版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、正文目錄 HYPERLINK l _TOC_250011 簡介 4 HYPERLINK l _TOC_250010 信息消化指標(biāo) 6 HYPERLINK l _TOC_250009 信息消化和原始指標(biāo) 6 HYPERLINK l _TOC_250008 預(yù)期信息消化(EIC) 8 HYPERLINK l _TOC_250007 EIC=1 股票的特征 10 HYPERLINK l _TOC_250006 EIC 和資產(chǎn)價(jià)格 12 HYPERLINK l _TOC_250005 回報(bào)溢價(jià) 12 HYPERLINK l _TOC_250004 交易策略 13 HYPERLINK l _TOC_25
2、0003 對基于風(fēng)險(xiǎn)的解釋的支持 14 HYPERLINK l _TOC_250002 其他解釋 18 HYPERLINK l _TOC_250001 4 結(jié)論 19 HYPERLINK l _TOC_250000 風(fēng)險(xiǎn)提示: 19圖表目錄圖表 1 描述性統(tǒng)計(jì) 7圖表 2 AIA 關(guān)于信息變量的邏輯回歸 8圖表 3 四個(gè)事前預(yù)期信息消化變量的統(tǒng)計(jì) 9圖表 4 PANEL A:關(guān)于 EIC 的邏輯回歸(EIC_PEER) 10圖表 5 PANEL B:關(guān)于 EIC 的邏輯回歸(EIC_MACRO 和 EIC_FOMC) 11圖表 6 股票收益率與 EIC 的面板回歸 12圖表 7 PANEL A
3、:結(jié)合公司預(yù)定事件日的 EIC 交易策略 13圖表 8 PANEL B:結(jié)合宏觀事件日的 EIC 交易策略 14圖表 9 預(yù)期信息消化(EIC)和公司 BETA 15圖表 10 預(yù)期信息消化(EIC)和 CAPM 15圖表 11 在 EIC 和 FOMC 不同取值的樣本中 CAPM 模型的表現(xiàn) 16圖表 12 風(fēng)險(xiǎn)溢價(jià)和 CAPM 系數(shù)-子樣本分析 17圖表 13 基于 FAMA-FRENCH 和 DGTW 特征調(diào)整的累積風(fēng)險(xiǎn)調(diào)整收益結(jié)果 18簡介信息如何被納入資產(chǎn)價(jià)格是金融學(xué)中最基本的問題之一。長期以來,人們都認(rèn)為風(fēng)險(xiǎn)溢價(jià)應(yīng)該在信息得到處理、消除不確定性并促進(jìn)系統(tǒng)性價(jià)格變動的日子里產(chǎn)生(來自
4、 Beaver(1968),Kalay 和 Loewenstein(1985)。然而,盡管這一觀點(diǎn)長期以來被認(rèn)可,但人們對這些風(fēng)險(xiǎn)溢價(jià)和 CAPM 模型在預(yù)定信息事件(scheduled information events)(如公司盈利發(fā)布會,宏觀經(jīng)濟(jì)公告)中的表現(xiàn)重新產(chǎn)生了興趣。根據(jù)Savor 和Wilson(2016)的觀點(diǎn),對信息溢價(jià)的基于風(fēng)險(xiǎn)的解釋依賴于這樣一個(gè)前提:來自公告公布公司的信息傳達(dá)了關(guān)于相關(guān)公司的現(xiàn)金流情況和宏觀經(jīng)濟(jì)。在這種觀點(diǎn)下,投資者從新聞中學(xué)習(xí)并解決一個(gè)信號提取問題,以確定公告公布公司的現(xiàn)金流信息實(shí)際上有多少是系統(tǒng)性的。如果信息溢出發(fā)生了,并且相關(guān)公司產(chǎn)生了風(fēng)險(xiǎn)溢價(jià)
5、,那么這個(gè)溢價(jià)應(yīng)該小于公告公布公司的溢價(jià)。在本文中,我們衡量了當(dāng)投資者解決信號提取問題時(shí),這種信號的交叉學(xué)習(xí)對相關(guān)公司的資產(chǎn)價(jià)格的影響程度。在Savor 和 Wilson(2016)的研究基礎(chǔ)上,我們猜想交叉學(xué)習(xí)期間獲得的風(fēng)險(xiǎn)溢價(jià)應(yīng)該在其精度上單調(diào)遞增。我們提出了這種類型的信息處理的新衡量指標(biāo),以確定公司何時(shí)對同行相關(guān)公告和宏觀經(jīng)濟(jì)公告更加敏感。從經(jīng)驗(yàn)上看,本文表明單個(gè)公司的信息消化經(jīng)常被同行公司的新聞發(fā)布和其它宏觀新聞事件所觸發(fā),即使該公司本身沒有發(fā)布新聞(即該公司有一定的異常機(jī)構(gòu)關(guān)注(AIA),Ben-Raphael, Da 和 Israelsen(2017)提出)。這種信息消化可能是公告
6、期間同行公司間交叉學(xué)習(xí)的一個(gè)很好的典例。為了研究這對價(jià)格的影響,我們構(gòu)建了一個(gè)名為預(yù)期信息消化(EIC)的事前指標(biāo)。如果一個(gè)公司的信息消化在過去同行公司發(fā)布新聞或宏觀經(jīng)濟(jì)公告后頻繁飆升,那么當(dāng)類似事件在未來發(fā)生時(shí),EIC應(yīng)該是正數(shù)。在類似于 Engelberg、McLean 和 Pontiff(2018)發(fā)布研究的面板回歸中,正的 EIC 總是與回報(bào)溢價(jià)有關(guān),在回歸中我們加入了預(yù)定事件的代理變量,并通過其滯后的每日總回報(bào)來加權(quán)每個(gè)公司。Asparouhova、Bessembinder 和 Kalcheva(2010,2013)建議采用這種加權(quán)最小二乘法(WLS)來減輕資產(chǎn)定價(jià)中微觀結(jié)構(gòu)噪音的影
7、響。結(jié)果在經(jīng)濟(jì)層面和統(tǒng)計(jì)層面都很有作用。例如,當(dāng)同行公司發(fā)布信息時(shí),日歷時(shí)間交易策略顯示,EIC 為正的公司日的日超額收益為 7.06 個(gè)基點(diǎn),而未受溢出效應(yīng)影響的公司日為 4.60 個(gè)基點(diǎn)。由此產(chǎn)生的年化夏普比率,正的 EIC 公司日為 1.02,未受溢出效應(yīng)影響的公司日為 0.68。EIC 使我們能夠識別更有可能產(chǎn)生重要系統(tǒng)性影響的事件。與之前預(yù)定公告日股票收益率較高的研究相比(例如Frazzini 和Lamon(t 2007),Barber 等人(2013),Hartzmark 和Solomon(2013),EIC 使我們能夠描述相關(guān)公司的收益率高的前提條件是什么。此外,先前的研究總是探
8、討基于信息發(fā)布而不是信息消化的信息溢出(例如,Hong、Torous 和 Valkanov(2007),Cohen 和 Frazzini(2008),以及 Menzly 和 Ozabas(2010)。與這些研究相反,我們的研究是關(guān)于一個(gè)可預(yù)測的回報(bào)溢價(jià),它并不取決于所發(fā)布的信息是正面還是負(fù)面的。為了進(jìn)一步闡明這一發(fā)現(xiàn),我們將基于 EIC 的結(jié)果與基于其它同行公司定義的 EIC 結(jié)果進(jìn)行比較,如基于 SIC 的行業(yè)分類(Fama 和French(1997)、基于文本的行業(yè)分類(Hoberg 和Philips(2010 和 2016)、新聞中的共同提及(Schwenkler和Zheng(2019)
9、、相關(guān)的交易量(Lo 和Wang(2006)以及 Cremers 和Me(i 2007)以及客戶-供應(yīng)商聯(lián)系(Cohen 和 Frazzin(i 2008)。即使在控制了這些其它定義后,EIC 也是有意義的。此外,雖然根據(jù)其它定義,正的 EIC 公司有時(shí)也被認(rèn)定為同行,但 EIC 公司的溢價(jià)比單獨(dú)使用其它定義的公司要高。當(dāng)宏觀經(jīng)濟(jì)事件出現(xiàn)時(shí),EIC 也與溢價(jià)有關(guān)。在宏觀經(jīng)濟(jì)公告日,EIC 股票的回報(bào)率比其他股票高 6.61 個(gè)基點(diǎn)。在 FOMC 公告日,這一差異增加到 13.70 個(gè)基點(diǎn)。雖然重要的市場風(fēng)險(xiǎn)溢價(jià)與宏觀經(jīng)濟(jì)公告有關(guān)(Savor 和 Wilson(2013),我們表明,股票對公告的
10、反應(yīng)有很大的不同。EIC 衡量指標(biāo)確定了最容易受到影響的股票:更多來自周期性行業(yè)(能源、信息技術(shù)和非必選消費(fèi)品)的股票,以及更多來自大規(guī)模的公司、具有更高 Beta 值的公司和杠桿更高的公司,毫無疑問,這些公司對宏觀公告更敏感,因此有較高的溢價(jià)。接下來研究觀察到的回報(bào)率是否與基于風(fēng)險(xiǎn)的解釋一致。我們發(fā)現(xiàn),即使在控制了預(yù)定公司的特定信息事件之后,在 EIC 為正的日子里,這些公司的 CAPM beta大約高 5%。此外,我們發(fā)現(xiàn),在機(jī)構(gòu)投資者被期望消化信息的日子里,CAPM 表現(xiàn)更好。最后,子樣本分析表明,在我們預(yù)期信息溢出更強(qiáng)的子組中,我們的結(jié)論得到了更有利的證明。我們也證實(shí)了 Savor 和
11、 Wilson(2014)的結(jié)論,即 CAPM 在有重要宏觀經(jīng)濟(jì)公告的那些日子效果更好,盡管我們發(fā)現(xiàn)這一結(jié)果是以信息消化為條件的。總體而言,在有 FOMC 公告的日子里,估計(jì)的市場風(fēng)險(xiǎn)溢價(jià)約為 11 個(gè)基點(diǎn)。然而,估計(jì)的 CAPM 風(fēng)險(xiǎn)溢價(jià)對于 EIC 為正的股票是 44 個(gè)基點(diǎn),而對于 EIC 為零的股票在統(tǒng)計(jì)上是不明顯的。雖然我們的證據(jù)一直支持基于風(fēng)險(xiǎn)的解釋,但我們也研究了我們發(fā)現(xiàn)的其它解釋。一種可能的解釋是價(jià)格壓力,即與 EIC 相關(guān)的較高的平均回報(bào)可能只是反映了最終將恢復(fù)的過渡性價(jià)格壓力,而不是獲得了永久的風(fēng)險(xiǎn)溢價(jià)。我們使用日歷時(shí)間的交易組合方法來測試這個(gè)猜想,它避免了事件的聚集。如果
12、價(jià)格壓力能解釋我們的結(jié)果,任何最初的壓力都應(yīng)該預(yù)測未來的反轉(zhuǎn)。我們發(fā)現(xiàn)在第一個(gè)月內(nèi)沒有反轉(zhuǎn),而我們在一個(gè)月后發(fā)現(xiàn)的小幅反轉(zhuǎn)并不顯著或穩(wěn)健。然而,由于我們研究的是一個(gè)相對較短的樣本期,我們不能完全排除這種解釋,因?yàn)槲覀儾荒芘懦L期的反轉(zhuǎn)現(xiàn)象。另一種可能的解釋是基于錯(cuò)誤的定價(jià):與企業(yè)所得稅相關(guān)的較高的平均回報(bào)可能反映了對錯(cuò)誤定價(jià)的糾正,而不是風(fēng)險(xiǎn)溢價(jià)。然而,這種解釋需要一種不對稱性,即定價(jià)過低會得到糾正,但由于賣空限制,定價(jià)過高會持續(xù)存在。另外,根據(jù)這種解釋,我們預(yù)計(jì)在定價(jià)正確的股票中不會看到任何結(jié)果。為了評估這種解釋,我們使用Stambaugh, Yu, and Yuan (2012)的錯(cuò)誤定價(jià)
13、得分指標(biāo)(MISP)。我們在數(shù)據(jù)中沒有發(fā)現(xiàn)支持這種解釋的證據(jù)。特別是,根據(jù) MISP 指標(biāo),錯(cuò)誤定價(jià)的股票和正確定價(jià)的股票的EIC 系數(shù)非常相似。我們注意到無法區(qū)分我們所確定的回報(bào)率溢價(jià)是基于理性的還是基于行為的(Kozak、Nagel 和 Santosh(2018)。其他替代解釋可能包括投資者注意力有限(Frazzini 和 Lamont(2007),Hirshleifer,Lim 和 Teoh(2009),對投資者預(yù)期的理性忽視和偏見(Linnainmaa 和 Zhang(2019)。盡管如此,本研究提供的令人信服的證據(jù)表明,當(dāng)投資者處理公告并更新他們對受影響公司和整體經(jīng)濟(jì)的看法時(shí),就會獲
14、得風(fēng)險(xiǎn)溢價(jià)。本文的其余部分組織如下。在第二節(jié)中,我們描述了我們對信息消化和產(chǎn)生的原始指標(biāo),并概述了我們對信息消化的事前預(yù)期測度的構(gòu)造。在第三節(jié)中,我們分析了我們的 EIC 指標(biāo)與回報(bào)率的關(guān)系,我們提供了與基于風(fēng)險(xiǎn)的解釋相一致的額外證據(jù),并討論了其他解釋。第四節(jié)是結(jié)論。信息消化指標(biāo)信息消化和原始指標(biāo)彭博提供了對彭博終端上的新聞閱讀和新聞搜索活動的轉(zhuǎn)化指標(biāo)。大多數(shù)彭博終端用戶是機(jī)構(gòu)投資者, 他們有動力和財(cái)力對公司的重要新聞做出快速反應(yīng)(Ben-Raphael, Da, and Israelsen (2017))?;跀?shù)據(jù)的可用性,我們使用了 2010年 2 月到 2017 年 12 月間的樣本。遵
15、循 Da, Engelberg, and Gao (2011)的做法, 我們對樣本期間出現(xiàn)在羅素 3000 指數(shù)的所有股票開始篩選,然后我們要求樣本中的股票滿足以下條件:(1)在彭博終端和谷歌搜索引擎上的新聞搜索和新聞閱讀活動的數(shù)值沒有缺失; (2)在證券價(jià)格研究中心(CRSP)數(shù)據(jù)庫中的股票代碼為 10 或 11; (3)在上個(gè)月末的股票價(jià)格大于或等于 5 美元; (4)賬面信息沒有缺失。過濾這些條件后,我們得到一個(gè)包括 3,188 只股票和 4,046,190 個(gè)日間股票觀測值的樣本。機(jī)構(gòu)異常關(guān)注度(AIA):我們的主要信息消化指標(biāo)捕捉了機(jī)構(gòu)關(guān)注度的事后峰值(Ben-Raphael, Da
16、, and Israelsen (2017))。彭博記錄了終端用戶主動搜索或閱讀特定股票的新聞文章的次數(shù),我們更加關(guān)注對特定公司信息的主動需求,因此當(dāng)用戶搜索新聞時(shí),賦予 10 分,當(dāng)用戶只是閱讀新聞文章時(shí),賦予 1 分。彭博將這些數(shù)字匯總為每小時(shí)的計(jì)數(shù),并通過比較前八小時(shí)內(nèi)的平均每小時(shí)計(jì)數(shù)與前一個(gè)月同一股票的所有每小時(shí)計(jì)數(shù)來構(gòu)造一個(gè)關(guān)注度評分。如果滾動平均數(shù)低于前 30 天每小時(shí)計(jì)數(shù)的 80%,在 80%至 90%之間,在 90%至 94%之間,在 94%至 96%之間,或大于 96%,則分別為它們賦予 0、1、2、3 或 4 的分?jǐn)?shù)。然后,將這些分?jǐn)?shù)匯總到每天的頻率,取一個(gè)最大的全天所有小
17、時(shí)得分。利用這個(gè)日常衡量指標(biāo),我們遵循 Ben-Raphael,Da, and Israelsen (2017),如果彭博的日最高值為 3 或 4,就將虛擬變量AIA 設(shè)為 1,否則為 0。這個(gè)虛擬變量表明,當(dāng)宏觀事件沖擊來臨時(shí),該公司是獲得了高機(jī)構(gòu)關(guān)注度還是低機(jī)構(gòu)關(guān)注度。異常的谷歌搜索量指數(shù)(DADSVI):我們對信息消化的第二個(gè)衡量指標(biāo)是捕捉散戶投資者的事后關(guān)注高峰。正如Da, Engelberg, and Gao (2011)所描述的,散戶注意力是用每日谷歌搜索量指數(shù)(DSVI)來衡量的。我們通過取DSVI 與前一個(gè)月DSVI 平均值之比的自然對數(shù)來計(jì)算異常DSV(I ADSVI)。為了
18、便于與股票的 AIA 進(jìn)行比較,我們創(chuàng)建了一個(gè)虛擬變量版本的 ADSVI:對于每一天,我們用公司過去 30個(gè)交易日的 DSVI 值來分配一個(gè) 0、1、2、3 或 4 的分?jǐn)?shù)。對于每一天,如果得分是 3 或 4,DADSVI 被設(shè)置為 1,否則為 0。與散戶信息消化有關(guān)的衡量指標(biāo)被列為控制變量;我們發(fā)現(xiàn)這些控制變量沒有任何系統(tǒng)性影響。信息事件(Information Events):我們對預(yù)定事件的三個(gè)代理變量是基于收益公告、其他預(yù)定的公司事件和宏觀經(jīng)濟(jì)公告來構(gòu)建的。為了便于與 AIA 和 DADSVI進(jìn)行比較,我們構(gòu)建了一個(gè)虛擬變量,當(dāng)公司公布其收益公告時(shí)等于 1,否則等于 0,記為EDAY。
19、我們從 I/B/E/S 中獲得收益公告公布日期。我們的樣本包含 2010 年至 2017 年期間的 163,865 個(gè)預(yù)定事件。彭博將每個(gè)事件分為九個(gè)類別中的一個(gè)。最常見的類別占所有事件的 43%是“電視/會議/演講”,它主要包括投資者會議,但也包括預(yù)先安排的新聞發(fā)布會。接下來兩個(gè)最常見的類別是“收益公告發(fā)布”和“收益電話”,分別占事件的 36%和 30%,這些活動通常被安排在同一天(它們占活動總數(shù)的 37%)。接下來的兩個(gè)最常見的類別是 “股東大會”和“企業(yè)訪問”,分別占所有事件的 12%和 6%。其余 4%的事件屬于 “兼并和收購”、“銷售結(jié)果”、“分析師營銷”和 “盈利指導(dǎo)”等類別。我們
20、構(gòu)建了虛擬變量 SEDAY 和 NESEDAY 來表示預(yù)定事件日和非盈利的預(yù)定事件日(所以SEDAY=EDAY + NESEDAY,即預(yù)定事件日包括盈利公告預(yù)定事件日和非盈利公告預(yù)定事件日)。我們還涵蓋了幾個(gè)基于重要的宏觀經(jīng)濟(jì)新聞公告日衡量指標(biāo)。由于幾乎每天都有宏觀經(jīng)濟(jì)公告,我們僅研究那些在彭博終端上吸引機(jī)構(gòu)投資者最多關(guān)注的公告,即與非農(nóng)就業(yè)(NFP)、生產(chǎn)者價(jià)格指數(shù)(PPI)、聯(lián)邦公開市場委員會利率決定(FOMC)、美國國內(nèi)生產(chǎn)總值(GDP)的“提前”預(yù)測和美國供應(yīng)管理協(xié)會制造業(yè)指數(shù) (ISM)有關(guān)的公告、公告日期和時(shí)間都來自于彭博。對于這五項(xiàng)公告中的每一項(xiàng),我們創(chuàng)建了虛擬變量,在公告日等于
21、 1,在其他日子等于 0。除了這五個(gè)單獨(dú)的虛擬變量之外,我們還構(gòu)建了虛擬變量 MACRO,在五個(gè)虛擬變量中至少有一個(gè)等于 1 的日子里,將其設(shè)為 1,否則為 0。最后,從 RavenPack 獲得樣本股票的新聞報(bào)道。將 NDAY 定義為一個(gè)虛擬變量,如果在某一天道瓊斯新聞網(wǎng)上有關(guān)于該公司的新聞報(bào)道,則該變量等于 1,否則等于 0。因?yàn)橄氚延媾c其他新聞區(qū)分開來,所以把盈利公告日的 NDAY 設(shè)為零。我們同樣構(gòu)建虛擬變量USNDAY 來表示未提前預(yù)定的新聞日。對于每個(gè)公司,我們計(jì)算同一(Fama-French 48)行業(yè)中其他公司的 NDAY 和 EDAY 的價(jià)值加權(quán)平均數(shù),分別用 FF48
22、_NDAY 和 FF48_EDAY 表示。同樣地,我們創(chuàng)建了 AGG_NDAY 和 AGG_EDAY 這兩個(gè)變量,以獲取某一天樣本中所有公司的 NDAY 和 EDAY 的市值加權(quán)平均數(shù)。根據(jù)表一,在我們的樣本中,平均有 7.59%的交易日會經(jīng)歷來自機(jī)構(gòu)投資者的信息消化沖擊。散戶投資者的信息消化沖擊的平均頻率與此類似,為 7.64%。圖表 1 描述性統(tǒng)計(jì)資料來源:整理關(guān)于預(yù)定發(fā)生的公司事件,每年平均有四個(gè)盈利公告日(EDAY),占所有交易日的 1.5%。其他非盈利公告的預(yù)定事件(NESEDAY)發(fā)生的頻率更高,約占所有交易日的 2.4%。而所有的非盈利新聞事件(NDAY),對于我們樣本中的公司來
23、說,平均五天中大約有一天是新聞日。公司的平均(中位數(shù))規(guī)模約為 62 億美元(11億美元)。平均來說,某只股票每天有價(jià)值 5110 萬美元的交易。最后,我們樣本中的平均(中位)日回報(bào)率為 9.44(7.26)個(gè)基點(diǎn)。為了研究機(jī)構(gòu)信息消化的驅(qū)動因素,表二顯示了 Logit 面板回歸的結(jié)果,其中我們將 AIA 與公司、行業(yè)和宏觀經(jīng)濟(jì)層面的信息供應(yīng)變量進(jìn)行回歸。我們加入每周一天的虛擬變量來捕捉關(guān)注度的季節(jié)性(DellaVigna 和 Pollet(2009),Liu 和 Peng(2015),以及 Ben-Rephael,Da 和 Israelsen(2017)。其他控制變量包括公司特征,如絕對收益
24、、規(guī)模、賬面市值、公司 和杠桿。圖表 2 AIA 關(guān)于信息變量的邏輯回歸資料來源:整理結(jié)果表明,在公司層面新聞較多的時(shí)期,機(jī)構(gòu)投資者更有可能消費(fèi)某只股票的信息,特別是當(dāng)事件是預(yù)先安排的時(shí)候。然而,結(jié)果也表明,由于其他公司的信息溢出效應(yīng),對某一特定公司的信息消化上升。行業(yè)層面的新聞,尤其是競爭對手發(fā)布的盈利公告,與更多的機(jī)構(gòu)投資者的信息消化相關(guān)。這是直觀的,因?yàn)橐粋€(gè)行業(yè)的公司的盈利新聞可能對該行業(yè)的其他公司有重要影響。此外,當(dāng)市場上有更多關(guān)于大公司的消息時(shí),機(jī)構(gòu)對單個(gè)股票的信息消化更有可能是高的。關(guān)于大公司的新聞可能對其他股票有系統(tǒng)性的影響,即使這些公司是在不同的行業(yè)。為了研究宏觀經(jīng)濟(jì)新聞的影響
25、,列(5)、(7)和(9)包括了 MACRO 虛擬變量。一般來說,即使控制了其他公司、行業(yè)和市場層面的事件,機(jī)構(gòu)對個(gè)股的信息消化往往與宏觀經(jīng)濟(jì)公告相吻合。在所有五個(gè)宏觀經(jīng)濟(jì)公告中,F(xiàn)OMC 利率公告似乎吸引了最多的關(guān)注(列(6)和(8)。在我們控制了公司特征和絕對收益后,宏觀經(jīng)濟(jì)公告的回歸系數(shù)會減弱(列(9)和(10)。請注意,我們并不期望宏觀公告以類似的方式影響所有公司。下面,我們探討宏觀公告對相關(guān)股票的影響。總而言之,AIA 不僅可以由公司的特定事件觸發(fā),也可以由與其他公司和宏觀經(jīng)濟(jì)有關(guān)的信息事件觸發(fā)。這些觀察促使我們根據(jù)投資者在過去對各種事件的反應(yīng)來構(gòu)建 EIC的衡量指標(biāo)。預(yù)期信息消化(
26、EIC)為了將信息消化與資產(chǎn)定價(jià)結(jié)果聯(lián)系起來,我們構(gòu)建了幾個(gè)機(jī)構(gòu)信息消化(EIC)和散戶信息消化(ERIC)的事前衡量指標(biāo)。所有的衡量指標(biāo)都是虛擬變量,如果預(yù)期的消費(fèi)頻率超過了某個(gè)閾值,則取值為 1,否則為 0。表三報(bào)告了 EIC 指標(biāo)的匯總統(tǒng)計(jì)。圖表 3 四個(gè)事前預(yù)期信息消化變量的統(tǒng)計(jì)資料來源:整理我們對預(yù)期機(jī)構(gòu)信息消化的第一個(gè)衡量指標(biāo)是基于其他公司的預(yù)定事件的信息溢出(EIC_PEER)。如果公司 A 的 AIA 在過去經(jīng)常在公司 B 的預(yù)定事件上飆升,我們預(yù)測公司A 的EIC 在公司 B 的下一個(gè)預(yù)定事件日等于 1。這種 EIC 指標(biāo)在經(jīng)驗(yàn)上是一種新的衡量標(biāo)準(zhǔn)。例如,Savor 和 Wi
27、lson(2016)將正的盈利公告窗口回報(bào)歸因于風(fēng)險(xiǎn)溢價(jià),因?yàn)楣?A 的盈利公告會影響其他公司,因此盈利公告具有系統(tǒng)性。他們的模型也預(yù)測了當(dāng)天受影響公司的風(fēng)險(xiǎn)溢價(jià),但迄今為止的文獻(xiàn)還沒有直接檢驗(yàn)這一預(yù)測。我們的EIC_PEER 衡量指標(biāo)填補(bǔ)了這一空白。表三第 (1) 列報(bào)告了以EIC_PEER=1 或 0 為條件的觀察數(shù)和AIA=1 的百分比。 EIC_PEER=1 子樣本的 AIA=1 的百分比約為 24.1%,比隨機(jī)抽取 AIA=1 的可能性大三倍以上。在EIC_PEER=0 的情況下,AIA=1 的百分比只有 9.1%左右。頻率上的差異具有統(tǒng)計(jì)學(xué)意義,表明EIC_PEER 能很好地預(yù)測
28、事后AIA,這是由于同行公司預(yù)定事件的信息溢出。我們對預(yù)期機(jī)構(gòu)信息消化的第二個(gè)衡量指標(biāo)是基于 FOMC 公告日的信息溢出(EIC_FOMC)。如果公司 A 的AIA 在之前的FOMC 公告期間經(jīng)常飆升,我們可以預(yù)測公司 A 的 EIC 在下一次 FOMC 公告時(shí)為 1。以前的文獻(xiàn)主要關(guān)注 FOMC 公告前后的市場風(fēng)險(xiǎn)溢價(jià),而在我們的分析中,我們考慮的是橫截面的維度。由于不是所有的股票都受到同樣的影響,EIC_FOMC 確定了那些 FOMC 公告期間更有可能與風(fēng)險(xiǎn)溢價(jià)相關(guān)的股票。我們還使用了表二中定義的所有五個(gè)宏觀事件來構(gòu)建第三個(gè)測度(EIC_MACRO),用以研究信息溢出在宏觀公告日的影響。表
29、三的第(2)列和第(3)列報(bào)告了以EIC_FOMC 和 EIC_MACRO 等于 1 或 0 為條件的 AIA=1 觀察值的數(shù)量和百分比。有 59(334)個(gè) FOMC(宏觀)公告日,在 126223(715928)個(gè)公司公告日的樣本中,有 11159(18377)個(gè) EIC_FOMC=1(EIC_MACRO=1)觀察值。EIC_FOMC=1(EIC_MACRO=1)的 AIA=1 觀測值的百分比約為 25.6%(30.9%)。相比之下,在 EIC_FOMC=0(EIC_MACRO=0)的情況下, AIA=1 的觀察值的百分比約為 8.4%(7.5%)。最后,我們構(gòu)建了一個(gè)基于所有三類 EIC
30、(EIC_ALL)的整體溢出衡量測度,它匯總了 EIC_PEER、EIC_FOMC 和 EIC_MACRO。表三的第(4)列顯示了以 EIC_ALL=1 或 0 為條件的觀察值和 AIA=1 案例的百分比。我們能夠確定 270,054個(gè)EIC_ALL=1 的觀察值(來自 4,046,091 個(gè)觀察值的完整樣本)。準(zhǔn)確率(或 AIA=1的百分比在 EIC_ALL=1 的情況下)超過 24%,明顯高于 EIC_ALL=0 的情況下的 6.7%左右的對應(yīng)值。總而言之,我們的各種 EIC 衡量指標(biāo)與最近的文獻(xiàn)直接相關(guān),這些文獻(xiàn)發(fā)現(xiàn)在預(yù)定的信息事件日股票回報(bào)率較高。這類事件的例子包括公司層面的收益公告(
31、Frazzini 和Lamon(t 2007),Barberet 等(2013),公司層面的股息公告(Hartzmark和 Solomon(2013)和宏觀公告(Savor 和 Wilso(2013),以及其它公告。我們在幾個(gè)重要的維度上擴(kuò)展了這些文獻(xiàn),并增加了新的見解。首先,我們的 EIC 溢出指標(biāo)能夠確定觀察那些更有可能產(chǎn)生重要的系統(tǒng)性影響的事件,因?yàn)樗鼈兊哪康氖遣蹲絹碜灶A(yù)定公告的主動信息消化。其次,更重要的是,這使我們能夠直接研究信息溢出。雖然現(xiàn)有的文獻(xiàn)集中在公告公司的回報(bào)溢價(jià)上,但我們研究的是受公告影響的其他公司的回報(bào)溢價(jià)。我們還為宏觀經(jīng)濟(jì)公告增加了一個(gè)重要的橫向維度,即事先確定那些股
32、票更有可能被影響。最后,雖然我們不是第一個(gè)探討信息溢出的人(例如 Hong, Torous, and Valkanov (2007), Cohen and Frazzini (2008), and Menzly and Ozabas(2010)),但我們的 EIC 測度允許我們研究信息消化而非信息發(fā)布。此外,我們的結(jié)果顯示了一個(gè)可預(yù)測的回報(bào)溢價(jià),它不以發(fā)布的信息的內(nèi)容為條件。EIC=1 股票的特征在表四中,我們探討了 EIC=1 的股票的特征。與表二類似,我們進(jìn)行 Logit 面板回歸,EIC_PEER、EIC_FOMC 和 EIC_MACRO 是因變量。表四的 A 組研究了 EIC_PEER
33、。在我們的基本配置中,我們加入了 Fama-French 48 個(gè)行業(yè)和市場水平的價(jià)值加權(quán)的 SEDAY 變量,剔除了目標(biāo)公司。接下來,我們囊括了基于各種替代同行測度的額外 SEDAY 變量。正如預(yù)期的那樣,列(1)到(3)表明,行業(yè)和市場的預(yù)定事件都能解釋EIC_PEER 的預(yù)測峰值。然而,請注意,當(dāng)我們比較基于市場的衡量標(biāo)準(zhǔn)和基于行業(yè)的衡量標(biāo)準(zhǔn)時(shí),我們發(fā)現(xiàn)基于市場的衡量標(biāo)準(zhǔn)更具有經(jīng)濟(jì)顯著性(系數(shù)為 4.623,vs 行業(yè)系數(shù) 0.927)。這表明,企業(yè)從市場上主要企業(yè)的預(yù)定事件中學(xué)習(xí),即使它們屬于不同的行業(yè)。圖表 4 Panel A:關(guān)于 EIC 的邏輯回歸(EIC_PEER)資料來源:整
34、理在列(4)至(10)中,我們探討了來自另一種定義的同行公司的預(yù)定事件的額外貢獻(xiàn)。列(4)到(6)反映了 EIC_PEER 對公司三個(gè)最接近的同行的預(yù)定事件的反應(yīng),這些同行是基于 Fama-French 48 行業(yè)分類、全球行業(yè)分類標(biāo)準(zhǔn)(GICS2)行業(yè)以及Hoberg 和 Phillips(2010,2016)的基于文本的相似度得分(TINC3)來歸類的。Hoberg 和 Phillips 的指標(biāo)似乎貢獻(xiàn)最大,其系數(shù)為 0.235。接下來,因?yàn)橹暗奈墨I(xiàn)發(fā)現(xiàn),交易量具有系統(tǒng)性的影響(Lo 和 Wang(2006)以及 Cremers和 Mei(2007)。因 此,在列(7)中,我們用異常交易
35、量代替 AIA,并構(gòu)建一個(gè)類似的預(yù)期異常交易量指標(biāo)(EAVOL),EAVOL 根據(jù)過去相關(guān)的交易量峰值來預(yù)測信息溢出。有趣的是,EAVOL 似乎具有經(jīng)濟(jì)意義,其系數(shù)為 1.635,這可能是因?yàn)榻灰琢拷?jīng)常隨著信息消化而飆升。在列(8)中,我們加入一個(gè)共同新聞的衡量標(biāo)準(zhǔn)(Schwenkler 和 Zheng (2019),將同行公司識別為在同一新聞文章中提到的公司。該變量的影響是顯著的,其系數(shù)為 0.324。最后,我們研究了共享供應(yīng)商-客戶聯(lián)系的“關(guān)聯(lián)”公司(Cohen 和Frazzini(2008)。我們發(fā)現(xiàn)來自這些“有聯(lián)系的”公司的預(yù)定事件并沒有以顯著的方式觸發(fā)EIC_PEER。雖然EIC_P
36、EER 與備選定義的同行公司的預(yù)定事件有關(guān),但那些對經(jīng)濟(jì)有很大影響力的公司的預(yù)定事件(由 AGG_SEDAY 捕獲)似乎更為重要。這一結(jié)果加強(qiáng)了我們的結(jié)論,即 EIC_PEER 捕捉到了系統(tǒng)性的信息消化。圖表 5 Panel B:關(guān)于 EIC 的邏輯回歸(EIC_MACRO 和 EIC_FOMC)資料來源:整理在 B 組,我們分析了 FOMC 和宏觀經(jīng)濟(jì)公告。我們使用 GICS2 行業(yè)分類,并包括行業(yè)虛擬變量。我們使用 “日用必需品”作為我們的基礎(chǔ)(排除)行業(yè)。我們發(fā)現(xiàn),受影響的股票往往來自于周期性較強(qiáng)的行業(yè)(能源、信息技術(shù)和非必選消費(fèi)行業(yè))。我們還發(fā)現(xiàn),這些行業(yè)市值往往比較大,而且擁有較高的
37、 betas 和杠桿。這些行業(yè)的股票受宏觀經(jīng)濟(jì)公告中的信息影響最大,也許并不奇怪。重要的是,我們的 EIC 測度(EIC_FOMC 和 EIC_MACRO)使我們能夠獨(dú)特地識別這種信息溢出效應(yīng)。EIC 和資產(chǎn)價(jià)格回報(bào)溢價(jià)我們現(xiàn)在測試有 EIC 的公司日是否與回報(bào)溢價(jià)有關(guān)。為此,在表五中,我對每日股票收益率與各種 EIC 指標(biāo)進(jìn)行了面板回歸,加入了預(yù)定的公司信息事件、預(yù)期的散戶信息消化(ERIC)、來自替代定義的同行公司的預(yù)定事件以及其他控制因素,包括 LnSize、LnBM、10 個(gè)滯后期收益、收益的平方、新聞虛擬變量以及交易量。此外,還包括日固定效應(yīng),標(biāo)準(zhǔn)差按公司和日期進(jìn)行分組。最后,為了修
38、正可能的微觀結(jié)構(gòu)偏差,我們遵循 Asparouhova、Bessembinder 和Kalcheva(2010,2013)的做法,采用了 WLS 修正程序,即用滯后的總回報(bào)作為每個(gè)觀察值的權(quán)重。為了保持一致性,我們在其余的分析中采用了相同的加權(quán)方案。圖表 6 股票收益率與 EIC 的面板回歸資料來源:整理首先,在表六的多列中,顯著的回報(bào)溢價(jià)似乎與公司的收益公告(EDAY)有關(guān),與 Engelberg、McLean 和Pontif(f 2018)的結(jié)果以及收益公告溢價(jià)的存在(Frazzini和 Lamont(2007),Barber 等人(2013),Savor 和Wilson(2016)一致。
39、然而,當(dāng)我們分析 FOMC 公告和宏觀經(jīng)濟(jì)事件(MACRO)時(shí),盈利公告溢價(jià)不存在或僅有輕微的顯著。第二,其他(未發(fā)布盈利公告)的公司在預(yù)定事件日有經(jīng)濟(jì)上顯著的回報(bào)溢價(jià)。這一發(fā)現(xiàn)是新的,因?yàn)檫@些公司計(jì)劃事件以前沒有被系統(tǒng)地研究過。第三,ERIC 的系數(shù)較小且不明顯,可能是因?yàn)樯敉顿Y者在消化信息時(shí)有延遲,而此時(shí)市場上有很大一部分不確定性已經(jīng)被解決。接下來探討與EIC 變量相關(guān)的風(fēng)險(xiǎn)溢價(jià)大小,在列(1)至(7)我們發(fā)現(xiàn) EIC_PEER相關(guān)的穩(wěn)健溢價(jià)在 2.1-2.3 個(gè)基點(diǎn)之間。EIC_PEER 的系數(shù)比預(yù)定事件的系數(shù)小,有兩個(gè)原因。首先,雖然預(yù)定事件是事先知道的,但 EIC_PEER 的估計(jì)
40、是有誤差的,而且這種錯(cuò)誤會導(dǎo)致衰減偏差。更重要的是,Savor 和 Wilson(2016)的模型預(yù)測,公告公司的溢價(jià)最高,因?yàn)檫@些公司對公告中的信息接觸最多。最后,我們注意到 EIC_PEER 的頻率是EDAY 的 7 倍,是NESEDAY 的 4 倍,所以 EIC_PEER 對回報(bào)率溢價(jià)的累積貢獻(xiàn)與預(yù)定公告的貢獻(xiàn)基本相當(dāng)。根據(jù) Savor 和 Wilso(2016)的研究,我們預(yù)測經(jīng)歷信息溢出的公司會有正的 風(fēng)險(xiǎn)溢價(jià)。我們進(jìn)一步預(yù)測,EIC 公司與其他同行公司相比,風(fēng)險(xiǎn)溢價(jià)更高。通過 自我表露的偏好,EIC 企業(yè)與宣布的企業(yè)有更多的聯(lián)系。此外,EIC 捕捉到了主動 的信息消化,這提高了交叉
41、學(xué)習(xí)的精確性,并產(chǎn)生了更高的風(fēng)險(xiǎn)溢價(jià)。列(3)到(7) 證實(shí)了這些預(yù)測。特別是,我們發(fā)現(xiàn) EAVOL 的系數(shù)幾乎為零。即使是 FF48_SEDAY,這個(gè)指標(biāo)的一個(gè)標(biāo)準(zhǔn)差的增加也與 0.47 個(gè)基點(diǎn)的高收益有關(guān)。在列(8)至(11)中,我們估計(jì)了與我們的 EIC_FOMC 和 EIC_MACRO 指標(biāo)相關(guān)的溢價(jià)。與傳遞系統(tǒng)信息的宏觀經(jīng)濟(jì)公告一致,我們發(fā)現(xiàn)EIC_FOMC(EIC_MACRO)與 11.235(7.187)個(gè)基點(diǎn)的額外溢價(jià)相關(guān)。與表五 B 組一致,EIC 的衡量標(biāo)準(zhǔn)確定了受宏觀經(jīng)濟(jì)信息影響最大的公司會獲得更高的溢價(jià)。最后,在列(12)到(14)中,我們研究了 EIC_ALL,它結(jié)合
42、了所有三個(gè)衡量標(biāo)準(zhǔn)。估計(jì)的溢價(jià)在 3.6 到 3.8 個(gè)基點(diǎn)。交易策略在表七中,我們使用日歷時(shí)間的交易策略來研究回報(bào)溢價(jià)的大小。交易策略是可以實(shí)施的,因?yàn)?EIC 指標(biāo)的構(gòu)建只使用歷史信息。這使得我們可以計(jì)算出與各種 EIC 指標(biāo)相關(guān)的超額收益和夏普比率。圖表 7 Panel A:結(jié)合公司預(yù)定事件日的 EIC 交易策略資料來源:整理表七探討了基于公司預(yù)定事件的日歷時(shí)間組合。我們的分析區(qū)分了四種類型的公司。公布的公司,EIC 公司,其他同行公司,和不相關(guān)的公司(基準(zhǔn))。因此,在 A 組中,我們構(gòu)建了在每個(gè)事件日有四個(gè)相應(yīng)的不重疊的組合。第一個(gè)組合包括宣布事件的公司,或有預(yù)定事件的公司(列(1)。
43、第二個(gè)組合包括 EIC 同行公司,或 EIC_PEER=1 的公司(列(2)。第三個(gè)組合包括其他同行公司,即與公告者處于同一行業(yè)的其他公司,EIC_PEER=0(列(3)。 最后一個(gè)組合是基準(zhǔn)組合,其中包括所有除去以上公司的其他公司(列(4)。與表六的結(jié)果一致,我們發(fā)現(xiàn)與這些投資組合相關(guān)的平均每日超額收益(相對于無風(fēng)險(xiǎn)利率)從 10.28 個(gè)基點(diǎn)(宣布的公司)單調(diào)地減少到 4.6 個(gè)基點(diǎn)(基準(zhǔn))。風(fēng)險(xiǎn)調(diào)整后的收益也相應(yīng)減少。特別是 EIC_PEER 組合的 Fama-French 五因素(Daniel 等人(1997,DGTW)風(fēng)險(xiǎn)調(diào)整后的回報(bào)率為 2.0(1.7)個(gè)基點(diǎn)。投資組合的年化夏普比
44、率為 1.02 , 比基準(zhǔn)投資組合的夏普比率增加了近 50% 。 EIC_PEER 組合的回報(bào)率和夏普比率與其他同行公司相比也很好。換句話說,積極的信息消化確實(shí)與較高的溢價(jià)有關(guān),在經(jīng)濟(jì)上是有意義的。圖表 8 Panel B:結(jié)合宏觀事件日的 EIC 交易策略資料來源:整理接下來,在 B 組中,我們探討與宏觀經(jīng)濟(jì)公告相關(guān)的日歷時(shí)間投資組合,其中感興趣的投資組合是基于EIC_FOMC=1 和 EIC_MACRO=1 的組合。基準(zhǔn)投資組合是基于EIC_FOMC=0 和EIC_MACRO=0 的組合。與回歸分析一致,我們發(fā)現(xiàn) EIC=1的投資組合相關(guān)的顯著回報(bào)率,這幾乎是 EIC=0 的投資組合相關(guān)的
45、兩倍。此外, EIC_FOMC=1(EIC_MACRO=1)組合相關(guān)的年化夏普比率比其基準(zhǔn)高出 102%(58.5%)。最后,雖然 EIC=1 投資組合的風(fēng)險(xiǎn)調(diào)整后的回報(bào)率在 4.6 到 8.9 個(gè)基點(diǎn)之間,但EIC=0 投資組合的風(fēng)險(xiǎn)調(diào)整后的回報(bào)率約為零。對基于風(fēng)險(xiǎn)的解釋的支持在本小節(jié)中,我們進(jìn)一步探討了我們的 EIC 指標(biāo)、CAPM 和CAPM 在不同子樣本中的表現(xiàn)之間的關(guān)系。表九顯示了結(jié)果,這些結(jié)果支持我們觀察到的,對回報(bào)率前提的基于風(fēng)險(xiǎn)的解釋。在表九中,我們研究了在有 EIC、ERIC 或其他預(yù)定公司事件的日子里,系統(tǒng)性風(fēng)險(xiǎn)是否更高。考慮到交易量的系統(tǒng)性影響,我們也將 EAVOL 作為
46、一個(gè)對照。我們用模型的變化來估計(jì)CAPM 的,其中ERET 是股票收益率減去無風(fēng)險(xiǎn)利率(單位:基點(diǎn)),MKTRF 是市場收益率減去無風(fēng)險(xiǎn)利率(單位:基點(diǎn)),EIC 是基于EIC_ALL的。遵循 Patton 和 Verardo(2012),每個(gè)回歸中都包含了股票的固定效應(yīng),這使我們能夠捕捉到公司內(nèi)部的 值估計(jì)??紤]到這是一個(gè)公司內(nèi)部的分析,而且大部分的溢出觀測值都是從 2011 年 4 月開始的,我們從 2011 年 4 月開始進(jìn)行 測試。結(jié)果在表九報(bào)告。圖表 9 預(yù)期信息消化(EIC)和公司 Beta資料來源:整理表九的前 5 列報(bào)告了面板回歸的系數(shù),分別控制了五個(gè)信息消化的變量。第一列表明
47、,在 EIC=1 的日子里,CAPM 的 beta 值比沒有 EIC 的日子高 0.047 左右。第二列顯示,在 ERIC=1 的日子里,CAPM 的beta 值沒有明顯變化。列(3)和(4)考察了預(yù)定事件和收益公告對 beta 的影響。與 Patton 和 Verardo(2012)的觀點(diǎn)一致,在有盈利公告的日子里,beta 值高出約 0.14。其他預(yù)定的公司級新聞事件使 beta 值增加 0.061。我們還發(fā)現(xiàn) EAVOL 的系數(shù)為 0.041。最后,列(6)和(7)包括所有五個(gè)變量以及市場回報(bào)。EIC 的影響只比單變量回歸時(shí)略小。EIC 日的 beta值增加支持基于風(fēng)險(xiǎn)的解釋,即這些日子
48、的平均收益較高。圖表 10 預(yù)期信息消化(EIC)和 CAPM資料來源:整理接下來,我們轉(zhuǎn)向 CAPM 的測試。Savor 和 Wilson(2014)表明,CAPM 在宏觀經(jīng)濟(jì)公告日(FOMC、失業(yè)率和通貨膨脹公布日)表現(xiàn)良好,而在其他日子則失敗。本著同樣的考慮,我們根據(jù) EIC 的值來劃分股票日,并進(jìn)行測試。每天,我們對超額股票收益與 CAPM 的 beta 值進(jìn)行橫截面回歸。表十研究了這些 Fama-MacBeth(1973)回歸系數(shù)的時(shí)間序列平均值。EIC 的各種衡量指標(biāo)描繪了一幅一致的畫面,即當(dāng)機(jī)構(gòu)投資者被期望消化信息時(shí),CAPM 在股票日的表現(xiàn)更好。當(dāng) EIC=0 時(shí),CAPM 的
49、斜率系數(shù)從來都不顯著,而截距項(xiàng)往往是正的和顯著的,這與 CAPM 在描述平均收益橫截面變化方面的失效是一致的。相反,當(dāng)EIC=1 時(shí),CAPM 的斜率系數(shù)總是正的,而且是顯著的,截距項(xiàng)很少是顯著的。EIC=1 的風(fēng)險(xiǎn)溢價(jià)估計(jì)值從 8.17 到 43.85 個(gè)基點(diǎn)不等,并且總是明顯高于EIC=0 時(shí)。例如,對于列(4)中的組合 EIC(EIC_ALL),當(dāng)機(jī)構(gòu)投資者被期望消化信息時(shí),CAPM 表現(xiàn)良好,風(fēng)險(xiǎn)溢價(jià)估計(jì)值為 9.71 個(gè)基點(diǎn),截距項(xiàng)接近零,不顯著。相反,當(dāng) EIC_ALL=0 時(shí),CAPM 失效了,風(fēng)險(xiǎn)溢價(jià)估計(jì)值接近零,截距項(xiàng)顯著為正,為 6.71 個(gè)基點(diǎn)。EIC=1 的風(fēng)險(xiǎn)溢價(jià)約為
50、 10 個(gè)基點(diǎn),這與表一中的樣本統(tǒng)計(jì)和表六中記錄的風(fēng)險(xiǎn)溢價(jià)的額外增加是一致的。請注意,5%左右的貝塔系數(shù)的增加遠(yuǎn)遠(yuǎn)低于 EIC=1 相對于 EIC=0 的回報(bào)率的增加,后者約為 40%。這表明,這不僅是風(fēng)險(xiǎn)數(shù)量的增加,也是每單位風(fēng)險(xiǎn)的補(bǔ)償。我們的投資組合(見表七)與這一觀點(diǎn)一致, EIC=1 的股票的夏普比率比 EIC=0 的股票高 50%左右。圖表 11 在 EIC 和 FOMC 不同取值的樣本中 CAPM 模型的表現(xiàn)資料來源:整理圖表十一的 A 組用圖形說明了 CAPM 的結(jié)果。每天,在 EIC_ALL=1 和EIC_ALL=0 的子樣本中,我們根據(jù)它們的 CAPM Beta 將股票分為十
51、等分組合,這些 Beta 是在過去 252 個(gè)交易日中使用所有股票的相同十等分分位點(diǎn)估算的。圖表十一的 A 組繪制了兩個(gè)子樣本的平均投資組合日超額收益(相對無風(fēng)險(xiǎn)利率的超額)與它們的平均 CAPM Beta 的對比。該圖證實(shí)了 CAPM 在 EIC_ALL=1 的股票中效果更好。當(dāng)機(jī)構(gòu)投資者的平均超額收益與 CAPM Beta 之間存在正相關(guān)關(guān)系時(shí),就會出現(xiàn)這種情況。預(yù)計(jì)投資者會消化信息。在 EIC_ALL=0 的股票中,這種關(guān)系不明顯。表十中的列(2)側(cè)重于 FOMC 公告中值得關(guān)注的日子。Savor 和 Wilson(2014)發(fā)現(xiàn) CAPM 在這些天表現(xiàn)良好。我們發(fā)現(xiàn)他們的結(jié)果受到 EI
52、C 的影響。在 FOMC 公布日,CAPM 只在機(jī)構(gòu)投資者預(yù)計(jì)會消化信息的股票子集中運(yùn)行良好。對于這些 股票,CAPM 回歸產(chǎn)生了 43.85 個(gè)基點(diǎn)的重要風(fēng)險(xiǎn)溢價(jià)估計(jì)。對于其余的股票,風(fēng) 險(xiǎn)溢價(jià)估計(jì)值仍然很小而且不明顯。圖表十一的 B 組以圖形方式說明了 FOMC 的結(jié) 果。我們觀察到在 FOMC 公布日,EIC=1 的股票的平均超額收益和 CAPM 貝塔之 間的正向關(guān)系最強(qiáng)。在這些日期,EIC=0 的股票的平均超額收益和CAPM 貝塔之間 的關(guān)系要弱得多。類似的模式也適用于更廣泛的宏觀經(jīng)濟(jì)公告和 EIC_ALL,如列(3) 和(4)中報(bào)告的那樣。圖表 12 風(fēng)險(xiǎn)溢價(jià)和 CAPM 系數(shù)-子樣本分析資料來源:整理最后,在表十二中我們考慮了我們數(shù)據(jù)中的四個(gè)子樣本。前兩個(gè)是基于公司的特征:公司在 Fama-French 48 行業(yè)中的相對規(guī)模和覆蓋該公司的分析師數(shù)量。我們假設(shè),在其他情況下,一個(gè)行業(yè)中較小的公司和分析師覆蓋率較低的公司應(yīng)該對其他公司傳播的信息做出更多的反應(yīng)。第二個(gè)子樣本的公司是根據(jù)信息發(fā)布的時(shí)間來選擇的。具體來說,我們探討了 10-K 和 10-Q 報(bào)告季度之間的差異以及盈利周期上半場和下半場之間的差異。在其他條件不變的情況下,我們假設(shè)在 10-K 和盈利周期前半段發(fā)布的信息與在 10-Q 和盈利周期后半段發(fā)布的信息相比,應(yīng)該更具有實(shí)質(zhì)性和信息性。因此,10-
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 二零二五版城市更新工程廉政保障合同樣本3篇
- 上海市浦東區(qū)2025屆中考沖刺卷生物試題含解析
- 二零二五版原創(chuàng)漫畫改編聘用合同3篇
- 2025年度柴油零售合同(社區(qū)加油站合作)4篇
- 2025版物流運(yùn)輸合同擔(dān)保及貨物保險(xiǎn)范本4篇
- 二零二五年電子商務(wù)合伙人股份合作合同3篇
- 2025年度綠色能源廠房租賃服務(wù)合同4篇
- 二零二五版股份代持合同解除協(xié)議書6篇
- 二零二五年度貨物存放與動態(tài)庫存管理服務(wù)協(xié)議3篇
- 2025年度廠區(qū)配電系統(tǒng)電氣火災(zāi)預(yù)防合同4篇
- 2025年度版權(quán)授權(quán)協(xié)議:游戲角色形象設(shè)計(jì)與授權(quán)使用3篇
- 2024年08月云南省農(nóng)村信用社秋季校園招考750名工作人員筆試歷年參考題庫附帶答案詳解
- 防詐騙安全知識培訓(xùn)課件
- 心肺復(fù)蘇課件2024
- 2024年股東股權(quán)繼承轉(zhuǎn)讓協(xié)議3篇
- 2024-2025學(xué)年江蘇省南京市高二上冊期末數(shù)學(xué)檢測試卷(含解析)
- 四川省名校2025屆高三第二次模擬考試英語試卷含解析
- 《城鎮(zhèn)燃?xì)忸I(lǐng)域重大隱患判定指導(dǎo)手冊》專題培訓(xùn)
- 湖南財(cái)政經(jīng)濟(jì)學(xué)院專升本管理學(xué)真題
- 考研有機(jī)化學(xué)重點(diǎn)
- 全國身份證前六位、區(qū)號、郵編-編碼大全
評論
0/150
提交評論