| 1,985 | 7 | 921 |
| 下载次数 | 被引频次 | 阅读次数 |
本文基于自动编码深度学习技术和长短期记忆网络构建动态集成网络定价模型，选取上证180碳效率成分股作为研究样本，通过量化主要定价特征的边际贡献，分析投资者有限关注和个人投资者情绪等在我国绿色股票定价中的传导效应。实证结果表明，具有多层网络结构的动态集成网络定价模型能够捕捉公司特征和预期收益的非线性关系，从而更好地刻画绿色企业的风险溢价。此外，有限关注特征、价格动量特征、个人投资者情绪特征是我国绿色股票关键的定价因素，研发信息等绿色化成本因素也可通过有限关注、个人投资者情绪渠道间接影响绿色溢酬。鉴于研发信息等对绿色溢酬的重要影响，需进一步完善绿色企业研发信息披露机制，为投资者提供准确透明的绿色化成本信息，进而加强投资者对企业绿色信息的认知识别能力，实现企业绿色研发投入与市值增值的良性循环。
Abstract：This paper proposes a novel dynamic integrated network pricing model based on autoencoder and Long Short-Term Memory(LSTM) networks. Selecting the SSE 180 Carbon Efficient Index constituents as the research sample by quantifying the marginal contributions of key pricing features,we further analyze the transmission effects of limited investor attention and individual investor sentiment in the pricing of green stocks in China. The empirical results show that the proposed model can capture the non-linear relationship between company characteristics and expected returns, better depicting the risk premium of green enterprises. Furthermore, the characteristics of limited attention, price momentum and individual investor sentiment characteristics in China are crucial pricing factors for green stocks. Research and development(R&D) information and other green cost factors can indirectly affect the green premium through channels of limited attention and individual investor sentiment. Given the significant impact of R&D information on green premia, we propose enhancing the disclosure mechanisms for green firms' R&D activities. This would provide investors with accurate and transparent information on green transformation costs, thereby strengthening their ability to recognize and evaluate firms' green information, and fostering a virtuous cycle between green R&D investments and market value appreciation.
[1]陈国进,张润泽,谢沛霖,等.知情交易、信息不确定性与股票风险溢价[J].管理科学学报, 2019, 22(4):53–74.
[2]方先明,那晋领.创业板上市公司绿色创新溢酬研究[J].经济研究, 2020, 55(10):106–123.
[3]何诚颖,陈锐,薛冰,等.投资者情绪、有限套利与股价异象[J].经济研究, 2021, 56(1):58–73.
[4]李慧云,刘倩颖,李舒怡,等.环境、社会及治理信息披露与企业绿色创新绩效[J].统计研究, 2022, 39(12):38–54.
[5]胡聪慧,刘玉珍,吴天琪,等.有限注意、行业信息扩散与股票收益[J].经济学（季刊）, 2015, 14(3):1173–1192.
[6]林建浩,陈良源,田磊.货币政策不确定性是中国股票市场的定价因子吗?[J].经济学（季刊）, 2021, 21(4):1275–1300.
[7]刘文文,张合金.测量高频交易领域中的指令流毒性——基于我国沪深300指数期货的实证研究[J].中国经济问题, 2013(1):81–91.
[8]唐礼智,周林,杨梦俊.环境规制与企业绿色创新——基于“大气十条”政策的实证研究[J].统计研究, 2022, 39(12):55–68.
[9]陆蓉,杨康.有限关注与特质波动率之谜:来自行为金融学新证据[J].统计研究, 2019, 36(6):54–67.
[10]张学勇,张叶青.风险投资、创新能力与公司IPO的市场表现[J].经济研究, 2016, 51(10):112–125.
[11]周铭山,张倩倩,杨丹.创业板上市公司创新投入与市场表现:基于公司内外部的视角[J].经济研究, 2017, 52(11):135–149.
[12]宗计川,李纪阳,戴芸.慕“名”而来的投资偏误——有限关注视角下的实证检验[J].管理科学学报, 2020, 23(7):27–56.
[13] Barber B M, Odean T. All That Glitters:The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors[J].The Review of Financial Studies, 2008, 21(2):785–818.
[14] Carhart M M. On Persistence in Mutual Fund Performance[J]. Journal of Finance, 1997, 52(1):57–82.
[15] Chen L, Pelger M, Zhu J. Deep Learning in Asset Pricing[J]. Management Science, 2024, 70(2):714–750.
[16] Connor G, Korajczyk R A. Performance Measurement with the Arbitrage Pricing Theory:A New Framework for Analysis[J]. Journal of Financial Economics, 1986, 15(3):373–394.
[17] Easley D, de Prado M M L, O’ Hara M. Flow Toxicity and Spuidity in a High-frequency World[J]. Review of Financial Studies, 2012, 25(5):1457–1493.
[18] Fama E F, French K R. Common Risk Factors in the Returns on Stocks and Bonds[J]. Journal of Financial Economics, 1993, 33(1):3–56.
[19] Fama E F, French K R. A Five-Factor Asset Pricing Model[J]. Journal of Financial Economics, 2015, 116(1):1–22.
[20] Gu S, Kelly B, Xiu D. Autoencoder Asset Pricing Models[J]. Journal of Econometrics, 2021, 222(1):429–450.
[21] Hirshleifer D, Hsu P-H, Li D. Innovative Efficiency and Stock Returns[J]. Journal of Financial Economics, 2013, 107(3):632–654.
[22] Kahneman D. Attention and Effort[M]. Prentice-Hall(Englewood Cliffs, N.J), 1973.
[23] Kelly B T, Pruitt S, Su Y. Characteristics are Covariances:A Unified Model of Risk and Return[J]. Journal of Financial Economics, 2019,134(3):501–524.
[24] Kumar A, Lee C M. Retail Investor Sentiment and Return Comovements[J]. Journal of Finance, 2006, 61(5):2451–2486.
[25] Mathur L K, Mathur I. An Analysis of the Wealth Effects of Green Marketing Strategies[J]. Journal of Business Research, 2000, 50(2):193–200.
[26] Rinefort F C, Van Fleet D D. The United States Safety Movement and Howard Pyle[J]. Journal of Management History, 2002, 6(3):127–137.
[27] Tan L, Chiang T C, Mason J R, et al. Herding Behavior in Chinese Stock Markets:An Examination of A and B Shares[J]. Pacific-Basin Finance Journal, 2008, 16(1):61–77.
[28] Wahba H. Does the Market Value Corporate Environmental Responsibility? An Empirical Examination[J]. Corporate Social Responsibility and Environmental Management, 2008, 15(2):89–99.
(1)绿色企业指碳效率（企业营业收入/碳排放量）领先、在生产经营过程中注重环境保护和可持续发展的低碳企业。
(2)绿色股票指由上述企业发行的、入选上证碳效率180指数的上市公司股票。
(1)模型训练和测试的步骤如下。第一，采用训练集数据用于拟合机器学习模型；第二，基于验证集数据分批测度参数组合拟合效果，选取最优参数，包括学习率、神经元个数等；第三，将验证集所得参数组合用于测试集，得到模型对股票收益的同期因子拟合。
(2)数据库网址为https://data.csmar.com。
(3)基于Kelly等（2019）的分类标准，部分异象特征被归类于常规特征数据集中，如动量反转、非流动性特征。最终，采用公司层面的共计69个特征数据集。
(1)为选择不同因子数量下最为合适的可观测因子定价模型作为对照，本文采用资本资产定价模型中的市场风险因子构建基于单因子的定价模型，随后纳入市值因子和账面市值比因子分别形成基于双因子的定价模型以及Fama-French三因子定价模型，并采用Carhart四因子、Fama-French五因子模型作为四因子和五因子条件下的可观测因子定价模型，最后结合Fama-French五因子及动量因子构建基于六因子的定价模型，基本涵盖了资产定价研究领域经典的可观测定价因子（Carhart,1997;Fama和French,1993,2015）。
(1)因篇幅所限，样本外区间MCS检验结果以附表1展示，见《统计研究》网站所列附件。下同。
(2)年化夏普比率大于1表明模型能够形成有效的量化投资策略，数值愈高代表该投资策略在单位风险下所取得收益越高。
(3)具体可以分为三个阶段。第一阶段，选取实证部分定价最为准确的六因子集成复杂网络定价模型计算样本外拟合优度Rout；第二阶段，在设置第i个公司特征为0的基础上计算样本外拟合优度Ri；第三阶段，取两者差值(Rout-Ri)为公司特征i的边际贡献。遵循上述方法分别量化69个公司特征边际贡献度并将其标准化，结果以附图1展示。
(1)2020年1月至7月上证指数自3085点震荡下跌至2660，其后随着国内措施得当攀升至3310点创一年内的新高。
(2)因篇幅所限，重大突发公共事件期间模型样本外定价能力以附表2展示。
(3)因篇幅所限，动态集成网络定价模型的样本选择检验结果以附表3展示。
(1)因篇幅所限，动态集成网络与差分方法的对比检验结果以附表4展示。
基本信息:
DOI：10.19343/j.cnki.11-1302/c.2024.11.010
中图分类号:F832.51;X322
引用信息:
[1]杨科,胡楠,田凤平.有限关注、投资者情绪与绿色溢酬——基于融合深度学习技术的动态集成网络定价模型[J].统计研究,2024,41(11):129-141.DOI:10.19343/j.cnki.11-1302/c.2024.11.010.
基金信息:
国家自然科学基金青年项目“我国期权隐含信息下的方差风险溢酬：估计、特征与应用”（72201284）; 教育部人文社会科学研究规划基金项目“高频数据环境下的原油期货市场波动率预测研究：基于深度学习和传统模型的融合视角”（22YJA790077）; 中央高校基本科研业务费专项资金“金融高水平开放下防范化解外部金融危机冲击风险研究”（QNTD202305）; 广东省基础与应用基础研究基金资助项目“深度学习算法驱动的大宗商品期货市场高频波动率预测建模与应用”（2024A1515011002）
2024-11-25
2024-11-25