劉亞輝， 黃 凱， 尹玉剛， 汪 勇

(西南財經(jīng)大學(xué)金融學(xué)院， 成都 611130)

0 引 言

證券分析師在抑制信息不對稱、促進價格的信息發(fā)現(xiàn)過程中起到了不可忽視的作用[1-4].尤其近年來隨著更多高學(xué)歷、行業(yè)經(jīng)驗豐富甚至具有海外經(jīng)歷者的加入，證券分析師隊伍不斷成長和壯大. 但分析師是否有效發(fā)揮了信息中介作用？現(xiàn)有文獻并未得出一致結(jié)論. 大部分研究認(rèn)為研究報告(下文簡稱為“研報”)中存在普遍的樂觀偏差，并將其歸因于分析師所面臨的利益沖突(1)對分析師的研究集中在受雇于券商的賣方分析師，券商與承銷上市公司、 證券投資基金之間的利益關(guān)聯(lián)很容易通過雇傭關(guān)系傳導(dǎo) 給分析師，對分析師的獨立性與客觀性形成壓力，形成利益沖突. 分析師面臨的利益沖突主要有3種，一是來自所屬券商的壓力，不 能發(fā)表對客戶(或投資者)不利的報告；二是分析師出于對自身職業(yè)生涯的考慮；三是分析師與被研究公司之間存在利益共謀.[5-9]. 也有學(xué)者認(rèn)為分析師向市場提供了顯著的增量信息，在抑制信息不對稱、改善信息環(huán)境中發(fā)揮了不可替代的作用[10-13].

現(xiàn)有文獻大多以盈余預(yù)測及薦股評級等量化指標(biāo)來衡量研報的信息價值[14-16]. 然而，作為分析師基于公開及私有信息做出的結(jié)論性預(yù)測，這些量化指標(biāo)無法涵蓋所有信息，且不具有及時的可驗證性. 更為重要的是從分析師解讀信息到做出盈余預(yù)測和薦股評級的過程是個“黑匣子”，更容易受制于利益漩渦而失去客觀性(2)在研報發(fā)布初投資者是無法驗證這些量化指標(biāo)的客觀性的，只能在一段時間后通過市場表現(xiàn)或公司披露財報進行驗證.[15]. 僅基于這些量化指標(biāo)衡量研報信息價值可能有失偏頗. 作為研報更重要的組成部分，文字分析是分析師提供信息的重要載體，占據(jù)了研報的大部分篇幅(3)研報文字分析主要包括公司最近的業(yè)績表現(xiàn)、發(fā)展戰(zhàn)略、行業(yè)競爭力以及公司治理等方面的內(nèi)容.. 相對于其他量化指標(biāo)，它更多的是對客觀事實的描述，并更受投資者關(guān)注(4)美國《機構(gòu)投資者》對美國市場的調(diào)查顯示，1998年以來投資者更注重研報的文本，例如在2010年～2011年， 受訪者認(rèn)為文本的重 要性排第5，而盈余預(yù)測排在第12位. 并且盡管很多金融數(shù)據(jù)庫已經(jīng)包含了研報中量化指標(biāo)的數(shù)據(jù)，投資者每年花費在研報全文購 買上的資金仍高達數(shù)百萬美元.. 但是囿于研報文本可得性、文本挖掘技術(shù)的發(fā)展等因素，分析師研報的相關(guān)文獻卻較少涉及文本信息[17].

中國是個關(guān)系型社會[18]，在股市這個名利場更是如此. 無論研報的量化指標(biāo)還是文字分析，都不可避免地受到分析師社交圈的影響. 在社會關(guān)系資本化的資本市場，“圈子”已然成為利益?zhèn)鬏數(shù)闹匾獦蛄篬6, 9]. 對于分析師來說，“圈子”也是其獲取私有信息的潛在途徑[19, 20]. “圈子”在資本市場中的影響近年來不斷受到學(xué)者們的關(guān)注. 現(xiàn)有對分析師社交圈的研究主要集中在商業(yè)關(guān)系上，例如券商與上市公司、證券投資基金之間的利益關(guān)聯(lián)通過雇傭關(guān)系影響分析師的獨立性[9]. 但是在錯綜復(fù)雜的人際關(guān)系中，同窗校友之情、共同調(diào)研之誼都是關(guān)系的重要內(nèi)涵，與雇傭關(guān)系相比，這種私人關(guān)系對分析師來說更加平等，也具有更多的主動權(quán)和互動性[18].

因此，本文從增量文本信息和傳統(tǒng)量化指標(biāo)的雙重視角較為全面地考察私人“圈子”對研報信息含量的影響. 以文本相似度代理研報所提供的增量信息，以量化指標(biāo)的樂觀偏差度量分析師對職業(yè)生涯的考量，進而較為全面地研究分析師在利益旋渦中的行為軌跡. 以文本相似度衡量增量信息的方法在財經(jīng)新聞以及財務(wù)報告的文本分析中已被較多的學(xué)者采用[21-23]，將該方法應(yīng)用在研報中. 通過手工搜集研報全文內(nèi)容，利用余弦相似度計算出每份研報與該公司前3個月所有研報文本相似度的均值作為該研報所提供的增量信息. 文本相似度越低，該研報信息含量越高(5)之所以用文本相似度度量分析師所提供的關(guān)于上市公司的特有信息，是因為除去文本相似度被廣泛運用的科學(xué)性以外， 對于投資者來 說，研報有價值的部分在于研報文本中與其他分析師所提供的不一樣的基本面等分析. 對于文本中與其他分析師所提供的一樣的廣為 人知的共同信息，不但私有信息含量很少，且這一共同信息可能正如董大勇等[50]所述那樣， 僅僅是研報信息的“相互借鑒”， 并未提供 增量信息.. 同時，運用社會網(wǎng)絡(luò)分析的方法，計算出分析師在基金經(jīng)理中擁有的人脈資源(“圈子”). 將 “圈子”的范圍限制在基金經(jīng)理之內(nèi)，是因為基金經(jīng)理有《新財富》明星分析師的投票權(quán)，而入選《新財富》是分析師職業(yè)生涯的終極目標(biāo)；并且基金經(jīng)理通常擁有其所持股票的私有信息，分析師可以獲取“圈子”內(nèi)基金經(jīng)理的私有信息而得到信息優(yōu)勢，進而體現(xiàn)在研報的文本內(nèi)容中(6)基金經(jīng)理的私有信息不一定是從上市公司獲得的內(nèi)幕信息，更多的是關(guān)于公司更為真實的基本面信息..

基于2006年～2016年的樣本數(shù)據(jù)，發(fā)現(xiàn)“圈子”能夠顯著提高分析師研報的文本信息含量，其原因是作為獲取私有信息的潛在途徑，“圈子”增加了分析師的相對信息優(yōu)勢[19]. 進一步研究表明，這一優(yōu)勢主要體現(xiàn)在“圈子”內(nèi)基金經(jīng)理持股的研報上，證實了分析師通過“圈子”獲取私有信息的推論. 作為利益沖突形成的土壤，廣泛的社交圈在使分析師有獲取信息的優(yōu)勢同時，也使其更容易陷入利益漩渦之中. 擁有較廣社交圈的分析師總體上發(fā)布了更高的薦股評級，而這種系統(tǒng)的樂觀性是由“圈子”內(nèi)基金經(jīng)理持股所致.

高薦股評級與分析師利益如何關(guān)聯(lián)？作為重要的外部激勵，入選《新財富》是分析師職業(yè)生涯的重大跨越[6]. “圈子”能顯著提升入選概率，且這一提升作用主要通過分析師對“圈子”內(nèi)基金經(jīng)理持股發(fā)布更高的薦股評級實現(xiàn). 對研報文本信息而言，雖然對當(dāng)選概率沒有顯著影響，但信息含量高的研報能夠引起投資者對該股票顯著且持續(xù)的關(guān)注.

入選《新財富》,分析師在財富與聲譽(投資者關(guān)注)均顯著提升之后，分析師對二者的權(quán)衡會發(fā)生怎樣的改變？結(jié)果表明，分析師當(dāng)選后對“圈子”內(nèi)外薦股評級的差異顯著降低. 這是因為當(dāng)選后隨著地位提高，他們無需再以高評級取悅基金經(jīng)理. 與“圈子”外相比，當(dāng)選后“圈子”內(nèi)股票的研報信息含量顯著更高，這一方面是因為分析師更加注重自身聲譽，傾向于提供更多的特質(zhì)信息，另一方面是分析師在當(dāng)選后獲取私有信息的能力進一步增強.

本文的主要貢獻體現(xiàn)在兩個方面. 第一，不同于現(xiàn)有文獻以盈余預(yù)測準(zhǔn)確度、薦股評級等較為主觀的量化指標(biāo)衡量研報的信息價值，而以較為客觀的研報文本為標(biāo)的，運用文本挖掘中的相似度算法，為研報信息含量的評估提供新的方法；第二，“圈子”產(chǎn)生的利益沖突對分析師行為的影響仍是學(xué)術(shù)界較為前沿的話題，僅有的一些研究也局限在分析師通過券商而產(chǎn)生的外部利益關(guān)聯(lián)上，通過研究分析師私人關(guān)系，為“圈子”與分析師利益沖突的研究提供了新的證據(jù)與補充.

1 文獻綜述與研究假設(shè)

1.1 研報文本分析回顧

在信息傳遞中扮演關(guān)鍵角色的分析師受到投資者和學(xué)術(shù)界的普遍關(guān)注[14,15]. 分析師一方面廣泛搜集有價值的公開信息，另一方面通過實地調(diào)研等其他途徑獲得私有信息，并對這些信息進行專業(yè)解讀，以研報的形式傳遞到市場[25-29]. 在我國資本市場處于新興加轉(zhuǎn)軌、信息環(huán)境有待改善且投資者以散戶為主的背景下，分析師在抑制信息不對稱、促進價格發(fā)現(xiàn)方面被寄予更高的期望. 作為分析師信息傳遞的重要載體，研報成為評價其表現(xiàn)的重要依據(jù). 個股研報常常對公司近期的業(yè)績表現(xiàn)、發(fā)展戰(zhàn)略、行業(yè)競爭力以及公司治理等方面的信息進行初步分析，進而得出盈余預(yù)測、薦股評級和目標(biāo)價位等量化指標(biāo). 囿于大量研報全文的不可得性及文本挖掘技術(shù)的發(fā)展，現(xiàn)有研究多局限于研報的量化指標(biāo)，對文本內(nèi)容較少涉及.

然而，正如Tsao[30]所言，“薦股評級和目標(biāo)價位是分析師研報中無關(guān)痛癢的部分，真正有價值的是產(chǎn)生這些結(jié)論的邏輯分析與細節(jié)”(7)原文是“Stock ratings and price targets are just the skin and bones of analysts’ research. The meat of such reports is in the analysis, detail, and tone”..盈余預(yù)測、薦股評級和目標(biāo)價位等量化指標(biāo)是分析師基于基本面信息得出的結(jié)論性建議，但從信息到結(jié)論的推導(dǎo)是個“黑匣子”，難以避免地?fù)诫s著分析師的主觀傾向；而文字分析更多的是對客觀事實的描述，包含了更多的增量信息. Asquith等[31]對1 126份研報全文手工構(gòu)建情緒指標(biāo)，發(fā)現(xiàn)在控制薦股評級后，這一指標(biāo)對研報發(fā)布日未來5天收益率仍有顯著解釋力，但其樣本量過小，回歸中用到的觀測數(shù)僅有193個，結(jié)論缺乏普適性. Twedt和Rees[32]通過詞性標(biāo)注對2 057份深度研報文本構(gòu)建量化指標(biāo)，也發(fā)現(xiàn)了研報文本對收益率的顯著影響，而小樣本導(dǎo)致的穩(wěn)健性問題也削弱了這一研究的代表性. Huang等[17]首次在大樣本范圍內(nèi)對研報文本進行分析，發(fā)現(xiàn)研報文本比盈余預(yù)測、薦股評級等包含了更多的信息，且文本信息對公司盈利有更長期的預(yù)測力. Huang等[33]進一步發(fā)現(xiàn)分析師在研報文字中對管理層電話會議內(nèi)容進行了信息挖掘，而投資者對這部分挖掘的信息更為關(guān)注. 伊志宏等[34]利用文本分析技術(shù)，發(fā)現(xiàn)研報文本中的負(fù)面情感傾向能夠降低股價暴跌風(fēng)險. 馬黎珺等[35]通過機器學(xué)習(xí)對分析師研報進行了文本分析，發(fā)現(xiàn)前瞻性語句的情感傾向與研報發(fā)布后的市場反應(yīng)顯著正相關(guān). 本文雖然同樣關(guān)注文本內(nèi)容，但側(cè)重的是研報信息的“增量”而非“傾向”，是對前述文獻的補充與完善.

文本相似度被廣泛應(yīng)用在基于內(nèi)容的推薦系統(tǒng)、信息檢索及論文重復(fù)率檢測等領(lǐng)域，在財經(jīng)文本中的應(yīng)用也初露端倪. 其原理是用文本之間的相似程度代理信息差異，相似度越高，則二者的信息差異越小. 利用這一思想，Hoberg和Philips[21]發(fā)現(xiàn)年報中產(chǎn)品描述章節(jié)文本相似度高的企業(yè)相互并購后獲得了更好的協(xié)同效應(yīng). 類似的，以年報中產(chǎn)品描述章節(jié)的文本相似度為上市公司重新劃分行業(yè)，Hoberg和Philips[22]發(fā)現(xiàn)這種新行業(yè)劃分能更好地解釋公司盈利能力和銷售增長等個體特征，新的行業(yè)風(fēng)險因子也具有更強的解釋力. Bushman等[23]發(fā)現(xiàn)銀行年報的文本相似度與其系統(tǒng)風(fēng)險正相關(guān)，并且文本相似度高的銀行之間的風(fēng)險存在較高的聯(lián)動性.

本文以每份研報與前3個月目標(biāo)公司所有研報文本相似度的均值作為其信息含量的代理，這一方面為衡量分析師研報信息提供了新的角度，得以更全面地研究分析師信息中介角色的發(fā)揮，另一方面擴展了文本挖掘技術(shù)在財經(jīng)文本領(lǐng)域的應(yīng)用.

1.2 “圈子”與研報文本信息

“社會關(guān)系資本化，資本市場江湖化”[17]，關(guān)系在資本市場的影響不容忽視. 研究的第一個問題是分析師在基金經(jīng)理中的“圈子”對研報文本信息和薦股評級的影響. 將“圈子”的范圍限制在基金經(jīng)理之內(nèi)是因為他們有《新財富》明星分析師的投票權(quán)，而入選《新財富》在很大程度上是分析師職業(yè)生涯成功的標(biāo)志，并且基金經(jīng)理通常擁有其所持股票的私有信息，分析師可以獲取“圈子”內(nèi)基金經(jīng)理的私有信息而得到信息優(yōu)勢，進而體現(xiàn)在研報的文本內(nèi)容中. “圈子”包括校友關(guān)系、調(diào)研關(guān)系和地域關(guān)系3個層次. 校友關(guān)系是形成社交網(wǎng)絡(luò)的重要紐帶，在資本市場中，校友間的利益共享、信息共享已被學(xué)者發(fā)現(xiàn)并證實[18]. 調(diào)研亦是分析師獲取信息的重要渠道，有兩層含義，一是調(diào)研者之間很可能已經(jīng)具有緊密的聯(lián)系；二是“交個朋友多條路”，調(diào)研時新建立的關(guān)系也很可能是新合作的開始. 而工作地點同城且同一個區(qū)，會由于地理的臨近而為社交關(guān)系的形成提供很大的潛在可能，因此,將地域關(guān)系也納入“圈子”的范疇. 借助社會網(wǎng)絡(luò)分析方法，計算每個分析師在基金經(jīng)理中“圈子”(Network)的大小.

社會關(guān)系對分析師具有雙重影響. 一方面它是資本市場信息擴散的重要渠道之一，分析師可以籍此取得信息優(yōu)勢. Horton和Serafeim[20]用社會網(wǎng)絡(luò)分析法對10 508名分析師和42 376名公司高管構(gòu)建校友關(guān)系網(wǎng)絡(luò)，發(fā)現(xiàn)網(wǎng)絡(luò)中心度高的分析師盈余預(yù)測更準(zhǔn)確，并且失業(yè)率更低. Cohen等[19]發(fā)現(xiàn)校友關(guān)系是分析師獲取私有信息的重要渠道，與上市公司高管有校友關(guān)系的分析師取得了顯著更高的薦股超額收益. 程博和潘飛[36]也發(fā)現(xiàn)分析師與CEO之間的校友關(guān)系增加了分析師的信息獲取優(yōu)勢. Cohen等[37]對校友網(wǎng)絡(luò)的進一步研究發(fā)現(xiàn)，基金經(jīng)理的持倉集中于與高管有校友關(guān)系的上市公司股票，且有關(guān)系的持倉組合收益比無關(guān)系的持倉組合收益率每年高出7.8%，這部分超額收益主要來自于上市公司重大事項公布前后，間接證實了基金經(jīng)理通過校友關(guān)系獲得了信息優(yōu)勢.

本文則用文本相似度度量研報信息含量，研究“圈子”的影響，并提出如下假設(shè)：

H1a“圈子”越廣，分析師研報文本信息含量越高.

H1b分析師對“圈子”內(nèi)基金經(jīng)理持股的研報文本信息含量較“圈子”外研報更高.

另一方面，“圈子”在賦予分析師信息優(yōu)勢的同時，也影響著研報的獨立性與客觀性. “圈子”內(nèi)私有信息的獲取不是無償?shù)?，分析師向基金?jīng)理付出的成本是更樂觀的薦股評級. Tan等[8]發(fā)現(xiàn)對于基金經(jīng)理重倉的股票，分析師公開發(fā)布的研報樂觀偏差較大，但未公開的研報不存在樂觀偏差，間接證明了分析師與基金經(jīng)理之間可能存在的利益共謀. 李志生等[38]研究發(fā)現(xiàn)證券分析師在媒體上發(fā)布的薦股行為中存在內(nèi)幕交易和利益輸送，使得財富向機構(gòu)投資者轉(zhuǎn)移. Yin[9]通過將受雇于基金公司控股股東或發(fā)起人的分析師與這些基金公司進行配對，直接研究了分析師與關(guān)聯(lián)基金經(jīng)理之間的利益互動，發(fā)現(xiàn)分析師傾向于對關(guān)聯(lián)基金公司持有的股票發(fā)布較高的薦股評級，而基金經(jīng)理則在樂觀評級發(fā)布后顯著減少了持股數(shù)量. 上述研究集中在雇傭引起的商業(yè)關(guān)系上，證實了分析師對與其具有商業(yè)關(guān)聯(lián)的股票發(fā)布了較高的薦股評級，這一邏輯同樣適用于私人關(guān)系，即分析師與基金經(jīng)理的“圈子”. 基金經(jīng)理對其持股的信息優(yōu)勢和《新財富》明星分析師投票權(quán)，有足夠的誘惑力吸引分析師用較高的薦股評級與基金經(jīng)理達成協(xié)議. 據(jù)此本文提出如下假設(shè)：

H2a“圈子”越廣，分析師薦股評級越高.

H2b分析師對“圈子”內(nèi)基金經(jīng)理持股的薦股評級較“圈子”外高.

入選《新財富》能極大促進分析師職業(yè)生涯的發(fā)展及個人財富的積累，因此競爭異常激烈. 基金經(jīng)理投票的評選機制是“圈子”效應(yīng)發(fā)揮作用的溫床. Emery和Li[39]把競選明星分析師稱為“人氣競賽”，他們發(fā)現(xiàn)市場認(rèn)可度是當(dāng)選最重要的因素. 吳偎立等[40]對我國《新財富》明星分析師評選進行研究，發(fā)現(xiàn)獲獎前明星分析師與普通分析師的研報信息含量無顯著差異，影響獲獎概率的不是提供信息的多寡而是其曝光率及所屬券商的市場地位. 這些研究都表明能否當(dāng)選更重要的是基金經(jīng)理對分析師的認(rèn)可度. 在同等條件下，分析師更容易獲得“圈子”內(nèi)基金經(jīng)理的選票，“圈子”越廣的分析師越容易當(dāng)選. 然而，分析師獲得基金經(jīng)理的選票和私有信息不是無償?shù)?，他們需要為“圈子”?nèi)基金經(jīng)理持股提供更高的薦股評級. 同時，校友關(guān)系、調(diào)研關(guān)系和地域關(guān)系只是名義上的，實質(zhì)利益同盟的形成離不開對“圈子”的維護. 只有當(dāng)分析師確實為基金經(jīng)理提供了較高的薦股評級時，才能得到基金經(jīng)理的投票回報. 從分析師對“圈子”內(nèi)、外基金經(jīng)理持股的薦股評級差異和跟蹤偏好兩個方面衡量分析師對“圈子”的維護. 因此，本文提出假設(shè)：

H3“圈子”會提升分析師入選《新財富》的概率，這種提升效應(yīng)形成的途徑是分析師對“圈子”內(nèi)、外基金經(jīng)理持股的薦股評級差異和跟蹤偏好.

在普遍認(rèn)識到研報量化指標(biāo)存在樂觀偏差的情況下，投資者更關(guān)注文本信息. 在我國股票市場也存在類似的情況，一是Wind、東方財富、國泰安和中國研究數(shù)據(jù)服務(wù)平臺等金融數(shù)據(jù)庫投入大量資金從券商研究所購買賣方分析師的研報全文，并將其以收費的方式向用戶限量提供；二是雖然中美股市在投資者結(jié)構(gòu)、市場交易制度安排方面有明顯差異，但投資者對信息獲取的訴求是一致的，在分析師研報的量化指標(biāo)存在普遍樂觀偏差的環(huán)境下，投資者更看重研報的文本信息. 在與中國的機構(gòu)投資者和中小投資者的交流中，他們也表達了對研報文本信息的重視. 據(jù)此本文提出假設(shè)：

H4研報文本信息含量越高，投資者對目標(biāo)公司的關(guān)注度越高.

當(dāng)選明星分析師后，其利益和地位得到了極大提高[6]，分析師與“圈子”內(nèi)基金經(jīng)理的交流也隨之改變. 一方面，分析師當(dāng)選后無須再一味地以高評級取悅基金經(jīng)理；另一方面，明星分析師獲取信息的能力增強，且更注重文本信息含量對自身聲譽的影響. 因此，分析師當(dāng)選后對利益與自身聲譽的動態(tài)權(quán)衡必然發(fā)生改變(8)高質(zhì)量的研報文字能夠提高投資者對分析師的認(rèn)可度，進而影響到對研報量化指標(biāo)的置信程度，并且無論是從分析師職業(yè)操守的角度，還是從監(jiān) 管層對研報信息的質(zhì)量要求，分析師都有動力提供較高質(zhì)量的文字分析.. 據(jù)此提出假設(shè)：

H5明星分析師當(dāng)選后對“圈子”內(nèi)、外股票的薦股評級差異降低，“圈子”內(nèi)股票研報信息含量提高.

2 研究設(shè)計

2.1 研究樣本與數(shù)據(jù)來源

數(shù)據(jù)有3個來源. 在構(gòu)建分析師社交圈時，分析師和基金經(jīng)理的學(xué)歷、畢業(yè)院校、所屬券商等個人特質(zhì)數(shù)據(jù)從中國研究數(shù)據(jù)服務(wù)平臺(CNRDS)獲得，由于樣本期內(nèi)(2006年～2016年)部分院校出現(xiàn)更名、合并等現(xiàn)象，統(tǒng)一將院校名稱改為現(xiàn)用名稱，并以此構(gòu)建校友圈；分析師和基金經(jīng)理調(diào)研數(shù)據(jù)亦來自CNRDS. 分析師所屬券商的辦公地址從全國企業(yè)信用信息公示系統(tǒng)手動搜集，并以此構(gòu)建地域圈. 研報全文數(shù)據(jù)來自和訊財經(jīng)，時間跨度為2006-01～2016-12，共168 184份原始研報；當(dāng)研報為團隊撰寫時，將該研報視為每一團隊成員的單獨成果，分離后共有193 097個分析師—研報數(shù)據(jù)， 將這些研報按標(biāo)的公司、分析師姓名、所屬券商和發(fā)布日期與國泰安數(shù)據(jù)庫(CSMAR)中的研報量化指標(biāo)匹配后， 最終得到64 431個研究樣本. 其他控制變量數(shù)據(jù)來自CSMAR數(shù)據(jù)庫.

2.2 關(guān)鍵指標(biāo)構(gòu)建

分析師社交圈為分析師在基金經(jīng)理中擁有的人脈資源. 與申宇等[18]不同，對社交圈從深度和廣度兩個層面進行了擴展，在深度上除了考慮直接關(guān)系，還加入了間接關(guān)系；在廣度上把“圈子”的范疇在校友圈之外加入了調(diào)研圈和地域圈.

“圈子”的計算依賴于社會網(wǎng)絡(luò)分析技術(shù)[41]，連接矩陣(adjacent matrix)是其常用的數(shù)據(jù)形式(見表1).

表1 一個連接矩陣Table 1 An adjacent matrix

如果A和B曾經(jīng)是校友，則賦值為1，否則為0. 如果A和B在同一時間調(diào)研了同一家上市公司，則認(rèn)為二者之間存在調(diào)研關(guān)系；如果A和B所屬券商的辦公地在同一個城市的同一個區(qū)，則二者存在地域臨近關(guān)系(9)部分券商存在雙總部或多總部的情形，這可能導(dǎo)致基于注冊地計算的地域圈不精確，在穩(wěn)健性檢驗中詳細考察并排除了這種可能性對本文結(jié)論的影響.. 這樣就構(gòu)建了3個僅由0和1組成的對稱矩陣，三者加總，得到初始矩陣(有權(quán)).

“朋友的朋友亦是朋友”. 間接關(guān)系也屬于“圈子”的范疇，并且與直接關(guān)系相比，其強度勢必減弱. 為將間接關(guān)系和直接關(guān)系強度統(tǒng)一加總計算，采用Yin和Liu[42]提出的指數(shù)衰減法對間接關(guān)系進行處理. 具體來說，假設(shè)A和B沒有直接關(guān)系(僅考慮直接關(guān)系時二者的權(quán)重為0)，但A和B同時與C有直接關(guān)系，即A和B通過C建立了間接關(guān)系，C是A和B的中介(10)分析師和基金經(jīng)理的本科、碩士、博士階段可能不在同一學(xué)校，因此存在這種交叉校友的現(xiàn)象.. 將A和B的間接關(guān)系進行指數(shù)衰減(具體算法見附錄A).

連接矩陣中包括分析師和基金經(jīng)理兩類節(jié)點，而《新財富》明星分析師評選時只有基金經(jīng)理才有投票權(quán)，二者不能等同而論，因此對傳統(tǒng)的社會網(wǎng)絡(luò)分析方法進行改進. 具體方法是對所有的節(jié)點按照類型進行排序，例如矩陣共有n=n1+n2個節(jié)點，n1個節(jié)點為分析師，n2個節(jié)點為基金經(jīng)理. 這樣排序之后可以根據(jù)每個連線的坐標(biāo)確定其關(guān)系類型，例如某個點的坐標(biāo)為(x,y),x>n1,y

基于綜合考慮了直接和間接關(guān)系的連接矩陣，用社會網(wǎng)絡(luò)分析中的點度中心性來衡量分析師“圈子”的大小. 在對矩陣根據(jù)分析師和基金經(jīng)理進行排序后，分析師i(i

(1)

式中E(i,j)為分析師i和基金經(jīng)理j的關(guān)系值，即排序后連接矩陣中元素(i,j)的值.Networki越大，表示該分析師在基金經(jīng)理中擁有越廣的人脈.

盡管分析師的校友關(guān)系、地域關(guān)系在不同年份保持穩(wěn)定，但其調(diào)研圈會有較大波動，同時每年均有離職和新進的分析師和基金經(jīng)理，這將導(dǎo)致分析師的“圈子”大小有較大的年度差異. 因此在樣本期內(nèi)的每一年度，都按照上述方法計算分析師“圈子”的大小.

文本相似度為研報文本余弦相似度. 兩個文本之間的余弦相似度計算主要分為分詞、構(gòu)建詞向量、計算余弦夾角3個步驟.

分詞是把研報文本拆分成詞語，以進行更深入的分析. 相比英文分詞，中文的分詞更加復(fù)雜(11)英文以空格作為分詞標(biāo)記即可，但是中文分詞需要完善的詞匯庫，詞匯庫應(yīng)該盡可能的包含目標(biāo)文本中所有的詞匯.. Jieba是中文分詞中最常用的工具，其自帶的通用詞匯庫已較為完善(12)Jieba分詞是國內(nèi)團隊開發(fā)的主要針對中文分詞的開源項目，是目前最為流行的分詞組件之一. Jieba可跨語言調(diào)用，本文用到的是 其R語言版本，該項目托管在github上，網(wǎng)址https://github.com/qinwf/jiebaR.. 考慮到研報屬于財經(jīng)文本，有較多的財經(jīng)專業(yè)術(shù)語，將搜狗輸入法官方推薦的“財經(jīng)金融詞匯大全”和“財務(wù)會計詞匯大全”導(dǎo)入Jieba中，以進一步提高分詞的準(zhǔn)確性. 分詞中另一個重要問題是對停用詞的處理. 如果將停用詞認(rèn)為是噪音，則在分詞時剔除之；如果認(rèn)為停用詞也是種信息，則保留之(13)停用詞是指“的”、“了”、“嗎”等沒有實際意義的結(jié)構(gòu)助詞或語氣詞以及特殊符號，本文用到的是哈工大停用詞表，網(wǎng)址為https:// github.com/chdd/weibo/blob/master/stopwords/哈工大停用詞表.txt.. 考慮到過多的停用詞意味著研報沒有提供太多有價值的信息，所以將保留了停用詞的文本相似度作為穩(wěn)健性檢驗.

研報文本分詞后要將每份研報向量化(14)基礎(chǔ)文庫是計算IDF必須用到的概念. 對某個詞語，IDF指這個詞語在該研報所屬特定領(lǐng)域內(nèi)的通用程度，基礎(chǔ)文庫就是這個“特 定領(lǐng)域”內(nèi)所有研報的集合. 本文中研報的基礎(chǔ)文庫是研報目標(biāo)公司所屬行業(yè)的所有研報集合.. 向量化的核心問題是每個詞語對應(yīng)的數(shù)值應(yīng)該是多少？ 采用最常用的TF-IDF方法，其中TF(text frequency)指某一詞語在這份研報中出現(xiàn)的次數(shù)，IDF指基礎(chǔ)文庫中包含該詞語的文檔數(shù)(15)在附錄B中，從兩個方面驗證了以文本相似度代理增量信息的有效性. 一是根據(jù)已有研究，給出負(fù)面薦股評級的研報中包含了更多 的新信息. 與此一致，本文發(fā)現(xiàn)賣空或減持評級的研報文本相似度顯著更低. 二是現(xiàn)有文獻發(fā)現(xiàn)，當(dāng)股票收益率出現(xiàn)跳躍時，說明股 票受到了價值相關(guān)的新信息沖擊. 以月度收益率向下跳躍代理負(fù)面信息沖擊，發(fā)現(xiàn)與同一年度其他月份的均值相比，當(dāng)月研報的文 本相似度顯著更低；而盈余預(yù)測準(zhǔn)確度無顯著差異；薦股評級反而更高. 進一步地，在以文本相似度為被解釋變量的回歸中，代理收 益率是否出現(xiàn)向下跳躍的啞變量系數(shù)顯著為負(fù)； 而以盈余預(yù)測準(zhǔn)確度和薦股評級為被解釋變量時， 啞變量的系數(shù)并不顯著 (或為 正). 表明本文的研報文本相似度能夠更好地捕捉這一信息沖擊.. TF越大，說明該詞語在這份研報中越重要；IDF越大，說明在基礎(chǔ)文庫中，該詞語是個較為通用的詞語，沒有特質(zhì)信息含量，因此權(quán)重越小. 對于一篇研報中的某個詞語，其TF-IDF最終的計算公式為

(2)

式中ft,d是該詞語在研報d中出現(xiàn)的頻率；nd是該研報包含的詞語總數(shù)；N是基礎(chǔ)文庫包含的研報份數(shù)；nt是基礎(chǔ)文庫中包含該詞語的研報份數(shù)，較低的nt表明包含詞語t研報份數(shù)較少，意味著該詞代表了較高的特質(zhì)信息.

向量化后的研報可以計算兩兩之間的相似度，即余弦夾角，計算公式為

(3)

式中A,B分別表示向量化之后的研報；cos(θ)表示A,B的余弦夾角；Ak表示向量A的第k個元素；Bk表示向量B的第k個元素；n為向量A,B的維度. 研報的余弦值越大，說明二者的夾角越小，兩篇文檔的相似度越高.

在計算出研報之間兩兩相似度之后，計算每一份研報與對應(yīng)目標(biāo)公司前3個月所有研報的相似度的均值，作為這篇研報的文本相似度. 如果在分詞時剔除了停用詞，變量為SimWu，如果保留了停用詞，變量為SimYou. 文本相似度越高，則該研報提供的新信息越少.

市場關(guān)注度采用百度指數(shù)作為度量[43-45]. 百度是國內(nèi)占有量最大的搜索引擎，自2010年3月谷歌宣布退出中國大陸市場后，2010年～2016年間百度占搜索引擎市場份額的70.17%，而即使在谷歌退出前的2009年～2010年也達到59.51%. 因此，選取百度搜索指數(shù)作為市場關(guān)注的代理具有較好的代表性. 百度指數(shù)值越大，說明該股票受到投資者的關(guān)注度越高. 其他變量構(gòu)造見變量定義表2.

表2 主要變量定義Table 2 Definition of main variables

2.3 實證模型

社交圈對分析師研報信息含量具有如下影響：一方面“圈子”(Network)拓展了私有信息的獲取途徑，分析師籍此能夠向市場提供更多的增量文本信息(SimWu)；另一方面“圈子”使分析師更容易陷入其獨立性與職業(yè)發(fā)展追求的利益旋渦，降低其研報量化指標(biāo)的客觀性. 因此，以Network為核心解釋變量，并綜合現(xiàn)有文獻中研報信息的其他相關(guān)因素，利用模型(4)來檢驗“圈子”對研報文本信息、盈余預(yù)測偏差以及薦股評級的影響

Qualityi,j,t=β0+β1Networki,t+β2Lag.Indi,j,t+β3Edui,t+β4Experiencei,t+β5Asseti,t+

(4)

國內(nèi)外學(xué)者對當(dāng)選明星分析師的影響因素進行了較為深入的研究[39,40]. 但是尚未有文獻將“圈子”納入模型，本文將Network作為核心解釋變量引入如下logistic模型

(5)

建立如下模型

Xβi,t=β0+β1Networki,t+β2SimWui,t+β3RelativeBiasi,t+β4Ranki,t+β5Timesi,t+β6ZcRatioi,t+

β7BuyRatioi,t+β8Edui,t+β9Experiencei,t+β10Asseti,t+β11AnaNumi,t+β12EliteSchooli,t+εi,t

(6)

利用模型(6)檢驗“圈子”以及文本相似度、薦股評級對當(dāng)選明星分析師概率的影響. 除核心變量Network和研報質(zhì)量(SimWu、RelativeBias、Rank)之外，參考吳偎立等[43]，同時控制如下變量：評選前分析師累計獲獎次數(shù)(Times)；跟蹤機構(gòu)重倉股比例(ZcRatio)、買入評級占比(BuyRatio)、分析師學(xué)歷(Edu)和是否名校畢業(yè)(EliteSchool)、從業(yè)時間(Experience)、所屬券商規(guī)模(Asset)以及券商所屬分析師數(shù)量 (AnaNum). 上述變量的計算方法見表 2.

建立如下模型

Xβi,t=β0+β1Networki,t+β2RankDiffi,t+β3NumDiffi,t+β4Ranki,t+β5Timesi,t+β6ZcRatioi,t+

β7BuyRatioi,t+β8Edui,t+β9Experiencei,t+β10Asseti,t+β11AnaNumi,t+β12EliteSchooli,t+εi,t

(7)

利用模型(7)檢驗“圈子”以及薦股評級差異(RankDiff)、跟蹤偏好差異(NumDiff)對當(dāng)選概率的影響，之所以將RankDiff和NumDiff加入模型是因為Network僅是分析師潛在的關(guān)系，其在評選中作用的發(fā)揮依賴于分析師對該關(guān)系的維護，而“圈子”內(nèi)外薦股評級差異和跟蹤偏好差異是維護關(guān)系的重要手段. 其他控制變量的選取與模型(6)一致.

在分析師薦股評級等量化指標(biāo)存在普遍樂觀偏差的先驗認(rèn)知下，投資者更關(guān)注研報文本信息. 尹玉剛[46]發(fā)現(xiàn)投資者更關(guān)注明星分析師，而對分析師教育背景、經(jīng)驗、努力程度等影響研報質(zhì)量的分析師特質(zhì)信息關(guān)注度較低. 在控制上述已有文獻中的變量后，Network、SimWu對投資者關(guān)注度是否有顯著影響？采用和模型(4)一樣的控制變量，用如下模型進行考察

(8)

式中Baidui,j,t是分析師i跟蹤的上市公司j在研報發(fā)布窗口期內(nèi)的搜索熱度指標(biāo)[42-44]. 同時，以異常換手率(Turnover)作為穩(wěn)健性檢驗.

曾當(dāng)選明星分析師和從未當(dāng)選明星分析師對不同分析師而言是質(zhì)的區(qū)別，一朝當(dāng)選，名氣與利益隨之而來. 他們的研究報告信息有何不同？用如下模型來檢驗這一差異

Qualityi,j,t=β0+β1EverStari,t+β2NetDummyi,j,t+β3EverStari,t×NetDummyi,j,t+β4Timesi,t+β5Edui,t+

(9)

式中EverStari,t為在年度t之前分析師i是否曾當(dāng)選明星分析師的虛擬變量，其他變量選取與模型(4)相同.

當(dāng)選明星分析師后，其收入、地位以及人脈資源均得到巨大提升[6]，此時分析師對利益與聲譽的權(quán)衡有何不同？用如下模型來研究這一動態(tài)變化

Qualityi,j,t=β0+β1AfterStari,t+β2NetDummyi,j,t+β3AfterStari,t×NetDummyi,j,t+β4Timesi,t+β5Edui,t+

(10)

式中AfterStari,t為分析師i當(dāng)選明星分析師前/后的虛擬變量，其他變量選取與模型(4)相同.

3 實證結(jié)果及分析

3.1 描述統(tǒng)計分析

表3列示了主要變量的描述統(tǒng)計結(jié)果，從表中可以看出，在剔除個人信息(學(xué)歷、經(jīng)驗等)缺失的數(shù)據(jù)后共有7 052個有效的分析師數(shù)據(jù)，其Network均值為0.133，標(biāo)準(zhǔn)差為0.572，中位數(shù)為0.005，說明分析師在基金經(jīng)理中的人脈資源差異較大. 剔除研報作者信息缺失的數(shù)據(jù)后共有64 431個文本相似度的有效觀測值，其中SimWu均值為0.087，標(biāo)準(zhǔn)差為0.043，中位數(shù)為0.080，離散程度和偏度較小.Rank的特征與前人研究一致，體現(xiàn)出較高的樂觀偏差(均值為1.313)，在75%分位數(shù)仍為買入評級，且標(biāo)準(zhǔn)差較小(0.616)；BuyRatio均值達到0.370，呈左偏態(tài)(中位數(shù)0.300). 從跟蹤上市公司的基金持股特征來看，ZcRatio均值為0.795，且分布離散程度低(標(biāo)準(zhǔn)差為0.254)，中位數(shù)為0.878，呈現(xiàn)右偏態(tài)，說明分析師傾向于對基金重倉股發(fā)布研報.RankDiff的均值為0.102，說明分析師對“圈子”內(nèi)持股普遍發(fā)布了較高的薦股評級.

表3 主要變量描述統(tǒng)計Table 3 Descriptive statistics of main variables

3.2 分析師社交圈、利益沖突與研報信息

表4利用模型(4)分析了社交圈對分析師研報文本信息含量、相對預(yù)測偏差以及薦股評級的影響，其中Edui,t、EliteSchooli,t、Experiencei,t、Asseti,t以及AnaNumi,t等分析師特征的頻率為年度，其他控制變量則在每次研報發(fā)布日進行更新. 注意到模型中解釋變量之間的量綱不同，以原始數(shù)據(jù)直接回歸將導(dǎo)致系數(shù)對量綱過于敏感，且不便于不同變量系數(shù)之間的對比. 為消除量綱差異以及系數(shù)的可比，常用的做法是Greenland等[47]提出的標(biāo)準(zhǔn)化回歸方法. 其思路是先將被解釋變量和所有自變量進行標(biāo)準(zhǔn)化，用標(biāo)準(zhǔn)化后的數(shù)據(jù)進行多元回歸. 其回歸的系數(shù)βi代表變量i變動1個標(biāo)準(zhǔn)差，被解釋變量變動βi個標(biāo)準(zhǔn)差. 需要注意的是，雖然在模型中加入了前人發(fā)現(xiàn)的控制變量，仍無法窮盡被解釋變量的所有影響因素，但可以合理地推斷這些因素中相當(dāng)?shù)囊徊糠植粫S著時間推移而迅速消失. 因此，通過將被解釋變量的一階滯后項加入模型，能夠從一定程度上更全面地控制這些因素對被解釋變量的影響. 下文所有固定效應(yīng)模型的實證分析均遵循此范式.

表4 分析師社交圈與研報信息含量關(guān)系分析Table 4 Analysis on the relationship between analysts’ social ties and information content in research reports

分析師的信息來源有兩部分，上市公司披露的公開信息和分析師獲得的私有信息[26]. 私有信息包括廠房設(shè)備維護、日常運營狀況、公司管理水平等無須依法披露但與公司價值息息相關(guān)的信息. Cheng等[28]發(fā)現(xiàn)分析師通過調(diào)研活動獲取了有價值的私有信息，并有更好的盈余預(yù)測及薦股表現(xiàn)，這一現(xiàn)象在重資產(chǎn)的行業(yè)(如傳統(tǒng)制造業(yè))中更為明顯. 分析師獲得私有信息的另一重要渠道為其“圈子”，即本文定義的社交圈. “圈子”廣的分析師能夠獲得更多的私有信息，因此，其文本信息含量更高，體現(xiàn)為更低的文本相似度(表4第3列Network系數(shù)為-0.020，t值為-5.79)，驗證了上文提出的H1a.

分析師一方面通過“圈子”獲得了更多的私有信息，另一方面也需要發(fā)布更樂觀的薦股評級作為補償. 表4第6列和第9列表明，“圈子”顯著增加了分析師研報的薦股評級(Network系數(shù)為0.050，t值為20.74)和盈余預(yù)測樂觀偏差(Network系數(shù)為0.005，t值為1.98)，這與H2a一致. 表4整體上看，在控制了年度和行業(yè)固定效應(yīng)后，無論是僅以“圈子”作為獨立解釋變量的單變量分析，還是逐漸加入其他控制變量后的多元回歸分析，“圈子”對研報信息含量、盈余預(yù)測偏差和薦股評級的系數(shù)都符合前文假設(shè).

表5和表6展示了logistic模型(模型(5))的實證結(jié)果. 出于自身職業(yè)生涯的考慮，分析師具有發(fā)布樂觀薦股評級的傾向. Emery和Li[39]和吳偎立等[40]的研究都表明，高薦股評級能夠幫助分析師當(dāng)選. 與前人研究一致，表5第4列說明較高的薦股評級能夠增加當(dāng)選為明星分析師的概率(Rank系數(shù)為0.928，z值為3.71). 但是分析師研報的文本信息含量和盈余預(yù)測準(zhǔn)確度對當(dāng)選概率無顯著影響(第2列SimWu系數(shù)為0.096；第3列RelativeBias系數(shù)為-0.039，均不顯著).

表5 分析師社交圈、薦股評級與當(dāng)選明星分析師概率Table 5 Analysts’ social ties, stock recommendations and probability of being a star analyst

分析師社交圈能夠顯著增加其當(dāng)選為明星分析師的概率. “圈子”文化在中國由來已久，其在金融領(lǐng)域的作用逐漸受到學(xué)者的廣泛關(guān)注[18-20]. 在基金經(jīng)理投票的評選機制下，明星分析師評選更成了“圈子”發(fā)揮作用的溫床：分析師更容易獲得“圈子”內(nèi)基金經(jīng)理的選票，并為基金經(jīng)理的持股發(fā)布高薦股評級. 表5第1列從實證上支持了這一推論，控制其他控制變量后，“圈子”對分析師當(dāng)選的影響系數(shù)為0.182，并且在10%的置信水平上顯著. 在控制了文本相似度、盈余預(yù)測偏差以及薦股評級后(第5列)，“圈子”的系數(shù)增加到0.353，z統(tǒng)計量增加到2.30，并且薦股評級在加入“圈子”后不再顯著，這說明相對于薦股評級，“圈子”是影響分析師當(dāng)選更重要的因素.

“圈子”為分析師與基金經(jīng)理的利益交換提供了潛在途徑，但其發(fā)揮作用還依賴于分析師對關(guān)系的維護. 從兩個角度衡量分析師對“圈子”內(nèi)基金經(jīng)理關(guān)系的維護，一是分析師在某一年度對“圈子”內(nèi)基金經(jīng)理持股薦股評級的均值減去對“圈子”外基金經(jīng)理持股薦股評級的均值(RankDiff)，二是分析師在某一年度對“圈子”內(nèi)基金經(jīng)理持股發(fā)布的研報數(shù)量占該年度該分析師發(fā)布研報的總量，即跟蹤偏好(NumDiff). Gu等[48]發(fā)現(xiàn)分析師傾向于跟蹤與其有校友關(guān)系的基金經(jīng)理持有的股票.

從表6看出，RankDiff(表6第1列系數(shù)為0.249，z值為2.43)和NumDiff(第2列系數(shù)為0.242，z值為2.49)對分析師當(dāng)選都有顯著影響，同時加入這兩個變量后各自依然顯著(第3列RankDiff系數(shù)為0.193，z值為1.84；NumDiff系數(shù)為0.197，z值為1.95). 并且加入這兩個變量中的任何一個后“圈子”不再顯著(第1列、第2列和第3列Network的系數(shù)分別為0.137、0.122和0.122；z值分別為1.29、1.16和1.15). 從第3列進一步發(fā)現(xiàn)薦股評級差異(系數(shù)0.193)和跟蹤偏好(系數(shù)0.197)對當(dāng)選的影響大于“圈子”(系數(shù)為0.122). 這說明“圈子”效應(yīng)的發(fā)揮依賴于分析師對基金經(jīng)理的利益輸送。表5與表6共同驗證了H3. 盡管更高的薦股評級有助于分析師當(dāng)選，進而實現(xiàn)其利益，但文本信息含量卻可能影響分析師的市場影響力和公信力.

表6 分析師跟蹤偏好、樂觀偏差與當(dāng)選明星分析師概率Table 6 Following preference, optimistic bias and the probability of being stars

利用模型(8)檢驗了文本信息含量對市場關(guān)注度的影響，結(jié)果見表7.實證發(fā)現(xiàn)，研報發(fā)布后的第1天(Baidu(-1,1))投資者更關(guān)注分析師自身的“圈子”(表7第3列的系數(shù)為0.012，t值為1.97)以及當(dāng)選次數(shù)(表7第1列系數(shù)為0.007，t值為2.05；而在第3列加入SimWu后Times不顯著，t值為0.733). 但第3天(Baidu(-3,3))和第5天(Baidu(-5,5))投資者更關(guān)注研報的信息含量，第6列和第9列SimWu系數(shù)分別為-0.018和-0.010，t值分別為-3.09和-1.76，而分析師的“圈子”和當(dāng)選次數(shù)對市場關(guān)注沒有顯著影響. 驗證了H4. 尹玉剛[46]將投資者關(guān)注明星分析師而忽視分析師特質(zhì)的現(xiàn)象稱為認(rèn)知偏差，因為這些分析師特質(zhì)更能影響研報質(zhì)量. 值得注意的是，從表7看出投資者對新發(fā)布的研報在第1天(Baidu(-1,1))出現(xiàn)了關(guān)注偏差，但是隨著時間推移，這種偏差在研報發(fā)布后第3天和第5天(Baidu(-3,3) 和Baidu(-5,5))消失，市場關(guān)注重新回歸富含文本信息的研報.

表7 分析師“圈子”與市場關(guān)注(百度指數(shù))Table 7 Analysts’ social ties and market attention (Baidu Index)

等[47]的標(biāo)準(zhǔn)化回歸方法，其常數(shù)項為0，故未列示.

3.3 進一步研究

上文研究為分析師社交圈與研報文本信息含量和薦股評級的關(guān)系提供了直接證據(jù)，并證明了薦股評級及其在“圈子”內(nèi)外的差異對分析師職業(yè)生涯的重要影響，以及研報文本信息含量對市場關(guān)注的作用. 下面則進一步研究不同分析師群體對其“圈子”內(nèi)/外基金經(jīng)理持股研報的差異，以及明星分析師在當(dāng)選前后研報各指標(biāo)(文本信息含量和量化指標(biāo))的變化，從而考察“圈子”導(dǎo)致的利益沖突在分析師當(dāng)選前后的動態(tài)過程,結(jié)果如表8所示.

表8表明，從研報文本增量信息的角度，曾當(dāng)選的明星分析師從“圈子”內(nèi)獲取信息的能力更強，在面板 A中體現(xiàn)為DiffStar的絕對值(0.011)大于DiffNonStar的絕對值(0.009)；從動態(tài)變化看，明星分析師當(dāng)選后從“圈子”內(nèi)獲取信息的能力進一步增強，DiffAfter的絕對值(0.012)大于當(dāng)選前的DiffBefore的絕對值(0.005).

表8 不同分組下”圈子”內(nèi)外研報信息差異Table 8 Difference of research report information between inside and outside social ties under different groups

這一證據(jù)與上文的分析一致，分析師當(dāng)選后從“圈子”內(nèi)獲取信息的能力增強. 其次，在前文論述中，將薦股評級作為分析師獲取信息的成本，那么這一成本的動態(tài)變化有什么特征？ 從明星分析師與非明星分析師的靜態(tài)對比看，明星分析師整體上對“圈子”內(nèi)基金經(jīng)理的持股給予了更高的薦股評級(面板A第2列中DiffStar的值為0.071，而DiffNonStar的值為0.037)，這也是明星分析師能獲取更多增量信息的原因. 尤其是明星分析師當(dāng)選前，對“圈子”內(nèi)基金經(jīng)理持股的薦股評級顯著更高(面板 BDiffBefore的值為0.196). 有趣的是，在當(dāng)選明星分析師后隨著分析師自身財富和市場地位的迅速提高，他們出于對聲譽的考量，給出了相對較低的薦股評級(DiffAfter的值為0.048).

最后，曾當(dāng)選明星的分析師對“圈子”內(nèi)基金經(jīng)理持股給予了更樂觀的盈余預(yù)測(面板 ADiffStar的值為0.778)，且“圈子”內(nèi)外的樂觀程度差異更大(面板ADiffNonStar的值為0.226). 這也表明明星分析師群體給出的盈余預(yù)測整體上比非明星分析師更樂觀. 僅從明星分析師群體看，當(dāng)選后他們對“圈子”內(nèi)的樂觀程度更高(面板BDiffBefore的值為0.603，而DiffAfter的值為0.791). 結(jié)合薦股評級的動態(tài)變化，可以看出明星分析師當(dāng)選后雖然給予了更客觀的薦股評級，但盈余預(yù)測中的樂觀偏差卻在增加.

在加入控制變量后，用模型(9)更細致地研究了明星/非明星分析師研報信息的差異,結(jié)果見表9. 表9第1列表明明星分析師和非明星分析師的文本相似度整體上沒有差異(EverStar系數(shù)為0.006，t值為0.96)，但他們呈現(xiàn)出共同特征——對“圈子”內(nèi)股票研報的文本相似度都更低(表9第2列中NetDummy的系數(shù)為-0.009，且在5%水平上顯著). 然而在第3列中加入NetDummy和EverStar的交叉項后發(fā)現(xiàn)其系數(shù)為-0.013，且在5%水平上顯著，這說明明星分析師對”圈子內(nèi)外文本相似度的差異要顯著大于非明星分析師，即明星分析師更能獲得“圈子”內(nèi)基金經(jīng)理的私有信息，并體現(xiàn)在文本信息中，也驗證了H1b. 高的薦股評級(第6列EverStar系數(shù)為0.094，t值為28.40)；無論是明星還是非明星分析師，都會對“圈子”內(nèi)的股票給出更高的薦股評級(第5列NetDummy系數(shù)為0.038，t值為16.31)；與表9結(jié)論相對應(yīng)，發(fā)現(xiàn)明星分析師更注重給“圈子”內(nèi)基金經(jīng)理持股發(fā)布較高的薦股評級(第6列交叉項EverStar×NetDummy系數(shù)為0.008，t值為2.17)，驗證了H2b. 對于盈余預(yù)測偏差，第9列EverStar系數(shù)為0.003，t值為0.90，這是由于盈余預(yù)測偏差的來源有兩個：一是分析師的樂觀偏差，曾當(dāng)選的分析師面臨更嚴(yán)重的利益沖突；其次，盈余預(yù)測偏差也包含了信息，明星分析師有更廣泛的的信息搜集和處理能力，預(yù)測更準(zhǔn)確. 兩個相反的效應(yīng)相互抵消，導(dǎo)致其系數(shù)不顯著. 同樣的，交叉項也沒有顯著的解釋力(第9列EverStar×NetDummy系數(shù)為-0.003，t值為-0.81). 首次當(dāng)選后分析師的知名度大大提高，同時也獲得極大經(jīng)濟利益. 這對分析師有兩方面的重要影響，一是其更加注重自己的市場影響力及公信力；二是隨著其地位的提高，他們通過“圈子”內(nèi)基金經(jīng)理獲取私有信息的能力也得到增強.

表9 明星/非明星分析師研報信息差異Table 9 Difference of information content between star and non-star analysts

利用模型(10)動態(tài)研究了分析師入選《新財富》后對“圈子”內(nèi)外評級差異的動態(tài)變化,結(jié)果見表10. 從第1列可以看出，盡管當(dāng)選后明星分析師研報的文本相似度整體上有所上升(AfterStar系數(shù)為0.012，t值為1.81)，但是他們當(dāng)選后對“圈子”內(nèi)股票研報的文本相似度顯著降低(第3列AfterStar×NetDummy系數(shù)為-0.041，t值為-3.18)，這一方面是因為他們更容易獲取“圈子”內(nèi)基金經(jīng)理的私有信息，另一方面是因為他們更注重自身的市場號召力，有動機提供更有信息的研報. 前文提到分析師當(dāng)選后市場知名度及地位會有顯著提高，這很可能會影響其與“圈子”內(nèi)基金經(jīng)理的“議價”能力：他們一方面能夠更容易獲得“圈子”內(nèi)基金經(jīng)理所擁有的私有信息，另一方面無需一味地以高薦股評級取悅基金經(jīng)理. 第6列驗證了這一推論，明星分析師當(dāng)選后對“圈子”內(nèi)股票的薦股評級依然顯著(AfterStar×NetDummy系數(shù)為-0.021，t值為-3.40). 與表9的結(jié)論類似，盈余預(yù)測偏差則在明星分析師當(dāng)選前后沒有顯著差異(第9列第3行系數(shù)不顯著). 表10的實證結(jié)果驗證了H5.

表10 明星分析師當(dāng)選前后研報信息差異Table 10 Difference of information content between before and after being star analysts

3.4 穩(wěn)健性檢驗

實證分析中，用剔除了停用詞的文本相似度度量研報增量文本信息，然而作為沒有實際意義的結(jié)構(gòu)助詞或語氣助詞以及特殊符號，停用詞從某種程度上代表了特殊的“信息”——無用信息. 為保證結(jié)論的可靠性，使用保留了停用詞的文本相似度(SimYou)進行穩(wěn)健性檢驗，結(jié)果見表11. 表11第3列加入所有控制變量后，結(jié)論不變(Network系數(shù)為-0.032，t值為-7.50).

表11 保留停用詞的穩(wěn)健性檢驗Table 11 Robustness test of remaining stop words

盡管以百度指數(shù)作為市場對股票的關(guān)注度是學(xué)者常用的做法[43-45]，但也有采用換手率作為市場關(guān)注度的度量[49,50]. 研報文本相似度對市場關(guān)注度的影響在替換市場關(guān)注度指標(biāo)后是否依然存在？本文構(gòu)建異常換手率(Turnover)指標(biāo)來檢驗結(jié)果的穩(wěn)健性. 異常換手率是研報發(fā)布后i日與發(fā)布前i日換手率的均值差異(i分別取值1，3，5). 檢驗結(jié)果展示在表12中. 從中看出研報文本相似度對股票換手率的影響與百度指數(shù)具有同樣的模式，結(jié)論穩(wěn)健.

表12 分析師“圈子”與市場關(guān)注度(異常換手率)Table 12 Analysts’ social ties and market attention (Turnover)

在前文中，用模型(10)研究了分析師當(dāng)選明星后股票研報質(zhì)量(SimWu和Rank)的變化，發(fā)現(xiàn)明星分析師更加注重研報的文本信息含量，而降低了“圈子”內(nèi)股票薦股評級. 為驗證這一結(jié)論的可靠性，直接以RankDiff及NumDiff為被解釋變量，采用如下模型檢驗分析師當(dāng)選明星后的動態(tài)變化

（11）

式中Diffi,t代表RankDiff和NumDiff，控制變量的選取與模型(4)相同，回歸結(jié)果展示在表13中.

表13 明星/非明星分析師研報差異穩(wěn)健性檢驗Table 13 Robustness test of difference of information content between star and non-star analysts

回歸方法，其常數(shù)項為0，故未列示；為節(jié)約篇幅，其他控制變量也未在表中顯示.

與表9和表10的結(jié)論吻合，發(fā)現(xiàn)相對于非明星分析師，明星分析師對“圈子”內(nèi)股票的薦股評級更高，也更傾向于對“圈子”內(nèi)的股票發(fā)布研報.

另外，我國部分券商存在雙總部或多總部的情況，這可能會導(dǎo)致正文中基于注冊地計算的分析師“地域圈”有偏差. 實際上，雖然很多券商存在雙總部或多總部的情況，但大部分分析師主要在注冊地的研究所辦公，其它總部的研究所主要是為在當(dāng)?shù)亻_展業(yè)務(wù)的分析師設(shè)置的臨時辦公場所. 但是依然檢驗了雙總部或多總部情形對分析師“地域圈”構(gòu)建造成的可能影響。從各地方證監(jiān)局網(wǎng)站統(tǒng)計了各自轄區(qū)內(nèi)券商的情況，得到每家券商的總部數(shù)量與所在地，發(fā)現(xiàn)樣本所包含的133家券商中，有72家券商只有1家總部，雙總部或多總部的有61家. 對于多總部或雙總部的券商，無法確切地知道某個分析師所屬的確切總部進而計算“地域圈”，因此表14基于72家單總部券商旗下的分析師樣本重復(fù)了表4的實證模型. 與表4相比，表14中主要解釋變量的系數(shù)與顯著性保持一致. 同樣的，社交圈對分析師預(yù)測偏差的影響也保持穩(wěn)健，這些結(jié)論進一步表明多總部券商的情況并不影響本文主要結(jié)論.

表14 基于單總部券商的子樣本分析Table 14 Subsample analysis based on single-headquarter brokerage

4 結(jié)束語

研究報告是分析師向市場傳遞信息的重要載體，以往研究多以盈余預(yù)測偏差和薦股評級等量化指標(biāo)評價研報的信息價值，但這些量化指標(biāo)本質(zhì)上是分析師基于其公共信息和私有信息的結(jié)論性預(yù)測，而非信息本身. 分析師從解讀信息到作出預(yù)測的過程是個“黑匣子”，具有較強的主觀性且易受到外部利益沖突的干擾，從投資者角度來說這些指標(biāo)也不具有及時的可驗證性，以其作為評價分析師信息中介功能的依據(jù)可能片面且不客觀. 因此，本文創(chuàng)新性地以文本相似度衡量研報信息含量，并通過量化分析師社交圈的大小，研究“圈子”對分析師獨立性的影響及其在研報信息含量中的體現(xiàn)，運用邏輯演繹并實證得出一些有價值的發(fā)現(xiàn).

“圈子”是分析師獲取私有信息的重要途徑，人脈廣泛的分析師憑借信息優(yōu)勢能夠向市場提供具有顯著增量信息的研究報告. 實證發(fā)現(xiàn)“圈子”廣的分析師研報文本信息含量更高，這一現(xiàn)象在“圈子”內(nèi)基金經(jīng)理持股的研報中更為顯著. 同時，在“社會關(guān)系資本化，資本市場江湖化”的股票市場，“圈子”增加了分析師陷入利益漩渦的概率，分析師可能以高評級的研報謀求私人利益. 對該問題的實證分析證實了這一推論，“圈子”廣的分析師整體上薦股評級更高，并且其對“圈子”內(nèi)基金經(jīng)理持股的薦股評級顯著高于“圈子”外.

本文進一步分析“圈子”效應(yīng)在分析師研報中發(fā)揮作用的機制. 作為重要的外部激勵，當(dāng)選明星分析師是分析師職業(yè)生涯的終極追求，而基金經(jīng)理手握明星分析師評選的投票權(quán). 實證發(fā)現(xiàn)對“圈子”內(nèi)基金經(jīng)理持股發(fā)布高評級能顯著增加分析師入選《新財富》的概率，從某種程度上講，高薦股評級是分析師獲取基金經(jīng)理選票的籌碼. 盡管文本信息含量對當(dāng)選概率沒有顯著影響，但是高信息含量的研報文本能夠引起更大的市場反應(yīng)，標(biāo)的股票獲得了更廣泛的市場關(guān)注.

作為分析師職業(yè)發(fā)展的重要節(jié)點，入選《新財富》后分析師的聲譽與利益發(fā)生了顯著改變，此時“圈子”效應(yīng)發(fā)生了何種變化？對這一動態(tài)問題的研究發(fā)現(xiàn)當(dāng)選明星后分析師更注重文本信息含量，而對“圈子”內(nèi)股票的薦股評級有所下降. 其原因是分析師的職業(yè)生涯利益得到實現(xiàn)后更注重聲譽，并且明星分析師獲取私有信息的途徑更加多元化，而以高評級獲取選票的動機減弱.

本文的研究價值主要體現(xiàn)在兩方面. 一是為全面評價分析師研報信息含量提供了新的方法. 不同于以往局限于研報量化指標(biāo)的研究，本文將其范圍拓展到了更為客觀和重要的的研報文本，并且相對于量化指標(biāo)，投資者更關(guān)注研報的文本信息. 二是為“圈子”在資本市場的作用提供了新的補充，發(fā)現(xiàn)“圈子”對分析師具有雙重影響：一方面為分析師發(fā)現(xiàn)私有信息提供了便利，有利于其信息中介作用的發(fā)揮；另一方面影響分析師的獨立性，提高了薦股評級的樂觀偏差. 這為投資者如何充分利用研報信息以及規(guī)范分析師行為提供了新的思考與啟示.