“学海拾珠”系列之一百一十一：分析师反应不足和动量策略

分析师反应不足和动量策略 ——“学海拾珠”系列之一百一十一 金融工程 专题报告 报告日期：2022-10-12 主要观点： 分析师：严佳炜 执业证书号：S0010520070001邮箱：yanjw@hazq.com 分析师：吴正宇 执业证书号：S0010522090001邮箱：wuzy@hazq.com 相关报告 1.《无形资产对因子表现的影响——“学海拾珠”系列之一百零一》 2.《“聪明钱”、“糊涂钱”与资本市场异象——“学海拾珠”系列之一百零二》 3.《如何预测动量因子的表现？——“学海拾珠”系列之一百零三》 4.《基金交易分歧与业绩影响——“学海拾珠”系列之一百零四》 5.《隐藏在日历异象背后的市值效应 ——“学海拾珠”系列之一百零�》 6.《基金公司内部的竞争与合作——“学海拾珠”系列之一百零六》 7.《不同的回撤指标之间存在差异性吗？——“学海拾珠”系列之一百零七》8.《低频交易的主动基金业绩表现如何？——“学海拾珠”系列之一百零八》9.《被动投资对共同基金管理能力和市场效率的影响——“学海拾珠”系列之一百零九》 10.《共同资金流Beta与因子定价— —“学海拾珠”系列之一百一十》 本篇是“学海拾珠”系列第一百一十一篇，作者研究了分析师的反应不足和动量策略。研究发现，动量效应源自于错误定价，而这种错误定价 是由基本面投资者反应不足所导致的，作者提出了分析师反应不足指标APU，并证实了APU能有效预测股票横截面收益，进一步揭示了收益动量和反转的原因。回到A股市场，APU本质是通过回归由历史分析师预测误差推导至对未来预测偏差的估计，可从分析师个体维度和一致预期维度进行构建，尝试测试其选股效果。 APU能有效预测股票横截面收益 APU与盈利动量和收益动量存在正交信息。APU与事后反应不足不存在正交信息，这更证明了APU是一个有效的反应不足的代理变量。 APU能更好的捕捉基本面投资者的反应不足 APU包含了所有已有的反应不足变量的信息，与基于历史收益、锚定偏差和盈利动量的变量相比，APU似乎在捕捉基本面投资者反应不足方面做得更好。 基本面投资者的反应不足归结为动量交易者的交易行为 APU引起了投资者反应不足，从而导致了多次反转。这些收益反转 发生的原因是，随着信息在投资者中逐渐扩散(反应不足)，动量交易者倾向于利用这种反应不足，因而股票价格往往更偏离其均衡价格(反应过度)。然后，当信息观察者通过交易来纠正这种误差定价时，就会出现反转。 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 敬请参阅末页重要声明及评级说明证券研究报告 正文目录 1引言4 2数据和方法5 2.1样本的选择5 2.2分析师反应不足构建方法5 3分析师反应不足、修正和预测误差7 4分析师反应不足和股票横截面收益8 4.1分析师反应不足和投资组合分组测试8 4.2APU是对异象的重新包装吗？9 4.3APU和其他动量相关预测因子的张成检验11 4.4对分析师反应不足和股票收益的替代估计11 4.5对分析师反应过度和股票收益13 4.6分析师反应不足、动量和盈利公告日14 4.7反应不足、动量和长期收益反转14 5反应不足因子15 5.1张成测试16 5.2模型表现17 6总结17 风险提示：18 图表目录 图表11981年12月至2019年12月(样本内)第一阶段回归的系数6 图表2描述性统计量和相关性矩阵7 图表3分析师反应不足的相关性矩阵8 图表4基于资产定价模型的替代指标回归(1983年1月至2020年12月)10 图表5分析师可预测的反应不足和控制变量的月收益回归11 图表6收益反应不足估计和股票横截面收益分析11 图表7张成测试12 图表8分析师反应不足和股票横截面收益的分析13 图表9分析师反应过度和股票横截面收益的分析14 图表10按APU排序的多空(10-1)投资组合的超额平均收益15 图表11投资组合的月超额收益百分比平均值16 图表12GMB和动量因子的张成测试16 图表13205个异象的GRS测试17 1引言 有充分的证据表明，动量策略可以预测股票横截面收益。动量效应缺乏合理解释为研究人员提供了机会，他们提出行为学理论，试图填补这一空白。在这些理论中，Barberis(1998)以及Daniel(1998)均提出了含代理变量的相关模型。虽然这两个模型都充分描述了各自的异象，但Fama(1998)认为，这些模型无法解释其他异象。 第三个有影响力的模型是由Hong和Stein(1999)提出的(之后简称HS模型)，它包含了基本面信息观察者和动量交易者。基本面观察者通过观察有关基本面的非公开信息来做出预测。然而，他们不看当前或过去的价格，信息在他们之间是逐渐扩 散的。动量交易者只看收益的趋势，而不看基本面。随着信息观察者的信息逐渐扩散，他们的反应不足驱动了动量交易者的行动，使价格更快地达到均衡。然而，即使在达到均衡价格之后，动量交易者也会继续推动价格上涨或下跌，因此，反应不足会导致更严重的反应不足现象。 在HS模型的众多优势中，实证证据表明，信息在小企业之间(BernardandThomas,1989,1990)和分析师覆盖率较低的公司(Hong，2000)之间的扩散更缓慢。此外，异质代理模型可用于解释卖空约束(Daniel，2019)。 尽管有这些行为理论，但研究评估这些策略如何衡量依赖于预测因子的表现。因此，动量预测因子可以由数据挖掘驱动，并可能随着时间的变化而变化。此外，基于历史收益的动量策略不仅会反应不足，还可能导致崩溃风险(Barroso和Santa- Clara,2015;Daniel和Moskowitz,2016)。 HS模型预测中信息观察者反应不足会导致动量效应，受此启发，作者提出了一个基于行为理论的动量预测因子。作者的假设是，分析师的预测很好地接近信息观 察者对市场的预期。实证结果支持了这一假设，即分析师的预测依赖于基本面和对动量效应的反应不足(Jegadeesh，2004;Engelberg，2020)。Chen(2020)发现，分析师的修正与盈利公告后的漂移相关，相应地，与股票收益相关。此外，先前的研究表明，分析师在预测公司盈利时，会过多得考虑他们的非公开的信息(Chen和Jiang,2006)。最后，可以预见的是，信息观察者会密切关注分析师的预测，相应地也会有类似的预期。 基于两步回归，作者提出了分析师由误差驱动导致的可预测的反应不足(APU) 的代理变量。第一步用混合的最小二乘回归，这个回归是基于滚动60个月的分析师 误差数据对滞后一年的解释变量去做的。受Hughesl(2008)的推动，作者使用以前的分析师的修正(Jegadeesh，2004)，过去12个月收益(Abarbanell,1991)和盈利惊喜 (Abarbanell和Bernard,1992)作为解释变量。第二步中，作者通过将第一步回归的 系数乘以当前反应不足的预测因子来估计APU。 作者的结果表明，APU是1983年1月至2020年12月股票横截面收益的强预测因子。按APU排序的市值加权(10-1)多空组合随后每月产生1.19%的超额收益(t-stat=3.51)。在控制了风险因子后，作者发现在所有指标中，风险调整后的收益均为正且在统计上显著。例如，在控制Fama和French(2018)六因子模型(FF6)后，按单个APU排序的多空投资组合每月产生0.85%的alphas(t-stat=3.48)。根据HS模型，该模型预测价格会重新调整，而信息在信息观察者中逐渐传播，作者发现APU驱动的股票收益在盈利公告日比非盈利公告日高出约6.5倍。 为了解决可能存在的担忧，即APU只是异象的重新包装，作者对替代指标进行 了测试，发现：1)APU对盈利和收益动量具有正交信息；2)用于估计APU的变量组 合不足以预测收益；3)如果作者对分析师的反应不足使用替代估计，比如在不包括盈 利惊喜或使用Jegadeesh(2004)提出的反应不足变量的情况下估计APU，APU与横截面收益之间的关系是稳健的，4)由反应不足和反向变量驱动的分析师预测误差与未来收益之间没有统计上的显著关系。 最后，鉴于Carhart(1997)的动量因子(MOM)不能充分解释APU，作者提出了一个基于企业市值和APU双重排序多空组合构成的(GMB)反应不足因子。作者发现了GMB因子中包含MOM的证据。此外，Fama和French(2015)�因子模型中加入的GMB因子可以解释Chen和Zimmermann(2022)提出的205个(明确和可能的)收益预测因子，以及标准资产定价模型，如FF6、误差定价因子(Stambaugh和Yuan,2017)和行为因子(Daniel，2020)。 作者的论文做出了几个贡献。首先，作者对分析师反应不足现象提供了一个精简的估计，这有助于解释分析师反应不足对股价的影响。通过展示信息观察者的反应不足与分析师预期的反应不足相一致的证据，作者对Chordia和Shivakumar(2006)和Novy-Marx(2015)的发现提供了见解，即盈利动量包含收益动量。作者关于反应 不足因子可以解释收益和盈利动量的发现，证明了收益和盈利动量是由信息观察者反应不足驱动的同一现象，与盈利和收益动量的传统代理变量相比，APU可以更好地捕捉反应不足。 其次，作者表明只有由反应不足驱动的分析师误差与收益强相关，对分析师误差与收益之间关系的文献做出了贡献。这些结果阐明了Hughes(2008)的研究结果，表明由应计项目和反应过度驱动的预测误差与未来收益不相关。这些发现也适用于 使用Jegadeesh(2004)的反向变量或So(2013)模型中使用的来估计分析师的可预测误差的变量。 第三，通过估计基于行为学理论的动量，作者提供了对以往基于历史收益估计 动量的研究的新见解。作者的结果表明，APU可以包含历史12-2收益(Jegadeesh 和Titman,1993)和中期动量(Novy-Marx,2012)以及其他旨在捕获盈利动量的代理变量(Ball和Brown,1968；Bernard和Thomas,1989)和锚定效应(George和Hwang,2004)。最后，在实证测试和解释广泛的异象方面，反应不足因子的良好表现为近期的资产定价研究提供了见解(Stambaugh和Yuan,2017;Fama和French,2018;Daniel，2020)。 论文的其余部分组织如下。在第2节中，作者描述了样本选择过程，并提供了APU计算细节。在第3节中，作者分析了APU是否可以预测未来分析师的修正和分析师的误差。然后，作者在第4节分析了APU与超额收益和风险调整后的收益之间的关系。在第5节中，作者提出并分析反应不足因子的性质，并在第6节中进行了总结。 2数据和方法 2.1样本的选择 为了构建样本，作者筛选了在纽约证券交易所、美国证券交易所和纳斯达克上市的股票代码为10和11的公司。样本期为1977年1月至2020年12月。 2.2分析师反应不足构建方法 在HS模型的驱动下，作者提出了一个基本面信息观察者反应不足的代理变量，本质上是估计分析师由反应不足驱动的预测误差。作者遵循Hughes(2008)提出的分类，其中用于估计误差的变量分为反应不足、反应过度和应计部分。在第4.4节中，作者基于反应不足变量的备选组合来估计APU，主要推论保持不变。 与之前估计盈利预测和误差的研究一样，作者使用了两步回归。(Hughes，2008;Mohanram和Gode,2013;Azevedo，2021)。在第一步回归中，类似于Grinblatt(2020)，作者通过使用60个月的数据滚动窗口进行回归(样本内)来估计月度预测量(见方程(1))。作者将第t个月企业i的因变量与第t-12个月企业i的自变量进行回归： 0 𝐴𝐸(𝑖,𝑡)=𝛼0+𝛼1𝑅𝑒𝑣𝑖𝑠𝑖�