實證分析與結果
第三節 公司未來股價報酬分析
從前面營收的分析，已經得知正面詞彙(褒義詞)對於營收具有解釋能力，現在接著我 們要檢定這些資訊是否還未反應在股價上面？不幸地我們不能立刻在資訊發生時與股價報酬 產生變化時同時檢定這個推論，因為我們很難確定是新聞資訊影響股票報酬，還是股票報酬 影響新聞資訊。所以我們假設投資者無法立刻完整地反應所有資訊從正面詞彙或負面詞彙。
為了驗證這個假設，我們檢定正面詞彙(褒義詞)或負面詞彙(貶義詞)是否能夠預測股票的未來 報酬？
在（表 4-3）與（表 4-4）中我們發現正面詞彙對於股票報酬率似乎沒有顯著的效果存 在，能夠解釋未來的股票報酬。有可能是正面詞彙(褒義詞)所隱含的正面資訊在新聞媒體釋 放出來時，投資者早就已經將這些資訊提早反應在股價上，使得正面詞彙(褒義詞)不具有預 測或解釋未來報酬率的能力。或者是投資者不會因為受正面詞彙的影響而爭相去買入或搶購 股票，使得股價上揚，或因為反應不足(underreaction)使股價補漲，反而有可能逆向操作在股 價因為正面詞彙(褒義詞)的喧染下，在股價過高時賣出手中的持股。 結果類似鍾尚倫(2009) 採用事件研究法的發現，外資在正面消息發佈前快速累積持股，而消息發佈後不再有買進或 賣出的動作。
根據（圖 3-1 研究推論流程圖），正面詞彙對於營收具有顯著的預期能力，而正面詞 彙對於未來股價報酬卻不具有顯著的預測能力，表示資訊內容在事件發生時已充分反應完，
本研究推論投資者對於正面詞彙能夠理性地充分反應這些資訊，於第四節我們將會採用事件 研究法觀察這個現象。 這裡的 Adjusted R2 都很小，如同一般人的預期，在一個效率的市場 裡，只有很少的控制變數能夠預測未來的股價報酬。
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4-3 正面詞彙(褒義詞)對股價報酬分析
本表採用最小平方法(Ordinary Least Squares，OLS)呈現在不同資訊來源下正面詞彙(褒義詞，posi)對於未來股 票報酬(Return
+1 )其預測能力的參數估計。資訊的來源有經濟日報(Economic Daily News，EDN)、聯合報(United Daily News，UDN)、聯合晚報(United Evening News，UEN)、經濟日報與聯合報(EDN&UDN)、經濟日報與聯合 晚報(EDN&UEN)、以及經濟日報、聯合報與聯合晚報(All)。Return+1為posi出現後，未來一天的股票報酬率，其 中posi為標準化正面詞彙。以下是（表 4-3）所使用的模型：
Return
+1,+1=
β1* posi +
β2* Sales(SUS) +
β3* Log(Market Equity) +
β4* Log(Book / Market) +
β5* Log(SharesTurnover) +
β6* FFAlpha
−252,−16+
β7* FFCAR
−15,−3+
β8* FFAR
−2+
β9* FFAR
−1+
β10* FFAR
0+
ε** 表示在顯著水準5%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.05）
* 表示在顯著水準10%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.10）
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4-4 正面詞彙(褒義詞)對異常報酬分析
本表採用最小平方法(Ordinary Least Squares，OLS)呈現在不同資訊來源下正面詞彙(褒義詞，posi)對於未來異 常報酬(FFAR
+1 )其預測能力的參數估計。資訊的來源有經濟日報(Economic Daily News，EDN)、聯合報(United Daily News，UDN)、聯合晚報(United Evening News，UEN)、經濟日報與聯合報(EDN&UDN)、經濟日報與聯合 晚報(EDN&UEN)、以及經濟日報、聯合報與聯合晚報(All)。FFAR+1 為posi出現後，未來一天的異常報酬率，其 中posi為標準化正面詞彙，異常報酬率本研究採用Fama-French三因子模型(1993)估計。以下是（表 4-4）所使用 的模型：
FFAR+1
=
β1* posi +
β2* Sales(SUS) +
β3* Log(Market Equity) +
β4* Log(Book / Market) +
β5* Log(SharesTurnover) +
β6* FFAlpha
−252,−16+
β7* FFCAR
−15,−3+
β8* FFAR
−2+
β9* FFAR
−1+
β10* FFAR
0+
ε** 表示在顯著水準5%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.05）
* 表示在顯著水準10%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.10）
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4-5 負面詞彙(貶義詞)對股價報酬分析
本表採用最小平方法(Ordinary Least Squares，OLS)呈現在不同資訊來源下負面詞彙(貶義詞，neg)對於未來股票 報酬(Return
+1)其預測能力的參數估計。資訊的來源有經濟日報(Economic Daily News，EDN)、聯合報(United Daily News，UDN)、聯合晚報(United Evening News，UEN)、經濟日報與聯合報(EDN&UDN)、經濟日報與聯合 晚報(EDN&UEN)、以及經濟日報、聯合報與聯合晚報(All)。Return+1 為neg出現後，未來一天的股票報酬率，其 中neg為標準化負面詞彙。以下是（表 4-5）所使用的模型：
Return
+1=
β1* neg +
β2* Sales(SUS) +
β3* Log(Market Equity) +
β4* Log(Book / Market) +
β5* Log(SharesTurnover) +
β6* FFAlpha
−252,−16+
β7* FFCAR
−15,−3+
β8* FFAR
−2+
β9* FFAR
−1+
β10* FFAR
0+
ε** 表示在顯著水準5%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.05）
* 表示在顯著水準10%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.10）
從（表 4-3）與（表 4-5）的比較可以得知，投資者不易受到正面詞彙的影響，反而容 易受到負面詞彙的影響。負面詞彙對於未來股價報酬具有顯著的預測能力，這可能是因為新 聞媒體的過度喧染負面消息，使得投資者過度反應(overreaction)，因為投資者感到恐慌，而 要求更高的要求報酬率，出脫手中持股，造成未來股價下跌。這也可以說明投資者在股票市 場對正面消息較不敏感，對負面消息較敏感的現象。
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4-6 負面詞彙(貶義詞)對異常報酬分析
本表採用最小平方法(Ordinary Least Squares，OLS)呈現在不同資訊來源下負面詞彙(貶義詞，neg)對於未來異常 報酬(FFAR
+1 )其預測能力的參數估計。資訊的來源有經濟日報(Economic Daily News，EDN)、聯合報(United Daily News，UDN)、聯合晚報(United Evening News，UEN)、經濟日報與聯合報(EDN&UDN)、經濟日報與聯合 晚報(EDN&UEN)、以及經濟日報、聯合報與聯合晚報(All)。FFAR+1 為neg出現後，未來一天的異常報酬率，其 中neg為標準化負面詞彙，異常報酬率本研究採用Fama-French三因子模型(1993)估計。以下是（表 4-6）所使用 的模型：
FFAR+1
=
β1* neg +
β2* Sales(SUS) +
β3* Log(Market Equity) +
β4* Log(Book / Market) +
β5* Log(SharesTurnover) +
β6* FFAlpha
−252,−16+
β7* FFCAR
−15,−3+
β8* FFAR
−2+
β9* FFAR
−1+
β10* FFAR
0+
ε** 表示在顯著水準5%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.05）
* 表示在顯著水準10%下，拒絕虛無假設，此因子具有顯著的影響（p-value < 0.10）
綜合之前基本面的分析，正面詞彙能夠預期未來的營收，解釋未來自由現金的流入，
卻無法預測未來的股票報酬，表示投資者早已將資訊併入股價，要求一個適當的要求報酬率 無法顯著得影響價。相對而言，負面詞彙無法顯著地影響未來的自由現金流量，卻會影響投 資者的風險溢酬，提高要求報酬率使得未來股價下降、股票報酬下降。