|
师行为与初始收益率关系的全样本；在对分析师的预测误差、意见分歧进行分析时，由于涉 及到分析师意见分歧这一指标，要求每只股票至少有两名分析师跟进，故在全样本中剔除只 有一位分析师跟进的股票，得到263 位分析师对75 只股票做出的1002 份盈余预测报告的子 样本。 140 2.4 样本数据的基本分析(The basic analysis of sample data) 本文首先对子样本中分析师各个预测期的预测误差、预测意见分歧度、盈余高估情况进 行了描述性统计分析。 表2-1 预测误差、意见分歧度与实际每股收益描述性统计表 145 Table 2-1 The descriptive statistics of prediction error, dispersion of opinion and actual earnings per share 预测期 变量 Min Max Mean Median Std N ERROR 0.0006 2.2670 0.1891 0.0906 0.3152 75 一年 DISP 0.0033 0.2215 0.0738 0.0630 0.0512 75 ACTUAL 0.0704 1.4774 0.4478 0.3948 0.2470 75 ERROR 0.0111 33.7826 1.2839 0.3234 4.2635 73 两年 DISP 0.0000 0.5063 0.1163 0.1038 0.0830 73 ACTUAL -0.4500 2.0600 0.4391 0.3933 0.3538 73 ERROR 0.0051 31.9412 3.8550 1.5292 6.8400 44 三年 DISP 0.0104 0.4964 0.1291 0.1096 0.0932 44 ACTUAL -1.2900 0.9800 0.2388 0.2535 0.3798 44 从表2-1 中看到，随着预测期的增加预测误差的均值、标准差均增大，表明预测期越短， 分析师预测越准确，越接近实际值；分析师意见分歧的均值也是随着预测期的增加而增大的， 但从标准差来看，波动并不明显，说明在新股上市前分析师对股票无论是长期还是短期盈利 150 预测都不存在较大意见分歧，表现出较高的一致性；再看实际每股收益，新股在上市两年、 三年后甚至出现了负的盈余，均值以及标准差也是随着上市年限的增加而增大的，说明在样 本中新股的长期表现不佳，波动较为显著，与分析师的普遍意义上的乐观预测出现了一定偏 差。 表2-1 盈利高估统计表 Table 2-2 Statistics of overvalued profits OVERVALUED <0 OVERVALUED >0 OVERVALUED =0 预测期 绝对数量 所占比重 绝对数量所占比重绝对数量所占比重 盈利预测报告份数 一年 190 47.26% 212 52.74% 0 0 402 两年 103 26.14% 288 73.10% 3 0.76% 394 三年 19 9.22% 187 90.78% 0 0 206 从表2-2 看到，随着预测期的增加，分析师给出的盈利预测报告份数是减少的，说明分 160 析师在新股上市前更多的愿意做出短期盈利预测；分析师的预测绝大部分都与实际盈利有所 偏差，只有在预测期为两年的报告中有三份是预测完全准确的；可以看到在各个预测期内均 是盈利高估大于0 所占比重总是高于盈余高估小于0 所占比重，这与大量实证结果是一致的， 即分析师盈余预测具有系统性乐观倾向[18]，这可能是分析师在甄选公司时，倾向于跟进某 些他们持乐观态度的上市公司而发生的选择性偏差(McNichols and O'Brien (1996) [19])。值得 165 注意的是随着预测期的增加，盈余高估大于0 的报告份数所占比重是增加的，三年期的预测 报告中盈余高估大于0 所占比重竟然高达90.78%，说明我国分析师对股票的长期盈利预测 过于乐观。 2.5 回归模型的建立(Regression model) 本文在研究分析师行为与新股初始收益率的关系时建立如下的多元回归模型，采用简单 170 最小二乘法、加权最小二乘法以及分位数回归方法来一一验证前文提出的假设。 β ε β β β β β + + = + + + + + INDUSTRY MARIR C FTIMES LNA FP LNASSETS N STOCK NUM 6 1 2 3 4 5 _ _ 模型中涉及到的研究变量及定义如表2-3： 表2-2 模型变量的选择与描述 175 Table 2-3 The choice and description of model variables 变量类型 变量名称 变量符号 变量定义 被解释变量 经市场调整 的初始收益率 MARIR 1 0 0 1 0 0 (P − P ) / P − (M − M ) /M 解释变量 预测次数 FTIMES 在第t 年i 公司上市前总共受到的预测次数 平均预测期 LNA_FP 在第t年内i公司上市前不同分析师预测报告公布日与预测 终止日之间天数的平均值，再取对数值 公司资产总额 LNASSETS 在t 年内i 公司上市前一年度资产总额的对数值，指代公 司规模 分析师 关注的股票数 N_STOCK 在t 年内i 公司上市前，对i 公司股票进行预测的分析师 所关注股票数目的平均值，指代分析师精力的分散程度 分析师跟进人数 NUM 在第t 年内i 公司上市前对其进行跟进预测的分析师人数 行业属性 INDUSTRY 虚拟变量，按照中国证监会的行业分类，金融取1，公共 事业取2，房地产取3，综合取4，工业取5，商业取6 3 实证结果分析(Empirical results) 3.1 描述性统计分析(Descriptive statistical analysis) 表3-1 各年度分析师人数与预测报告统计表 180 Table 3-1 The statistics of analysts number and forecast reports per year 分析师人数 盈利预测报告份数 样本公司数量 2004 年 52 136 29 2005 年 60 138 11 2006 年 193 772 50 从表3-1 中看到，各年度中对上市公司跟进的分析师人数以及盈利预测报告份数都是增 加的，说明我国分析师队伍是在逐步扩大的，这种变化在2006 年表现得尤为突出。 表3-1 模型变量的描述性统计表 Table 3-2 The descriptive statistics 185 of model variables 变量 Min Max Mean Median Std N MARIR -0.0572 3.4287 0.8511 0.7077 0.6442 90 FTIMES 1.0000 40.0000 11.3667 10.0000 8.1164 90 LNA_FP 4.9836 6.5743 6.0089 6.0074 0.2214 90 LNASSETS 18.4995 22.3303 19.9101 19.8032 0.7571 90 N_STOCK 1.0000 4.0000 1.9858 1.8730 0.8757 90 NUM 1.0000 20.0000 4.8222 4.0000 3.5366 90 从表3-2 中模型各变量的描述性统计分析来看，经市场指数调整的初始收益率MARIR 的平均值为0.8511，说明样本中的IPO 上市首日平均收益率能到达85.11%，抑价程度较高， 中位数为0.7077，小于平均值，表明MARIR 的分布呈现出右偏态，值得注意的是其最小值 190 为-0.0572，这也是样本中唯一一只初始收益率为负的股票。从预测次数（FTIMES）来看， 最大值为40，最小值却仅为1，说明在公司上市前受到的分析师的关注程度是不一样的，在 整理样本数据的过程中也发现，期间也不乏有同一分析师在一段时间内对同一家IPO 公司 做出若干次不同的预测，充分显示出该公司受到的关注程度。从平均预测期（LNA_FP）以 及资产总额（LNASSETS）来看，由于是进行了取对数处理，故最小值、最大值、平均值、 195 中位数，都相差不大，相对平稳。而分析师关注的股票数（N_STOCK）的各项统计量表明 分析师的精力分散程度没有太大的差异性，分析师平均关注的股票数目最大也就为4，充分 验证了分析师的精力是有限的，以及分析师关注分析每只股票是需要耗费成本的。从跟进的 分析师人数（NUM）来看，最小值与最大值则相差较大，这可以与前面的预测次数（FTIMES） 这一指标相联系进行分析，从一般意义上理解，公司上市前受到的分析师预测次数与人数应 200 该是正相关的，当然也不排除个别现象，即分析师人数少，但是预测次数多，如前面谈到的 一位分析师可能会做出多次预测。 表3-2 模型变量的Pearson 相关系数矩阵 Table 3-3 The Pearson correlation coefficient matrix of model variables MARIR FTIMES LNA_FP LNASSETS N_STOCK NUM MARIR 1 0.0792 0.2292 -0.0422 0.3463 -0.2454 0.0099(**) 0.0365 0.3665 0.0504 0.3184 FTIMES 1 0.3768 0.0001(**) 0.3958 0.0001(**) -0.0408 0.3513 0.9312 0.0000(**) LNA_FP 1 0.1641 0.0612 -0.1818 0.0432(*) 0.3286 0.0008(**) LNASSETS 1 0.0614 0.2826 0.2864 0.0031(**) N_STOCK 1 -0.0938 0.1896 NUM 1 205 注：* Correlation is significant at the 0.05 level (1-tailed). ** Correlation is significant at the 0.01 level (1-tailed). 由表3-3 中模型变量的Pearson 相关系数矩阵可知，从单变量之间的关系来看，MARIR 仅与公司上市前一年度的资产总额（LNASSETS）显著负相关，当然这仅是简单的相关分析， 210 在本文后面将做更为细致的研究；公司上市前受到的预测次数（FTIMES）与平均预测期 （LNA_FP）、公司上市前一年度的资产总额（LNASSETS）、分析师人数（NUM）呈显著 正相关，表明预测期越长，分析师做出的预测报告可能就会越多，而公司资产总额与预测次 数表现出的正相关关系与众多文献中公司规模越大越能吸引分析师做出预测的结论相一致， 分析师人数与预测次数正相关从一般意义上理解也是正确的。其他单变量的相关关系可据此 215 类推得到。 3.2 回归结果与分析(Regression results and analysis) 本文在此先利用普通最小二乘法（OLS）进行回归分析。 表3-3 最小二乘法及最小二乘法估计结果 220 Table 3-4 Results of least squares and weighted least squares method 变量 常数项 标准误差 T统计量 P值 R2 C 8.8791 2.6916 3.2988 0.0014 FTIMES 0.0581 0.0245 2.3724 0.0200(**) LNA_FP -0.2606 0.3220 -0.8096 0.4205 LNASSETS -0.3021 0.0962 -3.1414 0.0023(***) N_STOCK -0.0097 0.0781 -0.1239 0.9017 NUM -0.0963 0.0537 -1.7954 0.0762(*) INDUSTRY OLS -0.1360 0.0682 -1.9952 0.0493(**) 0.1649 F=2.7320 P=0.0180 D.W.= 1.6199 C 9.1659 0.2645 34.6484 0.0000 FTIMES 0.0539 0.0032 16.8386 0.0000(***) LNA_FP -0.2804 0.0441 -6.3619 0.0000(***) LNASSETS -0.3138 0.0107 -29.2044 0.0000(***) N_STOCK -0.0050 0.0149 -0.3356 0.7380 NUM -0.0883 0.0067 -13.1568 0.0000(***) INDUSTRY WLS -0.1197 0.0089 -13.4886 0.0000(***) 0.9716 注：* 在10%水平下显著；** 表示在5%水平下显著；*** 表示在1%水平下显著 从表3-4 中最小二乘法的估计结果来看，F 值为2.7320，P 值为0.0180，因此可以说回 归方程是显著的，即新股上市首日经市场调整的初始收益率至少与方程中的一个解释变量存 225 在显著的线性关系；同时，D.W.统计量为1.6199，与2 较为接近，可认为计量模型不存在 严重的一阶自相关。再从单个解释变量来看，本文选取的六个可能影响MARIR 的指标中， 公司上市前受到的分析师预测次数（FTIMES）以及行业属性在5%水平下显著，公司上市 前一年度资产总额的对数值（LNASSETS）在1%水平下显著，公司上市前对其进行预测的 分析师人数（NUM）则是在10%水平下显著。 230 而从加权最小二乘法的估计结果来看，除去N_STOCK 这一指标，其他五个指标都是在 1%水平下显著的，这样结果的出现与原模型可能存在异方差，而加权最小二乘法又可以有 学术论文网Tag：代写经济论文 论文发表 代发论文 职称论文发表 |
