翻译1The high-volume return premium（后附读后感）（图表上传不了）

高额回报溢价

SIMON GERVAIS RON KANIEL 和 DAN h. MINGELGRIN

摘要：研究了极端交易活动包含有关股票价格未来演变的信息的想法。我们发现，在一天或一周内交易量异常高（低）的股票往往会在接下来的一个月内升值（贬值）。我们认为，这种高回报溢价与股票交易活动中的冲击会影响其可见性，进而影响该股票的后续需求和价格的观点是一致的。回报自相关、公司公告、市场风险和流动性似乎不能解释我们的结果。

本文的目的是调查交易活动在其包含的有关未来价格的信息方面的作用。更准确地说，我们对交易量在预测未来价格走势方面的力量感兴趣。我们发现，交易活动在一天或一周内异常大（小）的个股，以这些时期的交易量衡量，往往会在随后的月份获得大（小）回报。换句话说，股票价格中似乎存在大量回报溢价。图1展示了我们论文结果的本质。在该图中，我们展示了三组股票的平均累积回报的演变：相对于它们的交易量异常高、异常低和正常交易量的股票。近期交易量历史，在投资组合形成日之前的交易日。我们看到，交易量异常高（低）的股票表现优于（表现优于）交易量正常的股票。此外，这种影响似乎会随着时间的推移而增长，尤其是对于大批量股票。

图1：平均累计回报图（以一日交易量冲击为条件的股票平均累积回报的演变。在1963年8月至1996年12 月之间的每第 50 个交易日结束时，根据每只股票在该日的交易量（以交易的股票数量来衡量）形成等权重的投资组合。当日交易量在过去 50 个交易日的最高（最低）五个日交易量中的股票被归类为“高交易量”（“低交易量”）股票；否则，它被归类为“正常成交量”股票。该图绘制了三个投资组合的平均累积回报。）

我们假设高成交量溢价是由于交易者对特定股票的兴趣受到冲击，即股票的可见性。Miller(1977)和Mayshar(1983)声称，平均而言，特定股票的持有者往往对其前景最为乐观。如果机构对卖空的限制使得在股票中采取负头寸变得困难，则尤其如此。此外，根据这些作者的说法，任何引起投资者对特定股票的关注的冲击都应该导致随后的价格上涨，因为潜在买家的集合包括市场的大部分，而潜在卖家的集合主要是仅限于现有股东。同样，Arbel和Strebel(1982)、Arbel(1985)和Merton(1987)认为，股票市场上额外的分析师和交易员的到来应该增加其价值，因为这降低了交易员面临的估计风险并促进之间的风险分担。如果以交易量冲击衡量的交易活动冲击通过新闻、口口相传或最近的互联网等各种沟通渠道影响潜在投资者的资金池，我们的结果如下。

我们通过证明高交易量回报溢价不是交易量对回报自相关的影响的简单副产品，加强了这种可见性假设的合理性。事实上，这种溢价对于在异常交易量时几乎没有或没有价格变化的股票同样普遍。换句话说，成交量冲击不需要价格变动来预测未来回报。从这个意义上说，我们的分析补充了Conrad、Hamid和Niden(1994)和Cooper(1999)的分析，他们记录了这样一个事实，即Lehmann (1990)逆向投资策略的表现会受到影响时，除了过去的回报之外，还有一个条件是过去的交易量。我们还发现，高交易量回报溢价不仅仅是代表Jegadeesh和 Titman(1993)记录的动量效应。事实上，回报主要不是由过去的赢家产生的积极的交易量冲击和过去的输家产生的负面交易量冲击。相反，我们发现过去的失败者更有可能脱离投资者的视线，尤其受到交易量冲击的影响。此外，对于这些股票，正成交量冲击的影响在幅度上与负成交量冲击的影响相似。

鉴于交易量具有惊人的预测随后价格变化的能力，我们对结果进行了一些其他潜在的解释。从Beaver(1968)对收益公告的研究开始，人们经常认为收益和股息公告伴随着价格和交易量的异常变化。特别是，Bamber和Cheon（1995）记录了这样一个事实，即伴随着大交易量但小价格变化的收益公告往往伴随着价格上涨。为了减轻公司公告可以解释大量溢价的可能性，我们表明去除收益和股息公告周围的时期不会影响我们的结果。系统风险似乎也不能解释我们的结果。事实上，刚刚经历异常高成交量的股票的贝塔系数与经历了异常低成交量的股票的贝塔系数之间没有明显区别。类似地，Amihud 和 Mendelson (1986) 做出的低流动性（如大买卖价差所代表）应该与大预期回报相关联的预测被拒绝，因为我们基于交易量的策略的回报无法由股票的买卖价差。

最后，高交易量回报溢价不取决于交易量的衡量方式：股票交易量、美元交易量、去趋势交易量和公司特定交易量都会产生相同的结果。

据我们所知，使用交易量作为未来价格的唯一预测指标只有 Ying (1966) 研究过，他表明纽约证券交易所 (NYSE) 的每日交易量的增加（减少）往往会随之而来标普 500 综合指数的价格上涨（下跌）。本文在许多重要方向上扩展了 Ying 的工作。首先，我们研究了超过 30 年（而不是 6 年）对个股（而不是市场指数）的成交量影响。其次，我们为这些结果提供了几种替代解释的测试，Ying 没有建议或分析这些解释。最后，我们不仅评估结果的统计显着性，还评估其经济显着性。

我们的论文的结构安排如下。在下一节中，我们将描述我们的主要假设、数据和用于测试它的投资组合形成程序。我们的主要结果以及它们与现有的回报自动相关性研究的关系在第二节中介绍。本节还研究了股票可见性，以此作为对大量回报溢价的潜在解释。在第三节中，我们展示了许多其他替代假设无法解释我们的结果。第四部分提供了额外的证据，证明能见度效应可能推动了结果，并提出了进一步研究这一假设的其他途径。最后，为了衡量高交易量回报溢价的经济重要性，我们在第五部分研究了基于交易量的策略的盈利能力。总结性评论在论文的最后一部分给出。

一、方法

A. 主要假设

我们的第一个目标是测试交易量在预测股票收益方面是否有任何信息作用。我们尤其感兴趣的是研究个别股票的交易活动与该股票未来价格演变之间的关系。有效市场假说预测，交易量不应该具有任何超出适当风险度量的预测能力。这是本文测试的主要假设。

米勒1977和 Mayshar1983他们认为，如果交易员对一支股票的价值有不同的看法，那么最终持有该股票的交易员对其价值最为乐观。他们进一步指出，如果股票的供应由于卖空的限制而受到限制，悲观交易者的意见将不能被纳入股票价格，这只能反映股东的乐观意见。在这种情况下，任何关注特定股票的人数的正面冲击。即，任何股票可见性的增加增加潜在买家的数量，但保持潜在卖家的数量基本不变。例如，如果卖空是不可能的，潜在卖家只包括当前的股东.这往往会提高股票的价格。例如，这可以说是 Shleifer1986的效应当他证明仅仅是将一只股票纳入标准普尔500指数就会导致其价格上涨时，他的文件。作为我们主要假设的替代，我们推测股票交易活动的冲击会影响其可见性，并随之影响其价格。这个可见性假说的本质实际上在 Miller 的1977中得到了体现结论:

从理论上讲，高成交量并不意味着股票会上涨它可能是由于大量抛售造成的仅仅观察大量交易不应该导致任何人买进。然而，如果成交量确实吸引了人们的注意力，并引起更多人关注某只股票，一些人可能会说服自己应该购买该股票。

能见度可能会影响股票价格的观点并不局限于上述文章。Arbel 和 Strebel1982还有 Arbel1985认为那些被金融分析师忽视的股票应该平均产生更大的风险调整回报，即以更低的价格卖出因为投资者面临更大的参数估计风险。Bernardo 和 Judd 1996发展一个模型来证实这种直觉。他们表明，正如过去的回报帮助交易员更新他们对预期回报的信念，交易量使他们能够更新他们对这些回报风险的信念。这种与大量交易量相关的不确定性的进一步解决，导致厌恶风险的交易者在后期推高股票价格。同样，Merton 1987发展了一个一般均衡模型，在这个模型中，被大部分投资者忽视的股票与其他类似的股票相比，往往会折价出售，因为总体风险会被更少的代理人吸收。所有这些作者都认为，在这种情况下，即使在没有新闻的情况下，为自己的股票做广告也是一种可行的策略，因为这只会增加投资者基础，进而提高股价。因此，这些作者认为，如果交易活动中的正面冲击通过新闻、口碑或其他沟通渠道给公司带来了投资者兴趣上的冲击，那么我们应该预计随后会观察到股票价格的上涨。

我们对交易量的假设角色是新颖的，因为我们观察交易量在预测方向性价格变化中的跨时间角色。交易量和价格之间的同时关系已经被很好地记录了下来。Epp1975发展了一个模型，证明了华尔街的古老格言——牛市伴随着大的交易量并不是没有根据的，这个结论在 Copeland 1976的模型中得到了加强Tauchen 和 Pitts 1983卡尔波夫1986.模型的预测被 Smirlock 和 Starks 证明是经验上成立的1985哈里斯1986,1987文献的另一部分认为，当前的交易量应该决定未来收益自相关性和波动性的强度。例如，Harris 和 Raviv 1993和 Shalen 1993显示大的交易量倾向于宣布大的后续绝对价格变化，即高波动性。同样，Campbell，Grossman，and Wang1993证明了当交易的主要动机是流动性需求时，大的交易量会导致负的回报自相关。Wang1994另一方面，如果投机是交易的主要动机，那么这些自相关性将是正的。这最后两个预测已经成为许多关于交易量的实证研究的焦点，包括坎贝尔等人1993康拉德等，1994Llorente 等人1998

图2.每日 CRSP 样品的时间序列。161个交易间隔中的每个交易间隔由50个交易日组成。在每个交易间隔中，前49天用来衡量最后一天的交易量是否异常的大，最多占交易间隔期间日交易量的10% 或者小的占底部的10% .基于这种度量方法，投资组合在最后一天结束时形成，并在随后的1、10、20、50或100天内评估它们的业绩（这里描述了50天）

Lee 和 Swaminathan 1999和 Cooper 1999.这项工作背后的想法是首先确定大正周期或负周期价格变动伴随着大的交易量，然后观察随后的价格变动。看看现有的证据，Cooper1999得出的结论是，高交易量的时期在较小的较大的股票似乎预示着流动性投机性交易，如随后的回报反转所示延续

B. 资料

我们的两个主要样本使用了来自证券价格研究中心股票数据库的纽约证券交易所股票数据CRSP从1963年8月到1996年12月。在这一部分，我们将详细描述每日样本; 每周样本，这是类似的构造，简要描述后来。我们通过将1963年8月15日至1996年12月31日之间的时间间隔分解为161个50个交易日的非交叉交易间隔来构造每日样本。由于以后会明确的原因，我们避免在每个交易间隔中使用每周的同一天作为每个交易间隔的最后一天，在每个交易间隔中跳过一天。我们还放弃了1968年下半年的所有数据，因为该交易所在星期三休市，影响了以下交易量的衡量标准。这个时间序列，连同本节后面介绍的一些术语，如图2所示。

每个交易区间分为一个参考期和一个形成期，分别包括区间的前49天和最后一天。参考期是用来衡量异常大小的交易量是在形成期。交易的股票数量

是用来衡量交易量的。在给定的交易间隔内，一只股票被归类为高-低-成交量如果其形成期成交量在顶部底部之间每日50成交量中的5成，即该交易区间的前10% 。否则，它被归类为正常成交量股票。在形成期结束时在形成日我们根据该交易间隔的股票交易量分类形成投资组合。我们使用两种不同的投资组合形成程序，描述如下: 零投资组合和参考回报组合。在投资组合形成之后，它们在测试期间(包括随后的1、10、20、50或100个交易日)没有任何再平衡。

所有现有的纽约证券交易所普通股在每个交易间隔都会被考虑。然而，在每一个交易间隔中，我们都会剔除一些数据缺失的股票。同样从交易间隔中剔除的，是公司在组建期之前或之前一年内经历合并、退市、部分清算或二次发售的股票。在交易间隔开始时，在纽约证券交易所交易历史少于一年的股票也同样从交易间隔中被丢弃。最后，我们从一个交易间隔中剔除在该交易间隔的前49天某个时间点价格低于5美元的股票。5每个交易间隔中的每只剩余股票根据公司在成立期前一年年底的市值十分位数被分配到三个规模组中的一个: 市值十分位数的公司被分配到大公司组，市值十分位数的公司被分配到六到八个十分位数的公司被分配到中等公司组，市值十分位数的公司被分配到二到五个十分位数的公司被分配到小公司组。我们忽略了十分之一的公司，因为这些公司中的大多数都无法通过上述过滤。因为 Blume，Easley 和 o’hara 1994假设大公司的交易量属性与小公司的交易量属性不同，则分别对这些规模组进行分析。这也允许我们评估结果的稳健性。

有些股票，特别是小公司的股票，经历了许多天没有任何交易。事实上，这就是为什么我们把所有的股票都从下面的第一个十分位数下调。尽管如此，在某些情况下，一只股票在形成期间没有任何交易活动的非交易日数可能在一个参考期内超过4天。在这种情况下，我们不会自动将该股票归类为低成交量股票，因为平均而言，该股票有超过10% 的时间会归入低成交量股票类别。相反，如果我们让 n 表示参考期内的非交易日数，其中 n。4对于一只在形成期间没有交易的股票，我们将其随机分类为低成交量股票，概率为50n11请注意，我们也重复了我们的分析，没有股票没有交易活动即零交易量在形成期间。由于这只是减少了2.67% ，0.89% 和0.11% 的小型，中型和大型公司的样本，结果没有受到影响。

例如，如果一只股票的交易量在50天的交易间隔内的任何一天在 CRSP 中丢失，我们只需从该交易间隔中删除该股票。

排除低价股票可以减少买卖反弹和价格离散导致的潜在偏差，Blume 和 Stambaugh1983已经对此进行了描述Conrad 和 Kaul1993等等。

根据上述分类，对于161个交易区间中的每一个交易区间，我们有三个规模的股票组，每个股票根据相对于参考期的形成期的交易量进行分类。表 i 列出了我们每日 CRSP 样本的一些描述统计学。面板 a 显示了这些统计数据跨所有股票和交易间隔为三个规模组。我们从这个小组中看到，毫不奇怪，小公司集团的股票价格和交易量低于中型和大型公司集团的股票。表1的 b 和 c 小组通过显示第一个和最后一个交易间隔的价格和交易量来说明交易间隔的一般演变。尽管多年来所有规模集团的交易量都在增加，但对于大公司来说，这种变化显然更为显著。最后，面板 d 显示了在每个交易区间被分类为高成交量和低成交量股票的数量的统计数据。最后一个面板的一个有趣的方面是在不同的交易间隔内高成交量和低成交量股票的数量之间的负相关。这反映了这样一个事实，即交易量冲击往往是相互关联的股票; 也就是说，似乎有一个市场成分的交易量。这可能对我们的结果产生的影响将在后面讨论。

第二个样本，即每周样本，使用了从周三收盘到下周三收盘的一周内的每日数据。对于这个样本，每个交易间隔由10周组成，总共50个交易日其中前9个被称为参考期，后1个被称为形成期。我们也跳过每个交易间隔一周，结果，我们总共有155个这样的交易间隔。每个交易周期内的每只股票再次根据交易量和交易规模进行分类。如果一只股票在交易间隔的最后一周的交易量代表顶部底部10周间隔的每周成交量，我们将该股分类为高-低-在该区间内的成交量。否则，该股票被归类为普通成交量股票。这个每周样本的样本统计数据在这里没有显示，因为它们类似于表 i 中每日样本的统计数据。

C. 投资组合的形成

我们研究了交易量对未来收益的影响，通过在每个形成期末使用上述交易量分类形成港口证券组合。特别是，我们试图检验交易量不包含任何有关未来价格的方向信息的无效假设。这是针对大小的可能性进行的测试交易量预测高低回报。为此，我们介绍了两种投资组合的形成方法。

在每个成立日，我们建立一个零投资组合，即在所有高交易量股票中总共持有1美元的多头仓位，在所有低交易量股票中总共持有1美元的空头仓位。

表一

每日 CRSP 样本的描述统计学

每日 CRSP 样本由161个不重叠的交易间隔组成，每个交易间隔为50天。对于每个区间，股票根据其在形成期之前的年底的市场资本化十分位数被分为三个大小组之一。市场资本化十分位数的第九和第十个公司被分配给大公司集团，第六到第八个十分位数的公司被分配给中等公司集团，第二到第五个十分位数的公司被分配给小公司集团。成交量表示每只股票每天交易的股票数量。面板a中的平均数和中位数取决于所有交易间隔的所有交易日。面板b和面板c中的交易日是这些特定交易间隔的交易日。面板d显示了在每个交易间隔被分类为高成交量或低成交量股票的数量的统计数据。

相同规模的集团。每只股票在高低在每个交易区间的形成期结束时采取的这个位置 i 在整个测试期间1、10、20、50或100天内不会被重新平衡我们表示测试期间的长期回报率短期由在区间 i 的末尾取得的位置以及合并位置的净回报。然后，我们可以通过验证该策略在所有161个交易区间的平均净收益来检验我们的主要假设，在每周样本的情况下注意，虽然我们的表格显示了多头和空头头寸的平均表现，也就是，应该很清楚，我们的零假设并不预测这些收益将等于零。相反，鉴于股票价格通常的正向波动，我们期望R积极的消极的因此，零投资组合使我们能够只用净收益来检验主要假设。这不是我们第二个投资组合形成方法的情况，我们现在转向这个方法。

参考收益组合方法与 Conrad 和 Kaul1993所使用的方法类似和 Lyon，Barber，and Tsai1999.这种方法根据每个交易区间内经历高交易量或低交易量的证券数量，隐含地调整给予每个交易区间的权重。这与零投资组合方法形成鲜明对比，零投资组合方法给每个交易区间相同的权重为1/161通过调整每个交易区间内每种证券的权重。更准确地说，一美元是多头投资空头投资投资于每一只正在经历高点低点的股票成交量。同时，每一个长短位置被一个短的-长的抵消在一个大

小调整的参考投资组合，以确保净投资在任何时候都是零。在每个交易区间内，这个参考投资组合是通过对来自同一规模组别的每个证券的权重与高-或低-相等来构建的成交量证券。和以前一样，所有的位置都保持不变，直到测试结束。由于每个多头和空头头寸都被一个参考投资组合恰当地抵消，我们可以通过分别观察所有多头头寸和所有空头头寸的平均回报来检验我们的主要假设，这在零投资组合中是不可能的。我们也可以将信息聚合成一个数字，这个数字将总结每一美元多头所产生的利润。在所有情况下，因为每个1美元的投资是在每个交易间隔的每个极端成交量股票，聚合为参考有可能一个规模组不包含任何高-或低-在一个特定的形成阶段，但是包含低-或高-成交量股票。因为零投资组合没有很好的定义，我们只是简单的删除了大公司集团每周样本中唯一的这种情况.

尽管我们和其他文献的作者一样，将 NRi 称为回报，但应该理解的是，它们应该被更恰当地称为交易利润。事实上，严格来说，假设投入产生这些利润的金额为零，回报率是无限的。也许更合适的称呼应该是每美元多头的回报。因此，投资组合的回报既包括交易间隔，也包括股票。我们表示任何多头/空头的测试期回报率参考投资组合的头寸净值为其中下标 i 表示交易间隔，下标 j表示高-低-成交量股票。然后，我们有兴趣知道显著大于零。

请注意，在任何给定的交易间隔，只有股票经历了足够大的交易量冲击正面或负面都包含在零投资组合中。同样，只有经历了这些足够大的交易量冲击的股票才会促使参考回报组合的形成。在这方面，我们的投资组合形成方法在本质上类似于 Cooper 1999.零投资组合也类似于 Conrad 等人1994年使用的投资组合因为头寸的大额部分需要正好1美元的投资，而头寸的小额部分一开始只能产生1美元的投资。这将使我们的回报与 Conrad 等人1994的回报相当.参考回报率方法的优点是在样本期间更好地控制风险，特别是在市场、流动性或其他情况下随着时间的推移，每种证券的风险变化不大。事实上，因为每一种安全被期望被归类为高-低-在10% 的时间里，按照构建的数量安全，平均权重每个这样的事件，确保每个安全的平均风险将被正确计算。当然，这并不能确保我们正确地控制

风险转移，我们将在第三节详细讨论这个问题。附录中的一个简单的数值例子进一步说明了两种投资组合形成方法之间的差异。

最后，我们想强调这样一个事实，即我们的两种投资组合形成方法具有可实现的优势，因为它们只利用过去的数据。事实上，不像 Gallant，Rossi，和 Tauchen1992坎贝尔等人1993在操纵交易量的整个时间序列之前，我们使用事后数据对其进行去趋势处理，我们限制我们的信息集在形成日期只包括当时可用的数据。除了让我们记录价格和交易量之间随时间的统计关系之外，这将使我们能够核实我们的策略所带来的利润在统计和经济上是否具有重要意义。

II. 资料分析

A. 主要结果

我们的主要分析结果列于表二(每日样本)和表三(每周样本)。这两个表格都显示了零投资组合的平均累积回报，以及三个规模组合中每个组合在形成日后1、10、20、50和100个交易日内的参考回报。

让我们首先看看表 II 中的每日样本所得到的结果。从这个表格可以看出，两种策略的平均净收益率每个面板的第三行在1,10,20个交易日内，所有规模的集团都有显著的正值。零投资组合形成策略的平均回报率在1天内为0.41% ，在20天内为0.96% ，在1天内为0.14% ，在20天内为0.55% 。相关的 t 统计量都在3以上。对于参考收益组合策略，小盘股的相应数值为0.17% ー0.50% ，大盘股的相应数值为0.08% ー0.29% 。这些具有统计学意义的正利润表明，交易量本身就包含了股票价格随后的变化。换句话说，我们认为交易量对收益率没有任何预测作用的主要假设似乎被否定了。这个结论被参考回报组合的单独的多头和空头头寸所证实，所有这些都会产生零投资组合产生的净回报似乎是参考回报组合的两倍，这是组合形成方式的产物。事实上，零投资组合使用低成交量的股票作为抵消头寸，在净回报被合并之前，在高成交量的股票中做多。参考回报投资组合的平均净回报是通过将已经被参考投资组合抵消的多头和空头头寸相加而得到的。通过附录中的数值例子可以更好地看到两种投资组合形成策略之间的差异。

表二

零投资的平均收益与参考收益组合的形成

每日 CRSP 样本的策略

在每个交易区间，股票根据规模和交易量进行分类。规模组是根据每个成立期之前一年结束时公司的市值十分位数: 市值十分位数的公司分配给大公司组，市值十分位数的公司分配给中等公司组，市值二至五分位数的公司分配给小公司组。成交量分类是基于股票在形成期间的交易量每个交易间隔的最后一天是最高成交量之一或者底部低音量整个交易区间50日成交量的10% 。对于零投资和参考回报组合形成策略，每个规模组面板中的三条线对应于第一节中定义的 RO h、 RO l 和 NR。我们显示百分比测试期间的回报在五个不同的视野之后，形成日期: 1,10,20,50，和100个交易日。括号中的数字是 t 统计量。对于不应该将返回值与零进行比较的情况，an0ao 表示 t 统计量不适用。显著正回报。事实上，这表明我们的主要假设被否定了，理由有二: 经历正数量冲击的股票随后产生正数量的异常回报，而经历负数量冲击的股票随后产生负数量的异常回报。综合效应就是我们所说的高交易量回报溢价。

长期回报的结果并不那么强劲。在50到100个交易日的水平线上，利润似乎趋于平稳，甚至大公司的利润明显开始下降因为200天期限的结果与100天期限的结果相似，所以这里没有给出，但它们迫使我们得出结论，当每天测量交易量冲击时，高交易量回报溢价的持久性是模糊的。

表 III 是每周样本的表 II 的类似物。它表明，利用一个形成期交易量中所包含的信息产生的1天、10天和20天的正净收益并不主要取决于该形成期的长短。事实上，每周样本所产生的回报与每日样本所产生的回报在规模上是相当的，但也许20天的回报除外，在零投资策略的情况下，每周样本的回报率似乎更高，为1.44% ，而小盘股的回报率为0.96% ，大盘股的回报率为1.07% ，而大盘股的回报率为0.55% .与每日样本不同，基于每周成交量冲击的两种投资组合形成策略的净回报持续超过50天和100天的测试期。对于中小企业来说，零投资组合的净收益甚至在100天后分别达到2.21% 和1.52% 。

我们的1天和10天的净利润为两个投资组合的形成策略和两个样品是可比的大小1周的利润记录莱曼1990年他的投资组合仅仅基于过去的收益，并且由 Conrad 等人1994年完成和 Cooper 1999他们根据过去的交易量和回报形成了他们的。然而，令人惊讶的是，我们20天的利润仍然显著，而康拉德等人1994年10更重要的是，我们从表三看到，平均利润的规模在较长的时间范围内增加，这表明这种数量效应不仅仅是一个非常短期的效应。如上所述，当我们的净收益与每日的交易量冲击联系在一起时，我们并不清楚它们是否是永久性的，但当它们与一周内的交易量冲击联系在一起时，它们显然是永久性的，康拉德等人使用的形成期是1994年和 Cooper1999鉴于我们的策略仅以交易量为条件，看起来交易量效应是一个100天测试期的 t 统计数据存在偏差。事实上，由于每个测试期的最后49天与随后的测试期相交，相交期的股票的收益经历了高-或低-连续两个交易间隔的交易量冲击被认为是两次。然而，这种偏差是最小的，因为它只发生10% 的时间在建设，它只影响一半的100天的回报期限每次。

从他们的表八可以看出这一点。很难说 Cooper 的利润是否能够持续超过他在论文中考虑的一周测试期。

表三

零投资的平均收益与参考收益组合的形成

每周 CRSP 样本的策略

在每个交易区间，股票根据规模和交易量进行分类。规模组是根据每个形成期之前一年结束时公司的市值十分位数计算的: 市值十分位数的公司分配给大公司组，市值十分位数的公司分配给中等公司组，市值二至五分位数的公司分配给小公司组。成交量分类是基于股票在每个交易间隔的最后一周的成交量是最高最高交易量或者最低——低音量在整个交易区间的10周成交量。对于零投资和参考回报组合形成策略，每个规模组面板中的三条线对应于第一节中定义的 RO h、 RO l 和 NR。我们显示百分比测试期间的回报在五个不同的视野之后，形成日期: 1,10,20,50，和100个交易日。括号中的数字是 t 统计量。对于不应将返回值与零进行比较的情况，an表示t统计量不适用。

永久性的。相比之下，回报自相关效应和交易量对它的影响似乎只是暂时的。我们将在第二节 b 部分回到这些问题。

Brennan Chordia 和 Subrahmanyam 1998还有 Lee 和 Swaminathan 1999提出了一些证据表明，大的交易量往往伴随着较小的预期回报。它们表明，最活跃的股票的平均回报率往往低于交易量较小的可比股票，这是由于投资者对持有非流动性股票的预期回报率要求较高，正如 Amihud 和 Mendelson 1986所建议的那样.我们在表2和表3中的结果似乎与这一证据相矛盾。然而，这可能是因为上述两份报告使用的是衡量交易活动的长期指标，而不是我们衡量异常短期交易量的指标。换句话说，Brennan 等人1998还有 Lee 和 Swaminathan1999识别平均非常活跃的股票; 这些股票的交易溢价。另一方面，我们确定了在相对较短的时间内交易活动受到冲击的股票; 正如我们接下来讨论的，这些股票往往会随着它们变得更加明显而升值。

股票收益和交易量的相互作用

许多作者已经证明了股票回报率和交易量通常是相关的。从 epp 的1975年开始把华尔街的老格言“牛熊”正式化市场与大小有关交易量，大多数早期文献集中在股票收益和交易量之间的同时关系。这句格言后来被 Smirlock 和 Starks1985经验证实哈里斯1986,1987等等。最近，有关回报自相关性的文献迅速增多，促使金融经济学家思考交易量应该对这些自相关性产生何种影响。Campbell 等，1993假设，如果交易的主要动机是无信息的套期保值，那么极端的短期股票回报，无论是正的还是负的，将倾向于后来逆转，当他们与巨大的交易量相关联。事实上，Conrad 等人在1994年证实了这一点纳斯达克股票。然而，王1994他认为，当交易的主要动机是利用私人信息时，这些趋势可能是相反的。Cooper 1999这表明纽约证券交易所的大型股票就是这种情况。Lee and Swaminathan1999补充这些结果为中期三个月通过展示由 Jegadeesh 和 Titman 记录的动量策略的自相关性1993对于高成交量的股票来说更有利可图。

上述研究和结果可以通过两种方式影响或解释高额回报溢价。首先，我们的投资组合策略是基于股票在短时间内每天或每周的交易量.这些策略的表现也被评估在短期内一天到100天

如果交易量对短期回报的影响对于经历低-高的股票来说，自相关性更强形成期回报，康拉德等人的1994逆转库珀的势头结果可以部分解释我们的结果，虽然我们的影响的持续性仍然无法解释。其次，有可能在整个参考期间，收益率和交易量之间都隐含着相互作用，这可以作为衡量正常交易量的指标。11中期——三个月动量结果最初由 Jegadeesh 和 Titman1993记录这可能意味着我们的产量结果。

顺便说一句，这些可能性为我们提供了一个评估可见性的机会，作为对高额回报溢价的解释。如果能见度冲击是随后价格波动背后的主要力量，那么高额回报溢价的存在就不应该需要同时出现的无孔回报冲击。在形成期的异常交易量应该足够了。此外，对于 Arbel 1985的股票来说，能见度冲击应该特别重要这些股票在很大程度上被分析师和投资者忽视了，基本上已经过时了。用最近的回报来代表一只股票的通用性水平并不是不合理的，因为大的失败者通常不会产生很多分析师和投资者的兴趣。不仅如此，考虑到只有在纽约证交所上涨时才可能卖空，这些股票可能比其他股票更难卖空。因此，我们预计最近表现不佳的股票的高回报溢价会更强。

在本节中，我们将进一步研究这些可能性，同时展示我们的工作与上述论文之间的关系。此外，考虑到高成交量回报溢价在20天或更短的交易日明显存在，但对于更长的交易日来说就不那么明显了就每日样本而言我们把剩下的分析集中在1,10,20个交易日的测试周期上。这也使得我们的分析可以与 Lehmann1990的工作相媲美Conrad 等人1994库珀1999他们都认为测试周期少于一个月。

B. 1. 短期互动

在这一部分中，我们展示了我们投资组合的净回报并不是回报中可能存在的短期自相关或交易量对这些自相关的影响的结果。相反，高成交量回报溢价反映了一个事实，即异常回报与一般的高低相关联交易活动往往是大小回报。

为了证明这一点，我们将我们的两个数据样本限制为基于每个股票的形成期收益的正常收益子样本。如果收益率不是异常高或低，则称股票经历了正常的形成期收益率。我们考虑正常收益的两种不同定义。对于中间的40% 的定义，高点和低点我们感谢一位匿名裁判和勒内·斯图尔兹指出了这一点。

利用类似于第一部分交易量的方法，将收益与正常收益分开因此，我们将每只股票的形成期回报率与之前的49天9周进行比较正常收益率子样本包括那些形成期收益率不在交易区间分布的顶部或底部30% 的股票。更具限制性的中间20% 的子样本类似地通过移动那些形成期收益不在顶部或底部的股票来获得百分比。网络返回NR，如第一节所定义的对于应用于这些子样本的两个基于成交量的投资组合形成策略，如表四所示，其中面板 a 使用每日样本，面板 b 使用每周样本。

如表二和表三所示，10天和20天净收益的大部分是显著正数，尽管这些正常收益子样本的样本规模已大大减少。事实上，这些回报与以前一样大，并且许多超过了表 II 和表 III 的对应物。许多单日净回报仍然是显著的。此外，一些零投资参考回报20天的净收益现在接近2% 1% 并且接近经济上的重要价值。因为我们正常的子样本股票在 Conrad 等人1994年所考虑的投资组合中几乎没有权重和 Cooper1999我们可以有把握地说，这里描述的现象与他们的是正交的。与此同时，能见度的变化以及随之而来的对股票需求的影响，似乎是大量回报溢价的一个有吸引力的解释。

这并不是说我们的发现与 Cooper1999所记录的不一致他的分析也使用了纽约证券交易所的股票数据。虽然库珀没有强调这一点，但他发现，当以小的绝对回报和每周成交量的大幅变化为条件时，高成交量股票的表现随后优于低成交量股票.这正是我们在表四中发现的结果的精髓，其中 b 组的大型公司与 Cooper 关于纽约证券交易所大型公司的每周数据最具可比性。

B. 2中期互动

虽然我们相信高成交量回报溢价不是每日或每周频率的回报自相关的产物，但仍有可能是低频率的回报自相关导致了它的存在。为了评估这种可能性，我们将两个主要样本分成两个动量子样本。这些子样本是基于每只股票在参考期内所经历的回报，与形成期相反，正如 b. 1节所做的那样.特别是，在任何给定的交易间隔内，一只股票被归类为赢家输家如果它的参考周期收益更大更小大于所有收益的中位数。

表四

零投资的平均净回报和参考回报策略使用每日和

每周 CRSP 样本的形成期回报子样本

如表二和表三所示，在每个交易时段，股票根据规模和交易量进行分类。我们只使用那些在形成期间的收益被归类为正常的股票的子样本。考虑两个正常收益率的定义: 1中间40% : 与每日面板 a 相比，不在顶部30% 或底部30% 的回报率或者每周面板 b参考期的返回值; 2中间20% : 与每日面板 a 相比，不在前40% 或后40% 的回报率或者每周面板 b参考期报表。所有的条目都是指平均净收益 NR对于这两种投资组合形成策略，我们分别在1、10和20个交易日之后的三个不同时段显示测试期收益的百分比。括号内的数字是 t 统计量。

然后，我们将参考回报投资组合策略应用于这些子样本中的每一个。零投资组合不是投资组合，因为我们最终感兴趣的是多头和空头头寸的表现。

表五显示了结果，揭示了许多有趣的见解。首先，看看表格的最后三列，我们可以看到几乎所有的净回报都是正的。然而，对于那些在49个交易日9周内表现相对较差的股票来说，高额回报溢价要强得多参考期。实际上，亏损投资组合的净回报率都显着为正，并且都大于表二和表三中的无条件投资组合。对于每周的样本来说，这些回报的规模尤其引人注目: 20天的净回报率分别为0.93% 、0.66% 和0.69% ，对于小型、中型和大型公司来说，这可能足以产生经济利润。虽然赢家投资组合的净回报大多是正数，但是它们都小于无条件的净回报。而且，它们中的许多并不具有统计学意义。因此，高额回报溢价主要是失败者的现象。这使我们得出结论，中期动量并不能解释整个故事。

看看表五中那些亏损投资组合的多头和空头的表现，进一步加强了这个结论。除了一个长期投资组合之外，其余都是长期投资组合又短又长RO l头寸在1天、10天和20天期限产生显著的正回报，表明大量回报溢价主要不是由投资组合的一个方面驱动的。顺便说一句，事实上，这也排除了机构投资者羊群效应作为我们业绩的潜在解释。Nofsinger 和 Sias 1999沃默斯1999找到买方卖方共同基金的羊群行为往往伴随着较大的较小的回报。失败者缺乏动力和普遍存在的高额回报溢价都与这些发现不一致。然而，能见度假说再一次非常符合数据。事实上，表现不佳的股票比表现过度的股票更容易失去投资者和分析师的兴趣。正如数据所显示的那样，能见度的变化可能会对这些股票的需求产生更大的影响。

康拉德等人利用每周收益和成交量的一个滞后时间，1994年和 Cooper 1999还分析了过去的回报和过去的交易量在预测随后的价格变动中的相互作用。不幸的是，将他们的结果与我们在表5的 b 面板中的结果进行比较是有问题的，b 面板也是以一周的交易量为条件的。事实上，不是使用同一个星期即，形成期为了确定价格动量，我们使用了9周我们在给定的时间间隔内同时对所有规模的股票进行排名，以符合动量文献。我们重复分析每只股票相对于其自身规模组的排名，发现基本上相同的结果。

在它之前即，参考期更接近于 Jegadeesh 和 Titman 发起的中期动量文献1993.因此，我们的投资组合在形成期周的回报率并不像 Conrad 等人1994那样极端和 Cooper1999.因此，它们不受这些作者所讨论的强周均值回归的影响，这使得我们的动量分析与他们的非常不同。

其他可能的解释和替代性假设

在这一部分，我们调查是否一些其他现有的理论和经验事实可以解释高回报溢价的存在。特别是，本节将显示，像回报自相关性，坚定的公告，市场风险，流动性和交易量模式都不足以解释这一溢价。

坚定的公告和异常值

许多研究已经证明了公司声明对交易量和股票回报的影响。Beaver 1968研究发现，收益公告周围的价格和交易量存在显著或异常的变化。Ball 和 Brown1968伯纳德和托马斯1989,1990其中一项研究表明，收益公告之后，价格往往会朝着收益意外的方向变动。对我们来说更重要的是，Bamber 和 Cheon 1995我们发现，当盈利公告伴随着大的交易量但是小的价格变化时，它们往往伴随着价格的上涨。因此，成交量与价格之间的关系可能是由公司公告驱动的。为了研究这种可能性以及我们的结果受到一些异常值影响的更普遍的可能性，我们进行了两个测试。

首先，我们从每日样本的每个交易间隔中剔除所有在形成期的前一天、当天或后一天有股息或收益公告的股票。13我们考虑形成期的前后几天，以解释一些公告只在第二天记录在我们的数据中，或者直到公告后一天才感受到它们的影响的可能性。14然后，我们使用 CRSP 每日数据的这个子样本，进行与第二节 a 相同的分析。两种投资组合形成策略的平均净收益如表六所示。这些回报率可以直接与表2中的回报率进行比较。很少或根本没有效果准确地说，收益公告是从机构经纪人估计系统I0B0E0S 中提取出来的数据，该数据始于1983年。因此，第一个考虑收益公告的交易间隔从1983年1月20日开始。

我们还重复了同样的分析，去掉了在形成期前后一周内有股息或收益公告的股票。结果基本上是一样的。

表 v

基于动量子样本的参考回报策略的平均净回报每日和每周 CRSP 样本

在每个交易区间，股票根据规模和交易量进行分类。在这两种情况下，这种分类方法与表 II 和表 III 完全相同。我们进一步将这些股票分成两个互相排斥的子样本: 那些参考周期收益率在最高值的股票底部与所有股票参考期的整个截面回报率相比减半。Rl 和 NR 作为参考返回策略，如第 i.c 节所定义的。我们显示的百分比测试期间的回报率在三个不同的视野之后的形成日期: 1,10，和20个交易日。括号内的数字是 t 统计量。

表六

零投资的平均净回报率与每日 CRSP 样本公告控制的参考回报策略

在每个交易区间，股票根据规模和交易量进行分类，与表二中的方式相同。我们进一步减少每个交易间隔的每日样本，通过消除所有股息或收益公告的股票，无论是前一天，当天，或后一天形成期。对于所有三种规模的集团和两种投资组合形成策略，我们显示的是净收益百分比NR在三个不同的测试周期: 1,10，和20个交易日。括号里的数字是 t 统计。

从每天的样本中移动坚定的公告。例如，零投资组合的20天净回报率分别从表二中的0.96% 、1.20% 和0.55% 上升到表六中的1.04% 、1.20% 和0.51% 。同样，参考回报组合的20天净回报率分别从表二中的0.50% 、0.50% 和0.29% 上升到表六中的0.48% 、0.51% 和0.28% 。在所有情况下，这些收益的重要性几乎不受影响。因此，高额回报溢价似乎不太可能是由公司的声明所驱动的。

更一般地说，为了解决只有少数极端观察才能产生我们的结果的可能性，我们更仔细地研究了零投资策略的经验分布。使用我们最初的每日样本，该策略包括在161个交易区间的每一个形成日期形成一个多头和空头头寸组合，并在给定的时限内保持该头寸，在本例中为20天。因此，我们最终得到了161个20天净回报的样本。这些净收益的经验分布如表7所示，分别针对三个规模组。同样的表格也显示了这些分布的一些样本统计数据。我们发现，净收益均匀地分布在平均值的两边，证明了对称的经验分布，小的绝对偏斜系数，以及样本意味着高额回报溢价。

表七

使用每日 CRSP 样本的零投资组合20天净回报的经验分布和样本统计

在每个交易区间，股票根据规模和每日交易量进行分类，如表二所示。下表的实证分布和样本统计数据是从161个交易间隔的20天净回报中获得的零投资组合。中位数是相似的。去掉每一边的五个最极端的观测值，得到的平均值也与样本平均值基本相等。我们得出的结论是，表2中记录的正回报率并不是由公司公告或少数异常值驱动的。

B. 系统性风险

由于较高的系统性风险要求较高的预期回报，因此很自然地会发现，如果正的交易量冲击预示着股票贝塔系数的正面变化，那么在大的平均回报之前就会出现正的交易量冲击。使用每日样本，我们评估这种贝塔变化是否可以解释零投资组合的正回报，通过估计这些投资组合的高交易量部分和低交易量部分的测试期回报的联合市场模型 Rih 和 Ril，如第 i. c 节所定义的.这个联合模型，我们估计使用一个看似不相关的回归-当然允许在每个交易区间内零投资组合的两个部分的扰动项是相关的。对于市场回报，我们轮流使用价值加权市场指数，一个同等加权的市场指数，和标准普尔500指数作为市场投资组合。因为结果并不取决于我们使用的指数，我们报告的结果只基于价值加权指数。我们用 Rim 表示在 i 区间的测试期间的市场收益。对于给定的测试期间，我们估计以下联合模型在所有161个交易区间，这是由161个指数组成:

估计的市场收益系数bh 和 bl对于这些回归，以及它们的差异，如表八所示。如果零投资组合的正净回报是系统风险变化的产物，我们应该观察 bh。译者注:测试的 p 值表 VIII 中的花括号显示了 h 2 bl 50。从这个测试中可以看出，多头头寸的贝塔系数与空头头寸的贝塔系数最多是没有区别的，甚至可能更小。事实上，在10天和20天的测试期间，所有估计的 bh 系数都小于相应的 bl 系数。因此，我们得出结论，高额回报溢价不能用系统风险来解释。

C. 流动资金

Amihud and Mendelson1986预测流动性，作为买卖价差的代理，应该有助于股票的预期回报。如果不寻常的交易量时期宣布了股票流动性的变化，那么它们也可以预测回报，从而解释高额回报溢价的原因。为了检验这个解释，我们需要检验股票在测试期间的买卖价差是否与我们策略的测试期间收益正相关。然而，我们目前使用的数据无法做到这一点，因为它没有包含任何关于买卖价差的信息。这就是为什么我们介绍另一个样本，我们构建了一个不同的数据集，贸易和报价TAQ数据库来自纽约证券交易所。

表八

零投资组合高、低成交量部分在市场指数上的回归斜率

使用第一节 c 部分中为每个规模组合形成的161个零投资组合，我们估计一个联合市场模型。这是使用以下看似不相关的回归来完成的-当然模型，其中 i 51，... 161指数的交易周期:

这个模型的两个方程描述了零投资组合的两个部分，Rih 和 Ril，如第 i.c 节所定义的。相应的市场回报率 Rim被认为是价值加权指数的回报。在所有情况下，该模型估计三个不同的测试周期: 1,10，和20个交易日。对于每一个这样的回归，我们显示了估计的斜率。

这个数据集使我们能够测量一段时间内的平均价差，方法是取这段时间内每半小时结束时引用的价差的平均值，即每天13个价差.在所有情况下，价差都是以股票中间报价的百分比来衡量的，这样不同价格水平的股票就可以进行可比较的聚合。使用 TAQ 数据集的缺点是它的跨度较短。事实上，对于这项研究，我们使用的数据跨度从1993年1月到1994年12月。我们通过将每四天定义为一个形成期来缓解这个问题。

表九

参考回报策略的平均净回报

使用每日 TAQ 样本的分布百分比子样本

在 TAQ 样本所涵盖的时期内的每个交易区间1993年至1994年股票根据规模和交易量进行分类。这种分类方法与表2和表3完全相同。股票被进一步分类，根据他们的平均百分比买卖差价在每个测试期间，这是采取了五个交易日。对于这个计算，每个股票每半小时计算一次百分比差价，也就是说，在测试期间的平均差价是5313565。在面板 a 中，我们考虑了两个子样本，基于每只股票在整个样本周期内的百分比价差时间序列: 1测试期间价差高于整个测试期间价差中值的股票测试期间价差低于整个测试期间价差中值的股票。在面板 b 中，我们考虑了两个子样本，它们是基于每个测试期间百分比价差的横截面分布:1测试期间价差高于测试期间中值横截面价差的股票测试期间价差高于测试期间横截面价差中值的股票。Low Spreado 和 aHigh Spreado 列中的条目指的是净回报百分比NR在测试期间应用于这些子样本的参考返回策略。aDifferenceo 列显示了两个子样本的净回报之间的差异。括号里的数字是 t 统计量。

将考核时间限制在五天以内。我们最终有113个交易间隔。在每个交易间隔中，我们将每只股票分类为高价差低价差如果股票的平均测试期间价差高于低于1993年和1994年的平均价差。然后我们分别在这两个子样本上形成参考回报组合。这些投资组合的净收益，以及两个子样本之间的差异，显示在表 IX 的面板 a 中。轻微但微不足道的高利差子样本的较大净收益表明流动性可能起到有限的作用在解释高额回报溢价方面的作用。然而，从这个表格中可以明显看出，流动性并没有完全解释我们的结果: 适用于低利差和高利差子样本的策略的净收益

对于中小股票来说是非常重要的。当我们使用每个测试周期内所有股票的横截面中值利差来构造高利差和低利差的子样本时，表 IX 的面板 b 显示了类似的结果，而不是面板 a 中每个股票的时间序列中值利差.结论不受这个替代规范的影响。

D. 其他风险

前两部分研究了系统风险和流动性解释高额回报溢价的可能性。为了巩固这些结果，同时消除其他类型的风险产生结果的可能性，我们更仔细地研究了零投资组合获得的回报的分布。我们通过比较这些投资组合的20天净收益和类似投资组合的20天净收益，这些投资组合不受交易量的影响。更准确地说，对于每一个零投资组合，我们构造一个基础投资组合，将零投资组合中的每一种证券替换为从同一规模组中随机选择的另一种证券。然后，我们将这些投资组合的收益与一阶随机优势检验(first-order stochastic dominance tests)进行比较。对于所有三个规模的群体，我们发现零投资收益率的一阶分布在显著性水平为百分之一的基础投资组合收益率随机占主导地位这些测试的实质在图3中被捕获，它显示了经验累积密度函数CDF对于零投资组合和基础投资组合的净回报。从这个图中可以看出，基础投资组合的 CDF 往往高于零投资组合的 CDF。这一发现及其对我们策略风险的影响是相当重要的。由于我们的策略一阶随机支配随机构造的基础投资组合，我们的策略应该是所有增加效用函数的理性投资者的首选，无论他们是否规避风险。当然，这意味着任何类型的风险都不可能解释我们基于成交量的策略所产生的异常回报。

容量测量

我们通过评估结果的稳健性来结束本节。特别是，我们希望确保我们的结果对不同的交易量衡量标准是稳健的，并且对这个变量中众所周知的模式不敏感。为了简洁起见，我们仅针对每日 CRSP 样本提供这些健壮性检查。在我们开始之前，值得注意的是，本文件的所有结果和表格，包括本节所载的结果和表格，也是以美元交易量作为衡量交易量的标准，结果基本相同。

我们如何执行这些测试的细节可以根据要求提供。我们非常感谢戈登·安德森为我们提供了其中一个测试的计算机代码，并对这个测试进行了有益的讨论。

图3.经验累积密度函数的20天净收益的零投资和基础投资组合。对于1963年8月至1996年12月期间形成的161个零投资组合中的每一个，我们构造一个基础组合，将零投资组合中的每一种证券替换为从同一规模组中随机选择的另一种证券。这两个投资组合的20天净收益的经验累积密度函数被绘制为三个规模组中的每一个。

在确定第一节 c 节形成期间的交易量等级时，对该期间之前49天中的每一天给予相同的权重。在选择这个长度作为参考期时，我们的担忧是双重的。首先，我们希望通过使参考周期足够长来确保只识别不寻常的卷天。其次，我们希望确保体积分类足够局部，以避免使用体积中的时间序列模式对分析产生偏差。事实上，如果日交易量是非平稳的Hiemstra 和 Jones 1994为了纠正这些潜在的影响，我们考虑采用权重计算方法，这些计算方法将逐渐增加后期的权重，即更接近形成期的日子.更准确地说,参考期内日交易量的平均自相关系数在0.22到0.25之间。考虑到 Gallant 等人在1992年记录的每日交易量的持续性，这并不令人惊讶坎贝尔等，1993Lo 和 Wang2000等等。

例如，交易量的上升趋势将导致一只股票在高成交量类别中平均超过10% 的形成期。事实上，事后，使用 CRSP 每日样本将股票实际归类为高交易量股票的形成期的比例约为11% 。

我们考虑的每个加权方案对参考周期最后49次的体积赋予 n 倍的权重比它的第一天。由于这是通过参考期逐步完成的，这意味着参考期的第十天将被赋予 wt n 的相对权重。正如原本分析的那样，成交量处于顶部底部的股票最后的10% 加权每日交易量被认为是高低在表 x 的每个大小组面板的第一行显示了平均净收益 NR我们的两个策略使用了一个5.4加权方案。将这三行与表 II 中每个面板的第三行进行比较，可以看出交易量的潜在非平稳性、趋势和持续性并不能解释我们两种投资组合形成方法的显著正回报。事实上，当加权最近的过去时，我们的策略产生的回报在规模和重要性上都不受影响。我们用 n 52和 n 58重复了相同的分析，结果发现基本相同的结果。

正如第一节 b 部分所讨论的那样，交易量往往与某一天股票的交易量相关。这意味着在相同的形成时期，股票往往被选择为高成交量或低成交量的类别。因此，被归类为高成交量的股票的数量往往与被归类为低成交量的股票的数量呈负相关: 从表一的 d 图中，我们看到这些相关性对于小型、中型和大型公司分别为20.392、20.677和20.643。为了确定这影响我们结果的可能性，我们改变了我们的交易量的衡量方法，按照 Tkac1999所建议的股票占每日市场交易量的比例对于这个衡量标准，市场交易量代表我们样本中所有股票的总股票交易量。当交易活动以这种方式衡量时，高低成交量股票类别很可能由经历过高低的股票组成企业特定成交量。此外，我们应该看到高成交量股票数量和低成交量股票数量之间的相关性较小; 随着相关性变得越来越强，情况的确如此092,20.204，和0.064为小型，中型和大型公司。在表 x 的每个面板中，公司特定的体积线显示了我们的结果。再一次，直接比较平均净收益 NR对于表二中每个面板第三行的策略来说，这两种策略的回报的大小和重要性并不受这种衡量交易量的替代措施的影响。因此，我们可以得出结论，第一部分结果背后的驱动力不是市场交易量的冲击，而是企业特定的交易量。

为了完全准确，让 Vjt 表示股票 j 的交易量在一个交易间隔的第十天t550指的是形成期形成期被认为是高-低-体积周期。

表十

零投资的平均净回报率和每日 CRSP 样本的参考回报策略

在每个交易区间，股票根据规模和交易量进行分类。规模组别与表二及表三相同。成交量分类是基于股票在形成期间的交易量每个交易间隔的最后一天是最高成交量之一或者底部低音量整个交易区间50日成交量的10% 。对于成交量加权分析，在对形成期成交量进行排序时，参考期最后一个交易日的成交量加权是该期第一天成交量的四倍。对于确认特定交易量分析，股票日交易量的度量是该股票日交易量与市场日交易量的比值。对于周分析的当天，每只股票的每日成交量乘以一个因素调整预期成交量的差异在一周的不同天。对于两种港口投资组合策略，我们显示净收益百分比NR，如第一节 c 所定义的在三个不同的测试周期后的形成日期: 1,10，和20个交易日。括号内的数字是 t 统计量。

Jain 和 Joh 1988记录了一周中几天的日交易量呈倒 u 形，周三达到高峰。为了避免系统地分类正常的交易量星期三星期一和星期五高低在成交量日，我们将每天的交易量标准化一个因素，这个因素将使得一周中每天的平均成交量相同

19表 x 中每个面板的最后一行显示，结果在很大程度上不受这种调整的影响。回想一下第一章 b 节，我们在每个交易间隔中跳过一天，因此每周的每一天都被用作一个形成期。在这样做时，我们力求避免在一周的同一天形成我们所有的投资组合，因为我们的分析可能会因为股票回报或交易量的某些每周模式而产生偏差。在最后一次检查周内效应时，我们需要确保类似的偏差不会推动我们的交易策略所产生的正回报，也就是说，我们需要检查我们的回报不是集中在一周某一天形成的投资组合上。使用 f 检验，我们发现我们不能否定这样一个假设，即一周五天中每天所持仓位所产生的收益相等。因此，我们可以有把握地说，高额回报溢价不是由交易量的日间模式所驱动的。

对可见性假设的进一步探索

到目前为止，解释高额回报溢价的唯一严肃候选者是第一节和第二节中讨论的可见性假说。在本节中，我们稍微回顾一下这个假设。首先，我们收集额外的数据来帮助评估它的有效性。然后我们讨论它与一些现有文献的关系，以及它在未来如何进一步探索。

正如在第一部分中所指出的，当出售一只股票对于不持有它的悲观交易者来说是困难的时候，可见性的争论尤其相关。到目前为止，我们使用的数据并不能让我们直接衡量交易者在某只股票上持有负面头寸的难度。然而，纽约证券交易所每月中旬都会发布一份关于每只股票所持空头头寸的报告。20有些股票的卖空行为应该反映出交易员更容易持有负面头寸这一事实，因此我们推测能见度冲击对这些股票的影响较小。为了验证这一预测，我们将这些股票分为两类: 在1989年至1989年间任何时候都表现出做空兴趣的股票

更准确地说，我们只使用1963年至1996年期间存在的股票计算平均调整因子，只使用有5个交易日的周让这样的周数用 n 表示.让 Vdw 表示所有这些股票的总交易量在第五天第一天，第五周第五天，第五天。

正如 Asquith 和 Meulbroek 所详细描述的那样 1996这些报告中所包含的数据比之前利用华尔街日报、《巴伦周刊》和《纽约时报》报道的空头利益研究中所使用的数据更加全面，例如，参见 Senchack 和 stark 1993! .特别是，纽约证券交易所报告中包含的公司数量要大得多: 只有那些没有或很少做空股权的公司没有在这些报告中列出。

表十一

参考回报策略的平均净回报使用1989 ± 1996年每日和每周 CRSP 样本的短期利息子样本

在1989年至1996年期间的每个交易区间内，股票仅按交易量进行分类，即所有规模组合合计这种成交量分类方法与表2和表3完全相同。我们考虑两个子样本: 1在1989年到1996年期间，纽约证券交易所每月的短期利率数据文件中没有显示任何短期利率的股票至少出现在其中一个文件中的股票。aNo short interest 和 assome short interest 行中的条目指的是净收益的百分比NR参考回报策略应用于这些子样本在三个不同的测试周期后的形成日期: 1,10，和20个交易日。aDifferenceo 行指的是两个子样本之间净收益的差异。括号中的数字是 t 统计量。

1996年，我们有短期利率数据的时期，以及没有短期利率数据的股票。然后，我们将参考回报策略分别应用于这两个子样本。为了保持样本的大小足够大，我们将所有三个大小组合在一起进行这个特殊的测试。表十一所示的结果表明，与其他股票相比，没有卖空经历的股票更容易受到大额回报溢价的影响，这证实了我们的猜想。然而，这种差异在统计学上并不显著，因此这些结果只能部分支持可见性假说。

因此，高回报溢价和股票可见性扮演的假设角色仍然是未来研究的主题。首先，尽管我们的先例是，纽约证券交易所的短期利率报告会比大公司更系统地排除小公司，因为正如脚注20中提到的，短期利率非常低的公司常常被忽视。在这种情况下，我们的结果可能是由这样一个事实驱动的，即小股票的高回报溢价更强。我们证实情况并非如此，因为两个子样本的平均大小十分位数基本相同: 7.49对7.57。

能见度冲击与交易量冲击的引证似乎与我们的实证研究结果一致，但这种关联是如何产生的尚不清楚。事实上，只有 Bernardo 和 Judd1996提出的模型直接预测交易量应该包含一些关于未来价格走势的统计信息。由于他们模型中的经济仅限于一只股票和两个交易周期，因此很难调和我们在这里记录的所有经验事实例如，过去失败者的结果.显然，更好地理解高额回报溢价将需要更多的模型。其次，目前尚不清楚与能见度冲击相关的价格走势应该持续多久，也就是需求调整需要多长时间才能完成。虽然我们的研究结果表明，冲击会持续超过20个交易日，但未来关于高回报溢价的研究应该有助于评估这个问题。这样的工作实际上是由一些作者发起的。例如曹，陈和格里芬2000文件显示，购买看涨期权表现出极高的交易量在给定的一天收益显着正回报为四个星期的持有期。Mingelgrin2000还记录了纽约证券交易所和纳斯达克股票的日内高额回报溢价。最后，通过观察其他市场，也许可以了解更多关于交易量对股票可见性的影响。例如，Miller1977默顿1987建议，存在一个流动性市场的看跌期权的一个给定的股票应该使它更容易的悲观交易员采取消极的立场。因此，他们还预测，能见度冲击对这些股票的影响较小，也就是说，对于期权股票而言，高额回报溢价应该较小。在我们看来，检验这一预测将是调查高额回报溢价的自然下一步。交易量的信息效应，可能与可见性假设有关，Chan 和 Lakonishok1993也讨论了这个问题.这些作者假定，在作出出售决定时，投资者通常只考虑他们目前持有的资产; 因此，关于出售哪种资产的决定不会向市场传达太多信息，因为它通常被解释为受流动性驱动。另一方面，买入的机会包括市场上所有可能的资产，选择哪种资产可以传达很多信息。因此，由卖家发起的大量交易不会对价格产生太大的影响，但是由买家发起的大量交易会对价格产生太大的影响。因此，无条件地，大的交易量应该伴随着价格的上涨。Chowdhury，Howe，and Lin 1993对内幕交易的研究证实了这一观点。他们发现，股票回报在很大程度上取决于内幕交易，而不是内幕交易，并表明，卖方发起的交易更有可能被视为流动性驱动的交易。高额回报溢价可能是这些发现的产物。由卖家发起的大量交易应该不会对价格产生太大的影响，但是由买家发起的大量交易会对价格产生太大的影响。无条件的，正面的负面的交易量的震荡应该是正面的负面的回报。

Diamond 和 Verrecchia 1987也研究了交易量在评估信息交易中的作用他们指出，当信息灵通的交易者被限制卖空时，交易的缺失是个坏消息。乍一看，这个模型似乎与高额回报溢价不一致。特别是，该模型表明，对成交量冲击的价格反应应该是同时的和无偏见的，因为理性的交易者应该通过他们的交易活动消除任何潜在的价格或回报偏见。然而，如果我们放松所有交易者同时从交易量中学习的理性预期假设，那么这个模型将提供类似于我们的实证结果和 Chan 和 Lakonishok1993的预测是可行的。

策略的经济盈利能力

在这一点上，仍然难以推断采用第一节的投资策略能否产生正的经济利润。第一，用于计算这些策略的收益的价格来自收盘价。正如 Blume 和 Stambaugh 1983所讨论的那样康拉德和考尔1993其次，我们的分析没有考虑与不同投资组合的形成和赎回相关的交易成本。Lehmann1990康拉德，古尔特金和考尔1991据估计，零投资组合的一周回报率低于1% ，将被0.2% 的单向交易成本所抵消。这些估计数似乎表明，一方面，虽然表二和表三记录的正回报有助于我们描述股票价格的演变，但这些正回报可能不会被市场参与者直接利用。另一方面，表四中仅涉及正常形成期回报股票的策略的可观回报可能为投资者提供有利可图的机会。

为了验证交易量中所包含的信息是否可以被有效地利用，我们构造了最后一个策略，它利用了同样的信息，但是效率更高。特别地，使用限价订单，我们修改了零投资策略，以减少与买卖差价相关的交易成本的时候，头寸采取和撤销。更准确地说，我们在形成期结束时通过发送买卖来打开我们的头寸限制订单在现行出价要求价格。使用 Lee 和 Ready1991算法签订订单，然后我们检查第二天是否达到限制订单。在那天结束时没有达到的订单被转换成市场上的收盘订单，这些订单在当时盛行的出价时被清除买卖价格

由于这种潜在的偏见强调了大量股票的多头仓位所产生的回报，但是弱化了小量股票的空头仓位所产生的回报，因此不清楚我们的策略是从中受益还是受到伤害。在20天的期限内，我们通过发送取消卖出买入来结束我们的仓位在要价时限制订单出价测试期第20天结束时的价格。然后我们再检查接下来的两天是否达到了限价订单。那些仍未兑现的订单再次转换为市场上的收盘订单。

因为这种策略需要知道买卖价格，也因为 Lee 和 Ready 的1991该算法要求交易活动的交易帐户逐个交易，我们使用第 iii. c 节介绍的 TAQ 样本进行这一分析。最左边的一栏显示，这种新策略在中小型股票上是适度盈利的。事实上，我们仍然可以通过这种修改后的策略获得正利润，这是非常值得注意的。事实上，通过使用买卖价格，这种策略内生地包含了交易成本。因此，在这个表格中发现的回报实际上可以转化为经济利润，只要这些策略不是在订单规模太大的情况下实施的，以至于它们的价格影响破坏了这些利润机会。

为了进行比较，本表的第二列和第三列包括在内。这两栏都显示了上述策略的净收益，和以前一样，只使用市场订单。第二栏使用当天的最后报价中点作为价格，而第三栏使用当天的最后报价bid买卖价格订单。基本上，第二列的净收益不包括任何交易成本，因此与表二中的零投资组合的净收益相当。在光谱的另一端，第三列非常明确地包含了 Lehmann 1990所讨论的交易成本作者: Conrad 等人1991.从第三栏可以看出，这些交易成本对战略是不利的。以限量订单为基础的类似策略可能是有利可图的，这一事实仅仅表明，实施旨在利用高额回报溢价的策略所产生的价格影响，对其盈利能力至关重要。

因为表四显示高回报溢价对于普通的中间40% 来说更强形成期收益，我们再次限制我们的样本只有那些经历正常收益的股票在形成期。表十二的面板 b 显示了使用这个子样本的面板 a 的类似情况。证据变得相当令人震惊: 使用限价指令，有可能系统地利用中小企业股票的高额回报溢价。更准确地说，是20天期限为了充分利用高额溢价，等待期限被限制为开仓一天。更长的等待时间来结清头寸会使结果更好，因为他们给了我们更多的时间来打破限制订单。然而，我们认为等待时间超过两天可能会影响我们策略的风险。

在本节和第三节 c 中构建 TAQ 样本的方式之间有一个小的差异。为了增加样本量，同时又不影响每只股票的测试期不相交的要求，我们的 TAQ 数据所涵盖的每一天都被视为一个形成期，但在某一形成期购买或出售的股票在随后的四个形成期不予考虑。

表十二

使用限制订单和每日 TAQ 样本的零投资组合形成策略的平均净收益

使用第三节 c 中描述的每日 TAQ 样本，我们使用限制订单重复零投资策略。在每个交易间隔内，股票按照大小和交易量进行分类，如第 i.c 节所示。在面板 a 中，我们仅以形成期交易量为条件构成投资组合如表2所示在面板 b 中，我们只使用在形成期间有正常收益的股票，其中正常收益被认为是中间的40%如表四所示.对于第一栏的零投资组合是在形成期结束时使用限价订单形成的买卖价格订单。一天内没有完成的订单会在当天结束时转化为市场订单。这些头寸在20天结束时被取消，使用的是类似的限价指令，如果仍然未兑现，则在两天后变成市场指令。第二列的头寸使用的是当天最后一个报价的中间报价的市场指令。第三栏的头寸也使用市场指令; 然而，它们通过使用当天的最后一次出价来计入交易成本买卖价格订单。所有的条目都是指在第一节中定义的零投资策略的平均20天净回报百分比。括号中的数字是 t 统计量。

我们的策略产生的净回报率在扣除中小企业的交易成本后，分别为每美元0.84% 和0.80% 。这些数字转化为年超额回报率，分别为11.0% 和10.4% 。

当然，本节中考虑的交易成本代表了直接买卖价差成本。特别是，经纪和价格影响成本并不是我们分析的一部分。因为大型交易商和地板经纪人面临最小的经纪成本，忽略这些成本不是一个坏的估计

模仿。然而，由于买卖订单对价格的影响，应该清楚的是，如果大规模采用本文所述的所有策略，就不会有利可图。尤其是在低交易活动时期卖出订单的价格影响。

VI. 结论

本文表明，个股经历极端交易量的时期，相对于其通常的交易量，包含了关于后续股票收益的重要信息。具体来说，在交易量极大的时期之后，往往会出现正超额收益，而在交易量极小的时期之后，往往会出现负超额收益。当确定极端交易量的形成期为一天或一周时，这种效应(我们称之为高交易量回报溢价)仍然存在。它至少持续20个交易日，甚至可能长达100个交易日。它在所有的股票规模上都是一致的。

许多作者，包括 Miller 1977默顿1987预测一只股票能见度的增加将会导致其价格的上涨。这一预测与高成交量回报溢价高度一致，因为能见度和需求的变化似乎是由交易量冲击引起的。这种解释的可信性得到了以下两个发现的支持在交易量震荡的第0天的回报率似乎并不影响高交易量回报溢价的存在;过去的失败者，可以说已经失去了投资者的兴趣，往往特别受到冲击的影响，在他们的交易活动。

这些发现还可以用来表明，交易量冲击所暗示的价格变动并不是其他作者所记录的短期和中期回报自相关的简单产物。例如，我们可以有把握地说，高额回报溢价并不是由交易活动对短期回报自相关的通常影响所驱动的，正如 Conrad 等人1994年所研究的那样和 Cooper1999事实上，即使是伴随价格变动很小或没有变动的成交量冲击也会对随后的价格产生同样的影响，这表明成交量冲击包含有关未来价格变动的信息，而这些信息与过去收益中包含的信息是正交的。长期的自相关性，就像 Jegadeesh 和 Titman1993所记录的那样尽管过去的失败者更容易受到成交量冲击的影响，但他们同样会受到正面和负面冲击的影响。

许多其他的假设都无法解释高额回报溢价的原因。例如，我们的研究结果可能是由收益和股息公告周围的不寻常情况驱动的，这种可能性是被否定的，因为取消这些周期并不影响结果。额外的股票回报并不是对额外风险的补偿: 我们基于成交量的投资组合中的高成交量部分实际上比低成交量部分具有更低的系统性风险。

因为股票的买卖要价

利差似乎并不能解释我们基于成交量的策略的回报，即 Amihud 和 Mendelson 1986所假设的流动性解释也被拒绝了。事实上，我们的策略的回报被证明是一阶随机控制的回报随机投资组合构造在相同的日期，使任何基于风险的解释我们的结果不太可能。最后，结果对不同的交易量衡量方法是稳健的，考虑到交易量趋势，整个市场对交易量的影响，以及每周的交易量模式。

虽然本文的主要目的不是提出基于交易量的有利可图的交易策略，但我们确实提出了一些证据，表明我们的策略可以通过适当使用限价指令而获利。至少，交易者下单买卖订单应该在一段时间的大小之后进行交易量，如果他们有 f 的灵活性。

附录

在这个附录中，我们描述的两个投资组合形成策略的第一节 c 的帮助下，数值例子。假设只有两个交易间隔，并且在每个交易间隔中被分类为高成交量或低成交量的所有股票都在表 AI 中列出。此外，假设所有股票的平均测试期收益率在交易区间1为1.04% ，在交易区间2为1。

零投资组合策略

假设有两个交易间隔，零投资组合将产生两个数据点。平均高成交量，低成交量，净回报 RO h，RO l，和 NR计算结果如表 AII 所示。

参考回报投资组合策略

该策略双方的抵消参考投资组合是所有股票的平均值，因此参考测试期间的收益率为每股1.04

在交易间隔1 Ref-1和1.10% 在交易间隔2 Ref-2该策略的高交易量部分由三个数据点组成，其平均收益率为 RO h 50.44% 。同样的，策略的低容量部分由4个数据点组成，其平均收益率为 RO l 50.56%参见表 AIII.该策略的平均净收益 NR 仅仅是表 AIII 中所有7个高容量和低容量数据点的平均值，即0.509% 。

计算参考报税表的报税表

投资组合策略

读后感

时间是好公司的朋友，长期能够获得超额回报的好公司，能够随着时间的推移，通过股价反映其超越市场大盘的能力。优秀的公司必然有其过人之处，来抵御竞争对手的冲击，维持其高额回报。

巴菲特1993年在致股东的信中，首次提出了“护城河”概念，而后也多次在股东信和年会中反复提及“护城河”，为挖掘长期投资的好公司指引了方向，我想这是我们实际生活中去判断高额回报溢价可以参考的地方。

经济护城河指企业抵御竞争对手对其攻击的可持续竞争优势。我们的生活中有着很多鲜活的案例：去年初1000元的贵州茅台最近又涨价了，涨了1倍多，比其他的竞品卖得贵好多；微软操作系统的新版本有时候会修改的面目全非，让人大跌眼镜，但是还是得用，而这种情况已经持续了将近20年。

从实业投资的角度看，企业经营的目的是为了赚钱，而且企业家每天都在致力于让自己的企业能够赚更多钱的。股票本身是企业的部分权益，股票投资和实业经营本质上应该是一样的，从长周期的角度看，我们投资应该寻找能够长期获得超额收益的企业。而资本的天性是寻求回报率高的领域，竞争会拉低回报，因此要想长期获得超额回报，必须要有牢固的护城河，也就是持续的竞争优势。

高投资回报率（ROIC）是超额收益的源泉，在不考虑杠杆的情况下，ROIC是公司的长期可持续增速，而可持续的高ROIC来自于可持续的竞争优势，也就是企业的“护城河”。

把时间拉长，高投资回报率公司其净资产和净利润的累积远远超过普通的公司，超额收益超乎想象，这充分体现出复利的巨大威力。同时，低投资回报率的生意，即便通过外部融资取得极高的复合增速，但是其内在价值是很难改变的。

同时，可持续的高ROIC来自可持续的竞争优势。根据杜邦分析公式：ROE（净资产收益率）=销售净利率*资产周转率*权益乘数，高ROIC/ROE必将导致竞争，资本的天性是寻求回报率高的领域。要么通过价格战拉低整体盈利水平直至社会平均回报，要么分流原有企业的市场份额，使得周转率降低。因此，要维持高ROIC，必须要有牢固的护城河，也就是持续的竞争优势。

但我们也需要做到区分真假护城河。有一些似是而非的竞争优势看起来好像是护城河，比如优质的产品、高额的市场份额、卓越的管理。过硬的品质是必要条件而非充分条件，也许在耐用消费品和工业品行业这是个重要的优势，但是在某些领域比如快速消费品，优质似乎很难定量评价，品牌和价格好像更重要；高的市场份额大多数时候会拥有规模优势，但是份额是个结果，并非一成不变，更不是护城河本身，否则我们20年来在工程机械等领域的国产替代根本无从谈起；赛道和马匹比骑师重要，管理者不是不重要，但是管理水平更多是后验，我们“很少在商业媒体上看到‘未来十年管理奇才’的预测”。真正的护城河是竞争对手难以复制的竞争优势。比如无形资产、转换成本、网络效应、成本优势、规模优势。护城河也并不是一成不变的，而是需要动态跟踪的。

护城河并不是一成不变的，而是变化的，是需要持续跟踪和评估的。技术进步可能使得之前的护城河荡然无存，柯达的陨落、互联网对渠道的变更，都是鲜活的案例。国家比较优势对护城河的侵蚀是非常厉害的，诚实管理层积累多年的精细管理造就的成本优势，在劳动力、资源禀赋面前可能不堪一击，记得巴菲特说曾经买过一家制鞋厂，管理层勤奋靠谱，成本控制能力很强，巴菲特买的时候还特别注重安全边际，对价大概是净资产的一半，最后这家鞋厂还是被Made In China撕得粉碎，最终破产。盲目往没有竞争优势的领域扩张，是一种破坏性增长，是削弱企业专注力和竞争力的。

护城河似乎也是有基因的：有些行业天生赚钱，有些行业注定屌丝。比如软件、金融、医疗行业利润率一直就很高，大多数硬件行业的赚钱效应就很差。用ROAROEROIC这几个指标来评价企业的盈利能力，容易发现赚钱的行业，当然，如果有一个行业能够像前文中的格力电器一样，投资回报率持续提升，那自然是更好不过了。

投资就是要长期投资于具备壁垒的最能赚钱的行业，而不是往那些需要辛苦挣扎也不知道鹿死谁手的行业中去投资。还是格力电器的例子，从后验的角度格力对我们而言是市场选出的幸存者，但是我们如果在1997年面对几百家空调企业，谁能保证我们就能选出格力美的呢，所以那会儿投空调行业可能就是在跨七尺的栏杆，但是2005年之后格局已经足够清晰，这会儿的栏杆就只有一尺了。中国的市场足够大，并没有必要非要赚从0到1的钱，从1到10有足够的空间获得风险更低、确定性更强的回报。

长期而言，结构性的竞争态势比高人一等的经营决策更为重要，因此要投资于强大的业务，而不是强大的团队。巴菲特说“当一个声名赫赫的管理者去应对一个内忧外患的企业，留下的往往是企业的坏名声”。

当然，管理者并不是不重要，很多上市公司的例子都说明，把时间拉长来看，管理者靠谱的企业比那些不靠谱的企业好太多。

企业价值是未来现金流的现值。面对这些具备护城河的优秀企业，要投资而不要投机：考虑企业值多少钱，而不是能不能涨，两者看似一样的结果，实则不同的过程。

同样是赚钱，结果好就行了，过程重要吗？如果我们身边的一个人2016年赚了1个亿，乍一听感觉太牛了。但是如果告诉你这人赚钱是打赌赢的，赌注是在可以装6发子弹的手枪中放4发子弹，然后对自己开枪，如果没有被打死就赢1个亿，这样还会觉得这人牛吗？过程重要吗？对于把投资作为职业生涯的人来说，过程的重要性在于其必须具有可复制性。

企业的本质是为了赚钱，PE估值是核心方法。其他几种估值方法最终都需要转化为PE，无风险利率是企业运作的机会成本，PE的倒数与无风险利率作比较，大致能够得到企业的合理价值区间。高资本回报率的增长优于低资本回报率的增长。

买错了，犯了错误；基本面发生变化，买入的理由不再；公司的股价上涨以至于远超其内在价值或者风险收益比大幅下降，比如07年茅台的70倍，虽然至今仍然涨了超过1倍，没有造成本金的永久性损失，但是那个时候的风险收益比明显不高；还有其他风险收益比更好的标的；看不清楚情况下止损卖出，降低风险，等看清楚了再买回来不迟。

要设定合理的投资目标：盈亏同源，先看风险，再看收益。足球圈有句名言：“赢球靠进攻，夺冠靠防守”，所以现代足球发展至今，后卫一般是4-5个，前锋是2-3个。而在投资界“一年一倍者众，五年一倍者寡”，控制了风险，才能有收益。截至2019年，晨星数据库中的5500多家基金中，只有24家非行业基金在15年时间内实现了15%的年均回报，因此持续年化15%的回报率已是人中龙凤了，这还是在持续上涨的美国市场。一年时间10万炒股到4个亿的故事很美好，做梦的时候梦到挺好，但如果这么定投资目标，那应该先去趟医院精神病科。

独立思考，不要盲目从众。只有建立在独立思考之上的深入理解，才能够避免涨了拿不住，跌了不敢加的情况。

耐心等待。好公司也不是无价的，耐心等待合适的介入位置，这就是安全边际，一方面可以降低投资失误的损失，另一方面增加投资成功之后的收益率。投资中的风险控制就像足球中的防守，防守最重要的是不要丢掉位置，如果防守球员身后大片空档，在没有十足把握的情况下再激进上抢，进攻队员起码有10种方式突破防守，比如传球给3秒后的自己。投资中最重要的是不要买高估的资产从而造成本金永久性损失的风险，否则一次所谓的股灾就能把虚高的股价打回原形，将风险变为损失，估值本身是重要的安全边际。罗马不是一天建成，买入好公司之后也需要耐心等待股价反映公司的成长或者修复，正如有了正确的技战术套路也不可能保证在充满各种偶然性的足球比赛中每场都取得胜利，投资亦然。

翻译1The high-volume return premium（后附读后感）（图表上传不了）相关推荐

已知一个掺杂了多个数字字符的中文名拼音，去掉所有数字字符之后，形式为“名”+空格+“姓”；并且名和姓的首字母大写，其他小写，要求输出姓名全拼，且全为小写。（后附详细样例说明）
已知一个掺杂了多个数字字符的中文名拼音,去掉所有数字字符之后,形式为"名"+空格+"姓":并且名和姓的首字母大写,其他小写,要求输出姓名全拼,且全为小写.(后附 ...
2021-10-24阳光分班之随机分班（后附源码）
阳光分班之随机分班(后附源码) 思想:人选班按学号开始选班用初始可选择班级号(22) 学生学号随机选择22个班中的一个装满一个班移除一个然后循环直至列表为空目的: 齐齐哈尔市28中目前是阳光 ...
剪映英文字幕翻译成中文的最新方法（附字幕翻译工具2.0）
点击上方"优派编程"选择"加入星标",第一时间关注原创干货剪映英文字幕翻译成中文的最新方法(附字幕翻译工具2.0) https://www.fang1688. ...
推荐技术简历撰写指南（后附模板）
ninechapter 美帝代码搬运工,资深面试官,微信公众号-九章算法(ninechapter) 26 人赞同了该回答推荐技术简历撰写指南(后附模板) 一.命名上将文档命名为"简历&q ...
东软始业教育内容提纲（2020）（后附题目)
东软始业教育内容提纲(后附题目) --2020年8月修正版加油! 写在前面: 至各位兄弟姐妹,希望大家都能顺利通过! 有些题目略微有些变动,总体内容不变.后面的题目绝大多数都在列了,剩余的注意搜索关 ...
浅析M-lag技术（后附华为交换机配置命令）
M-lag技术 M-lag的定义 M-lag(Multichassis Link Aggregation Group),即跨设备链路聚合组,是一种实现跨设备链路聚合的机制.其将一台设备与另外两台设备进 ...
图像形态学（opencv），运行后通过在屏幕上输入对应指令完成相对应的形态学方法。
图像形态学 1.开操作(MORPH_OPEN) 结果图类似腐蚀图先腐蚀后膨胀的过程,开操作可以帮助消除图像中的小的干扰区域,并且在平滑较大物体的边界的同时不明显改变其面积. 2.闭操作(MORPH_ ...
EasyUI Form提交后json数据IE上需要下载（转）
EasyUI Form提交后json数据IE上需要下载(转) 在使用EasyUI的form中的submit方法时,返回json在IE中变成提示下载的问题,代码如下: $('#fileForm').fo ...
java中登陆界面怎么连接到下一个界面啊_JavaWeb登陆成功后跳转到上一个页面
JavaWeb登陆成功后跳转到上一个页面,这个标题注定要词不达意,你可能会遇到这样的情形,当点击页面的某个请求时,由于用户未登录,需要跳转到登录页,用户登录成功后,再跳转到上一个页面:还有一种情况,多 ...

翻译1The high-volume return premium（后附读后感）（图表上传不了）

翻译1The high-volume return premium（后附读后感）（图表上传不了）相关推荐

最新文章

热门文章