中國股市低風(fēng)險異象研究

周 亮，王銀枝

（1.湖南財政經(jīng)濟(jì)學(xué)院 財政金融學(xué)院，湖南 長沙410205；2.中國人民銀行鄭州培訓(xùn)學(xué)院，河南 鄭州450011）

一、引言

低風(fēng)險異象指的是高Beta 證券的Alpha 往往偏低，這與傳統(tǒng)的資產(chǎn)定價模型（CAPM）是相悖的。CAPM 模型的一個基本假設(shè)是投資者能夠通過任意增減杠桿的方式投資于單位風(fēng)險下預(yù)期超額收益最大（即夏普比率）的投資組合，從而滿足他們自身的風(fēng)險偏好。但是很多投資者，如個人投資者、養(yǎng)老基金和共同基金等，由于受到融資約束，不能自由使用杠桿，因此為了達(dá)到特定的收益率目標(biāo)，只能夠選擇高Beta 的資產(chǎn)進(jìn)行投資，從而導(dǎo)致高Beta 的資產(chǎn)價格偏離其內(nèi)在價值，未來風(fēng)險調(diào)整后收益率就會顯著降低；相反，低Beta 資產(chǎn)由于其收益率較低，因此并不被投資人所喜愛，從而導(dǎo)致其價格被低估，未來的風(fēng)險調(diào)整后收益也會相對更高。對內(nèi)含杠桿的ETF 基金的熱衷更是直接證明了大多數(shù)投資者并不能直接使用杠桿。這種熱衷于高Beta資產(chǎn)的投資行為預(yù)示著高Beta 資產(chǎn)相對于低Beta 資產(chǎn)而言，具有更低的風(fēng)險調(diào)整后收益。在我國資本市場上最典型的是債券和股票間的收益差別，目前債券的年化收益率不到4%，但是其年化波動率也不到3%，而滬深300 指數(shù)年化收益率超過10%，但是其年化波動率卻高于25%（周亮和李紅權(quán)，2019）[1]。因此綜合來看，債券的風(fēng)險調(diào)整后收益更高，但是由于4%的收益率并不能滿足絕大部分投資者的要求，而且并不能自由使用杠桿，因此一般投資者仍然傾向于進(jìn)行股票投資。

為了更準(zhǔn)確地對低風(fēng)險異象進(jìn)行分析，F(xiàn)razzini&Pederson（2014）[2]構(gòu)造了一個Beta 套利策略（以下簡稱BAB），結(jié)果發(fā)現(xiàn)在全球20 個股票市場、債券市場及商品期貨市場上BAB 套利策略均能獲得穩(wěn)定的盈利，且隨著高低Beta資產(chǎn)間的Beta差異越大，收益越高。隨后很多學(xué)者對BAB 在全球市場的應(yīng)用情況展開了研究，均支持了低風(fēng)險異象的存在和有效性，且市場流動性會顯著影響到BAB 策略的收益，即低風(fēng)險異象受市場流動性影響較大。中國資本市場上散戶投資者過多，而機(jī)構(gòu)投資者占比相對歐美發(fā)達(dá)市場偏小，市場投機(jī)氛圍更重，且由于政府監(jiān)管更嚴(yán)格，杠桿約束相對于發(fā)達(dá)資本市場更強(qiáng)，因此有理由相信中國資本市場也存在著顯著的低風(fēng)險異象。但是目前對中國市場低風(fēng)險異象的研究很少，僅有于誼卉（2016）[3]采用Frazzini & Pederson（2014）[2]的方法對我國股市進(jìn)行了初步探討。因此，系統(tǒng)性地研究我國資本市場上的低風(fēng)險異象具有較強(qiáng)的理論和現(xiàn)實(shí)意義，一方面可以為投資者的資產(chǎn)配置及監(jiān)管者的政策監(jiān)管提供經(jīng)驗(yàn)借鑒，另一方面也是對我國資本資產(chǎn)定價理論的完善和補(bǔ)充。

二、文獻(xiàn)綜述

Jensen et al.（1972）[4]的研究證明了高Beta 股票構(gòu)成的投資組合相對于低Beta股票構(gòu)成的投資組合的收益率更低，可以稱之為低風(fēng)險異象。在此之后，Blum 和Friend（1973）[5]、Fama 和Macbeth（1973）[6]、Fama 和French（1992；1993）[7-8]以 及Baker et al.（2011）[9]的研究也證明了低風(fēng)險異象的存在。Fama和French（1993；2006）[8,10]發(fā)現(xiàn)在控制了規(guī)模和市值特征（三因子模型）之后，Beta 和收益率之間的關(guān)系變得更為單調(diào)。Carhart（1997）[11]在三因子模型的基礎(chǔ)上增加了動量因子從而構(gòu)造了四因子模型，Pástor 和Pietro（2003）[12]更是又增加了流動性因子和盈利因子構(gòu)造了六因子模型，但是這些模型雖然使得模型Alpha 下降，卻更證明了低風(fēng)險異象在股票市場的存在性。Frazzini 和Pederson（2014）[2]通過全球多個股票市場和期貨市場的數(shù)據(jù)驗(yàn)證了高Beta資產(chǎn)的低收益性，他們構(gòu)造了一個Beta套利策略（以下簡稱BAB），用來檢驗(yàn)低風(fēng)險異象的大小。即加杠桿買入低Beta 的資產(chǎn)使得其Beta 為1，同時降杠桿賣出高Beta 的資產(chǎn)使得其Beta 也為1，結(jié)果發(fā)現(xiàn)在全球20 個股票市場、債券市場及商品期貨市場上BAB 套利策略均能獲得穩(wěn)定的盈利，且隨著高低Beta資產(chǎn)間的Beta差異越大，收益越高。在此之后，大量學(xué)者對BAB 策略進(jìn)行了研究，Novy-Marx（2014）[13]、Auer 和Schuhmacher（2015）[14]、Buchner 和Wagner（2016）[15]、Abdollahi et al（2017）[16]的研究結(jié)論均支持了BAB 能夠獲得穩(wěn)定盈利的結(jié)論。許多學(xué)者從行為金融學(xué)視角來對這種現(xiàn)象進(jìn)行解釋，如Jensen et al（1972）[4]從杠桿限制的角度、Baker et al（2011）[9]從市場基準(zhǔn)追蹤的角度分析了市場分割導(dǎo)致的低風(fēng)險異象。Bali et al（2014）[17]的彩票需求心理理論也可以對這種異象進(jìn)行解釋。

我國學(xué)者在資產(chǎn)定價方面的研究，主要還是集中在對CAPM 模型及風(fēng)險因子定價模型的研究上。在CAPM 模型的研究方面，田丁石和肖俊超（2012）[18]研究發(fā)現(xiàn)在歷史貝塔值分組條件下，滬深股市基本符合CAPM 模型。但是李和金和李湛（2000）[19]卻發(fā)現(xiàn)上海股市系統(tǒng)性風(fēng)險與收益存在正相關(guān)關(guān)系，但并不是CAPM 所預(yù)料的線性關(guān)系。陳學(xué)信（2018）[20]對CAPM 模型進(jìn)行了詳細(xì)總結(jié)，并探討了多種CAPM 模型間的差異，進(jìn)而提出了基于價格錯定的HCAPM 模型。在風(fēng)險因子定價模型方面，陳守東、孟慶順和趙云立（2003）[21]較早對FF 三因子模型進(jìn)行了研究，利用最小二乘法和廣義距估計(jì)方法（GMM）研究了上證180 指數(shù)樣本股和深證100 指數(shù)樣本股，結(jié)果表明三因子模型對于中國股市是基本適用的。周亮（2017）[22]對中小板股票的研究，發(fā)現(xiàn)流動性因子和盈利因子能夠顯著提升多因子模型的解釋效力。干偉明和張滌新（2018）[23]在FF 三因子模型的基礎(chǔ)上增加了盈利因子、成長速度因子和成長質(zhì)量因子，發(fā)現(xiàn)擴(kuò)展后的模型明顯增強(qiáng)了解釋力。對于股票Beta 的研究，國內(nèi)學(xué)者主要集中于對Beta 自身時變性或隨機(jī)性的研究（羅捷和勞蘭珺，2008；徐建衛(wèi)，2015）[24-25]，對于低風(fēng)險異象的研究極為少見，目前僅有于誼卉（2016）[3]采用Frazzini和Pederson（2014）[2]的方法對我國股市進(jìn)行了初步探討，驗(yàn)證了BAB 策略在我國的有效性。但是于誼卉（2016）[3]只是對BAB 策略的盈利能力進(jìn)行分析，并沒有區(qū)分不同市場狀況下低風(fēng)險異象的差異性，也沒有分析資金約束對低風(fēng)險異象的影響。基于此，本文將系統(tǒng)性地對我國資本市場上的低風(fēng)險異象進(jìn)行詳細(xì)分析，首先借鑒Frazzini和Pederson（2014）[2]的研究方法，通過構(gòu)造BAB 因子研究我國股票市場的低風(fēng)險異象，通過牛市、熊市的劃分，研究不同市況下低風(fēng)險異象的差異以及穩(wěn)健性；然后，通過對市場流動性的分析來判斷資金約束對低風(fēng)險異象的影響，以深入探討低風(fēng)險異象產(chǎn)生的機(jī)制；最后，本文還初步探討了商品期貨市場低風(fēng)險異象的存在性。

三、數(shù)據(jù)與方法

（一）Beta的計(jì)算方法

采用我國股市數(shù)據(jù)來對我國資本市場的低風(fēng)險異象進(jìn)行檢驗(yàn)。首先需計(jì)算個股的Beta，計(jì)算公式如式（1）所示：

其中，wi為修正系數(shù)為橫截面平均Beta 值。借鑒Frazzini 和Pederson（2014）[2]的處理方式，設(shè)定相對于采用原始Beta 數(shù)據(jù)直接計(jì)算，這種處理方式對最終結(jié)果的影響不大（Frazzini &Pederson，2014）[2]。

（二）BAB因子的構(gòu)建方法

通過構(gòu)造BAB 因子來檢驗(yàn)我國股市中的低風(fēng)險異象，即買入低Beta 股票的同時賣出高Beta 的股票，具體步驟如下。

第一，將所有股票按照Beta 從低到高的順序進(jìn)行排序，選出排序最低的1/4 股票為低Beta 組，選擇排序最高的1/4股票為高Beta組。

第二，按排序?qū)Ω叩虰eta 組中的每個股票賦予不同權(quán)重，使得在低Beta 組中Beta 越低的股票權(quán)重越高，在高Beta 組中Beta 越高的股票權(quán)重越高。設(shè)由zi=rank(βit)構(gòu)成的z為Beta排序的n×1階向量為低Beta 組中最大的Beta 對應(yīng)的順序，zH

min為高Beta組中最小的Beta對應(yīng)的順序，則：

其中，wL、wH分別為低Beta 組股票和高Beta 組股票對應(yīng)的權(quán)重向量為高低Beta 組Beta 排序和的倒數(shù)為n×1 階單位向量。通過這種賦權(quán)方式，使得

第三，構(gòu)造最終的BAB因子：

通過以上三步就可以構(gòu)造出市場中性的BAB因子，用來研究我國資本市場的低風(fēng)險異象。

（三）數(shù)據(jù)來源及描述性統(tǒng)計(jì)

為了保證樣本數(shù)據(jù)足夠多，選取了2002 年以前上市的A 股公司作為研究對象，剔除掉已退市及數(shù)據(jù)不完整的公司，共得到958 家公司數(shù)據(jù)。選取所有公司2002年1月1日至2018年5月31日所有的日收盤價數(shù)據(jù)（復(fù)權(quán)后）作為分析對象，對于部分缺失的數(shù)據(jù)，采用線性插值法補(bǔ)齊。同時考慮到滬深300 指數(shù)在2005 年才推出，因此采用上證綜指作為市場基準(zhǔn)指數(shù)，同時采用一年期定期存款利率作為市場無風(fēng)險利率。需要說明的是，日數(shù)據(jù)只是用來計(jì)算Beta，在研究BAB因子收益時，采用的是月度數(shù)據(jù)，即用每個月月末時點(diǎn)算出的Beta為研究對象，然后每月進(jìn)行輪動，同時對于區(qū)間的收益也采用月度收益率來衡量。由于計(jì)算Beta 需要用到三年的數(shù)據(jù)，因此雖然全體樣本是自2002 年開始，但是在描述性統(tǒng)計(jì)及后面的實(shí)證檢驗(yàn)中，計(jì)量數(shù)據(jù)實(shí)際是從2005年1月1日開始。表1報告了個股、市場基準(zhǔn)的月度收益率以及個股Beta 的描述性統(tǒng)計(jì)情況，可以看到，個股收益率及Beta的極端值都比較大，如個股月收益率最大值達(dá)到1341%，Beta 最大值為3.476，而最小值為-1.966；但是從5%和95%分位數(shù)來看則顯得合理很多，如個股收益率5%和95%分位數(shù)分別為-20.7%和26.9%，Beta值的5%和95%分位值分別為0.674和1.48，因此在進(jìn)行實(shí)證分析時剔除掉極端值的影響是很有必要的。需要說明的是，表1 中所有股票Beta 的平均值為1.07、中位值為1.058，并不是1，主要是因?yàn)槲覀冞x擇的市場基準(zhǔn)是上證綜指，而樣本股并沒有包含所有的上市公司，因此樣本股的平均Beta并沒有和市場基準(zhǔn)完全一致。但是由于我們在構(gòu)造BAB 因子時使用的是最高的1/4 和最低的1/4股票數(shù)據(jù)，中間大部分與市場走勢接近的個股已被剔除，因此對結(jié)果不會產(chǎn)生影響。

表1 收益率及Beta的描述性統(tǒng)計(jì)情況

四、實(shí)證檢驗(yàn)

（一）Beta與Alpha間的關(guān)系

按照Beta 從低到高的順序?qū)⑺泄善狈殖?0組，通過統(tǒng)計(jì)這10 個組的超額收益、Alpha 和夏普比率等數(shù)據(jù)，可以觀察我國股市中的低風(fēng)險異象，結(jié)果如表2 所示。其中超額收益指對應(yīng)Beta 組超過市場無風(fēng)險收益的月收益；CAPM Alpha 指采用CAPM 模型計(jì)算出的截距項(xiàng)；三因子Alpha 指采用FF 三因子模型（包括市場因子、規(guī)模因子及估值因子，數(shù)據(jù)從銳思數(shù)據(jù)庫獲得）回歸得到的截距項(xiàng)；Beta 值對應(yīng)Beta 組的平均Beta 值；波動率是對應(yīng)的年度波動率數(shù)據(jù)，通過月波動率換算而來；夏普比率也是年度數(shù)據(jù)，通過將超額收益進(jìn)行年度變換而得到。從表中數(shù)據(jù)可以看到，CAPM Alpha、三因子Alpha 及夏普比率均呈明顯的下降趨勢，說明高Beta 對應(yīng)了低Alpha。從波動率來看，10 個組別之間沒有明顯差別。圖1 和圖2 更直觀地展示了三因子Alpha 及夏普比率的趨勢變動圖，可以很明顯地看到，從低Beta組開始到高Beta 組，三因子Alpha 和夏普比率均呈現(xiàn)明顯的下降趨勢。BAB 因子能夠獲得顯著的正收益，低風(fēng)險異象在我國股票市場是存在的，且BAB 因子的波動率只有0.15，遠(yuǎn)低于各個組別的波動率，因此夏普比率達(dá)到了0.89。Beta 套利（BAB）因子可以產(chǎn)生顯著為正的風(fēng)險調(diào)整后收益。

表2 最后一列報告了BAB 因子的統(tǒng)計(jì)檢驗(yàn)情況，可以看到，BAB 因子在樣本區(qū)間內(nèi)獲得了1.19%的月度超額收益，控制了市場因子影響后的CAPM Alpha 為1.03%，控制了三因子影響后的三因子Alpha為0.97%，且所有數(shù)據(jù)均在1%水平下顯著，說明

圖1 Beta分組的三因子Alpha

圖2 Beta分組的夏普比率

（二）穩(wěn)健性檢驗(yàn)：牛市、熊市是否對低風(fēng)險異象有影響

通過將市場分為牛市和熊市，既可以分析不同市場狀態(tài)下低風(fēng)險異象的差異，同時也可以提供穩(wěn)健性檢驗(yàn)。借鑒Cooper et al（2004）[29]的方法，取上證綜指前36 個月的收益率平均值作為標(biāo)準(zhǔn)，若當(dāng)月收益率大于該值稱之為牛市狀態(tài)，反之則稱之為熊市狀態(tài)，并對牛市和熊市下Beta 分組及BAB 因子的收益及風(fēng)險情況進(jìn)行統(tǒng)計(jì)，結(jié)果如表3 所示?？梢钥吹剑谂Ｊ兄兴蟹纸M的收益均要遠(yuǎn)超熊市，最低的夏普比率都高達(dá)2.79，而熊市中最高的夏普比率為-1.86；但是可以看到，無論在牛市還是熊市，CAPM Alpha、三因子Alpha 及夏普比率均隨著Beta的升高而降低。圖3 報告了牛市和熊市中不同Beta分組的三因子Alpha，可以清晰地看到，兩種市場狀態(tài)下，Alpha 均隨著Beta 的升高而下降。從表3 最后一列可以看到，無論是牛市還是熊市，BAB因子均能獲得顯著的超額收益，且無論是控制了市場因子的CAPM Alpha，還是控制了FF 三因子的Alpha，均顯著為正，兩種市場狀態(tài)下的夏普比率均在0.9 以上，充分說明了無論何種市場狀態(tài)下，BAB 都能獲得穩(wěn)定的正收益。因此綜合來看，我國股票市場上低風(fēng)險異象是顯著存在的，而且結(jié)果是穩(wěn)健的。

圖3 牛市、熊市下Beta分組的三因子Alpha

（三）流動性風(fēng)險的影響分析

1．流動性風(fēng)險對Beta截面差異的影響

為了驗(yàn)證假設(shè)3，采用Shibor利率的月波動率來衡量市場流動性風(fēng)險，波動率越高時市場流動性風(fēng)險越高，反之亦然。采用Parkinson（1980）[30]定義的極差波動率來計(jì)算，公式為其中hi和li分別為Shibor 利率在一個月內(nèi)的最高價和最低價。按照極差波動率的高低，將市場平均分為低流動性風(fēng)險、中流動性風(fēng)險及高流動性風(fēng)險三組。采用標(biāo)準(zhǔn)差、平均離差及組內(nèi)極差三種方式來衡量Beta的截面差異，其中，平均離差為截面上所有個股Beta 相對于截面均值的偏離程度，計(jì)算公式為MD=組內(nèi)極差為截面?zhèn)€股Beta 上1/5 分位值減去下1/5 分位值的差值。表4 報告了不同流動性風(fēng)險時期三種截面差異的統(tǒng)計(jì)結(jié)果，可以看到，在整個樣本區(qū)間內(nèi)，Beta 的截面標(biāo)準(zhǔn)差均值為0.149、平均離差均值為0.155、組內(nèi)極差為0.305；但是在P1（低流動性風(fēng)險）時期三者的均值分別為0.155、0.168 和0.338，均要高于P3（高流動性風(fēng)險）時期的0.137、0.138 和0.263；通過P3-P1 項(xiàng)的T 檢驗(yàn)，可以看到所有的差值在1%的水平下都是顯著的。綜上可以發(fā)現(xiàn)，提高資金流動性風(fēng)險，證券間Beta值的差異將減小。

表3 牛市、熊市下Beta分組及BAB因子的收益率統(tǒng)計(jì)

表4 不同流動性風(fēng)險狀況下Beta截面差異的統(tǒng)計(jì)結(jié)果

2．流動性風(fēng)險對BAB因子市場敏感性的影響

表5 BAB因子收益市場敏感性回歸結(jié)果

將三種流動性風(fēng)險狀態(tài)設(shè)置為三個虛擬變量P1、P2、P3，分別表示低流動性風(fēng)險、中流動性風(fēng)險和高流動性風(fēng)險，將三個虛擬變量與市場因子的交乘項(xiàng)代替原市場因子進(jìn)入CAPM 模型或三因子模型，以分析不同流動性風(fēng)險時期BAB 因子的市場敏感性。表5 報告了相關(guān)回歸結(jié)果，表中只列出了截距項(xiàng)Alpha 及三個交乘項(xiàng)的回歸系數(shù)，三因子模型的SMB 和HML 因子的回歸系數(shù)未列出。從回歸結(jié)果可以看到，P1 交乘項(xiàng)的回歸系數(shù)在CAPM 模型中不顯著，在三因子模型中只在10%水平下顯著，且數(shù)值都要低于P3 交乘項(xiàng)的回歸系數(shù)（在1%水平下顯著）；最后一列報告了兩個系數(shù)間差值的檢驗(yàn)結(jié)果，可以看到高流動性風(fēng)險時期的系數(shù)在5%的顯著性水平下要高于低流動性風(fēng)險時期（分別為0.107和0.128），因此說明流動性風(fēng)險提高時，BAB 因子的市場敏感性增加。

（四）進(jìn)一步討論：商品期貨市場是否也存在低風(fēng)險異象

除了股市以外，我們也嘗試考察其他資產(chǎn)市場低風(fēng)險異象的存在性。由于我國債券市場品種不齊全，數(shù)據(jù)缺失比較嚴(yán)重，因此選擇數(shù)據(jù)較為齊全的商品期貨市場作為研究對象。為了保證樣本覆蓋的商品品種較多，同時又兼顧數(shù)據(jù)樣本時間足夠長，選擇2009 年5 月作為研究起點(diǎn)，在此之前共上市了20 個期貨品種。由于計(jì)算Beta 需要用到3 年的歷史數(shù)據(jù)，因此低風(fēng)險異象的實(shí)際分析時間為2012 年5 月至2018 年5 月。采用風(fēng)險平價方法（即使得每種商品期貨的波動率相同）構(gòu)造市場基準(zhǔn)，一年期定期存款利率為無風(fēng)險利率。圖4 報告了CAPM 模型計(jì)算的Alpha 變動情況，其中P1 為最低Beta 組、P4 為最高Beta組。從圖中可以看到，商品期貨市場的Alpha隨著Beta 的增加并沒有明顯的變化趨勢，這可能是由于樣本量過小的原因所導(dǎo)致的，相對于股市958家公司的樣本寬度，20 個商品期貨的樣本顯得很不足。但是從分析結(jié)果初步來看，在我國商品期貨市場上低風(fēng)險異象是不存在的。

圖4 商品期貨市場的Alpha變動情況

五、結(jié)論與啟示

為檢驗(yàn)我國股市中的低風(fēng)險異象，在理論推導(dǎo)的基礎(chǔ)上，選取2002 年1 月至2018 年5 月958 家上市公司的日數(shù)據(jù)進(jìn)行了分析。實(shí)證結(jié)果顯示：第一，按照Beta 由低到高的順序進(jìn)行分組并分析其Alpha及夏普比率的變動情況，發(fā)現(xiàn)高Beta伴隨著低Alpha的現(xiàn)象在我國股市是明顯存在的，且無論牛市還是熊市，結(jié)論都是穩(wěn)健的；第二，通過構(gòu)建BAB 因子檢驗(yàn)低風(fēng)險異象的大小，并測算其在樣本區(qū)間的收益情況，發(fā)現(xiàn)BAB 因子能夠獲得顯著的超額收益，且在控制了CAPM 市場因子和FF 三因子之后，BAB 因子的Alpha 收益仍是顯著為正的，充分說明了我國股市中存在著顯著的低風(fēng)險異象，且無法由傳統(tǒng)的風(fēng)險定價因子所解釋；第三，用Shibor利率的波動率來衡量市場流動性風(fēng)險，結(jié)果發(fā)現(xiàn)，當(dāng)流動性風(fēng)險升高時，個股Beta的截面差異將縮小，也就是說大部分個股的Beta 將趨向于1，且流動性風(fēng)險的增加會導(dǎo)致BAB 因子收益的市場敏感性增加。因此綜合來看，與Frazzini 和Pederson（2014）[2]的結(jié)論一致，我們在中國股市上也驗(yàn)證了低風(fēng)險異象的存在。除此以外，我們還對商品期貨市場進(jìn)行了初步分析，但是研究結(jié)論卻并不支持低風(fēng)險異象存在。

低風(fēng)險異象近年來受到了國外學(xué)者越來越廣泛的關(guān)注，尤其是Frazzini 和Pederson（2014）[2]構(gòu)建了BAB 因子以來，大量文獻(xiàn)對BAB 因子的有效性及不同條件下的表現(xiàn)進(jìn)行了研究，但是我國學(xué)者目前對這方面的研究還有所欠缺。本研究發(fā)現(xiàn)在我國股市中這種低風(fēng)險異象也是顯著存在的，該研究結(jié)論對于我國資本資產(chǎn)定價理論的完善和發(fā)展具有一定的理論價值，同時也對投資實(shí)踐者和市場監(jiān)管者具有一定的經(jīng)驗(yàn)借鑒意義。第一，投資者在實(shí)際投資過程中可以有效利用低風(fēng)險異象，在投資組合中減少風(fēng)險過高的股票或其他證券產(chǎn)品，并適當(dāng)增加風(fēng)險較低的證券進(jìn)行投資，雖然會攤薄投資收益，但是能夠極大地降低投資風(fēng)險；第二，由于普通投資者面臨著較強(qiáng)的融資約束，如果想獲得較高的收益，必然只能多投資于高風(fēng)險的資產(chǎn)，證券公司可以利用自身的資金和渠道優(yōu)勢，針對性地開發(fā)新的金融產(chǎn)品，在金融產(chǎn)品中可以適當(dāng)增加低風(fēng)險資產(chǎn)的杠桿比率，并降低高風(fēng)險資產(chǎn)的配置比率，這樣既豐富了資本市場的投資產(chǎn)品，也可以擴(kuò)大證券公司的收益率和影響力；第三，在保證不發(fā)生系統(tǒng)性金融風(fēng)險的前提下，監(jiān)管層可以適當(dāng)放松低風(fēng)險資產(chǎn)的投資門檻以及融資約束，這一方面可以有效引導(dǎo)市場資金進(jìn)入低風(fēng)險資產(chǎn)，同時也可以提高資本市場的有效性及資源配置效率。