发帖
雷达卡
借鉴Hutton et al.（2009）、Kim et al.（2011）、许年行等（2012）的做法，本文采用两种方法来度量上市公司的股价崩盘风险。具体地，本文将通过从下述的扩展指数模型（1）回归得到的残差来刻画上市公司的股价崩盘事件。
在模型（1）中同时考虑了市场收益率和行业收益率的影响。
其中：
rj,t为第j家公司股票第t天考虑现金红利再投资的日收益率
rm,t为经流通市值加权计算的第t天市场日收益率——考虑现金红利再投资的综合日市场回报率流通市值加权平均法
ri,t为第j家公司所属i行业的经流通市值加权计算的行业日收益率（所在行业剔除本公司）
εj,t代表第j家公司股票日收益率未被市场日收益率和行业日收益率解释的部分
如果εj,t为负且值越小，那么第j家公司股票日收益率负向偏离市场和行业日收益率的程度就越大，意味着该公司的股价崩盘风险也就越大。
进一步，由于模型（1）回归得到的残差项εj,t分布高度有偏，本文对此进行了如下式（2）的对数转换以使残差项εj,t基本呈现标准正态分布，并将对数转换后的值Wj,t定义为第j家公司第t天的日特定收益率。
随后根据Wj,t分别计算负收益的偏态系数NCSKEWj,t和收益上下波动比例DUVOLj,t，即本文所用的两个股价崩盘风险指标。
其中，负收益偏态系数NCSKEWj,t的计算方法为：
式中，n表示股票在一个月中的交易天数，该数值越大，股票的崩盘风险越高。
收益上下波动比率DUVOLj,t的计算方法如下：
式中：
nu表示股票j的日持有收益Wj,t大于月平均收益Wj的天数
nd表示股票j的日持有收益Wj,t小于月平均收益Wj的天数
该变量的数值大小反映股票收益分布左偏的程度，股票收益越左偏，崩盘风险越大。
本文用哑变量Crash1和Crash2衡量崩盘风险来进行稳健性检验，该变量的计算方法如下：
其中
Wj,t,w为公司j在第t月第w天的日持有回报
Average（Wj,t,w）为公司j在第t月的日持有回报平均值
σj,t为公司j在第t月的日持有回报标准差
1[·]为指示函数，表示如果公司j在第t月存在任意一天的日持有回报小于或等于不等式右边的值，则该变量取值为1，表示该股票发生了崩盘事件，否则取值为0。
股价崩盘风险相关论文常用控制变量
Ret 股票j的月度收益率
Sigma 股票j月度收益率Wj，t的标准差
注：原始数据中涵盖了 日个股回报率文件和综合日市场回报率文件 的所有字段，如需将流通市值加权平均法改为总市值加权平均法或等权平均法进行回归，仅需在代码中将变量进行简单替换，再次运行即可。购买了此项数据的用户，如在调整模型中遇到问题，均可私聊我免费答疑。
2.数据说明
样本选择：全部A股1991-2021年数据（初始数据是从1990年开始，经过处理后的数据起点为1991年）
根据现有研究常用的做法，剔除月度日收益率少于10个以及相关变量数据缺失的观测值
注：提供了剔除所需数据和剔除代码，若无需做该项剔除处理，自行删除相关代码重新运行即可
行业参照证监会2012年行业分类标准，制造业用二级行业分类，其他用一级分类来计算
每个压缩包都附有初始数据，计算代码，参考文献和最终数据
最终数据分为两个版本：
版本1：仅做了上述剔除处理，文件名为“计算结果”
版本2：在做了上述剔除处理的基础之上，同时剔除了金融行业的样本和当年年末被ST、*ST或PT的上市公司，文件名为“计算结果剔除版本”
3.参考文献
[1]姚加权,冯绪,王赞钧,纪荣嵘,张维.语调、情绪及市场影响:基于金融情绪词典[J].管理科学学报,2021,24(05):26-46.
压缩包所含文件：
数据样例;
分年份数据量统计：
缩尾后的描述性统计结果：
月度股价崩盘风险扩展指数模型
(76 Bytes, 需要: RMB 45 元)
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
