Parsons, Sabbatucci & Titman (2016/2018) — 地理引线-滞后效应

作者: Christopher A. Parsons(华盛顿大学福斯特商学院)、Riccardo Sabbatucci(斯德哥尔摩经济学院)、Sheridan Titman(德克萨斯大学奥斯汀麦库姆斯商学院)。版本: SSRN 2780139, "This version: September 11, 2018"(最初投稿 2016-05; 2018-09 为最后一次主要修订版)。 发表期刊: 原文未说明投稿去向, 是一份 SSRN 工作论文 (SSRN 2780139); 本页内容只对应 2018-09-11 这一版。

一句话核心

利用总部所在经济区域 (BEA Economic Area) 而非 SIC 行业对美股 (NYSE/NASDAQ/AMEX, 1970-2013) 排序, 发现总部同城但跨行业的股票之间存在显著的月度引线-滞后 (lead-lag): 高 quintile 比低 quintile 多赚约 42 bp/月, FF-5 alpha 同样 42 bp, Sharpe 0.53。地理 lead-lag 约为行业 lead-lag 的 1/3 到 1/2, 且几乎不随分析师覆盖、规模、成交量而衰减——这一点与 Cross-Sectional Momentum 行业 lead-lag 强烈集中在小盘/低覆盖形成鲜明对比。

论文的理论骨架

3 时期 × 3 公司的小模型, 中心思想不是"分析师多 → 价格有效", 而是"两位分析师共同覆盖某对公司"是关键。

每个覆盖 i 的分析师 n 报告可能包含以下四种之一:

r_n \in \{\{\pi_j, \pi_k\}, \{\pi_j\}, \{\pi_k\}, \{\}\} 即同行业 peer j 的利润 \pi_j、同地理 peer k 的利润 \pi_k, 任意一个、都不报告。在 N 个独立分析师下, 至少一个分析师报出 \pi_j 的概率为 p_j(N) = 1 - (1 - y)^N, \quad p_k(N) = 1 - (1 - x - z)^N关键假设:分析师按行业专业化, 跨行业概率 x, z \approx 0, 因此

p_k(N) \approx 0 \text{ 且 } \frac{\partial p_k}{\partial N} \approx 0 由此推得 Proposition 1: lead-lag 强度 1. 随信息被报道的概率 p 上升而下降; 2. 随冲击方差 \sigma 上升而上升。但行业 lead-lag 的 p_j(N) 随 N 强递增(覆盖 i 多了自然覆盖 j); 地理 lead-lag 的 p_k(N) 几乎不随 N 变, 这就是为什么地理 lead-lag 在大市值/高分析师覆盖样本中仍显著, 而行业 lead-lag 集中在"被忽视股"。实证前提(第 3.2 节)有二: - 同一经济区域内的公司基本面在行业调整后仍显著同涨同跌 (Pirinsky-Wang 2006 同类证据); - 实际数据中, 跨行业 geographic peer 之间的共同分析师重叠几乎为零 (2013 年覆盖 Costco 的 12 位分析师中, 没有一位同时覆盖同城 Amazon)。 ## 实证设计样本: NYSE/NASDAQ/AMEX 国内普通股, 1970-2013, 仅保留总部位于前 20 大 BEA Economic Area 的公司。区域用 COMPUSTAT 的 ADDZIP 映射, 行业用月度 Fama-French 12 行业。预测回归(Fama-MacBeth): r_{i,c,j,t+1} = \alpha + \beta_1 r_{c,\notin j,t} + \beta_2 r_{\notin C,j,t} + \beta_3 X_t + \varepsilon_{i,c,j,t+1}

r_{c, \notin j, t}:同城但跨行业 peer 的等权滞后收益(测地理 lead-lag);
r_{\notin C, j, t}:同行业但总部在本文 20 个城市之外的 peer 等权滞后收益(测行业 lead-lag)。原文脚注 16 说明: 若改用"同行业、位于其余 19 城"的组合, \beta_1/\beta_2 估计几乎不变 (Appendix Table A1);
控制变量: 自身 1 月滞后收益、12 月动量、规模、B/M、成交量、毛利率、资产增长、机构持股。

主要结果(Table 4):

1 月滞后: 行业 \beta_2 = 0.17 (t = 9.85), 地理 \beta_1 = 0.05 (t = 4.12) —— 地理 lead-lag 大约是行业的 1/3。
跨滞后分布, 1 月 lag 占行业总效应的 50%, 但仅占地理总效应的 20% —— 地理信息被市场消化更慢, 12 个月内没有反转。
地理 lead-lag 在 1970-1990 与 1991-2013 两个子样本都显著, 但近 20 年略有减弱, 与行业 lead-lag 强度稳定形成对比(暗含行业 lead-lag 由持续未消除的小盘套利限制支撑)。

交易利润(Table 6)

按"同区域 peer 上月收益"五分位排序, 价值加权, 月度调仓:

Q1(最差邻居): 月均收益 74 bp, FF-5 alpha = -20 bp, Sharpe 0.2;
Q5(最好邻居): 月均收益 116 bp, FF-5 alpha = +22 bp (t = 2.71), Sharpe 0.53;
Q5-Q1 spread: 42 bp/月, t = 3.65; FF-5 alpha spread 42 bp, t = 3.32; Carhart 4-factor alpha 几乎不变。

将策略限定在 20% 最大市值内收益几乎一致(Appendix A3), 说明该 alpha 不依赖小盘风险敞口。

分析师覆盖、规模、成交量的横截面(Table 7 + Figure 6)

把滞后股按"自身分析师数"分四组:

行业 lead-lag: 0 分析师组 \beta_2 = 0.23 → 10+ 分析师组 \beta_2 = 0.051, 第 1 组 vs 第 4 组 p < 0.01;
地理 lead-lag: 0 分析师组 \beta_1 = 0.052, 10+ 组 \beta_1 = 0.054, 几乎无差异(p = 0.60)。

按市值与成交量的子样本重复出同样 pattern: 行业 lead-lag 在大/活跃股票中显著衰减, 地理 lead-lag 几乎不变, 而且成交量最高的 quartile 地理 lead-lag 最大。

进一步(Table 8), 把 lead-lag 对"与 i 通过共同分析师相连的 peer 数"做交互: 行业 lead-lag 与共同覆盖数负相关(覆盖越多价格同步反应越快), 地理 lead-lag 在共同覆盖接近 0 的情况下, 交互项无法被识别。

稳健性

HQ 误分类 (Table 9): 随机打乱 1%/5% 头部城市对结果几乎无影响, 10% 影响温和, 20% 系数下降 1/3 仍显著。
García-Norli (2012) 地理集中度 (Table 10): 在小公司子样本中, 年报提及州数少(即集中度高) 的公司地理 lead-lag 系数 0.118 (t = 4.08), 集中度低的 0.066 (t = 2.20) —— 相差近 2 倍, 但差异在常规显著性水平下不显著; 全样本为 0.087 对 0.047。原文另报告: 以提及州数与城市组合滞后收益交互的回归 p < 0.03。
Panel + firm/date 双 cluster (Table 11): 1 月地理 lead-lag 系数 0.064(t = 4.07), 与 Fama-MacBeth 一致; 12 月后仍显著。
隔 1 月建仓 (Table 12): 1 月 horizon 下系数从 0.049 降至 0.033, 仍 t = 3.19。
价值加权 peer 组合 (Table 13): 系数下降 30-40% 但仍显著 —— 等权更接近"区域经济基本面"信号。
控制客户-供应商关系 (Table 14, Cohen-Frazzini 2008): 样本损失 98% 但地理 lead-lag 仍显著。

为什么值得收录

机制新颖: lead-lag 文献 (Moskowitz-Grinblatt 1999; Hou 2007; Chordia-Swaminathan 2000) 几乎都把 alpha 归因于"小盘/低覆盖", 这篇是少数用总部地理 + 分析师组织结构得到独立 lead-lag 的工作, 且不随小盘特征衰减。
量化含义: 提供一个清晰、经济可解释的额外信号——若在 Cross-Sectional Momentum 基础上叠加"同区域跨行业 peer 滞后收益"组合, 可对冲行业因子的 \beta_2 衰减风险; 而不靠小盘/价值暴露, 与机构多因子组合正交。
可拓展到 A 股: 总部在地级市 + 申万一级行业的二维分组是国内尚未充分挖掘的 lead-lag 结构; A 股行业分析师也按行业而非地域分配, 该论文的"分析师重叠 → 信息扩散"机制可移植, 详见 Open Questions 中的待验证假设。
理论+实证闭环: 3 时期模型的 Proposition 1 直接对应到回归系数 p、\sigma 的分解, 是 Wiki 当前唯一一份把 lead-lag 直接绑定到"分析师联合覆盖结构"上的工作, 可被 Investor Attention 与 Costly Information Acquisition 概念页交叉引用。

局限

仅头部 20 城市 + 12 行业的宽分类, 不直接可迁移到中小盘;
COMPUSTAT ADDZIP 是当下总部, 跨期迁移公司可能错配 (论文 5.1 节量化了对系数的下偏效应);
价值加权组合下系数 30-40% 缩小, 提示 "等权区域组合" 才逼近基本面信号, 实施时需注意容量;
没有"分析师为何按行业而非地域分配"的微观结构解释, 模型视作外生给定。

Open Questions

A 股若按"同地级市 + 申万一级行业"二维做 lead-lag, 收益结构是否复制美股 pattern? 卖方研究部按行业组下设行业组, 跨行业覆盖同城的概率与美股类似吗?
区域动量对收益的预测在 1991-2013 子样本减弱约 20% (地理系数 0.056 → 0.044, Table 4 Panel A; 同期行业系数反而从 0.169 升到 0.179), 是否对应"信息效率随时代提升"还是"被动指数/ETF 增长稀释了 alpha"?
当 peer 公司的"共同覆盖"非零 (例如大咨询机构对相邻行业的覆盖) 时, 地理 lead-lag 是否会与行业 lead-lag 收敛? 这在跨集团咨询/IT 服务高度集中的城市尤其值得测。