“学海拾珠”系列之一百六十九：资产增长率在资产定价中的作用

资产增长率在资产定价中的作用 ——“学海拾珠”系列之一百六十九 金融工程 专题报告 报告日期：2023-12-07 主要观点： 分析师：骆昱杉 执业证书号：S0010522110001邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001邮箱：yanjw@hazq.com 相关报告 1.《机器学习与基金特征如何选择正Alpha基金？——“学海拾珠”系列之一百六十八》 2.《企业季度投资激增与股票横截面收益——“学海拾珠”系列之一百六十七》 3.《基金波动率来源与基金业绩——“学海拾珠”系列之一百六十六》 4.《均衡配置宏观经济因子：分散效果如何？——“学海拾珠”系列之一百六十�》 5.《MemSum：基于多步情景马尔可夫决策过程的长文档摘要提取——“学海拾珠”系列之一百六十四》 6.《奇异值分解熵对股市的动态预测能力——“学海拾珠”系列之一百六十三》 7.《基金超额能力、规模报酬递减与价值创造——“学海拾珠”系列之一百六十二》 8.《因子间相关性与横截面资产回报 ——“学海拾珠”系列之一百六十一》 本篇是“学海拾珠”系列第一百六十九篇，文献对HXZ和FF5F模型中的投资因子进行了实证检验与理论探讨，实证发现其真正的内在因素为债权替代机制，而并非HXZ和FF5F模型所依据的现值理论和q理论。同时发现存货增长率因子和应收账款增长率因子具有和总资产增长率因子相似的定价效力。 使用企业投资指标构建投资因子 通过在具有投资因子替代结构的模型之间进行夏普比率测试，比较模型f1和f2的定价差异。同时，我们还考虑了144种不同测度的投资因子来扩展分析。研究表明，基于AG因子的HXZ和FF5F模型能够较好地解释股票收益，AG因子能够较好地捕捉某些宏观经济动象，进 而引入生产率、消费、流动性、不确定性、融资成本、生产网络和市场情绪的冲击的宏观经济指标。 AG、INVT和AREC因子内在机制为债权替代 结果表明，引入AG子成分中的库存(INVT)或应收账款(AREC)因子的模型，其性能与原始模型没有显著不同。通过回归，两者一起包含了AG因子的定价信息。引入宏观经济因素和投资者过度外推程度(DOX)指标，发现股权融资成本冲击对AG、INVT和AREC投资组合 具有定价效力，而对PPE投资组合则不具备。根据Beloetal.(2019)，由于INVT和AREC比PPE更容易抵押，比PPE更能代表公司对股权融资成本的敏感性，得出其内在经济机制为债权替代，且当市场处于过度外推状态时，包含AG因子的模型具有更高的定价效率。 文献来源 核心内容摘选自MichaelCooper,HuseyinGulen,MihaiIon 2023.10.28发布在JournalofFinancialEconomics的文章《Theuseofassetgrowthinempiricalassetpricingmodels》 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简介4 2采用企业投资的替代指标构建因子7 2.1使用夏普比率来比较模型性能7 2.2数据8 3利用资产增长率的子成分构建因子9 3.1存货和应收账款因子解释了资产增长因子11 4资产增长率和宏观经济因子14 5内在机制探究18 6结论22 风险提示：23 图表目录 图表1文章框架4 图表2使用夏普比率测试比较HXZ和FF5F模型与基于替代投资因子的模型8 图表3使用替代投资因子的HXZ和FF5F模型表现9 图表4使用夏普比率测试将HXZ和FF5F与基于AG子成分的模型进行比较10 图表5AG因子和其子成分对库存和应收账款因子的回归12 图表6AG子成分库存因子的回归13 图表7AG子成分应收账款因子的回归14 图表8使用宏观经济变量对双重排序市值加权投资组合进行定价16 图表9使用宏观经济变量对双重排序市值加权投资组合进行定价：三因子模型17 图表10股票市场情绪对平均股票发行的影响19 图表11使用夏普比率测试来比较HXZ和FF5F与基于DOX的传统因子模型20 图表12使用夏普比率测试来比较HXZ和FF5F与基于DOX的替代投资因子模型21 图表12基于DOX指标的引入备选投资因子的HXZ和FF5F模型表现21 1简介 图表1文章框架 资料来源：华安证券研究所整理 当前，因子模型有许多进展，如Hou等人(2015)的四因子模型和Fama和French(2015)的�因子模型，提高了股票截面收益的解释力度，同时挖掘出许多异象溢价。相较于Fama和French(1993)三因子模型和Carhart(1997)四因子模型，Fama和French(2015)以及Hou等人(2015)的研究中增加了与企业盈利能力和投资相关的新因子，其使用盈利因子和投资因子来解释股票的预期收益都具有一定的理论依据，�因子模型基于股息贴现模型，四因子模型基于Cochrane(1991)的生产模型。 本文对Hou,Xue,和Zhang(2015；以下简称HXZ)以及Fama和French(2015； 以下简称FF5F)文章中的投资因子进行了实证检验和理论分析。 Hou-Xue-Zhang四因子模型（HXZ）： E[ri]−rf=βiE[MKT]+βiE[ME]+βiE[I/A]+βiE[ROE] MKT FF5模型（FF5F）： MEI/A ROE E[ri]−rf=αi+βiE[MKT]+βiE[SMB]+βiE[HML]+βiE[RMW] MKT CMA +βiE[CMA] SMB HML RMW 我们发现，HXZ和FF5F的实证检验中使用的投资因子（I/A，CMA）并不是基于传统的企业投资标准，如资本支出和不动产、厂房和设备(PPE)增长。相反，两篇论文都使用Cooper等人(2008)的“资产增长”(即总资产账面价值的同比变化)作为投资因子算法，并且HXZ和FF5F因子模型的解释力很大程度上依赖于其对投资因子的计量方法，当采用传统的企业投资衡量标准时，模型效力则大大下降。因此，尽管实证效力尚可，其可能缺乏根本的理论合理性，正如从其他许多公司特征 因子挖掘出的异常回报一样。 我们认为，在HXZ和FF5F模型中，很难证明资产增长率是衡量企业投资活动的首选指标，主要原因有以下几点，首先，FF5F和HXZ使用资产增长率作为投资的衡量标准，其合理性有待验证，因为这些模型没有给出严格验证，说明哪一组特征最适合于构建投资因子。这主要是因为它们是将预期回报与一组不可观察的特征联系起来的简化模型——账面净值的预期增长和FF5F的预期盈利能力，以及HXZ的最佳投资和预期盈利能力，这些不可观测的特征与数据没有明确的联系。第二，资产增长率不包括资产负债表外的无形资本，如知识资本和管理层资本，鉴于Peters和Taylor(2017)的最新证据，这是一种日益重要的资本类型，应包括在企业的投资活动中。第三，资产增长率混淆了投资和用于投资的融资。例如，如果一家公司用现金为一项PPE投资融资，投资活动确实发生，但资产增长率为零。第四，难以确定总资产某些组成部分的增长，如流动资产的增长在多大程度上可以被归类为投资活动。虽然流动资产的增加可能预示着公司业务的增长，但也可能是公司停 滞不前的结果。在缺乏投资机会的情况下，现金余额会增加，如果公司不能以同样的速度销售其产品，存货会增加；如果公司不能收回提供给客户的商业信用，应收账款会增加，这些都导致了资产增长率的上升，但并不是投资活动所致。 出于对资产增长率(AG)指标的关注，我们进行了因子测试，在HXZ和FF5模 型在使用其他常用投资测度代替AG因子。我们首先使用PPE的百分比增长、资本支出(CAPX)除以滞后总资产，以及更完整的投资指标(如Peters和Taylor(2017)提出的指标，包括表外无形资产投资)来构建投资因子。将新的投资因子表现与 HXZ和FF5F模型表现进行比较。结果表明，如果使用新的指标替代AG指标，HXZ和FF5F模型性能会显著下降。这一发现可以推广到更广泛的投资指标，进而，在模型挖掘中，我们构建了144种不同类型资产(如库存、PPE、商誉、R&D、 SGA)的不同投资因子，我们发现几乎所有模型表现都低于引入AG因子的HXZ和 FF5F模型。无论是传统测量还是更广泛的测量都不够显著，这更加佐证了我们的猜想，即AG因子和经济意义上的投资的关联度不大，因此使用标准q理论作为投资因素的动机可能是错误的。 为了更深入地了解可能推动AG因素定价能力的因素，我们从资产负债表的两侧将总资产的增长分解为其主要子成分，并衡量当我们用基于其中一个子成分的因素取代AG因素时，HXZ和FF5F模型的表现如何/是否发生变化。在资产负债表的 左侧，我们根据现金、存货、应收账款、不动产、厂房和设备(PPE)、无形资产和其他资产(即总资产减去前�类)的变化率来构建新的投资因子。在资产负债表右侧，我们使用流动经营负债、非流动经营负债、长期负债、普通股和留存收益的变化来构建因子。这为我们提供了HXZ和FF5F模型的11个不同的替代版本，每个版本对应AG的一个子成分。结果发现，两侧的子成分在HXZ和FF5F中的表现较为一致。首先，使用传统测度因子的模型表现远不如使用AG因子的模型表现。第二，使用存货增长(INVT)和应收账款增长(AREC)的模型与使用AG因子的模型表现没有 显著差异。进而，我们使用直接回归来表明INVT和AREC因子一起包含了AG因 子对HXZ和FF5F模型贡献的大部分定价信息。此外，AG、INVT和AREC因子没有被AG的任何其他子组成部分所涵盖。这些发现表明，AG因子的解释力主要来自应收账款和存货动态中包含的信息，而不是PPE和无形投资。 尽管HXZ和FF5F模型表现对投资因子的构建方式很敏感，但它们在描述股票收益的横截面方面表现良好。这意味着其构建的AG因子可能捕捉到了截面收益变动的一个共同来源，根据上述实证结果，除INVT和AREC因子外，其他投资指标 没有捕捉到该来源。为了探索这种协同作用的来源，我们使用了一组具有代表性的宏观经济变量，这些变量已被证明会在股票回报中进行风险分散，我们使用标准的 GMM测试来检验它们是否有助于根据AG、INVT、AREC和PPE增长（超出市场因素）对投资组合进行定价。结果发现，融资相关的冲击(如对投资者情绪、股票发行成本和金融中介资产负债表的总体冲击)有助于对AG、INVT和AREC投资组合进行定价，但对于PPE投资组合没有显著的定价效率。其中，Baker和Wurgler(2006)的股票市场情绪因子(BW)是唯一对AG、INVT和AREC投资组合都具有显 著效率的定价因子。从中我们认为，AG、INVT和AREC因子的优异表现可能与其捕捉总体融资冲击的能力有关(如Beloetal.，2019；Adrienetal.，2014；Heetal.,2017)，尤其是那些受股市情绪变化驱动的因素。为探究BW因子相对于其他综合因子是否具有独立的定价信息，我们使用三因子SDF重复GMM测试，构建包括市场因子、BW因子和先前测试中使用的剩余因子之一的线性函数。我们发现，几乎对于所有的SDF模型，当对AG、INVT和AREC投资组合定价时，BW因子仍然具有显著的SDF影响，但在对PPE投资组合定价时没有。有趣的是，当对AG、INVT和AREC的投资组合进行定价时，将BW因子加入SDF中时，几乎所有其他宏观因素都变得不再显著，而当对PPE投资组合进行定价时，情况则正好相反，其中TFP、CAY、流动性和基于投资的技术冲击因子具有较高的显著性。 我们认为，我们的实证结果与Belo等人(2019)提出的债权替代机制相一致。作 者指出，投资较多的公司(以资本化支出CAPX衡量)应该更少受到股票发行成本变化的影响，因其比低投资公司更少受到抵押约束，这应能使这些公司在经济不景气时通过用股权替代债