股票预期收益决定因素的共性分析
Robert a.Haugen*a,Nardin L.Bakerb
加州大学欧文分校管理研究生院,加州92717,美国bGrantham,Mayo,Van Otterloo,Boston,MA 02110,美国
(1995年4月收到;定稿1995年11月收到)
摘要
我们发现,股票预期收益横截面的决定因素在不同时期和不同国家之间的同一性和影响是稳定的。对预期回报的样本外预测是非常准确的。本文有两个发现区别于当代文学中的其他研究:首先,预期收益率和实际收益率较高的股票的风险明显低于回报率较低的股票。第二,预期股票回报的重要决定因素在世界主要股票市场中是非常普遍的。总的来说,结果似乎揭示了有效市场假说的一个重大失败。
关键词:市场效率;横断面预测;国际
- 介绍
越来越多的证据表明,相对股票收益可以通过与现代金融公认范式不一致的因素来预测。
*对应于作者。
作者要感谢Michael Adler、Michael Brennan、Naifu Chen、John Comerford、Joe Dada、Eugene Fama、Dan Givoly、Campbell Harvey、Philippe Jorion、Josef Lakonishok、Harry Markowitz、Jay Ritter、Richard Roll、Mark Rubinstein、Neal Stoughton,以及南加州大学、加州大学洛杉矶分校和Berkeley Financial Program的研讨会参与者,以及Jay Shanken(裁判)的精辟评论和建议,以及Darius Miller的计算帮助。
DeBondt和Thaler(1985)、Jegadeesh和Titman(1993)、Chopra、Lakonishok和Ritter(1992)、Jegadeesh(1990)表明,股票的收益历史在预测相对收益方面是有用的。此外,Fama和French(1992)、Lakonishok、Shleifer和Vishny(1994)和Davis(1994)表明,未来的回报可以通过(a)股票的当前市场价格和(b)会计数字的当前价值(如账面价值或每股收益)的相对大小来预测。
对这一证据的反应一直很强烈。一些人认为这是有缺陷的,至少部分原因是偏见。Kothari、Shanken和Sloan(1995)、Brown和Goetzmann(1995)、Brown、Goetzmann和Ross(1995)将生存偏差作为一个可以夸大预测能力的问题。Black(1993)、Merton(1987)、Lo和MacKinlay(1990)认为,这些结果代表了测试前某种形式的数据窥探。
另一些人则认为,虽然预测的成功可能会因各种偏见的影响而有所夸大,但结果的基本性质仍然存在,值得密切关注。我们可以把采取这种立场的人分成两组。一组人认为差异与相对风险有关,而另一组人则将其归因于市场定价的偏差。
第一组认为,股票收益的差异是投资者所期望和需要的(见Fama和French,1992,1993;Ball,Kothari和Shanken,1995),这种差异是风险溢价。虽然他们认为风险溢价的性质似乎与资本资产定价模型(CAPM)的预测不一致,但他们声称风险溢价可能与其他多因素模型一致。因此,尽管这一群体认为新的结果可能导致对CAPM的拒绝,但他们对有效市场理论的看法仍然完好无损。
第二组认为,预测回报的差异令投资者感到意外(参见Chopra,Lakonishok和Ritter,1992;Lakonishok,Shleifer和Vishny,1994;Haugen,1995)。不同的回报可能来自于市场对各种事件的过度反应或反应不足。由股票定价偏差造成的已实现收益模式的扭曲,可以掩盖预期收益与风险之间关系的真实性质,无论其性质如何。这个小组认为这个结果是有效市场假说的一个重大挫折。
本文进行的预测能力测试最小化了文献中讨论的各种偏差来源。鉴于我们的程序和所发现的可预测的回报差的大小,这些差似乎不太可能仅仅是方法上偏差的伪影。由于已实现收益的差异太大,不能被可信地称为风险溢价,而且由于高收益十分位数相对来说风险不大,我们的结果也强烈支持定价偏差假设。
差异股票收益的决定因素随时间的推移是惊人稳定的,我们的预期收益因子模型的预测能力也是
出奇的高。我们在其他国家也发现了高权力:在解释预期收益差异的公司特征方面,市场上似乎有许多共性。这是真的,尽管事实上,这些特征的月收益在五个被审查的国家之间没有显著的相关性。因此,预期股票收益的决定因素在不同时期和不同市场上似乎是共同的。
在第2节中,我们确定了可能扭曲股票市场预测能力研究结果的偏差来源。第3节讨论了用于预测收益的公司特征(因素)的性质。第4至12节讨论我们的方法,第13节总结。
- 股票收益预测中的偏差来源
正如上面提到的,一些研究认为,预测相对股票收益的成功是有缺陷的几个来源的偏见。我们的目标是设计一个测试,在这个测试下,下面讨论的问题的影响最小化,但我们仍然可以相信我们的结果是真实的。
如果一个数据库系统地排除了大量已经单独不活跃的公司,可以说数据遭受了生存偏见。为了说明这种偏差,考虑对共同基金业绩的研究。假设所有共同基金都有相同的预期收益率(等于市场指数),但回报的可变性不同。另外,假设如果业绩低于某个阈值,基金将不再活跃。那么,达到这个临界值的概率随着基金的风险而增加。如果我们只观察那些保持活跃的基金的表现,我们很可能会发现幸存者的表现超过了市场。我们还可能发现,性能随着回报的可变性水平而增加。因此,我们可以在基金风险的基础上预测业绩。
在对单个公司的研究中,偏见的性质不太清楚,因为许多公司可能因合并或失败而消失。在任何一种情况下,非幸存者的总体回报都可能是不正常的。
如果预测中使用的因素与不活跃的概率有某种联系,数据库中不包括不活跃的公司会导致预测能力的误导估计。商业数据库中回填的公司的性质加剧了生存偏见。提供商倾向于添加那些在其记录被回填时显示出重要市场地位的公司。因此,考虑到回填前五年有两家规模相同的公司,回填时规模较大(也较成功)的公司更有可能被添加到数据库中。
当数据项被用作预测因素时,就会出现前瞻性偏差,这些因素的值在预测时是未知的。例如,假设收益价格比(收益收益率)被用作预测
因子。如果比率是用在预测日期没有实际报告的收益数计算的,则该因子的预测能力被夸大了。这是因为收益收益率相对较高(低)的公司包括那些上季度出乎意料地高(低)的公司。市场对这些数字的反应很可能是正面(负面)的。因此,高(低)收益收益率与高(低)后续回报相关联,即使数字中可能没有真实的预测信息。
一种被称为买卖反弹的现象也会在股市预测能力的测试中灌输偏见。股票以出价或要价交易,回报通常以接近收盘的价格来衡量。假设一只股票的潜在市场价值在t月期间没有变化,但该月的最后一次交易是在出价时。同时假设股票在t+1个月内价格保持不变。在t-1或t+1结束时,它以要价收盘的可能性大致相等。因此,假设买卖价差没有变化,测量的收益对于t要么为零,要么为负,对于t+1要么为零,要么为正。因此,以收盘价衡量的回报可能看起来是负自相关的,即使它们不是。因此,买卖反弹的存在可以导致上一个时期的收益具有预测能力的错误结论,即使连续的股票收益完全不相关。
与数据窥探相关的偏差发生在研究人员(a)检查数据库的属性或数据库的其他研究结果,(b)利用基于先前结果的有希望的因素建立预测模型,然后(c)在同一数据库上测试其模型的能力时。由于大多数研究人员目前使用相同的美国公司数据库,并且由于他们公布和讨论他们的结果,这既是一个重要的问题,也是一个难以解决的问题。然而,这个问题可以通过使用未经广泛研究的市场数据来解决,或者通过使用分析所需的新时间段来预测。
- 可能导致预期收益差异的企业特征(因素)
几十年来,执业分析师一直在使用因子模型来预测股票收益的二阶矩(方差)(或与二阶矩相关的统计数据,如相对于基准投资组合的波动率、市场贝塔和剩余方差)。1在本研究中,我们使用这样一个模型来预测股票收益的一阶矩(期望值)。我们的模型采用了许多在数量和性质上与二阶矩因子模型相似的因子。
Uhe在商业上最成功的是巴拉模式。
在更传统的检验中,经验主义者选择了基于资产定价理论模型的因素(Fama和MacBeth,1973)或能够解释股票之间协方差的变量(Chen,1983)。如果股票市场流动性好,效率高,那么风险差异应该是预期收益差异的唯一决定因素。
然而,如果股票的流动性是异质的,如果定价相对于可用的信息集是有偏差的,许多非风险相关的变量在预测横截面时可能是重要的。鉴于这种可能性,我们对股票预期收益的预测基于五类因素:风险、流动性、价格水平、增长潜力和价格历史。
考虑到纵向研究(French,Schwert和Stambaugh,1987;Haugen,Talmor和Torous,1991)所报告的市场风险意外变化的价格反应,股票风险的差异在横截面上可能具有预测力。公认的范式指出特定的风险变量,如CAPM和套利定价理论(APT)贝塔,作为理论上预测收益的适当变量。然而,正如Haugen(1995)所讨论的那样,越来越明显的是,这些模型可以具有低功率。尽管如此,我们还是包括了与市场相关的标准beta2和与宏观经济变量相关的beta。这些指标包括工业生产和通货膨胀率的每月百分比变化,以及30天期国库券的收益率。它们还包括30年期美国国债和30天期T债之间的回报差异,所罗门兄弟公司综合公司债券指数:以及具有相同存续期的两种证券的美国国债投资组合。此外,我们还包括股票本身的方差、剩余方差、总债务与股东权益的比率、可用于支付利息的收入相对于总利息费用,以及前五年的标准误差,按时间趋势,按季度每股收益计算的平均每股收益。总的来说,我们期望发现风险变量的收益是正的。
股票流动性的差异也可能很重要。在重新平衡他们的投资组合时,交易者必须在要求的价格上买入,在要求的价格上卖出。买卖价差是交易成本的一部分。交易的市场影响也很重要。个别股票的流动性程度大不相同。为了保持与扣除交易成本后的预期收益率相称,股票必须具有反映相对交易成本的总预期收益(见Stoll和Whaley,1983;Amihud和Mendelson,1986)。与流动性相关的因素包括每股价格、相对于年平均总市值的年平均每日交易量(每股价格乘以已发行股份总数)、该变量的五年时间趋势,以及
所有市场和APT beta都是用每月数据在五年后的时间内计算出来的。
当代总市值。总体而言,投资者应该对代表流动性差异的各种因素预期负收益,流动性股票的预期收益较低。
与价格水平有关的因素表示当前市场价格相对于各种会计数字的水平。这些指标表明一只股票是卖得便宜还是贵。代表价格便宜的因素包括相对于每股收益的当代市场价格、每股现金流量、每股股利、每股账面价值和每股销售额。这些变量中的五年时间趋势和可变性也作为因素包括在内。我们包括时间趋势,以区分价格水平下降的公司与新兴或复苏的公司。最近的研究表明,价格与当前现金流比率低的股票在最近几十年中获得了相对较高的回报率。这些高回报的来源是许多争议的主题。
Chan and Chen(1991)和Fama and French(1992)认为价值股是“堕落的天使”,因此风险更大。他们认为,这些股票的溢价回报是预期的,也是必需的。因此,表明价格便宜的因素实际上属于上面讨论的风险类别。
Chopra、Lakonishok和Ritter(1992)、Lakonishok、Shleifer、Vishny(1994)和Haugen(1995)认为,价值股票的溢价回报是出乎意料的,系统地出乎投资者的意料,投资者对公司过去成功和失败的记录反应过度。过度反应市场的支持者认为,一个行业的竞争很快将利润推到正常水平。通过预测长期的快速增长,成长型股票的投资者可能会将价格推得过高。由于竞争力量对成长股的影响比这些投资者预期的要快,他们很容易对收益报告感到失望。这些股票的未来股息和资本利得有低于预期和回报相对较低的趋势。价值型股票的情况通常恰恰相反。
不管这些收益是来自风险还是过度反应,它们都应该是正的。相对于市价而言,当期现金流量最高的股票,其预期回报率也应该最高。
与增长潜力相关的因素表明一只股票的收益和股息未来增长速度快(慢)于平均水平的可能性。在横截面中,相对盈利的公司往往增长更快,至少在竞争进入其业务领域迫使利润达到正常水平之前是如此。基于目前盈利的公司具有更大的未来增长潜力的假设,我们使用了几个衡量盈利能力的指标作为预测因素。这些指标包括净利润与账面权益的比率、营业收入与总资产的比率、营业收入与总销售额的比率、总销售额与总资产的比率,以及这些变量的五年时间趋势。我们还包括每股收益的五年跟踪趋势,表示为
3鉴于反映股票价格水平的因素的大小,利润和股息的增长潜力越大,预期的未来回报率就越大。如果市场错误地将相同的价格分配给具有不同增长潜力的股票,我们预计增长潜力因素的收益将集体为正。
技术因素描述了一只股票的价格历史。最近的研究显示了回报的历史和未来预期回报之间的三种关系。首先,回报率似乎存在非常短期(一到两个月)的反转模式。如果一只股票上个月价格大幅上涨,这可能预示着下个月的反转(参见Jegadeesh,1990)。这些短期反转模式可能是由于投资者试图快速买入或卖出大量特定股票而引发的价格压力造成的。尽管卖方可以将股票的价格推低到其公允价值以下,但股票可以预期回到公允价值。如上所述,买卖反弹也有可能诱发短期负序列相关。Jegadeesh(1990)认为这种偏见可能很小。他发现,试图利用短期反转的交易策略是成功的,即使上个月的回报没有反映最后一天的交易。另一方面,Ball、Kothari和Wasley(1995)发现,在试图利用短期反转模式的短期反转策略的模拟中,出价-出价问题可能非常麻烦。出价问题对本文报告的测试影响不大。结果基本上保持不变,从我们的预期收益十位数形成的时间点到衡量业绩的时间点之间有一个月的间隔。此外,我们的十分位数并不以其股票的短期表现来区分。
第二,股票收益存在中期惯性模式。过去6到12个月表现好(差)的股票未来前景好(差)。股票收益的这些中期惯性模式可能是由于市场倾向于(a)对个别收益报告表现出滞后的反应,(b)对公司盈利率异常高或低的初始报告反应不足。最初的好(坏)季度收益报告往往会在一个或两个以上。如果市场没有认识到这一点,它对第一份报告反应不足,然后在接下来的六个月内发布下一两份报告时完成其反应(见Jegadeesh and Titman,1993;Bernard and Thomas,1990)。
最后,Jegadeesh和Titman(1993)表明股票收益存在长期(三到五年)的反转模式。这可能是由于市场对一系列好(坏)收益数据的正面(负面)报告反应过度。相信这一链条将延续到未来
3在五年期间平均收入为负的公司被分配人口平均因素敞口。
期间,投资者推动价格涨(跌)过高(低)。同样,随着竞争力量的发挥,过去价格上涨或下跌的股票在未来往往会逆转其表现。
有效市场的支持者认为,这些技术模式不是市场反应不足或反应过度的产物(例如,参见Chen,1991)。相反,他们认为股票的风险溢价是随时间变化的。随着股票的风险变大/变小,或者投资者对风险的敏感度增加(下降),预期收益中的风险溢价就会变大(变小)。风险水平和风险厌恶都可以随着经济周期的变化而变化。当我们进入衰退时,普通股的风险会增加;我们也变得更穷,所以我们的风险厌恶可以变得更强。有鉴于此,股市的预期回报率在衰退时可能会更高,在繁荣时可能会更低。在某种程度上,繁荣的变化是以某种有规律的时间模式发生的,我们在股票收益历史上看到的系统模式可以通过时间规避风险溢价来诱导。
考虑到定价偏差产生的模式,我们预计收益分别为(a)负,(b)正,(c)负,与股票过去(i)一至两个月,(ii)六至12个月,(iii)两至五年的表现有关。在本文的附录中提供了模型中使用的所有因素的综合列表。
- 估算和预测要素收益
在建立一个预期收益因子模型时,我们必须估计股票在不同因素下的不同风险会产生不同收益的趋势。对于给定的月份,我们同时估计了对各种因素特征的月收益(横截面回归系数),使用普通最小二乘(OLS)、横截面、多元回归分析:
ri,t=E pi.t*fi,i,t-i+uj to,(1)
RJ<(=t月股票收益率j,
Pi,t=在t月份对因子i的回归系数或收益,
Pj,i,t-i-在t-i月末股票j的系数i暴露(公司特征,如APT beta、规模、盈利能力度量等),4 ujtt=t月股票j回报的未解释部分。
每个月和每个因子的截面分布用Box-Cox(1964)变换函数归一化。离群值,超过4个标准差的平均值,被删除。
(1)在一个月的序列中进行估计,以获得各种因素的收益历史。
我们可以利用回报历史中所包含的信息,对以后时期的未来回报规模进行抽样预测。这里报告的美国股票的实验采用了预期收益估计月份前12个月观察到的平均收益。5然后预测t月的预期收益为
E(rJit)=t月stocky的预期收益率,
E(Pijt)=t月对因子i的预期回报(其后12个月估计回报的算术平均值),
fj not't-1=根据t-1月底的信息,stocky暴露于因子i。
如上所述,与这里所使用的风险模型相似的风险模型被实践投资组合分析家用来预测与股票投资组合收益分布的第二时刻有关的长期统计数据。这些模型将因子收益的协方差矩阵与投资组合风险(指数的差分风险)相协调,以获得投资组合波动性的估计(或者相对于指数的跟踪误差)。
- 每月回归结果
在拟合每个月的因子模型时,我们从罗素3000股票指数中的实际(截至每个日期)月度股票列表开始。这些指数由美国大约3000只最大的股票组成。7此外,如果某一股票的记录不完整(计算其在某一特定因素下的风险敞口所需的数据在某一特定月份不可用),则该股票
5我们使用扇区假人作为额外的控制因素。部门假人识别股票的主要业务。行业包括耐用品、非耐用品、公用事业、能源、建筑、商业设备、制造、运输、金融和商业服务。
6我们的数据来源包括Computstat、CRSP、互动数据公司、价值线和环球华帝。我们能够找到罗素3000指数中98只股票和罗素1000指数中近100只股票的信息。
7我们感谢弗兰克·罗素公司为我们提供了他们指数中股票的历史记录。
留在样本中,并为暴露分配总体平均值。这一过程可能会使我们的结果产生偏差,因为在进行预测的时候,当前记录中不可用的数字可能已经可用。我们的观点是,用人口平均暴露数字来填补缺失的记录比从人口中删除存量少产生偏见。尽管如此,我们还是以两种方式运行了测试,结果几乎没有差异。
我们估计了从1979年到1993年所有月份的收益。我们采用了与风险、流动性、价格水平、增长潜力和股票收益的技术历史相关的因素。对于每股收益等会计数字,我们假设报告滞后三个月。然而,从1988年开始,预测月份的商业数据文件被用来计算所有因子暴露。因此,前瞻偏见不应严重影响1988年以前的结果,也不应影响1988年以后的结果。
在1979年到1993年期间,我们运行了180个多元回归来解释罗素3000人口中个股的月回报率差异。无花果。1显示了多个调整系数的时间序列
1.预期收益因子模型的调整r-平方的时间序列。
在1979年到1993年期间的每个月里,在与风险、流动性、价格水平、增长潜力和价格历史有关的各种公司特征的横截面上,对罗素3000股票指数中的股票的回报横截面进行回归(使用OLS)。每个月回归的调整决定系数的时间序列如图所示。
这些回归的确定。在解释这些数字时,请记住,我们试图解释单个证券的月度回报率差异,而不是多样化投资组合的月度回报率差异。在任何给定的月份,大多数回报差异是由意外信息造成的,这些信息导致相对已实现的回报偏离预期。
在整个期间的前半部分的90个回归中,我们对与各种因素相关的回归系数或收益进行平均。然后根据与前半部分的平均值相关联的t统计量的绝对值对因子进行排序。Fama和MacBeth(1973)的均值和t-统计量在表1的第一个面板中给出。在表1的第二个面板中,我们给出了上半年12个最重要因素下半年的平均系数值和t统计量。请注意,所有的因素仍然有一致的迹象,平均收益的大小是非常相似的。
和其他人一样,我们在技术历史上发现了短期反转和中期惯性模式的证据。我们还发现,对“廉价价格”变量(账面、收益和现金流与价格的比率)的回报都是正的,并且在解释横截面方面很重要。另外,考虑到相对于当前现金流的市场价格水平,盈利能力越强的公司往往拥有更大的预期回报。流动性似乎也很重要,股票的特点是交易量高且不断增长,以预期回报较低的价格出售。由于投资者必须先买后卖,所以与当前交易量水平和趋势相关的系数的标志是预期的。
在12个最重要的因素中,只有一个因素(现金流与市场价格比率的可变性)似乎与月收益分布中的风险有关,而且它的收益似乎带有错误的标志。我们报告说,没有一个与市场或APT相关的β系数有显著的t得分。具有讽刺意味的是,以前解释横截面的许多工作都专门集中在这些变量上。对市场贝塔的平均收益、总收益的波动率和剩余方差分别为0.01、0.01和-0.02。
比较这两个时期,在系数的符号和大小上有高度的共性。所有的重要因素都保持了它们的征兆,并且系数的大小非常相似。
为了检验整个周期内所有因子的平均收益都为零的零假设,我们对所有因子的平均收益的联合显著性进行了Hotelling-T2检验,但与扇区有关的因子除外。由于我们的大多数因素都不是统计估计,而且是无误差测量的,所以我们不调整Hoteling-T2以弥补变量中的误差。未经调整的热值-T2为8.206(p=0.000)。因此,我们得出结论,在一个极高的置信度水平下,收益是联合非零的。
表1
1979/01-1986/06年最重要因素的均值和/-统计
因数 |
1979/01至1986/06年 |
1986/07年至1993/12年 |
||
平均数 |
T-stat。 |
平均数 |
T-stat。 |
|
一个月超额收益 |
-0.97 |
-17.04 |
-0.72 |
-11.04 |
十二个月超额收益 |
0.52 |
7.09 |
0.52 |
7.09 |
交易量/市值 |
-0.35 |
-5.28 |
-0.20 |
-2.33 |
两个月超额收益 |
-0.20 |
-4.97 |
-0.11 |
-2.37 |
按价格计算的收益 |
0.27 |
4.56 |
0.26 |
4.42 |
股本回报率 |
0.24 |
4.34 |
0.13 |
2.06 |
按价格计价 |
0.35 |
3.90 |
0.39 |
6.72 |
交易量趋势 |
-0.10 |
-3.17 |
-0.09 |
-2.58 |
六个月超额回报 |
0.24 |
3.01 |
0.19 |
2.55 |
现金流量对价格 |
0.13 |
2.64 |
0.26 |
4.42 |
现金流量对价格的可变性 |
-0.11 |
-2.55 |
-0.15 |
-3.38 |
在1979/01年到1986/06年期间的每个月里,罗素3000股票指数中的股票的回报是根据与风险、流动性、价格水平、增长潜力和价格历史有关的各种公司特征回归的(使用OLS)。系数在90个回归中平均。然后根据均值的t统计量的绝对值对因子进行排序。表中列出了这一时期排名最高的12个因素。这些因素的回归系数的平均值,以及这些平均值的t-统计量,载于1986/07至1993/12第二个时期的表的第二部分。这些系数可以解释为股票每月预期回报的变化,与股票暴露于横截面中的一个因素的一个标准差的变化相关联。交易量是指该股票在最后一个月的交易总额占总市值的百分比。市值是以最后一个月底每股市价乘以最近报告的已发行股份数的乘积计算的。收益对价格、现金流量对价格和账面对价格的计算方法为最近报告的最后12个月每股收益、每股收益加每股折旧以及截至最后一个月的每股账面价值对每股价格的比率。利润率是最近报告的净营业收入与总销售额的比率。净资产收益率是最近报告的每股收益与每股账面价值的比率。趋势数字的计算方法是,尾随的五年时间趋势除以每个数字的五年平均值。1988年以前,假定报告滞后三个月。1988年以后,每个月底可用的实际当代数据文件用于计算。超额回报是以股票的尾随总回报率与标准普尔500股票指数的尾随总回报率之差计算的。现金流收益率的可变性是以收益率在五年时间趋势下的月值的可变性计算的。
- 期望收益预测的样本外精度检验
为了检验我们预测的准确性,我们首先估计了1979年前12个月对这些因素的收益。然后对收益进行平均,这些平均值被用作1979年第一个月的预测。我们采用12个月的跟踪平均值来利用预期的
收益的值是时变的。给定每只股票的风险敞口(基于前一个月末的可用信息)和下一个月的预计因子收益,我们可以计算出每只股票的相对预期收益率。然后我们按相对预期收益进行排序。我们将股票分成十个加权相等的十位,十位1包含预期收益率最低的股票。
这一过程一直重复到1993年12月。12个月的拖尾期,在此期间,收益被观察和平均,随着这一过程而移动。然后,我们计算实际的链接,实现回报率到排名的十位。
结果见表2。在整个周期内,十位数和一位数之间的差值约为35。表2中报告的斜率是从十位数排名的已实现年度回报的回归中得出的。它们可以被解释为从一个十位数移到下一个十位数时实现回报的预期增加。测定系数也报告了,而且出奇的高。为了检验因子模型的可靠性,我们还在表2中按年度分离了已实现的收益。在每一年中,当我们从十位数1到十位数10时,实现的回报往往变得更大,利差惊人地大。
为了测试买卖反弹的潜在影响,我们重新进行了测试,在测试中,我们试图根据t时可用的信息预测t+2月的回报。将预测与暴露分开一个月,会略微降低表2的总斜率,并略微增加确定系数。这种效应似乎与因子暴露估计中的陈旧性一致,我们得出结论,我们的原则结果在很大程度上不受出价-出价问题的影响。
表2的结果与其他人报告的结果大相径庭。方法上的两个差异解释了预测能力的提高。首先,该模型同时使用多种预测变量,而不是一次使用一个或两个。第二,与其他研究不同的是,我们将表中的2十分位数按月而不是按年重新组合。许多因子风险敞口,如前一个月或前一个季度的超额收益,往往意味着--恢复得相当快。因此,他们在一个月内预测回报的能力要比在一年内预测回报的能力大得多。
为了确定表2中报告的结果是否主要是由以前其他人报告的市场行为驱动的,我们运行的测试不包括
8Ball、Kothari和Shanken(1995)认为,对胜利者和失败者的相对表现的测试结果受到衡量随后表现的开始月份的显著影响。为了确定这在多大程度上适用于我们的测试,我们重新运行分析,在一年中的12个月中分别启动它。结果与起始月份没有显著相关。
表2
美国按预期回报排名形成的第1至10位的实现年化回报
12月1日 |
12月2日 |
12月3日 |
12月4日 |
12月5日 |
12月6日 |
12月7日 |
12月8日 |
12月9日 |
12月10日 |
坡度 |
R1 |
|
周年申报表 |
||||||||||||
1979 |
33.5 |
32.6 |
33.9 |
43.1 |
35.2 |
36.3 |
47.3 |
40.1 |
39.3 |
43.4 |
1.1 |
0.446 |
1980 |
17.4 |
26.2 |
25.4 |
27.2 |
25.8 |
41.3 |
42.6 |
45.3 |
55.6 |
68.4 |
5.0 |
0.897 |
1981 |
-15.6 |
-14.2 |
-7.9 |
-4.6 |
2.1 |
5.6 |
0.4 |
6.3 |
9.7 |
16.2 |
3.3 |
0.931 |
1982 |
3.2 |
15.5 |
21.8 |
24.6 |
24.0 |
25.9 |
32.1 |
34.6 |
39.5 |
49.7 |
4.1 |
0.929 |
1983 |
11.8 |
18.0 |
23.4 |
29.5 |
28.8 |
39.3 |
37.8 |
46.1 |
45.1 |
54.5 |
4.4 |
0.962 |
1984 |
-30.9 |
-20.7 |
-13.4 |
-9.1 |
-6.5 |
1.0 |
2.8 |
12.8 |
15.4 |
22.4 |
5.5 |
0.986 |
1985 |
4.3 |
18.4 |
26.6 |
37.8 |
34.9 |
37.8 |
34.9 |
41.2 |
43.4 |
45.7 |
3.7 |
0.776 |
1986 |
-15.2 |
-7.1 |
1.9 |
9.2 |
12.1 |
15.1 |
19.9 |
23.2 |
23.0 |
30.9 |
4.7 |
0.925 |
1987 |
-23.8 |
-12.3 |
-5.0 |
-6.8 |
0.0 |
1.6 |
-3.4 |
-2.0 |
1.2 |
-5.1 |
1.8 |
0.486 |
1988 |
1.5 |
10.4 |
18.5 |
24.0 |
22.2 |
28.8 |
26.9 |
25.9 |
29.7 |
27.0 |
2.5 |
0.714 |
1989 |
-3.0 |
8.2 |
9.7 |
16.8 |
18.7 |
21.5 |
28.5 |
29.8 |
32.4 |
28.7 |
3.6 |
0.893 |
1990 |
-46.9 |
-36.2 |
-27.5 |
-21.7 |
-15.5 |
-12.7 |
-10.2 |
-9.9 |
-2.9 |
1.3 |
4.8 |
0.937 |
1991 |
23.9 |
29.3 |
36.5 |
42.0 |
45.2 |
45.7 |
51.1 |
46.6 |
46.9 |
57.4 |
3.1 |
0.817 |
1992 |
2.5 |
7.5 |
16.3 |
20.3 |
|