在本文中，我们对各类市场参与者的交易行为进行了迄今为止最广泛的研究。 我们研究了九类市场参与者的交易行为——个人投资者、卖空者、公司以及 6 类机 构投资者。我们结合 130 种已被证明能预测股票横截面收益（异象）的公司层面变 量，以及每类参与者的交易对收益的预测能力，来考察其交易行为。 对于每类投资者，我们计算了在构建异象变量月份之前的 1 年期和 3 年期内的 持股比例变化。这一衡量标准告诉我们每位市场参与者在投资组合形成前的数年里 如何改变其持股比例，并揭示了该参与者在异象投资组合中相对超配或低配的可能 性。 公司是最具信息优势的交易者。当我们考察预期收益衡量前 3 年内的股票发行 情况时，发现预期收益最低的公司是净发行规模最大的公司。总体来看，这 130 个 预测变量解释了这 3 年期间股票发行横截面差异的 32%。即使控制了其他 8 类市场 参与者的交易后，股票发行仍然是收益的强预测指标。如果我们控制了 130 个变量 所反映的预期收益，股票发行的预测能力会减弱，但并未完全消失。因此，尽管部 分公司交易反映了公众可观测的公司特征，但部分交易反映了私有信息。
紧随公司之后，卖空者是信息最灵通的投资者。130 个预测变量所反映的预期 收益最低的股票，其卖空利息最高。当我们考察预期收益衡量前 3 年期间卖空利息 的变化时，发现预期收益最低的公司卖空利息增幅最大。这 130 个变量共同解释了 这 3 年期间卖空利息变化差异的 11%。即使控制了其他市场参与者的交易，卖空利 息也是收益的稳健预测指标。然而，一旦我们控制了 130 个变量所反映的预期收益， 卖空利息与收益之间的关系要么显著减弱，要么完全消失（取决于具体设定）。因 此，尽管预测变量仅解释了卖空者交易行为的 11%，但它们几乎能解释卖空者全部 的交易表现。这表明卖空者拥有的私有信息很少，主要是根据公开信息进行交易。 个人投资者似乎做出了最糟糕的交易决策。 我们考察了预期收益衡量前 3 年 期间个人投资者持股比例的变化，发现预期收益最低的股票，其个人投资者持股比 例增幅最大。个人投资者还会减少预期收益高的股票的持仓。这 130 个变量共同解 释了这 3 年期间个人投资者交易差异的 18%。个人投资者交易预测较低的收益，并 且我们能够拒绝"这种收益可预测性可由 130 个变量所反映的预期收益解释"的原假 设。因此，个人投资者糟糕的交易决策中，至少有一部分是与本研究所采用的 130 个特征正交的。 在 6 类机构投资者中，我们的发现则不那么明确。没有一类机构投资者的交易 能够稳健地预测收益。所有 6 类机构在预期收益最低的股票中持仓最高。然而，对 于每一类机构投资者，这 130 个变量共同解释了预期收益衡量前 3 年期间其交易差 异的 5%或更少。因此，机构交易似乎是随机的，不具有信息性。这一证据为之前 对冲基金业绩研究的发现增添了细微差别。例如，尽管研究发现对冲基金在扣除费 用前的业绩包含阿尔法，但 Griffin 和 Xu（2009）发现对冲基金报告的股票持仓表 现并不优于共同基金报告的股票持仓。我们的研究在更后期的样本中证实了这些发 现，即对冲基金的股票持仓在异象方面的定位不佳，且未能正向预测收益。相反， 主要由对冲基金进行的卖空活动，在异象策略方面定位良好。这种二分法反映了 Aragon 和 Martin（2012）的发现，并表明对冲基金在卖空或交易衍生品方面比在 管理股票多头头寸方面拥有更强的技能。
2.1 交易概览
我们的交易衡量指标是在 1 个季度、1 年和 3 年的频率上计算的。这些指标反 映了每个时间范围内的持股比例（持股比例）变化。我们考虑的参与者包括个人投 资者、公司、卖空者以及 6 类按 13F 表格报告其持仓的机构投资者。鉴于我们的变 量是在 1 个季度或更长的周期上构建的，它们无法揭示可能在季度内发生的、可能 包含信息的交易（例如 Puckett 和 Yan (2011) 以及 Kacpercyzk, Sialm,和 Zhang (2008) 所研究的）。衍生品持仓也可能是信息交易的一个途径（Aragon and Martin, 2012），而这些也未反映在我们的交易变量中。
2.2 个人投资者交易
我们依据 Boehmer、Jones、Zhang 和 Zhang（2021） 提出的方法来估计 个人投资者的交易行为。该方法能够识别出源自个人投资者的可成交订单。 Boehmer 等（2021）指出，由于当代市场结构特征以及《全国市场体系规则》 （Regulation NMS）的要求，可以通过交易执行时的分以下价格特征（sub-pennypricing）来识别个人投资者订单。个人投资者的市价买单通常会在券商内部撮合成 交，并获得低于 1 美分的价格改善（sub-penny price improvement），使得成交 价略低于整数美分。相反，个人投资者的市价卖单也倾向于被内部撮合，并获得分 以下的价格改善，使得成交价略高于整数美分。
2.3 机构交易
我们从 SEC 的 13F 和 S12 季度数据中获取机构持仓数据，并用这些数据估算 我们的交易变量。并非所有机构都提交 13F 文件。管理 13F 证券资产低于 1 亿美元 的美国机构不需要提交 13F 表格。外国机构只有在其既达到 1 亿美元门槛又在业务 过程中“使用任何美国州际商业手段或工具”时才需要提交 13F 文件。French (2008) 报告称，根据美联储资金流量数据，外国机构持有美国股票的 16.3%，而 13F 文件反映的外国机构持股比例为 7.6%，因此大部分外国机构持仓未反映在 13F 文件中。自我管理投资组合的非营利机构也不需要提交 13F。一些机构向 SEC 申 请豁免披露某些盈利头寸（Agarwal, Jiang, Tang, and Yang, 2013, 以及 Aragon, Hertzel, and Shi, 2013），因此这些头寸也未反映在 13F 中。基于这些原因，我们 不假设 1 减去 13F 持仓等于零售持仓。
我们使用 13F 文件中报告的机构持仓变化来估算共同基金、银行、保险公司、 财富管理公司、对冲基金和“其他”（未分类）机构的交易。我们使用 Thomson Reuters记录的13F文件，并辅以SEC的13F文件，以修正我们样本后期Thomson Reuters 数据中的已知问题。我们使用以下方法将机构分为六种类型之一： 为识别共同基金机构，我们将 S12 文件中报告并由 Thomson Reuters 记 录的共同基金持仓与 13F 文件合并。我们将共同基金报告的股份数分类为 共同基金机构持有的股份。 我们使用 Brain Bushee 提供的类型代码来识别银行和保险公司。被指定 为银行持仓的持仓通常来自由财务顾问管理的信托账户。 如果一个机构不是银行、保险公司，并且没有任何共同基金，我们则使用 基于机构名称的文本标准将其分类为财富管理公司或对冲基金。 任何剩余的机构被分类为“其他”机构。 关于分类为“其他”的持仓，这些持仓似乎是由没有商业银行业务的大型投资 银行主导的。我们预计这些股份大部分由独立账户或集合投资信托持有。独立账户 是非混合管理账户，而 CITs 是混合的。CITs 具有共同基金的形式，常在工作场所 退休计划中使用。分类为“其他”的部分持仓可能反映了自营交易。 对分类为对冲基金、财富管理公司和其他的机构进行的目视检查证实，我们的 文本分类做得不错。我们还尝试了基于对冲基金名单和对冲基金数据库的分类方法， 使得对冲基金的指定在我们的样本开始之前就已确定。这些尝试产生了非常相似的 结果。我们研究的所有方法都避免了根据未来的名单或数据库将公司指定为对冲基 金。列入名单或数据库很可能发生在良好业绩之后。我们的决定避免了前瞻性偏差， 这种偏差会高估对冲基金在表现良好股票中积累头寸的能力。 为了估算每家公司的机构交易，我们将每种机构类型持有的汇总股份除以流通 股数进行缩放，然后计算每类机构持有的流通股百分比在 3 个月、1 年和 3 年期间 （与我们的个人投资者交易变量时间范围相同）的变化。
2.4 卖空者
股票交易所报告月末卖空头寸。我们从 Compustat 获取此信息。正如我们之前 提到的，Boehmer, Jones, 和 Zhang (2008) 记录表明大部分空头头寸由对冲基金 持有。我们计算卖空者交易为卖空头寸的变化除以流通股数。
2.5 公司交易
公司交易以公司流通股（经拆股和股票股利调整后）的百分比变化来衡量。这 遵循了 Pontiff 和 Woodgate (2008) 以及 McLean, Pontiff, 和 Watanabe (2009) 的方法。我们用流通股数对股份变化（股票发行减去股票回购）进行缩放，并对这 个变量进行符号设定，使得公司交易的正值表示流通股减少，即公司回购其股票。 我们每月使用 CRSP 报告的经拆股和股票股利调整后的流通股数来创建这个变量。 与我们的机构交易变量类似，流通股数据可能仅在季度基础上（当公司发布关于完 成股票回购的财务报告时）才有实质性更新。表 1 显示，3 个月、1 年和 3 年期的 公司交易变量的均值分别为-0.87%、-3.92%和-11.40%。因此，在我们的样本中， 平均而言，公司发行的股票多于回购的股票（尽管如媒体报道，较大规模的公司可 能是净回购方）。
2.6 市场参与者之间的交易
一些读者询问我们的 9 类参与者是否几乎涵盖了所有参与者。如果情况如此， 那么一个加总约束会使其中一个交易组冗余。正如我们之前解释的，情况并非如此， 因为非营利组织、大多数外国机构和其他豁免机构不在 13F 表格中报告其持仓，而 这些参与者的持仓可能相当可观。 个人投资者交易者与公司和卖空者 的相关性最强，分别为-0.33 和-0.19。 卖空者也与其他市场参与者反向交易。与共同基金、银行、对冲基金和其他机 构投资者的相关性尤其强，范围在-0.11 到-0.23 之间。卖空者与公司之间的相关性 仅为 0.01，因此这两类参与者不相互反向交易。如上所述，公司与个人投资者交易 者之间的相关性特别强，值为-0.33。公司与机构之间的相关性较弱且一般为负，范 围在-0.07 到-0.03 之间。机构与公司之间的这种负相关性与 Ince 和 Kadlec (2020) 的发现一致，他们发现股票发行和回购日益成为 13F 机构交易的重要对手方。
2.7 股票收益异象
我们使用一个包含 130 种已在学术出版物中记载的股票收益异象的样本。这建 立在 McLean 和 Pontiff (2016) 以及 Engelberg, McLean 和 Pontiff (2018) 使用 的 97 种异象样本，以及 Engelberg, McLean 和 Pontiff (2020) 使用的 125 种异象 样本的基础上。所有异象变量均使用来自 CRSP、Compustat 和 IBES 的数据构建。 我们排除了基于机构投资者、卖空者以及股票发行和回购的异象。 为了创建异象变量，每月根据每个异象特征对股票进行排序。我们将每个异象 策略的多头和空头端定义为排序产生的极端五分位数。我们的一些异象是指示变量（例如，信用评级下调）。对于这些情况，根据指示变量的二进制值，只有多头端 或空头端。我们每月重新构建异象投资组合。 与 Engelberg, McLean, 和 Pontiff (2018 和 2020) 类似，我们创建了一个异 象指数 Net，它是在给定月份中，一只股票所属的多头异象投资组合数量与空头异 象投资组合数量之差。例如，在 t 月 Net 值为 10 意味着该股票在 t 月属于的多头异 象组合比空头异象组合多10个。
3.1 异象投资组合形成前的交易
在本节中，我们探究在股票被分配到异象投资组合之前，每位市场参与者是如 何交易的。如果一只股票在投资组合形成时点 t 是异象买入（或异象卖出）标的， 哪些参与者在时点 t 之前增加或减少了其在该股票中的持股比例？如前一节所述，交易变量是经流通股缩放的持股比例变化，即（买入-卖出） /流通股。在面板 C 中，我们考虑来自 Boehmer 等人 (2021) 的周度交易失衡指标。 该变量衡量为（买入-卖出）/（买入+卖出），所有计算均在时点 t 之前的 5 个交易 日内进行。
其他机构投资者同时积累异象多头和异象空头标的，但他们积累的空头标的更 多。其他机构投资者在异象多头和空头组合中的交易值分别为 1.35%和 1.31%。共 同基金减少了其在异象多头和空头标的中的持仓；然而，他们卖出多头标的更多。 共同基金在异象多头和空头组合中的值分别为-0.14%和-0.19%。财富管理公司和 银行相对中性，他们的交易没有明显顺应或违背异象。卖空者增加异象空头标的的 卖空头寸，并减少异象多头标的的卖空头寸。在异象空头和异象多头组合中的值分 别为-0.47%和 0.11%。公司在所有五个组合中都是股票的净发行者，然而属于异象 空头的公司比属于异象多头的公司发行了更多股票。异象空头公司的净发行率 （Net share issuance）为-4.68%，而异象多头公司为-3.39%。
面板 B 考察了 3 年期的交易指标。出现了与面板 A 相同的模式。在大多数情况 下，面板 B 中的差异大于面板 A中的差异，表明相关的交易模式持续了一年以上。 如果模式的大小与面板 A 相同，那么我们可以将所有的交易归因于投资组合形成前 最后一年的交易。然而，面板 B 中更强的模式表明交易持续了一年以上。面板 B 进 一步证实个人投资者买入异象空头标的并卖出异象多头标的。个人投资者在空头和 多头组合中的值分别为 0.22%和-0.05%。共同基金卖出了所有五个五分位数中的股 票，然而他们卖出多头标的的量是空头标的的三倍多。共同基金在异象空头和异象 多头组合中的交易值分别为-0.23%和-0.77%。银行显示出与共同基金类似的模式， 在异象空头和异象多头组合中的交易值分别为-0.54%和-0.84%。其他机构投资者 在所有 5 个五分位数中积累股票，然而他们积累的异象空头标的多于异象多头标的， 空头和多头组合中的值分别为 5.42%和 3.11%。财富管理公司现在买入的异象空头 标的略多于异象多头标的，而保险公司卖出的空头标的略多于多头标的。与面板 A 类似，对冲基金在 3 年期内进行违背异象的交易。对冲基金同时买入异象空头和异 象多头标的，但他们买入的空头标的多于多头标的。在空头和多头组合中的值分别 为 0.75%和 0.03%。Brunnermeier 和 Nagel (2004) 记载了对冲基金在互联网泡沫 期间过度暴露于互联网热门股，并在泡沫破裂前减少了头寸。如果这种把握错误定 价时机的能力可以更普遍地推广，我们预期对冲基金会增加异象多头标的的持股比 例并减少异象空头标的的持股比例，但我们并未观察到这一点。 卖空者增加空头标的的卖空头寸并减少多头标的的卖空头寸。在多头和空头组 合中的值分别为 0.28%和-1.26%。公司在所有五个五分位数中都是净发行者，然而 属于异象空头的公司比属于异象多头的公司发行了更多股票。属于空头的公司股票 发行量占流通股的 13.86%，而属于多头的公司则为 9.81%。对于公司和卖空者， 面板 B 中的幅度都大于面板 A，表明这些交易模式在整个 3 年期间持续存在。
面板 C 报告了使用个人投资者周度交易失衡指标的发现。我们研究这个变量是 为了能更好地将我们的发现与 Boehmer 等人 (2021) 的发现进行比较。面板 C 显 示，周度交易失衡在所有五个五分位数中均为负值。异象买入五分位数中的负交易 失衡显著高于异象卖出五分位数。因此，交易失衡指标和我们开发的长期交易指标 都指向个人投资者违背（或至少未参考）异象变量中的信息进行交易。这些发现也 表明，Boehmer 等人 (2021) 所记载的周度交易失衡与后续股票收益之间的正相关 关系，并非个人投资者基于异象交易或使用异象变量所反映信息的结果。相反，个 人投资者使用的任何信息似乎都与异象所反映的信息正交。
3.2 基于个体预测变量的回归证据
面板 B 报告了使用过去 3 年交易的结果。R²统计量比面板 A（1 年）中的要大。 对于公司，R²统计量为 32.22%，表明股票发行的很大一部分反映了未来的异象指 标。对于个人投资者，R²为 18.10%，这也是一个相当大的效应。对于卖空者，R² 为 11.35%。此处的结果让我们更好地了解了该结果的经济显著性。机构投资者的 R² 与面板 A 相比更大，但在所有情况下仍为 5%或以下。最高的是银行，为 5.08%， 最低的是财富管理公司，为 0.60%。与面板 A 一样，我们得出结论，机构交易在很 大程度上是特异性的，并且与预期收益的横截面大多无关。 面板 C 报告了周度交易失衡变量的结果。R²仅为 0.44%，因此这些个人投资者 交易的激增与已记载的横截面预测变量无关。
3.3 投资组合持仓
在本节中，我们研究各类市场参与者的投资组合持仓，我们观察机构和卖空者 的持仓，但没有个人投资者的持仓数据。以总流通股衡量的公司持仓缺乏明确的经 济意义，因此未报告。为了进行持仓分析，我们根据 Net 将公司分为五分位数，然 后列出每位市场参与者持有的流通股百分比。 总体而言，结果表明，只有卖空者在异象方面定位良好，而所有 6 类机构的定 位都违背异象，即机构持有的异象空头标的多于异象多头标的。
3.4 异象投资组合形成后的交易
大多数异象策略被证明可以预测从 1 个月到 12 个月不等的收益。我们的 Net 变量旨在预测随后一个月的收益，但它也确实能预测未来 12 个月的收益（表中未 报告）。因此，在我们这里研究的测量期间（投资组合分配后的 3 个月），买入高 Net 股票并卖出低 Net 股票是有意义的。
在迄今为止对市场参与最广泛的研究中，我们考察了个人投资者、机构投资者、 卖空者和公司的交易如何与股票收益异象及未来股票收益相关联。我们发现公司和 卖空者是聪明的资金。公司和卖空者都倾向于顺着预期收益的方向进行交易，两者都大量卖出异象空头标的，但不会同样操作异象多头标的，并且它们的交易能按预 期方向预测收益。源于卖空者交易的收益可预测性可以由他们顺着预测变量方向交 易的倾向来解释，这表明卖空者不拥有私有信息。对于公司而言，在某种程度上也 是如此，尽管源于公司交易的可预测性中有相当一部分与本研究中使用的 130 个变 量正交，这表明公司拥有私有信息。 个人投资者表现最差。他们的交易按非预期方向预测收益，并且他们倾向于买 入（卖出）预期收益低（高）的股票。这与能按预期方向预测收益的周度个人投资 者交易失衡形成对比。在这两种情况下，源于个人投资者的收益可预测性都无法由 130 个预测变量所反映的信息来解释。 机构投资者最多只能被描述为中性。它们的持仓倾向于背离预期收益，意味着 机构持有的低预期收益股票多于高预期收益股票，尽管它们在投资组合形成日期之 后开始平仓这些头寸。六类机构投资者的交易中，没有一类能够稳健地预测收益。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
