券商可信度、证券分析师荐股绩效差异与利益冲突

1、券商可信度、证券分析师荐股绩效差异与利益冲突王宇熹1肖峻2陈伟忠3吴佳4摘要 本文利用2006-2008年35家券商公开发布的分析师推荐评级调整样本,检验了券商荐股评级统计分布特征是否能够有助于投资者预测分析师荐股的获利潜力,研究结果表明:券商推荐评级分布信息对于投资者预测分析师荐股评级调整的短期与中长期绩效有重要参考价值,该信息可以提升投资者甄别不同可信度分析师荐股绩效的能力。除此之外,本文还发现了证券分析师利益冲突并不一定损害投资者利益的经验证据,为进一步深入思考分析师利益冲突来源及其对投资者利益的影响机理提供了新的视角,是对分析师利益冲突与荐股业绩关系问题等现有研究文献的重要补充。关键词

2、 证券分析师;券商可信度;荐股评级;绩效差异;利益冲突;中图分类号 F230 文献标识码:A(作者单位王宇熹,上海工程技术大学管理学院;肖峻,江西财经大学金融学院;陈伟忠,同济大学经济与管理学院;吴佳,上海证券有限责任公司Broker Credibility, Analysts Recommendation Performance Difference and Interest ConflictWang Yuxi, Xiao Jun, Chen Weizhong, Wu JiaAbstractIn this paper ,We have used the analysts stock rati

3、ng change samples from 35 brokers between 2006 and 2008 to test whether the distribution information of brokers stock rating can help investors to forecast the profit potential of analysts recommendations, our research results show that the distribution information of brokers stock rating have impor

4、tant reference value for investors to forecast analysts rating change performance in short term and long term. This information can improve investors distinction ability of analysts recommendation performance with different credibility. Furthermore,we have revealed empirical evidence that analysts i

5、nterest conflict do not always harm investors interest. This evidence provide a new perspective to analyze the source of analysts interest conflict and its impact on investors interest. It is also an important supplement for the contemporary literature of analysts interest conflicts.*本研究得到国家自然科学基金项目

6、(70671075资助,教育部人文社会科学研究项目(08JC790068,券商可信度、证券分析师荐股绩效差异与利益冲突*一、引言近年来,证券分析师荐股评级的客观性和研究报告荐股评级背后可能存在的利益冲突是否会损害投资者利益已日益受到质疑。Hamid Mehran(2007对近年大量有关金融机构利益冲突文献进行梳理后给出了利益冲突的经济学定义:“利益冲突是一方可以采取对另一方不利的行动而获得潜在利益的交易。”一般认为,证券分析师利益冲突的主要来源有四种:一、券商研发部门与经纪投行业务部门之间缺乏防火墙,出现投行业务关联(affiliated。分析师被禁止发布对投行客户(跟踪的上市公司不利的报告或

7、被迫发表一些并不客观的报告,以维系良好的客户关系,促进所在机构投行业务、经纪业务的开展。二、机构投资者投票权。由于明星分析师往往由机构投资者投票选出,因此分析师必须讨好机构投资者,对于机构重仓持有的股票,往往不愿意发布卖出评级。三、出于个人业绩的压力,分析师必须维护上市公司管理层之间的信息渠道。证券分析师的研究报告是公司选择投资银行时重点考虑的因素,公司管理层往往会封锁对那些曾发布过对公司不利分析师的信息沟通渠道,分析师发布较为乐观的报告有利于他们接触所研究公司的管理层。四、个人利益。分析师个人持有或其利益共同体持有被研究公司股票,就有动机发布不公正的报告(往往是过度乐观误导投资者为其牟利。分

8、析师荐股业绩评价理论是研究证券分析师利益冲突的重要手段,首先根据不同的利益冲突来源标准对分析师样本进行分组,分为有利益冲突和无利益冲突两组,再分别利用两组分析师的推荐评级构建投资组合,检验两组在未来超额收益之间存在的差异。Womack(1999研究发现有投行业务关联的分析师股票推荐显示出了明显偏差,但市场并没有对该偏差内容作出完整反应。美国证监会2003年对全美证券分析师作了历史上最大规模调查后于出台了“全球研究分析师法案”(Global Research Analyst Settlement,其调查动因也是认为大多数投资者没有考虑到卖方分析师所面临的投行业务利益冲突,其可能导致分析师误导投资

9、者作出次优甚至错误投资决定。国外无论是研究人员还是监管部门对于分析师利益冲突的理解主要侧重于投资银行业务关联:券商可能会通过其分析师向投资者提供某上市公司有偏的研究(过度乐观,获得额外证券承销收入的直接利益。值得注意的是,Hamid Mehran(2007发现虽然有关分析师利益冲突的研究文献很多,结论却并不一致;总体而言,绝大部分研究并没有发现分析师投资银行业务关联利益冲突会对投资者产生系统和持续性负面影响。类似的,Jonathan Clarke等(2007通过对更换券商的全明星分析师研究后发现,没有证据显示发布乐观盈余预测和股票推荐的跳槽分析师会对券商的投资银行业务量产生影响。Alexand

10、er(2007则发现对机构投资者高度透明的股票中,卖方分析师的有偏预测和误导概率较低,也许机构投资者对明星分析师的投票权或交易佣金分配权影响了分析师的误导行为。Agrawal和Chen(2007的研究并没有发现有利益冲突分析师发布的乐观股票推荐会误导投资者的证据。已有国内学者对我国证券分析师荐股评级超额收益进行了检验。宋军,吴冲锋(2003发现股评家的短期预测平均而言是未来大盘收益率的反向指标。胡亦明等(2003*本研究得到国家自然科学基金项目(70671075资助,教育部人文社会科学研究项目(08JC790068,对证券分析师的信息解读能力进行了调查。王宇熹、肖峻、陈伟忠(2006以申银万国

11、研究所的2000年7月至2004年7月所有的调研报告与深度报告作为研究的样本来研究分析师的推荐报告对于投资者的投资价值。研究发现分析师买入推荐股票平均在推荐事件期后3个月内跑赢了大盘,卖出推荐股票在推荐事件期后3个月跑输了大盘,而中性推荐股票在事件后基本上和大盘涨跌保持一致。因此认为申银万国研究所的分析师的买入和卖出的建议有投资价值,中性推荐建议有参考价值。徐谡,曾勇(2006在研究了牛熊市行情下分析师股票推荐前后的走势及投资者买卖倾向。朱红军等(2007研究了分析师提高我国资本市场效率所发挥的作用。王宇熹;肖峻;陈伟忠(2007以新财富杂志最佳分析师为例对我国证券分析师荐股绩效量化统计评估方

12、法进行了研究。储一昀;仓勇涛对分析师预测价格的可信度进行了实证研究。刘昶等(2008分析了分析师利益冲突和分析师投资建议的信息含量。徐立平等(2008对证券分析师荐股的市场影响能力进行了研究。于静,陈工孟等(2008研究了最佳分析师能否战胜市场。张雪兰等(2008对近期证券分析师利益冲突的相关文献进行综述基础上,分析了实证结果与监管当局观点之间存在差异的原因,并据此提出了若干利益冲突监管政策调整思路。上述国内外有关分析师业绩的理论研究大都采用实证手段,其成果有利于证券分析师荐股业绩评价理论的推广应用,但绝大部分是从分析师角度出发,基于有利益冲突和无利益冲突两组分析师样本进行对比,分析师利益冲突

13、来源的标准并不统一,且没有文献对分析师利益冲突的严重程度大小进行直接测度。由于分析师利益冲突的来源很多,如投行业务关联,机构投资者的明星分析师投票权,机构投资者的经纪业务分配,分析师自我经济利益等等,这些利益冲突同时存在且交叉影响,而国内外学者对于分析师利益冲突影响其行为的研究策略和算法多为启发性的,并没有达成一致,缺乏稳定性的保证。因此从研究分析师利益冲突来源角度出发来检验两组在未来超额收益之间存在的差异,难以保证结论的稳健性。不同于以往从分析师角度出发的研究文献,在考虑到券商分析师评级分布特征与投资者之间存在的信息不对称基础上,本文从投资者角度出发,选择券商评级可信度作为投资者区分分析师荐

14、股评级质量的一个重要标准进行实证分析。券商评级可信度是指分析师所属券商在某季度发布的买入推荐占该季度所有推荐总数的百分比。选择该指标的原因基于Asquith(2005和Jegadeesh(2004研究发现资本市场对分析师“调高”和“买入”的反应远不如对“调低”和“卖出”的反应,分析师的“调高”和“买入”评级可信度比“调低”和“卖出”评级更低。对投资者而言,由于信息不对称导致其无法鉴别每次分析师荐股评级背后可能存在的利益冲突,因此其只能够通过可获得的有限经验信息去作出推断:某券商的“调高”和“买入”评级比例越高,意味着该券商越不愿意发布“调低”和“卖出”评级;该券商所雇分析师的荐股也就越不可信,

15、评级背后存在的利益冲突可能性越大;否则,分析师荐股越可信,评级背后面临的利益冲突可能性越小。在目前分析师利益冲突来源影响机理尚未明晰的前提下,选择券商可信度作为分析师利益冲突的间接测度指标,可巧妙回避分析师利益冲突来源不清的难题;利用五分位分组,我们的研究方法还首次对分析师利益冲突的严重程度大小进行了五档测度。本文研究目的是检验券商荐股评级统计分布特征是否能够有助于投资者预测分析师荐股的获利潜力,在此基础上同时检验证券分析师利益冲突与投资者利益之间的联系。我们根据券商评级可信程度作为分组标准,首先对市场效率展开研究,检验资本市场在短期窗口内对不同券商荐股评级统计分布信息作出何种反应?反应是否有

16、差异?其次从投资者角度,我们还研究了具有高比例买入评级券商推荐股票投资价值是否一定就低?换句话说,投资者参照高利益冲突的分析师股票推荐进行投资其投资利益是否一定会受到损害?研究结论表明券商推荐评级分布信息对于投资者预测分析师荐股评级调整的短期与中长期绩效有重要参考价值;该信息可以提升投资者甄别不同可信度分析师荐股绩效的能力,除此之外,与Barber (2006的发现不同,我们还发现了证券分析师的利益冲突并不一定损害投资者利益的经验证据。本文的贡献在于将市场效率和利益冲突的研究放在我国券商分析师和投资者之间存在严重信息不对称背景下进行。尽管券商对于他们发布信息中的“买入”或“强烈买入”信息较高比

17、例有多种可能解释,我们认为投资者在面对来自不同研究机构的分析师荐股评级时,有必要同时获取该研究机构近期所有推荐评级的比例信息,并将这一比例可能带来的偏差考虑进投资行为。本文关于证券分析师推荐评级的中长期绩效差异检验结论,证实了分析师利益冲突对投资者利益不一定构成负面影响,为我们进一步深入思考分析师利益冲突来源及其对投资者利益的影响机理提供了新的视角与证据,是对分析师利益冲突与荐股业绩关系问题等现有研究文献的重要补充。本文的研究结论有助于帮助研究人员更深入理解证券分析师在证券市场这一个巨大的柠檬市场中扮演的信息传递关键角色,并且能帮助投资者正确使用分析师的研究报告、提高资本市场配置资源的效率。本

18、文按照如下安排: 第一节为引言, 第二节为样本选择、变量定义与描述性统计, 第三节为单个券商评级可信程度的可持续性检验, 第四节为证券分析师推荐评级公告日的短期绩效差异检验, 第五节为证券分析师推荐评级的中长期绩效差异检验, 第六节为研究结论。二、样本选择、变量定义及描述统计(一样本选择财务数据源自CSMAR财务报表数据库,对于含有财务数据因子计算,剔除了前视偏误(look-ahead bias影响;个股及市场交易数据来自CSMAR中国股票市场交易数据库且按照以下原则选择样本: (1 个股及市场交易数据年度定义为本年5月初到次年4月底;(2 排除IPO公司首月数据;(3 排除金融类公司;(4排

19、除变量缺失数据的样本;(5剔除连续停牌三个月以上公司。证券分析师荐股评级样本来自巨灵数据库,本研究中分析师样本选择区间为2006年1月至2008年6月,共计25109条分析师推荐样本数据。参照国际通用First Call 分析师数据库评级方法,我们对巨灵数据库五档评级进行5分制量化处理,用“1”代表“买入”,“2”代表“增持”,“3”代表“中性”,“4”代表“减持”,“5”代表“卖出”。(二变量定义与描述性统计表1提供了巨灵数据库分析师样本的描述性统计量。2006年1月至2008年6月期间,巨灵数据库记录了来自35家券商的超过25000条分析师推荐评级数据,这些数据覆盖超过1000家沪深上市公

20、司。表1从左至右显示了每半年发布的分析师总推荐样本数目;分析师推荐评级调高至买入、增持、中性、减持样本数目;分析师推荐评级调低至增持、中性、减持、卖出样本数目;在巨灵数据库中至少被分析师覆盖一次公司的总数;券商总数;研究区间内平均评级(算术均值。表1 巨灵数据库分析师样本描述性统计量时间区间分析师推荐样本数调高评级样本数调低评级样本数覆盖公司数分析师所属券商数目平均评级(五分制2006.1-2006.6 1227 89 38 404 33 1.57 2006.7-2006.12 2201 100 61 514 34 1.532007.1-2007.6 1335 23 18 472 33 1.5

21、1 2007.7-2007.12 3274 82 63 629 35 1.542008.1-2008.6 17172 427 659 772 35 1.88 合计25109 721 839 1095 35 1.61为了直观研究分析师荐股评级的统计分布特征,我们用图1来描述2006年1月至2008年6月巨灵数据库中所有分析师股票评级的分布特征与变化情况。从06年第1季度到07年第2季度末,“买入”评级占所有推荐样本的比例从78.1%增加至93%。与此同时,“持有”评级从21.2%降至6.4%,卖出评级从0.7%降至最低点0.2%,再上升至期末的0.6%。从07年6月开始,趋势发生了反转,“买入”

22、评级比例从93%下滑至08年6月底的82.7%,“卖出”评级则从0.6%下降至0.2%再增加至0.7%,“持有”评级从6.4%稳定上升至16.6%。或许我们能从证券市场指数走势中找到评级分布反转现象的原因:07年9月份之前,沪深 图1 分析师评级与沪深300指数(右轴统计分布图注:(1为了方便分析,在图1中我们将“买入”和“增持”样本合并为“买入”,将“减持”和“卖出”样本合并为“卖出”评级,(2值得指出的是,目前国内有部分券商仍然采用三档评级标准。(3时间区间为2006至2008年6月中的10个季度。300指数一路单边上扬,尤其在07年第三季度,市场上升幅度最快。此时分析师群体对市场未来的走

23、势预期开始出现分歧,买入评级比例出现小幅下降。市场拐点在07年底确定后,市场的深度调整改变了分析师对上市公司未来绩效的预期,“买入”评级从92.1%大幅下降至82.7%,但同期“卖出”评级却没出现大幅度上升,仅上升了0.5个百分点,与此同时,“持有”评级的比例却出现了大幅度上升。我们发现绝大多数的分析师在市场下跌过程中,宁可给出“持有”评级,也不愿意给出“卖出”评级。该现象与Womack(1996,1999,Barber (2001,2006的研究发现一致,而产生这种现象的原因,很有可能来源于分析师的利益冲突。为检验券商股票评级统计分布和分析师推荐收益之间的关系,在每个季度末,我们根据券商在本

24、季度发布买入推荐占该季度所有推荐总数的百分比即券商评级可信程度进行升序排序。券商按照五分位组进行划分,将排序最低的券商划入第一组,更高的券商划入更高分位组,最高的券商为第五组。每组中的单个券商在这里被设为阀值,调整边际阀值确保在季度末各组中所有券商发布的推荐样本之和大致相等,等于该季度所有分析师推荐样本数的五分之一。表2提供的是券商评级可信程度五分位组描述性统计量。第二列显示第一五分位组(最可信的季度平均买入推荐百分比为73.24%,第五五分位组(最不可信的季度平均买入推荐百分比为95.19%。最可信组的季度平均推荐评级为1.93,而最不可信组的季度平均推荐评级为 1.60。最不可信组的券商数

25、目最多,且券商数目第二组为最可信组。最不可信组覆盖公司的平均流通市值在五组中最低。对分组数据做深入分析后,我们还发现最可信组中的小券商数目相对较多,可能因为与大券商相比,小券商能够获得的投行业务利益冲突较少,因此小券商施加给其雇佣的分析师压力较小,小券商分析师不用刻意调高评级,来维护其与“卖出”评级公司的管理层关系。表2 券商评级可信度五分位组描述性统计量有利五分位数季度平均买入推荐百分比季度平均推荐评级季度平均券商数目季度平均推荐数目覆盖上市公司的平均流通市值(元1(最可信73.24% 1.93 7 520 16,505,561,9102 84.02%1.86551217,106,598,7

26、40 3 88.28%1.83451117,026,990,590 4 90.84%1.62651216,838,407,810 5(最不可信95.19% 1.60 10 491 16,399,171,740注:(1“季度平均买入推荐百分比”是分别计算06年1月至08年6月10个季度末的所有买入推荐数目除以全部推荐数目比值,再取其算术平均值。(2“季度平均荐股评级”则分别计算10个季度内所有推荐评级均值后,再取其算术平均值。(3“季度平均券商数”为给定五分位组在季度末所包括的不同券商数目在10个季度内的均值。(4“季度平均推荐数目”为给定五分位组在季度末所包含的分析师推荐数目在10个季度内的均

27、值。三、单个券商评级可信程度的可持续性检验为避免券商荐股评级分布与分析师推荐收益之间存在随机因素导致伪相关(spurious,我们需要先对单个券商评级可信程度的可持续性进行检验:如果不同券商的评级标准存在系统性差异,则会发现每个券商的买入百分比的可持续性证据;如果不存在系统性差异,则意味着不同券商评级分布差异是由于随机因素导致,也就意味着存在伪相关。我们先分别计算季度T内的第i个五分位组的单个券商从第T期至样本期末的各季度买入推荐百分比,然后再取所有T季度第i个五分位组的全部券商推荐百分比的算术均值,结果如表3所示。表3 券商评级可信程度五分位组在每个季度T至样本期末的平均买入百分比券商评级可

28、信程度五分位组季度 第一五分位(最可信% 第二五分位(%第三五分位(%第四五分位(%第五五分位(最不可信%T 73.08 84.88 90.73 94.68 98.53 T+1 81.41 88.45 89.99 92.19 93.07 T+2 87.31 88.91 91.99 89.81 90.42 T+3 87.53 90.41 89.62 90.21 91.38 T+4 87.42 91.84 88.37 89.45 91.83 T+5 87.60 89.38 87.24 90.59 90.59 T+6 85.98 89.72 87.68 90.46 87.82 T+7 83.93 8

29、6.48 85.62 88.08 85.45 T+8 80.52 84.94 79.36 84.03 84.01 T+9 72.33 83.59 83.03 82.65 83.44 注:由于分析师样本期从2006年1月至2008年6月,因此季度最大取值范围从T到T+9。以06年1季度为例,季度取值范围从T到T+9,08年2季度取值范围则为T,以此类推。我们发现五组数据的买入推荐比例在样本期内出现了围绕均值的有限反转。季度T的买入百分比取值范围从73.08%至98.53%缩小到两年半以后T+9期的72.33%至83.44%,最可信五分位组券商平均买入推荐百分比在T+1至T+8两年内总变动幅度为0

30、.89%,平均持续性季度变动幅度0.11%。而最不可信五分位组券商平均买入推荐百分比在T+1至T+8两年内总变动幅度为9.06%,平均持续性季度变动幅度1.13%。对最不可信五分位组券商和最可信五分位组券商的买入推荐比例之间存在的连续差异检验结果显示我国不同券商的荐股评级标准存在持续性差异,因此排除了券商荐股评级分布与推荐收益之间存在随机因素导致伪相关的可能性。四、证券分析师推荐评级公告日的短期绩效差异检验为间接验证有效市场理论(EMH,在券商评级可信程度五分位分组基础上,本节通过检验在不同组券商分析师推荐股票在公告日后的短期收益是否存在差异,寻找荐股评级统计分布信息能否体现在市场价格对分析师

31、新发布推荐评级反应中的证据。我们的研究基于以下假设:券商的可信度越高,其分析师的推荐评级越客观,平均绩效相对不可信券商分析师应该越高,分析师推荐股票过程中误导投资者的可能性也就越低。在研究对象选取上,借鉴Jegadeesh等(2004发现推荐评级变动比推荐评级本身对超额收益有更好的预测能力以及Barber等(2006发现推荐评级变动对超额收益具备更强解释能力的经验,本文也使用分析师推荐评级变动样本作为研究对象。巨灵数据库分析师投资评级样本中包含研究报告中的个股投资评级、上次评级和个股评级变动数据信息,分析师推荐评级变动包括调高、维持、调低三档。首先,我们将推荐评级变动样本分为四类子样本:1、调

32、高至增持或买入;2、调低至中性、减持或卖出;3、首次或恢复买入、增持评级;4、首次或恢复中性、减持、卖出评级。以评级调高子样本为例:我们使用推荐公告日评级调高后股票i的市场调整后收益作为分析师荐股业绩的代理因变量_i Analyst perform 对若干控制变量进行回归。Barber等(2001,Stickel(1995,Womack(1996均发现小公司股价对分析师推荐评级的反应比大公司更强烈,因此使用公司规模的对数ln 作为第一控制变量(_i Corp Size 。Barber等(2000还发现大券商比小券商对分析师推荐评级反应更大,进一步会影响股票超额收益。因此使用券商规模的对数ln(

33、_i Broker Size 作为第二控制变量。为检验券商推荐调整可信度(前期买入推荐比例高低对推荐后期超额收益的影响,我们引入哑变量,代表除最不可信程度之外的四种不同的券商评级可信程度。对于评级调高样本,为比较“调高至买入”和“调高至增持”两类样本对超额收益的增量影响高低,我们还引入了哑变量。得到回归方程(1ki Credit i Upgrade 41_ln(_ln(_i i i k k i i Analyst perform a b Corp Size c Broker Size d Credit eUpgrade =+ (1ki在这里是推荐公告日评级调高后股票i 的市场调整后收益(股票i

34、 推荐公告日考虑现金红利再投资的日个股收益率减去沪深两市A 股总市值加权考虑现金再投资的综合日市场收益率;代表股票规模,为评级调高股票i 公告日前一天收盘市场价值的自然对数;_i Analyst perform ln(_i Corp Size ln(_i Broker Size 代表券商规模,为调高股票i 评级券商在该季度发布的所有研究报告数量的自然对数;为券商评级可信程度哑变量,根据券商在本季度发布的买入推荐占该季度所有推荐总数的百分比进行升序排序后,对券商按照五分位组进行划分,当对股票i 调高评级的券商前一季度可信程度五分位组数等于k 时(k=1,4,取1,否则取0。如果股票i 的评级调高

35、为买入,哑变量取值为1,否则取0,而ki Credit ki Credit i Upgrade i 是推荐i 的回归残差。与方程(1类似,针对调低至中性、减持或卖出子样本,我们用“评级下调至中性”、“评级下调至卖出”两个哑变量取代了方程(1中的评级上调哑变量,如果股票i的评级下调为中性,哑变量取值为1,否则取0;如果股票i的评级下调为减持,哑变量取值为1,否则取0。针对首次或恢复买入、增持评级子样本,我们用“首次评级为买入”i DownToNeutral i DownToSell i DownToNeutral i DownToSell _i Initiation Buy 哑变量取代了方程(1

36、中的评级上调哑变量;如果股票i的评级为首次或恢复买入评级,_i Initiation Buy 哑变量取值为1,否则取0,针对首次或恢复中性、减持、卖出评级子样本,我们用“首次评级为中性”_i Initiation Neutral 、“首次评级为卖出”_i Initiation Sell 两个哑变量取代了方程(1中的评级上调哑变量;分别得到回归方程(2、(3、(4,利用四类子样本数据进行回归后,结果如表4所示。41_ln(_ln(_i i i k ki k i i i Analyst perform a b Corp Size c Broker Size d Credit eDownToNeut

37、ral fDownToSell =+ (241_ln(_ln(_i i i k k i i Analyst perform a b Corp Size c Broker Size d Credit eInitiation Buy =+ (341_ln(_ln(_i i i k k i i i Analyst perform a b Corp Size c Broker Size d Credit eInitiation Neutral fInitiation Sell =+ (4ki ki在每次回归中,我们发现覆盖公司和券商规模控制变量显著不等于零,并且系数符号相一致。在全部四类子样本中,ln

38、 回归系数的符号与截距项相反,这意味着在评级修订公告日,被跟踪公司规模越大,市场调整后的股票收益反应的绝对值越小;而被跟踪公司规模越小,市场调整后的股票收益反应的绝对值就越大。在评级调低至中性、减持或卖出子样本和首次/恢复中性、减持、卖出评级子样本中,ln (_i Corp Size (_i Broker Size 回归系数的符号与截距项相同,这意味着在第二类、第四类子样本公告日,分析师所属券商的规模越大,市场调整后的股票收益对其反应的绝对值越大。值得注意的是,在评级调高至买入、增持子样本和首次/恢复买入和增持评级子样本回归结果中,我们还发现ln(_i Broker Size 回归系数符号和截

39、距项相反,这意味着券商规模越大,分析师评级修订公告日的市场调整后收益绝对值越小,资本市场对于第一类、第三类推荐评级子样本中大券商分析师的短期反应要低于其对小券商分析师的短期反应,可能的解释是大券商雇用的分析师人数众多且发布研究报告频率高,间隔短,价格贵,普通投资者不易获取,获取时间与报告发布日之间也存在时滞。而表4 四类子样本的分析师评级公告日市场调整后超额收益回归结果第一类子样本第二类子样本 第三类子样本 第四类子样本 评级调高至 买入、增持 评级调低至 中性、减持或卖出首次/恢复买入、增持评级 首次/恢复中性、减持、卖出评级系数 t 统计量系数 t 统计量系数 t 统计量系数 t 统计量I

40、ntercept3.773 2.08 -6.825-4.66 2.816 4.37 -5.340 -3.18ln(_i Corp Size-0.071 -0.620.157 1.72 -0.078-2.050.043 1.54 ln(_i Broker Size-0.336-2.14-0.143-1.61 -0.195-3.60-0.215 -1.78哑变量第一五分位组(最可信 -0.726 -1.690.842 2.06 -0.157-0.93-0.021 -1.06第二五分位组 -0.244 -1.510.313 1.97 -0.194-1.110.425 2.06 第三五分位组 0.92

41、5 1.77 1.248 2.87 -0.285-1.560.232 1.93 第四五分位组 0.069 0.22 1.964 2.98 0.244 1.49 0.767 2.87 哑变量 评级调高至买入 0.240 1.78 哑变量 评级下调至持有 3.389 3.73 评级下调至减持 2.470 3.16 哑变量 首次/恢复买入 0.149 2.01 哑变量 首次评级为中性 5.282 5.85 首次评级为减持 4.093 2.35 调整后2R 3.67% 2.84% 5.29% 10.51% 样本数目 6734561634846注:在本表回归结果中,市场调整后超额收益的单位为百分比。小券

42、商雇用的分析师人数较少,研究报告发布的频率虽然较低,但价格便宜(甚至免费,普通投资者更容易获得。回归结果显示哑变量的系数为正,意味着分析师评级上调至“买入”比评级上调至“增持”导致了更强烈的市场反应,但市场调整后增量收益相对较低,为0.24%。哑变量显示下调评级至中性比下调评级至减持导致的市场反应要更强烈,且市场调整后的增量收益为3.39%。哑变量系数显示,评级下调至卖出和评级下调至减持的平均市场负面反应存在较大差异。i Upgrade i DownToNeutral i DownToSell _i Initiation Buy 哑变量系数显示首次或恢复买入评级比首次或恢复增持评级导致的市场反

43、应要高出约0.15%。首次/恢复中性和减持评级分别比首次/恢复卖出评级要高出5.28%和4.09%的负面市场反应。与我们期望不同,回归结果显示在评级调高至买入、增持组中,从不可信第四五分位组到最可信第一五分位组,券商可信程度哑变量系数并没有全部为正数递增,反而递减,甚至出现了负值,在第一五分位组中负值绝对值达到最大,为-0.726。这意味着投资者对最可信券商调高至买入、增持评级的平均公告日反应要比最不可信券商更负面,相同条件下最可信券商分析师荐股的短期业绩最低,而可信度中等券商分析师业绩最高。这意味着我国投资者对面对评级调高至买入、增持信息短期反应中,投资者在考虑券商可信度的影响时,与我们的期

44、望假设相反,投资者可能从自身的投资经验积累中已经发现最不可信券商(大券商的买入、增持评级的平均公告日超额收益要高于最可信券商,因此市场反应由正面转向负面。类似的,在首次/恢复中性、减持、卖出评级样本回归结果中,第一五分位组(最可信组的系数为负,其余为正,且在第四五分位组达到最大值0.767%,这意味着投资者对来自最可信的券商分析师首次/恢复中性或调低评级时的正面反应比最不可信券商的分析师的正面反应要更低。与评级调高信息不同,在这里系数为负意味着投资者面对来自不同券商的首次/恢复中性、卖出评级作出迅速反应时的判断正确,投资者在面对这类评级调整信息时考虑进了券商的客观性和可信程度信息,并作出了合适

45、的市场反应。首次/恢复买入、增持样本组中的回归中券商评级可信程度哑变量系数t 检验值均不显著,这说明对该类评级调整样本的市场反应一般与券商评级分布无关。在评级调低至中性、减持或卖出样本回归结果中,券商评级可信程度哑变量系数绝大部分都是显著为正值,意味着市场对调低评级的负面价格反应绝大多数是针对最不可信五分位组(第五五分位券商分析师评级调整。第四五分位组系数为正值最大值,意味着该组券商分析师评级向下修订引发了最小的负面市场反应,比最不可信五分位组券商分析师评级调低的市场反应要低1.96%。从上表中不难发现,投资者对那些最不愿意发布持有和卖出评级券商(可信度最低的分析师评级调低信息短期反应最强烈。

46、ki Credit ki Credit ki Credit 为保证研究结论的稳健性,我们采用两种方法进行了鲁棒性检验,第一种方法针对样本期内各类券商的五分位组样本,分别计算其公告日平均市场调整后收益,计算结果显示不同的四类子样本中的收益分布与表4的回归结果类似;此外,我们对分别在回归方程(1,(2,(3,(4中增加了账面市值比作为自变量进行回归,计算出不同五分位组的市场调整后收益分布与表4亦基本类似,进一步表明了本节结果的稳健性,在此不再赘述。五、证券分析师推荐评级的中长期绩效差异检验为进一步研究券商评级分布信息是否有助于投资者预测其分析师推荐评级的中长期绩效差异,在券商评级可信程度五分位分组

47、基础上,我们从投资者的角度出发,采用日历时间研究法,通过计算每个分组中四类分析师推荐子样本的买入并持有组合(共20种投资组合的收益,比较在不同可信度券商(五分位组分析师推荐评级中长期推荐收益之间可能存在的差异。为方便理解如何计算投资组合收益,我们以第一五分位组券商的调高评级样本为例:在对第t季度末该组中每个券商确定其在t+1季度做出的评级上调修订,评级上调股票将会在推荐发布日进入该调高评级样本投资组合,并剔除推荐发布首日股票收益。如果有超过一个券商对于某只股票评级进行上调,该股票将在投资组合中对应出现多次。投资组合假设对每次评级上调进行等金额投资,在第t天的投资组合收益由下式给出: 11t t

48、n itit i n it i x Rx = (5在(5式中,it R 是评级上调股票i第t天总收益,是投资组合中评级上调股票数目,t n it x 是评级上调股票i从评级上调交易日到第t-1日的连续复利累计收益(当股票在第t-1日评级上调时,变量it x 等于1。构造的评级上调投资组合每日都进行更新,同时将评级下调股票从投资组合中剔除,该模型计算结果将产生评级上调投资组合的日收益时间序列。其余19种投资组合也是通过类似方法构造。投资组合风险调整后绩效由三种方式计算获得,第一种是市场调整后的日平均超额收益。计算方法是用我们构建的投资组合日收益减去考虑现金再投资的沪深两市综合日市场回报率(总市值

49、加权平均法。第二种方法是借鉴Fama&French (1993三因子模型估计以下日时间序列回归模型(6,截距项j 为超额收益: (j t ft j j mt ft j t j t R R R R s SMB h HML jt =+ (6第三种方法是利用Carhart (1997提出的四因子模型截距项j 作为超常收益。四因子模型主要被国外金融研究人员用作评价证券投资基金业绩,基金业绩评价的实质是对基金经理(买方分析师业绩进行评价。本文在这里借鉴该模型对卖方分析师业绩进行评价,通过估计每种投资组合j的日时间序列回归得到方程(7:(j t ft j j mt ft j t j t j t R

50、 R R R s SMB h HML w WML jt =+ (7在这里,j t R 是投资组合j的日收益,通过方程(5计算求得;ft R 是日度化无风险利率,无风险利率基准是银行一年固定利息,根据复利计算方法将年度的无风险利率转化为日度数据;mt R 是考虑现金再投资的沪深两市综合日市场回报率(总市值加权平均法;tSMB 是日度规模效应因子,将t日所有上市公司股票按市值从小到大排列,用位于下位30%的股票加权平均收益率减去位于上位30%的股票加权平均收益率而得到;是日度价值效应因子,将t日所有上市公司股票按净值与市值比例从小到大排列,用位于上位30%的股票加权平均收益率减去位于下位30%的股

51、票加权平均收益率而得到;t HML t WML 是日度价格动量因子,将所有上市公司股票按t-1日至t-20日(上月的收益率从小到大排列,用t日上位30%的股票平均收益率减去下位30%的股票平均收益率而得到;回归中的误差项由jt 表示。截距项j 为投资组合j的超常收益,在这里作为分析师长期业绩的代理变量。回归结果如表5所示,面板A、B、C、D分别代表分析师推荐评级变动四类子样本。通过对比三因子模型和四因子模型回归结果,不难发现总体而言,日度价格动量效应对日度超常收益影响幅度绝对幅度并不算大,但日度价格动量因子的引入,确实对投资组合超常收益产生了一定影响。由于在不同的面板A、B、C、D和不同的五分

52、位组,日度价格动量因子对超常收益的影响幅度相对有高低且影响方向并不一致,因此以下对超常收益回归结果的分析以四因子模型为主:对于分析师评级调高到买入或增持子样本,尽管原始收益近似相同,但最可信券商五分位组买入并持有投资组合的日平均超常收益为0.222%,而最不可信券商组为0.301%,两组之差为-0.079%,换算成月度差异(一个月平均20个交易日,两组的差异为-1.58%。值得注意的是,与Baber(2006的发现不同,在评级调高子样本中并没有出现我们期望的随着券商评级可信程度不断下降,市场调整后收益和超常收益递减的现象。市场调整后收益最大值和超常收益最大值则出现在第三五分位组,值得指出的是,

53、第二五分位组的三类收益值均为最低值,且与最高值第三五分位组相差较大。面板A的回归结果意味着投资者遵循分析师评级调高到买入或增持推荐进行投资,无论发布推荐的券商可信度高低,投资组合日度原始表5 买入并持有投资组合日平均收益计算结果券商可信度五分位组原始收益市场调整收益Fama-French三因子模型超常收益 t值 Carhart 四因子模型超常收益t值面板A:评级调高到买入或增持第一五分位组(最可信0.524 0.239 0.248 4.550.222 3.66第二五分位组0.478 0.201 0.213 3.060.218 2.84第三五分位组0.590 0.315 0.338 5.210.

54、323 4.48第四五分位组0.537 0.267 0.275 4.200.270 3.72第五五分位组(最不可信 0.521 0.268 0.290 3.740.301 3.51最可信减最不可信组 0.003 -0.029 -0.042 - -0.079 -面板B:评级调低至中性或减持、卖出第一五分位组(最可信0.540 0.269 0.277 5.560.263 4.75第二五分位组0.512 0.252 0.266 2.040.284 1.97第三五分位组0.453 0.183 0.196 2.010.157 1.47第四五分位组0.276 -0.028 -0.013 -0.11-0.0

55、57 -0.43第五五分位组(最不可信 0.289 0.068 0.081 0.550.111 0.70最可信组减最不可信组 0.251 0.201 0.196 - 0.152 -面板C:首次/恢复买入、增持评级第一五分位组(最可信0.554 0.281 0.290 5.650.277 4.85第二五分位组0.555 0.262 0.258 6.710.240 5.64第三五分位组0.655 0.381 0.382 6.850.388 6.28第四五分位组0.554 0.276 0.280 4.520.250 3.63第五五分位组(最不可信 0.575 0.295 0.296 6.230.29

56、7 5.64最可信组减最不可信组 -0.021 -0.014 -0.006 - -0.020 -面板D :首次/恢复中性、减持、卖出第一五分位组(最可信0.534 0.263 0.272 5.440.258 4.64第二五分位组0.518 0.242 0.235 4.690.214 3.86第三五分位组0.448 0.120 0.120 1.450.084 0.91第四五分位组0.592 0.291 0.287 2.850.248 2.22第五五分位组(最不可信 0.289 -0.003 -0.024 -0.29-0.084 -0.91最可信组减最不可信组 0.245 0.266 0.296

57、- 0.342 - 注:(1本表格内容为分析师推荐评级变动四类子样本的券商评级可信程度(券商在本季度发布的买入推荐占该季度所有推荐总数的百分比五分位分组中所构建的买入并持有投资组合的日平均原始收益,日平均市场调整收益和日平均超常收益。(2本表中原始收益,市场调整收益和超常收益单位为百分比。(3表中t值为四因子回归模型中截距项(超常收益对应t值。收益非常近似,约为0.5%,但经过市场调整后,不同五分位组分析师推荐的市场调整超额收益拉开了差距,最可信减最不可信组之差为-0.029%,利用四因子模型回归得到的超常收益最可信组与最不可信组之间的差异则进一步扩大到了-0.079%。投资者参照最不可信券商

58、分析师的评级调高买入推荐进行投资将会获得较高收益,但如果投资者遵循的是最可信券商分析师的评级调高买入推荐进行投资将会获得较低收益。券商可信度对分析师评级调高到买入或增持子样本的荐股业绩有一定的预测能力,却并没有呈现出明显相关关系。产生这种现象的可能原因是,可信度最低的券商(往往是大券商具备研发资金优势,其分析师研究部门能够购买价格昂贵的信息来源(如大型金融信息数据库,专业证券分析软件供内部使用和支持分析师大量频繁的全国性公司现场调研来获取第一手资料,连续跟踪某只股票的周期长,评级调整的更新速度快(尤其是利好消息,加上大券商分析师人数众多,平摊到单个分析师身上,其信息获取成本反而会降低。小券商分析师人数较少,缺乏相应的信息来源和雄厚研发资金支持,人均信息获取成本高,连续跟踪某只股票的周期短,上市公司调研的频率低,评级调整的更新速度慢。对于连续跟踪某只股票的分析师而言,评级调高到买入或增持同时也反映了分析师与上市公司管理层之间信息渠道维护的好坏。由于最不可信券商(大券商分析师在调高评级时没有利益冲突的顾虑,更多考虑是维护信息渠道而去迎合公司管理层,因此能第一