“学海拾珠”系列之一百一十三：明星分析师能否在糟糕的信息环境中做出更好的覆盖决策？

金融工程 专题报告 明星分析师能否在糟糕的信息环境中做出更好的覆盖决策？ ——“学海拾珠”系列之一百一十三 主要观点： 报告日期：2022-10-26 分析师：严佳炜 执业证书号：S0010520070001邮箱：yanjw@hazq.com 分析师：吴正宇 执业证书号：S0010522090001邮箱：wuzy@hazq.com 相关报告 1.《隐藏在日历异象背后的市值效应 ——“学海拾珠”系列之一百零�》 2.《基金公司内部的竞争与合作——“学海拾珠”系列之一百零六》 3.《不同的回撤指标之间存在差异性吗？——“学海拾珠”系列之一百零七？》 4.《低频交易的主动基金业绩表现如何？——“学海拾珠”系列之一百零八》 5.《被动投资对共同基金管理能力和市场效率的影响——“学海拾珠”系列之一百零九》 6.《共同资金流Beta与因子定价— —“学海拾珠”系列之一百一十》 7.《分析师反应不足和动量策略 ——“学海拾珠”系列之一百一十一8.《股票短线交易与收益异象——“学海拾珠”系列之一百一十二》 本篇是“学海拾珠”系列第一百一十三篇，笔者通过“分析师覆盖决策的质量”这一指标来评估明星和非明星分析师的绩效。研究发现，明星分析师的覆盖决策比非明星分析师更能预测收益，这表明明星分析师拥有高超的信息处理技能。对于信息不透明的股票，明星分析师覆盖决策对回报的预测性更强。总之，明星分析师更善于发挥信息中介的作用，这不仅可以促进投资者的资本分配，也可以促进市场效率的提高。回到A股市场，分析师数据一直以来都拥有独立的增量信息，如何在信息不透明的公司中进一步挖掘alpha来源是未来值得研究的方向。 明星分析师的覆盖决策比非明星分析师更能预测收益 股票的高覆盖率表明分析师坚信该股票未来会有很高的回报率，而明星分析师拥有高超的信息处理技能，覆盖决策包含的信息量比非明星分析师更大。因此，明星分析师的覆盖决策比非明星分析师更能预测收益。 对于信息不透明的股票,明星分析师覆盖决策回报的预测能力更强明星分析师覆盖决策的信息含量取决于公司的信息环境，不透明的信 息环境会导致更多的错误定价，从而为明星分析师提供了更多的机会来利用他们高超的信息处理技能，进一步丰富了覆盖决策的信息内容，并最终提升了覆盖决策回报的预测能力。 非明星分析师覆盖决策包含的信息是明星分析师覆盖决策内容的子集 明星分析师在媒体上的巨大曝光率使得非明星分析师可以很容易地观察和跟踪明星分析师的覆盖决策，因此，他们很有可能会直接模仿明星分析师的覆盖决策。 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 敬请参阅末页重要声明及评级说明证券研究报告 正文目录 1引言4 2文献综述7 3研究背景、数据描述和实证模型7 3.1研究背景7 3.2数据与样本8 3.3估算明星分析师和非明星分析师的异常覆盖率8 3.4统计摘要9 4结果10 4.1异常覆盖率和未来收益10 4.2错误定价的校验12 4.3横截面异质性14 4.4进一步分析15 4.5稳健性检验16 5结论17 风险提示：17 图表目录 图表1样本公司的数量8 图表2估算明星和非明星分析师的覆盖率及汇总统计10 图表3不同基金风格的竞争格局11 图表4按明星型和非明星型异常覆盖率排序股票组合的风险调整收益12 图表5按明星型和非明星型异常覆盖率排序的股票组合的风险调整收益12 图表6预测公司的基本业绩13 图表7财报公布日前后的回报率14 图表8横截面异质性14 图表9来自三个准自然实验的证据15 图表10进一步分析：非明星分析师覆盖决策的信息内容16 图表11稳健性检验17 1引言 明星分析师的表现是否优于非明星分析师？虽然有证据表明，明星分析师做出的盈利预测更加准确，推荐的股票也更有价值（Stickel，1992；Desai等人，2000；Loh和Stulz，2011；Fang和Yasuda，2014），但机构投资者对分析师的排名被批评为“人气竞赛”，排名反映的仅仅是券商对分析师的认可而非分析师的卓越表现 （Emery和Li，2009；Brown等人，2015）。与之前的研究不同，笔者是根据“分析师做了什么”来评估分析师的表现。笔者这套评估方法背后的原理是，拥有高超信息处理技能的分析师可以通过识别股票（未来表现更好）来做出高质量的覆盖决策 （李和苏，2017）。因此，可以通过分析覆盖决策的信息内容来评估明星分析师是否拥有超高的信息处理技能。 通过覆盖决策来比较明星分析师和非明星分析师的表现是一种比较中肯的方式，原因主要有三点。首先，由于存在利益冲突，分析师的盈利预测及建议可能存在偏颇，而覆盖决策很多的反映了分析师为选择未来业绩优异的股票而所作的努力 （McNichols和OBrien，1997；Hayes，1998；Irvine，2003；Lee和So，2017）。第二，资源有限的分析师更偏爱前景光明的公司，因为这些公司更愿意分享信息，使分析师更容易预测收益（Das等人，2006）。第三，对一家公司的覆盖决策反映了分析师对该企业未来业绩的真实看法（见Kothari等人（2016）的评论），并且分析师会将该企业的业绩信息传递给市场投资者。因此，通过分析“分析师做了什么”为比较明星分析师与非明星分析师的表现提供了一种新思路。 分析师识别股票（指未来业绩表现优异的股票）的能力是不同的（Leone和Wu，2007；Fang和Yasuda，2014；Guan等人，2019）。经验丰富的分析师更能识别并覆盖未来表现优异的低价股票。反过来，熟练分析师的覆盖决策将有助于预测回报 （Hong，Lim和Stein，2000；Lee和So，2017），这意味着覆盖决策的质量高。相比之下，虽然具有相同的想法，但能力低下的分析师很难识别出这样的低价股票。因此，覆盖决策的质量可以作为一个绩效指标来评估明星和非明星分析师识别错误股票的能力。 为了能够通过实证来衡量覆盖决策的质量，笔者采用了Lee和So（2017）研发的覆盖决策模型。特别是，笔者将覆盖决策分解为：（i）可归因于公司特征的固定部分，以及（ii）由分析师对公司未来业绩的预判部分，即异常覆盖。一只股票的高异常覆盖率表明分析师坚信该股票未来有很高的回报率（LeeandSo,2017）。在明星分析师拥有高超信息处理技能的前提下，明星分析师的异常覆盖率中所包含的信息会比非明星分析师的异常覆盖率中所包含的信息更丰富。因此，笔者预计明星分析师的异常覆盖率会比非明星分析师的异常覆盖率具有更强的预测作用。 笔者的研究侧重于国内明星和非明星分析师的表现，原因有三。首先，国内企业 对信息的自愿披露意愿及透明度相对较低（Morck等人，2000；Piotroski等人，2015）。国内资本市场的不透明性使得卖方分析师在发挥其信息中介作用时面临挑战（Chan和Hameed，2006；Xu等人，2013）。此外，在缺乏强有力的执法和投资者保护的背景下，社会关系作为国内重要的非正式规则（Gold等人，2002），可能会影响分析师的意见。例如，国内分析师倾向于对与他们有关系的基金经理所持有的股票发 出看好的建议（Gu等人，2019）。因此，在这样的背景下，分析师特别是明星分析师作为信息中介的表现如何，是一个实证性问题。其次，与机构投资者占主导地位的美国股市不同（Aggarwal等人，2011），国内股票市场散户占比超过了50%，并占 交易的大多数（Carpenter和Whitelaw，2017；Jia等人，2017）。一般来说，信息 量较小的散户投资者会要求卖方分析师提供更多信息。因此，研究分析师在国内股市中所作覆盖决策包含的信息内容对学术界和从业者都特别有意义。第三，三个案例，包括中国放松卖空管制、谷歌退出中国等（见4.3.2节），使笔者能够解决内生性问题。 笔者通过分别为明星和非明星分析师构建异常覆盖率指标来开始分析。基于 Lee和So（2017）的研究，首先，笔者将原始覆盖率表示为相关分析师（即分析师 -预测对）的盈利预测的数量之和。其次，笔者将覆盖率的异常部分估计为原始覆盖率对公司特征（即公司规模、股票营业额和过去业绩）的月度横截面回归残差。为了研究明星和非明星分析师覆盖决策的质量，笔者评估了每个分析师组的异常覆盖率预测收益的能力。笔者基于每个分析师组的异常覆盖率将样本股票分为十等分，通过分析发现明星分析师和非明星分析师的异常覆盖率都能预测下个月的回报，这与 分析师的覆盖决策包含未来公司业绩信息的概念一致。 为了比较明星分析师和非明星分析师异常覆盖率的收益预测能力，笔者进行了双重排序。首先，笔者根据明星分析师的异常覆盖率将股票分成四分位，然后在每个四分位中，笔者根据非明星分析师的异常覆盖率将股票也分成四分位（即4×4组 合）。笔者发现，在控制了明星分析师的异常覆盖率后，非明星分析师的异常覆盖率不再能预测未来收益，这说明非明星分析师覆盖决策所包含的信息内容并没有超过明星分析师所含信息。然后笔者颠倒了双重排序的顺序，即首先非明星分析师的异常覆盖率进行排序，然后在每个四分位数内根据明星分析师的异常覆盖率进行排序。在控制了非明星分析师的异常覆盖率后，明星分析师的异常覆盖率仍然是未来收益的一个强有力的预测因素，这说明明星分析师的覆盖决策包含的信息内容比非明星分析师更多。为了控制可能影响未来收益的公司特征，笔者对覆盖率指标进行了Fama-MacBeth回归分析。笔者发现，只有明星分析师的覆盖率与未来回报率有明显的正相关。总之，笔者的研究发现明星分析师的异常覆盖率是预测未来收益的主要因素，这表明明星分析师比非明星分析师拥有更好的信息处理能力。 接下来，笔者探讨明星分析师的覆盖决策是通过什么机制来预测收益的。首先，笔者研究明星分析师是否能够预测公司基本业绩的改善。与基于错误定价的解释一致，明星分析师的覆盖决策可以预测由F-score所代表的企业未来两年基本业绩，并且与标准化的预期外盈余、分析师预测修正和分析师预测误差正相关。第二，笔者研究了财报公布日回报的可预测性。投资者可能对明星分析师覆盖决策传达的有关公司基本面的重要信息反应不足。当新信息（如财报公布）到来，投资者会更新他们的看法，由此产生的定价不足将被纠正（如Noh,So和Verdi,2021）。与这一机制相一致的是，笔者发现明星分析师异常覆盖率高的股票在财报公布日的回报率高于非公告日。总的来说，这些结果表明，明星分析师异常覆盖率回报的可预测性是由投资者对基本信息反应不足所驱动的。 笔者进一步探讨明星分析师覆盖决策与未来收益之间的横截面异质性，并预测明星分析师覆盖决策的信息含量是否取决于公司的信息环境。特别是，不透明的信息环境导致了更多的错误定价，为明星分析师提供了更多的机会来利用他们的技能，从而丰富了他们覆盖决策的信息内容。相反，在透明的信息环境中，价格更有可能反映公司的内在价值，这可能会抢占明星分析师覆盖决策中的信息（例如，Frankel等人，2006；Loh和Stulz，2011；2018）。与这个推测一致，笔者发现明星分析师覆盖决策回报的可预测性对于信息不透明的股票（即较小的公司，没有机构所有权的公司，以及回报波动性较高的公司）更强。 然而，由于衡量信息不透明标准（如公司规模）的内生性，笔者观察到的横截面 差异可能有偏差。为了缓解这一问题，笔者利用了三个案例，对卖空试点计划的分析是非常有必要的，因为当公司的股票可做空时，潜在的卖空威胁将遏制基金误导投资者的动机，并改善公司的信息环境（Massa等人，2015；Fang等人，2016；Tsai等人，2021）。相反，谷歌退出中国大陆，增加了投资者获取信息的成本（Xu等人，2021），并恶化了公司的信息环境。笔者通过这三个实验来研究信息环境的外生变化对明星分析师覆盖决策回报的预测性的影响。 笔者发现，在放宽卖空限制之后，明星分析师的覆盖决策对收益的预测能力大大减弱。然而，在谷歌退出中国大陆后，明星分析师覆盖决策回报的可预测性明显加