投资者关注度：谷歌搜索量如何预测股票收益

2021年1月14日上午，游戏驿站（GameStop）的股票代码数年来首次出现在谷歌搜索前十位。"GME股票"的搜索量急剧攀升。当天股价上涨了57%。一周内，股价又额外上涨了700%。

无论人们对那段历史持何种看法，它都清晰地展示了学术金融界多年来一直在悄悄记录的一个现象：当普通投资者将注意力集中在某只股票上时，价格会随之移动——然后，往往又会回落。

投资者注意力与短期收益率之间的这种关系，正是Zhi Da、Joseph Engelberg和Pengjie Gao于2011年发表在《金融杂志》（Journal of Finance）上的里程碑式研究"In Search of Attention"的主题。该论文使用了一个此前未被开发的数据来源——谷歌的搜索量指数（SVI）——构建了首个对散户投资者注意力的清晰实时测量指标，并追踪了其对价格的影响。

为何注意力难以测量

金融研究长期以来认识到投资者关注度会影响市场。当某件事吸引了人们的兴趣，他们就会买入。当他们在没有优势信息的情况下买入时，价格被推高至公允价值以上，产生一时性的超额收益，一旦关注度消退便会回落。

经验上的挑战始终是如何测量。早期研究使用间接代理变量——广告支出、新闻报道量、被纳入标普500指数——这些都捕捉到了与显著性相关的某些内容，但不够精确、存在延迟，且与其他因素相互混杂。

Da、Engelberg和Gao认为，谷歌搜索在性质上是不同的。当有人在谷歌搜索框中输入股票代码时，这一行为直接揭示了获取该股票相关信息的意图。它不需要购买行为、媒体中介或机构背景。正如作者所写，这是对信息的"显示性偏好"，以大规模实时的方式被记录下来。

谷歌趋势平台为任何查询词提供周度和月度SVI数据，在选定的时间范围内标准化为0-100的量表。通过将罗素3000每只股票映射到其股票代码作为搜索查询，Da、Engelberg和Gao构建了涵盖2004年至2008年的周度SVI观测面板。

谁在搜索？

在检验价格效应之前，论文需要证明SVI捕捉的是散户注意力而非机构活动。这一点至关重要。机构投资者——对冲基金、共同基金、养老金管理者——不会在谷歌上搜索股价。他们使用彭博终端、路透社Eikon和专有数据接口。在谷歌上搜索"AAPL"或"TSLA"的人群，绝大多数是个人非专业投资者。

论文从多个维度证实了这一解读。在Ancerno的交易数据中，SVI与散户交易量的相关性强于机构交易量。它能预测流入散户证券账户的净资金。它与专业分析师覆盖或机构持股变化无关。简而言之，搜索数据真正测量的是类似于噪音交易者的散户投资者的注意力，而非复杂的资本配置者。

这种区分对于解读结果至关重要。如果SVI测量的是知情的注意力，那么搜索量上升可能预测反映真实信息纳入的持续价格涨幅。由于它测量的是非知情的注意力，预测结果便有所不同：短暂的价格上涨，随后出现反转。

核心发现：关注引发买入，随之而来的是反转

论文的核心结果既简单又引人注目。以相对于前八周平均值的搜索量变化为定义，SVI增幅最大的股票在随后两周内会获得明显更高的收益，而在之后两周则会获得更低的收益。

按SVI变化分为五分位后，最高五分位在关注度急增后两周内的平均累积超额收益约为0.35%。最低五分位没有显示此类模式。高关注度和低关注度投资组合之间的价差在统计上显著，并且对规模、账面市值比和动量的标准控制变量具有稳健性。

反转同样明显：同样是最高五分位的股票，在关注度急增后第三到第四周的表现也差了相近幅度。四周全周期的综合收益接近于零，与搜索驱动型买入构成的是价格压力而非信息，且这种压力最终会消散的观点一致。

这一模式正是价格压力假说所预测的。当非知情买家同时涌入一只股票——不是被新信息吸引，而是被对同一信号的共同关注所引导——他们会将价格推高至基本价值以上。套利者和有耐心的卖家以偏高的价格吸收这种需求。随着关注度驱动的资金流减弱，价格回归。

IPO与注意力放大效应

论文中最具说服力的扩展分析之一涉及首次公开募股（IPO）。IPO是注意力研究的天然实验：它们是新鲜的，会受到媒体报道，并且投资者基础最初偏向于可能对注意力效应特别敏感的散户参与者。

Da、Engelberg和Gao发现，IPO前SVI——在股票开始交易前数周测量——能同时预测上市首日收益和随后三个月的表现不佳。在IPO前吸引高搜索关注的股票以更大的首日价格跳涨开盘，表明散户买入压力促成了初始大涨。这些股票在随后数月里的表现不佳也更为严重。

这一发现与关于IPO长期表现不佳的更广泛文献相关联，后者记录了新上市公司在多年时间范围内持续无法维持其上市估值的现象。上市时点基于注意力的过度估值为这一有充分记录的异象提供了一个可能的机制。

SVI相较于现有测量方法的增量价值

论文仔细将SVI与竞争性注意力代理变量区分开来。Barber和Odean (2008) 在"All That Glitters"中此前已表明，个人投资者是引人注意股票的净买家——那些出现在新闻中的、成交量异常的、出现极端单日价格变动的。他们的发现确立了基本行为机制：有限注意力促使散户投资者买入显著的股票，制造临时的过度定价。

但新闻报道量、成交量和极端收益都是某种其他现象的结果——它们间接测量显著性。SVI在这些结果发生之前就已测量注意力本身。这种时间上的优先性赋予了SVI那些早期代理变量所不具备的预测能力。

在实证上，即使控制了Barber-Odean变量（新闻量、异常换手率、极端收益），SVI对后续收益的预测力依然存在。可归因于SVI的增量R方在经济意义上是显著的。谷歌搜索数据不仅仅是现有测量方法的嘈杂版本——它捕捉到了注意力过程中一个独特的组成部分。

物理学文献中Preis、Moat和Stanley (2013)的相关工作表明，谷歌对金融词汇的周度搜索量变化能够以明显高于50%的命中率预测道琼斯工业平均指数的方向性变动。Bank、Larch和Peter (2011) 在德国股票市场复制了SVI的核心发现，表明这一机制并非美国机构背景所特有。

机制：散户注意力为何会移动价格

行动机制有充分的心理学基础，源于注意力的有限性。投资者面临信息过载。他们无法同时跟踪数千只股票。相反，他们根据线索——新闻、对话、价格变动——来分配注意力，并对进入他们意识的股票子集做出购买决定。

这种基于注意力的买入产生了不对称性。散户投资者很少卖空：他们无法通过做空他们不喜欢的股票来回应负面关注。因此，他们基于注意力的活动在方向上是不对称的偏多。当一只股票吸引了广泛的散户注意力时，即使没有任何基础性新闻，订单簿的买方也会被以注意力为动机的参与者不成比例地填满，推高价格。

与更广泛的行为偏差的联系是直接的。使投资者容易受到可得性偏差和代表性启发法影响的同样有限的注意力，也使搜索行为具有预测性。投资者搜索什么揭示了他们可能买什么。他们整体上可能买什么，移动了价格。

散户投资者和机构投资者之间的信息不对称强化了这一效应。拥有更优信息的机构有时会在散户购买浪潮中卖出，充当使价格压力能够积聚然后消散的交易对手。具有持续套利机制的交易所交易基金等工具有助于限制价格偏离基本面的程度，但在个别股票中——尤其是规模更小、流动性更低的——散户注意力可以显著地移动价格。

持续性与实际局限

一个重要问题是，SVI效应是否在其发表后依然存在。学术异象一旦广为人知，通常会减弱——McLean and Pontiff (2016) 记录了随着套利资本涌入，异象收益在发表后通常下降的现象。

SVI效应受到实际约束的部分保护，免于被完全套利。首先，反转发生在两到四周内——对于高频策略而言太慢，但足够快，使得信号价值集中在一个相对狭窄的时间窗口内。其次，谷歌趋势数据对大多数查询的粒度较粗（最好是周度），这限制了时机把握的精度。第三，在效应最大的小型和中型股票中，系统性做空注意力驱动的上涨因交易成本而代价高昂。

即便如此，信号似乎比2004年至2008年测量期间更弱了。面向散户的精密交易平台现在已将情绪和搜索数据纳入其分析中。量化基金明确利用基于注意力的信号。通过成为少数意识到SVI-收益关系的市场参与者之一而获得的优势已经收窄。

对投资组合构建的启示

对于思考如何应用这一研究的投资者，有几条实用启示值得参考。

无新闻支撑的搜索量急增才是信号。当一只股票的SVI在没有业绩发布、分析师评级上调或公司事件的情况下急剧上升时，这种关注很可能是散户主导的，因此更可能构成暂时的价格压力。伴随真实新闻的急增更难逆向交易，因为价格变动可能反映的是信息而非情绪。

效应大小中，规模很重要。SVI-收益关系在机构存在感低、散户投资者活动占订单流更大比例的小型股中最强。在大型高流动性股票中，机构套利限制了散户注意力能够将价格推离基本面的程度。

仓位规模应考虑反转时机。如果平均反转发生在第三到第四周，那么持有注意力推高的仓位超过两周就会暴露于均值回归的主要部分。反之，对于持有突然出现搜索量急增的股票的投资者而言，那个时间窗口可能代表减少敞口的合理时机。

参考文献

• Da, Z., Engelberg, J., & Gao, P. (2011). In Search of Attention. The Journal of Finance, 66(5), 1461-1499. https://doi.org/10.1111/j.1540-6261.2011.01679.x

• Barber, B. M., & Odean, T. (2008). All That Glitters: The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors. The Review of Financial Studies, 21(2), 785-818. https://doi.org/10.1093/rfs/hhm079

• Preis, T., Moat, H. S., & Stanley, H. E. (2013). Quantifying Trading Behavior in Financial Markets Using Google Trends. Scientific Reports, 3, 1684. https://doi.org/10.1038/srep01684

• Bank, M., Larch, M., & Peter, G. (2011). Google Search Volume and Its Influence on Liquidity and Returns of German Stocks. Financial Markets and Portfolio Management, 25(3), 239-264. https://doi.org/10.1007/s11408-011-0165-y

• McLean, R. D., & Pontiff, J. (2016). Does Academic Research Destroy Stock Return Predictability? The Journal of Finance, 71(1), 5-32. https://doi.org/10.1111/jofi.12365