分析师盈利预测偏差是否受投资者情绪影响?，本文主要内容关键词为：分析师论文,偏差论文,投资者论文,情绪论文，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。
分析师盈利预测偏差现象在国外资本市场经常发生，追溯到20世纪70年代，就有国外学者对这个问题进行过研究。近年来，中国资本市场不断发展，分析师盈利预测偏差的情况也时有发生，新闻中经常出现分析师盈利预测偏差过大的报道。雅虎财经新闻曾披露，将2011年分析师公布的9.45万份盈利预测报告与实际盈利数据相比较发现，其中37%的报告值偏低，63%的报告值偏高，而分析师盈利预测值比实际值高估偏差超过50%的报告数量达到20%。经典金融学理论认为，在一个有效的资本市场环境下，公司内在价值应该可以通过公司股票价格得以反映，而公司未来的盈利能力和面临的风险状况是公司内在价值的决定因素。因此，准确的公司盈利预测有利于传递市场信息及制定公司合理的股票价格；而分析师的一项重要工作就是通过收集相关数据和信息来预测公司未来的发展状况，并以此对公司进行盈利预测。但是，由于市场信息不对称，分析师并不能完全掌握上市公司的全部信息；或者，即使分析师能了解公司实际经营状况，但是由于背后的利益机制复杂，多数分析师往往“报喜不报忧”，国内外对预测偏差的实证研究结果也表明，分析师乐观偏差的情况较多，悲观偏差的情况较少(Bondt et al.，1990；Abarbanell et al.，1992)。分析师对上市公司进行盈利预测的主要依据和重要参考就是公司治理水平。公司治理的定义侧重于上市公司本身，“是一种对内的控制、管理、运营和操作。它的涵义广泛，包括公司的控制和营运过程，公司内诸多利益相关者(如股东、董事会、经理层等)之间的利益关系处理等”。本文在研究公司治理水平与分析师盈利预测偏差之间的关系之后，对此理性因素加以控制，进而研究分析师盈利预测偏差是否仍然受到有限理性因素的影响。 二、理论分析与研究假设 (一)公司治理与盈利预测偏差 国外文献多数集中研究公司治理透明度，直接研究公司治理与预测偏差两者间关系的较少。有的学者认为信息披露的意义之中包含公司透明度，即所谓的“透明度”是指除了强制性信息披露之外的自愿性信息披露。Bushman et al.(2004)设立了测度公司透明度的模型，主要包含两个方面，一是财务透明度，另一个是公司治理透明度，结果认为透明度是信息系统模型在各个相关机制作用下的综合输出结果。基于Bushman的研究思路，Gauri Baht et al.(2004)以21个不同国家的数据为样本做了跨国研究，调查不同国家的证券分析师的平均预测准确度受到该国公司治理透明度的影响情况，并且将公司治理透明度与财务透明度分开，结果发现一旦控制财务透明度因素，公司治理透明度越高，分析师预测准确度越高，反之亦然。国内研究在这个领域开始较晚，并没有对“公司治理透明度”和“信息披露”进行严格的区分，研究重点大多集中在后者。从公司治理与信息披露两者的关系来看，公司治理涉及的范围很广，信息披露是公司治理的一部分，而且公司治理是决定信息披露质量高低的一个重要因素。因此本文更多注重公司治理水平和分析师预测偏差之间的关系。基于此，提出以下假设： 假设1：公司治理水平越高，则分析师盈利预测偏差越小，反之亦然 (二)投资者情绪与分析师预测偏差 目前学术界对投资者情绪的定义没有定论。Baker和Jeffrey(2004)从两个方面定义了情绪，一方面情绪反映了投资者的投资意图，另一方面反映了投资者对整体市场前景的看法。经过总结国外学者的观点后，我们认为投资者情绪反映了噪音交易的程度，是参与者各种有限理性心理总体的外在表现。我们发现在以前的文献中，多数都是从理性角度对分析师预测偏差进行解释；有少量从非理性角度解释了预测偏差的原因，如认知偏差，情境引导的心理偏差(Easterwood和Nutt，1999；Sedor，2002)。目前只有一篇关于情绪与预测偏差的研究是由伍燕然等(2012)提供的，他们采用朝阳永续数据库2006～2009年的一致预期数据，论证了代表理性投资者的分析师的盈利预测偏差也会受到投资者情绪的影响。我们认为，在理性因素不变时，盈利预测偏差是受到非理性因素即情绪的影响，并且随着公司治理水平的改变，分析师盈利预测偏差的大小也会随之改变。基于此，提出以下假设： 假设2：情绪对分析师预测偏差有正向显著影响 假设3：保持公司治理水平不变，情绪会对分析师盈利预测偏差有显著性的正向影响 假设4：公司治理水平高，情绪对分析师盈利预测偏差影响小。公司治理水平低，情绪对分析师盈利预测偏差大 三、研究设计 (一)模型构建。投资者情绪是本文所考虑的非理性因素，首先设计了只考虑情绪因素的模型(1)，形式如下：
表示修正的预测偏差。考虑到在分析师编写盈利预测报告与在数据库发布预测结果之间存在时间差，情绪将滞后预测偏差值，因此本文在进行回归时，选择的是滞后一期(t-1月)的情绪作为研究对象。朝阳永续数据库发布盈利预测的过程：(1)分析师对市场进行主观预测并构思报告；(2)撰写预测报告；(3)分析师所在公司审查报告是否合规；(4)将报告发送给投资银行等机构客户；(5)朝阳永续公司获得数据并录入数据库；(6)朝阳永续公司将100多家券商的预测汇总；(7)朝阳永续公司在月末得出对个股的一致预测结果。因此，对于个股T期的预测，分析师在T月末才形成一致的预期结果。此外，为了强化本文结论，排除情绪中含有的宏观经济因素可能对回归结果造成的影响，本文在进行模型的构建与回归时，选用控制了宏观经济因素后的情绪(SEM)，详见投资者情绪指数的构建。其次，本文建立了仅考虑理性因素(公司治理水平)的模型，为了控制上市公司的规模大小，公司资产负债水平、盈利水平及其波动情况，以及分析师的关注度等因素对分析师预测偏差的影响，本文加入了5个控制变量。模型形式如下所示：
最后，本文将理性因素和非理性因素都加入到构建的模型中，形式如下所示：
(二)被解释变量——分析师盈利预测偏差 分析师预测偏差的含义是对于盈利的一致预测值与实际盈利值之间的差异。盈利一致预期值指的是市场上各个投资银行的行业分析师分别预测一家上市公司的盈利值，并且运用多种平均的方法如取平均值、中位数或众数等等，找到预测结果的平均水平。构建该指标的主要目的是反映市场对于上市公司的未来盈利状况，并且获得一个综合的预期值。例如，如果2009年3月在市场上共有10家券商的分析师分别给出A公司的未来盈利预测值，那么就可以取10家券商的分析师预测值平均数(或中位数、或众数)作为公司A的一致预期值。在众多的英文文献中，分析师对盈利一致预期数据主要来自美国I/B/E/S数据库，并且被国外学者广泛应用。我们选用的朝阳永续数据库与美国I/B/E/S数据库类似，自2005年起该数据库所做出的一致预期数据已成为度量国内股票市场盈利预测的最权威数据。 本文选取2007年1月至2011年12月深交所主板市场中有一致预期的共472家上市公司作为样本数据。每股收益Eps和每股净资产Bps的数据来自wind数据库。对于每股收益，本文选择的是扣除非经常收益的并且按照期末股本摊薄的每股年度收益。每股净资产采取的是期末股本摊薄的每股净资产值(季报值)。其他控制变量和构建情绪指数的变量数据均来自wind数据库。 (1)指标构建。朝阳永续数据库里提供的一致预期数据属于月度数据，是分析师在T年的第t个月(1≤t≤12)对i公司(i是深交所全部主板上市公司)T+1年的年度盈利水平进行预测得出的结果。本文构建面板数据来自2007年1月至2011年12月在内的60个月的月度数据，那么所得的预测偏差的样本应该是60个月的月度数据。初步的模型构建如下：
由于预测期和实际期之间有一段时间差(12至24个月)，在这期间，股本变更(送股、增发配股等)可能发生；而股本变动的情况在分析师做出盈利预测的时候并没有出现，时常在预测期之后才发生，况且分析师在当期也很难预测第二年股本数目的变化；但是在第二年年报报告中的每股盈利却是根据变更之后的总股本得出的，这样必然引起最初建立模型的预测偏差并不准确。由此，对于预测偏差值的计算，应该考虑股本变动这一因素。本文使用T+1年的股本总额除以预测期T年t月的总股本数，建立了一个调整系数入，如下：
之所以需要构建调整系数λ的原因是用来修正年度
具有可比性，两者之差可以得出合理的预测偏差值。加入调整系数后的模型如下：
加入调整系数之后，可以求出各个公司合理的盈利预测偏差，但是直接求差的算法与公司股价密切相关，将导致各个公司之间的预测偏差不具有可比性。所以本文加入每股净资产Bps值，Bps为预测期T年t月所相应的季度值。这样，对式(4)的预测偏差进行标准化调整，调整后的模型如下：
为简化，简称为预测偏差。 (2)描述性统计。根据上述模型得出的预测偏差值暂时还不能作为最后回归所使用的数据。本文排除了异常值：由于部分公司的每股净资产为负数，或者特别小，那么对这类公司的预测偏差计算会因为使用每股净收益的标准化调整，而导致公司的预测偏差值扩大，形成异常值；其次，在获得合理Bps值并得出MPbias值之后，本文将去除当月的MPbias值的前5个和后5个，最终形成本文采用的回归样本。见表2、3所示。由表2和表3可以看出，深交所主板A股的一致预期偏差的样本量逐年增加，且在2010年有显著增长，这说明分析师对于市场的关注度不断提升，也就是说对市场上更多的上市公司进行盈利预测。关于预测偏差的均值大小，可以发现基本上为正数，其中只在2007年为负数，这说明平均看来，分析师的预测值高于实际水平，整体上的预测结果呈现乐观偏差，但在某些时候也存在悲观偏差。
(三)解释变量 (1)公司治理水平。公司治理水平是本文将着重考查的理性因素代表变量，将在第四部分详加阐述。 (2)投资者情绪指数。本文参考Brown和Cliff(2004)、Baker和Jeffrey(2004)及伍燕然(2012)，采用主成分分析方法，设计了四个情绪代理的指标：封闭型指数基金折价率(CFDR)、股票换手率(SHAT)、IPO首日回报率(IPOR)和月度市场新增账户数(NEWA)，构建了2007.1～2012.12之间72个月的情绪指数。接着，本文利用国家统计局的宏观经济先行指标作为控制因素，用来调整宏观经济因素部分(理性预期)对情绪的影响，去除了情绪中的基本面成分，最后构成了控制宏观经济因素的情绪指标(SEM)。 (3)四个情绪代理指标。封闭式基金折价率(CFDR)可以作为衡量市场情绪的有效指标LST(1991)，折价率与情绪之间的关系是正向的；在市场表现乐观，投资者情绪高涨的情况下，折价率变大；与此相反，在市场表现悲观，投资者情绪低落的情况下，折价率变小。本文定义单只基金的折价率如下：
本公式是用第i只基金t期的价格
减去第i只基金t期的单位净值
，再除以
；本文选取的是2012年12月期间尚未到期的封闭式基金月度数据，去除了其中共25支规模在20亿元人民币以下的小型封闭式基金和创新型封闭式基金。这里的封闭式基金整体折价率：
由于封闭式基金折价率的走向趋势性明显，即折价率逐年下降x。为控制这种趋势性的影响，本文将封闭式基金折价率数据与年度数据进行OLS回归，并取残差作为封闭型基金折价率的最终数据，记为
。 之所以采用换手率(SHAT)作为情绪代表变量的原因是，换手率反映市场的流动性，换手率高表示市场的流通性较强，投资者情绪较为乐观；反之则反。也就是说换手率与情绪之间的变动关系相同。这里使用的是t期上证综指月累计成交金额
除以t期上证综指月累计成交金额
为当月交易日(Trading Days)的值，得出每月交易日的平均换手率，用公式表示为：
选用IPO首日回报率(IPOR)作为情绪代理变量，其原因是IPO市场能较好地反映市场情绪变动。当市场情绪高涨时，不仅可以带来IPO融资成功，而且将使得首日发行溢价大幅提升；反之当市场情绪低落时，出现“破发”情况。本文选取A股市场全部IPO的首日发行回报率数据，但是排除了创业板数据。计算回报率所采用的方法是用t期第i只股票的收盘价
与t期第i只股票的发行价
做差，用公式表示为：
由于上市公司IPO溢价会受到发行规模和发行市盈率(PE)的影响，故应控制二者对IPO数据的影响。因此与前面计算封闭式基金折价率的做法类似，笔者将
数据与首次发行规模和发行市盈率进行OLS回归，取残差并进行月度算数平均，最终得出的月度数据。 本文选择的最后一个情绪代理变量是月度市场新增账户数(NAWA)，由韩立岩、伍燕然(2007)首次提出并用来描述市场情绪。新增账户数的增加表明投资者对于证券交易的需求上升。而需求的变化与非理性投资者对市场追风的“羊群效应”行为也有着密切联系，这些行为可以直接反映出市场投资者的情绪。
(4)情绪指数的构建。考虑到情绪之间可能存在领先滞后的关系，因此本文在运用主成分分析方法时将进行主成分的提炼，采用每个指标的本期和滞后一期，具体分为以下两步：首先，进行整体主成分分析，对象为四个情绪代理指标的本期(t期)和滞后一期(t-1期)共八个变量，筛选出总贡献量85%以上的前3个主成分得出SEN8；然后，将SEN8与上述的八个变量进行相关性比较(表5)，选取出与合成指数相关度最高的四个变量(将同一指标的本期与滞后期进行一对对比较，取相关度较高的变量)再次进行主成分分析，最后提取出的主成分就是情绪的合成指数。
根据表5最终确定
这四个变量提取主成分，主成分合成结果如表6所示。第一主成分对指标的贡献率为57.51%，第二主成分对指标的贡献率为23.74%；可见，前两大主成分的累积贡献率已经达到81.27%，因此提取前两大主成分即可合成情绪指数Sentiment。
最后根据Sentiment1和Sentiment2合成情绪指数Sentiment，如下：
鉴于宏观经济因素可能对分析师的预测产生影响，所以本文将对上面得出的情绪进行宏观经济因素的剔除。本文使用已经合成的情绪指数对中国宏观经济先行指标进行OLS回归，得出回归的残差作为调整宏观经济因素的情绪指标。此后，本文对SEM进行单位根检验(ADF方法)，检验结果显示数据并不平稳。为了能够得出平稳的预测结果，我们本着保持情绪的变化趋势，并且使数据平稳的原则，对控制宏观经济因素的情绪指标做了一个单调变换，如表7、图1所示，变化方法如下： SEM=log(Sentiment_macro+2)
图1 情绪指数和控制宏观经济因素的情绪指数走向(2007.1～2012.12) (四)控制变量 本文选取5个控制变量，其中包含三个财务相关控制变量，即公司流通市值，净资产收益率及资产负债率；为了控制风险因素，加入前12个月股票收益率的标准差；另外，为了控制分析师关注度，本文选用预测机构数变量来进行调整。 本文所选取的公司流通市值指标，是每个月月末该公司的股票流通市值，以十亿为单位；对流通市值变量取对数，得到回归所用的公司流通市值(In-market value，记MV，月度值)。净资产收益率(NAR)和资产负债率(记DER)均为季度值，对于这两个变量，本文将剔除异常值，即大于等于5和小于等于-5的值(约占样本的1%)。前12个月股票收益率的标准差(12 month SD)为月度值，对于预测机构数(Institution)中去除了为0的值，选择的都是大于等于1的值作为数据，这意味着某家公司的盈利预测必须有大于或者等于1位的分析师参与。 四、实证分析 (一)公司治理指标的选取。目前，深圳证券交易所只有两个治理指数——深证公司治理指数和巨潮公司治理指数。深证公司治理指数(SZSE Corp.Governance Index，指数代码399327)由40只股票组成，它们来自深市公司治理有效、经营业绩达到一定标准的40家公司。该指数从2006年1月发布，基准为2002年12月31日，基点为1000，样本股数量为40。由wind数据库获得的深证治理指数2006～2010年间的历史样本股变动如表9所示。
在编写深证治理指数的过程中，从2007年1月24日起加入样本股，并在此年度发生了3次样本股的调整，2008年和2009年分别是每隔半年对样本股进行一次调整；从2010年开始，变为每年7月调整一次样本股。巨潮治理指数(CNINFO CORP.GOVERNANCE INDEX，指数代码399322)依据公司治理结构评分、企业规模和经济绩效等因素来选取股票，该指数由深沪市场中公司治理结构有效、经营业绩达到一定标准的100股票组成。巨潮治理指数从2005年12月发布，基期为2002年12月31日，基点为1000。由wind数据库获得的巨潮治理指数自2005年12月纳入样本股，2007～2011年期间没有进行样本调整，首次调样时间为2012年7月1日。因此，在2007～2011年期间，在巨潮治理指数样本股中深交所主板的股票有34只(未变动)。深证治理指数和巨潮治理指数中的样本股都具有整体经营规范、公司治理结构好、盈利能力出色等特点。因此，本文划分上市公司治理水平优秀与否的标准为，深证主板A股是否作为样本股之一纳入这两个指数之一。据此本文对深交所上市公司的公司治理水平(Governance)构建虚拟变量，优秀组设为1(CG=1)，非优秀组设为0(CG=0)。 (二)结果分析。本文首先采用均值检验(T检验)和中位数检验(Wilcoxon轶和检验)对公司治理水平是否会对分析师盈利预测偏差产生显著影响进行了假设检验。均值检验和中位数检验的原假设H0是预测偏差均值或者中位数为0。组间比较的原假设H0是两组的均值或者中位数相等。检验结果如表10所示。上表的检验结果显示所有检验均拒绝原假设。一是说明不管公司治理是否优秀，预测偏差都明显大于0，这说明乐观偏差情况较为普遍。二是根据公司治理水平进行分组，两组之间的均值和中位数出现明显差异，而且公司治理非优秀组的预测偏差显著大于公司治理优秀组的预测偏差。因此可以证实假说2，即公司治理水平的高低对分析师盈利预测偏差产生显著反向影响。
进一步，本文对投资者情绪指数、公司治理和分析师盈利预测偏差之间的关系进行了面板回归。本文对控制宏观后的预测偏差和情绪指数做了单位根检验，结果通过了5%水平下的ADF检验，而且数据较为平稳。采用随机效应模型对面板数据进行回归，结果如表11所示。表11的回归结果表明：(1)无论总体或分组回归方程中，情绪的系数对应的Z值均在1%水平下显著。这支持了假说2的成立，即投资者情绪对分析师预测偏差有正向显著影响；并且可以验证假说4，即保持公司治理水平不变，情绪会对分析师盈利预测偏差有显著性的正向影响；(2)公司治理(Governance)的系数为负，显示公司治理与预测偏差呈现负相关关系。(3)依照公司治理水平分组后的回归结果，公司治理水平非优组的情绪系数明显大于公司治理水平为优秀组的系数。这能够证明假说4的成立，即公司治理水平高，情绪对分析师盈利预测偏差影响小。
(三)稳健性检验 本文对原样本进行稳健性检验的方法是修正样本数量。由表2可见，在本文选用的深交所主板市场的股票中，随着时间的推移，分析师进行盈利预测分析的股票数量逐渐增加。样本量分布“不均匀”，存在“头轻脚重”的现象，面板十分不均衡。这种不均具体体现在：2011年有300多家公司的股票有一致预期，而2007年只有100多只股票具有一致预期，两者差距较大。因此本文对原始样本进行了修正，选用2009年6月的有一致预期的股票数量(共11只)作为样本范围，对2007～2011年的60个月都选取同样的股票，提取相应的预测偏差值和其他控制变量的值，进行最后的回归。本文中选取的新样本被称为调整后的样本量，原来的样本被称为调整前的样本量，具体情况如表12、表13所示。
由图2可以明确地看出，调整后的样本量波动明显减小，基本呈现平稳的状态，这样调整后的面板数据比较平衡。根据调整后的样本，本文重新进行上述回归，结果如表14所示。表14结果表明：调整样本量后的结果同样证明假说1、2、4、6的成立，说明原样本的回归结果十分稳健，且公司治理(Governance)的系数是负显著的。
图2 调整前后样本量分布情况的比较(2007.1～2011.12)
在研究预测偏差的成因中，传统金融学已经证实，公司信息披露作为理性因素之一，对预测偏差产生影响。行为金融学研究在质疑“理性人”假说的前提下，证实了卖方分析师作为“理性投资者”的群体，也会如其他噪音交易者一样在盈利预测的过程中受到投资者情绪的影响。但查看以往的文献，还没有发现有限理性因素对分析师预测偏差的影响程度与公司治理水平的关系，或对于预测偏差的研究还没有将理性因素和非理性因素结合起来。本文首次考查公司治理对分析师预测偏差的影响，并尝试控制部分理性因素——公司治理水平，验证非理性因素对于分析师预测偏差是否还存在影响，以及是否有影响差异。由于公司治理水平的各年度衡量指标较难获得，因此国内外文献中直接研究公司治理与预测偏差两者关系的较少。如国内南开大学每年都撰写中国公司治理指数和评价报告，但外界很难获得该内部数据。本文创设了一个新思路，以深交所发布的深证指数和巨潮指数，这两个市场上公开的治理指数作为衡量公司治理水平高低的标准。结论如下：首先，通过实证研究发现公司治理水平(理性因素的代表)对分析师预测偏差与误差有较大影响；其次，在控制公司治理水平后，投资者情绪(不完全理性因素的代表)仍对分析师盈利预测偏差产生显著正向影响；再次，对于公司治理水平好的公司，分析师盈利预测偏差受投资者情绪的影响小；反之亦然。最后，根据行为金融理论解释了情绪对分析师偏差影响的内在原因。
标签：股票分析师论文; 控制变量论文; 投资分析师论文; 预测模型论文; 回归模型论文; 治理理论论文; 预测控制论文; 公司治理论文; 股票论文; 宏观经济论文; 分析师论文;
