- 1 -
中国科技论文在线
非流动性、投资者情绪与股票定价——基于
面板数据的实证分析
傅国荣，黄薇**
作者简介：傅国荣（1990—），男，硕士研究生，主要研究方向：股票定价
通信联系人：黄薇（1968—），女，副教授，主要研究方向：数理金融、数理统计及应用、随机分析. E-mail:
（重庆大学数学与统计学院，重庆 401331） 5
摘要：本文基于沪市 A 股 —— 股票交易数据构建了偏度、非流动性成本和
投资者情绪等指标，以非流动性成本和换手率作为流动性的衡量指标。鉴于传统资本资产定
价模型（CAPM）理论假设的严苛性以及与实际的种种不符，在其基础上建立了包含上述指
标的面板数据回归模型，通过实证检验，结果表明非流动性成本和投资者情绪显著影响了资10
产定价过程，证实了“非流动性补偿”的存在以及中国股市存在大量的噪音交易者。同时表
明系统风险系数和系统偏度对资产收益缺乏解释力，传统的资本资产定价模型在中国股市是
不成立的。
关键词：面板数据回归模型；资本资产定价模型；非流动性成本；投资者情绪；偏度
中图分类号： 15
Illiquidity, investor sentiment and stock pricing
——the empirical analysis based on panel data
FU Guorong, HUANG Wei 20
(College of Mathematics and Statistics, Chongqing University, Chongqing 401331)
Abstract: In this paper，skewness, illiquidity cost and investor sentiment factors are built based on
the trading data of Shanghai A-share from to and illiquid cost and turnover rate
are taken as measure of liquidity. Considering the rigorous and impractical assumption of
traditional capital asset pricing model (CAPM) theory, a panel data regression model 25
incorporating above factors is established. The results show that illiquidity cost and investor
sentiment have significant impact on the asset pricing process by empirical test, hence reveal the
existence of illiquidity compensation as well as vast noise traders in Chinese stock market.
Meanwhile the results show that system risk factor and skewness factor have no explanatory
power in asset returns, the traditional capital asset pricing model doesn’t comply in Chinese stock 30
market.
Key words: Panel data regression model; Capital asset pricing model; Illiquidity cost; Investor
sentiment; Skewness
0 引言 35
资本资产定价模型（CAPM）自建立以来，便成为现代股票定价理论的重要支柱。资本
资产定价模型（CAPM）的假设之一便是资产收益服从正态分布，故它只考虑资产收益的均
值和方差，然而在现实资本市场，资产收益往往是不满足正态假设的。并且资本资产定价模
型的基本假设意味着资本市场上不存在交易费用，这显然与事实不符。同时资本资产定价模
型假设投资者都是理性的，但随着对股票定价理论研究的不断深入，学者们发现市场上实际40
上存在着大量非理性交易者，由此产生了所谓的投资者情绪，为市场带来了持续的系统性风
险。鉴于资本资产定价模型与实际的种种不符，不能很好地反映真实的资产定价过程，本文
- 2 -
中国科技论文在线
试图从更多不同的角度去寻找真实影响资产定价过程的因素。
1 文献综述
偏度是衡量股票收益率围绕其均值非对称分布的指标，投资者往往具有正偏度的偏好，45
所以偏度被认为是修正股票定价模型的重要因素之一。考虑了偏度的资本资产定价模型便是
三阶模型。国内对于偏度因素的研究中，徐静（2007）在资本资产定价模型中引入了偏度和
峰度，通过实证检验，发现引入偏度和峰度的四阶资本资产定价模型更加具有解释力[1]。彭
孝松和杨义群（2004）认为贝塔系数并不能正确度量资产的系统风险，他们引入偏度，构造
了偏度修正的贝塔系数，使之能更加准确地度量系统风险[2]。 50
流动性用以衡量资本市场交易资产的便捷程度。流动性高，交易成本低，交易对股价的
影响也就小；相反地，流动性低，交易成本高，则投资者期望获得更高的收益率。由于现实
资本市场存在交易成本，流动性因素便成为股票定价中不可忽略的一个因素。Amihud 和
Mendelson(1986)最早开始讨论流动性在资产定价中的影响，他们利用买卖价差作为流动性
代理变量，通过实证研究证明了资产收益率与交易成本是正相关的，存在“非流动性补偿”55
[3]。换手率同样也可以作为流动性的度量指标，Haugen 和 Baker(1996)通过实证研究发现股
票预期收益与换手率呈显著负相关，证明了流动性溢价的存在[4]。Amihud（2002）用股票收
益率绝对值与成交额的比率构造了一个新的非流动性指标 ILLIQ，用 ILLIQ 指标对 NYSE 在
1963 年至 1997 年的数据同时进行横截面和时间序列分析，发现股票预期收益与非流动性指
标呈显著正相关，实证结果证明了流动性溢价的存在[5]。Langnan Chen，Steven Li 和 Jinan 60
Wang（2010）提出了流动性风险调整的三阶资本资产定价模型，通过混合横截面回归的方
法，实证检验了非流动性补偿的存在[6]。国外对于流动性的研究相当多，大多支持流动性溢
价理论。在国内对于流动性的研究中，吴文锋，芮萌和陈工孟（2003）利用非流动性指标
ILLIQ 检验中国股市的“风险补偿”和“非流动性风险补偿”假设，通过横截面回归发现中
国股市的“风险补偿”不成立，而“非流动性风险补偿”是显著存在的[7]。苏冬蔚和麦元勋65
（2004）利用换手率作为流动性的度量指标，检验了交易频率零假设和交易成本备择假设，
结果证明中国股市存在显著的流动性溢价，产生流动性溢价的原因是交易成本而不是交易频
率[8]。单树峰（2004）考虑到中国股票市场采取的是纯粹委托单驱动的连续交易制度，通过
选取非流动性指标、换手率指标和交易额指标，实证检验发现流动性成本与股票预期收益率
之间存在显著的正相关关系[9]。黄峰和邹小芃（2007）依据简单的流动性风险调整的资本资70
产定价模型，分析了非流动性补偿、流动性风险溢价效应和在我国股市的经验证据，得出结
论表明经典资本资产模型的价格风险敏感度对股票回报率缺乏解释，股票风险溢价更多地来
自对流动性风险的补偿[10]。
传统的资本资产定价模型的基本假设之一是投资者都是理性的，然而这一假设受到越来
越多的质疑。普遍的观点是认为市场上存在大量的噪声交易者，这一类交易者基于错误的主75
观信念或者偏误认知做出决策，从而对市场造成系统性的影响。这就涉及到投资者情绪的概
念。行为金融学认为投资者情绪是对股票价格造成系统性影响的重要因素之一。什么是投资
者情绪？大致可以将其定义为来源于市场上的噪音交易者，对资产价值的一种有偏差的估
值。关于投资者情绪较为经典的理论是 DeLong, Shleifer, Surnmers 和 Waldmann(1990)提出的
噪声交易者模型（DSSW），该模型指出由于噪声交易者的存在，给市场带来了持续的系统80
的风险[11]。因为不同的资产受到不同的投资者情绪的影响，所以在横截面上资产存在着差
异。Lee, Shleifer 和 Thaler(1991)发现封闭式基金折价和小公司报酬率之间有显著的关系，这
- 3 -
中国科技论文在线
进一步支持了 DSSW 理论[12]。Lee 等（2002）发现投资者情绪是影响价格的系统性因子，
超额收益与情绪变化同期相关，情绪变化影响收益波动[13]。在国内的研究中，池丽旭等
（2012）基于扩展卡尔曼滤波法，构造出过滤市场噪音的投资者情绪指标，在此基础上应用85
向量自回归模型分析我国投资者情绪指标与股票收益、股本规模等因素的经验关系，实证结
果表明规模公司股票的收益对投资者情绪的影响程度高于小规模公司股票，而投资者情绪对
小规模公司股票的影响显著高于大规模公司的股票，并且情绪波动能够预测小规模股票的短
期收益惯性和跨期收益反转的特征，证明情绪波动是影响资产定价的重要主观因素[14]。关
于投资者情绪的度量，国内外学者常用的代理指标有封闭式基金折价率，IPO 发行量与 IPO90
首日收益率，消费者信心指数等。国内外学者都曾单独或综合使用这些代理指标来研究投资
者情绪与资产收益的关系，例如，Baker 和 Wurgler（2006）利用主成分分析法对基金折价
率、市场换手率、新股发行家数、新股上市首日的平均收益率以及红利升水指数等五项指标
提取主成分，构造了一个投资者情绪的综合指标[15]。投资者情绪可以分为市场投资者情绪
和个股投资者情绪，关于个股投资者情绪的构造还是较为有限。梁丽珍（2008）基于流动性95
构造了反映个股投资者情绪的测度指标，她利用个股换手率和收益率符号的乘积来代理投资
者情绪，并证明了投资者情绪显著影响了资产定价过程[16]。关于投资者情绪研究，主要在
于对投资者情绪的量化度量以及从理论和实证上证明它在资产定价过程中所造成的影响。目
前大多研究表明投资者情绪是影响资产定价的系统因子之一。
本文在传统资本资产定价模型的基础上，综合考虑偏度、流动性和投资者情绪，采用面100
板数据回归方法，对 2011——2014 中国沪市 A 股进行实证分析，来验证流动性和投资者情
绪是否进入了资产定价过程。
2 数据和变量
本文利用 2007 年至 2014 年沪市 A 股的股票日交易数据进行实证分析，数据来源于“锐
思数据库”。对于每一年的股票选择，遵循以下几个准则：1.剔除 ST, PT 股票；2.在前一年105
一月一日之前已经上市，避免 IPO 效应；3.不存在无交易期间，每月交易天数至少 12 天。
选择后的股票规模如表 1。
表 1 历年样本股数量
年份 2007 2008 2009 2010 2011 2012 2013
股票数量 564 609 643 651 668 672 593
110
本文的各变量均采用月度指标。
非流动性指标
本文不用 Amihud（2002）构造的非流动性指标 ILLIQ，而是采用黄峰和邹小芃（2006）
构造的与 ILLIQ 类似的非流动性指标，其公式如下：
i
tDays
d
i
td
i
td
i
t
i
t V
A
DaysL 1
1
(1) 115
其中 itL 表示的是股票 i 在 t 月的非流动性成本， itdA 表示股票 i 在 t 月第 d 交易日
- 4 -
中国科技论文在线
的价格振幅， itdV 表示股票 i 在 t 月第 d 交易日的成交金额， itDays 表示股票 i 在 t 月的交
易天数。即股票 i 的 t 月的月非流动性成本是 t 月的日非流动性成本的算术平均值。此指标
与 Amihud 构造的非流动性指标 ILLIQ 区别在于将“日收益率”换成了“日价格振幅”。之
所以采用此指标是因为，日价格振幅完全是开盘后的指令流所推动的交易结果，排除了非交120
易因素引起的价格变化，能尽量减少度量误差，更好地反映流动性水平。本文使用投资组合
的形式进行实证研究，投资组合 p 的非流动性成本 ptL 是组合内所有股票的非流动性成本
的等权平均值。
投资者情绪指标
关于投资者情绪指标，大多只能给出整个市场的投资者情绪指标，而个股的投资者情绪125
指标的构建方法还是较为有限。本文利用梁丽珍（2008）构造的个股投资者情绪指标，公式
如下：
i
t
i
t
i
t TurnoverRsignSent )( (2)
其中 )( itRsign 表示取股票 i 在 t 月的月收益率的符号， itTurnover 表示股票 i 在 t 月
的月换手率。现有的一些研究指出流动性跟投资者情绪具有正向的内在关系，换手率是资产130
流动性的典型测度，并且与公司规模相关性低，可以较好地消除公司的规模效应，故可用换
手率来体现投资者情绪的大小程度。用收益率的符号是为了体现投资者情绪变化的方向。投
资组合 p 的投资者情绪测度 ptSent 是组合内所有股票的投资者情绪测度的等权平均值。
系统风险系数
用 itR 表示股票 i 的 t 月收益率， MtR 表示 t 月的市场组合收益率，市场组合 M 的收益135
率是所有样本股收益率的等权平均值。无风险收益率采用上海银行间 3 个月同业拆放利率。
投资组合 p 的收益率 ptR 为组合内所有股票收益率的等权平均值。对于投资组合 p 的 t 月的
系统风险系数，我们用 t 月之前的 36 个月的收益率数据进行回归，即进行如下回归：
ptftMtptftpt eRRRR )( (3)
因投资组合 p 的 t 月的系统风险系数 pt 都是由 t 月之前的 36 个月的收益率数据进行回140
归得到，所以可以得到 2011 年 1 月至 2014 年 12 月的投资组合 p 的月度 pt （2011 年 1 月
的 p 由前三年即 2008 年 1 月至 2010 年 12 月共 36 个月的收益率数据回归得到）。
系统偏度系数
由于资产的收益率并不服从正态分布，投资者往往具有正偏度的偏好，于是引入系统偏
度系数，作为系统风险系数的一种补充。投资组合 p 的 t 月的系统偏度系数由下式进行估计： 145
36
1
336
1
2
k
MMk
k
ppkMMkpt rErrErrEr (4)
其中 Mkr 表示市场组合 M 的超额收益率， pkr 表示投资组合 p 的超额收益率。
- 5 -
中国科技论文在线
股票规模
股票规模即股票市值（Size）与流动性是相关的，一般来说，股票规模越大，其价差就
会越小，对价格的影响也就越小。并且国内外研究都表明股票的预期收益率与规模负相关。150
我们对股票市值取自然对数。投资组合 p 的市值是组合内所有股票的平均市值再取自然对
数。
换手率
换手率是度量股票流动性最常见的指标之一，换手率高的股票流动性好，交易成本低，
股票预期收益率与换手率之间应当存在负相关关系。 155
3 实证方法
本文主要利用 R 软件进行数据处理得到各指标数值，利用 eviews 进行面板数据回归分
析。
计算第 K 年（K=2007,2008，…，2013）的每只股票的年度非流动性成本，年度非流动
性成本的计算方法与月非流动性成本类似，是一年的交易日的日非流动性成本的算术平均160
值。然后根据第 K 年的股票年度非流动性成本的大小进行排序分组，分为 10 个投资组合，
年度非流动性成本最小的在第 1 组，最大的在第 10 组。之后分别计算这十个投资组合在第
K+1 年的月非流动性成本，月收益率，月投资者情绪和月市值，同时计算第 K+1 年的市场组
合的月收益率。于是得到 2008 年 1 月至 2014 年 12 月 10 个投资组合和市场组合的月收益率。
由于用 36 个月的月度收益率数据进行回归来得到系统风险系数以及得到系统偏度系165
数，故可以得到 2011 年 1 月至 2014 年 12 月的投资组合 p 的月度 pt （2011 年 1 月由前三
年即 2008 年 1 月至 2010 年 12 月共 36 个月的收益率数据回归得到）以及 pt 。这样便得到
了 2011 年 1 月至 2014 年 12 月 10 个投资组合的非流动性指标、投资者情绪指标、系统风险
系数、系统偏度系数和市值。
本文使用面板数据回归的方法进行实证分析，横截面个数为 10，时间序列长度为 47。 170
建立如下两个模型：
1,5,41,31,21,10, tptptptptptp LnSizeSentLr
(5)
1,5,41,31,21,10, tptptptptptp LnSizeSentTurnoverr
(6) 175
其中 ptr 表示投资组合 t 月的超额收益率， 1, tp 表示投资组合 t-1 月的系统风险系数，
1, tp 表示投资组合 t-1 月的系统偏度系数， 1, tpL 表示投资组合 t-1 月的非流动性指标，
tpSent , 表示投资组合 t 月的投资者情绪， 1, tpLnSize 表示投资组合 t-1 月的市值，
1, tpTurnover 表示投资组合 t-1 月的换手率。
4 实证结果及分析 180
描述性统计量
下面先给出各变量的描述性统计量。如表 2 所示。
- 6 -
中国科技论文在线
表 2 各变量的描述性统计量
投资组合 irE i i )( iLE iSent iLnSize
1
2
3
4
5
6
7
8
9
10
可以对以上描述性统计量做一些简单的观察。从投资组合 1 到投资组合 10，随着非流185
动性成本逐渐增加，投资组合的收益率也逐渐增加。这似乎意味着资产的收益率与非流动性
成本是正相关的。
随着投资组合的收益率以及非流动性成本逐渐增加，投资组合的市值规模逐渐减少，这
也似乎意味着资产的预期收益率与规模负相关，规模越大的投资组合的非流动性成本越小即
流动性越好。 190
并且投资者情绪与投资组合收益率之间大致呈现一种正相关关系。
然而系统风险系数、系统偏度系数并没有呈现规律，这似乎说明系统风险系数、系统偏
度系数与资产流动性并没有联系。
实证结果
表 3 —— 整个样本期间的面板数据回归结果 195
模型 C L Turnover Sent LnSize 2R
1
（）
（）
（）
（）
（）
（）
2
（）
（）
（）
（）
()
()
由表 3，可以得到如下分析结果：
（1）两个模型的回归结果都显示系统风险系数和系统偏度系数在 的置信水平上是
不显著的，只有模型 2 的系统风险系数较为显著，说明风险系数和偏度并未捕捉到资产定价
的系统风险，这与国内的大部分研究成果是吻合的。 200
（2）模型 1 回归结果显示非流动性成本与股票收益是显著正相关的，符合预期，表明
存在非流动性风险补偿。
（3）模型 2 的回归结果显示换手率与股票收益显著负相关，符合预期，即换手率高的
股票流动性好，交易成本低，股票预期收益率与换手率之间存在负相关关系。从另一个角度
验证了流动性风险溢价的存在。 205
（4）两个模型的回归结果都显示投资者情绪指标与股票收益之间存在显著正相关关系，
投资者情绪高涨则带动股票收益的上升，反之则否。表明投资者情绪进入了资产定价的过程。
- 7 -
中国科技论文在线
从结果来看，投资者情绪对股票收益的影响甚至强于非流动成本因素。
（5）模型 1 回归结果显示市值因素与股票收益正相关，但在 的置信水平上并不显
著；模型 2 回归结果显示市值因素与股票收益负相关，但在 的置信水平上也是不太显著210
的。这与国内多数研究成果不甚相符。
为保证结果的稳健性，将样本期间分为两个时期，对两个模型进行同样的面板数据回归，
回归结果如下。
表 4 —— 的面板数据回归结果 215
模型 C L Turnover
Sent LnSize 2R
1
()
()
()
()
()
()
2
（）
（）
（）
（）
（）
（）
表 5 —— 的面板数据回归结果
模型 C L Turnover Sent LnSize 2R
1
（）
（）
（）
（）
（）
（）
2
（）
（）
（）
（）
（）
（）
两个模型在两个时期的回归结果与整个样本期间的回归结果基本相同，除了在模型 2
在 —— 回归结果中的换手率与股票收益并不显著负相关。表明回归结果是稳220
健的。
5 结论
本文利用 —— 沪市 A 股的股票交易数据，构造包括偏度、投资者情绪
和非流动性成本等指标，建立了面板数据回归模型，通过实证检验可知系统风险系数以及系
统偏度系数对中国股票收益并没有解释力，这与国内大多数研究成果是一致的，即资本资产225
定价模型在中国股市并不成立。
在本文的实证检验中，并未显示出规模效应的存在。
但是中国股市具有显著的“非流动性补偿”，表明在资产定价过程中，非流动性起到了
很重要的作用。投资者对于非流动性具有相当程度的关注。
并且中国股市具有显著的投资者情绪的影响，投资者情绪进入了资产定价过程，与股票230
收益呈现显著的正相关关系。从回归结果来看，投资者情绪对股票收益的影响甚至强于非流
动成本因素。表明中国股市存在大量的噪音交易者，鉴于我国的股市尚不健全，大量投资者
都进行短线投资与炒作，追逐短期利润，基于理性投资者假设的资本资产定价模型也就失去
了成立的基础。
- 8 -
中国科技论文在线
总而言之，中国股市存在显著的“非流动性补偿”或者“流动性溢价”，以及显著的投235
资者情绪影响，而传统的资本资产定价模型是不成立的。我们要从更多的角度去发掘影响资
产收益的因素。
[参考文献] (References)
[1] 俆静. 引入偏度、峰度的 CAPM 模型[J]. 科技信息，2007，（10）：119-119. 240
[2] 彭孝松，杨义群. 贝塔系数是风险的正确度量吗[J]. 商业研究，2004，（286）：7-9.
[3] Amihud Y, Mendelson H. Asset Pricing and the Bid-ask Spread[J]. Journal of Financial Economics, 1986,
17(2): 223- 249.
[4] Haugen R A, Baker N L. Commonality in the determinants of expected stock returns[J]. Journal of Financial
Economics, 1996, 41(3): 401-439. 245
[5] Amihud Y. Illiquidity and Stock Returns: Cross-section and Time-series Effects[J]. Journal of Financial
Markets, 2000, 5(1): 31-56.
[6] Chen L, Li S, Wang J. Liquidity, Skewness and Stock Returns: Evidence from Chinese Stock Market[J].
Asia-Pacific Finan Markets, 2011, 18(4): 405-427.
[7] 吴文锋，芮萌，陈工孟. 中国股票收益的非流动性补偿[J]. 世界经济，2003，（7）：54-60. 250
[8] 苏冬蔚，麦元勋. 流动性与资产定价：基于我国股市资产换手率与预期收益的实证研究[J]. 经济研究，
2007，（2）：95-105.
[9] 单树峰. 流动性成本与股票定价[J]. 当代财经，2004，（2）：49-54.
[10] 黄峰，邹小芃. 我国股票市场的流动性风险溢价研究[J]. 浙江大学学报：人文社会科学版，2007，37
（4）：191-200. 255
[11] Long J B D, Waldmann R J. Noise Trader Risk in Financial Markets [J]. Scholarly Articles, 1990，98(4):
703-738.
[12] Lee C M C, Shleifer A, Thaler R H. Investor Sentiment and the Closed-End Fund Puzzle. Journal of Finance,
1991, 46(1): 75-109.
[13] Lee W Y, Jiang C X, Intro D C. Stock market volatility, excess returns, and the role of investor sentiment[J]. 260
Journal of Banking and Finance, 2002, 26(12): 2277-2299.
[14] 池丽旭，张广胜，庄新田等. 投资者情绪指标与股票市场-基于扩展卡尔曼滤波方法的研究[J]. 管理工
程学报，2012， 26（3）：122-128.
[15] Baker M, Wurgler J. Investor sentiment in the Stock Market[J]. Social Science Electronic Publishing, 2007,
2l(2): 129-151. 265
[16] 梁丽珍. 投资者情绪、流动性与资产收益[D]. 厦门：厦门大学，2008.
