一 引言

投资评级是证券分析师研究报告中的最有用信息之一，也是投资者进行交易决策时的重要参考依据。自然地，对分析师投资评级是否具有信息含量、其影响因素以及市场反应的研究受到越来越多的关注。尽管样本数据及研究方法在不断变化和改进，但不同年代的学者对分析师评级是否具有信息含量以及市场会否作出反应都给出了一致的肯定性结论。随着研究的深入，对影响分析师评级信息含量的因素，如利益冲突、声誉、公司因素、行为偏差、盈余预测性质等的挖掘成为学者关注的重点。

当然，上述研究多是基于成熟的资本市场, 而针对我国证券分析师评级的研究尚处于起步阶段，成果非常有限。朱红军等(2007)研究发现，我国分析师具有把握市场短期热点的能力，短期股票推荐具有一定的信息含量，市场会作出反应。姚铮等(2009)用WIND数据实证检验了分析师投资评级的信息含量，发现分析师的评级总体具有信息含量。这些文献主要是检验评级的信息含量、某些影响评级信息含量的因素和市场的反应，受数据时间跨度较短或覆盖面窄的制约，大多不够全面深入；无例外地，又都是以分析师为研究对象，忽略了作为一个自负盈亏的经营主体——券商。券商是分析师最重要的资源提供者，券商的激励机制、报告发布制度、经营风格、为分析师创造信息获取渠道的多寡、便利性以及支持力度等往往对分析师有着几乎决定性的影响；最终分析师的报告又必须通过券商这个统一出口对外发布，这就意味着券商对分析师报告可以进行甄别筛选，每份报告均代表券商的意图和自利性诉求，体现券商的经营风格和理念。因此，本文将将券商列为研究对象而不是单个分析师，将能更准确地把握中国分析师评级的全貌及其背后的激励和限制因素。

以券商个体为研究对象，显然其自身利益及信息优势都会影响分析师评级的信息含量。其中，券商利益体现为投行业务、自营业务、经纪业务和声誉；信息优势主要体现为规模、地理优势和承销关系。那么，两者将如何影响分析师评级的信息含量，且孰轻孰重呢？这是本文将要剖析的主要问题；而市场对分析师评级的反应如何则是本文将要剖析的另一问题。

借鉴国外规范的对证券分析师研究的方法，结合中国资本市场现状，本文突破先前研究的小样本数理统计模式，数据将更加翔实(2003—2010年)，完整再现了牛熊市转换间我国分析师评级的整体状况，通过检验券商利益和信息优势对分析师评级信息含量、乐观程度的影响和市场的反应，得到了系统性理论的基础证据。鉴于券商研究报告有单个分析师署名和多个分析师联合署名两种发布形式，而署名人数的多寡可能反映券商的经营风格和风险偏好，可检验声誉压力在分析师中的分担情况，本文首次将报告署名人数纳入分析模型，以检验是否存在“共同承担责备效应”。本文研究发现：分析师的投资评级具有信息含量，市场会作出反应，投资者可以通过分析师的某些评级获利；但分析师评级也存在着明显的乐观倾向，尤其是对券商自营、机构重仓股的评级，其信息含量较少；承销关系并不能增加评级的信息含量；声誉对分析师个体约束较大，明星分析师的评级信息含量较大，声誉对券商约束力不足；来源于券商总部的地理优势可增加分析师评级的信息含量。

本文后续的结构安排如下:第二部分是理论分析与研究假设的提出；第三部分是研究设计；第四部分是数据、描述性统计及实证结果阐释；最后为结论。

二 理论分析与研究假设

券商利益及其与上市公司的承销关系有利于券商向分析师提供更多接近被研究上市公司管理层的机会，^①使之获得更多的私人信息(Malloy, 2005)，作出更准确的评级；在控制相关因素后，Jacob等(2008)发现有承销关系的投资银行分析师评级较无承销关系的投资银行分析师评级更准确，投资银行所拥有的高质量分析师、更多的资源、承销带来的信息优势给出了部分解释。然而，Dugar等(1995)、Asquith等(2005)、原红旗等(2007)的研究并没有支持因承销关系而具有信息优势的分析师评级更准确的结论，他们发现，为了维持与上市公司管理层的良好关系以备今后承销业务的承揽以赚取更多的承销费用，以及获得更多的内部信息等，分析师更倾向于作出有失偏颇的评级。Lin等(1998)也发现有承销关系的分析师评级更乐观，市场将承销商的“持有”推荐视为“卖出”推荐。由此可见，承销关系对分析师评级的影响具有不确定性，有待本文检验。

据统计，国内券商平均50%以上的收入来自于经纪业务，而其中最主要的是股票交易佣金。为争夺经纪业务，券商们不断“圈地”扩大营业部布局，而残酷的“佣金大战”早已成为业内普遍的现象。由于在沪深证券交易所没有交易席位，基金等机构投资者必须通过租用券商席位进行股票买卖并向券商支付交易佣金；显然，在股票卖空限制下，为刺激交易、争取更多的佣金，分析师有足够的动力对机构重仓股发布乐观评级(Jackson, 2005；Gu et al, 2009；Mola & Guidolin, 2009)。藉此，提出假设1。

假设1:分析师对机构重仓股的评级更乐观，信息含量较少。

在我国，券商的另一项重要收入来自于股票自营。尽管2010年12月29日中国证券业协会发布了《证券公司信息隔离墙制度指引》，但鉴于该指引的“软约束”和券商自身获利的冲动，分析师总体上对所属券商已重仓持有股票的评级会更加乐观，“越墙”行为仍难免发生(曹胜、朱红军, 2011)。藉此，提出假设2。

假设2:分析师对所属券商自营重仓股发布的评级更乐观，信息含量较少。

对券商整体及分析师个体而言，声誉都至关重要。一般说来，券商及分析师的声誉与其研究报告准确度正相关。O’Brien(1988)发现，入选美国“机构投资者”杂志评选的“全美明星分析师”的有声誉分析师的评级比无声誉分析师的更有信息含量，原因则归于有声誉分析师具有适时性优势，他们提供评级数据的频率高于无声誉分析师；Stickel(1992)等研究指出，明星分析师的研究更准确和及时；Fang和Yasuda (2009)通过实证研究发现，券商及分析师的声誉会对分析师评级产生抑制作用；Bradley等(2006)通过研究在公司IPO时担任副主承销商的证券承销商，发现如拥有高声誉的证券分析师，则该公司增发股票时极有可能变更为主承销商。然而也有一些研究发现，刺激交易量以提高交易手续费收入、维持与目标公司管理层关系以获取更多信息、获取投行业务等动机，可能阻碍分析师作出客观独立的判断，从而削弱声誉机制的约束力(姚铮等, 2009)。由此可见，声誉对分析师评级的影响具有不确定性，有待本文验证。

券商的研究报告要么以单个分析师署名发布，要么以多个分析师署名发布；除利益、经验风格等考虑外，声誉对署名方式的选择有重要的影响。当报告以单个分析师署名发布时，分析师将承受更大的声誉压力，因此作出的评级可能更谨慎；而以多个分析师集体署名发布时，风险及压力将在多个分析师之间分配，但他们也可能拥有更多的信息来源渠道而具有信息优势，从而提供信息含量更多的评级。由此可见，署名人数对评级信息含量的影响不确定，有待本文验证。

大券商拥有的资源相对较多，信息获取渠道更广，对市场的影响力也较大，因此可以为其聘用的分析师创造更好的工作环境，提供更好的资源和更高质量的数据、管理支持，提供更多接近被研究公司管理层的机会而获得更多的私人信息，从而提高整体评级质量(Mikhail, 1997)。藉此，提出假设3。

假设3:大券商的聘用分析师作出的评级信息含量更多。

可获信息量及信息获取的难易程度是决定评级质量的主要因素之一，地理邻近优势有助于信息的获取及流动，降低信息获得成本, 从而引致本地优势，提高评级信息含量(Bae et al，2008)；此外，当地分析师也更有可能与CEO面对面交流获取“软”信息以及走访上市公司；基金经理、个人投资者对持有本地股票的偏好，会使分析师花费更多时间和精力来跟踪分析本地股票，以满足当地客户的需求，因此本地分析师可能更专业，评级质量相对更好(Malloy, 2005)。对于我国券商分析师是否也因地理接近而具有信息优势，李冬昕等(2011)用2005—2008年数据进行了研究，结果发现我国分析师盈利预测偏差与地理优势存在一定的正相关性，分析师的本地优势在对高成长性企业、国有企业评级中更显著。除与上市公司在地理上邻近的优势外，众所周知，北京、上海、深圳三地作为中国三大经济中心，除通讯、交通等便利外，更是绝对的信息中心，是绝大部分有关上市公司信息、国家相关政策、措施信息的来源地，为此，众多券商纷纷将总部或研发部门设在三地，以扩大信息来源渠道和降低信息收集成本。故券商总部设于上述三地之一，可作为另一地理优势。藉此，提出假设4。

假设4a:与上市公司地理邻近券商的聘用分析师评级信息含量更多。

假设4b:总部设于京沪深三地之一券商的聘用分析师评级信息含量更多。

衡量分析师评级信息含量的一个关键指标就是市场反应。早在1991年，Schipper就指出分析师的买卖推荐对股价有影响；Liu等(1990)也发现，市场对分析师买入推荐的反应为正，对卖出推荐的反应为负；市场通常会将分析师的评级与其对股票未来业绩的判断相联系。国内王征等(2006)利用分析师评级构建投资组合，支持了评级具有投资价值、市场会作出反应并带来超额收益的观点。王宇熹等(2010)则指出，在面对分析师一致作出“买入”评级的股票时，投资者应尽量缩短投资延迟时间，以获取较高的超额回报；尽早获得分析师的“卖出”或“减持”评级信息，可避免较大亏损。藉此，提出假设5。

假设5:分析师评级具有信息含量，市场会作出反应。

三 研究设计

本文首先检验券商利益、信息优势对评级乐观程度的影响，设定模型1：

$ \mathit{REC}{\rm{ = }}{\alpha _0} + {\alpha _1}BSIZ{E_{i,j,t}} + {\alpha _2}LOCA{L_{i,j,t}} + {\alpha _3}METR{O_{i,j,t}} + {\alpha _4}AFFI{L_{i,j,t}} + {\alpha _5}Q{S_j} + {\alpha _6}J{G_j} +\\ {\alpha _7}HIJ{H_{i,j,t}} + {\alpha _8}STA{R_{i,j,t}} + {\alpha _9}SINGL{E_{i,j,t}} + {\alpha _{10}}FEX{P_{i,j,t}} + {\alpha _{11}}GENEX{P_{i,j,t}} + {e_{i,j,t}} $

(1)

式(1)中，REC是分析师评级的代理变量，当评级为“买入”、“增持”、“中性”、“卖出”及“减持”时，REC对应取4、3、2、1。^①显然，REC越大表明评级越乐观；如α_i显著大于0，则表明分析师出具了更乐观的评级。α₀是回归方程中的常数项，表示其他可能影响评级乐观性的因素；α_i是各解释变量的待估系数；e_{i, j, t}是随机项。^②各解释变量的定义如表 1。

接着，借鉴Beaver(1968)的做法, 我们采用AAR_-1，1²作为信息含量的代理变量，检验券商利益、信息优势对评级信息含量的影响，设立模型2：

$ \mathit{AAR}_{^{ - 1, 1}}^2{\rm{ = }}{\beta _0} + {\gamma _1}A{B_{i, j, t}} + {\gamma _2}{H_{i, j, t}} + {\gamma _3}{S_{i, j, t}} + {\beta _1}BSIZ{E_{i, j, t}} + {\beta _2}LOCA{L_{i, j, t}} + {\beta _3}METR{O_{i, j, t}} + {\beta _4}AFFI{L_{i, j, t}} + \\{\beta _5}Q{S_j} + {\beta _6}J{G_j} + {\beta _7}HIJ{H_{i, j, t}} + {\beta _8}STA{R_{i, j, t}} + {\beta _9}SINGL{E_{i, j, t}} + {\beta _{10}}FEX{P_{i, j, t}} + {\beta _{11}}GENEX{P_{i, j, t}} + {\varepsilon _{i, j, t}} $

(2)

式(2)中，AAR_-1，1是评级发布日及其前后一天共三天的百分比化市场调整平均超额回报^①；γ_i是评级虚拟变量对应的待估系数，此处我们设立B、AB、H、S四个虚拟变量，当评级为“买入”时，B取1，反之为0；评级为“增持”时，AB取1，反之为0；评级为“中性”时，H取1，否则为0；评级为“卖出”及“减持”时，S取1，反之为0；^②上式中缺失变量为B，因此，其他三个变量的对应系数就反映了它们与B相比信息含量的差异；β₀是回归方程中的常数项，表示其他可能影响评级乐观性的因素；β_i是其他非评级自变量的待估系数；ε_{i, j, t}是随机项。

然后，我们检验市场对分析师评级的反应，并参照Malloy(2005)设立模型3：

$ \mathit{AA}{\mathit{R}_{ - 1, 1}}{\rm{ = }}\mu _1^B + \mu _2^{AB} + \mu _3^H + \mu _4^S + {\theta _{i, t}} $

(3)

式(3)中，μ_i是各评级虚拟变量的系数，各评级虚拟变量定义同模型2；θ_{i, t}是随机项。

四 数据、描述性统计和实证结果 (一) 样本选择

本文从CSMAR数据库提取了2003—2010年分析师评级的相关数据；其中，当某分析师入围2011年最佳分析师榜单，则其在2010年为明星分析师，其他以此类推。券商排名数据来自中国证券业协会网站关于国内券商各类指标前20名排名，我们从中提炼出在上述绝大多数排名指标中排名均在前10名的作为历年知名券商，以考量券商的声誉。地理数据从清华金融数据库提取，包括各上市公司及券商总部的所在地(具体到城市), 并手工收集城市间距离，当券商总部与上市公司总部所在城市为同一城市或位于后者方圆100公里以内，则认为券商是该上市公司的当地券商，具有地理优势。评级缺失值样本、价格波动异常的ST和PT个股、停复牌时间超过三个月的样本及独立研究机构的评级被剔除；为控制其他重大事件的影响，研究报告发布日及前后各一天共计三天的事件窗口内发生的所有重大事件，包括并购重组事件、公司或高管违规事件等样本也被剔除；另外，新股首次上市交易一般有异常超额收益，故所有上市公司的上市首月交易数据也从样本中剔除。为降低变异性，对样本数据进行了1%缩尾处理。最终，本文得到111家券商聘用的2 805名分析师对深沪A股1 597家上市公司的63 388条评级样本。

(二) 描述性统计

表 2是对分析师评级样本的描述性统计。从总体看，券商平均跟踪的上市公司数量高达184家，远高于以往文献中的记录(Hirst等(2004)研究表明, 在正常工作环境中跟踪公司数少于40家的分析师评级质量更好)，让人不由怀疑在如此大的工作压力下能否产生好的评级！分阶段看，国内券商整体规模和证券分析师队伍随时间的推移和国内资本市场的发展不断壮大，尤其是近几年分析师数量增长迅猛，仅三年时间，阶段三分析师数量比阶段二增长近一倍, 对应的工作压力也猛增；大多数评级由占尽天时、地理优势的中心城市券商发布(70.9%)，当然，激烈的竞争也造成中心城市券商的压力非常大，其平均跟踪公司数(179.77家)也远高于非中心城市券商(137.14家)；报告也多以单个分析师署名发布(占76.3%)，但当署名为多个分析师时，他们跟踪的公司数更多(135.56家)，工作压力也更大。^①

在总体样本中，“增持”评级最多，占比为52.99%, 其次是“买入”评级占比达23.55%, “中性”评级占比也达到22.03%, 而“卖出”(占0.95%)和“减持”(占0.48%)评级的比例非常小，说明由于利益冲突及较大的发布“卖出”或“减持”评级成本，分析师评级存在明显的乐观倾向。

(三) 实证分析

1.评级的乐观程度。表 3是利用模型1对总体样本进行回归的结果。与预期一致，分析师对券商自营重仓股、机构重仓股都出具了更加乐观的评级, 支持了假设1和假设2；当地的分析师、中心城市的分析师出具的评级都更加谨慎，部分支持了假设4；声誉对明星分析师约束较大，明星分析师评级相对普通分析师更谨慎；但声誉对券商约束力不足，大券商、知名券商的评级明显偏乐观；单个分析师也并没有因独自承担声誉压力而作出更谨慎的评级；具有承销关系的分析师评级偏乐观，说明在利益与声誉的博弈中，利益占了上风。值得注意的是：特定公司经验的增长对应着分析师更乐观的评级，而随着总体经验的增长，分析师更谨慎，结论看上去似乎很矛盾！为探究深层次原因，我们对样本进行了详细分析，结果发现由于分析师队伍扩容速度较快、行业流动性较大等原因，国内分析师平均特定公司经验只有2.419年，平均总体经验仅为5.991年，均小于文献水平(Agrawal & Chen，2008)，而样本中绝大部分乐观评级由特定公司经验较少的分析师发布，但随着总体经验的增长，评级的乐观性逐渐下降。

2.评级的信息含量。表 4是利用模型2对总体样本和分阶段子样本进行回归的结果。从总体上看，“买入”评级相对“增持”评级信息含量更多(系数为正且显著)，“中性”、“卖出”及“减持”系数不显著，表明它们的信息含量差不多。阶段一，“买入”评级系数不显著，在阶段二、阶段三显著为正，说明随着时间推移，该类评级信息含量增加了；“持有”评级系数在两个熊市期间均不显著，在牛市期间为负，表明该类评级在牛市期间传递的信息含量较少；“卖出”及“减持”系数在熊市期间均显著为正，而在牛市期间为正但不显著，表明该类评级在市况不好时传递的信息更多。

尽管有规模优势、更多的信息渠道，大券商聘用分析师的评级在总体及两个熊市期间信息含量较少，其信息优势仅体现在牛市期间，与假设3不符。LOCAL系数为负，表明与上市公司地理邻近的信息优势并没有使分析师给出更具信息含量的评级，与假设4a不符；而METRO系数显著为正，表明分析师的地理优势更多来源于其聘用券商将总部设置在三大经济中心之一，支持了假设4b。

对利益的追逐超越了声誉的压力，AFFIL系数较小且不显著，表明承销关系带来的信息优势并没有使得分析师评级更具信息含量。QS、JG的系数也较小且不显著(仅JG系数在阶段一显著为负)，说明分析师对券商自营重仓股、机构重仓股的评级信息含量都很少，支持了假设1和假设2。

声誉对分析师个体而言，约束力较大，这体现在STAR在总体及阶段一系数均为正且显著；对知名券商的排名并非基于研究水平或质量，故声誉对其约束力有限，无论市场处于什么氛围，知名券商评级的信息含量都很少；而尽管存在“共同承担责备效应”，多个分析师由于有更多的信息来源，其评级的信息含量较单个分析师多，但分阶段看，两者评级信息含量无差异。最后，从总体上看，随着经验的增长，分析师评级的信息含量也在增多。

3.评级的市场反应。表 5是利用模型3对总体样本和分阶段子样本进行回归的结果。总体上看，市场对各种评级均作出反应，表明投资者认为分析师在作出投资评级时确实掌握了有用的信息，支持了假设5；其中，市场对“买入”、“增持”评级反应系数均为正且显著，与以往文献结论如Lin等(1998)的一致，表明“买入”和“增持”投资评级信息含量较多，并确实能给投资者带来超额回报。阶段二牛市时“中性”评级系数为正且显著，与阶段一、阶段三熊市形成明显的区别，表明牛市时分析师的“中性”推荐可以带来正的超额回报，而熊市时投资者能够将分析师“中性”投资评级识别为负面信息而非中性信息。“卖出”及“减持”评级的系数为负，与以往文献结论一致，表明这些推荐具有信息含量，遵循其策略，可避免较大损失。“买入”、“增持”评级系数较之其他评级系数大，表明尽管“中性”、“卖出”及“减持”评级也提供了一定信息，但不如“买入”、“增持”评级信息含量多。

(四) 稳健性检验

为增强结论的稳健性，我们进行了如下敏感性分析：(1)分不同窗口(-3，3)、(-5，5)、(-10，10)、(3，30)、(3，60)，以AAR作为自变量检验评级的信息含量及乐观程度；(2)分年度对各模型检验；(3)以基金重仓股代替机构重仓股作为解释变量。^①结果表明，本文主要结论无实质性变化。

五 结论

分析师的投资评级建议对投资者作出交易决策有着重要的影响。因此，研究分析师评级的信息含量及其关键影响因素，有利于对不同评级进行甄别，以保护投资者利益。为此，本文首次以券商为研究对象，通过实证分析，检验了券商利益和信息优势对分析师投资评级信息含量、乐观程度的影响以及市场的反应。本文研究发现：第一，与预期一致，券商利益至上，因拥有承销关系而具有的信息优势并不能使分析师作出更客观、更有信息含量的投资评级，类似地，分析师对券商自营重仓股、机构重仓股的评级均偏乐观且信息含量很少。第二，声誉对分析师个体而言约束力较大，明星分析师的评级较普通分析师更客观、信息含量更多。但声誉对券商而言约束力有限，无论市场环境如何，知名券商的评级都并不比普通券商更谨慎、更有信息含量，部分原因是由于我国知名券商的排名并非基于研究水平或质量；知名券商通常也是大券商，故尽管有规模优势、更广的信息渠道和关系网络，大券商聘用分析师的评级信息含量也较少。多个分析师由于有更多的信息来源，其评级的信息含量较单个分析师多。此外，随着经验的增长，分析师评级的信息含量会增加。第三，与上市公司地理邻近的信息优势并没有使分析师评级更有信息含量，券商将总部设置在三大经济中心之一所带来的地理优势可以增加其分析师评级的信息含量。第四，从总体上看，“买入”评级相对“增持”评级信息含量更多，而“中性”、“卖出”及“减持”与“增持”的信息含量差不多。相应地，市场会对各种评级作出反应，表明投资者认为分析师在作出投资评级时确实掌握了有用的信息。其中，“买入”和“增持”评级、牛市期间的“中性”评级都能给投资者带来超额回报；而在熊市，投资者能够将分析师“中性”投资评级识别为负面信息，“卖出”及“减持”评级也具有信息含量，遵循其策略，可避免较大损失。

出于定量分析的考虑，本文选择以券商为研究对象，侧重研究了券商利益和信息优势对分析师评级的影响。未来的此类研究应更多地关注分析师个体的决策过程、个别分析师评级的分布及特性、分析师处理信息的效率等问题。本文对券商分析师评级信息含量的度量属于事后静态度量方法, 可能存在系统性的偏差，从动态角度对影响分析师评级的关键因素进行实质性检验，将是未来的研究方向之一。