分析师盈利预测在A股特质波动率异象中的作用
由crisvalentine创建，最终由crisvalentine 被浏览 30 用户
报告摘要
海外市场分析师盈利预测与特质波动率异象的关系
特质波动率之谜，即特质波动率与股票未来收益率之间的负相关关系，一直以来是学界争论的焦点。Ang 等(2006) 首先在美国市场发现了特质波动率(IVOL，idiosyncratic volatility)异象，即具有较高的特质波动率的股票往往具有较低的未来收益。过往的学术研究表明，金融分析师对市场效率具有重大影响。例如，Barth 和 Hutton（2020）发现，分析师追踪度高的股票价格，能更快地在股价中反应应计信息和现金流信息。Chan 和Hameed（2006）表明，分析师的覆盖范围减少了公司特定的噪音数量。George 和 Hwang（2011）分析美国市场的数据显示，在没有分析师覆盖的公司中，特质波动率异象更强。
A股市场分析师盈利预测与特质波动率关系实证
本文证实A股市场存在特质波动率异象。与分析师覆盖的股票相比，分析师未覆盖的股票IVOL异象更加明显。具体而言，对于分析师未覆盖的股票样本中，IVOL最低（Q1）与IVOL最高（Q5）的平均收益之差达到2.24%。接着，本文根据分析师盈利预测调整将分析师覆盖的股票分为三类：预测上调，预测下调或无调整。在这三个子样本中，IVOL和股票收益之间的关系显示出不同的模式。对于盈利预测无调整的股票，IVOL溢价仍显著为负，并持续六个月以上。对于预测下调的股票，负IVOL效应相对较弱，并在3个月后反转。对于预测上调的股票，负IVOL溢价明显减弱甚至变正。进一步分析表明，本文在控制了套利限制与卖空限制后，原有结论仍然成立。
稳健性检验部分，针对是否存在其他因素导致了某些股票子样本中的IVOL效应减弱，本文利用了分析师覆盖变化的两个外生变量，并探讨了分析师覆盖率对IVOL异象的因果影响。第一个冲击是由于券商合并导致的分析师覆盖率降低。第二个是2011年中国股市分析师覆盖率突然下降引起的整个市场范围的冲击。此外，本文还控制分析师预测的离散程度后进行检验，并采用不同衡量分析师预测调整的指标，均得出了稳健的结论。本文的结果表明分析师在传播信息和减少信息不对称方面发挥着重要作用。当分析师上调盈利预期时，有关公司基本面的新闻，尤其是正面新闻，会更快地被纳入股价。
文献来源
文献来源：Gu, Ming, George J. Jiang, and Bu Xu. "The role ofanalysts: An examination of the idiosyncratic volatility anomaly in the Chinesestock market." Journal of Empirical Finance 52 (2019):237-254.
文献亮点：特质波动率之谜，即特质波动率与股票未来收益率之间的负相关关系，一直以来是学界争论的焦点。借助中国股票市场的独特机制，本文研究了分析师活动对特质波动率（IVOL）异象的影响。实证结果表明，在没有分析师覆盖的股票中，特质波动率与未来股票收益之间的反比关系更加显著。而对于有分析师覆盖的股票，盈利预测调整会减弱IVOL异象。在分析师上调盈利预期的股票中，IVOL与未来股票收益之间甚至存在正相关关系。本文的结果表明分析师在传播信息和减少信息不对称方面发挥着重要作用。当分析师上调盈利预期时，有关公司基本面的新闻，尤其是正面新闻，会更快地被纳入股价，并且在加入其他控制变量后，本文的结论依然保持稳健。
引言
Ang 等(2006) 首先在美国市场发现了特质波动率(IVOL，idiosyncraticvolatility)异象，即具有较高的特质波动率的股票往往具有较低的未来收益。而经典资产定价模型认为特质波动率与股票收益之间没有任何关系（CAPM）或正相关关系（Merton，1987），特质波动率异象挑战了经典的资产定价模型。
已有研究将特质波动率的负向定价与信息不对称联系起来。Johnson（2004）发现向有负债公司增加特质风险会降低其预期收益，因为关于公司现金流的不确定性会增加股票期权价值。因此，Johnson（2004）认为，企业可能没有动力及时透明地披露信息。Jiang 等（2009）将特质波动率异象与选择性公司披露联系起来，即管理层倾向于及时披露好消息，同时隐瞒坏消息。
过往的学术研究表明，金融分析师对市场效率具有重大影响。例如，Brennan 等（1993年）发现更多分析师覆盖的股票定价更为准确。Francis 和 Soffer（1997）指出，分析师的盈利预测调整及其推荐均已包含在股票价格中。Barth 和 Hutton（2020）发现，分析师追踪度高的股票价格，能更快地在股价中反应应计信息和现金流信息。Chan 和Hameed（2006）表明，分析师的覆盖范围减少了公司特定的噪音数量。George 和 Hwang（2011）分析美国市场的数据显示，在没有分析师覆盖的公司中，特质波动率异象更强。
本文证实A股市场存在特质波动率异象。与分析师覆盖的股票相比，分析师未覆盖的股票IVOL异象更加明显。具体而言，对于分析师未覆盖的股票样本中，IVOL最低（Q1）与IVOL最高（Q5）的平均收益之差达到2.24%。
接着，本文根据分析师盈利预测调整将分析师覆盖的股票分为三类：预测上调，预测下调或无调整。在这三个子样本中，IVOL和股票收益之间的关系显示出不同的模式。对于盈利预测无调整的股票，IVOL溢价仍显著为负，并持续六个月以上。对于预测下调的股票，负IVOL效应相对较弱，并在3个月后反转。对于预测上调的股票，负IVOL溢价明显减弱甚至变正。进一步分析表明，本文在控制了套利限制与卖空限制后，原有结论仍然成立。
稳健性检验部分，针对是否存在其他因素导致了某些股票子样本中的IVOL效应减弱，本文利用了分析师覆盖变化的两个外生变量，并探讨了分析师覆盖率对IVOL异象的因果影响。第一个冲击是由于券商合并导致的分析师覆盖率降低。第二个是2011年中国股市分析师覆盖率突然下降引起的整个市场范围的冲击。此外，本文还控制分析师预测的离散程度后进行检验，并采用不同衡量分析师预测调整的指标，均得出了稳健的结论。
数据与变量
本文样本包含在上交所和深交所上市的中国A股公司。股票交易数据，财务数据以及Fama-French三因子数据均来自CSMAR，分析师相关数据来自Wind数据库。样本期是从2005年1月到2014年12月。为便于获取财务数据，我们将每个会计年度y-1结束时的会计数据与y年7月至y+1年6月的月收益进行匹配。我们从样本中排除金融公司和ST公司。最终的完整样本包含2458家公司，平均公司数量为每月1456家。
关键变量包括：IVOL（特质波动率）、分析师覆盖率和分析师预测调整。
IVOL是经过Fama-French三因子模型回归后的残差标准差。具体公式如下：
其中， 是个股 的收益率与日存款利率之差，、 和 是 Fama-French 三因子模型中的因子值。
我们使用以下过程构建分析师覆盖率（COV）和分析师预测调整子样本。首先，在每月 t的月底，我们将所有股票分为两组，有分析师覆盖的股票和没有分析师覆盖的股票。在这一步骤中，分析师覆盖率定义为上一年涵盖某只股票的分析师数量（Zhang，2006）。其次，在分析师覆盖的股票中，我们根据分析师在 个月中对当前财年的收入预测进行的调整，将它们进一步分为三类：向上调整，向下调整和无调整。如果预测上调的分析师比预测下调的分析师多（少），我们将该股票分类为向上调整（向下调整）的股票。如果分析师没有对某股票进行任何调整，或者上调次数等于下调次数，则我们将这些股票分类为无调整。
控制变量方面，lnMV定义为月末市值的自然对数；lnBM定义为上一财政年度末账面市值比的自然对数；MOM被计算为上一年（从t-11月到t-1月）的累计回报；MAX5是一个月内五个最高日收益率的平均值（Bali等，2011）；TURN定义为前6个月的换手率。
主要实证结果
本节主要分为三个部分。第一，中国市场是否存在特质波动率异象以及分析师覆盖对其的影响；第二，不同类型的分析师预测调整是否影响特质波动率效应；第三，以多元回归检验主要结论。
中国市场的特质波动率
我们根据IVOL将股票分为5组，然后在下个月计算每组等权与市值加权下的原始收益与超额收益。参考Daniel等(1997, DGTW)的做法，在t月月底，将股票按规模，账面市值比和前一年收益（即3 * 3 * 3基准投资组合）分组，形成基准投资组合。然后，将t + 1月中股票的超额收益计算为股票收益与基准投资组合收益之差。
图2报告了根据特质波动率分组的组合收益。Q1（Q5）是指IVOL最低（最高）的投资组合。就等权组合而言，最低IVOL和最高IVOL的月平均收益之差为1.8%，超额收益之差为1.79%。就市值加权组合而言，最低IVOL和最高IVOL的月平均收益之差为0.58%，超额收益之差为0.74%。该结果证实了中国市场存在特质波动率异象。等权组合收益远大于市值加权组合收益，表明特质波动率异象在小盘股公司中比大盘股公司更为明显。
我们认为存在IVOL异象是因为信息不对称阻止了高IVOL股票的价格发现过程。为了测试分析师的关注程度是否会降低IVOL溢价，我们基于分析师覆盖率和IVOL进行投资组合排序。在每个月的月底，我们将股票分为两个子样本——具有分析师覆盖的样本和没有分析师覆盖范围的样本。然后，在每个子样本中，我们通过IVOL将股票进一步分为五组。图2报告了双重分组的结果，并研究了在分析师覆盖的股票和未覆盖股票之间的IVOL差是否存在显著差异。对于有分析师覆盖率的子样本，Q1-Q5等权收益/超额收益之差为1.13%/1.23%。Q1-Q5市值加权等权收益和超额收益在统计上并不显著。对于没有分析师覆盖的子样本，Q1-Q5等权收益和超额收益之差分别为2.75%和2.55%。Q1-Q5市值加权收益之差为2.42%，超额收益之差为2.24%。我们比较了两个子样本之间的IVOL收益，发现分析师覆盖和未覆盖的股票之间的IVOL收益存在巨大差异。等权组合下，两个子样本之间的IVOL回报差异为1.62%。
分析师预测调整与特质波动率双重分组下的组合表现
分析师的报告可以帮助减轻股票的信息不对称性，但本身不会产生信息。在本小节中，我们将更进一步，分析分析师的预测调整对特质波动率异象的影响。具体来说，我们根据分析师预测调整和IVOL进行投资组合排序。在每个月末，我们将股票池分为三个子样本——向上调整，向下调整和无调整。在每个子样本中，我们进一步通过IVOL将股票分为5组。我们计算这3 * 5投资组合的等权和市值加权收益和超额收益。
图3展示了分析师预测调整与特质波动率双重分组下的组合表现。Panel A是上调预测的股票子样本，等权组合IVOLQ1与Q5的原始收益之差为0.46%，超额收益之差为0.69%。市值加权IVOLQ1与Q5的原始收益之差为-1.06%，超额收益之差为-0.59%。Panel B是下调预测的股票子样本，等权组合IVOLQ1与Q5的原始收益之差为1.01%，超额收益之差为1.16%。市值加权IVOLQ1与Q5的原始收益之差为0.45%，超额收益之差为0.61%。Panel C是分析师预测未调整的股票子样本，等权组合IVOLQ1与Q5的原始收益之差为1.68%，超额收益之差为1.63%。市值加权IVOLQ1与Q5的原始收益之差为1.04%，超额收益之差为1.10%。Panel D展现了不同预测调整下的IVOL溢价之差，两种加权方式下的结果皆表明分析师预测调整对IVOL异象影响很大。
图4展现了三种分析师预测调整情况下的IVOL差值（Q1-Q5）的累计收益走势。我们在每个月末t形成三种调整类型的IVOL差值的零成本投资组合，然后得出它们的累计原始收益和不超过6个月持有期的超额收益。对于预测上调的样本，累计原始收益和超额收益都会在6个月的时间内逐渐下降。对于预测下调，IVOL差值在t+3开始减小，在t+6变为负。对于无调整的股票，IVOL差值在6个月内逐渐增加。证据表明，三个调整组之间的可区分模式长达6个月。因此我们认为，由于分析师的信息更新会迅速纳入价格中，因此，经过上调的股票通常具有最小的信息不对称性。下调的股票也有信息更新，但投资者对此反应很慢。预测无调整的股票在这三种调整类型中具有最严重的信息不对称性。
Fama-Macbeth回归
本节建立的Fama-Macbeth回归模型如下所示：
其中是下个月的股票收益率；如果上一年中至少有一名分析师/未覆盖某只股票，则将设定为1；如果分析师预测上调/下调/无调整，则为设定为1。控制变量包括将lnMV定义为市值的自然对数，将lnBM定义为帐面市值的自然对数，将MOM定义为从t-11到t-1个月的累计股票收益，将MAX5定义为平均值一个月内五个最高的每日股票收益率中的一个，而TURN定义为前六个月股票的周转率。
如图4所示，Panel A展示了一些控制变量的描述性统计，Panel B为回归结果。列1-4关注分析师覆盖对特质波动率溢价的影响，列5-8关注分析师预测调整的影响。具体而言，在加入控制变量后，列3-4的结果与列1-2相似，分析师覆盖的股票与未被覆盖的股票相比，IVOL溢价差别明显。列7-8在加入了控制变量后，结果与列5-6十分相似，证明了划分预测调整情况后的IVOL效应存在明显不同。
进一步分析
本节进一步探究特质波动率异象的原因，主要探讨了预测上调与预测下调的区别；套利限制是否会对结果产生影响；结合中国的融资融券制度来研究卖空限制的作用；本文主要结论是否受套利限制或卖空限制的驱动。
预测上调与下调的区别
之前的结果表明，预测上调和下调对特质波动率异象的影响存在显着差异，本节尝试探索这种差异背后的经济机制。与下调的股票相比，上调的股票通常具有较少的信息不对称性，因为分析师的信息更快被价格所反映。
为了证明这一点，我们首先研究了市场对预测上调和预测下调的反应。参考已有研究，我们将样本按规模，账面市值比和过去收益进行三重分组，并计算出市值加权的基准收益。然后，我们计算上调或下调后每只股票的购买并持有（BHAR）产生的超额收益。持有期为5、22、44、62、125天。如Panel A所示，上调与下调的买入持有收益有显著不同，且随着持仓期的增大，这种差异随之放大。
其次，建立回归方程探究超额收益是否与中国股市散户占比大有关。方程如下：
图6 Panel B显示了分析师覆盖对市场之于预测下调的反应的影响。如果投资者的成熟是导致市场对预测下调反应较弱的原因，那么对于分析师覆盖较多的股票，市场对下调的反应应更强。因此，的系数预计将显著为负。
分析师预测调整与套利限制
DeLong等（1990）和Shleifer和Vishny（1997年）表明，套利限制使套利过程具有风险和成本。也就是说，市场定价错误可能会持续存在，并且无法即时实现市场效率。在本小节中，我们研究了套利限制的四个公司特征，并验证了了分析师预测调整子样本下这些代理变量的交叉变化。四个代理变量分别为：NLIM（一个月中发生涨跌停的天数）、AMIHUD（Amihud提出的衡量非流动性指标）、VOLUME（月成交额）、PRICE（月收盘价）。
图7报告了四种套利限制指标的平均值，以及三个分析师调整子样本之间的平均值差异。Panel A 显示套利限制的均值和中位数在预测未调整的股票中最高；预测上调的股票套利限制水平最低，预测下调的股票处于中间水平。Panel B显示，套利限制变量的均值差异在1％的水平上最为显著。总体而言，分析师预测调整子样本之间的套利限制代理变量存在显著差异，这意味着套利限制可能会导致不同子样本之间IVOL的回报差异。
分析师预测调整与卖空限制
Miller（1977）认为，观点的分散和卖空限制会导致定价过高。由于更强的信息不对称性会导致更明显的米勒效应，因此我们推测，本文的主要发现可能来源于卖空限制。在本小节中，我们利用最近在中国股票市场上进行的准自然实验来衡量卖空限制的影响，并测试卖空限制是否会影响我们的主要结果。“融资融券”（MTSS）的试点计划于2010年3月启动，并逐渐将更多的A股股票纳入试点计划。对于试点计划中的股票，投资者可以借入股票并卖空。对于未包含在该计划中的股票，套利者将很难卖空。通过在Fama-Macbeth回归方程中加入融资融券的虚拟变量——MTSS，本小节通过回归考察卖空限制对本文主要结论的影响。
图8 Panel B的第1列仅显示了卖空限制对IVOL回报差异的影响。IVOL * dMTSS的回归系数不显著，IVOL * dNMTSS的回归系数为负但显著，这表明卖空限制造成特质波动率的负溢价。第2和3列比较了卖空限制对预测上调，下调和无调整组中IVOL的影响。我们发现，卖空限制对上调组中的IVOL不会产生重大影响，对下调组中的IVOL效应有重要影响。对于无调整组的股票，IVOL * dNO * dMTSS和IVOL * dNO * dNMTSS的系数都为负值，这意味着无调整组中IVOL的负收益差非常大，以至于卖空约束无法完全解释。总体而言，卖空限制部分地解释了三个调整组之间IVOL的收益差异。
控制套利限制与卖空限制后的结果
图9是控制了套利限制与卖空限制后的结果，Panel A报告了IVOL与控制变量的相关系数。Panel B 的回归结果与只控制卖空限制的结果十分相似，说明了套利控制与卖空限制能一定程度上解释分析师预测调整子样本之间的IVOL效应差异。
稳健性检验
分析师覆盖改变后对特质波动率因子表现的影响
分析师覆盖的股票之间的弱IVOL效应并不一定是分析师信息生产的结果，而是由于某些股票的特征所致。我们利用对分析师的两次外部冲击来解答此问题。
首先，本文手动收集了证券经纪商的兼并收购数据，如Panel A所示。然后构建Fama-Macbeth回归方程检验分析师覆盖改变后对特质波动率异象的影响。回归结果如Panel B所示，分析师覆盖减少使得IVOL效应更显著，即分析师覆盖的减少会更加降低高IVOL股票收益。
其次，本文利用2011年分析师覆盖公司数量减少这一自然事件，构建Fama-Macbeth回归方程探究分析师覆盖减少对特质波动率异象的影响。2005-2011年间分析师个股覆盖率逐步增加，而2011年后受到市场低迷的影响，分析师人数与覆盖同一只的分析师数量均减小。如Panel B所示，交互项系数显著为负，说明分析师覆盖率的减小强化了个股的特质波动率异象。
特质波动率异象的其他解释
本小节主要探究其他文献中关于特质波动率异象的解释，着重测试了控制机构持股（Nagel，2005；Ang等，2009）和短期收益反转（Huang等，2010）两个变量后的结果。总体而言，在控制了机构持股和短期收益反转之后，我们的主要发现成立。在分析师覆盖的子样本中，无调整股票的IVOL异象要比其他两个子样本更加强。
进一步稳健性检验
本小节探究控制分析师预测的离散程度对本文主要结论的影响。分析师预测离散程度（DISP）定义为盈利预测的标准差。如图13所示，经过Fama-Macbeth回归后的结果表明本文主要结论仍然稳健。
结论
本文探讨了分析师信息如何影响特质波动率（IVOL）的定价。鉴于中国股票市场独特制度，本文发现，在没有分析师覆盖的情况下，股票的IVOL异象较强，但在有分析师覆盖的情况下，IVOL异象变弱甚至消失，这表明分析师的存在弱化了IVOL异象。特别是，我们根据分析师预测上调、下调和不调整将股票分为三类，IVOL异象在这些子样本中表现出不同的模式。对于预测上调的股票，负IVOL效应消失甚至变为正；对于下调的股票，负IVOL效应相对较弱；对于未调整的股票，IVOL效应非常显著。
本文探索了导致这些结果的原因。第一，分析师预期上调和下调都提供了附加信息，减轻了信息不对称的影响。第二，由于卖空限制、套利限制等，市场对负面新闻的反应要慢于正面新闻。本文从套利限制和卖空限制这两个方面来研究特质波动率的负定价与金融分析师的之间的相互作用。我们发现这两者都强化了IVOL效应在子样本中的差异。最后，在稳健性检验方面，多项内生性测试和稳健性检验下，本文结论依然保持稳健。