想定読者:証券会社・運用会社の株式アナリストとそのマネジャー、アナリストを評価するバイサイド、取材を受ける側の IR 担当
前提知識:コンセンサス予想と目標株価の意味、回帰分析の係数と統計的有意性の読み方

決算発表が集中する週に、地方の工場見学の案内が届く。出かければ1日がつぶれ、その間に他社の決算レビューが遅れる。行かなければ、現場を見たアナリストとの差が開くかもしれない。担当銘柄を20社近く抱えるアナリストにとって、机の時間と外出の時間の配分は毎週の判断である。

この配分が成果にどう効くかは、これまで測りにくかった。誰がいつ机にいて、いつ外にいたかの記録が無いからである。Azi Ben-Rephael、Bruce I. Carlin、Zhi Da、Ryan D. Israelsen の論文は、Bloomberg 端末のオンライン状態という、分単位で残る記録でこの問いに答えようとした1。

この記事が主に参照する研究

Azi Ben-Rephael、Bruce I. Carlin、Zhi Da、Ryan D. Israelsen(2023)「証券分析とハード情報・ソフト情報の収集(Security Analysis and the Collection of Hard and Soft Information)」NBER Working Paper No. 31936

  • 公表:確認できた最古の版は2022年9月(旧題 All in a day’s work)。NBER WP は2023年12月。参照した版:NBER 版を主に、著者サイトの改訂版(2026年7月、題名を旧題に戻したもの)で変更点を確認。査読:未査読の WP
  • データ:米国のセルサイドの株式アナリスト336人(証券会社42社)の Bloomberg オンライン状態の分単位の記録、2017年9月〜2021年3月の2,874アナリスト四半期。予想は I/B/E/S2
  • 方法:パネル回帰による相関の分析と、2020年のロックダウンを外生的なショックとみなす差の差の分析
  • 位置づけ:「情報の集め方がアナリストの成果を左右するか」という既存の問いを、新しいデータで直接測って検証したもの

ハード​情報・​ソフト​情報と、​記録に​残らない​努力

ファイナンスの研究では、数値や文書として遠くへ送れる情報をハード情報、経営者の話しぶりや現場の様子のように対面でしか得にくい情報をソフト情報と呼んで区別してきた。株式アナリストについては、担当企業の本社に近い人ほど予想が正確だという研究があり、距離がソフト情報の代わりの物差しとして使われてきた。ただ、同じ街にいる2人が同じだけ情報を集めているとは限らない。企業訪問をした人の予想が正確になったという中国の研究や、経営者との私的なやり取りを重視するという米国のアナリスト調査もあるが、日々の時間の使い方そのものは見えていなかった3。

著者らは、Bloomberg(金融​データ​端末の代表的な1つ)の利用状態が他の利用者に見える仕組みを使う。ログイン中、15分以上操作が無い状態、オフラインが分単位で記録される。ここから2つの物差しを作った。1つは平均勤務時間(AWL)で、1日の利用の分布を午前と午後の2つの山に分けて当てはめ、始業から終業までの長さを推計する。平均は9.8時間、8割が8〜12時間に収まり、ロックダウン後は約11時間に延びた4。端末に触れていない会議や表計算の時間も、始業と終業の間なら含まれる。著者らはこれをハード情報の収集・処理の物差しとした。

もう1つは不在日の割合(PAD)で、Bloomberg に一度もログインしない営業日の割合である。平均は0.283、中央値は0.214で、四半期ごとに中央値を超える人を「出張の多いアナリスト」とした。休暇や端末を使わない出社日も混じることは著者らも認めており、ソフト情報の収集をこの割合で測るのは粗い近似である5。感覚をつかむため、四半期の営業日を63日として日数に直したのが図2である。

図2図2 不在日は四半期に何日あるか10%点約2日割合 0.03325%点約6日割合 0.098中央値約13日割合 0.214平均約18日割合 0.28375%点約25日割合 0.38990%点約41日割合 0.656
注:不在日の​割合​(PAD)は、​Bloomberg に​一度も​ログインしない​営業日の​割合。​日数は、​四半期の​営業日を​63日​(年252日÷4)とした​大手町​プレップの​換算で、​論文の​値ではない。​不在日には​出張の​ほか​休暇や Bloomberg を​使わない​出社日も​含まれる​(著者が認める測定誤差)。​米国の​セルサイドの​株式​アナリスト336人、​2017年9月〜2021年3月の​2,874アナリスト​四半期。​出所:R1(p.39 表2)の​数値を​基に​大手町​プレップ​作成。

アナリストは営業日の71.7%で端末にログインし、1日平均362分使っていた。寄り付き前に決算のニュースが出た担当銘柄の数が1標準偏差多いと、7〜9時のログイン活動は平均の水準より12.6%高かった6。勤務時間と不在日の割合のばらつきは、四半期や証券会社の違いよりも個人の違いで多くが説明され(アナリスト固定効果で49.8%・57.2%)、両者の相関は−0.23と弱い負の関係だった。経験の長い人や上位職ほど机の時間が短く、不在日が多い7。

机の​時間は​件数と​速さに、​外出は​精度と​顧客の​評価に

NBER 版の主な結果を成果ごとに並べたのが表1である。同じアナリストの中で比べると、勤務時間が1時間長い四半期には、四半期・年度・その他を合わせた EPS 予想が約3.4件、目標株価の予想が0.54件多かった。出張の多い四半期は EPS 予想が約9.0件、目標株価が1.29件少ない8。決算発表から予想を出すまでの日数は、勤務時間が長い人ほど短かったが、同じ人の中での変化では有意でなく、出張の多さとは有意な関係が確認されなかった9。

精度は PMAFE という相対指標で測る。同じ決算を予想した全員の平均絶対誤差に比べて、自分の誤差がどれだけ大きいかの比率で、研究では各人が四半期中に出した予想の誤差を平均してから絶対値をとる。−1 が最も正確、0 が平均並みである。勤務時間1時間あたり PMAFE は0.005〜0.007低く(PMAFE の絶対値の平均0.39に対して1.3〜1.8%)、出張の多い人は0.012〜0.019低かった(同3.1〜4.9%)10。統計的には有意だが、大きさとしては平均並みとの差のごく一部である。

市場と顧客の反応にも違いが表れた。決算発表と重ならない投資判断の変更8,712件では、出張の多い人の変更に株価がより強く反応した。第1〜3四半期に出張が多い人は、機関投資家の投票で決まる Institutional Investor 誌のランキングに第4四半期に選ばれやすく、前年に選ばれていなかった人でもそうだった。勤務時間はどちらとも統計的に有意な関係が確認されず、自社経由の売買代金とは正の関係があった1112。

表1 勤務時間と不在日は何と結びついたか(NBER 版と最新版)

表は横にスクロールできます →

成果勤務時間(AWL)1時間あたり出張の多い四半期・人最新版(2026年7月)
予想の件数多い(EPS 予想 +3.4件・目標株価 +0.54件)少ない(EPS 予想 −9.0件・目標株価 −1.29件)分析なし
予想の速さ(決算後の日数)短い(約−5.9%、対数係数による近似)。同一人物内では有意でない有意な関係は確認されずAWL と、イベントと日程が重なる不在日(EvPAD)が速さと関係。同一人物内では有意でない
予想の精度(全期間)高い(PMAFE −0.005〜−0.007)高い(PMAFE −0.012〜−0.019)AWL は同一人物内で有意でない。不在日全体は有意でない。イベントと日程が重なる不在日だけが有意
予想の精度(ロックダウン)通勤の長かった群が短かった群に比べ改善(−0.085、10%水準)出張群が悪化(+0.117)、遠方の企業に集中同じ
推奨変更への市場の反応有意な関係は確認されず強い(係数 0.026)。同一人物内では有意でない分析なし
スター選出有意な関係は確認されず選ばれやすい不在日 +1標準偏差で +8.1〜9.9%ポイント。イベント以外の不在日が担う
自社経由の売買代金多い(四半期 870万〜1,180万ドル)有意な関係は確認されず分析なし
注:NBER 版​(R1、2023年12月)の​結果。​「同一人物内」は​アナリスト​固定効果を​入れた​推計。​件数は​同一人物内の​推計​(表5)、​速さ・​推奨変更・​売買代金は​固定効果なしで​有意だった​推計。​PMAFE は​負の​値ほど​同業比で​正確。​出張の​多い​=不在日の​割合が​四半期の​中央値を​超える。​最新版​(R2)は​不在日を​標準化した​連続変数で​推計しており、​係数の​大きさは NBER 版と​比べられない。​米国の​セルサイドの​株式​アナリスト、​2017年9月〜2021年3月。​相関の​分析​(ロックダウンの行を除く)で、​因果を​示す​ものではない。​出所:R1(p.18〜23、表5〜表12)、​R2(p.22〜25、表6〜表10)を​基に​大手町​プレップ​作成。

ロックダウンが​切り離した​2つの​経路

ここまでは相関である。仕事ができる人が長く働き、よく出かけるだけかもしれない。著者らは2020年上期のロックダウンを使って因果に近づこうとした。自宅住所と職場を特定できた102人について、2019年下期に出張が多かった群と少なかった群を、ロックダウンの前後で比べる差の差の分析である。

出張の多かった群は、ロックダウン中に相対的な精度が落ち、PMAFE が+0.117(5%水準)上がった。同業平均の誤差の11.7%分だけ外れが大きくなった計算である。悪化は本社が300マイル(約483km)超の企業に集中し、近い企業では有意でなかった13。移動が止まって失われたのは、遠くの現場でしか得られない情報だったと読める。

逆向きの実験もある。在宅勤務で通勤が消えると、浮いた時間が仕事に回る。ロックダウン前の通勤1時間の節約につき、勤務時間は1.3〜1.4時間延びた。年齢・子の有無・性別は延び方を説明しなかった。通勤時間の長かった群は短かった群に比べ、目標株価の予想が約9.3件増え、PMAFE が−0.085下がった。ただし精度の改善は10%水準での有意にとどまる14。著者らは、在宅勤務は通勤をなくして努力を増やす一方、対面の情報収集を損なうと解釈している15。

図1図1 ロックダウンで相対的な精度はどう動いたか← 精度が改善精度が悪化 →出張の多かった群担当企業すべて・5%水準で有意+0.117出張の多かった群本社が300マイル超・5%水準で有意+0.128出張の多かった群本社が300マイル以内・有意でない−0.017通勤時間の長かった群担当企業すべて・10%水準で有意−0.0850(変化なし)
注:2019年下期​(ロックダウン前)と​2020年上期​(ロックダウン中)を​比べた​差の​差の​係数。​被説明変数は PMAFE​(同じ​決算を​予想した​全員の​平均絶対誤差に​対する​自分の​誤差の​超過分の​比率。​担当企業の​時価総額で​加重平均)で、​+0.1 は​同業平均の​誤差の​10%分だけ​外れが​大きくなった​ことを​表す。​出張の​多かった​群=ロックダウン​前の​不在日の​割合が​中央値を​超えた人​(102人)。​通勤時間の​長かった​群=ロックダウン​前の​通勤時間​(在宅で浮いた時間)が​中央値を​超えた人​(99人)。​300マイルは​約483km。​米国の​セルサイドの​株式​アナリスト。​著者の​最新版​(2026年7月)​でも​同じ​係数が​示されている。​出所:R1(p.49 表11、p.51 表12B)、​R2(p.48〜49 表9・表10)の​数値を​基に​大手町​プレップ​作成。

改訂版で​変わった​こと、​残る​限界

この研究は未査読で、改訂が続いている。著者サイトの2026年7月版では、不在日を、担当企業や証券会社のイベント(Bloomberg の企業イベント予定表に載る行事や、アナリスト・投資家向けの説明会)と重なる日とそれ以外に分けた。すると全期間の精度の回帰で不在日全体は有意でなくなり、イベントと重なる不在日だけが、同じ人の中での変化を含めて精度の改善と有意な関係を示した。勤務時間は同じ人の中では有意でなくなった16。ランキングとの関係は、イベント以外の不在日(機関投資家との面談などと著者は推測する)が担っており、不在日が1標準偏差多いと選ばれる確率が8.1〜9.9%ポイント高かった17。一方、推奨変更への市場の反応と売買代金の分析は改訂版の本文から外れている。ロックダウンの結果は維持された18。

限界は少なくない。対象は Bloomberg で自ら「analyst」と名乗る人に限られ、42社の活動中のアナリストの約15%で、改訂版によれば大半が上位5社の所属である。チームで書くレポートも主担当だけで評価している。2023年の学会で討論者は、固定効果では役職の変化やチーム内の役割の違いを除けないこと、経営者が会う相手を選ぶ逆の因果や、働き方の好みが混じる可能性を指摘した19。ロックダウンの分析も約100人・4四半期である。

大手町​プレップの​考察

以下は編集部の見方で、研究が検証したものではない。改訂版まで含めて読むと、成果は1つではなく、時間の使い道ごとに結びつく成果が違う、という整理になる。机の時間は件数と速さに、企業・証券会社のイベントと日程が重なる外出は精度に、それ以外の外出は顧客の評価に結びついている。アナリストの評価がランキングや顧客の投票に偏ると、精度と結びつく外出より、評価と結びつく外出に時間が流れやすいと考えられる(仮説)。

また、精度との関係は平均では小さく、ロックダウンのように対面の経路が丸ごと止まったときに大きく表れた。日常の1日の出張の価値を数字で示すのは難しいが、遠方の企業の現場から長く離れると精度が落ちる、という形で表れると読むのが無理のない解釈だろう。

日本の​実務への​応用:取材できない​情報と、​取りに​行く​情報

日本で同じ発想を使うには、制度の違いを先に押さえる必要がある。日本証券業協会のガイドライン(2016年9月)により、証券会社のアナリストは、未公表の決算期の業績に関する取材を例外を除き行わない。来期の会社計画も第4四半期以降は取材しない。広く参加者を募る大規模な説明会やカンファレンスは、そもそも制限の対象となる「取材等」から外れている20。金融庁のフェア・ディスクロージャー・ルールのガイドラインも、中長期の戦略に関する経営者との議論や、工場見学・事業別説明会で一般に提供される情報のようなモザイク情報は、一般にそれ自体ではルールの対象にならないとする21。

つまり日本のセルサイドが対面で得るべきものは、業績の「着地」ではなく、事業の仕組みと現場の観察である。研究で精度と結びついたのが、企業・証券会社のイベントと日程が重なる不在日だったことは、この線引きと矛盾しない(実際の参加を確かめた変数ではなく、日本で検証された結果でもない)。工場の稼働の様子、販売店の在庫、チャネルチェックで得た取引先の声を、公表済みの数字と組み合わせて予想に落とす。この作業の記録が、取材の価値を後から確かめる材料にもなる。業務の流れ全体は「アナリストレポート​作成の​実務フロー」で整理している。

在宅勤務の設計にも示唆がある。研究の結果を当てはめるなら、在宅の日は件数と速さを支え、対面の機会は遠方の担当企業ほど失うものが大きい。アナリストと担当企業の距離の分布は日米で違い得るため、距離の効果がどこまで当てはまるかは分からない。ただ、地方の工場や店舗は、本社がどこにあっても足を運ばなければ見えない(編集部の推論)。

学習用の​設例:PMAFE で​自分の​精度を​測る

学習用の設例(架空):ある会社の四半期の EPS の実績が50.0円で、5人のアナリストの最新の予想が表2のとおりだったとする。全員の平均絶対誤差は2.40円である。最新の予想を1人1本ずつ使う簡略例で、研究のように四半期中の予想の誤差を平均してから絶対値をとる集計とは異なる。

表2 PMAFE の計算(学習用の設例・架空)

表は横にスクロールできます →

予想 EPS絶対誤差PMAFE
アナリストA52.0円2.0円−0.17
アナリストB47.5円2.5円+0.04
アナリストC51.0円1.0円−0.58
アナリストD44.0円6.0円+1.50
アナリストE49.5円0.5円−0.79
全員の平均—2.40円0.00
注:実績の EPS を​50.0円とした​架空の​例。​絶対誤差=|予想−実績|、​PMAFE=​(自分の絶対誤差−全員の平均絶対誤差)​÷全員の​平均絶対誤差。​−1 に​近いほど​正確で、​0 が​平均並み。​研究の​ロックダウンの​効果​(+0.117)を​この​例に​当ては​めると、​平均絶対誤差2.40円の​11.7%、​つまり​約0.28円だけ​外れが​大きくなる​計算に​なる(大きさの目安を示すための換算)。​出所:学習用の​仮定に​基づき大手町​プレップ​作成。

最も外れが小さいアナリストEの PMAFE は−0.79、最も大きいアナリストDは+1.50になる。誤差の円額ではなく同業との比率で見るので、決算ごとの当てやすさの違いをならして、担当銘柄をまたいで平均できる。研究の数字をこの例に置き直すと、ロックダウンで出張の多かった群が失った精度は約0.28円、勤務時間1時間あたりの関係(NBER 版の推計の上限)は約0.017円に当たる。後者は1回の予想では見分けられない大きさで、件数を重ねて初めて差として見えてくる(編集部の見方)。

明日から​使える​確認項目

  1. 時間の記録を3つに分ける:四半期ごとに、机での分析、企業のイベント(説明会・工場見学・事業説明会)、投資家対応の日数を記録する。研究の区分に倣った編集部の提案で、目安の配分は研究で検証されていない。
  2. 担当銘柄ごとに PMAFE を計算する:コンセンサス​予想の個人別の予想が取れるなら、決算ごとに PMAFE を計算し、4四半期の平均を見る。研究と同じ指標にするには、表2のように最新予想1本で済ませず、自分と比較対象の各アナリストについて四半期中の予想誤差を平均してから絶対値をとり、その全員平均を分母にする。前の四半期に現場を訪ねた銘柄とそうでない銘柄で差があるかを確かめる。
  3. 取材の前に問いを1つ決める:「この訪問で、予想のどの前提(数量・単価・費用)を確かめるか」を書いてから出かける。未公表の当期業績に触れる質問は入れない。
  4. 取材メモで情報の出所を分ける:公表済み・決算説明会で一般に提供された情報・自分の観察の3つを区別して残し、審査担当に説明できる形にする。
  5. 遠方の銘柄の空白期間を確かめる:最後に現場を見てから4四半期以上たった地方の担当企業を一覧にし、次の説明会・工場見学の日程を押さえる(期間の目安は編集部の仮の基準)。
  6. 評価する側は成果を分けて見る:バイサイドが証券会社のアナリストを評価するとき、反応の速さ・予想の精度・面談の有用性を別々に採点し、1つの印象に混ぜない。

よく​ある​質問

長く​働けば​予想は​当たるようになるのですか。

研究では​勤務時間が​長い​人ほど​予想の​件数が​多く​速い​傾向が​ありましたが、​精度との​関係は​小さく、​改訂版では​同じ​人の​中での​変化では​統計的に​有意な​関係が​確認されませんでした。​ロックダウンで​通勤時間の​長かった​人は、​短かった​人に​比べて​相対的な​精度が​改善しましたが、​10%水準の​結果です。

日本では​取材が​制限されているので、​外出の​価値は​低いのですか。

制限されるのは​主に​未公表の​当期業績に​関する​取材です。​研究の​改訂版で​精度と​結び​ついたのは、​担当企業や​証券会社の​イベントと​日程が​重なる​不在日​(実際の参加を直接確かめたものではない)で、​工場​見学や​説明会で​一般に​提供される​情報は​日本でも​取得できます。​日本で​同じ​効果が​あるかは​検証されていません。

まとめ

Bloomberg の利用記録を使ったこの研究は、米国のセルサイドの株式アナリストで、机の時間が主に予想の件数と速さに、オフィスを離れる日が精度と評価に結びつくことを示した。ロックダウンでは出張の多かった人が遠方の企業で精度を落とし、通勤時間の長かった人は短かった人に比べ精度が改善した(10%水準)。改訂版では、精度と結びつくのは企業・証券会社のイベントと日程が重なる不在日で、それ以外の外出は評価と結びつくという整理に変わっている。日本では未公表の業績を取材できない分、現場で何を確かめるかを決めて出かけ、その効果を PMAFE で後から測ることが実務的な使い方になる。

脚注

  1. R1(NBER WP 31936, 2023年12月)p.1〜3。NBER の WP は査読を経ていないと表紙に注記がある。謝辞に、旧題「All in a day’s work: What do we learn from Analysts’ Bloomberg Usage?」で回覧されたとある。確認できた最古の版は R3(2022年9月)。著者サイトの R2(2026年7月版)は題名を旧題に戻した改訂版。ページは PDF の物理ページで示す(R1 の印刷のページ番号は2つ小さい)。↩
  2. R1 p.3、p.8〜9、p.13。Bloomberg で自ら「analyst」と名乗る数千人から、I/B/E/S の推奨ファイルと氏名・所属・所在地で照合した997人のうち、Bloomberg と I/B/E/S の活動の条件を満たす336人。42社の I/B/E/S の活動中アナリストの約15%に当たる(R1 p.9)。↩
  3. R1 p.3、p.6〜7。距離は情報収集の雑音の多い代理変数だとする(Malloy 2005 は本社に近いアナリストの予想がより正確と報告)。企業訪問の研究(Cheng et al. 2016、中国)、365人のアナリスト調査(Brown et al. 2015)、証券会社主催の会議で経営陣に接した後の推奨変更(Green et al. 2014)は R1 p.7 の紹介による(原典は未確認)。ハード情報・ソフト情報の区分は R1 が引く Liberti and Petersen(2019)による。↩
  4. R1 p.4、p.7〜11、p.15、p.39(表2)。AWL は四半期ごとに1日の分単位の利用確率の分布を2つの正規分布の混合で当てはめ、(午前の山の平均−標準偏差、午後の山の平均+標準偏差)の長さとする。2020年第1四半期以降について、序論(p.4)は約11時間、p.15 は10.5時間超と書いている。同じ手法は同じ著者らが上場企業の経営者の勤務の推計に使った R4 に由来する(R1 p.9、R4 p.2)。↩
  5. R1 p.11〜12、p.15、p.39(表2)。PAD の10%点は0.033、90%点は0.656。著者らは休暇や端末を使わない出社日による測定誤差を認め、休暇日数が人によって大きく違わなければ人の間の違いは残ると論じている。携帯電話の位置情報による確認は1人ずつの逸話にとどまる(R1 p.12〜13)。↩
  6. R1 p.14〜16、p.39(表2)、p.40(表3)。1日平均362分は約6.0時間。7〜9時のログインの増加は、決算ニュースの銘柄数の1標準偏差の増加に対する値で、平均ログイン活動0.269に対する比率(R1 p.16)。早朝のログインと AWL の相関は0.24。↩
  7. R1 p.15、p.17〜18(表4)。証券会社の固定効果は AWL・PAD の変動の9.5%・12.7%、時期は5.5%・9.5%、業種は約10.5%・8.7%を説明する。スター・アナリストは PAD と正の関係があり、AWL とは有意な関係が確認されなかった。↩
  8. R1 p.5、p.18〜19(表5、アナリスト固定効果ありの列4・8)。四半期 EPS 予想+0.306件、年度+0.539件、その他の EPS 予想+2.538件の合計が約3.4件。出張の多い四半期は−1.554件、−1.749件、−5.71件で合計約9.0件。担当銘柄数×時期の固定効果で担当数の違いを調整している。↩
  9. R1 p.19〜20(表6)。適時性は決算発表から次の予想までの日数の対数(LnTFE)。AWL 1時間で約−5.9%はアナリスト固定効果なしの列5の対数日数の係数−0.059を百分率に近似した値(厳密な換算では約−5.7%)。固定効果ありの列6では負だが有意でない。↩
  10. R1 p.22〜23、p.48(表10)。PMAFE は各アナリスト×銘柄について四半期中に出した全予想の誤差を等加重で平均し、その絶対値を同じ銘柄の全アナリストの平均と比べる(R1 p.22)。PMAFE の標準偏差は0.53、絶対値の平均は0.39で、括弧内の%はこの平均に対する比率。AWL の係数はアナリスト固定効果ありの列で10%水準、なしの列で1%水準。出張の多い人の係数は10%〜5%水準。分析は1人のアナリスト×1銘柄×1四半期の単位で、企業の規模・簿価時価比率・ボラティリティ・機関投資家の保有比率などを調整している。↩
  11. R1 p.20、p.45(表7)。Loh and Stulz(2011)に倣い決算発表の前後を除いた推奨変更。格下げはリターンの符号を反転して比べる。出張の多い人の係数0.026(5%水準)について著者らは「2.6%高いリターン」と書くが、表7には単位の明記がない。アナリスト固定効果を入れると0.010で有意でなく、人の間の違いによるとされる。この分析は R2 には含まれていない(脚注18)。↩
  12. R1 p.20〜21、p.46(表8)、p.47(表9)。スター選出は第4四半期の Institutional Investor 誌 All-America Research Team への選出を第1〜3四半期の平均で説明する線形確率モデル。売買代金は勤務時間1時間あたり四半期870万〜1,180万ドル多いが、アナリスト固定効果を入れると概ね有意でない。↩
  13. R1 p.23〜25、p.49(表11)。期間は2019年第3四半期〜2020年第2四半期の4四半期、自宅住所と職場を特定できた102人(ニューヨーク圏87人など)。処置群は2019年下期の PAD が中央値を超えた人。PMAFE は担当銘柄の時価総額で加重した平均。遠方の企業(本社が300マイル超)は+0.128(5%水準)、近い企業は−0.017(有意でない)。予想件数の増加は有意でない。↩
  14. R1 p.25〜27、p.50〜51(表12)。通勤時間は Google マップで平日7時の自宅から職場までの最短時間(徒歩・車・公共交通・自転車)。最小と最大を除いた99人。差の差の処置群は、表12の注と p.27 の説明に従い通勤時間(在宅で浮く時間)が中央値を超える人とした(R1 p.26 本文は「below-median」と書くが、表の注・p.27 と食い違うため表の注に従った)。PMAFE −0.085は10%水準、目標株価の予想件数の増加は5%水準。↩
  15. R1 p.27(第5節)。R2 p.29 も同趣旨(努力の増加と私的情報の収集の減少)。↩
  16. R2(2026年7月版)p.21〜22、p.45(表6)。被説明変数と説明変数を標準化(平均0・標準偏差1)した推計。イベントと重なる不在日(EvPAD)は、担当企業・証券会社のイベントと日程が重なる不在日で(R2 p.21)、実際の参加を直接確かめた変数ではない。Bloomberg の企業イベント予定表(EVTS)と Refinitiv StreetEvents のアナリスト・投資家デーの記録から作る。EvPAD の係数は−0.015〜−0.018(5%水準、固定効果の有無を問わず)、AWL は−0.017〜−0.019(固定効果なしで5%水準、ありでは有意でない)。不在日全体とイベント以外の不在日は有意でない。↩
  17. R2 p.23〜25、p.46〜47(表7・表8)。スター選出の線形確率モデルで、論文は「8.1-9.9% increase in that probability」と書くが、確率の差なので本記事では%ポイントと表記した。前年に選ばれていない人に限ると5.5〜5.7%ポイント。イベント以外の不在日の係数は0.045〜0.089で有意、イベントと重なる不在日と勤務時間は有意でない。適時性は AWL と EvPAD が1標準偏差あたり8.4%・7.7%(標準偏差単位)短縮と関係し、いずれも固定効果ありでは有意でない。↩
  18. R2 には変数定義に「stock recommendation changes」の語が残る(p.52)が、推奨変更への市場の反応と売買代金の分析は、確認した本文・表に見当たらない(Internet Appendix は未確認)。ロックダウンの結果は R2 p.27〜29、p.48〜49(表9・表10)で同じ係数。通勤の分析では遠方・近い企業の間に差がなかった(R2 p.29)。↩
  19. R1 p.9、p.23(表A.8 でチームの努力を調整しても結果は頑健とする)、R2 p.3。討論者の指摘は R5(2023年5月、ABFER 年次大会)のスライド14〜15・18〜22。↩
  20. R6(日本証券業協会「協会員のアナリストによる発行体への取材等及び情報伝達行為に関するガイドライン」2016年9月20日)p.2〜5。「取材等」の定義から、広く参加者を募って行う大規模な説明会や証券会社等主催の大規模なカンファレンスでの説明を除く(p.2)。公開・公知となった情報の内訳や、業績と明らかに無関係な環境認識・販売計画・設備投資計画などは取材できるとする(p.4〜5)。↩
  21. R7(金融庁「金融商品取引法第27条の36の規定に関する留意事項について(フェア・ディスクロージャー・ルールガイドライン)」2018年2月6日公表)問1・問4(PDF p.5〜7)。ガイドラインは法令の一般的な解釈を示すもので、個別事案は事実関係に即して判断されると明記している。↩

参考文献​(2026年11月確認)

※本記事は教育目的の一般的な解説であり、投資助言・法務・税務の助言ではありません。研究結果は各論文の対象・期間・方法の範囲で得られたもので、日本の個別企業・案件にそのまま当てはまるとは限りません。設例は学習用の架空の数値です。アイキャッチ画像は生成AIによるイメージです。