投资学翻译2

提供美国平均月度股票回报独立信息的特征

在2011年美国金融协会主席演讲中，John H. Cochrane(2011, 1060)挑战研究人员找出提供美国股票平均回报独立信息的公司特征。Cochrane提出了他的挑战，因为在1970年以来的异常文献(Green, Hand, and Zhang 2013;侯、薛、张2016)。我们的研究目标是通过使用CRSP、Compustat和I/B/E/S中的94个特征开始响应Cochrane的号召;美国从1980年到2014年的回归提前一个月;以及避免增持微盘股的实证方法(Fama和French 2008;Hou, Xue, and Zhang 2016)，并对数据窥探偏差进行调整(Benjamini and Yekutieli 2001;Harvey, Liu, and Zhu 2016)。

我们的一般方法遵循Fama和French(1992)和其他人的方法，我们估计了一系列Fama- macbeth回归。然而，我们在四个方面背离了异常文献。首先，我们关注同时包括作为解释变量的所有94个大的企业特征，我们研究。这使我们能够识别那些提供独立、非冗余信息的特征。我们同时评估所有94个企业特征的方法是可行的，因为特征之间的平均绝对相关性很小(0.07)，而且我们通过将缺失特征值设置为当月非缺失值的标准化平均值来保留所有企业-月观察值。

其次，因为微型股——那些市值低于纽约证券交易所20个百分位数的股票——只占美国股市价值的3%，我们关注的是股票的横截面，以避免在微型股中过度权重(Hou, Xue, and Zhang 2015)。我们基于样本和方法的两种组合估计回归:对所有股票的市场价值加权最小二乘(VWLS)和对所有非微型股票的普通最小二乘(OLS)。前一种方法将最大的权重放在大盘股上，而后一种方法强调小股，但不是微股。我们将这两种方法的结果汇总在一起，以此来推断非微盘股票的大截面。为了证明微帽的影响并与之前的研究进行比较，我们还提供了使用OLS对所有股票的结果。

• 注意到由于使用大量回归器估计回归以及使用先前研究已经确定的特征而引起的数据窥探问题，我们通过使用Fama-MacBeth估计的坡度系数的双尾p值来评估一个特征是否具有统计学意义，该坡度系数调整了假检出率，考虑到假设检验的相关性，在我们的情况下，回归系数p值(Benjamini和Yekutieli 2001)。如果我们采用Harvey, Liu, and Zhu(2016)的建议，Fama-MacBeth t-statistic的绝对值大于等于3.0，那么我们的推论在很大程度上是相似的。
• 也是最后，我们根据技术、信息、交易量以及自1980年(我们的数据窗口开始之时)以来在美国资本市场发生的多/空投资工具的类型和能力方面的重大变化，评估了在日历时间内回报产生过程的稳定性。我们发现2003年基于特征的可预测性发生了显著变化，2003年后对冲投资组合对非微型股的回报降至零，独立特征的数量降至仅有两个。对于微盘，独立特征的数量也有所下降，而微盘对冲投资组合的回报在2003年后仍保持可靠的正。

我们通过建立一个常规基线来开始实证分析，以此来比较我们方法的结果。该基线包含了从1980年到2014年的全窗口回归的估计结果，其中包含94个特征中的每一个，作为一个独立变量，以及在Carhart(1997)、Fama和French(2015)以及Hou、Xue和Zhang(2015)等著名基准因子模型中，将因子的特征等量添加到一个给定的单一特征中作为解释变量。

我们发现只有一个94的特点是重要的(长期净营业资产的增长)当使用VWLS Fama-MacBeth回归包含单个特征对所有股票,这12个特征显著使用OLS all-but-microcap股票(资产增长,增长industry-adjusted销售,流通股百分比变化，库存增长，盈利公告回报，账面权益增长，资本支出增长，长期净运营资产增长，PP&E加库存增长，连续几个季度盈利高于去年同期，销售增长低于库存增长，以及标准化的意外季度收益)。通过这两种方法的汇集，在非微型股的横截面中总共产生了12个单因素显著特征，而在由微型股主导的横截面中则产生了30个单因素显著特征。这表明，在1980年至2014年的整整35年期间，作为异常现象提出的绝大多数特征并没有以单变量的方式稳健地呈现出来，特别是对于非微型股而言。

接下来，我们通过在控制了3或4个与显著基准因子模型相关的特征后单独评估特征来扩展单变量视角。在所有股票的Carhart、五因素和q因素模型上使用VWLS测试了90-91的6、4和1个显著特征，在所有微帽上使用OLS测试了17、4和4个显著特征。这表明，在显著因素激励的基准模型中，Hou、Xue和Zhang的q-theory模型最好地抓住了平均回报的独立决定因素，因为它产生的增量显著性企业特征比q-theory模型本身所规定的要少。

我们研究的中心是，我们放宽了每次评估一个非基准模型特征的方法，同时包括Fama-MacBeth回归中的所有94个特征。考虑到OLS的假设和特征之间较低的平均绝对交叉相关性，这使我们能够确定回报的独立决定因素。我们估计，在所有股票上使用VWLS估计有6个特征是独立的决定因素，而在全但微型股票上使用OLS估计有9个特征是独立的决定因素。通过这两种方法的汇集，在非微帽中产生了12个独立的特征:账面市值比、现金、分析师人数变化、收益公告回报、一个月动量、六个月动量变化、连续几个季度收益高于上年同期、年度研发对市值、回报波动、股票周转率、股票周转率、零交易日。相比之下，所有个股在以微帽为主的OLS横截面上有23个独立特征。

总的来说，我们对1980年至2014年全窗口期内美国股票平均月回报的决定因素的单变量和多变量研究结果表明了三个主要结论。首先,少量的多元的确定独立特征是一样的小数量的单变量显著特征(12)每次使我们认识到,它并非如此,一些独立的特征能够吸收大量的信息的其他特征单变量显著。相反，在调整了微股的影响和对数据窥探的担忧之后，本质上几乎没有什么特征能够独立预测非微股的平均回报。

其次，独立特征的同一性和性质不同于单一显著特征。基本和市场分类的基础上提出的异常麦克莱恩和教皇(2016),10的12单变量显著特征是fundamental-based(资产增长,增长industry-adjusted销售,库存增长,账面价值的增长,资本支出的增长,长期净营业资产的增长,PP&E的增长加上库存，盈利高于去年同期的连续季度数，销售增长低于库存增长，以及标准化的意外季度收益)，而两个是基于市场的(流通股的百分比变化，盈利公告回报)。相比之下，在12个多变量确定的独立特征中，只有一个是基于基本面的(连续几个季度的收益高于去年同期的数量)，而7个是基于市场的(6个月动量变化、收益公告回报、1个月动量、回报波动、股票周转率、股票成交量波动，零交易日)。这些差异表明，需要控制平均回报决定因素的研究可能最好使用我们确定的独立特征，而不是单一显著性特征。

• 作为非微盘回报独立决定因素的特征通常也是微盘回报的独立决定因素，但反之亦然。在非微帽的12个独立特征中，有10个是微帽的独立特征(所有个股均为OLS)， 23个微帽的独立特征中有13个是非微帽的独立特征。同样的情况是，非微盘的12个独立特征中有11个不属于卡哈特、五因素和q因素基准模型中的因素，但账面市值比除外。这表明，未来的工作可能会受益于开发平均回报模型，这些模型是量身定制的，以便考虑到不同公司规模的差异，而且它们所包含的特征比当前的基准模型更广泛。

我们研究的最后一组结果扩展了前面的分析，表明独立特征的数量和经济重要性在历法时间上有显著的差异，并以不同的方式随企业规模而变化。具体来说，我们记录了在2003年，对冲投资组合回报的幅度急剧下降到基于特征的可预测性，特别是在非微型股中。在价值加权全股票对冲组合中，利用全部94个特征利用可预测性的平均月原始对冲收益从2003年前的1.9% (t-statistic = 4.4)下降到2003年后的0.5% (t-statistic = 1.1)。等权重全微盘股票对冲组合从2003年前的2.8% (t-statistic = 5.7)到2003年后的0.1% (t-statistic = 0.2)。对于微盘股而言，尽管2003年前后的平均月度原始对冲回报显著为正，但2003年之后的平均水平却要低近三分之二。将用于创建对冲回报的特征限制在前面提到的12个子集中，就可以得到类似的结论，控制Carhart、五因素和q因素基准因素模型的因素回报也是如此。

与对冲回报的显著下降相一致，我们还发现，2003年之后，只有两个特征是非微型股回报的独立决定因素，而2003年之前为12个。对于微型企业来说，独立决定因素的数量也有所下降，从25个下降到8个，下降了三分之二。因此,除了数据探测法和出版衰变,尽管低0.07平均互相关特性,自2003年以来的情况,几乎没有characteristics-based异常存在nonmicrocap截面的回报,只有不到十已经出现在微型截面。这表明，2003年特征的经济和统计意义向平均月度美国回报的转变，对过去和未来的研究都提出了有意义的挑战。

总的来说，我们的发现是，从1980年到2014年，94个特征中只有12个提供了独立的信息在非微帽中，2003年之后只有两个特征重要，这增加了对Harvey, Liu提出的先前研究结果的更多怀疑。朱(2016)对数据窥探的批评，以及麦克莱恩和教皇(2016)对出版后衰退的发现。虽然我们的结果与之前研究中记录的收益可预见性存在大量数据窥探问题的观点一致(Harvey, Liu, and Zhu 2016;Linnainmaa和Roberts 2016)，我们记录的可预见性与2003年前后以及公司规模的显著差异表明，数据窥探并不是一个完整的解释。

虽然我们无法确定2003年基于特征的可预见性突然下降的确切原因，但一种解释是，基于特征的可预见性反映了错误定价，而错误定价随着利用它的成本的下降而下降。与反映错误定价的基于特征的可预测性一致，Engelberg、McLean和Pontiff(2016)从一组97个特征中得出结论，异常回报是由于有偏见的投资者预期，因为它们在收益公告日高出7倍，在公司新闻日高出2倍，并可靠地预测分析师的预测误差。符合利用错误定价的成本下降随着时间的推移,我们注意到,许多变化发生在信息和交易环境从2002年7月到2003年6月,包括萨班斯-奥克斯利法案的通过,10的加速和10-Kfiling要求SEC,纽交所和设计师的介绍。虽然这些变化的时间合流使我们很难将其中一个或多个与我们在月度回报产生过程中观察到的变化联系起来，但我们建议，这些变化使快速实