Analyst versus Machine Learning: Optimism in Earnings Forecasts Measured by Conditional Bias ? Evidence from Korea = 애널리스트 대 머신러닝: 조건부 편의로 측정한 이익예측 낙관편의?한국 주식시장에서의 실증분석

다국어 초록 (Multilingual Abstract)

This study evaluates whether conditional biases in analysts’ earnings expectations are reflected in stock returns and post-earnings price dynamics in the Korean equity market. Building on Binsbergen, Han, and Lopez Lira (2023), a real time, statistically optimal and asymptotically unbiased benchmark for firms’ earnings expectations is constructed using a random forest model trained in rolling windows that combine public firm characteristics, macroeconomic variables, and analysts’ forecasts; Conditional bias is defined as the difference between analysts’ forecasts and the machine learning benchmark, scaled by previous-month closing price. This study finds that conditional bias serves as a powerful negative predictor of future returns, with an effect magnitude significantly larger than that documented in the U.S. market.
Using all firms listed on KOSPI and KOSDAQ from 2000 to 2024, three questions are addressed: (1) whether analysts’ conditional expectations in Korea exhibit horizon dependent optimism, (2) whether conditional bias forecasts the cross sectional returns after standard risk controls, and (3) whether post-earnings-announcement drift varies systematically with conditional bias. The results show that analyst expectations are, on average, upward biased, with the bias increasing in the forecast horizon. Moreover, conditional bias is a powerful negative predictor of future returns. Portfolios that are short high bias and long low-bias firms earn significant monthly spread of 1.62%. Bias drift–defined as a systematic, monotonic relation between conditional bias and post-announcement cumulative abnormal returns–is not supported in the Korean market, although conditional bias remains informative for the market response to extreme positive earnings surprise. These findings extend the external validity of the conditional bias framework beyond the U.S. setting and highlight the usefulness of the ML benchmark for studying the term structure of expectations, return predictability, and earnings-related price dynamics in Korea.

국문 초록 (Abstract)

본 연구는 한국 주식시장(KOSPI/KOSDAQ)에서 애널리스트 이익 전망에 내재된 조건부 편의가 주가수익률과 이익발표 후 주가 조정 과정에 어떻게 반영되는지를 분석한다. Binsbergen, Han, and Lopez Lira(2023)의 방법론을 바탕으로, 공시된 기업 특성과 거시경제 변수, 애널리스트 예측치를 결합한 랜덤포레스트(Random Forest) 모형을 롤링 윈도우 방식으로 추정하여, 기업의 이익 기대에 대한 실시간(real time) 통계적으로 최적이며 점근적으로 편향이 없는 벤치마크를 구축한다. 조건부 편의는 애널리스트 이익예측치와 머신러닝 벤치마크의 차이를 이전 월 종가로 나눈 값으로 정의된다. 본 연구는 이러한 조건부 편의가 향후 주식 수익률에 대해 강력한 음(-)의 예측 변수로 작용하며, 그 효과의 크기가 미국 시장에서 보고된 것보다 유의미하게 크다는 점을 밝힌다.
2000년부터 2024년까지 KOSPI·KOSDAQ 상장기업 전종목을 대상으로, (1) 한국 애널리스트의 조건부 기대가 전망지평(Q1–Q3, Y1–Y2)에 따라 체계적인 낙관편의를 보이는지, (2) 이러한 조건부 편의가 표준 위험요인을 통제한 후에도 주식수익률의 단면을 예측하는지, (3) 이익발표 후 주가 드리프트가 조건부 편의 수준에 따라 체계적으로 달라지는지를 검증한다. 분석 결과, 애널리스트의 이익예측은 전반적으로 상방 편의되어 있으며, 그 정도는 전망지평이 길어질수록 확대된다. 또한, 조건부 편의는 향후 수익률의 강한 음(-)의 예측변수로 작용하며, 고편의 종목을 공매도하고 저편의 종목을 매수하는 롱–쇼트 포트폴리오의 월간 수익률 스프레드는 약 1.62%로 유의하게 나타난다. 한편 Bias Drift(조건부 편의와 이익발표 후 누적초과수익률 사이의 단조로운 음(-)의 관계로 정의됨)는 한국 시장에서 지지되지 않으나, 극단적인 양(+) 이익서프라이즈 구간에서는 조건부 편의가 긍정적 뉴스에 대한 시장 반응 강도를 여전히 설명하는 것으로 나타난다. 이러한 결과는 조건부 편의 프레임워크의 외적 타당성이 미국 시장을 넘어 한국 시장으로 확장될 수 있음을 보여주며, 머신러닝 벤치마크가 기대의 기간구조, 수익률 예측력, 이익발표 후 가격 조정 과정을 분석하는 데 유용한 도구임을 시사한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• Chapter 2. Literature Review and Hypotheses 4
• 2.1 Forecast Optimism in Analysts 4
• 2.2 Machine Learning in Earnings and Return Forecasting 6
• 2.3 Hypotheses 7

• Chapter 3. Data and Sample 9
• 3.1 Data Sources 9
• 3.2  Sample Selection 10
• 3.3 Variables for Earnings Forecasts 10
• 3.4 Variables for Return Predictions 12
• 3.5 Variables for Bias Drift 13
• Chapter 4. Methodology 14
• 4.1 Random Forest Model 14
• 4.2 Earnings Forecast Accuracy Analysis (H1) 18
• 4.3 Return Predictability of Conditional Bias (H2) 19
• 4.4 Bias Drift (H3) 20
• Chapter 5. Empirical Findings 22
• 5.1 Analyst versus Machine Learning Earnings Forecasts 22
• 5.2 Conditional Bias and Stock Return Predictability (H2) 26
• 5.3 Conditional Bias and Bias Drift (H3) 31
• Chapter 6. Discussion and Conclusions 37
• Appendix 39
• Bibliography 42
• Abstract in Korean 46