优秀股票的未来收益源起何处?——基于价值驱动、风险补偿和错误定价视角

Where do the Future Returns of Excellent Stocks Come from? Based on the Perspectives of Value Driving, Risk Compensation, and Mispricing

温作君 1 2,刘维奇 3 4,张信东 1

1山西大学 经济与管理学院, 山西 太原 030031
2山西省财政税务专科学校 会计学院, 山西 太原 030024
3山西大学 管理与决策研究中心, 山西 太原 030031
4山西大学 复杂系统与数据科学教育部重点实验室, 山西 太原 030006
摘要:

本文选取2006—2022年中国沪深A股日度数据,融合本源思想,构建优势强度水平指标以刻画股票的优秀程度。本文基于累积前景理论,采用Fama-Macbeth回归和投资组合检验方法,深入探讨优秀股票的未来表现及其深层驱动逻辑。结果表明,优秀的股票能够有效预测未来正向收益,并在不同市场状态和持有期下均表现稳健。值得注意的是,优秀且低风险的股票,在未来收益表现上更加卓越。进一步分析发现,股票的优秀表现根本来源于公司内在价值和错误定价,并非风险补偿机制。此外,优秀股票的特质不仅表现在日间收益的显著正向预测能力,还体现在成功克服隔夜折价损失的强大能力。

关键词:优秀的股票,优势强度水平,前景理论,错误定价,隔夜与日间收益

基金项目:国家自然科学基金项目(72372093);山西省科技战略研究专项重点项目(202204031401008);山西省高等学校人文社会科学重点研究基地项目(2022J008)

引 言

党的二十大报告指出要依法规范和引导资本健康发展,这是确保资本市场稳定和健康可持续发展的重要前提。只有通过严格规范和引导资本市场健康发展,才能使优秀股票的价值得以展现,才能让广大投资者分享经济增长的成果,这也是中国特色社会主义的本质要求——共同富裕在资本市场中的重要体现。而我国资本市场仍处在不断成熟的过程,其中一些中小投资者缺乏专业的投资知识和技能,对市场缺乏正确的认识,经常在投资过程中盲目跟风、追涨杀跌、频繁交易,难以理性识别优质的投资目标,反而给自己带来了巨大的损失。因此,加强对投资者的风险意识和金融专业知识教育势在必行。这不仅有助于投资者理性投资、防范风险和维护自身权益,更有助于资本市场的繁荣稳定,还能够促进实体经济高质量发展。

如何理性选择投资策略,一直是投资者们冥思苦想的实操问题,也是学界经久不衰的研究问题。伯克希尔哈撒韦的创始人——沃伦·巴菲特是当今世界著名的投资大师,Frazzini等(2018)认为巴菲特所倡导的价值投资策略本质上就是试图发现那些股价较低、风险较小且高质量的股票。然而,随着市场的日渐成熟,符合这类特征的股票越来越少或需要更长的等待期,直接导致这样的投资机会变得稀少且时间成本不断攀升。即使存在符合上述标准的股票,具体实践还依赖如巴菲特一样非凡的经验和独到的判断力,普通投资者难以复制。因此,本文提供了关于优秀股票更一般性的全新定义。

古希腊哲学家亚里士多德曾说,“优秀是一种习惯”。优秀的品质是由自己一再重复的行为所铸造的,股票亦是如此。优秀的股票不仅是公司高价值的体现,还能够在市场中反复证明自己的出色。人们通常会根据股票的历史表现和其公司业绩表现定义其优劣,但往往忽略其价格形成的原因从而陷入“一买就跌”的尴尬境地。因此,本文基于优秀的本质内涵,将收益经常性优于平均水平的股票定义为优秀的股票,即收益率大于市场收益率的月度频率较高的股票。从价格与价值角度看,价格总是围绕内在价值上下浮动的,那么收益率跑赢大盘的股票,其真实价值也应该是高于其他普通股票的。而我们更加需要关注的是,少数几次跑赢大盘也可能是特殊信息或交易行为导致的,不能反映出股票优秀的性质。所以,高频率的优于大盘收益是本文关于优秀股票论述的重要特点,其所捕捉的信息不仅包括投资者较长时间对该股票良好的认可程度和公司高投资价值水平,还排除了偶尔跑赢大盘的特殊情况,同时也呼应了先哲的思想,即优秀并不是一朝一夕就产生的。这也表明与使用传统收益率衡量股票表现是不同的。例如,某一只股票的高盈利可能仅仅是由于一两次的暴涨导致的,而其他交易日的表现并不理想,按照传统收益率高低为标准的评价来说,这是一只表现不错的股票,但是按照本文优秀股票的定义,其表现并不能纳入优秀的范围。然而,与债券较为稳定的低发行利率不同,优秀股票的未来收益可能更吸引那些追求高收益的投资者们。因此,本文基于累积前景理论,通过构建一个优势频率模型,剖析基于账户浮盈的风险厌恶变化与股票未来收益的关系,以诠释优秀股票未来依旧保持优秀表现的内在逻辑。

本文从实证角度通过股票收益优于市场收益的频率识别股票的优秀性质。刘维奇等(2010)验证了股权分置改革能够提升资本市场的有效性,因此我们选取2006—2022年所有中国A股上市公司日度数据,构建优势强度水平指标衡量股票的优秀程度,运用单、双变量分组投资组合方法和Fama-Macbeth回归检验优秀股票与其未来收益之间的预测关系是否存在。结果发现,优势强度水平具有出色的预测能力,并在不同市场状态和持有期等条件下的结果依然稳健。我们还深入探讨了该预测能力显著的根本原因,发现优秀股票的良好表现源于企业内在价值和市场反应不足的共同驱动。

本文的贡献主要集中在以下四个方面。第一,本文基于优秀的本质内涵,构建了优势强度水平指标刻画股票的优秀程度,并验证了其对未来收益出色的预测能力。第二,从价值驱动、传统金融理论和行为金融理论三个方面深度挖掘优秀股票对未来收益预测能力的根本来源,诠释这一指标的底层驱动逻辑。第三,本文的研究展现了价值投资策略的优势,并从多个维度证实了股票优势强度水平这一异象是显著存在的,为中国市场价值投资策略的适用性和资产定价研究提供了经验证据。第四,与现有多维度指标构建思路不同,我们融入中国传统文化中“大道至简”的本源思想,选择简洁直观且刻画效果较好的指标构建方式,这样使投资者尤其是中小投资者更加便于理解与实践,有利于促进资本市场理性化健康发展。

文献综述与理论分析

(一)文献综述

在以往研究中,与优秀股票的选择问题最相关的是动量投资策略和价值投资策略。投资者们通常认为过去表现好的资产和被低估的优质资产在未来更可能会盈利。学者们也同样关注这一焦点话题,并对上述两种投资策略展开了大量的研究。

1.动量投资策略

动量投资策略是一种利用股票动量效应构建的投资策略,旨在通过买入过去表现良好的股票并卖空过去表现较差的股票来获取超额回报。自从Jegadeesh和Titman(1993)在30年前提出动量效应以来,该理论因其稳定的表现(Moskowitz等,2012;Goetzmann和Huang,2018)而受到学术界和实业界广泛关注。即使从时变的角度来看,Lim等(2018)的研究也发现时间序列动量效应在美国股市中普遍存在,且不受规模因素、时间因素和市场因素等的限制。

对于动量效应的经济解释,学者们主要通过传统金融学和行为金融学两个视角进行研究。在风险与收益研究框架下,Jegadeesh和Titman(2001)认为市场风险无法解释动量组合的超额收益,并发现经过三因子风险调整后,动量效应更加显著。Fama和French(2012)认为动量效应是与CAPM相关的唯一无法被三因子模型解释的异象。即使使用五因子模型也无法很好地解释基于动量效应的投资组合。Carhart(1997)提出包含动量因子的Carhart四因子模型,这是一种用于解释动量效应的经典模型,但并未对其机制进行详述。从投资者行为角度出发,风险因素不能完全解释动量效应的产生原因(Bandarchuk和Hilscher,2013)。Jegadeesh和Titman(1993)认为投资者反应不足是导致动量效应的根本原因。Barberis等(1998)的经典模型认为投资者存在锚定偏误,即股票价格的过去表现会直接影响投资者对股票未来价值的判断,进而导致投资者表现出保守型偏差。当股价发生变化时,他们不会轻易改变固有看法,从而导致短期反应不足和动量效应。Daniel等(1998)提出的过度自信与自我归因模型认为,投资者对公共信息的反应不足逐步纠正以及对私人信息的持续反应,导致动量策略获利。

在中国股票市场,动量效应也得到了众多关注。然而,尽管学者们进行了大量探索,却发现存在一定差异。朱战宇和吴冲锋(2005)、鲁臻和邹恒甫(2007)、Liu等(2019)的研究发现,并不存在月度周期策略中明显的动量利润。为了解释中国股票市场的动量效应,翟爱梅和罗伟卿(2013)从个股价格运动的角度出发,采用了弹塑性拟合模型来模拟2005年至2011年中国股票市场的价格走势。他们的研究发现中国市场存在着显著的反转现象,动量效应仅在超高频交易下才相对显著存在。另外,陈蓉等(2014)对中国股票市场进行了1997年至2010年的动量效应研究,发现基于价格和回报构建的动量策略仅在月内表现显著,而传统意义上的短期动量效应在一个月以上的时间范围内并不存在。白颢睿等(2020)则从T+1交易制度的角度出发对A股市场“月频动量消失之谜”给出了理论解释。

总体而言,尽管动量效应在发达资本市场显示出稳健的特征,但在中国A股市场并没有相似的稳健性。本文提出优秀的股票这一全新概念与动量效应虽然存在一些直觉上的相似,但它们在指标度量和预测逻辑方面存在显著差异。在指标度量方面,优秀的股票是收益率高于市场收益率的月度频率较高的股票,而动量指标通常使用前几个月的累计收益率,前者是频率指标,包含月内交易日优于平均水平的分布信息,而后者是盈利水平指标,并不包含前者的分布信息。在预测逻辑方面,本文将从前景理论出发提出假设,进一步通过实证检验投资者错误定价、价值驱动因素和风险补偿是否也是导致优秀股票溢价的重要原因。

2.价值投资策略

20世纪初,价值投资理论的重要奠基人本杰明·格雷厄姆(Benjamin Graham)主张投资者应专注于被低估的股票,等待价格回归至其内在价值时获利出场。这一理念奠定了价值投资的基础,成为经典的投资理论之一。真正将价值投资理论推向极致的人物巴菲特,在继承了格雷厄姆思想的基础上,将其推广至企业选择方面。除了强调购买被低估的股票、持有长期投资、进行风险管理和深入财务报表分析外,巴菲特更加注重企业的强大经济实力和卓越的管理团队。他认为,这些因素对于确定企业内在价值和长期投资回报至关重要。然而,巴菲特并未提供详细的量化方法,使许多人徒有理论却难以在实践中有效复制他的成功。

学界关于价值投资理论的研究也一直备受关注。Ball等(1978)采用市盈率作为判断股票价值的重要指标,而Fama和French(1992,1998)则认为账市比与股票未来收益之间存在显著的相关性。Novy-Marx(2013)则直接根据毛利润资产指标预测股票的期望收益。Boudoukh等(2007)发现分红率能够产生显著的溢价。此外,学者们还从广告与研发费用(Chan等,2001)、净经营资产(Hirshleifer等,2004)等角度研究股票的相对质量。

然而,仅依赖上述单一财务指标或估值指标来反映股票价值存在一定的局限性,例如账面价值虚高、盈利不可持续等问题(Lakonishok等,1994;Sloan,2019),这可能导致投资者陷入错误估值和亏损状态。因此,为全面考量股票价值,学者们在衡量公司质量方面进行综合性探索。Asness等(2019)从股票的盈利、安全性、成长性和支付能力等多个方面综合评估公司质量,以全面考量股票价值。Ng和Shen(2007)则从多维度视角出发,采用多个相关因素构建了综合性指标,以寻找具备投资价值的优秀公司。Frazzini等(2018)对巴菲特的价值投资策略进行了系统性的量化,并提出品质因子。胡熠和顾明(2018)、尹力博和廖辉毅(2019)分别基于B-score指标、品质指标等复合指标进一步证明了价值投资策略在中国的适用性。

在巴菲特所推崇的价值投资策略背后,杰出企业的表现往往是宏观条件(例如美国全球化战略)的产物。为了通过投资这些公司获得丰厚的回报,巴菲特采用的特殊风险控制策略(如将其代理人推荐至目标公司董事会)往往对普通投资者来说是难以复制的。因此,我们需要通过其他方式识别具有潜力的优秀股票。本文将基于对优秀公司的本质内涵和累积前景理论,采用简洁、直观且有效的方法来构建企业优势强度指标,准确描绘出具有潜力的股票并分析其价值投资的内在驱动力和市场复杂交易信息。通过这些研究,我们希望达到“一叶知秋”的预期效果,为普通投资者提供更有把握地捕捉优质投资机会的参考依据。

(二)理论分析与研究假设

由于中国A股这一新兴资本市场散户比例较高,市场限制机制较多,非理性因素对市场有效性影响更加深远,因此,我们基于Tversky和Kahneman(1992)提出的累积前景理论,深入分析股票的优秀程度对未来收益影响的内在机理。

在累积前景理论和狭窄框架(Tversky和Kahneman,1981)下,假设一只股票的收益分布为

\begin{document}$ ({x_{ - a}},{p_{ - a}};...;{x_{ - 1}},{p_{ - 1}};{x_0},{p_0};{x_1},{p_1};...;{x_b},{p_b}) $ \end{document}

其中,(x-a,……,xb)为该股票的未来收益,我们将所有xi由小到大排列,即x−a<x−a+1<……<xb-1<xb,并且x0 = 0,所以当i>0时,xi>0。(p−a,……,pb)为股票每种收益出现的概率,\begin{document}$ \sum\nolimits_{i = - a}^b {{p_i}} = 1 $\end{document}。与理性假设下的期望效用不同,累积前景理论考虑了人们非理性因素的存在,导致人们对股票的价值变为

\begin{document}$ \sum\nolimits_{n = - i}^j {{\pi _n}v({x_n})} $ \end{document}

\begin{document}$ {\pi _n} = \left\{ \begin{gathered} w({p_n} + \cdots + {p_j}) - w({p_{n + 1}} + \cdots + {p_j}),0 \leqslant n \leqslant j \\ w({p_{ - i}} + \cdots + {p_n}) - w({p_{ - i}} + \cdots + {p_{n - 1}}), - i \leqslant n \leqslant 0 \\ \end{gathered} \right. $ \end{document}

其中,v为价值函数,w为权重函数。非理性因素会导致投资者并不完全按照p来分配股票头寸,更可能出现的情况是会依据自己对p的主观判断确定新的股票权重w,从而对股票的价值v认知也不再是理性假设下的期望效用。具体对v和w的设定如下:

\begin{document}$ v(x) = \left\{ \begin{gathered} {x^\alpha },x \geqslant 0 \\ - \lambda {( - x)^\alpha },x < 0 \\ \end{gathered} \right. $ \end{document}

\begin{document}$ w(P) = \frac{{{P^\varphi }}}{{{{({P^\varphi } + {{(1 - P)}^\varphi })}^{1/\varphi }}}} $ \end{document}

其中\begin{document}$ \alpha ,\varphi \in (0,1),\lambda > 1 $\end{document}。参数λ表示损失厌恶的程度,即λ的数值越高,意味着投资者对损失的敏感性越强。

理性假设下期望效用函数是凹的,而前景理论的价值函数仅在盈利时是凹的,在损失时则是凸的。也就是说,人们对中等概率的收益倾向于风险厌恶,而对中等概率的损失倾向于风险偏好。在累积前景理论下,个人在评估股票投资时不使用客观概率,而是使用通过权重函数w将客观概转换之后的概率。对于分布的尾部来说,投资者通常都进行了过度加权。

本文基于Barberis等(2021)的理论框架,构建了在累积前景理论下的优势频率模型。我们考虑股票i在时间周期内股票i存在T个交易日,其中T+个交易日的收益率Ri高于RM,T-个交易日的收益率Ri低于RM,则其收益正、负向收益偏离频率分别为:

\begin{document}$ p_{i,k}^ + = {T^ + }/T $ \end{document}

\begin{document}$ q_{i,k}^ - = {T^ - }/T $ \end{document}

并且,\begin{document}$ p_{i,k}^ + + q_{i,k}^ - = 1 $\end{document}。Barberis等(2021)认为在浮盈状态下,大多数投资者对所持股票的价格存在反应不足的现象。具体来说,当投资者倾向于过早出售获利股票时,会增加卖压并对促使股票价格下行。那么,在T+个交易日中,股票i的市场价格Pm往往是低于其真实价格Pr的,即Pm<Pr,因此,得出股票i在t日(T+个交易日范围内)偏离收益率:

\begin{document}$ \Delta R_{i,t}^ + = R_{i,t}^{m, + } - R_{i,t}^{r, + } < 0 $ \end{document}

根据累积前景理论,持股投资者们对中等概率的损失倾向于风险偏好,不愿意以低价抛售这些账面损失的头寸,从而缺乏卖压,股价可能出现持续下跌不足的情况。这将会导致在T-个交易日中,股票i的市场价格Pm往往高于其真实价格Pr的,即Pm>Pr,因此,得出股票i在t日(T-个交易日范围内)偏离收益率

\begin{document}$ \Delta R_{i,t}^ - = R_{i,t}^{m, - } - R_{i,t}^{r, - } > 0 $ \end{document}

对于任意股票来说,市场中投资者总持仓量是相同的,所以我们考虑股票每日偏离收益率的权重不存在差异,那么,对于一个月内,股票i的平均偏离收益率

\begin{document}$ \begin{gathered} \Delta {{\bar R}_{i,k}} = \frac{{T_i^ + \Delta R_i^ + + T_i^ - \Delta R_i^ - }}{T} = p_{i,k}^ + \Delta R_i^ + + q_{i,k}^ - \Delta R_i^ - = p_{i,k}^ + \Delta R_i^ + + (1 - p_{i,k}^ + )\Delta R_i^ - = \Delta R_i^ - + (\Delta R_i^ + - \Delta R_i^ - )p_{i,k}^ + \end{gathered} $ \end{document}

从(10)式中可以看出,由于\begin{document}$ \Delta {R}_{i}^{+} < 0且\Delta {R}_{i}^{-} > 0 $\end{document},即\begin{document}$ \Delta R_i^ + - \Delta R_i^ - < 0 $\end{document},所以当\begin{document}$ p_{i,k}^ + $\end{document}越大时\begin{document}$ \Delta {\bar R_{i,k}} $\end{document}越小。并且我们发现,假设由于投资者上述行为导致的收益率偏离程度的绝对值相近,那么当\begin{document}$ p_{i,k}^ + $\end{document}较大时,\begin{document}$ \Delta {\bar R_{i,k}} $\end{document}更可能小于0。这表示当股票i在一定周期内日度浮盈出现的频率越高,投资者处置效应的叠加程度越高,从而导致这一周期内总体平均收益率负向偏离水平增大,即反应不足更加严重。也就是说,越优秀的股票会比日度浮盈出现频率较低的股票受到投资者处置效应影响的频次更高,因此处置效应在这类股票中存在更明显的表现。而在这一竞争性市场中,还存在其他套利者,并且这些套利者通常是更加专业、理性的机构投资者,他们的套利行为可能会使这类优秀股票的价格在未来得到正向修正。因此,我们重新调整参考点为市场平均收益率后,提出本文的假设:越优秀的股票,未来收益越高。

数据及研究方法

(一)数据来源

本文使用的数据来自中国经济金融研究数据库(CSMAR),样本为2006年1月至2022年12月中国沪深A股市场所有股票。自2005年4月起,我国股市进行股权分置改革,A股市场日趋完善,所以与较多学者不同,我们主要研究2006年起更加规范的中国市场。同时,对样本进行了以下条件的数据筛选:(1)剔除样本中ST、*ST和金融类股票;(2)剔除上市时间不足1年的股票。并且对样本中日度收益率数据进行1%缩尾处理。

(二)指标构建

借鉴Akbas等(2022)的方法,构建股票优势指标\begin{document}$AS{L_{i,t}}$\end{document},具体为t月个股i的收益率高于市场收益率的天数\begin{document}$\sum\nolimits_i {{I_{{R_{i,t}} > {R_{M,t}}}}} $\end{document}除以该月交易天数N,即t月股票i优于平均水平的频率,即

\begin{document}$ AS{L_{i,t}} = \frac{{\sum\nolimits_i {{I_{{R_{i,t}} > {R_{M,t}}}}} }}{{{N_t}}} $ \end{document}

由于本文需要对股票隔夜和日间的表现进行分析,所以使用Lou等(2019)的方法计算在t日隔夜收益\begin{document}$RET\_{N_t} $\end{document}和日间收益\begin{document}$ RET\_{D_t} $\end{document}:

\begin{document}$ RET\_{N_t} = {{\left( {1 + RE{T_t}} \right)} \mathord{\left/ {\vphantom {{\left( {1 + RE{T_t}} \right)} {\left( {1 + RET\_{D_t}} \right)}}} \right. } {\left( {1 + RET\_{D_t}} \right)}} - 1 $ \end{document}

\begin{document}$ RET\_{D_t} = {{\left( {P_t^{close} - P_t^{open}} \right)} \mathord{\left/ {\vphantom {{\left( {P_t^{close} - P_t^{open}} \right)} {P_t^{open}}}} \right. } {P_t^{open}}} $ \end{document}

其中,全天收益\begin{document}$RE{T_t} = {{\left( {P_t^{close} - P_{t - 1}^{close}} \right)} \mathord{\left/ {\vphantom {{\left( {P_t^{close} - P_{t - 1}^{close}} \right)} {P_{t - 1}^{close}}}} \right. } {P_{t - 1}^{close}}}$\end{document},所有开盘价\begin{document}$ P_t^{open} $\end{document}和收盘价\begin{document}$ P_t^{close} $\end{document}均使用前复盘后的价格,以调整股票除权对价格的影响。

此外,本文使用上证指数日收益率作为市场日收益率。投资组合收益率是由入选组合中各股票收益率经过流通市值加权平均或等额加权平均得到。参考现有研究的一般方法,本文对其他变量指标的构建如下。(1)规模指标(SIZE):按照股票流通市值进行度量。(2)账面市值比(BM):所有者权益/流通市值,其中所有者权益为季度值,流通市值为月末值。(3)总资产增长率(GTH):(资产总计本期期末值—资产总计本期期初值)/(资产总计本期期初值),季度值。(4)净资产收益率(ROE):净利润/股东权益余额,季度值。(5)特质波动率反向指标(RIVOL):每个月基于Fama三因子模型的日度残差项,计算其标准差的相反数。(6)最大日度收益率(MAX):股票一个月内的最大日收益率。(7)非流动性指标(ILLIQ):当月的日绝对收益率与日交易股数之比的平均值。(8)个股换手率(TURN):当月的日换手率平均值,日换手率的计算公式为日交易量/流通股股数。(9)机构投资者持股比例(IO):机构投资者持有股份总数量占上市公司总股份比例。

(三)描述性统计

表1报告了上一小节所述变量的描述性统计值。可以看出,股票的优势强度水平(ASL)的平均值为47.4%,表明所有样本股票每个月能够跑赢市场的天数平均约为10天(按照平均22个交易日计算)。而且我们还发现50%的股票优势强度水平集中在40%至55%,每个月平均能够战胜市场12次的股票最高仅占25%。此外,ASL有很大的变化,从0到100%不等,这相当于某个月中存在没有任何一天跑赢市场的劣势股票,也存在天天完胜市场的优秀股票。

1
描述性统计
变量符号均值标准差最小值p25p50p75最大值
ASL0.4740.1160.0000.4000.4760.5501.000
RET0.0140.164−0.627−0.0770.0000.0892.799
RET_D0.0390.160−0.546−0.0550.0200.1131.412
RET_N−0.0210.081−0.529−0.054−0.0180.0142.179
SIZE22.0281.15918.08921.25221.96122.72325.961
BM0.3920.272−1.1210.1990.3280.5171.763
GTH0.1110.274−0.486−0.0070.0410.1314.538
ROE0.0420.084−1.4390.0120.0370.0750.467
RIVOL−0.0910.051−0.434−0.117−0.080−0.0550.000
MAX0.0580.031−0.1000.0340.0500.0810.470
ILLIQ0.0190.3610.0000.0020.0040.00930.382
TURN0.0300.0340.0000.0100.0190.0380.279
IO0.4170.2620.0000.1820.4290.6271.000

表2报告了主要变量的Spearman和Pearson相关系数。结果显示优势强度水平与当月的股票收益率(RET)呈正向关系。此外,ASL与月度收益的日间部分(RET_D)和隔夜部分(RET_N)均呈正相关,但隔夜部分的Pearson相关系数远低于日间部分,仅为0.11。这一结果表明,越优秀的股票,其月度日间收益率较为丰厚,而隔夜收益率并没有日间的高但总体上也克服了隔夜折价带来的损失。相比之下,ASL与其他控制变量的相关性较低,这表明优势强度水平能够捕捉比其他指标更多的有用信息。

2
相关性分析
ASLRETRET_DRET_NSIZEBMGTHROERIVOLMAXILLIQTURNIO
ASL1.000.540.510.11−0.03−0.120.010.02−0.150.210.040.14−0.02
RET0.541.000.830.390.05−0.120.010.02−0.290.380.060.220.00
RET_D0.520.851.00−0.160.00−0.140.00−0.02−0.360.42−0.010.31−0.01
RET_N0.050.27−0.181.000.100.020.010.060.09−0.020.14−0.120.02
SIZE−0.040.050.000.121.000.04−0.050.170.04−0.04−0.05−0.290.39
BM−0.11−0.11−0.130.040.011.00−0.17−0.140.31−0.25−0.04−0.300.10
GTH0.010.01−0.020.040.05−0.161.000.24−0.080.040.030.16−0.07
ROE0.010.01−0.040.090.18−0.180.431.000.00−0.010.00−0.020.07
RIVOL−0.14−0.22−0.300.150.050.36−0.06−0.021.00−0.79−0.04−0.590.09
MAX0.210.380.41−0.06−0.04−0.280.03−0.02−0.801.000.030.48−0.07
ILLIQ0.07−0.11−0.08−0.07−0.66−0.250.070.04−0.070.051.000.04−0.03
TURN0.150.200.27−0.13−0.35−0.360.07−0.05−0.610.560.021.00−0.23
IO−0.020.010.000.040.380.070.000.070.09−0.07−0.15−0.311.00

实证结果分析

本节分别使用单变量和双变量分组分析的方法来检验优势强度水平在中国A股市场是否能够预测股票未来的收益率且市场中是否存在优秀的低风险股票溢价,并进一步使用Fama-MacBeth回归的方法检验这两种现象的稳健性。

(一)单变量分组检验

在本小节中,每个月我们将样本股票按照优势强度水平ASL从小到大排序,并等分为25个组合。同时,将各个投资组合分别与Fama-French三因子、Carhart四因子和Fama-French五因子进行回归,得到经过调整后的超额收益率。表3的面板A报告了t+1月的价值加权(权重为个股的流通市值)和等额加权投资组合收益。第一行显示价值加权组合中ASL最高组平均月度收益率比最低组高出1.59%。经过风险因子调整后的对冲组合超额收益率均显著为正,这表明t月表现优秀的股票组合在t+1月获得显著正收益是稳健的。等额加权组合中各对冲组合超额收益率的显著性大幅上升,全部显著为正,且组合月度收益率变化更为明显,最高上浮近3倍。其中,高ASL组月度平均收益率更是达到5.74%(t值=4.99)。这说明,虽然规模作为权重会导致收益率下降,但ASL对未来收益的预测能力依然稳健。该结果证明了优秀股票和未来收益正向关系的假设是成立的。产生这一现象的原因如理论分析中描述的一样,越优秀的股票在一定周期内处置效应的叠加程度越高,从而导致反应不足更加严重,那么这类股票的价格将会在未来得到更大幅度的正向修正。面板B中,我们将未来一个月的收益率分解为隔夜和日间两部分,重复表3面板A中的等额加权投资组合分析。结果表明,ASL的对冲组合平均月度日间收益率显著为正值,为3.82%(t值=3.98)。而对冲组合平均月度隔夜收益率非常小,且并不显著,仅为−0.02%(t值=−1.45)。同时,各组合的未来月度隔夜收益率大部分显著为负,高ASL组的平均月度隔夜收益率绝对值不到其日间收益率的5%。这不仅验证了张兵(2020)和Liu和Wen(2024)有关股票隔夜折价现象的研究,还说明跑赢市场频率越高的那些优秀股票所产生的正向预测信息是通过t+1月日间投资者交易所揭示的,而不是隔夜的交易者。这表明因隔夜折价异象没有对优势强度水平预测效果造成显著影响,也就是说优秀的股票具有克服T+1交易制度带来隔夜折价损失的能力。

3
单变量分组检验结果
面板A:权重不同的组合
价值加权组合等额加权组合
ASLLHH−LLHH−L
RET0.00820.0240***0.01590.0181***0.0574***0.0393***
(1.35)(3.08)(1.61)(2.65)(4.99)(2.94)
FF3a0.00610.0180**0.0119**0.0163**0.0483***0.0320***
(1.00)(2.35)(2.32)(2.36)(4.30)(3.67)
Carhart4a0.00620.0173**0.0111**0.0166**0.0459***0.0293***
(1.01)(2.24)(2.15)(2.38)(4.07)(3.36)
FF5a0.00790.0202**0.0123**0.0188***0.0537***0.0349***
(1.24)(2.54)(2.32)(2.62)(4.66)(3.88)
面板B:将未来收益按照日间与隔夜时段划分
日间收益组隔夜收益组
ASLLHH−LLHH−L
RET0.0292***0.0674***0.0382***−0.0009**−0.0011−0.0002
(4.63)(9.32)(3.98)(−2.37)(−1.63)(−1.45)
FF3a0.0282***0.0661***0.0378***−0.0027***−0.0031***−0.0004
(4.40)(8.94)(4.79)(−6.68)(−4.57)(−0.93)
Carhart4a0.0284***0.0667***0.0381***−0.0027***−0.0031***−0.0004
(4.39)(8.92)(4.77)(−6.52)(−4.41)(−0.83)
FF5a0.0296***0.0699***0.0403***−0.0025***−0.0030***−0.0005
(4.47)(9.15)(4.90)(−6.02)(−4.22)(−0.95)

(二)双变量分组检验

在本小节中,我们将研究优势强度水平与其他公司特征之间的关系,不仅检验ASL的收益预测能力是否随这些属性发生系统性变化,还探究低风险股票对ASL预测能力的影响。

首先,我们根据ASL大小将股票十等分,计算这些公司特征每个月的平均值,再得出月度截面平均值的时间序列平均值,并比较ASL最高组与最低组的公司各种特征差异。表4显示了该分析的结果,与表2中的结果基本一致。ASL最高组的公司规模(SIZE)、账市比(BM)、特质波动率反向指标(RIVOL)和机构投资者持股比例(IO)比最低组都小,而总资产增长率(GTH)、净资产收益率(ROE)、最大日度收益率(MAX)、非流动性(ILLIQ)和换手率(TURN)则更高。这表明优秀的股票集中在小规模、低账市比和机构持股比例较低的公司,与巴菲特的价值投资策略相似(Frazzini等,2018)。同时,最优秀的股票组合远比最差的盈利高很多,月平均收益率差值高达27.6%。除了日间收益的组合差异显著为正,隔夜收益的差值也达到了4.09%,不仅没有受到T+1交易制度带来的折价损失,还获得了显著收益。

4
不同ASL分位数组合的属性
ASLLHH−Lt值
RET−0.08650.18960.2760***22.51
RET_D−0.05470.17990.2346***25.14
RET_N−0.03160.00930.0409***7.68
SIZE22.163222.0552−0.1081*−1.84
BM0.42840.3296−0.0988***−8.06
GTH0.10190.15130.0494***4.05
ROE0.03850.05070.0121***3.66
RIVOL−0.0792−0.1066−0.0274***−9.77
MAX0.04900.06870.0197***14.52
ILLIQ0.00790.15730.1494***3.34
TURN0.02490.04120.0163***12.58
IO0.44780.4020−0.0459***−3.05

然后,我们通过双变量分组检验的方法分析ASL和未来收益率之间的预测关系是否发生变化。每个月,根据ASL大小将股票分为十等分,再对各组合按照公司特征大小三等分。之后,我们分析这30个投资组合未来1个月经三因子风险调整后的异常收益率表现。表5显示当月收益各组合的对冲组合收益都显著为正,该结果排除了我们对反转效应所带来影响的担忧,验证了优势强度水平预测能力的稳健性。公司规模最低组的月度对冲组合收益率达到2.65%,与表3中等额加权组合的对冲组合收益优于价值加权组合的结论一致,小规模公司中ASL的预测表现更好。而对账市比的各个组合,ASL的预测性在BM最高组和最低组中并不显著,这可能是由于两个原因所导致。第一,BM过高的股票通常资产质量较差,大幅降低投资者对该资产的认可程度,即便短期表现良好,也难以扭转投资者的观念。第二,BM过低的股票虽然被广泛看好,但存在投资风险过大和过度反应修正等问题。然而,在不受极端情况影响下的BM中等组合中,优势强度水平预测股票未来收益率依然是稳健的。在面板A中我们还非常关注RIVOL对ASL预测效果的影响。高RIVOL的对冲组合收益显著为正,发现优秀的低风险(波动)股票未来收益更高,并且高ASL高RIVOL组甚至达到了可观的5.41%。

5
双变量分组检验结果
面板A:全天收益的表现
RETt+1
ASLLHH−Lt值
RETL0.01950.03110.0116*1.81
20.01230.02910.0168***4.15
H−0.00020.01120.0114***2.70
SIZEL0.02680.05340.0265***3.10
20.01600.0110−0.0050−1.45
H0.01020.0084−0.0018−0.47
BML0.01910.02680.00761.00
20.01770.03660.0189***3.05
H0.01730.02010.00280.95
RIVOLL0.0102−0.0003−0.0104**−2.36
20.02000.0158−0.0041−0.85
H0.01890.05410.0352***4.19

(三)Fama-Macbeth回归分析

本小节运用Fama-Macbeth回归检验在控制变量的情况下ASL对未来股票收益率预测能力和股票风险程度对ASL预测能力影响的稳健性。具体的回归方程分别如下:

\begin{document}$ \begin{gathered} RET_{i,t + 1}^{} = \alpha + {\beta _1}AS{L_{i,t}} + {\beta _2}RE{T_{i,t}} + {\beta _3}RET\_D_{i,t}^{} + {\beta _4}RET\_N_{i,t}^{} \\ + {\beta _5}Siz{e_{i,t}} + {\beta _6}B{M_{i,t}} + {\beta _7}GT{H_{i,t}} + {\beta _8}RO{E_{i,t}} + {\beta _9}RIVO{L_{i,t}} \\ + {\beta _{10}}MA{X_{i,t}} + {\beta _{11}}ILLI{Q_{i,t}} + {\beta _{12}}TURNOVE{R_{i,t}} + {\beta _{13}}I{O_{i,t}} + {\varepsilon _{i,t}} \\ \end{gathered} $ \end{document}

\begin{document}$ RET_{i,t + 1}^{} = \alpha + {\beta _1}AS{L_{i,t}} + {\beta _2}ASL \times RIVO{L_{i,t}} + {\beta _3}RIVOL_{i,t}^{} + \sum\nolimits_j {{\beta _j}X_{j,i,t}^{}} + {\varepsilon _{i,t}} $ \end{document}

其中,\begin{document}$ X_{j,i,t}^{} $\end{document}表示本文使用的各个控制变量。

在表6中,我们分批加入控制变量,回归结果如第(1)至(6)列。第(1)列中显示ASL的系数为0.0388(t=2.45),在第(2)列中控制t月隔夜和日间收益后,ASL的预测效果显著上升至0.0604(t=7.31)。第(3)至(6)列中,加入了各种公司特征变量,ASL的系数仍然全部显著为正。这验证了ASL对未来一个月股票收益率的预测能力是稳健的。从经济意义上来说,虽然传统的反转效应、规模效应、账市比效应等影响未来股票价格的形成,但均未改变优秀属性对股票收益的预测性。

6
关于ASL对未来股票收益率预测能力的Fama−Macbeth回归结果
RETt+1
(1)(2)(3)(4)(5)(6)
ASL0.0388**0.0604***0.0495***0.0489***0.0383***0.0432**
(2.45)(7.31)(6.79)(7.41)(2.93)(2.41)
RET_D−0.0872***−0.0868***−0.0830***−0.0514***
(−8.93)(−9.25)(−9.32)(−6.08)
RET_N−0.0441***−0.0326***−0.0354***−0.0119
(−2.63)(−2.62)(−3.42)(−0.46)
RET−0.0447***
(−5.02)
SIZE−0.0054***−0.0064***−0.0081***−0.0136**
(−2.94)(−3.68)(−4.67)(−2.53)
BM0.00260.0170***0.0332−0.0017
(0.46)(3.17)(1.35)(−0.16)
GTH0.0104***0.0134***0.0119**
(3.74)(2.95)(2.18)
ROE0.1580***0.2186***0.2570***
(6.80)(4.17)(3.16)
RIVOL0.1105***0.1078***
(2.83)(2.88)
MAX0.1433**0.1424*
(2.08)(1.92)
ILLIQ−0.02980.0354
(−0.31)(0.39)
TURN−0.3727***−0.4452***
(−5.28)(−3.27)
IO−0.0066**−0.0034
(−2.56)(−1.30)
Adj.R20.01110.02460.05960.07870.12130.1202
N488662485389485383443028411583411583

表7报告了关于股票风险程度对ASL预测能力的影响Fama-Macbeth回归结果。我们发现在第(2)和(3)列中ASL×RIVOL这一交乘项的回归系数显著为正,分别为1.0186(t=4.85)和0.2927(t=3.62),并且远高于ASL项的系数0.1124(t=4.22)和0.0521(t=5.62),不仅验证了表5中低风险(波动)的优秀股票未来溢价更高这一结论的稳健性,还可以看出低风险且优秀这一特征组合对ASL预测效果的贡献度最高达到90.1%,也就是说通过优势强度水平获得的优秀股票组合其低风险特征十分突出,更加能够满足投资者对低风险高收益的投资需求。

7
关于股票风险程度对ASL预测能力影响的Fama−Macbeth回归结果
RETt+1
(1)(2)(3)
ASL0.0388**0.1124***0.0521***
(2.45)(4.22)(5.62)
ASL×RIVOL1.0186***0.2927***
(4.85)(3.62)
RIVOL−0.3104***0.0070
(−3.36)(0.20)
是否控制变量否否是
Adj.R20.01110.03050.0685
N488662486653483936

稳健性检验

(一)不同市场状态下的检验

有一种担心是不同市场状态可能会对股票价格存在显著影响,本文根据Pagan和Sossounov(2003)的方法将样本期划分为牛市和熊市,检验不同状态下优势强度水平是否还具备对未来收益的预测能力。我们使用与表6相同的方法构建投资组合,对牛市和熊市中的优势强度水平和未来收益进行Fama-MacBeth回归。

表8显示,除熊市中未控制变量的回归(1)外,牛市和熊市中ASL的系数全部显著为正,与表6的结果一致,验证了在不同市场状态下优势强度水平对未来收益的预测能力都是稳健的。此外,牛市中ASL的回归系数都在0.05以上,全部优于熊市中的表现,尤其是在加入所有控制变量后。也就是说,相较于熊市,在牛市状态下ASL的收益预测效果更好。

8
不同市场状态下ASL与未来收益的Fama−MacBeth回归结果
RETt+1
(1)(2)(3)(4)(5)(6)
面板A:牛市
ASL0.0572**0.0638***0.0518***0.0517***0.0512**0.0595**
(2.12)(4.85)(4.24)(4.84)(2.43)(2.03)
是否控制变量否是是是是是
Adj.R20.01300.02470.05940.07990.13290.1321
N329488327208327207289781262278262278
面板B:熊市
ASL0.01030.0551***0.0459***0.0446***0.0193***0.0193***
(0.97)(7.56)(8.94)(7.47)(3.22)(3.27)
是否控制变量否是是是是是
Adj.R20.00830.02440.05990.07700.10430.1028
N159174158181158176153247149305149305

(二)不同持有期的检验

我们上述的主要结论都是基于未来一个月的收益进行分析的,那么如果资产持有期长度发生改变后,ASL的预测效果是否还能继续保持呢?我们针对这一问题使用Fama-MacBeth回归分析ASL对持有期从1个月到12个月的累计超额收益率的预测情况,具体结果见表9。

9
ASL对不同持有期累计超额收益的预测水平检验
CARt+1CARt+2CARt+3CARt+4CARt+5CARt+6
ASL0.0265***0.0376***0.0416***0.0451***0.0487***0.0568***
(5.32)(4.48)(4.24)(4.15)(3.92)(3.99)
Adj.R20.10160.10820.10760.10530.10560.1036
N415057414028413003409130405259401411
CARt+7CARt+8CARt+9CARt+10CARt+11CARt+12
ASL0.0635***0.0680***0.0730***0.0736***0.0789***0.0807***
(4.25)(4.32)(4.72)(4.69)(5.15)(5.34)
Adj.R20.10380.10530.10800.10960.11100.1123
N397639393867390123386402382681378983

从表9中的数据中可以看出,ASL与持有期分别为1至12个月的未来累计收益率全部是显著正相关的,并且随着持有期的增加,优秀的股票给投资者带来的累计收益率也在不断增长。投资者持有一年时,ASL每增加一个单位,累计收益率将达到8.07%(t=5.34)。虽然从3个月的持有期开始,各月的收益率上涨的幅度均存在缩减的态势,但是相较1个月的未来累计收益率来说,年化收益率提升了5.42%,这对于普通投资者来说也是非常具有吸引力的。

进一步分析

通过以上的实证分析,结果验证了理论分析中处置效应是优秀股票溢价的重要原因。除此之外,优秀股票与未来收益的关系是否还会受到其他因素的影响?我们在本节中将从价值驱动、风险补偿和错误定价三个方面进一步分析。

(一)价值驱动视角

价值投资策略的底层逻辑之一来自与公司价值的比较,因此本文借鉴Asness等(2019)和尹力博和廖辉毅(2019)的企业价值指标构建思路,使用发展能力和盈利能力,即总资产增长率和净资产收益率,来衡量公司价值水平。这里未考虑分红能力主要是因为中国证券市场中的上市公司分红水平较低,或集中资金用于公司扩大再生产所致,或管理层监管不力所致,也存在为提升估值蓄意抬高分红比例的行为等,无法准确反映公司价值。

表10报告了价值驱动的双变量分组检验结果。可以看出,总资产增长率最高组与其他组相比,其对冲组合收益率最高,达到3.14%(t=2.54),并且是显著的。这一组合经过三因子和五因子调整后的异常收益率(FF3 α和FF5 α)也分别达到2.69%(t=3.58)和2.88%(t=3.68)。净资产收益率最高组也有同样的表现,其最高组的对冲组合收益率显著为正,为1.80%(t=1.76),经过三因子和五因子调整后的异常收益率均为1.46%。此外,我们还发现在这两种公司价值变量的最高组中,ASL各组收益率也是更可观的,其中,高GTH高ASL组的月度平均收益率达到5.07%。这都反映了公司内在价值是优秀股票表现的核心驱动力,也印证了ASL预测能力的底层逻辑与价值投资策略是一致的。

10
价值驱动的双变量分组检验结果
RETt+1FF3 αFF5 α
ASLLHH−Lt值LHH−Lt值LHH−Lt值
GTHL0.01640.01770.00130.120.01300.0106−0.0024−0.680.01550.0137−0.0018−0.47
20.01630.02000.00370.360.01380.01430.00050.130.01630.01790.00160.41
H0.01930.05070.0314**2.540.01680.04370.0269***3.580.02000.04880.0288***3.68
ROEL0.01390.01990.00600.540.01060.01370.00310.740.01340.01750.00420.95
20.01390.03390.02001.620.01160.02570.0141**2.070.01430.03220.0179**2.55
H0.02290.04090.0180**1.760.02030.03500.0146***3.080.02310.03770.0146***2.93

(二)风险补偿视角

除价值驱动的研究外,关于探讨异象究竟源自何处的问题,目前学界主要从传统的资产定价理论和行为金融理论两个方面进行解释,即风险补偿和错误定价。借鉴Carhart(1997)的方法,基于高ASL和低ASL股票的收益率差额,构建了衡量股票优秀属性的新因子YML并估计其因子载荷。具体方法如下:首先,将股票依据ASL大小排序后,按照30%、40%、30%的比例分为3组(投资组合的收益按照等权平均进行计算),用高ASL组与低ASL组t+1月的平均收益率差额构建YML因子。然后,我们将其加上Fama-French三因子对个股超额收益(个股月平均收益减去月度无风险收益率)进行回归,其回归系数就是个股的YML因子载荷。最后,控制相关公司特征,探究YML因子载荷与超额收益率之间的关系。我们将t+1月收益率对因子和因子载荷分别进行Fama-Macbeth回归。若回归系数显著,则说明可以用风险补偿来解释;若回归系数不显著,则说明错误定价可能是这一异象的另一根源。

在表11中,回归(1)的YML因子载荷系数t值仅为−1.31,这表明该因子载荷和未来1个月的收益率之间的线性关系并不显著。回归(2)和(3)分别加入了市场、规模、账市比因子载荷和ASL、SIZE、BM变量,结果与回归(1)一致,YML因子载荷仍然不显著。而个股ASL这一核心变量的回归系数在第(3)列中为0.0254(t=1.79),即每增加一单位的ASL,未来1个月的个股收益率将增加2.54%。也就是说,优秀的股票之所以能够获得超额收益,根本原因并不是承担了较高的风险,而很可能是由错误定价所导致的。另外,这也从风险补偿的角度检验了优秀的股票组合投资策略在中国A股市场中符合理性投资者对低风险特征的需求。

11
加入YML因子后的Fama−Macbeth回归结果
RETt+1
(1)(2)(3)
BETA_YML−0.0071−0.0068−0.0072
(−1.31)(−1.42)(−1.47)
BETA_ME0.0185*
(1.66)
BETA_SMB0.0029
(0.67)
BETA_HML−0.0085***
(−3.13)
ASL0.0254*
(1.79)
SIZE−0.0081***
(−3.49)
BM0.0055
(0.71)
Adj. R20.01600.09020.0638
N485946485946485946

(三)错误定价视角

由于上一节得出ASL的预测能力并不是来源于传统金融理论的风险补偿,那么,本节从行为金融理论的错误定价视角深入剖析该预测能力形成的底层逻辑。我们使用与表5相同的方法对ASL和MAX、ILLIQ、TURN、IO进行双变量分组,并比较分析各组合月度平均收益率和经三因子风险调整后的收益率。

面对市场的巨量信息,投资者的注意力是十分有限的。Barberis和Shleifer(2003)认为在投资决策过程中,这会根据投资者的偏好被分配至特定的股票上。而Bali等(2011)提出了最大日度收益率效应,并且发现有博彩偏好的投资者会被暴涨的股票所吸引,忽视公司的其他信息,这导致投资者对未被关注的信息反应不足。因此,ASL的表现在彩票类股票中可能是比较明显的。表12中面板A显示的结果和我们的猜想一致。仅有MAX最大组中ASL对冲组合月度平均收益率和经三因子调整后的收益率是显著的,分别为2.05%(t=1.79)和1.69%(t=2.75)。其中高MAX高ASL组的两种收益率均明显高于其他各组,分别为3.37%和2.84%。这证明了优秀股票未来良好表现的原因之一可能是基于博彩偏好导致的反应不足。

12
错误定价视角下ASL预测未来收益
RETt+1FF3 α
ASLLHH−Lt值LHH−Lt值
面板A:博彩偏好与ASL预测能力
MAXL0.01870.02780.00910.880.01620.02050.00421.02
20.02590.02730.00140.120.02360.0221−0.0015−0.23
H0.01320.03370.0205*1.790.01150.02840.0169***2.75
面板B:套利限制与ASL预测能力
ILLIQL0.01460.0073−0.0073−0.750.01240.0041−0.0083**−2.33
20.02370.0157−0.0080−0.750.02130.0123−0.0090*−1.93
H0.02430.05460.0304**2.430.02200.04700.0250***3.80
面板C:投资者情绪与ASL预测能力
TURNL0.02000.08960.0695***4.920.01710.07960.0625***5.81
20.02120.02430.00310.280.01910.01980.00080.16
H0.01440.0054−0.0089−0.820.01320.0018−0.0114***−3.29
面板D:投资者结构与ASL预测能力
IOL0.02300.03640.01340.980.02090.02950.00861.25
20.01780.02420.00640.620.01580.01980.00400.95
H0.01830.0174−0.0008−0.090.01650.0138−0.0028−0.77

中国市场涨跌停制度和卖空限存在阻碍套利行为的现象(Gu等,2018),这是导致中国股票市场缺乏有效性的一个重要原因。在这样的套利限制下,股价与内在价值的偏离可能长期存在,导致错误定价的出现。借鉴Amihud(2002)的方法,本文使用非流动性指标来度量套利限制的大小。其经济意义是股价的形成会受到单位成交额的重要影响,导致交易成本增加,从而大大限制了投机者的套利行为。因此,非流动性越高,股价偏离度也将越高且很难被修正,则ASL的预测效果可能更加突出。从表12面板B中可以看出,非流动性最高组中,ASL的对冲组合月度平均收益率和经三因子调整后的收益率显著为正,达到3.04%(t=2.43)和2.50%(t=3.80)。而非流动性低的组中,对冲组合收益显著为负或不显著。这一结果符合上述预期,套利限制越高的股票,其优势属性的预测效果越显著;套利限制越低的股票,该异象可能会被修正甚至是过度修正。同时,这也验证了Gu等(2018)的观点,说明中国A股的套利限制会导致错误定价的长期存在。

De Long等(1990)的研究发现投资者情绪对资产定价存在重要的影响。因为投资者情绪是投资者对未来不确定性形成的一种信念,这种信念不仅与资产本身有关,还受到投资者自身特征影响,直接影响其投资决策行为(李林波和刘维奇,2020;张超等,2021),从而会导致股票价格波动。由于情绪是存在一定社会性的,投资者的行为会相互影响,逐渐趋于一致,例如羊群效应,最终导致在某一时段股票价格比正常水平偏离更大。人们理想中的优秀股票应该是有价值且相对稳定的,因过度炒作引起的投资者情绪偏高可能会导致股价过度反应,其未来收益会出现反转;反而是比较低调的股票,可能因投资者的忽视导致股价反应不足,其未来股价会持续走高。从表12的面板C中可以看出,低投资者情绪组中,ASL对冲组合月度平均收益率和经三因子调整后的收益率显著为正,分别是6.95%(t=4.92)和6.25%(t=5.81),而在高投资者情绪中却是−0.89%(t=−0.82)和−1.14%(t=−3.29)。此外,我们还观察到高情绪高ASL组的月度平均收益率高达8.96%,远超其他各投资组合的表现。这一结果表明,低投资者情绪对优秀股票的表现产生了极为重要的影响,也进一步验证了错误定价的解释。

中国A股市场的一个重要特征就是散户与中小投资者较多(Shu和Tan,2022),这类群体通常缺乏先进的技术手段和雄厚的资金,难以及时掌握有价值的信息,对股票的知情程度较低,更多是盲从跟风交易。Shleifer和Vishny(1997)则发现套利者通常是那些少数专业的投资者,并且如果非理性交易在市场中占优,那么套利行为会因股价持续偏离内在价值而失效并导致错误定价长期存在。因此,数量占优的散户投资者非理性交易行为会导致异象的可能性更大。而机构投资者不仅在资金规模、交易技术、信息获取等诸多方面拥有绝对优势,总体上是通过研判分析后进行投资决策的,其理性交易行为有助于对错误定价起修正作用。表12中面板D的结果显示机构投资者持股比例最高组的对冲组合月度平均收益率为−0.08%(−0.09)和−0.28%(−0.77),并不显著,说明ASL的异象在理性机构投资者持股占优的股票中会被迅速修正。而散户投资者持股比例最高组的对冲组合月度平均收益率为1.34%(0.98)和0.86%(1.25),虽然结果并不显著,但这组中的高ASL和低ASL的组合收益均高于其他IO组合,说明非理性因素确实会导致股价的持续偏离,但并不能佐证关于ASL异象原因的猜测,反而启示了我们对另一种散户投资者特征的关注,即此类投资者缺乏对优质资产的分辨能力,这将会导致ASL异象不明显。

结论与启示

为了引导中小投资者准确地理解投资策略等专业知识,普及理性投资的理念,推动资本市场健康发展与实体经济高质量增长,进而实现共享经济繁荣的愿景,本文在分析2006年至2022年中国A股数据的基础上,融合中国传统文化的本源思想,设计了一种优势强度指标以刻画出优秀的股票。并基于累积前景理论和狭窄框架,使用Fama-Macbeth回归和投资组合检验方法,我们对这些优秀股票的未来表现及其深层机制进行了详尽的研究。结果发现:(1)越优秀的股票,其未来收益更为显著,在不同市场环境和持有期内,表现依然稳健,且在一年期内持有的累计回报逐月递增。(2)优秀且低风险的股票中,未来收益表现更为出色。(3)将全天收益细分为日间收益和隔夜收益后,优秀股票的卓越表现不仅在于显著的日间正向预测能力,还包括在夜间成功克服隔夜折价损失的能力。(4)优秀股票未来溢价源于投资者错误定价和价值驱动因素,而非风险补偿机制。

本研究对中国资本市场的理性投资具有重要的启示。从政府层面,呼吁加强打击操纵股价等不当交易行为的监管力度,为实体企业提供更好的信息传播条件和政策服务环境,加强投资者金融素养和风险意识的培育,全面提升市场有效性,促进国内资本市场的健康发展。从企业层面,优质企业将吸引更多的资本注入,因此应在不断完善自身实力的同时,后进企业亦应在行业中努力改善问题、迎头赶上。从投资者层面,为投资者提供全新的视角、理论依据与实操方法,以帮助其在股市中捕捉到更多的投资机会和实现财富增值,并建议应加强金融专业知识的学习,提高风险意识,理性选择或调整投资策略。

在瞬息万变的金融市场中,我们更加注重投资者在资本市场和实体经济高质量发展中的重要作用,并希望通过本研究的理论探索和实际策略,引导投资者充分认识到优秀股票的价值,积极参与到中国经济的持续增长中,在分享中国经济高质量增长果实的同时,助力我国资本市场理性发展,并为整个社会实现共享繁荣的宏伟目标贡献力量。


参考文献

1 中国股票市场月频动量效应消失之谜——基于T+1制度下隔夜折价现象的研究. 财经研究,2020,46(4):140-154.
2 动量效应的行为金融学解释. 系统工程理论与实践,2014,34(3):613-622. DOI:10.12011/1000-6788(2014)3-613.
3 巴菲特的阿尔法: 来自中国股票市场的实证研究. 管理世界,2018,34(8):41-54. DOI:10.3969/j.issn.1002-5502.2018.08.004.
4 投资者情绪与产业结构升级——“投融资途径”与“信号传递”的视角. 外国经济与管理,2020,42(2):111-123.
5 股权分置改革与资本市场效率——基于三因子模型的实证检验. 会计研究,2010,(3):65-72. DOI:10.3969/j.issn.1003-2886.2010.03.010.
6 中国股市的惯性与反转效应研究. 经济研究,2007,(9):145-155.
7 中国A股市场存在品质溢价吗?. 金融研究,2019,(10):170-187.
8 中国资本市场的T+1交易制度研究: 隔夜收益率视角. 管理世界,2020,36(12):26-35,51. DOI:10.3969/j.issn.1002-5502.2020.12.004.
9 有限套利、投资者情绪与分析师盈利预测精度. 外国经济与管理,2021,43(12):118-134.
10 考虑卖空限制的动量效应和反向效应模型. 系统工程理论与实践,2005,25(1):1-11. DOI:10.3321/j.issn:1000-6788.2005.01.001.
11 Overnight returns, daytime reversals, and future stock returns. Journal of Financial Economics,2022,145(3):850-875. DOI:10.1016/j.jfineco.2021.09.019.
12 Quality minus junk. Review of Accounting Studies,2019,24(1):34-112. DOI:10.1007/s11142-018-9470-2.
13 Prospect theory and stock market anomalies. The Journal of Finance,2021,76(5):2639-2687. DOI:10.1111/jofi.13061.
14 Style investing. Journal of Financial Economics,2003,68(2):161-199. DOI:10.1016/S0304-405X(03)00064-3.
15 Size, value, and momentum in international stock returns. Journal of Financial Economics,2012,105(3):457-472. DOI:10.1016/j.jfineco.2012.05.011.
16 Buffett’s alpha. Financial Analysts Journal,2018,74(4):35-55. DOI:10.2469/faj.v74.n4.3.
17 Limits of arbitrage and idiosyncratic volatility: Evidence from China stock market. Journal of Banking & Finance,2018,86:240-258.
18 Profitability of momentum strategies: An evaluation of alternative explanations. The Journal of Finance,2001,56(2):699-720. DOI:10.1111/0022-1082.00342.
19 Size and value in China. Journal of Financial Economics,2019,134(1):48-69. DOI:10.1016/j.jfineco.2019.03.008.
20 The time secret of Chinese A-share systematic risk: Overnight and intraday. Emerging Markets Finance and Trade,2024,60(1):99-112. DOI:10.1080/1540496X.2023.2210719.
21 A tug of war: Overnight versus intraday expected returns. Journal of Financial Economics,2019,134(1):192-213. DOI:10.1016/j.jfineco.2019.03.011.
22 Time series momentum. Journal of Financial Economics,2012,104(2):228-250. DOI:10.1016/j.jfineco.2011.11.003.
23 A simple framework for analysing bull and bear markets. Journal of Applied Econometrics,2003,18(1):23-46. DOI:10.1002/jae.664.
24 Fundamental analysis redux. The Accounting Review,2019,94(2):363-377. DOI:10.2308/accr-10652.
25 Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty,1992,5(4):297-323. DOI:10.1007/BF00122574.