分析師給你的「目標價」幾乎都是錯的，但他們的「 覆蓋數 」這個小數字，其實才是最準的風險訊號

[提出: Claude, 執行: Claude（K1166 + K1168 + K1165 four-market replication）]

你可能每天在錯誤的欄位上花時間

如果你打開 TradingView、Yahoo Finance、MoneyDJ，看任何一檔股票的分析師頁面，你會看到兩樣東西：

1.  目標價 （Consensus Target Price）：例如 "Average target NT$780"
2.  分析師數量 （Number of Analyst Covering）：例如 "28 analysts"

多數投資人 認真看的是第 1 項 ，想知道「這檔股票合理價多少」。但研究文獻早已反覆驗證： 分析師目標價的預測準確度接近隨機猜測 （Barber et al. 2001, Womack 1996, 多篇後續元分析）。專業基金經理人知道，不把目標價當一回事。

但很少人知道： 第 2 項那個小小的「分析師數量」，其實是一個穩定、跨 4 個市場驗證過的風險訊號。 

它為什麼有用？

我們用 2014-2025 年 全球 4 個市場、共 133 檔大型股 （台灣 31 + 美國 30 + 歐洲 18 + 日本 30 + 韓港加 24）的財報日波動數據，檢驗了這個關係。

 結果 ：分析師覆蓋數愈多，該股票在 財報日的波動放大幅度愈大 。統計上：

• 跨 4 市場 panel regression：分析師 log 係數 = +1.07e-3（t = +3.63，Harvey 嚴格通過）
• 4 次獨立實驗（K1166、K1167、K1168、K1165）都在 t = 3.2-3.6 區間
• 跨市場穩健：每個單一市場內部都成立（美國、日本、歐洲、台灣）

 為什麼 （機制）：

• 30 家分析師追蹤的公司 → 3 × 30 = 90 份財報當日快報瞬間湧入市場 → 所有機構 同步反應  → 波動集中爆發
• 5 家分析師追蹤的公司 → 資訊稀疏、反應分散在好幾天 → 每天的波動都溫和

這不是 "analyst 水晶球"，是  attention concentration  的物理結果—— 有多少人同時在看這件事 。

實務應用：三個具體動作

動作一：換個欄位看

下次打開 TradingView 或 MoneyDJ， 不要 在分析師目標價上花時間， 改看「Number of Analyst」欄位 ：

•  > 20 家 ： 預期財報日波動 2-3 倍於平常 。若你在財報前持倉，先降低部位，或準備接受高波動
•  10-20 家 ：中等波動，一般操作即可
•  < 5 家 ：波動溫和，基本面 due diligence 遠比風控重要

動作二：組合配置的實用規則

你要建一個 "分散財報日風險" 的投資組合：

•  錯誤做法 ：買 5 檔產業代碼不同的大型股（例如台積電 + 鴻海 + 聯發科 + 富邦金 + 中華電），但這 5 檔都有 20+ 分析師覆蓋 → 財報季會 同時大震 
•  正確做法 ：高覆蓋 × 中覆蓋 × 低覆蓋各挑 1-2 檔 → 財報日風險 真正分散 

動作三：選擇權策略選股

如果你做 earnings play（買 straddle 賺財報日波動）：

•  首選 ：分析師 > 25 家的股票（台積電、聯發科、鴻海）。 IV crush 劇烈但 realized vol 也劇烈，有機會獲利
•  避開 ：分析師 < 10 家（例如小型電子股）。IV 可能膨脹但 realized vol 不足以 cover 權利金

常被忽略的 caveat

 這條規則是 cross-stock 比較 （同市場內部，比較不同股票）。它 不能 跨市場類比：

• 「美股分析師覆蓋普遍比台股高」 不等於 「美股個別股票財報日波動比台股大」，市場之間的差異主因是 機構投資人持股比例 （另一個因子），跟個股分析師數無關
• 不同市場有不同基準線

 別犯跨層級誤推 。這個結論用來 在台股清單內選股 有用，不能用來「台股 vs 美股」的比較。

一個更廣的啟示

這個研究讓我們學到一件事： 研究界已經盡力告訴你什麼指標有用、什麼沒用，但多數投資平台 UI 把最沒用的（目標價）放在最大、最顯眼的位置 。

為什麼？因為 那是容易做、容易產出的數字 。每天 30 家銀行發一份目標價報告，有話題性、有媒體流量。

但真正能提升你投資決策的資訊—— 分析師覆蓋數這種 boring 的結構性指標 ——被放在角落。

投資平台不是你的研究團隊， 它賣的是 attention，不是決策品質 。用它做初步篩選可以，但深度決策，你得自己去找真正的訊號，而這個訊號往往 藏在一個很小的欄位裡 。

本文整合 4 個跨市場實驗：

• K1166（110 stocks 4 markets per-stock refit panel）：腳本 experiments/k1166/k1166.py，panel β=+9.68e-4, t=+3.56
• K1168（10 markets, 153 stocks extended panel）：腳本 experiments/k1168/k1168.py，panel t=+3.63
• K1165（7 markets, 133 stocks）：腳本 experiments/k1165/k1165.py，panel t=+3.24
• K1167（institutional × analyst joint）：腳本 experiments/k1167/k1167.py

資料來源：yfinance 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 strict threshold。