Anda di halaman 1dari 33

Investors' Trade Size and Trading Responses around Earnings Announcements: An Empirical Investigation Nilabhra Bhattacharya Universitas Utah

I. PENDAHULUAN Penelitian terbaru menunjukkan bahwa segmen pasar gagal untuk segera mengasimilasi sesuatu yang tersedia untuk umum, nilai informasi yang relevan ketika membentuk ekspektasi laba/earnings (Rendleman et al 1987;. Freeman dan Tse 1989; Bernard dan Thomas 1989, 1990; Ball dan Bartov 1996 ; Bernard et al, 1997;. Walther 1997). Bernard dan Thomas (1990) lebih lanjut menyimpulkan bahwa segmen pasar tampaknya bergantung pada model jalan-acak musiman untuk membentuk ekspektasi laba. Ini bukti membingungkan yang menimbulkan pertanyaan tentang karakteristik para investor (terutama kekayaan mereka dan kecanggihan akuisisi dan pengolahan informasi mereka) yang akan membatasi diri untuk satu set informasi yang tidak lengkap, penahan pada model ekspektasi nave seperti berjalan acak-musiman. Pekerjaaan teoritis oleh Ohlson (1975) dan Wilson (1975) menunjukkan bahwa benefit investor berasal dari informasi meningkatkan kekayaan investor. Dalam perluasan Model Ohlson (1975), Cready (1988) menunjukkan bahwa investor menggunakan 'informasi sebelum pengungkapan (predisclosure) dengan biaya untuk meningkatkan kekayaan mereka. Hal ini menunjukkan bahwa rata-rata investor kurang kaya, menggunakan sumber informasi yang lebih murah daripada investor kaya. Oleh karena itu, segmen pasar yang bergantung pada model musiman secara acak/ seasonal random-walk model (salah satu model ekspektasi paling sedikit biaya) cenderung tidak proporsional dihuni oleh investor investor kurang kaya. Sebelum penelitian menunjukkan bahwa ukuran transaksi meningkat seiring dengan kekayaan (Cready 1988; Lee 1992; Lee dan Radhakrishna 2000) dan informatif (Easley dan O'Hara 1987; Hasbrouck 1988, 1991). Rata-rata, investor kaya dan lebih informasi cenderung membuat perdagangan lebih besar (selanjutnya, "pedagang besar"), sedangkan investor kurang kaya dan kurang informasi cenderung melakukan trading yang lebih kecil (selanjutnya, "pedagang kecil"). Konsekuensinya, penelitian ini menghipotesiskan bahwa ekspektasi laba pedagang kecil yang paling mungkin secara signifikan terkait dengan prediksi dari model jalan-acak musiman (the seasonal random-walk model). Sebaliknya, pedagang besar memasukkan ekspektasi laba mereka dengan mengeluarkan biaya, nilai yang relevan, dengan informasi terbaru predisclosure daripada sekedar laba tahun

sebelumnya (yaitu, lebih dari sekedar prakiraan musiman secara acak /the seasonal random-walk forecasts). Dengan demikian, kesalahan musiman secara acak (seasonal random walk forecast errors) diperkirakan tidak mungkin untuk memainkan peran tambahan dalam menjelaskan kegiatan perdagangan dari pedagang besar setelah pengendalian untuk informasi baru (kejutan) dalam pengumuman laba itu,. Hasil studi Didasarkan pada pengumuman laba kuartalan 1988-1992, yang sebagian besar konsisten dengan hipotesis. 'Respon yang abnormal para pedagang kecil secara signifikan berhubungan positif dengan absolute seasonal random-walk forecast errors, bahkan setelah mengendalikan absolute analyst forecast errors, perubahan harga kontemporer, dan luas pasar perdagangan, sementara respon perdagangan abnormal pedagang besar tidak. Supplemen analisis setelah melakukan partisi sampel dengan ukuran perusahaan dan analis mengikuti mengungkapkan bahwa hubungan antara respon perdagangan yang abnormal pedagang kecil dan absolute seasonal random-walk forecast errors paling kuat untuk perusahaan kecil dan perusahaan dengan analis yang rendah sampai sedang. Seiring dengan peningkatan ukuran perusahaan, asosiasi secara bertahap melemahkan, seperti bahwa untuk perusahaan-perusahaan terbesar, respon abnormal perdagangan pedagang kecil 'tidak berhubungan dengan jalan-acak kesalahan perkiraan. Demikian pula, saya menemukan hubungan positif antara perdagangan pedagang kecil dan musiman jalan-acak kesalahan perkiraan untuk perusahaan dengan rendah sampai sedang mengikuti analis, tetapi tidak untuk perusahaan dengan analis terberat. Hasil ini menunjukkan bahwa pedagang kecil cenderung lebih mengandalkan pada model musiman secara acak ketika membentuk ekspektasi laba untuk perusahaan-perusahaan kecil atau perusahaan dengan analis yang relatif rendah. Bukti penelitian telah menarik menarik minat bagi pembuat kebijakan. Bloomfield et al. (1998) dalam studi pasar laboratorium menunjukkan bahwa investor yang cenderung kurang informasi perdagangan, terlalu percaya diri melakukan trading terlalu agresif dengan informasi yang terbatas. " Bloomfield et al. (1998) juga menemukan bahwa investor yang kurang informasi secara sistematis mentransfer kekayaannya kepada investor dengan informasi lebih sebagai hasil dari transaksi yang terlalu agresif. Oleh karena itu, bukti langsung dari data arsip pedagang kecil (terutama investor di perusahaan kecil) relatif lebih mungkin untuk

mendasarkan pada informasi yang tidak lengkap adalah relevan dengan tanggung jawab pembuat keputusan untuk melindungi kepentingan investor dengan kemampuan dan sumber daya terbatas. Bukti penelitian empiris ini juga mengungkapkan bahwa pengumuman laba dapat menghasilkan respon perdagangan yang berbeda antara kelas yang berbeda dari investor. Misalnya, setelah pengendalian informasi baru yang diungkapkan oleh pengumuman laba, saya menemukan bahwa dengan pengumuman large random-walk-based forecast errors cenderung menghasilkan perdagangan yang lebih berat di kalangan pedagang kecil daripada di antara pedagang besar. Karena kegiatan perdagangan dari pedagang kecil tidak dapat merangsang reaksi harga atau volume yang besar, menyimpulkan bahwa pengungkapan (disclosure) adalah prematur. sedikit penggunaannya oleh investor individu yang hanya didasarkan pada reaksi harga rata-rata dan volume yang diaabaikan, akan menjadi Pengungkapan tersebut dapat informatif bagi pedagang kecil (bahkan jika mereka tidak memberikan banyak informasi baru untuk pedagang besar), sehingga meratakan lapangan bermain informasi. Dengan demikian, pembuat kebijakan mengevaluasi kegunaan dari pengungkapan (khususnya kepada investor dengan kemampuan dan sumber daya terbatas) mungkin ingin mempertimbangkan tidak hanya reaksi harga rata-rata dan volume, tetapi juga tanggapan perdagangan di segmen investor yang berbeda. Akhirnya, hasil empiris studi ini menjelaskan beberapa hal pasca pengumuman laba. Bernard dan Thomas (1990) mengatributkan, terutama untuk segmen pasar yang gagal untuk mengasimilasi informasi relevan yang bernilai, mendasarkan pada model musiman secara acak (seasonal random-walk model) untuk membentuk ekspektasi laba. Bukti ini menimbulkan pertanyaan untuk investor yang cenderung membatasi diri untuk suatu informasi yang tidak lengkap ditetapkan seperti the seasonal random-walk. Dengan menganalisis aktivitas perdagangan para pedagang kecil dan besar, studi ini memberikan bukti langsung bahwa segmen pasar yang muncul bergantung pada the seasonal random-walk earnings expectation model dalam membuat keputusan perdagangan yang sebagian besar terdiri dari pedagang kecil, yang mungkin kurang kaya dan kurang informasi. Sisa paper ini disusun sebagai Bagian II mengembangkan hipotesis penelitian dalam konteks penelitian sebelumnya. Bagian III membahas data dan kriteria pemilihan sampel. Bagian IV menggambarkan desain penelitian. Sebuah diskusi

tentang hasil empiris yang muncul dalam Bagian V. Akhirnya, Bagian VI memberikan kesimpulan singkat. II. KERANGKA KONSEPTUAL DAN PENGEMBANGAN HIPOTESIS Penelitian sebelumnya menunjukkan bahwa setidaknya beberapa pelaku pasar gagal untuk sepenuhnya mengasimilasi data yang tersedia untuk umum, nilai informasi yang relevan dari pengumuman laba sebelumnya dalam bentuk ekspektasi laba yang akan datang (Rendleman et al 1987;. Freeman dan Tse 1989; Bernard dan Thomas 1989, 1990; Bartov 1992; Bernard dan Seyhun 1997; Bernard, Thomas dan Wahlen 1997). Lebih khusus, Bernard dan Thomas (1990) berpendapat bahwa segmen pasar gagal untuk mengenali sejauh mana perilaku deviasi laba dari suatu seasonal random-walk, di mana earnings yang diharapkan hanya earnings untuk kuartal yang sesuai dari tahun sebelumnya. Secara khusus, mereka melaporkan bahwa abnormal returns sekitar pengumuman laba kuartalan memiliki struktur autokorelasi sama seperti kesalahan perkiraan dari a seasonal random-walk earnings expectation model. Mereka menyimpulkan bahwa hasil mereka konsisten dengan gagasan bahwa segmen pasar bergantung pada the seasonal random-walk model untuk membentuk ekspektasi laba masa depan. Baru-baru ini, Ball dan Bartov (1996) berpendapat bahwa pasar dengan benar mengidentifikasi seri sejarah earnings Brown-Rozeff, tapi tak memperhitungkan parameter." Namun, sejak kesalahan perkiraan (forecast errors) dari model BrownRozeff yang dibawah rata-rata sangat berkorelasi dengan kesalahan perkiraan dari the seasonal random-walk model, laba pengumuman dengan large random-walkbased forecast errors yang mungkin akan memacu perdagangan dengan investor mendasarkan pada model yang baik Akhirnya, bergantung pada analisis tingkat perusahaan dari reaksi harga terhadap pengumuman laba baik perusahaan kecil dan besar, Walther (1997) melaporkan bahwa reaksi harga terhadap pengumuman perusahaan kecil mencerminkan ekspektasi earnings dari seasonal random-walk." Bukti ini menunjukkan bahwa proksi dari beberapa segmen pasar. Bukti ini memunculkankan pertanyaan untuk investor akan membatasi diri pada informasi yang tidak lengkap yang dicerminkan dalam the seasonal random-walk model. . Teori model Ohlson (1975) menunjukkan bahwa nilai dari suatu sistem informasi meningkat dengan kekayaan investor. Dalam model ini, the seasonal random-walk model

istilah "nilai" berkaitan hanya ke sisi manfaat dari informasi dan tidak memasukkan biaya informasi. Cready (1988) memperkenalkan informasi biaya ke Model Ohlson dan menunjukkan bahwa ketika nilai informasi mahal meningkatkan kekayaan, akuisisi investor atas informasi yang mahal juga meningkatkan dengan. Hal ini menunjukkan bahwa investor kurang mampu menggunakan sumber informasi yang lebih murah daripada investor kaya, ratarata. Segmen pasar yang mendasarkan pada the seasonal random walk model untuk membentuk ekspektasi laba. Oleh karena itu mungkin terutama terdiri dari investor kurang kaya, karena a seasonal random-walk adalah salah satu model ekspektasi paling rendah. " Sebaliknya, investor kaya cenderung untuk hal yang berbiaya mahal (costly), nilai-informasi predisclosure yang relevan dengan melampaui seri laba masa lalu ke dalam ekspektasi laba mereka (El-Gazzar 1998). Oleh karena itu, respon perdagangan pedagang besar tidak mungkin dihubungkan dengan the seasonal random-walk model;. Penelitian sebelumnya menunjukkan bahwa ukuran transaksi meningkat sebanding dengan kekayaan investor (Cready 1988; Lee Chan dan Lakonishok 1993; Lee dan Radhakrishna 2000). Selain itu, model teori Easley and O'Hara's (1987) dan O'Hara memprediksikan bahwa pedagang dengan lebih banyak informasi membuat perdagangan lebih besar daripada pedagang kurang informasi. Hasbrouck (1988, 1991) juga memberikan bukti empiris bahwa perdagangan besar umumnya lebih informatif daripada perdagangan kecil. Bukti ini menunjukkan bahwa lebih makmur/kaya, investor dengan informasi yang lebih baik cenderung membuat perdagangan lebih besar dari yang kurang kaya, adalah investor kurang informasi. Kesimpulan ini menunjukkan bahwa itu adalah pedagang kecil yang yang memiliki ekspektasi earnings kebanyakan akan mencerminkan seasonal randomwalk forecasts. Oleh karena itu, hipotesis pertama yang diuji adalah: H1: Laba pengumuman dengan seasonal random-walk forecast errors yang lebih besar menghasilkan trading yang lebih ketat/tajam di antara pedagang kecil daripada melakukan pengumuman laba dengan seasonal random-walk forecast errors yang lebih kecil, ceteris paribus. Sebaliknya, pedagang besar lebih untuk memperoleh informasi yang mahal, nilai-informasi predisclosure yang relevan dan bernilai, dan kecil kemungkinannya

untuk mendasarkan pada model the seasonal random-walk untuk membentuk ekspektasi laba. Oleh karena itu, hipotesis diuji kedua: H2: Perdagangan pedagang besar adalah tidak berhubungan dengan besarnya seasonal random-walk forecast errors, ceteris paribus.

Kondisi ceteris paribus di H 1 dan H2 memerlukan kontrol untuk "kejutan" atau informasi baru" (relatif terhadap saat ini, ekspektasi diperbarui) diungkapkan oleh pengumuman laba Dengan kata lain, hipotesis memprediksi bahwa setelah mengendalikan sejauh mana pengumuman laba menyampaikan informasi baru ke pasar, respon perdagangan pedagang kecil 'masih signifikan positif berkaitan seasonal random-walk forecast errors, sedangkan tanggapan perdagangan pedagang besar tidak. Analis saham memiliki insentif untuk mendapatkan informasi predisclosure relevan yang bernilai untuk earnings forecast mereka. Sebagai contoh, Mikhail et al. (1999) menemukan bahwa analis. lebih mungkin untuk meninggalkan perusahaan broker jika perkiraan penghasilannya kurang akurat dibandingkan rekan-rekannya. Brown et al.. (1987) juga menyimpulkan bahwa analis saham memasukkan ke dalam perkiraan earnings mereka informasi yang lebih dibandingkan model univariate timeseries. Oleh karena itu, saya menggunakan absolute analyst forecast errors untuk mengendalikan informasi baru yang disampaikan ke pasar oleh pengumuman laba. Saya juga mengontrol returns spesifik perusahaan yang kontemporer, dalam hal absolute analyst forecast errors tidak sepenuhnya menangkap kejutan dalam earnings (misalnya, Kross et al, 1994;.. Bamber et al, 1999). Karena volume perdagangan secara signifikan berkorelasi positif dengan perubahan harga absolut (lihat Karpoff [1987 untuk suatu review), mengendalikan returns spesifik perusahaan yang kontemporer kembali memiliki keuntungan tambahan mengendalikan kemungkinan bahwa beberapa pedagang mungkin melakukan perdagangan lebih pada hari-hari dengan perubahan harga yang lebih besar Penelitian sebelumnya juga telah menunjukkan bahwa volume lebih tinggi., ratarata, ketika harga meningkat dibanding ketika harga jatuh (Karpoff 1987). Jadi, saya memasukkan variabel-variabel returns spesifik dua perusahaan -- satu untuk

returns harian yang positif dan satu untuk returns harian-negatif memungkinkan perdagangan diferensial terkait dengan upticks vs downticks.

yang

"Akhirnya,saya mengontrol persentase saham yang diperdagangkan untuk semua perusahaan NYSE / AMEX untuk ,mengabstrakan likuiditas perdagangan yang terkait dengan faktor ekonomi makro (. misalnya, Bamber et al, 1997). Untuk mengendalikan likuiditas perdagangan yang terkait dengan -faktor spesifik perusahaan, saya juga menyesuaikan tingkat rata-rata yang spesisfik dari perdagangan (misalnya, Bamber et al, 1997;. Kross et al, 1994). III. DATA DAN. PEMILIHAN SAMPEL Saya memperoleh data perdagangan untuk penelitian ini dari database yang didistribusikan oleh the Institute' for the Study of Security Markets (ISSM). Datadata ini mencakup informasi tentang semua perusahaan yang terdaftar di NYSE, AMEX, atau NASDAQ. ISSM. melaporkan semua perdagangan dan kutipan yang berasal dari NYSE. AMEX, NASDAQ, atau bursa regional.. Untuk perdagangan masing-masing, mencatat waktu transaksi dengan volume kedua terdekat,, harga, aturan untuk pertukaran, dan aturan kondisi. Studi ini mencakup perdagangan dengan aturan kondisi "penjualan reguler/regular sale" antara pukul 9:30 AM - 4:15 PM Eastern Standard Time. Satu-satunya pengecualian adalah pengecualian perdagangan setiap hari pembukaan, karena perdagangan sering menetas (jumlah dari beberapa perintah), dan karena itu dimasukkannya mereka bisa menambahkan suara (Lee dan Siap 1991; Lee 1992). ' Setelah Lee (1992), saya memasukkan trades time-stamped sampai 15 menit setelah penutupan NYSE dan AMEX untuk mengambil perdagangan yang berasal dari the Pacific Exchange (yang beroperasi sampai dengan 4:30 PM EST) atau keterlambatan laporan perdagangan. " "Karena saya menggunakan data perkiraan earnings dari Institutional Brokers Estimate System (1/B/E/S) , dalam rangka untuk meminimalkan gangguan dalam metrik kesalahan perkiraan (the forecast error metrics), saya menggunakan laba aktual I/B/E/S (I/B/E/S actual earnings ) untuk menghitung random-walk dan analyst forecast errors (misalnya, Philbrick dan Ricks 1991). Penelitian ini meliputi pengumuman laba kuartalan 1988-1992 untuk perusahaan yang listing pada NYSE atau dalam AMEX. Pengamatan sampel memenuhi lima kriteria seleksi:

1. Data EPS triwulanan yang tersedia bagi perusahaan. Kriteria ini tidak termasuk perusahaan dalam industri tertentu yang tidak melaporkan pendapatan earnings-real ate, investment trusts, closed and mutual funds, credit unions, dan sebagainya. 2. Data detail dari I/B/E/S menawarkan satu atau lebih perkiraan analis 'laba triwulanan perusahaan, diterbitkan dalam waktu enam minggu sebelum tanggal pengumuman laba kuartalan. Kriteria ini memastikan bahwa prakiraan analis saat ini. 3. Nilai absolut dari EPS Triwulanan yang aktual melebihi $ 0,20, untuk menghindari metrik kesalahan perkiraan yang ekstrim (extreme forecast error metrics) yang timbul dari penyebut yang sangat kecil "4..Sampel ini mencakup pengamatan harga saham akhir tahun antara $ 1 dan $ 500 inklusif, untuk memastikan bahwa perdagangan kecil dan besar jatuh dalam cutoff tertentu (seperti yang dijelaskan secara rinci dalam Bagian IV) 5.. Mengikuti Lee (1992), sampel memasukan perusahaan-perusahaan dengan rata-rata tahunan setidaknya sepuluh perdagangan setiap hari, untuk menghindari masalah dalam menggambarkan kesimpulan tentang perdagangan informasi yang diinduksi dalam issue perdagangan yang tipis. Kriteria ini menghasilkan suatu sampel dari 16.444 pengumuman laba Triwulanan. IV DESAIN PENELITIAN Trader Kecil dan Besar Penelitian sebelumnya menunjukkan bahwa investor kurang kaya, investor kurang informasi (Easley dan yang lebih kaya, informasi yang lebih baik, cenderung membuat perdagangan lebih besar dari yang Hara 1987; Cready 1988; Fiasbrouck I991, Chan dan Lakonishok 1993), penelitian ini menggunakan ukuran perdagangan untuk membedakan antara dua kelas investor. Namun, Model Kyle (1985) menunjukkan bahwa investor yang punya informasi baik (informed investors) sering memiliki insentif untuk terlibat dalam perdagangan berukuran sedang untuk disguise informasi pribadi. Penelitian empiris juga menunjukkan bahwa investor diinformasikan sering berkonsentrasi dalam perdagangan berukuran medium (misalnya, Cornell dan sirri 1992; Meulbroek 1992; Barclay

dan Warner 1993). Informed investors tidak mungkin, untuk terlibat dalam yang sangat perdagangan kecil karena ini secara signifikan meningkatkan biaya transaksi mereka. Selain itu, sebuah kebingungan pesanan kecil dari satu account kemungkinan akan mendorong spesialis untuk meningkatkan spread. Akibatnya, saya menghilangkan perdagangan menengah dan fokus hanya pada perdagangan besar dan kecil untuk membedakan lebih jelas kegiatan perdagangan dari orang kaya, pedagang informasi yang lebih baik dari orang-orang kurang kaya, pedagang yang kurang informasi. Lee dan Radhakrishna (2000) juga melaporkan bahwa menghilangkan suatu "buffer-zone" dari perdagangan menengah meningkatkan kekuatan uji statistik untuk memisahkan . kegiatan perdagangan kedua kelas investor Penelitian sebelumnya telah menggunakan dua proxy alternatif untuk membedakan antara pedagang kecil dan besar: (1) jumlah saham yang diperdagangkan (selanjutnya, " ukuran perdagangan berbasis proxy", Cready 1988; Cready dan Mynatt 1991), dan (2) nilai dolar dari transaksi (selanjutnya, "nilai dolar berbasis proxy"; Lee 1992;. Lee dan Radhakrishna 2000). Keterbatasan ukuran perdagangan berbasis proxy adalah bahwa hal itu tidak mencerminkan perbedaan dalam harga saham. Lee dan Radhakrishna (2000) menemukan bahwa nilai dolarberbasis proxy umumnya kurang mengganggu daripada ukuran perdagangan berbasis proxy dalam memisahkan transaksi investor kecil dan besar. Oleh karena itu, saya mengadopsi nilai dolar berbasis proxy untuk membedakan antara pedagang kecil dan besar. Nilai dolar berbasis proxy, bagaimanapun, sensitif terhadap perubahan harga saham. Sebagai contoh, jika saham diperdagangkan pada $ 10, maka suatu cutoff $ 5.000 untuk perdagangan kecil akan mengklasifikasikan (pembulatan-lot) perdagangan dari 100 untuk 500 saham sebagai perdagangan kecil. Jika saham bergerak ke 10 1 / 8, hanya 100 sampai 400 saham akan diklasifikasikan sebagai perdagangan kecil. Setelah Lee (1992) dan Lee dan Radhakrishna (2000), saya mengurangi masalah ini dengan menggunakan perusahaan-spesifik nilai dolar berbasis proxy sebagai berikut:. 1. Dapatkan harga penutupan perusahaan pada 30 Desember. Bandingkan harga penutupan dengan $ 5.000, dan menentukan jumlah terbesar pembulatan lot saham yang kurang dari atau sama dengan $ 5.000. Perdagangan dari jumlah saham ini atau lebih sedikit diklasifikasikan sebagai perdagangan kecil.

2. Tentukan cutoff untuk perdagangan besar dengan membandingkan harga penutupan sampai $ 50.000 dan menentukan jumlah terkecil pembulatan lot saham yang lebih besar dari atau sama dengan $ 50,000. Perdagangan dari jumlah saham atau lebih diklasifikasikan sebagai perdagangan besar. Akhirnya, saya menghilangkan/mengeliminasi saham dengan harga

saham rendah yang tak biasa atau harga saham tinggi tak biasa pada akhir tahun, untuk memastikan bahwa perdagangan kecil dan besar tidak melebihi batas-batas tertentu. Saya menghilangkan pengamatan dengan harga saham akhir tahun kurang dari $ 1 untuk memastikan bahwa cutoff perdagangan kecil tidak melebihi 5.000 saham, bahkan untuk harga saham terendah. Demikian pula. Saya menghilangkan saham-saham dengan harga akhir tahun yang bernilai dari $ 500 atau lebih untuk memastikan bahwa biaya pembulatan lot terkecil putaran kurang dari $ 50.000. Interval Pengamatan Para analisis statistik yang dilaporkan dalam penelitian ini meliputi lima interval pengamatan yang
1. 2. 3. 4. 5.

Hari 0, hari pengumuman laba; Hari + 1, sehari setelah pengumuman laba; Hari +2, hari kedua setelah pengumuman laba; Hari 0 dan + dan 1;.Hari-hari 0, + 1, dan +2

Lee (1992) menunjukkan bahwa hampir 95% dari respon perdagangan abnormal untuk perdagangan kecil dan besar terjadi dalam 3 hari penuh setelah pengumuman, sehingga interval pengamatan dalam penelitian ini cenderung untuk menangkap sebagian besar perdagangan normal. "Saya menganalisis jendela hingga Hari +2 karena penelitian sebelumnya menunjukkan. itu, sementara 'respon perdagangan abnormal investor besar mengklaster di sekitar pengumuman laba, perdagangan investor kecil' tersebar di dua hari berikutnya perdagangan (Cready 1988; Lee 1992). Mengukur Abnormal Trading Saya menggunakan dua metrik perdagangan yang berbeda untuk mengukur tanggapan perdagangan : (1) jumlah total perdagangan di kelompok investor j

selama interval pengamatan sepanjang t bagi sampel perusahaan i, dan (2) jumlah saham yang diperdagangkan (volume perdagangan) di kelompok Investor j selama interval pengamatan sepanjang t untuk sampel perusahaan i. Respon perdagangan yang abnormal berdasarkan jumlah total transaksi (A NOMOR-_TRADES;J) dihitung dengan mengurangkan jumlah rata-rata perusahaan perdagangan tertentu yang dibuat oleh kelompok investor j dari pengumuman-periode perdagangan yang dibuat oleh kelompok investor j , dan kemudian membuat skala perbedaan ini dengan jumlah total perdagangan untuk perusahaan yang dibuat oleh kelompok investor j selama seluruh tahun:

dimana j menunjukkan kelompok investor dan j = 0 menandakan pedagang kecil, sementara j = 1 menandakan pedagang besar. Demikian pula, saya menghitung respon perdagangan abnormal berdasarkan jumlah saham yang diperdagangkan atau volume perdagangan (A-SAHAM _TRADEDijt) dengan dikurangi rata-rata volume perdagangan perusahaan yang dihasilkan oleh kelompok investor j dari volume perdagangan periode pengumuman yang dihasilkan oleh Investor kelompok j, dan kemudian melakukan scaling perbedaan dengan jumlah total saham perusahaan diperdagangkan oleh kelompok investor yang sama selama seluruh tahun:

Rata-rata jumlah perusahaan yang melakukan perdagangan atau volume perdagangan dihitung untuk interval sepanjang t tahun fiskal. Sebagai contoh,. rata-rata jumlah perdagangan perusahaan i (volume perdagangan) oleh kelompok investor j selama interval pengamatan mencakup hanya satu hari hanyalah rata-rata harian dari perdagangan perusahaan i (volume perdagangan) yang dibuat oleh investor kelompok j selama tahun fiskal. Definisi Variabel Untuk setiap pengumuman laba, saya menghitung respon perdagangan abnormal pedagang kecil (selanjutnya, SMALLAT) untuk masing-masing lima

interval observasi dengan menggunakan dua metrik respon perdagangan abnormal (A NUMBER--TRADESijt dan A_SHARES_TRADEDijt). Demikian juga, saya menghitung respon perdagangan abnormal pedagang besar (selanjutnya, LARGEAT). The seasonal random-walk forecast error (selanjutnya, FERW) sama dengan nilai absolut dari selisih antara EPS kuartalan aktual dan EPS untuk kuartal yang sama tahun sebelumnya, dikurangi dengan nilai absolut dari EPS kuartalan yang sebenarnya. Para variabel kontrol didefinisikan sebagai berikut. Absolute analyst forecast error (selanjutnya, FEA) didefinisikan sebagai nilai absolut dari selisih antara EPS kuartal aktual dan perkiraan analis terbaru, dikurangi dengan nilai absolut dari EPS kuartalan yang sebenarnya. Ia menggunakan perkiraan analis yang paling terakhir karena O'Brien (1988) menunjukkan perkiraan yang paling saat ini umumnya lebih akurat daripada rata-rata atau median dari semua perkiraan yang tersedia. O'Brien (1988) juga melaporkan bahwa menggabungkan prakiraan yang relatif baru mungkin meningkatkan akurasi forecasts dari averaging out idiosyncratic individual errors. Maka, saya juga menghitung FEA menggunakan mean dan median dari semua perkiraan yang dikeluarkan dalam waktu enam minggu sebelum tanggal pengumuman laba. Karena hasil yang kuat di semua tiga ukuran FEA, saya melaporkan hasil hanya berdasarkan perkiraan paling baru. Untuk mengontrol return perusahaan yang kontemporer (RETURN), saya memasukan nilai absolut dari return positif dan negatif, secara terpisah , untuk memungkinkan perdagangan asimetris terkait dengan upticks vs downticks. Akhirnya, saya menghitung persentase saham beredar yang diperdagangkan dari semua perusahaan NYSE / AMEX ' melalui masing-masing dari lima interval pengamatan (selanjutnya, MKTVOL), untuk mengendalikan pasar perdagangan yang luas. V. HASIL Statistik Deskriptif Tabel 1 memberikan statistik deskriptif pada perdagangan abnormal dan variabel perkiraan kesalahan serta pada pengembalian spesifik perusahaan kontemporer. Semua nilai dinyatakan sebagai prosentase. Panel A melaporkan ratarata dan median dari perdagangan abnormal pedagang kecil ' atau volume

perdagangan

(SMALLAT)

selama

setiap

hari

dalam

periode

waktu

pengumuman. Sebagai contoh, SMALLAT berdasarkan total jumlah transaksi (A_NUMBER_TRADES) dihitung sebagai berikut. Pembilang adalah jumlah aktual perdagangan pedagang kecil membuat sahamsaham perusahaan selama interval pengumuman laba dikurangi jumlah rata-rata perdagangan pedagang kecil membuat saham-saham perusahaan selama interval pengamatan panjang yang sama. Jumlah perdagangan abnormal ini kemudian dinyatakan sebagai persentase dari jumlah perdagangan pedagang kecil membuat saham-saham perusahaan selama tahun penuh. Dengan asumsi 253 hari perdagangan dalam setahun, rata-rata proporsi perdagangan tahunan pedagang kecil 'yang terjadi pada setiap hari tertentu 0,3953 (yaitu, 1 / 253 kali 100) Jadi,. Panel A dari Tabel 1 menunjukkan bahwa rata-rata respon perdagangan pedagang kecil (berdasarkan jumlah perdagangan) pada hari pengumuman laba (hari 0) adalah sekitar 7,5 % (0.0297/0.3953). lebih dari respon perdagangan mereka pada rata-rata hari SMALLAT berdasarkan volume perdagangan (A- SHARES

-TRADED) dihitung sama, tetapi lebih menggunakan jumlah saham yang diperdagangkan daripada jumlah perdagangan. Panel B dari Tabel 1 laporan statistik deskriptif pada respon perdagangan abnormal pedagang besar (LARGEAT) Panel A dan B menunjukkan. bahwa perdagangan abnormal positif miring (skewed), konsisten dengan penelitian sebelumnya (misalnya, Morse 1981; Bamber 1987;. Bamber et al, 1997).

Kedua metrik respon perdagangan abnormal (A-NUMBER-TRADES and A_ SHARES _TRADED) sangat berkorelasi Untuk pedagang kecil, korelasi untabulated antara dua metrik perdagangan abnormal adalah sekitar 99% untuk tiga hari (Hari 0, +1, +2) Bagi para pedagang besar, korelasi antara dua metrik berkisar 89-94 %. Panel C melaporkan variabel kesalahan perkiraan (the forecast error variables) dan return perusahaan yang kontemporer pada hari pengumuman laba (hari 0). Rata-rata absolut kesalahan analis (FEA) adalah sekitar 11% dari EPS kuartalan yang sebenarnya. Hal ini jauh lebih rendah dari kesalahan rata-rata absolute seasonal random-walk forecast error (FERW). yang diperkirakan sekitar 22%, seperti yang diharapkan jika analis mengasimilasi informasi predisclosure melampaui EPS untuk kuartal yang sama dari tahun sebelumnya. The absolute random-walk and analyst forecast errors Akhirnya, mean dan median dari returns perusahaan pada saat pengumuman laba adalah 0,06% dan 0,0%, masing-masing, menunjukkan bahwa respon dari sampel perusahaan pada hari pengumuman laba adalah cukup simetris. Descriptive Univariate Correlations

Hipotesis1 dan 2 menunjukkan bahwa pedagang kecil kemungkinan didasarkan pada the seasonal random-walk earnings expectation model, sedangkan pedagang besar tidak. Karena itu, ia berharap FERW untuk menjadi lebih positif terkait pedagang kecil dibandingkan dengan respon

dengan'respon perdagangan perdagangan pedagang besar:

(SMALLAT, FERW) > (LARGEAT, FERW) Karena metrik respon perdagangan dan kesalahan perkiraan penghasilan (earnings forecast errors) yang positif miring (Skewed), Ia menghitung korelasi Spearman rank. Untuk menilai apakah FERW adalah positif lebih terkait dengan SMALLAT dibandingkan dengan LARGEAT, Ia menggunakan teori Vuong (1989) dengan uji rasio. Z-statistik Vuong (1989) dapat digunakan untuk membandingkan kekuatan FERW untuk menjelaskan variasi dalam SMALLAT vis-a-vis LARGEAT. Sebuah Z positif yang signifikan menunjukkan FERW dengan korelasi yang lebih positif dari SMALLAT dibandingkan dengan LARGEAT.

Tabel 2 melaporkan korelasi antara SMALLAT dan FERW, antara LAR GEAT dan FERW, dan Z-statistik Vuong. Panel A melaporkan hasil dimana respon perdagangan abnormal didasarkan pada jumlah perdagangan (A-NUMBER _TRADES), sementara Panel B melaporkan hasil berdasarkan volume perdagangan (A-SHARES _TRADED). Kolom pertama dari Tabel 2 melaporkan korelasi antara SMALLAT dan FERW, korelasi antara LARGEAT dan FERW. signifikan dengan FERW secara positif berhubungan

SMALLAT (p - 0,006). untuk semua interval pengamatan,

kecuali Hari +2 di kedua panel. Sebaliknya, kolom kedua dari Tabel 2 menunjukkan bahwa korelasi antara FERW dan LARGEAT tidak signifikan atau negative. Analisis selanjutnya (dilaporkan dalam Tabel 3) menunjukkan bahwa setelah mengendalikan untuk kesalahan perkiraan analis (analyst forecast errors), return kontemporer dan pasar perdagangan yang luas, FERW sebagian besar tak berhubungan dengan LARGEAT.. Akhirnya, kolom terakhir dari Tabel 3 melaporkan Z-statistik Vuong. Z adalah signifikan positif (p 0,0009) untuk semua interval pengamatan di kedua

panel. Hal ini menunjukkan bahwa the seasonal random-walk forecast errors secara signifikan lebih positif terkait dengan 'respon perdagangan pedagang kecil dibandingkan dengan respon perdagangan pedagang besar' untuk pengumuman laba Singkatnya,. deskriptif korelasi bersyarat mengungkapkan bahwa respon

perdagangan abnormal pedagang kecil meningkat dalam the absolute seasonal random-walk forecast errors, sedangkan respon perdagangan abnormal pedagang besar tidak. Hasil Regresi Untuk melakukan tes formal dari hipotesis, ia mengestimasi model sebagai berikut: Model 1: SMALLAT = 0 + 1FERW + 2 FEA + 3 Dp x RETURN + 4 DN x RETURN + 5 MKTVOL + Si Model 2: LARGEAT = 0 + 1 FERW + 2,FEA + 3 Dp x RETURN + 4 DN x RETURN + 5 MKTVOL + Li di mana Dp dan DN adalah indikator variabel seperti bahwa Dp adalah 1, jika returns 0 atau positif, dan 0 jika tidak, sedangkan DN adalah 1 jika returns negatif, dan 0 jika tidak. Hipotesis 1 menunjukkan bahwa 1 harus secara signifikan positif, sedangkan H2 menunjukkan bahwa 1, tidak harus secara signifikan berbeda dari 0. Untuk mengurangi efek kemiringan dalam data dan sensitivitas hasil untuk outlier, saya menggunakan transformasi peringkat dari kedua variabel dependen dan

independen, mengikuti Cheng et al. (1992). Estimasi menggunakan log-nilai-nilai transformasi (log-transformed values) dari variabel yang menghasilkan kesimpulan identik berganda..

Tabel 3 melaporkan hasil multiple regresi Panel A melaporkan hasil di mana SMALLAT dan LARGEAT didasarkan pada jumlah perdagangan (A_NUMBER _TRADES), sedangkan Panel B melaporkan hasil di mana mereka didasarkan pada volume perdagangan (A-SHARED-TRADEd). Untuk pedagang kecil

(SMALLAT), Panel A menunjukkan. bahwa koefisien FERW secara signifikan positive untuk semua interval pengamatan (p <0,032) kecuali Hari 2. Demikian pula, Panel B menunjukkan bahwa untuk pedagang kecil, koefisien FERW adalah positif dan signifikan (p 0,052) untuk semua interval pengamatan, kecuali Hari 2. Hasil ini menunjukkan bahwa, sebagai H
1

memprediksi, perdagangan abnormal

pedagang kecil (SMALLAT) meningkat dengan the absolute seasonal randomwalk forecast errors, bahkan setelah mengendalikan absolute analyst forecast errors, contemporaneous firm-specific returns, dan market-wide trading. Sebaliknya,. bagi para pedagang besar (LARGEAT). koefisien FERW tidak positif dalam beberapa interval pengamatan di panel. Dalam 4 dari 5 interval pengamatan, itu tidak signifikan berbeda dari 0, dan dalam satu interval (Hari + 1), secara signifikan negatif.. Hal ini menunjukkan bahwa 'perdagangan abnormal pedagang besar sebagian besar tidak berhubungan dengan seasonal random-walk forecast errors (konsisten dengan H2), setelah pengendalian untuk absolute analyst

forecast errors, firm-specific returns, dan market-wide trading. Anehnya, bagi para pedagang besar, koefisien FEA secara signifikan negatif untuk semua interval pengamatan dari kedua panel. Analisa tambahan (tidak

ditabulasikan) setelah partisi sampel ke dalam kuartil berdasarkan ukuran perusahaan menunjukkan bahwa korelasi ini negatif antara LARGEAT dan FEA hanya terjadi di kuartil terkecil dari perusahaan. Hal ini menunjukkan bahwa lebih mengejutkan, laba pengumuman sebuah perusahaan kecil relatif terhadap perkiraan analis terakhir, para pedagang besar lebih besar kemungkinan untuk menahan diri dari perdagangan saham perusahaan untuk setidaknya beberapa hari setelah pengumuman laba. Akhirnya, seperti yang diharapkan, koefisien pada nilai absolut dari return positif ( D,, X RETURN), nilai absolut dari return negatif (Dr, X RETURN), dan market-wide trading (MKTVOL) semua signifikan positif dalam semua interval pengamatan di kedua panel. Selain itu, koefisien pada nilai absolut dari return yang positif secara signifikan melebihi koefisien pada nilai absolut dari return negatif (p 0,001), konsisten dengan penelitian sebelumnya (misalnya, Karpoff 1987).

Untuk menilai sensitivitas hasil seri ketergantungan dari engamatan, Ia menghitung Durbin-Watson d-statistic untuk setiap persamaan untuk semua interval pengamatan. Durbin-Watson d-statistic terendah adalah 1,77, sehingga kesimpulan penelitian ini tidak mungkin akan terpengaruh oleh ketergantungan serial (Greene 1993, 424). Namun demikian, ia kembali menghitung tingkat signifikansi yang dilaporkan dalam Tabel 3 menggunakan prosedur Froot (1989), yang menyesuaikan matriks varians-kovarians (the variance-covariance matrix) untuk ketergantungan antara pengamatan dalam setiap kumpulan data. Ia mempartisi untuk memungkinkan covariances nol antara semua pengamatan dari suatu perusahaan dalam setahun. Kesimpulan tetap .. Akhirnya, varians dari faktor inflasi untuk FERW dan FEA kurang dari 2, sehingga kesimpulan penelitian ini tidak mungkin akan terpengaruh oleh multikolinieritas (Montgomery dan Peck 1991). Singkatnya, Tabel 3 mengungkapkan bahwa bahkan setelah mengendalikan kesalahan perkiraan analis (analyst forecast errors), perubahan harga kontemporer, dan market-wide trading, respon perdagangan pedagang kecil meningkatkan the absolute seasonal random-walk forecast errors, sementara respon perdagangan abnormal pedagang besar tidak. Saya memperkirakan Model I dan 2 secara bersamaan menggunakan estimasi Seemingly Unrelated Regression (SUR) dari Zellner ( 1962) untuk

membandingkan estimasi parameter melalui persamaan. Meskipun teknik ini memberikan sedikit keuntungan efisiensi karena kedua persamaan memiliki satu set regressors yang sama, itu memungkinkan tes yang melibatkan parameter dalam persamaan yang berbeda. Sejak H 1 dan H2 menunjukkan bahwa koefisien FERW

dalam Model 1 (a,) harus melebihi koefisien FERW dalam Model 2 (R,), Ia menguji hubungan berikut: 1 - 1 > 0.

Tabel 4 menunjukkan hasil t-statistics dan one-tailed probabilities (dalam kurung). Tabel ini mengungkapkan bahwa, secara signifikan lebih besar dari 1 (p 0,05) untuk semua 5 interval pengamatan ketika saya mendasarkan respon perdagangan abnormal pada jumlah perdagangan,. Untuk respon perdagangan yang abnormal berdasarkan volume perdagangan, sekali lagi secara signifikan lebih besar daripada R, untuk semua interval pengamatan, kecuali Hari 2. Hasil ini menunjukkan bahwa absolute seasonal random walk forecast errors diperkirakan lebih positif terkait 'respon perdagangan dengan pedagang kecil dibandingkan dengan respon perdagangan pedagang besar.

Analisis setelah Partisi Sampel Berdasarkan Ukuran Perusahaan dan Analis Following (Analyses after Partitioning the Sample Based on Firm Size and Analyst Following) Studi ini berhipotesis bahwa segmen pasar yang tergantung pada model seasonal random-walk yang tersedia cenderung tidak proporsional dihuni oleh pedagang kecil karena the seasonal random-walk adalah salah satu sumber informasi yang termurah. Sebuah perpanjangan dari argumen ini menunjukkan bahwa pedagang kecil lebih cenderung mengandalkan pada the seasonal random-walk model untuk perusahaan tanpa informasi predisclosure lingkungan yang kaya, karena lebih mahal untuk memperoleh informasi predisclosure untuk perusahaan-perusahaan ini. Sebagai contoh, WallStreet Journal menyebutkan perusahaan-perusahaan besar lebih sering daripada perusahaan kecil (Atiase 1987: Grant 1980). Demikian juga, itu lebih mahal untuk memperoleh perkiraan analis untuk perusahaan dengan analyst following yang murah. Oleh karena itu, hubungan antara SMALLAT dan FERW menjadi kuat untuk perusahaan-perusahaan kecil dan perusahaanperusahaan dengan analyst following yang relative kecil.

Tabel 5 menunjukkan hasil estimasi model 1 setelah partisi sampel ke dalam kuartil berdasarkan ukuran perusahaan (harga akhir tahun dikalikan oleh total saham dari saham biasa yang beredar pada akhir tahun), dan jumlah analysts following perusahaan. Secara spesifik Tabel ini melaporkan estimasi Koefisien FERW untuk pedagang kecil, untuk setiap kuartil berdasarkan ukuran dan analyst following. Tabel 5 melaporkan hasil berdasarkan pada jumlah perdagangan (ANUMBER _TRADES). Hasilnya berdasarkan volume perdagangan (A_ SHARES _TRADED) adalah cukup sesuai dengan yang dilaporkan dalam Tabel 5. dan tak ditabulasi secara terpisah. Panel A melaporkan estimasi koefisien FERW untuk pedagang kecil,, yang

umumnya lebih positif bagi perusahaan-perusahaan kecil daripada perusahaan besar. Sebagai contoh, dalam kuartil perusahaan terkecil (Q1),1 adalah signifikan positif untuk semua 5 interval pengamatan. Kecuali untuk Hari 2, 1 secara signifikan positif pada p 0,01, dan pada hari +2, 1 secara signifikan positif pada p = 0,041. Demikian pula, dalam Q2, 1 adalah positif dan signifikan (p 0,028) untuk semua lima interval pengamatan. Namun,adalaht tidak signifikan positif untuk setiap interval pengamatan di Q3 dan Q4. . Ia mengumpulkan (pooling)

pengamatan di Q1 dan Q2, dan pooling atas pengamatan terpisah di Q3 dan Q4, dan menggunakan variabel indikator untuk menguji apakah 1 lebih kecil dari setengah dari distribusi ukuran perusahaan adalah secara signifikan lebih besar dari 1 di di atas setengah.. Ia menemukan bahwa 1 pada yang di pooling Q1-Q2 secara

signifikan melebihi (p 0,042) 1 yang di pooling Q3-Q4 untuk lima interval waktu. Hasil ini menunjukkan bahwa pedagang kecil lebih cenderung mengandalkan pada model the seasonal random-walk untuk perusahaan-perusahaan kecil daripada perusahaan besar. Panel B melaporkan perkiraan 1 di empat kuartil berdasarkan analis berikut ini. Panel B mengungkapkan bahwa 1 secara signifikan positif dalam dua interval pengamatan di Q1 serta dalam Q2 (meskipun agak lemah signifikan pada Hari I di T+).1,dan pada Hari 0 sampai + I pada Q2. Anehnya, 1 secara signifikan positif dalam 4 dari 5 interval pengamatan di Q3, menyiratkan bahwa seasonal randomwalk forecast errors memacu pedagang kecil, bahkan untuk perusahaan dengan moderate analyst following.. Untuk kuartil dari perusahaan paling banyak diikuti, bagaimanapun, 1 tidak signifikan dalam setiap interval pengamatan. Selain itu, ketika Ia melakukan pooling pengamatan di T, melalui Q3 dan membandingkan pengamatan pada Q4, , Ia menemukan bahwa 1 dalam pooling Q1-Q3 secara signifikan melebihi 1 (p 0,046) di Q4 pada tiga dari lima interval waktu. Dengan demikian, pedagang kecil tidak mungkin untuk mengandalkan the seasonal random-walk expectation model untuk perusahaan dengan analyst following yang terberat. Akhirnya,.Untuk memastikan bahwa implikasi dari penelitian ini mengenai ketergantungan pedagang kecil 'pada model the seasonal random-walk tidak hanya merupakan artefak ukuran perusahaan (perusahaan kecil memiliki proporsi yang relatif lebih besar dari pedagang kecil daripada perusahaan-perusahaan besar), saya mengestimasi ulang Model 1 setelah memasukkan ukuran perusahaan sebagai variabel kontrol. Kesimpulan studi tersebut tetap tidak berubah. Singkatnya. hasil dalam Tabel 5 menunjukkan bahwa hubungan positif antara respon perdagangan abnormal dari pedagang kecil dan absolute seasonal random-

walk forecast errors muncul dari pedagang kecil di perusahaan dengan lingkungan yang miskin informasi (yaitu, perusahaan-perusahaan lebih kecil atau perusahaan dengan analyst following kecil dampai moderat ). Untuk perusahaan lebih besar atau sangat disegani (heavily followed firms), dengan informasi predisclosure adalah lebih mudah tersedia dan relatif lebih murah, pedagang kecil tidak muncul untuk mendasarkan pada pada seasonal random-walk earnings expectations.

VI..KESIMPULAN Penelitian sebelumnya menunjukkan bahwa segmen pasar tampaknya bergantung pada seasonal random-walk earnings expectation model. Penelitian ini menghipotesiskan bahwa segmen pasar terdiri dari pedagang kecil yang cenderung kurang kaya dan kurang terbentuk. Hasil empiris sebagian besar konsisten dengan hipotesis. Meningkatkan perdagangan abnormal pedagang kecil the absolute seasonal random-walk forecast errors, bahkan setelah mengendalikan absolute analyst forecast errors, contemporaneous price changes, dan market wide trading sekitar pengumuman laba. Sebaliknya, respon perdagangan abnormal pedagang besar 'tidak positif terkait dengan seasonal random-walk forecast errors. Analisis mengungkapkan bahwa pedagang kecil cenderung lebih mengandalkan pada the seasonal random-walk model untuk perusahaan-perusahaan kecil. Namun, bahkan pedagang kecil muncul untuk tidak bergantung pada the seasonal random-walk model untuk perusaahaan terbesar dan yang paling banyak diikuti.. Hasil ini dapat memberikan tendensi pandangan etelah pengumuman laba. Bernard dan Thomas (1990) berpendapat bahwa kecenderungan terutama disebabkan segmen pasar yang tampaknya mendasarkan pada pada model seasonal random-walk earnings expectation. Ia menemukan bahwa segmen ini tampaknya terutama terdiri dari pedagang kecil yang bertransaksi di perusahaan-perusahaan dengan lingkungan informasi yang relatif miskin (misalnya, perusahaan-perusahaan kecil atau perusahaan dengan analyst rendah hingga moderat). Sejak penelitian sebelumnya telah menunjukkan bahwa perusahaan-perusahaan kecil menarik proporsi yang relatif lebih besar dari pedagang kecil (Bhushan 1989; Lee dan Radhakrishna 2000), bukti yang dilaporkan di sini menunjukkan bahwa, dalam ketiadaan kekuatan arbitrase yang cukup, kecenderungan yang lebih luas untuk

perusahaan kecil. Ini konsisten dengan pembuktian Foster et al (1984) bahwa besarnya kecenderungan berbanding terbalik dengan ukuran perusahaan. Bukti ini, bagaimanapun, menimbulkan pertanyaan seperti mengapa pedagang besar tidak mengarbitrase kesempatan ini, dan dengan berbuat demikian menghilangkan penyimpangan/kecenderungan. Bhushan's (1989) berkesimpulan bahwa per unit biaya perdagangan, rata-rata, lebih tinggi untuk perusahaanperusahaan kecil daripada perusahaan besar, biaya perdagangan 'saham di perusahaan-perusahaan kecil mungkin lebih besar daripada keuntungan pedagang besar bisa berasal dari setiap peluang arbitrase. " Penelitian masa depan bisa langsung menyelidiki apakah penyimpangan pasca pengumuman laba disebabkan kegiatan pedagang kecil di perusahaan kecil, dan jika demikian, mengapa ada kekuatan arbitrase tidak cukup untuk mencegah mispricing tersebut. Seperti semua penelitian, studi ini tunduk pada keterbatasan. Meskipun buktibukti teoretis dan empiris mendukung validitas dari ukuran perdagangan sebagai proxy untuk kekayaan investor dan informasi, tetap merupakan proxy yang mengganggu, karena pesanan investor sering secara batched atau terputus. Namun, karena database yang tersedia untuk umum tidak melaporkan informasi yang luas di dalam perintah investor, peneliti biasanya mengandalkan perdagangan yang diamati dan kutipan untuk menyimpulkan karakteristik investor (misalnya, Cready 1988; Cready dan Mynatt 1991; Lee 1992). Keterbatasan lain adalah bahwa meskipun hasil utama secara statistik signifikan, model memiliki kekuatan jelas yang relatif rendah, dengan nilai adjusted R2 mulai dari 2% hingga 7%. Meskipun ini tingkat kekuatan penjelas adalah sebanding dengan event studies yang mengeksplorasi hubungan laba harga, porsi yang signifikan dari reaksi volume yang tetap tidak terjelaskan menunjukkan bahwa kita harus banyak belajar tentang berbagai dimensi heterogenitas investor dan bagaimana mereka mempengaruhi perdagangan di sekitar pengumuman laba.

LAMPIRAN RINCIAN PASAR MIKROSTRUKTUR Perdagangan dan Kondisi Kode Penawaran Laporan perdagangan dan kutipan condition codes yang dilaporkan dalam kaset ISSM berisi informasi tentang sifat dari perdagangan, atau kutipan kondisi pasar sekitarnya. Sebagai contoh, sebuah transaksi yang dikenal sebagai "penjualan tunai" (sebuah perdagangan yang tidak teratur yang mengatur kliring pada hari yang sama) membawa kode kondisi "C" Dalam studi ini, ia hanya menggunakan perdagangan dengan "Regular sale" condition codes. "Regular sale" condition codes perdagangan merupakan akibat terus menerus, dua-sisi lelang yang melibatkan pesanan pasar, membatasi order, dan membeli dan menjual terhadap spesialis persediaan '(berbagai jenis pesanan investor yang akan dibahas di bawah). Jenis Pesanan Dua jenis dari pesanan pelanggan adalah "pesanan pasar/ market orders " dan " limit orders." Sebuah pesanan pasar segera dieksekusi pada harga terbaik yang tersedia. Peraturan Bursa Efek memerintahkan spesialis untuk memastikan eksekusi langsung dari pesanan pasar "Sebuah limit order, di sisi lain, adalah perintah untuk membeli atau menjual pada harga yang ditentukan.. Spesialis tersebut menyimpan daftar limit order pada berbagai harga pada setiap sisi . quote saat ini Jadi, ketika sebuah pesanan pasar tiba, spesialis dapat melaksanakan perintah dalam tiga cara yang berbeda: (1) sesuai urutan dengan pesanan pasar masuk (ini disebut "market crosses"), (2) sesuai pesanan dengan limit order dari " limit order book," atau (3) membeli atau menjual dari persediaan sendiri. Jika dua yang pertama pilihan tidak tersedia setiap saat, aturan pertukaran memerlukan spesialis untuk melaksanakan pilihan ketiga.