公司总部所在地是一个重要的定价因子吗？

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

主要结论

• 总部所在地相同的股票，其股价具有联动性

• 改变总部所在地的股票，他们与旧地区的联动性减少，与新地区的联动性增加

主要研究路径

• 衡量股票联动性的方法：

  • 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.

    在控制市场和行业的前提下，公司股价相对于总部所在地股价的时间序列灵敏度(beta)

    • 控制行业的主要原因是，同一行业的公司倾向于地理聚集以享有地理上的正外部性(Marshall (1980) and Glaeser et al. (1992))

• 稳健性测试：收集了1990年以来总部搬迁的子样本，发现搬迁之前和老地方的联动性很强，和新总部地的公司股价没有联动性，搬迁后和老地方的联动性显著减少，和新地方的联动性显著增加

机制

• fundamentals

  • 盈利变化的联动性

    当地经济状况影响很多公司的基本面，从而对当地公司的股价产生共同作用

    从corporate earnings的角度来看，并无此关系

    实证结果显示，当前的 earnings changes 并无此地区联动性

    有必要考虑长期的盈利相关性

  • State level 月度经济活动的复合变量

    这个变量对于股价有一定的解释力，但是相对于股价之间的联动性是一个很小的量

• geographic segmentation

  • 同一地区之间的信息交流

    Coval and Moskowitz (1999)等发现投资者倾向于增加本地公司在投资组合中的权重

    同时，这种投资者之间的地理相似性带来的社会互动有助于情绪的传播和信息交换

    两方面的因素导致同一地区的股票交易呈现一定的相关性，并且这种相关性往往与基本面关系不大

  • 需要注意的是当地信息虽然能对当地投资者的偏误做出很好解释，但是只有系统性信息才对股价联动性有解释作用。而由于系统性信息与公司基本面之间的弱相关性，认为当地系统性信息与公司盈利之间的联动性关系并不大

  • 当地投资者的交易模式：

    • 从众心理，认为别的交易者的交易行为蕴含信息(Bikhchandani, Hirshleifer, and Welch (1992))
    • local “word-of-mouth” effect(Hong, Kubik, and Stein (2003))：同一个社区的投资者可能会互相交流对股票市场的看法以及自己的交易策略
    • Brown et al. (2004): 个人投资者会影响彼此的投资决策，这种影响在金融素养不高的家庭以及年龄和收入水平相近的投资者之间更为显著
    • DeMarzo, Kaniel, and Kremer (2004): 由于当地投资者之间竞争有限的当地资源，均衡情况下，投资者会的群体性涌入或退出当地股票。这种交易策略会造成地区层面的系统性风险，并且这种风险与公司基本面无关。

异质性

• 公司层面
  • 股价联动性在当地投资者占比更大的公司更为显著，比如小公司(Coval and Moskowitz (1999) and Ivkovic ́ and Weisbenner(2004))
  • 在更不显眼的公司更为显著(ie: less profitable | fewer shareholders)
• 地理层面
  • 股价的地理联动性与金融市场参与度正相关
  • 与当地居民的金融素养成负相关

主要贡献

• 强调了股票定价中地区因子的显著作用
• 地区层面的投资聚集化带来的社会成本可能比之前以为的要高

模型

1. 验证地区股价联动性

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

   控制行业效应：
   $R _ { t } = \alpha _ { i } + \beta ^ { L O C } R _ { t } ^ { L O C } + \beta ^ { M K T } R _ { t } ^ { M K T } + \beta ^ { I N D } R _ { t } ^ { I N D } + \varepsilon _ { i , t }\tag{2}$
   考虑到行业之间的溢出性，额外控制47个行业之间对该行业解释力度最高的两个行业

   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
   回归结果：

2. 总部所在地搬迁对地区股价联动性的影响

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

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

   控制行业效应：

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

   回归结果：

3. 当地基本面对地区股价联动性的影响

   • 地区盈利有联动性吗
     $d E / B E _ { k } = \alpha _ { i } + \beta ^ { \operatorname { LOC } } \left( d E / B E _ { k } \right) ^ { L O C } + \beta ^ { M K T } \left( d E / B E _ { k } \right) ^ { M K T } + \varepsilon _ { i , t }\tag{8}$
     其中k=1,4. $d E / B E _ { 1 }$表示等权盈利增长率，$d E / B E _ { 4 }$表示加权盈利增长率。

     回归结果：

   • 经济基本面和股价联动性

     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. 考虑到股价具有前瞻性，使用卡尔曼滤波基于三个月度的经济变量(就业率、失业率和平均工作小时数)以及一个季度经济变量(雇佣工资)对经济的动态变化作出估计，基于此构造未来三个月内的地区层面的经济基本面变量变化(LF)和国家层面的经济基本面变量变化(NF)
     $R _ { t } = \alpha _ { i } + \beta ^ { L O C } R _ { t } ^ { L O C } + \beta ^ { M K T } R _ { t } ^ { M K T } + L F _ { t + 1 } + N F _ { t + 1 } + \varepsilon _ { i , t }\tag{9}$
     回归结果：

   • 总部搬迁和经济基本面
     $R _ { t } = \alpha _ { i } + \beta ^ { F O } L F O _ { t + 1 } + \beta ^ { F N } L F N _ { t + 1 } + \varepsilon _ { i , t }\tag{10}$
     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.

     回归结果：