分析师预测准确度(PMAFE法)

字段字典

• Symbol [股票代码] — 股票代码
• StkName [证券简称] — 证券简称
• Year [年份] — 被预测的财务年度
• Province [省份] — 公司注册所在省份
• ProvinceCode [省份代码] — 省份行政区划代码(6位)
• City [城市] — 公司注册所在城市
• CityCode [城市代码] — 城市行政区划代码(6位)
• County [区县] — 公司注册所在区县
• CountyCode [区县代码] — 区县行政区划代码(6位)
• IndustryCode [行业代码] — 中上协行业分类代码
• IndustryName [行业名称] — 中上协行业分类名称
• AnalystCount [跟踪分析师数] — 参考Clement (1999, JAE); Hong & Kubik (2003, JF)。对该公司发布EPS预测的主分析师人数(团队预测以首席分析师计)。单位：人
• MeanAFE [平均绝对预测误差] — 参考Clement (1999, JAE)的方法，计算公式为：各分析师|预测EPS-实际EPS|/年初股价的算术平均值，用作研究变量，越大代表预测越不准确。单位：比例
• MedianAFE [中位绝对预测误差] — 参考Clement (1999, JAE)的方法，计算公式为：各分析师绝对预测误差(price-scaled)的中位数。单位：比例
• PMAFE_Median [中位相对准确度] — 参考Clement (1999, JAE)的PMAFE方法，计算公式为：各分析师(AFE_i-MAFE)/MAFE的中位数，其中MAFE为该公司所有分析师的平均绝对预测误差。负值表示中位分析师优于同行均值，用作研究变量，越小代表分析师群体相对准确度越高。单位：比例
• ExpWtdPMAFE [经验加权相对准确度] — 参考Clement (1999, JAE)的PMAFE方法，以分析师样本内从业年数为权重计算的PMAFE加权均值，计算公式为：sum(PMAFE_i*Experience_i)/sum(Experience_i)，给予经验丰富的分析师更高权重。单位：比例
• AccurateRatio [准确分析师比例] — 参考Clement (1999, JAE)的方法，计算公式为：PMAFE<0的分析师占比，即预测优于同行均值的分析师比例，用作研究变量，越大代表覆盖该公司的准确分析师越多。单位：比例
• StarAnalystRatio [明星分析师比例] — 参考Clement (1999, JAE)的方法，计算公式为：全国年度PMAFE排名前10%的分析师覆盖该公司的比例，越大代表公司被顶级分析师关注度越高。单位：比例
• MeanOptBias [平均乐观偏差] — 参考Clement (1999, JAE); Hong & Kubik (2003, JF)。计算公式为：各分析师(预测EPS-实际EPS)/年初股价的算术平均值，正值表示分析师整体偏乐观，负值表示偏悲观。单位：比例
• OptimisticRatio [乐观分析师比例] — 计算公式为：预测EPS高于实际EPS的分析师占比，参考Lim (2001, JF)的研究，用作分析师乐观偏差的度量。单位：比例
• MeanBoldness [平均大胆度] — 参考Hong & Kubik (2003, JF)的方法，计算公式为：|个人预测EPS-一致预测EPS|/年初股价的均值，用作研究变量，越大代表分析师偏离一致预测越远。单位：比例
• AvgSampleExperience [平均样本内经验] — 参考Clement (1999, JAE); Hong & Kubik (2003, JF)。计算公式为：覆盖分析师在样本中的平均出现年数。注意：预测数据始于2017年，存在左截断，不代表分析师真实从业年限。单位：年
• ForecastFrequency [平均预测频次] — 参考Clement (1999, JAE); Hong & Kubik (2003, JF)。计算公式为：各分析师对该公司在该年度内的平均预测次数，越高表示分析师跟踪频度越大。单位：次
• AccuracyDispersion [准确度离散度] — 参考Clement (1999, JAE)的方法，计算公式为：个人PMAFE的标准差，反映覆盖分析师间预测准确度的差异程度，越大代表分析师间能力分化越严重。单位：比例

常见问题

「分析师预测准确度(PMAFE法)」是什么数据集？

分析师预测准确度(PMAFE法)，隶属信息环境。衡量证券分析师群体的盈利预测能力。

该数据集的时间范围是？

覆盖 2017-2025 年。

包含哪些变量/指标？

共 24 个变量。核心指标包括：跟踪分析师数、平均绝对预测误差、中位绝对预测误差、中位相对准确度、经验加权相对准确度、准确分析师比例、明星分析师比例、平均乐观偏差、乐观分析师比例、平均大胆度、平均样本内经验、平均预测频次、准确度离散度。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，上市公司层级。

样本量有多大？

约 21,871 条观测。

数据是如何测算/获取的？

指标定义与计算方法 本数据集旨在从公司-年度层面衡量覆盖该公司的证券分析师群体的盈利预测能力，核心指标构建遵循 Clement (1999) 提出的个人分析师层面预测准确度（PMAFE）框架。分析师预测准确度是资本市场信息效率研究的关键变量，反映了专业信息中介的信息解读与预测能力，其群体特征（如准确度、偏差、分歧）会影响股价的信息含量和定价效率。 计算首先在个人分析师层面进行。对于在特定年度对特定公司发布了每股收益（EPS）预测的每位主分析师（团队预测以首席分析师计），计算其绝对预测误差（AFE），即其预测EPS与实际EPS之差的绝对值，再除以该年度年初的股票价格进行标准化，以控制公司规模与股价水平的影响。该标准化后的AFE是后续所有衍生指标的基础。在此基础上，计算该公司该年度所有覆盖分析师的AFE均值（MAFE）。核心的相对准确度指标——个人预测准确度（PMAFE）——通过比较分析师个人误差与同行平均误差得到，计算公式为 $(AFEi - MAFE) / MAFE$。该值为负表示该分析师的预测准确度高于覆盖同公司的分析师平均水平。 将个人层面的PMAFE及其他指标汇总至公司-年度层面，得到反映分析师群体特征的系列指标。这些指标可分为四类：第一类是准确度水平指标，包括平均绝对预测误差（$MeanAFE$）、中位绝对预测误差（$MedianAFE$）、中位相对准确度（$PMAFE\Median$）以及经验加权相对准确度（$ExpWtdPMAFE$），其中$ExpWtdPMAFE$以分析师在样本中的出现年数作为权重对个人PMAFE进行加权平均。第二类是准确度分布指标，包括准确分析师比例（$AccurateRatio$，即PMAFE<0的分析师占比）、明星分析师比例（$StarAnalystRatio$，即全国年度PMAFE排名前10%的分析师占比）以及准确度离散度（$AccuracyDispersion$，即个人PMAFE的标准差）。第三类是预测偏差指标，包括平均乐观偏差（$MeanOptBias$，即标准化后的（预测EPS-实际EPS）的均值）和乐观分析师比例（$OptimisticRatio$）。第四类是预测行为特征指标，包括平均大胆度（$MeanBoldness$，即个人预测与一致预测之差的绝对值经股价标准化后的均值）、跟踪分析师数（$AnalystCount$）、平均预测频次（$ForecastFrequency$）以及平均样本内经验（$AvgSampleExperience$）。 补充说明 - 计算基于年度EPS预测数据。仅考虑对同一公司同一年度发布预测的分析师，团队预测记录以首席分析师为准进行归并。 - 计算中使用的“年初股价”为预测对应财务年度首个交易日的收盘价。 - 样本数据始于2017年，因此计算“平均样本内经验”时存在左截断，该指标代表分析师在可观测样本中的出现年数，并非其完整的职业生涯年限。 - 在计算公司-年度层面指标（如均值、中位数、比例）时，要求该公司该年度至少有1位分析师覆盖。 参考文献 - Clement M B. Analyst forecast accuracy: Do ability, resources, and portfolio complexity matter?[J]. Journal of Accounting and Economics, 1999, 27(3): 285-303. - Hong H, Kubik J D. Analyzing the analysts: Career concerns and biased earnings forecasts[J]. The Journal of Finance, 2003, 58(1): 313-351. - Lim T. Rationality and analysts' forecast bias[J]. The Journal of Finance, 2001, 56(1): 369-385.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。