“学海拾珠”系列之一百七十八：高成交量回报溢价与经济基本面

高成交量回报溢价与经济基本面 ——“学海拾珠”系列之一百七十八 金融工程 专题报告 报告日期：2024-02-08 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.《基金经理技能之卖出能力的重要性——“学海拾珠”系列之一百七十七》 2.《美元beta与股票回报——“学海拾珠”系列之一百七十六》 3.基于残差因子分布预测的投资组合优化——“学海拾珠”系列之一百七十�》 4.《历史持仓回报会影响基金经理后续选股吗？——“学海拾珠”系列之一百七十四》 5.《基于端到端神经网络的风险预算与组合优化——“学海拾珠”系列之一百七十三》 6.《低风险组合构建：基于下行风险的缩放策略——“学海拾珠”系列之一百七十二》 7.《使用机器学习识别基金经理投资能力——“学海拾珠”系列之一百�十六》 8.《通胀是否会影响会计信息-股票价格间的相关性?——“学海拾珠”系列之一百�十�》 本篇是“学海拾珠”系列第一百七十八篇，作者研究发现高交易量回报溢价（HVP）具有预测宏观经济指标的能力，不受常见的股票定价因子和商业周期变量的影响；且很大一部分HVP无法用风险因子、常见定价因子甚至宏观经济因子来解释。 高交易量回报溢价HVP可预测经济指标 作者研究发现异常交易量和股票收益之间正相关，称之为高交易量 回报溢价（HVP）。其次，通过单变量、多变量以及控制变量法交叉验证发现，高交易量溢价HVP对未来经济活动具有显著的预测能力，尤其是工业生产增长率，且HVP的预测能力在很大程度上独立于常见的股票因子（如FF5、流动性因子等）和商业周期变量。 风险因子、行为或错误定价对HPV的理论解释 虽然本文为高交易量回报溢价提供了基于风险的解释，如市场贝塔 值较低（较高）的股票的成交量较高，那么在下一个月的表现较好（较差），但很大一部分交易量溢价无法用风险因子、错误定价甚至宏观经济因子来解释，值得进一步探究。 文献来源 核心内容摘选自ZijunWang于2020.2.25在《JournalofFinancial Economics》上发表的文章《Thehighvolumereturnpremiumandeconomicfundamentals》 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假设和研究方法6 3数据与基本统计结果7 4交易量溢价对经济活动的预测能力10 4.1单变量回归结果10 4.2多变量回归结果11 4.3多元回归的其他结果12 4.4样本外证据13 4.5交易量溢价对其他经济指标的预测能力14 5基于风险维度对HVP的解释14 5.1异常交易量与股票特征之间的截面关系15 5.2基于异常交易量和其他收益预测因素的二元组合分析16 5.3交易量溢价对共同风险因子和宏观经济因子的回归模型19 5.3.1交易量溢价和共同（风险）因子19 5.3.2交易量溢价价差和Chen等人（1986年）的因子21 6基于行为/定价错误对HVP的解释22 7结论25 风险提示：25 图表目录 图表1文章框架4 图表2高成交量回报溢价和成交量十分组组合回报的汇总统计9 图表3单变量回归——高成交量溢价预测经济活动9 图表4HIGH-LOW累计回报10 图表5多元回归结果——高交易量溢价预测工业增加值(HVPVW)11 图表6样本外预测——成交溢价对美国工业产量的预测性能13 图表7成交量分位与股票特征15 图表8交易量排序组合的超额回报：考虑规模、流动性冲击和特异性波动17 图表9按交易量排序的投资组合的FF5ALPHAS，有/无控制其他回报预测因子18 图表10基于风险和错误定价因素对HVP的时间序列回归20 图表11根据交易量形成的投资组合的宏观经济风险敞口21 图表12基于异常高交易量形成的投资组合的预测收益差22 图表13按异常交易量和机构持股排序的股票回报率23 图表14按异常交易量和错误定价得分排序的股票回报率24 1引言 图表1文章框架 资料来源：华安证券研究所整理 长期以来，人们已经认识到，最近经历了大幅正面交易量冲击的股票会获得超出市场调整后的回报（Gervais等，2001；Kaniel等，2012）。基于1963年7月到2016年12月的美国市场的数据，研究表明，做多近期交易量异常高的股票、做 空交易量异常低的股票的投资策略，可以在价值加权基础上获得平均每月0.53%的规模调整后的溢价，在等权重基础上获得0.68%的溢价，且统计显著。卡尼尔等人 （2012年）最初构建的按交易量排序的投资组合的前十分位数和后十分位数之间的价差产生了相似的回报率。 对HVP的主要解释是，它体现了Merton（1987年）的投资者认可假说 （Gervais等人，2001年；Israel等人，2018年；Kaniel等人，2012年；Lerman等人，2008年）。根据这一假说，在信息不完全的市场中，股票交易活动的正向冲击会增加股票的知名度，从而增加了对该股票的后续需求和价格提升。同样， Bali等人（2014年）用投资者注意力不集中和流动性不足来解释与流动性冲击相关的溢价。在检验交易量与回报关系的微观结构文献中，许多研究采用了定价错误的解释。例如，Gervais和Odean（2001年）以及Statman等人（2006年）认为，交易量描述了投资者的学习曲线，导致过度自信，并进一步影响未来的股票回报。Barber和Odean（2008年）以及Hou等人（2009年）认为，交易量与投资者的注意力有关，反映了投资者对公司新闻的反应。 本文是对前几篇论文的延伸，研究异常交易量与未来股票回报率之间的显著正 相关性是否与基本经济风险有关。更广泛地说，我们感兴趣的是交易量溢价是否可以用现有的因子定价模型来解释。受Fama（1991）关于横截面和时间序列股票回 报率可预测性之间存在明确联系的猜想的启发，我们假设，如果从股票横截面构建的交易量溢价确实与经济基本面相关，那么它有助于预测未来实际经济活动随时间的变化趋势。同时，代表经济风险的因子有助于解释根据异常交易量排序的股票的截面收益变动。 为了验证这些假设，我们采用了两种互补的实证建模策略，每种策略都被不同 的学者用来研究回报的经济内涵，包括规模溢价、价值溢价、动量、与投资相关的回报异常和流动性。我们首先在预测性回归的框架内研究交易量溢价是否有助于预测未来的实际经济活动。样本内和样本外证据表明，交易量溢价包含的信息有助于预测长达九个月的工业生产增长。从数量上看，交易量溢价每增加一个标准差，就 会预测未来一个月的工业生产增长率会下降9.2个基点，这大约是样本期间平均经济增长率的一半。成交量溢价HVP对其他三个宏观经济指标也有类似的预测能力：芝加哥联储全国活动指数(CFNAI)、公司总收益和非农就业人数。 然后，我们在资产定价框架内研究，交易量溢价在多大程度上可以由股票回报中的常见风险因子和宏观经济因子来解释。由于共同收益因素并不能完全解释 HVP，我们探讨了经济风险因素是否具有额外的解释力。研究七因子模型（Fama和French（2015年）�因子、流动性因子、跟踪行业生产增长新闻的模拟投资组合回报），我们发现经济风险因子已经被定价。然而，这些因子仅能解释交易量溢价的三分之一。 此外，我们研究低交易量和高交易量投资组合之间的平均回报差异有多少可以 通过它们对系统风险的敞口来解释，这里是通过对Chen等（1986年）提出的�个宏观经济因子来衡量。结果表明，在与工业生产和期限溢价相关的经济风险上，高成交股票的敏感性高于低交易量股票组合。直观地说，一些股票的交易量之所以会 增加，部分是因为这类股票的增长前景比其他股票对未来经济和基本面新闻的信息更为敏感，而这些新闻必须通过交易来定价。尽管如此，因子敏感系数的差距很小， �个经济因子总共只能预测交易量溢价的一小部分。 总体而言，时间序列证据显示了高交易量回报溢价与经济基本面之间的联系。然而，从双变量横截面分析的角度来看，无论是在股票还是投资组合水平上的证据 都相对较弱。特别是，虽然风险在推动交易量溢价方面发挥了作用，但影响较小，交易量溢价的大部分成分不能通过常见的回报因素和经济风险因素来解释。我们还 发现，Stambaugh和Yuan（2017年）以及Daniel等人（2020年）这两个基于错误定价的因子模型无法解释观察到的交易量溢价。因此，从资产定价的角度来看，回报异常的来源仍然是一个值得讨论的问题。 Akbas（2016）发现，盈利公布前一周交易量异常低迷的股票往往会出现更多不利的盈利意外。Israelietal（2018）详细证明，股票交易量的意外增加与来年更高的企业投资和融资现金流相关。Han和Huang（2018）发现，流动性的负面冲击会导致股票价格在短期内走低，但在长期内走高。他们用公司层面的基本面变化和信息不确定性来解释这种影响。我们的贡献与这些研究不同，上述研究考察的是公 司层面的交易量/流动性效应，而本文关注的是月度市场总量和宏观经济数据。我们的研究兴趣在于评估交易量溢价与经济基本面之间的联系。 本文与其他一些同样将与交易量相关的回报溢价解释为风险补偿的论文有关。然而，他们对风险的定义与我们在此研究的并不相同。例如，Garfinkel和Sokobin （2006年）将盈利公布前后的异常交易量作为投资者意见分歧的指标，并将意见分歧视为一种风险。同样，Schneider（2009年）认为，高交易量意味着信息质量低，因此不确定性更大。Banerjee和Kremer（2010年）也持类似观点。 Gallmeyer等人（2009年）认为，大成交量预示着投资者对股票需求的不确定性程度不同寻常。相比之下，我们研究的是成交量溢价与常见风险因素之间是否存在直接联系。 本文还与有关公司和市场整体（非）流动性对未来股票回报预测能力的大量文献密切相关。本文与流动性文献的主要区别在于我们对交易量信息的使用不同。以前的许多研究都以交易量（成交额或订单流）的形式研究其影响（Brennan等人，1998年；Chordia和Swaminathan，2000年；Lo和Wang，2010年；Statman等人，2006年）。另一种文献基于水平形式的交易量来衡量流动性（或交易成本），并研究其对当时和未来价格变化或经济活动的影响（Amihud，2002；Chen等人，2018；Lou和Shu，2017；Næs等人，2011；Pastor和Stambaugh，2003）。最近的一些研究侧重于流动性冲击（Bali等人，2014年；Han和Huang， 2018年）。相比之下，我们研究的是通过单独的交易量冲击来交易的经济内容和 预测能力。本文证明，与流动性相关指标相比，交易量溢价能更好地预测实体经济，交易量的冲击捕捉了传统流动性度量或流动性冲击所不常见的信息。在解释为什么流动性是比股票回报更好的经济指标时，Næs等人（2011年）认为，股票回报包 含了更复杂的信息混合，使得信号更模糊。我们推测，对于交易量溢价相对于流动性溢价的表现，可以提出类似的论点。 本文与流动性文献的另一个不同之处在于，在构造异常高/低成交量股票的投资组合时，遵循Gervais等人（2001年）和Kaniel等人（2012年）的观点，我们明确排除了在投资组合形成日当天或前后发布盈利公告的股票。如果股票的高交易 量是由其他公司事件（如合并、收购和退市）的新闻引起的，我们也会将其排除在外。这些类型的成交量变化可能更多与公司基本面有关，而与宏观经济基本面没有直接关系。相反，由于价格和交易量的变化往往集中在此类事件的公告前后，许多其他研究要么关注这些事件对交易量/价格的影响，要么不区分不同原因造成的交易量（Akba