1.3 实证结果与分析
1.3.1 描述性统计
表1-1列示了分析师评级的分布情况。具体而言，本书分别计算每一类分析师评级占样本总数的百分比。可以看到，在所有分析师评级中，25.7%的属于强烈买入评级，52.8%的属于买入评级，这两类股票评级所占百分比较多。与此同时，分析师所发布的持有评级占比相对较少，约达19.8%。但是，分析师所发布的卖出评级仅占样本总数的1.7%。考虑到分析师所面临的众多压力，包括分析师所在券商与上市公司之间的利益冲突、分析师所面临的职场发展压力甚至可能遭受的人身安全威胁等，分析师较少地发布卖出评级，这与本书数目所反映的现象相一致。
表1-1 分析师股票评级的分布
表1-2列示了各变量的描述性统计值，包括各变量的均值（Mean）、标准差（SD）、最小值（Min）及最大值（Max）。由表1-2可知，CABSIInd均值为-0.014，这意味着在本书样本期间内，个人投资者在整体上略偏向卖出。机构投资者整体上表现出与个人投资者相反的交易行为，平均而言，机构投资者在样本期内买入股票（CABSI均值0.037）。另外，根据CABSIInd的标准差分布，可推测在本书研究期间内，投资者交易行为具有较大的横截面差异，这为本书后半部分所进行的横截面检验提供了较好的数据基础。
由表1-2可知，上市公司信息不确定性及公司治理水平均表现出了较大的横截面差异，分析师及其所在券商的特征同样体现了较大的差异，这些均利于本书展开丰富的横截面检验，以探究什么因素会放大或削弱投资者对分析师评级的反应。
表1-2 变量的描述性统计
1.3.2 分析师评级与投资者交易行为
（1）全样本分析。
首先，本书考察当卖方分析师发布上市公司股票评级时，不同类型的投资者如何反应。为刻画投资者反应，本书参照Malmendier和Shanthikumar（2007），分别计算个人和机构投资者在事件窗[T0，T0+1]上对该股票的累计净买入水平。其次，针对每一类投资者，本书进行如下回归：
其中，
表示第k类投资者在[T0，T0+1]上的累计超额净买入水平。T0表示分析师评级报告所对应的交易日。为直接刻画不同类型的分析师评级对投资者交易行为的影响，本书直接纳入四个哑变量，依次为Strong Buy（是否为强买评级）、Buy（是否为买入评级）、Hold（是否为持有评级）及Sell（是否为卖出评级）。需要注意的是，为避免多重共线性，在该回归中本书并未包含常数项。为控制上市公司、分析师及所在券商特征对投资者反应的影响，本书在回归中加入了第三部分所列的所有控制变量。除此之外，本书还控制了一系列固定效应，包括上市公司所属行业、年度及券商层面。
表1-3列示了相关回归结果。在表1-3的第一列，本书以机构投资者的CABSI[0，+1]为因变量。结果显示，StrongBuy和Buy变量显著为正，表明当卖方分析师发布“强烈买入”或“买入”评级时，机构投资者在短时间内表现出买入该只股票。并且，StrongBuy估计系数（0.144）约为Buy系数（0.050）的3倍，这表明机构投资者对分析师发布的“强烈买入”评级反应更大。但是，当卖方分析师发布“持有”评级时，机构投资者则表现出“卖出”该只股票（Hold变量的估计系数显著为负）。考虑到分析师较少对外发布“卖出”评级，机构投资者则选择将“持有”评级视为一种卖出信号。与此同时，Sell变量的估计系数显著为负，并且在1%以内的显著性水平上显著。对比Sell与Hold变量，发现前者的估计系数远大于后者，这意味着一旦分析师发布卖出评级后，机构投资者以更大的规模卖出该只股票，投资者反应也更为强烈。
在表1-3的第二列，本书报告了个人投资者对分析师股票评级的反应情况。数据显示，个人投资者与机构投资者的交易行为形成了鲜明反差。具体而言，当分析师发布“强烈买入”评级时，个人却表现出卖出的行为特征。而当分析师发布“持有”“卖出”评级时，个人却表现出买入的行为特征。
综合表1-3可知，相比个人投资者，机构投资者对分析师所发布信息的搜集和反应能力更迅速、敏锐，机构投资者表现出更成熟的信息处理能力。相反，个人投资者则属于信息劣势的一方，在交易过程中扮演着向机构投资者提供股票流动性的角色。
表1-3 分析师股票评级与投资者交易行为：基于不同类型的投资者
续表
注：①本表考察证券分析师评级与投资者交易行为关系。Institutions和Individuals分别表示机构投资者与个人投资者。②∗、∗∗、∗∗∗分别表示10%、5%、1%的显著水平。③Adj.R-squared为调整后的R-squared
（2）信息泄露会影响结果吗。
有文献指出，部分机构投资者可能利用自身资源，获得卖方分析师的青睐和倾斜，在卖方分析师报告公开发布之前获取分析师报告，并构建投资组合头寸（Irvine，Lipson and Puckett，2007）。与此同时，Fang和Yasuda（2012）发现投资组合构造的时点，会显著影响组合的收益表现。他们发现，在明星分析师股票评级报告公开发布的前一天开始构造组合头寸所获得的超额收益，显著高于报告公开发布后构造组合头寸所获得的超额收益。在此情形下，机构投资者相比个人投资者更早地获取分析师报告信息，并占据信息优势。因此，本书预测这将会放大机构投资者对分析师股票评级的反应。
为了对此进行检验，本书分别计算个人投资者和机构投资者在分析师报告发布前后一天的交易行为，即计算每类投资者在[T0-1，T0+1]期间上的累计超额净买入水平，以控制分析师报告发布前的信息泄露问题。然后，回归如下模型：
表1-4的Panel A列示了相关回归结果。Panel A第一列结果显示，机构投资者对分析师发布的“强烈买入”和“买入”评级的市场反应都显著为正，对分析师发布的“持有”和“卖出”评级反应的市场反应都显著为负，这与表1-3的结果一致。但是，个人投资者则表现出了相反的交易行为，具体结果见表1-4的Panel A第二列，与表1-3的估计结果也基本一致。
进一步对比表1-3和表1-4可以发现，在考虑信息泄露的情形下，四个分析师评级哑变量的估计系数绝对值均有所增加。尤其是，StrongBuy估计系数从0.144（见表1-3）增加到0.240，而Sell估计系数从-0.318（见表1-3）变为-0.596。这表明，在考虑分析师报告提前泄露的情况下，机构投资者对分析师评级报告的反应更加强烈。
除了考察分析师报告泄露的影响外，本书也考察了上市公司盈余公告信息披露对本书结果的干扰。实践中，上市公司盈余公告是投资者关注的重要信息之一，而分析师也可能在企业盈余公告附近发布盈余预测或股票评级信息，本书试图将二者的投资者反应进行剥离。参照Malmendier和Shanthikumar（2007），本书将落入上市公司盈余公告披露前后一天的样本剔除。然后，针对每类投资者，重复回归模型（1-4）。相关结果见表1-4的Panel B。
由表1-4 Panel B可知，基本结果与表1-3一致，当分析师评级报告发布后，机构投资者交易方向与分析师评级一致。进一步对比发现，即使剔除上市公司盈余信息披露的影响，机构投资者对每类股票评级的反应系数略大于表1-3，尤其是Sell变量。由此推测，机构投资者会以较快的速度降低不利信息进行反应，调整投资组合。不难看出，个人投资者仍表现出与分析师评级相反的交易行为。
表1-4 分析师评级与投资者交易行为：控制信息泄露的影响
注：①本表考察信息泄露如何影响证券分析师评级与投资者交易行为关系。Institutions和Individuals分别表示机构投资者与个人投资者。为了节约篇幅，我们压缩了控制变量的结果。②∗、∗∗、∗∗∗分别表示10%、5%、1%的显著水平。③Adj.R-squared为调整后的R-squared
（3）稳健性检验。
为保证本书结果的稳健性，我们同样采取了不同的子样本和变量测度进行检验。本书对分析师是否连续多次推出同一股票评级进行控制。现实中，分析师经常连续多次公开发布相同的股票评级。在本书样本中，将近45%的分析师评级属于重复推荐。但是，相比分析师首次发布或调整股票评级而言，这类重复的分析师评级所具有的信息含量可能相对较少。对此，本书剔除与该分析师前一次评级相同的观测值，在剩余样本中，针对每类投资者重复回归模型（1-4）。表1-5的Panel A列示了相关结果，其与表1-3高度一致，可见，在控制分析师重复股票评级的情形下，本书研究结果仍是显著的。
实际上，我们分别针对分析师首次发布评级、重复评级、调高评级以及调低评级，进行了子样本检验，发现机构投资者可以识别分析师评级所具有的信息含量。考虑到当同一个交易日有多名分析师发布评级，或连续在两个交易日均有分析师发布评级时，这可能对本书结果造成干扰，我们将这两类情形进行了剔除，发现研究结论基本一致。考虑到明星分析师发布盈余预测后股价融合信息的速度更快（Gleason and Lee，2003），我们同样控制了分析师是否为明星分析师。我们整理了历届新财富最佳分析师的评选结果。根据分析师报告中的分析师名字和券商名称，可以识别分析师所在团队或个人是否在上年获得了“新财富最佳分析师”称号。当加入明星分析师变量后，研究结果基本一致。
此外，在考察投资者交易行为时，Chordia和Subrahmanyam（2004）以及Barber和Odean（2008）等采用的是各类投资者的原始净买入水平（BSI），而非超额净买入水平（ABSI）。鉴于此，本书计算了投资者交易行为的替代性测度。具体而言，我们分别计算个人和机构投资者在事件窗[T0，T0+1]上对该只股票的累计净买入水平，即CBSI[0，+1]。然后，重复回归模型（1-4）。相关结果见表1-5的Panel B，依然与表1-3一致。
表1-5 稳健性检验：基于不同样本和测度
续表
注：①本表考察证券分析师评级与投资者交易行为关系在不同测度的情况下是否稳健。Institutions和Individuals分别表示机构投资者与个人投资者。为了节约篇幅，我们压缩了控制变量的结果。②∗、∗∗、∗∗∗分别表示10%、5%、1%的显著水平。③Adj.R-squared为调整后的R-squared
综上所述，投资者对分析师股票评级所做出的交易行为反应，并不受分析师重复推荐和变量测度的影响，该结果是非常稳健的。
1.3.3 公司治理、分析师评级与投资者交易行为
在此部分，本书从公司治理的角度，研究分析师评级的可信度如何影响分析师评级与投资者交易行为二者之间的关系。考虑到公司治理维度较多，本书着重围绕代理成本，从大股东与中小股东之间的利益冲突展开。
公司金融理论指出，当控制权与现金流权分离时，第二类代理问题则可能产生。当控制权与现金流权高度分离时，实际控股股东为攫取自身利益，具有更强的动机转移公司财富，进而损害其他股东的利益（Shleifer and Vishny，1997；La Porta et al.，1999；Claessens et al.，2000；Johnson et al.，2000）。在此过程中，关联交易则成为实际控股股东转移财富的一个重要渠道（Fan and Wong，2002；Leuz，Nanda and Wysocki，2003；Djankov et al.，2008；Jian and Wong，2010）。对普通的机构投资者而言，此类公司的治理水平相对较差，信息不透明程度则更高。那么，当分析师对该类公司发布较高的股票评级时，机构投资者则可能降低对此股票评级的反应。
因此，为了对此进行验证，本书采用如下回归模型进行考察：
其中，CorGovj，year-1表示上市公司j在上一年度的公司治理水平。其他变量定义同前。
为衡量公司治理水平，本书采用两个测度：第一个测度是上市公司两权分离度。参照Fan和Wong（2002），本书构造V/C变量，该变量定义为企业终极控股股东的控制权与现金流权的比率。其中，控制权与现金流权数据来自国泰安CSMAR数据库。该变量取值越高，意味着控股股东攫取公司财富的可能性越大，公司治理水平越差。
相关回归结果见表1-6的Panel A。第一列是以机构投资者的交易行为作为因变量，结果显示，StrongBuy与CorGov的交叉项、Buy与CorGov的交叉项都显著为负，这表明当公司两权分离度较高时，机构投资者对分析师的“强烈买入”和“买入”评级持警惕态度，并降低其净买入水平。与此同时，Hold与CorGov的交叉项也显著为负，结合Hold单项的符号及显著性，我们可以得出如下结论：公司两权分离度会放大机构投资者对分析师“持有”评级的负向反应。
表1-6 公司治理水平、分析师评级与投资者交易行为
续表
注：①本表考察公司治理如何影响证券分析师评级与投资者交易行为关系。Institutions和Individuals分别表示机构投资者与个人投资者。为了节约篇幅，我们压缩了控制变量的结果。②∗、∗∗、∗∗∗分别表示10%、5%、1%的显著水平。③Adj.R-squared为调整后的R-squared
第二个测度是关联交易水平。参照Jian和Wong（2010）以及Firth，Wang和Wong（2015），我们从规模和数量上综合衡量上市公司的关联交易水平。首先，我们计算上市公司的异常关联交易水平。具体而言，将上市公司的关联交易水平对公司如下特征进行回归，包括流通市值、杠杆率、市值账面比、行业固定效应及年度固定效应。回归得到的残差项视为异常关联交易水平，并使用上市公司营业收入作为分母进行调整，并进行标准化处理，记为RPT_Level。其次，我们分别按照RPT_Level从小到大排序，并对每个观测值赋予0到1的分位数值。最后，我们计算上市公司关联交易的笔数，并记为RPT_Num。理论上，上市公司关联交易笔数越多，该公司的信息透明度越低，公司治理水平越差。我们按照RPT_Num从小到大排序，并对每个观测值赋予0到1的分位数值。在此基础上，本书将上述两个分位数值相加，作为该上市公司的关联交易水平测度。该变量取值越大，则表明该公司的关联交易水平越高、越复杂，那么公司治理水平越差、信息透明度越差。
相关回归结果见表1-6的Panel B，结果与Panel A基本一致。结果表明，当上市公司关联交易水平越高时，机构投资者会降低对分析师评级报告的正向反应，放大对分析师评级报告的负向反应；个人投资者表现则相反。
综上所述，机构投资者在交易过程中，会适时考虑公司治理对分析师评级的影响，并对应做出交易行为反应。相反，个人投资者在投资决策中，并没有对公司治理水平进行调整。
1.3.4 信息不对称、分析师评级与投资者交易行为
在最后部分，本书利用股票市场的股价信息，考察信息不对称如何影响投资者对分析师评级的交易行为反应。直觉上，当上市公司的股价信息不确定程度越大时，投资者可能对分析师评级所持的怀疑态度增加。这样一来，机构投资者将会降低其对分析师乐观评级的反应。为了对此进行验证，本书共采用三个测度衡量上市公司的信息不对称程度。然后，考察分析师评级与信息不对称如何交互影响投资者的累计净买入水平。
仿照Chan，Menkveld和Yang（2008），本书所引入的第一个测度是基于高频交易数据所估算的知情交易概率（PIN）。按照Easley等（2002），假定市场交易由知情交易引起，且订单提交服从泊松分布。根据订单的买卖方向和订单数量，可以推测私人信息引致交易的发生概率。首先，确定单位时间的似然函数：
其中，B和S分别表示单位时间内的买单和卖单数量，其余的5个参数均为待定变量，即θ=（α，μ，δ，εb，εs）需要利用极大似然法进行估计。这里，α表示信息事件发生的概率，δ表示坏消息的概率，1-δ表示好消息的概率，μ表示知情者提交订单的到达率，εb表示非知情者提交买单到达率，εs表示非知情者提交卖单到达率。在推断订单买卖方向时，我们采用Lee和Ready（1991）的方法进行确定，即如果当前交易价格大于前一买卖报价的中位数，则认为此交易属于买方发起的交易，否则，则认为卖方发起的交易。如果在此准则下无法加以判断，则再往前追溯一笔交易直至可以加以判断为止；如果交易无法按照Lee-Ready算法识别，我们则将该类订单做抛弃处理，Campbell等（2009）也采用了这样的处理方法，研究中发现，这一类的订单比例极小（低于0.5%）。事实上，Lee和Radhakrishna（2000）发现Lee-Ready算法是极为精确的。
在假设每个交易日的消息相互独立的情况下，我们可以很容易地给出一段时期内（设为I）的似然函数：
两边取对数，根据优化程序很容易计算出（α，μ，δ，εb，εs）。然后，求得PIN为：
其次针对每类投资者，我们考察PIN如何影响分析师评级与该类投资者CABSI的关系。具体结果见表1-7的Panel A。
表1-7 信息不对称、分析师评级与投资者交易行为
注：①本表考察信息不对称如何影响证券分析师评级与投资者交易行为关系。Institutions和Individuals分别表示机构投资者与个人投资者。为了节约篇幅，我们压缩了控制变量的结果。②∗、∗∗、∗∗∗分别表示10%、5%、1%的显著水平。③Adj.R-squared为调整后的R-squared
为衡量上市公司的信息不对称程度，本书采取的第二个测度是买卖价差指标。市场微观结构理论认为，知情交易者会影响金融市场上价格的形成和发现过程，并促使先行信息融入其交易行为中。因此，仿照Chordia，Roll和Subrahmanyam（2000），本书利用高频交易数据，用如下公式计算上市公司股票的有效买卖价差（Spread）：
其中Pt表示实际交易价格，Pm是买卖报价的中间值。这样，我们可计算每天每笔交易的有效买卖价差，并进一步得到某年度该股票的有效买卖价差均值。该指标越高，表明上市公司的买卖价差越大，信息不对称程度越高。然后，针对每类投资者，本书考察买卖价差如何影响分析师评级与该类投资者交易行为之间的关系。具体结果见表1-7的Panel B。
为衡量上市公司的信息不对称程度，本书采用的第三个测度是Amihud非流动性比率（Amihud，2002；Acharya and Pedersen，2005）。该指标是基于个股日交易数据，根据个股交易量构造的非流动性指标，它反映了市场价格对订单流的敏感性，即每日成交量所导致的收益变化幅度。直观而言，当公司股票流动性较好时，较高的交易量也仅将伴随着小幅的价格变动。因此，当Amihud比率越高时，更高程度的逆向选择将导致个股流动性降低。具体而言，该指标的估计方式如下：
其中，Ri，t，d是上市公司j在t年度第d个交易日的股票收益率，Volumej，t，d是上市公司j在t年度第d个交易日的股票成交量，Days是上市公司j在t年度的总交易日。这样一来，我们可计算上市公司j在上一年度末的Amihud比率。然后，针对每类投资者，我们考察非流动性比率如何影响分析师评级与该类投资者交易行为之间的关系。具体结果见表1-7的Panel C。
由表1-7可知，当考察机构交易行为时，无论采用何种信息不对称测度，StrongBuy与InfAsy的交叉项都显著为负，也就是说，上市公司股价信息的不对称程度越高、股票流动性较差时，机构投资者将会降低其对分析师“强烈买入”评级的正向反应。并且，当采用PIN测度时，机构投资者也会调整分析师“买入”评级。
结合上述研究发现，本书认为相比个人投资者，机构投资者信息处理能力更成熟、信息优势更大。