分域研究

作者：石川

摘要：本文通过 Chen, Wang and Yu (2025) 简要探讨分域研究。

0

上期的文章指出，2024/25年度中国量化投资白皮书中提到机构策略探索清单的第三位是基本面量化投资。然而，这只是第三位的前半部分；它的后半部分还有四个字 —— 分域研究。

分域研究指的是在 cross-section 上把股票划分到不同的组，然后针对每组进行资产定价（or 按行业的说法是“挖因子”）。这类研究的重点在于组的划分。常见的变量包括按照市值或者估值划分，以及按照企业的生命周期来划分。

从数学上来抽象一下，如果说传统的研究关注当期协变量 x 和下期收益率 r 的关系；那么分域研究可以理解为再找到一个 conditioning variable ，然后研究  和  的关系。这个领域一直是我重点关注的课题之一。

分域研究的核心是找到合适的y。如果能够基于 ，使得  和  的关系发生逆转，那往往是最能够带来全新 insight 的研究。这种发现通常被用来改进因子 。然而另一方面，寻找  的努力不应该是数据驱动的，而是应该来自对企业、市场和投资者行为的深刻理解。

铺垫的差不多，下面就来介绍一篇关于  如何影响  的典范 —— Chen, Wang and Yu (2025)。

1

Chen, Wang and Yu (2025) 研究了公司层面的 deviation salience (DS，偏离显著性) 和一个月收益率的交互作用。换言之，一个月收益率是 ；而 deviation salience 则是那个 。什么是 deviation salience 呢？它是公司层面的显著性指标，用于衡量某只股票与其同行（peers）之间收益率差异的显著程度。

按照传统的理解，一个月的收益率代表的是股票市场中著名的 short-term reversal（短期反转）因子，即过去一个月表现更好（差）的股票，在下个月的收益率往往更低（高）。这个现象无论是在美股还是 A 股都深入人心。

然而，Chen, Wang and Yu (2025) 指出，一旦 conditioning on DS， 和  的关系就不再是单纯的反转。下图清晰的展示了该文最重要的结果。

图中，首先按照 DS 在截面上把股票分成五组（Low, 2, 3, 4, High），然后再每组内，再根据过去一个月的收益率把股票分成五组（Lower, 2, 3, 4, Winner）。对于每个 DS 组，分别构造 Winner – Loser 组合。按照传统的反转因子的预期，那么应该是每个 DS 组内都能看到 Winner – Loser 组合的月均负收益。然而有意思的是，在 DS 低的组中，反转消失了，取而代之的是短期动量，体现为 Winner – Loser 组合的月均收益率高达 1.41，显著为正（-statistic 为 3.14）。

上述现象背后的 narrative 是：如果某只股票过去一个月表现与 peers 的差异很大（DS 很高），投资者容易对这些股票的消息或价格变化过度反应，导致短期内出现反转效应；反之，如果某只股票过去一个月表现与 peers 差异不大（DS 很低），投资者容易反应不足，导致短期内出现动量效应。

你也许会想，这是否美股独有的结果。答案是否定的。下图展示了针对其他市场的实证结果，可以看到该现象具有普适性。哪怕是在 A 股，DS 低的一组表现出来的也是动量（尽管从 SR 上看可能不是非常 strong）。

2

说完了最重要的实证结果，下面来探讨本文最核心的 DS 变量。

作者提出，投资者对一只股票的注意力，往往取决于它与 peers 之间业绩表现的差异程度。为了量化这种“显著性”，就必须回答两个问题：（1）如何定义 peers；（2）如何计算显著性差异。

对于前者，作者根据分析师覆盖（analyst coverage）来界定 peers。对于给定的 focal 公司，如果另一个公司和它有共同的分析师覆盖，那么另一个公司就被认为是 focal 公司的 peer。之所以选择分析师共同覆盖，是因为 Ali and Hirshleifer (2020) 这篇提出分析师覆盖关联动量的论文指出，此种关联可以解释绝大多数其他已经发现的关联（例如科技关联等），因此上述选择可以保证 peers 之间在经济活动和信息上具有较强的关联性。

一旦确认了 peers，接下来就是 quantify 显著性差异。在这方面，DS 的计算公式是：

其中  和  分别为  期公司  的收益率和其 peers 的平均收益率； 为  期无风险收益率。由定义可知，DS 等于“focal 股票与其 peers 平均的超额收益差的绝对值”，再除以“focal 股票和 peers 平均超额收益的绝对值之和”。

值得一提的是，上述公式中的分母（即归一化处理）十分必要，它能够体现出一只股票相对其 peers 的突出程度。举例来说，考虑以下两种情况。首先， 和  的取值分别为 0.10 和 0.15，二者的差异是 0.05；其次，二者的取值分别为 0.50 和 0.55，差值同样为 0.05。尽管两种情况下的差异均为 0.05，但第二种情况下二者的差异给人的印象不如第一种情况给人的印象深入，归一化之后的 DS 指标能够体现这一点。

由定义可知，DS 越高，focal 股票的表现与 peers 差异越大，更容易吸引投资者注意力；DS 值越低，focal 股票与 peers 表现接近，不容易被投资者特别关注。另外，DS只关注差异的大小，不区分正负方向，强调的是表现的“显著性”而非涨跌方向。

为了验证 DS 变量构造方式中每一步的合理性（即 peers 挑的合理，以及归一化的处理很必要），作者通过设计多种替代性或“伪”显著性指标，以及检验这些指标是否也能产生类似的短期收益预测能力，进行了安慰剂测试（placebo tests）。

具体来说，作者首先用绝对收益差值（而不是归一化的 DS）来替代原 DS 指标，发现这种简单的差值并不能有效区分短期反转和动量效应。其次，作者尝试用市场整体收益或随机匹配的同行公司来计算显著性指标，结果也未能发现显著的短期收益可预测性。

通过上述检验，作者证明了 DS 变量的特定构造和显著性函数是必不可少的，只有这种基于 peers 比较、归一化处理的 DS 指标，才能捕捉到投资者注意力分配对市场短期价格行为的影响。

3

对于高低 DS 组中出现的动量和反转这种差异，作者从行为金融学解读了其背后的机制并进行了大量的实证检验（其精彩程度一点不亚于 main results）。心理学和行为金融理论认为，投资者对显著的信息容易过度关注，对不显著的信息则注意力不足，从而产生上述市场现象。这种显著性影响了投资者的注意力分配，导致对高 DS 股票过度反应（价格短期反转），对低 DS 股票反应不足（价格短期延续）。

首先，作者发现 DS 与 contemporaneous（同期）异常交易量和散户关注度（如异常 Google 搜索量）呈显著正相关。这说明，DS 越高的股票，越能吸引投资者的注意力，导致更高的交易活跃度和信息搜索行为。这一结果一定程度上支持了作者的假设：显著性通过影响投资者注意力分配，进而影响价格效率和短期收益率表现。

其次，作者检验了分析师预测是否受到 DS 的影响。该文发现，当某只股票的 DS 很高时，分析师容易根据近期表现形成过度乐观或悲观的预期，导致预测误差显著增加。具体来说，在高 DS 的股票中，如果股票近期涨幅很大，分析师预测未来盈利往往过高（upward bias）；如果股票近期跌幅很大，则分析师的盈利预测往往过低（downward bias）。反观低 DS 股票则没有这种现象，说明分析师和市场参与者对不显著股票的信息反应不足，导致价格持续性。

通过后续基本面预测能力的检验，作者进一步发现，低 DS 股票的短期收益率对未来基本面的预测能力更强，而高 DS 股票的短期收益率往往难以预测未来基本面的真实改善，甚至出现反向关系。这些结果表明，显著性影响了投资者和分析师的信息处理和预期形成。

为了排除业绩公告（earnings announcement）等特定事件的影响，作者还专门检验了在没有业绩公告的公司中，DS 对短期收益预测能力是否依然显著。结果显示，低 DS 公司即使没有业绩公告，也依然存在显著的短期动量效应。这说明，显著性驱动的短期动量并不是由投资者对业绩公告反应不足所导致，而是更广泛的注意力分配机制在发挥作用。

此外，作者还控制了行业动量效应，通过引入行业基准调整，表明低 DS 公司的短期动量现象并不是由行业整体趋势驱动的。换言之，显著性效应在行业层面之外依然成立。最后，作者检验了流动性机制是否能够解释 DS 效应。传统观点认为，短期反转主要源于流动性需求或资金供给。但作者发现，即使在流动性很高的大盘股中，高 DS 股票依然表现出显著的短期反转，低 DS 股票则表现出短期动量（下图）。

综上，作者通过多维度的机制检验，表明 DS 对短期价格走势的影响，主要源于投资者注意力的分配和心理反应，而非流动性、业绩公告或行业趋势等传统解释。这些证据巩固了 DS 变量的行为金融学基础。

4

对我个人而言，Chen, Wang and Yu (2025) 是一篇实证佳作。除此之外，该文的文献综述部分涉猎之广泛也帮我及时的补充了自己的“文献库”。我上一次发出这样的感叹是在读 He, Su and Yu (2024) 的时候（见《主观宏观经济感知、财务约束和股票收益》）。

哦，谁让那个 Yu 就是这个 Yu 呢！

金融学的魅力往往不在于模型的复杂，而是在于对市场行为本质的精准洞察。Chen, Wang and Yu (2025) 用一个简洁却极富洞察力的变量，把投资者注意力、分析师行为和价格短期扭曲串联了起来。

漂亮的想法不需要复杂的模型。而所谓“漂亮的想法”，其实就是在海量数据和纷繁现象中，抓住那个最关键的逻辑纽带，揭示出表象背后的行为规律。复杂的世界里，最打动人的往往是那些简单而深刻的答案。

References

• Ali, U., and D. Hirshleifer. 2020. Shared analyst coverage: Unifying momentum spillover effects. Journal of Financial Economics 136(3), 649-675.
• Chen, Y., H. Wang, and J. Yu (2025). Salience and Short-term Momentum and Reversals. Working paper.
• He, W., Z. Su, and J. Yu (2024). Macroeconomic perceptions financial constraints, and anomalies. Journal of Financial Economics 162.

免责声明：入市有风险，投资需谨慎。在任何情况下，本文的内容、信息及数据或所表述的意见并不构成对任何人的投资建议。在任何情况下，本文作者及所属机构不对任何人因使用本文的任何内容所引致的任何损失负任何责任。除特别说明外，文中图表均直接或间接来自于相应论文，仅为介绍之用，版权归原作者和期刊所有。