东兴证券-海外文献速览系列之十九_卖方分析师的社会化学习对其预测准确度的影响_32页_2mb.pdf

敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 金融工程 东兴证券股份有限公司证券研究报告 卖方分析师的社会化学习对其预测准确度的影响 海外文献速览系列之十九 2022年 7 月 2 日 金融工程 定期 报告 分析师 高智威 电话： 0755-82832012 邮箱： 执业证书编号： S1480521030002 研究助理 赵妍 电话： 010-66554050 邮箱： zhaoyan- 执业证书编号： S1480121060026 投资摘要 ： 在开发量化投资策略时，海外优秀论文往往能够提供新的思路和方法，为了能够让各位投资者更有效率地吸收海外的经验，东兴金工团队推出 海外文献速览系列 报告。我们将定期从海外文献中筛选思路较为新颖且有潜力应用于国内市场投资的文章，以速览的形式呈现给各位投资者，内容涵盖 资产配置 、 量化选股 、 基金评价 以及 衍生品投资 等多个方面。 本篇报告作为该系列报告的第十九篇，我们选取了 Alok Kumar, Ville Rantala, Rosy Xu 发表于 Journal of Financial Economics 的文献 Social learning and analyst behavior 。这篇文献研究了卖方分析师参与社会化学习是否能提高预测准确度以及分析师参与社会化学习的特点。 作者发现分析师会根据观察到的其他分析师对其他投资组合公司的预测误差来调整他们的预测。 分析师还从同行的行为中学习，并且在最近对其他投资组合公司发布类似预测时更有可能发布大胆的预测。除此之外， 作者进一步发现分析师特别有可能向具有相似个人特征的同伴学习 ，这表明选择性注意可能在观察到的社会学习行为中发挥作用。 作者一个 研究 结论 是， 分析师投资组合的构成会影响个人预测 ， 甚至会影响预测准确性 。很多时候，分析师投资组合中一家公司的盈利意外和分析师报告包含与另一家公司的预测相关的信息，覆盖两家相关公司的分析师更有可能发现此类信息，作者的结果表明，平均而言， 分析师在向同行学习时会提高他们的预测准确性 。 作者 还发现，当同行分析师覆盖许多相同的公司（即投资组合重叠更大）并具有更高的预测准确性时，分析师对同行预测 误差 的反应更强烈。 这些结果都表明社会化学习提高了预测的准确性。因此， 不参与社会化学习的分析师可能会错过同行过去预测误差中包含的相关公共信息 。 除此之外，统计数据也表明： 分析师可能不会从自己过去的错误中吸取教训，但他们可以从同行的错误中吸取教训 。 这篇文献 体现了卖方分析师参与社会化学习的重要性 ， 为我们开展分析师评价的研究工作提供了新的思路， 值得关注。 风险提示： 本报告内容来源于相关文献，不构成投资建议。文中的结果基于原作者对美国市场 分析师 数据进行的实证研究，当市场环境发生变化的时候，存在模型失效的风险 。 P2 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 目 录 1. 研究背景和结论概览 . 4 2. 文献综述和假设 . 7 3. 数据和样本选择 . 7 3.1 数据来源 . 7 3.2 预测乐观程度和大胆程度的衡量 . 8 3.3 汇总统计 . 8 4. 主要实证结果 .10 4.1 排序结果 .10 4.2 相对乐观估计 . 11 4.3 替代公式和稳健性检查 .13 4.4 社会学习的替代形式 .13 4.5 大胆的预测回归估计 .15 5. 哪些同行预测最具影响力？ .17 5.1 企业特征的作用 .17 5.2 同行分析师 个人 特征的影响 .18 6. 社会学习和预测准确性 .21 7. 结论 .23 8. 附表 .24 9. 我们的点评 .29 10. 参考文献 .29 9.风险提示 .29 相关报告汇总 .30 插图目录 图 1： 同行预测结果对分析师的影响 . 5 图 2： 描述性统计：分析师投资组合 . 9 图 3： 描述性统计：预测特征 . 9 图 4： 分析师预测乐观与分析师投资组合中其他公司的同行近期 预测误差 之间的无条件关系 .10 图 5： 分析师的大胆预测与同行最近对分析师组合中其他公司的大胆预测之间的无条件关系 . 11 图 6： 相对乐观回归估计 .12 图 7： 预测误差和乐观回归估计：社会化学习的替代形式 .14 图 8： 大胆预测回归估计 .16 图 9： 相对乐观回归估计：投资组合特征和社会学习 .18 图 10： 相对乐观回归估计：同伴特征和社会学习 .19 图 11： 相对乐观回归估计：同伴相似度和社会化学习 .21 图 12： 公司层面的预测误差估计 .22 图 13： 预测精度回归估 计 .23 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 P3 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 图 14： 使用价值加权同行预测误差进行预测误差和乐观回归估计 .24 图 15： 使用分析师预测的替代窗口进行预测误差和乐观回归估计 .25 图 16： 不包括 1994年之前的观察的基线回归估计 .26 图 17： 安慰剂回归估计 .26 图 18： 预测误差和乐观回归估计 与异常值的替代处理 .27 图 19： 使用大胆预测的替代度量进行大胆回归估计 .28 图 20： 使用同行分析师过去的 预测误差 和大胆的预测来解释相对乐观 .29 P4 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 1. 研究背景 和 结论 概览 在开发量化投资策略时，海外优秀论文往往能够提供新的思路和方法，为了能够让各位投资者更有 效率地吸收海外的经验，东兴金工团队推出海外文献速览系列报告。 我们 将定期从海外文献中筛选思路较为新颖且有潜力应用于国内市场投资的文章，以速览的形式呈现给各位投资者，内容涵盖资产配置、量化选股、基金评价以及衍生品投资等多个方面。 本篇报告作为该系列报告的第十 九 篇， 我们 选取了 AlokKumar, VilleRantala, RosyXu 发表于 Journal of Financial Economics 的文献 Social learning and analyst behavior 。 卖方分析师面临着一项艰巨的预测任务，他们使用来自多个来源的信息来提 高 他们的预测 效果 。随着竞争的加剧，分析师可能会利用专有数据源来获得竞争优势。尽管如此 ， 学习公开可用的信息来源可能仍然是他们预测行为的一个重要方面。 作者研究了卖方分析师是否进行了“社会化学习” ，即他们对某家公司的收益预测 是否 受到 了 其他 同行 的预测特征的影响。 具体地说，就是 调查分析师 投资 组合构成的异质性是否会在同行风险敞口中产生异质性，从而不同地影响他们的信息收集活动和预测行为。 先前的研究表明，分析师会关注其他分析师对他们所覆盖的公司的看法 。特别是，他们的预测受到羊群 效应 的影响，分析师在同一家公司中相互遵循彼此的预测和建议（ Graham, 1999; Trueman, 1994; Welch, 2000） 。这种行为可能是由于分析师从其他分析师的收益估计中推断信息的 信息级联 （ Bikhchandani 等 , 1992） 以及分析师由于职业担忧而害怕偏离共识的战略行为 （ Hong等， 2000） ， 从他人当前行为中提取信息的能力可能是分析师专业知识的重要来源 （ Clement 等 , 2011） 。 作者假设卖方分析师参与社会化学习以提高他们的预测绩效。 具体来说，分析师对 关注公司 的盈利预测受到同行分析师的行动和意见的影响。 在所有分析师 的 预测都是公开信息的无摩擦世界中，如果某家公司的分析师预测包含与其他公司相关的信息，那么所有关注 该 公司的分析师都应该以同样的方式对这些信息做出反应。特别是，分析师更容易获得有关组合内的同行 预测误差 的信息 。 例如，如果其他分析师对 其他 公司的预测系统地高于（低于）实际收益，分析师可能会更新他对 关注公司 的看法并发布更悲观（乐观）的预测以纠正感知偏差。同样，如果其他分析师 做 出许多偏离共识的正面或负面预测修正，分析师可能会模仿这种行为并为关注公司 发布类似的 “大胆 ”预测 （见图 1） 。 同时， 基于有限注意力假设， 作者 进一步预测分析师可能会从具有相似个人特征的同行分析师那里更有效地学习。这种额外的猜想部分是由大量关于内群体偏 见的心理学文献推动的，这表明人们更有可能跟随或与更像他们的人互动（ McPherson 等 , 2001）。 作者对于 社会 化 学习 的 假设在两个方面不同于传统的信息从众行为 （ Bikchhandani 等 , 1992） 。 1： 在当前的学习环境中，分析师从同行对其他公司的预测中学习，而不是从其他分析师对同一公司的预测中学习 ； 2： 分析师还从同行的过去结果（ 预测误差 ）中学习，而不只是模仿他们当前的预测 。 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 P5 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 图 1： 同行预测结果对分析师的影响 资料来源： Social learning and analyst behavior， 2022 年 1 月 注： 该表显示了 作者的识别策略和主要的可检验假设。分析师 1关注公司 A 和 B，但不关注公司 C。分析师 2 关注公司 A 和 C，但不关注公司 B。在面板 A 中，作者 说明了第一个关键假设，假设在其他条件相同的情况下，分析师 1 对公司 A 的预测将不如分析师 2 的预测乐观。在面板 B 中， 作者 说明了第二个关键假设，假设在其他条件相同的情况下，分析师 1 更有可能对公司 A 发布大胆的正面预测。 作者分析 了 同行 分析师 过去的预测 误差 对分析师 关于 关注公司 的预测乐观的影响 ， 使用季度收益预测来估计面板回归，其中因变量是分析师对 关注公司 的相对乐观程度，如预测误差所反映的那样 ，而 主要解释变量是同行分析师四分之一滞后的平均预测误差。 预测结果表明，同行分析师 关于 其他公司的滞后平均预测误差对分析师的预测误差具有负面且具有统计学意义的影响。系数值介于 -0.004 和 -0.010 之间 ， t 值介于 -2.9 和 -5.1P6 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 之间。分析师先前对 关注公司 的预测误差为正且具有统计 显著 性，当作为附加解释变量包括在内时，系数估计值为 0.005。当使用另一种预测乐观度度量重新估计这些回归时，结果非常相似。 接下来， 作者 对 大胆预测 进行了回归分析 。 正如 Clement 和 Tse（ 2005） 所定义的，一个大胆的预测是分析师在同一方向上偏离共识预测和他自己之前的预测。 以往的文献 表明，大胆的预测比其他预测更准确 。在这篇文献中，作者 分别估计 了大胆的乐观预测 和 大胆的悲观 预测的季度面板回归。这些回归中的因变量是一个指示变量，当分析师在观察季度发布 大胆的乐观预测 时取值为 1，否则取值为 0。 主要的解释变量是在上一季度发布具有相同的大胆预测的同行分析师的百分比 ，除此之外 还包括一个指标变量，如果分析师在上一季度自己发布了一个大胆的预测，则该变量的值为 1。 回归估计表明分析师 会 模仿同行的 “激进风格” ， 基线回归中同行分析师 大胆的正面 预测的系数估计为 0.010， t 值为 2.8； 大胆的负面 预测 的相应系数为 0.017， t 值为 5.3。在经济学方面，这些系数估计意味着，相对于做出大胆预测的无条件概率，当我们考虑大胆 的 正面预测时，解释变量的一个标准差变化会使大胆预测概率增加 3.3%，而当我们考虑大胆负面预测时，则增加4.2%。 接着作者分析了哪些同行分析师的预测会产生更强的社会学习效果 。具体来说，通过添加具有不同公司相似性度量的交互项来扩展之前的预测误差回归，包括收益和收 益增长的平均相关性、同一三位数 SIC 行业的公司百分比以及位于同一州的公司百分比 。结果 发现这些交互项在统计上 显著 且为负，表明当其他投资组合公司与 关注公司 相似时，分析师对同行预测误差的反应更强烈 。作者 还发现，当同行分析师覆盖许多相同的公司（即投资组合重叠更大）并具有更高的预测准确性时，分析师对同行 预测误差 的反应更强烈。 进一步地，作者调查分析师是否更有可能向个人特征相似的同行学习 ， 使用两个新的解释变量重新估计预测乐观回归：相似同行分析师的平均预测误差和不同同行分析师的平均预测误差。结果表明，只有对相似同行预测误差的系数估计才具有统计意义和经济意义。 在最后一组测试中，作者研究了社会化学习与预测准确性的关系 。如果分析师地对相关公司的相关公共信息反应不足，那么基于同行预测误差的学习可能会导致预测准确性的相对提高。相反，即使来自相关公司的预测误差包含有用的信息，分析师在更新预测时也可能对这些易于获取的信息反应过度，这会降低预测的准确性。 能 更有效地整合这些信息的分析师可能 预测得 更准确。 作者 将重点放在个别分析师身上，并检查 社会化学习是否会影响预测准确性。 作者 发现，在 64%的案例中，个别分析师的实际预测比调整后的预测更准确。 这些结果表明 ， 社会化 学 习提高了预测的准确性 。因此，不 参与社会化学习的 分析师可能会错过同行过去 预测误差 中包含的相关公共信息。以前的研究主要关注同一公司的分析师之间的羊群行为（ Graham,1999;Hongetal.,2000;Trueman,1994;Welch,2000）。 而本篇文献 证明 了 分析师的预测也受到关注分析师覆盖范围内其他公司的同行的影响。 具体来说，分析师会了解同行事后预测误差的偏差，而不是像传统的羊群模型那样模仿他们的事前预 测。 作者 发现分析师特别有可能向具有相似 背景 特征的同行学习，这表明分析师之间的社会 化 学习可能 不 是战略性的或完全理性的 。 此外， 作者还 发现分析师对来自同行业和同州公司的信息反应更强烈，这表明特定行业和特定位置的信息可以通过分析师的覆盖网络传输。 最后作者证明了分析师覆盖的公司集会影响他的预测行为。 先前的文献在很大程度上孤立地研究了个人预测，而没有过多关注公司投资组合的构成 。 在最近的一篇相关论文中 （ Harford 等 ， 2018） 发 现，由于选择性关注，分析师对其覆盖投资组合中更重要的公司做出了更准确的盈利预测。尽管他们的研究表明投资组合中的其他公司由于其在投资组合中的相对重要性而影响分析师的预测行为，但 作者 的研究发现投资组合公司也通过社会 化 学习影响分析师的预测。 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 P7 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 2. 文献 综述 和假设 本篇文献的关键前提是分析师可以从其他分析师对分析师投资组合中其他公司的预测中包含的信息中受益。这个猜想建立在关于分析师学习的文献之上 ， 关于预测偏差一致性的早期研究表明，分析师的预测误差是序列相关的（ Abarbanell 和 Bernard， 1992； Butler 和 Lang， 1991； Mendenhall， 1991）。这种正自相关 性意味着，从统计学上讲，分析师并没有从他们自己过去的错误中充分吸取教训。关于预测误差可预测性的文献为分析师特定预测偏差的持续存在提供了几种解释，包括机构考虑（ Das 等 ， 1998 年； Lim， 2001 年）、与偏度相关的优化（ Gu 和 Wu， 2003 年）、声誉效应预测一致性（ Hilary 和 Hsu， 2013 年）、参数不确定性（ Markov 和 Tamayo， 2006 年）以及公司盈利过程的不确定性（ Linnainmaa 等人， 2016 年）。总之，来自文献的证据表明，预测中持续存在的分析师特定偏见至少部分是有意的，因为分析师可能会根据他们对已实现收益的个人预期战略性地定位他们的预测。 除了这些 策略 考虑之外，分析师的行为可能会受到非 策略 因素的影响（ Malmendier 和 Shanthikumar， 2014年）。因此，即使分析师自己的预测误差是正自相关的，分析师的预测乐观度也可能与同行的预测误差呈负相关，即 分析师可能不会从自己过去的错误中吸取教训，但他们可以从同行的错误中吸取教训 。受这些发现的启发， 作者 的第一个关键猜想是分析师使用其投资组合同行 的预测误差来更新盈利预测的非 策略 部分。分析师可以从同行那里学习到 一些 信息。首先，同行分析师对其他相关公司的平均预测误差捕捉到了覆盖同一公司的分析师 所共有的潜在系统性时变偏差。几篇论文表明，分析师会受到认知偏差的影响（ DeBondt 和Thaler， 1990 年； Friesen 和 Weller， 2006 年； Sedor， 2002 年），并且此类非故意偏差可以在对类似公司进行预测的分析师之间共享。 Brown（ 1997） 提供了分析师在不同行业的乐观偏见存在系统性差异的证据。 除了共享偏差信息，相关投资组合公司的预测误差还可 以揭示与未来收益相关的行业特定、本地或供应链相关信息。 分析师 可能受时间和资源限制的影响（ Harford 等人， 2018 年； Hirshleifer 等人， 2019 年），观察到的同行预测误差中的信息比自行收集的信息更容易获得。最近， （ 帕森斯等人 ， 2020） 假设，当分析师同时监控两只股票时， 分析师 更有可能识别出共同的相关信息来源。 分析师还可以学习其他分析师的预测风格。 特别是，一些分析师发布的大胆预测既偏离了共识，也偏离了他们自己之前的预测。由于职业问题，偏离共识预测对于分析师来说是有风险的（ Hong 等 ,2000）， 但 Clement和 Tse 在 2005 年 证明大胆的预测可以揭示 隐秘的 信息。分析师很可能意识到预测大胆性和准确性之间的这种潜在联系，并试图模仿大胆分析师的预测风格。 最后， 在最近的一项研究中， Jannati 等 人在 2019 年 发现，股票分析师表现出群体内偏见，并且对 并非由其社会人口群体的 CEO 领导的公司的看法不太好 ， 这种类型的组内偏见也会影响分析师的学习。 3. 数据和样本选择 3.1 数据来源 作者 的主要数据来源是来自 the Institutional Broker Estimates System（ I/B/E/S） 的 季度收益公告和相关收益预测。此外， 作者 使用来自 the Center for Research in Security Prices（ CRSP） 的股价数据，以及来自Compustat 的财务报表和公司位置数据。样本涵盖 1984-2017 年期间 ，并且 排除了编码为匿名的分析师，因为无法跟踪他们跨季度的盈利预测。当只有一位分析师提供预测时，也排除了公司季度和只关注一家公司的P8 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 分析师，因为无法为这些观察形成同行分析师变量。 对于每一 位分析师，作者 仅考虑收益公告日期之前的最新预测。 为了解决 I/B/E/S 中的潜在错误和数据质 量问题， 数据 要求分析师预测生效日期 （ ACTDATS） 在分析师预测公告日期 （ ANNDATS） 或之后 ， 消除了预测审查日期 （ REVDATS） 早于预测公告日期 （ ANNDATS） 的观察结果 。除此之外，作者 还使用 了 分析师 的 性别和种族数据 ， 根据数据库中的分析师名称来 搜索，但 I/B/E/S在 2007 年停止提供 分析师 名称，这意味着只能为 2008 年之前数据中的分析师识别这些项目。 作者会 根据姓氏确定分析师的种族 /民族 ， 将每位分析师的姓氏与美国人口普查局定义的种族类别相匹配。 根据 美国人口普查局发布了一个基于 2010 年人口普查中大约 2.95 亿有效姓氏的个人报告的姓氏 -种族映射的国家数据库，作者 将分析师分为四个种族 /族裔群体：非洲裔美国人、亚太岛民、西班牙裔和白人。 3.2 预测 乐观程度和大胆程度 的衡量 作者 使用预测误差度量来计算分析师的预测乐观度，定义为 每股收益 （ EPS） 预测与 I/B/E/S 中实际 EPS 之间的差 值，并 除以公告日期前十个交易日的公司股价 ， 对同一财报发布更多 正 预测 误差 的分析师被认为更乐观。 作为衡量乐观情绪的另一种方法， 作者 使用分析师的盈利预测与共识预测之间的差异除以股价。这一指标捕捉到了财报公布前的乐观情绪 ，其中共识 预测定义为基于财报公布日前最新分析师预测的中值预测。 为了确定大胆的预测， 作者 使用了 ClementandTse（ 2005） 中提出的方法， 即 如果新预测高于分析师先前的预测和预测修正之前的 共识 预测，则预测修正被归类为 大胆的乐观预测 ，而 低于分析师先前预测和共识预测修正被归类为 大胆的悲观预测。 3.3 汇总 统计 图 2 的 面板 A 提供了基于季度观察的个人分析师公司投资组合的描述性统计数据。分析师平均在一个季度发布 7.6 个 不同的收益公告的收益预测。投资组合具有高度的行业集中度， 并且投资组合中值仅包含来自两个不同 Fama-French 49 个行业 和 三个不同的三位数 SIC 行业 的公司 。 基于行业构成的 Herfindahl-Hirschman指数中位数为 0.504，三位数 SIC 代码和 Fama-French 行业为 0.618。 作者 的实证策略中的一个重要问题是关注同一家公司的分析师覆盖范围的重叠程度。 在本篇文献中，作者 使用 Szymkiewicz-Simpson 重叠系数来衡量投资组合的相似性，该系数被定义为两个公司投资组合之间的交互作用（相同公司的数量）除以较小投资组合中的公司数量。对于每个公司分析师的观察， 作者 计算了相对于所有其他遵循同一公司的分析师的平均重叠系数。在计算 跟踪 公司 j 的分析师 i 的系数时，排除了公司 j 本身，即跟随公司 j 的两位分析师之间的系数基于两个投资组合中的其他公司。 图 2 面板 A 显示投资组合的平均重叠率为 34.1%，中位数为 32.4%。换句话说，如果两位分析师关注同一家公司 ，系数值表明同一公司的分析师之间存在 显著 的非重叠覆盖，这为解释变量提供了相当大的差异。 图 2 的 面板 B 报告分析师特征的统计数据 ，从表中 可以识别出 4997名分析师的性别，其中女性 749 人（ 15.0%），男性 4248人（ 85.0%） 。其中 能 够将 4701 名分析师分配到种族 /民族组中 ， 在这些分析师中， 4200 名白人（ 89.3%）、 351 名亚裔（ 7.5%）、 91名西班牙裔（ 1.9%）和 54名非裔美国人（ 1.2%）。根据 2010 年人口普查，白人占美国所有人口的 72.4%，而亚裔、西班牙裔和非裔美国人分别占 5.0%、 16.3%和 12.6%。 这里 基于姓氏的匹配表明，西班牙裔和非 裔美国人在分析师群体中的代表性相对不足。 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 P9 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 图 2： 描述性统计：分析师投资组合 资料来源： Sociallearningandanalystbehavior， 2022 年 1 月 注： 该表提供了分析师投资组合的描述性样本统计数据。样本期为 1984-2017 年。分析师数据来自 I/B/E/S Detail U.S.File， 行业代码来自 Compusta 或 CRSP。这里 排除了只有一位分析师提供预测的公司季度和只关注一家公司的分析师，因为无法为这些观察形成同行分析师变量。面板 A 描述了分析师的投资组合 ， 包括覆盖的公司数量、投资组合中覆盖公司的其他分析师数量、投资组合中不同的三位数 SIC和 Fama-French49 行业的数量以及与其他分析师的覆盖重叠百分比追随同一个公司。投资组合规模和行业统计数 据基于季度分析师观察；覆盖公司的其他分析师数量基于季度公司观察；重叠统计数据基于分析师公司的季度观察。分析师 i 和另一位分析师之间的投资组合重叠百分比是根据 Szy mkiewicz-Simpson 系数测量的，该系数定义为两个投资组合之间的交互作用除以较小投资组合中的公司数量。 关注 公司 j 的分析师 i 的平均重叠百分比基于他的投资组合与 关注 公司 j 的所有其他分析师的重叠（测量的投资组合不包括公司 j本身）。 面板 B 根据分析师的全名提供样本分析师的性别和种族统计数据。 图 3 的 面板 A 报告了预测误差和预测乐观度度量的汇总统计数据。 平均预测误差为 -0.046，中位数为 -0.044。相对于共识的平均预测乐观度为 -0.039，中值为零。这些分布与 （ Hong 和 Kubik， 2003） 中报告的分布相似。图 3 的 面板 B 显示了 大胆乐观和大胆悲观 预测的汇总统计数据。平均而言， 8.4%的季度公司分析师预测观察被归类为 大胆乐观， 14.4%被归类为 大胆悲观。 图 3： 描述性统计：预测特征 资料来源： Social learning and analyst behavior， 2022 年 1 月 P10 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 注： 该表提供了分析师预测的描述性样本统计数据。样本期为 1984-2017 年。分析师和盈利预测数据来自 I/B/E/SDetailU.S.File，股价数据来自 CRSP。预测乐观和大胆预测的统计数据基于季度盈利预测。面板 A 报告了分析师 预测误差 和预测乐观度的描述性统计数据。 ,为分析师的预测减去实际每股收益，,为分析师自己的预测减去一致预测。这两个值均按收益公告日期前 十天的股价计算。 ,1是上一季度其他分析师对分析师投资组合中其他公司的平均预测误差 ， 所有值都乘以 100 以便更好地呈现。面板 B 提供了大胆预测的统计数据，如 Clement 和 Tse（ 2005 年）所定义。 大胆乐观 预测高于分析师先前的预测和预测修正前的共识预测，而 大胆悲观 预测低于分析师先前的预测和共识 预测 。如果分析师在观察季度发布 大胆的乐观或者悲观 预测，则,和 ,取值 1。 ,1和 ,1衡量上一季度其他分析师对分析师组合中其他公司的正面或负面大胆预测的百分比。 4. 主要实证结果 4.1 排序结果 作者 首先提供 了 关于主要因变量和解释变量之间关系的无条件十分位数统计数据 ， 这些统计数据揭示了两者之间的基本关系 。 首先根据 同行分析师的预测误差数据 PeerForecastErrorsi,j,t1将分析师的盈利预测分成十分位数，该指标衡量其他分析师对其他公司分析师 i 在第 t 季度的平均预测误差。这些同行预测误差是根据上一季度的收益公告来衡量的，定义为在收益 公告前 90 天结束的三个月期间。例如，如果分析师 i 在第 t 季度跟踪公司 j、 k 和 l，则 PeerForecastErrorsi,j,t1计算为其他分析师在第 t-1 季度对公司 k 和 l 的平均预测误差。 图 4 显示了分析师相对于每个十分位数的共识预测的平均乐观情绪。除了前三个十分位数，预测乐观度变化不大，乐观度随着 PeerForecastErrorsi,j,t1单调下降。 数据 表明，同行分析师对其他投资组合公司的四分之一滞后预测误差与相对预测乐观度呈负相关。相对乐观的平均值在第一个十分位中为 -0.033，而在最后一个十分位中为 -0.055。 图 5 根据对其他投资组合公司发布 大胆乐观和大胆悲观 预测的同行分析师的四分之一滞后百分比，将收益预测分成十分位数。十分位统计数据显示了在一个观察季度内做出具有相同符号的大胆预测的分析师的平均百分比。在这两种情况下，百分比在十分位数之间单调增加，表明分析师的大胆预测与最近的同行对投资组合中其他公司的大胆预测 有正相关的关系。 这种模式可以反映大胆预测中的自相关 性 。 图 4： 分析师预测乐观与分析师投资组合中其他公司的同行近期 预测误差 之间的无条件关系 资料来源： Social learning and analyst behavior， 2022 年 1 月 注： 该图说明了同行分析师最近对分析师组合中其他公司的 预测误差 与分析师相对于共识预测的乐观情绪之间的关系。样本包括 1984 年至 2017 年期间 I/B/E/S的季度收益预测。同行分析师针对每个分析师的收益公告观察单独定义，他们由分析师组合中跟随其他公司的其他分析师组成。根据上一季度同行对分析师投资 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 P11 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 组合中其他公司的平均预测误差，将分析师分成十分位数。条形图显示了分析师相对于每个十分位数的共识的平均乐观度。该平均值是根据收益公告前发布的最新预测计算得出的。为了更好地呈现，预测乐观值乘以 100。 图 5： 分析师的大胆预测与同行最近对分析师组合中其他公司的大胆预测之间的无条件关系 资料来源： Social learning and analyst behavior， 2022 年 1 月 注： 该图说明了分析师的季度大胆预测与同行分析师最近的大胆预测之间的关系，在分析师组合中的其他公司具有相同的迹象。样本包括 1984 年至 2017年期间I/B/E/S 的季度收益预测。同行分析师针对每个分析师的收益公告观察单独定义，他们由分析师组合中跟随其他公司的其他分析师组成。大胆的预测在 Clement 和Tse（ 2005） 中被定义，它们与分析师先前的预测和预测修正前的一致预测都存在正向或负向偏差。根据同行分析师在上一季度对分析师投资组合中的其他公司发表 大胆乐观或大胆悲观 预测的同行分析师公司观察的 百分比，将分析师分为十分位。条形图显示了对每个十分位数进行 大胆乐观或大胆悲观 预测的分析师的平均季度百分比。 4.2 相对乐观估计 作者进行 了一系列回归，以检验同行分析师的预测误差与预测乐观度之间的关系。这些回归中的因变量是分析师 i 对公司 j 在第 t 季度的盈利公告的相对预测乐观度。预测乐观度是根据预测误差或相对于共识预测来衡量的。主要解释变量 PeerForecastErrorsi,j,t1衡量其他分析师在上一季度对投资组合中其他公司的平均预测误差，如前所述。回归 公式 还包括作为控制变量的分析师自己在上一季度对其他公司的平均预测误差（ OwnOtherForecastErrorsi,j,t1 ） ， 以 及 分 析 师 自 己 对 关 注 公 司 的先前 季度 预测误差（ OwnPreviousForecastErrori,j,t1） 。 所有回归 公式 都包括收益公告固定效应，它控制了所有常见的特定时间因素，这些因素可能影响给定公司的所有分析师的预测误差 ， 这意味着 可以 隐含 地 控制所有公司特征和之前公司的平均预测误差 。 当包括这些固定效应时， 作者 有效地比较了跟踪某个公司的所有分析师的预测误差。并 通过收益公告对标准错误进行聚类。 图 6 报告 了 这些相对乐观面板回归公式 的估计值。在 图 6 的 面板 A中，因变量是相对于实际收益的预测误差，在面板 B 中，乐观度是相对于共识预测来衡量的。 作者 发现主要的解释变量 PeerForecastErrorsi,j,t1在所有公式 中都有一个负的且具有统计意义的估计。系数值在 -0.004 和 -0.010 之间， t 值在 -2.4 和 -5.1 之间变化。面板 A 和 B 中的结果几乎没有差异。这些系数意味着，如果他们的同行在上个季度过度乐观（过度悲观），分析师会调整他们的乐观水平并发布更少（更多）乐观的预测。 为了评估这些估计的经济意义， 作者 将隐含的预测调整（计算为系数值与 PeerForecastErrorsi,j,t1相乘）与涵盖同一收益公告的分析师的共识预测的平均绝对偏差进行比较。众所周知， 分析师会注意 来自共识预测的 偏P12 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 差 （ HongandKubik,2003） 。 根据 图 6 面板 A 第 3 列中的系数值，社会 化 学习导致的隐含预测调整 平均 对应于与共识偏差的 2.0%。 有趣的是，与同行的误差相比，分析师自己先前对 关注公司 和其投资组合中其他公司的预测误差的系数具有相反的符号。它们是积极的并且具有统计学意义。分析师预测误差的序列相关性与之前文献中的发现一致（ Abarbanell 和 Bernard， 1992 年； Markov 和 Tamayo， 2006 年； Hilary 和 Hsu，2013 年； Linnainmaa 等人， 2016 年）。 总之，这些乐观回归估计表明，分析师会根据观察到的其他人的错误来调整他们的预测，但他们不会从自己过去的错误中吸取教训 。 通过 检查这些估计的经济意义， 作者 发现 PeerForecastErrorsi,j,t1在 的一个标准差变化的影响对应于绝对预测误差中位数的 4.2%（参见 图 6 面板 A，第 3 列）。评估同行效应的经济意义的另一种方法是 比较PeerForecastErrorsi,j,t1在 的系数与捕捉分析师自己先前预测对 关注公司 （ OwnPreviousForecastErrori,j,t1）和其他公司 （ OwnOtherForecastErrorsi,j,t1） 在以前季度 的影响的变量的系数 。 图 6 的第 3 列显示PeerForecastErrorsi,j,t1的绝对值（两个面板中为 0.010）至少与 OwnPreviousForecastErrori,j,t1上的系数一样大（面板 A 中的 0.005 和面板 B 中为 0.010）和 OwnOtherForecastErrorsi,j,t1（两个面板中均为 0.007）。 除此之外，作者还测试了同行效应是否大到足以导致分析师关注某家公司的相对乐观度排名发生变化。 分析师对 所 关注公司 的预测误差通常高度相关，但分析师可以关注他们在同行中的相对乐观度排名。为了检验这种可能性， 作者 首先根据预测低于分析师自己预测的其他分析师的百分比来计算每个分析师的乐观百分位等级。 然后，根据 “校正 ”预测误差重新计算排名，该预测误差定义为实际预测误差减去 PeerForecastErrorsi,j,t1乘以它在基线回归中的系数 。 这个修正后的预测误差表明了在没有同行误差影响的情况下，基于回归系数的预测误差应该是多少。当比较这两个排名时，单个分析师百分位排名的平均绝对变化为 7.4%，这表明同行错误会导致分析师相对 位置 发生经济上有意义的变化。 图 6： 相对乐观回归估计 资料来源： Social learning and analyst behavior， 2022 年 1 月 东兴证券金融 工程 报告 金融 工程： 卖方分析师的社会化学习对其预测准确度的影响 P13 敬请参阅报告结尾处的免责声明 东方财智 兴盛之源 注： 该表报告了回归结果，解释了分析师的相对预测乐观度以及同行分析师过去对分析师投