信息质量、市场评价与激励有效性，本文主要内容关键词为：有效性论文,评价论文,质量论文,市场论文,信息论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
证券市场(后文简称“市场”)本质上是信息的市场，卖方证券分析师(后文简称“分析师”)作为专业分析人员，向市场提供反映证券内在价值的信息，提升市场的信息效率。完善合理的激励机制有利于促使分析师向市场提供高质量的信息，而市场对于分析师的评价则是激励机制中的核心参考要素。在很多市场中，由财经媒体组织的最佳分析师评选活动就是市场评价分析师的主要形式①(Hong and Kubik，2003；Emery and Li，2009)。自2003年开始，《新财富》杂志借鉴美国《机构投资者》杂志的做法，推出由机构投资者投票评选的中国内地资本市场“最佳分析师”。目前，该评选已经成为中国分析师行业内最具影响力的市场评价活动②，而评选结果则成为分析师激励的重要指标。分析师一旦在评选中获奖，其声誉、收入和影响力都会得到巨大的提升，获奖分析师经常被称为“明星分析师”③。 分析师所发布的信息的质量(后文简称“分析师信息质量”)是衡量分析师研究水平和工作绩效的核心。因此，作为重要的市场评价指标，《新财富》评选结果应该反映分析师信息质量，这样才能成为推动分析师行业发展并提升市场信息效率的有效激励机制。然而，近几年来该评选也引起很多争议，对评选的公正性和有效性的质疑不绝于耳，媒体曾多次曝光分析师个人和研究机构使用请客送礼等手段进行拉票、拜票④。这些争议引出两个重要的问题：第一，《新财富》评选结果是不是体现了分析师的研究水平，或者说研究水平是不是分析师在《新财富》评选中能否获胜的重要影响因素？第二，还有哪些因素可以影响分析师在《新财富》评选中能否获胜？如果《新财富》评选可以反映分析师的研究水平，或者说优秀的研究水平可以提高分析师在《新财富》评选中获胜的概率，那么《新财富》评选将会激励整个分析师行业提高自身研究水平，提高发布信息的质量。这最终将提高证券市场的信息效率，则《新财富》评选就是有效的。 本文从中国股市《新财富》最佳分析师评选切入，研究了卖方分析师信息质量与评选结果的关系，进而探讨了我国分析师行业外部激励机制的有效性。本文应用盈余预测的准确度及谨慎性、股票评级的投资价值作为衡量信息质量的指标，比较了评选之前《新财富》获奖分析师与未获奖分析师的整体水平，研究发现这两个群体所发布的信息质量在经济和统计上都不存在显著差异，分析师的历史获奖经历对于再次获奖却有很大帮助。本文进而考察了影响最佳分析师评选结果的因素，研究发现获奖概率与分析师发布报告的频率、发布买入评级的比例、发布的关于机构重仓股的研报的比例、历史获奖次数以及分析师所在券商的市场地位等因素成正相关关系，而与盈余预测质量和股票评级投资价值无关。这说明决定分析师能否获奖的主要因素是分析师的曝光率和所属机构的市场地位，而反映研究水平的信息质量则不是首要因素。本文的主要贡献包括：第一，针对市场上关于分析师评选的传闻和争论，本文首次应用客观数据进行了严谨的实证分析，得到的结论更具说服力；第二，本文首次从学术层面揭示了目前基于《新财富》评选的激励有效性不足的问题，该问题应当引起市场的关注与反思，本文对于分析师行业的发展具有重要的现实意义。 本文剩余部分安排如下：第二部分对相关文献进行介绍及理论分析；第三部分进行样本描述及概念说明；第四部分从盈余预测质量角度对获奖分析师和未获奖分析师进行比较研究；第五部分从股票评级投资价值角度对获奖分析师和未获奖分析师进行比较研究；第六部分讨论分析师获奖的决定因素并给出解释，第七部分进行总结和讨论。 二、文献回顾与理论分析 广义上讲，所有能够影响分析师行为的因素都是激励机制的一部分。事实上，分析师作为资本市场的信息中介，他们的行为会受到市场各方的影响，其中就包括上市公司、分析师所在券商，以及投资者等。 作为分析师提供的信息的使用者，投资者能决定的是分析师的口碑和声誉。这一激励的具体表现形式就是分析师评选。很多研究表明分析师评选结果对于他们的个人利益有巨大的影响(Dorfman，1988，1997；Hong and Kubik，2003；Kessler，2001)。而评选机制的有效性就取决于分析师究竟以何种方式获取并维持声誉。如果分析师必须通过向市场提供高质量的信息才能在评选中胜出，则评选是有效的。关于这一问题的研究结论并不一致。Stickel(1992)发现在从未获奖的分析师子样本内，即将获奖的分析师的盈余预测会优于其他分析师；在曾经获奖的分析师子样本内，持续获奖的分析师的盈余预测会优于落选的分析师，因此他认为分析师盈余预测质量和获取及维持声誉有关。Jackson(2005)使用澳大利亚1994-2004年的分析师评选数据进行研究，发现准确的盈余预测可以为分析师带来声誉。Emery and Li(2009)则同时使用“全美研究团队”评选(I/I)和“最佳分析师”评选(WSJ)1993-2005年的数据进行研究，发现分析师信息质量只在个别的子样本和情形下对获奖概率起到正面作用，普遍来说分析师能否获奖与分析师信息质量无关。 关于我国分析师评选的有效性及分析师声誉的形成机制问题，尚未有学者涉及。而我国证券市场正处于“新兴加转轨”阶段，上市公司良莠不齐，投资者平均素质不高，再加上整个社会的法制环境和契约精神均不及西方发达国家。这些因素都使得分析师的信息中介作用更加重要，但同时也使得分析师评选活动的激励机制更容易发生扭曲，丧失有效性。 我们试着站在机构投资者的立场来思考，他们有动机通过繁复的数据分析，对分析师进行严谨的比较甄别，找出过去1年里表现最好的分析师并给他们投票吗？显然，如果所有机构投资者都这样做，将会激励所有分析师提供更高质量的信息，这将促进市场的信息效率，最终也将有益于投资者自身。但是由于机构投资者数量众多，彼此之间难免有搭便车的行为，更不要说分析师与机构客户之间还存在利益交换的可能(Firth et al.，2013)，最终机构投资者可能并没有动力去甄别比较分析师的研究水平。 那么，如果机构投资者没有动力去进行认真的比较和甄别，他们会倾向于给哪些分析师投票呢？我们知道行为金融学中存在“有限关注”现象——当一个信息没有被关注到，该信息就不会在资产价格中反映出来(Huberman and Regev，2001)。事实上，在分析师评选过程中可能存在类似的现象。Emery and Li(2009)曾经通过问卷调查方式询问参与投票的机构投资者，90%的回应者都承认，他们在给分析师投票时很大程度上取决于候选者的知名度。而就中国的情况来说，2012年参与《新财富》评选的分析师多达1 400余人，有权投票的机构投资者达到480多家。数以千计的分析师如走马灯一般到各家机构去路演⑤、拜票，而机构投资者最后可能连大部分分析师的名字都记不住。在这种情况下，机构投资者最终大概只能根据分析师知名度来进行投票。 现有文献(如王宇熹等，2007，2012；于静等，2008；汪弘等，2013)⑥所讨论的问题基本可以归纳为，获奖分析师在获奖之后的盈余预测是否更准确，股票评级的市场效应及投资价值是否更大。但这些文献的研究策略不适合用于检验评选的有效性。第一，在进行分析师评选时，机构投资者只能看到评选之前已经出现的信息。所以，分析师获奖后的研究表现如何与评选有效性无关。第二，一种观点认为：即使在评选前明星分析师尚未表现出更好的绩效，但由于其具备的研究潜质，获奖后也可能完全体现出更高的研究质量。注意到这一观点暗含一个前提假设：机构投资者在进行评选时具有很好的预测能力，即使分析师已经表现出来的研究水平普通，机构投资者也可以预测出某些分析师未来会表现出好的研究水平，因此而投票给他们。但这一前提假设过强，没有证据表明机构投资者具有这样的预测能力。退一步讲，假设机构投资者具有这样的预测能力。明星分析师评选作为一种激励机制，也应该优先奖励那些已经表现出优秀研究水平的人。如果机构投资者认为某些分析师具有研究潜质，只是还没有表现出来，也完全可以等到他们表现出来好的研究水平之后再给他们投票，而没有必要提前投票给他们。让尚未表现出优秀研究水平的分析师获奖，会使得激励机制扭曲，同样说明评选有效性存在问题。 因此，我们将沿着如下思路展开研究：首先，我们以盈余预测的准确度及谨慎性、股票评级的获利能力作为分析师信息质量的代理变量，对获奖分析师与未获奖分析师在获奖之前的研究水平进行比较。我们认为：如果分析师的研究水平是机构投资者评价分析师的重要指标，那么机构投资者应该更认可那些能够提供高质量盈余预测和股票评级的分析师，则我们应该能够看到：在评选前，获奖分析师与未获奖分析师的信息质量应该有显著差别。反之，如果这种情况没有出现，则在一定程度上说明：(1)在机构投资者对分析师的评价体系中，分析师信息质量不是重要指标；(2)评选并没有反映出分析师的研究水平，评选机制是无效的；(3)分析师研究水平对能否获取或维持声誉没有影响。另外，根据上文的推理，除了分析师信息质量之外，应该还有其他因素会影响分析师获取及维持声誉。其中很重要的一个因素就是分析师在参选之前的曝光率和知名度，我们认为：知名度越高的分析师，获奖的概率越大，即使他们的研究水平等于甚至差于其他分析师，他们依然可以获奖。 三、样本描述及概念说明 本文使用的分析师盈余预测数据、股票评级数据、证券公司相关财务数据及《新财富》最佳分析师名单均来自国泰安(CSMAR)数据库，时间跨度为2003年至2012年。 分析师信息质量：借鉴现有的国内外文献，本文认为分析师信息质量代表了分析师的研究水平或研究水平。依据现有国内外文献的做法，本文从盈余预测准确性和股票评级的投资价值来衡量分析师发布信息的质量。 获奖分析师：在《新财富》评选中进入前三名的分析师。近几年评选以研究团队作为评选单位，本文将团队中全部成员都定义为获奖分析师。⑦ 第y年获奖分析师：由于《新财富》评选全部在年底进行，因此本文中所说的第y年获奖分析师，指的是在第y年年底获奖的分析师。 四、盈余预测质量对比 盈余预测的准确性是投资者评价分析师预测能力的主要标准之一(Stickel，1992)。分析师盈余预测是投资者的主要预测信息来源。在其他条件一定的情况下，盈余预测值越准确，投资者对股票内在价值的估计越准确，投资决策也就越合理，投资收益就越大(Ramnath et al.，2008)。此外，大量证据表明，出于刺激交易量(Jackson，2005)、招揽投行业务(Lin and McNichols，1998)、职业发展(Hong and Kubik，2003)等因素的考虑，分析师的盈余预测都存在乐观偏误。而这种乐观偏误除了有利于少数客户之外，对绝大多数非客户投资者都是有害的，会妨碍他们对股票价值做出正确判断。综合以上两点，我们认为优质的盈余预测应该具备两个特征：一是准确度高，二是乐观偏误小(谨慎客观)。 (一)实证方法 我们定义
为分析师i在时点t对j公司y财年的每股盈余(EPS)预测，
为j公司y财年的EPS实际值。本文使用以下4个指标来度量分析师的盈余预测偏差：
这4个指标的经济意义非常直观，它们的值越接近于0，盈余预测的质量越好。在无须区分时，这4个指标统一表示为
。我们在本节中定义：在y+1年获奖的分析师为“获奖分析师”，如在y+1年没有获奖则为“未获奖分析师”。 全样本A：未加任何限定条件的样本空间｛
｝。 子样本B：限定分析师i截止到y年从未获奖的预测样本空间｛
｝。 子样本C：限定分析师i于y年或之前曾经获奖的预测样本空间｛
｝。 如果i是获奖分析师，则
属于“获奖组”；如果i是未获奖分析师，则
属于“未获奖组”⑧。全样本A，子样本B、C内的获奖组和未获奖组分别记为：获奖组A、B、C和未获奖组A、B、C。我们的研究策略就是在这3个样本空间、6个样本组之间进行对比检验，从而考察评选的有效性和公平性。具体来说，我们将检验以下4个问题： (1)在全样本A内，获奖组A盈余预测是否比未获奖组A更加准确、更加谨慎客观？ (2)在子样本B内，获奖组B盈余预测是否比未获奖组B更加准确、更加谨慎客观？ (3)在子样本C内，获奖组C盈余预测是否比未获奖组C更加准确、更加谨慎客观？ (4)获奖组B盈余预测质量与获奖组C是否有显著差别？ 全样本A没有对分析师过去的获奖历史做任何限定，如果机构投资者每年都对所有分析师进行全面、客观的评估和排序，那么在检验1中就应该看到获奖组A与未获奖组A之间有明显差别。为了控制分析师的获奖历史，我们进一步在两个附加限定条件的子样本空间内进行对比检验。在每个子样本空间内分析师都拥有相同的获奖背景，这样就相当于控制了分析师在评选之前的知名度。即使机构投资者对曾经获奖和从未获奖的分析师的关注程度有所不同，甚至进行差别对待，但只要盈余预测质量还是机构投资者对分析师进行评价的一个重要衡量标准，那么至少在两个子样本空间内应该可以发现获奖组与未获奖组之间有显著的差别。简单来说，检验2希望回答：高质量的盈余预测对于分析师获取声誉有没有好处？检验3希望回答：高质量的盈余预测对于分析师维持声誉有没有好处？最后，我们通过检验4来考察评选的公平性，如果曾经获奖的分析师与从未获奖的分析师在参选时站在同一个起跑线上，那么检验4的结果应该是不显著的。 上述4个检验中都涉及两组盈余预测的对比检验问题，但是对于任意两个盈余预测样本，
，只有当
成立时，两者之间才有可比性。此外，由于我们所研究的问题是两组盈余预测样本之间的对比，这就涉及两组样本在j、t、y上的分布。举例来说，获奖组的预测样本可能大多分布在那些预测难度较小的公司上，或者分布在非常靠近年报公布日的时点上，或者分布在容易进行盈余预测的财务年度上，而未获奖组则可能相反，那么这样的对比也是不公平的。 针对上述4点问题，本文参考Stickel(1992)等文献的处理方法：首先，把需要相互对比的两组盈余预测样本(例如，组1、组2，两者互为对照组)合并构成一个样本空间，再剔除不可比样本，只保留具有可比性的样本，然后在给定j、t、y的样本内，分别计算组1、组2内盈余预测偏差的组内平均值，形成配对样本(matched samples)，最后使用配对样本进行配对T检验和中位数检验。 具体来说，我们将全样本A、子样本B、子样本C和｛获奖组B获奖组C｝，共4个样本空间分别进行如下处理： 第一步，剔除不可比样本。对于任意一个盈余预测样本
，如果不存在另一个具有相同j、t、y的对照组样本，则意味着没有合适的样本与之进行对比，那么这个样本将被剔除。在剔除不可比样本后，对任意一个样本
，一定存在至少一个具有相同j、t、y的对照组样本可与之比较。以上步骤可以解决问题(1)、(2)、(3)。 第二步，在给定j、t、y的样本内，分别计算组1、组2内样本的盈余预测偏差有
的均值。组内均值定义为
，2，分别代表组1、组2，
代表组内盈余预测样本的数量。经过这样的处理后，
与
在每个j、t、y上成对出现，组成“配对样本”。此步骤可以解决组1与组2在j、t、y上分布不同的问题。 注意到
和
是基于相同信息集作出的盈余预测的偏差，两者之间并不独立，因此应构造配对差值样本
来进行统计检验。如果组1、组2内盈余预测质量有显著不同，则
的均值和中位数应在经济和统计意义上显著异于0。 (二)实证结果 表1为全样本A内盈余预测偏差的描述性统计。可以看到，4种预测偏差指标的均值都明显大于中位数，说明它们的分布都是正偏的，不符合正态分布的特征。此外，BIAS和RBIAS的均值及中位数均大于0，说明分析师在进行盈余预测时有系统性的乐观偏误。RABIAS和RBIAS的最大值都很大，这是由于某些公司在某些财务年度的EPS实际值非常小但又不为0所导致。
表2列示的是4组配对样本内，各组盈余预测偏差(
)的描述性统计(篇幅所限，只列示均值和中位数)。可以看到，在全样本A和子样本B、C内，获奖组和未获奖组间的均值及中位数差异都很小——几乎都在0.01以下，而且在绝大多数情况(加粗字体)，未获奖组的准确度和谨慎性都优于或等于获奖组。在跨样本配对中可以看到，获奖组C略优于获奖组B，说明再次获奖的分析师比首次获奖的分析师在盈余预测质量上表现略好，但是差异同样很小(0.01以内)。
表3从左至右依次为检验1—4的配对差值样本(
)统计检验结果。该结果与表2所显示信息一致——检验1、2、3的均值检验结果显示，未获奖组盈余预测始终比获奖组更加准确、更加谨慎，但该差异只有在BIAS、RBIAS指标下是统计显著的；中位数检验显示，未获奖组与获奖组之间没有显著差异。此外，检验4的结果也与表2所示信息一致，获奖组B优于获奖组A，但统计上不显著。
总的来说，虽然检验结果显示未获奖组优于获奖组，但该差异的经济意义并不明显。配对差值样本的中位数全部为0，均值绝对值基本在0.01以内，相对于整体的预测偏差程度(参见表1)，可以忽略不计。因此本节的结论为：无论分析师的获奖历史背景如何，获奖分析师的历史盈余预测质量与未获奖分析师都没有显著差异；首次获奖分析师与再次获奖分析师在盈余预测质量上也没有显著差别。检验4的结果说明：无论分析师的已有知名度如何，机构投资者对他们没有差别对待。但是鉴于检验1-3的结果，这种一视同仁背后的原因可能是由于机构投资者对于分析师盈余预测质量的忽视。也就是说，分析师的盈余预测质量也许并非机构投资者重视的指标。 五、股票评级质量对比 分析师的股票评级含有盈余预测所不包含的信息，汇集了分析师在该时点对目标公司股票的最终观点，其意义超过了盈余预测(Francis and Soffer，1997；Womack，1996)。Womack(1996)、Green(2006)等文献发现，投资者跟随分析师的股票评级进行交易可以获得超额收益，提前获悉股票评级对投资人获利大有帮助，这些证据表明股票评级是有投资价值的。本文将分析师股票评级质量定义为股票评级的投资价值。投资者参与证券市场的最终目的是获取收益，机构投资者毫无疑问应该更认可那些能够提供高质量股票评级的分析师。 (一)实证方法 本节使用的分析师股票评级及股票行情数据来自国泰安(CSMAR)数据库。股票评级样本
，代表分析师i在y年t时点对公司j作出的股票评级。评级分为5档：买入、增持、中性、减持、卖出。在本节中我们定义：在y年获奖的分析师为“获奖分析师”，如在y年没有获奖则为“未获奖分析师”。未加任何条件限定的评级样本空间｛
｝为“全样本A”，限定分析师i截止到y-1年从未获奖的评级样本空间｛
｝为“子样本B”；限定分析师i于y-1年或之前曾经获奖的评级样本空间｛
｝为“子样本C”。如果i是获奖分析师，则
属于“获奖组”；如果i是未获奖分析师，则
属于“未获奖组”。全样本A、子样本B、C内的获奖组和未获奖组分别记为：获奖组A、B、C和未获奖组A、B、C。与上一部分类似，本部分将在这3个样本空间、6个样本组内通过组间对比检验的方式，来考察评选的有效性和公平性。具体来说，我们将检验以下5个问题： (1)在全样本A内，获奖组A股票评级是否比未获奖组A更具投资价值？ (2)在子样本B内，获奖组B股票评级是否比未获奖组B更具投资价值？ (3)在子样本C内，获奖组C股票评级是否比未获奖组C更具投资价值？ (4)获奖组B股票评级的投资价值与获奖组C是否有显著差别？ (5)未获奖组B股票评级的投资价值与获奖组C是否有显著差别？ 我们希望通过前3个检验考察评选的有效性，即评选结果是否能反映出分析师信息质量。如果可以，则我们应该看到获奖组股票评级更有投资价值。通过后2个检验，我们希望考察评选的公平性，即机构投资者在评选最佳分析师时，是否对曾经获奖和从未获奖的分析师进行区别对待，是否歧视或忽视了从未获奖的分析师。如果评选是公平的、不带偏见的，那么获奖组B应该和获奖组C没有显著差别。反之，如果获奖组B明显优于获奖组C，甚至未获奖组B也明显优于获奖组C，则说明曾经获奖分析师即使表现较差，依然可以获奖，说明机构投资者对从未获奖的分析师可能存在歧视或忽视。 本文借鉴Womack(1996)、Barber et al.(2009)的研究方法来比较各组股票评级的投资价值。考虑到中国证券市场长期缺乏做空机制，且分析师所发布的减持、卖空评级比例极低(0.63%，参见表4)，所以本文只检验分析师正面评级(买入评级)⑨的投资价值，而不考虑分析师负面评级(减持、卖出)的投资价值。对于股票评级
，我们将股票评级发布日t定义为s=0日，首先在时间窗口s∈[
]内计算股票i的投资价值绩效指标——累计实际收益和累计超额收益(excess return)，然后将评级分组内所有评级样本在时间窗口[
]内的绩效指标求平均值，从而得到该分组在[
]内的平均表现，最后通过均值T检验来比较各分组组间差异的统计显著性。 股票j在[
]内的累计实际收益定义为：
从而，[
]内的累计FF超额收益为：
假设分组内有N个股票评级样本，则该分组在[
]内的3个绩效指标均值分别为
其中，
为股票j被推荐的次数。 (二)实证结果 表4为各股票评级分组内的样本分布情况。可以看到，买入、增持评级的比例远超过减持、卖出评级，后两者只占所有评级的0.65%。三个获奖组减持、卖出评级的比例(0.20%、0.32%、0.14%)明显低于三个未获奖组(0.75%、0.76%、0.57%)。获奖组买入、增持比例(90.55%、88.44%、91.44%)也超过未获奖组(84.65%、84.47%、87.22%)。
表5所示为各组股票评级在各时间窗口内绩效指标的均值和显著性。其中，左1列为本文所检验的时间窗口，其中0时点为分析师买入评级的发布日。从左2列开始，第一行为股票评级分组，第二行为绩效指标，其中，AR代表实际收益
，ERM代表市场调整收益
，ERF代表Fama-French资产定价模型超额收益
。考虑到分析师可能提前将股票评级信息泄露给机构客户，因此我们也检验了评级发布之前30天内各时间窗口的绩效指标。可以看到，在各个股票评级分组中，评级发布之前的几个时间窗口内均存在正的实际收益和超额收益。而且，时间窗口越长，收益越大，说明越是提前获悉分析师的评级信息，收益越大，这与Green(2004)的发现一致。这一现象可能来自分析师提前泄露评级信息导致某些机构投资者提前买入，也有可能是内幕交易者比分析师更早得到信息并提前买入。在买入评级发布当天，股价的平均反映均为上涨，且同时伴有超额收益率。在评级发布之后的各时间窗口内，平均而言也都存在正的实际收益和超额收益，这些现象与Womack(1996)等文献的发现一致。以上结果说明分析师的股票评级是有投资价值的。 表6为检验1—5所对应的实证结果，其中数值代表两评级分组的对应绩效指标均值的差值(左减右)，表6同时列示了组间均值差异的T检验显著性。在检验1的结果中可以看到，评级发布前30天内，ERM的最大差异为0.2%，AR、ERF最大差异为0.05%；评级发布当天，AR、ERM差异为0.05%、0.09%，ERF差异为0.12%；评级发布后，AR最大差异0.08%，ERM、ERF最大差异0.42%、0.35%。即使按照最有利于获奖组A的指标和时段(ERM、[-30，90])来评估，获奖组A与未获奖组A的差异也只有0.7%。综合来看，两组间差异在经济和统计上均不显著。检验2的结果中，按照ERM指标，获奖组B在整个时段内超出未获奖组B达到1.97%，ERF差异达到0.95%。检验3的结果中，按照ERM指标，获奖C超出未获奖C达到2.3%，ERF差异达到2%，AR差异则达到4%。可见，在控制了历史获奖情况之后，获奖组与未获奖组之间的差异明显扩大。检验4的结果中，我们发现，获奖组B在所有绩效指标下和时间窗口内均超越获奖组C，AR最大差异达4%，ERM最大差异为2.3%，ERF最大差异为0.85%。这说明首次获奖分析师(获奖组B)的股票评级投资价值明显好于再次获奖分析师(获奖组C)。最后，检验5的结果中，未获奖组B与获奖组C在各项绩效指标下的差异在各时间窗内均不明显。
检验2—5的结果说明，机构投资者在进行评选时，明显受到分析师历史获奖情况的影响，更倾向于投票给曾经获奖的分析师，即使这些分析师的股票评级投资价值只不过相当于所有分析师的平均水平。这说明再次获奖分析师能够在评选中胜出一定有研究水平之外的因素发挥作用，其背后的机制有可能与曾经获奖分析师的拉票能力有关，也有可能是由于机构投资者基本上只关注曾经获奖分析师的研究成果，对从未获奖分析师则关注较少。 以上结果说明在控制了历史获奖信息之后，评选一定程度上可以反映分析师的历史股票评级的投资价值，这说明评选存在局部有效性，但由于获奖组A与未获奖组A差别甚微(11)，所以评选缺乏全局有效性，因为评选并没有把研究水平最好的分析师筛选出来。分析师评选结果未能完全反映出分析师的股票评级投资价值。 以上结果说明，分析师评选这一外部激励机制可能存在扭曲，对于那些曾经获奖的分析师尤其如此。因为他们并没有向投资者传递更多有价值的信息，信息质量只相当于市场平均水平，却获得了巨大的个人利益和市场影响力，这对于市场效率显然是不利的。 六、获奖原因 (一)实证方法 既然获奖分析师的研究水平并不明显高于未获奖分析师，那么为什么他们可以成为明星分析师？本文参考借鉴Emery and Li(2009)及前文的分析，我们认为以下这些因素对于分析师能否获奖可能是重要的： 活跃程度(发表报告数目RPTNM、跟踪股票数目STKNM)：活跃的分析师能够得到更高的曝光率和知名度，他们更容易给机构投资者留下印象。
分别代表分析师i在T年发表的报告数和跟踪股票数。 从业经验EXP：从业时间越久，能接触到的机构投资者自然越多，随着人际关系的扩展，越来越被机构投资者所熟悉。并且随着经验的积累，更了解机构投资者的需求和心理，也就更容易给客户留下良好的印象。Hong et al.(2000)发现从业经验有助于提高分析师在行业中存活下去的概率。我们将CSMAR数据库中每位分析师第一次出现的时点作为该分析师从业时间的开始，计算每位分析师在第T年的从业经验
。 关注机构重仓股FUND_RATIO：关注机构持有的重仓股可以提高自己的曝光率和知名度。机构希望能及时地了解他们正在持有股票的相关信息。所以，与机构重仓的股票相关的研究报告更容易被注意到，则报告作者也更容易被机构投资者记住。我们按年度将各行业中的股票按照机构持股比例的大小分为高低两组。以FHT代表基金持股比例高的股票。将分析师i在第T年发布，且报告目标公司属于FHT组的报告数目记为
。 买入评级的比例BUY_RATIO：给出更多的买入评级也可以吸引眼球，提高被关注的概率。定义分析师i在第T年发出的评级报告数目为
，其中买入评级的数目为
曾经获奖的次数TIMES_STAR：曾经获奖的分析师已经具有一定业内的声誉，那么机构投资者更容易在众多报告作者中留意到他的名字。定义
为分析师在第T年之前获奖的次数。 券商的规模或实力SF_REV：最后，实力雄厚的券商，会给分析师带来更多的曝光机会。Stickel(1995)、Hong and Kubik(2003)曾使用本变量代表券商的知名度和市场地位。我们定义
为券商k第T年营业收入在券商行业的排名。每年分为10组，从0至9，9代表最大规模的券商。 我们从分析师曝光率和知名度的角度对以上变量进行了诠释，但这些变量和分析师的研究水平也可能是相关的。比如，分析师经验越丰富、所在券商的规模大，分析师研究水平可能更好。为解决这个问题，我们在回归中控制了分析师研究水平的代理变量： 股票评级质量(RANK_RET)、盈余预测质量(RANK_ABIAS、RANK_RBIAS)：
表示分析师i第T年内的股票评级带来的FF超额收益率在行业内的排名。
表示分析师i在T-1年内盈余预测偏差指标的平均值在行业内的排名(Hong and Kubic，2003)。在每年、每个行业将这3个变量排序，分为100组，表现最好的为第0组，最差的在第99组。 分析师总人数(NA)：获奖的概率与分析师总人数有关，因此我们在回归中控制分析师总人数的倒数
。 综合以上影响因素，本文提出如下三个Logistic模型：
根据我们的解释，
均与分析师的曝光率和已有知名度正相关，因此如果分析师获奖的概率取决于他们在评选之前的知名度，则
应大于0。如果高质量的盈余预测和股票评级有助于分析师获奖，则
应小于0(排名越小代表分析师的历史绩效越好)。本文将采用Logistic模型对上面三个模型进行估计。 (二)实证结果 表7所示为《新财富》评选相关信息的描述性统计。连续获奖人数是指上一年获奖后，当年继续获奖的人数。连续获奖条件概率(给定去年获奖，今年继续获奖的概率)高达60%以上，说明分析师获奖的连续性非常好。考虑到连续获奖条件概率远高于先验概率，对于上一年未获奖的分析师，获奖难度越来越大。首次获奖条件概率(给定之前从未获奖，今年获奖的概率)远小于先验概率和连续获奖条件概率，说明首次获奖(从无到有)的难度很大。
表8展示的是各指标的分年度分组均值及均值差异的统计显著性。其结果与上文的讨论基本一致，具体来讲，获奖分析师的活跃程度远高于未获奖分析师。获奖分析师所关注的股票数目也明显多于未获奖分析师。从2005年之后，获奖分析师发出的买入评级的比例始终高于未获奖分析师。同样，获奖分析师也更多地关注机构重仓持有的股票。获奖分析师拥有更多的从业经验，超过未获奖分析师1倍。最后，获奖分析师明显集中于规模和实力最雄厚的券商。以上结果与我们的推理完全一致。
表9为模型1、2、3的估计结果，可以看到
的估计结果与预期基本一致，说明获奖概率与分析师的曝光率和知名度正相关。只有STKNM和EXP的系数估计值与预期不同。STKNM的系数为负，说明给定每年发表的报告数量之后，分析师关注的股票越少，获奖概率越大。这可能是由于给定每年发布报告的总数，分析师针对每只股票发表的报告越多，提供的信息可能就越深入详细，给机构留下深刻印象的概率也就越大。关于EXP的系数，当我们在模型中加入EXP2之后(第5列)，我们发现EXP的系数显著为正，而EXP2的系数显著为负，这说明分析师在入行之后的前2—3年如果不能打开局面、提高知名度的话，以后获奖的概率越来越低。这似乎说明分析师的成功依赖于某些入行时所具有的禀赋，不能靠从业经验积累。值得注意的是，TIMES_STAR的系数显著为正，说明历史上获奖次数对能否获奖具有预测能力。在第4列，我们仅以TIMES_STAR作为预测变量，R2也达到27%，说明TIMES_STAR的预测能力很强。也就是说，已有的知名度对后续获奖的概率影响很大。在第2列结果中可以看到，对于曾经获奖的分析师而言，分析师总人数NA增加不影响他们的获奖概率，这是由于他们之前已经取得业内的知名度，即使分析师总人数增多，他们所受到的关注程度不会受到大的影响，因此分析师行业人数增加不影响他们的获奖概率。
另外，我们注意到在RANK_RET、RANK_ABIAS、RANK_RBIAS的系数均不显著，说明在控制了分析师的已有知名度和活跃程度之后，分析师的盈余预测和股票评级的质量对能否获奖没有影响力，这一结果强化了第四、五部分的结论。 七、总结与讨论 分析师评选是当前卖方分析师行业一个重要的外部激励机制，其有效性对于证券市场信息效率具有重要意义。本文从中国股市《新财富》最佳分析师评选切入，研究了卖方分析师发布信息的质量与评选结果的关系，从而探讨了我国分析师行业外部激励机制的有效性。通过盈余预测准确度及谨慎性、股票评级投资价值两方面的比较研究，本文发现在评选之前，《新财富》获奖分析师与未获奖分析师的整体水平差异在经济和统计上均不显著。此外，本文考察了影响最佳分析师评选结果的因素，研究发现获奖概率与分析师发布报告的频率、发布买入评级的比例、发布的关于机构重仓股的研报的比例、历史获奖次数以及分析师所在券商的市场地位等因素成正相关关系，而与盈余预测质量和股票评级投资价值无关。 本文的实证结果说明，决定分析师能否获奖的主要因素是分析师的曝光率和所属机构的市场地位，而反映研究水平的信息质量则不是主要的因素。这意味着分析师评选这一外部激励在促进分析师努力提高研究水平，发布更加优秀的研究成果方面可能无法起到明显作用。 感谢匿名审稿人的建设性评审意见，当然文责自负。 ①在美国，影响力最大的两个卖方分析师评选分别是由《机构投资者》(I/I)杂志主办的“全美最佳研究团队”评选和《华尔街日报》(WSJ)主办的“最佳分析师”评选。 ②据主办方统计，2012年一共有45家研究机构、1400余名分析师参与了《新财富》评选，483家机构投资者参与投票。 ③据新浪财经2011年的报道，在2010年度《新财富》评选获得各行业第一名的分析师，身价可高达年薪500万元。 ④根据中金在线网站报道，2011年9月，光大证券举办了泳装模特走秀活动，并邀请各大公募基金的经理观看，2011年中秋节前夕，中金公司在上海黄浦江举办了豪华游艇酒会，邀请的对象中不乏各大基金的基金经理。这些公关活动的对象和时机在一定程度上都指向《新财富》评选活动。 ⑤分析师亲自到机构投资者所在地将自己的研究成果向机构投资者进行推介和深入解释说明被称为路演。 ⑥王宇熹、洪剑峭、肖峻，“顶级券商的明星分析师荐股评级更有价值么？——基于券商声誉、分析师声誉的实证研究”，《管理工程学报》，2012年第3期，第197—206页；王宇熹、肖峻、吴佳、陈伟忠，“我国证券分析师荐股绩效量化统计评估方法研究——以《新财富》杂志最佳分析师为例”，《统计与决策》，2007年第5期，第4—8页；于静、陈工孟、孙彬，“最佳证券分析师能战胜市场吗？”，《财经科学》，2008年第5期，第40—46页；汪弘、罗党论、林东杰，“行业分析师的研究报告对投资决策有用吗？——来自中国A股上市公司的经验证据”，《证券市场导报》，2013年7月号，第36—43页。 ⑦通过对大量业界人士的访谈了解，本文认为除了团队的首席分析师比其他分析师起到的作用更大之外，团队内部排名并不反映贡献大小及研究能力优劣。并且，研究团队作为一个整体，其研究成果(EPS预测、股票评级)往往反应他们的整体意见，只是首席分析师所占的权重更大。因此本文将获奖团队全部成员定义为获奖分析师。 ⑧我们检验的是分析师i在y+1年是否获奖来对
进行分组，这是因为《新财富》最佳分析师评选一般在每年的第四季度举办，所以当y+1年的分析师评选正在进行时，机构投资者只可能知道分析师对公司y财年的盈余预测的准确性和乐观程度。 ⑨也可以考虑检验买入+增持评级，其结果与本文结论一致，限于篇幅故不列出。 ⑩使用市场调整模型的好处是不需要历史数据来估计参数，这样可以减少样本损失。 (11)一定会有人觉得奇怪，为什么在A、B两个子样本内，获奖组都比未获奖组好，而在全样本中却没有显著差别。这其实只是一个简单的数学现象，让我们考虑集合A：｛A1：｛5｝，A2：｛2，2｝｝和B：｛B1：｛4，4，4｝，B2：｛1｝｝，很明显A1的均值大于B1，A2的均值大于B2，但是A的均值却小于B。
标签：机构投资者论文; 新财富论文; 股票论文; 股票价值论文; 股票分析师论文; 投资分析师论文; 样本均值论文; 样本空间论文; 证券论文; 投资论文; 分析师论文; 证券分析师论文;
