摘要：人們對于資產(chǎn)定價的理解離不開層出不窮的實(shí)證挑戰(zhàn)。本文梳理當(dāng)下的一個重要的驅(qū)動力：協(xié)變量的高維數(shù)。

0

很大程度上，資產(chǎn)定價的發(fā)展歷程是由實(shí)證挑戰(zhàn)來驅(qū)動的。現(xiàn)如今，實(shí)證資產(chǎn)定價研究范式從計量經(jīng)濟(jì)學(xué)轉(zhuǎn)向了機(jī)器學(xué)習(xí)；而這背后的驅(qū)動因素來自（至少）兩方面的實(shí)證挑戰(zhàn)：（1）協(xié)變量的高維數(shù)；（2）公司特征和收益率之間的復(fù)雜關(guān)系。我想通過兩篇小文對這兩方面進(jìn)行梳理。作為第一篇，本文聚焦于協(xié)變量的高維數(shù)。

1

時至今日，恐怕沒人會否認(rèn)我們已經(jīng)步入了協(xié)變量的高維數(shù)時代。僅僅是基于量價和公司財務(wù)報表數(shù)據(jù)，學(xué)術(shù)界就已經(jīng)挖掘出了數(shù)百個因子（Harvey et al. 2016, Hou et al. 2020），而業(yè)界使用的只會更多。除了傳統(tǒng)數(shù)據(jù)外，另類數(shù)據(jù)也在近年來不斷涌現(xiàn)。它們在金融領(lǐng)域，特別是資產(chǎn)定價領(lǐng)域，迅速嶄露頭角并得到了廣泛的關(guān)注。

與傳統(tǒng)的數(shù)據(jù)相比，另類數(shù)據(jù)提供了從不同維度觀察市場和經(jīng)濟(jì)活動的可能性，為投資決策提供了更為豐富和多元的信息來源。它們中不乏非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。機(jī)器學(xué)習(xí)算法的進(jìn)步使得處理和分析復(fù)雜的另類數(shù)據(jù)成為可能。由于能為資產(chǎn)定價研究提供更為細(xì)致和深入的見解，其成功應(yīng)用不僅在投資業(yè)界落地開花，也促使學(xué)術(shù)界將實(shí)證研究的重點(diǎn)轉(zhuǎn)移到檢驗(yàn)新數(shù)據(jù)中蘊(yùn)含的股票收益率截面信息。

此外，近年來 ESG（環(huán)境、社會和治理）概念越來越受到重視。隨著對 ESG 評估的需求增加，另類數(shù)據(jù)成為了收集和評估 ESG 相關(guān)信息的重要來源。例如，衛(wèi)星圖像可以用來監(jiān)測工廠的排放量或者森林砍伐情況，從而為環(huán)境評估提供數(shù)據(jù)。社交媒體和新聞源可以提供關(guān)于公司社會責(zé)任事件或爭議的實(shí)時信息。因此，另類數(shù)據(jù)會通過 ESG 這個渠道影響投資者對于公司的看法，從而可能改變他們的投資策略和決策，最終間接地影響資產(chǎn)的收益率和市場表現(xiàn)。

然而，另類數(shù)據(jù)也帶來了新的挑戰(zhàn)，如數(shù)據(jù)清洗、完整性和時效性問題，以及如何從這些非傳統(tǒng)數(shù)據(jù)中提取真正有價值的信息。但無可否認(rèn)，另類數(shù)據(jù)重新定義了人們對市場的理解和投資策略的制定，為金融領(lǐng)域帶來一場創(chuàng)新革命。

2

本節(jié)挑選一些最具代表性的另類數(shù)據(jù)類別和論文，簡要介紹學(xué)術(shù)界基于這些新數(shù)據(jù)的實(shí)證資產(chǎn)定價發(fā)現(xiàn)。需要明確說明的是，本節(jié)絕非全面的文獻(xiàn)綜述。我只是希望通過所選擇的文章幫助讀者對另類數(shù)據(jù)在資產(chǎn)定價方面的多樣應(yīng)用有一個整體的了解。

2.1 交易賬戶數(shù)據(jù)

關(guān)于散戶投資者（retail investors）交易賬戶數(shù)據(jù)的研究至少可以追溯到 20 年前。這方面的研究成果有助于幫助散戶糾正錯誤的交易習(xí)慣。不過，這類數(shù)據(jù)通常是非公開的。在諸多研究中，Barber and Odean (2000) 所用的包含約 78,000 個賬戶的交易數(shù)據(jù)集非常有名（學(xué)術(shù)界后來稱之為 Odean 數(shù)據(jù)集），在后來針對散戶投資者以及行為金融學(xué)的相關(guān)研究中得到了廣泛的應(yīng)用。使用賬戶交易數(shù)據(jù)的最大問題在于數(shù)據(jù)集是非公開的，這往往使得相關(guān)研究難以被復(fù)現(xiàn)或擴(kuò)展，而前述的那些代表性研究均存在這個問題。不過，該問題在 Boehem et al. (2021) 中得到了改善。該文并沒有使用賬戶數(shù)據(jù)，而是通過算法從交易數(shù)據(jù)中有效識別出散戶的交易數(shù)據(jù)。

2.2 訂單簿數(shù)據(jù)

訂單簿（order book）記錄了市場參與者對特定資產(chǎn)的買賣意向。這些記錄反映了參與者的預(yù)期和市場的潛在壓力。訂單簿數(shù)據(jù)在市場微觀結(jié)構(gòu)和高頻交易研究中起著重要作用。實(shí)證研究發(fā)現(xiàn)，訂單簿數(shù)據(jù)帶有揭示關(guān)于未來價格方向的預(yù)測信息。Cont et al. (2014) 使用紐交所交易和報價數(shù)據(jù)，研究了 50 支股票的訂單簿事件（如限價訂單、市價訂單和取消訂單）對價格的影響，發(fā)現(xiàn)在短時間內(nèi)，價格變化主要由最佳買入價和賣出價之間的供求失衡（訂單流失衡）驅(qū)動，并且這種失衡與價格變化之間存在線性關(guān)系。此外，文章還探討了這種關(guān)系對于日內(nèi)股價波動動態(tài)的意義。

2.3 社交媒體數(shù)據(jù)

社交媒體和在線平臺為金融市場提供了豐富而即時的數(shù)據(jù)，這些數(shù)據(jù)被證明在預(yù)測股票收益率乃至公司基本面方面具有價值。從負(fù)面新聞的影響，到社交媒體上的人群智慧，再到特定平臺如 Twitter 的數(shù)據(jù)分析，學(xué)術(shù)研究探索了新數(shù)據(jù)來源的多種應(yīng)用方式。舉例來說，Chen et al. (2014) 探討了通過社交媒體媒介傳播的投資者觀點(diǎn)能夠在多大程度上能預(yù)測股票未來的收益率以及公司的預(yù)期外盈利。通過對美國最受歡迎的投資者社交媒體平臺上發(fā)布的文章以及文章下的評論進(jìn)行文本分析，作者發(fā)現(xiàn)二者均能預(yù)測收益率和預(yù)期外盈利。上述研究不僅表明社交媒體數(shù)據(jù)帶有預(yù)測信息，也強(qiáng)調(diào)投資者和實(shí)證研究人員應(yīng)給予這些數(shù)據(jù)足夠的重視，以獲取和捕捉有關(guān)股票市場動態(tài)的更多信息。

2.4 眾包數(shù)據(jù)

另一類應(yīng)用廣泛的另類數(shù)據(jù)是眾包數(shù)據(jù)。Green et al. (2019) 使用 Glassdoor.com 數(shù)據(jù)研究了員工評價與股票收益率之間的關(guān)系。該網(wǎng)站提供了員工對公司的綜合評價和五個標(biāo)準(zhǔn)化評價指標(biāo)，包括職業(yè)機(jī)會，薪酬福利，工作/生活平衡度，高層管理，企業(yè)文化與價值，所有評價皆為 1 至 5 星。理論上，員工評價變高，意味著經(jīng)濟(jì)環(huán)境及公司前景很可能在變好，在其他條件相同的情況下，公司應(yīng)有更好的表現(xiàn)，因此股票的預(yù)期收益率更高。為了驗(yàn)證上述猜想，該文依據(jù)員工評價變化高低將股票分為三組，并通過做多高分組、做空低分組構(gòu)造了因子，實(shí)證結(jié)果支持了他們的猜想，該因子的平均超額收益率非常顯著。此外，Da et al. (2021) 所使用的數(shù)據(jù)是一個名為 Forcerank 的移動應(yīng)用上散戶對股票的周度評分。該文研究了投資者過度外推信仰和未來股票收益率之間的負(fù)相關(guān)關(guān)系。

2.5 文本數(shù)據(jù)

隨著機(jī)器學(xué)習(xí)算法的普及，文本即數(shù)據(jù)這一看法早已深入人心，對文本數(shù)據(jù)的研究也成為了學(xué)術(shù)界的必爭之地，文本數(shù)據(jù)也在金融學(xué)領(lǐng)域得到了廣泛的應(yīng)用。Cohen et al. (2020) 發(fā)現(xiàn)美股上市公司季報和年報中的文本措辭變化能夠預(yù)測股票收益率。具體而言，文本改動越少的公司未來的預(yù)期收益越高。通過做多改動少的公司、做空改動多的公司，該投資組合可以獲得超過 20% 的年化超額收益率。除了實(shí)證結(jié)果外，該文的精彩之處在于對背后機(jī)制的討論。該文發(fā)現(xiàn)財報中措辭變動背后的原因通常是以下幾種：更加負(fù)面的情緒、更高的不確定性、更多的訴訟以及 CEO/CFO 變動。這些原因往往意味著公司的運(yùn)營面臨更高的風(fēng)險和不確定性。另一方面，Bybee et al. (2023) 則基于文本數(shù)據(jù)構(gòu)造了一個實(shí)證資產(chǎn)定價模型，發(fā)現(xiàn)基于新聞數(shù)據(jù)的多因子模型不輸諸如 FF5，HXZ 等主流多因子模型。

2.6 圖像數(shù)據(jù)

Obaid and Pukthuanthong (2022) 和 Jiang et al. (2023) 將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于挖掘圖像數(shù)據(jù)中關(guān)于資產(chǎn)收益率的預(yù)測信息。前者對新聞?wù)掌M(jìn)行情感分類并創(chuàng)建了一個每日投資者情緒指標(biāo)。該情緒指標(biāo)能夠預(yù)測市場收益率以及交易量。此外，該文還探討了照片中的悲觀情感與新聞文本中的悲觀情感在預(yù)測股價方面的可替代性，發(fā)現(xiàn)二者的關(guān)系更傾向于替代而非互補(bǔ)。后者則將機(jī)器學(xué)習(xí)直接應(yīng)用于股票的 K 線圖之上。與傳統(tǒng)的按照特定模式定義動量或反轉(zhuǎn)不同，他們的方法可以靈活地識別與收益率高度相關(guān)的價格模式。機(jī)器學(xué)習(xí)算法識別的模式與常規(guī)技術(shù)分析中的趨勢信號有很大差異，并含有更高的預(yù)測信息。值得一提的是，這些模式在不同的市場環(huán)境中同樣適用，例如短期內(nèi)的價格模式在長期時間尺度上表現(xiàn)良好，而從美國股市中學(xué)到的模式在國際市場上也依然有效。

2.7 另類數(shù)據(jù)與分析師預(yù)測

除了用來預(yù)測資產(chǎn)收益率外，另類數(shù)據(jù)的豐富是否也在其他方面提高了金融預(yù)測的質(zhì)量呢？Dessaint et al. (2024) 探討了另類數(shù)據(jù)的使用如何影響賣方分析師關(guān)于上市公司盈利預(yù)測的準(zhǔn)確度，加深了人們關(guān)于另類數(shù)據(jù)對市場有效性的理解。該文首先通過梳理 26 篇相關(guān)學(xué)術(shù)論文（使用的另類數(shù)據(jù)包括社交媒體、衛(wèi)星數(shù)據(jù)、搜索引擎數(shù)據(jù)等），發(fā)現(xiàn)另類數(shù)據(jù)的預(yù)測時間尺度均不超過 1 年。換句話說，它們都是短期導(dǎo)向數(shù)據(jù)，只能對短期的預(yù)測提供信息增量。在這個前提下，一系列問題自然而然地浮出水面。分析師的估值模型中往往需要同時應(yīng)用短期和長期的盈利預(yù)測作為輸入，那么大量含有短期預(yù)測信息的另類數(shù)據(jù)的涌現(xiàn)對于分析師不同時間尺度（短期 vs. 長期）的盈利預(yù)測結(jié)果會有怎樣的影響？不同尺度上的綜合影響又是否能夠提高整體的預(yù)測質(zhì)量呢？在另類數(shù)據(jù)愈加普及的今天，回答這些問題對于使用分析師盈利預(yù)測信息至關(guān)重要。就上述問題，該文通過理論和實(shí)證給出了精彩的論述。

理論模型，該文假設(shè)分析師在進(jìn)行盈利預(yù)測時，需要最優(yōu)地分配其投入到不同時間尺度預(yù)測的精力，從而最小化預(yù)測誤差以及獲取不同時間尺度預(yù)測信息的成本這二者之和。另類數(shù)據(jù)的出現(xiàn)降低了獲取短期預(yù)測數(shù)據(jù)的成本，并同時提高了短期預(yù)測數(shù)據(jù)的準(zhǔn)確度。因此，它促使分析師將更多的精力投入到獲取和分析短期預(yù)測信息上，以此來提高短期預(yù)測的準(zhǔn)確度。然而顧此失彼，由于分析師的精力是有限的，這造成的后果是降低了他們長期預(yù)測的準(zhǔn)確度。

實(shí)證方面，該文繪制了分析師盈利預(yù)測準(zhǔn)確度的期限結(jié)構(gòu)（即預(yù)測準(zhǔn)確度隨預(yù)測的時間尺度的變化曲線），并考察了該期限結(jié)構(gòu)的斜率如何隨另類數(shù)據(jù)的出現(xiàn)和普及而變化。首先，不管實(shí)證窗口如何，該期限結(jié)構(gòu)都呈現(xiàn)出短時間尺度預(yù)測準(zhǔn)確性高、長時間尺度預(yù)測準(zhǔn)確性低的結(jié)構(gòu)。接下來（最重要的一點(diǎn)），隨著另類數(shù)據(jù)的出現(xiàn)，期限結(jié)構(gòu)變得更加陡峭，即短時間尺度上預(yù)測準(zhǔn)確度增加，而其代價是長時間尺度上預(yù)測準(zhǔn)確度下降。此外，該文考察了不同行業(yè)的期限結(jié)構(gòu)隨時間的變化趨勢與另類數(shù)據(jù)的使用關(guān)系。回歸結(jié)果顯示，另類數(shù)據(jù)使用越多的行業(yè)，其期限結(jié)構(gòu)變得更加陡峭，從而說明了另類數(shù)據(jù)的使用以及長短期預(yù)測準(zhǔn)確度變化差異二者之間的聯(lián)系。

針對 A 股，利用朝陽永續(xù)的分析師預(yù)測數(shù)據(jù)（時間跨度為 2012 到 2023，共 4208520 個樣本），我們此前考察了分析師準(zhǔn)確度的期限結(jié)構(gòu)如何變化。具體而言，以 2016 年為分界將分析師盈利預(yù)測樣本分成前后兩個區(qū)間，分別計算并繪制這兩個區(qū)間內(nèi)分析師盈利預(yù)測準(zhǔn)確度的期限結(jié)構(gòu)。從下圖所示結(jié)果可知，后一個區(qū)間內(nèi)的短期預(yù)測準(zhǔn)確度確有提升（和美股一致），另外有意思的現(xiàn)象是在跨度為 1 至 2 年（即 12 到 24 個月）的預(yù)測尺度上，第二個區(qū)間內(nèi)的準(zhǔn)確度較第一個區(qū)間顯著降低。不過和美股不同的是，在大于 2 年的預(yù)測尺度上，兩個區(qū)間內(nèi)的結(jié)果并無顯著差異。

3

另類數(shù)據(jù)中蘊(yùn)含的潛在預(yù)測信息固然令人興奮，但因數(shù)據(jù)可得性問題（比如數(shù)據(jù)成本往往很高、有些甚至無法獲取）的原因，其在學(xué)術(shù)研究中廣泛普及尚需時日。另一方面，與之相對應(yīng)的準(zhǔn)另類數(shù)據(jù)則得到了更多的關(guān)注。關(guān)于準(zhǔn)另類數(shù)據(jù)，其非正式的定義包含以下三點(diǎn)：（1）它不是典型的公司特征或宏觀經(jīng)濟(jì)數(shù)據(jù)；（2）它比另類數(shù)據(jù)的可得性更高；（3）它往往被忽視，因而被研究和利用的不夠充分。準(zhǔn)另類數(shù)據(jù)中最重要的兩類是公司間關(guān)聯(lián)和基金隱藏信息。它們均能為預(yù)測股票收益率提供增量信息。

3.1 公司間關(guān)聯(lián)

在經(jīng)濟(jì)活動和業(yè)務(wù)操作中往往存在直接或間接關(guān)聯(lián)的公司，這種關(guān)系被稱為公司間關(guān)聯(lián)。它可能基于供應(yīng)鏈、行業(yè)關(guān)系、合作伙伴關(guān)系或共享資源等因素。這些經(jīng)濟(jì)上相關(guān)聯(lián)的公司的經(jīng)濟(jì)表現(xiàn)可能會受到彼此的影響或反映相似的市場動態(tài)，其股票收益率往往存在領(lǐng)先-滯后效應(yīng)（lead-lag effect），即當(dāng)一組資產(chǎn)對某一信息或事件的反應(yīng)比另一組資產(chǎn)更早或更迅速，導(dǎo)致后者的價格變動在時間上滯后于前者。

這種效應(yīng)反映了信息在市場中的不均勻擴(kuò)散或某些資產(chǎn)的反應(yīng)速度相對較慢。只要我們從某個切入點(diǎn)找到公司之間的關(guān)聯(lián)，就可以利用領(lǐng)先公司的收益率作為預(yù)測變量來預(yù)測滯后公司未來的收益率。在學(xué)術(shù)界的術(shù)語中，將被預(yù)測的公司（即滯后的公司）稱為焦點(diǎn)公司，將與之關(guān)聯(lián)的領(lǐng)先公司稱為關(guān)聯(lián)公司。因此，公司間的關(guān)聯(lián)是關(guān)聯(lián)公司對焦點(diǎn)公司的一種溢出效應(yīng)，對它的研究有助于揭示資產(chǎn)價格動態(tài)背后的經(jīng)濟(jì)機(jī)制和市場行為。

領(lǐng)先-滯后效應(yīng)實(shí)證研究的第一步往往是從某個經(jīng)濟(jì)視角出發(fā)度量公司之間的關(guān)聯(lián)度。在這方面，學(xué)術(shù)界的研究由來已久。下表匯總了發(fā)表在頂刊上的最重要的公司間關(guān)聯(lián)，包括行業(yè)內(nèi)關(guān)聯(lián)、重要客戶關(guān)聯(lián)、復(fù)雜公司關(guān)聯(lián)、科技關(guān)聯(lián)、地理關(guān)聯(lián)以及分析師共同覆蓋關(guān)聯(lián)。

一旦有了關(guān)聯(lián)指標(biāo)，接下來便可以按照如下的方法構(gòu)造預(yù)測變量：

??

式中??表示??期和焦點(diǎn)公司??相關(guān)聯(lián)的關(guān)聯(lián)公司集合，??為??期關(guān)聯(lián)公司??和焦點(diǎn)公司??的關(guān)聯(lián)度指標(biāo)（取值越高說明二者的關(guān)聯(lián)越強(qiáng)），??為??期關(guān)聯(lián)公司??的（累計）收益率。由該定義可知，焦點(diǎn)公司預(yù)測變量是??期其關(guān)聯(lián)公司收益率的加權(quán)平均（即關(guān)聯(lián)收益率），權(quán)重由關(guān)聯(lián)度強(qiáng)弱決定。利用預(yù)測變量??，做多關(guān)聯(lián)收益率高的股票，同時做空關(guān)聯(lián)收益率低的股票。實(shí)證結(jié)果顯示，以此構(gòu)造的投資組合能夠獲得顯著的超額收益，意味著公司間關(guān)聯(lián)中蘊(yùn)含著關(guān)于資產(chǎn)收益率的有用信息。

以分析師共同覆蓋動量為例，下表展示了其在 A 股上的實(shí)證檢驗(yàn)結(jié)果。通過將該預(yù)測變量和市值進(jìn)行雙重排序檢驗(yàn)發(fā)現(xiàn)，無論是對小市值、大市值還是全市場平均，該關(guān)聯(lián)效應(yīng)均能顯著預(yù)測股票的收益率。比如全市場平均而言，通過做多關(guān)聯(lián)收益率高、做空關(guān)聯(lián)收益率低股票而構(gòu)造的投資組合的月均超額收益率為 0.71%，t-statistic 為 2.68。

和上述既有公司間關(guān)聯(lián)的研究不同， Eisdorfer et al. (2022) 另辟蹊徑，對年報的競爭章節(jié)進(jìn)行了文本分析，并使用一家公司被多少其他公司當(dāng)作競爭對手來衡量該公司的競爭力或競爭關(guān)聯(lián)。競爭關(guān)聯(lián)的基本邏輯非常容易理解，即被被提及的次數(shù)越多，表明公司越有競爭力，從而其股票的未來收益更高。在競爭關(guān)聯(lián)的機(jī)制方面，他們討論了一家公司 A 為何會在報告中提及另一家公司 B 作為其競爭對手：若 B 公司比 A 公司大很多（比如 B 可能是行業(yè)龍頭），那么 A 公司提及 B 公司可能是很自然的事，因而這種提及并沒有非常深刻的寓意；另一種情況是 B 公司比 A 公司小很多，這種情況下，A 公司提及 B 公司更可能是因?yàn)?A 公司的管理層注意到了 B 公司有一些獨(dú)特的、很可能成功的商業(yè)模式，因此這一提及包含著對 B 公司基本面的有用且尚未被投資者充分利用的預(yù)測信息。實(shí)證結(jié)果證實(shí)了上述猜想，即競爭關(guān)聯(lián)能夠預(yù)測股票收益率，且第二種情況下的預(yù)測信息更高。

究其內(nèi)在原因，公司間關(guān)聯(lián)的可預(yù)測性主要源于投資者對于關(guān)聯(lián)信息的注意力缺乏，從而導(dǎo)致的反應(yīng)不足（Huang et al. 2022）。這種注意力不足可能表現(xiàn)為兩種主要形式。首先是信息溢出，即當(dāng)關(guān)聯(lián)公司發(fā)布重要信息或有重大事件發(fā)生時，這些信息可能首先影響該公司的股票價格。但隨后，與之密切相關(guān)的其他公司也可能受到影響。這是因?yàn)槭袌鰠⑴c者可能預(yù)期這些信息或事件也會對焦點(diǎn)公司產(chǎn)生影響。其次是經(jīng)濟(jì)效應(yīng)溢出。當(dāng)關(guān)聯(lián)公司的經(jīng)濟(jì)狀況發(fā)生變化，如盈利增長或下降，這種經(jīng)濟(jì)變動可能會對焦點(diǎn)公司產(chǎn)生溢出效應(yīng)，特別是當(dāng)它們在同一供應(yīng)鏈中或在相同的市場環(huán)境下運(yùn)營時。由于投資者沒有充分關(guān)注或理解這些企業(yè)之間的關(guān)聯(lián)性，導(dǎo)致他們對相關(guān)信息的反應(yīng)不足或滯后。這種信息的不完全反應(yīng)為其他更為敏感和知情的投資者提供了套利機(jī)會。進(jìn)一步地，這種企業(yè)間的關(guān)聯(lián)效應(yīng)還能為公司的未來基本面變化提供預(yù)測線索。

值得注意的是，這類關(guān)于公司間關(guān)聯(lián)的數(shù)據(jù)在許多公開渠道都可以輕松獲取，為研究者提供了深入研究和分析的基礎(chǔ)?；谝延械膶?shí)證研究，公司間關(guān)聯(lián)效應(yīng)在 A 股市場上被證明具有很好的應(yīng)用前景。

3.2 基金隱含信息

公募基金的隱含信息在資產(chǎn)定價領(lǐng)域已成為一個重要的研究方向，它為投資者提供了關(guān)于未來股票收益率的潛在預(yù)測信息。在諸多隱藏信息之中，和基金持倉以及基金的資金流入流出相關(guān)的信息尤為重要。

基金的持倉結(jié)構(gòu)為投資者提供了一窺基金經(jīng)理所持信息和看法的途徑。Wermers et al. (2012) 利用基金持倉數(shù)據(jù)以及基金的歷史表現(xiàn)等指標(biāo)構(gòu)造了個股收益率的預(yù)測信號。該信號有效匯總了跨基金的選股信息，捕捉了基金經(jīng)理在選股方面的集體智慧。和早期的研究相比，該研究的一個關(guān)鍵之處在于它同時考慮了基金經(jīng)理的技能差異以及不同基金之間的持有股票的相似性，從而更準(zhǔn)確地提取股票選擇的信息。實(shí)證結(jié)果顯示，該信號和股票下期的收益率在截面上成正比。

基金流是指投資者的資金流入或流出基金。當(dāng)基金經(jīng)歷大量的資金流入時，基金經(jīng)理可能會購買更多的股票，這反過來可能會推高這些股票的價格。相反，當(dāng)基金流出時，基金經(jīng)理可能會出售股票，導(dǎo)致價格下跌。Lou (2012) 探討了資金流動對股票回報預(yù)測性的影響，并為公募基金業(yè)績可持續(xù)性、``聰明錢''效應(yīng)和股票價格動量這些典型事實(shí)提供了解釋。首先，該文通過匯總?cè)炕鸬馁Y金流導(dǎo)致的交易信息，構(gòu)建了一個衡量個股需求沖擊的指標(biāo)。鑒于公募基金的資金流是高度可預(yù)測的，作者進(jìn)一步指出預(yù)期資金流能夠在未來一年正向預(yù)測股票和基金的收益率，但在隨后的年份會發(fā)生逆轉(zhuǎn)。更重要的是，這種基于資金流的效應(yīng)能夠完全解釋公募基金績效的持續(xù)性``聰明錢"效應(yīng)；而對于股票價格的動量，它也提供了部分解釋。

以上簡要梳理了當(dāng)下資產(chǎn)定價研究的第一個實(shí)證挑戰(zhàn)。我大概率不會再專門寫 2024 年的公眾號總結(jié)了，所以各位小伙伴，我們 2025 的第二個實(shí)證挑戰(zhàn)再見了。

參考文獻(xiàn)

Ali, U. and D. Hirshleifer (2020). Shared analyst coverage: Unifying momentum spillover effects. Journal of Financial Economics 136(3), 649-675.

Barber, B. M. and T. Odean (2000). Trading is hazardous to your wealth: The common stock investment performance of individual investors. Journal of Finance 55(2), 773-806.

Boehmer, E., C. M. Jones, X. Zhang, and X. Zhang (2021). Tracking retail investor activity. Journal of Finance 76(5), 2249-2305.

Bybee, L., B. T. Kelly, and Y. Su (2023). Narrative asset pricing: Interpretable systematic risk factors from news text. Review of Financial Studies 36(12), 4759-4787.

Chen, H., P. De, Y. Hu, and B.-H. Hwang (2014). Wisdom of crowds: The value of stock opinions transmitted through social media. Review of Financial Studies 27(5), 1367-1403.

Cohen, L. and A. Frazzini (2008). Economic links and predictable returns. Journal of Finance 63(4), 1977-2011.

Cohen, L. and D. Lou (2012). Complicated firms. Journal of Financial Economics 104(2), 383-400.

Cohen, L., C. Malloy, and Q. Nguyen (2020). Lazy prices. Journal of Finance 75(3), 1371-1415.

Cont, R., A. Kukanov, and S. Stoikov (2014). The price impact of order book events. Journal of Financial Econometrics 12(1), 47-88.

Da, Z., X. Huang, and L. J. Jin (2021). Extrapolative beliefs in the cross-section: What can we learn from the crowds? Journal of Financial Economics 140(1), 175-196.

Dessaint, O., T. Foucault, and L. Fresard (2024). Does alternative data improve financial forecasting? The horizon effect. Journal of Finance 79(3), 2237-2287.

Eisdorfer, A., K. Froot, G. Ozik, and R. Sadka (2022). Competition links and stock returns. Review of Financial Studies 35(9), 4300-4340.

Green, T. C., R. Huang, Q. Wen, and D. Zhou (2019). Crowdsourced employer reviews and stock returns. Journal of Financial Economics 134(1), 236-251.

Harvey, C. R., Y. Liu, and H. Zhu (2016). ... and the cross-section of expected returns. Review of Financial Studies 29(1), 5-68.

Hou, K. (2007). Industry information diffusion and the lead-lag effect in stock returns. Review of Financial Studies 20(4), 1113-1138.

Hou, K., C. Xue, and L. Zhang (2020). Replicating anomalies. Review of Financial Studies 33(5), 2019-2133.

Huang, S., C. M. Lee, Y. Song, and H. Xiang (2022). A frog in every pan: Information discreteness and the lead-lag returns puzzle. Journal of Financial Economics 145(2), 83-102.

Jiang, J., B. Kelly, and D. Xiu (2023). (Re-)Imag(in)ing price trends. Journal of Finance 78(6), 3193-3249.

Lee, C. M. C., S. T. Sun, R. Wang, and R. Zhang (2019). Technological links and predictable returns. Journal of Financial Economics 132(3), 76-96.

Lou, D. (2012). A flow-based explanation for return predictability. Review of Financial Studies 25(12), 3457-3489.

Obaid, K. and K. Pukthuanthong (2022). A picture is worth a thousand words: Measuring investor sentiment by combining machine learning and photos from news. Journal of Financial Economics 144(1), 273-297.

Parsons, C. A., R. Sabbatucci, and S. Titman (2020). Geographic lead-lag effects. Review of Financial Studies 33(10), 4721-4770.

Wermers, R., T. Yao, and J. Zhao (2012). Forecasting stock returns through an efficient aggregation of mutual fund holdings. Review of Financial Studies 25(12), 3490-3529.

免責(zé)聲明：入市有風(fēng)險，投資需謹(jǐn)慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見并不構(gòu)成對任何人的投資建議。在任何情況下，本文作者及所屬機(jī)構(gòu)不對任何人因使用本文的任何內(nèi)容所引致的任何損失負(fù)任何責(zé)任。除特別說明外，文中圖表均直接或間接來自于相應(yīng)論文，僅為介紹之用，版權(quán)歸原作者和期刊所有。