上市公司調研報告的信息含量研究
——基于文本分析視角

孟慶斌（教授，博導） 黃清華

（中國人民大學商學院）

一、引言

作為第一大新興市場，我國資本市場的主要特點是以個人投資者為主，因此建立健全的法律制度來維護市場公開、公平、公正，維護投資者特別是中小投資者合法權益始終是監管部門的重要工作1.根據2018年11月9日海通證券發布的《策略專題報告：A股與美股的市場結構對比》，2018年中報披露數據顯示A股個人投資者持有自由流通市值占比為40.5%，而美國、日本、中國香港、英國、法國市場的個人投資者持有的市值占比分別僅為4.14%、4.59%、6.82%、2.74%和1.97%。。為應對上市公司的選擇性披露，中國證監會于2007年2月1日正式頒布并實施《上市公司信息披露管理辦法》（簡稱《辦法》），強制性要求上市公司不得對特定對象選擇性披露一些非公開重大信息。隨后，為進一步推進這一制度，上海證券交易所和深圳證券交易所于2012年和2013年開始強制要求上市公司在分析師或機構投資者調研完成后兩個交易日內，編寫并公布《投資者關系活動記錄表》。學者通過研究發現雖然《辦法》強制要求上市公司不能披露重大非公開信息，但是上市公司仍然可能會披露一些非重大信息，調研者通過將這些信息與自己的私人信息或公開信息結合起來能推測出重大信息，從而影響調研人員對公司的盈利預測和估值，表現為分析師預測精準度提高、機構投資者交易回報增加、市場絕對價格和交易量反應很大（Soltes, 2014; Green et al., 2014;Bushee et al., 2011; Cheng et al., 2015; Han et al., 2017; Cheng et al., 2019; Bowen et al.,2018）。

本文認為，以往學者的研究具有以下三個方面的局限性，第一，以往學者主要探討分析師或機構投資者是否去調研的差異，而沒有深入探討調研內容；第二，以往學者使用的數據為2009——2012年期間深交所上市公司年報中披露的調研數據，這些信息不具有時效性，年報在披露這些信息之前股價已經將這些信息反映出來；第三，以往研究主要探討對去調研的分析師或機構投資者的影響，除此之外還有沒有去調研的分析師、機構投資者和個人投資者，因此探討調研對這類投資者的影響、信息如何在投資者之間擴散也是非常有必要的。基于以往學者研究的局限性，本文將以2012年1月1日——2018年12月31日所有A股市場上市公司實時披露的調研報告為樣本，通過對調研報告的內容進行情感分析，探討以下兩個問題：第一，上市公司披露的調研報告是否會對市場產生影響？第二，上市公司調研報告傳達出的信息是真實信息還是噪音？

二、文獻綜述與理論分析

（一）文獻綜述

國外學者研究了分析師會議、投資者會議、電話會議等上市公司與投資者的交流形式的信息含量。Bushee et al.(2011)以美國市場為研究對象，發現上市公司會議展示前后3天股票絕對異常收益率和異常換手率顯著增加，相比于展示前90天增加5%～10%，并且會議特征如贊助商、位置、規模和行業關注點對投資者會議的信息含量有很大影響；Bushee et al.(2017)采用2003——2008年期間7 668個有會議記錄的會議展示為樣本，發現約一半的會議會安排正式的線下交流，通過對這段時間的交易規模進行研究，發現在這段時間中平均交易規模顯著增加、會議展示后交易回報率顯著增加，表明線下交流確實提供了更多有用的信息；Green et al.(2014)以由107家券商舉辦的2 749次投資者會議為樣本，研究發現舉辦方分析師評級上調（下調）后2天的股票異常收益率比其他分析師高1.09%（低-1.07%），這種差距在投資者會議后一個季度更大，進一步研究發現會議舉辦后3個月舉辦方分析師的盈余預測準確度顯著提升，平均比非舉辦方分析師高5%。除此之外，還有部分學者通過對上市公司提供的與投資者或分析師交流的會議數據進行研究。Soltes(2014)通過對一家上市公司管理層與賣方分析師之間的電話會議記錄研究發現分析師不僅與CEO和CFO私下交談，還與經營區域和產品線的分區副總裁進行交談，打電話這種非正式且更長時間的接觸方式使得賣方分析師產生更多的分析報告，但是分析師的預測精準度卻沒有提高，他們認為分析師通過與管理層的接觸并不是為了獲取信息，而是通過與管理層建立更密切的關系從而獲得將他們的買方客戶介紹給管理層的機會。

國內學者對中國分析師或機構投資者到上市公司調研也進行了大量的研究，Cheng et al.(2016)以2009——2012年深圳證券交易所上市公司的實地調研為樣本，研究發現相比于分析師沒有進行實地調研的公司，分析師對實地調研的公司預測精準度的提升更大，并且發現預測精準度的提升程度在制造行業的公司、有形資產更多的公司以及商業活動集中的公司中更加明顯；Han et al.(2018)采用2007——2014年更長的樣本區間進行研究，也發現了與Cheng et al.(2016)相同的結論，調研完成后分析師的盈利預測精準度提升了30%，提升程度在交通更不方便、分析師和媒體覆蓋較低的公司中更大，并且，對于與機構投資者利益沖突更少的分析師其預測精準度提升程度也更大；之后，Cheng et al.(2019)直接研究了實地調研后[0,+1]之間的市場反應，以調研后[0,+1]之間規模調整后異常收益率的絕對值減去正常時期的對應值，發現這個差異是正常時期的9.04%，相當于公布年報時價格反應的1/3，因此市場對實地調研的反應是非常強烈的；Liu et al.(2017)以2006——2014年來自于深圳證券交易所的調研數據，研究發現共同基金在調研上市公司完成后交易程度顯著增加，并且交易行為能夠預測未來的意外盈余，認為去上市公司調研有助于共同基金獲得有用信息從而交易獲利，并且發現調研越深入、公司信息環境越差，共同基金越能夠獲得更多的有用信息。

（二）理論分析與研究假設

參考以往學者的研究（Loughran and McDonald,2011; Tetlock et al., 2008；Davis et al.,2012；），本文主要關注于上市公司發布調研報告的負面語氣，因為上市公司披露的報告相對比較樂觀，報告中的負面語氣的預測能力更強，有更多的信息含量。

雖然《辦法》指出上市公司不能向特定調研對象披露重大非公開信息，但是允許上市公司披露非重大信息，即披露的信息不是重大信息，但是調研人員可以將這些信息與其他信息結合在一起，獲取相關的重大非公開信息，從而改變他們對上市公司的盈利預測和估值，因此與管理層進行深入的交談也有利于獲取重要的私有信息（Bushee et al., 2011）。本文認為，分析師或機構投資者到上市公司調研可能從以下幾個方面受益；第一，分析師或機構投資者能夠將調研過程中獲取的信息與他們擁有的私有信息相結合，從而得出有用的信息；第二，他們可以通過提問的方式確認他們知道但是并不確定的信息，包括公司的戰略、產品、生產線、渠道、市場等，從而幫助他們確定估值模型中的相關參數；第三，對于不止一個調研人員的調研，調研人員也可以通過聆聽其他調研人員提問的問題，知道市場上其他參與者的關注點，有助于全面評估被調研公司；第四，通過實地參觀的方式能夠獲取公司生產、經營的真實情況，比言語獲取的信息更加真實可靠。因此，當上市公司公布出調研報告后，市場上的投資者也能通過解讀報告從而更新對公司的預期，做出交易，影響股價未來股票收益率。因此，本文提出假設H1：

H1：上市公司發布的調研報告的語氣越負面，未來股票累計異常收益率越低。

然后，本文將考察上市公司發布的調研報告傳達的是真正的信息還是噪音。在假設H1成立的情況下，本文認為此結果的出現既有可能是由于調研報告的確具有信息含量，也可能是其對股價的影響僅停留在短期，即調研報告所包含的并非信息而是噪音。對此，參考Chen et al.(2014)，本文通過研究調研報告的負面語氣能否預測公司的意外盈余來判斷其所傳達的到底是真正的信息還是噪音。本文認為，一方面，投資者或分析師對上市公司調研前，需要花費大量的時間和努力挖掘和掌握公司的基本信息和經營情況，所以其時間成本和資金成本較高；另一方面，大多數的調研人員均為專業投資人員，他們具有更強的信息處理和挖掘能力（Boehmer and Kelley, 2009; Boulatov et al., 2013; Campbell et al., 2009; Hendershott et al., 2015），因此上市公司調研報告的負面語氣傳達出來的是真正的信息。因此，本文提出假設H2：

H2：上市公司發布的調研報告的語氣越負面，未來公司年報的意外盈余越小。Reti,t為股票i在t日的收益率，MReti,t為股票i所在市場在t日的市場收益率。

2.被解釋變量2：意外盈余

參考Chen et al.(2014)，本文采用實際每股收益減去年報發布前40日內所有發布研究報告的分析師對每股收益預測的均值，然后再除以股價，具體定義如模型(3)，其中EPSi,y為i公司y年實際每股收益，FEPSi,y為分析師對i公司y年每股收益預測的平均值，Pricei,y-40,y-3為公司盈余公布前40日至3日之間股價的平均值。

3.解釋變量：上市公司調研報告的負面語氣

參考以往研究，本文將以大數據搜索與挖掘共享平臺（NLPIR）為工具，對報告中的文本信息進行情感分析，得出負面得分2.網址為http://ictclas.nlpir.org/nlpir/。NLPIR工具進行的情感分析主要采用了兩種技術：第一，情感詞的自動識別與權重自動計算：利用共現關系，采用Bootstrapping的策略反復迭代，生成新的情感詞及權重；第二，情感判別的深度神經網絡：基于深度神經網絡對情感詞進行擴展計算，綜合為最終的結果。并且，本文對部分樣本通過人工閱讀，將人工閱讀的結果與用NLPIR為工具進行的情感分析結果進行對比，匹配率達到了85%以上。（汪昌云和武佳薇,2015）。之后，將負面得分除以總字數進行標準化，即得到Negi,t，計算方式見式(4)。

三、數據及研究方法

（一）變量定義與數據描述

本文以2012年1月1日——2018年12月31日中國A股公司為樣本，剔除公司盈余公告披露前后10日的調研樣本、金融行業的公司、ST公司以及相關數據缺失的樣本。公司相關數據來自于CSMAR和Resset數據庫，調研數據來自于CNRDS數據庫。

1.被解釋變量1：股票累計異常收益率

本文對股票累計異常收益率的衡量指標構建如下：

第一個衡量指標是 C AR_Marketi,t1,t2：根據模型(1)，本文利用股票i的日度收益率計算股票i經過市場調整后在[t1,t2]之間的累計異常收益率CAR_Marketi,t1,t2。其中，

為了檢驗H2，參考Chen et al.(2014)，本文以股票i在y年宣告盈余公告前40天至3天之間投資者調研報告的負面得分占總字數比例（Negi,t）的平均值作為解釋變量。

4.主要控制變量

在對H1檢驗時，借鑒已有文獻（Fama and French,1993; Carhart, 1997; Chen et al., 2014），本文考慮加入如下控制變量：公司規模(Sizei,t)、市賬比(MBi,t)、資產負債率(Levi,t)、資產收益率（ROAi,t）、股票日收益率的標準差(Voli,t)、t-1和t-2日的股票異常收益率（ARi,t-1、ARi,t-2）、[t-60, t-3]之間的股票累計異常收益率（CARi,t-60,t-3）。

另外，學者們還發現媒體語氣能對投資者的交易行為和股票收益率產生影響（Tetlock, 2007; Fang and Peress,2009）， 因此為了控制媒體語氣的影響，參考國內研究（李培功和沈藝峰，2010；游家興和吳靜，2012），對媒體語氣進行控制。將正面的媒體報道內容定義為1，負面的定義為-1，中 性 為 0，Newstonei,t定義為當天所有新聞語氣的平均值。若股票i在t天沒有媒體報道，Newsdummyi,t為 0，否則為1。數據來源于CNRDS數據庫3.該數據庫有監督學習在文本分類問題中的應用包括以下幾個步驟：(1)事先定義類別(包括正面、負面、中性三種)，對數據進行人工標注，得到正面新聞10370條、負面新聞4500條、中性新聞9100條；(2)從有類別信息的數據集中自動獲取數據，這部分數據被稱為“訓練數據”；(3)引入有監督學習算法支持向量機(Support Vector Machine)在訓練數據集上學習得到分類模型；(4)接下來使用分類模型自動預測測試數據集的類別(本數據庫采用的模型在測試數據集上的準確率達到了85%)。。

并且，為了更清楚地分離出其他信息披露產生的影響，對分析師評級變動進行控制，參考Chen et al.(2014)，用Upgradei,t,Downgradei,t代表公司i在t日是否有上調或下調其評級的分析師報告，如果t日有上調分析師評級，則為1，否則為0；如果t日有下調分析師評級，則為1，否則為0；如果宣告調研內容的當天沒有分析師報告發布，則為0，否則為1。

在對H2檢驗時，除了公司規模(Sizei,t)、成長性(MBi,t)、財務杠桿(Levi,t)、股票日收益率的標準差(Voli,t)、股票累計異常收益率、媒體語氣是否有媒體報道外，還控制了分析師預測標準差(FDispersioni,y?40,y?3)以及上一期的分析師意外盈余（LagEarningsSurprisei,y）。此外，本文還控制了行業、年度和月度啞變量，詳細變量定義見表1。

表1 變量定義

（二）實證模型

參考Chen et al.(2014)，采用模型(5)對假設H1進行檢驗：

其中，CARi,t+1,t+20為股票i在[t+1,t+20]之間的累計異常收益率，分別采用模型(1)和(2)所定義的本文采用[t+1,t+20]作為計算累計異常收益率的時間區間，主要考慮到投資者需要對調研內容進行詳細的分析和處理。如果假設H1成立，則β1預期為負，表明上市公司調研報告負面語氣越大，未來股票累計異常收益率越小。

表2 描述性統計

采用模型(6)對假設H2進行檢驗，即公司調研報告語氣越負面，公司的意外盈余越低。不難看到，如果假設H2成立，則β1預期為負。

四、主要結果

（一）描述性統計和相關系數

表2 Panel A為假設H1各變量的基本描述性統計，股票累計異常收益CAR_Marketi,t+1,t+20和CAR_DGTWi,t+1,t+20的均值均為0.01和0.005。控制變量中，媒體語氣（Newstonei,t）的平均值為0.006，說明媒體報道語氣平均來說是偏正面的，分析師上調（Upgradei,t）和分析師下調（Downgradei,t）平均值分別為0.003和0.001，分析師上調評級高于分析師下調評級，說明分析師更傾向于上調評級而非下調評級，t-1日的股票異常收益率（AR_Marketi,t-1、AR_DGTWi,t-1）分別為0.002、0.002，t-2日的股票異常收益率（AR_Marketi,t-2、AR_DGTWi,t-2）分別為 0.002、0.002，[t-60,t-3]之間的股票累計異常收益率（CAR_Marketi,t-60,t-3、CAR_DGTWi,t-60,t-3）分別為0.049、0.03，公司規模（SIZEi,t）的平均值為22.184，市賬比（MBi,t）的平均值為2.898，資產負債率（Levi,t）的平均值為0.413，波動性（Voli,t）的平均值為0.031。

表2 Panel B為假設H2各變量的基本描述性統計，意外盈余（EaringsSurprisei,y）的均值為-0.011，標準差為0.018，盈余公告前40天至3天上市公司調研報告負面語氣（Negi,y-40,y-3）的均值和方差分別為0.016和0.008。

Voli,t 0.053***0.027**-0.055***0.01-0.085***0.115***-0.019*-0.068*** 1 0.018* -0.002 Upgradei,t 0.02* 0.015 -0.0010.0040.018*0.000 0.0030.022**0.01 1 -0.001 Downgradei,t 0.005 0.006 0.013-0.0010.025**-0.0040.002-0.001-0.002-0.001 1注：1. 對角線上方為 Spearman相關系數值，對角線下方為 Pearson相關系數；2. *、**、***分別表示10% 、5% 和1% 的顯著性水平（以下各表同）；3. 為節約篇幅，這里僅列出重要變量之間的相關系數。Marketi,t+1,t+20 VARIABLES CAR_DGTW i,t+1,t+20 CAR_表3 假設1主要變量的 Pearson 和 Spearman 相關系數Sizei,t -0.057***-0.015-0.043***0.021** 1 -0.239***0.598-0.077***-0.108***0.02* 0.025**MBi,t 0.001 0.007-0.024**-0.001-0.157*** 1 -0.082***0.151***0.269***0.012 -0.01 Levi,t -0.034***-0.008-0.047***0.014 0.5820.037*** 1 -0.324***-0.031***0.003 0.002 ROAi,t -0.005 -0.002-0.029***-0.01-0.068***-0.007-0.301*** 1 -0.056***0.011 -0.002 Negi,t -0.024**-0.025** 1 0.000-0.059***-0.039***-0.074***-0.032***-0.060***-0.003 0.007 Newstonei,t 0.011 0.016 0 1 0.029***-0.0030.016-0.0130.011-0.002-0.001 CAR_Marketi,t+1,t+20 1 0.866***-0.03***0.017*-0.053***-0.032***-0.026**0.018*0.008 0.011 -0.002 CAR_DGTW i,t+1,t+200.893*** 1 -0.026**0.012*0.008-0.0120.002 0.013-0.027***0.011 -0.001 Negi,tNegi,tSizei,tMBi,tLevi,tROAi,tVoli,tUpgradei,t Downgradei,t

出列ispersioni,y-40,t-3僅*58*****里這0.05*-0.042 5***49**5***56**25**1，幅FD -0.6 0.22-0.2 0.17-0.1-0.1篇約節為3.40,t-3 R_Marketi,y-）；同***0.097***32表1 0.0438***-0.0各-0.063**下19 CA -0.0 0.004 0.23.125-0以（平水**性67**著040 Voli,y 6***顯64**0.111 0.*3***6***的數系-0.2-0.007 0.26-0.0 0.27-0.1218*1%關和相5%an 2734333***rm 01 ea Levi,y-0.0-0.0 636***-0.0.061**0.00 1606 10% 、S p 0.-00.示表n 和**別arso .016 MBi,y 0.131*052***分.038-03***0..032-0.16*956***1***Pe -00.-0-0.1*、的、*量****變要17***；2. *主Sizei,y-0.009-0.008-0.041數2-0.219**0.63-0.261**-0.088**0.2074**系設關假nei,y-**7**相n 4 40,y-31055**.048*055**.0302表wsto 072*116*Ne 0.0.01-0.026 0.-00.0.-0Pearso為方下Negi,y-40,y-3-0.037 1015 0.001 0.002 0.013 0..01-0-0.031 77**0.06線角對sSurprisei,y ，值**89****數系1關ring 0.063*049*0.854*相Ea -0.0-0.058**0.131***-0.09***0.093***-0.6 an Sp earm ispersioni,y-EaringsSurprisei,y 為able 40,y-3方上40,t-3 Vari 40,y-3 40,t-3 Negi,y-Newstonei,y-Sizei,y MBi,y Levi,y Voli,y rketi,y-R_Ma 線角CA FD 對：1.注。數系關相的間之量變要重

表3為假設H1主要變量的Pearson相關系數和Spearman相關系數。首先，CAR_Marketi,t+1,t+20與CAR_DGTWi,t+1,t+20的Pearson和Spearman相關系數分別是0.893和0.866，在1%的水平下顯著，說明兩個衡量股票累計異常收益率的指標具有較好的一致性。其次，上市公司調研報告負面語氣（Negi,t）與未來股票累計異常收益率之間的Pearson相關系數分別為-0.024和-0.025，且均在5%的水平下顯著，說明在不控制其他因素的情況下，上市公司調研報告語氣越負面，未來股票累計異常收益率越低，初步證明了本文的假設H1。媒體語氣（Newstonei,t）與未來股票累計異常收益率之間的Pearson相關系數0.011和0.016，影響與以往文獻一致，是否有分析師上調評級（Upgradei,t）與未來股票累計異常收益率之間的Pearson相關系數分別為0.02和0.015，且前者在10%的水平下顯著。

表4為假設H2變量的Pearson相關系數和Spearman相關系數。可以看出意外盈余（EaringsSurprisei,y）與年報公布前上市公司調研負面語氣（Negi,y-40,y-3）之間的Pearson和Spearman相關系數分別為-0.089和-0.037，前者在1%的水平下顯著，說明在不控制其他因素的情況下，盈余公告前上市公司調研報告語氣越低，意外盈余越小，初步證明本文的假設H2。意外盈余與年報公布前媒體情緒（Newstonei,y-40,y-3）之間的Pearson和Spearman相關系數分別為0.063、0.072，分別在5%和1%的水平下顯著，與前人研究一致。

（二）上市公司調研報告的負面語氣與未來股票累計異常收益率

利用模型(5)對假設H1進行檢驗，結果見表5，其中第(1)和(2)列分別以CAR_Marketi,t+1,t+20和CAR_DGTWi,t+1,t+20作為被解釋變量。結果顯示，上市公司調研報告負面語氣（Negi,t）的回歸系數分別為-0.385和-0.356，在1%和5%的水平下顯著，說明上市公司調研報告的語氣越負面，未來股票累計異常收益率越低，證明了本文的假設H1；經濟意義上，上市公司調研報告的負面語氣下降一個單位的標準差，每年可以獲得超出市場收益率4.2%的收益或超出與其規模、賬市比和過去收益相似的股票組合3.89%的收益率。這就說明，上市公司公布的調研報告具有信息含量。

此外，表5顯示新聞媒體（Newstonei,t）的回歸系數分別為0.011和0.013，在10%和5%的水平下顯著，這與前人的研究一致，媒體情緒也會對未來股票累計異常收益產生影響（Tetlock, 2007; Fang and Peress, 2009）；經濟意義上，新聞媒體語氣每上升一個單位的標準差，每年可以獲得超過市場收益率2.3%或超過與其規模、賬市比和過去收益相似的股票組合2.7%的收益率。將上市公司調研報告與媒體的情緒對未來股票累計異常收益率的經濟影響對比，發現上市公司調研報告的影響更大。

表5 上市公司調研報告的負面語氣與未來股票累計異常收益率

（三）上市公司調研報告的負面語氣與意外盈余

雖然上文已經證明，上市公司調研報告中的負面語氣能夠顯著負向預測未來股票累計異常收益，然而為了進一步證明上市公司調研報告包含的是真實的信息而非噪音，本文參考Chen et al.(2014)的方法，通過研究年報發布前40天內上市公司調研報告的負面語氣能否預測公司的意外盈余來進一步確認，估計結果見表6。表6結果顯示上市公司調研報告的負面語氣的回歸系數為-0.109，且在5%的水平下顯著，說明在控制包括新聞媒體語氣等其他控制變量后，上市公司調研報告的負面語氣的確能夠顯著負向預測公司未來的意外盈余，說明上市公司調研的確具有信息含量，而不是噪音，證明了假設H2。

另外，媒體情緒（Newstonei,y-40,y-3）的回歸系數為0.002，在5%的水平下顯著，這也與前人研究一致，說明新聞媒體的報道也具有真實的信息（Tetlock, 2007; Tetlock et al.,2008; Fang and Peress, 2009）。

五、研究結論及建議

（一）研究結論

本文以2012年1月1日——2018年12月31日所有A股上市公司調研報告為樣本，采用文本分析的方法計算出衡量調研報告負面語氣的指標，探討上市公司公布的調研報告是否具有信息含量這一問題，本文的研究結論如下：

1.上市公司公布的調研報告的負面語氣能夠顯著負向預測未來股票累計異常收益率；經濟意義上，上市公司調研報告的負面語氣下降一個單位的標準差，每年可以獲得超出市場收益率4.2%的收益或超出與其規模、賬市比和過去收益相似的股票組合3.89%的收益率。

2.上市公司公布的調研報告的負面語氣能夠顯著負向預測未來公司年報的意外盈余，證明上市公司調研的確具有信息含量而不是噪音。總之，上市公司公布的調研報告的確能夠有效傳遞有效信息，提高公司的信息披露質量，有利于緩解選擇性披露。

表6 投資者調研報告的負面語氣與公司意外盈余

（二）政策建議

基于本文的研究結論，對政策制定者、上市公司以及投資者提出幾點政策建議：

1.對于政策制定者而言，應該不斷完善并進一步落實此項制度，包括鼓勵上市公司詳細、完整地披露調研報告，提供調研過程中的錄音和展示文稿等。目前，雖然上市公司披露了相關的調研報告，但是并沒有將調研過程中所有的信息都記錄在報告中，部分公司的報告僅僅是對之前報告內容的重復，存在敷衍了事的嫌疑，因此本文建議政策制定者應強制性要求上市公司對調研中的交談進行錄音并將錄音公布出來，以使得所有投資者都能得到完全相同的信息，從而最大限度的降低調研過程中的選擇性披露問題。

2.對于好的上市公司而言，應該重視調研報告的披露情況，通過詳細披露調研內容的方法將自己與壞公司區分開來。對于好公司而言，一方面，上市公司披露詳細的調研報告有利于提升投資者對公司的關注度，使得所有投資者能夠更加深入、及時地了解公司經營狀況，從而降低管理層的短視行為，有利于公司的長期發展；另一方面，根據信號理論，好公司可以通過詳細披露調研報告的內容向市場釋放出信號，從而將自己與壞公司區分開來，有利于公司價值的提升。

3.對于投資者而言，可以充分利用調研報告中的信息作出投資決策實現財富的增值。分析師和機構投資者作為專業的投資人員，他們是市場的風向標，因此投資者可以在充分閱讀調研報告后了解到其他投資者或分析師對上市公司的關注點，更加準確把握上市公司的經營情況從而及時更新對上市公司的業績預期和估值，通過全面評估上市公司進行投資決策，實現最大程度的財富增值。