管理层偏好、投资评级乐观性.pptx

管理层偏好、投资评级乐观性与私有信息获取;背景 随着我国机构投资者和分析师行业的迅速发展，分析师在市场中的影响力越来越大，然而，分析师的独立性近年来却一直为各方所诟病。本文将对分析师与上市公司之间的利益冲突进行分析，实证检验分析师获取私有信息的动机如何影响了其投资评级的乐观偏好。;本文的研究基于以下几方面的考虑：;本文安排：;二、文献评述;;;阶段四： 1.主题：主要从券商自营业务和投行业务两个角度对我国财务分析师投资评级或盈余预测报告的乐观性提供了解释。 2.缺陷：这些文献中并没有从迎合管理层需求以获取私有信息的角度对分析师有偏报告进行分析。;三、制度背景：;影响分析师薪酬的因素;管理层偏好 与 分析师报告;两个假说;对于公开增发和配股事件, 样本起始年为2004 年,对于大股东减持事件,样本起始年为2006 年。;?;2.解释变量 (1)乐观评级 （OPT）。以分析师在上市公司事件中的评级来度量 .根据 CSMAR及WIND数据,我们把分析师的评级标准化为“买入”“增持”“中性 ”“减持”“卖出”。 OPT =1 评级为“买人”“增持” OPT =0 评级为“中性”“减持 ”“卖出 ”或者在事件中保持沉默 (2)股价同步性（SYN ） ;3.控制变量 (1)分析师预测报告距年报公布时间(DAYS)。距离盈余公告日期越近分析师获得上 市公司的信息可能就越多, 预测就可能越准确 。 (2) 分析师的工作经验(EXPE) 。分析师的从业经验越久 ,对信息的分析和判断就越准确 , 因而预测也就越准确。本文以分析师在CSMAR和WINI)数据库中第一份报告的年份为从业第一年。 (3) 分析师对特定公司的经验(FEXP) 。分析师对所跟踪公司的经验越多 ,对该公司就越熟悉, 了解的信息也就越多, 因此预测可能就越准确。本文以CSMAR和WIND数据库中分析师对特定公司追踪的年数作为度量。 (4)分析师投入精力(COVER )。如果分析师在同一年度跟踪的公司越多,投人到每个公司上的时间和精力可能就越少, 预测误差就可能越大。本文选取 CSMAR和 WIND 数据库中分析师年度发布研究报告的公司数目来度量 。 (5)分析师所在券商的规模(BKSIZE)。分析师所在??商的规模越大 ,分析师可以利用的资源就有可能越 多,因此预测就有可能越准确。本文选用 CSMAR和WIND数据库中年度同一券商发布研究报告的分析师人数作为度量。 (6)为了控制分析师能力以及隶属承销商的影 响,在模型中同时加人了代表分析师能力的分析师受教育程度(EDU)，上一年明星分析师(STAR)以及是否隶属上市公司承销商(AFFI ) 。 ;（三）模型设定 ;五、实证结论及分析;;;六、稳健性检验;(一)使用分析师实地调研作为私有信息替代变量的检验 预期：在上市公司需要时，投资评级较为乐观的分析师满足了管理层的偏好，因此他们之后更有可能前往该上市公司调研。 多元回归分析： RES = β0 + β1 REC+ β2 LEV+ β3 BM+β4 SIZE+ β5 ROA+ β6 EXPE+ β7 FEXP+ β8 COVER+ β9 BKSIZE+ β10 EDU+ β11 STAR+ β12 AFFI+ε REC：事件中分析师出具的投资评级（“买入0”为 1，“增持”为2，“中 性”为3，“减持”及“卖 出”为4） LEV：资产负债率 BM：账面市值 SIZE：公司规模 ROA：资产收益率;(二)使用市场的反应作为私有信息 替代变量的检验 预期：在上市公司需要时，给予了乐观评级予以支持的分析师，如果他们在之后获得了私有信息，这些私有信息会反映在他们之后的评级报告中，因而那些具有私有信息的评级在长远来看能引起市场更大的反应。 多元回归分析： CAR=α1DREC=1+ α2DREC=2+ α3DREC=3+ α4DREC=4+ α5DREC=1 × OPT+ α6DREC=2 × OPT+ α7DREC=3 × OPT+ α8DREC=4 × OPT+ ε CAR：经市场模型调整后的累积超额收益 累积超额收益：每只股票在形成期内月超额收益率的简单加总。 BHR：经规模调整后的持有收益率 REC：事件中分析师出具的投资评级（“买入0”为 1，“增持”为2，“中 性”为3，“减持”及“卖 出”为4） ;(三)分析师乐观性、预测准确度 替代变量的检验 OPT1：分析师在事件期间相对于上次调高评级或者给予了最高评级，则视为乐观 OPT2：分析师在事件期间的评级高于一致评级（高于中位数），则视为乐观 ;综上所述，本文使用不同的方法来衡量分析师获取私有信息的程度以及评级报告的乐观型、分别好消息和坏