主要观点：
　　本篇是“学海拾珠”系列第一百二十一篇，作者主要研究了投资者关注度和市场收益之间的关系。研究发现，投资者关注度能负向预测市场收益，该作用机制主要源于短期价格压力产生的反转，对于高贝塔和具有高特异性波动率的股票，回归斜率的负值更显著。
　　回到A股市场，投资者一般都直接使用关注度的代理指标，鲜有通过主成分分析等方法提取多个指标的共有成分；另外，大多都关注指标对横截面收益的影响。因此，投资者关注度对市场收益的预测能力值得深入探讨。
　　投资者关注度在市场层面上很重要，其包含独特的预测股市的信息
　　当依赖于任何单个关注度度量时，投资者关注度的真实预测能力很可能被低估。本文使用12个单独的关注度代理指标，并且通过使用偏最小二乘（PLS）、比例主成分分析（sPCA）和主成分分析法（PCA）的信息聚合方法提取了共同成分，在控制了常见的经济变量以及投资者情绪指数因素后，投资者整体关注度指标依然保持了很强的预测能力。
　　投资者整体关注度对收益的负向预测主要源于短期价格压力导致的反转
　　Barber和Odean（2008）和Da等人（2011）认为，个人投资者是关注度较高的股票的净买家。成交量暂时推高了价格，这种关注度驱动的价格压力随后又回到了其基本价值。本文的实证结果与他们的解释一致。
　　对于高贝塔和具有高特异性波动率的股票，回归斜率负值更显著
　　本文发现对于按市场β值和特异性波动率分类的股票组合，投资者整体关注度负向预测超额收益。从截面上看，大多数组合的回归系数估计值都是负的，这表明投资者总体关注度的负回报预测性在横截面上是普遍存在的，对于高贝塔股票和那些具有高特异性波动的股票来说，斜率负值更明显。
　　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。
　　

研究报告全文：TableStockNameRptType金融工程专题报告投资者关注度在市场择时中的作用学海拾珠系列之一百二十一报告日期2022-12-21主要观点TableRptDateTableSummary本篇是学海拾珠系列第一百二十一篇作者主要研究了投资者关分析师严佳炜TableAuthor执业证书号S0010520070001注度和市场收益之间的关系研究发现投资者关注度能负向预测市场收邮箱yanjwhazqcom益该作用机制主要源于短期价格压力产生的反转对于高贝塔和具有高特异性波动率的股票回归斜率的负值更显著分析师吴正宇回到A股市场投资者一般都直接使用关注度的代理指标鲜有通执业证书号S0010522090001过主成分分析等方法提取多个指标的共有成分另外大多都关注指标对邮箱wuzyhazqcom横截面收益的影响因此投资者关注度对市场收益的预测能力值得深入探讨投资者关注度在市场层面上很重要其包含独特的预测股市的信息当依赖于任何单个关注度度量时投资者关注度的真实预测能力很可相关报告能被低估本文使用12个单独的关注度代理指标并且通过使用偏最小1基金经理能选出好的投机性股二乘PLS比例主成分分析sPCA和主成分分析法PCA的信票吗学海拾珠系列之一百一息聚合方法提取了共同成分在控制了常见的经济变量以及投资者情绪指十四数因素后投资者整体关注度指标依然保持了很强的预测能力2BAB增强版与包含定价噪音的Beta为敌学海拾珠系列之一百投资者整体关注度对收益的负向预测主要源于短期价格压力导致的一十五反转3ETF的资金流动是否蕴含独特信Barber和Odean2008和Da等人2011认为个人投资者是息学海拾珠系列之一百一十关注度较高的股票的净买家成交量暂时推高了价格这种关注度驱动的六价格压力随后又回到了其基本价值本文的实证结果与他们的解释一致4技术相似性对股票收益的预测能力学海拾珠系列之一百一十对于高贝塔和具有高特异性波动率的股票回归斜率负值更显著七本文发现对于按市场值和特异性波动率分类的股票组合投资者整5基金投资者的真实择时能力如体关注度负向预测超额收益从截面上看大多数组合的回归系数估计值何学海拾珠系列之一百一十都是负的这表明投资者总体关注度的负回报预测性在横截面上是普遍存八在的对于高贝塔股票和那些具有高特异性波动的股票来说斜率负值更6基于财报文本的竞争关系与股票明显收益学海拾珠系列之一百一十九风险提示7社会责任基金的业绩与持续性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学海拾珠系列之一百二十敬请参阅末页重要声明及评级说明证券研究报告TableCommonRptType金融工程正文目录1引言42数据和统计方法621单个关注度代理变量622投资者总关注度7221因子构建模型7222主成分分析7223偏最小二乘法8224比例主成分分析93实证结果931预测股市收益932与经济变量的比较1133与投资者情绪的比较124经济解释1341投资者关注度与总成交量失衡1442基于特征的投资组合的可预测性155结论16风险提示17敬请参阅末页重要声明及评级说明218证券研究报告TableCommonRptType金融工程图表目录图表1关注度指数时间序列9图表2预测结果11图表3与经济变量的比较12图表4与投资者情绪的比较13图表5与订单失衡的关系15图表6预测特征排序组合16敬请参阅末页重要声明及评级说明318证券研究报告TableCommonRptType金融工程1引言关注度是一种稀缺的认知资源Kahneman1973越来越多的文献研究了关注度对横截面收益的影响同时Peng和Xiong2006的理论模型表明有限的关注度导致投资者更多地关注市场和行业信息而不是公司特定信息这意味着投资者的关注度和市场回报之间存在联系然而关于投资者关注度预测股市回报的能力的实证文章有限Li和Yu2012和Yuan2015的文章似乎是唯一的此类文章两者都只在样本内证据中找到尽管如此自Goyal和Welch2008年以来研究人员现在专注于使用样本外方法来测试市场可预测性这在关注度文献中没有得到解决事实上本文发现现有的单个关注度代理变量在样本内外的市场预测方面能力有限本文使用12个单独的关注度代理指标结果表明它们的共同成分对股市预测很重要并且通过使用偏最小二乘PLS比例主成分分析sPCA和主成分分析法PCA的信息聚合方法很好地提取了这一成分本文有三大贡献首先作者表明投资者的关注度在市场层面上很重要当通过PLSsPCA和PCA方法集中使用单个代理时它可以有力地预测样本内外的股市表现并可以为投资者带来可观的经济收益第二本文表明投资者的关注比之前认为的要重要得多如果投资者的关注度只在横截面上影响股价那么它在金融领域的作用是有限的然而如果它对总市场产生影响它的作用就会大大增加正如Cochrane2008所强调的市场风险溢价对资产定价企业融资和整个经济都有着深远的影响其可预测性是金融学的核心问题之一然而现有的文章没有提供足够的证据证明投资者关注度对市场的预测能力而本文证明如此第三与Baker和Wurgler2006的投资者情绪指数相似本文提供了一个投资者关注指数它捕获所有代理变量中的相关信息使其成为市场关注度的综合衡量标准因此它可以在许多情况下用于检测投资者关注度的影响例如在使用投资者情绪指数的任何应用中因此总投资者关注指数的影响超出了其对市场风险溢价的可预测性在所有的关注度指标中选择了12个分别是异常交易量极端收益率历史收益最近52周新高和历史最高分析师覆盖率广告费用变化共同基金流入和流出媒体报道电子数据收集分析和检索EDGAR系统上的搜索流量以及谷歌搜索量因为大多数现有的关注度指标都是在公司层面所以首先将它们聚合为市场层面的指标然后进一步将单个市场层面的衡量指标聚合为一个投资者关注度综合指数本文的主要聚集方法是PLS正如HuangJiangTu和Zhou2015中汇总投资者情绪指标的情况一样有理由假设真实的投资者关注度是不可观察的每个单独的指标都只是其简单的代理变量从统计学上讲本文需要通过去除与股票收益无关的个体误差的所有噪声从代理变量中提取与股票收益相关的真正关注度如PLS方法的先驱Wold1966所示Kelly和Pruitt20132015和LightMaslov和Rytchkov2017等PLS是从所有个体代理获得聚合关注度的有效方法结果是本文的综合关注度指数之一它使用了单个代理和市场回报中的所有信息本文还使用了主成分分析PCA和HuangJiangLiTong和Zhou2021最近开发的sPCAPCA方法提取一个索引来解释代理的最大方差而不一定是回报根据设计PCA在捕获与股票收益相关的最大信息方面能力有限Kelly和Pruitt2015为了更好地捕捉可预测性Huang等人2021通过根据预测未来股敬请参阅末页重要声明及评级说明418证券研究报告TableCommonRptType金融工程票收益的预测能力调整每个预测值对PCA方法进行了改进直观地说他们的sPCA将更多的权重放在预测未来回报的更重要的预测指标上因此本文有两个基于PCA和sPCA方法的备选聚合关注度指数分别表示为和在1980年1月至2017年12月期间股票市场月度超额收益的预测回归中当使用PLS测量的关注度作为单一预测因子本文发现样本R方为215具有高度显著的-064斜率这种可预测性存在长达2年但回归斜率显著性随着预测时间的增加而缩小表明从长期来看可预测性减弱本文发现替代的两个关注度指数和有相似的实证结果市场月回报的样本内R方为126回归系数为-049统计显著预测期越长预测效果越弱还预测了除1个月期外的所有预测期内的市场回报率与单个关注度代理相比本文的总体关注度显示出更强的股市回报预测能力这表明在回报可预测性方面使用代理变量的整体表现优于单独使用的效果此外本文将总投资者关注度的预测能力与常见回报预测因子Goyal和Welch2008使用的经济变量以及Baker和Wurgler2006的投资者情绪指数进行了比较本文发现在控制了这些因素后总体投资者关注度指标依然保持了很强的可预测性结果表明投资者整体关注度包含了独特的预测股市的信息这部分不能用经济基本面和投资者情绪来解释本文的实证结果之所以重要有三个原因首先他们第一次表明无论是统计上还是经济上投资者对股市的关注都很重要这突出其在资产定价中的重要作用第二当依赖于任何单个关注度度量时投资者关注度的真实预测能力很可能被低估相反本文的投资者整体关注度通过PLSsPCA和PCA的有效聚合方法集中使用了所有单个代理聚合指数汇总了个体代理中最相关的信息因此它们优于现有的个体关注度度量第三可以像Baker和Wurgler2006的投资者情绪指数一样用于其他应用为了进一步理解为什么投资者整体关注度会对市场未来回报产生负面影响本文探讨了潜在的经济机制本文发现负的可预测性主要源于短期价格压力反转Barber和Odean2008和Da等人2011认为个人投资者是吸引眼球股票的净买家成交量暂时推高了价格这种关注度驱动的价格压力之后又回到了基本面本文的实证结果与他们的解释一致然而正如Yuan2015所建议的那样本文的结果不能排除投资者关注度高后净卖出的可能性此外如GervaisKaniel和Mingelgrin2001年的实证和Andrei和Hasler2020年的理论所示在相对较短的时间内关注度也与未来回报呈正相关从截面上看本文发现投资者整体关注度负向预测按市场值和特异性波动率分类的股票组合超额收益因此本文的结果表明负面的收益预测性在截面上是普遍存在的与本文在总体市场水平上的发现一致此外本文发现可预测性存在很大的横截面差异对于高贝塔股票和具有高特异性波动率的股票回归斜率负值更显著HanHirshleifer和Walden2021记录了投资者易于被高方差股票高贝塔股票和具有高特异性波动的股票吸引推动其价格上升从而压低其预期收益本文的实证研究结果与他们的研究结果一致本文的其余部分组织如下第二节描述了构建投资者关注度指标的数据和方法第三节提供了实证结果第四节探讨了回报可预测性的经济意义第五节进行总结敬请参阅末页重要声明及评级说明518证券研究报告TableCommonRptType金融工程2数据和统计方法21单个关注度代理变量本文使用了12个关注度代理指标除了近52周高点和历史高点之外本文首先构建公司层面的关注度指标然后在市场层面进行汇总具体构建过程如下异常交易量AAVol本文首先计算每只股票NYSEAMEXNASDAQ每个月末的交易量与前1年的平均交易量的比率然后本文计算所有股票的等权异常交易量作为市场层面的关注度指标本文从CRSP数据库中获得1980年1月至2017年12月的横截面股票交易量极端收益率ERet本文首先计算每只股票NYSEAMEXNASDAQ每个月末的回报率与之前1年的平均值的比率然后本文计算所有股票的等权极端收益率作为市场层面的关注度衡量标准本文从CRSP数据库中获得1980年1月至2017年12月的横截面股票收益历史收益率APRet本文将历史收益率定义为每只股票NYSEAMEXNASDAQ在过去12个月的月度累计回报率然后本文计算出所有股票的历史等权回报率作为衡量股票市场整体的标准本文从CRSP数据库中获得1980年1月至2017年12月的横截面股票收益率52wHHisH近52周高点A和历史高点A让pt表示道琼斯股指的月度水平p52wt和pmaxt分别代表其52周12个月新高和历史新高本文将每月道琼斯近52周高点程度定义为当前t月道琼斯指数与52周高点之比x52wtptp52wt道指历史高点的月度接近度为当前t月份道指与其历史高点的比率xmaxptpmaxt本文从雅虎财经获得1980年1月至2017年12月的道琼斯股票指数分析师覆盖率AAC本文首先统计对于每个股票NYSEAMEXNASDAQ在一个月内对每股收益进行1年期预测的分析师总数然后本文计算所有股票的分析师每股盈利预测的等权均值作为衡量股票市场总量的标准本文从1980年1月至2017年12月的机构经纪人评估系统IBES数据库中获得分析师的盈利预测数量广告支出变化ACAD本文首先计算每只股票NYSEAMEXNASDAQ从第t-1年到第t年的广告支出对数值的变化接下来计算所有股票广告费用的平均加权变化作为总股票市场的月度衡量指标本文从Compustat获得1980年1月至2017年12月的广告支出值共同基金流入AInflow和流出AOutflow本文将共同基金流入定义为每个基金每月售出股票的总资产净值包括售出的新股和其他卖出部分本文将共同基金流出定义为每个基金的每月赎回然后本文分别计算所有基金的等权流入和流出作为市场水平的衡量标准共同基金数据从CRSP共同基金数据库获取1980年12月至2017年1月区间数据媒体报道AMedia本文将媒体报道定义为当月道琼斯通讯社DowJonesNewswires上发表的每只股票的新闻文章总数然后本文计算所有股票的平均媒体覆盖率作为总股市的衡量标准本文从RavenPack数据库获得2004年1月至2017年12月的新闻数据谷歌搜索量AGoogle本文遵循Da等人2011的说法根据股票行情根据谷歌趋势计算每月搜索频率然后本文计算所有股票的平均谷歌搜索量作为市场级搜索量数据样本期为2004年1月至2017年12月敬请参阅末页重要声明及评级说明618证券研究报告TableCommonRptType金融工程EDGARAEDGAR上的搜索量对于每个股票本文首先统计该公司在给定月份内报表的EDGAR下载量然后本文计算所有股票的平均EDGAR下载量作为市场层面的关注度指标本文遵循Lee等人2015的观点排除所有每天下载超过50个独特公司文件的互联网协议IP地址的搜索记录搜索记录的样本期为2004年1月至2017年6月本文使用了RapachRinggenberg和Zhou2016以及JondeauZhang和Zhu2019也使用的等权重方法在市场层面汇总了公司层面的关注度指标在汇总企业层面的关注度信息时同等权重可能比市值权重更具信息性因为它对各种企业的关注度信息一视同仁相比之下市值加权更强调资本规模大的公司直观地说当投资者将关注度分配到更多的股票大型中型和小型股时这更可能表明投资者对总体市场的关注度增加因此为了避免大盘股的支配本文使用相等的权重来汇总市场层面的公司级指标22投资者总关注度在本小节中本文将集中使用单个关注度代理变量而不像现有的文献这些文献通常只检查其中一个本文将真正的投资者关注度解释为一个不可观察的变量而12个关注度度量中的任何一个都只是不可观察变量的代理因此希望通过去除噪声来提取真实关注度的共同成分221因子构建模型考虑基于投资者关注度的预测模型111其中1是在时间t1时实现的股票超额收益是时间t时真实但不可观察的投资者关注度1是一个不可预测且与无关的噪声项等式1中的模型表明真实的投资者关注度与随后的股票回报率有关这与关注理论的预测一致如Peng和Xiong2006的预测接下来本文假设关注度代理因子的线性构造设在1表示在时间t的单个投资者关注度代理的N1向量设N为代理变量的数量在本文中为12对应于第二A节中描述的关注变量1的结构模型如下0122其中是方程1中模型中真实但不可观察的投资者关注度1是关注度代理对真实关注度敏感性的因子载荷是与股票收益无关的所有代理变量的共同近似误差分量是仅与测量时相关的异质性噪声为了确定投资者关注度在股市中的独特作用本文倾向于有效地估计即真实但不可观察的投资者关注度的共同属性这里的关键思想是将方程2的因子构建方法应用于估计同时从估计过程中消除它们的共同近似误差和异质性噪声为此本文使用了三种方法PCAPLS和sPCA因此本文有对应于3种方法估计的投资者整体关注度指数和222主成分分析PCA是最简单和普遍的方法其提取的第一主成分作为关注度整体该变量敬请参阅末页重要声明及评级说明718证券研究报告TableCommonRptType金融工程最大程度上代表了12个个体关注度代理变量根据其计量经济学原理PCA方法可以将从中分离并因此捕获个体关注度代理中的共同关注度信息然而PCA的主要缺点是无法消除与单个关注度代理中股票回报无关的常见测量或观察误差事实上它只捕捉预测因子的最大共同变化因此也将纳入估计过程正如Kelly和Pruitt20132015所示最能描述预测变量变化的成分不一定是在预测中最有用的因子因此PCA可能无法对未来的股票回报做出重要预测即使股票回报确实可以通过真正的投资者关注度来预测为了克服这一计量经济学难题本文采用了下文所述的PLS方法该方法由Wold1966首创Kelly和Pruitt20132015和Light等人2017进一步发展223偏最小二乘法PLS方法根据其与未来股票收益的协方差从单个关注度代理中提取并选择最适合预测的关注度代理的线性组合在此过程中PLS可以通过以下两个OLS回归步骤实现第一步是每个t月关注度代理对未来实现的超额股票回报1作为预期超额回报的代理的时间序列回归013其中是第个关注度代理方程3的第一步时间序列回归中的系数捕获了关注度代理对投资者关注度的敏感性由未来股票回报率1表示如等式1所示由于股票预期收益率1由驱动关注度代理与股票收益的可预测成分相关与不可预测的误差无关因此系数近似地描述了每个关注度代理如何取决于真实的投资者关注度第二步回归是每个时间段t的截面回归PLS4PLS其中是在方程3的回归中估计的载荷是回归斜率是时间t时的PLSPLS关注度测量在方程4的回归过程中第一步回归载荷成为自变量为待估计的回归斜率PLSPLS利用等式1和2联合的因子性质来推断相关的关注度因子如果真实PLS的因子载荷已知本文可以通过简单地逐期运行对的横截面回归对进行PLS一致性估计然而由于未知第一阶段回归斜率提供了如何依赖于的近似估计换句话说PLS使用时间t1股票收益降维以提取与预测相关的并丢弃与预测无关的常见和异质性成分例如和正如Kelly和Pruitt2015所记录的那样由于代理指标的测量可能带有噪声第一阶段的回归采用了变量误差的形式第二阶段的回归产生了对潜在的独特但未知的因子在本文的例子中是的估计然而由于相关的因子空间被代理的共同成分所覆盖用已实现收益估计的PLS因子提出与潜在因子驱动的预期收益相一致的预测在实证分析中本文使用1980年1月至2017年12月的全样本数据来估计PLS关注度指数并研究其样本内回报的可预测性具体来说在方程3的时间序列回归中本文对以下代理指标估计载荷从1980年1月到2017年12月的ERetAPRetA52wHAHisHACADAAVol和AAC2004年1月至2017年12月的AInflowAOutflowAMedia和AGoogle以及2004年1月至2017年6月的AEDGAR在第二步中本文对1980年1月至2017年12月的每个时间t运行方程4中的PLS横截面回归并根据每个周期的可用载荷估计因此本文从1980年1月至敬请参阅末页重要声明及评级说明818证券研究报告TableCommonRptType金融工程PLS2017年12月获得了基于PLS的月度投资者关注度对于样本外预测标准方法是通过截面t月的未知观测值来重复这两个步骤具体而言在第一步中本文可以在回归方程3中右侧使用最近收益率因此方程3中回归左侧的个体关注度测量值的最近观测值是1在第二步中本文对第1个月到第t个月进行了横截面回归总之对于样本外预测本文使用不晚于第t个月中观察到的数据构建了预测的所有输入此外正如Light等人2017所表明的在投资者关注度和预期股票回报之间的关系随时间稳定的弱假设下通过使用所有先前周期的平均值而不是仅使用最近的可以更精确地估计斜率224比例主成分分析除了PCA和PLS方法外本文还使用了最近由Huang等人2021提出的sPCA如前文所述尽管PCA因子最大程度地表示预测因子的整体变化但它忽略了预测目标因此是一种无监督的降维学习技术相比之下sPCA意在使用目标信息来指导降维sPCA分两步实现首先构建一组比例关注度预测因子11其中比例系数1是已实现的股票超额收益1对第i个关注度代理的预测回归的斜率115在第二步中将传统PCA应用于比例预测因子11因此第一主成分是基于sPCA的投资者整体关注度对于样本外预测如PLS方法的实施本文使用不晚于t月的观测数据递归估计方程5直观地说比例序列反映了第i个关注度代理对未来回报的预测能力预测能力强的代理权重较大即的绝对值更高而预测能力弱的预测因子权重较小总之sPCA对比例关注度代理而不是原始代理执行PCA图表1关注度指数时间序列资料来源InvestorAttentionandStockReturns华安证券研究所图表1显示了1980年1月至2017年12月3个关注度指数和的时间序列本文观察到从1980年1月份到2017年12月份通过PLSPCA和sPCA测量的投资者整体关注度指数随时间变化总体而言它们在经济衰退中有所下降与SichermanLoewensteinSeppi和Utkus2016研究结果相一致他们研究表明市场下跌后投资者的关注度下降了95KarlssonLoewenstein和Seppi2009介绍了这种现象称为选择性关注度或鸵鸟效应3实证结果31预测股市收益敬请参阅末页重要声明及评级说明918证券研究报告TableCommonRptType金融工程在本节中本文探讨了投资者整体关注度对股票市场超额收益的预测能力超额收益被定义为CRSP数据库中市值加权总股票收益和国库券利率之差单变量预测回归是6其中是预测期h的平均市场超额收益其中h为13612和24个月是由PLSsPCA和PCA方法分别构建的投资者整体关注度指数和本文通过使用2017年1月至12月的数据对方程6回归估计来测试样本内的预测能力具体而言本文观察方程6中的估计原假设是没有预测能力即0方程6中的回归为常数预期收益模型11在备择假设中异于0包含对预测1有用的信息本文分别使用Hodrick1992标准误差和Newey和West1987标准误差来计算对应的t统计量图表2的面板A报告了的预测结果本文观察到显著预测了市场超额收益这种可预测性持续了长达1年更具体地说根据HodrickNeweyWest标准误差在月度范围内估计值为-064t统计量为-266-285对于更长的预测范围尽管估计值仍然为负值但在2年的水平上缩至-021因此从长期来看回报的可预测性会变弱从经济角度来看估计值的大小是相当大的由于本文将所有预测指标标准化为零均值和单位方差因此本文的月度预测结果表明的单位标准差增加将导致下个月的预期股市回报率下降064如果本文按年计算这一规模它等于768这与传统的宏观经济预测指标相当例如股息-价格比率消费-财富比率和净支出比率的单位标准差增加往往会使风险溢价每年分别增加360739和102例如参见Lettau和Ludwigson2001BoudoukhMichalyRichardson和Roberts2007此外回归R2提供了另一个指标来评估预测能力的经济意义在月度范围内样本内R2等于215这在经济意义上是很大的本文的结果意味着可以解释月度市场超额收益时变的215随着预测范围的增加在年度范围内达到峰值数值为765在随后2年范围内下降到562图表2的面板B报告了的预测结果本文发现与一样对市场超额收益具有负向预测能力具体来说月度水平回归斜率为-049具有统计学意义基于HodrickNeweyWest标准误差的t统计量为-243-229系数估计值在长达1年的时间内仍然有效但其绝对值在季度范围内最大之后随着预测范围而降低因此与面板A的结果一致的结果也表明长期来看回报的可预测性会减弱此外月度水平的样本R2126在经济上相当可观并且在季度水平内最大化值为486本文在图表2的面板C中发现了的类似证据的系数在整个预测范围内都是负的而且除了月度范围的估计值外在统计上是显著的与面板A和B的结果一致回报可预测性在季度范围内很强在半年和年度范围内稍弱在2年范围内大大减弱在聚合来自个体关注度代理的信息方面PCA是一种比PLS和sPCA更有效的方法PCA只能找到代表单个关注度代理变量的最佳预测因子但它不能有效地去除代理变量的共同噪声正如第二B中所说的那样综上所述本文表明基于PLSsPCA和PCA和构建的投资者整体关注度指数对样本内未来市场超额收益表现出统计学和经济学上显著的预测能力这种预测能力持续了1-2年之久本文的研究结果表明投资者的关注度确实在市场中发挥着重要作用这与关注度理论的预测是一致的并补充了现有敬请参阅末页重要声明及评级说明1018证券研究报告TableCommonRptType金融工程的实证文章这些文章发现投资者的关注度只对截面股票收益有影响本文的整体关注度指标在预测股市方面优于个别关注度指标因为它通过消除可能削弱投资者关注度对市场的总体影响的噪音从个别指标中捕捉到与真实投资者关注度中最相关的信息图表2预测结果资料来源InvestorAttentionandStockReturns华安证券研究所32与经济变量的比较本文的证据显示了投资者整体关注度指数显著的预测性本文进一步研究预测信息是否来自商业周期相关的基本面为了解决这个问题本文控制了一组预测文献中常用的经济变量预测性回归如下7其中是预测期的平均股票超额收益是时间t的关注度指数和之一代表Goyal和Welch2008的经济变量向量他们提出了14个经济变量数据可从AmitGoyal的网站获得在一次回归中同时使用所有变量可能会导致多重共线性问题因此在本文的模型规范中本文使用了8种DPDYEPBMSVARLTRTMS和DFY图表3的A组报告了的估计结果本文发现在控制了经济变量之后的回归斜率仍然具有统计学意义这表明投资者关注度对总体股市的影响不能由经济基本面来解释此外系数估计值的幅度也很大例如在月度范围内的估计值为-090表明其经济意义随着预测范围的增加其幅度也会缩小回归R2统计量也很大调整后的R2从月度水平的543增加到年度水平的1399因此将投资者的关注度与经济预测因素结合起来可以产生对总体股票市场强大的预测能力在图表3的B组和C组中本文观察到和的类似结果在控制了经济变量后和仍能显著预测未来的股市收益但在月度范围内除外回归斜率在经济上是可观的而且其绝对值随着时间的推移而减少此外将投资者关注度指数或纳入基于经济变量的回归中会产生较大的样本内R2统计数据每年达到13631380敬请参阅末页重要声明及评级说明1118证券研究报告TableCommonRptType金融工程图表3与经济变量的比较资料来源InvestorAttentionandStockReturns华安证券研究所33与投资者情绪的比较敬请参阅末页重要声明及评级说明1218证券研究报告TableCommonRptType金融工程接下来本文将投资者整体关注度与情绪相关预测因子在市场回报预测能力方面进行比较一方面Da等人2011认为由于关注度是产生情绪的必要条件投资者关注度的增加尤其是来自容易产生行为偏见的噪音交易者的关注度可能会导致情绪的增强另一方面增加对真实新闻的关注可能会加快信息被纳入价格的速度从而可能削弱情绪本文在本小节中的分析对于理解投资者关注度在预测市场中的独特作用非常重要本文采用Baker和Wurgler2006的投资者情绪指数SBW该指数已被文献广泛使用为了比较投资者的关注度和情绪本文首先计算它们的相关系数和SBW之间的相关系数为037和SBW之间的相关系数为004和SBW之间的相关系数为001这些低的相关系数意味着投资者的关注度包含了不同于投资者情绪的信息接下来本文根据以下预测性回归分析控制情绪后投资者关注度的增量预测能力BW8其中是预测期h的平均市场超额收益是时间t的投资者关注度指数BW和之一代表时间t的Baker和Wurgler2006投资者情绪指数本文观察到在控制了投资者情绪SBW之后除了在月度水平投资者关注度指数和的回归斜率在不同的预测水平上仍然具有统计学意义这一发现意味着投资者关注度在预测股市时包含了独特的信息是对情绪预测因子的补充此外本文的结果表明在一个回归中联合使用投资者关注度和投资者情绪可以产生强大的回报预测能力的样本内R2每年高达930和的样本内R2也是相当大的因此理解投资者关注度对市场的影响是有意义的因为它包含了不同于投资者情绪的信息图表4与投资者情绪的比较资料来源InvestorAttentionandStockReturns华安证券研究所4经济解释本文的实证结果表明高投资者关注度预示着未来低股票回报在本节中本文探讨了负收益可预测性的可能经济来源敬请参阅末页重要声明及评级说明1318证券研究报告TableCommonRptType金融工程41投资者关注度与总成交量失衡Barber和Odean2008认为当投资者寻找要购买的股票时他们必须从成千上万的候选股票中进行选择然而当他们选择那些要出售的股票时他们只能出售他们已经拥有的股票因此投资者更倾向于购买那些吸引眼球的股票这就造成了暂时的价格压力Da等人2011年发现支持性证据以谷歌搜索量异常表示的投资者关注度为正时预示着未来2周内股票价格会上涨此后这种影响会减弱最重要的是价格压力在第4周趋于恢复并几乎在1年内完全反转根据Barber和Odean2008和Da等人2011的说法本文的投资者关注度指数的负向预测性可能来自暂时价格压力的反转高度关注可能导致个人投资者的净买入流量从而推高价格暂时的价格压力在随后的时期恢复到基本面因此投资者的高度关注导致了未来的低股票收益为了利用这一解释本文检验了总成交量与投资者关注度指数之间的关系本文遵循Lee和Ready1991年以及Barber和Odean2008年的规定将公司层面的月度成交量定义为TNBTNSOF9TNBTNS其中OF是公司i在t月的买卖失衡TNB是t月内购买股票i的总数TNS是t月内出售股票i的总数量本文使用1993年至2017年期间交易和报价数据库TAQ中的逐点交易数据计算OF市场层面的订单流AOF是市值加权的OF本文使用以下回归来研究投资者关注度对总的买卖不平衡的影响AOF12Ret3Ret14Ret210其中AOF是AOF在h期间的变化其中h016和12个月代表一种关注度指数和还有RetRet1和Ret2分别是时间tt-1和t-2的市场收益h0表示AOF和之间的同期关系图表5的面板AB和C分别报告了和的估计结果在面板A中本文发现证据表明当h0时强烈影响总成交量的变化的回归斜率为012t统计量为271这意味着投资者的高度关注显著增加了净买入这与Barber和Odean2008和Da等人2011的研究结果一致本文在面板B和C中发现了和的类似证据同期回归得出的系数为005002t统计量为375173支持个人投资者净买入流量是关注度指数负向预测来源的解释由于整体关注度指数的收益率负向可预测性可能源于未来的价格反转因此本文预计对成交量失衡变化的影响将在下一个月反转这表明在投资者高度关注后净买入量的增加将放缓图表5中的结果支持这一推测面板A月度预测回归的系数估计值为-014t统计值为-299表明净购买量在随后的t1期间停止增加因此短期价格压力趋于恢复从长远来看对买卖失衡的影响完全减弱本文的发现与Da等人2011的解释一致即如果关注度驱动的净买入导致暂时的价格压力那么从长期来看价格会出现反转此外本文的结果也不能排除后续时期出现抛售压力的可能性Yuan2015发现由于处置效应和再平衡需求投资者可能会在吸引眼球的事件后卖出更多股票面板B和C的和的结果与面板A的结果类似当h1时的回归斜率为负为-013-007t统计量为-302-164表明在随后的t1月净买入量减少总之图表5的结果表明投资者整体关注度与个人投资者的交易行为密切相关高度关注表明个人投资者的净购买量总体上显著增加导致暂时的价格压力随敬请参阅末页重要声明及评级说明1418证券研究报告TableCommonRptType金融工程后净买入流量减缓价格趋于恢复这一证据提供了一种可能的经济机制通过这种机制投资者的关注度可以负向预测未来市场的收益另一种解释是高度关注可能表明投资者希望获得有关公司基本面的信息特别是在新闻发布期间如盈利公告但是实证上很难区分关注度和信息获取的影响然而更多的信息获取可能会减少信息不对称降低风险从而降低风险溢价在这种情况下更多的关注可能也会导致未来低回报图表5与订单失衡的关系资料来源InvestorAttentionandStockReturns华安证券研究所42基于特征的投资组合的可预测性本文之前的证据表明投资者关注度对收益的负向可预测性主要源于短期价格压力下的长期反转在本小节中本文探讨了投资者关注度对股票收益影响的横截面变化Han等人2021认为高方差股票高贝塔系数股票和高异质性波动率股票更有可能吸引投资者的注意因此本文考虑按这两个特征分类投资组合本文从KennethFrench的网站上获得了10个市场贝塔排序投资组合的市值加权回报此外本文还计算了按特殊波动率排序的10个投资组合的市值加权收益该波动率定义为前一年股票每日超额市场收益回归后的残差波动率为了测试横截面的可预测性本文估计了以下预测回归11其中表示每个投资组合在th期上的平均超额收益是投资者整体关敬请参阅末页重要声明及评级说明1518证券研究报告TableCommonRptType金融工程注度指数和之一图表6显示了1980年1月至2017年12月的样本期间该回归的系数估计值即特征各十分位投资组合结果显示大多数系数估计值在整个投资组合中都是负的这表明投资者总体关注度的负回报预测性在横截面上是普遍存在的与本文在总体市场水平上的发现一致对于高贝塔股票和那些具有高特异性波动的股票来说斜率负值更明显本文的发现有力地支持了Han等人2021的论点即投资者倾向于被高波动性的股票所吸引推动其价格上升从而降低其预期收益图表6预测特征排序组合资料来源InvestorAttentionandStockReturns华安证券研究所总体而言本文对基于特征的投资组合的分析表明总体投资者关注度在投资组合中普遍具有强大和负向预测能力这种可预测性在各方面有所不同对于高方差股票来说这一点尤为重要这有助于本文更好地理解投资者关注股市的负面预测能力5结论在本文中本文首次研究了投资者关注度对市场整体的预测能力这与现有的文章形成了对比这些文章主要关注横截面的可预测性和单个预测因子的使用本文通过使用三种方法来汇总单个投资者关注度指标PLSPCA和改进的PCA方法sPCA本文发现综合投资者关注指数对未来的月度股市回报率有显著的负向预测然而这种可预测性随着预测范围的增加而变弱相比之下单个关注度代理的回报可预测性有限本文的关注度指数的预测能力大于使用普通回报预测因子的预测能力并且在控制投资者情绪后仍然存在本文强调投资者关注在股市和金融领域的重要作用本文确定了负向可预测性的两个经济来源投资者对股市总体关注的预测能力很可能来自于净买入造成的暂时价格压力的反转以及高方差股票的强劲动力未来的研究可能会将本文的信息聚合方法扩展到其他资产市场或其他国家也可能会在应用投资者情绪指数的任何敬请参阅末页重要声明及评级说明1618证券研究报告TableCommonRptType金融工程地方应用投资者关注度当前研究的目的是表明投资者的关注度对市场风险溢价至关重要研究如何结合机器学习工具进一步提高其预测能力会是一个有趣的方向例如参见GuKelly和Xiu2020以及Rapach和Zhou2020文献来源核心内容摘选自JianChen在JournalofFinancialandQuantitativeAnalysis上的论文InvestorAttentionandStockReturns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1718证券研究报告TableCommonRptType金融工程重要声明TableReputation分析师声明本报告署名分析师具有PRC证券业协会授予的证券投资咨询执业资格以勤勉的执业态度专业审慎的研究方法使用合法合规的信息独立客观地出具本报告本报告所采用的数据和信息均来自市场公开信息本人对这些信息的准确性或完整性不做任何保证也不保证所包含的信息和建议不会发生任何变更报告中的信息和意见仅供参考本人过去不曾与现在不与未来也将不会因本报告中的具体推荐意见或观点而直接或间接收任何形式的补偿分析结论不受任何第三方的授意或影响特此声明免责声明华安证券股份有限公司经PRC证券监督管理委员会批准已具备证券投资咨询业务资格本报告中的信息均来源于合规途径华安证券研究所力求准确可靠但对这些信息的准确性及完整性均不做任何保证在任何情况下本报告中的信息或表述的意见均不构成对任何人的投资建议在任何情况下本公司本公司员工或者关联机构不承诺投资者一定获利不与投资者分享投资回报也不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任投资者务必注意其据此做出的任何投资决策与本公司本公司员工或者关联机构无关华安证券及其所属关联机构可能会持股报告中提到的公司所发行的证券并进行交易还可能为这些公司提供投资银行服务或其他服务本报告仅向特定客户传送未经华安证券研究所书面授权本研究报告的任何部分均不得以任何方式制作任何形式的拷贝复印件或复制品或再次分发给任何其他人或以任何侵犯本公司版权的其他方式使用如欲引用或转载文献内容务必联络华安证券研究所并获得许可并需注明出处为华安证券研究所且不得对文献进行有悖原意的引用和删改如未经本公司授权私自转载或者转发本报告所引起的一切后果及法律责任由私自转载或转发者承担本公司并保留追究其法律责任的权利投资评级说明TableRankIntroduction以本报告发布之日起6个月内证券或行业指数相对于同期沪深300指数的涨回撤为标准定义如下行业评级体系增持未来6个月的投资回报领先沪深300指数5以上中性未来6个月的投资回报与沪深300指数的变动幅度相差-5至5减持未来6个月的投资回报落后沪深300指数5以上公司评级体系买入未来6-12个月的投资回报领先市场基准指数15以上增持未来6-12个月的投资回报领先市场基准指数5至15中性未来6-12个月的投资回报与市场基准指数的变动幅度相差-5至5减持未来6-12个月的投资回报落后市场基准指数5至卖出未来6-12个月的投资回报落后市场基准指数15以上无评级因无法获取必要的资料或者公司面临无法预见结果的重大不确定性事件或者其他原因致使无法给出明确的投资评级市场基准指数为沪深300指数敬请参阅末页重要声明及评级说明1818证券研究报告