Local EPUB Text
三种不同的风格轮动
最近，实验经济学家将注意力转向了对可能同时导致反应不足和过度反应行为的研究。布卢姆菲尔德、利比和尼尔森（Bloomfield、 Libby和Nelson， 2000a）设计了两个实验，用于检验人们是否过度重视收益时间序列的旧元素（即过去的收益），从而对当前的收益变化和收益水平产生可预测的反应不足和反应过度。在第一个实验中， MBA学生们使用年化净资产收益率（ROE）信息来预测未来的年化净资产收益率，并据此决定他们在实验室市场中交易证券的价值。在第二个实验中，有经验的金融分析师使用季度收益信息来预测未来的季度收益。在这两个实验中，参与者都过于依赖前期的时间序列信息。由于对过去信息赋予的权重有误，导致了对收益变化的反应不足或对持续收益水平的过度反应。该研究为巴伯里斯、施莱弗和维什尼的风格轮动模型提供了支持。
布卢姆菲尔德和黑尔斯（Bloomfield和Hales， 2001）进行了两项以MBA学生们作为参与者的实验，支持了巴伯里斯、施莱弗和维什尼（Barberis、 Shleifer和Vishny， 1998）关于投资者期望随机游走在惯性机制（在该机制中变化往往延续原有的变化）和反转机制（在该机制中变化是对之前变化的反转）中的预测。正如预期，投资者对多次延续之后的变化反应过度，对多次反转之后的变化反应不足。
布卢姆菲尔德、利比和尼尔森（Bloomfield、 Libby和Nelson， 2000b）的研究表明，当研究者只收到关于信息可靠性的噪声信号时，往往会对可靠信息（例如近期的盈利公告）反应不足，但对不可靠的信息（例如分析师的长期增长预测）反应过度。格里芬和特沃斯基（Griffin和Tversky， 1992）的研究证实了这一发现。丹尼尔和迪特曼（Daniel和Titman， 2000）认为，在基础数据的可视度较低的情况下，过度自信很可能会达到最高水平。因此，私人信息不会受到强烈的质疑。这表明过度自信的错误定价效应更容易出现在成长型股票中。
有趣的是，上面提到过的三种模型对风格轮动的特征给出了大致相似的预测。然而从实际撰写的文字来看，巴伯里斯、施莱弗和维什尼的模型似乎在实证支持方面略占优势。斯瓦米纳坦和李（Swaminathan和Lee， 2000）给出了这些行为模型的图形表示（见图3.8），并称之为动量生命周期。
根据动量生命周期假说，股票可能遭受多次的反应不足和过度反应，以及投资者的偏爱和忽视。在图3.8的左边，是动量为正的股票（无论是盈利还是价格），这些股票是过去的赢家。动量为负的股票（无论是价格还是收益）被放在图3.8的右侧，这些股票是过去的输家。
出现利好消息的股票会在周期中向上移动，逐渐成为当前受关注的股票，或者称为魅力股。随后，这些股票让市场失望，并出现较多的负面消息。令人失望的股票的跌势无法阻挡，最终受到普遍忽视。此时，它们往往成为价值股[9]，吸引了反向投资者的注意。
左下象限和右上象限的特征是投资者反应不足。早期阶段的赢家经历了长期的公司盈利和股价下跌，但最近出现利好惊喜，股价也开始反弹。而早期阶段的输家有相反的模式——经历公司盈利良好、股价上涨的阶段，但随后因出现负面意外，股价开始下跌。在这两种情况下，投资者都倾向于反应不足（因其过于乐观和过于自信），他们认为自己的预测是正确的，认为目前的状况只不过是偶然现象，而事情的真相并非如此。
左上象限和右下象限的特征是投资者反应过度。晚期阶段的赢家具有长期业绩良好历史，盈利增长强劲。然而，投资者变得单纯过于迷恋这些股票——奢望它们是无敌的。因此，投资者的预期会越来越高，直到股价出现负面意外那一刻。晚期阶段的输家往往有着长期的盈利业绩不佳和令人失望的股价回报率的记录，因而投资者对这些股票的复苏能力变得过于悲观。因此，无论是晚期阶段的赢家还是输家，都过度估计了当前趋势的影响。
鉴于早期阶段的赢家和输家反应不足，晚期阶段的赢家和输家反应过度，可以预想，早期赢家的表现将优于晚期赢家，而早期输家的表现逊于晚期输家。斯瓦米纳坦和李提供了详细的分析数据来证实这些趋势在美国市场上确有记录。丹尼尔和迪特曼（Daniel和Titman， 2000）发现了更进一步的支持性证据，从而检验早期阶段的赢家表现优于晚期阶段赢家（见图3.9）。他们发现，高动量、低市净率股票的表现显著优于低动量、高市净率股票。在此基础上构建的净投资为零组合具有非常好的表现，在34年中有31年创造了利润，年平均利润为12.5%， CAPM贝塔值为-0.258，夏普比率[10]为1.12。
从上述分析中可以得到的关键信息是，早期阶段的赢家和输家表现出回报的惯性——动量交易在这些象限中发挥作用。晚期阶段的赢家和输家往往表现出回报的逆转——逆向策略在这些象限中发挥作用。假设我们知道每种风格所涉及的时间范围（动量效应为3-12个月，逆向效应为3-5年），我们就能开始构建可以产生显著阿尔法[11]的轮动模型。