PEAD
1. 解释动量
- 当好的盈利消息接二连三出现时，会引起投资者的过度反应，因为他们会出现 representative bias，过度看中最近发生的这些连续的利好消息、并把这种预期外推到对公司未来股价的预测上；一旦未来的盈利没有达到预期，就会引起他们的恐慌，造成股价的下跌，这恰恰是成长投资（growth investment）的特点。
- 盈余动量PEAD：当好的盈利消息离散的、非连续的出现时，投资者会对它们反应不足。这时投资者会出现 conservatism bias（保守主义）。他们会对这个利好持怀疑态度、不情愿更新他们对于该公司基本面的认知，这导致他们无法有效的对股价做出调整。随着时间的推移，当该公司又逐渐出现新的盈利利好时，其股价才会慢慢对其新的基本面反映到位，这就是动量投资。Bernard 和 Thomas 于 1989 提出了盈余动量现象（post-earnings-announcement drift，PEAD），也是投资者对利好消息反应不足的体现、符合上面这种解释。
- 有限套利：交易动量策略最大的套利风险是由于动量策略在短期相对于基准指数的弱势表现而造成的职业风险（career risk）。职业风险产生的原因是，市场上的资金委托专业机构代表他们管理自己的资本。不幸的是，这些资金大多都是 short-sighted performance chasers，他们往往仅根据短期相对于基准的表现来评估基金经理的业绩。这让基金经理于进退两难的局面。一方面，基金经理希望利用错误定价机会交易动量策略，因为长期来看这么做的期望收益能够战胜基准；但另一方面，他们这样做的前提是，利用错误定价在短期不会威胁到他们手中的资金 —— 投资者不会因为业绩短期跑输基准而撤回资金。
动量策略如下的特点：
- 动量策略在短期可能会（大幅）跑输市场，因此并不适合所有人（资金）；
- 长期来看，动量策略会战胜市场。对于那些过程驱动、以长期盈利为目标（而忽视短期波动）、能够严格遵守交易纪律的投资者来说，动量策略值得配置。
2. PEAD
PEAD的常用因子指标就是SUE、CAR和JUMP
- SUE：标准化预期外盈利（Standardized Unexpected Earnings，SUE）
- CAR：在进行事件研究时，学术上往往用累计异常收益率（Cumulative Abnormal Return，CAR）评估事件效果，异常收益率用的是个股收益减去相同市值大小的股票组合收益率。CAR一般是事件发生前后window内一段时间的异常收益率
- JUMP: 最直接的方法就是看t+1日开盘价相对t日收盘价的收益率；也可以同时考虑虑3个交易日的价格变化。
可能的解释：
- 投资者反应不足
- 套利存在风险或者套利成本较高
和其他异象之间的关系
- PEAD和价格动量：PEAD盈利动量可以包含价格动量
- PEAD和流动性：虽然SUE能获得常见风险因子无法解释的超额收益率，但是这些收益率主要来自于流动性差的股票。流动性差的股票买卖价差高、市场冲击更大以及成交不活跃，导致SUE策略在实际中难以落地。
- PEAD 和 机构集中度：PEAD效应和机构投资者占比负相关
- PEAD 和 投资者意见分歧度：用超额换手率和标准化未预期成交量作为意见分歧度的proxy，显然意见分歧越大PEAD效果越好
- PEAD和特质波动率：特质波动率越高PEAD越显著，因为套利存在风险
- PEAD与公告时间点：
- 将所有交易日划分星期五和其他日期，由于周末休市两天，投资者在星期五时往往会心不在焉，接收和处理新信息时可能会分心，因此对盈利披露事件的反应敏感性不如其他日期
- 盈利公告多的日期披露业绩的股票，在业绩披露日，投资者对盈利信息反应并不是很敏感，PEAD效果更明显
3. PEAD.txt
- PEAD, R.I.P.? PEAD.txt 来代替
- Meursault, Vitaly, Pierre Jinghong Liang, Bryan Routledge, and Madeline Scanlon. "PEAD. txt: Post-Earnings-Announcement Drift Using Text." Available at SSRN 3778798 (2021).
Meursault et al. (2021) 使用 earnings call 代替传统的 earnings number，将 PEAD 延伸，提出了 PEAD.txt。实证数据表明，PEAD.txt 的异常超额收益几乎是 PEAD 的两倍。
顾名思义，PEAD.txt 就是文本版的 PEAD。为了研究它，Meursault et al. (2021) 仿照传统 SUE 提出了 SUE.txt。简单的说，该文将 earnings call 中的 presentation 和 Q&A 环节区分对待，使用两部分的词频作为特征，使用 earnings call 下一个交易日的异常收益作为标签，使用滚动窗口进行有监督学习。
Meursault et al. (2021) 把词汇聚类到不同的段落组中，并给段落组赋予了有财务含义的类别（包括 Financial accounting，Global economics，Operations and marketing 以及 Strategy；每个大类下又有细分小类），从而考察不同财务类别对 SUE.txt 的贡献。
从结果不难看出，贡献最大的是 metrics FIN 类别，它对应的是财务数据。这也许并不意外，但其他高贡献 —— 包括 segment performance（segment OPE），公司前景展望（forward FOR）以及公司策略（gen. strategy STR）—— 也对找到超预期的公司贡献很高。这就是在财务数据本身之外，通过研究 earnings call 能够得到的增量信息。