20210823-华安证券-_学海拾珠_系列之五十七_高成交量溢价能预测经济基本面信息吗__24页_1mb

高成交量溢价能预测经济基本面信息吗？

核心内容概述

本报告探讨了高成交量回报溢价（HVP）是否能够作为预测未来经济基本面的指标，特别是对工业生产增长的预测能力。研究基于美国1963年7月至2016年12月的数据，结合预测性回归和资产定价框架，分析了HVP的预测能力是否能被已知风险因子和宏观经济变量所解释。

主要观点

• HVP的预测能力：HVP对工业生产增长具有显著的预测能力，其预测效果在样本内和样本外均得到了验证。
• 预测能力的强度：HVP每增加一个标准差，与下个月的工业生产增长减少9.2个基点有关，这相当于样本期间平均工业生产增长率的45%。
• HVP的预测范围：HVP对工业生产增长的预测能力可以持续至9个月。
• 对其他经济指标的预测：HVP也对芝加哥联储全国活动指数（CFNAI）、企业总收入增长率（ERN）和非农就业率（PAYROLL）有预测能力，但在12个月的范围内预测能力不再显著。
• HVP与已知变量的关系：HVP的部分预测能力可以被FF五因子、商业周期变量和系统性风险因子CATFIN解释，但仍有大量信息未被解释。
• 风险解释：HVP与股票的特质波动率、市场波动率、账面市值比（BM）等股票特征有关，表明HVP可能反映了投资者对经济风险的定价。
• 流动性与HVP的关系：HVP与流动性溢价存在一定程度的关联，但其预测能力在很大程度上独立于传统流动性指标。

关键信息总结

1. HVP的定义与计算

• HVPVW：市值加权的高成交量回报溢价，平均每月溢价为0.53%。
• HVPEW：等权的高成交量回报溢价，平均每月溢价为0.68%。
• 交易量排序组合：构建了10个按交易量排序的投资组合，其中高交易量组合的平均回报高于低交易量组合。

2. HVP对经济基本面的预测能力

• 单变量回归结果：HVP对工业生产增长、CFNAI、ERN和PAYROLL都有显著的预测能力，尤其在短期（h=1）和中期（h=3）。
• 多变量回归结果：HVP的预测能力在控制了FF五因子、商业周期变量和CATFIN后依然显著，表明其预测能力部分独立于传统风险因子模型。
• 样本外预测：使用滚动样本外预测方法，HVP对工业生产增长的预测表现优于其他模型，且在控制商业周期变量后仍保持显著。

3. HVP的基于风险的解释

• 特质波动率：高交易量股票通常具有更高的特质波动率（IVOL），且与未来收益呈正相关。
• 市场波动率：高交易量股票对市场波动率的暴露更高，且表现出正向定价。
• 账面市值比（BM）：高交易量股票的账面市值比更高，且具有更高的预期收益。
• 动量和反转：高交易量股票与动量和短期反转呈负相关，表明其可能与市场情绪有关。
• 资产增长与盈利：高交易量股票的总资产增长率较低，且盈利表现较差，这可能反映了基本面信息的传递。

4. HVP与流动性溢价的比较

• 流动性溢价：HVP与流动性溢价有一定相关性，但其预测能力在很大程度上独立于流动性指标。
• 非流动性指标：如ILIQ和UILQ，HVP与这些指标的关系较弱，且预测能力不完全重叠。

5. HVP的预测能力是否被其他因子解释

• FF五因子：HVP的预测能力不能被FF五因子完全解释，表明其可能包含额外的经济信息。
• 商业周期变量：DEF、TERM和TB等变量对HVP的预测能力有部分解释，但仍有剩余信息。
• 系统性风险因子：CATFIN对HVP的预测能力有显著贡献，但仍未完全解释。

结论

• HVP与经济基本面的联系：HVP确实包含预测未来经济基本面的信息，尤其是在工业生产增长方面。
• HVP的独立性：HVP的预测能力在很大程度上独立于传统风险因子模型，表明其可能反映了投资者对经济风险的定价。
• 研究局限：尽管HVP对经济基本面有预测能力，但其预测能力在横截面分析中稍显薄弱，且部分信息仍无法被现有因子模型解释。
• 未来研究方向：HVP可能作为经济风险因子的补充，进一步研究其与宏观经济因子的关系有助于理解资产定价的机制。

风险提示

• 本文结论基于历史数据与海外文献，不构成任何投资建议。

相关文献

• 《公司盈利季节性和股票收益》
• 《投资者评价基金时会考虑哪些因素》
• 《社交媒体效应、投资者认知和股票横截面收益》
• 《基金的下行风险择时能力》
• 《共同基金持仓拥挤度对股票收益的影响》
• 《基金公司内部的信息传播速度》
• 《因子动量与行业动量，殊因殊果》
• 《基金经理自购与基金风险》