預期收益、成交量和錯誤定價之間的關(guān)系

1、簡介成交量在股票市場的價格發(fā)現(xiàn)、風險共擔和流動性提供方面發(fā)揮著重要作用。它影響著股票收益。成交量可能與投資者的分歧、波動性、流動性、投資者注意力、信息不對稱等有關(guān)。本文證實了存在一個成交量放大效應，并探索了成交量是如何影響股票收益的機制。文獻發(fā)現(xiàn)，錯誤定價集中在高成交量的股票中，因為預期回報在被低估股票中與成交量正相關(guān)，而在被高估股票中則是負相關(guān)。通過對 Stambaugh、Yu 和 Yuan（2015）的錯誤定價得分（MISP）和 1965 年 7 月至 2019 年 12 月的成交量進行 5X5 的獨立雙排序，在被低估股票中，月度 Fama 和 French（2015）五因子（FF5） 隨

2、成交量增加，從低成交量組合的-0.02%到高成交量組合的 0.51%。然而，在被高估的股票中，每月的 隨成交量減少，從低成交量組合的-0.28%到高成交量組合的-0.68%。低價減高價（UMO）組合的每月 在低成交量股票中為 0.26%，在高成交量股票中為 1.18%，其差異 0.93%（t=4.24）被稱為成交量放大效應。這些結(jié)果表明，成交量-回報關(guān)系是異質(zhì)性的，取決于錯誤定價的程度，而錯誤定價集中在高成交量股票中。除了 MISP 之外，本文還考慮了兩種替代的錯誤定價指標。第一個是 CAPM ，這是投資者在做出資本配置決策和評估基金經(jīng)理時使用的主要業(yè)績指標，如果一只股票的 CAPM 為負數(shù)，

3、則其價格過高，反之則價格過低。第二個是綜合 ，它是五個主流的資產(chǎn)定價因子模型的平均 。對 CAPM（綜合） 和成交量的雙重排序產(chǎn)生了與 MISP 和成交量的雙重排序類似的結(jié)果。成交量與那些已知的對錯誤定價有放大效應的變量不同（包括特異性波動率 IVOL、規(guī)模、非流動性、機構(gòu)比例、偏度和資本回報過剩）。在控制了這些競爭性變量后，成交量放大效應仍然顯著，本文的結(jié)果是穩(wěn)健的。首先，成交量放大效應是持續(xù)的，在投資組合形成后的兩年內(nèi)仍然強勁。第二，雖然本文主要依靠獨立排序，但本文通過使用 NYSE 的分界點和順序排序發(fā)現(xiàn)了類似的結(jié)果。第三，雖然本文的主要分析集中在除微型股以外的所有股票，但成交量放大效應

4、也適用于微型股。最后，本文的結(jié)果對成交量的三種替代指標也是穩(wěn)健的。為了理解潛在的經(jīng)濟機制，Atmaz 和Basak（2018）把對一只股票的平均預期偏差（投資者預期偏差的截面平均值）和投資者的分歧（預期偏差的標準差）放在一起考慮。在均衡狀態(tài)下，在好消息之后，樂觀的投資者的信念得到支持，并通過對股票的投資變得相對更富有，這反過來又增加了他們在平均預期偏差中的權(quán)重，使得對股票的整體看法更加樂觀。同樣地，在壞消息之后，對股票的整體看法變得更加悲觀。此外，Atmaz 和Basak（2018）表明，投資者的分歧對平均預期偏差有放大作用。當平均偏差為正時，它與分歧正相關(guān)，分歧的增加會導致更多的樂觀情緒，這

5、意味著分歧與回報的關(guān)系為負。相反，當平均偏差為負值時，它意味著一個正的分歧-回報關(guān)系。當投資者的平均預期有偏差時，投資者的分歧會放大錯誤定價。本文的主要發(fā)現(xiàn)是成交量放大了錯誤定價，如果成交量捕捉了投資者的分歧，而 MISP 捕捉了投資者的預期偏差，則與Atmaz 和Basak（2018）的模型一致。在本文中，分析師的預測偏差集中在高成交量的股票中，并且在考慮了分析師回報（或盈利）預測分散性的放大效應后，成交量放大效應被大幅削弱。本文還分析了成交量放大效應對投資的影響。本文著重使用 FF5 來評估異?；貓?。但 MISP 的投資組合策略很可能產(chǎn)生 FF5 無法解釋的異常回報。另一方面，如果該策略的

6、回報能被Stambaugh 和Yuan（2017）的四因子模型（SY4）解釋，那么該策略可能不會增加任何投資價值，因為投資者可以用四個因子代替交易。因此，成交量放大效應（或任何其他相關(guān)的異常效應）應該通過使用解釋錯誤定價得分的相應因子模型來評估。在本文中，成交量放大效應相對于 SY4 仍然是顯著的，但它在經(jīng)濟上和統(tǒng)計上都比較弱。原因是本文對成交量放大效應的衡量與 MISP 有關(guān)，因此在一定程度上受到底層因子的影響。例如，如果本文使用另一種衡量錯誤定價的方法，如來自 SY4 模型本身的公司層面的 ，成交量放大效應會變得更強。簡而言之，從投資的角度來看，成交量與錯誤定價得分一起可以識別更多的被低估

7、和被高估股票，其經(jīng)濟價值超過了原始交易因子。數(shù)據(jù)從CRSP 獲得1963 年7 月至2019 年12 月的月度股票回報，包括所有在NYSE、 AMEX 和 NASDAQ 上市的美國普通股票（CRSP 股票代碼為 10 或 11），在每個月剔除沒有可驗證前日價格的股票，沒有在當前交易所交易的股票，以及因價格缺失而缺失回報的股票。還剔除了投資組合形成時價格低于 5 美元的股票，微型股只占總市值的 3%，但占股票數(shù)量的 60%，本文不考慮微型股，最后總樣本有大約 998,000個月觀察值。關(guān)于成交量，使用過去三個月的平均換手率來衡量交易情況（在回歸中使用對數(shù)換手率以減少對偏度的擔憂），每月的換手率是

8、指一個月內(nèi)成交的股票數(shù)量除以月底的流通股數(shù)量。關(guān)于錯誤定價得分（MISP），這是一個從 1 到 100 的排名變量，高值表示定價過高，低值表示定價過低。這個衡量指標通過對一個股票的 11 種異象排名百分位數(shù)進行平均，來反映股票的錯誤定價，包括股票凈發(fā)行、股票總發(fā)行、應計費用、凈營運資產(chǎn)、資產(chǎn)增長率、資產(chǎn)投資比率、財務困境、O-score、動量、總利潤率和資產(chǎn)回報率等。實證結(jié)果成交量-回報關(guān)系取決于錯誤定價，在定價過低的股票中為正，在定價過高的股票中為負。因此錯誤定價集中在高成交量的股票中。錯誤定價與成交量在每個月的月底，本文用 MISP 和成交量的雙重排序形成 5X5 的組合，對這 25個 M

9、ISP-成交量分組用市值加權(quán)形成投資組合持有一個月。圖表 1 列出了本文的主要發(fā)現(xiàn)。在定價過低的股票中，平均回報隨著成交量而增加，從低成交量組合的 0.61%到高成交量組合的 1.01%，其中高-低（H-L）組合的平均回報等于 0.40%（t=1.89）。在價格過高的股票中，平均回報隨成交量單調(diào)下降，從低成交量組合的 0.35%到高成交量組合的-0.25%，其中 H-L 組合的平均回報等于-0.59%（t=-2.36）。對于 MISP相對中等的股票，H-L 組合的平均回報不為 0，但也不顯著。圖表 1 各組合的平均回報和 （左）以及 UMO 組合的平均回報和 FF5（右）根據(jù)左圖的 A 組，成

10、交量-回報關(guān)系在被低估股票中為正，在被高估股票中為負。低估減高估（UMO）組合在高成交量五分位數(shù)中遠遠高于低成交量五分位數(shù)中。具體來說，UMO 組合在低成交量組的差異為 0.27%（t=1.92），在高成交量組中的差異為 1.26%（t=6.58），后者是前者的四倍，這一點在右圖中得到了生動的描述。在控制了 MISP 之后，H-L 組合的平均回報 0.08%（H-L 列的平均）接近于 H- L 組合在成交量上的單一排序的不顯著的平均回報 0.03%（t=0.14）。這一發(fā)現(xiàn)解釋了為什么在無條件的情況下無法檢測到顯著的成交量-回報關(guān)系。為了研究風險是否能解釋成交量-回報關(guān)系，圖表 1 的左圖 B

11、 組報告了 25 個MISP-成交量組合的FF5 值。與A 組類似，在被低估股票中，F(xiàn)F5 從低成交量組合的-0.02%增加到高成交量組合的 0.51%，兩者之差等于 0.53%（t=3.16）。相反，在被高估的股票中，F(xiàn)F5 的 值從低成交量組合的-0.28%下降到高成交量組合的- 0.68%，差異相當于-0.39%（t=-2.16）。對于 Q2 和 Q3 的 MISP 的股票，F(xiàn)F5 也普遍隨成交量上升，而且 H-L 組合的 FF5 明顯為正。綜合來看，低成交量 UMO 組合的 FF5 為 0.27%，高成交量 UMO 組合為 1.26%，其差異被稱為成交量放大效應，等于 0.93%（t=

12、4.24）。圖表 1 的右圖顯示了不同成交量的 UMO 組合的FF5，表明高成交量股票的錯誤定價比低成交量股票要強得多。C 組報告了 Hou、Xue 和 Zhang（2015）的 Q 因子 。介于因子的可獲得性，該小組的樣本期為 1967 年 1 月至 2019 年 12 月。結(jié)果與 B 組相似，成交量-回報關(guān)系在被低估股票中為正，在被高估股票中為負。因此，錯誤定價集中在高成交量的股票中。由于錯誤定價是隨時間變化的，本文預計成交量放大效應也會隨時間波動。另外，Schwert（2003）等人的研究表明，大多數(shù)的異?，F(xiàn)象在學術(shù)論文發(fā)表后會減弱或消失。一個自然的問題是這種衰減模式是否適用于成交量放大

13、效應。首先，本文計算 UMO 投資組合在每一年內(nèi)的月平均回報和 FF5，并在圖表 2 中繪制時間序列動態(tài)圖，其中第 t 年的 FF5 是來自 UMO 投資組合回報對 FF5 因子的全樣本回歸平均定價誤差（即截距加第t 年內(nèi)的平均殘差）。本文用十年滾動窗口法對一個月前的股票回報與 MISP、成交量及其交互作用進行了 Fama-MacBeth 回歸。圖表 3 顯示了交互作用的回歸系數(shù)，它代表了回歸中的成交量放大效應。這兩張圖顯示，成交量放大效應從 1980 年開始增加，在 2003 年達到最大值，此后下降，在過去兩年變得不明顯了，可能的原因是“SarbanesOxley Act”的通過，SEC 加

14、快了 10-Q 和 10- K 的報告要求，以及 NYSE 引入了自動報價，這導致利用錯誤定價的成本下降。此外，計算能力的提高也可能抑制了套利成本和錯誤定價。圖表 2 隨時間變化的月度 UMO 回報以及 FF5圖表 3 隨時間變化的交互作用的回歸系數(shù)最近的研究表明套利成本是驅(qū)動微型股錯誤定價的一個主導因子。這也是本文的主要分析剔除微型股的原因。當把同樣的 MISP-成交量雙排序應用于微型股時，本文發(fā)現(xiàn)微型股的錯誤定價幅度要比非微型股的大。更重要的是，成交量-回報關(guān)系與圖表 1 左圖保持一致。簡而言之，本小節(jié)發(fā)現(xiàn)成交量-回報關(guān)系在定價過低的股票中是正的，在定價過高的股票中是負的，這種異質(zhì)性的關(guān)系

15、意味著錯誤定價集中在高成交量的股票中。其他錯誤定價指標由于成交量-回報關(guān)系關(guān)鍵取決于 MISP，因此了解結(jié)果對其他錯誤定價指標的敏感度是非常有用的。下面本文考慮兩種類型的 指標，它們比 MISP 更容易計算。第一個是CAPM ，第二種是綜合 ，后者是主流的五個因子模型的平均 ，包括 CAPM 模型、Fama-French 三因子模型、Fama-French 三因子加動量因子模型、Fama-French 五因子模型以及Hou, Xue, and Zhang (2015) q 因子模型。本文用各個因子模型的過去兩年的觀察值來估計每個股票的月度 。理論上，負的 表示定價過高，正的 表示定價過低。和上

16、一節(jié)一樣，本文用 CAPM（綜合） 和成交量的獨立雙排序形成5X5 的投資組合。所有的投資組合都是按市值加權(quán)的，月度調(diào)倉。圖表 4 的A 組報告了按 CAPM 和成交量排序的投資組合的FF5 值。與圖表1 類似，在正的 CAPM （被低估）股票中，F(xiàn)F5 從低成交量組合的 0.16%增加到高成交量組合的 0.62%，差異等于 0.46%（t=2.41）。在負 CAPM （被高估）的股票中，F(xiàn)F5 從低成交量組合的-0.19%下降到高成交量組合的-0.60%，差值為-0.41%（t=-2.35）。因此，positive-minus-negative alpha（PMN）組合的 FF5 隨著成交量

17、單調(diào)增加，從低成交量股票的 0.34%（t=1.55）到高成交量股票的 1.22%（t=5.58）。因此，成交量放大效應等于 0.87%（t=3.71），意味著錯誤定價集中在高成交量股票中。圖表 4 各組合的 FF5 值（按 CAPM 和成交量排序）圖表 4 的B 組報告了按綜合 和成交量排序的投資組合的 FF5。顯然，F(xiàn)F5在具有正的綜合 的股票中隨成交量增加，但在具有負的綜合 的股票中隨成交量減少。因此， PMN 組合的 FF5 從低成交量組合的 0.26%（t=1.32）單調(diào)地增加到高成交量組合的 1.11%（t=5.60）。在這種情況下，成交量放大效應為 0.85%（t=3.83）。綜

18、合來看，當使用其他錯誤定價指標時，成交量放大錯誤定價的結(jié)論仍然存在。本文的方法可以進一步擴展到非線性模型。原因是 可以被定義為任何資產(chǎn)定價模型： = (+1) (+1+1),(1)其中+1是隨機貼現(xiàn)因子，+1是超額回報。從理論上講，如果一只股票的 是正的，那么它的價格就是被低估的，否則就是被高估的。一個自然的問題是，在與成交量的互動中，CAPM（綜合） 或 MISP 是否捕捉到更多的信息。為了解決這個問題，本文對 MISP 和CAPM 進行了雙重排序。結(jié)果表明，就超額回報而言，CAPM 的預測能力被 MISP 所取代?？偠灾疚牡闹饕l(fā)現(xiàn)是，成交量放大了錯誤定價，這對其他錯誤定價指標依舊是

19、穩(wěn)健的。其他放大效應IVOL、規(guī)模、非流動性和機構(gòu)持有比率被認為是套利成本的衡量標準，對錯誤定價有放大作用。有研究表明，前景理論驅(qū)動的偏度和資本回報過剩，加上股票波動性，可以解釋十幾種異常現(xiàn)象。因此，一個重要的問題是，在控制了這些競爭性變量的影響后，成交量放大效應是否仍然存在。本文應用兩種方法來解決這個問題。第一種方法是使用流行的三重排序，每一次控制其中一個效應。本文主要研究了控制 IVOL 和規(guī)模效應的結(jié)果。本文有三個觀察結(jié)果。首先，成交量放大效應沒有被 IVOL 效應所淹沒。在低 IVOL 股票中，F(xiàn)F5值為 0.50%（t=2.35），在高 IVOL 股票中為 1.29%（t=4.26）

20、。第二，在控制了規(guī)模效應之后，成交量放大效應仍然很強。在小型股中為 0.55%（t=2.35），在大型股中為 0.84%（t=3.58），后者比前者大約 50%。這一結(jié)果意味著成交量不太可能歸因于套利成本或財務限制，而這些因子在小型股中通常更強。第三，異質(zhì)的成交量-回報關(guān)系在被低估股票中仍然顯著，但在控制了 IVOL 或規(guī)模效應后，在被高估股票中總體上變得不顯著了。例如，在被低估大型股中，F(xiàn)F5 值從低成交量組合的-0.05%增加到高成交量組合的 0.47%。相反，在被高估大型股中，雖然相應的數(shù)值隨著成交量上升有所下降，但高成交量組合和低成交量組合之間的差異只有-0.31%，而且不顯著。這一結(jié)

21、果似乎表明，雖然成交量在被高估股票中可能包含與 IVOL 和規(guī)模重疊的信息，但在被低估股票中卻超越了它們，包含了獨特的信息。第二種方法是使用調(diào)整后的成交量。具體來說，每個月本文首先估計調(diào)整后的成交量，定義為成交量對一個或多個放大變量的橫截面回歸的殘差，然后對 MISP 和調(diào)整后的成交量應用先前的雙重排序。與三重排序方法相比，調(diào)整后的成交量方法使本文能夠同時控制多種放大效應。圖表5 的A 組報告了25 個經(jīng)MISP 調(diào)整的成交量組合在控制IVOL 后的FF5。圖表 1 中顯示的成交量-回報模式繼續(xù)保持，但是比較弱。主要原因是在控制了 IVOL效應后，成交量-回報關(guān)系在被高估股票中變得不明顯了。盡

22、管如此，被高估股票中錯誤定價的幅度仍然比被低估股票中的大得多。高成交量 UMO 組合的FF5 為 0.87%（t=5.05），低成交量 UMO 組合為 0.40%（t=2.96），成交量放大效應等于 0.46%（t=2.24）。簡而言之，在控制了 IVOL 之后，成交量放大效應仍然是顯著的。在 B組同時控制 IVOL 和規(guī)模效應時，得到了幾乎相同的結(jié)果。在 C 組中，本文同時控制了 IVOL、規(guī)模、非流動性和機比率，而在 D 組中，本文又加入了偏度和未實現(xiàn)資本收益。在這兩組中，本文發(fā)現(xiàn)比 A 組和B 組更強的結(jié)果。例如，在 A 組中，當單獨控制 IVOL 時，成交量放大效應為 0.46%，而當

23、同時控制所有六個放大變量時，則為 0.70%。原因是成交量放大效應自 20 世紀 80 年代以來變得更強，而由于數(shù)據(jù)的可獲得性，C 組和 D 組的起始期是 1980 年 3 月。總的來說，IVOL 似乎是最有可能削弱成交量放大效應的變量?？傊m然在控制了其他錯誤定價放大變量后，成交量放大效應在一定程度上被削弱，但它在統(tǒng)計上和經(jīng)濟上仍然是顯著的。圖表 5 各組合的 FF5 值（按 MISP 和調(diào)整后的成交量排序）成交量放大效應的持續(xù)時間圖表 6 列出了 25 個 MISP-volume 投資組合在 t+6、t+12、t+24、t+36、t+48 和 t+60 月的 FF5（t 為投資組合形成月

24、）。結(jié)果表明，成交量放大效應隨時間逐漸衰減，并持續(xù)到未來兩年。例如，t+6 月的成交量放大效應為 0.82%（t=3.86），t+24月為 0.41%（t=1.87），然而，在 t+36 之后，成交量放大效應完全消失了。圖表 6 各組合在各時間點的 FF5（按 MISP 和成交量排序）替代的成交量指標出于不同的研究目的，成交量可以有不同的衡量方法。這里本文回顧了五個主要的替代指標，其中三個衡量交易活動的水平，兩個衡量交易活動水平以外的信息。第一個是基于交易的成交量。參考 Conrad, Hameed, and Niden (1994) 的定義，將 trading volume 定義為成交筆數(shù)的

25、增長率，再根據(jù) MISP 和交易量的每月增長情況對股票進行分類。圖表 7 的 A 組顯示，前文的主要結(jié)果對這個替代指標是穩(wěn)健的。低成交量 UMO 組合的 FF5 為 0.38%，高成交量 UMO 組合為 0.84%，成交量放大效應等于 0.46%（t=1.90）。Expected return, volume, and mispricing第二個是盈余公告調(diào)整后的成交量。He and Wang (1995) 發(fā)現(xiàn)在盈余公告發(fā)布期間，股票成交量會大幅上升，因此在計算成交量時排除了盈余公告前后三天的成交量。B 組顯示，結(jié)果與圖表 1 相似。第三種是基于其他回溯期。當使用過去 6 個月的平均換手，而

26、不是根據(jù)過去 3個月的平均換手來定義成交量時。圖表 7 的C 組顯示，這種方法產(chǎn)生的結(jié)果與過去三個月的結(jié)果相似。在其他回溯期的情況下，結(jié)果類似。第四種是異常成交量或?qū)Τ山涣康臎_擊。對于每只股票，本文通過比較其當月最后一周的成交量和之前九周的平均成交量，給它打了一個從 1 到 5 的得分，5 代表高成交量沖擊。然后，將成交量沖擊得分與 MISP 結(jié)合起來，做一個獨立的雙重排序，形成 25 個投資組合。由于高異常成交量的股票可能與低異常成交量的股票具有相同的成交量水平，本文并不預期 MISP 與異常成交量之間的互動產(chǎn)生與 MISP與成交量水平之間的互動相同的模式。事實上，圖表 7 的D 組顯示，無

27、論股票是高價還是低價，異常成交量-回報關(guān)系總是正的。第五種是美元成交量。其衡量標準是當月交易的股票乘以股票價格。Brennan,Chordia, and Subrahmanyam (1998)發(fā)現(xiàn)回報和美元成交量之間存在負相關(guān)，并將后者歸結(jié)為流動性的代表。圖表 7 的 E 組報告了對 MISP 和美元成交量進行雙重排序的結(jié)果。有兩個觀察結(jié)果。首先，在 MISP 的條件下，美元成交量對未來股票回報沒有任何預測能力。第二，在低美元成交量和高美元成交量的股票之間，錯誤定價沒有明顯的區(qū)別。因此，不存在美元成交量的放大效應。總而言之，成交量的前三個替代指標中，成交量放大效應繼續(xù)存在，但對于異常成交量和美

28、元成交量來說，它消失了。結(jié)果的解釋Atmaz 和 Basak（2018）把對一只股票的平均預期偏差和投資者的分歧放在一起考慮，并把它們定義為投資者預期偏差的橫截面平均值和標準差。在均衡狀態(tài)下，在好消息之后，樂觀的投資者的信念得到支持，并通過對股票的投資變得相對更富有，這反過來又增加了他們在平均預期偏差中的權(quán)重，使對股票的整體看法更加樂觀。同樣地，在壞消息之后，對股票的整體看法變得更加悲觀。此外，Atmaz 和 Basak（2018）表明，投資者的分歧對平均預期偏差有放大作用。當平均偏差為正時，它與分歧正相關(guān)，分歧的增加會導致更多的樂觀情緒，這意味著分歧與回報的關(guān)系為負。相反，當平均偏差為負值時

29、，它與分歧呈負相關(guān)，分歧的增加導致更多的悲觀，意味著分歧與回報的正相關(guān)?？傊顿Y者的分歧本身并不產(chǎn)生錯誤定價，但當投資者的平均預期有偏差時，它可以放大錯誤定價。在本文的背景下，如果成交量衡量投資者的分歧，而 MISP 衡量投資者的預期偏差，那么異質(zhì)的成交量-回報關(guān)系與 Atmaz和 Basak（2018）一致。投資者的分歧本文用分析師回報預測的截面標準差來衡量回報預測的分散性，其中股票的回報預測被定義為分析師在 t 月預測的未來 12 個月的目標價格除以 t 月初的實際股票價格。類似地，用分析師的盈利預測的截面標準差來衡量盈利預測的分散性?；貓箢A測分散度的樣本期為 1999 年 4 月至 2

30、019 年 12 月，盈利預測分散度的樣本期為1982 年 5 月至 2019 年 12 月。圖表 8 交易量與投資者分歧的關(guān)系圖表 8 的 A 組列出了 25 個 MISP-成交量組合的市值加權(quán)回報預測分散度和盈利預測分散度。在每個 MISP 五分位數(shù)中，兩種分散度都隨著成交量的增加而增加。例如，回報預測分散度在被低估股票中從 8.48%增加到 13.70%，在被高估股票中從9.29%增加到 20.50%。而且，在高成交量的股票中，這兩種分散度嚴格來說比低成交量的股票大。即投資者的分歧對投資者的預期偏差有放大作用。在 B 組中，評估了回報或盈利預測的分散性是如何影響成交量放大效應的，通過 F

31、ama-MacBeth 回歸來解決這個問題?；貧w 1 到 4 是關(guān)于回報預測的分散性，回歸 5 到 8 是關(guān)于盈利預測的分散性。具體來說，回歸 1 將一個月前的股票回報回歸到 MISP、成交量和它們的交互作用上，并在 MISP 和成交量的交互作用上得到一個明顯的負回歸系數(shù)（即成交量放大效應），從而再次證實了圖表 1 中的成交量對錯誤定價的放大作用?；貧w 2 用 IVOL 代替了成交量，MISP 和 IVOL 之間的交互作用也出現(xiàn)了負的系數(shù)。這個結(jié)果有兩種解釋。首先，正如 Stambaugh, Yu, and Yuan (2015)所認為的，IVOL 捕捉了套利成本并加劇了錯誤定價。第二，根據(jù)

32、Atmaz 和 Basak（2018）的觀點，IVOL 也可以由投資者的分歧驅(qū)動?；貧w 3 是對 Atmaz 和Basak（2018）的直接檢驗，表明回報預測分散度在預測未來股票回報方面有很強的能力，在價格過低的股票中為正，在價格過高的股票中為負?；貧w 4 是一般情況。當同時考慮成交量、IVOL 和分歧時，MISP 與成交量和 IVOL 的交互作用的回歸系數(shù)分別變得不顯著和略微顯著。相比之下，MISP 與回報預測分散性的交互作用保持相對穩(wěn)定。這一結(jié)果表明，分歧放大效應幾乎取代了成交量和 IVOL 放大效應，并為 Atmaz 和 Basak（2018）提供了支持，即成交量和 IVOL 都可能由投

33、資者的分歧驅(qū)動?；貧w 5 和 6 重復了回歸 1 和 2 中的檢驗，但將樣本期延長了近 20 年至 1982年。在這個延長的時期內(nèi)，成交量和 IVOL 的放大效應都變得更強，它們與 MISP 的交互作用的回歸系數(shù)更大?；貧w 7 用盈利預測分散性代替了回報預測分散性，得到的結(jié)果與回歸 3 類似。在回歸 8 中，如果同時考慮，成交量和 IVOL 的放大效應被大大削弱，盡管它們?nèi)匀皇秋@著的，錯誤定價與成交量和 IVOL 的交互作用的回歸系數(shù)分別從-0.68 降至-0.43 和從-0.85 降至-0.49，與盈利預測分散性的相應值也會減少，但幅度較小。圖表 8 表明，成交量和 IVOL 可以作為投資者

34、分歧的代用指標，在控制了分析師的回報或盈利預測分散度后，它們對股票回報的影響被大大削弱。投資者的預期偏差現(xiàn)在考慮一下 MISP 和投資者預期偏差之間的聯(lián)系。在本節(jié)中，本文檢驗了 Atmaz 和 Basak（2018）的兩個定義。第一個定義是關(guān)于橫截面的預期偏差，它被定義為已實現(xiàn)的回報減去分析師預測的中位數(shù)除以股票價格。在那些更有可能經(jīng)歷負面消息的被低估股票中，預期偏差更有可能被悲觀的投資者所主導。因此，分析師的事后預測誤差預計是正的，成交量/投資者的分歧越大，預測誤差越正（即預期偏差越負）。同樣，在被高估股票中，本文預計成交量越大，預測誤差越負（即預期偏差越正）。圖表 9 MISP 與分析師預

35、測偏差的關(guān)系Expected return, volume, and mispricing，圖表 9 的A 組報告了 25 個 MISP-volume 組合的分析師預測誤差。正如預期的那樣，預測誤差在被低估股票中是正值，在被高估股票中是負值。這一發(fā)現(xiàn)表明，投資者對被低估股票持悲觀態(tài)度，對被高估股票持樂觀態(tài)度。也就是說，當成交量增加時，預期偏差在被低估股票中變得更加消極，在被高估股票中變得更加積極。因此，極端的預測偏差集中在高成交量/分歧的股票中，即 MISP 捕捉到了個人投資者的平均預期偏差。第二個定義是關(guān)于時間序列中的預期偏差。由于預期偏差是由投資者的分歧驅(qū)動的，而且它隨時間變化，本文預計成

36、交量放大效應也是隨時間變化的。本文使用投資者情緒指數(shù)來代理總預期偏差，并研究成交量放大效應在高（低）情緒期的變化，其中高（低）情緒月是指前一個月月底 Baker 和 Wurgler（2006）的正交情緒指數(shù)值高于（低于）1965 年 7 月至 2018 年 12 月樣本期間的中值。對于 25 個 MISP- volume 組合中的每一個，本文進行以下回歸：, = , + , + + + + + + ,(2)其中,和,是虛擬變量，表示 t 月份的高情緒期或低情緒期。圖表 10 展示了，和 的估計值。正如預期的那樣，被高估股票中負的成交量-回報關(guān)系在高情緒期更為明顯。在 A 組的被高估股票中，F(xiàn)F

37、5 值隨著成交量單調(diào)下降，從低成交量組合的-0.14%到高成交量組合的-0.93%，差異為-0.79%（t=-3.17）。相比之下，B 組的被高估股票中的低情緒期之后，F(xiàn)F5 值并沒有單調(diào)下降，高成交量組合和低成交量組合之間的FF5 值為-0.01%（t=-0.04），可以忽略不計，即被高估股票主要集中在高情緒期。圖表 10 情緒高低時期的成交量放大效應，有趣的是，被低估股票的成交量-回報關(guān)系在高情緒和低情緒時期都是顯著的。在情緒高漲時期，成交量的放大效應也更強。在高情緒時期，在被低估股票中，F(xiàn)F5的 值從低成交量組合的0.03%增加到高成交量組合的0.70%，兩者之差等于0.67%（t=2.

38、34）。相反，在情緒低落時期，F(xiàn)F5 的 值從低成交量組合的-0.07%增加到高成交量組合的 0.39%，差值為 0.46%（t=2.14）。圖表 10 的 C 組顯示了 A 組和 B 組之間的差異。UMO 投資組合在高情緒期和低情緒期的 FF5 差異在低成交量股票中是-0.19%，在高成交量股票中是 0.82%。因此，成交量放大效應在高情緒時期比低情緒時期強，且被高估股票的成交量放大效應更強。對成交量的外生沖擊美國證券交易委員會（SEC）自 2000 年 10 月 23 日起實施了公平披露條例（Reg FD），禁止公司在公告前向部分市場參與者披露重要信息。Bailey 等發(fā)現(xiàn)，在 Reg F

39、D 引入后，成交量和投資者的分歧在公告日附近上升，在小型、信息貧乏和不盈利的公司中尤為明顯。他們的結(jié)論是，Reg FD 損害了金融分析師在解釋盈利信息方面形成意見和達成共識的能力，從而增加了分歧，刺激了成交量。在這個意義上， Reg FD 為本文提供了一個獨特的環(huán)境來評估成交量的外生增長如何影響成交量放大效應。本文將 2000 年 10 月定義為事件月，將 Reg FD 后（前）時期定義為 2000 年 11 月至 2001 年 10 月（1999 年 10 月至 2000 年 9 月）。通過面板回歸來說明成交量放大效應在 Reg FD 之后的時期是否變得更強。為了進行研究，本文定義了一個虛擬

40、變量，在后Reg FD 時期等于 1，否則等于 0。對于所有的面板回歸，控制了公司的特征，如規(guī)模和賬面市值。圖表 11 Reg FD 外生影響，將分析師的回報預測分散性作為投資者分歧的衡量標準，圖表 11 中 A 組的前兩列顯示，在實施 Reg FD 后，成交量和投資者分歧明顯增加。在 Reg FD 之后的時期，成交量和投資者分歧分別增加了 1%和 3.7%，這都是非常顯著的。然后，為了研究 Reg FD 是如何影響成交量放大效應的，本文進行了以下的面板回歸：,+1 = 1, + 2, + 3, , + 4, , + 5,+ 6, , + 7, , +, + + + 0 + ,+1(3)4代表了由于實施 Reg FD 而導致的成交量放大效應的增加，并且預計會顯著為負。虛擬變量和是公司和時間的固定效應。除了公司特征，本文還控制了 IVOL效應，因為它是最可能削弱成交量放大效應的變量。結(jié)果在圖表 11 的第四列中，4為-0.314（t=-5.91），表明后 Reg FD 時期的成交量放大效應在統(tǒng)計上強于前 Reg FD 時期。對投資的