中國A股的隔夜-日內反轉效應

曲榮華 劉揚

0 引言

歷史收益率對未來收益率的預測關系是資產定價領域的一大熱門研究話題。國外學者在美國及其他西方發達股市發現了三大經典的橫截面效應，即短期月度反轉(Lehmann, 1990)、中期年度動量(Jegadeesh and Titman, 1993)，以及長期三年至五年的反轉(De Bondt and Thaler, 1985)。而在中國股市，文獻普遍認為A股不存在傳統的中期動量效應，但存在反轉效應和超短期的動量效應(王永宏和趙學軍，2001；潘莉和徐建國，2011)。這些研究不僅對學界的有效市場假說提出了挑戰，對業界的投資實踐也具有重要的指導作用。值得注意的是，上述文獻都是研究傳統的收盤價收益率，鮮有文獻探討開盤價的影響。以開盤為分界點，市場可以分為隔夜區間(昨收盤至今開盤)和日內區間(今開盤至今收盤)，而傳統收益率也可以對應地分解為隔夜收益率和日內收益率?？紤]到隔夜市場和日內市場在流動性、信息披露等方面具有的不同特征(Barclay and Hendershott, 2003, 2004)，一個有趣的問題是，隔夜及日內收益率是否會表現出異于傳統收盤價收益率的規律?更重要的是，他們能否反映被已有研究所忽視的定價機制？

基于2000年至2018年的個股日度數據，本文對中國A股的隔夜、日內收益率進行了實證分析，主要有以下四點發現：第一，中國A股市場存在著顯著的隔夜-日內反轉效應，即隔夜收益率更低(高)的股票，平均而言將在當天獲得更高(低)的日內收益率。其對應的多空策略在經濟和統計意義上都獲得了不俗的表現：日度收益率為1.12%，t-stat更是高達50.98，遠遠超過日內動量策略(0.04%，t-stat: 3.01)和傳統的基于收盤價的超短期日度動量策略(0.41%，t-stat: 16.40)。第二，隔夜-日內反轉效應不僅區別于傳統的月度反轉效應，而且不能被標準的風險因子模型所解釋。具體而言，本文構造了基于日內收益率的因子模型，包括CAPM、Liu et al.(2019)針對中國股市所提出的三因子和四因子模型以及加入了傳統短期反轉因子的五因子模型。隔夜-日內反轉策略在上述所有的因子模型下都獲得了超過1%且高度顯著的日度alpha。第三，利用雙變量排序和Fama and MacBeth(1973)回歸來控制其他對未來收益率有預測作用的公司特征，比如市值、賬面市值比和換手率等，隔夜收益率對于日內收益率的負向預測能力仍然顯著存在，說明隔夜收益率反映了獨立于這些公司特征之外的預測信息。

第四，更為重要的是，本文從流動性溢價和投資者情緒兩個角度，深入探討了隔夜-日內反轉效應背后的經濟原因。從流動性的角度，相比于日內區間，市場在隔夜狀態下的交易活躍度極低(Barclay and Hendershott, 2003, 2004)。與此同時，市場在開盤時表現出的高波動性也會限制金融中介提供流動性的功能(Gromb and Vayanos, 2002; Brunnermeier and Pedersen, 2009)。特別地，考慮到中國股市散戶比例高、波動性大的特點，流動性提供者在開盤時往往面臨著較大的風險，所以對于隔夜收益率的輸家股票這樣一些賣出壓力大的股票，其會要求一個更高的溢價補償才愿意提供流動性。對應地，本文發現隔夜-日內反轉效應在流動性不足的股票中，即Amihud(2002)非流動性指標較高以及交易量較低的股票中，表現更強烈。這說明隔夜-日內反轉效應反映了市場對于流動性提供者所做出的溢價補償。此外，從投資者情緒的角度，如果隔夜-日內反轉效應反映了由投資者樂觀情緒引起的對贏家組合的高估定價偏差，那么這一效應會隨著個股賣空限制的增強而變強。對應地，本文發現相對于支持融資融券業務的股票，隔夜-日內反轉效應在不支持融資融券的股票中表現更強烈。與此同時，在支持融資融券的股票中，該效應也隨著股票賣空強度的減弱，即隨著賣空限制的增強而增強。最后，對比機構投資者，散戶更容易受情緒的影響。對應地，本文也發現隔夜-日內反轉效應隨著散戶持股比例的上升而增強。上述證據說明投資者情緒是隔夜-日內反轉效應背后的另一驅動因素。

本文的創新和貢獻在于：第一，區別于傳統的收盤價收益率研究，本文首次在A股的日度數據上對橫截面收益率的隔夜-日內反轉效應進行了檢驗，這為深入理解收益率規律提供了新的微觀視角。第二，通過與傳統收盤價收益率下的動量及反轉效應進行對比分析，本文一方面驗證了已有文獻的結論，另一方面發現隔夜-日內反轉效應不能被經典的短期反轉效應所解釋，而且其在經濟意義和統計顯著性上都遠強于傳統效應。第三，本文從流動性溢價和投資者情緒兩個角度，對隔夜-日內反轉效應的經濟原因進行了系統性的探討。在已有文獻中，關于流動性和投資者情緒對股票定價影響的研究大多側重于分析月度橫截面數據或者市場收益率，鮮有文獻從日內層面探究這兩個因素對橫截面收益率的影響。因此，本文填補了這方面的研究空白，對于深入理解流動性和市場情緒在股票定價機制中所發揮的作用具有重要意義。第四，隔夜-日內反轉策略具有極高的收益率和夏普比率，因而對于投資實踐具有較強的指導意義。在我國股市現行的“T+1”制度下，雖然普通散戶難以利用該策略進行投資，但是分散化持股的機構交易者可以通過靈活的底倉管理利用該策略指導投資。這不僅有利于修正投資者樂觀情緒引起的定價誤差，增強市場的有效性，也有助于提升市場的流動性，降低風險。與此同時，隨著A股機構化程度的提升以及“T+0”改革的不斷推進，隔夜-日內策略的實用價值也將得到提升。

本文的后續安排如下：第1部分回顧了相關文獻，第2部分介紹了研究方法和數據，第3部分展示了主要的實證結論，第4部分探究了隔夜-日內反轉效應背后的經濟原因，第5部分檢驗了結果的穩健性，第6部分對全文進行了總結。

1 文獻回顧

針對股票歷史收益率對未來收益率的影響，國內外學者進行了大量研究。西方文獻在美國股市中率先發現歷史回報對未來收益率的預測模式隨著投資期限而發生變化，并呈現出三大著名的橫截面效應：一個月的短期反轉效應(Lehmann, 1990; Lo and MacKinlay, 1990)、過去二個月到十二個月的中期動量效應(Jegadeesh and Titman, 1993)，以及過去三年至五年的長期反轉效應(De Bondt and Thaler, 1985)。從全球的視角，大量研究顯示動量效應在除日本以外的其他歐美成熟股市也都顯著存在(Rouwenhorst, 1998; Fama and French, 2012)。而針對其他的資產類別，Asness et al.(2013)在歐美成熟市場的外匯、政府債券、商品期貨以及股指期貨上，也都發現了顯著的動量效應。

不同于傳統動量效應在歐美成熟市場廣泛存在的普遍結論，動量效應在中國A股的檢驗結果則存在爭議。在傳統的中期月度頻率下，絕大部分文獻，比如王永宏和趙學軍(2001)，發現A股沒有顯著的動量效應。得到類似結論的還有馬超群和張浩(2005)、郭磊等(2007)、Li et al.(2010)、Cheema and Nartea(2014)和Cakici et al.(2017)。特別地，在剔除了小市值殼資源的公司之后，Liu et al.(2019)同樣發現中國A股不存在傳統的中期動量效應，但存在顯著的短期反轉效應。而可能由于樣本區間的不同，有少部分文獻(徐信忠和鄭純毅，2006；王甜甜和郭朋，2014)檢測到了中期動量效應的存在。另一方面，區別于中期動量眾說紛紜的結果，已有文獻普遍認為A股存在月內超短期的動量效應。比如，朱戰宇等(2003)在周度頻率上發現了顯著的動量效應，而潘莉和徐建國(2011)也在日度及周度頻率檢測到了超短期動量效應。

與此同時，學界對傳統反轉效應在A股的存在性也達成了較為一致的結論。魯臻和鄒恒甫(2007)在中國股市發現了短期和長期的反轉效應。從投資者的非持續性過度自信模式出發，何誠穎等(2014)發現中國股市表現出獨特的中期反轉效應。類似地，潘莉和徐建國(2011)發現A股個股收益率在多個時間頻率上都表現出明顯的反轉效應?？偨Y上述文獻，學界普遍認為中國股市的反轉效應要強于動量效應。此外，雖然傳統的中期動量效應并不顯著，但中國A股存在月內的超短期動量效應。

上述文獻主要利用月度等中低頻數據來分析傳統的收盤價收益率。近年來，國內外學者開始研究更高頻的數據，并通過對隔夜區間和日內區間的區分，將收盤價收益率分解為隔夜收益率和日內收益率進行研究。這不僅為探索收益率規律提供了更微觀的新視角，對于深入理解不同市場狀態下的股票定價機制也具有重要意義。在橫截面層面，從投資者異質性的角度，Lou et al.(2019)認為不同類型的投資者會傾向于在不同的區間交易，所以隔夜、日內收益率反映了不同投資者的需求。對應地，其在美國股市發現，各類投資者的行為連續性使得隔夜及日內收益率分別表現出持續性高達數年的橫截面動量效應，而不同投資者之間的力量拉扯則引起了隔夜和日內收益率之間的反轉效應。此外，Corte et al.(2015)在其他西方股市和股指期貨、外匯期貨以及商品期貨等期貨市場上，也發現了類似的隔夜-日內反轉效應。借鑒上述思路，白顥睿等(2020)發現在中國A股，日內收益率和隔夜收益率在月度頻率上均表現出橫截面的動量效應，但兩者的相反作用相互抵消，從而解釋了中國股市的傳統動量效應消失之謎。與此同時，Hendershott(2020)在美國及全球股市中發現隔夜收益率與股票的beta系數正相關，而日內收益率與beta負相關。值得注意的是，區別于其他市場(比如H股), 張兵(2019)發現我國A股市場表現出隔夜收益率為負的獨特現象。從期權的角度，Bai(2020)認為在“T+1”的交易制度下，相對于t日開盤價，t-1日收盤價嵌入了回溯最大賣出期權。因而，中國A股的負隔夜收益率反映了這一特殊期權的價值。

在時間序列層面，Gao et al.(2018)基于S&P500指數的高頻數據發現了日內動量效應，即市場開盤半小時的收益率可以正向預測最后半小時的收益率。借鑒上述方法，Zhang et al.(2019)利用上證綜指的高頻數據檢驗了中國股市的日內時間序列動量效應，發現第一個半小時的市場回報可以顯著預測最后半小時的回報，同時早上的市場收益率也能顯著預測下午的收益率。Chu et al.(2019)發現除了上述首尾半小時收益率之間的日內動量效應，中國A股的市場收益率還存在第一個和第二個半小時收益率之間的日內反轉效應。Jin et al.(2020)將研究標的拓展至期貨，并在中國市場的鋼、銅、大豆和豆粕這四個期貨合約上發現了類似的日內時間序列動量效應。而基于文本分析等新方法，尹海員和吳興穎(2019)構建了日內高頻情緒指標，并發現投資者情緒能夠正向預測市場(上證指數)收益率。

梳理上述文獻，可以發現針對A股的研究存在下述局限性。首先，已有文獻主要集中于檢驗傳統收盤價收益率框架下的動量及反轉效應，以及探討為何傳統的中期動量效應在中國A股并不顯著。第二，大部分研究側重于檢驗各個效應的實證表現，鮮有文獻對各種效應背后的經濟原因進行系統性的研究。第三，針對隔夜、日內收益率，已有文獻雖有一定的探討，但主要側重于時間序列維度的分析，缺乏橫截面層面的深入研究。特別地，已有文獻對日度頻率下的隔夜、日內收益率橫截面規律的檢驗以及對其經濟解釋的探索尚為空白。

2 方法與數據

2.1 策略構建

(1)

(2)

對應地，本文著重檢驗表1中的三個日度策略。CC-CC策略為基于收盤價來計算形成期和持有期收益率的傳統策略。將收盤價收益率拆分為隔夜收益率與日內收益率，本文進一步檢驗下述兩種隔夜及日內策略。由于日內區間為主要的交易區間，本文主要關注以日內收益率作為持有期收益率的策略。具體而言，OC-OC策略為日內-日內策略，其形成期和持有期收益率分別為t-1天和t天的日內收益率。與之相對，CO-OC策略是隔夜-日內策略，其形成期收益率為t天的隔夜收益率，持有期收益率為t天的日內收益率(2)此外，我們還檢驗了形成期和持有期收益率分別為t-1天和t天隔夜收益率的CO-CO策略。與Lou et al.(2019)在美國股市的結果相吻合，該策略表現為動量策略，其結果因為篇幅限制而未匯報。。

表1 策略構建方法

2.2 數據

本文檢驗中國A股市場的股票，所有的股票交易數據以及財務數據均來自于WIND數據庫，樣本區間為2000年1月4日至2018年7月31日。

個股開盤價和收盤價皆為復權價格?；诜旨t再投資的假設，WIND數據庫對價格進行了調整，彌補了因股票分割以及除權除息等事件造成的價格缺口，方便計算投資收益率。Beta為基于過去100個交易日(要求至少50個有效數據)的日度收盤價收益率所估計的個股相對于市場收益率的Beta。ILLIQ(Illiquidity)是過去1個月Amihud(2002)個股日度非流動性指標的平均值，其中日度非流動性指標定義為日度絕對值收益率除以當天的交易金額。Size為個股包括非流通股在內的總市值，Turnover為個股的日度換手率。

EP(earnings-to-price)為最近公布的季度報表中的扣除非經常性損益后凈利潤除以上月末的總市值。BM(book-to-market)為最近公布的季度報表中的股東權益除以上月末的總市值。ROE(return-on-equity)為最近公布的季度報表中的扣除非經常性損益后凈利潤除以最近公布的季度報表中的股東權益。注意，本文所研究的策略為日度頻率，而上述財務估值指標的更新頻率為月度頻率。個股在t月內的日度財務指標保持不變，均為在t-1月月末所計算的財務指標。同時，為了避免數據前視偏差(look-ahead bias)，本文僅使用公布日期在上月末之前的最新報表來計算本月的估值指標。

3 實證結果

3.1 描述性統計量

表2匯報了傳統收盤價收益率、隔夜收益率以及日內收益率的描述性統計量。收盤價收益率rcc和日內收益率roc的為正，日度均值分別為0.07%和0.18%。與之相反，隔夜收益率rco均值為負數(-0.10%)，約等于rcc減去roc，這與張兵(2019)的結果相吻合。由于收盤價收益率的時間區間涵蓋了隔夜區間和日內區間，所以其反映的信息量最多。對應地，收盤價收益率rcc表現出最大的波動率，為2.99%。與之對比，隔夜收益率rco的波動率僅為1.39%。與此同時，由于日內區間為主要的交易時間且貢獻了絕大部分的交易量，對應地，日內收益率roc的波動率僅略低于收盤價收益率rcc的波動率，為2.80%。這一結果也從側面說明股價的信息反應集中于日內區間段。

表2 日度收益率的描述性統計量

值得注意的是，這三個收益率都表現出微弱的正偏度以及較高的峰度，說明收益率數據呈現出“尖峰厚尾”的分布特征。從極端值的角度，rcc的1%和99%分位數分別為-9.70%和9.99%，反映了A股的漲跌停板制度。rco和roc的99%分位數均大于其1%分位數的絕對值，這與收益率所表現出的正偏度相吻合。

3.2 策略基本表現

表3匯報了三個日度策略的基本表現。Panel A顯示，僅隔夜-日內策略CO-OC獲得了顯著為正的收益率，這說明中國A股存在著顯著的隔夜-日內反轉效應，即隔夜收益率更低(高)的股票，平均而言將在當天獲得更高(低)的日內收益率。與之相對，日內-日內策略OC-OC獲得了負收益，說明日內收益率表現為動量效應，這與Lou et al.(2019)在美國股市的結論一致。與此同時，收盤價策略CC-CC也獲得了顯著的負收益率，這說明A股市場存在日度頻率的超短期動量效應，這與潘莉和徐建國(2011)等人的研究結論一致。

表3 策略日度收益表現

值得注意的是，無論是在經濟意義還是統計顯著性層面，隔夜-日內策略CO-OC都顯著優于其他兩個策略。具體而言，CO-OC贏得了最高的日度收益率(1.12%)，其t統計量更是高達50.98。對比而言，傳統的超短期動量策略CC-CC的日度收益率為-0.41%，t統計量為-16.40，而日內動量策略OC-OC則表現更差，其收益率僅為-0.04%，t統計量為-3.01。從偏度的角度，CO-OC和CC-CC這兩個收益率較高的策略分別獲得了1.63和-1.46的(絕對值)高偏度(3)CC-CC和OC-OC策略均表現為動量策略。若將其多空頭寸調換，對應策略的收益率將為正數，偏度和夏普率也將取相反數。，這說明其收益率集中偏向于對策略有利的尾部方向。對比而言，OC-OC的偏度僅為-0.41。最后，CO-OC獲得了最高的(絕對值)年化夏普率(18.02)，遠高于CC-CC(-6.19)以及OC-OC(-0.79)，這說明隔夜-日內反轉策略在收益與風險的權衡方面也遠優于其他兩個策略。

Panel B匯報了策略間的相關系數矩陣。CC-CC和OC-OC這兩個動量策略之間呈現出較強的正相關性(0.79)，而隔夜-日內反轉策略CO-OC與這兩個動量策略的相關性都比較弱，分別為0.20和0.16。

圖1展示了三個策略的日度收益率曲線(4)為了更方便地看清時間趨勢，該圖匯報的是策略日度收益率的月度(假定22個交易日)移動均值。。與表1中CC-CC和CO-OC的(絕對值)高偏度相吻合，動量策略CC-CC的收益率曲線幾乎都在0之下，而反轉策略CO-OC的收益率曲線都在0之上，這說明這兩個策略的表現十分穩健。值得注意的是，在2008年和2015年這兩個市場波動較大的危機年份，這三個策略都展現了較大的波動性和更強的策略表現。比如在2015年，隔夜-日內反轉策略CO-OC表現出收益率的正峰值，而其他兩個動量策略則表現出收益率的負峰值。

圖1 策略日度收益率曲線

為了進一步探究策略表現與市場波動率的關系，我們進行下述回歸分析Rt=α+βVolt-1，其中Rt為策略的收益率，Volt-1市場收益率在過去三個月的日度波動率(5)假定每個月22個交易日。選取其他的窗口區間，比如過去1個月或過去6個月，構建波動率指數，回歸所得結果類似。。結果顯示，CC-CC和OC-OC的β分別為-0.15(t統計量: -3.89)和-0.04(t統計量:-1.60)，而CO-OC的對應的β為0.19(t統計量: 4.53)，這一結果與圖1結論相吻合。

3.3 分時間區間表現

表4匯報了各策略在子樣本區間的表現。Panel A展示了隔夜-日內反轉策略CO-OC的結果，其余表格則匯報了兩個動量策略的表現。CO-OC策略在時間維度上表現出很強的持續性，其在三個子樣本都贏得了最高的收益率，分別為1.50%、1.10%和0.88%，對應的t統計量分別為56.71、29.13和24.61。與之對比，CC-CC動量策略雖然在三個子樣本都穩定地獲得了負收益率，但是就經濟和統計顯著性而言，CC-CC策略都要遠遜于CO-OC策略。值得注意的是，OC-OC策略的表現并不穩定。雖然在整個樣本區間內，其獲得負收益率，表現為動量效應。但是Panel C顯示在2000—2006年期間，OC-OC獲得正收益率，表現為反轉效應。

表4 策略在子時間區間的日度表現

表4的最后兩列匯報了各個策略在危機區間和非危機區間的表現。三個策略都在危機區間贏得了更高的(絕對值)收益率，這與圖1中策略在危機年份展現出的收益率峰值相吻合。與此同時，各個策略都在危機區間展示了更大的波動性。比如CO-OC在危機區間的波動率為1.67%，而其在非危機區間的波動率僅為0.98%。但是，CO-OC在兩個區間都贏得了最高的年化夏普率(13.20與18.84)，說明其很好地平衡了收益與風險。

3.4 子樣本表現

為了控制其他影響股票橫截面收益的因素，表5檢驗了各個策略在按照公司市值以及賬面市值比分組的子樣本中的表現。具體而言，本文先將股票按照Size或BM分為五組，然后在各個子樣本中分別構建策略。Panel A顯示了按照公司市值分組的結果。隔夜-日內反轉策略CO-OC在各個子樣本中均獲得了高度顯著的正收益。與此同時，其策略表現隨著公司市值的增大而逐漸減弱。但即使是在表現最差的SizeBig子樣本中，其也顯示出極強的經濟及統計顯著性：策略日收益率高達0.87%，t統計量為35.73。CC-CC策略在各個子樣本中也都獲得了顯著的負收益，但其在經濟顯著性和統計穩健性上都遠弱于CO-OC。此外，CC-CC策略也隨公司市值的增大而呈現減弱的趨勢。不同于CO-OC和CC-CC，OC-OC策略在小股票中表現得更差，其在SizeSmall組中的t統計量僅為-0.05。但是，即使是在表現最好的SizeBig子樣本中，OC-OC的收益率也僅為-0.07%(t統計量: -4.68)，遠遜于CO-OC的表現。

表5 策略在子樣本的日度表現：控制市值與賬面市值比

續表

值得注意的是，Liu et al.(2019)發現中國A股小市值股票的定價具有特殊性。由于A股嚴格的上市審核政策，小市值股票最可能成為借殼上市的標的，因而小股票的定價在很大程度上反映了其殼價值。Panel A顯示隔夜-日內反轉策略CO-OC在各個市值組中都具有很強的穩健性，這說明其表現并不是由小股票所驅動。

Panel B匯報了按照賬面市值比分組的結果(6)我們還按照EP和ROE進行了分組，結果與BM很類似，因為篇幅限制而未匯報。。CO-OC策略在各個子樣本中均獲得了最高的策略收益，而且相對于價值型股票(BMHigh)，其在成長型股票(BMLow)中要表現得更強。與CO-OC類似，CC-CC策略也隨著BM的提高而減弱。相反地，OC-OC策略大致隨著BM的提高而增強。

從上述分析可知，CO-OC策略捕捉了顯著的隔夜-日內反轉效應，而且其策略表現從經濟意義和統計顯著性等方面都要遠優于其他兩個動量策略。因此在后續章節，本文將集中分析隔夜-日內反轉策略。

3.5 Fama-MacBeth回歸

表6 Fama-MacBeth回歸

3.6 時間序列alpha

表7從時間序列的維度，檢驗了隔夜-日內反轉策略CO-OC在各個因子模型下的表現(7)各因子模型皆基于全市場股票構建。如果按照Liu et al. (2019)剔出最小30%的小股票，結果依舊穩健。。值得注意的是，CO-OC策略的持有期收益率為日內收益率，對應地，本文中各個因子收益率的構建也都是基于日內收益率。相對于CAPM，CO-OC策略獲得了1.07%的日度alpha(t統計量：59.41)，這說明CAPM不能解釋CO-OC的策略表現。進一步地，本文考慮了Liu et al.(2019)針對于中國市場所提出的三因子(LSY-3)及四因子(LSY-4)模型。在這兩個因子模型下，CO-OC策略仍舊獲得了高達1.06%且高度顯著的alpha。最后，在LSY-4的基礎上，本文加入了傳統的短期反轉因子(8)反轉因子(REV)的策略形成期收益率為過去20天收益率，持有期為接下來的5天，具體的構造方式參見Liu et al. (2019)。。結果顯示，在同時考慮上述所有因子之后，CO-OC策略仍舊贏得了1.06%(t統計量: 56.70)的alpha，這說明在控制了傳統的反轉策略之后，隔夜-日內反轉策略仍具有極高的經濟價值。

表7 CO-OC策略在因子模型下的表現

總而言之，隔夜-日內策略CO-OC在常用的因子模型下都獲得了在經濟和統計意義上高度顯著的alpha，這說明隔夜-日內反轉效應不能被標準的風險因子模型所解釋。

4 經濟解釋

在本節中，本文從股票流動性與投資者情緒兩個角度，探討隔夜-日內反轉策略CO-OC背后的經濟解釋。

4.1 股票流動性

Barclay and Hendershott(2003, 2004)發現市場在隔夜期間表現出極低的交易量，并在開盤時表現出較高的波動性，而市場波動性的加劇會限制金融中介發揮提供流動性的功能(Gromb and Vayanos, 2002; Brunnermeier and Pedersen, 2009)。相應地，Barclay and Hendershott(2003)發現市場在開盤時的流動性很低。特別地，考慮到中國股市散戶比例高、波動性大的特點，流動性提供者在開盤時往往面臨著較大的風險，所以對于隔夜收益率的輸家股票這樣一些賣出壓力大的股票，其會要求一個更高的溢價補償才愿意提供流動性。

因此，流動性溢價為解釋隔夜-日內反轉效應提供了一個很好的研究視角：CO-OC策略買入隔夜收益率的輸家股票，賣空隔夜收益率的贏家股票?？紤]到開盤時的低流動性，持有輸家股票的投資者面臨著較強的財務壓力，因而其會被迫賣出輸家股票，用以滿足流動性需求。相應地，這會增大股票的賣出壓力，降低股票目前的價格，進而提升未來收益率。換言之，為了補償買入輸家組合的投資者所提供的流動性，輸家組合將獲得相對更高的日內收益率。

表8匯報了CO-OC策略在不同流動性股票組中的日度表現。Panel A展示了以Amihud(2002)ILLIQ指標作為非流動性指標結果：CO-OC策略的日度收益率(L-H)從ILLIQLow組中的0.46%單調上升至ILLIQHigh組中的1.13%。最后一列Δ(L-H)顯示，組間策略收益率之差為0.67%(t統計量: 29.86)。類似地，Panel B匯報了以交易量作為流動性指標的結果：隨著交易量的下降，即隨著非流動性的上升，CO-OC的收益率從0.46%上升至1.01%。這些結果驗證了前文的預測，即CO-OC策略隨著股票非流動性的增強而增強，這說明CO-OC策略反映了市場對于流動性提供者所做出的溢價補償。

表8 CO-OC策略與股票流動性

與此同時，值得注意的是，在表8的各個子樣本中，投資組合的持有期日內收益率均隨著形成期隔夜收益率的增加而遞減，這再次直觀地說明了隔夜-日內策略反映的是反轉效應。此外，策略收益率(L-H)高度顯著，說明CO-OC的策略表現在傳統的組合排序的構造方法下具有穩健性。

4.2 投資者情緒

從行為的角度，Shiller et al.(1984)、Black(1986)、Stiglitz(1989)以及Subrahmanyam(2005)發現傳統的短期反轉效應反映了由投資者過度反應、行為偏差等情緒因素帶來的錯誤定價。特別地，因為賣空限制是樂觀情緒引發股價高估的必要條件，Da et al.(2014)發現短期反轉效應在賣空限制條件更嚴格的股票中表現出更強的效果，這說明反轉效應反映了樂觀情緒所引起對歷史贏家股票的過高估值。

表9中Panel A顯示，與上述預測相一致，在支持融資融券的股票組中，CO-OC的日度收益率僅為0.25%；而在不支持融資融券的股票組中，CO-OC的日度收益率上升至0.69%。組別策略收益率之差(0.44%)在統計意義上高度顯著，t統計量達16.65。

表9 CO-OC策略與投資者情緒

值得注意的是，上述結果可能受到子樣本股票數目的影響。具體而言，支持融資融券業務的股票約僅占總樣本股票數的三成(9)A股融券業務開啟時間為2010年4月。最初支持融資融券業務的股票數僅為42只，占A股股票總數2.4%；2012年初，支持融券股票數為277(約占12%)；2018年7月，支持融券的股票數為949(約占27%)。。股票數目越少，在作排序分析時的噪音就越高，而這傾向于降低策略的有效性。為了進一步消除股票數目的影響，本文在支持融資融券的子樣本中，按照各股票在前一個月(假定22個交易日)的融券賣空量將股票均分為兩組，并對比CO-OC策略在兩組的表現。Panel B顯示，在賣空股數較多的組中，CO-OC的日度收益率僅為0.33%，而在賣空股數較少(即賣空限制更強)的組中，CO-OC的收益率顯著上升至0.48%。這一結果與前文的預測一致，即賣空限制條件的增強會提升CO-OC策略的表現，這也與CO-OC策略反映了投資者情緒所引起的錯誤定價的解釋相一致。

最后，Panel C從散戶參與度的角度探討投資者情緒對隔夜-日內反轉效應的影響。相對機構投資者，散戶投資者更容易受到情緒的影響，因而本文預期CO-OC策略在散戶投資者持股比例更高的股票中要表現得更好。結果顯示， CO-OC的策略表現的確隨著散戶參與度的提高而增強。具體而言，相對于散戶持股比例低的組，CO-OC在散戶持股比例高的股票中收益率要顯著地高出0.11%(t統計量：5.79)。這一結果再次說明，投資者情緒是CO-OC策略背后的另一驅動因素。

5 穩健性檢驗

在前文中展示了CO-OC策略在子樣本以及傳統的組合排序構造方法下具有穩健性。在本節中，本文從策略形成期和行業效應兩個方面進一步檢驗策略的穩健性。

5.1 不同形成期

第一列展示了j=0，也即前文所檢驗的標準CO-OC策略的結果，其日度收益率高達1.19%。當j=1時，策略收益率驟減至0.18%，但仍然在統計意義上保持高度顯著(t統計量：13.46)。這一結果也從側面說明CO-OC策略的表現不能被風險模型所解釋，因為一般而言，很難認為股票的風險會在一天的時間內發生如此顯著的變化。當j取2，3，10時，策略收益率隨著形成期收益率滯后期的增加而呈現出遞減的趨勢，分別為0.09%、0.07%和0.04%，但這些策略在統計意義上均保持這較強的顯著性。最后，隔夜收益率對于日內收益率的預測具有較強的持續性，當滯后期為50天(j=50) 時，策略仍保持0.02%的微弱收益(t統計量：3.92)。

表10 CO-OC策略：不同的形成期收益率

5.2 控制行業效應

表11檢驗了各個策略在10個WIND行業子樣本中的表現。CO-OC策略在所有行業都取得了高度顯著的正收益率，并在8個行業中取得了高于1%的日度收益率。特別地，CO-OC的最低收益率(0.34%，電信服務)僅略遜于CC-CC策略的(絕對值)最高收益率(-0.40%，工業)，并顯著優于OC-OC的(絕對值)最高收益率(-0.11%，能源)。這再一次印證了前文的結論，說明隔夜-日內反轉效應在各個行業都普遍存在且遠強于其他策略。

表11 CO-OC策略在各個行業中的表現

6 結論

利用A股上市公司2000年至2018年的個股日度數據，本文檢驗了中國A股的隔夜-日內反轉現象。主要結論如下：(1)中國A股市場存在著顯著的隔夜-日內反轉效應，即隔夜收益率更低(高)的股票，將獲得更高(低)的日內收益率。其自融資多空策略的日度收益率高達1.12%(t統計量: 50.98)，年化夏普比率為18.02，在經濟和統計意義上都要遠強于日內動量效應和傳統的日度超短期動量效應。(2)隔夜-日內反轉效應不僅區別于傳統的短期反轉效應，也不能被經典的因子模型所解釋；同時，在利用雙變量排序、Fama-MacBeth回歸等方法控制了市值、賬面市值比、換手率等常用公司特征之后，隔夜-日內反轉效應仍然顯著存在。(3)從股票流動性的角度，本文發現隔夜-日內反轉效應在非流動性更高的股票中更顯著，說明該反轉策略反映了市場對于流動性提供者所做出的溢價補償。(4)進一步地，從投資者情緒的角度，本文發現隔夜-日內反轉效應還隨著個股賣空限制的增強以及散戶持股比例的提高而增強，這說明投資者情緒是隔夜-日內反轉效應背后的另一大驅動因素。

區別于傳統基于收盤價收益率的文獻，本文為中國A股的橫截面收益率研究提供了微觀日內層面的新證據。通過從流動性和投資者情緒兩個角度發掘隔夜-日內反轉效應背后的經濟機理，本文對于深入理解流動性和市場情緒在股票定價機制中所發揮的作用具有重要意義。與此同時，本文對于投資實踐具有較強的指導意義。即使在現行的“T+1”的制度下，分散持股的機構投資者也可以通過底倉管理利用隔夜-日內反轉策略進行投資。這一方面有助于提升市場的流動性，降低風險，另一方面有利于修正投資者樂觀情緒引起的定價誤差，提升我國股市的機構化參與度，增強市場的有效性。