分析师会有羊群行为吗？建议与市场反应分析外文翻译资料

英语原文共 40 页，剩余内容已隐藏，支付完成后下载完整资料

分析师会有羊群行为吗？建议与市场反应分析

Narasimhan Jegadeesh和Woojin Kim

摘要：本文开发并实施了一项新的测试，以调查卖方分析师在提出股票建议时是否围绕这一共识开展工作。我们的实证结果支持放羊假说。推荐修订后的股票价格反应在新的建议远离共识时比接近时更为强烈，这表明市场认可分析师的羊群行为倾向。我们发现来自大型券商的分析师和跟随建议中分散较小的股票的分析师更有可能有羊群行为。

关键词：金融市场;羊群效应; 经纪分析师; 分析师建议

一、介绍

媒体账户和学术研究往往将许多市场弊端归咎于九十年代过度的市场波动，互联网泡沫和新兴市场崩溃，导致放牧现象。“放牧”这一术语广泛地指的是许多不同的代理人，他们自己做出了各自的决定，大致在同一时间采取类似的行动。 投资组合经理人，股票分析师，个人投资者和公司经理人都被描绘为受到牧群本能的折磨。

为什么个人从众？经济学和金融学的理论和实证文献提供了许多理由。1、个人可能会从众的一个原因是因为他们基于类似的信息而行动。他们的信息可能相似，或者是因为他们都独立获取了恰好相关的信号，或者他们可能从他们的行为中合理地提取了其他代理的信息。 或者，个人从众是因为从模仿他人中获得效用，或者是符合其内在的愿望，或者因为他们的财务激励结构奖励具有一致性。

经常被引用为放牧证据的一个轶事例子是九十年代后半期的投资模式，通常被称为互联网泡沫时期。在此期间，共同基金作为一个集团将越来越多的资产投入科技股。即使是传统上投资于价值型股票的基金也逐渐转向投资新型经济股票。这种羊群行为的一个可能的解释是它是信息驱动的。资金可能已经最优地利用了当时可用的信息（包括其他人的行为），并合理地预测了互联网股票的前所未有的增长。 尽管事后看来我们知道这样的预期过于乐观，但很难根据投资者可获得的事前信息排除互联网股票价格合理的可能性。另一种可能是，很多基金只是因为想要模仿他们的同伙而转移到互联网股票上，尽管他们真的相信网络股票被高估是基于所有可用信息。

正如这个轶事所表明的，通常很难区分模仿和信息驱动的放牧，因为我们只观察行动，而不是这些行动背后的动机或行动者可获得的信息。然而，放牧的潜在后果以及观察者应如何解释他人的行为取决于这种潜在的驱动力。例如，如果放牧是信息驱动的，那么放牧行为不会对通常归因于它的价格产生不稳定的影响。此外，如果投资者确实包含新的信息，他们应该根据他人的行为理性地更新其先验。

另一方面，如果放牧很大程度上是由于模仿别人的行为，那么放牧力量可能会将价格从基本面上移开。Trueman（1994）提出了一个分析师试图模仿其他分析师的例子。在Trueman的模型中，分析师的薪酬取决于他们的客户所感知的能力。Trueman表示，低能力的分析师发布的盈利预测接近于被其他分析师宣布的那些为了模拟高能力分析师并获得更大薪酬的预测。Trueman指出，在他的模型中，“分析师表现出放羊行为，即他们发布的预测与其他分析师之前公布的预测类似，即使这种情况不符合他们的信息”。

为了模仿而放牧会潜在地在价格上引入噪音，这反过来可能导致许多人认为不理想的过度波动。然而，如果信息使用者了解羊群激励措施，并在交易决策中考虑到这些刺激因素，羊群本身不会导致过度波动。例如，在Trueman（1994）中，尽管盈利预测有偏差，但它们为市场带来了新的信息。只有当他们按照面值进行预测时，偏见才会误导投资者对股票的价值。 但是，如果投资者正确调整盈利预测中的放羊偏差，那么这种偏差就不会转化为定价错误。

因此，为了理解羊群行为带来的广泛后果，重要的是我们不仅要关注分析师或其他人是否放牧，还要调查市场是否认识羊群现象，并据此采取行动。

本文研究卖方分析师在提出股票建议时是否存在。我们开发了一个简单的模型，可以让我们专门检查是否有任何放牧行为是由模仿的愿望驱动的。此外，我们的模型还使我们能够推断市场是否认可分析师在进行修改建议时偏离或遵守的倾向。虽然已经在文献中的各种背景下进行了放牧现象的研究，但本文首先调查了市场是否认可放牧行为。

在相关工作中，韦尔奇（Welch，2000）考察了分析师羊群行为是否在提出投资建议时出现。他开发了一个统计模型来调查羊群行为，他发现分析师更有可能修改他们的建议，以达到先前的共识建议，而不是离开它们。然而，正如他所指出的，“缺乏对基础信息流的访问，Welch无法辨别最近修订版的影响是多个分析师对相同基础信息的类似回应，还是由直接相互模仿造成的”。

相反，我们的论文在经验上区分了模仿和基于信息的放牧。虽然韦尔奇的测试是基于推荐修订的可能性，无论是趋向还是不接受共识，我们的测试都是基于对推荐修订的市场价格反应。因此，我们不仅能够检验分析师是否放弃了对推荐转换概率的假设，而且还能够推断市场是否认可分析师的放牧倾向。

经验地区分由于模仿造成的放牧和由共同信息造成的放牧通常是困难的，因为它们在许多方面在观察上都是相似的。这些困难由经验性文献充分说明，这些文献检验分析师在发布预测时是否会达成共识。Hong，Kubik和Solomon（2000），Lamont（2002），Gallo，Granger和Jeon（2002）以及Clement和Tse（2005）的早期论文研究了市场共识预测的收益或宏观经济预测的聚类，并得出分析师 与Trueman（1994），Scharfstein和Stein（1990）等人的模型一致。De Bondt和Forbes（1999年）使用英国数据找到了类似的结果。然而，这些文件没有充分说明分析人员可能围绕共识聚集的事实，因为共识和个人分析师的预测都反映了类似的信息，并且由于分析人员可能会尝试从其他人的预测中提取和使用信息更新自己的预测。

随后Zitzewtiz（2001），Bernhardt，Campello和Kutsoati（2006）以及Chen和Jiang（2006）的论文使用专门解释这些信息效应的方法来研究羊群行为。与之前的研究形成鲜明对比的是，这些论文得出结论：分析师“反羊群”，或者他们发布的预测与预测时设置的分析师信息相关的预测相比，已经不存在共识。例如，Bernhardt等人 报告指出，如果一位分析师的修正预测高于市场共识，那么预测会超过实际收益的可能性比它低于预期的情况更多，而当分析师的修正预测低于预期时则相反。

我们提出一个简单的模型，捕捉分析师对羊群的潜在激励或夸大他们与共识的差异。 在我们的模型中，分析师根据他们的私人信息最优地修改他们的股票建议，市场价格有效地反映了所有公开信息，包括共识建议和分析师的建议修订。我们表明，如果分析师仅基于新信息最优化地修改他们的建议，而不试图模仿其他分析师的旧建议，那么对分析师建议修订的价格反应与共识建议无关。我们还表明，如果分析师对羊群有刺激，而分析师对牛群有抑制作用，则股价反应与分析师的新建议偏离共识有多远有正相关关系。

我们使用模型的结果来调查分析师在修改存货建议时是倾向于放弃还是反对放弃。我们还研究了分析师的群体倾向与他们的经历以及雇主的声誉之间的关系。Trueman（1994）和Scharfstein和Stein（1990）的理论模型预测，声誉较低的分析师更可能因为职业问题或者因为他们模仿其他具有更好能力的人的愿望而成群。相比之下，Prendergast和Stole（1996）的模型预测，没有经验的分析师更可能夸大他们的分歧，使他们脱颖而出并显得有天赋。

文献中的实证结果为这些模型的预测提供了混合支持。Chevalier和Ellison（1999），Hong et al（2000）和Clement和Tse（2005）提出的结果表明，经验较少的分析师更有可能成群。然而，Zitzewitz（2001）提出了控制信息效应的测试，并表明经验较少的分析师实际上夸大了他们与共识之间的差异。与这些论文不同，我们的测试是基于市场对放牧和声誉之间任何关系的解释，而我们的结果提供了不同的视角。

本文的其余部分安排如下。第2节介绍了为我们的实证测试奠定基础的模型。第3节介绍了数据。第4节介绍了实证测试。第5部分结束了论文。

二、模型

本节介绍为我们的实证测试提供基础的模型。我们的模型有两个时期，0和1.假设时间为0的股票价格为P₀.考虑一位卖方分析师对该股票进行投资推荐。在时间1时股票价格的无条件分配由下式给出：

P₁=P₀ ε，ε~N（0，sigma;_ε²） （1）

卖方分析师观察私人嘈杂的信号。他更新他的前辈关于时间为1的股票价格，他之后的人，根据他的信号的价格是：

S₀=P₁ eta;, （2）

其中，eta;是噪声，eta;~N（0，sigma;_eta;²）。ε和eta;的分布是常识。

分析师观察他的私人信号后，他必须决定是否升级，降级或不修改其股票的投资建议。 首先，考虑没有放牧动机的情况。 假设分析师的报酬C是未来价格方向与其建议修订方向之间关系的函数。 具体来说，他的赔偿是：

C=alpha; beta;·D-gamma;·（1-D）， （3）

其中，D=1，如果股票的未来价格变化与分析师的建议修正方向相同，则为1，否则为0。参数alpha;，beta;，gamma;是正常数。由于补偿功能奖励技能，分析师不应该有动机根据没有信息进行修改。因此，错误电话的罚款超过正确电话的奖励。i.e.beta;lt;gamma;。如果他没有修改，他的赔偿将是alpha;，这在时间0处是已知的。

只有当修订版的预期收益超过alpha;时，分析师才会修改他的建议。下面的命题描述了分析师对建议修订的最优规则。

命题1a：分析师的最佳推荐修订规则是：

如果升级 S₀P₀ ksigma;_eta;；

如果降级 S₀P₀-ksigma;_eta;；

否则没有修订。 （4）

k由方程决定。

Ф（k）= ， （5）

并且Phi;是累积标准正态分布函数。

如果分析师修改了他的建议，那么市场会合理地将这些信息合并到价格中。下面的建议提出了建议修订的市场价格。

命题1b：以升级为条件的股价是：

P_0,up升级=P₀ ；

P_0,down降级=P₀- ；

其中，其中phi;是标准正态密度函数。并且=。

在我们的模型中，分析师通过升级或降级来传达他的信息。 由于我们的模型假定市场效率，分析师本身对建议的重视程度，即无论是买入，持有还是卖出，都没有传达任何增量信息。 基本上，在任何修订之前，P₀合并所有公开信息，包括分析师的推荐等级。 Jegadeesh和Kim（2006）等人的经验证据表明，推荐水平不包含关于未来回报的任何信息并支持这一假设。

现在，考虑一下分析师对共识产生鼓励或抑制作用的情况。 我们在分析师的报酬职能中纳入了任何激励或抑制措施，我们将其规定为：

C=alpha; beta;·D-gamma;·（1-D）-delta;（Rec_new-共识）²， （7）

在这里Rec_new指分析师的新推荐级别，共识指所有其他分析师的平均推荐水平。如果他没有修改，他的赔偿将是C=alpha;-delta;（Rec_old-共识）²。

补偿函数（7）是对群体激励或夸大差异的简化表征，它与Zitzewitz（2001）在分析师的盈利预测中使用的目标函数类似。在Trueman（1994）和Ehrbeck和Waldmann（1996）中内源性地产生了对畜群的激励。在这些模型中，分析师开始模仿他们更熟练的同行。分析师也可能因为认为这是安全的行为。毕竟，如果他们的预测在他们放牧时出现错误，那么他们的队列也会出错。不管潜在原因如何，当分析师对股权激励时，在分析师的报酬函数（7）中，delta;gt;0。

Prendergast和Stole（1996）提出了一个存在相反激励的模型。在他们的模型中，尚未为自己建立声誉的代理人或“新人”过分强调他们自己的信息，夸大他们与他人的分歧以显示出才能。同样，Ottaviani和Sorensen（2006）表明，当分析师将他们的任务视为赢家通吃比赛时，他们有动机过分地将他们的观点与其他分析师的观点区分开来。当分析师面临着偏离人群的激励或“反牛群”的激励时，delta;lt;0。

下面的命题描述了当他的报酬函数由（7）给出时，分析师对推荐修订的最优规则。

命题2a：分析师的最佳建议修订规则是：

如果升级 S₀P₀ （k theta;）sigma;_eta;；

如果降级 S₀P₀-（k theta;）sigma;_eta;；

否则没有修订。

theta;由方程决定。

Ф（k theta;）=

现在分析师是否要修改他的建议的决定不仅取决于他的信号，还取决于他的建议离共识多远。由于市场理性地认可这些激励措施，因此修改后的价格反应将反映分析师的决策规则。下面的建议提出了建议修订的市场价格。

命题2b：以升级为条件的股价是：

P_0,up升级=P₀ ；

P_0,down降级=P₀-；

当存在激励或抑制群体时

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24006]，资料为PDF文档或Word文档，PDF文档可免费转换为Word