摘要：本文研究了一个简单的基于会计的基本面分析策略，当应用于大量账面市值较高的公司组合时，是否能够改变投资者获得的收益分布。作者表明，通过选择财务实力雄厚的高BM公司，高账面市值投资者获得的平均回报每年至少可以增加7.5%，而实现回报的整个分布则向右移动。此外，在1976年至1996年期间，购买预期赢家、做空预期输家的投资策略每年产生23%的回报率，而且该策略在时间和对替代投资策略的控制方面似乎是稳健的。在高BM公司的投资组合中，财务报表分析的好处集中在中小型公司、股票周转率低的公司和没有分析师跟踪的公司，但这种优越的业绩并不依赖于购买低股价的公司。初始历史信息的迹象与未来公司业绩和随后的季度收益公告反应之间存在正相关关系，表明市场最初对历史信息反应不足。特别是，事前强公司和弱公司之间的年回报差的六分之一是在四个三天的时间内获得的。
关键词：资本市场；市场效率；财务报表分析。
正文：
引言
本文研究了一个简单的基于会计的基本面分析策略，当应用于大量高账面/市场价值比（BM）公司的投资组合时，是否能够改变投资者获得的收益分布。大量研究记录了高账面市值投资策略的回报（例如，罗森博格、里德和兰斯坦1984年、法马和弗伦奇1992年、拉科尼肖克、施莱弗和维什尼1994年）。然而，这一战略的成功依赖于少数公司的强劲表现，同时容忍许多评级公司的糟糕表现。特别是，我记录了在投资组合形成后的两年内，不到44%的高BM公司获得了正的市场调整回报。考虑到投资组合中实现的不同结果，投资者可以通过在最终的强弱公司之间进行事前区分而受益。本文探讨了一种简单的、基于财务报表的启发式方法，当应用于这些不受欢迎的股票时，是否能够区分前景看好的公司和前景不佳的公司。在此过程中，我发现了有关高BM投资组合绩效的有趣规律，并提供了一些证据支持最近行为金融模型的预测。
高账面价值的上市公司提供了一个独特的机会来研究简单的基本面分析启发法来区分公司的能力。首先，价值股往往被忽视。作为一个整体，这些公司很少受到分析师群体的关注，投资者的兴趣也很低。由于缺乏覆盖范围，这些公司无法获得分析师预测和股票建议。其次，这些公司获得大多数“非正式”信息传播渠道的机会有限，鉴于其近期表现不佳，它们自愿披露的信息可能不可信。因此，财务报表是这些公司最可靠和最容易获得的信息来源。第三，高BM公司倾向于“财务困境”；因此，这些公司的估值侧重于会计基础，如杠杆率、流动性、盈利能力趋势和现金流充足性。这些基本特征最容易从历史财务报表中获得。
本文的目标是显示投资者可以通过基于历史财务表现的简单屏幕创建更强大的价值投资组合。如果有效，区分最终“赢家”和“输家应该改变价值投资者所获得回报的分布。结果表明，这种分化是可能的。首先，作者表明，通过选择财务实力雄厚的高BM公司，高账面市值投资者获得的平均回报每年至少可以增加7.5%。第二，已实现收益的整个分配都向右移。尽管投资组合的平均回报率是绩效评估的相关基准，但本文也提供了证据，证明在应用基本面筛选后，回报分布的左尾（即第10百分位、第25百分位和中位数）经历了显著的正变化。第三，在1976年至1996年间，购买预期赢家、做空预期输家的投资策略产生了23%的年回报率。这一策略的回报在时间和对替代投资策略的控制方面表现出稳健。第四，区分公司的能力并不局限于一种特定的财务报表分析方法。其他测试记录了使用替代性（尽管是补充性的）历史财务绩效指标的成功。”
第五，本文通过提供近期行为模型预测的证据（如Hong和Stein[1999]、Barbaris、Shleifer和Vishny[1998]以及Daniel、Hirshleifer和Subrahmanyam[1998]），为金融文献做出了贡献。与Hong、Lim和Stein[2000]中提出的动量相关证据类似，我发现，在快速信息传播环境中（大型公司、有分析师跟踪的公司、高股票周转率的公司），通过一般的高账面市值策略获得的经市场调整的正回报消失了。更重要的是，在信息传播缓慢的环境中，基本分析战略对区分价值企业的有效性最大。
最后，我证明了战略的成功是基于预测未来公司绩效的能力和市场无法识别这些可预测模式的能力。具有弱现金流的公司的未来收益实现率较低，且因业绩相关原因退市的可能性是具有强现金流信号的公司的五倍。此外，我还提供证据表明，市场对这两个集团未来的收益公告感到系统性的“惊讶”。以随后四个季度盈利公告前后三天的市场反应总和衡量，预测“赢家”的公告期回报比预测输家的类似回报高0.041。这一年的公告回报差异在数量上与LaPorta等人[1997]观察到的四个季度“价值”与“魅力”公告回报差异相当。此外，在仅仅12个交易日的时间里，大约有六分之一的事前强公司和弱公司之间的年度回报差异可以被获取。
这项研究提供了对小型财务困境企业所获得的回报以及这些回报与其历史财务业绩之间关系的进一步了解。鉴于这些公司在当前文献中记录的许多“异常现象”中的突出地位，这一证据很有趣（见Fama[1998]）。结果表明，通过相关历史信息的上下文使用，可以将表现出色的人与最终表现不佳的人区分开来。事先区分未来成功和失败公司以及从该策略中获利的能力表明，市场无法有效地将过去的金融信号纳入当前股价。
本文的下一部分回顾了先前关于“价值”投资和财务报表分析的文献，并定义了我用来区分公司的九个财务信号。第3节介绍了本文采用的研究设计和实证检验，第4节介绍了基本分析策略成功的基本结果。第5节提供了对主要结果的稳健性检查，而第6节简要介绍了对公司历史业绩和财务状况进行分类的替代方法。第7节提供了关于投资组合回报来源和时间的证据；第八部分是结论。
文献综述与动机
2.1高账面市值投资策略
本文研究了一种基于公司账面市盈率（BM）的精细化投资策略。先前的研究（Rosenberg、Reid和Lanstein[1984]、Fama和French[1992]以及Lakonishok、Shleifer和Vishny[1994]）表明，高BM公司的投资组合优于低BM公司的投资组合。如此强劲的回报表现归因于市场效率低下。在Fama和French[1992]中，BM被描述为一个捕获财务困境的变量，因此随后的回报代表了对风险的公平补偿。这一解释得到了与高BM公司相关的持续低股本回报率的支持（Fama和French[1995]和Penman[1991]），以及BM、杠杆和其他金融风险度量之间的密切关系（Fama和French[1992]和Chen和Zhang[1998]）。对高BM和低BM公司之间观察到的回报差异的第二种解释是市场错误定价。特别是，高BM公司代表“被忽视”的股票，其先前表现不佳导致对未来表现形成“过于悲观”的预期（Lakonishok、Shleifer和Vishny[1994]）。这种悲观情绪在未来时期会消失，这一点在随后的季度收益公告中可以从积极的收益惊喜中得到证明（LaPorta等人[1997]）。
具有讽刺意味的是，作为一种投资策略，分析师在形成买入/卖出建议时并不推荐高BM公司。Stickel[1998]指出，分析师倾向于推荐近期业绩强劲的公司（低BM“魅力”公司和强劲的积极势头公司）。对这种行为的一种可能解释是，在单个股票的基础上，典型的价值公司将表现不佳，分析师认识到该策略依赖于购买一个完整的高BM公司投资组合。第二种解释是，分析师有动机推荐近期业绩强劲的公司。
从基本面分析的角度来看，价值型股票天生比增长型（即魅力型）股票更有利于财务报表分析。成长型股票的估值通常基于对销售和由此产生的现金流的长期预测，大多数投资者严重依赖非财务信息。此外，增长型股票回报的大部分可预测性似乎是由动量驱动的（Asness[1997]）。相比之下，价值股的估值应侧重于公司基本面（如财务杠杆、流动性、盈利能力和现金流充足性）的近期变化，通过仔细研究历史财务报表最容易完成对这些特征的评估。只要投资者能够利用财务报表分析来识别价值强大的公司，就可以创建基于BM效应的特定于公司的高回报投资战略。
2.2先前的基础分析研究
区分最终赢家和输家的一种方法是通过识别公司的内在价值和/或市场预期中的系统性错误。Frankel和Lee[1998]提出的策略要求投资者购买价格似乎落后于基本价值的股票。通过使用分析师的收益预测和基于会计的估值模型（例如，剩余收益模型）来确定低估，并且该策略在三年投资窗口期内成功地产生了显著的正回报。类似地，Dechow和Sloan[1997]以及LaPorta[1996]发现，市场对长期收益增长预期的系统性错误可以分别部分解释反向投资策略的成功和账面市值效应。
作为一组被忽视的股票，高BM公司不太可能有现成的预测数据。一般而言，金融分析师不太愿意关注业绩不佳、交易量小或规模小的公司（Hayes[1998]和McNichols and O'Brien[1997]），而陷入困境的公司的经理在试图主动向资本市场传达前瞻性信息时可能会面临信誉问题（Koch[1999]和Miller and Piotroski[1999]）. 因此，基于预测的方法，如Frankel和Lee[1998]，在区分价值股票方面的应用有限。相比之下，财务报告可能代表关于高BM公司未来业绩前景的最佳和最相关的当前信息来源。
大量研究论文证明，投资者可以从各种财务表现信号的交易中获益。与基于均衡风险和回报特征的组合投资策略相反，这些方法通过关注市场无法充分处理特定金融信号的影响来寻求“异常”回报。这些策略的例子包括但不限于盈利公告后的漂移（Bernard和Thomas[1989；1990]和Foster、Olsen和Shevlin[1984]）、应计项目（Sloan[1996]）、增发股票（Loughran和Ritter[1995]）、股份回购（Ikenberry、Lakonishok和Vermaelen[1995]）以及股息遗漏/减少（Michaely、Thaler和Womack[19951]）。
更具动态性的投资方法包括使用嵌入公司财务报表中的多条信息。Ou和Penman[1989]表明，根据历史财务报表创建的一系列财务比率能够准确预测未来收益的变化，而Holthausen和Larcker[1992]这两项研究的局限性在于使用复杂的方法和大量的历史信息进行必要的预测。为了克服这些计算成本并避免数据拟合过度，Lev和Thiagarajan[1993]利用12个声称对金融分析师有用的金融信号。Lev和Thiagarajan[1993]表明，在控制当前收益创新、公司规模和宏观经济条件后，这些基本信号与同期回报相关。
由于市场可能无法及时完全掌握价值相关信息，Abarbanell和Bushee[1997]调查了Lev和Thiagarajan[1993]的能力预测未来收益变化和分析师对未来收益预测的未来修正的信号。他们发现这些因素可以解释未来收益变化和未来分析师修正。与这些发现一致，Abarbanell和Bushee[1998]证明基于这12个基本信号的投资策略会产生显著的异常回报。
本文扩展了先前的研究，使用特定于环境的财务绩效指标来区分强弱企业。我没有研究未来收益与特定财务信号之间的关系，而是将一系列绩效指标中包含的信息进行汇总，并根据企业的以上信号生成投资组合。通过关注价值型公司，财务报表分析的好处（1）在历史财务报告代表公司财务状况的最佳和最相关信息来源的环境下进行调查（2）考虑到这些高BM公司的基本经济特征，通过选择相关的财务措施实现最大化。
2.3用于区分高BM公司的财务绩效信号
平均高BM公司陷入财务困境（例如，Fama and French[1995]和Chen and Zhang[1998]）。这种困境与利润率、利润、现金流和流动性下降和/或持续低迷以及财务杠杆水平上升和/或居高不下有关。直观地说，反映这些经济条件变化的财务变量在预测未来公司业绩时应该是有用的。这种逻辑用于确定本文中财务信息指标有误的地方。
我选择了九个基本信号来衡量公司财务状况的三个方面：盈利能力、财务杠杆/流动性和运营效率。[1]使用的信号易于解释、易于实施，作为总结性绩效统计数据具有广泛的吸引力。在本文中，我将每个公司的信号实现分为“好”或“坏”取决于信号对未来价格和盈利能力的影响。如果信号实现良好（坏），则信号的指标变量等于1（零）。我将聚合信号度量F-SCORE定义为九个二进制信号的总和。聚合信号旨在度量公司财务状况的整体质量或实力，购买决策最终基于聚合信号的实力。
值得注意的是，任何信号对盈利能力和价格的影响都可能是模糊的。在本文中，每个信号的事前暗示都是以这些公司在某种程度上陷入财务困境为条件的。例如，从理论上讲，杠杆率的增加可能是积极的（例如Harris和Raviv[1990]）或消极的（Myers和Majluf[1984]和Miller和Rock[1985]）信号。然而，对于财务困难的公司来说，杠杆增加的负面影响似乎比通过降低代理成本或改善监控所获得的好处更合理。
2.3.1.财务业绩信号：盈利能力。当前盈利能力和现金流实现情况提供了有关公司内部产生资金能力的信息。鉴于价值公司的历史盈利表现不佳，任何当前产生正现金流或利润的公司都证明有能力产生一些资金。同样，积极的盈利趋势表明公司的潜在能力有所提高，从而产生积极的未来现金流。
我使用四个变量来衡量这些绩效相关因素：ROA、CFO、△ROA和权责发生制。1将ROA和CFO定义为非经常项目前的净收入和经营活动产生的现金流，分别按年初总资产进行缩放。如果公司的ROA（CFO）为正，我将指标变量F-ROA（F-CFO）定义为1，否则为零。我将△ROA定义为本年的ROA减去上一年的ROA。如果△ROA>0，则指示变量F-△ROA等于1，否则为0。
还考虑了收益和现金流水平之间的关系。Sloan[1996]表明，由积极应计调整（即利润大于经营活动产生的现金流）驱动的收益是关于未来盈利能力和回报的坏信号。这种关系在价值型公司中可能特别重要，因为通过积极应计项目（例如，防止违反契约）管理收益的动机很强（例如，Sweeney[1994]）。我将可变应计项目定义为非经常项目前的当年净收入减去经营活动产生的现金流，按年初总资产进行缩放。如果CFO>ROA，则指标变量F-Accrual等于一，否则为零。
2.3.2.财务绩效信号：杠杆、流动性和资金来源。九个财务信号中的三个旨在衡量资本结构的变化和公司履行未来偿债义务的能力：△LEVER △LIQUID和EQ-OFFER由于大多数高BM公司都受到财务约束，我假设杠杆率增加，流动性恶化，或者，使用外部融资是金融风险的一个坏信号。
△LEVER捕捉公司长期债务水平的变化。我将长期负债总额与平均总资产比率的历史变化作为衡量指标，并将财务杠杆的增加（减少）视为负（正）信号。通过筹集外部资本，陷入财务困境的公司表明其无法产生足够的内部资金（例如，Myers and Majluf[1984]和Miller and Rock[1985]）。此外，长期债务的增加可能会对公司的财务灵活性造成额外的限制。我将指标变量F-△LEVER定义为，如果公司的杠杆率在投资组合形成前一年下降（上升），则等于1（零）。如果公司的流动性有所改善，则指标变量F-△LIQUID等于1，否则为零。
如果公司在投资组合形成前一年未发行普通股，我将指标变量EQ-OFFER定义为等于1，否则为零。与长期债务增加类似，筹集外部资本的财务困境企业可能表明它们无法产生足够的内部资金来偿还未来债务（例如，Myers和Majluf[1984]以及Miller和Rock[1985]）。此外，这些公司愿意在其股价可能低迷（即资本成本高）时发行股票，这一事实突显出这些公司面临的财务状况不佳。
2.3.3.财务业绩信号：经营效率。剩下的两个信号是用来衡量公司运营效率的变化的：△MARGIN信号和△TURN信号。这些比率很重要，因为它们反映了资产回报分解的两个关键结构。
我将Amargin定义为公司当前的毛利率（按总销售额衡量的毛利率）减去上一年的毛利率。利润率的提高意味着要素成本的潜在改善、库存成本的降低或公司产品价格的上涨。如果△MARGIN为正，则指示变量F-△MARGIN等于1，否则为零。
我将△TURN定义为公司本年度的资产周转率（按年初总资产衡量的总销售额）减去上一年度的资产周转率。资产周转率的提高意味着资产基础的生产率提高。这种改进可能来自更高效的运营（更少的资产产生相同的销售水平）或销售额的增加（这也可能意味着公司产品的市场条件得到改善）。如果△TURN为正，则指示器变量F-△TURN等于1，否则为零。
正如所料，本文中使用的几个信号与Lev和Thiagarajan[1993]以及Abarbanell和Bushee[1997；1998]中测试的结构重叠。然而，本文中使用的大多数信号与先前研究中使用的财务信号并不一致。造成这种差异的原因有几个。首先，我考察了规模较小、财务状况较差的公司，并选择了变量来衡量这些公司的盈利能力和违约风险趋势。LIFO/FIFO库存选择、资本支出决策、有效税率和保留审计意见等信号的影响可能是相对于反映这些公司整体健康状况变化的更广泛变量的二阶效应。其次，Bernard[1994]和Sloan[1996]的工作证明了在评估公司未来业绩前景时，会计回报和现金流（及其相互关系）的重要性。因此，捕获这些结构的变量是当前分析的核心。最后，Lev和Thiagarajan[1993]以及Abarbanell和Bushee[1997；1998]均未声称提供最佳基本信号集；因此，使用替代信号（尽管是互补信号）表明了财务报表分析技术的广泛适用性。
2.3.4.综合得分。如前所述，我将F分数定义为单个二进制信号的总和，或F分数=F-ROA+F-△ROA+F-CFO+F-Accrual+F-△MARGIN+F-△TURN+F-△LEVER+F-△LIQUID+EQ-OFFER。考虑到九个基本信号，F分数可以从低0到高9，其中低（高）F分数表示公司很少（大部分）有好信号。就当前基本面预测未来基本面而言，我预计F分数与未来公司业绩和股票回报的变化呈正相关。本文讨论的投资策略是基于选择具有高F分数信号的公司，而不是基于任何特定信号的相对实现来购买公司。与Ou和Penman[1989]以及Holthausen和Larker[1992]的工作相比，本文代表了分析过程中的“倒退”，在实施投资策略时，不需要估计概率模型，也不需要每年对数据进行拟合；相反，投资决策基于这九个二进制信号的总和。
这种方法代表了一种基本分析的简单应用，用于识别强弱价值公司。在选择这种方法时，会出现两个问题。首先，将因子转换为二进制信号可能会消除有用的信息。我采用了二进制信号方法，因为它简单且易于实现。另一种规范是汇总这九个因素的连续表示。对于稳健性，本文的主要结果也使用了一种替代方法，其中信号实现每年进行排名和汇总。
第二，鉴于对这些特定变量的组合使用缺乏理论依据，本文采用的方法可能被视为“特别的”由于该方法的目标仅仅是将强价值企业与弱价值企业区分开来，因此，在投资组合形成时的财务健康替代措施也应该能够成功地识别这些企业。我调查了几种替代措施。特别是，我将高BM投资组合按照财务困境（由Altman的z-统计数据衡量）、盈利能力的历史变化以及△ROA分解为毛利率变化和资产周转率变化等维度进行划分。这些测试将说明使用基本分析技术识别强大公司的稳健性，并记录在评估这些公司时汇总多条财务信息的好处。
研究设计
3.1样本选择
从1976年到1996年，我每年都会在Compustat上找出股价和账面价值数据充足的公司。对于每一家公司，我在财政年度结束时计算股权的市场价值和BM比率。每个会计年度（即财务报告年度），我都会对所有拥有充足数据的公司进行排名，以确定账面市值五分位数和规模三分位数截止值。上一财年的BM分布用于将公司划分为BM五分位。 类似地，我使用上一财政年度的市场资本分布来确定公司的规模分类（小型、中型或大型）。在BM五分位数形成后，我保留BM五分位数最高的公司，并提供充足的财务报表数据，以计算各种绩效信号。该方法得出了中14043家高BM公司的最终样本（见附录A）。
3.2回报的计算
我以一年（两年）买入并持有回报来衡量公司特定回报，即从公司财政年度结束后第五个月开始到随后最早日期（回报复利开始后一年（两年）或CRSP交易回报的最后一天）赚取的回报。如果一家公司退市，我假设退市回报率为零。我选择了第五个月，以确保在投资组合形成时，投资者能够获得必要的年度财务信息。我将市场调整回报定义为买入和持有回报减去相应时间段内的价值加权市场回报。
3.3实证检验描述
本文的主要方法是根据公司的总得分（F得分）形成投资组合。我将具有最低总信号（F分数等于0或1）的公司归类为低F分数公司，并预计这些公司的后续股票表现最差。或者，得分最高的公司（即F分数等于8或9）具有最强的基本信号，并被归类为高F分数公司。鉴于基本面信号的强度和一致性，我预计这些公司将拥有最好的后续回报表现。我设计了本文中的测试来检验高F分数投资组合是否优于从高BM投资组合中提取的其他公司投资组合。
第一个测试比较高F分数公司和低F分数公司的收益；第二个测试将高F分数公司与所有高BM分数公司的完整投资组合进行比较。考虑到在长期回报设置中使用参数检验统计数据（例如，Kothari和Warner[1997]以及Barber和Lyon[1997]），主要结果使用传统的t-统计数据进行检验，并采用自举方法检验投资组合回报的差异。
使用bootstrap技术测试高和低F分数投资组合之间的回报差异如下：首先，我从高BM公司的完整投资组合中随机选择公司，并将其分配到伪高F分数投资组合或伪低F分数投资组合。此分配持续进行，直到每个伪投资组合包含与实际高F分数和低F分数投资组合相同数量的观察值（观察值数量分别为1448和396）。其次，我计算了这两个伪投资组合的平均收益率之间的差异。第三，我重复这一过程1000次，以产生1000个观察到的零收益差异，并使用这些收益差异的经验分布来检验实际观察到的收益差异的统计显著性。最后，为了测试基本筛选标准对整个收益分布特性的影响，我还计算了六种不同组合收益指标的伪组合收益差异：平均收益、中值收益、第10百分位、第25百分位、第75百分位和第90百分位收益。
高F分数公司和所有高BM公司之间的回报差异测试以类似的方式构建。每次迭代，我随机形成一个高F分数公司的伪投资组合，并将伪投资组合的收益与整个高BM投资组合的收益进行比较，从而在无收益差异的零下产生差异。我将这个过程重复1000次，并使用经验得出的收益差异分布来测试高F分数投资组合和所有高BM分数公司之间的实际收益差异。我将在下一节讨论这些实证结果。
实证结果
4.1关于高账面市值比公司的描述性证据
表1提供了有关公司高账面市值投资组合财务特征的描述性统计数据，以及此类投资组合长期回报的证据。如图A所示，在所有公司中，账面市值最高的五分之一公司的平均（中位数）BM比率为2.444（1.721），年末市值为1.885亿美元（1437万美元）。与Fama和French[1995]中的证据一致，高BM公司的投资组合包括表现不佳的公司；平均（中位数）ROA实现为-0.0054（0.0128），平均和中位数公司的ROA（分别为-0.0096和-0.0047）和毛利率（分别为-0.0324和-0.0034）在去年都有所下降。最后，与前一年相比，平均高BM公司的杠杆率增加，流动性减少。
面板B显示了高BM公司完整投资组合的一年期和两年期买入持有回报，以及投资组合中各投资期内原始回报和市场调整回报为正的公司百分比。与Fama和French[1992]以及Lakonishok、Shleifer和Vishny[1994]一致的是，高BM公司在投资组合形成后的一年和两年内获得正的市场调整回报。然而，尽管该投资组合的平均表现强劲，但大多数公司（约57%）在一年和两年的窗口期内获得负的市场调整回报。因此，任何能够消除收益分布左尾（即负收益观察值）的策略都将极大地改善投资组合的平均收益表现。
4.2回归基本分析策略
表2给出了各个基本面信号指标变量、总体基本面信号得分F-得分以及一年和两年买入和持有市场调整收益率之间的斯皮尔曼相关性。正如预期的那样，F分数与一年期和两年期的未来收益率都有显著的正相关（0.121和0.130，分别）。比较而言，两个最强的个体解释变量是ROA和CFO；然而，这些变量与一年前市场调整收益率的相关性仅分别为0.086和0.096。因此，综合F分数可能优于仅基于当前盈利能力或现金流的简单策略。
表3显示了基本投资策略的回报。B组提出了一年的市场调整回报率；使用原始回报（A组）和两年投资期限（C组）得出的推论和结果相似。为了简洁起见，本次讨论和后续分析将集中于一年市场调整收益率。
大多数观察结果都集中在3到7之间的F分数上，这表明绝大多数公司都有相互冲突的绩效信号。然而，1448项观察被归类为高F分数公司（分数为8或9），而396项观察被归类为低F分数公司（分数为0或1）。我使用这些极端投资组合来测试基本面分析区分未来赢家和输家的能力。
表3中最显著的结果是F分数与后续回报（尤其是第一年）之间的单调正相关关系。如B组所述，在投资组合形成后的一年中，高F分数公司的表现显著优于低F分数公司（平均市场调整收益率分别为0.134和-0.096）。使用经验得出的潜在收益差异分布和传统参数t统计量，平均收益差异0.230在1%水平上显著。
第二个比较记录了高F分数公司的投资组合与高BM公司的完整投资组合之间的回报差异。如图所示，高F分数公司的平均市场调整回报率为0.134，而整个BM五分位数的平均市场调整回报率为0.059。使用经验得出的高F分数回报率自举分布和传统测试统计数据，0.075的差异在1%水平上也具有统计学意义。
回报率的提高也超出了各种投资组合的平均表现。正如导言中所讨论的，这种投资方法旨在改变高BM投资者获得的全部收益分布。与该目标一致，表3中的结果表明，高F分数组合的第10百分位、第25百分位、中位数、第75百分位和第90百分位回报率显著高于低F分数组合和完全高BM五分位组合的相应回报率。同样，高F分数组合中的赢家比例（50.0%）显著高于两个基准组合（43.7%和31.8%），其中显著性基于比例的二项检验。
总的来说，很明显，F分数区分最终的赢家和输家。一个问题是，将基本变量转换为二进制信号是否会消除潜在的有用信息。为了研究这个问题，我提出了当公司使用年度排名信号之和进行分类时的投资组合结果。具体而言，我将每年的单个信号实现（即ROA、CFO、AROA等）排名在零和一之间，这些排名的表示用于形成聚合度量。我将排名分数定义为公司排名实现的总和，并根据上一财年的排名分数分布使用截止值形成五分位投资组合。
D组证明，使用排名信息也可以区分价值强弱的公司；最高和最低排名分数五分位数之间的平均（中位数）一年市场调整收益率差异为0.092（0.113），两者在1%水平上均显著。然而，使用连续数据的好处并不是压倒性的。效率的大部分损失似乎是由信号的机械排序引起的，而与潜在新闻的性质（即符号）无关。控制这些符号效应的额外规范（未列表）产生了更强的结果。
（A.原始回报计算为公司自财年开始或财年结束后第五个月开始的12个月买入并持有回报。收益复利在收益复利开始后一年或报告交易的最后一天的较早日期结束。如果公司退市，退市回报率假定为零。
B市场调整后的回报等于公司的12个月买入并持有回报（如面板A所定义）减去同一投资期内价值加权市场指数的买入并持有回报。
C两年期原始回报计算为该公司自财年结束后第五个月初开始的24个月买入并持有回报。收益复利在收益复利开始后两年或CRS预交易的最后一天结束。如果公司退市，退市回报率假定为零。两年期市值调整后的回报率等于该公司在同一投资期内24个月的买入和持有回报率减去价值加权市场指数的买入和持有回报率。
D每年，单独的信号实现（例如，ROA、CFO等）在0和1之间独立排列。RANK_得分等于公司排名实现的总和。根据排名分数，公司被分配到五分之一的投资组合中；五分位数截止值由上一财年的排名分数分布确定。E高（低）排名组合等于五分之一（1）中的公司。
F投资组合均值（中位数的P值）的T-统计来自两个样本T-检验（符号秩Wilcoxon检验）；经验P值来自基于1000次迭代的引导过程。比例的P值基于比例的二项测试。）
4.3以公司规模为条件的回报
一个主要问题是，使用基本面分析策略获得的超额回报是否严格地说是一种小公司效应，还是可以应用于所有规模类别。为了进行这项分析，我每年用必要的Compustat数据对所有公司进行排名，以将基本面信号计算为三种规模的投资组合（独立于它们的账面市盈率）。我将规模定义为公司上一财年末的市值。从1976年到1996年，Compustat总共产生了大约75000个观察结果，其中14043个代表了高账面市值的公司。鉴于高BM公司的财务特征，大部分公司（8302家）处于市值的倒数第三位（59.12%），而3906家（27.81%）和1835家（13.07%）分别被分配到中等规模和顶级规模的投资组合中。表4显示了基于这些规模类别的一年市场调整回报。
表4显示，通过一般高BM投资组合获得的上述市场回报集中在小型公司。在每个规模划分中应用F分数，财务报表分析的最大效益也体现在小公司投资组合中（高F分数和低F分数公司之间的回报差异为0.270，在1%的水平上显著）。然而，中等规模企业投资组合的平均收益和中值收益的变化在统计上仍然显著，高分数企业的收益比所有中等规模企业高出约7%，比低F分数企业高出17.3%。相比之下，最大公司之间的差异性较弱，其中大多数回报差异在统计上不显著，或者在5%或10%的水平上仅略微显著。因此，回报率的提高仅限于市值最低的三分之二的公司。
4.4替代分区
当回报的可预测性集中在小公司时，一个直接的问题是这些回报是否可实现。如果交易策略的收益集中在股价低或流动性水平低的公司，观察到的回报可能无法反映投资者的最终经验。为了完整性，我检查了样本的另外两个部分：股价和交易量。
与公司规模类似，我根据上一年完整ComPustat样本的截止值（即独立于BM五分位数分配），将公司放入股价和交易量组合中。与这些公司的小市值和糟糕的历史业绩相一致，大多数高BM公司的股价较小，交易量比Compustat上的平均公司要少。然而，大约48.4%的公司可以被归类为中等或大规模的公司，同时45.4%的股票可归类为具有中高股票周转率。表5检查了这些分区的基础分析的有效性。
4.4.1.股价、换手率和基本面分析收益之间的关系。与基于市值划分的结果相反，所有股价划分的投资组合结果在统计上和经济上都具有重要意义。低和中股价组合的正平均收益率差异分别为0.246和0.258，而高股价组合的正平均收益率差异也为0.132。中位回报率也存在类似的显著正回报差异。这些结果在股价分区和回报指标中的稳健性表明，这种基本分析策略的正回报绩效不仅仅基于购买股价极低的股票的能力。
通过将样本沿着平均股票周转率进行划分，提供了与陈旧价格和低流动性论点相矛盾的进一步证据。与Lee和Swaminathan[2000 a]中的研究结果一致，该分析表明，大多数高BM投资组合的“赢家”都在低换手率投资组合中。对于这些高BM公司，平均市场调整回报率（在应用基本面分析筛选之前）为0.101。这一证据表明，在事前，最大的信息收益来自于交易量最少、最不受欢迎的股票。
与这些潜在收益一致，基本面分析策略的最大回报之一是在低交易量投资组合中；然而，这种策略在所有交易量分区中都是成功的。在低成交量投资组合中，高-低F分数公司之间的差异为0.239，而在高成交量划分中的回报差异为0.203（这两个差异在1%的水平上都是显著的）。
综合证据表明，在考虑到低股价效应或与过时价格或交易量少的证券相关的额外交易成本后，财务报表分析的益处不太可能消失。然而，有一个警告确实存在：尽管大股价和高成交量分区的高-低F分数回报差异在统计上显著，但高F分数公司和所有高BM公司之间的回报差异在这些分区中并不显著。而且，在大股价分割中，平均回报率和中位回报率之差（不显著）为负。然而，这些结果并没有消除这些子样本的财务报表分析所声称的有效性。尽管无法识别强大的公司，该分析可以成功地识别和消除具有极端负回报的公司（即低F分数的公司）。其他测试显示，两个低F分数公司的投资组合在相应的股价和交易量属性下，表现明显低于所有高BM公司。因此，在高BM投资组合的这些分区中，基本面分析的好处确实与本研究的原始动机有关：消除收益分布的左尾。
4.4.2.分析师跟踪与基本面分析收益之间的关系。在整个分析过程中的一个主要假设是，高BM公司没有受到投资界的高度关注。因此，财务报表分析可能是一种有利可图的调查和区分公司的方法。如果赚取高于市场回报的能力确实是由这些公司的信息处理限制驱动的，那么（1）这些高BM公司的分析师覆盖率应较低，（2）赚取高回报的能力应与提供的分析师覆盖率负相关。表5，C小组提供了关于这一问题的证据。
与投资者兴趣较低的论点一致，样本中14043家公司中只有5317家（37.8%）在投资组合形成前一年拥有分析师覆盖率（如1999年1/B/E/S摘要磁带所述）。对于有覆盖范围的公司，在上一财年末提供预测的分析师的平均（中位数）数量只有3.15。基于这些统计数据，分析师群体似乎忽视了大多数高BM公司。[8] 与被忽视公司的信息处理缓慢一致，一般高BM投资组合所获得的卓越回报集中在没有分析师覆盖的公司。没有分析师覆盖率的高BM公司的表现明显优于价值加权市场指数0.101，而那些有分析师覆盖率的公司只赚取市场回报。此外，对于没有分析师覆盖的公司群体来说，财务报表分析的收益也是最大的。虽然财务报表分析可以成功地应用于这两组公司，但对于没有分析师跟踪的公司，高F分数和低F分数公司之间的平均回报差异为0.277，而对于有分析师跟踪的公司，平均回报差异为0.114。
总之，证据表明，财务报表分析在股价、交易量和分析师跟踪的各个层面都相当稳健。最大的收益集中在规模较小、交易量少、跟踪率低的股票中，这表明信息处理限制可能是导致未来股票收益可预测性的一个重要因素。第7节将详细讨论这个问题。
(MVE：t财年末权益的市场价值。市场价值计算为财年末已发行股份数乘以收盘价。
BM=t财年末权益的账面价值，按MVE计算。
LEVERAGE：t年末的债务与资产比率。债务与资产比率定义为公司的长期债务总额（包括分类为流动的长期债务部分），按平均总资产进行缩放。
MOMENTOM：投资组合形成日期前六个月内的六个月市场调整买入和持有回报。
ACCRUAL：非常项目前的净收入减去经营活动产生的现金流，按年初总资产的比例计算。）
5.回报率横截面变化的其他来源
尽管所有公司每年都从同账面市值比的五分位数中选出，但观察到的回报模式的一个来源可能是F分数排名中不同的风险特征。或者，F分数与另一种已知回报模式（如动量、应计反转或季节性股票发行的影响）之间的相关性可能会推动观察到的回报模式。本节讨论这些问题。
从概念上讲，基于风险的解释没有吸引力；具有最强后续回报表现的公司似乎具有最小的事前财务和运营风险（通过历史业绩信号衡量）。此外，F-SCORE投资组合（见表6）中规模和账面市值特征的微小变化不可能解释观察到的经市场调整回报率的22%差异。
就F分数与已实现收益的另一个系统模式相关而言，有几个已知的效应可能与F分数有很强的关系。首先，对历史信息和金融事件的反应不足，这应该是F分数成功的最终机制，也是动量策略的主要机制（Chan、Jegadeesh和Lakonishok[1996]）。其次，历史应计水平（斯隆[1996]）和最近的股票发行（Loughran和Ritter[1995]以及Spiess和AffleckGraves[1995]）都被证明可以预测未来的股票回报，它们被嵌入到F分数中，因此与总回报指标相关。因此，重要的是要证明财务报表分析方法能够识别财务趋势，而不仅仅是这些先前记录的影响。
为了明确控制其中一些相关变量，我估计了高账面市值公司群体中的以下横截面回归：，其中MA-RET是一年市场调整后的回报，MOMENT等于公司在投资组合形成前六个月的市场调整回报率，ACCRUAL等于公司按总资产比例计算的总应计利润，如果公司在上一财年发行了股票，EQ-OFFER等于一，否则为零。所有其他变量如前所述。与最初为每个解释变量提出的策略一致，我根据所有Compustat公司每个变量之前的年度分布，将MOMENT和ACCRUAL分配到十分之一投资组合中，并使用该投资组合排名（1到10）进行模型估计。 表7的A组显示了基于汇总回归的结果；面板B显示了21个年度回归系数的时间序列平均值，以及基于经验得出的系数时间序列分布的t统计数据。
F-得分的系数表明，在控制规模和账面市值比差异后，总得分提高一个百分点与投资组合形成后获得的一年市场调整回报增加约2.5%至3%相关。更重要的是，增加旨在捕捉动量、应计逆转和先前股权发行的变量不会影响F-SCORE预测未来回报的稳健性。
（本表列出了以下横截面回归的系数：面板A显示了集合回归的系数；面板B显示了21个年度回归（1976-96）的时间序列平均系数，其中t统计量基于估计年度系数的分布。出于模型估计的目的，将MOMENTOM和ACCRUAL替换为其投资组合十分位数排名（1至10），该排名基于从Compustat公司全体（n=14043）得出的年度截止值。）
最后，附录A和图1说明了基本分析策略随时间变化的稳健性。由于任何给定年份的样本量都很小，每年将大多数信号是好消息（F分数为5或更高）的公司与大多数坏消息信号（F分数为4或更低）的公司进行比较。在本研究的中，平均市场调整收益率差异为正（0.097）且具有统计学意义（t-统计=5.059）。该策略在中的内取得了成功，1989年最大的负平均回报差异仅为-0.036（其他两个负回报差异分别为-0.004和-0.001）。这一强劲的正绩效和最小的负回报敞口的时间序列使人们对基于风险的解释产生了怀疑。第7节将对观察到的回报模式进行潜在的基于信息的解释。
（图1——基于基本面分析策略，按日历年对对冲投资组合进行一年市场调整后的回报。该图记录了在F_得分较高（F_得分大于或等于5）的公司持有多头头寸，而在F_得分较低（F_得分小于5）的公司持有空头头寸的对冲投资组合按日历年计算的一年市场调整回报。从财政年度结束后的四个月开始，在一年内累积收益。经市场调整的回报定义为公司在同一投资期限内的12个月买入持有回报减去价值加权市场指数的买入持有回报。）
第二个担忧涉及到潜在的生存问题，特别是考虑到低F分数组合相对于高F分数组合的观察数量较少。在一定程度上，存在一组基本面较差的公司无法生存（且未在Compustat上出现），这些缺失的低F分数观察结果将产生巨大的负回报。将这些公司从研究中剔除，将使当前低F分数投资组合所获得的回报向上倾斜。因此，本文报告的高-低F分数回报差异可能低估了与该投资策略相关的实际回报表现。
或者，高F分数投资组合可能由Compustat最近添加的高BM公司组成，因为它们具有强大的历史业绩。由于Compustat覆盖率偏差，将其“覆盖率”早期的公司观察结果（即回填的历史数据）包括在内可能会夸大高F分数投资组合回报。然而，本文的数据要求应缓解这一担忧。特别是，变量△ROA需要三年的历史数据，因此任何与第一年或第二年明显的Compustat“覆盖率”相关的公司年度观察都没有足够的数据来计算F分数。由于Compustat在启动覆盖时只添加了三年的数据，因此第一个公司年度观察（具有足够的数据分配给投资组合）等同于Compustat“实时”覆盖的第一年。因此，计算F分数所需的财务信息存在于投资组合形成时，且公司的未来业绩（t年后）不是Compustat决定覆盖该公司的因素。
6.敏感性测试
6.1使用历史财务业绩的替代指标区分赢家和输家
本文的一个潜在批评是，在投资组合形成时，使用特别的综合绩效指标（F-SCORE）对公司的财务前景进行分类。为了缓解这一担忧，表8给出了根据两个公认的公司健康和绩效衡量标准对高BM公司的整个投资组合进行划分的结果：财务困境（Altman的z分数）和盈利能力的历史变化（以资产回报率的变化衡量）。如果这些简单的衡量标准也能区分最终的赢家和输家，那么就应该消除对“特定指标”结果的担忧。此外，我还测试了使用聚合度量（如F-SCORE）是否比这两个分区变量更具解释力。
与用于划分公司规模、股价和交易量的方法类似，我将每个公司划分为高、中或低级别的财务困境和盈利能力的历史变化。这些分类是基于样本期内整个Compustat数据库上一财年的截止数据（使用具有足够财务数据的公司）。如表8的面板A和B所示，近一半的账面市值较高的公司被归类为财务困境严重或盈利能力较差的公司。这些分布与论文中先前提出的描述性证据一致。
划分揭示了财务困境度量与历史盈利能力和平均提前一年的市场调整回报之间的单调关系。首先，财务困境程度较低的公司比财务困境程度较高的公司获得更高的未来回报（经市场调整的平均回报分别为0.103和0.042）。这种关系符合Dichev[1998]的规定，他记录了一组面临合理违约或破产概率的CRSP公司的财务困境和股票回报之间的反比关系。其次，具有最强历史盈利趋势的高BM公司在随后的一年也获得了显著更高的回报（0.107比0.037）。这些结果证实了使用F分数作为条件“信息”变量的证据和推论。
在控制了财务困境和盈利能力的历史变化后，F分数仍然显示出在每个分区内区分强企业和弱企业的能力。然而，有效性的性质取决于被检查的企业集。对于相对健康的高BM企业集（低财务困境），F-SCORE在识别未来表现不佳的公司方面非常有效（平均低F-SCORE回报率为-0.245），但在将最强的公司从整个投资组合中分离出来的能力有限。对于“陷入困境”的公司（中度和高度财务困境），F-SCORE的有用性更为平衡，导致高F-SCORE和低F-SCORE投资组合回报与各财务困境分区中所有公司的回报显著不同。在盈利能力分区的变化中，表现出类似的有效性模式。
尽管这些单项指标取得了总体成功，但它们无法在投资组合绩效的其他维度上区分公司。特别是，无论是财务困境还是盈利能力的变化都无法持续地改变投资者获得的回报中值。改变整个收益分布的能力似乎是将多条财务信息聚合在一起，形成更精确的历史表现“信号”的结果。为了证明汇总替代绩效指标的有用性，C小组审查了一年期市场调整后的回报，该回报取决于两个驱动资产回报率变化的变量：资产周转率变化和毛利率变化。
将△ROA划分为两个基本组成部分，为使用简单的历史财务信息区分公司提供了更有力的证据。首先，无条件地，这两个指标都提供了一些关于未来业绩前景的信息：资产周转率和利润率历史上有强劲改善的公司获得了最强劲的未来回报。第二，对这些指标的共同考虑会对未来公司业绩产生更强的预测。我将强（弱）价值公司定义为矩阵下（上）三个单元格中的观察值（即资产周转率和毛利率变化最高[最低]的公司）。如图所示，在高账面市值投资组合中，价值强（弱）的公司始终优于（表现差）其他公司。这两类公司之间的回报差异（平均差异=0.102，中位数差异=0.067）均在1%水平上显著。
表8中的证据清楚地表明，区分赢家和输家的能力并不是由一个单一的具体指标驱动的。相反，通过以公司过去的业绩为条件，可以预测未来高BM战略的回报。综合使用相关绩效指标，如F分数或杜邦式分析，可以提高投资者相对于单一历史指标所获得的成功，区分强弱公司的能力。第7节审查了财务信息处理的缓慢是否至少是该战略有效性的部分原因。
6.2个别信号效应
鉴于F-SCORE能够区分公司，是否有任何一个基本因素或一组因素能够产生与未来回报的强预测关系？或者，F分数的预测能力仅仅是由先前已知异常的成功驱动的，还是所有变量都提供了增量贡献？为了分离单个信号的回报效应，我估计了以下混合横截面回归：该估算结果表明，大多数变量与一年期回报率显著相关（结果未列表）。在控制其他变量后，只有ROA、△ROA和CFO缺乏统计学意义。所有其他变量在预测方向上都是显著的。
7.基本指标、观察到的回报和市场预期之间的关联
本节提供了基础分析投资策略成功背后的机制证据。首先，我检验了总得分是否成功地预测了公司未来的经济状况。其次，我检验了该策略是否捕捉到了市场对未来盈利表现预期的系统性错误。
7.1未来公司业绩取决于基本指标
表9给出了F分数与公司未来经济状况的两个衡量指标之间关系的证据：未来收益和随后的业务失败（通过绩效相关退市衡量）。如表9第一列所示，F分数与未来盈利能力之间存在显著的正相关关系；未来一年ROA实现的平均（中位数）利差超过10%（12%）（两种差异在1%的水平上都是显著的）。在一定程度上，这些盈利能力水平是出乎意料的，高F分数公司比低F分数公司获得的超额回报的很大一部分可以解释。
第二栏提供了以F分数为条件，因绩效相关原因（在投资组合形成后的两年内）最终退市的公司比例的证据。我通过CRSP收集退市数据，并在Shumway[1997]中定义与绩效相关的退市。最显著的结果是，公司的事前财务实力（通过F分数衡量）与绩效相关退市的概率之间存在着强烈的负相关关系。除了最极端的公司退市率的微小偏差（F分数等于0或9），F分数组合之间的关系几乎是单调的。尽管近2%的高F分数公司在未来两年内退市，但低F分数公司因绩效相关原因退市的可能性是高F分数公司的五倍多。使用二项检验，这些比例差异在1%水平上显著。表9中的综合证据表明，F分数可以成功区分未来公司业绩的强弱。
这些结果令人震惊，因为观察到的回报和随后的财务绩效模式与常见的风险概念不一致。Fama和French[1992]认为BM效应与财务困境有关。然而，表3至表9中的证据表明，最健康的价值公司的投资组合既能产生更高的回报，也能产生更强的后续财务业绩。事前风险度量和后续回报之间的这种反向关系似乎与基于风险的解释相矛盾。相反，证据与市场对高BM公司财务报表中嵌入的好消息反应缓慢一致。第7.2节考察了市场是否对随后的收益公告感到系统性惊讶。
7.2基于基本信息的后续收益公告回报
表10考察了基于历史信息的后续收益公告的市场反应。LaPorta等人[1997]表明，投资者对价值（魅力）公司的未来业绩前景过于悲观（乐观），并且这些预期中的系统性错误在随后的收益公告中被解开。他们认为，这些预期的逆转解释了价值型和魅力型公司之间回报差异的一部分，并导致围绕后续收益公告的系统化回报模式。LaPorta[1996]和Dechow及Sloan[1997]在对公司增长的预期以及反向（魅力）投资策略的成功（失败）方面显示了类似的结果。本文试图确定，当对单个企业的过去业绩进行调节时，类似的预期误差是否嵌入价值组合本身。
与LaPorta等人[1997]的研究结果一致，平均“价值”公司在随后的四个季度收益公告期获得正的原始回报（0.0370）。这些积极的回报
这表明对这些公司过去业绩不佳的总体反应过度。[17] 然而，当价值组合按总得分（F得分）进行划分时，后续季度收益公布窗口期间的回报似乎反映了对历史信息的反应不足。特别是，拥有强大优先权的公司业绩（高F分数）在随后的四个季度收益公布窗口中的收益约为0.049，而先前业绩不佳（低F分数）的公司在相同的四个季度中的收益仅为0.008。0.041的差异在1%的水平上具有统计显著性，与LaPorta等人[1997]观察到的一年“价值”与“魅力”公司公告回报差异具有可比性。此外，高F分数和低F分数公司之间的年总回报差中，约有六分之一是在12个交易日内获得的（不到总交易日的1/20）。
如果这些系统性回报差异与缓慢的信息处理有关，那么当以小（大）公司、有（没有）分析师跟踪的公司和股票交易量低（高）的公司为条件时，盈利公告结果应该放大（减弱）。与一年前的结果一致，对于小公司、没有分析师跟踪的公司和股票交易量低的公司，高F分数公司和低F分数公司的收益公告回报之间的差异最大。对于小公司来说，第四季度收益公告回报率差异为5.1%，占整个一年回报率差异的近五分之一；相反，大公司的公告回报率没有显著差异（小公司业绩汇总见B组）。
总的来说，以过去历史信息（即F分数）为条件的盈利公告回报模式表明，基本面分析的成功至少部分取决于市场无法及时将可预测的盈利相关信息完全纳入价格。
（此表显示了投资组合形成后，随后四个季度收益公告期的平均股票回报率。季度收益公布日期来自Compustat季度工业磁带。公告回报是指围绕每个收益公告（日期0）的三天窗口（-1，+1）内获得的买入和持有回报。某一季度的平均回报率代表该季度可获得回报的公司的平均公告回报率。每个公司（即所有季度）的总收益公告回报等于单个季度收益公告回报的总和。如果四个季度的公告回报都不可用，则公告回报总额等于可用日期内公告回报的总和。每个投资组合的平均“所有季度”回报是这些特定于公司的总收益公告回报的平均值。高F_分数公司和低F_分数公司的平均公告收益之间的差异采用两样本t检验进行检验。14043家高市值公司中，有12426家公布了盈利日期。该子样本的一年市场调整收益率（MARET）用于比较。B组提供了小型高BM公司样本的汇总数据。）
8.结论
本文证明了一个简单的基于会计的基本面分析策略，当应用于大量高账面市值比公司的投资组合时，可以改变投资者获得的收益分布。尽管本文并未试图找到评估单个“价值”企业业绩前景的最佳财务比率集，但结果令人信服地表明，投资者可以利用相关历史信息，从一般的高BM投资组合中剔除前景不佳的企业。作者证明了，通过选择财务实力雄厚的高市值公司，高账面市值投资者获得的平均回报每年至少可以增加7.5%，并且实现回报的整个分布都向右移动。此外，在1976年至1996年期间，购买预期赢家、做空预期输家的投资策略产生了23%的年回报率，而且该策略在时间和对替代投资策略的控制方面似乎是稳健的。
在高BM公司的投资组合中，财务报表分析的收益集中在中小型公司、股票周转率较低的公司以及没有分析师跟踪的公司，并且卓越的业绩不依赖于购买股价较低的公司。初始历史信息的符号与未来公司业绩和随后的季度盈利公告反应之间存在正相关关系，表明市场最初对历史信息反应不足。特别是，事前强公司和弱公司之间的年回报差的六分之一是在围绕这些收益公告的四个三天期间赚取的。
总的来说，结果令人震惊，因为观察到的长窗口和公告期回报模式与常见的风险概念不一致。Fama和French[1992]认为BM效应与财务困境有关；然而，在高BM的公司中，最健康的公司似乎产生了最强的回报。相反，这些证据支持这样一种观点，即金融市场慢慢地将公开的历史信息纳入价格，“疲软”似乎集中在交易量小、规模小且紧随其后的公司。这些结果也证实了Lee和Swaminathan[2000a；2000b]提出的“生命周期假说”背后的直觉。他们推测，持续表现不佳的早期动量损失者可能会变得极端悲观，经历低成交量和投资者忽视（即后期动量损失者）。最终，平均后期动量输家确实“恢复”，并成为早期动量赢家。本文中的强价值公司与Lee和Swaminathan的后期动量损失公司具有相同的财务和市场特征。由于很难确定单个企业在生命周期中的位置，本研究表明，背景基本面分析可能是区分晚期动量损失者（所谓的恢复犬）和早期动量损失者的有用技术。
本研究的一个局限性是存在潜在的数据窥探偏见。本文中使用的财务信号在一定程度上取决于先前记录的结果；这种偏差可能会对该策略的样本外预测能力产生不利影响。本文中记录的市场行为是否等同于低效率，或者是理性定价策略的结果，而这种定价策略似乎只是有害的，这是未来研究的主题。
附录A
（本附录记录了对冲投资组合按日历年进行的一年市场调整回报，该投资组合在F得分较高（F得分大于或等于5）的公司持有多头头寸，而在F得分较低（F_得分小于5）的公司持有空头头寸。从财政年度结束后的四个月开始，在一年内累积收益。经市场调整的回报定义为公司在同一投资期内的12个月买入并持有回报减去价值加权市场指数的买入并持有回报。）
读后感：
对于这篇文章而言，作者主要讨论了当对那些不受投资者青睐的股票进行分析时，是否可以通过简单的财务分析方法将那些具有好前景和不好前景的公司区分开来。而讨论的结果也确实证明了基本面分析的有效性。我认为他对我的启发包括以下三点：
首先，这篇文章让我认识到了不仅仅是受到投资者青睐的热点股票可以用于投资。虽然这些股票换手率高，常常还能在短期内大幅震荡，让风险偏好的投资者获取大额收益；与此同时，某些不受投资者青睐的股票，也就是高账面-市值比的公司也能让我们从中获利。这在某种意义上其实是打预期差的投资想法，也就是这些经过我们筛选的公司没有投资者们想象的那么糟糕。这特别像A股中的一个术语“利空出尽”。
其次，这篇文章让我充分认识到了基本面分析的有效性。在以往的投资经历中，我买卖股票主要依赖于技术分析。我很少去关注公司的财务报表以及相应的财务比率，而是更加偏向于利用趋势线，macd指标，筹码分布等技术指标选择合适的入场以及出场点。然而，技术分析并不是始终那么有用，比如利用技术分析在下跌趋势的股票上抄底，很容易抄在半山腰。在看完这篇文章后，我想我可以事先结合财务比率对公司的股票进行一个打分，然后在高分股票中再结合技术分析选择合适的入场出场点，兴许成功率以及收益率会有所改善。
第三，这篇文章也带给了我一个重要的投资思想就是打预期差，也就是所谓的“好公司”不一定值得立刻投资，所谓的“坏公司”也不一定始终不值得投资。通过财务分析分析那些不受投资者青睐的股票，只要这个公司未来的情况有所改善，也就是他没有投资者们所认为的那样差劲，事先埋伏入这种公司股票的投资者也可以获利。相反，某些投资者喜欢“追高”，也就是买入已经受到投资者青睐的股票。这种操作方法或许能吃到波段收益，可是一旦在不久的将来公司业绩不及预期，照样会让投资者面临巨额亏损。因此，只要公司绩效比投资者预期要好，那么事先买入股票都会有获利机会。同时，要想做到从预期差来获利，就要做足财务报表分析的准备。
总的而言，无论是基于基本面分析的价值投资也好，或是基于技术分析的择时投资也罢，既然这两个流派已经存在这么多年，并且广泛为人所用，那么一定都有其存在的道理。既然我们没有办法证明到底哪种方法才是更好的投资方法，不如互相借鉴，把二者拉到不同的时间维度去帮助我们实现更好的仓位配置。
