研究背景与假设 [page::3]

• 动量效应源自市场错误定价，由基本面投资者反应不足导致。

- Hong & Stein行为模型启发，分析师的预测拟合信息观察者的预期，构建APU指标捕捉反应不足。

APU指标构建及统计特征 [page::5][page::6]

• 采用滚动60月窗口两步回归，解释变量包括分析师修正、过去12个月收益、盈利惊喜。

- APU均值为-0.022，中位数-0.016，显示统计显著的反应不足特征。

APU的预测能力分析 [page::6][page::7][page::8]

• APU正向预测分析师修正和预测误差，系数显著且稳健。

- 通过投资组合分组排序，APU多空组合月均超额收益为1.19%，控制多种资产定价模型后依然显著。

• APU与传统动量及盈利动量存在正交信息，排除仅为异象的重新包装。

替代估计与稳健性验证 [page::10][page::11][page::12]

• 替代反应不足指标和去除盈利惊喜的APU构造依然保持较强预测力。

- 反应过度变量不能预测股票收益，支持反应不足驱动动量效应的观点。

动量反转与行为机制验证 [page::13][page::14]

• APU排序的多空组合展现明显的长期收益反转，符合Hong & Stein模型中基本面投资者反应不足与动量交易者行为的互动机制。

反应不足因子GMB构建与绩效 [page::14][page::15][page::16]

| 投资组合 | Small Low APU | Big Low APU | Small High APU | Big High APU | GMB 因子 |
|-----------------|--------------|------------|--------------|------------|------------|
| 超额收益(%) | 0.751 | 0.682 | 1.677 | 1.321 | 0.782 |
| t统计量 | [1.91] | [2.01] | [5.11] | [5.08] | [3.25] |
| 标准差 | 8.384 | 7.262 | 7.008 | 5.549 | 5.140 |

• GMB因子基于APU与市值双重排序构建，月均收益0.782%，夏普比率显著优于传统动量因子。

- 张成测试表明GMB包含了MOM因子的解释力，且自身能额外解释收益，MOM不能对GMB解释力，说明收益动量未完全涵盖反应不足效应。

资产定价模型表现及解释力提升 [page::16]

• 包含GMB后，FF5+GMB组合能更好地解释205个收益预测异象，GRS检验值显著下降，模型拟合优于传统FF5或FF6。

- GMB因子弥补了传统动量因子解释力不足的缺陷，是更有效的行为金融动量因子。

金融研究报告详尽分析报告

报告标题：分析师反应不足和动量策略——“学海拾珠”系列之一百一十一
报告机构：华安证券研究所
报告日期：2022-10-12
主要分析师：炜、吴正宇
分析对象：金融市场中分析师反应不足现象及其对动量策略的影响，特别聚焦美国股市数据，涉及行为金融理论和动量投资实践。

---

1. 元数据与概览

本报告作为“学海拾珠”系列中的第111篇，以分析师反应不足（Analysts’ Underreaction，简称APU）为核心变量，探讨了动量效应的内在驱动力来源。研究基于行为金融中的Hong和Stein(1999)模型，提出APU指标来衡量分析师对基本面信息的反应不足，验证APU对股票横截面收益的预测效力及对动量和收益反转现象的解释力。报告强调APU不仅可以作为动量投资的新预测因子，还能更好捕捉基本面投资者的反应迟缓机制，进而揭示动量效应的生成过程。
整体论点指向：动量效应源自为基本面投资者的反应不足所驱动的误差定价，而分析师的预测错误（APU）成为反应不足的有效代理。核心贡献是提出反应不足因子GMB，证明其对资产定价模型及多达205个预测因子的解释能力优于传统动量因子（MOM）。本报告强调，APU不是动量的简单重包装，而是从行为理论视角具有独立解释力的风险调整收益来源。[page::0,3,16,17]

---

2. 逐节深度解读

2.1 引言（第3页）

报告开篇回顾动量策略的学术背景，强调动量效应缺乏统一合理解释。引入香港和Stein(HS)模型，区分基本面信息观察者和动量交易者两类主体：基本面观察者基于非公开信息且逐步扩散，反应不足导致信息延迟反映；而动量交易者基于近期收益趋势交易，推动价格偏离均衡，形成价格过度波动及后续的反转。
作者聚焦于利用分析师预测作为代理变量，认为分析师预测反映了基本面信息观察者的市场预期，从而构造了APU指标。APU通过两阶段回归利用分析师误差和相关变量（分析师修正、历史收益和盈利惊喜）估计，进而预测未来12个月内的反应不足水平。实证发现APU显著预测股票横截面收益，超额收益达到每月1.19%，且控制诸多风险因子后依然显著。报告还特别指出APU在盈利公告日的预测能力明显增强（约6.5倍），且与传统动量、盈利动量指标存在正交信息。
整体思路为以行为金融理论为基础，利用行为代理变量解释动量策略的实证表现。[page::3]

2.2 数据和方法（第4-6页）

报告样本涵盖1977年至2020年间在NYSE、AMEX、NASDAQ上市公司，数据涵盖了分析师预测、历史收益和盈利公告等多维度信息。APU构建方法基于HS模型，将分析师误差拆分为反应不足、反应过度和应计部分，重点构建反应不足代理变量。
两步回归细节：

• 第一步回归：利用60个月滚动样本以分析师误差为因变量，回归分析师修正、过去12个月收益、盈利惊喜三个解释变量（均经缩尾处理以缓解极端值影响）。回归系数随时间变化（见图1），表现出阶段性的权重变动。

- 第二步回归：利用第一阶段估计的系数，乘以当前解释变量，预测未来一年（t+12个月）企业预测误差，即APU指标。
统计数据（表2）显示APU、分析师误差和修正均有显著的负均值，意味着普遍存在分析师盈利预测偏差。APU与分析师修正、盈利惊喜和历史收益均呈正相关，支持作者的反应不足假设。APU与事后分析师误差的相关系数为0.344，说明部分盈利惊喜归因于反应不足信息的扩散过程。[page::4,5,6]

2.3 分析师反应不足、修正和预测误差（第6-7页）

该章节验证APU的预测能力，利用Fama-MacBeth回归分析APU对未来1-3个月分析师修正及未来预测误差的预测效果。结果表明，APU显著正向预测分析师修正和误差，且在控制基本面特征后，APU的系数依然保持显著，说明APU有效捕捉了基本面投资者的反应不足信号，而非基本面本身信息。
表3进一步检验APU对投资组合超额收益的预测性能，排序后的(10-1)多空组合的市值加权超额收益达1.19%（t-stat=3.51）。风险调整后，APU仍在多种资产定价模型下保持正alpha，包括CAPM、Fama-French三因子、五因子、六因子及七因子模型，表明动量因子MOM无法完全解释APU的预测能力。8因子模型加入超预期盈利(SUE)依然保持APU的显著性，指出APU包含历史收益与盈利动量之外的独立经济信息。[page::6,7,8]

2.4 对APU是否是异象重包装的考察（第8-10页）

为排除APU只是分析师修正、历史收益和盈利惊喜等因子的机械组合问题，作者进行了多重替代指标测试和张成检验。

• Fama-MacBeth回归（表4）显示APU与收益动量和盈利动量存在正交性，即APU捕捉了不同的收益预测信息。

- 通过两步回归预测收益的方法发现单独用分析师修正、盈利惊喜和历史收益不能替代APU预测收益功能，证明APU非简单线性组合。

• 张成检验结果（图表7）进一步确认APU包含所有主流动量预测变量信息，且在控制APU后其他变量失去预测能力。

- 替代估计（表8）如不含盈利惊喜版本的APU依然稳健，预测能力甚至更强，表明APU核心信号的鲁棒性。
综合结果确认APU作为一个行为代理变量在捕捉分析师反应不足方面具有扎实的理论与实证基础。[page::8,9,10,11]

2.5 分析师反应过度与股票收益（第12-13页）

分析师反应过度变量虽然可以预测分析师预测误差，但没有呈现出解释股票横截面收益的能力。
具体地，反应过度估计基于Hughes(2008)和Jegadeesh(2004)多维指标构建，尽管能解释预测误差，但对应的基于反应过度变量排序的多空组合收益不显著。
因此，符合HS模型核心假设：市场动量主要由基本面投资者的初期反应不足驱动，而非反应过度导致的价格漂移。
这一章有效排除了反应过度影响动量的可能性，强化了APU的反应不足属性。[page::12,13]

2.6 动量、盈利公告日与收益反转（第13-14页）

基于HS模型，基本面信息的逐步扩散和信息观察者反应不足使得动量效应更加明显。
实证方面，作者分析了APU在盈利公告日前后的表现，发现在公告日APU驱动的超额收益显著提高至6.5倍，契合信息集中释放带来的价格异象。
进一步考察反应不足（APU）排序的多空投资组合平均累计超额收益曲线（图10）揭示，其在前11个月收益递增达到峰值后出现持续反转，随后再次回升，形成多次反转和反应过度的典型动量收益模式。
该表现与HS模型对动量与反转现象的理论预测高度吻合，证实APU能够精细揭示价格动态过程。[page::13,14]

2.7 反应不足因子GMB（第14-17页）

作者提出了GMB因子，将APU和市值双重排序构建成一个基于反应不足的因子，旨在提升解释力及收益优势。
核心发现包括：

• GMB因子的平均月度超额收益为0.782%，标准差5.14%，显著优于传统动量因子MOM的0.488%。

- 小市值股票中反应不足效应更明显，符合信息扩散缓慢理论。

• 张成检验表明，GMB对MOM、FF3、FF5、FF6、7FM等多模型全包含，且MOM无法解释GMB的alpha，说明GMB所携带信息更广泛。

- 在205个收益预测因子检验中，包含GMB的FF5模型表现最佳，拥有最低的GRS统计和平均alpha，表明其对市场横截面收益具有较优的解释力。
该部分为报告的估值和实证核心，提供新工具解释动量策略，推动行为资产定价理论与实证研究结合。[page::14,15,16]

2.8 总结（第16-17页）

报告总结了APU和GMB因子在动量策略研究中的角色和贡献，确认：

• 分析师反应不足催生了动量效应这一关键机制，APU可以有效度量市场的反应不足程度，超越历史收益为基础的动量测度。

- GMB因子 从资产定价角度补充了现有因子体系，解释了传统动量因子无法覆盖的部分信息，有效提升模型解释力和预期收益预测准确度。

• 研究切合行为金融的理论框架，为今后基于行为代理变量的资产定价研究提供范式。

- 最终结论为：动量效应根源于基本面投资者反应不足及由此产生的错误定价，动量交易者的行为加剧了价格偏离的幅度，形成动量及反转的市场表现。
风险提示明确说明本文基于历史数据和海外文献总结，不构成投资建议。[page::16,17]

---

3. 关键图表深度解读

图表1（第5页）：1981年12月至2019年12月第一阶段回归系数动态

该图表反映了三大解释变量（分析师修正、盈利惊喜、历史收益）的回归系数随时间的变化趋势。

• 分析师修正（实线）系数占主导地位，表现出明显的周期性波动，反映市场和分析师行为随时间变化。

- 盈利惊喜和历史收益的系数波动相对较小，表明它们对预测的影响相对稳定但较弱。
该动态系数支持了两步回归方法的合理性及其针对不同信息源权重的动态调整能力。
[page::5]

图表2（第6页）：描述性统计量和相关性矩阵

• 描述统计中，APU的均值为-0.022，标准差0.042，表明反应不足在样本内广泛存在且存在适度波动。

- 关键相关系数，APU与分析师修正0.746，分析师误差0.344，表明APU与分析师修正高度相关，且反应不足信号显著。

• 历史收益和盈利惊喜与APU相关系数均为约0.5，印证APU有效整合了这些预测信息。

该图表数据验证了APU构造的合理性和内在相关机制。[page::6]

图表3（第7页）：分析师反应不足对分析师修正的预测回归系数

该表涵盖1个月、2个月、3个月观察期的多元回归结果，APU在所有回归中均显著为正，t值大多超过20，表明APU是分析师修正的强力预测因子。
控制变量包括公司规模、市账比、盈利性、资产增长等，APU的显著性不因控制变量而削弱，说明其独立性和稳健性。
此表体现APU作为行为变量的实证有效性，为后续预测股票收益打下基础。[page::7]

图表4（第9页）：APU按十等分投资组合收益及多因子风险调整alpha

• 投资组合超额收益递增，从底部0.26%升至顶部1.45%，多空组合收益1.19%，显著且经济意义强。

- 多因子alpha在不同模型（CAPM、FF3、FF5、FF6、7FM、8FM）下均显著正，控制超预期盈利(SUE)因子后依然显著，最大alpha达到1.639%。

• 示意风险模型难以完全捕捉APU所代表的投资机会，APU带来超额收益非市场风险溢价所能解释。

数据支持APU为独立有效的风险调整收益来源。[page::9]

图表7（第11页）：APU与主流动量预测因子的张成检验

• 回归结果表明，APU对大多数动量因子具有显著的解释力。

- 在控制APU的回归中，传统动量指标的alpha跌至不显著水平。

• 反应不足作为因子包含了传统动量、盈利动量和锚定偏差的关键信息，凸显APU综合预测优势。

强化了APU并非简单重包装动量异象，而是拓展的行为预测指标。[page::11]

图表10（第14页）：APU多空组合的累计超额收益

• 累计收益呈现典型动量的阶梯式曲线：前11个月持续上升峰值约4.2%，接下来约17个月内显著反转（负收益4.1%），随后再度反转走高。

- 曲线展现了HS模型中动量交易者行为导致的价格过度反应与疲软价格回归特点。

• 反映动量效应本质为动量诱发的多次价格偏离及纠正，模型与数据高度吻合。

该图形化成果直观展示行为金融机制对价格动态的实证支持。[page::14]

图表12（第15页）：GMB和动量因子张成检验

• 机构资产定价模型（FF3、FF5、FF6、7FM）中，加入GMB因子后，MOM的alpha变为负或不显著。

- GMB在模型中表现出显著正alpha，表明其解释能力优于MOM。

• 说明MOM因子仅捕捉部分收益动量，但反应不足因子（GMB）更全面且更准确。

此结果从资产定价视角支持GMB更优于传统动量因子。[page::15]

图表13（第16页）：205个异象的GRS检验

• 包含GMB的FF5模型在解释异象收益方面表现最佳，最低的GRS 统计量（29.199）和平均alpha（0.406%），说明模型对市场横截面收益的解释力提高。

- 显示通过包含反应不足因子，资产定价模型能更好地诠释复杂的市场异象。
结果深化了APU及GMB的资产定价理论价值。[page::16]

---

4. 估值分析

报告主要从因子投资视角展开估值分析，采用资产定价模型回归方法：CAPM、Fama-French三因子(FF3)、五因子(FF5)、六因子(FF6)、七因子(7FM)，以及扩展的八因子模型（含超预期盈利SUE）来调整风险，检验APU及GMB因子的超额收益。
核心定量工具为双重排序投资组合分析、Fama-MacBeth横截面回归及张成回归（Spanning test），并利用Gibbons-Ross-Shanken (GRS)统计测试模型整体对预期收益的解释力。
关键输入假设包括利用分析师过去12个月的修正、收益及盈利公告数据估计预测误差，基于行为金融理论视角对分析师反应不足进行代理。
估值结果强调APU指标及GMB因子分别在动量策略和收益预测模型中扮演关键且独立的角色，难以被传统动量因子替代。GMB基于APU和市值的组合构建，具备更高的夏普率和资产定价解释力，展现出显著价值。
敏感性分析通过多模型对比及剔除盈利惊喜等变量的稳健性测试，确保结论可靠。[page::7,9,14,15,16]

---

5. 风险因素评估

报告强调所有结论均基于历史数据与已有海外文献的总结，不构成投资建议，提示如下风险：

• 历史数据的非预期变动性及模型过拟合风险。

- 海外市场经验可能不完全适用于其他市场，特别是中国A股，信息披露和分析师行为环境差异可能影响APU的有效性。

• 动量策略自身存在崩溃风险，模型在极端市场条件下可能失效。

- 基于分析师预测的因子依赖高质量预测数据，预测误差可能因信息不对称而放大。
报告未提出具体风险缓解策略，但明确提示投资者审慎对待该理论及模型的实际应用。[page::0,17]

---

6. 批判性视角与细微差别

• 报告基于分析师预测误差构造APU，假设分析师行为完美反映基本面信息观察者的预期，存在对分析师行为理性程度的隐含假设，现实中分析师行为可能受多种异质因素干扰。

- 估计APU的两步滚动回归依赖历史窗口和变量选择，尽管做了稳健性测试，但模型可能对异常市场期过度拟合，存在样本外推广风险。

• 报告多次强调APU的解释力，但无法完全排除其他未观测风险因子或行为因素的影响，尤其多因素模型未涵盖所有可能系统性风险。

- APU与动量因子虽正交，但两者是否同时反映同一行为机制（反应不足）仍需进一步理论澄清，存在对行为金融解释的同质化风险。

• 反应过度变量测度结果不显著，但未深入探讨可能存在反应过度信息的其他维度，这限制了结论的全面性。

- 报告结果多基于美股数据，外推至其他市场需谨慎，尤其中国A股的研究虽被提及但未深入实证验证。
总体上，报告假设合理且实证严谨，但对模型适用范围和行为复杂性留有一定空间。[page::0,3,6,8,12,17]

---

7. 结论性综合

本报告综合香港和Stein行为金融理论框架，创新性地以分析师反应不足（APU）作为核心代理变量，揭示了动量效应背后的行为本质——基本面投资者对信息的反应不足以及动量交易者的交易行为导致价格错误定价和多阶段反转。实证研究基于1983年至2020年美股的数据，通过严密的两步滚动回归构建APU，结果显示APU强有力地预测股票横截面收益，且与传统动量因子、盈利动量因子存在显著正交信息。APU的预测效力在多个资产定价模型框架下对收益表现出显著的正alpha，且在盈利公告日收益倍增，强化了其行为因子的地位。

通过构造综合考虑市值和APU的反应不足因子GMB，报告进一步证明了该因子在解释动量效应和众多市场异象中优于传统的动量因子MOM，表现为更高的平均超额收益和Sharpe比率。同时，GMB因子加入资产定价模型后显著降低模型的未解释alpha，提升模型对股票收益截面的解释能力。研究结果支持衍生理论，动量效应源于基本面投资者迟缓反应，动量交易者借此过度推高或压低价格，形成价格路径依赖和阶段性反转。

图表深度解读如图1系数动态、图2累计超额收益趋势、图4多因子风险调整alpha衡量展示了APU和GMB因子构建的科学严谨性和经济学意义。对分析师反应过度变量的检验未显著支持其对收益的预测，进一步确定反应不足为核心机制。资产定价模型扩展及GRS检验证明包含GMB的五因子模型在解释市场异象上表现最佳，体现了理论与实证的良好结合。

综上，本报告系统阐释分析师反应不足与动量策略的内在逻辑与实证表现，提出APU及GMB因子作为动量效应的新视角和有力工具，特别强调了行为金融理论中信息传播路径和投资者异质交互作用对市场价格波动的决定性影响。对投资实践者而言，这意味着动量策略的风险与机会不仅源自历史价格走势，也深受投资者信息处理不足的影响。
风险提示明确，投资者应谨慎解读研究结果，注意历史数据和模型限制。

---

参考图表索引

• 图1： 1981-2019年期间第一阶段回归系数随时间变化（分析师修正权重最高）[page::5]

- 图2（图表10）： 按APU排序多空组合超额收益的累计表现，呈现明显动量和反转阶段[page::14]

• 表2： APU及相关变量的统计特征和相关矩阵，展示变量间的统计显著和相关结构[page::6]

- 表3： APU与投资组合超额收益及风险调整后的alpha表现[page::7,9]

• 表4、表5： 替代指标的多模型回归，反映APU独立预测功效[page::9,10]

- 图7： 张成检验确认APU综合传统动量变量信息[page::11]

• 图12： GMB与MOM因子的张成检验，展示GMB对MOM的解释能力[page::15]

- 图13： 205个市场异象的GRS检验，验证模型解释力提升[page::16]

---

总结

该报告立足行为金融理论和广泛实证分析，通过构建分析师反应不足代理变量APU，创新性地解释并预测动量策略收益。基于APU构建的GMB反应不足因子在资产定价领域展现显著优势，具有重要理论及实用意义。报告内容严谨，数据详实，为后续研究及实践应用提供了新视角和工具，但仍需关注理论假设及模型的适用范围及稳健性。

[page::0,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17]

报告