文摘
分析信息共享是否在机构投资者发挥风险市场稳定剂或助推器的作用,本文构造了机构投资者信息网络使用的共同持有股票共同基金作为链接。的信息之间的联系两个基金大量头寸相同的股票被假设是连接到对方。然后,我们使用该基金网络中的信息共享效率研究信息传输的影响股票市场极端风险和金融系统性风险。尤其是网络中的信息扩散的速度特征是基于社会网络理论的拓扑结构。实证研究发现,中国基金信息网络表现出小世界特性,反映快速扩散的速度信息。从波动的特殊风险,信息共享的机构投资者可以提高基金经理的行为一致性,从而增加股票波动通过从众效应。此外,它可以得出的结论是,机构投资者信息共享可以减少极端风险通过促进信息流动的全面性和股票的市场定价效率,从而降低金融系统性风险的程度。所得结论为机构投资者的决策提供建议。它可以帮助监管者关注从众效应,控制系统性风险。
1。介绍
近年来,中国证监会大力发展机构投资者。这种策略的变化情况在中国资本市场以散户投资者为主。2019年,散户投资者占市值的31.4%,和机构投资者占市值的53.2%。在中国金融市场上,机构投资者主要是基于证券投资基金。由于其专业团队和信息优势,机构投资者很容易引发交易行为的从众效应通过相互学习和模仿在同一社会关系(1]。随着机构投资者的蓬勃发展,中国股市已经变得越来越不稳定。同时,股票市场的极端风险更频繁地发生。除了2008年的次贷危机,成千上万的股市下跌2015年6月,由于在中国股市崩盘。因此,它导致机构投资者是否扮演的讨论放大市场波动由于放牧行为(2),或与专业研究团队稳定市场3]。
由于机构投资者之间的联系得到加强,这意味着存在内生风险蔓延在股票市场。因此,它是有意义的学习信息扩散的影响股票市场上的机构投资者网络极端风险和金融系统性风险。它可以为管理者提供参考维护金融稳定和防止金融危机造成的系统性风险传染。
投资者经常通过社会关系时,积极寻求私人信息决策(4- - - - - -6]。基金经理在同一信息网络往往表现出更明显的羊群效应(7]。投资者之间的信息交流能够影响股票价格波动(8- - - - - -10]。为了分析机构投资者对金融风险的影响机制,有必要分析这个社区的信息传播特征。近年来,金融网络已经成为一种有效的工具在研究金融风险传播以及信息传播(11,12]。网络扮演着至关重要的角色在信息流通过金融市场。阿胶和Mele13)发现,投资者行为密切相关的信息网络更容易产生羊群效应。分享私人信息的理性选择是基金经理最大化自己的利益(14]。此外,基金经理之间的社会网络的拓扑结构特征会影响信息交流的有效性和风险蔓延15]。根据Pareek [7),一个信息或股票所有权之间的联系两个共同基金是由大量头寸定义在相同的股票。股票信息网络对应的关于股票的基金经理设置在人信息扩散通过口口相传或通过常见的私人信息的来源。因此,本文假定存在私人信息交流基金普遍持有的股票。此外,先前的研究已经发现,信息网络的形成主要是基于社会关系和资产配置16]。然后,机构投资者可以构造网络使用的共同持有股票共同基金作为链接。此外,我们可以分析信息共享网络效率的影响股票价格波动和系统性风险。
股票波动不能直接观察到,这需要从收益中提取。经济基本面风险驱动的通用组件不能被分散,而个股的特殊风险是可以控制的。尽管CAPM中的贝塔风险模型或这种法玛—弗伦奇三因子模型可以计算个股波动性,它不检查提取的特殊风险从股票市场时,面临着共同的冲击。特别是在计算特殊风险,高维时间序列很容易“维度的诅咒”的问题。为了解决这个问题,Barigozzi和Hallin17]扩展广义动态因子模型(GDFM)行为基于et al。18)如果股票波动率分解为普通中断导致油价新一轮组件和组件的特质。然后,它提取市场波动冲击对波动溢出效应进行调查。GDFM的优点是,它可以实现对高维数据降维在股票市场不丢失信息。因此,我们继续采用这种方法计算的股票波动。
金融金融体系系统性风险是指风险导致损失和金融服务中断,这将严重损害实体经济。艾德里安和艾登(19]提出的条件风险价值的概念基于VaR(柯伐合金),指其他机构的风险价值或整个金融系统的特定机构处于某种状态。Rodriguez-Moreno和佩纳(20.)指出,ΔCoVaR可以捕获在极端情况下尾部风险。Acharya et al。21)提出了边际预期损失的概念基于ES (MES),代表单个机构的回报的预期损失当整个金融市场的下跌。使用柯伐合金和MES衡量系统性风险已成为当前风险管理的主流方法,如Karimalis和Nomikos [22]。柯伐合金的常用计算方法包括分位数回归方法,GARCH-DCC模型方法,介体的方法。众所周知,财务回报的波动性显示随机波动特性。因此,有必要考虑财务回报的集群特征在使用财务数据。因此,本文利用AR-GARCH-DCC-based方法计算柯伐合金和MES在计算系统性风险。
目前,研究机构投资者主要关注治理作用[23,24),较少关注他们的市场行为。尚未有研究信息共享效率之间的关系和金融系统性风险从机构投资者的角度信息网络。在本文中,我们假设两名基金经理分配投资组合的5%或更多相同的股票相互连接。,信息相同的股票可能会扩散通过公共信息来源。然后,它是重要的研究机构投资者的信息共享的影响网络金融风险在股票市场上。
本研究的创新贡献在现有文献主要包括以下几方面。构造为主,机构投资者的信息网络使用的共同持有股票基金作为链接。具体来说,我们定义的基金信息网络和其他基金持有超过5%的投资组合在任何股票的基金也投资了至少5%的投资组合。的信息之间的联系两个基金大量头寸相同的股票被假设是连接到对方。然后,网络信息扩散特性的网络拓扑结构的特征。在此基础上,我们进一步分析基金的结构特点之间的关系网络和不同的金融风险(包括特殊风险、极端风险和系统性风险)。其次,有关个股的波动,GDFM模型用于从高维数据中提取的特质波动率考虑到股票市场将受到公共信息流动的影响。第三,当计算金融系统性风险,相应的系统性风险计算考虑到股票数据的聚类和随机波动特征。
2。模型框架
在本文中,我们主要关注事务机构投资者的交易行为,这是由共同的股权投资基金。机构投资者可以直接交换信息通过间接的社会学习和纠正他们的认知偏见。机构投资者网络有着重要影响股票价格波动和股票市场极端风险,进而影响金融系统性风险。机构投资者网络中信息传播的程度与信息共享的效率。本文采用拓扑指标反映基金的结构信息网络作为机构投资者的代理变量信息共享的效率。具体地说,网络中心和网络密度指标主要是用来测量信息共享的效率。不同来源的风险,它分为三个层次,即单个股票的特殊风险,股票市场的极端风险,金融系统性风险。
2.1。机构投资者信息网络
机构投资者的信息网络,如果两个基金持有普通股与大的位置,然后定义的两个基金都在相同的基金信息网络。与大量的位置意味着该基金持有股票的市场价值的基金持有的股票占总市值的5%以上的股权。机构投资者需要依靠公共信息和私人信息在他们的决策过程。公共信息是指从公开市场获得的信息,如历史交易信息,财务报表信息和其他投资者的行为。私人信息主要是指投资者在一个小范围内传播的信息和独特的信息中存在的社会关系。由于私人信息的信息共享,基金经理的羊群效应在同一信息网络通常更加明显。因此,私人信息机构投资者的决策起着至关重要的作用。
信息优势的机构投资者的决策和交易行为往往来自私人信息。通过社会关系之间的直接信息交换机构投资者可以验证他们的信息。通过间接的社会学习,他们可以纠正自己的认知偏差。同样的信息网络,分享私人信息提高交易策略的一致性,和pseudoherding效应产生进一步影响股票价格波动和金融风险。该基金信息网络是集所有其他基金的相同的信息网络。本文利用中国的共同基金的数据构建基金的机构投资者网络模型与共同持有股票。如果机构投资者相互学习通过信息网络,网络的结构可以帮助理解信息流动的过程。机构投资者网络拓扑是用来描述信息共享效率,以及影响机构投资者在股票市场上信息共享机制极端风险和金融系统性风险。具体地说,投资者网络的信息共享效率的特点是指标包括网络集中化的程度和网络密度。
图的集中化的程度在机构投资者网络描绘了整个网络图的中心。它表明机构投资者多少网络围绕某些特殊节点,可以计算如下: 在哪里表示节点的程度nk在网络和代表的最大价值 。更大程度值意味着存在节点网络信息的传播,发挥了关键作用,这些关键节点影响网络中的信息扩散的速度,加快信息传播。
机构投资者网络的网络密度表示的数量比实际的边缘E我在k我邻居节点的节点和的总数可能的边缘 ,所示公式(2)。网络节点的密度代表亲密的节点和它的邻国之间的关系。网络节点的密度越大,网络集群现象越明显,这将阻碍的综合传播信息: 在价值网络的密度越大,越“小群体”在网络紧密相连。这些小团体通常产生阻碍网络内的信息传输为了利润。因此,网络密度反映了网络中信息传输的学位。
因为强大的社会基金经理之间的关系和有效的信息传播渠道,网络由机构投资者之间的相互作用会产生羊群效应在社区内,容易导致极端的市场风险。此外,金融系统性风险传染可以通过分析机构投资者之间的信息共享的网络结构特征。
2.2。股票市场极端风险和金融系统性风险
2.2.1。特殊风险
对于个股的波动,传统方法如标准差、GARCH模型、CAPM模型不合理反映总体的股票市场的风险。然而,非参数广义动态因子模型可以波动序列分解为共同的要素驱动波动分量和特质波动分量。
当使用高维数据计算的特质波动风险在股票市场作为一个整体,它将面临“维诅咒”的问题。风扇等。25)分解高维财务数据的协方差矩阵的总和“低等级+稀疏”类型,对应于常见的组件和特殊的组件,分别。Barigozzi和Hallin17)提出了两级GDFM方法分解总体波动性向量到共同波动分量和特质波动分量公式所示(3)。然后,提取的股票市场的波动性,以及组件的分解主要是基于动态主成分Brillinger的概念: 在这l代表了滞后算子的过滤器 ,向量的影响代表了正交白噪声过程,即正交由矩阵,可以加载负载块对角矩阵表示的过滤器,这样VAR算子在单位圆没有特征根square-addable,表示满秩矩阵,代表了特殊的波动。此外,利用数据驱动的方法来识别因素的数量问在 。
通过公式(3),股票市场波动率分解为共同市场冲击造成的波动和特殊的波动。通用组件的剩余工资可以通过该方法获得的行为等。18),而残差的特殊组件通过单变量基于“增大化现实”技术拟合可以得到。此外,冲击驱动这两个不同类型的波动是数学上正交的。
2.2.2。极端的风险
金融风险度量是金融风险监管的基础,这就需要高效的工具。不同的特殊风险,反映了特质波动分量,极端的风险主要是抓住了尾部风险的股票市场是由外部尾事件。尾事件导致极端风险由峭度和回报分布的厚尾特征以及返回的随机波动特性。在此基础上,频繁的尾事件造成的极端风险在股票市场很容易诱发金融系统性风险。然后,VaR和ES指标主要是用来描述极端风险。
VaR是用来确定资本水平,金融机构需要保留在应对金融风险。让表示返回的机构我在时间t,r它= 100× 。当1−的信心水平问,可以定义为公关(VaR )=问。可以理解为问分位数的资产回报的机构我,其值通常是负面的。然而,它主要侧重于个别机构的风险,并不能反映风险在整个金融系统的稳定的痛苦。
ES代表个别机构的预期损失的损失超过资产的回报 。关于金融体系在危机中国家系统性事件,和阈值C用于定义压力事件,那么金融系统的预期损失的时间吗t可以定义如下:
2.2.3。系统性风险
系统性风险积累到一定程度时,释放会导致大量的机构关闭。然后,它将导致整个金融体系面临的系统性危机。条件风险价值(柯伐合金)是指整个金融体系面临的风险,当一个机构在危机。它可以用来描述的风险溢出不同机构之间的关系。它描述了整个金融系统的风险度最终假定通过不同渠道的信息传输。假设事件发生在机构我在时间t,然后柯伐合金代表机构的VaR值我在1−的置信水平问。也就是说,整个金融系统的条件风险价值如果机构的损失我的水平 。此外,柯伐合金也可以定义为问分位数的资产回报的概率分布: 在哪里代表了VaR金融体系的机构我是在水平,包括机构的系统性风险的溢出效应我在整个金融系统。当检查系统性风险,风险的贡献程度从单个机构我整个金融系统可以表示为不同的条件风险值时,整个金融系统的机构我在金融危机和条件风险价值系统的机构我处于中间状态,可以用以下公式表示: 在哪里表明个人的负面外部溢出风险机构产生对整个金融体系,量化附加险对整个金融体系单一机构时面临压力。它捕获的边际贡献的机构我总系统性风险,反映出边际风险贡献的机构系统陷入危机,绝对值较大表明更高程度的系统性风险。
系统性风险MES代表个人的边际贡献的机构风险衡量ES措施,系统的偏导数ES在机构的重量我。它代表的数量变化造成的市场风险指标ES的重量变化量我th机构金融系统的一个单位。MES价值越高,机构的贡献就越大我系统性风险。根据Scaillet [26),MES可以表示为ES的权值的一阶导数我th资产,可以表示如下:
MES措施超过了所有的损失α分位数的损失分布。边际预期短缺的预期商业机构在危机的风险水平和盈利能力,它反映了一个机构抵御市场风险的能力。
AR-GARCH-DCC模型方法来描述变量之间的非线性相关风险和聚类属性在股票市场和计算风险的贡献程度的个体股票系统。具体来说,动态条件相关DCC模型是用来模型之间的动态关联系统返回和个人主要机构的回报。然后,我们使用AR-GARCH(1,1)框架模型的波动,得到系统的条件和标准残差波动和个别机构,分别。参数估计使用quasimaximum似然估计方法来获得一个一致的、渐近估计。其次,根据独立创新的和相同的分布性质的波动过程,尾部的非参数核估计预期执行。最后,根据上述计算系统性风险柯伐合金和MES风险度量公式。
2.3。模型规范
机构投资者使用的网络拓扑结构特征来描述信息共享的特点,我们进一步分析信息共享的机构投资者之间的关系网络和不同程度的风险。相应的风险包括特殊风险,股票市场极端风险和金融系统性风险。可以指定模型如下:
为了控制的其他因素影响股票价格风险,以下两种类型的控制变量引入模型:(1)估值变量,包括股票收益的标准差(变化),公司规模(lncapi),收益比市场价值(retcap),资产负债率(asslia)市盈率(pe)和大股东的持股比例(持有人);(2)从众效应控制变量,包括个人库存周转率(营业额),价格动量(女人),情绪指标(愿意)。具体的定义和计算方法的变量如表所示1。
3所示。实证结果
3.1。机构投资者信息网络
本文使用中国共同安全投资基金和上市公司股票为样本。示例数据涵盖了从2007年第一季度到2019年第二季度,和数据来自数据库在中国风。我们选择与大型共同基金持有普通股的位置的普通股票基金,混合与部分股票,基金和平衡混合基金样本期间。特别是,持有股票指股票被十大股票最大的位置在该基金的季度报告,宣布这些股票的市值占基金的市值的5%以上。据统计,每季度平均比例的基金拥有大量股票在所有基金为41.4%,这表明该基金信息网络对股票波动率有重要影响。此外,人们已经发现,基金的规模信息网络正在不断地增加。
主要基于2019年半年度报告的数据,中国共同基金的概述网络图,如图1。在图1,网络的平均路径长度是1.7049和聚类系数为0.7455,表明中国机构投资者网络显示小世界特性,反映快速扩散的速度信息。为了更清楚地显示,股票基金信息网络连接关系,我们把中国内蒙古伊利实业集团(伊利)为例,围绕伊利股份和股票网络图所示2。在图2,伊利的五个共同基金持有的股票,和代码这五个基金,分别为006429。的,004868年。的,162107年。的,001186年。的,090016。的,所有这五个基金有自己的基金信息网络。伊利的股票网络是集五基金持有其股票和各自的基金信息网络。
3.2。股票市场极端风险和金融系统性风险
图3显示了每日的极端风险的VaR方法使用单独的中国股市数据。系统性事件被定义为市场回报超过5%的情况下风险阈值水平。从市场平均值,极端的风险在中国金融市场的程度很低,表明中国的极端风险通常是可控的。除了极端风险的急剧增加在国际金融危机期间,中国股市在2008年和2015年中国股市灾难,极端风险的程度,中国股市在2018年再次上升。这主要是由于信贷事件的影响在中国互联网金融等违约,债券违约,2018年中美贸易摩擦的升级,增加了系统性风险的程度。
图4显示了在中国金融系统性风险的日常水平。不同于股票市场的极端风险的VaR,衡量系统性风险和MES不仅识别风险激增造成的次贷危机在2008年,中国股市灾难事件在2015年和2018年信贷违约,还识别风险激增造成的资金短缺事件于2013年在中国。此外,中国的系统性风险的周期性特征明显,和系统性风险指标的值在金融危机和MES变化显著。2013年,由于严格的银行间同业拆借和更高的利率,金融机构和相关机构受到资金短缺的风险。在2014年底,系统性风险指标显示逐渐上升,然后风险指标达到了顶峰动荡期间成千上万的股票随后在2015年下降。在2018年,互联网金融违约造成的全面影响,企业债券违约,国核的升级。年代贸易摩擦影响了股票市场,使系统性风险急剧上升。这一现象也使得有必要和紧迫,防止金融风险的跨部门传输,防止系统性风险的发生。
3.3。机构投资者的信息共享与极端风险和系统性风险
国际货币基金组织网络的拓扑结构特征信息共享的效率。网络的程度越大,网络信息的传播速度越快,与信息共享的效率提高。更大的网络密度意味着有小团体的利益网络,这将阻碍信息的传播,减少信息共享的效率。根据前面的模型规范,我们分析的集中和网络密度的影响基金信息网络股票波动性和极端的特质风险在股票市场风险。从表中所示的结果2可以看出,该基金信息网络的集中程度与个体的特殊风险波动正相关在控制其它相关因素。然而,网络密度和特质波动率负相关。换句话说,机构投资者信息共享已经加剧了特殊的个别股票价格的波动。这主要是因为机构投资者相互学习,从而导致类似的投资决策。信息共享提高了一致性交易业务的基金经理和从众效应。机构投资者的羊群效应防止全面纳入股票价格信息及时,这就增加了股票波动在短期内。个股波动率而言,有必要降低股市崩溃的风险引起的机构投资者相互模仿。
从极端的后果风险,基金信息网络显示的集中化程度负相关,股票市场的极端风险衡量VaR和ES方法在控制其它相关因素。网络密度和股票市场的极端风险衡量VaR和ES方法也显示显著正相关。这表明,机构投资者之间的信息共享可以减少极端风险在股票市场。此外,基金信息网络的影响的风险和极端风险是不同的。具体来说,对个股波动性的影响可以在短时间内实现,而影响极端风险需要相对长的时间充分传播市场。
此外,我们分析的影响集中和系统性风险基金信息网络的网络密度,结果见表3。从系统性风险的后果,该基金的集中程度信息网络显示负相关的系统性风险衡量柯伐合金和MES指标。然而,网络密度显示与系统性风险显著正相关。这表明,机构投资者之间的信息共享可以减少系统性风险。这主要是因为机构投资者之间的信息共享提高市场信息传播的全面性和准确性,以便它可以提高股票的市场定价效率。通过减少极端风险在股票市场,进一步降低金融系统性风险的程度。这意味着改善机构投资者的信息披露质量有助于降低极端风险和系统性风险。
4所示。结论
本文假定存在私人之间的信息共享基金持有普通股与大的位置。然后,我们建立机构投资者信息网络使用的共同持有股票共同基金作为链接。,信息共享效率的影响所代表的网络拓扑结构对股票市场和金融系统性风险的极端风险。基于中国的实证分析共同基金和股票市场数据从2007年到2019年,我们揭示的内在形成机制基金羊群行为。研究发现,中国机构投资者表现出小世界网络特征,反映速度快的信息扩散。在控制其它相关因素,可以发现,从个人的特殊风险波动,机构投资者增加了特殊的风险信息共享。然而,从极端的角度对股票市场的影响的风险,存在负面信息共享的机构投资者之间的关系网络和股票市场极端风险。机构投资者之间的信息共享,降低极端风险在股票市场。此外,机构投资者之间存在着负相关关系信息共享和系统性风险,这意味着机构投资者之间的信息共享减少金融系统性风险。
这表明,为了防止系统性风险的传播,必须注意信息流的基金经理的角色在社会网络。机构投资者信息共享减少黑天鹅事件的概率通过改善市场信息传播的广泛性和股票的市场定价效率。研究的结论为监管机构稳定市场提供参考,以防止操纵股票价格由投资者的羊群效应引起的。个股波动率而言,有必要降低股市崩溃的风险引起的机构投资者相互模仿。关于极端风险和系统性风险,提高机构投资者的信息披露质量有助于降低这些风险。获得的结论也有益的其他金融市场监管机构和投资者。基金的使用信息网络有助于识别重要的机构投资者,进行有针对性的监督,防止操纵股票价格。
数据可用性
风数据库数据(Excel类型)用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
作者要感谢中国国家自然科学基金会的资金支持(号。71901130,71532009,71790594),山东省社会科学规划项目(没有。19 cjrj21),中国博士后科学基金会(2018 m641653)。