同样是收购，为什么股价反应天差地别？——把答案归结到一个「波动率」

[2007 RFS] How Do Diversity of Opinion and Information Asymmetry Affect Acquirer Returns?
Sara B. Moeller, Frederik P. Schlingemann, René M. Stulz
Jun He June 01, 2026
公司金融 并购 信息不对称 意见分歧
Note

本文读的是 Moeller, Schlingemann & Stulz (2007, Review of Financial Studies)：并购公告日收购方的股价反应，长期以来被发现存在一个稳健的「类型差异」——用股票收购上市公司亏得最惨，用现金收购上市公司几乎不亏，用股票收购私人公司反而赚。作者用「意见分歧 (diversity of opinion)」和「信息不对称 (information asymmetry)」两类不确定性代理变量去解释这一差异，最惊人的结论是：一旦控制住其中一个代理变量——股票的 特质波动率 (idiosyncratic volatility)——这三类交易之间的异常收益差异就消失了。

1 一个被反复确认、却始终没讲清楚的「事实」

并购研究里有一个几乎被写进教科书的「典型事实」(stylized fact)：收购方在宣布并购时的股价反应，强烈地取决于两件事——付什么（现金还是股票）和买谁（上市公司还是私人公司）。

具体到这篇文章的样本（1980–2002，全部 4,322 起纯现金或纯股票收购），三类交易的三日累计异常收益 (cumulative abnormal return, CAR) 长这样：

三两两相减，差异大得惊人也极其显著：上市股票 − 私人股票 = −5.70%（t 检验 1% 显著），上市股票 − 上市现金 = −2.95%，私人股票 − 上市现金 = +2.76%。

问题来了。同样是「掏钱买一家公司」这个动作，为什么市场的反应能差出 8 个百分点？ 传统的解释是「信号」：用股票付账，等于管理层在暗示「我家股票现在贵了，趁机换点真东西」，于是市场把股价打下来——这就是从 Myers and Majluf (1984) 一路下来、被 Travlos (1987) 写进并购文献的经典逻辑。但这个故事只告诉你「股票收购该跌」，它讲不清楚为什么股票收购私人公司反而涨，也讲不清这个差异在不同公司之间为什么有大有小。

这篇文章想做的，不是再确认一遍这个事实，而是问一个更狠的问题：这三类交易之间的差异，到底是「交易类型」本身造成的，还是被某种藏在公司身上、与交易类型相关的「不确定性」给伪装出来的？

2 两种「不确定性」，两套预言

作者把目光投向两类理论，它们都把某种「不确定性」放在中心，但讲的是完全不同的机制。理解这篇文章，关键就是分清这两套故事各自预言什么。

第一套：意见分歧 (diversity of opinion)。 这条线从 Miller (1977) 开始：当投资者对一只股票的前景看法越分散，而做空又受限时，股价就会被那批最乐观的人「顶」上去，于是这只股票的需求曲线是向下倾斜的。Chen, Hong & Stein (2002) 和 Hong, Scheinkman & Xiong (2006) 把这套逻辑模型化。核心推论是：当一笔收购增加了收购方股票的「流通量」(float)，意见分歧越大的公司，股价被压得越狠——因为新增的股票必须由那些原本看法没那么乐观的投资者来吸收。

这套逻辑的妙处在于，它天然地区分了三类交易：用股票收购上市公司，会实打实地增加 float，所以意见分歧越大、跌得越多；用现金收购，float 完全不变，所以没有影响；用股票收购私人公司呢？作者提出一个很关键的细节——私人公司的卖方拿到股票后未必马上抛（可能有锁定协议、想在新公司里有话语权、或有资本利得税考虑），所以这些股票「沉睡」着，不真正进入 float，因此意见分歧的负面效应也很弱甚至没有。（关于做空约束与并购支付方式如何互相纠缠，可参见《想躲开套利者的「做空」，就用现金买下它》。）

第二套：信息不对称 (information asymmetry)。 这条线就是 Myers–Majluf 的延伸。用股票付账是「坏消息」（股票被高估），所以异常收益为负；用现金付账反过来是「好消息」，异常收益应该上升。Krasker (1986) 进一步证明，发行规模越大，价格跌得越多。而对于私人公司，卖方能直接从收购方那里拿到机密信息、甚至能「认证」收购方没被高估——所以对私人公司用股票，信息不对称的影响应该是没有，或者正向。

作者把这两套预言，连同一个必须排除的「干扰项」——不确定性消解 (resolution of uncertainty)——整整齐齐地列进了一张表（论文表 1）。这张表是全文的「骨架」：

增加的变量 股票收购上市公司 现金收购上市公司 股票收购私人公司
意见分歧 下降 无影响 无影响
信息不对称 下降 上升 上升或无影响
不确定性消解 下降 下降 下降

看出门道了吗？三套理论对「股票收购上市公司」的预言完全一样（都该跌），但对另外两类交易的预言各不相同。 这正是作者的识别策略：不去看股票收购上市公司——那里三套理论无法区分——而是去看现金收购和私人公司收购，用预言的分歧把理论区分开。这是全文最聪明的一步设计。

Tip

为什么非得把「不确定性消解」也放进来？因为不确定性高的公司，本来就更容易在并购时「把不确定性消解掉」，而 Pástor and Veronesi (2006) 等模型说，消解长期增长的不确定性本身会降低公司价值。如果不把它排除，你就分不清代理变量到底是在度量「意见分歧/信息不对称」，还是仅仅在度量「不确定性被消解了」。

3 怎么把「不确定性」量出来？

理论再漂亮，也得落到能算的变量上。作者用了几把尺子：

度量意见分歧，用两个： 1. 分析师长期增长预测的标准差 (standard deviation of analyst LTG forecasts)——分析师们对这家公司未来 3–5 年盈利增速的预测有多分散。要求并购前一个月至少有 3 位分析师跟踪，数据来自 I/B/E/S。这一要求把样本砍到 1,553 起。 2. 持有广度 (breadth of ownership)——持有该股票的共同基金占比。Chen, Hong & Stein (2002) 证明，意见分歧越大、做空受限，越多基金想卖却卖不掉，于是持有广度越低。所以广度是意见分歧的反向代理。

度量信息不对称，用 Dierkens (1991) 的两个： 1. 特质波动率（论文里就叫 volatility）——市场模型残差的标准差，用公告前 (−205, −6) 天估计； 2. 盈利公告残差标准差——盈利公告窗口三日 CAR 在过去 5 年的标准差。

Warning

这里埋着全文最微妙的一处张力：特质波动率，既被信息不对称文献当作信息不对称的代理，也被近期意见分歧文献（如 Boehme, Danielsen & Sorescu, 2006）当作意见分歧的代理。 同一个变量，两套理论都想认领。这件事到后面会变成「反转」的引爆点。

异常收益 CAR(−1,+1) 用标准事件研究法算（Brown and Warner, 1985），市场模型基于 CRSP 等权指数。

4 第一层结果：意见分歧确实「咬人」，但只咬一类交易

先看意见分歧。结果和理论预言对得很齐：

对于用股票收购上市公司，分析师预测越分散，收购方异常收益越低。量级上——把一家分析师预测标准差「低」（均值下方 1 个标准差）的收购方，换成「高」（均值上方 1 个标准差）的收购方，公告异常收益大约下降 2.6%。这是个经济上很可观的数字。持有广度这个代理也给出一致的方向。

而对于用现金收购上市公司、用股票收购私人公司，意见分歧与异常收益之间没有那种负向关系。这正是表 1 第一行所预言的：现金不动 float，私人公司的股票「沉睡」不进 float。

到这一步，意见分歧模型看起来表现得相当好。但作者很诚实地指出了它的软肋：意见分歧模型有一个更直接、更强的预言——交易规模越大（float 增加越多），意见分歧的负面冲击应该越强，也就是说，「意见分歧 × float 增幅」这个交互项应该显著为负。可作者发现，对这个更强的预言，支持非常有限。更尴尬的是，对现金收购上市公司，他们还发现了异常收益随意见分歧上升的迹象——这是意见分歧模型完全无法解释的。

5 反转：当特质波动率走进回归

真正的反转，发生在信息不对称这条线上。

作者发现，特质波动率对理解收购方异常收益「极其有用」：在「股票收购上市公司」的回归里，波动率越高，异常收益越低（信息不对称越严重，发股票的「坏消息」越坏）；而在「现金收购上市公司」的回归里，波动率越高，异常收益反而越高——这恰恰是表 1 中只有信息不对称模型才做出的预言（现金收购那一格是「上升」，而意见分歧和不确定性消解都不是）。

于是三套理论里，只有信息不对称的预言在三类交易上全都成立。

然后是那记重拳。作者把意见分歧的代理变量，加进已经包含特质波动率的回归里——结果，意见分歧的代理变量不再显著了。换句话说，分析师预测分散度看似在解释收购方收益，实际上它的解释力可以被特质波动率「吸收」掉。

而最惊人的结论，出现在文章一开始就被作者拎出来当卖点的地方：

控制住特质波动率这一个变量之后，「现金收购上市公司」「股票收购上市公司」「股票收购私人公司」三类交易之间的异常收益差异，统统消失了。

回想第 1 节那 8 个百分点的鸿沟。在没有控制变量时，它显著、稳健、年复一年地存在。可一旦把特质波动率放进去，那条横亘在三类交易之间的沟，就被填平了。这意味着：我们一直以为是「交易类型」造成的股价反应差异，很大程度上其实是「收购方公司本身的信息环境不同」造成的——不同类型的交易，恰好被信息环境不同的公司所选择。

6 文献脉络：从 Miller 的需求曲线到 Stulz 的并购账本

把这篇文章放回它所在的那条河流里，脉络相当清晰。

源头有两支。一支是 Miller (1977) 的「意见分歧 + 做空约束 → 向下倾斜的需求曲线」，这条线被 Diamond and Verrecchia (1987) 在信息层面深化，被 Diether, Malloy & Scherbina (2002) 用分析师预测分散度做成了横截面实证、被 Chen, Hong & Stein (2002) 用「持有广度」重新表述、又被 Hong, Scheinkman & Xiong (2006) 接到资产泡沫上。另一支是 Myers and Majluf (1984) 的逆向选择，被 Krasker (1986) 推广到发行规模、被 Travlos (1987) 第一次系统地用到并购支付方式上，又被 Dierkens (1991) 落地成「用什么变量度量信息环境」。

文献脉络时间线
文献脉络时间线（按发表年份排布；红色为本文）

这篇文章站在两支汇流处。它的直接「母本」是作者自己的 Moeller, Schlingemann & Stulz (2004)——那篇研究并购规模与收益，本文沿用了它的控制变量集。而本文的贡献，是第一次把意见分歧和信息不对称这两套理论，放进同一张预言表、同一个样本里做横向「裁判」，并意外地发现，一个被两套理论共同争夺的变量（特质波动率），可以把困扰文献多年的「交易类型差异」一举抹平。（这条「并购公告收益究竟由什么驱动」的追问，后来也延伸到了机构与基金经理的角色，可参见《「机构持股越多，并购做得越好」——可这真的是监管的功劳吗？》。）

Note

这是一篇纯实证论文：它不构建新的理论模型，而是把已有模型的预言抽取出来、放到数据上对质。所以本文没有需要逐步推导的方程一节——它的「数学」全在那张预言表和回归系数里。

评论与延伸（Q&A + 研究方向）

(a) 几个可能的疑问

Q：意见分歧和信息不对称，到底是不是一回事？

概念上不是。意见分歧是「投资者之间看法分散」（同样的信息，不同的解读），它的作用机制依赖做空约束和 float；信息不对称是「内部人比外部人知道得多」（信息本身不对称），机制是逆向选择/信号。但麻烦在于实证代理变量会「串台」——特质波动率两边都被用作代理。本文的做法不是从概念上切开它们，而是利用它们对「现金收购」和「私人公司收购」的预言不同来区分，这是聪明的迂回。

Q：那篇文章是不是其实证明了「意见分歧不重要」？

不能这么说。意见分歧的代理在「股票收购上市公司」里确实显著（高低分散度差出约 2.6% 的 CAR），方向也对。文章证明的是更弱也更精确的命题：一旦控制特质波动率，意见分歧的增量解释力就消失了，而且意见分歧模型那个「更强」的交互项预言（规模 × 分歧）几乎得不到支持。所以是「信息不对称在这场对质里更胜一筹」，而非「意见分歧是错的」。

Q：把三类交易差异「抹平」的，会不会只是特质波动率在当某种规模或成长性的影子？

这是最该担心的内生性。波动率高的公司往往更小、更年轻、成长性更不确定，而这些公司也更倾向于用股票收购私人公司。本文沿用 MSS (2004) 的控制变量（规模、Tobin's q、杠杆、run-up、治理指数等）来缓解，但这终究是横截面相关性，不是干净的因果。波动率「填平了差异」既可能因为它度量了信息不对称，也可能因为它是某种未被完全控制的公司类型的代理。

Q：样本只剩 1,553 起带分析师数据的交易，会不会有选择偏误？

会，而且作者很坦白。要求至少 3 位分析师跟踪，会把样本严重推向大公司（CRSP∩COMPUSTAT∩I/B/E/S 的交集天然偏大盘），且越往后年份覆盖率越高：1980–1990 只纳入了 21.55%，而 1998–2000 纳入了 62.53%，最近一轮并购潮被显著高估了。带分析师数据的子样本平均 CAR 比全样本低约 150 个基点。所以涉及分析师代理的结论，外推到中小公司时要打折扣。

Q：为什么用股票收购私人公司能赚钱，这事儿本身不奇怪吗？

在信息不对称框架下并不奇怪。私人公司的卖方能直接获取收购方的机密信息，甚至愿意收下股票这件事本身就「认证」了收购方没被高估（这个论点 Hertzel and Smith, 1993 在私募配售里提过）。加上本文强调的 float 机制——卖方拿了股票多半「沉睡」不抛——所以既没有信号上的坏消息，也没有意见分歧的下行压力。两套机制在这一类交易上恰好都「失效」，留下的就是协同效应的好消息。

Q：现金收购那一格出现「异常收益随意见分歧上升」，该怎么理解？

这是本文留下的一个未解的尴尬。意见分歧模型预言现金收购「无影响」，信息不对称模型预言「上升」。数据里现金收购呈现的正向关系，只与信息不对称模型相容，与意见分歧模型相悖。作者据此判定信息不对称模型解释力更强，但也没有给出现金收购里这个正向关系的完整微观故事——它更像是支持信息不对称的「附带证据」，而非被精确刻画的机制。

(b) 几个可能的研究问题与提案

1. 把这套「预言表」搬到公司债市场。 - 【经济故事】并购对收购方债权人的影响，与对股东的影响方向常常相反（风险转移、共同保险效应）。意见分歧和信息不对称对债券价格的作用，理论上应与股票镜像：信息不对称越严重，债券利差对支付方式的反应应越剧烈。把表 1 改写成「收购方债券利差」版本，是一个干净的延伸。 - 【可行性】中。需要 TRACE 债券成交数据匹配 SDC 并购事件，事件窗口内的债券异常利差变化可算；难点是债券流动性低、成交稀疏，CAR 噪声大，需要用日内或周度利差并控制流动性。

2. 用做空约束的外生变化做识别。 - 【经济故事】意见分歧模型的命门是「做空受限」。如果能找到做空约束放松的外生冲击（如 Reg SHO 试点、期权上市降低做空成本），就能检验：约束放松后，意见分歧对「股票收购上市公司」CAR 的负向效应是否减弱。这能把本文的横截面相关性升级为接近因果的证据。 - 【可行性】高。Reg SHO 试点（2005 年起）是文献里成熟的 DiD 工具，并购样本可与试点名单交叉，识别策略清晰。

3. 外资持有人作为「沉睡股东」的天然实验。 - 【经济故事】本文的私人公司机制依赖「卖方拿了股票不抛、不进 float」。外资被动持有人（指数型外资）也具有「沉睡」特征——换手低、不参与做空。可检验：收购方外资被动持股越高，股票收购的 float 冲击是否越弱、CAR 越不受意见分歧影响。 - 【可行性】中。需要 FactSet/ 13F 拆分外资被动 vs 主动持股，匹配并购事件；识别上仍是横截面，但可借指数纳入（如 MSCI 重订权重）的外生持股变动来加强。

4. 用机器学习重新度量「意见分歧」。 - 【经济故事】分析师预测标准差是个粗糙的意见分歧代理，且样本偏大盘。能否用新闻文本、社交媒体、期权隐含分布等高频信号构造更细的意见分歧度量，重做本文的横截面对质，看特质波动率是否仍能「吸收」一切？ - 【可行性】中。文本/期权数据可得，但要小心新构造的代理与波动率的机械相关——否则只是换个变量重复本文的「串台」问题。

5. 把「不确定性消解」从干扰项变成主角。 - 【经济故事】本文把不确定性消解当作必须排除的噪声，但 Pástor–Veronesi 的逻辑本身很有意思：成长性越好的公司，并购消解掉的不确定性越值钱、价值损失越大。可专门检验并购公告后长期增长预测分散度的下降幅度与 CAR 的关系，把消解效应单独识别出来。 - 【可行性】高。I/B/E/S 的 LTG 预测分散度在并购前后的变化可直接度量（本文表 2 Panel D 已有这类数据），事件研究框架现成。

参考文献