研究概述与研究动机 [page::0][page::1]

• 传统估计分析师预测误差的方法存在偏误，因难以控制分析师私人信息及激励因素导致的遗漏变量偏差。

- 本文采用基于公司历史财务特征的特征预测方法，与分析师预测做对比，构建特征预测乐观度（CO）指标。

• 该指标反映特征预测与分析师预测的差异，表明分析师预测存在系统性偏差且被市场过度重视。

特征预测模型构建方法 [page::4][page::5]

• 使用Fama和French提出的滞后公司基本面特征变量（包括滞后收益、应计利润、资产增长、股息、账面市值比率、股价等）拟合未来公司收益。

- 利用历史系数对当前特征进行径预测，获得无偏的未来收益预测即为特征预测。

• 以特征预测与分析师预期收益之差，按总资产标准化，构造CO指标。

样本和数据统计描述 [page::6][page::7]

• 样本覆盖1980-2009年，51591个公司年。

- 分析师预测一般普遍高于特征预测，符合分析师乐观偏差的动机。

• 高CO分组公司特征表现出更高的账面市值比等，与相应分析师预测误差相关。

特征预测乐观度与分析师预测误差关系 [page::7][page::8]

• CO对分析师预测误差（BIAS）具有显著正向回归系数，说明CO解释了分析师预测误差的单调变化。

- CO显著预测分析师预测和投资建议的修正方向，反映分析师缓慢吸收基本面信息。

CO构建的多空投资策略及其收益 [page::9][page::11]

• 买入高CO五分位，卖出低CO五分位的策略每年产生约5.8%的异常回报，t值大于8。

- 策略收益在市场调整后仍显著，且回报在经济衰退年份表现优异。

• 该策略收益显著优于传统基于回归的预测误差模型，更具预测性和稳定性。

CO策略的风险调整与风格因子检验 [page::13][page::14]

• 通过Fama-French三因素及动量因子调整后的截距(alpha)显著且为正，年均约5%，排除风险因子解释。

- 策略与SMB（小盘股因子）负相关，反映策略偏向较大公司。

条件测试：投资者对分析师预测过度依赖的环境 [page::15][page::16]

• 在股票价格对盈利消息更加敏感的公司（买入建议公司），CO策略收益最高，年均约9.4%。

- 信息环境较差（小市值、低财务透明度、历史盈利不佳）的公司中，该策略表现更佳，说明投资者更倾向重视分析师预测。

• 结果支持投资者在不确定性较高和信息缺乏时过度依赖分析师预测。

研究结论与启示 [page::17][page::18]

• 价格未充分反映分析师预测误差中可预测部分，投资者系统性地高估分析师预测。

- 由于传统方法的偏误，之前文献低估过度依赖分析师预测的存在及影响。

• 研究对从业投资者强调利用公司基本面特征预测，辅助判别分析师预测偏差。

- 建议监管机构关注分析师预测扭曲及其对资本配置的影响，完善激励与监管机制。

• 研究提供了分析师预测有效加权的新范式，以优化市场盈余预期的理解。[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18]

金融研究报告深度分析报告

报告题目：估计分析师预期偏差新方法——投资者是否过度依赖分析师预期
作者：吴先兴
发布机构：天风证券股份有限公司
发布日期：2020年11月25日
报告主题：分析师预测偏差的估计方法，投资者对分析师预测的依赖程度及其对股价的影响

---

1. 元数据与概览

本报告基于2011年发表在《Journal of Financial Economics》上的文献，探讨投资者是否过度依赖卖方分析师的盈利预测，及其对股票市场定价的影响。该文献提出了一种新颖的“特征方法”来减少估计传统分析师预测偏差中的偏误，并通过公司历史基本面特征预测未来盈利，从而对比分析师预测，以确定预测偏差。报告核心论点指出：

• 传统方法存在系统性偏误，导致低效或错误的投资策略结论。

- 投资者往往高估分析师的盈利预测，而低估基于历史特征的盈利预测。

• 通过特征预测乐观度（特征预测减去分析师预测）排序股票形成的多空组合能获得显著正收益，表明市场未充分反映预测偏差的可预测部分。

研究的主要贡献是提出并验证了该无偏特征方法，反驳了此前相关研究（如Hughes等2008年）认为投资者未过度使用分析师预测的结论。整体上，报告强调，投资者对分析师预测的盲目信任可能导致资本配置效率下降，监管机构应对此给予关注。[page::0,1]

---

2. 逐节深度解读

2.1 引言

引言部分讨论了分析师盈利预测在估值中的重要性与局限。虽然分析师融合了公开和私人信息，提升了市场信息效率，但大量文献指出由于分析师动机和信息不完全，市场对分析师预测的依赖可能导致估值偏差。作者认为投资者系统性地高估了分析师预测，本研究旨在开发更准确的工具检测和预测分析师的预测偏差，以验证投资者行为是否存在系统性误差。[page::0]

2.2 研究动机及传统方法弊端

报告详细阐释了两组盈利预测模型的构造公式，阐明分析师预测包括公开特征信息和私人信息/动机影响变量。重点指出，传统基于历史预测误差对企业特征回归的方法，在不可观测分析师私人信息的影响下会产生遗漏变量偏误，导致预测偏差估计有偏，且其方向及大小随时间和公司异质性动态变化。此偏误削弱了利用预测误差对多只股票进行筛选的有效性。传统对于控制分析师动机变量的尝试多受限于不可观测性和代理变量误差问题，因此需要新方法解决。[page::1,2,3]

2.3 创新——特征方法及其理论基础

为避免传统方法偏误，作者提出新的特征方法，直接利用公司历史基本面特征线性模型预测未来盈利，然后将该预测结果与同期分析师盈利预测相减，形成预测误差的估计。该方法避开了由分析师私人信息引起的遗漏变量偏误，且根据理论与实证证明，特征方法能得到无偏且预测能力更强的分析师预测偏差估计。特征方法的有效性基于历史特征与未来盈利关系的稳健成立，这一关系在文中被形式化展示。[page::3,4]

---

2.4 实证分析

2.4.1 特征预测建模及样本选择

基于Fama-French（2006）框架，作者采用9个主要滞后变量对公司未来年度扣除非经常项净收益进行截面回归，解释变量包括滞后正收益、负收益指示变量、应计利润、资产增长、股息、账面市值比、市价等，税率假设为35%。拟合结果显示调整后的年均R²约为0.561，说明模型对未来收益的解释力度较强。随后利用前一年回归系数对当年公司特征进行预测，生成特征预测收益。
通过构造特征预测乐观度 (CO)，即特征预测减去分析师预测后按总资产规模标准化，量化分析师预测的偏误。样本剔除金融类、大盘价低于5美元及数据不全的公司，最终覆盖1980-2009年，累计51,591公司年数据。描述性分析显示，整体分析师预测较特征预测偏高，反映分析师具有乐观预期倾向。[page::4,5,6]

2.4.2 CO与公司特征及分析师误差的关系

将整个样本按CO五分位数划分，发现高CO公司通常规模适中，账面市值比高，且分析师预测更悲观（相对于特征预测）。分析师预测误差（BIAS）与CO呈单调递增关系，证明CO能有效预测分析师的偏误方向与大小。回归分析表明，CO对BIAS解释力显著，系数为正，且强于多数传统控制变量。
进一步检验CO与分析师预测修正和投资建议修订的关系，结论显示分析师会在公告前朝CO指示的方向调整预测和投资建议，且调整速度缓慢，反映分析师吸收特征预测信息的滞后性。[page::7,8,9]

---

2.5 分析师预测过度依赖的检验

构建简单的多空投资策略：买入CO最高五分位，卖出最低五分位的股票组合，统计未来收益表现。结果显示，CO策略年化超额收益约5.3%-5.8%，且统计显著（t值>8）。在市场调整收益分析中结果保持一致，且该策略收益在经济衰退等特定时期表现尤为强劲（如1987、2001、2008-09年金融危机，年均回报13.2%）。
通过多元回归，控制各种已知因子（规模、市净率、动量等）及交易前收益惊喜变量，CO仍能显著预测未来6个月和12个月的市场调整后收益，表明预测能力独立于公告盈利漂移（PEAD）等效应。图示展示了该策略在多数年份表现为正收益。[page::9,10,11]

---

2.6 特征方法与传统基于回归方法的比较

以Hughes等2008年和Frankel & Lee 1998年的两套传统预测误差模型为对比，使用相同变量集和样本进行回归分析。结果发现，传统模型预测误差对未来收益的增量解释力有限且在控制发行相关变量后不显著，不能有效辅助投资决策。对比中，特征方法CO指标继续保有显著预测力。整体说明传统方法受偏误限制，效用不及新方法。[page::11,12,13]

---

2.7 风险调整及风格因子解释检验

为排除CO策略收益源于系统风险敞口，报告利用Fama-French三因子模型加动量因子调整收益。结果发现，CO策略超额收益的alpha仍显著为正（约5%年化），表明策略收益非仅因暴露于已知风险因子。SMB因子负系数反映该策略偏向大市值覆盖分析师较多公司。整体表明收益率的可预测性来源非仅是风格风险。[page::13,14]

---

2.8 条件测试：收益异质性及影响因素

细分样本发现：

• 在分析师投资建议更积极（“买入”评级）的公司中，CO策略收益最高（约9.4%），而在“卖出”企业中收益不显著。

- 小市值公司收益更好，反映信息不充分或关注度低的公司中分析师预测过度被重视的情况更明显。

• 高账面市值比（BTM）公司的收益最高（7.7%），BTM常被视为投资者认可欠缺指标。

- 股票应计项绝对值大、财务透明度低的公司中，CO策略收益显著，表明在信息不确定性高的环境下，投资者更易过度看重分析师预测。

• 最新季度收益惊喜为负的上市公司收益最高，支持投资者在负面消息后的过度反应理论。[page::14,15,16]

---

2.9 稳健性检验与讨论

报告通过剔除价格和账面市值比变量、仅用滞后收益变量预测等方式验证特征方法稳健性，均能复现核心结论。对投资者为何系统性偏重分析师预测，报告讨论多种动因：

• 交易成本不完全解释该现象；

- 投资者可能不熟悉基于横截面特征的预测工具；

• 机构投资者出于法律风险避免更多冒险，倾向跟随分析师一致预期；

- 心理认知偏差，投资者易受显著信号影响但忽视信息可靠性，反映行为金融中的有限理性与注意力限制。

总体结论仍是市场价格未完全及时反映分析师预测误差的可预测部分。[page::16,17,18]

---

2.10 结论

投资者系统性地过度依赖分析师盈利预测，未能有效利用公司历史特征预测技术反映的盈利信息。该认知偏差导致价格对盈利信息的扭曲，从而影响资本有效配置。论文提出了特征方法作为更无偏的预测分析师偏误工具，具有显著的预测能力和实证验证。
结论提出对从业人员、监管机构及研究者的启示：

• 从业者可结合特征预测与分析师预测改善估值判断和错误定价识别；

- 监管机构应关注分析师预测激励失衡问题，促进市场资本配置效率；

• 研究者应进一步探索多重盈利预测加权机制，提升市场预期测度精度。

该结论与传统依赖基于历史误差回归的研究相悖，强调采用更科学方法的重要性。[page::18]

---

3. 图表深度解读

图2：特征预测与分析师预测（page=6）

该图包含三条线与一组柱状图。柱状图显示样本年度公司数目，横跨1980至2009年，显著增长，尤其1990年代以后，样本拓展明显。两条实线分别表示特征预测中位数和分析师预测中位数，整体观察可见分析师预测中位数高于特征预测，且差距在不同年份波动。
这表明分析师整体持乐观预测态度，符合文中分析师偏见动机的推断，且随着样本扩大，预测差异依旧明显，强调工具的普适性和稳定性，支持投资者对分析师预测过度依赖的核心假设。

图3：CO与公司特征（page=7）

该图汇总了按CO五分位数分组的企业特征均值，包括规模（SIZE）、账面市值比（BTM）、分析师覆盖度（COV）等，统计测试显示高低CO分组在SIZE无显著差异，但BTM在高CO时显著升高，进一步佐证高CO公司更可能存在被低估的基本面信息。此外，分析师覆盖度虽有统计差异，但实际变化小，提示覆盖分析师数量对偏误预测改善有限。
该图增强了CO指标与公司基本面及分析师预期的关联，为基于CO构建策略提供数据支持。

图4：CO与BIAS回归结果（page=9）

包含两部分：

• Panel A展示CO与实际分析师预测误差(BIAS)的多元回归系数及统计显著性。结果显示CO是BIAS的正向显著预测变量，说明CO越高，公司实现盈利相对分析师预期越优。

- Panel B展示CO对分析师预期和投资建议修正的影响，系数显著且为正，反映分析师会随着公告逼近调整其预测和建议，且调整方向与CO趋势一致，但调整反应存在延迟，验证了分析师预测调整的缓慢性。

图6：年度策略收益（page=11）

该柱状图展示了1980年至2009年间CO策略的年度收益率差异。大部分年份表现为正收益，尤其在严重市场波动年份回报尤为亮眼（如1987、2001、2008年）。极少年份出现负收益，且幅度有限，显示该策略在稳健性方面表现良好。
这一图形直观支持了文中CO策略在30年中的持续有效性和收益优势，反驳投资者理性完全的命题。

图7：与传统模型对比（page=13）

该表格对比了特征方法与Hughes等（2008）、Frankel & Lee（1998）传统预测误差模型的预测能力。
主要结论是，传统模型在控制了多项变量（规模、账面市值比，动量，应计项等）后，预测误差的解释力和对未来收益的预测力不显著，而特征方法CO指标则持续表现出显著的预测效能。
表明传统方法估计的预测误差包含大量偏误，缺乏横截面有效筛选功能，强调了特征方法的优势。

图8：与风格因子的相关性（page=14）

本图基于Fama-French三因子加动量因子回归，分析CO策略收益与已知风险因子的关系。结果显示CO策略截距alpha显著正，排除了简单风险因子解释策略收益可能。SMB因子负系数指示策略倾向投资分析师覆盖较广的大盘公司，符合前述覆盖度变化数据。
此图有效反驳了CO策略收益源自系统风险暴露的假说，加强其作为异常收益的证据。

图9：分析师预期是否被过度重视（page=16）

该图支持条件测试的结论，显示投资者对分析师预测的过度依赖在不同子样本（按投资建议、公司规模、市净率及财务透明度划分）具有异质性。图表表现为四个子图或多重条形图，分别体现不同条件下CO策略的年度收益，显示在信息环境较差，公司股价高度敏感于盈利消息的企业中，过度依赖现象更为明显，收益表现更强。
此图形是本文理论推断与实证发现的综合体现，揭示了过度依赖的机制细节和执行环境。

---

4. 估值分析

报告本身并不直接进行公司估值，而是围绕分析师盈利预测误差和市场定价效率的研究设计方法论。估值相关的分析属于间接评估，通过分析预测偏差对盈利和股价表现的影响，推断投资者行为对市场有效性的影响。
特征方法核心采用历史面基本面变量与未来盈利的线性截面回归，回归系数反映各特征对盈利的边际贡献，构成一种类似于横截面盈利预测的估值辅助手段。该工具结合分析师预测，辅助识别市场定价信息不完全或误判的公司。
因此，估值分析凸显为模型构造与实证检验，不涉及传统的DCF、P/E倍数法等财务估值技术。

---

5. 风险因素评估

报告未单独罗列风险因素专节，但文中隐含若干风险与局限：

• 方法论风险：特征方法依赖历史参数的稳定性假设，若未来市场环境、企业行为特征发生突变，预测效能可能受损。

- 数据选择风险：剔除了金融行业、低价股等，样本选择偏差可能限制结论的普适性。

• 模型不完全风险：无法完全观测分析师私人信息及动机带来的不可测影响，仍可能有遗漏变量。

- 行为假设风险：过度依赖假设投资者行为一致，若部分理性机制存在，结论或需调整。

• 交易成本与执行风险：策略未充分考虑实际交易成本，真实收益可能被侵蚀。

尽管如此，通过多元控制与稳健性检验，报告已尽力缓解上述风险，加强结论稳固性。

---

6. 批判性视角与细微差别

报告充分揭示并讨论了传统方法的偏误，提出创新方法以解决。研究以外的潜在不足包括：

• 模型假设简化：特征预测模型采用线性截面回归，可能忽略公司间异质性和非线性影响。

- 分析师行为异质性未深入探索：不同分析师机构、风格和偏好可能影响预测偏差，未细化研究。

• 市场微结构影响缺乏关注：流动性、交易规则等对预测误差定价的影响未系统考察。

- 投资者类型划分不足：未区分机构与散户投资者对分析师预测的不同反应，政策建议较为粗糙。

• 行为解释不完备：心理学解释依赖文献推论，未结合具体行为实验或调查验证。

整体而言，报告严谨且创新突出，局限合理且在未来研究中有继续完善空间。

---

7. 结论性综合

本报告通过严谨的数据分析和理论构建，揭示了投资者系统性过度信赖分析师盈利预测的现象及其市场影响。核心贡献在于开发了“特征方法”，用公司历史基本面特征对未来盈利实现无偏预测，进而准确估计分析师预测偏误，避开传统方法的遗漏变量偏差，从而揭示分析师预测偏误的可预测成分。
关键数据分析与策略测试显示：

• 特征预测乐观度（CO）与未来实际盈利及股价表现呈显著正相关。

- 构建基于CO的策略（买入高CO，卖出低CO股票）获得持续且显著的超额收益，年化超过5%，在震荡市和危机期尤为突出。

• 投资者对分析师预测权重高于最优贝叶斯权重，忽略基于特征预测的盈利信息。

- 该过度依赖在信息不充分、小市值、高账面市值比以及财务透明度低的公司中更为明显。

• 多元控制与风险调整后结果仍稳健，反映非风险代理因素驱动的预测误差定价效应。

- 与传统基于历史预测误差回归的模型相较，特征方法显著提高预测与策略效用，反驳投资者对分析师预测理性加权的假设。

该结论促使监管机构、市 场参与者反思分析师预测的激励机制及投资者的依赖行为，促进资本市场更有效率的资源配置，并为金融工程和投资实务提供新一代盈利预测及风险识别工具。结合图表分析和横向比较，报告整体逻辑清晰、方法创新、数据扎实，具有较高的学术价值和实践指导意义。[page::0~18]

---

主要图表示意（Markdown格式展示）

---

总结

本文深刻揭示了分析师预测偏差的结构性质和投资者的非理性行为，突破了传统研究范式的局限，使用基于公司基本面的特征方法实现了更准确的预测误差估计及盈利预测。对实务界而言，该方法为判断潜在错误定价及设计投资策略提供理论与数据支持；对监管层而言，则警示了分析师激励失衡和投资者认知局限可能带来的系统性市场失灵，需引入相应规范措施。
整体来看，报告对理解分析师预测的局限性、投资者行为偏差以及资本市场的信息传递效率具有重要的启发和参考价值。

如需更详细的章节解析及表格数据深度挖掘，欢迎进一步询问。

报告