利用etf融券數(shù)據(jù)挖掘股票超預(yù)期信息

1、文獻(xiàn)來源文獻(xiàn)來源：hig Hn, Mnn Ora ad Zuo Zg,Innovationad Informed ran: Eidnce from Inustry ETs. The Revew of Fnncaltudes (202)文獻(xiàn)亮點本文發(fā)現(xiàn)當(dāng)對沖基金持有的股票觸發(fā)業(yè)績超預(yù)期之前對應(yīng)行業(yè)TF的做空數(shù)量出現(xiàn)飆升反映出可能存在做多股票同時做空行業(yè)TF的投資行為當(dāng)股票的行業(yè)風(fēng)險暴露高時這種模式尤為明顯通過行業(yè)TF成立前后的雙差分模型分析顯示行業(yè)TF降低了行業(yè)暴露高的股票在盈余公告后的價格漂（D也就是說行業(yè)TF提高了市場效率此外本文還發(fā)現(xiàn)行業(yè)TF的做空數(shù)量能夠正向預(yù)測行業(yè)TF 的收益，與利用行

2、業(yè)TF 對沖的行為相致。引言金融創(chuàng)新理論提出TF 可以促進(jìn)知情投資者的套期保值。Do（）認(rèn)為，引入一種新的證券可以幫助知情投資者對沖風(fēng)險，從而鼓勵更多的知情交易。利用TF 進(jìn)行對沖的想法也引起廣泛討論。例如，彭博社曾報道說“對沖基金主要使用Ts 來做空頭。從總體上看，對沖基金擁有0 億美元的TF空頭頭寸是其0億美元多頭頭寸的兩倍多。這些基金的空頭并不一定表示看跌情緒而是用來對沖市場的一部分以抵消多頭頭寸(achuns217)。本文研究行業(yè)TF在對沖中的作用知情交易者希望從特定股票信息中獲利的同時對沖掉市場和行業(yè)風(fēng)險通過將對沖基金的股票交易行為和行業(yè)TF的空數(shù)量結(jié)合起來，本文展示了行業(yè)TF如何影

3、響知情交易者和市場效率。當(dāng)一只TF 在某個行業(yè)的權(quán)重超過%時，本文將其認(rèn)定為行業(yè)TF。然后采取以下兩步來衡量多空交易：對于每個季度的每個股票本文遵循CheDa和Hua（的做法，使用對沖基金異常持倉（HF）定義對沖基金交易，HF 等于季度末對沖基金持股數(shù)量減去過去4 個季度對沖基金持股數(shù)量的平均值，然后除以股票季末的流通股數(shù)量。類似的，對于每個季度的每個 T，異常做空比（I）等于季末做空比例（shrt nterest rato，SR）減去過去四個季度R均值；將行業(yè)TF和它的一個成份股作為配對，對于每個配對組合，當(dāng)股票的常對沖基金持倉和異常R都高于當(dāng)季度末的%分位數(shù)時，本文假設(shè)擬變量為?；谝陨戏?/p>

4、法，本文探究了如下假設(shè)（）投資者通過做多股票做空 TF 策略來捕捉企業(yè)特質(zhì)信息的收益（行業(yè)TF提高了市場效率本文主要關(guān)注盈利公告前的多空活動和盈利公告后的漂移現(xiàn)象（AD。具體來說，本文用超預(yù)期來定義企業(yè)特質(zhì)信息，發(fā)現(xiàn)超預(yù)期業(yè)績公布前多空活動激增，這表明投資者使用做多股票做空TF的策略來捕捉企業(yè)特質(zhì)信息的收益并且這種現(xiàn)象在行業(yè)暴露高的股票中更為強烈。通過測試在D事件中行業(yè)TF對市場效率的影響本文發(fā)現(xiàn)當(dāng)該股票有對的行業(yè)TF時D現(xiàn)象減弱在控制了市值分析師覆蓋度機構(gòu)投者占比后D減弱的現(xiàn)象仍然存在本文比較了行業(yè)TF成立前后的兩內(nèi)高行業(yè)暴露和低行業(yè)暴露股票的D現(xiàn)象通過雙差分模型分析發(fā)現(xiàn)在業(yè)TF成立前不同行

5、業(yè)暴露股票的D沒有明顯差異但高行業(yè)暴露的票在行業(yè)TF成立后AD減弱的現(xiàn)象更為明顯。最后本文研究了行業(yè)TF在股票套利風(fēng)險方面如何影響市場效率如果行業(yè) TF 促進(jìn)了知情投資者在其成份股中的套利活動，那么成份股的套利風(fēng)險應(yīng)該會下降。為了驗證這一論點，本文按照Wurger和Zhraskaa（20）的方法來計算套利風(fēng)險，發(fā)現(xiàn)行業(yè)TF的成立降低了成份股的套利風(fēng)險?？偟膩碚f本文的結(jié)果顯示行業(yè)TF對知情交易和市場效率有重要且普遍的影響如果知情投資者做空行業(yè)TF以對沖行業(yè)風(fēng)險并利用公司的正面信息獲利，那么賣空行業(yè)TF 就包含了其成份股的正面信息，因而行業(yè)TF 的賣空行為就可以正向預(yù)測TF的未來收益通過驗證R的變

6、動能夠正向預(yù)測的未來收益，本文證實了這一猜想。鑒于大量的證據(jù)顯示IR對股票收益有負(fù)向預(yù)測作用（如Deter、e和Werner 209，本文的發(fā)現(xiàn)令人驚訝，但它和為了對沖行業(yè)風(fēng)險而賣空行業(yè)TF的投資行為是一致的。建立假設(shè)在本節(jié)中我們提出了一些假設(shè)來引導(dǎo)下文中行業(yè)TF對知情交易和市場效影響的實證分析。假設(shè) 1如果知情交易者通過做多股票做空TF 來獲取收益，則在預(yù)期外盈利公布前對沖基金股票倉位和對應(yīng)TF的做空數(shù)量都應(yīng)上升。假設(shè) a在行業(yè)暴露高的股票中，多空活動和預(yù)期外盈利的相關(guān)性更強假設(shè) 2如果行業(yè)TF能夠幫助投資者規(guī)避行業(yè)風(fēng)險從而更好地利用公司的特定信進(jìn)行交易，那么可以預(yù)期行業(yè)TF能夠降低其成份股

7、的D效應(yīng)。數(shù)據(jù)描述和樣本統(tǒng)計本文的研究主要使用兩個數(shù)據(jù)集。第一個數(shù)據(jù)集包含了美國行業(yè)TF 的信息包括做空數(shù)量和持倉數(shù)據(jù)。第二個數(shù)據(jù)集包含所有上市公司的盈利公告。在這兩個數(shù)據(jù)集的基礎(chǔ)上，本文還用各種相關(guān)數(shù)據(jù)來作為補充，如對沖（非對沖）基金的持有量。本文的樣本期為9年1月至7年2月。F數(shù)據(jù)股票 TF本文首先從 CRP urior-ase-Free 共同基金數(shù)據(jù)庫中獲得了美國權(quán)益 TFs的清單并剔除了名稱中含“債券“熊市“對沖的基金獲取非合成的美國股票T然后將得到的名單與8年6月TFDB中的所有美國股票TF 合并。對于每只T，根據(jù)湯森路透的F 數(shù)據(jù)追蹤其從成立日到7 年2月的持股。本文要求樣本中的T

8、F 至少有%投資于美國普通股。最終的樣本由8只美國股票TF組成。行業(yè) TF本文根據(jù)持倉來識別行業(yè)T將TF的持倉與Fm-Frech12個行業(yè)的分類相匹配，然后確定該TF 在其中投資最多的行業(yè)。如果主導(dǎo)行業(yè)占據(jù)投資組合持股的%及以上則認(rèn)為這是一只行業(yè)T然后過濾掉名稱中含有“價值“成長“羅素“紅利“動量”或“動態(tài)”的T，以確保該 TF主要目標(biāo)是覆蓋特定行業(yè)。進(jìn)一步要求TF至少由0只股票組成。最后得到了1只行業(yè)TF，覆蓋了Fma-rech 12個行業(yè)中的0個。下圖顯示了樣本中行業(yè)TF的規(guī)模和數(shù)量。圖 ：樣本中 F的規(guī)模圖 ：樣本中 F的數(shù)量資料來源:Te RviewofiacialStdie，整理資料

9、來源:Te RviewofiacialStdies，整理股票 TF的價格、成交量和賣空份額TF 的月度價格和成交量數(shù)據(jù)來自 CRP，行業(yè) TF 的月度賣空數(shù)據(jù)來自 COMUT。對于每個月的每只TF，將R定義為賣空數(shù)量已發(fā)行數(shù)量。由于TF的IR有可能大于%特別是行業(yè)T本文遵循黃炳憲教授的規(guī)則如果IR高于%就用%代替雖然這種截斷不會影響基于IR排名的結(jié)果，但它減輕了回歸中異常值的影響。公司數(shù)據(jù)盈利數(shù)據(jù)用 COMUT 和 CRSP 的金融市場數(shù)據(jù)構(gòu)建盈利公告數(shù)據(jù)，主要關(guān)注 COMUT 和 I/S 中都有的季度盈利公告。本文按照 Lnt 和 Mndenhl（20）的做法，再加入以下限制：在紐約證券交易

10、所、美國證券交易所或納斯達(dá)克上市的普通股。盈利公告在 COMUT 和 I/S 中都有報告，并且 COMUT 和I/S中的報告日期相差不超過一個日歷日。在COMUT中可以查到財務(wù)季度末的每股價格，并且大于1美元。財務(wù)季度末的股權(quán)市值大于0萬美元。在CRSP中可以找到盈利公告前后股票的日度收益率。本文遵循Lnt和Menenhl(200)的方法將超預(yù)期定義為服從滾動季節(jié)性隨機游走模型的標(biāo)準(zhǔn)化預(yù)期外盈利(U)。i 公司第t 季度的UE 計算公式為, = , ,4),，其中,是第t 季度的每股收益，,是i 公司在第t季度末的每股股（來自COMUT本文在附錄中也考慮了基于 分析師預(yù)期的超預(yù)期指標(biāo)，得到的結(jié)

11、果類似。對沖基金持股通過匹配湯森路透F機構(gòu)持股數(shù)據(jù)和對沖基金公司名稱列表來構(gòu)建對沖基持股數(shù)據(jù)。由于F 持股數(shù)據(jù)沒有標(biāo)明哪些機構(gòu)是對沖基金，本文按照（）的做法，通過以下步驟識別對沖基金。首先，從修訂后的DV 表中確定基金顧問的身份然后取%及以上的資產(chǎn)用于對沖基金業(yè)務(wù)的顧問，認(rèn)定其為對沖基金為了補充第一步中得到的對沖基金名單本文遵循Grffn和X（的做法從兩個商業(yè)對沖基金數(shù)據(jù)（LperS和Mrninstar CID）中增加一個對沖基金名單。最后，剔除自報投資策略為固定收益、全球宏觀、房地產(chǎn)或母基金的對沖基金。最終的樣本包括1個對沖基金。度量做多股票做空 TF的投資行為構(gòu)建一個虛擬變量，記為Dumm

12、_L，來衡量一只股票利用對應(yīng)TF 實現(xiàn)多空交易的操作具體來說先把一個行業(yè)的TF和它的一只成份股配對如果該股票的異常對沖基金持有量（HF）和該 TF 的異常做空比率（I）都高于樣本中的%分位點則將Dmm_S設(shè)為否則Dmm_LS設(shè)為。本文遵循Che、Da和Hua（21）的方法，將HF 定義為對沖基金在某一季度末持有的該股票的數(shù)量減去過去四個季度對沖基金持有的平均數(shù)量，再除以該季度末的流通股數(shù)量。IR 被定義為TF 在某一季度末的做空比例減去該TF在過去四個季度的平均做空比例。圖 ：樣本描述性統(tǒng)計資料來源:Te Rviewofiacial Stdie，整理下圖比較了行業(yè)和非行業(yè)TF的I本文得到兩個觀

13、察結(jié)果首先平均而言，行業(yè)TF 的IR 高于非行業(yè)T（1.%和3.7%。第二，行業(yè)TF 的 IR 分布更為右偏。行業(yè)TF 的IR 5 分位數(shù)為%，而非行業(yè)TF 的 IR95分位數(shù)略低于%。圖 ：行業(yè) TF的 IR分布圖 ：非行業(yè) F的 IR分布資料來源:Te RviewofiacialStdies，整理資料來源:Te RviewofiacialStdies，整理主要結(jié)果行業(yè)TF 能否促進(jìn)知情交易并提高市場效率？本文首先研究了行業(yè)TF 是否在預(yù)期外盈利公布前知情交易者的多空活動中發(fā)揮了一定作用。然后，探討行業(yè)TF在盈余公告后漂移（D）和套利風(fēng)險方面對市場效率的影響。知情交易者通過做多股票/做空 F

14、來獲取收益如前所述如果知情投資者使用做多股票做空TF的策略那么可以預(yù)期知情 投資者的股票交易和該股票對應(yīng)的TF做空數(shù)量在正面消息公布之前同時激增本文遵循Che,Kellyand Wu(22)的方法，采取如下回歸：_, = 1_, + + + + + + ,（）其中_,是一個虛擬變量，衡量行業(yè)TF i的成份股s在第t季度的盈利信息。如果該股票的UE 位于盈利公告樣本的前%（參考 ell,adWu220的定義它等于否則為Dmm_LS是盈利公告前最新的多空活動虛擬變量Conrol變量包括盈利公告之前的對數(shù)市（i賬面市值比（，機構(gòu)持有比例（O，過去1 個月的收益（Reersa，過去2個月的累計收（Mm

15、etm盈利波動（arnoa以及盈利持續(xù)性（arnPers。年度、季度、TF 和行業(yè)的固定效應(yīng)都包含在內(nèi)。所有的標(biāo)準(zhǔn)誤差都按TF和時間分組。圖 ：全樣本回歸結(jié)果資料來源:Te Rviewofiacial Stdie，整理上圖展示了回歸結(jié)果。如A 組第1 列和第2 列所示，umm_os_UE 的系數(shù)是正且顯著的換句話說本文發(fā)現(xiàn)TF股票配對的多空活動在其宣布正面預(yù)期外盈利之前會出現(xiàn)激增。在第3 列中，本文用非對沖基金的交易作為輔助測試；具體來說，用非對沖基金的異常持有量構(gòu)建Dmm_LS由于非對沖基金不太可能使用多空交易們不期望其Dmm_LS在正UE之前出現(xiàn)上升第3列的結(jié)果證實了這一想，Dmm_os_

16、UE的系數(shù)并不顯著。圖 ：金融危機時期與非金融危機時期回歸結(jié)果（續(xù)）資料來源:Te Rviewofiacial Stdie，整理在上圖的B組中本文將樣本期分為金融危機（206Q4-20Q4和非金融危機期，然后對每個時期進(jìn)行回歸。雖然非金融危機期的結(jié)果（B 組第1 列與A組的結(jié)果基本一致，但金融危機期的結(jié)果（B組第2列）卻有所不同。具體來說，在B 組第2 列中，Dmm_Pos_UE 的系數(shù)是不顯著的，這表明在金融危機時期，多空活動與UE沒有關(guān)系。在危機期間對于多空活動和正UE之間缺乏相關(guān)性有兩個可能的解釋首先套利者擁有有限的資（Che,Da,adHung2019這可能在危機期間限制了其做多股票做

17、空TF的活動其次鑒于一些行業(yè)的前景黯淡套利者可能已經(jīng)做空行業(yè)T，對該行業(yè)進(jìn)行押注。我們不認(rèn)為這些解釋是相互排斥的。由于沒有在危機期間找到存在這種多空操作的證據(jù)，所以在下面的分析中，本文把重點放在非危機期間。本文對多空活動進(jìn)行橫截面研究。在假設(shè)a 中，我們猜測在行業(yè)暴露高的票中，多空活動和預(yù)期外盈利的效應(yīng)更強。為了檢驗這一猜測，根據(jù)行業(yè)風(fēng)險暴露將股票分成兩組，并對每組重復(fù)回歸（本文按照HanLu和X（的方法衡量行業(yè)風(fēng)險暴露首先對于每個季度的每只股票使用前四個季度的信息來估計該股票和其對應(yīng)行業(yè)TF間的回報相關(guān)性，即為：_ = 1_ + 2 +(2)其中_是股票的每日超額收益_是其對應(yīng)行業(yè)TF的每日

18、超額收益，是每日市場超額收益。第二，股票的行業(yè)風(fēng)險暴露是由_的系數(shù)乘以_的標(biāo)準(zhǔn)差來衡量。然后，根據(jù)行業(yè)風(fēng)險暴露將股票分為4組。按照Hang,Lu, andXu (219)的做法，上四分位數(shù)及以上的股票歸為高行業(yè)風(fēng)險暴露組，其余的分為低行業(yè)風(fēng)險暴露組。然后將回歸（）應(yīng)用于每個組。下圖展示了相關(guān)結(jié)果：第1和第3列是低行業(yè)風(fēng)險暴露組；第2和第4列是行業(yè)風(fēng)險暴露組。在高行業(yè)風(fēng)險暴露的股票上，Dmm_LS 和 Dumm_os_UE之間的相關(guān)性是低行業(yè)風(fēng)險暴露股票的兩倍以（0和 0.0。這一差異在統(tǒng)計上顯著，為假設(shè)a提供了強有力的支持。圖 ：行業(yè)風(fēng)險暴露分組回歸結(jié)果資料來源:Te Rviewofiacia

19、l Stdie，整理行業(yè) F能夠降低其成份股的 ED效應(yīng)當(dāng)行業(yè)TF幫助投資者對沖其投資組合的行業(yè)風(fēng)險時它為投資者對公司特信息的交易提供了便利，因此提高了市場效率。根據(jù)之前的研究行業(yè)TF成份股中存在多空對沖行為因此我們預(yù)計成份股中的市場效率會得到改善。所以在第一個測試中，本文直接測試D事件行業(yè)TF的成份股的影響在第二項測試中本文對成份股進(jìn)行雙重差分分析，比較行業(yè)TF成立前后行業(yè)風(fēng)險暴露高和低的成份股的D效應(yīng)。使用傾向性評分匹配（propestyscorematchng，SM）方法為行業(yè)TF的成份股創(chuàng)建一個匹配樣本，控制其與市場效率相關(guān)的股票特征。具體來說，當(dāng)一只股票首次被納入行業(yè)TF時將這只成份

20、股與同行業(yè)中具有最接近傾向得分的非成份股進(jìn)行匹配。每只股票的傾向得分是通過成份股和非成份股的集合樣本中的Lgt模型估計的在該模型中因變量是一個虛擬變量如果是成份股其值為否則為解釋變量包括與市場效率有關(guān)的一系列股票特征市值、賬面市值比、機構(gòu)持有比例、分析師的數(shù)量以及異質(zhì)波動率。由于大盤股難以與其他股票相匹配，在本分析中主要關(guān)注市值低于行業(yè)中位數(shù)的成份股。下圖展示了相關(guān)結(jié)果A組是M的結(jié)果在匹配之前成份股有更大的公司規(guī)模，更高的機構(gòu)所有權(quán)，以及更多的分析師關(guān)注。然而，在匹配之后，成份股和非成份股具有相似的股票特征說明M已經(jīng)成功地控制了與市場效率有關(guān)的公司特征。圖 ：成份股與非成份股 P資料來源:Te

21、 Rviewofiacial Stdie，整理為了研究是否是成份股對D的影響，本文對成對樣本進(jìn)行如下回歸：(1,), = 1_, +2_, + 3_, _, + + + + + ,（）其中1,)是指從財報公布后的第1個交易日到第k個交易（k30或）的累積規(guī)模調(diào)整回報率_是一個虛擬變量表示股票是否屬于一個行業(yè)T本文使用交互項_來捕捉行業(yè)TF成份股對D的影響，控制市值的自然對數(shù)（i、賬面市值比率（機構(gòu)持有比（O分析師數(shù)（aalsts和盈利公告前的異質(zhì)波動（IO行業(yè)、年份和季度的固定效應(yīng)也包括在內(nèi)。標(biāo)準(zhǔn)誤差按股票和公告日期進(jìn)行聚類。圖 1：是否為成份股對 PED影響的回歸結(jié)果（續(xù)）資料來源:Te R

22、viewofiacial Stdie，整理如上圖所示，雖然 U_Rak 的系數(shù)顯著為正，但交互項 U_Rak Dumm_Mmbr 的系數(shù)為負(fù)且顯著，表明在相同的 UE 水平下，成份股 ED小于非成份股這些結(jié)果與假設(shè)2相一致即行業(yè)TF提高了市場效率。即使對于非成份股投資者也可以利用行業(yè)TF來對沖行業(yè)風(fēng)險但與成份股相比，非成份股的行業(yè)風(fēng)險暴露較低。在圖9的A組中，成份股和非成份股之間唯一明顯的區(qū)別是在行業(yè)風(fēng)險暴露方面。雖然成份股和非成份股的回報波動水平相似（7 和 0.0707，但成份股的行業(yè)風(fēng)險暴露更大（4 和 0.08。這一比較表明，行業(yè)TF成份股的D減弱效應(yīng)部分是因為對于具有高行業(yè)風(fēng)險暴露的

23、股票來說，用行業(yè)TF可以進(jìn)行更好的行業(yè)風(fēng)險對沖。盡管M方法成功地控制了與市場效率相關(guān)的一些特征但仍然可能有潛在遺漏變量為了降低遺漏變量的影響本文比較了行業(yè)TF成立前后高行風(fēng)險暴露和低行業(yè)風(fēng)險暴露的股票的D。在雙重差分分析中本文使用TF成立日期前后2年內(nèi)成份股的盈利公告根據(jù)成份股的行業(yè)風(fēng)險敞口將其分配到處理組和對照組本文使用成份股和成立前一年的組合的日度收益率來估計行業(yè)風(fēng)險暴露該組合根據(jù)TF首次報告時的投資組合持有量來構(gòu)建對于每個TF的成立將行業(yè)風(fēng)險風(fēng)險最高的 4成份股將被分配到處理組其余的股票被分配到對照組然后進(jìn)行以下回歸：(1,), = 1_, , , + 2, , +3, , + 4, ,

24、 +5, + 6, +7, + + + + + + ,(4)其中ret和ost是虛擬變量分別表示處理組和TF成立后的日期控制變量和標(biāo)準(zhǔn)誤差估計與回歸（）相同。下圖展示了回歸結(jié)果。交互項U_Rankretost 的系數(shù)為負(fù)且顯著，這表明行業(yè)TF的成立對具有高行業(yè)風(fēng)險暴露的成份股的D減弱更多結(jié)合多空活動在高行業(yè)風(fēng)險暴露的股票上更為明顯，高行業(yè)風(fēng)險暴露和低行業(yè)風(fēng)險暴露的股票之間D減少的差異表明使用行業(yè)TF作為對沖工具可以進(jìn)知情交易，從而提高市場效率。圖 ：行業(yè) TF成立對 PEAD的影響資料來源:Te Rviewofiacial Stdie，整理雙重差分法中的關(guān)鍵假設(shè)是“平行趨勢”假設(shè)，即處理組在沒

25、有沖擊的情況下（行業(yè)TF成立與對照組的趨勢相似也就是說如果不引入行業(yè)T行業(yè)暴露組和低行業(yè)暴露組在D減少方面應(yīng)該有類似的趨勢為了研究個假設(shè)，本文對不同時間段進(jìn)行了如下估計：1,), =1, , ),2,1,1,2+2, ),2,1,1,+2+3, ),2,1,1,+2+4), + + 2,1,1,+2+ + + + ,(其中r(-)、r(-)、r(+1)和r(+2)為沖擊前后的指標(biāo)，表示時間t 是在沖擊前或沖擊后的1年或2年內(nèi)交互項U_Rakretr(-)和U_Rankretr(-)的系數(shù)反映了處理組和對照組在接受沖擊前的D 減少效果的差異U_Rankretr(1)和U_Raketr(2)的系數(shù)

26、反映了沖擊后時期的差異。如下圖所示在行業(yè)TF成立前的每一年D對于行業(yè)風(fēng)險暴露高的成員股票和低的成員股票沒有明顯差異具有高行業(yè)風(fēng)險敞口的成員股票在TF立后D要比低行業(yè)風(fēng)險敞口的成員股票低。這一證據(jù)表明，雙重差分分中的D減少效應(yīng)來自于行業(yè)TF的成立，而不是時間趨勢。圖 1：行業(yè) TF成立對 PED的影響：時間趨勢資料來源:Te Rviewofiacial Stdie，整理為了補充雙重差分法的結(jié)果，本文比較了處理組和對照組的股票特征，發(fā)現(xiàn)這兩組具有類似的與市場效率相關(guān)的公司特征該分析表明使用行業(yè)TF作為對沖工具可以促進(jìn)知情交易，從而提高市場效率。對套利風(fēng)險的影響在本小節(jié)中，本文進(jìn)一步的驗證行業(yè)TF

27、提高了市場效率。如果行業(yè)TF 確實促進(jìn)了知情投資者在其成份股中的套利活動，那么成份股的套利風(fēng)險應(yīng)該會下降。本文使用Wrger和Zhraskaa（200）的方法來計算每年每只股票的套利風(fēng)險。這種套利風(fēng)險衡量了一只股票的收益變化在多大程度上可以被其替代股票所對沖。對于每年年底的每一只標(biāo)的股票，找到三只在行業(yè)、規(guī)模和賬面市值比方面與標(biāo)的股票最接近的替代股票。標(biāo)的股票在某一年的套利風(fēng)險是標(biāo)的股票的每日超額收益與該年替代股票的超額收益回歸殘差的方（詳見Wrger和Zhraskaa 202然后使用雙差分模型研究行業(yè)TF的成立對成份股和非成份股的套利風(fēng)險響。對于每個行業(yè)TF 的成立事件，將成份股分配到處理組

28、，將行業(yè)TF 所在的同一行業(yè)的非成份股分配到對照組此外對于每個TF成立事件本文要求非成份股在TF 成立日期前后的（-2 年，2 年）窗口期內(nèi)不被任何行業(yè)TF持有。下圖展示了模型結(jié)果其中ret和ost是虛擬變量分別表示處理組和TF成立后時期。控制變量和標(biāo)準(zhǔn)誤差估計與回歸（）相同。我們還控制了T行業(yè)和年份的固定效應(yīng)。et 和ost 的交互項是負(fù)的，而且是顯著的，這直接證明了行業(yè)TF的成立導(dǎo)致了套利風(fēng)險的降低。圖 1：行業(yè) TF成立對套利風(fēng)險的影響資料來源:Te Rviewofiacial Stdie，整理EF做空比例對收益率的預(yù)測能力通過之前的研究發(fā)現(xiàn)投資者利用行業(yè)TF的對沖來捕捉公司特定信息的收

29、益而且這種活動提高了市場效率本小節(jié)將研究這些投資行為對行業(yè)TF及其成份股的收益預(yù)測性的影響。收益的可預(yù)測性和做空比例當(dāng)知情投資者通過做空一個行業(yè)TF來進(jìn)行對沖時他們這樣做可能是因為他們對一只（或幾只）相關(guān)股票有正面信息。因此，與空頭頭寸傳達(dá)的負(fù)面消息不同，在對沖活動中 TF 的做空數(shù)量實際上是一個關(guān)于標(biāo)的積極信號。由于 TF最終會納入成份股的正面信息這意味著行業(yè)TF的做空比例應(yīng)該可以正面預(yù)測TF的未來回報。本文首先使用投資組合排序的方法來研究收益預(yù)測性。具體來說，遵循先前關(guān)于賣空的研究（例如，Ja、Mssa和Zhng 216；Desai等人，并使用每月的做空比例變（I作為排序變量值得注意的是由

30、于行業(yè)TF中IR 的高持續(xù)性特征，本文對IR 而不是IR 水平進(jìn)行排序。根據(jù)IR將所有行業(yè)TF分為三組然后構(gòu)建一個等權(quán)組合在最高組中做多T最低組中做空T。持有這個投資組合1個月，每月進(jìn)行一次調(diào)整。由于早期行業(yè)TF的稀缺性，樣本從5年開始。下圖展現(xiàn)了相關(guān)的結(jié)果面板.1顯示按IR排序的行業(yè)TF的多空組合每月產(chǎn)生5個基（t2.9的Fma-Frech-Carhrt四因（以下簡稱四因子正ap在面板.2中當(dāng)在組合排序中用V取代TF收益時我們發(fā)現(xiàn)IR 也能正向預(yù)測N，在多空組合中的四因子值為8 個基點（t2.具有顯著性這些結(jié)果對控制Fma-Mceth回歸中的基本特征是穩(wěn)健的（見C 組。鑒于大量的證據(jù)顯示IR 在股票層面上對收益有負(fù)面的測本文的發(fā)現(xiàn)是令人驚訝的但與行業(yè)TF在對沖行為中發(fā)揮的作用相一致。圖 1：做空數(shù)量和未來收益資料來源:Te Rview