“该策略投资于330只来自各行业的美国股票，利用CRSP和Compustat的数据构建销售代理变量：消费者访问零售店的意图（IN-STORE）、访问公司网站的次数（WEB）及品牌兴趣（BRAND）。每月基于这些变量创建五分位投资组合，采取多头最高五分位和空头最低五分位的策略，最终将三种策略等权组合。”
资产类别：股票 | 地区：美国 | 频率：月度 | 市场：股票 | 关键词：预测绩效，消费者大数据
策略概述
投资范围包括来自各行业的330只美国股票。股票收益和价格数据来自CRSP，财务报表数据来自Compustat。构建三个销售代理变量：消费者访问零售店的意图（IN-STORE）、访问公司网站的次数（WEB）以及对产品品牌名称的兴趣（BRAND）。每个月基于销售代理变量构建三组多空价值加权投资组合。销售代理变量通过过去三个月消费者活动的增长率来估算。在月度t基于销售代理变量创建五分位投资组合，并计算t+1月的平均收益。对最高五分位投资组合采取多头头寸，对最低五分位投资组合采取空头头寸。将这三种策略等权组合成一个投资组合。
策略合理性
使用替代数据可以获得比仅使用传统信息源的投资者更大的优势。研究表明，消费者大数据包含有关公司基本面的相关信息，并有助于预测资产价格。这些数据可用于估算不同投资的相对受欢迎程度。如前所述，WEB信息比IN-STORE和BRAND中的信息更快地反映在股价中。因此，在疫情期间，由于WEB信息的增加和IN-STORE信息的减少，回报的可预测性更强。此外，WEB信息显著预测盈利惊喜，而BRAND和IN-STORE则提供了收入增长的预测。最后，该策略通常对不同的交易成本具有稳健性。
论文来源
Predicting Performance Using Consumer Big Data [点击浏览原文]
- Kenneth Froot，哈佛大学荣誉教授
- Namho Kang，宾特利大学金融学院
- Gideon Ozik，EDHEC商学院
- Ronnie Sadka，波士顿学院卡罗尔管理学院
<摘要>
为了预测公司的基本面，作者从完全不同的信息来源构建了三个实时企业销售代理变量：店内客流量（IN-STORE）、网站访问量（WEB）和消费者对公司品牌和产品的兴趣（BRAND）。作者展示了在2009-2020年对330家公司样本的代理变量估算后，使用这些代理变量进行交易在扣除交易成本后获得了显著的盈利能力。疫情期间，WEB活动显著增加，而IN-STORE显著减少，反映了消费者从实体店转向在线购物的趋势。结果表明，IN-STORE和BRAND中包含的信息对投资者而言并不立即可用，而WEB信息扩散得更快，且整体信息扩散在疫情期间变得更加缓慢。
回测表现
| 年化收益率 | 9.29% |
| 波动率 | 14.29% |
| Beta | N/A |
| 夏普比率 | 0.62 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
