封面来源：ChatGPT-4 DALL·E

摘要：什么造成了市场对旧消息反应之谜？受相关性忽视理论（correlation neglect）的启发，本文对金融从业人员实验后发现，即使是老练的投资者也很难识别出多个来源内容重新组合的旧信息，使用彭博社终端1700万篇新闻评估该机制的市场影响，相较于直接转载，重组的旧信息会促使价格出现更大的波动与随后的反转，此效应在新闻情绪、模糊性和投资者关注度方面持续存在。此外，虽然对旧信息的总体反应随时间推移而下降，但对重新组合的不同反应却在增加。

引用：Fedyk, A., & Hodson, J. (2023). When can the market identify old news?. Journal of Financial Economics, 149(1), 92-113.

文献：

Introduction

新闻，顾名思义，是指被认为是新的信息。然而，并非所有金融“新闻”都包含新信息。过去二十年，信息传输机制激增，新闻数量不断增加，投资者可获得的信息来源也越来越多样化¹。鉴于海量的新闻格局，市场参与者筛选新闻和识别新颖内容的任务非常重要，并且容易受到有限的关注。关于有限注意力的长篇文献表明，投资者常常对初始信息信号反应不足，导致当他们看到延迟的信号或从其他来源接收信息时出现后续偏差（Hirshleifer 和 Teoh（2003）；Peng 和 Xiong（2006）；Fedyk (2022))。然而，也有大量的经验证据表明金融市场反应过度，尤其是对旧消息的反应（Tetlock (2011)；Gilbert et al. (2012)）。我们推测，这也可能源于（特定类型的）有限注意力：“相关性忽视”，即决策者未能充分考虑信号之间的相关性（DeMarzo 等人（2003 年）；Ortoleva 和 Snowberg（2015 年））²。在这种情况下，对非新颖信号的反应可能会过度，导致随后的反转。

²:实验室实验证实，当相关性足够复杂时，个体难以计算相关性（Eyster和Weizsacker（2010）；Enke和 Zimmermann（2019））。

我们通过证明即使是经验丰富的金融专业人士也很难处理来自先前多篇文章的旧消息，并且这种限制对实际资产定价产生影响，从而测试了相关性忽略的理论。

首先，我们直接对活跃的金融专业人士进行了一项实验，了解他们对新闻新颖性的看法。在这种受控环境下，与直接转载之前的单篇文章相比，金融专业人士认为重组了之前几篇新闻事实的文章具有更高的新颖性。
其次，我们使用彭博终端上出现的所有财经新闻的独特数据集来测试实验结果对资产定价的影响。彭博社的数据：
- （i）由于包含数千个不同的来源，非常适合衡量信息的重复和重组；
- (ii) 考虑到彭博社的用户群主要是机构投资者，非常适合测试所提出的认知限制的市场相关性。

与投资者处理重组消息的难度一致，较高的重组量（而不是转载）与较大的股价变动相关，而股价变动更有可能在接下来的一周内逆转。这些结果有助于揭示市场对旧信息反应的实证难题³。

³:See Huberman and Regev (2001) , Tetlock (2011) , Gilbert et al. (2012) , and Drake et al. (2016) .

我们的实验从各种相关机构招募了 155 名活跃的金融专业人士，包括高盛和摩根士丹利等经纪交易商，道富银行和太平洋投资管理公司等投资管理公司，以及 Citadel 和 Point72 等对冲基金。参与者代表了金融服务行业的各种角色和层级职位，从分析师和交易员到合伙人和董事总经理。该实验提示参与者评估一系列头条新闻的新颖性。标题分为两个独立样本，每个样本有 20 个标题，涵盖两家假设的公司：Argosy Logistics Inc. 和 Laker Pharmaceuticals LLC。每个参与者都会看到这两组实验标题中的一组。

两组实验标题均经过专门设计，包括十个小说标题、五个转载和五个重组，所有三类新闻的长度相同，并且两类旧新闻（转载和重组）与先前的文本重叠程度相同消息。重组与转载的唯一不同之处在于，重组从多个先前显示的标题中获取信息，而重印则从单个先前的来源中获取信息。举例来说，Argosy 实验组的参与者在实验开始时遇到以下四个标题：

“Argosy’s misfit design business down, some tough questions to answer”
“Argosy Trucking Q3 results above expectations eps 1.2 vs 1.1”
“Argosy beats expectations: Q3 trucking results eps up 0.1 on 1.1”
“Argosy Q3 earnings beat expectations, but design business down”

标题3是标题2的直接转载，其中75%的词已经出现过。标题 4 是一个重组：它也只包含旧新闻，其中 82.5% 的单词以前出现过，但它结合了标题 1 和 2 的同等部分。除了有关 Argosy 的标题外，参与者还遇到了 20 个随机散布的填充标题取自路透社实际头条新闻的样本。这些用于模拟市场参与者在阅读现实世界新闻时面临的信息过载。

实验结果表明，即使是经验丰富的金融专业人士也容易受到旧信息重组的影响。作为基线，参与者正确地认为包含新信息的标题比包含旧新闻的标题更新颖：例如，在七分制中，新标题的平均新颖性评级为 4.52，而旧标题的平均新颖性评级为 2.82（两者转载和重组相结合）。然而，在旧新闻集中，与转载相比，参与者更有可能将重组误认为新新闻：他们对重组的平均新颖性得分为 3.03，统计上显着高于重印的 2.61。这些结果对于改变实验的结构特征是稳健的：Argosy Logistics 新闻样本和 Laker Pharmaceuticals 新闻样本都存在重组效应，并且在五点新颖性等级上的结果与在七点新颖性等级上保持相同。点尺度。在个人层面上，68% 的参与者平均认为重组比重印的重组更新颖。相比之下，只有 19% 的参与者认为重印比重组新闻更新颖。当我们对 776 名散户投资者重复这个实验时，我们得到了本质上相似的结果，但有一个关键的区别：散户投资者更容易受到所有旧新闻的影响，包括基本的转载。

我们提取并测试了已记录的信息重组敏感性对资产定价的影响：

首先，作为基准，鉴于金融专业人士普遍认为旧新闻（尤其是转载）不如实际的新新闻新颖，我们应该观察旧新闻文章带来的较小的价格反应。
其次，由于重组被认为比简单的转载更新颖，因此我们预计会观察到与重组新闻相关的更大的价格变动。
最后，如果对重组消息的更大价格反应源于投资者的认知限制（而不是结合先前已知事实的内在价值），那么对重组消息的反应应该伴随着更大的后续反转。

为了对这些预测进行实证检验，我们利用了来自 Bloomberg 终端的 3.87 亿篇新闻文章的新颖数据集，该数据集特别适合研究新闻新颖性。

彭博终端汇集了来自各种新闻来源的信息，其中包括大量转载和重组。
我们的最终样本涵盖了 2000 年 1 月至 2014 年 12 月期间发表的超过 1700 万篇新闻文章⁴。
大约占样本的 10%由彭博社直接发布的新闻组成，其中大部分（约 60%）来自主要的国内和国际新闻通讯社，其余部分来自网络。
这使我们能够构建旧新闻的综合衡量标准，并追踪任何特定新闻的词源。

我们通过评估过去三天内该文章中已经出现在同一家公司的类似文章中的独特单词的百分比，将彭博新闻样本中的每篇新闻文章分类为新颖新闻、转载或重组:

在主要规范中，如果一篇文章文本中至少 40% 的独特单词没有出现在关于同一公司的前五篇文本最相似的文章中，我们将其标记为新颖。
所有其他新闻文章，其内容至少占先前文章的 60%，都被标记为旧新闻。
- 在旧新闻中，转载是指那些文本主要（至少 80% 的旧文本）被前一篇文章覆盖的文章。
- 另一方面，重组包含不新颖的内容，但也不被单个最近邻居跨越。在未制表的分析中，我们确认诸如余弦相似性度量（Cohen et al. (2020)；Fedyk (2022)）等替代方法可以产生类似的新闻分类。为了便于解释，我们根据整篇论文中跨词的百分比使用更直观的衡量标准。

我们估计了每日公司层面的回报与公司旧新闻文章和特定重组新闻文章的比例之间的关系。在基线中，较高比例的旧新闻与较小的绝对异常价格变化相关：公司新闻中额外 10% 的旧新闻转化为同一交易日的绝对异常每日回报较小 11.5 个基点。但控制旧新闻的整体水平，当旧新闻更多是重组类型而不是转载类型时，市场反应就更大。将一家公司10%的新闻文章从转载改为重组，相当于同一交易日的绝对异常收益增加17.6个基点。当然，在实验设置之外，重组新闻并不是随机分配的，特别重要的内容可能会触发将两个或多个事实组合成一篇文章的选择。在这种情况下，价格对重组消息的反应将构成正确的市场反应，而不是对旧消息的过度反应。为了区分这两个故事，我们研究了对重组消息的最初反应的反转。

与我们的概念预测一致，重组消息比例较高后的较大价格反应更有可能在接下来的一周发生逆转。

具体来说，该公司另外 10% 的新闻是旧消息，预计未来一周整体日回报率将有 13.9% 出现逆转；
另外 10% 的旧新闻是重新组合而不是重印，则逆转率又增加了 16.9%。
这表明，平均而言，对重组消息的过度反应往往会在一周内完全逆转。 5 【反转周期】
在其他分析中，我们确认我们的结果对于以下替代方案是稳健的：
- (a) 我们比较之前文章的天数；
- (b) 新颖性比较中包含的最接近的先前文章的数量；
- (c) 新颖性、重印和重组的阈值；
- (d) 异常收益措施；
- (d) 对旧内容和重组内容进行连续测量，而不是离散分类。

我们的市场证据强调了我们实验中记录的认知局限性的相关性，难以处理重组新闻，从而转化为相当大的回报过度反应。有趣的是，我们的结果与信息重组在其他领域发挥的更积极的作用形成对比。例如，Hirshleifer 等人。（2018）发现，引用更广泛技术类别的先前工作的专利预示着公司生产力的持续提高和更高的异常回报。我们的研究结果表明，在财经新闻的背景下，由于相关性忽视而对重组新闻的错误过度反应超过了潜在的积极影响，例如重组新闻通过综合个别新闻来提供新颖的见解。

我们在几个方向上扩展了我们的实证分析。

首先，为了直接探讨有限注意力的作用，我们根据投资者的注意力来划分样本。我们使用 Ben-Rephael 等人在彭博终端上衡量投资者注意力的指标。 (2017)，可在安全日期级别获取。与关注度有限相一致，当投资者关注度较高时，市场对旧消息的反应较小。但这主要是通过更好地筛选简单转载来推动的，即使在投资者高度关注的情况下，重组效应仍然存在。
其次，受实验中散户投资者对陈旧新闻更敏感的启发，我们研究了机构与散户订单不平衡对旧新闻和重组新闻的反应。我们提供的证据表明，零售交易（比机构交易）相对较大，以应对一般旧消息，但对于重组消息则较少。
第三，我们探讨新闻情绪和模糊性（硬定量与软主观信息）如何影响我们的结果。我们发现我们的实证结果对于正面和负面新闻都非常相似，并且对于控制硬定量信息量来说是稳健的。

最后，我们利用大型数据集的时间序列来研究记录的效果如何随时间变化。我们对样本中的每个全年（从 2001 年到 2014 年）分别进行了测试。系数的时间趋势表明，对于（总体）旧新闻水平较高的公司，异常日回报逐渐变小。然而，随着时间的推移，对重组消息的不同反应不断增加，公司额外 10% 的消息是重组（而不是重印）的系数从 2001 年的正 5 个基点效应增加到正的 24 个基点效应。 2014 年的点效应。这些结果表明投资者在筛选简单转载方面的成熟度有所提高，但仍然对重新组合先前可用信息的文章敏感。

本文提出了市场未能识别旧消息的渠道，并通过实验和实证资产价格为该机制提供了证据，为有关金融市场认知偏差的文献做出了贡献。 6 我们的论文涉及越来越多的研究，这些研究检验了投资者在处理金融信息时注意力有限对资产价格的影响。 7 特别是，受相关忽略理论工作的推动（DeMarzo et al. (2003)；Ortoleva and Snowberg (2015)），我们推测一种特定类型的有限注意力，即市场参与者不完全关注将多个来源的旧信息重新组合为旧新闻。这是基于实验经济学的证据，即人类受试者在分析代表相同潜在信号的不同组合的一系列报告时往往会忽略相关性（Enke 和 Zimmermann（2019）），以及最近在可比定价中过度重视重复信息的证据（Murfin）和普拉特（2019））。我们的研究的独特之处在于，我们提供了金融新闻中相关性忽略的直接实验证据，并表明即使是经验丰富的投资者也很难处理旧新闻的重组。除了通过实验记录这种认知局限性之外，我们还通过实证确认其对资产价格的影响并证明其随时间的持续相关性来展示其相关性。

本文的其余部分如下。第二节介绍了金融专业人士对新闻新颖性的看法的实验调查，表明市场参与者更容易受到旧信息重组的影响，而不是直接转载。第 3 节介绍了评估彭博新闻大样本文本新颖性的数据和方法。第 4 节介绍了我们评估所提出的机制对资产价格动态影响的主要实证结果。第 5 节介绍了稳健性和其他分析，第 6 节进行了总结。

Experimental evidence

我们通过哈佛商学院校友网络招募了 155 名活跃的金融专业人士，参与 2018 年底和 2019 年初进行的在线实验。参与者涵盖了金融服务行业的整个领域（他们的公司隶属关系见互联网附录表 A.1）。 1).绝大多数参与者来自高盛、摩根士丹利等大型银行和券商，富达、道富等投资管理公司，贝恩资本、Lindsay Goldberg等私募股权公司，以及Two Sigma、Point等对冲基金72、以及巴克莱和麦格理等投资银行。其余 22% 的样本包括来自金融新闻机构（例如《金融时报》）、保险公司（例如利宝互助银行）、政府机构（例如联邦储备委员会）、咨询公司（例如德勤）、私人投资者的个人，以及大学或 Facebook 等科技公司的金融员工。样本包括合伙人和董事总经理等关键决策者，以及投资组合经理和交易员等活跃的年轻员工。

如$\color{blue}{Tetlock(2007)}$、$\color{blue}{Tetlock\ et\ al.(2008)}$ 和 $\color{blue}{Tetlock(2011)}$ 使用新闻和训练的算法成功预测股票收益，可能是因为组合新信息很复杂（$\color{blue}{Fedyk\ and\ Hodson,2023}$）。

第三，利用模型的特征重要性（$\color{blue}{Binsbergen\ et\ al.,2023}$）理解更能准确预测判断的概念；
- 周期：2021年10月-2022年12月（as ChatGPT’s training data stops in September 2021）【*This ensures that our $\color{red}{evaluation\ is\ based\ on\ information\ not\ present\ in\ the\ model’s\ training\ data}$,

$\color{purple}{Panel A}$表明新闻标题总体上正面；$\color{purple}{Panel B}$报告了变量的相关矩阵，GPT得分与事件情绪得分之间的相关性较低，小于0.28。