时间:2021-12-15 作者:陈 婧 于雪航 方军雄
[大]
[中]
[小]
摘要:
一、引言
证券分析师作为资本市场的重要信息中介,凭借其专业技能和信息优势从事信息的搜集、加工和解读工作,发布盈余预测及投资评级建议,从而缓解投资者与上市公司之间的信息不对称,提高资本市场资源配置效率(方军雄, 2007 ;朱红军等,2007)。大量基于国内外资本市场的研究发现,证券分析师盈余预测存在乐观的倾向(曹胜和朱红军,2011 ;伍燕然等,2012 ;Gu 等,2013)。但是大多数研究认为有偏尤其乐观的盈余预测和评级推荐无助于负面信息的及时释放,还有可能推动投资者的非理性投资,加剧
股价崩盘风险(许年行等,2012),进而导致市场定价效率的损失(Xu 等,2013)。由此,众多文献聚焦于分析和识别影响分析师预测乐观偏差的各种因素。例如,经济动因是影响乐观偏差的重要因素,包含所属券商的自营及投行业务收入(Mola 和Guidolin,2009 ;潘越等,2011 ;曹胜和朱红军,2011 ;F...
一、引言
证券分析师作为资本市场的重要信息中介,凭借其专业技能和信息优势从事信息的搜集、加工和解读工作,发布盈余预测及投资评级建议,从而缓解投资者与上市公司之间的信息不对称,提高资本市场资源配置效率(方军雄, 2007 ;朱红军等,2007)。大量基于国内外资本市场的研究发现,证券分析师盈余预测存在乐观的倾向(曹胜和朱红军,2011 ;伍燕然等,2012 ;Gu 等,2013)。但是大多数研究认为有偏尤其乐观的盈余预测和评级推荐无助于负面信息的及时释放,还有可能推动投资者的非理性投资,加剧
股价崩盘风险(许年行等,2012),进而导致市场定价效率的损失(Xu 等,2013)。由此,众多文献聚焦于分析和识别影响分析师预测乐观偏差的各种因素。例如,经济动因是影响乐观偏差的重要因素,包含所属券商的自营及投行业务收入(Mola 和Guidolin,2009 ;潘越等,2011 ;曹胜和朱红军,2011 ;Firth 等,2013)、交易佣 金(Jackson,2005 ; Cowen 等,2006),以及迎合管理层以获取信息优势(赵良玉等,2013 ;Wong 和Zhang,2014)。外部治理机制则会对乐观偏差产生约束作用,Sette(2011)发现,分析师之间的竞争可以降低分析师对IPO 公司的乐观偏差 ;周开国等
(2014)和谭松涛等(2015)发现媒体关注能够对分析师乐
收稿日期 :2021-03-10
基金项目 :国家自然科学基金项目(71872048)
作者简介 :陈 婧,福州大学经济与管理学院讲师 ; 于雪航,复旦大学管理学院博士生 ;
方军雄,浙江财经大学会计学院教授,博士生导师。
观预测起到纠偏作用。此外,分析师行为认知偏差也会导致乐观偏差的产生(Easterwood 和 Nutt,1999 ;Campbell 和Sharpe,2009 ;伍燕然等,2012)等。
与上述文献关注点不同,我们关注的是分析师预测乐观偏差真的只会产生负面的经济后果吗?如果我们不清楚分析师预测乐观偏差所带来的负面或者正面的结果,对分析师预测乐观偏差决定因素研究的政策价值将会大打折扣。之前的文献主要从投资者的角度考察了分析师预测乐观偏差的经济后果,此类文献当然非常重要,但同样重要的是分析师预测乐观偏差对标的企业行为的实质影响
(Real effect),即分析师预测乐观偏差是否会对公司的经营或投资行为产生影响?由于创新投入是企业酌量性开支, 对于分析师预测偏差更为敏感,同时创新是引领发展的第一动力,也是企业获得竞争优势的重要来源,因此本文从企业创新投资角度着手,研究分析师预测乐观偏差的经济后果。同时,现有研究分析师盈利预测乐观偏差的文献(如伊志宏等,2018)多基于He 和Tian(2013)的盈利压力观, 认为分析师乐观预测带来的盈利压力可能会迫使管理层为提高盈利而削减研发投入。本文从收入压力的视角,认为乐观收入预测带来的收入压力可能会迫使公司为增加收入而提高研发的投入,这样与盈利压力观相互补充,可以更加全面地刻画分析师跟踪/ 预测乐观偏差的经济后果。
本文使用2002~2017 年A 股数据作为研究对象,对分析师预测乐观偏差与企业创新投资之间的关系进行系统的分析检验。研究发现,分析师预测乐观偏差促进了企业的R&D 投入和专利产出,上述关系在低机构持股、高融资约束和高CEO 持股的样本中更明显,同时分析师预测乐观偏差增加了企业的股票市场估值和风险承担水平。最后,研究发现,分析师预测乐观偏差对企业资本投资并没有显著影响,说明相对于资本投资而言,创新投资对分析师乐观预测更为敏感。
本文的创新和贡献主要体现在以下几个方面 :第一, 对于分析师预测乐观偏差问题,以往文献主要关注其影响因素和对资本市场的负面影响,而较少关注其对公司行为的影响。本文从企业创新决策入手对此进行了补充。本文和于雪航等(2020)有相似之处,该文关注的是行业汇总的分析师预测乐观偏差对企业创新的影响,本文关注的则是个股层面的分析师预测乐观偏差对企业创新的影响。第二,行为金融学和群体心理学指出,投资者和管理层等资本市场主体存在相互传染的非理性情绪。本文有助于理解
分析师主导的市场非理性情绪在企业行为层面的影响。第三,既有文献从正反两面研究了分析师跟踪的经济后果, 但却往往将分析师乐观预测视作负面事件,忽略了其可能的正面影响。有别于以往文献,本文基于收入压力视角进行研究,有助于更加全面辩证地认识分析师预测乐观偏差现象。第四,本文的研究对于市场监管者也有重要的参考价值。本文为监管层重视和警惕分析师预测偏差行为提供了参考依据。此外,为投资者认识分析师预测偏差及管理层择时融资提供了重要启示。
二、文献回顾
(一)分析师预测乐观偏差的成因及经济后果
分析师是资本市场重要的信息中介,其盈余预测的准确性关系到资本市场的定价效率。因此,分析师预测研究是资本市场与公司金融领域的重要话题。研究发现,分析师预测普遍存在乐观倾向(Gu 等,2013),学者围绕分析师预测乐观偏差的成因展开了广泛的研究,具体可分为理性人和非理性人解释。根据传统的有效市场理论,分析师作为理性经济人,在发布预测时面临着成本和收益的考量。发布准确的预测,固然可以提升分析师的声誉,有助于其获评明星分析师及未来职业发展,但其预测行为还受到其他因素影响。例如,分析师的独立性受到其所属券商的影响,可能会通过发布其隶属券商标的股票的乐观预测,来提升券商的自营及投行业务收入(Mola 和Guidolin, 2009 ;潘越 等,2011 ;曹胜和朱红军,2011 ;Firth 等,
2013),以及发布乐观预测刺激交易量、提高经纪业务佣金等(Jackson,2005 ;Cowen 等,2006)。另外,分析师的信息来源既包括公开信息,也包括来自公司内部的私有信息,这使其具有迎合管理层、发布乐观预测的动机(赵良玉等,2013 ;Wong 和Zhang,2014)。随着行为金融学的发展,分析师的非理性特征逐渐受到关注,分析师的认知偏差被认为是其乐观预测行为的一种解释(Easterwood 和Nutt, 1999 ;Campbell 和Sharpe, 2009 ;伍燕然等,2012)。
还有部分研究关注影响分析师预测乐观的外部因素。Qian(2009)检验了分析师预测在时间上的乐观趋势,发现当投资者情绪高涨时,分析师预测具有更强的乐观趋势。周开国等(2014)和谭松涛等(2015)发现媒体关注能够对分析师乐观预测起到纠偏作用。褚剑等(2019)发现融资融券制度会加剧分析师预测的乐观偏差。
经济后果方面,现有研究主要关注其资本市场后果。
Ciccone(2003)发现,分析师乐观偏差会对股价产生扭曲, 导致之后的股票回报率降低。许年行等(2012)和 Xu 等
(2013)发现分析师预测乐观偏差导致负面信息积累,会加剧股价崩盘风险。
从上述分析可知,现有研究主要从分析师预测乐观偏差的成因及影响因素入手,较少关注其经济后果,特别是其对公司经营层面决策的影响。
(二)企业创新投资的影响因素
企业创新始终是经济增长理论、战略管理和公司治理领域的经典研究话题。企业创新离不开资金、技术、人才等创新要素的投入,而其中持续充足的资金来源,对于这项高风险、高转换成本活动尤其重要。创新投资中包含了更多难以量化的“软信息”,企业出于保护商业及技术机密的动机,往往不愿意进行充分披露,这使得创新投资面临更强的融资约束。鞠晓生(2013)认为,由于融资约束的影响, 内部资金是我国企业创新融资的主要渠道,银行贷款是央企创新融资及平滑创新投资的重要渠道,其他企业则主要依赖股权融资来平滑创新融资波动。李汇东等(2013)认为外源融资对创新投资的促进作用大于内源融资,进一步研究外源融资对创新的影响发现,政府补助对创新投资的影响大于股权及债权融资。
企业创新投资还受到市场环境等外部因素的影响。例如,完善的专利保护制度有助于企业的创新投资(王华, 2011),金融市场的发展以及融资约束的缓解可以促进企业创新(解维敏和方红星,2011)。陈怡欣等(2018)认为融资融券制度具有公司治理功能,能够促进企业创新,郝项超等(2018)则认为融资交易对企业创新的负面影响超过了融券的正面影响,使融资融券制度整体上阻碍了企业创新。
除了外部因素之外,企业创新投资还受到决策者的影响,因为公司的创新决策通常是由管理层所做出的。例如, 刘运国和刘雯(2007)发现高管任期越长,企业R&D 支出越高,同时即将离任高管没有增加R&D 支出的积极性。王健忠和高明华(2017)发现企业家能力对企业创新有促进作用。Galasso 和Simcoe(2011)、林慧婷和王茂林(2014)发现管理层过度自信会提高企业创新投入。
从上述分析可以看出,企业创新受到多种内外部因素的影响,包括融资约束、市场环境以及管理层特征等,而分析师能够对企业面临的市场环境及管理层决策产生影响, 进而影响其创新决策。
三、理论分析与研究假设
管理层的创新能力与创新动机是决定企业创新投资决策的两个主要因素,其中创新能力是物质基础,创新动机是驱动机制,二者相辅相成、缺一不可。因此,本文将分别从创新能力和创新动机两个方面,对分析师预测乐观偏差对企业创新投资的影响展开分析。
创新活动具有长期性、高风险、高转换成本等特点, 这就要求企业具有充足稳定的资金来确保创新活动的持续开展。由于创新活动存在较高的信息不对称,企业在进行外部融资时往往受到诸多约束。马光荣等(2014)发现银行授信及信贷政策对企业研发具有显著影响,认为缺乏稳定持续的融资渠道会阻碍企业创新。韩剑和严兵(2013)也发现,外部融资会对企业创新产生正向影响,主要体现在中小规模企业、民营企业及高科技企业中。
由此可见,融资约束是企业创新能力的直接影响因素, 为此我们首先从融资约束切入,讨论分析师预测乐观偏差对企业创新的影响。以往文献已经发现,分析师跟踪人数、分析师实地调研等有助于改善企业信息环境,缓解融资约束,进而促进企业创新(陈钦源等,2017 ;余明桂等, 2017)。那么,当分析师预测存在向上的偏差时,市场对于公司价值会产生较高的预期。尽管投资者可能在一定程度上认识到分析师预测存在偏差,但仍然很难完全分辨或剔除分析师预测中的偏差部分(Dechow 等,2000 ;Song 等, 2012 ;Sadique 和Rahman,2014)。根据行为金融学的观点,市场主体在进行决策时并不是完全理性的,而是受到行为偏差和认知偏差的影响。在群体心理层面,资本市场的决策主体之间的行为决策会相互影响,个体会自动且无意识地受到他人情绪的影响(Hatfield 等, 1993 ;张奇勇和卢家楣,2013),因此,资本市场的消息常常会引发群体性的市场情绪,引发羊群效应(Wermers,1999)。进一步根据心理学的权威效应和从众效应,信息源的强度决定其社会影响力,分析师是具有专业技能的信息中介,具有较强的话语权和影响力。由此,分析师发布乐观预测,容易引起资本市场投资者的重视,并使他们相信其正确性,从而使资本市场产生较大的上扬情绪,提高市场对企业价值的积极预期。Ciccone(2003)发现,分析师预测乐观偏差具有正向的市场反应,而且投资者的调整过程是逐步且缓慢的。那么, 企业可能利用这一有利时机进行择时融资,缓解融资约束。Sun 等(2020)以中国上市公司为样本,发现分析师预测乐
观偏差能提高股票增发价格,降低折价率。综上,分析师预测乐观偏差可能通过提高市场预期,缓解企业融资约束, 进而促进企业创新投资。
同时,企业创新战略的决策主要在管理者层面,两权分离的公司当中,作为代理人的公司高管通常是风险规避的,尤其是收益不确定、风险高的创新投资决策,公司高管通常不愿意进行创新投资。因此,良好的公司治理机制设计都旨在提高公司高管的风险承担水平。面对分析师预测乐观偏差,管理层的创新决策可能同时受到理性和非理性因素的作用。
从理性角度分析,由于创新活动的异质性、隐秘性和不确定性程度较高,投资者很难对其进行准确的价值判断, 导致对创新活动价值的低估,从而抑制了管理层的创新动机。同时,创新投资是一个需要持续投入的过程,企业在做出创新决策时,不仅要考虑现有的资源,还要评估未来的资源可用性。因此,管理层的创新决策与其对企业前景的预期有关(杨兵和杨杨,2020)。分析师通过对上市公司信息的搜集、加工、处理,降低投资者和公司之间的信息不对称,帮助投资者理解创新活动的价值。不仅如此,分析师具有来自上市公司、监管部门、媒体等多种多样的信息来源,并具备专业的信息分析能力,其预测信息中不仅包含管理层已知的企业层面信息,还包含行业信息及宏观经济信息,如市场增长机会等(Hutton 等,2012)。因此,分析师预测构成了管理层投资决策信息集的重要组成部分, 能够激发出管理者的创新意愿,促进企业创新投资。
从非理性的角度来看,尽管管理层对公司经营拥有更多的信息,但他们同样存在一定的认知局限。例如,许多研究发现管理层存在过度自信或过度乐观,并且会对企业创新产生正面影响。余明桂等(2013)、Hilary 等(2016)的研究表明管理层过度自信会促使其付出更多努力,提高企业风险承担水平,从而有利于提高企业的资本配置效率和企业价值。Galasso 和Simcoe(2011)发现管理层的过度自信会增加企业创新投资。当分析师发布乐观预测、市场蔓延着积极情绪时,管理层可能也会受到市场乐观情绪的影响, 对公司未来的发展前景和创新机会产生过度自信,从而采取更加激进的创新投资行为。
因此,无论是从管理层理性还是非理性的角度分析, 分析师预测乐观偏差都可能提高管理层风险承担水平,进而促进企业创新。
分析师在发布盈利预测的同时也经常会发布收入预测
(Jegadeesh 和Livnat,2006 ;廖明情,2012),其原因在于,营业收入稳定性强、噪音小,能够提供盈余信息之外的增量信息,被视为企业盈利质量和持续性的重要标志。Kama
(2009)研究发现,对于盈余重要性或可靠性较低的样本, 例如高研发强度公司、第四季度样本和垄断竞争行业公司, 市场相比于盈余目标而言更加看重收入目标。类似地,许多文献都表明,成长型公司更加看重收入增长目标,而非成本削减目标(Anthony 和Ramesh,1992 ;Ertimur 等,2003 ; Edmonds 等,2013)。那么,本文关注的从事研发活动的公司,相比于其他公司可能承受着更大的收入压力。一方面,分析师对营业收入的乐观预测,反映了其对于公司价值创造与财富积累能力的信心。这种积极预测不仅会为投资者和管理层提供企业发展前景的利好信息,而且能增强他们对未来资源可用性和实施创新战略的信心(Benner 和Ranaganathan,2012)。另一方面,研发创新是企业扩大市场份额、提高营业收入的重要动力,尽管研发投资在短期内可能使盈利承压,但是却有助于驱动营业收入增长。因此, 收入压力也会促使企业加强研发,以寻找新的经济增长点。
综合以上分析,本文认为,分析师预测乐观偏差一方面能够提高市场预期,缓解融资约束,提高企业创新能力, 为企业创新活动奠定物质基础,另一方面能够提高管理层风险承担水平,提高企业创新动机,驱使决策者开展创新活动。据此,提出如下假设 :
假设 :在其他条件一定的情况下,分析师预测乐观偏差与企业创新投资正相关。
四、研究设计和数据来源
(一)关键指标的度量
关于分析师预测乐观偏差(OPTI_SALE),本文采用证券分析师对个股主营业务收入预测的偏差进行衡量。这是因为,销售收入通常是企业发展情况的一种体现,分析师对企业销售收入的预测,反映了分析师对企业发展机会的预 期 。 具 体 计 算 公 式 如 下 : OPTI_SALE=[Median(FSALE)-SALE]/SALE (1)
其中,Median(FSALE)是当年收入预测值的中位数, 以跟踪公司的每个证券分析师在上年年报披露之后对当年主营业务收入所做的第一次预测为基础计算。由此一来,分析师预测的乐观偏差能够在较长的一段时期内,对公司当年的创新投资决策产生影响。SALE 是公司当年的实际主营业务收入。OPTI_SALE 数值越大,则分析师预测越乐观。
本文主要采用研发投入指标来衡量企业的创新投资, 采用企业当年研发投入除以营业收入衡量。此外,本文也检验了分析师预测乐观偏差对创新产出的影响,创新产出采用企业当年申报的专利申请数量加1 取对数衡量。具体地,我国的专利分为发明、实用新型和外观设计三种,发明的技术含量最高,投入更大、潜在价值更高,是企业核心竞争力的标志,因此本文将专利分为发明专利和其他专利(实用新型和外观设计)。
(二)研究模型
本文采取如下回归模型对分析师预测乐观偏差与企业创 新 的 关 系 进 行 检 验 : RD_SALEit=α+β1OPTI_SALEit+β2FOLLOWit+β3SIZEit
+β4LEVit+β5QUICKit+β6CASHHOLDINGit
+β7OCFit+β8OROAit+β9BMit+β10BHit
+β11PRIVATEit+β12OWNERSHIPit+β13MINDEXit
其中,i、t 分别表示企业和年份,被解释变量分别为上市公司i 的研发投入和专利数量,解释变量OPTI_SALEit 是分析师预测乐观偏差。由于企业的创新依赖于公司的资金状况,因此控制变量的选择考虑到企业的负债和现金流情况;考虑到企业创新活动与公司特征和治理情况紧密相关, 并受外部区域环境影响,因此本文还控制了公司特征、治理水平和外部环境因素。考虑到研发活动受到行业特征的影响,基准模型控制了行业固定效应(δj)和年度固定效应
(ηt)。接着,为了进一步控制企业层面不随时间变化的因素,我们也采取控制公司固定效应(γi)和年度固定效应的方式进行了检验。
具体变量名称及定义如表1 所示。
(三)数据来源和描述性统计
本文所使用的上市公司专利数据来源于国家知识产权局网站的专利检索与查询系统,我们手工搜索整理了所有
+δ(j
γi)+ηt+εit (2)
上市公司各年度各类型的专利申请情况。区域市场化指数
PATENTit/PAT_INVENTit/PAT_OTHERit=α+β1OPTI_SALEit
+β2FOLLOWit+β3SIZEit+β4LEVit+β5QUICKit
+β6CASHHOLDINGit+β7OCFit+β8OROAit+β9BMit
+β10BHit+β11PRIVATEit+β12OWNERSHIPit
来自樊纲等的《中国市场化指数报告(2018)》。分析师预测数据、公司财务数据均来自国泰安CSMAR 数据库。由于国泰安CSMAR 数据库自2002 年起才具有较为丰富的分析师预测数据, 因此本文选取2002~2017 年作为研究期间,然
+β13MINDEXit+δ(j
γi)+ηt+εit (3)
后根据以下标准剔除部分观测值 :(1)金融行业公司 ;(2)
表1 变量名称及定义
变量名称 | 变量描述 |
RD_SALE PATENT PAT_INVENT PAT_OTHER OPTI_SALE FOLLOW SIZE LEV QUICK CASHHOLDING OCF OROA BM BH PRIVATE OWNERSHIP MINDEX | 研 发 投 入 / 营 业 收 入LN(企业当年申报的全部专利数+1) LN(企业当年申报的发明专利数+1) LN(企业当年申报的外观设计和实用新型专利数+1) (分析师主营业务收入预测中值- 当年实际主营业务收入)/ 当年实际主营业务收入跟踪的证券分析师人数 公司总资产取自然对数总负债/ 总资产 速动资产/ 流动负债 货币资金占总资产的比重经营性现金流量/ 总资产营业利润/ 总资产 账面价值与市场价值比值 如果公司同时发行B 股或H 股取值为1,否则为0 公司为民营企业取值为1,否则为0 第一大股东持股比例区域市场化指数 |
变量缺失的样本。最后得到的样本数为18 255 个。为了排
除极端值的影响,对所有连续型变量在1% 和99% 分位数上进行缩尾处理。
从表2 研究变量描述性统计中可以看出,分析师对公司主营业务收入的乐观偏差程度为9.7%,标准差达到30.9%,中位数为3.8%,说明分析师预测普遍乐观。样本期间上市公司的研发投入与销售收入之比的均值为2.4%,标准差为3.8%,说明公司间研发投入差异较大。申请的专利总数、发明专利和其他专利数量平均分别为67.054、31.947 和35.107,而中位数分别为10、3 和4,可见上市公司的创新整体平均水平较低,且公司间的差距较大。
表3 为主要研究变量的相关系数矩阵。OPTI_SALE 和研发投入之间有显著的正相关性,符合本文预期。进一步结论需要加入更多控制变量进行多变量回归分析。
五、实证结果与分析
(一)基本实证结果与分析
表4 列示了分析师预测乐观偏差与企业创新投入之
间的回归结果。从第(1)列可以看出,OPTI_SALE 的系数在1% 的水平上显著为正,说明分析师预测乐观偏差与企业研发投入之间存在显著的正相关关系。控制变量中, FOLLOW 的系数在1% 的水平上显著为正,分析师跟踪能够显著促进企业创新,与现有研究结果一致(陈钦源等, 2017 ;余明桂等,2017)。考虑到从事研发活动的公司与不从事或很少从事研发活动的公司,可能存在较大差异, 因此第(2)列中,我们剔除了研发支出为零的公司,发现OPTI_SALE 的回归系数依然显著为正。在第(3)列中,我们进一步控制了公司固定效应,回归系数符号及显著性仍未发生改变,上述检验结果与研究假设一致。
表5 列示了分析师预测乐观偏差与企业创新产出之间的回归结果①,第(1)~(3)列的被解释变量分别为专利总数、发明专利和其他专利,采用公司和年度双向固定效应模型。根据表5 显示,分析师预测乐观偏差对专利申请总数、发明专利数量和其他专利数量的影响均显著为正。结果表明,分析师发布的乐观预测刺激了管理层实施高风险的创新投资决策。
表2 研究变量描述性统计
变量 | 观测值 | 均值 | 标准差 | p25 | 中位数 | p75 |
RD_SALE | 18 255 | 0.024 | 0.038 | 0.000 | 0.008 | 0.036 |
专利总数 | 18 255 | 67.054 | 387.982 | 0.000 | 10.000 | 37.000 |
发明专利数量 | 18 255 | 31.947 | 230.264 | 0.000 | 3.000 | 14.000 |
其他专利数量 | 18 255 | 35.107 | 190.485 | 0.000 | 4.000 | 21.000 |
OPTI_SALE | 18 255 | 0.097 | 0.309 | -0.040 | 0.038 | 0.150 |
FOLLOW | 18 255 | 11.994 | 10.603 | 4.000 | 9.000 | 17.000 |
SIZE | 18 255 | 22.198 | 1.270 | 21.283 | 22.024 | 22.924 |
LEV | 18 255 | 0.077 | 0.103 | 0.000 | 0.029 | 0.122 |
QUICK | 18 255 | 1.776 | 2.274 | 0.651 | 1.059 | 1.860 |
CASHHOLDING | 18 255 | 0.188 | 0.134 | 0.092 | 0.151 | 0.246 |
OCF | 18 255 | 0.051 | 0.075 | 0.009 | 0.049 | 0.094 |
OROA | 18 255 | 0.058 | 0.050 | 0.028 | 0.0520 | 0.082 |
BM | 18 255 | 0.420 | 0.278 | 0.220 | 0.352 | 0.543 |
BH | 18 255 | 0.072 | 0.259 | 0.000 | 0.000 | 0.000 |
PRIVATE | 18 255 | 0.538 | 0.499 | 0.000 | 1.000 | 1.000 |
OWNERSHIP | 18 255 | 0.382 | 0.158 | 0.259 | 0.369 | 0.498 |
MINDEX | 18 255 | 0.737 | 0.279 | 0.556 | 0.889 | 1.000 |
①出于篇幅考虑,本文未列示式(3)中控制行业和年度双向固定效应的回归结果,仅列示控制公司和年度双向固定效应的回归结果(见表5)。
(二)稳健性检验
为保证结果的可靠性,本文进行了如下一系列稳健性检验 :
1.
上述研究结果可能会受到内生性问题的影响。例如,企业的特征因素如成长性等,决定了企业所采取的创新战略,同时也影响了分析师对企业营收预测的乐观性。又比如,外部环境因素如行业前景等,同时影响了管理层的发展战略和分析师的营收预测。为了缓解上述内生性问题的影响,本文采取工具变量法进行稳健性检验,选择了分析师个人预测偏差(OPTI_SALE_IND)作为工具变量。工具变量需满足如下条件 :(1)和内生解释变量具有相关性;(2)和误差项不相关。本文工具变量反映的是跟踪样本公司的分析师们由个人特征所致的乐观程度,对于该样本公司预测偏差具有影响,但对于企业创新不存在直接影响渠道。具体衡量方法如下 :(1)计算每个分析师当年对所有公司营业收入预测乐观偏差的中位数,以此反映由分析师自身特征所导致的预测偏差 ;(2)对当年跟踪样本公司的所有分析师个人乐观偏差再取中位数,以此反映样本公司的分析师个人乐观偏差的总体情况。表6 Panel A 的第(1)列为第一阶段回归结果,结果显示OPTI_ SALE_IND 对OPTI_SALE 有显著的解释力。第
(2)、(3)列列示了第二阶段的回归结果,OPTI_ SALE 预测值PRE_OPTI_SALE 的系数均在1% 水平上显著。本文还采用了Change 模型以及将被解释变量滞后一期等方法缓解内生性忧虑,回归结果未发生改变。限于篇幅,未予列示。
2. 本文还改变了解释变量度量方法进行稳健性检验。首先,使用分析师预测乐观偏差的虚拟变量HIGH_OPTI_SALE 和LOW_OPTI_SALE, 具体而言将分析师预测乐观偏差由高到低分为四个等级,对HIGH_OPTI_SALE 而言,等级最高的样本取1,其余为0 ;对LOW_OPTI_SALE 而言等级最低的样本取1,其余为0。回归结果如表6 Panel B 的第(1)列所示,HIGH_OPTI_SALE 的系数显著为正,LOW_OPTI_SALE 的系数则不显著。接着,本文使用分析师预测偏差EPS 进行替代,第(2)列和第(3)列分别为控制行业效应
表4 分析师预测乐观偏差与企业研发投入的关系
RD_SALE | |||
全样本 (1) | R&D>0 (2) | 全样本 (3) | |
OPTI_SALE | 0.004*** | 0.007*** | 0.004*** |
(3.375) | (4.524) | (4.964) | |
FOLLOW | 0.000*** | 0.000*** | 0.000* |
(9.164) | (8.583) | (1.891) | |
SIZE | -0.004*** | -0.006*** | -0.002** |
(-7.712) | (-7.974) | (-2.280) | |
LEV | 0.003 | 0.008 | -0.007 |
(0.793) | (1.302) | (-1.590) | |
QUICK | 0.004*** | 0.004*** | 0.001*** |
(10.296) | (9.129) | (4.065) | |
CASHHOLDING | -0.006 | -0.004 | 0.001 |
(-1.240) | (-0.673) | (0.406) | |
OCF | 0.015*** | 0.028*** | 0.005 |
(3.255) | (3.856) | (1.527) | |
OROA | -0.079*** | -0.122*** | -0.052*** |
(-8.043) | (-8.270) | (-6.858) | |
BM | -0.008*** | -0.009*** | -0.007*** |
(-4.462) | (-3.552) | (-4.577) | |
BH | 0.001 | 0.003 | 0.009*** |
(0.970) | (1.285) | (2.981) | |
PRIVATE | 0.003*** | 0.003* | -0.001 |
(3.265) | (1.828) | (-0.473) | |
OWNERSHIP | -0.004 | -0.008** | -0.009*** |
(-1.626) | (-2.110) | (-2.762) | |
MINDEX | 0.003** | 0.001 | 0.008* |
(2.173) | (0.422) | (1.953) | |
CONSTANT | 0.069*** | 0.173*** | 0.056*** |
(6.538) | (10.944) | (2.887) | |
年度固定效应 | YES | YES | YES |
行业固定效应 | YES | YES | NO |
公司固定效应 | NO | NO | YES |
adj. R2 | 0.399 | 0.338 | 0.110 |
N | 18 255 | 12 314 | 18 255 |
注 :***、**、* 分别表示在1%、5%、10% 的水平上显著,括号内为t 值,下同
和公司固定效应的回归结果,发现OPTI_EPS 的系数分别在5% 和10% 的水平上显著为正。上述回归结果与主回归结果一致。
表5 分析师预测乐观偏差与企业专利申请的关系
PATENT (1) | PAT_INVENT (2) | PAT_OTHER (3) | |
OPTI_SALE | 0.067** | 0.055* | 0.070** |
(2.035) | (1.852) | (2.327) | |
FOLLOW | 0.001 | 0.002 | 0.001 |
(0.605) | (1.401) | (0.855) | |
SIZE | 0.770*** | 0.704*** | 0.641*** |
(24.528) | (23.359) | (21.634) | |
LEV | -1.010*** | -0.977*** | -0.876*** |
(-5.374) | (-6.058) | (-5.028) | |
QUICK | 0.009 | 0.009 | 0.002 |
(1.217) | (1.342) | (0.317) | |
CASHHOLDING | -0.347*** | -0.269** | -0.269** |
(-2.644) | (-2.150) | (-2.169) | |
OCF | 0.258* | 0.367*** | 0.132 |
(1.770) | (2.786) | (0.937) | |
OROA | -0.914*** | -0.988*** | -0.822** |
(-2.646) | (-3.362) | (-2.395) | |
BM | -0.103 | -0.186*** | -0.046 |
(-1.329) | (-2.634) | (-0.623) | |
BH | 0.372 | 0.737** | 0.244 |
(1.378) | (2.490) | (0.805) | |
PRIVATE | -0.055 | -0.113 | -0.039 |
(-0.566) | (-1.240) | (-0.401) | |
OWNERSHIP | -0.931*** | -0.797*** | -0.694*** |
(-4.838) | (-4.616) | (-3.797) | |
MINDEX | 0.188 | 0.119 | 0.161 |
(0.915) | (0.648) | (0.851) | |
CONSTANT | -14.374*** | -13.557*** | -12.084*** |
(-19.973) | (-20.134) | (-17.607) | |
年度固定效应 | YES | YES | YES |
公司固定效应 | YES | YES | YES |
adj. R2 | 0.321 | 0.320 | 0.263 |
N | 18 255 | 18 255 | 18 255 |
3. 本文进一步考虑,是否是上一期的公司研发活动或行业研发活动同时影响了分析师预测和公司的研发活动呢?为此,本文在回归中分别加入滞后一期的行业研发支出和公司研发支出两个变量。回归结果如表6 Panel C 所示, 控制了上述变量后,OPTI_SALE 的系数仍然显著为正。
(三)横截面分析
表6 稳健性检验结果Panel A 两阶段工具变量法
上述检验验证了分析师预测乐观偏差对企业创新具有明显的促进作用。接下来,我们通过对比不同情境下该促进作用的强弱差异,以揭示其适用场景。
1. 基于机构持股、明星分析师和分析师跟踪数的分组
检验
根据前文的分析,分析师乐观预测偏差对企业创新的
Panel B更换解释变量
Panel C 缓解遗漏变量所致的内生性
影响,可能是通过推动投资者和管理层对未来的乐观预期实现的。公司信息透明度越高,投资者可获得的公司特质性信息就越多,相应地就越不容易受到情绪的影响。Barniv 和Cao(2009)研究表明,上市公司的信息不对称程度较高时,投资者更加关注分析师预测信息。那么我们预计,当企业处于较好的信息环境中时,投资者或管理者决策时拥有更多的可靠信息来源,其情绪更难以受到分析师乐观预测的影响。为此,我们按照机构持股比例的中位数,将样本分为两组进行检验。一方面,机构投资者作为大股东,能够对管理者实施有效的监督,改善公司治理,从而提高企业公开信息质量。另一方面,从交易的角度,机构投资者作为具有信息优势的知情交易者,能够促进私有信息的挖掘, 从而提高市场信息效率(Jiambalvo 等,2002 ;侯宇和叶冬艳,2008 ;王咏梅,2011)。Sun 等(2020)发现,在机构持股比例较高的公司,股票增发的投资者更不容易受到分析师乐观预测的误导。表7 的第(1)、(2)列列示了回归结果, OPTI_SALE 的系数只在低机构持股的子样本中显著,且两组的组间系数存在显著差异。这表明,在高机构持股的样本中,分析师乐观预测对市场情绪的影响更弱,分析师乐观预测偏差与企业创新的关系更不明显。
然后,我们试图检验明星分析师乐观预测是否具有更大的影响,以及分析师跟踪人数对本文结果的影响。我们进一步将样本按照是否有明星分析师跟踪与分析师跟踪人数高低进行划分,具体结果列于表7 第(3)~(6)列。我们发现,分析师预测乐观偏差对企业创新投资的激励效应同时存在于分样本当中,而且组间系数差异统计上不显著。
2. 基于融资约束和CEO 持股的分组检验
接着,我们通过横截面分析来揭示分析师预测乐观偏差与企业创新之间的具体机制,即假设部分所提及的融资渠道和管理层风险承担渠道。如果是通过融资渠道起作用,那么上述关系在融资约束较高的企业中更加明显。为此,我们使用SA 指数作为融资约束的变量,具体公式
为 :SA=-0.737×SIZE+0.043×SIZE2-0.04×AGE,该值越
大,融资约束程度越高。按照中位数将样本分为高低两组,
表7 基于机构持股、明星分析师与分析师跟踪数的分组检验结果
RD_SALE | ||||||
机构持股比例 | 是否有明星分析师跟踪 | 分析师跟踪人数 | ||||
低 (1) | 高 (2) | 无 (3) | 有 (4) | 低 (5) | 高 (6) | |
OPTI_SALE | 0.005*** | 0.001 | 0.004** | 0.003** | 0.003** | 0.006** |
(3.528) | (0.604) | (2.353) | (2.559) | (2.491) | (2.568) | |
CONSTANT | 0.065*** | 0.068*** | 0.025 | 0.088*** | 0.072*** | 0.081*** |
(4.536) | (5.319) | (1.558) | (7.155) | (5.758) | (5.291) | |
Controls | YES | YES | YES | YES | YES | YES |
年度固定效应 | YES | YES | YES | YES | YES | YES |
行业固定效应 | YES | YES | YES | YES | YES | YES |
adj. R2 | 0.402 | 0.364 | 0.373 | 0.403 | 0.389 | 0.418 |
N | 9 123 | 9 132 | 4 101 | 14 154 | 9 658 | 8 597 |
组间系数差异 | 0.004*** | 0.001 | -0.003 | |||
(4.84) | (0.17) | (1.20) |
表8 基于融资约束与CEO 持股的分组检验结果
RD_SALE | ||||
融资约束 | CEO 持股比例 | |||
低 (1) | 高 (2) | 低 (3) | 高 (4) | |
OPTI_SALE | 0.002 | 0.005*** | 0.002 | 0.010*** |
(1.515) | (3.781) | (1.456) | (4.279) | |
CONSTANT | 0.056* | 0.050*** | 0.064*** | 0.078*** |
(1.856) | (3.400) | (5.500) | (4.143) | |
Controls | YES | YES | YES | YES |
年度固定效应 | YES | YES | YES | YES |
行业固定效应 | YES | YES | YES | YES |
adj. R2 | 0.389 | 0.327 | 0.359 | 0.420 |
N | 9 132 | 9 123 | 11353 | 6902 |
组间系数差异 | -0.003** | -0.008*** | ||
(2.27) | (9.80) |
回归结果如表8 的第(1)、(2)列所示。结果显示,OPTI_ SALE 的系数只在融资约束程度高的样本中显著,且组间系数差异显著。
如果是通过影响管理层风险承担渠道起作用,那么, 当管理层的利益与企业趋于一致时,CEO 受到资本市场情绪的影响增强,上述影响将会被放大。具体选择CEO 持股作为分组变量,当CEO 持股较多时,CEO 迎合资本市场的动机更为强烈,受到分析师预测偏差的影响更大。本文按
表9 进一步检验 :对资本投资的影响
CAPEX | ||
OPTI_SALE CONSTANT | -0.020 | (-0.642) |
0.184 | (0.691) | |
Controls 年度固定效应行业固定效应 | YES YES YES | |
adj. R2 N | 0.109 | |
18 245 |
照CEO 持股的中位数将样本分为两组,结果见表8 第(3)、
(4)列,OPTI_SALE 的系数仅在高CEO 持股样本中显著, 且组间系数差异显著。
六、进一步检验 :分析师预测乐观偏差对其他投资的影响
上述研究验证了分析师预测乐观偏差促进了企业创新投资,接下来,我们进一步检验,分析师预测乐观偏差是否对企业其他投资产生了影响。具体采用企业资本性支出
(CAPEX)进行回归分析,结果如表9 所示,发现分析师预测乐观偏差对企业资本投资的影响并不显著。这可能是因为,相比资本投资而言,研发支出具有外部性,其风险回报率不确定性和信息不对称程度较高,对于分析师来说估值难度较高。同时,管理层也更容易利用信息不对称进行
研发项目融资,以迎合市场预期。
七、结论与启示
证券分析师是提高资本市场资源配置效率的重要角色,而广泛存在的预测乐观偏差损害了其作为信息中介的独立性,因此关于分析师预测乐观偏差的经济后果研究显得十分必要。本文从微观企业层面经济后果入手,研究发现分析师预测乐观偏差并不是只会产生负面的经济后果,它还可能产生意料之外的经济效果。具体到本研究,分析师预测乐观偏差有助于促进企业创新,同时上述关系主要存在于低机构持股、高融资约束和高 CEO 持股的样本中。文章还发现,分析师预测乐观偏差对企业资本投资不产生影响。本文研究表明,分析师预测乐观偏差能够带动外部市场和内部管理层的乐观情绪,促进企业创新。本文并非盲目赞同分析师预测偏差,而是意图表明事物具有两面性,我们应该全面辩证地看待这一现象,一定程度上加以利用,趋利避害。同时,尽管创新行为作为价值创造行为受到普遍推崇,但是由于分析师预测乐观偏差而增加的创新投资,是否属于最优水平则有待商榷及进一步研究。监管层应当加强对分析师的监管和引导,警惕分析师预测偏差对市场情绪和企业管理层行为的扭曲。此外,本文发现管理层可能主动或被动地受到市场非理性情绪的影响,因此市场和监管层应该关注管理层的择时融资行为及背后的动机,防止管理层激进决策对企业长期价值的损害。
主要参考文献 :
[1] 曹胜,朱红军.王婆贩瓜 :券商自营业务与分析师乐观性[J].管理世界,2011,(7):20-30.
[2] 陈钦源,马黎珺,伊志宏.分析师跟踪与企业创新绩效——中国的逻辑[J].南开管理评论,2017,20(3): 15-27.
[3] 陈怡欣,张俊瑞,汪方军.卖空机制对上市公司创新的影响研究——基于我国融资融券制度的自然实验[J]. 南开管理评论,2018,21(2):62-74.
[4] 褚剑,秦璇,方军雄.中国式融资融券制度安排与分析师盈利预测乐观偏差[J].管理世界,2019,35(1): 151-166+228.
[5] 方军雄.我国上市公司信息披露透明度与证券分析师预测[J].金融研究,2007,(6):136-148.
[6] 韩剑,严兵.中国企业为什么缺乏创造性破坏——基
于融资约束的解释[J].南开管理评论,2013,16(4): 124-132.
[7] 郝项超,梁琪,李政.融资融券与企业创新 :基于数量与质量视角的分析[J].经济研究,2018,53(6):127- 141.
[8] 侯宇,叶冬艳.机构投资者、知情人交易和市场效率——来自中国资本市场的实证证据[J].金融研究, 2008,(4):131-145.
[9] 鞠晓生.中国上市企业创新投资的融资来源与平滑机制[J].世界经济,2013,36(4):138-159.
[10] 李汇东,唐跃军,左晶晶.用自己的钱还是用别人的钱创新?——基于中国上市公司融资结构与公司创新的研究[J].金融研究,2013,(2):170-183.
[11] 廖明情.分析师收入预测报告的动机和后果——基于信号理论和声誉理论的分析[J].中国会计评论,2012, 10(2):157-178.
[12] 林慧婷,王茂林.管理者过度自信、创新投入与企业价值[J].经济管理,2014,36(11):94-102.
[13] 刘运国,刘雯.我国上市公司的高管任期与R&D 支出
[J].管理世界,2007,(1):128-136.
[14] 马光荣, 刘明、杨恩艳.银行授信、信贷紧缩与企业研发[J].金融研究,2014,(7):76-93.
[15] 潘越,戴亦一,刘思超.我国承销商利用分析师报告托市了吗?[J].经济研究,2011,(3):131-144.
[16] 谭松涛,甘顺利,阚铄.媒体报道能够降低分析师预测偏差吗? [J].金融研究,2015,(5):192-206.
[17] 王华.更严厉的知识产权保护制度有利于技术创新吗?[J].经济研究,2011,(增2):124-135.
[18] 王健忠,高明华.反腐败、企业家能力与企业创新[J]. 经济管理,2017,39(6):36-52.
[19] 王咏梅,王亚平.机构投资者如何影响市场的信息效率——来自中国的经验证据[J].金融研究,2011,
(10):112-126.
[20] 伍燕然,潘可,胡松明,江婕.行业分析师盈利预测偏差的新解释[J].经济研究,2012,(4):149-160.
[21] 解维敏,方红星.金融发展、融资约束与企业研发投入
[J].金融研究,2011,(5):171-183.
[22] 许年行,江轩宇,尹志宏,徐信忠.分析师利益冲突、乐观偏差与股价崩盘风险[J].经济研究,2012,(7): 127-140.
[23] 杨兵,杨杨.企业家市场预期能否激发税收激励的企业研发投入效应——基于上市企业年报文本挖掘的实证分析[J].财贸经济,2020,41(6):35-50.
[24] 伊志宏,申丹琳,江轩宇.分析师乐观偏差对企业创新的影响研究[J].管理学报,2018,15(3):382-391.
[25] 余明桂,李文贵,潘红波.管理者过度自信与企业风险承担[J].金融研究,2013,(1):149-163.
[26] 余明桂,钟慧洁,范蕊.分析师关注与企业创新——来自中国资本市场的经验证据[J].经济管理,2017,39
(3):175-192.
[27] 于雪航,陈婧,方军雄.汇总分析师预测乐观偏差与企业创新投资决策[J].证券市场导报,2020,(8):51-59.
[28] 张奇勇,卢家楣.情绪感染的概念与发生机制[J].心 理科学进展,2013,21(9):1596-1604.
[29] 赵良玉,李增泉,刘军霞.管理层偏好、投资评级乐观性与私有信息获取[J].管理世界,2013,(4):33-47.
[30] 周开国,应千伟,陈晓娴.媒体关注度、分析师关注度与盈余预测准确度[J].金融研究,2014,(2):139-152.
[31] 朱红军,何贤杰,陶林.中国的证券分析师能够提高资本市场效率吗?——基于股价同步性和股价信息含量的经验证据[J].金融研究,2007,(2):110-121.
[32] Anthony, J. H., Ramesh, K. Association Between Accounting Performance Measures and Stock Prices: A Test of the Life Cycle Hypothesis[J]. Journal of Accounting and Economics, 1992, 15(2-3): 203-227.
[33] Barniv, R. R., Cao, J. Does Information Uncertainty Affect
Investors’ Responses to Analysts’ Forecast Revisions? An Investigation of Accounting Restatements[J]. Journal of Accounting and Public Policy, 2009, 28(4): 328-348.
[34] Benner, M., Ranganathan, R. Offsetting Illegitimacy? How
Pressures from Securities Analysts Influence Incumbents in the Face of New Technologies[J]. Academy of Management Journal, 2012, 55(1): 213-233.
[35] Campbell, S. D., Sharpe, S. A. Anchoring Bias in Consensus
Forecasts and its Effect on Market Prices[J]. Journal of Financial and Quantitative Analysis, 2009, 44(2): 369- 390.
[36] Ciccone, S. Does Analyst Optimism About Future Earnings
Distort Stock Prices? [J]. Journal of Behavioral Finance,
2003, 4(2): 59-64.
[37] Cowen, A., Groysberg, B., Healy, P. Which Types of Analyst Firms are More Optimistic? [J]. Journal of Accounting and Economics, 2006,(41): 119-146.
[38] Dechow, P. M., Hutton, A. P., Sloan, R. G. The Relation between Analysts’ Forecasts of Long-Term Earnings Growth and Stock Price Performance Following Equity Offerings[J]. Contemporary Accounting Research, 2000, 17(1): 1-32.
[39] Easterwood, J. C., Nutt, S. R. Inefficiency in Analysts’
Earnings Forecasts: Systematic Misreaction or Systematic Optimism[J]. Journal of Finance, 1999, 54(5): 1777-1797.
[40] Edmonds, C. T., Leece, R. D., Maher, J. J. CEO Bonus Compensation: The Effects of Missing Analysts’ Revenue Forecasts[J]. Review of Quantitative Finance and Accoun- ting, 2013, 41(1): 149-170.
[41] Ertimur, Y., Livnat, J., Martikainen, M. Differential Market
Reactions to Revenue and Expense Surprises[J]. Review of Accounting Studies, 2003, 8(2): 185-211.
[42] Firth, M., Lin, C., Liu, P., Xuan, Y. The Client is King: Do
Mutual Fund Relationships Bias Analyst Recommenda- tions[J]. Journal of Accounting Research, 2013, 51(1): 165- 200.
[43] Galasso, A., Simcoe, T. S. CEO Overconfidence and
Innovation[J]. Management Science, 2011, 57(8): 1469-
1484.
[44] Gu, Z. Y., Li, Z. Q., Yang, Y. G. Monitors or Predators: The Influence of Institutional Investors on Sell-side Analysts[J]. The Accounting Review, 2013, 88(1): 137-169.
[45] Hatfield, E., Cacioppo, J. T., Rapson, R. L. Emotional
Contagion[J]. Current Directions in Psychological Science,
1993, 2(3): 96-99.
[46] He, J., Tian, X. The Dark Side of Analyst Coverage: The Case of Innovation[J]. Journal of Financial Economics, 2013,(3): 856-878.
[47] Hilary, G., Hsu, C., Segal, B., Wang, R. The Bright Side of
Managerial Over-Optimism[J]. Journal of Accounting and Economics, 2016, 62(1): 46-64.
[48] Hutton, A. P., Lee, L. F., Shu, S. Z. Do Managers Always
Know Better? The Relative Accuracy of Management and Analyst Forecasts[J]. Journal of Accounting Research, 2012, 50(5): 1217-1244.
[49] Jackson, A. Trade Generation, Reputation, and Sell-Side Analysts[J]. Journal of Finance, 2005, 55: 673-717.
[50] Jegadeesh, N., Livnat, J. Revenue Surprises and Stock Returns[J]. Journal of Accounting and Economics, 2006, 41
(1-2): 147-171.
[51] Jiambalvo, J., Rajgopal, S., Venkatachalam, M. Institutional Ownership and the Extent to Which Stock Prices Reflect Future Earnings[J]. Contemporary Accounting Research, 2002, 19(1): 117-145.
[52] Kama, I. On the Market Reaction to Revenue and Earnings
Surprises[J]. Journal of Business Finance & Accounting,
2009, 36(1-2): 31-50.
[53] Mola, S., Guidolin, M. Affiliated Mutual Funds and Analyst Optimism[J]. Journal of Financial Economics, 2009, 93: 108-137.
[54] Qian, H. Time Variation in Analyst Optimism: An Investor Sentiment Explanation[J]. The Journal of Behavioral Finance, 2009,(10): 182-193.
[55] Sadique, M., Rahman, M. Analyst Forecast Optimism and
Market Reaction: Australian Evidence[J]. JASSA The Fin sia Journal of Applied Finance, 2014,(3): 19-26.
[56] Sette, E. Competition and Optimistic Advice of Financial
Analysts: Evidence from IPOs[J]. Journal of Financial Intermediation, 2011, 20(3): 441-457.
[57] Song, K. R., Mantecon, T., Altintig, Z. A. Chaebol-affiliated
Analysts: Conflicts of Interest and Market Responses[J]. Journal of Banking & Finance, 2012, 36(2): 584-596.
[58] Sun, Q., Cheng, X., Gao, S., Yang, M. Are SEO Investors Misled by Analyst Optimism Bias? Evidence from Investor Bids in SEO Auctions[J]. International Review of Economics & Finance, 2020, 68: 90-104.
[59] Wermers, R. Mutual Fund Herding and the Impact on
Stock Prices[J]. Journal of Finance, 1999,(2): 581-622.
[60] Wong, M. H. F., Zhang, X. F. CEO Optimism and Analyst Forecast Bias[ J]. Journal of Accounting, Auditing & Finance, 2014, 29(3): 367-392.
[61] Xu, N., Jiang, X., Kam, C., Yi, Z. Analyst Coverage,
Optimism, and Stock Price Crash Risk: Evidence from China[J]. Pacific-Basin Finance Journal, 2013, 25: 217-239.
Analyst Forecast Optimism and Innovation Investment
——From the Perspective of Revenue Pressure
CHEN Jing, YU Xue-hang, FANG Jun-xiong
Abstract: While existing literature often considers analyst forecast optimism as negative phenomenon, this paper examines the possible positive effects of analyst forecast optimism on enterprise innovation from the perspective of revenue pressure. The results show that analyst forecast optimism promotes corporate innovation. And this relation is more pronounced for firms with low institutional ownership, high financial constraints and high CEO ownership. In addition, we find that the main channels are increase of market valuation and managers’ risk-taking. Further tests show that analyst forecast optimism has no significant effect on the capital investment. This paper has important implications on the real effect of analyst forecast optimism.
Key words: analyst forecast; forecast optimism; innovation investment
(责任编辑 杨亚彬)
相关推荐
主办单位:中国财政杂志社
地址:中国北京海淀区万寿路西街甲11号院3号楼 邮编:100036 电话:010-88227114
京ICP备19047955号京公网安备 11010802030967号网络出版服务许可证:(署)网出证(京)字第317号