Seminar丨附近的公司：利用卫星图像研究本地信息优势

本文推介：谢懿格，中南财经政法大学金融学院

本文编辑：温和铭

本文审核：谢懿格

Stata&Python云端课程来啦！

       为了平衡团队运营成本，维系公众号的运营，也与国内动辄数千元的Stata课程缩短差距，我们的网课不得不上调价格，我们决定于11月1日起调价，Python课程的价格调整为249.9元，Stata进阶课程调整为249.9元，Stata基础课程调整为299.9元。大家可以告知一下身边想要购买的小伙伴，欲购从速哦，对报名有任何疑问欢迎在公众号后台和腾讯课堂留言~我们在这篇推文的最后提供了每门课程的课程二维码，大家有需要的话可以直接扫描二维码查看课程详情并进行购买哦~

原文信息
Kang, J., Stice‐Lawrence, L. and Wong, Y. The Firm Next Door: Using Satellite Images to Study Local Information Advantage[R]. Journal of Accounting Research, 2020.

Abstract

We use novel satellite data that track the number of cars in the parking lots of 92,668 stores for 71 publicly listed U.S. retailers to study the local information advantage of institutional investors. We establish car counts as a timely measure of store-level performance and find that institutional investors adjust their holdings in response to the performance of local stores, and that these trades are profitable on average. These results suggest that local investors have an advantage when processing information about nearby operations. However, some institutional investors do not adjust for the quality of their local information and continue to rely on local signals even when they are poor predictors of firm performance and returns. This overreliance on poor local information is reduced for institutional investors with greater industry expertise and those with greater incentives to maximize short-term trading profits.

01 引言

研究表明，投资者可以从本地信息优势中获益。Engelberg和Parsons（2011）发现如果投资者持有的公司在本地报纸中有较多报道，投资者就会有较多获利，于是作者认为报纸是投资者获取本地信息的重要来源之一；Bernile等（2015）发现当投资者持有本地暴露水平较高的公司时，其持股的盈利能力就会增加。然而，这些研究并没有明确投资者拥有的究竟是公司层面的信息，还是基于对临近公司熟悉程度的本地信息。

为了明确这一点，本文使用美国零售商店停车场中汽车数量的变化来衡量本地信息。作者考虑，临近这些商店的投资者，可以通过观察汽车数量的变化来预测商店业绩，从而帮助他们做交易决策。

机构投资者和商店的临近关系定义为：如果双方距离50km以内，那么投资者就临近（local to）该商店。对于一家公司，投资者可能只和其中的某些商店有临近关系，如图一，投资者X和商店1B临近，但和1A不临近，投资者Z和商店2B临近，和2A不临近，基于此，作者可以构建商店层面的本地信息，排除公司层面信息的干扰。另外，汽车数量信息来自于卫星图像数据，而样本期内这一数据并未对外公开，所以只有商店附近的投资者能够观察到，保证了信息的本地性。

图一：投资者-公司-商店位置分布示意图

本文贡献有三：第一，作者点明了本地信息的一种——投资者临近商店的业绩信息；第二，作者发现投资者会过度依赖于质量较差的信息，这表明尽管机构投资者可以获得本地信息，但他们不能有效地将信息纳入交易决策；第三，作者使用非传统信息——大数据，补充了财务报表这类传统的信息来源。

02 实证设计与变量定义

2.1商店汽车数量

商店汽车数量来自于Orbital Insight的卫星图像数据库，从2015年6月起公开出售。为了避免投资者对信息的回应，本文样本期采用数据库公开前的时期：2009年3月至2015年6月，共包括71家美国上市零售公司92,668家商店的汽车数据。为衡量本地信息，作者构建了不同层面汽车数量变化的变量。 

首先，作者构建商店层面的变量Car_Chg，计算一个季度内商店汽车数量的变化，用以预测商店季度业绩：

其次，作者把商店汽车数量加总到公司层面，计算一个季度内整个公司的汽车数量变化Car_Chg_Firm，用以预测公司季度业绩：

最后，考虑到对于持有的某家公司，投资者可以通过临近商店的汽车数量变化来判断公司业绩。由此，作者构建了投资者-公司层面的变量Car_Chg_Local，用以计算投资者i持有的公司r中，所有和投资者临近的商店汽车数量的加权变化。该变量可以衡量投资者对持有公司的本地信息。

2.2机构投资者数据

机构投资者的数据来自于Thomson Reuters和WRDS SEC的13F数据库。本文样本共有2,354家机构投资者，其持有资产占美国所有机构投资者资产的89%，表明本文投资者样本涵盖范围较为广泛。作者构建变量Chg_Holdings来计算投资者i对公司r的持股在季度q的变化，用以衡量投资者对某公司的交易决策。

2.3汽车数量指标是否可以预测公司业绩？

为了验证Car_Chg和Car_Chg_Firm能否预测公司业绩，作者将这两个变量分别对公司同季度的绩效做回归，系数均显著为正，表明不论是公司层面还是商店层面的汽车数量变化，都可以预测公司的实时业绩。

03 模型与实证分析

3.1当地商店业绩是否为一种本地信息优势？

2.3已证明汽车信息可以预测公司业绩，因此在实证的第一部分，作者考虑投资者可能会利用这一本地信息来进行交易决策。模型构建如下：

回归结果中beta1显著为正，表明机构投资者会根据本地信息调整对该公司的持股，当本地信息指向公司有较好业绩时，投资者持股会显著增加。Beta2不显著，并非指投资者不会基于公司层面的信息做决策，因为2.3已证明Car_Chg_Firm比Car_Chg更能预测公司业绩，作者对beta2的解释是：公司只能预测临近商店的实时业绩，但无法获得和公司整体实时业绩有关的信息。

接着，考虑到不同投资者获取和处理本地信息的能力不同，作者对投资者做了异质性分析。结果表明，当机构投资者（1）所处环境中社会联系更强时，（2）拥有更丰富的专业知识时，（3）收取绩效费时，（4）采用基于信息的交易决策时（亦即非指数型投资者），beta1系数更显著，即机构投资者会更多地依赖本地信息来调整持股。

3.2基于本地绩效信息的交易是否可使投资者获利？

尽管3.1表明投资者会基于本地信息进行交易决策，但不确定的是投资者能否从这类交易中获利。作者根据是否基于汽车信息进行交易，将投资者分为两组，分别计算每个组的加权平均超额回报（Weighted_Abn_Ret），并进行组间差异检验。

结果发现，利用本地信息交易的组，比不利用本地信息的组，其加权平均超额回报显著高出0.488%，即当投资者基于本地信息交易时，会额外获得2%的年化超额回报。

3.3投资者是否过度依赖于本地信息？

作者接下来检验投资者能否辨别低质量的本地信息，并相应地在交易决策中减少对低质量信息的依赖。

首先，作者构建Poor_Signal与Car_Chg的交乘，对公司业绩变量回归。Poor_Signal的定义为：如果在前四个季度中至少有两个季度，商店汽车数量变化的符号与三个月超额回报的符号不同，那么Poor_Signal就为1。交乘项系数显著为负，说明Poor_Signal可以辨别出低质量信息。

其次，为了验证投资者是否会减少对低质量信息的依赖，作者构建Poor_Local_Signal与Car_Chg_Local的交乘，对投资者持股变化进行回归，结果却在意料之外：交乘项系数并不显著，表明当投资者遇到质量较差的信息时，他们对该公司的持股并不会显著减少。

最后，为了进一步验证投资者为什么不将信息质量纳入决策，作者从投资者获得本地信息的净收益入手。Blankespoor等（2020，2019）认为投资者处理信息有三步成本：观测成本、获取成本、以及整合成本，如果投资者在任一阶段有较低的成本，就会获得信息优势。

当机投资者有较丰富的零售行业专业知识（specialist）或收取绩效费（performance）时，他们的整合成本较低，从而净收益较高。作者接着在交乘项后加上specialist和performance，系数均显著为负，表明specialist和performance减少了对低质量本地信息的依赖；但是对于其他投资者来说，他们处理信息的成本较高，与其判断信息质量好坏，不如直接利用本地信息。

3.4当卫星数据公开后，本地信息优势是否还存在？

在之前的检验中，为了避免投资者对卫星数据的回应，作者采用Orbital Insight公开前的数据。但是从2015年6月数据对外出售后，投资者可能通过购买卫星数据来克服本地信息劣势。

为验证这一点，作者构建变量Post，表示投资者获得Orbital Insight权限后的时期。回归结果显示，交乘项Car_Chg_Firm*Post和Car_Chg_Local*Post系数均显著，表明当获得卫星数据后，投资者开始增加对公司层面的汽车信息的依赖，而减少对本地信息的依赖，即本地投资者随着数据的公开失去了本地信息优势。

04 结论

本文创新点在于用汽车数量变化来衡量本地信息，但文章仍有值得商榷的地方：第一，作者无法直接观察到投资者的信息集，只能通过他们的交易信息来推测；第二，本文结论有一定的局限性，因为作者仅研究了持有零售公司的机构投资者，以及与汽车数量有关的本地信息。尽管如此，文章仍为本地信息相关研究提供了诸多见解。

END

最后，我们为大家揭秘雪球网(https://xueqiu.com/)最新所展示的沪深证券和港股关注人数增长Top10。

腾讯课堂课程二维码

 对我们的推文累计打赏超过1000元，我们即可给您开具发票，发票类别为“咨询费”。用心做事，不负您的支持！

往期推文推荐
         多线程队列间通信
         线性同余法生成伪随机数
Stata&Python云端课程来啦！Seminar|总统的朋友：政治关联与企业价值
爬虫实战 | 爬取中国天气网Seminar|媒体关联董事对融资和外部治理的影响神奇的组内交叉合并 PDF分章节转TXT并实现可视化——以胡景北知青日记1971至1978年为例
order命令——快速改变变量顺序的利器 Ajax应用场景——以获取雪球网港股代码及公司名称为例
Meta Analysis in Stata17      
cngdf——名义GDP与实际GDP之间的摆渡船
合并，“纵”享新丝滑：frameappend & xframeappend
什么是全局配置项？|从零开始的Pyecharts（二）帮你拿下数据可视化|从零开始的Pyecharts 这十年，《金融研究》的编委和读者偏爱哪些研究话题和文章?

关于我们 

   微信公众号“Stata and Python数据分析”分享实用的Stata、Python等软件的数据处理知识，欢迎转载、打赏。我们是由李春涛教授领导下的研究生及本科生组成的大数据处理和分析团队。

   武汉字符串数据科技有限公司一直为广大用户提供数据采集和分析的服务工作，如果您有这方面的需求，请发邮件到[e-mail]，或者直接联系我们的数据中台总工程司海涛先生，电话：[phone]，wechat: super4ht。海涛先生曾长期在香港大学从事研究工作，现为知名985大学的博士生，爬虫俱乐部网络爬虫技术和正则表达式的课程负责人。

此外，欢迎大家踊跃投稿，介绍一些关于Stata和Python的数据处理和分析技巧。

投稿邮箱：[e-mail]投稿要求：
1）必须原创，禁止抄袭；
2）必须准确，详细，有例子，有截图；
注意事项：
1）所有投稿都会经过本公众号运营团队成员的审核，审核通过才可录用，一经录用，会在该推文里为作者署名，并有赏金分成。

2）邮件请注明投稿，邮件名称为“投稿+推文名称”。
3）应广大读者要求，现开通有偿问答服务，如果大家遇到有关数据处理、分析等问题，可以在公众号中提出，只需支付少量赏金，我们会在后期的推文里给予解答。