学术文献研究系列第32期：分析师的盈利预测是否受到友商预测结果的影响？

分析师的盈利预测是否受到友商预测结果的影响？ 本文探讨了卖方证券分析师是否存在“社会学习”行为，即分析师（设为分析师A）对某公司（将其称为目标公司）的当期盈利预测是否受到友商分析师上期对该分析师（即分析师A）覆盖的其他股票（非目标公司）的盈利预测偏差影响。本文发现： 1）分析师对目标公司的乐观程度（使用预测偏差和相对预测偏差衡量）与上期友商分析师在该分析师覆盖的其他股票上的预测偏差负相关，这意味着，如果友商分析师上期对其他股票盈利预测偏离实际盈利过高，分析师就会调整他们的乐观程度，对目标公司发布相对保守的预测； 2）在本文中，如果新的预测既高于分析师前期的预测，又高于实际业绩公布前的一致预期，则被归类为激进的正面预测；如果预测既低于分析师前期的预测，又低于实际业绩公布前的一致预期，则被归类为激进的负面预测。当上期友商分析师对该分析师覆盖的其他股票发布较为激进的预测时，分析师更有可能对目标公司做出激进的预测。 本文的结果表明，分析师会受到友商分析师预测偏差的影响。一个自然的后续问题是，这些互动是否会提高他们的预测准确性。从分析师的预测效果来看，“社会学习”使分析师受益，并提高了他们的预测准确性，即基于友商分析师预测偏差的调整可以减少分析师的预测偏差。 风险提示：本报告基于相关文献，不构成投资建议。 文献来源 文献来源：Kumar A,Rantala V,Xu R.Social learning and analyst behavior[J]. Journal of Financial Economics, 2022. 文献亮点：本文探讨了卖方证券分析师是否存在“社会学习”行为，即分析师（设为分析师A）对某公司（将其称为目标公司）的当期盈利预测是否受到其他分析师上期对该分析师（即分析师A）覆盖的其他股票（非目标公司）的盈利预测偏差影响。本文发现： 1）分析师对目标公司的乐观程度（使用预测偏差和相对预测偏差衡量）与上期友商分析师在该分析师覆盖的其他股票上的预测偏差负相关； 2）在本文中，如果新的预测既高于分析师前期的预测，又高于实际业绩公布前的一致预期，则被归类为激进的正面预测；如果预测既低于分析师前期的预测，又低于实际业绩公布前的一致预期，则被归类为激进的负面预测。 当上期友商分析师对该分析师覆盖的其他股票发布较为激进的预测时，分析师更有可能对目标公司做出激进的预测。 本文的结果表明，分析师会受到友商分析师预测偏差的影响。一个自然的后续问题是，这些互动是否会提高他们的预测准确性。从分析师的预测效果来看，“社会学习”使分析师受益，并提高了他们的预测准确性。 卖方股票分析师利用不同来源的信息提高他们的预测能力。随着竞争的加剧，分析师可能会利用另类和专有的数据来源来获得竞争优势。尽管如此，公开的信息源仍然是他们进行预测时的重要参考。 本文研究了卖方证券分析师是否存在“社会学习”行为，即分析师（设为分析师A）对某公司（将其称为目标公司）的盈利预测是否受到友商分析师对该分析师（即分析师A）覆盖的其他股票的预测结果影响。本文认为卖方股票分析师存在“社会学习”行为以提高他们的预测表现。具体来说，本文的主要猜想是，分析师对目标公司的盈利预测会受到友商分析师对该分析师覆盖的其他股票的观点的影响。由于精力有限，分析师可能会更多地关注自己覆盖的公司，对于非自己覆盖的公司关注较少。 在一个无摩擦的世界里，所有分析师的预测都是公开信息，如果分析师对某一公司的预测包含与其他公司相关的信息，所有关注这些其他公司的分析师应该以同样的方式对这些信息做出反应。相反，本文假定分析师的信息集将存在异质性，这是由他们的覆盖组合的差异所引起的。特别是，分析师可以获得友商分析师对该分析师覆盖股票的预测和偏差，而这些信息可能会影响分析师对目标公司的预测。 例如，如果其他分析师对该分析师覆盖的其他公司盈利存在系统性高估（低估），那么分析师可能对目标公司的预测偏悲观（乐观）以修正其他分析师的偏差。 如果有分析师大幅偏离了大家的一致预期，那么其他分析师可能会效仿这种行为，对目标公司做出激进的预测。 图1：预测的乐观程度 图2：激进的预测 数据 数据来源 本文的主要数据来源是I/B/E/S的季度盈利公告和相关盈利预测。此外还使用了CRSP的股价数据，以及Compustat的财务报表和公司位置数据。样本期为1984-2017年。本文排除了被编码为匿名的分析师，还排除了单个季度只有一个分析师提供预测的公司，以及只覆盖一家公司的分析师。与之前的研究一致，对于每个分析师，只考虑盈利公告日之前的最新预测。 衡量预测的乐观程度和激进性 本文使用预测偏差指标来度量分析师的预测乐观程度，其算法为预测每股收益（EPS）与实际EPS之间的差值。本文基于分析师的相对差值来刻画分析师的乐观程度：预测偏差为正且取值越高，则认为分析师的预测越乐观。 作为衡量乐观程度的另一种方式，本文使用分析师的盈利预测和一致预期之间的差值除以股价。这种衡量方法可以捕捉到盈利公告前的乐观程度。本文将一致预期定义为盈利公告日之前的分析师最新预测的中位数。本文省略了股票价格低于10美元的观察值。 为了度量分析师的激进性，我们使用如下衡量标准，如果新的预测既高于分析师前期的预测，又高于实际业绩公布前的一致预期，则被归类为激进的正面预测；如果预测既低于分析师前期的预测，又低于实际业绩公布前的一致预期，则被归类为激进的负面预测。 描述性统计 如下表，A组展示了分析师覆盖股票的季度观察情况。平均而言，分析师在一个季度内发布7.6个盈利预测。分析师覆盖股票的行业集中度很高，平均来看，单个分析师只会覆盖2个行业（Fama-French 49个行业）。 图3：分析师覆盖的股票组合 在本文的实证中，一个重要的问题是关注相同公司的分析师的覆盖组合的重叠程度。本文使用Szymkiewicz-Simpson重叠系数来衡量分析师覆盖股票组合的相似性，该系数被定义为两个投资组合之间相同公司的数量除以较小投资组合中的公司数量。本文基于跟踪该股票的所有其他分析师计算平均重叠系数，在计算关注公司j的分析师i的系数时，本文剔除了公司j本身，也就是说，跟踪公司j的两位分析师之间的系数是基于两个组合中的其他公司求得的。 上图的A表显示，投资组合的平均重叠率为34.1%，中位数为32.4%。换句话说，如果两个分析师关注同一家公司，通常情况下，他们投资组合中的其他公司约有三分之二是不同的。重要的是，系数值显示，在跟踪同一公司的分析师之间存在明显的非重叠覆盖。上图的B表报告了关于分析师特征的统计数据。 下图的A表报告了预测偏差和预测乐观程度。为了提高可读性，这些数值被乘以100。平均预测偏差为-0.046，中位数为-0.044。相对于一致预期的平均乐观程度为-0.039，中位数为零。下图的B表显示了激进的正向和负向预测的汇总统计。平均而言，8.4%的季度公司-分析师预测观察值被归类为激进的正面预测，14.4%被归类为激进的负面预测。 图4：预测特征的描述性统计 实证结果 排序结果 本文首先根据友商分析师预测偏差（PeerForecastErrors预测分为十组，PeerForecastErrors ）将分析师的盈利衡量分析师i在第t季度跟踪的其他公 i,j,t−1 i,j,t−1 司的平均预测偏差。友商分析师预测偏差是根据上一季度的盈利公告衡量的，使用截至盈利公告前90天的样本期进行计算。例如，如果分析师i在t季度跟踪了j、k和l公司，那么PeerForecastErrors就被计算为其他分析师在t-1季度对k和l公司的平均预测偏差。 i,j,t−1 下图显示了每个分组中的分析师相对于一致预期的平均乐观程度。除了前三个分组的预测乐观程度变化不大之外，乐观程度随着PeerForecastErrors而单调地下降。这种递减模式表明，友商分析师对该分析师覆盖股票的预测偏差与下个季度分析师的乐观程度负相关。 i,j,t−1 图5：分析师预测乐观程度与友商分析师预测偏差 下图基于上一季度友商分析师对分析师覆盖的其他股票预测的激进性将盈利预测分成10组。可以看到，友商分析师对分析师覆盖的其他股票预测的激进性越强，分析师做出激进预测的概率也更大，这也意味着激进预测存在一些自相关性。 图6：分析师激进预测与友商分析师激进预测之间的关系 预测乐观程度的回归估计 本部分使用一系列的回归来研究友商分析师的预测偏差和分析师预测乐观程度之间的关系。这些回归中的因变量是分析师i对公司j在t季度的盈利公告的相对预测乐观程度。主要解释变量PeerForecastErrors衡量其他分析师在前一 i,j,t−1 季度对该分析覆盖的其他公司的平均预测偏差。回归指标还包括控制变量，即分析师自己在上一季度对其他公司的平均预测偏差OwnOtherForecastErrors，以及分析师自己之前对目标公司的预测偏差OwnPreviousForecastErrors。 i,j,t−1 i,j,t−1 所有的回归设定都包括收益公告固定效应，以控制所有可能影响分析师预测偏差的特定公司和时间的因素。这意味着本文隐含地控制了所有的公司特征和上一季度公司的平均预测偏差。本文还包括了公司-分析师的固定效应来控制分析师自己对公司的平均预测偏差。 下图展示了这些预测乐观程度的面板回归的估计值。在A表中，因变量是相对于实际盈利的预测偏差，而在B表中，乐观程度是相对于一致预期的指标。可以发现，主要的解释变量PeerForecastErrors 在所有的估计中都为负且显著。 i,j,t−1 系数值在-0.004和-0.010之间，t值在-2.4和-5.1之间变化，并且表A和B之间的差异很小。这意味着，如果友商分析师在上一季度过于乐观（过于悲观），分析师就会调整他们的乐观程度，发布相对更悲观（乐观）的预测。 图7：乐观程度的回归估计 有趣的是，与友商分析师的错误相比，分析师自己以前对目标公司和其覆盖的股票组合中的其他股票的预测偏差的系数为正，而且是显著的。这些乐观程度的回归估计值表明，分析师根据观察到的其他人的错误来调整他们的预测，但他们并没有从自己过去的错误中学习。 预测激进性的回归估计 在本节中，本文研究了友商分析师预测的激进性是否影响了分析师预测的激进性。本文进行了季度的面板回归，分别对激进的正向预测和激进的负向预测进行了估计，如果分析师在该季度发布了激进的预测，则因变量取值为1。 主要的解释变量是PeerBoldPos 和PeerBoldNeg ，以衡量友商分析师在被计 i,j,t−1 i,j,t−1 上一季度对分析师覆盖股票中的其他公司的预测激进性。PeerBoldPos i,j,t−1 算为在上一季度至少发布一次激进正面预测的分析师的占比， 而PeerBoldNeg则根据激进负面预测进行类似计算。这些平均数是基于单个分析师-公司的观察。此外还包括一个虚拟变量，如果分析师本人在前一个季度发布了激进的预测，那么这个虚拟变量的值为1。这些回归包括收益公告的固定效应和分析师-公司的固定效应。 i,j,t−1 图8：预测激进性的回归估计 上图的结果显示，如果许多友商分析师在上一季度发布了相同方向的激进预测，那么分析师就更有可能发布激进的正面和负面预测。在以激进正面预测指标为因变量的回归中，PeerBoldPos 的系数在0.008和0.010之间，t值在2.3 i,j,t−1 和2.8之间。在解释激进负面预测的相应回归中，PeerBoldNeg 的系数值在 i,j,t−1 0.015和0.017之间，t值在4.8和5.3之间。这些结果表明，某种程度上友商分析师的模仿在负面预测中更有力。第（3）栏的系数进一步表明，激进的负面预测并不能预测分析师的激进正面预测，反之亦然。 社会学习和预测准确性 到目前为止，本文的结果表明，分析师会受到友商分析师预测偏差的影响。一个自然的后