本文推介：谢懿格，中南财经政法大学金融学院

本文编辑：温和铭

本文审核：谢懿格

图一：投资者-公司-商店位置分布示意图

首先，作者构建商店层面的变量Car_Chg，计算一个季度内商店汽车数量的变化，用以预测商店季度业绩：

其次，作者把商店汽车数量加总到公司层面，计算一个季度内整个公司的汽车数量变化Car_Chg_Firm，用以预测公司季度业绩：

2.3已证明汽车信息可以预测公司业绩，因此在实证的第一部分，作者考虑投资者可能会利用这一本地信息来进行交易决策。模型构建如下：

回归结果中beta1显著为正，表明机构投资者会根据本地信息调整对该公司的持股，当本地信息指向公司有较好业绩时，投资者持股会显著增加。Beta2不显著，并非指投资者不会基于公司层面的信息做决策，因为2.3已证明Car_Chg_Firm比Car_Chg更能预测公司业绩，作者对beta2的解释是：公司只能预测临近商店的实时业绩，但无法获得和公司整体实时业绩有关的信息。

尽管3.1表明投资者会基于本地信息进行交易决策，但不确定的是投资者能否从这类交易中获利。作者根据是否基于汽车信息进行交易，将投资者分为两组，分别计算每个组的加权平均超额回报（Weighted_Abn_Ret），并进行组间差异检验。

结果发现，利用本地信息交易的组，比不利用本地信息的组，其加权平均超额回报显著高出0.488%，即当投资者基于本地信息交易时，会额外获得2%的年化超额回报。

首先，作者构建Poor_Signal与Car_Chg的交乘，对公司业绩变量回归。Poor_Signal的定义为：如果在前四个季度中至少有两个季度，商店汽车数量变化的符号与三个月超额回报的符号不同，那么Poor_Signal就为1。交乘项系数显著为负，说明Poor_Signal可以辨别出低质量信息。

当机投资者有较丰富的零售行业专业知识（specialist）或收取绩效费（performance）时，他们的整合成本较低，从而净收益较高。作者接着在交乘项后加上specialist和performance，系数均显著为负，表明specialist和performance减少了对低质量本地信息的依赖；但是对于其他投资者来说，他们处理信息的成本较高，与其判断信息质量好坏，不如直接利用本地信息。

为验证这一点，作者构建变量Post，表示投资者获得Orbital Insight权限后的时期。回归结果显示，交乘项Car_Chg_Firm*Post和Car_Chg_Local*Post系数均显著，表明当获得卫星数据后，投资者开始增加对公司层面的汽车信息的依赖，而减少对本地信息的依赖，即本地投资者随着数据的公开失去了本地信息优势。

腾讯课堂课程二维码