深圳证券交易所第八届会员单位与基金公司研究成果评选
师预测的数量越多，这符合我们的预期——距离年报发布日越近，分析师得到的相关信息越充分，越有把握进行预测。
上述1688个预测样本数据中，有一部分是不同分析师针对相同目标股票作出的，有一部分是同一分析师在不同阶段针对相同目标股票作出的。那么，在我们计算分析师预测误差时，应当用年报披露的实际净利润减去哪个预测值呢？
我们知道，在西方成熟资本市场中，一些数据库，如I/B/E/S，会通过一定方法给出报表披露前分析师的一致预测(consensus forecasts)，一些文章以“一致预测”作为盈利预测值。但O’Brien (1988)以及Brown (2000)指出，分析师的最新预测是对信息更新后更为及时的反映，比I/B/E/S数据库给出的一致预测更为有效。
有鉴于此，本文的样本数据选取距离年报发布日60日以内的分析师预测，并且针对每一家样本公司，我们挑选出各家券商对其的最新预测，并求得这些预测值的中位数(median)，以此作为该样本公司的盈利预测值。
经过上述处理，2003及2004年度样本共有673个；为了去除异常预测值，即预测误差过大的样本，我们进一步剔除了预测误差超过30%的样本；此外，还剔除了在事件检验窗口6或者参数估计窗口7内缺失市场数据的样本。
具体的样本筛选过程见表3： 表3：样本选择
67
以报表公布日为事件日，0，在窗口(-21,3)内考察市场反应，本文将该窗口定义为事件检验窗口。 将(-85,-26)窗口定义为参数估计窗口，以利用CAPM模型分别计算各样本beta值。
11
分析师盈利预测对股价影响的实证分析
样本筛选阶段 初始样本 去除预测误差绝对值超过30%的样本 小计 去除事件日窗口内缺失市场数据的样本 小计 去除回归窗口内缺失市场数据的样本 小计 样本数目 673 107 566 1 565 1 564 3.3 套利组合的研究数据
在研究利用盈利预测动量比率构建的套利组合时，采用2004年3月底至2005年12月底的盈利预测数据。之所以没有使用2003年7月至2004年3月间盈利预测数据，主要由于这期间盈利预测库刚刚开始建立，覆盖的公司家数还比较少，利用这部分数据构建的套利组合的成员比较少，容易产生误差。
盈利动量比率的计算方法为：
（1） 针对每只股票，计算每个券商的盈利动量比率。 盈利动量比率＝该券商在最近2个月所做的最新净利润预测/该券商在前2个月至前4个月之间所做的最新预测－1。
如果该券商在最近2个月或者再之前2个月没有盈利预测，那么剔除掉该盈利预测数据。
其中预测净利润为分析师对未来四个季度的滚动净利润预测，具体计算方法为：假设在当年的第t月，上市公司已经公布了x个季度的盈利数据，那么在今明两年还有y＝8-x个季度的盈利数据没有公
12
深圳证券交易所第八届会员单位与基金公司研究成果评选
布，计算剩下的y个季度的盈利总额，除以y，乘以4，得到预期净利润。由于我们这里的预测利润采用的是未来四个季度的滚动利润，因此，盈利动量比率中包含两方面信息，一是券商对上市公司盈利预测的修正，二是随着时间的推移，盈利动量比率的变动会包含一定的成长性因素。
在这里，我们之所以没有使用各券商的平均盈利预测，而是使用各券商最新预测的变化，一方面是因为不同分析师在做盈利预测的时候隐含假设可能有所不同，而同一券商的假设有一定持续性，盈利预测的可比性较强；另一方面，对于构建套利组合来说，每个研究员的盈利预测调整幅度比市场平均盈利预测的调整幅度会更反映出分析师的态度。
（2）计算各券商盈利动量比率的中值。
4．研究方法与模型
4.1盈利意外对股价的影响
本文采用传统的事件研究方法，先定义事件检验窗口和参数估计窗口。我们将各样本公司的年报发布日定义为事件日0，继而将事件发生日前21个交易日至事件日之后3个交易日这段时期，即窗口(-21,3)，定义为事件检验窗口，在该窗口内，我们将通过检验样本公司的累积超额回报率(CAR, cumulative abnormal return)是否显
13
分析师盈利预测对股价影响的实证分析
著不等于0来判断市场对分析师预测误差的反应。相关假说可以表述为：
H1:分析师预测过于乐观（即实际净利润值小于预测值）的样本组，其CAR显著小于零；
H2:分析师预测过于悲观（即实际净利润值大于预测值）的样本组，其CAR显著大于零；
H3:上述两极端样本组的CAR序列分布具有显著差异。 在CAR的计算中，本文首先选择市场指数（天相流通指数）作为基准，具体计算方法如下：
⑴ 经市场回报率调整的超额回报率
ARit?rit?rmt t=-21,-20,…，0; (1)
其中，ARit表示各样本在事件检验窗口内每日的超额回报率，t代表(-21,3)窗口内的相对日期，i代表不同的样本；rit表示各样本的日回报率，rmt表示市场指数的对应日回报率。
⑵ 累计超额回报率
CARi?t??21?AR0it (2)
其中，CARit表示各样本在事件检验窗口内的累计超额回报率。 此外，为了实施稳定性检验(robust test)，本文还选取(-85,-26)时段作为参数估计窗口，利用CAPM模型估计出回归参数?、?，由此得到事件检验窗口内各日的预期样本日回报率，进而得出超额回报率，具体计算方法如下：
?调整的超额回报率 ⑴ 经?i
14
深圳证券交易所第八届会员单位与基金公司研究成果评选
? ?i和?在参数估计窗口，首先对如下模型回归，得到参数?irit??i??irmt??it (3)
其中rit和rmt分别是样本股票i和市场的日回报率。 然后计算样本股票i的超额回报率
?r)?i??ARit?rit?(?imt (4)
⑵ 累计超额回报率
CARi?t??21?AR0it (5)
其中，CARit表示各样本在事件检验窗口内的累计超额回报率。 针对前述的假说1及假说2，我们利用t检验得出相关结论；针对假说三，我们利用wilcoxon非参数检验进行组间对比。
4.2套利组合的表现
首先，按照盈利动量比率从大到小将盈利预测库覆盖的所有公司分为5组，盈利动量比率在7％以上为第1组，3％到7％之内的为第2组，－3％到3％之内为第3组，－3％到－7％为第4组，－7％以下为第5组。
接下来，我们构建一个套利组合，即在每周初等权重地买入第一个分组，即盈利动量最高的分组，卖出第五个分组，即盈利动量最低的分组，计算这一套利组合在下一周的收益率。最后，计算组合的累计回报率，公式如下：
CAR??(R1,t?R5,t) (6)
t?1N 15