投资学文章翻译

摘要

使用97个股票回报异常的样本，我们发现异常回报在公司新闻日高50% ，六倍于收益公告日。这些结果可以通过动态风险由于有偏见的期望导致的错误定价或数据挖掘来解释。我们开发并进行了几种独特的测试，以区分这三种解释。我们的结果与以下观点最一致: 异常收益是由有偏见的预期驱动的，这些预期至少在新闻到来后得到部分纠正。

一项学术研究表明大量可观察到的公司特征可以预测股票收益的横截面 (见Fama (1998) 、Nagel (2013) 和mcrean和Pontiff (2016))。这项异常研究至少可以追溯到Ball和Brown (1968) 和Blume和Husic (1973)，但是四十多年后，学者们仍然对导致这种回报的可能性持不同意见。

横截面可预测性有三种流行的解释。首先，回报可预测性可能是风险的横截面差异的结果，这反映在贴现率 (例如，Fama (1991，1998)) 中。在这种计划下，横截面回报的可预测性是预期的，因为回报差异反映了用于评估股票价值的折现率的事前差异。其次，回报可预测性可能反映错误定价 (例如，Barberis和Thaler (2003))。例如，边际投资者可能对现金流存在偏差，异常变量与一项 学术研究 表明 大量可观察到的公司特征可以预测股票收益的横截面 (见Fama (1998) 、Nagel (2013) 和mcrean和Pontiff (2016))。这项异常研究至少可以追溯到Ball和Brown (1968) 和Blume和Husic (1973)，但是四十多年后，学者们仍然对导致这种回报的可能性持不同意见。

横截面可预测性有三种流行的解释。首先，回报可预测性可能是风险的横截面差异的结果，这反映在贴现率 (例如，Fama (1991，1998)) 中。在这种计划下，横截面回报的可预测性是预期的，因为回报差异反映了用于评估股票价值的折现率的事前差异。其次，回报可预测性可能反映错误定价 (例如，Barberis和Thaler (2003))。例如，边际投资者可能对现金流存在偏差，异常变量与这些错误横跨股票。在这种观点下，当新信息到来时，投资者会更新他们的信念，这反过来会纠正价格并导致回报可预测性。

第三，回报可预测性可能是由于数据挖掘。正如法玛 (1998) 所指出的那样，学者们可能已经测试了数千个变量，在这种情况下，发现其中一些变量预测样本中的回报并不奇怪，即使实际上没有一个变量可以预测。

在本文中，我们通过比较公开发布公司特定信息的日子和不观察新闻的日子的可预测性来区分横截面回报可预测性的这三种解释。我们使用mcrean和Pontiff (2016) 中研究的97个异常变量，因为在已发表的学术研究中，已报告了这些变量中的每个变量来预测股票收益的横截面。公司特定信息发布的天数定义为收益公告天数或道琼斯新闻项目的天数。我们发现异常收益在公司新闻日50% 高，在收益公告日高出六倍。2 我们发现多头和空头都有相似的影响，也就是说，异常空头在信息日具有较低的收益，而异常多头在信息日具有较高的收益。这些影响似乎与特定于公司的新闻有关，因为在宏观经济新闻发布的日子里，异常回报并不高。这一发现也不能用一周中的一天效应或导致新闻的极端回报来解释，因为在没有新闻的极端回报日，异常回报不会升高。

我们讨论了我们的结果如何与横截面回报的三种解释中的每一种相关联。

以下是可预测性。

1. 系统性风险

标准的静态风险因素模型 (例如，Fama和French (1993) 和Carhart (1997)) 将股票预期收益构造为其系统风险敞口 (beta) 及其相应风险溢价的乘积。在这些因子模型中，特定于公司的新闻事件不会改变股票的预期收益，因为它与时不变的beta和风险溢价无关。我们发现信息日异常收益可预测地更高，这与静态风险因子模型不符。

但是，我们的结果可能与动态风险模型一致，该模型允许时变风险溢价和时变beta。本着这种精神的论文包括Patton和Verardo (2012)，他们发现相对于市场投资组合的股票beta在收益公告日较高，并解释这一发现与动态学习模型，Savor和Wilson (2016)，谁开发了一个动态的基于风险的模型来解释为什么股票收益在收益公告日更高。

对于我们的不对称结果，我们将时变风险溢价和时变beta视为假设，即异常多头在新闻日具有较高的收益，而异常空头在新闻日具有较低的收益。我们表明，时变风险溢价不能解释我们的结果。当我们包括各种固定效应来吸收任何每日变化的风险因素时，我们的结果几乎没有变化。

然而，当我们考虑时变贝塔时，我们得到的结果参差不齐。具体来说，当我们检查异常股票的市场beta时，我们发现异常多头和异常空头没有不对称影响，而当我们考虑对总异常因子的时变暴露时，我们确实发现了不对称: 在收益日，异常多头增加其因子beta，而异常空头减少其因子beta。这可以解释为什么异常多头在新闻日具有更高的回报，而异常空头在新闻日具有更低的回报。然而，即使在控制了收益日的这些变化的beta之后，我们仍然发现异常多头的收益更高，而异常空头的收益在收益日的收益更低。纳入betas对收益日效应的大小或统计意义几乎没有影响。

我们的总体异常因素可能不是 “正确” 的风险因素，如果我们有 “正确” 的因素，它将解释我们的结果。但是，重要的是要注意生成我们的发现需要什么样的动态风险模型。使用五分位数投资组合，我们发现，在收益日，多头股票的异常收益是 高 的8.7倍，而空头股票的异常收益是 低 的7.5倍。如果这些回报反映了定价的风险，那么非定价的资产定价模型将要求一些股票在收益公告日的贴现率高出8.7倍，而其他股票在收益公告日的贴现率则要低7.5倍。然后，在发布收益公告后，风险将回到公告前的水平。

1. 预期偏差导致的错误定价

在有偏差的预期解释下，投资者对一些股票过于乐观，对另一些股票过于悲观，异常变量与这些偏差相关。当新信息以盈利公告或其他新闻报道的形式到达时，投资者会更新他们的信念，从而导致股价的修正。为了说明这种直觉，我们考虑了一个具有代表性的代理模型 (在附录中进一步阐述)，该代理对未来现金流有偏见的期望，随着公共现金流新闻的到来而得到纠正。最终结果是代理商对现金流预期过于乐观 (悲观) 的公司有负面 (正面) 新闻日回报。我们记录的收益公告日和新闻日收益与这种直觉是一致的。

为了更好地检验偏差预期解释股票回报不足的想法，我们还研究了分析师的预测误差。我们发现，对于异常多头，分析师的盈利预测太低，对于异常空头，分析师的盈利预测太高，也就是说，对于异常空头，分析师的盈利预测太乐观，对于异常多头，分析师的盈利预测太悲观。这一结果与有偏差的预期是一致的，作为对股票收益异常的解释，但不是风险，因为很难看出即使是动态的beta也可以解释为什么分析师的盈利预测是有偏差的。然而，正如我们在下面解释的那样，我们关于分析师预测错误的结果并不排除数据挖掘作为股票回报异常的解释。

偏差预期可以解释股票回报异常的想法可以追溯到Basu (1977) 、De Bondt和Thaler (1985) 和La Porta等人。(1997)，他认为有偏见的预期可以解释长期反转和价值策略。基于偏差预期的股票回报异常的最新模型包括Barberis，Shleifer和Vishny (1998) 以及Daniel，Hirshleifer和Subra