分析师盈利预测在A股特质波动率异象中的作用

1、内容目录 HYPERLINK l _TOC_250015 文献来源 4 HYPERLINK l _TOC_250014 引言 4 HYPERLINK l _TOC_250013 数据与变量 5 HYPERLINK l _TOC_250012 主要实证结果 6 HYPERLINK l _TOC_250011 中国市场的特质波动率异象 6 HYPERLINK l _TOC_250010 分析师预测调整与特质波动率双重分组下的组合表现 7 HYPERLINK l _TOC_250009 Fama-Macbeth 回归 9 HYPERLINK l _TOC_250008 进一步分析 10 HYPERL

2、INK l _TOC_250007 分析师预测调整与套利限制 10 HYPERLINK l _TOC_250006 分析师预测调整与卖空限制 11 HYPERLINK l _TOC_250005 控制套利限制与卖空限制后的结果 12 HYPERLINK l _TOC_250004 稳健性检验 13 HYPERLINK l _TOC_250003 分析师覆盖改变后对特质波动率因子表现的影响 13 HYPERLINK l _TOC_250002 特质波动率异象的其他解释 15 HYPERLINK l _TOC_250001 进一步稳健性检验 15 HYPERLINK l _TOC_250000 结

3、论 16国信证券投资评级 17分析师承诺 17风险提示 17证券投资咨询业务的说明 17图表目录图 1：各变量描述性统计 5图 2：特质波动率的分组收益 6图 3：分析师预测调整子样本下的 IVOL 效应 7图 4：分析师预测调整子样本下的累计收益 8图 5：Fama-Macbeth 回归结果 9图 6：分析师预测调整后的超额收益 10图 7：分析师预测调整与套利限制 11图 8：分析师预测调整与卖空限制 12图 9：控制卖空限制与套利限制后的结果 13图 10：券商合并导致的分析师覆盖下降对特质波动率异象的影响 14图 11：2011 年后分析师覆盖下降对特质波动率异象的影响 14图 12：

4、控制机构持股和短期收益反转的结果 15图 13：控制分析师预测离散程度的结果 15文献来源文献来源：Gu, Ming, George J. Jiang, and Bu Xu. The role of analysts: Anexamination of the idiosyncratic volatility anomaly in the Chinese stock market. Journal of Empirical Finance 52 (2019): 237-254.文献亮点：特质波动率之谜，即特质波动率与股票未来收益率之间的负相关关系，一直以来是学界争论的焦点。借助中国股票市场的独

5、特机制，本文研究了分析师活动对特质波动率（IVOL）异象的影响。实证结果表明，在没有分析师覆盖的股票中，特质波动率与未来股票收益之间的反比关系更加显著。而对于有分析师覆盖的股票，盈利预测调整会减弱 IVOL 异象。在分析师上调盈利预期的股票中，IVOL 与未来股票收益之间甚至存在正相关关系。本文的结果表明分析师在传播信息和减少信息不对称方面发挥着重要作用。当分析师上调盈利预期时，有关公司基本面的新闻，尤其是正面新闻，会更快地被纳入股价，并且在加入其他控制变量后，本文的结论依然保持稳健。引言Ang 等(2006) 首先在美国市场发现了特质波动率(IVOL，idiosyncratic volati

6、lity)异象，即具有较高的特质波动率的股票往往具有较低的未来收益。而经典资产定价模型认为特质波动率与股票收益之间没有任何关系（CAPM）或正相关关系（Merton，1987），特质波动率异象挑战了经典的资产定价模型。已有研究将特质波动率的负向定价与信息不对称联系起来。Johnson（2004）发现向有负债公司增加特质风险会降低其预期收益，因为关于公司现金流的不确定性会增加股票期权价值。因此，Johnson（2004）认为，企业可能没有动力及时透明地披露信息。Jiang 等（2009）将特质波动率异象与选择性公司披露联系起来，即管理层倾向于及时披露好消息，同时隐瞒坏消息。过往的学术研究表明，金

7、融分析师对市场效率具有重大影响。例如，Brennan 等（1993 年）发现更多分析师覆盖的股票定价更为准确。Francis 和 Soffe（r 1997）指出，分析师的盈利预测调整及其推荐均已包含在股票价格中。Barth 和 Hutton（2020）发现，分析师追踪度高的股票价格，能更快地在股价中反应应计信息和现金流信息。Chan 和 Hameed（2006）表明，分析师的覆盖范围减少了公司特定的噪音数量。George 和 Hwang（2011）分析美国市场的数据显示，在没有分析师覆盖的公司中，特质波动率异象更强。本文证实 A 股市场存在特质波动率异象。与分析师覆盖的股票相比，分析师未覆盖的

8、股票 IVOL 异象更加明显。具体而言，对于分析师未覆盖的股票样本中， IVOL 最低（Q1）与 IVOL 最高（Q5）的平均收益之差达到 2.24%。接着，本文根据分析师盈利预测调整将分析师覆盖的股票分为三类：预测上调，预测下调或无调整。在这三个子样本中，IVOL 和股票收益之间的关系显示出不同的模式。对于盈利预测无调整的股票，IVOL 溢价仍显著为负，并持续六个月以上。对于预测下调的股票，负 IVOL 效应相对较弱，并在 3 个月后反转。对于预测上调的股票，负 IVOL 溢价明显减弱甚至变正。进一步分析表明，本文在控制了套利限制与卖空限制后，原有结论仍然成立。稳健性检验部分，针对是否存在其

9、他因素导致了某些股票子样本中的 IVOL 效应减弱，本文利用了分析师覆盖变化的两个外生变量，并探讨了分析师覆盖率对 IVOL 异象的因果影响。第一个冲击是由于券商合并导致的分析师覆盖率降低。第二个是 2011 年中国股市分析师覆盖率突然下降引起的整个市场范围的冲击。此外，本文还控制分析师预测的离散程度后进行检验，并采用不同衡量分析师预测调整的指标，均得出了稳健的结论。数据与变量本文样本包含在上交所和深交所上市的中国 A 股公司。股票交易数据，财务数据以及 Fama-French 三因子数据均来自 CSMAR，分析师相关数据来自 Wind数据库。样本期是从 2005 年 1 月到 2014 年

10、12 月。为便于获取财务数据，我们将每个会计年度 y-1 结束时的会计数据与 y 年 7 月至 y+1 年 6 月的月收益进行匹配。我们从样本中排除金融公司和 ST 公司。最终的完整样本包含 2458 家公司，平均公司数量为每月 1456 家。关键变量包括：IVOL（特质波动率）、分析师覆盖率和分析师预测调整。IVOL 是经过 Fama-French 三因子模型回归后的残差标准差。具体公式如下： = + + + + 其中， 是个股 的收益率与日存款利率之差， 、 和 是Fama-French 三因子模型中的因子值。我们使用以下过程构建分析师覆盖率（COV）和分析师预测调整子样本。首先，在每月

11、的月底，我们将所有股票分为两组，有分析师覆盖的股票和没有分析师覆盖的股票。在这一步骤中，分析师覆盖率定义为上一年涵盖某只股票的分析师数量（Zhang，2006）。其次，在分析师覆盖的股票中，我们根据分析师在 个月中对当前财年的收入预测进行的调整，将它们进一步分为三类：向上调整，向下调整和无调整。如果预测上调的分析师比预测下调的分析师多（少），我们将该股票分类为向上调整（向下调整）的股票。如果分析师没有对某股票进行任何调整，或者上调次数等于下调次数，则我们将这些股票分类为无调整。控制变量方面，lnMV 定义为月末市值的自然对数；lnBM 定义为上一财政年度末账面市值比的自然对数；MOM 被计算为

12、上一年（从 t-11 月到 t-1 月）的累计回报；MAX5 是一个月内五个最高日收益率的平均值（Bali 等，2011）；TURN定义为前 6 个月的换手率。图 1：各变量描述性统计资料来源：Journal of Empirical Finance，整理主要实证结果本节主要分为三个部分。第一，中国市场是否存在特质波动率异象以及分析师覆盖对其的影响；第二，不同类型的分析师预测调整是否影响特质波动率效应；第三，以多元回归检验主要结论。中国市场的特质波动率异象我们根据 IVOL 将股票分为 5 组，然后在下个月计算每组等权与市值加权下的原始收益与超额收益。参考 Daniel 等(1997, DGT

13、W)的做法，在 t 月月底，将股票按规模，账面市值比和前一年收益（即 3 * 3 * 3 基准投资组合）分组，形成基准投资组合。然后，将 t + 1 月中股票的超额收益计算为股票收益与基准投资组合收益之差。图 2：特质波动率的分组收益资料来源：Journal of Empirical Finance，整理图 2 报告了根据特质波动率分组的组合收益。Q1（Q5）是指 IVOL 最低（最高）的投资组合。就等权组合而言，最低 IVOL 和最高 IVOL 的月平均收益之差为 1.8%，超额收益之差为 1.79%。就市值加权组合而言，最低 IVOL 和最高 IVOL的月平均收益之差为 0.58%，超额收

14、益之差为 0.74%。该结果证实了中国市场存在特质波动率异象。等权组合收益远大于市值加权组合收益，表明特质波动率异象在小盘股公司中比大盘股公司更为明显。我们认为存在 IVOL 异象是因为信息不对称阻止了高 IVOL 股票的价格发现过程。为了测试分析师的关注程度是否会降低 IVOL 溢价，我们基于分析师覆盖率和 IVOL 进行投资组合排序。在每个月的月底，我们将股票分为两个子样本具 有分析师覆盖的样本和没有分析师覆盖范围的样本。然后，在每个子样本中， 我们通过 IVOL 将股票进一步分为五组。图 2 报告了双重分组的结果，并研究 了在分析师覆盖的股票和未覆盖股票之间的 IVOL 差是否存在显著差

15、异。对于 有分析师覆盖率的子样本，Q1-Q5 等权收益/超额收益之差为 1.13%/1.23%。 Q1-Q5 市值加权等权收益和超额收益在统计上并不显著。对于没有分析师覆盖的子样本，Q1-Q5 等权收益和超额收益之差分别为 2.75%和 2.55%。Q1-Q5市值加权收益之差为 2.42%，超额收益之差为 2.24%。我们比较了两个子样本之间的 IVOL 收益，发现分析师覆盖和未覆盖的股票之间的 IVOL 收益存在巨大差异。等权组合下，两个子样本之间的 IVOL 回报差异为 1.62%。分析师预测调整与特质波动率双重分组下的组合表现分析师的报告可以帮助减轻股票的信息不对称性，但本身不会产生信息

16、。在本小节中，我们将更进一步，分析分析师的预测调整对特质波动率异象的影响。具体来说，我们根据分析师预测调整和 IVOL 进行投资组合排序。在每个月末，我们将股票池分为三个子样本向上调整，向下调整和无调整。 在每个子样本中，我们进一步通过 IVOL 将股票分为 5 组。我们计算这 3 * 5 投资组合的等权和市值加权收益和超额收益。图 3：分析师预测调整子样本下的 IVOL 效应资料来源：Journal of Empirical Finance，整理图 3 展示了分析师预测调整与特质波动率双重分组下的组合表现。Panel A 是上调预测的股票子样本，等权组合 IVOLQ1 与 Q5 的原始收益之

17、差为 0.46%，超额收益之差为 0.69%。市值加权 IVOLQ1 与 Q5 的原始收益之差为-1.06%，超额收益之差为-0.59%。Panel B 是下调预测的股票子样本，等权组合 IVOLQ1与 Q5 的原始收益之差为 1.01%，超额收益之差为 1.16%。市值加权 IVOLQ1与 Q5 的原始收益之差为 0.45%，超额收益之差为 0.61%。Panel C 是分析师预测未调整的股票子样本，等权组合 IVOLQ1 与Q5 的原始收益之差为 1.68%，超额收益之差为 1.63%。市值加权 IVOLQ1 与 Q5 的原始收益之差为 1.04%，超额收益之差为 1.10%。Panel

18、D 展现了不同预测调整下的 IVOL 溢价之差，两种加权方式下的结果皆表明分析师预测调整对 IVOL 异象影响很大。图 4 展现了三种分析师预测调整情况下的 IVOL 差值（Q1-Q5）的累计收益走势。我们在每个月末 t 形成三种调整类型的 IVOL 差值的零成本投资组合，然后得出它们的累计原始收益和不超过 6 个月持有期的超额收益。对于预测上调的样本，累计原始收益和超额收益都会在 6 个月的时间内逐渐下降。对于预测下调，IVOL 差值在 t+3 开始减小，在 t+6 变为负。对于无调整的股票，IVOL 差值在 6 个月内逐渐增加。证据表明，三个调整组之间的可区分模式长达 6 个月。因此我们认

19、为，由于分析师的信息更新会迅速纳入价格中，因此，经过上调的股票通常具有最小的信息不对称性。下调的股票也有信息更新，但投资者对此反应很慢。预测无调整的股票在这三种调整类型中具有最严重的信息不对称性。图 4：分析师预测调整子样本下的累计收益资料来源：Journal of Empirical Finance，整理Fama-Macbeth 回归本节建立的 Fama-Macbeth 回归模型如下所示：,+1 = + 1 , + 2 , + 3 , + ,+1 = + 1 , + 2 , + 3 , ,+ 3 , + ,其中,+1是下个月的股票收益率；如果上一年中至少有一名分析师/未覆盖某只股票，则将 /

20、 设定为 1；如果分析师预测上调/下调/无调整，则为, / / 设定为 1。控制变量包括将 lnMV 定义为市值的自然对数，,将 lnBM 定义为帐面市值的自然对数，将 MOM 定义为从 t-11 到 t-1 个月的累计股票收益，将 MAX5 定义为平均值 一个月内五个最高的每日股票收益率中的一个，而 TURN 定义为前六个月股票的周转率。如图 4 所示，Panel A 展示了一些控制变量的描述性统计，Panel B 为回归结果。列 1-4 关注分析师覆盖对特质波动率溢价的影响，列 5-8 关注分析师预测调整的影响。具体而言，在加入控制变量后，列 3-4 的结果与列 1-2 相似，分析师覆盖的

21、股票与未被覆盖的股票相比，IVOL 溢价差别明显。列 7-8 在加入了控制变量后，结果与列 5-6 十分相似，证明了划分预测调整情况后的 IVOL 效应存在明显不同。图 5：Fama-Macbeth 回归结果资料来源：Journal of Empirical Finance，整理进一步分析本节进一步探究特质波动率异象的原因，主要探讨了预测上调与预测下调的区别；套利限制是否会对结果产生影响；结合中国的融资融券制度来研究卖空限制的作用；本文主要结论是否受套利限制或卖空限制的驱动。预测上调与下调的区别之前的结果表明，预测上调和下调对特质波动率异象的影响存在显着差异，本节尝试探索这种差异背后的经济机制

22、。与下调的股票相比，上调的股票通常具有较少的信息不对称性，因为分析师的信息更快被价格所反映。为了证明这一点，我们首先研究了市场对预测上调和预测下调的反应。参考已有研究，我们将样本按规模，账面市值比和过去收益进行三重分组，并计算出市值加权的基准收益。然后，我们计算上调或下调后每只股票的购买并持有（BHAR）产生的超额收益。持有期为 5、22、44、62、125 天。如 Panel A所示，上调与下调的买入持有收益有显著不同，且随着持仓期的增大，这种差异随之放大。其次，建立回归方程探究超额收益是否与中国股市散户占比大有关。方程如下：, = 1 + 2 + 3 + 图 6 Panel B 显示了分析

23、师覆盖对市场之于预测下调的反应的影响。如果投资者的成熟是导致市场对预测下调反应较弱的原因，那么对于分析师覆盖较多的股票，市场对下调的反应应更强。因此， 的系数预计将显著为负。图 6：分析师预测调整后的超额收益资料来源：Journal of Empirical Finance，整理分析师预测调整与套利限制DeLong 等（1990）和 Shleifer 和 Vishny（1997 年）表明，套利限制使套利过程具有风险和成本。也就是说，市场定价错误可能会持续存在，并且无法即时实现市场效率。在本小节中，我们研究了套利限制的四个公司特征，并验证了了分析师预测调整子样本下这些代理变量的交叉变化。四个代理

24、变量分别为： NLIM（一个月中发生涨跌停的天数）、AMIHUD（Amihud 提出的衡量非流动性指标）、VOLUME（月成交额）、PRICE（月收盘价）。图 7：分析师预测调整与套利限制资料来源：Journal of Empirical Finance，整理图 7 报告了四种套利限制指标的平均值，以及三个分析师调整子样本之间的平均值差异。Panel A 显示套利限制的均值和中位数在预测未调整的股票中最高；预测上调的股票套利限制水平最低，预测下调的股票处于中间水平。Panel B显示，套利限制变量的均值差异在 1的水平上最为显著。总体而言，分析师预测调整子样本之间的套利限制代理变量存在显著差异

25、，这意味着套利限制可能会导致不同子样本之间 IVOL 的回报差异。分析师预测调整与卖空限制Miller（1977）认为，观点的分散和卖空限制会导致定价过高。由于更强的信息不对称性会导致更明显的米勒效应，因此我们推测，本文的主要发现可能来源于卖空限制。在本小节中，我们利用最近在中国股票市场上进行的准自然实验来衡量卖空限制的影响，并测试卖空限制是否会影响我们的主要结果。“融资融券”（MTSS）的试点计划于 2010 年 3 月启动，并逐渐将更多的 A 股股票纳入试点计划。对于试点计划中的股票，投资者可以借入股票并卖空。对于未包含在该计划中的股票，套利者将很难卖空。通过在 Fama-Macbeth

26、回归方程中加入融资融券的虚拟变量MTSS，本小节通过回归考察卖空限制对本文主要结论的影响。图 8 Panel B 的第 1 列仅显示了卖空限制对 IVOL 回报差异的影响。 IVOL * dMTSS 的回归系数不显著，IVOL * dNMTSS 的回归系数为负但显著，这表明卖空限制造成特质波动率的负溢价。第 2 和 3 列比较了卖空限制对预测上调，下调和无调整组中 IVOL 的影响。我们发现，卖空限制对上调组中的 IVOL 不会产生重大影响，对下调组中的 IVOL 效应有重要影响。对于无调整组的股票， IVOL * dNO * dMTSS 和 IVOL * dNO * dNMTSS 的系数都为

27、负值，这意味着无调整组中 IVOL 的负收益差非常大，以至于卖空约束无法完全解释。总体而言，卖空限制部分地解释了三个调整组之间 IVOL 的收益差异。图 8：分析师预测调整与卖空限制资料来源：Journal of Empirical Finance，整理控制套利限制与卖空限制后的结果图 9 是控制了套利限制与卖空限制后的结果，Panel A 报告了 IVOL 与控制变量的相关系数。Panel B 的回归结果与只控制卖空限制的结果十分相似，说明了套利控制与卖空限制能一定程度上解释分析师预测调整子样本之间的 IVOL 效应差异。图 9：控制卖空限制与套利限制后的结果资料来源：Journal of

28、Empirical Finance，整理稳健性检验分析师覆盖改变后对特质波动率因子表现的影响分析师覆盖的股票之间的弱 IVOL 效应并不一定是分析师信息生产的结果，而是由于某些股票的特征所致。我们利用对分析师的两次外部冲击来解答此问题。首先，本文手动收集了证券经纪商的兼并收购数据，如 Panel A 所示。然后构建 Fama-Macbeth 回归方程检验分析师覆盖改变后对特质波动率异象的影响。回归结果如 Panel B 所示，分析师覆盖减少使得 IVOL 效应更显著，即分析师覆盖的减少会更加降低高 IVOL 股票收益。,+1 = + 1 , + 2 , + 图 10：券商合并导致的分析师覆盖下降对特质波动率异象的影响资料来源：Journal of Empirical Finance，整理其次， 本文利用 2011 年分析师覆盖公司数量减少这一自然事件， 构建 Fama-Macbeth 回归方程探究分析师覆盖减少对特质波动率异象的影响。 2005-2011 年间分析师个股覆盖率逐步增加，而 2011 年后受到市场低迷的影响，分析师人数与覆盖同一只的分析师数量均减小。如 Panel B