MSCI-情绪因子的多面性：基于传统数据和另类数据的情绪测度评估

由qxiao创建，最终由qxiao更新于2023-06-01 14:28 被浏览 382 用户

本文翻译来自MSCI《情绪因子的多面性：基于传统数据和另类数据的情绪测度评估》

研报作者：Vipul Jain, Roman Kouzmenko, George Bonne

发布时间：2020年12月

概要

在本文中，我们检验了股票因子之间的关系，旨在美国股票市场捕捉投资者情绪和股票回报之间的关系。我们探索了基于传统市场数据来源的传统情绪定义，以及来自另类数据的更新公式。

总的来说，我们调查了7个基于情绪的来源，这些来源提供了独特的、不相关的信息，并在添加到通常用于风险模型的传统因子和其他快速移动的基于价格的因子时产生了积极的纯因子表现（pure-factor performance）。此外，由这7个信号的等权重组合构建的组合产生的回报甚至高于任何单独的信号产生的回报。

最后，我们模拟了仅做多的模拟情绪投资组合（long-only hypothetical sentiment portfolios），旨在捕捉这些来源的风险敞口，发现它们通常实现了高于基准的回报，夏普比率也有所提高。

介绍

长期来看，估值可能会推动股价上涨，但在短期内，情绪可能会产生更大的影响，也可能是未来估值变化的指标。市场情绪有多个维度，其中一些是基于有影响力的、消息灵通的市场参与者的行为或观点，如卖空者、期权交易员、卖方分析师、机构投资者和企业内部人士。其他可能是不同类型的影响者，如新闻和社交媒体、公司员工和公司产品的消费者。

我们过去的研究考察了其中一些方面。例如，我们研究了做空股票的数量、可做空股票的供应（supply）和做空成本，以衡量卖空者对一家公司的情绪(Bonne, Jain和Melas, 2017)。

我们还根据看跌期权和看涨期权的定价结构以及期权相对于标的股票的交易量，估计了期权交易者对公司的情绪(Bonne和Zhang, 2018)。

此外，我们研究了样本对冲基金的总多头和空头头寸，以量化对冲基金对单个公司的情绪(Kouzmenko, Bonne和Kumar, 2018)。

最后，我们根据一家公司的产品和品牌在评论、社交媒体和其他网络内容中被引用的数量来调查消费者情绪(Mendiratta, Jain和Bonne, 2019)。

在本文中，我们通过引入几个更传统的和另类的数据集来扩展我们之前关于情感度量的研究。我们检查了这些数据集的历史覆盖率，并制定了因子定义。我们分析了这些因子的历史和最近的纯表现，并在控制行业和股权风格因子的影响的同时，对所有这些因子进行了等权重组合。我们在MSCI美国总市场股票交易模型(USFAST)模型中分析了它们的历史横截面敞口与股票风格因子的相关性。并且，我们探索了两种方法来构建只做多的模拟投资组合，以获得这些因子的敞口。

情绪指标概述

与更传统的金融数据来源相比，许多另类数据集的一个缺点是覆盖范围低，历史较短。构建我们的情感因子方面，我们选择了一些覆盖面较广、历史较长的公司。在下面的表1中，我们简要地定义了使用这些数据集构造的数据。

表1:情感-测量定义

指标	定义	基本原理（rational）
分析师情绪	1)修正分析师对过去三个月EPS、销售、EBIT、EBIDTA和现金流、价格目标和建议的预测
	2)过去八个季度的收益超出了分析师的预期	积极的收益惊喜和分析师预期或建议的提高都是看涨。
做空情绪	1)卖空股票的数量和成本
	2)做空股票数量相对于可供做空的股票供应量，做空股票除以平均交易量和借款利率	低水平的卖空和借款利率是牛市。
新闻情绪	基于对过去三个月的新闻文本的分析更重视最近一个月的新闻	正面消息令市场情绪看涨。
期权情绪	1)期权的定价结构(看跌期权相对于看涨期权的隐含波动率)
	2)期权市场的交易活动(期权交易量相对于股票交易量)	选择人气看涨期权价格高，期权交易量低，这是看涨行情。
消费者情绪	消费者发布的关于公司及其产品的网页内容(主要是通过评论和博客)数量的变化	成交量的增加是看涨行情。
报告情绪	1)上市公司10-K文件的语言复杂性
	2)一家公司当前10-K文件中使用的语言与之前的语言的变化程度。	更少的复杂性和更少的变化是看涨行情。
内幕人情绪	基于公司内部人士买卖公司股票的行为	更多内部人士买卖看涨行情。

本分析中使用的数据集的覆盖-开始年份是:分析师情绪(1993)，卖空情绪(2007)，期权情绪(1996)，以及另类的结构化和非结构化数据集，如消费者情绪(2012)，内部人士情绪(2003)和报告情绪(1995)。

信源: Analyst Sentiment, IBES estimates; Shorting Sentiment, Sungard; News Sentiment,Ravenpack; Option Sentiment, Option Metrics; Consumer Sentiment, BrandLoyalties; Reporting Sentiment, EDGAR; Insider Sentiment, 2iQ

在表2和3中，我们展示了从2012年开始在MSCI美国可投资市场指数(IMI)中对这些指标的覆盖范围，届时按市值计算的所有数据集的覆盖范围至少达到了投资领域的30%。

==表2：MSCI美国IMI全球指数证券情绪测量==

Number of Securities in the MSCI USA IMI Universe by Sentiment Measure

{w:100}{w:100}{w:100}{w:100}{w:100}{w:100} ==表3 MSCI美国IMI全市场情绪指标的市值百分比==

Percentage of Market Cap in the MSCI USA IMI Universe by Sentiment Measure

Note that the insider sentiment signal exhibited cyclicality coinciding with quarterly earnings releases.{w:100}

我们还将综合情绪衡量定义为七个成分情绪信号的风险敞口z-scores3(z-scores是通过标准化原始描述符值来计算的，这样每个描述符都有一个市值加权平均值为零和一个单位标准差。)等权重组合(每天，在有风险敞口的情绪信号中进行等权重组合，忽略没有风险敞口的信号。)

在我们的文献中，我们发现了结合不同维度的情绪的证据:Drake, Rees和Swanson(2011)研究了结合来自卖空和分析师估计的信息来预测股票回报。Guettler, Hable和Launhardt(2016)指出，将内幕信息和卖空信息结合在一起，可以产生一个很有前景的预测股票溢价的模型。进一步的研究发现，新闻情绪数据可能会提高内部人情绪的表现最后，Bonne和Zhang(2018)发现，看跌期权可以作为卖空的替代选择，特别是对于那些不容易卖空的股票。

==表4情绪指标之间的相关性==

通过测量包括复合情绪在内的各种情绪指标之间的横截面暴露相关性，以每周为基础计算暴露相关性。计算是在theMSCI USA IMI universe上完成的。图表上的x轴显示了2012年1月至2020年6月之间的平均暴露相关性。{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}

情绪指标的表现

我们在USFAST模型的多元横截面回归中，通过引入七个成分的情绪衡量指标和作为额外股票风格因子的综合指标来计算纯因子的表现。我们从USFAST中删除了现有的情绪和空头因子，以防止有多个版本的相似因子，这可能导致多重共线性。

表5和6显示了七个情绪指标和综合指数的历史纯因子表现。在整个抽样期间和3年滚动收益基础上，大多数指标仍为正值。

值得注意的例外是:

a)新闻情绪，在大部分分析期间滚动3年回报为负;

b)消费者情绪和内部人士情绪，在分析期间滚动3年表现不佳。

在分析期间，综合指数的表现优于所有7个分项指标，表明综合不同方面的情绪相对于单个分项的平均表现更为强劲。

十分位数回报显示的是综合情绪，（USFAST现有情绪因素包括分析师情绪(EPS预估的修正)、新闻情绪(新闻情绪的变化)和期权情绪(平价看跌期权相对于看涨期权的隐含波动率)。USFAST中现有的做空利率因素是由做空股票相对于可做空股票的供应量来定义的）与期权情绪相反，综合情绪受益于高敞口分位数和低敞口分位数的更好的绝对表现。附录提供更详细的资料，包括年度申报表、年度风险、最大提现额及年度资讯比率。

==表5MSCI美国IMI指数的纯因子表现时间序列==

因子回报是通过每周频率的多元横截面回归计算的。累积收益率是每周因子收益率的算术累积和。计算是在MSCI美国IMI宇全市场上完成的。计算时间为2012年1月至2020年6月{w:100}{w:100}{w:100}{w:100}{w:100}{w:100} ==表6MSCI美国IMI全球市场情绪指标的3年滚动纯因子表现==

2020年情绪指标表现

考虑到2020年上半年股市的大动荡，我们还研究了2020年前两个季度情绪指标的表现。表7显示了成分情绪和综合情绪数据集的累积日纯因子表现。而做空情绪则大幅回落，在COVID-19抛售高峰期间，分析师情绪、报告情绪和期权情绪等其他指标的表现略微不佳。然后，随着全球市场从低点反弹，分析师和报告情绪指标显示，2020年第二季度表现强劲，而空头情绪继续表现不佳，尽管第二季度初有所回升。

==表7-2020年上半年的情绪指标业绩==

因子回报是通过每周频率的多元横截面回归计算的。累积收益率是每周因子收益率的算术累积和。计算是在MSCI美国IMI完成的。计算时间为2020年1月至2020年6月。 {w:100}{w:100}{w:100}{w:100}{w:100}{w:100}

与传统股票风格因子的比较

接下来，我们比较了复合情感数据集与USFAST模型中其他风格因子的性能。表8显示了平均年度纯因子回报和综合情绪数据集的IR以及USFAST中的风格因子，排除了USFAST情绪和要防止的空头利率因子重复计算。样本期内，综合情绪因子在年化收益率和IR基础上都优于USFAST模型中的大多数股票风格因子。

==表8在USFAST模型中，复合情绪表现优于大多数股票风格因子==

计算是在MSCI美国IMI全市场中完成的。计算时间为2012年1月至2020年6月。{w:100}{w:100}{w:100}{w:100}{w:100}{w:100} 平均年收益率是按周收益率计算的复利。信息比率定义为按年风险计算的平均年收益。我们还分析了USFAST中综合情绪测量与股票风格因子的平均横截面敞口相关性。表9显示，具有积极情绪敞口的证券与盈余质量、管理质量、盈利能力、规模和动量因子存在正相关敞口，与杠杆、残余波动率、贝塔和价值存在负相关敞口。中等程度的相关性表明，该因子可能在2012年至2020年期间捕获了除现有股票风格因子之外的不相关的股票回报来源。

==表9USFAST中复合情感数据集与其他风格因子的相关性==

在USFAST中，通过测量综合情绪因子和股票风格因子之间的横截面敞口相关性，以每周为基础计算敞口相关性。计算是在MSCI美国IMI宇宙中完成的。图表上的x轴显示了2012年1月至2020年6月之间的历史平均暴露相关性。 {w:100}{w:100}{w:100}{w:100}{w:100}{w:100}

模拟只做多的情绪投资组合

鉴于因子投资的流行，我们进行了只做多的投资组合模拟，捕捉对目标情绪指标的敞口。在这些模拟中，我们为我们的假设投资组合探索了两种构建方法，每一种都服务于最终投资者的不同用例。 9 由于该因子的负面或意外表现，在投资组合模拟中没有探索新闻情绪指标。

第一种方法考虑投资者寻求对目标情绪因子的最大敞口，并愿意牺牲一些能力，而第二种方法考虑投资者以获取目标情绪因子的风险溢价为目标，并具有较高的投资能力。第一种方法使用最优化，其目标是最大限度地暴露于目标情绪信号，同时保持与重新平衡时基础基准相似的事前总风险轮廓（我们采用了MSCI多元多因子指数(MSCI, 2016)的框架。）。表10 这个框架允许我们在USSLOW中应用其他优化约束，(注：我们使用USSLOW模型进行优化，因为长期风格因子可能对投资组合的中长期再平衡频率(如月度和季度)有更大的影响得分。）如周转率、个人头寸权重和对部门的积极敞口以及其他风格因子。

表10列出了模拟中使用的设置和约束。我们使用Barra Open Optimizer在指定的设置和约束条件下，最大限度地暴露于目标情绪测量。

==表10优化组合的设置==

由于与目标因素的高横截面敞口相关性，以下风格因素不受卖空情绪期权情绪和报告情绪优化模拟的约束:卖空情绪的规模和收益变异性;期权情绪-贝塔值和剩余波动率;报告盈利能力、盈利质量和杠杆率。{w:100}{w:100}{w:100}{w:100} 第二种方法基于更简单的投资组合构建规则，目的是在高投资能力的情况下捕捉目标情绪指标的敞口。我们构建了一个模拟的投资组合，选择所有与目标指标有敞口的证券，并按市值和敞口的比例加权它们，

The factor score is computed from the z-score as follows: 𝐹𝑎𝑐𝑡𝑜𝑟 𝑆𝑐𝑜𝑟𝑒 = {(1 + 𝑍𝑇𝑗 ) , 𝑍𝑇𝑗 ≥ 0 (1− 𝑍𝑇𝑗 )−1

我们运用风险敞口缓冲来寻求减少周转率并增强投资组合的稳定性。在每次重新平衡时，证券的风险敞口被定义为当前风险敞口及其在前一次重新平衡时风险敞口的简单平均值。

为了有一个简单和一致的模拟框架，我们使用了相同的模拟方法对所有的情绪指标进行季度再平衡，除了内部情绪和消费者情绪，我们使用了月度再平衡，因为这些指标的信息衰减更快。（为了更有效地捕获度量，这些可能需要根据每一个度量所拥有的独特特征来细化投资组合构建方法。）

高曝光组合

表11和12展示了使用基于优化的方法构建的假设投资组合的表现。

==表11模拟多头优化投资组合的表现==

数据从2012年2月29日至2020年6月30日。以美元计算的年化总回报；年化单向指数成交额超过指数评论；平均值 {w:100}{w:100}{w:100}{w:100} ==表12模拟多头优化情绪组合相对于基准的时间序列表现==

数据从2012年2月29日至2020年6月30日 {w:100}{w:100}{w:100}{w:100}

我们看到，在2012年2月至2020年6月期间，除了内部情绪投资组合外，所有其他优化情绪投资组合的夏普比率都优于基准。内部人情绪投资组合的表现可能受到了回报分布的倾斜影响，这一分布对内部人卖家比内部人买家更有利。十分位收益率14表明，内部人士温和买入的证券比内部人士净买入的证券有更高的回报，因此在只做多的情况下提取信息的能力更有限。在期权人气方面，强势表现不佳的底部十分位15 可能影响了 15 请参阅附录-期权情绪。仅做多优化投资组合在分析期间的表现与我们在前一节检查的纯因子表现相比较。高容量的投资组合看看基于规则的投资组合的表现，表13和14显示了所有情绪投资组合的关键指标和时间序列表现。

==表13基于规则的模拟多头投资组合的表现==

{w:100}{w:100}{w:100}{w:100} 数据从2012年2月29日至2020年6月30日。以美元计算的年化总回报年化单向指数成交额超过指数评论月平均值

==表14基于多头规则的模拟情绪组合相对于基准的时间序列表现==

数据从2012年2月29日至2020年6月30日 {w:100}{w:100}{w:100}{w:100} 通过基于规则的方法，我们看到，除了期权情绪，所有基于规则的情绪投资组合在2012年2月至2020年6月之间的年化回报率和夏普比率都高于基准。对大多数情绪投资组合来说，投资组合结构的设计导致了更高的投资能力和更低的周转率。内部情绪和消费者情绪投资组合的高成交量，可能是由于信号的快速变化特性，导致每次再平衡时增减的数量更多。我们还分析了这两种方法捕获阿尔法信号的程度，或者，在本例中，目标情绪因子敞口。为此，我们研究了主动目标因子暴露(见表15)和主动表现归因，使用USSLOW，对目标因子和其他风格因子(见表16) 16 请参见Bonne, G.， Roisenberg, L.， Aylur Subramanian, R.和Melas, D. 2018。《引入MSCI FaCS:股票投资组合的新因子分类系统》。“MSCI研究洞察”。

==表15相对于基准的多头投资组合的积极目标因子敞口==

数据从2012年2月29日至2020年6月30日。主动敞口是相对于基准MSCI美国指数每月计算的{w:100}{w:100}{w:100}{w:100} ==表16主动风格因子只做多的投资组合相对于基准的回报归属==

数据从2012年2月29日至2020年6月30日。活跃回报是相对于基准MSCI美国IMI每月计算的。当将表现归因到其他风格因子时，我们使用USSLOW进行归因，并将各因子的贡献分组到FaCS家族因子中。{w:100}{w:100}{w:100}{w:100} 我们看到，对于这两种投资组合构建方法，大多数假设的情绪投资组合都有大量的目标因子敞口。通过设计，只做多优化的投资组合具有较高的风险敞口和来自目标因子的收益贡献，其他风格因子的影响有限。17 值得注意的例外是，在两种投资组合构建方法中，分析师情绪投资组合和期权情绪投资组合分别受到动量和波动因子略微较高的贡献。使用消费者情绪和内幕情绪指标构建的投资组合显示出相对较低的目标因子回报贡献，因为这些指标的纯因子表现相对较弱。