財報日波動與分析師覆蓋數：合併面板顯著，但市場內部只有美股成立

財報日的波動，有些股票特別大

同樣是公布財報，有些股票當天的波動明顯高於平常，有些幾乎看不出差別。一個常見的猜測是：被越多券商分析師追蹤的股票，財報日的波動越大。這篇用 4 個市場的個股資料檢驗這個猜測。

檢驗結果：分析師越多，財報日額外波動越大（效果中等）

我們對 4 個市場的大型股做了分析，發現一個方向一致的規律：

 平均而言，一檔股票有越多券商的分析師在寫研究報告，它的財報日額外波動就越大。 

三個樣本範圍不同的合併面板檢驗（K1165 為 133 檔，t=+3.24；K1166 為 110 檔個股重估，t=+3.56；K1168 為 153 檔，t=+3.63；樣本互相重疊，不是獨立複製）都高於 Harvey (2016) 建議的 3.0 門檻。

效果大小有限。K1166 的合併面板（含市場固定效果）R² 為 0.19，個股 θ_EAV 與分析師數的 Spearman 相關為 +0.24（p=0.012，n=108）。分析師數只解釋財報日額外波動差異的一小部分。

三個可能的機制（本文沒有直接檢驗）

機制一：注意力集中

每家券商在財報前後會發 preview 報告、財報當日快報、財報後調整評等。 多家券商各發數篇報告，大量對同一家公司的即時分析湧進市場 。所有基金經理、機構交易員、自營部在同一個時間獲得大量資訊 →  同步反應 → 波動集中爆發 。

機制二：選擇權倉位大小

 分析師覆蓋高 = 機構與散戶選擇權部位密集 。財報日這些部位需要大規模對沖調整，選擇權流通性低的個股沒有這個效應。

 IV crush （選擇權隱含波動率在財報公布後急遽崩落）的深度，可能取決於事前選擇權市場的深度，而選擇權市場深度又可能與基本面覆蓋程度有關。

機制三：避險部位同步

基金經理在財報日前會把台積電部位調整到接近基準權重（以防意外）；公布後再調回自己想要的水位。 分析師覆蓋高的股票 = 很多基金把它當標配 = 所有人在同一天做同樣的倉位調整  → 集體買賣壓力 → 波動放大。

實用：三個層次的投資應用

以下建立在中等的效果大小上：分析師數只是參考指標之一，下面的分組門檻是粗略分組，不是檢定得出的切點。

 層次一：判斷個股財報日風險 

在 Bloomberg / TradingView / 工商時報 / MoneyDJ，每檔股票都有一個「分析師預估數量」欄位。 這個數字越大，財報日額外波動平均越大 。

簡單決策規則：

• 分析師 > 20 →  平均預期波動較大 ，可考慮降低財報日的單日倉位
• 分析師 5-20 → 中等波動，正常操作
• 分析師 < 5 → 波動溫和，基本面研究比量化風險重要

 層次二：選股時的隱含風險判斷 

當你在比較兩檔同產業股票時（例如台積電 vs 聯電、鴻海 vs 緯創、聯發科 vs 聯詠）， 分析師覆蓋數差距平均而言對應財報季波動差距 。組合時可以：

• 希望穩定 → 選分析師覆蓋較低的那檔（聯電、緯創、聯詠）
• 希望有事件交易機會 → 選覆蓋較高的那檔（台積電、鴻海、聯發科）

 層次三：ETF 內部成分權重 

0050（台灣 50）的權值股（台積電、鴻海、聯發科）分析師覆蓋都在 20+ 級別，財報季特別劇烈；中低權重成分（中鋼、台塑、國泰金）分析師覆蓋分散。 0050 在財報季的波動，有相當部分來自前十大權值股的集中反應 。這就是為什麼月底那兩週 0050 看起來特別不穩，不是指數變壞，是權值股集中公布造成的統計結構。

跨市場檢查

我們在 4 個市場分別計算個股 θ_EAV 與分析師數（取對數）的 Spearman 相關：

四個市場的相關係數方向全為正，但只有美國在 5% 水準顯著。台灣、日本、歐洲的樣本只有 18 到 30 檔，相關係數與 0 無法區分。合併面板的 t 值（含市場固定效果）達 +3.56，不等於每個市場內部都顯著。

一個重要的 caveat

這個規律比較的是同一個市場內的不同股票，市場固定效果吸收了各市場的整體水準。它不能用來解釋各市場之間整體財報反應強度的差異，那需要另外的識別。

本文整合 3 個跨市場實驗：

• K1166（per-stock θ_EAV refit, N=110 stocks 4 markets）：腳本 experiments/k1166/k1166.py，panel β=+9.68e-4 t=+3.56
• K1168（N=10 markets extended panel, N=153 stocks）：腳本 experiments/k1168/k1168.py，panel t=+3.63 replication
• K1165（N=7 markets, N=133 stocks）：腳本 experiments/k1165/k1165.py，panel t=+3.24 replication

資料來源：yfinance 全球 4-10 市場股票 + Ticker.get_recommendations_summary() 分析師 count + earnings_dates，2014-2025。 方法：per-stock MLE with Engle-Ghysels-Sohn (2013) E[g]=1 normalization + panel OLS with market FE + White HC0 robust SE + Harvey (2016) |t|>3 嚴格門檻。