导读
1、 作为西学东渐--海外文献推荐系列报告第五十八篇，本文推荐了Stephen Foerster, John Tsagarelis and Grant Wang于2017年发表的论文《Are Cash Flows Better Stock Return Predictors Than Profits?》。
2、 常用的与损益表相关的指标具有一定的预测能力，但总的来说，基于现金流的指标要优于基于损益表的指标。
3、 相较于传统基于损益表中获利能力指标所构建的投资组合，本文在现金流量度量的基础上构建投资组合。本文创建了“直接现金流量模板”，通过将经营现金流与融资、税收、非经营和投资活动分开，使得投资者能更好的了解公司如何创造价值（更好的估计公司股权的真正内在价值），从而获得较高的风险调整后收益。
4、 结果表明：1、无论是资产回报率指标亦或是权益收益率指标，相比间接法下的现金流量衡量指标，直接法下的现金流量衡量指标能更好地预测股票收益。而间接法下的现金流量衡量指标通常优于基于损益表的获利能力衡量指标；2、在控制了风险因素之后，结果依然稳健；3、对投资周期及行业进行稳健性检查，测试结果不变；4、Fama-MacBeth回归表明税收、资本支出等变量对收益率能提供额外的解释能力。
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。
1、引言
尽管各种基于损益表的衡量指标可以预测股票的横截面收益，但是直接法下的现金流量衡量指标具有更强的预测能力。我们将间接现金流量表转化为运营和其他来源的现金流量，并在这些度量的基础上构建投资组合。结果表明，基于现金流量指标的十分位组合多头远优于空头的表现。我们的结果对于投资周期、风险因子和行业都是稳健的。研究结果还表明，除了经营现金流以外，税收、资本支出等变量对收益率能提供额外的解释能力。
2、相关文献
投资者依靠诸如获利能力和现金相关的财务信息来评估公司的内在股权价值并预测收益。Fama和French（2006）发现，利润高的公司具有更高的预期收益。Novy-Marx（2013）指出，以毛利与资产的比率衡量的获利能力可有效预测股票的横截面收益。Fama和French（2015）将获利能力测度作为新因子纳入其中，扩展了他们著名的三因子模型。Hou，Xue和 Zhang（2015，2016）创建了一个包含获利因子的q因子模型，该模型在解释异常收益方面表现良好。Ball，Gerakos，Linnainmaa和Nikolaev（BGLN，2015年）表明，若能更好地匹配盈利能力指标则可以更好地预测股票收益。
尽管损益表长期以来一直是财务报表分析的重点，但依靠损益表对股票进行估值和预测股票收益的有效性也遭到了诸多质疑和挑战。臭名昭著的破产案（包括Enron公司和WorldCom公司）表明，在同一家公司中，长期盈利的损益表可以与长期负营业现金流或负自由现金流并存（典型代表见附录）。
更具体地说，我们认为现有的GAAP允许使用过多类型的财务报表，导致用户难以理解会计信息的显示方式与公司基本经济业绩之间的关系。Novy-Marx（2013）的研究表明：随着收益表中科目复杂性的提升，获利能力指标受到的“污染”越多，与“真实”经济获利能力的关联越少。
从理论上讲，如果财务信息来自相同的基础经济数据，则在进行投资决策时使用损益表中的信息和使用现金流量表中的信息应该是没有区别的。但是，如果这种假设不成立（与Enron和WorldCom的情况一样），则两者将会大相径庭。我们认为，报告之间的陈述缺乏统一性，而且陈述不连贯，因此投资者很难分析公司历史收益的质量、很难比较行业内和行业间的业绩。我们的研究表明，通过使用标准化的“直接现金流量模板”，投资者可以更好地了解与预测公司的历史、同期和未来的回报。
直接法下的现金流量（DMCF，后续统称直接现金流量）汇总了具有相似经济特征的现金流，并对具有不同特征的现金流进行了分类，例如在现金流入净额增长率中，投资者可以将由运营活动带来的增长率与由资产出售，退税或外汇收益带来的增长率区分出来。在间接法下的现金流量表中（IMCF，后续统称间接现金流量），这种计算是不可能的。此外投资者还可以模拟与运营，融资，税收和非经常性活动相关的现金流量的百分比变化。在本文中，我们重点介绍了投资者如何通过用现金流量取代常用的获利比率（例如股本收益率和价格市盈率）来获得更高的风险调整后收益。
在我们的研究中，我们首先概述了构建直接现金流量近似值的过程。我们创建了一个新的报表，该报表将经营、融资、税收和非经营现金流量进行了分类。然后，我们创建了一系列基于现金流量的财务比率，并将其与BGLN（2015）的营业利润率指标，Novy-Marx（2013）的总利润率指标以及传统的资产回报率（ROA）指标进行了比较，所有这些指标均通过总资产进行调整。而与BGLN（2015）一致，我们使用权益市场价值作为分母对指标进行调整。结果表明：1、直接现金流量测度通常比间接现金流量测度更好，间接现金流量测度又好于侧重于毛利，营业利润等各种损益表中的盈利能力指标；2、测试结果在不同投资周期、风险因素和行业中均十分可靠。
我们扩展了Novy-Marx（2013）和BGLN（2015）以及Hou，Karolyi和Kho（2011）的研究，尽管Novy-Marx（2013）认为总利润率是反应真实经济利润率的“最真实”会计指标，我们认为可以通过现金流量来得出“更真实”的指标。如同Hou等人（2011年）的研究，我们发现以现金为基础的衡量方法能有效捕捉股票回报随时间序列的变化。我们测试了直接现金流量估计值与美国市场未来股票收益之间的关系，以检验我们的推测：直接现金流量的分解允许投资者将经常性收益与非经常性收益分开，从而获得更高的收益回报。
我们将各种经营活动产生的现金流量减去资本支出后，接着根据融资活动和税收进行调整以计算新的获利能力指标。与BGLN（2015）一致，我们使用总资产和权益市场价值作为这些比率的分母。我们将这些比率与Novy-Marx（2013）的总利润率指标，BGLN（2015）的营业利润指标、资产收益率等相关指标进行了比较。我们发现：1、新的现金比率指标与未来股票收益之间存在显著的正相关关系（通过投资组合收益，信息比率和风险调整后的阿尔法来衡量）。在1994-2013年间，以S＆P 1500为样本，在控制了常见的风险因素之后，比率最高的十分位组合每年的表现都比最低的组合高出10％以上。相反，其他基于获利率和基于收益的比率与未来股票收益的关系相对较弱；2、除了经营现金流量信息外，有关税金和资本支出的信息还提供了额外的预测能力。
3、直接现金流量模板
国际财务报告准则IFRS和美国GAAP都鼓励公司使用直接的财务报表列报方法（直接法）来报告运营现金的收入和支出。但是，绝大多数公司选择使用间接方法来显示运营现金流量。不幸的是，在间接法下，现金流量表中没有运营现金收入或支出等科目。相反，仅通过调整不产生或使用现金的会计分录，将以权责发生制为基础计算的净利润调整为以收付实现制为基础计算的运营活动现金流量净值。具体科目包括折旧、应收账款/应付账款/税款的变动、以及已终止的运营/重组/特殊的费用等。此外，在间接法下无法对预期现金流量的大小、频率、时间和波动性进行建模。考虑一个完全凭信用进行的销售示例。客户延迟付款导致应收账款增加，然而收入和净收入均保持不变，就好像已收到全额付款一样。用户只有通过查看单独的运营现金流量表，才能知道现金流入减少了，应计收入增加了。尽管财务会计准则委员会（FASB）认为应计项目可以通过消除现金流量的“暂时”波动来提高盈余衡量公司业绩的能力，但我们看到的是迟来的现金流入、多个报表的不一致，从而导致定价错误，投资者经常使用近似值来调整其中的一些问题，例如“股本自由现金流”（FCFE）。
作为传统利润表和现金流量表的替代方法，我们提供了“直接现金流量模板”与间接方法不同（间接方法从净收入开始，通过调整非现金活动来与经营现金流进行对账），直接现金流模板遵循就地烹饪的原则。也就是说，它将财务信息分类为同类业务活动的集群，从而使用户能够了解企业如何创造价值。例如，与竞争优势相关的经营活动可以提高价值，并且可以重复发生。而尽管最佳的资本结构可以提高价值（考虑到债务的好处和出于税收目的的利息可抵扣性），但利息支出所反映的融资活动本身并不能提高价值。某些税收结构的潜在利益最近受到了媒体的广泛关注（即大型的，盈利性的公司缴纳的税额很少，从而能提高公司价值），但是它们的可持续性值得怀疑。其他非经营性活动也可能具有某些增值属性，但都不可持续。这种概述与早期的研究相一致，早期的研究表明，现金基础下的收益比应记基础下的收益要更持久，因此“质量更高”（Sloan 1996）。
“直接现金流量模板”（图表1）的工作方式如下：
1、我们从销售的主要现金流入手，根据应收账款的变化，递延收入以及其他经营活动现金流入进行调整。接着我们减去销货成本以及销售/管理费用，然后根据经营和存货的变化调整应付账款的变化。最终得到我们对经营净现金流量（A）的估计，类似于Ball，Gerakos，Linnainmaa和Nikolaev（2016）。
2、然后，我们通过将来自经营的净现金流量减去利息费用，并根据其他融资收入和费用进行调整，以估算融资活动后的经营活动现金流量净额（B）。
3、接着，我们通过减去与税收活动相关的现金流量（包括损益表上的税款，并根据应付账款税项和递延税项进行调整）来估算融资和税收活动后的经营活动现金流量净额（C）。
4、最后，我们通过考虑其他非经营性活动，包括终止经营的业务、外汇和与养老金相关的项目，以估算融资、税收和特殊活动之后的经营活动现金流量净额（D）。
为完整起见，并且为了使此现金流量估算值与流向股东的传统自由现金流量保持一致，我们通过减去与资本支出相关的现金流出来考虑投资活动产生的现金流量。
![]()
在我们的研究中，我们最感兴趣的是了解投资者如何根据公司产生自由现金流的能力来衡量公司的持续竞争优势。进一步来说，我们认为，通过不定期的“非运营性或非常规活动”或资金筹集（例如，债务，优先股或股权）来产生现金流的公司不如通过运营活动产生现金流的公司。
4、数据与方法
我们从北美数据库（Xpressfeed）获得了股票基本数据和定价数据。我们样本的投资范围是标准普尔1500，由市值最大的500只股票，及400只中型股和600只小型股组成。我们选择标准普尔1500以确保股票是真正可投资的，标准普尔1500成份股数据也来自Xpressfeed。对于每个月，我们都会获取当时标准普尔1500指数中的股票清单，以避免任何生存偏差。考虑到金融与非金融公司之间的主要结构差异（例如，杠杆），在我们报告的大多数分析中，我们都排除了金融公司（银行，保险公司和REITs），该部分约占样本的15％。样本包含了收入为负的公司（约占样本的13％）和经营现金流为负的公司（约占样本的6％）。自1987年以来，现金流量表的编制在美国才成为强制性的规定，而数据库自1994年10月起提供了S＆P 1500的实际指数成分。因此我们使用1994年10月到2013年12月的数据。我们在研究中使用的主要基本变量如下：
经营活动现金流量净额：OANCF
净销售额：SALE
应收账款–减少/增加：RECCH
销货成本：COGS
销售/一般/管理费用：XSGA
折旧和摊销–损益表：DP
折旧和摊销–现金流量表：DPC
经营资金–其他：FOPO
应付账款和应计负债–增/减：APALCH
库存–减少/增加：INVCH
资产和负债–其他–净变化：AOLOCH
出售不动产，厂场，设备和投资–损益：SPPIV
利息和相关费用–总计：XINT
所得税–总计：TXT
应计所得税–增/减：TXACH
递延税款–现金流量：TXDC
特殊项目：SPI
停业部门：DO
非常规项目：XI
资本支出：CAPX
扣除非常规项目前的收入–可供普通股使用：IBCOM
按照行业惯例，我们使用上述变量的TTM值。我们使用每个季度的新信息以更新这些TTM值，为了避免任何前瞻性偏差，我们仅使用了滞后四个月的会计数据。我们使用了两个变量来对各种指标进行归一化：（1）总资产（2）股本的市场价值，使用流通在外的普通股乘以月底价格来衡量。
根据图表1中的模板定义，我们创建了直接和间接自由现金流量的各种度量。CFAFAT代表融资和税收活动后的经营活动产生的现金流量净额（C）–资本支出；CFAF代表融资活动后的经营活动产生的现金流量净额（B）–资本支出；CFO代表来自经营活动的净现金流量（A）–资本支出。我们将这些直接方法下的现金流量度量与间接方法下的现金流量度量CFIM（定义为经营活动净现金流量（OANCF）–资本支出）进行了比较。请注意，经营活动净现金流量（OANCF）与图表1中的融资，税收和特殊活动之后的经营活动产生的现金流量净额（D）相同。
然后，我们使用这些自由现金流量来构建资产回报率和权益回报率等指标。变量CFAFAT / TA是自由现金流量指标CFAFAT除以总资产得的资产现金收益率。变量CFAF / TA，CFO / TA和CFIM / TA是资产回报率的替代度量，分子分别使用CFAF，CFO和CFIM。营业利润度量OP / TA的分子为营业利润（BGLN [2015]通过从销售中减去销货成本以及销售/一般/行政费用（不包括研发）来估算。Novy-Marx（2013）的毛利润与总资产GP / TA，分子是用销售收入减去销货成本计算的毛利润。传统的资产回报率是用IBCOM（普通股股东可获得的不计特殊项目的收益）除以总资产测得的。权益收益率测度与刚才描述的测度相似，不同的是使用权益市场价值（MVE）代替总资产作为分母。传统的收益率E / P（市盈率的倒数）以净收益除以股票的市场价值来衡量，并简单地表示为NI / MVE。根据上一节的讨论，我们认为分子中使用CFAFAT和CFAF的指标的效果会更好。
对于每个月，我们通过特定的资产回报率或权益收益率对标准普尔1500家公司进行排名，然后将排名从最低到最高分为十组投资组合。我们以价值加权为基础计算了未来一个月的投资组合收益（我们还考虑了其他投资周期）。我们估计多空投资组合收益为最高和最低投资组合收益之间的收益差异。然后，我们测试了收益差异的显著性。
5、实证结果
我们通过分析各种现金流量的组成部分以了解这些组成部分如何提供有关预测股票收益的增量信息。例如，除了有关公司经营的信息外，现金流中是否还有关于融资，税收，投资或其他非经营活动的增量信息？同时我们将营业现金流量信息与毛利（GP）和营业利润（OP）等会计指标进行比较。
5.1
相关性分析
我们首先检查不同现金流量测度方法下，公司间的加权平均相关性（经过1％和99％的winsorized处理）。具体指标如下：直接方法下来自经营活动的现金流量CFODM ; 间接方法下来自经营活动的现金流量CFOIM；Novy-Marx（2013）的净现金加上折旧/摊销额减去营运资金变动减去资本支出的自由现金流量CFONM；金融活动FinAct；税收活动TaxAct；其他活动OthAct；资本支出Capex。我们用总资产（TA）或权益市值（MVE）来调整每个变量。结果如下：
1、CFODM / TA，CFOIM / TA和CFONM / TA度量之间存在高度相关性：前两个度量为0.81，第一个和第三个度量降至0.45。与BGLN（2015）一致，在许多情况下，分子相同但分母为MVE或TA的变量之间的相关性非常低：对于CFODM为0.28；对于CFOIM为0.32；对于CFONM为0.47。这些结果表明，总资产的账面价值的影响随着时间的推移而缓慢变化，而权益的市场价值则经常变化并且可能会发生较大幅度的变化。
2、在总资产为分母的三个现金流量度量中，我们看到FinAct（负），TaxAct（正）和Capex（正）的相关性基本保持一致。FinAct的相关性的绝对值通常较低，低于0.23，而Capex的相关性的绝对值通常略高，而TaxAct的相关性的绝对值更高（高于0.48）。OthAct与CFODM和CFOIM变量之间的相关性的绝对值很小，但是OthAct与CFONM之间的相关性的绝对值却很高（0.55）。分母为MVE的指标其相关性往往较低。
![]()
5.2
Fama-MacBeth横截面回归分析
根据BGLN（2015），我们进行了Fama和MacBeth（1973）的横截面回归分析。对于我们样本中的每个月，我们根据来自经营活动的现金流量净额（图表1中的“A”）对每只股票的提前一个月回报进行了回归。在其他回归中，我们使用其他自变量：按利息支出计量的融资活动±其他融资收入/支出；损益表上的税项计量的税项活动–应付款税项的变动±递延税项的变动；其他非经营性活动、已终止的业务/特殊费用±外汇收益/损失±养恤金收益/损失/缴款；和资本支出。我们用总资产的账面价值对所有变量进行了调整。与BGLN（2015）相似，我们引入了许多控制变量：Log（BVE / MVE）是股权账面价值与股权市场价值之比的自然对数；log（ME）是一个规模变量，以股权市场价值的自然对数度量来衡量；r1,1是股票一个月前的收益；r1,12是股票上一年的收益。我们根据第1个百分位数和第99个百分位数对所有自变量进行winsorize处理。我们还进行了不同的单独回归，将来自经营的现金流量净额替换为：1、Novy-Marx（2013）的毛利润度量；2、BGLN（2015）的营业利润度量；3、基于间接方法的经营现金流量度量（CFOIM）；4、Novy-Marx（2013）的自由现金流量（CFONM），计算方法为净收入加上折旧/摊销费用减去营运资金变动减去资本支出。
图表3的结果包括斜率系数的平均值及其t值。第1列显示了毛利润回报率和控制变量的回归；第2列显示营业利润率和控制变量的回归，第3列为来自经营活动的现金流量净额（图表1中的“A”）和控制变量的回归。我们可以在第1列中看到，毛利润测度略微显著，t统计量为1.81。在第2列中，营业利润测度则非常显著，t统计量为3.38；在第3列中，经营活动产生的现金流量净额的系数估计值也很显著，t统计量为3.22。
在第4列和第5列中报告的回归结果使我们可以将第1列和第2列中的结果与添加经营活动产生的现金流量净额的效果进行比较。在第4列中，我们看到经营活动产生的现金流量净额包含了毛利润度量，因此毛利润度量不再重要。第5列显示，尽管经营活动产生的现金流量净额确实具有略高的t统计量，但营业利润量度或经营活动产生的现金流量净额均不重要（可能是由于多重共线性）。
第6、7和8列中显示的回归结果为在第1、2和3列的分析下增加具有与融资活动，税收活动，非营业活动和资本支出相关的现金流量自变量。在所有情况下，调整后的都会增加。在第6列中，毛利润测度的显著性下降，t统计量为1.64，并且其余自变量均不显著。结果表明毛利衡量标准受其他衡量指标支配，这一结果不足为奇。在第7列中，营业利润指标仍然很重要，t统计量为3.85。但是，税收活动系数估计和资本支出的系数估计都具有负显著性，与第8列的测量结果相似，除了经营活动产生的现金流量净额（仍显著，t统计值为3.60）之外，税收活动系数的估计值为负且略有显著性，t统计值为–1.91；资本支出系数估计值也为负显著，t统计量为–2.03。
与我们最初的推测相符，我们发现融资活动的系数估计不具显著性，这个结果也与BGLN（2015）一致。但是，与BGLN（2015）不同，我们发现我们的税收活动系数估计为负显著。随着现金税的增加，我们预期该指标与股东的内在价值呈负相关。而资本支出变量的负系数估计被称为投资效应或资产增长效应。两种可能的解释与投资和过度投资的q理论有关。在第一种解释中，当股票收益低于预期时，公司将进行更多投资。在第二种解释中，增加投资的公司可能会过度投资。市场可能将某些资本投资解释为效率低下。例如，大型风险项目的资本支出可能会导致不利的结果。
第9列显示了CFOIM以及与融资活动，税收活动，非经营活动和资本支出（投资活动）现金流的回归结果。不出所料，CFOIM系数估计值非常重要，t统计量为3.71。与我们的第7列和第8列的结果一致，资本支出系数估计值为负显著。税收活动系数估计仍为负但不显著，而营业外活动系数估计为负且略显著。最后，第10列的回归与第9列相似，但使用CFOIM度量代替了自由现金流（CFONM），该度量为净收入加折旧减去营运资金变化减去资本支出（Novy-Marx，2013年），结果仅非经营活动现金流显著。
![]()
总体而言，我们的结果表明，在使用现金流量组成部分以预测横截面收益时还存在其他额外信息。除了来自经营活动的现金流中所包含的信息外，在税收活动和资本支出方面还有额外的信息。在经营活动中产生强劲现金流，同时缴纳相对较低的现金税且资本支出相对较少的公司，股票收益往往表现较佳。
5.3
分位数投资组合回报分析
接下来，我们比较各种价值加权投资组合的一个月收益，回测时间为1994年10月至2013年12月。正如预期的那样，所有度量之间存在单调关系（但不是完美），较高的指标往往会比较低的指标表现出更好的一个月回报。
从图表4中我们可以看出，在分母为总资产的度量中：1、Novy-Marx（2013）的GP / TA变量具有最高的多头收益率，但在多空组合收益中却没有最大（许多现金流量指标的横截面变化更大）；2、根据DMCF方法（CFAFAT / TA，CFAF / TA和CFO / TA）进行分类的投资组合，其多空组合收益显著为正（t统计范围为2.14至2.73），月回报率介于0.64％至0.82％之间。信息比率为0.489到0.623；3、对于间接方法下现金流量回报率度量（CFIM / TA），其多空组合月度收益率降至0.49％，但不显著，信息比率降至0.356；4、根据营业利润与总资产（OP / TA）进行分类的投资组合其多空组合收益与CFIM / TA变量非常相似（0.49％），信息比率也相同（0.356）。也类似于基于毛利润对总资产的衡量（GP / TA）的多空组合收益率（0.49％），但是由于标准差较低，因此t-统计量为2.10，信息比率更高，为0.480；5、对于资产回报率（NI / TA）的度量，每月的多空组合收益率仅为0.06％，并且与零之间没有显著差异，信息比率降至0.040。
在这些现金流量回报率指标中，表现最好的多空组合是基于CFAF指标（融资活动产生的经营活动净现金流量，即图表1中的B减去资本支出）。此衡量方法也具有最高的信息比率。这些初步结果表明，在多头和空头头寸中，现金流量指标优于获利能力指标，因为现金相关信息可能会提供更多信息，并且现金流量指标在投资组合中的分散程度更大。
而在分母为股票市值的度量中。我们可以看到：1、基于三种直接方法现金流量度量（CFAFAT / MVE，CFAF / MVE和CFO / MVE）和间接方法现金流量度量（CFIM / MVE），其投资组合的多空收益率都呈正显著（t统计量介于1.91至3.03之间），月回报率差异介于0.55％至0.77％之间，信息比率为0.436到0.692；2、按营业利润率（OP / MVE）排序的投资组合的多空收益率为0.70％，信息比率较低（0.380）；3、对于毛利润率（GP / MVE），多空组合收益率为0.58％（每年7.2％），但不显著，信息比率降至0.313；4、对于收益率度量（NI / MVE），每月的多空组合收益率为0.43％，并且不显著，信息比率仅为0.271。
在这些现金流量回报指标中，表现最佳的多空组合为基于CFAF的排序，同时信息率最高。与间接现金流量量度（CFIM / MVE）相比，CFAFAT和CFAF的信息比率更高。我们的结果表明，现金流量指标的表现优于获利能力指标。
![]()
5.4
分位数投资组合回报分析
我们通过使用投资组合P1至P10的收益率以及多空组合收益率，以更系统的方式对常见的风险因素进行回归分析。具体回归模型为：
![]()
因变量是从P1（低）到P10（高）的投资组合收益率及多空组合收益率。自变量是Fama–French（1993）三因子模型。在控制了这些风险因子之后，截距被解释为alpha或异常回报。如果alpha为正显著，则意味着无法通过组合风险因子来形成有效的投资组合。我们使用了White（1980）的异方差一致性标准误差，为了进行比较，我们列出了超出每月国库券的平均月收益（来自Ken French网站）。
图表5、6、7总结了我们的回归结果。A部分为空头投资组合的回归结果。B部分为多头投资组合的回归结果。C部分为多空组合收益率的回归结果。
![]()
![]()
![]()
针对于各因子的测试结果显示：1、分位数测试下投资组合的alpha单调递增；2、在A部分中（空头结果），大多数alpha均为负值，但不显著；3、在B部分中（多头结果），除CFO / MVE，OP / MVE和GP / MVE外，其余alpha都为正显著。
在大多数情况下，基于现金流量的指标具有比相应的OP指标更高的alpha。而GP度量以TA为分母时有效，而MVE为非有效的分母，在两种情况下，其alpha值均低于相应的OP度量。与间接方法变量相比，大多数DMCF下的变量能产生更大的alpha。在分母为TA的DMCF变量中，CFAF的alpha为1.11％；对于CFO而言，alpha为1.07％。以MVE为分母，CFIM的alpha值为0.67％。结果表明，即使控制了众所周知的风险因素，我们发现“直接现金流量”报表中的信息依然具有重大价值。一般而言，直接现金流量衡量指标往往要好于间接现金流量衡量指标，而间接现金流量衡量指标往往优于盈利能力衡量指标。在盈利能力指标中，营业利润指标往往优于毛利润指标，而毛利润指标又优于净利润指标。
而正如Fama和French（1992）以及BGLN（2015）所指出的，可以通过理性或非理性的资产定价来解释资产收益率、权益收益率与未来股票收益率之间的关系。定价错误可以由非理性投资者的行为或短期交易摩擦来解释；或者，在我们的回归模型中可能存在未被这三个因子捕获的风险因素。因此在下一节中，我们考虑捕捉更多风险因素的五因子模型及更长的投资周期（假设交易摩擦不应该长时间持续）。
6、鲁棒性检查
6.1
Fama-French五因子模型回归
Fama and French（2015）引入了五因子模型，该模型建立在他们最初的三因子模型的基础上：
![]()
另外两个因子是RMW，即稳健的经营盈利能力投资组合的平均回报减去弱的经营盈利能力投资组合的平均回报，以及CMA，即保守（低）投资组合的平均回报减去激进的（高）投资组合的平均回报。他们认为，该模型在捕捉规模，价值，盈利能力和投资模式方面优于三因子模型。他们还认为，如果五因子能够捕获所有预期收益的变化，则截距（alpha）应该为零。
RMW因子的增加与我们的研究非常相关，因为我们认为现金度量标准中存在一些信息，而这些信息并未在基于会计的盈利性度量标准中获得。如果我们的结果是可靠的，并且我们发现多空投资组合具有正显著的alpha，那么我们可以有把握地得出结论，现金流量指标比盈利能力指标更重要。实际上，这就是我们在图表8中所发现的：1、在以总资产作为分母的相关指标中，所有与现金相关的指标其alpha都为正显著。尽管营业利润指标也很重要，但其alpha比所有与现金相关的指标要小。而毛利度量和净收入度量其alpha都不显著；2、在分母为权益市场价值的衡量标准中，现金衡量指标（CFO除外）的alpha值高于获利能力指标的alpha值，并且具有显著意义，而获利能力指标的alpha值均不显著。
因此，对于基于现金分类指标所构建的组合来说，五因子模型并不能涵盖预期收益的所有变化。
![]()
6.2
不同投资周期下的回报分析
通过考虑不同长度的持有期，包括3个月，6个月和12个月，我们重新测试了不同持有期的回归结果。结果通常与一个月的回归结果一致。总结如下：1、对于所有现金流量回报指标以及营业利润（OP / TA）和毛利润（GP / TA）指标，三个月的多空组合收益率均显著为正，而传统的资产收益率指标（NI / TA）则不显著；2、DMCF度量下的多空组合收益率最大，其次是GP / TA，然后是间接方法现金流量度量；3、对于权益收益率指标，所有多空组合收益率均显著为正，CFAF / MVE，CFIM / MVE，OP / MVE和GP / TA指标的数量级相似；4、在资产收益率测度中，GP / TA测度的信息比率最高。在权益收益指标中，现金流量指标的信息比率远高于利润指标。
在六个月的时间范围内，除NI / TA度量外，在资产为分母的度量下，各个指标的多空组合收益率均为正显著，其中最高的指标是CFAF / TA，其六个月的多空组合收益率为3.4％。在权益收益率指标中，CFIM / MVE和GP / MVE的六个月多空组合收益率几乎相同，约为3.8％。在资产收益指标中，GP / TA衡量的信息比率最高，其次是各种现金流量指标；在权益收益指标中，现金流量指标的信息比率同样远高于利润指标。
12个月回报的回归结果类似于6个月回报的回归结果。在资产收益率和权益收益率两个指标中，与间接法下的现金指标相比，直接法下的现金指标显示出更高的信息比率。直接法和间接法下的现金指标其多空组合收益率通常优于获利能力指标，而获利能力指标又优于净收入指标。即使在12个月的时间范围内，CFAF / MVE的多空组合也可提供近7.5％的年化回报。总体而言，不同持有期的回归结果与我们先前的结果一致，同时也表明对于较长的持有期，尽管多空组合收益率会逐渐减小，但仍然是正显著的。
尽管更长的持有期会导致所有衡量指标的收益略低，但要权衡的是，更长的持有期也会减少换手率，从而降低交易成本。我们试图通过检查与持有期相关的换手率来量化这些成本。对于一个月的持有期，四种现金流量度量的平均双向换手率为19％（分母为总资产）及25％（分母为股权的市场价值）。而在三个获利能力指标中，平均月换手率为10％（分母为总资产）及24％（分母为权益的市场价值）。对于年度持有，四种现金流量度量的平均双向换手率为113％（无论分母为总资产或股权的市值）。而在三个获利能力指标中，平均年换手率为78％（分母为总资产）及100％（分母为权益的市场价值）。参考Leclerc，L'Her，Mouakhar和Savaria（2013年），我们假设双向再平衡成本为每1％换手率0.882个基点。在现金流量测度中，月度来看，以总资产为分母时，每月净收益将减少约0.17％，而以所有者权益的市场价值为分母时，则将减少0.22％。而在这三个获利能力指标中，以总资产为分母时，每月净回报将减少0.09％，而以权益的市场价值为分母时，则将减少0.21％。年度来看，以总资产为分母时，将净年度收益减少约0.99％，而所有者的市值为分母时，则净年度收益将减少1.00％。而在这三个获利能力指标中，以总资产为分母，则净年度收益将减少0.69％，而以股票市值为分母，则将减少0.88％。我们发现即使在重新平衡成本之后，我们的结果也是可靠的，基于现金流量的衡量指标提供的收益依然要高于盈利衡量指标。
6.3
行业分析
为了检查我们的结果是否受特定行业影响，我们进行了一系列测试。首先，我们根据GICS将样本划分为10个全球行业分类：能源，材料，工业，非必需消费品，必需消费品，医疗保健，金融，信息技术，电信服务和公用事业。我们估算了不同度量指标下每个行业的信息比率。结果发现不尽相同，总结如下：
1、对于以总资产为分母的指标，现金流量指标的表现往往好于各种获利能力指标和收益指标，尤其是在能源和工业领域，在材料，非必需消费品，医疗保健，电信和金融行业也是如此。对于电信公司而言，所有指标的信息比率均很强，其中营业利润指标表现最佳。在消费必需品和公用事业的所有衡量指标中，除了NI / TA以外其余指标信息比率都很低；
2、对于以股票市场价值为分母的指标，现金流量指标的表现往往好于各种获利能力和收益指标，尤其是在工业、非必需消费品、信息技术领域、消费必需品以及电信行业。盈利性指标在能源，材料和医疗保健领域往往表现更好。
图表9展示了与行业有关的另一组稳健性检查。就股票投资的行业而言，空头投资组合的行业构成可能与多头投资组合的行业构成有很大不同。为了控制这种可能性，我们创建了与行业无关的投资组合：我们根据现金流指标或其他指标对GICS 24个行业中的20个行业进行排序（剔除金融机构，包括银行，保险公司，多元化金融机构和REIT），接着再分别从20个行业中挑选指标值低的股票构建空头投资组合，从20个行业中挑选指标值高的股票构建多头投资组合，以达到行业中性。总结如下：
1、图表9中的A部分为一个月价值加权回报的结果，该结果通常与图表2中的结果一致，但也有一些明显的例外。对于以总资产为分母的结果，我们看到除了NI / TA指标外，现金流量指标比获利能力指标具有更高的多空组合收益率和信息比率。而OP / TA的多空组合收益率和GP / TA的多空组合收益率均不显著，这表明该指标的有效性可能是受益于一个行业中的多头头寸和另一行业中的空头头寸。在权益收益率的度量中，除了GP / MVE略显著外，其他所有多空组合收益率均显著。
2、图表9中的B部分与图表10为行业中性投资组合的回归结果。这些结果与图表5中的结果相似。OP / TA和GP / TA的alpha值低于相应的现金指标。对于权益收益率的度量，OP / MVE和GP / MVE 的alpha不显著。因此，我们的结果并不是由特定行业所驱动。此外，对于我们的样本，在行业中性的情况下，营业利润和毛利润的分组效果不如基于现金流的分组效果。
![]()
![]()
7、结论
受Novy-Marx（2013）的启发，与损益表相关的指标受到较高的重视（例如毛利润占总资产的比重），投资者通常将其作为截面回报的预测指标。在本文中，我们表明常用的与损益表相关的指标具有一定的预测能力，但总的来说，基于现金的指标要优于基于损益表的指标。通过将经营现金流与融资、税收、非经营和投资活动分开，本文创建了“直接现金流量模板”。我们认为，这种分类有助于投资者了解公司如何创造价值，从而更好地估计公司股权的真正内在价值。我们发现：1、无论是资产回报率指标或是权益收益率指标，相比间接法下的现金流量衡量指标，直接法下的现金流量衡量指标能更好地预测股票收益。而间接方法下的现金流量衡量指标通常优于基于获利能力的损益表衡量指标；2、在控制了风险因素之后，结果依然稳健。3、本文对投资周期及行业进行稳健性检查，测试结果不变。4、Fama-MacBeth回归表明税收、资本支出等变量对收益率能提供额外的解释能力。
我们的结论为国际会计准则理事会（IASB）和美国财务会计准则（FASB）的举措提供了支持。从投资的角度来看，投资者可以通过将融资、税收、投资、非经营和非经常性活动从经营现金流量中分离出来进一步分析，从而能够获得更好的投资信息。尽管基于各种原始财报指标的“价值投资”策略已深植人心，但我们的研究表明，分析师和投资者在使用改良后的财报指标会有更好的投资收益。
8、附录
公司可以使用直接法或间接法来显示其来自经营活动的净现金流量。在每种方法下，来自经营活动的净现金流量将相同。但是，直接方法列出了每个重要业务活动的已收现金和已支付现金的特定金额以及对应于经营活动产生的净现金流量。我们认为，通过结合使用损益表及现金流量表的信息，投资者可以更好地区别出增加净现值的经常性现金流，分离不增加净现值的融资活动现金流以及一次性收益/损失等。另一方面，无需个别去识别供任何经营活动的现金收入和支出，间接方法仅通过在损益表和实际现金流量之间调和信息以计算经营活动中的现金净额，因此，间接法不像直接法那样直观。
为了突出一些关键概念并说明如何使用直接和间接方法来报告经营现金流量，我们从XYZ 公私的损益表和资产负债表入手，如图表11所示。
在直接法下，净经营现金流量是通过使用与损益表和资产负债表相关的特定现金流入和流出来计算的，如图表12所示。
此处提供的信息以直观且不失真的方式描述了现金流入和流出的总额，以及应计收入、应记成本、现金流入与现金流出。例如，尽管XYZ有$ 1,000的销售额，但在此期间仅收到$ 800的现金其余额以信贷方式出售。销货成本，经营支出和营运资金需求总计为850美元。在经营现金流的基础上，该公司本期间遭受了–150美元的亏损，再加上利息支出和有利的税收影响，净经营现金流为–102美元。
在间接法下，净经营现金流量是根据净收入与营运资金变动之间的差额计算的，如图表13所示。
在这两种方法下，来自经营活动的净现金皆为–102美元。但是，直接法显示按主要业务活动分开的特定现金收入和支出。间接方法仅对净收入进行调节。间接法下用户可能不完全理解业务活动（预筹资，税前）产生了–150美元的损失。此外，直接法将周转金损益关联到其各自的原科目（应收销售账款，应付账款至销售商品成本的账目），但间接报表将这些周转金变动与净收入相关联，从而用户无法直观的找到对应的原科目。因此，投资者可以采用三种不同的推断方法：净收入（$ 148），直接业务现金流（-$ 150）和净经营现金流（-$ 102）。
![]()
![]()
![]()
9、参考文献
[1] American Institute of Certified Public Accountants. 1973. “Objectives of Financial Statements.” Report of the Study Group on the Objectives of Financial Statements.
[2] Anderson, Christopher, and Luis Garcia-Feijóo. 2006. “Empirical Evidence on Capital Investment, Growth Options, and Security Returns.” Journal of Finance, vol. 61, no. 1 (February): 171–194.
[3] Baker, Malcolm, Jeremy Stein, and Jeffrey Wurgler. 2003. “When Does the Market Matter? Stock Prices and the Investment of Equity-Dependent Firms.” Quarterly Journal of Economics, vol. 118, no. 3 (August): 969–1005.
[4] Ball, Ray, Joseph Gerakos, Juhani Linnainmaa, and Valeri Nikolaev. 2015. “Deflating Profitability.” Journal of Financial Economics, vol. 117, no. 2 (August): 225–248.
[5] 2016. “Accruals, Cash Flows, and Operating Profitability in the Cross Section of Stock Returns.” Journal of Financial Economics, vol. 121, no. 1 (July): 28–45.
[6] DeFond, Mark, and Chul Park. 2001. “The Reversal of Abnormal Accruals and the Market Valuation of Earnings Surprises.” Accounting Review, vol. 76, no. 3 (July): 375–404.
[7] Fama, Eugene F., and Kenneth R. French. 1992. “The Cross-Section of Expected Returns.” Journal of Finance, vol. 47, no. 2 (June): 427–465.
[8] 1993. “Common Risk Factors in the Returns on Stocks and Bonds.” Journal of Financial Economics, vol. 33, no. 1(February): 3–56.
[9] 2006. “Profitability, Investment and Average Returns.” Journal of Financial Economics, vol. 82, no. 3 (December): 491–518.
[10] 2008. “Dissecting Anomalies.” Journal of Finance, vol. 63, no. 4 (August): 1653–1678.
[11] 2015. “A Five-Factor Asset Pricing Model.” Journal of Financial Economics, vol. 116, no. 1 (April): 1–22.
[12] Fama, Eugene F., and James D. MacBeth. 1973. “Risk, Return, and Equilibrium: Empirical Tests.” Journal of Political Economy, vol. 81, no. 3 (May–June): 607–636.
[13] FASB. 1987. “Statement of Financial Accounting Standards No.95：Statement of Cash Flows.” Financial Accounting Standards Board (November).
[14] 2008. “Preliminary Views on Financial Statement Presentation.” Financial Accounting Series Discussion Paper No.1630-100, Financial Accounting Standards Board (16 October): http://fasb.org/draft/DP_Financial_Statement_Presentation.pdf.
[15] Graham, John R., Campbell R. Harvey, and Shiva Rajgopal. 2005. “The Economic Implications of Corporate Financial Reporting.” Journal of Accounting and Economics, vol. 40, no. 1–3 (December): 3–73.
[16] Hackel, Kenneth S., and Joshua Livnat. 1992. Cash Flow and Security Analysis. Homewood, IL: Business One Irwin.
[17] Hackel, Kenneth S., Joshua Livnat, and Atul Rai. 1994. “The Free Cash Flow/Small-Cap Anomaly.” Financial Analysts Journal, vol. 50, no. 5 (September/October): 33–42.
[18] Harvey, Campbell R., Yan Liu, and Heqing Zhu. 2016. “… and the Cross-Section of Expected Returns.” Review of Financial Studies, vol. 29, no. 1 (January): 5–68.
[19] Healy, Paul M., and James M. Wahlen. 1999. “A Review of the Earnings Management Literature and Its Implications for Standard Setting.” Accounting Horizons, vol. 13, no. 4 (December): 365–383.
[20] Hou, Kewei, G. Andrew Karolyi, and Bong-Chan Kho. 2011. “What Factors Drive Global Stock Returns?” Review of Financial Studies, vol. 24, no. 8 (August): 2527–2574.
[21] Hou, Kewei, Chen Xue, and Lu Zhang. 2015. “Digesting Anomalies: An Investment Approach.” Review of Financial Studies, vol. 28, no. 3 (March): 650–705.
[22] 2016. “A Comparison of New Factor Models.” Charles A. Dice Center Working Paper No. 2015-05 (June): http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2520929.
[23] Houge, Todd, and Tim Loughran. 2000. “Cash Flow Is King? Cognitive Errors by Investors.” Journal of Psychology and Financial Markets, vol. 1, no. 3–4: 161–175.
[24] Kellogg, Irving, and Loren Kellogg. 1991. Fraud, Window Dressing, and Negligence in Financial Statements. New York: McGraw-Hill.
[25] Lakonishok, Josef, Andrei Shleifer, and Robert W. Vishny. 1994. “Contrarian Investment, Extrapolation, and Risk.” Journal of Finance, vol. 49, no. 5 (December): 1541–1578.
[26] Livnat, Joshua, and Germán López-Espinosa. 2008. “Quarterly Accruals or Cash Flows in Portfolio Construction?” Financial Analysts Journal, vol. 64, no. 3 (May/June): 67–79.
[27] Livnat, Joshua, and Massimo Santicchia. 2006. “Cash Flows, Accruals, and Future Returns.” Financial Analysts Journal, vol. 62, no. 4 (July/August): 48–61.
[28] Markham, Jerry. 2006. A Financial History of Modern U.S. Corporate Scandals: From Enron to Reform. Armonk, NY: M.E. Sharpe.
[29] Novy-Marx, Robert. 2013. “The Other Side of Value: The Gross Profitability Premium.” Journal of Financial Economics, vol. 108, no. 1 (April): 1–28.
[30] O’Glove, Thornton L. 1987. Quality of Earnings: The Investor’s Guide to How Much Money a Company Is Really Making. New York: Free Press.
[31] Pástor, Lubo, and Robert F. Stambaugh. 2003. “Liquidity Risk and Expected Stock Returns.” Journal of Political Economy, vol. 111, no. 3 (June): 642–685.
[32] Reilly, David. 2007. “Profit as We Know It Could Be Lost with New Accounting Statements.” Wall Street Journal (12 May): http://online.wsj.com/article/SB117893520139500814.html.
[33] Richardson, Scott A., Richard G. Sloan, Mark T. Soliman, and rem Tuna. 2005. “Accrual Reliability, Earnings Persistence and Stock Prices.” Journal of Accounting and Economics, vol. 39, no. 3 (September): 437–485.
[34] Siegel, Joel. 1991. How to Analyze Businesses, Financial Statements, and the Quality of Earnings, 2nd ed. Englewood Cliffs, NJ: Prentice Hall.
[35] Sloan, Richard G. 1996. “Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?” Accounting Review, vol. 71, no. 3 (July): 289–315.
[36] Thomas, Jacob, and Frank Zhang. 2014. “Valuation of Tax Expense.” Review of Accounting Studies, vol. 19, no. 4 (December): 1436–1467.
[37] Thomas, Jacob K., and Huai Zhang. 2002. “Inventory Changes and Future Returns.” Review of Accounting Studies, vol. 7, no. 2 (June): 163–187.
[38] Titman, Sheridan, K.C. John Wei, and Feixue Xie. 2004. “Capital Investments and Stock Returns.” Journal of Financial and Quantitative Analysis, vol. 39, no. 4 (December): 677–700.
[39] 2013. “Market Development and the Asset Growth Effect: International Evidence.” Journal of Financial and Quantitative Analysis, vol. 48, no. 5 (October): 1405–1432.
[40] White, Halbert. 1980. “A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity.” Econometrica, vol. 48, no. 4 (May): 817–838.
[41] Xie, Hong. 2001. “The Mispricing of Abnormal Accruals.” Accounting Review, vol. 76, no. 3 (July): 357–373.
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成， 在政策、市场环境发生变化时模型存在失效的风险。
![]()
海外文献推荐系列第五十七期：如何将因子信息融入到指数基金和主动基金之中
海外文献推荐系列第五十六期：全球区域配置框架：构建全球FOF型ETF
海外文献推荐系列第五十五期：基于宏观经济因子的战术资产配置
海外文献推荐系列第五十四期：公司治理、ESG与全球股票收益关系
海外文献推荐系列第五十三期：协方差矩阵预测方法的比较
海外文献推荐系列第五十二期：如何有效利用ESG数据构建Smart Beta指数
海外文献推荐系列第五十一期：风险轮动中的风险规避
海外文献推荐系列第五十期：基于风险溢价的投资组合—一类风险分散的新方法
海外文献推荐系列第四十九期：横截面收益中的稀疏信号研究
海外文献推荐系列第四十八期：基于机构投资者交易情绪的动态资产配置研究
海外文献推荐系列第四十七期：主动投资中的 Timing 与 Sizing
海外文献推荐系列第四十六期：市场对称性及其在组合选择中的运用
海外文献推荐系列第四十五期：股票、债券和因果关系
海外文献推荐系列第四十四期：如何确定股票的联动效应？基于网络模型的择时研究
海外文献推荐系列第四十三期：ESG投资基础：ESG对股票估值、风险和收益的影响研究
海外文献推荐系列第四十二期：使用机器学习方法预测基金持
海外文献推荐系列第四十一期：防御性宏观因子择时研究
海外文献推荐系列第四十期：股票收益的周内效应研究
海外文献推荐系列第三十九期：战术性资产配置的宏观经济仪表盘
海外文献推荐系列第三十八期：宏观量化投资新基础
海外文献推荐系列第三十七期：如何预测中国股市的下行拐点
海外文献推荐系列第三十六期：行业分类方法重构的有效性研究
海外文献推荐系列第三十五期：目标波动性策略最优性研究
海外文献推荐系列第三十四期：价值投资、成长投资的基本原则及“价值陷阱”的解释
海外文献推荐系列第三十三期：因子溢价与因子择时-跨越世纪的实证结果（二）
海外文献推荐系列第三十三期：因子溢价与因子择时-跨越世纪的实证结果（一）海外文献推荐系列第三十二期：构建纯多头多因子策略：投资组合合并与信号合并海外文献推荐系列第三十一期：如何对分析师预期数据进行建模?-基于贝叶斯方法的研究
海外文献推荐系列第三十期：什么是质量因子注：文中报告节选自兴业证券经济与金融研究院已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
证券研究报告：《西学东渐--海外文献推荐系列之五十八》
对外发布时间：2020年01月09日
报告发布机构：兴业证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）
--------------------------------------
分析师：徐寅
SAC执业证书编号：S0190514070004
电话：18602155387,021-38565949
E-mail: xuyinsh@xyzq.com.cn
--------------------------------------
联系人：郑兆磊
电话：13918491550
微信：13918491550
E-mail: zhengzhaolei@xyzq.com.cn
--------------------------------------
更多量化最新资讯和研究成果，欢迎关注我们的微信公众平台（微信号：XYZQ-QUANT）！
|
|
转播
