净权益发行异象：公司回购越多未来越该涨 • halo 的技术博客

一个反直觉的事实：公司自己比任何分析师都懂自己的价值。当管理层大规模回购股票（真金白银从市场买回、缩股），往往意味着他们认为股价被低估；当公司大规模增发（发新股、稀释老股东），往往意味着他们认为股价偏高、想趁贵圈钱。如果管理层真的有点信息优势，那么——

净权益发行越多的公司，未来回报应该越低；净回购越多的公司，未来回报应该越高。

这就是净权益发行异象（net equity issuance anomaly），也叫回购异象。它最早由 McConnell-Muscarella(1985)、Loughran-Ritter(1995) 在 IPO/SEO 上发现，Pontiff-Schill(2003) 用「净发行」把增发、回购、配股统一成一个连续变量，Fama-French(2015) 的五因子模型干脆把它做成一个独立投资因子（CMA 的近亲）。结论是稳健的：长期横截面上，NI 与未来回报显著负相关。

结论先放这：在「下期超额收益 = γ·(−NI_z) + β·市场 + 噪声」的自洽面板设定下，按月度净发行分十档，收益严格单调递减（D0 回购最多 +1.27%/月 → D9 增发最多 +0.30%/月）；多回购、空增发的 L-S 组合年化约 10.2%、t 统计量 11.1、胜率 72.6%。但这个异象的坑（持续性伪相关、幸存者偏差、市场机制、规模漂移）同样不浅，文末单列六类。

十档平均下月收益（净发行异象的单调递减）

一、NI 到底是什么，为什么它是信号#

净权益发行（Net Equity Issuance）定义为：

$NI = \frac{\text{新股发行} - \text{股票回购} - \text{配股}}{\text{期初市值}}$

$NI>0$ ：净增发，公司往市场里净灌股票（稀释）；
$NI<0$ ：净回购，公司从市场净买回股票（缩股、回报股东）。

为什么它是信号？两个互补的解释：

管理层择时动机（行为/信息）：管理层在股价高估时更愿意增发（圈钱成本低），在低估时更愿意回购（分红效率高）。如果市场没完全瞬间消化这种择时，那么「增发」≈ 未来跑输，「回购」≈ 未来跑赢。
错误定价修正（风险补偿）：增发多的公司往往刚经历大涨、估值偏高、未来盈利增速回归，横截面被高估；回购多的公司常经历低估、未来修复。两者最终都收敛成「NI 与未来回报负相关」。

注意 NI 是流量不是存量：它衡量的是「这段时间净往市场里放了多少股」，所以比「市值账面比」这类存量指标更接近管理层的当期动作。

二、面板 DGP：让异象有真实的来源#

我们造一个自洽面板，让「净发行预测未来回报」这件事成立：

每家公司的 NI 有持续性（回购/增发是习惯动作，不是一次性）： $NI_{i,t} = \rho\,NI_{i,t-1} + 0.25\cdot\text{common}_t + \varepsilon$ 其中 $\text{common}_t$ 是共同的「融资周期」（牛市大家爱增发、熊市大家爱回购）。
下期超额收益由上一期 NI（截面上标准化成 z 分数）驱动： $r_{i,t+1} = \gamma\cdot(-NI^{z}_{i,t}) + \beta_i\cdot Mkt_{t+1} + \varepsilon_{i,t+1}$

$\gamma>0$ 即异象成立：NI 越负（回购多）→ 未来回报越高。

import numpy as np

N, T = 300, 300                      # 公司数、月数
gamma = 0.0025                       # 异象月度强度（每 std 的 NI_z 对应收益）
mkt_beta_mu, NI_persist, NI_idio = 1.0, 0.75, 0.45
rng = np.random.default_rng(20260716)

common = rng.normal(0, 0.5, T)       # 共同融资周期
firm_bias = rng.normal(0, 0.8, N)    # 公司异质性（天然回购者 vs 天然增发者）

NI = np.zeros((T, N))
for t in range(T):
    for i in range(N):
        prev = NI[t-1, i] if t > 0 else firm_bias[i]
        NI[t, i] = NI_persist * prev + 0.25*common[t] + rng.normal(0, NI_idio)

mkt = rng.normal(0.006, 0.04, T)     # 月度市场超额收益
beta_i = rng.normal(mkt_beta_mu, 0.3, N)
ret = np.zeros((T, N))
for t in range(T - 1):
    ni_z = (NI[t] - NI[t].mean()) / (NI[t].std() + 1e-9)
    signal = gamma * (-ni_z)          # NI 越负（回购多）→ signal 越大
    sysfac = beta_i * mkt[t+1]
    ret[t+1] = signal + sysfac + rng.normal(0, 0.05, N)

python

三、分十档：收益严格单调递减#

每个月，我们用上一期的 NI 排序（严格避免前视：不能拿今天的 NI 预测今天的收益），分成十档，算每档下月平均超额收益：

def decile_labels(x):
    order = np.argsort(x)
    lab = np.empty(len(x), dtype=int)
    lab[order] = np.arange(len(x)) // max(1, len(x)//10)
    lab[order] = np.minimum(lab[order], 9)
    return lab

dec_ret = np.zeros((T, 10))
ls_ret = np.zeros(T)
for t in range(1, T):
    lab = decile_labels(NI[t-1])                 # 用上一期 NI，无前视
    for d in range(10):
        mask = lab == d
        if mask.sum() > 0:
            dec_ret[t, d] = np.mean(ret[t, mask])
    low, high = lab == 0, lab == 9               # 回购最多 vs 增发最多
    ls_ret[t] = np.mean(ret[t, low]) - np.mean(ret[t, high])

python

结果：十档收益严格单调递减——回购最多的一档（D0）每月平均 +1.27%，增发最多的一档（D9）每月只剩 +0.30%，两者差 +0.85%/月。

横截面 NI 与未来回报显著负相关（样本月散点）

横截面上看单个月的散点，NI 与下月超额收益的拟合斜率为负：净发行越高，未来回报越低，线性负相关清晰可见。

四、L-S 组合：多回购、空增发#

把 D0（回购最多）做多、D9（增发最多）做空，每月再平衡，复利成净值：

nv = np.cumprod(1 + ls_ret[1:])            # L-S 组合净值
nv_mkt = np.cumprod(1 + mkt[1:])           # 买入持有市场做对比
ls_mean_month = ls_ret[1:].mean()
ls_std_month  = ls_ret[1:].std()
ls_ann   = ls_mean_month * 12
ls_sharpe = ls_mean_month * 12 / (ls_std_month * np.sqrt(12))
ls_tstat = ls_mean_month / (ls_std_month / np.sqrt(len(ls_ret[1:])))
win_rate = (ls_ret[1:] > 0).mean()

python

诊断（合成样本）：

指标	值
L-S 月度均值	+0.85%
年化收益	+10.2%
Sharpe	2.22
t 统计量	11.1
月度胜率	72.6%

多回购/空增发组合：累积净值跑赢市场

净值的斜率稳定向上，明显跑赢买入持有市场——注意这还是在已经扣掉市场 β、只拿异象纯 alpha 的前提下（多空组合市场暴露近似中性）。

五、横截面分布：谁是回购者，谁是增发者#

把最新一期的 NI 横截面画出来，天然是个有左尾（净回购者）和右尾（净增发者）的分布。策略就是在两端下注：

横截面净发行分布：左尾=净回购者，右尾=净增发者

左尾那些 NI 长期为负的公司，是「习惯回购、偏好回报股东」的类型（典型如苹果、微软式的持续回购者）；右尾 NI 长期为正的，是「习惯圈钱、频繁增发」的类型。异象赚的，正是这两类公司在未来回报上的系统性差距。

六、六类真实陷阱#

1. 持续性伪相关（最阴险）。 NI 有高持续性，而未来回报的「信号」也是用 NI 算的——如果你不小心用当期 NI 排档又用当期收益算档内均值，会制造虚假的单调（用今天的变量预测今天的自己）。本文严格用「t-1 期 NI 预测 t 期收益」避免，但真实回测里这是高频踩坑点。

2. 幸存者偏差。 本文 300 家公司全程存活。真实世界里，净增发最多的那批公司里有一部分是即将退市/破产的（它们增发是为续命），这部分在回测样本里如果只保留活下来的，会系统性低估增发的坏处、高估异象。用 point-in-time 数据库、包含退市样本才能消肿。

3. 市场机制变化（回购税法/监管）。 1982 年美国 SEC 的 Rule 10b-18 明确了「安全港」回购规则后，回购才大规模常态化；2003 年股息税改、2017 年减税与就业法都改变了回购动机。异象的强度在不同时期漂移很大，拿 1990 年的参数做今天的交易会失灵。

4. 规模 / 价值漂移。 净发行与市值、账面市值比高度共线：小盘、成长股更容易增发；大盘、价值股更容易回购。如果你的组合没做市值/价值中性化，赚的可能是小盘溢价或价值溢价，不是纯净的发行异象。真实研究要做中性化（对 size、BM、动量回归取残差）。

5. 流动性与交易成本。 净增发最多的公司常是近期大跌、流动性枯竭的小盘股，「做空它们」在实盘里借不到券、冲击成本爆表。纸面 L-S 的 10% 年化，扣掉做空成本可能所剩无几。这是所有「做空异象股」策略的通病。

6. 信息消化加速。 异象被发现（尤其在因子投资普及后）会被套利资金快速吃掉。FF(2015) 把它做成公开因子后，原始溢价有衰减迹象。实盘要用增量信息（如用更及时的回购公告、13F 持仓变化）而不是等财报季的滞后 NI。

七、小结#

净权益发行 NI = 新股发行 − 回购 − 配股，是管理层「用脚投票」的聪明钱信号：回购多≈低估，增发多≈高估；
横截面上 NI 与未来回报显著负相关：十档收益严格单调递减，多回购空增发的 L-S 组合年化约 10.2%、t≈11、胜率 72.6%；
异象来源是管理层择时动机 + 错误定价修正，被 FF 五因子收编为投资因子；
实盘记住六条陷阱：持续性伪相关、幸存者偏差、回购监管变迁、规模/价值漂移、做空成本、信息消化加速。

附：本文所有图表与数值均来自上方可运行 Python（NI 持续性的面板 DGP + 截面对数标准化信号 + 十档分档 + 多空组合复利），参数与结果一致，可直接复现。