证券分析师行业专长、预测准确性与市场反应,本文主要内容关键词为:分析师论文,专长论文,准确性论文,证券论文,行业论文,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。
分析师作为资本市场中的价值发现者和信息传递者,他们的分析报告无疑会对投资者的决策起到引导作用。然而,面对着市场上林林总总的分析报告,逐一仔细研读是不可能完成的任务,而不加筛选地直接采纳更是难以获得满意的投资收益。于是,如何迅速、高效地吸收分析师的研究成果进而指导自己的实际投资,已然成为广大投资者最关心的问题。诚然,从分析师的能力入手是最有效的解决办法。但是,由于缺乏合适的、令人信服的直接度量手段,在实际研究中,相关文献常以“是否是明星分析师”作为分析师能力的一种间接考察。然而,抛开国内媒体对明星分析师评选的疯狂炒作对其可信度的影响不提,评选在很大程度上只取决于分析师当年预测的准确性,具有很强的滞后性,并不能及时地指导投资者的投资行为,而采用上一年的评选结果作为替代变量在实际应用中的效果也并不理想(赵良玉等,2013)。因而,综合上述考量,显然在我国,用“是否是明星分析师”来衡量一名分析师的能力是不合适的。因此,急需寻找一个能够合理、有效度量分析师能力的事前指标。 行业专长是分析师能力的一个重要方面,在很大程度上决定了分析师获取行业信息的深度与宽度,同时,行业信息又是分析师进行评级和盈余预测的重要信息来源。通过对国内外已有文献进行系统性的梳理,本文发现,前人对于分析师行业专长的研究主要有两种范式:第一种范式是根据分析师对股票的评级构建两种“买入—卖出投资组合策略”,二者的区别在于是否区分了行业。通过对比这两种投资组合在一个月或更长的持有期内获得超额收益的大小,来验证分析师是否具有对股票排序的能力,从而证实了分析师行业专长的存在。此类研究范式的代表性人物有Boni & Womack(2006)和Kadan等(2012),他们分别从行业内和行业间证实了分析师行业专长的存在。这种研究范式存在的问题是它针对的是整个卖方分析师市场,无法度量每一位分析师的行业专长,更无法考察他们之间的差异。更早期的研究则采用的是另外一种研究范式,该范式找到一种合理的方式来度量每一位分析师的行业专长。Stickel(1992)在研究中对比了美国《机构投资者》杂志评选出的明星分析师与非明星分析师在股票预测方面的表现,结果发现,明星分析师的预测不仅更频繁,而且更准确。虽然是否为明星分析师并非行业专长的直接度量,但是,该文章采用的配对样本研究方法却能体现出分析师在某一公司甚至某一行业所展现的能力差异。Jacob等(1999)最早提出了分析师行业专长的度量方式,他们以分析师在t年对i行业跟踪的公司数占其跟踪公司总数的比例来度量该分析师在t年对i行业的专长,并将其作为分析师预测准确性的一个控制变量,实证检验得出二者之间存在显著正相关关系的结论。该方法从行业关注度的视角度量了分析师行业专长,其隐含的假设是每位分析师的精力是相同的。显然,该假设在现实生活中很难成立,因而仅从行业关注度的视角研究分析师行业专长并不可靠。Hilary & Shen(2013)定义了“MF-experience”指标来描述分析师观测到的某公司管理层预测的次数。他们认为,分析师对某公司管理层预测的解读能力有助于提高分析师对该公司所在行业内其他公司的预测准确性。虽然这种解读管理层预测的能力并不等同于行业专长,但是,却能够反映出分析师在行业内的从业经验以及对行业内信息的占有率,这也是影响分析师行业专长的另外两个方面。 本文的研究沿袭了第二种研究范式,在借鉴和总结前人研究的基础上,从行业占有率、行业关注度和行业经验三个维度度量了分析师行业专长,并实证检验了分析师行业专长与其预测准确性之间的关系。检验结果与预期相一致:分析师行业专长与预测准确性之间存在显著的正相关关系。在对分析师行业专长的度量进行了规模调整之后,结论依然稳健。 分析师的研究报告通过影响投资者对股票价值的判断,从而影响投资者的买入与卖出行为,最终体现在股票价格的波动上。尤其是研究报告中盈余预测的修正对股票价格的影响非常强烈,前人的研究也发现了分析师修正盈余预测引起市场反应的经验证据(Gleason & Lee,2003)。本文的实证结果表明,分析师行业专长能够影响其预测准确性,说明投资者可以把分析师行业专长作为评价研究报告质量的一个标准。接下来,本文关心的另一个重要问题是:资本市场中的投资者是否认识到了这一评价标准?换句话说,行业专长水平高的分析师出具的研究报告能否引起更强烈的市场反应?通过进一步的研究,本文发现,对于行业专长水平不同的分析师出具的研究报告,市场本身具有不同的反应,更重要的是市场反应对盈余预测修正的敏感性也会随着行业专长水平的高低而变化。 虽然国外学者较早地对分析师行业专长进行了有益的探讨,并且实证检验了行业专长与预测准确性之间的关系,但前人的研究均以发达国家的资本市场作为研究对象,对于正处于转型期的中国A股市场而言,已有的研究结论是否成立还是一个未知数。此外,先前的研究仅把行业专长作为一个控制变量,并未进行单独、深入的探讨,且研究的视角也比较单一,存在结论不够稳健的可能性。综上,本文的工作相对于已有的研究而言主要有以下三个方面的贡献:首先,本文首次对我国资本市场中的分析师行业专长问题进行了全面、深入的研究,不仅丰富了国内现有分析师领域的相关文献,更为后续的研究者提供了一个新的视角和切入点;其次,本文对行业专长的度量分别从三个维度展开,除了借鉴Jacob等(1999)提出的行业关注度之外,又创新性地提出了行业占有率及行业经验。三种方法分别从不同的维度度量了分析师行业专长,使得研究更加全面、细致,结论更加可靠、稳健;最后,以往对分析师的研究只停留在分析师阶段,并未考察投资者的市场反应。但本文认为,分析师主要的服务对象是广大投资者,因而所有与分析师有关的研究最终落脚点都应该在投资者身上。出于这一考虑,本文在检验了分析师行业专长与其预测准确性的关系之后,进一步探讨了投资者对此的市场反应,以期为市场中的投资者提供新的决策依据。这也是本文最大的意义与价值所在。 二、制度背景、理论基础与研究假设 从2005年起,国内资本市场飞速发展,上市公司的数量也随之激增,尤其是在第六次IPO重启(2009年7月1日-2012年11月15日)之后,上市公司数量的增长更是呈现出井喷的态势。根据国泰安(CSMAR)数据库首次公开发行数据的统计,在第六次IPO重启前,我国资本市场有1663家上市公司。而在IPO重启后,2009年有99家公司宣布上市,2010年有349家,2011年有282家,2012年有155家。这些投资标的数量的急速增长,也使得分析师研究报告的数量大幅增长。以2011年为例,分析师共发布有效预测报告40291份,较2008年增长94.32%,以2011年全年250个交易日计算,平均每个交易日会披露161份研究报告,当然这还并未包括行业、宏观及策略报告。面对着市场上层出不穷、林林总总的研究报告,投资者根本不可能去逐一阅读,而只能重点关注明星分析师的研究报告。 我国《新财富》杂志借鉴美国《机构投资者》杂志的做法,自2003年开始评选明星分析师。这一评选设在每年的九、十月份,由主办方征集海内外符合规则的机构投资者,如公募基金、私募基金、资产管理公司等,再由这些机构的基金经理或投资经理对参选的分析师进行投票评分,最终评选出若干名明星分析师。被评选出的明星分析师不仅会有大幅的奖金鼓励,更重要的是获得了市场对他们能力的肯定。在这种激励下,为了实现自身的价值,分析师们各显神通,从而导致评选存在严重的拜票和炒作行为。于是,每年的秋季就成了分析师们最忙碌的时候,除了到处拜票和路演之外,他们更是想尽一切办法在研究报告上做文章来吸引评委们的注意。分析师所提供产品的质量已经不是其能否上榜的决定性因素,更重要的是依靠人气以及所在券商的支持。市场中的这种氛围严重弱化了明星分析师身份与其预测准确性之间应有的正相关关系。这样的评选本身是否公平?明星分析师的头衔是否值得投资者信赖?明星分析师是否一定比非明星分析师预测的更准确?答案不言自明。 激增的研究报告数量使得投资者只能重点关注明星分析师的研究报告,而明星分析师的可信程度又让人不敢恭维。因此,目前亟须解决的问题就是:寻找一个能够合理、有效的度量分析师能力的指标。本文认为,行业专长是一个很好的选择:一方面,行业专长是分析师能力的一种重要体现;另一方面,在现有的理论和文献中能够找到有效的度量方法。本文根据前人的研究成果①提出以下三种行业专长的度量方式。首先,以梅森和贝恩等人为代表的哈佛学派提出的“结构—行为—绩效”的SCP分析范式认为,市场结构决定市场行为,并最终决定市场绩效。相应地,在分析师市场中,行业专长反映了特定行业中的结构。如果分析师在某行业拥有较高的占有率(与其他分析师相比,在该行业跟踪更多的上市公司),便可以利用其优势在该行业获得规模经济,从而低成本地收集行业中的信息,进而影响其绩效。于是,哈佛学派的SCP分析范式为本文的第一种度量方式——行业占有率,提供了理论基础。其次,芝加哥学派的代表人物斯蒂格勒则认为,市场绩效决定市场结构。由于市场中激烈的竞争,部分分析师通过主动增加对特定行业的投入,加深了对该行业的了解,获取了更多的信息,这些优势也促使分析师更加关注该行业,最终形成了更高的行业专长。本文采用的第二种度量方式——行业关注度,正是以这种观点为理论基础。最后,本文还增加了一种传统的度量方式——行业经验。 分析师行业专长是否影响,又如何影响其预测准确性呢?众所周知,分析师获取信息的渠道主要有两种:微观层面的公司信息和宏观层面的公司所属行业信息②。显而易见,分析师会优先搜集公司信息,因为公司信息是与盈余预测最相关的。然而,对于跟踪同一公司的不同分析师而言,分析师们获取公司信息的差异并不明显。于是,为了能在竞争中脱颖而出,分析师们往往会寻求行业信息作为补充以提高其预测准确性。因为同一行业的公司之间拥有共同的宏观经济因素、商业条件、技术以及成长机会,并且这些信息在行业之间可以互相传递(Hilary & Shen,2013)。行业专长恰好决定了分析师获取行业信息的深度与宽度,在控制了其他影响预测准确性的因素之后,行业专长能够影响分析师预测的准确性。因此,本文提出如下假设: :在控制了其他影响预测准确性的因素之后,分析师行业专长水平越高,其预测越准确。 如果行业专长能够影响分析师预测的准确性,说明投资者可以把行业专长作为评价分析师研究报告质量的一个标准。本文关心的另一个重要问题就是:投资者是否认识到了这一评价标准?换句话说,行业专长水平高的分析师出具的研究报告能否引起更强烈的市场反应?分析师发布的盈余预测实际上是一种对市场已有信息的修正行为,如果这种修正为市场带来了新的信息,必定会引起相应的市场反应。因为这种市场反应是投资者根据新的信息做出决策所导致的,所以,市场反应程度的影响因素除了新信息本身之外,还必须要考虑投资者对信息发布者的信赖程度。如果投资者能够把行业专长作为评价分析师能力的一个标准,那么行业专长水平高的分析师出具的研究报告会引起更强烈的市场反应。因此,本文提出如下假设: :行业专长水平高的分析师出具的研究报告会引起更强烈的市场反应。 三、研究设计 1.样本选取 本文以2007-2012年我国A股上市公司作为研究对象,选取分析师对上市公司的EPS预测数据作为研究样本,并按照表1中的条件对样本进行筛选。本文所用数据均来自国泰安(CSMAR)数据库。 2.模型设定与变量定义 对于假设,本文构建以下回归模型: 根据假设,分析师行业专长水平越高,其获取行业信息的能力越强,预测越准确。因此,预期为正。 对于假设,本文借鉴Gleason & Lee(2003)的研究,构建以下回归模型: 根据假设,行业专长水平高的分析师出具的研究报告会引起更强烈的市场反应。因此,预期为正。 参照Clement(1999)、Jacob等(1999)、Gleason & Lee(2003)和赵良玉等(2013)的研究,本文选取的变量如下: (1)分析师预测准确性(PMAFE)。考虑到不同分析师的预测准确性会因所跟踪的公司和预测年份的不同而不具有可比性,所以,本文借鉴了Clement(1999)和赵良玉等(2013)的研究,采用比例均值调整的方法来度量分析师预测的准确性。计算公式如下: 其中,是分析师i对公司j在t年预测误差的绝对值;是公司j在t年所有分析师预测误差的平均值,乘以-1是为了调整预测准确性与预测误差之间的反向关系⑧。 (2)超额累计收益(CAR)。本文采用短窗口期内规模调整的超额累计收益度量分析师修正预测引起的市场反应。该短窗口期包含三个交易日,分别为分析师预测当日以及预测前后各一个交易日。规模调整的计算方法是首先根据前一年年末总市值将市场中的股票等分为10组,然后分别计算股票i在窗口期的累计收益和股票i所在的组内所有股票在窗口期的加权平均收益r,最后用减去r即为规模调整的超额累计收益。 (3)分析师行业专长(Spec)。本文采用以下三种方式度量分析师行业专长:行业占有率,分析师在某行业内跟踪的公司数占该行业公司总数的比重;行业关注度,分析师在某行业跟踪的公司数占该分析师跟踪公司总数的比重;行业经验,分析师预测当日距离该分析师首次跟踪该行业的天数,再取自然对数。值得一提的是,为了便于考察分析师行业专长水平高低对股票市场反应的不同影响,本文在模型2中根据中位数将变量Spec变为哑变量,即Spec_dummy=1代表分析师行业专长水平高的组;反之,Spec_dummy=0。关于行业的划分,本文采用证监会2001年的行业分类标准。其中,除制造业使用次类行业外,其他行业均使用门类行业。 (4)分析师修正预测的创新性(Innovation)。本文以创新性度量分析师修正预测是否为市场带来新信息以及信息的“好坏”。本文选取了该分析师前一次预测和市场中分析师对公司的一致预测⑨作为两个标准。当分析师修正预测大于上述两个标准中的较高者时,为高创新好消息,Innovation=1;当分析师修正预测小于上述两个标准中的较低者时,为高创新坏消息,Innovation=-1;其他情况为低创新,Innovation=0。 (5)分析师报告公布日距离预测年度财务报告公布日的时间间隔(Horizon)。以二者间隔天数的自然对数度量。分析师预测距离年报公布日越近,分析师可获得的信息越充分,其预测越准确。因此,预期Horizon的系数为负。 (6)分析师特定公司经验(Fexp)。以分析师跟踪特定公司天数的自然对数度量。分析师跟踪公司的时间越久,经验越丰富,其预测越准确。因此,预期Fexp的系数为正。 (7)分析师投入的精力(Cover)。以分析师当年跟踪的公司数量度量。一方面,分析师跟踪的公司数量越多,其投入到每家公司的时间和精力越少,预测准确性越低;另一方面,在现实中,有能力的分析师往往会主动跟踪更多的公司。因此,分析师跟踪公司的数量越多,可能侧面反映了分析师的能力越强,进而伴随着更高的预测准确性。综上所述,暂时无法预期Cover的系数。 (8)分析师预测频率(Freq)。以分析师当年对公司发布的预测次数来度量。分析师对特定公司预测的次数能够反映该分析师对信息反映的及时程度,其预测越频繁,结果也越准确。因此,预期Freq的系数为正。 (9)是否是明星分析师(Star)。以是否是《新财富》杂志上一年评选的明星分析师来度量。明星分析师称号是对分析师能力的一种肯定。因此,预期Star的系数为正。 (10)分析师所在券商规模(Bsize)。以券商在当年拥有发布预测的分析师数量度量。券商的规模越大,分析师可利用的资源越丰富,其预测越准确。因此,预期Bsize的系数为正。 (11)分析师所在券商的行业专长(Bind)。以券商跟踪某行业的分析师数量占其分析师总数量的比重来度量。券商的行业专长越强,说明券商对该行业越重视,对该行业的信息获取越充分,预测越准确。因此,预期Bind的系数为正。 (12)分析师修正预测的方向和幅度(Revise)。以分析师修正预测与该分析师前一次预测的差值,除以修正预测前一交易日的股价度量。方向和幅度是修正预测的定量指标,在方向一致的前提下,修正的幅度越大,对股价的影响越大。因此,预期Revise的系数为正。 (13)公司信息环境(Coverage)。以当年跟踪某公司的分析师数量度量。公司所处的信息环境会影响价格对信息的敏感性。信息环境越好,公司股价的调整幅度越大,速度越快。因此,预期Innovation和Coverage交互项的系数为正。 针对模型1,本文采用比例均值调整的方法对所有非虚拟变量进行了公司和时间两个维度的调整,因而未再加入公司和时间层面的控制变量。而对于模型2,本文除了加入控制年度和行业的虚拟变量外,还加入了控制公司层面特征的规模(Size)和成长性(BM)变量,分别以公司前一年年末总市值和账面市值比的自然对数度量。 3.描述性统计 表2的Panel A是模型1中变量的描述性统计。总体看来,除了Star变量外,其他变量经过比例均值调整后均值为零,统计指标仅代表相对大小,并无实际意义。虽然大多数变量的均值为零,但是,标准差却是显著异于零的,说明样本之间具有差异性,符合回归分析的基本要求。Star变量的均值为0.11,表明本文的样本中大约有11%的分析师为明星分析师,这与实际情况基本吻合,也说明本文所选样本的分布比较均匀。 模型2中主要变量的描述性统计列示于表2的Panel B。通过简单的描述性指标和对详细数据的梳理,可以看出,在本文选取的样本中CAR的分布比较均匀,投资CAR为正的公司最高可以获得约14%的超额累计收益,而投资CAR为负的公司最低的超额累计收益为-10%。本文还发现,市场中分析师的预测趋于保守,创新性不高。在创新性较高的预测中,“坏消息”的比例明显高于“好消息”,本文分析这可能是因为大多数分析师在初始预测时过于乐观,因而,导致之后的预测随着信息修正向实际情况回归。样本中公司所处的信息环境较好,平均每家公司有17位分析师跟踪,被高于8位分析师跟踪公司占总样本的75%以上,其中,最吸引分析师关注的公司被63位分析师跟踪。 本文检验了模型1和模型2中各变量的相关系数,限于篇幅,在此并未列示具体结果。相关系数检验的结果显示,除了Bind变量外,其他变量与PMAFE的相关性符合本文的预期,尤其是以不同方法度量的分析师行业专长Spec均与PMAFE存在正相关关系,初步验证了假设。其次,本文发现,CAR与Innovation、和存在正相关关系,但是,与却呈现负相关关系,这可能与投资者对分析师行业专长的认知有关,有待于在回归中进一步检验,相关系数结果整体上与假设相符。最后,各变量之间的相关系数均小于0.6,VIF值均小于10,应该不存在严重的多重共线性问题。 四、实证结果与分析 1.单变量分析 表3列出了模型1的单变量分析结果。本文分别以分析师行业专长(Spec)的均值和中位数为标准,将行业专长水平分为高低两组。行业专长水平高的组记为1组,行业专长水平低的组记为0组,再通过T检验及秩和检验对比两组样本之间预测准确性(PMAFE)的差异。以Panel A为例,本文首先采用行业占有率作为行业专长的度量方式,根据其均值将样本分为两组,如表中所示,1组的均值和中位数分别为0.0594和0.2,均在1%的显著性水平下高于0组的-0.0407和0.1304,这与本文的预期一致。为了保证分析的稳健性,本文又将分组的依据换为行业占有率的中位数,结果不变。按照上述方法,本文在Panel B和Panel C中分别检验了行业专长的另外两种度量方式,结果均与假设相符,表明在不考虑其他因素的条件下,分析师行业专长水平越高,其预测越准确。按照上述方法,本文同样对模型2进行了单变量分析,结果基本与本文的假设相符,不再赘述。 2.多变量回归分析 本文采用多变量回归作为最后的检验。表4列示了模型1的回归结果,其中,Model A~Model C是将分析师行业专长的三种度量方式分别作为模型1的解释变量所得出的回归结果,而Model D~Model F是Model A~Model C经过robust调整后的结果。从Model D~Model F的结果中可以发现,行业占有率()、行业关注度()和行业经验()的回归系数均在1%的水平下显著异于零,这充分说明分析师行业专长能够影响其预测准确性。 变量Horizon的回归系数显著为负,与预期符号一致,说明分析师预测时点距离年报披露日的时间越近,分析师可以获得的信息越充分,其预测越准确。Fexp的回归系数符号与预期相反,且在1%的水平下显著,说明对于特定公司而言,分析师能获取的信息是一定的,跟踪该公司时间的长短并不能影响其预测准确性。变量Cover的回归系数显著为正。这意味着,在我国有能力的分析师往往会主动跟踪更多数量的上市公司。这也与假设不谋而合,可能是分析师认识到跟踪的公司数量会影响其获取信息的多少。Freq的回归系数显著为正,与预期相符。说明分析师对特定公司预测的次数能够反映该分析师对信息反映的及时程度,其预测越频繁也越准确。大多数人认为,明星分析师的预测更准确,但是,在本文的检验中,变量Star却显著为负,这充分说明,并非明星分析师的预测更准确,或者说明星分析师并不是在所有行业都预测更准确。券商特征Bsize和Bind的回归系数均与本文的预期不符,这说明在我国,券商对分析师预测准确性的影响与西方存在较大的差异。 表5是模型2的多变量回归结果,变量Innovation的回归系数显著为正,说明分析师修正预测的创新性与其所引起的市场反应显著正相关。具体来说,相比于低创新而言,高创新好消息能够引起更强烈的正向市场反应,而高创新坏信息则带来更强烈的负向市场反应。分析师行业专长与创新性的交互项的回归系数显著为正,这说明在上述关系存在的前提下,行业专长水平高的分析师发布的修正预测能够引起更强烈的市场反应,也表明这样的修正预测更加能被投资者认同。同时,本文也发现,以行业占有率来度量的行业专长却不存在这种现象(Model A和Model D的结果并不显著),本文分析认为,这是由于投资者并未发现行业占有率可以体现分析师行业专长水平的高低,所以,导致投资者并不会更加关注行业占有率高的分析师发布的修正预测。 变量Revise的回归系数并不显著,说明相对于定量指标(Revise),投资者更关注定性指标(Innovation),这也与市场中的实际相吻合。Coverage的回归系数为正,说明跟踪某公司的分析师越多,该公司的信息环境就越好,信息传递也越及时。Innovation×Coverage的回归系数显著为负,说明在信息环境差的公司中,分析师修正预测的创新性能引起更强烈的市场反应。本文还发现,公司规模越小、账面市值比越大的公司,市场反应越强烈。 五、稳健性检验 本文选取行业占有率和行业关注度这两种比例型指标度量分析师行业专长有一个隐含的前提假设:资本市场中的公司是无差异的。所以,在计算行业专长时,本文对不同的公司赋予相同的权重。但实际上,不同公司对分析师行业专长的贡献是有差异的,这种差异主要体现在信息含量上,而公司规模很大程度上决定了信息含量的多少。以往的研究也表明,分析师倾向于跟踪规模较大的公司,这说明公司规模可能会影响分析师获取的信息含量,进而影响其行业专长。为了使研究结论更加稳健,本文重新计算了经规模调整⑩后的行业占有率(AD_)和行业关注度(AD_),回归结果如表6所示,基本结论未发生改变,不再赘述。 六、研究结论与启示 行业专长作为分析师能力的一个重要方面,对分析师自身和投资者都有重要的意义。然而,由于度量等方面的困难,以往关于分析师行业专长的研究并不多见。本文从行业占有率、行业关注度和行业经验三个维度度量了分析师行业专长,并利用我国A股上市公司2007-2012年的分析师预测数据,考察了分析师行业专长与其预测准确性之间的关系以及由行业专长引起的市场反应。经过实证检验,主要得出以下两点结论:第一,在控制了其他可能影响预测准确性的因素之后,分析师的行业专长与预测准确性之间存在正相关关系,即行业专长水平越高,分析师预测越准确;第二,分析师修正预测的创新性与其所引起的市场反应显著正相关,这种现象在行业专长水平高的分析师中尤为显著。 分析师作为资本市场信息传递的桥梁,其预测准确性影响着资本市场中的资源配置。然而,在信息繁多的资本市场中,投资者可以用来在事前判断分析师预测准确性的依据却是凤毛麟角。本文的研究表明,分析师行业专长可以作为投资者事前判断分析师预测准确性的标准,并且部分投资者已经认识到这一点。本文还发现,投资者对于分析师行业专长的认识主要表现在分析师对该行业的关注和经验,似乎还没有发现分析师对某行业信息的占有程度也是行业专长的一种体现。对行业专长的全面认识有助于投资者更好地进行决策,更有助于券商和分析师主动建立和培养行业优势,合理配置现有的分析师资源。目前关于分析师行业专长的研究还处于起步阶段,由于种种原因,本文还无法找到一个单独的指标来全面、准确地度量行业专长,这也是未来的研究方向。 ①与文章的第一部分相对应,第二种度量方式直接采用Jacob等(1999)的研究,第一种和第三种度量方式借鉴了Hilary & Shen(2013)的定义“MF-experience”的研究思路。 ②为了便于分析,本文未考虑分析师通过非正规渠道获取的内幕信息,因为内幕信息的存在并不影响本文的研究结论。 ③本文所选分析师预测数据包括证券代码、报告公布日、预测终止日、研究机构代码、分析师姓名(仅选取第一位分析师姓名)和每股收益。缺失任何一项则定义为预测数据缺失的样本。 ④上市公司可能会被一位或多位分析师跟踪,并对其未来三年甚至更长时间的EPS进行预测。考虑到分析师预测的时间间隔会显著影响其预测准确性,所以,本文仅选取分析师对上市公司当年EPS的预测(当年1月1日到当年年报公布日)。 ⑤分析师在一年中可能会对所跟踪的上市公司进行多次预测,而相比之前的预测,距离年报公布日最近的一次预测更能反映分析师预测的真实水平。 ⑥为了保证事件的“干净”,本文剔除了同一公司窗口期有重叠的预测样本。 ⑦为了保证分析师预测准确性之间具有可比性,本文采用比例均值调整的方法来控制时间和公司层面的固定效应。 ⑧模型1中其他非虚拟变量的计算与上述公式一致,但并未乘以-1调整方向。 ⑨一致预测为截至某一时点,跟踪该公司的所有分析师预测的均值。 ⑩为了使样本量与前文保持一致,采用当年年末市值作为度量公司规模。标签:股票分析师论文; 投资分析师论文; 行业分析师论文; 预测模型论文; 证券论文; 回归系数论文; 股票论文; 证券分析师论文;