下载掌阅APP，畅读海量书库
立即打开
本文以我国2001—2010年沪深两市实施配股和公开增发的上市公司为研究对象。
并且，按照以下标准进行筛选：（1）为了控制预测报告发布时间的远近对预测准确性的影响，本文只选取本年度发布时对本年盈余进行预测的报告，剔除了本年度发布的对以后年度盈余的预测报告，以及之前年度对本年度盈余的预测报告。选取的研究报告时间段介于上年盈余公布日至当年盈余公布日之间。
（2）基于盈余预测报告的形式及变量计量的要求，本文要求每家公司至少要有三位证券分析师跟踪并且每位证券分析师至少在一年内对同一公司发布二次预测报告。（3）筛选出在配股和公开增发事件前后90天内证券分析师出具预测报告的公司。其中，配股的事件日为缴款截止日，公开增发的事件日为网上申购截止日。（4）由于多位证券分析师一起出具预测报告会对OP的计量产生误差，本文剔除了由两位或两位以上的证券分析师同时出具预测报告的公司。（5）由于金融行业的特殊性，本文剔除了金融、保险类公司。（6）剔除ST、PT公司。（7）剔除财务数据缺失的公司样本。本文最终得到522个样本观测值。本文的证券分析师盈余预测使用的是CSMAR和WIND合并后的数据；其余数据均来自CSMAR数据库。
文献中关于预测准确性的度量主要有两种：一种用绝对准确性（Lang and Lundholm，1996；曹胜和朱红军，2011）；另一种用相对准确性（Ke and Yu，2006；Ertimur et al.，2007）。相比绝对准确性来说，相对准确性可以有效控制公司之间差异的影响，因此本文借鉴Ke and Yu（2006）的方法来度量预测准确性。计算公式如下：
其中，
为证券分析师
i
在
t
年对公司
j
绝对预测误差
排列后的秩，
为证券分析师
i
在
t
年对公司
j
最后一次的盈余预测值。
（1）OP预测报告。当
大于
A
jt
并且
小于等于
时，我们定义
；否则为0。其中，
为证券分析师
i
在
t
年对公司
j
最早一次的盈余预测值，
为公司
j
在
t
年实际公告的盈余值。此外，我们也类似地定义了OO、PP、PO三种盈余预测形式。当
大于
并且
大于
时，
；否则为0。当
小于等于
并且
大于
时，
；否则为0。当
小于等于
并且
小于等于
时，
；否则为0。
（2）股价同步性（SYN）。对于股价同步性的度量，本文借鉴Hutton et al.（2009）、李增泉等（2011）对该指标的度量，首先从模型（1）得到其调整的 R 2 ：
其中， R it 、 R jt 、 R mt 分别为公司、行业、市场的日收益率。
然后对 R 2 进行适当转化，得到SYN=LOG［ R 2 /（1- R 2 ）］。在回归中，我们用DSYN作为股价同步性的替代指标。当SYN大于样本中位数时，我们令DSYN=1；否则DSYN为零。
（1）证券分析师分歧度（DEVIATION）。对于DEVIATION的构建，我们参照Ke and Yu（2006）的方法，首先计算
，然后得到该指标DEVIATION=
。
（2）证券分析师对特定公司的经验（FIRMEXPERIENCE）。以证券分析师跟踪该特定公司的年数来度量。
（3）跟踪的证券分析师数量（FOLLOW）。以同一年度对公司进行跟踪的所有证券分析师的数目来衡量。
（4）证券分析师投入精力（FIRMSCOVED）。以证券分析师同一年度内跟踪上市公司的数目来度量。
（5）预测间隔（GAP）。以证券分析师发布最后一次盈余预测报告的日期与公司年报盈余公告日的天数来度量。
由于本文因变量（ACCURANCY）采用了相对指标进行度量，因此对控制变量（除FOLLOW以外）也进行了类似的相对化处理。处理后的变量分别为BOLD、R F＿IRMEXPERIENCE、R F＿IRMSCOVED、R G＿AP。其中，在回归中，我们用FOLLOW取自然对数LOG（FOLLOW）来替代FOLLOW，用变量LNFOLLOW来表示。
对于检验假设1，我们参照Ke and Yu（2006）的做法构建模型（2）：
如果假设1成立（即在上市公司配股和公开增发的事件中出具OP报告的证券分析师，其后对公司发布的盈余预测更准确），那么我们预期OP的系数
显著为正。
为了检验假设2，我们在模型（1）的基础上加入交叉变量（OP×DSYN）来构建模型（3）：
如果假设2成立（即股价同步性越高，证券分析师出具OP报告与其后盈余预测准确性之间的关系越弱），那么我们预测交叉项（OP×DSYN）的系数 α 3 显著为负。