上市公司调研报告的信息含量研究——基于文本分析视角

孟庆斌（教授，博导） 黄清华

（中国人民大学商学院）

一、引言

作为第一大新兴市场，我国资本市场的主要特点是以个人投资者为主，因此建立健全的法律制度来维护市场公开、公平、公正，维护投资者特别是中小投资者合法权益始终是监管部门的重要工作1.根据2018年11月9日海通证券发布的《策略专题报告：A股与美股的市场结构对比》，2018年中报披露数据显示A股个人投资者持有自由流通市值占比为40.5%，而美国、日本、中国香港、英国、法国市场的个人投资者持有的市值占比分别仅为4.14%、4.59%、6.82%、2.74%和1.97%。。为应对上市公司的选择性披露，中国证监会于2007年2月1日正式颁布并实施《上市公司信息披露管理办法》（简称《办法》），强制性要求上市公司不得对特定对象选择性披露一些非公开重大信息。随后，为进一步推进这一制度，上海证券交易所和深圳证券交易所于2012年和2013年开始强制要求上市公司在分析师或机构投资者调研完成后两个交易日内，编写并公布《投资者关系活动记录表》。学者通过研究发现虽然《办法》强制要求上市公司不能披露重大非公开信息，但是上市公司仍然可能会披露一些非重大信息，调研者通过将这些信息与自己的私人信息或公开信息结合起来能推测出重大信息，从而影响调研人员对公司的盈利预测和估值，表现为分析师预测精准度提高、机构投资者交易回报增加、市场绝对价格和交易量反应很大（Soltes, 2014; Green et al., 2014;Bushee et al., 2011; Cheng et al., 2015; Han et al., 2017; Cheng et al., 2019; Bowen et al.,2018）。

本文认为，以往学者的研究具有以下三个方面的局限性，第一，以往学者主要探讨分析师或机构投资者是否去调研的差异，而没有深入探讨调研内容；第二，以往学者使用的数据为2009——2012年期间深交所上市公司年报中披露的调研数据，这些信息不具有时效性，年报在披露这些信息之前股价已经将这些信息反映出来；第三，以往研究主要探讨对去调研的分析师或机构投资者的影响，除此之外还有没有去调研的分析师、机构投资者和个人投资者，因此探讨调研对这类投资者的影响、信息如何在投资者之间扩散也是非常有必要的。基于以往学者研究的局限性，本文将以2012年1月1日——2018年12月31日所有A股市场上市公司实时披露的调研报告为样本，通过对调研报告的内容进行情感分析，探讨以下两个问题：第一，上市公司披露的调研报告是否会对市场产生影响？第二，上市公司调研报告传达出的信息是真实信息还是噪音？

二、文献综述与理论分析

（一）文献综述

国外学者研究了分析师会议、投资者会议、电话会议等上市公司与投资者的交流形式的信息含量。Bushee et al.(2011)以美国市场为研究对象，发现上市公司会议展示前后3天股票绝对异常收益率和异常换手率显著增加，相比于展示前90天增加5%～10%，并且会议特征如赞助商、位置、规模和行业关注点对投资者会议的信息含量有很大影响；Bushee et al.(2017)采用2003——2008年期间7 668个有会议记录的会议展示为样本，发现约一半的会议会安排正式的线下交流，通过对这段时间的交易规模进行研究，发现在这段时间中平均交易规模显著增加、会议展示后交易回报率显著增加，表明线下交流确实提供了更多有用的信息；Green et al.(2014)以由107家券商举办的2 749次投资者会议为样本，研究发现举办方分析师评级上调（下调）后2天的股票异常收益率比其他分析师高1.09%（低-1.07%），这种差距在投资者会议后一个季度更大，进一步研究发现会议举办后3个月举办方分析师的盈余预测准确度显著提升，平均比非举办方分析师高5%。除此之外，还有部分学者通过对上市公司提供的与投资者或分析师交流的会议数据进行研究。Soltes(2014)通过对一家上市公司管理层与卖方分析师之间的电话会议记录研究发现分析师不仅与CEO和CFO私下交谈，还与经营区域和产品线的分区副总裁进行交谈，打电话这种非正式且更长时间的接触方式使得卖方分析师产生更多的分析报告，但是分析师的预测精准度却没有提高，他们认为分析师通过与管理层的接触并不是为了获取信息，而是通过与管理层建立更密切的关系从而获得将他们的买方客户介绍给管理层的机会。

国内学者对中国分析师或机构投资者到上市公司调研也进行了大量的研究，Cheng et al.(2016)以2009——2012年深圳证券交易所上市公司的实地调研为样本，研究发现相比于分析师没有进行实地调研的公司，分析师对实地调研的公司预测精准度的提升更大，并且发现预测精准度的提升程度在制造行业的公司、有形资产更多的公司以及商业活动集中的公司中更加明显；Han et al.(2018)采用2007——2014年更长的样本区间进行研究，也发现了与Cheng et al.(2016)相同的结论，调研完成后分析师的盈利预测精准度提升了30%，提升程度在交通更不方便、分析师和媒体覆盖较低的公司中更大，并且，对于与机构投资者利益冲突更少的分析师其预测精准度提升程度也更大；之后，Cheng et al.(2019)直接研究了实地调研后[0,+1]之间的市场反应，以调研后[0,+1]之间规模调整后异常收益率的绝对值减去正常时期的对应值，发现这个差异是正常时期的9.04%，相当于公布年报时价格反应的1/3，因此市场对实地调研的反应是非常强烈的；Liu et al.(2017)以2006——2014年来自于深圳证券交易所的调研数据，研究发现共同基金在调研上市公司完成后交易程度显著增加，并且交易行为能够预测未来的意外盈余，认为去上市公司调研有助于共同基金获得有用信息从而交易获利，并且发现调研越深入、公司信息环境越差，共同基金越能够获得更多的有用信息。

（二）理论分析与研究假设

参考以往学者的研究（Loughran and McDonald,2011; Tetlock et al., 2008；Davis et al.,2012；），本文主要关注于上市公司发布调研报告的负面语气，因为上市公司披露的报告相对比较乐观，报告中的负面语气的预测能力更强，有更多的信息含量。

虽然《办法》指出上市公司不能向特定调研对象披露重大非公开信息，但是允许上市公司披露非重大信息，即披露的信息不是重大信息，但是调研人员可以将这些信息与其他信息结合在一起，获取相关的重大非公开信息，从而改变他们对上市公司的盈利预测和估值，因此与管理层进行深入的交谈也有利于获取重要的私有信息（Bushee et al., 2011）。本文认为，分析师或机构投资者到上市公司调研可能从以下几个方面受益；第一，分析师或机构投资者能够将调研过程中获取的信息与他们拥有的私有信息相结合，从而得出有用的信息；第二，他们可以通过提问的方式确认他们知道但是并不确定的信息，包括公司的战略、产品、生产线、渠道、市场等，从而帮助他们确定估值模型中的相关参数；第三，对于不止一个调研人员的调研，调研人员也可以通过聆听其他调研人员提问的问题，知道市场上其他参与者的关注点，有助于全面评估被调研公司；第四，通过实地参观的方式能够获取公司生产、经营的真实情况，比言语获取的信息更加真实可靠。因此，当上市公司公布出调研报告后，市场上的投资者也能通过解读报告从而更新对公司的预期，做出交易，影响股价未来股票收益率。因此，本文提出假设H1：

H1：上市公司发布的调研报告的语气越负面，未来股票累计异常收益率越低。

然后，本文将考察上市公司发布的调研报告传达的是真正的信息还是噪音。在假设H1成立的情况下，本文认为此结果的出现既有可能是由于调研报告的确具有信息含量，也可能是其对股价的影响仅停留在短期，即调研报告所包含的并非信息而是噪音。对此，参考Chen et al.(2014)，本文通过研究调研报告的负面语气能否预测公司的意外盈余来判断其所传达的到底是真正的信息还是噪音。本文认为，一方面，投资者或分析师对上市公司调研前，需要花费大量的时间和努力挖掘和掌握公司的基本信息和经营情况，所以其时间成本和资金成本较高；另一方面，大多数的调研人员均为专业投资人员，他们具有更强的信息处理和挖掘能力（Boehmer and Kelley, 2009; Boulatov et al., 2013; Campbell et al., 2009; Hendershott et al., 2015），因此上市公司调研报告的负面语气传达出来的是真正的信息。因此，本文提出假设H2：

H2：上市公司发布的调研报告的语气越负面，未来公司年报的意外盈余越小。Reti,t为股票i在t日的收益率，MReti,t为股票i所在市场在t日的市场收益率。

2.被解释变量2：意外盈余

参考Chen et al.(2014)，本文采用实际每股收益减去年报发布前40日内所有发布研究报告的分析师对每股收益预测的均值，然后再除以股价，具体定义如模型(3)，其中EPSi,y为i公司y年实际每股收益，FEPSi,y为分析师对i公司y年每股收益预测的平均值，Pricei,y-40,y-3为公司盈余公布前40日至3日之间股价的平均值。

3.解释变量：上市公司调研报告的负面语气

参考以往研究，本文将以大数据搜索与挖掘共享平台（NLPIR）为工具，对报告中的文本信息进行情感分析，得出负面得分2.网址为http://ictclas.nlpir.org/nlpir/。NLPIR工具进行的情感分析主要采用了两种技术：第一，情感词的自动识别与权重自动计算：利用共现关系，采用Bootstrapping的策略反复迭代，生成新的情感词及权重；第二，情感判别的深度神经网络：基于深度神经网络对情感词进行扩展计算，综合为最终的结果。并且，本文对部分样本通过人工阅读，将人工阅读的结果与用NLPIR为工具进行的情感分析结果进行对比，匹配率达到了85%以上。（汪昌云和武佳薇,2015）。之后，将负面得分除以总字数进行标准化，即得到Negi,t，计算方式见式(4)。

三、数据及研究方法

（一）变量定义与数据描述

本文以2012年1月1日——2018年12月31日中国A股公司为样本，剔除公司盈余公告披露前后10日的调研样本、金融行业的公司、ST公司以及相关数据缺失的样本。公司相关数据来自于CSMAR和Resset数据库，调研数据来自于CNRDS数据库。

1.被解释变量1：股票累计异常收益率

本文对股票累计异常收益率的衡量指标构建如下：

第一个衡量指标是 C AR_Marketi,t1,t2：根据模型(1)，本文利用股票i的日度收益率计算股票i经过市场调整后在[t1,t2]之间的累计异常收益率CAR_Marketi,t1,t2。其中，

为了检验H2，参考Chen et al.(2014)，本文以股票i在y年宣告盈余公告前40天至3天之间投资者调研报告的负面得分占总字数比例（Negi,t）的平均值作为解释变量。

4.主要控制变量

在对H1检验时，借鉴已有文献（Fama and French,1993; Carhart, 1997; Chen et al., 2014），本文考虑加入如下控制变量：公司规模(Sizei,t)、市账比(MBi,t)、资产负债率(Levi,t)、资产收益率（ROAi,t）、股票日收益率的标准差(Voli,t)、t-1和t-2日的股票异常收益率（ARi,t-1、ARi,t-2）、[t-60, t-3]之间的股票累计异常收益率（CARi,t-60,t-3）。

另外，学者们还发现媒体语气能对投资者的交易行为和股票收益率产生影响（Tetlock, 2007; Fang and Peress,2009）， 因此为了控制媒体语气的影响，参考国内研究（李培功和沈艺峰，2010；游家兴和吴静，2012），对媒体语气进行控制。将正面的媒体报道内容定义为1，负面的定义为-1，中 性 为 0，Newstonei,t定义为当天所有新闻语气的平均值。若股票i在t天没有媒体报道，Newsdummyi,t为 0，否则为1。数据来源于CNRDS数据库3.该数据库有监督学习在文本分类问题中的应用包括以下几个步骤：(1)事先定义类别(包括正面、负面、中性三种)，对数据进行人工标注，得到正面新闻10370条、负面新闻4500条、中性新闻9100条；(2)从有类别信息的数据集中自动获取数据，这部分数据被称为“训练数据”；(3)引入有监督学习算法支持向量机(Support Vector Machine)在训练数据集上学习得到分类模型；(4)接下来使用分类模型自动预测测试数据集的类别(本数据库采用的模型在测试数据集上的准确率达到了85%)。。

并且，为了更清楚地分离出其他信息披露产生的影响，对分析师评级变动进行控制，参考Chen et al.(2014)，用Upgradei,t,Downgradei,t代表公司i在t日是否有上调或下调其评级的分析师报告，如果t日有上调分析师评级，则为1，否则为0；如果t日有下调分析师评级，则为1，否则为0；如果宣告调研内容的当天没有分析师报告发布，则为0，否则为1。

在对H2检验时，除了公司规模(Sizei,t)、成长性(MBi,t)、财务杠杆(Levi,t)、股票日收益率的标准差(Voli,t)、股票累计异常收益率、媒体语气是否有媒体报道外，还控制了分析师预测标准差(FDispersioni,y−40,y−3)以及上一期的分析师意外盈余（LagEarningsSurprisei,y）。此外，本文还控制了行业、年度和月度哑变量，详细变量定义见表1。

表1 变量定义

（二）实证模型

参考Chen et al.(2014)，采用模型(5)对假设H1进行检验：

其中，CARi,t+1,t+20为股票i在[t+1,t+20]之间的累计异常收益率，分别采用模型(1)和(2)所定义的本文采用[t+1,t+20]作为计算累计异常收益率的时间区间，主要考虑到投资者需要对调研内容进行详细的分析和处理。如果假设H1成立，则β1预期为负，表明上市公司调研报告负面语气越大，未来股票累计异常收益率越小。

表2 描述性统计

采用模型(6)对假设H2进行检验，即公司调研报告语气越负面，公司的意外盈余越低。不难看到，如果假设H2成立，则β1预期为负。

四、主要结果

（一）描述性统计和相关系数

表2 Panel A为假设H1各变量的基本描述性统计，股票累计异常收益CAR_Marketi,t+1,t+20和CAR_DGTWi,t+1,t+20的均值均为0.01和0.005。控制变量中，媒体语气（Newstonei,t）的平均值为0.006，说明媒体报道语气平均来说是偏正面的，分析师上调（Upgradei,t）和分析师下调（Downgradei,t）平均值分别为0.003和0.001，分析师上调评级高于分析师下调评级，说明分析师更倾向于上调评级而非下调评级，t-1日的股票异常收益率（AR_Marketi,t-1、AR_DGTWi,t-1）分别为0.002、0.002，t-2日的股票异常收益率（AR_Marketi,t-2、AR_DGTWi,t-2）分别为 0.002、0.002，[t-60,t-3]之间的股票累计异常收益率（CAR_Marketi,t-60,t-3、CAR_DGTWi,t-60,t-3）分别为0.049、0.03，公司规模（SIZEi,t）的平均值为22.184，市账比（MBi,t）的平均值为2.898，资产负债率（Levi,t）的平均值为0.413，波动性（Voli,t）的平均值为0.031。

表2 Panel B为假设H2各变量的基本描述性统计，意外盈余（EaringsSurprisei,y）的均值为-0.011，标准差为0.018，盈余公告前40天至3天上市公司调研报告负面语气（Negi,y-40,y-3）的均值和方差分别为0.016和0.008。

Voli,t 0.053***0.027**-0.055***0.01-0.085***0.115***-0.019*-0.068*** 1 0.018* -0.002 Upgradei,t 0.02* 0.015 -0.0010.0040.018*0.000 0.0030.022**0.01 1 -0.001 Downgradei,t 0.005 0.006 0.013-0.0010.025**-0.0040.002-0.001-0.002-0.001 1注：1. 对角线上方为 Spearman相关系数值，对角线下方为 Pearson相关系数；2. *、**、***分别表示10% 、5% 和1% 的显著性水平（以下各表同）；3. 为节约篇幅，这里仅列出重要变量之间的相关系数。Marketi,t+1,t+20 VARIABLES CAR_DGTW i,t+1,t+20 CAR_表3 假设1主要变量的 Pearson 和 Spearman 相关系数Sizei,t -0.057***-0.015-0.043***0.021** 1 -0.239***0.598-0.077***-0.108***0.02* 0.025**MBi,t 0.001 0.007-0.024**-0.001-0.157*** 1 -0.082***0.151***0.269***0.012 -0.01 Levi,t -0.034***-0.008-0.047***0.014 0.5820.037*** 1 -0.324***-0.031***0.003 0.002 ROAi,t -0.005 -0.002-0.029***-0.01-0.068***-0.007-0.301*** 1 -0.056***0.011 -0.002 Negi,t -0.024**-0.025** 1 0.000-0.059***-0.039***-0.074***-0.032***-0.060***-0.003 0.007 Newstonei,t 0.011 0.016 0 1 0.029***-0.0030.016-0.0130.011-0.002-0.001 CAR_Marketi,t+1,t+20 1 0.866***-0.03***0.017*-0.053***-0.032***-0.026**0.018*0.008 0.011 -0.002 CAR_DGTW i,t+1,t+200.893*** 1 -0.026**0.012*0.008-0.0120.002 0.013-0.027***0.011 -0.001 Negi,tNegi,tSizei,tMBi,tLevi,tROAi,tVoli,tUpgradei,t Downgradei,t

出列ispersioni,y-40,t-3仅*58*****里这0.05*-0.042 5***49**5***56**25**1，幅FD -0.6 0.22-0.2 0.17-0.1-0.1篇约节为3.40,t-3 R_Marketi,y-）；同***0.097***32表1 0.0438***-0.0各-0.063**下19 CA -0.0 0.004 0.23.125-0以（平水**性67**著040 Voli,y 6***显64**0.111 0.*3***6***的数系-0.2-0.007 0.26-0.0 0.27-0.1218*1%关和相5%an 2734333***rm 01 ea Levi,y-0.0-0.0 636***-0.0.061**0.00 1606 10% 、S p 0.-00.示表n 和**别arso .016 MBi,y 0.131*052***分.038-03***0..032-0.16*956***1***Pe -00.-0-0.1*、的、*量****变要17***；2. *主Sizei,y-0.009-0.008-0.041数2-0.219**0.63-0.261**-0.088**0.2074**系设关假nei,y-**7**相n 4 40,y-31055**.048*055**.0302表wsto 072*116*Ne 0.0.01-0.026 0.-00.0.-0Pearso为方下Negi,y-40,y-3-0.037 1015 0.001 0.002 0.013 0..01-0-0.031 77**0.06线角对sSurprisei,y ，值**89****数系1关ring 0.063*049*0.854*相Ea -0.0-0.058**0.131***-0.09***0.093***-0.6 an Sp earm ispersioni,y-EaringsSurprisei,y 为able 40,y-3方上40,t-3 Vari 40,y-3 40,t-3 Negi,y-Newstonei,y-Sizei,y MBi,y Levi,y Voli,y rketi,y-R_Ma 线角CA FD 对：1.注。数系关相的间之量变要重

表3为假设H1主要变量的Pearson相关系数和Spearman相关系数。首先，CAR_Marketi,t+1,t+20与CAR_DGTWi,t+1,t+20的Pearson和Spearman相关系数分别是0.893和0.866，在1%的水平下显著，说明两个衡量股票累计异常收益率的指标具有较好的一致性。其次，上市公司调研报告负面语气（Negi,t）与未来股票累计异常收益率之间的Pearson相关系数分别为-0.024和-0.025，且均在5%的水平下显著，说明在不控制其他因素的情况下，上市公司调研报告语气越负面，未来股票累计异常收益率越低，初步证明了本文的假设H1。媒体语气（Newstonei,t）与未来股票累计异常收益率之间的Pearson相关系数0.011和0.016，影响与以往文献一致，是否有分析师上调评级（Upgradei,t）与未来股票累计异常收益率之间的Pearson相关系数分别为0.02和0.015，且前者在10%的水平下显著。

表4为假设H2变量的Pearson相关系数和Spearman相关系数。可以看出意外盈余（EaringsSurprisei,y）与年报公布前上市公司调研负面语气（Negi,y-40,y-3）之间的Pearson和Spearman相关系数分别为-0.089和-0.037，前者在1%的水平下显著，说明在不控制其他因素的情况下，盈余公告前上市公司调研报告语气越低，意外盈余越小，初步证明本文的假设H2。意外盈余与年报公布前媒体情绪（Newstonei,y-40,y-3）之间的Pearson和Spearman相关系数分别为0.063、0.072，分别在5%和1%的水平下显著，与前人研究一致。

（二）上市公司调研报告的负面语气与未来股票累计异常收益率

利用模型(5)对假设H1进行检验，结果见表5，其中第(1)和(2)列分别以CAR_Marketi,t+1,t+20和CAR_DGTWi,t+1,t+20作为被解释变量。结果显示，上市公司调研报告负面语气（Negi,t）的回归系数分别为-0.385和-0.356，在1%和5%的水平下显著，说明上市公司调研报告的语气越负面，未来股票累计异常收益率越低，证明了本文的假设H1；经济意义上，上市公司调研报告的负面语气下降一个单位的标准差，每年可以获得超出市场收益率4.2%的收益或超出与其规模、账市比和过去收益相似的股票组合3.89%的收益率。这就说明，上市公司公布的调研报告具有信息含量。

此外，表5显示新闻媒体（Newstonei,t）的回归系数分别为0.011和0.013，在10%和5%的水平下显著，这与前人的研究一致，媒体情绪也会对未来股票累计异常收益产生影响（Tetlock, 2007; Fang and Peress, 2009）；经济意义上，新闻媒体语气每上升一个单位的标准差，每年可以获得超过市场收益率2.3%或超过与其规模、账市比和过去收益相似的股票组合2.7%的收益率。将上市公司调研报告与媒体的情绪对未来股票累计异常收益率的经济影响对比，发现上市公司调研报告的影响更大。

表5 上市公司调研报告的负面语气与未来股票累计异常收益率

（三）上市公司调研报告的负面语气与意外盈余

虽然上文已经证明，上市公司调研报告中的负面语气能够显著负向预测未来股票累计异常收益，然而为了进一步证明上市公司调研报告包含的是真实的信息而非噪音，本文参考Chen et al.(2014)的方法，通过研究年报发布前40天内上市公司调研报告的负面语气能否预测公司的意外盈余来进一步确认，估计结果见表6。表6结果显示上市公司调研报告的负面语气的回归系数为-0.109，且在5%的水平下显著，说明在控制包括新闻媒体语气等其他控制变量后，上市公司调研报告的负面语气的确能够显著负向预测公司未来的意外盈余，说明上市公司调研的确具有信息含量，而不是噪音，证明了假设H2。

另外，媒体情绪（Newstonei,y-40,y-3）的回归系数为0.002，在5%的水平下显著，这也与前人研究一致，说明新闻媒体的报道也具有真实的信息（Tetlock, 2007; Tetlock et al.,2008; Fang and Peress, 2009）。

五、研究结论及建议

（一）研究结论

本文以2012年1月1日——2018年12月31日所有A股上市公司调研报告为样本，采用文本分析的方法计算出衡量调研报告负面语气的指标，探讨上市公司公布的调研报告是否具有信息含量这一问题，本文的研究结论如下：

1.上市公司公布的调研报告的负面语气能够显著负向预测未来股票累计异常收益率；经济意义上，上市公司调研报告的负面语气下降一个单位的标准差，每年可以获得超出市场收益率4.2%的收益或超出与其规模、账市比和过去收益相似的股票组合3.89%的收益率。

2.上市公司公布的调研报告的负面语气能够显著负向预测未来公司年报的意外盈余，证明上市公司调研的确具有信息含量而不是噪音。总之，上市公司公布的调研报告的确能够有效传递有效信息，提高公司的信息披露质量，有利于缓解选择性披露。

表6 投资者调研报告的负面语气与公司意外盈余

（二）政策建议

基于本文的研究结论，对政策制定者、上市公司以及投资者提出几点政策建议：

1.对于政策制定者而言，应该不断完善并进一步落实此项制度，包括鼓励上市公司详细、完整地披露调研报告，提供调研过程中的录音和展示文稿等。目前，虽然上市公司披露了相关的调研报告，但是并没有将调研过程中所有的信息都记录在报告中，部分公司的报告仅仅是对之前报告内容的重复，存在敷衍了事的嫌疑，因此本文建议政策制定者应强制性要求上市公司对调研中的交谈进行录音并将录音公布出来，以使得所有投资者都能得到完全相同的信息，从而最大限度的降低调研过程中的选择性披露问题。

2.对于好的上市公司而言，应该重视调研报告的披露情况，通过详细披露调研内容的方法将自己与坏公司区分开来。对于好公司而言，一方面，上市公司披露详细的调研报告有利于提升投资者对公司的关注度，使得所有投资者能够更加深入、及时地了解公司经营状况，从而降低管理层的短视行为，有利于公司的长期发展；另一方面，根据信号理论，好公司可以通过详细披露调研报告的内容向市场释放出信号，从而将自己与坏公司区分开来，有利于公司价值的提升。

3.对于投资者而言，可以充分利用调研报告中的信息作出投资决策实现财富的增值。分析师和机构投资者作为专业的投资人员，他们是市场的风向标，因此投资者可以在充分阅读调研报告后了解到其他投资者或分析师对上市公司的关注点，更加准确把握上市公司的经营情况从而及时更新对上市公司的业绩预期和估值，通过全面评估上市公司进行投资决策，实现最大程度的财富增值。