新闻共现、注意力溢出和回报可预测性

2022-5-31 06:00:22

新闻共现、注意力溢出与回报可预测性*新加坡管理大学林鹏+巴鲁学院陶玉波新加坡管理大学涂俊§新加坡管理大学2018年11月*新加坡管理大学李光建商学院。新加坡斯坦福德路50号，178899。电子邮箱：李国。2014@pbs.smu.edu.sg.+巴鲁克学院/纽约大学齐克林商学院。纽约州纽约市伯纳德·巴鲁克路1号，10-225号，邮编：NY10010。电子邮件：linpeng@baruch.cuny.edu.电话：（646）312-3491新加坡管理大学经济学院。新加坡斯坦福德路90号，178903。电子邮箱：yubo。陶。2014@phdecons.smu.edu.sg.§我们感谢智达、谢春林（讨论者）、徐南希（讨论者）、乔丽达·帕帕克罗尼（讨论者）以及2018年SMU金融夏令营、2018年中国国际金融会议和2018年金融管理协会年会的与会者提出了非常有帮助的意见。通讯作者。新加坡管理大学李光中商学院，新加坡斯坦福路50号，178899。电子邮件：tujun@smu.edu.sg.电话：（65）6828-0764。Tu Jun承认这项研究是由Sim Kee Boon金融经济研究所的研究资助的。通常的免责声明适用。本文的前一版本以“基于媒体网络的投资者关注度：市场溢价的有力预测”为题进行了传播。新闻共现、注意力溢出和回报可预测性摘要我们考察了投资者注意力溢出对股票回报可预测性的影响。使用一种新的测量方法，即新闻网触发注意力指数（NNTA），我们发现NNTA对市场回报率的预测为负，样本月外Rof为5.97%（5.80%）。在横截面图中，基于新闻共现的多空投资组合产生了68个基本点的显著月度阿尔法。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:25

在经济衰退和经济扩张期间，研究结果对替代性注意力指标、情绪测量、其他基于新闻和信息的预测指标的纳入非常可靠。我们进一步验证了注意力外溢效应，表明与无条件新闻报道相比，新闻联名会导致谷歌和彭博搜索量的更大增长。我们的发现表明，在以新闻为基础的网络中，注意力外溢可能导致股市大幅高估，尤其是在套利有限的情况下。JEL分类：G11、G12、G41。关键词：投资者关注度；网络收益可预测性；卖空约束；媒体报道；新闻语调；异质信念。在众多关于股市收益可预测性的研究中，大多数都是关于基于信息的预测因素，通常采用硬信息（例如Goyal和Welch（2008）中的基本经济变量），最近转向软信息（例如Tetlock（2007）中的新闻音调）。然而，如果没有投资者的关注，信息本身就无法影响股价。鉴于投资者注意力已被证明是近期文献中股票回报最重要的驱动力之一，令人惊讶的是，缺乏对投资者注意力对市场溢价预测影响的调查。在本文中，我们构建了一个新的基于注意的预测因子，即新闻网络触发延迟（NNTA）指数，用于预测市场股票溢价。有证据表明，注意力对投资者来说是一种稀缺资源，尤其是对个人投资者而言。因此，投资者对证券的认识可能有限（Merton（1987）），他们可能只关注自己知道或持有的股票的相关信息，而很少关注其他股票。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:28

当同一新闻报道中提到多只股票时，投资者对一只股票的认可就会转移到提到的股票上，从而增加了对所有提到的股票的关注。基于新闻网络的注意力溢出，在存在卖空限制的情况下，可能会导致对好消息的强烈反应，而不是坏消息（Barber和Odean（2008）），这反过来会导致估值过高，随后表现不佳。在本研究中，通过每月汇总市场上所有股票的新闻，我们使用网络分析中的邻接矩阵来制定NNTA指数，以衡量新闻共同发生引发的注意溢出对非股东类型投资者的关注程度。我们预计，NNTA指数越高，总股市的高估程度越高。我们一致发现，我们提出的基于注意力的预测因子NNTA可以预测市场溢价，其显著负系数分别为5.97%和5.80%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:31

此外，我们的发现在统计上和经济上都具有重要意义，即使我们控制了其他注意力代理、基于新闻的预测和基于信息的预测，包括Goyal和Welch（2008）中使用的经济预测，媒体报道相关的工作包括Kahneman（1973）、Shiller、Fischer和Friedman（1984）、Merton（1987）、Shiller（1999），Barberis和Shleifer（2003）、Peng（2005）、Peng和Xiong（2006）、Gabaix、Laibson、Moloche和Weinberg（2006）、Cohen和Frazzini（2008a）、Hirshleifer、Lim和Teoh（2009）、DellaVigna和Pollet（2009）以及Van Nieuwerburgh和Veldkamp（2009）。继方和佩雷斯（2009）、谷歌搜索指数（Google search index），继乔治·黄（George and Hwang）（2004）之后的52周高点，分析师覆盖率和交易量根据价值权重和基于拉夫兰（Loughran）和麦当劳（McDonald）（2011）字典的新闻语调（Engelberg，2008；Gurun and Butler，2012；Hillert et al.，2014；Solomon et al.，2014；Tetlock et al.，2008）。在我们的实证背景下，NNTA对市场溢价的样本内和样本外预测能力最强。我们还考察了NNTA在衰退和扩张期预测收益方面的表现。结果表明，与其他预测因子相比，NNTA在衰退期和扩张期都获得了更大的正Rs。我们通过预测横向投资组合进一步验证了投资者的注意力渠道，并发现更频繁的新闻同时出现会产生更低的回报。基于异常关联新闻报道的多空组合月回报率为0.68%，统计显著性为1%。传统的风险因素，如Carhart（1997）four factor，Hou et al。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:34

（2015）q-factor和Fama and French（2016）五因素模型无法解释我们的新闻网络引发关注所产生的Alpha。为了获得NNTA的经济解释，我们检查了关联股票对之间的谷歌和彭博搜索量的平均相关性。研究表明，联系更频繁的股票对倾向于享受谷歌和彭博社搜索量更高的相关性。根据Da等人（2011年）的研究，相关搜索活动直接支持了这样一个猜测，即由新闻共现构建的NNTA衡量投资者的注意力。由于投资者的注意力需要异质信念或卖空约束来产生不对称的购买压力（Hong和Stein，2007），我们随后检查了NNTA指数在投资者意见分歧和卖空约束的不同情景下的回报可预测性表现。预期的是，只有当投资者的信念高度分歧且卖空约束严格时，NNTA指数才显示出显著的回报可预测性。我们进一步说明，由于散户投资者对卖空的约束更大，由散户投资者持股比例较高的股票组成的NNTA指数具有更强的收益预测能力。这些结果与直觉一致，即当投资者意见分歧较大且卖空约束更具约束力时，股票错误定价更为严重。我们计算了2004:01-2014:12样本期内谷歌关键词“S&P500”、“SP500”、“S&P500”或“SP500”的搜索查询频率。我们的论文为投资者关注的不同方面提供了新的视角。彭和雄（2006）指出，由于注意力有限，投资者倾向于处理比企业特定信息更多的市场信息，这导致了回报联动现象。彭等人的后续工作。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-5-31 06:00:38

（2007）表明，在有限注意力和注意力转移假设下，可以解释时变资产协同运动。在新闻关注度方面，Odean（1999）和Barber and Odean（2008）发现，个人投资者更可能交易吸引他们注意力的股票，因为他们对交易内容的关注有限，尤其是购买股票。Fang和Peress（2009）以及Fang et al.（2014）利用媒体报道作为吸引眼球事件的代理，进一步研究了横截面回报可预测性和共同基金的交易和表现，并发现了个人和机构投资者都受到有限关注的证据。与这些论文不同的是，我们通过medianetwork的形成确定了投资者关注的有效代理。该委托书指出，与股东相比，非股东的交易行为更容易受到卖空约束。因此，在不区分投资者角色的情况下，我们的代理比那些代理更能预测市场溢价。我们还对研究金融媒体在回报可预测性中的作用的文献作出了贡献。在过去的几十年里，研究媒体在金融市场中的作用的文献主要探讨了新闻语调如何预测股价。Tetlock（2007）提出，语言语气，尤其是消极语气，可以预测市场超额收益。Tetlock等人（2008年）通过处理企业特定新闻进一步探讨了横截面回报的可预测性。类似地，Zhang等人（2016年）根据他们提炼的情绪测量记录了一个行业具体情况。Jegadeesh和Wu（2013）进一步改进了Tetlock（2007），采用了基于OLS和Naive Ba的术语权重方案，他们还发现新闻文章的回报率具有显著的可预测性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-5-31 06:00:41

与这些侧重于从企业特定新闻中提取信息的研究不同，我们从该数据集中分离出相关新闻，并表明这些新闻拥有预测市场溢价的有价值信息。最后，我们对将网络分析应用于财务研究的文献做出了贡献。Cohen和Frazzini（2008b）以及Menzly和Ozbas（2010）发现，某些个别企业和行业之间的经济联系有助于实现跨企业和跨行业回报的可预测性。根据Hong等人（2007）的理论模型，他们将其结果解释为整个经济相关企业的信息逐渐分化的证据。Rapach等人（2015年）在广泛的行业相互依赖性基础上调查了行业回报的可预测性。与上述文献不同，我们是第一篇构建全市场媒体网络并提供其市场回报可预测性的直接证据的论文。论文的其余部分组织如下。在第1节中，我们回顾了探索金融市场中媒体网络的文献，并为后续分析做出了一些基本假设。在第2节中，我们将展示如何构建一个基于媒体网络的注意力指数的综合度量。然后，我们进行了一些实证检验，并在第3节给出了我们的结果。在第4节中，我们为NNTA提供了经济解释。我们得出结论，第5.1节媒体联系和媒体网络媒体联系从定义上讲，是一种通过新闻故事建立的相互关系，新闻故事可以通过明确提及或隐含影响来实现。明确提及，也被称为媒体共现，是表述两个实体的连通性的最自然的方式。¨Ozg¨ur等人（2008年）首先研究了从路透社新闻的共现网络推断出的社交网络。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-5-31 06:00:43

研究表明，该网络具有幂律分布的小世界特征，与其他算法相比，它能更好地预测新闻中涉及的人的“重要性”排名。Scherbina和Schlusche（2015）研究了股票回报的交叉可预测性，通过从新闻报道中发现经济联系。他们利用关联股票收益的加权平均值构建了一个关联信号，并发现关联股票相互交叉预测未来的收益，可预测性随着关联新闻的数量而增加。除了明确提及之外，这种联系也可以通过隐含的方式建立，因为我们在本文中所指的相关新闻被定义为提及多个企业的新闻。感染。最著名的渠道之一是产业链。如Cohen和Frazzini（2008b）所示，某些个别企业和行业之间的经济联系对跨企业和跨行业回报的可预测性有重要贡献。Rapach et al.（2015）通过定义行业与回报可预测性之间的联系，扩展了Cohen和Frazzini（2008b）的观点。通过这些行业的相互依赖性，传递某个行业信息的新闻也会渗透到其他行业。由于行业内股票之间的竞争关系，一只股票的好（坏）消息对其竞争对手来说将是坏（好）消息。商业互动是从一家公司到另一家公司传播新闻的另一个重要渠道。基于媒体连接，我们可以通过将连接股票的整个图片作为一个无向图，在每个股票上标记固定的大小或中心度来构建新闻网络。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:47

在网络分析中，所有这些信息都可以通过邻接矩阵或加权邻接矩阵来获取。除了邻接矩阵，我们还需要对新闻到达和网络结构做出一些必要和合理的假设，以简化我们的分析。假设1（随机新闻到达）。关联新闻随机到达，投资者没有关于新闻到达分布的事先信息。在Daley and Green（2012）和Rubin et al.（2017）中，他们假设新闻的到来遵循某种随机过程，或者是先验的意外。这一假设是合理的，因为投资者面临两层随机性。第一层随机性来自特定新闻事件的到来，第二层来自新闻链接。事实上，新闻事件总是不可预测的，即使投资者意识到会发生新闻事件，新闻中提到的股票对投资者来说仍然是神秘的。假设2（多度网络）。关联新闻所吸引的注意力不仅影响直接关联股票，也影响间接关联股票。为了将股票纳入网络结构，相关新闻所吸引的注意力可以通过新闻链接传播。新闻共同提及引起的关注不仅会影响图论和计算机科学，邻接矩阵是用来表示无权重图的方阵。矩阵的元素表示图中的顶点对是否相邻。对于加权邻接矩阵，它是用于表示加权图的平方矩阵，其边用权重标记，以表示节点之间的某种关系，例如距离。矩阵的元素只是边的权重。有直接联系的股票，也有间接联系的股票。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:51

每个节点（股票）的重要性将取决于它与此新闻网络中所有其他节点（股票）的连接。为了解释这种间接影响，我们使用一些衡量指标来衡量股票在市场中的重要性，我们将在本文的其余部分详细讨论这些指标。2数据与方法在本节中，我们介绍了数据来源，并解释了新闻网络引发注意指数背后的直觉。然后，我们介绍了我们可以竞争的替代预测因子及其相应的数据源。2.1新闻网络引发关注我们用于构建媒体网络的数据是1996年1月至2014年12月期间汤森路透新闻分析和存档数据集中的具体新闻。数据包含各种类型的新闻，例如关于市场、行业和公司的评论、故事、分析和报告等。它还提供了三种概率，即PosNN（文章的概率为正）、NegNN（文章的概率为负）和NeuNN（文章的概率为中性），适用于每篇新闻中提到的所有信息。这三个概率之和为1，由基于神经网络的情感引擎计算得出。在随后的分析中，我们将使用NegNNandOptNN（PosNN- NegNN）以及软信息预测器。新闻网络引发注意的措施分三步构建。我们将新闻分为两类：涉及多支股票的相关新闻和仅涉及一支股票的自我新闻。经验主义者通常通过计算总的提及次数（新闻报道）（Barber和Odean，2008）或出现在头条新闻中的次数（Yu，2015）来间接衡量投资者的关注度，而不区分这两类新闻中的细微差异。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:54

具体而言，自我新闻可能只会吸引那些事前关心该股票或已经持有其股票的投资者，而相关新闻不仅会吸引相关投资者的注意力，还可能引发那些只关心其中一只股票的投资者关注其他共同提及的股票。因此，附录中提供了有关该指数构建的严格数学公式。与自我新闻相比，大幅扩大了投资者基础。基于这一区别，对于任何给定的一对股票，我们分别计算两个股票的自我新闻报道以及它们之间的关联新报道。然后，我们根据其自身新闻报道重新缩放关联新闻报道，以衡量关联新闻对整体投资者基础的贡献。最后，wefollow Da et al.（2011）通过对重新缩放的关联新闻报道进行第一次差异，构建异常注意测量，这也可能有助于消除潜在的非静态时间序列。到目前为止，我们隐含地假设新闻网中的每只股票都同等重要，因为每只股票的异常投资者关注度都具有同等的权重。事实上，越重要的公司越容易吸引投资者的注意力。因此，我们建议根据股票的重要性调整异常关联新闻报道。在本文中，我们从两个维度来衡量股票的重要性。一个维度是企业自身的特征，即企业规模，它决定了企业自身能够吸引多少投资者关注。另一个维度是关联企业的整体重要性，即中心性，它评估了该企业通过关联其他企业可以吸引多少投资者关注。特别是，中心度是一种专门的度量，它可以帮助使用边缘信息对网络中顶点的重要性进行排序。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:00:57

正如Newman（2010）所介绍的，在网络分析中有各种类型的中心度度量（例如度中心度、贴近度中心度、介度中心度、特征向量中心度等），我们选择在研究中使用特征向量中心度。具体而言，我们首先定义了=库存····库存A11、ta12、t···a1N、tstocka21、ta22、t···a2N、t。。。。。。。。。。。。。。。stockNaN1，taN2，t··aNN，t. （2.1）式中，如果存在在时间t共同提及股票i和j的新闻，则aij，t=1，否则为0。然后，我们计算对应于最大特征值（λmax）的特征向量xt。通过这种方式，相应的特征向量捕获投影到特征空间的列向量的最大变化，可以用来描述网络上下文中链接的信息性（Newman，2010）。邻接矩阵并定义xtas我们的中心性得分的值，即Atxt=λmaxxt，对于每个t=1，2，···，t，（2.2），其中xt=（Ctry1，t，Ctry2，t，··，CtryN，t）和Ctryi，t代表时间t时股票i的特征向量中心性核心。与根据其度数授予节点的度中心性不同，特征向量中心性认为并非所有顶点都是等价的：一些顶点比其他顶点更相关，而且，合理地说，来自重要节点的认可更重要。因此，特征向量中心性表明，如果一个节点连接到其他重要节点，则该节点是重要的。以图1中的一个简单网络为例，网络中的每个顶点表示一个实体，边表示由新闻共现引起的媒体连接。学位中心性表明，表1和表3、表2和表6或表4和表5同等重要，因为它们拥有相同的学位。然而，尽管第2和第6家公司都有两个学位，并与第1家公司相连，但第6家公司与第3家公司相连，后者的学位比第4家公司多。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:01

因此，我们应该预计，在传播新闻方面，第六家公司比第二家公司更重要，因为它有更多的二级关系。同样，我们也应该预计，1号和5号企业将分别比3号和4号企业占据更为核心的地位。特征向量中心度得分证实了这一直觉[0.5641、0.2960、0.5454、0.1268、0.2337、0.4753]。显然，在描述新闻传播时，投资者的中心性得分更适合这种情况。[在此插入图1。]显然，企业规模和中心地位在描述企业在吸引注意力和新闻差异的背景下的重要性时相互补充。为了将这两个方面结合起来，我们制定了一个复合新闻网络引发注意指数NNTA，作为两个标准化注意度量的简单平均值，如等式（2.3）所示。由于这两个指标都可能包含有关投资者注意力以及特质非注意力噪音的信息，因此综合NNTA指标有助于捕捉相关新闻中常见的投资成分，并使特质噪音多样化。NNTAt=0.5NNTAszt+0.5NNTActrt。（2.3）在图2中，我们绘制了综合NNTA指数和其他两个单独的NNTANDICES。通常，基于规模的指数与中心性加权注意力指数的模式相似（相关系数为0.41），这意味着大型股也往往是中心性得分较高的股票，这两个指数反映的信息内容相似。然而，这两个指数仍然存在差异，尤其是在扩张期，这意味着将这两个指数结合起来将是有益的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:04

通过构建，NNTA与NNTAszand和NNTActrat相似水平相关，分别为0.72和0.78。[在此插入图2。]2.2替代预测为确保NNTA捕捉到投资者关注的不同方面，我们希望在预测回归中控制一些替代关注度量。根据Barberand Odean（2008）和Fang and Peress（2009），媒体报道是投资的重要代表，对股票回报有着重大影响。因此，我们通过在Factiva上搜索关键词“标准普尔500指数”、“标普500指数”、“标普500指数”或“标普500指数”，从道琼斯和《华尔街日报》的文章中构建市场广度新闻报道，并从汤森路透新闻档案中获取特定新闻报道。此外，我们采用这些预测因子的第一个差异来获得异常媒体覆盖率，标记为TRN，DJI，以及《华尔街日报》。除了新闻报道之外，我们还基于文献构建了各种关注度指标，例如，根据Da等人（2011）的精神，谷歌搜索“S&P500”、“SP500”、“S&P500”和“SP 500”等关键词的搜索量（Google search），继George和Hwang（2004）之后的52周最高价格指数（PrcHigh），使用价值权重（分析师和分析师）和分析师覆盖率在Nasdaq指数和Hong等人（2000）之后的公司规模（分析师r）上的回归残差，以及每只股票的价值加权交易量（TrdVol）和异常交易量(TrdVol）的精神，Gervais等人（2001年）。除了注意力代理之外，其他具有很强回报可预测性的因素也被视为控制因素，以排除其他可能的解释。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-5-31 06:01:07

第一组因素是新闻语调，例如，第t个月单个股票i的负面新闻语调计算为Neg=#of Neg Wordsi，tTotal#of Wordsi，t，乐观新闻语调计算为Opt=#of Pos Wordsi，t-# 否定词si，t总#of Wordsi，t，其中肯定词和否定词遵循Loughran和McDonald（2011）字典。第二组因素是可能影响投资者信念的因素，即情绪指数（Baker和Wurgler，2006；Huang et al.，2014）和不确定性指数，包括VIX、Bali et al.（2014）的经济不确定性指数（UNC）、inChoi et al.（2017）的国库隐含波动率（TIV）、Baker et al.（2016）的经济政策不确定性（EPU）、金融不确定性（FU），Jurado等人（2015）中的经济不确定性（EU）。最后一组因素是与经济基本面直接相关的经济预测因素。具体而言，我们从Amit Goyal的网站上收集了Goyal和Welch（2008）的因素：对数股息价格比（D/P）、对数股息收益率（D/Y）、对数收益价格比（E/P）、对数股息支付率（D/E）、股票回报方差（SVAR）、账面市值比（B/M）、净股本扩张（NTI）、国库券利率（TBL）、长期债券收益率（LTY）、长期债券收益率（LTR）、期限利差（TMS），默认收益率利差（DFY）、默认收益率利差（DFR）和通货膨胀率（INFL）。此外，我们遵循Morck et al.（2000）的方法，构建了用于控制基本面相关性的收益联动指数（ECI）。我们首先运行回归ROAI=ai+bi×ROAm+i、（2.4）对于每个时期的每个公司i。ROAIS公司资产回报率，按税后年度加总资产折旧计算。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:10

ROAmis所有公司资产回报率的价值加权平均值。收益共同变动指数=PiRi（ROA）×SSTi（ROA）PiSSTi（ROA），（2.5），其中Ri（ROA）和SSTi（ROA）是Rand，即从企业i的回归（2.4）得出的总方差的平方和。较高的ECI表明收益经常一起变动。表1总结了本文中使用的所有变量。[在此插入表1。]从表1的汇总统计数据中，我们可以观察到，月度超额市场回报率的平均值为0.41%，标准差为4.49%，这意味着月度Sharperatio为0.09。还可以观察到，大多数经济预测都具有高度的持续性，而超额市场收益率几乎没有自相关性。这些汇总统计数据与文献基本一致。3预测股市收益与新闻共现在这一部分，我们提供了一些实证结果。第3.1节考察了NNTA指数在总市场水平上的时间序列回归可预测性。第3.2节比较了NNTA指数与替代预测因子的样本内收益可预测性。第3.3节分析了样本外可预测性。最后，第3.4节评估了NNTA指数的横截面预测性。3.1预测市场考虑标准预测回归模型，Rmt+1=α+βXt+t+1，（3.1），其中Rmt+1是超额市场回报，即标准普尔500指数的月回报率不超过无风险利率，XT是NNTA指数或其他预测指标。为了进行比较，我们还对媒体报道指数、替代关注指数、新闻语调、投资者情绪、不确定性因素、收益协同变动指数和等权重空头利率进行了同样的样本预测回归。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:13

具体而言，我们检验了无效假设H：β=0，这意味着NNTA对股票回报没有可预测性，而备选假设H：β6=0。在零假设下，（3.1）简化为常数预期收益模型，Rmt+1=α+t+1。[在此插入表2。]表2报告了样本内预测回归的结果。从经济角度来看，OLSCOefficient表明，NNTA增加一个标准差与下个月预期超额市场回报减少约1.09%相关。一方面，回想一下，在我们的样本期内，平均每月超额市场回报率为0.41%，因此-1.09%的斜率意味着基于NNTA的预期超额市场回报率的变化幅度是其平均水平的2.7倍，这表明了强大的经济影响。另一方面，如果我们将一个月内减少的1.09%乘以12，那么13.08%的年化水平就有点大了。在这种情况下，可以将其解释为模型隐含的预期变化可能与市场上投资者的预期变化的合理水平不同。从经验上看，这一水平明显高于传统的宏观经济预测。例如，D/P比率、CAY和净支出比率的一个标准差增加往往会使风险溢价每年分别增加3.60%、7.39%和10.2%（见Lettau和Ludvigson（2001）和Boudoukh et al.（2007））。OLS预测的Rof NNTA为5.97%，大大高于所有替代注意代理以及软/硬信息预测。这意味着，如果这种可预测性水平能够在样本之外保持下去，它将具有重大的经济意义（Kandel和Stambaugh（1996））。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:16

Campbell和Thompson（2008）表明，鉴于月度市场回报中固有的巨大不可预测成分，每月0.5%的样本Rof可以产生显著的经济价值，我们在第3.3节中的发现与此观点一致。除了分析整个样本期的可预测性外，检查商业周期的可预测性也很重要，这样我们就能更好地理解基本驱动力。继Rapach等人（2010年）之后，我们分别计算了经济扩张（Rup）和衰退（Rdown）的RStatistics，Rc=1-PTt=1{t∈Tc}·tPTt=1{t∈Tc}·（Rmt-(R)Rm），c∈ {上，下}，（3.2），其中1{t∈Tup}（1{t∈Tup}）是一个指标，当t月处于安伯扩张（衰退）期时，该指标的值为1，即Tup（Tdown），否则为零；这是基于（3.1）中预测回归模型的样本内估计值得出的结果；(R)Rmt Rmt的全样本平均值；T是完整样本的观察次数。注意，与全样本统计不同，Rup（Rdown）没有符号限制。表2的第4列和第5列报告了Rupand和Rdownstatistics。结果表明，NNTA在衰退期间获得的回报可预测性是扩张期间的两倍。此外，在扩张期内，NNTAH的回报可预测性明显高于所有其他预测指标，在衰退期内，它的表现仅不及《华尔街日报》的异常新闻报道。这证实了我们基于新闻网络的注意力代理在所有经济环境下都具有稳定的市场溢价预测能力。3.2与经济预测的比较在本小节中，我们将NNTA的预测能力与替代预测进行比较，并检查其预测能力是否由忽略的注意力代理、软信息或与商业周期基本面相关的经济变量驱动。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:20

具体而言，我们检验了在控制其他预测因素后，NNTA的预测能力是否仍然显著。为了分析NNTA的边际预测能力，我们基于NNTA和其他预测因子进行以下双变量预测回归，Rmt+1=α+βXt+φZt+t+1，（3.3），其中XT是NNTA指数之一，ZT是第2.2节中描述的替代预测因子之一，我们的主要兴趣是系数β，并测试H：β=0与H：β6=0。[在此插入表3。]表3显示（3.3）中β的估计值为负值，且大小稳定，这与表2中报告的预测回归（3.1）的结果一致。更重要的是，当其他预测因子增加时，β仍然具有统计学意义。这些结果表明，NNTA除了包含在媒体报道、替代注意代理和其他主流回报预测中的信息外，还包含相当多的补充预测信息。注意到控制其他预测因子不会破坏NNTA\'simpact（β与表2中报告的几乎相同），我们有信心认为基于新闻网络的预测因子的信息内容不会与现有的注意代理重叠。3.3样本外预测样本内分析通过利用所有可用数据提供更有效的参数估计，从而提供更精确的回归预测。Goyal和Welch（2008）等认为，样本外测试似乎更适合实时评估真实回报的可预测性，避免过度拟合问题，并且受Stambaugh偏差等有限样本偏差的影响较小（Busetti和Marcucci（2013））。所以，有必要显示NNTA指数的无样本预测性能。对于时间t的样本外预测，我们仅使用时间t之前的可用信息来预测t+1时的股票收益。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:23

继Goyal和Welch（2008年）、Kelly和Pruitt（2013年）以及许多其他人之后，我们通过基于我们的新闻网络触发注意指数递归估计预测回归（3.4）来进行样本外分析，即：Rmt+1=αt+βtX1:t；t、（3.4）式中X1:t；这是递归估计的复合NNTA指数或单个NNTA指数，α和β是从回归{Rmr+1}t得出的OLS估计-1r=1，模型（3.1）递归。我们还可以使用与前面章节中相同的替代预测因子进行样本回归。相应的结果总结在表4的面板B至F中。为了评估样本外绩效，我们采用了广泛使用的Campbell和Thompson（2008）的基于无约束预测和截断预测的Ross统计，该预测施加了非负股权溢价约束。无约束ROSstatistic度量预测回归预测相对于历史平均基准的均方预测误差（MSFE）的比例减少。Goyal和Welch（2008）表明，历史平均值是一个非常严格的样本外基准，个别经济变量通常无法超过历史平均值。为了计算ROS，让r为初始样本训练选择的固定数字，以便在时间t=r+1，r+2。。。，T然后，我们计算s=T- r样本外预测：{Rmt+1}T-1t=r。更具体地说，我们使用1996:01至2002:06的前1/3数据作为初始估计期，以便预测评估期从2002:07至2014:12。^ROS=1-PT公司-1t=r（Rmt+1-^Rmt+1）PT-1t=r（Rmt+1-“Rmt+1），（3.5），其中“Rmt+1表示与常数预期回报模型（Rmt+1=α+t+1），即Rmt+1=ttXs=1Rms。（3.6）通过构造，统计值位于(-∞, 1] 。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:26

如果ROS>0，就MSFE而言，这意味着预测的Rmt+1超过了历史平均Rmt+1。我们报告的样本外Rs的统计意义基于Clark和West（2007年）的MSFEadjusted统计（CW测试）。它检验了历史平均MSFE不大于预测回归预测MSFE的无效假设，以及历史平均MSFE大于预测回归预测MSFE的单侧（右尾）替代假设，对应于H:ROS≤ 0相对于H：ROS>0。Clark和West（2007）表明，在比较嵌套模型的预测时，测试具有标准的正态限制分布。直观地说，在常数预期收益模型生成数据的完全假设下，预测回归模型将生成比历史平均基准asit估计零总体值的斜率参数更具噪声的预测。因此，我们期望基准模型的MSFE小于预测回归模型在空值下的MSFE。SMFE调整后的统计数据解释了空值下历史平均MSFE和预测回归MSFE之间的负预期差异，因此即使ROSstatistic为负，它也可以拒绝空值。[在此插入表4。]表4的面板A显示，NNTA指数产生了正的和显著的交叉统计（5.80%），且MSFE低于历史平均值。因此，可以肯定的是，NNTA对市场回报具有很强的样本外可预测性，这证实了我们在之前的样本内结果（表2）中的猜测。与NNTA相比，所有其他预测因子对市场超额回报的样本外预测能力要弱得多，如图B至F所示。一般而言，大多数替代预测因子的样本外Rs为负值，其CW统计数据不显著。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:29

显然，我们的NNTA指数是市场回报的一个更强有力的预测指标，与其他关注指标和新闻相关预测指标相比。表4的最后两列表明，NNTA指数的可预测性在扩张期和衰退期都非常强且稳定。总之，样本外分析表明，与我们之前的样本内结果（表2和表3）一致，NNTA指数是一个强大而可靠的超额市场回报预测因子，在样本外意义上始终优于其他最先进的回报预测因子。3.4预测横截面投资组合由于投资者基础扩大，同时出现的新闻会引起投资者的过度关注。由于卖空限制，看涨的投资者可以简单地购买关联股票，而看涨的投资者（尤其是非股东或散户投资者）很难卖空（Barber和Odean，2008）。因此，新闻联播的增加给关联股票的价格带来了更大的购买压力，而非出售压力，从而将关联股票的价格推高至其公允价值之上。基于这一逻辑，我们可以构建一个横截面投资组合，通过买入异常关联度低的股票，卖出异常关联度高的股票，产生正回报。特别是，我们根据股票的总异常关联新闻覆盖率（即Pjawij，t）将股票分为十分位，构建了10个价值加权投资组合。考虑到相当多的股票没有任何关联新闻，我们将这些股票标记为关注度最低的投资组合。剩下的，我们把他们分成9组。所有投资组合每月都会以下个月的收盘价重新平衡。横截面投资组合的表现如表5第二列所示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:33

预计，异常关联新闻覆盖率（longlag）最低的投资组合比异常关联新闻覆盖率最高的投资组合月收益率高出0.68%（t统计=3.02）。[在此插入表5。]在表5的最后三列中，我们还测试了横截面投资组合回报是否可以用现有的因子模型来解释。我们采用Carhart（1997）四因素模型、Houet等人（2015）q因素模型和Fama and French（2016）五因素模型来剖析风险调整后的Alpha。结果表明，我们的投资组合始终保持着每月至少0.47%的显著水平。这是一个有力的证据，表明关联新闻指数（connected news Indeed）捕捉到了市场超额回报的不同方面，而传统风险因素很难解释这一点。4经济解释在本节中，我们通过不同渠道探索NNTA可预测性的来源。首先也是最重要的一点是，我们测试了新闻的频繁出现是否会导致更多相关的搜索活动，这是投资者关注的一个重要指标（Da等人，2011年）。然后，我们将通过将关联新闻与investorbase关联起来，探索为什么关联新闻在预测负回报方面很强大。接下来，我们检验了NNTA在不同程度的信念分歧和卖空约束下的表现。最后，我们确认了来自散户投资者的过度购买压力来源，散户投资者的投资决策更容易受到信念分歧和卖空约束的影响。4.1相关新闻和搜索活动如Da等人（2011）所述，基于媒体报道的注意力代理主要基于“投资者认知假设”，即，如果新闻媒体提到股票名称，那么投资者应该关注它。然而，除非投资者真的读到了新闻报道，否则新闻报道不能保证关注度。为了解决这个问题，Da等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:36

（2011）提出了一个积极的关注措施，即谷歌搜索量（SVI），以吸引投资者的关注。因此，如果我们发现新闻共现可以引发相关搜索或更强烈的共同搜索活动，那么有明显证据表明，NNTA确实反映了投资者的注意力。考虑到股票之间的关联新闻报道非常稀少，我们根据关联新闻报道的范围将股票对分为5组，以确保每组的观察效率。具体而言，我们将无关联新闻的股票对分配给第1组，将1至5条关联新闻的股票对分配给第2组，将6至10条关联新闻的股票对分配给第3组，将11至15条关联新闻的股票对分配给第4组，将其余股票对分配给第5组。表6总结了2005年1月至2014年12月各组的观察数量，图3显示了各组股票对的对数。根据图3，经过一定规模的转换后，我们的分类很好地平衡了每组的观察数量。考虑到第4组的最小配对数为13，我们每个月在每组中随机选择5对，并根据他们的谷歌和彭博搜索量计算平均相关系数。聚合结果如图4所示。[在此插入图3。][在此插入图4。]如图4所示，Google搜索量和Bloombergsearch量的平均相关性都随着新闻的同时出现而显著增加。特别是，谷歌和彭博社的平均相关系数分别为9%和16.1%，显著高于第一组（t-stats分别为3.52和5.16），而第五组的平均相关系数最多。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:39

这些结果有力地支持新闻共现与更相关的搜索行为相关。考虑到谷歌和彭博搜索数据仅提供聚合搜索量，相关搜索活动不一定来源于投资者的共同搜索行为。为了提供更具说服力的证据，我们使用了一个新的Edgar搜索数据集，该数据集可以识别用户的IP地址。由于这一良好的特性，我们重新检查了平均连接新闻数和每组股票对的共同搜索频率之间的关系。结果如图5所示。[在此插入图5。]很明显，股票对的关联性越强，就会引发更多的共同搜索活动。这一非常重要的结果具体化了我们的假设，即更多的新闻同时出现将吸引更多投资者关注关联股票。4.2 Connected news and investor baseMerton（1987）提出，企业投资者基础的增加将降低企业的资本成本并增加其市场价值。股票的知名度与其价格、核心产品的知名度和知名度以及社会形象有关。在这方面，当一只股票比其他股票获得更多的新闻报道时，它可能拥有更大的投资者基础。Barber和Odean（2008）断言，更多的新闻报道将吸引更多的投资，个人投资者更有可能购买而不是出售那些引起他们注意的股票。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:42

因此，扩大投资者基础将加剧高新闻报道造成的过度购买压力，并导致更多的负未来回报。为了说明更多相关新闻有助于扩大投资者基础，我们首先用异常谷歌搜索量（ASV）代理投资者基础：ASVit=SVIitE（SVIi，t-120:t-21）。然后，我们通过基于异常关联新闻比率（关联新闻=1{Pjawij，t>中值（Pjawij，t）}），回归每个股票在假人上的异常谷歌搜索量，进行面板回归，即ASVit=α+β关联新闻+θZit+εit，（4.1），其中Zit是其他注意代理的一组控制。特别是，我们通过控制新闻总数、公司规模、股票周转率、绝对异常回报率、其他股票的新闻总数、分析师总数和广告支出来跟踪Da等人（2011）。时间固定效应被包括在内，以解释周期性和标准错误。正如Da等人（2011）指出的那样，新闻报道和宣传措施都是被动措施。因此，我们使用一个主动的度量，搜索量来解决这个问题。在个人维度和时间维度上都进行了聚类。结果如表7所示。[在此插入表7。]显然，表7中关联新闻的显著正系数有力地支持了我们关于关联新闻与investorbase之间正相关的假设。结果是非常稳健的回归与各种控制。作为鲁棒性检查，我们还使用同一组回归器进行Fama-Macbeth回归。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:45

如表8所示，我们可以得出相同的结论，即当异常关联新闻覆盖率较高时，产生的主动搜索量越多，这反映了更大的投资者基础。[在此插入表8。]4.3信念分歧和卖空约束Miller（1977）声称，均衡中的股票价格将只反映乐观主义者的观点，因此，当投资者有不同意见且不允许卖空时，更有可能被高估。同样，Hong和Stein（2007）认为，异质信念和卖空约束是解释股票定价过高行为的两个关键因素。与这一观点一致，我们预计，当投资者的信念更加分歧，卖空约束更加严格时，NNTA将具有更强的回报可预测性。因为较高的置信差意味着预测误差更加分散，这可能是较大不确定性波动的结果。我们收集VIX和其他几个不确定性指数（如Bali et al.，2014；Choi et al.，2017；Baker et al.，2016；Jurado et al.，2015），以代表股票市场的信念分歧水平。由于分歧的回报可预测性与投资者情绪有关（Kim et al.，2014），因此我们还收集了一些投资者情绪指标，如Baker和Wurgler（2006）和Huang et al.（2014），以剖析NNTA与投资者信念分歧之间的相互作用。对于卖空约束，我们使用机构投资者所有权衡量的短期利率来衡量短期销售约束的紧密程度。这一结构与Asquith et al.（2005）的精神相同，Asquith et al.（2005）将机构投资者持股的股票回报率和空头利率进行了双重排序。Asquith等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-31 06:01:49

（2005）将卖空限制型股票定义为卖空利率最高的十分之一。具体而言，我们根据市场环境指标（即市场不确定性、投资者情绪或卖空利率）对收益进行排序，并根据其中值将样本分为高/低组。表9总结了两个子样本的样本内收益可预测性结果。[在此插入表9。]显然，NNTA仅在投资者信念高度分歧且卖空约束严格时才显示出很强的回报可预测性。更正式地说，我们估计了一个涉及市场指标/卖空约束代理、NNTA及其相互作用项的预测回归，如下所示：Mt+1=α+βNNTAt+φZt+γNNTAt×Zt+t+1，（4.2），其中Zt是市场环境指标/卖空约束代理。对于投资机构和市场不确定性代理，我们将其从1到10进行排名，以表示实力水平。对于卖空约束，我们将样本期从1到3进行排序。当修改后的空头利率处于最低（最高）十分位且合计机构所有权处于最高（最低）三分位时，其等于1（3），其余样本期为2。结果见表10。[在此插入表10。]表10中交互项的显著负系数有力地支持了严格的卖空限制和高度的信念分歧夸大了新闻共现造成的高估。这也证明了媒体对多只股票的报道，在高信念分歧和严格卖空约束的环境下，可能会导致相关股票估值过高。比例以及最低三分之一的机构所有权。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝