Pastor-Stambaugh 流动性因子：流动性冲击的系统性溢价 • halo 的技术博客

流动性有两副面孔。第一副是个股层面的：某只小盘股买卖价差大、成交清淡、你一进去就把价格推走——这是 Amihud (2002) 的 ILLIQ 度量的东西，一只股票”自己有多难交易”。第二副是系统层面的：2008 年 9 月、2015 年 A 股股灾、2020 年 3 月，整个市场的流动性会同时蒸发，所有人都想卖、没有人接盘，买卖价差集体拉宽。这两副面孔完全不是一回事。

Pastor 和 Stambaugh（PS，2003）问的是第二副面孔背后的定价问题：当市场整体流动性枯竭时，有些股票会比另一些跌得更惨——那些”流动性 beta”高的股票，在系统性流动性冲击里同向暴跌。既然它们在你最需要现金、最恐慌的时刻给你最大的伤害，理性投资者就会要求一份补偿才肯持有它们。这份补偿，就是流动性风险溢价，它是一个系统性、不可分散的定价因子——和市场 beta、规模、价值并列。

结论先放这：在一个 600 只股票 × 240 个月的自洽合成面板上，按流动性 beta 分成五组，最不流动组年化 24.0%、最流动组只有 5.6%，收益严格单调递减；做多最不流动、做空最流动的多空组合月度 Sharpe 0.38。但这个溢价不是白捡的——下面会看到，同一个多空组合在流动性危机月整体亏损，你赚的那份年化溢价，本质是”危机来临时你也一起被埋”的对价。附完整 Python 与四类真实陷阱。

Pastor-Stambaugh 系统性流动性因子 L_t：负值代表市场整体流动性枯竭，红色区域是流动性危机时段

一、PS 因子的核心：从”回报反转”里挖出流动性#

PS 的原始度量非常巧妙。它不直接测价差或成交量，而是测一个副产品：成交量引起的回报反转。逻辑是这样的——如果某天一只股票被大单推动、超额收益很高，那么在一个流动性差的市场里，第二天价格会反转回来（因为推动是订单流压力而非信息，压力过去价格回落）；流动性越差，这种”量→反转”的关系越强。

PS 对每只股票 $i$ 每月做一个日频回归：

r_{i,d+1}^e = \theta_i + \phi_i\, r_{i,d} + \gamma_i \cdot \text{sign}(r_{i,d}^e)\cdot \text{vol}_{i,d} + \varepsilon_{i,d+1}

其中 $\gamma_i$ 就是关键：它衡量”昨天带符号的成交量，对今天回报的反转作用”。 $\gamma_i$ 越负，说明这只股票的流动性越差（量引起的反转越强）。把所有股票的 $\gamma_i$ 在横截面上加总平均，就得到那个月的市场整体流动性水平；再把它的月度创新（去掉可预测部分的意外冲击）序列化，就是 PS 系统性流动性因子 $L_t$ 。

上面那张图画的就是 $L_t$ ：它有自相关（流动性状态会持续），大部分时间在零附近波动，但会突然出现几个深坑——那就是流动性危机月，整个市场的可交易性瞬间枯竭。PS 的洞见是： $L_t$ 是一个可定价的状态变量。一只股票对 $L_t$ 的暴露（流动性 beta），决定了它该有多少风险溢价。

二、构造合成面板：植入流动性 beta 与溢价#

为了把因果链讲清楚，我们构造一个自洽合成面板：每只股票有一个真实的流动性特征 $\gamma_i$ （越负越不流动），它同时决定两件事——无条件溢价（越不流动，长期平均收益越高，作为补偿）和危机 beta（越不流动， $L_t$ 下跌时亏得越多）。这两者同源，是 PS 因子的灵魂。

import numpy as np, pandas as pd
rng = np.random.default_rng(20260726)
N, T = 600, 240

# 每只股票真实流动性 gamma：越负越不流动
true_gamma = rng.normal(-0.04, 0.03, N)
mkt = rng.normal(0.006, 0.045, T)                  # 市场因子

# 系统性流动性冲击 L_t：AR(1) 自相关 + 随机植入危机
L = np.zeros(T); shock = rng.normal(0, 1, T)
for t in range(1, T):
    L[t] = 0.5 * L[t-1] + shock[t]
L = (L - L.mean()) / L.std()
crisis = rng.choice(T, 5, replace=False)
L[crisis] -= 2.2                                   # 流动性枯竭月

beta = rng.normal(1.0, 0.25, N)                    # 市场 beta
R = np.zeros((T, N))
for i in range(N):
    liq_premium = -true_gamma[i] * 0.24            # 不流动 -> 无条件溢价更高
    liq_beta    = -true_gamma[i] * 1.5             # 不流动 -> 危机中亏更多
    idio = rng.normal(0, 0.035, T)
    R[:, i] = (0.002 + liq_premium
               + beta[i] * mkt
               + liq_beta * L                       # 对系统性流动性冲击的暴露
               + idio)

python

注意这里的关键设计：liq_premium 和 liq_beta 都是 -true_gamma[i] 的正比函数——溢价和风险来自同一个源头。这不是巧合的建模技巧，而是 PS 理论的核心断言：流动性溢价之所以存在，正是因为不流动的股票在系统性流动性冲击中风险敞口更大。你不可能只要溢价不要风险。

三、估计流动性 beta 并分组#

真实世界里 $\gamma_i$ 要靠日内回归估计；这里我们用一个可观测的代理：每只股票月度收益对 $L_t$ （控制市场因子后）的回归斜率，作为它的流动性 beta 估计量。

est_beta = np.zeros(N)
for i in range(N):
    X = np.vstack([np.ones(T), mkt, L]).T
    coef, *_ = np.linalg.lstsq(X, R[:, i], rcond=None)
    est_beta[i] = coef[2]                           # 对 L 的暴露

# 按流动性 beta 分五组：Q1 = 最不流动（暴露最大）
ranks = pd.qcut(-est_beta, 5, labels=False)
for q in range(5):
    port = R[:, ranks == q].mean(axis=1)            # 等权组合月收益
    ann = (1 + port.mean())**12 - 1
    print(f"Q{q+1}: {ann*100:.1f}%")
# Q1(最不流动) 24.0% -> Q2 18.5% -> Q3 15.7% -> Q4 11.4% -> Q5(最流动) 5.6%

python

结果见下图：五分组年化收益从最不流动组的 24.0% 严格单调递减到最流动组的 5.6%。这条单调阶梯就是流动性溢价的横截面证据——市场确实为”愿意持有难交易资产”支付了一份系统性对价。

流动性 beta 五分组：越不流动的股票，未来收益系统性越高，从 24.0% 单调降至 5.6%

四、多空组合与它的代价#

做多最不流动组（Q1）、做空最流动组（Q5），得到一个市场中性的流动性多空组合：

illiq = R[:, ranks == 0].mean(axis=1)              # 最不流动（多头）
liq   = R[:, ranks == 4].mean(axis=1)              # 最流动（空头）
ls = illiq - liq
sharpe = ls.mean() / ls.std() * np.sqrt(12)        # 0.38

python

多空组合的净值曲线见下图。这里藏着 PS 因子最诚实的一课：图上的红色竖带是流动性危机月，多空组合在这些月份和市场一起受创，而不是提供保护。 这和很多人对”因子”的直觉相反——它不是一个在危机中避险的对冲工具，恰恰相反，你做多的那批不流动股票，正是危机中被抛售最狠、流动性 beta 最高的一批。

流动性多空组合净值：红色竖带为流动性危机月，多空组合在危机中同样受创，而非提供保护

最后一张图把这个代价量化。左边验证估计有效性——估计的流动性 beta 和真实 $\gamma$ 高度相关，分组不是噪声。右边是灵魂：把多空组合的月收益按”平常月”和”流动性危机月”分开画直方图，危机月的分布整体左移——平常月多空稳定为正，危机月则集中在亏损区。这就是那份年化溢价的来处：它是给”愿意在危机中和市场一起被埋”的人开的工资。

左：流动性 beta 估计与真实值高度相关；右：多空组合月收益分布，流动性危机月整体左移，揭示溢价的代价

A. 实现细节#

信号构造：流动性 beta 用月度超额收益对系统性流动性因子 $L_t$ 的回归斜率估计（控制市场因子）。真实 PS 方法用日频”量-反转”回归估个股 $\gamma$ ，本文用可观测代理简化，但保留了”不流动↔高 L 暴露”的核心映射。
系统性流动性因子 $L_t$ ：AR(1) 自相关刻画流动性状态的持续性，随机植入 5 个危机月（ $L$ 骤降），标准化后作为定价状态变量。
溢价与风险同源：无条件溢价和危机 beta 都设为 $-\gamma_i$ 的正比——这是 PS 理论的核心，不是自由参数，改这个映射就等于否定 PS 假设本身。
分组方向：qcut(-est_beta) 使 Q1 = 流动性 beta 最大（最不流动）、Q5 = 最流动，保证”越不流动收益越高”读起来符合直觉。
多空口径：做多 Q1、做空 Q5，等权，市场中性，Sharpe 用月度收益年化（×√12）。

B. 已知偏差#

溢价和危机 beta 不可分割：本文的正向单调结论，完全依赖”不流动=高溢价+高危机风险”这个同源设定。这既是优点（复现了 PS 理论）也是局限——现实中流动性 beta 的估计噪声、以及溢价是否真的补偿了危机风险，是学界至今争论的问题（有人认为部分溢价是错误定价而非风险补偿）。
估计误差被低估：合成面板里 $L_t$ 是已知的，估计流动性 beta 几乎无偏（相关系数极高）。真实市场里 $L_t$ 本身要估、个股 $\gamma$ 要用嘈杂的日频数据估，两层估计误差叠加，会让真实分组的单调性远不如图上干净。
Sharpe 0.38 仍偏乐观：合成 idio 是独立的，真实不流动小盘股在危机中高度共同暴露（一起崩），会进一步拉低危机月表现、加厚左尾。真实 PS 因子的长期 Sharpe 通常在 0.3~0.5，且高度依赖样本区间是否覆盖危机。
危机月定义有后视嫌疑：本文用 $L_t < -1.5$ 事后标记危机月来画分布。实盘中你无法提前知道哪个月会是危机月——流动性因子的择时几乎不可行，只能长期持有承受危机拖累。

C. 结果解读#

PS 和 Amihud 是两回事，别混用：Amihud ILLIQ 是个股特征（截面），PS 是系统性风险暴露（对共同因子 $L_t$ 的 beta）。一只股票可以 ILLIQ 很高但流动性 beta 不高（它难交易，但不跟着市场流动性一起崩）。真正被 PS 定价的是后者——和市场流动性同生共死的系统性风险，这才是不可分散、该拿溢价的部分。
溢价的本质是危机对价，不是免费午餐：24% vs 5.6% 的单调阶梯很诱人，但最后一张图说清了代价——你赚的每一分流动性溢价，都对应着”危机月和市场一起亏”的承诺。这份工资该不该赚，取决于你的负债端能不能扛过危机月而不被迫平仓。锁定期长的养老金、捐赠基金适合赚，天天面临赎回的产品不适合。
它不是危机对冲工具：很多人误以为”因子”天然抗跌。PS 流动性多空恰恰相反，它在流动性危机中和市场同向受创。如果你需要的是危机保护，PS 因子帮不上忙——它是一份承担危机风险换取平时溢价的策略，方向和对冲相反。
A 股的替代构造：中国市场没有现成的 PS 因子序列，但可以用换手率、Amihud ILLIQ 的市场横截面均值、或融资融券余额变化来构造一个本土系统性流动性代理。要注意 A 股涨跌停制度会在危机日冻结成交，让”量-反转”关系失真，构造时需剔除触板日，否则流动性 beta 估计会被制度噪声污染。
落地优先级：想用 PS 因子，先想清楚你到底要暴露还是要对冲。要暴露（赚溢价）——确认负债端能扛危机月，长期持有多头不流动股，别在危机低点被迫止损；想对冲流动性风险——那要反过来做空高流动性 beta 资产，牺牲平时收益换危机保护。搞反方向，是这个因子最常见的实盘误用。