当前，因子模型有许多进展，如Hou等人(2015)的四因子模型和Fama和French (2015)的五因子模型，提高了股票截面收益的解释力度，同时挖掘出许多异象溢价。相较于Fama和French (1993)三因子模型和Carhart (1997)四因子模型，Fama和French (2015)以及Hou等人(2015)的研究中增加了与企业盈利能力和投资相关的新因子，其使用盈利因子和投资因子来解释股票的预期收益都具有一定的理论依据，五因子模型基于股息贴现模型，四因子模型基于Cochrane (1991)的生产模型。

本文对Hou, Xue, 和Zhang(2015；以下简称HXZ)以及Fama和French(2015；以下简称FF5F)文章中的投资因子进行了实证检验和理论分析。

Hou-Xue-Zhang四因子模型（HXZ）：

FF5模型（FF5F）：

我们发现，HXZ和FF5F的实证检验中使用的投资因子（I/A，CMA）并不是基于传统的企业投资标准，如资本支出和不动产、厂房和设备(PPE)增长。相反，两篇论文都使用Cooper等人(2008)的“资产增长”(即总资产账面价值的同比变化)作为投资因子算法，并且HXZ和FF5F因子模型的解释力很大程度上依赖于其对投资因子的计量方法，当采用传统的企业投资衡量标准时，模型效力则大大下降。因此，尽管实证效力尚可，其可能缺乏根本的理论合理性，正如从其他许多公司特征因子挖掘出的异常回报一样。

我们认为，在HXZ和FF5F模型中，很难证明资产增长率是衡量企业投资活动的首选指标，主要原因有以下几点，首先，FF5F和HXZ使用资产增长率作为投资的衡量标准，其合理性有待验证，因为这些模型没有给出严格验证，说明哪一组特征最适合于构建投资因子。这主要是因为它们是将预期回报与一组不可观察的特征联系起来的简化模型——账面净值的预期增长和FF5F的预期盈利能力，以及HXZ的最佳投资和预期盈利能力，这些不可观测的特征与数据没有明确的联系。第二，资产增长率不包括资产负债表外的无形资本，如知识资本和管理层资本，鉴于Peters和Taylor (2017)的最新证据，这是一种日益重要的资本类型，应包括在企业的投资活动中。第三，资产增长率混淆了投资和用于投资的融资。例如，如果一家公司用现金为一项PPE投资融资，投资活动确实发生，但资产增长率为零。第四，难以确定总资产某些组成部分的增长，如流动资产的增长在多大程度上可以被归类为投资活动。虽然流动资产的增加可能预示着公司业务的增长，但也可能是公司停滞不前的结果。在缺乏投资机会的情况下，现金余额会增加，如果公司不能以同样的速度销售其产品，存货会增加；如果公司不能收回提供给客户的商业信用，应收账款会增加，这些都导致了资产增长率的上升，但并不是投资活动所致。

出于对资产增长率(AG)指标的关注，我们进行了因子测试，在HXZ和FF5模型在使用其他常用投资测度代替AG因子。我们首先使用PPE的百分比增长、资本支出(CAPX)除以滞后总资产，以及更完整的投资指标(如Peters和Taylor (2017)提出的指标，包括表外无形资产投资)来构建投资因子。将新的投资因子表现与HXZ和FF5F模型表现进行比较。结果表明，如果使用新的指标替代AG指标，HXZ和FF5F模型性能会显著下降。这一发现可以推广到更广泛的投资指标，进而，在模型挖掘中，我们构建了144种不同类型资产(如库存、PPE、商誉、R&D、SGA)的不同投资因子，我们发现几乎所有模型表现都低于引入AG因子的HXZ 和FF5F模型。无论是传统测量还是更广泛的测量都不够显著，这更加佐证了我们的猜想，即AG因子和经济意义上的投资的关联度不大，因此使用标准q理论作为投资因素的动机可能是错误的。

为了更深入地了解可能推动AG因素定价能力的因素，我们从资产负债表的两侧将总资产的增长分解为其主要子成分，并衡量当我们用基于其中一个子成分的因素取代AG因素时，HXZ和FF5F模型的表现如何/是否发生变化。在资产负债表的左侧，我们根据现金、存货、应收账款、不动产、厂房和设备(PPE)、无形资产和其他资产(即总资产减去前五类)的变化率来构建新的投资因子。在资产负债表右侧，我们使用流动经营负债、非流动经营负债、长期负债、普通股和留存收益的变化来构建因子。这为我们提供了HXZ和FF5F模型的11个不同的替代版本，每个版本对应AG的一个子成分。结果发现，两侧的子成分在HXZ和FF5F中的表现较为一致。首先，使用传统测度因子的模型表现远不如使用AG因子的模型表现。第二，使用存货增长(INVT)和应收账款增长(AREC)的模型与使用AG因子的模型表现没有显著差异。进而，我们使用直接回归来表明INVT和AREC因子一起包含了AG因子对HXZ和FF5F模型贡献的大部分定价信息。此外，AG、INVT和AREC因子没有被AG的任何其他子组成部分所涵盖。这些发现表明，AG因子的解释力主要来自应收账款和存货动态中包含的信息，而不是PPE和无形投资。

尽管HXZ和FF5F模型表现对投资因子的构建方式很敏感，但它们在描述股票收益的横截面方面表现良好。这意味着其构建的AG因子可能捕捉到了截面收益变动的一个共同来源，根据上述实证结果，除INVT和AREC因子外，其他投资指标没有捕捉到该来源。为了探索这种协同作用的来源，我们使用了一组具有代表性的宏观经济变量，这些变量已被证明会在股票回报中进行风险分散，我们使用标准的GMM测试来检验它们是否有助于根据AG、INVT、AREC和PPE增长（超出市场因素）对投资组合进行定价。结果发现，融资相关的冲击(如对投资者情绪、股票发行成本和金融中介资产负债表的总体冲击)有助于对AG、INVT和AREC投资组合进行定价，但对于PPE投资组合没有显著的定价效率。其中，Baker和Wurgler (2006)的股票市场情绪因子(BW)是唯一对AG、INVT和AREC投资组合都具有显著效率的定价因子。从中我们认为，AG、INVT和AREC因子的优异表现可能与其捕捉总体融资冲击的能力有关(如Belo et al.，2019；Adrien et al.，2014；He et al., 2017)，尤其是那些受股市情绪变化驱动的因素。为探究BW因子相对于其他综合因子是否具有独立的定价信息，我们使用三因子SDF重复GMM测试，构建包括市场因子、BW因子和先前测试中使用的剩余因子之一的线性函数。我们发现，几乎对于所有的SDF模型，当对AG、INVT和AREC投资组合定价时，BW因子仍然具有显著的SDF影响，但在对PPE投资组合定价时没有。有趣的是，当对AG、INVT和AREC的投资组合进行定价时，将BW因子加入SDF中时，几乎所有其他宏观因素都变得不再显著，而当对PPE投资组合进行定价时，情况则正好相反，其中TFP、CAY、流动性和基于投资的技术冲击因子具有较高的显著性。

我们认为，我们的实证结果与Belo等人(2019)提出的债权替代机制相一致。作者指出，投资较多的公司(以资本化支出CAPX衡量)应该更少受到股票发行成本变化的影响，因其比低投资公司更少受到抵押约束，这应能使这些公司在经济不景气时通过用股权替代债务融资，更好地对冲总体股权融资冲击。我们认为，这种机制应该适用于公司的所有其他可抵押资产，特别是，由于短期资产比长期资产更容易抵押(Berger et al. ,1996)，对INVT和AREC的排序可能会对公司受到抵押约束的程度提供更准确的排序。因此，在投资者情绪(BW)大幅下降的时期，具有高AG、INVT和AREC的公司比具有低AG、INVT和AREC的公司更有能力用股权替代债务融资。我们发现，当我们使用PPE增长率时，这种可替代性不是很强。

重要的是，这种债权替代渠道可以将AG因子与股权融资成本联系起来，而无论其驱动因素是什么。正如Belo等人(2019)认为，股权融资成本可能受到各种形式的代理摩擦和投资者风险厌恶的冲击，但也可能受到系统性行为偏差的冲击。为研究这种可能性，我们使用Cassella和Gulen (2018)的投资者过度外推程度(DOX)指标，发现HXZ和FF5F模型仅在DOX指标较高的时期优于基于更传统投资因子测度模型。事实上，在低于中位数的过度提取的子样本中，HXZ模型并不比Carhart (1997)的四因素模型表现得好，FF5F模型也不比Fama和French (1993)的模型或Carhart (1997)的模型表现得好。

我们承认，在缺乏结构模型的情况下，很难明确地得出给定因子模型捕捉了风险或错误定价的结论。出于这个原因，我们并不认为哪种股权融资成本的特定驱动因素更有可能解释我们的结果。除了我们的主要发现，即AG因子似乎捕捉到了对股票发行成本的冲击，我们研究得出的更普遍的结论是，将简化形式的理论模型(如Hou等人，2015和Fama and French，2015)与实际数据联系起来说服力不够，特别是当这些模型中包括无法直接观察到的变量时。考虑到将这些模型的自由度较大，不同的做法可能导致性能的显著差异，人们不得不质疑这些简化形式的模型是否真正“受理论约束”。

HXZ和FF5F模型通过大量证据表明了其在解释各种测试资产的异常回报和平均回报方面明显优于现有的基准模型(如Fama和French (1993)和Carhart (1997))。为进行进一步说明，我们首先使用文献中较为常见的企业投资指标。企业投资文献浩如烟海，很难一一列举。考虑到这一点，我们对文献的广泛回顾表明，企业投资的实证研究(包括q理论的测试)通常集中在实物资本投资上，使用现金流量表中的资本支出(CAPX)或不动产、厂房和设备(PPE)的增长来衡量。因此，我们使用CAPX和PPE的变化，两者都除以滞后的PPE，作为我们的衡量指标。在最近的一项研究中， Peters和Taylor (2017)指出，新古典投资理论问世时，企业主要拥有实物资本，而当前无形资产已成为越来越重要的生产要素，应纳入企业投资的衡量标准。他们将无形资产总额计为资产负债表上的无形资产(商誉)加上资产负债表外的无形资产之和。后者被计算为资本化的研发资本(R&D)加上资本化的组织资本(SG&A的30%)。公司的总资产被计为有形资产(总PPE)加上无形资产的总和。在我们下面的分析中，我们使用总资产TOTK、有形资产PHK和无形资产INTK的这些指标的年度变化作为投资因子的额外指标(全部由滞后总资本标准化)，我们将这些指标分别记为TOTK, PHK, 和INTK。

2.1 使用夏普比率来比较模型性能

我们使用Barillas和Shanken (2017)以及Barillas等人(2020)的框架，在具有投资因子替代结构的模型之间进行比较测试。Barillas和Shanken (2017)表明，比较两个因子模型(带交易因子)在一组测试资产X定价中的表现，相当于比较每个模型中的因子(以下表示为)的最大夏普比率。事实上，模型在多大程度上未能对资产X和进行定价，取决于通过将X和纳入投资框架后，其最大夏普比率能提高到什么程度:。类似地，模型下的错误定价的程度是由给出，因此，模型之间的定价差异由给出，我们的唯一目的是比较两个模型。

在表2中，我们展示了列标中指定的模型减去行中指定的模型之间的最大夏普比率的差异（如基于CAPX的SR-基于AG的HXZ模型的SR）。面板A采用HXZ模型，面板B采用FF5F模型。面板A中第一行的所有估计值均为负值，表明在对任何一组测试资产进行定价时，所有基于替代投资指标(即CAPX、PPE、TOTK、PHK、INTK)的HXZ模型的表现都明显差于原始的基于AG的HXZ模型。面板A中的第二行和第三行表明基于5个替代投资因子的模型表现优于不包含任何投资因子的HXZ模型和FF3F模型。

同样，面板B的第一行表明，用基于五个备选投资因子替换FF5F模型中的AG因子，会导致模型的表现显著低于FF5F。但面板B的第二行和第三行中统计上不显著的估计表明，FF5F模型中的CAPX、PPE、TOTK、PHK和INTK投资因子实际上可以被市场、规模、BM和盈利能力因子(第二行结果)甚至FF3F因子(第三行结果)超越。因此，当使用更传统测度方法构建时，投资因子在FF5F模型中是多余的。

在附录的表E6中，我们展示了这些替代投资因子模型在解释常见异常投资组合和双变量测试资产方面的表现。结果显示了与表2中相同的定性模式。基于替代投资因子的模型表现明显差于原始的基于AG的模型。此外，在后文中，我们展示了AG并不是比CAPX更好的刻画企业未来投资、盈利能力或账面权益增长的预测指标。这就对AG因子的优异表现(相对于更传统的投资指标)可以归因于它是现值框架和托宾Q模型(即预期投资、预期盈利能力和预期账面权益增长)中其他关键变量的更好代表这一观点提出了质疑。

为了验证我们的分析的主要发现不是由我们对替代投资因子的特定选择所驱动的，我们通过考虑144种不同测度的投资因子来扩展上一节中的分析。为了构建我们的投资指标，我们从三种不同的实物资本投资指标开始(CAPX、PPE总值变化和CAPX中扣除 PPE的出售额)。然后，我们考虑公司可以进行的其他几项投资:库存变化、商誉变化、资本化知识资本变化和资本化组织资本变化（后三种的计算方法与Peters和Taylor (2017)相同）。对于实物资本投资的三种选择中的每一种，我们都添加了另外四种投资类型的每一种可能的组合。这就产生了3×2×2×2 = 48种不同的投资方法。最后，我们使用三个不同的滞后标准化变量Peters和Taylor (2017)测量的总资产、PPE总值和总资本，进而一共有48 × 3 = 144个投资因子测度。

接着按照第2.1节中相同的方法，并且我们分析如果AG因子可被这144种不同投资因子所替代，HXZ和FF5F模型的性能如何变化。为此我们遵循Barillas和Shanken (2017)的方法，关注一个关键性能指标:通过每个模型中的因子获得的最大平方夏普比率。

图3显示了来自HXZ模型(上图)和FF5F型模型(下图)的这144个夏普比率的直方图。标有“AG”的垂直线显示HXZ模型(顶部面板)和FF5F模型(底部面板)的最大夏普比率平方。作为一个参考点，标有“d.PPE/l.PPE”的线条显示了如果我们使用PPE的百分比变化作为我们的投资指标，而不是AG因子所能获得的最大夏普比率的平方。图3中的结果表明，基于AG的HXZ和FF5F模型在性能方面是极端异常的：HXZ模型的性能优于我们144个备选投资模型中的每一个，而FF5F模式的性能优于144个模型中除5个模型外的所有模型（在未报告的结果中，我们验证了这5个模型与AG之间的性能差异在统计上并不显著）。

我们从运行以下形式的回归开始:

其中，分别代表AG、INVT和AREC因子的收益，项包含HXZ模型(如表5的面板A所示)或FF5F模型(如表5的面板B所示)中所有剩余因子的收益。由于我们的关注点是HXZ和FF5F模型中AG因素的定价能力，而不是其单独的表现，所以控制这些剩余因子很重要。因此，也有必要检验AG因子与这些模型中其他现有因子的相关性。

从式(1)获得的结果呈现在表5的第一列中。两个面板中的系数在统计上均不显著，这表明AG因子对HXZ和FF5F模型的定价信息是由INVT因子和AREC因子的共同存在所捕获。在附录的表E10中，我们运行了类似的回归来测试AG因子是否被其任何一个单独的子成分涵盖，而情况并非如此。因此，INVT和AREC因子都需要才能涵盖AG因子。在表5的其余列中，我们使用AG的不同子成分(来自资产负债表的左侧)作为式(1)中的因变量。系数仍然不重要，这表明INVT和AREC因子(一起使用)也包含所有其他子成分因子的定价信息。

我们接下来测试INVT和AREC因子是否被AG的任何子成分涵盖。具体来说，在表6中，我们运行以下形式的回归:

其中表格中的每一栏使用资产负债表左侧不同的AG子成分(即CASH、AREC、PPE、INTAN或OTHER)作为主要解释变量。为了控制由于拆分AG的各个子组成部分而丢失一些信息的可能性，我们还使用除存货以外的所有资产的增长构建了一个因子(我们称之为AG-INVT因子)。同样，面板A报告了HXZ模型结果，面板B报告了FF5F模型结果，项包含HXZ模型(面板A)或FF5F因子(面板B)中的所有剩余因子。

表6中的结果表明，系数在所有模型中都具有统计显著性，这表明INVT因子没有被AG的任何其他单独的子成分所涵盖，或者没有被所有子成分的总和纳入AG-INVT因子(表中最后一列)的结论。在表7中，我们使用AREC因子的回报作为式(2)中的因变量，并进行类似于表6中的测试。我们发现，无论是单独引入还是作为总和引入(即最后一列中的AG-INVT因子)，AREC也不能被AG的任何其他子成分涵盖。

我们认为，综合来看，本节的结果显著表明，INVT和AREC因子一起包含了AG因子对HXZ和FF5F模型贡献的大部分定价信息。不仅INVT和AREC因子包含了AG因子的回报，而且它们本身不能被AG的任何其他子成分所涵盖(无论是单独还是作为组合引入)。

基于AG因子的HXZ和FF5F模型在描述股票收益横截面方面表现如此之好，这一事实表明AG因子能够较好地捕捉某些宏观经济动向，根据前三节的实证结果，AG因子没有被其他投资指标(如PPE增长)捕捉到，但能够被基于库存增长(INVT)和应收账款增长(AREC)的因子捕捉到。因此，要更深入地理解导致AG因子优异表现的内在经济机制，一种方法是观察哪些宏观经济冲击是基于AG、INVT、和AREC因子的投资组合回报的重要驱动因素，而非PPE因子。

       以往研究中有大量可以产生横截面风险分散的宏观经济冲击，如下所示的变量可能会促使AG因子捕捉宏观经济动向。具体来说，我们使用对生产率、消费、流动性、不确定性、融资成本、生产网络和市场情绪的冲击的宏观经济指标:

1.TFP是对利用率调整后的全要素生产率冲击的衡量因子(Fernald (2012))。

2.IST是投资专用技术因子(Papanikolaou (2011))。

3.RD是创新因子(Elsaify (2017))。

4.CAY是消费-财富比率因子(Lettau和Ludvigson (2001))。

5.LIQ是总流动性因子(Pastor和Stambaugh (2003))。

6.UNC是宏观经济不确定性因子(Jurado et al.(2015))。

7.ICS是总体股权融资冲击的衡量因子(Belo et al.(2019))。

8.LEV是金融中介杠杆因子(Adrien et al.(2014))。

9.CRAT是金融中介资本比率因子(He et al.(2017))。

10.RS是生产网络风险因子(Grigoris et al.(2023))。

11.BW是股票市场情绪指标因子(Baker and Wurgler (2006))。

12.HYS是代表信贷市场情绪的“高收益份额指标因子(Greenwood and Hanson (2013))。

其中，ICS因子为年度数据，TFP、CAY、LEV和HYS因子为季度数据，其余因子为月度数据。CAY、UNC、BW和HYS因子使用AR(1)残差来衡量，剩下的因素要么是收益差(RD，IST和RS)，要么是作为新息(TFP，LIQ，ICS，LEV，CRAT)。

对于上表中的每个宏观经济因素(MACRO)，我们假设一个随机贴现因子(M),其形式为:

其中，MKT是价值加权市场投资组合的(去均值化)超额回报，时间段t与MACRO因子具有相同的频率(即，对于年度和季度因子，代表期间市场投资组合的累积回报，因子同样去均值化。需要注意的是，因子载荷和并不是MKT和MACRO因子的风险溢价，而是考虑了因子之间的相关性后的溢价转换。正如Cochrane (2005)所述，每个因子的SDF负荷衡量了包含在SDF中其他因素尚未捕获的信息(与测试资产定价相关)。

我们使用四组不同的投资组合作为测试资产，根据盈利能力和AG、INVT、AREC或PPE增长进行分类。例如，正如Kogan and Papanikolaou (2012)所述，只有在我们控制盈利能力因子时，基于投资的模型才能预测投资和贴现率之间的负相关关系。我们使用FF5F中的盈利因子来衡量盈利能力(以匹配AG变量及其子成分的年度频率)，同时使用纽约证券交易所的截尾值来形成投资组合(以与我们论文其余部分中用于构建因子和异象的方法保持一致)。

在表8中，我们通过第一阶段广义矩估计了因子载荷，使用单位矩阵来衡量力矩限制。我们使用标准的矩条件，其中代表测试资产i的超额收益。表中的每一列对应于不同的模型，每个面板使用不同的测试资产。具体来说，每个面板按AG(面板A)、INVT(面板B)、AREC(面板C)或PPE增长(面板D)对25个投资组合进行定价，这些投资组合由5乘5的双变量盈利性分类构成。作为拟合的衡量标准，我们报告了每个模型隐含的平方(定价)误差(SSQE)的总和，以及平均绝对定价误差(mape)。作为参考，在每个面板的第一列，我们还报告了使用CAPM的结果(即式(3)中去掉MACRO因子)。

表8中发现，几乎所有的宏观因素都在基于AG的排序组合中具有显著的截面定价效力(面板A)，唯一的例外是流动性(LIQ)和信贷市场情绪(HYS)因子。这至少有助于部分为什么基于AG因子的HXZ和FF5F模型能够较好地为股票截面收益定价。另外，我们更需关注面板A、B和C中的结果如何相似，以及它们与面板D中的结果如何不同，从这个角度来看，从表8可以得出两个结论，首先，虽然技术冲击因子(TFP、IST和RD)在AG、INVT和AREC的横截面上显著(除了面板B中的TFP因子)，但它们在PPE组合的横截面上也是显著的。这表明，基于PPE的因子模型表现不佳不太可能是因为其捕捉宏观技术冲击(即托宾Q理论或基于生产模型中采用的冲击类型)的能力较低。其次，AG、INVT和AREC投资组合似乎比PPE投资组合更好地捕捉到了融资相关的宏观冲击(ICS、LEV、CRAT、BW)。

CAY、UNC和RS因子在AG投资组合的横截面中也同样显著，然而，我们不认为这是基于AG因子的模型定价效率显著的原因。首先，RS因子在PPE组合的横截面中也很重要。其次，正如3.1节中所示，INVT和AREC因子(一起)包含了HXZ和FF5F模型中AG因子的基于所有定价新息，然而，CAY和UNC因子在面板B和面板C中均不显著。

总体而言，表8中的结果表明，AG、INVT和AREC因子表现优于传统投资因子可能与其捕捉总体融资冲击的能力有关，而不是全要素生产率/技术冲击。同时，唯一能在AG、INVT和AREC资产定价而非PPE资产定价起作用的因素是股票市场情绪(BW)。因此，我们更进一步，测试这一因素是否捕捉到独立的定价信息，而这些信息在我们使用的其他宏观经济因素中尚未包含。为此，我们构建了以下形式的三因素SDF:

其中是我们此前测试中使用的因子。同样使用力矩限制重复表8中的试验。

结果见表9。从该表中得到的关键信息是，在几乎所有模型中，当对AG、INVT和AREC投资组合进行定价时(面板A、B、C ), BW因子载荷仍然很重要，而当对PPE投资组合进行定价时(面板D ), BW系数负荷不重要。一个例外是在面板A和C中，SDF中的因子是Belo等人(2019)的股权发行成本(ICS)因子，这一结果可能并不令人惊讶，因为正如Belo等人(2019)指出的那样，ICS因子应涵盖股票发行成本的所有驱动因子，包括股票市场情绪。表9还显示，BW因子排除了AG、INVT和AREC投资组合中几乎所有其他因子的定价能力(唯一的例外是面板A中的ICS因子、面板B中的IST、RD和RS因子，以及面板C中的IST和RS因子)。对我们的研究很重要的是，这不是PPE投资组合的情况(面板D )，其中TFP、IST、RD、CAY、LIQ和RS因素仍然很重要。

我们认为，在我们的研究中，短期资产(INVT和AREC)和长期资产(PPE)之间的一个关键区别是它们作为债务融资抵押品的不同价值。基于Berger et al. (1996)，我们假设一个公司的AREC和INVT数据比PPE数据能够提供更多关于该公司进入债务市场能力的信息。作者使用了1984-1993年制造业公司样本的非持续经营的收益数据，表明一美元固定资产的回收价值低于一美元应收账款(AREC)或存货(INVT)的回收价值。Campello和Hackbarth (2012)利用这一思想构建了一个企业层面的资产有形性指数，作为企业抵押担保品能力的代理。与我们的假设一致，Campello和Hackbarth (2012)构建的可抵押性代理对AREC和INVT的变化比对PPE的变化更为敏感。

Ai et al. (2020) 认为，资产可抵押性应作为负的溢价，并揭示了与这一想法相一致的经验证据。他们指出，许多以融资摩擦为特征的宏观经济模型预测，金融约束在衰退中更具约束力，因此可能加剧经济衰退。通过其放松金融约束的能力，可抵押资产应能够在经济衰退时对冲金融约束风险。因此，拥有更多可抵押资产的公司应该较少受到总体融资冲击的影响。如果，与Berger et al. (1996)以及Campello和Hackbarth (2012)一致，相比PPE，AREC和INVT提供了公司的可抵押资本更好的代理，那么Ai et al. (2020)的结果可以解释为什么我们发现融资冲击与AREC和INVT之间有更强的联系。在Ai et al. (2020)的框架中，AREC和INVT(以及AG)因子都是可抵押性溢价的更好的代理。

然而，由于Ai et al. (2020)的研究没有特别模拟股权融资成本的作用，它不能明确说明股票市场情绪因素在我们的实证中发挥的核心作用。我们认为，Belo et al. (2019)提出的经济机制可能会弥补这一缺失。作者提出(并找到了与之相一致的证据)这样一个观点，即高投资公司应对股权融资成本具有较低的敏感性，因为它们比低投资公司受到的抵押约束更少。这意味着，当面临股权融资成本上升时，它们应该能够更好地用股权替代债务融资。因此，拥有更多可抵押资产的公司应该较少暴露于股权融资成本的冲击。

虽然Belo et al.(2019)在他们的研究中使用了长期资产投资(CAPX )，但我们认为其应该适用于公司的所有其他可抵押资产。此外，根据Berger et al.(1996)的研究，INVT和AREC比PPE更容易抵押，因此对INVT和AREC(以及AG)的排序可以简单地提供更准确的关于公司抵押约束程度的排序。换句话说，以PPE为基础的因素表现不佳可能是因为它不能较好地作为公司股权替代债务的能力代理变量。

我们在表10中探索了这一渠道，其中我们报告了AG(面板A)、INVT(面板B)、AREC(面板C)和PPE增长(面板D)前五分之一和后五分之一公司的平均债务和股票发行水平。遵循Belo et al.(2019)的方法，我们通过将平均发行的每个五分之一水平时间序列与实际GDP年增长正交化来控制商业周期冲击对发行活动的影响。然后我们报告了这些正交化序列的平均值，分别针对情绪冲击高和低的时期进行计算。情绪冲击高(低)的时期是相对于我们的GMM测试中使用的BW因子(一年中的平均值)落在顶部(底部)十分位数的年份。所有报告的数字都是百分数。

在所有面板中，表10中的结果与Belo et al.(2019)的债权替代机制一致。也即，当面临更高的股权融资成本(低市场情绪)时，两个五分位数(Q1和Q5)的公司发行更少的股权，但只有前五分位数(Q5)的公司能够用更高的债务发行来替代。底层五分之一国家(Q1)企业的债务发行几乎保持不变，非常接近于零。

对于我们的研究来说，重要的是，当我们使用AG、INVT和AREC排序(面板A、B、C)时，这种可替代性似乎比使用PPE排序(面板D)时更强，这一结果似乎主要是由前五分位数Q5(第二和第四列)中企业的行为所驱动的。具体而言，在市场情绪低迷时期，AG(Q5)、INVT(Q5)和AREC(Q5)的公司似乎比PPE(Q5)的公司减少了更多的股权发行(AG、INVT和AREC分别减少了50%、43%和47%，而PPE减少了40%)，同时增加了更多的债务发行(AG、INVT和AREC分别增加了15%、32%和41%，而PPE仅增加了6%)。这与我们的假设相一致，即AG、INVT和AREC在某种程度上可能比PPE能更好代理当面临股权融资成本增加时，采用债权替代机制的能力。

重要的是要认识到，这种债权替代机制的运作独立于导致股权融资成本变化的宏观经济变量。正如Belo et al.(2019)所述，这包括时变信息不对称、代理摩擦、流动性和风险厌恶等因素，但也可能包括各种投资者行为偏差导致的错误定价冲击。

我们的最后一组测试通过使用Cassella和Gulen (2018)的总体“投资者过度外推程度(DOX)指标，并观测基于AG因子的模型性能是否因经济中的过度外推程度而不同。

在表11中，我们测试了HXZ和FF5F相对于传统模型(CAPM、FF3F和C4F)的卓越性能是否根据市场处于高或低过度外推期(即高于或低于中值DOX水平)而变化。我们使用基于最大平方夏普比率的模型比较测试，类似于表2，唯一的区别是此时夏普比率是在高DOX时间(面板A1和B1)和低DOX时间(面板A2和B2)期间分别计算的。面板A1和A2使用HXZ作为基准模型，面板B1和B2使用FF5F作为基准模型。

面板A1显示，当DOX较高时，HXZ模型的表现明显优于CAPM、FF3F和C4F (FF5F的表现与HXZ大致相同)。然而，图A2显示，当DOX较低时，HXZ的表现并不比C4F模型更好，且仅略好于FF3F模型(差异仅在10%的水平上显著)。类似地，在面板B1中，当DOX较高时，我们看到FF5F模型的表现明显优于CAPM、FF3F和C4F模型。然而，B2面板显示，当DOX较低时，FF5F模型的表现并不比FF3F模型或C4F模型好。总的来说，表11中的结果表明，当经济处于过度扩张状态时，包含AG因子的模型具有更高的定价效率。

在表12中，我们构建了引入替代投资指标的HXZ和FF5F模型，并比较了它们与原始模型在高和低过度扩张时期的性能。面板A1的第一行中的所有估计都显著为负的事实表明，在高DOX时期，使用任何替代投资因子构建的HXZ模型的表现都显著差于原始的基于AG因子的HXZ模型。面板A2显示，在低DOX时期，情况并非如此:无论我们使用AG来创建投资因子还是任何替代的投资指标，HXZ模型都不会表现得更好。当我们比较FF5F风格的模型时，面板B1和B2发现了相同的模式:基于AG的模型(FF5F)在高DOX时间比所有替代模型(面板B1)表现得好得多，但在低DOX时间(面板B2)却不是这样。这些结果有助于支持之前的发现，即当过度外推程度较高时，基于AG因子的模型的优越性能仅限于样本量的一半。

为解决上述实证结果的局限性，在图表13中，我们使用了第2.2节中描述的所有144种备选投资因子。具体来说，该图显示了在高DOX时间(左图)和低DOX时间(右图)期间，引入144个因子后的模型获得的最大平方夏普比率的直方图。图表13的左上图显示，在高DOX时期，原始HXZ模型(标记为具有垂直“AG线)是一个极端的异常值。右上角的面板显示，在低DOX时期情况并非如此，原始HXZ模型的表现类似于替代投资因子模型。图表13的左下图和右下图显示，此结论对FF5F模型同样适用。当DOX较高(左下图)时，原始FF5F模型是迄今为止最好的模型，但是当DOX低(右下图)时，FF5F模型表现一般。

我们将关注点放在投资因子上，投资因子在HXZ和FF5F的原始论文中使用总资产增长率来构建。我们首先证明，如果使用传统投资衡量标准来构建这一资产增长因子，模型表现会显著下降。此外，将AG指标分解为主要的子成分并使用这些子成分构建因子表明:当投资因子是由财产、厂房和设备(PPE)的增长率来构建，而不是用库存(INVT)和应收账款(AREC)的增长率构建时，模型不显著。当我们完全忽略有关长期资产投资的信息时，AG因子的表现不会下降，这一发现对其解释力主要归因于预期回报和投资活动之间的结构性联系的观点提出了质疑。

这些发现促使我们研究资产增长和预期回报之间是否存在其他的结构联系。我们使用一套广泛的宏观经济因素对按照AG、INVT、AREC和PPE增长率排序的投资组合进行定价，并发现股权融资成本冲击有助于对AG、INVT和AREC投资组合进行定价，但对PPE投资组合没有帮助。特别是，在为AG、INVT和AREC投资组合定价时，股票市场情绪因素似乎排除了几乎所有因素的定价能力，但未排除PPE投资组合。我们认为，这一发现与Belo et al.(2019)的发现一致，他们提出，高投资公司较少受到股权融资成本变动的影响，因为他们比低投资公司更少受到抵押约束，因此当股权融资成本变得更高时，可以更好地用股权替代债务融资。由于INVT和AREC比PPE更容易抵押，它们(以及AG)可能比PPE更能代表公司对股权融资成本的敏感性。为了支持这一假设，我们发现，与按照PPE排序相比，按照AG、INVT和AREC的排序提供了更显著的差异，即企业在面临低股票市场情绪时以股票替代债务融资的程度。

这种将AG、INVTyixia和AREC因子与股权融资成本联系起来的债权替代渠道，对于推动这些融资成本的潜在原因并不敏感。同时，我们认识到这些潜在的原因很可能包括系统性的行为偏差，进而我们通过使用DOX过度外推程度，提出了一些可能性依据，并表明资产增长因子的优异表现仅限于过度外推水平高于中值的一半样本量。事实上，在低于中位数的过度外推样本中，HXZ的表现并不比Carhart (1997)模型好多少，FF5F的表现也不比Fama和French (1993)模型好多少。

然而，我们承认，在缺乏结构模型的情况下，很难断定因子模型是由风险还是错误定价所驱动，就此需要沿着HXZ和FF5F模型进行进一步的研究。更一般地，我们的发现表明，当使用简化模型来解释定价因子所捕捉的经济力量时，应该秉持谨慎的态度。尽管HXZ和FF5F模型所依据的现值理论和q理论模型较为直观，但我们的研究表明，他们提出的投资因子实际上可能捕捉到了超出其解释的现象。

文献来源：

核心内容摘选自Michael Cooper, Huseyin Gulen, Mihai Ion 2023.10.28发布在Journal of Financial Economics的文章《The use of asset growth in empirical asset pricing models》

重要声明

适当性说明

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供华安证券的专业投资者参考，完整的投资观点应以华安证券研究所发布的完整报告为准。若您并非华安证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户。市场有风险，投资需谨慎。

投资评级说明

以本报告发布之日起12个月内，证券（或行业指数）相对于沪深300指数的涨跌幅为标准，定义如下：

行业及公司评级体系

买入—未来6-12个月的投资收益率领先市场基准指数15%以上；增持—未来6-12个月的投资收益率领先市场基准指数5%至15%；中性—未来6-12个月的投资收益率与市场基准指数的变动幅度相差-5%至5%；减持—未来6-12个月的投资收益率落后市场基准指数5%至15%；卖出—未来6-12个月的投资收益率落后市场基准指数15%以上；无评级—因无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使无法给出明确的投资评级。市场基准指数为沪深300指数。

分析师承诺

本人具有中国证券业协会授予的证券投资咨询执业资格，以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告，本报告所采用的数据和信息均来自市场公开信息，本人对这些信息的准确性或完整性不做任何保证，也不保证所包含的信息和建议不会发生任何变更。报告中的信息和意见仅供参考。本人过去不曾与、现在不与、未来也将不会因本报告中的具体推荐意见或观点而直接或间接收任何形式的补偿，分析结论不受任何第三方的授意或影响，特此证明。

免责声明

华安证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。本报告中的信息均来源于合规渠道，华安证券研究所力求准确、可靠，但对这些信息的准确性及完整性均不做任何保证，据此投资，责任自负。本报告不构成个人投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需要。客户应考虑本报告中的任何意见或建议是否符合其特定状况。华安证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易，还可能为这些公司提供投资银行服务或其他服务。

本报告仅向特定客户传送，未经华安证券研究所书面授权，本研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。如欲引用或转载本文内容，务必联络华安证券研究所并获得许可，并需注明出处为华安证券研究所，且不得对本文进行有悖原意的引用和删改。如未经本公司授权，私自转载或者转发本报告，所引起的一切后果及法律责任由私自转载或转发者承担。本公司并保留追究其法律责任的权利。

有态度的金融工程&FOF研究

长按识别二维码关注我

本篇文章来源于微信公众号: 金工严选