Korean J Financ Stud Search

CLOSE


Korean J Financ Stud > Volume 52(5); 2023 > Article
COVID-19로 인한 불확실성 증가가 애널리스트 분석보고서에 미친 영향*

Abstract

This study investigated the implications of Covid-19 induced non-face-to-face remote work environment on analysts’ reports. Employing an empirical analysis of the Korean market from 2016 to 2021, we reveal that research reports during the Covid-19 period exhibit larger prediction errors compared to the pre-Covid era. Despite the reduced accuracy, abnormal trading volumes were observed on the publication dates of reports during this period. Furthermore, these effects are particularly pronounced in reports issued by large brokerage firms with “Buy” recommendations and among foreign investors. Our findings highlight that the pandemic’s non-face-to-face environment has heightened uncertainty in research analysts’ predictions, leading to a decline in reporting accuracy. However, despite these challenges, there is an increase in demand for information from investors, and the impact of the analyst report on the financial market may be greater due to the higher demand for information from investors.

요약

본 논문은 코로나19의 비대면 환경으로 인해 불확실이 증가한 시기에 리서치 애널리스트 분석보고서에 어떠한 변화가 일어났는지 알아보고자 한다. 2016년부터 2021년까지 국내에서 발간된 애널리스트 분석보고서 중에서 21,839건의 표본을 대상으로, 코로나19 전후로 리서치 보고서의 예측 정확성 및 거래량 유발 효과에 차이가 있는지를 검증하였다. 실증분석 결과를 살펴보면, 코로나19 시기에 리서치 보고서의 예측오차가 코로나 시기 이전보다 커졌으며, 분석보고서의 예측 정확성이 낮아졌음에도 불구하고 코로나19 시기의 보고서 발간일에 유의적인 비정상거래량이 관측되었다. 이러한 현상은 리서치 분석보고서의 발행기관이 대형증권사, 투자의견이 매수, 그리고 외국인 투자자에게 있어서 두드러지게 나타났다. 본 연구결과는 코로나 사태의 비대면 환경으로 인해 리서치 애널리스트의 미래 추정에 있어서 예측 불확실성이 증가함으로 인해 분석보고서의 예측 정확성이 떨어졌음에도 불구하고, 투자자들의 정보에 대한 수요는 오히려 증가하였고 분석보고서가 시장에 미치는 영향력도 커질 수 있음을 보여준다.

1. 서론

2020년 초 창궐한 코로나바이러스감염증-19(COVID-19, 이하 코로나19)는 글로벌 경제에 유례없는 영향을 미쳤다. 전 세계 많은 지역에서 봉쇄조치(lockdown)가 이루어지면서 기업의 생산활동이 억제되었고, 재택근무나 화상회의 등 비대면 업무환경이 조성되었다. 주요국에서는 코로나19로 인한 경기둔화를 막기 위해 금리인하를 포함한 강력한 재정정책을 실시하였으며, 우리나라와 프랑스, 이탈리아, 대만 등 일부국가에서는 증시 급락을 방어하기 위해 한시적 공매도제한조치를 실시하였다. 코로나19 이후 증시의 급락과 반등 그리고 저금리 상황에서 개인투자자의 주식시장 참여가 크게 증가하였으며, 투자 경험이 없는 20~30대 젊은 투자자들이 주식시장에 대거 유입되고, 시장의 변동성과 불확실성이 동시에 커졌다(Kim and Kim, 2022).
코로나19는 리서치 애널리스트의 업무에도 변화를 주었다. 리서치 애널리스트는 기업의 공시자료와 비공식적인 정보를 수집하고 분석하여 이익과 주가를 예측하며, 추천 종목을 제시하는 업무를 한다. 리서치 애널리스트가 작성한 분석보고서는 주식시장에서 투자자와 대상 기업간 정보 비대칭 문제를 해소하는데 기여한다(Lee, 2019; Moyer et al., 1989). 그러나 리서치 애널리스트들이 분석대상 기업과의 지속적인 관계유지를 위해 낙관적인 예측을 제공하거나(Barber et al., 2007), 소속증권회사의 중개수수료 수익을 높이기 위해 투자자들에게 선별적으로 사전에 정보를 제공한다는 비판(Irvine, 2007)이 존재하기도 한다. 리서치 애널리스트가 자본시장의 정보제공자이자 정보중개자로서 중요한 역할을 하고 있기에, 코로나19와 같이 주식시장의 변동성이 커지는 경우 리서치 애널리스트의 중요성이 더 부각될 수 있다. 불확실한 예측상황에서 개별기업이 제공하는 공시정보의 정확성이 떨어질 수 있으며, 투자자들은 리서치 분석 보고서를 통해 대상 기업에 대한 깊이 있는 정보를 얻고 싶어하기 때문이다(Amiram et al., 2018). 그러나 리서치 애널리스트는 변동성이 높은 상황에서 자신의 예측 정확성이 떨어지는 것을 우려하여, 이익예측치를 발표하지 않거나(Song and Byun, 2013), 정확한 예측이 가능한 소수의 기업위주로 커버리지를 줄이는 경향이 있다(Kim and Yoo, 2022).
코로나19로 물리적인 만남이 제한된 상황에서 리서치 애널리스트는 정보수집에 지장을 겪었을 것이다. Bratton and Wójcik(2022)는 코로나19 당시 강력한 봉쇄조치가 시행된 한국, 싱가포르, 홍콩, 중국, 대만 등 아시아지역 리서치 애널리스트 70명을 대상으로 설문조사를 실시하였는데, 전화 화상회의 등 비대면 업무환경에서 리서치 애널리스트가 수집할 수 있는 정보의 양과 질이 코로나19 이전과 비교하여 실제로 50%~80% 수준에 불과하다고 주장하였다. 비대면 업무환경은 리서치 애널리스트의 활동에 제약을 주었고, 이는 분석보고서의 예측력에도 영향을 주었을 것이다. Frankel et al.(2006)의 연구에 따르면 미국 주식시장에서 투자자들의 투자대상에 대한 정보수요가 높으며, 리서치 애널리스트는 정보력 있는 보고서를 제공할 때 얻을 수 있는 효익이 크다. 그러나 Kim(2012) 연구에서, 국내시장은 리서치 애널리스트가 보고서에 유익한 투자정보를 제공할 유인이 크지 않으며, 정보제공 비용이 높아질수록 보고서의 정보력은 떨어지는 것으로 나타났다. 한편 Jackson(2005)은 리서치보고서가 긍정적인 예측을 담고 있을수록 해당 종목의 거래량이 증가하며, Lehmer et al.(2022)은 S&P 1500 기업을 대상으로 한 연구에서 보고서의 예측 정확성이 높을수록 비정상 거래량을 증가시킨다는 것을 발견하였다. 국내 Lee and Choi(2003) 연구에서도 리서치 보고서의 투자의견 변경이 거래량 변화에 영향을 주는 것으로 나타났다. 코로나19 이후 주식시장의 유동성이 급격하게 증가하고, 불확실성 증가에 따른 리서치 분석보고서의 예측 정확성이 낮아졌을 것으로 예상되는 상황에서, 리서치 분석보고서가 주식시장에 미친 영향력을 살펴볼 필요가 있다.
본 연구는 2016년 1월부터 2021년 12월까지 FnGuide의 WiseReport에 제시된 국내 증권회사 10개사의 리서치 분석보고서를 이용하여, 코로나19 전후 보고서의 예측 정확성 변화 및 보고서가 주식거래량에 미치는 영향을 살펴보았다. 국내에서는 2020년 1월 20일 첫 코로나19 확진자가 발생하였으며, 2021년 11월 1일부터 단계적 일상회복을 실시하고, 2022년 4월 18일 사회적 거리 두기 전면해제1)가 이루어졌다. 이에 본 연구는 2020년 1월부터 2021년 12월까지를 ‘코로나19 이후’ 시기로 정의하였고, 2016년 1월부터 2018년 12월까지를 ‘코로나19 이전’ 시기로 정의하였다. 다만, 2019년에 작성된 분석보고서는 2020년도의 코로나19 충격으로 인해 시장이 크게 영향을 받았을 것으로 판단하여 실증분석에서 제외하였다.
리서치 애널리스트 분석보고서의 예측 정확성을 측정하기 위해 본 연구에서는 Koh and Kim(2007)의 실제 EPS와 예측 EPS를 비교하는 방법 및 Bilinski et al.(2013)의 실제주가와 목표주가의 차이를 살펴보는 두 가지 방법을 사용하였다. 일반적으로 리서치 애널리스트는 거래량을 유발하려는 의도로 통상 과대예측을 하는 경향이 있다. 그러나 코로나19 이후 시장에 대량으로 유입된 유동성 증가로 인한 시장의 급반등을 예상하지 못하고 시장 충격에 대응하여 보수적인 예측을 하였을 가능성을 검토하였다. 추가적으로 Chang and Choi(2017)와 같이 리서치 보고서가 해당주식의 거래량에 미치는 영향을 살펴보기 위해, 보고서 발간 당일의 비정상거래량을 측정하였다. 또한 코로나19 이후 리서치 분석보고서의 예측오차가 커질 것으로 예상되는 상황에서, 분석보고서의 예측 정확성과 비정상거래량 간의 관계를 살펴보기 위해 개인투자자 및 외국인투자자의 순매수량, 분석보고서의 수, 분석대상 종목의 규모 등을 통제변수로 분석하였다.
주요 실증결과는 다음과 같다. 리서치 애널리스트가 분석보고서에서 예측한 EPS 및 목표주가와 1년 뒤 실제 EPS 및 실제 주가의 차이는 코로나19 이전보다 코로나19 이후에 크게 나타나 분석보고서의 예측 정확성이 떨어진 것으로 나타났다. 코로나19는 1997년 외환위기나 2008년 금융위기와는 달리 충격으로 인한 주식시장의 급락 이후 빠르게 반등을 하였기에, 리서치 애널리스트들의 예측 성향은 기존의 과대예측에 비해 보수적이었던 것으로 나타났다. 분석보고서의 거래량 유발 효과와 관련하여, 애널리스트 소속 증권회사가 대형사인 경우 비정상거래량은 코로나19 이후 증가하였으나, 중소형사인 경우에는 코로나19 전후로 큰 차이가 없었다. 리서치 보고서의 투자의견이 ‘매수(Buy)’인 경우 비정상거래량은 코로나19 이후 더 커졌으나, 투자의견이 ‘유지(Hold)’인 경우 비정상거래량은 코로나19 이전과 이후가 큰 차이가 없었다. 코로나19로 애널리스트 분석보고서의 예측오차가 커졌음에도 불구하고 비정상거래량이 증가한 것이다. 예측 정확성과 비정상 거래량 간의 관계를 회귀분석을 통해 알아보았다. 예측 정확성이 클수록 비정상거래량이 증가할 것이라는 예상과 달리 통계적인 유의성을 찾을 수는 없었다. 특히 코로나19 시기에 정보의 정확성이 거래량에 미치는 영향은 약화된 것으로 판단된다. 다만 외국인 투자자는 분석보고서 발간 당일에 순매수하는 경향을 나타내어 분석보고서에 대한 정보 수요가 큰 것으로 보인다.
코로나19로 인한 비대면 환경은 주식시장의 불확실성을 증가시켰다. 본 연구는 코로나19로 인해 리서치 애널리스트의 행동, 분석보고서의 예측 정확성, 그리고 비정상거래량 등이 어떤 영향을 받았는지를 분석하였다. 과거의 시장 위기와는 달리 코로나19는 사람 사이의 물리적인 이동 및 접촉의 제약을 발생시켰으며, 국내 시장에만 국한된 영향이 아닌 전 세계적 위기상황이었고, 주식시장의 움직임도 짧은 시간에 급락 후 반등하였다는 점에서 차이가 있다. 이에 따라 본 연구는 IMF 외환위기나 2008년 금융위기의 경제충격이 애널리스트의 예측에 미치는 영향을 분석한 기존의 연구와 차별성을 가진다. 우선 선행연구는 주로 분석보고서가 주가에 미치는 영향을 분석하였으나, 본 연구는 분석보고서가 거래량을 유발하는지를 살펴보기 위해 비정상거래량에 미치는 영향을 분석했다는 점에서 의미가 있다. 또한 리서치 애널리스트는 일반적으로 과대예측 성향을 가진 것으로 알려져 있으나, 코로나19 시기의 주식시장의 급락과 반등으로 인해 불확실성이 증가한 환경에서 보수적인 예측 성향을 보였다는 결과는 애널리스트 행동 분석에 추가적인 시사점을 준다.
본 논문의 구성은 다음과 같다. 제2장에서는 국내 증권회사 현황과 리서치 애널리스트 분석보고서의 예측 정확성과 거래량 유발에 관한 선행연구를 살펴보고 가설을 설정한다. 제3장에서는 연구방법과 연구모형을 제시하며, 제4장에서는 연구모형을 실증 분석하여, 코로나19가 리서치 애널리스트 분석보고서에 미친 영향을 살펴본다. 마지막으로 제5장에서는 본 논문의 결론 및 시사점을 제시한다.

2. 국내 증권업 현황 및 선행연구

2.1 국내 증권업 현황

2.1.1 증권회사 현황

금융감독원에 따르면,2) 2023년 3월 말 현재 국내에서 영업중인 증권회사는 60개, 점포수는 877개이다. 2015년 말 증권회사가 56개, 점포 수 1,111개였던 것과 비교하면 증권회사 수가 증가하고 점포수는 크게 감소하였다. HTS, MTS의 발달로 고객이 직접 투자하는 사례가 증가하였으며, 증권회사별 디지털 전환 추세에 따라 점포 통폐합이 이루어지고 있기 때문이다.
국내 증권회사 총 자기자본 규모는 2015년 말 39.5조 원에서 2023년 3월 말 79.6조로 2배 가까이 증가하였다. 정부에서는 2016년 초대형투자은행(IB) 육성정책을 실시하면서 자기자본 4조 원 이상의 증권회사에는 발행어음3) 업무를 허용하여 기업금융을 위한 유동성을 확보할 수 있도록 하였다. 또한 증권회사가 자기자본 8조 원 이상인 경우 종합투자계좌4) (IMA, Investment Management Account) 관리업무를 허용하였다. 종합투자계좌는 증권회사가 고객으로부터 예탁 받은 금전을 통합하고 운용하고 그 수익을 지급하는 계좌로, 증권회사가 원금보장을 하게 되어 있다. 투자자는 증권회사의 신용위험에 노출되기에, 충분한 자기자본을 갖춘 기업에만 부여될 수 있는 것이 특징이다. 자기자본 4조 원 이상인 증권회사는 2015년 4개사에서 2022년 9개사로 증가하였으며, 미래에셋증권에 이어 한국투자증권이 2023년 6월 자기자본 8조 원을 초과하여 종합투자계좌를 개설할 수 있는 외형요건을 보유하였다.
<그림 1>
증권회사 ROE 추이
출처: 금융감독원 금융통계정보시스템.
kjfs-52-5-787-g001.jpg
2023년 3월 말 국내 증권회사 전체 ROE는 4.83%로, 2015년 6.76% 대비 하락하였으며, 코로나19로 주식시장의 유동성이 풍부했던 2021년의 11.33%와 비교하면 더욱 큰 폭으로 하락하였다. 자기자본 4조 원 이상 대형 증권회사들의 ROE는 증권회사 전체 ROE보다 평균 1% 이상 높으며, 2021년에는 대형 증권회사 ROE가 전체 대비 약 1.81% 높다. 코로나19로 수익성 전반적으로 개선되었으며, 특히 초대형 증권회사들의 개선폭이 더 컸음을 알 수 있다.

2.1.2 증권회사 수익현황

2023년 6월 말 현재 주식거래 활동 계좌 수는 6,500만 좌로 2015년 말 대비 약 3배 증가하였으며, 2020년 말 대비하여도 약 1.84배가 증가하였다. 코스피와 코스닥 거래대금도 2015년 말과 비교하면 약 3배 이상 증가하였으나, 코로나19 당시 풍부한 유동성으로 거래가 활발했던 2020년~2021년 대비하면 약 절반수준이다. 주식거래계좌수의 꾸준한 증가에도 불구하고, 코로나19 이후 유동성랠리가 멈추고 시장이 하락하면서 거래대금은 줄어들었다.
<그림 2>
주식거래 활동 계좌 수 추이
출처: 금융투자협회, KRX정보데이터시스템.
kjfs-52-5-787-g002.jpg
국내 증권회사 전체 매출액인 영업수익은 2015년 53.7조 원에서 2022년 215.3조 원까지 증가하였고, 수수료수익은 2015년 6.6조 원에서 2022년 11.9조 원까지 증가하였다. 그러나 영업수익에서 수수료수익이 차지하는 비중은 2015년 12.4%에서 2022년 5.6%, 2023년 3월 말 3.4%까지 하락하였는데, 같은 기간 파생상품관련 수익비중이 40%에서 64.4%까지 증가하며 증권회사 수익구조에 변화가 나타난 것을 알 수 있다. 수수료수익에서 수탁수수료가 차지하는 비중도 2015년 54.3%에서 2022년 35.3%, 2023년 3월 말 41.8%로 감소하였으며, 같은 기간 채무보증, 집합투자증권 취급수수료, 증권인수 및 주선, M&A수수료 등이 증가하였다. 수탁수수료율 또한 2015년 평균 2.19bps에서 2022년 평균 1.16bps로 하락하였는데, 주식거래 유입을 증가시키기 위해 증권회사들이 경쟁적으로 수수료율을 인하한 영향으로 생각된다.
<그림 3>
증권사 영업수익 현황
출처: 금융감독원 금융통계정보시스템.
kjfs-52-5-787-g003.jpg
<그림 4>
증권회사 수익구조
출처: 금융감독원 금융통계정보시스템.
kjfs-52-5-787-g004.jpg
<그림 5>
항목별 수수료비중
출처: 금융감독원 금융통계정보시스템.
kjfs-52-5-787-g005.jpg

2.1.3 증권사 리서치 분석보고서 현황

FnGuide에 따르면, 국내 증권사 연간 리서치 분석보고서 발간 건수는 2015년 총 92,545건에서 2022년 70,102건으로 약 25% 감소하였으며, 2023년 6월 말 기준 35,201건으로 전년과 비슷한 수준을 유지할 것으로 예상한다. 자기자본 4조 원 이상인 초대형증권사 9개사의 연간 리서치보고서 발간 건수도 2015년 38,576건에서 2022년 31,339건으로 약 20% 감소하였으며, 2023년 6월 말까지 16,567건이다. 리서치 분석보고서의 대상이 되는 상장기업 수는 2023년 6월 말 총 2,481개(유가증권 834, 코스닥 1,647)로 2015년 말 1,922개(유가증권 770, 코스닥 1,152)대비 20% 이상 증가하였다. 전체 리서치 분석보고서의 합계를 연도별 상장기업 수로 나누면 2015년 48.2건에서 2022년 28.8건, 2023년 예상 28.4건으로 상장기업에 대한 리서치 보고서 발간 건수가 지속적으로 감소하고 있다.
<그림 6>
상장기업 수와 기업당 리서치보고서 수
출처: KRX정보데이터시스템, FnGuide.
kjfs-52-5-787-g006.jpg
<그림 7>
리서치 애널리스트 수와 1인당 보고서 발간 건수
출처: 금융투자협회 통계시스템, FnGuide.
kjfs-52-5-787-g007.jpg
리서치 애널리스트 수도 감소하고 있다. 2023년 6월 말 금융투자협회에 금융투자분석사6)로 등록된 인원은 총 1,073명으로 2015년의 1,192명 대비 하락하였다. 애널리스트 1인당 리서치 분석보고서 평균 발간 건수도 2015년 77.6건에서 2022년 말 65.8건으로 하락하여, 주식시장에 전반적으로 애널리스트의 커버리지가 줄어들고 있는 것으로 해석된다. 리서치 분석보고서 및 애널리스트 수의 감소는 증권회사의 수익구조 변화와 관련이 있을 수 있다. 통상 리서치 애널리스트와 분석보고서는 자산운용사, 연기금, 보험사 등 기관투자자 상대로 주식위탁매매영업을 하는 마케팅 수단으로 많이 이용되었으나, 전체 영업수익에서 수탁수수료가 차지하는 비중이 감소하면서, 리서치 애널리스트의 위상도 과거대비 하락한 것으로 보인다. 수익구조의 다변화, HTS와 MTS를 활용한 고객 직접투자의 증가 및 SNS와 유튜브 등의 발달로 투자자들이 정보를 얻는 매체가 다양해지고 있는 것도 분석보고서 발간 건수 및 애널리스트 수 감소의 원인일 것이다.

2.2 선행연구 및 가설 설정

2.2.1 리서치 분석보고서의 예측 정확성

리서치 애널리스트는 정확한 예측정보를 제공하여 애널리스트로서 평판을 높이려는 목적과 투자대상 기업의 거래량을 늘려 소속 증권회사의 수수료 수익을 높이려는 목적 사이에서 이해상충을 겪는다(Jackson, 2005, Chang and Choi, 2017). Amiram et al.(2108)에 따르면 자본시장의 변동성이 클수록 투자자들의 애널리스트 분석보고서에 대한 의존도는 높아지는 것으로 나타났으며, Frankel et al.(2006)은 미국시장에서 투자자의 정보수요가 높을수록, 리서치 애널리스트가 분석보고서에 담는 정보의 질이 좋아진다는 것을 발견하였다. 한편, 국내시장을 대상으로 한 Kim(2012)연구에서 애널리스트의 정보공급비용이 리서치 보고서의 정보력을 결정하는 것으로 나타났다. 개인투자자 비중이 높은 국내시장에서 투자자들의 정보수요가 높지 않아, 리서치 분석보고서상 예측치가 유사한 값을 띄는 것이라고 설명했다. 리서치 보고서의 정보력을 정보접근성과 관련하여 연구한 사례들도 다수 존재한다. Kim and Eum(2008)에 따르면 리서치 애널리스트들이 분석대상 기업 본사가 지방인 경우 서울소재 기업에 비해 과대 예측하는 경향이 있다. Shin et al.(2004)은 1997년 외환위기 이후 국내 기업의 정보비대칭성이 줄어들면서 리서치 애널리스트의 이익예측오차가 줄어든 것을 발견하였다. Song and Byun(2013)은 2008년 금융위기 상황에서 리서치 애널리스트들이 예측치 발표를 줄이거나, 기존의 예측을 반복하여 발표하는 경향을 발견하였다. 코로나19를 대상으로 한 최근 연구에서도 Kim and Yoo(2022)은 코로나19 이후 애널리스트들이 예측치 발표를 줄이거나, 정확한 예측이 가능한 기업위주로 커버리지를 조정하는 것을 발견하였다. Bratton and Wójcik(2022)에서와 같이 코로나19 이후 비대면 업무환경이 펼쳐지면서, 리서치 애널리스트들의 정보수집이 어려워지고 분석대상 기업에 대한 이해도가 떨어졌을 수 있다. 이에 본 논문은 시장에서 코로나19 이후 시장의 불확실성이 높은 상황에서 국내에서 발간된 리서치보고서의 예측 정확성이 어떻게 변화하였는지 가설 1-1을 통해 확인해 보고자 한다.
코로나19 시기는 과거 금융위기와는 달리 주식시장이 급락한 후, 정부의 재정확대 정책에 따른 유동성 장세로 인해 다시 빠르게 급등하는 특이한 현상이 나타났다. 리서치 애널리스트들이 시장의 이런 예상치 못한 변동성을 미처 예측하지 못하고 긍정적인 정보를 분석보고서에 충분히 반영하지 못했을 가능성이 있다. 애널리스트로서 평판 리스크를 우려하여 코로나19 시기의 이익 예측치를 평소의 성향과 달리 보수적으로 발표하였다면, 실제 성과와의 차이가 크게 나타나 예측오차는 증가할 것으로 예상된다. 이에 따라 가설 1-2를 설정하였다.
가설 1-1: 코로나19 이후 분석보고서의 예측 정확성은 코로나19 이전보다 떨어진다.
가설 1-2: 분석보고서의 예측 오차가 양(+)의 값을 가지는 비율인 예측 보수성비율이 코로나19 이전에 비해 코로나19 시기에 증가할 것이다.

2.2.2 리서치 분석보고서의 거래량 유발효과

Chang and Choi(2017) 연구에서 리서치 분석보고서의 예측 정확성과 소속 증권회사의 수익창출 간에 이해상충이 발생함에도 불구하고, 리서치 보고서는 과대예측을 통해 거래량을 늘리는 효과가 있는 것으로 나타났다. 국내 연구에서 Lee and Choi(2003)는 애널리스트의 투자등급 변경이 거래량에 영향을 주며, 소속증권사가 대형이고, 애널리스트가 베스트 애널리스트 일수록 거래량 변화에 미치는 효과가 큼을 발견하였다. Kim(2012)은 리서치 분석보고서 발표일에 초과수익율과 비정상거래량 같은 시장반응이 나타났는데, 2008년 금융위기로 인한 시장침체기에 그 이전보다 반응이 작게 나타났다. 코로나19 시기는 이전의 금융위기와 달리 변동성이 매우 큰 시장이었고, 이동제한과 소통 부족 등으로 인해 투자자들이 정보에 대한 수요가 상대적으로 높은 시기였다. 따라서 본 논문은 분석보고서가 투자대상 기업에 대한 비정상거래를 유발하는 효과가 코로나19 이전보다 커질 것이라는 가설을 설정하였다.
가설 2-1: 분석보고서 발간은 해당 종목의 비정상거래량을 발생시킨다.
가설 2-2: 분석보고서 발간에 따른 비정상거래 유발 효과는 코로나19 이전에 비해 코로나19 시기에 증가할 것이다.

2.2.3 투자자별 정보우위 가설과 애널리스트 분석보고서의 분포

코로나19 이후 리서치 애널리스트의 예측오차가 커졌음에도, 리서치 분석보고서가 비정상거래량을 유발한다면, 리서치 분석보고서의 예측 정확성과 비정상거래량에 영향을 미치는 요소들을 살펴볼 필요가 있다. 리서치 애널리스트는 시장에서 정보비대칭을 해소하는 역할을 하는 것으로 알려져 있다. Roulstone(2003)은 시장의 유동성과 애널리스트 수가 관련이 있으며, Kim et al.(2003)은 애널리스트 수는 기관투자자 지분율, 외국인투자비율 및 기업규모와 양(+)의 관계가 있음을 발견하였다. 코로나19 이후 시장의 유동성이 커진 상황에서 리서치 분석보고서가 비정상거래를 유발하는 효과는 대상기업을 커버하는 애널리스트의 숫자와 대상기업의 규모와 관련이 있을 수 있다. 이에 다음과 같은 가설을 설정한다.
가설 3-1: 분석보고서의 예측 정확성과 비정상거래량은 양(+)의 상관관계를 가질 것이다.
가설 3-2: 분석대상 종목에 대한 애널리스트 분석보고서의 수(coverage)와 비정상거래량은 양(+)의 상관관계를 가질 것이다.
그밖에, 투자자 특성에 따라 코로나19 이전과 이후 애널리스트 분석보고서에 대한 반응이 투자자별로 달라질 수 있을 것이다. Kim and Cheon(2004)은 연구에서는 국내 주식시장에서 외국인투자자와 기관투자자가 개인투자자 대비 초과수익율을 기록하였으며, Kim and Ohk(2015)에서도 선물시장에서 외국인 투자자의 정보우위 가설이 지지되었다. 또한 Lim and Yoon(2017)은 유상증자 공시일 전후로 기관 및 외국인투자자와 개인투자자의 비정상거래량과 순매도를 분석하였다. 선행 연구들에서 투자자들은 정보를 취득하고 이를 투자의사결정에 반영하는 과정에서 서로 같거나 다른 행태를 보이는데, 본 연구는 애널리스트 분석보고서 발간이 투자자별 매매행태에 어떠한 영향을 미치고, 코로나19 전후로 차이가 나타나는지를 살펴보기 위하여 예측 정확성을 포함한 분석보고서 관련 변수들과 투자자별 순매수비중의 관계를 분석하였다.
가설 4-1: 애널리스트 분석보고서의 발간은 기관투자자 및 외국인투자자의 순매수에 영향을 미칠 것이다.

3. 연구방법과 연구모형

3.1 표본 및 연구기간의 설정

본 연구는 FnGuide의 Wise Report를 이용하여 애널리스트 분석보고서 데이터를 수집하였다. 연구의 분석기간은 2016년부터 2021년까지이며, 2016년부터 2018년까지를 코로나19 이전 기간, 2020년부터 2021년까지를 코로나19 이후 기간으로 구분하였다.7) 애널리스트 분석보고서는 제공 증권회사의 규모에 따라 분석능력이나 보고서발행 유발 요인이 다를 것이라고 판단하여 2021년 말 기준 총자산(규모) 기준 상위 5개 증권회사(미래에셋, NH, 한국투자, 삼성, KB)와 하위 5개 증권회사(SK, DB, 이베스트, 유진, 현대차)에서 보고서 발행 수 기준 상위 5명의 애널리스트를 선정하였다. 각 증권사별 애널리스트 인원 수, 커버리지 종목 및 분석보고서 발간주기가 상이하며, 일부 종목에 대해서는 커버하는 애널리스트 인원 수가 너무 적어지기에 이 부분을 통제하기 위하여 본 연구에서는 각 증권사별 보고서 발행 수 기준 상위 5명의 애널리스트를 대상으로 하여 증권사 특성에 따른 차이를 분석하였다. 총 10개사에서 각각 5명의 리서치 애널리스트가 발행한 보고서를 기준으로 하였으며, 그 중 12월 말 결산법인이 아닌 곳, 리서치 애널리스트 수 15명 미만인 곳은 제외하였다. 이렇게 수집한 리서치 분석보고서 중 대상기업이 비상장 또는 상장폐지 기업이거나, 보고서 상 예측정보가 없는 투자의견 없음, 전일 종가 없음, 목표주가 없음, EPS 없음인 보고서를 제외하였으며, 국문보고서와 내용이 중복된 영문보고서를 제외하여 분석 대상기간 동안 총 21,839건의 표본을 수집하였다.
종목별 주가 및 해당 기업의 재무자료는 FnGuide의 Dataguide를 이용하였다. <표 2>는 연도별 분석보고서 수와 각 보고서의 투자의견을 정리한 표이다. 발행된 보고서 수는 대형사와 중소형사 간 큰 차이가 나타나지 않았으며, 투자의견은 코로나19이전과 이후 차이 없이 대부분 매수(Buy)로 나타났다. 한편 매도(Sell)의견은 코로나19 이전과 코로나19 이후 모두 거의 나타나지 않았기에 분석의 대상에서 제외하였다.
<표 1>
2022년 말 자기자본 4조 원 이상 증권회사 현황
자기자본 (백만원) 영업수익 (백만원) ROE (%) 점포수 (개) 임직원수 (명) 애널리스트 (명)
미래에셋 9,095,579 16,761,431 4.37% 91 3,597 44
NH 6,852,589 12,058,804 4.94% 80 3,114 129
한국투자5) 6,552,834 22,895,156 6.31% 79 2,978 62
삼성 5,979,697 13,122,030 6.31% 35 2,594 66
하나 5,847,683 12,880,893 2.66% 56 1,808 55
KB 5,815,539 13,976,812 2.93% 110 3,018 61
메리츠 5,371,796 56,163,952 14.32% 8 1,589 33
신한 5,238,218 10,414,191 7.06% 82 2,662 71
키움 4,069,143 8,031,651 12.12% 4 907 39

합계 54,823,078 166,304,920 545 22,267 560

출처: 금융감독원 금융통계정보시스템, 금융투자협회.

<표 2>
연도별 애널리스트 투자의견 추이
전체 대형사 중소형사



Buy Hold 합계 Buy Hold 합계 Buy Hold 합계
2016 4,541 406 4,947 2,298 140 2,438 2,243 266 2,509
2017 4,258 463 4,721 2,174 249 2,423 2,084 214 2,298
2018 3,898 396 4,294 2,040 251 2,291 1,858 145 2,003
2020 3,709 425 4,134 1,877 213 2,090 1,832 212 2,044
2021 3,494 249 3,743 1,725 108 1,833 1,769 141 1,910
Total 19,900 1,939 21,839 10,114 961 11,075 9,786 978 10,764

3.2 변수측정

3.2.1 애널리스트 분석보고서 예측오차

본 연구는 애널리스트 분석보고서에 제시된 주당순이익(EPS)과 목표주가(Target Price)를 이용하여 예측의 정확성을 측정하였다. 첫 번째 방법은 Koh and Kim(2007)의 방법론으로, 실제 EPS와 예측 EPS의 차이의 절대값을 리포트 발행 당일 주가로 나누어 EPS예측 오차를 측정한다. EPS_Errori,j,t 는 기업 i에 대하여 애널리스트 jt시점에서 측정한 이익예측 오차의 절대값을 기업 it시점의 종가로 조정하여 예측 오차의 기업별, 시점별 이분산성을 고려해 측정하였다.
EPSErrori,j,t=|실제 EPSi,jt예측EPSijt주가 i,j,t
예측 정확성 측정을 위한 두 번째 방법은 Bilinski et al.(2013)에서 사용된 측정방법으로 애널리스트가 분석보고서에서 제시한 목표주가와 보고서 발간일로부터 12개월이 경과한 날의 종가 차이의 절대값을 분석보고서 발간 당일 종가로 나누어 측정하였다. Bilinski et al.(2013)에 따르면 목표주가는 리서치 애널리스트가 대상기업의 이익과 위험요소를 장기간 관찰하여 산출하는 값으로, EPS 예측이 유사하더라도 목표주가는 기업의 특성과 리서치 애널리스트의 예측능력에 따라 달라질 수 있다. 이에 본 연구에서도 애널리스트 분석보고서의 예측 오차 측정 방법인 EPS 예측 오차와 비교분석을 위해 목표주가 예측오차를 추가로 분석하였다. 두 가지 방법으로 측정한 예측오차는 그 크기가 클수록, 애널리스트의 예측 정확성은 떨어진다는 것을 의미한다.
TP_Errori,j,t=|TPi,jtPi,t|Ps

3.2.2 애널리스트 분석보고서 예측 보수성

코로나19 이후 리서치 애널리스트의 예측 정확성이 떨어졌을 것이라는 <가설 1-1>을 설명해 주는 여러 가지 원인이 있을 것이다. 비대면 환경으로 인한 정보 접근성의 감소와 원활한 개인 간 의사소통의 부재와 더불어 주식시장 및 경제환경의 높아진 불확실성을 들 수 있다. 매수와 매도 의견 사이의 극단적인 비대칭성에서 확인할 수 있듯이, 애널리스트 분석보고서는 긍정적인 의견이 주류를 이루는 경향이 있다. Chang and Choi(2017)에 따르면 리서치 애널리스트는 분석대상 기업에 대해 과대예측을 하는 경향이 있으며, Song and Byun(2013)은 2008년 금융위기 당시 애널리스트들이 분석보고서에 부정적인 정보를 늦게 반영하는 것을 발견하였다. 그러나 <가설 1-2>에서 제시하듯이, 애널리스트는 변동성이 심한 코로나19 이후 시기에 보수적인 예측을 했을 가능성이 있다. 본 연구는 예측 보수성비율(forecasting conservative ratio)로 이러한 애널리스트의 행태를 검토하려고 한다. 코로나19 이전과 이후 각각의 시기에 전체 리서치 분석보고서에서 보고서 발간 당일의 예측치와 1년 뒤 실적치 사이의 예측오차가 양(+)의 값을 가질 때의 비율을 측정한다. 실제 EPS에서 예측 EPS를 차감한 값이 0보다 큰 경우 그리고 실제주가와 목표주가의 차이가 0보다 큰 경우의 비율을 애널리스트의 예측 보수성 비율로 정의하고 코로나19 이후 리서치 애널리스트가 예측에 대해 과소평가하였는지 알아보려고 한다.
EPS_cons(%)=[실제EPS예측EPS]>0인경우전체분석보고서의수TP_cons(%)=[실제주가목표주가]>0인경우전체분석보고서의수

3.2.3 비정상거래량

리서치 분석보고서가 거래량에 주는 반응을 살펴보기 위해 Chang and Choi(2017)의 방법에 따라 비정상 거래량(abnormal trading volume, ABV)을 측정하였다. 비정상 거래량은 분석보고서 발간 당일의 거래량과 보고서 발간 이전 30일간의 평균거래량으로 측정한 예상 거래량의 차이이다. 본 연구는 Chang and Choi(2017)와 같이 보고서 발간일 거래량의 로그값과 보고서 발간 35일부터 6일 전까지의 평균 거래량 로그값의 차이를 사용하여 비정상거래량을 측정하였다.
ABVi,j,t=log(거래량i,j,t=0)log(거래량i,j,t=356)

3.2.4 순매수비율

국내 시장에서 개인투자자에 비해 외국인 투자자와 기관투자자의 초과수익율에 대해 Kim and Cheon(2004)은 우수한 투자전략을 원인으로 보았으며, Kim and Ohk(2015)은 외국인 투자자가 정보우위를 지닌다고 보았다. Lim and Yoon(2017)의 연구에서도 투자자 특성에 따른 거래행태를 사전정보 취득 혹은 뛰어난 분석능력에 따른 것으로 보았다. 이에 애널리스트 보고서의 특성과 투자자별 매매행태 간의 관계를 알아보기 위하여, 본 연구에서는 Kim and Cheon(2004), Park and Lee(2019)의 방법을 이용하여 투자자별 순매수비율을 측정하였다. 이 때 기업 간 발행주식수의 차이를 통제하기 위해 일별 순매수량을 발행주식수로 나누었다.
순매수비율(%)=투자자별순매수량t=보고서발간일발행주식수t=보고서발간일×100

3.2.5 기타 통제변수

본 연구는 비정상 거래량과 애널리스트 분석보고서 예측 오차와의 관계에 영향을 줄 수 있는 변수들을 통제변수로 분석에 포함하였다. 애널리스트의 예측 오차는 분석대상 기업에 대한 정보 수집이 용이할수록 줄어들 것이다. 따라서 분석대상기업의 규모가 클수록, 분석대상 기업에 대해 발행된 리서치보고서 수가 많을수록 예측 오차가 줄어들 것으로 예상하며, 리서치보고서 수(REPORT)는 t시점에 i기업에 대해 발행된 총 리포트의 수를 의미하며, 분석대상기업의 규모는 기업의 총자산을 자연로그를 취해 측정하였다.

3.3 연구모형

Chang and Choi(2017)는8) 시장의 변동성과 애널리스트 예측오차 및 관측기간이 비정상거래량에 미치는 영향을 회귀 분석을 통해 연구하였다. 또한, Kim(2012)연구는9) 애널리스트의 낙관적 추정과 비정상거래량 사이에 양의관계가 존재하며 금융위기 이전보다 이후시기에 더 강한 연관성을 가짐을 밝혔다. 본 연구는 선행연구의 분석방법을 활용하여, 코로나19 전후 리서치 애널리스트의 예측 정확성과 비정상 거래량과의 관계를 알아보기 위한 다음과 같은 모형을 제시한다. 예측 정확성을 측정한 예측오차의 평균값은 EPS와 목표주가(TP)의 두 가지 방법을 이용해 측정하였으며, 코로나 시기 이전과 이후 더미 변수(COVID_D)와 예측 정확성의 교차항을 통해 코로나 시기 예측오차가 높을수록 비정상 거래량의 변화가 어떻게 달라지는지 확인할 수 있다. 또한, 코로나19 전후로 애널리스트 보고서의 수가 비정상거래량에 미치는 영향을 더미변수(COVID_D)와 리포트수의 교차항으로 확인하였다.
(1)
ABVi,j,t=intercept +β1EPS(TP)_Errori,j,t+β2COVID_D*EPS(TP)_Errori,j,t                +β3COVID_Di,j,t+β4REPORTi,j,t+β5COVID_D*REPORTi,j,t                 +β6SIZEi,j,t+β7BMi,j,t+εi
한편, 애널리스트 보고서의 예측 정확성 및 커버리지가 코로나19 전후로 투자자별 거래행태에 어떠한 영향을 미치는지 살펴보기 위해 종속변수를 투자자별(기관, 외국인) 순매수비율로 하여 다음과 같은 회귀식을 설정한다.
(2)
NETBUY_(For,Inst)i,j,tintercept+β1EPS(TP)_Errori,j,t+β2COVID_D*EPS(TP)_Errori,j,t                                     +β3COVID_Di,j,t+β4REPORTi,j,t+β5COVID_D*REPORTi,j,t                                     +β6SIZEi,j,t+β7BMi,j,t+εi

4. 연구결과

4.1 기초 통계량

<표 4>는 본 연구에 사용된 주요변수들의 기초 통계량을 나타내고 있으며, 자료의 시점은 2016년 1월부터 2021년 12월까지를 기준으로 하였다. 분석에 사용된 리서치 보고서는 총 21,839개이며 총 자산에 자연로그를 취하여 구한 기업규모 평균은 22.401, 장부가와 시장가비율 평균은 1.126이다. 전체 분석기간 동안의 기관투자자의 순매수비중의 평균은 0.0023이고, 외국인의 순매수비중은 0.0003으로 나타났으며 본 표에서는 생략하였으나 개인의 경우 음수(-)로 기관투자자와 외국인은 매수비중이 높은 반면 개인은 매도 비중이 높음을 알 수 있다. <표 5>는 주요 변수들 간 상관계수를 나타낸다.
<표 3>
주요 변수의 정의
변수명 변수 설명
비정상 거래량 ABV 보고서 발간 당일(0) 거래량의 로그값과 보고서 발행 35일부터 6일 전까지의 평균 거래량 로그값의 차이
순매수 NETBUY 보고서 발행 당일(0) 투자자별 순매수량을 보고서 발행 당일 해당종목의 발행주식수로 나눈 값
예측 오차 EPS_Error 예측 EPS와 실제 EPS의 차이의 절대값을 보고서 발행 당일 주가로 나눈 값
TP_Error 보고서상 목표주가와 1년 후 실제 주가 차이의 절대값을 보고서 발행 당일 주가로 나눈 값
예측 보수성 비율 EPS_Cons(%) 전체 보고서 수에서 “실제 EPS - 예측 EPS”가 0보다 큰 경우의 비율
TP_Cons(%) 전체 보고서 수에서 “실제주가 - 목표주가”가 0보다 큰 경우의 비율
통제변수 COVID_D 코로나 시기인 경우 1, 아니면 0인 더미 변수
REPORT t시점 i기업에 대해 발행된 총 리포트의 수
SIZE 기업 규모 (기업의 총자산을 자연로그 취한 값)
BM 장부가 대 시장가 비율
<표 4>
주요 변수의 기초 통계량
아래 표는 2016년부터 2021년까지 국내에서 발행된 리서치 분석보고서를 대상으로 한 표본 리서치 분석보고서의 건수, 비정상거래량, 예측오차, 예측의 보수성과 통제변수로 사용한 코로나 전후 구분, t시점의 i기업에 대해 발행된 리서치보고서 건수, 투자자별 순매수량 비중, 기업규모(총자산), 장부가와 시장가 비율을 보여주고 있다.
Variables N Mean Median Std. Min Max
ABV 21839 0.1885 0.1127 0.6978 -3.5962 4.6847
EPS_Error 21839 0.0777 0.0362 0.1522 0.0000 6.1391
TP_Error 21839 0.4428 0.3995 0.3342 0.0000 8.5498
EPS_Cons(%) 21839 0.3996 0.0000 0.4898 0.0000 1.0000
TP_Cons(%) 21839 0.1976 0.0000 0.3982 0.0000 1.0000
COVID_D 21839 0.3607 0.0000 0.4802 0.0000 1.0000
REPORT 21839 1.9064 1.0000 1.3826 1.0000 11.0000
NETBUY_Inst 21839 0.0023 0.0003 0.2135 -6.2403 2.4141
NETBUY_For 21839 0.0003 -0.0027 0.2156 -3.1020 4.9906
SIZE 21839 22.401 22.425 1.946 17.183 27.221
BM 21839 1.1269 0.9093 0.8728 0.0340 8.6722
<표 5>
주요 변수의 상관계수
2016년부터 2021년까지 국내 10개 증권회사에서 리서치 분석보고서 발간 수 기준으로 상위 5명이 작성한 보고서에 대하여 측정한 모든 변수들 간의 상관관계를 분석하였다. ABV는 리서치보고서 발행 당일거래량의 로그값과 리서치보고서 발행 35일부터 6일전까지의 평균 거래량 로그값의 차이를 측정한 것이다. 예측오차 중 EPS_Error는 실제 EPS와 예측 EPS의 차이의 절대값을 보고서 발행당일 주가로 나눈 값이고, TP_Error는 리서치보고서 실제주가와 목표주가 차이의 절대값을 보고서 발행당일 주가로 나눈 값이다. EPS_Cons(%)는 분석대상 리서치보고서 전체에서 ‘실제 EPS-예측 EPS’가 0보다 큰 경우의 비율을 의미하며, TP_Cons(%)는 전체 분석대상 중 ‘실제주가- 목표주가’가 0보다 큰 경우의 비율을 말한다. COVID_D는 코로나19 이후인 경우 1, 이전인 경우 0인 더미변수이다. REPORT는 t시점 i기업에 대해 발행된 총 리서치보고서의 숫자이다. NETBUY_Inst는 기관투자자 순매수량을 발행주식수로 나눈 값이고, NETBUY_For는 외국인투자자 순매수량을 발행주식수로 나눈 값이다. SIZE는 기업규모(총자산)을 자연로그를 취한 값이고, BM은 장부가 대 시장가 비율이다. *는 5% 수준에서 유의적임을 나타낸다.
Variables ABV EPS_Error TP_Error EPS_Cons (%) TP_Cons (%) COVID_D REPORT NETBUY_Inst NETBUY_For SIZE BM
ABV 1                    
EPS_Error -0.0178 * 1                  
TP_Error -0.0083 0.1287 * 1                
EPS_Cons(%) -0.0066 0.0589 * -0.1543 * 1 -              
TP_Cons(%) -0.0059 0.0919 * -0.0430 * 0.3054 * 1            
COVID_D 0.0109 0.0648 * 0.0612 * 0.2191 * 0.1843 * 1          
REPORT 0.1941 * 0.0219 * -0.0404 * 0.0151 * 0.0285 * 0.0797 * 1        
NETBUY_Inst 0.0057 -0.0103 -0.0319 * 0.0236 * 0.0142 * -0.0006 0.0118 1      
NETBUY_For 0.0430 * -0.007 -0.0291 * 0 0.0143 * -0.0188 * 0.002 0.1185 * 1    
SIZE -0.0378 * 0.1196 * -0.0891 * 0.1133 * 0.0668 * 0.1054 * 0.1821 * -0.0068 0.0039 1  
BM -0.0243 * 0.2103 * -0.0355 * 0.0294 * -0.0232 * 0.0511 * 0.0277 * 0.0032 -0.0065 0.4840 * 1

4.2 코로나19 이전과 이후 애널리스트 분석보고서 예측 정확성

코로나19 이전과 이후 애널리스트 분석보고서의 예측 정확성을 측정하기 위해 애널리스트가 예측한 EPS와 1년 뒤 실제 EPS를 비교하였으며, 애널리스트의 목표주가와 리서치 보고서 발간일로부터 12개월이 경과한 날의 종가인 실제주가를 비교하였다. 유사한 연구로 Chang and Choi(2017)는 시장의 변동성이 클수록 애널리스트들의 예측정확성이 떨어지는 부분에 대한 비판 가능성이 낮다고 보았으며, Kim(2012)은 애널리스트 보고서의 정보력을 금융위기 전후에 투자자들이 다르게 받아들여 비정상거래량에 차이를 가져오는 것을 확인하였다. <표 6>은 2016년부터 2021년까지 국내 10개 증권회사 소속 애널리스트 중 각 회사별로 보고서 발간 건수 기준 상위 5명의 분석보고서의 예측 정확성의 연도별 추이를 보여준다. Panel 1은 전체 보고서에 대한 EPS 예측오차의 평균이다. 코로나19이후 시기인 2020년에 예측오차가 크게 상승하고, 2021년 소폭 하락한 것으로 확인된다. 2020년도의 경우 0.1052로 가장 높았으며 이는 증권사를 대형사와 중/소형사로 나누어 보았을 때도 각각 0.1105, 0.0997 수준으로 나타난다. Panel 2는 목표주가로 측정한 TP_Error의 연도별 추이이다. 2020년의 예측오차는 <가설 1-1>과 달리 코로나19 이전에 비해 오히려 낮았지만, 2021년에는 표본기간 중 가장 높은 예측오차를 나타내어 <가설 1-1>과 일치하는 결과를 보여준다.10) EPS에 비해 목표주가의 예측오차가 서로 다른 모습을 보여주는 이유는 EPS가 실제 이익을 반영한 반면에 주가는 이익 이외에도 다양한 요인의 영향을 받기 때문이라고 생각한다. 예를 들어, 2020년의 목표주가와 실제 주가가 모두 갑작스러운 시장 충격으로 동반 하락하여 오차는 줄어들었고, 정부의 재정확대 정책에 따라 유동성 장세가 이어지면서 2021년의 예측오차가 커진 것으로 판단된다.
<표 6>
연도별 애널리스트 리포트의 예측 정확성
Panel 1: EPS 예측오차(EPS_Error)
전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value
2016 4,947 0.0786 27.23 2,438 0.0587 38.96 2,509 0.0979 17.90
2017 4,721 0.0629 29.93 2,423 0.0639 20.03 2,298 0.0618 22.84
2018 4,294 0.0687 48.74 2,291 0.0679 36.48 2,003 0.0697 32.46
2020 4,134 0.1052 46.48 2,090 0.1105 32.68 2,044 0.0997 33.31
2021 3,743 0.0749 32.38 1,833 0.0814 21.28 1,910 0.0687 25.86

Panel 2: 목표주가 예측오차(TP_Error)

전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value
2016 4,947 0.4128 88.58 2,438 0.4049 75.65 2,509 0.4204 55.52
2017 4,721 0.4066 99.51 2,423 0.3937 71.72 2,298 0.4201 69.25
2018 4,294 0.4672 110.68 2,291 0.4547 75.81 2,003 0.4815 81.80
2020 4,134 0.4129 58.20 2,090 0.3631 44.79 2,044 0.4637 39.96
2021 3,743 0.5332 115.32 1,833 0.5325 81.89 1,910 0.5338 81.24
<가설 1-1>의 검증을 위해 코로나19전후 예측 정확성의 차이를 비교한 결과를 <표 7>에서 보여준다. Panel 1의 EPS_Error로 예측오차 차이의 평균은 0.0205, Panel 2의 TP_Error로 예측오차 차이의 평균은 0.0426로 코로나 이후의 EPS_Error와 TP_Error 모두 유의하게 증가11)했음이 확인되어 <가설 1-1>과 일치하는 결과를 보여준다. 즉 코로나 이후 발간된 리포트의 예측 정확성이 그 전보다 떨어졌음을 의미한다. 대형사와 중/소형사로 구분하여 예측 정확도를 비교했을 때 중/소형사의 EPS_Error를 제외하고 대형사의 EPS_Error, TP_Error 그리고 중소형사의 TP_Error 모두 코로나19 이전보다 코로나19 이후 유의하게 예측 정확도가 떨어졌음을 확인할 수 있다.
<표 7>
코로나19 이전과 이후 애널리스트 분석보고서 예측 정확성 차이 분석
Panel 1: EPS 예측오차(EPS_Error)
전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value
코로나 이전 13,962 0.0702 53.23 7,152 0.0633 47.41 6,810 0.0774 33.54
코로나 이후 7,877 0.0907 55.80 3,923 0.0968 38.03 3,954 0.0847 41.84
After - Before 21,839 0.0205 9.59 11,075 0.0335 12.83 10,764 0.0073 2.14
(p-value) (0.0000) (0.0000) (0.0322)

Panel 2: 목표주가 예측오차(TP_Error)
전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value

코로나 이전 13,962 0.4274 169.35 7,152 0.4171 128.26 6,810 0.4383 112.85
코로나 이후 7,877 0.4700 107.43 3,923 0.4423 81.16 3,954 0.4976 73.08
After - Before 21,839 0.0426 9.07 11,075 0.0252 4.22 10,764 0.0593 8.16
(p-value) (0.0000) (0.0000) (0.0000)
추가로 애널리스트 분석보고서의 코로나19 전후 예측정확성 변화를 산업별로 측정하기 위하여 FnGuide의 업종별 구분기준을 활용하였다. FnGuide는 소비재, 경기소비재, 산업재, 금융, 의료, IT를 포함하여 총 10개 산업분류 기준을 가지고 있으며, 본 연구에서는 이중 에너지, 유틸리티, 통신서비스의 3가지 업종을 기타로 묶어서 <표 8>에서와 같이 총 8가지로 분류하였다.
<표 8>
업종구분
종목구분 세부업종 종목 예시
소재 화학, 금속, 2차전지 포스코홀딩스, LG화학, 한솔제지
산업재 건설, 기계, 항공, 방산, 조선 대우건설, 두산에너빌리티, 대한항공, 현대중공업 등
경기소비재 자동차, 부품, 의류, 내구재, 미디어, 유통 현대차, 호텔신라, 한섬, CJ CGV
필수소비재 음식료, 담배, 생활용품 오뚜기, KT&G, LG생활건강
금융 은행, 보험, 증권, 부동산 등 KB금융, 미래에셋증권, SK디앤디
의료 의료장비, 서비스, 제약, 바이오 인바디, 유한양행, 씨젠
IT 하드웨어, 소프트웨어, 반도체, 디스플레이 삼성전자, 한글과컴퓨터, 네이버
기타 (에너지/유틸리티/통신 등) 정유, 수소, 전력, 가스, 통신 S-oil, 한국전력, 가스공사, KT
<표 9>는 산업별 EPS_Error와 TP_Error의 평균과 t-value를 코로나 이전과 이후로 구분하여 보여주고 있다. 먼저, Panel 1은 EPS_Error로 전체 산업을 대상으로 하였을 때 코로나 이후 예측오차가 커졌음을 확인할 수 있다. 산업별로 보았을 때 소재, 경기소비재, 금융, 기타 업종은 코로나 이후 통계적으로 유의하게 예측오차가 커졌는데 이는 코로나19 이전보다 코로나19 이후 리포트의 예측정확도가 떨어진 것으로 해석할 수 있다. 특히, 금융업의 경우 코로나19 전후 EPS 예측오차평균 차이는 0.0744로 가장 예측정확도가 떨어진 것으로 확인되며 산업재 업종 역시 예측 정확성이 떨어졌으나 통계적의로 유의하지 않다. 반면 필수소비재 업종의 경우는 코로나 이후 유의하게 예측오류가 낮아졌으며, 의료와 IT도 예측오류가 낮아졌으나 통계적으로 유의하지 않았다. 다음으로 Panel 2의 TP_Error의 경우 역시 전체적으로 코로나19 후 예측오차가 커졌음을 확인할 수 있다. 산업별로 살펴보았을 때, 소재, 경기소비재, IT, 기타의 경우 코로나19 이후 예측오차가 유의하게 증가했음을 확인할 수 있다. 산업재와 의료의 경우도 예측오차가 커졌으나 통계적으로 유의하지 않다. 코로나19 이후 대부분의 업종에서 리서치 애널리스트의 예측 정확성이 떨어짐에도 불구하고, 필수소비재와 금융업은 예측 정확성이 높아졌으나 필수소비재 업종만 통계적으로 유의하였다.
<표 9>
산업별 예측오차
Panel 1: 산업별 EPS 예측오차(EPS_Error)
코로나 이전 코로나 이후 After-Before p-value
전체 N 13,962 7,877 21,839
평균 0.0702 0.0907 0.0205
t-value 53.23 55.80 9.59 0.0000
소재 N 1,354 721 2,075
평균 0.0812 0.1397 0.0585
t-value 28.27 23.41 9.96 0.0000
산업재 N 2,764 963 3,727
평균 0.1000 0.1008 0.0007
t-value 23.38 23.50 0.10 0.9175
경기소비재 N 3,164 2,421 5,585
평균 0.0544 0.0829 0.0285
t-value 56.50 31.53 11.18 0.0000
필수소비재 N 1,358 562 1,920
평균 0.03112 0.0225 -0.0087
t-value 19.02 22.48 -3.29 0.0010
금융 N 613 684 1,297
평균 0.0318 0.1062 0.0744
t-value 20.41 27.93 17.39 0.0000
의료 N 667 142 809
평균 0.0227 0.0213 -0.0014
t-value 22.57 8.62 -0.59 0.5567
IT N 3,078 1,827 4,905
평균 0.0849 0.0792 -0.0057
t-value 21.20 26.69 -1.01 0.3148
기타 (에너지/유틸리티/통신 등) N 964 557 1,521
평균 0.0869 0.1499 0.0629
t-value 29.15 12.59 6.39 0.0000

Panel 2: 산업별 목표주가 예측오차(TP_Error)

코로나 이전 코로나 이후 After-Before p-value

전체 N 13,962 7,877 21,839
평균 0.0702 0.0907 0.0205
t-value 169.35 107.43 9.07 0.000
소재 N 1,354 721 2,075
평균 0.4653 0.5474 0.0820
t-value 55.88 34.49 5.05 0.0000
산업재 N 2,764 963 3,727
평균 0.4431 0.4550 0.0119
t-value 64.66 39.38 0.89 0.3746
경기소비재 N 3,164 2,421 5,585
평균 0.4007 0.4617 0.0609
t-value 83.80 54.53 6.62 0.0000
필수소비재 N 1,358 562 1,920
평균 0.4325 0.3987 -0.0338
t-value 55.84 37.69 -2.45 0.0145
금융 N 613 684 1,297
평균 0.3907 0.3363 -0.0544
t-value 46.07 38.38 -4.44 0.0000
의료 N 667 142 809
평균 0.4552 0.4677 0.0126
t-value 38.18 17.01 0.44 0.6625
IT N 3,078 1,827 4,905
평균 0.4479 0.5449 0.0969
t-value 84.85 59.79 9.88 0.0000
기타 (에너지/유틸리티/통신 등) N 964 557 1,521
평균 0.3479 0.4228 0.0749
t-value 47.95 21.64 4.24 0.0000

4.3 코로나19 이전과 이후의 예측 보수성비율

<가설 1-2>에서 제시한 바와 같이 코로나19를 계기로 애널리스트 예측에서 보수성이 증가했는지를 알기 위해 코로나19 이전과 이후의 애널리스트 분석보고서의 예측 보수성비율을 측정하였다. 1년 뒤 실제 EPS와 애널리스트 예측 EPS의 차이 및 1년 뒤 실제주가와 애널리스트 목표주가를 비교하고, 실제값이 예측값보다 큰 경우에 애널리스트가 예측을 보수적으로 한 것으로 판단한다. <표 10>은 예측 보수성비율의 연도별 추이를 나타내고 있다. Panel 1에서 리서치 보고서에 대한 EPS예측 보수성비율 평균은 2018년 0.2312에서 2020년 0.6669로 증가하였고 대형사와 중소형사에서 유사한 결과를 보여주었다. Panel 2는 목표주가를 사용한 예측 보수성비율의 연도별 추이로, 코로나19 이후인 2020년에 가장 높은 보수성비율을 나타냈다.
<표 10>
연도별 예측 보수성비율
Panel 1: EPS 예측 보수성비율(EPS_Cons)
전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value
2016 4,947 0.4289 60.95 2,438 0.3811 38.73 2,509 0.4755 47.68
2017 4,721 0.2836 43.23 2,423 0.2707 29.99 2,298 0.2972 31.17
2018 4,294 0.2312 35.94 2,291 0.2375 26.70 2,003 0.2241 24.05
2020 4,134 0.6669 90.97 2,090 0.6799 66.61 2,044 0.6536 62.09
2021 3,743 0.4050 50.47 1,833 0.3944 34.54 1,910 0.4152 36.81

Panel 2. 목표주가 예측 보수성비율(TP_Cons)

전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value

2016 4,947 0.1797 32.92 2,438 0.1239 18.56 2,509 0.2339 27.68
2017 4,721 0.1760 31.75 2,423 0.1614 21.59 2,298 0.1915 23.32
2018 4,294 0.0626 16.94 2,291 0.0694 13.07 2,003 0.0549 10.79
2020 4,134 0.4985 64.10 2,090 0.4746 43.44 2,044 0.5229 47.33
2021 3,743 0.0708 16.89 1,833 0.0726 11.98 1,910 0.0691 11.90
<표 11>은 코로나19 이전과 이후 예측 보수성비율의 차이를 분석한 결과인데, Panel 1의 EPS 예측오차로 측정한 예측 보수성비율 차이 평균은 0.2235, Panel 2의 목표주가 예측오차의 예측 보수성비율의 차이 평균은 0.1528로 모두 통계적으로 유의하게 나타났다. 이는 <가설 1-2>에서 제시한 바와 일치하는 결과로 코로나19 이전보다 그 이후에 종목의 미래 성과를 과소평가하는 리포트의 비중이 커졌다고 볼 수 있으며, 중/소형사의 리포트보다 대형사의 리포트에서 코로나 이전과 이후의 차이가 상대적으로 크게 나타난 것으로 보인다. 코로나19 시기에 대형사는 상대적으로 중/소형사에 비해 다소 보수적인 성향의 보고서를 발간한 것으로 추정된다.
<표 11>
코로나19 이전과 이후 예측 보수성비율 차이 분석
Panel 1: EPS 예측 보수성비율(EPS_Cons)
전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value
코로나 이전 13,962 0.3190 80.87 7,152 0.2976 55.05 6,810 0.3414 59.41
코로나 이후 7,877 0.5425 96.63 3,923 0.5465 68.75 3,954 0.5384 67.91
After-Before 21,839 0.2235 33.18 11,075 0.2489 26.53 10,764 0.1970 20.39
(p-value) (0.0000) (0.0000) (0.0000)

Panel 2: 목표주가 예측 보수성비율(TP_Cons)

전체 대형사 중/소형사



N 평균 t-value N 평균 t-value Obs 평균 t-value

코로나 이전 13,962 0.1424 48.16 7,152 0.1191 31.09 6,810 0.1669 36.94
코로나 이후 7,877 0.2952 57.45 3,923 0.2867 39.71 3,954 0.3037 41.52
After-Before 21,839 0.1528 27.71 11,075 0.1676 22.53 10,764 0.1368 16.81
(p-value) (0.0000) (0.0000) (0.0000)

4.4 코로나19 이전과 이후 비정상거래량

<가설 2-1>에서 제시된 바와 같이 분석보고서 발간으로 해당 종목의 비정상거래량이 발생하는지를 살펴보았다. <표 12>는 코로나19 이전과 이후 애널리스트 분석보고서 발간에 따른 비정상거래량을 측정한 표이다. 전체 리서치보고서 발간 당일 비정상거래량 평균은 2018년 0.1797이었으나, 2020년 0.2174로 증가하였다. 코로나19 전후로 비정상 거래량 증가는 중/소형사보다 대형사에서 더 크게 나타나 대형사 발간 리서치보고서의 거래량에 미치는 영향력이 더 큼을 보여준다. 모든 기간에 걸쳐 비정상거래량이 통계적으로 유의하게 발생하여 <가설 2-1>을 지지하는 것으로 나타났다.
<표 12>
연도별 보고서 발간 당일 비정상거래량
전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value
2016 4,947 0.1589 16.57 2,438 0.1931 14.54 2,509 0.1257 9.05
2017 4,721 0.2107 20.61 2,423 0.1723 12.18 2,298 0.2506 17.04
2018 4,294 0.1797 17.33 2,291 0.1752 12.55 2,003 0.1849 11.94
2020 4,134 0.2174 20.36 2,090 0.2295 15.31 2,044 0.2050 13.48
2021 3,743 0.1778 14.51 1,833 0.1926 11.21 1,910 0.1635 9.37
<표 13>은 코로나19 이전과 이후의 증권사 규모에 따른 비정상거래량 차이를 분석하였는데, 대형사의 평균이 0.0319, 중/소형사의 평균이 0.0003으로 나타났다. 특히 주목할 만한 점은 대형사의 경우에 코로나19 전후로 통계적으로 유의한 차이를 보였지만, 중/소형사의 경우에는 코로나19 이후에 비정상거래량의 평균이 이전보다 크기는 하지만 통계적인 유의성이 없는 것으로 나타나서, 대형사에서만 코로나19 시기 이후 보고서 발간이 거래량에 미치는 영향력이 증가했음을 보여준다. 이는 <가설 2-2>에서 제시한 코로나19 이후에 비정상거래량이 증가할 것이라는 예상과 일치하는 결과를 보여주고 있다.
<표 13>
코로나19 이전과 이후 비정상거래량 차이 분석
전체 대형사 중/소형사



N 평균 t-value N 평균 t-value N 평균 t-value
코로나 이전 13,962 0.1827 31.45 7,152 0.1804 22.64 6,810 0.1852 21.85
코로나 이후 7,877 0.1986 24.57 3,923 0.2123 18.74 3,954 0.1849 16.04
After-Before 21,839 0.0159 1.61 11,075 0.0319 2.34 10,764 0.0003 0.02
(p-value) (0.1069) (0.0191) (0.9851)
코로나19 시기에 그 이전에 비해 비정상거래량이 투자 의견에 따라 증가(혹은 감소)하는지 살펴보기 위해서 <표 14>를 통해 코로나19 이전과 이후의 분석보고서의 투자의견에 따른 비정상거래량 차이를 분석하였다. 먼저 Panel 1은 전체데이터를 기준으로 하였는데 매수(Buy) 의견의 리포트에 대한 코로나 전후 비정상거래량 차이 평균은 0.0175로 코로나 이후 비정상거래량이 10% 내에서 유의하게 증가함을 확인하여 <가설 2-2>와 일치하는 결과를 얻었다, 유지(Hold) 의견의 리포트의 경우 비정상거래량 차이 평균은 -0.0006 감소하였으나 통계적으로 유의성은 확인되지 않았다. Panel 2는 증권사규모별, 투자의견에 따른 비정상거래량 차이로 대형사 Buy 의견의 비정상거래량 차이는 0.0261, 중소형사 Buy 의견의 비정상거래량 차이는 0.0091로 나타났다. <표 14>의 결과를 통해 매수 의견에 있어서 비정상거래량이 증가하고 있으며, 전반적으로 대형사의 분석보고서에 거래량이 반응하고 있음을 알 수 있다.
<표 14>
코로나 이전과 이후 투자의견에 따른 비정상 거래량 차이 분석
Panel 1: 전체 표본
전체

매수(Buy) 유지(Hold)


N 평균 t-value N 평균 t-value
코로나 이전 12,697 0.1804 29.98 1,265 0.2054 9.58
코로나 이후 7,203 0.1980 23.63 674 0.2048 6.80
After-Before 19,900 0.0175 1.72 1,939 -0.0006 -0.01
(p-value) (0.0851) (0.9868)

Panel 2: 증권사 규모별

대형사 중소형사


Buy Hold Buy Hold


N 평균 t-value N 평균 t-value N 평균 t-value N 평균 t-value

코로나 이전 6,512 0.1839 22.24 640 0.1440 4.95 6,185 0.1768 20.16 625 0.2683 8.53
코로나 이후 3,602 0.2100 17.91 321 0.2375 5.51 3,601 0.1859 15.53 353 0.1751 4.16
After-Before 10,114 0.0261 1.85 961 0.0935 1.83 9,786 0.0091 0.61 978 -0.0932 - 1.78
(p-value) (0.0643) (0.0675) (0.5353) (0.0756)

4.5 비정상거래량과 예측 정확성의 관계

<표 15>는 리서치 보고서 발간 당일 발생한 비정상거래량과 예측 정확성과의 관계를 검증하기 위해 회귀분석을 실시한 결과이다. 분석결과 EPS_Error의 경우 비정상거래량과 유의하게 음(-)의 상관관계가 있는 것으로 확인되었다. 즉, 분석보고서의 예측 정확성이 떨어질 수록 투자자의 거래반응이 낮아지며, 이는 예측 정확성이 높으면 비정상거래량도 증가할 것이라는 <가설 3-1>을 지지하는 결과이다. 주가를 사용한 예측 오차인 TP_Error의 경우에도 비정상거래량과 음(-)의 상관관계로 나타났으나 통계적으로 유의하지 않았다. 이어서 코로나19이후 보고서의 예측 오차가 작을수록, 투자자의 비정상거래량이 증가할 것인지를 알아보기 위해 코로나19의 더미변수와 예측오차 간의 교차항을 통해 분석을 실시하였다. 그 결과 EPS_Error와 코로나 전후 더미, TP_Error와 코로나 전후 더미변수와의 교차항 모두 공통적으로 비정상거래량과 유의한 양(+)의 계수값을 나타냈다. 즉, 코로나19 이후 보고서의 예측정확성이 떨어질수록 비정상거래량은 오히려 증가한 것으로 나타났다. 한편, <가설 3-2>에서 예측한 바와 같이 비정상거래량과 분석보고서의 수(REPORT)는 강한 유의성이 발견되어 애널리스트 보고서가 많은 종목일수록 비정상거래량이 증가하는 것으로 확인되었다. 그러나 코로나 이후에는 분석보고서의 수(REPORT)가 많을수록 비정상거래량이 유의하게 감소하는 현상이 나타났다. 코로나19 이후에는 애널리스트 보고서에 많이 언급되고 노출되는 종목보다, 오히려 커버리지가 적은 종목에 대한 투자자들의 관심이 많았던 것으로 해석할 수 있다. 증권사를 대형사와 중소형사로 구분하여 분석한 결과 대형사에서 리서치보고서의 예측오차와 비정상거래량은 통계적인 유의성이 나타나지 않았으며, 코로나 전후로도 차이가 나타나지 않았다.
<표 15>
비정상거래량과 예측 정확성의 관계 회귀분석 결과
Panel 1: 전체표본
종속변수 ABV

Variables 1-(1) 1-(2) 1-(3) 1-(4) 1-(5) 1-(6) 1-(7) 1-(8)
EPS_Error -0.0915** -0.1070* -0.0890* -0.1076*
(0.049) (0.069) (0.055) (0.067)
TP_Error -0.0294* -0.0241 -0.0281* -0.0218
(0.067) (0.281) (0.078) (0.329)
COVID_D 0.0494* 0.0459 0.1204*** 0.1163*** 0.0527* 0.0575* 0.1234*** 0.1293***
(0.065) (0.101) (0.000) (0.000) (0.050) (0.059) (0.000) (0.000)
EPS_Error_Covid 0.0363 0.0435
(0.669) (0.609)
TP_Error_Covid -0.0108 -0.0130
(0.736) (0.685)
REPORT 0.1176*** 0.1176*** 0.1349*** 0.1349*** 0.1173*** 0.1173*** 0.1347*** 0.1347***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
REPORT_Covid -0.0370*** -0.0371*** -0.0370*** -0.0370***
(0.000) (0.000) (0.000) (0.000)
SIZE -0.0681** -0.0660** -0.0649** -0.0624** -0.0698** -0.0695** -0.0667** -0.0662**
(0.029) (0.037) (0.038) (0.048) (0.025) (0.026) (0.033) (0.034)
BM 0.0083 0.0075 0.0059 0.0049 0.0072 0.0070 0.0048 0.0045
(0.613) (0.688) (0.740) (0.624) (0.635) (0.743) (0.756)
Constant 1.4247** 1.3800* 1.3183* 1.2646* 1.4750** 1.4648** 1.3673** 1.3549*
(0.041) (0.050) (0.058) (0.072) (0.034) (0.036) (0.049) (0.052)
Year Effect Y Y Y Y Y Y Y Y
Firm Effect Y Y Y Y Y Y Y Y
Analyst Effect Y Y Y Y Y Y Y Y
Observations 21,839 21,839 21,839 21,839 21,839 21,839 21,839 21,839
R-squared 0.057 0.057 0.059 0.059 0.057 0.057 0.059 0.059
Number of set_company 517 517 517 517 517 517 517 517

Panel 2: 대형사

EPS_Error -0.0819 -0.1097 -0.0776 -0.1107
(0.318) (0.413) (0.344) (0.409)
TP_Error 0.0077 0.0006 0.0086 0.0034
(0.767) (0.987) (0.739) (0.924)
COVID_D 0.0413 0.0378 0.1169** 0.1129** 0.0358 0.0293 0.1118** 0.1069**
(0.311) (0.377) (0.011) (0.018) (0.379) (0.527) (0.015) (0.037)
EPS_Error_ Covid 0.0388 0.0462
(0.793) (0.755)
TP_Error_ Covid 0.0153 0.0114
(0.767) (0.826)
REPORT 0.1080*** 0.1080*** 0.1258*** 0.1258*** 0.1079*** 0.1079*** 0.1257*** 0.1257***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
REPORT_ Covid -0.0360*** -0.0361*** -0.0362*** -0.0362***
(0.000) (0.000) (0.000) (0.000)
SIZE -0.0603 -0.0584 -0.0574 -0.0552 -0.0585 -0.0592 -0.0557 -0.0562
(0.204) (0.224) (0.226) (0.250) (0.218) (0.213) (0.240) (0.237)
BM 0.0204 0.0199 0.0167 0.0162 0.0184 0.0186 0.0148 0.0149
(0.307) (0.320) (0.401) (0.420) (0.355) (0.351) (0.457) (0.453)
Constant 1.1661 1.1254 1.0756 1.0271 1.1232 1.1391 1.0320 1.0440
(0.273) (0.296) (0.312) (0.340) (0.292) (0.286) (0.333) (0.328)
Year Effect Y Y Y Y Y Y Y Y
Firm Effect Y Y Y Y Y Y Y Y
Analyst Effect Y Y Y Y Y Y Y Y
Observations 11,075 11,075 11,075 11,075 11,075 11,075 11,075 11,075
R-squared 0.054 0.054 0.055 0.055 0.054 0.054 0.055 0.055
Number of set_company 357 357 357 357 357 357 357 357

Panel 3: 중소형사

EPS_Error -0.0888 -0.0763 -0.0873 -0.0765
(0.141) (0.278) (0.148) (0.276)
TP_Error -0.0491** -0.0291 -0.0478** -0.0280
(0.022) (0.337) (0.026) (0.355)
COVID_D 0.0714* 0.0755* 0.1384*** 0.1418*** 0.0800** 0.0984** 0.1462*** 0.1644***
(0.056) (0.054) (0.001) (0.001) (0.033) (0.020) (0.001) (0.000)
EPS_Error_ Covid -0.0431 -0.0372
(0.729) (0.765)
TP_Error_ Covid -0.0399 -0.0396
(0.353) (0.357)
REPORT 0.1283*** 0.1283*** 0.1449*** 0.1449*** 0.1282*** 0.1281*** 0.1447*** 0.1446***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
REPORT_ Covid -0.0374*** -0.0374*** -0.0371*** -0.0371***
(0.000) (0.000) (0.001) (0.001)
SIZE -0.0928** -0.0952** -0.0893** -0.0914** -0.0957** -0.0944** -0.0923** -0.0909**
(0.038) (0.035) (0.045) (0.043) (0.032) (0.034) (0.038) (0.041)
BM -0.0104 -0.0094 -0.0122 -0.0113 -0.0114 -0.0124 -0.0132 -0.0142
(0.658) (0.692) (0.603) (0.631) (0.626) (0.597) (0.573) (0.546)
Constant 1.8931* 1.9453* 1.7802* 1.8254* 1.9780** 1.9433** 1.8647* 1.8304*
(0.056) (0.052) (0.072) (0.068) (0.045) (0.049) (0.059) (0.064)
Year Effect Y Y Y Y Y Y Y Y
Firm Effect Y Y Y Y Y Y Y Y
Analyst Effect Y Y Y Y Y Y Y Y
Observations 10,764 10,764 10,764 10,764 10,764 10,764 10,764 10,764
R-squared 0.061 0.061 0.062 0.062 0.061 0.061 0.063 0.063
Number of set_company 432 432 432 432 432 432 432 432
이어, <표 16>에서는 리서치 보고서 발간 당일의 투자자별 순매수비중과 예측 정확성과의 관계를 검증하였다. 예측 정확성과 기관투자자 및 외국인 투자자의 순매수비중은 전반적으로 음(-)의 관계임을 확인할 수 있다. 특히 TP_Error의 경우 전체표본, 대형, 중소형으로 구분했을 때 모두 리포트의 예측오류가 클수록 기관투자자와 외국인 투자자의 순매수비중은 유의하게 줄어들었다. 즉, 기관투자자와 외국인투자자가 리서치보고서 예측 정확성을 투자매매에 반영하고 있으며, 기관투자자와 외국인 투자자는 리서치 보고서의 정보력 수준을 어느 정도 판단하는 능력이 있는 것으로 볼 수 있다. 그러나 코로나19 이후에는 분석보고서의 TP_Error가 클수록 외국인투자자의 순매수 비중도 증가하는 것으로 확인되었으며, 기관투자자의 경우 유의한 관계를 발견할 수 없었다. 증권사별로는 대형사 발간 리서치보고서의 경우에는 코로나19 이후 TP_Error와 외국인 순매수 비중에서 유의한 양(+)의관계가 확인되었다. 즉, 코로나 전후로 대형사 제공 애널리스트 리포트의 예측오차가 외국인들의 순매수비중에 미치는 영향에 차이가 있었던 것으로 보인다. 한편, 리서치 보고서의 수(REPORT)는 기관투자자와 외국인 순매수 비중과 관련이 있다는 증거를 찾지 못하였으나, 코로나19 전후로 구분시 기관투자자의 경우에 코로나19이후에 리포트 수가 많을 수록 기관투자자의 순매수 비중이 높아진 것으로 확인되었다.
<표 16>
투자자별 순매수비중과 예측 정확성의 관계 회귀분석 결과
종속변수
Variables
전체 대형 중소형



NETBUY_Ins NETBUY_For NETBUY_Ins NETBUY_For NETBUY_Ins NETBUY_For NETBUY_Ins NETBUY_For NETBUY_Ins NETBUY_For NETBUY_Ins NETBUY_For

1-(1) 1-(2) 1-(3) 1-(4) 1-(1) 1-(2) 1-(3) 1-(4) 1-(1) 1-(2) 1-(3) 1-(4)
EPS_Error -0.0332* -0.0080 -0.0325 -0.0532 -0.0280 -0.0034
(0.073) (0.670) (0.453) (0.207) (0.194) (0.882)
TP_Error -0.0155** -0.0353*** -0.0219* -0.0532*** -0.0124 -0.0275 ***
(0.027) (0.000) (0.055) (0.000) (0.183) (0.005)
COVID_D -0.0108 -0.0097 -0.0084 -0.0195* -0.0068 0.0030 -0.0012 -0.0099 -0.0151 -0.0192 -0.0145 -0.0267 *
(0.272) (0.331) (0.426) (0.068) (0.658) (0.843) (0.943) (0.537) (0.258) (0.170) (0.309) (0.075)
EPS_Error_Covid 0.0360 -0.0382 0.0262 0.0075 0.0421 -0.0539
(0.177) (0.158) (0.583) (0.871) (0.269) (0.179)
TP_Error_Covid 0.0056 0.0206** -0.0014 0.0382** 0.0098 0.0121
(0.581) (0.043) (0.934) (0.019) (0.456) (0.381)
REPORT -0.0006 0.0017 -0.0007 0.0015 -0.0017 0.0027 -0.0018 0.0024 0.0006 -0.0002 0.0005 -0.0003
(0.700) (0.299) (0.654) (0.356) (0.470) (0.228) (0.433) (0.290) (0.804) (0.923) (0.807) (0.894)
REPORT_Covid 0.0069*** -0.0025 0.0070*** -0.0024 0.0109*** -0.0038 0.0110*** -0.0036 0.0023 -0.0005 0.0024 -0.0004
(0.003) (0.281) (0.002) (0.309) (0.001) (0.235) (0.001) (0.263) (0.476) (0.889) (0.459) (0.909)
SIZE -0.0027 0.0097 -0.0053 0.0107 -0.0116 0.0038 -0.0139 0.0005 0.0058 0.0155 0.0025 0.0179
(0.790) (0.336) (0.592) (0.280) (0.454) (0.802) (0.364) (0.975) (0.677) (0.288) (0.857) (0.213)
BM -0.0113** -0.0052 -0.0106** -0.0059 -0.0117* -0.0072 -0.0112* -0.0069 -0.0118 -0.0073 -0.0108 -0.0087
(0.015) (0.270) (0.021) (0.207) (0.070) (0.252) (0.082) (0.269) (0.102) (0.336) (0.135) (0.248)
Constant 0.0900 -0.1987 0.1526 -0.2056 0.2606 -0.1038 0.3234 -0.0074 -0.1032 -0.3258 -0.0280 -0.3646
(0.685) (0.375) (0.487) (0.354) (0.453) (0.759) (0.348) (0.982) (0.736) (0.313) (0.926) (0.252)
Year Effect Y Y Y Y Y Y Y Y Y Y Y Y
Firm Effect Y Y Y Y Y Y Y Y Y Y Y Y
Analyst Effect Y Y Y Y Y Y Y Y Y Y Y Y
Observations 21,839 21,839 21,839 21,839 11,075 11,075 11,075 11,075 10,764 10,764 10,764 10,764
R-squared 0.008 0.009 0.009 0.010 0.008 0.007 0.009 0.009 0.007 0.009 0.007 0.010
Number of set_company 517 517 517 517 357 357 357 357 432 432 432 432

5. 결론

본 연구는 코로나19라는 특수한 상황에서 리서치 애널리스트의 정보수집 활동에 변화가 발생하고, 리서치 분석보고서의 예측정확성이 어떻게 달라지는지를 살펴보았다. 코로나19 시기에 비대면 환경에서 분석보고서의 예측 정확성이 하락한다는 결과를 얻었으며, 초반 충격에서 빠르게 주가가 회복되었으나 변동성이 심한 상황에서 리서치 애널리스트들은 보수적인 예측 성향을 보인다는 점을 발견하였다. 한편 코로나19 이후 분석보고서의 예측 정확성이 낮아졌음에도 불구하고, 보고서 발간 당일에 시장에서 비정상거래량이 발생하는 결과를 얻었다. 이는 불확실한 외부환경에 대한 투자자들의 정보수요가 높을수록, 보고서의 예측 정확성과 비정상거래량의 관계는 약해지는 것으로 볼 수 있다. 투자자의 정보 수요는 외국인 투자자에게서 더욱 크게 나타났으며, 개인투자자의 분석보고서 의존도는 상대적으로 약한 것으로 판단된다. 본 연구는 기존의 리서치 애널리스트에 대한 연구가 다루지 못한 비대면 업무환경이라는 특수한 공간적 물리적 제약이 애널리스트의 예측 정확성에 영향을 미칠 수 있으며, 투자자의 거래량 유발 효과는 예측 정확성보다는 정보 수요에 더 큰 영향을 받는다는 것이다. 또한 대형사가 제공하는 분석보고서에 대해서 외국인 투자자의 정보 수요가 크게 나타날 수 있음을 시사하고 있다. 본 연구는 코로나19라는 특수상황이 리서치 애널리스트 및 분석보고서에 미친 영향에 대한 분석이라는 시사점에도 불구하고 한계점을 지니고 있다. 첫번째, 리서치 애널리스트 개인의 특성이 분석보고서의 예측력에 영향을 줄 수 있다는 점이다. 본 연구에서는 리서치 분석보고서 증권사를 대형사와 중소형사로 구분하고 이에 따른 예측력만을 분석하였으나, 애널리스트 개인의 특성을 반영하여 연구를 확장할 수 있을 것으로 생각한다. 두번째, 애널리스트의 투자의견 변경이 비정상거래량에 영향을 줄 수 있다는 점이다. 선행연구 중 Womack(1996)연구 및 Lee and Choi(2003)는 애널리스트의 투자등급 변경이 주가에 장단기적으로 영향을 미치는 것을 발견하였다. 향후에는 리서치애널리스트가 제시한 목표주가와 투자의견 변경이 비정상거래량에 미치는 영향을 코로나19 전후로 살펴볼 수 있을 것으로 기대한다.

Notes

1) 『코로나19 지난 3년간 감염병 대응의 변화』(보건복지부 보도자료 2023.1.20).

2) 금융감독원 금융통계정보시스템(https://fisis.fss.or.kr).

3) 발행어음은 투자자 요청에 따라 그 자신을 발행인과 지급인으로 하여 발행한 만기 1년 이내 어음. 발행절차가 간편하고, 공시나 신용평가 등의 발행규제를 받지 않으며, CMA계좌와 결합하여 자금 조달이 가능함. 예금보험공사의 예금자보호는 제공되지 않음(금융위원회 보도자료 2016년 8월 2일).

4) 종합투자계좌는 주로 기업의 회사채에 투자하거나 직접 대출하는 형태로 운용하는데, 증권사가 원금지급의무를 지고, 운용수익은 사전 약정에 따라 투자자에게 배분하는 구조. 예금보험공사의 예금자보호는 제공되지 않음(금융위원회 보도자료 2016년 8월 2일).

5) 한국투자증권은 2023년 6월 유상증자를 실시하여, 자기자본이 8,010,014백만 원으로 증가하였음 (DART주요사항보고서 2023년 6월 16일).

6) 금융투자분석사는「금융투자전문인력과 자격시험에 관한 규정」제1-3조제4호에 따라 증권회사에서 조사분석자료를 작성하거나 이를 심사·승인하는 업무를 수행하기 위해 취득하는 자격으로, 소정의 요건을 갖춘 자는 금융투자협회에 “금융투자분석사”로 등록할 수 있음.

7) 리포트의 예측력을 분석하기 위해서 리포트 발표 1년 후 재무제표와의 차이를 측정하는데 2019년 리포트는 2020년 코로나 충격으로 인한 주가 또는 EPS 예측이 어렵다고 판단하여 2019년의 애널리스트 리포트는 제외하였다.

8) Chang and Choi(2017)에서는 비정상거래량을 종속변수로 하고 시장의 변동성지수(VIX)와 애널리스트 예측오차와 관측기간의 영향력을 분석하였다.

9) Kim(2012)는 비정상거래량으로 측정한 애널리스트 보고서의 정보력을 종속변수로 하고, 애널리스트의 낙관적인 투자추천 의견의 영향력을 분석하였다.

10) 목표주가 예측오차 TP_Error는 실제주가를 보고서 발간일로부터 1년 후 당일±1일(3일) 평균, 1년 후 당일±2일(5일) 평균을 사용하여 측정해도 2020년의 예측오차가 낮고 2021년 예측오차가 높게 나타남.

11) 실제주가를 보고서 발간일로부터 1년 후 당일±1일(3일) 평균, 1년 후 당일±2일(5일) 평균을 사용하여 측정 시에도 코로나 전후 예측오차 차이 평균 0.0422 및 0.0419로 유의하게 증가함. TP_Error를 대형과 중소형 증권사로 구분하여 측정하여도, 코로나 이후 유의하게 예측정확도가 떨어짐.

References

1. Amiram, D., W. R. Landsman, E. L. Owens, and S. R. Stubben, 2018, How are Analysts'Forecasts Affected by High Uncertainty?, Journal of Business Finance &Accounting, Vol. 45 (3-4), pp. 295-318.
crossref pdf
2. Barber, B. M., R. Lehavy, and B. Trueman, 2007, Comparing the Stock Recommendation Performance of Investment Banks and Independent Research Firms, Journal of Financial Economics, Vol. 85 (2), pp. 490-517.
crossref
3. Bilinski, P., D. Lyssimachou, and M. Walker, 2013, Target Price Accuracy:International Evidence, The Accounting Review, Vol. 88 (3), pp. 825-851.
crossref pdf
4. Bratton, W., and D. Wójcik, 2022, Financial Information, Physical Proximity and COVID:The Experience of Asian Sell-side Equity Research Analysts, Geoforum, Vol. 137, pp. 135-145.
crossref pmid pmc
5. Chang, J. W., and H. M. Choi, 2017, Analyst Optimism and Incentives under Market Uncertainty, The Financial Review, Vol. 52 (2017), pp. 307-345.
crossref pdf
6. Financial Services Commission, 2016, Plan for Nurturing Mega-Investment Banks in Korea, Press Release, August-02-2016,

7. Frankel, R., S. P. Kothari, and J. Weber, 2006, Determinants of the Informativeness of Analyst Research, Journal of Accounting and Economics, Vol. 41 (1-2), pp. 29-54.
crossref
8. Irvine, P., M. Lipson, and A. Puckett, 2007, Tipping, The Review of Financial Studies, Vol. 20 (3), pp. 741-768.
crossref
9. Jackson, A. R., 2005, Trade Generation, Reputation, and Sell-side Analysts, The Journal of Finance, Vol. 60 (2), pp. 673-717.
crossref
10. Kim, D. S., and S. S. Eum, 2008, Does the Geography Matter for Analysts'Forecasting Abilities and Stock Price Impacts?, Korea Journal of Financial Management, Vol. 25 (4), pp. 1-24.

11. Kim, D. S., and Y. Cheon, 2004, Foreign Investor vs. Domestic Investors, Who Are Better Informed Investors?, Korean Journal of Financial Studies, Vol. 33 (2), pp. 1-44.

12. Kim, J. H., and et al, 2003, Determinants of Analysts Following:Using the IBES Database, Korean Accounting Review, Vol. 28 (3), pp. 31-54.

13. Kim, K. S., 2012, The Market Reaction on Analyst Research and Determinants of the Informativeness, Korea Accounting Review, Vol. 37 (3), pp. 111-156.

14. Kim, M. K., and J. S. Kim, 2022, Behavioral Convenience and Trading Behavior of Domestic Individual investors, KCMI Research, pp. 22-02.

15. Kim, S. I., and J. M. Yoo, 2022, Analyst Coverage in the COVID-19 Pandemic Period, and the Differential Effect of the Corporate Investment, Korea Corporation Management Review, Vol. 29 (3), pp. 1-25.
crossref
16. Kim, T. W., and K. Ohk, 2015, Private Information and Trading Behavior:KOSPI200 Futures Market, Korea Journal of Futures and Options, Vol. 23 (2), pp. 207-241.

17. Koh, B. C., and J. W. Kim, 2007, Earning Forecast Accuracy and Recommendation Profitability of the Analysts in Korea, Korean Journal of Financial Studies, Vol. 36 (6), pp. 1009-1047.

18. Lee, B. M., 2019, Challenges for Quality Information Production Through Analysts, Korea Institute of Finance, Vol. 28 (3), pp. 3-8.

19. Lee, W. H., and S. M. Choi, 2003, The Effect of Changes in Analysts'Investment Recommendation Ranking on Stock Returns and Trading Volumes, Korean Journal of Financial Studies, Vol. 32 (3), pp. 1-44.

20. Lehmer, T., B. Lourie, and D. Shanthikumar, 2022, Brokerage Trading Volume and Analysts'Earnings Forecasts:A Conflict of Interest?, Review of Accounting Studies, pp. 1-36.
crossref pdf
21. Lim, B. K., and P. S. Yoon, 2017, Informed Trading Before Seasoned Equity Offering, Korean Journal of Financial Studies, Vol. 46 (1), pp. 133-157.

22. Ministry of Health and Welfare, 2023, COVID-19, Changes in Infectious Disease Response Over Last 3 Years, Press Release, January-20-2013,

23. Moyer, R. C., R. E. Chatfield, and P. M. Sisneros, 1989, Security Analyst Monitoring Activity:Agency Costs and Information Demands, Journal of Financial and Quantitative Analysis, Vol. 24 (4), pp. 503-512.
crossref
24. Park, J., and M. G. Lee, 2019, Transformation of Mid-Sized Firms into the Holding Company Structure, Korean Journal of Financial Studies, Vol. 48 (1), pp. 1-27.
crossref
25. Roulstone, D. T., 2003, Analyst Following and Market Liquidity, Contemporary Accounting Research, Vol. 20 (3), pp. 552-578.
crossref pdf
26. Shin, H. H., J. Chang, and Y. J. Cho, 2004, The Change in Corporate Transparency Around Financial Crisis :Analysis Using Analyst's Earning Forecast Data, Korean Accounting Journal, Vol. 13 (2), pp. 1-28.

27. Song, M. S., and S. H. Byun, 2013, 2008 Financial Crisis and Analyst Forecasts, Korean Management Review, Vol. 42 (5), pp. 1187-1218.

28. Womack, K. L., 1996, Do Brokerage Analysts'Recommendations have Investment Value?, The Journal of Finance, Vol. 51 (1), pp. 137-167.
crossref
TOOLS
Share :
Facebook Twitter Linked In Google+ Line it
METRICS Graph View
  • 0 Crossref
  •    
  • 1,050 View
  • 17 Download
Related articles in Korean J Financ Stud


ABOUT
BROWSE ARTICLES
EDITORIAL POLICY
FOR CONTRIBUTORS
Editorial Office
6F, Korea Financial Investment Association Building
143, Uisadangdaero, Yeongdeungpo-gu, Seoul 07332, Korea
Tel: +82-2-783-2615    Fax: +82-2-783-6539    E-mail: office@e-kjfs.org                

Copyright © 2024 by Korean Securities Association.

Developed in M2PI

Close layer
prev next