有多少分析師建議是有價值的

1、正文目錄 HYPERLINK l _TOC_250016 簡介 4 HYPERLINK l _TOC_250015 業(yè)績的混合分布模型 6 HYPERLINK l _TOC_250014 選擇分量分布的數(shù)量 7 HYPERLINK l _TOC_250013 數(shù)據(jù) 8 HYPERLINK l _TOC_250012 數(shù)據(jù)和樣本 8 HYPERLINK l _TOC_250011 描述性統(tǒng)計 9 HYPERLINK l _TOC_250010 分析師建議的橫截面表現(xiàn) 10 HYPERLINK l _TOC_250009 有多少分析建議是有價值的？ 10 HYPERLINK l _TOC_2500

2、08 分析師是擅長生產(chǎn)信息、處理信息，還是兩者兼?zhèn)洌?12 HYPERLINK l _TOC_250007 分析師投資建議價值的變化 14 HYPERLINK l _TOC_250006 分析師建議的美元影響 16 HYPERLINK l _TOC_250005 單個建議修正的信息量 17 HYPERLINK l _TOC_250004 有多少建議是信息豐富的 18 HYPERLINK l _TOC_250003 信息豐富的修正，有影響力的修正，和分析師層面的技能 19 HYPERLINK l _TOC_250002 經(jīng)紀(jì)商層面的建議價值 21 HYPERLINK l _TOC_250001

3、7 總結(jié) 23 HYPERLINK l _TOC_250000 8 附錄 24圖表目錄圖表 1 估計有技能分析師比例的混合分布模型 7圖表 2 分析師建議的修正的異常收益的分布 8圖表 3 分析師平均異常收益的描述性統(tǒng)計 9圖表 4 分析師平均異常收益的橫截面分布 10圖表 5 有技能和無技能的分析師比例：約束混合模型 11圖表 6 分析師技能的異質(zhì)性：無約束混合模型 12圖表 7 信息處理和信息生產(chǎn)能力 13圖表 8 分析師技能的時間序列變化 15圖表 9 分析師信息的美元價值 17圖表 10 建議的信息性的異質(zhì)性：無約束模型 19圖表 11 有影響力的建議和混合模型估計的聯(lián)系 21圖表 1

4、2 經(jīng)紀(jì)商技能的異質(zhì)性：無約束混合模型 22圖表 13 經(jīng)紀(jì)商特征和技能之間的關(guān)系 23圖表 14 仿真數(shù)據(jù)生成過程 24圖表 15 仿真分析：描述性統(tǒng)計 24圖表 16 仿真分析：DGP-1 25圖表 17 仿真分析：DGP-2 25圖表 18 仿真分析：DGP-3 26圖表 19 仿真分析：DGP-4 26圖表 20 分析師技能的異質(zhì)性：建議層面 27圖表 21 分析師技能的異質(zhì)性：超額收益 27圖表 22 分析師技能的異質(zhì)性：保守收益 28圖表 23 分析師技能的異質(zhì)性要求較少的收益 28圖表 24 反向與趨勢修正 29簡介金融學(xué)中的一個基本問題是金融專業(yè)人員是否能夠識別定價錯誤的證券。

5、這個問題不僅對理解市場效率很重要，而且對理解金融中介機(jī)構(gòu)的作用和價值也很重要。大量研究通過研究證券分析師的股票推薦來探討這個問題?？偟膩碚f，分析師的建議或?qū)ㄗh的修正包含了關(guān)于未來收益的信息(例如，Womack，1996 年；Stickel， 1995 年；Barber 等人， 2001 年、2010 年)，盡管對于分析師是產(chǎn)生新的信息還是僅僅解釋了同期新聞還存在著爭議。(Altinkilig 和 Hansen，2009 年；Altinkilig 等人，2013 年；Bradley 等人，2014 年；Li 等人，2015 年)。然而，以前的文獻(xiàn)中缺少的是，有多少分析師能夠提出有價值的投資建議

6、。文獻(xiàn)將能夠提出有投資價值的建議的分析師定義為“有技能”的分析師（ skilled analyst）。分析師的建議平均包含信息并不一定意味著位于中位數(shù)水平的分析師是有技能的，而且?guī)缀鯖]有證據(jù)表明最佳和最差分析師的價值。分析師的技能是集中在分析師的一小部分中，還是在行業(yè)中是普遍的，這說明了市場的效率以及股票研究對市場參與者的價值。分析師的價值既取決于技能，也取決于其信息能力（即信息處理與信息生產(chǎn)）。本文估計了在股票建議上有技能或沒有技能的股票分析師的比例，還估計了分析師技能的經(jīng)濟(jì)規(guī)模分布。如何識別有技能的分析師是一項挑戰(zhàn)。即使是在一個分析師隨機(jī)提出建議的世界里，分析師的建議可能會因為運氣好而不是

7、由于優(yōu)越的信息而表現(xiàn)出色。同樣，有技能的分析師可能由于運氣不好而不是真正的無能而表現(xiàn)不佳。為了確定由于運氣而產(chǎn)生噪聲的有技能分析師的比例，將分析師的業(yè)績建模為混合分布。在本文中，分析師技能的異常業(yè)績集中在不同的異常收益水平上，使用來自分析師業(yè)績橫截面的信息來減少分析師業(yè)績所有的噪聲。在 1993 年至 2015 年間近 5,500 名股票分析師中，很大一部分分析師是有技能的。當(dāng)使用對建議修正相關(guān)的平均異常收益來衡量分析師的業(yè)績時，得到 97%分析師的異常收益為正的。分析師技能的平均規(guī)模也很大，在0,5個交易日的窗口內(nèi)，異常收益為 1.5%。大約 64%的分析師服從較低的收益分布，但這些分析師的

8、平均業(yè)績?nèi)匀皇秋@著意義上的為正；平均業(yè)績服從以 1%的異常收益為中心的分布。其余 36%的分析師業(yè)績更好，異常收益集中在 2.4%?？紤]到分析師的業(yè)績，業(yè)績來自預(yù)測新聞事件的定價影響的能力，還是來自向 市場提供增量信息的能力（或兩者兼而有之）？ Altinkilig 和 Hansen（2009 年） 以及Altinkilig、Balashov 和 Hansen（2013 年）最近的研究得出結(jié)論認(rèn)為，除了其 他信息發(fā)布之外，分析師的建議沒有提供信息。這一結(jié)論被 Bradley、Clarke、Lee 和 Ornthanalai（2014 年）和 Li、Ramesh、Shen 和 Wu（2015 年

9、）所反駁，這 兩個結(jié)論都提供了分析師選擇確實具有增量信息內(nèi)容的證據(jù)。本文檢驗分析師的技 能是否由新聞事件所決定（即信息搭載)，還是由信息生產(chǎn)決定 (或兩者共同決定的）。根據(jù) RavenPack 新聞數(shù)據(jù)庫，從與有新聞發(fā)生和沒有新聞發(fā)生的修正來分別估計分析師的技能。在這兩個維度上，都找到了與分析師技能相關(guān)的證據(jù)。所有分析師似乎都擅長預(yù)測與新聞事件相關(guān)的變化。這一技能的經(jīng)濟(jì)量很大（2%），分析師在這一維度上的唯一不同是估計誤差。相當(dāng)一部分分析師（93%）在非新聞日進(jìn)行了修正，精通信息生產(chǎn)。雖然信息生產(chǎn)能力的平均規(guī)模仍然很大（1.7%），但分析師生產(chǎn)新信息的能力存在相當(dāng)大的橫截面異質(zhì)性，橫截面標(biāo)準(zhǔn)差

10、為 1.2%。因此，分析師整體技能的變化是由信息生產(chǎn)能力的差異決定的。接下來，將研究與較高技能水平相關(guān)的分析師特征。雖然結(jié)果表明幾乎所有的分析師都是有技能的，但這種技能的大小有很大的橫截面變化。建立模型：分析師的概率服從較高的均值分布，是關(guān)于分析師提出的建議的數(shù)量、建議“賣出”的比例、分析師對行業(yè)的專注度以及任職期限的函數(shù)。更有經(jīng)驗的分析師更有可能服從較高的均值分布，但那些每年提出更多建議的分析師更有可能是低類型的，與規(guī)模不經(jīng)濟(jì)相一致。涵蓋更多行業(yè)的分析師更有可能被認(rèn)定為高類型分析師。這與更專注的分析師表現(xiàn)更佳的觀點不一致。分析師提出的賣出建議中較大的一部分更有可能來自較高的均值分布。這與 B

11、arber 、Lehavy 、McNichols 和 Trueman（2006 年）是一致的，并表明利益沖突可能在業(yè)績中發(fā)揮作用(Michely 和 Womack，1999 年)。分析師是重要的信息中介，有助于促進(jìn)證券的價格發(fā)現(xiàn)。通過估計這些信息的價值來描述其經(jīng)濟(jì)價值。如果最有技能的分析師對小市值股票提出了不成比例的建議，他們的信息對市場效率的貢獻(xiàn)可能很小，即使與他們的建議相關(guān)的收益很大。事實上，每個分析師的預(yù)期異常收益（基于混合模型估計）與他們提出建議的公司規(guī)模之間存在負(fù)相關(guān)關(guān)系。因此，使用穿透底層股票市值和機(jī)構(gòu)持有量指標(biāo)，以美元來衡量分析師的預(yù)期技能。從總市場資本價格發(fā)現(xiàn)角度，中位分析師的

12、修正的價值為$2200 萬美元；從機(jī)構(gòu)所有者的價格發(fā)現(xiàn)角度，價值為$1500 萬美元。雖然這是對市場修正的總價值估計，但整個公司不能以這一價格交易。因此，本文還根據(jù)該股票的平均機(jī)構(gòu)頭寸變化來估計股票的價值，得到對某一機(jī)構(gòu)客戶來說，中位分析師的選擇價值約為$41,000。分析師層面上的技能，可能是由分析師不斷提出包含豐富信息的建議所決定的，或者可能是由于所有分析師都有一些高利潤的建議。為了更好地理解這一點，本文在建議層面上估計了混合模型。與分析師層面分析一樣，這種估計減少了評估股票層面建議的噪聲。這樣能與 Loh 和 Stulz（2011)的研究相協(xié)調(diào)。在建議層面混合模型估計，86%的修正是信息

13、豐富的（即混合模型估計，這部分建議有正的真實異常收益）。因為個別股票的收益是有噪聲的，許多建議沒有被歸類為有影響力的。雖然結(jié)果中有影響力的建議是信息豐富的（噪聲降低后的條件預(yù)期收益的中位數(shù)為 8%），但沒有影響力的建議同樣包含豐富信息，條件預(yù)期收益的中位數(shù)為 1%。忽視這些信息豐富但沒有影響力的建議（這些建議目前更為普遍）會導(dǎo)致對分析師技能估計的不足。本文基于分析師層面的混合模型，比較了預(yù)期技能的三分位數(shù)中有影響力和沒有影響力的建議。頂級分析師的表現(xiàn)優(yōu)于其他分析師，不僅是因為他們的建議更具影響力，而且有影響力的建議和非影響力的建議都有更高的異常收益。最后，考慮到分析師技能的橫截面變化，在經(jīng)紀(jì)商

14、層面上檢驗業(yè)績是很自然的。由于更好的培訓(xùn)、招聘或信息獲取，業(yè)績服從較高的均值分布的分析師可能集中在少數(shù)經(jīng)紀(jì)商。此外，由于公司中其他業(yè)務(wù)，分析師可能面臨不同的激勵，這些不同的激勵可能會影響業(yè)績。當(dāng)本文對證券公司的橫截面進(jìn)行分析時，發(fā)現(xiàn)很大一部分經(jīng)紀(jì)商是有技能的，但這一比例小于分析師層面，這意味著人才的集中。較大的經(jīng)紀(jì)商，無論是根據(jù)修正數(shù)量、分析師還是所涵蓋的行業(yè)來衡量，都更有可能是高類型的證券公司。本文的結(jié)果有助于更全面了解分析師的技能。許多研究將分析師的業(yè)績歸因于分析師的技能。例如，Mikhail、Walther 和 Willis（2004）發(fā)現(xiàn)相對分析師建議業(yè)績是持久的，與技能一致。然而，其

15、他研究表明，分析師的建議可能沒有提供信息。例如，Drake、Rees 和Swanson（2011 年）發(fā)現(xiàn)，與賣空者和分析師建議進(jìn)行相反交易的策略是有利可圖的。本文還對圍繞新聞事件的分析師建議的爭議作出了貢獻(xiàn)。本文結(jié)果表明大多數(shù)分析師都是有技能的，這與活躍的公募基金領(lǐng)域的技能研究形成了鮮明的對比。Kosowski 等人（2006 年），Barras 等人（2010 年）、Fama和 French（2010 年）、Crane 和 Crotty（2018 年）以及 Harvey 和 Liu（2018 年）發(fā)現(xiàn)，只有一小部分基金經(jīng)理能夠超越市場。分析師和基金經(jīng)理之間的一個重要區(qū)別是，前者不必在選股后

16、部署資本，而后者則沒有這種靈活性。交易成本可能會極大地削弱分析師建議交易的盈利能力。Barber 等人發(fā)現(xiàn)了這方面的證據(jù)。此外，分析師不必一定提出建議，而基金經(jīng)理必須投資資本。因此，與分析師的股票建議相比，公募基金觀察到的股票選擇更有可能受到規(guī)模收益遞減的影響(Berk 和 Green， 2004 年)。論文結(jié)構(gòu)如下：第二節(jié)描述了本文分析中使用的混合模型。第三節(jié)介紹了建議修正的樣本和業(yè)績衡量指標(biāo)。第四節(jié)給出了分析師技能的實證結(jié)果。在第五節(jié)中，本文模擬了單個建議修正的分布情況，并協(xié)調(diào)了在建議層面與先前研究的方法。第六節(jié)分析了在經(jīng)紀(jì)商層面的業(yè)績。第七節(jié)進(jìn)行總結(jié)。業(yè)績的混合分布模型將分析師的技能分布

17、建模為不同技能組的混合分布。這種方法最近被應(yīng)用于對沖基金業(yè)績(Chen 等人，2017 年)和共同基金業(yè)績(Harvey 和 Liu，2018 年)。 分析師被假定屬于 J 技能組。有部分的分析師屬于技能組 j。技能組 j 的異常收益以 為中心。屬于 j 組的分析師 i 的估計異常收益的分散度由兩個因素驅(qū)動：技能的真實變化和估計誤差。用 表示分析師 i 的真實技能，并將估計的異常業(yè)績表示為 。屬于 j 組的分析師 i 的真實技能是 = + ，其中是一個方差為2的零均值正態(tài)隨機(jī)變量。用估計誤差來表示異常業(yè)績，假定該誤差為獨立于， 且是零均值正態(tài)分布，標(biāo)準(zhǔn)差為，即分析師的異常業(yè)績的標(biāo)準(zhǔn)差。因此，估

18、計的異常業(yè)績?yōu)?= + + 。在實證中，發(fā)現(xiàn) J=2 技能組最符合分析師業(yè)績的橫截面分布，因此下面假設(shè)假設(shè) J=2。在這些假設(shè)下，分析師i 的估計的平均異常收益的密度函數(shù)是：() = . ( 0) + . ( 1)0,01,1表示標(biāo)準(zhǔn)正態(tài)密度函數(shù)，2 = 2 + 2。對 N 個分析師估計的平均異常收益樣本的似然函數(shù) L 是：,(1, 2, , |1, 2, , , ) = ()=1 = 0, 1, 0, 1, 0, 1。通過極大似然法估計，并限制0 0,1, 1 = 1 0, 0( = 0,1)。定義分布順序，0 1 ,估計差分參數(shù) 0,其中1 = 0 + 。圖表 1 中的兩個分布情況表示混合

19、方法。頂部面板顯示真實技能的分布。藍(lán)色線分布的分析師比紅色線分布(0 0的混合分布的比例來估計有技能分析師的比例。選擇分量分布的數(shù)量在混合模型中，有多種方法選擇成分分布的數(shù)量(McLachlan 和 Peel，2000)。本文采用了兩種方法：貝葉斯信息準(zhǔn)則(BIC)和似然比檢驗。具體來說，計算了樣本調(diào)整后的BIC(Schwarz， 1978；Sclove，1987)。具有 c 個成分的模型的 BIC 是： + 2 = 2() + log ( 24 )()和是 c 分量分布模型中估計參數(shù)的似然函數(shù)和個數(shù)，N 是觀測數(shù)。然后選擇 BIC 最低的模型。本文還進(jìn)行了似然比檢驗?？紤]兩個模型，0和1，其

20、中0是1的嵌套版本。 例如，0是 2 分量分布模型，1是三分量分布模型。分別估計模型0和1的參數(shù) 向量0和1。似然比（LRTS）為： = 2(1) (0)當(dāng) LRTS 超過某個臨界值時，拒絕模型為0的原假設(shè)。利用估計的參數(shù)0模擬 100 個樣本，得到 LRTS 在0模型下的分布。對于每個抽樣樣本，估計兩個模型0 和1，并計算得到LRTS。因此，“自助法”（bootstrap）提供了 LRTS 在模型為0假設(shè)下的分布。如果實證的 LRTS 超過這個抽樣分布中的第 99 百分位數(shù)，則拒絕0為真實模型的假設(shè)。數(shù)據(jù)數(shù)據(jù)和樣本數(shù)據(jù)來自湯森路透的機(jī)構(gòu)經(jīng)紀(jì)估計(I/B/E/S)數(shù)據(jù)庫，數(shù)據(jù)范圍為 1993-

21、2015 年。將個人分析師的股票建議與來自 CRSP 和NYSE TAQ 的收益信息合并。一般來說，分析師的建議是強(qiáng)勢買入、買入、持有、賣出和強(qiáng)勢賣出。本文在分析中考慮分析師建議的修正。先前有研究表明，修正比建議有更多信息(Boni 和 Womack，2006 年；Jegadeesh 和 Kim，2010 年)。首先，通過計算與購買升級股票和出售降級股票相關(guān)的買入-持有異常收益來表示建議修正的指標(biāo)。對分析師i 的修正k 來說，異常收益為：55 = (1 + ,) (1 + , )其中，被定義為：=0=0 = +1升級股票1降級股票,是第 t 天股票 k 的收益，,是 t 天的基準(zhǔn)收益。作為基準(zhǔn)

22、收益，使用市場模 型基準(zhǔn)(, + ( , ),股票 k 的貝塔是相對于標(biāo)準(zhǔn)普爾 500 交易所交易基金 ，SPY，是用相對于給定事件-272，-21交易日窗口的每日收益來估計的。如果用于估計的交易日少于 42 個交易日（即 2 個月），則將其取為 1。使用 SPY 作 為基準(zhǔn)。如何計算分析師建議的異常收益一直是研究中爭議的地方。在本文的樣本中，一些建議發(fā)生在交易日，而另一些發(fā)生在交易時間之前或之后。對于交易時間后的建議，第 0 天的收益是建議后一天的收益。對于交易時間前的建議，第 0 天收益是建議當(dāng)天的收益。對于交易時間內(nèi)的建議，從 NYSE TAQ 中獲得截至 I/B/E/S 時間戳，股票

23、j 和SPY 的當(dāng)前報價中點，則第 0 天收益是從該報價中點到收盤價而計算出來的。第 0 天的基準(zhǔn)收益是 SPY 的相應(yīng)日內(nèi)收益。圖表 2 中繪制了異常收益的分布，圖表顯示了升級修正（a）和降級修正（b）的直方圖。對于升級和降級，平均異常收益都是正的。圖表 2 分析師建議的修正的異常收益的分布資料來源：wind 資訊，本文的分析主要關(guān)注有技能的分析師的比例。綜合建議層面的異常收益，通過計算平均異常收益來得到分析師層面的異常收益： = 1 =1其中是分析師i 的修正數(shù)。因此，是分析師技能的估計。相關(guān)的標(biāo)準(zhǔn)誤都是按建議日期分組的，以說明在同一日期發(fā)生的修正的跨建議間相關(guān)性，以及由底層股票分組，以說

24、明在同一股票上的建議中的跨分析師相關(guān)性。描述性統(tǒng)計本文所包含的樣本，分析師的建議修正至少有 20 個，剔除了 I/B/E/S 掩碼為零的分析師。建議后的平均收益樣本包含 5478 名分析師，共 356077 項建議的修正。圖表 3 顯示特定分析師平均異常收益的橫斷面統(tǒng)計數(shù)據(jù)。分布如圖表 4 所示。橫截面均值（第 50 百分位數(shù)）為 171（151）bps。分析師平均異常收益有很大的橫截面波動(標(biāo)準(zhǔn)差為 192bps)，并且分布呈偏斜和尖峰，這與潛在技能分布中可能的混合分布是一致的。在 1%的顯著水平下，拒絕零假設(shè)，即平均異常收益的分布是正態(tài)分布的。雖然大多數(shù)平均異常收益都是正的，但只有 42%

25、的分析師在 5%的單邊檢驗下有顯著為正的平均異常收益。一些收益異常的分析師可能是由于運氣。另一方面，一些平均異常收益微不足道的分析師可能是有技能的，但是不夠幸運。值得注意的是，雖然技能的橫截面平均水平經(jīng)濟(jì)意義上似乎很大，但這些分析師的平均值是在大量的噪聲下測量的。橫截面平均值（中位數(shù))標(biāo)準(zhǔn)誤差為 127(108） bps。因此，平均（中位數(shù)）分析師的 t-統(tǒng)計量只有 1.44（1.41）。 標(biāo)準(zhǔn)誤差也有很大的橫截面波動，橫截面標(biāo)準(zhǔn)差為 71bps。圖表 3 分析師平均異常收益的描述性統(tǒng)計資料來源：整理圖表 4 分析師平均異常收益的橫截面分布資料來源：整理分析師建議的橫截面表現(xiàn)有多少分析建議是有

26、價值的？首先，估計了一個約束的雙分量混合模型，其中較低技能分量中的所有分析師都被約束為沒有異常業(yè)績(即0 = 0和0 = 0)。圖表 5 報告了兩個分布(0, 1)中中分析師比例的估計，以及第二個分布(1和1 )的位置和分散度、每個分布的平均技能（ ）的分散度。估計結(jié)果中來自低類型分布(以0為中心)的分析師比例僅為5.6%。假設(shè)這些非有技能分析師的所有變化都是由于估計誤差造成的。據(jù)估計，94.4%的分析師來自以 1.58%異常收益為中心的分布。因此，高類型分析師的數(shù)量不僅很大，而且技能分布集中經(jīng)濟(jì)意義較大的正收益上。這個分布有 98bps 的標(biāo)準(zhǔn)差，所以分布的左尾部分有負(fù)的預(yù)期異常收益。將這些

27、與0比例相結(jié)合，估計沒有技能分析師（即負(fù)阿爾法的分析師）的比例約為 10.6%。因此，圖表 5 中的約束混合模型方法表明，大多數(shù)分析師（89.4%）是有技能的。雖然約束模型表明大多數(shù)分析師是有技能的，但是約束模型可能不必要地限制了模型捕捉分析員技能異質(zhì)性的能力。有可能是幾乎所有的分析師都是有技能的，但有些分析師比其他分析師更好（即第一成分分布居中于零的右側(cè)，并且具有分散性）。為了評估這種可能性，本文估計了無約束的混合模型，其中每個分量分布可以有不同的位置參數(shù)j，不一定等于零，并且每個分布都可以在真正的技能中表現(xiàn)出分散性。第 2.1 節(jié)中描述的調(diào)整 BIC 和似然比檢驗都拒絕圖表 5 中的約束雙

28、分量模型，而傾向于無約束模型。圖表 5 有技能和無技能的分析師比例：約束混合模型資料來源：整理估計了 1-、2-、3-和 4-分量分布的無約束混合模型，并利用調(diào)整后的 BIC 和 bootstrap 似然比檢驗得到最佳模型。這兩種方法都表明，2 分量分布最適合數(shù)據(jù)。調(diào)整后的 1-、2-、3-和 4-分量分布的 BIC 值分別為-29，445.86、-29，553.21、-29，542.68 和-29，527.49。同樣，在所有“自助法”中，單分量模型和雙分量模型之間的似然比檢驗，在 1%的顯著水平上拒絕了單分量模型，但沒有拒絕雙分量模型，而支持三分量模型。約束雙分量混合分布的估計值列于圖表 6

29、 中。我們通過從數(shù)據(jù)中放回抽樣 100次得到標(biāo)準(zhǔn)誤差的估計，并估計每個“自助法”樣本的各種混合模型統(tǒng)計量。大多數(shù)分析師（64%）屬于低平均數(shù)成分分布。這些低類型的分析師大多是有技能的，集中在以 0.99%均值為中心的分布。其余 36%的分析師都是以 2.44%均值為中心的高類型分布。然而，第二個成分的底層技能更具可變性。技能的分散性為 1.13%，而技能的異質(zhì)性較低(0.56%)。圖表 6 中的 Panel B 是分析師技能橫截面分布的估計。該模型估計的平均真實技能為 1.51%，中位分析師的真實技能為 1.27%。重要的是，大多數(shù)分析師估計都有正的技能。非負(fù)技能的分析師比例為 97%。請注意

30、，這大大高于圖表 1 中報告的 85%修正后平均正收益的分析師的比例，只有 53%的分析師在 10%的顯著水平上顯著。因此，如果獨立地對每個分析師使用傳統(tǒng)的假設(shè)檢驗來判斷多少分析師是有技能的，那么根據(jù)混合模型得到的許多有技能的分析師將被錯誤地拒絕為沒有技能。圖表 6 分析師技能的異質(zhì)性：無約束混合模型資料來源：整理分析師是擅長生產(chǎn)信息、處理信息，還是兩者兼?zhèn)?？在本?jié)中，探討分析師技能背后的經(jīng)濟(jì)渠道。一些研究認(rèn)為，分析師發(fā)布的建議主要是搭載在新聞事件上，而建議的修改除了已經(jīng)嵌入新聞中的建議外，并沒有給市場提供多少增量。例如，Altinkilig 和 Hansen（2009）認(rèn)為，一旦其他公司的新

31、聞被考慮在內(nèi)，分析師的建議對價格的影響很小。因此，Loh 和 Stulz（2011 年）認(rèn)為，包括附有收益公告的建議將推高分析師的業(yè)績。另一方面，Li 等人認(rèn)為，許多建議修改實際上與底層股票的普遍價格變動相反，而且這些修正在沒有新聞事件時發(fā)布也有助于價格發(fā)現(xiàn)。產(chǎn)生建議修正可能是由于分析師在新聞事件后預(yù)測漂移，也可能是由于生產(chǎn)新的信息。本文將前一種渠道稱為信息處理，將后一種渠道稱為信息生產(chǎn)。雖然這兩種渠道對市場參與者都有潛在的價值，但它們對理解分析師在市場中的作用有不同的影響。分析師在這兩個方面可能都是成功的，但分析師能力的大小或橫截面變化可能在這兩個不同的經(jīng)濟(jì)渠道上有很大不同。為了研究分析師技

32、能的來源，從 RavenPack 新聞分析中得到全面的新聞事件列表。將在新聞事件發(fā)生后三天內(nèi)對該新聞數(shù)據(jù)庫中的底層股票提出的任何建議歸類為信息處理修正，其他建議作為信息生產(chǎn)修正。RavenPack 數(shù)據(jù)始于 2000 年，本文分析從 2000-2015 年開始。信息處理修正是圍繞新聞事件進(jìn)行的， 與 RavenPack 相關(guān)的評分超過 75 分，但與分析師本身有關(guān)的內(nèi)容除外（升級/降級公告)，以及關(guān)于股票或宏觀經(jīng)濟(jì)中交易問題的公告(特別是訂單余額、股票價格、技術(shù)分析、國際收支平衡、內(nèi)亂動蕩、政府）。 因此，信息處理分類捕捉了大量的公司事件。通過計算新聞跟蹤修正的平均績效，來評估一個分析師來的信

33、息處理能力，并通過計算非新聞跟蹤修正的平均績效來捕獲其信息生產(chǎn)能力。對于信息處理，值得注意的是，使用日內(nèi)收益有助于獲得分析師建議相關(guān)的價格發(fā)現(xiàn)，而不僅僅是新聞事件本身。分析師告訴客戶購買是有價值的，如果價格隨后上漲，不管價格變動是由于分析師的建議還是伴隨的新聞事件。圖表 7 分別報告了 Panel A 和 Panel B 中基于信息處理（即新聞跟蹤 news-following)和信息生產(chǎn)(非新聞事件建議 non-event recommendations）樣本的分析師混合模型的估計。對于新聞子樣本，最佳擬合模型不是雙分量分布模型。相反，估計表明信息處理能力服從一個單分量分布，在這個分布中，新

34、聞事件后觀測到的業(yè)績的所有變化都是由于估計誤差造成的。因此，該模型表明，所有分析師都很善于利用新聞；這些分析師的真實能力估計值約為 2%。圖表 7 信息處理和信息生產(chǎn)能力資料來源：整理分析師是否也能夠在沒有同期新聞的情況下產(chǎn)生新的信息？答案是肯定。Panel B 中的混合估計表明，93%的分析師在非新聞日進(jìn)行了檢驗修正，他們也擅長生產(chǎn)新的信息。結(jié)果也表明，真實技能總體的橫截面變化是由這些建議的類型驅(qū)動的。在無新聞事件樣本中，大多數(shù)分析師（97%）技能服從均值為 1.65%，橫截面標(biāo)準(zhǔn)差為 1.12%的分布。其余高類型分析師平均信息生產(chǎn)能力為 2.8%。在整個截面上，平均信息生產(chǎn)能力為 1.68

35、%，低于 Panel A 中估計的信息處理能力。分析師信息生產(chǎn)能力表現(xiàn)出大波動。這是直觀的這是相對直接的市場參與者跟隨給定的公司理解新聞的含義，但它是更難產(chǎn)生新的信息。另一種方法檢驗分析師技能是否僅僅是由新聞事件搭載（即 piggybacking）驅(qū)動，是在建議修改之前對收益進(jìn)行條件化。具體而言，Altinkilig 和 Hansen（2009年）和 Li 等人（2015 年）考慮反向建議，即修改的信息內(nèi)容與股票最近的價格變動不相符。附錄中報告了基于反向和趨勢修正子樣本的分析師技能估計。使用趨勢修正子樣本，更大比例的分析師是有技能的，真實技能的橫截面變化較低，類似于新聞樣本。盡管如此，大多數(shù)分

36、析師在進(jìn)行逆向選擇時仍然是有技能的，這種技能的規(guī)模在經(jīng)濟(jì)上是顯著的。分析師投資建議價值的變化分析師的特征和技能文獻(xiàn)表明，建議的質(zhì)量與分析師特征相關(guān)。在分析師層面，如果真正的能力是可觀察的，可以用logit 回歸，對于具有不同特征的分析師，其是否是有技能的，以估計在橫截面上有技能的概率的變化。雖然真正的能力是潛在的，但可以將特征納入分析，方法是：從混合分布的每個分量分布中提取的概率是各種分析師特征的函數(shù)。具體來說，用邏輯函數(shù)將分析師 i 屬于每個分量分布的概率參數(shù)化。1,0 = 1 + exp ( + )01 ,1=exp (0 + 1)1 + exp (0 + 1)是隱變量，用于分析對于某一特

37、征，分析師 i 是否在橫截面中位數(shù)之上。表 5 是四個特征上，低于或高于中位分析師在的技能分布估計：（1)每年發(fā)布的建議總數(shù)； (2)賣出建議的百分比；(3) 分析師涵蓋的行業(yè)數(shù)量；(4）分析師的工作年限。對于工作量較大的分析師來說，持續(xù)提供高異常業(yè)績的建議可能更難。與此相一致的是，每年發(fā)布更多建議的分析師不太可能服從高類型分布。具有中值以上工作量的分析師中有 36%是高類型分析師，而幾乎具有以下中值工作量的分析師有 60%被確定為高類型分析師。兩者差異在統(tǒng)計意義上是顯著的。對于工作量較高的分析師，平均收益比高工作量的分析師低 31bps。 然而，在這兩組分析師中，有技能分 析師的估計比例約為

38、 97%。賣出建議比例較高的分析師更有可能是高類型分析師。該模型估計，57%的分析師的建議賣出率高于中位數(shù)，而只有 39%的分析師的建議賣出率較低。不受歡迎的分析師的條件平均（中位數(shù))收益率為 1.62%(1.36%）比較有利分析師的相同估計值高 25bps。這些證實了 Barber、Lehavy、McNichols 和 Trueman（2006 年）中的發(fā)現(xiàn)，提供了基于投資組合的證據(jù)，表明不受歡迎的分析師的建議優(yōu)于更受歡迎的分析師。涵蓋更多行業(yè)的分析師也更有可能成為高類型分析師。超過一半的分析師是高類型分析師，而涵蓋重點行業(yè)的分析師中只有三分之一是高類型分析師。這可能是由于覆蓋更多的行業(yè)，對

39、分析師的技能要求更高。Mikhail 等人（1997）發(fā)現(xiàn)分析師預(yù)測誤差隨著特定公司經(jīng)驗的減少而減少，但經(jīng)驗較豐富的分析師的建議并不比經(jīng)驗較少的分析師的建議更有利可圖。在樣本中，分析師任期與成為高類型分析師的概率密切相關(guān)。擁有中等以上任期的分析師 87%是高類型的，而只有 39% 的新分析師是高類型分析師。新的和老的分析師在分析師平均技能上的差異大約為 70bps。兩組的技能中位數(shù)差異更大，為 106bps。盡管存在這些差異，但注意到，這兩個群體中絕大多數(shù)都被確定為有技能的（約 98%），但經(jīng)驗較少的分析師所作修正的經(jīng)濟(jì)意義較低。隨著時間推移的技能分析師技能的水平和程度可能會隨著時間的推移而改

40、變。隨著時間的推移，分析師一直受到與他們獲取信息能力直接相關(guān)的監(jiān)管(例如 Reg FD 和 SEC 的協(xié)議 Global Research Analyst Settlement)。此外，行業(yè)整合也可能改變分析師的動機(jī)。計算滾動 10 年期，從 1993-2002 年開始到 2006-2015 年結(jié)束。估計每 10年滾動窗口的雙分量分布。圖表 8 中逐期繪制結(jié)果。Panel (a)列出估計的橫截面均值和估計的第一和第三分位數(shù)的時間序列。分析師技能的經(jīng)濟(jì)規(guī)模在樣本的前半部分增加。在 2002 年結(jié)束時，平均分析師的收益約為 75bps，然后在樣本的下半部分上升到 2%以上。 第一分位數(shù)和第三分位數(shù)

41、都增加了。對于第三個四分位數(shù)的增加更大，因此估計能力的橫截面隨著時間的推移變得更加分散。Panel (b)表明，絕大多數(shù)分析師都是有技能的（即具有積極的能力），而不論子樣本如何；有技能分析師的比例也隨著時間的推移而增加?？偟膩碚f，隨著時間的推移，分析師們的技能在變好。圖表 8 分析師技能的時間序列變化資料來源：整理分析師建議的美元影響先前的分析表明，分析師是重要的信息中介，有助于促進(jìn)他們所研究的股票的價格發(fā)現(xiàn)。描述這一信息的經(jīng)濟(jì)價值的一種方法是以美元衡量。如果認(rèn)為使用收益指標(biāo)的最有技能的分析師只在微盤股中促進(jìn)價格發(fā)現(xiàn)，那么估計“不太有技能”的分析師（即每個建議的預(yù)期收益較低）可能實際上會促進(jìn)更

42、大的價格發(fā)現(xiàn)。例如，在文獻(xiàn)中，Berk 和 vanBinsbergen（2015） 認(rèn)為，業(yè)績應(yīng)以美元衡量，因為在特大管理資產(chǎn)上獲得較小收益的基金經(jīng)理比擁有較小 AUM 但收益較大的經(jīng)理產(chǎn)生更多的價值。因此，對于每個分析師，根據(jù)混合模型計算他們的預(yù)期收益技能，并使用對市值和機(jī)構(gòu)總所有權(quán)的特定分析師指標(biāo)將其轉(zhuǎn)換為美元度量。具體來說，通過分析師研究覆蓋的所有股票的平均市值和機(jī)構(gòu)持有量來計算預(yù)期收益。這些計算從整體市值和機(jī)構(gòu)頭寸的價格發(fā)現(xiàn)角度揭示了分析師的美元價值。一個明顯的問題是，單個客戶（即特定機(jī)構(gòu)投資者）對分析師某項建議的價值以多少美元衡量。這取決于投資者交易信息的能力。使用 13F 文件中機(jī)

43、構(gòu)持有量的變化來估計基礎(chǔ)證券可能交易的規(guī)模。對于每一只被建議的股票，計算該季度機(jī)構(gòu)持有的平均變化，能得到機(jī)構(gòu)投資者對每個股票交易了多少美元。然后，將這個值的中位數(shù)貫穿于給定分析師的所有修正中，作為典型的機(jī)構(gòu)位置變化的分析師特定指標(biāo)。對于每個分析師，計算在估計的 2 分量混合模型的條件下，收益的預(yù)期技能、分析師實現(xiàn)的和分析師的標(biāo)準(zhǔn)誤。令,表示分析師 i 屬于混合成分 j 的條件概率，并用,表示在分析師 i 屬于混合成分 j 的條件下，分析師技能的期望值。 因此，分析師技能的條件期望是：|, , = ,0,0 + ,1,1分析師 i 屬于混合成分j 的條件概率為：, = Pr(分析師i 屬于技能組

44、 j|ABRi, si, ) . (= ,) 分析師技能的期望值:0. ( 1 2,00) + 1. ( 1 21),1= + , 1 + 1 1 + 1 ( 22 )( 22 )圖表 9 中的 Panel A 報告了每個分析師的條件預(yù)期技能的橫截面相關(guān)性，以及基礎(chǔ)股票在市值、機(jī)構(gòu)所有權(quán)總量和機(jī)構(gòu)所有權(quán)變化幅度方面的特征。有條件的預(yù)期技能與市場資本和機(jī)構(gòu)所有權(quán)都呈負(fù)相關(guān)。這支持了這樣一種觀點，即分析師能夠為較小的公司提供更高收益的信息。問題是，收益幅度的增加是否抵消了基礎(chǔ)公司在較小的基礎(chǔ)上以美元計算的收益。交易指標(biāo)也與預(yù)期阿爾法呈負(fù)相關(guān)，盡管幅度略低。為了考慮到這些關(guān)系，將每個分析師的預(yù)期阿爾

45、法乘以中位數(shù)美元價值指標(biāo)（即市場上限、機(jī)構(gòu)總所有權(quán)或平均機(jī)構(gòu)地位變化）在所有修正中。因此，這些美元業(yè)績反映了收益中業(yè)績與基礎(chǔ)股票規(guī)模之間的橫截面關(guān)系。在 Panel B 中列出了每一種美元指標(biāo)下業(yè)績的橫截面變化。分析師技能的平均條件期望為 1.54%。當(dāng)考慮到預(yù)測與公司規(guī)模之間的關(guān)系時，由于分析師修正而導(dǎo)致的平均價格發(fā)現(xiàn)為$4300 萬，中位數(shù)為$2200 萬。如果分析師的建議主要對機(jī)構(gòu)客戶有價值，那么衡量與這些機(jī)構(gòu)擁有的公司數(shù)量相關(guān)的價格發(fā)現(xiàn)是有意義的。按機(jī)構(gòu)所有權(quán)總頭寸計算，價格發(fā)現(xiàn)的平均值為$ 3100 萬。當(dāng)然，如果在短期內(nèi)沒有極端的價格影響，就無法在升級的基礎(chǔ)上購買公司的所有未償股份

46、，也無法清算機(jī)構(gòu)的總所有權(quán)。在Panel B 第 4 欄，是分析師機(jī)構(gòu)客戶美元價值的橫截面分布的估計。如果一個機(jī)構(gòu)能夠根據(jù)該建議交易一個典型的季度持有量變化，平均（中位）分析師的建議的價值為 $51,200（$41,100）。機(jī)構(gòu)客戶訂閱研究，而不是零敲碎打地支付，因此訂閱給給定客戶的價值將反映相關(guān)分析師（或分析師)所做修正的總數(shù)。樣本中的平均分析師每年進(jìn)行 15 次修正，因此由于多個建議，分析師的聚合值更高。圖表 9 分析師信息的美元價值資料來源：整理單個建議修正的信息量前面的分析涉及到有多少分析師是有技能的。在本節(jié)中，將分析師層面的技能估計與底層修正的信息性 informativeness

47、 聯(lián)系起來。大多數(shù)分析師提出好建議可能相對較少，但好建議會帶來很大的異常收益。或者，大多數(shù)修正可能是信息豐富的。使用混合模型來減少股票收益中潛在的固有噪聲，估計得出大多數(shù)修正（86%）是信息豐富的。本文的研究結(jié)果與 Loh 和Stulz（2011 年)的研究結(jié)果形成了對比，他們認(rèn)為只有 12%的分析師修正具有影響力(即統(tǒng)計上存在顯著信息豐富的特征）。在第5.2 節(jié)中，將他們的建議層面的分析與第 4 節(jié)中識別有技能的分析師的方法聯(lián)系起來。在分析師層面，混合模型通過來自有影響力和非影響力的修正的信息來判斷有技能的分析師。雖然有影響力的修正更具信息性，但非影響力的修訂在經(jīng)濟(jì)意義上有信息。有多少建議是

48、信息豐富的圖表 10 中的 Panel A 顯示了建議層面上，分析師修正后異常收益的分布。對于每一次修正，通過估計交易日窗口-272，-21的日度市場回歸模型來計算特定股票的標(biāo)準(zhǔn)誤差。從模型中還可以得到交易日窗口0,5的日度異質(zhì)波動估計值 。橫截面平均異常收益為 1.83%，且呈偏斜分布異常收益的中位數(shù)為 1.13%。60%的修正與正的異常收益相關(guān)。股票層面的收益是有噪聲的。橫截面平均異質(zhì)波動率為 6.27%；收益的平均 t 統(tǒng)計量僅為 0.32。在 5%的顯著水平上，只有 11%的建議與異常收益顯著相關(guān)。這一比例與 Loh 和 Stulz（2011 年）的研究中，“12%的建議具有影響力”接

49、近?；诿枋鲂越y(tǒng)計數(shù)據(jù)，由分析師層面的混合模型得出關(guān)于分析師技能程度的不同結(jié)論。單個建議中的噪聲很大。分析層面的分析是一種投資組合方法，與獨立考慮的單個建議相比，其噪聲將大大降低?？紤]到單個建議中的噪聲，可以在建議層面應(yīng)用混合模型。從描述性統(tǒng)計數(shù)據(jù)可以看出，建議的分布不是正態(tài)分布的，在 1%顯著水平下，Kolmogorov-Smirnov 檢驗拒絕分布的正態(tài)性。每一個問題都可能導(dǎo)致標(biāo)準(zhǔn)臨界值的錯誤推斷。因此，本文估計了一個建議層面的混合模型，假設(shè)每個修正的信息性來自 J 分量分布。對建議 k 來說，分量 j 中以異常收益來衡量底層信息性的值為 + 。異常收益中的附加噪聲被假定為零均值，且方差為

50、()2。圖表 10 Panel B 是三分量分布混合模型的估計。三個分量都以正的均值為中心。第一分量平均為 94bps，有 89%的分布質(zhì)量。第二分量占 10%的質(zhì)量。平均而言，分布中的建議是信息豐富的。平均異常收益為 6.2%，分散度也較高，為 10.8%。建議屬于第三分量的概率只有 1%，均值更高，均值為 13%，方差為 47%。圖表 10 panel C 顯示了擬合建議修正分布的描述性統(tǒng)計數(shù)據(jù)。平均（中位數(shù)) 異常收益為 1.57%(0.98%）。四分位數(shù)范圍約為 1.2%。86%的修正分布的均值為正， 這大大高于觀察到的異常收益的 60%。這表明，很大一部分建議是運氣不好的，因 為實現(xiàn)

51、的異常收益是負(fù)的，但未觀察到的信息內(nèi)容的修正是積極的。估計得到的 86%的修正是信息性建議，這與 Loh 和 Stulz（2011 年）的估計形成了鮮明的對比，認(rèn)為只有 12%的建議具有影響力。顯然，許多建議的信息被底層股票收益中的噪聲所淹沒。在建議層面或分析師層面應(yīng)用混合模型時，結(jié)論是一致的。大多數(shù)分析師都提出了信息豐富的建議。圖表 10 建議的信息性的異質(zhì)性：無約束模型資料來源：整理信息豐富的修正，有影響力的修正，和分析師層面的技能在本節(jié)中，將分析中的兩個相互矛盾的結(jié)果與 Loh 和 Stulz（2011)的影響力-建議方法相協(xié)調(diào)。首先，將有影響力的建議（12%）定義為 t 值（）至少 1

52、.96。 在本文樣本中，比例略小于 10%。如何將此結(jié)果與 86%信息豐富（正的預(yù)期收益）的建議協(xié)調(diào)？其次，分析師層面的結(jié)果表明，絕大多數(shù)分析師都是有技能的，而 Loh和 Stulz（2011)的結(jié)論是，相當(dāng)大一部分(25%）分析師從來沒有發(fā)布過有影響力的建議，幾乎沒有分析師的中等建議是有影響力的。如何才能將這一事實與前文估計的 97%分析師都是有技能的相匹配？在圖表 11 中列出了幾個分析，以將本文方法與 Loh 和 Stulz（2011)的方法進(jìn)行對比。首先，比較了對于有影響和無影響建議，混合模型所隱含的信息性。圖表 10 中混合模型估計出的信息豐富的建議為 86%，但在本文樣本中，只有不

53、到 10%的建議在 Loh 和 Stulz（2011）的方法中是具有影響力的。這表明，無影響建議可能有經(jīng)濟(jì)意義上的異常收益。然而，如果不在所有建議中使用信息來減少噪聲，則會掩蓋這一點。圖表 11 中的 Panel A，從建議層面，所有被確定為有影響力或不具有影響力的建議業(yè)績指標(biāo)的含義和中位數(shù)。對于每個建議，計算一個建議層面降低噪聲的條件期望異常收益。這是使用圖表 10 中的建議層面混合模型的三分量分布估 計的。 對于有影響力的建議，平均條件的條件期望異常收益大于 12%。另一方面，對于無影響力的建議，平均 為 81 bps。雖然比有影響力的建議要低得多， 但在研究的短期內(nèi)，81 bps 的收益

54、仍然具有經(jīng)濟(jì)意義。考慮到平均實現(xiàn)的異常收益，有影響和無影響建議之間的差異更大。這反映了混合模型的降噪功能。通過使用來自整個建議橫截面的信息，而不是獨立地處理，該模型考慮到了：無影響力的修正中的部分較低的收益可能是由于運氣不好，在有影響力的修正中，部分更高的收益可能是由于較好的運氣。如果考慮和的中位數(shù)，有影響力的建議與無影響力的建議之間的經(jīng)濟(jì)差異較小。有影響力的建議條件期望為 8%，無影響力的建議僅為 1%。因此，雖然有影響力的建議是相當(dāng)有價值的，但如果不考慮無影響力的建議，在噪聲嘈雜時，就會忽略大量經(jīng)濟(jì)上信息豐富的建議。這最終導(dǎo)致評估分析師技能時的不準(zhǔn)確性。其次，本文研究了分析師層面的技能識別

55、與有影響力的建議之間的關(guān)系。在圖表 11 的 PanelB 中，通過條件期望技能 指標(biāo)計算了業(yè)績，作為判斷建議是否有影響力的函數(shù)。在三分位數(shù)中，值在 82bps - 2.4%之間。 變化有幾個原因：首先，在分位數(shù)中，分析師發(fā)出有影響力建議的趨勢都在上升。對于最低三分位數(shù)的平均分析師來說，他們的建議中只有不到 4%的影響力。另一方面，對于頂部三分位數(shù)的平均分析師來說，12%的建議具有影響力。其次，有影響力的建議在經(jīng)濟(jì)上對較高類型的分析師更有幫助。在修正具有影響力的前提下，在三分位數(shù)中，實現(xiàn)的平均異常收益從 14%上升到 21%。第三，對于無影響力的建議，實現(xiàn)的平均異常收益對于不同分位數(shù)有所不同。

56、這些條件均值范圍從最低三分位數(shù)-54bps到最高三分位數(shù) 1.44%。因此，盡管股票存在噪聲（這些修正的 t 統(tǒng)計值平均僅為 0.21），但最高三分位數(shù)的無影響力修正的信息性仍然有經(jīng)濟(jì)意義。當(dāng)計算分析師的時，根據(jù)他們的建議組合來計算，因此，大部分噪聲能夠分散化?？偟膩碚f，處于條件期望技能最高三分位數(shù)的分析師表現(xiàn)更優(yōu)，因為他們的建議更有影響力，能帶來更高的異常收益，無影響力的收益中包含的信息也更豐富。圖表 11 有影響力的建議和混合模型估計的聯(lián)系資料來源：整理經(jīng)紀(jì)商層面的建議價值在本節(jié)中，通過將混合模型應(yīng)用于經(jīng)紀(jì)商層面的異常收益，來評估跨經(jīng)紀(jì)商的技能是如何普及的。越來越多證據(jù)表明大多數(shù)分析師有技能，本文預(yù)計經(jīng)紀(jì)商層面的技能將相對較高。鑒于分析師的技能參差不齊，需要考慮其對研究的行業(yè)是否具有豐富信息。最好的分析師是集中在部分公司，還是分散在不同經(jīng)紀(jì)商 brokers 中？下面計算給定公司內(nèi)所