Forecasts of earnings per share: Possible sources of analyst superiority and bias *

Forecasts of earnings per share: Possible sources of analyst superiority and bias * Abstract. Previous research has shown that analysts' forecasts of quarterly earnings per share (EPS) are more accurate than those of accepted time‐series models. In addition, some previous research suggests that, on average, analysts' forecasts tend to be optimistic (i.e., biased). Two explanations for analysts' superiority have been proposed: (1) analysts use more recent information than can time‐series models and (2) analysts use forecast‐relevant information not included in the time‐series of past earnings. This paper provides evidence on a third potential source of analyst superiority: the possibility that humans can use past earnings data to predict future earnings more accurately than can mechanical time‐series models. We find that human judges do no worse than accepted time‐series models when both use the same information set: namely, the series of past EPS figures. To date, little or no research has attempted to determine why analyst bias might exist. Still, some possible reasons have been forwarded. First, pessimistic forecasts or reports may hinder future efforts of the analyst or the analyst's employer to obtain information from the company being analyzed. Second, forecast data bases may suffer a selection bias if analysts tend to stop following those firms that they perceive as performing poorly. This study proposes, and provides evidence regarding, a third possible explanation for analyst bias: the use of judgmental heuristics by analysts. Many studies have shown that human predictions are often biased because of the use of such heuristics. We present evidence that suggests this may be the case for analysts' forecasts of earnings per share. Résumé. De précédents travaux de recherche ont démontré que les prévisions des analystes relatives au bénéfice par action (BPA) trimestriel sont plus exactes que celles que permettent d'obtenir les modèles reconnus basés sur les séries chronologiques. De plus, les résultats de certains travaux de recherche laissent croire qu'en moyenne, les prévisions des analystes tendent à être optimistes (c'est‐à‐dire biaisées). Deux explications à cette supériorité ont été proposées: 1) l'information que les analystes utilisent est plus récente que celles utilisées dans les modèles fondés sur les séries chronologiques et 2) les analystes utilisent de l'information pertinente aux prévisions qui ne figure pas dans les séries chronologiques relatives aux bénéfices passes. Les auteurs attribuent à un troisième facteur potentiel cette supériorité: la possibilité pour les humains d'utiliser les données relatives aux bénéfices passés pour prédire les bénéfices futurs de façon plus précise que ne le peuvent les modèles fondés sur les séries chronologiques. Ils en viennent à la conclusion que les humains obtiennent des résultats tout aussi efficaces que les modèles chronologiques reconnus lorsqu'ils utilisent un jeu de renseignements identique, soit les données historiques relatives au BPA. Jusqu'à maintenant, peu de chercheurs, sinon aucun, ont tenté de déterminer à quoi tiendrait l'existence d'un biais chez l'analyste. Malgré tout, certaines explications possibles ont été proposées. Premièrement, les prévisions ou les rapports pessimistes peuvent faire obstacle aux efforts futurs de l'analyste ou de son employeur pour obtenir de l'information de la société faisant l'objet de l'analyse. Deuxièmement, les bases de données servant à la prévision peuvent être entachées d'un biais de sélection si les analystes ont tendance à cesser de suivre les entreprises qui leur semblent afficher une piètre performance. Les auteurs proposent et attestent une troisième explication possible du biais de l'analyste: l'utilisation de méthodes heuristiques fondées sur le jugement. De nombreuses études ont démontré que les prédictions humaines sont souvent biaisées par suite de l'utilisation de ces méthodes heuristiques. Les auteurs apportent des arguments qui permettent de croire que ce pourrait être le cas des prévisions des analystes du bénéfice par action. http://www.deepdyve.com/assets/images/DeepDyve-Logo-lg.png Contemporary Accounting Research Wiley

Forecasts of earnings per share: Possible sources of analyst superiority and bias *

Loading next page...
 
/lp/wiley/forecasts-of-earnings-per-share-possible-sources-of-analyst-GZ6GN0vh3c
Publisher
Wiley
Copyright
1990 Canadian Academic Accounting Association
ISSN
0823-9150
eISSN
1911-3846
DOI
10.1111/j.1911-3846.1990.tb00771.x
Publisher site
See Article on Publisher Site

Abstract

Abstract. Previous research has shown that analysts' forecasts of quarterly earnings per share (EPS) are more accurate than those of accepted time‐series models. In addition, some previous research suggests that, on average, analysts' forecasts tend to be optimistic (i.e., biased). Two explanations for analysts' superiority have been proposed: (1) analysts use more recent information than can time‐series models and (2) analysts use forecast‐relevant information not included in the time‐series of past earnings. This paper provides evidence on a third potential source of analyst superiority: the possibility that humans can use past earnings data to predict future earnings more accurately than can mechanical time‐series models. We find that human judges do no worse than accepted time‐series models when both use the same information set: namely, the series of past EPS figures. To date, little or no research has attempted to determine why analyst bias might exist. Still, some possible reasons have been forwarded. First, pessimistic forecasts or reports may hinder future efforts of the analyst or the analyst's employer to obtain information from the company being analyzed. Second, forecast data bases may suffer a selection bias if analysts tend to stop following those firms that they perceive as performing poorly. This study proposes, and provides evidence regarding, a third possible explanation for analyst bias: the use of judgmental heuristics by analysts. Many studies have shown that human predictions are often biased because of the use of such heuristics. We present evidence that suggests this may be the case for analysts' forecasts of earnings per share. Résumé. De précédents travaux de recherche ont démontré que les prévisions des analystes relatives au bénéfice par action (BPA) trimestriel sont plus exactes que celles que permettent d'obtenir les modèles reconnus basés sur les séries chronologiques. De plus, les résultats de certains travaux de recherche laissent croire qu'en moyenne, les prévisions des analystes tendent à être optimistes (c'est‐à‐dire biaisées). Deux explications à cette supériorité ont été proposées: 1) l'information que les analystes utilisent est plus récente que celles utilisées dans les modèles fondés sur les séries chronologiques et 2) les analystes utilisent de l'information pertinente aux prévisions qui ne figure pas dans les séries chronologiques relatives aux bénéfices passes. Les auteurs attribuent à un troisième facteur potentiel cette supériorité: la possibilité pour les humains d'utiliser les données relatives aux bénéfices passés pour prédire les bénéfices futurs de façon plus précise que ne le peuvent les modèles fondés sur les séries chronologiques. Ils en viennent à la conclusion que les humains obtiennent des résultats tout aussi efficaces que les modèles chronologiques reconnus lorsqu'ils utilisent un jeu de renseignements identique, soit les données historiques relatives au BPA. Jusqu'à maintenant, peu de chercheurs, sinon aucun, ont tenté de déterminer à quoi tiendrait l'existence d'un biais chez l'analyste. Malgré tout, certaines explications possibles ont été proposées. Premièrement, les prévisions ou les rapports pessimistes peuvent faire obstacle aux efforts futurs de l'analyste ou de son employeur pour obtenir de l'information de la société faisant l'objet de l'analyse. Deuxièmement, les bases de données servant à la prévision peuvent être entachées d'un biais de sélection si les analystes ont tendance à cesser de suivre les entreprises qui leur semblent afficher une piètre performance. Les auteurs proposent et attestent une troisième explication possible du biais de l'analyste: l'utilisation de méthodes heuristiques fondées sur le jugement. De nombreuses études ont démontré que les prédictions humaines sont souvent biaisées par suite de l'utilisation de ces méthodes heuristiques. Les auteurs apportent des arguments qui permettent de croire que ce pourrait être le cas des prévisions des analystes du bénéfice par action.

Journal

Contemporary Accounting ResearchWiley

Published: Mar 1, 1990

References

  • Applications of Time‐Series Analysis in Accounting: A Review
    Bao, Bao; Lewis, Lewis; Lin, Lin; Manegold, Manegold
  • Professional Expectations: Accuracy and Diagnosis of Errors
    Elton, Elton; Gruber, Gruber; Gultekin, Gultekin

You’re reading a free preview. Subscribe to read the entire article.


DeepDyve is your
personal research library

It’s your single place to instantly
discover and read the research
that matters to you.

Enjoy affordable access to
over 18 million articles from more than
15,000 peer-reviewed journals.

All for just $49/month

Explore the DeepDyve Library

Search

Query the DeepDyve database, plus search all of PubMed and Google Scholar seamlessly

Organize

Save any article or search result from DeepDyve, PubMed, and Google Scholar... all in one place.

Access

Get unlimited, online access to over 18 million full-text articles from more than 15,000 scientific journals.

Your journals are on DeepDyve

Read from thousands of the leading scholarly journals from SpringerNature, Elsevier, Wiley-Blackwell, Oxford University Press and more.

All the latest content is available, no embargo periods.

See the journals in your area

DeepDyve

Freelancer

DeepDyve

Pro

Price

FREE

$49/month
$360/year

Save searches from
Google Scholar,
PubMed

Create folders to
organize your research

Export folders, citations

Read DeepDyve articles

Abstract access only

Unlimited access to over
18 million full-text articles

Print

20 pages / month

PDF Discount

20% off