明星VS非明星：分析师评级调整与信息属性，本文主要内容关键词为：明星论文,分析师论文,属性论文,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。
作为现代资本市场重要信息中介之一的证券分析师，由于通常针对个股发布盈利预测及投资评级，因此往往被视做缓解公司信息不对称、提高市场信息效率的重要力量。以往许多文献也发现，分析师的盈利预测及评级调整包含私有信息，具有投资价值。[1][2][3]然而，在分析师究竟向市场提供了更多公司特质信息还是行业层面信息这一问题上，现有研究的结论并不一致。一派观点认为分析师主要提供了行业层面信息[4][5][6]，而另一派观点却发现分析师的活动使得股票价格包含了更多公司特质信息。[7][8][9]虽然样本及方法上的差别是造成上述差异的一个重要原因，但将所有分析师视为同质的整体，不区分分析师个体特征进行研究也是一个不可忽略的因素。[10][11]尤其在中国，证券分析师由20世纪90年代末的“股评家”发展而来，发展时间较短，如果不考虑分析师的能力差异，所得结论可能存在一定的偏差。
随着证券分析行业的发展，市场上逐渐兴起了由第三方独立机构颁布的分析师排行榜。一旦进入榜单，意味着市场对其能力的肯定，分析师将一跃成为“明星”，随之而来的是收入水平、社会地位大幅攀升。[12]相关研究也发现，“明星”称号一定程度上能够作为分析师能力的替代变量。[12][13][14][15]那么，明星分析师与非明星分析师在提供的公司特质信息或行业层面信息上是否存在区别？进一步，造成这种差异的原因何在？这是本文主要关注的问题。
为回答上述问题，本文借鉴刘(Liu)的方法[8]对分析师评级调整市场反应进行分解以测度分析师提供信息的属性，根据《新财富》公布的“最佳分析师”界定明星分析师，利用2001-2010年国泰安数据库中分析师对沪深A股的评级调整数据为样本，研究发现，(1)明星分析师进行评级调整期间，市场反应中的公司特质信息成分显著强于其他分析师，表明明星分析师在荐股评级过程中提供了更多公司特质信息；而在行业信息层面，两类分析师并不存在显著差异。(2)明星分析师对评级调整公司的关注程度更高，且随着这种专注程度的提高，明星分析师与市场反应中公司特质信息成分的正相关关系越显著。这说明通过对上市公司持续、深入的跟踪，是明星分析师挖掘更多公司特质信息的一个重要原因。(3)有上榜经历的分析师在成为明星之前，其评级调整期间市场反应中的公司特质信息成分显著强于一般分析师，且与成为明星之后相比，不存在显著差异。这表明分析师在成为明星前后，均向市场提供了更多公司特质信息，在一定程度上削弱甚至排除了“名气”假说对研究结论的影响。(4)当市场处于熊市时，明星分析师会搜集更多的公司正面及负面信息，以帮助投资者有效寻找投资机会和及时止损；而当市场处于牛市时，投资者投资热情较高，为迎合其情绪，明星分析师会更深入地挖掘公司正面信息，但对公司负面信息的挖掘缺乏动力，与其他分析师无异。
本文的研究贡献主要体现在以下三个方面。首先，深化了从异质性视角研究分析师报告信息属性的文献。已有文献主要将分析师视为同质的整体，笼统地研究其所提供信息的属性。[5][6][7][8][9][10]虽然许等人(Xu et al.)、万丽梅和逯东同样对明星分析师是否拥有更多公司特质信息的问题进行了探讨，但他们主要基于股价同步性视角，从公司层面数据进行分析。[10][11]本文借鉴刘的方法[8]，通过分解分析师评级调整期间的市场反应，从分析师层面数据进行研究，不仅对他们的实证结果进行了补充，而且比较了两类分析师拥有行业信息的差别，此外还对明星分析师的“能力”假说和“名气”假说进行了区分。其次，不同于以往探讨明星分析师荐股评级是否更具投资价值的文献[13][14]，本文从信息属性的视角，探讨了明星分析师评级调整更高的投资价值主要体现在公司信息层面还是行业信息层面，从而拓展了分析师评级领域的研究框架。最后，本文探讨了明星分析师向市场提供更多公司特质信息的内在机理，对进一步理解明星分析师的荐股评级行为具有积极的意义。
二、文献回顾与研究假设
(一)文献回顾
彼得罗斯基和罗尔斯登(Piotroski and Roulstone)率先以信息属性为视角，研究了证券分析师在股票价格形成过程中扮演的角色。他们利用美国市场数据，发现分析师跟踪与股价同步性显著正相关，并认为造成这一现象的原因在于与机构投资者及内部管理层相比，分析师在获取公司特质信息方面并不占优势，因此他们主要搜集并向市场传递行业层面的信息。[4]陈和哈米德(Chan and Hameed)利用25个发展中国家的数据也对上述结论进行了支持。[5]国内的研究结论却不一致，朱红军等人发现分析师跟踪与股价同步性负相关，认为中国证券分析师的信息搜寻活动使股票价格包含了更多公司基本面的信息。[7]而冯旭南和李心愉却发现二者正相关，认为分析师的活动更多反映了市场及行业层面的信息。[6]
然而，上述文献均把分析师看成同质的整体，对分析师的个体特征缺乏考虑。正如许等人所言，分析师的能力存在个体差异，不同分析师掌握的信息不尽相同，他们区分明星分析师和非明星分析师，发现明星分析师的关注程度与股价同步性负相关，非明星分析师的关注程度与股价同步性正相关，表明明星分析师拥有更多的公司特质信息。[10]同时，万丽梅和逯东将分析师声誉机制和市场环境相结合，发现在牛市中，明星和非明星分析师均未反映公司特质信息；而在熊市中，两类分析师均向市场提供了公司特质信息，且明星分析师的作用更为显著。[11]
值得注意的是，许等人、[10]万丽梅和逯东[12]的研究结论均是基于分析师跟踪与股价同步性的关系得出的。首先，尽管大多数的文献采用股价同步性负向反映市场信息效率的观点，研究分析师对股价中公司特质信息含量的影响。[4][5][6][7][10][11]但较低的股价同步性也可能是噪音交易行为造成的。特别地，国内许多学者指出，在噪音较大的中国市场，股价同步性越高，实际意味着公司特质信息越多。[16][17]姜超就基于股价同步性正向反映市场信息效率的观点，将分析师跟踪与股价同步性的正相关关系解释为分析师能够增加股价中的公司特质信息含量。[9]这就使得中国市场股价同步性的内涵存在争议。利用其他方法对这一问题进行验证有助于得出更为可靠的结论。
其次，利用年度公司层面数据考察分析师跟踪对股价同步性的影响主要解答了总体上分析师向市场提供了哪个层面的信息。而分析师的评级调整通常包含更丰富的信息。刘发现分析师在评级调整期间主要向市场提供了公司特质信息。[8]这与大多数基于股价同步性得出的结论并不相同。在这种情况下，明星分析师及非明星分析师在提供公司特质信息方面是否仍然存在差异，尚无相关研究。
最后，上述文献主要探讨明星分析师是否能够搜集更多的公司特质信息，对两类分析师在搜集行业层面信息方面是否不同讨论不足。
因此，本文借鉴刘的方法[8]，对明星分析师在评级调整过程中的信息优势体现于公司特质信息或行业层面信息进行研究。
(二)研究假设
中国资本市场经过20多年的发展，上市公司的信息披露行为虽然日益规范，但公司透明度低，信息环境较差仍是一个不争的事实。[18]这种不透明的公司环境为分析师的信息搜集活动带来了挑战和机遇。一方面，分析师要想搜集更多的公司特质信息，需要付出加倍的努力，花费更高的成本。这对分析师的能力提出了更高的要求；另一方面，由于信息不对称程度较高，市场对公司特质信息的需求较大，分析师通过挖掘公司信息能够获得更大的收益。而明星分析师通常是由信息的主要需求方——机构投资者评选出来的，要想获得这些精明投资者的青睐，分析师必须具备更强的能力，提供更有价值的信息。从这个角度来看，在我国，明星分析师更具备挖掘公司特质信息的能力和动机。故在此作出假设1。
H1：明星分析师进行评级调整期间，市场反应中的公司特质信息成分显著大于其他分析师。
投资评级报告是分析师在宏观经济分析、行业分析的基础上，结合企业具体的投资项目，通过现金流折现等模型评估企业内在价值后的投资建议。因此，分析师在挖掘公司特质信息的同时也向市场提供了丰富的行业层面信息。既然明星分析师能力更强，那么也有理由推测其在提供行业层面信息方面同样具有优势。第一，分析师通常对一个行业进行长期跟踪，不论明星、非明星，一般都是行业专家，对行业发展均有较好的理解。第二，行业信息的搜集成本较低[8][11][19]，更容易为广大分析师掌握。例如，艾尔斯和弗里曼(Ayers and Freeman)发现，与公司信息相比，行业信息会在股价中提前反应。[20]而分析师往往能够从股价的变化中提取有用的信息。[21]第三，与A股市场超过2 000家的上市公司相比，行业数量要少得多。大量分析师对同一行业的信息解读也增加了明星分析师在行业信息方面独树一帜的难度。第四，刘等人发现分析师的评级调整主要提供了公司特质信息，评级调整市场反应中的行业信息较少可能也难以体现明星分析师在行业信息方面的优势。[8]故在此做出假设2。
H2：明星分析师进行评级调整期间，市场反应中的行业信息成分与其他分析师相比并无差异。
巴斯等人(Barth et al.)认为，分析师的精力是有限的。他们发现跟踪无形资产比重较大的公司使得分析师无法将精力分散给其他研究对象。[22]而公司特质信息的搜集要求分析师投入更多的精力。[8][11][19]如果分析师将有限的精力过度分散，在同一时期跟踪的公司数目或行业数目越多，其盈利预测的准确性越低。[23]如此看来，分析师要想挖掘更多的公司特质信息，就必须对研究对象更加专注。随着对研究对象专注程度的提高，不仅有助于分析师加深对上市公司经营状况的了解，也更有利于分析师与上市公司建立良好的信息沟通渠道。基于上述分析，做出假设3。
H3：专注程度越高，明星分析师与市场反应中公司特质信息成分的正相关关系越强。
三、研究设计
(一)研究样本与数据来源
本文用到的分析师评级数据、股票收益及市值等数据来自CSMAR数据库，财务数据来自Wind数据库。其中，CSMAR数据库对分析师研究报告的收集起始于2001年，因此，本文的研究区间为2001-2010年。
CSMAR数据库对分析师的评级结论进行了标准化处理，共分为五级，从低到高分别为“卖出”、“减持”、“中性”、“增持”和“买入”。如果分析师j在t时刻对上市公司i的评级高于(低于)其之前对同一上市公司的评级，则认为分析师j在t时刻上调(下调)了对公司i的评级。进一步，参考刘的研究[8]，按表1A栏中的步骤对研究样本进行筛选，最终获得4 643条分析师评级调整记录，其中上调评级的样本为2 527条，下调评级的样本为2 116条。表1B栏中同时列示了分析师评级调整样本在不同年份的分布状况。
(二)模型与变量
根据刘的方法[8]，本文按如下步骤对分析师评级调整期间的市场反应进行分解，从而测度其评级报告传递的公司(行业)信息含量
。
首先，用分析师评级调整前后(-1，1)①窗口期的累计收益衡量市场反应，具体定义为：
本文以《新财富》杂志公布的“最佳分析师”界定明星分析师。该活动由机构投资者采用直接提名并打分的方式进行评选，是我国最早，也是最受业界重视的分析师排名活动。分别设置哑变量Star和连续变量NStar进行度量。其中，Star表示分析师是否为明星分析师，只要分析师入选过《新财富》最佳分析师排行榜，Star取值为1，否则取值为0；NStar表示分析师入选《新财富》最佳分析师的次数。
Control Variables为一组控制变量，由分析师评级调整前一年的数值来度量。根据分析师评级调整市场反应的相关文献[8][14]，本文选取如下控制变量：(1)公司特有风险IV(idiosyncratic volatility)，IV为方程(2)的均方根误差。(2)公司股价与行业股价的同步效应
，即公式(2)的回归系数
。(3)公司流通市值的自然对数Size；(4)公司成长性MB，MB=(年末的股票价格×流通股数量+每股净资产×非流通股数量)/账面权益价值。(5)机构投资者的持股数量占流通股数量的比例INS。(6)股票换手率Turnover。Turnover=年交易股票数量/年末流通股数量/年交易天数。(7)分析师跟踪人数Analyst。(8)评级调整的及时性Timeliness。Timeliness=ln(分析师进行评级调整的时间间隔)。此外，还加入年度哑变量Year及行业哑变量Industry，以分别控制年度和行业固定效应。
进一步，通过下列回归模型检验本文的假设3：
式中，Concen代表分析师对评级调整公司投入的研究精力，即专注程度，
表示分析师在评级调整日t之前(包括当日)对目标公司i进行推荐评级的累计次数；Freqt表示分析师在评级调整日t之前(包括当日)发布投资评级的总量。Concen的数值越大，代表分析师花费在评级调整公司上的研究精力越多，专注程度越高。在这里，主要关注明星分析师与分析师专注程度交乘项Star×Concen的回归系数。Star×Concen衡量了随着专注程度的提高，明星分析师提供的公司特质信息含量的变化。其他变量的定义与式(8)完全一致。
表2提供了上述分析变量的基本统计量。
的均值为0.540%，标准差为5.872%，
的均值为0.074%，标准差为1.602%，可见分析师评级调整所传递的公司特质信息及行业层面信息在样本之间具有较大差异。Star的均值为0.218，表明有入选《新财富》经历的分析师在全样本中占21.8%；此外，根据未列示的结果显示，在这21.8%的样本中，入选过1次榜单的占40.61%，入选过2次榜单的占26.28%，入选过3次的占14.92%，入选次数最多的为7次，占0.2%，说明NStar在样本间具有一定程度的差异。其余变量的描述性统计结果详见表2，这里不再赘述。
四、实证结果
本文首先对明星分析师与非明星分析师在评级调整期间提供的公司特质信息和行业层面信息进行比较。在此基础上探讨专注程度在明星分析师挖掘公司特质信息过程中发挥的作用。进一步，还将尝试对明星分析师的能力假说和名气假说进行区分并探讨股市类型对两类分析师提供信息属性的影响。
(一)明星VS非明星：信息属性差异
表3对明星分析师与其他分析师在评级调整期间的市场反应及其各个组成部分进行了比较。由A栏可见，明星分析师上调评级时的市场反应显著大于其他分析师。从均值(中位数)来看，当明星分析师上调投资评级时，股票产生的累积收益要比其他分析师高0.72%(0.37%)，且在5%(5%)的水平显著。这与施蒂克尔及洛和斯图尔兹的研究发现[13][14]相吻合。进一步，将
进行分解，可以发现当明星分析师作出评级调整时，市场反应中的公司特质信息成分显著强于一般分析师，不论从均值还是中位数来看均在1%的水平上显著；但对于市场反应中的行业信息成分，两类分析师几乎没有差别。B栏下调评级的样本得出了一致的结论。这初步验证了本文的假设1和假设2，即由于能力出众，明星分析师能够挖掘更多的公司特质信息，但由于获取成本低、竞争激烈等原因，明星分析师想要在行业信息方面独树一帜并不容易。
进一步，本文通过多元回归分析，考察在控制其他因素后，明星分析师与非明星分析师在提供公司特质信息方面的差异是否依然显著，结果如表4所示。③首先，从表4的第(1)列和第(3)列可以看出，在上调评级和下调评级样本，Star的回归系数分别为0.827及0.887，均在1%的水平上显著，且系数大小与表3单变量均值检验的结果基本一致。其次，用连续变量NStar对哑变量Star进行替换，重新对两个子样本进行回归。从表4第(2)列和第(4)列可见，NStar的回归系数分别为0.318及0.265，均在5%以下水平显著。以上结果表明，与其他分析师相比，明星分析师的评级调整向市场传递了更多公司特质信息。
其他控制变量的结果与相关研究基本一致，例如，越大，意味着公司的行业联动效应越明显，分析师挖掘行业信息的收益增大，挖掘公司特质信息的动力不足；公司规模越大，信息获取程度越容易，分析师挖掘公司信息的收益降低；而分析师评级调整的时间间隔越短，传递信息的时效性越强。故，Size，Timeliness均与负相关。
(二)明星分析师、专注程度与公司特质信息
表5对明星分析师与非明星分析师的专注程度进行了比较。每一年，根据分析师在评级调整日t之前发布的投资评级总量
将样本分为五组，可以发现，在每一组中，明星分析师对评级调整公司进行推荐评级的比重均高于其他分析师。这表明与其他分析师相比，明星分析师对评级调整公司更为专注，花费了更多精力进行研究。
接下来，表6列示了公式(9)的回归结果。由表6可知，明星分析师与分析师专注程度的交乘项Star×Concen在上调和下调评级样本中的系数分别为7.600及5.109，且均通过了显著性检验。这说明随着专注程度的提高，明星分析师能够挖掘更为丰富的公司特质信息。从表6中还可以发现：(1)加入交乘项Star×Concen后，Star本身的系数不再显著。这意味着当明星分析师没有对目标公司投入研究精力时，并不能获取更多的公司特质信息，进一步表明勤奋、专注是其获取公司特质信息的一个关键因素。(2)Concen的系数在下调评级中不显著为负，表明非明星分析师下调评级期间提供的公司特质信息在一定程度上随着专注程度的提高而减少。可能原因在于负面信息是下调评级的主要驱动因素，分析师对目标公司花费的精力越多，掌握的公司负面信息就越多，但受制于维护关系等利益考虑，其反而更不愿意披露这些负面信息。
综合表5和表6的结果，可以发现明星分析师对评级调整公司的专注程度更高。进一步，分析师越专注，Star与的正相关关系越强。这充分表明了明星分析师通过对目标企业进行持续、深入的跟踪，是其挖掘更多公司特质信息的一个重要原因。
(三)进一步研究
1.“能力”假说及“名气”假说。在假设1的提出中，本文主要强调明星分析师具有更强的能力，能够挖掘更多的公司特质信息，这里简称“能力”假说。但因为是基于市场反应的推论，除了“能力”假说之外，还存在其他可能的解释。例如，分析师可能凭借运气当选明星，而市场因为其明星身份，先入为主地认为其能力强，能够提供更丰富的公司信息，即明星分析师本身并不具备出众的真实能力，而是投资者主观感知造成的结果。又如，明星分析师因为名气大，受到的关注程度广，其评级调整会导致更多的市场交易，造成更强的市场反应。显然，这种市场反应不是由市场信息和行业信息导致的，也与公司特质信息含量无关。本文将这一类解释统称为明星分析师的“名气”假说。
为了减轻“名气”假说对研究结论的干扰，借鉴方和安田(Fang and Yasuda)的方法，[24]本文设置PreStar和Post Star两个哑变量，并通过下列回归方程对分析师入选明星前后向市场传递的公司特质信息含量进行比较：
式中，如果分析师进行评级调整的时间在其第一次入选《新财富》最佳分析师之前，PreStar取值为1，否则取值为0；如果分析师进行评级调整的时间在其第一次入选最佳分析师之后，PostStar取值为1，否则取值为0。相对应的基础组为从未入选的一般分析师。其余变量与式(8)中变量一致，这里不再赘述。
由表7可知：(1)PreStar的系数在所有样本中均显著为正，表明分析师在被评为明星分析师之前，他们的评级调整就比非明星分析师包含了更多的公司特质信息。此时，他们并未头顶明星的光环，名气假说无法进行解释。(2)通过对PreStar和Post Star的系数大小进行比较，可以发现二者差异不显著(F值分别为0.00及2.69，对应的p值为0.989和0.107)，表明成为明星前后，分析师向市场提供的公司特质信息含量并不存在实质性的区别。如果名气假说占主导地位，Post Star的回归系数将显著大于PreStar。
综合上述结果，可以在一定程度上排除名气假说的影响，表明明星分析师确实向市场提供了更多的公司特质信息。
2.考虑外部市场环境的影响。基于股价同步性的方法，万丽梅和逯东发现在不同的股市类型下，明星分析师和非明星分析师的信息搜集行为存在差异。[11]同时，两类分析师荐股评级的投资价值在牛市和熊市中也不尽相同。[15]那么，股市类型是否会对两类分析师在评级调整过程中提供的信息属性产生影响呢？
参考许年行等人的波峰波谷判定法[25]，本文根据上证综指的走势将全样本分为牛市和熊市两种市场类型。如图1所示：牛市区间为2005年7月12日—2007年10月16日，2008年11月5日—2009年8月4日，及2010年7月6日—2010年12月31日；熊市区间为2003年1月1日—2005年7月11日，2007年10月17日—2008年11月4日，及2009年8月5日—2010年7月5日。
图1 上证综合指数走势图
首先，本文在表3的基础按股市类型将样本进一步细分。由表8的描述性分析可知：第一，在不同市场类型中，明星分析师仍向市场提供了更多的公司特质信息，而在行业信息方面，明星分析师和非明星分析师并无显著差异，这与本文的主要结论一致。第二，当市场处于牛市时，投资者情绪高涨，为迎合投资者情绪，分析师缺乏挖掘公司负面信息的动机。故在下调评级的样本中，一方面，明星分析师和非明星分析师向市场提供的公司特质信息没有显著差异；另一方面，无论明星分析师还是非明星分析师，市场反应中的公司特质信息成分均较小，这也在一定程度上与万丽梅和逯东的研究结论[11]相吻合。
其次，表9是区分股市类型的回归结果。由表9可知，控制其他因素后，Star及NStar的系数仍显著为正(除“牛市”—“下调评级”子样本)，与描述性分析的结论相吻合。
(四)稳健性检验
为确保研究结论的可靠，本文从以下几个方面进行了稳健性检验。
1.重新定义Star，对表4进行回归。首先，定义Star1。若分析师在评级调整前一年入选《新财富》最佳分析师，Star1取值为1，否则为0。其次，定义Star2。若分析师在评级调整当年入选《新财富》最佳分析师，Star2取值1，否则为0。结果如表10所示，结论保持不变。
2.按明星分析师和非明星分析师跟踪公司相同、评级调整方向相同、评级调整幅度一致为标准进行配对，重新检验。结果如表11所示，本文的主要结论并未发生变化。
3.CSMAR分析师评级数据库中，本身包含“评级变动”字段，表示与该股票上一次评级的变化情况。该字段有“首次”、“维持”、“上调”、“下调”及“缺失”五种状态。利用“评级变动”状态为“上调”及“下调”并且数据完整的3 356个样本(其中，上调评级样本1 977个，下调评级样本1 379个)重新检验，稳健性检验结果列示于表12中，主要研究结论保持不变。
为按照CSMAR自带“评级变动”样本进行研究时，无法计算评级调整的及时性Timeliness，故表12所有回归中均不包含控制变量Timeliness。
4.如果分析师在进行评级调整期间存在上市公司公布季报、年报或业绩预测，则可能导致市场是基于上市公司的信息披露进行反应，与分析师的评级调整无关。为此，剔除了分析师评级调整当日、前一日及后一日上市公司进行财务数据披露的样本，用剩余的2 489个样本(其中，上调评级样本1 516个，下调评级样本973个)重新检验，结果如表13所示，主要结论依然成立。
5.上市公司的盈余公告本身存在长期的漂移或者反转特征，这些都会对评级调整的市场反应产生影响。为此，本文进一步控制分析师评级调整距离公司最近一次收益公告的时间间隔，并进行对数化处理，即Timeless_EA=ln(1+分析师评级调整距离公司最近一次收益公告的时间间隔)。结果如表14所示，主要结论依然成立。
五、结论与启示
本文利用2001-2010年分析师对中国A股上市公司的4 643次评级调整作为研究样本，借鉴刘测度信息含量的方法[8]，根据《新财富》公布的“最佳分析师”界定明星分析师，并通过分析师对目标公司发布的评级数量占其评级总量的百分比衡量分析师的专注程度，研究发现：(1)明星分析师进行评级调整期间，市场反应中的公司特质信息成分显著强于其他分析师，表明与其他分析师相比，明星分析师的评级调整为市场提供了更多的公司特质信息；而在行业层面信息上，两类分析师并不存在差别。(2)明星分析师对评级调整公司的专注度更高。而且，分析师越专注，明星分析师与市场反应中公司特质信息成分的正相关关系越显著。这说明明星分析师对上市公司持续、深入的跟踪，是其挖掘更多公司特质信息的一个重要原因。进一步，本文对明星分析师的“名气”假说进行了排除，同时考察了股市类型对两类分析师提供信息属性的影响。
本文的研究结论具有一定的理论与现实意义。第一，通过研究明星分析师及非明星分析师在评级调整期间提供公司特质信息及行业层面信息的差异，拓展了从异质性视角研究分析师报告信息属性的文献。第二，本文发现专注程度是影响明星分析师挖掘公司特质信息的一个重要因素，有利于投资者更好地理解现实中明星分析师的荐股评级行为。
感谢匿名评审人提出的修改建议，笔者已做了相应修改，本文文责自负。
①本文主要研究明星分析师与非明星分析师在提供公司信息及行业信息方面是否存在差异，并非比较二者评级调整的投资价值。如果窗口期过长，一方面，公司信息披露等行为可能增加研究噪音；另一方面，两类分析师评级调整期间的市场反应可能发生重叠，难以区分各自提供的信息含量。因此本文选择(-1，1)时间窗口进行考察。
②值得注意的是，因为在构建
时，将股票i排除在外，所以在每一年，对于同一行业的不同股票，都具有不同的
。
③据表3所示，两类分析师的
并无区别，故只选择
为因变量对式(8)进行回归分析。
④表5的结果表明，Star与Concen在其他条件一定的情况下具有一定的正相关性。为避免多重共线性的影响，本文进行了VIF检验。在上调评级样本中，Star，Concen与Star×Concen的VIF值分别为2.31，1.34和2.49；在下调评级样本中，上述数值分别为2.40，1.31和2.55。可见，多重共线性并不影响回归结果。