►主要观点
本篇是“学海拾珠”系列第一百六十七篇，研究了第四季度资本支出的激增（qspike）与股票横截面收益的关系。作者发现第四季度异常的资本支出与股票未来收益存在负相关性，但与同期收益呈正相关；与常用的投资因子ag有关，但并不完全等价。回到国内市场，传统投资类因子收益预测能力较为一般，本文对投资因子的构建新思路值得借鉴。·qspike因子是对年末资本投资异常的衡量，与股票回报有关qspike代表第四季度的投资激增，采用季度数据来衡量公司在第四季度的任何资本支出的异常增减。该因子不仅是捕捉公司贴现率预期不断变化的有效信号，而且揭示了有关代理成本的相关信息。但这两个作用机制可能共存于数据中，因此很难将其区分。实证分析结果表明qspike与股票未来收益呈负相关，与股票同期收益呈正相关。
实证结果表明qspike因子与ag因子见存在很强的时序相关性，但是ag因子具有持续性，qspike因子没有显示出时间上的持续性，更多地是捕捉公司投资决策的短期调整。因此，两个因子虽然相关，但捕捉到股票回报不同方面的变化。本文作者进行了额外的测试来对作用机制展开研究，发现投资异常与有关错误定价的有限套利理论存在更强的关联，而与投资摩擦相关的q理论仅有微弱的联系。此外，检验结果表明在高派息率、低债务水平和高特质风险情况下会放大qspike效应，存在可能过度投资的问题。核心内容摘选自Michela Altieri和Jan Schnitzler在Journal of Financial Markets上的文章《Quarterly investment spikes, stock returns, and the investment factor》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。
企业投资决策是财务决策的核心。当建立公司资本存量时，管理者通常被要求做出长期承诺，但这些承诺撤销时往往要付出高昂的代价，同时还要面对高度不确定性（Abel和Eberly，1994）。因此，以往文献提出了投资决策和股票回报之间的复杂的理论联系（Cochrane，1991，1996；Berk er al.；1999）。许多文献表明高资本投资或高资产增长的公司股票表现不如低资本投资的公司（Titman et al.，2004；Cooper et al.，2008）。但这一系列研究面临的一个挑战是如何确定投资的实证代理指标（Lamont，2000；Aharoni et al.，2013）。在本文中，作者提出了一种在资产定价背景下捕捉资本投资临时调整的新方法。作者不是去衡量资本投资或者总资产增长的年度变化，而是采用季度数据，并且考虑公司财政年度的第四季度发生的资本支出的异常增减。作者将其称为第四季度投资激增，简称qspike，定义为第四季度资本支出除以之前三个季度资本支出均值的比率。这个变量关于股票回报的横截面分析有两种解释。首先，根据Jagannathan和Wang（2007）的观点，投资者在年末会更加关注他们所持有的投资组合，企业也可能在年末更加关注他们的投资政策，从而使得投资率对其贴现率更加敏感。此外，通过改用更高频的数据，可能会改进对长期投资计划的主动变化的衡量。因此，在样一个观点下，qspike是捕捉到企业对贴现率预期变化的更有效的信号。另一种解释是基于qspike可以捕捉过度投资问题的假设（Shin和Kim，2022）。由于投资决策由管理者自行决定且难以核实，因此很容易出现代理冲突。如果考虑到投资预算的典型分配方式，激励管理者在年末加速投资，情况更是如此。如果市场没有被充分预期，这种低效率的投资观点会对股票的截面收益产生负面影响（Titman et al.，2004）。同时，也可以将其解释为一种额外的投资摩擦，类似于Hou et al.（2015）的q因子模型中的调整成本。本文分析使用的是1986年至2019年所有在美国上市公司样本。在根据qspike值对股票进行排序后，将他们分为三个投资组合。本文主要结果表明qspike值越高的公司具有更低的股票回报率。具体来说，在本文的34年的样本中，做多低qspike股票、做空高qspike股票的零投资组合平均月回报率为0.36%。遗憾的是，这一发现并不能区分这两种理论，因为尽管这两种理论都预测qspike与未来股票回报存在负相关性，但是一种理论具有积极的含义，而另一种则具有消极的含义。下一步，本文将变量qspike与年资产增长进行比较，后者是常见的资产定价模型中投资因子的基础，通常与贴现率相关。这也验证了qspike的结果并没有机械地复制投资因子。当绘制基于投资因子的多空投资组合的收益时，作者观察到序列存在很强的自相关性。在投资组合形成的前后五年内跟踪两个投资因子时，作者发现资产增长具有持续性，存在很强的前趋势。但是，qspike没有显示出时间上的持续性，这表明与这两个因子并不完全重合，因为激增因子捕捉到企业投资政策中更多的短期调整。然后，本文作者进行顺序双重排序，首先基于资产增长，然后基于qspike值。即使控制了资产增长，作者仍然发现qspike效应的证据：根据qspike值构建零投资组合，低资产增长的公司每月获得0.35%的超额收益，高资产增长的公司每月获得0.29%的超额收益。当颠倒排序顺序时，作者发现只有具有高qspike值的公司仍然显示出强烈的资产增长效应，这一结果支持了资产增长和qspike因子至少部分捕捉了收益的一些不同变化的观点，但在实证中很难将它们区分开来。为了进一步研究股票横截面收益与投资因子间的负向联系的驱动机制，本文沿用了Li和Zhang（2010）的概念框架，即根据收益敏感性区分 q 理论和错误定价解释。先前的研究将代理冲突归因于错误定价解释（Lam et al.，2020）。根据q理论，投资因子应该更依赖于投资或者融资摩擦，而错误定价应与有限套利有更强的关联。Li和Zhang（2010）和Lam et al.（2020）只发现了支持融资约束的微弱证据，认为投资异常与有限套利有更强的关联（Shleifer和Vishny，1997）。本文的检验也显示出类似的结果：仅有微弱的证据支持qspike效应的q理论，特别是较高的回报与较弱的投资效应有关。另一方面，有限套利检验表明具有高特质风险的公司的子样本的斜率更大，尤其是在1995年至2005年期间。这些年份的特征是大量资本投资于互联网行业，同时管理监督相对薄弱，这与Kahle和Stulz（2021）文献提供的证据相一致。无论是有限套利理论还是q理论，都只能部分解释投资异常与股票回报之间的联系。Lamont（2000）认为如果投资因子包含贴现率变化的信息，那么当前股票收益较高的公司应该增加投资。因此，本文基于同期股票回报的qspike值建立投资组合分析，并发现高 qspike投资组合的表现明显优于低qspike投资组合。这些发现支持了投资因子是有意义的观点，并表明这些年末的投资调整包含了一些关于贴现率变化的相关信息。归根结底，本文的分析表明投资决策与股票回报之间存在着错综复杂的联系，这种联系可能涉及多个层面，因此很难区分对qspike提出的两种解释。本文对相关领域的研究有所贡献。本文补充了关于第四季度的投资激增对资本支出影响的证据。Shin和Kim（2022）发现第四季度的资本支出超过之前三个季度，并且这些年末投资与托宾Q的相关性较弱，尤其是对于大型、现金充裕和多元化公司而言，他们将其解释为代理成本的证据。Kinney和Trezevant（1993）以及最近的Xu和Zwick（2022）则从另一个角度出发，认为税收鼓励也会导致第四季度的投资激增，因为年末投资能产生部分折旧税盾。本文作者通过研究qspike与股票回报之间的关系，将qspike引入资产定价中。Moeller和Rangvid（2015，2018）通过宏观层面的时间序列分析发现第四季度宏观经济增长可有力地预测股票总回报。Wen（2018）进一步证明了在年度频率上资产增长的相关性。Jagannathan和Wang（2007）、Jagannathan et al.（2012）发现当使用年末消费额计算beta时，基于消费的CAPM模型的表现提高了对股票横截面收益的解释力。通过资本支出构建投资组合时，自然会将分析与投资因子联系起来。有几篇有影响力的论文与股票收益中的投资异常有关（Titman et al.，2004；Anderson和Garcia-Feijoo，2006；Xing，2007；Polk和Sapienza，2008）。这些研究主要是通过从一年到另一年的资本支出的增加来捕捉异常投资，但本文的研究方法则不同，通过捕捉年末的投资异常。同时，投资因子的样本外检验结果也较弱，尤其是对于发展中国家（Titman et al.，2013）和1940年至1963年间美国股票收益率（Wahal，2019），这表明对该主题进行更深入研究的必要性。本文的研究与Lam和Wei（2011），Lam et al.（2020），和Lipson et al.（2011）有关，他们发现投资异常与有限套利理论有关。Watanabe et al.（2013）提出了相互矛盾的证据，并表明投资异常在定价效率较高的发达市场尤为明显。本文作者的发现至少部分支持解释过度投资和股票回报之间负相关的有限套利理论。最后，本文的研究结果有助于近期关于资产定价模型中添加的投资因子的讨论。投资CAPM（Zhang，2017）依据Fama和French（2015）的五因子模型和Hou et al.（2015）的q因子模型建立的，提供了为什么资本投资是有效市场中股票横截面收益的定价因素的论据。基于Jagannathan和Wang（2007）关于年末消费提高了消费CAPM模型表现的见解，本文作者证明了qspike包含了标准投资因子之外的市场价格的相关信号。本文接下来的内容如下：第2节介绍本文使用的数据，qpsike变量和投资组合构建说明。第3节展示了基于qspike分类投资组合的表现。第4节详细比较了基于qspike和基于资产增长因子的分类投资组合。第5节提供了更多对经济机制的测试。第6节中给出结论。本文的分析使用合并的CRSP和Compustat的美股季度数据。研究所需的季度数据并不能回溯到20世纪60年代，因此本文使用1985年01月至2019年12月期间的样本数据。由于本文作者试图通过公开发布的会计信息来预测股票收益，因此收益数据从1986年开始。本文的研究样本只包含在美国上市的普通股（基于CRSP中变量shrcd10和shrcd11），即不包括其他类型的证券，如美国存托凭证、封闭式基金、REITs等。尽管处理并不是严格必要的，但本文依然按照之前文献的样本构造方法，将金融和公共事业行业公司剔除。本文主要关注的变量是企业财政年度最后一个季度的资本投资。如上所述，将使用该变量来捕捉企业资本投资的临时变化。一些研究表明投资活动在年末更有可能发生。作者认为较高的第四季度的投资激增可能预示着更严重的代理冲突（Shin和Kim，2022；Xu和Zwick，2022），或者包含有关贴现率变化的最新信息（Jagannathan和Wang，2007）。 本文参考Shin和Kim（2002）以及Xu和Zwick（2022），依据他们的定义，以下方法构建第四季度的资本支出的激增：
其中，
是企业i在财政年度t的第四季度的资本支出，
企业i在财政年度t的第一至第三季度的资本支出的均值。本文只计算资产至少1000万美元的公司的qspike值，同时剔除年度资本支出缺失值和季度资本支出为负的观测值。此外，本文还剔除年度资本支出低于10万美元的观测值，以及所有季度资本支出总和超过申报的年度数据110%的观测值。作者发现有20%的季度观测值为零或缺失，这导致了qspike值的缺失。最后，为qspike值设定一个上限，为99分位值。图表2绘制了按公司的年度资本支出平水平标准化后的平均季度资本支出的时间序列，发现在所有年份中，第四季度的激增都清晰可见。在大多数年份中，第四季度的资本支出比年平均水平高出10%-20%。近年来，这一数字略有下降。
2.2 投资组合构建说明
本文基于变量qspike进行投资组合分类。在每月月底，使用最近期qspike值的30和70分位数值将所有美股分成三个投资组合（低，中，高）。根据Hou et al.（2020b）的研究，作者使用滞后4个月的会计数据来计算qspike值，以确保信息已经被披露。为便于比较，每月所有qspike值无效或缺失的公司都被归入残差投资组合。
由于qspike值每年只变动一次，每月再平衡策略不会产生过度的变动。最大的一次调整将在5月进行，因为所有公司此时都会获得最新的qpiske值。此外，本文还构建了每年只在6月底进行一次再平衡的投资组合用于比较。由于尽快利用可获得的新信息是有益的，本文更倾向于使用滞后4个月数据构建的投资组合。在本节中，将评估基于qspike的分类投资组合的表现。本文考虑月度超过月度国库券利率的回报率（exret）、根据个股收益率与其相关的48个行业收益率之差计算的行业调整回报率（indadj）、以及各种资产定价模型回归得出的alpha值，分别是Fama-French三因子模型（FF3）、Fama-French五因子模型、q因子模型（q）、以及q5模型（q5）。图表3展示了基于qspike的分类投资组合的单变量统计值。首先从图表3中可以看出投资组合的超额收益和alpha值随着qspike的增加而单调递减。低qspike的投资组合月平均超额收益为1.01%，分别超过中qspike组合0.73%和高spike组合0.64%。对比公司规模发现另一个有趣的现象：不仅相对较高qspike值的公司随后表现出低股票回报，而且低qpsike公司表现却很好。这完全与贴现率变化的预测相符合。然而，从代理的角度来解释，这意味着市场会奖励那些快速解决代理冲突并在必要时缩紧投资计划的公司。
为了进一步研究投资组合之间的差异，本文同时测试了一个零成本投资组合，即做空高qspike组合，做多低qspike组合。作者发现市值加权的对冲组合的平均月收益率为0.36%，在经济和统计意义上是显著的。通过各资产定价模型中估算出的alpha值大小相似，每月0.27%至0.41%不等。只有行业调整收益率较低，仅为0.17%，这表明行业特征对本文研究尤为重要。作者发现等权投资组合的结果在经济和统计意义上更显著。
由于无法观测到所有公司的qspike值，因此本文还构建了一个没有有效qspike的投资组合。这些公司的股票收益率相对较低，与高qspike股票类似，有时略好，有时甚至略差，取决于具体的模型设定。对于等权投资组合而言，数据缺失股票的表现不佳的情况没有那么明显。根据本文对qspike的定义，前三季度没有资本支出的公司最终会被归入这一组，因为它无法对第四季度的资本支出进行标准化。qspike值缺失对于大型企业来说显然是一个糟糕的信号，因为这些企业每个季度的资本支出理应为正。
资本投资具有很强的周期性。为了研究qspike投资组合的回报异常是如何随时间分布的，本文在图表4中绘制了1986年01月至2019年12月期间的累计收益。图中最显著的特征是qspike对冲投资组合在1998年2004年间的强劲表现。特别是市值加权投资组合在这几年获得显著的正向收益，在累计回报率和alpha方面都是如此。等权投资组合在1998年之前的表现略胜一筹。正如之前的回归结果所显示的，累积的行业调整回报率要明显低很多，这表明qspike效应在一定程度上与行业特征有关，而任何常用的风险因子都无法捕捉到这一点。然而，在1998年至2004年期间，行业调整回报仍存在相当大的qspike效应。自2005年以来，所有图都显示出温和但稳定的增长。
接下来，本文将基于qspike分类的零投资组合的累计收益与资产定价中常用的相关风险因子进行对比。在图表5中，使用了投资因子（cma）和价值因子（hml）。在本文的样本中，与标准投资因子的重叠度非常高。图表4和5都说明1998年至2004年是关键时期。在此期间，两个零投资组合都取得了出色的业绩，并积累了总体累计回报的大部分。在这一时期之外，两者的相关性似乎较低，且两个投资组合的异常收益也是如此。尽管拟合度较低，但与价值因子的相关性显著为正。相比之下，价值因子表现出更大的波动性，尤其是在上行和下行周期中。不过这也很有趣，因为之前的研究（Fama和French，2015）认为价值因子在很大程度上被投资因子和盈利因子所吸收。因此，利用季度资本支出能够构建一个表现优于其他基准的零投资组合，并与投资因子的长期趋势非常相似。
根据概念上的紧密联系加上累计收益曲线的重叠，提出了一个问题：qspike对冲投资组合在多大程度上与投资因子相结合。在本节中，作者尝试理解重叠部分的经济重要性，并比较不同策略之间的异同。以往的研究提出了几种基于资本支出或总资产的变化推导投资因子的方法。继Cooper et al.（2008）之后，Fama和French（2015）以及Hou et al.（2015）在建立因子模型时都使用了总资产逐年变化的百分比。由于其重要性，作者在本节中构建了一个类似资产增长变量（ag）。该变量被定义为总资产较上一年的增长百分比。同时，本文还采用了Titman et al.（2004）的异常投资因子，该因子依赖于资本支出。由于资产增长往往更有说服力，并且这两个变量得出的结果非常相似，因此本文排除了这些检验，只关注与资产增长的比较。
图表6展示了qspike值与ag值的年均值的对比图，可以发现，在样本中，qspike值基本上每年都高于1。在经济危机时期，qspike数值较低，如1990年、2001年和2008年。忽略这些异常值，时间序列显示出向下的趋势：2000年之前，大多数数值都高于1.2，而样本末期的观测值则更多在1.1的范围内。通过两幅图的比较，可以发现两个时间序列高度相关。总体而言，qpsike和ag在时序上变化同步，但在经济危机时期，ag波动更为明显。为了对投资因子进行首次横向比较，本文作者对投资组合构建前后五年的qspike和ag值进行跟踪。为便于评估，将这两个因子进行标准化。首先，计算每个投资组合；接着，进一步标准化每个投资组合构建的年份。由此得到图表7。
面板 A 展示了低qspike组合和高qspike组合的表现。显而易见的是，在形成年份存在着极端的峰值：高qspike组合为正，低qspike组合为负。但是，峰值都没有持续性。除了高qspike和低qspike投资组合之间存在相对较小的差异外，在投资组合构建前后的五年中没有进一步的变化。从据qspike分类的投资组合的平均ag值来看，作者发现两者之间存在正向关系，即高qspike的股票具有高资产增长，反之亦然。然而，横截面离散度要小得多，这表明投资组合并没有明显重叠。此外，结果还表明尽管投资组合是按qspike值分类的，但在投资组合构建一年后，ag曲线趋势仍然可见，说明ag因子具有更强的持续性。
面板B展示了基于ag分组的结果。同样，在组合构建年份，资产增长出现峰值。与面板 A 形成鲜明对比的是，在投资组合构建前几年，资产增长具有很明显的前趋势，尤其是在高ag样本中。这种趋势在qpsike中也很明显。将这一发现与面板A进行比较，可以看出qspike分类信息更加临时，因此更难被金融市场所预测。组合形成后，高ag组合的资产增长迅速下降，稳定低于组合形成前的水平，并随着时间的推移而进一步下降。比较各面板的平均qspike值，高qspike组合远高于一个标准差，而基于ag分类的投资组合约为0.2个标准差。
总之，尽管两个因子间的相关性不一定像预期的那么高，但是两者之间确实存在正向的横截面预测关系。两个分类策略的区别在于，qspikes能够捕捉到更多的特质性变化，但这些变化所带来的持续性影响较小。
下一步，作者将构建一个指标来进一步帮助表征分类投资组合之间的横截面相关性。根据qspikes值将股票分为低、中、高三个组合后，计算如果基于ag值划分，股票会被归入同一组的百分比。相关性矩阵见图表8。结果表明存在正相关关系，因为对角线上的概率较大。如果两个变量完全不相关，作者期望概率值为30%，但两个尾部组合的重叠率略高，约为37%。
由于在本文样本中，这些变量对股票收益的预测能力集中的特定时间段内，验证这一时期的相关性没有本质区别。重新计算1996-2005年的相关性矩阵，得出的数字仅略有增加。鉴于仅使用与资本支出相关的数据计算投资因子，作者认为观察到相关性相对较低。
先前的分析表明，基于qspike的对冲投资组合的超额收益集中在标准投资因子也表现良好的时期。一种可能是，尽管投资组合间的重叠度相对较小，但一些公司最终出现在相同的尾部，而这些公司同时驱动了这两个投资组合的回报。另一种可能是，结果是由不同的股票集驱动的，但这些股票集是凑巧的或者是通过遗漏的变量形成的。在本小节中，作者将检验对投资异常的控制是否会吸收基于qspike分类投资组合的异常回报。
首先讨论基于qspike和ag的双重分类投资组合。为了体现控制投资因子的理念，作者首先根据ag的第30和70分位数将股票分为三组。在每组中，再根据qspike的第30和70分位数来划分股票。忽略分配给中间组合的股票后，产生两个基于qspike的对冲组合：一个是低ag组合（LL-LH），另一个是高ag组合（HL-HH）。结果见图表9的面板 A。为比较，作者同时还采用了相反的顺序构建对冲组合，即首先根据qspike值进行分类，再根据ag值。结果见图表9的面板 B。当颠倒了分类顺序，本文得到了好坏参半的结果。为了比较公平，作者忽略了带有投资因子的资产定价模型得出的估计值。在低qspike的股票中，没有证据表明存在剩余资产增长效应。但是，对于高qspike组合中，作者仍然发现了较强的资产增长效应，即对冲投资组合的月超额收益为0.33%，和三因子alpha显著，且每月为0.4%。反观等权投资组合，出现了新的情况：首先，等权重投资组合表现出更显著的效应，并且在大多数基准模型中控制了其他变量后效应仍然显著。其次，在控制了qspike之后，剩余的资产增长效应要比市值加权组合大得多，强调了对小公司的相对重要性。总之，结果表明qspike和ag捕捉到的不同的收益变化。在构建的两个零成本投资组合（LL-HH）都可以看出这一点。与图表2的单变量组合相比，利用这两个投资因子可将超额收益和alpha值提高约50%。
在本节中，提供了更多测试来研究与qspike效应相关的可能经济机制。作者研究了Fama-MacBeth回归中的交互项、同期股票收益以及盈利能力在时序上的变化。作者在股票层面上使用Fama-MacBeth回归对之前的投资组合分析进行补充，即将qspike添加到用来解释股票收益的这些自变量中。回归的因变量是各股的超额收益。对变量ag也进行相似的分析。将自变量进行标准化后，以变量的标准差变化来解释对股票收益的影响。控制变量包括市值的自然对数（lnmcap）、账面市值比（BM）和前六个月的股票复合收益（mom6）。按照惯例，本文使用 Newey和West（1987）过程来考虑滞后一期标准误的潜在自相关性。
图表10报告了回归的估计结果。面板A给出了等权回归的结果，面板B给出了市值加权的结果。该表显示在Fama-MacBeth估计中，qspike系数仍然是显著。qspike值每增加一个标准差，意味着股票收益率月下降0.1%。
同样，ag系数在1%的置信水平上是显著的，且美增加一个标准差意味着股票收益率下降0.35%。系数比较表明ag在经济方面占主导地位，它是一个捕捉截面收益变化的有效的综合因子，这也是它在资产定价模型中受欢迎的原因。这可能会导致纯粹的投资效应加上年底的异常投资峰值（qspike）。
先前的研究（Li和Zhang，2010）将公司层面的投资与股票预期收益之间的联系归因于q理论所产生的均衡关系或者像代理冲突等各种错误定价的原因（Lam et al.，2020）。qspike 可以很好地代表年末投资的信息效应（Jagannathan和 Wang，2007）或者管理代理冲突，因为它捕捉到更多的临时的投资调整。
Li和Zhang（2010）认为投资摩擦会加强投资与股票预期收益之间的联系。由于缺乏合适的投资摩擦指标来直接检验 q理论的预测能力，他们建议研究融资约束。为了支持这一解释，有限套利理论允许错误定价的存在，因为交易摩擦使得套利着无法使用它套利（Shleifer和Vishny，1997）。因此，如果错误定价假说能解释qspike异常，那么交易摩擦较高的公司的回报异常应该更持久。这些效应可能是相关的，因此它们可能共存在于数据中，从而难以区分这些作用机制。
与Li和Zhang（2010）类似，本文作者使用公司层面的融资约束相关指标来检验q理论：资产规模（总资产的账面价值）和派息率（总股息和股票回购额除以折旧前营业收入的比率）。两者都是常用的衡量融资约束指标（Almeida和Campello，2007）。为了检验有限套利理论，本文采用特质波动率（Pontiff，1996）和美元成交量（Ali et al.，2003）作为公司交易摩擦的代理变量。高特质波动率和低美元成交量意味着套利成本更高，导致套利受限。参考Lam et al.（2020），本文作者通过Fama-MacBeth（1973）对股票月收益率的横截面回归来检验这些理论，并比较了qspike和ag。值得注意的是交互项是结合了投资因子与交易摩擦。具体来说，回归是基于每个变量将股票分为三等分的指数。给最高三分位组合的股票赋予最高值。图表11报告了对标准控制变量（账面市值比、动量和市值）进行控制的回归结果。面板 A 侧重于对qspike的分析。当研究与总资产的交互项时，作者发现对于大企业或者财务约束较小的企业，qspike的斜率会变小，但这一差异在统计意义上是不显著的。然而，交互项对于派息率是显著的，Li和Zhang（2010）也将派息率作为衡量融资约束的指标。不过，在本文的假设中，派息率被看作是一个纪律机制，与债务类似，降低管理层的代理成本。列（3）和（4）是有关有限套利理论假设的测试结果。与代理成本具有更大的风险和更高套利成本观点相一致，作者发现高特质波动率的股票具有更强的qspike效应。美元成交量的系数是不显著的。这一结果表明有限套利理论可以部分解释。然后本文在1995-2005的子样本中重复之前的估计，发现投资因子和股票未来收益存在很强的相关性。结果见图表12。估计结果与全样本相类似，但显示出更强的效应。转到对面板B中关于资产增长效应的讨论，本文作者发现了有关q理论和有限套利理论的证据。在高波动率和低成交量的子样本中，受更多约束公司的ag效应更强。因此，在研究资产增长时，作者发现这两种渠道在数据中共存。总之，分析表明，qspike对股票截面收益的影响至少部分与错误定价有关，而错误定价假说可能是由管理者转移过剩现金所驱动的。此外，在列（5）报告了包含与长期债务交互的回归结果。Titman et al.（2004）发现负债率越低的公司，资本投资异常与股票回报的负相关关系越强。如果债务是一种约束工具，有助于在可用现金过多时缓解投资效率低下的问题（Jensen和Meckling，1976），那么负债率较低的公司更容易出现投资决策失误。因此，本文作者研究了长期债务在解释股票股票截面收益时是否也会对qspike相关性产生影响。
对qspike的估计值为正，但在统计上并不显著，而对ag的估计值在统计上是显著的。qspike与公司债务之间的关系在原始数据中表现的更为明显。图表13显示了高长期债务（高于中位数）和低长期债务（低于中位数）样本基于qspike的多空对冲组合的累积异常回报。从图中可以看出，低债务公司更容易受到qspike效应的影响（对等权投资组合和市值加权投资组合都是如此）。
在本小节中，本文将回到对投资组合的分析。Lamont（2000）将投资计划的调整解释为对贴现率变化的反应，因此投资的增加不仅与未来较低的预期回报有关，而且与较高的股票同期回报相关。本文作者将qspike与同一财政年度的股票月收益相匹配，用于计算qspike的资本支出被衡量。然后，基于qspike值进行类似单变量的投资组合分类。结果见图表14。在同期收益方面，作者发现与预期相反的结果，即高qspike组合的表现明显优于低qspike组合的表现，月超额收益为 0.89%，alpha值在0.49%至1.04%之间，在统计上都是非常显著的。等权组合的表现更明显。
因此，实证结果支持贴现率的变化为观察到的投资增长与未来股票回报之间的关系提供了解释力。Lamont（2000）的分析侧重于投资计划而非实际投资，他认为投资过程的滞后性可能会模糊对时间敏感的关系。在这种情况下，qspike可能会有所帮助，因为它能尽早捕捉到投资变化，可能先于资产发生明显增长之前。虽然作者认为这一证据支持贴现率机制驱动像投资CAPM的模型，但是这与代理观点并不矛盾。在公司业绩良好时期，更难保持严格的投资政策。在本小节中，作者通过建立与盈利能力的联系来研究时序上的证据。为什么20世纪90年代末至21世纪初投资因子与股票收益的关系如此紧密？Hou et al.（2015）以及 Fama和French（2015）都强调了盈利能力和投资因子联合测试的重要性。
因此，本文将研究投资因子与公司盈利能力之间的关系。如果资本没有得到有效的配置，未来公司的盈利能力可能会受到影响。图表15绘制了基于qspike分类的投资组合随时间的平均投资资本回报率（ROIC）面板A记录了变量间的同期联系，特点是盈利能力相对较弱。虽然平均ROIC主要在10%-20%之间，但1999-2001年的平均ROIC却为负值。此外，作者还发现高qspike组合的ROIC与中qspike组合的ROIC密切相关，除了上述年份的ROIC下降幅度相对较大。低qspike组合的盈利能力一直较弱。
有趣的是，在引入时间滞后后，发现的规律仍然成立。面板B展示了基于滞后一期qspike分类的投资组合的ROIC。本文并没有发现qspike具有持续性。尽管如此，作者观测到高qspike公司在1999年至2001期间的未来盈利能力遭受到相对更大的损失。尽管这些相关性并不能代表因果关系，但它与过度投资会降低盈利能力的观点是一致的。至少，在这些不确定和低盈利的年份里，市场并不欢迎增加投资。
本文对基于ag分类的投资组合重复上述的分析，结果见面板C和面板D。发现这种模式并非qspike所独有的。事实上，按ag分类的情况更为明显。虽然高ag公司比中ag公司更有利可图，但这种关系在2000年前后完全消失了。毫不奇怪，ag的持续性也更强。
本文研究了第四季度资本支出的激增（qspike）与股票截面收益的关系。公司金融的研究表明公司的资本支出在第四季度会急剧飙升，且有些学者认为这些激增是代理冲突的证据（Shin和Kim，2002）。此外，对长期投资计划的调整是公司对不断变化的市场状况的反应。因此，qspike可能包含与股票回报相关的信息。
作者发现，高qspike公司随后在股市中表现不佳。这一结果与对qspike的两种解释相一致：一是qspike是捕捉公司对贴现率不断变化预期的有效信号，另一个是透露有关代理成本的信息，而代理成本通常很难被识别，因此会被错误定价。在进一步尝试分离这两个机制时，作者发现有证据表明这两个机制可能同时存在于数据中。
作者发现基于qspike构建的多空对冲组合的收益率与基于更常用的投资因子（资产增长，ag）构建的多空对冲组合的收益率之间存在很高的时序相关性。然而，当试图剖析ag和qspike效应时，发现他们并不是完全等价的，这支持了这两个因子至少部分捕捉到股票回报的独特变化的观点。
同时，作者还发现有限套利理论可以部分解释qspike因子和ag因子，但有限套利理论通常与错误定价有关（代理观点），而不是与投资摩擦相关。然而，从同期回报来看，高qspike公司表现优于低qspike公司，这与qspike包含贴现率变化的相关信息是一致的。
本文的结果进一步支持了投资因子包含有助于解释股票截面收益的重要信息这一观点。但qspike因子的影响没有完全被其他投资因子所吸收，这表明投资决策中还有其他因素没有被ag因子所考虑。尝试合成这些因子可能有助于创建一个更有效的投资因子，从而进一步提高常见的资产定价模型的表现。
文献来源：
核心内容摘选自Michela Altieri和Jan Schnitzler在Journal of Financial Markets上的文章《Quarterly investment spikes, stock returns, and the investment factor》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。
本文内容节选自华安证券研究所已发布证券研究报告：《企业季度投资激增与股票横截面收益——“学海拾珠”系列之一百六十七》（发布时间：20231122），具体分析内容请详见报告。若因对报告的摘编等产生歧义，应以报告发布当日的完整内容为准。分析师：严佳炜 || 执业证书号：S0010520070001，分析师：吴正宇 || 执业证书号：S0010522090001。
“金工严选”公众号记录华安证券研究所金融工程团队的研究成果，欢迎关注重要声明
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。
本篇文章来源于微信公众号: 金工严选
