애널리스트 이익예측의 정확성과 추천종목의 수익성 PDF

애널리스트 이익예측의 정확성과 추천종목의 수익성
Earnings Forecast Accuracy and Recommendation Profitability of the Analysts in Korea
저자 고봉찬, 김진우
Bong Chan Kho, Jin Woo Kim
(Authors)
출처 한국증권학회지 36(6), 2007.12, 1009-1047(39 pages)

Korean Journal of Financial Studies 36(6), 2007.12, 1009-1047(39 pages)
(Source)
발행처 한국증권학회
(Publisher) Korean Securities Association
URL http://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE07228090
APA Style 고봉찬, 김진우 (2007). 애널리스트 이익예측의 정확성과 추천종목의 수익성. 한국증권학회지,
36(6), 1009-1047
이용정보 인천대학교
(Accessed) 117.16.225.***
2019/06/19 02:11 (KST)
저작권 안내
DBpia에서 제공되는 모든 저작물의 저작권은 원저작자에게 있으며, 누리미디어는 각 저작물의 내용을 보증하거나 책임을 지지
않습니다. 그리고 DBpia에서 제공되는 저작물은 DBpia와 구독계약을 체결한 기관소속 이용자 혹은 해당 저작물의 개별 구매
자가 비영리적으로만 이용할 수 있습니다. 그러므로 이에 위반하여 DBpia에서 제공되는 저작물을 복제, 전송 등의 방법으로 무
단 이용하는 경우 관련 법령에 따라 민, 형사상의 책임을 질 수 있습니다.
Copyright Information
Copyright of all literary works provided by DBpia belongs to the copyright holder(s)and Nurimedia does not
guarantee contents of the literary work or assume responsibility for the same. In addition, the literary works
provided by DBpia may only be used by the users affiliated to the institutions which executed a subscription
agreement with DBpia or the individual purchasers of the literary work(s)for non-commercial purposes.
Therefore, any person who illegally uses the literary works provided by DBpia by means of reproduction or
transmission shall assume civil and criminal responsibility according to applicable laws and regulations.
Asia-Pacific Journal of Financial Studies (2007) v36 n6 pp1009-1047
Earnings Forecast Accuracy and Recommendation

Profitability of the Analysts in Korea *
Bong-Chan Kho∗∗
Seoul National University, Seoul, Korea
Jin-Woo Kim
Seoul National University, Seoul, Korea
Received 23 March 2007; Accepted 21 November 2007
Abstract
This paper studies the contemporaneous relation between analysts’ earnings forecast
accuracy and their recommendation profitability (hereafter, accuracy and profitability),
and tests whether more accurate analysts produce more profitable stock recommendations
in Korean stock markets. As Loh and Mian (2006) showed for the U.S. market, it is com-
monly believed that there exists a positive relation between accuracy and profitability,
e.g., more accurate analysts generate more profitable stock recommendations. However,
Michaely and Womack (1999), Barber et al. (2007), and Ertimur et al. (2007) showed that
analysts having conflicts of interest from their investment banking businesses tend to
produce more optimistic, and thus, less profitable recommendations especially for buy
cases. These results imply that such conflicts of interest can affect negatively the relation
between accuracy and profitability. This paper examines this relation empirically for the
case of Korean stock markets with considerations given to the conflicts of interest for the
periods before and after implementation of the Fair Disclosure regulation (hereafter, FD)
in November 2002.
Using the FnGuide Consensus database and the I/B/E/S database for the period from
April 2001 to October 2006, we examine the earnings forecasts and recommendations
made by analysts affiliated with domestic and foreign brokerage firms, and obtain the
following results. First, we analyze the profitability of each recommendation and find that
sell recommendations result in significant -26.1% cumulative abnormal returns (hereafter,
CARs) for the subsequent 6-month period. This implies that sell recommendations are
* We are grateful for comments from seminar participants at the 2007 Korea Securities Asso-
ciation’s Annual Meetings in Seoul and from Chang-Soo Hur, Seong-Hoon Jeong, and two
anonymous referees. This paper is awarded by Korean Securities Association Grant in 2006
provided by FnGuide Inc., who also kindly provided data on analyst reports. Part of this re-
search is supported by the Institute of Management Research at Seoul National University.
** Corresponding Author. Address: 607 LG Hall, College of Business Administration, Seoul
National University, Sillim-dong, Gwanak-gu, Seoul, Korea, 151-916; E-mail: bkho@snu.ac.kr;
Tel: +82-2-880-8798; Fax: +82-2-876-8411.
1009
인천대학교 | IP:117.16.225.*** | Accessed 2019/06/19 02:11(KST)

Earnings Forecast Accuracy and Recommendation Profitability of the Analysts in Korea
regarded as true sell signals in the market as the sell recommendations are rarely sug-
gested by analysts and amount to only 1% in our sample. We also find that neutral rec-
ommendations are also considered as sell signals since they have significant -6.6% CARs
for the following 6-month period. On the other hand, buy recommendations result in posi-
tive CARs (0.23%) around the event day (3 trading days before and after report day),
which are subsequently reversed to negative CARs and reach at significant -3.0% for 6
months later. In fact, buy recommendations of the analysts belonging to the most accurate
quintile group based on earnings forecast accuracy result in lower profitability than other
accuracy groups. This result implies that buy recommendations are more likely to be
plagued by optimistic recommendations due to the presence of conflicts of interest.
In order to analyze the effects of conflicts of interest in more detail, we estimate the
cross-sectional regression model with various characteristic variables for analysts and
covered firms as control variables. We find that for the period before FD when analysts
could have selective information presented by the covered firm, the conflicted analysts
affiliated with equity or debt underwriters generate more profitable buy recommendations
due to their information advantage, whereas their earnings forecast accuracy has nega-
tive relation to profitability due to the conflicts of interest. However, for the period after
FD which prohibits firms from distributing important information to selected analysts,
the conflicted analysts produce less profitable buy recommendations, and the relation be-
tween their accuracy and profitability turns to be positive. This implies that it becomes
important for the conflicted analysts to produce profitable buy recommendations based on
accurate earnings forecasts. The regression results also show that the firm size variables
for both brokerage firms and covered firms are significantly positive and negative, respec-
tively, indicating that the recommendations made by large brokerage firms for small
firms tend to have higher profitability.
Regarding the reversal pattern of the CARs for buy recommendations over the subse-
quent 6 months, we find that the reversal becomes more pronounced after FD, which, in
turn, is strikingly associated with the number of firms covered by an analyst, together
with the underwriter dummy representing the conflicts of interest. This result implies
that the current increase in the number of firms covered by an analyst becomes a heavy
burden, resulting in less profitable buy recommendations that are not based on the earn-
ings forecasts. Finally, we find that buy recommendations from foreign brokerage firms
show higher profitability than those from domestic brokerage firms up to the first one-
month period, which turns indistinguishable thereafter.
Keywords: Analyst; Earnings forecast accuracy; Recommendation profitability;

Conflicts of interest; Fair disclosure regulation
1010

증권학회지 제36권 6호 (2007) 1009-1047
애널리스트 이익예측의 정확성과

추천종목의 수익성*
고 봉 찬 (서울대학교)**
김 진 우 (서울대학교)∗∗
< 요 약 >
본 연구는 2001년 4월부터 2006년 10월까지 발표된 국내외 증권사의 애널리스트 분석보
고서를 대상으로 과연 이익예측치의 정확성에 따라 추천종목의 수익성이 높아지는지, 그리
고 애널리스트 이해상충문제가 이 둘간의 관계에 어떠한 영향을 미치는지를 분석하고 있다.
우선 표본기간 동안 매도의견은 전체 추천의견의 1%에 불과함에 따라 매도추천종목은 시장
에서 진정한 매도신호로 간주되어 향후 6개월까지 -26%의 누적초과수익을 보인 반면, 매수
의견은 사건일 전후 3일간의 누적초과수익 0.23%가 6개월간 지속적으로 하락하여 -3%의
유의한 음수로 반전되었다. 이러한 결과는 매수의견이 기업의 미래이익 예측치에 근거하여
제시되기 보다는, 해당 기업과의 계속적인 사업관계 유지를 위하여 부실 종목임에도 매수일
변도로 상향 추천하려는 이해상충의 문제가 존재하고 있음을 의미하는 결과이며, 실제로 이
익예측 정확성이 높은 그룹의 매수추천종목이 더 낮은 수익성을 보이고 있어서 부실한 매수
추천이 더 많았음을 알 수 있었다.
이처럼 이익예측 정확성과 매수추천종목의 수익성이 음의 관계를 가지게끔 하는 이해상충
의 문제를 심층분석하기 위하여 중요 특성변수들을 통제한 다중회귀분석을 수행하였다. 그
결과, 이해상충문제를 안고 있는 대표주관사 소속 애널리스트는 선별적인 정보제공이 가능
했던 공정공시제도 이전에는 매수추천에 대해서 평균적으로 높은 수익성을 보였지만, 정확
성과 수익성의 관계는 이해상충문제로 인해 음으로 나타났다. 그러나 선별적 정보제공이 금
지된 그 이후 기간에서는 대표주관사 소속 애널리스트의 매수추천 종목의 수익성은 평균적
으로 하락하였으나, 정확성과 수익성의 관계는 양으로 나타났다. 이는 공정공시제도 이후에
는 대표주관사 소속이어도 정확한 이익예측을 바탕으로 매수추천을 제시하는 것이 중요해졌
음을 의미한다.
끝으로 매수추천 이후 수익성이 반전되는 현상은 공정공시제도 이후에 더욱 뚜렷하게 나타
나고 있는데, 이를 설명하는 다중회귀모형의 특성변수는 대표주관사 더미 이외에도 애널리
스트의 분석기업수가 중요한 것으로 나타났다. 이는 최근으로 올수록 분석기업수 증가에 따
른 분석업무 부담증대가 이익예측치와 무관한 매수일변도의 상향 추천을 초래하고 있음을
시사하는 것이다.
핵심 단어: 애널리스트, 이익예측 정확성, 추천종목 수익성, 이해상충, 공정공시제도
* 본 연구에 대하여 한국증권학회 2007년도 1차 정기학술발표회에서 유익한 토론을 해주신

허창수 교수님과 정성훈 박사님, 그리고 익명의 두분 심사자께 감사 드립니다. 본 연구는
2006년도 한국증권학회 2차 연구지원사업으로 FnGuide의 연구지원으로 수행되었으며, Fn
Guide의 애널리스트 분석보고서 자료를 기반으로 작성되었다. 본 연구의 일부는 서울대학교
경영연구소의 연구비 지원을 받아 수행되었다.
** 연락담당 저자. 주소: 서울시 관악구 신림9동 서울대학교 경영대학 LG관 607호, 151-916;
E-mail: bkho@snu.ac.kr; Tel: 02)880-8798; Fax: 02)876-8411.
투고일 2007-03-23; 게재확정일 2007-11-21
1011

1. 서론
최근 국내 증권사 애널리스트 분석보고서의 매수 추천의견은 80%에 육박하는 반면 매

도는 고작 1%에 불과하여 그 신뢰도에 심각한 문제가 제기 되고 있다. 이처럼 국내 증권
사 애널리스트는 매도추천을 좀처럼 하지 않기 때문에 국내외 투자자들로부터 믿을 수 없
다는 비판의 소리도 자주 접하게 된다.1) 애널리스트 활동의 핵심이 분석대상 기업의 내재
가치에 관한 유용한 정보를 취합하여 매수 또는 매도추천의견을 제공하는 것이라고 한다
면 국내의 현실은 이와 거리가 먼 것으로 들린다. 따라서 국내 애널리스트 분석보고서에
담긴 추천의견이 과연 어느 정도의 투자가치를 지니고 있는지를 검증하고, 매수일변도의
추천의견을 제시하고 있는 국내 애널리스트 시장의 문제점을 분석해보는 것은 국내 증권
시장의 효율성 증대 차원에서 중요한 의미를 갖는다.
애널리스트가 제시하는 추천의견의 투자가치에 관해서 기존의 국내외 연구들은 추천의
견의 발표 시점을 전후로 수일간 유의한 초과수익이 관찰된다는 점에 대체로 일치하고 있
다. 또한 그 수익성이 얼마나 장기에 걸쳐 지속 또는 반전되며, 주요 결정요인은 무엇인지,
그리고 애널리스트가 보유하는 이익예측 정보가 추천의견에 효과적으로 반영되는지 등에
관해서는 최근 많은 실증연구가 진행되고 있다. 특히 Loh and Mian(2006)은 미국 시장을
대상으로 애널리스트 이익예측 정보의 정확성이 높아질수록 추천의견의 수익성도 높아짐
을 보임으로써 애널리스트 이익예측 정보가 추천의견에 잘 반영되고 있음을 발견하였다.
이것은 애널리스트에 대한 평가가 자신이 제시한 이익예측의 정확성과 추천종목의 수익성
을 바탕으로 시장에서 곧바로 이루어지게 되므로 자신의 이익예측 정보를 추천의견에 최
대한 반영하고 있다는 의미이며, 결국 정확성과 수익성간에는 양의 관계가 존재함을 의미
한다.2)
그러나 애널리스트가 분석기업과의 계속적인 사업관계 유지를 위하여 낙관적인 추천의
견을 제시해야 하는 이해상충(conflicts of interest)의 문제가 존재하는 경우, 애널리스트
1) 증권사 애널리스트가 매도추천을 꺼리는 현상은 기본적으로 분석기업과의 계속적인 사업관

계를 유지하기 위해 낙관적인 추천의견을 유지해야 하는 이해상충의 문제가 존재하기 때문
에 어느 정도 피할 수 없는 현상이라고 할 수 있으나, 영국 AQ리서치의 2006년 조사에 의
하면 애널리스트 매도의견의 비중은 미국과 유럽의 경우 적어도 10%를 넘고 일본은 약
28%에 달한다는 것을 보면 국내 애널리스트의 편향성은 과도한 것으로 판단된다.
2) 국내 뿐만 아니라 미국에서도 Wall Street Journal이나 Institutional Investor 등에서 애널리
스트들을 평가할 때는 이익예측의 정확성이나 보고서의 우수성, 주식선택능력, 그리고 투자
자들에 대한 서비스 수준 등을 중요한 기준으로 삼고 있다.
1012

증권학회지 제36권 6호 (2007)
들은 자신의 이익예측과는 무관하게 부실한 종목을 매수추천함에 따라 추천종목의 수익성

은 떨어지게 된다는 실증결과도 제시되고 있으며(Michaely and Womack, 1999; Barber
et al., 2007), 특히 이익예측치 발표보다도 추천의견 제시에 있어서 더욱 낙관적으로 편
향된다는 실증결과도 제시되었다(Dugar and Nathan, 1995). 결국 이해상충이 있는 경우
이익예측치는 정확하게 발표하더라도 추천의견은 낙관적으로 제시하여 정확성과 수익성
간에 음의 관계가 존재할 수 있음을 의미한다. 실제로 Ertimur et al.(2007)은 미국 시장
을 대상으로 이러한 음의 관계가 존재함을 보여줌으로써, 애널리스트의 이익예측 정보가
추천의견에 반영되는 경로에 있어서 이해상충문제가 중요한 장애요인으로 작용할 수 있음
을 암시하고 있다.
국내에서는 이렇게 이익예측의 정확성과 추천종목의 수익성 사이에 내재하는 이해상충
문제에 대해 심도 있는 연구가 진행된 것이 없는 상황이어서 본 연구에서는 이에 대한 실
증적 해답을 찾고자 한다. 구체적으로 본 연구에서는 FnGuide Consensus database와
I/B/E/S database가 제공하는 2001년 4월부터 2006년 10월까지 발표된 국내외 증권사
의 애널리스트 분석보고서의 방대한 자료를 기반으로, 과연 국내 주식시장에서 애널리스
트 이익예측의 정확성에 따라 추천종목의 수익성이 달라지는지를 분석하고, 이해상충문제가
정확성과 수익성 관계에 어떠한 영향을 미치는지를 분석함으로써 매수일변도의 국내 애널리
스트 시장의 문제점을 짚어보고자 한다. 또한 이해상충문제 이외에도 추천종목의 수익성을
결정하는 주요 변수가 무엇인지를 공정공시제도 시행 전후로 나누어 분석하고자 한다.
본 연구의 실증분석을 통해서 얻은 주요 결과를 요약하면 다음과 같다. 먼저 표본기간
동안 매도의견은 전체 추천의견의 1%에 불과함에 따라 매도추천종목은 시장에서 진정한
매도신호로 간주되어 향후 6개월까지 유의한 -26.1%의 누적초과수익을 보였으며, 중립의
견 역시 향후 6개월까지 -6.6%의 유의한 누적초과수익을 보여 사실상의 매도신호로 간
주되고 있음을 알 수 있었다. 반면에 매수의견은 사건일 전후 3일간의 누적초과수익
0.23%가 그 이후 6개월간 지속적으로 하락하여 -3.0%의 유의한 음수로 반전되었다. 이
러한 결과는 기업의 미래이익 예측치와 상관없이 해당 기업과의 계속적인 사업관계를 유
지하고자 낙관적인 추천의견을 제시하는 이해상충의 문제로 인해 부실한 종목임에도 매수
일변도로 상향 추천됨을 의미하며, 실제로 이익예측 정확성이 높은 그룹의 매수추천종목
이 더 낮은 수익성을 보임에 따라 부실한 매수추천이 더 많았음을 알 수 있다.
이처럼 애널리스트의 이해상충문제는 특히 매수추천의 경우에 있어서 정확성과 수익성
이 음의 관계를 가지도록 영향을 미치는데, 이를 애널리스트 및 분석기업 관련 특성변수
들을 통제한 회귀모형으로 심층분석한 결과, 이해상충문제를 안고 있는 대표주관사 소속
1013

애널리스트는 기업의 선별적인 정보제공이 가능했던 공정공시제도(Fair Disclosure regu-

lation, 이하 FD) 이전에는 매수추천에 대해서 평균적으로 높은 수익성을 보였으나, 정확
성과 수익성의 관계는 음으로 나타나서 이해상충문제로 인해 부실한 종목을 과도하게 매
수추천할 경우 수익성 하락요인으로 작용함을 알 수 있었다. 이러한 결과는 이해상충문제
가 존재할 경우 정확성과 수익성 간의 관계가 약해지거나 음의 관계를 가진다는 미국시장
에 대한 Ertimur et al.(2007)의 연구결과와 일치하고 있다. 이와 달리 선별적인 정보제공
이 금지된 FD 시행 이후 기간에서는 이해상충문제를 안고 있는 대표주관사 소속 애널리
스트의 매수추천종목에 대한 수익성은 평균적으로 하락하였으나, 이전과 달리 정확성과
수익성은 유의한 양의 관계를 가지는 것으로 나타났다. 이는 FD 시행 이후에는 이해상충
문제가 존재하는 애널리스트라 할지라도 자신의 명성과도 직결되는 추천종목의 수익성을
증대시키기 위해서 정확한 이익예측치를 기반으로 매수추천을 제시하는 것이 중요해졌음
을 의미한다.
또한 애널리스트의 매수추천 이후 6개월까지 수익성이 반전되는 현상은 FD 시행 이후
에 더욱 뚜렷하게 나타나고 있는데, 이를 설명하는 회귀모형의 특성변수로는 대표주관사
더미 이외에도 애널리스트의 분석기업수가 중요한 것으로 나타났다. 그래서 분석기업수의
크기에 따라 매수추천종목의 수익성 반전규모가 과연 얼마나 차이 나는가를 추가적으로
분석한 결과, 분석기업수가 가장 많은 애널리스트 그룹이 항상 가장 낮은 수익성을 보이
는 것으로 나타났으며, 특히 이익예측 정확성이 가장 높으면서 분석기업수도 가장 많은
그룹은 추천의견 제시일 이후 6개월간 평균 -12.12%의 누적초과수익률 반전이 발생하는
것으로 나타났다. 이러한 결과는 최근으로 올수록 각 애널리스트의 분석기업수가 증가함
에 따라 애널리스트의 분석업무 부담이 증대되어 이익예측치와 무관한 매수일변도의 상향
추천을 초래하고 있음을 시사하고 있다.
끝으로 외국 증권사의 매수추천종목은 국내 증권사에 비해 추천의견 제시 이후 약 1개
월까지는 높은 수익성을 얻는 것으로 분석되었지만, 추천의견의 상향 또는 하향변경에 대
해서는 국내외 증권사간에 유의한 수익성 차이가 존재하지 않아서 국내외 증권사의 추천
의견 변경효과를 분석한 김동순, 엄승섭(2006)의 연구결과와 일치하는 결과를 얻었다. 그
밖에 애널리스트 및 분석기업 관련 특성변수들 중에서는 소속 증권사의 규모와 분석기업
의 시가총액만이 매수와 매도 모두에서 수익성에 유의한 효과를 미치는 것으로 나타나서,
대형증권사가 제시한 소규모 기업에 대한 추천의견일수록 수익성이 증가하는 것으로 분석
되었다.
본 연구의 구성은 다음과 같다. 다음 제 2장에서는 애널리스트 추천의견의 수익성 및
1014

이익예측 정확성과 관련된 국내외 연구들을 정리한다. 제 3장에서는 본 연구에서 사용한

표본과 연구설계 및 기초통계량 등을 제시한다. 제 4장에서는 사건연구방법과 포트폴리오
접근방법을 이용하여 애널리스트 추천종목의 수익성을 분석하고, 이러한 수익성과 이익예
측 정확성과의 관계에 이해상충 변수가 어떠한 영향을 미치는지에 대한 분석 결과들을 제
시한다. 끝으로 제 5장에서는 본 연구의 결론과 중요 시사점들을 정리한다.
2. 국내외 문헌연구
증권사 애널리스트들이 제공하는 매수 또는 매도 추천의견은 분석대상 기업의 내재가치

에 관한 정보를 종합적으로 취합하여 발표되는 것이기 때문에 이러한 추천의견에 따라 투
자할 경우 과연 시장보다 높은 초과성과를 올릴 수 있는가에 대한 연구가 시장효율성 검
증차원에서 많이 진행되어 왔다. 예컨대, Lloyd-Davies and Canes(1978), Lin et
al.(1990), Stickel(1995), Desai and Jain(1995) 등은 미국 시장에서 애널리스트들의 추천
의견 발표시점에서는 유의한 시장반응이 나타나지만 그 이후의 장기간에 걸쳐서는 유의한
초과수익을 얻을 수 없으므로 준강형 효율적 시장이 성립한다고 주장하였다. 그러나
Womack(1996)은 애널리스트들의 추천의견이 새로운 매수나 매도 쪽으로 변경되는 경우
를 대상으로 분석한 결과, 매수 쪽보다는 매도 쪽으로 변경되는 경우에 있어서 변경시점
뿐만 아니라 6개월간의 장기에 걸쳐서도 유의한 음의 초과수익이 발견된다는 결과를 얻
었다. 이것은 잘못된 매도의견 제시에 따른 애널리스트의 평판위험이 매수의 경우보다 훨
씬 더 크기 때문에 진정으로 주가에 부정적인 의견이 있을 경우에만 매도 쪽으로 추천의
견을 변경한다는 것을 의미하는 것으로서, 이러한 잠재적인 위험이나 정보비용을 고려할
경우 장기에 걸친 주가반응이 반드시 시장효율성에 위배되는 결과라고 볼 수는 없을 것이다.
이처럼 추천의견 발표일 이후의 주가반응을 분석하는 연구들과는 대조적으로 Conrad
et al.(2006)은 비정상적인 주가변화 사건일을 전후로 애널리스트들의 추천의견이 어떻게
변경되는지를 분석하였다. 그 결과, 비정상적인 주가상승은 추천의견 변경에 별 영향을
미치지 못하지만, 주가하락의 경우에는 추천의견을 하향변경할 확률이 유의하게 높아지는
것을 발견하였다. 이것은 애널리스트들이 해당 기업과의 계속적인 사업관계를 유지하기
위해 낙관적인 추천의견을 유지해야 하는 이해상충의 문제가 존재하는 상황에서 주가가
비정상적으로 상승하더라도 자신들이 갖고 있는 사적정보에 변함이 없는 한 추천의견을
변경하지 않지만, 상당한 주가하락으로 인해 시장에 부정적인 정보가 이미 반영되어 있는
상태에서는 이해상충의 큰 부담 없이 추천의견을 하향조정하는 기회로 삼고 있음을 의미
1015

한다. 이처럼 애널리스트가 추천의견을 하향조정하는 것을 꺼리는 편향성(sticky down-

grade)은 다른 요인들을 통제한 후에도 유효하게 나타났다.
한편 애널리스트들은 이익예측의 정확성과 추천종목의 수익성을 통해 시장에서 평가받
게 되므로 이 둘간에 양의 관계가 존재할 것으로 예상할 수 있다. 이에 대한 실증적 검증
을 위하여 Loh and Mian(2006)은 이익예측치 정확성에 따라 애널리스트들을 다섯개 그
룹으로 나눈 후 이들이 제시한 추천종목의 수익성을 비교하였다. 그 결과, 정확성이 가장
높은 그룹의 추천종목이 가장 낮은 그룹보다 유의하게 높은 초과수익을 보임으로써 정확
성과 수익성간에 양의 관계가 존재함을 지지하고 있다. 그러나 해당 기업에 대해 이해상
충문제가 존재하는 경우, 애널리스트들은 자신의 이익예측치와 무관하게 매우 낙관적인
추천의견을 제시한다는 실증결과도 제시되고 있다. 예를 들어 Michaely and Womack
(1999)과 Barber et al.(2007)은 이해상충문제를 가지는 애널리스트 추천종목의 수익성이
그렇지 않은 애널리스트보다 낮다는 결과를 보였으며, Dugar and Nathan(1995)은 IPO
대표주관사 소속 애널리스트들(affiliated analysts)이 이익예측치를 발표할 때보다도 추천
의견 제시에 있어서 더욱 낙관적으로 편향되고 있음을 보여주었다. 결국 이해상충이 있는
경우 이익예측치는 정확하더라도 낙관적인 추천의견으로 인해 정확성과 수익성간에 음의
관계가 존재할 수 있으며, 실제로 Ertimur et al.(2007)은 실증분석을 통해 이를 지지하는
결과를 보여 주었다. 이러한 결과들은 결국 애널리스트가 보유하고 있는 이익예측치 정보
가 추천의견에 반영되는 경로에서 이해상충의 문제가 중요한 장애요인으로 작용함을 의미
한다.
국내 연구에서도 애널리스트 추천의견의 유용성과 관련하여 추천의견 발표시점에서 주
가에 유의한 반응이 있다는 공통적인 결과를 보고하고 있다. 이원흠, 최수미(2003)는 애
널리스트들의 추천의견 상승(하락)변경이 주식수익률에 유의한 긍정적(부정적)효과를 미
치며, 외부기관으로부터 베스트로 선정된 애널리스트일수록 주식수익률에 보다 큰 영향을
미친다는 결과를 제시하였다. 또한 변진호, 김근수(2005)는 증권사의 일별 추천종목의 정
보가치가 공표 시점에서만 유의하게 발견된다는 결과를 제시함으로써 준강형 효율적 시장
가설을 지지하고 있다. 한편 김동순, 엄승섭(2006)은 국내외 애널리스트들의 투자의견 및
목표주가 변경이 모두 주가에 유의한 영향을 미치고 있지만 국내외 애널리스트간의 차이
는 발견할 수 없었다. 이러한 결과는 Bae et al.(2007)의 32개국에 대한 연구에서 해당국
증권사 애널리스트들이 외국 증권사에 비해 정보우위를 점하고 있다는 결과와는 차이를
보이는 것이다. 이상과 같은 국내 연구들은 애널리스트 추천의견이 주가에 유의한 영향을
미친다는 공통적인 결과를 제시하고 있지만, 추천종목의 수익성이 얼마나 지속 또는 반전
1016

되는가에 대해서는 명확한 결론이 없는 상태이며, 이익예측 정확성과 추천종목 수익성간

의 관계에 있어서 이해상충의 문제가 어떠한 작용을 하는가에 대한 연구가 전무하다는 점
에서 본 연구가 국내 연구에 기여하는 바가 있다고 하겠다.
한편 국내에서 2002년 11월부터 시행된 공정공시제도(FD)는 애널리스트들에 대하여
기업이 선별적으로 정보를 제공하는 것을 금지시킴으로써 애널리스트들의 이익예측력과
추천종목의 수익성에 변화를 가져왔을 가능성이 크다. 이러한 FD의 효과와 관련하여
Eleswarapu et al.(2004), Cornett et al.(2004) 등은 2000년 10월부터 시행된 미국의 FD
가 선별적인 정보제공을 금지시킴으로써 주식가치에 대한 정보불균형을 개선하는 긍정적
인 효과가 있다고 주장한 반면, Straser(2002), Bailey et al.(2003) 등은 정보불균형 개선
효과가 미미하다는 상반된 결과를 제시하고 있어서 명확한 결론을 내리기가 쉽지 않다.
그러나 국내의 경우 이원흠, 최수미(2004)와 김성민, 전상경(2005)은 FD 시행 이후에는
투자의견 변경 발표 이전의 정보유출 현상이 사라지고, 기업들이 비교적 정확한 실적예측
공시를 수행하고 있어서 정보불균형 개선효과가 있다는 결과를 제시하고 있다. 또한
Heflin et al.(2003)의 연구에서는 FD 시행 이후 애널리스트의 분석력과 이익예측치의 정
확성이 증가하였음을 보이고 있으며, Ertimur et al.(2007)의 연구에서는 FD 시행 이후로
이익예측치의 정확성과 추천종목의 수익성간의 관련성이 더욱 증대됨을 보임으로써 FD의
긍정적 효과를 지지하고 있다. 이처럼 FD 시행은 애널리스트의 정보력과 이익예측치의
정확성에 중요한 영향을 미치는 제도적 변화이기 때문에 본 연구에서는 애널리스트의 이
익예측 정확성과 추천종목 수익성간의 관련성이 어떻게 변화하였는지를 FD 시행 전후로
나누어 분석해보도록 한다.
3. 표본구성과 이익예측 정확성
3.1 분석대상표본의 선정
본 연구에서는 애널리스트 추천종목의 수익성을 분석하기 위해서 2000년 1월부터 2006

년 10월까지 FnGuide Consensus database에서 제공하는 국내 증권사 애널리스트 분석
보고서 자료와 I/B/E/S database에서 제공하는 외국 증권사 애널리스트 분석보고서 자료
를 이용하였다. 해당 기간 동안 이익예측치나 추천의견을 제시한 국내 증권사 분석보고서
는 1,567개 기업에 대한 642,168건이고, 외국 증권사 분석보고서는 432개 기업에 대한
21,936건이었다. 이를 합산하면 표본기간 동안 총 1,569개 기업에 대해 1,713명(국내
1017

1,019명, 외국 694명)의 애널리스트들이 664,104건의 분석보고서를 제시하였다. 이러한

방대한 자료 중 이익예측치의 정확도와 추천종목의 수익성 분석에 필요한 자료들이 존재
하고, 자료들간 비교가능성을 위하여 아래와 같은 표본 선택기준을 적용하였다.
(1) 2000년 ~ 2006년 동안 당기순이익 정보가 없는 기업에 대한 분석보고서 제거(101,222
건 제거)
(2) 신원미상의 애널리스트가 제시한 분석보고서 제거(44,005건 제거)
(3) 12월 결산법인에 대한 분석보고서만 선택(31,892건 제거)
(4) 회계연도 t년에 대한 분석보고서를 선택하기 위해서 t년 4월부터 t+1년 3월 사이에
제시된 보고서를 선택(229,357건 제거)
(5) 이익예측치의 이상치들을 제거하기 위해서 이익예측오차의 절대값이 보고서 제시일 주
가의 25%를 초과하거나 EPS 절대값의 200%를 초과하는 경우 제거(23,938건 제거)
(6) 동일 기업에 대해 2년 이상에 걸쳐 분석보고서를 제시한 애널리스트들의 분석보고
서를 선택(105,711건 제거)
(7) 이익예측치 없이 추천의견만 제시된 분석보고서에 대해서 20거래일 이전에 동일 애
널리스트의 이익예측치가 제시되지 않은 경우 제거(4,066건 제거)
위에서 (3)번 기준은 자료 시점들간의 비교가능성을 제고하기 위하여 적용하였다. 12월

결산법인의 경우 일반적으로 t년도 당기순이익이 t +1년 3월말 전후에 발표되기 때문에 t
년 4월부터 t +1년 3월말까지의 애널리스트 분석보고서는 t년도 이익예측치를 포함하게
된다. 따라서 해당 회계연도에 대한 분석보고서 자료를 분석하기 위해서 (4)번 기준을 적
용하였다. 또한 (5)번 기준은 Loh and Mian(2006) 등의 기존 연구들에서 이익예측치의
이상치들을 제거하기 위해서 일반적으로 사용하는 기준을 따른 것이며, (6)번 기준은 특정
기업에 대해서 단발성 분석보고서를 제시하는 애널리스트들의 효과를 제거하고자 적용하
였다. 마지막 (7)번 기준은 애널리스트의 이익예측치 정확성이 추천의견의 수익성에 어떠
한 영향을 미치는가를 분석하는 것이 본 연구의 목적이므로 이익예측치 정확도를 측정할
수 없는 자료들을 제거하고자 적용하였다. 이상과 같은 기준을 적용하여 최종표본을 선택
한 결과, 2001년 4월부터 2006년 10월까지 총 255개 기업(유가증권시장 기업 162개, 코
스닥시장 기업 93개)에 대해 735명의 애널리스트들이 제시한 95,642건의 분석보고서 자
료가 선택되었다.
실증분석에 사용된 일별 주식수익률은 한국증권연구원 자료를 이용하였으며, 그 외 실
증분석에 필요한 주식시장 및 재무제표 관련 자료는 모두 FnGuide 자료를 사용하였다.
1018

또한 무위험이자율로는 한국은행 경제통계시스템에서 제공하는 통화안정증권 364일물의

수익률 자료를 사용하였다.
3.2 애널리스트 이익예측 정확도 그룹 정의
본 연구에서는 애널리스트 이익예측의 정확성과 추천종목의 수익성간의 관계를 분석하

기 위하여 먼저 애널리스트들이 제시한 모든 이익예측치에 대해서 아래와 같이 계산한 이
익예측치 제시일의 주가 대비 이익예측오차 절대값의 비율(absolute forecast error to
price, 이하 AFEtoPRC)로 이익예측 정확도를 측정하였다.
AFEtoPRCijtk = Actual EPS jt − Forecast EPSijtk / Price jk (1)
여기서 분자의 AFEijtk는 기업 j의 t년도 회계이익에 대해서 애널리스트 i가 k시점에 제

시한 이익예측오차 절대값이며, Pricejk는 기업 j의 k시점의 종가로서 예측오차의 기업별
또는 시점별 이분산성을 표준화하고자 사용되었다. 이렇게 계산된 AFEtoPRC를 기준으로
표본기간 동안 각 기업별로 제시된 모든 애널리스트 분석보고서를 5개의 정확도 그룹으
로 구분하고, 각 보고서의 추천의견 제시일 전후의 누적초과수익률을 그룹별로 비교분석
하는 전통적인 사건연구를 수행하였다.3) 여기서 AFEtoPRC가 가장 낮아서 이익예측치의
정확도가 가장 높은 그룹은 그룹 1로, 반대로 AFEtoPRC가 가장 높아서 정확도 가장 낮
은 그룹은 그룹 5로 설정하였다. 이때, 이익예측치 없이 추천의견만 제시된 분석보고서의
경우에는 추천의견 제시일 이전 20거래일 이내에 제시된 동일 애널리스트의 AFEtoPRC
에 대한 그룹 정보를 사용하였다.
한편 이익예측 정확성과 추천종목 수익성간의 관계를 분석하는데 있어서 기존 연구에서
적용하는 대체적인 그룹핑 방법도 적용하여 분석결과의 민감도를 분석하였다. 먼저 Hong
and Kubik(2003)과 Loh and Mian(2006)의 연구에서는 t년도 4월부터 6월까지 제시된
분석보고서를 바탕으로 이익예측 정확도 그룹을 구분하고, 이를 다시 t년 4월부터 t +1년
3월까지 발표된 추천의견에 적용하여 그 수익성을 분석하고 있다. 그러나 이 방법(이하
contemporaneous방식)은 t년도 회계이익 발표 이전의 이익예측치를 기준으로 정확도 그
3) 이익예측치 정확도를 측정하는 대체적인 방법으로서 아래의 두 방법을 추가로 적용하여 결

과의 민감도를 분석하였으나 결과에는 큰 영향이 없었다. ① 이익예측오차 절대값(AFE), ②
(AFE-avg.AFE)/avg.AFE (여기서 avg.AFE는 애널리스트 i의 이익예측치 발표시점에서 90
거래일 전까지 해당 기업 j에 대한 모든 애널리스트들의 AFE 평균값을 사용하였음).
1019

룹을 나눈다는 점에서 실제로 투자자들이 실행하기 어려운 투자전략이라는 한계점을 가진

다. 이러한 한계점를 극복하기 위해서 t년 1월에서 3월 사이에 제시된 t -1년도 회계이익
에 대한 이익예측치를 기준으로 정확도 그룹을 나눈 후, 이를 그 이후 t년 4월부터 t +1
년 3월까지 적용하는 방법도 적용하여 보았다. 이 방법(이하 past방식)은 그룹핑 초기인
4월 현재 투자자들이 직접 실행가능한 투자전략이라는 장점을 가지기는 하나, 두 방법 모
두에 있어서 일정 기간 이익예측 정확성이 높았던 애널리스트가 이후 기간에도 계속 정확
한 이익예측을 한다는 보장이 없기 때문에 추천종목 수익성과의 관계가 약하다고 잘못 판
단할 오류 가능성이 높다. 실제로 두 방법에 의한 분석결과, Loh and Mian(2006)이 연구
한 미국 시장과는 달리 정확성과 수익성간의 관계는 거의 찾아볼 수가 없었다. 따라서 본
연구의 본래 취지인 정확성과 수익성의 관계를 가장 명확하게 규명할 수 있는 방법은 추
천의견 제시일에 측정된 이익예측 정확도에 따라 구분한 5개 그룹들과 그 전후의 수익성
이 어떠한 관계를 갖는지를 분석하는 전통적인 사건연구방법이라고 할 수 있으며, 아래의
표들에는 이 방법에 의한 분석결과를 보고하고 있다.4)
3.3 연구표본에 대한 기초통계량
<표 1>에서는 본 연구에서 최종적으로 선택한 95,642개의 애널리스트 분석보고서 자

료에 대한 기초통계량을 나타내고 있다. Panel A에서는 각 연도별 기초통계량을 나타내고
있는데, 여기서 특정연도 t년은 t년 4월부터 t +1년 3월까지의 기간을 의미한다. 2006년
은 2006년 4월부터 10월까지 7월간의 자료만이 포함되어 있기 때문에 예외로 본다면,
애널리스트 분석보고서 자료는 2001년부터 계속 증가하는 추세를 보이고 있다. 특히, 괄
호 안에 표시된 외국 증권사의 분석보고서들은 2003년부터 매년 증가하여 2006년의 표
본에서는 약 8% 정도의 비중을 차지하였는데, 이는 외국 증권사와 외국 투자자들의 국내
주식에 대한 관심도가 계속 증가하고 있음을 시사하고 있다. 또한 2005년과 2006년에는
전년도에 비해 애널리스트 숫자는 감소하였으나, 분석대상 기업수는 약 160개로 유사하여
4) 실제로 이익예측치 정확도 그룹을 나누는 past방식과 contemporaneous방식 두 개에 대해

서 세 가지의 이익예측치 정확도 측정치(AFE, AFEtoPRC, (AFE-avg.AFE)/avg.AFE)를 적
용하여 총 6가지 조합에 대하여 분석을 수행한 결과, 모든 조합에서 정확도에 따른 수익성
의 차이를 발견할 수 없었다. 이것은 past방식과 contemporaneous방식 모두가 일정 기간
동안에 측정된 정확도 그룹을 그 이후 기간의 추천의견 수익성에 대응시킴에 따라 추천의견
제시일 현재의 정확도와는 차이가 날 수 있음을 의미한다. 반면에 추천의견 제시일 현재 측
정된 정확도와 그 전후의 수익성을 대응시키는 전통적 사건연구방법은 양자의 관계를 명확
히 분석할 수 있다는 장점이 있다.
1020

Table 1. Descriptive statistics for the analyst-firm-year observations in the sample
The sample consists of 95,642 analyst-firm-year observations from April 2001 to October 2006, extracted from FnGuide Con-
sensus database for domestic brokerage firms and from I/B/E/S database for foreign brokerage firms. We select 1 year-ahead
earnings forecasts and related stock recommendations by analysts who have made reports for more than 2 years about a par-
ticular firm as explained in Section 3.1. The numbers in parentheses are for foreign brokerage analysts. Panel A reports the
year-by-year statistics, where year t represents a period from April 1 in year t to March 31 in year t +1. ‘Avg. MV’ is the aver-
age market value of sample firms at the beginning of April each year. Panel B reports the statistics by forecast accuracy groups.
We divide all analyst recommendations for a firm into 5 groups based on the accuracy of their earnings forecasts reported within
past 20 trading days. The forecast accuracy is measured as the absolute forecast error scaled by the closing price on the fore-
cast reporting day.
Panel A : Descriptive statistics for the analyst-firm-year observations
No. of analysts per No. of firms per
No. of No. of No. of Avg. MV firm-year analyst-year
Year
observations analysts firms (billion \)
Mean Median Min Max Mean Median Min Max
2001 6,463 (8) 174 (2) 102 (1) 1,414 (85) 5.38 5 1 11 3.16 2 1 13
2002 5,392 (0) 200 (0) 125 (0) 2,151 (-) 5.95 6 1 14 3.72 3 1 14
2003 14,418 (720) 358 (62) 155 (38) 1,440 (3,958) 8.51 7 1 24 3.68 3 1 17
2004 15,592 (1,239) 396 (81) 160 (79) 2,072 (3,680) 10.12 9 1 28 4.09 4 1 14
2005 35,891 (1,389) 394(113) 158 (101) 2,295 (3,310) 11.39 10 1 34 4.57 4 1 17
2006 17,886 (1,458) 369(131) 159 (118) 3,320 (4,188) 9.84 9 1 27 4.24 4 1 15
All years (total obs.) 95,642 (4,814) 1,891(389) 859 (337) 2,163 (3,768) 8.84 7 1 34 4.02 3 1 17
All years (unique obs.) 735(217) 255 (148)

Panel B : Descriptive statistics by forecast accuracy groups based on earning forecast accuracy
No. of analyst recommendations
Forecast accuracy No. of No. of No. of analysts per firm-year
per firm-day
group observations firm-year
Mean Median Std. Dev. Min Max Mean Median Std. Dev. Min Max
1(Most accurate) 19,269 (1,082) 772 (231) 4.95 4 4 1 26 2.45 2 2 1 13
2 19,126 (958) 764 (216) 5.18 4 4 1 24 2.19 2 1 1 12
3 19,152 (962) 787 (214) 5.29 4 4 1 26 2.12 2 1 1 15
4 19,114 (929) 783 (225) 5.38 4 4 1 24 2.21 2 2 1 14
5(Least accurate) 18,981 (883) 708 (189) 5.11 4 4 1 24 2.62 2 2 1 17
All quintiles 95,642 (4,814) 3,814 (1,075) 5.18 4 4 1 26 2.31 2 2 1 17
1021
애널리스트별 분석기업수와 분석보고서의 빈도가 증가하고 있음을 알 수 있는데, 이는 최근

으로 올수록 애널리스트의 분석업무 부담이 증대되고 있음을 암시하고 있다. ‘Avg. MV’는
분석대상 기업들의 매년 4월초 시점의 평균 시가총액을 나타내고 있는데, 매년의 평균값
이 1조 4천억원에서 3조 3천억원을 상회하고 있어서 표본기간 동안 유가증권시장과 코스
닥시장에 상장되었던 모든 기업들의 4월초 시가총액의 중앙값이 500억원 미만이라는 점
을 고려하면 표본에 포함된 분석기업은 대부분 대규모 기업들임을 알 수 있다.
Panel B에서는 각 이익예측치 정확도 그룹별 기초통계량을 나타내고 있다. 먼저 각 그
룹에 포함된 분석보고서 관측치수가 그룹 1과 그룹 5간에 최대 288건밖에 차이 나지 않
아서 표본의 구성이 균등하게 이루어졌음을 알 수 있다. 그러나 괄호 안에 제시된 외국
증권사가 제시한 분석보고서 관측치를 살펴보면, 그룹 1이 그룹 5보다 199건 더 많아서
이익예측치 정확도가 높은 그룹에 더 많이 속해 있음을 알 수 있다. 기업-연도별 애널리
스트 숫자는 매년 평균 5명 정도이나, 많게는 최대 26명(예, 삼성전자)의 애널리스트들이
2년 연속으로 분석보고서를 제시하는 것으로 나타났다. 또한 기업-일별 애널리스트 추천
의견의 수는 해당 거래일 이전 6개월(125거래일)까지 제시된 추천의견의 수를 집계한 것
으로서 매일 기업별로 평균 2~3건의 추천의견 정보가 존재하는 것으로 나타났다.
<표 2>의 Panel A와 B에서는 애널리스트 이익예측오차의 절대값(AFE)과 이익예측오
차(이하 FE) 각각에 대하여 보고서 제시일의 주가 또는 실제 EPS의 절대값으로 표준화시
킨 값들의 기초통계량을 보고하고 있다. Panel A를 보면, AFE를 주가로 나눈 값의 평균은
2.9%인데 비해 실제 EPS 절대값으로 나눈 값의 평균은 28%로 약 9.6배 정도 차이가 나
는데, 이는 분석대상 기업들의 PER(price-earning ratio)가 평균 9.6배 정도임을 의미하
고 있다. Panel B에서 FE는 실제 EPS에서 애널리스트의 EPS예측치를 차감하여 계산하
였는데, 이의 평균은 138.9원이지만 중앙값은 -15원으로 음의 값을 가지고, 주가와 EPS
로 표준화시킨 경우에는 평균과 중앙값 모두 음의 값을 나타내고 있어서 애널리스트들이
평균적으로 기업의 실제 이익보다 높은 예측치를 제시하고 있음을 알 수 있다. Panel C에
서는 이익예측치 정확도 그룹별로 AFEtoPRC에 대한 분포를 나타내고 있는데, 정확도가
가장 높은 그룹에서 가장 낮은 그룹으로 갈수록 AFEtoPRC의 평균값은 0.68% ~ 6.98%
범위를 보이고 있어서 정확도 그룹간 이익예측오차는 상당한 차이를 보이고 있다.
우리나라 증권사들은 서로 상이한 추천의견 체계를 가지고 있는데, FnGuide Consen-
sus database에서는 이들을 5단계(1: 강력매도, 2: 매도, 3: 중립, 4: 매수, 5: 강력매수)로
재조 정한 추천의견 등급을 제시하고 있다. 한편 외국 증권사들에 대해서 I/B/E/S data-
base는 FnGuide와는 정반대의 5단계(1: 강력매수, 2: 매수, 3: 중립, 4: 매도, 5: 강력매도)
1022

Table 2. Summary statistics of earnings forecast accuracy
Panels A and B report the summary statistics of the absolute forecast error (AFE) and
forecast error (FE) for the sample of analyst-firm-year observations from 2001 to 2006.
The forecast error is calculated by subtracting the forecasted EPS from the actual EPS.
Both AFE and FE are scaled by either the closing price at the reporting day or the absolute
value of the actual EPS. Panel C reports the summary statistics of the AFE scaled by the
closing price at the reporting day.
Mean Median Std. Dev. Min Max

Panel A : Overall sample absolute forecast error(AFE)
Unscaled(won) 1,013.44 456.37 1,608.15 0.00 43,211.60
Scaled by closing price(%) 2.90 1.69 3.55 0.00 24.99
Scaled by absolute actual EPS(%) 28.00 16.46 33.37 0.00 200.00
Panel B : Overall sample forecast error(FE)

Unscaled(won) 138.85 -15.00 1,895.77 -43,211.60 28,833.00
Scaled by closing price(%) -0.12 -0.07 4.59 -24.99 24.99
Scaled by absolute actual EPS(%) -10.48 -0.74 42.28 -200.00 193.04
Panel C : AFE scaled by stock price(%) by forecast accuracy group

1(Most accurate) 0.68 0.28 1.49 0.00 15.01
2 1.64 1.00 2.04 0.10 17.23
3 2.71 1.83 2.63 0.24 18.88
4 4.05 2.97 3.30 0.39 21.65
5(Least accurate) 6.98 5.42 5.03 0.53 24.88
등급을 제시하고 있는데, 본 연구에서는 이를 FnGuide의 5단계 등급에 맞게 대응시켜 사용

하였다. <표 3>에서는 이러한 추천의견 등급에 따른 표본분포를 나타내고 있다. Panel A
에서는 매년의 추천의견 분포를 제시하고 있는데, 전체 기간에 대해서 중립의견(Neutral)
과 매수의견(Buy)이 각각 34.83%와 63.68%을 차지하고 있어서 총 98.51%가 중립과 매
수에 집중되고 있으며, 특히 FD가 시행된 2003년 이후에 매도의견의 비중은 꾸준히 낮
아져서 1%도 채 안되고 있음을 볼 수 있다.
매수편중 현상의 심각성과 관련해서 최근의 금감원 조사에서도 2006년 1월부터 5월
사이에 제시된 애널리스트 추천의견 중에서 매수와 중립의견은 각각 79%와 20%인데 반
해서 매도는 1%에 불과하여 추천의견의 신뢰성에 문제가 있음을 지적하였다. 이러한 매
수일변도 현상은 해당 기업과의 계속적인 사업관계를 유지하기 위해 낙관적인 매수의견을
유지하려는 이해상충의 문제를 반영하는 것이며, 부정적인 매도의견을 제시할 경우 해당
1023

Table 3. The Distribution of analyst’s recommendations
Panel A reports the year-by-year distribution of analyst’s recommendations contained in the analyst-firm-year sample from
2001 to 2006. The recommendation categories are based on FnGuide Consensus database’s ratings which range from 1(strong
sell) to 5 (strong buy). The year t represents a period from April 1 in year t to March 31 in year t +1. Panel B reports the distri-
bution of recommendation changes by forecast accuracy groups. Upgrade (Downgrade) means recommendation changes toward
strong buy (strong sell).
Panel A : The frequency of recommendations by recommendation category
No. of recommendations by recommendation category % of recommendations by recommendation category
No. of
Year 1 2 3 4 5 1 2 3 4 5
obs.
(Strong sell) (Sell) (Neutral) (Buy) (Strong buy) (Strong sell) (Sell) (Neutral) (Buy) (Strong buy)
2001 6,313 34 319 2,470 3,456 34 0.54 5.05 39.13 54.74 0.54
2002 5,300 8 57 1,761 3,365 109 0.15 1.08 33.23 63.49 2.06
2003 13,548 9 156 5,400 7,894 89 0.07 1.15 39.86 58.27 0.66
2004 14,220 29 81 4,341 9,713 56 0.20 0.57 30.53 68.31 0.39
2005 34,389 55 94 12,384 21,773 83 0.16 0.27 36.01 63.31 0.24
2006 16,551 33 20 5,099 11,316 83 0.20 0.12 30.81 68.37 0.50
Total 90,321 168 727 31,455 57,517 454 0.19 0.80 34.83 63.68 0.50
Panel B : The frequency of recommendation changes by forecast accuracy group
No. of recommendation changes by % of recommendation changes by forecast

Recommendation forecast accuracy group accuracy group
No. of obs.
Change Most Least Most Least
2 3 4 2 3 4
accurate accurate accurate accurate

Upgrade +4 1 0 1 0 0 0 0.00 0.00 0.00 0.00 0.00
Upgrade +3 7 2 1 1 0 3 0.00 0.00 0.00 0.00 0.00
Upgrade +2 57 13 8 9 15 12 0.02 0.01 0.01 0.02 0.01
Upgrade +1 1,747 370 353 351 335 338 0.43 0.41 0.41 0.39 0.39
No Change 82,470 16,744 16,732 16,694 16,460 15,840 19.40 19.39 19.35 19.07 18.36
Downgrade -1 1,940 456 379 375 351 379 0.53 0.44 0.43 0.41 0.44
Downgrade -2 61 14 12 8 14 13 0.02 0.01 0.01 0.02 0.02
Downgrade -3 8 5 1 0 1 1 0.01 0.00 0.00 0.00 0.00
Downgrade -4 1 1 0 0 0 0 0.00 0.00 0.00 0.00 0.00
1024
기업으로부터 정보의 차단이 예상될 뿐만 아니라 잘못된 매도의견으로 판정될 경우 애널

리스트의 평판위험이 매수의 경우보다 훨씬 더 크기 때문에 발생하는 것이다. 따라서 이
러한 현상은 미국 시장에 대한 Womack(1996) 등의 연구에서도 발견되고 있지만, 매도의
비중이 약 13% 정도에 달하는 것과 비교하면 우리나라의 경우 그 정도가 과도한 것으로
판단된다. 또한 Panel B에서는 추천의견의 변경 건수가 총 3,822건으로 전체 표본의 약
4%에 지나지 않으며, 대부분 1단계 변경에 집중되어 있어서 매우 보수적으로 추천의견이
변경됨을 알 수 있다.
4. 애널리스트 이익예측 정확성과 추천종목의 수익성
본 장에서는 애널리스트 추천종목의 수익성을 추천의견이 제시된 시점을 중심으로 직전

약 1개월에서 이후 6개월까지의 누적초과수익률(cumulative abnormal return, 이하 CAR)
을 계산하여 분석하고, 추천종목의 수익성이 이익예측 정확도 그룹별로 차이를 보이는지
분석한다. 또한 이해상충문제가 추천종목의 수익성과 이익예측 정확성에 미치는 효과를
보다 심층적으로 분석하기 위해서 이해상충 변수뿐만 아니라 애널리스트와 분석기업 관련
특성변수들, 그리고 공정공시제도 시행 전후를 고려한 회귀분석을 실시한다.
4.1 애널리스트 추천종목의 수익성 검증
4.1.1 초과수익률의 계산
본 절에서는 표본자료 중에서 추천의견 정보가 존재하였던 90,321건 각각의 보고일을
하나의 사건일로 인식하고, 그 이전 20일 거래일부터 이후 125거래일까지의 사건기간 동
안 측정된 CAR를 기준으로 추천종목의 수익성을 검증한다. 여기서 사건기간 동안의 CAR
는 각 주식의 일별 규모조정수익률(size-adjusted return)과 산업조정수익률(industry-
adjusted return)을 이용하여 계산하였다.5) 규모조정수익률을 사용하는 이유는 <표 1>에
서 언급한 바와 같이 표본으로 선택된 기업들이 대부분 대규모기업이기 때문에 규모효과
를 통제할 필요가 있기 때문이며, 산업조정수익률은 국내 주식시장의 사건연구에 가장 적
5) 그밖에도 시장수익률을 차감한 시장조정수익률(market-adjusted return)과 사건일 이전 -

145거래일부터 -21거래일까지의 자료로 시장모형을 추정하여 계산된 시장모형조정수익률
(market model-adjusted return)도 적용하였으나, 결과에 차이가 없어서 별도로 보고하지
않았다.
1025

합한 초과수익률은 산업지수수익률을 이용하는 것이라는 김찬웅, 김경원(1997)의 연구결

과를 반영하기 위함이다. 구체적으로 각 주식의 일별 규모조정수익률과 산업조정수익률은
해당 주식이 속한 규모 및 산업포트폴리오의 일별 시가총액 가중평균수익률을 차감하여
계산하였다. 이때, 10개의 규모포트폴리오는 한국증권선물거래소의 유가증권시장과 코스
닥시장에 상장된 모든 기업들의 전월말 시가총액을 기준으로 매월 재구성하였다. 또한 산
업포트폴리오는 한국표준산업분류(KSIC) 상의 중분류(2 digit code)를 기준으로 동일한
산업에 속한 주식들로 구성하였는데, 5개 미만의 기업들로 구성된 산업의 경우에는 산업
포트폴리오의 일별 수익률을 계산하지 않았다.
4.1.2 추천종목의 수익성 분석결과

<표 4>는 앞 소절에서 설명한 규모 및 산업효과를 조정한 초과수익률을 이용하여 표본
에 포함된 모든 애널리스트 추천종목의 수익성을 분석한 결과이다. 표에 제시된 CAR값들
은 해당 사건기간에 대한 각 추천의견 CAR를 평균한 값이며, 이들에 대한 t-값은 Newey-
West(1987) 방식에 따라 GMM으로 추정한 표준오차로 계산하였다. Panel A에서 먼저 강
력매도추천의 경우를 보면, 사건일 전후 3일간의 CAR(-1 : + 1) 평균값이 규모조정수익률
(산업조정수익률)에서 유의한 음수인 -1.98%(-1.90%)로 나타나서 공시효과가 유의하게
존재함을 알 수 있다. 사건일 이후에도 모든 CAR가 6개월(125거래일)까지 유의한 음수
값을 보일 뿐만 아니라 그 절대치도 계속 증가하고 있다. 여기서 사건연구에서 흔히 적용
하는 주식수익률에 미치는 각 사건의 총효과는 CAR(-1 : +1)로 정의하고, 그 이후 20거
래일 또는 125 거래일까지의 주가반응 부분인 임시효과(transitory effect)는 CAR(+2 :
+20) 또는 CAR( + 2 : + 125)로 정의하고, 총효과와 임시효과를 더한 부분인 영구효과
(permanent effect)는 CAR(-1 : + 20)과 CAR(-1 : + 125)으로 정의하도록 한다. 이렇게
볼 때, 강력매도추천의 경우에는 총효과와 임시효과가 모두 유의한 음수여서 영구효과도
그 절대치가 6개월까지 계속 증가하여 투자수익성이 높은 것으로 분석되었다.
다음으로 매도추천의 경우 사건일에 대한 규모조정 CAR(-1 : + 1)는 유의한 음수인 -
1.43%로서 강력매도추천에 비해 그 공시효과는 적지만, 이후 20거래일 또는 125거래일
까지의 임시효과와 영구효과는 모두 강력매도추천보다 더 크게 나타나고 있다. 이것은
Conrad et al.(2006)에서 보여준 것처럼 강력매도추천의 경우에는 이미 시장에 부정적인
정보가 많이 알려져 있을 가능성이 높다는 점에서 매도추천의 경우가 더 큰 주가반응을
보이는 것으로 해석된다. 결국 애널리스트가 제시한 강력매도추천 및 매도추천 모두에 대
해서 향후 6개월까지 유의한 매도거래의 수익성이 존재하며, 이는 시장에서 이들을 진정한
1026

Table 4. Cumulative abnormal returns associated with analyst’s recommendation events
The table reports cumulative abnormal returns (CAR) for the period surrounding analyst’s rec-
ommendation event days from 2001 to 2006. CARs are calculated by cumulating daily size-
adjusted and industry-adjusted abnormal returns of an individual stock over the event window
which are again calculated by subtracting the value-weighted daily return of the corresponding
size decile and industry portfolios, respectively. Industry portfolio is based on 2-digit code of
KSIC, and the daily returns of size decile and industry portfolios are computed by using all
stocks traded in KRX. Panel A reports CARs by recommendation category. Panel B reports
size-adjusted CARs for each recommendation category by forecast accuracy group. Panel C
reports size-adjusted abnormal returns of portfolios formed by daily recommendations by fore-
cast accuracy group. We construct and rebalance portfolio of firms daily with the same recom-
mendation suggested by each of five accuracy groups during past 125 trading days, and then,
compute the daily value-weighted average returns of portfolios using size-adjusted individual
stock returns. ‘Obs.’ in Panel A and B means the number of recommendation reports and ‘Avg.
Obs.’ is the daily average number of recommendation reports included in daily portfolios.
‘Diff(1-5)’ indicates the mean difference of cumulative returns between most and least accurate
groups. All t -values in parentheses are computed with the standard error estimated by
Newey-West(1987) method using GMM procedure.
Panel A : CARs surrounding recommendation events by recommendation category
Size-adjusted CARs (%) Industry-adjusted CARs (%)
Obs. Mean (t-val) Obs. Mean (t-val)
1. Strong sell recommendations (No. of unique firms: 46)
CAR(-20 : -2) 168 -1.71 (-1.10) 168 -1.85 (-1.25)
CAR(-1 : +1) 168 -1.98 (-3.84) 168 -1.90 (-4.26)
CAR(+2 : +20) 168 -2.39 (-2.09) 168 -2.11 (-1.91)
CAR(-1 : +20) 168 -4.37 (-3.26) 168 -4.01 (-3.31)
CAR(+2 : +125) 168 -12.12 (-2.75) 168 -11.30 (-2.91)
CAR(-1 : +125) 168 -14.10 (-3.13) 168 -13.20 (-3.33)
2. Sell recommendations (No. of unique firms: 93)
CAR(-20 : -2) 699 -2.76 (-3.73) 699 -2.66 (-3.94)
CAR(-1 : +1) 699 -1.43 (-5.24) 699 -1.22 (-4.72)
CAR(+2 : +20) 699 -3.46 (-5.09) 699 -2.93 (-4.30)
CAR(-1 : +20) 699 -4.89 (-6.50) 699 -4.15 (-5.55)
CAR(+2 : +125) 699 -24.69 (-9.45) 699 -18.89 (-8.32)
CAR(-1 : +125) 699 -26.12 (-9.95) 699 -20.11 (-8.77)
3. Neutral recommendations (No.of unique firms: 250)
CAR(-20 : -2) 30,560 -1.13 (-9.50) 30,552 -1.08 (-9.94)
CAR(-1 : +1) 30,560 -0.35 (-9.25) 30,560 -0.33 (-9.60)
CAR(+2 : +20) 30,560 -0.87 (-7.58) 30,556 -0.92 (-8.68)
CAR(-1 : +20) 30,560 -1.21 (-9.55) 30,560 -1.25 (-10.72)
CAR(+2 : +125) 30,560 -6.29 (-16.91) 30,556 -6.29 (-18.75)
CAR(-1 : +125) 30,560 -6.64 (-17.49) 30,560 -6.62 (-19.39)
4. Buy recommendations (No. of unique firms: 239)
CAR(-20 : -2) 55,536 0.08 (0.95) 55,532 -0.09 (-1.27)
CAR(-1 : +1) 55,539 0.23 (7.87) 55,539 0.13 (5.27)
CAR(+2 : +20) 55,538 -0.38 (-4.57) 55,532 -0.48 (-6.80)
CAR(-1 : +20) 55,539 -0.15 (-1.67) 55,539 -0.35 (-4.50)
CAR(+2 : +125) 55,539 -3.24 (-13.23) 55,533 -3.73 (-17.86)
CAR(-1 : +125) 55,539 -3.01 (-12.10) 55,539 -3.60 (-16.94)
5. Strong buy recommendations (No. of unique firms: 72)
CAR(-20 : -2) 451 1.68 (2.22) 451 1.06 (1.65)
CAR(-1 : +1) 451 0.99 (4.40) 451 0.76 (4.07)
CAR(+2 : +20) 451 -0.12 (-0.18) 451 -0.27 (-0.43)
CAR(-1 : +20) 451 0.87 (1.16) 451 0.49 (0.72)
CAR(+2 : +125) 451 -1.05 (-0.44) 451 -2.83 (-1.37)
CAR(-1 : +125) 451 -0.07 (-0.03) 451 -2.07 (-0.98)
1027

Table 4. (Continued)
Panel B : Size-adjusted CARs for each recommendation category by forecast accuracy group
1(Most accurate) 3 5(Least accurate) Diff(1-5)
Obs. Mean (t-val) Obs. Mean (t-val) Obs. Mean (t-val) Mean (t-val)
1. Strong sell recommendations
CAR(-20 : -2) 52 -1.76 (-0.46) 28 -0.63 (-0.31) 34 -5.71 (-1.80) 3.96 (1.08)
CAR(-1 : +1) 52 -2.16 (-1.75) 28 -1.59 (-1.81) 34 -1.79 (-1.67) -0.37 (-0.23)
CAR(+2 : +20) 52 0.59 (0.34) 28 -6.10 (-4.53) 34 -2.16 (-0.69) 2.76 (0.93)
CAR(-1 : +20) 52 -1.56 (-0.64) 28 -7.69 (-6.28) 34 -3.95 (-1.43) 2.39 (0.77)
CAR(+2 : +125) 52 -2.47 (-0.44) 28 -7.99 (-0.52) 34 -19.61 (-2.25) 17.15 (2.90)
CAR(-1 : +125) 52 -4.63 (-0.74) 28 -9.58 (-0.63) 34 -21.40 (-2.49) 16.78 (2.72)
2. Sell recommendations
CAR(-20 : -2) 162 -0.78 (-0.64) 121 -3.35 (-2.38) 140 -4.02 (-3.10) 3.24 (2.00)
CAR(-1 : +1) 162 -1.47 (-2.60) 121 -1.83 (-3.21) 140 -1.96 (-2.45) 0.49 (0.56)
CAR(+2 : +20) 162 -6.25 (-4.78) 121 -4.97 (-3.30) 140 1.92 (1.18) -8.17 (-5.19)
CAR(-1 : +20) 162 -7.71 (-5.85) 121 -6.80 (-4.35) 140 -0.04 (-0.02) -7.67 (-4.64)
CAR(+2 : +125) 162 -26.27 (-6.45) 121 -31.35 (-6.36) 140 -15.67 (-3.59) -10.60 (-2.78)
CAR(-1 : +125) 162 -27.73 (-6.91) 121 -33.18 (-6.84) 140 -17.63 (-4.09) -10.10 (-2.67)
3. Neutral recommendations
CAR(-20 : -2) 5,781 -0.90 (-3.71) 6,165 -0.73 (-3.26) 6,395 -1.83 (-7.72) 0.94 (4.77)
CAR(-1 : +1) 5,781 -0.43 (-5.79) 6,165 -0.35 (-4.88) 6,395 -0.33 (-4.41) -0.10 (-1.21)
CAR(+2 : +20) 5,781 -1.62 (-7.67) 6,165 -0.94 (-4.53) 6,395 -0.09 (-0.39) -1.53 (-8.09)
CAR(-1 : +20) 5,781 -2.05 (-8.59) 6,165 -1.29 (-5.51) 6,395 -0.42 (-1.63) -1.64 (-8.00)
CAR(+2 : +125) 5,781 -10.66 (-14.95) 6,165 -6.81 (-9.34) 6,395 -0.94 (-1.15) -9.72 (-19.44)
CAR(-1 : +125) 5,781 -11.09 (-15.22) 6,165 -7.16 (-9.62) 6,395 -1.27 (-1.51) -9.82 (-19.23)
4. Buy recommendations
CAR(-20 : -2) 11,476 0.54 (3.22) 11,109 0.20 (1.30) 10,665 -0.45 (-2.61) 0.98 (7.60)
CAR(-1 : +1) 11,476 0.24 (4.48) 11,110 0.20 (3.97) 10,666 0.27 (4.78) -0.04 (-0.60)
CAR(+2 : +20) 11,476 -0.68 (-4.38) 11,110 -0.35 (-2.20) 10,666 0.36 (2.12) -1.04 (-8.33)
CAR(-1 : +20) 11,476 -0.44 (-2.52) 11,110 -0.15 (-0.86) 10,666 0.63 (3.28) -1.07 (-7.86)
CAR(+2 : +125) 11,476 -4.80 (-9.70) 11,110 -3.66 (-7.39) 10,666 -1.24 (-2.24) -3.56 (-10.77)
CAR(-1 : +125) 11,476 -4.56 (-9.04) 11,110 -3.46 (-6.88) 10,666 -0.97 (-1.72) -3.59 (-10.67)
5. Strong buy recommendations
CAR(-20 : -2) 100 2.65 (1.96) 86 2.16 (1.04) 69 -0.09 (-0.06) 2.74 (1.67)
CAR(-1 : +1) 100 1.26 (3.39) 86 1.33 (2.11) 69 0.91 (1.95) 0.35 (0.44)
CAR(+2 : +20) 100 1.06 (0.97) 86 -1.71 (-1.04) 69 -1.86 (-1.35) 2.92 (2.02)
CAR(-1 : +20) 100 2.32 (1.87) 86 -0.38 (-0.22) 69 -0.95 (-0.59) 3.27 (1.92)
CAR(+2 : +125) 100 4.47 (1.39) 86 7.14 (2.28) 69 -11.21 (-1.03) 15.68 (2.82)
CAR(-1 : +125) 100 5.73 (1.79) 86 8.47 (2.70) 69 -10.30 (-0.93) 16.03 (2.83)
Panel C : Size-adjusted abnormal returns of portfolios formed by daily recommendation

1(Most accurate) 3 5(Least accurate) Diff(1-5)
Avg. Avg. Avg.
Mean (t-val) Mean (t-val) Mean (t-val) Mean (t-val)
Obs. Obs. Obs.
Strong Sell 5.9 -1.74 (-0.19) 3.1 -21.19 (-2.17) 4.3 -16.45 (-1.40) 14.71 (0.95)
Sell 14.3 -18.00 (-2.89) 12.0 -27.51 (-3.60) 12.9 -14.40 (-2.19) -3.60 (-0.40)
Neutral 500.3 -10.66 (-5.25) 536.9 -8.43 (-4.42) 557.3 -2.31 (-1.10) -8.35 (-2.82)
Buy 986.9 -3.78 (-2.26) 952.4 -2.36 (-1.35) 935.8 0.82 (0.45) -4.60 (-1.86)
Strong Buy 9.1 5.72 (1.14) 7.2 8.41 (1.47) 7.4 3.03 (0.50) 2.69 (0.34)
1028

매도신호로 인식하고 있음을 의미한다. 중립추천의 경우에는 강력매도나 매도추천에 비

해 CAR의 절대치가 대폭 감소하기는 하나 향후 6개월까지 유의한 음수값을 가지는 것으
로 나타났다. 이것은 결국 매수일변도의 추천의견들 중에서 중립의견은 시장의 투자자에
게 사실상의 매도신호로 받아들여지고 있음을 의미하는 것이다.
한편 매수 및 강력매수추천에 대해서는 오직 공시효과인 CAR(-1 : + 1)만이 추천의견
이 의미하는 바와 일치하는 유의한 양수로 나타났다. 그러나 매수추천의 경우에는 추천일
이후 2거래일부터 주식수익률이 반전되어 6개월까지 지속적인 주가하락을 통해 규모조정
CAR(-1 : + 125)가 유의한 -3.01%를 보이고 있으며, 강력매수의 경우에도 정도는 약하
나 반전현상으로 인해 공시효과를 제외하면 추천종목의 수익성이 존재하지 않는다고 할
수 있다. 이러한 현상은 애널리스트들의 이해상충의 문제와 평판위험으로 인하여 추천의
견이 너무 낙관적으로 매수일변도로 치우치기 때문에 시장에서의 공시효과는 존재하나 곧
부실한 매수추천에 대하여 투자자들의 실망으로 이어지는 것으로 해석된다. 이렇게 매수
추천 이후 주가가 하락반전하는 현상의 원인에 대해서는 다음의 4.3절에서 애널리스트의
이해상충변수와 그밖의 특성변수들을 모두 포함하는 다중회귀분석을 통해 심층분석을 수
행하도록 한다.
이상과 같은 애널리스트 추천종목의 수익성 분석 결과가 공정공시제도(FD)가 시행된
2002년 11월 전후로 차이가 있는지를 추가로 분석해보았다(표로 보고되지 않음). 이것은
FD가 기업이 애널리스트와 같은 특정인에게 선별적으로 영업활동이나 기업성과와 관련된
중요한 정보를 제공하는 것을 금지함으로써 애널리스트들의 사적정보 차이를 감소시키고
나아가 추천종목의 수익성에도 영향을 미쳤을 것으로 예상되기 때문이다. 분석 결과, 강
력매도, 매도 그리고 중립의견의 경우에는 FD 시행 이후 주가하락폭이 줄어들어 매도거
래의 수익성이 감소된 것으로 나타났고, 매수와 강력매수의 경우에는 수익률 하락반전 현
상이 FD 시행 이후 기간에만 유의하게 나타났다. 결국 애널리스트 추천종목의 수익성은
FD 시행 이후로 모든 추천의견에서 유의하게 감소한 것으로 판단되며, 이것은 애널리스
트의 사적정보의 감소와 함께 매수일변도의 추천의견 제시 행태가 심화됨에 따라 최근으
로 올수록 시장의 신뢰를 상실해가고 있음을 시사하는 것이다.
4.1.3 추천종목의 수익성과 이익예측 정확성간의 관계

Panel B에서는 애널리스트들의 이익예측 정확도에 따라 구분한 5개 그룹별로 규모조정
CAR로 측정된 추천종목의 수익성에 차이가 존재하는지를 분석하고 있다.6) 앞의 제 1장
6) 표에 보고하지는 않았지만 산업조정 CAR를 사용한 결과 역시 대동소이하게 나타났다.
1029

과 제 2장에서 논의된 것처럼 애널리스트들은 이익예측의 정확성과 추천종목의 수익성을

통해 시장에서 평가받게 되므로 이해상충의 문제가 없는 한 이 둘간에 양의 관계가 존재
할 것이나, 이해상충의 문제가 심각할수록 둘간의 양의 관계는 약해지거나 음의 관계가
예상된다. 먼저 매수추천의 경우를 보면, CAR(-1 : + 20)과 CAR(-1 : + 125)에 대해서 이
익예측 정확도가 높은 그룹 1로 갈수록 더 유의한 음수를 보이고 있어서 정확성과 수익
성간에 음의 관계를 보이고 있다. 이것은 Michaely and Womack(1999), Barber et
al.(2007), Ertimur et al.(2007)이 보여준 바와 같이 이해상충문제가 존재하는 경우 애널
리스트들은 이익예측치와 무관하게 매우 낙관적인 추천의견을 제시하며, 이로 인해 이익
예측 정확성과 추천종목의 수익성 간의 관련성이 낮아져 음의 관계가 성립하게 된다는 실
증결과를 반영하는 것으로 판단된다. 이러한 기존 연구결과가 본 연구의 표본에서도 유효
한지를 확인하기 위하여 Panel B의 표본을 대표주관사 소속 애널리스트와 비소속 애널리
스트로 나누어 분석을 수행한 결과(표로 보고되지 않음), 대표주관사 소속 애널리스트가
매도나 강력매도를 제시한 경우는 거의 없는 반면에 매수를 제시하는 비율이 상대적으로
높아서 보다 낙관적인 추천의견을 제시하는 경향이 존재하며, 그 수익성 또한 비소속 애
널리스트에 비해 낮은 경우가 많아서 우리나라에서도 애널리스트 이해상충문제가 추천종
목의 수익성에 중요한 영향을 미치고 있음을 시사하고 있다.
반면에 강력매수의 경우에는 이익예측 정확도가 가장 높은 그룹 1의 CAR(-1 : + 20)과
CAR(-1 : +125)이 그룹 5에 비해 유의하게 높아 정확성과 수익성 간에 양의 관계가 성
립함을 알 수 있으며, 중립과 매도추천의 경우에도 정확도가 가장 높은 그룹 1에서 그룹
5에 비해서 매도거래로부터 높은 초과수익을 얻게 되는 양의 관계가 성립하고 있다. 그러
나 강력매도의 경우에는 CAR(-1 : + 125)에 대해서 이익예측 정확도가 가장 낮은 그룹 5
로 갈수록 더 유의한 음수를 보이고 있어서 정확성과 수익성간에 예상과 반대로 음의 관
계가 성립함을 암시하고 있다. 여기서 강력매도의견은 진정한 매도라고 믿는 경우에만 제
시될 것이므로 이해상충의 문제는 거의 없다고 볼 수 있는데도 불구하고 둘간에 음의 관
계가 발견되는 것은 이해상충만으로는 설명하기 어려운 결과라고 하겠다. 그러나 Panel B
의 분석은 정확성과 수익성에 대한 이변량 분석이어서 이해상충의 효과에 대해 명확한 결
론을 내리기 어려우므로, 다음의 4.3절에서 기타의 특성변수들과 함께 다중회귀분석을 통
해 그 효과를 자세히 분석하도록 한다.
4.1.4 포트폴리오 접근법을 이용한 수익성과 정확성간의 관계 분석

앞의 4.1.2와 4.1.3절에서 살펴본 애널리스트 추천의견 제시일 전후의 CAR를 분석하는
1030

사건연구방법은 사건일 전후의 시장반응을 기준으로 추천종목의 수익성을 분석한다는 점

에서는 유용하나, 동일기업에 대하여 다수의 애널리스트들이 비슷한 시기에 추천의견을
제시하는 경우가 많기 때문에 CAR 평균값에 대한 t-값 계산에 편의가 발생할 가능성이
높다. 이러한 사건일의 중복으로 인한 편의를 통제하기 위해서 MacKinlay(1997)는 각 사
건일별로 더미변수를 부여한 다중회귀분석모형을 이용하는 방법과 각 거래일별로 사건기
업 포트폴리오를 매일 재구성해나가는 방법을 제시하였는데, 본 연구에서는 서로 다른 사
건일이 1,300일 이상이 되기 때문에 너무나 많은 더미변수가 필요한 전자의 방법보다는
포트폴리오 방법론이 보다 손쉽게 적용할 수 있는 방법이라고 판단된다. 따라서 본 절에
서는 애널리스트들이 매수 또는 매도추천한 종목들로 구성한 포트폴리오 수익률을 분석함
으로써 CAR 분석의 잠재적인 편의가 결과에 어떠한 효과를 미쳤는가를 검증하고자 한다.
구체적으로 본 소절에서는 5개 이익예측 정확도 그룹별로 5개 추천의견 등급에 해당하
는 포트폴리오를 매일 재구성하고, 구성주식들의 일별 규모조정수익률을 시가총액 가중평
균하여 포트폴리오 수익률을 계산하였다. 이때, Panel B에 제시된 CAR(-1:+125)의 평균
값과 직접적인 비교를 위해서 각 추천의견은 의견제시일 전일부터 이후 6개월(125거래
일)간 유지되며, 그 이후에는 정보가치가 없는 것으로 간주하여 제외되었다. 이러한 포트
폴리오 방법론은 결국 사건일 중복으로 인한 편의가 매일의 포트폴리오 재구성을 통해 통
제된 상황에서 포트폴리오 수익률의 시계열 평균값에 대한 t-값을 제공하게 된다.
<표 4>의 Panel C에서는 이와 같이 구성한 각 이익예측 정확성 그룹의 추천의견 등급
별 포트폴리오의 일평균 수익률에 대한 결과를 제시하고 있는데, Panel B의 CAR(-1 :
+125)와의 비교를 위해서 일평균 수익률에 127배를 곱한 값을 보고하고 있다. 먼저 각
포트폴리오의 수익률을 Panel B의 CAR(-1 : + 125)와 비교해보면, 각 추천의견 등급별로
이익예측 정확성 그룹에 따른 평균 수익률의 변화 양태는 대부분 일치하고 있다. 예컨대,
Panel B의 CAR(-1 : +125)에서와 같이, 중립추천의 경우 이익예측 정확도가 증가할수록
포트폴리오의 평균 수익률은 감소하고 있으며, 매수추천의 경우에도 감소하고 있다. 또한,
t-값 측면에서는 그룹 3의 매수 및 강력매수 그리고 그룹 5의 강력매도는 Panel B에서는
유의했으나 여기에서는 비유의적인 것으로 나타났고, 그룹 3의 강력매도의 경우는 반대로
Panel B에서는 비유의적이었으나 여기에서는 유의한 것으로 나타나고 있어서, 이들 그룹
에 있어서는 Panel B에 제시한 t-값에 사건일 중복으로 인한 편의가 결과해석에 영향을
미치는 것으로 나타났다. 하지만 이들을 제외한 나머지 포트폴리오에 대한 결과는 Panel
B와 동일한 결과를 제시하고 있어서 사건일 중복이 심각한 편의를 초래하는 것으로 보이
지 않는다. 또한 이익예측 정확성 그룹간의 수익률 평균 차이 역시 Panel B에서는 모든
1031

추천의견 등급에서 유의하였으나, 여기에서는 오직 중립의견과 매수의견(10% 유의수준)

에서만 유의한 것으로 나타났다. 이상과 같은 Panel C의 결과를 바탕으로 볼 때, Panel B
에 제시된 몇몇 초과수익률들의 t-값 결과에 사건일 중복으로 인한 편의가 존재하기는 하
나, 그것이 이전 표들에서 제시한 결과해석에 심각한 오류를 발생시키지는 못할 것으로
판단된다.
4.2 추천의견 상향ᆞ하향변경의 수익성 검증
앞의 4.1절의 분석은 표본에 포함된 모든 추천종목의 수익성을 평가한다는 점에서 의미

가 있으나, 애널리스트 분석보고서가 정기화 되어서 애널리스트들이 자신의 과거 추천의
견에 근거해서 동일한 추천의견을 지속적으로 유지할 경우가 다수 존재한다면 분석에 사
용된 모든 추천의견이 애널리스트들의 특별한 사적정보를 반영한다고 볼 수는 없을 것이
다. 본 절에서는 이러한 점을 고려하여 애널리스트의 새로운 사적정보가 반영되었을 가능
성이 높은 추천의견의 상향 또는 하향변경종목에 대한 수익성을 분석하고, 이익예측 정확
성과의 관련성을 재검증하고자 한다.
이를 위해서 본 연구에서는 Womack(1996)의 연구방법론을 응용하여 추천의견 변경을
매수종목 편입과 퇴출, 매도종목 편입과 퇴출과 같이 4가지 사례로 구분하여 그 수익성을
분석하였다. 이때 <표 4>의 결과에서 강력매도와 매도 그리고 강력매수와 매수 간에는
수익성에 큰 차이가 없었고, <표 3>의 Panel B에 제시한 바와 같이 2단계 이상의 추천의
견 변경 건수가 매우 적으므로 강력매수(강력매도)와 매수(매도)를 같은 그룹으로 간주하
였다. 따라서 매수종목 편입은 중립, 매도, 또는 강력매도에서 매수 또는 강력매수로 변경
된 경우로, 매수종목 퇴출은 매수 또는 강력매수에서 중립으로 변경된 경우로 정의하였다.
또한 매도종목 편입은 중립, 매수, 또는 강력매수에서 매도 또는 강력매도로 변경된 경우
로, 매도종목 퇴출은 매도 또는 강력매도에서 중립으로 변경된 경우로 정의하였다.
<표 5>에 보고된 분석결과를 살펴보면, 먼저 매수종목 편입(Added-to-buy-list)의 경
우 규모조정 CAR(-1 : + 1)와 CAR(-1 : + 20)은 각각 1.45%와 1.44%의 유의한 양수값
을 가지지만, 그 이후 기간에서는 수익률 반전현상으로 인하여 양의 수익성이 소멸되는
것으로 나타났다. 이를 <표 4> Panel A의 매수의견과 비교해보면 모든 사건기간에 대한
CAR의 크기가 예상대로 약 1 ~ 2% 정도 높게 나타나고 있어서 시장에서 더 긍정적인 매수
신호로 받아들여짐을 알 수 있으며, 그에 따라 수익률 반전현상도 많이 약화되고 있다. 또
한 <표 4> Panel B에서처럼 이익예측 정확도가 높은 그룹일수록 CAR(-1 : + 20)과 CAR
1032

Table 5. Cumulative abnormal returns associated with recommendation change events
The table reports size-adjusted CARs for the periods surrounding analyst’s recommenda-
tion change events from 2001 to 2006. Size-adjusted returns are as explained in Table 4.
A recommendation change into buy or strong buy (sell or strong sell) from neutral, sell, or
strong sell (neutral, buy, or strong sell) is defined as ‘Added-to-buy-list (Added-to-sell-
list)’, and a recommendation change into neutral from buy or strong buy (sell or strong sell)
is defined as ‘Removed-from-buy-list (Removed-from-sell-list)’. ‘Diff (1-5)’ in last two
columns indicates the mean difference of each CAR between most and least accurate
groups. All t -values in parentheses are computed with standard error estimated by
Newey-West(1987) method using GMM procedure.
Forecast accuracy group results

Total sample results
1(Most accurate) 5(Least accurate) Diff(1-5)
Obs. Mean (t-val) Obs. Mean (t-val) Obs. Mean (t-val) Mean (t-val)
Added-to-buy-list (No. of unique firms : 187)
CAR(-20 : -2) 1,571 0.28 (0.88) 332 1.06 (1.73) 304 -0.46 (-0.83) 1.52 (1.87)
CAR(-1 : +1) 1,572 1.45 (10.00) 332 1.58 (5.12) 304 1.98 (5.86) -0.39 (-0.95)
CAR(-1 : +20) 1,572 1.44 (4.57) 332 1.25 (1.87) 304 2.96 (4.89) -1.71 (-2.00)
CAR(-1 : +125) 1,572 -0.72 (-0.73) 332 -1.80 (-0.93) 304 4.60 (2.60) -6.39 (-2.98)
Removed-from-buy-list (No. of unique firms : 207)
CAR(-20 : -2) 1,719 0.34 (0.85) 387 -0.55 (-0.95) 334 0.24 (0.29) -0.79 (-0.91)
CAR(-1 : +1) 1,719 -1.56 (-9.61) 387 -1.84 (-5.61) 334 -1.25 (-4.71) -0.59 (-1.42)
CAR(-1 : +20) 1,719 -3.00 (-8.61) 387 -4.10 (-6.70) 334 -2.64 (-3.92) -1.46 (-1.67)
CAR(-1 : +125) 1,719 -8.81 (-8.70) 387 -11.37 (-6.61) 334 -4.57 (-2.45) -6.80 (-3.42)
Added-to-sell-list (No. of unique firms : 74)
CAR(-20 : -2) 136 0.29 (0.23) 45 1.53 (0.70) 26 -4.59 (-1.72) 6.12 (1.52)
CAR(-1 : +1) 136 -4.16 (-4.74) 45 -3.89 (-2.58) 26 -5.50 (-4.15) 1.61 (0.68)
CAR(-1 : +20) 136 -4.74 (-2.81) 45 -6.14 (-2.66) 26 -1.38 (-0.95) -4.75 (-1.60)
CAR(-1 : +125) 136 -16.95 (-5.12) 45 -18.29 (-3.92) 26 -13.18 (-3.35) -5.11 (-0.69)
Removed-from-sell-list (No. of unique firms : 62)
CAR(-20 : -2) 95 -0.48 (-0.35) 15 1.90 (0.72) 25 -4.21 (-1.62) 6.11 (1.34)
CAR(-1 : +1) 95 0.19 (0.32) 15 0.27 (0.28) 25 0.13 (0.17) 0.14 (0.09)
CAR(-1 : +20) 95 -1.39 (-0.91) 15 -5.19 (-0.91) 25 1.99 (0.91) -7.19 (-1.05)
CAR(-1 : +125) 95 -8.23 (-1.95) 15 -6.05 (-0.53) 25 -8.93 (-1.59) 2.88 (0.22)
(-1 : + 125)의 값이 더 낮게 나타나고 있어서, 매수의견에서와 같이 정확성과 수익성

간에 음의 관계가 유지됨을 알 수 있다. 다음으로 매수종목 퇴출(Removed-from-buy-
list)의 경우를 보면, 규모조정 CAR(-1 : + 1), CAR(-1 : + 20), CAR(-1 : + 125)가 모두
유의한 음수인 -1.56%, -3.0%, -8.81%를 보이고 있다. 이는 <표 4> Panel A의 중립의
1033

견에 대한 결과보다 약 -1 ~ -2% 정도 더 낮은 수치로서 매수에서 중립으로 하락변경될

경우 시장에서 더 부정적인 매도신호로 인식됨을 알 수 있다. 이익예측 정확도와 관련해
서는 정확도가 높을수록 더 유의한 음수의 CAR값을 보이고 있어서 정확성과 수익성간에
양의 관계가 계속 유지됨을 알 수 있다.
한편 매도종목 편입(Added-to-sell-list)의 경우에는 규모조정 CAR(-1 : + 1)가 유의한
-4.16%를 보이고 있어서 <표 4> Panel A의 매도추천에 대한 -1.43%에 비해 시장에서
의 반응이 훨씬 강하게 나타나고 있다. 또한 CAR(-1 : +125) 역시 -16.95%의 유의한 음
수값을 가져서 매도편입 이후 6개월까지 유의한 매도거래 수익성을 얻을 수 있는 것으로
나타났다. 또한 이익예측 정확도가 높을수록 유의하지는 않지만 더 낮은 음수값의 CAR를
보이고 있어서 정확성과 수익성간에 미약한 양의 관계가 유지되는 것으로 보인다. 끝으로
매도종목 퇴출(Removed-from-sell-list)의 경우에는 사건일을 포함하여 이후 1개월까지
의 CAR가 모두 유의하지 않은 음수로 나타나고 있다. 이는 추천의견이 매도에서 중립으
로 상향 조정되어도 중립의견 자체를 매도신호로 받아들이고 있기 때문에 긍정적인 신호
로 인식되지 않음을 의미하는 것이다.
이상과 같이 애널리스트의 추천의견 변경이 수익성에 미치는 효과는 추천의견 그 자체
의 경우보다 더 강하다는 것을 보았다. 그러면 과연 어떠한 시장상황에서 자신이 갖고 있
는 사적정보를 추천의견 변경이라는 형태로 시장에 전달하게 되는지를 파악하기 위하여,
추천의견 상향변경 시에는 1, 불변시는 0, 그리고 하락변경 시에는 -1의 값을 갖는 더미
변수를 종속변수로 하는 순서형 프로빗모형(ordered probit model)을 추정하였다. 지면관
계상 표로 보고되지는 않았지만 그 주요 결과를 요약해보면, 과거 10거래일 동안의 비정
상적인 주가상승은 추천의견 변경에 별 영향을 미치지 못하나, 비정상적인 주가하락 시에
는 추천의견을 하향변경할 확률이 유의하게 높아지는 것으로 나타났다. 이것은 Conrad et
al.(2006) 등의 연구에서와 같이 과거에 상당한 주가하락으로 시장에 부정적인 정보가 많
이 반영되어 있는 상태에서는 낙관적인 추천의견을 유지해야 하는 이해상충의 문제가 적
어지기 때문에 추천의견을 하향변경할 확률이 유의하게 높아짐을 의미한다. 또한 다른 애
널리스트들의 추천의견 변경이 많을 때일수록 추천의견을 변경할 확률이 유의하게 높아지
는 군집현상이 존재하는 것으로 나타났다.
4.3 추천종목의 수익성과 이익예측 정확성에 대한 회귀분석
4.1절과 4.2절에서는 애널리스트의 이익예측 정확성과 추천종목 수익성 간의 관계를 분
1034

석하는데 있어서 정확성과 수익성이라는 2차원에서만 분석하고 있다는 한계점을 갖고 있

다. 그럼에도 불구하고 이해상충문제가 내재할 것으로 추정되는 매수추천의 경우, 추천일
이후 2거래일부터 수익률이 하락반전하는 현상과 함께 이익예측 정확성이 높을수록 수익
성은 떨어지는 결과를 보여줌에 따라 이해상충문제가 영향을 미치고 있을 가능성을 보았
다. 본 절에서는 이러한 이해상충문제에 대한 변수를 도입하고 그밖에 애널리스트의 특성
변수들과 FD 라는 제도적 변화를 고려한 상태에서 다중회귀분석을 수행함으로써 과연 이
해상충문제가 애널리스트의 이익예측 정확성과 추천종목의 수익성간의 관계에서 어떤 영
향을 미치는지 자세히 분석하도록 한다.
4.3.1 이익예측 정확성과 추천종목 수익성에 대한 영향변수
(1) 애널리스트 관련 특성변수

애널리스트의 이익예측 정확성과 추천종목의 수익성에 영향을 미치는 특성변수들로서,
첫째, 분석기업에 대해 잘 알고 전문성이 높은 애널리스트일수록 보다 정확한 이익예측을
통해 추천종목의 수익성도 높을 것이다. 이러한 전문성에 대한 대용치로서 644,104건에
달하는 모든 분석보고서 자료에서 애널리스트 i가 기업 j에 대해 최초로 분석보고서를 제
시한 날로부터 해당 추천의견 제시일인 t년 k시점까지의 월수에 로그를 취한 LnAtimeijtk
를 계산하였다. 여기서 t년은 t년 4월부터 t+1년 3월까지의 기간을 의미한다.
둘째, 애널리스트가 속한 증권사의 규모가 클수록 분석기업과 그 관련기업 및 산업에
대한 정보를 많이 가지고 있을 것이므로 보다 정확한 이익예측치를 제시할 가능성이 높다.
이러한 증권사 규모를 나타내는 변수로서 애널리스트 i가 속한 증권사의 t년에 소속된 애
널리스트수에 로그를 취한 LnBsizeit를 이용하였다.
셋째, 각 애널리스트가 분석하는 기업의 수가 많아질수록 분석업무의 부담증대로 인해
이익예측이 부정확해지고, 결국 잘못된 추천의견이나 매수일변도 추천에 편승할 가능성이
높아질 것이다. 이러한 분석기업수에 대한 변수로서 애널리스트 i가 t년에 분석한 기업수
에 로그를 취한 LnAFnumit를 이용하였다.
넷째, 애널리스트의 소속 증권사가 국내 증권사인지 외국 증권사인지에 따라서도 추천
종목의 수익성이 달라질 수 있다. Bae et al.(2007)의 연구에서 보여준 것처럼 국내 증권
사가 국내 기업에 대해 더 많은 정보를 가지고 있을 가능성이 높으나, 외국 증권사의 경
우 유사한 외국 기업들에 대한 많은 분석경험과 산업수준에 있어서 우월한 정보력을 가질
가능성이 높으므로 외국 증권사의 추천종목이 더 높은 수익성을 보일 수도 있다. 비록 김
1035

동순, 엄승섭(2006)의 연구에서 국내외 애널리스트 간에 추천의견이나 목표주가 변경에

따른 수익성에 차이가 존재하지 않는 결과를 보여주었으나, 이들의 연구는 국내외 증권사
에서 동시에 분석보고서를 제시한 84개 기업에 한정된 결과라는 점에서 본 연구의 표본
을 이용하여 재검증할 필요가 있다. 이러한 외국 증권사 효과를 분석하기 위해서 애널리
스트 i가 외국 증권사 소속이면 1의 값을, 국내 증권사 소속이면 0의 값을 가지는 더미변
수 ForDumi를 설명변수에 포함하였다.
(2) 분석기업 관련 특성변수

분석기업 관련 특성변수들로는 기업의 정보비대칭성과 규모효과를 고려할 수 있다. 해
당 기업을 분석하는 애널리스트 숫자가 적어서 정보비대칭성이 높은 소규모 기업일수록
시장에 공표된 정보가 적을 것이므로 투자자들은 그러한 기업에 대한 정확한 이익예측치
를 기반으로 제시된 추천의견에 보다 유의한 반응을 보일 것이다. 따라서 정보비대칭성이
높고, 기업규모가 작은 기업일수록 정확한 이익예측치를 바탕으로 한 추천의견이 보다 높
은 수익성을 가질 것으로 예상된다. 이러한 분석기업 관련 특성변수로서 기업 j에 대해 t
년에 추천의견을 제시한 애널리스트 수에 로그를 취한 LnFAnumjt과, t-1년 12월말을 기
준으로 계산한 book-to-market ratio인 BMjt, 그리고 기업 j에 대해 추천의견이 제시된 t
년 k시점의 시가총액(10억원 단위)에 로그를 취한 LnMVjtk를 이용하였다.
(3) 애널리스트 이해상충문제(conflicts of interest)

Lin and McNichols(1998), Michaely and Womack(1999), 그리고 Conrad et al.(2006)
의 연구에서는 분석기업에 대한 대표주관사 경력을 애널리스트 이해상충 변수로 사용하여
이들의 추천종목 수익성이 낮음을 보였다. 본 연구에서도 이미 4.1절에서 살펴본 바와 같
이 우리나라 대표주관사 소속 애널리스트는 강력매도나 매도의견을 제시하는 경우가 거의
없고 매수를 제시하는 비중이 가장 높다는 점과 추천의견의 하향조정을 꺼리는 편향성이
존재한다는 점에서 정확한 이익예측치를 가진 애널리스트라 할지라도 이해상충으로 인해
서 낙관적인 추천의견을 제시할 가능성이 높다. 따라서 이러한 이해상충문제를 고려하기
위하여 애널리스트 i가 기업 j에 대해서 추천의견을 제시한 t 년 k시점 이전 1년 이내에
소속 증권사가 기업 j의 주식이나 채권발행에 대한 대표주관사를 맡았던 적이 있으면 1의
값을, 그렇지 않으면 0의 값을 가지는 더미변수인 AffDumijtk자료를 구축하였다.7) 이때,
각 기업에 대한 대표주관사 정보는 금융감독원이 제공하는 1999년부터 2006년까지의 전
7) 대표주관사 더미변수를 추천의견 제시일 이전 6개월까지로 정의하여도 이후에 제시되는 횡

단면 회귀분석의 결과는 동일하였다.
1036

자공시자료로부터 수집하였다.
4.3.2 횡단면 회귀분석모형의 설정
(1) 종속변수의 측정
횡단면 회귀분석의 종속변수는 이미 앞의 분석에서 사용한 규모조정 CAR를 사용하였
다. 다만 매도추천에 대해서는 CAR가 음수값을 가질수록 수익성이 높다는 점과 중립의견
역시 매도신호로 인식하기 위해서 강력매도, 매도 그리고 중립의견을 하나의 매도그룹으
로 간주하여 이들의 CAR에 -1을 곱하였다.
(2) 횡단면 회귀분석모형의 설정

애널리스트 이익예측 정확성과 추천종목의 수익성을 분석하기 위한 구체적인 횡단면 회
귀분석모형은 아래 식 (2)와 같다.
CARijtk = α0 + PreFDijtk × AffDumijtk × (α1 + α2 ACCijtk )

+ PostFDijtk × ⎡⎣ AffDumijtk × (α3 + α4 ACCijtk ) + ForDumi × (α5 + α6 ACCijtk )⎤⎦ (2)
+ α7 LnAtimeijtk + α8 LnBsizeit + α9 LnAFnumit + α10 LnFAnum jt + α11BM jt + α12 LnMV jtk + ε ijtk
여기서 PreFD와 PostFD는 FD의 시행 전후의 효과를 구분하기 위해서 사용된 더미변
수로서 PreFD(PostFD)는 추천의견이 FD 시행전(시행후)인 2002년 11월 이전(이후)에
제시되었으면 1의 값을, 그렇지 않으면 0의 값을 갖는다. 또한 앞의 3.2절에서 설명한 식
(1)의 AFEtoPRC는 값이 낮아질수록 이익예측의 정확성이 높다는 것을 의미하는데, 식
(2)와 같은 회귀분석에서 정확성이 높을수록 수익성이 높아지는 양의 관계를 검증하기 위
하여 아래와 같이 조정된 이익예측 정확성 변수 ACCijtk를 사용하였다.
ACCijtk = 1/(1 + AFEtoPRCijtk ) (3)
끝으로 위의 회귀분석에서 ForDumi 더미변수가 PostFD관련 식에만 존재하는 이유는

<표 1>의 Panel A에 제시된 바와 같이 외국 증권사 분석보고서는 FD 시행 후인 2003년
부터 대부분 제시되고 있기 때문이다.
4.3.3 횡단면 회귀분석결과

<표 6>에서는 식 (2)에 제시된 회귀분석의 종속변수로서 세가지 사건기간별 규모조정
1037

Table 6. Regression of recommendation profitability on various analysts- and firm-characteristics

This table reports the results of regression analysis of recommendation profitability on various analysts- and firm-charac-
teristics using the model below. The dependent variable is size-adjusted CAR for various periods on each recommendation of
analyst i for firm j suggested at reporting day k of year t, where year t represents a period from April 1 in year t to March 31 in
year t +1. The explanatory variables include the following: LnAtimeijtk is the log of the number of months from the first reporting
day to a current reporting day k for which analyst i supplied forecasts for firm j. LnBsize is measured as the log of the number
of analysts belonging to a brokerage during year t. LnAFnumit is the log of the number of firms covered by analyst i during year
t. LnFAnumjt is the log of the number of analysts who report forecasts and recommendations for firm j during year t. BM is the
book-to-market ratio for firm j at end of year t -1. PreFD (PostFD) is the dummy variables which takes 1 if the reporting day k
is before (after) the implementation of Fair Disclosure regulation on November 2002. AffDumijtk takes 1, if the brokerage firm of
analyst i has the business relationship with firm j during past 1 year. ForDumi is 1 if analyst i belongs to a foreign brokerage
firm. ACCijtk is calculated by 1 / (1+AFEtoPRC) as the measure for analyst forecast accuracy, where, AFEtoPRC means absolute
forecast error scaled by stock price at the reporting day. If analyst i suggest his/her recommendation without earnings forecast,
then we use the last earnings forecast suggested by analyst i within past 20-trading days.
CARijtk = α0 + PreFDijtk × AffDumijtk × (α1 + α2ACCijtk)
+ PostFDijtk × [AffDumijtk × (α3 + α4ACCijtk) + ForDumi × (α5 + α6ACCijtk)]
+ α7LnAtimeijtk + α8LnBsizeit + α9LnAFnumit + α10LnFAnumjt + α11BMjt + α12LnMVjtk + εijtk
We estimate the above model for buy group, sell group, and all recommendations. We treat classify strong sell, sell and neutral
recommendations as a sell group and strong buy and buy recommendation as a buy group. To analyze the profitability of all rec-
ommendations in a regression, we take minus sign for CARs of the sell group. All t -values are in parentheses.
Buy Recommendations Sell Recommendations All Recommendations
Dependent variables CAR(-1 : +1) CAR(-1 : +20) CAR(-1 : +125) CAR(-1 : +1) CAR(-1 : +20) CAR(-1 : +125) CAR(-1 : +1) CAR(-1 : +20)CAR(-1 : +125)
coeff. (t-val) coeff. (t-val) coeff. (t-val) coeff (t-val) coeff. (t-val) coeff. (t-val) coeff. (t-val) coeff. (t-val) coeff. (t-val)
Intercept -0.70 (-2.73) -5.16 (-8.56) -13.79 (-9.48) 1.23 (3.08) 4.16 (4.42) 20.96 (8.98) -0.02 (-0.08) -1.19 (-2.33) 0.91 (0.71)
PreFD×AffDum -0.63 (-1.25) 1.44 (1.22) 10.32 (3.62) 1.91 (2.40) 3.73 (2.00) 13.12 (2.83) 0.30 (0.71) 2.20 (2.22) 11.56 (4.66)
PreFD×AffDum×ACC 1.13 (1.06) -1.50 (-0.60) -14.82 (-2.47) -2.35 (-1.08) -5.65 (-1.11) -11.07 (-0.88) -0.12 (-0.12) -2.83 (-1.25) -16.45 (-2.91)
PostFD×AffDum 0.11 (0.45) 0.50 (0.85) -2.01 (-1.41) 0.72 (1.59) -1.12 (-1.05) -9.39 (-3.56) 0.26 (1.17) 0.02 (0.04) -3.86 (-2.95)

PostFD×AffDum×ACC 0.34 (0.66) 0.74 (0.62) 6.76 (2.32) -0.94 (-0.86) 2.90 (1.13) 24.06 (3.77) 0.04 (0.08) 1.19 (1.08) 9.70 (3.50)
PostFD×ForDum 1.73 (3.00) 2.84 (2.11) 3.86 (1.19) 0.79 (1.28) -0.04 (-0.03) 5.51 (1.53) 1.29 (3.10) 1.57 (1.60) 6.42 (2.62)
PostFD×ForDum×ACC -0.36 (-0.34) -1.28 (-0.52) -0.73 (-0.12) 2.52 (2.20) 3.73 (1.39) -0.69 (-0.10) 1.08 (1.40) 1.26 (0.69) -1.14 (-0.25)
LnAtime 0.00 (-0.14) 0.35 (5.73) 2.79 (19.14) -0.02 (-0.39) -0.34 (-3.65) -3.63 (-15.91) -0.01 (-0.51) 0.10 (1.87) 0.38 (3.01)
LnBsize 0.15 (3.13) 0.35 (3.01) 0.53 (1.92) 0.00 (-0.01) 0.56 (3.25) 1.81 (4.24) 0.12 (2.83) 0.54 (5.61) 1.84 (7.62)
LnAFnum -0.07 (-1.70) -0.22 (-2.19) -2.02 (-8.21) -0.02 (-0.37) 0.51 (3.35) 4.53 (12.03) -0.05 (-1.30) 0.10 (1.16) 0.64 (3.00)
LnFAnum 0.17 (3.09) 1.18 (8.95) 0.02 (0.06) 0.13 (1.87) -0.83 (-4.91) -1.46 (-3.48) 0.15 (3.41) 0.20 (1.98) -1.34 (-5.18)
BM 0.19 (7.85) 0.70 (12.28) 3.66 (26.79) -0.23 (-6.97) -0.98 (-12.44) -4.92 (-25.29) 0.02 (1.08) 0.02 (0.42) 0.05 (0.46)
LnMV -0.02 (-0.96) -0.18 (-4.64) 0.27 (3.01) -0.15 (-5.77) -0.19 (-3.27) -1.62 (-10.99) -0.06 (-4.50) -0.20 (-6.23) -0.64 (-8.00)
No. of obs. 55,345 55,345 55,345 31,203 31,203 31,203 86,548 86,548 86,548
Adj. R2 0.0020 0.0048 0.0222 0.0044 0.0086 0.0492 0.0013 0.0013 0.0050
1038
CAR(-1 : +1), CAR(-1 : +20), 그리고 CAR(-1 : +125)를 사용한 분석결과를 제시하고
있다. 먼저 CAR(-1 : +125)를 중심으로 살펴보면, FD 이전 기간에는 기업의 선별적인 정
보제공이 가능했던 대표주관사(PreFD × AffDum)의 애널리스트가 정보우위를 기반으로
평균적으로 수익성이 높은 매수ㆍ매도종목을 추천하였음을 알 수 있다. 그러나 대표주관
사들간에도 이해상충의 정도가 서로 달라서 이해상충의 정도가 심할 경우 이익예측 정확
성이 수익성으로 연결되는 관계가 미약하거나 음의 관계를 가질 수 있다. 이러한 점을
고려해주기 위하여 대표주관사 더미변수에 이익예측 정확성 변수를 상호작용시켜 만
든 교차변수(PreFD × AffDum × ACC)의 추정계수를 보면, 매수추천에 대하여 유의한 음
의 계수값(-14.82, t = -2.47)을 보이고 있어서 앞의 <표 4>에서 보았던 음의 관계와 함
께 이해상충문제를 반영하는 것으로 해석된다. 이러한 결과는 대표주관사 소속 애널리스
트가 매수추천한 종목이 평균적으로 높은 수익성을 보였지만, 그들 사이에는 다시 이해상
충문제에 따라 수익성에 차이가 존재함을 알 수 있다. 반면에 매도의견의 경우에는 이해
상충의 문제가 거의 없고 진정한 매도신호로 받아들여지기 때문에 이익예측 정확성과 추
천종목 수익성간의 관계가 비유의적으로(-11.07, t = -0.88) 나타났으며, 이는 미국 시장
에 대한 Ertimur et al.(2007)의 연구결과와 일치하고 있다.
한편, FD 시행 이후 기간의 CAR(-1 : +125)에 대한 결과에서는 시행 이전과 반대로
PostFD × AffDum에 대한 계수값은 매수의 경우 비유의적인 음수값(-2.01, t = -1.41)을,
그리고 매도의 경우에는 유의한 음수값(-9.39, t = 3.56)을 가지고 있어서 선별적 정보제
공이 사라진 상황에서 대표주관사의 애널리스트는 이해상충문제로 인해서 추천종목의 수
익성이 매수와 매도 모두에서 감소한 것으로 해석된다. 그러나 이익예측 정확성 변수와의
교차변수인 PostFD × AffDum × ACC에 대한 추정계수가 모두 유의한 양수값(6.76, t = 2.32;
24.06, t = 3.77)을 보이고 있어서 대표주관사의 애널리스트라 할지라도 정확한 이익예측
에 따라 추천의견을 제시한 경우에는 그렇지 못한 경우에 비해 높은 수익성을 가지는 것
으로 분석되었다. 따라서 FD 시행 이후에는 이해상충문제가 존재하는 애널리스트도 자신
의 명성과도 직결되는 추천종목의 수익성을 증대시키기 위해서는 정확한 이익예측을 기반
으로 추천의견을 제시하는 것이 더욱 중요해지고 있다고 하겠다. 또한 CAR(-1 : +1)과
CAR(-1 : +20)가 종속변수인 경우, 매수에 대해서 PostFD × ForDum이 유의한 양의 계
수값(1.73, t = 3.0; 2.84, t = 2.11)을 가지는 것으로 나타나서 외국 증권사의 매수추천종목
은 국내 증권사에 비해서 추천의견 제시 후 약 1개월까지는 높은 수익성을 보이는 것으
로 분석되었다. 하지만 표로 보고하지 않았지만 추천의견이 상향 또는 하향변경된 종목에
1039

대해서는 국내외 증권사간 수익성에 유의한 차이가 존재하지 않아서 국내외 증권사의 추
천의견 변경효과를 분석한 김동순, 엄승섭(2006)의 연구결과와 일치하는 결과를 얻었다.
그밖에 애널리스트 및 분석기업 관련 특성변수들 중에는 애널리스트가 속한 증권사의
규모변수인 LnBsize가 매수와 매도 모두에서 유의한 양의 계수값을 가지는 반면, 분석기
업의 시가총액변수인 LnMV는 매수와 매도 모두에서 유의한 음의 계수값을 가지는 것으
로 나타나서 대형증권사가 제시한 소규모 기업에 대한 추천의견의 수익성이 보다 높은 것
으로 분석되었다.
4.3.4 매수추천종목의 수익성 반전현상

앞의 <표 4>에서 매수추천 이후에 수익률이 유의하게 반전되는 현상이 존재함을 보았
다. 이러한 반전현상을 <표 6>의 회귀모형에서 사용된 설명변수가 잘 설명하기 위해서는
종속변수가 CAR(-1 : +1)에서 CAR(-1 : +20)과 CAR(-1 : +125)로 갈수록 설명변수는
유의한 음의 계수값을 가져야 할 것이다. 실제로 <표 6>에서 이러한 계수값의 패턴을 보
이는 설명변수로는 애널리스트의 분석기업수 LnAFnum과 FD 이전의 대표주관사와 이익
예측 정확성간의 교차변수 PreFD × AffDum × ACC가 있으나, 수익률 반전현상의 대부분
이 FD 이후 기간에서 발생한다는 점을 고려하면 애널리스트의 분석기업수가 반전현상을
설명할 수 있는 유일한 변수로 남게 된다. 여기서 애널리스트의 분석기업수가 최근으로
올수록 증가 추세이고 LnAFnum의 계수값이 유의한 음수로 나타나는 점을 고려하면, 분
석기업수의 증가는 분석업무 부담의 증가로 작용하여 이익예측이 부정확해지고 잘못된 추
천의견을 제시할 가능성이 높아짐을 알 수 있다. 이러한 LnAFnum의 계수값은 CAR(-1 :
+ 125)의 경우 -2.02 (t = -8.21)인데, 이의 경제적 의미를 파악하기 위하여 <표 1>에 보
고된 분석기업수의 평균 4개에서 1개만 증가시킨다고 할 때 CAR의 하락분은 -2.02% ×
ln(5/4) = -0.45%로 계산되어 <표 4> Panel B에 보고된 매수추천 이후 수익률 반전규모
-4.80%가 쉽게 설명될 수 있는 수준임을 알 수 있다.
또한 실제의 분석기업수 차이에 따라 수익률 반전규모가 얼마나 차이 나는지를 알아 보
기 위해서 <표 4> Panel B에 보고된 매수추천 각 셀의 CAR를 각 애널리스트의 분석기업
수(AFnum) 크기에 따라 다시 5개 그룹의 CAR로 분해하였다. 이렇게 분해된 CAR는 <표
7>에 보고되어 있는데, 분석기업수가 가장 많아 분석업무 부담이 가장 높은 Highest 그
룹이 놀랍게도 항상 가장 낮은 수익성을 보이고 있으며, 특히 이익예측 정확성이 가장 높
은 그룹에서는 모든 CAR에서 분석기업수가 증가할수록 수익성이 단조감소하는 패턴을
1040

Table 7. Decomposition of the buy recommendation CARs by the groups formed based on the number of
firms covered by each analyst
The table reports size-adjusted CARs for various periods surrounding buy recommendation event days from 2001 to 2006. We
divide each CAR in Panel B of Table 4 into 5 groups (hereafter AFnum group) based on the number of firms covered by analyst i
during year t, where year t represents a period from April 1 in year t to March 31 in year t +1. We calculate the size-adjusted
CARs for the 5 AFnum groups to investigate the cause for return reversals observed in buy recommendation in Table 4. ‘# of
Analysts’ indicates the numbers of analysts who issue buy recommendations, and ‘Average AFnum’ means the average number
of firms covered by each analyst. ‘Diff (1-5)’ indicates the mean difference of CARs between the most and least accurate groups,
and ‘Diff (L-H)’ indicates the mean difference of CARs between the lowest and highest AFnum groups. All t -values in paren-
theses are computed with standard error estimated by Newey-West(1987) method using GMM procedure.
1(Most accurate group) 3 5(Least accurate group) Diff(1-5)
AFnum # of Average # of Average # of Average
CAR Mean (t-val) Mean (t-val) Mean (t-val) Mean (t-val)
group Analysts AFnum Analysts AFnum Analysts AFnum
1(Lowest) 139 7.03 0.47 (1.63) 150 7.19 -0.09 (-0.32) 176 7.18 -0.10 (-0.37) 0.58 (1.75)
3 130 22.16 0.68 (3.06) 137 22.10 0.41 (1.82) 127 21.92 -1.09 (-4.56) 1.77 (6.60)
CAR(-20 : -2)
5(Highest) 10 42.85 0.08 (0.09) 9 45.38 -2.32 (-2.75) 9 44.74 -1.23 (-2.08) 1.32 (1.49)
Diff(L-H) 0.39 (0.51) 2.24 (3.04) 1.13 (2.12)
1(Lowest) 139 7.03 0.22 (1.87) 150 7.19 0.14 (1.27) 176 7.18 0.39 (3.47) -0.17 (-1.11)
3 130 22.16 0.19 (2.48) 137 22.10 0.25 (2.66) 127 21.92 0.32 (3.42) -0.13 (-1.05)
CAR(-1 : +1)
5(Highest) 10 42.85 0.16 (0.56) 9 45.38 -0.08 (-0.30) 9 44.74 0.09 (0.43) 0.07 (0.21)
Diff(L-H) 0.05 (0.18) 0.22 (0.78) 0.30 (1.21)
1(Lowest) 139 7.03 -0.09 (-0.33) 150 7.19 -0.62 (-2.23) 176 7.18 0.10 (0.37) -0.19 (-0.60)
3 130 22.16 -0.51 (-2.43) 137 22.10 0.23 (1.01) 127 21.92 0.18 (0.74) -0.69 (-2.59)
CAR(+2 : +20)
5(Highest) 10 42.85 -2.17 (-2.77) 9 45.38 -3.33 (-4.38) 9 44.74 -0.84 (-1.29) -1.34 (-1.65)
Diff(L-H) 2.08 (3.13) 2.71 (4.05) 0.94 (1.67)
1(Lowest) 139 7.03 0.12 (0.40) 150 7.19 -0.48 (-1.57) 176 7.18 0.49 (1.58) -0.36 (-1.02)

3 130 22.16 -0.31 (-1.38) 137 22.10 0.48 (1.91) 127 21.92 0.50 (1.82) -0.81 (-2.80)
CAR(-1 : +20)
5(Highest) 10 42.85 -2.01 (-2.31) 9 45.38 -3.41 (-4.09) 9 44.74 -0.75 (-1.09) -1.26 (-1.45)
Diff(L-H) 2.13 (2.93) 2.93 (4.06) 1.23 (2.11)
1(Lowest) 139 7.03 -2.74 (-3.38) 150 7.19 -4.04 (-6.04) 176 7.18 -2.39 (-3.29) -0.35 (-0.43)
3 130 22.16 -5.16 (-8.66) 137 22.10 -1.20 (-1.78) 127 21.92 -0.98 (-1.28) -4.18 (-5.74)
CAR(+2 : +125)
5(Highest) 10 42.85 -12.12 (-5.35) 9 45.38 -21.21 (-10.76) 9 44.74 -14.44 (-6.44) 2.31 (0.98)
Diff(L-H) 9.38 (5.19) 17.17 (10.96) 12.05 (7.01)
1(Lowest) 139 7.03 -2.53 (-3.06) 150 7.19 -3.90 (-5.75) 176 7.18 -2.00 (-2.72) -0.52 (-0.63)
3 130 22.16 -4.96 (-8.24) 137 22.10 -0.96 (-1.39) 127 21.92 -0.66 (-0.84) -4.31 (-5.82)
CAR(-1 : +125)
5(Highest) 10 42.85 -11.96 (-5.11) 9 45.38 -21.29 (-10.55) 9 44.74 -14.35 (-6.31) 2.39 (0.99)
Diff(L-H) 9.43 (5.09) 17.39 (10.90) 12.34 (7.07)
1041
보이고 있다. 예컨대, Highest 그룹은 매수추천 제시일의 총효과 CAR(-1 : +1)가 0.16%
이었으나 그 이후 6개월간 -12.12%의 수익률이 반전되어 영구효과 CAR(-1 : +125)는 -
11.96%로 하락함을 알 수 있으며, 중간 그룹과 Lowest 그룹에 대해서는 반전규모가 각
각 -5.16%와 -2.74%로 나타나고 있다. 이러한 반전규모는 <표 4> Panel B에 보고된 매
수추천의 반전규모 -4.80%를 중심으로 널리 퍼져있어서 수익률 반전현상을 설명하는 중
요한 요인이 됨을 알 수 있다.
5. 결론
본 연구에서는 국내 주식시장에서 애널리스트의 이익예측 정확성이 추천종목 수익성과

어떠한 관계를 갖는지, 그리고 둘간의 관계에 내재하는 이해상충문제가 어떠한 영향을 미
치는지를 심도 있게 연구하였다. 이를 위하여 FnGuide Consensus database와 I/B/E/S
database가 제공하는 2001년 4월부터 2006년 10월까지의 국내외 애널리스트 분석보고
서 자료에서 추출된 95,642건의 분석대상 자료를 사용하여, 먼저 애널리스트 추천종목의
수익성을 분석한 결과, 표본기간 동안 매도의견은 진정한 매도신호로 간주되어 향후 6개
월까지 -26.1%의 유의한 누적초과수익을 보였으며, 중립의견 역시 향후 6개월까지 -
6.6%의 유의한 누적초과수익을 보여 사실상의 매도신호로 간주되고 있음을 알 수 있었다.
반면에 매수의견의 경우에는 사건일 전후 3일간의 누적초과수익 0.23%가 그 이후 6개월
간 지속적으로 하락하여 -3%의 유의한 음수로 반전되었다. 이러한 결과는 기업의 미래이
익 예측치와 상관없이 해당 기업과의 계속적인 사업관계를 유지하고자 낙관적인 추천의견
을 제시하는 이해상충의 문제로 인해 부실한 종목임에도 매수일변도로 상향 추천됨을 의
미하며, 실제로 이익예측 정확성이 높은 그룹의 매수추천종목이 더 낮은 수익성을 보임에
따라 부실한 매수추천이 더 많았음을 알 수 있다.
이처럼 애널리스트의 이해상충문제는 특히 매수추천의 경우에 있어서 정확성과 수익성
이 음의 관계를 가지도록 영향을 미치는데, 이를 애널리스트 및 분석기업 관련 특성변수
들을 통제한 회귀모형으로 심층 분석한 결과, 이해상충문제를 안고 있는 대표주관사 소속
애널리스트는 선별적인 정보제공이 가능했던 FD 이전에는 매수추천에 대해서 평균적으로
높은 수익성을 보였으나, 정확성과 수익성의 관계는 음으로 나타나서 이해상충문제로 인
해 부실한 종목을 과도하게 매수추천할 경우 수익성 하락요인으로 작용함을 알 수 있었다.
이러한 결과는 이해상충문제가 존재할 경우 정확성과 수익성 간의 관계가 약해지거나 음
1042

의 관계를 가진다는 미국 시장에 대한 Ertimur et al.(2007)의 연구결과와 일치하고 있다.

이와 달리 선별적인 정보제공이 금지된 FD 시행 이후 기간에서는 이해상충문제를 안고
있는 대표주관사 소속 애널리스트의 매수추천종목의 수익성은 평균적으로 하락하였으나,
이전과 달리 정확성과 수익성은 유의한 양의 관계를 가지는 것으로 나타났다. 이는 FD
시행 이후에는 이해상충문제가 존재하는 애널리스트라 할지라도 자신의 명성과도 직결되
는 추천종목의 수익성을 증대시키기 위해서 정확한 이익예측치를 기반으로 추천의견을 제
시하는 것이 더욱 중요해졌음을 의미한다.
또한 애널리스트의 매수추천 이후 6개월까지 수익성이 반전되는 현상은 FD 시행 이후
에 더욱 뚜렷하게 나타나고 있는데, 이를 설명하는 회귀모형의 특성변수로는 대표주관사
더미 이외에도 애널리스트의 분석기업수가 중요한 것으로 나타났다. 그래서 각 이익예측
치 정확도 그룹의 매수추천 표본을 애널리스트들의 분석기업수에 따라 다시 5개 그룹으
로 나누어 분석한 결과, 분석기업수가 가장 많은 그룹이 모든 이익예측 정확도 그룹에서
항상 가장 낮은 수익성을 보임으로써 분석기업수가 수익성 반전현상을 주도하고 있음을
확인하였다. 이것은 최근으로 올수록 분석기업수 증가에 따른 분석업무 부담증대가 이익
예측치와 무관한 매수일변도의 상향 추천을 초래하고 있음을 시사하고 있다. 한편 외국
증권사의 매수추천종목은 국내 증권사에 비해 추천의견 제시 후 약 1개월까지는 높은 수
익성을 얻는 것으로 분석되었지만, 추천의견 변경종목에 대해서는 유의한 수익성 차이가
존재하지 않는 것으로 나타나서 국내외 증권사의 추천의견 변경효과를 분석한 김동순, 엄
승섭(2006)의 연구결과와 일치하는 결과를 얻었다. 그밖에 애널리스트 및 분석기업 관련
특성변수들 중에는 소속 증권사의 규모가 크고 분석기업의 시가총액이 작을수록 추천의견
의 수익성은 증가하는 것으로 분석되었다.
이상과 같이 애널리스트 이익예측의 정확성과 추천종목의 수익성 간의 관계와 그에 대
한 이해상충문제의 효과를 다각도로 분석한 본 연구의 결과는 매수일변도인 현재의 애널
리스트 추천의견이 분석기업에 대한 미래 이익예측과 무관하게 제시됨으로써 투자자들의
신뢰를 상실해가고 있음을 실증적으로 보여주고 있다. 이는 매수일변도의 추천의견을 제
시하고 있는 현재의 국내 애널리스트 시장과 관련해서 최근에 제시되고 있는 국내외 비판
이 근거 있는 지적이라는 점을 뒷받침하고 있으며, 이러한 문제점을 해결해야 할 과제를
안고 있는 실무 및 정책당국에게 중요한 시사점을 제공할 것으로 기대된다.
1043

참 고 문 헌
김동순, 엄승섭, “국내외 애널리스트들의 투자의견 및 목표주가 변경이 주가에 미치는 영

향력 분석”, 증권학회지, 제35권 제2호(2006), pp. 75-108.
(Translated in English) Kim, Dong-Soon and Seung-Sub Eum, 2006, The Impact of
Analysts’ Revisions in their Stock Recommendation and Target Prices on
Stock Prices, Asia-Pacific Journal of Financial Studies 35 (2), pp. 75-108.
김성민, 전상경, “공정공시제도 도입이후 기업의 공시행태 및 비기대실적치의 정보효과”,

증권학회지 제34권 제3호(2005), pp. 71-100.
(Translated in English) Kim, Sungmin and Sang-gyung, Jun, 2005, The Study on the
Effectiveness of Regulation Fair Disclosure of Korea with Focus on Disclo-
sure Patterns and Information Contents, Asia-Pacific Journal of Financial
Studies 34 (3), pp. 71-100.
김찬웅, 김경원, “사건연구에서의 주식성과 측정”, 증권학회지, 제20권(1997), pp. 301-

327.
(Translated in English), Kim, Chan-Wing and Kyung Won Kim, 1997, Measuring Se-
curity Price Performance in Event Studies, Asia-Pacific Journal of Financial
Studies 20, pp. 301-327.
변진호, 김근수, “증권사 추천종목의 정보가치와 시장 효율성”, 증권학회지, 제34권 제4호

(2005), pp. 29-67.
(Translated in English) Byun, Jinho and Keun-Soo Kim, 2005, Information Contents in
Securities Companies’ Daily Recommendations, Asia-Pacific Journal of Fi-
nancial Studies 34 (4), pp. 29-67.
이원흠, 최수미, “증권사 애널리스트의 투자등급 변경이 주가수익률 및 거래량에 미치는

영향에 관한 연구”, 증권학회지 제32권 제3호(2003), pp. 1-44.
(Translated in English) Lee, Won Heum and Su mi Choi, 2003, The Effect of Changes
in Analysts’ Investment Recommendation Ranking on Stock Returns and
1044

Trading Volumes, Asia-Pacific Journal of Financial Studies 32 (3), pp. 1-44.
이원흠, 최수미, “공정공시제도 시행이후 기업의 공시행태와 애널리스트의 투자등급 정보

효과 변화에 관한 연구”, 증권학회지, 제33권 제1호(2004), pp. 1-31.
(Translated in English) Lee, Won Heum and Su mi Choi, 2004, Post-Reg FD (Regula-
tion Fair Disclosure) Changes of Firms’ Disclosure Behavior and Analysts’
Investment Recommendations, Asia-Pacific Journal of Financial Studies 33 (1),
pp. 1-31.
Bae, K. H., R. M. Stulz, and H. Tan, 2007, Do Local Analysts Know More? A Cross-
Country Study of the Performance of Local Analysts and Foreign Analysts,
Journal of Financial Economics, Forthcoming.
Bailey, W., H. Li, C. X. Mao, and R. Zhong, 2003, Regulation Fair Disclosure and
Earnings Information: Market, Analyst, and Corporate Responses, Journal of
Finance 58, pp. 2487-2514.
Barber, B. M., R. Lehavy, and B. Trueman, 2007, Comparing the Stock Recommenda-
tion Performance of Investment Banks and Independent Research Firms,
Journal of Financial Economics 85, pp. 490-517.
Conrad, J., B. Cornell, W. R. Landsman, and B. R. Rountree, 2006, How Do Analyst

Recommendations Respond to Major News?, Journal of Financial and Quanti-
tative Analysis 41, pp. 25-49.
Cornett, M. M., H. Tehranian, and A. Yalcin, 2004, Regulation Fair Disclosure and
Credibility of Underwriter Analyst Recommendations, Working Paper, South-
ern Illinois University.
Desai, H. and P. Jain, 1995, An Analysis of the Recommendations of the Superstars

Money Managers at Barrons Annual Roundtable, Journal of Finance 50, pp.
1257-1273.
Dugar, A. and S, Nathan, 1995, The Effect of Investment Banking Relationships on

Financial Analysts’ Earning Forecasts and Investment Recommendations,
Contemporary Accounting Research 12, pp. 131-160.
1045

Eleswarapu, V. R., R. Thompson, and K. Venkataraman, 2004, The Impact of Regula-

tion Fair Disclosure: Trading Costs and Information Asymmetry, Journal of
Financial and Quantitative Analysis 39, pp. 209-226.
Ertimur, Y., J. Sunder, and S. V. Sunder, 2007, Measure for Measure: The Relation
between Forecast Accuracy and Recommendation Profitability of Analysts,
Journal of Accounting Research 45, pp. 567-606.
Heflin, F., K. R. Subramanyam, and Y. Zhang, 2003, Regulation FD and the Financial
Information Environment: Early Evidence, The Accounting Review 78, pp.
1-37.
Hong, H. and J. Kubik, 2003, Analyzing the Analysts: Career Concerns and Biased
Earnings Forecasts, Journal of Finance 58, pp. 313-351.
Lin, H., and M. F. McNichols, 1998, Underwriting Relationships, Analysts’ Earnings

Forecasts and Investment Recommendations, Journal of Accounting and Eco-
nomics 25, pp. 101-127.
Lin, P., S. Smith, and A. Syed, 1990, Security Price Reaction to the Wall Street Jour-
nals Securities Recommendations, Journal of Financial and Quantitative
Analysis 25, pp. 399-410.
Lloyd-Davies and M. Canes, 1978, Stock Prices and the Publication of Second-Hand
Information, Journal of Business 51, pp. 43-56.
Loh, R. K. and G. M. Mian, 2006, Do Accurate Earnings Forecasts Facilitate Superior

Investment Recommendations?, Journal of Financial Economics 80, pp. 455-
483.
MacKinlay, A. C., 1997, Event Studies in Economics and Finance, Journal of Economic
Literature 35, pp. 13-39.
Michaely, R. and K. L. Womack, 1999, Conflict of Interest and the Credibility of Un-
derwriter Analysts Recommendations, Review of Financial Studies 12, pp.
653-686.
Newey, W. K. and K. D. West, 1987, A Simple, Positive Semi-definite, Heteroskedas-
1046

ticity and Autocorrelation Consistent Covariance Matrix, Econometrica 55,

pp. 703-708.
Stickel, S., 1995, The Anatomy of the Performance of Buy and Sell Recommendations,
Financial Analysts Journal 51 (5), pp. 25-29.
Straser, V., 2002, Regulation Fair Disclosure and Information Asymmetry, Working
Paper, University of Notre Dame.
Womack, K. L., 1996, Do Brokerage Analysts’ Recommendations Have Investment

Value?, Journal of Finance 51, pp. 137-167.
1047

애널리스트 이익예측의 정확성과 추천종목의 수익성 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

애널리스트 이익예측의 정확성과 추천종목의 수익성 PDF

Caricato da

Copyright:

Formati disponibili

애널리스트 이익예측의 정확성과 추천종목의 수익성

Earnings Forecast Accuracy and Recommendation Profitability of the Analysts in Korea

출처 한국증권학회지 36(6), 2007.12, 1009-1047(39 pages)

Earnings Forecast Accuracy and Recommendation

Received 23 March 2007; Accepted 21 November 2007

인천대학교 | IP:117.16.225.*** | Accessed 2019/06/19 02:11(KST)

Keywords: Analyst; Earnings forecast accuracy; Recommendation profitability;

인천대학교 | IP:117.16.225.*** | Accessed 2019/06/19 02:11(KST)