文章信息
财经研究 2017年43卷第7期 |
- 胡凡, 夏翊.
- Hu Fan, Xia Yi.
- 分析师商业性动机与盈余预测偏差:来自融资融券的证据
- Analysts'commercial motivations and earnings forecast bias:evidence from margin transactions
- 财经研究, 2017, 43(7): 45-56
- Journal of Finance and Economics, 2017, 43(7): 45-56.
-
文章历史
- 收稿日期:2017-02-19
2017第43卷第7期
一、引言
2017年2月10日,在全国证券期货监管工作会上,中国证监会主席刘士余怒斥股市黑嘴“语不惊人死不休”。为什么存在股市黑嘴?一个重要因素是经济动机的驱使。无论是在国内还是国外,为了能够带来更多的交易,证券公司通常将证券分析师的报酬与佣金收入联系起来(Cowen等,2006)。鼓励交易(Trading Incentives)是否会导致分析师有意提供偏颇的盈余预测报告,一直是争论的学术焦点。一方面,提供无偏和精确的盈余预测报告会给分析师带来更高的声誉,拥有更高声誉的分析师能给所在券商带来更多的交易(Jackson,2005),因此分析师不应有意提供偏颇的盈余预测报告(Hong和Kubik,2003);另一方面,由于投资者不能有效识别分析师的盈余预测偏差(Rajan和Servaes,1997;Dechow等,2000),分析师提供乐观的盈余预测报告会增加投资者的交易(Irvine,2004),Eames等(2002) 及Cowen等(2006) 认为鼓励交易会导致分析师乐观的盈余预测偏差。如果鼓励交易动机会使分析师提供更加乐观的盈余预测,而融资融券制度使券商既可以通过收取买入交易佣金获利,又可以通过收取卖空交易佣金获利,那么分析师会对融资融券标的股票提供更加客观的盈余预测。本文研究融资融券制度能否减弱鼓励交易动机,使分析师提供更加客观的股票分析报告。
鼓励交易会导致分析师盈余预测偏差的因果关系非常符合经济直觉,而在实证中提供相关证据比较困难。虽然国内外大量研究表明分析师盈余预测普遍偏向乐观(De Bondt和Thaler,1990;Chopra,1998;Easterwood和Nutt,1999;伍燕然等,2012),但这并不能直接说明盈余预测普遍乐观是由鼓励交易动机造成的。投行业务(Dugar和Nathan,1995;Lin和McNichols,1998;Dechow等,2000;原红旗和黄倩茹,2007)、维护管理层关系(Francis和Phibrick,1993;Das等,1998,Lim,2001) 以及认知偏差(Abarbanell和Bernard,1992;Dowen,1996;Sedor,2002) 等因素都可能造成分析师盈余预测的系统性偏差。如何将鼓励交易动机从众多影响因素中分离出来,解决内生性问题的干扰成为研究这一问题的关键。
本文利用融资融券制度,检验鼓励交易动机是否导致分析师有意提供偏颇的股票分析报告。融资融券制度使股票价格下跌过程中也能增加交易佣金,那么融资融券制度实施后,分析师的盈余预测偏差应显著减少。为了解决内生性问题,本文选取每一期加入融资融券标的的股票作为研究样本,并将此次未加入融资融券标的、但是下次加入了融资融券标的的股票作为控制组,使用双重差分模型研究卖空限制对分析师盈余预测偏差的影响。同为融资融券标的,尽可能地控制了两组股票的基本面差异,对于这些融资融券标的名单中的股票,融资融券业务的开启和扩容事件具有外生性。本文采用经过股票价格调整的盈余预测误差绝对值作为分析师盈余预测偏差的度量指标,发现相对于未加入融资融券标的的股票,分析师对融资融券标的股票的短期盈余预测偏差降低了约0.014,长期盈余预测偏差降低了约0.019。同时,本文还进行了稳健性检验,采用子样本数据进行回归,用真实盈余调整的分析师盈余预测偏差作为度量指标,以及为了进一步控制样本偏差而采用Heckman两阶段模型和PSM(倾向得分匹配)方法,都得到了一致的结论。
若分析师提供更加客观的盈余预测是为了鼓励交易,则对于融资融券标的股票,在盈余预测偏差减小的同时应有更大的交易量。我们采用换手率作为刻画交易情况的变量,发现加入融资融券标的后,股票的月度换手率增加了10.9%,支持了鼓励交易动机的激励机制。
理论上,如果经营业绩突然好转,则原本乐观的分析师盈余预测偏差会减少;同样,经营风险的减少也会使分析师的盈余预测更加精准,盈余预测偏差减小。为了检验这些因素的影响,我们对处理组与控制组股票的经营业绩和经营风险进行了双重差分回归。结果显示,处理组的经营业绩并没有显著改善,经营风险也没有显著变化,因此处理组盈余预测偏差减小与公司业绩增长、经营风险降低无关。
本文的研究与分析师盈余预测偏差相关。学术界很早就意识到分析师盈余预测偏差具有倾向性,McNichols和O’Brien(1997)、Chopra(1998) 以及伍燕然(2012) 等都证实分析师的盈余预测偏差显著存在,且普遍偏向乐观。同时,研究发现分析师对所属证券公司的投行业务客户(Dugar和Nathan,1995;Lin和McNichols,1998;Dechow等,2000;原红旗和黄倩茹,2007) 和自营部门所持股票(曹胜和朱红军,2011) 的盈余预测和投资评级都更加乐观。针对分析师盈余预测偏差的动机,有文献提出了鼓励交易假说(Hayes,1998;Irvine,2004)。这种理论认为,频繁的股票交易能够使证券公司获得更多的交易佣金,因而为了鼓励交易,分析师会提供乐观盈余预测。但这些研究无法判断盈余预测偏差到底是分析师鼓励交易动机产生的,还是受到分析师自身客观性幻觉(Objectivity Illusion)的影响,即分析师在做出投资评级判断之后,更加关注能够支撑自己判断的相关证据,使得有偏差的判断不断自我加强(McNichols和O’Brien,1997;Friesen和Weller,2006)。Cowen等(2006) 发现经纪业务研究部门的盈余预测比其他业务下的预测偏差更大,支持了分析师盈余预测的鼓励交易动机,但这一横截面研究受制于不同业务线下分析师的年龄、经验和能力(Mikhail等,1997;Clement,1999;Jacob等,1999;Brown,2001) 等因素的影响,且难以克服分析师预测的内生性问题,因而得到的结论有颇多限制。
采用融资融券标的更新的外生性事件研究分析师的鼓励交易动机,能够克服实证研究中的难题。第一是剥离分析师客观性幻觉(Objectivity Illusion)的影响,即这种现象不能用分析师的心理偏差来解释;第二则是剥离分析师的经验、能力等因素的干扰,帮助我们找到分析师能力、经验都相当的两组盈余预测结果进行比较分析。利用融资融券事件构建的双重差分模型控制了两组股票的差异,也控制了调整事件前后同一分析师的经验能力和心理因素差异,使我们能够识别鼓励交易动机与分析师盈余预测偏差之间的因果关系。
本文主要有以下几点贡献:第一,对于鼓励交易动机是否会导致分析师提供乐观的盈余预测报告,本文利用中国融资融券制度创造的绝佳自然实验环境,识别了鼓励交易动机与盈余预测报告之间的因果关系。第二,本文进一步研究了融资融券制度减小分析师盈余预测偏差的作用机制,从分析师行为动机的角度为盈余预测偏差提供了解释。融资融券制度推出之后,证券公司既可以从投资者买入交易中获取佣金收入,又可以从投资者卖空交易中获取收入,融资融券标的交易量的增加减弱了鼓励交易动机,分析师提供了更客观的盈余预测。第三,本文的研究具有重要的现实意义。“股市黑嘴”是中国资本市场的顽疾,证监会主席刘士余怒斥这一行为并要求严厉打击。本文的研究表明,除了加强监管外,融资融券制度设计也能改变分析师的动机,进而提供更加客观的分析报告。因此,可通过资本市场制度设计,规范和建设更加健康的分析师行业,激励分析师向市场提供更加客观的信息。
二、数据、变量与模型
(一) 数据
本文的数据来源于国泰安CSMAR数据库。中国资本市场从2010年开始试点融资融券制度,并公布了融资融券标的股票名单。至今,共发生五次对融资融券标的股票的大规模调整,最早和最晚的调整时间分别是2010年3月和2014年12月。我们选取2009-2015年所有的分析师盈余预测数据作为研究样本。为了排除异常值的干扰,本文对所有连续变量进行了1%和99%的缩尾处理。
(二) 变量
1.卖空限制与融资融券制度。本文研究股票分析师的盈余预测偏差是否受到卖空限制的影响。因此,本文要解决的首要问题是如何度量上市公司股票的卖空限制。融资融券制度为本文提供了清晰定义卖空限制的条件。2010年1月8日,国务院原则上同意开设融资融券业务试点。在初始阶段,证监会发布《证券公司融资融券业务试点管理办法》,对融资融券交易的主体与客体、交易制度等均做出了严格规定,并选定了90只标的股票。之后,交易所于2010年3月、2011年12月、2013年1月、2013年9月和2014年12月先后五次对融资融券标的股票进行大规模调整。表 1给出了融资融券标的股票调整的详细信息。
时间 | 上交所 | 深交所 | 两市标的股票总数 | ||||
加入标的股票数 | 剔除标的股票数 | 标的股票总数 | 加入标的股票数 | 剔除标的股票数 | 标的股票总数 | ||
2010年3月 | 50 | 0 | 50 | 40 | 0 | 40 | 90 |
2011年12月 | 130 | 0 | 180 | 59 | 1 | 98 | 278 |
2013年1月 | 163 | 43 | 300 | 113 | 11 | 200 | 500 |
2013年9月 | 104 | 0 | 400 | 102 | 0 | 300 | 700 |
2014年12月 | 104 | 0 | 500 | 114 | 13 | 400 | 900 |
为了尽可能让控制组股票与处理组股票具有相似性,参照李科等(2014) 以及肖浩和孔爱国(2014) 的研究设计,本文未直接从截面上区分处理组和控制组,而是从时间上依据公司卖空限制的变化进行区分。本文以融资融券标的股票作为研究样本,以融资融券标的调整作为外生性事件,将当期加入融资融券标的的股票作为处理组股票,将当期非融资融券标的、但下期加入融资融券标的的股票作为控制组股票。
由于分析师对首次公开发行公司的关注和盈余预测偏差与其他上市公司显著不同(Michaely和Womack,1999;Das等,2006),我们剔除了在样本期间首次公开发行股票的公司。另外,Crichfield等(1978) 发现分析师盈余预测偏差与盈余预测的时间长短有关。因此,我们参照Hong和Kubik(2003) 的处理方法,将样本期间定为距离事件发生期前后最近的1月份至6月份。这样能为事件发生期前后的样本提供统一的时间框架,也能避免年末部分公司业绩预告对分析师盈余预测的干扰。由于2013年9月第四次调整事件发生在2013年1月第三次调整的样本期间内,为了避免时间上的重合,我们选取2014年12月第五次调整时加入融资融券标的名单的股票作为2013年1月第三次调整的控制组股票。样本信息见表 2。
事件发生期 | 调整时间 | 处理组股票数 | 控制组股票数 | 事件发生前样本期间 | 事件发生后样本期间 |
第一次调整 | 2010年3月 | 90 | 189 | 2009年1-6月 | 2011年1-6月 |
第二次调整 | 2011年12月 | 189 | 272 | 2011年1-6月 | 2012年1-6月 |
第三次调整 | 2013年1月 | 273 | 211 | 2012年1-6月 | 2014年1-6月 |
第四次调整 | 2013年9月 | 204 | 211 | 2013年1-6月 | 2014年1-6月 |
2.盈余预测偏差。本文研究了分析师的商业性动机与分析师盈余预测偏差之间的因果关系,一个重要变量是分析师盈余预测偏差。参照全怡等(2014) 的设计方法,我们采用经过预测期末股价调整的预测偏差绝对值来度量分析师的盈余预测偏差。这样既考虑了股票价格对分析师预测的影响,也可以避免分析师乐观预测和悲观预测相互抵消。同时,参考Quan和Liang(2015) 的文章,预测结果是由第一署名的分析师进行最终把关,因此当一篇分析报告有多名分析师联合署名时,我们只采用第一署名的分析师进行识别。如式(1) 所示,t年分析师i对公司j的盈余预测偏差等于分析师i对公司j的盈余预测值Fi, j, t与公司j在t年末EPSj, t真实值之差的绝对值除以预测期末的股票价格。
$ForecastErro{r_i}_{, j, t} = \frac{{{\rm{|}}{F_{i{\rm{, }}j{\rm{, }}t}}{\rm{-}}EP{S_{j{\rm{, }}t}}{\rm{|}}}}{{{P_t}}}$ | (1) |
在这一基础上,我们将分析师i的盈余预测偏差定义为:
$F{E_i}_{, t} = \frac{1}{n}\sum\limits_{j = 1}^n {ForecastErro{r_i}_{, j, t}} $ | (2) |
其中,n是分析师在t年发布报告的数量。依据分析师盈余预测期的长短,我们将一年内盈余预测计算所得偏差定义为短期盈余预测偏差(FE_ShortTerm),而将预测期限为一年至两年的盈余预测计算所得偏差定义为长期盈余预测偏差(FE_LongTerm)。
3.控制变量。大量研究表明,分析师的能力等个体层面特征以及分析师所在研究部门的规模等公司层面特征会显著影响分析师盈余预测偏差(Mikhail等,1997;Clement,1999;Jacob等,1999;Brown,2001)。分析师的学历可能影响其预测能力,我们将分析师的学历(Degree)作为控制变量,如果分析师的学历在本科及以下,则Degree为0,否则为1。当同一预测信息由多名分析师做出时,我们采用第一署名分析师的学历进行研究。同时,上市证券公司更关注自身公信力,往往会要求分析师有更准确的预测结果,因此我们加入分析师所在证券公司是否上市(List)的虚拟变量,如果证券公司为上市公司,则List等于1,否则等于0。此外,不同规模、估值水平上市公司的盈余预测准确性可能不同,我们还将上市公司的账面资产(LnAsset)、托宾Q(Tobin_Q)、资产收益率(ROA)和资产负债率(DebtRatio)作为控制变量加入模型中。
本文的控制变量和被解释变量还包括股票的月换手率(Turnover)、权益收益率(ROE)、资产收益率(ROA)、每股收益(EPS)和收益波动率(EPS_Volatility)。表 3给出了变量定义。
变量符号 | 变量名称 | 变量定义 |
FE_ShortTerm | 短期盈余预测偏差 | 1年内分析师盈余预测偏差 |
Fe_LongTerm | 长期盈余预测偏差 | 1年以上2年以内分析师盈余预测偏差 |
Short | 卖空限制 | 股票被允许卖空时Short取1,否则取0 |
After | 融资融券调整发生期 | 融资融券调整事件发生后After取1,发生前取0 |
Degree | 分析师学历水平 | 本科以上,Degree取1,本科及以下取0 |
List | 证券公司是否上市 | 上市,List取1,未上市取0 |
LnAsset | 上市公司账面资产 | 年末账面资产的对数值 |
Tobin_Q | 托宾Q | 市值/账面总资产 |
Turnover | 月换手率 | 月成交量/流通市值 |
ROE | 权益收益率 | 净利润/账面所有者权益 |
ROA | 资产收益率 | 净利润/账面总资产 |
DebtRatio | 资产负债率 | 账面总负债/账面总资产 |
EPS | 每股收益 | 净利润/发行在外的普通股数量 |
EPS_Volatility | 收益波动率 | 季度每股收益的标准差 |
(三) 描述性统计
表 4是变量的描述性统计。样本期间内处理组和控制组分析师的平均长期盈余预测偏差分别达到0.051和0.051,是平均短期盈余预测偏差0.024和0.025的两倍之多。这与Crichfield等(1978) 以及De Bondt和Thaler(1990) 的结论一致,说明盈余预测的期限越长,累积偏差就越大。Short变量在样本期间每年的均值几乎都在0.5附近,表明每一期控制组和处理组的样本数量较为均衡。
变量 | 全样本 | 处理组 | 控制组 | ||||||
均值 | 标准差 | 观测数 | 均值 | 标准差 | 观测数 | 均值 | 标准差 | 观测数 | |
FE_ShortTerm | 0.025 | 0.033 | 7 896 | 0.024 | 0.033 | 4 006 | 0.025 | 0.032 | 3 890 |
FE_LongTerm | 0.051 | 0.060 | 7 716 | 0.051 | 0.061 | 3 912 | 0.051 | 0.059 | 3 804 |
Short | 0.507 | 0.500 | 7 896 | 1.000 | 0.000 | 4 006 | 0.000 | 0.000 | 3 890 |
After | 0.510 | 0.500 | 7 896 | 0.503 | 0.500 | 4 006 | 0.518 | 0.499 | 3 890 |
Degree | 0.878 | 0.327 | 4 617 | 0.880 | 0.325 | 2 332 | 0.876 | 0.329 | 2 285 |
List | 0.371 | 0.483 | 6 817 | 0.369 | 0.483 | 3 465 | 0.373 | 0.484 | 3 352 |
LnAsset | 23.210 | 1.330 | 7 896 | 23.572 | 1.441 | 4 006 | 22.837 | 1.085 | 3 890 |
Tobin_Q | 1.955 | 1.545 | 7 896 | 1.929 | 1.587 | 4 006 | 1.982 | 1.500 | 3 890 |
Turnover | 0.419 | 0.423 | 7 862 | 0.414 | 0.364 | 3 996 | 0.423 | 0.476 | 3 866 |
ROE | 0.152 | 0.094 | 7 896 | 0.160 | 0.096 | 4 006 | 0.143 | 0.092 | 3 890 |
ROA | 0.072 | 0.049 | 7 896 | 0.074 | 0.050 | 4 006 | 0.071 | 0.048 | 3 890 |
DebtRatio | 0.486 | 0.177 | 7 896 | 0.500 | 0.177 | 4 006 | 0.472 | 0.175 | 3 890 |
EPS | 0.764 | 0.603 | 7 896 | 0.811 | 0.669 | 4 006 | 0.715 | 0.523 | 3 890 |
EPS_Volatility | 0.271 | 0.174 | 7 896 | 0.287 | 0.187 | 4 006 | 0.255 | 0.157 | 3 890 |
对于控制变量,处理组和控制组的统计特征非常接近。处理组和控制组的分析师个体特征与分析师所在证券公司特征基本相同,上市公司的财务特征也比较类似,从而更好地控制了样本差异。
(四) 计量方法
我们使用双重差分模型来研究分析师对加入融资融券标的名单和未加入融资融券标的名单的股票在政策调整前后,盈余预测偏差变化是否存在显著差异,如式(3) 所示。
${Y_{i, t}} = aShor{t_{i, t}} \times Afte{r_{i, t}} + bContro{l_{i, t}} + Industr{y_{i, t}} + Analys{t_i} + Yea{r_t} + {\varepsilon _{i, t}}$ | (3) |
其中,下标i表示分析师,t表示时间。Y是被解释变量,包括短期盈余预测偏差(FE_ShortTerm)、长期盈余预测偏差(FE_LongTerm)和分析师发布盈余预测后一个月内的股票换手率(Turnover)。解释变量Short和After都是虚拟变量。Short等于1代表股票在当期属于融资融券标的,Short等于0代表股票在当期不属于融资融券标的。After等于1表示融资融券标的名单调整事件发生后的样本期间,After等于0表示融资融券标的名单调整事件发生前的样本期间。Control是控制变量,包括上市公司账面资产(LnAsset)、托宾Q(Tobin_Q)、资产收益率(ROA)、资产负债率(DebtRatio)、分析师的学历(Degree)、分析师所在券商是否为上市公司(List)。Industry、Analyst和Year分别用来控制未观测到的行业固定效应、分析师固定效应和年份固定效应。
双重差分模型在运用时可能产生序列相关问题,直接进行回归会高估估计参数的统计显著性。因此,我们使用聚类稳健标准差的方法,对标准差在分析师层面进行聚类处理,以降低序列相关性对模型参数估计的不利影响。
三、实证结果分析
(一) 卖空限制对盈余预测偏差的影响
本文研究鼓励交易动机是否会影响分析师的盈余预测偏差。依据鼓励交易动机假说,对于存在卖空限制的股票,分析师只能鼓励买入交易;而对于不存在卖空限制的股票,即使提供更低的盈余预测,投资者也能通过卖空进行交易。因此,分析师对存在卖空限制股票的盈余预测偏差要高于不存在卖空限制的股票。对此,我们构造双重差分模型,在融资融券标的调整前后,检验分析师对不存在卖空限制股票的盈余预测偏差是否显著低于存在卖空限制的股票。
1.短期盈余预测偏差。如果鼓励交易动机成立,则股票被纳入融资融券标的名单后,短期盈余预测偏差会减小,双重差分模型的交乘项Short×After系数应显著为负。表 5给出了短期盈余预测偏差作为被解释变量的双重差分模型回归结果。从列(1) 中可看到,单独加入解释变量并控制行业固定效应、分析师固定效应和年份固定效应后,Short×After的系数为-0.011,在1%的水平上显著为负,表明卖空限制的解除能够使分析师的短期盈余预测偏差显著降低0.011。列(2) 和列(3) 分别加入了被预测公司的特征变量以及分析师的个体特征。数据显示公司的账面资产价值和托宾Q对盈余预测偏差没有显著影响,这一结果与以往研究结论(曹胜和朱红军,2011) 存在差异。同时,分析师的学历水平变量并不能有效解释短期盈余预测偏差的变化,这可能是分析师行业充分竞争的结果,使得市场上能够继续发布盈余预测的分析师业务水平相当。列(4) 在同时控制了分析师个体差异和被预测公司个体差异之后,Short×After的系数为-0.014,同期全样本平均短期盈余预测偏差为0.025,即纳入融资融券标的事件使分析师盈余预测偏差降低了约1/2,这在经济意义上和统计意义上均显著。
FE_ShortTerm | ||||
(1) | (2) | (3) | (4) | |
Short×After | -0.011*** | -0.013*** | -0.013*** | -0.014*** |
(0.002) | (0.002) | (0.003) | (0.003) | |
LnAsset | -0.002 | -0.002 | ||
(0.002) | (0.002) | |||
Tobin_Q | 0.001 | 0.000 | ||
(0.001) | (0.001) | |||
ROA | -0.211*** | -0.225*** | ||
(0.033) | (0.046) | |||
DebtRatio | 0.012 | 0.010 | ||
(0.008) | (0.010) | |||
Degree | -0.004 | -0.003 | ||
(0.009) | (0.010) | |||
List | 0.005 | 0.008* | ||
(0.004) | (0.004) | |||
Industry Fixed Effect | 控制 | 控制 | 控制 | 控制 |
Analyst Fixed Effect | 控制 | 控制 | 控制 | 控制 |
Year Fixed Effect | 控制 | 控制 | 控制 | 控制 |
Adj. R2 | 0.151 | 0.206 | 0.168 | 0.237 |
Observations | 7 896 | 7 870 | 4 147 | 4 134 |
注:***、**和*分别表示1%、5%和10%的显著性水平,括号内为估计参数的标准差。下表同。 |
短期盈余预测偏差作为被解释变量的双重差分模型结果显示,股票被纳入融资融券标的后,分析师对不存在卖空限制股票的短期盈余预测偏差显著降低。这一证据支持了鼓励交易假说,表明在鼓励交易动机下,分析师对存在卖空限制的股票倾向发布更加乐观的报告;而对于不存在卖空限制的股票,由于卖空也能够增加交易,分析师倾向提供更加客观的盈余预测报告。
2.长期盈余预测偏差。分析师在发布盈余预测报告时通常会对未来两个会计年度的每股盈余进行预测,我们可以计算长期盈余预测偏差。这一部分我们将检验分析师对处理组和控制组股票的长期盈余预测偏差是否呈现与短期盈余预测偏差相似的特征。
表 6给出了长期盈余预测偏差作为被解释变量的双重差分模型回归结果。与短期盈余预测偏差作为被解释变量时的结果类似,列(1) 加入Short×After并只控制行业固定效应、分析师固定效应和年份固定效应,Short×After的系数为-0.023,在1%的水平上显著,表明融资融券制度的推出能够使分析师的长期盈余预测偏差降低0.023。在加入所有控制变量后,列(4) 中Short×After的系数为-0.019。这意味着相对于存在卖空限制的股票,分析师对融资融券标的股票的长期盈余预测偏差降低了0.019,全样本中平均长期盈余预测偏差达到0.051,事件后长期盈余预测偏差显著降低了约1/3。上述结果与短期盈余预测偏差的结果基本一致,表明股票被纳入融资融券标的名单后,分析师提供了更加客观的盈余预测报告。
FE_LongTerm | ||||
(1) | (2) | (3) | (4) | |
Short×After | -0.023*** | -0.021*** | -0.021*** | -0.019*** |
(0.003) | (0.003) | (0.004) | (0.004) | |
LnAsset | -0.006** | -0.005 | ||
(0.003) | (0.004) | |||
Tobin_Q | -0.001 | -0.004* | ||
(0.002) | (0.002) | |||
ROA | -0.554*** | -0.346*** | ||
(0.073) | (0.062) | |||
DebtRatio | -0.009 | -0.014 | ||
(0.017) | (0.020) | |||
Degree | 0.015 | 0.010 | ||
(0.022) | (0.020) | |||
List | 0.025* | 0.032** | ||
(0.015) | (0.014) | |||
Industry Fixed Effect | 控制 | 控制 | 控制 | 控制 |
Analyst Fixed Effect | 控制 | 控制 | 控制 | 控制 |
Year Fixed Effect | 控制 | 控制 | 控制 | 控制 |
Adj. R2 | 0.174 | 0.282 | 0.184 | 0.248 |
Observations | 7 716 | 7 671 | 5 243 | 5 210 |
3.稳健性检验。为了检验个别事件对于结果的贡献,我们分别利用四次调整的子样本数据检验上述结论是否仍然成立。分期回归结果大体支持了我们的实证结果,说明相对于存在卖空限制的股票,股票被纳入融资融券标的名单后,分析师盈余预测偏差显著降低。
同时,分析师盈余预测偏差的度量还可以通过真实盈余进行调整,即用分析师盈余预测扣除真实盈余后再除以真实盈余来计算盈余预测偏差,也可以采用分析师盈余预测扣除真实盈余直接作为盈余预测偏差的度量指标。为了避免度量方法导致的研究偏差,我们采用以上两种盈余预测偏差再次进行双重差分检验,得到了与上文一致的结论。
最后,融资融券标的股票具有高市值、高流动性和低风险的特征,上述特征可能导致先后进入融资融券标的的股票有所差异,使得研究具有选择性偏差。为了检验和控制这种选择性偏差,我们进行了Heckman两阶段检验和PSM(倾向得分匹配)比较,调整后的结果与之前基本一致,支持了本文的因果逻辑,论证了分析师盈余预测偏差的商业性动机。
(二) 卖空限制与股票交易换手率
上文实证结果显示,允许卖空后分析师对股票的盈余预测偏差减小。如果盈余预测偏差减小是分析师鼓励交易动机导致的,那么相应股票的交易可能会增加。本文检验在盈余预测发布前后允许卖空的股票和控制组在换手率上的变化。换手率代表了投资者的交易,对于纳入融资融券标的名单的股票,如果分析师发布盈余预测偏差更小的报告,股票换手率反而上升,那么分析师可以在股票卖空过程中增加交易佣金,因而提供更加客观的盈余预测报告是更理性的选择。
表 7的Panel A给出了换手率作为被解释变量的双重差分模型回归结果。列(1) 仅控制了行业固定效应、分析师固定效应和年度固定效应,Short×After的系数为0.112,在1%的水平上显著,表明在分析师盈余预测偏差降低后,股票交易量显著提升了11.2%。加入所有控制变量后,列(4) 中Short×After的系数为0.109,说明相对于控制组股票,处理组股票的换手率上升了10.9%,全样本股票的换手率均值为0.419,这一数值变化达到了1/4,在统计意义上和经济意义上均显著。表 7的Panel B给出的是历次调整下换手率的双重差分值,其中第一次和第四次超过了0.1,且在1%的水平上显著,第三次为0.029,在10%的水平上显著。上述结果说明,相对于控制组股票,分析师对处理组股票发布更低的盈余预测确实提高了股票的交易量,支持了鼓励交易动机的推论。
Panel A:全样本下换手率回归结果 | |||||
(1) | (2) | (3) | (4) | ||
Short×After | 0.112*** | 0.101*** | 0.121*** | 0.109*** | |
(0.028) | (0.031) | (0.033) | (0.034) | ||
LnAsset | -0.067*** | -0.065 | |||
(0.024) | (0.054) | ||||
Tobin_Q | 0.004 | 0.076** | |||
(0.024) | (0.035) | ||||
ROA | -1.456*** | -2.653*** | |||
(0.454) | (0.745) | ||||
DebtRatio | -0.257* | -0.356 | |||
(0.133) | (0.254) | ||||
Degree | -0.167*** | -0.185*** | |||
(0.061) | (0.066) | ||||
List | 0.156 | 0.096 | |||
(0.097) | (0.068) | ||||
Industry Fixed Effect | 控制 | 控制 | 控制 | 控制 | |
Analyst Fixed Effect | 控制 | 控制 | 控制 | 控制 | |
Year Fixed Effect | 控制 | 控制 | 控制 | 控制 | |
Adj. R2 | 0.086 | 0.112 | 0.132 | 0.154 | |
Observations | 7 862 | 7 837 | 4 122 | 4 110 | |
Panel B:历次调整换手率及其变动 | |||||
调整后 | 调整前 | Difference (after-before) | DID (treat-control) | ||
第一次调整 | 控制组 | 0.315 | 0.657 | -0.342 | 0.111*** |
处理组 | 0.279 | 0.509 | -0.230 | ||
第二次调整 | 控制组 | 0.476 | 0.424 | 0.052 | 0.001 |
处理组 | 0.374 | 0.321 | 0.054 | ||
第三次调整 | 控制组 | 0.370 | 0.378 | -0.008 | 0.029* |
处理组 | 0.435 | 0.415 | 0.021 | ||
第四次调整 | 控制组 | 0.350 | 0.417 | -0.067 | 0.164*** |
处理组 | 0.576 | 0.479 | 0.098 |
(三) 卖空限制与公司业绩和风险
本文现有的证据表明,鼓励交易动机导致分析师给出更加乐观的盈余预测报告,允许卖空能够减弱分析师鼓励交易动机,提供更加客观的盈余预测报告。但另一种可能的解释是,公司基本价值在股票纳入融资融券标的后突然向好,或者公司业绩波动减小使公司盈余预测的难度降低,从而也可以减小分析师盈余预测偏差。
我们用资产收益率(ROA)、权益收益率(ROE)和每股收益(EPS)衡量公司的经营业绩,作为被解释变量。如果业绩改善导致盈余预测偏差减小,则Short×After的系数应显著为正。从表 8的双重差分模型回归结果可知,公司经营业绩指标的回归系数或者显著为负,或者不显著,即融资融券事件后,公司基本面并没有显著改善。因此,公司经营业绩的变化不能解释盈余预测偏差的变化。同样,我们用每股收益的波动率(EPS_Volatility)来衡量公司盈余预测的难度,如果上述可能性成立,则Short×After的系数应为负。表 8中列(7) 和列(8) 的回归结果显示,Short×After并不显著。因此,公司基本价值和盈余预测难度的变化无法解释分析师盈余预测偏差的减小。
ROA | ROE | EPS | EPS_Volatility | |||||
(1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) | |
Short×After | -0.008*** | -0.007*** | -0.025*** | -0.018** | -0.007 | -0.034 | 0.004 | -0.001 |
(0.003) | (0.003) | (0.006) | (0.007) | (0.028) | (0.045) | (0.013) | (0.014) | |
LnAsset | 0.009*** | 0.019*** | 0.143*** | 0.027*** | ||||
(0.003) | (0.004) | (0.043) | (0.009) | |||||
Tobin_Q | 0.015*** | 0.033*** | 0.116*** | 0.021*** | ||||
(0.003) | (0.004) | (0.026) | (0.007) | |||||
DebtRatio | -0.132*** | 0.008 | -0.512*** | -0.043 | ||||
(0.016) | (0.034) | (0.198) | (0.064) | |||||
Degree | -0.018 | -0.056 | -0.211* | 0.043 | ||||
(0.015) | (0.078) | (0.123) | (0.035) | |||||
List | -0.002 | -0.004 | -0.164** | -0.056 | ||||
(0.004) | (0.014) | (0.068) | (0.034) | |||||
Industry Fixed Effect | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
Analyst Fixed Effect | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
Year Fixed Effect | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
Adj. R2 | 0.075 | 0.575 | 0.113 | 0.345 | 0.064 | 0.123 | 0042 | 0.125 |
Observations | 7 896 | 4 132 | 7 896 | 4 132 | 7 896 | 4 132 | 7 896 | 4 132 |
四、结论
本文论证了鼓励交易动机与分析师盈余预测偏差之间的因果关系。由于内生性问题,这一因果关系在以往的学术研究中较难识别。本文利用融资融券标的名单调整事件进行双重差分,能够有效控制股票基本面差异以及分析师的心理、能力、经验等内生性因素的影响。在股票存在卖空限制时,分析师仅能通过鼓励市场买入来促使投资者交易;而股票被允许卖空之后,证券公司能够通过投资者卖出行为来增加交易佣金,因而分析师倾向提供客观的盈余预测。采用经过股票价格调整的盈余预测误差绝对值作为分析师盈余预测偏差的度量指标,我们发现对于能够卖空的股票,分析师的短期(一年内)盈余预测偏差降低了约0.014,而长期(两年内)盈余预测偏差降低了约0.019,同时没有卖空限制的股票换手率上升了约10.9%。
本文的研究结果具有重要现实意义。融资融券制度推出后,分析师对融资融券标的股票的盈余预测更加客观,说明融资融券制度的推出有利于提高分析师盈余预测报告的质量,从而在制度上为抑制“股市黑嘴”提供了可行路径。除了严厉打击发表有严重倾向性言论的分析师行为外,证券监管部门可以进行更多的制度设计,改变分析师的利益动机,为市场营造公开、公平、公正的交易环境和信息环境,从利益根源上消除“股市黑嘴”,推动证券分析师行业向专业化方向发展。
[1] | 曹胜, 朱红军. 王婆贩瓜:券商自营业务与分析师乐观性[J]. 管理世界, 2011(7): 20–30. |
[2] | 李科, 徐龙炳, 朱伟骅. 卖空限制与股票错误定价——融资融券制度的证据[J]. 经济研究, 2014(10): 165–178. DOI:10.3969/j.issn.1005-913X.2014.10.102 |
[3] | 全怡, 陈冬华, 李真. 独立董事身份提高了分析师的预测质量吗?[J]. 财经研究, 2014(11): 97–107. |
[4] | 肖浩, 孔爱国. 融资融券对股价特质性波动的影响机理研究:基于双重差分模型的检验[J]. 管理世界, 2014(1): 30–43. |
[5] | 原红旗, 黄倩茹. 承销商分析师与非承销商分析师预测评级比较研究[J]. 中国会计评论, 2007(3): 285–304. |
[6] | 伍燕然, 潘可, 胡松明, 等. 行业分析师盈利预测偏差的新解释[J]. 经济研究, 2012(4): 149–160. |
[7] | Abarbanell J S, Bernard V L. Tests of analysts' overreaction:Underreaction to earnings information as an explanation for anomalous stock price behavior[J]. Journal of Finance, 1992, 47(3): 1181–1207. DOI:10.1111/j.1540-6261.1992.tb04010.x |
[8] | Brown L D. How important is past analyst forecast accuracy?[J]. Financial Analysts Journal, 2001, 57(6): 44–49. DOI:10.2469/faj.v57.n6.2492 |
[9] | Chopra V K. Why so much error in analysts'earnings forecasts?[J]. Financial Analysts Journal, 1998, 54(6): 35–42. DOI:10.2469/faj.v54.n6.2223 |
[10] | Clement M B. Analyst forecast accuracy:Do ability, resources, and portfolio complexity matter?[J]. Journal of Accounting and Economics, 1999, 27(3): 285–303. DOI:10.1016/S0165-4101(99)00013-0 |
[11] | Cowen A, Groysberg B, Healy P. Which types of analyst firms are more optimistic?[J]. Journal of Accounting and Economics, 2006, 41(1-2): 119–146. DOI:10.1016/j.jacceco.2005.09.001 |
[12] | Crichfield T, Dyckman T, Lakonishok J. An evaluation of security analysts' forecasts[J]. The Accoun-ting Review, 1978, 53(3): 651–668. |
[13] | Das S, Guo R J, Zhang H. Analysts' selective coverage and subsequent performance of newly public firms[J]. Journal of Finance, 2006, 61(3): 1159–1185. DOI:10.1111/j.1540-6261.2006.00869.x |
[14] | Das S, Levine C B, Sivaramakrishnan K. Earnings predictability and bias in analysts' earnings forecasts[J]. The Accounting Review, 1998, 73(2): 277–294. |
[15] | De Bondt W F M, Thaler R H. Do security analysts overreact?[J]. American Economic Review, 1990, 80(2): 52–57. |
[16] | Dechow P M, Hutton A P, Sloan R G. The relation between analysts' forecasts of long-term earnings growth and stock price performance following equity offerings[J]. Contemporary Accounting Research, 2000, 17(1): 1–32. DOI:10.1111/(ISSN)1911-3846 |
[17] | Dowen R J. Analyst reaction to negative earnings for large well-known firms:Systematic differences for negative and non-negative earnings firms[J]. Journal of Portfolio Management, 1996, 23(1): 49–55. DOI:10.3905/jpm.1996.409572 |
[18] | Dugar A, Nathan S. The effect of investment banking relationships on financial analysts' earnings forecasts and investment recommendations[J]. Contemporary Accounting Research, 1995, 12(1): 131–160. DOI:10.1111/(ISSN)1911-3846 |
[19] | Easterwood J C, Nutt S R. Inefficiency in analysts' earnings forecasts:Systematic misreaction or systematic optimism?[J]. Journal of Finance, 1999, 54(5): 1777–1797. DOI:10.1111/0022-1082.00166 |
[20] | Friesen G, Weller P A. Quantifying cognitive biases in analyst earnings forecasts[J]. Journal of Financial Markets, 2006, 9(4): 333–365. DOI:10.1016/j.finmar.2006.07.001 |
[21] | Hayes R M. The impact of trading commission incentives on analysts' stock coverage decisions and earnings forecasts[J]. Journal of Accounting Research, 1998, 36(2): 299–320. DOI:10.2307/2491479 |
[22] | Hong H, Kubik J D. Analyzing the analysts:Career concerns and biased earnings forecasts[J]. Journal of Finance, 2003, 58(1): 313–351. DOI:10.1111/1540-6261.00526 |
[23] | Irvine P J. Analysts' forecasts and brokerage-firm trading[J]. The Accounting Review, 2004, 79(1): 125–149. DOI:10.2308/accr.2004.79.1.125 |
[24] | Jackson A R. Trade generation, reputation, and sell-side analysts[J]. Journal of Finance, 2005, 60(2): 673–717. DOI:10.1111/j.1540-6261.2005.00743.x |
[25] | Jacob J, Lys T Z, Neale M A. Expertise in forecasting performance of security analysts[J]. Journal of Accounting and Economics, 1999, 28(1): 51–82. DOI:10.1016/S0165-4101(99)00016-6 |
[26] | Lim T. Rationality and analysts' forecast bias[J]. Journal of Finance, 2001, 56(1): 369–385. DOI:10.1111/0022-1082.00329 |
[27] | Lin H, McNichols M F. Underwriting relationships, analysts' earnings forecasts and investment recommendations[J]. Journal of Accounting and Economics, 1998, 25(1): 101–127. DOI:10.1016/S0165-4101(98)00016-0 |
[28] | McNichols M, O'Brien P C. Self-selection and analyst coverage[J]. Journal of Accounting Research, 1997, 35(3): 167–199. |
[29] | Michaely R, Womack K L. Conflict of interest and the credibility of underwriter analyst recommendations[J]. Review of Financial Studies, 1999, 12(4): 653–686. DOI:10.1093/rfs/12.4.653 |
[30] | Mikhail M B, Walther B R, Willis R H. Do security analysts improve their performance with experience?[J]. Journal of Accounting Research, 1997, 35: 131–157. DOI:10.2307/2491458 |
[31] | Quan Y, Liang S. Is forecast capability important? Evidence from the selection of best analysts in China[J]. China Accounting and Finance Review, 2015, 17(4): 10–42. DOI:10.7603/s40570-015-0010-1 |
[32] | Rajan R, Servaes H. Analyst following of initial public offerings[J]. Journal of Finance, 1997, 52(2): 507–529. DOI:10.1111/j.1540-6261.1997.tb04811.x |
[33] | Sedor L M. An explanation for unintentional optimism in analysts' earnings forecasts[J]. The Accoun-ting Review, 2002, 77(4): 731–753. DOI:10.2308/accr.2002.77.4.731 |