2023年股票分析 已实现测度在盈余公告(EA)期间的预测能力

1 引言

投资者对投资回报的波动率和偏度尤为关注，通常情况下，投资者更偏好低波 动率和正偏(Kraus 和 Litzenberger, 1976)，这种偏好有助于促使研究人员探究使用 波动率和偏度来预测股票和期权市场收益。与此相关，关于期权价格是否引导股价 或股价是否引导期权价格目前尚存争议。已有研究人员提出了“序贯交易”模型来探 索投资者是在股票市场还是期权市场进行交易(例如，Biais 和 Hillion, 1994；Easley 等，1998)。值得注意的是，没有共识或证据表明内幕交易者有在股票市场或期权市 场进行交易。 本文扩展研究了已实现矩对股票收益的预测能力。首先，作者研究了盈利公告 前的已实现矩是否以及在多大程度上能预测事后的股票回报。一方面，日内高频数 据与低频(日度或月度)数据相比能够更准确地估计已实现矩。Amaya 等(2015)认为 与从低频数据或从期权价格中提取的替代方案相比，从日内高频数据中提取的已实 现矩包含了更多的信息。另一方面，Savor (2012)认为“基于信息的价格事件比无信 息的价格事件更能预测公司未来表现”。在众多公司事件中，盈余公告包含了股票定 价的关键信息。因此，作者预计已实现矩对盈余公告期的股票回报具有更强的预测 能力。

其次，作者通过取正半方差与负半方差的差值来构造符号跳跃(Bollerslev 等， 2020；Patton和Sheppard, 2015)，而不是简单地使用已实现方差的两个组成部分。 已实现正和负半方差之间的差异源于价格跳跃论点。符号跳跃变化可以被认为是偏 度的另一种测量方法(Feunou 等，2016；Feunou 和 Okou, 2019)。符号跳跃和偏度 都反映了日内收益分布的不对称性。先前的文献研究了预测波动率时已实现半方差 的不对称性(Hibbert 等, 2008； Patton 和 Sheppard, 2015)，Choi 和 Lee(2017)表 明只有负偏才能预测后续的股票收益。作者通过引入符号跳跃进一步研究已实现测 度(方差、偏度、峰度和跳跃)对盈余公告前后股票收益的预测能力。 最后，作者研究了已实现测度和后续股票回报之间的关系与市场对盈余公告的 反应是否相同。Ball 和 Brown(1968)表明有未预期盈余的公司的股价有预期外的反 应，在随后的研究中，Foster 等(1984)、Bernard 和 Thomas(1989)、Ball 和 Bartov(1996) 提出了盈余公告后价格漂移(PEAD)，其表明公告后的股票收益会因积 极(消极)的未预期盈余，即好消息(坏消息)，而持续漂移上升(下降)。Williams(2015) 进一步证明了盈余公告的好消息和坏消息的不对称效应。因此，作者探究了在纳入 盈余公告后的价格漂移效应后，测度对股票收益的预测能力是还存在。

作者选取 1998 年 1 月至 2015 年 12 月期间构成标准普尔 500 指数的所有股票 为样本。从 Thomson Reuters Tick History (TRTH)数据库中收集高频盘中数据以构 建已实现测度。股价和收益提取自 Center for Research in Security Prices (CRSP) 数据库，公司特征数据源于 Compustat 数据库，从 Institutional Brokers’ Estimate System (I/B/E/S)数据库中收集收益数据。 研究结论如下：首先分析盈余公告前的已实现测度（周度，下同）对投资组合收 益的关系。作者观察到在所有的盈余公告期中，方差处于最高分位数的股票表现优 于方差处于最低分位数的股票。然而，在股票盈余公布之前，将股票按偏度和跳跃 进行排序时，以上关系发生了反转，未发现投资组合收益和峰度之间的关系。为了验 证这些发现，作者构建回归模型证明了方差、偏度和符号跳跃对公告后股票累计异 常收益(CAR)具有预测能力。例如， 每一单位的方差、偏度和跳跃的增加分别造成 公告后两日的股票累计异常收益(,+1)增加 0.55%(t-统计量=3.07)、增加0.29%(t-统计量=2.64)和减少 0.24%(t-统计量=-2.04)。以上发现对于不同的盈余公 告期(n = 5、10 和 20)是稳健的。此外，为检验事件期间已实现测度的预测能力是否 比非事件期间更强，作者重复上述回归并发现非公告期间相关已实现测度的估计系 数相对较小。通过使用虚拟事件，作者进一步证明在公告和非公告期间的估计系数 在统计上是有显著差异的，特别是已实现偏度和跳跃。

作者进一步研究了已实现测度的预测能力是否可归因于未预期盈余，结果表明 在包括未预期盈余后，相应的已实现测度的大小和显著性水平保持不变，对于特定 的公告期，标准化未预期收益后的估计系数在统计上不显著。通过进一步区分标准 化未预期盈余(好消息)和标准化未预期亏损(坏消息)，作者发现好消息的估计系数在 统计上显著但坏消息的估计系数在所有公告期中都不显著。综上所述，这些研究结 果证明未预期盈余消息在一定程度上反映在盈利公告前的测度中，而这些已实现测 度的预测能力与市场对于未预期盈余的反应不同。 本文贡献总结如下：首先，本文有助于探究股票收益的高阶矩对未来收益的预 测能力。现有文献对如何较好地衡量收益分布的高阶矩缺乏共识，部分观点认为包 含市场前瞻性信息的期权隐含测度在预测未来收益方面可能有一定的优势。因此许 多实证文献尝试研究期权隐含测度对股票未来收益分布的预测能力。例如， Bhattacharya (1987) 和 Anthony (1988)证明期权价格引导股价；然而，Chan 等 (1993) 没有发现期权引导股票的证据，反过来，Stephan 和 Whaley(1990)表明股票 引导期权；也有研究表明，期权隐含测度产生了相互矛盾的结果，Xing 等(2010)和 Rehman 和 Vilkov(2012)发现期权隐含偏度与未来股票收益呈正相关，而 Conrad 等 (2013)则发现二者呈负相关。

另一类文献提出了基于高频数据来计算已实现测度，Merton (1980)表明使用高 频数据可以更准确地测量波动率。日频波动率是通过日内收益的平方来计算的(例如， Andersen 和 Bollerslev, 1998；Andersen 等，2003)；Amaya 等(2015)扩展了波动 率的概念并构建了偏度和峰度；Bollerslev 等(2020)和 Choi 和 Lee(2017)进一步检 验了已实现测度的预测能力。 其次，盈余公告是非常重要的事件，投资者致力于探索盈余公告中披露的信息。 如果投资者的交易活动是股票回报高阶矩的重要驱动因素，那么这些矩的预测能力 应该在盈余公告前后更加明显。以往研究主要围绕公司事件探索期权隐含测度，但 是很少有文献研究重要新闻公告期间的已实现测度，需要更多的研究以进一步探索 已实现测度中包含的关于公司事件信息并阐明已实现测度在投资活动的重要性。

作者扩展了 Amaya 等(2015)和 Bollerslev 等(2020)的研究并表明公司重要公告 前后的已实现测度比非公告期间的测度具有更强的预测能力。作者发现公告前已实 现方差显著地预测事后股票收益。本文的发现与 Choi 和 Lee(2017)的结果一致，他 们研究了已实现矩对分析师预测和建议的预测能力。作者观察到在单变量回归中已 实现偏度的估计系数为负。然而，在控制了符号跳跃后，系数由“负”变为“正”， 而在单变量和多变量模型中，符号跳跃仍显著为负。这一发现与 Bollerslev 等(2020) 的发现一致，Bollerslev 等(2020)提供了一个计量经济学的基本原理并认为在已实现 偏度和符号跳跃之间可能存在一个共同的成分以解释符号变化。 最后，作者提供了与盈余公告后价格漂移(PEAD)效应相关的证据(Ball 和 Bartov, 1996；Bernard 和 Thomas, 1989；Foster 等，1984)，表明盈余消息带来的冲击越 大，股市的反应就越强烈。然而，作者表明未预期盈余对后续股票收益的强烈影响 并不影响已实现测度预测股票收益的能力。此外，作者发现 PEAD 效应主要归因于 正的未预期盈余。即使作者区分正的和负的未预期盈余后，已实现测度和后续股票回报之间的关系仍然存在。 本文的其余部分安排如下：第 2 节介绍了用于构建已实现测度的计量经济学方 法，第 3 节描述了数据和样本，第 4 节和第 5 节分别详细介绍了实证结果和附加分 析，第 6 节为总结。

2 数据

本文样本为 1998 年 1 月 2 日至 2015 年 12 月 31 日内构成标准普尔 500 指数 的所有成分股。

作者从 Thomson Reuters Tick History (TRTH)数据库中获取高频股价 tick 数据， 将 tick 数据转换为 5 分钟价格并计算每个股票的 5 分钟日志收益(Amaya 等，2015) 以构建已实现测度。日内收益的采样频率为 5 分钟，一方面是为了减少测量误差， 另一方面是为了尽量减少极高频率下产生的市场微观结构偏差的影响。抽样报价在 美国东部标准时间 9:30 至 16:00 之间。构建交易日的已实现测度时，隔夜回报不被 包括在内。这种做法与 Hansen 和 Lunde(2006)、Patton 和 Sheppard(2015)、Amaya 等(2015)和 Bollerslev 等(2020)的做法一致。剔除隔夜收益后，总共有 78 个日内收 益。如果交易日有超过 12 个连续 5 分钟收益为零或超过 30 个非连续 5 分钟收益为 零也将被排除了 (Chan 等，2019)。

3 实证结果

描述性统计

本文的主要目的是检查上述已实现测度在盈余公告(EA)期间的预测能力，因此， 作者将用于盈余公告的样本称为 EA 样本。面板 A 报告了 1998 年 1 月至 2015 年 12 月期间 EA 样本主要变量均值的描述性统计数据。结果表明：样本前几 年的股票数量与盈余公告的数量较少；SUE 捕捉到的未预期盈余测度主要以负面意 外为主，18 年中有 14 年为负面；方差(RDvar)在整个样本期的均值为 0.05%，在 1998 年的俄罗斯金融危机和长期资本管理公司(LTCM)危机、2000 年左右的互联网 泡沫危机和 2008 年左右的全球金融危机(GFC) 几个极端时期，分别为 0.12%、0.15% 和 0.16%；偏度(RDskew)和峰度(RDkurt)中没有观测到与 RDvar 相似的模式，但符 号跳跃(RDJ)在 1998 年、2001 年和 2009 年的值更高(相对于其平均值 0.01)，分别 为 0.04、0.02 和 0.02。

作者创建了一个没有盈余公告的子样本以表示非 EA 样本。面板 B 报告了 EA 和非 EA 样本的周已实现测度的描述性统计结果。表格的最后一列是 EA 和非 EA 样本对应测度的差异。在盈利消息公布之前，方差会显著增加，而偏度会显著降低（与 Choi 和 Lee(2017)关于分析师预测和建议的发现一致），但峰度显著降低，符 号跳跃则无显著差异。总的来说，这表明方差、偏度和峰度与企业盈余公告发布相 关，而股价跳跃并不总是与新闻事件相关(Jiang 和 Zhu，2017)。 C 面板显示了 EA 样本周已实现测度之间的相关性，除了偏度与峰度在 10%显著性水平上相关外，方差、偏度和峰度之间的相关性几乎不显著。已实现方差 (峰度)与符号跳跃之间存在不显著的负(正)相关，但已实现偏度与符号跳跃之间存在 显著的正相关关系，这与 Bollerslev 等(2020)的发现一致。

投资组合分析

为了检验上述测度对事件后累计异常收益 CAR 的预测能力，作者首先通过Fama 和 French(1993)的三因素模型来估计股票异常收益。具体而言，对于每个盈 余公告日，按照回归方程(14)进行回归估计（近 150 个交易日），最后的估计日期是 盈余公告日之前的 5 个交易日。

面板 A 显示组合按方差排序，最低的分位数(Q1)为 0.01%，最高的分位数(Q5) 为 0.17%。可以观测到方差处于最高分位数与方差处于最低分位数的 CAR 有统计学 意义上的差异。盈余公告期从(t,t+1)到(t,t+20)，上述差异从 0.81% (t-统计量 = 5.50) 增加到 1.83% (t-统计量= 7.73)，表明公告前已实现方差与后续股票收益呈正相关。 这一发现与以下观点一致:信息不确定性(此处以已实现波动率为代表)是一个风险因 素，并由较高的股票回报来补偿。Merton(1987)认为分散程度不高的投资者对股票 特质风险有补偿需求，波动率与股票收益之间的正相关关系也在 Brenner 和 Izhakian(2018)中得到了体现。

面板 B 显示按偏度排序的投资组合，可以观察到所有四个事件窗口期偏度处于 最高分位数与偏度处于最低分位数的 CAR 的平均差异为负，但事件窗口(t,t+20)的 平均差异不显著。通过在偏度最高(最低)水平上做多(做空)股票，CAR 的负平均差异 的结果与预测偏度偏好的均衡模型一致(参见，Brunnermeier 等，2007；Mitton 和 Vorkink, 2007；Barberis 和 Huang，2008)。这意味着具有偏度偏好的投资者愿意为 收益分布正偏的股票支付溢价，从而使股票未来收益较低。

此外，作者发现面板 C 中按峰度排序的 CAR 均值差异对于四个事件窗口中的 任何一个都不显著。最后，将 CAR 按符号跳跃排序，其均值差异显著为负（n = 1、 5、10 和 20），分别为- 0.55%、- 0.61%、- 0.65%和- 0.48%。这些结果可能是由于 投资者在收益公布前对价格波动的过度反应造成的。通常，波动率高的股票表现出 更大的信息不对称，进而导致更强的跳跃效应(Bollerslev 等， 2020)。 总之，投资组合分析表明方差可以预测异常股票收益，偏度和符号跳跃均与未 来股票异常收益呈负相关，但峰度与后续异常股票收益之间没有显著的关系。

4.3 回归结果

对于单变量检验，在所有事件期观察到方差(RDvar)的估计系数显著为正，而偏 度(RDskew)和符号跳跃(RDJ)的估计系数显著为负，但对于所有事件窗口，峰度的 估计系数都不显著。以 n = 1 为例来解释以上结果，两天的公告窗口(见面板 A)， RDvar、RDskew 和 RDJ 的估计系数分别为 3.97、−0.22 和−1.88，t 统计量分别为 2.02、−2.62 和−5.37。这些结果对于按相关测度进行排序的投资组合是一致的，说 明 RDvar 对后续股票收益的预测是正向的，而 RDskew 和 RDJ 对后续股票收益的 预测是负向的。RDvar 的正显著性和 RDskew 的负显著性与 Amaya 等 (2015)的单 变量结果是一致的。此外，对 RDJ 的负显著估计与 Bollerslev 等(2020)的发现一致。

但是，当将,(,+)对所有测度进行回归，列(5)中 RDskew 的估计系数的符 号由“负”变为“正”，而 RDvar、RDkurt、RDJ 上估计系数的符号和显著性不变。为了 控制可能影响股票收益的其他变量，作者进一步进行了多变量测试。RDvar 的估计系数持续显著，而 RDkurt 几乎不显著；RDskew 的估计系数保持 正号，其大小和显著性水平从 n = 5 到 n = 20 呈现增加趋势；对 RDJ 的估计总是显 著为负，且从 n = 5 到 n = 20 呈现增加趋势。 同样，以n = 1为例，在列(2)中RDskew的估计系数为−0.22 (t-统计量 = -2.62)， 在列(5)中变为 1.14 (t-统计量= 5.31)，在列(6)中变为 0.60 (t-统计量= 2.64)，以上结 果与 Bollerslev 等(2020)的发现一致。Bollerslev 等 (2020)基于 RDskew 与 RDJ 之 间显著的高相关性，认为 RDskew 与 RSJ 之间存在一个共同的分量。一旦控制了这 个共同成分，RDvar 对股票收益的预测能力就会逆转。Bollerslev 等(2020)提供了计 量经济学理论基础并表明 RDskew 估计的符号变化可能来自于数据。 同时，这些结果表明 RDskew 的预测能力是脆弱的。Brenner 和 Izhakian(2018) 也发现了类似的情况。在他们的研究中如在预测超额收益的回归测试中包含模糊性， 风险系数(由波动率测量)的估计系数从不显著(负)变为显著正，并认为这种变化可能 源于风险和模糊性之间的高度相关性。

对于回归中的控制变量，大多数的估计系数统计上是显著的。例如，较大的公 司、高账面市值，以及具有高收益动量的公司，后续市场的反应较小于公告前具有异 常收益和交易量大的公司。 作者通过只包含 RDskew 和 RDJ 进行回归以进一步研究同时包含 RDJ 和 RDskew 的估计系数的符号变化。然而，可以观察到在 RDskew 和 RDJ 的回归中，调整后的 2高于 RDskew 作为唯一预测因子的回归。例如，在两天的公告窗口中(即 n = 1)，列(7)中 为包括 RDskew 和 RDJ 后的 2为 0.26%，但只包含 RDskew 的仅为 0.03%，在其 他公告期(即 n = 5、10 和 20)还可以观察到的结果类似。因此，可以认为 RDskew 估计的符号变化不是多重共线性造成的，而是由被忽略的变量导致的。

Jiang 和 Zhu(2017)表明跳跃与未来收益呈正相关关系并支持投资者反应不足 的假设，但本文的结果表明符号跳跃与未来收益呈负相关并支持投资者过度反应假设。作者在几个方面将本文与 Jiang 和 Zhu(2017)的研究区别开来分析为什么呈现 的结果不同：首先，不同的样本可能会产生不同的结果(例如，Lee, 2012)，作者使 用 1998 年至 2015 年的标准普尔 500 指数成分股，而 Jiang 和 Zhu(2017)使用 1995 年至 2012 年在纽约证券交易所和美国证券交易所内交易的股票。因此，本文中股票 的规模和流动性与 Jiang and Zhu(2017)的研究不同。流动性供给有助于短期反转 (Avramov 等，2006)，Da 等(2014)认为大型股票存在短期反转的现象，Savor(2012) 表明如果投资者关注较少，股价可能会过度反应。其次，在不同的研究中采用了不 同的方法来衡量跳跃，作者将跳跃定义为正半方差和负半方差之间的差值；而 Jiang 和 Zhu(2017)将股价的较大不连续的变化定义为跳跃，并将相应的股票收益定义为 跳跃测度。为了进一步区分作者采用的已实现符号跳跃与 Jiang 和 Zhu(2017)的跳 跃测度，作者遵循 Jiang 和 Zhu(2017)的方法，在 78 个日内股价中识别跳跃，并通 过将 5 分钟收益与跳跃相加来获得日内累计跳跃收益(CJRs)。接下来，通过对盈余 公告前 5 个交易日的日频 CJR 进行平均来构建周频 CJR(即 wCJR)，并使用 wCJR 替换的周已实现跳跃(即 RDJ)重新回归方程(16)。

回归结果表明对于 Eq(16)中所示的单变量回归和具有公司特征的多变量回归， wCJR 的估计系数几乎为正，结果符合 Jiang 和 Zhu(2017)的投资者市场反应不足假设；然而，除了在 n = 10 和 n = 20 窗口的单变 量回归中 wCJR 的估计值分别在 10%和 1%的水平上具有统计学显著性外，其他所 有单变量和多变量回归的估计结果都不显著。有趣的是，当回归中包含 wCJR 时， 对已实现偏度(即 RDskew)的估计几乎变得不再显著。这些发现与使用已实现跳跃 (即 RDJ)的研究结果相反，因此，作者认为本文的跳跃测度与 Jiang 和 Zhu 的跳跃 测度表征意义不同，后续的工作可能会检查不同列中各种跳跃测量之间的差异(例如， Das, 2002；Das 和 Sundaram，1999)。

最后，在事件分析方面，作者使用盈余公告日作为事件日期并考察在盈余公布 之前的平均周跳跃的预测能力，但 Jiang 和 Zhu(2017)将股票收益跳涨的日期定义 为事件日期。Jiang 和 Zhu(2017)排除了以盈利公告为中心的三天或五天窗口内发生 的跳跃以验证跳跃结果不是由未预期盈利驱动的。总的来说，两者以不同的方式定 义事件日期。 作者进一步估计了非 EA 样本的回归，研究表明相应测度的估计系数比在 EA 样 本中要小得多。相应地，调整后的 2也有明显的下降。为了进一步测试 EA 和非 EA 样本之间估计系数的差异，作者使用事件虚拟值 d 对整个样本进行回归，如果观察 值包括在 EA 样本中，则该值为 1，否则为 0。具体而言，作者在回归模型中包含了 测度和虚拟变量的交互项(即 RDvar_d、RDskew_d、RDkurt_d、RDJ_d)。这些交互 项的估计系数反映了已实现测度对盈余公告期内后续股票回报的额外影响。结果详 见表 4，为简单起见，作者只展示了包括所有测度和控制变量的完整回归模型结果。 正如预期的那样，除了在 n = 1 和 n = 10 的窗口下 RDvar_d 上的估计几乎不显著 外，交互项上的估计系数在统计上显著。此外，RDskew_d 和 RDJ_d 上的估计系数 的大小分别比 RDskew 和 RDJ 上的估计系数大得多。综上所述，这些结果与 Savor (2012)的观点一致，即基于信息的测度比没有事件信息的测度具有更强的预测能力。

为了检验相关测度和后续股票收益之间的关系是否与市场对未预期盈余的反应 不同，作者在(16)的回归中引入标准化的未预期盈余惊喜(SUE)。 对于所有事件窗口(n = 1、5、10 和 20)，可以观察到 RDvar、RDskew、RDkurt 和 RDJ 上的估计保持相似的大小和显著性水平。此外，还可以 发现尽管 SUE 的估计系数对于 n = 5 和 10 的事件窗口是显著的，但对于 n = 1 和 20 的事件窗口则不显著。一方面，正的 SUE 估计系数印证了先前文献中记录的盈 余公告后价格漂移(Ball & Bartov，1996；Bernard 和 Thomas，1989；Foster 等， 1984)。另一方面，结果表明虽然 SUE 对某些事件窗口的股票收益具有预测能力， 但相关测度的估计系数仍然具有显著性。这些发现表明已实现测度的预测能力不受 未预期盈余的影响；同时，与 Diavatopoulos 等人(2012)使用期权隐含测度的发现一 致，即部分盈利的信息已经提前被市场反应掉，已经包含在了事件前计算的测度中。 作者进一步将未预期盈余分为好消息或坏消息。

以 n = 1 为例，RDvar、RDskew 和 RDJ 的系数分别为 4.72、0.60 和−2.15,t 统 计量分别为 3.14、2.69 和−2.10。还可以观察到，对于所有事件窗口，累积异常收益 在好收益消息(+)上的系数显著为正，而在坏收益消息(−)上不显著 (n = 10 事件窗口除外)。这与 Defond 和 Zhang(2014)的发现是一致，其发现股票在盈利消 息好的时候会出现显著的盈余公告后漂移，而在盈利消息不好的时候则不会。作者 认为虽然未预期盈余会影响盈利公告前后的异常收益，但它不会影响已实现测度的 预测能力，这表明已实现测度与未来股票收益之间的关系持续存在。

4 拓展分析

剔除大幅价格冲击

作者删除了盈余公告日异常收益大于 10%或小于- 10%的观察值以减少价格冲 击的影响，共计排除了 1672 个观测值，占样本观测值的 7.17%。

公司市值的影响

作者进一步测试了以上主要结果是否由公司市值因素驱动，大公司可能比小公 司披露更多的信息，小公司的矩中包含了更多的不确定性，特别是在公司新闻发布 前后。因此，作者将盈余公告(EA)样本分为一个小公司样本和一个大公司样本两个 子样本，分别为市值低于中位数和高于中位数的公司。A 组是小公司，B 组是大公司，列(2)包含了本文考虑的所有控制 变量，而列(1)则不包括滞后异常收益 LagAR。在列(1)中，以两天的窗口(即 n = 1) 为例，RDvar、RDskew 和 RDJ 的估计系数对大公司和小公司都有统计意义上的显 著性。小公司的相应估计系数比大公司大，特别是中小企业 RDvar 的估计值(5.90) 接近大企业(3.31)的 2 倍，说明确实大公司的信息披露更全面，信息不对称性更低， 因此小市值、低流动性样本对测度的影响更大。然而，当列(2)控制 LagAR 时，面板 A 中小公司的 RDvar 估计系数继续保持其显著性，但 RDskew 只具有最低程度的显 著性，RDJ 上的估计不再具有统计学意义上的显著性；相比之下，对大公司的已实 现测度的相应估计仍然显著。这些结果表明对于小市值公司，滞后异常收益在预测 盈利公告后收益中起着重要作用，这可能是由于投资者过度反应(Bollerslev 等，2020； Kothari 等，2006)。有趣的是，当事件后窗口包括更多的天数，比如 n = 20，小公 司的 RDskew 和 RDJ 估计持续显著，但对大公司不再显著。因此，作者认为对长 (短)事件窗口，估计系数的显著性可归因于公司的小(大)规模 。

短期摩擦、反转或流动性

如果股票收益的可预测性与盈利公告引起的过度反应有关，那么测度的预测能 力可能会随预测期限从 2 天(n = 1)到 21 天(n = 20)而降低。

一般来说，波动率高的股票表现出更大的信息不对称，这可能有助于解释 RDJ 和基于 RDJ 的投资组合策略的预测能力。结果表明当 RDvar 处于最低水平且 n=1 或 n=5 时 CAR 的均值差异不限制显著性，而 RDvar 处于 Q3 和 Q4 分位数时对几 乎所有公告窗口 CAR 的均值差异均显著。此外，Q4 分位数的 CAR 的平均差异是 Q3 分位数的两倍。作者发现在所有四个事件窗口的 RDvar 的 Q2 和 Q5 分位数中 CAR 的平均差异不显著。总之，作者认为在样本中股票流动性的影响不明显，采用 RDJ 投资组合策略，持有中等高方差的股票可能能获得更好的收益。

5 结论

本文利用高频日内收益计算已实现方差、偏度、峰度和符号跳跃并检验了盈余 公告前后上述测度对股票回报的预测能力。结果表明已实现方差，偏度和符号跳跃 可以预测盈余公告后的股票回报，而但峰度对股票收益没有预测能力，以上结论对 不同的盈余公告窗口期和漂移调整后的测度也适用。 作者对先前的文献进行了扩展：首先，作者发现已实现测度对股票收益的预测 能力在重要事件期间要强于非重要公司事件期。其次，作者定义了一个符号跳跃而不是直接使用正负符号半方差，在计入符号跳跃后，对已实现偏度的估计改变了符 号，表明偏度和符号跳跃可能有一个共同的组成部分。最后，本文结果证明了盈余公 告后价格漂移效应，但已实现测度的预测能力不受未预期盈余的影响，也就是说，即 使在回归模型中加入了未预期盈余因子，已实现测度与后续股票收益之间的关系仍 然成立。

编辑：荣耀2020