盈余错报与分析师行为调整的不对称性

刘建梅 程新生

(1.天津财经大学 会计学院，天津 300222；2.南开大学 商学院，天津 300071)

一、引言

近年来，资本市场上市公司盈余重述和盈余错报现象屡见不鲜，并呈现出上升趋势。发生盈余重述意味着上市公司前期财务报告可靠性较低，导致上市公司和投资者之间的信息不对称。若盈余错报能被市场和投资者提前感知，则上述后果将会被缓解。证券分析师作为中介机构，在股票市场上发挥着关键的作用。分析师通过收集、评估公共和私人信息，对上市公司的未来发展前景进行分析，作出盈余预测和股票推荐，给投资者提供股票投资建议，从而缓解信息不对称，提高市场效率(Womack，1996;Huang et al.,2014；张然 等，2017)。那么，分析师作为中介机构，是否能提前感知和发现盈余错报从而传递给市场和投资者呢？这一问题关乎资本市场对信息风险的提前感知以及分析师中介及监督作用的发挥，具有重要的研究价值。

本文的贡献主要体现在：

第一，已有相关文献研究了分析师对盈余管理的监督作用，而反过来检验盈余管理或盈余错报对分析师行为影响的文献较少，本文从盈余重述视角深入研究了有盈余错报时分析师行为的变化，提供了分析师与盈余管理之间关系研究的另一角度；

第二，虽然国内有少量文献研究了盈余重述之后分析师的行为变化，然而却未关注盈余重述之前分析师的行为变化，而本文即从此角度研究了盈余重述前即盈余错报尚未被发现之前分析师是否能够提前感知到信息风险，从而调整自己的行为；

第三，已有研究从盈余欺诈视角研究了盈余错报与分析师行为的关系，然而未将盈余错报分为向上和向下两个角度，本文分别从这两个角度对盈余错报和分析师行为的关系进行了研究。

二、文献综述

现有文献主要是围绕盈余重述后即盈余错报被发现后所产生的经济后果，如法律责任、资本成本的提高、股价的降低、股票被抛售以及高管的变更等(Palmrose et al.,2004;Hennes et al.,2008；魏志华 等，2009)。魏志华等 (2009) 在细分年报重述类型的基础上对我国上市公司重述公告的市场效应做了研究，发现更正公告、因会计问题导致的重述、重述内容涉及核心会计指标或调低了公司盈余、重述涉及多个会计年度以及重述消息是坏消息时，市场反应显著为负。贺建刚等(2012)认为财务报告重述导致市场风险与不确定性的增加，上市公司重述公告期间的市场累计超额报酬显著为负。

分析师是复杂的信息传递者，他们可以通过分析公司的基本面形成投资意见。研究表明，分析师能够为市场参与者提供有价值的信息(Womack，1996；张然 等，2017；刘星 等，2018；王晓珂 等，2020)，且对于上市公司的管理具有监督作用和治理作用(谭雪，2016；郑建明 等，2015)。Huang et al.(2014)研究了分析师报告文本的信息含量，认为分析师报告对公司未来五年的盈余增长具有预测能力。谭雪(2016)发现，分析师关注显著降低了两类代理成本，且分析师关注对两类代理成本的抑制作用在“四大”审计的子样本中不显著，在“非四大”审计的子样本中显著，分析师关注可以部分替代审计治理作用。马黎珺等(2019)通过机器学习对分析师报告进行了文本分析，结果表明，在控制了定量信息的影响之后，分析师报告中前瞻性语句的情感与报告发布后的累积超额收益显著正相关，这说明前瞻性语句向市场传递了增量信息。

另外也有学者从信息披露质量角度研究了分析师的监督作用。郑建明等(2015)从降低业绩预告违规视角研究了分析师的监督作用，他们认为分析师跟踪可以显著降低上市公司业绩预告违规的概率。谢震等(2014)研究发现公司的盈余管理水平与分析师关注显著正相关，且这种正相关的程度随着经理人承受的市场压力的提高而减少，但随着分析师群体对公司迎合程度的提高而增加。李春涛等(2014)使用2006—2014年的上市公司数据，研究了分析师跟踪对企业应计盈余管理和真实盈余管理的不同作用，在控制了内生性和其它相关因素的基础上发现分析师对应计盈余管理具有监督效应，而对真实盈余管理具有促进作用。这可能是因为与应计盈余管理相比，真实盈余管理具有较高的隐蔽性，分析师易于监督隐蔽性较差的应计盈余管理，这种监督迫使经理人转向真实盈余管理。王双进等(2020)发现分析师跟踪作为一种有效的外部监督机制，能显著降低企业的盈余操纵水平，且分析师跟踪与真实盈余管理的负相关关系更显著。综合以上分析我们发现，分析师对盈余质量的影响结果具有不一致性。Young et al.(2013)研究了盈余重述前分析师的行为变化，从财务欺诈角度认为分析师能够在财务欺诈被发现之前进行识别，然后降低评级甚至停止对这家公司的跟踪，然而他们未将盈余错报分为向上和向下两个方向分别进行检验。

综上所述，已有研究较多关注分析师对盈余质量的监督作用(李丹蒙 等，2015；李春涛 等，2014；江轩宇 等，2012)，而忽略盈余错报对分析师行为的影响。虽然马晨等(2013)检验了盈余重述对分析师行为的影响，然而只研究了盈余重述之后分析师的行为变化，认为财务重述会减少分析师跟进、增加分析师预测误差，尚未研究盈余重述前即盈余错报尚未被发现之前投资者和中介机构的行为变化。而监管机构、投资者和公众对向上和向下盈余的关注度可能是不同的，分析师出于时间和资源的限制以及出于收益和损失的权衡，对向上和向下错报的关注度和行为调整可能也不同。我们即从此角度进行了进一步研究。具体来说，本文关注的是盈余重述之前即盈余错报未被发现之前，分析师是否能够提前感知到信息风险从而做出行为调整？明星分析师与一般分析师对信息风险感知和股票评级行为是否相同？更进一步，若将盈余错报分为向上和向下两个方向，分析师对向上和向下的关注度和行为调整是否相同？

三、 理论分析与研究假设

分析师通过揭露盈余错报可以获得市场知名度、提高声誉。Lee et al.(2016)通过研究发现，投资者将分析师关于盈余错报的负面观点看作是其能力的体现，对有盈余错报公司发表更加负面意见的分析师获得了更高的声誉，且这种声誉具有溢出效应。因此，理论上来说，在盈余错报期间，虽然公司错报尚未被发现和公布，但分析师有能力感知到信息风险且有动机改变对公司的股票评级。

相对于向下的盈余错报，向上的盈余错报更能引起监管机构、投资者和公众的关注，因此分析师因为对向上盈余错报的发现获得的声誉和知名度要高于向下的盈余错报。鉴于此，分析师会将有限的资源和精力放到寻找向上盈余错报的公司上而非所有盈余错报。具体来说，一方面，上市公司为了IPO、增发、避免亏损及退市而出现的向上的盈余错报损害了投资者的利益，这是市场监管关注的焦点，而负向盈余管理并不是市场关注的焦点(江轩宇 等，2012)，因而分析师通过揭露向上盈余错报等丑闻获得市场声誉和知名度的可能性较高，而通过揭露向下盈余错报获得市场声誉和知名度的可能性较低，因此分析师主动监督向下盈余错报的动力较小(江轩宇 等，2012)。另一方面，虽然分析师具有信息解读的能力，可以利用自身专业知识对企业的盈余公告进行分析(Luo et al.，2015)，但是这种活动也是具有成本的，因此，分析师会策略性地分配自己的时间和精力，只会对符合自身成本收益函数的信息进行搜寻(薛祖云 等，2011)。综上所述，分析师会将有限的资源和精力较多的放到寻找能够更大地提高自己声誉和知名度的向上盈余错报而非所有的盈余错报。我们认为，整体来看分析师的信息风险感知和行为调整只局限于向上的盈余错报中，由此提出：

H1a：相比无盈余错报的公司，跟踪的分析师在盈余错报期间(盈余错报尚未被发现之前)对有向上盈余错报公司的股票评级更低；(1)本文使用分析师的股票评级而非盈余预测来表征分析师的风险感知。因为正如Young et al.(2013)所认为的，盈余预测的偏差和盈余预测的修正不能用来准确的评价分析师是否提前感知和发现错报问题。如果分析师盈余预测与管理层一致且能够因此获利，那么分析师感知到的信息风险很可能就不会融入盈余预测当中，而是融入其他的行为比如股票评级当中。

H1b：相比无盈余错报的公司，跟踪的分析师在盈余错报期间(盈余错报尚未被发现之前)对有向下盈余错报的公司的股票评级没有显著性差异。

明星分析师一般是由处于买方的机构投资者票选得出。从评选推出至今，《新财富》最佳分析师获得了市场的广泛认同，成为中国券商分析师评价的重要本土品牌。明星分析师的关注和追踪对企业信息披露尤其是会计信息质量的监督效果要强于一般分析师的跟进效果。一般来说，明星分析师的盈余预测会更为准确，其盈余预测引起的市场反应也会更强烈。Stickel(1995)通过对All-American Research Team的研究发现，明星分析师比一般分析师的盈余预测能力更强，发布盈余预测的频率更高，相应的市场反应也更强烈。国内学者也证明了明星分析师效应在中国资本市场上的存在。万丽梅等(2013)以中国2005—2010年A股上市公司及分析师跟进数据为样本，发现市场上的《新财富》最佳分析师的确具有明星效应，能够作为信息中介更好地向市场传达有用信息。专注程度是分析师挖掘公司特质信息的重要因素，分析师的专注程度越高，其与市场反应中公司特质信息成分的正向关系越显著。伊志宏等(2013)以2001—2010年明星及非明星分析师对中国A股上市公司的4643次评级调整为样本，研究发现，明星分析师向市场提供了更多公司特质信息。游家兴等(2017)认为与一般分析师相比，明星分析师对高阶预期的依赖程度有所减轻，表现出的选美竞赛效应和羊群行为特征都有所减弱。王晓珂等(2020)的研究结果表明，企业运用衍生工具会导致分析师跟踪数量显著减少，公共信息精度下降，但是，进一步研究发现这主要是由非明星分析师所致，明星分析师跟踪数量和公共信息精度没有显著变化，私有信息精度反而增加，而非明星分析师跟踪数量显著减少，公共信息精度明显下降。对于明星分析师而言，由于能力出众，他们对自身的数据收集、信息分析和未来判断更加自信，这也意味着明星分析师会更加坚持采用真实披露信息的策略，在预测时会赋予私有信息更大的权重，其预测数字受市场高阶预期的影响程度会比较小。明星分析师所掌握的私有信息更加精准，专业分析与判断能力更加突出，在私有信息与公共信息的取舍上更有选择余地。换言之，明星分析师更有可能采取勇敢预测，表现出“众人皆醉我独醒”的良好状态。

综上所述，明星分析师相比其他分析师更能够发现公司的特质信息，他们拥有更强的能力和更多的资源，能够提供更有价值的信息。因此，我们认为《新财富》最佳分析师能够打破其他分析师对向上和向下盈余错报行为调整的不对称性，对向上和向下盈余错报均能识别。据此，我们提出：

H2a：相比无盈余错报的公司，跟踪的明星分析师在盈余错报期间(盈余错报尚未被发现之前)对有向上盈余错报公司的股票评级更低；

H2b：相比无盈余错报的公司，跟踪的明星分析师在盈余错报期间(盈余错报尚未被发现之前)对有向下盈余错报的公司的股票评级更高。

四、研究设计

(一)样本选择和数据来源

本文选取了沪、深两市2001—2016年间所有A股上市公司作为初始研究样本，并进行如下处理：(1)剔除了金融行业的公司；(2)剔除了分析师数据和控制变量数据不全的公司；(3)将连续变量进行1%分位数Winsorize处理。

本文的分析师数据和财务数据来源于 CSMAR数据库，盈余重述样本数据由手工收集。我们从巨潮资讯网下载了初始样本中的更正与补充公告，人工进行阅读和手工整理。若更正公告中的更正内容是有关盈余的，我们将其作为盈余重述样本。经过整理，2001—2016年间，去掉数据不全的最后剩余120家向上盈余样本和50家向下盈余样本。在此基础上，我们对向上和向下盈余错报公司寻找配对样本。

倾向得分匹配(PSM)法可以控制一些其他因素的影响，因此我们通过PSM法分别对向上和向下盈余公司以1∶1和1∶2比例寻找配对样本。将有向上(向下)盈余错报的公司作为处理组，而没有向上(向下)盈余错报的公司作为对照组。在进行匹配时，我们选取资产规模、公司负债率、公司增长率、ROA、托宾Q和市盈率等会影响盈余错报的因素，同时控制了行业和年度的虚拟变量，按照1∶1和1∶2比例进行最近邻匹配。经检验，配对后两组的控制变量差异不再显著，处理组和控制组具有类似的特征。向上盈余错报和向下盈余错报的样本量在经过1∶1配对后分别为240和100；在经过1∶2配对后分别为360和150。

(二)变量说明

1．被解释变量

借鉴Young et al.(2013)和白晓宇(2009)对分析师行为的度量，我们用所有分析师评级变动的平均值来度量分析师的评级变动行为。

RecomRVS=ΣRecomi/N

(1)

其中：i=1,…，N；N为分析师评级变动的总次数；Recomi为某次分析师的评级变动，评级上调赋值为3，维持赋值为2，下调赋值为1。

本文参照伊志宏等(2013)、游家兴等(2017)的做法，以《新财富》杂志公布的最佳分析师界定明星分析师。该活动由机构投资者采用直接提名并打分的方式进行评选，是中国较受重视的分析师排名活动。本文用所有明星分析师评级变动的平均值来度量分析师的评级行为。

RecomRVS_Star=ΣRecom_Stari/N

(2)

其中：i=1,…，N；N为明星分析师评级变动的总次数；Recom_Stari为某次明星分析师的评级变动，评级上调赋值为3，维持赋值为2，下调赋值为1。

2．解释变量

向上盈余错报。我们借鉴程新生等(2015)对盈余错报的度量方法，将向上盈余错报样本的盈余错报期间赋值为1，配对样本的相同期间赋值为0。例如，A公司为盈余重述样本，B公司为配对样本。A公司在2010年有盈余重述，重述报告表明盈余错报年度为2008，则A公司2008年赋值为1；配对样本 B的2008年赋值为0。

向下盈余错报。我们借鉴程新生等(2015)对盈余错报的度量方法，将向下盈余错报样本的盈余错报期间赋值为1，配对样本的相同期间赋值为0。

3．控制变量

借鉴现有文献(原红旗 等，2007；曹胜 等，2011)，我们控制了资产规模、公司负债率、公司增长率、ROA、托宾Q和市盈率等会显著影响分析师股票评级的因素，同时控制了虚拟变量行业和年度。

各变量具体说明详见表 1。

表1 变量说明

(三)模型设计

为检验上文提出的研究假设，本文构建了以下模型：

RecomRVS(RecomRVS_Star)=α0+α1Restate_Up1(Restate_Up2)+Σα1Controls+εi

(3)

RecomRVS(RecomRVS_Star) =β0+β1Restate_Down1(Restate_Down2)+Σβ1Controls+εi

(4)

模型(3)中，由于变量RecomRVS(RecomRVS_Star)越大代表评级调整越乐观，我们预期α1显著为负；模型(4)中，当被解释变量为RecomRVS时，我们预期β1不显著；而当被解释变量为RecomRVS_Star 时，我们预期β1显著为正。

五、实证检验结果与分析

(一)描述性统计

表2列示了本文主要变量的描述性统计分析结果，所有的连续变量均在上下1%的水平上进行了Winsorize处理。从表2可以看出，Restate_Up1样本总共有240个，其中盈余错报样本120个，配对样本120个。Restate_Up2样本总共有360个，其中盈余错报样本120个，配对样本240个。Restate_Down1样本总共有100个，其中盈余错报样本50个，配对样本50个。Restate_Down2样本总共有150个，其中盈余错报样本50个，配对样本100个。RecomRVS变量有495个样本，均值是2.007，大于中位数2.000，基本成正态分布；此外从均值2.007来看，分析师的评级变动是高于维持2的，即总体来看分析师的评级调整相对乐观。RecomRVS_Star变量有190个样本，表明495个分析师样本当中有190个是明星分析师的跟踪；RecomRVS_Star的均值2.035大于中位数2.000，基本成正态分布；此外，RecomRVS_Star的均值大于RecomRVS的均值2.007，这表明明星分析师的股票评级调整相比总体的分析师要积极。

表2 主要变量的描述性统计

此外，我们对从盈余错报(被重述时间)到盈余重述(重述时间)的时间间隔做了统计，表3第二列是盈余重述数目的年度分布；第三列是各年盈余重述样本对应的盈余错报年的平均数，即被盈余重述年的平均数；第四列是盈余重述与被重述之间的时间间隔。总体上，盈余重述每年都有递增的趋势，平均来看，盈余错报经过15.288个月后才会被发现及重述。

表3 盈余重述时间间隔统计结果

(二)实证结果与分析

表4为所有分析师评级的结果。由表4可知，在向上盈余错报的样本当中，Restate_Up1与RecomRVS在5%的水平上显著负相关，相关系数是-0.056；Restate_Up2与RecomRVS在1%的水平上显著负相关，相关系数是-0.059。这表明，与配对公司跟踪的分析师相比，有向上盈余错报的公司，其跟踪的分析师股票评级越可能向下变动。这表明跟踪分析师能够感知到向上盈余错报公司的信息风险，从而调整股票评级，H1a得到验证。在向下盈余错报的样本当中，Restate_Down1与RecomRVS负相关，但不显著；Restate_Down2与RecomRVS负相关，也不显著。这表明，与配对公司跟踪的分析师相比，有向下盈余错报的公司，其跟踪的分析师股票评级无显著性差异，H1b得到验证。

综上，跟踪分析师对向上和向下的盈余错报的感知和行为调整存在差异，只对向上的盈余错报有显著的行为调整，而对向下盈余错报的行为调整不显著。这可能是因为，相对于向下的盈余错报，向上的盈余错报更能引起监管机构、投资者和公众的关注，因此分析师会将有限的资源和注意力放到寻找向上盈余错报的公司上，通过揭露丑闻提高声誉和知名度。

表4 盈余错报与所有分析师评级的回归结果

盈余错报与明星分析师评级的回归结果如表5所示。在向上盈余错报的样本当中，Restate_Up1与RecomRVS _Star在10%水平上显著负相关，相关系数是-0.134；进一步的差异性检验发现，明星分析师的系数(-0.134)在5%的水平上显著大于所有分析师的系数(-0.056)(P值为0.032)。Restate_Up2与RecomRVS_Star在10%水平上显著负相关，相关系数是-0.111；且进一步的检验发现，明星分析师的系数(-0.111)在1%的水平上显著大于所有分析师的系数(-0.059)(P值为0.007)。即相对于配对公司来讲，跟踪的明星分析师会降低对有向上盈余错报的公司的评级。这表明跟踪的分析师能够感知到向上盈余错报中的信息风险，从而调整股票评级，H2a得到验证。

表5 盈余错报与明星分析师评级的回归结果

(续表5)

在向下盈余错报的样本当中，Restate_Down1与RecomRVS_Star在10%水平上显著正相关，系数为0.108；Restate_Down2与RecomRVS_Star在10%水平上显著正相关，系数为0.098。即有向下盈余错报的公司跟踪的明星分析师评级要显著高于配对公司。这表明跟踪的明星分析师能力和资源比较充足，对向上和向下的盈余错报均能有效感知，从而调整股票评级，H2b得到验证。

综上，跟踪的分析师能够感知到向上的盈余错报而不能感知到向下的盈余错报，行为调整具有不对称性；而跟踪的明星分析师却不存在这个问题，对向上和向下盈余错报均能感知，从而调整股票评级。

(三)双差法模型检验

我们采用双差法重新进行了检验。设计模型如下：

RecomRVS=α0+α1Up(Down)+α2Misstate_T+α3Up(Down)×Misstate_T+Σα1Controls+εi

(5)

RecomRVS_Star=α0+α1Up(Down)+α2Misstate_T+α3Up(Down)×Misstate_T+Σα1Controls+εi

(6)

其中:为有向上盈余错报的公司Up赋值为1，配对公司Up赋值为0；为有向下盈余错报的公司Down赋值为1，配对公司Down赋值为0。若为有盈余错报的公司，则当公司处于错报期间时，Misstate_T为1，否则为0；若为配对样本，则当其年度处于其配对的盈余错报公司的错报期间时，Misstate_T为1，否则为0。Up(Down)×Misstate_T为Up(Down)与Misstate_T的交互项，是我们主要关注的变量，代表着盈余错报对分析师评级变动带来的净影响。RecomRVS和RecomRVS_Star定义和赋值如表6所示。

表6 双差法的回归结果

(续表6)

如表6所示，当样本为向上盈余错报公司时，所有分析师的模型交互项在5%的水平上显著为负；而当样本为向下盈余错报公司时，所有分析师的模型交互项系数为负，但不显著。当样本为向上盈余错报公司时，明星分析师的模型交互项在5%的水平上显著为负；当样本为向下盈余错报公司时，明星分析师的模型交互项在10%的水平上显著为正。这与我们之前的研究结果一致。

(四)其他的稳健性检验

1.按错报金额分组进行检验

我们按照盈余错报金额的大小(经过资产平滑后的)分成两组，分别进行检验，结果表明：在向上盈余的公司当中，错报较大组的系数(-0.079)要小于错报较小组的系数(-0.058)，且系数差异性检验发现错报较大组的系数在5%的水平上显著小于错报较小组的系数；在向下盈余的公司当中，错报较大组的系数为0.074，在10%的水平上显著为正，而错报较小组系数仍旧不显著(2)限于篇幅，未将检验结果列示出来。。相比表4的结果，我们发现分析师对错报较大的向下的盈余同样能够做出行为调整。

2.利用分析师层面数据检验

为了控制公司层面的某些噪音，更加谨慎的检验有盈余错报和无盈余错报公司分析师评级的差异，我们进一步检验了同一个分析师对于有盈余错报与无盈余错报公司评级的差异性。首先确定有盈余错报公司跟踪的分析师，然后找出这些分析师跟踪的无盈余错报的公司，我们将跟踪盈余错报公司的分析师同时跟踪的非盈余错报公司定义为没有盈余错报的公司。具体变量定义为Restate_Up(Restate_Down)为1时代表向上(向下)盈余错报公司，Restate_Up为0时代表跟踪盈余错报的分析师同时跟踪的非盈余错报公司。

结果表明：首先，所有分析师评级的结果，在向上盈余错报的样本当中，Restate_Up与分析师层面的RecomRVS在1%水平上显著负相关，相关系数是-0.097；这表明相对于无盈余错报的公司，同样的分析师对有向上盈余错报公司的股票评级越可能向下变动。在向下盈余错报的样本当中，Restate_Down与分析师层面的RecomRVS正相关，但不显著；这表明有向下盈余错报的公司跟踪的分析师评级相对于同样分析师跟踪的无盈余错报的公司来讲，无显著性差异(3)限于篇幅，未将检验结果列示出来。。

其次，根据明星分析师的评级结果，在向上盈余错报的样本当中，Restate_Up与分析师层面的RecomRVS _Star在5%水平上显著负相关，相关系数是-0.122；且进一步的系数差异性检验发现，明星分析师的系数(-0.122)在10%的水平上显著大于所有分析师的系数(-0.097)(P值为0.051)。这表明相对于无盈余重述公司来讲，同样的明星分析师对有向上盈余错报公司的股票评级可能向下变动。在向下盈余错报的样本当中，Restate_Down与分析师层面的RecomRVS _Star在10%水平上显著正相关，系数为0.019。这表明有向下盈余错报的公司跟踪的明星分析师评级高于同样分析师跟踪的无盈余重述公司。结果与之前的结论一致，没有发生显著性变化。

为保证结果的准确性，我们又做了如下验证：对有盈余重述的公司重新按照同年同行业资产最相近的标准以分别以1∶1和1∶2的比例寻找配对样本，重新进行回归，结果仍然支持之前的结论；用分析师的评级来代替分析师的行为，重新进行回归，结果仍然支持之前的结论；用所有分析师评级调整的中位数来代替总的分析师的行为，重新进行回归，结果仍然支持之前的结论；用固定效应模型控制公司的固定效应后重新进行了检验，结果没有发生显著性变化。(4)限于篇幅，未将结果一一列出。

六、结论与建议

本文以 2001—2016年之间的盈余重述公司为样本，研究发现，在盈余重述之前即盈余错报尚未被公开之前，分析师能够提前感知到向上的盈余风险，向下调整股票评级；然而对于向下的盈余错报公司却只对错报金额较大的做出了显著的股票评级调整。这表明分析师可能出于时间和资源的考虑会特别关注能够更加影响其声誉的向上的盈余管理以及金额较重大的向下的盈余错报，从而对向上和向下盈余错报的行为调整具有不对称性，这符合前景理论的预期。当分析师面临着向上盈余错报的公司时，查找出错报进行评级调整可以获得声誉等收益，此时分析师面对极有可能的收益，会规避风险，努力查找出错报。而当面临着向下盈余错报的公司时，投资者不像向上盈余错报那么关注向下盈余错报，尤其是金额比较小的向下错报，分析师查找出错报的收益较小，因此此时有风险追求的倾向，会冒险不去查找和披露向下盈余的错报。进一步的研究我们发现这种不对称性在明星分析师的股票评级中消失，这说明明星分析师的能力和资源比较充足，对向上和向下的盈余错报均能有效感知，从而做出行为调整。

基于本文的理论分析和实证结果，我们提出以下政策建议：第一，向下盈余错报同样代表信息风险和信息不对称的存在，不利于投资者对上市公司价值的判断决策。因此监管机构和分析师等中介机构应从多角度注重信息披露的质量，以此更好的监督上市公司信息披露行为，帮助投资者做出差异化的决策，提高资本市场的定价效率。第二，在加快建设分析师队伍的同时，应注重加强分析师能力的培养和资源的积累。一般分析师对盈余错报的行为调整具有不对称性，因此证券公司在选用分析师的过程中要关注分析师的能力和资源积累，监管机构也应提高分析师的准入机制，规范后期培训，从而提高分析师的职业能力和职业素养，使其更好地发挥市场的中介作用和监督作用。第三，证券公司和分析师应加强培养行业优势，提倡“术业有专攻”。随着上市公司数量的大量增加，将有限的时间和资源集中于少数行业有助于提高分析师的竞争力。此外，证券公司也可以挖掘和合理利用每个分析师的行业专长，高效配置分析师资源。