复旦大学：《投资学原理 Investments》课程教学资源（学生论文）证券分析师、交易热度及市场效率.pdf_大学文库

引言有效性一直以来是考察一国股票市场的重要指标,越有效的市场,对信息的反映越充分、及时,能够有效引导资源优化配置,对国民经济具有巨大的促进作用(Beck, Levine 和 Loayza,2000)。对于影响股价的信息,可以划分为三个层面:市场层面、行业层面和公司层面( Compbell et al.,2001)。其中公司层面信息的含量,一直作为衡量股价有效性的代理指标。我国股票市场参与者以散户为主,整体投资分析水平偏低,非理性程度较髙。在这种情况下,作为一贯被冠以“理性”的证券分析师的预测和建议,就成了辅助很多投资者进行投资决策的工具。理论上讲,证券分析师拥有专业知识,同时有更直接获取信息的渠道(如实地调研),证券分析师们利用这些优势深挖公司、行业等各方面信息,并加以理性分析,最后通过研究报告传递给投资者,因此证券分析师被认为是有助于增加市场有效性的。然而现实中,一些证券分析师由于利益冲突等原因,会发布内容不实的研究报告,有时甚至涉足内幕消息泄密、与庄家合作操纵股价等违法事件,使分析师的可信度受到质疑(姜超,2013)。因此分析师的工作到底有没有增加市场有效性,仍需进一步考察。市场的有效性不仅取决于分析师是否及时挖掘了准确信息,还取决于投资者的注意力。由于投资者的注意力是一种稀缺的认知资源( Kahneman,1973),投资者对分析师关注程度的不同影响着分析师报告的使用效率,影响着分析师报告的信息含量増加效应 (杨海燕,2015)。股票的交易热度就是对投资者注意力的一个反映,通常情况下,交易热度高的股票,所吸纳的投资者注意力也高。那么跟踪该股票的分析师发布的硏究报告也,也就容易的到更多投资者的重视,从而扩大分析师报告的影响面;其次,我国证券分析师大多就职于券商,券商的盈利模式促使分析师倾向于关注交易热度高的股票, 进而影响与该股票相关的分析师活动强度;最后,由于我国80%以上的交易由散户来完成,而散户的交易策略多为短线操作,快进快出,由此带来的交易热度上升很可能是非理性程度较髙的,此时分析师可能会顺应市场的非理性,也可能保持冷静客观。综上所述,分析师对股价信息含量的影响力,很可能受到个股交易热度的影响。本文将使用个股累计超额收益率与未来公司预期外盈余变动的相关度作为股价有效性的代理变量,来考察我国证券分析师是否增加了市场的有效性。同时,以股票日平均换手作为交易热度的代理变量,考察交易热度会否影响分析师对价格信息含量的作用力。本文以下部分的结构:第二部分为文献回顾,第三部分是研究假设及设计,第四部分为研究结果及分析,第五部分为结论。二、文献回顾 (一)股票价格信息含量与分析师现有文献对于股价信息含量的考察,都侧重于公司特质基本面信息含量,度量的方法通常有两种。一种是以个股“股价同步性”的程度来衡量。“股价同步性”通常用个股收益率对市场收益率回归的R方来表示,有些研究也使用个股收益率同时对市场以及行业收益率回归的R方。R方越大,则“股价同步性”越大,则表明股价波动中的“公司

1 一、引言有效性一直以来是考察一国股票市场的重要指标，越有效的市场，对信息的反映越充分、及时，能够有效引导资源优化配置，对国民经济具有巨大的促进作用（Beck，Levine 和 Loayza，2000）。对于影响股价的信息，可以划分为三个层面：市场层面、行业层面和公司层面（Compbell et al.，2001）。其中公司层面信息的含量，一直作为衡量股价有效性的代理指标。我国股票市场参与者以散户为主，整体投资分析水平偏低，非理性程度较高。在这种情况下，作为一贯被冠以“理性”的证券分析师的预测和建议，就成了辅助很多投资者进行投资决策的工具。理论上讲，证券分析师拥有专业知识，同时有更直接获取信息的渠道（如实地调研），证券分析师们利用这些优势深挖公司、行业等各方面信息，并加以理性分析，最后通过研究报告传递给投资者，因此证券分析师被认为是有助于增加市场有效性的。然而现实中，一些证券分析师由于利益冲突等原因，会发布内容不实的研究报告，有时甚至涉足内幕消息泄密、与庄家合作操纵股价等违法事件，使分析师的可信度受到质疑（姜超，2013）。因此分析师的工作到底有没有增加市场有效性，仍需进一步考察。市场的有效性不仅取决于分析师是否及时挖掘了准确信息，还取决于投资者的注意力。由于投资者的注意力是一种稀缺的认知资源（Kahneman，1973），投资者对分析师关注程度的不同影响着分析师报告的使用效率，影响着分析师报告的信息含量增加效应（杨海燕，2015）。股票的交易热度就是对投资者注意力的一个反映，通常情况下，交易热度高的股票，所吸纳的投资者注意力也高。那么跟踪该股票的分析师发布的研究报告也，也就容易的到更多投资者的重视，从而扩大分析师报告的影响面；其次，我国证券分析师大多就职于券商，券商的盈利模式促使分析师倾向于关注交易热度高的股票，进而影响与该股票相关的分析师活动强度；最后，由于我国 80%以上的交易由散户来完成，而散户的交易策略多为短线操作，快进快出，由此带来的交易热度上升很可能是非理性程度较高的，此时分析师可能会顺应市场的非理性，也可能保持冷静客观。综上所述，分析师对股价信息含量的影响力，很可能受到个股交易热度的影响。本文将使用个股累计超额收益率与未来公司预期外盈余变动的相关度作为股价有效性的代理变量，来考察我国证券分析师是否增加了市场的有效性。同时，以股票日平均换手作为交易热度的代理变量，考察交易热度会否影响分析师对价格信息含量的作用力。本文以下部分的结构：第二部分为文献回顾，第三部分是研究假设及设计，第四部分为研究结果及分析，第五部分为结论。二、文献回顾（一）股票价格信息含量与分析师现有文献对于股价信息含量的考察，都侧重于公司特质基本面信息含量，度量的方法通常有两种。一种是以个股“股价同步性”的程度来衡量。“股价同步性”通常用个股收益率对市场收益率回归的 R 方来表示，有些研究也使用个股收益率同时对市场以及行业收益率回归的 R 方。R 方越大，则“股价同步性”越大，则表明股价波动中的“公司

特质波动”更多,这一部分可能是由于包含了更多的公司特质信息,也有可能是包含了更多的个股特质噪声早期的相关研究( Morck et al,2001; Durney et al,2003; Jin and myers,2006; Hutton et al,2009)认为,股价同步性越低,股价中包含的公司特质信息越多。国内的研究也有类似结论,如袁知柱,鞠晓峰(2009的硏究结果表明公司特质信息是影响我国股票价格非同步性的主要因素,因此认为股价非同步性能够用来测量我国股价的公司特质信息含量。但是仍有一定数量的实证研究质疑上述结论(例如 Ashbaugh- Skaife et al 2006: Kelly,,2007;:王亚平等,2009:许年行等,2011) Lee and liu(2011)甚至从理论角度得出在噪音较大的市场中,个股股价同步性越高反而意味着股价中公司特质信息含量越多。在利用该度量方法对我国分析师的研究中,朱红军等(2007)发现证券分析师活动强度对股价同步性有负向影响,从而认为我国证券分析师能够增加股价中公司特质信息含量,然而李春涛和张璇(2011)以及冯旭南和李心愉(2011)却得到与朱红军等(2007)相反的结论。另一种度量股价信息含量的方法,是考察个股累计超额收益率对公司预期外盈余变动的反映,反映程度越髙,则代表股价中的信息含量越高。如果将预期外盈余变动分解为行业成分与公司成分,则还可以分别考察公司特质信息以及行业层面信息的含量。运用这一方法, Piotroski and roulstone(2004)发现美国证券分析师不能增加股价中公司特质信息含量。国内利用这一方法的研究很少,并且数据时效性不高,只有朱红军等 (2007)以及姜超(2013)利用过类似方法,证明了2009年以前,我国分析师提升了股价的公司特质信息含量。 (二)交易热度、情绪及分析师作用交易热度,也即交易活跃程度,反映了一种资产流动性的好坏。证券市场的一个重要功能就是为资产提供流动的场所,但是现实当中,不同股票间的交易活跃程度不同, 流动性也不尽相同。理论上讲,交易活跃的股票,其价格对信息的反映越及时,陈梦根和毛小元(2007)对我国股票市场的研究表明,交易越活跃的股票,其股价同步性越低, 从而认为其信息含量越高。 Kahneman(1973)的硏究表明,投资者注意力是一种稀缺的认知资源。不同股票间交易活跃程度的差异,正反映了投资者注意力在不同股票上的分布。证券分析师为了获取更大的客户群,其行为特征可能也受到交易活跃程度的影响。此方面尚无专门研究成果,但伍燕然等(2012)用换手率构造了投资者情绪指数,并得岀投资者情绪会影响分析师的预测偏差;黄永安与曾小青(2013)也利用换手率构造了情绪指标,证明了投资者情绪指数越高,分析师跟进人数越大。以上研究均从侧面表明股票的交易热度会影响分析师的行为特征,但仍没有研究直接表明这种作用是否影响了分析师对股价信息含量的作用力。三、研究假设及设计 )研究假设我国证券市场从建立至今,经历了飞速的发展,投资者知识水平逐渐提升,监管日趋完善,证券分析师队伍愈发壮大,其专业能力与职业操守也一直在进步。证券分

2 特质波动”更多，这一部分可能是由于包含了更多的公司特质信息，也有可能是包含了更多的个股特质噪声。早期的相关研究（Morck et al.，2001；Durnev et al.，2003；Jin and Myers，2006； Hutton et al.，2009）认为，股价同步性越低，股价中包含的公司特质信息越多。国内的研究也有类似结论，如袁知柱，鞠晓峰（2009）的研究结果表明公司特质信息是影响我国股票价格非同步性的主要因素，因此认为股价非同步性能够用来测量我国股价的公司特质信息含量。但是仍有一定数量的实证研究质疑上述结论（例如Ashbaugh-Skaife et al.， 2006；Kelly，2007；王亚平等，2009；许年行等，2011）Lee and Liu（2011）甚至从理论角度得出在噪音较大的市场中，个股股价同步性越高反而意味着股价中公司特质信息含量越多。在利用该度量方法对我国分析师的研究中，朱红军等（2007）发现证券分析师活动强度对股价同步性有负向影响，从而认为我国证券分析师能够增加股价中公司特质信息含量，然而李春涛和张璇（2011）以及冯旭南和李心愉（2011）却得到与朱红军等（2007）相反的结论。另一种度量股价信息含量的方法，是考察个股累计超额收益率对公司预期外盈余变动的反映，反映程度越高，则代表股价中的信息含量越高。如果将预期外盈余变动分解为行业成分与公司成分，则还可以分别考察公司特质信息以及行业层面信息的含量。运用这一方法，Piotroski and Roulstone（2004）发现美国证券分析师不能增加股价中公司特质信息含量。国内利用这一方法的研究很少，并且数据时效性不高，只有朱红军等（2007）以及姜超（2013）利用过类似方法，证明了 2009 年以前，我国分析师提升了股价的公司特质信息含量。（二）交易热度、情绪及分析师作用交易热度，也即交易活跃程度，反映了一种资产流动性的好坏。证券市场的一个重要功能就是为资产提供流动的场所，但是现实当中，不同股票间的交易活跃程度不同，流动性也不尽相同。理论上讲，交易活跃的股票，其价格对信息的反映越及时，陈梦根和毛小元（2007）对我国股票市场的研究表明，交易越活跃的股票，其股价同步性越低，从而认为其信息含量越高。 Kahneman（1973）的研究表明，投资者注意力是一种稀缺的认知资源。不同股票间交易活跃程度的差异，正反映了投资者注意力在不同股票上的分布。证券分析师为了获取更大的客户群，其行为特征可能也受到交易活跃程度的影响。此方面尚无专门研究成果，但伍燕然等（2012）用换手率构造了投资者情绪指数，并得出投资者情绪会影响分析师的预测偏差；黄永安与曾小青（2013）也利用换手率构造了情绪指标，证明了投资者情绪指数越高，分析师跟进人数越大。以上研究均从侧面表明股票的交易热度会影响分析师的行为特征，但仍没有研究直接表明这种作用是否影响了分析师对股价信息含量的作用力。三、研究假设及设计（一）研究假设我国证券市场从建立至今，经历了飞速的发展，投资者知识水平逐渐提升，监管日趋完善，证券分析师队伍愈发壮大，其专业能力与职业操守也一直在进步。证券分

3 析师对市场的正面作用应当是越来越大的。对于交易热度高的股票，分析师通常会更加努力的挖掘信息，同时其报告也影响到更多的投资者。综上，本文提出如下研究假设：假设 1：我国证券分析师能够增加股价中公司特质信息含量，并且这种作用近几年逐步提高。假设 2：交易热度越高，分析师对股价中公司特质信息含量的提升作用越强。（二）研究设计我们采用“累计超额收益率回归”的方法来得到股票价格信息含量的度量，该方法类似于 Piotroski and Roulstone（2004）以及 Ayers 和 Freeman（2003）中的方法。首先构造历年公司的“预期外盈余变动”，并将其分成公司特质成分及行业成分，计算方法如下： 𝐹𝑖,𝑡+𝑗 = ∆𝐹𝐸𝑖,𝑡+𝑗 − ∆𝐼𝐸𝑖,𝑡+𝑗 𝐼𝑖,𝑡+𝑗 = ∆𝐼𝐸𝑖,𝑡+𝑗 − ∆𝑀𝐸𝑖,𝑡+𝑗 ∆𝐹𝐸𝑖,𝑡+𝑗 = 𝑖公司第𝑡 + 𝑗年盈余 − 𝑖公司第𝑡 + 𝑗 − 1 年盈余 𝑖公司𝑡 + 𝑗年年初市值其中，𝐹𝑖,𝑡+𝑗和𝐼𝑖,𝑡+𝑗分别是预期外盈余变动的公司特质成分与行业成分。∆𝐼𝐸𝑖,𝑡+𝑗是 ∆𝐹𝐸𝑖,𝑡+𝑗按行业计算的平均值，∆𝑀𝐸𝑖,𝑡+𝑗是全市场∆𝐹𝐸𝑖,𝑡+𝑗的平均值。由于我国上市公司存在盈余管理行为（魏明海，2000），为消除该效应对最终结果的影响，我们采用扣除非经常性损益后的公司利润作为盈余指标。累计超额收益率（CAR）采用个股月度额收益的年度累计值。月度超额收益率由如下回归方程的残差得到： 𝑅𝑖,𝑡 = 𝛼𝑖 + 𝛽𝑖𝑅市场，𝑡 + 𝜀𝑖,𝑡 我们采用个股年度日均换手率（Turnover）来衡量股票交易热度；用个股的年度分析师研究报告数目来衡量分析师活动强度，模型中采用得是其绝对数量加 1 再取自然对数后的值（Analyst）；用下一期累计超额收益和公司市值的自然对数（Capital）作为控制变量，控制其他因素对当期累计超额收益的影响。为验证前述假设的回归模型如下： 𝐶𝐴𝑅𝑖,𝑡 = 𝛼0 + 𝛼1𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 + ∑ 𝛽𝑗 𝐼𝑖,𝑡+𝑗 1 𝑗=−1 + ∑ 𝛾𝑗𝐹𝑖,𝑡+𝑗 1 𝑗=−1 + ∑ 𝜆𝑗𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐼𝑖,𝑡+𝑗 1 𝑗=−1 + ∑ 𝜇𝑗𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+𝑗 1 𝑗=−1 + 𝜌𝐶𝑎𝑝𝑖𝑡𝑎𝑙𝑖,𝑡 + 𝜂𝐶𝐴𝑅𝑖,𝑡+1 + 𝜀𝑖,𝑡 (1)

4 𝐶𝐴𝑅𝑖,𝑡 = 𝛼0 + 𝛼1𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 + ∑ 𝛽𝑗 𝐼𝑖,𝑡+𝑗 1 𝑗=−1 + ∑ 𝛾𝑗𝐹𝑖,𝑡+𝑗 1 𝑗=−1 + ∑ 𝜆𝑗𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐼𝑖,𝑡+𝑗 1 𝑗=−1 + ∑ 𝜇𝑗𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+𝑗 1 𝑗=−1 + 𝜃1𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡 + 𝜃2𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1 + 𝜃3𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡 ∙ 𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 + 𝜃4𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡 ∙ 𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1 + 𝜌𝐶𝑎𝑝𝑖𝑡𝑎𝑙𝑖,𝑡 + 𝜂𝐶𝐴𝑅𝑖,𝑡+1 + 𝜀𝑖,𝑡 (2) 模型（1）用于检验假设 1。根据朱红军（2007），如果我国分析师能提升股价中的公司特质信息含量，那么累计超额收益率与未来盈余变动的相关性会更强，同时与过去的盈余变动相关性减弱，即𝜇1显著为正且显著𝜇−1为负。对于假设 1 的后半部分，可以通过模型（1）进行分年度回归，若𝜇1为正且整体呈上升趋势，则假设 1 后半部分成立。模型（2）用于检验假设（2）。陈梦根与毛小元（2007）的研究表明交易活跃程度越高，股价中的公司特质信息含量越高，因此我们在模型中通过交叉项𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1来控制交易活跃度对公司特质信息含量的直接影响。假如模型（2）中的𝜃3显著且为正，则表明交易活跃程度越高，分析师对股价公司特质信息含量的提升作用越大；假如𝜃3显著为负，则表明交易热度的提升反而加剧了分析师的非理性，使其对公司特质信息含量的提升作用下降。本文采用 2006 到 2013 年全部 A 股上市公司的数据进行检验。剔除掉严重数据缺失的样，共包含了 2295 家上市公司总共 12728 条观测值。数据全部来自于 Wind 金融终端以及国泰安数据库。四、研究结果及分析（一）描述性统计结果各个主要变量的描述性统计结果如下。可以发现在各变量上，样本间的差异都比较大。表 1：变量描述性统计结果样本量最小值最大值均值标准偏差 CAR(i,t) 12728 -1.52329 1.74867 0.02112 0.38114 F(i,t-1) 12728 -4.23010 8.23710 -0.00377 0.23456 F(i,t) 12728 -4.23010 12.52919 -0.00163 0.23844 F(i,t+1) 12728 -2.51673 12.52919 0.00107 0.19610 I(i,t-1) 12728 -0.71514 1.79385 -0.00029 0.08535 I(i,t) 12728 -0.31714 1.77238 -0.00002 0.07639 I(i,t+1) 12728 -0.25137 1.27902 0.00034 0.05985 Analyst(i,t) 12728 0.00000 6.33505 2.31006 1.79758 Capital(i,t) 12728 18.95064 28.63002 21.96987 1.17104

CAR(i, t+1) 12728 -149605 1.85366 0.05033 0.34651 Turnover(i, t) 12728 00000 1.25011 0.03446 0.02739 (二)变量相关性检验表2:变量间 Pearson相关性检验 CAR(, t) F(i, t-1) F(i, t) F(, t+1) I(i, t-1) I(i, t) I(, t +1) Analyst Capital CAR(, t+1)Turnover CAR(, t) F(t-1) F〔t) 079.222 F(t+1) 014 l(t-1) 017 143 l(t+1) 003 001 -.001 011122 Analyst 026 016 .035 002 043 007 052 584 CAR(,+1) 018018 003015 Turnover 195 001 各变量间相关性如上表所示。除了分析师活动强度( Analyst)同年初总市值( Capital) 的相关系数为0.584以外,其他各变量间的相关系数绝对值都不足0.3,并且有些变量间的相关性不显著。所以本文所选择的变量间不存在多重共线性的问题,各变量较好地衡量了不同的维度。 (三)模型估计结果表(3)展示了模型(1)对全样本以及分年度回归的结果。从全样本回归结果来看, Fκ-1、Ft及Ft*1的回归系数均非负,且Ft-1、Ft前系数均显著,即意味着个股的年度累计超额收益率同当期及前一期的公司预期外业绩变动均成正相关,说明模型是合理的然而Ft1前系数的不显著,表明从整体上看,股票价格中公司特质信息含量不够多,累计超额收益率和未来盈余变动并没有什么相关性。从交叉项的系数来看, Analyst Fit-1前的系数显著为负,同时 Analystic. F+前的系数显著为正,意味着分析师活动强度越高,个股累计超额回报率受历史盈余变动的影响变小,受未来盈余变动的影响增大。这一结果证实了先前的猜想,即在2006~2013这八年间,我国证券分析师的工作确实提升了股价中公司特质信息的含量,使得个股的定价更加趋近于公司未来价值,而更少受历史数据影响。 Analyst.t·Fit前系数显著为正,朱红军(2007)认为这既有可能是股价中包含了更多的当年公司特质信息,也可能是因为发生了更严重的盈余公告后漂移现象,即该项系数显著为正无法证明分析师提升了股价的公司特质信息含量。然而薛祖云与王冲(2011)的研究结果表明,我国分析师在盈余公告前发布的报告的信息含量与盈余公告的信息含量呈负相关,所以只要证券分析师的活动强度同其提供的信息含量正

5 CAR(i,t+1) 12728 -1.49605 1.85366 0.05033 0.34651 Turnover(i,t) 12728 0.00000 1.25011 0.03446 0.02739 （二）变量相关性检验表 2：变量间 Pearson 相关性检验 CAR(i,t) F(i,t-1) F(i,t) F(i,t+1) I(i,t-1) I(i,t) I(i,t+1) Analyst Capital CAR(i,t+1) Turnover CAR(i,t) 1 F(i,t-1) -.005 1 F(i,t) .079** -.222** 1 F(i,t+1) -.014 -.047** -.166** 1 I(i,t-1) -.005 -.078** .017 -.003 1 I(i,t) .021* .024** -.046** .004 -.143** 1 I(i,t+1) .004 -.003 -.001 -.001 .011 -.122** 1 Analyst .064** .052** .026** -.016 .035** .021* -.002 1 Capital -.106** .043** -.006 -.007 .066** .052** .051** .584** 1 CAR(i,t+1) -.217** -.018* -.018* .093** -.026** -.003 .015 -.153** -.154** 1 Turnover .195** -.035** -.004 .001 -.015 -.029** -.011 -.170** -.290** -.035** 1 各变量间相关性如上表所示。除了分析师活动强度（Analyst）同年初总市值（Capital）的相关系数为 0.584 以外，其他各变量间的相关系数绝对值都不足 0.3，并且有些变量间的相关性不显著。所以本文所选择的变量间不存在多重共线性的问题，各变量较好地衡量了不同的维度。（三）模型估计结果表（3）展示了模型（1）对全样本以及分年度回归的结果。从全样本回归结果来看， 𝐹𝑖,𝑡−1、𝐹𝑖,𝑡及𝐹𝑖,𝑡+1的回归系数均非负，且𝐹𝑖,𝑡−1、𝐹𝑖,𝑡前系数均显著，即意味着个股的年度累计超额收益率同当期及前一期的公司预期外业绩变动均成正相关，说明模型是合理的。然而𝐹𝑖,𝑡+1前系数的不显著，表明从整体上看，股票价格中公司特质信息含量不够多，累计超额收益率和未来盈余变动并没有什么相关性。从交叉项的系数来看，𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡−1前的系数显著为负，同时𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1前的系数显著为正，意味着分析师活动强度越高，个股累计超额回报率受历史盈余变动的影响变小，受未来盈余变动的影响增大。这一结果证实了先前的猜想，即在 2006~2013 这八年间，我国证券分析师的工作确实提升了股价中公司特质信息的含量，使得个股的定价更加趋近于公司未来价值，而更少受历史数据影响。𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡前系数显著为正，朱红军（2007）认为这既有可能是股价中包含了更多的当年公司特质信息，也可能是因为发生了更严重的盈余公告后漂移现象，即该项系数显著为正无法证明分析师提升了股价的公司特质信息含量。然而薛祖云与王冲（2011）的研究结果表明，我国分析师在盈余公告前发布的报告的信息含量与盈余公告的信息含量呈负相关，所以只要证券分析师的活动强度同其提供的信息含量正

6 表 3：模型（1）估计结果全样本 2006 2007 2008 2009 2010 2011 2012 2013 C 1.693 0.705 2.421 1.356 3.434 2.853 0.095 0.85 3.609 23.184 2.759 10.773 6.38 18.979 14.18 0.474 5.084 23.141 F(i,t-1) 0.047 0.072 0.028 0.025 -0.133 0.107 -0.003 -0.043 -0.219 2.601 2.383 1.201 0.489 -0.689 1.745 -0.017 -0.166 -1.703 F(i,t) 0.039 0.045 0.105 -0.107 0.013 0.456 0.88 0.445 0.074 2.145 1.647 2.042 -0.563 0.364 2.413 3.038 3.027 0.621 F(i,t+1) 0.016 0.031 0.091 -0.021 0.004 0.218 0.106 -0.041 0.038 0.819 0.731 0.721 -0.563 0.038 0.91 0.63 -0.329 0.587 I(i,t-1) -0.062 0.015 -0.049 0.177 -0.242 -0.24 0.344 1.477 -0.862 -1.071 0.148 -0.568 1.409 -0.411 -1.672 0.441 1.382 -1.86 I(i,t) 0.111 0.097 -0.019 0.596 0.112 1.066 1.063 1.024 -0.23 1.738 1.175 -0.161 1.147 0.787 1.418 0.932 2.096 -0.42 I(i,t+1) 0.158 0.249 -0.228 0.123 -0.742 0.436 0.983 0.297 3.169 2.144 2.832 -0.538 0.929 -1.16 0.38 1.661 0.475 5.971 Analyst(i,t) 0.035 0.113 0.04 -0.004 0.036 0.05 -0.007 0.001 0.034 16.011 14.16 5.382 -0.627 6.157 8.925 -1.287 0.355 8.491 Analyst(i,t)F(i,t-1) -0.027 0.026 -0.012 -0.005 0.002 -0.051 -0.031 -0.065 -0.047 -3.666 0.868 -0.735 -0.372 0.032 -2.95 -0.84 -0.957 -1.123 Analyst(i,t)F(i,t) 0.069 0.035 0.041 0.325 0.042 0.015 -0.015 0.112 0.237 7.973 1.694 1.997 4.241 2.665 0.351 -0.168 2.222 5.831 Analyst(i,t)F(i,t+1) 0.022 0.028 0.115 0.046 -0.011 0.142 -0.028 0.102 0.25 1.879 0.781 1.435 2.429 -0.276 1.853 -0.546 2.119 5.962 Analyst(i,t)I(i,t-1) 0.038 0.137 -0.055 -0.004 0.334 0.066 0.158 -0.391 -0.018 1.878 1.868 -1.253 -0.129 2.284 1.472 0.894 -1.585 -0.128 Analyst(i,t)I(i,t) 0.034 0.091 0.02 -0.008 0.03 -0.199 0.337 0.058 0.306 1.424 1.859 0.424 -0.057 0.644 -1.131 1.288 0.397 1.879 Analyst(i,t)I(i,t+1) -0.011 -0.044 -0.096 -0.082 0.257 0.063 -0.357 0.327 0.48 -0.361 -0.776 -0.563 -1.84 1.586 0.258 -2.08 1.955 2.756 Capital(i,t) -0.079 -0.056 -0.111 -0.059 -0.153 -0.128 -0.011 -0.04 -0.157 -22.99 -4.52 -10.241 -6.116 -17.446 -13.74 -1.23 -5.194 -21.542 CAR(i,t+1) -0.252 -0.349 -0.119 -0.322 -0.112 -0.231 -0.093 -0.192 -0.362 -26.592 -12.201 -4.178 -11.617 -4.868 -8.608 -3.473 -10.451 -17.242 Adjusted R-Square 0.098 0.269 0.12 0.135 0.219 0.217 0.053 0.11 0.332 样本数 12728 1261 1265 1332 1454 1529 1633 1982 2272 注：每个变量对应两行数据，第一行是参数估计值，第二行是 t 值。参数估计值中，10%显著的仅有下划线，5%显著的加粗，1%显著的既有下划线又加粗，无任何标记表示 10%不显著

相关,那么分析师的活动就有助于减少盈余公告后漂移现象。实际上,模型(1)的回归结果已经间接证明了这一点,因此实际上, analystic·Ft前的系数显著为正,也能成为分析师提升市场效率的证据之 0.02 2002010201120122013 ◇ 0.08 图1(a) Analyst·Fit-1前系数历年变化(虚线为趋势线) 0.3 0.15 0.05 -005200620072008 20102120122013 图1(b) Analyst·Ft+1前系数历年变化(虚线为趋势线) 从历年回归结果来看,交叉项 Analyst·Ft-1前的系数整体为负且呈下降趋势, Analyst·F,t+1前的系数整体为正且呈上升趋势,虽然历年回归结果显著性不明显,但是总体而言,2010~2013年的平均显著情况好于2006~2009年。考虑到样本量随着时间推移逐步增大,全样本回归结果的显著,说明近几年分析师对于股价信息含量的提升作用的确更加明显了。关于分析师是否能增加股价中的行业信息含量,可以通过三个 analystic·lx+)交叉项的回归系数来判断,历年回归结果多数不显著,而全样本回归结果中,只有 Analyst l1t-1前的系数显著且为正,所以分析师的活动并没有显著提高股价中的行业信息含量, 这同姜超(2013)的结果有差异表(4)列示了模型(2)全样本的回归结果,整体好于模型(1)的全样本结果。此时 Analyst·Ft+1前的系数H1显著为负,而 Turnover· Analystic. Fit+1前的系数4显著为正并且明显大于μ1,即交易热度越高,分析师对股价中公司特质信息含量的提升作用越强,而在控制了这部分依赖于交易热度的提升后,分析师并不能提髙股价对未来公司价值的反映能力;但是 Analyst:Ft-1的回归系数显著为负, Analystic. F的系数显著为正,说明分析师的工作至少促进了股市的弱势有效,并且让市场更加关注当前信注意到 Turnover和 Turnover·Ft+的系数均为负且显著性非常高。一方面,这意味着交易热度高的股票,其累计收益率也高;另一方面,交易热度本身会降低股价中

7 相关，那么分析师的活动就有助于减少盈余公告后漂移现象。实际上，模型（1）的回归结果已经间接证明了这一点，因此实际上，𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡前的系数显著为正，也能成为分析师提升市场效率的证据之一。图 1(a) 𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡−1前系数历年变化(虚线为趋势线) 图 1(b) 𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1前系数历年变化(虚线为趋势线) 从历年回归结果来看，交叉项𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡−1前的系数整体为负且呈下降趋势， 𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1前的系数整体为正且呈上升趋势，虽然历年回归结果显著性不明显，但是总体而言，2010~2013 年的平均显著情况好于 2006~2009 年。考虑到样本量随着时间推移逐步增大，全样本回归结果的显著，说明近几年分析师对于股价信息含量的提升作用的确更加明显了。关于分析师是否能增加股价中的行业信息含量，可以通过三个𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐼𝑖,𝑡+𝑗交叉项的回归系数来判断，历年回归结果多数不显著，而全样本回归结果中，只有𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐼𝑖,𝑡−1前的系数显著且为正，所以分析师的活动并没有显著提高股价中的行业信息含量，这同姜超（2013）的结果有差异。表（4）列示了模型（2）全样本的回归结果，整体好于模型（1）的全样本结果。此时𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1前的系数𝜇1显著为负，而𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡 ∙ 𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1前的系数𝜃4显著为正并且明显大于𝜇1，即交易热度越高，分析师对股价中公司特质信息含量的提升作用越强，而在控制了这部分依赖于交易热度的提升后，分析师并不能提高股价对未来公司价值的反映能力；但是𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡−1的回归系数显著为负，𝐴𝑛𝑎𝑙𝑦𝑠𝑡𝑖,𝑡 ∙ 𝐹𝑖,𝑡的系数显著为正，说明分析师的工作至少促进了股市的弱势有效，并且让市场更加关注当前信息。注意到𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡和𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑖,𝑡 ∙ 𝐹𝑖,𝑡+1的系数均为负且显著性非常高。一方面，这意味着交易热度高的股票，其累计收益率也高；另一方面，交易热度本身会降低股价中 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 2006 2007 2008 2009 2010 2011 2012 2013 -0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 2006 2007 2008 2009 2010 2011 2012 2013