“根据提交给SEC的10-K报告中无形资产谈论量对公司进行排序，构建长短投资组合。将无形资产谈论量高于70%分位的股票买入，低于30%分位的股票卖空。所有投资组合按价值加权，并在每年6月30日后进行再平衡，持有一年。”
资产类别：股票 | 地区：美国 | 频率：年度 | 市场：股票 | 关键词：无形资产密集度
策略概述
投资范围包括美国的股票（纽约证券交易所、美国证券交易所和纳斯达克）。 （分析的文本数据来自提交给证券交易委员会[SEC]的10-K报告。相关股票信息使用了证券价格研究中心[CRSP]的数据。）
投资组合回报的计算方法在第三节中有所描述： 用来计算无形资产谈论量的词汇来自Filipovic和Wager（2019）：无形资产谈论量对于10-K文件i，其无形资产词汇量n，无形资产谈论量_i定义为所有无形资产词汇频率的总和除以文件中的总词数（公式(1)）。INT^10K是基于无形资产谈论量排序的投资组合。
使用Fama和French（2015）中描述的长短排序方法，投资者使用无形资产谈论量INT^10K作为排序变量，代替市值账面比：
无形资产谈论量作为投资信号，用于识别每年长短组合。
在每年6月30日，根据上一财年结束的10-K报告中计算的无形资产谈论量对公司进行排序。
识别出无形资产谈论量在70%分位以上的股票，将其放入长组合[买入]，而将低于30%分位的股票卖空[做空]。
所有组合按价值加权，并每年再平衡一次（组合从6月30日的形成日期之后的7月1日开始，持有至次年的6月30日，除非股票被摘牌）。
策略合理性
作者仔细测试了Fama和French的常见风险因子是否可以解释无形资产文本变量对未来股票回报的可信息性，并根据他们的发现构建了有意义的策略。大多数测试策略变体中，在Fama和French的三因子和五因子模型之外，动量也显示出显著的正阿尔法。在使用无形资产增强变量构建的策略组合与基于传统市值账面比的价值策略之间的比较中，尤其在近年来，报告了更优的表现，这在研究中和相关文献中得到一致认同。此外，本文为资产错误定价假说提供了有力的论据；因此，与无形资产谈论量相关的异常回报仅出现在具有高特质波动率（IVOL）的股票中，这些波动率衡量了套利风险；这些影响进一步因投资者行为而加剧，导致所讨论资产的严重定价错误。
论文来源
Is Intangibles Talk Informative about Future Returns? Evidence from 10-K Filings [点击浏览原文]
- Alexander David, Amir Hosseini, Anup Srivastava, 卡尔加里大学Haskayne商学院
<摘要>
我们基于对公司10-K报告中无形资产讨论的文本分析构建了无形资产密集度的衡量指标——无形资产谈论量。该指标基于公司对无形资产投资的事后结果的讨论。我们的衡量标准与之前基于初始投资资本化的无形资产衡量标准相关，但它提供了独立的信息。这种对初始投资的预期结果和事后结果之间的区分很重要，因为无形资产投资往往具有不确定的“彩票型”回报。因此，结果的价值可能与历史资本化成本不同（如果会计准许）。管理者可能会在10-K文件中讨论这些积极的结果。我们测试了该指标对未来回报的可信息性。基于高低无形资产谈论量的长短组合回报优于传统的市值账面比策略。我们的策略在1995年至2020年期间的四因子模型（Fama和French三因子加动量）中平均产生了3.26%的年化阿尔法。我们的阿尔法高于基于文献中其他无形资产密集度指标排序的组合。我们还通过做多我们的指标并做空无形资产增强价值组合获得了正回报。正阿尔法集中在套利风险较高的股票中，这些股票通过特质波动率作为代理，表明投资者错误定价了10-K文件中描述的无形资产密集度较高的股票。
回测表现
| 年化收益率 | 3.61% |
| 波动率 | 12.38% |
| Beta | N/A |
| 夏普比率 | 0.29 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
