“学海拾珠”系列之一百一十七：技术相似性对股票收益的预测能力-20221123-华安证券-17正式版.doc

《“学海拾珠”系列之一百一十七：技术相似性对股票收益的预测能力-20221123-华安证券-17正式版.doc》由会员分享，可在线阅读，更多相关《“学海拾珠”系列之一百一十七：技术相似性对股票收益的预测能力-20221123-华安证券-17正式版.doc（19页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、金融工程专题报告技术相似性对股票收益的预测能力“学海拾珠”系列之一百一十七报告日期：2022-11-23分析师：严佳炜执业证书号：S0010520070001邮箱：yanjw分析师：吴正宇执业证书号：S0010522090001邮箱：wuzy主要观点：本篇是“学海拾珠”系列第一百一十七篇，作者主要研究了基于技术相关联的公司对股票收益进行预测的可行性。研究发现，技术关联是对现有风险因子的有效拓展，目标公司的股票收益可通过技术相关联的公司回报进行预测。基于技术关联情况构造的交易策略，即做多前一个月技术关联公司回报率高的股票，做空回报率低的股票，每月超额收益高达 1.28%。回到 A 股市场，可将公

2、司的财报作为数据源，基于文本分析建立企业间技术层面的联系，并通过技术关联公司的历史回报和财务数据来预测目标公司的未来收益。相关报告1.被动投资对共同基金管理能力和市场效率的影响“学海拾珠”系列之一百零九2.共同资金流 Beta 与因子定价 “学海拾珠”系列之一百一十3.分析师的反应不足和动量策略 “学海拾珠”系列之一百一十一4.股票短线交易与收益异象“学海拾珠”系列之一百一十二5.明星分析师能否在糟糕的信息环境中做出更好的覆盖决策？“学海拾珠”系列之一百一十三6.基金经理能选出好的“投机性”股票吗？“学海拾珠”系列之一百一十四7.BAB 增强版：与包含定价噪音的企业间技术关联的信息会反映到股价

3、上由于技术相似性的专业性、不确定性和内容的特定性，投资者将难以处理有关技术相似性的信息，因此企业间技术关联的信息反映到股价上的过程不是立即且充分的。在处理能力有限或注意力不集中的情况下，投资者不能立即充分考虑相关信息，公司股价在对技术关联的同行的新消息做出反应时会有一定滞后。技术关联是对现有风险因子的有效拓展实证结果表明，高（低）共同分析师覆盖率的技术关联公司的投资组合确实表现出比低（高）共同分析师覆盖率的投资组合具有更强（较弱）的同步性和更弱（更强）的回报可预测性。根据公司间技术关联的强度来区分，与高相似度关联相比，低相似度关联的股票回报率同步性更弱，可预测性更强，因为投资者对低相似度关联的

4、关注度更低。基于技术相似公司交叉预测的零成本交易策略产生显著回报本文构建的一种零成本交易策略，即做多前一个月技术关联公司回报率高的股票，做空同行回报率低的股票，该策略每月超额收益高达 1.28%，且在很大程度上无法由已知的因子定价模型所解释。Beta 为敌“学海拾珠”系列之一百风险提示一十五8.ETF 的资金流动是否蕴含独特信息？“学海拾珠”系列之一百一十六敬请参阅末页重要声明及评级说明证券研究报告文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。金融工程正文目录1引言 .42数据和统计方法 .62.1专利数据 .62.2.产品相似性数据 .72.3.股票回报、公司财务和分析师预测数

5、据 .73实证分析 .83.1技术相似性指标领先于产品市场关联指标 .93.2技术相似性的实际经济效应 .103.3同期协同变动 .113.4回报交叉可预测性 .133.5产品和技术相似性之间的区别 .133.6.基于文本和传统技术相似性度量之间的区别 .134零成本交易策略 .155结论 .16风险提示： .16敬请参阅末页重要声明及评级说明2 / 17证券研究报告金融工程图表目录图表 1 样本描述性统计8图表 2 技术相似性的持续性分析9图表 3 技术关联经济效应10图表 4 股票收益的同期协同变动12图表 5 股票收益的可预测性12图表 6 非重叠组合的可预测性及共同变动14图表 7 替

6、代策略的表现15图表 8 零成本交易策略收益16敬请参阅末页重要声明及评级说明3 / 17证券研究报告qRsRmMpRuNxPsMqQoNmNoM9P9RaQnPqQtRnPkPnMpOiNoMsR6MpOsMuOsRzQwMqQnP金融工程1 引言无论是在整个经济层面还是在行业和个别公司层面，技术创新是经济增长、生产力和盈利能力提高的重要来源。Trajtenberg，Hall 及 Hirshleifer 等学者认为创新相关的信息对决定公司价值起重要作用。然而，最近的实证研究表明，在市场中创新可能会被错误估值，Hirshleifer 等人将这种错误估值与投资者有限的处理能力联系起来。本文研究了

7、企业自身创新活动以及技术相似公司的创新活动对资产定价的影响。具体来说，作者研究(i)企业间技术关联的信息是否反映到股价；(ii)这类信息在股价上反映是否及时和充分。之前的研究证明了产品市场空间中重要的企业间经济联系对资产定价的影响，例如行业、供应链以及关联动量等。创新关联代表了一种新的经济联系，它也许比产品市场联系更复杂，但仍然很重要。一个企业的微观经济特异性冲击会通过企业间的直接合作或更广泛的技术投入产出渠道影响从事相关技术领域的公司。创新溢出效应使企业能够在技术同行创造的知识基础上开发自己的新技术，在生产过程中使用其他企业的创新来降低成本和提高生产率，或者扩大业务以应对技术进步带来的需求。

8、为了识别技术上相似的公司，作者利用专利描述中公开的信息。首先，结合大数据科学的最新进展，对来自 770 万份专利描述的约 400 千兆字节的文本数据进行自动分析，创建了“专利宇宙”：一个独特的专利与专利之间的相似性空间，在这个空间中，局部相似的专利相互连接。然后在公司层面汇总单个专利，以描述一个公司的创新空间。创新空间的概念在经济学、金融学和管理学中早已被广泛应用。然而，目前公司技术地位的衡量主要基于引用或美国专利和商标局（USPTO）分配的专利分类代码，这些衡量标准因专利分类不当、主观分类以及公司引用等问题导致的偏差而受到批判。作者对技术相似性的自动化文本测量旨在减少这些偏差，因为它不依赖于

9、人工输入且使用了对创新的完整描述，而不仅仅是专利分类或引用中包含的少量信息。Bloom 等人认为技术空间不同于产品市场空间。作者发现技术和产品市场同行之间只有 8%的重叠。Teece 及 Alexopoulos 认为技术创新先于产品开发，决定了产品商业化的战略方向。谷歌自 21 世纪初以来对自动驾驶汽车技术的追求提供了一个示范性的例子，本文通过文本分析发现，谷歌与汽车制造商福特、本田和 Oshkosh 卡车公司分别在 2004 年、2005 年和 2006 年存在技术相似性。相比之下，产品市场的相似性不能用来检测这些联系。虽然技术相似性的传统衡量标准-引文和专利分类可以用来识别一些技术联系，但

10、其中很多会被忽略。例如，引文重叠法在 2014 年之前没有发现谷歌和 Oshkosh Truck 之间的任何联系。谷歌的例子在美国公司的样本中具有代表性。作者发现，技术相似性作为一个前瞻性的指标，预测了接下来几年的产品市场相似性。相反，产品相似性并不能预测技术相似性，因为属于同一产品领域的公司很可能已经在同一技术领域工作。如果投资者事先考虑到关于技术关联的公开信息，那么当技术相似的同行的信息被发布到市场上时，公司的股票价格就会调整。然而，如果由于处理能力有限或注意力不集中，投资者不能立即充分考虑相关信息，公司股价在对技术同行的新消息做出反应时会有一个可预测的滞后。作者预计，由于技术相似性的专业

11、性、不确定性和内容的特定性，投资者将难以处理有关技术相似性的信息。为了检验技术关联的资产定价回报，作者为每个公司计算基于文本的技术关联公司的投资组合回报，同时按技术相似性强度加权。敬请参阅末页重要声明及评级说明4 / 17证券研究报告金融工程为了更好地理解作者的方法，以 2015 年 10 月的事件及其对亚马逊和技术同行股价的影响为例。2015 年 10 月 6 日至 9 日，亚马逊举办了最大规模的年度云计算会议，该会议吸引了众多与会者和名流媒体，并得到媒体广泛报道。会议上展示了许多创新性服务和工具，包括亚马逊网络服务（AWS）、物联网（IoT）、Amazon QuickSight（一种云驱动

12、的商业智能服务）、Knesis Firehose（一种将数据流到云的工具）和 AWS 数据库迁移。在会议后五天的窗口期内，亚马逊的累计异常回报率（CAR）达到了 5.08%。此外，在 10 月 22 日的财报中，亚马逊提供了 AWS 领域惊人增长的有力证据：销售额达到 21 亿，比上年同期增长 78%。亚马逊宣布后的五天 CAR 为 9.3%。这两个重大事件在很大程度上导致了亚马逊在整个 10 月份 14.87% 的异常回报。亚马逊披露的好消息不仅增加了其自身股票的价值，也增加了其技术相关联的同行的股价，因为云计算的快速扩张对包括广泛公司在内的整个云生态系统都有利。例如，物联网融合了多种技术，

13、包括无线通信、实时分析、机器学习、商品传感器和嵌入式系统，创建了一个由车辆、家用电器、可穿戴和医疗设备等物理设备以及制造业和农业中使用的各种库存物品组成的智能网络。2015 年 10 月和 11 月亚马逊技术同行的 CAR 表现显著协同变动，亚马逊所有技术关联的同行的 CAR 在公告发布当月（2015 年 10 月份）为 1.39%（t-stat=2.19）。此外，在接下来的一个月（2015年 11 月），所有技术关联的同行的 CAR 为 1.70%（t-stat=3.33），显示出显著的超前-滞后效应。重要的是，行业关联不会影响亚马逊技术关联的同行的同期变动和超前-滞后效应。与亚马逊不属于同

14、一个行业的公司的 CAR 甚至更高：10 月份为1.55%（tstat=2.05），11 月份为 2.00%（t-stat=3.43）亚马逊的例子代表了美国普通股票一种截面上的系统性规律。作者发现，投资者确实在股票价格中纳入了事先公开的有关技术关联的信息，并证实了基于文本分析的技术相似公司的股票回报率是同步的。但是投资者并没有立即且充分地考虑这些信息：目标公司的月度股票收益可由基于文本分析的技术相似公司的滞后组合预测。为了排除结果是由于行业动量驱动的可能，严格控制产品市场的相似性，包括两个行业组合回报：（i）市值加权的传统静态 SIC 组合和（ii）Hoberg 和 Phillips 动态的基

15、于文本的网络行业分类（TNIC）组合，根据产品市场相似性的强度加权。此外，还控制短期反转、中期动量，各种截面特征，以及传统的技术相似性、引文重叠和美国专利商标局分类等传统方法度量关联起来的公司的股票回报。作者研究表明，基于技术相似公司交叉预测的零成本交易策略产生了经济上和统计上的显著回报。由买入前一个月回报率高的技术相似的同行股票和做空过去回报率低的同行股票组成的交易策略产生了 1.28%的月回报。这些策略的回报并没有被广为人知的风险因素所解释。此外，这些策略在样本期间仍然持续盈利。基于技术关联回报的可预测性不是由技术上和产品上相似的投资组合的重叠所驱动的，并且与行业动量不同。作者构建了三个不

16、重叠的投资组合，其中包括（i）只有基于文本的技术相似的同行，（ii）只有产品相似的同行，以及（iii）技术和产品都相似的同行。作者发现，虽然只有技术关联的公司或只有产品市场关联的公司的投资组合都能预测股票收益，但只有技术关联的投资组合的预测系数的大小要大于只有产品市场关联的投资组合的预测系数。这与有限的处理能力假说是一致的，因为关于技术关联的更细微的信息比关于产品市场关联的信息更慢地被反映到股票价格。此外，既有技术联系又有产品联系的公司的投资组合并不能预测收益，因为这类信息关联最明显，很容易被投资者识别，并立即被纳入到股票价格。此外，作者进行了横截面测试，为有限处理能力假设提供了更直接的支持。

17、如果敬请参阅末页重要声明及评级说明5 / 17证券研究报告金融工程是有限的投资者注意力和处理能力驱动回报的可预测性，那么结果应该随着注意力的不集中程度而变化。因此，本文首先使用同时覆盖技术关联股票的分析师人数代表投资者对信息溢出的关注度。同时覆盖技术关联公司的分析师可能会意识到信息溢出，并将其传达给市场参与者。作者发现，高（低）共同分析师覆盖率的技术关联公司的投资组合确实表现出比低（高）共同覆盖率的投资组合具有更强（较弱）的即期同步变动和更弱（更强）的回报可预测性。第二，根据技术上相似的公司关联强度来区分。与高相似度关联相比，低相似度关联的股票回报率同步性更弱，可预测性更强，因为投资者对低相似

18、度关联的关注度更低。通过一系列的稳健性检验，确保结果不是由小市值股票的有限流动性或大公司和小公司之间的领先-滞后关系所驱动的。为了减少流动性不足的影响，排除价格低于 5 美元的股票，同时对样本施加额外限制的分析。首先，排除市值低于纽约证券交易所 20 百分位的公司。其次，当同行公司比预测公司大时，剔除相应关联，实证结果的主要内容仍然没有改变。为了排除结果是由客户-供应商关联驱动的可能性，控制了客户行业的投资组合收益，并从技术相似的投资组合中剔除单个客户-供应商关联。最后，将样本一分为二，发现早期（1996-2005 年）的交叉可预测性比后期（2006-2014 年）的更强。这也与处理能力有限的

19、假说相一致，因为投资者处理大量信息的能力在早期受到计算技术的限制。研究发现 STEM（科学、技术、工程和数学）行业的结果更加有力，在这些行业中，创新信息对公司的估值至关重要。即使技术关联企业的回报可预测性在很大程度上无法用众所周知的风险因素来解释，但另一种风险解释总是潜伏在背后，即具有相似技术的企业可能暴露一些类似的未观察到的风险因素，而这正是驱动领先-滞后效应的原因。然而，与有限处理能力假说相一致的横截面规律，很难与基于风险的解释相协调。尽管如此，为了进一步解决这些问题，本文展示了技术相似的公司之间存在真实的经济联系，这是技术关联对资产定价影响的一个重要前提条件。作者证明了一个公司的盈利能力

20、，用资产回报率（ROA）来衡量，与有技术关联同行的同期和滞后加权平均 ROA 相关。此外，以研发强度衡量的企业创新活动与关联企业的加权平均研发强度相关，并具有超前-滞后关系。本文贡献如下：首先研究表明，不仅公司自身的创新，其技术关联的同行的创新也为其估值提供了重要信息。市场将有关技术相似性的信息反映到股价中，但反映过程不是立即且充分的。研究发现补充了对投资者有限认知处理能力作用的讨论，这表明投资者处理无形技术相似性信息比处理更明显的产品相似性信息更困难。其次，对文本分析研究做出了贡献。本文对技术相似性的自动化文本测量旨在解决传统测量的偏差，并允许发现新的关联。例如，当行业由 TNIC 分类定义

21、时，传统的基于 USPTO 类别的关联并不能捕捉到以往记录的行业动量之外的回报预测性。本文不仅表明基于文本的技术关联的同行预期股票收益超出了行业动量，而且较小规模的股票可以预测较大规模的股票。2 数据和统计方法2.1 专利数据从 USPTO 存储系统中检索 USPTO 从 1976 年到 2015 年（含）颁发的美国专利的整个存储库。为尽可能实现全面性，在数据可得的情况下包括专利申请数据。因此，除了检索已颁发的专利外，作者还检索 2001 年至 2015 年（包括 2001 年）美国专利局批量数据存储系统上的专利申请。为了避免数据重复，删除在已发布专利敬请参阅末页重要声明及评级说明6 / 17

22、证券研究报告金融工程数据中重复出现的专利申请。此外，使用 Levenshtein 距离解决受让人姓名中的拼写错误和差异，并使用类似于 Bekkerman 和 Gavish 的方法来标准化受让人姓名。在将每项专利与标准化的受让人名称联系起来之后，作者将美国专利商标局数据库中的所有专利与证券价格研究中心（CRSP）数据库中报告的回报率的公司进行匹配。美国专利商标局颁发专利的时间在官方公报中被记录为授予日期，将专利申请公开的日期称为发布日期。本文将专利的发布日期定义为数据中列出的发布日期，否则定义为其授权日期。作者将每个专利表示为专业术语的集合，如果两个专利（已发布或正在申请）有共同的专业术语，就认

23、为它们是相似的。专业术语的最主要来源是维基百科，首先从维基百科页面的标题和字幕中收集术语，为弥补维基百科中的专业词汇不足，从在线专业词典中添加术语。使用两个 MapReduce 评估专利间的相似性。第一个 MapReduce 任务查找专利中的候选专业术语（Map 阶段），对于每个检测到的术语，构建一个包含该术语的专利列表（Reduce 阶段）。然后过滤太长的列表，因为它们所对应的术语太常见，无法在专利之间形成有意义的关联。第二个 MapReduce 任务在构建的列表中每一对专利（Map 阶段）间进行，计算两个专利之间的 L1 距离（Reduce 阶段），表示为由 TFIDF（术语频率-反向文档

24、频率）加权的共同术语向量。与专利文本中其他地方出现的术语相比，“专利要求”中出现的术语被赋予更大的权重。作者提出的方法克服了为大型文档库构建语义相似性空间的主要障碍：计算问题。因为只评估拥有共同专业术语的专利对，其方法显著减少了计算时间。从两家公司拥有的专利的相似性中得出两家公司之间基于专利文本的技术相似性。如果 A1 拥有的专利 n1 与企业 A2 拥有的专利 n2 相似，则企业 A1 和 A2 被认为是相似的。A1 和 A2 之间的相似性是从两个专利 n1 和 n2 中较新的专利的发表年份开始检测。如果 A1 和 A2 拥有不止一对相似的专利，那么 A1 和 A2 之间的相似性就从最早的一

25、对开始评估。对 A1 和 A2 公司的连续相似性测量是其专利之间对数加权的余弦相似性：对相似专利总量取对数并根据专利年龄（每对中较新的专利）进行折算，然后通过每个公司的专利总数的乘积取对数进行归一化。这种衡量方法考虑了一个特定公司的整个专利存量，以反映其创新历史；然而，它给较新的专利分配了更大的权重，以强调较近期创新活动的更大相关性。2.2.产品相似性数据使用 Hoberg 和 Phillips（20102016）开发和使用的动态 TNIC 数据来控制公司之间的产品相似性。当检验回报协同变动和交叉可预测性时使用上一年的数据来识别企业的技术和产品相似性（TNIC 分类）。2.3.股票回报、公司财

26、务和分析师预测数据股票回报数据来自 CRSP 月度回报数据库，从合并后的 CRSPCOMPUSTAT 数据库中获取所有证券代码为 10 或 11 的 NYSE/AMEX/NASDAQ 公司的财务报表数据和其他公司信息，剔除财年末价格低于 5 美元的股票，最终样本为在会计年度结束时账面净值（BE）和市场价值（MV）不含缺失值的公司。对于每个公司 i，计算基于文本的技术关联投资组合的回报， , ，作为属于公司 i 的基于文本的技术关联公司的平均月回报，其中根据其与公司 i 基于文本的相似性的强度进行加权。类似地，计算基于类别（引用）的技术关联投资组合的回报，, （ , ），作为属于企业 i 的基于

27、类（引用）的技术空间的关联企业的平均月回报，同样由相似性强度加权。计算产品相似投资组合的回报， , ，作为公司敬请参阅末页重要声明及评级说明7 / 17证券研究报告金融工程i 动态 TNIC 行业股票的产品相似性加权平均月回报。在技术和产品相似性的所有衡量指标中，使用每年年底 t 公司间联系的公开信息，然后将其映射到 t+1 年 7 月至 t+2 年 6 月的回报数据，以计算适当的权重。从 I/B/E/S 数据库中获得样本中每只股票的分析师覆盖率，使用历史 CUSIP 代码连接这两个数据库。股票被分析师覆盖的数量定义为在该日历年内至少为该股票发布一次 EPS 预测的分析师数量。样本信息如图表

28、1 所示，A 部分显示描述性统计数据。平均每年有 903 家公司，平均每年有 82 项专利申请。该样本涵盖了 CRSPCOMPUSTAT 普通股中市值的近50%。平均而言，一家公司有 70 个基于文本的技术相似同行，57 个在 TNIC 分类定义的相同产品空间中运营同行，92 个通过引用关联同行，116 个通过 USPTO 分类关联同行。B 部分提供了代表样本 1%以上的不同行业的描述性统计数据，样本显示了不同的行业代表性。其中电子设备、制药和计算机软件是三大代表行业，因为在这些领域拥有大量专利。图表 1 样本描述性统计资料来源：Technological similarity and sto

29、ck return cross-predictability: Evidence from patents big data，华安证券研究所3 实证分析敬请参阅末页重要声明及评级说明8 / 17证券研究报告金融工程3.1 技术相似性指标领先于产品市场关联指标为了进一步证实技术和产品的相似性反映了不同的经济联系，并验证先前关于创新效应先于产品商业化的说法，作者分析了技术相似性是否能预测未来的产品相似性，反之亦然。图表 2 报告了回归结果，其中第 1 列的因变量是一个虚拟变量，如果给定的一对公司在 t+1 年是基于文本的技术相似性，则等于 1；第 2 列的因变量是一个虚拟变量，如果给定的一对公司在

30、 t+1 年属于同一 TNIC 行业，则等于 1；自变量是在 t 年测量的相同的虚拟变量。例如，当 t+1 年的产品相似性 PS（t+1）为因变量时，t年产品相似性的系数估计值 PS（t）等于 2.583（第 1 列）。当第 t+1 年的技术相似性，即 TS-text（t+1）为因变量时，第 t 年基于文本的技术相似的系数估计值 TS-text （t）等于 2.850（第 2 列）。技术相似性预测了产品相似性：在第 t 年技术相似的企业更有可能在下一年成为产品市场的同行，第 1 列中 TS-text(t)的正数和统计学上的显著系数 0.034 证明了这点。相反，在第 t 年属于同一产品空间的企

31、业在下一年成为技术相似的可能性较小，第 2 列中报告的第 t 年技术相似性虚拟变量 TS-text(t)的负系数估计值-0.418 证明了这一点。这些结果表明，技术发展阶段先于产品商业化：产品市场的同行不太可能成为技术同行，因为他们已经在同一技术领域运作。图表 2 技术相似性的持续性分析资料来源：Technological similarity and stock return cross-predictability: Evidence from patents big data，华安证券研究所对于每个表，步骤(1)、(2)和(4)在回归中同时使用了 NFLOWS、NSR 和 NEIO。这些

32、因子对于市场因子都是高度显著的(表 3)。Mkt-RF 与 NSR 之间 adjusted-R2 最低，为 4.9%，Mkt-RF 与 NEIO 之间 adjusted-R2 的最高，为 32.0%。这可能说明mkt - rf 与 NFLOWS、mkt - rf 与 NSR 之间的正相关关系主要来自 NEIO。考虑到 NEIO 和 NSR 是显著正相关，相关值为 0.32，这是一个合理的解释。假设资金流动是不知情的、非基本面的投资决策，正系数表明，在从债券基金流向股票基金(从股票基金流向债券基金)的时期，股票被高估(低估)，市场价格暂时偏离基本价值。此外，步骤(5)表明，在从股票基金流向债券基

33、金的净流入为负数期间，这种关系略强。这种错误定价随后被纠正。表 3 还给出了 Mkt-RF 作为滞后 NEIO 和 NSR 因变量的时间序列回归系数。与之前的研究学者 Fant LF 一致，作者主要关注 NSR 和 NEIO。步骤(3)、(6)和(7)分别基于 NSR、NEIO 和其滞后项。作者发现 Wald 统计量的 p 值低于 1%。反转延迟了一个月，可以用 ICI 延迟发布资金流数据来解释。据推测，投资者只会在一个月后才了解到新的资金流信号。然而，如果包括第一个滞后项，结果是相似的。作者发现 NEIO (NSR)与 mkt - rf 的关系非常显著(不显著)，步骤(6)的敬请参阅末页重要

34、声明及评级说明9 / 17证券研究报告金融工程adjusted-R2 比步骤(3)高得多。当使用两个滞后资金流作为回归变量(标准(7)时，NEIO 滞后项占主导地位。步骤(8)表明，观察到的关系主要是由于资金从股票基金流向债券基金之后的反转效应，因此，这代表了个人投资者悲观的时期。鉴于投资者的相对风险厌恶程度随着财富的增加而降低，市场压力导致将风险资产出售给更富有的投资者。考虑到风险资产投资者在市场压力时期之后有望获得可观的正回报，这可能被解读为个人投资者的非理性行为。3.2 技术相似性的实际经济效应技术相似的公司之间回报率的一致性和交叉可预测性的一个重要前提是这些公司有真正的经济联系。首先研

35、究技术关联企业的盈利能力是否相关，是否能进行交叉预测。用资产回报率 , 来衡量目标企业 i 的盈利能力。计算每个目标企业 i 的基于文本的技术相似同行的 , ，即所有与企业 i 有技术关联的企业的平均投资回报率，按其技术相似性的强弱进行加权。图表 3 技术关联经济效应资料来源：Technological similarity and stock return cross-predictability: Evidence from patents big data，华安证券研究所面板回归结果如图表 3 所示。在第 1 列中，因变量是目标企业 i 在 t 年的盈利能力 , 。第 2 列中，因变量是

36、企业 i 在 t+1 年的 ROA。主要自变量是技术关联同行的同期 ROA，即 , 。此外，作者还控制了企业 i 自身的滞后盈利能力, 1，其规模， 1（公司 i 的市场价值的自然对数，即流通股与 t-1 财年末股票价格的乘积），以及账面市值比率（一加账面市值比的自然对数）。， 1敬请参阅末页重要声明及评级说明10 / 17证券研究报告金融工程为了控制经济周期和行业利润率，加入行业和年份固定效应，同时按公司和年份对标准误差进行了调整A 组结果表明，一个公司的投资回报率与技术相关的同行的同期投资回报率是相关的。此外，技术关联同行的投资回报率可以预测企业下一年度的盈利能力。接下来验证与创新相关活动在技术环节上的相关性和可预测性。使用研发强度（RD），即财政年度末研发支出与总资产的比率作为企业创新活动的代表。B 组结果显示，企业研发强度与上一年技术关联同行的研发强度相关，而且可以被技术关联同行的研发强度所预测，这证实了技术关联对企业创新活动确实存在影响。3.3 同期协同变动本节检验投资者是否将技术关联方面的信息纳入股票价格。如果投资者考虑到这些公开的信息，那么一个目标公司的股票价格应该调整以反映其技术同行的信息。因此，技术上相似的公司的股票价格