The Influence of Cognitive Biases and Financial Factors on Forecast Accuracy of Analysts

Abstract

The objective of this study was to jointly analyze the importance of cognitive and financial factors in the accuracy of profit forecasting by analysts. Data from publicly traded Brazilian companies in 2019 were obtained. We used text analysis to assess the cognitive biases from the qualitative reports of analysts. Further, we analyzed the data using statistical regression learning methods and statistical classification learning methods, such as Multiple Linear Regression (MRL), k-dependence Bayesian (k-DB), and Random Forest (RF). The Bayesian inference and classification methods allow an expansion of the research line, especially in the area of machine learning, which can benefit from the examples of factors addressed in this research. The results indicated that, among cognitive biases, optimism had a negative relationship with forecasting accuracy while anchoring bias had a positive relationship. Commonality, to a lesser extent, also had a positive relationship with the analyst’s accuracy. Among financial factors, the most important aspects in the accuracy of analysts were volatility, indebtedness, and profitability. Age of the company, fair value, American Depositary Receipts (ADRs), performance, and loss were still important but on a smaller scale. The results of the RF models showed a greater explanatory power. This research sheds light on the cognitive as well as financial aspects that influence the analyst’s accuracy, jointly using text analysis and machine learning methods, capable of improving the explanatory power of predictive models, together with the use of training models followed by testing.

Fatores comportamentais determinantes da acurácia da previsão de lucro dos analistas financeiros

“…Portanto, uma vez que as pessoas são mais confiantes em seus julgamentos dos que nos fatos em si (Griffin & Tversky, 1992), os indivíduos atribuem maior peso, e de forma excessiva, às suas informações privadas, em relação às informações públicas (Friesen & Weller, 2006). Desta forma, o analista que apresenta o comportamento do excesso de confiança nem sempre fará uma previsão que superará os resultados reais da empresa no futuro, como é o caso do analista otimista, mas poderá realizar uma projeção que se desviará dos valores reais atingidos pela instituição analisada, inclusive abaixo do lucro real (Nardi, Ribeiro, Bueno, & Aggarwal, 2022). Isto porque, o analista tem a crença de que suas informações são melhores do que os demais participantes do mercado possuem (Aragón & Roulund, 2020) e com a superestimação de seu próprio desempenho (Friehe & Pannenberg, 2019).…”

“…Isto pode ocorrer devido à melhor qualidade das divulgações realizadas pelas empresas que apresentam maior número de analistas que as seguem (Ernstberger et al, 2008), neste sentido, as empresas podem ser seguidas por um maior número de analistas por apresentarem mais suporte à estes profissionais, o que pode contribuir para o desempenho de suas previsões (Nardi et al, 2022). Desta forma, é possível esperar que quanto maior a popularidade da empresa, maior a acurácia das previsões dos analistas.…”

“…A lucratividade é o ganho positivo gerado pelos ativos da empresa em um determinado período (Nardi et al, 2021) e por ser um fator positivo na decisão de investimento no mercado, pode motivar a divulgação ao mercado (Nardi et al, 2022). Isto porque, as empresas podem decidir divulgar informações para gerar confiança no investidor de que são bons investimentos (Costa, Ermel, & Lima Junior, 2018).…”

“…Por outro lado, empresas que passam por este momento de crescimento podem possuir um maior volume de informações e exigir maior dedicação e esforço dos analistas na interpretação das mesmas (Barth, Beaver, & Landsman, 2001;Nardi et al, 2022), o que pode afetar seu julgamento e afetar negativamente a acurácia de duas previsões (Nardi et al, 2021).…”

“…A volatilidade dos lucros é representada pela variação nos resultados apresentados pela empresa em um determinado período de tempo (Nardi et al, 2022). Esta pode ser considerada a medida que melhor demonstra a dificuldade do trabalho de projeção do analista (Saito et al, 2008) pois está relacionada à maior incerteza nas informações divulgadas pelas empresas (Ayres et al, 2017;Behn, Choi, & Kang, 2008).…”