证券分析师“异常关注”能否创造投资价值？——基于2010～2017年A股市场的经验证据

张宗新 朱炜

(复旦大学金融研究院，上海 200433)

引言

作为联结上市公司与投资者的重要信息中介，分析师通过信息挖掘向投资者传递公司基本面信息，引导市场投资行为，在将信息快速渗透到股票价格的同时也为投资者创造超额收益(Walther，1997；朱红军等，2007)[12][20]。然而，在中国资本市场上，证券分析师是否具有专业化的信息挖掘能力，发现股票定价偏误，一直备受学术界和实务界质疑。尤其是广大中小投资者在依据分析师投资建议难以获取令人满意的投资业绩甚至屡屡投资亏损时，对分析师能否通过获取或是挖掘公司层面的有效信息并以此创造投资价值提出广泛质疑，本文通过引入分析师“异常关注”指标(Abnormal Coverage)，从中国A股证券分析师信息挖掘能力角度对分析师是否具备价值创造能力进行深入讨论并进行重新诠释。

目前，关于分析师行业的研究主要集中在两方面，其一是关于分析师价值创造能力的研究，大量实证研究表明，以分析师评级、分析师盈余预测等分析师推荐指标构造的投资策略能够为投资者带来一定的超额收益(Womack,1996；张然等，2017)[13][18]。那么，以分析师关注指标构造的投资策略是否和分析师推荐指标一样具备投资价值，投资价值又是如何产生，就此展开研究。其二是关于分析师信息传递角色的研究，作为证券市场中重要的信息中介，分析师主要有两大信息渠道：一方面，是通过上市公司公开基本面信息挖掘，给出专业化的投资建议(Lehavy et al.,2011)[9]；另一方面，是通过上市公司内部信息渠道，获取公司内幕消息(Chen et al.，2010；姜超，2013)[4][14]。分析师究竟如何发挥信息中介作用以增加股价中的信息含量，同时为投资者创造投资收益，是通过专业分析能力对公开信息进行深入挖掘，还是通过内幕信息传递，就此进行探讨。

在证实分析师能够通过专业分析能力进行信息挖掘创造价值后，继而尝试从外部激励措施的有效性角度解释实务中投资者对分析师专业能力的质疑，即新财富最佳分析师评选活动在识别分析师专业能力方面是否具备有效性。李丽青(2012)[15]从盈余预测角度出发，肯定了“新财富最佳分析师”的盈余预测准确性，从而证实了《新财富》识别分析师专业能力的有效性；吴偎立等(2016)[17]则同时从盈余预测的准确度及谨慎性、股票评级的投资价值两方面来衡量卖方分析师发布信息的质量，研究发现新财富最佳分析师与普通分析师发布信息的质量不存在显著差异。此前的研究者分别从盈余预测准确度以及股票评级投资价值等方面进行研究，文章则尝试从分析师异常关注指标出发对新财富最佳分析师评选活动的有效性进行探究。

本文的主要研究贡献有以下两点：一方面，进行了研究指标的创新，在中国证券市场上引入分析师“异常关注”作为主要研究对象，从一个新的视角对分析师价值创造能力、价值创造来源、外部激励措施有效性等一系列问题进行探究。另一方面，从现实意义上来说，引入“异常关注”指标，解答分析师主要依靠专业分析能力进行信息挖掘从而创造投资价值这一基本性问题，证实了中国证券分析师具备通过专业研究进行价值创造的能力；同时，通过对新财富最佳分析师的异常关注指标进行分析，发现新财富评选活动似乎并不能准确识别分析师专业分析能力，恰逢2018年新财富评选活动因为“饭局门”等负面风波暂停，研究新财富评选机制的有效性因此具备了一定现实意义。

理论分析与假说提出

从分析师报告的信息供给角度，分析师研报信息创造投资价值主要有两条路径，其一是价格压力效应，分析师通过引导投资者交易行为进而影响股价形成机制，从而获取超额收益，这一路径主要作用于投资者预期，并不能够增加股票价格中公司层面的信息含量；其二是信息传递效应，分析师通过基本面信息挖掘，发现内在价值与股票价格的偏离，在引导股票价值回归的过程中为投资者创造超额收益。由于路径一增加了股票价格中的噪声干扰，不利于提升资本市场运行效率，通过引入证券分析师“异常关注”指标，下文主要就第二条价值创造路径是否有效进行探讨。

构建分析师“异常关注”指标的意义在于，一方面，分析师关注(Analyst Coverage)可能同时通过两条价值创造路径为投资者创造投资价值，无法明确予以区分，而截至目前，投资者较少依据中国分析师“异常关注”指标进行投资交易，“异常关注”指标可以较好地刻画分析师信息传递效应；另一方面，分析师关注的过程往往会受到各种不同因素的影响，Bhushan(1989)[2]曾经针对分析师关注的影响因素构建了一个简单的供需理论模型，影响分析师关注的因素大致可以分类为公司规模、股权结构、公司性质等公司特征因素(Bhushan，1989)[2]，盈利能力、偿债能力、公司成长性等基本面因素(林小驰等，2007)[16]，股票收益率等市场因素(Das et al.,2006)[5]，这些因素被划分到模型中的供给端或者需求端，通过影响分析师服务的供需使得分析师关注度最终达到供需均衡状态。具体来说，这些因素一是影响投资者需求，需求越大，对分析师服务的需求越高；二是影响公司信息质量，信息质量越高，分析师服务供给越多，分析师服务的供需共同决定了分析师关注度的大小。通过剔除一部分影响分析师关注的供需因素，分析师“异常关注”指标相较于“分析师关注”指标而言更能够反应分析师基于公司层面信息挖掘对股票定价的个人判断，从而更有效、客观地刻画分析师关注行为，对中国证券分析师的价值创造能力进行诠释。

在证实了分析师“异常关注”指标主要通过信息传递效应路径为投资者创造投资价值之后，继而探讨中国A股市场分析师异常关注指标价值创造的主要信息来源。分析师信息获取主要有两大来源，一方面是挖掘公开信息创造价值，通过专业的分析能力对上市公司公开财务信息进行深入挖掘，根据投资者有限关注理论(Kahneman,1973)[7]，由于投资者精力有限，难以观察并挖掘所有公开信息，分析师可以通过其专业分析能力挖掘并解读公开信息；另一方面是获取内幕信息创造价值，通过私有信息渠道来获取内幕消息，根据信息不对称理论(Akerlof,1970)[1]，公司管理层与外部投资者之间的信息不对称可能会造成股票定价偏差，分析师可以通过获取内幕信息知悉定价偏误，引导投资者进行理性投资决策，使得市场定价趋于合理，提高资本市场运行效率。通过引入分析师异常关注指标，对公司信息披露质量分组验证，证实了分析师主要是依靠专业能力进行信息挖掘并创造投资价值。

尽管说明了分析师具备研究创造价值的能力，现实中却始终不乏针对分析师专业能力的质疑。根据Bhushan(1989)[2]提出的分析师关注供需影响理论，分析师关注度大小受到投资者需求以及分析师服务供给的影响，因此，针对投资者依据分析师投资建议往往难以获取满意的投资回报这一现象，可以分别从分析师服务的供需角度予以说明。一方面，分析师关注度的大小受到投资者需求的影响，在一定程度上干扰了分析师基于专业能力进行选股；同时，新财富等外部激励措施过于重视投资者主观评价，对专业能力的考量也有所欠缺。另一方面，公司信息披露不充分、信息质量差，为分析师服务的供给造成了一定的负面影响，同时也干扰了分析师做出正确判断。

围绕异常关注指标出发，在提取出异常关注指标之后，对中国A股分析师能否创造价值进行实证分析和解释。具体而言，首先证明分析师异常关注指标与股票未来市场表现之间存在相关性，投资者能够以分析师异常关注指标构造投资策略获得超额收益。其次，在证实了分析师异常关注指标能够为投资者创造价值之后，进一步验证价值创造的信息来源主要是分析师基于专业分析能力进行的公开信息深入挖掘。在肯定了分析师专业能力后，继而尝试从外部激励措施的有效性角度解释实务中投资者对分析师专业能力的质疑，即探究新财富评选机制在激励分析师充分发挥专业能力方面是否具备有效性。具体框架如图1所示。

图1 分析师异常关注价值创造的研究框架

按照上述研究思路，论文通过分析师关注度影响因素分解模型剔除影响分析师关注的供需因素，得到分析师异常关注指标，并在此基础上提出假设1。

假设1：分析师异常关注指标对投资者而言能够产生投资价值。

目前已有大量研究证明了分析师盈余预测、投资评级等分析师推荐指标的投资价值，本文则着重于探讨分析师关注指标、分析师异常关注指标的投资价值。

近年来，分析师的专业能力遭到投资者的不断质疑。但要指出的是，分析师关注度的大小受分析师服务的供需影响，并不能代表分析师对股票价格的专业判断，也就是说，分析师关注度越高并不一定表示分析师就越看好该股票。在剔除了一部分干扰因素之后，可以得到更能反映分析师个人观点的分析师异常关注指标，并探讨分析师异常关注指标是否能够为投资者创造超额收益。若假设成立，则证明分析师通过信息传递效应创造超额收益的价值创造机制有效；若假设不成立，分析师通过信息挖掘创造投资价值的能力则受到质疑。

在证实了通过分析师异常关注指标构建的投资组合能够产生超额收益之后，论文进一步探讨分析师价值创造的信息来源，继而提出假设2。

假设2：分析师异常关注创造价值的信息来源是分析师基于专业能力的公开信息挖掘。

分析师的信息来源大致可分为两类：一类是公开信息挖掘，通过专业分析能力对上市公司的公开信息进行深度挖掘；另一类是私有信息，由于职业的便利性，分析师可能具备获取内幕消息的信息渠道。分析师异常关注指标价值创造的主要信息来源究竟是分析师基于专业研究的公开信息挖掘抑或是基于私人渠道的内幕消息获取，如果分析师异常关注(Atot)在公司信息披露质量很差的情况下与股票未来收益率存在显著的正向关系，却在信息披露质量良好的情况下无法对股票未来走势作出预测，则说明分析师异常关注(Atot)价值创造的信息来源主要是内幕消息的获取；否则，分析师异常关注(Atot)价值创造的信息来源主要为公开信息的深入挖掘，分析师通过信息传递效应进行价值创造的路径主要依靠分析师专业能力发挥作用。

针对分析师专业能力的广泛性质疑，论文进一步尝试从外部激励措施识别分析师专业分析能力的有效性角度对投资者质疑进行解释。特提出研究假设3。

假设3：新财富评选活动难以有效识别分析师的专业分析能力。

新财富作为重要的分析师外部激励方式，获得新财富最佳分析师的研究员能够迅速获取高额薪水以及行业声誉。因此，新财富评选机制是否将分析师专业能力纳入考量是分析师能否有动力充分发挥其研究分析能力的重要影响因素。如果分析师主要是通过专业分析能力来识别未来市场表现良好的高收益率股票，那么在新财富评选活动将分析师专业分析能力纳入考量的情况下，获评新财富最佳分析师的明星分析师应当具备更强的专业分析能力，那么如果有明星分析师的关注，相应的分析师异常关注指标能够创造更多价值，据以构建的投资组合也能够获取更高的超额收益。反之，则说明分析师评选活动难以识别分析师专业能力。

研究样本、变量与描述性统计

一、数据来源与样本选择

本文的原始数据来自CSMAR数据库和Wind数据库，其中分析师关注指标数据来自CSMAR数据库，市场层面、公司层面数据来自Wind数据库。需要指出的是，论文主要是对卖方分析师关注度进行研究，因为买方分析师的研究报告主要供内部使用，不对外公布，数据难以获取，对整个市场的影响程度要弱于卖方分析师。

研究样本数据取自2010第1季度至2016年第4季度共28个季度内有分析师关注的上市公司，以及相应时间段上市公司对应的分析师异常关注指标。同时，选择相应上市公司样本在2010年第2季度至2017年第4季度的股票收益率数据，在此基础上进一步研究分析师异常关注指标与滞后季度的股票收益率之间的相关性，从而说明分析师异常关注指标能够通过信息挖掘预测未来股票的市场表现。为避免异常值、样本缺失造成的影响，将样本中的金融类、ST类上市公司数据予以剔除，并删除数据披露不完整的样本。在此基础上，对所有连续变量均采用Winsorize(1%)的方法进行缩尾处理。

二、变量定义与指标构造

1.分析师“异常关注”指标构造

通过借鉴Charles Lee(2017)[3]提出的分析师关注度影响因素分解模型，从分析师关注度指标(Tot)中分离出更能表现分析师个人观点的分析师异常关注度指标(Atot)作为核心研究变量，也就是说要剔除市场层面、公司特征等常规的影响因素。根据Bhushan(1989)[2]的分析师服务供需理论模型，市场层面、公司层面等各类因素都会通过影响分析师服务的供给和需求来影响分析师关注度的大小。

具体地，从市场层面看，交易额(Trade)、收益率(Return)等因素会影响投资者对分析师服务的需求，交易额越大、前期回报率越高，则投资者关注度越高，相应地对分析师服务的需求也越大；而机构持股变量(Invest)、换手率(Turnover)、波动率(Vlty)则会影响分析师服务供给，一般而言，为获取分仓收益，分析师更倾向于机构持股比例高的股票；为降低风险，分析师更倾向于关注低换手率、低波动率的股票。从公司层面看，公司规模(Size)、帐面市值比(bm)、每股盈余(eps)等基本面因素会影响投资者对公司股票的偏好，从而产生对分析师服务的需求；而公司性质(Nature)、上市时长(Quarter)等公司特征因素会影响分析师服务供给，一般公司性质为民企的，信息透明度更高；而上市时间越短，信息披露机制越完善，分析师倾向于给予更多关注度。

由此可见，分析师选股受供需因素影响，并不是完全基于专业分析或内幕信息作出判断。通过构建分析师关注度指标(Tot)影响因素的分解模型，在剔除该部分影响分析师关注的供需因素之后，可以得到更能反映分析师个人判断的分析师异常关注指标。其中i代表第i个公司，q代表第q季度。由于分析师关注指标(Tot)数据分布较为分散，而企业规模(Size)、成交额(Trade)指标数值过大，因此先对这三个指标进行对数化处理。

2.投资价值指标

以季度超额累计收益率(CARshort)衡量经市场因子调整的短期超额累计收益率，以年度超额累计收益率(CARlong)衡量经市场因子调整的长期超额累计收益率，其中，超额收益率为股票月收益率与上证指数月涨跌幅之差，而超额累计收益率即为区间内超额收益率的加总。对投资者而言，股票的超额累计收益率越高，意味着相应的投资收益更高。以是否获取超额累计收益率来判断依据分析师异常关注指标选股是否能够获得更高的投资收益，若能，则说明依据分析师异常关注指标选股能够获取超额收益并产生投资价值，反之则可能无法创造投资价值。

下文中涉及的主要变量及其含义，如表1所示。

表1 主要变量含义

三、主要变量的描述性统计

表2展示了所有样本数据主要变量的描述性统计，总样本数为41078个。由于在选取变量时以A股市场上所有上市公司为样本，并在此基础上剔除变量存在缺失值的样本，只要不存在缺失值，即使是分析师关注为0的公司也予以保留。同时，虽然分析师关注指标取值均≥0，但分析师异常关注指标的取值可能为负，这是因为分析师关注度的大小会受市场层面、公司层面等各类因素影响，这些因素通过影响对分析师服务的供需从而过度推高了分析师关注度，而异常关注指标则对供需因素产生的干扰作用进行修正。

表2 主要变量的描述性统计

实证结果与分析

一、分析师异常关注指标的提取

通过对模型(1)作Fama-Macbeth回归，并用Newey-West调整法控制异方差和相关性的影响，从而提取出分析师异常关注指标作为核心研究变量。表3展示了模型(1)的回归结果，回归残差项即为分析师异常关注指标。值得注意的是，大部分影响因素与分析师关注指标之间的关系符合上文判断，但由于依据股票历史表现难以预测将来回报率，前期回报率(Return)和分析师关注指标(Tot)之间并不存在显著的相关关系。

表3 提取分析师异常关注指标

通过对分析师关注指标的分解得到的残差项εi,q，即为分析异常关注指标Atoti,q。和分析师关注指标相比，分析师异常关注指标更能代表分析师个人观点。当残差为正时，意味着在剔除市场以及公司层面的影响之后，从分析师角度而言仍然倾向于要关注该只股票；而当残差为负时，意味着该股票的关注度主要是因为市场层面、公司层面因素，而分析师本身对于该股票可能并不看好。本文认为，分析师异常关注度指标能够创造价值，因此在下文首先验证该指标对投资者而言是否能够产生投资价值，继而验证投资价值的来源。

表4则展示了按分析师异常关注指标分组后的分组样本的描述性统计。具体而言，将Atoti,q按从低到高的顺序分成5组，分别计算相应变量在每一组所对应的均值。一方面，分析师关注指标会随着分析师异常关注指标的提高而提高；另一方面，根据回归模型的设定，Atoti,q作为回归方程的残差项，与市值、换手率、成交额、帐市比等变量之间不存在相关性。

在提取出分析师异常关注指标之后，可以进一步探讨分析师异常关注是否能够创造价值。根据上述假设的提出，首先检验分析师异常关注指标能否为投资者创造投资价值；其次检验分析师异常关注指标价值创造的信息来源究竟是基于专业能力的公开信息挖掘还是基于私有渠道的内幕信息获取；最后对新财富评选活动在识别分析师专业能力方面的有效性进行检验。

表4 依据Atot对各变量进行分组比较

二、关于分析师异常关注能否产生投资价值的实证检验

表5展示了将Atoti按从低到高的顺序分成5组后每一组所分别对应的收益率均值。分析师异常关注越高，相应组别的收益率水平越高。就未经调整的收益率水平来看，投资于Atoti最高组的股票要比投资于Atoti最低组的股票多获取0.485%的季度收益率(Retshort)，多获取4.208%的年度收益率(Retlong)；就经市场因子调整后的超额收益率水平来看，投资于Atoti最高组的股票要比投资于Atoti最低组的股票多获取0.604%的季度超额收益率(CARshort)，多获取3.420%的年度收益率(CARlong)。

表6展示了将Atoti按从低到高的顺序分成5组，另外再以市值(LogSize)为权重，计算每一组所对应的市值加权收益率水平。以市值加权收益率进行比较，得出相似的结论：分析师异常关注越高，相应组别的收益率水平越高。就未经调整的市值加权收益率水平来看，投资于Atoti最高组的股票要比投资于Atoti最低组的股票多获取0.486%的季度收益率(Retshort)，多获取4.194%的年度收益率(Retlong)；就经市场因子调整后的市值加权超额收益率水平来看，投资于Atoti最高组的股票要比投资于Atoti最低组的股票多获取0.626%的季度超额收益率(CARshort)，多获取3.490%的年度超额收益率(CARlong)。无论是对普通平均收益率还是市值加权平均收益率进行分组比较，都会得出较为一致的结论：分析师异常关注越高，相应股票的未来收益率越高。

表5 依据Atot对收益率进行分组比较

表6 依据Atot对市值加权收益率进行分组比较

接下来，通过构建模型(2)，以第q+1季度经市场因子调整的超额累计收益率对分析师关注指标(Log(1+Tot)i,q)作Fama-Macbeth回归分析，得到分析师关注指标与q+1季度的股票收益率之间的相关关系；在此基础上，以自第q+1季度以来未来一年内的经市场因子调整的超额累计收益率替换第q+1季度的经市场因子调整的超额累计收益率对分析师关注指标(Log(1+Tot)i,q)作Fama-Macbeth回归分析，验证长期情况下分析师关注指标与股票超额累计收益率之间的关系。这里以超额累计收益率对分析师关注指标(Log(1+Tot)i,q)作回归，而非直接对分析师异常关注指标(Atoti,q)作回归，是为了方便比对分析师关注和分析师异常关注指标与股票未来收益率之间的相关关系，一方面可以得到分析师关注指标(Log(1+Tot)i,q)与股票未来回报率在短、长期的相关关系；另一方面，在控制了方程(1)中所提及的影响分析师关注的市场层面、公司特征等供需因素之后，分析师关注指标(Log(1+Tot)i,q)的系数实际上反映了分析师异常关注指标(Atoti,q)在短、长期内与股票收益率之间的相关关系。

表7展示了模型(2)的主要回归结果。一般情况下，分析师出于与目标公司管理层保持良好关系以方便调研、获取非公开信息(赵良玉等，2013)[19]的考量；或是为了满足机构投资者需求(Mola，2009)[10]，更倾向于发布正偏的盈余预测，并且极少给出“减持”、“卖出”等消极评价。由于这种乐观倾向现象的存在，分析师在选股时就应该更倾向于对其认为未来有增长潜力的、表现良好的股票给予更多的关注。但通过观察第q+1季度的累积超额收益率与分析师第q季度的关注指标之间的关系发现，分析师关注指标与未来超额累计收益之间呈现负相关关系，也就是说，分析师关注度的提高反而伴随着未来超额收益率的下降，投资者依据分析师关注指标进行投资甚至会出现投资亏损的状况。可见分析师关注指标似乎并不能通过价格压力效应以及信息传递效应两大途径为投资者创造投资收益，价格压力效应的失效可能是因为使用季度、年度超额累计收益率等长期指标来衡量投资收益，而价格压力效应下的投资者交易行为可能只在短期内产生异常收益，长期情况下股票价格主要表现为向内在价值回归。而信息传递效应失效一方面可能是因为分析师不具备通过挖掘公司信息来判断股票定价是否出现偏误的能力，另一方面可能是因为影响分析师关注的因素除了分析师对股票内在价值的个人判断之外，还包括股票当前市场表现、公司特质等其他因素，例如成交额越高的股票、规模越大的企业往往对分析师有更高的需求，根据Bhushan(1989)[2]提出的分析师关注供需影响理论，这些因素通过影响投资者需求以及分析师服务供给影响分析师关注度大小，对分析师关注度有效发挥信息传递效应进行投资价值创造的路径产生了一定干扰。

表7 Atot对未来股票收益率的预测能力

因此在控制了市场层面、公司特征等干扰因素之后，进一步对分析师异常关注指标与未来股票表现之间的关系进行探究，进一步检验信息传递效应的有效性。如果分析师异常关注指标和股票未来收益之间仍然不具备显著正相关性，则说明分析师无法有效发挥信息中介作用，从而无法在引导股票价值回归的过程中为投资者创造投资价值。但实证结果表明，分析师异常关注越高，相应股票在未来一个季度内的市场表现越好，分析师能够通过信息传递效应创造投资价值。

而就从未来一年内的长期股票回报率来看，可得出相似的结论：分析师关注指标与未来一年内累计收益之间呈现负相关关系，而分析师异常关注指标则与未来一年内的股票表现正相关。并且，就未来一年内的股价变动情况来看，分析师异常关注每提高一个单位，累计超额收益提升1.22个单位；而就q+1季度的表现来看，分析师异常关注每提高一个单位，累计超额收益提升0.445个单位。可见和短期回报率相比，分析师异常关注指标长期来看更具投资价值，股票价格向内在价值的回归过程在长期内更加明显，因此，信息传递效应的投资价值创造能力更加显著。同时，由于模型(2)中的解释变量同时涵盖了模型(1)中的解释变量和被解释变量，通过测算方差膨胀因子来对模型(2)中的解释变量之间是否存在多重共线性进行检验。检验结果表明，各解释变量的方差膨胀因子均＜10,说明各解释变量之间的相关性较弱。

根据上文中关于分析师异常关注指标的分组，分别选取Atot最高的一组(Atot=5)以及Atot最低(Atot=1)的一组构建投资组合(High／Low)，并通过三因子模型Rp,q-进行检验，表8展示了主要的检验结果。其中，无风险利率Rf为一年期定期存款利率(季调)，市场收益率Rm为上证综指的季度涨跌幅，投资组合p的收益率Rp为组合内所有股票的季度算术平均收益率。此外，根据Size将股票分成大规模和小规模两组，对两个组合中的股票，再按市净率大小从高到低分成高、中、低三组，并于每季度末重新划分。市值因子(SMB)代表小规模与大规模公司的股票收益率之差，账面市值比因子(HML)代表高市净率与低市净率组合的收益率之差。

表8的检验结果表明，依据Atot最低的一组所构建的投资组合(高Atot)对应的α值为0.406，但t值较低，并不显著；而依据Atot最高的一组所构建的投资组合(低Atot)对应的α值为1.232且收益显著。通过分析师异常关注指标所构建的投资组合能够获得超额收益，说明分析师异常关注指标能够创造价值。

表8 依据Atot构造投资组合的超额收益率

三、关于分析师异常关注指标价值创造信息来源的检验

上述实证结果证明了分析师异常关注指标基于信息传递效应的价值创造能力，而分析师价值创造的信息来源究竟是私有渠道下的内幕信息获取，还是专业分析下的公开信息挖掘，在这一部分主要就该问题展开研究。

在此，分别用以下三个指标来衡量公司的信息质量：

首先引入KV指数。KV指数由Kim和Verrecchia(2001)[8]最先提出，当公司的信息披露越充分，则投资者更倾向于关注公司信息，而不需要过多依赖于市场层面信息。以日成交量来代表市场信息，以λ1来衡量投资者对市场信息的依赖程度(剔除λ1为负的情况)。λ1越大，KV指数越高，依赖程度越高，信息披露越不充分。具体定义如下：

其中，pi,q,t代表第i个公司在第q季度内第t个交易日的收盘价，Voli,q,t则是第i个公司在第q季度内的第t个交易日的交易量；代表第i个公司在第q季度内的日均交易量。

其次，引入分析师预测分歧度(dispi,q)，即第i个公司在第q季度eps预测的标准差(sdi,q)比上该公司季初开盘价格(pi,q,0)。根据Morgan(2002)[11]的研究结论，分析师预测分歧度越高，往往意味着信息披露质量越差。

其中，预测标准差(sdi,q)由第i个公司在第q季度第j次的分析师eps预测(fepsi,j,q)与分析师盈余预测均值离差平方的算术平均数的平方根计算得出，Ni,q代表第i个公司在第q季度总共收到的eps预测次数。另外，由于需要计算标准差(sdi,q)，在计算dispi,q时首先剔除在第q季度中eps预测次数＜3的公司。详细公式如下：

最后，借鉴Flannery et al.(2004)[6]关于分析师预测误差(errori,t)的构造方法，即第i个公司第q季度的第j次分析师eps预测(fepsi,j,q)与公司i公布的第q季度真实eps(epsi,q)的偏误比上该公司季初开盘价格(pi,q,0)。预测误差越高，说明信息披露质量越差。

分别将KV指数、分析师预测分歧、分析师预测误差从低到高分为Low,Middle,High三组，第一组(Low)对应低KV值、低分歧度、低预测偏误，表示公司信息披露质量高；第三组(High)则对应高KV值、高分歧度、高预测偏误，表示信息披露质量差；剩余的所有样本均归类进Middle所对应的组别。

表9分别以KV指数、预测分歧度、预测误差来衡量公司信息披露质量，按信息披露质量的高低对模型(2)进行分组回归，得出较为一致的结果：在信息披露质量高(Low)的情况下，分析师异常关注与公司在第q+1季度的超额收益率、未来一年内的超额收益率存在显著的正相关性；而在信息披露质量差(High)的情况下，分析师异常关注与股票未来收益之间不存在显著相关性，这说明就整个分析师群体而言，主要依靠对公司披露的公开信息进行深度挖掘及专业分析来创造投资价值，而非通过内幕消息进行价值创造。可见，中国证券分析师异常关注的投资价值，主要源于分析师基于专业分析能力进行的公开信息挖掘。具体分析如表9。

以KV指数分组的实证结果显示，短期来看，季度累计超额收益率与分析师异常关注指标在信息披露最充分的情况下具备显著正相关性，分析师异常关注提高一个单位，CARshort相应提高0.479个单位。而随着信息披露程度的减弱，异常关注与未来一季度内累计超额收益率的相关性也随之被削弱。具体来说，在信息披露程度较充分的一组(Middle)，季度累计超额收益率与分析师异常关注指标的正相关关系在5%的水平上显著，而在信息披露最不充分的一组(High)，季度累计超额收益率与分析师异常关注指标之间不再具备显著正相关性。长期来看，可以得出类似结论：未来一年内的累计超额收益率与分析师异常关注指标在信息披露最充分的情况下(Low)具备正相关关系，分析师异常关注指标的估计系数为1.359，在1%的水平下显著。而在信息披露最不充分的一组(High)，年度累计超额收益率与分析师异常关注指标之间不再具备显著相关关系。

表9 Atot的投资价值创造的信息来源

分析师异常关注指标与未来股票价格走势的相关性会随信息披露程度的减弱而受到削弱，这就意味着分析师为投资者创造投资价值的前提条件在于一个良好的信息披露环境。在公司信息披露质量高的情况下，分析师能够及时、公开地获取充分的公司层面信息，并在此基础上凭借其专业分析能力对信息进行深入挖掘，通过比较股票价格与公司价值的偏离程度，从而预测股票未来走势。而信息披露质量差的情况下，分析师难以获取准确的公开信息，更多地依赖内幕信息去进行分析和预测，而由于分析师内幕信息获取渠道不一、信息质量较差，从而很难根据内幕信息判断股票价格与公司价值的偏离程度，对股票未来走势也难以作出准确预测。

为了避免根据KV指数分组的结论具有偶然性，先后以预测分歧度、预测误差指标对信息披露质量重新进行分组，并再次进行分组回归。相应的实证结果显示，以预测分歧度、预测误差对信息披露质量进行分组后回归所得到的结论与根据KV指数分组的结论相类似。可见，分析师主要是依靠专业分析能力预测未来公司股价走势，而信息披露质量较差则会影响分析师服务供给的质量，对分析师为投资者创造投资价值产生负面影响。

四、关于明星分析师评选能否有效识别分析师专业能力检验

分析师异常关注(Atot)创造价值的信息来源是分析师基于专业分析能力进行的公开信息挖掘，但实务界始终不乏针对分析师专业能力的质疑声。从信息披露角度而言，在上一节中已经证实了分析师专业能力的有效发挥受公司信息披露质量的影响，信息披露质量差，分析师专业能力发挥受到制约；从外部激励措施的有效性角度而言，分析师专业能力能否有效发挥也会受到新财富是否将分析师专业能力纳入考量范围的影响，在新财富评选活动能够有效识别分析师专业分析能力的情况下，获评新财富最佳分析师的明星分析师应当具备更强的专业分析能力，相应的分析师异常关注指标能够创造更多价值，据以构建的投资组合也能够获取更高的超额收益。反之，则说明分析师评选活动难以识别分析师专业能力。

以当年获得“新财富最佳分析师”称号的分析师作为该年度的明星分析师，进而将样本分为有明星分析师关注和无明星分析师关注的两组并进行分组回归，观察分析师异常关注指标与股票市场表现之间的关系。如果新财富评选活动能够有效识别分析师的专业分析能力，那么在有明星分析师关注的样本组中，高分析师异常关注指标应该伴随更好的股票市场表现，即Atot提高一个单位，对应的CAR提高幅度应高于非明星分析师样本组。但表10中的实证结果显示，Atot提高一个单位，明星分析师样本组的CAR提高幅度明显低于非明星分析师样本组。并且，无论长期还是短期来看，明星分析师样本组的超额累计收益率与分析师异常关注指标之间的正相关关系都并不显著。非明星分析师样本组的超额累计收益率与分析师异常关注指标之间则维持了较为显著的正相关关系，Atot提高一个单位，短期超额累计收益率提高0.618个单位；长期超额累计收益率提高2.298个单位。

表10 新财富评选的有效性检验

论文进一步以分析师异常关注指标高低以及是否有明星分析师关注分组构建不同的投资组合，分别是明星分析师／高Atot，非明星分析师／高Atot，明星分析师／低Atot，非明星分析师／低Atot四组，通过三因子模型进行检验。表11中结果表明，对于明星分析师／低Atot，非明星分析师／低Atot两组而言，α值为负，无法取得超额收益，这与假设1中的分析结果一致。就另外两组而言，非明星分析师／高Atot对应的超额收益α值为4.919且收益显著，明星分析师／高Atot对应的超额收益α值为1.037且收益显著，超额收益值明显低于非明星分析师／高Atot组。实证结果表明新财富评选并不具备识别分析师专业分析能力的有效性，非明星分析师的异常关注指标反而具备更高的投资价值。上述研究结论与吴偎立等(2016)[17]基本一致，与李丽青(2012)[15]的主要结论则存在一定分歧。

关于新财富评选机制忽视了分析师的专业分析能力，下文尝试分别从理论和实际角度出发进行分析并作出解释。从理论角度而言，Bhushan(1989)[2]曾经针对分析师关注的影响因素构建过一个简单的供需理论模型，分析师服务主要是为了满足投资者需求。这就意味着新财富评选出的是能够更好地服务投资者、满足投资者需要的分析师，而未必是专业能力突出的分析师群体。从新财富评选机制而言，由于新财富评选主要依靠机构投资者投票来决定，所以卖方分析师为获得投票，关注地更多的是投资者感兴趣的、机构投资者重仓的股票，而不是分析师个人看好的股票。那么，获得新财富最佳分析师称号的明星分析师们往往是在满足投资者需要方面拨得头筹的分析师群体。通过对比明星分析师群体和非明星分析师群体的分析师影响因素分解模型也可以发现，对明星分析师而言，分析师影响因素分解模型的R2为45.5%；而对非明星分析师而言，分析师影响因素分解模型的R2仅为26.2%，模型的解释力度明显减弱，可见非明星分析师在满足投资者需求方面要明显弱于明星分析师，非明星分析师的分析师异常关注指标更多地体现了分析师通过专业分析而看好的股票，而明星分析师的分析师异常关注指标却更多地关注投资者需求。当然，这并不意味着明星分析师的专业能力欠缺，而仅仅意味着新财富更看重投资者满意度的评选机制可能在一定程度上制约了分析师专业能力的发挥，从而出现非明星分析师关注的投资组合相较于明星分析师关注的投资组合反而能够获得更高超额收益的情况。

表11 三因子模型下不同投资组合的超额收益率

表12 分析师影响因素分解模型(以明星分析师分组)

结论与启示

本文主要想尝试回答三个问题：一是分析师异常关注指标能否依据信息传递效应创造投资价值；二是分析师异常关注指标价值创造的信息来源究竟是分析师基于专业能力的公开信息挖掘还是私有渠道的内幕信息获取；三是从外部激励措施识别分析师专业能力的有效性角度回应投资者对于分析师专业能力的质疑。在构造出分析师异常关注指标后，本文通过对中国2010～2017年间的季度样本数据进行研究，针对以上三个研究问题得出以下结论：

第一，分析师异常关注指标能够依据信息传递效应的价值创造路径为投资者创造投资价值。分析师异常关注度越高，股票未来就能够获得更高的累积超额收益率；同时，通过分析师异常关注指标所构建的投资组合能够获得超额收益，说明分析师异常关注指标能够创造价值，投资者在选股时可以将该指标作为参考指标。第二，在此基础上，通过引入信息质量指标，进一步证明了就整个分析师群体而言，主要是依靠对公司披露的公开信息进行深度挖掘及专业分析来发挥信息中介作用，而非通过内幕信息传递来获取超额收益。第三，通过按有无新财富最佳分析师关注进行样本分组并分组回归后发现，明星分析师样本组的超额累计收益率与分析师异常关注指标之间的正相关关系在长、短期内均不显著，而非明星分析师样本组的超额累计收益率与分析师异常关注指标之间则维持了显著的正相关关系。可见新财富评选活动在识别分析师专业能力方面似乎并不具备有效性。

基于上述研究结论，有以下三点建议或启示：首先，从监管政策导向角度，由于分析师有能力通过专业研究进行信息挖掘并发挥信息中介作用，进而为投资者创造投资价值，证券监管部门应加强证券分析师价值研究监管导向，引导证券分析师注重公司基本面研究和信息挖掘，加强市场有效信息供给，提升中国证券市场信息效率。其次，从上市公司治理和信息披露角度，由于分析师价值创造的信息来源主要为基于公开信息的深入挖掘，为充分发挥分析师群体的信息挖掘能力，发挥分析师“研究创造价值”的引导效应，需要规范和完善上市公司信息披露制度，构造一个更为公开透明的信息披露环境。另外，从分析师行为规范和激励机制导向角度，证券研究部门应充分发挥内部激励作用，通过合理的激励机制和考核机制引导分析师更多地关注公司基本面信息，充分发挥其专业分析能力进行信息挖掘。同时，新财富作为业内权威的分析师评选机构，应充分发挥其外部激励作用，改变目前简单的机构投资者投票制度，将分析师专业能力纳入到最佳分析师评选的考量标准中，有效衡量分析师专业能力，从而引导分析师注重研究水平的提升以及研究质量的提高。