实地调研现场调研中国-a股深交所信息获取错误定价盈余公告后漂移机构投资者公募基金新冠冲击

So, Wang & Zhang (2024) — 投资者实地调研与可预测收益

作者: Eric C. So(麻省理工斯隆管理学院)、王荣飞(上海 Aitopia AI Technology,中文名待考)、张然(通讯作者,中国人民大学商学院)。 发表: Journal of Financial and Quantitative Analysis (JFQA),2025 年第 60 卷第 6 期(2615–2648 页),DOI 10.1017/S0022109024000528;本仓库收录的是 2024 年 8 月的工作论文版本。

一句话核心

把深交所(SZSE)上市公司过去 3 个月接待的机构实地调研次数对市值、换手率、动量、ROA做月度截面回归,取残差定义为 AIV(异常机构调研信号,Abnormal Investor Visits),它能预测未来 1 个月 65–114 个基点的截面收益,在 Fama-French 五因子调整后依然显著,信号持续 6–10 个月,且最集中在低成交量的"被忽视"个股——这些个股随后往往发布正向盈余惊喜。

为什么值得收录

本 wiki 大多数 A 股 alpha 页面都基于价格、基本面或文本数据。这篇论文用的是一种非价格的、可观测的资源配置信号——机构资金实际花多少小时飞到一家公司总部。深交所强制两日内披露,使它成为免费、point-in-time 的另类数据流:约 88.9% 的调研在 2 日内公开。

机制(对错误定价公司进行"昂贵尽调")与 Lee & So (2017) 的分析师覆盖异常 A_{TOT} 以及 Cheng et al. (2019) 的事件窗市场反应都不重叠。对量化从业者,这是一个干净的截面因子,有清晰的行为金融故事支撑,且不会被信息风险或价格压力解释掉。

数据与样本

  • 范围: 深交所上市公司,2012 年 7 月 – 2019 年 12 月;COVID 部分将样本延长至 2021 年 12 月。
  • 108,874 个 firm-month 观测,来自 CSMAR 的调研、行情、基本面三类数据。
  • 调研必须在两个交易日内通过深交所"互动易"平台(irm.cninfo.com.cn/szse/)公开。剔除新闻发布会、路演、电话 / 视频 / 邮件沟通;仅保留有至少一家机构投资者(公募或私募)参与的调研;卖方分析师独自参与的调研作为控制变量单独保留。
  • 一次调研的参与机构数中位数为 4 家、平均约 13 家;~77% 的公募调研发生在基金建仓之前("non-holder visits"),说明实地调研是尽调工具而非投后维护。

变量构造

对个股 i 和日历月 m,先计算 \text{LNVISIT}_{im} = \log(1 + \text{过去 3 个月调研次数}),再每月做截面回归:

\text{LNVISIT}_{im} = \alpha_m + \beta_1 \text{SIZE}_{im} + \beta_2 \text{TURN}_{im} + \beta_3 \text{MOMEN}_{im} + \beta_4 \text{ROA}_{im} + \varepsilon_{im}

其中 SIZE = log(流通市值,百万元);TURN = 过去 12 个月平均换手率;MOMEN = 过去 12 个月累计收益;ROA = 营业利润 / 总资产。所有变量月度截面 1% / 99% 缩尾。残差 \varepsilon_{im} 即 AIV 信号(异常机构调研数)。

头部实证结果(原文 Table 2)

按 AIV 月末分五档,Q5 − Q1 的日历时间组合收益:

加权 原始 市场调整 DGTW 调整 FF5 α(月度)
等权 1.14% (t=5.52) 1.14% (t=5.52) 0.66% (t=4.92) 1.02% (t=7.86)
市值加权 0.65% (t=2.92) 0.65% (t=2.92) 0.39% (t=2.64) 0.71% (t=3.84)

年化:等权约 13.7%、市值加权约 7.8%(原始)。滞后 AIV 在 EW 下能预测 10 个月、在 VW 下预测 6 个月的收益,不发生反转——这与"瞬时价格压力随后反转"的解释不一致。

截面切片:alpha 在哪里更显著

AIV 收益在以下情形更强:

  • 公司被市场忽视——低分析师覆盖、低机构持股、近期亏损、小市值,Table 5 Panel B 四个交互项均显著为正。
  • 成交量低——Table 6:做多高 AIV + 低异常换手,做空低 AIV + 高异常换手,DGTW α ≈ 1.49% / 月,约为无条件策略的 2 倍。
  • 机构调研成本更高——Table 5 Panel A:对"非持仓基金"调研、"首次"调研(过去 6 个月内未调研过)、用百度地图 API 计算的行程时间高于中位数的调研,alpha 更大。
  • 公开关注度低——与分析师修正、媒体 / 分析师关注度的交互项显著为负。

AIV 收益不被以下因素吸收:

  • 标准控制(市值、B/M、动量、盈利、资产增长、换手率、反转)——Table 3 列 3,AIV t > 3。
  • 异常分析师覆盖(Lee & So 2017 的 A_{TOT})——Table 3 列 3–4。
  • 调研事件窗平均收益(Cheng et al. 2019 的 AVG_SAR)——Table 3 列 4。
  • 滞后 / 当期 / 未来 基金持仓——Table 3 列 5–7;列 7 甚至引入"未来持仓变化"作为故意的 look-ahead 控制,AIV 仍显著。
  • 卖方调研——Table 3 列 8:AIV_NOFUND(无基金参与的异常调研)无增量预测力。
  • 信息风险(VPIN、买卖价差)——网络附录 A1,二者与 AIV 负相关。

机制:alpha 来自盈余公告,不是拥挤交易

AIV 预测未来盈余消息(Table 7):

  • 对 SUE(标准化意外盈余)、SAR(盈余公告日规模调整收益)、FE(分析师预测误差)、REV(分析师修正)四个指标均显著为正。
  • 盈余公告日的 AIV 策略收益是非公告日的 3.6–4 倍;未来 6 个月累计原始收益中,2.9% 由下一盈余公告日一天贡献。

AIV 先于机构买入(Table 8):

  • AIV 越高,被调研公司未来的公募持股比例(ΔHOLDPCT_FUT)上升越大。
  • 按"是否参与调研"拆解:调研方基金在 AIV 高时增持,未调研方基金反而减持——信号确实通过交易资本化进价格,但交易集中在知情访客手中。

基金层面 alpha(Table 9):

  • 实地调研越多的基金,Carhart 4 因子 α 越高(LNVISIT_FUND 在 7 个回归中都显著为正)。
  • 新冠期间,调研密集型基金受到不成比例的打击:SiteVisit_Intensity × postFeb2020 显著为负。

在线调研呢?

2020 年 Q1 之后,约 50% 的"调研"转为线上。线上 AIV 完全没有预测力——直接支持"昂贵信息假说":调研的价值在于到场,而非视频通话。

局限与待研究问题

  • 仅限深交所样本。上交所无同日披露要求,无法复制;美国 / 欧洲也缺乏强制披露,相关文献(Soltes 2014、Solomon & Soltes 2015)都是小样本 / 单公司。
  • 信号公开披露,论文发布后必然有衰减与拥挤风险。样本止于 2019 年 12 月,任何 OOS 测试(2020 年起)都要处理新冠与"线上化"两个混淆。
  • 无交易成本层。AIV Q5−Q1 组合的换手率、A 股双边佣金 + 冲击 + 印花税都没有建模;真实 Sharpe / 扣费后 alpha 仍待量化。
  • 纯截面——未与 时间序列动量 或 截面动量 比较或叠加。
  • "异常"定义刻意精简(4 个控制)。加入行业、地理聚类、机构覆盖固定效应可能改变信号,但不是论文的核心问题。

与本 wiki 其他页面的连接

  • 截面动量——Jegadeesh-Titman 动量是价格导出的截面信号;AIV 是行为 / 资源配置导出的截面信号。两者都"做多赢家、做空输家";AIV 的"赢家"是机构主动选择花时间的公司。
  • 盈余公告后漂移(PEAD——PEAD 风格的"收益集中在公告日"分解在这里也成立,但错误定价的根源在上游:机构在公告前就做了功课。
  • 投资者关注度——Da-Engelberg-Gao、Ben-Rephael-Da-Israelsen 用 Bloomberg / EDGAR / Google 搜索;AIV 用披露的实地访问。比网络关注更贵,也更强。
  • 昂贵信息获取——Crane-Crotty-Umar (2023) 关于对冲基金信息获取的结论是宏观对应物;AIV 是更细颗粒的、个股层面的对应物。
  • 被忽视股票——A 股的"被忽视"以低成交量 / 低覆盖 / 低持股定义,这正是 AIV 表现最好的地方。与 Hong-Lim-Stein (2000) "坏消息传得慢"相连。

交叉引用