-
股价同步性是指市场中个股价格之间“同涨同跌”的现象，同步性产生的原因及其影响是金融学研究的热点问题。传统金融理论通过资本资产定价模型（CAPM）解释个股收益率变化，但收效甚微。Roll（1988）认为CAPM解释力度较低是由于公司特质信息或非理性因素所致，首次对股价同步性问题展开研究。之后，Morck等（2000）和West（1988）分别提出“信息效率”假说和“非理性噪音”假说，对股价同步性问题展开进一步研究。中国股票市场经过三十年的快速发展，市场制度与资源配置功能不断完善，但是股市的“暴涨暴跌”仍然被投资者所诟病。现有研究普遍认为，中国股票市场中股价同步性较高，公司特质信息融入股价较少，股价信息效率较低（Morck等，2000；Jin和Myers，2006；Gul等，2010；黄俊和郭照蕊，2014），过高的股价同步性会严重破坏股票市场资源配置效率（伊志宏等，2019）。此外，股价同步性与股票市场稳定发展关系密切。在图1股价同步性与上证指数波动对比中看到，2013年到2019年股价月平均同步性与上证指数波动率具有很强的相关性，当股价同步性波动较小时，整个市场发展比较平稳。但当股价同时出现大幅变化时，市场也出现剧烈震荡，例如，2015年8月的“千股跌停”，公司股价平均同步性达到0.7以上，此时上证指数波动达到最大。因此，对股价同步性问题的研究，有助于认识我国资本市场发展特征、维护市场稳定和提高市场信息效率。
图 1 2013−2019年公司股价同步性与上证指数波动关系
已有研究对股价同步性的解释有“信息效率”假说和“噪音交易”假说两种对立观点，“信息效率”假说认为股价反映更多公司特质信息，股价同步性越低，市场信息效率越高。“噪音交易”假说认为股价同步性是市场非理性行为的噪音交易造成，同步性越低，市场效率反而更低。已有研究更多的是间接研究，无法直接衡量特质信息或非理性因素（胡军和王甄，2015）。两类研究都是选取某一特定角度，通过一些间接的逻辑证明同步性的变化是否表示市场信息效率的高低。但是，投资者最终交易的直接动机是其已经掌握的信息，不同投资者根据各自掌握信息的多寡，或进行信息主导的有效交易，抑或进行非理性的噪音交易，造成股价同步性呈现出不同的变化特征。因此，股价同步性越低表示股价中公司特质信息越多，还是非理性的噪音交易越多，最终取决于市场中两类交易力量的对比。由于不同投资者信息获取能力的差异，造就了市场中不同交易动机的投资者，这为我们研究股价同步性问题提供了条件。
本文尝试从投资者交易入手，考察投资者信息获取能力异质性条件下，不同投资者交易对股价同步性变化的影响。
市场微观结构理论中，投资者通常被分为知情交易者和非知情交易者，知情投资者通过交易将信息融入股价，能够提高价格信息含量，如果交易使股价同步性降低，同时非知情投资者交易使股价同步性增高，则支持“信息效率”假设，相反，股价同步性变化主要由噪音交易造成。本文通过考察不同投资者信息获取能力的异质性，将投资者区分为知情投资者和非知情投资者，对中国股票市场中股价同步性变化问题进行深入研究。
本文可能的贡献在于：（1）基于信息获取能力异质性视角，研究投资者交易对股价同步性影响，丰富了对股价同步性问题的研究，为已有股价同步性研究结论对立问题提供了统一的理论阐释。（2）对知情投资者通过私有信息还是将复杂的公开信息融入股价这一问题进行了回答。知情投资者通过特殊私有信息提高市场信息效率的作用不明显，而将市场中纷繁复杂的公开信息进行整理，通过交易带入股票价格，对监管部门制定基于提高投资者信息能力的市场机制具有参考意义。（3）信息获取能力强的投资者会通过吸收证券分析师提供的公开信息提高股价信息含量，这从另一个角度对分析师发挥市场作用的渠道和机制进行了解释与证明。
本文后续部分安排如下：第二部分为文献回顾与研究假设，第三部分为研究设计，第四部分为实证结果分析，第五部分为结论与建议。
-
股价同步性最初是由Morck等（2000）将Roll（1988）所研究市场收益率对个股的解释力度（R2）加以概念化而提出。关于股价同步性，已有研究主要从公司治理、制度环境、分析师跟踪以及机构投资者持股等方面展开，更多的是选定某一特定角度对股价同步性问题进行研究，形成对股价同步性完全不同的两种解释。但从上市公司特质信息到信息融入股票价格需要经过三个传播过程，分别为上市公司私有信息、投资者可获得信息（市场公开信息）和投资者已获得信息，如图2所示。
图 2 股价同步性研究不同视角梳理
已有文献中“信息效率”假说如图2中虚框内所示，主要研究上市公司私有信息如何成为投资者可获得信息，进而影响股价同步性。这部分文献可以归纳为两类：
（1）从影响上市公司特质信息披露的角度展开研究，即哪些因素会影响到上市公司私有信息对市场的披露，进而影响投资者可获得信息多寡研究股价同步性。比如，袁知柱和鞠晓峰（2009）、Gul等（2010）、李增泉等（2011）、唐松等（2011）、李留闯等（2012）从董事会特征、财务报表审计质量、公司所有权构成、是否双重上市、企业关联度等公司治理角度进行研究，实证了公司治理机制的合理安排能够为市场提供全面、准确的公司特质信息，减少股票价格的同步变动。朱红军等（2007）、姜超（2013）实证检验发现，证券分析师的信息搜寻活动能够为市场提供更多公开信息，公司股票价格包含更多特质信息，从而降低股价同步性（冯旭南和李心愉，2011）。
（2）研究信息传播途径和方式的改善如何对股价同步性产生影响。特质信息的传播途径越多，投资者可获得信息也越多，进而能够降低股价同步性。Morck等（2000）从产权保护制度研究发现，新兴市场国家股价同步性较高是由于产权保护制度的缺失导致信息套利者套利的难度增加，信息搜寻成本变大，从而抑制了其挖掘公司特质性信息获利的动机。游家兴等（2007）研究发现，随着证券市场制度建设的不断推进和完善，股票价格所包含的公司特质信息会越来越丰富，股价同步性降低。胡军和王甄（2015）的研究发现，上市公司通过开通微博等方式增加了信息披露渠道，在披露公司基本财务信息的同时，大量及时新增的非财务特质信息被披露，公司股价同步性因此更低。
对于持“噪音交易”假说的研究，主要从投资者非理性偏差角度研究股价同步性问题（图2）。研究认为，投资者非理性偏差行为造成的股价异常现象与股价同步性正相关，股价同步性越低，市场信息效率也越低。Hou等（2006）认为，股价同步性与投资者处理信息过程中的偏差有关，同步性越低，惯性和反转现象越显著，说明股价同步性变化代表定价的无效率。同样，Teoh等（2006）通过检验R2与几大“异象”之间的关系后发现，股价同步性越低，“异象”越显著，这一结论与“信息效率”假说相悖。许年行等（2011）对中国股票市场同步性和市场“异象”的研究发现，我国股票市场中显著的反转现象与股价同步性呈负相关关系，同步性越低，反转现象越明显，股价同步性变化是由于投资者情绪变化所致。Barberis等（2005）发现投资者情绪和市场摩擦会影响股价同步性的变化，Kumar和Lee（2006）认为市场中噪音交易者显著影响股价同步性，从而均与信息效率的解释不符。
综上，持“信息效率”假说的观点是从上市公司私有信息如何成为投资者可获得信息，进而影响股价同步性展开研究；持“噪音交易”假说的观点是从投资者非理性偏差角度研究股价同步性问题。两种观点都只是选取从公司特质信息到信息融入股价过程中的某一个阶段展开，所以产生对立的观点。但是，投资者最终做出投资决策的依据是已经获得的信息，根据已经获得的信息通过交易，最终决定股价信息含量。由于不同投资者对信息的获取和分析能力不同，市场中不同信息能力投资者所获得信息有所差异，对股价同步性会产生不同的影响。在考虑投资者信息获取能力异质性条件下，研究投资者交易对股价同步性的形成机制，对深入认识股价信息效率特征具有重要的理论和现实意义。
-
已有文献对股价同步性的研究通常基于一个潜在的假设，即市场中存在唯一的代表性投资者，并未对不同投资者交易动机进行区分，这是造成对股价同步性认识完全对立的原因之一。因此，研究股价同步性问题，还需要从投资者异质性角度展开。股票市场中信息无时无刻不在披露与更新，由于不同类型投资者关注能力等差异，会导致投资者对股价产生异质信念（Hong和Stein，2007）。在市场微观结构理论中，投资者由于交易动机不同具有不同分类，即以信息驱动的知情投资者和以噪音交易为主的非知情投资者。彭叠峰等（2015）在研究异质性投资者的定价模型中发现，股价信息效率取决于信息关注交易者与信息疏忽交易者比重的多寡。
因此，本文假设市场中存在两类代表性投资者，一类投资者由于信息获取能力强，逐渐转变为知情投资者，具有信息优势；另一类投资者由于信息获取能力限制缺乏信息优势，为非知情投资者。上述两类投资者所持有信息数量及对信息反应的不同将造成股票价格的差异性变化。此时，知情投资者交易会增加股价信息含量，非知情投资者交易降低股价信息含量，但两者交易对股价同步性产生怎样的影响，最终取决于知情投资者和非知情投资者交易力量的对比。如果知情投资者交易使得股价同步性降低，同时非知情投资者交易使得股价同步性升高，则股票市场是信息交易主导的市场，否则是噪音交易主导的市场。基于此，考虑投资者获取能力异质性条件下，不同类型投资者对股价同步性变化产生怎样的影响，需要进行实证检验。基于上述分析，本文提出如下假设：
假设1：知情投资者交易降低股价同步性，非知情交投资者交易增加股价同步性，支持股价同步性“信息效率”假说；反之，则支持股价同步性“噪音交易”假说。
-
知情投资者通过交易将公司特质信息融入股价，但是这部分投资者是否能够如假设一样，通过较强的信息获取能力将自己转变为知情投资者，通过交易降低股价同步性？知情投资者如果能够增加股价信息含量，他们通过何种方式提高股价信息效率还需要进一步分析。信息在金融市场交易中扮演重要角色，少数知情交易者可以利用特殊信息谋取更多利益，并使非知情交易者蒙受损失（郭菁华，2019）。影响股票价格最重要的信息是公司业绩盈余信息，上市公司盈余公告定期向市场传递重要财务信息（王磊和孔东民，2014）。如果作为知情投资者，则有能力对业绩盈余信息进行准确预测，通过交易将公司盈余信息融入股票价格，提高市场信息效率。相反，非知情投资者交易对公司盈余信息没有预测能力，不能改善公司股价信息含量。Foster和Shevlin（1984）曾经检验了各种不同盈余预期模型，发现随机游走模型所得出的意外盈余解释能力比其他复杂的盈余预期模型更好。
本文通过考察不同类型投资者对随机游走模型下公司意外盈余的预测能力，验证知情投资者是否确实具有信息优势。已有研究发现，投资者使用的信息集越综合，盈余预期越接近真实盈余，市场效率也越高，但是综合复杂的信息集又反过来需要投资者更强的信息获取能力。潘婉彬和杨涛（2019）研究发现，我国股票市场中的知情投资者对股市的影响体现为“信息假说”，即这些投资者拥有信息优势，在他们购买相应股票后，股票的价格将会调整到与基本面信息相对应的价格。因此，知情投资者对公司业绩意外盈余具有较强的预测能力，这既是投资者信息获取能力的体现，也是知情投资者提高股价信息含量的途径。基于以上分析，本文提出如下假设：
假设2：部分投资者因信息获取优势转变为知情交易者，则其对公司意外盈余具有较强预测能力，可以通过交易提高股价信息含量；非知情交易者对公司意外盈余没有预测能力。
-
不同投资者信息获取能力差异较大，投资者之间交易动机不同，投资者信息来源一直是金融领域研究热点。Barclay和Warner（1993）、Chakravarty（2001）通过对公开信息假设与隐藏性信息假设的探讨解释价格波动问题。投资者信息一方面来源于市场公开信息，这部分信息不具有排他性，不管是哪种类型的投资者都容易获得。另一方面投资者信息来源于投资者特殊的私有渠道，比如市场中部分投资者能够通过与上市公司特殊关系获得其他投资者无法获得的信息。中国股市中的知情交易者主要是国内机构投资者，在股市中拥有一定信息优势（潘婉彬和杨涛，2019）。对于机构投资者，他们是从事专业投资理财的资金管理者，有足够的资金和动力搜集各种市场信息。现实投资过程中，部分大型投资者能够通过与上市公司紧密的互动关系获得私有信息，进而通过私有信息交易获得超额收益。但已有研究结论更多支持机构投资者信息优势来源于市场公开信息，张宗新和杨通旻（2014）、郭庆云等（2017）通过对共同基金的研究发现，共同基金具备一定的信息挖掘能力，特别是在信息环境较好和基本面波动较小的大市值公司，共同基金通过对公开信息的挖掘形成信息优势。黄顺武等（2015）通过对上市公司重大股权收购事件研究，发现机构投资者既具有信息获取优势，又具有信息处理优势。对于以散户投资者为代表的非知情投资者，他们对市场公开信息的获取和吸收能力较弱，也没有时间和精力去搜集市场非公开的信息，往往追涨杀跌，盲目跟风。因此，针对不同投资者信息优势来源于公开信息还是私有信息，本文提出如下假设：
假设3：知情投资者通过对市场公开信息的挖掘和吸收获取信息，特殊渠道获取私有信息优势不明显；非知情投资者由于对市场公开信息吸收和特殊私有信息的获取均不明显，处于信息劣势。
-
部分投资者具有很强的信息收集和分析能力，在市场中作为知情投资者提高了股价信息含量。当市场中公开信息增加时，知情投资者对提高股价信息效率、降低股价同步性的作用更显著。分析师作为市场的信息中介，通常被看作是其跟踪企业所属行业的专家，能够将公司特质信息传递到股票市场（伊志宏等，2019），有效提高市场公开信息。证券分析师能够通过两个主要途径增加市场公开信息，一方面，分析师具备信息挖掘和信息解读的专业能力（Huang等，2016），通过对上市公司公开财务信息进行分析、挖掘，了解公司经营状况，对公司经营前景进行预测。另一方面，Liu（2011）研究表明，分析师虽然是外部人，但仍然有途径了解公司的特质信息，分析师可以通过与上市公司紧密的互动关系获得部分私有信息。在股票市场中，各种类型的分析师会不定期发布对上市公司经营业绩的研究报告，这些分析报告都会增加市场中关于公司特质的可获得公开信息。当市场可获得公开信息越多时，部分知情投资者由于其人力资源等优势和较强的信息收集分析能力，能够进一步提高股价信息含量。基于上述分析，本文提出如下假设：
假设4：当证券分析师为市场提供更多公司特质信息时，知情投资者由于信息获取优势，通过交易降低股价同步性的效应更明显。
-
本文研究对象为沪深两市A股上市公司，基于数据可获得性，样本区间为2013年至2019年，本文的投资者交易数据来自Wind数据库，机构持股来自同花顺数据库，其他股票市场数据和公司财务数据都来自CSMAR数据库。由于分析中涉及公司的财务指标，因而剔除了金融类上市公司。在利用上市公司日交易数据计算股价同步性时，为了保证数据的稳定性，剔除了公司上市IPO当年数据和1年交易不足120天的数据。最终有效样本为3307家上市公司、18561个年度样本数据。此外，在回归分析时加入了企业、行业及年度虚拟变量，以控制个体、行业和时间差异对股价联动的影响。为减少极端值可能对结果产生影响，本文对模型中连续变量在1%和99%的水平上进行Winsorize处理。
-
1. 股价同步性。股价同步性可直观理解为股价同向变动的现象，进一步可理解为个股收益率波动被市场收益所解释的部分。本文借鉴Morck等（2000）、余秋玲和朱宏泉（2014）的研究方法，用CAPM回归得到的调整残差平方和R2表示。
本文计算股价同步性过程如下：
$$ {R}_{i,d,t}={\beta }_{0}+{\beta }_{1}\times{R}_{M,d,t}+{\beta }_{2}\times{R}_{I,d,t}+{\varepsilon }_{i,d,t} $$ (1) 其中，
$ {R}_{i,d,t} $ 为股票i在第t年第d天的收益率，$ {R}_{M,d,t} $ 为第t年第d天所有股票流通市值加权的市场收益率，$ {R}_{I,d,t} $ 为剔除股票i之后，行业内其他股票流通市值加权计算获得的行业收益率，本文行业分类以证监会2012年分类标准为依据，经计算获得调整后R2表示同步性。由于R2的取值范围为(0，1)，为了将其取值范围扩大到整个实数，在回归分析时对指标做如下对数变换：$$ {CM}_{i,t}={ln}\left(\frac{{R}_{i,t}^{2}}{1-{R}_{i,t}^{2}}\right) $$ (2) 2. 不同类型投资者交易。首先，需要对知情投资者和非知情投资者进行界定。对二者的区分主要依据信息获取能力的异质性，信息获取能力通常受投资者投入的时间、精力、人力资源和关注度等因素影响。潘婉彬和陶利斌（2011）发现证券投资基金等大型机构投资者，由于有充分的时间和足够的人力资源，能够获得充足的信息，为知情交易者；而个人等散户投资者受有限关注制约较大，获取信息不充分，为非知情交易者。已有研究发现机构投资者是我国股票市场暴涨暴跌的助推器（陈国进等，2010），羊群行为等非理性行为导致机构投资者忽略自身所掌握的私有信息，降低了私有信息融入股价的程度，从而提高了上市公司的股价崩盘风险（许年行等，2013）。这主要是因为在整个市场投资过程中，不管是机构投资者，还是个人投资者，都不可能达到完全理性的假设水平。在部分时段，或者特定环境下，机构投资者会呈现出暂时的非理性行为，但从长期和整体看，机构投资者较个人投资者拥有足够多的公开信息和私有信息，是市场中的知情交易者（王飞，2013）。
其次，是对不同类型投资者交易的衡量。根据市场微观结构领域的研究方法，通过每笔交易订单的大小对投资者进行分类。Lee和Radhakrishna（2000）在对美国20世纪90年代股票市场研究中发现，单笔交易在2万美元以下的投资者为个人投资者的概率超过84%。随后，越来越多的研究借鉴这一思想，通过委托交易订单的大小来区分不同投资者类型（Hvidkjaer，2006； Malmendier和Shanthikumar，2007）。这样分类的优点是，尽管有些投资者为个人投资者，但其交易金额巨大，对股票市场的价格冲击与一般所理解的个人投资者有很大差别，他们的交易行为及其影响也完全不同。相反，此类大型个人投资者交易行为与机构投资者行为有很多类似的地方，对市场的影响也更为接近。因此，仅仅通过交易账户将投资者分为机构投资者和个人投资者，很多研究结果会受到样本选择偏差的影响，并且通过账户数据研究投资者交易行为的文献通常选择某一特定数据来源，数据局限于某个证券经纪商，从而研究结果不足以反映股票市场投资者整体的交易行为（王磊和孔东民，2014）。本文通过对每笔委托交易订单大小进行分类，通过汇总以得到知情投资者和非知情投资者交易。
通过以交易订单大小给投资者分类也有一个问题，即选择交易订单多大金额作为临界点，临界值选择过高，会将机构投资者交易误化为个人投资者；临界值选择过低，又会将个人投资者交易误化为机构投资者。在我国股票市场中，已有研究发现，将单笔成交金额在10万元以下的订单界定为由个人投资者驱动（王磊和孔东民，2014）取得了良好的研究效果Wang等（2011）。在分析个股资金流向时，将单笔金额在10万元以下的成交界定为一般性个人投资者行为，单笔金额在30万元以上的成交则已具备大户或机构投资者的特征。因此，本文为了更加准确地研究不同投资者交易行为对股价同步性的影响，将单笔委托单金额小于4万元的交易定义为个人投资者发起，单笔委托单金额大于20万元的交易为机构投资者发起。
本文对高频数据的处理参考王磊和孔东民（2014）计算方法，步骤如下：
（1）每只股票每个交易日将委托单金额小于4万的交易分别按买卖进行汇总，获得个人投资者交易；同时将委托单金额大于20万的交易分别按买卖进行汇总，获得机构投资者交易。为了控制和消除个股因股票拆分和送股使总股本变化造成交易量偏差的影响，将每日买卖交易通过个股当日流通股数进行标准化（Campbell等，2009）。
（2）将不同投资者交易买入量减去卖出量，获得当日的净买入。
$$ {NB}_{i,d,inv}={BUY}_{i,d,inv}-{SELL}_{i,d,inv} $$ (3) 其中，
$ {BUY}_{i,d,inv} $ 和$ {SELL}_{i,d,inv} $ 表示第i只股票第d天某类投资者inv主动买入量和主动卖出量，inv表示不同类型的投资者，分别为机构投资者（Inst）和个人投资者（Indi），$ {NB}_{i,d,inv} $ 表示该类投资者在当日对这个股票的净买入量。然后，用股票i在第d个交易日不同类型投资者净买入减去所有股票在该交易日净买入的均值，分别得到不同投资者在第d个交易日对该股票的超额净买入：
$$ AN{B_{i,d,inv}} = N{B_{i,d,inv}} - \frac{1}{n}\sum\limits_{i = 1}^n {N{B_{i,d,inv}}} $$ (4) 其中，n为当日所有交易股票的数量，则在某一段时间内不同类型投资者的累计超额净买入交易为：
$$ {InstTrad}_{i,t}=\sum\limits_{d=1}^{T}{ANB}_{i,d,Inst} $$ (5) $$ {IndiTrad}_{i,t}=\sum\limits_{d=1}^{T}{ANB}_{i,d,Indi} $$ (6) 其中，
$ { InstTrad}_{i,t} $ 表示机构投资者对股票i在第t年的累计超额净交易量，$ { IndiTrad}_{i,t} $ 表示个人投资者对股票i在第t年的累计超额净交易量。3. 意外盈余。根据随机游走模型，公司业绩意外盈余是本年度盈余与去年同期盈余的差值（王磊和孔东民，2014；丁慧等，2018）：
$$ {UE}_{i,t}={EPS}_{i,t}-{EPS}_{i,t-1} $$ (7) 其中，
$ {EPS}_{i,t} $ 为股票i在第t期的每股收益。$ {EPS}_{i,t-1} $ 为股票i去年同期的每股收益。为消除股票拆分的影响，本文通过流通股的变换调整，使不同期每股收益具有可比性。为了研究投资者对意外盈余的预测能力来自公开信息还是投资者私有信息，本文将意外盈余分为所有投资者可预测部分和不可预测部分。由于上市公司在本年度盈余公告发布之前，会有许多分析师对其经营业绩进行跟踪研究，发布公司盈余预测，对上市公司业绩盈余形成一致预测
$\overline {EPS} $ 。分析师盈余一致预测是公开信息，不管是机构投资者，还是个人投资者都容易获得，投资者能够通过将分析师盈余一致预测信息吸收，意外盈余变得可以预测。因此，本文定义分析师一致预测$\overline {EPS} $ 和去年同期盈余$ {EPS}_{i,t-1} $ 的差额为意外盈余的可预测部分（$ {eUE}_{i,t} $ ），见图3。由于分析师预测存在偏差，分析师盈余预测的公开数据与实际盈余并不完全一致，这里将真实盈余$ {EPS}_{i,t} $ 与分析师一致预测盈余$\overline {EPS} $ 之间的差额定义为投资者不可预测部分（$ {nUE}_{i,t} $ ），则可以将意外盈余分解为：$$ {eUE}_{i,t}=E\left[{EPS}_{i,t}\right]-{EPS}_{i,t-1} $$ (8) $$ {nUE}_{i,t}={EPS}_{i,t}-E\left[{EPS}_{i,t}\right] $$ (9) 其中，
$ {eUE}_{i,t} $ 和$ n{UE}_{i,t} $ 分别为股票i在第t期意外盈余可预测部分与不可预测部分，$ E\left[{EPS}_{i,t}\right] $ 为当期内所有分析师发布关于股票i的一致盈余预测，为所有分析师预测的平均值，同一分析师发布多份分析预测的以当期最后发布分析预测为准。
图 3 意外盈余中可预测部分和不可预测部分关系
4. 分析师数据。跟踪研究上市公司的分析师能够将企业经营特质信息有效带入市场，跟踪研究上市公司的分析师人数越多，发布的研究报告越多，对上市公司的关注度越高，投资者关于公司特质信息的可获得信息就越丰富，进而对投资者交易的影响产生调节效应。本文分别统计了跟踪上市公司的分析师人数与关于公司经营业绩发布的分析报告数量：
$$ {AnaAttention}_{i,t}={\rm{ln}}(1+\sum\limits_{j=0}^{n}{Ananum}_{i,t,j}) $$ (10) $$ {RepAttention}_{i,t}={\rm{ln}}(1+\sum\limits_{j=0}^{n}{Repnum}_{i,t,j}) $$ (11) 其中，
$ {Ananum}_{i,t} $ 为股票i在t期内跟踪研究分析师人数，$ {Repnum}_{i,t} $ 为股票i在t期内跟踪分析师所发布分析报告数，如果相同分析师针对同一家上市公司发布多份报告，以当期最后发布的分析报告为准。$ {AnaAttention}_{i,t} $ 为股票i在t期内跟踪研究分析师人数总和的自然对数，$ {RepAttention}_{i,t} $ 为股票i在t期内发布公司研究报告总数的自然对数。5. 控制变量。为了控制其他影响同步性变化因素，本文引入换手率（Turnover）、资本收益率（ROE）、总资产增长率（AssetGR）、财务杠杆（Lev）、市值账面比（MTB）、公司规模（Size）、上市年限（Age）、第一大股东持股占比（Top1）、第一大股东持股占比的平方（Top1_sq）、机构持股比例（InstHolder）、非流动性（Illiqui）、是否四大会计师事务所负责审计（Big4）和是否为国有企业（SOE）作为控制变量，变量详细说明见表1。
表 1 变量选择与说明
变量名称 变量符号 变量说明 同步性 R2 与市场和行业收益回归所得的拟合优度 CM 由拟合优度R2变换所得 意外盈余 UE 当期的盈余与去年同期盈余的差值 可预测意外盈余 eUE 分析师一致预测盈余与去年同期盈余的差值 不可预测意外盈余 nUE 当期盈余与分析师一致预测盈余的差值 机构投资者交易 InstTrad 以单笔交易订单大于20万汇总获得机构投资者交易 个人投资者交易 IndiTrad 以单笔交易订单小于4万汇总获得个人投资者交易 被分析师关注 AnaAttention 对该公司跟踪分析师（团队）总人数+1的自然对数 被研报关注度 RepAttention 对该公司跟踪研究报告总数+1的自然对数 滞后期同步性 CMt-1 股票前一期同步性 换手率 Turnover 年内日均换手率，等于股票日交易量除以流通股 资本收益率 ROE 公司净利润除以所有者权益 总资产增长率 AssetGR 公司总资产增长率 财务杠杆 Lev 公司总负债除以总资产 市值账面比 MTB 年流通股市值平均除以股东权益 上市年限 Age 公司上市年限+1的自然对数 股权集中度1 Top1 第一大股东持股比重 股权集中度2 Top1_sq 第一大股东持股比重的平方 机构投资者持股比例 InstHolder 机构投资者持股比重 非流动性 Illiq 采用Amihud非流动性比率表示 审计师事务所 Big4 是否由四大会计师事务所负责审计，是为1，不是为0 企业性质 SOE 是否是国有企业，国有企业等于1，其他等于0 公司规模 Size 公司总资产的自然对数 超额收益 CAR 盈余公告前60天股票累计超额收益 -
市场微观结构理论将投资者分为以信息驱动的信息交易者和非理性驱动的噪音交易者，由于不同投资者关注能力的差异，造成其所获得信息的多寡。本文将投资者分为信息获取能力更强、具有信息优势的知情投资者和处于信息劣势的非知情投资者，分别用机构投资者和个人投资者表示。如果知情投资者作为信息交易者能够降低股票价格的同步性，同时，非知情投资者作为信息劣势方通过交易增加了股价同步性，则结论支持研究假设1。同步性变化表示股价中含有公司特质信息的多寡，同步性越低，股价信息效率越高。针对这一问题，本文通过构建模型（12）和（13），研究不同投资者交易对股价同步性造成的差异性影响，主要检验
$ {\alpha }_{1} $ 、$ {\beta }_{1} $ 的显著性和正负方向。$$ {CM}_{i,t}={\alpha }_{0}+{\alpha }_{1}{InstTrad}_{i,t}+{\alpha }_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (12) $$ {CM}_{i,t}={\beta }_{0}+{\beta }_{1}{IndiTrad}_{i,t}+{\beta }_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (13) 其中，
$ {CM}_{i,t} $ 表示股票i在第t期的同步性变化，$ { InstTrad}_{i,t} $ 为股票i在第t期机构投资者净交易，$ {IndiTrad}_{i,t} $ 为股票i在第t期个人投资者净交易，$ {ControlVariables}_{i,t} $ 为公司特征相关控制变量。 -
知情投资者通过交易将公司特质信息融入股价，但这部分投资者是否能够通过较强的信息获取能力将自己转变为知情投资者，并通过交易降低股价同步性？如果能够增加股价信息含量，这部分知情投资者又是通过何种方式提高股价信息效率？公司经营业绩作为个股最重要的信息，深刻影响股票价格的真实价值，如果作为知情投资者，则其有能力对盈余信息准确预测，可以通过交易将公司盈余信息融入股票价格，提高市场信息效率。相反，非知情投资者交易对公司盈余信息没有预测能力，不能改善公司股价信息含量。本文通过不同类型投资者过去一年中超额累计净交易量对公司业绩意外盈余的预测进行研究，模型见（14）和（15）式，如果知情投资者交易确实具有信息优势，则其交易能够对公司意外盈余具有预测能力，
$ {a}_{1} $ 和$ {b}_{1} $ 显著为正，否则没有预测能力。$$ {UE}_{i,t}={a}_{0}+{a}_{1}{InstTrad}_{i,t}+{a}_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (14) $$ {UE}_{i,t}={b}_{0}+{b}_{1}{IndiTrad}_{i,t}+{b}_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (15) 其中，
$ {UE}_{i,t} $ 表示股票i在第t期的意外盈余，$ { InstTrad}_{i,t} $ 为股票i在第t期机构投资者净交易，$ {IndiTrad}_{i,t} $ 为股票i在第t期个人投资者净交易，$ {ControlVariables}_{i,t} $ 为公司特征相关的控制变量。 -
知情投资者作为信息交易者，将公司特质信息融入股票价格，非知情投资者交易未提高股价信息含量。尽管现实投资过程中，部分专业的机构投资者能够通过与上市公司紧密的互动关系获得私有信息，通过私有信息交易获得超额收益，但已有研究没有相应数据验证。本文进一步验证知情投资者的信息优势是来自特殊渠道的私有信息，还是由于较强信息获取能力充分利用了市场公开信息，抑或是两者皆有。此外，非知情投资者作为信息劣势方，是否利用已公开信息减小劣势？本文通过不同类型的投资者交易对公司意外盈余的可预测部分（
$ eUE $ ）和不可预测部分（$ nUE $ ）进行回归，研究发现，投资者充分利用市场公开信息，能够对意外盈余可预测部分做出反应。因此，如果机构投资者确实能够利用公开信息成为知情交易者，则对意外盈余可预测部分（$ eUE $ ）有正向的预测能力，即模型（16）中$ {c}_{1} $ 为正。同时，个人投资者作为信息劣势方，由于没有充分利用公开信息，对意外盈余可预测部分没有预测能力，即模型（17）中$ {d}_{1} $ 不显著。$$ {eUE}_{i,t}={c}_{0}+{c}_{1}{InstTrad}_{i,t}+{c}_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (16) $$ {eUE}_{i,t}={d}_{0}+{d}_{1}{IndiTrad}_{i,t}+{d}_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (17) 其中，
$ {eUE}_{i,t} $ 为股票i在第t期意外盈余通过分析师一致预测信息能够预测的部分，$ { InstTrad}_{i,t} $ 为股票i在第t期机构投资者净交易，$ {IndiTrad}_{i,t} $ 为股票i在第t期个人投资者净交易，$ {ControlVariables}_{i,t} $ 为公司特征相关的控制变量。意外盈余不可预测部分收益无法通过公开信息获得，只能通过投资者特殊渠道的私有信息提前交易。因此，如果机构投资者能够通过特殊渠道的私有信息成为知情投资者，则模型（18）中
$ {e}_{1} $ 应该显著为正，否则其没有私有信息优势。如果模型（16）中$ {c}_{1} $ 显著为正，则说明知情投资者信息优势来源仅为市场公开信息。由于知情投资者专业能力更强，能够充分吸收已公开信息，因而提高了股价信息含量。同理，对非知情投资者信息劣势的原因进行研究，如果模型（17）与（19）中$ {d}_{1} $ 和$\; {f}_{1} $ 都不显著，则非知情投资者既没有特殊的私有信息，也没有充分利用市场公开信息进行交易，与研究假设3结论相符。$$ {nUE}_{i,t}={e}_{0}+{e}_{1}{InstTrad}_{i,t}+{e}_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (18) $$ {nUE}_{i,t}={f}_{0}+{f}_{1}{IndiTrad}_{i,t}+{f}_{2}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (19) 其中，
$ {nUE}_{i,t} $ 为股票i在第t期意外盈余无法通过分析师信息能够预测的部分，$ { InstTrad}_{i,t} $ 为股票i在第t期机构投资者净交易，$ {IndiTrad}_{i,t} $ 为股票i在第t期个人投资者净交易，$ {ControlVariables}_{i,t} $ 为公司特征相关的控制变量。 -
部分投资者由于更强的信息获取能力，对市场公开信息分析吸收转变为知情投资者，之后，可以通过交易提高股票价格信息含量。当市场中公开可获得信息增加时，知情投资者对提高股票价格信息效率，降低股价同步性的效应会更强。分析师作为市场的信息中介，能够将公司特质信息传递到股票市场（伊志宏等，2019），有效提高市场公开信息。
在股票市场中，各种类型的分析师会不定期发布对上市公司经营业绩的研究报告，这些分析报告都会显著增加市场中关于公司特质的可获得公开信息。因此，本文通过引入分析师数据和知情投资者交易的交互项，研究投资者交易对股价同步性的影响。当证券分析师为市场提供更多公开可获得特质信息时，知情投资者作为信息获取能力更强的交易者，对降低股价同步性、提高公司股价信息含量效应更显著，即模型（20）和模型（21）中
$ {\gamma }_{2} $ 和$ {\varphi }_{2} $ 显著为负。本文分别以上市公司分析师跟踪人数（$ {AnaAttention}_{i,t} $ ）和分析师报告数量（$ {RepAttention}_{i,t} $ ）作为市场已公开信息的衡量方式。$$ {CM}_{i,t}={\gamma }_{0}+{\gamma }_{1}{InstTrad}_{i,t}+{\gamma }_{2}{InstTrad}_{i,t}\times {AnaAttention}_{i,t}+{\gamma }_{3}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (20) $$ {CM}_{i,t}={\varphi }_{0}+{\varphi }_{1}{InstTrad}_{i,t}+{\varphi }_{2}{InstTrad}_{i,t}\times {RepAttention}_{i,t}+{\varphi }_{3}{ControlVariables}_{i,t}+{\varepsilon }_{i,t} $$ (21) 其中，
$ {CM}_{i,t} $ 表示股票i在第t期的同步性变化，$ { InstTrad}_{i,t} $ 为股票i在第t期机构投资者净交易，$ {AnaAttention}_{i,t} $ 为股票i在t期公司跟踪研究分析师人数的总和的自然对数，$ {RepAttention}_{i,t} $ 为股票i在t期内跟踪分析师所发布分析报告总和的自然对数。 -
表2给出了相关变量的描述性统计。中国A股市场R2的均值为0.362，结果与现有相关文献报告均值类似，如Gul等（2010）和Morck等（2000）报告的中国市场的R2分别为0.454和0.453，胡军和王甄（2015）报告为0.437，说明在本文的样本期内，与之前相比R2略有下降。同步性变量CM的均值为−0.673，标准差为0.897，说明不同公司之间股价同步性差异较大。机构投资者交易（InstTrad）均值为−0.872，标准差为1.151，平均来看样本期内机构投资者在净卖出股票。相反，个人投资者交易（IndiTrad）平均来看在净买入股票，交易均值为0.092。公司意外盈余（UE）的均值为6.744，标准差为38.426，意外盈余可预测部分（eUE）的均值为23.139，意外盈余不可预测部分（nUE）的均值为−15.576，说明分析师对公司业绩预测通常过于乐观，这与现有研究结论一致。跟踪预测上市公司业绩的分析师平均为1.992，发布分析报告平均为2.482，说明有分析师跟踪的上市企业平均每家公司会有大约9.78个分析师对其研究，同时发布大约21.06份研究报告。
-
表3报告了不同类型投资者交易对股票价格同步性影响的回归结果。其中，列（1）和列（4）为控制年度和行业固定效应的检验结果，列（2）和列（5）为同时控制年度固定效应、行业固定效应与其他控制变量的检验结果，列（3）和列（6）为同时控制年度固定效应、企业固定效应与其他控制变量的检验结果。在列（1）（2）（3）中加入不同控制变量后，机构投资者交易对公司股价同步性的影响系数分别为−0.103、−0.048和−0.070，且都在1%水平下显著。这说明机构投资者由于信息获取能力强，作为信息交易者能够将公司特质信息融入股价，进而降低股价同步性。在列（4）（5）（6）中加入不同控制变量后，个人投资者交易对股价同步性影响系数分别为0.196、0.217和0.082，并且都在1%水平下显著。这说明个人投资者信息分析能力有限，作为噪音交易者增加了股票价格的同步变化。因此，在中国股票市场中，机构投资者作为信息交易的代表降低了股价同步性，个人投资者作为噪音交易的代表增加了股票价格的共同波动，从两个方面都证明了我国股票市场是以信息交易为主导，支持股价同步性的“信息效率”假设，假设1得到验证。
表 2 主要变量描述统计
变量 观测值 均值 标准差 最小值 最大值 R2 18555 0.362 0.172 0.025 0.756 CM 18515 −0.673 0.897 −3.478 1.131 InstTrad 18560 −0.872 1.151 −6.376 0.614 IndiTrad 18560 0.092 0.232 −0.383 1.244 UE 11524 6.744 38.426 −126.699 175.214 eUE 9937 23.139 29.678 −42.000 149.714 nUE 9937 −15.565 37.023 −162.342 100.896 AnaAttention 13323 1.992 0.890 0.693 4.331 RepAttention 13330 2.482 1.142 0.693 5.537 Turnover 18546 2.635 2.117 0.231 10.719 ROE 18486 6.006 13.070 −68.138 34.964 AssetGR 18524 14.637 28.251 −33.485 171.040 Lev 18524 42.758 20.528 5.766 90.512 MTB 18505 3.013 3.057 0.377 22.191 Age 18542 2.214 0.746 0.693 3.258 Top1 18524 0.342 0.147 0.086 0.742 Top1_sq 18524 0.138 0.114 0.007 0.550 InstHolder 18522 0.347 0.258 0.001 0.896 Illiq 18009 0.052 0.068 0.003 0.503 Big4 18560 0.056 0.229 0 1 SOE 18561 0.338 0.473 0 1 Size 18510 22.251 1.286 19.831 26.179 表 3 投资者交易对股价同步性的影响
(1) (2) (3) (4) (5) (6) CM CM CM CM CM CM InstTrad −0.103*** −0.048*** −0.070*** (0.006) (0.006) (0.008) IndiTrad 0.196*** 0.217*** 0.082*** (0.030) (0.026) (0.029) CMt−1 0.274*** −0.062*** 0.299*** −0.065*** (0.009) (0.009) (0.009) (0.009) Turnover −0.074*** −0.125*** −0.090*** −0.114*** (0.004) (0.007) (0.004) (0.007) ROE 0.001*** 0.000 0.001*** 0.000* (0.000) (0.000) (0.000) (0.000) AssetGR −0.000*** −0.000*** −0.000*** −0.000** (0.000) (0.000) (0.000) (0.000) Lev −0.004*** −0.003*** −0.001*** −0.001 (0.000) (0.001) (0.000) (0.001) MTB 0.000 0.000*** 0.000 0.000* (0.000) (0.000) (0.000) (0.000) Age −0.045*** −0.505*** −0.021 −0.413*** (0.013) (0.072) (0.013) (0.072) Top1 0.357** 0.589 0.093 0.259 (0.180) (0.507) (0.177) (0.514) Top1_sq −0.454** −0.632 −0.087 −0.165 (0.228) (0.594) (0.223) (0.591) InstHolder −0.284*** −0.302*** −0.224*** −0.290*** (0.032) (0.055) (0.031) (0.055) Illiq −0.459*** −0.371*** −0.520*** −0.408*** (0.082) (0.063) (0.095) (0.070) Big4 −0.074** 0.010 0.046* 0.038 (0.029) (0.087) (0.027) (0.091) SOE 0.227*** 0.111*** 0.232*** 0.123*** (0.017) (0.036) (0.017) (0.038) Size 0.098*** 0.196*** 0.087*** 0.145*** (0.009) (0.025) (0.008) (0.017) 年度固定效应 是 是 是 是 是 是 行业固定效应 是 是 否 是 是 否 企业固定效应 否 否 是 否 否 是 Constant −0.763*** −2.251*** −3.536*** −0.691*** −0.127*** 0.636*** (0.010) (0.196) (0.585) (0.009) (0.048) (0.215) Observations 18514 14647 14194 18514 14659 14206 Adj.R2 0.237 0.404 0.595 0.223 0.390 0.588 注: 括号内为稳健标准误，标准误采用公司层面的cluster方差估计。*、**和***分别表示在10%、5%和1%水平上显著。 对于控制变量，股价同步性的滞后值对当前股票价格的变动有显著影响，说明股票价格信息效率的变化是连续的。换手率较高的股票同步性较低，说明交易活跃的股票有利于公司特质信息影响股价，增加信息效率，这一结论与胡军和王甄（2015）的研究结果一致。总资产增长较快（AssetGR）、高杠杆公司（Lev）、流动性不足的公司（Illiq）的股价同步性相对较低，主要是因为对于基本面风险较高的公司，市场需要披露更多特质信息。机构持股（InstHolder）越高的公司，股票价格同步性越低，机构投资者持股比例的增加，对公司经营状况和信息披露的准确性、完整性起到监督作用，从而提高公司股票价格信息效率。盈利较好的公司（ROE）和规模较大的公司（Size）通常受到投资者过多关注，噪音交易较多，股价同步性相对来说更高。
-
机构投资者作为知情投资者，通过交易将公司特质信息融入股价，针对机构投资者是否具有信息优势的分析结果见表4。
表 4 不同类型投资者对公司意外盈余的预测能力
(1) (2) (3) (4) UE UE UE UE InstTrad 4.794*** 4.099*** (1.189) (1.217) IndiTrad 0.082 0.074 (0.055) (0.054) 控制变量 是 是 是 是 年度固定效应 否 是 否 是 行业固定效应 否 是 否 是 Constant −120.767*** −135.149*** −101.679*** −118.738*** (10.567) (12.902) (9.801) (12.372) Observations 8935 8935 8935 8935 Adj.R2 0.021 0.048 0.019 0.047 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。 从结果看，在回归方程（1）和（2）中，不论是否控制时间和行业变化特征，机构投资者交易都能够显著预测公司意外盈余，验证了本文假设：机构投资者作为信息交易者能够预测公司意外盈余。相反，个人投资者作为非知情投资者交易对盈余信息的预测不显著。
这一结论证明机构投资者确实具有信息优势，能够充分挖掘和分析企业经营状况，是市场交易中的知情者。个人投资对公司经营业绩没有准确的预测，是市场中的非知情交易者。同时，这一结论也证明，机构投资者作为市场中的信息交易者，能够通过对公司经营业绩的预测，将公司经营现状融入股票价格，从而提高股票价格的信息含量。验证支持假设2。
-
更进一步，表5报告了不同投资者是否具有私有信息优势，表中分别报告了机构投资者（InstTrad）和个人投资者（IndiTrad）交易对公司意外盈余不可预测部分是否具有预测能力。从结果看，不管是机构投资者还是个人投资者，对意外盈余不可预测部分（
$ nUE $ ）都没有显著的预测能力，说明两类投资者都没有特殊渠道获取信息优势。尽管机构投资者作为知情交易者与上市公司关系特殊，通常认为其有特殊渠道获取私有信息，从而获得超额收益，但是本文的结论并不支持这一观点。尽管机构投资者在某种程度上能够通过特殊渠道获得私有信息，但这类信息优势可能只是暂时性或者阶段性的，对整个市场中上市公司股票价格信息含量的影响并不显著。表 5 不同投资者对意外盈余不可预测部分的反应
(1) (2) (3) (4) nUE nUE nUE nUE InstTrad −1.406 1.033 (1.085) (1.106) IndiTrad 0.138 0.090 (0.152) (0.082) 控制变量 是 是 是 是 年度固定效应 否 是 否 是 行业固定效应 否 是 否 是 Constant −57.433*** −80.095*** −56.049*** −72.527*** (10.584) (12.259) (9.948) (11.851) Observations 7817 7817 7817 7817 Adj.R2 0.019 0.067 0.020 0.067 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。 表6分别报告了机构投资者（InstTrad）和个人投资者（IndiTrad）交易对公司意外盈余可预测部分是否具有预测能力。从结果看，机构投资者交易对意外盈余可预测部分（
$ eUE $ ）的回归结果显著为正，说明机构投资者作为知情交易者具有明显的预测能力。机构投资者充分利用了市场中上市公司的公开信息，对其经营业绩有比较准确的预测能力。而个人投资者对意外盈余可以预测的回归结果并不显著，对其没有预测能力。表 6 不同投资者对意外盈余可预测部分的反应
(1) (2) (3) (4) eUE eUE eUE eUE InstTrad 6.010*** 2.834*** (1.007) (1.000) IndiTrad −0.046 −0.003 (0.044) (0.043) 控制变量 是 是 是 是 年度固定效应 否 是 否 是 行业固定效应 否 是 否 是 Constant −59.483*** −56.612*** −40.998*** −47.828*** (9.025) (10.080) (8.466) (9.696) Observations 7817 7817 7817 7817 Adj.R2 0.017 0.104 0.012 0.103 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。 综上，机构投资者信息优势并不是通过特殊渠道获得的私有信息，而是充分挖掘和吸收上市公司已公开信息，将其融入股票价格，提高股价信息含量。相反，个人投资者作为信息劣势方，并不是由于其获取信息的渠道劣势，而是由于信息收集和分析不足，未充分利用市场中已公开信息，造成信息劣势，验证支持假设3。
-
当市场可获得公开信息越多时，机构投资者由于其时间、精力和人力资源等优势，能够进一步提高股价信息含量。分析师作为市场的信息中介，能够将公司特质信息传递到股票市场，增加市场公共信息。
在表7的实证结果中，列（1）和列（2）是以分析师数量（AnaAttention）作为衡量公共信息方式与机构投资者交易交互项的检验结果，无论是否加入控制变量，系数都显著为负，分别为−0.034和−0.017，在1%水平上显著。为了研究结果的稳健性，列（3）和列（4）是以研究报告数量（RepAttention）作为公共信息衡量方式与机构投资者交易交互项的检验结果，无论是否加入控制变量，系数也都显著为负，分别为−0.023和−0.012，在1%水平上显著。研究表明，当市场中关于公司公开特质信息越多时，机构投资者由于更强的信息获取能力，将这些信息准确及时融入股价，降低股价同步性的效应越明显，符合研究假设4的结论。
表 7 市场公开信息对知情投资者影响的调节作用
(1) (2) (3) (4) CM CM CM CM InstTrad −0.043*** −0.045*** −0.054*** −0.050*** (0.015) (0.013) (0.015) (0.013) InstTrad×AnaAttention −0.034*** −0.017*** (0.006) (0.005) InstTrad×RepAttention −0.023*** −0.012*** (0.005) (0.004) 控制变量 是 是 是 是 年度固定效应 是 是 是 是 行业固定效应 是 是 是 是 Constant −0.710*** −0.220*** −0.712*** −0.216*** (0.011) (0.054) (0.011) (0.055) Observations 13299 10589 13306 10591 Adj.R2 0.263 0.403 0.262 0.403 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。 -
1. 内生性问题。以上实证结果说明，机构投资者通过交易将市场公开信息融入股价，提高了股价信息含量，使公司的股价同步性降低，同时个人投资通过交易增加了同步性。但是，本文的研究结果可能存在内生性问题，投资者交易的增加可能是由于股价同步性的变化所导致。针对这一问题，本文利用工具变量模型进行2SLS检验。由于滞后的投资者交易不会受到当期股价同步性影响，但是会对当期交易产生影响。因此，本文分别选择投资者滞后第三期的交易和滞后第一、二和三期的交易均值作为工具变量对以上结果进行验证，两者结果一致。
表8汇报了以投资者滞后第三期的交易为工具变量结果，从第一阶段的结果看，机构投资者和个人投资者的交易均与滞后期工具变量交易正相关，说明过去较高交易的股票，之后交易仍然较高。从第二阶段结果看，机构投资者交易仍然会降低股价同步性，个人投资者交易会增加股价同步性。研究表明，在控制了内生性问题以后，仍然支持股价同步性“信息效率”假设。
表 8 以交易的滞后三期为工具变量
(1) (2) First
InstTradSecond
CMFirst
IndiTradSecond
CMInstTradL3 0.620*** (0.020) InstTrad −0.158*** (0.023) IndiTradL3 0.289*** (0.034) IndiTrad 1.924*** (0.338) 控制变量 是 是 是 是 年度固定效应 是 是 是 是 行业固定效应 是 是 是 是 Constant 6.278*** −1.899*** 1.808*** 0.402 (0.359) (0.394) (0.086) (0.787) Observations 9060 9060 9060 9060 Adj.R2 0.505 0.358 0.304 0.138 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。 2. 被解释变量稳健性。参考Gul等（2010）、李增泉等（2011）和胡军与王甄（2015）的研究，通过式（22）增加市场和行业收益的滞后值来计算股价同步性，进而变换同步性获得CM2：
$${R}_{i,d,t}={\beta }_{0}+{\beta }_{1}\times{R}_{M,d,t}+{\beta }_{2}\times{R}_{M,d,t-1}+ {\beta }_{3}\times{R}_{I,d,t}+{\beta }_{3}\times{R}_{I,d,t-1}+{\varepsilon }_{i,d,t}$$ (22) $$ {CM2}_{i,t}={\rm{ln}}\left[\frac{{R\left(2\right)}_{i,t}^{2}}{1-{R\left(2\right)}_{i,t}^{2}}\right] $$ (23) 其中，
$ {R}_{M,d,t-1} $ 表示市场加权收益的滞后一期值，$ {R}_{I,d,t-1} $ 为股票i所在行业剔除该股票行业收益的滞后值。$ {R\left(2\right)}_{i,t}^{2} $ 为式（22）计算得到股票i在第t期的拟合优度，$ {CM2}_{i,t} $ 为股票i在第t期的同步性。通过变换被解释变量的实证结果见表9。列（1）和列（2）是机构投资者在没有控制变量和增加控制变量情况下对股价同步性的影响，实证结果发现机构投资者能够显著降低股价同步性，分别为−0.109和−0.048。列（3）和列（4）是个人投资者在没有控制变量和增加控制变量情况下对股价同步性的影响，结果显示个人投资者交易显著提高了股价同步性，分别为0.205和0.235。研究表明，在变换股价同步性衡量方式后，以机构投资者为代表的知情投资者交易仍然能够降低股价同步性，以个人投资者为代表的非知情投资者交易增加股价同步性，股价同步性“信息效率”假设仍然成立。
表 9 变换同步性的测量方式结果
(1) (2) (3) (4) CM2 CM2 CM2 CM2 InstTrad −0.109*** −0.048*** (0.006) (0.007) IndiTrad 0.205*** 0.235*** (0.031) (0.031) 控制变量 否 是 否 是 年度固定效应 是 是 是 是 行业固定效应 是 是 是 是 Constant −0.758*** −3.377*** −0.681*** −0.192*** (0.011) (0.228) (0.009) (0.057) Observations 18511 17904 18511 17918 Adj.R2 0.226 0.330 0.212 0.302 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。 -
股价同步性能否度量公司特质信息含量，学术界进行了广泛深入地研究。持“信息效率”假说的观点认为，股价同步性反映了公司特质性信息的多寡，股价同步性越低，股票价格信息效率越高。而持“噪音交易”假说的观点则认为，较低的股价同步性源于非理性的噪声交易。信息从产生到融入股票价格的过程中，除了投资者可获得信息的增加会影响股票价格的信息含量外，投资者已经获得的信息才是决定股价信息效率的关键因素。但是，股价同步性的变化通常是信息交易者和噪音交易者共同作用的结果，股价同步性如何变化主要取决于两类投资者交易数量的对比。基于此，本文考虑不同投资者信息获取能力差异，分别从知情投资者和非知情投资者的交易入手，对股价同步性问题进行研究，得出以下结论：
（1）知情投资者交易与股价同步性存在显著的负向关系，非知情投资者交易与股价同步性存在显著的正向关系。这说明知情投资者降低了市场中的股价同步性，同时非知情投资者增加了股价同步性，支持股价同步性“信息效率”假设。
（2）验证知情投资者是否具有信息优势时发现，知情投资者净买入交易能够显著预测公司业绩意外盈余，非知情投资者的净买入交易对公司业绩意外盈余没有预测能力，说明知情投资者确实具有信息优势。
（3）知情投资者的信息优势并不是来自于其特殊渠道的私有信息，而是通过对市场公开信息的充分挖掘和吸收提高股价信息效率。相反，非知情投资者处于信息劣势的根本原因也是由于其未充分利用市场公开信息。
（4）当证券分析师为市场提供更多公共信息时，机构投资者由于其信息获取优势转变为知情投资者，通过交易提高股价信息含量，降低股价同步性也会更显著。
以上结论表明，投资者信息获取能力的差异会显著影响股价信息含量，对股价同步性产生不同影响。知情投资者作为信息交易者能够降低公司股价同步性，非知情投资者作为噪音交易者增加了公司股价同步性。因此，我国当前股票市场仍然是以信息交易为主导的市场，支持股价同步性“信息效率”假说。
本文的结论为股价同步性衡量公司特质信息含量提供了直接的经验证据。此外，造成不同投资者信息差异的原因主要是投资者对已公开信息能否充分吸收和挖掘，研究结论对市场监管部门制定以机构等大型投资者为主体的市场结构，提高投资者获取信息能力提供了一定的理论基础。文章还从市场微观视角解释了分析师研究对公司股价信息含量影响的作用机制，扩大了信息披露的研究范围，有利于更好地理解分析师在资本市场中的作用。监管部门需要进一步完善证券分析师行业的法律法规，引导分析师提升自身专业能力，提高资本市场传递效率。
-
摘要: 文章基于投资者信息获取能力的异质性，研究投资者交易对我国股价同步性的影响。研究发现：（1）知情投资者交易越多，公司股价同步性越低；非知情投资者交易越多，股价同步性越高。这支持股价同步性“信息效率”假说，说明当前我国股票市场以信息交易为主导。（2）知情投资者净买入交易能够显著预测公司意外盈余，非知情投资者净买入交易对公司意外盈余没有预测能力，说明知情投资者确实具有信息优势。（3）知情投资者的信息优势并非来源于其特殊渠道的私有信息，而是通过对市场公开信息的充分挖掘和吸收，提高股价信息含量。相反，非知情投资者处于信息劣势也是由于其未充分利用市场公开信息所致。（4）当证券分析师为市场提供更多公共信息时，信息能力较强的知情投资者通过交易降低股价同步性的效果会更显著。
Study on the Effect of Investors’ Trading on Stock Price Synchronicity: Based on the Heterogeneity of Information Acquisition
Abstract: Based on the heterogeneity of investors’ information acquisition ability, this paper studies the influence of investors’ trading on stock price synchronicity in China. The study finds that: (1) The more informed investors trade, the lower the synchronization of the company’s stock price is, while the more uninformed investors trade, the higher the synchronization of the stock price is. This supports the information efficiency hypothesis of stock price synchronicity, indicating that the current stock market in China is dominated by information trading. (2) The net buying transactions of informed investors can significantly predict the unexpected earnings of a company, while the net buying transactions of uninformed investors have no ability to predict the unexpected earnings of a company, indicating that informed investors do have the information advantage. (3) The information advantage of informed investors does not come from their private information in special channels, but from the full mining and absorbing market public information to improve the information content of stock prices. On the contrary, the information disadvantage of uninformed investors originates from their inadequate use of market information. (4) When security analysts provide more public information for the market, informed investors with strong information ability will have a more significant effect on reducing stock price synchronization through trading. -
表 1 变量选择与说明
变量名称 变量符号 变量说明 同步性 R2 与市场和行业收益回归所得的拟合优度 CM 由拟合优度R2变换所得 意外盈余 UE 当期的盈余与去年同期盈余的差值 可预测意外盈余 eUE 分析师一致预测盈余与去年同期盈余的差值 不可预测意外盈余 nUE 当期盈余与分析师一致预测盈余的差值 机构投资者交易 InstTrad 以单笔交易订单大于20万汇总获得机构投资者交易 个人投资者交易 IndiTrad 以单笔交易订单小于4万汇总获得个人投资者交易 被分析师关注 AnaAttention 对该公司跟踪分析师（团队）总人数+1的自然对数 被研报关注度 RepAttention 对该公司跟踪研究报告总数+1的自然对数 滞后期同步性 CMt-1 股票前一期同步性 换手率 Turnover 年内日均换手率，等于股票日交易量除以流通股 资本收益率 ROE 公司净利润除以所有者权益 总资产增长率 AssetGR 公司总资产增长率 财务杠杆 Lev 公司总负债除以总资产 市值账面比 MTB 年流通股市值平均除以股东权益 上市年限 Age 公司上市年限+1的自然对数 股权集中度1 Top1 第一大股东持股比重 股权集中度2 Top1_sq 第一大股东持股比重的平方 机构投资者持股比例 InstHolder 机构投资者持股比重 非流动性 Illiq 采用Amihud非流动性比率表示 审计师事务所 Big4 是否由四大会计师事务所负责审计，是为1，不是为0 企业性质 SOE 是否是国有企业，国有企业等于1，其他等于0 公司规模 Size 公司总资产的自然对数 超额收益 CAR 盈余公告前60天股票累计超额收益 
下载: 导出CSV
表 2 主要变量描述统计
变量 观测值 均值 标准差 最小值 最大值 R2 18555 0.362 0.172 0.025 0.756 CM 18515 −0.673 0.897 −3.478 1.131 InstTrad 18560 −0.872 1.151 −6.376 0.614 IndiTrad 18560 0.092 0.232 −0.383 1.244 UE 11524 6.744 38.426 −126.699 175.214 eUE 9937 23.139 29.678 −42.000 149.714 nUE 9937 −15.565 37.023 −162.342 100.896 AnaAttention 13323 1.992 0.890 0.693 4.331 RepAttention 13330 2.482 1.142 0.693 5.537 Turnover 18546 2.635 2.117 0.231 10.719 ROE 18486 6.006 13.070 −68.138 34.964 AssetGR 18524 14.637 28.251 −33.485 171.040 Lev 18524 42.758 20.528 5.766 90.512 MTB 18505 3.013 3.057 0.377 22.191 Age 18542 2.214 0.746 0.693 3.258 Top1 18524 0.342 0.147 0.086 0.742 Top1_sq 18524 0.138 0.114 0.007 0.550 InstHolder 18522 0.347 0.258 0.001 0.896 Illiq 18009 0.052 0.068 0.003 0.503 Big4 18560 0.056 0.229 0 1 SOE 18561 0.338 0.473 0 1 Size 18510 22.251 1.286 19.831 26.179
下载: 导出CSV
表 3 投资者交易对股价同步性的影响
(1) (2) (3) (4) (5) (6) CM CM CM CM CM CM InstTrad −0.103*** −0.048*** −0.070*** (0.006) (0.006) (0.008) IndiTrad 0.196*** 0.217*** 0.082*** (0.030) (0.026) (0.029) CMt−1 0.274*** −0.062*** 0.299*** −0.065*** (0.009) (0.009) (0.009) (0.009) Turnover −0.074*** −0.125*** −0.090*** −0.114*** (0.004) (0.007) (0.004) (0.007) ROE 0.001*** 0.000 0.001*** 0.000* (0.000) (0.000) (0.000) (0.000) AssetGR −0.000*** −0.000*** −0.000*** −0.000** (0.000) (0.000) (0.000) (0.000) Lev −0.004*** −0.003*** −0.001*** −0.001 (0.000) (0.001) (0.000) (0.001) MTB 0.000 0.000*** 0.000 0.000* (0.000) (0.000) (0.000) (0.000) Age −0.045*** −0.505*** −0.021 −0.413*** (0.013) (0.072) (0.013) (0.072) Top1 0.357** 0.589 0.093 0.259 (0.180) (0.507) (0.177) (0.514) Top1_sq −0.454** −0.632 −0.087 −0.165 (0.228) (0.594) (0.223) (0.591) InstHolder −0.284*** −0.302*** −0.224*** −0.290*** (0.032) (0.055) (0.031) (0.055) Illiq −0.459*** −0.371*** −0.520*** −0.408*** (0.082) (0.063) (0.095) (0.070) Big4 −0.074** 0.010 0.046* 0.038 (0.029) (0.087) (0.027) (0.091) SOE 0.227*** 0.111*** 0.232*** 0.123*** (0.017) (0.036) (0.017) (0.038) Size 0.098*** 0.196*** 0.087*** 0.145*** (0.009) (0.025) (0.008) (0.017) 年度固定效应 是 是 是 是 是 是 行业固定效应 是 是 否 是 是 否 企业固定效应 否 否 是 否 否 是 Constant −0.763*** −2.251*** −3.536*** −0.691*** −0.127*** 0.636*** (0.010) (0.196) (0.585) (0.009) (0.048) (0.215) Observations 18514 14647 14194 18514 14659 14206 Adj.R2 0.237 0.404 0.595 0.223 0.390 0.588 注: 括号内为稳健标准误，标准误采用公司层面的cluster方差估计。*、**和***分别表示在10%、5%和1%水平上显著。
下载: 导出CSV
表 4 不同类型投资者对公司意外盈余的预测能力
(1) (2) (3) (4) UE UE UE UE InstTrad 4.794*** 4.099*** (1.189) (1.217) IndiTrad 0.082 0.074 (0.055) (0.054) 控制变量 是 是 是 是 年度固定效应 否 是 否 是 行业固定效应 否 是 否 是 Constant −120.767*** −135.149*** −101.679*** −118.738*** (10.567) (12.902) (9.801) (12.372) Observations 8935 8935 8935 8935 Adj.R2 0.021 0.048 0.019 0.047 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。
下载: 导出CSV
表 5 不同投资者对意外盈余不可预测部分的反应
(1) (2) (3) (4) nUE nUE nUE nUE InstTrad −1.406 1.033 (1.085) (1.106) IndiTrad 0.138 0.090 (0.152) (0.082) 控制变量 是 是 是 是 年度固定效应 否 是 否 是 行业固定效应 否 是 否 是 Constant −57.433*** −80.095*** −56.049*** −72.527*** (10.584) (12.259) (9.948) (11.851) Observations 7817 7817 7817 7817 Adj.R2 0.019 0.067 0.020 0.067 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。
下载: 导出CSV
表 6 不同投资者对意外盈余可预测部分的反应
(1) (2) (3) (4) eUE eUE eUE eUE InstTrad 6.010*** 2.834*** (1.007) (1.000) IndiTrad −0.046 −0.003 (0.044) (0.043) 控制变量 是 是 是 是 年度固定效应 否 是 否 是 行业固定效应 否 是 否 是 Constant −59.483*** −56.612*** −40.998*** −47.828*** (9.025) (10.080) (8.466) (9.696) Observations 7817 7817 7817 7817 Adj.R2 0.017 0.104 0.012 0.103 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。
下载: 导出CSV
表 7 市场公开信息对知情投资者影响的调节作用
(1) (2) (3) (4) CM CM CM CM InstTrad −0.043*** −0.045*** −0.054*** −0.050*** (0.015) (0.013) (0.015) (0.013) InstTrad×AnaAttention −0.034*** −0.017*** (0.006) (0.005) InstTrad×RepAttention −0.023*** −0.012*** (0.005) (0.004) 控制变量 是 是 是 是 年度固定效应 是 是 是 是 行业固定效应 是 是 是 是 Constant −0.710*** −0.220*** −0.712*** −0.216*** (0.011) (0.054) (0.011) (0.055) Observations 13299 10589 13306 10591 Adj.R2 0.263 0.403 0.262 0.403 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。
下载: 导出CSV
表 8 以交易的滞后三期为工具变量
(1) (2) First
InstTradSecond
CMFirst
IndiTradSecond
CMInstTradL3 0.620*** (0.020) InstTrad −0.158*** (0.023) IndiTradL3 0.289*** (0.034) IndiTrad 1.924*** (0.338) 控制变量 是 是 是 是 年度固定效应 是 是 是 是 行业固定效应 是 是 是 是 Constant 6.278*** −1.899*** 1.808*** 0.402 (0.359) (0.394) (0.086) (0.787) Observations 9060 9060 9060 9060 Adj.R2 0.505 0.358 0.304 0.138 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。
下载: 导出CSV
表 9 变换同步性的测量方式结果
(1) (2) (3) (4) CM2 CM2 CM2 CM2 InstTrad −0.109*** −0.048*** (0.006) (0.007) IndiTrad 0.205*** 0.235*** (0.031) (0.031) 控制变量 否 是 否 是 年度固定效应 是 是 是 是 行业固定效应 是 是 是 是 Constant −0.758*** −3.377*** −0.681*** −0.192*** (0.011) (0.228) (0.009) (0.057) Observations 18511 17904 18511 17918 Adj.R2 0.226 0.330 0.212 0.302 注: 括号内为修正的标准误。*、**和***分别表示在10%、5%和1%水平上显著。
下载: 导出CSV
-
[1] 陈国进, 张贻军, 刘淳. 2010. 机构投资者是股市暴涨暴跌的助推器吗? —来自上海A股市场的经验证据. 金融研究 (11): 153−168. [2] 丁慧, 吕长江, 黄海杰. 2018. 社交媒体、投资者信息获取和解读能力与盈余预期—来自“上证e互动”平台的证据. 经济研究 (1): 153−168. [3] 冯旭南, 李心愉. 2011. 中国证券分析师能反映公司特质信息吗? —基于股价波动同步性和分析师跟进的证据. 经济科学 (4): 99−106. [4] 郭菁华. 2019. 知情交易测度方法研究现状与评述. 当代经济 (1): 44−47. doi: 10.3969/j.issn.1007-9378.2019.01.014 [5] 郭庆云, 罗荣华, 刘阳. 2017. 股票估值难度与基金信息优势. 金融评论 (9): 16−32. [6] 胡军, 王甄. 2015. 微博、特质性信息披露与股价同步性. 金融研究 (11): 190−206. [7] 黄俊, 郭照蕊. 2014. 新闻媒体报道与资本市场定价效率. 管理世界 (5): 121−130. [8] 黄顺武, 王梦莹, 昌望. 2015. 机构投资者的信息优势研究—来自上市公司重大股权收购的证据. 证券市场导报 (8): 45−51. [9] 姜超. 2013. 证券分析师、内幕消息与资本市场效率—基于中国A股股价中公司特质信息含量的经验证据. 经济学(季刊) (2): 429−452. [10] 李留闯, 田高良, 马勇, 李彬. 2012. 连锁董事和股价同步性波动: 基于网络视角的考察. 管理科学 (6): 86−100. [11] 李增泉, 叶青, 贺卉. 2011. 企业关联、信息透明度与股价特征. 会计研究 (1): 44−51,95. doi: 10.3969/j.issn.1003-2886.2011.01.008 [12] 潘婉彬, 陶利斌. 2011. 机构持股、股改对价调整与市场反应. 经济管理 (1): 112−120. [13] 潘婉彬, 杨涛. 2019. 谁是股票市场中的知情交易者? 投资研究(12) : 64−80. [14] 彭叠峰, 饶育蕾, 雷湘媛. 2015. 有限关注、噪声交易与均衡资产价格. 管理科学学报 (9): 86−94. doi: 10.3969/j.issn.1007-9807.2015.09.008 [15] 唐松, 胡威, 孙铮. 2011. 政治关系、制度环境与股票价格的信息含量——来自我国民营上市公司股价同步性的经验证据. 金融研究 (7): 182−195. [16] 王飞. 2013. 股票市场知情投资者的隐藏性交易行为分析—来自A股市场的经验证据. 经济社会体制比较 (3): 65−77. [17] 王磊, 孔东民. 2014. 盈余信息、个人投资者关注与股票价格. 财经研究 (11): 82−96. [18] 许年行, 洪涛, 吴世农, 徐信忠. 2011. 信息传递模式、投资者心理偏差与股价“同涨同跌”现象. 经济研究 (4): 135−146. [19] 许年行, 于上尧, 伊志宏. 2013. 机构投资者羊群行为与股价崩盘风险. 管理世界 (7): 31−43. [20] 伊志宏, 杨圣之, 陈钦源. 2019. 分析师能降低股价同步性吗—基于研究报告文本分析的实证研究. 中国工业经济 (1): 156−173. [21] 游家兴, 张俊生, 江伟. 2007. 制度建设、公司特质信息与股价波动的同步性—基于R2研究的视角. 经济学(季刊) (1): 189−206. [22] 余秋玲, 朱宏泉. 2014. 宏观经济信息与股价联动—基于中国市场的实证分析. 管理科学学报 (3): 15−26. [23] 袁知柱, 鞠晓峰. 2009. 制度环境、公司治理与股价信息含量. 管理科学 (1): 17−29. doi: 10.3969/j.issn.1672-0334.2009.01.003 [24] 张宗新, 杨通旻. 2014. 盲目炒作还是慧眼识珠?—基于中国证券投资基金信息挖掘行为的实证分析. 经济研究 (7): 138−150. [25] 朱红军, 何贤杰, 陶林. 2007. 中国的证券分析师能够提高资本市场的效率吗—基于股价同步性和股价信息含量的经验证据. 金融研究 (2): 110−121. [26] Barberis, N., A. Shleifer, and J. Wurgle. 2005. Comovement. Journal of Financial Economics 75(2): 283−317. doi: 10.1016/j.jfineco.2004.04.003 [27] Barclay, J., and B. Warner. 1993. Stealth and volatility: Which trades move prices. Journal of Financial Economics 34(3): 281−306. doi: 10.1016/0304-405X(93)90029-B [28] Campbell, J., T. Ramadorai, and A. Schwartz. 2009. Caught on tape: Institutional trading, stock returns, and earnings announcements. Journal of Financial Economics 92(1): 66−91. doi: 10.1016/j.jfineco.2008.03.006 [29] Chakravarty, S. 2001. Stealth-trading: Which traders’ trades move stock prices? Journal of Financial Economics 61(2): 289−307. doi: 10.1016/S0304-405X(01)00063-0 [30] Foster, G., and O. T. Shevlin. 1984. Earnings releases, anomalies, security returns and the behavior of security returns. Accounting Review 59(4): 574−603. [31] Gul, F. A., J. B. Kim, and A. A. Qiu. 2010. Ownership concentration, foreign shareholding, audit quality, and stock price synchronicity: Evidence from China. Journal of Financial Economics 95(3): 425−442. doi: 10.1016/j.jfineco.2009.11.005 [32] Hou, K., L. Peng, and W. Xiong. 2006. R2 and price inefficiency. Working Paper. [33] Hong, H., and J. C. Stein. 2007. Disagreement and the stock market. Journal of Economic Perspectives 21(2): 109−128. doi: 10.1257/jep.21.2.109 [34] Huang, A. H., R. Lehavy, A. Y. Zang, and R. Zheng. 2016. Analyst information discovery and interpretation roles: A topic modeling approach. Social Science Electronic Publishing. [35] Hvidkjaer, S. 2006. Atrade-based analysis of momentum. Review of Financial Studies 19(2): 457−491. doi: 10.1093/rfs/hhj016 [36] Jin, L., and S. Myers. 2006. R2 around the world: New theory and new tests. Journal of Financial Economics 79(2): 257−291. [37] Kumar, A., and C. Lee. 2006. Retail investor sentiment and return comovements. Journal of Finance 61(5): 2451−2486. doi: 10.1111/j.1540-6261.2006.01063.x [38] Lee, C. M. C., and B. Radhakrishna. 2000. Inferring investor behavior: Evidence from TORQ data. Journal of Financial Markets 3(2): 83−111. doi: 10.1016/S1386-4181(00)00002-1 [39] Liu, M. H. 2011. Analysts’ incentives to produce industry-level versus firm-specific Information. Journal of Financial and Quantitative Analysis 46(3): 757−784. doi: 10.1017/S0022109011000056 [40] Malmendier, U., and D. Shanthikumar. 2007. Are small investors naive about incentives? Journal of Financial Economics 85(2): 457−489. doi: 10.1016/j.jfineco.2007.02.001 [41] Morck, R., B. Yeung, and W. Yu. 2000. The information content of stock markets: Why do emerging markets have synchronous stock price movements? Journal of Financial Economics 58(1-2): 215−260. doi: 10.1016/S0304-405X(00)00071-4 [42] Roll, R. 1988. R2. Journal of Finance 43(2): 541−566. [43] Teoh, S., Y. Yang, and Y. Zhang. 2006. R-square: Noise or price efficiency? Working Paper. [44] Wang, M., C. Qiu, and D. Kong. 2011. Corporate social responsibility, investor behaviors, and stock market returns: Evidence from a natural experiment in China. Journal of Business Ethics 101(1): 127−141. doi: 10.1007/s10551-010-0713-9 [45] West, K. 1988. Dividend innovations and stock price volatility. Econometrica 56(1): 37−61. doi: 10.2307/1911841
点击查看大图
图(3) / 表(9)
计量
- 文章访问数: 402
- HTML全文浏览量: 171
- PDF下载量: 2043
- 被引次数: 0
