Two Essays on Analyst Information Processing
Notice bibliographique
Résumé
This thesis consists of two essays focusing on how sell-side analysts provide value to the market through their information processing.The first essay studies the impact of private interaction with management, one of the most crucial information sources for sell-side analysts, on their performance.I identify private interaction between sell-side analysts and firm management based on 373,869 analyst reports for 2,958 U.S. firms by 2,238 analysts who work with eight large banks during 1997-2019.I find that earnings forecast accuracy increases after an analyst privately interacts with management, especially when the information asymmetry and forecast difficulty of the underlying firms are higher.Private interaction with management helps analysts reduce bias, produce more detailed and soft information such as operational and strategic information, and achieve better career outcomes.My findings provide direct evidence that private interaction with management benefits analyst performance.The second essay investigates the impact of subjectivity, one of the most common attributes in textual information, on the informativeness of analyst reports.We use machine learning techniques to classify statements in 421,583 analyst reports into objective facts and subjective opinions.We find that market reaction to analyst narratives increases with analysts' subjectivity in their research reports.The effects are more pronounced for firms with lower financial report quality and for analysts' subjective assessment on risk and growth, but less pronounced when macro uncertainty is higher.We also find that higher prevalence of analysts' subjectivity is associated with better future firm earnings growth.Additional analyses indicate that analyst report subjectivity captures analysts' additional effort allocation and private information.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».