预期收益、成交量和错误定价之间的关系

1、简介成交量在股票市场的价格发现、风险共担和流动性提供方面发挥着重要作用。它影响着股票收益。成交量可能与投资者的分歧、波动性、流动性、投资者注意力、信息不对称等有关。本文证实了存在一个成交量放大效应，并探索了成交量是如何影响股票收益的机制。文献发现，错误定价集中在高成交量的股票中，因为预期回报在被低估股票中与成交量正相关，而在被高估股票中则是负相关。通过对 Stambaugh、Yu 和 Yuan（2015）的错误定价得分（MISP）和 1965 年 7 月至 2019 年 12 月的成交量进行 5X5 的独立双排序，在被低估股票中，月度 Fama 和 French（2015）五因子（FF5） 随

2、成交量增加，从低成交量组合的-0.02%到高成交量组合的 0.51%。然而，在被高估的股票中，每月的 随成交量减少，从低成交量组合的-0.28%到高成交量组合的-0.68%。低价减高价（UMO）组合的每月 在低成交量股票中为 0.26%，在高成交量股票中为 1.18%，其差异 0.93%（t=4.24）被称为成交量放大效应。这些结果表明，成交量-回报关系是异质性的，取决于错误定价的程度，而错误定价集中在高成交量股票中。除了 MISP 之外，本文还考虑了两种替代的错误定价指标。第一个是 CAPM ，这是投资者在做出资本配置决策和评估基金经理时使用的主要业绩指标，如果一只股票的 CAPM 为负数，

3、则其价格过高，反之则价格过低。第二个是综合 ，它是五个主流的资产定价因子模型的平均 。对 CAPM（综合） 和成交量的双重排序产生了与 MISP 和成交量的双重排序类似的结果。成交量与那些已知的对错误定价有放大效应的变量不同（包括特异性波动率 IVOL、规模、非流动性、机构比例、偏度和资本回报过剩）。在控制了这些竞争性变量后，成交量放大效应仍然显著，本文的结果是稳健的。首先，成交量放大效应是持续的，在投资组合形成后的两年内仍然强劲。第二，虽然本文主要依靠独立排序，但本文通过使用 NYSE 的分界点和顺序排序发现了类似的结果。第三，虽然本文的主要分析集中在除微型股以外的所有股票，但成交量放大效应

4、也适用于微型股。最后，本文的结果对成交量的三种替代指标也是稳健的。为了理解潜在的经济机制，Atmaz 和Basak（2018）把对一只股票的平均预期偏差（投资者预期偏差的截面平均值）和投资者的分歧（预期偏差的标准差）放在一起考虑。在均衡状态下，在好消息之后，乐观的投资者的信念得到支持，并通过对股票的投资变得相对更富有，这反过来又增加了他们在平均预期偏差中的权重，使得对股票的整体看法更加乐观。同样地，在坏消息之后，对股票的整体看法变得更加悲观。此外，Atmaz 和Basak（2018）表明，投资者的分歧对平均预期偏差有放大作用。当平均偏差为正时，它与分歧正相关，分歧的增加会导致更多的乐观情绪，这

5、意味着分歧与回报的关系为负。相反，当平均偏差为负值时，它意味着一个正的分歧-回报关系。当投资者的平均预期有偏差时，投资者的分歧会放大错误定价。本文的主要发现是成交量放大了错误定价，如果成交量捕捉了投资者的分歧，而 MISP 捕捉了投资者的预期偏差，则与Atmaz 和Basak（2018）的模型一致。在本文中，分析师的预测偏差集中在高成交量的股票中，并且在考虑了分析师回报（或盈利）预测分散性的放大效应后，成交量放大效应被大幅削弱。本文还分析了成交量放大效应对投资的影响。本文着重使用 FF5 来评估异常回报。但 MISP 的投资组合策略很可能产生 FF5 无法解释的异常回报。另一方面，如果该策略的

6、回报能被Stambaugh 和Yuan（2017）的四因子模型（SY4）解释，那么该策略可能不会增加任何投资价值，因为投资者可以用四个因子代替交易。因此，成交量放大效应（或任何其他相关的异常效应）应该通过使用解释错误定价得分的相应因子模型来评估。在本文中，成交量放大效应相对于 SY4 仍然是显著的，但它在经济上和统计上都比较弱。原因是本文对成交量放大效应的衡量与 MISP 有关，因此在一定程度上受到底层因子的影响。例如，如果本文使用另一种衡量错误定价的方法，如来自 SY4 模型本身的公司层面的 ，成交量放大效应会变得更强。简而言之，从投资的角度来看，成交量与错误定价得分一起可以识别更多的被低估

7、和被高估股票，其经济价值超过了原始交易因子。数据从CRSP 获得1963 年7 月至2019 年12 月的月度股票回报，包括所有在NYSE、 AMEX 和 NASDAQ 上市的美国普通股票（CRSP 股票代码为 10 或 11），在每个月剔除没有可验证前日价格的股票，没有在当前交易所交易的股票，以及因价格缺失而缺失回报的股票。还剔除了投资组合形成时价格低于 5 美元的股票，微型股只占总市值的 3%，但占股票数量的 60%，本文不考虑微型股，最后总样本有大约 998,000个月观察值。关于成交量，使用过去三个月的平均换手率来衡量交易情况（在回归中使用对数换手率以减少对偏度的担忧），每月的换手率是

8、指一个月内成交的股票数量除以月底的流通股数量。关于错误定价得分（MISP），这是一个从 1 到 100 的排名变量，高值表示定价过高，低值表示定价过低。这个衡量指标通过对一个股票的 11 种异象排名百分位数进行平均，来反映股票的错误定价，包括股票净发行、股票总发行、应计费用、净营运资产、资产增长率、资产投资比率、财务困境、O-score、动量、总利润率和资产回报率等。实证结果成交量-回报关系取决于错误定价，在定价过低的股票中为正，在定价过高的股票中为负。因此错误定价集中在高成交量的股票中。错误定价与成交量在每个月的月底，本文用 MISP 和成交量的双重排序形成 5X5 的组合，对这 25个 M

9、ISP-成交量分组用市值加权形成投资组合持有一个月。图表 1 列出了本文的主要发现。在定价过低的股票中，平均回报随着成交量而增加，从低成交量组合的 0.61%到高成交量组合的 1.01%，其中高-低（H-L）组合的平均回报等于 0.40%（t=1.89）。在价格过高的股票中，平均回报随成交量单调下降，从低成交量组合的 0.35%到高成交量组合的-0.25%，其中 H-L 组合的平均回报等于-0.59%（t=-2.36）。对于 MISP相对中等的股票，H-L 组合的平均回报不为 0，但也不显著。图表 1 各组合的平均回报和 （左）以及 UMO 组合的平均回报和 FF5（右）根据左图的 A 组，成

10、交量-回报关系在被低估股票中为正，在被高估股票中为负。低估减高估（UMO）组合在高成交量五分位数中远远高于低成交量五分位数中。具体来说，UMO 组合在低成交量组的差异为 0.27%（t=1.92），在高成交量组中的差异为 1.26%（t=6.58），后者是前者的四倍，这一点在右图中得到了生动的描述。在控制了 MISP 之后，H-L 组合的平均回报 0.08%（H-L 列的平均）接近于 H- L 组合在成交量上的单一排序的不显著的平均回报 0.03%（t=0.14）。这一发现解释了为什么在无条件的情况下无法检测到显著的成交量-回报关系。为了研究风险是否能解释成交量-回报关系，图表 1 的左图 B

11、 组报告了 25 个MISP-成交量组合的FF5 值。与A 组类似，在被低估股票中，FF5 从低成交量组合的-0.02%增加到高成交量组合的 0.51%，两者之差等于 0.53%（t=3.16）。相反，在被高估的股票中，FF5 的 值从低成交量组合的-0.28%下降到高成交量组合的- 0.68%，差异相当于-0.39%（t=-2.16）。对于 Q2 和 Q3 的 MISP 的股票，FF5 也普遍随成交量上升，而且 H-L 组合的 FF5 明显为正。综合来看，低成交量 UMO 组合的 FF5 为 0.27%，高成交量 UMO 组合为 1.26%，其差异被称为成交量放大效应，等于 0.93%（t=

12、4.24）。图表 1 的右图显示了不同成交量的 UMO 组合的FF5，表明高成交量股票的错误定价比低成交量股票要强得多。C 组报告了 Hou、Xue 和 Zhang（2015）的 Q 因子 。介于因子的可获得性，该小组的样本期为 1967 年 1 月至 2019 年 12 月。结果与 B 组相似，成交量-回报关系在被低估股票中为正，在被高估股票中为负。因此，错误定价集中在高成交量的股票中。由于错误定价是随时间变化的，本文预计成交量放大效应也会随时间波动。另外，Schwert（2003）等人的研究表明，大多数的异常现象在学术论文发表后会减弱或消失。一个自然的问题是这种衰减模式是否适用于成交量放大

13、效应。首先，本文计算 UMO 投资组合在每一年内的月平均回报和 FF5，并在图表 2 中绘制时间序列动态图，其中第 t 年的 FF5 是来自 UMO 投资组合回报对 FF5 因子的全样本回归平均定价误差（即截距加第t 年内的平均残差）。本文用十年滚动窗口法对一个月前的股票回报与 MISP、成交量及其交互作用进行了 Fama-MacBeth 回归。图表 3 显示了交互作用的回归系数，它代表了回归中的成交量放大效应。这两张图显示，成交量放大效应从 1980 年开始增加，在 2003 年达到最大值，此后下降，在过去两年变得不明显了，可能的原因是“SarbanesOxley Act”的通过，SEC 加

14、快了 10-Q 和 10- K 的报告要求，以及 NYSE 引入了自动报价，这导致利用错误定价的成本下降。此外，计算能力的提高也可能抑制了套利成本和错误定价。图表 2 随时间变化的月度 UMO 回报以及 FF5图表 3 随时间变化的交互作用的回归系数最近的研究表明套利成本是驱动微型股错误定价的一个主导因子。这也是本文的主要分析剔除微型股的原因。当把同样的 MISP-成交量双排序应用于微型股时，本文发现微型股的错误定价幅度要比非微型股的大。更重要的是，成交量-回报关系与图表 1 左图保持一致。简而言之，本小节发现成交量-回报关系在定价过低的股票中是正的，在定价过高的股票中是负的，这种异质性的关系

15、意味着错误定价集中在高成交量的股票中。其他错误定价指标由于成交量-回报关系关键取决于 MISP，因此了解结果对其他错误定价指标的敏感度是非常有用的。下面本文考虑两种类型的 指标，它们比 MISP 更容易计算。第一个是CAPM ，第二种是综合 ，后者是主流的五个因子模型的平均 ，包括 CAPM 模型、Fama-French 三因子模型、Fama-French 三因子加动量因子模型、Fama-French 五因子模型以及Hou, Xue, and Zhang (2015) q 因子模型。本文用各个因子模型的过去两年的观察值来估计每个股票的月度 。理论上，负的 表示定价过高，正的 表示定价过低。和上

16、一节一样，本文用 CAPM（综合） 和成交量的独立双排序形成5X5 的投资组合。所有的投资组合都是按市值加权的，月度调仓。图表 4 的A 组报告了按 CAPM 和成交量排序的投资组合的FF5 值。与图表1 类似，在正的 CAPM （被低估）股票中，FF5 从低成交量组合的 0.16%增加到高成交量组合的 0.62%，差异等于 0.46%（t=2.41）。在负 CAPM （被高估）的股票中，FF5 从低成交量组合的-0.19%下降到高成交量组合的-0.60%，差值为-0.41%（t=-2.35）。因此，positive-minus-negative alpha（PMN）组合的 FF5 随着成交量

17、单调增加，从低成交量股票的 0.34%（t=1.55）到高成交量股票的 1.22%（t=5.58）。因此，成交量放大效应等于 0.87%（t=3.71），意味着错误定价集中在高成交量股票中。图表 4 各组合的 FF5 值（按 CAPM 和成交量排序）图表 4 的B 组报告了按综合 和成交量排序的投资组合的 FF5。显然，FF5在具有正的综合 的股票中随成交量增加，但在具有负的综合 的股票中随成交量减少。因此， PMN 组合的 FF5 从低成交量组合的 0.26%（t=1.32）单调地增加到高成交量组合的 1.11%（t=5.60）。在这种情况下，成交量放大效应为 0.85%（t=3.83）。综

18、合来看，当使用其他错误定价指标时，成交量放大错误定价的结论仍然存在。本文的方法可以进一步扩展到非线性模型。原因是 可以被定义为任何资产定价模型： = (+1) (+1+1),(1)其中+1是随机贴现因子，+1是超额回报。从理论上讲，如果一只股票的 是正的，那么它的价格就是被低估的，否则就是被高估的。一个自然的问题是，在与成交量的互动中，CAPM（综合） 或 MISP 是否捕捉到更多的信息。为了解决这个问题，本文对 MISP 和CAPM 进行了双重排序。结果表明，就超额回报而言，CAPM 的预测能力被 MISP 所取代。总而言之，本文的主要发现是，成交量放大了错误定价，这对其他错误定价指标依旧是

19、稳健的。其他放大效应IVOL、规模、非流动性和机构持有比率被认为是套利成本的衡量标准，对错误定价有放大作用。有研究表明，前景理论驱动的偏度和资本回报过剩，加上股票波动性，可以解释十几种异常现象。因此，一个重要的问题是，在控制了这些竞争性变量的影响后，成交量放大效应是否仍然存在。本文应用两种方法来解决这个问题。第一种方法是使用流行的三重排序，每一次控制其中一个效应。本文主要研究了控制 IVOL 和规模效应的结果。本文有三个观察结果。首先，成交量放大效应没有被 IVOL 效应所淹没。在低 IVOL 股票中，FF5值为 0.50%（t=2.35），在高 IVOL 股票中为 1.29%（t=4.26）

20、。第二，在控制了规模效应之后，成交量放大效应仍然很强。在小型股中为 0.55%（t=2.35），在大型股中为 0.84%（t=3.58），后者比前者大约 50%。这一结果意味着成交量不太可能归因于套利成本或财务限制，而这些因子在小型股中通常更强。第三，异质的成交量-回报关系在被低估股票中仍然显著，但在控制了 IVOL 或规模效应后，在被高估股票中总体上变得不显著了。例如，在被低估大型股中，FF5 值从低成交量组合的-0.05%增加到高成交量组合的 0.47%。相反，在被高估大型股中，虽然相应的数值随着成交量上升有所下降，但高成交量组合和低成交量组合之间的差异只有-0.31%，而且不显著。这一结

21、果似乎表明，虽然成交量在被高估股票中可能包含与 IVOL 和规模重叠的信息，但在被低估股票中却超越了它们，包含了独特的信息。第二种方法是使用调整后的成交量。具体来说，每个月本文首先估计调整后的成交量，定义为成交量对一个或多个放大变量的横截面回归的残差，然后对 MISP 和调整后的成交量应用先前的双重排序。与三重排序方法相比，调整后的成交量方法使本文能够同时控制多种放大效应。图表5 的A 组报告了25 个经MISP 调整的成交量组合在控制IVOL 后的FF5。图表 1 中显示的成交量-回报模式继续保持，但是比较弱。主要原因是在控制了 IVOL效应后，成交量-回报关系在被高估股票中变得不明显了。尽

22、管如此，被高估股票中错误定价的幅度仍然比被低估股票中的大得多。高成交量 UMO 组合的FF5 为 0.87%（t=5.05），低成交量 UMO 组合为 0.40%（t=2.96），成交量放大效应等于 0.46%（t=2.24）。简而言之，在控制了 IVOL 之后，成交量放大效应仍然是显著的。在 B组同时控制 IVOL 和规模效应时，得到了几乎相同的结果。在 C 组中，本文同时控制了 IVOL、规模、非流动性和机比率，而在 D 组中，本文又加入了偏度和未实现资本收益。在这两组中，本文发现比 A 组和B 组更强的结果。例如，在 A 组中，当单独控制 IVOL 时，成交量放大效应为 0.46%，而当

23、同时控制所有六个放大变量时，则为 0.70%。原因是成交量放大效应自 20 世纪 80 年代以来变得更强，而由于数据的可获得性，C 组和 D 组的起始期是 1980 年 3 月。总的来说，IVOL 似乎是最有可能削弱成交量放大效应的变量。总之，虽然在控制了其他错误定价放大变量后，成交量放大效应在一定程度上被削弱，但它在统计上和经济上仍然是显著的。图表 5 各组合的 FF5 值（按 MISP 和调整后的成交量排序）成交量放大效应的持续时间图表 6 列出了 25 个 MISP-volume 投资组合在 t+6、t+12、t+24、t+36、t+48 和 t+60 月的 FF5（t 为投资组合形成月

24、）。结果表明，成交量放大效应随时间逐渐衰减，并持续到未来两年。例如，t+6 月的成交量放大效应为 0.82%（t=3.86），t+24月为 0.41%（t=1.87），然而，在 t+36 之后，成交量放大效应完全消失了。图表 6 各组合在各时间点的 FF5（按 MISP 和成交量排序）替代的成交量指标出于不同的研究目的，成交量可以有不同的衡量方法。这里本文回顾了五个主要的替代指标，其中三个衡量交易活动的水平，两个衡量交易活动水平以外的信息。第一个是基于交易的成交量。参考 Conrad, Hameed, and Niden (1994) 的定义，将 trading volume 定义为成交笔数的

25、增长率，再根据 MISP 和交易量的每月增长情况对股票进行分类。图表 7 的 A 组显示，前文的主要结果对这个替代指标是稳健的。低成交量 UMO 组合的 FF5 为 0.38%，高成交量 UMO 组合为 0.84%，成交量放大效应等于 0.46%（t=1.90）。Expected return, volume, and mispricing第二个是盈余公告调整后的成交量。He and Wang (1995) 发现在盈余公告发布期间，股票成交量会大幅上升，因此在计算成交量时排除了盈余公告前后三天的成交量。B 组显示，结果与图表 1 相似。第三种是基于其他回溯期。当使用过去 6 个月的平均换手，而

26、不是根据过去 3个月的平均换手来定义成交量时。图表 7 的C 组显示，这种方法产生的结果与过去三个月的结果相似。在其他回溯期的情况下，结果类似。第四种是异常成交量或对成交量的冲击。对于每只股票，本文通过比较其当月最后一周的成交量和之前九周的平均成交量，给它打了一个从 1 到 5 的得分，5 代表高成交量冲击。然后，将成交量冲击得分与 MISP 结合起来，做一个独立的双重排序，形成 25 个投资组合。由于高异常成交量的股票可能与低异常成交量的股票具有相同的成交量水平，本文并不预期 MISP 与异常成交量之间的互动产生与 MISP与成交量水平之间的互动相同的模式。事实上，图表 7 的D 组显示，无

27、论股票是高价还是低价，异常成交量-回报关系总是正的。第五种是美元成交量。其衡量标准是当月交易的股票乘以股票价格。Brennan,Chordia, and Subrahmanyam (1998)发现回报和美元成交量之间存在负相关，并将后者归结为流动性的代表。图表 7 的 E 组报告了对 MISP 和美元成交量进行双重排序的结果。有两个观察结果。首先，在 MISP 的条件下，美元成交量对未来股票回报没有任何预测能力。第二，在低美元成交量和高美元成交量的股票之间，错误定价没有明显的区别。因此，不存在美元成交量的放大效应。总而言之，成交量的前三个替代指标中，成交量放大效应继续存在，但对于异常成交量和美

28、元成交量来说，它消失了。结果的解释Atmaz 和 Basak（2018）把对一只股票的平均预期偏差和投资者的分歧放在一起考虑，并把它们定义为投资者预期偏差的横截面平均值和标准差。在均衡状态下，在好消息之后，乐观的投资者的信念得到支持，并通过对股票的投资变得相对更富有，这反过来又增加了他们在平均预期偏差中的权重，使对股票的整体看法更加乐观。同样地，在坏消息之后，对股票的整体看法变得更加悲观。此外，Atmaz 和 Basak（2018）表明，投资者的分歧对平均预期偏差有放大作用。当平均偏差为正时，它与分歧正相关，分歧的增加会导致更多的乐观情绪，这意味着分歧与回报的关系为负。相反，当平均偏差为负值时

29、，它与分歧呈负相关，分歧的增加导致更多的悲观，意味着分歧与回报的正相关。总之，投资者的分歧本身并不产生错误定价，但当投资者的平均预期有偏差时，它可以放大错误定价。在本文的背景下，如果成交量衡量投资者的分歧，而 MISP 衡量投资者的预期偏差，那么异质的成交量-回报关系与 Atmaz和 Basak（2018）一致。投资者的分歧本文用分析师回报预测的截面标准差来衡量回报预测的分散性，其中股票的回报预测被定义为分析师在 t 月预测的未来 12 个月的目标价格除以 t 月初的实际股票价格。类似地，用分析师的盈利预测的截面标准差来衡量盈利预测的分散性。回报预测分散度的样本期为 1999 年 4 月至 2

30、019 年 12 月，盈利预测分散度的样本期为1982 年 5 月至 2019 年 12 月。图表 8 交易量与投资者分歧的关系图表 8 的 A 组列出了 25 个 MISP-成交量组合的市值加权回报预测分散度和盈利预测分散度。在每个 MISP 五分位数中，两种分散度都随着成交量的增加而增加。例如，回报预测分散度在被低估股票中从 8.48%增加到 13.70%，在被高估股票中从9.29%增加到 20.50%。而且，在高成交量的股票中，这两种分散度严格来说比低成交量的股票大。即投资者的分歧对投资者的预期偏差有放大作用。在 B 组中，评估了回报或盈利预测的分散性是如何影响成交量放大效应的，通过 F

31、ama-MacBeth 回归来解决这个问题。回归 1 到 4 是关于回报预测的分散性，回归 5 到 8 是关于盈利预测的分散性。具体来说，回归 1 将一个月前的股票回报回归到 MISP、成交量和它们的交互作用上，并在 MISP 和成交量的交互作用上得到一个明显的负回归系数（即成交量放大效应），从而再次证实了图表 1 中的成交量对错误定价的放大作用。回归 2 用 IVOL 代替了成交量，MISP 和 IVOL 之间的交互作用也出现了负的系数。这个结果有两种解释。首先，正如 Stambaugh, Yu, and Yuan (2015)所认为的，IVOL 捕捉了套利成本并加剧了错误定价。第二，根据

32、Atmaz 和 Basak（2018）的观点，IVOL 也可以由投资者的分歧驱动。回归 3 是对 Atmaz 和Basak（2018）的直接检验，表明回报预测分散度在预测未来股票回报方面有很强的能力，在价格过低的股票中为正，在价格过高的股票中为负。回归 4 是一般情况。当同时考虑成交量、IVOL 和分歧时，MISP 与成交量和 IVOL 的交互作用的回归系数分别变得不显著和略微显著。相比之下，MISP 与回报预测分散性的交互作用保持相对稳定。这一结果表明，分歧放大效应几乎取代了成交量和 IVOL 放大效应，并为 Atmaz 和 Basak（2018）提供了支持，即成交量和 IVOL 都可能由投

33、资者的分歧驱动。回归 5 和 6 重复了回归 1 和 2 中的检验，但将样本期延长了近 20 年至 1982年。在这个延长的时期内，成交量和 IVOL 的放大效应都变得更强，它们与 MISP 的交互作用的回归系数更大。回归 7 用盈利预测分散性代替了回报预测分散性，得到的结果与回归 3 类似。在回归 8 中，如果同时考虑，成交量和 IVOL 的放大效应被大大削弱，尽管它们仍然是显著的，错误定价与成交量和 IVOL 的交互作用的回归系数分别从-0.68 降至-0.43 和从-0.85 降至-0.49，与盈利预测分散性的相应值也会减少，但幅度较小。图表 8 表明，成交量和 IVOL 可以作为投资者

34、分歧的代用指标，在控制了分析师的回报或盈利预测分散度后，它们对股票回报的影响被大大削弱。投资者的预期偏差现在考虑一下 MISP 和投资者预期偏差之间的联系。在本节中，本文检验了 Atmaz 和 Basak（2018）的两个定义。第一个定义是关于横截面的预期偏差，它被定义为已实现的回报减去分析师预测的中位数除以股票价格。在那些更有可能经历负面消息的被低估股票中，预期偏差更有可能被悲观的投资者所主导。因此，分析师的事后预测误差预计是正的，成交量/投资者的分歧越大，预测误差越正（即预期偏差越负）。同样，在被高估股票中，本文预计成交量越大，预测误差越负（即预期偏差越正）。图表 9 MISP 与分析师预

35、测偏差的关系Expected return, volume, and mispricing，图表 9 的A 组报告了 25 个 MISP-volume 组合的分析师预测误差。正如预期的那样，预测误差在被低估股票中是正值，在被高估股票中是负值。这一发现表明，投资者对被低估股票持悲观态度，对被高估股票持乐观态度。也就是说，当成交量增加时，预期偏差在被低估股票中变得更加消极，在被高估股票中变得更加积极。因此，极端的预测偏差集中在高成交量/分歧的股票中，即 MISP 捕捉到了个人投资者的平均预期偏差。第二个定义是关于时间序列中的预期偏差。由于预期偏差是由投资者的分歧驱动的，而且它随时间变化，本文预计成

36、交量放大效应也是随时间变化的。本文使用投资者情绪指数来代理总预期偏差，并研究成交量放大效应在高（低）情绪期的变化，其中高（低）情绪月是指前一个月月底 Baker 和 Wurgler（2006）的正交情绪指数值高于（低于）1965 年 7 月至 2018 年 12 月样本期间的中值。对于 25 个 MISP- volume 组合中的每一个，本文进行以下回归：, = , + , + + + + + + ,(2)其中,和,是虚拟变量，表示 t 月份的高情绪期或低情绪期。图表 10 展示了，和 的估计值。正如预期的那样，被高估股票中负的成交量-回报关系在高情绪期更为明显。在 A 组的被高估股票中，FF

37、5 值随着成交量单调下降，从低成交量组合的-0.14%到高成交量组合的-0.93%，差异为-0.79%（t=-3.17）。相比之下，B 组的被高估股票中的低情绪期之后，FF5 值并没有单调下降，高成交量组合和低成交量组合之间的FF5 值为-0.01%（t=-0.04），可以忽略不计，即被高估股票主要集中在高情绪期。图表 10 情绪高低时期的成交量放大效应，有趣的是，被低估股票的成交量-回报关系在高情绪和低情绪时期都是显著的。在情绪高涨时期，成交量的放大效应也更强。在高情绪时期，在被低估股票中，FF5的 值从低成交量组合的0.03%增加到高成交量组合的0.70%，两者之差等于0.67%（t=2.

38、34）。相反，在情绪低落时期，FF5 的 值从低成交量组合的-0.07%增加到高成交量组合的 0.39%，差值为 0.46%（t=2.14）。图表 10 的 C 组显示了 A 组和 B 组之间的差异。UMO 投资组合在高情绪期和低情绪期的 FF5 差异在低成交量股票中是-0.19%，在高成交量股票中是 0.82%。因此，成交量放大效应在高情绪时期比低情绪时期强，且被高估股票的成交量放大效应更强。对成交量的外生冲击美国证券交易委员会（SEC）自 2000 年 10 月 23 日起实施了公平披露条例（Reg FD），禁止公司在公告前向部分市场参与者披露重要信息。Bailey 等发现，在 Reg F

39、D 引入后，成交量和投资者的分歧在公告日附近上升，在小型、信息贫乏和不盈利的公司中尤为明显。他们的结论是，Reg FD 损害了金融分析师在解释盈利信息方面形成意见和达成共识的能力，从而增加了分歧，刺激了成交量。在这个意义上， Reg FD 为本文提供了一个独特的环境来评估成交量的外生增长如何影响成交量放大效应。本文将 2000 年 10 月定义为事件月，将 Reg FD 后（前）时期定义为 2000 年 11 月至 2001 年 10 月（1999 年 10 月至 2000 年 9 月）。通过面板回归来说明成交量放大效应在 Reg FD 之后的时期是否变得更强。为了进行研究，本文定义了一个虚拟

40、变量，在后Reg FD 时期等于 1，否则等于 0。对于所有的面板回归，控制了公司的特征，如规模和账面市值。图表 11 Reg FD 外生影响，将分析师的回报预测分散性作为投资者分歧的衡量标准，图表 11 中 A 组的前两列显示，在实施 Reg FD 后，成交量和投资者分歧明显增加。在 Reg FD 之后的时期，成交量和投资者分歧分别增加了 1%和 3.7%，这都是非常显著的。然后，为了研究 Reg FD 是如何影响成交量放大效应的，本文进行了以下的面板回归：,+1 = 1, + 2, + 3, , + 4, , + 5,+ 6, , + 7, , +, + + + 0 + ,+1(3)4代表了由于实施 Reg FD 而导致的成交量放大效应的增加，并且预计会显著为负。虚拟变量和是公司和时间的固定效应。除了公司特征，本文还控制了 IVOL效应，因为它是最可能削弱成交量放大效应的变量。结果在图表 11 的第四列中，4为-0.314（t=-5.91），表明后 Reg FD 时期的成交量放大效应在统计上强于前 Reg FD 时期。对投资的