金融研究报告深度分析报告：《历史收益的顺序能否预测横截面收益？—“学海拾珠”系列之三十七》

---

1. 元数据与概览

• 报告标题：历史收益的顺序能否预测横截面收益？— “学海拾珠”系列之三十七

- 分析师及联系方式：
- 主分析师：炜先生（S0010520070001），邮箱：yanjw@hazq.com
- 次席分析师：朱定豪（S0010520060003），邮箱：zhudh@hazq.com
- 联系人：吴正宇（S0010120080052），邮箱：qianjx@hazq.com

• 发布机构：华安证券研究所

- 报告日期：2021年04月06日

• 研究主题：基于美国市场数据，分析历史收益率的时间顺序（CRO）指标对未来股票横截面收益率的预测能力，探讨其在A股的潜在研究及启示。

核心论点与结论：

• 报告依据海外文献，发现股票的历史收益顺序（CRO）显著预测未来横截面收益，表现为近期收益较低且远期收益较高的股票在未来将有更好的表现。

- 实证验证表明这一收益排序指标（包括月度日收益排序指标$CROM$和年度月收益排序指标$CROA$）均对未来收益具有正向预测力，且控制传统因子依然成立。

• 投资者的行为偏差，如过度关注近期收益，导致低CRO股票被高估，继而未来收益较低。

- 研究通过多重经济模型和期权市场隐含波动率数据，支持行为偏差是该收益排序与未来收益关系的潜在机制。

• 风险提示明确表示报告结论基于历史数据与学术文献总结，非投资建议。[page::0] [page::3] [page::14] [page::15]

---

2. 按章节深度解读

2.1 简介（第1章）

• 关键论点：

- 历史股票收益与未来收益的关系挑战了弱有效市场假说。
- 新增贡献：提出历史收益的时间顺序指标$CRO$，测度收益率实现的时间权重分布。
- 研究表明：近期涨幅低、远期涨幅高（即高CRO值）的股票将获得较高的未来收益。

• 科学依据：

- 相关研究引用：Bali等人（2011）的最大日收益，Barberis等人（2016）的累积前景理论等。

• 数据涵盖范围及方法：

- $CROM$依据单月内每日收益与剩余交易日数的相关性衡量，$CROA$依据12个月内月收益与剩余月数的相关性衡量。
- 统计方法包括单变量分组投资组合分析和Fama-MacBeth回归。

• 精选数据指标：

- $CROM$构建的多空组月收益高达0.81%。
- $CROA$构建的多空组月收益为0.96%。
- 即使控制短期反转效应 (REV)，$CRO$的解释力依然显著。

• 模型创新点：

- 简易均衡模型表明预期收益与CRO正相关。
- 指出套利限制、投资者关注等行为偏差机制影响收益预测。

这一章不仅介绍了研究的背景、动机和方法，也为后续章节的实证分析和机制探讨奠定了坚实基础。[page::3] [page::4]

2.2 数据和变量（第2章）

• 数据来源：

- 样本范围为1926-2018年间在纽约证券交易所、AMEX和纳斯达克上市的所有普通股，数据来自CRSP。
- 补充的风险因子数据来自Kenneth R. French和Robert F. Stambaugh。
- 期权数据基于Optionmetrics。
- 会计数据来自COMPUSTAT，账面权益补充来自Kenneth R. French数据库。

• 关键变量定义：

- $CROM$与$CROA$为核心指标，分别基于日收益和月收益的相关性计算，范围为[-1,1]。
- 多个控制变量：市场贝塔（BETA）、公司规模（SIZE）、账面市值比（BM）、动量（MOM）、长期反转（ltREV）、短期反转（REV）、流动性指标（ILLIQ）、异质性波动率（IVOL）和收益偏度（ISKW）等。

• 样本处理：

- 排除价格低于5美元的股票，减少微观结构轧价效应。
- 有效样本量逾1,500,000个月观测值。

• 描述性统计（图表1）：

- $CROM$均值为0.01，标准差0.19，$CROA$均值0.00，标准差0.24，表明该指标具有较强的跨时间变化性。
- $CROA$与短期反转指标（REV）呈显著负相关（-40%），同时与动量呈正相关，这暗示$CRO$与传统动量与反转效应存在联系但又不完全重叠。
- 其他控制变量间相关性整体不高，支持变量间整合进回归模型的合理性。

该章节详细定义了研究所用数据和指标，为后续实证提供了数据基础和理论支持。[page::4] [page::5]

2.3 历史收益顺序对未来收益的预测能力（第3章）

3.1 投资组合分组法

• 方法论：

- 每月末依据$CROM$和$CROA$对纽交所股票分组，采用市值加权形成投资组合。

• 主要发现：

- 高$CROM$股票（近期较低收益，远期收益较高）未来一个月的月度超额收益达到0.81%，年化约10.16%。
- 高$CROA$股票对应的月度多空收益达到0.96%。
- 这些收益差均不能被Fama-French-Carhart模型（以及九因子模型）解释，显示超额收益的显著性。
- 对短期反转控制后，$CROA$的收益效应略有下降（至0.75%），但仍显著。
- 研究结果跨样本期显著无异，支持效应的稳健性。

• 比较与传统因子：

- $CRO$构建的多空组回报普遍高于传统动量因子（MOM约0.94%）和短期反转因子（REV约0.65%），突出$CRO$的预测潜力。

图表2解读：

• 展示了按$CROM$和$CROA$分组的不同调整方法下的后续月度收益表现，多空组合收益差一致正向且显著，t值均大于4.5，强烈支持研究假设。

综上，分组投资组合结果揭示$CRO$指标在美国市场上的超额收益预测能力，并不被现有风险因子解释。[page::6] [page::7]

3.2 Fama-MacBeth回归分析

• 研究设计：

- 采用Fama和MacBeth(1973)方法，在回归中控制大小、BETA、账面市值比、动量、反转、流动性等众多变量。

• 核心结果：

- $CROM$每增加一个标准差，未来月收益增加0.39%，在控制大量变量后仍旧维持显著（高达0.14%）。
- $CROA$的表现类似，系数在0.34%到0.09%之间。
- 控制了动量、短期反转（REV）、异质性波动率（IVOL）、收益偏度（ISKW）、最大/最小单日收益（MAX、MIN）等，$CRO$尚具预测力，说明其信息内容不完全重合于已知因子。
- 加权回归（WLS）降低了系数，但统计显著性仍然存在。

• 经济学解释：

- 表明$CRO$捕获股票收益预测中独特的时间维度信息。

图表3解读：

• 面板A和B分别为$CROM$和$CROA$的不同回归设定，所有主要模型中$CRO$均显著为正，t值多为5以上，证明稳健。

- 控制变量如BETA、SIZE、BM等系数合理，表明模型规范良好。

综上，回归分析进一步确认了收益排序指标的稳健收益预测性。[page::7]

2.4 行为机制及其他收益吸引力指标（第4章）

4.1 行为偏差解释

• 观点：

- 投资者更关注近期收益，忽视远期表现，导致对两只具有相同总体历史表现但收益顺序不同的股票估值产生区别，形成错误定价。
- 低$CRO$值（近期收益高，远期收益低）股票被高估，未来表现较差。

• 简单均衡模型验证这一机制，模型假设投资者基于历史收益形成预期但权重偏重近月，预期收益与$CRO$正相关。

- 其他收益吸引力指标：
- 高最大单日收益（MAX）、异质性偏度（ISKW）、显著性理论指标（ST）、累积前景理论值（TK）等均与投资者偏好和错误定价相关。

4.2 与控制变量的双重排序（表4）

• 投资组合先按上述收益吸引力指标分层，再按照其收益排序时间相关性指标（例如$CRO$）二次分组。

- 结果显示，在控制收益吸引力指标后，收益排序时间仍能有效预测未来收益。

• 以MAX为例：近期出现高收益的股票未来表现较差，组合月收益差高达0.25%（t=3.99）。

- 其他指标组亦显示类似趋势，表明收益排序捕获了不同于传统收益吸引力的独立且显著的预测信息。

综上，收益顺序的时间维度反映了行为偏差，具备独立解释未来收益的能力。[page::8] [page::9] [page::10]

2.5 进一步分析与稳健性检验（第5章）

5.1 套利限制

• 分析核心：

- 套利限制如流动性（ILLIQ）、波动率（IVOL）和最大单日绝对收益（MAX(|ret|)）会放大$CRO$与未来收益的相关性。
- 高套利限制股票中，$CROM$多空策略收益差高达1.31%，低限制组仅0.44%，相当于2.9倍的收益表现差异。

• 投资者注意力效应：

- 私人投资者偏好高波动和明显收益股票，因此引发行为偏差。
- 谷歌搜索指数等投资者关注指标的高低与$CRO$的预测能力呈正相关，支持行为机制。

5.2 套利活动的期权市场证据

• 期权隐含波动率差（看涨减看跌）与$CRO$正相关，期权市场显示知情投资者针对收益排序错误定价进行交易。

- 高$CRO$股票对应更高的看涨隐含波动率，表明市场预期未来上涨，这为行为偏差可能被期权市场部分参与者利用提供实证支持。

5.3 微观结构与替代解释

• 短期反转效应与$CROA$相关性较强，但$CROM$对未来回报的预测能力不完全由短期反转驱动。

- 控制不同周期的反转因子（周反转、日反转）和剔除小盘股或低价股，$CRO$依然保持统计显著。

• 价格微观结构问题对$CRO$效应影响有限。

- 中期动量和季节效应对年度$CROA$有一定影响，但统计上不能完全消除$CRO$的预测效应。

• 结果显示，该收益排序时间序列特征具备超越传统风险因子和已知行为金融效应的额外解释能量。

图表5、6、7简要解读：

• 表5：分套利限制指标进行双重排序，显示在高交易限制股票中，$CRO$预测能力显著增强。

- 表6：依据不同$CRO$分组，期权市场隐含波动率价差递增，自下而上且t值稳健。

• 表7：控制各类反转及微观结构效应，$CRO$仍显著，表现出稳健性。

综上，本章深入探讨和验证了行为金融与市场微观结构对$CRO$预测能力的影响，支持其经济学内涵和实证可靠性。[page::10] [page::11] [page::12] [page::13]

---

3. 图表深度解读

图表1 描述性统计（第5页）

• 显示了所有核心及控制变量的均值、中位数、标准差和分位数，并提供了变量间相关系数。

- $CROM$与其他变量相关性极低（绝大多数接近零），体现其独特性。

• $CROA$与短期反转(REV)负相关（-40%），体现$CROA$受短期反转影响较大。

- 动量(MOM)、账面市值比(BM)、流动性(ILLIQ)等均与$CRO$关系不显著，说明$CRO$捕获了非传统因子信息。

• 数据源自公认的权威数据库，统计量分布合理，为模型估计提供坚实数据基础。

图表2 基于收益的时间顺序 CRO 的分组检验（第6-7页）

• Panel A和B分别为$CROM$和$CROA$构建的投资组合未来收益表现。

- 多空组合“10-1”列，报告出显著的月度收益差，示例：$CROM$对应为0.81%，t值6.58。

• 表中还列出多种风险调整模型调整后的收益，均保持正向且显著，确保超额收益非因风险暴露。

- 明显的渐进递增趋势展示出$CRO$指标分层有效性。

图表3 Fama-MacBeth回归结果（第7页）

• Panel A(基于$CROM$)和Panel B(基于$CROA$)的10列不同模型回归系数及t值。

- 所有模型中$CRO$系数均为正，统计显著。

• 一些控制变量如SIZE、BM在多数模型中符合预期符号，提升模型可信度。

- WLS加权回归降低部分影响，说明小股票贡献部分驱动预测效果。

• 该图表深入验证交叉变量的稳健关联。

图表4 历史收益和收益顺序指标的双重排序（第10页）

• 分面板A-D分别针对MAX、ISKW、ST、TK四个收益吸引力指标双重排序。

- 关键观察：即使控制收益吸引力指标，在高收益吸引力组内，收益排序时间仍预测未来回报。

• 多空收益差一般在0.25%-0.45%之间，统计显著。

- 比较不同组别收益差异，验证行为偏差解释层次丰富。

图表5 套利限制与$CRO$收益关系（第11页）

• 由ILLIQ、IVOL、MAX(|ret|)三种套利限制指标按高低五分组合成双重排序。

- 高套利限制组收益差明显比低套利限制组大，差异倍数1倍以上。

• t指标显著提升行为假说的经验合理性。

- 同时，谷歌新闻提及的投资者关注度数据支持收益排序效应与投资者注意力密切相关。

图表6 期权隐含波动率价差（第13页）

• 看涨-看跌隐含波动率价差(VSBH, VSCW, SMIRK)与$CROM$和$CROA$排序。

- 高$CRO$组价差明显正向，月度排序显示从低到高价差正好递增。

• t统计显示所有价差均显著，说明期权市场投资者乐观看待高CRO股票未来表现。

- 数据涵盖期权市场，强化套利限制假设。

图表7 时间顺序调整与微观结构问题（第14页）

• 多个模型控制小市值剔除、跳跃交易日、添加反转变量。

- $CRO$系数均呈现正且显著，但受控制影响有所下降，体现预测力的部分来源于微观效应和短期反转。

• 说明$CRO$指标既捕获行为驱动信息，也包含市场微观结构的影响。

- 全面检验结果增强研究结论的可信度。

---

4. 估值分析

本报告并未直接涉及传统估值模型（如DCF、P/E等），而是通过实证回归和投资组合构建等量化方法，测度$CRO$指标的预测性能及潜在行为经济学估值偏误影响。报告中的简单均衡模型用于理论说明投资者对历史收益排序的过度关注，表现为股票预期收益率与$CRO$正相关，但未具体给出估值数值或价格路径模拟。

唯一接近估值衡量的是期权隐含波动率价差，反映期权市场对错误定价股票的风险和预期收益的价格调整。但该部分更侧重于验证行为偏差与预期关系，而非传统估值计算。

综上，本报告强调的是横截面收益预测因子和行为金融解释，而非直接估值方法的应用，因此估值方法和目标价缺席属于正常设计范畴。[page::3] [page::11]

---

5. 风险因素评估

• 样本和数据风险：

- 结论基于美国资本市场1926-2018年历史数据，可能不完全适用于其他国家或未来市场条件。
- 排除价格低于5美元股票，以减少低价股的微观结构扭曲，但可能影响广泛适应性。

• 行为偏差假设风险：

- 投资者的过度关注近期收益的行为假设虽有多重文献支持，但存在不确定性，随着市场认知进步和投资者结构变化，行为效应强度可能减弱。

• 套利限制风险：

- 报告强调套利限制是关键驱动因素，包括流动性和交易成本，但未来套利能力提升可能降低$CRO$预测能力。

• 微观结构问题：

- 虽控制跳过构建期最后交易日、小市值，短期反转控制，但微观结构效应可能仍残留，影响解读纯行为效应的强度。

• 风险模型解释不足：

- 各类市场风险模型均难解释$CRO$所捕获的预期收益差异，暗示$CRO$捕获非风险溢价部分，但这也意味着投资者面临非系统性风险无法计量。

• 适用范围限制：

- 报告明确不构成投资建议，强调数据驱动结论的经验性质，警示读者不应直接应用。

报告已较为全面讨论影响结果的潜在风险因素，风险提示部分严谨且合理。[page::0] [page::12] [page::15]

---

6. 批判性视角与细微差别

• 实证结论稳健性：

- 研究通过多种控制、替代指标、不同样本及非同期检验提升结论稳健性，展现多维度验证思路。

• 潜在偏见和局限：

- 过度依赖行为偏差解释可能忽视结构性市场变化、算法交易等现代因素。
- 高频交易与市场做市商活动可能对日内收益排序有影响，非本文覆盖范围。

• 假设与模型匹配：

- 模型基于投资者过度外推近期收益的行为假设，未涵盖所有投资者异质性和信息结构细节，可能对模型一致性构成挑战。

• 时间长度选择的任意性质：

- $CROM$和$CROA$构建周期虽合理，但本质存在选择性，若换用不同时间窗口，结果可能产生差别。

• 风险解释差异：

- $CRO$效应不可完全由传统风险因子解释，有无其他潜在风险因素未被考虑仍是开放问题。

• 对A股适用性的暗示：

- 报告开篇提到该指标可能应用于A股，实则全篇以美股数据为基础，实际适用性与市场结构差异未深入评估。

综合以上，报告在行为金融框架下对股票收益时间序列进行创新解读，虽存在一定局限，但整体严谨，体现较强的学术水平和实用指导价值。[page::3] [page::12] [page::14]

---

7. 结论性综合

本篇报告深入探讨了股票历史收益率的时间顺序（CRO）是否能有效预测未来横截面收益率，结论具有重要学术及实践启示：

• 主要发现：

- $CROM$与$CROA$两个按日和月收益时间排序的相关性指标都显著正向预测未来收益，且预期收益差距对应月度超额收益近1%。
- 收益排序效应被证明不是传统风险因子、动量、反转效应或常见收益吸引力指标的简单叠加，反映出独立的行为驱动力。
- 通过多重实证检验，包括投资组合分组、回归分析、条件双重排序等，验证了结果的稳健性。
- 套利成本及投资者关注度的双重排序揭示市场中行为偏差的存在与限制。
- 期权市场隐含波动率价差进一步映射了知情投资者对收益排序异常的利用，强化了认知偏差的经济解释力度。
- 微观结构和短期反转对$CRO$预测能力有一定影响，但无法完全解释。

• 经济学解释：

- 信息排序效应下投资者过度关注近期收益而忽略远期表现，造成股票的错误定价，从而驱动$CRO$对未来收益的预测力。
- 行为金融视角为传统资产定价研究提供了全新角度，强调市场非理性成分的重要性。

• 研究贡献：

- 推出了一种新颖且直观的股票历史收益时间顺序指标，扩展了横截面收益预测因子的范畴。
- 为A股市场研究提供新思路，建议结合本土市场特性进一步探讨。

• 实务建议：

- 虽不构成直接投资建议，研究展示基于收益时间维度的因子构建潜力，值得基金经理及量化投资研究者关注。

• 图表中的深刻见解：

- 图表1全面展示统计特征，奠基理论假设。
- 图表2与图表3实证展示$CRO$预测力的统计显著和经济意义。
- 图表4揭示行为驱动机制的多维表现。
- 图表5-7通过套利限制、期权隐含波动率及微观结构检验，提升结论解释力度与可信度。

综合来看，报告科学严谨、结构清晰，提供了跨学科融合的洞见，为理解股票收益的时间动态提供了创新视角，挑战传统资产定价模型，验证行为偏差在实际市场中的重要作用。[page::0] [page::3] [page::6] [page::7] [page::10] [page::12] [page::14]

---

结语

本分析紧扣报告原文，通过详细解构每章节内容及图表，不仅阐释了核心论点，更融合多维数据解读与理论机制探讨，对报告的学术贡献和实证成果做到了全面透彻的揭示，体现了报告的研究深度和实践价值。

报告