信息消化與資產(chǎn)定價

1、正文目錄 HYPERLINK l _TOC_250011 簡介 4 HYPERLINK l _TOC_250010 信息消化指標(biāo) 6 HYPERLINK l _TOC_250009 信息消化和原始指標(biāo) 6 HYPERLINK l _TOC_250008 預(yù)期信息消化（EIC） 8 HYPERLINK l _TOC_250007 EIC=1 股票的特征 10 HYPERLINK l _TOC_250006 EIC 和資產(chǎn)價格 12 HYPERLINK l _TOC_250005 回報溢價 12 HYPERLINK l _TOC_250004 交易策略 13 HYPERLINK l _TOC_25

2、0003 對基于風(fēng)險的解釋的支持 14 HYPERLINK l _TOC_250002 其他解釋 18 HYPERLINK l _TOC_250001 4 結(jié)論 19 HYPERLINK l _TOC_250000 風(fēng)險提示： 19圖表目錄圖表 1 描述性統(tǒng)計 7圖表 2 AIA 關(guān)于信息變量的邏輯回歸 8圖表 3 四個事前預(yù)期信息消化變量的統(tǒng)計 9圖表 4 PANEL A：關(guān)于 EIC 的邏輯回歸（EIC_PEER） 10圖表 5 PANEL B：關(guān)于 EIC 的邏輯回歸（EIC_MACRO 和 EIC_FOMC） 11圖表 6 股票收益率與 EIC 的面板回歸 12圖表 7 PANEL A

3、：結(jié)合公司預(yù)定事件日的 EIC 交易策略 13圖表 8 PANEL B：結(jié)合宏觀事件日的 EIC 交易策略 14圖表 9 預(yù)期信息消化（EIC）和公司 BETA 15圖表 10 預(yù)期信息消化（EIC）和 CAPM 15圖表 11 在 EIC 和 FOMC 不同取值的樣本中 CAPM 模型的表現(xiàn) 16圖表 12 風(fēng)險溢價和 CAPM 系數(shù)-子樣本分析 17圖表 13 基于 FAMA-FRENCH 和 DGTW 特征調(diào)整的累積風(fēng)險調(diào)整收益結(jié)果 18簡介信息如何被納入資產(chǎn)價格是金融學(xué)中最基本的問題之一。長期以來，人們都認(rèn)為風(fēng)險溢價應(yīng)該在信息得到處理、消除不確定性并促進系統(tǒng)性價格變動的日子里產(chǎn)生（來自

4、 Beaver（1968），Kalay 和 Loewenstein（1985）。然而，盡管這一觀點長期以來被認(rèn)可，但人們對這些風(fēng)險溢價和 CAPM 模型在預(yù)定信息事件（scheduled information events）（如公司盈利發(fā)布會，宏觀經(jīng)濟公告）中的表現(xiàn)重新產(chǎn)生了興趣。根據(jù)Savor 和Wilson（2016）的觀點，對信息溢價的基于風(fēng)險的解釋依賴于這樣一個前提：來自公告公布公司的信息傳達了關(guān)于相關(guān)公司的現(xiàn)金流情況和宏觀經(jīng)濟。在這種觀點下，投資者從新聞中學(xué)習(xí)并解決一個信號提取問題，以確定公告公布公司的現(xiàn)金流信息實際上有多少是系統(tǒng)性的。如果信息溢出發(fā)生了，并且相關(guān)公司產(chǎn)生了風(fēng)險溢價

5、，那么這個溢價應(yīng)該小于公告公布公司的溢價。在本文中，我們衡量了當(dāng)投資者解決信號提取問題時，這種信號的交叉學(xué)習(xí)對相關(guān)公司的資產(chǎn)價格的影響程度。在Savor 和 Wilson（2016）的研究基礎(chǔ)上，我們猜想交叉學(xué)習(xí)期間獲得的風(fēng)險溢價應(yīng)該在其精度上單調(diào)遞增。我們提出了這種類型的信息處理的新衡量指標(biāo)，以確定公司何時對同行相關(guān)公告和宏觀經(jīng)濟公告更加敏感。從經(jīng)驗上看，本文表明單個公司的信息消化經(jīng)常被同行公司的新聞發(fā)布和其它宏觀新聞事件所觸發(fā)，即使該公司本身沒有發(fā)布新聞（即該公司有一定的異常機構(gòu)關(guān)注（AIA），Ben-Raphael, Da 和 Israelsen（2017）提出）。這種信息消化可能是公告

6、期間同行公司間交叉學(xué)習(xí)的一個很好的典例。為了研究這對價格的影響，我們構(gòu)建了一個名為預(yù)期信息消化（EIC）的事前指標(biāo)。如果一個公司的信息消化在過去同行公司發(fā)布新聞或宏觀經(jīng)濟公告后頻繁飆升，那么當(dāng)類似事件在未來發(fā)生時，EIC應(yīng)該是正數(shù)。在類似于 Engelberg、McLean 和 Pontiff（2018）發(fā)布研究的面板回歸中，正的 EIC 總是與回報溢價有關(guān)，在回歸中我們加入了預(yù)定事件的代理變量，并通過其滯后的每日總回報來加權(quán)每個公司。Asparouhova、Bessembinder 和 Kalcheva（2010，2013）建議采用這種加權(quán)最小二乘法（WLS）來減輕資產(chǎn)定價中微觀結(jié)構(gòu)噪音的影

7、響。結(jié)果在經(jīng)濟層面和統(tǒng)計層面都很有作用。例如，當(dāng)同行公司發(fā)布信息時，日歷時間交易策略顯示，EIC 為正的公司日的日超額收益為 7.06 個基點，而未受溢出效應(yīng)影響的公司日為 4.60 個基點。由此產(chǎn)生的年化夏普比率，正的 EIC 公司日為 1.02，未受溢出效應(yīng)影響的公司日為 0.68。EIC 使我們能夠識別更有可能產(chǎn)生重要系統(tǒng)性影響的事件。與之前預(yù)定公告日股票收益率較高的研究相比（例如Frazzini 和Lamon（t 2007），Barber 等人（2013），Hartzmark 和Solomon（2013），EIC 使我們能夠描述相關(guān)公司的收益率高的前提條件是什么。此外，先前的研究總是探

8、討基于信息發(fā)布而不是信息消化的信息溢出（例如，Hong、Torous 和 Valkanov（2007），Cohen 和 Frazzini（2008），以及 Menzly 和 Ozabas（2010）。與這些研究相反，我們的研究是關(guān)于一個可預(yù)測的回報溢價，它并不取決于所發(fā)布的信息是正面還是負(fù)面的。為了進一步闡明這一發(fā)現(xiàn)，我們將基于 EIC 的結(jié)果與基于其它同行公司定義的 EIC 結(jié)果進行比較，如基于 SIC 的行業(yè)分類（Fama 和French（1997）、基于文本的行業(yè)分類（Hoberg 和Philips（2010 和 2016）、新聞中的共同提及（Schwenkler和Zheng（2019）

9、、相關(guān)的交易量（Lo 和Wang（2006）以及 Cremers 和Me（i 2007）以及客戶-供應(yīng)商聯(lián)系（Cohen 和 Frazzin（i 2008）。即使在控制了這些其它定義后，EIC 也是有意義的。此外，雖然根據(jù)其它定義，正的 EIC 公司有時也被認(rèn)定為同行，但 EIC 公司的溢價比單獨使用其它定義的公司要高。當(dāng)宏觀經(jīng)濟事件出現(xiàn)時，EIC 也與溢價有關(guān)。在宏觀經(jīng)濟公告日，EIC 股票的回報率比其他股票高 6.61 個基點。在 FOMC 公告日，這一差異增加到 13.70 個基點。雖然重要的市場風(fēng)險溢價與宏觀經(jīng)濟公告有關(guān)（Savor 和 Wilson（2013），我們表明，股票對公告的

10、反應(yīng)有很大的不同。EIC 衡量指標(biāo)確定了最容易受到影響的股票：更多來自周期性行業(yè)（能源、信息技術(shù)和非必選消費品）的股票，以及更多來自大規(guī)模的公司、具有更高 Beta 值的公司和杠桿更高的公司，毫無疑問，這些公司對宏觀公告更敏感，因此有較高的溢價。接下來研究觀察到的回報率是否與基于風(fēng)險的解釋一致。我們發(fā)現(xiàn)，即使在控制了預(yù)定公司的特定信息事件之后，在 EIC 為正的日子里，這些公司的 CAPM beta大約高 5%。此外，我們發(fā)現(xiàn)，在機構(gòu)投資者被期望消化信息的日子里，CAPM 表現(xiàn)更好。最后，子樣本分析表明，在我們預(yù)期信息溢出更強的子組中，我們的結(jié)論得到了更有利的證明。我們也證實了 Savor 和

11、 Wilson（2014）的結(jié)論，即 CAPM 在有重要宏觀經(jīng)濟公告的那些日子效果更好，盡管我們發(fā)現(xiàn)這一結(jié)果是以信息消化為條件的。總體而言，在有 FOMC 公告的日子里，估計的市場風(fēng)險溢價約為 11 個基點。然而，估計的 CAPM 風(fēng)險溢價對于 EIC 為正的股票是 44 個基點，而對于 EIC 為零的股票在統(tǒng)計上是不明顯的。雖然我們的證據(jù)一直支持基于風(fēng)險的解釋，但我們也研究了我們發(fā)現(xiàn)的其它解釋。一種可能的解釋是價格壓力，即與 EIC 相關(guān)的較高的平均回報可能只是反映了最終將恢復(fù)的過渡性價格壓力，而不是獲得了永久的風(fēng)險溢價。我們使用日歷時間的交易組合方法來測試這個猜想，它避免了事件的聚集。如果

12、價格壓力能解釋我們的結(jié)果，任何最初的壓力都應(yīng)該預(yù)測未來的反轉(zhuǎn)。我們發(fā)現(xiàn)在第一個月內(nèi)沒有反轉(zhuǎn)，而我們在一個月后發(fā)現(xiàn)的小幅反轉(zhuǎn)并不顯著或穩(wěn)健。然而，由于我們研究的是一個相對較短的樣本期，我們不能完全排除這種解釋，因為我們不能排除長期的反轉(zhuǎn)現(xiàn)象。另一種可能的解釋是基于錯誤的定價：與企業(yè)所得稅相關(guān)的較高的平均回報可能反映了對錯誤定價的糾正，而不是風(fēng)險溢價。然而，這種解釋需要一種不對稱性，即定價過低會得到糾正，但由于賣空限制，定價過高會持續(xù)存在。另外，根據(jù)這種解釋，我們預(yù)計在定價正確的股票中不會看到任何結(jié)果。為了評估這種解釋，我們使用Stambaugh, Yu, and Yuan (2012)的錯誤定價

13、得分指標(biāo)（MISP）。我們在數(shù)據(jù)中沒有發(fā)現(xiàn)支持這種解釋的證據(jù)。特別是，根據(jù) MISP 指標(biāo)，錯誤定價的股票和正確定價的股票的EIC 系數(shù)非常相似。我們注意到無法區(qū)分我們所確定的回報率溢價是基于理性的還是基于行為的（Kozak、Nagel 和 Santosh（2018）。其他替代解釋可能包括投資者注意力有限（Frazzini 和 Lamont（2007），Hirshleifer，Lim 和 Teoh（2009），對投資者預(yù)期的理性忽視和偏見（Linnainmaa 和 Zhang（2019）。盡管如此，本研究提供的令人信服的證據(jù)表明，當(dāng)投資者處理公告并更新他們對受影響公司和整體經(jīng)濟的看法時，就會獲

14、得風(fēng)險溢價。本文的其余部分組織如下。在第二節(jié)中，我們描述了我們對信息消化和產(chǎn)生的原始指標(biāo)，并概述了我們對信息消化的事前預(yù)期測度的構(gòu)造。在第三節(jié)中，我們分析了我們的 EIC 指標(biāo)與回報率的關(guān)系，我們提供了與基于風(fēng)險的解釋相一致的額外證據(jù)，并討論了其他解釋。第四節(jié)是結(jié)論。信息消化指標(biāo)信息消化和原始指標(biāo)彭博提供了對彭博終端上的新聞閱讀和新聞搜索活動的轉(zhuǎn)化指標(biāo)。大多數(shù)彭博終端用戶是機構(gòu)投資者， 他們有動力和財力對公司的重要新聞做出快速反應(yīng)（Ben-Raphael, Da, and Israelsen (2017)）?；跀?shù)據(jù)的可用性，我們使用了 2010年 2 月到 2017 年 12 月間的樣本。遵

15、循 Da, Engelberg, and Gao (2011)的做法, 我們對樣本期間出現(xiàn)在羅素 3000 指數(shù)的所有股票開始篩選，然后我們要求樣本中的股票滿足以下條件：(1)在彭博終端和谷歌搜索引擎上的新聞搜索和新聞閱讀活動的數(shù)值沒有缺失； (2)在證券價格研究中心（CRSP）數(shù)據(jù)庫中的股票代碼為 10 或 11； (3)在上個月末的股票價格大于或等于 5 美元； (4)賬面信息沒有缺失。過濾這些條件后，我們得到一個包括 3,188 只股票和 4,046,190 個日間股票觀測值的樣本。機構(gòu)異常關(guān)注度（AIA）：我們的主要信息消化指標(biāo)捕捉了機構(gòu)關(guān)注度的事后峰值（Ben-Raphael, Da

16、, and Israelsen (2017)）。彭博記錄了終端用戶主動搜索或閱讀特定股票的新聞文章的次數(shù)，我們更加關(guān)注對特定公司信息的主動需求，因此當(dāng)用戶搜索新聞時，賦予 10 分，當(dāng)用戶只是閱讀新聞文章時，賦予 1 分。彭博將這些數(shù)字匯總為每小時的計數(shù)，并通過比較前八小時內(nèi)的平均每小時計數(shù)與前一個月同一股票的所有每小時計數(shù)來構(gòu)造一個關(guān)注度評分。如果滾動平均數(shù)低于前 30 天每小時計數(shù)的 80%，在 80%至 90%之間，在 90%至 94%之間，在 94%至 96%之間，或大于 96%，則分別為它們賦予 0、1、2、3 或 4 的分?jǐn)?shù)。然后，將這些分?jǐn)?shù)匯總到每天的頻率，取一個最大的全天所有小

17、時得分。利用這個日常衡量指標(biāo)，我們遵循 Ben-Raphael，Da, and Israelsen (2017)，如果彭博的日最高值為 3 或 4，就將虛擬變量AIA 設(shè)為 1，否則為 0。這個虛擬變量表明，當(dāng)宏觀事件沖擊來臨時，該公司是獲得了高機構(gòu)關(guān)注度還是低機構(gòu)關(guān)注度。異常的谷歌搜索量指數(shù)（DADSVI）：我們對信息消化的第二個衡量指標(biāo)是捕捉散戶投資者的事后關(guān)注高峰。正如Da, Engelberg, and Gao (2011)所描述的，散戶注意力是用每日谷歌搜索量指數(shù)（DSVI）來衡量的。我們通過取DSVI 與前一個月DSVI 平均值之比的自然對數(shù)來計算異常DSV（I ADSVI）。為了

18、便于與股票的 AIA 進行比較，我們創(chuàng)建了一個虛擬變量版本的 ADSVI：對于每一天，我們用公司過去 30個交易日的 DSVI 值來分配一個 0、1、2、3 或 4 的分?jǐn)?shù)。對于每一天，如果得分是 3 或 4，DADSVI 被設(shè)置為 1，否則為 0。與散戶信息消化有關(guān)的衡量指標(biāo)被列為控制變量；我們發(fā)現(xiàn)這些控制變量沒有任何系統(tǒng)性影響。信息事件（Information Events）：我們對預(yù)定事件的三個代理變量是基于收益公告、其他預(yù)定的公司事件和宏觀經(jīng)濟公告來構(gòu)建的。為了便于與 AIA 和 DADSVI進行比較，我們構(gòu)建了一個虛擬變量，當(dāng)公司公布其收益公告時等于 1，否則等于 0，記為EDAY。

19、我們從 I/B/E/S 中獲得收益公告公布日期。我們的樣本包含 2010 年至 2017 年期間的 163,865 個預(yù)定事件。彭博將每個事件分為九個類別中的一個。最常見的類別占所有事件的 43%是“電視/會議/演講”，它主要包括投資者會議，但也包括預(yù)先安排的新聞發(fā)布會。接下來兩個最常見的類別是“收益公告發(fā)布”和“收益電話”，分別占事件的 36%和 30%，這些活動通常被安排在同一天（它們占活動總數(shù)的 37%）。接下來的兩個最常見的類別是 “股東大會”和“企業(yè)訪問”，分別占所有事件的 12%和 6%。其余 4%的事件屬于 “兼并和收購”、“銷售結(jié)果”、“分析師營銷”和 “盈利指導(dǎo)”等類別。我們

20、構(gòu)建了虛擬變量 SEDAY 和 NESEDAY 來表示預(yù)定事件日和非盈利的預(yù)定事件日（所以SEDAY=EDAY + NESEDAY，即預(yù)定事件日包括盈利公告預(yù)定事件日和非盈利公告預(yù)定事件日）。我們還涵蓋了幾個基于重要的宏觀經(jīng)濟新聞公告日衡量指標(biāo)。由于幾乎每天都有宏觀經(jīng)濟公告，我們僅研究那些在彭博終端上吸引機構(gòu)投資者最多關(guān)注的公告，即與非農(nóng)就業(yè)（NFP）、生產(chǎn)者價格指數(shù)（PPI）、聯(lián)邦公開市場委員會利率決定（FOMC）、美國國內(nèi)生產(chǎn)總值（GDP）的“提前”預(yù)測和美國供應(yīng)管理協(xié)會制造業(yè)指數(shù) (ISM)有關(guān)的公告、公告日期和時間都來自于彭博。對于這五項公告中的每一項，我們創(chuàng)建了虛擬變量，在公告日等于

21、 1，在其他日子等于 0。除了這五個單獨的虛擬變量之外，我們還構(gòu)建了虛擬變量 MACRO，在五個虛擬變量中至少有一個等于 1 的日子里，將其設(shè)為 1，否則為 0。最后，從 RavenPack 獲得樣本股票的新聞報道。將 NDAY 定義為一個虛擬變量，如果在某一天道瓊斯新聞網(wǎng)上有關(guān)于該公司的新聞報道，則該變量等于 1，否則等于 0。因為想把盈利公告與其他新聞區(qū)分開來，所以把盈利公告日的 NDAY 設(shè)為零。我們同樣構(gòu)建虛擬變量USNDAY 來表示未提前預(yù)定的新聞日。對于每個公司，我們計算同一（Fama-French 48）行業(yè)中其他公司的 NDAY 和 EDAY 的價值加權(quán)平均數(shù)，分別用 FF48

22、_NDAY 和 FF48_EDAY 表示。同樣地，我們創(chuàng)建了 AGG_NDAY 和 AGG_EDAY 這兩個變量，以獲取某一天樣本中所有公司的 NDAY 和 EDAY 的市值加權(quán)平均數(shù)。根據(jù)表一，在我們的樣本中，平均有 7.59%的交易日會經(jīng)歷來自機構(gòu)投資者的信息消化沖擊。散戶投資者的信息消化沖擊的平均頻率與此類似，為 7.64%。圖表 1 描述性統(tǒng)計資料來源：整理關(guān)于預(yù)定發(fā)生的公司事件，每年平均有四個盈利公告日（EDAY），占所有交易日的 1.5%。其他非盈利公告的預(yù)定事件（NESEDAY）發(fā)生的頻率更高，約占所有交易日的 2.4%。而所有的非盈利新聞事件（NDAY），對于我們樣本中的公司來

23、說，平均五天中大約有一天是新聞日。公司的平均（中位數(shù)）規(guī)模約為 62 億美元（11億美元）。平均來說，某只股票每天有價值 5110 萬美元的交易。最后，我們樣本中的平均（中位）日回報率為 9.44（7.26）個基點。為了研究機構(gòu)信息消化的驅(qū)動因素，表二顯示了 Logit 面板回歸的結(jié)果，其中我們將 AIA 與公司、行業(yè)和宏觀經(jīng)濟層面的信息供應(yīng)變量進行回歸。我們加入每周一天的虛擬變量來捕捉關(guān)注度的季節(jié)性（DellaVigna 和 Pollet（2009），Liu 和 Peng（2015），以及 Ben-Rephael，Da 和 Israelsen（2017）。其他控制變量包括公司特征，如絕對收益

24、、規(guī)模、賬面市值、公司 和杠桿。圖表 2 AIA 關(guān)于信息變量的邏輯回歸資料來源：整理結(jié)果表明，在公司層面新聞較多的時期，機構(gòu)投資者更有可能消費某只股票的信息，特別是當(dāng)事件是預(yù)先安排的時候。然而，結(jié)果也表明，由于其他公司的信息溢出效應(yīng)，對某一特定公司的信息消化上升。行業(yè)層面的新聞，尤其是競爭對手發(fā)布的盈利公告，與更多的機構(gòu)投資者的信息消化相關(guān)。這是直觀的，因為一個行業(yè)的公司的盈利新聞可能對該行業(yè)的其他公司有重要影響。此外，當(dāng)市場上有更多關(guān)于大公司的消息時，機構(gòu)對單個股票的信息消化更有可能是高的。關(guān)于大公司的新聞可能對其他股票有系統(tǒng)性的影響，即使這些公司是在不同的行業(yè)。為了研究宏觀經(jīng)濟新聞的影響

25、，列（5）、（7）和（9）包括了 MACRO 虛擬變量。一般來說，即使控制了其他公司、行業(yè)和市場層面的事件，機構(gòu)對個股的信息消化往往與宏觀經(jīng)濟公告相吻合。在所有五個宏觀經(jīng)濟公告中，F(xiàn)OMC 利率公告似乎吸引了最多的關(guān)注（列（6）和（8）。在我們控制了公司特征和絕對收益后，宏觀經(jīng)濟公告的回歸系數(shù)會減弱（列（9）和（10）。請注意，我們并不期望宏觀公告以類似的方式影響所有公司。下面，我們探討宏觀公告對相關(guān)股票的影響?？偠灾珹IA 不僅可以由公司的特定事件觸發(fā)，也可以由與其他公司和宏觀經(jīng)濟有關(guān)的信息事件觸發(fā)。這些觀察促使我們根據(jù)投資者在過去對各種事件的反應(yīng)來構(gòu)建 EIC的衡量指標(biāo)。預(yù)期信息消化（

26、EIC）為了將信息消化與資產(chǎn)定價結(jié)果聯(lián)系起來，我們構(gòu)建了幾個機構(gòu)信息消化（EIC）和散戶信息消化（ERIC）的事前衡量指標(biāo)。所有的衡量指標(biāo)都是虛擬變量，如果預(yù)期的消費頻率超過了某個閾值，則取值為 1，否則為 0。表三報告了 EIC 指標(biāo)的匯總統(tǒng)計。圖表 3 四個事前預(yù)期信息消化變量的統(tǒng)計資料來源：整理我們對預(yù)期機構(gòu)信息消化的第一個衡量指標(biāo)是基于其他公司的預(yù)定事件的信息溢出（EIC_PEER）。如果公司 A 的 AIA 在過去經(jīng)常在公司 B 的預(yù)定事件上飆升，我們預(yù)測公司A 的EIC 在公司 B 的下一個預(yù)定事件日等于 1。這種 EIC 指標(biāo)在經(jīng)驗上是一種新的衡量標(biāo)準(zhǔn)。例如，Savor 和 Wi

27、lson（2016）將正的盈利公告窗口回報歸因于風(fēng)險溢價，因為公司 A 的盈利公告會影響其他公司，因此盈利公告具有系統(tǒng)性。他們的模型也預(yù)測了當(dāng)天受影響公司的風(fēng)險溢價，但迄今為止的文獻還沒有直接檢驗這一預(yù)測。我們的EIC_PEER 衡量指標(biāo)填補了這一空白。表三第 (1) 列報告了以EIC_PEER=1 或 0 為條件的觀察數(shù)和AIA=1 的百分比。 EIC_PEER=1 子樣本的 AIA=1 的百分比約為 24.1%，比隨機抽取 AIA=1 的可能性大三倍以上。在EIC_PEER=0 的情況下，AIA=1 的百分比只有 9.1%左右。頻率上的差異具有統(tǒng)計學(xué)意義，表明EIC_PEER 能很好地預(yù)測

28、事后AIA，這是由于同行公司預(yù)定事件的信息溢出。我們對預(yù)期機構(gòu)信息消化的第二個衡量指標(biāo)是基于 FOMC 公告日的信息溢出（EIC_FOMC）。如果公司 A 的AIA 在之前的FOMC 公告期間經(jīng)常飆升，我們可以預(yù)測公司 A 的 EIC 在下一次 FOMC 公告時為 1。以前的文獻主要關(guān)注 FOMC 公告前后的市場風(fēng)險溢價，而在我們的分析中，我們考慮的是橫截面的維度。由于不是所有的股票都受到同樣的影響，EIC_FOMC 確定了那些 FOMC 公告期間更有可能與風(fēng)險溢價相關(guān)的股票。我們還使用了表二中定義的所有五個宏觀事件來構(gòu)建第三個測度（EIC_MACRO），用以研究信息溢出在宏觀公告日的影響。表

29、三的第（2）列和第（3）列報告了以EIC_FOMC 和 EIC_MACRO 等于 1 或 0 為條件的 AIA=1 觀察值的數(shù)量和百分比。有 59（334）個 FOMC（宏觀）公告日，在 126223（715928）個公司公告日的樣本中，有 11159（18377）個 EIC_FOMC=1（EIC_MACRO=1）觀察值。EIC_FOMC=1（EIC_MACRO=1）的 AIA=1 觀測值的百分比約為 25.6%（30.9%）。相比之下，在 EIC_FOMC=0（EIC_MACRO=0）的情況下， AIA=1 的觀察值的百分比約為 8.4%（7.5%）。最后，我們構(gòu)建了一個基于所有三類 EIC

30、（EIC_ALL）的整體溢出衡量測度，它匯總了 EIC_PEER、EIC_FOMC 和 EIC_MACRO。表三的第（4）列顯示了以 EIC_ALL=1 或 0 為條件的觀察值和 AIA=1 案例的百分比。我們能夠確定 270,054個EIC_ALL=1 的觀察值（來自 4,046,091 個觀察值的完整樣本）。準(zhǔn)確率（或 AIA=1的百分比在 EIC_ALL=1 的情況下）超過 24%，明顯高于 EIC_ALL=0 的情況下的 6.7%左右的對應(yīng)值?？偠灾?，我們的各種 EIC 衡量指標(biāo)與最近的文獻直接相關(guān)，這些文獻發(fā)現(xiàn)在預(yù)定的信息事件日股票回報率較高。這類事件的例子包括公司層面的收益公告（

31、Frazzini 和Lamon（t 2007），Barberet 等（2013），公司層面的股息公告（Hartzmark和 Solomon（2013）和宏觀公告（Savor 和 Wilso（2013），以及其它公告。我們在幾個重要的維度上擴展了這些文獻，并增加了新的見解。首先，我們的 EIC 溢出指標(biāo)能夠確定觀察那些更有可能產(chǎn)生重要的系統(tǒng)性影響的事件，因為它們的目的是捕捉來自預(yù)定公告的主動信息消化。其次，更重要的是，這使我們能夠直接研究信息溢出。雖然現(xiàn)有的文獻集中在公告公司的回報溢價上，但我們研究的是受公告影響的其他公司的回報溢價。我們還為宏觀經(jīng)濟公告增加了一個重要的橫向維度，即事先確定那些股

32、票更有可能被影響。最后，雖然我們不是第一個探討信息溢出的人（例如 Hong, Torous, and Valkanov (2007), Cohen and Frazzini (2008), and Menzly and Ozabas(2010)），但我們的 EIC 測度允許我們研究信息消化而非信息發(fā)布。此外，我們的結(jié)果顯示了一個可預(yù)測的回報溢價，它不以發(fā)布的信息的內(nèi)容為條件。EIC=1 股票的特征在表四中，我們探討了 EIC=1 的股票的特征。與表二類似，我們進行 Logit 面板回歸，EIC_PEER、EIC_FOMC 和 EIC_MACRO 是因變量。表四的 A 組研究了 EIC_PEER

33、。在我們的基本配置中，我們加入了 Fama-French 48 個行業(yè)和市場水平的價值加權(quán)的 SEDAY 變量，剔除了目標(biāo)公司。接下來，我們囊括了基于各種替代同行測度的額外 SEDAY 變量。正如預(yù)期的那樣，列（1）到（3）表明，行業(yè)和市場的預(yù)定事件都能解釋EIC_PEER 的預(yù)測峰值。然而，請注意，當(dāng)我們比較基于市場的衡量標(biāo)準(zhǔn)和基于行業(yè)的衡量標(biāo)準(zhǔn)時，我們發(fā)現(xiàn)基于市場的衡量標(biāo)準(zhǔn)更具有經(jīng)濟顯著性（系數(shù)為 4.623，vs 行業(yè)系數(shù) 0.927）。這表明，企業(yè)從市場上主要企業(yè)的預(yù)定事件中學(xué)習(xí)，即使它們屬于不同的行業(yè)。圖表 4 Panel A：關(guān)于 EIC 的邏輯回歸（EIC_PEER）資料來源：整

34、理在列（4）至（10）中，我們探討了來自另一種定義的同行公司的預(yù)定事件的額外貢獻。列（4）到（6）反映了 EIC_PEER 對公司三個最接近的同行的預(yù)定事件的反應(yīng)，這些同行是基于 Fama-French 48 行業(yè)分類、全球行業(yè)分類標(biāo)準(zhǔn)（GICS2）行業(yè)以及Hoberg 和 Phillips（2010，2016）的基于文本的相似度得分（TINC3）來歸類的。Hoberg 和 Phillips 的指標(biāo)似乎貢獻最大，其系數(shù)為 0.235。接下來，因為之前的文獻發(fā)現(xiàn)，交易量具有系統(tǒng)性的影響（Lo 和 Wang（2006）以及 Cremers和 Mei（2007）。因 此，在列（7）中，我們用異常交易

35、量代替 AIA，并構(gòu)建一個類似的預(yù)期異常交易量指標(biāo)（EAVOL），EAVOL 根據(jù)過去相關(guān)的交易量峰值來預(yù)測信息溢出。有趣的是，EAVOL 似乎具有經(jīng)濟意義，其系數(shù)為 1.635，這可能是因為交易量經(jīng)常隨著信息消化而飆升。在列（8）中，我們加入一個共同新聞的衡量標(biāo)準(zhǔn)（Schwenkler 和 Zheng （2019），將同行公司識別為在同一新聞文章中提到的公司。該變量的影響是顯著的，其系數(shù)為 0.324。最后，我們研究了共享供應(yīng)商-客戶聯(lián)系的“關(guān)聯(lián)”公司（Cohen 和Frazzini（2008）。我們發(fā)現(xiàn)來自這些“有聯(lián)系的”公司的預(yù)定事件并沒有以顯著的方式觸發(fā)EIC_PEER。雖然EIC_P

36、EER 與備選定義的同行公司的預(yù)定事件有關(guān)，但那些對經(jīng)濟有很大影響力的公司的預(yù)定事件（由 AGG_SEDAY 捕獲）似乎更為重要。這一結(jié)果加強了我們的結(jié)論，即 EIC_PEER 捕捉到了系統(tǒng)性的信息消化。圖表 5 Panel B：關(guān)于 EIC 的邏輯回歸（EIC_MACRO 和 EIC_FOMC）資料來源：整理在 B 組，我們分析了 FOMC 和宏觀經(jīng)濟公告。我們使用 GICS2 行業(yè)分類，并包括行業(yè)虛擬變量。我們使用 “日用必需品”作為我們的基礎(chǔ)（排除）行業(yè)。我們發(fā)現(xiàn)，受影響的股票往往來自于周期性較強的行業(yè)（能源、信息技術(shù)和非必選消費行業(yè)）。我們還發(fā)現(xiàn)，這些行業(yè)市值往往比較大，而且擁有較高的

37、 betas 和杠桿。這些行業(yè)的股票受宏觀經(jīng)濟公告中的信息影響最大，也許并不奇怪。重要的是，我們的 EIC 測度（EIC_FOMC 和 EIC_MACRO）使我們能夠獨特地識別這種信息溢出效應(yīng)。EIC 和資產(chǎn)價格回報溢價我們現(xiàn)在測試有 EIC 的公司日是否與回報溢價有關(guān)。為此，在表五中，我對每日股票收益率與各種 EIC 指標(biāo)進行了面板回歸，加入了預(yù)定的公司信息事件、預(yù)期的散戶信息消化（ERIC）、來自替代定義的同行公司的預(yù)定事件以及其他控制因素，包括 LnSize、LnBM、10 個滯后期收益、收益的平方、新聞虛擬變量以及交易量。此外，還包括日固定效應(yīng)，標(biāo)準(zhǔn)差按公司和日期進行分組。最后，為了修

38、正可能的微觀結(jié)構(gòu)偏差，我們遵循 Asparouhova、Bessembinder 和Kalcheva（2010，2013）的做法，采用了 WLS 修正程序，即用滯后的總回報作為每個觀察值的權(quán)重。為了保持一致性，我們在其余的分析中采用了相同的加權(quán)方案。圖表 6 股票收益率與 EIC 的面板回歸資料來源：整理首先，在表六的多列中，顯著的回報溢價似乎與公司的收益公告（EDAY）有關(guān)，與 Engelberg、McLean 和Pontif（f 2018）的結(jié)果以及收益公告溢價的存在（Frazzini和 Lamont（2007），Barber 等人（2013），Savor 和Wilson（2016）一致。

39、然而，當(dāng)我們分析 FOMC 公告和宏觀經(jīng)濟事件（MACRO）時，盈利公告溢價不存在或僅有輕微的顯著。第二，其他（未發(fā)布盈利公告）的公司在預(yù)定事件日有經(jīng)濟上顯著的回報溢價。這一發(fā)現(xiàn)是新的，因為這些公司計劃事件以前沒有被系統(tǒng)地研究過。第三，ERIC 的系數(shù)較小且不明顯，可能是因為散戶投資者在消化信息時有延遲，而此時市場上有很大一部分不確定性已經(jīng)被解決。接下來探討與EIC 變量相關(guān)的風(fēng)險溢價大小，在列(1)至(7)我們發(fā)現(xiàn) EIC_PEER相關(guān)的穩(wěn)健溢價在 2.1-2.3 個基點之間。EIC_PEER 的系數(shù)比預(yù)定事件的系數(shù)小，有兩個原因。首先，雖然預(yù)定事件是事先知道的，但 EIC_PEER 的估計

40、是有誤差的，而且這種錯誤會導(dǎo)致衰減偏差。更重要的是，Savor 和 Wilson（2016）的模型預(yù)測，公告公司的溢價最高，因為這些公司對公告中的信息接觸最多。最后，我們注意到 EIC_PEER 的頻率是EDAY 的 7 倍，是NESEDAY 的 4 倍，所以 EIC_PEER 對回報率溢價的累積貢獻與預(yù)定公告的貢獻基本相當(dāng)。根據(jù) Savor 和 Wilso（2016）的研究，我們預(yù)測經(jīng)歷信息溢出的公司會有正的 風(fēng)險溢價。我們進一步預(yù)測，EIC 公司與其他同行公司相比，風(fēng)險溢價更高。通過 自我表露的偏好，EIC 企業(yè)與宣布的企業(yè)有更多的聯(lián)系。此外，EIC 捕捉到了主動 的信息消化，這提高了交叉

41、學(xué)習(xí)的精確性，并產(chǎn)生了更高的風(fēng)險溢價。列（3）到（7） 證實了這些預(yù)測。特別是，我們發(fā)現(xiàn) EAVOL 的系數(shù)幾乎為零。即使是 FF48_SEDAY，這個指標(biāo)的一個標(biāo)準(zhǔn)差的增加也與 0.47 個基點的高收益有關(guān)。在列(8)至(11)中，我們估計了與我們的 EIC_FOMC 和 EIC_MACRO 指標(biāo)相關(guān)的溢價。與傳遞系統(tǒng)信息的宏觀經(jīng)濟公告一致，我們發(fā)現(xiàn)EIC_FOMC（EIC_MACRO）與 11.235（7.187）個基點的額外溢價相關(guān)。與表五 B 組一致，EIC 的衡量標(biāo)準(zhǔn)確定了受宏觀經(jīng)濟信息影響最大的公司會獲得更高的溢價。最后，在列(12)到(14)中，我們研究了 EIC_ALL，它結(jié)合

42、了所有三個衡量標(biāo)準(zhǔn)。估計的溢價在 3.6 到 3.8 個基點。交易策略在表七中，我們使用日歷時間的交易策略來研究回報溢價的大小。交易策略是可以實施的，因為 EIC 指標(biāo)的構(gòu)建只使用歷史信息。這使得我們可以計算出與各種 EIC 指標(biāo)相關(guān)的超額收益和夏普比率。圖表 7 Panel A：結(jié)合公司預(yù)定事件日的 EIC 交易策略資料來源：整理表七探討了基于公司預(yù)定事件的日歷時間組合。我們的分析區(qū)分了四種類型的公司。公布的公司，EIC 公司，其他同行公司，和不相關(guān)的公司（基準(zhǔn)）。因此，在 A 組中，我們構(gòu)建了在每個事件日有四個相應(yīng)的不重疊的組合。第一個組合包括宣布事件的公司，或有預(yù)定事件的公司（列（1）。

43、第二個組合包括 EIC 同行公司，或 EIC_PEER=1 的公司（列（2）。第三個組合包括其他同行公司，即與公告者處于同一行業(yè)的其他公司，EIC_PEER=0（列（3）。 最后一個組合是基準(zhǔn)組合，其中包括所有除去以上公司的其他公司（列（4）。與表六的結(jié)果一致，我們發(fā)現(xiàn)與這些投資組合相關(guān)的平均每日超額收益（相對于無風(fēng)險利率）從 10.28 個基點（宣布的公司）單調(diào)地減少到 4.6 個基點（基準(zhǔn)）。風(fēng)險調(diào)整后的收益也相應(yīng)減少。特別是 EIC_PEER 組合的 Fama-French 五因素（Daniel 等人（1997，DGTW）風(fēng)險調(diào)整后的回報率為 2.0（1.7）個基點。投資組合的年化夏普比

44、率為 1.02 ， 比基準(zhǔn)投資組合的夏普比率增加了近 50% 。 EIC_PEER 組合的回報率和夏普比率與其他同行公司相比也很好。換句話說，積極的信息消化確實與較高的溢價有關(guān)，在經(jīng)濟上是有意義的。圖表 8 Panel B：結(jié)合宏觀事件日的 EIC 交易策略資料來源：整理接下來，在 B 組中，我們探討與宏觀經(jīng)濟公告相關(guān)的日歷時間投資組合，其中感興趣的投資組合是基于EIC_FOMC=1 和 EIC_MACRO=1 的組合?；鶞?zhǔn)投資組合是基于EIC_FOMC=0 和EIC_MACRO=0 的組合。與回歸分析一致，我們發(fā)現(xiàn) EIC=1的投資組合相關(guān)的顯著回報率，這幾乎是 EIC=0 的投資組合相關(guān)的

45、兩倍。此外， EIC_FOMC=1（EIC_MACRO=1）組合相關(guān)的年化夏普比率比其基準(zhǔn)高出 102%（58.5%）。最后，雖然 EIC=1 投資組合的風(fēng)險調(diào)整后的回報率在 4.6 到 8.9 個基點之間，但EIC=0 投資組合的風(fēng)險調(diào)整后的回報率約為零。對基于風(fēng)險的解釋的支持在本小節(jié)中，我們進一步探討了我們的 EIC 指標(biāo)、CAPM 和CAPM 在不同子樣本中的表現(xiàn)之間的關(guān)系。表九顯示了結(jié)果，這些結(jié)果支持我們觀察到的，對回報率前提的基于風(fēng)險的解釋。在表九中，我們研究了在有 EIC、ERIC 或其他預(yù)定公司事件的日子里，系統(tǒng)性風(fēng)險是否更高?？紤]到交易量的系統(tǒng)性影響，我們也將 EAVOL 作為

46、一個對照。我們用模型的變化來估計CAPM 的，其中ERET 是股票收益率減去無風(fēng)險利率（單位：基點），MKTRF 是市場收益率減去無風(fēng)險利率（單位：基點），EIC 是基于EIC_ALL的。遵循 Patton 和 Verardo（2012），每個回歸中都包含了股票的固定效應(yīng)，這使我們能夠捕捉到公司內(nèi)部的 值估計?？紤]到這是一個公司內(nèi)部的分析，而且大部分的溢出觀測值都是從 2011 年 4 月開始的，我們從 2011 年 4 月開始進行 測試。結(jié)果在表九報告。圖表 9 預(yù)期信息消化（EIC）和公司 Beta資料來源：整理表九的前 5 列報告了面板回歸的系數(shù)，分別控制了五個信息消化的變量。第一列表明

47、，在 EIC=1 的日子里，CAPM 的 beta 值比沒有 EIC 的日子高 0.047 左右。第二列顯示，在 ERIC=1 的日子里，CAPM 的beta 值沒有明顯變化。列（3）和（4）考察了預(yù)定事件和收益公告對 beta 的影響。與 Patton 和 Verardo（2012）的觀點一致，在有盈利公告的日子里，beta 值高出約 0.14。其他預(yù)定的公司級新聞事件使 beta 值增加 0.061。我們還發(fā)現(xiàn) EAVOL 的系數(shù)為 0.041。最后，列（6）和（7）包括所有五個變量以及市場回報。EIC 的影響只比單變量回歸時略小。EIC 日的 beta值增加支持基于風(fēng)險的解釋，即這些日子

48、的平均收益較高。圖表 10 預(yù)期信息消化（EIC）和 CAPM資料來源：整理接下來，我們轉(zhuǎn)向 CAPM 的測試。Savor 和 Wilson（2014）表明，CAPM 在宏觀經(jīng)濟公告日（FOMC、失業(yè)率和通貨膨脹公布日）表現(xiàn)良好，而在其他日子則失敗。本著同樣的考慮，我們根據(jù) EIC 的值來劃分股票日，并進行測試。每天，我們對超額股票收益與 CAPM 的 beta 值進行橫截面回歸。表十研究了這些 Fama-MacBeth（1973）回歸系數(shù)的時間序列平均值。EIC 的各種衡量指標(biāo)描繪了一幅一致的畫面，即當(dāng)機構(gòu)投資者被期望消化信息時，CAPM 在股票日的表現(xiàn)更好。當(dāng) EIC=0 時，CAPM 的

49、斜率系數(shù)從來都不顯著，而截距項往往是正的和顯著的，這與 CAPM 在描述平均收益橫截面變化方面的失效是一致的。相反，當(dāng)EIC=1 時，CAPM 的斜率系數(shù)總是正的，而且是顯著的，截距項很少是顯著的。EIC=1 的風(fēng)險溢價估計值從 8.17 到 43.85 個基點不等，并且總是明顯高于EIC=0 時。例如，對于列（4）中的組合 EIC（EIC_ALL），當(dāng)機構(gòu)投資者被期望消化信息時，CAPM 表現(xiàn)良好，風(fēng)險溢價估計值為 9.71 個基點，截距項接近零，不顯著。相反，當(dāng) EIC_ALL=0 時，CAPM 失效了，風(fēng)險溢價估計值接近零，截距項顯著為正，為 6.71 個基點。EIC=1 的風(fēng)險溢價約為

50、 10 個基點，這與表一中的樣本統(tǒng)計和表六中記錄的風(fēng)險溢價的額外增加是一致的。請注意，5%左右的貝塔系數(shù)的增加遠遠低于 EIC=1 相對于 EIC=0 的回報率的增加，后者約為 40%。這表明，這不僅是風(fēng)險數(shù)量的增加，也是每單位風(fēng)險的補償。我們的投資組合（見表七）與這一觀點一致， EIC=1 的股票的夏普比率比 EIC=0 的股票高 50%左右。圖表 11 在 EIC 和 FOMC 不同取值的樣本中 CAPM 模型的表現(xiàn)資料來源：整理圖表十一的 A 組用圖形說明了 CAPM 的結(jié)果。每天，在 EIC_ALL=1 和EIC_ALL=0 的子樣本中，我們根據(jù)它們的 CAPM Beta 將股票分為十

51、等分組合，這些 Beta 是在過去 252 個交易日中使用所有股票的相同十等分分位點估算的。圖表十一的 A 組繪制了兩個子樣本的平均投資組合日超額收益（相對無風(fēng)險利率的超額）與它們的平均 CAPM Beta 的對比。該圖證實了 CAPM 在 EIC_ALL=1 的股票中效果更好。當(dāng)機構(gòu)投資者的平均超額收益與 CAPM Beta 之間存在正相關(guān)關(guān)系時，就會出現(xiàn)這種情況。預(yù)計投資者會消化信息。在 EIC_ALL=0 的股票中，這種關(guān)系不明顯。表十中的列（2）側(cè)重于 FOMC 公告中值得關(guān)注的日子。Savor 和 Wilson（2014）發(fā)現(xiàn) CAPM 在這些天表現(xiàn)良好。我們發(fā)現(xiàn)他們的結(jié)果受到 EI

52、C 的影響。在 FOMC 公布日，CAPM 只在機構(gòu)投資者預(yù)計會消化信息的股票子集中運行良好。對于這些 股票，CAPM 回歸產(chǎn)生了 43.85 個基點的重要風(fēng)險溢價估計。對于其余的股票，風(fēng) 險溢價估計值仍然很小而且不明顯。圖表十一的 B 組以圖形方式說明了 FOMC 的結(jié) 果。我們觀察到在 FOMC 公布日，EIC=1 的股票的平均超額收益和 CAPM 貝塔之 間的正向關(guān)系最強。在這些日期，EIC=0 的股票的平均超額收益和CAPM 貝塔之間 的關(guān)系要弱得多。類似的模式也適用于更廣泛的宏觀經(jīng)濟公告和 EIC_ALL，如列（3） 和（4）中報告的那樣。圖表 12 風(fēng)險溢價和 CAPM 系數(shù)-子樣本分析資料來源：整理最后，在表十二中我們考慮了我們數(shù)據(jù)中的四個子樣本。前兩個是基于公司的特征：公司在 Fama-French 48 行業(yè)中的相對規(guī)模和覆蓋該公司的分析師數(shù)量。我們假設(shè)，在其他情況下，一個行業(yè)中較小的公司和分析師覆蓋率較低的公司應(yīng)該對其他公司傳播的信息做出更多的反應(yīng)。第二個子樣本的公司是根據(jù)信息發(fā)布的時間來選擇的。具體來說，我們探討了 10-K 和 10-Q 報告季度之間的差異以及盈利周期上半場和下半場之間的差異。在其他條件不變的情況下，我們假設(shè)在 10-K 和盈利周期前半段發(fā)布的信息與在 10-Q 和盈利周期后半段發(fā)布的信息相比，應(yīng)該更具有實質(zhì)性和信息性。因此，10-