“投资范围包括在纽约证券交易所（NYSE）交易的所有股票。主要关注的变量是 CEO 薪酬过高的排名。这可以通过使用 “As You Sow” 等服务找到。基于此，当前年度 CEO 薪酬过高的前100家公司可以被筛选出来。这些公司所雇用的 CEO 所在的公司股票将被做空，并在市场指数（如 S&P500）中建立多头头寸作为对冲。所有股票等权重配置，投资组合每年重新平衡。”
资产类别：股票 | 区域：美国 | 频率：年度 | 市场：股票 | 关键词：CEO
策略概述
投资范围包括在纽约证券交易所（NYSE）交易的所有股票。主要关注的变量是 CEO 薪酬过高的排名。这可以通过使用 “As You Sow” 等服务找到。基于此，当前年度 CEO 薪酬过高的前100家公司可以被筛选出来。这些公司所雇用的 CEO 所在的公司股票将被做空，并在市场指数（如 S&P500）中建立多头头寸作为对冲。所有股票等权重配置，投资组合每年重新平衡。
策略合理性
该策略的功能性基于实证观察：当基础公司被认为存在治理不善时，股票表现往往不佳，其中之一的表现就是 CEO 薪酬过高。
一个原因可能是，股东会认为这些公司倾向于不善于利用资源，在做决策时不重视公司治理和责任。此外，另一个可能性是，由于员工发现他们的 CEO 薪酬过高，公司内部士气下降，进而导致生产力下降，最终导致公司表现不佳，股票表现不佳。因此，由于这些原因，我们可以验证并有信心执行这一策略，即做空那些在实证和逻辑上必然表现不佳的股票。
论文来源
Evidence from the 100 most overpaid CEOs
Spencer Barnes
<摘要>
我研究了负面 ESG 新闻如何扭曲股东结果。2015 年，As You Sow 开始每年发布“薪酬过高的 100 位 CEO”名单，导致这些公司出现负面的 ESG 新闻。过高支付 CEO 是一个治理问题，因为它表明适当控制的失败；同时也是一个社会问题，因为它会在股东和员工待遇方面为公司带来负面形象。被列入名单的公司构建的等权重（价值权重）投资组合获得的年化六因素 Alpha 分别为 -3.60% 和 -2.64%。对于那些支付 CEO 超过平均工资的公司，表现尤其糟糕。
回测表现
年化收益率
5.41%
波动率
8.55%
Beta
0.047
夏普比率
0.63
索提诺比率
N/A
最大回撤
N/A
胜率
24%
完整python代码
from AlgorithmImports import *
from io import StringIO
from pandas.core.frame import DataFrame
from typing import List, Dict
import pandas as pd
# endregion
class ShortingCompaniesWiththeMostOverpaidCEOs(QCAlgorithm):
def Initialize(self):
self.SetStartDate(2015, 1, 1)
self.SetCash(100000)
self.market:Symbol = self.AddEquity('SPY', Resolution.Daily).Symbol
self.leverage:int = 3
self.selection_month:int = 3
self.short:List[Symbol] = []
# source: https://www.asyousow.org/reports/the-100-most-overpaid-ceos-2022
overpaid_CEO:str = self.Download('data.quantpedia.com/backtesting_data/economic/overpaid_CEO.csv')
self.overpaid_CEO_df:DataFrame = pd.read_csv(StringIO(overpaid_CEO), delimiter=';')
self.selection_flag:bool = False
self.Settings.MinimumOrderMarginPortfolioPercentage = 0.
self.UniverseSettings.Resolution = Resolution.Daily
self.AddUniverse(self.CoarseSelectionFunction, self.FineSelectionFunction)
self.Schedule.On(self.DateRules.MonthStart(self.market), self.TimeRules.AfterMarketOpen(self.market), self.Selection)
def OnSecuritiesChanged(self, changes:SecurityChanges) -> None:
for security in changes.AddedSecurities:
security.SetFeeModel(CustomFeeModel())
security.SetLeverage(self.leverage)
def CoarseSelectionFunction(self, coarse:List[CoarseFundamental]) -> List[Symbol]:
# selection on start of March
if not self.selection_flag:
return Universe.Unchanged
selected:List[Symbol] = [x.Symbol for x in coarse if x.HasFundamentalData and x.Market == 'usa']
return selected
def FineSelectionFunction(self, fine:List[FineFundamental]) -> List[Symbol]:
fine:List[FineFundamental] = [x for x in fine if x.MarketCap != 0 and \
(x.SecurityReference.ExchangeId == 'NYS')]
fine:Dict[str, Symbol] = {x.Symbol.Value: x.Symbol for x in fine}
if str(self.Time.year) in list(self.overpaid_CEO_df.columns):
self.short = [fine[x] for x in self.overpaid_CEO_df[str(self.Time.year)].values if x in fine]
else:
self.Liquidate()
return self.short
def OnData(self, data: Slice) -> None:
# yearly rebalance
if not self.selection_flag:
return
self.selection_flag = False
invested:List[Symbol] = [x.Key for x in self.Portfolio if x.Value.Invested]
for price_symbol in invested:
if price_symbol not in self.short + [self.market]:
self.Liquidate(price_symbol)
# trade execution
if len(self.short) != 0:
if self.market in data and data[self.market]:
self.SetHoldings(self.market, 1)
for symbol in self.short:
if symbol in data and data[symbol]:
self.SetHoldings(symbol, -1 / len(self.short))
self.short.clear()
def Selection(self) -> None:
if self.Time.month == self.selection_month:
self.selection_flag = True
# Custom fee model
class CustomFeeModel(FeeModel):
def GetOrderFee(self, parameters):
fee = parameters.Security.Price * parameters.Order.AbsoluteQuantity * 0.00005
return OrderFee(CashAmount(fee, "USD"))
