对中国证券咨询机构预测的分析，本文主要内容关键词为：咨询机构论文,中国证券论文，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。
一、引言
有效市场理论认为股票价格“充分反应”了可获得的信息，投资者与这类信息展开公平博弈，从以该类信息为依据制定的交易策略中获得的超常预期回报为零。证券咨询机构或证券分析师与有效市场的关系十分微妙。他们既是使市场有效的结构性框架的组成部分，但其存在又意味着市场缺乏效率。证券分析师作为一个整体越成功，市场效率就越低。反之，则不一定成立。在成熟的证券市场上，市场效率高会导致证券分析师整体而言无法战胜市场；在不成熟的证券市场上，证券分析师的低水平则是市场低效率的重要原因。因此，分析证券分析师或证券咨询机构对股价的预测能力是分析市场效率的重要方面。对证券分析师的预测能力的检验通常被认为是检验证券分析师是否有私有信息。私有信息是相对公开信息而言的，指证券分析师通过走访上市公司，或者本身就与公司管理者具有良好的关系，或是通过对公开信息的研究而形成的“洞察力”(Private Insight)。对私有信息的检验一般被看作检验市场是否强式有效。由于我国股票市场尚未达到半强式有效，因此肯定存在私有信息。本文的目的是检验作为信息中介的证券咨询机构是否有私有信息。
国外学者已经对证券分析师的预测能力做过大量研究。美国学者Cowles早在1933年就发表“股票市场的预测者有预测能力吗？”一文，认为大多数证券分析师推荐的股票都不能获得超常收益。Black(1973)、Copeland and Mayers(1982)等研究了价值线公司每周公布的股票评级，发现在对风险和公司规模进行调整之后，第一等级的股票比第五等级的股票在一年内有较高的平均收益。Stickel(1985)运用事件研究方法发现当价值线公司改变评级时存在显著的公告效应，这意味着价值线公司具有未反映在价格中的信息。他进一步检验了价格调整的数量和时间，发现市场用三天的时间来吸收价值线公司的私有信息，三天内价格最大移动2.44%。Lloyd - DaVies和Canes(1978),Liu,Smith和Syed(1990)发现证券分析师在华尔街日报的“街边拾遗(Heard on the Street)”栏目中推荐的股票在推荐的当天平均上涨1.7%。Elton,Gruber和Grossman(1986)观察到在证券分析师更换推荐的股票的当月和随后一个月都存在着显著的超常收益。Womack(1996)发现推荐卖出的股票比推荐买入的股票价格移动更为显著，并且两者都存在显著的公告期后价格移动(Post - Announcement Drift)其他国家的学者也检验了本国的证券分析师是否具有私有信息。Bjerring,Lakonishok和Vermaelen(1983)检验了一个加拿大经纪公司的证券分析师所推荐的股票的表现，发现即使扣除交易成本，这些股票的表现仍优于市场。Dimson和Mardsh(1984)讨论了英国的证券分析师所推荐的股票的预测收益和实际收益的相关性。此外，Dawson(1982)对香港。Finn(1983)对澳大利亚的证券分析师的预测能力作了分析，也证实了分析师推荐的股票能获得超常收益。
本文运用事件研究方法分析证券咨询机构公布推荐的股票的前后时段里，被推荐股票的价格反应和成交量变化。如果投资者买入推荐股票能获得超常收益，说明证券咨询机构拥有私有信息，能够预料股价。本文的第二部分先给出数据来源并对样本进行描述，第三部分说明研究方法，第四部分给出实证结果并对之进行分析，第五部分比较不同咨询机构的预测能力并检验其预测能力的可持续性，第六部分给出结论。
二、数据来源
1.样本数据来源
我国的证券咨询业过去长期不规范，普遍存在充当庄家的“吹鼓手”，帮助庄家出发，欺骗散户的行为。有鉴于此，中国证监会于1998年正式实施证券投资咨询业务资格审批制度，以求规范证券咨询业。《中国证券报》从1998年4月13日开始，在每周一的第三版“咨询机构看市场”栏目中，邀请第一批获得证券投资咨询业务资格的专业咨询机构，对目前的市场走势发表看法并推荐个股。本文选取从1998年4月13日到1999年6月28日的所有推荐股票，以每周所有咨询机构推荐的股票作为一个组合，共计61个组合。37家咨询机构总共推荐了1414只股票，来自于601家上市公司，其中沪市291家，深市对310家。为了研究公司规模对股票价格表现的影响，将截止到1999年9月底的沪深所有上市公司按总资产十等分组。国外同类研究通常以流通市值来代表公司规模，这里之所以不按流通市值分组，是因为我国的股本结构不规范，流通股本只占总股本的较小部分，流通市值并不能很好地代表公司规模。其他对所有推荐的股票进行分组的方式为：按推荐日期分为61组，按不同的咨询机构分为37组，按行业类别分为56组。
2.交易数据来源 本研究的股票市场交易数据来源于目前证券公司通用的钱龙分析系统所提供的周交易数据。对除权作如下调整，方法是对除权后的所有价格或成交量进行复权，而将派现和配股看作是现金收入和现金支出。
(1)股票价格
其中，P[,t]是复权后的当周收盘价。P[,t-1]是前一周的收盘价。C是每股现金股利，r[,配]是配股比率，P[,配]是配股价，如果当周没进行除权，三者都为零。
(3)成交量
V[,cover]=V/(1+r[,送]+r[,配])
其中，V[,cover]是复权成交量，V是除权后的每周实际成交量，其他定义同上。
三、研究方法
1.超常收益率AR的确定
任何事件研究均必须假定一定的预期收益定价模型，以分辨出研究对象的超常收益行(Fama et al,1969)。本文使用三种不同的收益定价模型来计算超常收益率。
(1)公司规模调整模型(Size - Adjusted Model)
公司规模调整模型的目的主要在于控制Banz - Reinganum小公司效应。Foster,Olsen,和Shevlin(1984)最早将其用于计算超常收益。Bernard和Thomas(1989)在研究盈余公告的事后价格移动时也用它对公司规模进行调整。Womack(1996)则将其用于研究证券分析师的预测能力。公司规模调整模型认为，股票i在第t周的超常收益率AR等于
其中，AR[size],[,it]＝股票i在第t周的超常收益率；
R[,it]＝股票i在第t周的实际收益率；
R[size],[,it]＝按公司规模将沪深股市所有公司十等分组，股票i所属组第t周的等权平均收益率。事件窗口取推荐公布前8周至公布后12周，共21周。即t=-8,-7,…,-1,0,1,…,12。由于有些股票上市距推荐周不足9周（上市当周不算在内），剔除后总样本为1370只股票。
(2)行业调整模型(Industry - Adjusted Model)
行业调整模型的计算方法如下：先计算出每一只推荐股票和所有相同行业股票在第t周的公司规模调整收益，再用推荐股票的公司规模调整收益减去剔除推荐股票后的所有相同行业股票的平均公司规模调整收益。
其中，m等于剔除推荐股票后的所有相同行业股票的数目，且m＞4。事件窗口和总样本同上。
(3)市场模型(Marktet Model)
市场模型是事件研究中最常用的收益定价模型，但在判断证券分析师有无预测能力的场合存在一定问题。一般的事件如盈余公告、股票分割是一项事实(fact)分析师推荐某股票则代表分析师的看法(opinion)，这种看法的形成又与该股票推荐前的走势相关。而市场模型不是一个均衡定价模型，它需要用估计期的收益数据来估计常数项а。如果估计期的股票表现很好或很差，常数项а就有正偏差或负偏差，造成事件期的超常收益被低估或高估。为了与其他两种模型进行比较，此处仍使用市场模型来计算超常收益率。
其中，R[,mt]是市场指数在第t周的实际收益率。本文中沪市股票的市场指数为上证综合指数，深市股票的市场指数为深圳综合指数。估计窗口为一60,-59,…,-9,共52周。事件窗口同上。剔除缺乏推荐周前60周数据的股票，总样本为1066只股票。
2.组合超常收益率PAR和累计超常收益率CAR
以每一周所有咨询机构推荐的股票为一个组合，共有61个组合。第一个组合的超常收益率等于组合内所有股票的等权平均超常收益率。即
5.平均超常收益率AAR与平均累计超常收益率ACAR的显著性检验
本文的零假设超常收益率是从具有零均值的分布中抽取的，这意味着证券咨询机构的推荐公告对被推荐股票的价格没有系统性的影响。假定超常收益率是独立同分布的，平均超常收益率AAR与平均累计超常收益率ACAR的显著性可用单变量T-TEST来检验。统计量为：
四、实证结果及分析
根据三种模型计算出的平均超常收益率和单变量T-TEST可以看到，公司规模调整模型和行业调整模型计算出的平均累计超常收益率，从推荐前第3周起都在1%水平上显著。市场模型计算出的平均累计超常收益率，从推荐前第3周至推荐后第6周在1%水平上显著，推荐后第7周在5%水平上显著，其他均不显著。
与国外同类研究的结果不同，我国证券咨询机构推荐的股票从推荐之前第4周开始就有显著大于零的超常收益率。推荐前一周达到最大值，t检验值非常显著（三种模型分别为13.430、16.505、15.332）。成交量的变化也说明了这一点。与收益不同的是成交量在推荐周达到最大值。国外的研究结果表明分析师公布推荐的股票之前，这些股票基本上不存在超常收益。这说明国外的证券分析师主要是价值驱动型(Value-Based)的，一般会推荐他们认为价值被低估了的股票，而我国的分析师主要是信息驱动型(Information - Based)的，倾向于推荐近期走势强劲的股票。另一方面，国外的证券分析师公布推荐的股票之后，在公布的当周和随后几周有显著的正的超常收益。例如，Copeland和Mayers(1982)报告了公布当周的超常收益为0.4%,Dawson(1982)报告了1.2%,Bierring,Lakonishok,和Vermaelen(1983)报告了1.49%,Dimson和Marsh(1984)报告了2.5%。显然由于样本不同，报告的超常收益大小不一样，但都显著为正。而我国的证券咨询机构公布推荐股票的当周没有显著的超常收益，随后几周存在显著的负的超常收益。此外，推荐后11周后超常收益开始接近为零，累计超常收益CAR开始走平，意味着价格调整结束。
三种模型计算出的平均累计超常收益存在较大的差异，推荐后12周的累计超常收益分别为2.24%、3.90%、-0.12%，市场模型的负值差较大。这是由于分析师倾向于推荐近期走势强劲的股票，导致市场模型的常数项a被高估，从而低估了事件期的超常收益。笔者计算出平均的а值为0.004062，t值为13.608，显著大于零。平均的β值为1.063，t值为5.956。根据CAPM模型：R[,t]=(1-β)R[,ft]+βR[,mt]假设均衡定价有а=(1-β)R[,ft]由于β＞1，а应该小于零。因此市场模型计算出的超常收益率AR平均有0.004062以上的负偏差，相对而言，数量较大（Bjerring,Lakonishok，和Vermaelen(1983)报告了0.00027的正偏差），造成了对平均累计超常收益的低估。另一方面，推荐股票的平均β值大于市场组合，而公司规模调整模型没有对系统性风盥进行调整，因此计算出的超常收益略有高估。但由于推荐股票的平均β值只比市场组合大0.063，对超常收益的影响相当有限。故公司规模调整模型在本文中较好地描述了股价行为。行业调整模型计算出的平均累计超常收益最大，说明分析师推荐的股票所属行业整体股价表现不及市场平均水平。
从模型结果可以看出，证券咨询机构推荐的股票产生了持续的正的累计超常收益，并且推荐当周成交量显著增大，说明证券咨询机构拥有一定的私有信息。但是，如果从推荐当周开始累计，其推荐的股票有持续的负的累计超常收益。这种现象必须谨慎地加以解释。我国的证券咨询机构一般是靠向特定的客户提供咨询服务来赚钱的，在公开的报刊杂志上发表预测和推荐只是为了吸引客户。因此有理由相信证券咨询机构在公开推荐之前，一定会将自己比较有把握或私有信息含量较大的股票推荐给客户。这是私有信息的第一次扩散(Primary Dissemination)。在客户买入之后，咨询机构再在公开的报刊杂志上推荐，这是私有信息的第二次扩散(Secondary Dissemination)。国外同样存在这种二手信息（Second - Hand Infomation，参见Lloyd - Davies和 Canes,1978;Beneish1991），不同的是国外的二手信息仍能获得显著的正的超常收益。也许Lloyd - Davies和Canes的解释能为我们提供一种思路。Lloyd Davies和Canes认为：客户本应该作为套利者，一直买入直到私有信息充分反映到价格中。但是随着客户买入越来越多的推荐股票，其自身的股票组合和风险随着不可分散风险的增加而增加。虽然私有信息并未完全反映到价格中，但客户的组会风险的增加使其继续买入的效用为零。因此，客户对某一股票的需求曲线是向下倾斜的，这决定了其对某一价值被低估的股票的需求是有限的。所以私有信息的第二次扩散仍能获得超常收益。当然这假设投资者是理性的。反观我国的情况，多数投资者并不是理性的。一方面，证券咨询机构的客户不能正确评估组合的风险，在得到私有信息后过度买入。另一方面，散户投资者缺乏贝叶斯理性（事后学习能力），盲目相信证券咨询机构，在推荐后大量买入，这使证券咨询机构的客户能够有恃无恐地大胆买入。再加上追随趋势者的推波助澜，就造成对私有信息的第一次扩散的过度反应。当咨询机构公开推荐时，由于对同一信息已经过度反应，客户开始大量卖出，追随趋势者反向操作，价格在抛售压力下向均值回归。
五、不同证券咨询机构的预测能力及其可持续性
上面的实证结果表明我国的证券咨询机构拥有部分私有信息，从而体现出一定的预测能力。另一方面，21周公司规模调整的平均累计超常收益大约为2%，数量相当小，扣除交易成本后很难依靠“买入并持有”的方式获利。当然，这是指平均而言，不排除个别咨询机构有较强的预测能力。为了检验不同的证券咨询机构的预测能力是否相同，笔者从咨询机构的角度重新对样本进行筛选。剔除参与推荐的周数少于20周的，剩下十个咨询机构。以每个咨询机构每周推荐的股票为一个组合，以上文相同的方式计算公司规模调整的平均累计超常收益，不过累计的起点选在推荐的当周。推荐当周和推荐12周后的平均累计超常收益及t值，可以看出不同证券咨询机构的预测能力存在较大差别。以推荐当周的平均超常收益的大小来看，万国测评的预测能力最强，陕西巨丰的预测能力最差。以推荐12周后的平均超常收益的大小来看，深圳海询的预测能力最强，海南精信的预测能力最差。对万国测评和陕西巨丰推荐当周的平均超常收益进行独立变量t检验，等方差假定下的t值为3.171，在1%水平上显著。对深圳海询和海南精信推荐12周后的平均超常收益进行独立变量t检验，等方差假定下的t值为3.405，在1%水平上显著。说明不同的咨询机构之间预测能力的差异是显著的。既然不同的咨询机构的预测能力不同，那么能不能根据历史数据确定出表现最好的咨询机构并追随之，以获得优于平均的超常收益呢？为回答这个问题，笔者进一步计算了这十家咨询机构一个月前的表现排名和一个月后的排名之间的相关性。具体方法是：如果相隔一个月（可以为4、5、6个交易周）的两周有8家以上相同的咨询机构均作了推荐，则选为一个样本。满足条件的共有18个样本。对每个样本中的每一周，分别按推荐当周的平均超常收益和推荐12周后的平均累计超常收益的大小计算出等级次序，并算出即Spearman秩相关系数。从表中可以看出，两种方式计算出的Spearman秩相关系数分别为0.036和0.134，且均不显著。这说明咨询机构一个月前的表现排名和一个月后的排名之间的相关性相当弱，以前表现好的咨询机构的预测能力不具有持续性。可能上一个月表现很好的咨询机构这一个月表现很差，因此无法采用追随历史表现好的咨询机构的方法来获得优于平均的超常收益。这个结构与国外的类似研究结果相同（参见Dimson和Marsh,1984;Elton,Gruber和Grossman,1986）。
六、结论和进一步的分析
从以上实证研究可知，证券咨询机构推荐的股票产生了持续的正的累计超常收益，说明证券咨询机构拥有一定的私有信息。但推荐公开后股价反而下跌，存在着显著的负的超常收益。原因是：在推荐公开以前，私有信息已经在咨询机构的客户中扩散，客户和追随趋势者的过度买人造成了推荐公开后的“抛售压力(Sell Pressure)”。不同的证券咨询机构之间预测能力存在显著差异，但由于其预测能力不稳定，因此并不能采用追随历史表现好的咨询机构的方法来获得优于平均的超常收益。
Grossman和stiglitz(1980)证明了强式有效市场是不可能的。由于信息是有成本的，市场上必须存在愿意支付成本去搜集和分析信息的“知情投资者(Informed Investor)”，均衡价格才有可能形成。如果知情投资者的边际收益等于边际成本，我们就说市场是有效的。因此信息中介在搜集和解释信息方面的互相竞争是促进市场效率的重要途径。虽然我国的证券咨询机构拥有一定的私有信息，但21周公司规模调整的平均累计超常收益大约为2%，数量相当小，扣除交易成本后很难依靠“买入并持有”的方式获利。这还是假设咨询机构是惟一或最早知道私有信息的，事实上咨询机构可能是Grossman和Stiglitz(1980)所提到的（非知情投资者Uninformed Investor）”，即从私有信息的价格合并过程中间接地观察到私有信息。考虑到咨询机构的趋势追随行为以及大部分分析师进行技术分析的事实，这是完全可能的。这样，咨询机构实际拥有的私有信息就更少。问题是：如果咨询机构只拥有很少的私有信息，那么他们及其客户如何赚钱呢？Froot,Scharfstein和Stein(1992)的分析给出了一个答案。他们证明了即使投资者是理性的，但如果他是短期投资者，就必须依赖于市场上其他投资者也相信他所得到的信息并进行买入，才能有效地清算头寸。因此，投资者倾向于搜集容易被其他人接受的信息，哪怕此类信息与公司价值的关系不大。这解释了为什么技术分析有时是有效的。另一方面，既然越多人相信的信息越有价值，投资者很容易出现“羊群效应”。这解释了为什么会出现过度反应。公开推荐的两周以前，公司规模调整的平均累计超常收益为1.97%，近似于价格调整结束后的累计超常收益。而公开推荐的前一周平均超常收益超过4%，这就成为咨询机构及其客户的主要利润来源。换言之，咨询机构及其客户是利用市场缺乏效率来赚钱的。这有两个主要的危害：其一，咨询机构及其客户赚的是散户投资者盲目跟风的钱，长此以往必将损害散户投资者投资股市的积极性，不利于证券市场的健康发展。其二，证券咨询机构促使信息有效地反映到价格中，他们之间的竞争导致证券价格反映出一个较为丰富的信息系统（参见Beaver,1998）。而我国的证券咨询机构并不是致力于搜集和分析财务信息，拥有的私有信息少，缺乏行业分析能力，而靠与客户“合谋”来赚取利润。这无疑不利于我国证券市场提高资源配置的效率。
从前面的分析可知，问题的关键在于我国的投资者投资期界过短。因此应该在政策和舆论导向方面大力提倡长期投资，并切实提高信息的透明度、公开度，进一步规范证券咨询行业。培育和完善我国的证券市场，我们任重而道远。
标签：股票论文; 股票分析师论文; 证券投资分析师论文; 客户分析论文; 证券论文; 预测模型论文; 能力模型论文; 平均收益率论文; 规模收益论文; 分析师论文;