公司總部所在地是一個重要的定價因子嗎？

Wang - JF - 2006 - Does Corporate Headquarters Location Matter for Stock Returns?

主要結論

• 總部所在地相同的股票，其股價具有聯動性

• 改變總部所在地的股票，他們與舊地區的聯動性減少，與新地區的聯動性增加

主要研究路徑

• 衡量股票聯動性的方法：

  • We measure the local comovement of a stock by the time-series sensitivity(beta) of its returns to the returns of an index of stocks headquartered in thesame geographic area. When estimating local comovement we control for comovement with both the overall market and the corresponding industry groups.

    在控制市場和行業的前提下，公司股價相對於總部所在地股價的時間序列靈敏度(beta)

    • 控制行業的主要原因是，同一行業的公司傾向於地理聚集以享有地理上的正外部性(Marshall (1980) and Glaeser et al. (1992))

• 穩健性測試：收集了1990年以來總部搬遷的子樣本，發現搬遷之前和老地方的聯動性很強，和新總部地的公司股價沒有聯動性，搬遷後和老地方的聯動性顯著減少，和新地方的聯動性顯著增加

機制

• fundamentals

  • 盈利變化的聯動性

    當地經濟狀況影響很多公司的基本面，從而對當地公司的股價產生共同作用

    從corporate earnings的角度來看，並無此關係

    實證結果顯示，當前的 earnings changes 並無此地區聯動性

    有必要考慮長期的盈利相關性

  • State level 月度經濟活動的複合變量

    這個變量對於股價有一定的解釋力，但是相對於股價之間的聯動性是一個很小的量

• geographic segmentation

  • 同一地區之間的信息交流

    Coval and Moskowitz (1999)等發現投資者傾向於增加本地公司在投資組合中的權重

    同時，這種投資者之間的地理相似性帶來的社會互動有助於情緒的傳播和信息交換

    兩方面的因素導致同一地區的股票交易呈現一定的相關性，並且這種相關性往往與基本面關係不大

  • 需要注意的是當地信息雖然能對當地投資者的偏誤做出很好解釋，但是隻有系統性信息纔對股價聯動性有解釋作用。而由於系統性信息與公司基本面之間的弱相關性，認爲當地系統性信息與公司盈利之間的聯動性關係並不大

  • 當地投資者的交易模式：

    • 從衆心理，認爲別的交易者的交易行爲蘊含信息(Bikhchandani, Hirshleifer, and Welch (1992))
    • local “word-of-mouth” effect(Hong, Kubik, and Stein (2003))：同一個社區的投資者可能會互相交流對股票市場的看法以及自己的交易策略
    • Brown et al. (2004): 個人投資者會影響彼此的投資決策，這種影響在金融素養不高的家庭以及年齡和收入水平相近的投資者之間更爲顯著
    • DeMarzo, Kaniel, and Kremer (2004): 由於當地投資者之間競爭有限的當地資源，均衡情況下，投資者會的羣體性涌入或退出當地股票。這種交易策略會造成地區層面的系統性風險，並且這種風險與公司基本面無關。

異質性

• 公司層面
  • 股價聯動性在當地投資者佔比更大的公司更爲顯著，比如小公司(Coval and Moskowitz (1999) and Ivkovic ́ and Weisbenner(2004))
  • 在更不顯眼的公司更爲顯著(ie: less profitable | fewer shareholders)
• 地理層面
  • 股價的地理聯動性與金融市場參與度正相關
  • 與當地居民的金融素養成負相關

主要貢獻

• 強調了股票定價中地區因子的顯著作用
• 地區層面的投資聚集化帶來的社會成本可能比之前以爲的要高

模型

1. 驗證地區股價聯動性

   $R _ { t } = \alpha _ { i } + \beta ^ { L O C } R _ { t } ^ { L O C } + \beta ^ { M K T } R _ { t } ^ { M K T } + \varepsilon _ { i , t }\tag{1}$

   控制行業效應：
   $R _ { t } = \alpha _ { i } + \beta ^ { L O C } R _ { t } ^ { L O C } + \beta ^ { M K T } R _ { t } ^ { M K T } + \beta ^ { I N D } R _ { t } ^ { I N D } + \varepsilon _ { i , t }\tag{2}$
   考慮到行業之間的溢出性，額外控制47個行業之間對該行業解釋力度最高的兩個行業

   Concern: a firm might comove not only with local firms in the same
   industry but also with local firms in related industries：
   $R _ { t } = \alpha _ { i } + \beta ^ { L O C } R _ { t } ^ { L O C } + \beta ^ { M K T } R _ { t } ^ { M K T } + \beta ^ { I N D } R _ { t } ^ { I N D } + \sum _ { K = 1 } ^ { 2 } \beta ^ { I N D _ { K } } R _ { t } ^ { I N D _ { K } } + \varepsilon _ { i , t }\tag{3}$
   $R^{IND_1}$ is the return of the industry that explains best the return of the t

   stock from among the remaining 47 industries over the previous 5-year period, as measured by the $R^2$ from the regression :
   $R _ { t } = \alpha _ { i } + \beta _ { 1 } R _ { t } ^ { I N D _ { 1 } } + \varepsilon _ { i , t }$
   After specifying $I N D _ { 1 }$, we similarly identify industry * $I N D _ { 2 }$from among the re-
   maining 46 industries as the industry that maximizes the $R^2$ from the following
   regression:
   $R _ { t } = \alpha _ { i } + \beta _ { 1 } R _ { t } ^ { I N D _ { 1 } } + \beta _ { 2 } R _ { t } ^ { I N D _ { 2 } } + \varepsilon _ { i , t }$
   The resulting pair of industry returns ($ R _ { t } ^ { I N D _ { 1 } } , R _ { t } ^ { I N D _ { 2 } }$) serves as an additional tt

   control for industry-related comovement of stock returns
   迴歸結果：

2. 總部所在地搬遷對地區股價聯動性的影響

   $R _ { t } = \alpha _ { i } + \beta ^ { L O C O } R _ { t } ^ { L O C O } + \beta ^ { L O C N } R _ { t } ^ { L O C N } + \beta ^ { M K T } R _ { t } ^ { M K T } + \varepsilon _ { i , t }\tag{6}$

   其中$R _ { t } ^ { L O C O }$是總部原所在地，$R _ { t } ^ { L O C N }$是總部新所在地

   控制行業效應：

   $R _ { t } = \alpha _ { i } + \beta ^ { L O C O } R _ { t } ^ { L O C O } + \beta ^ { L O C N } R _ { t } ^ { L O C N } + \beta ^ { M K T } R _ { t } ^ { M K T } + \beta ^ { I N D } R _ { t } ^ { I N D } + \varepsilon _ { i , t }\tag{7}$

   迴歸結果：

3. 當地基本面對地區股價聯動性的影響

   • 地區盈利有聯動性嗎
     $d E / B E _ { k } = \alpha _ { i } + \beta ^ { \operatorname { LOC } } \left( d E / B E _ { k } \right) ^ { L O C } + \beta ^ { M K T } \left( d E / B E _ { k } \right) ^ { M K T } + \varepsilon _ { i , t }\tag{8}$
     其中k=1,4. $d E / B E _ { 1 }$表示等權盈利增長率，$d E / B E _ { 4 }$表示加權盈利增長率。

     迴歸結果：

   • 經濟基本面和股價聯動性

     Local Economic Fundamentals：employment and income level of the region

     Stock and Watson (1989) use a set of observable indicators of the economy to estimate a single unobserved dynamic factor—the underlying “state of the economy.” The economic index is the latent factor estimated in a dynamic single-factor model using the Kalman filter based on three monthly economic variables, employment, unemployment, and average hours worked, and one quarterly economic variable, employment income. 考慮到股價具有前瞻性，使用卡爾曼濾波基於三個月度的經濟變量(就業率、失業率和平均工作小時數)以及一個季度經濟變量(僱傭工資)對經濟的動態變化作出估計，基於此構造未來三個月內的地區層面的經濟基本面變量變化(LF)和國家層面的經濟基本面變量變化(NF)
     $R _ { t } = \alpha _ { i } + \beta ^ { L O C } R _ { t } ^ { L O C } + \beta ^ { M K T } R _ { t } ^ { M K T } + L F _ { t + 1 } + N F _ { t + 1 } + \varepsilon _ { i , t }\tag{9}$
     迴歸結果：

   • 總部搬遷和經濟基本面
     $R _ { t } = \alpha _ { i } + \beta ^ { F O } L F O _ { t + 1 } + \beta ^ { F N } L F N _ { t + 1 } + \varepsilon _ { i , t }\tag{10}$
     where $R_t$ is the return of the stock over the current month, while $L F O _ { t + 1 }$ and
     $L F N _ { t + 1 }$ are the changes in local fundamentals for the new and old locations,
     respectively, over the following 3 months.

     迴歸結果：