文献摘要
IPO批准对现有股票的影响：来自中国的证据
本文探究了中国市场上IPO审批是否会对现有股票产生影响。利用中国IPO审批制度作为自然实验，本文发现IPO批文会对现有的股票产生负向的影响。这种价格影响体现为均衡价格的漂移，而且在与该IPO相关程度较高的公司上的体现更加明显。这些结果支持了基于投资者预期的向下倾斜需求曲线假设。本文还发现了IPO上市期间的负向价格反应。总之，IPO批准会改变没有实际交易下的预期供求均衡价格，从而影响其他公司的股价。
因子择时是与非
因子择时是一个非常重要的问题，本文中作者考察了因子和不同种类外生变量的历史相互关系，包括情绪、价值、趋势、经济金融条件等，研究发现不同的外生变量对于因子的表现只在部分时间段内有较强的相关性。另外，因子择时有很大的缺陷，具体表现在因子和外生变量的相关性是时变的，我们观察到的因子和外生变量的关系都是事后观察得到的，这种分析可能陷入数据挖掘的圈套中。尽管如此，仍然有可能有部分外生变量能够带来因子择时的价值。
IPO批准对现有股票的影响：来自中国的证据
文献来源：Li Y, Sun Q, Tian S. The impact of IPO approval on the price of existing stocks: Evidence from China[J].Journal of Corporate Finance, 2018.
推荐原因：本文探究了中国市场上IPO审批是否会对现有股票产生影响。利用中国IPO审批制度作为自然实验，本文发现IPO批文会对现有的股票产生负向的影响。这种价格影响体现为均衡价格的漂移，而且在与该IPO相关程度较高的公司上的体现更加明显。这些结果支持了基于投资者预期的向下倾斜需求曲线假设。本文还发现了IPO上市期间的负向价格反应。总之，IPO批准会改变没有实际交易下的预期供求均衡价格，从而影响其他公司的股价。
1
引言
之前的研究（Braunand Larrain (2009)，. Shi et al. (2018)）发现IPO上市会对该公司的紧密替代公司产生负向的影响。利用中国独特的IPO审批制度，本文研究IPO批文的发布对替代公司的价格影响。通过IPO批文能够预测股票供给的变化，从而预测对替代股票需求的变化，因而，即使IPO股票尚未上市，也可以影响市场均衡价格的调整。
2
研究方法与样本构建
假设：
H1：在IPO批准时，IPO股票的高替代性股票的价格会降低，并且股票的替代性越强，价格下降幅度越大。
H2：IPO批准期间的价格反应是向新的均衡水平的调整，并且不会存在价格反转，因为这反映了市场关于新的供需平衡的预期。
构建模型如下：
由于IPO的影响不仅与相关性COV有关，也与IPO的规模有关。因此，本文只将规模超过一定阈值的样本纳入检验。为了降低SIZE与RS之间的多重共线性，使用账面价值而不是市值计算IPO的相对规模RS：
3
实证结果
COV对CARs的影响是负向的，交互项的影响也是负向的。结果表明，IPO审批通过的公告会对IPO的替代公司产生显著的负向影响，替代性越强的公司受到的影响越大，并且在30天内没有出现价格反转。即使在控制了IPO规模后，该结果仍然成立。
4
延伸IPO被拒对市场的影响
当IPO申请被拒绝时，股票供给并不会改变。然而，投资者可能会有IPO通过的预期，因此，IPO被拒可能会导致市场上的预期股票供给向下修正，从而导致替代公司的价格上升。结果表明，COV的系数是负向，但是并不显著，表明IPO被拒不会对替代公司的价格产生影响。
因子择时是与非
文献来源：Jennifer Bender，Xiaole Sun，Ric Thomas，Volodymyr Zdorovtsov, The Journal of Portfolio Management , 2018 , 44 (4) :79-92
推荐原因：因子择时是一个非常重要的问题，本文中作者考察了因子和不同种类外生变量的历史相互关系，包括情绪、价值、趋势、经济金融条件等，研究发现不同的外生变量对于因子的表现只在部分时间段内有较强的相关性。另外，因子择时有很大的缺陷，具体表现在因子和外生变量的相关性是时变的，我们观察到的因子和外生变量的关系都是事后观察得到的，这种分析可能陷入数据挖掘的圈套中。尽管如此，仍然有可能有部分外生变量能够带来因子择时的价值。
1
因子择时的方法
现有的因子择时方法主要分为3大类别：
宏观经济：Muijsson,Fishwick,Satchell（2014）的工作中研究了因子和利率变化的关系，Winkelmann（2013）等研究了宏观经济冲击对于因子的影响。
2
因子择时实证
因子收益的预测指标主要有5个类别，如下：
因子收益的数据来源为Kenneth French的网站上的Fama-French因子数据。分析区间从1963年7月到2015年7月。因子数据取多头（前30%）组合，因子集合为Size，Value， Profitability，Investment，Momentum。组合都以市值加权，除了Momentum月度调仓，其他因子为年度调仓，因子表现如下：
外生变量的数据来源为Datastream，Bloomberg，Factset，Robert Shiller的网站，Jeffrey Wurgler的网站。下面我们以美元期限利差（US TERM spread，20年国债收益率-三个月国库券收益率）和Profitability因子相对市场的超额收益的关系为例。
首先可以看到，利差曲线变得陡峭时，伴随着疲软的经济条件。在经济衰退时，利率曲线变得异常陡峭，最陡峭的点通常发生在经济衰退的底部，在底部区域，投资者对于风险资产要求高补偿，从经济衰退中恢复时防守性资产表现不佳。因此陡峭的曲线对于Profitability因子的不佳表现具有领先作用，因为盈利因子通常代表了防守性较好的大的低增速稳定的公司。
下图展示了外生变量对因子收益表现的相关系数。相关系数能在一定程度上反映预测指标对于因子收益的预测作用，但是过于简化了它们之间的关系。
这些相关系数能够反映出一些预测指标和因子表现的关系。例如，TEDspread和TERM spread对于Value，Profitability，Investment，Momentum因子是相对较强的预测指标。Unit Output growth，Personal Saving rate，CPI，PPI对于Value，Investment因子具有较强的预测能力。
3
因子择时的缺陷
可以看到，因子表现和这些预测指标之间的关系具有一定的随机性。因子择时面临了3个比较大的挑战：
时变的相关关系
下图为US Corporate Credit Spread和Value因子收益的关系。
信用利差的扩大在2000-2001年领先与Value因子的优良表现，但是在2008-2009之间领先于Value因子的较差表现。差异的原因可能为2000-2001年之间，Value因子是low beta，而在2008-2009之间为high beta，如下图。这两个时期的经济金融环境也有较大差异，但是主要原因还是Value因子本身的变化。
前视偏误
回顾历史数据挑出有良好预测作用的预测指标的难度，和挑出当前能够有预测作用的预测指标的难度是有很大差异的。在实际回测中我们很容易陷入数据挖掘的圈套中。
数据修正
大部分宏观经济指标都会有修正，尤其是GDP和失业率数据。因此，回测时用这些修正后的数据会不能反映当时的真实影响。
4
因子择时的希望
我们在做因子择时时要有足够长的视野并且认识到即使是一个非常好的因子择时策略也不能保证每次都能做对。
有一些方法是值得讨论的。一种方法是保守性模型，只使用极少量的、充分考察、具有经济直觉的指标来进行预测。价值和趋势类指标属于这一类。
例如，以价值类指标为例，我们计算因子多头的BP中位数-因子空头的BP中位数得到BP spread，当spread很大时，该因子较便宜，而spread为负时，该因子较贵。以因子当前的spread和其历史的spread相比较，如果一个因子较贵且spread在历史spread的一倍标准差外，则从组合中剔除该因子3年，剩余因子等权。该组合相对于等权的静态版本的表现如下图。在20年中，动态择时组合的年化收益为11.28%而静态组合为9.14%。
5
结论
本文中作者考察了因子和不同种类外生变量的历史相互关系，包括情绪、价值、趋势、经济金融条件等，研究发现不同的外生变量对于因子的表现只在部分时间段内有较强的相关性。另外，因子择时有很大的缺陷，具体表现在因子和外生变量的相关性是时变的，我们观察到的因子和外生变量的关系都是事后观察得到的，这种分析可能陷入数据挖掘的圈套中。
尽管如此，仍然有可能有部分外生变量能够带来因子择时的价值。即使是非常保守的模型，在较长的时间跨度中也能有较好的作用效果。
关注我们
风险提示：本报告内容基于相关文献，不构成投资建议。
《天风证券-金融工程：海外文献推荐》
2018年5月16日（注：报告审核流程结束时间）
