流动性溢价在股票收益中的实证.docxVIP

流动性溢价在股票收益中的实证

一、流动性与流动性溢价的理论基础

要理解流动性溢价在股票收益中的作用，首先需要明确“流动性”与“流动性溢价”的核心概念——前者是资产的基本属性，后者是这种属性对收益的补偿逻辑，二者共同构成实证研究的理论基石。

（一）流动性的定义与度量

流动性是金融市场的“血液”，本质是资产以合理价格快速完成买卖的能力，包含三个关键维度：一是“即时性”（能否快速成交），二是“价格稳定性”（成交价格与公允价的偏差），三是“交易成本”（完成交易的费用）。为了将抽象的“流动性”转化为可量化的指标，学者们提出了多种度量方法，各有侧重：

换手率：最常用的指标之一，计算方式是“某段时间的成交量÷流通股本”，反映股票的交易活跃程度。比如，一只流通股本1亿股的股票，月成交量5000万股，换手率就是50%——数值越高，说明股票越容易买卖，流动性越好。

买卖价差：直接衡量“即时交易成本”的指标，计算方式是“（卖一价-买一价）÷当日均价”（相对价差）。比如，某股票卖一价10.5元、买一价10元，当日均价10.25元，买卖价差就是（0.5÷10.25）≈4.88%——数值越大，说明投资者想立刻成交就得承担更高的“溢价”或“折价”，流动性越差。

Amihud非流动性指标：衡量“交易对价格的冲击”，计算方式是“每日收益率绝对值÷当日成交额”的平均值。比如，一只股票某日下跌2%，成交额1000万元，该指标就是0.02÷1000万=2×10??——数值越大，说明少量交易就能引发价格大幅波动，流动性越差。

这些指标从不同角度刻画了流动性，实证研究中通常会结合多个指标，避免单一指标的局限性。

（二）流动性溢价的理论内涵

流动性溢价的核心问题是：为什么流动性差的股票，预期收益更高？

20世纪80年代，Amihud和Mendelson提出了经典的“流动性-持有期-收益率”模型，解答了这一问题：投资者持有资产的收益率，必须覆盖“流动性风险”——流动性差的资产，投资者想快速卖出就会损失更多（比如低价抛售），因此更倾向于“短期持有”；而短期持有需要更高的年化收益率（比如，持有1个月赚1%，年化就是12%；持有1年赚1%，年化只有1%）。因此，流动性差的资产必须提供更高的预期收益，才能吸引投资者持有——这种“额外收益”就是流动性溢价。

后续研究进一步补充了这一逻辑：比如，信息不对称会放大流动性溢价——流动性差的股票通常信息透明度低（比如中小盘股），投资者需要额外收益补偿“信息风险”；再比如，交易成本的影响——频繁交易的投资者（如主动型基金），会更在意流动性，因为交易成本会侵蚀收益，因此他们对流动性差的股票要求更高的收益。

这些理论共同指向一个结论：流动性是股票的“隐性风险因子”，其风险需要通过“溢价”补偿，这为实证研究提供了明确的假设——流动性差的股票，收益应显著更高。

二、流动性溢价实证研究的设计框架

理论需要实证检验，而实证的关键是“设计合理的框架”——明确用什么数据、测什么变量、用什么方法，才能确保结果的可靠性。

（一）数据选取与样本说明

实证研究的“原材料”是数据，其质量直接决定结果的可信度。本文以某国股票市场为研究对象，选取了某年至某年的日度交易数据（收盘价、成交量、买卖盘口）和年度财务数据（净资产、流通股本），数据来自某权威金融数据库。为了避免“噪音”干扰，我们对数据做了以下处理：

剔除异常股票：ST股、暂停上市股的交易被监管限制，流动性异常，直接剔除；

填补数据缺失：删除没有收盘价、成交量或财务数据的观测值（比如刚上市的新股，前几个月没有年度财务数据）；

过滤小盘股：剔除流通股本低于某一阈值的股票（比如流通股本＜5000万股），这类股票容易被操纵，流动性指标不真实。

最终，我们得到了N只股票、T个月度观测值，覆盖大盘股（沪深300成分股）、中小盘股（中小板、创业板）和多个行业（制造业、金融业、信息技术业等），样本具有较好的代表性。

（二）变量定义与度量

实证研究的变量分为三类：被解释变量（要解释的结果）、解释变量（要检验的因素）、控制变量（干扰结果的其他因素），三者共同构成“收益=流动性+其他因子”的分析逻辑：

被解释变量：股票月度收益：反映投资者的实际收益，计算方式是“（当月收盘价-上月收盘价+当月现金分红）÷上月收盘价”。比如，某股票上月收盘价10元，当月收盘价11元，分红0.5元，月度收益就是（11-10+0.5）÷10=15%——这个指标既包含“资本利得”（股价上涨），也包含“红利收益”，更全面。

解释变量：流动性指标：用两个互补的指标衡量流动性：①月度换手率（月成交量÷月流通股本），反映交易活跃程度；②月度相对买卖价差（每日买卖价差的平均值，买卖价差=（卖一价-买一价）÷当日均价），反映即时交易成本。两者的逻辑一致：换手率越低、买卖价差越