标题：The Revenge of the Stock Pickers
作者：Hailey Lynch , Sébastien Page, CFA, Robert A. Panariello, CFA, James A. Tzitzouris, Jr. , and David Giroux, CFA
译者：张琨，CFA
特此说明：文章仅代表作者本人观点，不应被视为投资建议，所述观点也不一定代表CFA Institute和作者本人所在公司的看法。原文发自Financial Analysts Journal Volume 75, 2019 - Issue 2，本翻译未获CFA Institute及原作者授权，仅为学习参考之目的，请勿以任何形式进行转载。
信息披露：作者为主动型基金管理公司工作，参与择股。本文所表达的观点是作者本人的观点，并不一定反映T. Rowe Price公司的观点。更多信息可以在文末找到。
Hailey Lynch是巴尔的摩T. Rowe Price全球多元资产部门的量化分析师。
Sébastien Page, CFA是巴尔的摩T. Rowe Price全球多元资产部门的主管和公司管委会成员。
Robert A. Panariello, CFA是巴尔的摩T. Rowe Price全球多元资产部门的投资组合经理和量化分析师。
James A. Tzitzouris, Jr.是巴尔的摩T. Rowe Price全球多元资产部门的研究主管。
David Giroux, CFA是巴尔的摩T. Rowe Price的首席投资官和美国权益部门投资组合经理。
作者未报告利益冲突。
开放获取：这是一篇根据Creative Commons
Attribution-NonCommercial-NoDerivatives (
http://creativecommons.org/licenses/ by-nc-nd / 4.0 /)许可发布的文章，它允许非商业化的再用，分配，在各种介质上复制，但恰当的引用需要援引作者的原始工作，并且没有任何形式的改动，改变或重建。
综述：当ETF基金围绕一个主题大量交易时，其成分之间的相关性会显著增强。甚至对于那些与主题敞口很小甚至为负的证券，也开始与ETF内的其他成员发生同步。换句话说，因为ETF投资者对个股层面的基本面信息是不可知的，他们经常"把婴儿和洗澡水一起倒掉"。随着单个股票的价格被ETF拉高或拉低，这些错误定价可能会变的非常明显，而利用这些错误定价获得的利润可能为择股者提供了机会。
以下为正文：
ETFs目前占到美国交易所总交易量的30%，而在2000年的时候还不到2%。这一趋势可能为择股者创造了机会。当ETF基金围绕一个主题大量交易时，其成分之间的相关性会显著增强。甚至对于那些与主题敞口很小甚至为负的证券，也开始与ETF内的其他成员发生同步。换句话说，因为ETF投资者对个股层面的基本面信息是不可知的，他们经常"把婴儿和洗澡水一起倒掉"。随着单个股票的价格被ETF拉高或拉低，这些错误定价可能会变的非常明显，而利用这些错误定价获得的利润可能是投资于ETF的隐性成本之一。在最近的一篇社论当中，Giamouridis (2017)呼吁对这一主题做出更多的研究。他提到"与非成分股相比，ETF成分股（在下跌市场中）的交易共同性更高，其流动性/市场影响的通用性更高，特质风险降低。"他强调，未来的研究应阐明波动性和相关性如何变化，以及价格偏离基本面（和反转）的可能性。
为了回应这一研究呼吁，更重要的是，为了估算择股者的机会有多大，我们设计了一个简单的反向交易策略，即当ETF处于恐慌性抛售的时候，买入超卖的那些成分股。我们之所以关注下跌，是因为研究表明，投资者在面对损失的时候，比面对收益更加不理性（译注，损失厌恶）。例如，Page and Panariello (2018)表明，极端下行时的相关性总是比上涨时要高。他们认为"在金融市场上，恐惧比乐观更具传染性"。
我们通过与ETF的贝塔值，来确定哪些成分股是被超卖的。我们使用了9个行业ETFs，是因为它们比大盘指数ETFs更容易受到投机和散户交易的影响。我们还使用了一支标普500ETF和一支小市值ETF。Giamouridis (2017, 11) 特别呼吁研究应当"不仅涵盖那些广泛市场指数的ETF成分股，也应当涵盖权益市场的特定部分"，比如行业。
我们不建议任何人在没有基本面管理的情况下实施这一策略，但我们的结果引人瞩目：当出现大规模抛售时，ETF投资者可能会在未来的40天为择股者留下多达200-300个基点的阿尔法。在我们的研究期间（2010年1月4日至2017年12月29日），此类事件在ETFs中平均每年发生30起，共计发生了240起。
这个策略不需要任何择股技巧，只需要能够衡量一支股票相对于其ETF的贝塔值就可以了。我们有理由怀疑择股者甚至可以从ETF投资者那里获得更多的阿尔法。他们可以仔细的分析ETF被抛售的原因，以及某些成分股是否仅仅是被拖累了，而并没有什么不好的基本面原因。在此，我们的目标仅仅是估算机会的大小，因为不可能对任意的基本方法都进行回溯检验。
关于成分盲区和指数投资影响的先前研究
Cahan, Bai, and Yang (2018) 认为，大部分ETF投资者并不关心成分股的基本面。他们提到当"短期ETF的交易行为和相关股票的现实基本面不一致"时，就会出现"套利机会"。他们用了一种非正式的方式来表述"套利"，不是学术意义上认为的无风险利润。但他们表明，如果投资者基于成分股的基本面来选择ETFs，就可以获得阿尔法。Cahan等人发现，行业ETFs和基本面的关联度最低，但这种效应也存在于大盘和智能贝塔ETFs当中。虽然我们也得出了相似的结论，但方法是不同的，我们选择了股票（在ETF中寻找错误定价的成分股），而Cahan等人选择了ETFs（基于股票层面的分析，来寻找错误定价的ETFs）
类似的，Wurgler (2010)和其他人也记录了指数中个股层面联动的证据。当一支股票被加入到某个指数，它和同指数其他成分股的关联度立刻就上升了（参见，例如，Barberis, Shleifer, and Wurgler 2005; Greenwood and Sosner 2007）。Sullivan and Xiong (2012)认为，作为一个推论，总体而言，指数投资加剧了股票市场的系统性风险。具体到ETFs，Da and Shive (2018)表明，一支ETF的换手率越高，它的成分股之间的相关性越高。他们认为这些联动是过度的——也就是说，不完全由基本面驱动。
值得指出的是，这些研究并不意味着指数对市场本身不利。例如，Wurgler (2010)提到"为了保持平衡，重要的是首先要认识到指数和指数挂钩产品提供的许多可观的收益。"类似的，Hill (2016)解释说，为了响应市场情况而投资于ETFs和其他指数产品的投资者，和基于长远眼光的基本面投资者，这两大宏观投资者之间的自然张力，对资本市场是健康的："每种类型的投资者都依赖于其他人的存在来提供流动性并将价格推动至适当的水平。"
Brown, Davies, and Ringgenberg (2018)从不同的角度探讨了这个问题。Cahan等人(2018)对"套利"的宽松定义不同，他们研究了ETF价格和它净资产价值之间的真正套利（为了利用折价或溢价，套利者需要同时卖出[买入]ETF和买入[卖出]标的证券）。他们的数据集为套利活动提供了独特而通透的视角。他们指出，ETF套利活动的增加预示着非基本面的需求冲击（可能是因为情绪，或"主题"交易）。反过来，这些冲击似乎预示着ETF和其成分股在随后的一个月的期限内发生收益反转。
这些广泛的研究都指向相同的结论：指数/被动投资可能会导致错误定价和异常相关性（或"相关性泡沫"）。然而，令人惊讶的是，Madhavan and Morillo (2018)得出了相反的结论。他们使用了一个因子模型来分析，是什么驱动了一段时间的相关性，并发现在对驱动交叉股票相关性升高上，宏观因素相对ETF资产的增长显得更为重要。他们的一个主要论点是"虽然在ETF资产上升的时期，交叉股票的相关性也升高了，但与过去相比，它们并没有达到前所未有的水平，而这远远早于被动指数投资的兴起"。但是，正如我们研究的所示，平均化会误导人。如果我们隔离高ETF交易量的日子，情况就大不相同了，这也支持了指数导致异常相关性的主流结论。
在怀疑阵营中，还有一项更早的研究支持Madhavan and Morillo's (2018)的批判。Glosten, Nallareddy, and Zou (2016) 认为，跨成分股相关性的跃升可以用宏观冲击，或者更普遍的，用系统基本面信息来解释。在这种情况下，一些流动性较差的ETF成分股可能会从ETF交易量放大中获益，它们的定价变得更有效了（例如，它们对宏观基本面信息的反应更迅速了）。但是Glosten等人得出了复杂的结论。它们发现，系统性价格只能部分解释ETF的活动。重要的是，如果ETF的成交量改善了系统性冲击的定价，但不会扭曲非系统性信息的定价，那我们就不应该观察到预期中的反转，比如Brown等人 (2018)的报告。此外，Moreover, Ben-David, Franzoni, and Moussawi (2018) 观察到，ETF吸引"高频需求"，以及，基于观察到的反转，证实了"ETF市场的需求冲击转变成了标的证券的非基本面价格变化"。
在此研究的基础上，我们假定，造成这种扭曲和逆转的主要原因，一些ETF成分股并没有和其他组成部分一样，以相同的方式，或相同的程度，暴露在宏观冲击之下。我们称这些成分股为"局外人"。我们认识到，局外人的名单可能会因为宏观冲击的性质而变化。但最终，不同成分股之间的差异越大，扭曲的机会也就越多。
我们展示了，这些异常的存在，为能够区分系统性冲击和ETF驱动价格扭曲之间区别的择股者提供了获得阿尔法的机会。我们建议切实可行的捷径是，专注于ETF交易量大幅增长时，局外人成分股的表现。这种方法和我们在文献中发现的其他方法都不同。例如Brown(2018)等人基于ETF驱动的交易量对股票进行排序，而不考虑某支股票是否是局外人。
最终，虽然我们承认指数产品对整个金融市场的作用，但我们认为，择股者可以从越来越多的ETF投资者那里"截取"价值，如果他们能够回答以下两个简单问题的话：为什么ETF被卖出？这个成分股应当被一并卖出吗？
一个案例研究：制药业，希拉里的推特和瓦兰特的传票
以2015年9月美国医疗保健和制药业股票的表现为例。在2015年9月18日到28日之间，医疗保健板块SPDR ETF (XLV)下跌了10.7%，而同期标普500下跌了5.4%。在这七个交易日当中，ETF的交易量跃升至第99个百分位，而同期标普500的交易量仍处于第33个百分位。
两个重大事件可能是导致医疗保健股票下跌的的主要原因。首先，在9月21日，希拉里克林顿发了一条推特，表示她将公布一项计划，以遏制制药公司的"哄抬价格"（前一天，纽约时报发布了一篇文章，关于图灵制药刚刚把某个救命药的价格从13.5美元大幅提升至700美元）。其次，在9月28日，众议院的民主党人关于药价上涨的理由问题，传唤了瓦兰特制药公司。当天XLV的交易量达到历史新高。
这两起事件当然都对制药行业的收入造成压力，但对其他医疗保健类股却不一定。尽管有些公司也处于火线当中，但我们很难想象对人类用药的价格监管会影响到生产动物用药和疫苗的公司，比如Zoetis，或者医疗设备，例如Baxter International。然而所有的XLV成分股，都在那七个交易日被大举抛售，没有例外。
制药行业对XLV的总波动性中占了很高的比例。一方面，这类高贝塔值的股票往往是ETF大规模主题性抛售的的核心。另一方面，和XLV贝塔系数较低的个股通常不会受到抛售背后主题的影响，至少从基本面来说是这样。然而，它们也被拖累了，就像婴儿和洗澡水一起被扔掉了。因此，在ETF成分股名单中识别局外人的一个简单方法，是寻找和ETF的贝塔值较低的股票。
注：基于1998年12月31日到2015年9月25日（一个季度的半衰期）的日数据，使用指数加权回归方法计算相对于XLV的贝塔系数。2015年9月25日的截止日期，反映了当时的任何投资者所应当拥有的信息。
数据来源：彭博指数服务有限公司
在表1中，如果我们按XLV成分股相对于ETF的贝塔值进行排序，并选择最低的那10%，在2015年9月28日，我们列出了5支股票。这些都是药品定价争议的局外人。
这5个公司都在"医疗保健设备和服务"行业。他们出售的产品和服务诸如牙医设备，宠物用品和实验室测试。然而，他们也在对药品定价的政治姿态下被卖出了。而且由于成分股相关性的增加（在ETF交易激增时，这很常见），它们被卖出的量比原先预期的ETF贝塔比值要多。在七天的抛售当中，包含这5支股票的等比权重组合下跌了8.3%，而ETF贝塔隐含回报应为下跌6.1%。
这种过度反应为择股者创造了机会。假设一名投资者在抛售结束时买入了这5支局外人股票（等比权重），并使用杠杆将组合贝塔调整到和ETF一致（我们将组合杠杆化以计算相对于ETF的阿尔法）。在接下来的40天里，在扣除交易费用和借贷成本之后，投资者的表现将比XLV高出4.2%。
另一个案例研究：金融类股，利率的影响，和REITs
2016年2月11日，时任美联储主席的珍尼特耶伦结果了她对国会的半年度证词，表示美联储并不急于加息。她说"美国的金融状况对经济增长的支持力度有所减弱"，并补充说负利率并非"被排除"。这些言论挫伤了金融精选板块SPDR ETF (XLF)，因为金融类股票通常会从加息中受益。例如，当利率升高，银行可以以高于隔夜借款成本的利率放贷，从而增加净利息收入。
从2016年2月4日到11日，XLF下跌了6.6%。尽管成交量没有达到经济危机时的高点，但2016年2月的这6个交易日的成交量在过去5年的6个交易日期限中，排到了第91个百分位。标普500的成交量与过去5年相比也明显增高，处于第94个百分位。这反映了货币政策的系统重要性，也可能反映了耶伦对经济增长放缓的评论。然而，市场抛售并不像金融类股那么剧烈：同期标普500下跌了4.4%。
XLF内的局外人如何呢？在XLF相关贝塔系数最低的8支证券（底位10%）当中，7支都是REITs，第8支则是美国运通。和银行不同，REITs倾向于交易正久期的资产。不动产资产通常是用折现现金流模型进行估值。而且现金流（租金）通常是相当可预测的。当利率降低，不动产的价值上升，当利率上升，它们的价值下跌（这些资产就像债券一样）。至于美国运通，公司2015年报解释说，其营收的久期为正："Amex对利率的风险敞口为负"。其在2015年报中称："假设利率立即上调了100个基点，我们的年度净利息收入的不利影响约为2.16亿美元。"
因此，由于市场需要消化突如其来的降息的可能性，REITs和美国运通的表现应当好于其他金融类股。而实际上，由于增长冲击被淡化（耶伦表示，尽管预期减弱，但"经济状况下任何结论都是不公平的"），或许它们应该反弹。例如，国债价格就回升了，但这8支局外人的等比权重组合却在2月11日耶伦结束证词后的6个交易日下跌了8.5%。我们推测REITs和运通在ETF的大举抛售中被超卖了，金融类股被无差别的卖出。就像我们的第一个关于医疗保健股的案例分析一样，如果择股者在抛售后买入这些局外人（等比权重组合），并加杠杆到与ETF贝塔一致，然后持有这个组合40天，应该会获得显著高于ETF的回报——在这个案例当中，扣除交易成本和融资成本之后，高达20%。值得注意的是，在那一年的晚些时候，REITs从金融类证券当中被剥离出来，并重新归类为一个独立的部分。
相关性泡沫无处不在
这种ETF驱动的择股机会似乎无处不在。除了我们研究的两个案例外，有太多可以产生异常相关性的情况了。例如，假设一家公司的盈利令人失望。投资者可能通过ETF来出售整个行业的风险敞口，尽管从基本面的角度来看，几家竞争对手应当不受影响（或许一些公司还可以从市场份额的增加中获益）。宏观因素同样可以很重要。例如，油价的暴跌可能导致整个能源行业ETF被抛售，拖累那些对石油的风险敞口很低甚至根本没有的公司。新兴市场ETFs同样可能被抛售，尽管一些市场和公司是石油的净进口方。等等。
择股者需要面临双重挑战。首先，他们必须根据特定的主题，寻找ETF被大举抛售的情况。其次，他们必须鉴定出那些局外人（即那些从基本面来看被超卖的公司）。好消息是，简单的过滤器可能就够用了：我们发现ETF交易量的峰值往往会导致异常的相关性，而较低的ETF贝塔值可能是识别局外人的好方法。
注：数据截止至2017年12月29日，包括SPDR S&P 500 ETF (SPY)，9个美国行业ETFs和iShares Core S&P Small-Cap ETF (IJR)。ETF符号的定义参见表1。
数据来源：标准普尔，IDC，T. Rowe Price数据分析部门
在图1中，我们展示了在ETF成交量峰值期间，交叉成分股的平均相关性显著增加。我们使用了标普500的历史成分股，并每天更新。为了确定成交量峰值，我们使用了一个三标准差阈值：任何一天如果成交量超过了均值三个标准差，那我们认为，这可以算是高交易量样本。我们在线补充了研究方法的更多细节，参见www.tandfonline.
com/doi/suppl/10.1080/0015198X.2019.1572358，ETF符号的定义参见表1。
择股者如何发挥优势
这些相关性异常可能在个股层面创造了过多的购买机会。为了说明这一点，我们对一个简单的系统策略进行了反测试。对于每一个带来负回报的交易量峰值，我们都系统的买入局外人并持有40天。我们在整个时间段对全部11支ETFs都这样做了。与医药股和金融股的案例中所述的方法相同，我们通过以下方法识别局外人：我们通过ETF贝塔值对所有成分股进行排序，并对底部的10%构建一个等权重的组合，然后通过杠杆将组合的贝塔值调到和ETF一致，以计算相对ETF的贝塔值。
本质上，我们复制了我们的案例研究，但规模要大得多，总共有240个成交量峰值。我们所使用的所有数据都是样本外的，基于当时可用的数据。为了计算ETF贝塔值，我们使用了指数加权回归，一个季度的半衰期。（参见在线补充材料，
www.tandfonline.com/doi/suppl/10.1080/0015198X. 2019.1572358）
注：数据截止至2017年12月29日。交易成本估计为10个基点，考虑到杠杆的使用，平均为17个基点。借款成本是基于LIBOR的，并取决于持有头寸的时间。在40天后，它们的平均积累为10个基点。因此，粗略估计40天的总成本（交易和借款）为27个基点。
数据来源：标准普尔，IDC，T. Rowe Price数据分析部门
在图2中，我们显示了所有事件的平均积累阿尔法值（加杠杆的外部投资组合减去ETF的回报），从交易量激增的第1天到第40天，以及列示了交易成本的前后。
峰值后第一天的平均阿尔法略为负值，这表明即使我们延迟一天执行，该策略也依然有效。然后，随着时间窗口的扩大，平均阿尔法也在逐渐增加，一直到第40天。
注：数据截止至2017年12月29日。交易成本估计为10个基点，考虑到杠杆的使用，平均为17个基点。借款成本是基于LIBOR+50个基点的，并取决于持有头寸的时间。在40天后，它们的平均积累为10个基点。因此，粗略估计40天的总成本（交易和借款）为27个基点。Wilcoxon signed-rank检验结果是在0.05和0.01下显著。（见在线补充材料
www.tandfonline.com/doi/suppl/10.1080/0015198X. 2019.1572358, for details）。有些回报在第0天就是正的，是因为它们是相对于ETF来衡量的。
数据来源：标准普尔，IDC，T. Rowe Price
在图3中，我们显示了ETF和时间的平均阿尔法。该策略并非在所有ETFs和所有时间期限内都表现优异，但平均而言，它产生了显著的成本后阿尔法（见在线补充材料www.tandfonline.
com/doi/suppl/10.1080/0015198X.2019.1572358，关于统计检验详情）。因为我们将外部组合的贝塔强制调到和ETF保持一致，该策略并不会涉及与该ETF有关的任何系统性风险敞口——诸如市场贝塔，价值或动量敞口。而且，由于我们衡量的是相对于该ETF的业绩，我们预期这些阿尔法必须是"特殊的"（择股阿尔法）
值得注意的是，该策略对材料选择行业SPDR ETF (XLB)的效果不佳，尽管短期内是有效的，但最终的结果却是负面的。这些结果凸显了系统性，简单交易法则的风险。在这些情况下，交易法则导致持有了大量的低ETF贝塔的股票，而这些股票在大规模抛售之后的表现弱于其所在的ETF。
或许基本面研究会有帮助。择股者应当分析每一次抛售背后的主题。他应当考虑低ETF贝塔的局外人是否真的是该主题的局外人，如果是的话，这些公司是否还存在其他导致短期业绩不佳的风险因素。然后，他应当根据风险回报分析，调整与主题相关的头寸。一旦建立了多头头寸，他应当运用投资纪律来确定什么时候卖出，综合考量市场发展，该行业和相关公司的健康情况。
最后，尽管该策略识别出了ETF交易量的峰值，并在下跌时设定了条件，但并未对抛售的规模和持续时间设定条件。专注于最大规模的抛售且时间范围更加灵活，可能会提高表现。当然，ETFs和指数基金的交易量也应当监控，因为多个指数产品可能在同一个行业交易。最终，当该策略纳入基本面分析时，还可以做到更多的事情。我们简单回测的目标是指出潜在机会的大小，而非设计一个纯粹的系统方法。
外带
ETF投资者被"截取"的风险越来越大吗？由于被动型投资策略的日益流行，加上流动性和税收的优势，美国证券交易所关于ETF交易的比例显著上升。一些ETF投资者专注于自上而下的市场观点或主题，另一些则认为市场是有效的，只希望简单的投资于全局指数敞口。在所有的情况下，当他们交易时，大多数ETF投资者和指数投资者，会忽略个股层面的基本面信息。他们只是按照指数提供者确定的比例（通常是市值权重）简单的买或卖一揽子股票。
因此，我们发现，当ETF成交量飙升的时候，各成分股之间的相关性上升到与公司基本面不符的水平。我们对2010年以来的240个案例进行了分析，收集了11支ETFs的数据，研究表明，相关性泡沫可能会为择股者创造机会。投资者在成交量峰值之后购买超卖的成分股，持有并等待它们在接下来的5-40天均值回归，能够赚取指数投资损失的那部分阿尔法。我们正在目睹择股的复仇吗？
最后，市场中既有被动投资者，也有主动投资者。ETF投资者和择股者可以和谐共处。我们报告了具有现实意义的显著的择股收益，但这些结果并不代表ETF不好。它们只是意味着不同的投资者可以一起使市场更具流动性和更有效。市场有效性仍然是个悖论：获利机会，正如我们所指出的那样（意味着低有效性），对于让市场变得更有效却是必须的。这就是金融市场均衡的潮起潮落。
编者注
2018年9月10日提交，Stephen J. Brown 于2019年1月7日接受，2019年5月12日在线发布。
译者注：
2019年12月8日翻译结束，并于2019年12月9日在线发布。如有错漏欢迎指正。
因原文链接需要权限，希望获得原文及Notes，Appendix的朋友请留下邮箱地址或留言联系。
