信息传递、逆向选择与信息效率——对我国证券分析师作用的实证考察

陈 辉 汪前元

（1．广东金融学院 中国金融转型与发展研究中心，广东 广州510521；2．广东金融学院 华南金融研究所，广东 广州510521）

一、引言

经过近二十年的发展，我国的证券分析师市场已经出现了两个重要的转变：一是逐步由以往的以买方分析师为主转变为当前的以卖方分析师为主；二是逐步由以往的混乱无序转变为当前的渐趋规范。与之相伴随的是对分析师到底起着何种作用的争论。通常认为，分析师是重要的信息中介，能够通过搜集、评估、传递公共信息和私有信息以达到降低市场参与者之间的信息不对称程度和提高股票流动性的目的。然而，从信息的角度出发，证券分析师的作用可以划分为三类，即信息传递、逆向选择与信息效率。当分析师公平地向客户披露信息时，知情交易者和非知情交易者之间的信息不对称问题会减轻，从而降低了信息不对称程度［1］［2］。但是，分析师对信息的获取也可能更有利于知情交易者，从而引发更加严重的逆向选择［3］。与此同时，由于分析师的参与，私有信息可能更加迅速地反映在股票价格之中，降低了资产价值的不确定性，从而提高了股票流动性［4］。在我国，这一问题还变得异常复杂，由于我国分析师的预测能力不强［5］，独立性较弱，且存在由此而导致的分析师乐观性问题［6］，这使得我国的情况和西方可能存在巨大的差异，对这一问题进行详细的考察就显得尤为必要。

本文使用中国上市公司的数据，基于高频数据构造价差指标以衡量股票流动性，采用价差分解方法构造逆向选择指标以衡量信息不对称，对证券分析师与股票流动性和信息不对称之间的关系进行实证考察，具有以下几个方面的重要意义：（1）众多研究都以分析师能够降低信息不对称、提高股票流动性为其逻辑前提［7］，但这一论断尚未得到足够的经验支持，本文的研究正是对这一方面文献的重要补充；（2）以往的研究在考察证券分析师和股票流动性之间的关系时，并未从本文所划分的三个维度出发来讨论这一问题［8］［9］［10］，本研究将有利于澄清证券分析师是通过何种渠道影响股票流动性的争论；（3）本文所探讨的股票流动性是市场微观结构的重要议题。已有研究表明，提高股票流动性能够降低权益资本成本，提高经营绩效，进而提升公司价值［11］，而分析师跟踪在提升股票流动性方面能够发挥重要的作用，因此探讨这一问题有利于深入理解证券分析师的作用；（4）由于我国是典型的指令驱动型市场，不能通过吸引做市商的方式，而只能通过提高信息披露质量或吸引分析师的方式来提高股票流动性，而信息披露质量和分析师跟踪之间存在着某种因果关系［12］，因此，探讨分析师跟踪和股票流动性之间的关系具有重要的意义。

二、文献回顾与假设提出

（一）文献回顾

作为重要的信息中介，在西方，证券分析师方面的问题已受到人们的广泛关注。Brennan和Subrahmanyam的研究结果表明，分析师跟踪降低了逆向选择成本，提高了股票流动性。他们认为，导致这一结果的原因是，分析师之间的竞争使得信息更快地反映在股票价格之中［8］。与他们得到的结论相反，Chung等人的研究结果表明，分析师跟踪人数越多，使用买卖价差衡量的信息不对称程度越高。他们认为，导致这一结果的原因是，做市商通过分析师跟踪的人数来推断信息不对称程度的高低，并依此设定买卖价差［9］。因此，在该文中，分析师跟踪和信息不对称之间并不存在逻辑上的因果关系。此外，在该文中，作者并没有使用价差分解的方法来衡量信息不对称程度。与前两篇文献的研究思路不同，Yohn考察了盈余公告日前后分析师跟踪和报价价差之间的关系，其研究表明，随着分析师跟踪人数的上升，盈余公告日附近的平均买卖价差下降了，且他们认为，这是由于分析师提供了与公司有关的信息的结果［13］。Roulstone的研究结果表明，分析师跟踪人数（预测离散程度）和股票流动性正相关（负相关），与逆向选择成本负相关（正相关），但他认为，导致这一结果的原因是分析师提供了更多的公共信息，而非相互竞争的结果［10］。

从上面的综述中可以看出，上述文献或者仅关注了分析师跟踪所导致的信息效率效应［8］，或者仅关注了分析师跟踪所导致的信息传递效应［10］，并没有文献同时对分析师跟踪的三种效应进行研究，同时对这三种效应进行实证考察是本文的特色之一。此外，从研究设计的角度来看，上述文献还存在以下几个方面的问题：（1）除Chung等人使用了5年的数据之外［9］，其他研究的样本量均较小，难以真实而稳定地刻画分析师跟踪和股票流动性之间的关系；而且仅包含一年的数据或仅使用OLS回归，无法控制那些不可观测的公司固定效应的影响，这可能是导致上述研究结论不一致的重要原因，因而有必要使用固定效应回归分析方法以减轻这一影响；（2）上述文献在使用联立方程模型时，外生变量明显不符合外生性要求，和许多现有的会计学或财务学文献一样都面临着工具变量选择不合理的问题［14］。当然，不可否认，在考察分析师与股票流动性和信息不对称之间的关系时，内生性问题是一个难以克服的难题。

（二）假设提出

许多研究将分析师跟踪看成是信息不对称程度的代理变量［7］，事实上，分析师跟踪和信息不对称之间的关系依赖于分析师是如何向市场参与者提供信息的，也就是说，分析师跟踪是更多地增加了公共信息，还是更多地增加了私有信息［10］。如果分析师挖掘的私有信息快速地在大部分的市场参与者间扩散，即增加了公共信息，那么市场的信息环境将得到改善，投资者之间的信息不对称问题将得到缓解，此时，分析师跟踪导致的是信息传递效应；反之，投资者之间的信息不对称问题将恶化，此时，分析师跟踪导致的是逆向选择效应。从西方的实证研究结论来看，占支配地位的是信息传递效应［10］。此外，Francis等的研究表明，分析师更多地向市场而非向特定的知情交易者提供私有信息［15］。Easley等的研究发现，分析师同时提供了公共信息和私有信息，但其提供的公共信息要比私有信息多，因此，总体而言，分析师跟踪能够降低知情交易概率［16］。

一个很自然的问题就是，上述结论在我国是否也成立？实际上，证券分析师是重要的利益主体，分析师的信息披露行为会受到其目标函数和约束条件的限制。在均衡的情况下，分析师信息搜集的需求与其生产的信息的潜在经济价值正相关。通常而言，卖方分析师隶属于某一证券公司，分析师有义务公平地向其客户提供其分析结论。但很显然，一旦分析师识别出了有价值的信息，他们最有可能将其优先提供给公司或公司的优质客户，因为这将使其获得更高的收益［9］。例如，证券公司可能将其分析结论优先提供给基金公司以获取更高的分仓收入等。一般来讲，证券公司的经纪业务和自营业务之间应当设置防火墙，以避免证券公司谋私。同样的，分析师也应当公平地向其客户披露其研究报告。但很显然，面对投行业务、经纪业务和自营业务的利益诱惑，加上国内相关的法律法规不健全、法律执行度较差，分析师很难保持其独立性［6］。分析师跟踪带来的不再是信息不对称程度的降低，反而是信息不对称程度的提高。因此，我们提出本文的第一个假设：

假设1：分析师跟踪人数越多，信息不对称程度越高。

那么，分析师跟踪和股票流动性之间的关系又是如何呢？通常认为，信息不对称程度越高，股票流动性越低［1］［2］，因此，分析师跟踪和股票流动性之间应当呈现负相关关系。然而，分析师跟踪除了可能带来信息传递效应和逆向选择效应之外，还可能带来信息效率效应，即由于分析师之间的竞争，可能使得信息更快地反映在股票价格之中，从而降低了资产价值的不确定性，最终提高了股票流动性［17］。进一步讲，也就是当多个分析师跟踪同一家公司的股票时，知情交易者人数将增加，这些采取策略性交易行为的知情交易者之间的竞争将使得新信息更快地反映在股票价格之中，从而降低了非知情交易者面临的不确定性，进而提高了股票流动性［4］［18］。由此可见，分析师跟踪和股票流动性之间的关系将会受到三种力量的影响，而在假设1成立的情况下，将会受到两种力量的影响。当逆向选择效应占支配地位时，分析师跟踪和股票流动性之间呈负相关关系，而当信息效率效应占支配地位时，分析师跟踪和股票流动性之间呈正相关关系。因此，我们提出如下的竞争性假设：

假设2a：分析师跟踪人数越多，股票流动性越高；

假设2b：分析师跟踪人数越多，股票流动性越低。

三、研究设计

（一）样本选择

本文以2002～2009年间在沪深两市中仅发行了A股的上市公司为研究对象，这样选择是为了确保单一市场的流动性指标可以准确反映公司股票的流动性全貌。本文还对数据进行了如下处理：（1）剔除了金融、保险业的数据；（2）剔除了公司股票在财政年度内有效交易天数不足30天的数据；（3）在构建高频交易数据指标时，剔除了非交易时间的数据；（4）剔除了存在极端值的数据；（5）剔除了存在缺失值的数据。最终，本文得到的样本数为10 482个。此外，本文使用的数据库包括色洛芬数据库、国泰安数据库和WIND数据库。本文所有的数据处理和分析均使用STATA11．0完成。

（二）股票流动性（LIQ）的测度

借鉴陈辉等的研究成果［11］，本文使用由高频数据构造的先日内平均后年度平均的相对有效价差（AESP）和相对报价价差（AQSP）衡量股票流动性，且价差越小，股票流动性水平越高。方程（1）和（2）给出了相应的计算过程。

其中，Price为每笔交易的真实交易价格，Ask和Bid分别为单笔交易所对应的最优卖价和最优买价，D和d分别为单只股票交易量不为零的天数和其中的某一天，TR和tr分别为单只股票在某天的交易笔数和其中的某一笔交易。在实证检验的过程中，我们还对价差数据进行了自然对数化处理以确保数据的正态性，且分别标示为LNAESP和LNAQSP。

（三）信息不对称（IA）的测度

本文使用如下两种方法测度信息不对称程度：一是Lin等使用的价差分解方法［19］，即通过按年度回归的方法得到每只股票每年的信息不对称程度的估计值（也称逆向选择成分），即式（3）中的λ，估计结果记为LSB。

在式（3）中，Qt为最优买价和最优卖价的均值的自然对数，zt为实际成交价格Pt的自然对数与Qt之差，即zt＝ln（Pt）－ Qt，et＋1为随机扰动项。

二是Glosten和Harris使用的价差分解方法［20］，具体测度方法如下：

在式（4）中，Pt的定义同上；Dt为交易方向，当交易由买方发起时，Dt＝1，当交易由卖方发起时，Dt＝－1；Vt为指令规模；et为随机扰动项。使用每只股票每年的交易数据进行回归，我们可以得到每只股票每年的z0和z1的估计值，z0＋z1V＊即为每只股票每年的信息不对称程度的估计值，其中V＊为指令规模的中位数，估计结果记为GH。借鉴了Lee和Ready的方法［21］，我们可以通过比较当前的交易价格和前一买卖报价的中位数来确定交易方向，若前者大于后者，则认为交易由买方发起；反之，则认为交易由卖方发起。若不能判断，则将买卖报价向前追溯一笔，直至可以判断为止。同样的，我们也对信息不对称程度数据进行了自然对数化处理，且分别标示为LNLSB和LNGH。

（四）回归模型与变量定义

本文分别使用式（5）和式（6）来检验假设1和假设2，具体如下：

在式（5）和式（6）中，ANALYST为本文的自变量，即分析师跟踪人数，用对一个公司进行跟踪的券商数衡量，同时用对一个公司进行跟踪的分析师人数进行稳健性检验；CONTROL为控制变量。a0、b0为常数项；a1～a13、b1～b13为回归方程的系数；αi为公司个体效应；εit为残差项。参考Brennan和Subrahmanyam、Chung等和 Roulstone的研究［8］［9］［10］，并结合我国证券市场的实际情况，本文选择了如表1所示的控制变量。各变量的定义与描述详见表1。

四、实证结果与分析

（一）描述性统计分析

表2给出了主要变量的描述性统计结果。从表2可以看出，由于我国的高频交易数据中存在较多的成交价格落在最优买卖报价之外的情况［11］，这使得相对有效价差的自然对数LNAESP的均值（－6．023 0）要大于相对报价价差的自然对数LNAQSP的均值（－6．054 6）。逆向选择成分LNLSB的均值（－1．858 5）大于逆向选择成分LNGH 的均值（－6．091 9），这与Lin等的逆向选择指标为占半有效价差的比例而Grosten和Harris的逆向选择指标为绝对金额的事实相吻合。ANALYST1的均值为3．036 3，这意味着平均每家公司有三家券商跟踪，标准差为5．553 5，意味着分析师跟踪券商数的变异较大。ANALYST2的数值则相对大一些，这意味着平均而言，一家券商中有超过一个以上的分析师跟踪同一家公司。另外，Pearson相关分析的结果表明，各主要变量之间的相关关系基本符合理论预期。

表1变量定义与变量描述

表2 主要变量的描述性统计结果

（二）分析师跟踪与信息不对称之间的回归结果分析

表3中的回归（1）和回归（2）分别给出了使用逆向选择成分LNLSB和LNGH测度信息不对称程度的回归结果。Hausman检验、LM检验和个体效应为0的F检验的结果表明，我们应当选择固定效应回归模型。下面的实证分析经检验也均是采用该回归模型。

从回归（1）可以看出，ANALYST1的回归系数在1%的显著性水平上为正，支持了假设1，这表明，分析师可能选择性地披露其掌握的信息，优先将有价值的信息提供给所在公司或公司的优质客户，从而加剧了知情交易者和非知情交易者之间的信息不对称程度，即发挥了逆向选择效应而非信息传递效应。在这一点上，回归（2）与回归（1）的结论基本一致。但是，从表3中可以看出，在控制变量上，回归（1）和回归（2）的系数的方向存在较大的差异，这一结论和Van Ness等的推断基本一致［22］。Van Ness等考察了五种常用的逆向选择指标在测度信息不对称程度上的表现，结果表明，财务变量对这五种逆向选择指标进行回归的系数并未保持方向上的一致性［22］，这也是本文同时使用LNLSB和LNGH测度信息不对称的原因。

（三）分析师跟踪与股票流动性之间的回归结果分析

上述结果表明，分析师跟踪导致了逆向选择成分的上升，即分析师跟踪导致了逆向选择效应，但已有的理论研究表明，分析师跟踪还可能导致信息效率效应，即使得信息更快地反映在股票价格之中，从而降低了资产价值的不确定性，最终提高了股票流动性［4］［18］。显然，分析师跟踪对股票流动性的最终影响还依赖于这两种效应的相对大小。表3的回归（3）和回归（4）分别给出了使用相对有效价差LNAESP和相对报价价差LNAQSP测度股票流动性的回归结果。

表3 分析师跟踪对信息不对称和股票流动性的影响的回归结果

从回归（3）可以看出，分析师跟踪人数ANALYST1的回归系数在1%的显著性水平上为负，从而支持了假设2a。这表明，尽管分析师跟踪导致了逆向选择效应，但是由于信息效率效应的存在，且胜过逆向选择效应，从而导致了分析师跟踪在总体上提高了股票流动性。回归（4）的结论与回归（3）基本一致。控制变量的回归系数的方向也基本符合理论预期。

（四）稳健性检验

1．分析师跟踪对股票流动性影响的工具变量回归结果。证券分析师在对公司进行盈余预测时都会面临预测不准确的风险，迫于明星分析师的评选压力（例如，新财富上榜分析师和非上榜分析师的工资差异巨大），分析师将更加倾向于跟踪那些信息披露质量较高、流动性较好的公司以规避这一风险［12］。这使得分析师跟踪和股票流动性之间的正相关关系可能是由于这一内生性选择驱动的，而这一问题并不存在于分析师跟踪和信息不对称的正相关关系之中。因此，我们有必要对分析师跟踪和股票流动性之间的关系进行稳健性检验。我们使用滞后两期和滞后三期的分析师跟踪人数作为当期分析师跟踪人数的工具变量，采用面板工具变量回归方法对此进行稳健性检验，具体结果详见表4的回归（5）和回归（6）。回归（5）和回归（6）的Hausman检验结果均在1%的显著性水平上拒绝了分析师跟踪人数和干扰项不相关的原假设；Kleibergen－Paap rk LM统计量的检验结果均拒绝了存在识别不足的原假设；Hasen′s J统计量的检验结果均不能拒绝不存在过度识别的原假设，这些结果意味着工具变量的选择是合意的。从回归（5）和回归（6）的结果来看，分析师跟踪人数仍然与买卖价差（股票流动性）显著负相关（正相关），同样支持了假设2a。

2．使用不同的分析师跟踪人数的代理变量的回归结果。目前我国的证券分析师主要受雇于券商，还不能独立地出具研究报告，同时还存在着一家券商中有多位分析师跟踪同一家公司的情况，而分析师跟踪更多地体现的是券商的意愿。当券商对一个公司进行更多的人力资源投入时，被跟踪公司的信息可能会更多地被挖掘出来［23］。为验证本文研究结论的稳健性，我们给出了用证券分析师人数ANALYST2衡量的分析师跟踪人数变量的回归结果，具体详见表4的Panel A、Panel B和Panel C。从表4可以看出，当我们使用不同的分析师跟踪人数的代理变量时，回归结果基本保持不变。

表4 稳健性检验结果

五、研究结论与意义

本文提出，分析师跟踪对股票流动性的影响可能通过三种途径，即信息传递、逆向选择和信息效率。当分析师更多地向公众提供私有信息时，知情交易者和非知情交易者之间的信息不对称程度降低，股票流动性上升，此时分析师跟踪导致的是信息传递效应［1］［2］；而当分析师更多地向其所在公司或公司的优质客户提供私有信息时，知情交易者和非知情交易者之间的信息不对称程度上升，股票流动性下降，此时分析师跟踪导致的是逆向选择效应［3］。这两种效应非此即彼地存在着。与此同时，多个分析师还可能导致知情交易者人数的增加，多个知情交易者的策略性交易行为会使得信息更快地反映在股票价格之中，降低了资产价值的不确定性，从而提高了股票流动性，此时分析师跟踪导致的是信息效率效应［4］［17］［18］。总体而言，分析师跟踪和股票流动性之间的关系依赖于这三种力量谁占支配地位，而本文的工作就是对这一问题的实证考察。

本文以中国上市公司中仅发行了A股的公司为样本，基于高频数据构造价差指标以衡量股票流动性，采用价差分解方法构造逆向选择指标以衡量信息不对称，考察了分析师跟踪与信息不对称和股票流动性之间的关系，研究结果表明：分析师跟踪导致了信息不对称程度上升，即导致了逆向选择效应，但由于分析师跟踪同时还提升了信息效率，即使得私有信息更快地反映在股票价格之中，降低了资产价值的不确定性，且信息效率效应支配了逆向选择效应，因此，从整体来看，分析师跟踪提高了股票流动性。本文使用不同的回归方法以及不同的代理变量进行稳健性检验，其结论基本不变。

本文的研究结论具有重要的理论和实践意义。从理论上看，当前的许多研究都将分析师跟踪人数或是否有分析师跟踪当成是划分信息不对称程度的重要指标［7］，但本研究表明，这一逻辑前提可能并不成立，这使得我们在测度信息不对称程度时需要寻找其他的代理变量或直接采用市场微观结构指标。同时，本研究还是有关分析师研究的重要补充。从实践来看，本研究表明，总体而言，我国分析师市场的发展有利于证券市场功能的发挥，但由于证券分析师可能存在选择性地披露其信息的行为，导致证券分析师并未能发挥信息传递作用，而是发挥了逆向选择作用，这也是我国证券分析师广受诟病的重要原因。可见，监管当局应当在证券公司的信息隔离墙和证券分析师的信息披露等方面的制度建设上多下工夫。

［1］Glosten，L．R．，P．R．Milgrom．Bid，Ask and Transaction Prices in a Specialist Market with Heterogeneously Informed Traders［J］．Journal of Financial Economics，1985，14（1）：71—100．

［2］Kyle，A．S．Continuous Auctions and Insider Trading［J］．Econometrica，1985，53（6）：1315—1335．

［3］Zhang，G．Private Information Production，Public Disclosure，and the Cost of Capital：Theory and Implications［J］．Contemporary Accounting Research，2001，18（2）：363—384．

［4］Subrahmanyam，A．Risk Aversion，Market Liquidity，and Price Efficiency［J］．Review of Financial Studies，1991，4（3）：417—441．

［5］岳衡，林小驰．证券分析师VS统计模型：证券分析师盈余预测的相对准确性及其决定因素［J］．会计研究，2008，（8）：40—49．

［6］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．

［7］Chang，X．，S．Dasgupta，G．Hilary．Analyst Coverage and Financing Decisions［J］．The Journal of Finance，2006，61（6）：3009—3048．

［8］Brennan，M．J．，A．Subrahmanyam．Investment Analysis and Price Formation in Securities Markets［J］．Journal of Financial Economics，1995，38（3）：361—381．

［9］Chung，K．H．，T．H．Mcinish，R．A．Wood，D．J．Wyhowski．Production of Information，Information Asymmetry，and the Bid－Ask Spread：Empirical Evidence from Analysts＇Forecasts［J］．Journal of Banking ＆ Finance，1995，19（6）：1025—1046．

［10］Roulstone，D．T．Analyst Following and Market Liquidity［J］．Contemporary Accounting Research，2003，20（3）：552—578．

［11］陈辉，顾乃康，万小勇．股票流动性、股权分置改革与公司价值［J］．管理科学，2011，（3）：43—55．

［12］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．

［13］Yohn，T．L．Information Asymmetry around Earnings Announcements［J］．Review of Quantitative Finance and Accounting，1998，11（2）：165—182．

［14］Larcker，D．F．，T．O．Rusticus．On the Use of Instrumental Variables in Accounting Research［J］．Journal of Accounting and Economics，2010，49（3）：186—205．

［15］Francis，J．，K．Schipper，L．Vincent．Earnings Announcements and Competing Information［J］．Journal of Accounting and Economics，2002，33（3）：313—342．

［16］Easley，D．，M．O＇Hara，J．Paperman．Financial Analysts and Information－Based Trade［J］．Journal of Financial Markets，1998，1（2）：175—201．

［17］Chuang，W．，B．Lee．The Information Role of Institutional Investors and Financial Analysts in the Market［J］．Journal of Financial Markets，2011，14（3）：465—493．

［18］Holden，C．W．，A．Subrahmanyam．Long－Lived Private Information and Imperfect Competition［J］．The Journal of Finance，1992，47（1）：247—270．

［19］Lin，J．，G．C．Sanger，G．G．Booth．Trade Size and Components of the Bid－Ask Spread［J］．Review of Financial Studies，1995，8（4）：1153—1183．

［20］Glosten，L．R．，L．E．Harris．Estimating the Components of the Bid－Ask Spread［J］．Journal of Financial Economics，1988，21（1）：123—142．

［21］Lee，C．M．C．，M．J．Ready．Inferring Trade Direction from Intraday Data［J］．The Journal of Finance，1991，46（2）：733—746．

［22］Van Ness，B．F．，R．A．Van Ness，R．S．Warr．How Well Do Adverse Selection Components Measure Adverse Selection？［J］．Financial Management，2001，30（3）：77—98．

［23］徐欣，唐清泉．财务分析师跟踪与企业R＆D活动——来自中国证券市场的研究［J］．金融研究，2010，（12）：173—189．