金融学三大顶级期刊中少有研究中国市场的文章，直接研究A股定价的则更少。本文是Journal of Finance最新录用的预测A股股价的文章，利用A股独有特征构建的预测指标能取得显著收益。
本文作者包括陈鑫、安砾、王正位和余剑峰。余剑峰、安砾和王正位三位教授均任职于清华大学五道口金融学院，在金融三大刊有多篇发表，多次荣获国内外大奖，其中余剑峰教授为五道口金融学院金融学讲席教授。
文章主要内容：投资者行为的两个常见特征是过度自信和有限关注。之前研究这两种行为偏见的资产定价论文通常一次只关注一个特征，而不考虑它们之间的潜在交互。本文中利用一个新颖的研究设计来检验过度自信与有限关注之间交互作用对均衡价格和成交量的因果影响。
本文为每只股票构建LOCAL变量，计算为过去两周内与该股票代码最接近的10只股票的市值加权平均收益。本文还为每只股票计算RLOCAL变量，将LOCAL变量对该股票过去两周自身收益进行横截面回归再取残差作为RLOCAL变量。
本文根据滞后一期的RLOCAL变量形成五分位投资组合，发现投资组合收益随着RLOCAL的增加而增加。此外，通过买入RLOCAL最高五分位股票和卖空RLOCAL最低五分位股票所构建的等权和市值加权多空组合的持有一周的年化收益分别为8.020%（t统计量=5.45）和8.511%（t统计量=2.67）。等权组合持有5周的年化CH4模型alpha是19.4%，加权组合持有9周的年化CH4模型alpha是41.5%。本文证明了过度自信与有限关注之间交互作用对均衡价格和成交量的影响机制，并且证明了过度自信和有限关注单独发挥作用时都不能产生这种机制。
投资者行为的两个常见特征是过度自信和有限关注，资产定价理论已广泛利用这两个特征来解释市场现象（参见Daniel和Hirshleifer（2015），Barber，Lin和Odean（2019）以及Gabaix（2019）对相关文献的评论）。之前研究这两种行为偏见的资产定价论文通常一次只关注一个特征，而不考虑它们之间的潜在交互。这可能是不易进行因果关系识别。实际上，即使单独考虑过度自信和有限关注，也很难进行因果识别：这是因为增加投资者过度自信的变量（例如：过去的投资收益率）或反映投资者关注的变量（例如：新闻头条、极端过去收益、交易量）通常也与基本面信息相关。检验潜在的交互作用面临另外一层挑战是：它们可能被简单的加法效应或行为特征之间的相关性所混淆。在本文中，我们利用一个新颖的研究设计来检验过度自信与有限关注之间交互作用对均衡价格和成交量的因果影响，并且证明了其发挥作用的机制，而过度自信和有限关注单独发挥作用时都不能产生这种机制。
经典的投资者过度自信模型通常认为，经历过高收益的投资者倾向于将这一结果归因于自己的能力，从而变得过度自信（Daniel，Hirshleifer和Subrahmanyam，1998；Gervais和Odean，2001）。这种观察得到了实证数据的证实，即投入资金的人在经历了积极的投资体验后倾向于更加密集地进行交易，即使积极体验完全是因为偶然地中了的IPO（Ben-David，Birru和Prokopenya，2018年; Anagol，Balasubramaniam和Ramadorai，2020年; Gao，Shi和Zhao，2019年）。由于个人投资商很少做空股票，所以由积极的投资体验引发的过度交易可能对买入决策产生更大的影响而非卖出决策。也就是说，存在一个正反馈渠道，即投入资金的人在积极的投资体验之后倾向于增加他们的持仓（Pearson，Yang和Zhang，2020年）。
此外，交易需要投资者的关注，这是一种稀缺资源，特别是在从数千个股票选择中决定买入哪只股票时（Barber和Odean，2008）。另一方面，由于个人投资商通常只持有少数几只股票，因此在决定卖出时关注并没有受到太大限制，这导致了买卖之间的不对称性。总体而言，将关注效应与正反馈效应结合起来，会形成以下猜想：在积极的投资体验之后，能够吸引投资者关注的股票往往会遭遇更大的买压；考虑到卖空约束，买压将导致这些股票在短期内收益上升，并在长期内回归。
为了实证检验上述定价效应，主要挑战是确定哪些股票能吸引投资者关注且最近刚刚拥有良好的投资体验。在本研究中，我们利用一种屏幕显示的特性，即股票显示顺序是由股票上市代码决定的，以研究投资者关注对资产定价的影响。由于这种显示特性，投资者倾向于更关注与他们目前持仓的股票的上市代码相邻的股票；也就是说，存在关注溢出效应。因此，过去两周邻近股票收益较高的股票会面临来自邻近股票持有者的更大买压，并且在接下来的一周内应该会出现更高的收益和换手率。因此，我们得出以下关键假设：股票的短期未来收益和换手率应与其邻近股票的过去收益呈正相关。
为了证明我们提出的假设，我们第一步研究价格影响的微观基础，即投资者是否表现出我们所假设的正反馈交易和关注溢出。我们得知，投入资金的人在积极的投资体验之后进行买入的可能性大于消极投资体验，这表明投资者会进行正反馈交易。此外，股票被新新进买入的概率随着其与当前持有股票之间的距离而减小，这与关注溢出的概念相符。
我们通过一定的调查并利用设计的干净的研究环境，还给出了有助于确定投资者交易行为背后机制的证据，从而有助于更加有效地构建股票层面信号。具体来说，我们通过直接调查投资者并将调查的最终结果和投入资金的人观察到的交易数据相结合，遵循Liu，Peng，Xiong和Xiong（2022）提出的实证框架，来检验正反馈交易的驱动因素。我们得知自我归因在解释正反馈交易方面具有最大的作用，无论是在经济意义还是统计显着性方面。这表明Gervais和Odean（2001）提出的“学会过度自信”机制确实是正反馈交易的主要驱动因素。
在另一个检验中，我们衡量了我们提出的机制在实证中的重要性。理论上，假如没有正反馈交易，其他吸引投资者关注的事件，如股票在市场上买卖的金额触及涨停，也可能与关注溢出效应相互作用，因此导致类似的资产定价影响。我们将我们提出的机制与这种替代机制作对比。我们得知，与股票在市场上买卖的金额触及涨停价的显著事件相比，持有刚刚经历过类似规模的极端正向收益的股票的影响在解释投资者交易行为方面至少要强一个数量级。这些发现进一步强调了投资者过度自信和有限关注之间交互作用在驱动我们所提出的定价效应。
接下来，我们继续研究这些交易模式的定价影响。我们为每只股票构建LOCAL变量，计算为过去两周内与所关心股票代码最接近的10只股票的市值加权平均收益。我们还为每只股票计算RLOCAL变量，将LOCAL变量对该股票过去两周自身收益进行横截面回归再取残差作为RLOCAL变量。这种构建在某些特定的程度上解决了“反射问题”（即，所关心股票的极端收益吸引了对其相邻股票的关注，然后反映在LOCAL变量中），并在检验收益可预测性时缓解了短期收益自相关的隐忧。
然后我们根据滞后一期的RLOCAL变量形成五分位投资组合，发现投资组合收益随着RLOCAL的增加而增加。此外，通过买入RLOCAL最高的五分位和卖空RLOCAL最低的五分位所构建的等权和市值加权多空组合的年化收益分别为8.020%（t统计量=5.45）和8.511%（t统计量=2.67）。在控制企业成立年限、行业效应、DGTW特征调整（Daniel，Grinblatt，Titman和Wermers，1997）、中国市场四因子（Liu，Stambaugh和Yuan，2019）以及Fama和French（2015）五因子后，这些结果依然显著。在双变量排序和Fama-MacBeth（1973）回归中，控制了一系列可能会影响收益率的变量后，我们的结果仍然成立。我们控制的变量包括：上市年龄、市值、贝塔、市净率、动量、长期收益、Amihud非流动性、换手率、特质波动率、最大日收益和偏度。
为了进一步检查我们得知背后的潜在机制，我们分别评估关注溢出机制和正反馈机制的重要性。咱们进行了几个安慰剂检验。具体地说，为了评估关注溢出机制的作用，我们构建了一个LOCAL变量的安慰剂变量，将相邻股票的过去收益替换为距离较远的股票的收益，发现这个安慰剂变量则不再具有非常明显的预测能力。这表明，正反馈投资的人对他们较难关注到的股票无法产生资产定价效应。为了评估正反馈机制的作用，我们为LOCAL构建了两个安慰剂变量，分别用相邻股票的换手率和收益波动率替换相邻股票的收益。这两个变量可能捕捉到新闻的到来和价格大大波动，从而捕捉到投资者的关注，但它们不一定与积极的投资体验有关。我们得知，在控制LOCAL之后，这些安慰剂变量无法预测股票收益。这些根据结果得出，正反馈交易和关注溢出的交互（而非简单相加）驱动了我们关于收益可预测性的发现。
此外，由于股票代码相近的股票更有可能一起交易，它们的收益和换手率的相关性会更高。我们得知，股票之间的相关性随着它们股票代码之间的“距离”增加而减小。此外，作为一个安慰剂检验，我们得知基本面相关性并没有呈现这种模式。为了逐步加强我们关于投资者关注的因果识别检验，我们利用了一个准自然实验。在该自然实验中，股票的显示顺序被是“外生”地改变了。我们得知，在2004年5月引入中小板后，这些股票之间距离被“外生”地增加了，而他们之间的相关性也有所降低。
我们的证据说明，LOCAL变量的预测能力可能源于关注溢出与正反馈交易之间的交互。由于这些价格压力应该是暂时的，我们还研究了基于RLOCAL排序的投资组合的长期收益。事实上，RLOCAL多空组合的累积收益在短期内是正的，但跟着时间的推移，它会回撤并在大约18周内消失，这与暂时价格压力的说法一致。此外，与其他由行为偏差引发的股价异象一样，RLOCAL多空组合的收益在具有较高套利成本（由市值、非流动性和分析是覆盖来衡量）的股票中较高。
我们的研究与现有文献在三个关键方面不一样。首先，我们研究了有限关注与过度自信之间的交互对资产定价的影响，而大多数先前的文献分别研究了过度自信与有限关注各自对资产价格的影响。但我们的研究表明，单独的关注溢出或正反馈交易并不足以形成我们提出的收益可预测性模式，我们的研究更强调过度自信与有限关注这两种行为偏差的交互的重要性。
其次，我们研究的交互效应指出了一种经济机制，而这种机制不同于单独的有限关注通常产生的价格影响。大量文献已经证实，有限关注可以产生资产收益的可预测性，例如PEAD效应等（例如，Cohen和Frazzini，2008），主要经济机制是反应不足。特别是，有限关注可能会引起投资的人对供应链公司、区位相同公司、共享技术或分析师共同覆盖公司的信息反应不足。因此，具有经济关联公司的滞后收益可以正向预测目标股票的收益。我们的关注溢出效应与这些有限关注研究之间的一个关键区别是：虽然这些研究中的收益模式通常源于投资的人对信息的反应不足，但我们的论文中的关注溢出效应则表明了投资者的持续反应过度，特别是与正反馈交易结合时。
最后，我们的研究提供了一个关于投资者关注度方面做因果识别的案例。将关注的资产定价效应与基本面新闻的资产定价效应区分开来是具有挑战性的，因为投资者在有更多基本面新闻时倾向于更关注相应的股票。例如，吸引投资者更多进行谷歌搜索的股票可能刚刚发布了一些新闻。而我们的独特研究设计提供了一个更清晰的、可信的因果识别方法，因为在我们的研究中上市代码的顺序是被外生事件所改变的。
在本文中，我们利用中国常见交易软件的一个屏幕显示方面的特征，研究了有限关注的溢出效应。这个是特征是：当投资者浏览或搜索关于某个特定股票的信息时，那些具有相邻股票代码的股票很可能也会被显示出来。因此，我们大家都认为这些相邻股票很可能会受到来自所关心股票的关注溢出。
在我们的因果识别方法中，我们依赖于股票代码的准随机分配。在这里，我们进一步说明有关股票代码怎么样确定的更多细节。
每个上市公司的股票代码都在首次公开发行时分配，共有六位数。前三位数代表上市板块——000表示深圳主板；002表示中小板；300表示创业板；600表示上海主板。四个板块对于接下来的三位数有不同的分配规则：上海和深圳主板没有明确说明如何分配股票代码，而中小板和创业板则根据上市日期分配代码。
此外，我们也在实证上研究了股票代码与一系列股票特征之间的关系，包括上市日期、公司规模、行业和总部所在地。如图2（a）所示，中小板和创业板的公司股票代码几乎完全由其上市时间决定。相反，在上海主板中，公司依据上市日期分被为三个代码区块，但在每个区块内没明确的关系。除了与上市日期的关系之外，股票代码与其他股票特征之间无显著的规律，如图2（b）-2（d）所示。
关于股票代码，一个潜在的问题是，公司可能会对上市日期上来挑选，这可能使具有相邻股票代码的股票在一些不可观察方面具有某种相似性，由此产生遗漏变量问题的问题。但是，由于中国的IPO审批制度，这样的一种情况不太有几率发生。在中国进行IPO的公司一定要经过一个漫长的行政审批的过程，常常要数年时间才能完成。因此，公司通常在满足规定的要求后立即提出申请。对我们的研究目的而言，在这样的一个过程中，相邻的公司代码很可能是随机确定的。
更重要的是，公司间共享的可能预测股票在市场上买卖的金额的基本面因素的作用机制，不同于我们提出的经济机制。具体来说，由于共享因面素导致的收益可预测性通常是因为投资的人对经济关联公司的反应不足（例如，Cohen和Frazzini，2008年）。这种反应不足机制意味着对相关基本面信息的滞后价格反应，而且在未来不应该逆转。相反，我们提出的关注溢出效应是基于持续的过度反应；而且，这种价格影响应该是暂时的，并在长期内逆转。
在本节中，个人会使用券商账户数据，研究投资者的正反馈交易和关注溢出效应。这为我们在后面章节中研究的价格规律提供了微观基础。
我们的主要数据来自中国的一家券商，包含2009年1月至2012年9月约401,014名投资者的交易和持仓记录。这个数据集的结构与美国的Odean数据集（Odean，1998）类似，也与之前研究中使用的几个中国券商账户数据集相似（例如，Feng和Seasholes，2004，2005；An，Engelberg，Henriksson，Wang，和Williams，2020）。
我们首先检验投资者要不要进行正反馈交易。我们计算一个交易日内预期的买入数量，条件是在当天持有盈利（亏损）持仓。若投资的人持有多于一支股票，则我们将每支股票分别处理。类似于Odean（1998）构建的指标，我们定义预期的买入数量为：
图3（a）显示了持有盈利持仓与亏损持仓条件下的预期买入数量。投入资金的人在盈利持仓的交易日平均每天买入0.119支股票，而在亏损持仓的交易日仅买入0.084支股票。0.036的差异在统计上非常显著（t统计量= 32.57），占无条件买入数量（0.095）的38%。这种模式与之前的结果一致，即投入资金的人在积极的投资体验后倾向于增加持仓（例如，Ben-David，Birru和Prokopenya，2018）。这也符合正反馈可能会引起过度自信和过度交易的观点（例如，Gervais和Odean，2001）。
在这里，分子和分母都是以投资者-日-当前持有股票的维度计算的。距离的乘数为5，表示两个股票的在显示屏中排名之差（绝对值）在[5(x-1) + 1, 5x]之间。例如，对于一个特定的股票，x=1表示两侧最近的五个股票，x=2表示两侧的第6至第10只股票，依此类推。
图3（b）显示了新进买入股票的概率，这个概率是被买入股票与当前持有股票距离的函数。我们正真看到了一个明显的单调递减关系。在当前持仓是盈利且投资者又买入股票的情况下，投资者买入距离他或她当前持有的股票最近的10只股票（x=1）是0.933%，但是买入距离当前持有股票50名（x=10）开外股票的概率降至0.653%。两者之间的差异达到0.28%，具有极高的统计显著性（t统计量=53.86）。而如果当前持有的股票处于亏损状态时，两者概率几乎相同。这些发现表明，投资者确实更有可能买入显示靠近他们当前持仓的股票，这可能是由关注溢出驱动的。
最后，图3（c）展示了前两个指标的乘积，它捕捉了正反馈交易和关注溢出的整体效应，定义如下：
以上两个公式捕捉了假设当前的持仓处于盈利或亏损状态，投入资金的人在特定距离上买入股票的预期数量。图3（d）进一步展示了在盈利与亏损的情况下买入股票数量的差异。我们得知这个差异显著大于零，并且随着距离增加呈下降趋势。
我们还研究了不同投资者群体中这些交易模式的异质性。与大多数行为偏差一样，我们得知，更不成熟的投资者（以持仓量小和分散化程度低来加以表示）表现出更强的正反馈交易和更强的关注溢出倾向。
虽然经典模型通常将正反馈交易归因于投资者的自我归因偏见和“习得性过度自信”（Daniel, Hirshleifer和Subrahmanyam，1998；Gervais和Odean，2001），但这种交易模式也可能源于其他机制。例如，财富效应可以催生正反馈交易：过去的正收益减少了投资者的借款限制，使他们能够买入更多的股票以达到目标杠杆水平。另一个可能的机制是信念外推——观察到过去正收益的投资者会变得更乐观，从而增加未来的持仓。厘清正反馈交易的驱动因素有助于更好设计股票层面的交易信号。
我们采用Liu, Peng, Xiong和Xiong（2022）提出的办法来进行了一项调查，以获取投资者的行为偏见，并将其和投入资金的人观察到的交易数据相结合。具体来说，我们与中国的一家证券公司合作，在2021年10月进行了调查。我们向在那一段时间内使用证券公司交易APP的所有投资者进行了调查，并收集了1,736个初步样本。然后，我们收集了这些投资者从2000年1月到2021年12月的交易数据。在删除在此期间没有交易记录的投资者之后，我们的最终数据集包含1,229名投资者。请注意，本小节中使用的数据集与本文中使用的主要交易数据不同，但它包含类似的数据结构。
我们的调查包括12个问题，旨在测量以下行为偏见，包括夸大业绩、上行和下行自我归因、上行和下行信念外推、过度自信（以感知的信息优势和对他人信息的漠视为特征）、赌博偏好（偏爱“一鸣惊人型”和“彩票型”资产）、盈利者和亏损者的已实现效用以及本地偏见。原文附录A部分包含了问题的完整列表以及调查的其他细节。我们为每一个偏见创建一个虚拟变量，若投资的人回答“非常同意”或“同意”，虚拟变量等于1，否则为零；对于业绩定位，若投资的人对自己在所有投资者中的业绩排名评估高于实际排名，虚拟变量等于1。然后，我们借助如下模型进行投资者-日维度面板回归，以检验投资者的正反馈交易是否以及如何与其行为偏见相关：
然后，我们借助如下模型进行投资者-日维度面板回归，以检验投资者的正反馈交易是否以及如何与其行为偏见相关：
因变量是一个虚拟变量，表示投资者是否在第二天进行净买入。自变量包括一个表示投资者目前的投资组合是盈利还是亏损的虚拟变量，一个表示上述行为偏见的虚拟变量，以及这两者之间的交互项。我们在所有回归中控制了日期固定效应。
图4的Panel A展示了逐一加入行为偏见的回归结果；在Panel B中，我们在同一回归中包含了所有的偏见，以便在赛马检验（horse race）中比较它们的解释力。首先，在基准回归中（Panel A），唯一的自变量是1i,t win，系数是正的且显著，表明这个样本中存在正反馈交易倾向。我们关心的系数是交互项的系数，表明行为偏见较强的投资者是否展示出较强的正反馈交易。
从Panel B中的估计结果，能够正常的看到，无论是在上行自我归因还是下行自我归因都对正反馈交易具有最强的解释力。上行（下行）自我归因的系数为2.198%（4.281%），t统计量为2.83（5.74），超过Panel A中基准回归的基准效应（1.627%）。这表明Gervais和Odean（2001）提出的“习得性过度自信”的机制确实是正反馈交易的主要驱动因素。
此外，上行外推和感知的信息优势也与这种交易模式有正相关关系，都具有边际统计显著性。但是，下行外推的交互系数为负，且具有边际显著性。尽管自我归因和信念外推都预测过去收益与未来预期之间有正相关关系，但这两者之间的关键概念差异在于投资者是否拥有资产并亲自经历过去的收益。我们的赛马检验根据结果得出，是否拥有资产可能在驱动正反馈交易方面发挥着重要作用。
在本小节中，我们利用了一个研究关注溢出的独特设定，探究我们所提出机制的重要性，即正反馈交易与关注溢出之间的相互作用。理论上，在没有正反馈交易的情况下，其他吸引关注的事件也可能与关注溢出效应相互作用，导致类似的资产定价表现。例如，达到涨跌停板是一个显著事件，投资者的关注可能被吸引到相应股票，并溢出到附近的股票。现在我们将我们提出的机制与这种替代机制作比较，以解释投资者行为。
我们主要用到的账户数据，并按照以下方式构建样本。在每一交易日，我们拿到达到涨停板（跌停板）股票的完整列表。为了作比较，我们还在列表中引入了当天几乎达到涨停板或者跌停板的同样数量的股票，即那些具有极高（低）收益但未达到涨跌停板的股票。尽管两种类型的股票都为当前的所有者提供了良好（不良）的收益，但它们之间的关键不同之处在于，由于新闻媒体报道的不同，实际达到涨跌停板的股票受到新投资者的更多的关注。然后，我们将上述每日股票列表、5万名随机选择的投资者（为了计算方便）的笛卡尔乘积构造为股票-日-投资者维度的样本，这些投资者可能持有或不持有这些股票。
，表示所关心的股票在当天结束时是否触及涨跌停板。然后，我们分析持有或观察到经历极端收益的股票对投入资产的人未来买入决策的影响。具体而言，咱们进行了以下形式的一系列面板回归：
图5的Panel A展示了分析股票经历极端正向收益（触及或几乎触及涨停板）事件的结果，Panel B展示了股票经历极端负向收益（触及或几乎触及跌停板）事件的结果。在Panel A中，我们看到
的系数呈正显著，且随着所关心的股票与可能新进买入的股票之间的距离增加而减小。例如，当距离在0到5之间时，投资者持有刚经历极端正向收益的股票时，买入的可能性增加0.032%（t统计量= 5.67），而当距离增加到20到25之间时，这一概率降低到0.004%（t统计量= 0.78）。相比之下，
的系数与零的差异基本上可忽略不计。当距离在0到5之间时，由于股票触及涨停板（可能吸引新投资者的关注），增加的买入概率仅为0.003%（t统计量= 1.68），为持有效应的十分之一。与 之间的交互项在大多数情况下是不显著的。在Panel B中，我们分析经历极端负收益的股票， 和 的系数对于几乎所有距离而言，与零的差异基本上可忽略不计。作为一个很好的安慰剂检验，该检验展示了过去正向和负向表现之间的不对称性。这些根据结果得出，尽管理论上正反馈交易和吸引关注的事件都可以与关注溢出相互作用，并导致买入相邻股票，但前者在实证上的强度比后者要大一个数量级。这还与上一小节的发现相呼应，即自我归因比信念外推在更能驱动正反馈交易。总的来说，这些证据说明，当投资者持有股票时，亲身经历的收益在影响投资者交易行为方面具有更大的经济意义。
我们的样本涵盖了2002年1月至2019年12月在上海和深圳证券交易所上市的所有中国A股。为避免市值低和流动性差股票的影响，我们排除了价格低于2块钱的股票，过去4周（52周）内交易天数少于10天（120天）的股票，上市时间少于两年的股票，以及ST股票。
对于每只股票，在每周末，我们构建变量LOCAL来衡量其相邻股票的表现。具体而言，LOCAL等于过去两周内与所关心股票代码最接近的10只股票（上5只和下5只）的市值加权平均收益。两周的时间跨度是为了匹配我们交易数据中的投资者持有期中位数。相邻股票来自A股的完整样本，即没有按照价格和股票流动性筛选后的样本。此外，我们构建了RLOCAL变量，即LOCAL对该股票过去两周自身收益进行横截面回归的残差。这种构建方式部分解决了反射问题（即所关心股票的极端收益可能被捕捉到LOCAL变量），并排除了短期收益自相关的影响。
为了揭示关注溢出效应，我们控制了两组已知的、可能会影响未来收益和换手率的变量。
在大多数关于收益可预测性的检验中，我们考虑了以下控制变量。市场贝塔（Beta）是使用过去36个月的月度收益估算的。
是过去两周内股票的自身收益，是过去12至2个月的累计收益，衡量过去三到一年的累计收益。这些变量分别旨在控制短期反转效应（Jegadeesh，1990）、动量效应（Jegadeesh和Titman，1993）和长期反转效应（De Bondt和Thaler，1985）。公司规模（LogME）是在周末时计算的公司总市值对数。账面市值比（LogBM）是按照Fama和French（1992）的方法计算的账面价值与市值比率的对数。Amihud非流动性度量（ILLIQ）是过去四周内绝对收益与百元交易量比率的日均值（Amihud，2002）。特质性波动率（IVOL）是过去四周内基于Fama-French三因子模型计算的日收益残差波动率（Ang、Hodrick、Xing和Zhang，2006）。仿照Bali，Cakici和Whitelaw（2011），我们将股票的最大收益（Max）定义为过去四周内三个最大日收益的平均值。偏度（Skew）是过去52周内日收益的偏度。最后，股票的换手率（Turnover）是过去四周内每日换手率的平均值。
在关于换手率的检验中，我们仿照Chordia，Huh和Subrahmanyam（2007）的方法，考虑以下一组变量。正收益（
）是过去两周的股票收益（如果为负），否则为零。财务杠杆（Leverage）是负债账面价值与总资产之比。公司年龄（LogAge）是自IPO以来月份数的对数。股票在市场上买卖的金额水平（LogPrice）是周末时收盘价的对数。盈余惊喜（ESURP）是当前盈余与四个季度前盈余之差与周末市值之比。盈余波动率（EVOL）是最近八个季度盈余的方差。分析师覆盖（ALANA）是过去12个月内发布至少一份财务预测的证券公司数量加一的对数。预测分散（Dispersion）是不同证券公司发布的每股盈利（EPS）预测的方差。
图6报告了描述性统计结果。我们按照RLOCAL对股票特征进行平均加权计算。除了两个LOCAL变量外，其他特征在不同五分位数间基本均匀分布。我们还报告了LOCAL（RLOCAL）与我们的控制变量之间的相关性。我们得知，RLOCAL和LOCAL与其他任何股票特征之间的相关性都很低（LOCAL和
之间的最高相关性为0.06）。这些事实表明，我们设计的LOCAL变量确实与其他股票特征关联不大，这是利用上市代码的准随机分配实现的。
本节探讨了LOCAL变量在解释未来收益和换手率方面的能力。我们第一步在排序后的投资组合中观察收益率和换手率，然后采用Fama-MacBeth（1973）回归来更好地控制潜在的干扰因素。我们接着给出了几个安慰剂检验的证据，这些检验旨在探究产生价格影响的两个重要的条件——关注溢出和过度自信——的作用。此外，我们利用了一个准自然实验，以实现更为准确的因果识别。
在图7中，我们报告了基于RLOCAL的单变量排序投资组合收益结果。具体而言，我们在每周末根据RLOCAL将股票分为五个组合，然后跟踪这五个组合以及多空组合（P5-P1）在下一周的收益，多空组合做多RLOCAL最高的股票，做空RLOCAL最低的股票。我们还报告了使用不相同基准进行风险调整后的收益，包括年龄调整后的收益、行业调整后的收益、DGTW特征调整后的收益、中国市场四因子模型的alpha值（Liu，Stambaugh和Yuan，2019）以及Fama-French五因子模型的alpha值（Fama和French，2015）。我们报告了等权和市值加权收益，以及采用封顶市值加权方案的组合收益。最后的加权方案遵循了Jensen，Kelly和Pedersen（2021）的做法，在所有股票中对市值在80th百分位以下的公司做缩尾处理，目的是未解决少数巨头公司可能主导市值加权结果的问题。所有收益均以百分比形式年化，并利用滞后12阶的Newey-West（1987）检验对标准误差做调整以计算t统计量。
在所有的加权方案中，我们得知RLOCAL与未来收益之间有明显的单调关系。对于所有加权方案，P5与P1之差约为年化8%，t统计量在2.67到5.45之间。在调整各种风险基准后，多空收益仍然又明显的经济意义且在统计上显著。在调整行业和DGTW特征后，调整后的多空收益约为年化3%-6%，使用中国四因子模型、Fama-French五因子模型和年龄基准后，多空收益仍然高于6%。在加权方案之间作比较，不难发现多空收益在幅度上相似，但当收益采用市值加权时，t统计量通常较小。在将市值权重在80th百分位上封顶加权后，收益差异的t统计量与等权加权方案下的t 统计量相当。
根据中国市场四因子模型（Liu，Stambaugh和Yuan，2019）的alpha值，我们得知策略的超额收益来自于多头组合（P5）的优越表现。对于所有加权方案，多头组合的CH4模型alpha值均为正且显著，t 统计量在4.89到8.08之间，而空头组合的CH4模型alpha值不显著，t 统计量小于1.32。这一根据结果得出，买盘压力推高了高RLOCAL股票的价格。
为排除潜在的影响因素，咱们进行了一系列特征调整的组合排序，控制了市值、beta值、市净率、过去12至2个月的收益、过去36至13个月的收益、非流动性、换手率、特质性波动率、最大收益、偏度以及股票上市交易所板块。具体而言，以市值为例，我们第一步根据公司市值将所有股票分为五个五分位数；在每个五分位数内，我们再根据RLOCAL将股票分为五组；最后，我们将处在不同市值组合中相应RLOCAL组合中的股票整合在一起。这样，我们得到了五个市值调整后的RLOCAL组合，每个组合包含了具有相似市值水平的股票。
图8报告了每个特征调整的多空组合收益（P5-P1）的等权和市值加权收益，以及使用不同基准调整风险后的收益。多空收益的幅度和统计显著性略有减小，但大多数与单向排序结果相当。这表明我们所记录的RLOCAL的收益可预测性不太可能被已知的收益预测因子所解释。
为了同时控制各种混淆因素，我们进行了 Fama-MacBeth（1973）回归，将下一周的收益与 LOCAL变量以及上一小节中的相同一组股票特征进行回归。我们还包括了一组关于公司年龄和公司行业的虚拟变量，以控制这些变量与未来收益之间的任何潜在非线性关系。
图9的结果显示，LOCAL正向且显著地预测了未来一周的收益。0.611% 的系数表明，相邻股票在过去两周的收益增加一个百分点，将导致所关心股票未来一周收益增加 0.006%，折合年化为 0.32%。在控制了全部控制变量后，LOCAL的系数降至 0.38%，t 统计值为 2.23。控制变量的系数估计与以前的研究基本一致。唯一的例外是，最大日收益率（Bali、Cakici 和 Whitelaw，2011）与未来收益率呈正相关，与原始研究中的发现相反。这个结果可能是由于我们在设定中关注的是短期的预测能力。总的来说，Fama-MacBeth 回归结果进一步证实了 LOCAL 变量的收益可预测性。
尽管我们已经在Fama-MacBeth回归中控制了年龄和行业虚拟变量，但邻近公司仍可能像 Grieser、Lee和Zekhnini（2020）所揭示的那样，具有潜在的共同基本面因素，从而导致收益可预测性。具体而言，具有相邻代码的公司可能由于潜在的相似上市时间而具有相似的基本面。对于具有高 LOCAL 的公司，其相邻公司可能已经经历了有利的基本面冲击。由于共同因素的存在，这对所关心公司也是有利的消息。由于关注有限，投资者可能对其相邻公司的积极信息反应不足，从而导致所关心公司随后的收益较高。然而，这种对基本面不关注的机制是反应不足效应导致的，而我们提出的关注溢出机制是由于持续过度反应所导致的。我们在之后的分析结果显示，高 LOCAL 公司的高收益是暂时的，并在长期内回归，表明我们发现的收益模式可能是由持续过度反应驱动的。此外，反应不足机制通常意味着 LOCAL 应该能够预测后续的分析师预测误差或公告收益。但是我们并没有发现这样的预测能力。我们将在后续小节中进一步讨论这个潜在的替代机制。
我们推测 LOCAL 变量的收益可预测性源于两个机制的相互作用：正反馈交易机制，即投资者在获得正投资收益后倾向于增加他们的持仓，以及关注溢出机制，即投资者更有可能关注与其盈利股票相邻的股票。在本小节中，我们进行了几个安慰剂检验，观察结论是否依然存在。这些检验有助于揭示我们所记录的收益可预测性的内在机制。
首先，为了检验关注溢出机制，我们通过用远离所关心的股票的过去收益替换紧邻所关心的股票的过去收益来重构 LOCAL 变量。具体来说，对于每个所关心股票，我们跳过最接近所关心股票上市代码的100只股票，并使用接下来的10只股票的收益构建替代变量。
图10的左侧部分显示了未来一周收益对替代变量的 Fama-MacBeth 回归结果。我们在第（2）和（4）列中引入了真实的 LOCAL 变量，并在第（3）和（4）列中额外控制其他股票特征。在所有回归模型中，替代变量与未来收益无关，而LOCAL的系数仍然是正的且显著的——其大小和显著性与图9中的结果类似。这个证据表明，距离所关心较远股票的过去收益表现不会影响投资者的交易，从而也不会影响所关心股票的未来收益，这可能是因为距离太远而没有被注意到。
其次，我们研究正反馈机制。想象一下负面投资经历的情况——大的价格波动可能会吸引投资者的注意，但如果投资者因刚刚经历的投资亏而对是否扩大其头寸犹豫不决，那么关注本身不太可能对邻近股票的交易和价格产生影响。为了排除单纯的正反馈交易机制，我们分别用这些股票的换手率和收益波动性替换邻近股票的收益，为LOCAL构建两个替代变量。这两个代理指标可能捕捉到新闻的到来和大的价格波动，但它们不一定与正面投资经历有关。
图10的中间和右侧部分报告了这两个安慰剂检验的 Fama-MacBeth 回归结果。与左侧部分的设置相似，我们在第（2）和（4）列中引入了真实的 LOCAL 变量，并在第（3）和（4）列中添加了控制变量。同样，我们发现替代变量与未来收益无关，而LOCAL的系数基本上没有变化。
这些安慰剂检验还有助于排除替代性解释，即投资者可能因误操作而交易邻近股票。Rashes (2001) 发现，具有相似股票代码的股票对之间的收益联动性过高。这可能是因为投资者交易时出现错误所导致的。对我们发现的收益规律的一个可能质疑是，我们观察到的收益可预测性是由于投资者误操作买入了邻近股票所造成的。需要注意的是，这种错误交易假说并不依赖于积极和消极投资体验之间的不对称性；因此，邻近股票的换手率和波动性，而非收益，应该是价格的更强预测因子，因为它们更好地捕捉了投资者的交易倾向，而不区分收益的正负。然而，我们的安慰剂检验表明，邻近股票的换手率对所关心股票的收益预测性很小，与这个假说相矛盾。
投资者的正反馈交易与关注溢出的交互不仅能够预测未来收益模式，还能够应用于解释交易量和订单失衡——邻近股票的过去收益应正向预测所关心股票的换手率；此外，这一交易量的增加主要是由买方压力驱动的。在本小节中，我们检验这些猜想。
图11报告了基于上周末RLOCAL对五个投资组合进行排序的次周平均日换手率、异常换手率和小投资者订单失衡（即交易规模小于 50,000 元的订单，以更好地捕捉个体投资者的交易情况）。异常换手率计算为本周换手率与前 52 周平均换手率之间的差值。我们使用 CSMAR 的 TAQ 数据，以天为单位计算小投资者的订单失衡，即买方发起的小额交易与卖方发起的小额交易之间的差额除以当日总交易量。我们通过计算周平均值获得每周的数据。
我们发现，较高的RLOCAL确实与下一周的换手率和异常换手率呈正相关。对于等权换手率和市值加权换手率，P5 与 P1 之间的差异分别为 0.076%（t 统计量=2.83）和 0.101%（t 统计量=2.64）；对于等权和市值加权异常换手率，差异分别为 0.048%（t 统计量=4.09）和 0.058%（t 统计量=4.33）。此外，RLOCAL与下一周的订单失衡呈正相关。以上限市值加权订单失衡为例，P5 和 P1 之间的差异为 0.038%（t 统计量=2.56），以周为单位计算为0.19%。这个结果表明，换手率的增加主要是由小额交易的买方压力推动的，这与我们的推测一致。我们还进行了 Fama-MacBeth 回归，发现在控制了已知与换手率相关的一系列变量（仿照 Chordia、Huh 和 Subrahmanyam，2007）后，LOCAL能够正向显著预测未来换手率。这些结果在原文的附录中。总之，换手率可预测性的证据和我们的推测相一致。
关注溢出效应对股票收益联动性有天然的解释能力：由于上市代码更接近的股票更有可能被一起交易，因此它们的收益率和换手率相关性应该更高。接下来，我们将检验股票之间的成对相关性是否是它们上市代码“距离”的函数。
图12（a）和 12（b）绘制了市场调整后收益和换手率之间所关心股票和不同距离股票之间的平均成对相关性。S1 表示由上市代码测量的最接近的 10 只股票组成的等权重投资组合，S2 表示第二接近的 10 只股票组成的等权重投资组合，依此类推。我们发现一个明显的模式，即随着股票距离的增加，收益联动性和换手率联动性都在减少。股票与最近的 10 个邻居（S1）之间的收益率（换手率）相关性为 0.297（0.282），与第 41 到第 50 个最接近的股票（S5）的收益率（换手率）相关性降至 0.286（0.247）；差异（S5-S1）为 0.011（0.035），t 统计量分别为 3.43（4.63）。
图12（c）到12（h）绘制了不同距离股票之间会计指标（包括资产负债率、流动比率、成本收入比、权益回报率、资产周转率和存货周转率）的相关性。相比之下，当股票距离变大时，这些基本面变量的相关性没有明显的模式，用 S1 与 S5（S1-S5）计算的相关性差异都不显著。这表明收益率和换手率的联动性可能是由关注溢出交易驱动的，而不是由基本面共性驱动的。
具体而言，我们利用了2004年5月中小板的引入作为外生冲击。在此之前，中国A股只有两个上市板块：深圳主板（股票上市代码以000开头）和上海主板（股票上市代码以600开头）。按上市代码顺序排列，深圳（000）的最后一只股票紧挨着上海（600）的第一只股票显示。在中小板引入后不久，2004年6月至9月，第一批38只股票在这个新板上市。中小板的上市代码以002开头，因此它们在屏幕中显示在上市代码以000和600开头的股票之间。换言之，新上市的中小板外生地将最后的以“000”开头的股票和第一个以“600”开头的股票的区隔开了；因此，我们期望看到，这两组股票之间的收益率和换手率相关性会降低。
利用这一事件，我们采用双重差分法来检验相关性的变化。具体来说，我们将深圳主板最后20只股票标记为000Z组，将上海主板前20只股票标记为600A组。出于对照目的，我们还观察了深圳的倒数第二个20股票（标记为000Y）和上海的第21至40股票（标记为600B），这些股票的相对位置不受中小板引入的影响。我们计算000Z组和600A组股票在3月至5月（之前）和10月至12月（之后）的平均成对相关性，并将它们的差异与000Y与000Z之间的相关性变化以及600A与600B之间的相关性变化进行比较。
图13显示了双重差分法的结果。相对于不受影响的深圳组000Z和000Y之间的相关性变化，受影响的两组000Z和600A之间的相关性下降得更多，收益率相关性下降了0.08（t=6.09），换手率相关性下降了0.10（t=4.77）。相对于受影响的上海组600A和600B之间的相关性变化，000Z和600A之间的收益率相关性下降了0.03（t=2.55），换手率相关性下降了0.05（t=2.03）。这个证据表明，上市代码距离的外生增加确实导致了收益率和换手率的联动性降低。
我们使用2002年前的样本作为机制的另一个安慰剂检验。在2002年前的时期，中国最流行的两个股票交易平台还未上线。因此，如果我们提出的机制是RLOCAL预测能力的原因，那么就不应该存在依据RLOCAL排序的投资组合差异。图14确实报告了这样的情况。反之，如果RLOCAL的预测能力是由于上市代码邻近公司之间的潜在基本面相关性等其他因素导致的，那么2002年前的投资组合收益差异应该更大，因为基本面相关性也应该在这个样本中，而且在早期的时期，套利障碍可能更高。而事实上，大多数异常现象确实在早期比在近期更明显。因此，这个安慰剂检验为我们的关注溢出效应提供了额外的支持。
如果由更高的RLOCAL变量预测的下周更高的收益确实来自关注溢出，那么价格影响应该是暂时的，并在长期内逆转。
图15绘制了等权重（上半部分）和市值加权（上半部分）的RLOCAL多空组合（P5-P1）从第t周到第t+20周的累积年化CH4模型的alpha。我们看到，等权重（市值加权）多空组合的CH4模型的alpha在第5（9）周达到最高，分别为19.4%（41.5%），并在第10（10）周完全逆转。这个结果表明，价格影响确实是暂时的，不太可能被公司的基本面解释。
我们接着检验我们记录的收益模式如何随套利成本的变化而变化。当套利成本更高时，我们预计这种收益特征会更强，因为反作用纠正力量变得更弱。图16报告了按RLOCAL和三个套利成本代理变量（市值（LogME）、Amihud非流动性（ILLIQ）和分析师覆盖率（ALANA））排序的组合收益。具体来说，每周结束时，我们首先是根据套利成本的代理变量将股票分为两组，然后在每组内部将股票按照RLOCAL分为五组。的确，RLOCAL收益差异（P5-P1）在市值较小、流动性较低和分析师覆盖较少的公司中更高，分别为9.177%、8.465%和12.795%。相比之下，在相应的样本的另一半中，收益差异分别为5.737%、5.824%和5.654%。这些结果表明，RLOCAL预测的收益差异在套利成本较高的公司中更为显著，进一步支持了我们的关注溢出效应解释。
通过利用中国股票交易平台的独特显示特征，本文研究了过度自信和有限关注之间相互作用对资产定价影响。首先，我们研究了微观基础，表明投资者确实参与正反馈交易并存在关注溢出效应。接下来，我们得知LOCAL这一变量（用于捕捉代码相邻股票的近期表现）可以正向预测所关心股票的未来收益和换手率。其他分析表明，我们得知的收益可预测性依赖于过度自信和有限关注这两种行为偏差的相互作用。
尽管我们的发现是在中国独特的环境下识别出来的，但它们对于理解投资者行为以及投资者行为如何影响资产定价具有更广泛的意义。例如，我们所发现的关注溢出效应与Charles（2021）的研究结果大致一致，他使用了来自美国个体投资者和共同基金经理的交易数据，发现投资者月度报表中相邻上市的股票更有可能在未来被一起交易。这表明个人会使用中国数据揭示的经济规律对其他市场和更广泛环境下的现象也具有启示意义。
第99 期： 低PE ，成长，利率：对估值的再思考——最聪明的投资回收期
第25 期：价格影响 还是交易量：为什么是Amihud(2002) 度量
第22 期：价值、规模、动量、股利回报以及波动率因子在中国A 股市场的表现
第193 期：债券收 益 下限与资产配置：债券在资产配置中所扮演的角色将于何时受到危及?
第156 期：资产配 置vs. 因子配置——我们能否构建一类两者兼顾的策略
第56 期：利用低风险现象增强Black-Litterman 模型：来自韩国市场的证据
第159 期：估计分析师预期偏差新方法—— 投资者是否过度依赖分析师预期
第140 期：价值平均策略、美元成本平均策略以及随机投资方式的收益对比—— 基于多场历史数据的实证检验
注：文中报告节选自天风证券研究所已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
《天风证券-金融工程：海外文献推荐第256期：资产定价中的关注溢出效应》
