证券分析师荐股准确率影响因素的实证研究

周豫+张林甫+徐浩然

摘 要：文章运用2012-2013年《新财富》上榜分析师上榜后一年内发布的买入评级报告和Logit计量模型，从信息优势的角度，实证考察分析师荐股报告准确率的影响因素。运用2014年《新财富》上榜分析师的荐股报告进行样本外模型解释力度检验，显示文章模型对投资者有较大的参考价值。

关键词：《新财富》分析师 买入评级报告 荐股

中图分类号：F830.91 文献标识码：A

文章编号：1004-4914（2016）10-099-03

研读证券分析师的评级报告是不少股民的做法。截止2015年上半年，中国证券业协会网站上显示的具有证券分析师资格的注册人数超过2000人，加上其他未注册的从业人员，证券分析师这个群体相当庞大，难免良莠不齐。2003年6月起，由《新财富》杂志主办的年度“新财富最佳分析师”评选逐渐成为我国证券业最权威的证券分析师排名。然而，即使在这样极少数的所谓明星分析师当中，也只有部分分析师所发布的荐股报告实现了其收益诺言。以2012-2013年上榜分析师在随后一年中发布的1048份买入评级报告为例，推荐标的6个月跑赢沪深300指数15%以上的只有348份，仅占33.2%。那么，影响上榜分析师荐股报告准确率的影响因素有哪些呢？我们如何预测某份荐股报告的准确率呢？

目前国内的评级报告大体分为买入、增持、中性和卖出等四个评级。由于国内卖空机制还不够成熟，加上分析师很大程度依靠从上市公司调研来获取信息，这意味着为了与上市公司维持良好的关系，分析师极少会发布中性或卖出评级的报告；而实际中，投资者也会更多地关注评级更高的报告。鉴于此，本文仅仅选取买入评级报告来进行实证考察，具体来说，本文以2012-2013年《新财富》上榜分析师在随后一年中发布的买入评级报告为研究对象，运用Logit计量模型，实证考察上榜分析师荐股报告准确率的影响因素。

本文选取的均为买入评级报告，也就是说推荐标的公开的基本面因素都不错，否则分析师不会作出“买入”的投资建议，只不过只有部分分析师的买入报告最终实现其收入诺言。这当然和随后考察期内推荐标的基本面的演变有关，也与宏观或中观的行业发展环境的演变相关。本文另辟蹊径，我们假设：由于各类分析师本身特征的差异（比如其所属券商的规模，其本身的经验和声誉等因素），会造成各类分析师面对同样的公开信息，具有不同深度的挖掘能力；或者各类证券分析师因为跟踪标的公司的深度和广度的不同，除了公开信息之外，还积累了多多少少的其他信息；拥有更多信息优势的那些分析师，他们的荐股报告可能具有较高的准确性。基于这样的假设，本文选择从信息优势的角度，分析上榜分析师荐股报告准确率的影响因素。

本文第一部分介绍数据、变量和模型，第二部分为实证研究结果，第三部分为样本外模型解释力度检验，第四部分为本文结论。

一、数据、变量和模型

本文以2012-2013两届《新财富》上榜分析师在其上榜之后一年之内发布1048份买入评级报告为样本，来估计一个Logit计量模型。由于《新财富》评选的宏观、策略、金融工程、固定收益四个团队不属于行业分析的范畴，他们的报告因此不在本文考虑之列。样本来源于迈博汇金（Microbell）。我们从报告中收集报告发布人、所在券商、推荐标的、日期等信息，相关标的的交易信息如历史股价、行业指数、沪深300指数变动情况等均源于万得资讯（Wind）。

目前国内各家券商的研究报告对股票的评级规则不尽相同，本文选定沪深300为市场基准指数，在报告发布起6月内，跑赢沪深300指数15%以上的股票，我们认为其达到分析师买入评级所承诺的收益。由于本文的报告来自第三方数据库，不少报告都有几个小时到一天的滞后，为统一起见，本文选择标的报告录入数据库的前一个交易日的收盘价作为初始价格，起始日期+180日的收盘价作为标的期末价格，计算期间涨跌幅；获取每一个标的同一时间段的沪深300涨跌幅，两者之差即标的半年期内相对沪深300的实际涨跌幅。本文1048份买入报告观察值中，推荐标的6个月跑赢沪深300指数15%的共有348份，占比33.2%，也即大约1/3的买入评级报告实现了其收益承诺。

Logit模型的因变量为是否兑现收益承诺，兑现记为1，共计348个，未能兑记为0，共计700个。

我们可以假设由于经常去上市公司调研，分析师相对于普通投资者来说，处于信息优势（至少不是劣势）的地位；再考虑到现实中，二级市场的分析师们经常在一起交流，所以分析师们对市场情绪的把握要比普通投资者好。分析师荐股相当于一个占有更多信息、更了解市场情绪同时又懂行业和资本市场的专业人士为投资者作出投资建议。正是基于这一点假设，本文选取从信息优势的角度，去探寻具有什么样的分析师能够拥有更多的信息优势，从而荐股的准确率更大。

1.分析师所属券商的规模。Clement（1999）发现分析师盈利预测的准确率与分析师所在券商规模正相关。李春涛等（2014）通过对我国2005-2011年证券市场分析师评级数据的研究，发现市场短期超额收益与分析师所属券商规模有着密切关系。大券商一般拥有更多可用资源，更多信息优势，更多证券分析师，发布更多的研究报告，对机构投资者提供更好的服务，具有更大的市场影响力。笔者查询了证券业协会网站，按照各个券商拥有的分析师人数，从多到少，列表如下（见下页表1）。

分析师人数排名前五的券商分别是国泰君安139人、中信证券106人、申银万国105人、海通证券96人、招商证券92人。我们将这五家券商命名为大平台（Big），其他券商命名为小平台（Small），如果发布报告的分析师来自大平台，记为1，共计539个；来自小平台记为0，共计509。

2.分析师覆盖的子行业公司数量。Clement（1999）发现分析师盈利预测的准确率与分析师所覆盖的公司和行业数量（任务复杂程度）成负相关。Mikhail等（1997）发现分析师跟踪特定企业的经验累积可以提高预测准确率。一般认为，分析师覆盖的行业越多，跟踪的公司数量越多，信息量越分散，其盈利预测准确度越低。本文选取万得资讯中信一级行业中各个行业内上市公司数量作为各个子行业分析师覆盖的公司数量。考虑到不同子行业分析师覆盖的公司数量相差很大，实际回归分析时，对该变量进行取对数处理。

3.分析师个人声誉。王宇熹等（2012）利用2003-2009年《新财富》分析师的个人声誉为代理变量，验证了声誉和分析师荐股价值之间的正向关系。证券分析师的个人声誉是个人在二级市场受认可程度和影响力的体现，表现为研究报告关注度、新闻曝光度、机构客户认可度等等方面。综合来看，是否入围《新财富》最佳，是不是连续上榜可以看作是分析师个人声誉最好的指标，连续上榜次数越多，个人声誉越高。声誉更高的分析师由于在业内时间更长、行业关系更深厚，理所当然的拥有更多信息优势。考虑到现实情况可能是个人声誉的增加随连续上榜次数增多而边际递减，我们对分析师之前上榜次数进行取对数处理。分析师之前连续上榜可能因为他的荐股比较准，也可能是其他原因。

4.分析师性别。国内男女分析师和上市公司高管相处的方式不一样，男性分析师可能和高管有更多非正式的交流，导致男性分析师在获取上市公司信息方面更具优势，因此本文将分析师性别作为一个考量的因素。我们的样本中共计771份报告来自男性分析师，大约占比2/3。

5.公司市值大小。本文考虑公司市值不是出于基本面因素的考虑，而是把公司市值作为公司类别的代理变量。在中国，市值超过1000亿的基本都是具有行政级别的国企、央企单位，而市值低于200亿的大多数是民企，我们有理由相信分析师和不同体量的企业高管打交道的方式是不一样的，直觉上分析师很难从国企高管处获取更多消息，但小企业却不一定。因此本文将公司市值列为考察的变量之一。由于数值相差过于大，对其进行取对数处理。

除了如上的主要解释变量，本文还考虑如下两个控制变量。

一是行业分类。Jacob（1999）发现券商行业分类会影响预测准确性。Desai等（2000）也发现华尔街日报明星分析师的荐股跑赢基准指数的概率受到推荐标的的行业影响。《新财富》最佳分析师评选共计有27个子行业进行评选，不同的子行业走势相差极大，因为我们有必要将子行业作为控制变量加以考虑。由于子行业太多，我们参考申银万国的做法，将子行业合并同类项为消费品、金融地产、制造业、服务业、TMT、材料业、能源环保等七个部类，每个部类下辖3～5个子行业。

二是买入评级的类型。Demiroglu和Ryngaert（2010）发现分析师首次覆盖的股票通常会有异常收益。Jiang等（2014）发现中国市场对上调评级的反应比下调评级的反应要强。基于这些考虑，本文将买入评级报告区分为一般买入、首次覆盖、上调评级至买入、半年内再次推荐等四个类型，其统计信息如下表所示，可以看出来，首次和上调评级的报告更有可能实现其收入诺言。

本文构建了如下的Logit模型：

Loglt（y）=β0+β1broker_size+β2reputation+β3gender+

β4number_followed+β5firm_size +β6finance+β7manufacture

+β8service+β9tmt+β10materials+β11energy_environmental

+β12first+β13upgrade+β14again+εit

其中，y为买入评级研究报告是否实现收益承诺的虚拟变量，即是否半年内跑赢沪深300指数15%，跑赢的记为1，否则记为0。broker_size为分析师所属券商规模的虚拟变量，大平台为1，小平台为0。reputation是分析师个人声誉，选取分析师之前连续上榜次数的对数值作为代理变量。gender是分析师性别变量，男性分析师发布的报告记为1，女性记为0。number_followed指分析师所覆盖的公司数量的对数值。firm_size代表推荐标的公司市值的对数值。consumption，finance，manufacture，service，tmt，materials，energy_environment等为七个行业虚拟变量，其中consumption作为缺省变量。general，first，upgrade，again等为四种买入评级报告类型的虚拟变量，其中general作为缺省变量。

二、实证结果与分析

表4为Logit模型回归结果，显示分析师所属券商的规模、分析师推荐的标的公司的市值这两个变量显著降低分析师的荐股准确性；而分析师声誉能显著提高其荐股报告的准确性。分析师的性别和分析师所覆盖的公司的数量这两个变量对分析师的荐股准确性没有影响。不同的行业存在明显的差别，finance（金融）、tmt（科技、媒体和通信）和energy_environment（环保）这三个行业的荐股报告准确性较高。另外，不同类型的买入评级报告在其准确性上没有显著差别。

我们的样本中，5家大券商共计发布了539份买入评级报告，达标报告有153份，占比28.4%；而其他19家上榜券商合计发布509份，达标报告195份，占比38.3%。这说明大券商发布的报告数量多，但质量不如小券商。小券商平台上的分析师的荐股准确性反而更高，这与信息优势的预期结果相反。可能的解释就是，大券商的分析师可以更多更好地与机构投资者接触，这会增大获得《新财富》分析师投票的可能性，因此大券商分析师更容易上榜。而且大券商分析师面临更多的利益冲突，很多重仓的股票都希望分析师可以覆盖并发布买入评级报告，因此大券商的分析师有更大的压力去发布更多本来可能达不到标准的买入评级报告。假设分析师分为两种，一种是荐股准确的分析师，一种是荐股不准确的分析师，那么可能会产生如下的《新财富》上榜分析师矩阵。由于我们考虑的样本均为上榜分析师，因此小券商上榜的分析师其荐股准确率可能更高。

分析师推荐市值小的推荐标的，荐股准确率会较高，这和我们的预期结果类似。我国上市公司里市值大的一般都是央企和国企，虽然市场关注度高，但证券分析师很难比其他投资者拥有更多的信息优势，而那些市值小的公司大都是私营企业，如果分析师与之有更多交流，可能会让分析师掌握更多的信息优势，从而更容易推荐出好的标的股票。

三、模型解释力度检验

对比因变量y的实际观察值（1或者0）和Logit模型预测值（介于0和1之间的一个概率值），如果我们规定：模型预测值>=0.5，则模型预测结果为1，否则模型预测结果为0，则我们可以检验模型的解释力度。对比结果一共存在如下四种可能：（A）推荐标的实际跑赢指数15%，模型预测结果是1；（B）推荐标的实际跑赢指数15%，模型预测结果是0；（C）推荐标的实际没有跑赢指数15%，模型预测结果是1；（D）推荐标的实际没有跑赢指数15%，模型预测结果是0。其中（A）和（D）说明模型成功预测，（B）和（C）说明模型错误预测。我们将表4中的回归参数带回Logit回归方程，计算出因变量y的预测值，然后再由公式推导出1048个值，p值即为Logit模型预测的荐股准确率。我们因此得出表6中的模型解释力度。

我们的Logit模型预测的总体准确率为68.7%。具体来说，如果推荐标的实际没有跑赢指数15%，而模型预测结果也为0的这种情况，准确率高达94%；但若推荐标的实际跑赢指数15%，模型预测也为1的这种情况，准确率仅为17.82%。

如果我们提高判断标准用来指导实际投资，效果则会好很多。比如我们将p值大于0.6的挑选出来，检验是否实现收益诺言，见下表7。可以看出，此时我们选出来的标的虽然很少，但是达标率达到19/22=86.36%。

作为样本外模型解释力度的检验，我们另外使用2014年《新财富》上榜分析师2014年12月1日至2015年4月30日推荐的425份买入评级报告，使用表4中的Logit模型估计参数，计算出425个p值。如果我们将p>=0.6的74份买入评级报告挑选出来，实际跑赢沪深300指数15%的有62个，达标比例高达83.78%，74个标的平均超额收益率为71.77%。我们因此相信本文模型对投资者的投资决策有现实的参考价值。

四、结论

本文选用2012、2013两个年度的《新财富》上榜分析师在其随后一年内发布的1048份买入评级报告为研究对象，从信息优势的角度，分析分析师荐股报告准确率的影响因素。证券分析师作为二级市场信息的提供者，本身具有比较好的专业知识，再结合他们对上市公司的调研、与同行的交流、对市场的理解和把握，因此比普通投资者掌握更多的信息优势，他们的荐股报告应该是投资者比较好的参考依据。通过本文的研究结果，我们可以从《新财富》上榜分析师的买入评级报告中选出一些有更大概率跑赢基准指数的投资标的。

参考文献：

[1] 李春涛，徐鑫，李万峰.分析师评级有效性研究：中国A股市场的证据[J].浙江社会科学，2014（9）

[2] 王宇熹，洪剑峭，肖峻.顶级券商的明星分析师荐股评级更有价值么？——基于券商声誉、分析师声誉的实证研究[J].管理工程学报，2012（3）

[3] Clement， Michael：Analyst Forecast Accuracy.Do Ability， Resources and Portfolio Complexity Matter[J].Journal of Accounting & Economics， 1999（3）

[4] Demiroglu， Cem， Michael Ryngaert.The First Analyst Coverage of Neglected Stocks [J].Financial Management，2010（2）

[5] Desai，Hemang， Bing Liang and Ajai Singh.Do All-Stars Shine Evaluation of Analyst Recommendations[J].Financial Analysts Journal，2000（3）

[6] Jacob， John， Thomas Lys and Margaret Neale.Expertise in Forecasting Performance of Security Analysts [J]. Journal of Accounting & Economics，1999（1）

[7] Jiang， George， Liangliang Lu and Dongming Zhu.The Information Content of Analyst Recommendation Revisions： Evidence from the Chinese Stock Market [J].Pacific-Basin Finance Journal， 2014， September

[8] Mikhail， Michael，Beverly Walther and Richard Willis.Do Security Analysts Improve Their Performance with Experience [J].Journal of Accounting Research， 1997（4）

（作者单位：周豫，北京大学汇丰商学院 广东深圳 518055；张林甫，申银万国研究所 上海 200002；徐浩然，南京大学商学院 江苏南京 210046）

（作者简介：周豫，美国俄亥俄州立大学经济学博士，北京大学汇丰商学院助理教授，房地产研究中心助理主任，美国房利美公司经济师，研究方向为房地产经济与金融；张林甫，金融学硕士，申银万国研究所；徐浩然，南京大学商学院。）

（责编：贾伟）