会员登录
会员注册内容提要：根据我国A股市场数据，运用“非资产定价模型分解法”将个股风险分解为市场风险、行业层面风险和公司特质风险，并通过实证检验得出如下结论：（1）从1995年到2010年的15年中，我国证券市场的平均公司特质风险经历了下降和上升的“U”型趋势，并且时间序列平稳；（2）公司特质风险在个股波动中的比例不断升高，逐渐成为个股风险的主要来源；（3）在三个层面风险中，只有市场风险具有市场收益的预测能力，公司特质风险和行业层面风险则不具备这样的能力。上述实证结果表明，公司特质风险没有被市场收益定价，也就是说，在我国证券市场上，特质风险只是反映了公司层面信息的不确定性。
关键词：特质波动/非资产定价模型分解法/时间趋势/定价特质波动/非资产定价模型分解法/时间趋势/定价
作者简介：花冯涛（1974-），男，河南新乡人，安徽师范大学经济管理学院教师（安徽芜湖241000），上海财经大学公共经济与管理学院博士研究生（上海200433），研究方向是资本市场与风险管理。
一、引言
公司特质风险（idiosyncratic risk），或称公司特质波动①（idiosyncratic volatility），是指按照现有资本定价模型，除了所有能够被定价的影响因素以外，与公司层面特质有关的，未被定价的误差项。Campbell、Lettau、Malkiel和Xu（2001）（以下简称CLMX（2001））对美国证券市场公司特质风险的研究使得其逐渐成为金融经济学的研究热点，但国内学界对于该领域的研究却涉猎较少。
公司特质风险研究不论在理论上还是在实务中都具有重要意义。首先，公司特质波动意味着公司特质信息，而个股波动中的公司特质风险水平将会对资本配置具有重要的影响（Wurgler，2000；Hamao、Mei和Xu,2003：Durnev、Morck和Yeung.2004a,2004b）。其次，随着金融市场的发展，公司特质风险逐渐成为个股风险的主要来源，投资分散效益（gain from portfolio diversification）不断下降，迫使投资者不得不承担较高的特质风险，因而特质风险的定价成为金融经济学的一个关注重点（Goyal和Santa-Clara,2003；Ang、Liu、Xing和Zhang,2008，2009）。再次，随着金融市场的发展和对公司特质风险被定价的研究成果的不断丰富，开发与非系统风险相关的金融产品，利用公司特质风险来获取合理回报率的金融创新也逐渐成为可能。最后，公司特质风险的变化无论是公司投资方面（Panousi和Papanikolaou，2009；John和Kadyrzhanova，2008）还是股利支付政策方面（Hoberg、Prabhala，2005），都会对公司的经营与管理产生重要影响。因此，对于公司管理者而言，如何应对公司特质风险的变化成为重要议题，他们必须谨慎的对待公司层面的特殊风险，其中包括股权价格风险（Jones，1991；Burgstahler和Dichev，1997）。
本文主要研究我国证券市场中公司特质风险从1995年到2010年以来的时间序列趋势特征，并在此基础上从证券市场总体的角度分析公司特质风险对于市场收益的预测与解释能力。本文结构安排如下：（1）就公司特质风险的相关内容做出文献综述，包括公司特质风险的测度、对股票收益的预测与解释等三个方面；（2）就现有的公司特质风险测度方法，如CAPM模型的间接分解法或F-F三因素模型的直接分解法，本文指出它们的不足，并提出新的测度方法，即“非模型分解法”；（3）利用我国证券市场所有A股的数据进行实证分析，包括利用“非模型分解法”测度市场平均公司特质风险的时间趋势，并在Goyal、Santa-Clara（2003）以及Bali、Cakici、Levy（2008）研究成果的基础上构建公司特质风险对市场收益的预测模型；（4）对本文的实证分析进行总结，并就实证结果提出进一步的研究展望。
二、文献回顾
对于公司特质风险的研究，目前国内学者涉及该领域的很少，国外的研究文献主要集中于公司特质风险的测度、时间趋势分析和定价三个方面。
（一）公司特质风险的时间趋势
CLMX（2001）将美国证券市场的个股波动分解成市场层面波动、行业层面波动和公司特质波动，发现公司特质波动水平在1962年至1997年间呈现出明显的上升趋势，而市场层面风险和行业层面风险在样本期间则相对稳定。Malkiel、Xu（2003）利用1952-1998年间的NYSE交易数据，得到与CLMX（2001）相似的结果，即20世纪80年代后美国股市特质波动存在明显上升的趋势。Wei、Zhang（2003）也发现公司特质波动存在明显上升的趋势。但是，也有一些学者的实证研究得出了不同的结论。Guo、Savickas（2008）对G7国家的股市进行了研究，他们在CLMX（2001）的基础上，将样本期间扩展到2003年，发现虽然一直到1990年代末，特质波动在G7国家的股票市场中呈现出显著的上升趋势，但随后却呈现出下降趋势。另外，他们将G7国家中最大500家上市公司作为样本，不论采用等权重还是市值权重估计特质波动，都没有明显的上升趋势。Brandt、Brav、Graham和Kumar（2008）运用和CLMX（2001）相同的研究方法，但将样本数据延长到2007年，发现从1962年到1997年间的特质波动趋势的确是上升过程，但之后，特质波动趋势开始反转，不断下降，到2007年，特质波动的幅度下降到了上世纪90年代以前的水平。因此，他们认为，上世纪90年代，美国股市的特质波动上升现象只是一个阶段现象（episodic phenomenon），而不是一个趋势现象（time trend）。
国内学者对于公司特质风险时间趋势的研究很少，主要包括黄波、李湛和顾孟迪（2006）、陈健（2010）等。黄波、李湛和顾孟迪（2006）限于我国证券市场建立时间较短，仅研究了1998年到2003年间我国A股市场公司特质风险时间趋势的变化，实证结果认为，1996至1999年间我国证券市场的公司特质风险水平较高，但2000年之后逐渐下降，因此他们认为我国证券市场上市公司质量有待提高。陈健（2010）在分析从1995年到2005年间的趋势变化后则认为，从2004开始，我国特质风险水平在逐渐提高，股价中反映公司特质信息的含量在增加。可以看出，上述两个研究文献的结论存在差异，本文认为这主要由于两个原因：其一，两人选取测度公司特质风险的方法不同，黄波、李湛和顾孟迪（2006）运用Fama-French三因素模型的直接分离法测度公司特质风险，而陈健（2010）则是利用CLMX（2001）的间接分离法；其二，两者所选择的样本期间不相同，黄波、李湛和顾孟迪（2006）是从1998年到2003年，而陈健（2010）则相对较长，选择的期间是1995年到2005年。本文为了避免由于模型选择导致的测度误差，以及样本选择的限制，采用的是不依赖于资产定价模型的测度方法，对我国证券市场长达15年的公司特质风险平均值的变化趋势进行测度和分析。
（二）公司特质风险的测度
由于公司特质风险具有不可观测性，在分解和测度时需要借助于模型的选择，根据模型选择的不同可以分为两种方法：一是CLMX（2001）基于CAPM模型的间接分解法；二是：Malkiel和Xu（2003）以Fama-French三因素模型为基础的直接分解法。间接分解法认为，个股收益来自于不同的影响层面，即市场层面、行业层面和公司特质层面，计算时，将个股超额收益率按照不同影响层面进行分解，然后计算不同层面收益率之差，并求其方差，把行业层面和公司特质层面超额收益之差对应的波动率用来测度公司特质风险，也称为间接分离法。直接分离法最主要的优点，首先，就是简单实用，便于应用，很少需要较为复杂的模型；其次，不需要考虑变量间的协方差和估计行业与公司的β值。但是，它的缺点也是来自于它的优点，正是由于不需要考虑变量间的协方差，不需要考虑股票收益的序列相关性，即公司的β值，必然存在一定的误差。直接分解法则是直接利用Fama-French三因素模型的误差项计算公司特质波动，以测度公司特质风险。Malkiel、Xu（2003）和AHXZ（2006，2009）通过Fama-French三因素模型（以下简称F-F三因素模型）的残差估计来计算公司特质波动。这种方法相对间接分解法而言，在考虑市场风险因素的情况下，也去除了账面价值比因素、规模因素，因此计算出的公司特质波动误差较小，但这个方法需要估计的变量较多，尤其是公司的β值的估算较为困难。
对于以CLMX（2001）为代表的直接分离法和Fama-French三因素模型的间接分离法之间的比较，Malkiel、Xu（2003）认为，由于CLMX（2001）的基于CAPM思想的间接分离法仅仅考虑了市场因素的定价，而不是像Fama-French三因素模型那样，进一步考虑了规模因素和账面市值比因素的定价问题，因此，间接分离法所度量的特质波动率往往高于基于Fama-French三因素模型的直接分离法的度量结果，存在着“高估”倾向。这两种方法如果从适用角度上考虑，间接分离法存在着变量要求少的特点，并且计算的可靠性较高，能够避免较大的估计误差。但是，在估算公司特质波动时，是否考虑公司特征因素的影响，到现在仍是一个有争议的问题。丛建波（2009）认为，特质波动应只排除市场因素的影响，而不应排除公司自身特征因素的影响，因为公司规模和账面市值比等因素都是公司特征，由此引发的定价异动应属于公司的特质波动。笔者认为，公司特质波动的估算应该考虑到公司层面已知的影响因素，原因很简单，在F-F三因素模型中，公司特征因素对个股收益具有较强的解释和预测能力，应该被定价，而公司特质波动的定义则是针对定价模型中不能定价的误差项。
（三）公司特质风险的被定价
早期Lintner（1965）、Douglas（1969）、Miller和Scholes（1972）虽然发现市场风险并不能完全解释市场收益，包括公司特质风险在内的非系统风险也应该被定价，但Fama-MacBeth（1973）提出的横截面检验则拒绝了非系统风险被定价的可能性。在CLMX（2001）发现美国证券市场上的平均公司特质风险从60年代到90年代呈现出明显的上升趋势后，公司特质风险的被定价再次成为学者关注的重点。目前，无论国内还是国外，均认为公司特质风险在横截面上与股票收益存在重要的关系，如Ang、Hodrick、Xing、Zhang（2006，2009）（以下简称AHXZ（2006，2009））提出“特质波动之谜”现象，②随后Guo、Savickas（2006c）、Hin、Pandher（2007）、Han、Kumar（2008）等的研究均支持了AHXZ（2006，2009）的观点。在国内，杨华蔚、韩立岩（2009）、陈国进、涂宏伟、林辉（2009）、左浩苗、林辉、涂宏伟（2010）也发现了我国证券市场中同样存在“特质波动之谜”现象。
证券市场中，平均公司特质风险能否对市场收益具有解释能力，这个问题目前仍然没有定论。Goyal和Santa-Clara（2003）利用美国证券市场1963年8月至1999年12月的交易数据进行实证分析，发现平均个股收益方差和市场收益间具有相关性，而市场收益方差和市场收益间不具备相关性，由此间接得出公司特质风险应该和收益间具有一定的相关性。Bali、Cakici（2005）的研究结果却否定了Goyal和Santa-Clara（2003）的观点，他们认为，公司特质风险和市场收益间并没有关联，Wei和Zhang（2005）也支持了这一结论。有趣的是，Guo、Savickas（2006）利用美国证券市场1963-2002年的交易数据，分别采用直接分解法、间接分解法来测度公司特质风险，结果发现按照市值权重计算出的市场风险和公司特质风险与市场收益间具有不同的相关性：市场层面风险和市场收益问呈现出与CAPM类似的正相关性，即“风险收益相权衡”的关系；公司特质风险与市场收益间则表现出与AHXZ（2006，2009）横截面研究类似的负向相关性，即与“特质波动之谜”现象相像。国内学者对于公司特质风险在我国证券市场中的平均水平与市场收益问的关系研究，也是相互矛盾的。黄波等（2006）的研究结果认为，我国证券市场总体公司特质风险与市场收益间不存在相关性，但市场层面风险则与市场收益间存在权衡关系。陈健（2010）的研究结论则相反，认为市场层面风险在回归模型中的系数显著性不稳健，公司特质风险具有显著的市场收益预测能力。上述两个研究文献均存在一定的局限，黄波（2006）虽然根据投资者风险偏好的不同建立基于风险偏好的资产定价模型，但所选取的样本期间过短，不足以反映两者的相关性；陈健（2010）则是将非系统风险等同于公司特质风险，没有考虑公司特征等因素，采用CAPM模型的间接分解法进行测度，因此计算结果未免误差会增加，妨碍了公司特质风险与市场收益的相关性研究。
本文在文献回顾的基础上，借鉴Bali、Cakici、Levy（2008）的思想，采用“非资产定价模型分解法”对我国证券市场中的公司特质风险进行测度，分析其时间趋势特征，并构建实证模型，检验公司特质风险和市场收益之间的相关性问题。
三、公司特质风险的测度与趋势分析
（一）“非资产定价模型分解法”的提出
以CAPM模型为例，我们知道该定价模型的运用，有两个最基本的条件：（1）投资者持有风险资产的比重相同；（2）投资者的风险偏好中性。然而，现实的资本市场环境并非是一个理想状态，在理论上就意味着，运用CAPM模型分解个股波动就存在着不合理之处。另一方面，CLMX（2001）在运用CAPM模型分解个股波动时，本身也存在问题：首先，在计算行业超额收益③时的权重如何选择，使得权重和相应的系数满足
所列的规则性条件；其次，在CLMX（2001）进行个股超额收益波动的方差分解时，由于现实条件的制约，很难满足各层面风险因素与残差的正交假定，即两者的协方差为零的假设。④本文根据方差均值组合理论和组合分散收益原理的思想，引入“非资产定价模型分解法”。“非资产定价模型分解法”并非指在不建立模型的条件下，计算和测度公司特质风险，这是不可能做到的，而是指借助于组合分散效应（gain from portfolio diversification）的思想（Markowitz，1952，1959），在不依赖于任何资产定价模型的基础上，构建测度整个证券市场中平均公司特质风险的计算方法。按照这种方法，就不需要估计协方差系数，以及行业层面或者公司层面系数。
“非资产定价模型分解法”的原理和构建过程。假设一个投资组合有两种情况：一种是组合中的个股相关性均为1，即具有完全相关性，这种组合不存在任何分散效应，我们称之为“无分散的组合”（nodiversified portfolio）；另一种情况是该组合具有充分的分散效应，足以使得公司特质风险完全抵消，组合收益只受到系统风险的影响，我们称之为“完全分散的组合”（fuⅡy-diversified fortfolio）。⑤那么，这两种组合收益的方差之差便是所求的证券市场平均公司特质风险测度值。按照Markowitz（1952，1959）的均值方差组合理论（the mean-variance fortfolio theory），在一个数量为n的组合中，组合期望收益为：
上述过程是为了描述“非资产定价模型分解法”的构建原理，先将个股总体风险分解为市场风险和特质风险，这里的特质风险包括行业层面风险和公司特质风险。为了本文的研究目的，以下过程运用该方法，将个股总体风险分解为市场层面波动、行业层面波动和公司层面特质波动。
假设在证券市场内存在N个行业，那么市场的超额收益为：
假设在行业i内有n家公司，那么行业i的超额收益就为：
（二）基于“非资产定价模型分解法”的测度
1.数据样本选取与来源。本文选取从1995年5月30日到2010年5月30日所有在沪深两市A股上市的公司，剔除所有ST上市公司和上市时间不超过3个月的上市公司，并按照2001年中国证监会《上市公司分类指引》将样本公司分为13个大类共56个二级行业。为了计算个股层面风险的需要，对交易期内上市公司个数少于3家、个股在月度内交易不足7个交易日的交易数据进行删除，由此进行筛选和对比，共选取其中的52个行业。另外，在深沪两市进行稳健性检验过程中，按照上述原则进行筛选后，深圳证券交易市场选取了38个行业，上海证券交易市场选取了38个行业。对于所选取的行业和个股数据，考虑到上市首日和复牌首日不设涨停限制，因此剔除了上市交易日数据。个股日超额收益率为：
其中，
为行业i中上市公司i在第t日的收盘价格，
为无风险收益率。采用同期银行人民币一年存款基准利率，并折算成日收益率，无风险收益率从1995年6月1日到2010年5月30日，人民币一年期存款基准利率调整了20次。在计算行业i日超额收益和市场超额收益时，分别用总市值、A股市值和等权重加权平均。以上数据均来自于Wind数据库和CSMAR金融数据库。2.数据统计结果描述。本文采用“非资产定价模型测度法”，分别计算出我国证券市场加权平均市场风险、行业层面风险和公司特质风险，其中，MKT、IND、FIRM分别代表市场风险、行业层面风险和公司特质风险，而_AV、_TV和_EV则分别代表A股市值权重、总市值权重和等市值权重，统计结果见表1。
从表1的统计结果来看，无论是采用什么样的权重，公司特质风险的均值超过了市场风险，并远远大于行业层面风险。公司特质风险均值在个股总波动中的比例均超过了50%，其中，按照A股市值权重计算，比例最高的为58.06%；按照等权重计算，比例最低的为53.05%。因此，公司特质风险已经成为个股风险来源的主要部分。市场风险占个股波动的比例稳定在40%左右，最高值为按等权重计算所得的45.41%，最低值为按A股市值计算所得的40.72%。行业层面风险在个股总波动中的比例相对最小，按照等权重计算的结果仅为4.5%。这说明，从相对值上来看，我国证券市场接近了发达国家证券市场各种风险占比的关系。⑥然而，仅根据综合性的统计结果，我们还不能完全了解个股总体风险中各个层面风险的变化，还需要通过分析各层面的时间趋势加以了解。
从图1和图2可以看到，按照“非资产定价模型分解法”测度的公司特质波动的时间趋势，与CLMX（2001）对美国三大证券市场的公司特质波动的时间趋势分析存在很大的不同。从1962年到1997年，美国股市上的公司特质波动呈现出明显的上升趋势。我国的公司特质波动的时间趋势特征大致经历了一个“U”型的先下降后上升的变化过程。以A股市值权重所测度的数据为例，从1997年8月到2003年3月间呈现不断下降的趋势，但在2000年1月至2001年3月间出现一个波动增加的区间现象。其中，公司特质波动在1997年5月达到最高值（0.03719），虽然从2000年开始出现一个短暂的上升趋势，并于2001年2月达到一个次高峰值（0.02815），但从1996到2003年这段时间内总体上是趋于下降的势态，并于2003年1月下降到0.002396。在这一阶段内，公司特质波动最高峰值与公司特质波动最低峰值之间相差15.52倍。2003年3月到2009年4月，我国沪深股市的平均公司特质波动呈现出上升趋势，之后出现下降的微动，尽管从2004年10月到2005年10月出现轻微下降和调整，但到2007年12月公司特质波动峰值仍达到0.02921，为2003年1月最低值的12.2倍。其中，值得我们关注的是，从2006年开始，以总市值为权重的平均公司特质波动的上升和下降的变动趋势均不如以A股市值权重或者等权重计算出的证券市场公司特质波动时间趋势那么明显。
从图3可以看出，除了1996年12月、2001年3月、2008年3月等少数月份以外，大多数月份的公司特质波动幅度均大于市场层面波动。公司特质波动小于市场层面波动的月份有48个，占比为26.7%，这种情况多集中于1995年6月至1996年5月之间和2008年4月至2010年1月之间。行业层面风险占比较低，直观来看，仅有2007年和2008年较高。为了进一步描述公司特质风险的变化趋势，表2给出了1996-2010年按绝对量进行简单计算得到的各层面风险占个股总体风险的相对比例的变化趋势。从中可以看出，公司特质波动除了1996年、1997年和2009年不足50%以外，其余各年平均值均超过了50%，尤其是在1999年和2001年，公司特质波动占比达到或超过了70%，2009年出现大幅下降，但2010年上半年重新上升到50%以上，说明公司特质波动逐渐成为个股收益风险的主要来源。按照Durnev、Morck、Yeung（2004）、Durnev、Morck、Yeung（2004）、游家兴（2007）、张博（2009）的观点，公司特质波动的相对比例越高，反映出股价信息含量越丰富，股价同步性则越低。按照此逻辑，当股价信息含量越丰富时，即市场定价效率越高时，公司特质风险应该能够具有市场收益预测能力，或者说能够被定价。下面我们通过构建相关实证模型来检验在我国证券市场上，公司特质风险是否能够被定价。
为了符合实证检验的要求，需要对公司特质波动率的时间序列进行平稳性检验。我们采用ADF检验方法。原假设是两种方法所测度的公司特质波动存在单位根，是非平稳序列，备择假说是公司特质波动时间序列为平稳序列。ADF检验在无截距项、有截距项和趋势项三种情况下给出两种测度方法所计算的公司特质波动均满足了平稳条件。
四、中国证券市场公司特质风险被定价的经验数据
但是，在上述测度统计过程中发现，市场层面风险、行业层面风险和公司特质风险之间存在一定的相关性，就A股权重测度所得的公司特质风险与市场层面风险、行业层面风险的相关系数分别达到0.62和0.55。因此，本文将行业层面风险和市场层面风险加入到模型之中，并且分别对公司特质风险、行业层面风险和市场层面风险取对数形式⑦构建第三个计量模型：
在表4所列示的Model1的回归结果中，可以很明显地看到，
虽然为38.5122，但并不具有显著性，因此，公司特质波动对市场超额收益
不具备预测能力。将市场层面风险和行业层面风险加入模型后构建起的Model2中，'为22.7619，t值水平为0.7481，表现出其对市场超额收益的预测能力并不存在。与Model1和Model2的结果一致，在Model3中，公司特质波动的系数为0.0377，但t值水平仅为0.4509，仍然表现出对市场超额收益不具有预测能力。由上述三个计量模型的计算结果可知，行业层面风险虽然在Model2中的系数为21.7465，并且具有一定的显著性，但在Model3中行业层面风险的系数发生变化，由正为负，且不具有显著性，因此，行业层面风险对于市场收益的预测能力并不稳健。唯一值得肯定的是，市场风险在Model2中的系数为-12.43，并且显著性较强，同时在Model3中的系数为-0.085，t值为-2.9814，具有一定的显著性水平，因此，市场风险对市场超额收益具有一定的预测能力。总而言之，由于我国证券市场目前仍然具备“新兴+转轨”的市场特征，与发达国家证券市场具有较多的不同之处，因此，在股价波动的各个层面的风险定价方面，市场风险能够被市场超额收益定价，但行业层面风险和公司特质风险是不能够被市场收益定价的。五、稳健性检验
我们的结果与黄波等（2006）的实证检验结果相类似，他们利用“基于双侧矩和高阶距偏好的资产定价模型”测度了我国整个A股市场的公司特质风险，检验了市场平均公司特质风险对市场超额收益的预测能力，结果恰恰相反，他们认为，市场层面风险对市场超额收益具有预测能力，而公司特质风险则不具备预测能力，即没有被市场收益定价。⑧陈健（2010）的观点与此不同，他的实证结果则认为“非系统风险作为个股风险的最大来源，能够被市场超额收益所定价，对其具有一定的预测能力”。为了进一步验证本文的结果，我们将个股样本分为深市和沪市，再次分别测度两个市场的市场层面风险、行业层面风险和公司特质风险，并运用上述三个模型再次检验公司特质波动对市场超额收益的预测能力。由表5可以看出，深沪两市的各个层面风险的时间序列均符合平稳性检验的要求。
从表6可以看出，在Modell以沪市A股为样本的回归分析中，公司特质风险的系数为14.829，具有显著性水平，但在Model2和Model3中的结果都不具备显著性水平的系数。在以深市A股为样本的回归分析中，三个计量模型的分析都表明，公司特质风险不具有对市场超额收益的预测能力。虽然以深市A股为样本的Model2中行业层面风险系数的显著性为16.4735，但在Model3模型中并没有表现出对市场超额收益具有显著的预测能力，因此，行业层面风险对市场超额收益不具有显著的被定价。市场风险无论是以深市还是沪市A股为样本的回归分析中，都表现出对市场超额收益显著的预测能力。
六、研究结论及前景展望
本文在总结前人关于公司特质风险研究成果的基础上，采用“非资产定价模型分解法”，将我国深沪股市1995-2010年所有A股个股波动分解为市场层面风险、行业层面风险和公司特质风险，检验了三个层面风险的变动趋势。在借鉴GS（2003）和BCYZ（2005）模型的基础上，建立定价回归模型，从证券市场平均风险的角度研究了三个层面风险对市场收益的预测关系。我们的结论可以概括为：公司特质风险除了少数年份，如1996年、1997年和2009年之外，均超过了50%，逐渐成为个股风险的主要组成部分，公司特质风险能否被市场收益定价由此成为一个值得探讨的问题。但是，从宏观角度上我们发现，证券市场平均公司特质风险对于市场收益的预测能力并不存在，只有市场风险表现出对市场收益较强的预测能力。
上述实证结果给我们提出一个问题，即公司特质风险到底意味着什么？按照Dumev、Morck、Yeung（2004）、Durnev、Morek、Yeung（2004）的观点，公司特质风险代表着公司层面特质信息，而公司特质风险在个股风险中的占比则意味着股价信息含量的高低，股价信息含量越丰富，市场定价效率越高，公司特质风险越能够被市场收益所定价。因此，上述两个结论形成了一个悖论。按照Hsin（2010）的观点，由于新兴市场国家证券市场和发达国家证券市场在制度、市场环境等因素上的巨大差异，公司特质风险无论在绝对量还是相对量上都难以作为股价信息含量的代表，它只是反映出公司层面信息不确定性的程度。而能够解释这种悖论的，只能从我国证券市场这种“新兴+转轨”的特征中寻求答案。因此，公司特质风险的信息本质是什么，即到底是代表着公司层面的特质信息还是公司层面信息的不确定性，并且在我国证券市场目前的市场环境和制度特征下，到底是什么因素驱动着公司特质风险或者公司特质波动的时间趋势变化，这是本文进一步研究的方向和内容。
注释：
①对于“Idiosyncratic risk/idiosyncratic volatility”的翻译有不同版本，也称为“非系统风险/非系统波动”或者“特异性风险/特异性波动”。本文援引蒋殿春（《金融经济学》，中国统计出版社，2003年）的观点，将其翻译为“特质风险/特质波动”。
②AHXZ（2006）利用1963年7月至2000年12月的NYSE、AMEX、NASDAQ的股票样本，通过F-F三因素模型残差测度公司特质波动，并根据滞后一期公司特质波动从低到高将股票样本分组，形成5等分的投资组合并持续一个月。在控制了相关的公司特征值后，特质波动最高组的平均收益为-0.02%，而最低组的平均收益为1.04%，两个组别之间的预期收益相差-1.06%。这表明，承受高特质波动风险不能得到相应的高风险回报，即公司特质波动与横截面收益间呈现出负相关现象。进一步，AHXZ（2009）发现，其他23个发达国家的股票市场也同样存在这种负相关现象，而且在控制了规模、账面价值比、流动性、动能效应、偏斜率、分析师预测偏差等因素变量时，这种现象依然存在。这明显违背了传统资产定价理论的核心思想——风险收益相权衡对应的观点，因此，他们将这种现象称之为“特质波动之谜”，也称为特质风险定价异质性现象。
④CLMX（2001）在将市场修正模型“market-adjusted model”引入分解过程的时候，假定公司层面回归残差与行业收益间正交，市场收益与行业回归残差间正交。
⑤按照标准金融学的观点，也可称之为“市场组合”。
⑥施东辉（1996）的数据表明，发达国家证券市场中，系统风险即市场风险占总风险的比例一般为20%到40%，但他的实证检验也表明，我国上海证券交易市场中的系统风险比例在1993年到1995年间高达81.37%。
⑦由于公司特质风险、行业层面风险和市场风险具有较高的相关性，容易产生较高的多重共线性，使得估计系数的标准误差较大，难以识别各变量的统计显著性。而Goyal和Santa-Clara（2003）采用方差的对数形式代替方差，这样经过调整的方差序列更接近正态分布，因此在本文中也采用这种方法。
⑧尽管本文的结论和黄波等（2006）类似，但黄波（2006）认为，之所以公司特质风险不存在市场收益的预测能力，是因为从1998年到2003年间（因为黄波等（2003）将样本期间截止在2003年）我国证券市场上的公司特质风险水平是不断走低的，而本文的统计结果却表明，尽管在绝对水平上，公司特质风险水平不断下降，但公司特质风险在个股中的占比从1998年开始是不断上升的，按照Durnev、Morck和Yeung（2004）的研究，既然占比越高，股价信息含量越丰富，市场定价效率就越高，公司特质风险应该能够被定价。
参考文献：
[1]陈健.中国股市非系统风险被定价的实证研究[J]南方经济，2010(7)：41-49.
[2]从剑波，祝滨滨.公司特质波动对因子收益的可预测性研究[J]工业技术经济，2009(5)：134-140.
[3]丛建波，祝滨滨.我国股市特质波动风险分析[J].经济纵横，2009(5)：85-87.
[4]黄波，李湛.基于风险偏好资产定价模型的公司特质风险研究[J]管理世界，2006(11)：26-30.
[5]杨华蔚.韩立岩，中国股票市场特质波动率与横截面收益研究[J]北京航空航天大学学报，2009(3)：6-10.
[6]游家兴，张俊生.制度建设、公司特质信息与股价波动的同步性——基于R2研究的视角[J].经济学(季刊)，2006(6)：42-50
[7]Ang A., Hodrick R. J, Xing Y. and Zhang X. The cross-section of volatility and expected returns[J].Journal of Finance, 2006(61): 259-299.
[8]Ang A., Hodrick R. J., Xing Y. and Zhang X. High idiosyncratic volatility and low returns: International and further US evidence[J].Journal of Financial Economics, 2009(91): 1-23.
[9]Burgstahler D, Dichev I. Earnings management to avoid earnings decreases and losses[J]Journal Accounting and Economics, 1997(24): 99-126. Panousi V., Papanikolaou D. Investment, idiosyncratic risk, and ownership[C].MPRA Paper 24239, 2009.
[10]Bali T., Cakici N. and Levy, H. A model-independent measure of aggregate idiosyncratic risk[J].Journal of Empirical Finance, 2008(15): 878-896.
[11]Brandt M., Brav A., Graham J. and Kumar A. The idiosyncratic volatility puzzle: Time trend or speculative episodes[C]. SSRN: http://ssrn.com/abstract=1141219.2008.
[12]Campbell J. Y, Lettau M., Malkiel, G. B and Xu, Y. Have individual stocks become more volatile? An empirical exploration of idiosyncratic risk[J].Journal of Finance, 2001(56): 1-43.
[13]Durnev A., Morck R. and Yeung B. Capital markets and capital allocation: Implications for economies in transition[J].Economies of Transition, 2004(12): 593-634.
[14]Durnev A., Morck R. and Yeung B. Value-enhancing capital budgeting and firm-specific stock return variation[J].Journal of Finance, 2004: 65-105.
[15]Fama E. and French K. The cross-section of expected stock returns[J].Journal of Finance, 1992(48): 427-465.
[16]Fama E. and French K. Common risk factors in the returns on stocks and bonds[J].Journal of Financial Economics, 1993(33): 3-56.
[17]Fama E. and MacBeth J. Risk, return and equilibrium: Empirical tests[J].Journal of Political Economy, 1973(81): 607-636.
[18]Goyal A., Santa-Clara P. Idiosyncratic risk matters[J]. Journal of Finance, 2003(58): 975-1008.
[19]Guo H. and Savickas R. Does Idiosyncratic risk matter: Another look[J].Working paper, 2003. Federal Reserve Bank of St. Louis.
[20]Guo H. and Savickas R. Idiosyncratic volatility, stock market volatility, and expected stock returns[J].Journal of Business and Economics Statistics, 2006(24): 43-56.
[21]Guo H. and Savickas R. Average idiosyncratic volatility in G7 Countries[J].Review of Financial Studies, 2008(21): 1259-1296.
[22]Hamao Y., Mei J., and Xu Y. Idiosyncratic risk and the creative destruction in Japan[C].NBER Working Paper, 2003, No. 9642(Cambridge Massachusetts: National Bureau of Economic Research).
[23]Hoberg G., Nagpurnanand R. and Prahala. Disappearing dividends: The importance of idiosyncratic risk and the irrelevance of catering[C].SSRN Working paper, 2005.
[24]Han B. and Kumar A. Retail Clienteles and the Idiosyncratic Volatility Puzzle[C].working paper, 2008.
[25]Jones J. J. Earning management during import relief investigations[J]. Journal of Accounting Research,.1991(29): 193-228.
[26]John K., and Kadyrzhanova D. Agency Costs of Idiosyncratic Volatility, Corporate Governance, and Investment[C].SSRN Working Paper 1108860, 2008.
[27]Lintner J. The valuation of risk assets and the selection of risky investments in stock portflios and capital budgets[J].The Reviews of Economics and Statistics, 1965(47): 13-37.
[28]Malkiel B. and Xu Y. Investigating the behavior of idiosyncratic volatility[J].journal of Business, 2003(76): 613-644.
[29]Wurgler J. Financial markets and the allocation of capital[J].Journal of Financial Economics, 2000(58): 187-214.
[30]Wei X. and Zhang C. Idiosyncratic risk does not matter: A re-examination of the relationship between average returns and average volatilities[J].Journal of Banking and Finance, 2005(29): 603-621.^