資産定價中的(de)實證挑戰 (I)
發布時(shí)間(jiān)：2024-12-10 | β✔∞ 來(lái)源: 川總寫量化(huà)
摘要(yào)：人(rén)們對(duì)于資産定價的(de)理(lǐ)解離(lí)不(bùβ↓₽δ)開(kāi)層出不(bù)窮的(de)實證挑戰。本文(wén)梳理( ✔¥≤lǐ)當下(xià)的(de)一(yī)個(gè)重要(y஧₹♦o)的(de)驅動力：協變量的(de)高★→®≥(gāo)維數(shù)。
0
很(hěn)大(dà)程度上(shàng)，資産定價的('≠✔de)發展曆程是(shì)由實證挑戰來(lá♣≈i)驅動的(de)。現(xiàn)如(rú)今，實證資産定價研究範式從(c↔ •óng)計(jì)量經濟學轉向了(le)機(jī)器(q©βì)學習(xí)；而這(zhè)背後的(de)驅動因素來(lái)自(zì)（至少(shǎo)→¶）兩方面的(de)實證挑戰：（1）協變量的(de)高(gāo)維數(shù)；（2）公司特征和(hé)收益率之間(jiān)的(de)複雜(zá)¥€ε關系。我想通(tōng)過兩篇小(xiǎo)文(wén)對(d$ ✔uì)這(zhè)兩方面進行(xíng)梳理(lǐ)。作(zuò)為 ∑(wèi)第一(yī)篇，本文(wén)聚焦于♥€σδ協變量的(de)高(gāo)維數(shù)。
1
時(shí)至今日(rì)，恐怕沒人(r★"★én)會(huì)否認我們已經步入了(le)協變量的(de)高(gāo)維數(shù)時(shí)代。僅僅是(shì)基于量價和(hé)公司财務報(bà↓←•o)表數(shù)據，學術(shù)界就(ji♦ ù)已經挖掘出了(le)數(shù)百個(gè)因子(zǐ)（Harvey≥€©≤ et al. 2016, Hou et aΩ÷₹l. 2020），而業(yè)界使用(yòng)的(de)隻✘★會(huì)更多(duō)。除了(le)傳統數(shù)據外(wài)，另γ₹≈₹類數(shù)據也(yě)在近(jìn)♣δ↔年(nián)來(lái)不(bù)斷湧現(xiàn)。它們在金(jī♣™♥n)融領域，特别是(shì)資産定價領域，迅速嶄露頭角并得(de©♣σ♣)到(dào)了(le)廣泛的(de)關注。
與傳統的(de)數(shù)據相(xiàng)比，另類數(shù)據提供了(λ↕le)從(cóng)不(bù)同維度觀察市(shì)場(≥≠'chǎng)和(hé)經濟活動的(de)可(kě)能(néngδ₩×ε)性，為(wèi)投資決策提供了(le)更為(wèi)豐富φ∏∑∑和(hé)多(duō)元的(de)信息來(lái)源。它∑₩β≈們中不(bù)乏非結構化(huà)和(hé)半結構化(huà)數(sh™♠'ù)據。機(jī)器(qì)學習(xí)算(suàn)法的(de)進步使得π'β(de)處理(lǐ)和(hé)分(fēn)析複雜(zá)的(de)✘₽另類數(shù)據成為(wèi)可(kě)能(néng)。由于σ 能(néng)為(wèi)資産定價研究提供更為(wèi)細緻和(héφ≈)深入的(de)見(jiàn)解，其成功應用₹↓(yòng)不(bù)僅在投資業(yè)界落地(dì)開(k βāi)花(huā)，也(yě)促使學術(shù)界将實證研究的(de)重點轉♠♣→↓移到(dào)檢驗新數(shù)據中蘊含的(de)股票(piào)收益率截↑αε§面信息。
此外(wài)，近(jìn)年(nián)來(lái) ESG（環σ境、社會(huì)和(hé)治理(lǐ)）概念越來(lái) &♥☆越受到(dào)重視(shì)。随著(zσΩ≤★he)對(duì) ESG 評估的(de)需求增加，≈₩✔另類數(shù)據成為(wèi)了(le)收集和(hé)評估 ESG 相(xi€↓←àng)關信息的(de)重要(yào)來(lá✔✘§i)源。例如(rú)，衛星圖像可(kě)以用(yòng)來(lái)✔∞監測工(gōng)廠(chǎng)的(de)排放↕<÷(fàng)量或者森(sēn)林(lín)砍♥φ★'伐情況，從(cóng)而為(wèi)環境評估提供數(shù)據。社交媒¥♣€•體(tǐ)和(hé)新聞源可(kě)以提供關于公司£γ≈♥社會(huì)責任事(shì)件(jiàn)或∑Ω§'争議(yì)的(de)實時(shí)信息。因此，另類數(shù)據會(δ♠huì)通(tōng)過 ESG 這(zhè)個(g∞→è)渠道(dào)影(yǐng)響投資者對(duì)于公司•的(de)看(kàn)法，從(cóng)而可(kě)能(néng)改變他(tā₽∑π£)們的(de)投資策略和(hé)決策，最終間(jiān)接地(dì)影(yǐn∑♥÷£g)響資産的(de)收益率和(hé)市(shì)場(chǎnβ£≈®g)表現(xiàn)。
然而，另類數(shù)據也(yě)帶來(lái)了✘"←(le)新的(de)挑戰，如(rú)數(shù)據清≈"₩α洗、完整性和(hé)時(shí)效性問(wèn)題，以及如(rú)≠ 何從(cóng)這(zhè)些(xiē)非傳統數(shù)據中提取真∑→™ 正有(yǒu)價值的(de)信息。但(dàn)無可(kě)否認，另類數(s≤σhù)據重新定義了(le)人(rén)們對(duì)市(shì)場(ch±≈∞ǎng)的(de)理(lǐ)解和(hé)投資策₹§略的(de)制(zhì)定，為(wèi)©δπ金(jīn)融領域帶來(lái)一(yī)場(c✔☆≤Ωhǎng)創新革命。
2
本節挑選一(yī)些(xiē)最具代表性的(de)另類數(shù)據類别和">(hé)論文(wén)，簡要(yào)介紹學術(shù)界基于這(zh♥↕₩¥è)些(xiē)新數(shù)據的(de)實證資産定價ε☆發現(xiàn)。需要(yào)明(míng)确說(sh≈ ∏uō)明(míng)的(de)是(shì)∏↓♠，本節絕非全面的(de)文(wén)獻綜述。我隻是(shì)希望通(t•¥☆ōng)過所選擇的(de)文(wén)章(zhāng)幫助讀(dú≥←≤)者對(duì)另類數(shù)據在資産定價≤₽ 方面的(de)多(duō)樣應用(yòng)有(yǒu)← β一(yī)個(gè)整體(tǐ)的(de)了(le)解。
2.1 交易賬戶數(shù)據
關于散戶投資者（retail investors）交✔₽€易賬戶數(shù)據的(de)研究至少(shǎo)•±γ₽可(kě)以追溯到(dào) 20 年(ni≤πán)前。這(zhè)方面的(de)研究成果有(yǒ↓βαu)助于幫助散戶糾正錯(cuò)誤的(de)交∞♦易習(xí)慣。不(bù)過，這(zhè)類數(shù)據通(tōng✘←Ω)常是(shì)非公開(kāi)的(de)。在諸多(₽γ"→duō)研究中，Barber and Odean (200£₩∞0) 所用(yòng)的(de)包含約 78,000 個₹>(gè)賬戶的(de)交易數(shù)據集非常有(yǒuβ→™)名（學術(shù)界後來(lái)稱之為(&σΩwèi) Odean 數(shù)據集），在後來(lái)針對(duì)散$±戶投資者以及行(xíng)為(wèi)金(jīn)融學的(d©∏∏₩e)相(xiàng)關研究中得(de)到(dào)了(leו✔)廣泛的(de)應用(yòng)。使用(yòng)賬戶交易數(shù)據的(d$¶e)最大(dà)問(wèn)題在于數(shù)據集是(shì)非公開(★≤∑kāi)的(de)，這(zhè)往往使得(de)相(xi÷βàng)關研究難以被複現(xiàn)或擴展，而前述的(de)那(nà←✔•£)些(xiē)代表性研究均存在這(zhè)個φ≈(gè)問(wèn)題。不(bù)過，該問(wèn)題在≈♦∞β Boehem et al. (2021) ± 中得(de)到(dào)了(le)改善。該文(α↓wén)并沒有(yǒu)使用(yòng)賬戶¥πΩ數(shù)據，而是(shì)通(tōng)σ®過算(suàn)法從(cóng)交易數(shù)據中有(yǒu)效識别出散∑'₩戶的(de)交易數(shù)據。
2.2 訂單簿數(shù)據
訂單簿（order book）記錄了(le)市(shì)場(chǎn×σα☆g)參與者對(duì)特定資産的(de)買賣意向。這(zhè)些(xiē♥Ω¥)記錄反映了(le)參與者的(de)預期和(hé)市(shì)場(chǎ≥₽ng)的(de)潛在壓力。訂單簿數(shù)據在ε↑<¥市(shì)場(chǎng)微(wēi)觀結構和 →β↑(hé)高(gāo)頻(pín)交易研究中起著(zh↓α&↑e)重要(yào)作(zuò)用(yòng)。實證研究發現(✔✔xiàn)，訂單簿數(shù)據帶有(yǒu)揭示關于未來(lái)價格方向的α±(de)預測信息。Cont et al. (2014) 使用(yòng)φ★紐交所交易和(hé)報(bào)價數(shù)據，研究了(le) 50 支股票€ ¥§(piào)的(de)訂單簿事(shì)件(jiàn)（如(rúλ₹↑)限價訂單、市(shì)價訂單和(hé)取消訂單）對(duì)價格的© (de)影(yǐng)響，發現(xiàn)在短(duǎn)時( ∏¥ shí)間(jiān)內(nèi)，價格變化(huà)主要(yào∞¥)由最佳買入價和(hé)賣出價之間(jiān)的(de)供求失衡（訂單流失衡）☆∏≤驅動，并且這(zhè)種失衡與價格變化(huà)$→σ$之間(jiān)存在線性關系。此外(wài≈'£)，文(wén)章(zhāng)還(hái)探討(tǎo)了(le)這(↓™zhè)種關系對(duì)于日(rì)內(nèi)♥≈φΩ股價波動動态的(de)意義。
2.3 社交媒體(tǐ)數(shù)據
社交媒體(tǐ)和(hé)在線平台為(wèi)金(jīn)融市 'α&(shì)場(chǎng)提供了(le)豐富β 而即時(shí)的(de)數(shù)據，這(zhè)些(xiē)數(sh✘÷ù)據被證明(míng)在預測股票(piào)收益率乃≤¥α≈至公司基本面方面具有(yǒu)價值。從(cóng)負面新聞的(de)影(yǐn∑∏±g)響，到(dào)社交媒體(tǐ)上(s→₽hàng)的(de)人(rén)群智慧，再到(dào)特定平台如(rú±∏γ) Twitter 的(de)數(shù)據分(fēn)析，學術(shù ₹→)研究探索了(le)新數(shù)據來(lái)源的(↓↓de)多(duō)種應用(yòng)方式。舉例來( &lái)說(shuō)，Chen et al. (20→$≈14) 探討(tǎo)了(le)通(tōng∏±↑≈)過社交媒體(tǐ)媒介傳播的(de)投資者觀點能&±$±(néng)夠在多(duō)大(dà)程度上(s$≥↑δhàng)能(néng)預測股票(piào)未來(lái)的(deβ€)收益率以及公司的(de)預期外(wài)盈利。通(tōnαg)過對(duì)美(měi)國(guó)最受歡迎的>γ(de)投資者社交媒體(tǐ)平台上(s׶€φhàng)發布的(de)文(wén)章(zhā♦γ®ng)以及文(wén)章(zhāng)下(xià)的(de)評論進←¥ 行(xíng)文(wén)本分(fēn)☆≠析，作(zuò)者發現(xiàn)二者均能(néng)預測收益率和(h♣¶εεé)預期外(wài)盈利。上(shàng)述研究不β€(bù)僅表明(míng)社交媒體(tǐ)數(★shù)據帶有(yǒu)預測信息，也(yě)強調投資者♦"↓和(hé)實證研究人(rén)員(yuán)應給予這(zh ε☆è)些(xiē)數(shù)據足夠的(d♦✔e)重視(shì)，以獲取和(hé)捕捉有(yǒu)關股票(piào)市(sh"ì)場(chǎng)動态的(de)更多(duō)信息。
2.4 衆包數(shù)據
另一(yī)類應用(yòng)廣泛的(de)另₹∞∞類數(shù)據是(shì)衆包數(shù)據。Green et al. (2019) 使用(yòng) Glassdoor.com 數(shù)據研究>δ'了(le)員(yuán)工(gōng)評價與股票 ♥→±(piào)收益率之間(jiān)的(de"<®)關系。該網站(zhàn)提供了(le)員(yuán)工(gōng)₽ '對(duì)公司的(de)綜合評價和(hé)€ ↔五個(gè)标準化(huà)評價指标，包括職業(yè)機(jī)會©☆≠≥(huì)，薪酬福利，工(gōng)作(zu&★ò)/生(shēng)活平衡度，高(gāo)層管理(lǐ)，企業(yè)文(wén)化(huà)與價值，所有(yǒu)評價÷±™σ皆為(wèi) 1 至 5 星。理(lǐ)論上ε§→÷(shàng)，員(yuán)工(gōng)評價變高(gāo) ₽ε，意味著(zhe)經濟環境及公司前景很(≥$hěn)可(kě)能(néng)在變好(hǎo)，在其他(t→&♠ā)條件(jiàn)相(xiàng)同的(de)情況下(xià)，₩✔公司應有(yǒu)更好(hǎo)的(de)表現(xiàn)，因此股票♣λ(piào)的(de)預期收益率更高(gāo)。為(wèi)了(l✔✔'Ωe)驗證上(shàng)述猜想，該文(wén)依據員(yuá$λΩ'n)工(gōng)評價變化(huà)高(gāo)低(dī)将ε✘™↓股票(piào)分(fēn)為(wèi)三組，并通(tōng)過做(zuò)多♥★€Ω(duō)高(gāo)分(fēn)組、做(zuò)空(k¶'ōng)低(dī)分(fēn)組構造了(le)因子₩≤≤λ(zǐ)，實證結果支持了(le)他(tā)們的(de)猜想，該因子(z∞★ǐ)的(de)平均超額收益率非常顯著。此外(wài)，Da et al. (2021) 所使用(yòng)的(de)數(shù) γ據是(shì)一(yī)個(gè)名為(wèi) Forcerank ₩δ¥≤的(de)移動應用(yòng)上(shàng)散戶對(duì)股票(p® iào)的(de)周度評分(fēn)。該文(wén)研究了(le)投資者→&×✘過度外(wài)推信仰和(hé)未來(lái)股票(piào)收益β₽₹率之間(jiān)的(de)負相(xiàng)關關系δ©×。
2.5 文(wén)本數(shù)據
随著(zhe)機(jī)器(qì)學習(xí)算(suàn)法的(dα↓↕←e)普及，文(wén)本即數(shù)據這λ₩γ(zhè)一(yī)看(kàn)法早已深入人(rén)心，對(duì₩)文(wén)本數(shù)據的(de)研究也(y>↕∞÷ě)成為(wèi)了(le)學術(shù∏←λ)界的(de)必争之地(dì)，文(wén)本數(s£↑↔hù)據也(yě)在金(jīn)融學領域得(de)到(dào)了(le)廣≥£泛的(de)應用(yòng)。Cohen et al. ¶"<(2020) 發現(xiàn)美(měi)股上(shàng)市(shì)公司©$↕♥季報(bào)和(hé)年(nián)報(bào)♣中的(de)文(wén)本措辭變化(huà)能(néng)夠預測股票(ελpiào)收益率。具體(tǐ)而言，文(wén)本改動越少(shǎo)'®"★的(de)公司未來(lái)的(de)預期收益越高§§γΩ(gāo)。通(tōng)過做(zuò)多(duō)改動少(s♠♣λhǎo)的(de)公司、做(zuò)空(kōng)改動多(duō)的(d↔↑≥♠e)公司，該投資組合可(kě)以獲得(de)超過 2→≤×0% 的(de)年(nián)化(huà)←™₽ε超額收益率。除了(le)實證結果外(wài)，該文(wén)的(d₩©¶e)精彩之處在于對(duì)背後機(jī)制(zhì)的(de)討(tπ♣ǎo)論。該文(wén)發現(xiàn)财報(bào)中措辭變₽↔™♦動背後的(de)原因通(tōng)常是(shì)以下(xi'©§ à)幾種：更加負面的(de)情緒、更高(gāo)的(de)不(bù)确 ±₩♦定性、更多(duō)的(de)訴訟以及 CEO/™CFO 變動。這(zhè)些(xiē)原因往往意味著(zhe)公司的φ(de)運營面臨更高(gāo)的(de)風(fēng)險和(héβσ★)不(bù)确定性。另一(yī)方面，Bybee et al. (2023) 則基于文(wén)本數(shù)據構造了(le)一(yī)個(gè)實證資産定" φ™價模型，發現(xiàn)基于新聞數(shù)據的(de)多✘≥<(duō)因子(zǐ)模型不(bù)輸諸如(rú)✘∏• FF5，HXZ 等主流多(duō)因子(zǐ)模型。
2.6 圖像數(shù)據
Obaid and Pukthuanthong (2022) 和(héγ↔ש) Jiang et al. (2023) 将卷積φ₹® 神經網絡應用(yòng)于挖掘圖像數(shù)據β≈中關于資産收益率的(de)預測信息。前者對(duì)新聞照(zhào)¶ 片進行(xíng)情感分(fēn)類并創建了(le)一(yī)ε×₹∏個(gè)每日(rì)投資者情緒指标。該情緒指标能(néng)夠預測₩< 市(shì)場(chǎng)收益率以及交易™±量。此外(wài)，該文(wén)還(hái)探討(tǎo)了(le)照(zh♣ào)片中的(de)悲觀情感與新聞文(wén)本中的(de)悲觀情感在預測股©價方面的(de)可(kě)替代性，發現(xiàn)二者的(Ω∞de)關系更傾向于替代而非互補。後者則将機∞<(jī)器(qì)學習(xí)直接應用(yòng)于股票★ (piào)的(de) K 線圖之上(shàng)Ω₩。與傳統的(de)按照(zhào)特定模式定義動量或反轉×¥✘不(bù)同，他(tā)們的(de)方法可(k>ě)以靈活地(dì)識别與收益率高(gāo)度相(xiàngδ $)關的(de)價格模式。機(jī)器(qì)學習(xí)算(s↕♣γuàn)法識别的(de)模式與常規技(jì)術(sh$ ≠ù)分(fēn)析中的(de)趨勢信号有(yǒφ u)很(hěn)大(dà)差異，并含有(yǒu)更高(gāo)的(d±∑e)預測信息。值得(de)一(yī)提的(de)是(shìφγ←)，這(zhè)些(xiē)模式在不(bù)同的(de)市π (shì)場(chǎng)環境中同樣适用(yòng)，例如(λσ©rú)短(duǎn)期內(nèi)的(de)價格模式在長(chán≥$g)期時(shí)間(jiān)尺度上(shàng)表現(x≥®€iàn)良好(hǎo)，而從(cóng)美(mα∞¥σěi)國(guó)股市(shì)中學到(d±€→σào)的(de)模式在國(guó)際市(sh♠£ ì)場(chǎng)上(shàng)也(y↕↓ě)依然有(yǒu)效。
2.7 另類數(shù)據與分(fēn)析師(shī)•✘↔預測
除了(le)用(yòng)來(lái)預測資産收益率外(w>₹®↕ài)，另類數(shù)據的(de)豐富是(shì)否也(yě)在其他(t☆ε♥§ā)方面提高(gāo)了(le)金(jīn)融預測的(de)質量呢(÷ ne)？Dessaint et al. (2024) 探討(tǎo)了(le)另類數(shù)據的(de)使用(yò♣¥ng)如(rú)何影(yǐng)響賣方分(fēn)析師(s↓≈hī)關于上(shàng)市(shì)公司盈利&¶預測的(de)準确度，加深了(le)人(rén)們關于另類數(shù)據對(±♠×duì)市(shì)場(chǎng)有(yǒu)效性的(de)♦"'理(lǐ)解。該文(wén)首先通(tōng)過梳理(lǐ±'☆) 26 篇相(xiàng)關學術(shù)論文(wén)（使用(yòng) ¶的(de)另類數(shù)據包括社交媒體(tǐ)、衛星數(shù'₽)據、搜索引擎數(shù)據等），發現(xiàn∞¥÷)另類數(shù)據的(de)預測時(shí)∏☆←>間(jiān)尺度均不(bù)超過 1 年(nián)。換句話(hu<à)說(shuō)，它們都(dōu)是(shì)短(duǎn)期∑≤≤≈導向數(shù)據，隻能(néng)對(duì)短(duǎn)期的(de)預₽®α"測提供信息增量。在這(zhè)個(gè)前提下(xià)，一(yī)系列問(γ≥wèn)題自(zì)然而然地(dì)浮出水(shuǐ)面。分(f&α★ēn)析師(shī)的(de)估值模型中≤✘往往需要(yào)同時(shí)應用(yòng)短(d±σ< uǎn)期和(hé)長(cháng)期的(de)盈利預測作(zu ∞ò)為(wèi)輸入，那(nà)麽大(dà)量含有(yǒλ∑u)短(duǎn)期預測信息的(de)另類數(shù)據的(de)湧現(xi→§àn)對(duì)于分(fēn)析師(shī)不™ε₽•(bù)同時(shí)間(jiān)尺度（₹$∑短(duǎn)期 vs. 長(cháng)期β>↑）的(de)盈利預測結果會(huì)有(yǒu≈©₹)怎樣的(de)影(yǐng)響？不(bù)同尺度上(shàng)的(de)✔β綜合影(yǐng)響又(yòu)是(shì)否能(néng)夠提≠Ω高(gāo)整體(tǐ)的(de)預測質量呢(ne)？在另類數(shù₽)據愈加普及的(de)今天，回答(dá)這(zhè)些(xiē)問(wènεδ∏÷)題對(duì)于使用(yòng)分(fēn)析→π$←師(shī)盈利預測信息至關重要(yào)β&§₩。就(jiù)上(shàng)述問(wèn)題，該≥δ$↕文(wén)通(tōng)過理(lǐ)論和(héπ✘)實證給出了(le)精彩的(de)論述。
理(lǐ)論模型，該文(wén)假設分(fēn)析師(shī) ¶π在進行(xíng)盈利預測時(shí)，需要(yào)最優地(dì✔∏•)分(fēn)配其投入到(dào)不(bù)同時(δ®shí)間(jiān)尺度預測的(de)精力，從(cóng)而最小(x→→iǎo)化(huà)預測誤差以及獲取不(bù)同時(shí)間α₹π(jiān)尺度預測信息的(de)成本這(zhè)二者之和(hé§∑'≤)。另類數(shù)據的(de)出現(xiàn)降低(dī)¥¶"了(le)獲取短(duǎn)期預測數(shù)×據的(de)成本，并同時(shí)提高(gāo)了(γσ®le)短(duǎn)期預測數(shù)據的(de)準确度。因♦ 此，它促使分(fēn)析師(shī)将更多(duō)的(de)精力投入到(d± €§ào)獲取和(hé)分(fēn)析短(duǎn)期預測信息上(shàng)₽≥，以此來(lái)提高(gāo)短(du £ǎn)期預測的(de)準确度。然而顧此失彼☆•α，由于分(fēn)析師(shī)的(de)精力是(shì)有(yǒu)限的(σ€$αde)，這(zhè)造成的(de)後果是(shì)降低(dī)了(l∞α©e)他(tā)們長(cháng)期預測的(de)準确度。
實證方面，該文(wén)繪制(zhì)了(l•≥©e)分(fēn)析師(shī)盈利預測準确度的(de)期限< 結構（即預測準确度随預測的(de)時(shí)間(jiān)尺度的(de)變化☆ε∏(huà)曲線），并考察了(le)該期限結構的(de)斜率如ε∏→<(rú)何随另類數(shù)據的(de)出現(xià ¶n)和(hé)普及而變化(huà)。首先，↑₽±↕不(bù)管實證窗(chuāng)口如(rú)何，該期限結構都(dō×₩☆u)呈現(xiàn)出短(duǎn)時(♣"★¶shí)間(jiān)尺度預測準确性高(gāo)、長(ch&✘'≥áng)時(shí)間(jiān)尺度預測準≤λ确性低(dī)的(de)結構。接下(xià)∑φ®來(lái)（最重要(yào)的(de)一(yī)點），随著(zhe)另類數&∏₹(shù)據的(de)出現(xiàn)，期限結構變得(de)更加♣÷π陡峭，即短(duǎn)時(shí)間(jiān)尺度上≤'π(shàng)預測準确度增加，而其代價是(shì)長(chá✔π$ ng)時(shí)間(jiān)尺度上(shàng¥≤)預測準确度下(xià)降。此外(wài)，該文★←♥✘(wén)考察了(le)不(bù)同行(xíng)業(yè)的©÷♠≠(de)期限結構随時(shí)間(jiān)的(de)變化(β↔>huà)趨勢與另類數(shù)據的(de)使用(yòng§×)關系。回歸結果顯示，另類數(shù)據使用(yòng)越多(du♥∏δō)的(de)行(xíng)業(yè)，其期限結構變得(de)更加λα陡峭，從(cóng)而說(shuō)明(mí Ω£✔ng)了(le)另類數(shù)據的(de)使用(yò≠☆σng)以及長(cháng)短(duǎn)期預測準确度變化(huà)差異二者→Ω>之間(jiān)的(de)聯系。
針對(duì) A 股，利用(yòng)朝陽永續的(↑ de)分(fēn)析師(shī)預測數(shù)據（時(shí)間(ji "∑÷ān)跨度為(wèi) 2012 到(dào) 2023，共 4208520 個(gè)樣本），我們此前考察了(le)分(fēn)析師(₩¥shī)準确度的(de)期限結構如(rú)何變化(huà)。具體(tǐ)而言，↔•以 2016 年(nián)為(wèi)分(fēn)界将分(fēn)析師(↕♠shī)盈利預測樣本分(fēn)成前後兩個(gè)區← (qū)間(jiān)，分(fēn)别計(jì)算(suàn)并繪制(z≥∑hì)這(zhè)兩個(gè)區(qū)間(jiān)¶≈ 內(nèi)分(fēn)析師(shī)盈π₩×€利預測準确度的(de)期限結構。從(cóng)下($φ<xià)圖所示結果可(kě)知(zhī)，後一(yī)個(gè)區(qū)間≤§ €(jiān)內(nèi)的(de)短(duǎn)期預測準确度₽✔÷€确有(yǒu)提升（和(hé)美(měi)股一(yī)緻），另外≈↔π∑(wài)有(yǒu)意思的(de)現(xiàn)象是(shì)在跨度為('β ✔wèi) 1 至 2 年(nián)（即 12 到(dΩ¥↕ào) 24 個(gè)月(yuè)）的(de)預測尺度上(shε àng)，第二個(gè)區(qū)間(jiān)內(nèi)的γ>(de)準确度較第一(yī)個(gè)區(qū)σ♦₹σ間(jiān)顯著降低(dī)。不(bù)過和÷ε→(hé)美(měi)股不(bù)同的(de)是(shì)，在大(dà)于☆γ♥ 2 年(nián)的(de)預測尺度上(s•∑hàng)，兩個(gè)區(qū)間(jiān)內(nèi)的(dε≠• e)結果并無顯著差異。
3
另類數(shù)據中蘊含的(de)潛在預測信息固然令人(rén)興'→奮，但(dàn)因數(shù)據可(kě)得(de)性問(wèn)題（∏Ω>比如(rú)數(shù)據成本往往很(hěn)高(gāo)、有(yǒu)些(★'≥★xiē)甚至無法獲取）的(de)原因，其在學術(shù)研究中廣泛≈©普及尚需時(shí)日(rì)。另一(yī)方面，與之相(xiànπ"g)對(duì)應的(de)準另類數(shù)據則得(¶₹de)到(dào)了(le)更多(duō)的(de)關注。€π¶&關于準另類數(shù)據，其非正式的(de)定義包¥α&含以下(xià)三點：（1）它不(bù)是¥✔☆ (shì)典型的(de)公司特征或宏觀經濟數(shù)據；≈®（2）它比另類數(shù)據的(de)可(kě)得(de)性更高(gāo)↔；（3）它往往被忽視(shì)，因而被研究和∏✘(hé)利用(yòng)的(de)不(bù∏∏ ™)夠充分(fēn)。準另類數(shù)據中最重要(yào)的(de)兩類是(©≥✘εshì)公司間(jiān)關聯和(hé)基金(jīn)隐藏信息。它們均能(♥ ₽néng)為(wèi)預測股票(piào)收₩✔σ益率提供增量信息。
3.1 公司間(jiān)關聯
在經濟活動和(hé)業(yè)務操作(zuò)中往往存在直接或間(∏φjiān)接關聯的(de)公司，這(zhè"✔)種關系被稱為(wèi)公司間(jiān)關聯。它可(kě)能(né&₽≈ng)基于供應鏈、行(xíng)業(yè)關系、合作(zuò)夥伴關♥ 系或共享資源等因素。這(zhè)些(xiē)₹β $經濟上(shàng)相(xiàng)關聯的( ♥de)公司的(de)經濟表現(xiàn)可(kě)能(néng)會(h& uì)受到(dào)彼此的(de)影(yǐng)響或反映相(xiàng)♠♥≥"似的(de)市(shì)場(chǎng)動态，其股票(piào)收≠<'™益率往往存在領先-滞後效應（lead-lag efλ☆±™fect），即當一(yī)組資産對(duì)某一(yī)↔♣£信息或事(shì)件(jiàn)的(de)反應比另一(yī)組資産更早或更迅β速，導緻後者的(de)價格變動在時(sh''≥δí)間(jiān)上(shàng)滞後于∏∑前者。
這(zhè)種效應反映了(le)信息在市(shì)場(chǎng)∞ ÷£中的(de)不(bù)均勻擴散或某些(xiē)資産的(de)反應速<¶度相(xiàng)對(duì)較慢(màn)。隻要∞↔(yào)我們從(cóng)某個(gè)切入點找到(dào)公司之間(∏Ω≠jiān)的(de)關聯，就(jiù)可 ¥↑"(kě)以利用(yòng)領先公司的(de)收益率作(z∞£ δuò)為(wèi)預測變量來(lái)預測滞後公↕±≤司未來(lái)的(de)收益率。在學術(s≠&hù)界的(de)術(shù)語中，将被預測的(de)公司（即滞後的(de)∞δ公司）稱為(wèi)焦點公司，将與之關聯的(de)領先公司稱為₽ε₽(wèi)關聯公司。因此，公司間(jiān)的(de)關聯©∑λ是(shì)關聯公司對(duì)焦點公司的(de)一(y★™"ī)種溢出效應，對(duì)它的(de)研究有(yǒu)δλ助于揭示資産價格動态背後的(de)經濟機(jī)制(zh♥Ωì)和(hé)市(shì)場(chǎng)行(x ©íng)為(wèi)。
領先-滞後效應實證研究的(de)第一(yī)步往往是(sh<&λ✘ì)從(cóng)某個(gè)經濟視(shì)角出發度量公司≥ε♣λ之間(jiān)的(de)關聯度。在這(zhè)方面，學π✘術(shù)界的(de)研究由來(lái ¥±←)已久。下(xià)表彙總了(le)發表在頂刊÷¶上(shàng)的(de)最重要(yào)的(de)公司間(jiā↔•∞n)關聯，包括行(xíng)業(yè)內(nè♦↑φi)關聯、重要(yào)客戶關聯、複雜(zá)公司關聯、科(kē)技(ε&↑jì)關聯、地(dì)理(lǐ)關聯以及分(f€λ♦♦ēn)析師(shī)共同覆蓋關聯。
一(yī)旦有(yǒu)了(le)關聯指标，接 >δ下(xià)來(lái)便可(kě)以按照(zhào)如(rú)下(xià)∞φ≥↑的(de)方法構造預測變量：
式中
以分(fēn)析師(shī)共同覆蓋動量為(w₹☆∑$èi)例，下(xià)表展示了(le)其在 A € ∑股上(shàng)的(de)實證檢驗結果。通(tōng∑÷σ)過将該預測變量和(hé)市(shì)值進行(xíng)雙重排序檢 ≈¶驗發現(xiàn)，無論是(shì)對(duìαγ)小(xiǎo)市(shì)值、大(dà)市(shì)值還(♣&≈hái)是(shì)全市(shì)場(c♦♦'hǎng)平均，該關聯效應均能(néng)顯™↑"著預測股票(piào)的(de)收益率。比如(rú)全市(shì)場♣®(chǎng)平均而言，通(tōng)過做(Ω₹♦δzuò)多(duō)關聯收益率高(gāo)、做(zuò)空(kōng)∑<關聯收益率低(dī)股票(piào)而構造的(d∑↕e)投資組合的(de)月(yuè)均超額收益率 ε≥為(wèi) 0.71%，t-statistic 為(wèi) 2.68。
和(hé)上(shàng)述既有(yǒu)公司間(jiδ ♦Ωān)關聯的(de)研究不(bù)同， Ei♥±sdorfer et al. (2022) 另辟蹊徑，對(duì♣©→)年(nián)報(bào)的(de)競争章(zhāng)節↔♦進行(xíng)了(le)文(wén)本分(fēn)析，★←并使用(yòng)一(yī)家(jiā)公司被多(duō)少(×↕≤shǎo)其他(tā)公司當作(zuò)競争對(duì)手來(l&≤≥€ái)衡量該公司的(de)競争力或競争關聯。競γδ★争關聯的(de)基本邏輯非常容易理(lǐ)解，即被被提及的(de)次數(sh"πù)越多(duō)，表明(míng)公司 ∏越有(yǒu)競争力，從(cóng)而其股票(pi→ào)的(de)未來(lái)收益更高(gāε¶o)。在競争關聯的(de)機(jī)制(zhì)方面，他(tā)們₩₽☆討(tǎo)論了(le)一(yī)家(jiā)公司 A®✘↑ 為(wèi)何會(huì)在報(bào)告中提及另一(yī)家(jiā)公ε≥ε©司 B 作(zuò)為(wèi)其競争對(duì)手®←↑€：若 B 公司比 A 公司大(dà)很(hěn)♠¥≤多(duō)（比如(rú) B 可(kě)能(néng)是(shì)₩♦₹÷行(xíng)業(yè)龍頭），那(nà)≈≠ 麽 A 公司提及 B 公司可(kě)能(néng)是(shì)很(hασěn)自(zì)然的(de)事(shì)，因而這(zh€∏≈è)種提及并沒有(yǒu)非常深刻的(de)寓意；另一(yī)種情況≥σ€是(shì) B 公司比 A 公司小(xiǎo)很(hěn)多(d>'•uō)，這(zhè)種情況下(xià)，A 公司提及 B 公司更可(kě)能(&¶∑ néng)是(shì)因為(wèi) A 公司的(de)管∞≥α理(lǐ)層注意到(dào)了(le) B 公←™司有(yǒu)一(yī)些(xiē)獨特的(de)✘π♥→、很(hěn)可(kě)能(néng)成功Ωπ 的(de)商業(yè)模式，因此這(zhè)一(yī)↓β✘提及包含著(zhe)對(duì) B 公€≠司基本面的(de)有(yǒu)用(yòng)且尚♣™∏Ω未被投資者充分(fēn)利用(yòng)的(de)預測信息。實證結果證實了(l"λ≤ e)上(shàng)述猜想，即競争關聯能(néng)夠預測股票(piào)收>↔↔ 益率，且第二種情況下(xià)的(de)預測☆↑§信息更高(gāo)。
究其內(nèi)在原因，公司間(jiān)關聯的(de♠♦σ↑)可(kě)預測性主要(yào)源于投資者對(duì)于關聯信息的☆®★∏(de)注意力缺乏，從(cóng)而導緻 ®↓的(de)反應不(bù)足（Huang et al♣. 2022）。這(zhè)種注意力不(bù)足可(kě←" λ)能(néng)表現(xiàn)為(wèi)兩∑∑∑←種主要(yào)形式。首先是(shì)信息溢出，即當關聯公司發布重要(☆♥♥₽yào)信息或有(yǒu)重大(dà)事($σλshì)件(jiàn)發生(shēng)時(shí)，這(★&&zhè)些(xiē)信息可(kě)能(néng)首先影(yǐng)響該公司的¥'"(de)股票(piào)價格。但(dàn)随後，與之密切'₹ε相(xiàng)關的(de)其他(tā)公司也(yě)可ε¶∞¥(kě)能(néng)受到(dào)影(♦≠•yǐng)響。這(zhè)是(shì)因為(wèi)市(shì)場✔♥(chǎng)參與者可(kě)能(néng)預期這(zhè)些(xi→"§ē)信息或事(shì)件(jiàn)也(yě)會(huìε§)對(duì)焦點公司産生(shēng)影(yǐng)響。其次是(shì) ≠≥£經濟效應溢出。當關聯公司的(de)經濟狀況發生(s← ♦ hēng)變化(huà)，如(rú)盈利增長(cháng)或下(xià)×降，這(zhè)種經濟變動可(kě)能(néng)會(h★≤uì)對(duì)焦點公司産生(shēng)溢出效應，特别是(shì)當÷它們在同一(yī)供應鏈中或在相(xiànδσ&g)同的(de)市(shì)場(chǎng)環境®™→下(xià)運營時(shí)。由于投資者沒有(yǒ™≥★u)充分(fēn)關注或理(lǐ)解這(zhè)些(xiē)企業€'(yè)之間(jiān)的(de)關聯性，導λ✔≠¥緻他(tā)們對(duì)相(xiàng)關信息的(de)反應不 ₩€(bù)足或滞後。這(zhè)種信息的(de)不(bù)完全反應δ₩•為(wèi)其他(tā)更為(wèi)敏感和(hé)知(zhī)φ£φ情的(de)投資者提供了(le)套利機(jī)會(huì)。進一(yī)步 ✔地(dì)，這(zhè)種企業(yè)間(jiān)的(de)關聯★效應還(hái)能(néng)為(wèi)公司的(≠§de)未來(lái)基本面變化(huà)提供預$≠測線索。
值得(de)注意的(de)是(shì)，這(zhè)類™α✔關于公司間(jiān)關聯的(de)數(shù)據♣£§在許多(duō)公開(kāi)渠道(dào)都(dōu)可(kě)以β≈輕松獲取，為(wèi)研究者提供了(le)深入研究和(hé)分(fē♦βn)析的(de)基礎。基于已有(yǒu)的(de)實證研究，公司間↔π(jiān)關聯效應在 A 股市(shì)場(chǎng)上(shàng)被☆φ證明(míng)具有(yǒu)很(hěn)好(hǎo)的(d•'↕e)應用(yòng)前景。
3.2 基金(jīn)隐含信息
公募基金(jīn)的(de)隐含信息在資産定價領域已成為β• ✘(wèi)一(yī)個(gè)重要(yào)的(♥δ∞ de)研究方向，它為(wèi)投資者提供了(le)關于未來(lá₽✘←←i)股票(piào)收益率的(de)潛在預測信息。在諸多(duō)隐藏π®β 信息之中，和(hé)基金(jīn)持倉以及基金(jīn)的(d÷™≈•e)資金(jīn)流入流出相(xiàng)ββ關的(de)信息尤為(wèi)重要(yào∑π≤λ)。
基金(jīn)的(de)持倉結構為(wèi)投資者提供了(le)一(yī)窺基"₹金(jīn)經理(lǐ)所持信息和(hé)看(kàn)法的(de)途徑。WΩ©ermers et al. (2012) 利用(yòng)基金≠✘↓(jīn)持倉數(shù)據以及基金(jīn)®≥←的(de)曆史表現(xiàn)等指标構造了(le© λ)個(gè)股收益率的(de)預測信号。該信号有(yǒu)效彙總了≤✘♠(le)跨基金(jīn)的(de)選股信息，捕捉了(le)基λ'金(jīn)經理(lǐ)在選股方面的(dφλe)集體(tǐ)智慧。和(hé)早期的(de)研究相(xiàng)α→→>比，該研究的(de)一(yī)個(gè)關鍵之處在于它同時(shí)考慮了(∏§'le)基金(jīn)經理(lǐ)的(de)技(jì)能(néε> ng)差異以及不(bù)同基金(jīn)之間(jiānδ≥)的(de)持有(yǒu)股票(piào)的(de)相£₽★∞(xiàng)似性，從(cóng)而更準确地(d₩✘¥¥ì)提取股票(piào)選擇的(de)信息。實證結果顯示，該信β✘→号和(hé)股票(piào)下(xià)期的(de)收益率在截面上(sh àng)成正比。
基金(jīn)流是(shì)指投資者的(de)資金(j₹ εīn)流入或流出基金(jīn)。當基金(jīn)經π↓&曆大(dà)量的(de)資金(jīn)流入$♠時(shí)，基金(jīn)經理(lǐ)可(kě)能α≠(néng)會(huì)購(gòu)買更多(duō)的(de)股票 β¶(piào)，這(zhè)反過來(lái)可($$kě)能(néng)會(huì)推高(gāo)這(zhè)些(x ≠€iē)股票(piào)的(de)價格。相(xiàn★>αg)反，當基金(jīn)流出時(shí)，基金(jīn)經理(lǐ)可 ∏ ¥(kě)能(néng)會(huì)出售股票(pià§λo)，導緻價格下(xià)跌。Lou (2012) 探討(t™∏←ǎo)了(le)資金(jīn)流動對(duì)股票(pi®γ "ào)回報(bào)預測性的(de)影(yǐng)響，并¶™λ為(wèi)公募基金(jīn)業(yè)績可(kě)持續性、``>×׶聰明(míng)錢(qián)''效應和(hé)股票(piào)價格動量這(zβ∏←<hè)些(xiē)典型事(shì)實提供了(le)解釋✔•≥δ。首先，該文(wén)通(tōng)過彙總全部基↑✔☆金(jīn)的(de)資金(jīn)流導緻的(de)交¶σ↑易信息，構建了(le)一(yī)個(gè)衡量個(g☆±®∞è)股需求沖擊的(de)指标。鑒于公募基金(jīn)的(de)資©€©金(jīn)流是(shì)高(gāo)度可(kě)✘✔預測的(de)，作(zuò)者進一(yī)步指出預期資金(jīn)流能('£néng)夠在未來(lái)一(yī)年(nián)×正向預測股票(piào)和(hé)基金(jīn)的(de)收β¶γ&益率，但(dàn)在随後的(de)年(nián)份會(huì)發生¥(shēng)逆轉。更重要(yào)的(de)是(shγ↔¶ì)，這(zhè)種基于資金(jīn)流的(de)效應能(néng)夠完全解≤' 釋公募基金(jīn)績效的(de)持續性``聰明(míng)錢(qδ♦®ián)"效應；而對(duì)于股票(pπ≤iào)價格的(de)動量，它也(yě)提供了(le)部分≥₩(fēn)解釋。
以上(shàng)簡要(yào)梳理(lǐ)了(le)✘¥₽當下(xià)資産定價研究的(de)第一(yī)個★ε∞§(gè)實證挑戰。我大(dà)概率不(bù)¶∞會(huì)再專門(mén)寫 2024 Ω♣ 年(nián)的(de)公衆号總結了(le)，所以各位小γ★↑(xiǎo)夥伴，我們 2025 的(de)第二個(gè)實證挑戰再σ★見(jiàn)了(le)。
參考文(wén)獻
Ali, U. and D. Hirshleifer (2020)₽₹¶. Shared analyst coverage: Unifyiφ"≈ ng momentum spillover effects. Journal of Financial Economics 136(3), 649-675.
Barber, B. M. and T. Od≠λean (2000). Trading is hazardous to y≥∞our wealth: The common stock investmen§±λ≥t performance of individua✔l investors. Journal of Finance 55(2), 773-806.
Boehmer, E., C. M. Jones, X. Zha↓≤ng, and X. Zhang (2021). Track<✘♣ing retail investor acti♠β∏ vity. Journal of Finance 76(5), 2249-2305.
Bybee, L., B. T. Kelly, and Y. Su (202®→± 3). Narrative asset pricing: Inter₹≈♥↑pretable systematic risk factors from ®±∞§news text. Review of Financial Studi♠≈↓es 36(12), 4759-4787.
Chen, H., P. De, Y. Hu, a"♠™nd B.-H. Hwang (2014). Wisdom of c✘>®₹rowds: The value of stock opinions tran±ε↓♣smitted through social media. Review of Financial Studies 27(5), 1367-1403.
Cohen, L. and A. Frazziniφ>' (2008). Economic links and pr<♥ ×edictable returns. Journal of Finance 63(4), 1977-2011.
Cohen, L. and D. Lou (20±£ ✔12). Complicated fir♦>∞×ms. Journal of Financial Economic♥♥γ↑s 104(2), 383-400.
Cohen, L., C. Malloy, and Q. Nguy★" ★en (2020). Lazy prices. Journal of Finance 75☆€"×(3), 1371-1415.
Cont, R., A. Kukanov, and S. Stoikov•↕× (2014). The price impacφ t of order book events. Journal of Financial Econometric¥$s 12(1), 47-88.
Da, Z., X. Huang, and L. J. Jin (2®α021). Extrapolative beliefs in ≥the cross-section: W•π™™hat can we learn from th♣♣✘e crowds? Journal of Financial Economics 140(1), 175-196.
Dessaint, O., T. Foucau™πlt, and L. Fresard (2024). Doe±™∞s alternative data improve fina← ncial forecasting? The horδ♠δ&izon effect. Journal of Finance 79(3), 2237-2287.
Eisdorfer, A., K. Froβ™ot, G. Ozik, and R. Sadk₩±a (2022). Competition links and↑Ωσ stock returns. Review of Financial Studies 35(9), 4300-4340.
Green, T. C., R. Huang✔₽→δ, Q. Wen, and D. Zhou (2019). ★÷ &Crowdsourced employer ☆₹αreviews and stock return©£™ s. Journal of Financial Ec≠¶onomics 134(1), 236-251.
Harvey, C. R., Y. Liu,¶• and H. Zhu (2016). ... and the crossπ"-section of expected returns £. Review of Financial Studies 29(1), 5-68.
Hou, K. (2007). Industry ≥information diffusion λα and the lead-lag effect in stock return✘≠s. Review of Financial Studies×¥ 20(4), 1113-1138.
Hou, K., C. Xue, and L. Zhang (2020). R★∑↓eplicating anomalies. Review of Financial Stud™ε×<ies 33(5), 2019-2133.
Huang, S., C. M. Lee, Y. S€$≤ong, and H. Xiang (2022). A♥★₹ frog in every pan: Information discre♥$φ♠teness and the lead-lag returns puzzle♠≥€. Journal of Financial Economics 1≈π∑σ45(2), 83-102.
Jiang, J., B. Kelly, an≈↑☆γd D. Xiu (2023). (Re-)Imag(in)ing priceφ→ trends. Journal of Finance 78(6), 3193-3249.
Lee, C. M. C., S. T. Sun, R. W✔σ✘ang, and R. Zhang (2Ω>019). Technological l≈γinks and predictableσβσ returns. Journal of Financial Economics 132(3), 76-96.
Lou, D. (2012). A flow-€based explanation for retur♥εn predictability. Review of Financial Studie£♥s 25(12), 3457-3489.
Obaid, K. and K. Pukthuanthong (↔λ✘£2022). A picture is wo™•βrth a thousand words: Meas®λuring investor sentiment by combin♠€ing machine learning and photos ≠≈☆from news. Journal of Financial ε'§Economics 144(1), 273-297.
Parsons, C. A., R. Sabbatucci, aγ§nd S. Titman (2020). Geographic lead-€"lag effects. Review of Financial ₹Studies 33(10), 4721-4770.
Wermers, R., T. Yao, and J. Z₽>hao (2012). Forecasting stock retur"≈¶ns through an efficient aggregation o↓<•f mutual fund holdings. Review of Financial Studies ↕§₹↑25(12), 3490-3529.
免責聲明(míng)：入市(shì)有(yǒu)風(fēng)險，投資需≥謹慎。在任何情況下(xià)，本文(wén)的(de)內(n↓< èi)容、信息及數(shù)據或所表述的(de)意見(jiàn)并γ¶ ™不(bù)構成對(duì)任何人(rén)的(d♦€>₩e)投資建議(yì)。在任何情況下(xià)，本 π∑♥文(wén)作(zuò)者及所屬機(jī)構不(b✔≥ù)對(duì)任何人(rén)因使用(yòng≠<≤)本文(wén)的(de)任何內(nèi)容所引$®↑↑緻的(de)任何損失負任何責任。除特别說(shuō)明(míng)外(®↔↓wài)，文(wén)中圖表均直接或間(jiān)接來(l¶↓ái)自(zì)于相(xiàng)應論文(wén)，僅為(wèi)介紹之用∞Ω§↔(yòng)，版權歸原作(zuò)者和(h♥∏¥é)期刊所有(yǒu)。