个人特征与投资收益率相关关系的实证研究——基于中小投资者调查问卷数据

摘要

自1990年上海与深圳交易所陆续成立后，25年间国内证券市场规模不断扩大，至2015年底A股市场上市公司总数已达2909只，总市值达到58.45万亿元。随着国内资本市场的快速发展，个人投资者数量也不断增长，根据中国证券登记结算公司统计数据来看，截止2015年底，国内个人投资者开立账户总数已超过1.5亿户，且A股市场上个人投资者账户交易金额占比在70％以上。因此，无论从账户数量上看，还是从交易金额占比来看，国内A股市场与海外市场机构投资者占据主导地位的市场结构有着显著差别，中小投资者二十多年来始终是市场主要的参与者。
　　中小投资者在参与A股市场投资过程中，因为专业能力、投资经验、信息不对称等多方面因素的限制，与机构投资者相比劣势明显，因此导致其收益率水平明显低于专业机构。因为数据的难得性，目前学术界对于中小投资者收益率影响因素的研究较少，且已存的研究文献中，定性的多，通过实证方式来研究的更少。同时，中小投资者作为市场的主要参与者之一，其投资收益率水平将直接影响到其参与市场的积极性，笔者认为有必要对中小投资者收益率水平的影响因素进行实证分析研究，然后据此提出相应的建议，使得监管层能在合理合法的范围内最大限度的带动中小投资者收益率水平上升，以促进A股市场良性循环发展。
　　本文主要研究了A股市场上中小投资者收益率水平与其自身个人特征之间的相关关系，并通过实证分析，判断哪些个人特征对中小投资者投资收益率造成了显著的影响，并进一步分析了各种特征的边际贡献率，然后再基于研究结论提出了合理合法提高中小投资者收益率的建议。本文数据来源于以四川省内各证券公司主要营业部内的中小投资者作为调查对象的实地调查问卷，调查内容主要包括以下六部分:投资者个人背景（包括性别、年龄、婚姻、教育水平、职业等）、证券投资历史（主要指投资收益率、投资年限等）、财富属性（包括月收入、投资股市资金及投入股市资金占家庭总财富比例等）、投资策略（操作风格、持仓比例、持仓时间、主要投资方法等）、金融知识水平及投资者保护等内容。
　　目前对中小投资者收益率影响因素进行实证研究的相关文献较少，类比来看，基金经理个人特征对其管理产品投资收益的影响与本文的研究的思路有异曲同工之妙，本文在第二章中对过往研究基金经理个人特征与投资收益率之间相关关系的文献进行了细致的梳理。从研究结论来看，基本都认可基金经理个人特征确实在某种程度上对投资收益率确实存在显著影响，但因为市场基础不一致、样本期不一致、投资收益率衡量标准不一致等多方面因素的影响，导致国内外学者对于基金经理个人特征与其管理产品的投资收益率之间相关的关系并未有一个一致的结论，不同学者的研究结论在个别特征对投资收益的相关关系上，甚至完全相反。虽然前人研究结论不尽一致，但为本文的研究指明了方向，具有一定的理论与现实意义。
　　第三章主要阐述了本文的理论基础，笔者基于行为金融学的三大理论——期望理论、认知偏差理论及行为资产定价理论，简要阐述了行为金融学的主要观点。结合本文研究主题来看，中小投资者个人属性特征之所以会对其在A股市场投资收益率产生影响，主要是由于现实中的投资者往往不是传统金融学中假设的理性人，也就是其不会也无法在每次投资中精确的计算收益风险比，在其投资活动中会存在各种偏差，同时投资者的个人特征（包括学历、专业水平、投资经验等）会对投资者的个人目标设定产生影响。在多重因素的作用下，不同的投资者在投资时会采用不同的投资行为，也就使得投资者之间的收益率产生了巨大的差距。
　　第四章是本文的重点章节，主要阐述了解释变量的筛选过程及模型的设计，是本文研究思路的具体体现，本文采取的探究式的研究方法，首先将调查问卷中收集到的14种个人属性特征借助虚拟变量进行量化，因为针对中小投资者的调查问卷中涉及的投资者个人特征属性的变量较多，因此在进行实证分析前，为了分析出投资者哪些属性对其投资收益率有影响，需要进行初步的变量筛选，统计学方法上可以通过逐个回归删减法、分组比较法、主成分分析法等方法进行初步变量筛选。笔者参考了Fama-French(1992)在研究美国股票收益的影响因素采用的分组方法，以投资者的投资收益率水平作为分组标准，将所有投资者分为“亏损”、“不盈不亏”、“赚了一些”及“赚了很多”四组。通过“直观图表法”与“收益值”平均法删掉部分明显与投资收益率关系不大的变量，初步得出了年龄、职业相关性、投资经验、投资者月收入、投资者入市资金、投资者股票投资占家庭财富比重、投资者平均持仓时间、投资者操作指南以及投资者专业知识水平9种个人特征可能对投资者收益率水平有显著影响，进行相关性检验后，并进一步考虑后续分组时样本数据量的原因后，笔者选择去掉专业知识水平，留下了余下的8个可能的具有显著影响的解释变量。
　　在完成对解释变量的初步筛选后，我们考虑到普通多元线性回归模型涉及到控制变量的选取，而对中小投资者收益率造成影响的因素过多，难以穷尽，为避免控制变量选取难题以及考虑到我们分组研究的思路，选择以多元分类评定模型作为本文实证研究的模型，并完成了模型的设计。
　　第五章是本文的实证分析部分，在本章中，笔者首先基于样本数据从中小投资者收益率、个人背景、投资经验、财富属性、投资策略及专业性水平等6个方面进行细致的描述性统计，然后在上一章对解释变量初步筛选的基础上，对筛选出来的8个解释变量借助Mlogit模型进行了分组的单变量回归检验，进一步得到了职业相关度、月收入与投资经验这三个对中小投资者收益率有着显著影响的解释变量。随后笔者以“不亏不盈”组作为比较基准，通过Mlogit模型对各个解释变量的系数作出估计，根据系数的正负号我们可以得出结论，投资者职业相关性、月收入和投资经验对中小投资者投资收益的影响均是正向的，与笔者前文中分组分析的结论一致。
　　笔者进一步对各个解释变量在各个收益组别中的边际贡献率进行了回归分析，研究结果表明:1）“职业相关性”的边际贡献率的绝对数值最大，对三种盈利水平的边际贡献率分别为9％、-3％以及-4％，表明从事职业与金融、财务投资相关的投资者比从事职业与金融、财务投资无关的投资者发生“亏损”的概率要小9％，“赚了一些”的概率要多3％，而“赚了很多”的概率则要多4％;2）投资者月收入对这三个收益级别的边际贡献率分别为-2％、6％以及2％，说明投资者月收入每提高一个级别，投资者“亏损”的概率减少2个百分点，实现“赚了一些”的概率增大6个百分点，实现“赚了很多”概率增大2个百分点，表明投资者月收入对减少亏损和实现大量利润的情况的贡献一般，但对实现盈利的贡献较大;3）投资经验对三个收益级别的贡献率分别是-2％、4％和1％，表明投资者投资经验每提升一个档次，投资者发生“亏损”的概率减少2％，发生“赚了一些”的概率增加4％，而“赚了很多”的概率增加1％。
　　从解释变量对各组别中小投资者投资收益率的影响程度来看，影响程度最高的是“职业相关性”，职业相关度是减少亏损的一个重要变量，其对“暴富”（赚了很多）的影响也是最大的。投资者月收入的增加能很大幅度提高实现盈利的机会，投资者经验的影响程度不及前两者，但是投资经验的影响程度从绝对值水平上看也是相对较大的。随后笔者对本文的研究结论给予了相应的解释，最后还对模型的稳健性进行了检验，增强了本文的说服力。
　　第六章主要对本文的结论部分，主要包括政策建议与对未来研究的展望，根据前文的研究结论，笔者提出了3条建议:1）建议监管层进一步加强对内幕信息查处力度，有必要进一步拓宽内幕信息知情人范围，以保障普通中小投资者的合法权益;另一方面，监管层可以加大针对中小投资者专业知识水平的培训力度，通过网络等形式推出更多的专业知识培训讲座，持续提升中小投资者的专业知识水平，提高其分辨能力;2）建议监管层可针对收入较低的中小投资者加大其它稳健性投资产品（比如国债、高等级公司债等）的宣传力度，并不断提升国内金融产品的丰富度，以满足低收入群体的投资需求，最大限度降低其投资损失;3）建议监管层在投资者入市门槛上发布一定的指引，尤其是对于投资风险较大的中小创市场，目前对于创业板已经出台相应的合格投资者制度，要求具备一定投资年限的投资者才能开通创业板账户，考虑到中小板市场上中小型公司仍然居多，投资风险仍然较高，未来可进一步考虑在中小板市场上引入合格投资者制度，相应投资者经验年限可以较创业板低。此外，还可以倡议各券商在新入市投资者开户时，建议其通过模拟盘等多种方式提升其投资经验后，再实际入市操作。
　　本文对目前学术界研究较少的中小投资者属性与其投资收益率之间相关关系进行了研究，数据来源于调查统计，样本数虽然达到2000个左右，不算少，但考虑到广大中小投资者数量，样本数量仍然有些过低，同时在选取投资者属性时因为部分特征不易量化而舍弃了，在未来的研究过程中，笔者将进一步加大样本规模，由四川延伸至全国其它省市，以提升结果的信服力。同时在投资者个人属性特征上力争寻求更多变量，完善研究模型，以期得出进一步的结论。

目录

声明

摘要

1．导论

1．1 研究背景和意义

1．2 研究问题

1．3 本文结构

1．4 创新与不足

2．文献综述

2．1 国外相关文献综述

2．2 国内相关文献综述

2．3 本章小结

3．理论基础

3．1 行为金融学发展历程

3．2 行为金融学三大理论基础

3．2．1 期望理论

3．2．2 认知偏差理论

4．2．3 行为资产定价理论

3．3 本章小结

4．解释变量筛选与模型设计

4．1 样本数据说明

4．2 解释变量筛选

4．3 模型设计

4．4 本章小结

5．实证分析

5．1 描述性统计

5．1．1 投资者收益率分布

5．1．2 投资者个人背景特征描述性统计

5．1．3 投资者投资经验分布

5．1．4 投资者财富属性的描述性统计

5．1．5 投资策略的描述性统计

5．1．6 投资者专业性水平的统计性描述

5．2 回归分析

5．3 本章小结

6．结论与展望

6．1 结论

6．2 展望

6．3 本章小结

参考文献

致谢