时间的增加而降低，进而导致换手率和收益水平显著降低。林虎等[13]认为，换手率反映了投资者间的意见分歧，换手率波动越大，转售期权价格越高，未来收益也会相应降低。
然而，相关文献并未能为该理论提供足够的证据支撑。如张峥和刘力[12]、林虎等[13]以换手率在一阶矩或二阶矩上与流动性含义不符、控制流动性后换手率对收益仍有解释能力等为由，排除基于流动性溢价的解释，继而认定换手率与投资者异质信念有关，换手率效应源于投机性泡沫。然而，他们既没有构建指标证明换手率能反映异质信念，也没有为投机泡沫理论提供更为直接的证据，这种非此即彼的证明方式是不够严谨也缺乏说服力的。Chou等[15]虽从套利限制角度为投机泡沫理论提供了实证支撑，但他们没有量化投机泡沫理论的解释能力，因而无法证明该理论的解释力优于流动性溢价理论；同时，也没有检验在控制或者剔除异质信念后换手率效应是否消失，如果消失，研究结论才真正可信。
鉴于以上研究的不足，本文期望为换手率效应提供一种全新的合理解释。为克服传统因子模型的不足，Campbell和Vuolteenaho[16]对CAPM模型进行了拓展，将市场贝塔拆分成两部分，一部分反映现金流风险，另一部分反映折现率风险，因而个股收益由这两方面决定；该模型的核心思想是将贝塔拆分成两部分，因此又被称为Two-beta模型。此后，该思想被越来越多的学者所接受，并被应用到金融、会计、宏观经济等众多领域的研究上。国内采用该方法的研究文献极少，李家伟[17]检验发现Two-beta模型在中国市场不具解释力。宿成建[18]
□·148·财会月刊2021.05
建立了包含现金流信息的多变量股票非预期收益模型，研究发现，现金流信息和现金流风险对股票超额收益有较强的解释能力。
现金流风险大的股票收益高，这是所有利用Two-beta模型进行分析的落脚点。那么换手率是否与这两类风险有关？Da和Warachka[19]认为现金流风险反映了企业对宏观经济的风险暴露，并且该风险有正的风险价格，所以股票的收益与现金流风险正相关。Chen和Zhao[20]也认为现金流风险与宏观经济情况、企业基本面有关，而折现率风险反映的是企业层面的信息，包括企业特质风险以及投资者的情绪和风险厌恶水平。Liu等[21]探讨了国内政治丑闻对股票收益的影响，发现政治事件会提升投资者对相关股票的预期折现率，继而使得收益下降。Barinov[2]对换手率的内涵进行了分析，发现换手率实质上反映了企业
层面的不确定性，换手率越大则表明企业的特质风险越高。综合以上分析，笔者认为企业风险的改变会直接影响投资者情绪及预期折现率，进而通过股票买卖加以反映，使换手率升高。因此，高换手率反映的是高特质风险以及投资者情绪的变动，即高折现率风险。Two-beta模型实质上是将CAPM模型拓展，将市场贝塔拆分为现金流风险和折现率风险两部分，两部分通常呈负相关关系。在此意义上，换手率高的股票折现率风险大，现金流风险相应较小，所以收益更低。
三、数据选择及描述性统计
（一）数据来源与变量选取
本文选取2000~2019年我国A股上市公司为研究对象，剔除金融类、数据缺失、被PT或ST处理，以及上市不足两年的样本，剩余2698只股票。研究数据来自Wind和锐思数据库等。
本文的被解释变量为月度收益率Return，用后复权价格计算；解释变量为月换手率TURN，定义为月交易量占流通股的比例。
根据资产定价的相关文献，构建如下控制变量：用公司规模SIZE和账面市值比BM控制小盘股和价值股效应[22]；参考Jegadeesh和Titman[23]的研究方法控制中期动量效应MOM；借鉴Harvey和Siddique[24]的研究方法加入条件偏度COSKEW；加入非流动性指标ILL控制流动性溢价[25]；加入IVOL 和DRISK控制收益波动率和下行风险的影响[26，27]；同时还控制股票型特征MAX的影响。
除ILL外，还考虑了多种流动性代理指标，如Cooper等[28]的Amivest指标、Pastor和Stambaugh[29]的Gamma指标、Lesmond等[30]的零收益天数比例Zeros和高频买卖价差指标Spread。同时，对所有连续指标进行1%和99%分位的缩尾处理。
（二）描述性统计
表1展示了本文主要变量的描述性统计结果。由表1可以看出，2000~2019年我国A股的平均月收益率为1.2%，月平均换手率为49.4%，即A股平均只需2个月就能彻底易手一遍。非金融企业的平均规模和平均账面市值比为21.547和0.322。非流动性指标的均值为0.175，平均特质波动率为0.021。下行风险DRISK衡量了市场收益低于样本内均值时个股的贝塔值，市场表现欠佳时，贝塔的均值为1.132。Gamma指标整体小于0，均值为-0.011，与预期一致。样本期间，零收益样本大约占2.5%，平均月有效价差为0.002，这与张峥等[31]的研究结论类似。
进一步分析各换手率组合在控制变量水平上是否存在明显差异，表2汇报了相关结果。由表2可知，换手率最低组的平均月换手率仅为11.1%，而最高组则达到146.5%。随着换手率上升，企业规模、账面市值比和非流动性都呈现出明显的下降趋势，表明高换手率股票具有规模小、账面市值比低和流动性强等特征。此外还发现，换手率低的股票在特质波动率、动量效应指标、下行风险和型特征上都明显更低。
变量
Return
TURN
SIZE
BM
ILL
IVOL
MOM
COSKEW
DRISK
MAX
Amivest
Gamma
Zeros
Spread
样本量
424077
414451
426963
426945
411224
419729
400638
410729
413752
422699
429205
429412
420787
427556
均值
0.012
0.494
21.547
0.322
0.175
0.021
0.180
-3.176
1.132
0.033
0.108
-0.011
0.025
0.002
标准差
0.139
0.516
1.242
0.232
0.509
0.019
0.538
9.791
0.518
0.023
0.196
0.104
0.044
0.001
中位数
0.000
0.320
21.515
0.271
0.051
0.018
0.110
-2.279
1.156
0.029
0.043
-0.002
0.000
0.002
最小值
-0.478
0.000
17.309
-1.371
0.001
0.002
-1.673
-73.864
-10.306
0.000
0.000
-5.577
0.000
0.000
最大值
2.466
5.580
28.405
1.701
32.703
1.029
5.399
207.458
3.201
0.971
3.229
3.031
0.405
0.024
主要变量描述性统计
表1
2021.05财会月刊·149·□
四、实证分析
（一）换手率效应存在性的证明
1.单变量分组检验。为检验股票收益是否与换手率有关，每月按换手率从低到高将股票分为十组，计算下个月各组合的收益。从表3中可看出，等权重下，换手率最低一组的月平均收益率为1.89%，显著大于0。而随着换手率增加，组合收益逐渐降低，在换手率最高组中仅为-0.40%，两者的差异高达每月
2.29%，在1%的水平上显著。流通市值加权的投资组合中，“低-高”也达到了1.73%，同样在1%的水平上显著。该结果表明，低换手率股票确实能获得更高的收益。
进一步，计算按照换手率策略进行连续投资，
2000~2019年可获得的收益。图1中左图为月收益简单累加，可以看到两个组合走势差异明显，“低-高”几乎呈单调递增趋势。截至2019年底低换手率组收益达到455%，而高换手率亏损95%。进一步，考虑更为现实的情况，假设股票每次买（卖）的成本总计为3‰，且将每期卖出股票的资金全部用于下期投资。右图给出了两种投资策略下的收益情况，假如初始投资
启动金为1元。期末低换手率策略终值为9.23，年复合收益率为11.8%，而低换手率组仅剩0.02，年亏损17.4%。
2.双变量分组检验。为排除定价因子的干扰，进行双变量分组检验。表4给出了分组结果，表中每一列控制一种指标。以SIZE 为例，第一行的5.90表示在规模最小的20%的股票中，换手率最低组比换手率最高
组的平均月收益高5.90%。同理，第五行的0.92表示在规模最大的20%的股票中，“低-高”达到每月0.92%。其他列含义类似，这里不再赘述。从表4结果中可以看出，依次控制各定价因素后，换手率低的投资组合的收益始终显著更高。该结果表明，换手率效应确实存在。
3.Fama-MacBeth 回归检验。进一步，采用Fa⁃
ma-MacBeth 回归证明换手率与下
期收益显著负相关。参考Barinov [2]等文献，构建如下回归模型：Return i ，t =αt +β1TURN i ，t-1+
βControls i ，t-1+εi ，t
（1）
其中，Return i ，t 和TURN i ，t-1
等权加权1（低）
1.89∗∗∗0.92∗
2
1.58∗∗∗1.11∗∗3
1.67∗∗∗1.27∗∗4
1.53∗∗1.05∗5
1.46∗∗1.18∗∗6
1.36∗∗0.99
7
1.26∗0.788
0.990.539
0.690.2310（高）-0.40-0.81低-高
2.29∗∗∗1.73∗∗∗
变量TURN SIZE BM ILL IVOL MOM COSKEW DRISK MAX
1（低）0.11121.9590.3700.3660.0160.147-1.3810.9610.025
20.19421.6110.3690.2880.0170.133-2.2111.0760.028
3
0.25121.4640.3580.2620.0170.132-2.5681.1070.029
40.30321.3580.3500.2470.0180.140-2.7531.1280.031
50.35821.2770.3360.2240.0190.145-2.8821.1430.032
60.42121.2110.3260.2110.0200.157-3.0741.1570.033
70.50021.1490.3120.1890.0210.167-3.1151.1600.035
80.60821.0870.2960.1650.0220.180-3.2741.1710.037
90.79220.9770.2760.1510.0250.200-3.4451.1820.040
10（高）1.46520.818
0.2300.1180.0300.246-3.418
1.1720.048
注：“低-高”表示换手率最低组和最高组的收益差。∗∗∗、∗∗、∗分别表示在1%、5%、10%的水平上显著，下同。
单变量分组的结果
表3
各换手率组中的变量情况
表2图1高、
低换手率组合的累计收益情况
□·150·
财会月刊2021.05
分别为第i 只股票在第t 月的收益和第t-1月的换手率。Controls 为本文构建的控制变量，数据频率为月度。
表5报告了Fama-MacBeth 的回归结果，列（1）中仅有换手率TURN 。列（2）~列（6）在加入SIZE 、BM 和MOM 的基础上逐一加入其他5个变量，而列（7）则包含了所有控制变量。结果显示，列（1）中换手率的系数为-0.017，t 值达到-6.73，意味着横
截面中换手率每相差1个单位，会
造成1.7%的下期收益差异。逐一加入控制变量后，TURN 的系数变化较小，维持在-0.025至-0.018之间，均在1%的水平上显著。这表明在控制相关定价因素之后，换手率始终与预期收益负相关，换手率效应非常稳健。此外，在控制变量
的回归结果中，SIZE 、IVOL 与预期收益显著负相关，而BM 、ILL 始终与收益正相关，表明A 股市场同时存在明显的小盘股效应、价值股效应、流动性溢价和特质波动率效应。
（二）换手率效应的解释
1.从因子模型角度解释。参考Sharpe [32]、Fama
和French [33，34]
以及Carhart [35]的方法，将收益拟合
CAPM 、3-F 、4-F 、5-F 因子模型得到截距项，即经
风险调节后的收益。若调节后的
收益差异消失，则表明因子模型可以解释该异象。
表6展示了等权重情况下，因子模型的截距项。结果显示，风险调节后的收益也呈现出递减趋势，且差异并未减小。在未汇报的市值加权结果中，结果高度一致。可见，传统因子定价模型无法解释换手率效应。
2.从流动性溢价角度解释。
参考Hou 和Loh [36]、陈慰等[37]的系数分解方法检验流动性对换手
率效应的解释比例。
首先，用Fama-MacBeth 回归估计出换手率对预期收益的影响γt 。Return i ，t =αt +γt TURN i ，t-1+
ηt Liq i ，t-1+εi ，t
（2）
接着将换手率对同期流动性进行回归，δt-1Liq i ，t-1为换手率中与流动性相关的部分，而αt-1+μi ，t-1是与流动性无关的部分。TURN i ，t-1=αt-1+
δt-1Liq i ，t-1+μi ，t-1
（3）
最后，将（2）式代入系数定
义公式，可将换手率效应γt 拆分
CAPM 3-F 4-F 5-F 1（低）
1.23∗∗∗1.13∗∗∗1.21∗∗∗1.27∗∗∗2
0.82∗∗∗0.58∗∗∗0.63∗∗∗0.63∗∗∗3
0.86∗∗∗0.55∗∗∗0.59∗∗∗0.58∗∗∗4
0.72∗∗∗0.36∗∗∗0.39∗∗∗0.40∗∗∗5
0.63∗∗∗0.25∗∗∗0.28∗∗∗0.31∗∗∗6
0.52∗∗0.15∗0.16∗∗0.19∗∗7
0.40∗
0.030.040.0580.13
-0.23∗∗-0.24∗∗-0.20∗9
-0.19-0.58∗∗∗-0.60∗∗∗-0.57∗∗∗10（高）-1.27∗∗∗-1.56∗∗∗-1.58∗∗∗-1.50∗∗∗低-高
2.49∗∗∗2.69∗∗∗2.79∗∗∗2.77∗∗∗
变量TURN ILL IVOL MAX COSKEW DRISK BASIC 截距项样本量F 统计量R
2
（1）
-0.017∗∗∗（-6.73）未控制
0.026∗∗∗（3.94）40208445.350.021
（2）
-0.024∗∗∗（-8.76）3.233∗∗（2.05）
已控制
0.194∗∗∗（5.21）38303127.750.088
（3）
-0.020∗∗∗（-7.56）-0.373∗∗∗
（-5.20）
已控制
0.212∗∗∗（5.87）38587531.890.089
（4）
-0.022∗∗∗（-8.51）-0.085∗（-1.79）
已控制
0.210∗∗∗（5.78）39497327.210.090
（5）
-0.025∗∗∗（-9.41）0.000（-0.96）
已控制
0.21∗∗∗（6.04）39590329.360.089
（6）
-0.025∗∗∗（-9.34）0.002（1.10）
已控制
0.205∗∗∗（5.78）39590328.380.092
（7）
-0.018∗∗∗
（-7.37）
3.991∗∗∗（2.91）
-0.76∗∗∗（-6.95）0.194∗∗（2.51）
0.000（-0.02）0.001（0.53）已控制
0.184∗∗∗（5.26）38213223.490.111Fama-MacBeth 回归的结果
表5注：括号中为t 值，BASIC 表示SIZE 、BM 和MOM 基础控制变量。表6
注：CAPM 、3-F 、4-F 和5-F 分别表示CAPM 模型、三因子、四因子和五因
子模型的截距项。
1（低）234
5（高）SIZE
5.90∗∗∗3.15∗∗∗2.49∗∗∗2.24
∗∗∗0.92
∗
ILL
1.84∗∗∗1.73∗∗∗1.42
∗∗∗0.591.14
∗∗
IVOL -0.600.620.99∗∗
1.26∗∗∗1.77
∗∗∗
MOM 1.74∗∗∗1.30∗∗∗1.51∗∗∗1.24∗∗∗2.10
∗∗∗
COSKEW 2.55∗∗∗1.60∗∗∗1.96∗∗∗1.36∗∗∗1.49
∗∗∗
DRISK 1.56∗∗∗1.76∗∗∗1.57∗∗∗1.96∗∗∗2.01
∗∗∗
MAX 0.17
0.97∗∗1.37∗∗∗1.48∗∗∗2.03
∗∗∗
BM
2.19∗∗∗2.35∗∗∗
2.50∗∗∗1.96∗∗∗1.36
∗∗∗
双变量分组的结果
表4
注：表中数值为最低与最高换手率组收益之差，为百分比形式。
因子模型调节后收益情况2021.05财会月刊·151·□

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。