近日，中国资本市场频现利好，A股市场长红，投资者情绪被市场点燃。值此时机，小编推出顶刊中关于A股市场的重要文献，供读者参考，不构成投资建议，请投资者理性决策。
中国股市是世界第二大股市，但却有着世界最多的个人投资者。根据上海证券交易所2016年度报告统计，个人投资者贡献了该交易所约85%的日交易量，而机构投资者仅仅贡献了15%左右。个人投资者在股市中的支配地位（在日交易量、人数占比等方面）和个人投资交易的盛行使得学者、监管机构、从业人员了解个人投资者的投资决策以及这些决策如何影响股市的信息传递和价格发现是必要的。
具体地，有两个问题需要回答：
第一，个人投资者如何对价格发现过程做出贡献？他们能否预测未来价格变动？
第二，如果个人投资者成功地预测未来价格变动，或者是失败了，那么驱动他们进行投资交易的力量是什么？
为此，来自哥伦比亚大学商学院的Charles M. Jones、复旦大学泛海国际金融学院的施东辉、清华大学五道口金融学院的张晓燕、中央财经大学金融学院的张欣然的论文“Retail Trading and Return Predictability in China”近日被金融学国际顶级期刊《Journal of Financial and Quantitative Analysis》接收。
文章探讨了不同账户规模的个人投资者的投资特点、选股技巧以及对未来回报的预测准确度，发现不同类别投资者在交易动态和交易表现上存在强烈异质性。该研究为行为金融学领域提供了来自中国的创新性学术贡献。
相关阅读：
作者从某一证券交易所获取了个人投资者数据，该数据集涵盖2016年1月-2019年6月所有投资者交易和持有在该交易所上市的股票的记录，涉及约5300万个账户。
投资者被分为个人投资者（RT）、机构投资者（INST）和企业投资者（CORP）三大类，其中个人投资者则根据每年年初的账户规模被分为五组：10万元人民币(RT1)、10万-50万元人民币(RT2)、50万-300万元人民币(RT3)、300-1000万元人民币(RT4)、1000万元人民币(RT5)。
表1的A组报告了投资者账户的统计数据。首先，在账户数量方面，个人投资者、机构投资者和企业投资者的活跃账户总数分别为5340万、4万、4.7万，其中RT1-RT5的活跃账户总数分别为3140万、1530万、580万、70万、20万。显然，大多数个人投资者的账户都不到50万元（低于500K）。
其次，在交易量方面，该证券交易所的总交易量为2010亿元，其中个人投资者、机构投资者和企业投资者的交易量分别占总交易量的81%、17%、2%，而个人投资者里RT1-RT5的交易量分别占总交易量的5%、17%、27%、13%、19%。显然，RT3是最为活跃的个人投资者组别。
第三，在股票持有方面，个人投资者、机构投资者、企业投资者的股票持有价值分别占总持有价值的22%、17%、62%，其中个人投资者里RT1-RT5的账户价值分别占可交易总市值的1%、4%、6%、3%、7%。由于高交易和低持股，个人投资者表现相当活跃，甚至于在某些情况下他们可能过度交易。
概而言之，中国股市的个人投资者在股票交易上占主导地位，而企业投资者在股票持有上占主导地位。个人投资者在股票交易上占主导地位很可能是市场发展、股市监管、投资者偏好的共同结果。个人投资交易盛行的现象在新兴市场并非特别罕见，但与发达市场的现象相比还是有很大不同。
作者从WIND获取了股票回报、企业特征等数据。为了与个人投资者数据保持一致，样本期间仍旧为2016年1月-2019年6月。最终样本涵盖超过110万个股票日的观察数据。表1的B组报告了资本市场的几个关键变量，其中：市值是上一个月的收盘价和A股流通股股数的乘积，中国企业的平均市值为201亿元人民币，约合30亿美元；收益/价格比率是最近公布的季度净利润的比率；股票的日均回报率为-0.01%，而美国股票的日均回报率为0.04%；每日成交量为每日股票交易量除以A股流通股股数，中国的日均成交量为2.45%，远远高于美国的日均成交量（1.11%）的日成交量。
不同组别的投资者在股市里的报价不一，作者参考Chordia and Subrahmanyam (2004)，引入以下式子来衡量投资者的“不均衡报价”（Order Imbalance）。对于股票i、日期d和投资者组别G，“不均衡报价”可计算为：
其中，分子是加总投资者组别G内所有个体j后在日期d买卖股票i的交易量之差，分母是加总投资者组别G内所有个体j后在日期d买卖股票i的交易量之和。
表1的C组报告了“不均衡报价”的情况，其中：RT1-RT5、机构投资者和企业投资者的平均“不均衡报价”范围在-0.021和0.019之间，这表明每个投资者组别内的大多数股票买卖可以相互抵消；OibRT1、OibRT2、OibRT3、OibRT4、OibRT5的自相关系数AR1分别为0.243、0.259、0.216、0.059和0.102，这表明中小型个人投资者报价不均衡要比大型个人投资者更持久。
就七个投资者组别的“不均衡报价”相关性而言，小型个人投资者的OibRT1、OibRT2和OibRT3之间高度相关，相关系数整体上高于0.60；中型个人投资者的OibRT4与OibRT1、OibRT2、OibRT3仍正相关，但相关系数跌至0.20左右；大型个人投资者的OibRT5与OibRT1、OibRT2、OibRT3、OibRT4负相关，相关系数在-0.15左右。个人投资者的相关系数表明大型个人投资者的交易模式可能与中小型个人投资者不同。
此外，机构投资者的OibINST与OibRT1、OibRT2、OibRT3、OibRT4、OibRT5负相关，再次暗示了个人投资者交易模式的不同。企业投资者几乎没有交易，其OibCORP与OibINST、OibRT1、OibRT2、OibRT3、OibRT4、OibRT5的相关系数都低于10%。不过，作者仍旧纳入OibINST和OibCORP以确保汇总统计数据的完整性。
考虑到企业是长期投资者，很少交易，因此作者聚焦于有交易行为的投资者上，并将企业从后续的实证结果中排除。考虑到机构投资者通常比个人投资者更加成熟，因此作者在后续的实证结果中保留机构投资者以达到比较研究的目的。
为了识别不同组别的个人投资者在价格发现过程中的角色，作者首先考察了个人投资者报价流（Retail Order Flow）对第二天股票回报的预测能力。在这里，作者采用Fama and MacBeth (1973)的两阶段回归法，其中第一阶段估计了投资者组别G在日期d的横截面回归方程：
其中因变量Reti,d是企业i在日期d的股票回报，自变量包括投资者组别G的“不均衡报价”Oibi,G,d−1和控制变量Controlsi,d−1。作者从第一阶段的估计中得到投资者组别G的系数的日时间序列{a0d,G,a1d,G, a2’d,G}，之后在第二阶段中基于均值序列{a0G,a1G, a2’G}和系数的标准误差进行统计推断。
表2报告了估计结果，显示了不同个人投资者组别具有不同的预测模式。具体地，RT1的前一日“不均衡报价”与第二天的股票回报之间的相关系数为-0.0093，t统计量为-17.36，这表明如果RT1在某一天买入股票多于卖出股票，则该股票在第二天的回报显著为负。RT2-RT4的前一日“不均衡报价”与第二天的股票回报之间的相关系数同样均为负值。上述现象表明相较于未来的股价走势，RT1-RT4的交易方向不正确：他们购买的股票回报较低，而他们卖出的股票回报较高，这可能是因为他们缺乏金融知识或者是他们的交易表现存在行为偏见以至于回报预测出错。
有趣的是，前一日“不均衡报价”与第二天的股票回报之间的相关系数会随着个人投资者的账户规模增大而变小，这表明大型个人投资者比中小型个人投资者预测更准确。当然，机构投资者的前一日“不均衡报价”与第二天的股票回报之间的相关系数为0.0016，t统计量为18.06，这表明机构投资者通常比个人投资者更了解情况。
交易对手是金融交易中的另一方，这意味着交易双方可以互称为交易对手。鉴于交易动态和交易对手是理解不同组别的投资者互动的重要概念，作者继而探讨了不同组别的投资者之间的交易动态以及不同的交易对手是否与不同的预测模式有关。
在这里，作者剔除了企业投资者的交易，将剩余六个组别的投资者重新分为三个大类：RT1-RT4在一组（因为他们的“不均衡报价”正相关，具有相似的预测模式），RT5和INST是两个独立的组。
如此一来，三大类投资者和双边交易便可分为六个类型：BBS、BSB、BSS、SBB、SBS和SSB。字符串的第一个字母表示RT1-RT4的交易方向、第二个字母表示RT5的交易方向、第三个字母表示INST，例如“BBS”表示RT1-RT4“买”、RT5“买”、INST“卖”。
表3的A组报告了每个交易类型的比例，最高的为“BSS”和“SBB”，最低的为“BSB”和“SBS”。表3的B组报告了估计结果。由列1可知，RT1-RT4的报价流系数始终为负，这意味着小型个人投资者的负向预测能力是普遍存在的而且不依赖于交易对手。
由列2可知，RT5的报价流系数多次为正，这意味着RT5对股票回报有正向预测能力。有趣的是，当RT5与RT1-RT4处于同侧但却与INST处于异侧时，BBS和SSB的系数变为负，这意味着当RT5与小型个人投资者一道同INST交易时，他们的预测就会出错。类似的情况也出现在列3，即SBB和BSS的系数变为正，这意味着当INST与RT5一道同小型个人投资者交易时，他们对未来回报的预测是正确的。
股票投资的另一个关键变量是持有水平，当持有水平变化时，投资者对股票回报的预测能力是否会发生变化？传统观点认为较短的持有期限可能与过度交易、低回报有关，但是限于数据，大多数既有研究很难直接证实持有水平是如何与预测能力相关联的。在本研究中，作者有条件获取到较多数据，便测算了每个投资者组别的持有水平以及研究了持有水平是如何与个人投资者的预测模式相关的。
表4的B组报告了估计结果。以RT1为例，与持有水平相关的系数在持有时间小于10天时为-0.0171，并且该系数的绝对值随着持有时间的延长而减小，这表明随着持有时间的延长，小型个人投资者在交易方向上的错误会慢慢减少。RT2-RT4的变化与RT1类似。不过，RT5的表现则相反，这表明大型个人投资者可能会利用具有高时效性的信息来交易以至于其在较短的持有时间内具有较强的预测能力。INST的变化与RT5类似。
作者已经探讨过如何利用个人投资者的报价流来预测第二天的股票回报，那么个人投资者的预测模式是否会持续更长时间呢？如果预测模式迅速消失或逆转，回报的可预测性可能是由短期噪声驱动的；如果预测模式持续较长时间，回报的可预测性更有可能与公司基本面或持续的行为偏见有关。
表5报告了估计结果。对于RT1而言，OibRT1的系数为负值并且从第1周的-0.0226单调增加到第12周的-0.0005，这表明其预测能力是持久的。OibRT2和OibRT3同样类似。
对于OibRT4而言，其系数在第1周为-0.0019，非常显著，但很快便逆转并变得不显著，这表明其预测能力可能是暂时的。OibRT5和OibINST的系数在大多数时候都为正值并且没有显著逆转，这表明RT5和INST的预测能力是持久的，是可能与公司基本面或持续的行为偏见有关的。
鉴于不同投资者组别对股票回报的预测能力存在巨大差异，因此了解他们的报价流背后的驱动力是很重要的。作者梳理既有研究后概述了四个主要假设：
首先， 投资者的报价流往往是持续的，而持续的买卖压力可能直接促成股票回报的可预测性。
其次，美国的个人投资者大多是反向交易者，会通过向市场提供流动性获得正溢价。根据这一逻辑，如果个人投资交易是需要流动性的动量交易，那么动量交易可能与未来股票回报呈负相关；如果个人投资交易是反向交易并且向市场提供流动性，那么反向交易将与未来股票回报呈正相关。
第三，个人投资交易动机与行为偏见是相互联系的，过度自信和赌博偏好是影响中国个人投资者交易的两种主要行为偏见。
第四，个人投资者，尤其是激进的个人投资者，可能掌握有关公司基本面的宝贵信息以至于他们的交易可以正确预测未来股票回报。
为了解上述假设是否解释了不同个人投资者组别的交易行为及其对股票回报的预测能力，作者采用了Boehmer et al.(2021)提出的两阶段分解方法。在第一阶段，作者使用了上述假设来解释报价流指标，以找出哪些是报价流的重要驱动因素；在第二阶段，作者分析了上述假设中的哪一个隐含成分会对回报预测能力有贡献。
表6的A组报告了第一阶段的结果，B组报告了第二阶段的结果。概而言之，账户规模较小的个人投资者的负向预测能力很大一部分源自报价持续性、流动性需求和行为偏见，而账户规模较大的个人投资者的正向预测能力主要源自报价持续性、带有过度自信和赌博偏好的交易。表6的最后一行是“other”，这表明现有假设无法完全解释个人投资者的交易行为及其对股票回报的预测能力。“other”可能代表的是信息。
个人投资者如何参与信息发现过程亦是作者很感兴趣的话题，作者在表7的C组中报告了相关结果。以RT1为例，OibRT1的系数为-0.0079且在统计上显著，这表明RT1对股票回报的预测在平均水平上是负向的；当有盈利公告和新闻时，OibRT1的系数变为-0.0080且在统计上显著，这表明在有盈利新公告和新闻的日子里RT1对股票回报的负向预测增加了一倍。
进而言之，小型的个人投资者未能吸收和处理盈利公告和新闻，致使其在盈利公告和新闻发布日对回报的预测更加负向。RT2、RT3和RT4与RT1类似。OibRT5的系数在无盈利公告和新闻时为0.0005，在有盈利公告和新闻时为0.0014，换言之，大型个人投资者在盈利公告和新闻发布日对股票回报的预测能力大幅增强，这可能是因为RT5能够正确吸收和处理盈利公告和新闻，致使其在盈利公告和新闻发布日对回报的预测得到强化。一言以蔽之，个人投资者在信息处理能力上的差异导致了他们在对股票回报的预测能力上存在差异。
既然前文提及短期和长期预测模式，那么我们自然会问：不同组别的个人投资者的交易表现如何呢？为回答此问题，作者借鉴了Barber,Lee,Liu,and Odean(2009)的BLLO模型。建立BLLO模型有四个步骤：
首先，BLLO基于交易所提供的身份信息将投资者分为“个人”、“企业”、“交易商”、“外国人”和“共同基金”。
第二，在每个投资者群体中，BLLO可以计算出每日净买入和净卖出头寸的总和，并创建每日匹配的追踪交易组合。
第三，BLLO在n天的持有期内追踪这些“净买入”和“净卖出”组合，以及该跟踪交易组合的累计现金流和回报并将其作为不同投资者组别交易表现的代理变量。
在计算总体表现后，BLLO将总体表现分解为股票选择、市场择时和交易成本三个部分。
表8的A组报告了追踪交易组合的表现。在140天的持有期限内，RT1-RT4的年化投资回报率介于-5.61%和-2.80%之间，RT5的投资回报率为-0.29%，而机构投资者的投资回报率为1.15%。
前述结果已然表明RT1-RT4对股票回报的预测为负且显著，而这与当下BLLO模型为RT1-RT4提供了负的投资回报的结果相吻合。同样，前述结果已然表明INST对股票回报的预测为正且显著，而这与当下BLLO模型为INST提供了正的投资回报的结果相吻合。
但是，前述结果表明RT5对股票回报的预测为正且显著，而这与当下BLLO模型为RT5提供了负的投资回报的结果相背离。如果将目光移向最后三列可以发现：RT5的年化投资回报率为-0.29%，其中股票选择贡献了1.05%，市场择时贡献了-0.30%，交易成本部分贡献了-1.03%，这表明虽然RT5善于选股，但是其市场择时能力较弱以及面对的交易成本较大，以至于其追踪投资组合的投资回报接近于零。RT1-RT4呢？他们既不具备选股技巧又不具备市场择时能力而且还面对较大的交易成本，因此他们的投资回报为负。机构投资者呢？他们具有更强的选股技巧、市场择时能力和面对更低的交易成本，因此其投资回报率为正。
个人投资者的动量和反向交易模式是不同的，这导致他们对未来回报存在不同的预测模式。例如，规模较小的个人投资者表现出每日动量交易模式，导致了他们出现负收益预测模式；规模较大的个人投资者表现出每日反向交易模式，导致了他们出现正收益预测模式。动量或反向交易模式是否在净买入和净卖出追踪交易组合表现中起着重要作用呢？
表8的B组报告了相关结果。以 RT1 为例，RT1采用日动量模式时，其年化投资回报率为-4.57%、t统计量为-8.47，明显低于采用反向策略时的年化投资回报率（-1.04%）和t统计量（-2.57），这表明动量交易的业绩比反向交易差。RT2-RT4类似于RT1。对于RT5而言，当他们的交易是每日动量模式时，其年化投资回报率为-1.61%，而当他们的交易是每日反向模式时，其年化投资回报率为1.32%。对于INST而言，在动量（0.51%）和反向（0.64%）条件下，其年化投资回报率均为正值，只是在反向条件下会略高。
鉴于盈利公告是信息量最大的公司层面事件，因此作者很想了解盈利公告对追踪交易组合整体表现的贡献。作者之前的发现是：如果投资者在盈利公告前后具有信息优势，那么他们在盈利公告前后的表现会更好；而如果投资者在盈利公告前后具有劣势，那么他们在盈利公告日的损失会更严重。在这里，作者选取了15702个季度盈利公告事件，将盈利公告日前一天和公告日都视为事件日，计算了这些事件日的总业绩并将其与所有事件日的总业绩进行比较。
表8的C组报告了估计结果，其中“EA”代表盈利事件日的估计值，“EA/all days”代表盈利事件日占所有天数的比例。以RT1为例，RT1在盈利事件日的年化总业绩为-0.39%，占所有天数总业绩的6.89%，其中股票选择、市场择时和交易成本分别为-0.36%、0.02%和-0.04%，分别占所有天数的8.96%、-8.63%和3.06%。
考虑到RT1的盈利事件日仅占所有天数的2.98%，且RT1的追踪交易组合的总业绩和股票选择在盈利事件日表现糟糕，这与作者之前的发现相一致。RT2-RT4与RT1类似。对于RT5而言，RT5的年化总业绩表现平庸，但是其股票选择这一部分的年化投资回报率为0.14%，占总选股的13.81%，这与作者之前的发现相一致，即RT5可能在盈利事件日前后获得更好的信息。INST与RT5类似。
使用2016-2019年个人投资者的股票交易和持有数据，作者根据账户规模将个人投资者分为五组，并从回报预测能力和预测模式等方面考察了他们在价格发现过程中的作用。
研究发现不同组别的投资者在交易动态和交易表现上有强烈异质性。具体地，账户规模较小的个人投资者无法正确预测股票回报，无法很好地处理公开的新闻和信息，而且表现出过度自信和赌博偏好。他们购买的股票价格第二天会出现负回报，而卖出的股票则会出现正回报。账户规模较大的个人投资者可以正确预测股票回报，在交易过程中能较好地处理和吸收相关新闻和信息。由此可见，账户规模较小的个人投资者的选股技能和市场择时能力较弱，而账户规模较大的个人投资者则有更好的选股技巧。
本研究对中国个人投资者异质性交易行为的研究为这一庞大的投资者群体提供了许多独特的见解。从监管角度而言，证券监管机构和交易所承认个人投资者的异质性，并专注于采取投资者教育和适当性政策，限制金额较小的账户进行风险较高的交易。例如，个人投资者必须在至少20个交易日内持有至少50万元人民币的股票才能开立杠杆交易账户或在风险较高的科创板市场进行交易。这些举措有效地将最小的个人投资者排除在杠杆交易和风险较高的初创企业的交易之外，从而可能有助于保护他们免受更大损失。
本研究也提出了许多有趣的问题，例如为什么个人投资者在中国股市的交易中占主导地位？机构投资者扮演什么角色？这些有趣的问题将留给未来的研究。
参考文献：
https://mp.weixin.qq.com/s/iZniUpyBLpF5PLE5Pf42Fg
疯狂暗示↓↓↓↓↓↓↓↓↓↓↓
