研究背景与假设 [page::0][page::1]

• 研究关注卖方分析师是否存在“社会学习”行为，即分析师A对目标公司的盈利预测是否受到友商分析师对分析师A所覆盖的其他股票预测偏差影响。

- 设定假设：当友商对其他股票盈利预测系统性高估时，分析师对目标公司预测会相对保守，且激进预测存在模仿效应。

• 图示解释了预测乐观程度及激进预测的分类标准：

样本数据及描述性统计 [page::2][page::3]

• 样本时间覆盖1984-2017年，主要数据来源为I/B/E/S、CRSP、Compustat。

- 平均每个分析师每季度发表7.6个盈利预测，覆盖股票行业集中度较高，投资组合中行业集中在2-3个（FF49行业划分）。

• 分析师之间覆盖股票组合重叠率约为34.1%，显示分析师覆盖存在明显差异。

- 预测偏差平均为-0.046，激进正向预测占8.4%，激进负向预测占14.4%。

• 描述统计表与激进预测占比详见下表：

| 指标 | N | 平均值 | 标准差 | p25 | 中位数 | p75 |
|-------------------|---------|--------|--------|------|--------|------|
| 预测偏差 | 1,164,488 | -0.046 | 0.364 | -0.161| -0.044 | 0.036|
| 乐观程度指标 | 1,164,488 | -0.039 | 0.234 | 0.073| 0 | 0.041|
| 激进正向预测占比 | 1,506,672 | 8.4% | 27.8% | - | - | - |
| 激进负向预测占比 | 1,506,672 | 14.4% | 35.1% | - | - | - |

社会学习行为的实证结果 [page::4][page::5][page::6]

• 预测乐观度与友商预测偏差负相关，友商预测偏差越大，分析师自身预测越保守（乐观度递减趋势）。

• 友商分析师激进预测强度与分析师自身激进预测的概率正相关，激进预测存在明显的模仿效应，且负向激进更显著。

• 面板回归显示，友商预测偏差的解释变量系数显著为负，表明分析师基于友商预测偏差调整自身乐观度，但对自己过去预测偏差学习不足。

| 回归变量 | 估计系数 | t值 |
|----------------------------|------------|---------|
| 友商预测偏差 (PeerForecastErrors) | -0.004至-0.010 * | -2.4至-5.1 |
| 分析师自身之前预测偏差 | 正且显著 | |

• 预测激进性的回归进一步确认，友商激进预测会显著增加分析师发布激进预测的概率。

社会学习提升预测准确性 [page::7]

• 同行业公司上一季度一致预期预测偏差显著正向预测下一季度预测，说明行业信息有用。

- 通过构造“原始”预测偏差变量，发现64%的预测因考虑友商预测偏差而更准确，社会学习有助提升分析师预测准确度。

• 图9展示了预测偏差的相关回归结果。

报告总结 [page::7]

• 研究证实卖方分析师存在社会学习行为，会根据友商预测误差调整自己的盈利预测乐观度和激进度。

- 社会学习显著帮助改善分析师的盈利预测准确率。

《分析师的盈利预测是否受到友商预测结果的影响？》研究报告详尽分析

---

一、元数据与概览

• 报告标题：《分析师的盈利预测是否受到友商预测结果的影响？【集思广译·第32期】》

- 作者：张欣慰、杨丽华

• 发布机构：国信证券经济研究所

- 发布日期：2022年1月26日

• 主题：卖方证券分析师的盈利预测行为，聚焦于社会学习（Social Learning）现象，即分析师的盈利预测是否及如何受到同领域其他分析师之前预测结果的影响。

核心论点与主要发现：

1. 社会学习行为存在：分析师在对目标公司盈利预测时，会参照“友商”分析师对自己覆盖的其他公司盈利预测偏差。分析师若察觉友商分析师对其他股票过度乐观，则会对目标公司予以更为谨慎的预测，反之亦然。

2. 激进预测的相互影响：当友商分析师对分析师覆盖的其他股票发布较激进（偏离一致预期较大）的盈利预测时，该分析师更倾向于对目标公司采取激进预测，且正负激进预测均具一定的传导效应。

1. 预测准确性提升：社会学习行为能够帮助分析师提高盈利预测的准确度，通过对友商预测偏差的调整减少自己的预测误差。

整体上，作者主张利用社会学习的信息机制促进分析师预测精度，是分析师行为的显著特征，并对实际预测表现产生积极影响。[page::0,1,7]

---

二、逐节深度解读

2.1 报告摘要与引言

• 摘要中明确提出研究问题：卖方分析师是否会受友商分析师对其覆盖公司其他股票预测偏差的影响，尤其观察目标公司当期盈利预测的变化。

- 引言详细阐明研究动机与假设基础：
- 预测信息存在异质性，不同分析师覆盖不同股票组合，因此预测集合并非完全公开均匀，存在必须借助他人信息修正自身预估的空间；
- 如果友商分析师偏离一致预期，分析师会根据其对非目标公司的预测行为调整自身对目标公司的预测；
- 并且激进预测行为也存在模仿和传染的可能性；

引言辅以示意图（图1与图2），演示分析师之间预测乐观程度和激进预测如何构成互动和调整机制，说明若友商分析师对某部分股票表现出乐观或悲观，另一个分析师会对目标公司预测调整为较为保守或激进的状态。[page::0,1]

---

2.2 数据来源与样本描述

• 数据源：I/B/E/S盈利公告与盈利预测数据，CRSP股价数据，Compustat财务报表与公司地理信息数据。

- 样本期：1984年至2017年，对匿名分析师及单一覆盖股票分析师予以剔除，保证样本中每个分析师至少覆盖两家公司。

• 预测乐观度指标：预测每股收益（EPS）与实际EPS之差，或预测与一致预期中位数的差值除以股价，排除股价低于10美元的样本。

- 激进性定义：
- 激进正面预测：新预测高于分析师先前预测且高于一致预期；
- 激进负面预测：新预测低于分析师先前预测且低于一致预期。

描述性统计（表格与数据说明）：

• 分析师平均每季度发布7.6个盈利预测，覆盖2.7个不同Fama-French 49行业；

- 分析师之间同一公司的覆盖组合重叠度平均仅约34.1%，说明不同分析师覆盖组合重合度中等，存在较多异质性；

• 预测偏差平均为 -0.046，乐观度平均为 -0.039，显示整体预测略偏悲观；

- 激进正面预测占比8.4%，激进负面预测占比14.4%。

此部分充分展现样本的广泛性及分析师预测行为的基本特征，同时确认分析师对不同股票跟踪的异质信息基础，为后续关于社会学习行为的验证提供坚实的样本和指标基础。[page::1,2,3]

---

2.3 实证结果与回归分析

2.3.1 乐观程度的排序与关系

• 将样本基于友商分析师的预测偏差（PeerForecastErrors）分为十组，发现分析师本人对目标公司的乐观程度随友商分析师对其他股票的预测偏差递减，即当友商分析师过去乐观过度时，分析师A预测相对变得更加保守，反之亦然（图5）。

2.3.2 激进预测的排序与关系

• 类似分类，基于友商分析师的激进预测强度，分析师发布激进预测的概率明显增加。激进预测在分析师之间存在正相关性，说明激进预测行为存在社会传染效应（图6）。

2.3.3 面板回归分析

• 多个回归模型检验社会学习效应，核心解释变量为友商分析师前期预测偏差和激进预测比例。

- 乐观程度回归（图7）中，友商预测偏差对分析师预测偏差呈显著负向影响（系数区间-0.004至-0.010，t值均>2.3），即友商过度乐观时，分析师控制自己乐观程度，避免过度乐观。

• 进一步控制分析师自己前期对目标公司和其他股票的预测偏差，发现自己过去的预测偏差对未来预测影响为正，暗示个人未必从自身错判中有效学习。

- 激进预测回归（图8）显示，友商分析师的激进正（负）预测比例能显著正向预测分析师激进正（负）预测的可能性，负向预测的传导力稍强，证明分析师间存在显著模仿效应且表现为方向性一致。

以上回归证据稳固表明，卖方分析师基于友商分析师的预测偏差和激进行为调整自己的预测策略，呈现典型的社会学习模式。[page::3,4,5,6]

---

2.4 社会学习对预测准确性的影响

• 进一步检验社会学习是否提升预测准确性，采用回归将同行业和同一州公司上一季度平均一致预期偏差作为解释变量，预测下一季度公司一致预期偏差，结果显示：

- 同行业的预测偏差显著预测公司未来偏差（系数0.050，t=13.828），反映行业内信息共享和连带影响的有效性；
- 同州公司虽方向正向，但统计不显著，弱化地理位置的影响。

• 利用构造的“原始预测偏差”（剔除友商影响调整部分后的预测偏差）与实际预测进行比较，发现64%的情况下，考虑友商效应后预测更准确，显著证明社会学习机制能提升预测质量。

这进一步强化社会学习不仅是行为特征，而且对提升分析师盈利预测实际效果有实质性贡献。[page::6,7]

---

三、图表深度解读

图1与图2：预测乐观程度与激进预测示意图（第1页）

• 图1直观说明分析师如何基于友商分析师对其他股票的乐观或悲观偏差调整对目标公司预测的乐观程度（左边友商乐观，分析师调整为更保守，右边友商悲观，分析师相对乐观）。

- 图2表示激进预测的传播，若友商对被分析师覆盖的其他公司发出激进正面（负面）预测，分析师更可能对目标公司发出激进正面（负面）预测。

两图形象描述本文社会学习假设的核心机制。[page::1]

---

图3：分析师覆盖的股票组合统计表（第2页）

• 平均每个分析师覆盖7.6只股票，覆盖股票行业有限（2.7个FF49行业，3.5个SIC-3行业），说明存在较强行业专注度；

- 分析师覆盖组合的投资重叠度仅约34%，体现出较大异质性，为社会学习提供依据；

• 性别与种族数据：男性占85%-89%，多为白人，部分亚洲人，显示分析师群体结构特征。

此表为分析师预测行为的样本特征提供背景。[page::2]

---

图4：预测特征的描述性统计（第3页）

• 预测偏差平均为-0.046，显示整体有所保守；

- 乐观度平均为-0.039，预测相对于一致预期也呈稍微悲观；

• 激进正面预测占8.4%，负面占14.4%，后者明显更多，可能暗示市场对表现差的情况更敏感或风险偏好结构；

- 同时披露了同行激进预测的比例（10.0%正激进，16.3%负激进），便于后续模仿效应定量分析。

说明分析师预测风格差异显著，激进行为在市场中有一定普遍性。[page::3]

---

图5：分析师预测乐观程度与友商分析师预测偏差关系（第4页）

• 横轴为友商分析师预测偏差的十分位分组，从最低（D1）到最高（D10）；

- 纵轴显示分析师自己相对一致预期的平均乐观程度；

• 可以明显观察到分析师乐观程度随友商预测偏差分组递减，友商预测越乐观，分析师自己的乐观程度越低，表明分析师主动调整避免重复过度乐观。

- 第1-3分组变化较小，后续9组呈显著递减趋势。

该图直观而强力地支持了社会学习中预测修正的负相关机制。[page::4]

---

图6：分析师激进预测率与友商激进预测的关系（第4页）

• 同样划分为十分位分组，横轴为友商激进预测比例；

- 纵轴为分析师发布激进预测（正面与负面）的概率；

• 明显看到友商激进预测越频繁，分析师本人的激进预测概率越高，激进行为存在较强的模仿效应；

- 负激进预测概率显著高于正激进预测，表明悲观激进可能更易传染。

该图名副其实地展示了激进预测作为行为特征的社会传染性。[page::4]

---

图7：乐观程度的回归估计结果表（第5页）

• 表格列示三个模型估计的主要系数与t值；

- 友商预测偏差（PeerForecastErrors）对分析师预测偏差影响显著为负，表明贝叶斯式非理性调整行为；

• 个人前一季度预测偏差（OwnPreviousForecastError）系数为正且显著，暗示自己过去错误对未来预测有粘性，缺乏完全检验修正；

- 个人对其他股票的预测偏差（OwnOtherForecastErrors）为正且显著，显示分析师整体预测态度的持续性；

• 全面控制收益公告与分析师-公司固定效应，保证结果稳健。

此表给出精准的定量证据，明确社会学习机制在预测乐观调整中的显著作用。[page::5]

---

图8：预测激进性的回归估计结果表（第6页）

• 两部分分别为激进正面预测与激进负面预测的回归结果；

- 友商激进预测正相关、显著影响分析师对应方向的激进预测，表明明显的模仿效应，且负面激进预测传导力度较正面更大；

• 分析师自身前期激进预测呈显著负系数，可能反映激进预测的均值回归特征；

- 控制收益公告和分析师-公司固定效应，样本容量巨大，拟合度一般反映行为复杂性。

该表揭示激进预测的社会传染特征及互动规律。[page::6]

---

图9：预测偏差的行业相关性与对未来预测影响（第7页）

• 将同行业、同一州及公司自身历史一致预期偏差作为解释变量，预测公司未来一致预期偏差；

- 同行业系数0.050，统计显著，显示行业信息影响较明显，可以促进跨公司信息传递；

• 同州公司影响不显著，弱化地理因素；

- 公司自身前期偏差高度决定未来，说明预测惯性强；

• 结论支持通过行业内社会学习机制提高整体预测质量。

图表展示了信息传递通道的实证基础，确认了行业维度作为社会学习特征的重要性。[page::7]

---

四、估值方法与风险因素

本报告主体为行为与预测精度研究，涉及大量计量回归及描述统计分析，未包含估值模型和目标价设定，因此无估值分析部分。

关于风险因素，报告最后仅提示：

• 本报告基于相关文献，不构成投资建议；

- 分析师预测自身具有不确定性，可能受限于模型设定、数据完整性及外部市场环境变化；

• 社会学习虽提高总体预测准确率，但不排除个别情况下可能导致群体性误判或信息传染风险。

此部分风险描述较简单，实际应用时应警惕社会学习带来的认知传染风险可能放大系统性错误。[page::7]

---

五、批判性视角与细微差别

• 报告优势

- 采用大样本（1984-2017年，百万条以上预测数据），综合考虑个体及群体行为，具强统计说服力。
- 用严格固定效应模型控制公司和分析师固有异质性，增加结果稳健性。
- 逻辑清晰，指标定义严密，且充分考虑激进预测的双向影响。

• 局限与潜在偏差

- 重点强调社会学习对预测准确度改进的正面影响，但未细致讨论可能的“从众效应”与信息同质化风险。
- 自身过去错误未被有效修正，提示分析师行为存在惯性，这可能削弱预测质量的持续改进潜力。
- 数据主要基于美国市场，分析师性别与种族差异统计有限，未深入研究不同分析师特征对社会学习行为的影响。
- 激进预测负面影响机制未详述，例如激进负面预测可能加剧市场恐慌，带来交易风险未被充分揭示。

• 细节注意

- 乐观度回归系数虽显著，但绝对值较小，说明效应在宏观上虽存在，个体调整程度有限。
- 激进预测样本比例也较小，实际市场中分析师激进行为仍受诸多制约。

整体看，报告提出的社会学习观察具有创新性，对模型设计和市场行为理解提供有力支持，但现实复杂的市场环境中仍需结合其他因素综合判断。[page::5,6,7]

---

六、结论性综合

本文通过多维实证和统计分析，严谨验证了卖方证券分析师之间存在社会学习行为的假设：分析师在对目标公司盈利发布预测时，会综合考虑“友商”分析师对自己覆盖的其他股票先前预测的偏差以及激进行为进行调整。

具体表现在：

• 乐观程度调整：当友商分析师对其他股票过于乐观时，分析师个人会降低对目标公司的乐观程度，避免重复过度乐观的偏差，表现为预测偏差负相关；

- 激进预测的模仿：当友商对相关股票发布激进预测时，分析师更有可能跟进发布同向的激进预测，形成激进预测在分析师群体间的传递效应，负激进的模仿效应尤为显著；

• 预测准确性提升：通过运用来自友商分析师的偏差信息，分析师实际提高了盈利预测的精确度，64%的预测经调整后更接近真实值，此外行业内预测偏差存在显著的传递效应，暗示行业信息网络是社会学习信息的重要传输渠道。

图表数据支持上述结论：

• 图5和7展示了乐观度与友商预测偏差的负相关关系以及回归显著性；

- 图6和8揭示了激进预测的社会传染效应并定量显著；

• 图9进一步证实行业内预测偏差对一致预期的预测能力。

综上，报告强调，在面对信息不完全和市场竞争的环境下，卖方分析师并非孤立做出判断，而是通过社会学习调整和优化自身预测决策，这不仅反映了市场行为理性的一面，也丰富了对分析师盈利预测行为机制的理论和实证认知。

报告最终评级倾向于肯定分析师社会学习的积极价值，认为其有助于改进盈利预测的准确性和市场信息效率，为投资者与监管层理解分析师行为提供理论支撑。[page::0,1,4,5,6,7]

---

附：重要图表示意（Markdown格式）

• 图1和2展示分析师之间基于不同股票覆盖组合的乐观和激进预测示意图：

• 图5反映预测乐观程度与友商预测偏差的递减关系：

• 图6描述激进预测的传染性：

• 图7与8分别为乐观程度与激进预测的回归结果表，详细定量呈现关键变量系数及显著水平。
• 图9显示行业内预测偏差的影响及对未来一致预期的预测能力。

---

综上所述，本文提供了翔实数据与严谨计量实证，充分证明卖方分析师盈利预测存在社会学习行为，且该行为在提升预测准确性中起到了积极作用。这一发现对理解分析师行为、市场信息形成机制及后续投资策略制定具有重要意义。

报告