“学海拾珠”系列之一百二十一：投资者关注度在市场择时中的作用

投资者关注度在市场择时中的作用 ——“学海拾珠”系列之一百二十一 金融工程 专题报告 报告日期：2022-12-21 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.《基金经理能选出好的“投机性”股票吗？——“学海拾珠”系列之一百一十四》 2.《BAB增强版：与包含定价噪音的Beta为敌——“学海拾珠”系列之一百一十�》 3.《ETF的资金流动是否蕴含独特信息？——“学海拾珠”系列之一百一十六》 4.《技术相似性对股票收益的预测能力——“学海拾珠”系列之一百一十七》 5.《基金投资者的真实择时能力如何？——“学海拾珠”系列之一百一十八》 6.《基于财报文本的竞争关系与股票收益——“学海拾珠”系列之一百一十九》 7.《社会责任基金的业绩与持续性— —“学海拾珠”系列之一百二十》 本篇是“学海拾珠”系列第一百二十一篇，作者主要研究了投资者关注度和市场收益之间的关系。研究发现，投资者关注度能负向预测市场收 益，该作用机制主要源于短期价格压力产生的反转，对于高贝塔和具有高特异性波动率的股票，回归斜率的负值更显著。 回到A股市场，投资者一般都直接使用关注度的代理指标，鲜有通过主成分分析等方法提取多个指标的共有成分；另外，大多都关注指标对横截面收益的影响。因此，投资者关注度对市场收益的预测能力值得深入探讨。 投资者关注度在市场层面上很重要，其包含独特的预测股市的信息当依赖于任何单个关注度度量时，投资者关注度的真实预测能力很可 能被低估。本文使用12个单独的关注度代理指标，并且通过使用偏最小 二乘（PLS）、比例主成分分析（sPCA）和主成分分析法（PCA）的信 息聚合方法提取了共同成分，在控制了常见的经济变量以及投资者情绪指数因素后，投资者整体关注度指标依然保持了很强的预测能力。 投资者整体关注度对收益的负向预测主要源于短期价格压力导致的反转 Barber和Odean（2008）和Da等人（2011）认为，个人投资者是关注度较高的股票的净买家。成交量暂时推高了价格，这种关注度驱动的价格压力随后又回到了其基本价值。本文的实证结果与他们的解释一致。 对于高贝塔和具有高特异性波动率的股票，回归斜率负值更显著 本文发现对于按市场β值和特异性波动率分类的股票组合，投资者整体关注度负向预测超额收益。从截面上看，大多数组合的回归系数估计值都是负的，这表明投资者总体关注度的负回报预测性在横截面上是普遍存在的，对于高贝塔股票和那些具有高特异性波动的股票来说，斜率负值更明显。 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数据和统计方法6 2.1单个关注度代理变量6 2.2投资者总关注度7 2.2.1因子构建模型7 2.2.2主成分分析7 2.2.3偏最小二乘法8 2.2.4比例主成分分析9 3实证结果9 3.1预测股市收益9 3.2与经济变量的比较11 3.3与投资者情绪的比较12 4经济解释13 4.1投资者关注度与总成交量失衡14 4.2基于特征的投资组合的可预测性15 5结论16 风险提示：17 图表目录 图表1关注度指数时间序列9 图表2预测结果11 图表3与经济变量的比较12 图表4与投资者情绪的比较13 图表5与订单失衡的关系15 图表6预测特征排序组合16 1引言 关注度是一种稀缺的认知资源（Kahneman（1973）），越来越多的文献研究了关注度对横截面收益的影响。同时，Peng和Xiong（2006）的理论模型表明，有限的关注度导致投资者更多地关注市场和行业信息，而不是公司特定信息，这意味着投资者的关注度和市场回报之间存在联系。然而，关于投资者关注度预测股市回报的能力的实证文章有限。Li和Yu（2012）和Yuan（2015）的文章似乎是唯一的此类文章；两者都只在样本内证据中找到。尽管如此，自Goyal和Welch（2008年）以来，研究人员现在专注于使用样本外方法来测试市场可预测性，这在关注度文献中没有得到解决。事实上，本文发现现有的单个关注度代理变量在样本内外的市场预测方面能力有限。 本文使用12个单独的关注度代理指标，结果表明它们的共同成分对股市预测很重要，并且通过使用偏最小二乘（PLS）、比例主成分分析（sPCA）和主成分分析法（PCA）的信息聚合方法很好地提取了这一成分。本文有三大贡献：首先，作者表明投资者的关注度在市场层面上很重要：当通过PLS、sPCA和PCA方法集中使用单个代理时，它可以有力地预测样本内外的股市表现，并可以为投资者带来可观的经济收益。第二，本文表明投资者的关注比之前认为的要重要得多。如果投资者的关注度只在横截面上影响股价，那么它在金融领域的作用是有限的。然而，如果它对总市场产生影响，它的作用就会大大增加。正如Cochrane（2008）所强调的，市场风险溢价对资产定价、企业融资和整个经济都有着深远的影响，其可预测性是金融学的核心问题之一。然而，现有的文章没有提供足够的证据证明投资者关注度对市 场的预测能力，而本文证明如此。第三，与Baker和Wurgler（2006）的投资者情绪指数相似，本文提供了一个投资者关注指数。它捕获所有代理变量中的相关信息，使其成为市场关注度的综合衡量标准。因此，它可以在许多情况下用于检测投资者关注度的影响，例如在使用投资者情绪指数的任何应用中。因此，总投资者关注指数的影响超出了其对市场风险溢价的可预测性。 在所有的关注度指标中选择了12个，分别是异常交易量，极端收益率，历史收 益，最近52周新高和历史最高，分析师覆盖率，广告费用变化，共同基金流入和流出；媒体报道，电子数据收集、分析和检索（EDGAR）系统上的搜索流量，以及谷歌搜索量。因为大多数现有的关注度指标都是在公司层面，所以首先将它们聚合为市场层面的指标，然后进一步将单个市场层面的衡量指标聚合为一个投资者关注度综合指数。 本文的主要聚集方法是PLS。正如Huang、Jiang、Tu和Zhou（2015）中汇总 投资者情绪指标的情况一样，有理由假设真实的投资者关注度是不可观察的，每个单独的指标都只是其简单的代理变量。从统计学上讲，本文需要通过去除与股票收益无关的个体误差的所有噪声，从代理变量中提取与股票收益相关的真正关注度。 如PLS方法的先驱Wold（1966）所示；Kelly和Pruit（t2013），（2015）；和Light、 Maslov和Rytchkov（2017）等，PLS是从所有个体代理获得聚合关注度的有效方法。结果（𝐴𝑃𝐿𝑆）是本文的综合关注度指数之一，它使用了单个代理和市场回报中的所有信息。 本文还使用了主成分分析（PCA）和Huang,Jiang,Li,Tong,和Zhou（2021）最近开发的sPCA。PCA方法提取一个索引来解释代理的最大方差，而不一定是回报。根据设计，PCA在捕获与股票收益相关的最大信息方面能力有限（Kelly和Pruitt （2015））。为了更好地捕捉可预测性，Huang等人（2021）通过根据预测未来股 票收益的预测能力调整每个预测值，对PCA方法进行了改进。直观地说，他们的sPCA将更多的权重放在预测未来回报的更重要的预测指标上。因此，本文有两个基于PCA和sPCA方法的备选聚合关注度指数，分别表示为𝐴𝑃𝐶�和𝐴𝑠𝑃𝐶�。 在1980年1月至2017年12月期间股票市场月度超额收益的预测回归中，当 使用PLS测量的关注度𝑨𝑷𝑳�作为单一预测因子，本文发现样本R方为2.15%，具有高度显著的-0.64%斜率。这种可预测性存在长达2年，但回归斜率显著性随着预测时间的增加而缩小，表明从长期来看，可预测性减弱。本文发现替代的两个关注度 指数𝐴𝑠𝑃𝐶�和𝐴𝑃𝐶�有相似的实证结果。𝐴𝑠𝑃𝐶�市场月回报的样本内R方为1.26%，回归系数为-0.49%，统计显著。预测期越长，预测效果越弱。𝐴𝑃𝐶�还预测了除1个月期外的所有预测期内的市场回报率。与单个关注度代理相比，本文的总体关注度显示出更强的股市回报预测能力，这表明在回报可预测性方面，使用代理变量的整体表现优于单独使用的效果。 此外，本文将总投资者关注度的预测能力与常见回报预测因子、Goyal和Welch （2008）使用的经济变量以及Baker和Wurgler（2006）的投资者情绪指数进行了比较。本文发现，在控制了这些因素后，总体投资者关注度指标依然保持了很强的可预测性。结果表明，投资者整体关注度包含了独特的预测股市的信息，这部分不能用经济基本面和投资者情绪来解释。 本文的实证结果之所以重要有三个原因。首先，他们第一次表明，无论是统计上还是经济上，投资者对股市的关注都很重要，这突出其在资产定价中的重要作用。第二，当依赖于任何单个关注度度量时，投资者关注度的真实预测能力很可能被低估。相反，本文的投资者整体关注度通过PLS、sPCA和PCA的有效聚合方法集中使用了所有单个代理。聚合指数汇总了个体代理中最相关的信息，因此，它们优于现 有的个体关注度度量。第三，𝑨𝑷𝑳�可以像Baker和Wurgler（2006）的投资者情绪指数一样用于其他应用。 为了进一步理解为什么投资者整体关注度会对市场未来回报产生负面影响，本文探讨了潜在的经济机制。本文发现，负的可预测性主要源于短期价格压力反转。 Barber和Odean（2008）和Da等人（2011）认为，个人投资者是吸引眼球股票的净买家。成交量暂时推高了价格，这种关注度驱动的价格压力之后又回到了基本面。本文的实证结果与他们的解释一致。然而，正如Yuan（2015）所建议的那样，本文的结果不能排除投资者关注度高后净卖出的可能性。此外，如Gervais、Kaniel和Mingelgrin（2001年）的实证和Andrei和Hasler（2020年）的理论所示，在相对较短的时间内，关注度也与未来回报呈正相关。 从截面上看，本文发现投资者整体关注度负向预测按市场β值和特异性波动率 分类的股票组合超额收益。因此，本文的结果表明，负面的收益预测性在截面上是 普遍存在的，与本文在总体市场水平上的发现一致。此外，本文发现可预测性存在很大的横截面差异。对于高贝塔股票和具有高特异性波动率的股票，回归斜率负值更显著。Han,Hirshleifer,和Walden(2021)记录了投资者易于被高方差股票（高贝塔 股票和具有高特异性波动的股票）吸引，推动其价格上升，从而压低其预期收益。本文的实证研究结果与他们的研究结果一致。 本文的其余部分组织如下：第二节描述了构建投资者关注度指标的数据和方法。第三节提供了实证结果。第四节探讨了回报可预测性的经济意义。第�节进行总结。 2数据和统计方法 2.1单个关注度代理变量 本文使用了12个关注度代理指标。除了近52周高点和历史高点之外，本文首先构建公司层面的关注度指标，然后在市场层面进行汇总。 具体构建过程如下： 异常交易量（AAVol）。本文首先计算每只股票（NYSE/AMEX/NASDAQ）每个月末的交易量与前1年的平均交易量的比率。然后，本文计算所有股票的等权异常交易量作为市场层面的关注度指标。本文从CRSP数据库中获得1980年1月至2017年12月的横截面股票交易量。 极端收益率（𝐴ERet）。本文首先计算每只股票（NYSE/AMEX/NASDAQ）每个月末的回报率与之前1年的平均值的比率。然后，本文计算所有股票的等权极端收益率作为市场层面的关注度衡量标准。本文从CRSP数据库中获得1980年1月至2017年12月的横截面股票收益。 历史收益率（APRet）。本文将历史收益率定义为每只股票 （NYSE/AMEX/NASDAQ）在过去12个月的