從盈余公告前異常特質(zhì)波動看上市公司信息泄露風(fēng)險

1、文獻(xiàn)來源文獻(xiàn)來源：Yung Chiang Yang, Bohui Zhang, Chu Zhang. Is Information RiskPriced? Evidence From Abnormal Idiosyncratic Volatility. Journal of Financial Economics. 135. 2020:528-554.文獻(xiàn)亮點(diǎn)：作者提出一種新的基于價格的度量方法異常特質(zhì)波動率（AIV， Abnormal Idiosyncratic Volatility）來衡量信息泄露風(fēng)險，該方法旨在捕捉非知情交易者的信息不對稱性。AIV 指標(biāo)衡量的是上市公司發(fā)布信息前的特質(zhì)波

2、動率超過平常時間特質(zhì)波動率的幅度。本文采用盈余公告作為信息發(fā)布事件，我們發(fā)現(xiàn) AIV 與股票發(fā)布盈余公告前的知情交易者行為、內(nèi)幕交易行為、賣空行為和機(jī)構(gòu)交易行為都具有很強(qiáng)的相關(guān)性。AIV 值更高的股票的長期收益顯著高于 AIV 值越低的股票的長期收益，且在統(tǒng)計意義上顯著。綜合來看，本文的研究表明信息不對稱風(fēng)險確實存在市場溢價。引言標(biāo)準(zhǔn)的資產(chǎn)定價理論認(rèn)為所有投資者獲取的信息都是相同的，因此資產(chǎn)的預(yù)期收益更多取決于其系統(tǒng)性風(fēng)險的高低。然而，當(dāng)投資者所獲取的信息并不相同時，傳統(tǒng)的資本資產(chǎn)定價理論即受到了挑戰(zhàn)。不同的模型假設(shè)和技術(shù)手段的使用可能帶來不同的結(jié)論，盡管目前有很多文獻(xiàn)就該問題進(jìn)行了討論，但實

3、證上來講信息不對稱風(fēng)險究竟是否被市場定價的這一問題仍然還沒有一個明確的答案。這其中的主要難題即在于如何來衡量信息風(fēng)險。因此，在本文中，我們提出一種基于價格指標(biāo)的方法來衡量信息風(fēng)險。在以前的研究中，最主流的定義信息風(fēng)險的方式是通過交易量來定義的。Easley等（1996）和 Easley 等（2002）（后續(xù)我們簡稱為 EHO）從市場微觀結(jié)構(gòu)出發(fā)，通過采用訂單流數(shù)據(jù)來估計內(nèi)幕交易概率（Probbility of Informed Trading, PIN）。由于 PIN 指標(biāo)在計算方面的復(fù)雜性，Easley 等（2012）提出一種基于成交量的方法來計算內(nèi)幕交易概率。Hwang and Qian（

4、2011）基于大單數(shù)據(jù)，而非全部交易數(shù)據(jù)來衡量信息風(fēng)險。Choi 等（2016）采用機(jī)構(gòu)占比波動率指標(biāo)來衡量信息風(fēng)險。盡管這些基于成交量的指標(biāo)在實證研究上都跟股票的預(yù)期收益呈現(xiàn)出正相關(guān)關(guān)系，但這一結(jié)論在 Duarte and Young（2009，DY）、Lai 等（2014）和 Chuang and Huh（2016）等都提出了質(zhì)疑。我們認(rèn)為信息風(fēng)險是多樣性的，因此僅僅基于成交量的方式來捕捉信息風(fēng)險是不夠完整的。原則上來講，知情交易者的行為會同時反映在成交量和價格方面。我們通過知情交易者造成的價格變化，來構(gòu)建 AIV 指標(biāo)衡量信息風(fēng)險，該指標(biāo)衡量的是盈余公告前特質(zhì)波動率相對于平時特質(zhì)波動率的

5、提升幅度。有大量的文獻(xiàn)都認(rèn)為信息流會反映在特質(zhì)波動率中。然而，特質(zhì)波動率也可能反映上市公司的基本面風(fēng)險、投資者過度反應(yīng)等。因此，AIV 指標(biāo)即被用于度量上市公司信息相關(guān)的事件發(fā)生時的不尋常的價格波動。我們根據(jù)上市公司在盈余公告前的特質(zhì)波動率和在非盈余公告時間的特質(zhì)波動率的差值來計算 AIV 指標(biāo)。本文之所以采用盈余公告作為信息事件主要是基于這幾個原因。首先，盈余公告包含了公司過去經(jīng)營業(yè)績的信息，該信息能夠幫助投資者對未來的業(yè)績進(jìn)行預(yù)測。其次，知情交易往往發(fā)生在盈余公告之前。第三，從 1970 年開始，美國證監(jiān)會就要求所有的上市公司都發(fā)布季度報告。因此我們可以用于計算全市場所有股票的 AIV 值

6、。我們采用 1972 年至 2015 年共 43 年期間的數(shù)據(jù)，對 NYSE、AMEX 和 NASDAQ交易所上市公司的年報和季度報告進(jìn)行如下分析。首先，大量的文獻(xiàn)表明上市公司內(nèi)部人員、做空交易者和機(jī)構(gòu)投資者都可能是知情交易者，因此我們將 AIV 指標(biāo)與這些投資者的交易行為聯(lián)系起來，觀察該指標(biāo)是否能夠捕捉到知情交易。實際上我們發(fā)現(xiàn) AIV 與上市公司盈余公告前異常的內(nèi)幕交易行為、異常的賣空行為和異常的機(jī)構(gòu)投資者行為都有很強(qiáng)的正相關(guān)關(guān)系。其次，我們考察基于 AIV 指標(biāo)捕捉的信息風(fēng)險是否會被定價。我們采用分組檢驗法和回歸分析法發(fā)現(xiàn)，高 AIV 的公司傾向于比低 AIV 的公司要表現(xiàn)地更好。此外，

7、AIV 指標(biāo)的溢價在小市值股票中更為明顯。通過做多 AIV 最高的 1/5 組、做空 AIV 最低的 1/5 組，可以每年獲取 1.9%的風(fēng)險調(diào)整后的收益。如果是在市值最小的 1/5 組來進(jìn)行如上操作， 那么該收益將會提升至 4.08% 。通過 Fama-MacBeth 回歸分析發(fā)現(xiàn)，這一收益在控制了其他定價因子之后仍然是顯著的。在剔除了成交不活躍的仙股后，這一效應(yīng)仍然存在。最后，我們提供了一些解釋 AIV 溢價的可能思路。第一，盡管 PEAD 效應(yīng)在市場上長期存在，而 AIV 的計算與 PEAD 強(qiáng)相關(guān)，但我們認(rèn)為 AIV 并不是由于 PEAD 現(xiàn)象導(dǎo)致的。第二，很多人都會將 AIV 溢價與

8、 Ang 等（2006）提出的低特質(zhì)波動溢價聯(lián)系起來，但我們的研究發(fā)現(xiàn) AIV 與低特質(zhì)波動溢價并不相同。第三，盡管信息風(fēng)險是多樣性的，很多人會認(rèn)為基于價格度量的 AIV 指標(biāo)與基于成交量度量的指標(biāo)所捕捉到的信息是完全一樣的。但我們發(fā)現(xiàn)在控制了基于成交量度量的指標(biāo)后，AIV 的溢價仍然存在。最后我們發(fā)現(xiàn)，在控制了個股換手率、分析師覆蓋、投資能力、盈利能力、會計異象后，AIV 的溢價仍然存在。本文的結(jié)果主要如下，部分 2 更加詳細(xì)地討論了 AIV 指標(biāo)的構(gòu)建方式和統(tǒng)計特征。部分 3 展示了 AIV 指標(biāo)與知情交易者的行為都有很強(qiáng)的相關(guān)關(guān)系。部分 4采用資本資產(chǎn)定價檢驗方法來表明 AIV 指標(biāo)是被

9、市場定價的。部分 5 進(jìn)一步地檢驗了 AIV 的定價是否源于信息風(fēng)險。最后一部分為總結(jié)部分。如何度量信息風(fēng)險（Information Risk）信息風(fēng)險的度量方法為了捕捉非知情交易行為，我們將上市公司盈余公告前的特質(zhì)波動率和平常時期的特質(zhì)波動率進(jìn)行比較。我們采用如下公式計算個股的特質(zhì)波動率： = + + + + 其中，表示個股的日度超額收益，MKT 表示市值加權(quán)的市場組合相對無風(fēng)險收益的日度超額，SMB 為市值因子收益，HML 為價值因子收益。我們在每個月月底的時候，對每只股票采用過去一年的日度收益率序列進(jìn)行回歸，得到殘差。每個月月底，當(dāng)我們對每只股票進(jìn)行計算時，我們將其最近四個季度盈余公告日

10、分別往前推 5 個交易日作為盈余公告前時期（Pre-Earnings-AnnouncementPeriods，PEAs），我們將過去 1 年的交易日中剔除四個季度盈余公告日前后 11個交易日的剩余日期作為非盈余公告時期（ Non-Earnings-Announcement Periods，NEAs）。舉個例子，當(dāng)我們在 2014 年 12 月月底對某個股票的特質(zhì)波動率進(jìn)行計算時，假設(shè)這個股票過去 4 個季度的應(yīng)于公告日分別為 2014 年 3月 12 日，6 月 11 日，9 月 10 日和 12 月 10 日，且這幾天都是周三。那么，PEA 包含的即為 3 月 5 日-11 日，6 月 4

11、日-10 日，9 月 3 日-9 日，12 月 3 日-9 日。NEA 即為 2014 年剔除掉 3 月 5 日-19 日，6 月 4 日-18 日，9 月 4 日-17日和 12 月 4 日-17 日之后的全部交易日。注意，我們在 2015 年 1 月和 2015年 2 月看到的 PEA 和 NEA 日期的劃分，與 2014 年 12 月底的劃分是完全一樣的，因為這三個月中對應(yīng)的最后一次的公告日期是完全一樣的。需要注意的是，如果每個月月底看到的最后一次公告日是在該月結(jié)束前的最后 5 天以內(nèi)，那么我們在當(dāng)月月底的時候也不對 AIV 因子值進(jìn)行更新。我們根據(jù)盈余公告前時期和非盈余公告時期殘差的年

12、化標(biāo)準(zhǔn)差來計算特質(zhì)波動率，具體計算公式如下：= ln 252 2 1= ln 252 2 1其中，和 分別表示過去一年中盈余公告前和非盈余公告日期的天數(shù)，我們假設(shè)一年中共有 252 個交易日。為了提取出特質(zhì)波動率中與盈余公告有關(guān)的成分，我們將 PEA 時期的特質(zhì)波動率減去 NEA 時期的特質(zhì)波動率，作為異常特質(zhì)波動率 AIV：AIV = 其中，AIV 指標(biāo)的計算是在每個月月底最后一天對每家上市公司過去 1 年的日度數(shù)據(jù)就算得到。樣本數(shù)據(jù)和描述性統(tǒng)計本文的股票和市場收益數(shù)據(jù)來自于 CRSP 數(shù)據(jù)庫，公司基本面和盈余公告數(shù)據(jù)來自于 Compustat，樣本包括 NYSE、AMEX 和 NASDAQ

13、 上市的所有股票。我們從 Compustat 數(shù)據(jù)庫中最早有數(shù)據(jù)的 1972 年開始計算，每次分析時將前一年 6 月底時價格在 1 美元以下的個股剔除。為了更加準(zhǔn)確地計算 AIV 指標(biāo)，如果上市公司是在下午 4:00 之后發(fā)布的財務(wù)報告，那么我們將其公告日記為次日。盈余公告的具體時間來自 IBES 數(shù)據(jù)庫和 RavenPack 數(shù)據(jù)庫。為了剔除異常值的影響，我們將所有的連續(xù)變量縮尾至 1%分位點(diǎn)到 99%分位點(diǎn)之間。最終數(shù)據(jù)包含 1972 年 7 月至 2015 年 12 月共 1547696 個日期-公司樣本。圖 1 展示了后續(xù)分析中一些關(guān)鍵變量的描述性統(tǒng)計，其中 AIV 是我們用來衡量信息

14、風(fēng)險的關(guān)鍵變量，R 表示個股相對國債利率的月度超額收益，為個股的市場 Beta，Size 為股票的總市值對數(shù)，BM 為賬面市值比的對數(shù)， 表示根據(jù) AHXZ 中方法計算得到的年化特質(zhì)波動率，Illiquidity 為 Amihud（2002）中構(gòu)建的非流動性指標(biāo)。此外，我們還參照 Brennan 等（2012）的方法構(gòu)建了 4 個獨(dú)立的動量指標(biāo)，分別為1、3,2、6,4、12,7。從 AIV 的均值（或中位數(shù)）來看，平均來看個股盈余公告前 5 天的特質(zhì)波動率要比非盈余公告時期的特質(zhì)波動率高 1%。有部分個股的 AIV 指標(biāo)為負(fù)值，這可能由兩個原因?qū)е?。第一，非盈余公告時期的特質(zhì)波動率較大說明公

15、司基本面風(fēng)險更大或者投資者的噪音交易更多（Wei and Zhang，2006；Teoh 等 2007； Hou 等 2013）。第二，有一些其他的公司層面的信息如并購重組、產(chǎn)品發(fā)布事件，可能對非盈余公告時期的公司股價造成較大的波動。圖 1：關(guān)鍵變量的描述性統(tǒng)計資料來源: Journal of Financial Economics，整理圖 2 展示了全樣本所有股票的殘差收益率絕對值平均的分布情況。鐘形的圖形分布意味著在盈余公告前后經(jīng)常會出現(xiàn)較大的漲跌。盈余公告前股票收益的較大波動意味著存在信息泄露，這些泄露的信息被知情交易者利用從而反映在股票的價格波動上（Vega，2006；Back 等 2

16、018）。盈余公告后股票收益的較大波動則與盈余漂移（Kothari，2001）和投資者分歧（Kondor，2012）有關(guān)，這些現(xiàn)象在諸多文獻(xiàn)中均有提及。該圖中同樣展示了個股換手率的分布情況。在盈余公告前的較大換手與 Kim and Verrecchia（1991a，b）提出的知情交易者傾向于在盈余公告前交易的猜想有關(guān)，這一猜想在 Ali 等（2008）中亦有證實。與個股收益波動類似，盈余公告前后更高的換手率要么是由知情交易者的私有信息帶來的，要么就是由于投資者對盈余公告的不同觀點(diǎn)帶來的?？傮w而言，盡管非盈余公告日期中包含了一些其他的信息事件，但總體來看盈余公告事件包含了最為重要的信息事件。圖

17、2：盈余公告前后的收益率和換手率分布情況資料來源: Journal of Financial Economics，整理AIV 與信息風(fēng)險本部分我們考察 AIV 指標(biāo)與信息風(fēng)險之間是否存在關(guān)聯(lián)性。為了檢驗 AIV 指標(biāo)中是否包含信息風(fēng)險的部分，我們將進(jìn)行一系列檢驗。首先，我們檢驗 AIV 與盈余公告前的收益搶跑行為之間的關(guān)系。其次，我們考察 AIV 與內(nèi)幕交易者的異常行為、賣空交易者的異常行為和機(jī)構(gòu)交易者的異常行為之間的關(guān)系。第三，我們將檢驗負(fù)的 AIV 值是否意味著更低的信息風(fēng)險。第四，我們檢驗 AIV 指標(biāo)的持續(xù)性。第五，我們將總結(jié) AIV 與其他公司基本面特征之間的相關(guān)關(guān)系。AIV 指標(biāo)與

18、盈余公告前的收益搶跑行為更高的 AIV 值也可能是由于噪音交易者帶來的。比如他們可能在盈余公告前買入股票拉升價格，隨后公司可能發(fā)布偏向負(fù)面的盈余公告。這種情況下 AIV 值更高的公司可能被誤認(rèn)為是信息不對稱導(dǎo)致的。因此，我們必須要區(qū)分高 AIV值對應(yīng)的交易是否是由知情交易者的參與帶來的。具體來講，我們來衡量 AIV與盈余公告前的收益搶跑行為之間的關(guān)系。一般來講，盈余公告前的收益搶跑行為與盈余公告的利好程度具有相同的方向性。如果盈余公告前收益很低或者與盈余公告反映出的信息方向相反，那么基本上沒有什么知情交易者參與進(jìn)去。我們根據(jù) Livnat and Mendenhall（2006）年提出的 SU

19、E 來作為盈余公告驚喜的代理變量，該指標(biāo)通過將當(dāng)年盈利減去去年盈利再經(jīng)過股價標(biāo)準(zhǔn)化后計算得到。此外，我們還將當(dāng)年盈利減去分析師預(yù)期盈利再經(jīng)過股價標(biāo)準(zhǔn)化后得到 ，該指標(biāo)將分析師預(yù)期考慮進(jìn)去。我們將作為 SUE 的方向，將 Sign作為 的方向。收益搶跑的代理變量 RunUp，表示盈余公告前五天個股的累計異常收益。RunUpSign 表示 RunUp 變量的符號，我們采用和 RunUp 的乘積來捕捉知情交易的信息。圖 3 展示了將 AIV 對不同變量進(jìn)行回歸的結(jié)果?？梢钥吹?，每一種回歸中，AIV都與收益搶跑變量呈現(xiàn)出顯著的正相關(guān)關(guān)系。本文在附錄中采用組合構(gòu)建法也同樣發(fā)現(xiàn)了二者之間的正相關(guān)關(guān)系。這組

20、回歸結(jié)果說明 AIV 確實與知情交易信息有正相關(guān)關(guān)系，因此其可以作為衡量信息風(fēng)險的合理變量。我們在圖 3 中將資本資產(chǎn)定價理論中的一些常用變量放入回歸中，比如市場 Beta、市值 Size、賬面市值比 BM、特質(zhì)波動率、非流動性、會計異象、盈利質(zhì)量、分析師覆蓋數(shù)量、分析師分歧、分析師預(yù)測誤差等。首先，我們發(fā)現(xiàn) AIV 與市場 Beta 之間有顯著的正相關(guān)關(guān)系。其與賬面市值比和市值因子之間并不存在顯著的相關(guān)關(guān)系，這主要是因為 AIV 的計算過程中已經(jīng)剔除掉了價值因子和市值因子的影響。其次，我們看到 AIV 越高的股票其特質(zhì)波動率會更低，這跟我們已知的一些理論是相符合的。比如，知情交易者通常會避免

21、對套利風(fēng)險更高的股票進(jìn)行操作，而套利風(fēng)險通?？梢杂锰刭|(zhì)波動率來衡量（Shleifer and Vishny，1997）。另一方面，由于 AIV 指標(biāo)的計算是和 的差值，而 與特質(zhì)波動率之間正相關(guān)，因此從數(shù)學(xué)上來看 AIV 也會與特質(zhì)波動率之間負(fù)相關(guān)。由于特質(zhì)波動率的定價仍然是未解之謎，因此我們在后續(xù)的討論中將不涉及該問題的討論。第三，AIV 與非流動性指標(biāo)有明顯的正相關(guān)關(guān)系，我們認(rèn)為這主要是因為股票存在信息風(fēng)險是股票的流動性太低的原因之一。圖 3：盈余公告前的收益搶跑行為與 AIV資料來源: Journal of Financial Economics，整理內(nèi)幕交易、賣空行為和機(jī)構(gòu)交易要想證實

22、 AIV 指標(biāo)確實是信息風(fēng)險的衡量變量，最重要的即是觀察 AIV 與知情交易者的交易行為之間的關(guān)系。本部分，我們將知情交易者分為三類：公司內(nèi)部交易者、賣空者和機(jī)構(gòu)投資者。內(nèi)幕交易者：在所有類型的知情交易者中，公司內(nèi)部人員對公司內(nèi)部信息有最直接的接觸途徑。盡管法律上規(guī)定公司內(nèi)部人員不允許利用非公開信息進(jìn)行交易，而且部分公司還規(guī)定內(nèi)部人員不允許在諸如盈余公告前的特定時期交易本公司股票，但毫無疑問公司內(nèi)部人員能夠根據(jù)他們獲取到的特有信息來獲取巨額盈利（Cohen 等（2012）。因此，如果一個公司在盈余公告時期的顯示出不尋常的內(nèi)幕交易特征，且其 AIV 指標(biāo)較高，那么就說明 AIV 與信息風(fēng)險之間具

23、有相關(guān)關(guān)系。我們從美國證監(jiān)會和路透數(shù)據(jù)庫中獲取內(nèi)部交易數(shù)據(jù)，對內(nèi)部交易者的公開市場買賣進(jìn)行分析。首先將所有內(nèi)部交易者在同一天的買入和賣出的數(shù)據(jù)進(jìn)行匯總。在每一年年末，我們將每只股票過去一年中每個盈余公告期前 5 天到 1 天內(nèi)部交易者的成交量占比取平均，再經(jīng)過年化后作為其盈余公告前內(nèi)部交易行為（ ）的代理變量。同樣地，我們將每只股票過去一年中所有交易日，在剔除盈余公告前后 5 天內(nèi)的剩余天數(shù)，內(nèi)部交易者的成交量占比取平均，再經(jīng)過年化后作為其非盈余公告時期內(nèi)部交易行為（）的代理變量。最后我們將二者相減，作為其異常內(nèi)部交易行為的代理變量 AIT（Abnormal Insider Trading A

24、ctivity）。圖 4 中，我們將 AIV 對 AIT 進(jìn)行了回歸，其中 M1 表示帶有其他控制變量的回歸，M2 表示不帶其他控制變量的回歸。結(jié)果表明，AIV 與 AIT 之間存在顯著的正向相關(guān)性。在控制了其他變量之后，二者之間的相關(guān)關(guān)系更加明顯。盡管回歸的擬合優(yōu)度并不算高，但這一結(jié)果說明了 AIV 確實與一些公司的盈余公告前的異常內(nèi)部交易行為之間存在相關(guān)關(guān)系，因為有一些公司不允許內(nèi)部交易者在盈余公告前進(jìn)行本公司股票的買賣。在 M2 方程中，我們加入了一個新的控制變量 AVol，該指標(biāo)衡量了盈余公告前和非盈余公告時間段成交量之間的差別。我們發(fā)現(xiàn)，AVol 和 AIV 之間存在明顯的正相關(guān)關(guān)系

25、，說明上市公司盈余公告前的異常特質(zhì)波動與其異常成交量有關(guān)。圖 4：知情交易行為與 AIV資料來源: Journal of Financial Economics，整理圖 2b 中畫出了 AIT 值最高和最低的 1/5 組別中的股票，其盈余公告日前后的 Fama-French 三因子回歸殘差收益的分布情況。與圖 4 中的 M1 和 M2 回歸結(jié)果的結(jié)論一致，AIT 最高的 1/5 組股票在盈余公告附近的收益波動更大，AIT 最低的 1/5 組股票在盈余公告附近的收益波動更小。賣空交易者：根據(jù)以前的學(xué)術(shù)文獻(xiàn)，賣空交易者是一類很典型的知情交易者。Boehmer 等（2008）認(rèn)為賣空交易者每日貢獻(xiàn)超

26、過 10%的成交量，因此是典型的知情交易者。我們從 Markit Securities Finance Analytics 獲取到做空交易的信息。我們采用 2007 年 1 月至 2015 年 12 月期間的每天空開做空的頭寸數(shù)據(jù)，更加詳細(xì)的數(shù)據(jù)描述可以參見 Saffi and Sigurdsson（2011）。在每年的最后一天，我們計算每只股票過去一年的盈余公告前 5 天到前 1 天中做空頭寸比例日度環(huán)比變化絕對值的平均，再經(jīng)過年化后作為其盈余公告前做空行為（）的代理變量。由于做空頭寸的增加和減少都代表做空交易者的交易信息，所以此處我們采用做空頭寸比例日度變化的絕對值來表示做空交易者的信息。

27、做空比例等于做空股本數(shù)除以總流通股本數(shù)。同樣的，非盈余公告時期做空行為（ ）即為過去一年中所有交易日在剔除掉盈余公告前 5 天和后 5 天之后的剩余交易日中，做空頭寸比例日度環(huán)比變化絕對值的平均，再經(jīng)過年化之后的指標(biāo)代替。異常做空交易行為（ASS）即為二者之間的差值。圖 4 中 M3 和 M4 列表示AIV 對 ASS 回歸的結(jié)果，其中 M3 回歸不帶控制變量， M4 回歸帶有控制變量。可以看到，AIV 與 ASS 之間具有明顯的正相關(guān)關(guān)系。這一發(fā)現(xiàn)也更加證明了 AIV 可以作為信息風(fēng)險的代理變量。特別地，在控制了其他可能相關(guān)的變量之后（包括可以解釋 AIV 的 AVol 變量），ASS 對

28、AIV 的影響能力仍然十分顯著。圖 3c 部分展示了 ASS 值最高和最低的 1/5 組別中，上市公司盈余公告前后 FamaFrench3 因子回歸后殘差收益的分布情況?？梢钥吹?ASS 越高的股票，其盈余公告前的收益波動會更大；ASS 越低的股票，其盈余公告前后的收益波動會更小。機(jī)構(gòu)投資者：接下來我們將檢驗 AIV 與機(jī)構(gòu)投資者之間的關(guān)系。機(jī)構(gòu)投資者擁有大量有效的信息并且擅長分析他們所獲取的信息。Puckett and Yan（2011）發(fā)現(xiàn)機(jī)構(gòu)投資者在他們的交易中能夠獲取十分顯著的超額收益。Campbell（2009）的研究發(fā)現(xiàn)在上市公司盈余公告前的機(jī)構(gòu)投資者交易行為通常意味著很高的知情交

29、易信息。我們采用 ANcerno 數(shù)據(jù)庫中的機(jī)構(gòu)投資者交易信息，該數(shù)據(jù)庫收錄了 1999 年 1 月到 2015 年 6 月期間的所有權(quán)益資產(chǎn)的機(jī)構(gòu)客戶交易行為，在學(xué)術(shù)文獻(xiàn)中有關(guān)機(jī)構(gòu)投資者交易行為的研究中被廣泛使用。關(guān)于該數(shù)據(jù)庫更詳細(xì)的介紹可參見 Puckett and Yan（2011）和 Jame（2018）。在每年的最后一天，我們計算每只股票過去一年的盈余公告前 5 天到前 1 天中機(jī)構(gòu)投資者交易占比的平均，再經(jīng)過年化后作為其盈余公告前機(jī)構(gòu)交易行為（）的代理變量。同樣的，非盈余公告時期機(jī)構(gòu)交易行為（ ）即為過去一年中所有交易日在剔除掉盈余公告前5 天和后5 天之后的剩余交易日中，機(jī)構(gòu)投資

30、者交易占比的平均，再經(jīng)過年化之后的指標(biāo)代替。異常機(jī)構(gòu)交易行為（AIN）即為二者之間的差值。圖 4 中M5 和M6 列表示 AIV 對AIN 回歸的結(jié)果，其中 M5 回歸不帶控制變量，M6 回歸帶有控制變量?？梢钥吹?，AIV 與 AIN 之間具有明顯的正相關(guān)關(guān)系。圖 3d 部分展示了 AIN 值最高和最低的 1/5 組別中，上市公司盈余公告前后FamaFrench3 因子回歸后殘差收益的分布情況?？梢钥吹?AIN 越高的股票，其盈余公告前的收益波動會更大；AIN 越低的股票，其盈余公告前后的收益波動會更小。在圖 4 中 M7 和 M8 列，我們將 AIT、ASS 和 AIN 三個變量都納入進(jìn)來，

31、將 AIV指標(biāo)對其進(jìn)行回歸?？梢钥吹?，以上三個變量與 AIV 指標(biāo)之間都有顯著的正相關(guān)關(guān)系?？偟膩砜?，我們認(rèn)為 AIV 指標(biāo)與內(nèi)幕交易者、做空交易者和機(jī)構(gòu)投資者的知情交易行為有明顯的正相關(guān)關(guān)系，因此可以作為信息風(fēng)險的有效代理變量。更進(jìn)一步的證據(jù)：由前面的分析可知，AIV、ASS 和 AIN 分別捕捉到了內(nèi)幕交易者、做空交易者和機(jī)構(gòu)投資者的異常交易行為。但是也有可能這些知情交易者對未來的盈余公告猜錯了方向。為了解決這一問題，我們首先計算內(nèi)部交易者的凈買入量（）、做空頭寸的減少量（ ）和機(jī)構(gòu)投資者的凈買入量（ ）。隨后，我們構(gòu)建三個知情交易信息的方向性變量：( )+、( )+、( )+。各個變量分

32、別表示（ 或）和 RunUp 乘積中為正的部分。如果這一乘積為負(fù)，那么該變量即為 0。如上三個變量想要衡量的是上市公司盈余公告前的收益與知情交易者的方向是否一致。圖 4 中的 Panel B 表示 AIV 與方向性交易均存在明顯的正相關(guān)關(guān)系，這說明當(dāng)知情交易者獲取到了內(nèi)部信息后，他們的交易行為通常會使得 AIV 越高。負(fù)的 AIV原則上來講，作為衡量信息風(fēng)險的 AIV 值應(yīng)該是非負(fù)的。因為知情交易者如果有私有信息，那么在盈余公告前的價格波動應(yīng)該會更高。對于信息不對稱更明顯的股票，知情交易者會更加激進(jìn)，從而使得盈余公告前的價格波動更加明顯。無論是哪個角度來看，AIV 指標(biāo)都應(yīng)該大于 0。但是，正

33、如圖 1 觀察到的那樣，有一部分的上市公司的 AIV 值小于 0。因此，我們需要解釋為什么會存在負(fù)的 AIV，并且 AIV 值為負(fù)的公司，是否其信息風(fēng)險會更低。導(dǎo)致 AIV 值為負(fù)的原因有如下幾個。第一，上市公司在非盈余公告時間內(nèi)比盈余公告時間內(nèi)的公司經(jīng)營層面的信息更多，從而導(dǎo)致其有更高的特質(zhì)波動率。第二，在非盈余公告時期存在諸如并購重組、產(chǎn)品發(fā)布等事件，這些事件將會導(dǎo)致更高的特質(zhì)波動率。第三，非盈余公告的時間天數(shù)遠(yuǎn)高于盈余公告前的時間天數(shù)，因此其中包含的噪音交易會更多。綜合來看，無論是從橫截面還是從時間序列上來看，AIV 值的方差都比較大，因此存在負(fù)的 AIV 值也就比較合理。接下來我們來證

34、實負(fù) AIV 值的公司是否其信息風(fēng)險就會更低。我們將 AIV 的符號（DAIV）作為因變量。我們采用 DAIV 對知情交易變量進(jìn)行 Probit 回歸，其結(jié)果如圖 5 所示。與圖 3 的結(jié)果相比，盡管采用的回歸模型存在區(qū)別，但是各個變量的系數(shù)的方向基本保持不變，而顯著性更強(qiáng)。這就說明了 AIV 的方向與知情交易者的信息存在正相關(guān)關(guān)系。圖 5：知情交易行為與 AIV 的方向資料來源: Journal of Financial Economics，整理圖 5 中的 Panel B 與圖 4 中的 Panel B 相對應(yīng)，可以看到，AIV 值為負(fù)的公司其內(nèi)幕交易者、賣空交易者和機(jī)構(gòu)投資者的知情信息會

35、更低。綜合來看，以上的分析都表明負(fù)的 AIV 值確實說明了其信息風(fēng)險會更低。因此， AIV 確實可以用來作為衡量公司信息風(fēng)險的代理變量，盡管其并不是全無噪音的。AIV 指標(biāo)的平穩(wěn)性AIV 指標(biāo)用來衡量上市公司的信息不對稱風(fēng)險。與基本面風(fēng)險的度量不同，信息不對稱風(fēng)險可能有其特別之處。首先，在有效市場中，有關(guān)公司的內(nèi)幕信息并不會一直存在，且其發(fā)生的概率也比較隨機(jī)。私有信息的時間分布取決于很多因素，如公司所處的行業(yè)、公司產(chǎn)品的供需、公司研發(fā)投入和產(chǎn)出、創(chuàng)新性產(chǎn)品可能的成功或失敗等，其中很多信息在時間上的分布并不均勻。其次，當(dāng)知情交易者根據(jù)其擁有的私有信息來進(jìn)行短期交易時，信息風(fēng)險就產(chǎn)生了。比如，跟蹤

36、上市公司基本面變化比較緊的機(jī)構(gòu)投資者通常會在個股交易上快進(jìn)快出。但是，如果投資者擁有內(nèi)幕信息，那么他們?yōu)榱吮苊馐艿奖O(jiān)管的注意，將不會進(jìn)行連續(xù)性的交易。類似地，賣空者只有當(dāng)股票價格過高的時候才會產(chǎn)生做空交易。因此，信息風(fēng)險的衡量方式必須要很快地更新。所有這些特征都決定了用來度量信息風(fēng)險的指標(biāo)必須要能夠快速更新，因此該指標(biāo)跟公司基本面指標(biāo)如市盈率、市值、杠桿率和分析師覆蓋數(shù)量不同，并不會長時間保持不變。簡單來講，我們并不要求信息風(fēng)險的度量變量在時間序列上保持平穩(wěn)。我們在本文的附錄部分驗證了 AIV 的不平穩(wěn)性。我們通過將當(dāng)前的 AIV 值對歷史 AIV 值進(jìn)行 Fama-MacBeth 橫截面回歸

37、，結(jié)果表明其過去 12 個月的自相關(guān)系數(shù)只有 0.067，盡管該指標(biāo)在統(tǒng)計意義上仍然是顯著的。進(jìn)一步地，我們發(fā)現(xiàn) AIV 值在當(dāng)期所屬的組別并不意味著其在未來所屬的組別是一樣的。因為 AIV 指標(biāo)的計算是和 的差值，因此我們分別檢驗如上兩個部分的穩(wěn)健性。在附錄中我們可以看到， 指標(biāo)是平穩(wěn)的，因為其一年中只有 44天是不一樣的，而則沒有那么平穩(wěn)。AIV 與基于成交量度量的信息風(fēng)險指標(biāo)的關(guān)系本部分，我們考察 AIV 指標(biāo)與其他信息風(fēng)險度量指標(biāo)，特別是基于成交量的度量指標(biāo)之間的相關(guān)關(guān)系。目的是想要觀察 AIV 指標(biāo)能多大程度上對現(xiàn)有的信息風(fēng)險度量指標(biāo)提供有效的幫助。如果 AIV 指標(biāo)與現(xiàn)有的大多數(shù)指

38、標(biāo)有較高的相關(guān)關(guān)系，或者 AIV 指標(biāo)能夠被已有的大多數(shù)指標(biāo)所解釋，那么其只不過是其他信息風(fēng)險的代理變量而已，提供的信息自然不會太多。我們考慮如下幾種不同的信息風(fēng)險度量指標(biāo)，其中絕大多數(shù)都是基于成交量計算得到，主要包括：由 Easley 等（2002）提出的知情交易概率 、由 Duarte and Young（2009）提出的 ，由 Duarte and Young（2009）提出的系統(tǒng)性訂單流沖擊概率 PSOS。我們也將異常波動率 AVol、異常成交量 ATurn 和異常價差 ASpread 納入進(jìn)來。我們將 AIV 對如上 6 個指標(biāo)進(jìn)行回歸，同時控制一些基本面變量，其結(jié)果如圖 6 所示。

39、首先我們發(fā)現(xiàn) AIV 與 和 之間的相關(guān)性不高。其次，其他四個指標(biāo)與 AIV 之間存在顯著的相關(guān)關(guān)系，但其解釋能力并不強(qiáng)。盡管 AIV 與已知的指標(biāo)在一定程度上具有相關(guān)性，但其包含的大部分信息并不能被已知的指標(biāo)所解釋。圖 6：AIV 與基于成交量的信息風(fēng)險度量指標(biāo)的相關(guān)關(guān)系資料來源: Journal of Financial Economics，整理綜合來看，AIV 確實能夠為股票的信息風(fēng)險提供很好的度量。更重要的是，其與已知的度量信息風(fēng)險的指標(biāo)并不強(qiáng)相關(guān)。接下來，我們需要檢驗 AIV 指標(biāo)在橫截面上是否被定價。AIV 因子溢價本部分，我們對 AIV 的溢價進(jìn)行檢驗。首先，我們對 AIV 指標(biāo)

40、進(jìn)行單因子排序和對 AIV 指標(biāo)及市值進(jìn)行雙重排序，來觀察不同組別的收益分布情況。其次，我們采用 Fama and French（1992）的資產(chǎn)定價框架來對 AIV 的橫截面溢價進(jìn)行檢驗。最后，我們會對 AIV 因子的溢價進(jìn)行一系列穩(wěn)健性檢驗。分組檢驗法我們首先根據(jù) AIV 大小對股票進(jìn)行排序，觀察不同組別未來收益的分布情況。圖 7 中 Panel A 展示了每個月月底根據(jù) AIV 大小分成 5 組，每個組別的月均超額收益（R）和 Fama-French-Carhart 四因子 Alpha（）。Panel B 首先按照總市值分為 5 組，隨后根據(jù) AIV 分為 5 組時每個組別的。所有的 t

41、 檢驗量都在括號中表示，此處采用 Newey-West 標(biāo)準(zhǔn)差計算得到的 t 檢驗量。檢驗樣本的時間為 1972 年 6 月至 2015 年 12 月。圖 7：AIV 分組檢驗的月均超額和風(fēng)險調(diào)整后的 Alpha資料來源: Journal of Financial Economics，整理由圖 7 中 Panel A 可以看到，總體而言各組別的超額收益根據(jù) AIV 指標(biāo)的變大 而遞增。對于原始收益而言，第一組到第三組的收益單調(diào)遞增，但第四組和第 五組的遞增幅度較小。對于風(fēng)險調(diào)整后收益而言，總體的趨勢仍然向上，但并 非完全單調(diào)。無論是絕對超額還是風(fēng)險調(diào)整后的超額，多頭組別和空頭組別的 對沖收益在

42、 1%的顯著性水平下都顯著為正。做多高 AIV 組別并做空低 AIV 組 別的策略能夠獲取 1.66%的年化超額收益和 1.90%的年化風(fēng)險調(diào)整后超額收益?？赡苡腥藭J(rèn)為 AIV 的溢價可能是源于市值的影響帶來的。為了去除這一潛在 的影響因素，我們在 Panel B 中采用雙重分組法，來去除市值的影響。在 5 個 市值分組中的 3 組中，根據(jù) AIV 指標(biāo)分組的多空組合的收益都是顯著為正的。 此外，在市值最小的組別中這一溢價更為顯著。在市值最小的組別中做多高 AIV、做空低 AIV 的策略能夠獲取年化 4.08%的超額收益。我們同樣檢驗了將賬面市 值比或者 Amihud 非流動性比例與 AIV

43、 雙重分組后的結(jié)果，最后顯示出控制了 這些影響變量后 AIV 與股票的未來收益之間的穩(wěn)定性仍然存在。我們同樣也檢 驗了 Fama-French 五因子和 FF5 因子再加上動量因子模型對于如上檢驗的有 效性，其結(jié)果也是類似的。由Panel C 可以看到，AIV 對未來收益的預(yù)測能力隨著時間的推移而逐步減弱。當(dāng)未來收益超過 2 個月的時候，AIV 對于未來收益的預(yù)測作用將不再顯著。盡管如此，多空對沖組合的超額收益仍然為負(fù)?？傮w來看，從分組檢驗法的結(jié)果來看，AIV 與股票的未來收益之間呈現(xiàn)出正相關(guān)關(guān)系。接下來，我們將采用橫截面回歸法來檢驗 AIV 的定價能力。Fama-MacBeth 回歸法本部分

44、，我們采用 Fama and French（1992）中的橫截面回歸法，將市場 Beta、市值和賬面市值比作為控制變量來進(jìn)行回歸。此外，我們還加入特質(zhì)波動率、非流動性指標(biāo)和過去幾個月的收益率作為自變量進(jìn)行分析。對于每個月月底，我們將個股的超額收益作為因變量來進(jìn)行如下回歸：,+1 = + 1 + 2, + 3 + 4 + 5,+ 6 + 71 + 83,2, + 96,4,+ 1012,7, + ,+1其中，,+1表示 t+1 月中股票i 的月度超額收益，AIV 表示異常特質(zhì)波動率，為市場 Beta，Size 為總市值，BM 為賬面市值比， 為 AHXZ 的特質(zhì)波動率，Illiquidity 為

45、 Amihud（2002）非流動性指標(biāo)，1為過去一個月的收益率，3,2為往前推兩個月的收益率，以此類推。圖 8 展示了各回歸系數(shù)的時間序列均值，其中 M1 和 M2 展示的是 1972 年 6 月到 2015 年 12 月期間全樣本的結(jié)果，M3 和 M4 展示的是 1972 年 6 月到 1993 年 12 月的結(jié)果，M5 和 M6 展示的是 1994 年 1 月到 2015 年 12 月的結(jié)果。圖 8：AIV 與個股未來預(yù)期收益回歸結(jié)果資料來源: Journal of Financial Economics，整理圖 9：AIV 與個股未來預(yù)期收益回歸結(jié)果（續(xù)）資料來源: Journal of

46、 Financial Economics，整理由圖 8 中的 Panel A 可以看到，AIV 因子值越高，其未來的預(yù)期收益將會越高，因此我們預(yù)期 AIV 的系數(shù)顯著為正，從結(jié)果來看也確實符合我們的假設(shè)。不同回歸中的 AIV 系數(shù)的 t 值從 2.22 到 4.61 都顯著為正。與分組檢驗法相比，根據(jù) Fama-MacBeth 回歸得到的結(jié)果在經(jīng)濟(jì)意義上更加顯著。其次，我們可以看到 AIV 的溢價不僅僅是全樣本中顯著，在兩個子樣本區(qū)間段內(nèi)也同樣顯著。特別地，AIV 在第二個階段更加顯著，該階段與近些年做空交易和機(jī)構(gòu)投資者交易活躍度的增加有關(guān)。第三，我們發(fā)現(xiàn)除了 Beta、市值和3,2外其他傳統(tǒng)

47、的定價因子都是顯著的。比如在所有的模型中，BM、非流動性指標(biāo)、6,4、12,7的系數(shù)都顯著為正，而,、1顯著為負(fù)。在圖 8 的 Panel B 中，我們通過面板回歸法檢驗了 AIV 與長期預(yù)期收益之間的相關(guān)關(guān)系。從結(jié)果來看，AIV 與長期累計預(yù)期收益之間正相關(guān)，不過這一相關(guān)關(guān)系更多地來自于與短期收益之間的相關(guān)性。穩(wěn)健性檢驗本部分我們檢驗 AIV 指標(biāo)作為衡量信息風(fēng)險的穩(wěn)健性。我們討論的最主要的問題在于 AIV 的溢價是否主要在小市值股票或者成交不活躍的股票中存在，是否對于構(gòu)建的窗口具有敏感性，是否與微觀市場結(jié)果相關(guān)。這些結(jié)論都在附錄中進(jìn)行了展示。不同市值股票中的有效性：由于 AIV 溢價在市值

48、最小的組別中更加顯著，因此很自然地我們在想 AIV 的溢價是否只在小市值股票或者成交不活躍的股票中存在。為了解決這一問題，我們在大市值和成交活躍的子樣本中進(jìn)行了 M1 和 M2兩種回歸，并在附錄中進(jìn)行了展示。我們在 M1-M2 中僅對前一年 6 月底股價大于 5 美元的股票進(jìn)行回歸。在 M3-M4 中我們只對 NYSE 和 Amex 中上市的股票進(jìn)行檢驗，因為這兩個交易所上市的公司都傾向于是大市值公司。在 M5-M6中我們只檢驗過去一年日均成交在 100 股以上的。所有的結(jié)論都表明 AIV 的溢價顯著存在。盈余公告前的窗口天數(shù)：在前面的研究中，我們將盈余公告前的窗口期定義為5 天，我們現(xiàn)在來看

49、在其他的時間窗口期該指標(biāo)是否同樣顯著。在附錄中，我們展示了其他天數(shù)的穩(wěn)健性，發(fā)現(xiàn) AIV 的溢價顯著存在。將其他新聞事件作為信息為了檢驗 AIV 指標(biāo)的有效性，前文我們以盈余公告事件作為信息密集事件，來檢驗盈余公告前和非盈余公告時期特質(zhì)波動率的差。然而，其他有關(guān)公司新聞的事件同樣也可用來驗證指標(biāo)的有效性。本文采用 RavenPack News Analytics中的新聞數(shù)據(jù)來進(jìn)行檢驗。我們首先定義了“盈利”、“分紅”、“并購重組”、“破產(chǎn)”、“產(chǎn)品服務(wù)”等 100多組關(guān)鍵字，將包含這些關(guān)鍵字的新聞作為樣本。我們的考察樣本從 2001 年 1月到 2015 年 12 月。RavenPack 基于

50、專業(yè)的算法對每一條新聞都進(jìn)行了打分，該打分展示了一條新聞對股價影響的正負(fù)面性和影響程度的大小。該打分從 0分到 100 分，其中高于 50 分說明是正面信息，低于 50 分說明是負(fù)面信息。我們按照前面的方式構(gòu)建了 ，對該指標(biāo)的檢驗結(jié)果可參見圖 10。為了對比的方便，M1 回歸為比較基準(zhǔn)，該模型在構(gòu)建 AIV 指標(biāo)時的樣本區(qū)間與 指標(biāo)的樣本區(qū)間保持一致。在 M2 和 M3 中，我們聚焦在有顯著影響力的新聞，并計算 。在 M4 中我們將所有的新聞都包含進(jìn)來。我們可以看到， 回歸系數(shù)的均值都要高于 AIV。圖 10：與公司新聞有關(guān)的 AIV 事件資料來源: Journal of Financial

51、Economics，整理從回歸結(jié)果來看， 與個股未來收益之間存在顯著的正相關(guān)關(guān)系，且對于三種回歸的系數(shù)都差不多。從這一結(jié)果也可以看到，當(dāng)我們將新聞事件作為信息發(fā)生的事件時，基于價格的信息風(fēng)險度量方法同樣有效。穩(wěn)健性檢驗由前面的分析可以看到，基于價格度量信息風(fēng)險的 AIV 方法與個股的未來收益之間存在顯著的正相關(guān)關(guān)系。然而對于這一結(jié)論也可能有一些其他的解釋。本部分，我們將會對其他的解釋進(jìn)行檢驗，來觀察 AIV 的定價是否足夠穩(wěn)健。盈余公告后的漂移效應(yīng)眾所周知，盈余公告后的漂移效應(yīng)顯著存在。由于我們的 AIV 指標(biāo)主要是圍繞在盈余公告前后的價格波動來計算的，很自然地我們想要觀察AIV 效應(yīng)與PEA

52、D效應(yīng)之間的相關(guān)關(guān)系。在前面我們提到，AIV 與 SUE 和盈余公告前收益 RunUp之間的關(guān)系呈現(xiàn)出明顯的正相關(guān)關(guān)系，本部分我們檢驗 AIV 對未來收益的解釋性是否能被 SUE 或者 RunUp 所解釋。圖 11：AIV 與 PEAD 效應(yīng)資料來源: Journal of Financial Economics，整理從圖 11 可以看到，RunUp 和 SUE 與個股的未來收益都呈現(xiàn)出顯著的正相關(guān)關(guān)系。AIV 指標(biāo)的系數(shù)的顯著性盡管有所降低，但仍然顯著為正。這說明 AIV 對未來收益的預(yù)測性不能夠被 PEAD 現(xiàn)象完全解釋。除了控制 RunUp 和 SUE 變量，我們還將 AIV 指標(biāo)對過去

53、一段時間內(nèi)的累計異常收益的絕對值進(jìn)行了標(biāo)準(zhǔn)化： = |( , )|12其中，(1, 2)表示的是個股在盈余公告日前后(1, 2)區(qū)間內(nèi)的累計異常收益如（0,1）、（-1,1）、（0,5）、（-5,5），該指標(biāo)主要用來衡量區(qū)間內(nèi)的 PEAD 效應(yīng)。本指標(biāo)背后的邏輯在于，如果AIV 與PEAD 效應(yīng)之間顯著正相關(guān)，那么在分母端剔除掉該效應(yīng)之后應(yīng)該與未來預(yù)期收益變得不相關(guān)。從圖 11 中的 M4 到 M7 列可以看到， 與個股未來預(yù)期收益仍然呈現(xiàn)出明顯的正相關(guān)關(guān)系。盡管在顯著性程度上有所削弱，但整體的相關(guān)性仍然很強(qiáng)。從這個角度來看，AIV 的定價與 PEAD 效應(yīng)之間并無直接的關(guān)系。特質(zhì)波動率異象由

54、前面的分析可知，在控制了特質(zhì)波動率因子之后，AIV 與未來股票預(yù)期收益之間仍然強(qiáng)正相關(guān)。因為 AIV 指標(biāo)的構(gòu)建是采用盈余公告前和非盈余公告時間段的特質(zhì)波動率之差來計算的，因此很自然我們要觀察 AIV 溢價與特質(zhì)波動率溢價之間的關(guān)系。圖 12：AIV 與特質(zhì)波動率異象資料來源: Journal of Financial Economics，整理圖 12 Panel A 通過分組檢驗法，先根據(jù) 分為五組，再根據(jù) AIV 分為 2 五組，可以看到隨著 AIV 值的增加其未來收益顯著增加，盡管并不單調(diào)。在五組中的三組中，AIV 最高組和 AIV 最低組的收益差顯著為正。圖 12 Panel B 展示

55、了先根據(jù) 分為五組，再根據(jù)分為五組的結(jié)果?？梢钥吹诫S著除了 最高的這一組之外，其他組別中隨著的增加其未來收益也增加，但同樣并不單調(diào)。對于 排序的第二組和第三組中，多空組合的收益顯著為正。因此，我們也可以看到 AIV 溢價并不是由于特質(zhì)波動率異象導(dǎo)致的，某種程度上而言，決定了 AIV 的溢價。圖 12 Panel C 通過Fama-MacBeth 回歸法展示了個股未來收益與 和的相關(guān)關(guān)系。從 M1 和 M2 列可以看到，兩者單獨(dú)來看與個股未來收益之間的關(guān)系并不顯著，但是在 M3 中同時考慮二者時，其收益方向與前面保持一致。換句話說，當(dāng)控制 變量時，值越高，個股的未來預(yù)期收益也就會越高，這也就是我

56、們構(gòu)建 AIV 指標(biāo)的原因。為了進(jìn)一步消除對 AIV 的影響，我們進(jìn)一步將 AIV 對進(jìn)行回歸取殘差構(gòu)建了 指標(biāo)。從 M4 可以看到該指標(biāo)仍然顯著為正?？偟膩砜?，我們認(rèn)為 AIV 異象與特質(zhì)波動率異象并不相同。基于成交量的信息風(fēng)險度量方法盡管我們認(rèn)為信息風(fēng)險是多面的，但諸如 AIV 指標(biāo)這樣的基于價格的信息風(fēng)險度量方法也可能會捕捉到跟基于成交量的信息風(fēng)險度量方法相同的信息。為了解決這一問題，我們需要證明在控制了其他信息風(fēng)險度量方法后，AIV 與個股未來的預(yù)期收益之間同樣存在顯著的正相關(guān)關(guān)系。例如，Easley 等（2002）認(rèn)為 反映了訂單流中蘊(yùn)含的信息風(fēng)險，而且該風(fēng)險被系統(tǒng)性定價，但是我們在前面的分析中并沒有將該指標(biāo)納入進(jìn)去。為了剔除這些指標(biāo)的影響，我們在圖 13 中將 及其類似的指標(biāo)，如 和 PSOS 也納入進(jìn)去作為控制變量進(jìn)行分析。由圖 13 中 M1 到 M4 可以看到，在控制了其他