供应链网络中心性如何影响股票收益

1、一、引言在 2011 年美国金融协会主席致辞中，John Cochrane 提出为了更好地推进资产定价研究，议程的核心为探究系统性风险背后的原因，即探究为什么有些股票的贝塔系数高而有些股票的贝塔系数低。Campbell 和 Mei（1993）、 Campbell 和 Vuolteenaho（2004）在研究中将贝塔分解为贴现率贝塔和现金流贝塔，而 Berk 等（1999）、 Gomes等（2003）和 Carlson 等（2004）将贝塔与基于生产的投资模型中的公司政策联系起来。尽管这些研究构建了系统性风险和经济学基元之间的关系，但大多数研究都假设市场贝塔是外生的。本文是琢璞系列的第 63 篇

2、，我们将介绍Kenneth R. Ahern 发表在 Social Science Electronic Publishing 的文章Network Centrality and the Cross Section of Stock Returns。这篇文章提出了一种从行业间供应关系角度出发对股票市场风险进行解释的全新角度。作者在本文中研究了三个主要问题：1）位于供应链网络中心位置的行业的股票回报率是否高于位于网络外围行业的股票回报率？2）网络中心性是否有助于解释为什么一些股票比其他股票具有更大的市场风险？3）股票回报是否反映了经济冲击在供应网络上随时间的传递？文章构建了一个经济中所有部门（包

3、括工业、家庭、政府、资本和外国部门）之间贸易流动的实证供应链网络模型，该实证模型提供了 20 年内大约 500 个细分部门之间所有经济交易的完整网络。接着，通过计算每个行业在整体经济中的中心性衡量一个行业与所有经济部门的经济联系，发现中心性可以提供额外的信息来估计真正的市场风险。作者发现，在 1983-2007 年期间，中心性最高的五分之一的行业平均等权月度股票收益比中心性最低的五分之一行业高27 个基点。其次，作者验证了行业的中心性可以作为市场风险的代理变量。实证研究表明，当一个行业中心性较高时，其与整体经济的关联性越强，同时其他行业产生的冲击也更可能影响到这些行业。相对于处于供应网络边缘的

4、行业来说，其将面临更大的总体风险。最后，作者认为股票价格对相关行业冲击的反应时间可能反映了实际经济影响的延迟。他发现经济冲击会率先影响到供应关系较“近”的行业，再向外传播。这篇文章的主要贡献是为基于实体经济关系理解市场风险提供了一个新的微观基础，作者将股票收益与经济基本面联系起来，强调行业之间的联系对解释系统性风险的重要性，这更符合资产风险是由其与整个经济的协方差驱动的想法，而不仅仅是其自身的个体特征。再者，对 Hong 等（2007）提出的证据提供了新的见解，他们发现，一部分行业的回报率领先于整体市场回报率，确定的主导行业是最核心的行业，例如房地产和金融。而在这篇文章中，中心性基于经济基本面

5、为这一结果提供了解释。二、核心假设与样本选择1、核心假设本文的中心假设是，一个行业的真实市场贝塔部分取决于其在跨部门贸易网络中的中心地位。这一假设有三个重要的假设前提。首先，它假设部门层面的冲击可以累积形成整个经济范围的冲击；其次，它假设部门层面的冲击通过部门间贸易联系在整个经济中传播；第三，它假设部门冲击不会通过多元化抵消。2、样本选择为了了解市场风险的潜在来源和传递机制，本文构建了一个经济体中所有经济交易的网络，该网络基于修改后的社会核算矩阵（SAM）。SAM 描述了一整套经济主体之间的循环交易流，包括生产活动（行业）、生产要素（资本和劳动力）和机构（家庭、外国部门和政府），其中每一行提供

6、一个代理的收入，每一列提供支出，总收入等于经济体中每个代理的总支出。SAM 可以看作是一个扩展的投入产出（IO）表，其中包括政府、资本和外国部门之间的流量关系。社会核算矩阵（SAM）SAM 列出了公司、政府、家庭、资本和外国部门之间的经济交易情况，使用美国经济分析局（BEA）提供的 1982 年、 1987 年、1992 年、1997 年和 2002 年的投入产出（IO）表和国民收入和产品账户（NIPA）表中的数据进行构建。 IO 表汇总了联邦和地方政府的政府支出（消费和投资），NIPA 表中的数据来记录政府从行业、家庭、资本和外国部门的收入，家庭税来自 NIPA 表，家庭收入来自政府转移支付

7、和资本账户，流向资本和外国部门的流量使用 IO 和 NIPA数据计算。网络中心性将 SAM 数据表转换为供应链的网络，网络中的节点是行业，SAM 中记录的贸易流量代表代理商之间联系的强度和方向。目前，有多种方式可以用来量化网络中的中心性，包括度中心度、接近度中心度、中介中心度和特征向量中心度。考虑到在整个经济体中传播的经济冲击没有最终接收者，不太可能遵循行业之间的最短路径，因此接近度中心度和中介中心度不适用于刻画经济冲击，再者，考虑到经济冲击可能会产生反馈效应。一个行业的供应冲击可能会影响下游行业的供应，最终可能会影响回流到原行业，因此经济冲击不太可能被限制在不重复节点和链接的路径上，排除了程

8、度中心度。因此特征向量中心度是衡量跨部门贸易网络中节点重要性的最合适指标，特征向量中心度由网络邻接矩阵的主特征向量（Bonacich，1972）进行计算。如果节点连接到本身更中心的其他节点，则节点中心性更高。三、实证检验1、中心性与股票收益率为了验证是否中心性更高的行业能获得更高收益，作者利用 SAM 网络计算了行业的中心性，比较行业的中心性和收益。统计的区间为 1983 年 1 月到至 2007 年 12 月。中心性汇总统计表 1 展示了 1997 年整个网络中所有部门以及拥有可公开交易股票的 385 个部门的特征向量中心性的汇总统计数据，图 1 展示了中心性对数化的实证分布直方图。将整个网

9、络中的部门与可交易网络中的部门进行比较，可交易网络中部门的平均中心度略高，方差略低。行业中心性的偏度反映了网络的不对称性。表 1：1997 年网络中所有部门和拥有可公开交易股票部门的特征向量中心性数据统计资料来源：Network Centrality and the Cross Section of Stock Returns，图 1：部门中心性（取对数）后的频率分布资料来源：Network Centrality and the Cross Section of Stock Returns，单变量结果图 2 将各行业的月平均回报率与其相应的中心性对数进行了比较，每个圆圈代表 1997 年 38

10、5 个行业中的一个，这些行业按照行业大类进行划分，每个大类在总圆中的比例与该行业类别在行业总数中的比例成正比。每个行业到圆心的距离是基于它的中心度对数，中心性越高的行业离圆心越近。1998-2002 年的行业平均月度收益由每个圆圈的颜色深浅展示，其中颜色越浅，表示收益率越高。从该图可以看出，首先，收益率较低的行业普遍是各个大类行业中中心性较低的行业，更接近图中中心的行业具有更高的平均收益。其次，行业的中心性因部门划分而异。特别是，与机械制造业相比，服务业在经济中是相对核心的行业。批发、零售和运输行业也是相对集中的。图 2：网络中心性与各行业股票市场平均收益资料来源：Network Centra

11、lity and the Cross Section of Stock Returns，表 2 根据中心度将行业分为五个级别，面板 A 展示了从 1983 年到 2007 年等权/价值加权在杠杆或无杠杆收益下的平均月度收益。由于通过经济网络的冲击是对运营的冲击，而不是对融资的冲击，因此无杠杆收益可能是一个更好的估计。可以看到中心性最低五分位行业的等权投资组合平均杠杆股票收益率为每月 1.69%，而最高五分位行业的平均杠杆股票收益率为每月 1.96%，这在统计上有显著差异。对于无杠杆收益率，中心性最低的五分位平均收益率为 1.49%，最高的平均收益率为 1.70%，也具有统计学意义。而面板 B

12、数据表明，中心性较高的行业拥有了更大的市值，更集中的客户和供应商。表 2：按中心性排序的行业收益及其特征资料来源：Network Centrality and the Cross Section of Stock Returns，双重排序的投资组合为了解释行业集中度、公司规模和中心性之间可能存在的相互作用，作者将所有行业分为九个投资组合。首先，根据行业平均公司规模/客户集中度/供应商集中度将行业分为三类，在每个类别中，将行业根据其中心性再分成 3 组。表 3 的面板 A 展示了规模-中心性分组。中心度最低、平均公司规模最低的行业包括家用吸尘器、乐器和炸药。这些行业与其他行业没有很强的联系，并且

13、由小公司主导。床垫制造、电梯和工业气体等行业由大公司主导，但在跨部门网络中并非核心。更多的核心行业包括冷冻食品、预拌混凝土、医院和炼油厂。与以大公司为特征的医院和炼油厂相比，冷冻食品和预拌混凝土行业平均为小公司。面板 B 和面板 C 展示了客户和供应商的集中度。客户最不集中、中心度最低的行业包括铁锻、无纺布厂和固定制造业。具有最大中心性但客户最不集中的行业包括卡车运输、半导体制造和非存款信贷中介（包括养老基金和信用卡公司）。然而，织物厂和固定制造并不位于经济中心，而卡车运输和半导体则位于经济中心。这些行业样本暗示了我们，哪些行业更为中心，以及中心性如何与公司规模和行业集中度相互作用。表 3：基

14、于中心性和公司规模/客户集中度/供应商集中度排序筛选的行业名单资料来源：Network Centrality and the Cross Section of Stock Returns，表 4 展示了 1983 年至 2007 年 9 个双重排序投资组合的平均月收益，包括等权收益和价值加权收益。从面板A 可以看出，中心性和平均股票收益率之间的正单变量关系主要存在于公司规模较小的行业中。行业规模位于前三分之一的行业，若行业中心性越高，其能获得更显著的股票收益。在面板 B 中，按客户集中度排序，发现虽然股票收益随着等权收益投资组合的中心度的增加而增加，但最高和最低三分位数之间没有统计学上的显着差

15、异。在面板 C 中，按供应商集中度排序，发现在等权和价值加权投资组合中，中心性与由供应商最集中的行业驱动的股票收益之间存在正相关关系。表 4：按中心性、规模和产品市场集中度计算的投资组合平均收益资料来源：Network Centrality and the Cross Section of Stock Returns，以上结果表明，中心性和股票收益之间存在正相关关系，尽管这种关系受到公司规模、供应商集中度和客户集中度的影响，尤其是当中心性较高时，供应商和客户的集中度越高，股票回报率则越高。在所有 9 个双重分类的投资组合中，中心性程度越高，以及供应商和客户的多元化程度较低的行业平均股票收益率最

16、高。2、中心性和市场风险假设一些总冲击是由部门层面的冲击形成的，则中心性越高的行业应具有更大的市场风险敞口。作者在这一章中主要是探讨行业中心性与其风险之间的关系。作者将 1983 年 1 月至 2007 年 12 月的中心行业月度收益减去外围行业月度收益，构建 CMP 投资组合。CMP 具体定义为中心性在最高前三分之一的行业收益减去中心性最低的三分之一行业的月度收益。行业间为等权行业收益，每个行业内公司市值加权。市场回报和中心性回报的相关性表 5 列出了 Fama French 三因子、动量因子以及CMP 投资组合的汇总统计数据。面板A 显示，CMP 投资组合的月度平均收益率和中位收益率为 1

17、7 个基点（bps），标准差为 2.75%。相比之下，RMRF 的平均收益率为 65 个基点， SMB、HML 和UMD 的平均收益率分布为为 4、40 和 76 个基点。面板 B 呈现了各因子之间的相关系数，CMP 与市场超额收益、SMB 显著正相关，与 HML 显著负相关。与外围产业相比，中心产业与市场收益的相关性更大。CMP和 SMB 之间的正相关以及与 HML 之间的负相关也印证了这点，因为小市值股票和低账面市值比率的股票往往具有更高的市场贝塔。表 5：风险因子及中心性描述性统计和相关系数资料来源：Network Centrality and the Cross Section of

18、Stock Returns，两阶段横截面回归作者对 Fama 和 French（1993）使用的 25 个规模和账面市值比（B/M）投资组合进行横截面回归。然而，正如 Lewellen等（2010）以及 Daniel 和 Titman（2012）所指出的，规模-账面市值比投资组合的内在因子结构意味着许多其他因素可能与这些投资组合有一定的相关性。与此同时，这些投资组合没有捕捉到其他未指定变量维度的横截面变化。根据 Lewellen 等（2010）的建议，作者使用另外两组投资组合来测试因子的横截面属性：1）行业层面的 74 个投资组合，以及 2）公司层面的回报。在横截面检验的第一阶段，在以下时间序

19、列回归中估计了投资组合内各因子与 CMP 投资组合回报之间的同期相关性：在第二阶段中，将超额因子回报率对公式（1）中估计的贝塔因子进行月度横截面回归，并根据 Shanken（1992）修正第二阶段系数的标准误差。从表 6 的面板B 中可以看到，当使用行业投资组合作为测试资产时，发现 CMP 具有积极且显著的影响。在没有 CMP的标准模型中，市场贝塔系数为正且显著，SMB 系数为正，HML 系数为负。当 CMP 投资组合包含在第二个阶段中时，它的系数为正且显著。此外，一旦包含 CMP 因子，市场因子的系数和统计显著性都增加，平均错误定价（阿尔法）的系数和显著性降低，同时 HML 变得不显著。而在

20、使用面板 C 中的公司收益进行测算，CMP 系数为正且显著，而其他因子几乎无变化。这些横截面因子回归结果与多个假设一致。一方面，CMP 因子系数为正可以说明，CMP 可以解释其他因子无法捕捉的系统风险维度。或者，更可能的解释是，事后贝塔系数测量不佳，而 CMP 投资组合提供了更好的事前市场风险敞口测量方法。由于CMP 仅与市场回报部分相关，因此在控制 CMP 投资组合后，测量的市场贝塔可能仍然显著。表 6：两阶段横截面回归结果资料来源：Network Centrality and the Cross Section of Stock Returns，宏观经济风险敞口为了评估中心性是否与潜在的经

21、济风险相关，作者检验了 CMP 投资组合与宏观经济活动的三个衡量指标之间的关系：消费增长、衰退和宏观经济不确定性。消费增长指的是未来 12 个月人均实际非耐用品消费的增长；衰退基于 NBER衰退日期，商业周期峰值等于 0，谷值等于 1，并在中间月份进行线性插值。宏观经济的不确定性基于 Jurado 等（2013）的不确定性因素，采用 12 个月的未来范围，该变量旨在捕捉大量宏观经济指标预测的意外变化，例如实际产出和收入、就业、产能利用率和房屋开工。这些数据源于 Sydney Ludvigson 网站。首先，表 7 中面板 A 结果表明，在多元环境中，消费增长与市场溢价、CMP 正相关。控制衰退

22、变量、宏观经济不确定性和线性时间趋势后，市场溢价、CMP 与未来消费增长的显著相关性程度大致相等。面板 B 则表明，未来消费增长与市场溢价、SMB、CMP 呈正相关。衰退变量和宏观经济不确定性与所有因子和中心性无关。面板B 在控制风险因素后检验了CMP 是否与宏观经济结果相关。在所有参数中，CMP 与未来消费增长显著正相关。此外，在不包括其他风险因素的情况下，市场溢价与CMP 组合正相关；将 SMB 和HML 考虑在内，则市场溢价不再显著。这些结果表明，中心行业比外围行业面临更大的经济风险。此外，这些结果进一步证明 CMP 与市场风险溢价有相似之处，表明中心性可能有助于理解驱动市场风险的因素。

23、然而，没有发现 CMP 与衰退和宏观经济不确定性之间的关 系。表 7：消费与宏观经济风险暴露资料来源：Network Centrality and the Cross Section of Stock Returns，3、冲击在不同距离行业中的扩散上节提供的证据表明，供应链网络的中心性与横截面的市场风险敞口有关。如果这种关系是由产品市场链接的部门冲击传递驱动的，那么收益可能会在时间和网络空间上遵循可预测的模式。特别地，如果经济冲击以波浪状扩散，我们可以观察对一个行业的冲击会更快地影响联系紧密的行业，而不是影响关联较小的行业。实证证据表明，即使是密切相关的公司和行业，投资者也不会马上注意到通过产

24、品关系流动的冲击。Cohen 和 Frazzini（2008）以及 Menzly 和 Ozbas（2010）的证据表明，在直接的客户或供应商冲击之后，股票价格的反应平均延迟至少一个月。鉴于供应链网络的复杂性，可以合理地推测投资者对源自关联性不大的行业的冲击相当延迟的反应。通常，投资者越是具备理性和前瞻性，我们就越不可能观察到冲击在收益中的扩散。为了检验供应链网络中时间和距离之间的关系，首先使用 Dijkstra（1959）算法计算供应链网络中一个行业和所有其他行业之间的最短路径。由于这些检验是在行业层面上进行的，如上所述，每五年都会发生变化，因此使用 1997 年IO 报告和 1993 年至

25、2002 年的股票回报数据。两个行业之间的距离被定义为供应商关系强度的倒数，供应强度越强，两个行业的距离越短。最短路径则是使总距离最小化的路径。接着，将行业之间的距离与行业历史收益联系起来：ri，t 表示第 t 个月内行业 i 的收益率，rClose，t 表示部门间网络中接近行业 i 的行业在第 t 个月的横截面平均收益率，rDistant，t 是远距离行业的收益率，t 是日历时间固定效应。首先，计算一个行业相对于其他行业的步数的 25%和 75%分位数，在行业层面上定义近距离行业和远距离行业。将近距离定义为，与所有其他行业相比，距离一个行业 25%分位的步数更少；远距离则是距离大于 75%分

26、位的步数。等式中的系数说明截至 T 个月的月收益率自相关。这有助于控制动量的异质性，系数考虑了在横截面上没有变化的所有宏观因素，如资产定价因素和经济范围内的变量。因此，该模型确定了行业回报与近距离和远距离行业收益之间的超前-滞后关系，同时控制了行业内收益的持续性和全系统时间序列变化。如表 10 所示，第 1-3 列使用价值加权的行业回报。第 4-6 列使用等权的行业回报。第 1 列和第 4 列仅包含 1 个月的滞后，第 2 列和第 5 列包含 6 个月的滞后，第 3 列和第 6 列包含 12 个月的滞后。通过对系数估计值求和，将滞后的系数聚合为最近和过去的滞后。最近的回报包括近三个月；过去的回

27、报包括在第 2 列和第 5 列中从 t-4 到 t-6 的收益，以及在第 3 列和第 6 列中从 t-10 到 t-12 的收益。表 10：回报冲击在近距离和远距离行业的扩散资料来源：Network Centrality and the Cross Section of Stock Returns，表 11 汇总了近距离行业和远距离行业最近和过去收益的系数，可以发现，首先，一个行业的收益与其相近行业的一个月滞后收益之间存在显著的正相关关系。这与 Cohen 和 Frazzini（2008）以及 Menzly 和 Ozbas（2010）的结果一致。相比之下，远距离行业的 1 个月和 6 个月滞后收益不会影响目标行业的当前收益。在第 3 列和第 6 列中，考虑了 12 个月的滞后，出现了一种新的规律。远距离行业在 t-10 到 t-12 月的过去收益与目标行业的当前收益正相关且显著。值得注意的是，这些回归考虑控制自相关和月份固定效应，考虑了系统范围内时间序列效应的所有可能性。表 10 的面板B 中，计算了近距离和远距离行业的系数估计值的差异。在所有参