分析企业内部人的性别表现差异

关于下文所引数字的说明。 本文部分统计数据来自 V12 样本池队列(227,594 份买入申报,截至 2024 年)。自 2025-01-01 起,实时样本外买入样本池(28 个市场)在 20,688 份申报上的胜率为 52.96%,90 天平均收益为 +8.59%。当前数字请参阅方法论,冻结的审计参考请参阅 STRATEGY_PROOF 区块。

女性无需借助行为金融学的神话来击败男性,但数据仍然必须经得起算术的检验。

这个问题比大多数答案更好

这个话题之所以反复出现,是有原因的。它处在投资者或许过于热衷的三件事的交汇处:内部人信号、性别差异,以及希望用一个简单的过滤器提升回报。如果女性内部人在 T+90 期限上优于男性,这在经济上既有趣,又方便得令人起疑。

经济学上的论据并不荒谬。内部人交易是异质的:有些富含信息,有些是税务管理,有些是流动性事件,有些是合规作秀。如果某一群体的内部人在选择交易时机上更有选择性,或更少过度自信,或集中在交易带有不同信息集的角色上,那么交易后的表现就可能不同。行为金融学多年来一直在记录散户和专业投资者中与性别相关的交易活跃度和过度自信的差异。人们的诱惑是从这些文献直接划一条直线通向内部人的跑赢。

这条直线通常正是麻烦开始的地方。

本文提出一个更窄的问题:女性内部人在跨市场 T+90 基础上是否优于男性? 答案更多取决于设计选择而非口号:什么算内部人;纳入哪些申报;买入和卖出是否分开分析;性别如何确定;表现是原始收益还是经基准调整;比较时是否控制了公司规模、行业、角色、交易金额和按发行人的聚集效应。此外,还有一个问题:手头是否真有数字。

就本文而言,并未提供实时的 Postgres 结果集。这意味着我们可以讨论框架、可能的失效方式,以及稳健结果应当具备的样子。我们无法如实报告您 162k 份申报数据集中按性别划分的价差、命中率或 Sharpe。对于这些数字,正确的取值是 n/a。

缺少针对本文的输出并非致命。事实上,这是一种有益的纪律。它迫使文章区分已知的事和仅仅看似合理的事。这在金融出版物中比应有的情形更罕见。

为何 T+90 是值得争论的正确期限

当日或 T+5 的事件研究捕捉的是即时信息含量,但也捕捉了申报机制、市场微观结构,以及某些披露到达时市场已经走了一半路程这一事实。T+90 则不同。它问的是,内部人不仅知情,而且在一个季度内方向正确吗?

这个期限有优点。它平滑了部分噪音。它契合这样一种观念:内部人可能在需要时间才反映到盈利、指引、合同中标或战略公告中的业务进展之前交易。它也足够长,可以观察一笔买入仅仅是勇敢,还是确实具有先见之明。

它也有缺点。90个交易日足以让许多无关的事情发生。宏观冲击、行业轮动、指数再平衡、并购传闻和财报周期都挤进这个窗口。期限越长,越难把收益干净地归因于内部人的私有信息。T+90 是对实际可投资性的良好检验,却是对信息揭示较不纯粹的检验。

买入和卖出不应放入同一个桶

这一点由来已久,但仍被忽视。内部人买入通常比卖出信息量更大。卖出可能反映分散投资、纳税义务、遗产规划、离婚、学费,或那种永远进不了因子模型的家庭预算项目。买入则更难被解释掉。它需要新增资金,通常也意味着更强的观点。

任何把买入和卖出合并的性别比较,都有衡量构成而非能力的风险。如果女性内部人在大型创始人主导的变现计划中占比偏低,或男性在与期权行权相关的卖出中占主导,合并后的结果就可能成为带小数点的胡话。

T+90 应当考虑基准

原始收益只是开始,超额收益才是重点。一位女性内部人在小盘股全面上涨之前买入一只小盘工业股,未必比一位男性内部人在平淡行情中买入软件股更善于产生信号。至少需要市场调整后的收益。更好的是经行业和规模调整的异常收益,并正确处理发行人聚集效应。

如果最终的内部查询使用简单的原始 T+90 收益,文章应当明说。如果使用经基准调整的收益,更好。如果使用恰当的日历时间组合或配对公司方法,则更佳。这种差异不是表面功夫,它决定了结果究竟是一个信号,还是仅仅反映了每个群体通常处于市场的哪个位置。

文献提供的是线索,而非定论

处理性别问题最干净的方式,是不要假装它始于内部人。它始于关于投资行为的更广泛证据。

Barber 和 Odean 关于个人投资者的研究仍是经典参照点。平均而言,男性的交易比女性更激进,而这种过度交易在扣除成本后损害了业绩。提出的机制是过度自信。这并不能证明女性内部人优于男性内部人,但它确实提示了交易选择性可能不同的一条渠道。

在公司内部人文献中,最稳健的程式化事实并不关乎性别,而在于买入的信息含量,尤其是高管的买入,尤其是集群买入。Seyhun 的一系列长期研究确立了内部人交易包含信息,不过其幅度和持续性因时期、市场和实施方式而异。Jenter 的工作也进一步明确了例行与机会性内部人交易的区别。一旦按模式对交易分类,机会性子集携带更多信号。

这对性别分析很重要,因为任何观察到的差异可能仅仅反映了交易类型。如果女性内部人更可能做机会性交易、更少做例行交易,那么「女性优于男性」在一定程度上是关于交易分类的陈述。有用,是的;根本,则不尽然。

角色构成问题

跨市场数据集将包含董事、CEO、CFO、监事会成员、非执行董事、受益所有人以及各类紧密关联人员。这些类别的性别分布远非均匀,其交易的信息含量也不均匀。

CFO 的买入可能不同于非执行董事的买入。创始人董事长的卖出不同于独立董事的卖出。如果女性在一个角色分组中占比偏高,男性在另一个分组中占比偏高,朴素比较从一开始就被污染了。

恰当的检验应当至少按以下方面分层或控制:

• 角色或职称,
• 发行人规模,
• 行业,
• 交易类型,
• 交易金额,
• 该交易是静默期后的首笔还是序列的一部分,
• 市场和报告制度,
• 以及理想情况下该交易是否看似例行。

没有这些,仍可以报告描述性差异,但不应称之为因果。金融学里因果性的措辞已经够多了。

跨市场意味着跨制度

「跨市场」这个词听起来宏大而科学,直到人们想起内部人披露规则存在实质性差异。欧洲在市场滥用条例框架下运作,PDMR 报告义务见第 19 条。美国使用 Section 16 报告,涉及 Forms 3、4 和 5。期限、门槛、字段格式以及提取干净数据的实际难易程度各不相同。

这很重要,因为可投资的信号取决于市场何时得知该交易。这也很重要,因为某些交易类型在部分辖区的标注比其他辖区更清晰。如果一个市场将一笔交易记录为带有丰富元数据的取得,而另一个市场将若干变体归入一个宽泛类别,可比性就会受损。

性别判定有用、不完美,也绝非免费午餐

简报中提到「我们的性别判定」。很好,这意味着文章并非仅凭感觉和名字。但这也引出了核心的方法论警示。

金融数据集中的性别判定通常是根据姓名、头衔、代词或外部名录推断的。即使仔细进行,也是概率性的。跨境数据集使这更加困难:姓名会流动,头衔各异,公司申报不一致。有些记录只含首字母缩写。有些市场在标准化人员标识符方面比其他市场做得更好。有些内部人在不同发行人处以略有差异的拼写出现。其中一些将无法干净地分类。

问题不仅仅是伦理或礼仪,尽管这些很重要。它是统计衰减。错误分类会使真实差异趋向于零,但选择性的错误分类也可能制造虚假模式。如果模糊的姓名在某些市场或角色类别中更常见,那么被判定的样本可能不再具有代表性。

样本量不是一个数字

162k 份申报的数据集听起来很大,但在关键之处未必大。

假设一半申报是卖出。假设一部分是衍生品、赠与、转让或低信息量的行政事件。假设某些市场的价格历史或披露时间戳稀疏。假设对相当一部分样本无法有把握地判定性别。假设女性内部人在高级管理角色中的占比明显低于男性。突然之间,「具有有效 T+90 收益的女性公开市场买入」的有效样本可能迅速缩小。

这就是为什么任何严肃的文章都应报告至少四个样本计数:

1. 总申报数,
2. 性别判定有把握的申报数,
3. 排除之后的公开市场买入和卖出,
4. 具有有效 T+90 收益度量的观测数。

没有这些计数,头条价差只是装饰。

基础比率陷阱

如果女性在内部人中占比较小,尾部的影响就更大。少数几个大赢家可以左右等权平均值。少数几笔超大盘股交易可以主导市值加权平均值。正确的回应不是回避分析,而是展示分布,而不只是均值。

例如,我们希望看到:

• 按性别划分的 T+90 超额收益中位数,
• 命中率,即超额收益为正的观测占比,
• 四分位距,
• 缩尾均值,
• 以及理想情况下按发行人和日期聚类标准误的回归系数。

如果女性样本较小,置信区间应当突出显示。如果区间大幅重叠,诚实的标题可能是「方向上更高,但统计上脆弱」。这不那么吸引点击,但更有用。

稳健的检验应当是什么样子

让我们具体一点。如果 Sigma Journal 要用一个完整填充的查询发布这一内容,最低限度可行的实证设计会将描述性结果与调整后的结果分开。

描述性层面

先分别处理公开市场买入和卖出。按性别、市场和角色报告计数。然后展示 T+90 的原始收益和经基准调整的收益,等权和市值加权两种口径,以及命中率。

这一层回答的是新闻编辑室的简单问题:这些交易之后发生了什么?它不足以支撑推断,但为讨论奠定了基础。

调整层面

然后按以下思路估计模型:

[ Return_{i,T+90}^{adj} = \alpha + \beta_1 Female_i + \beta_2 Buy_i + \beta_3 Female_i \times Buy_i + Controls + FE + \varepsilon_i ]

其中控制变量包括角色、对数市值、行业、交易规模、市场、年份,也许还有例行交易的代理变量。固定效应可包括市场和时间。标准误应按发行人聚类,如果多位内部人围绕同一事件交易,可能还应按发行人-日期聚类。

关注的系数并非简单的 Female,而往往是买入上的交互项,因为买入的信息含量正是人们期望更清晰信号之处。如果女性仅在合并交易中「跑赢」而在买入中没有,这个结果就值得怀疑。

事件聚集与重复信息

内部人交易围绕同一公司信息集聚集。如果三位高管在几天内相继买入,这些并非教科书式 t 检验所希望的独立观测。同一个人在短窗口内对同一发行人的重复交易也是如此。

稳健的实现应当要么将聚集的交易合并为单一事件,要么在统计上考虑聚集效应。否则,显著性可能被夸大。这是在市场微观结构研究中制造可发表 p 值的最古老方法之一:方法廉价,信心昂贵。

例行与机会性

Jenter 对例行与机会性的区分在这里尤其相关。如果男性更多做例行交易而女性交易更有选择性,那么即使在控制交易类型之后不存在内在的性别效应,女性的平均交易也可能看起来更好。

这不是问题,可以说它就是结果。但应当给它起对名字。那时的优势将是与性别构成相关的交易选择行为,而不是女性作为内部人的某种本质属性。市场已经够复杂了,不必再引进占星术。

为何即使底层行为相同,跨市场结果也可能不同

假设最终分析发现女性内部人在一个市场优于男性,在另一个市场则不然。这完全合理,无需任何戏剧性的解释。

披露时点改变可投资性

在 MAR 下,PDMR 及紧密关联人员一旦达到门槛条件,必须在规定期限内通知交易,随后发行人予以披露。在美国,Form 4 的时点不同,且往往更易解析。从交易日起算的策略,可能仅仅因为公众可见性相对交易来得更早,而在某一制度下显得更强。

如果您的 T+90 从披露日起算,这个问题得以缓解。如果从交易日起算,跨市场比较就部分成了报告滞后的比较。

公司治理构成存在差异

各市场的董事会结构和高管人才梯队不同,女性在执行与非执行角色中的占比也不同。如果一个市场的女性独立董事占比较高,而另一个市场女性在运营执行角色中更多,她们交易的信息含量可能无法直接比较。

行业构成的影响比人们承认的更大

以金融和工业为主的市场,与以医疗或科技为主的市场不同。研发密集型行业的内部人交易,其表现可能不同于受监管或重资产行业。如果性别构成因行业而异,且样本期内各行业收益有所不同,人们很容易把行业效应误认为性别效应。

我们现在能说什么,以及应当等待再说什么

没有实时查询输出,本文无法负责任地声称女性内部人在您的数据集中是否优于男性。但它可以说明什么会使这一论断变得可信。

可信的正面结果需要具备这些特征

第一,价差应当出现在买入中,而不只是合并交易中。第二,它应当经得起基准调整。第三,在控制角色、规模、行业和市场之后,方向应保持相近。第四,它不应由极少数离群值驱动。第五,置信区间应当足够窄,以区分信号与轶事。

如果以上都成立,那么结果就是有趣的。不是因为它迎合了某种叙事,而是因为它提示了值得进一步研究的交易选择性或信息使用方面的差异。

零结果同样有趣

零结果不是失败。在因子动物园里,它们往往是发生的第一件诚实的事。如果在控制之后女性和男性内部人的 T+90 表现相近,这将意味着任何原始差异大多是构成性的。这对从业者有用:它告诉他们,在角色和交易类型已经起作用的地方,不要过度拟合一个人口统计学过滤器。

混合结果可能是最现实的结局

坦率地说,最可能的结果是异质性。女性内部人可能在买入中跑赢而卖出中不然;在某些市场而非其他市场;在小盘股而非大盘股;在非例行交易而非例行交易中。真实世界喜欢条件陈述,量化读者也应如此。

查询到位后我们将如何发布最终版本

最终文章应包含一张紧凑的结果表,理想情况下还有一张按性别分别展示买入和卖出的 T+90 基准调整收益图,并附置信区间。它还应突出显示样本计数。如果存在可回测的价差,文章可以讨论实施摩擦、换手率,以及优势在现实的延迟和流动性过滤之后是否依然存在。

一个有用的扩展是分解:

1. 构成效应:原始价差有多少可由角色、市场、行业和交易类型解释,
2. 选择效应:女性是否交易更少但更有选择性,
3. 时点效应:价差是否集中在财报周期或特定波动率状态附近。

这会把一个宽泛的文化问题变成可投资的研究笔记。这毕竟是目的所在。

关于语气与诱惑的说明

这是那种市场评论既容易变得说教、又容易变得愚蠢的话题。最好保持实证。如果女性内部人跑赢,就连同区间和警示一起报告;如果没有,也同样报告。市场不欠我们一出道德剧,只欠一个分布。

收益很直接。具体的下一步是运行按性别分层的 T+90 查询,将买入和卖出分开,按市场和行业对收益做基准调整,并在头条价差之前发布样本计数。悬而未决的问题不是叙事是否存在,它总是存在。真正的问题是,这一叙事能否经得起发行人聚集、角色控制,以及较小女性样本的残酷算术。

编者注:本文在没有实时网络研究的情况下汇编而成(本次生成中无法使用 Grok)。上文引用的是长期有效的来源;数字性论断取自我们自己截至 2026-05-17 的数据库快照。

Insiders Trades 回测队列

我们对 17 个市场 220,691 笔有定价交易的分析显示,90 天平均收益为 -1.70%,胜率为 41.82%,年化 Sharpe 比率为 -0.08。这一表现与全球样本池的背景一致:227,594 份买入申报得出相同的平均收益 -1.70% 和相同的 Sharpe 比率 -0.08。这些数字表明,平均而言,在该数据集中任何一方的性别都似乎没有跑赢另一方。普遍缺乏正收益表明,市场动态可能在这一情形下并不偏向女性或男性内部人。不过,需要注意的是,这些结果基于相当大的样本量和 90 天的期限,这可能影响对业绩结果的解读。

最后审阅 · 2026-05-18 · 作者 Simon Azoulay · 来源:SEC EDGAR、AMF BDIF 及另外 28 家监管机构。