新闻共现、注意力溢出和回报可预测性

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] 。

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。

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。

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。

（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。

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。

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。

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。

（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。

然而，如果我们使用类似的方法根据短期利率和机构所有权的中位数划分样本，则两个子样本期的观察数量都会很小，因此导致统计推断较弱。因此，我们使用新的代理（空头利率除以机构所有权）修改了卖空限制，以保留通过子样本观察得出的表9.4.4相关新闻和零售投资者考虑到零售投资者更容易受到卖空限制，对于散户投资者持股水平较高的股票，应加大投资者异常关注所导致的定价过高。为了证明这一论点，我们根据股票的散户投资者持股水平将样本分为两个子样本，并重新检查每个子样本中的横截面组合结果。结果总结见表11。[在此插入表11。]预计只有散户投资者持股水平较高的股票才能在横截面投资组合中产生较大的风险调整阿尔法。为了说明过度购买压力来自散户投资者，我们检查了好消息期和坏消息期各股票的零售订单不平衡。特别是，当好消息到来时，相关消息较多的股票的零售订单失衡应该更高，从而产生过高的购买压力。相反，当坏消息发生时，由于短期销售限制，散户投资者无法对相关消息较多的股票产生更大的抛售压力，前提是他们受到散户投资者的关注。在图6中，我们进行了这项测试，并确定了rit>0（rit<0）时好（坏）消息的到来。