Lottery Demand and Stock Returns Preceding Earnings Announcements

Key finding — EAMAXRET predicts pre-earnings run-ups [page::0][page::6]

• Construction: EAMAXRET = maximum 3-day market-adjusted return (day −1 to +1) across the four quarterly announcements in prior year, used to sort stocks into deciles each quarter [page::3].

- Main univariate result: Top decile EXRET[−10,−1] = 1.07% (10-day market-adjusted), bottom decile = 0.22%, long–short (10−1) = 0.85% (statistically significant) [page::6].

• The hedge return is positive in 33 of 40 years (calendar-time portfolio), and calendar-time equal-weighted hedge annualized excess = 3.95% with significant alpha vs Fama–French five factors [page::6][page::8].

Robustness & alternative earnings-date measures [page::13]

• Using expected announcement dates (Cohen et al. 2007), Wall Street Horizon (WSH) dates, earlier of IBES/Compustat, or Engelberg et al. volume-based day yields hedge spreads of ~63–89 bps, confirming robustness to announcement-timing measurement [page::13].

- Results stable to alternative EAMAXRET look-back windows (1–16 quarters), different weighting schemes, and risk adjustments; pre-announcement spread ranges ~57–101 bps across windows [page::2][page::10].

Attention, retail trading, sentiment — heterogeneity tests [page::7][page::9]

• Retail holdings interaction: Hedge returns larger for high-retail-ownership subsample (≈107 bps) than low-retail (≈84 bps), implying retail-driven price pressure [page::7][page::9].

- Attention/sentiment: Hedge stronger in high-attention and high-sentiment subsamples (e.g., high aggregate attention → ≈109 bps; high sentiment → ≈107 bps), consistent with attention-driven lottery demand [page::8][page::9].

• Robinhood shock: Post-2018 period shows large increases in turnover for top EAMAXRET stocks (+73%) and larger hedge returns post-establishment (mean post = 1.17% vs pre = 0.08%), supporting causal retail mechanism [page::1][page::12].

Factor controls, persistence, and cross-section [page::4][page::14]

• High EAMAXRET stocks are smaller, more volatile, higher illiquidity, higher prior momentum and more positive prior-quarter SUE; controlling for SIZE, BM, MOM, BETA, IVOL, ILLIQ and SUEq-1 does not eliminate the pre-announcement spread [page::4][page::14].

- EAMAXRET itself is persistent: cross-sectional regressions show past EAMAXRET strongly predicts future EAMAXRET (large, significant coefficient and adjusted R^2 ≈ 10%), providing a basis for investors’ expectations about repeated lottery payoffs [page::14].

• Transaction-cost analyses (bid-ask, commissions, Frazzini et al. market-impact estimates) indicate the effect remains economically meaningful after realistic round-trip costs (e.g., net results survive a 36 bps cost assumption) [page::15].

Timing & recency effects [page::9][page::10]

• Recency matters: when the past extreme return is more recent (higher RECENCY), hedge returns are larger (high RECENCY hedge ≈111 bps vs low RECENCY ≈73 bps), consistent with attention decay [page::9][page::10].

- Quarter timing: EAMAXRET realized in Q4 (annual reports) produces the largest pre-announcement premium (top decile ≈1.27%, hedge ≈1.18%) suggesting seasonal attention effects [page::10].

Practical takeaway for investors and researchers [page::15][page::16]

• The documented pre-announcement premium is robust and actionable in-sample after reasonable frictions, but it is driven primarily by a long leg (retail-driven demand) and tends to correct after the earnings release, implying transient mispricing exploitable on short horizons but requiring attention to liquidity and execution costs [page::15][page::2].

下面按开发者指示对你提供的研究论文进行极其详尽、条理化的逐章解构与分析，并对文中所有主要表格与图形进行逐一解读与评估。凡直接源自论文内容的陈述或推断，我在句末用 [page::n] 标明出处（最多每句两页引用）。文末给出综合结论与批判性观点。

一、元数据与总体概览（引言与报告概览）

• 报告标题：Lottery Demand and Stock Returns Preceding Earnings Announcements；作者：Harvey Nguyen 与 Cameron Truong；所属机构：Massey Business School（Massey University）与 Monash University（作者通信邮箱列于文首）[page::0].

- 发表/处理时间节点：稿件收到 2020-01-16，修订 2025-06-30，接受 2025-07-22（文稿表头信息）[page::0].

• 研究主题与核心问题：研究“过去围绕财报公告出现的极端正收益（即‘earnings-announcement lottery payoffs’）是否会预测当前财报公告前的股票异常回报”，并提出“零售/注意力驱动的 lottery demand（偏好极端上行的‘彩票式’回报）导致在当前公告前的价格上行”这一解释[page::0, page::1].

- 主要结论与定量要点：在样本期（1981–2020），用过去一年四次季度公告的3日市场调整回报的最大值构造 EAMAXRET，按该指标分十等分组合后，最高十分位在当前公告前10日的市场调整平均回报约为1.07%，最高 vs 最低的差异约85个基点；日历时间对冲（long top decile, short bottom decile）年化超额回报约3.95%且在40年中有37年为正，结果对多种稳健性检验（预期公告日、WSH、I/B/E/S、Engelberg 等）均成立[page::0, page::6, page::6, page::6, page::13].

二、逐节深度解读（按论文结构）
1) 摘要与引言（Abstract & Introduction）

• 关键论点：作者主张“若投资者偏好那些在过去公告中曾带来极端正回报的股票（即认为有‘彩票式’回报），则这些股票在当前公告前应被溢价买入，从而在公告前短期出现可预测的正回报”[page::0, page::1].

- 逻辑与理论根基：以 lottery-like asset pricing 文献与概率加权/累积前景理论（cumulative prospect theory）为理论基础，认为投资者会过度权重小概率大幅上行结果，从而形成需求并推升价格[page::1, page::2].

• 研究设计概要：以过去四次季度公告的 3 日（从 day −1 到 +1）市场调整回报的最大值记作 EAMAXRET，将股票按季度排序分为十等分组合，检视当前财报公告前 10 日（EXRET[−10,−1]）的市场调整回报差异，并做交叉检查（零售持股、注意力、情绪、Robinhood 冲击等）[page::0, page::3, page::4].

2) 数据与方法（Section 3：数据、EAMAXRET 构建、控制变量）

• 数据源与样本：CRSP（股票日回报）、Compustat（公告日），并用 I/B/E/S、Wall Street Horizon (WSH) 和基于三日成交量的 Engelberg 等方法作为替代公告日识别；样本覆盖 1980–2020，实际组合回测期 1981–2020，合计 705,970 个季度样本点（firm-quarter）[page::3, page::4, page::5].

- EAMAXRET 定义与计算：对每个季度计算 3 日市场调整回报（stock return − CRSP value-weighted return），再在年度范围（四次公告）取最大值作为 EAMAXRET，用以表示该股票在过去一年中“公告期的最大彩票式支付”[page::3, page::4].

• 控制变量与构造细节：SIZE（市值）、BM（账面市值比）、MOM（过去6个月动量）、BETA 与 IVOL（基于 Fama–French–Carhart 四因子模型的残差标准差）、ILLIQ（Amihud）、SUE{q-1}（上期标准化意外盈利）等，均在公告日之前的窗口计算并用于后续回归/配对控制[page::4].

- 数据替代与公告日的鲁棒识别：为应对 Compustat 的 ex-post 公告日可能与市场预期不一致问题，作者采用（1）Cohen et al. (2007) 的 expected announcement 日期（以过去 5 年中位日为基准），（2）WSH 的市场可得日历，及（3）Engelberg 等基于三日成交量最大日的办法，作为替代识别检验[page::2, page::3, page::13].

3) 描述性统计（Table 1）

• 样本统计：总体样本 705,970 次季度公告，EAMAX（3日市场调整回报）均值 7.70%，中位 5.31%，EXRET[−10,−1] 的总体均值为 0.0042（即 0.42%）[page::4].

- 分位差异（Panel B）：低 vs 高 EAMAXRET 组合差异非常大——底层十分位 EAMAX 平均 −2.84%，顶层为 27.83%，差值约 30.67 个百分比，说明 EAMAXRET 在不同十等分间具有强烈区分力；高 EAMAXRET 组合倾向小市值、更高波动、动量更强、流动性更差且上季度盈利惊喜更为正向[page::4].

4) 实证主结果（Section 4）

• 单变量组合（Table 2）：基于实际 Compustat 公告日排序的十等分组合在 EXRET[−10,−1] 上表明，十号（最高 EAMAXRET）组合在公告前10日的平均市场调整回报为 1.07%，且 10−1 的差为 0.85%，两者在统计上均显著（1% 水平）[page::6].

- 年化日历时间组合（Calendar-time portfolio，Table 3 & Figures 1–2）：作者以日历时间模拟策略（年初根据过去年 EAMAXRET 将股票分为 top/bottom deciles，在每年中当股票处于其公告前10日窗口时做多/做空）得出平均年化超额回报约 3.95%，并在回归 Fama–French 五因子后仍有显著 alpha（Table 3 Panel B 的 hedge alpha ≈ 0.015，t≈10.08）[page::6, page::8].
- 插入图像（论文中图示）：
- Figure 1（年度化市场调整对冲收益柱状，1981–2020）展示每年该对冲策略收益的波动性与多数年份为正的特征：
[page::7].
- Figure 2（年化日历时间组合表现折线图）进一步呈现长期稳定性与几个周期性高峰与低谷（如 2000、2008–2009 的显著动荡）[page::7]:
[page::7].

• 影响机制检验（Table 4、Table 5）：作者检验零售持股、市场情绪、注意力（aggregate attention）、RECENCY（事件近因）与 EAMAXRET 关系：

- 零售持股：将 13F 机构持股取反作为零售占比 proxy（RETAILOWNS = 1 − institutional ownership），在高零售持股样本中 long-short 的 hedge return 为 107 bps，而低零售持股为 84 bps，提示零售主导的推进力量[page::7, page::9].
- 情绪与注意力：在高情绪期 hedge return = 107 bps，低情绪期 = 53 bps；高注意力（aggregate attention）样本 hedge = 109 bps，低注意力 = 61 bps，表明注意力与情绪放大该效应[page::8, page::9].
- RECENCY：事件越近（RECENCY 更大），long-short hedge return 越高，高 RECENCY 为 111 bps，低 RECENCY 为 73 bps；如果 EAMAXRET 出现在前一年 Q4 效应最强（top decile EXRET ≈ 1.27%；hedge ≈ 1.18%），推测年终/年报公告吸引更多注意力[page::9, page::10].

5) Robinhood 断点检验（Retail shock）

• 研究假设：Robinhood 的兴起（2018 起）作为 exogenous 冲击显著提升零售参与度并应放大 lottery-driven 现象[page::1, page::11].

- 证据：Top EAMAXRET 组合 post-Robinhood 的 share turnover 平均从 0.2903 增至 0.5018（+73%），差异显著；对冲收益在 pre (2015–2017) vs post (2018–2020) 从 0.08% 升至 1.17%，差异显著（Panel A、B Table 6）[page::11, page::12].

• 图示（Figure 3）：显示 2015–2020 年各年 hedge returns 的时间序列并划分为 pre/post：

[page::12].

6) 鲁棒性与进一步检验（Section 5）

• 公告日测量误差：通过 expected dates（Cohen et al. 方法）、WSH、I/B/E/S 早日、Engelberg 基于成交量日等替代定义检验（Table 7），结果略有差异但效应仍然存在：期望公告日 hedge = 83 bps；WSH hedge ≈ 63 bps；I/B/E/S/Compustat hedge ≈ 80 bps；Engelberg 方法 hedge ≈ 89 bps，说明在投资者可预期或可得的公告日样本中效应依然明显[page::13].

- 各种风险调整、权重方法、不同历史窗口测量（EAMAXRET 用多季度滚动 1–16 季度）均显示 10 日前差值在 57–101 bps 区间并普遍在 1% 显著性水平，体现高度稳健性[page::2, page::2].

• 交易成本：以 bid-ask spread 和佣金（实证采用 1993 起 CRSP bid/ask + $10/1000 股佣金估算）调整后，顶组 10 日回报仍在 0.64–0.70% 之间；若用 Frazzini et al. 的 36 bps round-trip 更保守估计，策略仍在经济上有意义（示例：S&P500 子样本净 0.84%）[page::14, page::15].

- 最小回报（EAMINRET）检验：对过去公告的最小回报（EAMINRET）影响不稳健（即主要为正向极端事件被定价，而负向极端没有可持续的相反预测）[page::2, page::11].

• 国际样本/宏观状态：作者在附录中报告此现象在 16/20 国家存在且在风险偏好更高国家更显著，同时在衰退期具有更强表现（recession hedge ≈ 1.10%，非衰退 ≈ 0.81%）[page::2, page::15].

三、对每个重要表格与图表的逐一深度解读
（按论文中出现顺序）

• 表 1（Panel A/B，描述性统计，页 4–5）

- 描述：Panel A 给出总体样本 705,970 个 firm-quarter 的均值/中位等统计量；Panel B 按 EAMAXRET 十分位给出分组均值（SIZE、BM、MOM、BETA、IVOL、ILLIQ、SUE{q-1}、EAMAX 等）[page::4, page::5].
- 解读要点：EAMAX 的总体均值 7.70%（高波动性），顶十等分的 EAMAX 平均 27.83%，底十等分平均 −2.84%，差异达 30.67 个百分比，说明 EAMAXRET 强烈区分“过去公告获胜者”与“失败者”，且高 EAMAXRET 股票特征偏小盘、高 idiosyncratic 波动、较差流动性与正向 prior-quarter earnings surprise，这些特征本身也可能导致高预期回报，需要在多变量回归和双变量排序中控制[page::4].

• 表 2（EXRET[−10,−1] 的十等分组合，页 6）

- 描述：按上一年 EAMAXRET 排序的十等分组合在真实公告日基础上计算公告前10日市场调整回报；列出每一分位的 EXRET[−10,−1] 以及 10−1 的差[page::6].
- 关键数据与含义：Top decile 平均 EXRET[−10,−1] = 1.07%，且从 decile 4 起回报显著，decile 趋势单调上升；10−1 差 0.85%（t 显著），表明过去“公告赢家”在当前公告前出现显著正溢价，支持作者的 lottery-demand 假设[page::6].
- 限制：表为单变量结果（未控制其它交叉特征），作者在附录与多变量回归中进一步控制以排除跨组特征驱动[page::6].

• 表 3（Calendar-time portfolio，页 8）

- 描述：Panel A 给出 long/short/hedge 的年化超额回报、t 值、标准差与夏普比；Panel B 报告基于 Fama–French 五因子的时间序列回归系数与 alpha[page::8].
- 解读：策略年化 hedge 超额回报 3.95%，alpha（长期）约 1.5%（百分比单位，t≈10.08），long/short 均显示对 SMB（小盘）正暴露，对 RMW（盈利因子）与 CMA（投资因子）有负载，暗示该策略偏向小盘、低盈利性、稳健投资路径公司（但 alpha 在控制因子后仍显著，表示无法完全由已知因子解释）[page::8].

• 表 4（高/低零售、情绪、注意力分层的 EXRET，页 9）

- 描述：在每一子样本（高/低零售；高/低 sentiment；高/low attention）内，再按 EAMAXRET 分十等分并报告 EXRET[−10,−1]，并比较 top−bottom 差异[page::9].
- 解读：在高零售持股、强情绪、高注意力条件下，10−1 差值更大（约 107、107、109 bps），而低情绪/低注意力条件下差值较小或减弱（例如 sentiment low 只有 53 bps），支持“零售/注意力/情绪 放大利润预期并驱动预公告涨幅”的机制[page::9].

• 表 5（RECENCY 与 EAMAXRET timing，页 10）

- 描述：Panel A 双排序（RECENCY 四分位 × EAMAXRET 十分位）并报告 EXRET；Panel B 按 EAMAXRET 实现季度（Q1–Q4）分组后给出 EXRET[−10,−1][page::10].
- 解读：较近发生的 lottery 事件（RECENCY 高）对应更强的 pre-announcement premium（10−1 差高达 111 bps），且 Q4 的 EAMAXRET 效应最强（top decile ≈ 1.27%，hedge ≈ 1.18%），显示注意力衰退与季度时序对投资者行为与定价的重要性[page::10].

• 表 6（Robinhood 前后交易量与 hedge returns，页 12）

- 描述：Panel A 报告 top decile share turnover 在 pre/post 建立 Robinhood（2015–2017 vs 2018–2020）的均值/中位数变化；Panel B 报告 hedge returns pre/post 的均值与中位数[page::12].
- 解读：share turnover 从 0.2903 增至 0.5018（+73%，p=0.00），hedge returns 从 0.08% 升至 1.17%（差异显著），这支持 Robinhood 上线作为零售参与度自然实验并强化了 lottery-demand 机制的因果解释[page::11, page::12].

• 表 7（使用 expected/WSH/I/B/E/S/Engelberg 公告日的 EXRET，页 13）

- 描述：对比不同公告日定义下的十等分 EXRET，汇总 hedge（10−1）差异[page::13].
- 解读：尽管在 WSH（市场可见）样本中效应略小（hedge ≈ 63 bps），但使用 expected/IBES/Engelberg 的替代方法均显示 80–90 bps 左右的 hedge spread，说明效应不是 Compustat 的测量伪差[page::13].

• 表 8（EAMAXRET 的横截面可预测性回归，页 14）

- 描述：以未来 EAMAXRET 为因变量做横截面回归，解释变量包含当期 EAMAXRET 与控制变量（SIZE、BM、MOM、BETA、IVOL、ILLIQ、SUE{q−1} 等）[page::14].
- 解读：简单回归中 EAMAXRET 对未来 EAMAXRET 的系数约 0.138（t=21.03），在全模型（含多变量）中仍显著且较大，说明 EAMAXRET 在公司层面呈持久性（decile 迁移概率分析亦显示 top→top 約 17%，top→8–10 ≈ 36%），这为市场参与者（尤其是有限注意力者）用过去公告的“极端胜利”信号预测未来公告带来认知基础[page::14, page::18].

四、估值分析（估值部分）

• 论文并未采用 DCF、P/E 或 EV/EBITDA 等传统公司估值方法来给出股票的内在价值或目标价，研究焦点是事件期回报可预测性与行为机制，因此“估值分析”在传统意义上不可适用；该点在文章结构与内容中未涉及具体估值模型，应判定为 N/A（无估值部分）[page::3, page::6].

五、风险因素评估（论文作者识别的风险与限制）

• 公告日测量误差：Compustat 的“实际”公告日可能与市场预期不同，会导致 EXRET[−10,−1] 的测量噪声；作者用 expected/WSH/IBES/Engelberg 检验并报告鲁棒性以缓解该风险[page::2, page::13].

- 交易成本与可实现性：作者评估 bid-ask spread、佣金（$10/1000 股）和更保守的 36 bps round-trip 成本，结论是策略在多数情形下仍正收益，且在大盘/流动性好子样本依然存在（S&P500 子样本示例）[page::14, page::15].

• 样本与市场结构异质性：高 EAMAXRET 股票倾向小盘/高 IVOL/高 illiquidity，策略在这些子样本里可能更难以大规模复制且易受冲击成本影响；作者通过剔除极端流动性差样本并在大盘子集做检验以说明并非仅限微盘[page::4, page::15].

- 归因风险：尽管多项交互检验指向零售/注意力/情绪机制，但不能完全排除其他替代理由（如机构择时、隐性信息泄露或市场制造商行为），作者用多变量回归与配对排序尽力控制但外生因果仍需谨慎解读[page::1, page::6, page::11].

六、批判性视角与细微差别（审慎评价）

• 强项：样本期长（40 年）、样本量大、对公告日识别与交易成本进行了多种实证替代检验、并通过情绪/注意力/零售持股与 Robinhood 自然实验提供支持零售/注意力驱动机制的证据，研究设计严密且鲁棒性检验充分[page::0, page::11, page::13, page::14].

- 需谨慎/潜在偏差：
- 测量与可实现性：尽管作者在多个子样本和交易成本假设下报告正收益，但真正的可实现性还取决于策略规模（market impact）与做多/做空约束（短卖约束在不同市场与时期差异很大）。作者引用 Frazzini 等的成本估计，但实际执行成本会随持仓规模显著上升，因而跨时点、大资金机构实施时可能收益缩水（本文对规模敏感性没有详尽披露）[page::15].
- 归因的完全确证：Robinhood 上线被作为零售冲击，但期间还有其他影响市场结构与信息扩散的事件（如交易所规则、算法化交易扩展、宏观经济周期），因此将全部增强效应归因于 Robinhood 虽有说服力但非绝对无可置疑——作者已采取 3 年窗口对冲并报告显著变化，强调证据朝向因果解释，但仍应谨慎[page::11].
- EAMINRET 的不显著：作者发现 EAMINRET（过去公告极端负回报）并未产生系统的相反预期，这一不对称性需更深入理论解释（作者指出基于前景理论的可能性，但仍留有解释空间）[page::2, page::16].

七、结论性综合

• 综合判断：作者系统构造了 EAMAXRET（过去四次公告 3 日市场调整回报的最大值）作为“公告期彩票式回报”的度量，发现：高 EAMAXRET 股票在当前公告前 10 日呈现显著的市场调整正溢价（top ≈ 1.07%，top−bottom ≈ 0.85%），该效应在日历时间组合上年化可产生约 3.95% 的超额回报并在多种因子调整后仍有显著 alpha，效应在高零售占比、高注意力、高市场情绪与事件近因情形下更强，且在 Robinhood 上线后被放大；研究对公告日测量、交易成本、国际样本与经济状态等进行了广泛鲁棒性检验，整体证据支持“零售/注意力主导的 lottery demand 在财报公告前推升价格”的结论[page::0, page::6, page::8, page::9, page::11, page::13, page::15].

- 从图表获得的深刻见解：
- Figure 1/2（年度表现与日历时间策略）显示该效应跨多数年份稳定呈正并伴随若干宏观与市场事件的波动（如 2000 科技泡沫、2008 金融危机 2009 恢复、2018–2020 Robinhood 时代上的跃升），提示行为驱动特征具有时间变化但总体稳健[page::7].
- Table 1–8 联合表明：EAMAXRET 不仅是横截面上持久的公司特征（表 8 的持久性回归），而且这种特征能预测短期 pre-announcement 溢价（表 2、7）并且在高注意力/零售占比下被放大（表 4–6）[page::4, page::6, page::9, page::12, page::14].

八、对监管与后续研究的启示（基于文章结论）

• 监管含义：作者指出零售集中在“同一方向做多”且偏好彩票式回报时，会对市场造成不平衡，降低公告信息的价格信息含量；监管者应关注测量零售流动性影响与在事件期的市场稳定工具（例如做空便利性、交易暂停制度、投资者教育等）[page::2, page::15].

- 后续研究建议（作者与我方总结）：可进一步研究 EA_MAXRET 如何与机构/对冲基金流动、做空限制、做市商行为交互影响，或分解 idiosyncratic volatility 为“利好/利空”成分并研究其定价差异，以及在更大范围的国际制度差异中检验文化/治理对 lottery-demand 的作用[page::16].

—— 结束 ——

若需，我可继续：

• 提供基于论文公开回测的可执行交易模拟（含具体成交成本/规模敏感性分析）；

- 将文中附录（A1–A12）关键结果逐一解读并和主文结果做对照；或
- 将论文的关键表格/回归结果转换为可复现的 Python / R 数据流与代码骨架以便你在本地复核。

报告