分析师能否更好地预测反弹而不是崩盘？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Can Analysts Predict Rallies Better Than Crashes?》
---
作者：
Ivan Medovikov
---
最新提交年份：
2014
---
英文摘要：
  We use the copula approach to study the structure of dependence between sell-side analysts\' consensus recommendations and subsequent security returns, with a focus on asymmetric tail dependence. We match monthly vintages of I/B/E/S recommendations for the period January to December 2011 with excess security returns during six months following recommendation issue. Using a symmetrized Joe-Clayton Copula (SJC) model we find evidence to suggest that analysts can identify stocks that will substantially outperform, but not underperform relative to the market, and that their predictive ability is conditional on recommendation changes.
---
中文摘要：
我们使用copula方法来研究卖方分析师的一致建议与后续证券回报之间的依赖结构，重点是不对称尾部依赖。我们将2011年1月至12月期间I/B/E/S建议的月度年份与建议发布后六个月内的超额安全回报进行匹配。使用对称化的Joe Clayton Copula（SJC）模型，我们发现有证据表明，分析师可以识别出相对于市场表现显著优于但不低于市场表现的股票，并且他们的预测能力取决于建议的变化。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Can_Analysts_Predict_Rallies_Better_Than_Crashes?.pdf (132.54 KB)

2022-5-6 05:29:15 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：分析师 Quantitative conditional QUANTITATIV Internation

分析师能否更好地预测反弹而不是崩盘？伊万·梅多维科夫加拿大安大略省圣凯瑟琳市格伦里奇大道500号布罗克大学429广场大楼经济系，L2S 3A1。摘要我们使用copula方法研究了单边分析师的一致建议与后续证券回报之间的依赖结构，重点研究了不对称尾部依赖。我们将2011年1月至12月期间每月收到的I/B/E/S建议与建议发布后六个月内的超额安全申报相匹配。通过使用对称化的Joe Clayton Copula（SJC）模型，我们发现分析师可以识别出与市场相关的股票，这些股票将表现出色，但不会表现不佳，而且它们的预测能力取决于建议的变化。关键词：分析师建议、连接函数、非线性依赖1。在过去的二十年里，分析师建议的投资价值一直是大量研究的主题。考虑到投资银行、经纪公司及其客户在证券分析师身上投入的大量资源，以及媒体和投资大众对这些建议的重视，这并不令人意外。现在普遍认为，分析师具有选股能力，这意味着2014年5月14日提交给《金融研究快报》的tradPreprint基于可能产生正回报的经济建议制定策略（见Stickel（1995）、Womack（1996）、Barber et a l（2001）和Jegadeesh and Kim（2006）等），但这种情况发生的环境并不总是清楚的。建议的可行性似乎取决于许多因素，包括它是否代表对早期意见的修订或重申（Jegadeesh等人（2004年），Barber等人。

（2010年），关于及时获取分析师报告（Green（2006年））、行业（Boni和Womack（2006年））、投资组合周转率（Barber等人（2001年））和接近收益公告（Ivkovi\'c和Jegadeesh（2004年））。虽然推荐可预测性的决定因素受到了实质性的关注，但有趣的是，似乎没有研究关注与GR eat er可预测性相关的回报特征。例如，分析师是否比正常波动更善于预测极端的价格波动？如果是这样，这种关系中是否存在不对称：分析师能否更好地预测重大反弹或崩溃？本文旨在填补这一空白。缺乏关于收益和回报之间的非线性和极端依赖性的文献，可能是因为缺乏合适的多元分布函数，这些函数可以适应推荐和回报的非常不同的边际行为，而已知的回报分布是对称的、轻量级的，推荐分布是倾斜的，通常是双峰的。为此，本文采用copula方法，并使用一个高度灵活的半参数模型来衡量推荐水平与后续安全回报之间的依赖性。据我们所知，这似乎是首次将连接函数应用于文献中的建议分析。我们特别关注尾部依赖，或极端之间的依赖。我们将2011年发布的I/B/E/S共识建议的月度年份与建议发布六个月后相应的超额安全回报进行匹配，并使用对称的Joe Clayton Copula模型，在联合分布的上半部分（而非下半部分）找到了依赖性的有力证据。

换言之，我们发现，推荐值最为有利的股票往往会大幅跑赢大盘，而推荐值最为不利的股票则不会表现不佳，这表明分析师的预测能力在评级分布的两个极端之间是不对称的，并且倾向于选择实质上未被低估而不是被高估的股票。我们还发现，这种关系仅适用于最近出现共识恶化的股票，这表明，这里发现的有利机会可能是由于投资者对分析师对顶级证券前景的过度反应。论文的结构如下。第二节回顾了关联函数的一些基本概念，并介绍了本文使用的关联函数模型和估计技术。第3节讨论了I/B/E/S数据与超额收益的匹配以及数据过滤。第4节给出了估算结果，第5.2节进行了简要讨论。方法学2。1.Copula函数Copula方法是本文的核心，我们首先回顾了Copula理论背后的一些基本概念。考虑一对随机变量X和Y，让F（X）和G（Y）代表它们的边缘分布函数（d.F.-s），H（X，Y）是联合d.F。根据Sklar（1959）的结果，联合d.F.H可以写成asH（X，Y）=C[F（X），G（Y）]，（X，Y）∈ R、 （1）其中函数C:[0，1]→ [0，1]是所谓的X和Y的copula。连接函数已经成为依赖性分析的核心，因为它们提供了一个完整的，并且在连续随机变量的情况下，提供了X和Y之间关系的独特描述。让u=F（x）和v=G（y），很明显，copula就是joint d.F。

我们可以写成C（u，v）=H（F）-1（u），G-1（v）），（u，v）∈ [0, 1]. 请注意，对于任何Fand G，u和v在[0,1]上是一致的，这意味着用C编码的dep dependence模型不受边缘的限制。因此，可以通过分别指定边缘结构和从属结构来构建HCA模型。这个函数使得copula s特别适合于分析推荐和安全回报之间的依赖关系，因为它允许f或非常不同的边值的简单组合。关于连接函数的介绍，参见Joe（1997）、Nelsen（2006）、a和Cherubini等人（2004）和Patton（2009）f关于连接函数在金融中的应用。本文的重点是尾部相关性，即极大值之间的相关性，它指的是一个变量的极大值（或极小值）与另一个变量的极大值（或极小值）相关联的趋势。这种相关性通常通过分别表示为λu和λl的上下尾相关性系数进行研究，并定义为：λu=limu→1P r[F（x）≥ u | G（y）≥ v] =利木→11- 2u+C（u，u）1- u（2）λl=limu→0pr[F（x）≤ u | G（y）≤ v] =利木→1C（u，u）u.（3）λu（λl）的值越大，表明数据更倾向于聚集在联合分布的上（左下）尾部，在这种情况下，变量称为上（下）尾部相关变量。λu=0和λl=0的情况对应于尾部没有相关性。我们的目标是估算分析一致性建议水平与后续安全超额回报之间的尾部相关性系数，并测试其重要性和可能的差异。2.2. 对称化Joe Clayton Copular金融序列之间的不对称尾依赖最近引起了一些文献关注。

Patton（2006）和Michelis and Ning（2010）使用copulas来测试不对称汇率依赖性，Ning和Wirjanto（2009）采用copula模型来探索股票指数回报和交易量之间的不对称数据依赖性。在这里，我们采用了一种类似于Ning和Wirjanto（2009）以及Michelis和Ning（2010）的建模方法。为了捕捉退货推荐关系中的不对称性，需要一个充分灵活的C模型。有趣的是，大多数常见的参数copula模型要么完全不允许尾依赖（例如高斯和弗兰克copula），要么只允许依赖于一条尾（例如Gumbel和Clayton copula），要么在所有尾中强制依赖相同（例如t-copula）。我们采用巴顿（2006）的无条件对称化乔·克莱顿（SJC）copula模型，该模型定义为SJC（u，v |λu，λl）=0.5×（CJC（u，v |λu，λl）+（4）CJC（1）- u、 一,- v |λu，λl）+u+v- 1） ，其中CJC（u，v |λu，λl）是由CJC（u，v |λu，λl）=1给出的乔-克莱顿（或BB7）copula-(1-{[1-(1-u） k]-r+[1-(1-v） k]-R-1}-1/r）1/k，（6）k=1/log（2）-λu），r=-1/log（λl）和尾相关参数λuan和λl∈ （0,1）与之前一样定义。SJC copula同时考虑了上下尾的依赖性，λua和λl的值彼此独立确定。2.3. SJC群落密度的估算由CSJ C（u，v |λu，λl）给出=CSJ C（u，v |λu，λl）Uv（7）=0.5×0CJC（u，v |λu，λl）U五+CJC（1）- u、 一,- v |λu，λl）(1 - u）(1 - 五）. （8） 相对而言，获得部分CJC（u，v |λu，λl）/Uvfrom（6），感兴趣的读者可以参考米歇里斯和宁（2010）的第4.2.1节，以获得完整的表达。对于λuan和λl，通过最大化相应的copula对数似然函数lc=log（cSJ C（u，v |λu，λl））可以得到估计值λuan和λlca。

为了避免分布假设，边缘SF和G可以用基于n个独立副本（x，yx）的经验计数器部分代替。。。，^F（x）=nnXi=1I（xi≤ x） 和^G（y）=nnXi=1I（yi）≤ y） ，（9）其中I（）是指示符函数。^F（x）和^G（y）对F和G的一致收敛遵循格利文托-坎泰利定理。对于i=1，这会立即产生^ui=^F（xi）和^vi=^G（yi）。。n、 并导致样本copula log likelih ood函数Lc=Pni=1lc（^ui，^vi |λu，λl）最大化。在实践中，经验d.f-s也通过因子n/（n+1）重新调整，以确保对于一个特定的x和y，^f（x）和^G（y）位于（0,1）。关于这种比例的进一步讨论，见Genest等人（1995年）和Chen and Fan（2006年）。模型的估计分两步进行：第一步，通过非参数方式获得边缘的图像；第二步，通过使用最大似然法估计尾部相关参数。当边缘参数化时，该估计称为Joe和Xu（1996）首次提出的边缘推断函数（IFM）方法。当对边缘进行非参数估计时，该方法是一个两步半参数过程，称为标准极大似然（CML）。有关CML估计的更多详细信息，请参见Cherubini等人（2004）。Joe（1997）给出了一组正则条件下IFM估计的相合性和渐近正态性。IFM方法也被认为是高效的，因此我们采用半参数IFM作为本文的主要估计方法。为了正确执行IFM，并确保我们的经验d.f.估计基于i.i.d.观察，我们对所有收益序列应用GARCH（1,1）滤波器，以去除异方差，然后使用KolmogorovSmirnov检验来验证估计结果的一致性。

AsNing和Wirjanto（2009）指出，波动性过滤也是可取的，以避免夸大数据中极端依赖的程度（更多详细信息，请参阅seePo on等人（2004））。建议并返回数据3。1.IBES报告我们的建议包括2011年1月至12月发布的12个汤森路透I/B/E/S月度葡萄酒摘要，我们从沃顿研究数据服务（WRDS）数据库获得该摘要。I/B/E/S数据在每个月的第三个星期四发布，包含分析师一致建议，涵盖4000多个上市和OTC证券。因此，我们从这段时间内发布的45000多条建议的完整样本开始。本文的重点是onI/B/E/S con sensus建议，这些建议代表了I/B/E/S跟踪的所有安全分析师对特定股票的综合意见，包括2700多家在全球做出贡献的公司。由于我们的目标是评估安全分析师作为一个群体的预测能力，因此我们将注意力限制在Consensus建议上。对于数据库中的每种证券，汤森路透获得的一致建议如下：I/B/E/S查询的个别分析师的意见被映射到一个标准化的数字尺度上，其中1-代表强烈的买入建议，5-代表强烈的卖出建议；3是等待；2是买入，4是卖出。

对安全性的一致建议是所有个人分数的平均值。由于推荐质量与数值分数成反比，我们可以预期，在分析师建议具有预测价值的假设下，s较小的分数与更大的未来超额回报率相关。2 4 50501001502002502011年2月的共识建议2 4 50501001502002502011年7月的共识建议2 4 50501001502002502011年12月的共识建议图1：2011年第一、中期和第一期I/B/E/S文件中的共识建议分布。为了捕捉上下尾依赖，需要调整评分量表，以便更大的分数代表更有利的建议。因此，我们改变了推荐量表，使1现在代表强烈卖出，2表示卖出，3表示持有，4表示买入，5表示强烈买入，拉格分数和回报之间的依赖性现在表明选股能力。请注意，这种规模变化纯粹是名义上的，对我们样本中的推荐回报关系没有影响。我们样本开始（2011年1月20日）、中期（2011年7月）和结束（2011年12月）的共识建议频率分布如图1所示。在整个样本中，分布的形状没有变化，在所有的月度年份中，都会出现购买偏态和强烈的购买建议。3.2. 证券回报对于样本中的每一项建议，我们会在发行日期后的六个月内获得后续的每日收盘价。

然后，我们计算基准价值加权市场投资组合的相应六个月超额证券回报，所有价格数据取自标准普尔计算数据库。众所周知，证券收益率是异方差的，我们首先使用Engle（1982）的ARCH测试检查所有每日收益率序列的i.i.d.-ness。我们发现，对于样本中的大多数证券，i.i.d.观测值的空值可以被剔除。继Ning和Wirjanto（2009）之后，我们使用GARCH（1,1）过滤器过滤异方差，并再次检查以验证过滤序列的i.i.d.性，从样本中排除GARCH（1,1）过滤不充分的证券。3.3. 样本限制由于我们对consen sus意见的预测特性感兴趣，我们需要确保每个平均值建议确实代表了足够多的分析师群体的观点。分析师的覆盖面极为偏向于一小部分大型资本公司。在fa ct中，我们样本中大约一半的证券由全球不到10名分析师涵盖，因为他们通常代表小本经营、不受欢迎或未上市的股票。因此，我们排除了所有基于不到30条意见的证券建议，并在本文的其余部分将尚存的观察结果作为完整样本。此外，与代表前景上升或下降的建议相比，重申早期观点的建议可能信息量较小。此类建议变更的重要性已得到充分证明（例如，见Barber等人（2010））。