“学海拾珠”系列之七十五：盈余公告前后的收益特征是否与投机性股票需求有关？
由small_q创建，最终由small_q 被浏览 15 用户
报告摘要
主要观点
本篇是“学海拾珠”系列第七十五篇，本期推荐的海外文献研究盈余公告前后的收益特征是否与投机性股票需求相关。作者认为投资者对投机股的偏好是随时间变化的，并且在盈余公告发布之前尤其强烈，这可能是因为投机者的持有成本较低。同时，由于导致盈利消息的不确定性升高，抵消套利的力量更加有限。综上所述，作者预计在业绩公布前几天，投机性资产和非投机性资产之间应该存在正的收益率差。回到A股市场，盈余公告效应已被广泛研究，引入投机股这一视角有助于更深入了解PEAD等现象的收益来源以及背后的经济逻辑。
在财报公布之前，投资者对投机性股票的需求更加强劲，导致这些股票的价格上涨
投机性股票在盈余公告前的5天窗口中比非投机性股票高出约52个基点。然而，在公告发布后的5天窗口中，这种回报差却逆转了80个基点。此外，这种累积收益差的倒 V 形结构在小单失衡度较大的公司、机构持有较低的公司和投机性倾向较强的公司中更为明显，并且在控制了过去12 个月的回报和投资者关注度的各种代理指标后也很稳健。
基于其他异常特征的累积回报差，如账面市值比、历史回报、盈利能力以及投资资产比在盈余公告前后都会增加
倒 V 形累积收益差是投机性股票的相关特征所独有的。这种累积收益差形状的鲜明对比突出了投机股其特质属性在盈余公告之前投机行为现象中扮演的重要作用。
风险提示
本文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。
简介
许多研究发现，投资者表现出对投机性资产的偏好，因此这些资产的平均价值往往被高估，导致这些股票相对于非投机性资产的表现不佳。作者认为投资者对投机性股票的偏好是随时间变化的，并且在公司盈利公告之前尤其强烈。由于这些头寸只持有很短的时间，在盈余公告之前进行交易可以降低持有成本和持有风险。因此，在盈余公告之前，投机交易往往会增加。由于“投机性”资产特别适合投机，因此对这些股票的超额需求应该会显著增加，特别是在盈余公告之前。此外，由于业绩公布事件往往会吸引散户投资者的注意力，而投机性股票主要由散户投资者交易，因此在业绩公布之前，对由注意力驱动的投机股需求可能会增加。此外，由于在财报公布前存在对持有和特异性波动的担忧，套利者对来自嘈杂交易者的超额需求采取行动的能力被削弱。综上所述，在盈余公布之前的几天里，投机性资产应该比非投机资产获得更高的回报，这与现有文献中记录的投机性资产通常表现不佳的模式正好相反。
相比之下，在财报公布后，作者应该预期投机性资产通常表现不佳。这是因为还有两个强化机制。首先，投资者可能会对与投机性股票相关的负面收益消息感到惊讶。第二，财报发布后，财报消息的不确定性得到解决。因此，对持有风险和特殊波动性的潜在担忧也消退了。结果，套利力量得到了恢复，从而预计投机性股票的价格会出现反转。
作者通过使用以下程序对这个想法进行实证检验。作者首先选择一些常用的代理指标来衡量股票的投机特征。继 Kumar (2009) 之后，作者选择股票价格水平、异质波动率和预期异质偏度作为衡量股票投机程度的指标。此外，Bali、Cakici 和 Whitelaw（2011）提出的最大日收益也是投机性的一个代表。他们表明，该指标与横截面中的未来股票收益呈负相关。最近，Conrad、Kapadia 和 Xing（2014）表明，“中奖概率”（jackpot probability）是投机股特征的另一个很好的代理指标，预测中奖概率高的公司平均往往被高估，并获得较低的后续回报。因此，作者将这五个流行的代理指标用于衡量一只股票的投机特征。此外，基于这五个单独的代理指标，作者构建了一个复合 z-score来代表投机股特征。
使用这六项指标，作者发现，在盈余公告之前，投机性股票和非投机性股票之间的 5 天收益率差约为 0.52%。与此形成鲜明对比的是，利差在财报公布后的 5 天窗口内逆转了 0.80%。图表1 绘制了 (-5,+5) 11 天事件窗口期间的累积收益差，并展示了作者论文的关键结论。这一结果与财报公布前对类投机性资产需求旺盛推高其股价的观点一致，随后股价因消息发布后对类投机性股票的需求减弱而出现逆转。由于大多数异常情况在盈利公告期间往往更为明显，因此在盈利公告后，投机性股票的强劲表现是预料之中的。然而，作者研究的新发现是，在盈余公布之前，作者显示投机性股票相对于非投机性股票的价格大幅上涨。大多数先前的研究认为，投机性股票可能被高估，并关注这些股票未来的价格反转。作者对公告前时期的关注提供了有用的信息，即首先是高估的机制和时间以及其后续的修正。特别是，作者确定了高估加剧的特定时期，而先前的研究主要关注的是后续的反转。
有人可能会争辩说，更强烈的投机交易行为也可能适用于其他异常特征，因此作者对倒 V 形累积投机股收益差的结果没有什么特别之处。为了比较，作者还对一组突出的异常相关特征进行了相同的检验，特别是价值、动量、盈利能力和投资。作者发现，基于账面价值、过去收益、盈利能力以及投资与资产的相反关系的累积回报利差在盈余公告前后都会增加。因此，倒 V 形的累积收益差是和投机股相关所独有的特征。这种累积收益差形状的对比突出了在盈余公告之前投机行为对投机股相关的特征的独特作用。这个结果还可以帮助作者区分对收益规律的其他潜在解释。尤其是合理的解释应该援引投机股的特殊属性，而不是简单地、完全地依赖于业绩公布期间卖空活动或投资者关注度的整体变化。
关键变量的数据和定义
本节介绍了作者的数据来源和实证措施。作者还提供了后续分析中使用的关键变量的汇总统计数据。
数据
作者的样本包括1972年1月至2014年12月在NYSE、Amex和Nasdaq上市的公司发布的季度盈余公告。样本仅包括普通股，为了减少低价股的潜在影响，作者删除了在盈余公告前一个月的月底每股价格低于 1 美元的股票。作者的数据来自多个数据源。收益公布日期来自Compustat 季度文件。股票收益数据来自证券价格研究中心 (CRSP)，会计数据来自 Compustat。分析师数据来自1985年至2014年的机构经纪人估计系统 (IBES)。机构所有权数据来自1980年至2014 年的 Thomson Financial13F文件。交易数据来自证券市场研究所 (ISSM) NYSE 和 Amex 普通股的1983年至1992年以及1993年至2000年的交易和报价 (TAQ) 数据。人口密度数据来自美国人口普查局。Facebook 社交联系指数 (SCI) 数据来自 Facebook。宗教构成数据来自美国宗教数据档案 (ARDA) 的“教堂和教会成员”文件。选项数据来自 OptionMetrics 数据库。期权订单流数据来自国际证券交易所 (ISE) 开盘/收盘交易配置文件。每月共同基金总净资产和回报数据来自 CRSPSurvivor-Bias-Free US Mutual Fund Database。每月对冲基金总净资产和回报数据来自汤森路透理柏对冲基金 (TASS) 数据库。作者针对非美国公司的公司级股票和会计数据来自 Compustat Global 数据库。非美国公司的盈余公告日期来自彭博社。国际国内股票市场换手率数据来自世界银行。
投机性资产的特征衡量
对于美国股票，根据先前的研究，作者使用六个变量来代表股票的投机股特征。这些指标包括最大每日回报 (Maxret)、预期特异性偏度 (Skewexp)、股票价格 (Prc)、“中奖”回报的概率 (Jackpotp)、特异性波动率 (Ivol)，以及基于这些指标的综合得分 (Z-score)。本节简要介绍如何计算这些指标。
Maxret：Bali、Cakici 和 Whitelaw (2011) 证明了上个月的最大每日回报与未来的回报之间存在显著的负相关关系。他们还表明，最大每日回报较大的公司具有较高的收益偏度。据推测，最大日收益与未来收益之间的负相关关系是由于投资者对投机性股票的偏好。根据他们的研究，作者使用每只股票的最大每日回报 (Maxret) 作为作者对投机股特征的第一个衡量标准。
Skewexp：Boyer、Mitton 和 Vorkink（2010 年）估计了一个预期特异性偏度的横截面模型，发现它对未来收益率有负面预测。作者使用根据他们的模型估计的预期特质偏度作为作者的第二个衡量标准。根据他们的估计，这项指标是从 1988 年开始的。
Prc：低价股票会吸引赌徒，因为它们会造成未来价格上涨潜力更大的错觉，因此作者使用每只股票的收盘价作为作者衡量投机股特征的第三个指标。低价股票是类似投机股的资产，因此作者在作者的实证检验中对股票价格进行了转换，以与其他指标保持一致，即 Prc = -log(1 +Price)。
Jackpotp：Conrad、Kapadia 和 Xing（2014）表明，高预测概率的股票会获得异常低的后续回报。他们的发现表明，投资者更喜欢正偏斜的投机式收益。因此，作者会根据模型估计中奖概率（下一年的对数回报大于100%）作为作者的第四个衡量指标。
Ivol：特质波动率高的股票对有赌博偏好的投资者很有吸引力，因为高波动性造成了实现高回报的可能性高的误解。继 Ang、Hodrick、Xing 和 Zhang（2006）之后，作者将异质波动率 (Ivol) 计算为相对于 Fama 和 French (1993) 三因子模型的每日剩余收益的标准差，并将其用作为作者对投机股特征的第五个衡量标准。
Z -score：Z -score是每月综合衡量标准，计算为前五个衡量指标的单个 z-score的平均值。对于每只股票，每个月的五个指标中的每一个都首先转换为其排名，然后标准化以获得其 z-score。作者需要在五种衡量指标中至少有三种非缺失的指标来计算得到这个指标。
投资者注意力衡量指标
作者使用五项措施来衡量投资者的注意力指标。作者的第一个代理指标是道琼斯版 RavenPack 新闻数据中媒体报道的虚拟变量。Barber和Odean (2008) 发现媒体报道引起了投资者的注意，而个人投资者是新闻中股票的净买家。极端事件可能会吸引投资者的注意力，继Bali、Hirshleifer、Peng 和 Tang（2019）之后，作者使用最近预期外盈余的幅度来代表投资者的注意力。由于更多的社会互动更有可能吸引更多的注意力，继 Bali、Hirshleifer、Peng 和 Tang（2019）之后，作者还使用人口密度（PD）和公司总部的社会联系程度（SCIH）作为注意力的另一个代理指标。最后，作者构建了一个月度注意力综合指标 (Attn)，计算为这四个注意力指标的单个 z-score的平均值。
订单失衡指标
为了衡量订单失衡指标 (RIMB)，作者遵循 Hvidkjaer(2006) 并使用从ISSM 和 TAQ 的交易数据，计算出订单不平衡指标。
RIMB 分两步计算。在第一步中，所有符合条件的交易都使用 Lee（1992）公司特定的基于美元的交易规模代理指标变量，将所有符合条件的交易分类为小型、中型或大型交易。每个月，作者根据上月末的公司规模形成五个投资组合，然后使用下表中特定于规模的五分位数美元价值作为断点来识别小、中或大单。
根据 Lee 和Ready (1991) 算法，所有交易根据分时和交易规则进一步分为买入发起或卖出发起。如果交易以低于报价中点的价格执行，则为卖出发起；如果以高于报价中点的价格执行，则为买入发起。如果交易在报价中点执行，作者使用刻度规则：如果交易价格低于最后执行的交易价格，则卖出；如果交易价格高于最后执行的交易价格，则买入启动。该程序将所有符合条件的交易分为六类：买入发起的小额交易、卖出发起的小额交易、买入发起的中额交易、卖出发起的中额交易、买入发起的大额交易和卖出发起的大额交易。在第二步中，对于每个窗口期内的每只股票，作者计算其小单不平衡度，即买入发起和卖出发起的小额交易量之间的差异除以买入发起和卖出发起的小额交易量之和。交易量：RIMB = (BUYVOL − SELLVOL)/(BUYVOL + SELLVOL)，其中BUYVOL和SELLVOL分别是该股票在每个窗口期的每日买入发起和卖出发起的小额交易量之和。为了捕捉散户投资者情绪的变化，作者使用从盈利公告后 30 天到59 天结束的六个五天窗口的平均 RIMB 作为基准RIMB，并在 (- 5,-1) 事件前或 (+1,+5) 事件后窗口获取相应事件窗口期间的异常 RIMB。
期权量、隐含波动率和期权订单失衡
作者的期权交易量和隐含波动率数据来自1996 年到2014的OptionMetrics。价外 (OTM) 看涨期权对具有赌博偏好的投资者特别有吸引力，因为高度倾斜的收益使它们像投机性资产。如果投资者更有可能在盈余公告之前进行投机行为，那么他们也可能倾向于比其他时期更多地交易 OTM 看涨期权。为了捕捉这种情绪，作者研究了下个月到期的所有短期 OTM 看涨期权的调整后每日交易量和隐含波动率。如果一个期权的执行价格与股票价格之比大于1.05，则该期权被定义为 OTM。
对于每天的每只股票，作者汇总其所有有效短期 OTM 看涨期权的交易量。然后将调整后的交易量计算为每日交易量与其过去 3 个月移动平均线的百分比变化，以消除交易量的上升时间趋势。最后，作者对每个事件日的所有股票的调整后交易量进行平均。同样，作者对每只股票每天所有有效短期 OTM 看涨期权的隐含波动率求平均值，然后对每个事件日的所有股票求平均值。
期权异常零售定单失衡度是使用 2008 年至2014 年 ISE 开仓/平仓交易概况的数据计算的。ISE数据包含有关在ISE交易的每个期权的买卖交易量的每日信息，按不同客户类型分类（做市商、公司、客户和专业客户），不同规模的括号（小、中、大），交易是开新仓还是平仓（开买、开卖、平买和平卖），以及期权的基本特征，包括到期日、行使价、期权类型（看涨或看跌）和货币性。作者关注下个月到期的短期 OTM 看涨期权。为了衡量股票层面的交易量，作者首先将 ISE 中的交易量（以期权合约数量表示）转换为标的股票数量。然后，作者汇总每天每只标的股票的不同客户类型的所有有效短期 OTM 调用的公开买入和公开卖出股票。买入发起和卖出发起的交易量分别是被识别为客户的客户类型的公开买入和公开卖出股票。小订单失衡是通过将每日买入发起和卖出发起的零售交易量之间的差除以每日买入发起和卖出发起的零售交易量之和来计算的。作者通过减去基准小订单失衡度来进一步标准化这种零售订单失衡，基准订单失衡度是从盈利公布后 30 天开始到 59 天后的平均每日小订单失衡度。最后，作者对每个事件日所有股票的异常零售订单不平衡度进行平均。
国际样本
作者的国际样本包括 38 个国家。对于每个非美国国家，作者只包括在 Gao、Parsons 和 Shen (2018) 之后在主要国家证券交易所交易的普通股。作者将所有回报、价格和会计变量从当地货币转换为美元。作者进一步排除了一个国家每个季度市场权益或价格低于 5% 的微型市值公司。为避免出现极端值，如果跌出 0.1 和 99.9 百分位数，则回报设置为缺失。非美国国家的收益公布日期来自彭博社。为了避免资产太少的投资组合产生的潜在偏差，作者要求每个国家至少有 8 个季度和每个季度至少 30 只股票。
作者的国际样本始于 1999 年。为了衡量非美国股票的投机股特征，作者使用了三个类似于作者对美国股票的定义的代理指标：Maxret、Prc 和 Ivol。Maxret 是一个月内的最大日收益，Prc 是 1 加上月底股价的负对数，即 Prc = −log(1 + Price))。为了计算每个国家的 Ivol，作者首先遵循 Ang、Hodrick、Xing 和 Zhang (2009) 的做法，指定 Fama-French 三因子模型的本地版本，包括本地市场超额回报因子、本地规模因子和本地价值因子。市场因素是本地市场投资组合的市值加权回报减去一个月的美国国库券利率。国家特定规模是当地最小和最大公司之间的回报差，价值因子是当地价值型公司和成长型公司之间的差价。异质波动率 (Ivol) 被计算为标准异质波动率指标，即一个月内来自每日局部因子模型的残差的标准偏差，最低要求为 10 个非缺失值。在作者获得每只股票的 Maxret、Prc 和 Ivol 之后，作者构建一个复合 z -score作为这些单独 z -score的平均值。
汇总统计
图表2显示了汇总统计数据。作者的样本包括总共 643,729 份季度盈余公告。EXRET(−1, +1),EXRET(−5, -1)和EXRET(+1, +5) 分别是 (-1,+1), (-5, -1) 和 (+1,+5) 盈余公告窗口期的买入和持有超额收益，第 0 天是盈余公告日期。超额收益是股票收益与市值加权CRSP指数收益的差值。公司规模 (ME) 的计算方法是价格乘以流通股数，市净率 (MB) 是 ME 除以普通股的账面价值，两者均在上一财政季度末衡量。动量 (MOM(-12, -1)) 为过去一年的累计股票回报，跳过一个月。换手率的计算方法是每月交易量除以流通股数。为了解决纳斯达克股票交易量重复计算的问题，作者遵循 Anderson 和 Dyl (2005) 的做法，将 1997 年之前纳斯达克股票的交易量缩小了 50%，1997 年之后缩小了 38%，使其与纽约证券交易所的交易量大致相当。
事件日前后的回报
投资组合分类
在本节中，作者展示了作者的主要结果，即在盈余公告之前，投机性股票的超额回报明显高于非投机性股票，而在盈余公告之后则相反。
图表3的面板 A.1 报告了事件前时期的结果，面板 B.1 报告了事件后时期的结果。作者得到了一个惊人的发现：事件发生前，顶部五分之一的投资组合的表现明显优于底部五分之一，而事件发生后则出现相反的模式。在 (-5,-1) 事件前窗口期间，Maxret顶部五分位数投资组合中的公司获得的回报比底部五分位数投资组合高 34 个基点，t 统计量为 3.46。换句话说，异常现象在此期间完全反转。与此形成鲜明对比的是，在 (+1,+5) 事件后窗口期间，顶部 Maxret 五分之一投资组合中的公司获得的回报比底部五分之一投资组合低 76 个基点，t统计量为 -7.34。其他五个代理指标显示类似的规律。特别是在事前窗口期，Skewexp、Prc、Jackpotp、Ivol和Z-score的价差分别为0.41%、0.54%、0.57%、0.41%、0.52%，表明投机性股票在盈余公告之前显著优于非投机股。另一方面，在事后窗口期间，Skewexp、Prc、Jackpotp、Ivol 和 Z-score 的差价分别为 -0.70%、-0.57%、-0.65%、-0.77%、-0.80%，表明在财报公布后，投机性股票的表现明显低于非投机性股票。许多公司在收市后报告收益，因此对于这些公司来说，第 0 天不是有效的公告日，而是盈余公告前的交易日。因此，为了获得对事件后指标的清晰衡量，作者关注 (+1,+5) 事件后窗口。在稳健性检查部分，作者根据 Engelberg、McLean 和 Pontiff（2018）之后的最高相对交易量日使用盈余公告日期的替代定义，并表明作者的结果在数量上保持相似。此外，在未列出的测试中，如果作者使用 (0, +5) 作为作者的事件后窗口或 (-5, 0) 作为作者的事件前窗口，作者会发现类似的结果。
此外，为了确保作者发现的规律特定于盈余公告，而不是任何日期的普遍现象，作者使用基于“伪事件”日期的安慰剂测试来比较公告期与非公告期的回报。特别是，作者使用随机选择的非公告日期在面板A.1和面板B.1中重复作者的投资组合分析。按照 So 和Wang (2014) 的方法，从相对于实际公告日期的基准日期中选择伪公告日期，方法是减去从 10 天到40 天的均匀分布中随机选择的天数。作者从实际公布日期跳过10天，以避免出现伪公布日期的事后时期与实际公布日期的事前时期重叠的情况。面板 A.2 和面板B.2 报告了这些“伪公告”投资组合的结果。投机性股票通常获得与非投机性股票相似的回报。更重要的是，面板 A.3 和面板B.3 比较了“实际公告”和“伪公告”投资组合并报告了它们的差异。在统计和经济意义上，在事件发生前和事件后期间，所有差异在事件发生前后都显著，且符号正确。
图表4绘制了以盈利公告日期为中心的 (-5,+5) 11 个交易日内基于代理指标的顶部和底部五分之一投资组合之间累积买入并持有超额回报的差异。特别是，作者计算从第 -5 天开始累积的等权重平均买入并持有超额回报。作者绘制了顶部和底部五分之一投资组合之间平均回报的差异。对于所有六个代理指标，这些对冲投资组合的回报在事件发生前5天开始增加，然后在事件发生后立即下降，最大的跌幅发生在事件发生后的当天。此外，如果作者使用 (-10,+10) 21个交易日事件窗口，则类似的规律成立，如图2所示。总之，作者首先提供有关投机性股票的高估何时发生的信息，而大多数先前的研究都集中在投机性股票的后续反转上。
最后，作者对实际盈余公布日期的使用可能会引起一些担忧，因为好消息和坏消息公布的时间不同（Cohen、Dey、Lys 和Sunders（2007）、Barber、De George，Lehavy 和 Trueman (2013))。事实上，Cohen、Dey、Lys和 Sunders（2007）以及 Barber、DeGeorge、Lehavy 和Trueman（2013）中的机制可能会导致平均股票的盈余公告溢价向上偏差。正如 Cohen、Dey、Lys 和Sunders (2007) 所论证的那样，有好消息的公司更有可能提前宣布，而有坏消息的公司往往会延迟宣布。因此，当意外的盈余公告在预期日期之前发布时，实际公告日期的回报既反映了好消息，也反映了公告溢价。另一方面，有不利消息的公司更有可能晚宣布。然而，当公司未能在预期的公告日期公布时，一些投资者可能会预料到这一不利消息。因此，公告前的股价往往会部分反映不利消息。因此，在实际宣布日期将提前、准时和延迟的公告组合在一起可能会夸大公告期的溢价。
Fama-MacBeth回归
上一节中的投资组合方法简单直观，但它无法明确控制可能影响回报的其他变量。为了控制其他公司特征，作者进行了一系列 Fama 和 MacBeth（1973）横截面回归。
在下面的所有Fama-MacBeth 回归中，作者对一系列滞后的传统变量（例如公司规模、账面市值比、过去的回报和换手率）对事件窗口超额回报进行回归。自变量（收益除外）在其横截面的第 1 个和第 99 个百分位数处进行极值处理，并根据 White (1980) 的异方差一致性标准误计算 t 统计量。图表5 的面板 A 报告了 (-5,-1) 事件前窗口期间的回归结果。与作者的预测一致，对于所有六个代理指标都是正的和显著的。此外，面板 B 中报告的 (+1,+5) 事件后窗口期间的回归也显示了所有代理指标的显著且为负的预测能力。特别是，当综合z-score增加一个标准差时，事件前5天收益率趋于上升0.15%，事件后5天收益率下降幅度更大，为0.28%。总而言之，基于投资组合排序方法和 Fama-MacBeth 回归的证据与以下观点一致，即在盈余公告之前投资者被类似投机型的股票所吸引，这会产生正的收益差，与传统异常现象相反。
检查机制
在本节中，作者将提供有关投资者在盈余公告之前的投机性行为的进一步证据。特别是，作者将提出控制过去 12 个月股票回报和投资者注意力的各种代理指标的结果，以及小订单失衡和期权市场交易行为的结果。此外，作者还将基于 38 个国际市场进行稳健性检验。
关于注意力代理指标的证据
由于在盈利公告前后，投机性股票和过去的回报率最高的股票的回报规律相似，因此重要的是要表明作者的结果不是由回报率最高的股票驱动的。在图表6中，作者进行了两个测试来解决这个问题。首先，面板 A 执行双重分类，以控制先前收益的影响。具体来说，每个季度，有该季度业绩公告的公司首先根据其过去 12 个月的回报分为 10 个十分位数；在每个十分位数内根据公告日期前一个月的六个代理指标中的每一个将股票分为五组；最后，作者对过去 12 个月的回报率组进行折叠，并获得五个过去 12 个月的回报调整后的投机股投资组合。作者发现，在控制了过去的收益率后，盈余公告前投机股和非投机性股票之间的平均收益差（使用综合指数 z-score）仍然是 53.3 个基点，与作者最初的 52 个基点的无条件利差相似点。其次，在面板 B 中，作者在子样本中重复作者的单变量投机股投资组合测试，排除了过去 12 个月回报最高的前10%的公司，结果基本保持不变。业绩公布前投机股与非投机股的平均收益差仍为45.9个基点。此外，控制了过去的回报，事后结果也保持相似。尤其是，投机股与非投机股的平均收益率差（使用综合指数z-score）在业绩公布后仍为-62个基点，幅度略小于原先的-80个基点的无条件利差。
虽然上述结果表明作者的业绩并不完全是由回报率最高的股票或投机股与过去回报率高的股票的相关性驱动的，但作者仍然不能排除这样的可能性，即在财报公布前，投机股的优异表现是由于引人注目的特征投机性股票的特征与过去的回报率高的股票相同，如 Aboody、Lehavy 和 Trueman（2010）所提出的。更具体地说，Aboody、Lehavy 和 Trueman (2010) 认为，过去大幅上涨的股票往往会吸引投资者的注意力，从而在盈余公告之前为过去的回报率高的股票带来更高的回报。
因此，如果投机股只是简单地类似于急剧上涨的股票，它们也会比非投机股吸引更多的关注。投资者对投机股的高度关注可能会导致更大的购买压力，从而导致在业绩公布前投机股相对于非投机股的回报更高。因此，这种纯粹的注意力渠道可能会产生作者的回报规律，它与 Aboody、Lehavy 和 Trueman (2010) 中的渠道完全相同，他们使用小订单失衡作为投资者注意力的代理指标，并发现急剧上涨的股票升势往往会吸引投资者的注意力。因此，重要的是区分内在偏好渠道（即个人对投机股的内在偏好，尤其是在盈余公告之前）与纯粹的吸引注意力渠道（即投机股，就像过去的回报率高的股票一样，往往会吸引更多盈余公告前注意）。在作者进行正式测试之前，作者想指出，作者认为投资者的注意力必须对投机溢价起到一定的作用。毕竟，如果不关注股票，即使他们对这些股票有内在的渴望，也没有人会购买投机性股票。例如，Barber 和 Odean (2008) 认为“在注意力决定了选择集之后，偏好决定了选择。”
尽管注意力应该发挥一些作用，但作者下面的证据表明，作者的结果并不完全由纯粹的注意力吸引渠道驱动。为了验了验证这一说法，作者使用了投资者注意力的直接代理指标，而不是 Aboody、Lehavy 和 Trueman (2010) 中使用的小订单失衡。这是因为某只股票的零售订单不平衡可能是该股票引人注目的特征的结果，也可能是个人对该股票的内在偏好的影响，例如对投机股的渴望。因此，在下面的测试中，作者使用更直接的注意力指标并尝试区分这两个渠道。作者发现，对于在盈余公告前具有相似关注度的公司，投机股的回报率仍然往往高于非投机股。更重要的是，即使在控制了许多注意力代理指标后，作者发现投机性股票在收益公布之前仍然比非投机性股票获得更高的回报。
更具体地说，作者重复了作者的投资组合分析，并在图表7中报告了有媒体报道和没有媒体报道的公司子样本内的回报规律。即使在盈余公告之前没有媒体报道的公司中，使用综合指数 z-score，在公告前，投机股与非投机股之间的回报差距仍约为 49 个基点（t 统计量 = 2.40）。在有媒体报道的公司中，这种收益差甚至更高，达到 130 个基点。在有媒体报道的公司之间，这种更强的回报分布与 Barber 和 Odean (2008) 的论点是一致的，即“在注意力决定了选择集之后，偏好决定了选择”。业绩公布事件吸引了更多投资者的关注，并且由于对投机股的额外内在渴望，对投机股的需求增加应该大于对非投机股的需求，从而导致投机股的事前回报更高。最后，面板 B 显示，在有媒体报道的公司和没有媒体报道的公司中，公告后投机股折扣也很显著。
为了进一步证明作者的结果并非完全由纯粹的吸引注意力的渠道驱动，表8使用3个额外的注意力代理指标进行了双重排序，这些指标在以前的研究中已经使用过，包括最近标准化预期外盈余的大小或SUE (|SUE|)、公司总部的人口密度 (PD) 和公司总部的社会联系 (SCIH)，以及基于个体 z-score 平均值的综合注意力指标 (Attn)媒体分数，|SUE|，PD 和 SICH。每个季度，根据四个注意力代理指标中的每一个，然后根据六个代理指标中的每一个，将在该季度发布盈余公告的公司依次分为 25 个5×5的投资组合。为了节省空间，除了通过复合注意力指标和复合指标进行双重排序外，作者只报告了五个注意力调整后的投机股投资组合在五个注意力组中排序的结果。面板 A 报告了根据综合注意力分值和投机股 z-score进行双重排序的 25 个投资组合的超额回报、每个注意力五分位数内底部和顶部五分之一投资组合之间的差异，以及所有条件平均回报五个注意五分位数。结果表明，在每个注意力五分位数内，投机性股票在收益公布之前（之后）仍然比非投机性股票获得显著更高（更低）的回报。面板 B 报告了使用不同注意力代理指标时作者双重排序的注意力调整投资组合的回报。结果表明，在控制了这 4 个指标中的每一个之后，在财报公布前，投机股相对于非投机股的平均表现仍然显著。例如，在对这四个指标中的每一个进行控制后，表现分别为 54 bps、52 bps、53 bps 和 51 bps。事件前5天窗口的平均值为 53 个基点。也就是说，在事件前注意力水平相似的公司中，事件前投机效应与不控制注意力效应的类似（即 52 个基点）。
此外，在图表9中，作者将综合注意力得分添加到图表5的 Fama-MacBeth 回归中。结果表明，在控制了投资者注意力和其他变量后，代理指标的系数仍然为正（负）且显著所有六个代理指标的事件前（事件后）窗口。特别是，当综合z-score（注意力得分、动量）增加一个标准差时，事前5天收益率趋于增加0.13%（0.06%、0.28%），事后5天收益率趋于上升趋于下降 0.31%（0.04%、0.10%）。因此，虽然注意力代理指标在统计上比代理指标更显著，但代理指标在经济上比注意力代理指标更显著。另一方面，与动量变量相比，代理指标在预测事前（事后）回报方面具有更弱（更强）的能力。
综上所述，虽然投机股的吸睛特性可能在投机股价的事前上涨中发挥一定作用，但作者的证据表明，投资者对投机股的内在渴望也应发挥重要作用。
小订单失衡的证据
与其他行为偏好一样，投机性偏好在个人投资者中往往更为突出。此外，盈余公告事件往往会吸引散户投资者的注意力。因此，在盈利公布之前，对其注意力驱动的需求可能会增加。因此，作者预计在业绩公布前，散户投资者将发起更多交易，尤其是投机性股票。图表10的面板 A 比较了公告前投机性股票和非投机性股票之间小单不平衡的变化。如面板 A.1 所示，与非投机性股票相比，投机性股票的小订单失衡增加通常显著更大。然而，在一些投机性股票宣布公告后，这种规律被抑制甚至逆转，这种规律类似于 Aboody、Lehavy 和 Trueman（2010）中的前十分之一回报率高的股票。事实上，事件后窗口期间小订单失衡的增加并不显著。因此，业绩公布后投机股的回报逆转效应可能部分是由被抑制的异常零售订单失衡所驱动的。
由于Aboody、Lehavy 和 Trueman（2010）也发现过去的回报率高的股票在盈利公告之前的小订单不平衡程度增加，因此研究作者的结果是否来自投机性股票和过去回报之间的相关性的可能性很重要。在图表10的面板 B 中，作者通过进行有条件的双重排序或排除过去 12 个月回报率高的股票股票的前 10%，在小订单不平衡测试中直接控制过去 12 个月的回报。更具体地说，在面板 B.1 中，每个季度，首先根据过去 12 个月的回报将发布该季度盈余公告的公司分为 10 个十分位数；在每个十分位数内，然后根据公告日期前一个月的六个代理指标中的每一个将股票分为五组；最后，作者在过去 12 个月的回报组中进行折叠，并获得五个过去 12 个月的回报调整后的投资组合。结果表明，通过控制过去 12 个月的回报，小订单不平衡模式在有条件的双重排序练习中保持不变。最后，面板 B.2 显示，当作者排除过去 12 个月回报最高的10%的公司时，异常零售订单不平衡模式在数量上保持相似。综上所述，作者仍然发现，在控制过往收益后，在盈利公告之前，投机股的异常小订单失衡比非投机股增加得更多。
如前所述，投机股小单失衡的增加可能是由于投机股的引人注目的特征和投资者对投机股的内在渴望，尤其是在盈余公告之前。到目前为止，作者在业绩公布前测试投机股小订单失衡加剧的情况时，已将这两种渠道混合在一起。在图表10的面板 C 和 D 中，作者使用条件双重排序程序将这两个通道彼此隔离。特别是，每个季度，在该季度发布盈余公告的公司首先根据每个注意力代理指标分为 5 个五分位数；在每个五分位数内，然后根据公告日期前一个月的六个代理指标中的每一个将股票分为五组；最后为了节省空间，除了复合注意力代理指标和复合代理指标的双重排序外，作者只报告了五个注意力调整后的投资组合在五个注意力组中折叠的结果。结果表明，在控制了各种注意力代理指标后，投机股的小单失衡程度仍高于财报公布前的非投机股。也就是说，即使在投资者关注程度相似的公司中，投资者对投机性股票的渴望也比对非投机性股票更强烈。因此，作者的证据为作者的结果提供了对内在偏好渠道的进一步支持，尽管如前所述，注意力渠道仍然必须发挥一定的作用。
投机性股票的零售订单失衡情况更加明显，可能会导致这些股票的价格上涨。当买卖订单出现不平衡时，做市商可以通过充当交易对手来吸收订单不平衡的情况。然而，由于与信息事件相关的更大预期波动性，做市商可能会要求对产生的库存风险进行更大的补偿（参见，例如 Nagel (2012) 和 So and Wang (2014))。此外，由于不确定性更大，套利力量也应该在盈余公告之前更加有限。综上所述，这意味着在盈余公告之前投机性股票的价格上涨幅度更大，这与作者在图表4中的主要发现一致。
根据上述讨论，作者还研究了小订单失衡如何影响盈余公告前的回报。在图表10的面板 E 中，作者使用回归方法并包括 (-5,-1) RIMB 及其与代理指标的交互以及上一节中使用的 Fama-MacBeth 回归框架中的所有其他控制变量（即表3）。小单不平衡和代理指标之间的所有交互项似乎都是正的和显著的，表明在公告之前散户投资者兴趣的增加往往会放大公告之前的正的收益差。最后，在非表格测试中，作者使用了来自 Barber 和 Odean (2000, 2001,2002) 的详细个人交易数据的简短样本，并找到了一些初步证据，表明个人投资者更有可能在盈余公告之前购买投机性股票。
期权市场的证据
除了投资者在股票市场的交易行为的直接证据外，作者还考察了期权市场中是否存在赌博偏好，以及这种偏好是否会在盈余公布前加剧。OTM 看涨期权是赌博的自然候选者，因为它们便宜，且盈余高度倾斜。因此，如果投资者在财报公布前对投机股有更强的需求，他们将更有可能在事件发生前购买短期 OTM 看涨期权。作者在图表11中绘制了 (-5,+5) 事件窗口期间短期 OTM 看涨期权的调整后交易量的动态变化。正如预期的那样，交易量从事件前 5 天开始增加，事件发生时达到峰值日期，然后在事件发生后立即急剧下降。这种事前上涨的格局与股市中投机性股的散户订单失衡相呼应。作者还研究了 OTM 看涨期权在公告日期前后的隐含波动率模式。由于在业绩公布前对投机性资产的需求强劲，这些看涨期权的隐含波动率在业绩公布前飙升，然后在业绩公布后下降，如图表11所示。
最后，作者还研究了围绕盈余公告的 OTM 看涨期权的订单流动模式。平均而言，在盈余公布之前，平均 OTM 看涨期权的小订单不平衡会增加，这种规律也出现在投机股中。这种不平衡在公告发布后得到缓解甚至逆转，类似于股票市场的规律。人们可能预期期权市场的结果会较弱，因为相对于股票市场，该市场拥有更多的机构投资者。然而，Doran、Fordo 和 Jiang（2013）表明，与投机股非常相似的 OTM 期权拥有比机构投资者更多的个人投资者，因此作者在期权市场也看到了与股票市场类似的订单流动规律。
总之，投资者在股票市场和期权市场的交易行为结果进一步支持了作者关于投资者在盈余公告前对投机股的需求放大的假设。
来自国际市场的证据
在本小节中，作者检验国际数据以观察作者记录的结果是否是一种普遍的国际现象。作者使用总换手作为每个国家投机性偏好的代表。国家层面的总换手是作者拥有该国数据的所有年份的平均年换手。在图表13的面板 A 中，作者将国家按总流水分为 3 组，然后检验每组内的投资组合模式。事实上，结果显示，在流水较高/投机性偏好较强的国家中，在业绩公布前，投机股比非投机股的表现优于流水较低的国家。例如，在成交量最高的前三分位数国家中，投机性股票相对非投机股5天前窗口的表现要优于 61 个基点，而在成交量最低的三分位数国家中，投机性股票的表现优于非投机股仅为 4 个基点。
在面板B 中，作者进行了两组额外的 Fama-MacBeth 回归。在第一个测试中，作者将国家按总换手分为 3 组，然后在每组内，作者进行 Fama-MacBeth 回归，如图表5所示，并控制国家固定效应。特别是，作者在综合指数 z-score、logMB、logME、不同范围的过去回报、公司级别的流水和国家虚拟变量上，回归公司级别的事前或事后窗口回报。在第二个测试中，作者不是在每个总换手组内进行回归，而是在完整样本中回归，但将总换手及其与 z- score的交互项添加到回归中。总的来说，作者发现在这些 Fama-MacBeth 回归中，对投机有更强偏好的国家的溢价更高。例如，在控制了许多其他变量之后，作者仍然发现投机性变量在换手较高的国家组中更为显著。此外，代理指标和流水之间的交互项的系数在统计上也是显著的。
稳健型检验
在本节中，作者报告了几个额外的稳健性测试的结果。首先，作者进行基于机构所有权的子样本分析。与个人投资者相比，机构投资者应该较少受到投机偏好等行为偏差的影响。因此，作者进行双重排序投资组合分析。首先根据上一季度末的机构所有权（IO）将股票分为2组，然后在每组内，根据前一个月的六个代理指标，将股票进一步分为5个投资组合公告日期。如果公告日期在一个月的前 10 个交易日，作者将延迟一个月的代理指标。IO 定义为 Thomson Financial13F 数据库中报告的机构投资者持有的股份百分比。图表14报告了这些子样本中的投机股分布以及它们在事件前和事件后期间的差异。与作者的推测一致，在事件发生前期间，底部 50% IO 子样本中的收益差通常更大，并且顶部和底部 IO 组之间的差异对于六个代理指标中的四个是显著的。类似的规律也出现在事后时期，在低 IO 子样本中，投机性股票的表现不佳更为严重，所有六个代理指标的差异均显著。
作者的第二个稳健性测试检查了事件窗口期间投机性和非投机性股票的已实现回报偏度。平均而言，投机性股票的偏度往往高于非投机性股票。更重要的是，投资者可能会认为，与其他时期相比，在业绩公布期间，类投机和非投机性股票之间的偏度差异特别大。因此，在盈利公布之前，投资者更偏爱投机性股票。为了测试这一预测，作者计算了实际事件期间和伪事件期间顶部和底部五分之一投资组合之间的已实现偏度，并比较了差异中的差异。图表15的面板A报告了结果，正如预期的那样，投机性股票的 (-1,+1) 事件窗口回报平均比非投机性股票具有更高的偏度。此外，投机性股票在事件窗口期间的已实现偏度远高于其他时间，而非投机性股票的偏度在事件窗口和非事件窗口中相似。更重要的是，对于所有六个代理指标，事件期间的偏度差异比其他期间更高。此外，除了回报偏度之外，作者还检验了公告日期盈余惊喜的已实现偏度。图表15的面板B报告了结果，对于所有六种代理指标而言，投机性股票的收益惊喜的已实现偏度也远高于非投机性股票。
作者的第三个稳健性测试包括事件后窗口中的收益公布日期。由于许多公司在收市后报告收益，作者迄今为止的测试已将第 0 天排除在事件后窗口之外。在未制表的分析中，作者确认，如果作者选择 (-5, 0) 作为作者的事件前窗口，事件前的影响仍然相似，如果作者选择 (0,+5) 作为作者的事件后窗口，事件后的逆转效应也保持相似。此外，作者还遵循 Engelberg、McLean 和 Pontiff（2018 年）的做法，采用了盈余公告日期的替代定义。对于每家公司，作者首先从 Compustat 季度数据库中计算其每日交易量，按市场交易量在报告收益公布日期前一天、当日和后一天的市场交易量进行调整。这三天中相对交易量最高的一天作为业绩公布日。
作者的第四个稳健性检验调查了在具有事后好消息、事后中性消息和事后坏消息的公司子样本中围绕盈余公告的回报差。作者使用围绕盈余公告的标准化预期外盈余(SUE) 和累积异常收益 (CAR) 作为新闻衡量标准。以事后好消息或中性消息为条件，作者的结果仍然成立。也就是说，在盈余公布之前，投机性股票的回报率确实明显高于非投机性股票。然而，以事后的坏消息为条件，在盈利公布前，投机股的回报率并不明显高于非投机股。
早期的研究（例如，Givoly 和 Palmon（1982）、Chambers 和 Penman（1984）、Bagnoli、Kross 和 Watts（2002）以及 Johnson 和 So（2016））发现，有不利消息的公司往往是较晚宣布的，而有好消息的公司往往是较早宣布的。因此，以坏消息为条件，公司成为较晚宣布者的可能性更高，因此一些投资者会预期到坏消息。此外，以坏消息为条件，投机股往往比非投机股有更糟糕的消息。因此，如果这个消息被一些投资者所预期，那么在盈余公告之前的投机性溢价就会减少。另一方面，对于有事后好消息的公司，如果部分收益消息被泄露或被一些投资者预期，那么作者应该观察到，在有事后好消息的公司中，在盈余消息之前的投机性收益差应该更强。这种规律与作者的未统计的结果一致，即在较早和准时宣布的公司中，投机性股票确实在收益公布前获得了明显更高的回报，而在较晚宣布的公司中，公告宣布前的溢价不明显。
策略构建
鉴于作者之前对盈余公告前后投机性股票的不同回报规律的发现，在本节中，作者提出了一种改进的策略，并将其与标准策略进行了比较。
由于投机性股票的平均表现不如非投机性股票，因此标准策略通常持有买入非投机性股票并卖出类投机性股票的对冲投资组合。鉴于作者在前几节中的发现，在盈利公告之前，投机性股票实际上优于非投机性股票，因此作者提出了一种改进的策略，即在 (-10,-1) 事件前窗口期间买入投机性股票并卖出非投机性股票，然后恢复到标准策略。为确保该策略的可实施性，作者仅使用与实际公布日期同月的事件前日期。换句话说，作者不是像标准策略一样，在t − 1月末构建投资组合后，在整个 t 个月内做多非投机性股票和做空投机性股票；而是对于t月有盈余公告的股票，如果它位于最底部五分位投机股中，作者在 (-10,-1) 事件前窗口期间卖出，或者，如果它位于最顶部五分位组中，则买入该股票。此外，如果盈余公布日期在 t 月的前 10 个交易日，在这种情况下，(-10,-1) 事件前窗口的某些日期实际上在 t-1 月，作者跳过这些事件前t-1 月的日期，并且仅对 t-1 月末投资组合构建后 t 月的事件前日期采用这种反向策略。
图表16报告了标准策略（面板A）和作者的精细策略（面板B）下每月五分位数投资组合的市值加权超额收益和 Fama-French 四因子 alpha 以及它们的差异（面板C）。标准策略为六个代理指标中的四个实现了正且显著的 alpha，但作者的改进策略显著增加了这些回报差。以复合 Z-score 为例。通过将平均每月 Fama-French 四因子 alpha 从 1.09% 增加到 1.50%，作者改进的策略将多空投资组合的表现提高了约 38%，差值的 t 统计量等于 2.48。在未经统计的分析中，作者使用等权重投资组合策略而不是市值加权策略，作者发现这种改进在统计上更加显著。尽管如此，一个重要的警告是，因为与这种改进策略相关的交易成本更高，实际上的改进可能要小得多。
结论
在本文中，作者认为投资者对投机股的偏好是随时间变化的，并且在盈余公告发布之前尤其强烈，这可能是因为投机者的持有成本较低。同时，由于导致盈利消息的不确定性升高，抵消套利的力量更加有限。综上所述，作者预计在业绩公布前几天，投机性资产和非投机性资产之间应该存在正的收益率差。事实上，作者证明投机性资产和非投机资产之间的收益差在盈余公告前后具有相反的规律。大多数先前的研究表明，投机性股票可能被高估，并关注投机性股票随后的价格反转。因此，作者对盈余公告的关注确定了投机性股票出现高估的时期，而不是大多数先前研究所研究的随后的修正。
作者的实证结果在六个不同代理指标中是稳健的，这些代理指标是在投机股相关异常现象的文献中所研究过的。此外，投机股中收益差的倒 V 形模式在小订单失衡较大的公司、机构所有权较低的公司和投机性倾向较强的地区更为明显，而且在控制了过去12个月的回报和各种注意力的代理指标后也是稳健的。此外，作者还表明，基于其他异常特征的累积回报差，如账面市值比、过去回报、盈利能力以及投资与资产的比在盈余公告前后都会增加。因此，倒 V 形累积收益差是投机股相关特征所独有的。这种累积收益差形状的鲜明对比突出了在作者的投机股相关特征的盈余公告之前投机的独特作用。
文献来源
核心内容摘选自Bibo Liu、Huijun Wang、JianfengYu、Shen Zhao在Journal of Financial Economics上的论文Time-Varying Demand for Lottery: SpeculationAhead of Earnings Announcements。
风险提示
本文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。