投資者關注度：谷歌搜尋量如何預測股票報酬

2021年1月14日上午，遊戲驛站（GameStop）的股票代碼數年來首次出現在谷歌搜尋前十位。「GME股票」的搜尋量急劇攀升。當天股價上漲了57%。一週內，股價又額外上漲了700%。

無論人們對那段歷史持何種看法，它都清晰地展示了學術金融界多年來一直在悄悄記錄的一個現象：當普通投資者將注意力集中在某支股票上時，價格會隨之移動——然後，往往又會回落。

投資者注意力與短期報酬率之間的這種關係，正是Zhi Da、Joseph Engelberg和Pengjie Gao於2011年發表在《金融雜誌》（Journal of Finance）上的里程碑式研究「In Search of Attention」的主題。該論文使用了一個此前未被開發的資料來源——谷歌的搜尋量指數（SVI）——構建了首個對散戶投資者注意力的清晰即時測量指標，並追蹤了其對價格的影響。

為何注意力難以測量

金融研究長期以來認識到投資者關注度會影響市場。當某件事吸引了人們的興趣，他們就會買入。當他們在沒有優勢資訊的情況下買入時，價格被推高至公允價值以上，產生一時性的超額報酬，一旦關注度消退便會回落。

經驗上的挑戰始終是如何測量。早期研究使用間接代理變數——廣告支出、新聞報道量、被納入標普500指數——這些都捕捉到了與顯著性相關的某些內容，但不夠精確、存在延遲，且與其他因素相互混雜。

Da、Engelberg和Gao認為，谷歌搜尋在性質上是不同的。當有人在谷歌搜尋框中輸入股票代碼時，這一行為直接揭示了獲取該股票相關資訊的意圖。它不需要購買行為、媒體中介或機構背景。正如作者所寫，這是對資訊的「顯示性偏好」，以大規模即時的方式被記錄下來。

谷歌趨勢平台為任何查詢詞提供週度和月度SVI資料，在選定的時間範圍內標準化為0-100的量表。透過將羅素3000每支股票映射到其股票代碼作為搜尋查詢，Da、Engelberg和Gao構建了涵蓋2004年至2008年的週度SVI觀測面板。

誰在搜尋？

在檢驗價格效應之前，論文需要證明SVI捕捉的是散戶注意力而非機構活動。這一點至關重要。機構投資者——對沖基金、共同基金、退休金管理者——不會在谷歌上搜尋股價。他們使用彭博終端、路透社Eikon和專有資料介面。在谷歌上搜尋「AAPL」或「TSLA」的人群，絕大多數是個人非專業投資者。

論文從多個維度證實了這一解讀。在Ancerno的交易資料中，SVI與散戶交易量的相關性強於機構交易量。它能預測流入散戶證券帳戶的淨資金。它與專業分析師覆蓋或機構持股變化無關。簡而言之，搜尋資料真正測量的是類似於噪音交易者的散戶投資者的注意力，而非複雜的資本配置者。

這種區分對於解讀結果至關重要。如果SVI測量的是知情的注意力，那麼搜尋量上升可能預測反映真實資訊納入的持續價格漲幅。由於它測量的是非知情的注意力，預測結果便有所不同：短暫的價格上漲，隨後出現反轉。

核心發現：關注引發買入，隨之而來的是反轉

論文的核心結果既簡單又引人注目。以相對於前八週平均值的搜尋量變化為定義，SVI增幅最大的股票在隨後兩週內會獲得明顯更高的報酬，而在之後兩週則會獲得更低的報酬。

按SVI變化分為五分位後，最高五分位在關注度急增後兩週內的平均累積超額報酬約為0.35%。最低五分位沒有顯示此類模式。高關注度和低關注度投資組合之間的價差在統計上顯著，並且對規模、帳面市值比和動量的標準控制變數具有穩健性。

反轉同樣明顯：同樣是最高五分位的股票，在關注度急增後第三到第四週的表現也差了相近幅度。四週全週期的綜合報酬接近於零，與搜尋驅動型買入構成的是價格壓力而非資訊，且這種壓力最終會消散的觀點一致。

這一模式正是價格壓力假說所預測的。當非知情買家同時湧入一支股票——不是被新資訊吸引，而是被對同一訊號的共同關注所引導——他們會將價格推高至基本價值以上。套利者和有耐心的賣家以偏高的價格吸收這種需求。隨著關注度驅動的資金流減弱，價格回歸。

IPO與注意力放大效應

論文中最具說服力的擴展分析之一涉及首次公開募股（IPO）。IPO是注意力研究的天然實驗：它們是新鮮的，會受到媒體報道，並且投資者基礎最初偏向於可能對注意力效應特別敏感的散戶參與者。

Da、Engelberg和Gao發現，IPO前SVI——在股票開始交易前數週測量——能同時預測上市首日報酬和隨後三個月的表現不佳。在IPO前吸引高搜尋關注的股票以更大的首日價格跳漲開盤，表明散戶買入壓力促成了初始大漲。這些股票在隨後數月裡的表現不佳也更為嚴重。

這一發現與關於IPO長期表現不佳的更廣泛文獻相關聯，後者記錄了新上市公司在多年時間範圍內持續無法維持其上市估值的現象。上市時點基於注意力的過度估值為這一有充分記錄的異象提供了一個可能的機制。

SVI相較於現有測量方法的增量價值

論文仔細將SVI與競爭性注意力代理變數區分開來。Barber和Odean (2008) 在"All That Glitters"中此前已表明，個人投資者是引人注意股票的淨買家——那些出現在新聞中的、成交量異常的、出現極端單日價格變動的。他們的發現確立了基本行為機制：有限注意力促使散戶投資者買入顯著的股票，製造臨時的過度定價。

但新聞報道量、成交量和極端報酬都是某種其他現象的結果——它們間接測量顯著性。SVI在這些結果發生之前就已測量注意力本身。這種時間上的優先性賦予了SVI那些早期代理變數所不具備的預測能力。

在實證上，即使控制了Barber-Odean變數（新聞量、異常換手率、極端報酬），SVI對後續報酬的預測力依然存在。可歸因於SVI的增量R平方在經濟意義上是顯著的。谷歌搜尋資料不僅僅是現有測量方法的嘈雜版本——它捕捉到了注意力過程中一個獨特的組成部分。

物理學文獻中Preis、Moat和Stanley (2013)的相關研究表明，谷歌對金融詞彙的週度搜尋量變化能夠以明顯高於50%的命中率預測道瓊工業平均指數的方向性變動。Bank、Larch和Peter (2011) 在德國股票市場複製了SVI的核心發現，表明這一機制並非美國機構背景所特有。

機制：散戶注意力為何會移動價格

行動機制有充分的心理學基礎，源於注意力的有限性。投資者面臨資訊過載。他們無法同時跟蹤數千支股票。相反，他們根據線索——新聞、對話、價格變動——來分配注意力，並對進入他們意識的股票子集做出購買決定。

這種基於注意力的買入產生了不對稱性。散戶投資者很少賣空：他們無法透過做空他們不喜歡的股票來回應負面關注。因此，他們基於注意力的活動在方向上是不對稱的偏多。當一支股票吸引了廣泛的散戶注意力時，即使沒有任何基礎性新聞，訂單簿的買方也會被以注意力為動機的參與者不成比例地填滿，推高價格。

與更廣泛的行為偏差的聯繫是直接的。使投資者容易受到可得性偏差和代表性啟發法影響的同樣有限的注意力，也使搜尋行為具有預測性。投資者搜尋什麼揭示了他們可能買什麼。他們整體上可能買什麼，移動了價格。

散戶投資者和機構投資者之間的資訊不對稱強化了這一效應。擁有更優資訊的機構有時會在散戶購買浪潮中賣出，充當使價格壓力能夠積聚然後消散的交易對手。具有持續套利機制的指數股票型基金等工具有助於限制價格偏離基本面的程度，但在個別股票中——尤其是規模更小、流動性更低的——散戶注意力可以顯著地移動價格。

持續性與實際限制

一個重要問題是，SVI效應是否在其發表後依然存在。學術異象一旦廣為人知，通常會減弱——McLean and Pontiff (2016) 記錄了隨著套利資本湧入，異象報酬在發表後通常下降的現象。

SVI效應受到實際約束的部分保護，免於被完全套利。首先，反轉發生在兩到四週內——對於高頻策略而言太慢，但足夠快，使得訊號價值集中在一個相對狹窄的時間窗口內。其次，谷歌趨勢資料對大多數查詢的粒度較粗（最好是週度），這限制了時機把握的精度。第三，在效應最大的小型和中型股票中，系統性做空注意力驅動的上漲因交易成本而代價高昂。

即便如此，訊號似乎比2004年至2008年測量期間更弱了。面向散戶的精密交易平台現在已將情緒和搜尋資料納入其分析中。量化基金明確利用基於注意力的訊號。透過成為少數意識到SVI-報酬關係的市場參與者之一而獲得的優勢已經收窄。

對投資組合構建的啟示

對於思考如何應用這一研究的投資者，有幾條實用啟示值得參考。

無新聞支撐的搜尋量急增才是訊號。當一支股票的SVI在沒有業績發布、分析師評級上調或公司事件的情況下急劇上升時，這種關注很可能是散戶主導的，因此更可能構成暫時的價格壓力。伴隨真實新聞的急增更難逆向交易，因為價格變動可能反映的是資訊而非情緒。

效應大小中，規模很重要。SVI-報酬關係在機構存在感低、散戶投資者活動佔訂單流更大比例的小型股中最強。在大型高流動性股票中，機構套利限制了散戶注意力能夠將價格推離基本面的程度。

倉位規模應考慮反轉時機。如果平均反轉發生在第三到第四週，那麼持有注意力推高的倉位超過兩週就會暴露於均值回歸的主要部分。反之，對於持有突然出現搜尋量急增的股票的投資者而言，那個時間窗口可能代表減少曝險的合理時機。

參考文獻

• 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