第1项 根据“实验文档和数据.zip”中的“实验基础数据3”提供的2014年我国股票市场A组交易数据，包括实验主体编号、证券代码、交易日期、成交金额、交易类型，参考许年行等（2013）和李峰（2018，3.6节）的做法，在CSMAR收集样本股票的行情数据和公司财务报表数据，然后按照如下要求对这些变量进行描述性统计分析。
具体要求：
-
结合许年行等（2013）和李峰（2018）论述如下问题：什么叫羊群效应、买方羊群效应、卖方羊群效应？如何区分真/伪羊群效应？你认为应当如何基于投资者的交易数据构造羊群效应的测度指标？
-
基于上述羊群效应指标的构造，逐月计算样本期内投资者的买卖方羊群效应指标，并分别按照股票一级行业属性分组、A组投资者交易的强度（次数/金额）排序分5组，计算组内的描述性统计量绘制盒形图（横轴为月份、纵轴为指标值）、折线图（纵轴为均值，横轴为月份）；5个交易强度组别的结果绘制在同一个坐标系里，行业组别每5个行业绘制在一个坐标系里。在此基础上，进一步绘制整个样本内的描述性统计表（三线表），包括两类交易强度，每类5组绘制在一个表格里，行业组别绘制在同一个表格里。
-
参考许年行等（2013）P36的表1 给出所有变量的描述性统计结果。
-
基于以上图和表，你有什么发现？请结合相关文献进行分析，并给出你的结论。
关键参考文献
[1] 许年行, 于上尧, 伊志宏. 机构投资者羊群行为与股价崩盘风险[J].管理世界, 2013 (07): 31-43.
[2] 李峰. 融资融券交易中个人投资者的非理性行为研究[D] 3.6和4.5节.中南财经政法大学, 2018.
####一. 引言
机构投资者究竟是会加剧股价崩盘风险，还是起到稳定资本市场的作用，是近年来财务学研究和社会各界关注的焦点。本文以2014年我国A股上市公司和机构投资者持股数据为研究样本，参考许年行等[1]和李峰[2]的做法，收集样本股票的行情数据和公司财务报表数据，对一些和羊群效应有关的变量进行描述性统计分析，从机构投资者“羊群行为”视角考察其对公司层面股价崩盘风险的影响。
#####（1）羊群效应：
Kraus 和 Stoll（1972）提出了机构投资者平行交易（parallel trading）的概念，将大量机构投资者在同一时间内以同方向交易同一支股票的行为定义为平行交易，即机构投资者的羊群行为。此后，出现了大量有关机构羊群行为的研究。但是对于机构投资者“羊群行为”的定义，学术界并没有统一的表述。例如，Lakonishok 等（1992）以及 Wermers（1999）将羊群行为定义为在同一时间内大量投资者同方向买进或 者 卖 出 某 一 股 票 的 行 为 ；Bikhchandani 和 Sharma（2001）认为羊群行为是投资者发现其他投资者的决策与自己掌握的私人信息相悖时，决定跟从其他投资者的行为。金融市场中羊群行为倾向定义为投资者趋向于忽略自己的有价值的私有信息，而跟从市场上大多数人的决策方式。
本文目的主要在于验证我国证券投资基金是否存在非理性行的模仿投资行为，故按照机构投资者买进或者卖出股票的不同行为来进行区分，我们把羊群效应分为了买方羊群效应和卖方羊群效应。为了区分这两种羊群效应，本文借鉴Wermers(1999)的方法，从“买进”和“卖出”两种行为区分机构投资者羊群行为的方向，具体区分如下：
买方羊群效应：若某只股票买入水平高于全样本买入水平均值，则将其归为买方羊群效应。
卖方羊群效应：若某只股票买入水平低于全样本买入水平均值，则将其归为卖方羊群效应。
按行为性质将羊群行为分为真实羊群行为和虚假羊群行为，简单地说，“真羊群行为”忽略个人私有信息而追随他人，“伪羊群行为”基于共同信息或做相同决策所引起。
真实羊群行为又分为理性羊群行为与非理性羊群行为。如果在投资者利益最大化的框架下，认为模仿别人行动是最优决策的话，该行为被认为是理性的。但如果策略者羊群行为的动机并非是提高资产组合收益率，而是其他因素驱动，那么称为非理性羊群行为，在基金经理中可能出现的驱动因素主要是声誉驱动（机构投资者对自己缺乏自信，跟风以推卸责任）和报酬驱动（一种是盲目跟从业内领先者保证最后的业绩差距不会过大，二是牛市是保持高仓位，熊市时抛仓，牺牲收益率换取相对排名）。
如果大量投资者在同时买进或者卖出同一支股票的过程中不是基于忽略个人私有信息，而是基于共同信息如上市公司盈利公告，或者是由于对某一类性质公司如股利政策、成长性等的共同偏好，一般被认为是一种“伪羊群行为”（Bikhchandani and Sharma，2001）。
可以利用修正LVS模型进行辨别，首先提出多方羊群效应和空方羊群效应： $$ BHM_{i,x}=HM_{i,x}|P_{i,x}>E(P_{i,x})\SHM_{i,x}=HM_{i,x}|P_{i,x}<E(P_{i,x}) $$ 两者表示金融机构在购买和出售股票时的羊群效应程度，因为要区分羊群效应的真伪，所以对于买入股票和卖出股票的行为模式要分类考虑。如果机构通过观察t-1期的其他机构的购买行为做出本期决策。如其他消费者如果在t-1期对于股票的买入超过平均水平，那么t期讲会出现对于股票的集中购买即当$P_{i,t-1}-E(P_{i,t-1})>0$时，应该观察到$BHM_{i,t}$显著大于0，并超过$SHM_{i,t}$；售出同理。如果观察不到上述现象，则观察到的羊群行为可能是虚假的。原因可能有：1、 投资者信息集非独立随机分布。2、 投资者对于信息的处理（即投资决策）非独立随机分布。
许年行等（2013）则从**“股价崩盘风险”和“股价同步性”**这两种度量私有信息纳入股价程度的指标来区分这两种类型羊群行为：
从“股价崩盘风险”的角度来说：如果实证表明，机构投资者羊群行为增加了股价崩盘风险，这一定程度上说明机构投资者的羊群行为是由于投资者忽略其私有信息而导致的真实的羊群行为；
从“股价同步性”的角度来说：如果机构投资者的羊群行为是基于共同的信息和偏好，即“伪羊群行为”，那么羊群行为会使这些共同信息更好地融入股价中，降低股价同步性，则两者呈负相关关系；反之，如果羊群行为是基于投资者忽略了各自掌握的私有 信息，即“真羊群行为”，那么羊群行为将使私有信息融入股价的程度下降，提高股价同步性，则两者呈正相关关系。
本文中机构投资者羊群行为的计算主要参考 了 Lakonishok 等(1992)以 及 Wermers(1999)的 方 法，基于投资者的交易数据，构造如下的羊群效应的测度指标： $$ HM_{i,t}=|p_{i,t}-E(p_{i,t})|-E|p_{i,t}-E(p_{i,t})| $$ 其中，$p_{i,t}$为在$t$月度增持$i$公司股票的机构投资者占持有$i$公司股票的机构投资者的比例；$E(p_{i,t})$为在$t$月度增持$i$公司股票的机构投资者占持有$i$公司股票的机构投资者比例的期望值，用$t$月度中增持$i$公司所在行业的全部上市公司股票的机构投资者比例的均值表示；$|p_{i,t}-E(p_{i,t})|$表示机构投资者在$t$月度内对$i$公司股票买卖的不平衡性，$E|p_{i,t}-E(p_{i,t})|$为调整项，只有在机构投资者对$i$公司股票买卖的不平衡达到一定程度时，才认为存在羊群行为。
其中$p_{i,t}$的计算公式如下：
$$
P_{i,t}={B_{i,t}\over{B_{i,t}+S_{i,t}}}
$$
#####（1）按照股票一级行业属性分组，逐月计算投资者的买卖方羊群效应指标：
首先根据申银万国一级行业分类标准将所有股票归为28个行业，每5个行业为一组逐月计算羊群效应指标。
值得注意的是，本次实验所提供的数据集：“实验基础数据3”所含有的数据量非常有限，仅有6058条数据（且含有113条无效数据，股票因为退市等原因不能进行分类），共690只股票，而唯独12月占有2682条数据，即前11个月每个月仅有两百条左右的数据，将这些不到100只的股票分配在28个行业，每个行业在每个月中所含有的股票就极其稀少，因此本文认为由这个数据集所绘制出的图表与得出的结论并不具有代表性且意义十分有限。
同时，由于每个行业在前11个月中仅含有4，5只股票，如果再将其分为买方羊群效应与卖方羊群效应分别进行绘图，每个行业就仅有1，2只股票，所绘制出的图将十分丑陋且难以分析，如下图所示：
因此本文按行业分组时，将只展示28个行业在12个月的Herding指标，不再区分Herd_Buy与Herd_Sell，这两部分的图将附于附录，如有必要则可进行查阅。（而通过交易强度进行分组时，因每一组有了足够的数据量，即可区分Herd_Buy与Herd_Sell，详情见下文）。
以下是28个行业分别按月计算Herding指标的盒形图与折线图：
#####（2）按交易强度（次数/金额）排序，逐月计算投资者的买卖方羊群效应指标：
将690只股票按照交易强度由强到弱分为五组，以下是按月计Herding/Herd_Buy/Herd_Sell指标的盒形图与折线图：
为了度量股价崩盘风险，首先我们需要计算出股票$i$经过市场调整后的收益率：
$$
r_{i,t}=\alpha+\beta_{1,i}r_{m,t-2}+\beta_{2,i}r_{m,t-1}+\beta_{3,i}r_{m,t}+\beta_{4,i}r_{m,t+1}+\beta_{5,i}r_{m,t+2}+e_{i,t}\tag{1}
$$
其中$r_{i,t}$为每一年度股票$i$在第$t$周的收益，$r_{m,t}$为A股所有股票在第$t$周经流通市值加权的平均收益率。本文在上面的方程中加入市场收益的滞后项和超前项，以调整股票非同步性交易的影响（Dimson，1979）。在求得上述模型中的回归残差$e_{i,t}$后，股票$i$第$t$周经过市场调整后的收益率$W_{i,t}$为：
$$
W_{i,t}=ln(1+e_{i,t})
$$
计算得到市场调整后的收益率之后，我们利用这一收益率数据来构造如下两个股价崩盘风险的度量指标——$NCSKEW$ 和
本文使用的第一个衡量股价崩盘风险的指标是股票
接下来我们构造$SYNCH$这一变量来衡量股价同步性的大小，先计算股票周收益率根据公式(1)回归后得到的$R^2_{i,t}$，那么我们得到计算$SYNCH$的公式： $$ SYNCH_{i,t}=ln(\frac{R^2_{i,t}}{1-R^2_{i,t}})\tag{2} $$ 为了度量上市公司信息透明度，本文使用了修正的Jones模型（用可操纵性应计利润表示信息透明度） $$ \frac{TA_{i,t}}{Asset_{i,t-1}}=\alpha_{1}\times\frac{1}{Asset_{i,t-1}}+\alpha_{2}\times\frac{\delta_{REV_{i,t}}}{Asset_{i,t-1}}+\alpha_{3}\times\frac{\delta_{PPE_{i,t}}}{Asset_{i,t-1}}+\xi_{i,t}\DA_{i,t}=\frac{TA_{i,t}}{Asset_{i,t-1}}-(\frac{TA_{i,t}}{Asset_{i,t-1}}=\alpha_{1}\times\frac{1}{Asset_{i,t-1}}+\alpha_{2}\times\frac{\delta_{REV_{i,t}}-\delta_{REC_{i,t}}}{Asset_{i,t-1}}+\alpha_{3}\times\frac{\delta_{PPE_{i,t}}}{Asset_{i,t-1}})\ $$ 变量说明：
由于对于同一行业的企业而言，回归系数都是相同的，所以首先分行业做回归，得出每个行业的回归系数，再对每个公司分别计算即可得到ABACC。
本文用到的描述性统计量如下：
| 变量 | N | Mean | Min | Q1 | Median | Q3 | Max | Std |
|---|---|---|---|---|---|---|---|---|
| Herding | 625 | 0.1081 | 0.0013 | 0.0347 | 0.0675 | 0.1422 | 0.7065 | 0.1122 |
| Herd_Buy | 444 | 0.1024 | 0.0013 | 0.0417 | 0.0797 | 0.1327 | 0.5975 | 0.0928 |
| Herd_Sell | 102 | 0.1202 | 0.0013 | 0.0194 | 0.0662 | 0.1689 | 0.7065 | 0.1344 |
| NCSKEW | 677 | -0.456 | -4.055 | -0.836 | -0.351 | 0.021 | 2.630 | 0.779 |
| DUVOL | 677 | -0.310 | -2.198 | -0.662 | -0.280 | 0.029 | 1.400 | 0.513 |
| SYNCH | 677 | 0.433 | 0.047 | 0.260 | 0.413 | 0.583 | 1.000 | 0.221 |
| Dturn | 674 | 0.060 | -5.358 | -0.108 | 0.162 | 0.412 | 0.851 | 0.568 |
| Sigma | 677 | 0.044 | 0.019 | 0.033 | 0.042 | 0.053 | 0.136 | 0.015 |
| Ret | 684 | 0.480 | -0.463 | 0.138 | 0.373 | 0.696 | 2.710 | 0.514 |
| Size | 638 | 23.097 | 19.525 | 22.079 | 22.980 | 23.894 | 28.509 | 1.411 |
| MB | 672 | 2.128 | 0.771 | 1.255 | 1.707 | 2.445 | 18.774 | 1.480 |
| Lev | 638 | 0.487 | 0.015 | 0.340 | 0.497 | 0.650 | 0.929 | 0.208 |
| ROA | 638 | 0.054 | -0.002 | 0.016 | 0.035 | 0.062 | 0.588 | 0.071 |
| ABACC | 631 | 0.064 | 5.88e-6 | 0.018 | 0.046 | 0.079 | 1.72 | 0.097 |
#####（1）显著性检验
在分别对羊群效应，买卖方羊群效应进行计算后，我们想进一步探索2014年我国股票市场A组交易中羊群效应是否显著，因此我们参考李峰（2018）的做法进行如下的T检验：
对于羊群效应Herding有以下假设：
当$herding_t$显著为0时，意味着投资机构之间不存在羊群效应；而当其显著不为0时，则认为存在羊群效应，且指标的绝对值越大，则意味着机构之间的羊群效应程度越严重
对于买卖方羊群效应：Herd_Buy与Herd_Sell，作出同上的假设。
在做T检验之前，我们首先需要验证该数据集是否符合正态分布（或者类似正态分布），因此画出指标的核密度估计图，如下所示：
可以看出，其大致符合正态分布，符合做T检验的条件（这里选取按强度分的第一组的Herding指标的核密度估计，其余与之类似）
下图给出了按交易次数分组的总体羊群效应Herding的T检验结果：
注意到这里算出的均值与上一问算的总体均值有所差异，其原因是该表中Herding的调整项用的是月度均值再求平均而非直接的年度均值，这更能准确地反映在每个月中Herding的显著情况，下面两个表同理。
可以看出，在每一组中，T检验的结果都未显示Herding与0存在的显著差异，因此我们不能拒绝$Herding_t=0$的原假设，即按交易强度分组时，交易机构之间并没有显著的综合羊群效应。
下面对买方羊群效应与卖方羊群效应进行区分，如图所示：
我们可以发现，相较于总体指标Herding，买/卖方羊群效应更为显著，在5%的置信水平下，我们可以拒绝大部分组的原假设，这意味着投资机构存在着显著的买方与卖方羊群效应。且在买方羊群效应中，随着交易次数的递减，其指标越显著不为0，且卖方羊群效应总体上比买方的羊群效应更显著，这也与论文中的结论一致。
依据申银万国28个一级行业分类对清洗后的实验数据进行相应分类，计算得到每个行业的羊群效应指标的描述性统计。由图可知，交通运输（0.07）、传媒（0.07）、汽车（0.15）、食品饮料（0.07）等行业表现出了较高的羊群效应水平，而钢铁（-0.10）、纺织服装（-0.09）、休闲服务（-0.18）与国防军工（-0.05）等行业则表现出了较低的羊群效应水平。
对此进行分析，休闲服务行业之所以表现出极低（-0.18）的羊群效应水平，是因为全年中仅有五条交易记录，且均为卖出，即样本量过小。钢铁、军工等行业归属于防御性行业与工业性周期行业，传媒、食品饮料与汽车则属于消费性周期行业，我们初步判断两类行业存在着较为不同的羊群效应水平。
统计一年里实验数据中每只股票的总交易次数，将证券代码按次数升序排列并划分为5组，每组中股票数量依次为135、135、135、135、134只，每组交易次数依次为147、336、630、1215、3616次。可以看出，随着交易次数的不断增加，以均值为例的羊群效应指标值不断减小。
对此进行分析发现，交易次数最多的股票组反而表现出了较低的羊群效应水平，与经典文献的结论普遍不同。我们初步判断此类结果的出现可能存在两方面的原因，一方面，若将交易次数大致的视为换手率，换手率水平较高可能是由于真实的市场因素出现，使得有效交易信息产生，故降低了羊群效应水平，而低换手率的股票在实验数据中由于观测值过小，表现的更多是投资者个人不理性程度较高，基于其自身投资水平的有限与信息获取的不利因素，更倾向于效仿跟风市场上的其他投资者，使得其交易行为成为市场上的噪声，扩大股票市场上的信息不对称程度，加剧羊群效应；另一方面，对实验数据进行描述性分析可知，五个组中的观测值不断增加，组间方差随观测值数量的增加而有明显的降低，整体样本量也显然较少，一定程度上会使得羊群效应指标值失真；
统计一年里实验数据中每只股票的总交易金额，将证券代码按金额升序排列并划分为5组，每组中股票数量依次为135、135、135、135、134只。可以看出，随着交易金额的不断增加，以均值为例的羊群效应指标值不断减小。
对此进行分析，每组中的观测数量依然随交易金额的增加而增加，侧面显示实验数据中交易金额的增加与交易次数存在正相关关系。由于未排除样本内羊群效应不显著的样本，每组中羊群效应指标值为负的样本会显著降低样本羊群效应水平，这也是与许多文献的区别之处。未排除不显著样本的数据虽然无法在后续研究中直接进行应用，但可以更好地反映了样本的整体水平，了解数据构成。
该部分的三线表由于过多附于附录。
对分行业的买卖方羊群效应描述性统计表可以看出，交通运输（0.11）、医药生物（0.08）、汽车（0.12）、电子（0.10）、食品饮料（0.08）等行业表现出了较高的买方羊群效应；而轻工制造（0.40）、汽车（0.17）、农林牧渔（0.11）、商业贸易（0.15）等行业则表现出了较高的卖方羊群效应水平；同时，非银金融（-0.02&-0.08）、通信（-0.02&-0.03）、银行（-0.05&-0.04）、钢铁（-0.08&-0.12）、建筑材料（-0.03&-0.03）等行业表现出较低的羊群效应水平。
在上述分析中，采用全样本的羊群效应指标值，并不加处理的对其进行描述性统计分析，得到的结果并不理想。我们组进行思考后认为，如果需要得出更有意义的结论，则可尝试不完全依照题干要求在原数据上进行分析，而是剔除羊群效应不显著的样本，以避免组内羊群效应不显著的观测量“代言”了羊群效应显著的观测，描述性统计与实际意义出现背离。我们采用剔除羊群效应指标值为负的观测的方法进行接下来的分析，得到新的三线表如图所示
由表一可知，交通运输（0.17）、家用电器（0.24）、轻工制造（0.67）、钢铁（0.22）与汽车（0.20）表现出较高的羊群效应水平，而国防军工（0.09）、建筑材料（0.09）、纺织服装（0.02）、银行（0.06）与非银金融（0.06）相比之下显示出较低的羊群效应水平。
具体进行分析，更为明显地发现样本量极大的影响了统计结果，使羊群效应指标值存在失真的现象。例如轻工制造（0.67）之所以成为28个行业中羊群效应水平最显著的行业，是因为其指标值在样本中仅可由一条观测值进行主要支撑；而纺织服装（0.02）之所以成为28个行业中羊群效应水平最不显著的行业，同样因为其指标值在样本中仅可由三条观测值进行主要支撑。由于在总样本并不足够充分的情况下，每个行业内观测量大相径庭，分行业的羊群效应在此只具有有限的参考意义，即防御类、工业性周期行业会表现出较低的羊群效应水平，而消费类周期行业因其与市场变动关联密切，波动较大，会表现出更高的羊群效应水平。
NCSKEW和 DUVOL 可以衡量股价的崩盘风险。股价崩盘通常是由于管理层隐藏的公司坏消息的突然爆发引起的。在理想状态下，如果管理层没有隐藏坏消息，那么$W_{i,t}$处于上升和下降阶段的概率是相等的（$W_{i,t}$ 应该是无偏的），上升和下降的幅度也应该是没有差异的（$R_d=R_u$）。现实中管理层出于自身利益的考虑往往会隐藏坏消息，直到坏消息积累到一定程度，无法继续隐藏才集中披露；而对于好消息管理层则没有隐藏的动机。由于管理层隐藏坏消息，$W_{i,t}$处于上升阶段的概率会大于处于下降阶段的概率，其分布会出现偏度；由于坏消息的集中披露，$W_{i,t}$下降的幅度将大于上升的幅度（$R_d>R_u$）。如果股票回报率越向左偏，就越有暴跌的倾向。由于对偏度进行了取负处理，所以NCSKEW的数值越大，表示偏态系数负的程度越严重，股价暴跌风险越高，崩盘风险越大。同理，DUVOL 的数值越大，代表收益率分布更倾向于左偏，崩盘风险越大。
从上图可以明显看出，变量NCSKEW、DUVOL、SYNCH、Sigma的描述性统计（左图）相比许年行[1]论文中的描述性统计（右图）存在相似性与差异性。本文中数据的极值相对于均值的偏离程度小于许年行[1]的数据，而标准差也较小。这一方面可能是因为本文使用的数据样本量较少（只有600多只股票），许年行论文中的数据样本量达到了6500多，相差达到10倍，数据量越多那么极值就越可能出现较大的偏移，同时数据就越分散，这也解释了标准差不同的原因。另一方面可能是由于数据的时间范围不同，本文使用的数据只是2014年这一年的股票数据，而许年行论文中的数据则选取了2005-2010年的数据，时间越长则越可能出现较大的偏移。由上述分析我们得出了初步结论，样本量太小往往会导致数据难以反映变量的真实性，本文所采用的数据可能会导致接下来的研究部分失真。
我们知道，NCSKEW的数值越大，表示偏态系数负的程度越严重，股价暴跌风险越高，股市崩盘风险越大。同理，DUVOL 的数值越大，代表收益率分布更倾向于左偏，崩盘风险越大。许年行的数据选取了2005-2010年之间，该时间段内经历了08年的股灾，这一年的股市崩盘风险应该是非常大的，而NCSKEW、DUVOL的值越大代表股市的崩盘风险越大，这也在一个新的方面解释了为什么许年行NCSKEW、DUVOL的数据最大值远大于本文中得出的最大值。
机构投资者羊群行为会增加股价崩盘风险，这一定程度上说明机构投资者的羊群行为是由于投资者忽略其私有信息而导致的真实的羊群行为。为了定量考察机构投资者的羊群行为，我们引入了股价同步性指标。股价同步性可以衡量上市公司特有信息融入股价的程度，是衡量股票定价效率的一个重要指标。股价同步性越高，则股票定价效率越低（Roll，1988；Morck et al.，2000）。具体分析上面左右两图的股价同步性指标SYNCH，我们发现本文数据的极值偏离程度远小于许年行的数据，均值也有较大出入。极值偏离程度小可以用上面的分析来解释，均值不同也与我们采取的数据不同有关。股价同步性的计算参见公式（2），主要与每一年度股票周收益率根据模型（1）回归后得到的$R^2$有关，$R^2$反映的是市场系统性因素对个股收益的解释能力，该值越大表明个股股价的变动与市场平均变动之间的关联性越高。本文中的股价同步性指标明显高于许年行的数据，这也表明我们所选取的股票定价效率很低。因为我们选取的数据量过少且只有短短一年，故而股价变动与市场平均变动之间的关联度应较高，缺乏较高的定价效率，最终反映到数据上就是均值远高于许年行的数据。
在本文采取的其他变量中ABACC与投资者羊群效应与股票市场崩盘有着较大的关系。首先修正Jones模型将应计利润分为可操纵利润与不可操纵利润，此指标直接含义为可操纵应计利润，为企业盈余管理的概念，当指标小于0表示企业存在隐藏利润的盈余管理行为，大于0则表示有扩大利润的盈余管理行为。数据的描述性统计显示本文中涉及的600余支股票或者企业ABACC均大于0，均存在扩大利润的盈余管理行为，这对于投资者的投资行为具有重大影响，建议投资者将信息收集重点从损益表适当的向其他的会计科目倾斜。平均数中位数等均小于许年行文章数据，但有个别异常值，原因可能是本文所使用数据偏小且仅为2014年一年的数据，同时仅从结果来看，数据反映出2014年企业的盈利能力上升，相较2005-2010年企业对于盈余管理的使用有所下降。信息透明度对于企业经营状况等经营信息的对外公布、股票市场的定价效率都有所影响，当企业信息较为公开、透明度高、会计监管严格时，企业真实信息能够较为高效的融入股价，有效的信息披露有助于维持股票市场的稳定。
本文采用的其他一些变量，如股票换手率的变化、年度收益率、周收益率的标准差，以及公司规模、市账比、资产负债率、总资产收益率等变量，与机构投资者羊群效应和股票市场崩盘风险的直接关系较弱，且不同年份和不同公司的数据存在差别，进行数据描述性统计的对比没有太大意义，故上面的对比图没有截取这些数据。
（按照APA标准给出参考文献列表，所有这里给出的参考文献应在正文中以上标格式的[#]标引，[#]是该文献在以下列表中的编号）
[1] 许年行, 于上尧, 伊志宏. 机构投资者羊群行为与股价崩盘风险[J].管理世界, 2013 (07): 31-43.
[2] 李峰. 融资融券交易中个人投资者的非理性行为研究[D] 3.6和4.5节.中南财经政法大学, 2018.
[3] 姚禄仕,吴宁宁.基于LSV模型的机构与个人羊群行为研究[J].中国管理科学,2018,26(07):55-62.
[4] 程希明,蒋学雷,陈敏,吴国富.中国股市板块羊群效应的实证研究[J].系统工程理论与实践,2004(12):34-38.
[5] 马丽.中国股票市场羊群效应实证分析[J].南开经济研究,2016(01):144-153.
[6] 陆琴.关于我国上证市场“羊群效应”的研究[J].市场周刊,2019(09):132-133.
[7] 蒋平．我国上市公司盈余管理分析——基于Jones修正模型的实证分析[J]．会计之友(中旬刊)，2009，08：20— 21
[8] 吴联生，王亚平．盈余管理程度的估计模型与经验证据：一个综述[J]．经济研究，2007，08
[9] 朱广印、杜伟宏,“羊群行为的实证研究方法”,《统计与决策》2009年18期
[10] 邢哲、胡志强,"我国股票型投资基金投资行为的实证分析",《金融理论与实践》2010年第6期
[11] 饶育蕾、曲建文,"我国证券投资基金故意与虚假羊群行为的识别及实证研究,"第3届中国金融学年会,2006年10月