国家产业政策、资产价格与投资者行为，本文主要内容关键词为：投资者论文,国家产业政策论文,资产论文,价格论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言 产业政策是一国政府为了实现一定的经济和社会目标而对产业的形成和发展进行干预的各种政策的总和。长期以来，作为国家调控经济活动的重要工具，我国政府一直注重采用产业政策来实现重大经济结构的调整和转型，加强和改善宏观调控，提高产业质量，弥补市场的不足，在促进我国经济体制改革方面起到了至关重要的引导和扶持作用。但是，产业政策的出台对金融市场的影响特别是对资产价格的影响和对市场投资者行为的影响至今还鲜有研究。从直觉上来讲，产业优惠政策会涉及一批重点扶持的企业，对这些企业产生长期的正面影响，改善企业的基本面，从而提高资产价格。理性的投资者也会积极购买相关受益股票，推高企业市值，为企业从证券市场融资提供便利。企业融资后，在产业政策的扶持下，扩大生产规模或者提高生产率，实现产业结构的转型，从而形成一个良性循环。然而，在现实市场中，受扶持企业的股票回报率真的会提高吗？在短期、中期和长期的表现会一样吗？国家产业政策对股价的影响到底是永久的还是短暂的？是什么原因导致了这些现象？ 本文对这些问题作出了解答。我们首先研究了国务院在2010年推出的国家新兴战略性产业政策对金融市场价格的影响。该政策涉及面广，涵盖了节能环保、新一代信息技术、生物、高端装备制造、新能源、新材料和新能源汽车等七个产业。我们比较了长期、中期和短期内概念股组合相对于非受益股投资组合的超额收益率，发现概念股组合在短期内可以获得显著的超额收益，但是两周后这些超额收益就逐渐降低，到18个月后消失。七个受益板块在短期的表现也有差别。收益率最高的是信息技术和新材料板块，最低的是节能环保板块。我们继而从投资者行为的角度分析导致以上现象的原因。基于上海证券交易所提供的交易数据，我们根据产业政策信息披露的过程将样本期分为三个事件窗口，分别研究在此三个窗口期市场上不同投资者的投资行为。我们发现，机构投资者在对信息的敏感度和处理能力上要优于个体投资者，在第一个窗口期就大量买入了产业政策的受益股，并在信息公开后两周内陆续全部抛出，在两个月内实现了超过8％的回报率，比匹配的股票或市场平均股票回报率都高。而个人投资者在决议公告前和政策公布前均没有明显的购买行为上的变化，在政策正式公布后即第三个窗口期才注意到国家出台产业政策这一过时的信息，并跟风买入大量机构投资者出手的股票，使相关资产价格产生短期泡沫。投资者对新信息反应度的不同是产业政策只能短暂影响证券市场价格的主要原因。 本文的贡献有以下几方面。第一，在很大程度上中国经济近三十余年的高速增长得益于政府推出的各项产业政策。但是这些政策与我国金融市场特别是股票市场的关系还鲜有研究。本文的研究填补这一空白，并为全面客观评价我国产业政策的成效提供了新的角度。第二，我们的研究结果对现有的行为金融文献是有益的补充。Baker & Wurgler(2011)认为行为公司金融学的一个主线就是市场某部分投资者如何利用其他投资者的非理性进行牟利。本文提供了这样一个中国案例。机构投资者具有优于个体投资者的信息处理能力和更理性的反应，因此他们会利用个体投资者对过时信息的过度反应来获利。第三，我们的研究结果有较强的政策意义。由于市场上不同投资者在对新信息的处理能力和过时信息的反应程度上存在差异，我国相关部门要进一步加强投资者教育，特别是要增强个人投资者对国家政策信息的敏感度，这样才能有效保证产业政策与证券市场之间的良性互动，达到受益企业能够从金融市场上长期融资的预期效果。 值得一提的是，近年来国外学者针对政府环保、扶持等方面的政策对股票市场的影响进行了初步的探索。Pastor & Veronesi(2012)从理论上研究了政府政策变动对股价的影响，其模型表明政策变动公告后平均股价将会下跌，而股票的波动率与股票间相关性则会上升。Ramiah et al.(2013)研究了澳大利亚历史上19次环保绿色监管政策对上市公司股票价格的影响，发现澳大利亚股市对碳排放限制政策十分敏感，环保政策会影响对行业的长期风险。然而，目前国外这些有关政府政策对股票价格的影响尚处于整体平均意义上的探讨，并未在横截面差异上进行研究，考察不同企业由于受政策影响程度大小不同而带来的收益程度的差异。同时，以上研究也没有进一步考察政策对投资者行为的影响。上海证券交易所的交易数据为我们提供了一个宝贵的研究机会和中国案例。 本文也与资产价格和投资者对信息的反应这部分文献密切相关。Hong & Stein(1999)建立了一个由信息关注者和动量交易者组成的市场模型，模型显示随着信息不断扩散，资产价格将在短期内低度反应(underreact)，但在长期内会由于动量交易者的套利行为而产生过度反应(overreact)。Vega(2006)考察了资产价格对于公共信息和私有信息的不同反应，发现这些反应的差异其实是由于信息所伴随的知情交易者的数量所决定的，而不取决于该信息是公共的还是私有的。Tetlock(2010)发现，伴随着公共信息，资产价格的绝对收益率与交易量之间的相关度有提高，说明公共信息有助于降低信息不对称。Tetlock(2011)使用道琼斯新闻信息库分析了投资者对于新信息和旧信息的不同反应，发现个人投资者对旧信息的过度反应导致了资产价格在一周左右出现收益率反转。本文的结果与此是一致的。与Tetlock(2011)不同的是，我们用的是更为可靠的交易数据，并且同时考察了机构投资者与个人投资者的交易行为。 二、国家战略性新兴产业政策述要 本文研究的产业政策是国家制定的战略性新兴产业政策。2010年2月7日，国家发展改革委会同科技部、工业和信息化部、财政部等部门组织召开了“战略性新兴产业总体思路研究工作启动暨协调小组第一次会议”，标志着我国正式启动加快培育战略性新兴产业发展思路研究工作。2010年3月8日，由国家发改委等部委组成的战略性新兴产业发展思路研究部际协调小组着手编制《国务院关于加快培育战略性新兴产业的决定(代拟稿)》，文件起草组组织了一批研究单位对新材料、新能源、节能环保、生物医药、生物育种、生物制造、信息网络、新能源汽车、民用航空航天、海洋工程等领域进行专题研究。调研与研讨的进行为产业扶持政策的出台提供了相关依据。6月18日，发改委有关负责人在第四届中国生物产业大会上表示，现阶段我国应以节能环保、新一代信息技术、生物、高端装备制造、新能源、新材料、新能源汽车为重点，推动战略性新兴产业的跨越发展。 2010年9月8日，国务院召开常务会议，审议并原则通过《国务院关于加快培育和发展战略性新兴产业的决定》，决定现阶段选择节能环保、新一代信息技术、生物、高端装备制造、新能源、新材料和新能源汽车七个产业，在重点领域集中力量，加快推进。随后，10月18日，国务院办公厅正式通过媒体发布《国务院关于加快培育和发展战略性新兴产业的决定》(国发[2010]32号)，现阶段重点培育和发展节能环保、新一代信息技术、生物、高端装备制造、新能源、新材料、新能源汽车等产业。至此，战略新兴产业扶持政策正式得到确认。 三、数据和样本选择 本文所用的投资者交易数据来源于上海证券交易所，包含抽样的个人和机构账户在2010年间的交易、持仓和投资者信息数据。其中，交易数据库存储了逐笔交易记录，包括投资者代码、买卖股票代码、日期、时间、买卖方向、交易股票量、价格、交易金额。持仓数据库存储了每年初投资者的持仓组合，包括投资者代码、日期、股票代码、数量。最后，投资者信息数据库存储了个人投资者的身份识别信息，包括投资者代码、年龄和开户时间。该数据从2010年2月至11月，随机抽取了50万个人投资者，有交易记录的共31.7万户，共计2216万条交易记录。还包括全部414个机构账户，共计4460万条交易记录。 因为我们的交易数据来自于上海证券交易所，所以我们选取沪市交易的股票作为样本，时间跨度为2010年1月1日至2010年12月31日。①这样，我们的股票全样本为882只，根据行业二级代码分类涵盖166个行业。上市公司股票交易数据比如股票平均价格、波动率来自国泰安CSMAR中国股票市场交易数据库，上市公司财务数据比如公司规模、资产收益率来自CSMAR中国上市公司财务报表数据库，指数回报率数据来自CSMAR中国证券市场指数研究数据库。无风险收益率采用的是同期银行存款利率。 结合《国务院关于加快培育和发展战略性新兴产业的决定》中提出的7个产业政策支持概念板块：新能源汽车、节能环保、装备制造、新材料、新能源、信息技术和生物医药，CSMAR概念股数据库里面收录了165只受益股。在样本选择时间段内，有3家公司因为停牌或退市无交易数据，因此从样本内剔除。最后剩下的162家上市企业内，节能环保板块有20家，生物医药板块有5家，新材料板块有52家，新能源板块有33家，新能源汽车板块有13家，信息技术板块有11家，装备制造板块有28家。 四、产业政策对证券价格的影响 (一)研究方法 为了便于比较并衡量产业政策对于受益股投资收益率的影响，我们以162只受益股构建一个资产投资组合，再以剩下的在上海证券交易所上市的720只非受益股为参照组合。在构建资产组合时我们使用了平均加权法和市值加权法，这两种方法的实证结果是一致的。 在计算中长期(两周以上)资产投资组合的超额收益率时，我们采用了Fama & French(1993)三因素模型中的截距α来衡量。α的计算方法如下：
其中，R为资产的日期望收益率，
为市场的日期望收益率，
表示的是大规模公司与小规模公司收益率之差，
是价值型公司与成长性公司的收益率之差，α值表示资产组合超出市场系统风险、公司规模和公司成长性三个风险因子补偿收益之外的超额收益率。我们用概念股板块与基准资产组合的α值之差衡量产业政策的影响，在下文我们用Info-diff作为信息指标表示这一α差值。考虑到不同模型设立的时候选取的风险因子会存在差异，使用三因素模型可能会存在一定的误差，我们也运用了Carhart(1995)四因素模型来计算超额收益率α，得到了类似的结论。另外，此处我们衡量产业政策信息影响的时候是用α的差值，所以因为模型设定而产生的误差可能会互相抵消，从而对我们最终的实证结果不会产生太大的影响。 在计算短期(两周以内)超额收益率的时候，由于通常样本数据较少，使用统计模型回归比如Fama & French(1993)三因素模型方法计算出来的α可能会存在偏误。考虑到这一问题，我们在比较短期超额收益率时采用事件研究法，即计算平均超常收益率AAR和累计平均超常收益率CAAR来衡量国家产业政策在短期内对概念股超额收益率带来的影响。事件研究法在经济学和金融学里应用十分广泛。基于理性市场的假设，一个事件所带来的冲击会立即反映到资产价格中去。因此事件的经济影响可以通过较短时期内观察到的资产价格来衡量。本文中，AAR(平均超额收益率)和CAAR(累积平均超额收益率)的计算方法分别如下：
其中，
表示股票i在t时间的超额收益率，n是组合内资产的个数，
是股票i在t时间的收益率，
是基准资产组合在t时间的收益率。 (二)实证结果 1.产业政策推出前后中长期超额收益率分析 我们比较产业政策推出前后受益股组合和非受益股组合在中长期超额收益率上的差别。其中产业政策推出前从2008年1月1日至2010年10月18日政策公布止，产业政策推出后从2010年10月18日至之后两周、一个月、两个月、六个月、十二个月和十八个月止。而政策推出前这一时间段又分为两个子时间段，一个从2008年1月1日至2010年3月8日开始调研，一个从2010年3月8日至2010年10月18日正式公布。 表1的面板A和B分别显示了以平均加权方式和市值加权方式构建的资产组合在产业政策推出前2年和产业政策调研至公布期间的不同板块的超额收益与基准组合超额收益之间的差值。以面板A为例，在产业政策推出前两年，七个概念股板块日超额收益率的平均值仅为0.00007，且与基准组合相比，只有三个板块的超额收益率高于基本组合的超额收益率，分别为节能环保，新能源汽车和信息技术，但所有差值在统计意义上均不显著，说明在此期间这七个概念板块与其他非受益股在超额收益率上没有显著差异。但从产业政策前期调研至公布(2010年3月到10月)期间，七个板块的超额收益率的平均值升为0.0002，上升幅度为185.7％。七个概念股板块中的四个，新材料、新能源、新能源汽车和装备制造都比基准资产组合有更高的超额收益率，但只有装备制造的α值在5％内显著，其与基准组合的差值达到了0.0012，且在10％内显著。面板B得到的结论类似。
我们继续考察在产业政策推出后的情况。表2显示了平均加权方法下计算的Fama & French(1993)三因素模型中的超额收益率差值。政策公布两周后只有装备制造板块相对于基准组合有显著超额收益，高出0.0079，其它板块则跟基准组合没有显著差异。而在政策公布超过两周后所有概念股板块的平均超额收益率都几乎跟基准组合无异。并且两者之间的差异随着时间的推移逐渐缩小。比如装备制造业，在两周时跟基准组合的超额收益率差值为79个基点，一个月时降为10个基点，两个月21个基点，六个月和十二个月均为负1个基点，而在十八个月后为0个基点。其它板块的收益率差值也呈现类似的特征。这说明中长期后受益股的表现跟非受益股已经没有差别，产业政策在中长期对受益股票的超额收益率没有显著的影响。我们也使用市值加权方法构建了资产组合并得到了类似的结论，但由于篇幅有限这里不再列出。
综上所述，产业政策公布后，除了装备制造板块在两周的时点外，所有其它板块均跟基准组合没有显著差异，并且这种差异随着时间的推移越来越小。②这些结果说明，国家的产业政策对证券市场的价格影响是不具中长期效应的。这个发现初看起来不太符合金融直觉，因为产业政策应该给相关企业带来长期基本面上的改善，因此这些企业的长期股票收益率理应高于其它非受益股。我们在第五节探讨造成这一现象的原因。 2.产业政策推出前后短期超额收益率分析 本小节我们重点考察162只概念股在产业政策正式公布日前后约两个星期内的短期表现。我们在不同的窗口期分别用AAR和CAAR计算平均超常收益率。这两个指标都是基于同期上证指数收益率计算的。 表3汇报了计算结果。面板A和面板B显示，产业政策公布前的所有窗口期内，无论是(-10，-5)、(-4，-2)或者(-1，+1)，几乎所有板块的平均超常收益率AAR都为负值，累计平均超常收益率CAAR则全部显著为负值，说明在公布前短期投资这些股票不能获得高于上证指数的超额回报。但是在政策公布后的第2天到第4天和第5天到第10天这两个窗口期的平均超常收益率都显著变为正，说明从政策公布第2天开始七大受益板块的价格一直在上升。从第11天开始到第15天即公布后两周，所有板块的平均超常收益率都不再显著，且多数已经变为负值。这也印证了上一小节我们发现的两周后受益股的收益率不再高于基准组合。从横截面上看，不同的概念股板块之间的超额收益也存在差异性。节能环保板块的超常收益率最低，分别在(+2，+4)和(+5，+10)窗口期仅有0.007和0.0036，表现最佳的新材料板块在这两个窗口期分别达到0.0172和0.0116。而生物医药板块和新能源汽车板块在(+2，+4)窗口期之后就不再有显著的超常收益率了，持久性较差。此外，面板B中的短期累计超常收益率CAAR结果也十分明显地显示，所有板块在产业政策宣布以后的第一天起累计收益率均显著为正，无论是累计到4天、10天还是15天，说明如果从公布后开始投资，投资者是可以有高于市场的短期获益的。
从数值大小上来看，短短几天内的累积收益率是很高的。比如投资信息技术板块，4天内的累积回报超到了8.5％，10天内和15天内都达到了14％。另外，跟之前的发现一致的是，(+1，+15)窗口期的累积收益率相对于(+1，+10)窗口期来说，有的板块提高幅度不大，有的板块甚至出现了下降，说明两周后各受益股的收益率开始下降。横截面上，各个板块的表现也各不相同。节能环保依然是累积收益最低(5％左右)的板块，新材料和信息技术的累积收益比较高，10天内的累积收益达到了14％左右，其他板块的累积收益居于中间，在6％—7％左右。 通过以上对短期内受益股超常收益率的分析，我们总体发现：相对于其他非政策概念股而言，各扶持板块平均收益率在短期内很高，但大多在两周后开始逐渐消失，随着时间的推移到18个月后就跟非受益股在收益率方面没有差别。表现最好的板块为新材料和信息技术，表现最差的是节能环保板块。基于这些结果，我们认为国家的产业政策对受扶持企业的正面影响并没有能够充分反应到我国的证券市场，企业没有从证券市场获得长期的资金扶持。 五、产业政策对投资者行为的影响 (一)命题假设 造成以上现象的一个很自然的原因是产业政策影响了投资者行为，从而影响了受益股的收益率。我们猜想，产业政策的决定过程作为逐步公开的信息，市场投资者在各个阶段会有不同的反应，这种行为差异会对股票价格造成短中长期的影响。这是因为新兴产业政策的推出有一个较长的时期，包括前期的调研、中期的国务院内部会议讨论和后期的决议、公告，在这一过程中国家扶持的产业板块不断调整。事实上，根据前文对国家战略产业政策的描述，整个产业政策的出台前后过程中确实存在陆续有信息披露的现象。2010年6月18日发改委首次对外透露战略新兴产业的七大方向，因此我们将此作为机构投资者获得产业政策准确信息的起点，定义为A0事件。该信息来源于有关负责人在生物产业大会上的表示，虽有媒体报道，终究不具权威性和确定性(产业政策扶持的内容还可能变更)，因此个人投资者可能对此信息没有足够注意，但部分对政策敏感的机构投资者可能已经注意到并开始布局。9月8日的国务院常务会议决定已经基本确定了国家重点扶持的产业，信息比较权威明确，我们将之定义为A1事件。由于A1事件跟6月18日的信息没有本质区别，我们将6月18日至9月7日期间归为同一个事件窗口，称为P1窗口。10月18日国务院办公厅通过媒体正式宣布并下文传达关于国家战略性产业政策扶持的决定，我们将之定义为A2事件。A1和A2是新兴产业政策披露的两次重大事件，之间相隔40余日，我们称之为P2窗口。我们将A2事件后十个交易日这段期间定义为P3窗口。可以看到，A0、A1和A2事件对应于同一个国家产业政策信息在市场中的不同传播阶段，不同投资者对这些事件的关注度和敏感度可能不一样，因而会形成投资行为上的差异。 具体地，我们猜想机构投资者在2010年6月18日和9月8日就了解到哪些产业板块会受到国家扶持的信息，从而受益股的范围已经知晓。作为风险规避者，为了降低未来价格波动所带来的不确定性，立刻大量购买受益股票(后面统称为目标股票)是其最优的抉择。相比之下，A2事件对于已经买好大量目标股票的机构投资者而言已经是过时信息，但是对于市场上的其他投资者特别是个人投资者而言是一条重要的有价值的新闻，他们对此过时信息会有过度反应(overreaction)。 综上所述，我们有如下假设： 假设一：机构投资者在P1窗口期比在P2窗口期购买更多的目标股票，在A2事件后大量的抛售目标股票。个人投资者在P1窗口期和P2窗口期的交易没有显著差别，但在A2事件后大量买入目标股票。 如果假设一成立，那么我们有： 假设二：基于产业政策的交易给机构投资者带来超常收益，并且相对非受益股会有超额收益。 (二)变量选择和定义 本节实证分析的主要变量是机构投资者对目标股票在某段时期内的总购买股数BII和总卖出股数SII。我们使用上交所提供的交易数据，计算了162只产业政策受益股在不同窗口期内的BII和SII值。如图1所示，在P1窗口期，这些股票在2010年6月18日至9月7日期间被集中进仓，BII值由27023994手急剧上升，最大值达到129571742手，上涨比率为379.47％。随后在P2窗口期机构购买股票数量先有所下降，然后从9月28日到10月17日重新开始加仓，购买股数从61917083手上升到107899172手，上涨比率为74％。在产业政策正式公布后(P3窗口期)急剧下降，最小值仅为42282078手，下降比率为60％。比较P1和P2窗口期机构投资者购买目标股票的数量，我们发现在P1窗口期机构投资者购买股票数上升更为显著，与假设一相一致。③ 类似地，我们计算了个体投资者购买目标股票的购买股数BRI，并将之与BII对比。图1显示在政策正式公布前，即P1和P2窗口期，个人投资者并没有明显地购买受益股，他们直到10月18日以后即P3窗口期才开始进入市场，大量买入。与此形成显著对照的是，P3窗口期内机构投资者购买股数显著下降。以上关于机构投资者和个人投资者在不同窗口期的目标股票购买数的简单描述性统计都与假设一是一致的。
图1 机构和个人投资者购买目标股票数量 图2显示了在各窗口期的SII和SRI值。由图2可以明显看出，机构投资者在P1和P2窗口期的卖出量一直处于正常波动范围内，但在P3窗口期卖出股数显著增加，SII值由65513451手急剧上升，最大值达116214688手，上涨比率为77％。这说明机构投资者在P3窗口期有显著的卖出行为。而个人投资者在前两个窗口期的卖出股数没有显著的趋势变化，在第三个窗口期卖出股数略微下降。
图2 机构和个人投资者卖出目标股票数量 实证分析中使用到的控制变量共分为三组：财务会计指标，交易指标和信息指标。其中，财务会计指标包括资产规模(Size)、杠杆比率(Leverage)、市净率(BM)、公司年龄(Age)、托宾Q(Tobinq)、市净率(BM)；交易指标包括名义价格(NP)、非流动性指标(ILLQ)、累计收益率(CR)；信息指标包括机构持股比例(INSTHOLD)。各变量的定义和构建都遵循标准文献。 (三)产业政策与机构投资者行为 为了进一步确认目标股票和非目标股票在各窗口期的差异，我们对所有目标股票进行倾向性分数匹配(propensity score matching)。倾向性分数匹配作为一种统计匹配工具，在研究处置效果中应用广泛，其主要优势在于能够有效降低处置对象选择偏差(selection bias)。由于政府制定国家新兴战略性产业政策的主要依据是某产业是否具有战略性意义，对企业金融特征方面的考虑较少或者不考虑，所以在我们的研究里面选择偏差不会太严重。但是，仍然不排除由于偶然性新兴战略性产业跟某些金融特征是相关的，比如大企业，机构持股更多的企业等等，而具备这些特征的股票又是市场投资者经常交易的对象。所以我们遵循保守的原则，对目标股票进行倾向性分数匹配。 我们将162只目标股作为处置组，控制组的样本范围为720只非受益股，选取的回归变量包括公司规模(Size)、累计收益率(CR)、市净率(BM)、非流动性指标(ILLQ)和机构持股比例(INSTHOLD)。这些变量普遍被认为是频繁交易的股票的主要特征。logistic回归结果显示(见表4面板A)，公司规模、流动性和机构持股比例不但显著，符号也如预期。处理组倾向性打分区间为[0.066548，0.774327]，而匹配组倾向性打分区间为[0.026834，0.517397]。根据最小最大比较准则，共同支持区间为[0.066548，0.517397]，据此我们选择了144只非受益股作为控制组。表4面板B报告了平衡性检验的结果，所有的t检验均显示控制组与处理组在以上企业特征上并无显著差异，因此我们判断匹配结果满足平衡性条件。因为在P1、P2、P3窗口期回归变量的值变化很小，我们采用同一个控制组作为所有窗口期的匹配股票。
如图3所示，目标股票的机构购买股数在各窗口期内都明显高于匹配股票。当目标股票在P1窗口期被大量购买的同时，匹配股票的BII值并没有明显变化。事实上，匹配股票的整体时间序列模式在窗口期内没有显著变动。这进一步表明在这段时间目标股票被机构大量购买。
图3 目标股与匹配股被购买股数情况的对比 如图4所示，目标股票的机构卖出股数在P1、P2窗口期内都与匹配股票的机构卖出股数没有明显差别，但在P3窗口期内远高于匹配股票。这表明在这段时间内目标股票被机构大量卖出。
图4 目标股与匹配股卖出股数对比 当然，上述目标股和匹配股的BII和SII模式上的差别可能由除了产业政策以外其他因素所决定。虽然倾向性匹配降低了选择偏差，但更严谨的研究需要控制其他更多变量的影响，并且给出具有统计意义的推断。为此我们考虑以下回归方程，直接控制影响交易股数的若干因素：
其中
是一个哑变量，如果股票i是目标股则取值1，否则为0。由于我们要考察投资者交易的产生是否源于产业政策这一因素，我们选择由目标股票和非受益股组成的资产组合进行测试。如果哑变量显著，这表明在给定其他控制条件时，投资者更加倾向于选择受产业政策影响的股票，即超额的购买量或卖出量源于产业政策。回归样本包括目标股票及所有的非受益股。向量
是一系列控制变量，用于控制能够影响到净买入股票i的机构数量的其他因素(限于篇幅，未列出详细定义。可向作者索取)。为了消除不同量级带来的影响，我们将这10个控制变量进行了标准化。因为在样本期内有三个窗口期，我们对以上方程分别进行回归，并且每次回归分析中分别只控制6个财务变量与4个交易与信息变量进行回归。 表5的结果显示，在P1窗口期中，目标股哑变量(TARGET)的系数都显著为正，表明这些股票在控制了其他因素后仍然显著地比其他股票更被机构大量买入。显著的控制变量包括资产规模(正)、市净率(负)、累积收益率(负)、非流动性指标(负)、机构持股比例(正)等。除了累积收益率，这些符号都符合正常的金融直觉，比如规模大，流动性强，机构持股比例高的股票更容易受到市场的关注，因而购买量很大。
表6结果显示，在P2窗口期中，目标股哑变量(TARGET)的系数不显著，这与之前图1的结果一致，说明机构投资者在A1和A2事件之间并没有大量买入，而是继续持仓，等待信息公告后的出手机会。其他显著的控制变量包括资产规模(正)、市净率(负)、累计收益率(负)、非流动性比率(负)、机构持股比例(正)。
表7显示，在P3窗口期内在控制其他变量后，机构投资者卖出的股票数对目标股哑变量(TARGET)的回归系数显著为正，这与之前图2、图3的结果一致，说明机构投资者在P3窗口期大量卖出目标股。其他显著的控制变量包括资产规模(正)、市净率(负)、累积收益率(负)、非流动性指标(负)、机构持股比例(正)等。这些显著的变量与前述P1阶段回归的显著变量一致。
综合以上初步分析和严格计量分析的结果，我们可以得到结论，即拥有较强信息意识的机构投资者，他们在政策比较明确后开始大量买入受益股，而在政策正式宣布后又大量地卖出。④ (四)个人投资者行为 以上我们主要研究了机构投资者在不同窗口期的投资行为，发现机构在产业政策披露的过程中逐步建仓，在P3窗口期又大量的卖出目标股票，这说明有其他投资者接手这些股票。但是我们没有详细考查是哪些投资者在进行这样的操作。本节我们重点研究个人投资者在同时间段的投资行为，并将之与机构投资者相比。 1.新交易个人投资者的投资行为 我们统计了2009—2010年两年间个人投资者首次买入交易的时间，并分别计算了P1、P2和P3窗口期进行首次买入交易的个人投资者人数。结果发现，在P1窗口期，日平均首次交易人数74.7，在P2窗口期，日平均首次交易人数增长为100.4，而在P3窗口期，日平均首次交易人数显著增长为203。这表明个人投资者在明确的产业政策公布(A2事件)后才大量地参与股票交易，而对此前陆续披露的政策信息并没有足够的关注和反应。 2.个人投资者是否选择了机构投资者的目标股票？ 为确定个人投资者在产业政策正式公布后的选股偏好，我们选取个人投资者在P3窗口期购买的526只股票为样本，进行以下回归：
其中，
是哑变量，如果个人投资者在P3窗口期买入的股票i为机构投资者在P1窗口期大量买入的目标股票，则取值1；否则取值0。如果个人投资者在公告后追捧目标股票，那么哑变量应该显著为正。
表8报告了回归结果，控制变量中有3个显著，分别是公司规模(正)、名义价格(负)和Tobin-q(正)，说明个人投资者选择的股票大多为名义价格低、成长性强、企业规模大的股票。股票具有的这些特征与以往金融学文献中个人投资者的选股偏好相一致。我们所关心的哑变量显著为正，说明个人投资者接手了前期机构投资者所选择的目标股票。 综合以上实证结果可知，机构投资者在P1窗口期就开始大量购入目标股票，这些机构在A1和A2事件之间对这些股票没有显著的持仓变化，在政策公布后大量的抛售目标股票。而个人投资者在P1和P2窗口期的交易都跟匹配股票交易没有统计意义上的显著差别，但在政策公布后很多原来很久没有交易过的投资者开始跟风入市，大量买入目标股票。这些结果与我们的假设一是一致的。 (五)机构投资者基于产业政策的交易能否获利？ 我们借助于每日的购买—持有收益率BHR来分析机构投资者在各窗口期是否能够获利。在t到T期间的BHR定义为：
其中
为股票的日净收益率。假设机构投资者在P1窗口期集中购入目标股票并持有，我们想知道在消息公告日(10月18日)之后机构能否通过卖出目标股票获利。所以考察的时间段为9月8日开始，起始价格为P1窗口期目标股票的平均价格，运用上述公式得到一个时间序列，如图5所示。平均而言持有目标股票在窗口期内都处于获利状态。特别是从10月18日之后，BHR大幅提升，最高在11月初达到36％左右的净收益。这说明机构投资者进仓时的价格相对公布后的价格较低。
图5 目标股P1窗口期买入并持有收益率(BHR) 我们也考察了交易量最大的14个机构账户的交易数据，结果表明这些机构在10月26日至11月1日间出手量最大，其中10月28日卖出量分别一度达到9658万手，为同期平均卖出量的1.6倍。此阶段对应的BHR为1.31左右，为局部最大值。绝大部分股票在10月26日至11月1日间都已经出清。这从侧面表明个人投资者入市的速度比较快，符合现有文献中提出的个人投资者对过时信息会有过度反应的假设。 为进一步说明问题，我们用BHAR分析机构投资者相对于非目标股票而言有没有获得超额收益。BHAR的定义如下：
其中
为参照股票的净回报率。我们选择了所有非受益股作为参照组。同样地，起始价格为P1窗口期目标股票的平均价格。图6显示BHAR在大多数时候都为正，并且在进入P3窗口期后明显提升，在10月28日与11月10日间值达到最大，然后逐渐回落，并在11月底转为负值。这表明目标股票的价格在国家正式出台产业政策后一段时间异常走高，而在其他阶段的表现不如参照组的股票。这个结论是跟假设二相一致的。同时这也解释了本文之前发现的现象：目标股票只具有短期超额收益，中长期跟基准组合股票相比并没有额外的收益。
图6 目标股P1窗口期买入并持有超額收益率BHAR时间序列 六、讨论与总结 本文研究了国家新兴战略产业政策对受益股票收益率的影响并分析其原因。我们发现产业政策在公布之日后短期内能给投资者带来较高超额收益，但在中长期对收益率没有影响。造成这种现象的原因是产业政策存在陆续披露的过程，市场上不同投资者对于信息有不同的敏感度和反应度。机构投资者很早就关注到我国政府正在制定的产业政策，并在公布之日前就大量买入受益股票。而个人投资者在政策信息披露过程中没有引起足够重视，直到政策正式公布之日才开始大量进入市场和买入目标股票。机构投资者在个人投资者跟风的同时将之前建仓的股票脱手，并获得较高的超额收益。 这些结果对于我国产业政策的制定和评估有一些启示。信息的披露过程对于市场投资者行为有很大的影响。部分投资者可能会利用他们获得信息的优势、对信息的处理能力和其他投资者对信息的非理性反应进行获利，从而影响对应资产的价格和收益率。由于这些行为，国家真正要扶持的企业得不到长期稳定的金融市场资金的支持，使得产业政策的实际效果可能会因此而打折扣。另外，机构投资者利用自身信息处理优势获利虽然是合法和理性的市场行为，但客观上造成了资本财富的再分配。小部分机构投资者从中获得超额收益，但大部分稍晚跟风和出仓的个人投资者会因此而套牢，使得原本对所有投资者利好的政策信息变成少部分投资者获得财富的工具。因此，我们建议有关部门进一步夯实金融基础设施建设，加强对个人投资者的投资教育，培养他们对国家政策信息的敏感度，从而降低机构投资者与个人投资者之间对信息处理能力和反应速度的不对称性，推动金融市场对国家政策作出正确及时的反应，保障受扶持企业从股市融资的顺畅。同时，我们也认为在评估产业政策对受益企业的实体经济活动方面，不能忽视金融市场对产业政策的反应这一中间环节。 *本文是2012年上海证券交易所高级金融专家项目报告的一部分。我们感谢上海证券交易所发展研究中心王琳琳和王振华对该项目提供了数据支持，特别感谢两位匿名审稿人及胡汝银、施东辉、高芃洁、赵彬和崔立元等对本文提供了宝贵的修改意见。文责自负。 注释： ①虽然由于交易数据来源的限制，本文没能考虑深圳交易所内交易股票的情况，但我们认为两市的投资者行为差异不会由于交易地点而有本质上的差别。 ②我们也使用后文中倾向得分匹配后的控制组股票重新计算了各基准组合的α，结论无显著差异。如有需求，作者可以提供这些测试的结果。 ③国家产业政策正式公布日后几天机构投资者的买入量有所增加，这可能是因为对信息最敏感并预先重仓受益股的几大机构投资者向其他机构投资者出售股票。我们统计过重仓机构投资者的数目，发现前9只机构账户对于目标股票的买入量显著高于其他机构账户，其占比为32％。而在P3窗口期，这9个机构账户在196个账户中卖出占比达到23.26％。 ④我们也尝试了difference in difference(DID)方法考察由于产业政策给目标股票和其他股票带来的交易量上的差异，结果非常一致。这是合理的，因为目标股票的选取是政府基于国家经济发展战略需要考虑的结果，股票特征不是考虑的因素，因而受益股的选取具有一定的随机性，导致DID方法跟本文采用的方法结果类似。事实上，从表2和表3我们可以看出，在产业政策披露(6月18日)前，目标股票组合的系统风险beta值近似为1，收益率与市场标准组合收益率也比较接近，这些也说明目标股票在金融特征上跟其他股票没有大的差异。
标签：机构投资者论文; 股票论文; 投资收益率论文; 股票收益率论文; 个人投资论文; 超额收益率论文; 目标公司论文; 投资论文; 政策影响论文; 价格发现论文; 平均收益率论文;
