NBER美国国民经济研究局-NBER-A-Note-to-_Do-ETFs-Increase-Volatility_-An-Improved-Method-to-Predict-Assignment-of-Stocks-into-Russell-Indexes_42页_474kb

文档总结

核心内容

本文提出了一种改进的方法，用于预测股票在Russell 1000和Russell 2000指数中的分配。该方法基于公开数据，构建了一个更接近Russell实际使用的市场资本化排名变量，从而提高了指数分配预测的准确性。该方法被用于扩展和验证Ben-David, Franzoni, and Moussawi (2018)的研究，探讨ETF所有权对股票波动率的影响。

主要观点

1. Russell指数重新构成事件：Russell 1000/2000指数的年度重新构成发生在6月，依据的是5月的市场资本化排名。由于实际排名变量是专有的，研究人员通常使用公开数据进行近似。

2. 现有方法的不足：

   • 基于6月权重的方法存在前瞻性偏差（look-ahead bias），可能导致选择偏差。
   • 基于CRSP市场资本化的方法虽然避免了前瞻性偏差，但预测精度较低。

3. 改进的排名变量：

   • 本文构建了一个新的市场资本化排名变量，该变量结合了CRSP和Compustat的数据，更接近Russell的实际排名方法。
   • 新方法在预测指数分配方面的准确率高达99.7%，显著优于传统方法。

4. 方法的实证应用：

   • 使用模糊回归不连续设计（Fuzzy RDD）框架，将ETF所有权作为工具变量，研究其对股票波动率的影响。
   • 实证结果显示，新变量在预测ETF所有权变化对波动率的影响方面具有更强的统计显著性。

关键信息

• Russell排名规则：Russell在5月使用非浮股调整的总市场资本化进行排名，6月进行指数重新构成。
• 数据来源：CRSP（提供可靠的价格和股份数据）和Compustat（提供OTC交易和非公开交易股票的数据）。
• 变量构造：
  • 对于公开交易股票，使用CRSP的股份和价格数据。
  • 对于非公开交易股票，使用Compustat的季度数据进行估算。
• 预测误差评估：
  • 新变量在预测指数分配时，误分类率仅为0.3%（即61次误分类）。
  • 与基于CRSP和Compustat的其他方法相比，新变量的预测能力更强。
• 实证结果：
  • 使用新变量进行回归分析，发现ETF所有权的增加与股票波动率的下降存在显著负相关。
  • 在多个带宽下（50, 100, 200, 400），新变量的回归结果均显示出较强的统计显著性。
  • 带宽为±50和±100时，部分回归结果不显著，可能由于样本量较小或多项式阶数过高。

方法结构

1. I. 模糊RDD框架下的Russell指数重新构成：

   • 介绍模糊RDD的基本结构，包括两阶段回归。
   • 第一阶段：预测股票是否被分配到Russell 2000。
   • 第二阶段：研究预测变量对结果变量（如波动率）的影响。

2. II. 改进的排名变量：

   • 详细描述如何构建更接近Russell实际使用的市场资本化排名变量。
   • 使用CRSP和Compustat数据，考虑不同股份类别和非公开交易情况。

3. III. 新变量的实证应用：

   • 将新变量应用于模糊RDD框架，研究ETF所有权对股票波动率的影响。
   • 使用两阶段最小二乘法（2SLS）进行估计，其中第一阶段预测ETF所有权，第二阶段研究波动率对ETF所有权的反应。

数据与代码

• 所有数据和代码均公开，供其他研究人员使用。
• 变量定义和描述性统计见附录C。
• 图表（如图1和图2）用于展示排名变量的预测能力和ETF所有权与波动率的关系。

结论

本文提出了一种更准确的预测Russell指数分配的方法，提高了模糊RDD框架下实证研究的可靠性。新方法在预测指数分配和分析ETF所有权对波动率的影响方面表现出更强的统计显著性，为后续研究提供了更精确的工具。