安全投資轉移視角下的跨行業投資組合模型及實證

金 秀，塵 娜，王 佳

（東北大學工商管理學院，遼寧 沈陽 110169）

1 引言

隨著經濟全球化和金融自由化進程加快，金融創新產品日益豐富加劇了市場的風險傳染和波動性。大量的金融實證研究表明，金融資產的收益率常常表現出非線性、動態的結構性變化［1-2］。股市的波動受經濟周期的影響，其運動軌跡在上漲和下跌兩種狀態下交替演進。投資者對某一市場狀態產生恐慌情緒，則賣出風險型資產而買入相對安全的資產，產生安全投資轉移行為（flight-to-quality）［3］。在股票市場上，安全投資轉移行為使得資金在行業間和行業內股票間流動，本文研究安全投資轉移行為對行業間資金流動的影響。Furfine［4］將產生系統性風險的渠道分為兩個維度：一是時間維度，所有行業共同受到外部沖擊而產生的系統性風險，該沖擊隨時間不斷累積，與宏觀經濟周期密切相關；二是截面維度，某個行業受到沖擊時，投資者安全投資轉移行為使得資金從該行業轉移至其他行業，進而引起行業間聯動性和風險溢出。由于風險溢出導致其他行業對某一行業風險的貢獻屬于截面維度的系統性風險，因此在組合投資決策中有必要考慮行業間的風險溢出對資產配置的影響。

與本文相關的研究主要集中于三個方面：

第一，對投資者安全投資轉移行為的衡量。Cho等［5］通過國外投資的凈股權流動金額捕捉在國內、國外市場間的安全投資轉移行為。Bethke等［6］認為當投資者情緒低落時，投資者安全投資轉移行為將減少投資高信用風險的債券，導致信用風險增大，同時將投資轉向無風險債券或現金，導致債券市場流動性風險增大，因此，利用信用風險因子和流動性風險因子的聯動性捕捉安全投資轉移行為。Kaul和Kayacetin［7］以大規模藍籌公司股往往比小規模融資受限公司股是更安全的投資為前提假設，利用大規模股票與小規模股票訂單流差異捕捉安全投資轉移。安全投資轉移行為是指，當投資者感到恐慌時，賣出風險資產并買入安全資產的交易行為，造成資金從風險資產到安全資產的系統性流動。由于安全投資轉移行為是在投資者感到恐慌的情況下發生的，所以它是一種積極主動的交易行為。對比現有三種安全投資轉移衡量方法：凈股權流動金額、風險因子聯動性這兩種代理變量并不能反映投資者交易的積極主動性，訂單流差異代理變量可以反映投資者交易的積極主動性。

第二，對行業間風險溢出的研究?？紤]風險溢出后的系統性風險度量主要有兩種方法：復雜網絡分析方法和Co VaR方法。Upper［8］基于復雜網絡分析方法模擬金融系統中個體間風險溢出情況，進而對形成的系統性風險進行測度。在單一個體風險度量模型在險價值（VaR）的基礎上，Adrian 和Brunnermeier［9］考慮個體間的風險溢出提出條件風險價值（CoVaR），用于測度當某一個體陷入危機時整個金融系統的在險價值?？紤]金融系統個體的穩定性、抵御沖擊能力等性質隨市場狀態變化，Adams等［10］考慮狀態依賴下的風險溢出效應，提出狀態依賴下的敏感性VaR模型（State-Dependent SensitivityVa R，SDSVaR）。復雜網絡分析方法和Co-VaR方法都著重研究個體對系統性風險的影響，而SDSVaR模型著重研究個體間的風險溢出效應，能夠直觀量化行業間風險溢出效應的方向和大小。

第三，對相關最優資產配置問題的研究。市場狀態轉移對資產定價和最優資產配置的影響已經引起許多學者的關注，并取得了豐富研究成果。Ang和Bekaert［11］利用狀態依賴CAPM模型研究資產收益波動性，結果表明狀態轉移對國際資產配置具有不可忽視的影響。但是，現有狀態依賴下的投資組合研究中大部分立足于資產價格的內生變化進行收益估計［12］，對不同市場狀態下的行業間輪動效應鮮有涉及。行業的周期性導致狀態依賴下的熱點行業輪動，增長型行業受市場狀態影響較小，周期型行業與市場狀態緊密相關性，防御型行業在不同市場狀態下表現都較穩定。Stovall［13］考慮行業板塊輪動下的資產配置，認為當經濟從擴張期轉向收縮期，防守型日用消費品表現較好，當經濟轉向低谷期，公用事業與金融行業表現較好。葉五一等［14］研究表明，我國股票市場上化工行業與其他行業關系較不穩定，金融行業對非金融行業的影響較大。已有關于跨行業投資組合的研究較少考慮市場狀態變化和行業間的風險溢出效應，導致在極端情況下低估了行業風險。2007-2009年間的金融危機表明，不同行業之間的傳染性增加，常用的VaR、CVa R等風險度量工具都沒有考慮溢出風險的影響，不能很好的刻畫投資組合風險。

本文的研究主要有以下三個方面的貢獻。第一點，從投資者行為的角度討論中國股票市場上的風險溢出機制。大規模股票與小規模股票的訂單流差異可以捕捉投資者安全投資轉移行為，安全投資轉移使得資金在行業間流動，導致風險溢出。第二點，從兩個維度度量行業風險。在考慮市場狀態這一時間維度系統性風險的基礎上，進一步考慮行業間風險溢出這一截面維度系統性風險，利用狀態依賴下的敏感性VaR模型（SDSVaR）從時間和截面兩個維度度量行業風險。第三點，同時考慮行業間板塊輪動和風險溢出效應進行組合構造。在考慮不同市場狀態下行業板塊輪動效應的基礎上，進一步考慮投資者根據市場狀態變化和板塊輪動效應進行投資轉移導致的風險溢出，構建投資組合模型，分析行業間板塊輪動和風險溢出效應對資產配置的影響。

2 模型構建

2.1 Markov狀態轉移模型

假設市場收益率的時間序列為，市場有兩個不可觀測的狀態st（st=1，2），Markov狀態轉移模型為：

其中，表示市場期望收益率；表示殘差項，服從正態分布表示市場期望波動率。和根據狀態st表現不同的值。在狀態st下，通過GARCH 模型估計得到市場在t期的波動率2。

狀態依賴下的市場動態VaR為：

其中，zα表示標準正態分布下置信水平1-α對應的分位數，本文選擇的1-α=0.95。用表示狀態s t下的市場期望VaR。

狀態變量st服從一階Markov鏈，當期狀態st只依賴于前一期狀態s t-1，可以用轉移概率表示為：

狀態轉移矩陣為：

本文采用Hamilton［1］的最大似然法來估計式（1）-（4）中參數。在的正態分布假設下，變量在狀態s t（st=1，2）下的條件概率密度為：

最大化似然函數可得到參數集的估計值。

如果當期狀態已知，那么下一期市場期望收益率為：

當期狀態st=1時

當期狀態st=2時

2.2 狀態依賴下的安全投資轉移測度模型

根據Kaul和Kayacetin［7］，采用訂單流差異作為安全投資轉移的代理變量，計算訂單流差異步驟如下。

第一步，采用Lee和Ready［15］方法區分買單和賣單。將每筆交易的成交價與買賣雙方報價的中點進行比較，當成交價格高于報價中點價格時，則認定該筆交易則為買單，反之則為賣單。根據買單和賣單的識別方法，買單（賣單）為成交價格高于（低于）買賣報價中點訂單，說明買家（賣家）更加急迫希望達成交易則選擇妥協，因而買單和賣單可以捕捉投資交易的積極主動性。

第二步，計算訂單流。將第t期所有買單交易金額與賣單交易金額之差定義為股票訂單流，并通過總交易金額對訂單流進行標準化處理：

其中，為狀態依賴下第t期股票s的買單交易金額，為第t期股票s的賣單交易金額。訂單流為正表示投資者積極主動的交易行為使得資金流入，訂單流為負表示資金流出，訂單流的大小表示資金流入量和流出量，因而訂單流可以捕捉資金流動的方向和大小。

第三步，計算訂單流差異。根據上一年最后一個交易日所有股票的賬面市值比和規模進行雙重分組。首先，按照賬面市值比將所有股票進行排序，依據30%、70%分位將所有股票分為3 組，構建低（L）、中（M）、高（H）賬面市值比股票組合；然后，在每個賬面市值比組內按照規模將股票均分為2組，構建?。⊿）、大（B）規模股票組合，共形成6組股票組合。計算6組股票組合訂單流均值SL t，st、SM t，st、SH t，st、BL t，st、BM t，st、BH t，st。假設與小 規模股 票相比，大規模股票更安全，訂單流差異定義為大規模股票組合平均訂單流與小規模股票組合平均訂單流之差：

若訂單流差異符號為正，表示投資者積極主動賣出風險資產買入安全資產，發生了安全投資轉移；訂單流差異的大小表示從風險資產流出、流入安全資產的資金量，反映安全投資轉移的強度，因而訂單流差異可以捕捉安全投資轉移行為引起的資金流動。

2.3 行業間聯動性與安全投資轉移的回歸模型

采用第t期內兩行業日收益率序列的Pearson相關系數作為行業間聯動性的代理變量：

其中，i=（1，2，…，10）和k=（1，2，…，10）表示10個行業，分別為狀態依賴下第t期內第d個交易日的行業i、行業k日收益率。

在控制經濟基本面、傳染預期面的基礎上，分析傳染資金面代理變量安全投資轉移對行業間聯動性的影響，建立以下回歸模型：

其中，由式（10）得到的安全投資轉移FTL t，st為自變量；行業間聯動性為因變量；經濟基本面的代理變量貨幣供應量M2t，st、傳染預期面的代理變量市場交易金額VOL t，st為控制變量。系數分別衡量安全投資轉移、貨幣供應量和市場交易金額對行業間聯動性的影響。

2.4 狀態依賴下的敏感性Va R 模型（SDSVaR ）

首先，計算狀態依賴下的各行業動態VaR。在Markov狀態轉移模型的基礎上，根據式（2），得到狀態依賴下的各行業動態VaR為：

其中，i=（1，2，…10）表示10個行業；表示狀態依賴下行業i的期望收益率；σit，st表示狀態依賴下行業i在第t期波動率的標準差，通過GARCH模型估計得到；zα表示標準正態分布下置信水平1-α對應的分位數。

然后，建立狀態依賴下的敏感性Va R模型（SDSVaR）。行業風險不僅取決于該行業的內生風險，還取決于市場狀態這一時間維度系統性風險，以及其他行業風險溢出、市場波動導致該行業產生的截面維度系統性風險。根據Adams等［10］，狀態依賴下的敏感性VaR模型（SDSVaR）具體表達式為：

最后，估計行業i狀態依賴下的敏感性VaR（SDSVaR）。在樣本期，使用最小二乘法對式（14）進行估計，得到截距項的估計值和風險溢出系數的估計值。行業i的SDSVaR估計值為：

2.5 投資組合模型

為了保持模型的簡約性，本文采用Ang和Bekaert［11］的方法，假設各行業收益率都受市場狀態的影響。根據資本資產定價模型（CAPM），行業i的收益率為：

其中，表示狀態依賴下行業i收益率對市場收益率的敏感性系數；表示狀態依賴下行業i的無風險收益率；服從正態分布表示狀態依賴下的特質波動率。在狀態st已知的條件下，通過最小二乘法對式（16）進行估計。

如果當期狀態st（st=1，2）已知，用表示下一期行業i期望收益率為：

為下一期行業i期望SDSVaR，取決于當期狀態和跨狀態期望收益率的跳躍部分：

當期狀態st=1時

當期狀態st=2時

根據式（16）-（19），構建考慮行業間風險溢出效應的投資組合模型為：

其中，為投資者能夠接受的最低收益率。為下一期行業期望SDSVaR向量，為下一期行業期望收益率向量。求解式（20）可得，在當期狀態st（st=1，2）下，下一期各行業的資產配置結構。

3 實證分析

3.1 數據選取

本文選取自2002年1月4日至2017年5月15日滬深300指數及所包括的行業分類指數為研究對象。行業i= （1，2，…，10）和k= （1，2，…，10）都依次對應于能源、材料、工業、可選、消費、醫藥、金融、信息、電信、公用十個行業。本文使用的數據包括兩個部分：第一，收盤價、賬面市值比、規模、貨幣供應量M2和市場交易金額數據，來自于Wind數據庫。收益率定義為收盤價的自然對數差，即y t=100（lnp t-lnp t-1），p t為滬深300指數和行業指數的收盤價。第二，日內分筆交易的買賣雙方報價和成交價為高頻數據，來源于國泰安中國證券市場交易高頻數據庫。由于2005年之前日內高頻交易數據較少，因而采用區間為2005年1月1日至2017年5月15日。ST股票交易制度與普通股票不同，金融類股票資產負債結構與普通股票不同，因而選取剔除ST、金融類股的全部A 股日內分筆交易數據。

3.2 狀態轉移模型估計及分析

根據Hamilton［1］，通過平滑概率判斷每個時刻所處的狀態。若觀測點在低波動狀態的平滑概率大于0.5，則該觀測點處于低波動狀態，否則處于高波動狀態。根據式（6），利用Matlab軟件的MS＿Regress工具箱得到狀態轉移模型式（1）-（4）的參數，結果如表1 所 示。 其 中，市 場 波 動 率 （σmt，st）2通 過GARCH（1，1）模型估計。

表1 狀態轉移模型的參數估計結果

由表1 可以看出：①由Panel A、Panel B 和Panel C可以看出，與低波動狀態相比，股市在高波動狀態下的收益率較高，但易受市場或非市場力量的影響，所面臨的不確定性較大，潛在損失較大。低波動狀態（st= 1）的股指期望周收益率為-0.0847%，期望波動率為5.4222%，期望VaR為-2.4541；高波動狀態（st=2），股指期望周收益率為0.4480%，期望波動率為26.3133%，期望Va R為-4.9152。②由Panel D 可以看出，兩個狀態持續的概率都較高，說明兩個狀態都是比較穩定的。當期處于低波動狀態下一期仍處于低波動狀態的概率為97.41%，當期處于高波動狀態下一期仍處于高波動狀態的概率為95.85%。③由Panel E 可以看出，與高波狀態相比，低波動狀態的出現概率較高，平均持續期較長。在整個觀察期，低波動狀態出現的概率為61.62%，平均持續期為38.6815個周，高波動狀態出現的概率為38.38%，平均持續期為24.0964個周。

3.3 狀態依賴下的安全投資轉移測度模型估計及分析

市場狀態轉移風險使得投資者產生恐慌情緒，進而引起安全投資轉移。根據式（10），得到安全投資轉移代理變量訂單流差異如圖1所示。其中，陰影區域為高波動狀態。

圖1 狀態依賴下的安全投資轉移

由圖1可以看出：①市場狀態影響安全投資轉移行為。在市場進入高波動狀態（陰影區域），訂單流差異急劇增大，然后降到谷底，這種可識別的周期性行為說明安全投資轉移是受市場狀態影響的。②兩種狀態下都存在安全投資轉移行為。兩種狀態下訂單流差異均為正，說明資金從小規模股票流出，流入大規模股票，發生了安全投資轉移。③與低波動狀態相比，高波動狀態下的安全投資轉移強度較高。與低波動狀態相比，高波動狀態下訂單流差異均值較大，說明投資者在經濟上升時期進行套期保值，以對抗未來經濟狀況惡化的風險［7］，使得高波動狀態下的安全投資轉移強度較高。

3.4 行業間聯動性與安全投資轉移的回歸模型估計及分析

不同市場狀態下各行業表現不同，投資者根據各行業的安全性進行安全投資轉移，使得資金在行業間流動，進而引起聯動性。根據式（12），通過最小二乘回歸法估計系數，結果如表2所示。其中，表格的左下部分為低波動狀態（st=1），右上部分為高波動狀態（st=2）。

表2 行業間聯動性與安全投資轉移的回歸系數估計結果

由表2可以看出：①安全投資轉移引起行業間聯動性。安全投資轉移對行業間聯動性的回歸系數顯著，說明安全投資轉移使得行業間資金流動，進而引起聯動性。②安全投資轉移對行業間聯動性的回歸系數為負值。這是由于安全投資轉移行為使得資金在兩個行業間流入、流出，導致行業資產價格負向變動。③在兩種狀態下，對安全投資轉移對金融-消費行業間聯動性影響均最大。這是因為金融行業是風險型行業，消費行業是防御型行業，安全投資轉移發生在這兩個行業間的可能性較大。④與低波動狀態相比，在高波動狀態下安全投資轉移對金融-消費行業間聯動性影響程度較大。這是因為高波動狀態下安全投資轉移強度較高，使得對聯動性的影響程度增大。

3.5 狀態依賴下的敏感性VaR 模型（SDSVaR ）估計及分析

安全投資轉移行為所引起的行業間聯動性和風險溢出是同時發生的，通過驗證安全投資轉移行為能夠引起行業間聯動性，為從安全投資轉移行為視角分析行業間風險溢出提供了支持。在低波動和高波動狀態下，投資者安全投資轉移轉移行為不同，導致行業間風險溢出不同。

（1）低波動和高波動狀態下的敏感性Va R模型估計及分析

首先，根據式（13），通過GARCH（1，1）模型估計波動率的標準差，得到各行業的動態VaR。然后，根據式（14），通過最小二乘法分別估計低波動和高波動狀態下敏感性VaR模型的參數，結果如表3、4所示。

表3 低波動狀態（st=1）下的敏感性VaR 模型估計結果

由表3可以看出：

①敏感性VaR模型具有實際意義。材料-能源、醫藥-能源等34對行業間的風險溢出系數（b）顯著，說明股票市場中行業間存在明顯的風險溢出效應。

②風險溢出系數衡量了行業間風險溢出效應的方向和大小，直觀量化了其他行業對某一行業風險的貢獻。例如，材料行業對能源行業的風險溢出系數為0.3309，說明材料行業的VaR增大1%會導致能源行業的VaR增加0.3309%，材料行業對能源行業的正向風險貢獻為0.3309與材料行業風險的乘積。

③對風險溢出效應比較特別的幾個行業進行分析。（i）工業行業對其他行業的風險溢出水平最高，平均風險溢出水平為0.2583，說明工業行業為系統重要性（systematically important）行業，該行業的極端變化將對整個股票市場產生嚴重的沖擊。（ii）公用行業對其他行業的風險溢出水平最低，平均風險溢出水平為0.0099，這是因為公用行業一直受國家宏觀政策的控制，屬于防御型行業。（iii）工業、可選和信息行業受到其他行業的正向風險溢出較多。例如，材料-工業、消費-可選、電信-信息行業間的正向風險溢出，說明兩個行業間凈資金量同方向變化，一個行業的不利沖擊會傳染到另一個行業，導致兩個行業的風險同方向變動，并且這種正向溢出效應通過協同效應使整個股票市場的截面維度系統性風險增大。（iv）金融行業與其他行業間的風險溢出多為負向。例如，工業-金融、消費-金融行業間的負向風險溢出，這是由于市場不景氣時期投資者進行安全投資轉移，資金流動影響行業間的風險溢出關系，與圖1和表2得到的結論是相一致的。

表4 高波動狀態（st=2）下的敏感性VaR 模型估計結果

由表4可以看出：

①敏感性VaR模型具有實際意義。材料-能源、工業-能源等36對行業間的風險溢出系數（b）顯著，說明股票市場中行業間存在明顯的風險溢出效應。

②風險溢出系數衡量了行業間風險溢出效應的方向和大小，直觀量化了其他行業對某一行業風險的貢獻。例如，醫藥行業對工業行業的風險溢出系數為-0.1775，說明醫藥行業的VaR增大1%會導致工業行業的VaR減小0.1775%，醫藥行業對工業行業的負向風險貢獻為0.1775與醫藥行業風險的乘積。

③對風險溢出效應比較特別的幾個行業進行分析。（i）可選行業為系統重要性行業，并且受到其他行業的正向風險溢出也最多，說明該行業的風險變化將嚴重影響整個股票市場的穩定。（ii）材料、消費和電信行業受其他行業風險溢出較少，表現出一定的獨立性；同時，電信行業對其他行業的風險溢出水平最低，平均風險溢出水平為0.0203。說明這三個行業具有一定的資金避風港作用，對風險溢出效應的免疫特征可以提高整個股票市場的內在穩定性。（iii）金融行業與其他行業間的負向風險溢出最多，有兩種可能的原因：一是投資者在經濟放緩之前為了套期保值而進行安全投資轉移，賣出金融行業這種風險型資產，買入安全型資產，影響行業間的風險溢出關系，這與圖1和表2得到的結論是相一致的；二是在市場上升時期，板塊輪動造成市場大盤熱點轉移，追逐收益或流動性的投資者進行投資再平衡，賣出低風險低收益的行業資產，買入金融行業這種進攻型行業資產以獲取超額收益，資金在其他行業與金融行業間流出或流入，導致行業間風險的負向變動。

（2）低波動狀態與高波動狀態下的敏感性VaR模型估計結果比較分析

比較表3、表4模型估計結果可以看出：①不同狀態下的行業間風險溢出效應發生變化。由于市場狀態轉移，追逐低風險、超額收益或流動性的投資者根據信息變化來調整資產配置的行業結構，引起資本在行業間流動，導致不同狀態下的行業間風險溢出效應不同。例如，在低波動狀態下，能源行業對材料行業的風險溢出水平為0.2767，在高波動狀態下為0.4872。②高波動狀態下的行業間平均風險溢出水平（0.1188）高于低波動狀態下的行業間平均風險溢出水平（0.0728）。這一結論與表2中，與低波動狀態相比，高波動狀態下安全投資轉移對行業間的聯動性影響較大是一致的。

3.6 最優資產配置結果分析

（1）資產配置結構分析

根據式（20），取當期狀態為低波動（高波動）狀態的下一期滬深300指數期望收益率為投資者在低波動（高波動）狀態下能夠接受的最低收益率rmst=1（rmst=2），利用Matlab軟件的優化工具箱，估計狀態依賴下考慮行業間風險溢出的最優資產配置結構，結果如表5所示。

表5 狀態依賴下考慮行業間風險溢出的最優資產配置結構

由表5可以看出，兩種狀態下最優資產配置結構明顯不同：在低波動狀態下，全部資金僅投資于兩個行業，其中，消費行業為84.86%，金融行業為15.14%；在高波動狀態下，在消費行業的投資權重降低至31.23%，金融行業的權重增加至27.46%，另外約40%的資金投資于材料、電信和公用行業，權重分別為10.06%、21.98%和9.27%。

結合表3-5可以看出：①不同市場狀態下資產配置的行業發生變化。在低波動狀態下，僅投資于消費和金融兩個行業。在高波動狀態下，除了投資于消費和金融行業，有約40%的資金投資于材料、電信和公用行業。由于材料和電信行業受其他行業的風險溢出較少，具有一定的避風港作用，在高波動狀態下配置一定權重能夠隔離風險傳染，降低整個投資組合的風險，同時，消費-公用行業之間負的風險溢出能夠降低截面維度系統性風險，配置一定權重起到對沖避險的作用。②在兩種狀態下，金融行業和消費行業都具有一定權重。低波動狀態下金融-消費行業之間的風險溢出方向為負，配置金融和消費行業能夠降低截面維度系統性風險，同時，消費行業屬于防御性行業，受不景氣市場影響較小，投資者在市場不景氣時期增加防御型行業配置權重能夠防御市場風險，所以配置權重較高（84.86%）。高波動狀態下消費行業受其他行業的風險溢出較少，具有一定的避風港作用，配置一定權重能夠隔離風險傳染；而金融行業屬于進攻型行業，配置一定權重可以獲得超額收益。另外，一些行業的權重為零。這些行業權重為零的主要原因是賣空約束，如果取消賣空約束，則權重可以為負，能夠更好的分散風險，這與文獻［11，16］的資產配置結論是相一致的。隨著中國資本市場的逐漸完善，放松賣空約束，可以有效降低風險，顯著改善資產配置效果。

（2）與不考慮行業間風險溢出的最優資產配置結構的比較

與考慮行業間風險溢出的最優資產配置相比，不考慮行業間風險溢出的最優資產配置中使用VaR度量投資風險，則式（18-19）為下一期行業i期望VaR，式（20）目標函數中為下一期行業期望VaR向量。利用Matlab 軟件的優化工具箱，估計狀態依賴下不考慮行業間風險溢出的最優資產配置結構，結果如表6所示。

表6 狀態依賴下不考慮行業間風險溢出的最優資產配置結構

對比表5考慮行業間風險溢出和表6不考慮行業間風險溢出兩種情形下的最優資產配置結構，可以看出：①在低波動狀態下，兩種情形下的最優資產配置結構不同。不考慮行業間風險溢出的最優資產配置結構將91.34%資金投資于防御型行業消費、醫藥和公用行業，而考慮行業間風險溢出的最優資產配置結構，除了將84.86%資產投資于防御型行業消費行業之外，將15.14%資產投資于金融行業。這說明考慮金融-消費行業之間的負向風險溢出能夠降低組合截面維度系統性風險。②在高波動狀態下，兩種情形下的最優資產配置結構均將約70%的資金投資于消費、電信和公用行業，而剩余30%資金所配置行業不同。不考慮行業將風險溢出的情形將剩余約30%資金投資于防御性行業醫藥行業，而考慮行業間風險溢出的情形投資于進攻型行業金融行業。這是因為考慮行業間風險溢出可以從全景式地分析行業風險，金融行業雖然自身風險較大，但是金融行業與其他行業間多為負向風險溢出。

（3）資產配置收益率與風險分析

為了分析表5狀態依賴下考慮行業間風險溢出的資產配置策略績效，在樣本期內，分別計算市場指數、靜態跨行業資產配置策略、狀態依賴下跨行業資產配置策略的累計收益率和VaR。對比幾種策略下的樣本期累計收益率和VaR如表7所示。

表7 幾種策略下資產配置收益率與風險比較

由表7可以看出：①跨行業資產配置的累計收益和Va R都優于指數投資。將Panel B、Panel C、Panel D 與Panel A 對比，可以看出無論是靜態策略還是狀態依賴策略，無論是否考慮行業間風險溢出，跨行業資產配置的累計收益和VaR都優于指數投資?？缧袠I資產配置策略可以捕捉宏觀因素對不同行業的影響，降低投資風險，獲得較好的收益。②狀態依賴下的跨行業資產配置模型優于靜態跨行業資產配置模型。將Panel C、Panel D 與Panel B對比，可以看出狀態依賴下的跨行業資產配置模型優于靜態跨行業資產配置模型。利用由狀態轉移引起的板塊輪動效應，根據市場狀態選擇合適的行業進行資產配置，狀態轉移框架下考慮板塊輪動的資產配置策略可以達到防范市場風險同時增加投資收益的目的。③考慮行業間風險溢出的資產配置能夠降低截面維度系統性風險，提高投資收益，規避極端風險。將Panel D 與Panel C 對比，在整個樣本期，考慮行業間風險溢出的資產配置能夠分散非系統性風險的同時降低截面維度系統性風險，提高投資者的收益。在風險較大的高波動狀態下，與不考慮風險溢出的投資組合風險相比，考慮風險溢出的投資組合風險大幅降低，說明考慮風險溢出能夠在降低風險、增加收益的基礎上，有效地降低極端風險值，規避極端風險的效果更好。

（4）資產配置模型的穩健性檢驗

通過改變研究對象對狀態依賴下考慮行業間風險溢出的資產配置模型進行穩健性檢驗。選擇自2000年1月4日至2017年5月15日Wind數據庫全A 指數及所包括的行業分類指數為研究對象。其中，行業分類為11個行業，依次為能源、材料、工業、可選、消費、醫藥、金融、信息、電信、公用、房地產行業。計算步驟與上文相同，得到幾種策略下的樣本期累計收益率和VaR如表8所示。

表8 幾種策略下資產配置收益率與風險比較

由表8可以看出：改變研究對象后，狀態依賴下的跨行業資產配置模型的累計收益率和風險仍然優于靜態跨行業資產配置模型的相應值，說明考慮板塊輪動能夠達到防范市場風險同時增加投資收益的目的；考慮行業間風險溢出的資產配置模型仍然優于不考慮行業間風險溢出的資產配置模型，在高波動狀態下考慮風險溢出的投資組合風險仍然低于不考慮風險溢出的投資組合，說明考慮風險溢出能夠提高投資者的收益，有效地規避極端風險。

4 結語

股票市場受經濟周期的影響，其收益和波動常表現出不同的狀態。不同市場狀態下股票市場中各行業表現不同，投資者根據市場狀態和板塊輪動效應進行安全投資轉移，資金流動導致行業間聯動性和風險溢出。如何把握股票市場中各行業間的風險溢出效應是進行分散化資產配置進而達到有效規避風險的重要前提，本文研究考慮行業間風險溢出和板塊輪動效應的最優資產配置問題。研究發現：①狀態依賴下的安全投資轉移顯著影響行業間聯動性和風險溢出。安全投資轉移受市場狀態的影響，高波動狀態下安全投資轉移強度高于低波動狀態；安全投資轉移使得資金在行業間流動，進而引起聯動性和風險溢出。②考慮行業間風險溢出的資產配置能夠分散非系統性風險的同時降低截面維度系統性風險。利用狀態依賴下的敏感性VaR模型（SDSVaR）同時從時間和截面兩個維度度量行業風險，選擇負向風險溢出的成對行業進行資產配置可以降低截面維度系統性風險。③在資產配置中考慮狀態轉移和板塊輪動可以達到防范市場風險同時增加投資收益的目的。在低波動狀態下，消費、公用行業受不景氣市場影響較小，屬于防御型行業，配置一定權重能夠防御市場風險；在高波動狀態下，金融行業屬于進攻型行業，對金融行業配置一定權重可以獲得超額收益。研究結果表明，考慮行業間風險溢出和板塊輪動效應的資產配置模型能夠分散非系統性風險的同時降低截面維度系統性風險，提高投資者的收益，有效地降低極端風險值，規避極端風險的效果更好。

本文基于投資者安全投資轉移行為的角度討論了中國股票市場上行業間聯動性和風險溢出機制，突出了市場狀態轉移框架下行業間風險溢出和板塊輪動效應在資產配置過程中的重要性，在理論上豐富和完善了狀態轉移框架下投資組合問題研究，對于投資者和金融監管部門具有實際意義。對于中國這樣的新興市場，投資者的經驗相對缺乏，高度趨同的非理性行為加強了行業間風險溢出效應，研究行業間風險溢出對資產配置的影響可以為投資者（特別是保險公司、社?；鸷推髽I年金等長期投資者）風險管理和投資決策提供有價值的借鑒；為金融監管部門建立完善的風險控制體系，防范系統重要性行業風險變化對整個股票市場的沖擊，避免股票市場大起大落和極端波動提供一定的參考。